[发明专利]一种基于精简ResNet残差网络的车牌识别方法在审
申请号: | 201810736742.9 | 申请日: | 2018-07-06 |
公开(公告)号: | CN110688880A | 公开(公告)日: | 2020-01-14 |
发明(设计)人: | 杨公所 | 申请(专利权)人: | 山东华软金盾软件股份有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06N3/04 |
代理公司: | 11641 北京金宏来专利代理事务所(特殊普通合伙) | 代理人: | 许振强;苗彩娟 |
地址: | 250000 山东省济南市高新区舜华路1号齐鲁软*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 车牌识别 残差 车牌 网络 车牌图片 车牌字符 复杂环境 环境噪音 模型实现 时间成本 输出识别 特征提取 网络模型 误差累积 性能提升 端到端 计算量 准确率 切割 模糊 曝光 | ||
1.一种基于精简ResNet残差网络的车牌识别方法,包括如下步骤:
Ⅰ、输入车牌图片;
Ⅱ、使用训练好的网络模型进行车牌识别;所述网络模型训练过程如下:
a、生成或收集各种情况的车牌图片样本,包括不同倾斜度、不同模糊程度、边界缺失或多出、不同光照噪点以及不同环境干扰,使样本多样化;
b、以精简ResNet残差网络作为基础网络,构建起网络模型;
c、训练网络模型;
d、利用训练出的网络模型对车牌图片进行端到端识别及模型评估;
Ⅲ、输出识别出到的车牌号。
2.根据权利要求1所述的一种基于精简ResNet残差网络的车牌识别方法,其特征在于:所述步骤Ⅱ中网络模型包括第一残差结构、第二残差结构、第三残差结构和分类层,所述第一残差结构、第二残差结构和第三残差结构均包括用于特征提取的卷积层、加快训练速度的Batch Normalization层、用于引入非线性因素的ReLu层和ELU层。
3.根据权利要求2所述的一种基于精简ResNet残差网络的车牌识别方法,其特征在于:
所述第一残差结构和第二残差结构各分别包括两个卷积层,每个卷积层的卷积核为3×3,卷积步长为1×1,padding方式为SAME,神经元个数为256;
所述第三残差结构包括恒等映射卷积层和剩余映射卷积层,所述恒等映射卷积层的卷积核为1×1,步长为2×2,padding方式为VALID,神经元个数为512;所述剩余映射卷积层包括两个卷积层,分别为卷积核为3×3,步长为2×2,padding方式为VALID,神经元个数为512的卷积层和卷积核为3×3,步长为1×1,padding方式为SAME,神经元个数为512的卷积层。
4.根据权利要求3所述的一种基于精简ResNet残差网络的车牌识别方法,其特征在于:所述分类层包括最大池化层和两个全连接层,所述最大池化层与其中一个全连接层之间设有Flatten层,用以将输入数据转换成简单的向量;该全连接层经过用以加快训练速度的Batch Normalization层批标准化处理至另一个全连接层,然后将上述处理后的数据经过ELU层非线性变换之后使用reshape函数将数据转换成二维向量,最后通过softmax函数处理产生一系列的预测结果,就是归属分类的一个得分。
5.根据权利要求1所述的一种基于精简ResNet残差网络的车牌识别方法,其特征在于:步骤Ⅱ车牌识别是利用d训练出的网络模型对待测样本进行车牌识别测试,设置置信度阈值,若检测结果置信度得分大于阈值则输出该结果;否则,丢弃。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于山东华软金盾软件股份有限公司,未经山东华软金盾软件股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810736742.9/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种仓储计数方法
- 下一篇:一种称重传送视觉模块