基于卷积神经网络的车牌检测方法及系统技术方案

一种图像处理和人工智能领域的基于卷积神经网络的车牌检测方法及系统，通过构建带有标签的图片库作为样本集对卷积神经网络进行训练，并将训练后的卷积神经网络处理待测图片，根据卷积神经网络的输出向量判断是否为车牌图片以及最匹配车牌。本发明专利技术能够提高识别和检测精度，具有较好的可行性和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及的是一种图像处理和人工智能领域的技术，具体是一种基于卷积神经 网络的车牌检测方法及系统。
技术介绍
智能交通违章监摄管理系统（俗称电子眼）对机动车闯红灯、逆行、超速、越线行 驶、违例停靠等违章行为进行监控管理。该系统通过监摄得到违章车辆的图片，再从图片中 进一步提取车辆信息，如：车牌、车型、车标等。本专利技术基于此应用背景，提出了一种基于卷 积神经网络的车牌检测方法，该方法是一种基于机器学习的方法。 机器学习是人工智能领域的一个重要学科。早期的机器学习主要是浅层学习，随 着科学技术发展，深度学习于2006年正式提出。深度学习起源于多层人工神经网络，目前 已成功应用于模式分类、机器视觉、数据挖掘及辅助决策等领域。当前已有的深度学习网络 主要包括卷积神经网络、深度置信网和堆叠自动编码机。卷积神经网络由于其层间联系和 空域信息的紧密关系，使其适于图像处理。 图像中的车牌检测流程一般包括创建用于训练二分类器的正负样本集，图像特征 提取，训练二分类器，利用训练好的分类器进行目标检测。在图像特征提取方面，传统方法 通常使用方向梯度直方图（H0G)、局部二值模式（LBP)及Haar等特征提取方法。然而，不同 的特征提取方法都有其适用范围，若脱离其适用范围，则会导致欠佳的分类结果，具有局限 性。而卷积神经网络替代了以上特征提取方法，其深层结构使其能够自动提取图像的深度 鲁棒信息，利于分类器的训练和最终的目标检测。 经过对现有技术的检索发现，中国专利文献号CN104298976A公开（公告）日 2015. 01. 21，公开了一种基于卷积神经网络的车牌检测方法；具体包括通过基于Haar特 征的Adaboost车牌检测器对待检测车牌图像进行检测获取车牌粗选区域、通过卷积神经 网络完整车牌识别模型对车牌粗选区域进行识别获取车牌最终候选区域、通过多阈值分割 算法对车牌最终候选区域进行分割获取车牌汉字、字母和数字、通过汉字、字母和数字卷积 神经网络识别模型对车牌汉字、字母和数字进行识别得到车牌识别结果。该技术利用基于 Haar特征的Adaboost车牌检测器和卷积神经网络完整车牌识别模型可以实现对不用条件 下的车牌图像准确识别，同时利用多阈值分割算法对字符进行分割可以更简便的对字符图 像进行分割，在工程应用具有良好效果。但该技术中获取车牌最终候选区域完全依赖于其 通过基于Haar特征的Adaboost车牌检测器获取的车牌粗选区域，若粗选出来的车牌区域 没有包含车牌区域，那么车牌区域的最终获取必然失败；同时，这种迂回的检测方法，需要 两个步骤来完成车牌区域的检测，增加了运算时间。
技术实现思路
本专利技术针对现有技术存在的上述不足，提出一种基于卷积神经网络的车牌检测方 法及系统，本专利技术直接选取CNN最后一层的softmax回归值最大的部分作为车牌区域的检 测结果，检测一步到位，既减少了运算时间，又不依赖于可能导致检测失败的步骤。本专利技术 能够提高识别和检测精度，具有较好的可行性和鲁棒性。 本专利技术是通过以下技术方案实现的： 本专利技术涉及一种基于卷积神经网络的车牌检测方法，通过构建带有标签的图片库 作为样本集对卷积神经网络进行训练，并将训练后的卷积神经网络处理待测图片，根据卷 积神经网络的输出向量判断是否为车牌图片以及最匹配车牌。 本专利技术具体包括如下步骤： 步骤A，将样本集中的图片预处理为灰度图像块：从已有图片库中分类出车牌和 非车牌图片，并贴上标签（车牌或非车牌），保存在样本集中，得到相同数量的正样本和负 样本，将样本集中的彩色图片转化为灰度图像，把得到的灰度图像尺寸归一化为32*32的 灰度图像块； 步骤B，构造七层卷积神经网络（CNN,ConvolutionalNeuralNetwork):该7层卷 积神经网络包括：三个卷积层、两个次采样层、一个全连接层和一个softmax回归层，其中： 输入是32*32的灰度图像块，卷积层C1有6张特征图，次采样层S2有6张特征图，卷积层 C3由S2层的6张特征图经卷积后组合而得16张特征图，次采样层S4有16张特征图，卷积 层C5有100个节点，全连接层F6有50个节点，输出层有两个节点； 步骤C，训练CNN:将样本集中的正、负样本输入到CNN中，采用交叉熵损失函数，结 合反向传播BP算法调整CNN参数，利用softmax回归作为分类算法，完成CNN的训练，具体 步骤如下： 步骤C1 :对CNN进行初始化：用一些不同的小随机数初始化网络中待训练参数； 步骤C2:向初始化后的CNN中输入10000个训练样本来训练CNN并得到实际输出 向量。 所述的训练样本包括：输入向量和理想输出向量，当输入向量输入CNN中后经过 逐层变换，传送到输出层，得到实际输出向量。 步骤C3:使用交叉j：商损失函数，结合反向传播BP算法调整CNN参数，利用softmax 回归作为分类算法，完成CNN的训练。 步骤D，检测车牌：将待测图片输入训练后的CNN，检测出该图片中是否有车牌，并 得到检测结果，具体步骤如下： 步骤D1 :把待检测图片转化为灰度图，并放大至原图的1.5倍作为图片金字塔的 塔底； 步骤D2 :以0. 9倍率连续7次缩小塔底图片，得到图片金字塔的上面7层； 步骤D3 :以固定大小的扫描框依次扫描8层金字塔的每张图片，每次扫描框内的 图片输入训练后的CNN，得到二维的输出向量（ul，u2)，当ul>u2,则检测结果为车牌；否则， 检测结果为非车牌。 步骤D4 :所有检测为车牌的结果中，选择出ul值最大的输出向量对应的图片，作 为最终的车牌检测结果。 本专利技术涉及一种实现上述方法的系统，包括：训练样本获取模块、卷积神经网络模 块、车牌区域检测模块，其中：训练样本获取模块的正负样本输入卷积神经网络模块，把卷 积神经网络训练成一个能够识别车牌和非车牌图片的二分类器。车牌区域检测模块创建图 片金字塔并利用训练好的卷积神经网络模块来检测金字塔中图片的车牌区域。 技术效果 与当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的车牌检测方法，其特征在于，通过构建带有标签的图片库作为样本集对卷积神经网络进行训练，并将训练后的卷积神经网络处理待测图片，根据卷积神经网络的输出向量判断是否为车牌图片以及最匹配车牌。

【技术特征摘要】

【专利技术属性】
技术研发人员：李建勋，刘巧巧，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31