[发明专利]一种基于精简ResNet残差网络的车牌识别方法

说明书

本发明提出了一种基于精简ResNet残差网络的车牌识别方法,包括如下步骤：一种基于精简ResNet残差网络的车牌识别方法,包括步骤：Ⅰ、输入车牌图片；Ⅱ、使用训练好的网络模型进行车牌识别；Ⅲ、输出识别出到的车牌号。本发明省去了车牌字符切割，手动特征提取等操作，简化了车牌识别过程中的步骤，通过训练好的基于精简ResNet残差网络的模型实现车牌端到端一步识别，减少之前模型的计算量及时间成本，避免误差累积，对车牌有着更好的识别效率和准确率，尤其对边界缺失，因曝光、运动、环境噪音等造成的字符模糊黏连等复杂环境下的车牌识别有着显著的性能提升。

技术领域

本发明涉及车辆车牌自动识别技术领域，具体涉及一种基于精简ResNet 残差网络的车牌识别方法。

背景技术

目前的车牌识别技术的总体解决方案基本上都是通过车牌图片样本训练 车牌识别模型，然后在后续的应用中利用训练好的车牌模型进行识别。

现有车牌模型一般是对车牌图片使用精细的算法进行切割，将各个车牌 字符分开；对各个切割好的字符图片进行特征提取；使用SVM或全连接神经 网络等模型对特征进行分类实现对车牌字符的识别，最终完成车牌识别工作。 通过现有车牌模型对车牌图片进行分割需要很精细的算法，不但难度大，并 且对模糊的车牌图片分割效果较差，对粗略定位的车牌图片需要经过多个流 程进行处理识别，容易造成误差累积，计算量大，耗时多，复杂环境(例如 光照、车速、远距离、环境噪音等)下造成的车牌图片模糊及车牌字符间粘 连时，容易造成无法识别的情况。

发明内容

为了解决上述问题，本发明提出一种基于精简ResNet残差网络的车牌识 别方法。

为实现以上目的，本发明采用的技术方案是：

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。

优选的，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。

进一步的，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。