[发明专利]一种基于神经网络的车牌倾斜校正的方法

说明书

本发明公开了一种基于神经网络的车牌倾斜校正的方法，包括以下步骤：一、数据制作；二、倾斜校正网络设计；三、训练网络；四、使用训练好的网络；本发明首先在含有车牌的图片中利用图像处理知识定位并提取车牌，然后再利用通过训练得到的网络对其进行前向传播识别并校正，最后切割成一个一个字符，再利用另一个神经网络进行字符识别，与传统的基于Hough线性变换找到边缘在进行仿射变换的方式不同，在复杂、边缘不清晰噪声多的情况下仍然具有较高的校正率，并且运用训练好的网络进行校正时运算量小，速度快。

技术领域

本发明涉及图像处理与深度神经网络领域，具体是一种基于神经网络的车牌倾斜校正的方法。

背景技术

随着汽车的使用越来越广泛与频繁，交通问题也越来越严重，怎样高效快速的管理车辆也就越来越成为了大家研究的一个重点课题，车牌作为车辆唯一的标示也就成为了研究中的重中之重。在智能交通系统中，车牌的识别是智能交通系统的一个重要组成部分，其涉及到车牌的定位、切割、字符识别等技术。在现实中由于各种原因我们抓拍提取到的车牌往往存在着各种不同程度的倾斜，所以这不仅对字符分割带来麻烦，最终也会影响车牌字符识别的准确率，因此在切割之前的车牌倾斜校正是之后切割识别工作的基础非常重要。

申请号为CN200810045686.0的发明专利“一种融合色彩、尺寸和纹理特征的车牌定位方法”公开了“本发明属于图像处理技术领域，特别涉及车牌识别技术中的复杂背景中的车牌定位方法。首先把RBG格式的车牌源图像转换到HSI格式，实现颜色信息与亮度信息的分离；接着把得到的饱和度分量图和亮度分量图进行二值化；然后，基于车牌色彩信息对源图像的像素进行分类，依据分类结果获得车牌定位模板二值图，并采用数学形态学运算对车牌定位模板二值图去除噪声；随后，用区域生长法提取车牌定位模板二值图中的每个连通区域并进行车牌尺寸检查，通过尺寸检查的连通区域成为候选车牌区域；在采用Hough变换对倾斜车牌进行矫正之后，进一步利用车牌竖直纹理特征检查每个候选车牌区域，去除伪候选区。采用本发明可以有效地提高系统的通用性和定位精度”。

类似上述专利的传统的车牌倾斜校正是基于Hough线性变换找到边缘在进行仿射变换，这种方式在车牌区域清晰，边缘清晰的情况下可以能比较好的找到边缘。但是在复杂、边缘不清晰噪声多的时候则很难准确检测边缘，此外此方法也存在计算量大的问题。

发明内容

本发明的目的在于提供一种基于深度学习的车牌倾斜校正方法，以避免了Hough线性变换，以优化车牌倾斜校正效果的车牌倾斜校正的方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于神经网络的车牌倾斜校正的方法，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: