一种建立车牌识别模型的方法及装置制造方法及图纸

一种建立车牌识别模型的方法及装置，其中所述建立车牌识别模型的方法，包括：获取多个车牌图像样本和所述车牌图像样本中的车牌信息，将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据，对神经网络模型进行训练，直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于预设阈值或者神经网络模型的损失函数的损失值收敛于预设值，继而利用训练好的神经网络模型对车牌图像样本进行车牌信息识别，避免了繁琐的车牌分割过程,解决了现有车牌识别方法不能适应复杂多变的环境且识别过程耗时严重的问题。

【技术实现步骤摘要】
一种建立车牌识别模型的方法及装置
本专利技术涉及图像识别
，具体涉及一种建立车牌识别模型的方法及装置。
技术介绍
在智能交通领域，车牌识别技术占据着重要的地位。传统的车牌识别技术一般将车牌识别分为车牌定位、车牌字符分割、车牌字符识别等几大模块。现有车牌识别方法为将定位后的车牌图片字符切割成若干单个字符，继而车牌字符识别对切割后的单个字符进行识别分类。但是现有车牌识别方法存在一定的缺点，例如，当车牌出现污损、残缺、断裂、粘连等情况时，传统的字符分割方法面临巨大挑战，分割正确率急剧下降，直接导致车牌识别失败。因此，传统的车牌识别不能适应复杂多变的环境，且车牌识别过程对切割后的单个字符进行识别分类，采取大量数字图像处理手段，耗时严重。
技术实现思路
因此，本专利技术要解决的技术问题在于现有车牌识别方法不能适应复杂多变的环境且识别过程耗时严重。有鉴于此，本专利技术提供一种建立车牌识别模型的方法，包括：获取多个车牌图像样本和所述车牌图像样本中的车牌信息；将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据，对神经网络模型进行训练，直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于预设阈值或者神经网络模型的损失函数的损失值收敛于预设值。优选地，所述神经网络模型为卷积神经网络模型。优选地，所述神经网络模型设置有多个字符结果输出层，所述多个字符结果输出层分别对应输出所述车牌图像样本中多个字符的识别结果；所述将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据，构建卷积神经网络结构并进行训练，直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于预设阈值或者神经网络模型的损失函数的损失值收敛于预设值，包括：将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据，对神经网络模型进行训练，直至所述神经网络模型的多个字符结果输出层对车牌图像样本中多个字符的识别结果的识别率大于预设阈值或者神经网络模型的损失函数的损失值收敛于预设值。优选地，所述神经网络模型设置有长度结果输出层，用于输出所述车牌图像样本中字符长度识别结果。相应地，本专利技术还提供一种建立车牌识别模型的装置，包括：获取单元，用于获取多个车牌图像样本和所述车牌图像样本中的车牌信息；训练单元，用于将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据，对卷积神经网络模型进行训练，直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于预设阈值或者神经网络模型的损失函数的损失值收敛于预设值。优选地，所述神经网络模型为卷积神经网络模型。优选地，所述神经网络模型设置有多个字符结果输出层，所述多个字符结果输出层分别对应输出所述车牌图像样本中多个字符的识别结果；其中所述训练单元包括：训练子单元，用于将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据，对神经网络模型进行训练，直至所述神经网络模型的多个字符结果输出层对车牌图像样本中多个字符的识别结果的识别率大于预设阈值或者神经网络模型的损失函数的损失值收敛于预设值。优选地，所述神经网络模型设置有长度结果输出层，用于输出所述车牌图像样本中字符长度识别结果。本专利技术技术方案具有以下优点：通过获取多个车牌图像样本和车牌图像样本中的车牌信息，将多个车牌图像样本和车牌图像样本中的车牌信息作为训练数据，对神经网络模型进行训练，直至神经网络模型对车牌图像样本中车牌信息的识别率大于预设阈值，继而利用训练好的神经网络模型对车牌图像样本进行车牌信息识别，解决了现有车牌识别方法不能适应复杂多变的环境且识别过程耗时严重的问题。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例1提供的一种建立车牌识别模型的方法的流程图；图2是本专利技术实施例2提供的一种建立车牌识别模型的装置的结构示意图；图3是本专利技术实施例3提供的一种车牌信息识别方法的流程图；图4是本专利技术实施例4提供的一种车牌信息识别装置的结构示意图。具体实施方式下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例1本专利技术实施例提供一种建立车牌识别模型的方法，如图1所示，包括：S11，获取多个车牌图像样本和车牌图像样本中的车牌信息；其中多个车牌图像样本包括正样本和负样本，正样本为真实车牌图像，负样本为非真实车牌图像，即负样本可以是车辆其他部位的图像或者残缺的车牌图像，对海量样本进行标注，标注内容包括车牌号码和/或车牌字符长度，假牌所有字符都标注为0.000000。最后将所有的样本缩放到神经网络模型的输入层大小，本实施例神经网络模型输入层的大小为128x128。S12，将多个车牌图像样本和车牌图像样本中的车牌信息作为训练数据，对神经网络模型进行训练，直至神经网络模型对车牌图像样本中车牌信息的识别率大于预设阈值或者神经网络模型的损失函数的损失值收敛于预设值。所述损失值用于计算神经网络模型的收敛速度，当损失函数的损失值在预设值的一定范围内变化时，即可认为损失函数值不再下降，其中神经网络模型为卷积神经网络模型，将得到的车牌图像样本输入到输入层，经过若干层卷积层和池化层，本专利技术实施例采用4层卷积层与4层池化层交替作用，得到一个4096维的特征向量H。所有的卷积层的卷积核为3，步长为1，池化层采取最大值池化方式，池化窗口大小为2x2，步长为2。卷积层和全连接层的通道数分别为(32，64，128，256，500，4096)，得到4096维的特征向量。为了提高车牌信息识别速度，神经网络模型设置有多个字符结果输出层，所述多个字符结果输出层分别对应输出所述车牌图像样本中多个字符的识别结果。步骤S12具体包括：将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据，对神经网络模型进行训练，直至所述神经网络模型的多个字符结果输出层对车牌图像样本中多个字符的识别结果的识别率大于预设阈值或者神经网络模型的损失函数的损失值收敛于预设值。作为一种可选的实施方式，所述神经网络模型设置有长度结果输出层，用于输出所述车牌图像样本中字符长度识别结果，，具体训练方式同上述步骤S12的具体训练过程，不再赘述。具体地，本实施例的4096维的特征向量可以设置多个输出层相连，得到多个输出结果，当输出层的个数可设置6个输出层，用于识别车牌图像字母与数字信息，或者是7个输出层，用于识别车牌的汉字信息以及字母与数字信息或者是8个输出层，在识别车牌的汉字信息以及字母与数字信息，也可以识别出车牌的长度。车牌字符长度一般为7位或8位，因此，字符长度输出结果设置为CNN三分类任务，第一分支表示识别的车牌位数为0，表示车牌识别错误，第二分支表示识别的车牌位数为7位，第三分支表示识别的车牌位数为8位；输出层对字符的输出结果为，第一个分支为输出车牌的第1个汉字字符识别结果，汉字字符识别分本文档来自技高网...

【技术保护点】
一种建立车牌识别模型的方法，其特征在于，包括：获取多个车牌图像样本和所述车牌图像样本中的车牌信息；将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据，对神经网络模型进行训练，直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于预设阈值或者神经网络模型的损失函数的损失值收敛于预设值。

【技术特征摘要】
1.一种建立车牌识别模型的方法，其特征在于，包括：获取多个车牌图像样本和所述车牌图像样本中的车牌信息；将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据，对神经网络模型进行训练，直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于预设阈值或者神经网络模型的损失函数的损失值收敛于预设值。2.根据权利要求1所述的方法，其特征在于，所述神经网络模型为卷积神经网络模型。3.根据权利要求1所述的方法，其特征在于，所述神经网络模型设置有多个字符结果输出层，所述多个字符结果输出层分别对应输出所述车牌图像样本中多个字符的识别结果；所述将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据，对神经网络模型进行训练，直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于预设阈值或者神经网络模型的损失函数的损失值收敛于预设值，包括：将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据，对神经网络模型进行训练，直至所述神经网络模型的多个字符结果输出层对车牌图像样本中多个字符的识别结果的识别率大于预设阈值或者神经网络模型的损失函数的损失值收敛于预设值。4.根据权利要求3所述的方法，其特征在于，所述神经...

【专利技术属性】
技术研发人员：何建伟，吴香莲，聂方，蒲津，王宏宾，刘彦，张如高，
申请(专利权)人：博康智能信息技术有限公司北京海淀分公司，
类型：发明
国别省市：北京,11