车牌识别方法、模型及装置制造方法及图纸

本申请提出了一种车牌识别方法、模型及装置，设计一种全新的车牌识别模型，该车牌识别模型可从模糊的小图像中直接生成高清晰度的超分辨率图像，车牌识别模型中的图像增强模块内优化了鉴别器的结构、对抗学习方式并引入了重建自编码网络，且本方案车牌字符识别模块采用端到端的网络框架，可以快速准确地识别车牌字符。字符。字符。

【技术实现步骤摘要】
车牌识别方法、模型及装置


[0001]本申请涉及图像识别领域，特别是涉及一种车牌识别方法、模型及装置。

技术介绍

[0002]在城市交通管理过程中经常需要对车辆进行识别并且获取车辆的相关信息在诸多车辆相关信息中，车牌作为车辆的唯一识别信息可被用于标识车辆。车牌识别技术在诸如停车场管理、收费站管理、违规车辆管理等场景中有着广泛的应用。
[0003]传统的车牌识别技术通常包括两个阶段：字符定位以及字符识别，先对车牌所在区域进行定位后截取该部分区域后进行字符识别，由于传统车牌识别技术的限制，传统的车牌识别技术往往需要输入较高分辨率的图像且车牌字符不能倾斜，这就导致其难以满足实际监控需求。在实际监控需求中，车牌一般位于车辆的中下部位置且车牌本身的面积比较小，这就导致了监控摄像头获取的车辆图像中的车牌区域存在分辨率低、图像质量差的情况，无法很好地利用现有的车牌识别算法进行车牌识别。
[0004]换言之，传统车牌识别技术存在极大缺陷导致其无法很好地识别车牌：第一、训练用的车牌样本只构成不完整的搜索空间，无法涵盖所有可能存在的车牌情况；第二、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车牌识别模型的构建方法，其特征在于，包括：获取训练样本：获取高分辨率车牌字符图像，所述高分辨率车牌字符图像经过下采样得到低分辨率车牌字符图像；构建依次连接的图像增强模块和车牌字符识别模块：所述图像增强模块包括以对抗式学习方式训练的生成器和鉴别器，所述生成器内包括依次连接的用于生成超分辨率图像的高分辨率生成网络和用于重建所述超分辨率图像的重建自编码网络，所述鉴别器的全连接层区分为平行的字符数量计算分支和判断比对分支；所述字符数量计算分支输出的计数信息输入到车牌字符识别模块的最后一层；训练所述图像增强模块和所述图像增强模块和车牌字符识别模块：所述高分辨率车牌字符图像输入到所述鉴别器中用于和所述生成器进行对抗学习，所述低分辨率字符图像输入到所述生成器中，迭代优化所述生成器和所述鉴别器的损失函数；所述图像增强模块输出的增强图像和所述高分辨率车牌字符图像输入到所述车牌字符识别模块，迭代所述识别图像模块的损失函数。2.根据权利要求1所述的车牌识别模型的构建方法，其特征在于，重建自编码网络包括依次连接的编码器和解码器，编码器和解码器使用卷积神经网络，编码器和解码器都由相同数量的卷积层组成，编码器添加了MaxPoolig2D层用于空间下采样，而后者添加了上采样2D层，并使用了BatchNormalization。3.根据权利要求1所述的车牌识别模型的构建方法，其特征在于，对抗学习的训练公式如下所示：其中，是高分辨率车牌字符图像，是低分辨率车牌字符图像，和分别表示神经网络的权重数据。4.根据权利要求1所述的车牌识别模型的构建方法，其特征在于，在“迭代优化所述生成器和所述鉴别器的损失函数”步骤中，损失函数包括像素损失函数、对抗损失函数、重建损失函数以及鉴别损失函数，四个不...

【专利技术属性】
技术研发人员：王国梁，陈娜华，陈思瑶，彭大蒙，
申请(专利权)人：城云科技中国有限公司，
类型：发明
国别省市：