[发明专利]一种基于卷积神经网络的车牌字符识别方法

说明书

本发明公开了一种用于车牌字符识别的卷积神经网络结构的构建方法，包括设定车牌识别卷积神经网络模型，对模型进行训练的步骤，其中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。本发明不仅在每一全连接层中加入dropout层，同时还在卷积层中加入了一个dropout层，并在多次试验中，将每个dropout层的丢弃概率值调整到了合适的值，使网络模型的性能较好，提升了模型的泛化能力和图像字符识别的准确率。

技术领域

本发明涉及机器学习领域，特别涉及基于LeNet-5卷积神经网络构建一种改进的卷积神经网络结构，以用于车牌字符识别。

背景技术

LeNet-5是最早提出的用于识别手写体数字方面的一种卷积神经网络模型。在设计网络时，设定的每层神经元代表一个学习到的中间特征，中间特征为几个权值的组合，网络所有神经元共同作用来表征输入数据的特定属性，以实现对图片进行自动分类等操作。当相对于网络的复杂程度（即网络的表达能力、拟合能力）而言数据量过小时，容易出现过拟合现象，显然这时各神经元表示的特征相互之间存在许多重复和冗余。为了防止这种过拟合现象，提高模型泛化能力，现在不少基于LeNet-5改进的模型被提出，一般是将dropout加在最后的全连接层，但效果不是特别理想，此外，dropout概率值的选取和最终的效果也有必然的联系，需要通过反复试验去对比。同时传统的LeNet-5网络结构包括现有的改进模型在识别相似字符时准确率不是很高且速度慢，容易识别错误，如将7识别成1，手写体2甚至识别成4等。

发明内容

针对上述的背景技术，为克服卷积神经网络车牌字符识别算法中出现的过拟合问题以及相似字符识别率不高速度慢的问题，本发明提出一种用于车牌字符识别的卷积神经网络结构的构建方法，经该方法构建的卷积神经网络模型可显著防止过拟合的发生，提高模型对车牌字符识别的准确率。同时，本发明还提出了改变卷积神经网络特征层数目的车牌字符识别方法。

本发明构建卷积神经网络车牌字符识别的技术方案是：

一种用于车牌字符识别的卷积神经网络结构的构建方法，包括以下步骤：

步骤A：基于经典卷积神经网络LeNet-5设定的用于车牌字符识别的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；

其中步骤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层用于缩减网络臃肿结构，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。