一种基于半监督学习的车牌质量判断方法技术

本发明专利技术公开了一种基于半监督学习的车牌质量判断方法，包括：获取待判断的车牌图像，并根据现有的车牌检测算法获取车牌字符局部图像；将车牌字符局部图像输入至预先训练好的深度神经网络模型，该深度神经网络模型包括特征提取模块和车牌质量预测模块；利用特征提取模块对待判断的车牌字符局部图像进行特征提取，得到包括车牌字符局部图像的高层特征图；利用车牌质量预测模块对高层特征图进行处理，获取车牌字符局部图像的车牌质量指数；该车牌质量判断方法的网络模型通用性强，识别速度更快，对于污损、粘连、字符缺失、定位不够精确的低质量车牌图像，鲁棒性更强，同时不需要额外的标注车牌质量，模型训练更加便捷。模型训练更加便捷。模型训练更加便捷。

【技术实现步骤摘要】
一种基于半监督学习的车牌质量判断方法


[0001]本专利技术涉及车牌识别
，尤其涉及一种基于半监督学习的车牌质量判断方法。

技术介绍

[0002]车牌识别是智能交通的核心技术，包含了两个大部分：车牌位置检测，车牌字符识别。其中，车牌字符识别是整个技术最重要的一部分，车牌字符识别引擎的质量，直接决定车牌识别技术的整体性能。
[0003]车牌字符识别是指在一幅已知车牌位置的图像中，准确无遗漏的识别出该车牌上的所有汉字、字符和数字，具体包括以下技术步骤：车牌位置校正、车牌字符分割、车牌字符识别等。
[0004]车牌位置校正是指对位置不理想的初检测车牌进行空间变换，使之成为理想位置的车牌，方便后续进行精确的字符分割，空间变换包括平移变换、旋转变换、缩放变换、错切变换、透视变换等，常用的校正方法有以下几类：基于直线检测的方法、基于遍历查找的方法、基于特征分析的方法，基于深度学习的方法等。
[0005]字符分割是指在一幅已知车牌位置的图像中，精确分割出每个单一字符，主要有以下几类方法：基于垂直投影的方法、基于连通区域分析的方法、基于深度学习的方法等。
[0006]车牌字符识别分为两个分支，分支一是对车牌进行单字符分割，识别出每个单字符的字母意义，常用的方法是基于单个字符本身的全局特征和局部特征进行字符识别；分支二是对车牌不进行分割，把车牌整体送入人工智能模型进行整体预测，常用的方法是基于CTC的字符识别方法。
[0007]以上技术对于清晰的车牌图像，均可以达到很不错的效果，然而，实际环境中采集的车牌图像，往往存在分辨率较低、部分字符变浅或缺失、边缘模糊、字符倾斜等特点，使得准确地进行车牌位置校正、车牌字符分割、车牌字符识别变得很困难，甚至出现失效的情况，这种低质量的车牌图像包含的车牌信息已经不可信了，不应该再用于识别车牌字符，否则会严重影响了车牌识别的整体性能。因此，准确的判断车牌质量，是车牌识别系统的不可获取的关键技术环节。

技术实现思路

[0008]基于
技术介绍
存在的技术问题，本专利技术提出了一种基于半监督学习的车牌质量判断方法，可以直接预测车牌图像的质量指数，对于污损、粘连、字符缺失、定位不够精确的低质量车牌图像，鲁棒性更强。
[0009]本专利技术提出的一种基于半监督学习的车牌质量判断方法，包括：
[0010]获取待判断的车牌图像，并根据现有的车牌检测算法获取车牌字符局部图像；
[0011]将车牌字符局部图像输入至预先训练好的深度神经网络模型，该深度神经网络模型包括特征提取模块和车牌质量预测模块；
[0012]利用特征提取模块对待判断的车牌字符局部图像进行特征提取，得到包括车牌字符局部图像的高层特征图；
[0013]利用车牌质量预测模块对高层特征图进行处理，获取车牌字符局部图像的车牌质量指数。
[0014]进一步地，所述深度神经网络模型还包括辅助训练模块，辅助训练模块只在对已定义好的深度神经网络模型进行训练时启动。
[0015]进一步地，所述提取模块包括依次连接的卷积层conv0、最大值池化层maxpool0、残差网络基础结构体resblock0、残差网络基础结构体resblock1和残差网络基础结构体resblock2，残差网络基础结构体resblock2的输出分别与车牌质量预测模块的输入、辅助训练模块的输入连接。
[0016]进一步地，所述残差网络基础结构体resblock0、残差网络基础结构体resblock1均包括卷积层rconv0、卷积层rconv1、卷积层rconv2、卷积层rconv3、卷积层rconv4、合并层eltsum0和合并层eltsum1；
[0017]卷积层rconv0和卷积层rconv1连接，卷积层rconv3和卷积层rconv4连接，卷积层rconv1的输出和卷积层rconv2的输出均与合并层eltsum0的输入连接，合并层eltsum0的输出分别连接到合并层eltsum1的输入、卷积层rconv3的输入，卷积层rconv4的输出与合并层eltsum1的输入连接；
[0018]所述残差网络基础结构体resblock0中的卷积层rconv0的输入、卷积层rconv2的输入均与所述最大值池化层maxpool0的输出连接；
[0019]残差网络基础结构体resblock1中的卷积层rconv0的输入、卷积层rconv2的输入均与残差网络基础结构体resblock0中的合并层eltsum1的输出连接，残差网络基础结构体resblock1中的eltsum1的输出与残差网络基础结构体resblock2的输入连接。
[0020]进一步地，所述残差网络基础结构体resblock2包括卷积层rconv5、卷积层rconv6、卷积层rconv7和合并层eltsum2；
[0021]卷积层rconv5和卷积层rconv6连接，卷积层rconv5的输入和卷积层rconv7的输入均与残差网络基础结构体resblock1中的eltsum1的输出连接，卷积层rconv6的输出与卷积层rconv7和的输出均连接到合并层eltsum2的输入，合并层eltsum2的输出分别与车牌质量预测模块的输入、辅助训练模块的输入连接。
[0022]进一步地，所述车牌质量预测模块包括依次连接的最大值池化层maxpool_q、卷积层conv_q、特征图尺寸变换层flatten_q、全连接层fc_q和sigmod激活函数sigmod_q，sigmod激活函数sigmod_q输出车牌质量指数。
[0023]进一步地，所述辅助训练模块包括依次连接的卷积层rrconv0、特征图尺寸变换层rrshape0、全连接层rrfc0和特征图尺寸变换层ctc0，特征图尺寸变换层ctc0输出车牌字符识别结果。
[0024]进一步地，所述深度神经网络模型的训练步骤包括：
[0025]获取训练样本图像集，图像集中的每个样本图像中均为标注有字符类别的车牌字符局部图像；
[0026]设计所述深度神经网络模型的目标损失函数，得到定义好的深度神经网络模型，该目标损失函数包括所述辅助训练模块的损失函数；
[0027]然后将所述训练样本图像集输入至定义好的深度神经网络模型中进行训练；
[0028]将车牌质量预测模块输出的车牌质量指数冻结为固定值，对辅助训练模块进行训练；
[0029]冻结特征提取模块和辅助训练模块，对车牌质量预测模块进行训练；
[0030]使用辅助训练模块和车牌质量预测模块的输出对深度神经网络模型进行训练。
[0031]进一步地，所述目标损失函数为：
[0032]L＝quality
×
Lrecog
[0033]Lrecog表示辅助训练模块采用的损失函数，quality表示车牌质量预测模块输出的车牌质量指数。
[0034]一种计算机可读储存介质，所述计算机可读储存介质上存储有若干分类程序，所述若干分类程序用于被处理器调用并执行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督学习的车牌质量判断方法，其特征在于，包括：获取待判断的车牌图像，并根据现有的车牌检测算法获取车牌字符局部图像；将车牌字符局部图像输入至预先训练好的深度神经网络模型，该深度神经网络模型包括特征提取模块和车牌质量预测模块；利用特征提取模块对待判断的车牌字符局部图像进行特征提取，得到包括车牌字符局部图像的高层特征图；利用车牌质量预测模块对高层特征图进行处理，获取车牌字符局部图像的车牌质量指数。2.根据权利要求1所述的基于半监督学习的车牌质量判断方法，其特征在于，所述深度神经网络模型还包括辅助训练模块，辅助训练模块只在对已定义好的深度神经网络模型进行训练时启动。3.根据权利要求2所述的基于半监督学习的车牌质量判断方法，其特征在于，所述提取模块包括依次连接的卷积层conv0、最大值池化层maxpool0、残差网络基础结构体resblock0、残差网络基础结构体resblock1和残差网络基础结构体resblock2，残差网络基础结构体resblock2的输出分别与车牌质量预测模块的输入、辅助训练模块的输入连接。4.根据权利要求3所述的基于半监督学习的车牌质量判断方法，其特征在于，所述残差网络基础结构体resblock0、残差网络基础结构体resblock1均包括卷积层rconv0、卷积层rconv1、卷积层rconv2、卷积层rconv3、卷积层rconv4、合并层eltsum0和合并层eltsum1；卷积层rconv0和卷积层rconv1连接，卷积层rconv3和卷积层rconv4连接，卷积层rconv1的输出和卷积层rconv2的输出均与合并层eltsum0的输入连接，合并层eltsum0的输出分别连接到合并层eltsum1的输入、卷积层rconv3的输入，卷积层rconv4的输出与合并层eltsum1的输入连接；所述残差网络基础结构体resblock0中的卷积层rconv0的输入、卷积层rconv2的输入均与所述最大值池化层maxpool0的输出连接；残差网络基础结构体resblock1中的卷积层rconv0的输入、卷积层rconv2的输入均与残差网络基础结构体resblock0中的合并层eltsum1的输出连接，残差网络基础结构体resblock1中的eltsum1的输出与残差网络基础结构体resblock2的输入连接。5.根据权利要求4所述的基于半监督学习的车牌质量判断方法，其特...

【专利技术属性】
技术研发人员：尼秀明，张卡，何佳，
申请(专利权)人：安徽清新互联信息科技有限公司，
类型：发明
国别省市：