[发明专利]一种基于深度学习的双层车牌字符识别方法

说明书

本发明公开了一种基于深度学习的双层车牌字符识别方法，本发明涉及车牌识别技术领域，双层车牌字符识别方法包括如下步骤：构建深度神经网络模型，该深度神经网络模型包括字符定位网络、字符合成网络和字符识别网络，字符定位网络、字符合成网络和字符识别网络依次连接，获取双层车牌训练样本图像集合，训练深度神经网络模型，通过训练后的深度神经网络模型，对待识别的双层车牌图像进行识别；该深度神经网络模型消耗内存较小，运算量较小，对车牌字符的识别结果更加准确，鲁棒性更强，解决了传统车牌字符识别效果差、鲁棒性低的缺陷。

技术领域

本发明涉及车牌识别技术领域，尤其涉及一种基于深度学习的双层车牌字符识别方法。

背景技术

车牌字符识别是车牌识别系统的最后一步，也是至关重要的一步，它直接影响着整个系统的识别准确率和效率。近年来，随着新技术方法的出现，对于各种单层车牌图像，如中国的单层蓝牌、单层黄牌、新能源车牌等，国内外已有很多成熟的方法，可以达到很高的准确率。然而对于中国的双层车牌，很少有文献或科研机构进行研究，究其原因，主要是双层车牌相对于单层车牌更加复杂，首先，双层车牌存在双层字符布局，现有的单层车牌识别技术无法适用；其次，双层车牌的字符类型更加丰富，上层车牌字符和下层车牌字符的字体、大小、数目均不一样，对于字符的分割和识别，难度更大；再次，在实际环境中采集的双层车牌图像，字符往往存在分辨率较低、部分变浅或缺失、边缘模糊、字符倾斜等特点，使得准确识别字符变得很困难。基于现有的单层车牌字符识别方法，无法达到满意的准确率。因此，准确识别双层车牌字符，成为国内车牌识别系统的难点。

目前，常用的双层车牌字符识别方法主要是基于灰度投影的方法，如“一种基于投影与识别的双层车牌字符分割方法统”(中国专利申请号：CN201410510488.2)，主要通过对双层车牌图像进行倾斜校正，然后进行水平灰度投影，根据投影曲线的波峰和波谷位置，把双层车牌分割成上、下两部分区域，最后，对于每一部分区域车牌，按照单层车牌字符识别方法进行处理。该类方法对于清晰的双层车牌可以达到很不错的效果，然而对于分辨率较低、边缘模糊、字符倾斜的双层车牌，该类方法往往效果很差，无法准确地进行车牌位置校正、车牌字符分割、车牌字符识别等。

近年来，深度学习技术凭借着可以模拟人类大脑神经网络，能够进行精确的非线性预测，在各个领域都得到了广泛的关注和应用，但该技术的缺点是模型消耗内存很大，运算量很大，因此需要消耗大量的内存和运算能力，同时对于分辨率较低、边缘模糊、字符倾斜的双层车牌，识别效果差，鲁棒性低。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于深度学习的双层车牌字符识别方法，识别结果更加准确，鲁棒性更强；深度神经网络模型的模型消耗内存较小，运算量较小。

本发明提出的一种基于深度学习的双层车牌字符识别方法，包括如下步骤：

构建深度神经网络模型，该深度神经网络模型包括字符定位网络、字符合成网络和字符识别网络，字符定位网络、字符合成网络和字符识别网络依次连接；

通过获取的双层车牌训练样本图像集合，训练深度神经网络模型；

通过训练后的深度神经网络模型，对待识别的双层车牌图像进行识别。

进一步地，所述字符定位网络包括：卷积层conv0、卷积层conv1、最大值池化层maxpool0、最大值池化层maxpool1、上层区域定位模块locUP和下层区域定位模块locBT；所述卷积层conv0的输出接所述最大值池化层maxpool0，所述最大值池化层maxpool0的输出接所述卷积层conv1，所述卷积层conv1的输出接所述最大值池化层maxpool1，所述最大值池化层maxpool1的输出分别接所述上层区域定位模块locUP、所述下层区域定位模块locBT，所述上层区域定位模块locUP用于输出双层车牌上层区域图像，所述下层区域定位模块locBT用于输出双层车牌下层区域图像。