[发明专利]基于Caffe深度学习框架的车牌字符识别方法

权利要求书

1.一种基于Caffe深度学习框架的车牌字符识别方法，其特征在于，检测方法包括以下步骤：

步骤1：从不同光照强度、倾斜角度、遮挡程度、噪声污染条件下拍摄的多副彩色车牌样本图像；

步骤2：对获得的车牌样本图像预处理，得到分割后的子图像样本，挑选出其中包含字符的子图像样本，组成字符子图像样本集S；

步骤3：对字符子图像样本集S中的每个样本s进行进一步处理，获得处理后的字符子图像样本集S′；

步骤4：将字符子图像样本集S′中的样本按照列表的方式存储起来，并对列表中每一项进行分类标记；

步骤5：构建六层Caffe深度学习网络结构，所述六层依次为卷积层1、池化层1、卷积层2、池化层2、全连接层1、全连接层2；建立网络结构之后对该网络结构的参数进行初始化，初始参数是系统随机生成的；

步骤6：将字符子图像样本集S′中每个样本及其对应的分类标记输入Caffe深度学习网络结构进行字符识别，将识别结果与该图像样本的分类标记进行比较，根据比较结果调整网络结构的参数，得到训练后的Caffe深度学习网络结构；

步骤7：通过电子警察抓拍车牌图像，用于进行车牌字符识别；

步骤8：对获得的车牌图像预处理，得到分割后的子图像，根据子图像在车牌图像中的位置，去除包含汉字的子图像，保留其他包含字符的子图像；

步骤9：对每个字符子图像进行进一步处理，获得处理后的字符子图像；

步骤10：使用步骤6训练获得的Caffe深度学习网络结构对每个处理后的字符子图像进行字符识别，得到识别结果；

步骤11：按顺序合并各个字符子图像的识别结果，得到车牌的识别结果；

所述步骤3和步骤9中的所述进一步处理包括：

1)对图像进行归一化处理，将其大小处理为大小为n×m；

2)对归一化处理后的图像进行倾斜校正；

3)对字符进行缩放运算；先对倾斜校正后的图像进行二值化运算，得到黑白图像，从黑白图像的第一行开始向下扫描，找到第一个像素值为255的像素点，记为点f，判断其下侧相邻的坐标的点中是否也存在像素值为255的像素点，如果有，则认为该f点是字符在垂直方向上的起点，记载其行坐标fx；从黑白图像的最后一行开始向上扫描，找到第一个像素值为255的像素点，记为点1，判断其上侧相邻的坐标的点中是否也存在像素值为255的像素点，如果有，则认为该1点是字符在垂直方向上的终点，记载其行坐标lx；计算字符的高度h＝|fx-lx|；将h与设定的标准高度H相比较，如果小于设定的第一阈值，则对倾斜校正后的图像进行放大处理，所述放大处理方式为采用双线性插值的方式将大小为n×m的图像放大至大小为然后再将放大后的图像进行切割，保留其中间大小为n×m的部分；如果大于设定的第二阈值，则对倾斜校正后的图像进行缩小处理，所述缩小处理方式为采用等间隔采样的方式将大小为n×m的图像缩小为然后再对图像进行边界填充，将其填充为大小为n×m的图像；如果的值大于等于设定的第一阈值且小于等于设定的第二阈值，则不对倾斜校正后的图像进行缩放处理。

2.根据权利要求1所述的Caffe深度学习框架的车牌字符识别方法，其特征在于：所述Caffe深度学习网络结构中卷积层1和卷积层2的计算过程为：

公式(1)中，M_j表示被卷积核作用的输入特征图集合，为M_j集合中的第i个输入特征图，为卷积核的偏置，f(·)为ReLU激活函数，为卷积输出特征图；

池化层1和池化层2的计算公式如下：

公式(2)中down(·)表示池化核函数，f′(·)为激活函数，采用ReLU函数，和分别为每个输出特征图对应的池化权值和加性偏置，为池化输入特征图，为池化输出特征图；

全连接层1和全连接层2计算公式为：

公式(3)中为全连接权值，为全连接偏置，为全连接输入特征图，为全连接输出特征向量，f″(·)为ReLU激活函数。

3.根据权利要求2所述的Caffe深度学习框架的车牌字符识别方法，其特征在于：各层的偏置取值相同，即