一種建立車牌識別模型的方法及裝置制造方法及圖紙

一種建立車牌識別模型的方法及裝置，其中，所述建立車牌識別模型的方法，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，對神經網絡模型進行訓練，直至所述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神經網絡模型的損失函數的損失值收斂于預設值，繼而利用訓練好的神經網絡模型對待識別車牌圖像進行車牌信息識別，避免了繁瑣的車牌分割過程，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。

Method and device for establishing license plate recognition model

And a device, a method of establishing the model of license plate recognition, including the license plate recognition method, establish model: the license plate image acquiring a plurality of vehicles; the license plate image to a predetermined size, to get the license plate image sample; the plurality of license plate image samples and the samples of the license plate image as the training data, the neural network model was trained, until the identification of the neural network model of the license plate image sample license plate information rate is greater than the preset threshold or the loss function of the neural network model of the loss value converges to the preset value, and then use the trained neural network model to identify the license plate license plate information to image recognition. To avoid the tedious process of license plate segmentation, can not solve the existing license plate recognition method to adapt to complex environment and the recognition process takes strict Heavy problem.

【技術實現步驟摘要】
一種建立車牌識別模型的方法及裝置
本專利技術涉及圖像識別
，具體涉及一種建立車牌識別模型的方法及裝置。
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。
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建立車牌識別模型的方法，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，對神經網絡模型進行訓練，直至所述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第一預設閾值或者神經網絡模型的損失函數的損失值收斂于預設值。優選地，所述神經網絡模型為卷積神經網絡模型。優選地，所述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；所述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，對神經網絡模型進行訓練，直至所述神經網絡模型對車牌圖像樣本中車牌信息的識別率大于預設閾值或者神經網絡模型的損失函數的損失值收斂于預設值，包括：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，對神經網絡模型進行訓練，直至所述神經網絡模型的多個字符結果輸出層對車牌圖像樣本中多個字符的識別結果的識別率大于預設閾值或者神經網絡模型的損失函數的損失值收斂于預設值。優選地，所述神經網絡模型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，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。相應地，本專利技術還提供一種建立車牌識別模型的裝置，包括：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，對神經網絡模型進行訓練，直至所述神經網絡模型對所述車牌圖像樣本中車牌信息的識別率大于第一預設閾值或者神經網絡模型的損失函數的損失值收斂于預設值。優選地，所述神經網絡模型為卷積神經網絡模型。優選地，所述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；所述訓練單元，包括：訓練子單元，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，對神經網絡模型進行訓練，直至所述神經網絡模型的多個字符結果輸出層對車牌圖像樣本中多個字符的識別結果的識別率大于預設閾值或者神經網絡模型的損失函數的損失值收斂于預設值。優選地，所述神經網絡模型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，所述車牌圖像樣本獲取單元包括：坐標與尺寸大小獲取單元，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；車牌圖像樣本確定單元，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。本專利技術技術方案具有以下優點：通過獲取多個車輛的車牌圖像，將車牌圖像擴大到預設尺寸，得到車牌圖像樣本，并將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，對神經網絡模型進行訓練，直至神經網絡模型對車牌圖像樣本車牌信息的識別率大于第一預設閾值或者神經網絡模型的損失函數的損失值收斂于預設值，繼而利用訓練好的神經網絡模型對待識別車牌圖像進行車牌信息識別，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1提供的一種建立車牌識別模型的方法的流程圖；圖2是本專利技術實施例2提供的一種建立車牌識別模型的裝置的結構示意圖；圖3是本專利技術實施例3提供的一種車牌信息識別方法的流程圖；圖4是本專利技術實施例4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，如圖1所示，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神經網絡模型的輸入層大小，本實施例神經網絡模型輸入層的大小為128x128。車牌圖像的獲取采用ACF檢測算法進行車牌定位。S12，將車牌圖像擴大到預設尺寸，得到車牌圖像樣本。ACF檢測算法檢測到的車牌可能存在未包含完整的車牌區域的小概率事件情況，從而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大小；其中通過ACF檢測算法得到車牌圖像，利用最小外接矩形方法得到車牌圖像的坐標與圖像尺寸大小。S122，根據車牌圖像的坐標與尺寸大小，確定車牌圖像的圖像中心點；S123，以圖像中心點為中心，按照預設尺寸進行車牌圖像擴展，得到車牌圖像樣本。其中所述車牌圖像樣本的尺寸大于車牌圖像尺寸，預設尺寸可以是獲取的車牌圖像的長度與寬度中的最大值，或者根據得到車牌圖像的實際尺寸統計結果作為擴展尺寸，其中統計數據可以是隨機車牌圖像尺寸數據的平均值。S13，將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，對神經網絡模型進行訓練，直至神經網絡模型對車牌圖像樣本車牌信息的識別率大于第一預設閾值或者神經網絡模型的損失函數的損失值收斂于預設值。所述損失值用于計算神經網絡模型的收斂速度，當損失函數的損失值在預設值的一定范圍內變化時，即可認為損失函數值不再下降，其中神經網絡模型為卷積神經網絡模型，將得到的車牌圖像樣本輸入到輸入層，經過若干層卷積層和池化層，本專利技術本文檔來自技高網...

【技術保護點】
一種建立車牌識別模型的方法，其特征在于，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，對神經網絡模型進行訓練，直至所述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神經網絡模型的損失函數的損失值收斂于預設值。

【技術特征摘要】
1.一種建立車牌識別模型的方法，其特征在于，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，對神經網絡模型進行訓練，直至所述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神經網絡模型的損失函數的損失值收斂于預設值。2.根據權利要求1所述的方法，其特征在于，所述神經網絡模型為卷積神經網絡模型。3.根據權利要求1所述的方法，其特征在于，所述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；所述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，對神經網絡模型進行訓練，直至所述神經網絡模型對車牌圖像樣本中車牌信息的識別率大于預設閾值或者神經網絡模型的損失函數的損失值收斂于預設值，包括：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，對神經網絡模型進行訓練，直至所述神經網絡模型的多個字符結果輸出層對車牌圖像樣本中多個字符的識別結果的識別率大于預設閾值或者神經網絡模型的損失函數的損失值收斂于預設值。4.根據權利要求3所述的方法，其特征在于，所述神經網絡模型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。5.根據權利要求1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...

【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