一种车牌信息识别方法及装置制造方法及图纸

一种车牌信息识别方法及装置，其中所述车牌信息识别方法包括：获取待识别图像；利用卷积神经网络模型以所述待识别图像作为所述卷积神经网络模型的输入层数据，确定所述待识别图像的车牌信息，其中所述卷积神经网络模型是利用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训练得到的，避免了繁琐的车牌分割过程，提高了车牌信息识别效率和识别结果准确性同时也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。

License plate information recognition method and device

A license plate information and device identification methods, including information recognition method, wherein the license plate image acquisition: using convolutional neural network model; to the image to be recognized as input data for the model of a convolutional neural network to determine the vehicle license plate recognition image information, wherein the convolutional neural network model is the use of license plate information of a plurality of license plate image samples and the license plate image in the sample as the training data obtained from the training, avoid the tedious process of license plate segmentation, license plate information improves recognition accuracy and accurate and can not solve the existing license plate recognition method to adapt to complex environment and the recognition process takes a serious problem.

【技术实现步骤摘要】
一种车牌信息识别方法及装置
本专利技术涉及图像识别
，具体涉及一种车牌信息识别方法及装置。
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，且在图像处理过程中并不知道处理的图像是否为车辆的车牌图像，导致识别结果不准确。
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车牌信息识别方法，包括：获取待识别图像；利用卷积神经网络模型以所述待识别图像作为所述卷积神经网络模型的输入层数据，确定所述待识别图像的车牌信息，其中所述卷积神经网络模型是利用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训练得到的。优选地，所述卷积神经网络模型为深度学习卷积神经网络模型。优选地，所述获取待识别图像之前，还包括：获取多个车辆的车牌图像；将所述车牌图像扩大到预设尺寸，得到车牌图像样本；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，直至所述卷积神经网络模型对所述车牌图像样本车牌信息的识别率大于预设阈值或者卷积神经网络模型的损失函数的损失值收敛于预设值。优选地，所述将所述车牌图像扩大到预设尺寸，得到车牌图像样本，包括：获取所述车牌图像的坐标与尺寸大小；根据所述车牌图像的坐标与尺寸大小，确定所述车牌图像的图像中心点；以所述图像中心点为中心，按照所述预设尺寸进行所述车牌图像扩展，得到所述车牌图像样本。优选地，所述卷积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。优选地，所述卷积神经网络模型还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。优选地，在所述确定所述待识别图像的车牌信息的步骤之后，还包括：将所述多个字符结果输出层的输出结果与第二预设阈值进行比较，当所述字符结果输出层的输出结果小于所述第二预设阈值时，判定所述待识别图像的车牌信息识别错误。优选地，在所述确定所述待识别图像的车牌信息的步骤之后，还包括：当所述多个字符结果输出层输出的字符识别结果为预设非真实车牌图像信息值或者所述长度结果输出层输出的车牌长度为预设长度值或者所述多个字符结果输出层的识别结果中输出的数字0的数量大于预设数量时，判定所述待识别图像不是真实车牌图像。相应地，本专利技术还提供一种车牌信息识别装置，包括：获取单元，用于获取待识别图像；确定单元，用于利用卷积神经网络模型以所述待识别图像作为所述卷积神经网络模型的输入层数据，确定所述待识别图像的车牌信息，其中所述卷积神经网络模型是利用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训练得到的。优选地，所述获取单元获取待识别图像之前，还包括：车牌图像获取单元，用于获取多个车辆的车牌图像；车牌图像样本获取单元，用于将所述车牌图像扩大到预设尺寸，得到车牌图像样本；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，直至所述卷积神经网络模型对所述车牌图像样本车牌信息的识别率大于预设阈值或者卷积神经网络模型的损失函数的损失值收敛于预设值。优选地，所述车牌图像样本获取单元包括：获取子单元，用于获取所述车牌图像的坐标与尺寸大小；图像中心点确定子单元，用于根据所述车牌图像的坐标与尺寸大小，确定所述车牌图像的图像中心点；车牌图像样本获取子单元，用于以所述图像中心点为中心，按照所述预设尺寸进行所述车牌图像扩展，得到所述车牌图像样本。优选地，所述卷积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。优选地，所述卷积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。优选地，在所述确定单元确定所述待识别图像的车牌信息的步骤之后，还包括：第一判定单元，用于将所述多个字符结果输出层的输出结果与第二预设阈值进行比较，当所述字符结果输出层的输出结果小于所述第二预设阈值时，判定所述待识别图像的车牌信息识别错误。优选地，在所述确定单元确定所述待识别图像的车牌信息的步骤之后，还包括：第二判定单元，用于当所述多个字符结果输出层输出的字符识别结果为预设非真实车牌图像信息值或者所述长度结果输出层输出的车牌长度为预设长度值或者所述多个字符结果输出层的识别结果中输出的数字0的数量大于预设数量时，判定所述待识别图像不是真实车牌图像。本专利技术技术方案具有以下优点：通过获取待识别图像，继而利用卷积神经网络模型以待识别图像作为卷积神经网络模型的输入层数据，确定待识别图像的车牌信息，其中卷积神经网络模型是利用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训练得到的，提高了车牌信息识别效率和识别结果准确性同时也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2提供的一种车牌信息识别方法的流程图；图2是本专利技术实施例3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，包括：S11，获取多个车辆的车牌图像。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。最后将所有的样本缩放到卷积神经网络模型的输入层大小，本实施例卷积神经网络模型输入层的大小为128x128；真实车辆的车牌图像用ACF检测算法对原始图像进行检测，得到车牌区域。ACF检测结果几乎是完整的车牌图像，但也可能得到不完整的车牌图像。S12，将车牌图像扩大到预设尺寸，得到车牌图像样本。由于采用基于ACF检测算法的车牌图像过程中，可能导致车牌图像提取不完整，使得车牌信息识别不准确，为了提高训练结果精确度，将获取的车牌图像区域进行放大，具体包括以下步骤：S121，获取车牌图像的坐标与尺寸本文档来自技高网...

【技术保护点】
一种车牌信息识别方法，其特征在于，包括：获取待识别图像；利用卷积神经网络模型以所述待识别图像作为所述卷积神经网络模型的输入层数据，确定所述待识别图像的车牌信息，其中所述卷积神经网络模型是利用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训练得到的。

【技术特征摘要】
1.一种车牌信息识别方法，其特征在于，包括：获取待识别图像；利用卷积神经网络模型以所述待识别图像作为所述卷积神经网络模型的输入层数据，确定所述待识别图像的车牌信息，其中所述卷积神经网络模型是利用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训练得到的。2.根据权利要求1所述的方法，其特征在于，所述获取待识别图像之前，还包括：获取多个车辆的车牌图像；将所述车牌图像扩大到预设尺寸，得到车牌图像样本；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，直至所述卷积神经网络模型对所述车牌图像样本车牌信息的识别率大于预设阈值或者卷积神经网络模型的损失函数的损失值收敛于预设值。3.根据权利要求2所述的方法，其特征在于，所述将所述车牌图像扩大到预设尺寸，得到车牌图像样本，包括：获取所述车牌图像的坐标与尺寸大小；根据所述车牌图像的坐标与尺寸大小，确定所述车牌图像的图像中心点；以所述图像中心点为中心，按照所述预设尺寸进行所述车牌图像扩展，得到所述车牌图像样本。4.根据权利要求1-3中任一项所述的方法，其特征在于，所述卷积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。5.根据权利要求4所述的方法，其特征在于，所述卷积神经网络模型还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。6.根据权利要求4所述的方法，其特征在于，在所述确定所述待识别图像的车牌信息的步骤之后，还包括：将所述多个字符结果输出层的输出结果与第二预设阈值进行比较，当所述字符结果输出层的输出结果小于所述第二预设阈值时，判定所述待识别图像的车牌信息识别错误。7.根据权利要求5所述的方法，其特征在于，在所述确定所述待识别图像的车牌信息的步骤之后，还包括：当所述多个字符结果输出层输出的字符识别结果为预设非真实车牌图像信息值或者所述长度结果输出层输出的车牌长度为预设长度值或者所述多个字符结果输出层的识别结果中输出的数字0的数量大于预设数量时，判定所述待识别图像不是真实车牌图像。8.一种车牌信息识别装置，其特征在于，包括：获取单元，用于获取待识别图像；确定单元，用于利用卷积神经网络模型以所述待识别...

【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