本發(fā)明涉及圖像識別技術(shù)領(lǐng)域，具體涉及一種建立車牌識別模型的方法及裝置。

背景技術(shù)：

在智能交通領(lǐng)域，車牌識別技術(shù)占據(jù)著重要的地位。傳統(tǒng)的車牌識別技術(shù)一般將車牌識別分為車牌定位、車牌字符分割、車牌字符識別等幾大模塊?，F(xiàn)有車牌識別方法為將定位后的車牌圖片字符切割成若干單個字符，繼而車牌字符識別對切割后的單個字符進行識別分類。

但是現(xiàn)有車牌識別方法存在一定的缺點，例如，當車牌出現(xiàn)污損、殘缺、斷裂、粘連等情況時，傳統(tǒng)的字符分割方法面臨巨大挑戰(zhàn)，分割正確率急劇下降，直接導(dǎo)致車牌識別失敗。因此，傳統(tǒng)的車牌識別不能適應(yīng)復(fù)雜多變的環(huán)境，且車牌識別過程對切割后的單個字符進行識別分類，采取大量數(shù)字圖像處理手段，耗時嚴重。

技術(shù)實現(xiàn)要素：

因此，本發(fā)明要解決的技術(shù)問題在于現(xiàn)有車牌識別方法不能適應(yīng)復(fù)雜多變的環(huán)境且識別過程耗時嚴重。

有鑒于此，本發(fā)明提供一種建立車牌識別模型的方法，包括：

獲取多個車輛的車牌圖像；

將所述車牌圖像擴大到預(yù)設(shè)尺寸，得到車牌圖像樣本；

將所述多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直至所述神經(jīng)網(wǎng)絡(luò)模型對所述車牌圖像樣本車牌信息的識別率大于第一預(yù)設(shè)閾值或者神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)的損失值收斂于預(yù)設(shè)值。

優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)模型為卷積神經(jīng)網(wǎng)絡(luò)模型。

優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)模型設(shè)置有多個字符結(jié)果輸出層，所述多個字符結(jié)果輸出層分別對應(yīng)輸出所述車牌圖像樣本中多個字符的識別結(jié)果；

所述將所述多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直至所述神經(jīng)網(wǎng)絡(luò)模型對車牌圖像樣本中車牌信息的識別率大于預(yù)設(shè)閾值或者神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)的損失值收斂于預(yù)設(shè)值，包括：

將所述多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直至所述神經(jīng)網(wǎng)絡(luò)模型的多個字符結(jié)果輸出層對車牌圖像樣本中多個字符的識別結(jié)果的識別率大于預(yù)設(shè)閾值或者神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)的損失值收斂于預(yù)設(shè)值。

優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)模型設(shè)置有長度結(jié)果輸出層，用于輸出所述車牌圖像樣本中字符長度識別結(jié)果。

優(yōu)選地，所述將所述車牌圖像擴大到預(yù)設(shè)尺寸，得到車牌圖像樣本，包括：

獲取所述車牌圖像的坐標與尺寸大小；

根據(jù)所述車牌圖像的坐標與尺寸大小，確定所述車牌圖像的圖像中心點；

以所述圖像中心點為中心，按照所述預(yù)設(shè)尺寸進行所述車牌圖像擴展，得到所述車牌圖像樣本。

相應(yīng)地，本發(fā)明還提供一種建立車牌識別模型的裝置，包括：

獲取單元，用于獲取多個車輛的車牌圖像；

車牌圖像樣本獲取單元，用于將所述車牌圖像擴大到預(yù)設(shè)尺寸，得到車牌圖像樣本；

訓(xùn)練單元，用于將所述多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直至所述神經(jīng)網(wǎng)絡(luò)模型對所述車牌圖像樣本中車牌信息的識別率大于第一預(yù)設(shè)閾值或者神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)的損失值收斂于預(yù)設(shè)值。

優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)模型為卷積神經(jīng)網(wǎng)絡(luò)模型。

優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)模型設(shè)置有多個字符結(jié)果輸出層，所述多個字符結(jié)果輸出層分別對應(yīng)輸出所述車牌圖像樣本中多個字符的識別結(jié)果；

所述訓(xùn)練單元，包括：訓(xùn)練子單元，用于

將所述多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直至所述神經(jīng)網(wǎng)絡(luò)模型的多個字符結(jié)果輸出層對車牌圖像樣本中多個字符的識別結(jié)果的識別率大于預(yù)設(shè)閾值或者神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)的損失值收斂于預(yù)設(shè)值。

優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)模型設(shè)置有長度結(jié)果輸出層，用于輸出所述車牌圖像樣本中字符長度識別結(jié)果。

優(yōu)選地，所述車牌圖像樣本獲取單元包括：

坐標與尺寸大小獲取單元，用于獲取所述車牌圖像的坐標與尺寸大??；

圖像中心點確定單元，用于根據(jù)所述車牌圖像的坐標與尺寸大小，確定所述車牌圖像的圖像中心點；

車牌圖像樣本確定單元，用于以所述圖像中心點為中心，按照所述預(yù)設(shè)尺寸進行所述車牌圖像擴展，得到所述車牌圖像樣本。

本發(fā)明技術(shù)方案具有以下優(yōu)點：

通過獲取多個車輛的車牌圖像，將車牌圖像擴大到預(yù)設(shè)尺寸，得到車牌圖像樣本，并將多個車牌圖像樣本和車牌圖像樣本中的車牌信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直至神經(jīng)網(wǎng)絡(luò)模型對車牌圖像樣本車牌信息的識別率大于第一預(yù)設(shè)閾值或者神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)的損失值收斂于預(yù)設(shè)值，繼而利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對待識別車牌圖像進行車牌信息識別，解決了現(xiàn)有車牌識別方法不能適應(yīng)復(fù)雜多變的環(huán)境且識別過程耗時嚴重的問題。

附圖說明

為了更清楚地說明本發(fā)明具體實施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對具體實施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施方式，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實施例1提供的一種建立車牌識別模型的方法的流程圖；

圖2是本發(fā)明實施例2提供的一種建立車牌識別模型的裝置的結(jié)構(gòu)示意圖；

圖3是本發(fā)明實施例3提供的一種車牌信息識別方法的流程圖；

圖4是本發(fā)明實施例4提供的一種車牌信息識別裝置的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合附圖對本發(fā)明的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

實施例1

本發(fā)明實施例提供一種建立車牌識別模型的方法，如圖1所示，包括：

S11，獲取多個車輛的車牌圖像。其中多個車牌圖像樣本包括正樣本和負樣本，正樣本為真實車牌圖像，負樣本為非真實車牌圖像，即負樣本可以是車輛其他部位的圖像或者殘缺的車牌圖像，對海量樣本進行標注，標注內(nèi)容包括車牌號碼和/或車牌字符長度，假牌所有字符都標注為0。最后將所有的樣本縮放到神經(jīng)網(wǎng)絡(luò)模型的輸入層大小，本實施例神經(jīng)網(wǎng)絡(luò)模型輸入層的大小為128x128。車牌圖像的獲取采用ACF檢測算法進行車牌定位。

S12，將車牌圖像擴大到預(yù)設(shè)尺寸，得到車牌圖像樣本。ACF檢測算法檢測到的車牌可能存在未包含完整的車牌區(qū)域的小概率事件情況，從而使得車牌信息識別不準確，為了提高訓(xùn)練結(jié)果精確度，將獲取的車牌圖像區(qū)域進行放大，具體包括以下步驟：

S121，獲取車牌圖像的坐標與尺寸大小；其中通過ACF檢測算法得到車牌圖像，利用最小外接矩形方法得到車牌圖像的坐標與圖像尺寸大小。

S122，根據(jù)車牌圖像的坐標與尺寸大小，確定車牌圖像的圖像中心點；

S123，以圖像中心點為中心，按照預(yù)設(shè)尺寸進行車牌圖像擴展，得到車牌圖像樣本。其中所述車牌圖像樣本的尺寸大于車牌圖像尺寸，預(yù)設(shè)尺寸可以是獲取的車牌圖像的長度與寬度中的最大值，或者根據(jù)得到車牌圖像的實際尺寸統(tǒng)計結(jié)果作為擴展尺寸，其中統(tǒng)計數(shù)據(jù)可以是隨機車牌圖像尺寸數(shù)據(jù)的平均值。

S13，將多個車牌圖像樣本和車牌圖像樣本中的車牌信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直至神經(jīng)網(wǎng)絡(luò)模型對車牌圖像樣本車牌信息的識別率大于第一預(yù)設(shè)閾值或者神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)的損失值收斂于預(yù)設(shè)值。所述損失值用于計算神經(jīng)網(wǎng)絡(luò)模型的收斂速度，當損失函數(shù)的損失值在預(yù)設(shè)值的一定范圍內(nèi)變化時，即可認為損失函數(shù)值不再下降，其中神經(jīng)網(wǎng)絡(luò)模型為卷積神經(jīng)網(wǎng)絡(luò)模型，將得到的車牌圖像樣本輸入到輸入層，經(jīng)過若干層卷積層和池化層，本發(fā)明實施例采用4層卷積層與4層池化層交替作用，得到一個4096維的特征向量H。所有的卷積層的卷積核為3，步長為1，池化層采取最大值池化方式，池化窗口大小為2x2，步長為2。卷積層和全連接層的通道數(shù)分別為(32，64，128，256，500，4096)，得到4096維的特征向量。

為了提高車牌信息識別速度，神經(jīng)網(wǎng)絡(luò)模型同時設(shè)置有多個字符結(jié)果輸出層，多個字符結(jié)果輸出層分別對應(yīng)輸出車牌圖像樣本中字符識別結(jié)果。

步驟S13具體包括：

將多個車牌圖像樣本和車牌圖像樣本中的車牌信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直至神經(jīng)網(wǎng)絡(luò)模型每個字符結(jié)果輸出層對車牌圖像樣本車牌信息中字符識別結(jié)果的識別率大于第一預(yù)設(shè)閾值或者神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)的損失值收斂于預(yù)設(shè)值。其中車牌信息中字符識別結(jié)果包括車牌信息的長度識別結(jié)果和車牌中字符的識別結(jié)果；

作為一種可選的實施方式，所述神經(jīng)網(wǎng)絡(luò)模型設(shè)置有長度結(jié)果輸出層，用于輸出所述車牌圖像樣本中字符長度識別結(jié)果。

具體訓(xùn)練方式同上述步驟S12的字符結(jié)果訓(xùn)練過程，不再贅述。

具體地，本實施例的4096維的特征向量可以設(shè)置多個輸出層相連，得到多個輸出結(jié)果，當輸出層的個數(shù)可設(shè)置6個輸出層，用于識別車牌圖像字母與數(shù)字信息，或者是7個輸出層，用于識別車牌的漢字信息以及字母與數(shù)字信息或者是8個輸出層，在識別車牌的漢字信息以及字母與數(shù)字信息，也可以識別出車牌的長度。車牌字符長度一般為7位或8位，因此，字符長度輸出結(jié)果設(shè)置為CNN三分類任務(wù)，第一分支表示識別的車牌位數(shù)為0，表示車牌識別錯誤，第二分支表示識別的車牌位數(shù)為7位，第三分支表示識別的車牌位數(shù)為8位；輸出層對字符的輸出結(jié)果為，第一個分支為輸出車牌的第1個漢字字符識別結(jié)果，漢字字符識別分支輸出結(jié)果在0-34之間整數(shù)值(代表34個地域漢字)；第二個分支輸出車牌的后6或7位號碼的識別結(jié)果，車牌號碼識別分支輸出結(jié)果為0-36之間任意值(代表0-9，A-Z共36個數(shù)字字母字符和假牌)，當其輸出可以表示為Z_Si＝W_SiH+b_Si,(i＝1,2,3,...6,7,8)，其中W表示連接權(quán)值，bsi為偏置，其中所述卷積神經(jīng)網(wǎng)絡(luò)模型采用最大后驗概率的輸出值所對應(yīng)的類別為最終輸出值，即：

s＝(l,s1,s2,s3,s4,s5,s6,s7,s8)＝arg max_{L,S1,S2,S3,...,S8}log P(S|X)

本發(fā)明實施例提供的建立車牌識別模型的方法，通過獲取多個車輛的車牌圖像，將車牌圖像擴大到預(yù)設(shè)尺寸，得到車牌圖像樣本，并將多個車牌圖像樣本和車牌圖像樣本中的車牌信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直至神經(jīng)網(wǎng)絡(luò)模型對車牌圖像樣本車牌信息的識別率大于第一預(yù)設(shè)閾值或者神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)的損失值收斂于預(yù)設(shè)值，繼而利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對待識別車牌圖像進行車牌信息識別，解決了現(xiàn)有車牌識別方法不能適應(yīng)復(fù)雜多變的環(huán)境且識別過程耗時嚴重的問題。

實施例2

本發(fā)明實施例提供一種建立車牌識別模型的裝置，如圖2所示，包括：

獲取單元21，用于獲取多個車輛的車牌圖像；

車牌圖像樣本獲取單元22，用于將車牌圖像擴大到預(yù)設(shè)尺寸，得到車牌圖像樣本；

訓(xùn)練單元23，用于將多個車牌圖像樣本和車牌圖像樣本中的車牌信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直至神經(jīng)網(wǎng)絡(luò)模型對車牌圖像樣本中車牌信息的識別率大于第一預(yù)設(shè)閾值或者神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)的損失值收斂于預(yù)設(shè)值。

優(yōu)選地，神經(jīng)網(wǎng)絡(luò)模型為卷積神經(jīng)網(wǎng)絡(luò)模型。

優(yōu)選地，

所述神經(jīng)網(wǎng)絡(luò)模型設(shè)置有多個字符結(jié)果輸出層，所述多個字符結(jié)果輸出層分別對應(yīng)輸出所述車牌圖像樣本中多個字符的識別結(jié)果；

所述訓(xùn)練單元，包括：訓(xùn)練子單元，用于

將所述多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直至所述神經(jīng)網(wǎng)絡(luò)模型的多個字符結(jié)果輸出層對車牌圖像樣本中多個字符的識別結(jié)果的識別率大于預(yù)設(shè)閾值或者神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)的損失值收斂于預(yù)設(shè)值。

優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)模型設(shè)置有長度結(jié)果輸出層，用于輸出所述車牌圖像樣本中字符長度識別結(jié)果。

優(yōu)選地，車牌圖像樣本獲取單元包括：

坐標與尺寸大小獲取單元，用于獲取車牌圖像的坐標與尺寸大?。?/p>

圖像中心點確定單元，用于根據(jù)車牌圖像的坐標與尺寸大小，確定所述車牌圖像的圖像中心點；

車牌圖像樣本確定單元，用于以圖像中心點為中心，按照預(yù)設(shè)尺寸進行車牌圖像擴展，得到車牌圖像樣本。

本發(fā)明實施例提供的建立車牌識別模型的裝置，通過獲取單元獲取多個車輛的車牌圖像，將車牌圖像擴大到預(yù)設(shè)尺寸，得到車牌圖像樣本，并將多個車牌圖像樣本和車牌圖像樣本中的車牌信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直至神經(jīng)網(wǎng)絡(luò)模型對車牌圖像樣本車牌信息的識別率大于第一預(yù)設(shè)閾值或者神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)的損失值收斂于預(yù)設(shè)值，繼而利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對待識別車牌圖像進行車牌信息識別，解決了現(xiàn)有車牌識別方法不能適應(yīng)復(fù)雜多變的環(huán)境且識別過程耗時嚴重的問題。

實施例3

本發(fā)明實施例提供一種車牌信息識別方法，如圖3所示，包括：

S31，獲取待識別車牌圖像；

S32，將待識別車牌圖像輸入到如實施例1所述的方法建立的模型中，確定待識別車牌圖像的車牌信息。例如，一個車牌信息為京A·AB123，第6位字符“1”的機器訓(xùn)練識別的過程中，輪詢識別數(shù)字0-9，得到的最大后驗概率分別為0.001、0.001、0.99、0.001、0.001、0.001、0.001、0.001、0.001、0.001、0.001,0.001，則當識別出0.99對應(yīng)的數(shù)字1即為車牌的第6為字符，同理通過最大后驗概率的方法得到車牌其他位字符的信息，將待識別圖像每一位的識別結(jié)果為0.99、0.97、0.98、0.96、0.99、0.99、0.99、0.98、0.95，繼而將得到每一位上的結(jié)果進行連乘，當連乘結(jié)果大于第二預(yù)設(shè)閾值時，則待識別圖像為車牌圖像，本實施例優(yōu)選第二預(yù)設(shè)閾值為0.3；當某一位的識別結(jié)果遠遠小于其他位上的識別結(jié)果，此時可以得出待識別圖像識別錯誤進行二次識別驗證。當車牌長度識別結(jié)果為0并且字符識別結(jié)果中有大于4個的輸出結(jié)果為0，則判定待識別圖像為假牌。

本發(fā)明實施例提供的車牌信息識別方法，通過訓(xùn)練好的機器學(xué)習(xí)模型對待識別車牌圖像，提高了車牌圖像信息識別的準確率與識別速度。

實施例4

本發(fā)明實施例提供一種車牌信息識別裝置，如圖4所示，包括：

待識別車牌圖像獲取單元41，用于獲取待識別車牌圖像；

車牌信息確定單元42，用于將所述待識別車牌圖像輸入到如實施例1所述的方法建立的模型中，確定待識別車牌圖像的車牌信息。

本發(fā)明實施例提供的車牌信息識別裝置，通過訓(xùn)練好的機器學(xué)習(xí)模型對待識別車牌圖像，提高了車牌圖像信息識別的準確率與識別速度。

顯然，上述實施例僅僅是為清楚地說明所作的舉例，而并非對實施方式的限定。對于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。而由此所引伸出的顯而易見的變化或變動仍處于本發(fā)明創(chuàng)造的保護范圍之中。