基于CNN卷积神经网络下的车辆字符识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109740603A(43)申请公布日2019.05.10(21)申请号201910053899.6(22)申请日2019.01.21(71)申请人闽江学院地址350000福建省福州市闽侯县上街镇文贤路1号(72)发明人郑祥盘宋国进(74)专利代理机构福州旭辰知识产权代理事务所(普通合伙)35233代理人程春宝(51)Int.Cl.G06K9/32(2006.01)G06K9/38(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书4页说明书10页附图3页(54)发明名称基于CNN卷积神经网络下的车辆字符识别方法(57)摘要本发明提供了一种基于CNN卷积神经网络下的车辆字符识别方法，包括如下步骤:步骤S1、建立HAAR级联分类器，根据HAAR级联分类器来锁定车牌的位置，提取出车牌的图像；步骤S2、对车牌的图像进行灰度变换形成灰度图；步骤S3、对灰度图进行图像二值化操作；步骤S4、灰度图像二值化后进行图像腐蚀和图像膨胀操作得到最终图像；步骤S5、将最终图像通过图像最小轮廓发现找到车牌中字符的信息，将字符传入到建立好的CNN卷积神经网络中，对字符进行识别操作，最终得到车牌信息。本发明提升字符检测的效率，减小车牌识别的时间。CN109740603ACN109740603A权利要求书1/4页1.一种基于CNN卷积神经网络下的车辆字符识别方法，其特征在于：包括如下步骤:步骤S1、建立HAAR级联分类器，根据HAAR级联分类器来锁定车牌的位置，提取出车牌的图像；步骤S2、对车牌的图像进行灰度变换形成灰度图；步骤S3、对灰度图进行图像二值化操作；步骤S4、灰度图像二值化后进行图像腐蚀和图像膨胀操作得到最终图像；步骤S5、将最终图像通过图像最小轮廓发现找到车牌中字符的信息，将字符传入到建立好的CNN卷积神经网络中，对字符进行识别操作，最终得到车牌信息。2.根据权利要求1所述的一种基于CNN卷积神经网络下的车辆字符识别方法，其特征在于：所述步骤S2具体为：创建一同车牌的图像一样尺寸大小的黑色图像，通过循环遍历车牌的图像的每个像素点，在遍历过程中，将三个通道R、G、B的像素值通过运算公式计算出灰度值，所述运算公式为：Gray(i,j)＝0.299*R(i,j)+0.587*G(i,j)+0.144*B(i,j)，图像的每个像素点的位置用(i,j)表示；将计算出的灰度值赋值给黑色图像相应行列的位置形成灰度图。3.根据权利要求1所述的一种基于CNN卷积神经网络下的车辆字符识别方法，其特征在于：所述步骤S3具体为：通过循环依次遍历灰度图的像素值，比较所在位置的像素值与一设定阈值的大小来进行分割操作，如果该像素点的像素值大于等于阈值，则把该像素点的像素值重新赋值为255，相反，如果该像素点的像素值小于阈值，则把该像素点的像素值重新赋值为0，从而进行图像二值化。4.根据权利要求1所述的一种基于CNN卷积神经网络下的车辆字符识别方法，其特征在于：所述图像腐蚀是去掉车牌的图像干扰信息，所述图像膨胀是对车牌的图像中字符的边缘做填充；所述图像腐蚀具体为：定义一个2x3的卷积核，让卷积核在进行图像二值化的灰度图中进行滑移操作，在滑移的过程中计算卷积核覆盖下的图像像素值最小值，将该区域内所有的图像像素值都赋值为0，滑移的过程中是按卷积核的尺寸在进行图像二值化的灰度图中进行移动，在列的方向滑动的次数为图像的列数col除以2；在行的方向滑动的次数为图像的行数row除以3，在跨平台计算机视觉库opencv中用CONSTANT的方式填充边界信息；当卷积核遍历完所有次数以后，能够将除了字符以外的边界信息提取出来，所述图像膨胀具体为：定义一个2x2的卷积核，让卷积核在图像腐蚀处理后的图像中进行滑移操作，在滑移的过程中计算卷积核覆盖下的图像像素值的最大值，将该区域内所有的图像像素值都赋值为1，滑移的过程中按卷积核的尺寸在图像腐蚀处理后的图像进行移动，在列的反向滑动的次数col除以2；在行的方向滑动的次数row除以2，采用CONSTANT的方式填充边界信息，当卷积核遍历完所有的次数以后，就能够将图像中字符信息提取出来。5.根据权利要求1所述的一种基于CNN卷积神经网络下的车辆字符识别方法，其特征在于：所述步骤S5具体为：在跨平台计算机视觉库opencv下通过图像最小轮廓发现利用findcount函数将车牌的字符单独的寻找出来，建立CNN卷积神经网络进一步具体为：(1)训练数据集的收集：收集有关31个省份的字符数据集、0到9的数字数据集、以及包含A到Z的字母数据集；将收集的数据集的样本分为两份，一份是只含车牌省份的字符数据集，另一份是数字样本和字母样本数据集，分别用