[发明专利]一种基于动态时序卷积神经网络的车牌识别方法

说明书

本发明提出一种基于动态时序卷积神经网络的车牌识别方法，读取原始车牌图像；进行车牌角度矫正，获得待确定识别的车牌图像；输入到预先设计和训练的卷积神经网络，获得具备车牌所有特征的特征图像和时序信息；进行字符识别，基于上一层的时序信息，将特征图像输入到长短期记忆神经网络层的卷积神经网络中，得到分类结果，利用CTC算法解码得到最后的车牌字符结果。本发明通过使用卷积神经网络直接从原图识别视觉模式，自我学习与纠正，一次训练，多次使用，且单次识别时间在毫秒级别，能够应用在需要实时识别车牌的场景。动态时序的长短期记忆神经网络层与CTC算法解码相结合，有效规避漏检，多检等识别错误问题，提高算法鲁棒性。

技术领域

本发明属于计算机视觉、数字图像处理和深度学习领域，具体涉及一种动态时序卷积神经网络的车牌识别方法。

背景技术

车牌识别一直是现代智能交通系统中的研究热点，过去使用较多的车牌识别方法一般为传统的模板匹配和前向反馈神经网络。模板匹配的方法如下:首先将分割后的车牌字符二值化，并将其尺寸大小缩放为字符数据库中模板的大小，然后与所有的模板进行匹配，选择最佳匹配作为结果。这种方法容易处理局部变换，但是应用局限，主要原因为：易受干扰噪声影响。匹配计算量巨大，实时困难。前向反馈神经网络算法较好的解决了车牌识别中因字符残缺导致无法识别的问题。也可避免繁重的数学建模和数据分析工作，并可将信息存储与处理并行，大幅提高运行速度，但是算法受限于前期特征提取，特征提取的质量是影响系统性能的关键因素。

其次，以往的方法无法应用于现在不同种类的车牌。卷积神经网络应用到的长短期记忆神经网络层中需要固定时序值，在识别不同类型的车牌时，导致缺失字符或重复已有字符，影响最后的识别结果，如识别学牌，武警牌和新能源车牌。

发明内容

针对现有技术的不足，提出一种基于动态时序卷积神经网络的车牌识别方法，用以解决不同字符长度的车牌识别结果正确率低，识别结果错误的问题。本发明可兼容识别原有的中文车牌，同时也可以识别8个字符的新能源车牌。本发明不同于传统车牌识别方法，可直接输入原图像，所需要的前期图像预处理步骤较少，特征提取和模式分类同时进行，权值共享可以减少网络的训练参数，提高运行速度，适应性更强。

为了解决上述技术问题，本发明提供一种基于动态时序卷积神经网络的车牌识别方法，包括以下步骤：

读取原始车牌图像；

进行图像预处理，车牌角度矫正，获得待确定识别的车牌图像；

将上述车牌图像输入到预先设计和训练好的卷积神经网络中，获得具备车牌所有特征的特征图像和时序信息；

进行字符识别，将特征图像和时序信息输入到基于动态时序的长短期记忆神经网络层中，得到分类结果，利用CTC算法解码得到最后的车牌字符结果。

作为一种优选方式，所述的车牌角度矫正方法包括以下步骤：

步骤1)：通过canny算子提取车牌图像的边缘，分别统计水平方向上和垂直方向上边缘点的个数，得到基于水平和垂直方向上的边缘点投影直方图；

步骤2)：根据边缘点直方图，确定车牌图像中字符起始和结束位置，起始与结束位置的差值与车牌左右边界点的差值求余弦，获得车牌水平方向上的倾斜角度，从而在水平方向上矫正车牌，再做垂直方向上的矫正，获得矫正完的车牌。

作为一种优选方式，所述的预先设计和训练好的卷积神经网络包括以下步骤：

步骤1)：构建基于动态时序的卷积神经网络，卷积神经网络设置为8层结构，包括1个输入层、4个用于特征提取的卷积层、2个用于特征优化选取的池化层，1个长短期记忆神经网络层；

步骤2)：初始化后，采用随机梯度下降法对构建的卷积神经网络进行迭代训练，每迭代一次计算一次损失函数的值，以获得卷积神经网络结构中各权重值W和偏置值b的最优解，迭代多次后得到本次训练的最优卷积神经网络；