一种车牌检索方法及系统技术方案

本发明专利技术公开了一种车牌检索方法，包括：根据输入的车牌图像，获取车牌精定位坐标；利用车牌精定位坐标截取车牌图像中预定车牌区域图像；将预定车牌区域图像作为卷积神经网络模型的输入，获取全连接层特征，并按照预定顺序形成特征向量；利用降维模型将特征向量降维为预定维数特征向量；当存在车牌识别结果不匹配时，将对应车辆的预定维数特征向量与指定车辆的预定维数特征向量进行余弦距离对比，确定车牌信息；该方法能够在车牌匹配失败的情况下，在指定范围内准确的检索到该车辆对应的车牌信息，实现车牌检索，减少停车场每个卡口配备的保安人员数量；本发明专利技术还公开了一种车牌检索系统，具有上述有益效果。

【技术实现步骤摘要】
一种车牌检索方法及系统
本专利技术涉及图像处理
，特别涉及一种车牌检索方法及系统。
技术介绍
目前，车牌识别率已经很高，基本可以达到99％以上，但是那1％的识别匹配错误在现实停车场进出口使用过程中往往是客户最头痛的问题。在车牌识别率低的时代，有一车一卡的百分百准确率，用户无需担心入场车辆与出场车辆匹配不上的问题。当车牌识别率变高的时候，商户看到了通过车牌自动识别解决车辆入场取卡慢的问题。虽然通过车牌自动识别取消了一车一卡的问题，但是带来的新的问题是出场的车辆匹配不上入场车辆的时候，必须在每个岗亭配置保安把守，出现问题的时候，需要很麻烦的询问司机大概哪天何时车辆入场，然后再去数据库中进行搜索。在小型停车场这种问题解决的较为轻松，但在大型停车场，保安对电脑数据库查询的时间久了可能就造成了非常不好的用户体验，甚至造成堵车塞车问题。针对采用纯车牌识别带来的1％识别匹配不上问题，有以下解决方案：1.采用车牌识别结果模糊匹配策略，即这种场景的先验条件是识别结果只错2位以内。2.通过车型识别寻找相同车型送给保安处理。方法1的优点是方便快捷，无需增加多余模块即可实现，但缺点是依然无法解决识别结果错位或识别结果完全无法匹配的问题。方法2的优点是提供与方法1不同的更可靠解决方案，但缺点是车型类别多，训练难度大且耗时。因此，如何解决采用纯车牌识别带来的1％识别匹配不上问题，是本领域技术人员需要解决的技术问题。
技术实现思路
本专利技术的目的是提供一种车牌检索方法及系统，能够在车牌匹配失败的情况下，在指定范围内准确的检索到该车辆对应的车牌信息，实现车牌检索，减少停车场每个卡口配备的保安人员数量。为解决上述技术问题，本专利技术提供一种车牌检索方法，包括：根据输入的车牌图像，获取车牌精定位坐标；利用所述车牌精定位坐标截取所述车牌图像中预定车牌区域图像；将所述预定车牌区域图像作为卷积神经网络模型的输入，获取全连接层特征，并按照预定顺序形成特征向量；利用降维模型将所述特征向量降维为预定维数特征向量；当存在车牌识别结果不匹配时，将对应车辆的预定维数特征向量与指定车辆的预定维数特征向量进行余弦距离对比，确定车牌信息。可选的，利用所述车牌精定位坐标截取所述车牌图像中预定车牌区域图像，包括：利用所述车牌精定位坐标截取所述车牌图像中预定车牌区域图像；其中，所述预定车牌区域图像具体为车牌全局区域图像、左上顶点区域图像、右上顶点区域图像、左下顶点区域图像和右下顶点区域图像；调节所述预定车牌区域图像尺寸为预定值。可选的，将所述预定车牌区域图像作为卷积神经网络模型的输入，获取全连接层特征，并按照预定顺序形成特征向量，包括：将各预定车牌区域图像作为与其对应的卷积神经网络模型的输入，进行前向传播获取全连接层特征；将所述全连接层特征按照全局特征、左上角特征、右上角特征、左下角特征、右下角特征的顺序组合形成800*1维特征向量。可选的，利用降维模型将所述特征向量降维为预定维数特征向量，包括：利用PCA降维模型将所述800*1维特征向量降维为100*1维特征向量。可选的，将对应车辆的预定维数特征向量与指定车辆的预定维数特征向量进行余弦距离对比，确定车牌信息，包括：利用公式计算对应车辆的预定维数特征向量f1与各指定车辆对应的预定维数特征向量f2的余弦距离sim；选取sim值最接近1的余弦距离对应的指定车辆的车牌信息作为车牌检索结果。可选的，所述卷积神经网络模型的训练方式，包括：对训练样本图像进行预处理；对预处理后的训练样本图像按照车牌号码不同设置标签，形成训练样本；利用卷积神经网络方法，采用Softmax作为损失函数对所述训练样本进行训练，得到初始卷积神经网络模型；利用测试样本判断所述初始卷积神经网络模型的损失值是否满足预定条件，若是，则训练得到卷积神经网络模型。可选的，当损失值大于预定损失值时，还包括：所述卷积神经网络模型中卷积层和全连接层的参数根据损失函数采用随机梯度下降法调节权值。本专利技术还提供一种车牌检索系统，包括：精定位模块，用于根据输入的车牌图像，获取车牌精定位坐标；区域截取模块，用于利用所述车牌精定位坐标截取所述车牌图像中预定车牌区域图像；特征向量计算模块，用于将所述预定车牌区域图像作为卷积神经网络模型的输入，获取全连接层特征，并按照预定顺序形成特征向量；降维模块，用于利用降维模型将所述特征向量降维为预定维数特征向量；车牌检索模块，用于当存在车牌识别结果不匹配时，将对应车辆的预定维数特征向量与指定车辆的预定维数特征向量进行余弦距离对比，确定车牌信息。可选的，所述特征向量计算模块，包括：全连接层特征计算单元，用于将各预定车牌区域图像作为与其对应的卷积神经网络模型的输入，进行前向传播获取全连接层特征；特征向量计算单元，用于将所述全连接层特征按照全局特征、左上角特征、右上角特征、左下角特征、右下角特征的顺序组合形成800*1维特征向量。可选的，本方案还包括：卷积神经网络模型训练模块，用于对训练样本图像进行预处理；对预处理后的训练样本图像按照车牌号码不同设置标签，形成训练样本；利用卷积神经网络方法，采用Softmax作为损失函数对所述训练样本进行训练，得到初始卷积神经网络模型；利用测试样本判断所述初始卷积神经网络模型的损失值是否满足预定条件，若满足，则训练得到卷积神经网络模型。本专利技术所提供的一种车牌检索方法，包括：根据输入的车牌图像，获取车牌精定位坐标；利用车牌精定位坐标截取车牌图像中预定车牌区域图像；将预定车牌区域图像作为卷积神经网络模型的输入，获取全连接层特征，并按照预定顺序形成特征向量；利用降维模型将特征向量降维为预定维数特征向量；当存在车牌识别结果不匹配时，将对应车辆的预定维数特征向量与指定车辆的预定维数特征向量进行余弦距离对比，确定车牌信息；可见，该方法能够在车牌匹配失败的情况下，利用车牌特征对比的方式在指定范围内准确的检索到该车辆对应的车牌信息，实现车牌检索，减少停车场每个卡口配备的保安人员数量；本专利技术还提供了一种车牌检索系统，具有上述有益效果，在此不再赘述。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本专利技术的实施例，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，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例所提供的车牌检索方法的流程图；图2为本专利技术实施例所提供的预处理车牌样本四个局部区域和一个全局区域示意图；图3为本专利技术实施例所提供的基于卷积神经网络训练车牌区域特征的网络结构示意图；图4为本专利技术实施例所提供的车牌区域训练整体流程示意图；图5为本专利技术实施例所提供的车牌检索系统的结构框图。具体实施方式本专利技术的核心是提供一种车牌检索方法及系统，能够在车牌匹配失败的情况下，在指定范围内准确的检索到该车辆对应的车牌信息，实现车牌检索，减少停车场每个卡口配备的保安人员数量。为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中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本文档来自技高网...

【技术保护点】
一种车牌检索方法，其特征在于，包括：根据输入的车牌图像，获取车牌精定位坐标；利用所述车牌精定位坐标截取所述车牌图像中预定车牌区域图像；将所述预定车牌区域图像作为卷积神经网络模型的输入，获取全连接层特征，并按照预定顺序形成特征向量；利用降维模型将所述特征向量降维为预定维数特征向量；当存在车牌识别结果不匹配时，将对应车辆的预定维数特征向量与指定车辆的预定维数特征向量进行余弦距离对比，确定车牌信息。

【技术特征摘要】
1.一种车牌检索方法，其特征在于，包括：根据输入的车牌图像，获取车牌精定位坐标；利用所述车牌精定位坐标截取所述车牌图像中预定车牌区域图像；将所述预定车牌区域图像作为卷积神经网络模型的输入，获取全连接层特征，并按照预定顺序形成特征向量；利用降维模型将所述特征向量降维为预定维数特征向量；当存在车牌识别结果不匹配时，将对应车辆的预定维数特征向量与指定车辆的预定维数特征向量进行余弦距离对比，确定车牌信息。2.根据权利要求1所述的车牌检索方法，其特征在于，利用所述车牌精定位坐标截取所述车牌图像中预定车牌区域图像，包括：利用所述车牌精定位坐标截取所述车牌图像中预定车牌区域图像；其中，所述预定车牌区域图像具体为车牌全局区域图像、左上顶点区域图像、右上顶点区域图像、左下顶点区域图像和右下顶点区域图像；调节所述预定车牌区域图像尺寸为预定值。3.根据权利要求2所述的车牌检索方法，其特征在于，将所述预定车牌区域图像作为卷积神经网络模型的输入，获取全连接层特征，并按照预定顺序形成特征向量，包括：将各预定车牌区域图像作为与其对应的卷积神经网络模型的输入，进行前向传播获取全连接层特征；将所述全连接层特征按照全局特征、左上角特征、右上角特征、左下角特征、右下角特征的顺序组合形成800*1维特征向量。4.根据权利要求2所述的车牌检索方法，其特征在于，利用降维模型将所述特征向量降维为预定维数特征向量，包括：利用PCA降维模型将所述800*1维特征向量降维为100*1维特征向量。5.根据权利要求4所述的车牌检索方法，其特征在于，将对应车辆的预定维数特征向量与指定车辆的预定维数特征向量进行余弦距离对比，确定车牌信息，包括：利用公式计算对应车辆的预定维数特征向量f1与各指定车辆对应的预定维数特征向量f2的余弦距离sim；选取sim值最接近1的余弦距离对应的指定车辆的车牌信息作为车牌检索结果。6.根据权利要求1-5任一项所述的车牌检索方法，其特征在于，所述卷积神经网络模型的训练方式，...

【专利技术属性】
技术研发人员：唐健，蔡昊然，杨利华，
申请(专利权)人：深圳市捷顺科技实业股份有限公司，
类型：发明
国别省市：广东,44