端到端的车牌识别网络构建方法技术

一种端到端的车牌识别网络构建方法，本方法采用卷积神经网络直接端到端的训练推理，卷积神经网络的输入是一幅车牌的图像，卷积神经网络的输出相应车牌的文字；卷积神经网络的设计是1)模型架构设计，对于输入的车牌的图像，提取特征；将提取到的特征分别送入多个相同的分类器；每个分类器是由一个三层的前馈神经网络构成；2)标签制作，车牌的字符进行编码分为三个部分，依次是省份、地区和个人编码；在编码时候，把蓝色牌中的个人编码对应字符位数与新能源车牌中的个人编码对应字符位数设置为相同，字符位数相差部分用

【技术实现步骤摘要】
端到端的车牌识别网络构建方法


[0001]本专利技术涉及深度学习领域，是一种使用卷积神经网络对汽车的车牌进行识别的方法，具体是一种端到端的车牌识别网络构建方法。

技术介绍

[0002]车牌识别是智慧交通领域的一个重要研究分支。其主要任务是将车牌中的文字、数字和字母信息提取出来。该任务在停车场等场景有着广泛的应用需求。对于车牌分割算法，目前应用最多的是先对车牌进行分割，然后对分割后的图片进行识别。
[0003]由于车牌上有密集的字符和不密集的字符间隙，因此衍生出一些传统的方法可用于分割这些字符，如连接成分分析等。在字符被分割以后，目前的高性能方法总是训练一个可学习的神经网络来对字符进行分类，或者利用车牌字符周围的特征。这样的算法分为两个阶段，比较繁琐，而且识别的精度严重依赖字符的分割结果。

技术实现思路

[0004]本专利技术要解决的技术问题是传统车牌识别方法的先字符提取、再识别的繁琐过程，直接实现端到端的训练推理，并且本专利技术将蓝色油车和绿色新能源车的预测在一个模型中实现。
[0005]本专利技术的技术方案为：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种端到端的车牌识别网络构建方法，其特征是采用卷积神经网络直接端到端的训练推理，卷积神经网络的输入是一幅车牌的图像，卷积神经网络的输出相应车牌的文字；所述卷积神经网络的设计方法包括：1)模型架构设计对于输入的车牌的图像，使用ResNet18作为主干特征提取网络，提取特征；将提取到的特征分别送入多个相同的分类器；每个分类器是由一个三层的前馈神经网络构成；第1个分类器的输出维度是38，用于预测车牌中的第1位字符，是车牌的隶属省份；第2个分类器的输出维度是25，用于预测车牌中的第2位字符，是车牌的隶属区域；其余分类器的输出维度是35，用于预测车牌中的其余字符，是车牌的个人编码；2)标签制作车牌的字符进行编码分为三个部分，依次是省份PROVINCES、地区ALPHABETS和个人ADS编码；在编码时候，把蓝色燃油车牌中的个人编码对应字符位数与新能源车牌中的个人编码对应字符位数设置为相同，字符位数相差部分用
“”
表示；车牌字符编码表示为：PROVINCES＝[“京”，“津”，“沪”，“渝”，“冀”，“豫”，“川”，“云”，“辽”，“黑”，“湘”，“皖”，“鲁”，“苏”，“浙”，“赣”，“鄂”，“晋”，“蒙”，“吉”，“黑”，“闽”，“粤”，“桂”，“琼”，“贵”，“藏”，“陕”，“甘”，“青”，“宁”，“新”，“警”，“学”]ALPHABETS＝[
‘
A
’
,
’
B
’
,
’
C
’
,
’
D
’
,
’
E
’
,
’
F
’
,
’
G
’
,
’
H
’
,
’
J
’
,
’
K
’
,
’
L
’
,
’
M
’
,
’
N
’
,
’
P
’
,
’
Q
’
,
’
R
’
,
’
S
’
,
’
T
’
,
’
U
’
,
’
V
’
,
’
W
’
,
’
X
’
,
’
Y
’
,

【专利技术属性】
技术研发人员：张正，李迁迁，田青，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：