一种基于精简ResNet残差网络的车牌识别方法技术

本发明专利技术提出了一种基于精简ResNet残差网络的车牌识别方法,包括如下步骤：一种基于精简ResNet残差网络的车牌识别方法,包括步骤：Ⅰ、输入车牌图片；Ⅱ、使用训练好的网络模型进行车牌识别；Ⅲ、输出识别出到的车牌号。本发明专利技术省去了车牌字符切割，手动特征提取等操作，简化了车牌识别过程中的步骤，通过训练好的基于精简ResNet残差网络的模型实现车牌端到端一步识别，减少之前模型的计算量及时间成本，避免误差累积，对车牌有着更好的识别效率和准确率，尤其对边界缺失，因曝光、运动、环境噪音等造成的字符模糊黏连等复杂环境下的车牌识别有着显著的性能提升。

A license plate recognition method based on reduced RESNET residual network

【技术实现步骤摘要】
一种基于精简ResNet残差网络的车牌识别方法
本专利技术涉及车辆车牌自动识别
，具体涉及一种基于精简ResNet残差网络的车牌识别方法。
技术介绍
目前的车牌识别技术的总体解决方案基本上都是通过车牌图片样本训练车牌识别模型，然后在后续的应用中利用训练好的车牌模型进行识别。现有车牌模型一般是对车牌图片使用精细的算法进行切割，将各个车牌字符分开；对各个切割好的字符图片进行特征提取；使用SVM或全连接神经网络等模型对特征进行分类实现对车牌字符的识别，最终完成车牌识别工作。通过现有车牌模型对车牌图片进行分割需要很精细的算法，不但难度大，并且对模糊的车牌图片分割效果较差，对粗略定位的车牌图片需要经过多个流程进行处理识别，容易造成误差累积，计算量大，耗时多，复杂环境(例如光照、车速、远距离、环境噪音等)下造成的车牌图片模糊及车牌字符间粘连时，容易造成无法识别的情况。
技术实现思路
为了解决上述问题，本专利技术提出一种基于精简ResNet残差网络的车牌识别方法。为实现以上目的，本专利技术采用的技术方案是：一种基于精简ResNet残差网络的车牌识别方法,包括如下步骤：Ⅰ、输入车牌图片；Ⅱ、使用训练好的网络模型进行车牌识别；所述网络模型训练过程如下：a、生成或收集各种情况的车牌图片样本，包括不同倾斜度、不同模糊程度、边界缺失或多出、不同光照噪点以及不同环境干扰，使样本多样化；b、以精简ResNet残差网络作为基础网络，构建起网络模型；c、训练网络模型；d、利用训练出的网络模型对车牌图片进行端到端识别及模型评估；Ⅲ、输出识别出到的车牌号。优选的，所述步骤Ⅱ中网络模型包括第一残差结构、第二残差结构、第三残差结构和分类层，所述第一残差结构、第二残差结构和第三残差结构均包括用于特征提取的卷积层、加快训练速度的BatchNormalization层、用于引入非线性因素的ReLu层和ELU层。进一步的，所述第一残差结构和第二残差结构各分别包括两个卷积层，每个卷积层的卷积核为3×3，卷积步长为1×1，padding方式为SAME，神经元个数为256；所述第三残差结构包括恒等映射卷积层和剩余映射卷积层，所述恒等映射卷积层的卷积核为1×1，步长为2×2，padding方式为VALID，神经元个数为512；所述剩余映射卷积层包括两个卷积层，分别为卷积核为3×3，步长为2×2，padding方式为VALID，神经元个数为512的卷积层和卷积核为3×3，步长为1×1，padding方式为SAME，神经元个数为512的卷积层。进一步的，所述分类层包括最大池化层和两个全连接层，所述最大池化层与其中一个全连接层之间设有Flatten层，用以将输入数据转换成简单的向量；该全连接层经过用以加快训练速度的BatchNormalization层批标准化处理至另一个全连接层，然后将上述处理后的数据经过ELU层非线性变换之后使用reshape函数将数据转换成二维向量，最后通过softmax函数处理产生一系列的预测结果，就是归属分类的一个得分。优选的，步骤Ⅱ车牌识别是利用d训练出的网络模型对待测样本进行车牌识别测试，设置置信度阈值，若检测结果置信度得分大于阈值则输出该结果；否则，丢弃。本专利技术省去了车牌字符切割，手动特征提取等操作，简化了车牌识别过程中的步骤，通过训练好的基于精简ResNet残差网络的模型实现车牌端到端一步识别，减少之前模型的计算量及时间成本，避免误差累积，对车牌有着更好的识别效率和准确率，尤其对边界缺失，因曝光、运动、环境噪音等造成的字符模糊黏连等复杂环境下的车牌识别有着显著的性能提升。附图说明构成本专利技术的一部分附图用来提供对本专利技术的进一步理解。在附图中：图1为本专利技术一种基于精简ResNet残差网络的车牌识别方法的工作流程框图。图2为本专利技术网络模型训练流程图。图3为本专利技术模型网络结构图。具体实施方式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，所描述的实施例仅仅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。如图1所示，一种基于精简ResNet残差网络的车牌识别方法,包括如下步骤：Ⅰ、输入车牌图片；Ⅱ、使用训练好的网络模型进行车牌识别；所述网络模型训练过程如下(如图2所示)：a、生成或收集各种情况的车牌图片样本，包括不同倾斜度、不同模糊程度、边界缺失或多出、不同光照噪点以及不同环境干扰，使样本多样化；b、以精简ResNet残差网络作为基础网络，添加额外辅助的网络结构作为特征提取层和分类层，构建起网络模型；c、训练网络模型；d、利用训练出的网络模型对车牌图片进行端到端识别及模型评估；Ⅲ、输出识别出到的车牌号。如图3所示，所述步骤Ⅱ中网络模型包括第一残差结构、第二残差结构、第三残差结构和分类层，所述第一残差结构、第二残差结构和第三残差结构均包括用于特征提取的卷积层、加快训练速度的BatchNormalization层、用于引入非线性因素的ReLu层和ELU层。所述第一残差结构和第二残差结构各分别包括两个卷积层，每个卷积层的卷积核为3×3，卷积步长为1×1，padding方式为SAME，神经元个数为256；所述第三残差结构包括恒等映射卷积层和剩余映射卷积层，所述恒等映射卷积层的卷积核为1×1，步长为2×2，padding方式为VALID，神经元个数为512；所述剩余映射卷积层包括两个卷积层，分别为卷积核为3×3，步长为2×2，padding方式为VALID，神经元个数为512的卷积层和卷积核为3×3，步长为1×1，padding方式为SAME，神经元个数为512的卷积层。步骤Ⅱ车牌识别是利用d训练出的网络模型对待测样本进行车牌识别测试，设置置信度阈值，若检测结果置信度得分大于阈值则输出该结果；否则，丢弃。所述分类层包括最大池化层和两个全连接层，所述最大池化层与其中一个全连接层之间设有Flatten层，用以将输入数据转换成简单的向量；该全连接层经过用以加快训练速度的BatchNormalization层批标准化处理至另一个全连接层，然后将上述处理后的数据经过ELU层非线性变换之后使用reshape函数将数据转换成二维向量，最后通过softmax函数处理产生一系列的预测结果，就是归属分类的一个得分。所述网络模型的训练过程大致为：车牌样本的输入数据维度为height*width*c，height表示样本像素高，width表示样本像素宽度，c表示样本通道数，经过一个卷积核大小为3×3，卷积步长为2×2，padding方式为SAME，神经元个数为256的卷积层，经dropout进入精简ResNet残差网络模型的第一残差结构，进行车牌样本的特征提取，提取的特征本文档来自技高网...

【技术保护点】
1.一种基于精简ResNet残差网络的车牌识别方法,包括如下步骤：/nⅠ、输入车牌图片；/nⅡ、使用训练好的网络模型进行车牌识别；所述网络模型训练过程如下：/na、生成或收集各种情况的车牌图片样本，包括不同倾斜度、不同模糊程度、边界缺失或多出、不同光照噪点以及不同环境干扰，使样本多样化；/nb、以精简ResNet残差网络作为基础网络，构建起网络模型；/nc、训练网络模型；/nd、利用训练出的网络模型对车牌图片进行端到端识别及模型评估；/nⅢ、输出识别出到的车牌号。/n

【技术特征摘要】
1.一种基于精简ResNet残差网络的车牌识别方法,包括如下步骤：
Ⅰ、输入车牌图片；
Ⅱ、使用训练好的网络模型进行车牌识别；所述网络模型训练过程如下：
a、生成或收集各种情况的车牌图片样本，包括不同倾斜度、不同模糊程度、边界缺失或多出、不同光照噪点以及不同环境干扰，使样本多样化；
b、以精简ResNet残差网络作为基础网络，构建起网络模型；
c、训练网络模型；
d、利用训练出的网络模型对车牌图片进行端到端识别及模型评估；
Ⅲ、输出识别出到的车牌号。


2.根据权利要求1所述的一种基于精简ResNet残差网络的车牌识别方法，其特征在于：所述步骤Ⅱ中网络模型包括第一残差结构、第二残差结构、第三残差结构和分类层，所述第一残差结构、第二残差结构和第三残差结构均包括用于特征提取的卷积层、加快训练速度的BatchNormalization层、用于引入非线性因素的ReLu层和ELU层。


3.根据权利要求2所述的一种基于精简ResNet残差网络的车牌识别方法，其特征在于：
所述第一残差结构和第二残差结构各分别包括两个卷积层，每个卷积层的卷积核为3×3，卷积步长为1×1，padding方式为SAME，神经元个数为256；
所...

【专利技术属性】
技术研发人员：杨公所，
申请(专利权)人：山东华软金盾软件股份有限公司，
类型：发明
国别省市：山东;37