基于卷积神经网络模型的字符分割模式车牌识别方法技术

本发明专利技术公布了基于卷积神经网络模型的字符分割模式车牌识别方法，包括：基于异常天气状况下的高速整车图像，构建高速公路车牌图像集；基于图像比例的方法，对车牌字符进行分割；构建不同字符集的分类卷积神经网络模型，优选Inceptionv3

【技术实现步骤摘要】
基于卷积神经网络模型的字符分割模式车牌识别方法


[0001]本专利技术专利涉及智能交通，智慧高速信息感知领域，具体涉及一种基于卷积神经网络模型的字符分割模式车牌识别方法。

技术介绍

[0002]为提升高速公路运输效率，高速公路不停车收费系统已成为实现高速智慧化和信息化的关键部分，其中高速公路场景中车辆全息信息感知，特别是车辆号牌识别是智慧高速公路不停车收费建设的重要内容之一。但由于高速公路的露天场景特性，存在雨、雪、雾等特殊天气条件，且光线变化显著，车辆行驶速度快等因素都极大的影响了车辆全息信息感知及车辆号牌识别的准确率，因此构建高速公路场景中异常天气条件下车辆全息信息感知模型及车辆号牌识别模型成为高速不停车收费迫切需要解决的问题之一，对构建智慧高速公路体系具有重要的研究意义和应用价值。因此，本文基于异常天气状况下的高速整车图像，研究车牌分割方法与不同字符集的分类卷积神经网络模型，提出了一种基于ResNeXt
‑
LPCR卷积神经网络模型的字符分割模式车辆牌照识别方法，进一步提升了高速公路中车辆牌照的识别效率与识别准确率。...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络模型的字符分割模式车牌识别方法，其特征在于，包括如下步骤：S1：基于异常天气状况下的高速整车图像，构建高速公路车牌图像集；S2：基于图像比例的方法，对车牌字符进行分割；S3：构建不同字符集的分类卷积神经网络模型，优选Inceptionv3
‑
LPCR、ResNet50
‑
LPCR、ResNeXt
‑
LPCR和MNASNet
‑
LPCR分类卷积神经网络模型完成车辆号牌的识别。2.如权利要求1所述的基于卷积神经网络模型的字符分割模式车牌识别方法，其特征在于，所述步骤S1中基于异常天气状况下的高速整车图像，高速公路车牌图像集的构建方法为：基于YOLOv3的异常天气条件下高速公路车辆全息检测方法对所构建的车辆数据集进行检测，以获取多种天气条件下的车辆全息检测结果。3.如权利要求1所述的基于卷积神经网络模型的字符分割模式车辆牌照识别方法，其特征在于，所述步骤S2中基于图像比例的方法，对车牌字符进行分割的具体步骤如下：
①
明确国内现有车牌的宽、高尺寸，明确车牌上每个字符的宽、高尺寸与间隔长度；
②
确定现有车牌上的字符数量并选取切割点，按照选取好的切割点计算其具体位置；
③
根据车牌宽度W建立每个切割点的具体计算公式。4.如权利要求1所述的基于卷积神经网络模型的字符分割模式车牌识别方法，其特征在于，所述步骤S3中构建不同字符集下分类卷积神经网络模型的方法为：基于图像比例对车牌字符进行切割，同时根据车牌中可能出现的所有单字符，将其分为65类，分别为：0、1、2、3、4、5、6、7、8、9、A、B、C、D、E、F、G、H、J、K、L、M、N、P、Q、R、S、T、U、V、W、X、Y、Z、云、京、冀、吉、宁、川、新、晋、桂、沪、津、浙、渝、湘、琼、甘、皖、粤、苏、蒙、藏、豫、贵、赣、辽、鄂、闽、陕、青、鲁、黑，并分别输入所搭建的卷积神经网络中进行训练。5.如权力要求1所述的基于卷积神经网络模型的字符分割模式车牌识别方法，其特征在于，所述步骤S3中构建InceptionV3
‑
LPCR分类卷积神经网络模型的方法为：所述InceptionV3
‑
LPCR分类卷积神经网络模型由Block1、Block2、Block3、Block4和Block5这五个模块构成，其中模块1包括三个3
×
3的卷积层和一个最大池化层，模块2包括两个3
×
3的卷积层和一个最大池化层，模块3由三个Inception Module A结构构成，模块4由一个Inception Module D结构和四个Inception Module B结构构成，模块5由一个Inception Module E结构和两个Inception Module C结构构成；对车牌基于图像比例方法进行单个字符的切割，同时将每个字符图像规格化为299
×
299
×
3后输入网络，经过模块1后特征图大小为73
×
73
×
64，经过模块2后特征图大小为35
×
35
×
192，经过模块3后特征图大小为35
×
35
×
288，经过模块4后，特征图大小为17
×
17
×
768，经过模块5后特征图特征图大小为8
×8×
2048，又经过核为8的最大池化层和丢弃率为0.5的dropout层，最终输出大小为2048的特征向量。6.如权利要求1所述的基于卷积神经网络模型的字符分割模式车牌识别方法，其特征在于，所述步骤S3中构建ResNet50
‑
LPCR分类卷积神经网络模型的方法为：所述ResNet50
‑
LPCR分类卷积神经网络模型由五个卷积模块conv2d构成，其中第一个卷积模块包括一个7
×
7的卷积层，第二至五个卷积模块分别包括3个、4个、6个和3个残差单元，每个残差单元均由1
×
1卷积、3
×
3卷积、1
×
1卷积和一个残差连接支路构成；对车牌基于图像比例方法进行单个字符的切割，同时将每个字符图像规格化为299
×
299
×
3后输入网络，采用步长为2的7
×
7卷积提取到大小为112
×
112
×
64的特征图，采用步长为2的最大池化层后得到大小为56
×
56
×
64的特征图，将特征图依次通过第二个卷积模块的3个残差单元，得到56
×
56
×
256大小特征图，输入到第三个卷积模块中的一个步长为2的残差单元，得到大小为28
×
28
×
512的特征图，然后再经过3个残差单元，得到28
×
28
×
512的特征图，输入到第四个卷积模块中的一个步长为2的残差单元，得到大小为14
×
14
×
1024的特征图，然后再经过5个残差单元，得到14
×
14
×
1024的特征图，输入到第五个卷积模块中的一个步长为2的残差单元，得到大小为7
×7×
2048的特征图，然后再经过2个残差单元，得到7
×7×
2048的特征图，最后采用核为7
×
7的平均池化层将特征图变为1
×1×
2048维特征向量。7.如权利要求1所述的基于卷积神经网络模型的字符分割模式车牌识别方法，其特征在于，所述步骤S3中构建ResNeXt
‑
LPCR分类卷积神经网络模型进行车牌的特征提取的方法为：所述ResNeXt
‑
LPCR分类卷积神经网络模型由五个卷积模块conv2d构成，主要网络结构在ResNet50的基础上，保持第一个卷积模块不动，将第二至第五个卷积模块前两层convolution kernel的数量提升了两倍；对车牌基于图像比例方法进行单个字符的切割，同时将每个字符图像规格化为299
×
299
×
3后输...

【专利技术属性】
技术研发人员：赵池航，化丽茹，苏子钧，石鑫，薛善光，孟玉文，张希庆，吴宇航，马欣怡，
申请(专利权)人：河北交通职业技术学院，
类型：发明
国别省市：