And a device, a method of establishing the model of license plate recognition, including the license plate recognition method, establish model: the license plate image acquiring a plurality of vehicles; the license plate image to a predetermined size, to get the license plate image sample; the plurality of license plate image samples and the samples of the license plate image as the training data, the neural network model was trained, until the identification of the neural network model of the license plate image sample license plate information rate is greater than the preset threshold or the loss function of the neural network model of the loss value converges to the preset value, and then use the trained neural network model to identify the license plate license plate information to image recognition. To avoid the tedious process of license plate segmentation, can not solve the existing license plate recognition method to adapt to complex environment and the recognition process takes strict Heavy problem.
【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,对神经网络模型进行训练,直至所述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第一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,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 ...
【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,对神经网络模型进行训练,直至所述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,对神经网络模型进行训练,直至所述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。5.根据权利要求1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...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。