[发明专利]一种基于再识别策略的车牌识别方法

说明书

本发明公开了一种基于再识别策略的车牌识别方法，属于智能交通技术领域。它通过训练一个用于车牌字符检测识别的多尺度深度卷积神经网络，对车牌图像进行识别，得到候选车牌字符，再对所有候选字符进行聚类，使得属于同一车牌的字符构成单独的序列集合，接着对各集合进行再识别条件匹配，然后对初次识别结果不想的车牌区域进行粗提取，并用一个轻量级的字符检测识别深度神经网络进行再识别，得到新的车牌字符构成的序列集合，最后将各集合分别串联成车牌识别结果。本发明通过采用上述技术减小误差累积所带来的影响，相比于逐张车牌定位识别过程具有更高的效率与准确率。

技术领域

本发明涉及智能交通技术领域，具体设计一种基于再识别策略的车牌识别方法。

背景技术

自动车牌识别已经被研究了数十年，是一项融合图像处理、机器学习和模式识别等多项任务的技术。不可控的实际环境和多种多样的车牌制式是研究面临的主要挑战。随着智慧交通技术的发展，商用系统已将深度学习运用到了实际问题的解决方案中，并且宣布其车牌识别率高达99％。但是，文献(Y.Zhao,Z.Yu,and X.Li,“Evaluation methodologyfor license plate recognition systems and experimental results,”IETIntell.Transp.Syst.,vol.12,no.5,pp.375-385,May 2018.)测试了五款商用车牌识别系统，而实际测试结果显示车牌识别率仅在75％-92％。显然，测试结果与所宣传的指标有所出入，同时这也反映了实际非受限场景中的车牌识别任务是富有挑战的。

文献(M.Bar,“The proactive brain:using analogies and associations togenerate predictions,”Trends Cogn.Sci.,vol.11,no.7,pp.280–289,July.2007.)通过研究发现人类通过类比与联系进行预测识别。识别可以理解为一个再识别过程，即先模糊地通过类比确定目标的像什么，再通过探究认知的联系明确目标的具体类别。实际上，现有的三阶段车牌识别方法正是模仿了人类识别车牌的行为，将整个车牌识别过程分为车牌定位、字符分割和字符识别。其中，车牌定位属于初次识别，车牌字符分割与识别属于再识别。然而，这种三阶段的车牌识别方法限定了车牌必须逐张识别，且每一步都会累积误差，影响最终的识别。此外，车牌识别方法容易受到光照、分辨率、成像视角、阴影等环境因素的干扰。

为了克服传统三阶段车牌识别的缺陷，深度学习技术被用于车牌识别。基于深度学习的端到端的车牌识别方法使得车牌识别的准确率与鲁棒性进一步提高。文献(Q.Guo,F.Wang,J.Lei,D.Tu,and G.Li,“Convolutional feature learning and hybrid CNN-HMMfor scene number recognition,”Neurocomputing,vol.184,pp.78–90,Apr.2016.)提出一种混合CNN-HMM模型，将车牌识别视为序列处理问题。文献(H.Li,P.Wang,and C.Shen,“Towards End-to-End Car License Plates Detection and Recognition with DeepNeural Networks,”IEEE Trans.Intell.Transp.Syst.,to be published,doi:10.1109/TITS.2018.2847291.)融合了STN、CNN、BRNN和CTC来识别倾斜车牌。然而，大多数端到端车牌识别方法所研究的对象仅限于单行车牌，而实际场景中十分普遍的双行车牌超过了可识别范畴。发明专利(公开号：CN109165643A，名称：一种基于深度学习的车牌识别方法)用直接定位车牌字符代替定位车牌作为起始步骤，将传统的车牌识别三阶段相互关联，减小误差累积所带来的影响。该方法通过检测车牌字符本身，配合后续的字符筛选和排列组合操作完成车牌识别，不限制所能识别的车牌字符长度，适用于多种车牌制式的车牌，对车牌定位的准确率要求不高。但是，实际待识别图像中常包含尺度不一的多张车牌，而现有方法仍旧需要先定位车牌，然后对车牌逐张进行识别。