一種車牌信息識別方法及裝置制造方法及圖紙

一種車牌信息識別方法及裝置，其中所述車牌信息識別方法包括：獲取待識別圖像；利用卷積神經網絡模型以所述待識別圖像作為所述卷積神經網絡模型的輸入層數據，確定所述待識別圖像的車牌信息，其中所述卷積神經網絡模型是利用多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓練數據訓練得到的，避免了繁瑣的車牌分割過程，提高了車牌信息識別效率和識別結果準確性同時也解決了現有車牌識別方法不能適應復雜多變的環境且識別過程耗時嚴重的問題。

License plate information recognition method and device

A license plate information and device identification methods, including information recognition method, wherein the license plate image acquisition: using convolutional neural network model; to the image to be recognized as input data for the model of a convolutional neural network to determine the vehicle license plate recognition image information, wherein the convolutional neural network model is the use of license plate information of a plurality of license plate image samples and the license plate image in the sample as the training data obtained from the training, avoid the tedious process of license plate segmentation, license plate information improves recognition accuracy and accurate and can not solve the existing license plate recognition method to adapt to complex environment and the recognition process takes a serious problem.

【技術實現步驟摘要】
一種車牌信息識別方法及裝置
本專利技術涉及圖像識別
，具體涉及一種車牌信息識別方法及裝置。
技術介紹
在智能交通領域，車牌識別技術占據著重要的地位。傳統的車牌識別技術一般將車牌識別分為車牌定位、車牌字符分割、車牌字符識別等幾大模塊。現有車牌識別方法為將定位后的車牌圖片字符切割成若干單個字符，繼而車牌字符識別對切割后的單個字符進行識別分類。但是現有車牌識別方法存在一定的缺點，例如，當車牌出現污損、殘缺、斷裂、粘連等情況時，傳統的字符分割方法面臨巨大挑戰，分割正確率急劇下降，直接導致車牌識別失敗。因此，傳統的車牌識別不能適應復雜多變的環境，且車牌識別過程對切割后的單個字符進行識別分類，采取大量數字圖像處理手段，耗時嚴重，且在圖像處理過程中并不知道處理的圖像是否為車輛的車牌圖像，導致識別結果不準確。
技術實現思路
因此，本專利技術要解決的技術問題在于現有車牌識別方法不能適應復雜多變的環境且識別過程耗時嚴重。有鑒于此，本專利技術提供一種車牌信息識別方法，包括：獲取待識別圖像；利用卷積神經網絡模型以所述待識別圖像作為所述卷積神經網絡模型的輸入層數據，確定所述待識別圖像的車牌信息，其中所述卷積神經網絡模型是利用多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓練數據訓練得到的。優選地，所述卷積神經網絡模型為深度學習卷積神經網絡模型。優選地，所述獲取待識別圖像之前，還包括：獲取多個車輛的車牌圖像；將所述車牌圖像擴大到預設尺寸，得到車牌圖像樣本；將所述多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓練數據，對卷積神經網絡模型進行訓練，直至所述卷積神經網絡模型對所述車牌圖像樣本車牌信息的識別率大于預設閾值或者卷積神經網絡模型的損失函數的損失值收斂于預設值。優選地，所述將所述車牌圖像擴大到預設尺寸，得到車牌圖像樣本，包括：獲取所述車牌圖像的坐標與尺寸大小；根據所述車牌圖像的坐標與尺寸大小，確定所述車牌圖像的圖像中心點；以所述圖像中心點為中心，按照所述預設尺寸進行所述車牌圖像擴展，得到所述車牌圖像樣本。優選地，所述卷積神經網絡模型設置有多個字符結果輸出層，所述多個字符結果輸出層分別對應輸出所述車牌圖像樣本中多個字符的識別結果。優選地，所述卷積神經網絡模型還設置有長度結果輸出層，用于輸出所述車牌圖像樣本中字符長度識別結果。優選地，在所述確定所述待識別圖像的車牌信息的步驟之后，還包括：將所述多個字符結果輸出層的輸出結果與第二預設閾值進行比較，當所述字符結果輸出層的輸出結果小于所述第二預設閾值時，判定所述待識別圖像的車牌信息識別錯誤。優選地，在所述確定所述待識別圖像的車牌信息的步驟之后，還包括：當所述多個字符結果輸出層輸出的字符識別結果為預設非真實車牌圖像信息值或者所述長度結果輸出層輸出的車牌長度為預設長度值或者所述多個字符結果輸出層的識別結果中輸出的數字0的數量大于預設數量時，判定所述待識別圖像不是真實車牌圖像。相應地，本專利技術還提供一種車牌信息識別裝置，包括：獲取單元，用于獲取待識別圖像；確定單元，用于利用卷積神經網絡模型以所述待識別圖像作為所述卷積神經網絡模型的輸入層數據，確定所述待識別圖像的車牌信息，其中所述卷積神經網絡模型是利用多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓練數據訓練得到的。優選地，所述獲取單元獲取待識別圖像之前，還包括：車牌圖像獲取單元，用于獲取多個車輛的車牌圖像；車牌圖像樣本獲取單元，用于將所述車牌圖像擴大到預設尺寸，得到車牌圖像樣本；訓練單元，用于將所述多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓練數據，對卷積神經網絡模型進行訓練，直至所述卷積神經網絡模型對所述車牌圖像樣本車牌信息的識別率大于預設閾值或者卷積神經網絡模型的損失函數的損失值收斂于預設值。優選地，所述車牌圖像樣本獲取單元包括：獲取子單元，用于獲取所述車牌圖像的坐標與尺寸大小；圖像中心點確定子單元，用于根據所述車牌圖像的坐標與尺寸大小，確定所述車牌圖像的圖像中心點；車牌圖像樣本獲取子單元，用于以所述圖像中心點為中心，按照所述預設尺寸進行所述車牌圖像擴展，得到所述車牌圖像樣本。優選地，所述卷積神經網絡模型設置有多個字符結果輸出層，所述多個字符結果輸出層分別對應輸出所述車牌圖像樣本中多個字符的識別結果。優選地，所述卷積神經網絡模型設置有多個字符結果輸出層，所述多個字符結果輸出層分別對應輸出所述車牌圖像樣本中多個字符的識別結果。優選地，在所述確定單元確定所述待識別圖像的車牌信息的步驟之后，還包括：第一判定單元，用于將所述多個字符結果輸出層的輸出結果與第二預設閾值進行比較，當所述字符結果輸出層的輸出結果小于所述第二預設閾值時，判定所述待識別圖像的車牌信息識別錯誤。優選地，在所述確定單元確定所述待識別圖像的車牌信息的步驟之后，還包括：第二判定單元，用于當所述多個字符結果輸出層輸出的字符識別結果為預設非真實車牌圖像信息值或者所述長度結果輸出層輸出的車牌長度為預設長度值或者所述多個字符結果輸出層的識別結果中輸出的數字0的數量大于預設數量時，判定所述待識別圖像不是真實車牌圖像。本專利技術技術方案具有以下優點：通過獲取待識別圖像，繼而利用卷積神經網絡模型以待識別圖像作為卷積神經網絡模型的輸入層數據，確定待識別圖像的車牌信息，其中卷積神經網絡模型是利用多個車牌圖像樣本和車牌圖像樣本中的車牌信息作為訓練數據訓練得到的，提高了車牌信息識別效率和識別結果準確性同時也解決了現有車牌識別方法不能適應復雜多變的環境且識別過程耗時嚴重的問題。附圖說明為了更清楚地說明本專利技術具體實施方式或現有技術中的技術方案，下面將對具體實施方式或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本專利技術的一些實施方式，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1是本專利技術實施例2提供的一種車牌信息識別方法的流程圖；圖2是本專利技術實施例3提供的一種車牌信息識別裝置的結構示意圖。具體實施方式下面將結合附圖對本專利技術的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本專利技術一部分實施例，而不是全部的實施例。基于本專利技術中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍。實施例1本專利技術實施例提供一種建立車牌識別模型的方法，包括：S11，獲取多個車輛的車牌圖像。其中多個車牌圖像樣本包括正樣本和負樣本，正樣本為真實車牌圖像，負樣本為非真實車牌圖像，即負樣本可以是車輛其他部位的圖像或者殘缺的車牌圖像，對海量樣本進行標注，標注內容包括車牌號碼和/或車牌字符長度，假牌所有字符都標注為0。最后將所有的樣本縮放到卷積神經網絡模型的輸入層大小，本實施例卷積神經網絡模型輸入層的大小為128x128；真實車輛的車牌圖像用ACF檢測算法對原始圖像進行檢測，得到車牌區域。ACF檢測結果幾乎是完整的車牌圖像，但也可能得到不完整的車牌圖像。S12，將車牌圖像擴大到預設尺寸，得到車牌圖像樣本。由于采用基于ACF檢測算法的車牌圖像過程中，可能導致車牌圖像提取不完整，使得車牌信息識別不準確，為了提高訓練結果精確度，將獲取的車牌圖像區域進行放大，具體包括以下步驟：S121，獲取車牌圖像的坐標與尺寸本文檔來自技高網...

【技術保護點】
一種車牌信息識別方法，其特征在于，包括：獲取待識別圖像；利用卷積神經網絡模型以所述待識別圖像作為所述卷積神經網絡模型的輸入層數據，確定所述待識別圖像的車牌信息，其中所述卷積神經網絡模型是利用多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓練數據訓練得到的。

【技術特征摘要】
1.一種車牌信息識別方法，其特征在于，包括：獲取待識別圖像；利用卷積神經網絡模型以所述待識別圖像作為所述卷積神經網絡模型的輸入層數據，確定所述待識別圖像的車牌信息，其中所述卷積神經網絡模型是利用多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓練數據訓練得到的。2.根據權利要求1所述的方法，其特征在于，所述獲取待識別圖像之前，還包括：獲取多個車輛的車牌圖像；將所述車牌圖像擴大到預設尺寸，得到車牌圖像樣本；將所述多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓練數據，對卷積神經網絡模型進行訓練，直至所述卷積神經網絡模型對所述車牌圖像樣本車牌信息的識別率大于預設閾值或者卷積神經網絡模型的損失函數的損失值收斂于預設值。3.根據權利要求2所述的方法，其特征在于，所述將所述車牌圖像擴大到預設尺寸，得到車牌圖像樣本，包括：獲取所述車牌圖像的坐標與尺寸大小；根據所述車牌圖像的坐標與尺寸大小，確定所述車牌圖像的圖像中心點；以所述圖像中心點為中心，按照所述預設尺寸進行所述車牌圖像擴展，得到所述車牌圖像樣本。4.根據權利要求1-3中任一項所述的方法，其特征在于，所述卷積神經網絡模型設置有多個字符結果輸出層，所述多個字符結果輸出層分別對應輸出所述車牌圖像樣本中多個字符的識別結果。5.根據權利要求4所述的方法，其特征在于，所述卷積神經網絡模型還設置有長度結果輸出層，用于輸出所述車牌圖像樣本中字符長度識別結果。6.根據權利要求4所述的方法，其特征在于，在所述確定所述待識別圖像的車牌信息的步驟之后，還包括：將所述多個字符結果輸出層的輸出結果與第二預設閾值進行比較，當所述字符結果輸出層的輸出結果小于所述第二預設閾值時，判定所述待識別圖像的車牌信息識別錯誤。7.根據權利要求5所述的方法，其特征在于，在所述確定所述待識別圖像的車牌信息的步驟之后，還包括：當所述多個字符結果輸出層輸出的字符識別結果為預設非真實車牌圖像信息值或者所述長度結果輸出層輸出的車牌長度為預設長度值或者所述多個字符結果輸出層的識別結果中輸出的數字0的數量大于預設數量時，判定所述待識別圖像不是真實車牌圖像。8.一種車牌信息識別裝置，其特征在于，包括：獲取單元，用于獲取待識別圖像；確定單元，用于利用卷積神經網絡模型以所述待識別...

【專利技術屬性】
技術研發人員：何建偉，吳香蓮，聶方，蒲津，王宏賓，劉彥，張如高，
申請(專利權)人：博康智能信息技術有限公司北京海淀分公司，
類型：發明
國別省市：北京,11