一种车牌识别模型生成及车牌识别方法、装置和电子设备制造方法及图纸

本发明专利技术公开了一种车牌识别模型生成及车牌识别方法、装置和电子设备，应用于图像识别技术领域，包括：对原始车牌图像数据进行数据增强，得到训练车牌图像数据；获取包括初始空间变换模型和初始卷积神经网络模型的初始改进的神经网络模型；初始空间变换模型为对图像数据进行仿射变换重新采集像素点的模型；初始卷积神经网络模型为将字符识别部分的循环层更改为卷积层的模型；利用训练车牌图像数据对初始改进的神经网络模型进行训练，生成目标改进卷积神经网络模型。和利用卷积循环神经网络直接进行识别相比，本发明专利技术提供的模型由于使用卷积层替代循环层，并集成空间变换模型，使得车牌识别模型具有模型准确率高、推理快且能应对倾斜车牌的效果。对倾斜车牌的效果。对倾斜车牌的效果。

【技术实现步骤摘要】
一种车牌识别模型生成及车牌识别方法、装置和电子设备


[0001]本专利技术涉及图像识别
，特别涉及一种车牌识别模型生成及车牌识别方法、装置和电子设备。

技术介绍

[0002]当前对车牌识别时主要利用CRNN(Convolutional Recurrent Neural Network，卷积循环神经网络结构)对车牌中的文字进行识别，但是受限于车辆的使用环境(光线较强或者较弱、车牌污染、雨雪大雾天气、拍摄角度不正等)，使得车牌识别的各个环节中始终存在一些问题，导致识别精度有限。
[0003]因此，现有技术存在识别精度较低的技术问题。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种车牌识别模型生成及车牌识别方法、装置和电子设备，解决了现有技术中车牌识别精度较低的技术问题。
[0005]为解决上述技术问题，本专利技术提供了一种车牌识别模型生成方法，包括：
[0006]对原始车牌图像数据进行数据增强，得到训练车牌图像数据；
[0007]获取包括初始空间变换模型和初始卷积神经网络模型的初始改进的神经网络模型；其中，所述初始空间变换模型为对图像数据进行仿射变换重新采集像素点的模型；所述初始卷积神经网络模型为将卷积循环神经网络结构中字符识别部分的循环层更改为卷积层的模型；
[0008]利用所述训练车牌图像数据对所述初始改进的神经网络模型进行训练，生成目标改进卷积神经网络模型。
[0009]可选的，所述对原始车牌图像数据进行数据增强，得到训练车牌图像数据，包括：
[0010]对所述原始车牌图像数据进行所述数据增强，得到所述训练车牌图像数据；其中，所述数据增强为高斯模糊处理、过度曝光处理、仿射旋转处理、网格扭曲处理和分段扭曲处理中至少一种处理方式。
[0011]可选的，所述初始改进的神经网络模型中的所述初始空间变换模型为包括约束仿射变换矩阵参数的模型。
[0012]本专利技术还提供了一种车牌识别方法，包括：
[0013]获取待检测车牌图像；
[0014]利用目标改进卷积神经网络模型对所述待检测车牌图像进行识别，得到目标车牌识别结果；其中，所述目标改进卷积神经网络模型为根据上述的车牌识别模型生成方法得到的模型。
[0015]可选的，所述获取待检测车牌图像，包括：
[0016]获取视频流，利用目标检测算法从所述视频流中获取所述待检测车牌图像。
[0017]可选的，所述利用改进的卷积神经网络模型对待检测车牌图像进行识别，得到目
标车牌识别结果，包括：
[0018]利用所述改进的卷积神经网络模型对相邻帧的多个所述待检测车牌图像进行识别，得到多个车牌信息；
[0019]对所述多个车牌信息进行加权求和，得到所述目标车牌识别结果。
[0020]可选的，所述所述利用目标改进卷积神经网络模型对所述待检测车牌图像进行识别，得到目标车牌识别结果，包括：
[0021]利用所述目标改进卷积神经网络模型中的空间变换模型对所述待检测车牌图像进行空间转换，得到仿射变换图像；
[0022]利用所述目标改进卷积神经网络模型中的字符识别改进卷积神经网络模型对所述仿射变换图像进行识别，得到所述目标车牌识别结果；其中，所述字符识别改进卷积神经网络模型为将卷积神经网络模型中字符识别部分的循环层更改为卷积层的模型。
[0023]本专利技术还提供了一种车牌识别模型生成装置，包括：
[0024]训练车牌图像数据生成模块，用于对原始车牌图像数据进行数据增强，得到训练车牌图像数据；
[0025]初始改进的神经网络模型获取模块，用于获取包括初始空间变换模型和初始卷积神经网络模型的初始改进的神经网络模型；其中，所述初始空间变换模型为对图像数据进行仿射变换重新采集像素点的模型；所述初始卷积神经网络模型为将卷积循环神经网络结构中字符识别部分的循环层更改为卷积层的模型；
[0026]目标改进卷积神经网络模型生成模块，用于利用所述训练车牌图像数据对所述初始改进的神经网络模型进行训练，生成目标改进卷积神经网络模型。
[0027]本专利技术还提供了一种电子设备，包括：
[0028]存储器，用于存储计算机程序；
[0029]处理器，用于执行所述计算机程序时实现上述车牌识别模型生成方法，和/或上述车牌识别方法的步骤。
[0030]本专利技术还提供了一种计算机可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上述车牌识别模型生成方法，和/或上述车牌识别方法的步骤。
[0031]可见，本专利技术通过对原始车牌图像数据进行数据增强，得到训练车牌图像数据。获取包括初始空间变换模型和初始卷积神经网络模型的初始改进的神经网络模型；其中，初始空间变换模型为对图像数据进行仿射变换重新采集像素点的模型；初始卷积神经网络模型为将卷积循环神经网络结构中字符识别部分的循环层更改为卷积层的模型；利用训练车牌图像数据对初始改进的神经网络模型进行训练，生成目标改进卷积神经网络模型。和当前利用卷积循环神经网络结构对车牌中的文字进行识别，受限于车辆的使用环境相比，本专利技术提供的模型由于使用卷积层替代循环层，加速模型推理速度，并空间变换模型，矫正车牌倾斜，故本专利技术提供的车牌识别模型具有模型准确率高、推理快且能应对倾斜车牌的效果。
[0032]此外，本专利技术还提供了一种车牌识别模型生成及车牌识别装置和电子设备，同样具有上述有益效果。
附图说明
[0033]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0034]图1为本专利技术实施例提供的一种车牌识别模型生成方法的流程图；
[0035]图2为本专利技术实施例提供的一种车牌识别方法的流程图；
[0036]图3为本专利技术实施例提供的一种车牌识别方法的流程示例图；
[0037]图4为本专利技术实施例提供的一种车牌识别模型生成装置的结构示意图；
[0038]图5为本专利技术实施例提供的一种车牌识别装置的结构示意图；
[0039]图6为本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0040]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0041]请参考图1，图1为本专利技术实施例提供的一种车牌识别模型生成方法的流程图。该方法可以包括：
[0042]S100，对原始车牌图像数据进行数据增强，得到训练车牌图像数据。
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生成方法，其特征在于，包括：对原始车牌图像数据进行数据增强，得到训练车牌图像数据；获取包括初始空间变换模型和初始卷积神经网络模型的初始改进的神经网络模型；其中，所述初始空间变换模型为对图像数据进行仿射变换重新采集像素点的模型；所述初始卷积神经网络模型为将卷积循环神经网络结构中字符识别部分的循环层更改为卷积层的模型；利用所述训练车牌图像数据对所述初始改进的神经网络模型进行训练，生成目标改进卷积神经网络模型。2.根据权利要求1所述的车牌识别模型生成方法，其特征在于，所述对原始车牌图像数据进行数据增强，得到训练车牌图像数据，包括：对所述原始车牌图像数据进行所述数据增强，得到所述训练车牌图像数据；其中，所述数据增强为高斯模糊处理、过度曝光处理、仿射旋转处理、网格扭曲处理和分段扭曲处理中至少一种处理方式。3.根据权利要求1或2所述的车牌识别模型生成方法，其特征在于，所述所述初始空间变换模型为包括约束仿射变换矩阵参数的模型。4.一种车牌识别方法，其特征在于，包括：获取待检测车牌图像；利用目标改进卷积神经网络模型对所述待检测车牌图像进行识别，得到目标车牌识别结果；其中，所述目标改进卷积神经网络模型为根据上述权利要求1至3任一项所述的车牌识别模型生成方法得到的模型。5.根据权利要求4所述的车牌识别方法，其特征在于，所述获取待检测车牌图像，包括：获取视频流，利用目标检测算法从所述视频流中获取所述待检测车牌图像。6.根据权利要求4所述的车牌识别方法，其特征在于，所述利用改进的卷积神经网络模型对待检测车牌图像进行识别，得到目标车牌识别结果，包括：利用所述改进的卷积神经网络模型对相邻帧的多个所述待检测车牌图像进行识别，得到多个车牌信息；对所述...

【专利技术属性】
技术研发人员：孙祺杰，张明宇，周圣强，黄岗，
申请(专利权)人：苏州万店掌软件技术有限公司，
类型：发明
国别省市：