[发明专利]基于神经网络的车牌识别系统

说明书

本发明公开了基于神经网络的车牌识别系统，图像获取模块采集当前驾驶的车辆行驶过程中正前方视角的图像；车辆检测模块针对性检测图像中不同尺寸的车辆，确定车辆在图像中位置；车牌粗回归模块对检测到的车辆进行处理，利用残差网络学习车牌的大致位置信息，获得图像中每一辆汽车的车牌的大致位置信息；车牌精细分类回归模块对车牌进行精细分类回归，利用残差网络来学习车牌的类别信息以及车牌的精确位置信息，车牌识别模块根据车牌的类别信息以及车牌的精确位置信息，对车牌进行分割字符，然后利用神经网络对被分割的字符进行识别。在保证车牌识别精度前提下，提升了车牌识别的泛化能力，降低了车牌模块的计算复杂度。

技术领域

本发明涉及基于神经网络的车牌识别系统，属于车牌识别系统技术领域。

背景技术

研究表明，车牌自动检测和识别是交通收费、车辆违规追踪处理等关键性工具之一，同时在车辆辅助驾驶中也有长足的作用，车辆辅助驾驶简写为ADAS。大多数现有的解决方案在性质上是有限制的，例如门禁系统中的车牌识别收费系统，采用静止状态的工作照相机，使用特定的视角，特定的分辨率，针对特定的车牌模板进行车牌识别处理。然而在更为广阔的现实场景中，由于道路的复杂多样性，车型的复杂多样性，以及车牌的遮挡形变从而造成车牌识别的困难。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于神经网络的车牌识别系统，通过神经网络模型设计一套泛化能力更强，适用性更广的车牌识别系统，能够获得车牌的精准信息，包括车牌的类型、车牌的精确回归框以及车牌的具体信息，从而提升车载ADAS的性能。

为达到上述目的，本发明提供基于神经网络的车牌识别系统，包括以下步骤：

图像获取模块采集当前驾驶的车辆行驶过程中正前方视角的图像；

车辆检测模块基于FPN网络和anchor-free端到端的检测网络框架，针对性检测图像中不同尺寸的车辆；

车牌粗回归模块对图像中检测到的车辆进行处理，利用残差网络学习车牌在图像中的大致位置信息，从而获得图像中每一车辆的车牌的大致位置信息；

根据车牌粗回归模块获得的车牌的大致位置信息，车牌精细分类回归模块对车牌进行精细分类回归，利用残差网络来学习车牌的类别信息以及车牌的精确位置信息，

车牌识别模块根据车牌的类别信息以及车牌的精确位置信息，对图像中的车牌进行分割字符，然后利用神经网络对被分割的字符进行识别。

优先地，车牌精细分类回归模块采用车牌的4个角点作为确定车牌的精确位置信息的特征点。

优先地，图像获取模块包括摄像头，摄像头安装在汽车的前侧。

优先地，车牌精细分类回归模块将车牌分为类别一、类别二和类别三，类别一包括普通蓝牌、教练车黄牌、警车白牌和警车黑牌，类别一的车牌均为7位数；类别二包括新能源绿牌，类别二的车牌均为8位数；类别三包括黄牌。

优先地，采用FPN网络作为主干网络，采用FPN网络作为主干网络，将摄像头获取的图像进行缩放后输入主干网络得到图像中每一车辆的特征信息得到车辆特征，利用图像特征金字塔对车辆特征进行融合，并且使用融合后的车辆特征对图像中车辆的大致位置信息进行检测；

在车辆检测模块中，区分图像中的背景和图像中的车辆，判断图像中每一个像素点是否属于车辆，在神经网络的训练过程中，使用Focal Loss损失函数来学习区分每一个像素点属于车辆还是属于背景：

其中y＝1代表当前像素点属于车辆，y＝0代表当前像素点属于背景，y'代表神经网络分类节点的输出结果；L_fl代表当前像素点真实值与神经网络预测值之间的损失；