基于混合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混合神经网络的车牌识别方法，可以对获取的车辆图片进行预处理，获得初始图像，对初始图像采用边缘检测以及形态学处理进行车牌粗定位，得到粗定位图像，对粗定位图像采样基于文字的车牌检测法进行精确定位，并截取车牌区域，得到车牌区域图像，对车牌区域图像进行去模糊处理，针对去模糊处理后的数据采用深度卷积神经网络提取特征，并将所述深度卷积神经网络的输出作为循环卷积神经网络的输入，应用连接时序分类算法来识别所述输出中不定长的车牌字符，以提高所确定的车牌字符的精度，进而提高车牌识别的准确性。

【技术实现步骤摘要】
基于混合神经网络的车牌识别方法
本专利技术涉及图像处理
，尤其涉及一种基于混合神经网络的车牌识别方法。
技术介绍
目前，汽车已经成为人们出行的重要交通工具之一，汽车的销售量每年都在急剧上升。汽车方便了我们的出行，但是也给交通管理带来了很大的压力，用现代科学技术来解决汽车不断增多而带来的一系列问题，这已经成为一项重要的研究课题。随着图片处理技术与计算机视觉技术的提高，车牌识别技术不断提高。车牌字符号码是车辆唯一的“身份证”，车牌的识别可以对车辆信息的确认提供重要的辅助作用。现有技术中，主要的车牌识别方法将车牌识别分为车牌定位、字符分割和字符识别三个步骤。车牌的定位主要是基于颜色特征、边缘检测来定位；字符分割主要有基于水平投影与垂直投影分割法、基于连通域分割法和基于静态边界的方法；字符识别主要有基于模板的字符识别、基于特征统计的字符识别和基于神经网络的字符识别。然而对于车辆本身颜色和车牌颜色相似或者相同时，用基于颜色特征的定位方法很容易导致错误的车牌定位；并且对于车牌字符的分割，对于不同制式的车牌，需要制定不同的字符分割方案，而且要求字符分割精确，否则将导致车牌识别的失败。此外，字符分割以及字符识别也受很多因素影响，如定位情况、车牌清晰度等。因而传统方案容易影响车牌识别的精度，导致识别准确性低。
技术实现思路
针对以上问题，本专利技术提出一种基于混合神经网络的车牌识别方法。为实现本专利技术的目的，提供一种基于混合神经网络的车牌识别方法，包括如下步骤：S10，对获取的车辆图片进行预处理，获得初始图像；S20，对所述初始图像采用边缘检测以及形态学处理进行车牌粗定位，得到粗定位图像；S30，对所述粗定位图像采样基于文字的车牌检测法进行精确定位，并截取车牌区域，得到车牌区域图像；S40，对车牌区域图像进行去模糊处理，针对去模糊处理后的数据采用深度卷积神经网络提取特征，并将所述深度卷积神经网络的输出作为循环卷积神经网络的输入，应用连接时序分类算法来识别所述输出中不定长的车牌字符。在一个实施例中，对获取的车辆图片进行预处理包括：将获取的车牌图像变换成统一尺寸的图像，对统一尺寸的图像进行灰度化处理。在一个实施例中，对所述初始图像采用边缘检测以及形态学处理进行车牌粗定位包括：采用高斯平滑滤波器平滑所述初始图像，采用Sobel边缘检测算子对平滑的初始图像进行车牌边缘检测，得到候选车牌区域；在所述候选车牌区域中，将需要定位的车牌设置为第一颜色，将除车牌以外的背景和/或车辆其他部位设置为第二颜色；其中，第一颜色和第二颜色为不同的颜色；对进行颜色设置后的候选车牌区域进行形态学处理，以剔除明显非车牌区域。作为一个实施例，对进行颜色设置后的候选车牌区域进行形态学处理，以剔除明显非车牌区域包括：对进行颜色设置后的候选车牌区域先进行膨化处理之后，再进行腐蚀处理，以将候选车牌区域的细小空间填充，连接临近的物理和平滑边界，使候选车牌区域中不同的矩形窗的大小会有不同的结果，剔除明显非车牌区域。在一个实施例中，对所述粗定位图像采样基于文字的车牌检测法进行精确定位，并截取车牌区域，得到车牌区域图像包括：对所述粗定位图像进行二值化处理，采用MSER算法提取二值化处理后的粗定位图像的文字区域，使用种子生长法将各个文字区域连接起来，以确定最终的车牌区域图像。在一个实施例中，针对去模糊处理后的数据采用深度卷积神经网络提取特征，并将所述深度卷积神经网络的输出作为循环卷积神经网络的输入，应用连接时序分类算法来识别所述输出中不定长的车牌字符包括：针对去模糊处理后的数据采用深度卷积神经网络提取车牌图像特征；将车牌图像特征序列化，以序列化结果作为输入序列，利用长短时记忆网络良好的序列建模能力作为基础，对输入序列的过去和未来上下文关系建模，得到序列化模块；应用连接时序分类算法对所述序列化模块的输出进行解码，以识别所述输出中不定长的车牌字符。上述基于混合神经网络的车牌识别方法，可以对获取的车辆图片进行预处理，获得初始图像，对初始图像采用边缘检测以及形态学处理进行车牌粗定位，得到粗定位图像，对粗定位图像采样基于文字的车牌检测法进行精确定位，并截取车牌区域，得到车牌区域图像，对车牌区域图像进行去模糊处理，针对去模糊处理后的数据采用深度卷积神经网络提取特征，并将所述深度卷积神经网络的输出作为循环卷积神经网络的输入，应用连接时序分类算法来识别所述输出中不定长的车牌字符，以提高所确定的车牌字符的精度，进而提高车牌识别的准确性。附图说明图1是一个实施例的基于混合神经网络的车牌识别方法流程图；图2是另一个实施例的基于混合神经网络的车牌识别方法流程图；图3是一个实施例的车牌粗定位流程示意图；图4是一个实施例的车牌字符识别流程示意图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。参考图1所示，图1为一个实施例的基于混合神经网络的车牌识别方法流程图，包括如下步骤：S10，对获取的车辆图片进行预处理，获得初始图像。上述步骤对获取的车辆图片进行预处理，可以降低噪声干扰。S20，对所述初始图像采用边缘检测以及形态学处理进行车牌粗定位，得到粗定位图像。S30，对所述粗定位图像采样基于文字的车牌检测法进行精确定位，并截取车牌区域，得到车牌区域图像。上述步骤可以实现对车牌区域的定位，使用边缘检测以及形态学处理进行车牌粗定位，再结合基于文字的车牌检测法精确定位，并截取车牌区域。S40，对车牌区域图像进行去模糊处理，针对去模糊处理后的数据采用深度卷积神经网络提取特征，并将所述深度卷积神经网络的输出作为循环卷积神经网络的输入，应用连接时序分类算法来识别所述输出中不定长的车牌字符。上述基于混合神经网络的车牌识别方法，可以对获取的车辆图片进行预处理，获得初始图像，对初始图像采用边缘检测以及形态学处理进行车牌粗定位，得到粗定位图像，对粗定位图像采样基于文字的车牌检测法进行精确定位，并截取车牌区域，得到车牌区域图像，对车牌区域图像进行去模糊处理，针对去模糊处理后的数据采用深度卷积神经网络提取特征，并将所述深度卷积神经网络的输出作为循环卷积神经网络的输入，应用连接时序分类算法来识别所述输出中不定长的车牌字符，以提高所确定的车牌字符的精度，进而提高车牌识别的准确性。在一个实施例中，对获取的车辆图片进行预处理包本文档来自技高网...

【技术保护点】
1.一种基于混合神经网络的车牌识别方法，其特征在于，包括如下步骤：/nS10，对获取的车辆图片进行预处理，获得初始图像；/nS20，对所述初始图像采用边缘检测以及形态学处理进行车牌粗定位，得到粗定位图像；/nS30，对所述粗定位图像采样基于文字的车牌检测法进行精确定位，并截取车牌区域，得到车牌区域图像；/nS40，对车牌区域图像进行去模糊处理，针对去模糊处理后的数据采用深度卷积神经网络提取特征，并将所述深度卷积神经网络的输出作为循环卷积神经网络的输入，应用连接时序分类算法来识别所述输出中不定长的车牌字符。/n

【技术特征摘要】
1.一种基于混合神经网络的车牌识别方法，其特征在于，包括如下步骤：
S10，对获取的车辆图片进行预处理，获得初始图像；
S20，对所述初始图像采用边缘检测以及形态学处理进行车牌粗定位，得到粗定位图像；
S30，对所述粗定位图像采样基于文字的车牌检测法进行精确定位，并截取车牌区域，得到车牌区域图像；
S40，对车牌区域图像进行去模糊处理，针对去模糊处理后的数据采用深度卷积神经网络提取特征，并将所述深度卷积神经网络的输出作为循环卷积神经网络的输入，应用连接时序分类算法来识别所述输出中不定长的车牌字符。


2.根据权利要求1所述的基于混合神经网络的车牌识别方法，其特征在于，对获取的车辆图片进行预处理包括：
将获取的车牌图像变换成统一尺寸的图像，对统一尺寸的图像进行灰度化处理。


3.根据权利要求1所述的基于混合神经网络的车牌识别方法，其特征在于，对所述初始图像采用边缘检测以及形态学处理进行车牌粗定位包括：
采用高斯平滑滤波器平滑所述初始图像，采用Sobel边缘检测算子对平滑的初始图像进行车牌边缘检测，得到候选车牌区域；
在所述候选车牌区域中，将需要定位的车牌设置为第一颜色，将除车牌以外的背景和/或车辆其他部位设置为第二颜色；其中，第一颜色和第二颜色为不同的颜色；
对进行颜色设置后的候选车牌区域进行形态学处理，以剔除明显非车牌区域。


4....

【专利技术属性】
技术研发人员：姜梦淮，韩立新，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32