一种基于轻量级神经网络的车牌识别方法技术

本发明专利技术公开了一种基于轻量级神经网络的车牌识别方法，包括数据集的准备、轻量级神经网络模型的构建及车牌的识别，所述轻量级神经网络模型的构建包括下述步骤：1）形成第一特征矩阵x1；2）形成第二特征矩阵x2；3）形成第三特征矩阵x3；4）形成第四特征矩阵x4；5）将第一特征矩阵x1，第二特征矩阵x2，第三特征矩阵x3，第四特征矩阵x4的通道进行融合，而后通过卷积核大小为1×1、步长为1的卷积层得到特征向量；6）基于CTC损失函数完成轻量级神经网络网络模型训练；采用CTC损失函数进行轻量级神经网络模型训练，实现无需分割的端到端训练，有效解决输入和输出不对齐的情况。

A license plate recognition method based on lightweight neural network

【技术实现步骤摘要】
一种基于轻量级神经网络的车牌识别方法
本专利技术涉及模式识别技术、交通监控技术等领域，具体的说，是一种基于轻量级神经网络的车牌识别方法。
技术介绍
车牌识别是现代智能交通系统中的一个至关重要的环节，是智能交通系统中的核心功能，使用技术手段提取出车辆的车牌号码，从而获得车辆信息。在我国，机动车号牌需要在交通管理部门申请登记，车牌与车辆之间存在一对一的关系，因此可以根据机动车号牌对机动车辆进行信息获取、管理和监控。在这种情形下，需要车牌识别系统，对车牌号码信息高效、精确的进行快速采集。通过自动车牌识别系统提取车辆的车牌号码，获得交通流量、车辆类型等基础数据，有目的地实现监测、控制、分析、决策、调度和疏导，实现交通资源的最大化，从而能够提升整个智能交通系统的健壮性。在已有的车牌识别解决方案中，分为基于传统方法与基于深度学习两类，前者使用传统的机器学习方法分割分类字符，后者使用神经网络定位分类字符。当前主流的车辆识别方法（基于传统方法）根据边缘密度进行背景剔除，通过亮度方差和边缘强度来增强图像的对比度，再设计相应的匹配滤波器结合本文档来自技高网...

【技术保护点】
1.一种基于轻量级神经网络的车牌识别方法，包括数据集的准备、轻量级神经网络模型的构建及车牌的识别，其特征在于：所述轻量级神经网络模型的构建包括下述步骤：/n1）形成第一特征矩阵x1；/n2）形成第二特征矩阵x2；/n3）形成第三特征矩阵x3；/n4）形成第四特征矩阵x4；/n5）将第一特征矩阵x1，第二特征矩阵x2，第三特征矩阵x3，第四特征矩阵x4的通道进行融合，而后通过卷积核大小为1×1、步长为1的卷积层得到特征向量；/n6）基于CTC损失函数完成轻量级神经网络网络模型训练。/n

【技术特征摘要】
1.一种基于轻量级神经网络的车牌识别方法，包括数据集的准备、轻量级神经网络模型的构建及车牌的识别，其特征在于：所述轻量级神经网络模型的构建包括下述步骤：
1）形成第一特征矩阵x1；
2）形成第二特征矩阵x2；
3）形成第三特征矩阵x3；
4）形成第四特征矩阵x4；
5）将第一特征矩阵x1，第二特征矩阵x2，第三特征矩阵x3，第四特征矩阵x4的通道进行融合，而后通过卷积核大小为1×1、步长为1的卷积层得到特征向量；
6）基于CTC损失函数完成轻量级神经网络网络模型训练。


2.根据权利要求1所述的一种基于轻量级神经网络的车牌识别方法，其特征在于：所述步骤2）具体为：
2.1）将第一特征矩阵x1输入到池化层得到[32,32,20,90]的特征矩阵；
2.2）将步骤2.1）所得的特征矩阵输入特殊卷积层，其输出结果经过归一化操作和非线性激活后得到维度为[32,128,20,90]的第二特征矩阵x2。


3.根据权利要求2所述的一种基于轻量级神经网络的车牌识别方法，其特征在于：所述特殊卷积层设置有2个卷积核大小为1×1、步长为1的卷积层，1个卷积核大小为3×1、步长为1的卷积层，1个卷积核大小为1×3、步长为1的卷积层。


4.根据权利要求2所述的一种基于轻量级神经网络的车牌识别方法，其特征在于：所述步骤3）具体为：
3.1）将第二特征矩阵x2输入到池化区域大小为（1，3，3）、步长为（2，1，2）的池化层得到维度为[32,64,18,44]的特征矩阵；
3.2）将维度为[32,64,18,44]的特征矩阵通过两次特殊卷积层、两次归一化操作和两次非线性激活得到维度为[32,256,18,44]的第三特征矩阵x3。


5.根据权利要求4所述的一种基于轻量级神经网络的车牌识别方法，其特征在于：所述步骤3.2）具体为：
3.2.1）维度为[32,64,18,44]的特征矩阵输入到...

【专利技术属性】
技术研发人员：张裕星，殷光强，李耶，杨晓宇，殷雪朦，李慧萍，黄方正，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51