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、很多情况下车牌相对于水平平面倾斜角会达到30度，极大地干扰字符检测和识别；第三，字符定位位置比较困难,错误率高。

技术实现思路

[0005]本申请实施例提供了一种车牌识别方法、模型及装置，提供了一种端到端的GAN增强的车牌识别模型，可对输入的车辆图像进行超分辨率处理并在不进行字符分割的情况下定位车牌的文本区域，对车牌进行高准确度的识别。
[0006]第一方面，本申请实施例提供了一种车牌识别模型的构建方法，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。
[0007]第二方面，本申请实施例提供了一种车牌识别模型，采用上述所述的车牌识别模
型的构建方法构建得到。
[0008]第三方面，本申请实施例提供了一种车牌识别方法，将包含待测车牌的待测图像输入到所述的车牌识别模型得到车牌字符。
[0009]第四方面，本申请实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述的车牌识别模型的构建方法或所述的车牌识别方法。
[0010]第五方面，本申请实施例提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括所述的车牌识别模型的构建方法或所述的车牌识别方法。
[0011]本专利技术的主要贡献和创新点如下：本申请实施例提供一种车牌识别方法、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。
[0012]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
[0013]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是根据本申请实施例的车牌识别模型的框架示意图；图2是根据本申请一种实施例的重建自编码器的网络结构示意图；图3是根据本申请一种实施例的车牌识别模型的构建方法的流程示意图；图4是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
[0014]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
[0015]需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
[0016]实施例一本申请实施例提供了一种车牌识别模型的构建方法，具体地，参考图1和图3所示，所述方法包括：
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。
[0017]本方案的图像增强模块采用了改进式的对抗性超分辨率图像增强方法，在图像增强模块中引入了重建自编码网络修正超分辨率图像中的车牌字符倾斜的问题，解决某些车牌倾斜角度过大的问题，重建自编码网络的目标函数是倾斜车牌字符的倾斜图像和拉直车牌字符的拉直图像之间的差值；优化了所述鉴别器的损失函数，进而使得鉴别器在区分超分辨率图像和输入的高分辨率车牌字符图像的同时可并行计算车牌字符数量得到计数结果，该计数结果有助于提高车牌字符识别模块的字符识别精度，且本方案的图像增强模块引入了对抗学习的概念，以解决极小极大博弈为优化目标，避免了图像平滑效果，生成的车牌效果更具有锐化效果。
[0018]本方案的高分辨率生成网络采用图像超分辨率本文档来自技高网...

【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：