[发明专利]一种基于自适应位置分割的车牌字符识别方法

权利要求书

1.一种基于自适应位置分割的车牌字符识别方法，其特征在于，包括如下步骤：

S1、构建深度神经网络模型，该深度神经网络模型包括基础网络、车牌位置校正网络、车牌字符分割网络和车牌字符识别网络；

S2、收集车牌样本图像，对所构建的深度神经网络模型进行训练，得到自适应字符分割识别模；

S3、利用所述自适应字符分割识别模，对待识别车牌图像进行车牌字符识别；

所述基础网络包括：卷积层conv0、最大值池化层pool0以及5个残差网络基础机构体resblock0、resblock1、resblock2、resblock3和resblock4；卷积层conv0的核尺寸为3x3且跨度为2，最大值池化层pool0的核尺寸为2x2且跨度为2；

所述基础网络的输入图像是任一幅宽度为192像素、高度为64像素的3通道RGB图像，其输出是输入图像的高层特征层feature map；

所述残差网络基础机构体数量为至少3个；

残差网络基础机构体包括分支brance1、分支brance2和合并层eltsum，分支brance2包括brance2_0和brance2_1；

分支brance1、分支brance2和合并层eltsum均为卷积层，分支brance1和分支brance2的输出接入合并层eltsum；

所述车牌位置校正网络的输入特征图像为所述高层特征层feature map，输出特征图像是校正后的高层特征层correct feature map，所述车牌位置校正网络对所述高层特征层feature map进行处理的过程包括：

将所述高层特征层feature map依次通过1个核尺寸为3x3且跨度为1的卷积层para_conv_0，通过2个核尺寸为3x3且跨度为2的卷积层para_conv_1、para_conv_2以及通过1个全连接层para_fc，输出9个特征参数；

将9个特征参数按顺序组合成一个3x3的矩阵，并将该矩阵的逆矩阵确定为校正车牌位置的空间变换矩阵；

基于所述校正车牌位置的空间变换矩阵，获取输出特征图像和输入特征图像之间的像素位置对应关系；

采用改进的双线性插值算法计算输入特征图像上对应像素位置的灰度值；

基于输出特征图像和输入特征图像之间的像素位置对应关系，得到输出图像上每一个像素位置的灰度值，得到校正后的高层特征层correct feature map；

所述车牌字符分割网络包括一个核尺寸为3x3且跨度为2的卷积层conv_rect0，卷积层conv_rect0的输出分别接q个字符位置分割网络的输入；

将所述车牌位置校正网络的输出结果通过卷积层conv_rect0；

将卷积层conv_rect0的输出结果再分别经过q个字符位置分割网络，得到q个字符的局部特征图像；

所述车牌字符识别网络包括1个核尺寸为3x3且跨度为2的卷积层char_conv0，卷积层char_conv0的输出接1个全连接层char_fc0的输入，全连接层char_fc0输出接连接层concat；

将所述q个字符的局部特征图像通过卷积层char_conv0；

将卷积层char_conv0的输出结果通过全连接层char_fc0后，输出车牌字符识别结果。

2.如权利要求1所述的基于自适应位置分割的车牌字符识别方法，其特征在于，所述步骤S2包括：

收集车牌图像作为车牌样本图像，并对车牌样本图像进行预整理，得到标注车牌字符位置矩形的局部车牌图像；

采用图像增强方法对预整理后的车牌样本图像进行扩充，并将扩充后的车牌样本图像作为车牌样本图像集合；

对车牌样本图像集合中的图像进行尺寸归一化操作，得到归一化后的图像；

利用归一化后的图像对所述深度神经网络模型进行训练，得到所述自适应字符分割识别模。

3.如权利要求1所述的基于自适应位置分割的车牌字符识别方法，其特征在于，所述步骤S3包括：

对待识别车牌图像进行预整理，得到待识别车牌图像的局部车牌图像；

对待识别车牌图像的局部车牌图像进行归一化处理，得到归一化后的待识别车牌图像的局部车牌；

将归一化后的待识别车牌图像的局部车牌送入所述自适应字符分割识别模，得到待识别车牌图像的字符识别结果。