一种端到端的轻量级车牌识别方法及装置制造方法及图纸

本发明专利技术实施例提供了一种端到端的轻量级车牌识别方法及装置，所述方法包括：获取待识别图像；基于待识别图像及预先训练完成的目标车牌识别模型，获得待识别图像中车牌的号码及其在待识别图像中位置坐标，其中，目标车牌识别模型包括目标特征提取网络、目标区域候选定位网络、目标超分辨率生成网络及目标递归神经网络。由于在本方案中，将待识别图像输入目标车牌识别模型中，目标车牌识别模型便可以输出车牌的号码及其在待识别图像中位置坐标，实现端到端的模型，同时图像特征等计算变量可以重复利用，无需进行重复的计算，模型占用内存少，车牌识别速度得到大大提高。

An end to end lightweight license plate recognition method and device

【技术实现步骤摘要】
一种端到端的轻量级车牌识别方法及装置
本专利技术涉及图像处理
，特别是涉及一种端到端的轻量级车牌识别方法及装置。
技术介绍
车牌识别技术是实现智能交通的基础，近年来，随着数字图像处理、模式识别和人工智能技术的日趋成熟，车牌识别技术也在不断发展。一般车牌识别过程包括车牌定位、字符分割、字符识别三个步骤。该三个步骤通过多个深度学习模型实现，例如，车牌定位一般通过特征提取模型实现对待识别图像的特征提取，得到特征图，通过区域候选定位模型确定候选框位置。字符识别深度学习模型根据特征图及候选框进行字符分割及字符识别。在上述车牌识别过程中，由于多个深度学习模型是单独存在的，在通过每个深度学习模型进行运算时，会出现很多的冗余的计算，产生大量冗余的计算变量。例如，在车牌定位过程中需要进行卷积运算提取图像特征，然而在字符分割及字符识别过程中一般也需要进行同样的卷积运算提取图像特征，这些特征便成为冗余的计算变量。由于大量冗余的计算变量占用大量内存，同时存在冗余的计算，因此车牌识别速度较低。
技术实现思路
本专利技术实施例的目的在于提供一种端到端的轻量级车牌识别方法及装置，以减少冗余的计算，提高车牌识别速本文档来自技高网...

【技术保护点】
一种端到端的轻量级车牌识别方法，其特征在于，所述方法包括：获取待识别图像；基于所述待识别图像及预先训练完成的目标车牌识别模型，获得所述待识别图像中车牌的号码及其在所述待识别图像中位置坐标，其中，所述目标车牌识别模型包括目标特征提取网络、目标区域候选定位网络、目标超分辨率生成网络及目标递归神经网络，所述获得所述待识别图像中车牌的号码及其在所述待识别图像中位置坐标的过程包括：将所述待识别图像输入所述目标特征提取网络，对所述待识别图像进行第一预设卷积运算，得到特征图；将所述特征图输入所述目标区域候选定位网络，对所述特征图进行第二预设卷积运算，得到候选框坐标；将所述候选框坐标及所述特征图输入所述目标超...

【技术特征摘要】
1.一种端到端的轻量级车牌识别方法，其特征在于，所述方法包括：获取待识别图像；基于所述待识别图像及预先训练完成的目标车牌识别模型，获得所述待识别图像中车牌的号码及其在所述待识别图像中位置坐标，其中，所述目标车牌识别模型包括目标特征提取网络、目标区域候选定位网络、目标超分辨率生成网络及目标递归神经网络，所述获得所述待识别图像中车牌的号码及其在所述待识别图像中位置坐标的过程包括：将所述待识别图像输入所述目标特征提取网络，对所述待识别图像进行第一预设卷积运算，得到特征图；将所述特征图输入所述目标区域候选定位网络，对所述特征图进行第二预设卷积运算，得到候选框坐标；将所述候选框坐标及所述特征图输入所述目标超分辨率生成网络，根据所述候选框坐标及所述特征图，生成超分辨率车牌图像；将所述超分辨率车牌图像及所述候选框坐标输入所述目标递归神经网络，根据所包含的车牌特征与字符的对应关系及所述超分辨率车牌图像，得到所述待识别图像中车牌的号码，并输出所述号码、所述候选框坐标及所述超分辨率车牌图像。2.根据权利要求1所述的方法，其特征在于，所述将所述候选框坐标及所述特征图输入所述目标超分辨率生成网络，根据所述候选框坐标及所述特征图，生成超分辨率车牌图像的步骤，包括：将所述候选框坐标及所述特征图输入所述目标超分辨率生成网络；从所述特征图中与所述候选框坐标对应的区域，提取车牌特征；根据所提取的车牌特征，生成超分辨率车牌图像。3.根据权利要求1或2所述的方法，其特征在于，所述目标车牌识别模型的训练方式包括：构建初始车牌识别模型，其中，所述初始车牌识别模型包括初始特征提取网络、初始区域候选定位网络、初始超分辨率生成网络及初始递归神经网络；获取图像样本，记录所述图像样本中车牌的位置坐标及号码；将所述图像样本输入所述初始特征提取网络，对所述图像样本进行第一预设卷积运算，得到每个图像样本对应的特征图样本；将所述每个图像样本对应的特征图样本输入所述初始区域候选定位网络，得到预测的位置坐标；根据所记录的位置坐标与预测的位置坐标的差值，调整所述初始特征提取网络及初始区域候选定位网络的参数，当迭代次数达到第一预设次数时，得到所述目标特征提取网络及目标区域候选定位网络；将每个图像样本输入目标特征提取网络，得到每个图像样本对应的目标特征图样本，并将所述目标特征图样本输入所述目标区域候选定位网络，得到目标位置坐标；将所述目标特征图样本及所述目标位置坐标输入所述初始超分辨率生成网络，得到预测的超分辨率图像；根据预测的超分辨率图像与真实车牌的差异度，调整所述初始超分辨率生成网络的参数，当迭代次数达到第二预设次数时，得到所述目标超分辨率生成网络；将每个图像样本对应的目标特征图样本及目标位置坐标输入所述目标超分辨率生成网络，得到每个图像样本对应的超分辨率车牌图像样本；将所述超分辨率车牌图像样本输入所述初始递归神经网络，得到预测的车牌号码；根据所记录的号码与所述预测的车牌号码的差异度，调整所述初始递归神经网络的参数，当迭代次数达到第三预设次数时，完成训练，得到所述目标递归神经网络。4.根据权利要求3所述的方法，其特征在于，在所述将所述图像样本输入所述初始特征提取网络的步骤之前，所述方法还包括：调整所获取的图像样本的尺寸，得到调整尺寸后的图像样本；所述将所述图像样本输入所述初始特征提取网络的步骤，包括：将所述调整尺寸后的图像样本输入所述初始特征提取网络。5.根据权利要求1-4任一项所述的方法，其特征在于，所述目标特征提取网络为轻量级特征提取卷积神经网络。6.一种端到端的轻量...

【专利技术属性】
技术研发人员：傅慧源，马华东，张逸凡，曹雨，张登奎，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11