[发明专利]一种车牌识别方法及装置

权利要求书

1.一种车牌识别方法，其特征在于，包括：

确定待进行车牌识别的车牌图像；

将所述车牌图像输入到预先训练的卷积神经网络中，进行前向传播，获得所述车牌图像对应的水平图像；

对所述水平图像中的车牌字符进行识别；

其中，通过以下步骤预先训练所述卷积神经网络：

获得样本图像集，所述样本图像集中包含多种角度的样本图像；

从所述样本图像集中选择一个水平的标准图像，将所述标准图像分别与所述样本图像集中每个样本图像组成一个车牌图像对；

针对第1个车牌图像对，将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中，进行前向传播，获得该样本图像对应的输出图像；

将该车牌图像对中标准图像和该输出图像进行对比，确定所述初始卷积神经网络最后一层的输出损失；

将所述初始卷积神经网络最后一层的输出损失进行反向传播，调整所述初始卷积神经网络中每层的网络参数；

针对第i个车牌图像对，重复执行所述将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中，进行前向传播，获得该样本图像对应的输出图像的步骤，直至该车牌图像对对应的输出图像与该车牌图像对中标准图像具有相同的拟合能力，获得训练后的所述卷积神经网络，其中，i≥2；

其中，所述确定待进行车牌识别的车牌图像，包括：

获得目标车辆的车辆图像；

对所述车辆图像的车牌区域进行定位，获得车牌区域图像；

对所述车牌区域图像进行预处理，所述预处理包括灰度处理和基于所述卷积神经网络的尺寸调整；

将预处理后的车牌区域图像确定为待进行车牌识别的车牌图像。

2.根据权利要求1所述的车牌识别方法，其特征在于，所述将该车牌图像对中标准图像和该输出图像进行对比，确定所述初始卷积神经网络最后一层的输出损失，包括：

将该车牌图像对中标准图像和该输出图像的相应像素点相减；

根据相减结果，确定该车牌图像对中标准图像与该输出图像的欧氏距离；

根据所述欧氏距离，确定所述初始卷积神经网络最后一层的输出损失。

3.一种车牌识别装置，其特征在于，包括：

车牌图像确定模块，用于确定待进行车牌识别的车牌图像；

水平图像获得模块，用于将所述车牌图像输入到预先训练的卷积神经网络中，进行前向传播，获得所述车牌图像对应的水平图像；

车牌识别模块，用于对所述水平图像中的车牌字符进行识别；

卷积神经网络训练模块，用于通过以下步骤预先训练所述卷积神经网络：

获得样本图像集，所述样本图像集中包含多个车牌样本图像；

从所述样本图像集中选择一个水平的标准图像，将所述标准图像分别与所述样本图像集中每个样本图像组成一个车牌图像对；

针对第1个车牌图像对，将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中，进行前向传播，获得该样本图像对应的输出图像；

将该车牌图像对中标准图像和该输出图像进行对比，确定所述初始卷积神经网络最后一层的输出损失；

将所述初始卷积神经网络最后一层的输出损失进行反向传播，调整所述初始卷积神经网络中每层的网络参数；

针对第i个车牌图像对，重复执行所述将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中，进行前向传播，获得该样本图像对应的输出图像的步骤，直至该车牌图像对对应的输出图像与该车牌图像对中标准图像具有相同的拟合能力，获得训练后的所述卷积神经网络，其中，i≥2；

其中，所述车牌图像确定模块，具体用于：

获得目标车辆的车辆图像；

对所述车辆图像的车牌区域进行定位，获得车牌区域图像；

对所述车牌区域图像进行预处理，所述预处理包括灰度处理和基于所述卷积神经网络的尺寸调整；

将预处理后的车牌区域图像确定为待进行车牌识别的车牌图像。

4.根据权利要求3所述的车牌识别装置，其特征在于，所述卷积神经网络训练模块，具体用于：

将该车牌图像对中标准图像和该输出图像的相应像素点相减；

根据相减结果，确定该车牌图像对中标准图像与该输出图像的欧氏距离；

根据所述欧氏距离，确定所述初始卷积神经网络最后一层的输出损失。