現有技術相比，本發(fā)明檢測100張圖片中，檢測到有車牌的圖片98張，其中96 張檢測正確。
【附圖說明】
[0024] 圖1為本發(fā)明方法流程圖。
[0025] 圖2為本發(fā)明卷積神經網絡示意圖。
[0026] 圖3為實施例待處理照片示意圖。
[0027] 圖4為實施例處理照片示意圖。
【具體實施方式】
[0028] 下面對本發(fā)明的實施例作詳細說明，本實施例在以本發(fā)明技術方案為前提下進行 實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于下述的實施 例。 實施例1
[0029] 如圖1所示，本實施例包括以下步驟：
[0030] 步驟1，圖片預處理：
[0031] 步驟1. 1:在不同天氣情況、不同場景下拍攝車輛照片（包括背景），從拍攝照片中 分割出車牌和非車牌圖片，并貼上標簽（車牌或非車牌），得到車牌圖片5000個，非車牌圖 片5000個；
[0032] 步驟1. 2:以上10000張彩色圖片轉化為灰度圖像；
[0033] 步驟1. 3:把步驟1. 2中的灰度圖像尺寸歸一化為32*32,每張圖片得到32*3兩個 像素值；
[0034] 步驟1. 4:把像素點按空間位置不變，排列成32*32的矩陣，保存在訓練樣本集中， 每個32*32的矩陣代表一張圖片，每一條樣本包括圖片矩陣和對應標簽；
[0035]步驟2，構造卷積神經網絡CNN:
[0036] 本實施例中采用的CNN是一個多層的神經網絡，每次由多個二維平面組成，每個 平面由多個獨立神經元組成，CNN是專為二維圖像而設計的拓撲結構，且特征提取與模式分 類同時進行，優(yōu)于淺層機器學習算法的模式分類需額外提取圖像特征。此外，CNN的權值共 享減少了網絡的訓練參數，再加上其多次特征提取，使其具有魯棒性。
[0037] 步驟2. 1:構造如圖2所示的7層卷積神經網絡，包括三個卷積層（特征提取層）， 兩個次采樣層（特征映射層），一個全連接層，一個softmax回歸層，前2次卷積層（C層） 后都緊跟著一個用來求局部加權平均的次采樣層（S層）作為二次特征提取，這種特有的兩 次特征提取相結合的結構使網絡在模式分類時對輸入圖片具有一定的容忍噪聲的能力，BP 表現為網絡的魯棒性。
[0038] 步驟2. 2:指定卷積神經網絡的輸入是32*32的灰度圖，卷積層C1有6張?zhí)卣鲌D， 次采樣層S2有6張?zhí)卣鲌D，卷積層C3由S2層的6張?zhí)卣鲌D經卷積后組合而得16張?zhí)卣?圖，其組合方式見表1，次采樣層S4有16張?zhí)卣鲌D，卷積層C5設置100個節(jié)點，全連接層 F6設置50個節(jié)點，輸出層設置兩個節(jié)點；
【主權項】
1. 一種基于卷積神經網絡的車牌檢測方法，其特征在于，通過構建帶有標簽的圖片庫 作為樣本集對卷積神經網絡進行訓練，并將訓練后的卷積神經網絡處理待測圖片，根據卷 積神經網絡的輸出向量判斷是否為車牌圖片以及最匹配車牌。
2. 根據權利要求1所述的方法，其特征是，所述樣本集是指：從圖片庫中分類出車牌和 非車牌圖片，并貼上標簽，得到相同數量的正樣本和負樣本，將樣本集中的彩色圖片轉化為 灰度圖像，把得到的灰度圖像尺寸歸一化為32*32的灰度圖像塊。
3. 根據權利要求1所述的方法，其特征是，所述的卷積神經網絡為七層卷積神經網 絡，包括：三個卷積層、兩個次采樣層、一個全連接層和一個softmax回歸層，其中：輸入是 32*32的灰度圖像塊，卷積層Cl有6張?zhí)卣鲌D，次采樣層S2有6張?zhí)卣鲌D，卷積層C3由S2 層的6張?zhí)卣鲌D經卷積后組合而得16張?zhí)卣鲌D，次采樣層S4有16張?zhí)卣鲌D，卷積層C5有 100個節(jié)點，全連接層F6有50個節(jié)點，輸出層有兩個節(jié)點。
4. 根據權利要求1所述的方法，其特征是，所述的訓練是指：將樣本集中的正、負樣本 輸入到CNN中，采用交叉熵損失函數，結合反向傳播BP算法調整CNN參數，利用softmax回 歸作為分類算法，完成CNN的訓練。
5. 根據權利要求1或4所述的方法，其特征是，所述的訓練包括： 1 :對CNN進行初始化：用一些不同的小隨機數初始化網絡中待訓練參數； 2 :向初始化后的CNN中輸入10000個訓練樣本來訓練CNN并得到實際輸出向量； 3 :使用交叉熵損失函數，結合反向傳播BP算法調整CNN參數，利用softmax回歸作為 分類算法，完成CNN的訓練。
6. 根據權利要求5所述的方法，其特征是，所述的訓練樣本包括：輸入向量和理想輸出 向量，當輸入向量輸入CNN中后經過逐層變換，傳送到輸出層，得到實際輸出向量。
7. 根據權利要求1所述的方法，其特征是，所述的判斷是指：將待測圖片輸入訓練后的 CNN，檢測出該圖片中是否有車牌，并得到檢測結果。
8. 根據權利要求1或7所述的方法，其特征是，所述的判斷包括： 1 :把待檢測圖片轉化為灰度圖，并放大至原圖的1. 5倍作為圖片金字塔的塔底； 2 :以0. 9倍率連續(xù)7次縮小塔底圖片，得到圖片金字塔的上面7層； 3:以固定大小的掃描框依次掃描8層金字塔的每張圖片，每次掃描框內的圖片輸入訓 練后的CNN，得到二維的輸出向量（ul，u2)，當ul>u2,則檢測結果為車牌；否則為非車牌； 4 :所有檢測為車牌的結果中，選擇出ul值最大的輸出向量對應的圖片，作為最終的車 牌檢測結果。
9. 一種實現上述任一權利要求所述方法的系統(tǒng)，其特征在于，包括：訓練樣本獲取模 塊、卷積神經網絡模塊以及車牌區(qū)域檢測模塊，其中：訓練樣本獲取模塊的正負樣本輸入卷 積神經網絡模塊，把卷積神經網絡訓練成一個能夠識別車牌和非車牌圖片的二分類器，車 牌區(qū)域檢測模塊創(chuàng)建圖片金字塔并利用訓練好的卷積神經網絡模塊來檢測金字塔中圖片 的車牌區(qū)域。
【專利摘要】一種圖像處理和人工智能領域的基于卷積神經網絡的車牌檢測方法及系統(tǒng)，通過構建帶有標簽的圖片庫作為樣本集對卷積神經網絡進行訓練，并將訓練后的卷積神經網絡處理待測圖片，根據卷積神經網絡的輸出向量判斷是否為車牌圖片以及最匹配車牌。本發(fā)明能夠提高識別和檢測精度，具有較好的可行性和魯棒性。
【IPC分類】G06K9-00, G06N3-08
【公開號】CN104809443
【申請?zhí)枴緾N201510225485
【發(fā)明人】李建勛, 劉巧巧
【申請人】上海交通大學
【公開日】2015年7月29日
【申請日】2015年5月5日