【技术实现步骤摘要】
车牌识别模型的训练方法及装置、车牌识别方法及装置
本专利技术涉及识别
，具体涉及一种车牌识别模型的训练方法方法及装置、车牌识别方法及装置。
技术介绍
车牌识别系统是计算机视频图像识别技术在车辆牌照识别中的一种应用。车牌识别在高速公路车辆管理中得到广泛应用，在停车场管理中，车牌识别技术也是识别车辆身份的主要手段。然而数据量的不断增大对快速准确识别车牌内容提出了新的挑战。传统的车牌识别算法包含了大量的手工特征提取的过程，提取过程复杂且缓慢，而基于卷积神经网络的特征提取可以直接对图像进行处理，自动提取特征，但是提取过程网络参数量巨大，训练过程复杂，训练速度慢，训练准确率低。
技术实现思路
因此，本专利技术要解决的技术问题在于克服现有技术中的基于卷积神经网络对特征提取时网络参数量大的缺陷，从而提供一种车牌识别模型的训练方法及装置、车牌识别方法及装置。根据第一方面，本专利技术实施例公开了一种车牌识别模型的训练方法，包括如下步骤：获取车辆图像训练样本，所述车辆图像训练样本中包含具有车牌图像的正样...
【技术保护点】
1.一种车牌识别模型的训练方法，其特征在于，包括如下步骤：/n获取车辆图像训练样本，所述车辆图像训练样本中包含具有车牌图像的正样本图像及不具有车牌图像的负样本图像；/n根据所述车辆图像训练样本提取第一目标训练特征；/n根据所述第一目标训练特征对第一深度学习网络模型进行训练，得到车牌识别模型；/n对所述车牌识别模型输出的车牌图像进行分割，得到目标训练字符；/n根据所述目标训练字符提取第二目标训练特征；/n根据所述第二目标训练特征对深度可分离卷积神经网络模型进行训练，得到深度可分离卷积车牌识别模型。/n
【技术特征摘要】
1.一种车牌识别模型的训练方法，其特征在于，包括如下步骤：
获取车辆图像训练样本，所述车辆图像训练样本中包含具有车牌图像的正样本图像及不具有车牌图像的负样本图像；
根据所述车辆图像训练样本提取第一目标训练特征；
根据所述第一目标训练特征对第一深度学习网络模型进行训练，得到车牌识别模型；
对所述车牌识别模型输出的车牌图像进行分割，得到目标训练字符；
根据所述目标训练字符提取第二目标训练特征；
根据所述第二目标训练特征对深度可分离卷积神经网络模型进行训练，得到深度可分离卷积车牌识别模型。
2.根据权利要求1所述的方法，其特征在于，在所述对所述车牌识别模型输出的车牌图像进行分割，得到目标训练字符之前，还包括：
确定所述车牌图像中车牌倾斜度；
当所述车牌倾斜度不满足第一预设条件时，对车牌图像进行倾斜矫正。
3.根据权利要求1所述的方法，其特征在于，在根据所述第一目标训练特征对第一深度学习网络模型进行训练，得到车牌识别模型之后，还包括：
获取车辆图像测试样本，所述车辆图像测试样本中包含具有车牌图像的正样本图像及不具有车牌图像的负样本图像；
根据所述车辆图像测试样本提取第一测试特征；
根据所述第一测试特征对所述车牌识别模型进行测试，得到第一测试结果；
当所述第一测试结果满足第二预设条件时，将所述车牌识别模型确定为可用的车牌识别模型。
4.根据权利要求3所述的方法，其特征在于，在根据所述第二目标训练特征对深度可分离卷积神经网络模型进行训练，得到深度可分离卷积车牌识别模型之后，还包括：
获取车牌图像测试样本，所述车牌图像测试样本为所述车牌识别模型输出的车牌图像测试样本；
根据所述车牌图像测试样本提取第二测试特征；
根据所述第二测试特征对所述深度可分离卷积车牌识别模型进行测试，得到第二测试结果；
当所述第二测试结果满足第三预设条件时，将所述深度可分离卷积车牌识别模型确定为可用的深度可分离卷积车牌识别模型。
5.一种车牌识别方法，其特征在于，包括如下步骤：
获取待识别车辆图像；
根据所述车牌识别模型对所述待识别车辆图像进行车牌定位识别，得到目标识别车牌图像；
对所述目标识别车牌图像进行分割，得到目标识别字符；
根据所述目标识别字符提取目标识别特征；
根据深度可分离卷积车牌识别模型对所述目标识别特征进行识别，得到字符识别结果；
将所述字符识别结果进行组合，得到所述待识别车牌的车牌号；
所述...
【专利技术属性】
技术研发人员：邓练兵，陈金鹿，薛剑，
申请(专利权)人：珠海大横琴科技发展有限公司，
类型：发明
国别省市：广东;44
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。