CN113221887A - 一种车牌识别方法及装置 - Google Patents
一种车牌识别方法及装置 Download PDFInfo
- Publication number
- CN113221887A CN113221887A CN202110542467.9A CN202110542467A CN113221887A CN 113221887 A CN113221887 A CN 113221887A CN 202110542467 A CN202110542467 A CN 202110542467A CN 113221887 A CN113221887 A CN 113221887A
- Authority
- CN
- China
- Prior art keywords
- license plate
- layer
- plate recognition
- convolution
- pooling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000011176 pooling Methods 0.000 claims abstract description 93
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Abstract
发明实施例提供一种车牌识别方法及装置,该方法包括:获取待识别的目标图像;将所述目标图像输入至预先训练好的车牌识别卷积网络进行识别;车牌识别卷积网络由若干卷积层、若干池化层和两个全连接层构成,且车牌识别卷积网络的最后两层均为全连接层;根据车牌识别卷积网络的第二层全连接层根据第一层全连接层输出的一维特征向量,确定目标图像是否存在车牌,并分别计算出车牌每个位置上各字符存在的概率;选取每个位置上概率最高的字符作为所在位置的目标字符。本发明实施例的技术方案通过单网络、多标签一次输出结果,提高了车牌识别的准确率及效率。
Description
技术领域
本发明属于计算机视觉以及人工智能技术领域,具体涉及一种车牌识别方法及装置。
背景技术
车牌识别在现实生活中有着非常广泛的应用,因此,车牌识别的研究有着重要的现实意义。例如,在智能交通系统中和城市电子监控系统中,车牌识别是确定车辆身份最为重要的手段,应用场景十分广泛。
在深度神经网络广泛运用之前,传统车牌识别主要有四个技术流程:车牌检测、车牌定位、字符分割和字符识别。这四个技术流程往往存在后者以来前者的关系。车牌定位是车牌整体字符的精细定位,依赖车牌检测的精准性,而字符分割依赖于车牌定位的精准度,而字符则依赖字符分割的准确性。因此,车牌识别的精确度依赖于整个技术流程各个环节的精确度,会因为一个环节的误差造成识别结果的较大误差。
传统车牌识别在字符分割环节难以实现对倾斜、模糊等复杂条件下的车牌进行有效的字符分割,因而限制了车牌识别在复杂场景下的应用。如何提高车牌识别的准确率及效率是目前亟待解决的问题。
发明内容
本发明解决的技术问题是,传统车牌识别系需要依赖车牌定位、标准化、字符分割和字符识别的多子网络算法拼接,效率低,在特殊环境下车牌识别的准确率和效率较低的问题。
本发明第一方面公开了一种车牌识别方法,包括:
获取待识别的目标图像;
将所述目标图像输入至预先训练好的车牌识别卷积网络进行识别;所述车牌识别卷积网络由若干卷积层、若干池化层和两个全连接层构成,且所述车牌识别卷积网络的最后两层均为全连接层;
所述车牌识别卷积网络的第二层全连接层根据第一层全连接层输出的一维特征向量,确定所述目标图像是否存在车牌,并分别计算出车牌每个位置上为各字符的概率;选取每个位置上概率最高的字符作为所在位置的目标字符。
可选地,所述获取待识别的目标图像具体包括:
采集待识别车辆的环境图像;
将所述环境图像输入所述车牌识别卷积网络进行预处理,获取待识别的目标图像,具体包括:
所述车牌识别卷积网络通过多尺度滑窗对所述环境图像进行查找,确定可能存在车牌的图像区域作为初始目标图像;
将所述初始目标图像转换为预设大小的环境灰度图像,作为待识别的目标图像。
可选地,所述车牌识别卷积网络中的若干卷积层和若干池化层包括:
卷积核大小为5×5的第一卷积层,最大池化大小为2×2的第一池化层;
卷积核大小为5×5的第二卷积层,最大池化大小为1×2的第二池化层;
卷积核大小为5×5的第三卷积层,最大池化大小为2×2的第三池化层。
可选地,将所述目标图像输入至预先训练好的车牌识别卷积网络进行识别包括:
将所述目标图像输入至所述预先完成训练的车牌识别卷积网络的第一卷积层,输出48个128×64的特征图;所述目标图像大小为128*64;
将所述第一卷积层的输出,输入至所述车牌识别卷积网络的第一池化层,输出48个64×32的特征图;
将所述第一池化层的输出,输入至所述车牌识别卷积网络的第二卷积层,输出64个64×32的特征图;
将所述第二卷积层的输出,输入至所述车牌识别卷积网络的第二池化层,输出64个64×16的特征图;
将所述第二池化层的输出,输入至所述车牌识别卷积网络的第三卷积层,输出128个64×16的特征图;
将所述第三卷积层的输出,输入至所述车牌识别卷积网络的第三池化层,输出128个32×8的特征图;
将所述第三池化层的输出,输入至所述第一全连接层,所述第一全连接层将接收到的特征图进行组合,输出1×2048的特征向量;
将所述1×2048的特征向量输入至所述车牌识别卷积网络的第二层全连接层,所述第二层全连接层将所述特征向量划分为1×1和7×36的特征向量。
可选地,若所述车牌的各位置的目标字符不在预设字符集中,则所述车牌的合法性校验不通过。
本发明第二方面公开了一种车牌识别装置,包括:
获取模块,其用于获取待识别的目标图像;
识别模块,其用于将所述目标图像输入至预先训练好的车牌识别卷积网络进行识别;所述车牌识别卷积网络由若干卷积层、若干池化层和两个全连接层构成,且所述车牌识别卷积网络的最后两层均为全连接层;
输出模块,所述车牌识别卷积网络的第二层全连接层根据第一层全连接层输出的一维特征向量,确定所述目标图像是否存在车牌,并分别计算出车牌每个位置上各字符存在的概率;选取每个位置上概率最高的字符作为所在位置的目标字符。
可选地,所述获取模块还用于:采集待识别车辆的环境图像;将所述环境图像输入至所述车牌识别卷积网络进行预处理,获取待识别的目标图像,具体包括:所述车牌识别卷积网络通过多尺度滑窗对所述环境图像进行查找,确定可能存在车牌的图像区域作为初始目标图像;将所述初始目标图像转换为预设大小的环境灰度图像,作为待识别的目标图像。
可选地,所述识别模块中还包括所述车牌识别卷积网络,所述若干卷积层和若干池化层包括:
卷积核大小为5×5的第一卷积层,最大池化大小为2×2的第一池化层;
卷积核大小为5×5的第二卷积层,最大池化大小为1×2的第二池化层;
卷积核大小为5×5的第三卷积层,最大池化大小为2×2的第三池化层。
可选地,所述识别模块中还包括:第一卷积处理单元,用于将所述目标图像输入至所述预先完成训练的车牌识别卷积网络的第一卷积层,输出48个128×64的特征图;所述目标图像大小为128*64;
第一池化处理单元,用于将所述第一卷积层的输出,输入至所述车牌识别卷积网络的第一池化层,输出48个64×32的特征图;
第二卷积处理单元,用于将所述第一池化层的输出,输入至所述车牌识别卷积网络的第二卷积层,输出64个64×32的特征图;
第二池化处理单元,用于将所述第二卷积层的输出,输入至所述车牌识别卷积网络的第二池化层,输出64个64×16的特征图;
第三卷积处理单元,用于将所述第二池化层的输出,输入至所述车牌识别卷积网络的第三卷积层,输出128个64×16的特征图;
第三池化处理单元,将所述第三卷积层的输出,输入至所述车牌识别卷积网络的第三池化层,输出128个32×8的特征图;
第一全连接单元,用于将所述第三池化层的输出,输入至所述第一全连接层,所述第一全连接层将接收到的特征图进行组合,输出1×2048的特征向量;
第二全连接单元,用于将所述1×2048的特征向量输入至所述车牌识别卷积网络的第二层全连接层,所述第二层全连接层将所述特征向量划分为1×1和7×36的特征向量。
可选地,还包括校验模块,其用于若所述车牌的各位置的目标字符不在预设字符集中,则所述车牌的合法性校验不通过。
现有技术中车牌识别系需要依赖多网络、车牌定位、标准化、字符分割和字符识别的多子网络算法拼接,结构复杂。本发明提供的一种车牌识别方法,通过单神经网络多标签,一次输出结果,不需要级联,一次性端到端的多标签结果输出,结构简单、高效和更容易训练,提高了车牌识别的准确率及效率。
附图说明
图1为本发明实施例提供的一种车牌识别方法的流程图;
图2为本发明实施例提供的一种车牌识别卷积网络的流程图;
图3为本发明实施例提供的又一种车牌识别卷积网络的流程图;
图4为本发明实施例提供的一种车牌识别装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
为使本发明实施例的目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施方式进行详细说明。
实施例一
图1为本发明实施例提供的一种车牌识别方法100,包括:
S110:获取待识别的目标图像。
S120:将目标图像输入至预先训练好的车牌识别卷积网络进行识别。车牌识别卷积网络由若干卷积层、若干池化层和两个全连接层构成,且车牌识别卷积网络的最后两层均为全连接层。
S130:根据车牌识别卷积网络的第二层全连接层根据第一层全连接层输出的一维特征向量,确定目标图像是否存在车牌,并分别计算出车牌每个位置上各字符存在的概率。选取每个位置上概率最高的字符作为所在位置的目标字符。
在步骤S110的执行中,集待识别车辆的环境图像。将环境图像输入车牌识别卷积网络进行预处理,获取待识别的目标图像,包括车牌识别卷积网络通过多尺度滑窗对环境图像进行查找,确定可能存在车牌的图像区域作为初始目标图像。将初始目标图像转换为预设大小的环境灰度图像,作为待识别的目标图像。
在步骤S120的执行中,将目标图像输入至预先训练好的车牌识别卷积网络进行识别包括:将目标图像输入至预先完成训练的车牌识别卷积网络的第一卷积层,输出48个128×64的特征图。目标图像大小为128*64。预设大小可以为128×64,该大小的灰度对于基于适当的资源和合理的时间训练来说足够小。
在步骤S130的执行中,车牌识别卷积网络的第二层全连接层根据第一层全连接层输出的一维特征向量,确定目标图像是否存在车牌,并分别计算出车牌每个位置上为各字符的概率。选取每个位置上概率最高的字符作为所在位置的目标字符。具体为:
将1×2048的特征向量输入至车牌识别卷积网络的第二层全连接层,第二层全连接层将特征向量划分为1×1和7×36的特征向量,1×1的特征像量确定目标图像是否存在车牌,7×36的特征向量计算出车牌每个位置上各字符存在的概率。选取每个位置上概率最高的字符作为所在位置的目标字符。
图2为本发明实施例提供的一种车牌识别卷积神经网络的结构图,包括:
卷积核大小为5×5的第一卷积层,最大池化大小为2×2的第一池化层。
卷积核大小为5×5的第二卷积层,最大池化大小为1×2的第二池化层。
卷积核大小为5×5的第三卷积层,最大池化大小为2×2的第三池化层。
具体识别的步骤包括:
步骤1、采集待识别车辆的环境图像;
步骤2、将环境图像输入车牌识别卷积网络进行预处理,获取待识别的目标图像,包括车牌识别卷积网络通过多尺度滑窗对环境图像进行查找,确定可能存在车牌的图像区域作为初始目标图像。
步骤3、将初始目标图像转换为预设大小的环境灰度图像,作为待识别的目标图像。
步骤4、再将所述目标图像输入至预先训练好的车牌识别卷积网络进行识别包括:
a:将目标图像输入至预先完成训练的车牌识别卷积网络的第一卷积层,输出48个128×64的特征图。目标图像大小为128*64。
b:将第一卷积层的输出,输入至车牌识别卷积网络的第一池化层,输出48个64×32的特征图。
c:将第一池化层的输出,输入至车牌识别卷积网络的第二卷积层,输出64个64×32的特征图。
d:将第二卷积层的输出,输入至车牌识别卷积网络的第二池化层,输出64个64×16的特征图。
e:将第二池化层的输出,输入至车牌识别卷积网络的第三卷积层,输出128个64×16的特征图。
f:将第三卷积层的输出,输入至车牌识别卷积网络的第三池化层,输出128个32×8的特征图。
g:将第三池化层的输出,输入至第一全连接层,第一全连接层将接收到的特征图进行组合,输出1×2048的特征向量。
h:将1×2048的特征向量输入至车牌识别卷积网络的第二层全连接层,第二层全连接层将特征向量划分为1×1和7×36的特征向量。
步骤5、车牌识别卷积网络的第二层全连接层根据第一层全连接层输出的一维特征向量,确定所述目标图像是否存在车牌,并分别计算出车牌每个位置上为各字符的概率。选取每个位置上概率最高的字符作为所在位置的目标字符。
车牌的第一个位置,神经网络会计算出待识别的车牌第一个位置上,每个字符的概率(如果有36个字符,则需要计算出待识别车牌的第一个位置上36个字符的各自概率),然后选取概率最高的字符作为当前位置的字符。比如,待识别车牌第一位置中,字符“京”的概率最高,达到90%。字符“吉”,概率为30%。字符“甘”概率为20%等等。那么就该车牌的第一个位置就选取概率最高的字符“京”作为当前位置的字符。同样的,第二个位置的字符也是如此,依次类推,直至车牌的最后一位,从而获得待识别车牌的车牌号码。
本发明实例采用单网络多标签的,一次结果输出,输入就是七个字符,输出也是七个字符,不用分割后再拼接,提高了车牌识别的准确率及效率。
步骤6、若所述车牌的各位置的目标字符不在预设字符集中,则车牌的合法性校验不通过。
实施例二:
如图3所示,本发明实施例提供的一种车牌识别方法200,包括如下几个步骤:
S210:通过可见光摄像头采集周边环境图像信息。
S220:接收上层应用下发的车牌识别算法开启指令。
S230:执行车牌识别算法,发现车辆车牌信息进行结果识别,如果未发现继续执行S220。
S240:运行车牌识别算法。
S250:对得到的车牌号码进行合法性校验。
S260:输出车牌识别结果。
S270:判定是否为白名单车牌
S280:是白名单车牌,则通过合法性校验,否则执行抓拍并发出报警。
在步骤S210的执行中,为了简化训练,减少计算量,环境图像定为128*64的灰度图,选用128*64分辨率的图片作为输入,对于基于适当的资源和合理的时间训练来说足够小,对于车牌号读取来说也足够大。
在步骤S240的执行中,车牌识别算法为实施例一中的车牌识别方法。
在步骤S250的执行中,若所述车牌的各位置的目标字符不在预设字符集中,则车牌的合法性校验不通过。
本发明实施例中,用可见光摄像头完成对机器人周围环境中的车辆信息的感知,通过对摄像头采集的图像实现实时的车牌号码识别和数据合法性校验,针对非白名单车牌号码进行抓拍并主动报警。
实施例三
基于相同的技术构思,本申请还提供了一种车牌识别装置,该车牌识别装置应用上述任一实施例的车牌识别方法,具体的,本申请的车牌识别装置的一个实施例如图3所示,该实施例提供一种车牌识别装置300,包括:
获取模块310,其用于获取待识别的目标图像。
识别模块320,其用于将目标图像输入至预先训练好的车牌识别卷积网络进行识别。车牌识别卷积网络由若干卷积层、若干池化层和两个全连接层构成,且车牌识别卷积网络的最后两层均为全连接层。
输出模块330,根据车牌识别卷积网络的第二层全连接层根据第一层全连接层输出的一维特征向量,确定目标图像是否存在车牌,并分别计算出车牌每个位置上各字符存在的概率。选取每个位置上概率最高的字符作为所在位置的目标字符。
在一种可能的实施方式中,获取模块还用于:采集待识别车辆的环境图像。将环境图像输入至车牌识别卷积网络进行预处理,获取待识别的目标图像,具体包括:车牌识别卷积网络通过多尺度滑窗对环境图像进行查找,确定可能存在车牌的图像区域作为初始目标图像。将初始目标图像转换为预设大小的环境灰度图像,作为待识别的目标图像。
在一种可能的实施方式中,识别模块中还包括车牌识别卷积网络,若干卷积层和若干池化层包括:
卷积核大小为5×5的第一卷积层,最大池化大小为2×2的第一池化层。
卷积核大小为5×5的第二卷积层,最大池化大小为1×2的第二池化层。
卷积核大小为5×5的第三卷积层,最大池化大小为2×2的第三池化层。
在一种可能的实施方式中,识别模块中还包括:
第一卷积处理单元,用于将目标图像输入至预先完成训练的车牌识别卷积网络的第一卷积层,输出48个128×64的特征图。目标图像大小为128*64。
第一池化处理单元,用于将第一卷积层的输出,输入至车牌识别卷积网络的第一池化层,输出48个64×32的特征图。
第二卷积处理单元,用于将第一池化层的输出,输入至车牌识别卷积网络的第二卷积层,输出64个64×32的特征图。
第二池化处理单元,用于将第二卷积层的输出,输入至车牌识别卷积网络的第二池化层,输出64个64×16的特征图。
第三卷积处理单元,用于将第二池化层的输出,输入至车牌识别卷积网络的第三卷积层,输出128个64×16的特征图。
第三池化处理单元,将第三卷积层的输出,输入至车牌识别卷积网络的第三池化层,输出128个32×8的特征图。
第一全连接单元,用于将第三池化层的输出,输入至第一全连接层,第一全连接层将接收到的特征图进行组合,输出1×2048的特征向量。
第二全连接单元,用于将1×2048的特征向量输入至车牌识别卷积网络的第二层全连接层,第二层全连接层将特征向量划分为1×1和7×36的特征向量。
在一种可能的实施方式中,还包括校验模块,其用于若车牌的各位置的目标字符不在预设字符集中,则车牌的合法性校验不通过。
现有技术中车牌识别算法,需要多网络,需要对车牌进行定位,对识别结果也要进行字符分割和字符识别等算法拼接,结构复杂。本发明提供的一种车牌识别方法及装置,通过单神经网络多标签,一次输出结果,不需要级联,一次性端到端的多标签结果输出,结构简单、高效和更容易训练,提高了车牌识别的准确率及效率。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利限定的范围为准。
Claims (10)
1.一种车牌识别方法,其特征在于,包括:
获取待识别的目标图像;
将所述目标图像输入至预先训练好的车牌识别卷积网络进行识别;所述车牌识别卷积网络由若干卷积层、若干池化层和两个全连接层构成,且所述车牌识别卷积网络的最后两层均为全连接层;
所述车牌识别卷积网络的第二层全连接层根据第一层全连接层输出的一维特征向量,确定所述目标图像是否存在车牌,并分别计算出车牌每个位置上为各字符的概率;选取每个位置上概率最高的字符作为所在位置的目标字符。
2.根据权力要求1所述的方法,其特征在于,所述获取待识别的目标图像具体包括:
采集待识别车辆的环境图像;
将所述环境图像输入所述车牌识别卷积网络进行预处理,获取待识别的目标图像,具体包括:
所述车牌识别卷积网络通过多尺度滑窗对所述环境图像进行查找,确定可能存在车牌的图像区域作为初始目标图像;
将所述初始目标图像转换为预设大小的环境灰度图像,作为待识别的目标图像。
3.如权利要求1所述的方法,其特征在于,所述车牌识别卷积网络中的若干卷积层和若干池化层包括:
卷积核大小为5×5的第一卷积层,最大池化大小为2×2的第一池化层;
卷积核大小为5×5的第二卷积层,最大池化大小为1×2的第二池化层;
卷积核大小为5×5的第三卷积层,最大池化大小为2×2的第三池化层。
4.如权利要求3所述的方法,其特征在于,将所述目标图像输入至预先训练好的车牌识别卷积网络进行识别包括:
将所述目标图像输入至所述预先完成训练的车牌识别卷积网络的第一卷积层,输出48个128×64的特征图;所述目标图像大小为128*64;
将所述第一卷积层的输出,输入至所述车牌识别卷积网络的第一池化层,输出48个64×32的特征图;
将所述第一池化层的输出,输入至所述车牌识别卷积网络的第二卷积层,输出64个64×32的特征图;
将所述第二卷积层的输出,输入至所述车牌识别卷积网络的第二池化层,输出64个64×16的特征图;
将所述第二池化层的输出,输入至所述车牌识别卷积网络的第三卷积层,输出128个64×16的特征图;
将所述第三卷积层的输出,输入至所述车牌识别卷积网络的第三池化层,输出128个32×8的特征图;
将所述第三池化层的输出,输入至所述第一全连接层,所述第一全连接层将接收到的特征图进行组合,输出1×2048的特征向量;
将所述1×2048的特征向量输入至所述车牌识别卷积网络的第二层全连接层,所述第二层全连接层将所述特征向量划分为1×1和7×36的特征向量。
5.如权利要求4所述的方法,其特征在于,若所述车牌的各位置的目标字符不在预设字符集中,则所述车牌的合法性校验不通过。
6.一种车牌识别装置,其特征在于,包括:
获取模块,其用于获取待识别的目标图像;
识别模块,其用于将所述目标图像输入至预先训练好的车牌识别卷积网络进行识别;所述车牌识别卷积网络由若干卷积层、若干池化层和两个全连接层构成,且所述车牌识别卷积网络的最后两层均为全连接层;
输出模块,所述车牌识别卷积网络的第二层全连接层根据第一层全连接层输出的一维特征向量,确定所述目标图像是否存在车牌,并分别计算出车牌每个位置上各字符存在的概率;选取每个位置上概率最高的字符作为所在位置的目标字符。
7.如权利要求6所述的装置,其特征在于,所述获取模块还用于:
采集待识别车辆的环境图像;将所述环境图像输入至所述车牌识别卷积网络进行预处理,获取待识别的目标图像,具体包括:所述车牌识别卷积网络通过多尺度滑窗对所述环境图像进行查找,确定可能存在车牌的图像区域作为初始目标图像;将所述初始目标图像转换为预设大小的环境灰度图像,作为待识别的目标图像。
8.如权利要求7所述的装置,其特征在于,所述识别模块中还包括所述车牌识别卷积网络,所述若干卷积层和若干池化层包括:
卷积核大小为5×5的第一卷积层,最大池化大小为2×2的第一池化层;
卷积核大小为5×5的第二卷积层,最大池化大小为1×2的第二池化层;
卷积核大小为5×5的第三卷积层,最大池化大小为2×2的第三池化层。
9.如权利要求8所述的装置,其特征在于,所述识别模块中还包括:
第一卷积处理单元,用于将所述目标图像输入至所述预先完成训练的车牌识别卷积网络的第一卷积层,输出48个128×64的特征图;所述目标图像大小为128*64;
第一池化处理单元,用于将所述第一卷积层的输出,输入至所述车牌识别卷积网络的第一池化层,输出48个64×32的特征图;
第二卷积处理单元,用于将所述第一池化层的输出,输入至所述车牌识别卷积网络的第二卷积层,输出64个64×32的特征图;
第二池化处理单元,用于将所述第二卷积层的输出,输入至所述车牌识别卷积网络的第二池化层,输出64个64×16的特征图;
第三卷积处理单元,用于将所述第二池化层的输出,输入至所述车牌识别卷积网络的第三卷积层,输出128个64×16的特征图;
第三池化处理单元,将所述第三卷积层的输出,输入至所述车牌识别卷积网络的第三池化层,输出128个32×8的特征图;
第一全连接单元,用于将所述第三池化层的输出,输入至所述第一全连接层,所述第一全连接层将接收到的特征图进行组合,输出1×2048的特征向量;
第二全连接单元,用于将所述1×2048的特征向量输入至所述车牌识别卷积网络的第二层全连接层,所述第二层全连接层将所述特征向量划分为1×1和7×36的特征向量。
10.如权利要求8所述的装置,其特征在于,还包括校验模块,其用于若所述车牌的各位置的目标字符不在预设字符集中,则所述车牌的合法性校验不通过。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110542467.9A CN113221887A (zh) | 2021-05-18 | 2021-05-18 | 一种车牌识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110542467.9A CN113221887A (zh) | 2021-05-18 | 2021-05-18 | 一种车牌识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113221887A true CN113221887A (zh) | 2021-08-06 |
Family
ID=77092735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110542467.9A Pending CN113221887A (zh) | 2021-05-18 | 2021-05-18 | 一种车牌识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221887A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6553131B1 (en) * | 1999-09-15 | 2003-04-22 | Siemens Corporate Research, Inc. | License plate recognition with an intelligent camera |
CN106709486A (zh) * | 2016-11-11 | 2017-05-24 | 南京理工大学 | 基于深度卷积神经网络的自动车牌识别方法 |
CN108509954A (zh) * | 2018-04-23 | 2018-09-07 | 合肥湛达智能科技有限公司 | 一种实时交通场景的多车牌动态识别方法 |
CN110414451A (zh) * | 2019-07-31 | 2019-11-05 | 深圳市捷顺科技实业股份有限公司 | 一种基于端对端的车牌识别方法、装置、设备及存储介质 |
-
2021
- 2021-05-18 CN CN202110542467.9A patent/CN113221887A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6553131B1 (en) * | 1999-09-15 | 2003-04-22 | Siemens Corporate Research, Inc. | License plate recognition with an intelligent camera |
CN106709486A (zh) * | 2016-11-11 | 2017-05-24 | 南京理工大学 | 基于深度卷积神经网络的自动车牌识别方法 |
CN108509954A (zh) * | 2018-04-23 | 2018-09-07 | 合肥湛达智能科技有限公司 | 一种实时交通场景的多车牌动态识别方法 |
CN110414451A (zh) * | 2019-07-31 | 2019-11-05 | 深圳市捷顺科技实业股份有限公司 | 一种基于端对端的车牌识别方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
THANH-NGA NGUYEN ET AL.: ""A New Convolutional Architecture for Vietnamese Car Plate Recognition"", 《2018 10TH INTERNATIONAL CONFERENCE ON KNOWLEDGE AND SYSTEMS ENGINEERING(KSE)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN108197326B (zh) | 一种车辆检索方法及装置、电子设备、存储介质 | |
CN111797893A (zh) | 一种神经网络的训练方法、图像分类系统及相关设备 | |
CN113807399A (zh) | 一种神经网络训练方法、检测方法以及装置 | |
CN109034086A (zh) | 车辆重识别方法、装置及系统 | |
US20230137337A1 (en) | Enhanced machine learning model for joint detection and multi person pose estimation | |
CN116311214B (zh) | 车牌识别方法和装置 | |
CN111950633A (zh) | 神经网络的训练、目标检测方法及装置和存储介质 | |
CN115187844A (zh) | 基于神经网络模型的图像识别方法、装置及终端设备 | |
CN115082752A (zh) | 基于弱监督的目标检测模型训练方法、装置、设备及介质 | |
Ayachi et al. | Real-time implementation of traffic signs detection and identification application on graphics processing units | |
CN114495060B (zh) | 一种道路交通标线识别方法及装置 | |
CN111178363A (zh) | 文字识别方法、装置、电子设备以及可读存储介质 | |
CN114359554A (zh) | 一种基于多感受野上下文语义信息的图像语义分割方法 | |
CN111340004A (zh) | 一种车辆图像识别的方法和相关装置 | |
CN111476190A (zh) | 用于无人驾驶的目标检测方法、设备及存储介质 | |
CN116311154A (zh) | 一种基于YOLOv5模型优化的车辆检测与识别方法 | |
CN113221887A (zh) | 一种车牌识别方法及装置 | |
CN115731422A (zh) | 多标签分类模型的训练方法、分类方法及装置 | |
CN116259021A (zh) | 一种车道线检测方法、存储介质和电子设备 | |
CN114565894A (zh) | 一种工作服装识别方法、装置、电子设备及存储介质 | |
CN113657389A (zh) | 一种软件定义卫星语义分割方法、装置和介质 | |
CN114639076A (zh) | 目标对象检测方法、装置、存储介质以及电子装置 | |
CN110942179A (zh) | 一种自动驾驶路线规划方法、装置及车辆 | |
CN110705695A (zh) | 搜索模型结构的方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |