[发明专利]基于深度学习特征对比的船牌识别方法

说明书

本发明公开了一种基于深度学习特征对比的船牌识别方法，本发明采用深度学习卷积神经网络技术构建船只船牌检测模型及船牌字符识别模型，计算速度快、精度高，且对多种光照、背景、环境、船舶外观变化等具有很强的鲁棒性；充分考虑了船牌字符识别中汉字的变化性和多样性，将船牌字符的数字识别和汉字识别分开处理，采用分阶段训练法，先基于logistic loss和cross entropy loss在船牌数字数据集上进行训练，再基于logistic loss和triplet loss在船牌汉字数据集上进行训练，保证了训练效率和收敛速度。此外，基于triplet loss训练可有效应对船牌汉字数据集种类多、分布均匀的情况，在降低类内的距离的同时增大类间差距，提升识别效果。

技术领域

本发明涉及智能识别领域，具体涉及一种基于深度学习特征对比的船牌识别方法。

背景技术

近年来，随着港口经济日益繁荣发展，海洋工程与航道工程的规模和数量不断扩大，与此同时，海上的违章施工、违法采砂、非法走私等行为也随之涌现。由于海上作业面积大、施工海域广、船只作案行为隐蔽且经常存在人工关闭AIS逃避监管的情况，传统的人工出海巡逻执法模式时效性差、危险性强，难以实现船只的有效监管。为了强化管理的维度与力度，港口、岸基等区域架设了大量的高清监控摄像头，可以远距离捕获海上船只的视频图像，为后期执法提供直接证据。借助视频处理和图像识别技术，自动识别监控视频中的船只类型及船牌身份信息，进行结构化数据提取，从而实现船只异常行为的实时监管和黑名单船只预警，将成为海上科技执法与智慧监控的未来发展方向。

由于船牌的统一规范性差，目前船牌识别相关的研究较少且技术尚未成熟。与车牌识别不同，船牌标志的变化性和差异性极大：船牌悬挂位置不统一，船牌背景颜色与字符颜色多种多样缺乏规范，字符个数与字体不统一，船牌字符中的汉字缺乏标准，没有完备的船牌字符集合。因此，现有的发展成熟、性能精准的车牌识别技术难以直接移植到船牌应用中。

专利《一种基于深度学习的自然场景中船牌文字识别方法、装置》(CN107491752A)中，基于深度学习技术训练船舶分类模型、船牌检测模型、船牌分类模型对船舶图像进行文字识别，若识别失败则采用AIS区域检测获取船牌信息。然而，该方法中的船牌分类模型将船牌字符识别作为分类问题进行处理，并未针对船牌识别的特点和难点进行定制设计，在实际应用中船牌字符的汉字类别很多且训练数据集分布不均，将会导致模型训练难、收敛慢、精度低等问题，当出现新的船牌字符时需要对模型进行重新训练，实用性较差。此外，面对人为关闭船只AIS逃避监管的情况，无法进行AIS区域检测以获取船牌信息，船牌识别效果难以保证。

因此，为解决以上问题，需要一种基于深度学习特征对比的船牌识别方法，能够避免现有技术中的船牌识别技术存在精度低、实用性差的技术问题。

发明内容

有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于深度学习特征对比的船牌识别方法，能够避免现有技术中的船牌识别技术存在精度低、实用性差的技术问题。

本发明的基于深度学习特征对比的船牌识别方法，包括下列步骤：

步骤一：获取多张包含船只及船牌的图片，构建船只船牌检测数据集、船牌数字数据集、船牌汉字三元组数据集；

步骤二：基于深度学习卷积神经网络技术构建船只船牌检测卷积神经网络，并在船只船牌检测数据集上进行训练，得到船只船牌检测模型；

步骤三：基于深度学习卷积神经网络技术构建船牌字符识别卷积神经网络；

步骤四：在船牌数字数据集上，采用梯度下降法基于logistic loss和 crossentropy loss训练船牌字符识别卷积神经网络，得到船牌字符识别初步模型；

步骤五：在船牌汉字三元组数据集上，采用梯度下降法基于logistic loss 和triplet loss训练船牌字符识别初步模型，得到船牌字符识别模型；