[发明专利]一种基于卷积神经网络的车牌字符识别方法

权利要求书

1.一种用于车牌字符识别的卷积神经网络结构的构建方法，包括步骤A：基于经典卷积神经网络LeNet-5设定车牌识别卷积神经网络初始结构；步骤B：使用预处理后的一组字符样本训练图以及和训练图字符对应的标签对步骤A中设定的初始车牌识别卷积神经网络进行训练，得到训练好的车牌识别卷积神经网络；步骤C：使用预处理后的一组字符样本训练图以及和训练图字符对应的标签对步骤B中训练好的车牌识别卷积神经网络进行测试，得到验证后的车牌识别卷积神经网络；其特征在于：

步骤A中所述车牌识别卷积神经网络初始结构包括2层卷积层、2层采样层、3层dropout层和2层全连接层，按照输入层、第一卷积层、第一采样层、第一dropout层、第二卷积层、第二采样层、第二dropout层、第一全连接层、第三dropout层、第二全连接层和输出层顺次相连，前序层的输出作为当前层的输入；其中所述卷积层用于对输入的图像进行特征提取，所述采样层用于降维和特征整合，所述全连接层用于线性变换，所述dropout层用于简化复杂的网络结构，防止模型过拟合，提高收敛速度，所述输出层与所述第二全连接层构成一个Softmax分类器，所述Softmax分类器用于对字符图片进行分类，输出字符图片对应车牌中的字符。

2.根据权利要求1所述的一种用于车牌识别的卷积神经网络结构的构建方法，其特征在于：所述输入层为36*28 px大小的字符图像，所述第一卷积层和第二卷积层包括4个5*5的卷积核，所述第一采样层和第二采样层的采样窗口为2*2，采用最大池化方法对前序层的输出进行池化，所述第一全连接层包含256个神经元，所述第二全连接层包含128个神经元，所述第一dropout层、第二dropout层和第三dropout层的概率值为0.2~0.5，所述输出层为34个神经元构成的向量，对应除I和O外的24个字母和0~9 十个数字。

3.根据权利要求2所述的一种车牌识别卷积神经网络结构的构建方法，其特征在于：所述第一dropout层的概率值为0.3，第二dropout层和第三dropout层的概率值为0.4。

4.根据权利要求1所述的一种用于车牌字符识别的卷积神经网络结构的构建方法，其特征在于：步骤B中所述的一组字符样本训练图为手写字符图集或者车牌字符图集或者手写字符图集与车牌字符图集的混合图集。

5.根据权利要求4所述的一种车牌识别卷积神经网络结构的构建方法，其特征在于：所述字符样本训练集为10000~12000张。

6.根据权利要求1所述的一种车牌识别卷积神经网络结构的构建方法，其特征在于：所述第一卷积层的特征图数目为4，第二卷积层的特征图数目为12。

7.一种车牌识别方法，包括获取车牌的图像并进行预处理的步骤；对车牌进行人工剪辑方式得到单个车牌字符图像集，然后进行预处理的步骤，以及使用卷积神经网络对预处理后的字符图像进行识别的步骤，其特征在于：所述的卷积神经网络为按权利要求1中步骤训练所得的卷积神经网络。