[发明专利]一种基于注意力机制的车牌字符识别方法

权利要求书

1.一种基于注意力机制的车牌字符识别方法，其特征在于：包括以下步骤：

S1、建立深度神经网络模型；

S2、通过标注好的训练样本数据，优化所述深度神经网络模型参数，得到最优深度神经网络模型；

S3、读取车牌图像信息，通过所述最优深度神经网络模型运算，输出的特征图就是该车牌字符属于每一类目标的可信度，选择最大可信度的识别结果作为当前车牌字符的最优识别结果。

2.根据权利要求1所述的基于注意力机制的车牌字符识别方法，其特征在于：所述S1、建立深度神经网络模型；包括：

S11、设计深度神经网络模型的输入图像；

S12、设计主干网络；

所述主干网络包括：卷积层conv0、三个残差网络基础结构体、卷积层conv1、卷积层conv2；

conv0是一个核尺寸是7×7，跨度是4×4的卷积层；

resnetblock0,resnetblock1，resnetblock2是三个残差网络基础结构体，所述残差网络基础结构体包括：maxpool0是一个核尺寸是2×2，跨度是2×2的最大值下采样层，convresnet1_0是一个核尺寸是1×1，跨度是1×1的卷积层，该卷积层的作用是降低特征图通道数，减少后续卷积层的运算量，convresnet1_1是一个核尺寸是3×3，跨度是2×2的卷积层，convresnet1_2是一个核尺寸是1×1，跨度是1×1的卷积层，该卷积层的作用是提升特征图通道数，增加特征丰富度，eltsum是两个输入特征图进行逐像素相加的合并层；

conv1是一个核尺寸是3×3，跨度是1×1的卷积层，其作用是进行合并特征融合；

conv2是一个核尺寸是1×1，跨度是1×1的卷积层，其作用是调整输出特征图的通道数目；

S13、设计注意力网络，根据车牌字符的不同识别类别，自适应的调整注意力，对有利于字符识别的关键区域，分配更多的注意力权值；

S14、设计字符识别网络，通过在步骤S12获取的高维抽象特征图和步骤S13获取的注意力特征图的基础上，进一步提升特征图网络的表达能力，最终识别出车牌字符。

3.根据权利要求2所述的基于注意力机制的车牌字符识别方法，其特征在于：所述S13设计注意力网络，根据车牌字符的不同识别类别，自适应的调整注意力，对有利于字符识别的关键区域，分配更多的注意力权值；具体包括：

注意力网络接入到步骤S12中的残差网络基础结构体resnetblock0后面；所述注意力网络结构包括：

resnetblock3是残差网络基础结构体，所述残差网络基础结构体包括：avepool0是一个均值下采样层，fc0和fc1是两个全连接层，sigmod是激活函数层，其作用是获取每个通道的归一化权值，scale是输入特征图加权层，其作用是对输入特征图的各个通道特征图进行加权；avepool0层、fc0层、fc1层、sigmod层、scale层共同组成了一个SENet结构体；eltsum1是两个输入特征图进行逐像素相加的合并层，conv3是一个核尺寸是3×3，跨度是1×1的卷积层，其作用是进行合并特征融合；conv4是一个核尺寸是3×3，跨度是2×2的卷积层,其作用是生成注意力特征图，注意力特征图的通道数目和字符识别网络中最后的输出特征图通道数相同。

4.根据权利要求3所述的基于注意力机制的车牌字符识别方法，其特征在于：所述对输入特征图的各个通道特征图进行加权，其中加权计算过程如公式(1)；

Fscale_c(x_i,y_j)＝S_c*F(x_i,y_j) (1)

其中，Fscale_c(x_i,y_j)表示输出加权特征图的第c个通道第(x_i,y_j)位置处的数值，S_c表示第c个通道的权重值，F(x_i,y_j)表示输入特征图的第c个通道第(x_i,y_j)位置处的数值。