[发明专利]一种基于Faster R-CNN和Inception ResNet_v2模型的车牌识别方法

说明书

本发明提出了一种基于Faster R‑CNN和Inception ResNet_v2模型的车牌识别方法。该方法使用Faster R‑CNN的总体架构，融合了Inception ResNet_v2网络进行特征提取以及最终的分类回归，可以有效的提升对各类车牌的识别率。

技术领域

本发明涉及计算机技术领域，具体来说，本发明是一种基于Faster R-CNN和Inception ResNet_v2模型的车牌识别方法。

背景技术

随着我国公路交通事业的发展，车辆的数量正在迅速增长，在给出行提供方便的同时，车辆管理上存在的问题日益突出，人工管理的方式已经不能满足实际的需要。近年来计算机的飞速发展和计算机视觉技术的日益成熟，为传统的交通管理带来巨大改变。先进的计算机处理技术，不但可以将人力从繁琐的人工观察、监测中解放出来，而且能够大大提高其精确度，汽车牌照自动识别系统就是在这样的背景与目的下进行开发的。关于车牌识别技术及定位系统研究，在我国已经有了十几年的发展历程，但是汽车牌照识别系统作为改进交通管理的有效工具，技术水平仍需完善。车牌识别系统的成功设计、开发和应用具有相当大的社会效益、经济效益和学术意义。基于此，本发明提出了基于Faster R-CNN和Inception ResNet_v2模型的车牌识别方法，该方法可以有效的提升对各类车牌的识别率。

发明内容

本发明提出了一种基于Faster R-CNN和Inception ResNet_v2模型的车牌识别方法。该方法使用Faster R-CNN的总体架构，融合了Inception ResNet_v2网络进行特征提取以及最终的分类回归。

Faster R-CNN模型网络结构如图1所示，原始图像先输入CNN进行特征提取，输出的特征图分为两部分被RPN层和RoI层共享，其中一部分特征图经过RPN层得到多个候选框，之后将候选框投影到另一部分的特征图上共同输入RoI特征图用作后续全连接层的输入进行分类与回归。最后根据NMS算法筛选Boun ding-box，找出最佳位置以及对应的分类概率。

ResNet(Residual Neural Network)引入了残差学习单元(Residual Unit)从而进一步提升图像分类水准。引入残差学习单元，开始的输入信息可以传输到后面的层中，假设输入x经过网络之后，不进行残差计算的输出应该为F(x)，二将x传输到输出之后，输出结果就为H(x)＝F(x)+x，这也就是残差，图2展示了这个过程。ResNet V2中每层网络中的残差学习单元都使用了归一化处理。

Inception ResNet V2模型网络结构如图3所示，该网络是在Inception V3的基础上结合了微软的ResNet2，引入的残差连接替代过滤器的连接，加速了网络收敛，显著提高初试训练速度。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的描述。

图1是Faster R-CNN模型结构图；

图2是模型中的残差单元；

图3是Inception ResNet V2模型精简结构图；

图4是车牌分割算法图；

具体实施方式

基于Faster R-CNN和Inception ResNet_v2模型的车牌识别方法实施步骤如下：

先统一车牌图片大小，然后进行图像预处理，尽可能清晰的区分出字符与背景。灰度化提高图像的对比度，有选择的抑制图像中不需要的特征或者突出需要的特征，Otsu阈值二值化使图像呈现黑白效果，有助于目标轮廓在背景图像中更明显的呈现，同时，图像的数据量变小，使后续处理更加简单。

其次对二值化图像进行优化，为防止车牌的最后一位字符切割不出来，增加左边框，然后根据黑白像素点个数筛选出一定范围的噪声点并去除。

最后通过图像列的黑白像素点分布装进行车牌字符切割。