一种基于CRNN网络模型的车辆VIN码识别方法技术

本发明专利技术提供一种基于CRNN网络模型的车辆VIN码识别方法，包括：采集多台VIN码图像，形成VIN码的数据库；标记疑难字符；将字符区域图像输入CRNN网络模型中，将疑难字符特征向量存储到向量集合I；普通数字字符特征向量存储到向量集合II；挑选属于向量集合II的隐藏层信息存储为过渡信息；将向量集合I再次输入到RNN，过渡信息与单列特征向量输入时对应的隐藏层信息拼接；利用拼接后的各隐藏层信息处理向量集合I中各特征向量；更新对应信息，形成新的概率矩阵；迭代优化出符合要求的CRNN网络模型；利用训练后的CRNN网络模型识别车辆VIN码；本方法可以在数据库样本不充足的情况下，完成识别任务，提高准确率。提高准确率。提高准确率。

【技术实现步骤摘要】
一种基于CRNN网络模型的车辆VIN码识别方法


[0001]本专利技术涉及VIN码识别领域，具体涉及一种基于CRNN网络模型的车辆VIN码识别方法。

技术介绍

[0002]车辆VIN码相当于车辆生产过程中的“身份证号码”，需要在每个生产环节进行实时查验，如果在每个生产环节前依赖人工查验，需要耗费极大的人力资源，因此需要一种自动识别车架钢印号的方法。但是由于车辆生产线环境复杂，采集到的VIN码图像存在对比度差、噪声多、字符局部残缺等问题，目前基于图像的单字符识别技术(OCR技术)识别率低，无法满足要求。
[0003]相比于传统的OCR技术，CRNN深度学习网络模型不需要字符分割的过程，其采用时序预测的方式，进行字符整体识别，可以很好地学习字符前后的顺序信息，而不是单独的去预测一个毫无关联的字符。车辆VIN码共有17位字符，其中，对于同一车型而言，如图1所示，前面的字符LS5A3DKE_MA是固定，只有后六位数字和DKE_MA中间的数字部分是变化的，因此CRNN网络模型学习字符的前后信息可以有效提高算法的鲁棒性，避免某个字符因为涂抹、遮挡、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CRNN网络模型的车辆VIN码识别方法，其特征在于，包括以下步骤：步骤一、采集多台车辆VIN码图像，获取字符区域，对字符区域图像进行标注，再对字符区域图像进行预处理，改变字符的灰度和/或比例，增加样本的多样性，形成VIN码的数据库，将数据库分成训练库和测试库；将数据库中VIN码不发生改变的一位或多位数字字符标记为疑难字符，其他数字字符记为普通数字字符；步骤二、从训练库中随机选取的单张或多张字符区域图像输入CRNN网络模型中，对每张图像进行以下处理：1)图像经过CNN网络模型处理，输出N列特征向量；将疑难字符所对应的各个特征向量存储到向量集合I；从普通数字字符中任取m个普通数字字符，将其对应的各个特征向量依次存储到向量集合II；其中，m为疑难字符的数量；2)将N列特征向量序列依次输入到RNN网络模型，获取隐藏层信息，进行标签信息概率预测，挑选属于向量集合II的特征向量，则将其对应的隐藏层信息存储为过渡信息；当N列特征向量均在RNN网络模型中完成标签信息概率预测后，输出概率矩阵；将向量集合I中的各个特征向量再次依次输入到RNN网络模型，在此过程中，所述过渡信息按照被存储时的次序依次调取、与单列特征向量输入时对应的隐藏层信息拼接；利用拼接后的各隐藏层信息对应处理向量集合I中各特征向量的标签概率预测信息；更新所述概率矩阵中的对应信息，形成新的概率矩阵；3)将新的概率矩阵输入到CTC转录网络模型，获得字符区域图像最终的预测结果；对CTC转录网络模型损失函数进行计算，获得loss值；通过反向传播优化CRNN网络模型；步骤三、循环执行步骤二；直到CRNN网络模型的loss值收敛，或者，利用优化后的CRNN网络模型处理测试库中字符区域图像时，输出的准确率满足要求，CRNN网络模型训练结束；利用训练后的CRNN网络模型识别车辆VIN码。2.如权利要求1所述基于CRNN网络模型的车辆VIN码识别方法，其特征在于，步骤2)中，RNN网络模型具体为双向长短期记忆循环神经网络BiLSTM网络模型；将N列特征向量序列依次输入到BiLSTM网络模型，若当前输入的特征向量属于向量集合II，则将其对应的隐藏层信息存储为过...

【专利技术属性】
技术研发人员：郭磊，郭寅，尹仕斌，叶琨，徐金辰，
申请(专利权)人：易思维杭州科技有限公司，
类型：发明
国别省市：