一种自然场景下的车牌识别方法及系统技术方案

本发明专利技术公开了一种自然场景下的车牌识别方法，包括：构建车牌识别模型并利用训练集数据进行所述车牌识别模型的训练；所述训练集数据中包括若干车牌图片；利用测试集数据对完成训练的所述车牌识别模型进行测试评估；所述测试集数据中包括若干车牌图片；将通过测试评估的所述车牌识别模型用于车牌识别，可以实现采用轻量级特征提取网络mobilenet

【技术实现步骤摘要】
一种自然场景下的车牌识别方法及系统


[0001]本专利技术涉及图像检测
，更具体的说是一种自然场景下的车牌识别方法及系统。

技术介绍

[0002]作为智能交通监控及管理系统的重要组成部分，车牌自动识别一直是人们研究的热点。车牌识别技术由三个部分组成，分别是车牌检测、字符分割、字符识别。获取到车牌区域后，需要进行字符识别，对于车牌识别，目前的很多研究都是将之前车牌检测得到的区域，进行文字切分，然后分别对每一位进行识别。识别的方式主要是两种：分割每个字符后进行识别和直接识别整个车牌。早期的算法通常属于第一种方式，其分割过程通常利用垂直投影或者寻找连通域来实现，后续的识别过程则利用线性判别分析(Linear Discriminant Analysis,LDA)和卷积神经网络(Convolutional Neural Networks，CNN)等特征抽取方法构建分类模型。第二种方式一般以深度学习方法为代表，直接识别整个车牌。它们需要对整个图像进行特征抽取，依赖于良好的特征抽取方法，因此大多数需要利用深度卷积网络进行图像的特征抽取。
[0003]近年来，由于人工智能的飞速发展，人们逐渐将深度学习相关算法与车牌识别结合起来。目前，大多数车牌识别方法都是基于深度学习设计的。在大量数据下，构建合适的深度卷积网络可以有效提取出具有强鲁棒性的特征。然而大多数算法对计算资源要求很高，不能很好部署到移动端。此外，还有一些系统不能支持多种车牌，泛化性能不好。
[0004]因此，需要一种轻量级车牌识别网络，并且能识别多种车牌。

技术实现思路

[0005]本说明书实施例的一个方面提供一种自然场景下的车牌识别方法，包括：构建车牌识别模型并利用训练集数据进行所述车牌识别模型的训练；所述训练集数据中包括若干车牌图片；利用测试集数据对完成训练的所述车牌识别模型进行测试评估；所述测试集数据中包括若干车牌图片；将通过测试评估的所述车牌识别模型用于车牌识别。
[0006]在一些实施例中，所述车牌识别模型对输入的图片的处理包括：提取图片基础特征；将提取的基础特征进行序列化处理，用Softmax将多个神经元的输出，映射到(0,1)区间内，并进行分类。
[0007]在一些实施例中，所述车牌识别模型采用MobilenetV2作为基础特征提取网络。
[0008]在一些实施例中，所述车牌识别模型对输入的图片的处理中：所述基础特征提取网络MobilenetV2先将输入的图片将resize成224x224x3，bottleneck后面的数字代表有几个这种模块,最后一层采用全连接层展开成1x1x1280；所述车牌识别模型采用muti
‑
attention模块作为序列化特征提取模块进行特征的序列化处理；然后通过1X1的网络结构的Expansion layer将低维空间映射到高维空间，以及通过1X1的网络结构的Projection layer将高维特征映射到低维空间；然后使用多头注意力机制进行序列化特征提取模块将
所要识别的车牌中的字符分为多个头，形成多个子空间；最后将前n位作为第一类字的输出，将后面m位作为第二类字的输出，其中，不足的用占位符填充。
[0009]在一些实施例中，所述Expansion layer的维度扩展倍数为4倍。
[0010]在一些实施例中，所述利用测试集数据对完成训练的所述车牌识别模型进行测试评估通过评估模型实现，所述评估模型采用以下方式对所述识别结果进行评估：
[0011]Acc＝Righet/All；
[0012]Acc代表识别模型的识别车牌的精确率，Right代表识别正确的车牌数，All代表所有车牌数据集中的车牌的样本数；
[0013]所述评估模型的测试指标至少包括以下一种：回归损失平方和、top1车牌准确率、top1_in_top5车牌准确率；
[0014]其中，所述回归损失平方和与车牌数据集的车牌图片的识别置信度和预测质量分相关，所述top1车牌准确率、top1_in_top5车牌准确率与识别模型的识别准确率相关。
[0015]本说明书实施例的一个方面提供一种自然场景下的车牌识别设备，包括：生成模块，用于构建车牌识别模型并利用训练集数据进行所述车牌识别模型的训练；所述训练集数据中包括若干车牌图片；评估模块，用于利用测试集数据对完成训练的所述车牌识别模型进行测试评估；所述测试集数据中包括若干车牌图片；识别模块，用于将通过测试评估的所述车牌识别模型用于车牌识别。
[0016]本说明书实施例的一个方面提供一种自然场景下的车牌识别装置，所述装置包括至少一个存储介质和至少一个处理器，所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以实现所述自然场景下的车牌识别方法对应的操作。
[0017]本说明书实施例的一个方面提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，实现所述自然场景下的车牌识别方法。
附图说明
[0018]本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
[0019]图1是根据本申请一些实施例所示的自然场景下的车牌识别设备的应用场景示意图；
[0020]图2是根据本申请的一些实施例所示的可以在其上实现处理引擎的示例性计算设备的示例性硬件和/或软件组件的示意图；
[0021]图3是根据本申请的一些实施例所示的可以在其上实现一个或以上终端的示例性移动设备的示例性硬件和/或软件组件的示意图；
[0022]图4是根据本申请的一些实施例所示的示例性处理引擎的示意框图；
[0023]图5是根据本说明书的一些实施例所示的自然场景下的车牌识别方法的流程图；
[0024]图6是根据本说明书的一些实施例所示的车牌识别模型识别车牌的流程示意图；
[0025]图7是根据本说明书的一些实施例所示的Mobilenet网络结构示意图；
[0026]图8是根据本说明书的一些实施例所示的bottleneck网络模块的结构示意图；
[0027]图9是根据本说明书的一些实施例所示的多头注意力机制的示意图。
具体实施方式
[0028]为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
[0029]应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
...

【技术保护点】

【技术特征摘要】
1.一种自然场景下的车牌识别方法，其特征在于，包括：构建车牌识别模型并利用训练集数据进行所述车牌识别模型的训练；所述训练集数据中包括若干车牌图片；利用测试集数据对完成训练的所述车牌识别模型进行测试评估；所述测试集数据中包括若干车牌图片；将通过测试评估的所述车牌识别模型用于车牌识别；其中，所述车牌识别模型对输入的图片的处理包括：提取图片基础特征；将提取的基础特征进行序列化特征提取处理，用Softmax将多个神经元的输出，映射到(0,1)区间内，并进行分类。2.根据权利要求1所述的方法，其特征在于，所述车牌识别模型中通过多头注意力模块进行序列化特征提取。3.根据权利要求2所述的方法，其特征在于，所述车牌识别模型采用MobilenetV2作为基础特征提取网络。4.根据权利要求3所述的方法，其特征在于，所述车牌识别模型对输入的图片的处理中：所述基础特征提取网络MobilenetV2先将输入的图片将resize成224x224x3，bottleneck后面的数字代表有几个这种模块,最后一层采用全连接层展开成1x1x1280；所述车牌识别模型采用muti
‑
attention模块作为序列化特征处理模块进行特征的序列化处理；然后通过1X1的网络结构的Expansion layer将低维空间映射到高维空间，以及通过1X1的网络结构的Projection layer将高维特征映射到低维空间；然后使用多头注意力机制进行序列化特征提取模块将所要识别的车牌中的字符分为多个头，形成多个子空间；最后将前n位作为第一类字的输出，将后面m位作为第二类字的输出，其中，不足的用占位符填充。5.根据权利要求4所述的方法，其特征在于，在所述muti
‑
attention模块进行特征的序列化处理时，包括去除位置编码向量的操作。6.根据权利要求1所述的方法，其特征在于，所述利用测试集数据对完成训练的所述车牌识别模型进行测试评估通过评估模型实现，所述评估模型采用以下方式对所述识别结果进行评估：Acc＝Righet/All；Acc代表识别模型的识别车牌的精确率，Right代表识别正确的车牌数，All代表所有车牌数据集中的车牌...

【专利技术属性】
技术研发人员：李洪洋，郭敬娜，王铭宇，
申请(专利权)人：成都恒创新星科技有限公司，
类型：发明
国别省市：