[发明专利]一种基于快慢结合云计算环境的深度学习的车牌识别方法

说明书

技术领域

本发明涉及大数据计算、人工智能、云计算领域，具体涉及到一种基于快慢结合云计算环境的深度学习的车牌识别方法。

背景技术

随着监控视频应用的日益普及，监控视频出现了高清化、海量化、网络化、智能化的趋势，监控视频的智能化、实时化处理需求日益突出。云计算技术的出现使得海量的视频数据处理、挖掘成为可能。

自2006年以来，深度学习(deep learning)(也通常叫做深层结构学习或分层学习)已经成为机器学习领域的一个新兴领域。在过去几年中，深度学习技术的发展已经对信号和信息过程领域产生广泛的影响，并将继续影响到机器学习和人工智能的其它关键领域。

现存的车牌识别系统很多有图像的高分辨率与识别速度相矛盾的问题，所识别的车牌大小固定，而对过大和过小的车牌一般都不能准确识别。

发明内容

为解决现有技术中的缺点和不足，本发明提出了一种基于快慢结合云计算环境的深度学习的车牌识别方法，根据目前云计算技术的不同处理技术的特点，将深度学习与实时云计算技术结合，将两类不同的云计算技术融合，以深度学习为支撑，系统能够大大提高目标识别的准确率；以实时云计算为支撑，系统能够大大提高识别与追踪的效率。

本发明的技术方案是这样实现的：

一种基于快慢结合云计算环境的深度学习的车牌识别方法，包括：数据采集层、批处理层、实时层以及服务层，批处理层存储视频流，进行深度学习的训练；

实时层进行车牌识别；

服务层将结果可视化，提供给用户。

可选地，所述批处理层进行深度学习的训练的步骤，包括：

批处理层存储来自流媒体服务器的视频流，将视频流存储到HDFS中，利用历史数据构建训练数据集，利用MapReduce训练卷积神经网络，得到最优的卷积神经网络参数。

可选地，所述实时层进行车牌识别的步骤，包括：

实时层采集来自流媒体服务器的实时视频流，将实时视频流解码为帧图像之后将其作为Storm的输入源，将每一帧图像传入Storm中进行处理；

在Storm中分别经过车牌区域识别、车牌分割、字符识别步骤，最终输出车牌号。

可选地，所述服务层将结果可视化的步骤，包括：在服务层创建面向问题的视图，服务层通过对实时层和批处理层进行聚合，通过可视化的方式将结果呈现给客户端。

本发明的有益效果是：

(1)通过并行化深度学习，减少训练时间，优化训练效果，有效地提高了训练效率；

(2)利用Storm实时识别，达到实时识别的目的；

(3)根据用户需求，将用户查询结果反馈给用户。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于快慢结合云计算环境的深度学习的车牌识别方法总体流程图；

图2为本发明中利用训练好的卷积神经网络进行实时识别的流程图；

图3为本发明中批处理层训练神经网络的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明基于快慢结合云计算环境的深度学习的车牌识别方法，包括：数据采集层、批处理层、实时层以及服务层。

下面结合图1、图2以及图3，对基于快慢结合云计算环境的深度学习的车牌识别方法的流程进行详细说明：

如图2所示，实时层采集来自流媒体服务器的实时视频流，将实时视频流解码为帧图像之后将其作为Storm的输入源，将每一帧图像传入Storm中进行处理(通过storm的spout进行处理)。在Storm中分别经过车牌区域识别(通过检测bolt)、车牌分割(通过分割bolt)、字符识别(通过识别bolt)等步骤，最终输出车牌号，其中在字符识别中使用批处理层训练好的深度学习网络。