[发明专利]一种基于循环神经网络模型的车牌识别方法及装置

说明书

本发明公开了一种基于循环神经网络模型的车牌识别方法及装置，首先是获取目标图像，所述目标图像为仅包含目标车牌的区域；其次是将图像进行预处理；通过将预处理后的图像输入到训练网络中，所述训练网络首先是将训练样本集转置后得到的转置数据输入训练网络，然后所述转置数据经过卷积和Pooling得到指定的特征集，最后运用GRU网络进行训练，得到输出每个字符的概率；将所述输出每个字符的概率进行比对，得到车牌号码。其中核心的部分是训练网络的构建，该训练网络能够达到高度分割和识别车牌的效果。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于循环网络神经网络模型的车牌识别方法及转置。

背景技术

我国城市数字化的水平越来越高，而车牌识别是数字化城市中的一项重要的技术。但是由于受到不同的天气、光照、环境和角度条件的影响，实际中车牌识别率一直不是很高。如何提高恶劣环境下的车牌识别率，是当前亟待解决的一个难题。现在技术一般采用“分割”和“识别”这两个模块进行车牌识别。但是每一个模块都有可能出现错误，这样小的错误堆积起来，导致最终的结果达不到最佳的效果。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种训练网络，运用一个训练网络实现了车牌的分割和识别，并且能达到最佳的效果。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于循环神经网络模型的车牌识别方法，其特征在于，包括：

获取目标图像，所述目标图像为仅包含目标车牌的区域；

将图像进行预处理；

通过将预处理后的图像输入到训练网络中，所述训练网络首先是将训练样本集转置后得到的转置数据输入训练网络，然后所述转置数据经过卷积和Pooling得到指定的特征集，最后运用GRU网络进行训练，得到输出每个字符的概率；

将所述输出每个字符的概率，且取概率最大值，得到车牌号码。

优选的是，所述图像预处理，包括：

将图像以经过图像中点的垂直线为分界线，将图片分割成两个子图；

将两个子图分别作直方图拉伸，把直方图的分布拉伸到0到255之间；

分别计算两个子图的均值，再将两个子图的每一个点都分别减去其对应的均值；

得到预处理后的图像。

优选的是，所述训练样本集车牌图像为宽170，高80；所述车牌图像的四周均有空隙和倾斜的角度；所述训练样本大于10万张。

优选的是，所述的转置数据是指将所述样本集的宽高的数据进行交换。

优选的是，获取模块，用于获取目标图像，所述目标图像为仅包含目标车牌的区域；

图像预处理模块，用于将图像进行预处理；

训练模块，用于将预处理后的图像输入到训练网络中，所述训练网络首先是将训练样本集转置后得到的转置数据输入训练网络，然后所述转置数据经过卷积和Pooling得到指定的特征集，最后运用GRU网络进行训练，得到输出每个字符的概率；

车牌识别模块，用于将所述输出每个字符的概率取概率最大值，得到车牌号码；

优选的是，所述图像预处理，包括：

分割模块，用于将图像以经过图像中点的垂直线为分界线，分割成两个子图；

拉伸模块，用于将两个子图分别作直方图拉伸，把直方图的分布拉伸到0到255之间；