[发明专利]一种基于神经网络的车牌倾斜校正的方法

权利要求书

1.一种基于神经网络的车牌倾斜校正的方法，其特征在于，包括以下步骤：

一、数据制作

将已有的车牌进行不同角度不同程度的倾斜变化和大小归一化而得到训练数据集，并根据其倾斜程度将训练数据集划分为25类，每张图片的大小为72*32，而且各自有一个特定的标签，随机抽取部分数据作为测试集；

二、倾斜校正网络设计

倾斜校正网络具体分为以下八层：

第一层为输入层，首先将大小为72*32的原始图片归一化，原始图片的每个像素点像素大小为1-255，对所有像素进行除以255的运算，得到一组大小为0-1维度为[72,32]浮点型数组，这就是第一层输入X；

第二层为卷积层C1，有32个卷积核W_conv1，其中每个卷积核的大小是3*5，每一个卷积核对输入层X进行卷积滤波操作，其中卷积步长为1，卷积得到的输出就是一组含有32个特征的向量集合输出:

H_conv1＝Relu(conv2d(X,W_conv1)+b_conv1) (1)

其中应用Relu激励函数和conv2d函数，b_conv1为偏置项；

第三层为池化层P1，选择最大池化操作：

H_pool1＝max_pool_2×2(H_conv1) (2)

池化层大小2*2，池化后每个特征图像大小变为36*16；

第四层为卷积层C2,设计有64个卷积核W_conv2，其中每个卷积核大小是3*5，每个卷积核对H_pool1进行卷积操作：

H_conv2＝Relu(conv2d(H_pool1,W_conv2)+b_conv2) (3)

其中应用Relu激励函数和conv2d函数，b_conv2为偏置项；

第五层为池化层P2，选择最大池化操作：

H_pool2＝max_pool_2×2(H_conv2) (4)

池化后每个特征大小就为18*8；

第六层为全连接层S1，其中神经元个数为500，将第五层池化后的向量一维化后与其相连接，这样权值向量为18*8*64：500：

H_fc1＝Relu(H_{pool2_1}×W_fc1+b_fc1) (5)

其中应用Relu激励函数，b_fc1为偏置项，W_fc1为全连接层S₁的权值，H_{pool2_1}是H_pool2一维化后的值；

第七层为全连接层S2，其中神经元个数为25，将第六层全连接层和其连接，权值向量为500：25：

H_fc2＝H_fc1×W_fc2+b_fc2 (6)

其中b_fc2为偏置项，W_fc2为全连接层S₂的权值；

第八层为输出层，利用Softmax函数选择概率最大的那个分类得到输出Y

Y＝Softmax(H_fc2) (7)

三、训练网络

训练过程包括前向传播过程和后向传播过程；

四、使用训练好的网络

参数保存好后就可以永久的使用整个网络；

所述步骤三中后向传播过程包括以下步骤：

记住实际输出Y和理想输出的差：

按极小化整体均值误差的BP算法更新所有的权值也就是W_conv1、b_conv1、W_conv2、b_conv2、W_fc1、b_fc1、W_fc2、b_fc2；

在完成1000次训练后在测试集上准确率达到90％，至此结束整个训练过程，并本地持久化保存网络所有的参数。