一种基于深度学习的端到端车牌识别方法.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CN108446696A(43)申请公布日2018.08.24(21)申请号201810132848.8(22)申请日2018.02.09(71)申请人杭州雄迈集成电路技术有限公司地址311422浙江省杭州市富阳区银湖街道富闲路9号银湖创新中心9号楼12层1210室(72)发明人王智玉罗世操(74)专利代理机构浙江纳祺律师事务所33257代理人郑满玉(51)Int.Cl.G06K9/32(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)G07B15/02(2011.01)权利要求书1页说明书4页附图2页(54)发明名称一种基于深度学习的端到端车牌识别方法(57)摘要本发明提出一种基于深度学习的端到端车牌识别方法，经过高斯混合模型算法处理后输出待检测车牌的图像；卷积神经网络提取共享特征模块，将待检测车牌的图像输入已经训练过卷积神经网络算法提取特征，再经过车牌图像初步检测模块处理后输出回归位置信息、回归角度特征映射图以及对应的判别是否车牌的特征映射图；车牌初步检测模块通过对应的判别是否车牌的特征映射图分析获得置信度得分，得到一批候选车牌图像，利用非极大值抑制算法进行车牌图像融合，最后获取真实的车牌位置的图像；将真实的车牌位置的图像输入到车牌内容识别反馈模块识别出车牌内容。本发明应用于停车场管理系统中，提升停车场收费效率，提高了车牌识别效率，节约了成本。CN108446696ACN108446696A权利要求书1/1页1.一种基于深度学习的端到端车牌识别方法，其特征在于，包括卷积神经网络提取共享特征模块、车牌初步检测模块、车牌内容识别反馈模块，还包括以下步骤：S1:经过高斯混合模型算法处理后输出待检测车牌的图像；S2:卷积神经网络提取共享特征模块，将待检测车牌的图像输入已经训练过卷积神经网络算法提取特征，再经过车牌图像初步检测模块处理后输出回归位置信息、回归角度特征映射图以及对应的判别是否车牌的特征映射图；S3:车牌初步检测模块通过对应的判别是否车牌的特征映射图分析获得置信度得分，得到一批候选车牌图像，利用非极大值抑制算法进行车牌图像融合，最后获取真实的车牌位置的图像；S4:将真实的车牌位置的图像输入到车牌内容识别反馈模块识别出车牌内容。2.如权利要求1所述的一种基于深度学习的端到端车牌识别方法，其特征在于，所述S2步骤提取共享特征的卷积神经网络结构包括6层，分别为1个输入层、3个卷积层，2个池化层。3.如权利要求2所述的一种基于深度学习的端到端车牌识别方法，其特征在于，所述卷积神经网络3个卷积层的核个数分别为24，48，64,第一层的卷积核的大小为5*5，其他两层的卷积核大小都是3*3，所有卷积层的跨度都为1*1。4.如权利要求1所述的一种基于深度学习的端到端车牌识别方法，其特征在于，所述S2步骤车牌图像初步检测模块包括一个卷积神经网络，以提取共享特征的卷积神经网络的输出特征图为输入层，5个卷积层，2个池化层。5.如权利要求4所述的一种基于深度学习的端到端车牌识别方法，其特征在于，所述卷积神经网络5个卷积层的核个数分别为128，256,第一个池化层的核以及跨度都为2*1，第二个池化层的核为3*3，跨度为2*2；第一个的卷积核的大小为3*3，第二个的卷积核大小是2*2，所有卷积层的跨度都为1*1。6.如权利要求1所述的一种基于深度学习的端到端车牌识别方法，其特征在于，所述车牌内容识别反馈模块包括一个卷积神经网络，网络结构为6层，1个输入层，包括S1步骤卷积神经网络提取出来的共享特征为该模块的输入，1个用于缓解模糊特征的反池化层，1个卷积层，1个池化层，一个双向LSTM层以及1个全连接层。7.如权利要求6所述的一种基于深度学习的端到端车牌识别方法，其特征在于，所述卷积神经网络的反池化层的核大小为2*1，跨度为2*1；卷积层的核大小为3*3，跨度为1*1；卷积层的核个数分别为64；池化层的核大小为1*2，跨度为1*2；双向LSTM核个数为96，CTC时序为26，最后再接一个全连接层，用于识别车牌内容。2CN108446696A说明书1/4页一种基于深度学习的端到端车牌识别方法技术领域[0001]本发明属于图像处理技术领域，具体涉及一种基于深度学习的端到端车牌识别方法。背景技术[0002]现有车牌检测方法是利用车牌区域的特征来判断车牌，将车牌区域从整幅车辆图像中分割出来。车牌自身具有许多的固有特征，这些特征在不同的国家是不同的。我国车牌具有以下可用于检测的特征:(1)车牌底色一般与车身颜色、字符颜色有较大差异；(2)车牌有一个连续或由于磨损而不连续的边框；(3)车牌内字符有多个，基本呈水平排列，在