1.一種車牌識(shí)別方法,其特征在于,包括:
獲取車輛圖像,并將所述車輛圖像輸入車輛檢索卷積神經(jīng)網(wǎng)絡(luò)搜索所述車輛圖像是否存在車輛;
如果所述車輛圖像存在車輛,則在所述車輛圖像上采集車牌圖像,并將所述車牌圖像輸入車牌檢索卷積神經(jīng)網(wǎng)絡(luò)搜索所述車牌圖像是否存在車牌;
如果所述車牌圖像存在車牌,則將所述車牌圖像輸入張量神經(jīng)網(wǎng)絡(luò)檢測所述車牌圖像是否異常;
如果沒有異常,則在所述車牌圖像上采集識(shí)別圖像,并將所述識(shí)別圖像輸入判斷神經(jīng)網(wǎng)絡(luò)判斷所述識(shí)別圖像上的地區(qū)編號(hào)、字母和數(shù)字,并輸出地區(qū)編號(hào)圖像、字母圖像和數(shù)字圖像;
分別將所述地區(qū)編號(hào)圖像、所述字母圖像和所述數(shù)字圖像輸入地區(qū)編號(hào)識(shí)別卷積神經(jīng)網(wǎng)絡(luò)、字母識(shí)別卷積神經(jīng)網(wǎng)絡(luò)和數(shù)字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行地區(qū)編號(hào)、字母和數(shù)字的識(shí)別,并分別輸出地區(qū)編號(hào)、字母和數(shù)字;
根據(jù)輸出的地區(qū)編號(hào)、字母和數(shù)字,按“地區(qū)編號(hào)字母數(shù)字”的格式輸出車牌號(hào)識(shí)別結(jié)果。
2.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述獲取車輛圖像,并將所述車輛圖像輸入車輛檢索卷積神經(jīng)網(wǎng)絡(luò)搜索所述車輛圖像是否存在車輛的步驟包括:
獲取視頻流數(shù)據(jù)中的車輛圖像,所述車輛圖像以張量模式表示;
根據(jù)空間轉(zhuǎn)換網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)將所述車輛圖像進(jìn)行多次幾何空間變換校正、卷積處理和池化處理,得到第一特征映射圖;
將第一特征映射圖向量化輸出列向量,并連接多個(gè)全連接層得到全連接層的權(quán)值矩陣;
將所述全連接層的權(quán)值矩陣進(jìn)行張量列分解,提取第一特征向量;
將第一特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的輸出層進(jìn)行分類預(yù)測并優(yōu)化可調(diào)參數(shù),搜索是否存在車輛。
3.根據(jù)權(quán)利要求2所述的方法,其特征在于,所述將車牌圖像輸入車牌檢索卷積神經(jīng)網(wǎng)絡(luò)搜索所述車牌圖像是否存在車牌的步驟包括:
根據(jù)空間轉(zhuǎn)換網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)將所述車牌圖像進(jìn)行多次幾何空間變換校正、卷積處理和池化處理,得到第二特征映射圖;
將第二特征映射圖向量化輸出列向量,并連接多個(gè)全連接層得到全連接層的權(quán)值矩陣;
將所述全連接層的權(quán)值矩陣進(jìn)行張量列分解,提取第二特征向量;
將第二特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的輸出層進(jìn)行分類預(yù)測并優(yōu)化可調(diào)參數(shù),搜索是否存在車牌。
4.根據(jù)權(quán)利要求2-3任意一項(xiàng)所述的方法,其特征在于,所述優(yōu)化可調(diào)參數(shù)的步驟具體為根據(jù)誤差方向傳播算法優(yōu)化網(wǎng)絡(luò)中所有可調(diào)參數(shù),即對空間轉(zhuǎn)換矩陣、權(quán)值和偏移的更新,是根據(jù)后一層反傳回來的誤差進(jìn)行局部梯度計(jì)算進(jìn)行的。
5.根據(jù)權(quán)利要求4所述的方法,其特征在于,所述將車牌圖像輸入張量神經(jīng)網(wǎng)絡(luò)檢測所述車牌圖像是否異常的步驟包括:
將所述車牌圖像直接輸入訓(xùn)練好的張量神經(jīng)網(wǎng)絡(luò)中得到其對應(yīng)的直接概率密度比;
再將所述直接概率密度比與完成張量神經(jīng)網(wǎng)絡(luò)的訓(xùn)練后得到的臨界直接概率密度比進(jìn)行比較,如果所述直接概率密度比大于所述臨界直接概率密度比,則為正常圖像,否則為異常圖像。
6.一種車牌識(shí)別裝置,其特征在于,包括:
數(shù)據(jù)采集模塊,用于在視頻流圖像中采集車輛圖像;在所述車輛圖像中采集車牌圖像;以及在所述車牌圖像中采集識(shí)別圖像;
車輛搜索模塊,用于將所述車輛圖像輸入車輛檢索卷積神經(jīng)網(wǎng)絡(luò)搜索所述車輛圖像是否存在車輛;
車牌搜索模塊,用于將所述車牌圖像輸入車牌檢索卷積神經(jīng)網(wǎng)絡(luò)搜索所述車牌圖像是否存在車牌;
異常監(jiān)測模塊,用于將所述車牌圖像輸入張量神經(jīng)網(wǎng)絡(luò)檢查所述車牌圖像是否異常;
車牌識(shí)別模塊,用于將所述識(shí)別圖像輸入判斷神經(jīng)網(wǎng)絡(luò)判斷所述識(shí)別圖像上的地區(qū)編號(hào)、字母和數(shù)字,并輸出地區(qū)編號(hào)圖像、字母圖像和數(shù)字圖像;然后分別將所述地區(qū)編號(hào)圖像、所述字母圖像和所述數(shù)字圖像輸入地區(qū)編號(hào)識(shí)別卷積神經(jīng)網(wǎng)絡(luò)、字母識(shí)別卷積神經(jīng)網(wǎng)絡(luò)和數(shù)字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行地區(qū)編號(hào)、字母和數(shù)字的識(shí)別,并分別輸出地區(qū)編號(hào)、字母和數(shù)字;再根據(jù)輸出的地區(qū)編號(hào)、字母和數(shù)字,按“地區(qū)編號(hào)字母數(shù)字”的格式輸出車牌號(hào)識(shí)別結(jié)果。
7.根據(jù)權(quán)利要求6所述的裝置,其特征在于,所述車輛搜索模塊包括:
車輛圖像處理單元,用于根據(jù)空間轉(zhuǎn)換網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)將所述車輛圖像進(jìn)行多次幾何空間變換校正、卷積處理和池化處理,得到第一特征映射圖;
權(quán)值矩陣獲取單元,用于將第一特征映射圖向量化輸出列向量,并連接多個(gè)全連接層得到全連接層的權(quán)值矩陣;
張量分解單元,用于將所述全連接層的權(quán)值矩陣進(jìn)行張量列分解,提取第一特征向量;
分類預(yù)測單元,用于將第一特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的輸出層進(jìn)行分類預(yù)測并優(yōu)化可調(diào)參數(shù),搜索是否存在車輛。
8.根據(jù)權(quán)利要求7所述的裝置,其特征在于,所述車牌搜索模塊包括:
車牌圖像處理單元,用于根據(jù)空間轉(zhuǎn)換網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)將所述車牌圖像進(jìn)行多次幾何空間變換校正、卷積處理和池化處理,得到第二特征映射圖;
權(quán)值矩陣獲取單元,用于將第二特征映射圖向量化輸出列向量,并連接多個(gè)全連接層得到全連接層的權(quán)值矩陣;
張量分解單元,用于將所述全連接層的權(quán)值矩陣進(jìn)行張量列分解,提取第二特征向量;
分類預(yù)測單元,用于將第二特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的輸出層進(jìn)行分類預(yù)測并優(yōu)化可調(diào)參數(shù),搜索是否存在車牌。
9.根據(jù)權(quán)利要求8所述的裝置,其特征在于,所述異常監(jiān)測模塊包括:
張量神經(jīng)網(wǎng)絡(luò)單元,用于根據(jù)輸入的車牌圖像獲取與之對應(yīng)的直接概率密度比;
比較單元,用于將所述直接概率密度比與完成張量神經(jīng)網(wǎng)絡(luò)的訓(xùn)練后得到的臨界直接概率密度比進(jìn)行比較,如果所述直接概率密度比大于所述臨界直接概率密度比,則為正常圖像,否則為異常圖像。
10.一種用戶設(shè)備,其特征在于,包括權(quán)利要求6~權(quán)利要求9任意一項(xiàng)所述的車牌識(shí)別裝置。