[发明专利]一种基于序列学习的车牌识别方法

说明书

一种基于序列学习的车牌识别方法，属于智能交通技术领域。它通过一个用于字符检测识别的深度神经网络，将车牌图像换为由候选字符构成的序列，然后输入训练得到的序列转换模型，得到新的字符索引序列，最后按索引重组原候选字符，得到车牌识别结果。本发明通过采用上述技术得到的基于序列学习的车牌识别方法，使机器自主学习车牌字符的取舍与排列组合规则，减轻了人工设计启发式规则的压力，借助大量的数据样本学习经验，序列模型能在多制式车牌的识别问题上更加灵活。相比于传统的序列处理方法，诸如隐马尔科夫，本发明能在更长时的依赖中找到序列元素的联系，取得更好的序列转换结果。

技术领域

本发明涉及智能交通技术领域，具体设计一种基于序列学习的车牌识别方法。

背景技术

自动车牌识别是一项融合图像处理、机器学习和模式识别等多项任务的技术。经过数十年的发展，车牌识别技术已经步入大规模商用阶段，其应用领域包括公共场所门禁、交通卡口监控和交通路口监控等。

随着智慧交通技术的发展，商用车牌识别系统已将深度学习运用到了实际问题的解决方案中，并且宣布其车牌识别率高达99％。文献(Y.Zhao,Z.Yu,and X.Li,“Evaluationmethodology for license plate recognition systems and experimental results,”IET Intell.Transp.Syst.,vol.12,no.5,pp.375-385,May 2018.)测试了五款商用车牌识别系统，而实际测试结果显示车牌识别率仅在75％-92％。显然，测试结果与所宣传的指标有所出入反映出车牌识别技术仍有其研究价值，而多种多样的车牌制式是相关研究面临的主要挑战之一。

传统的车牌识别方法将车牌识别分为车牌定位、字符分割和字符识别三个阶段。然而，对于不同制式的车牌，需要制定不同的字符分割方案，而分割时选择错误的字符分割方案意味着字符分割失败。尽管遍历所有的分割方案后再选出最优的分割方案是一个优化选择，但是这带来了极大的资源浪费。此外，字符分割方法受诸多因素的影响，如环境、定位情况、车牌清晰度等。

基于深度学习的车牌识别方法克服了部分传统三阶段车牌识别的缺陷。虽然部分研究着力于用深度学习技术提高各分阶段的效果，但是该类方法忽略了三阶段之间存在的联系。文献(Q.Guo,F.Wang,J.Lei,D.Tu,and G.Li,“Convolutional feature learningand hybrid CNN-HMM for scene number recognition,”Neurocomputing,vol.184,pp.78–90,Apr.2016.)提出一种混合CNN-HMM模型，将车牌识别视为序列处理问题，首先对车牌字符进行过分割，然后将各分割部分输入到CNN进行识别，得到冗余的识别序列，最后采用传统的HMM处理冗余序列，得到最终的识别结果。文献(H.Li,P.Wang,and C.Shen,“Towards End-to-End Car License Plates Detection and Recognition with DeepNeural Networks,”IEEE Trans.Intell.Transp.Syst.,to be published,doi:10.1109/TITS.2018.2847291.)融合了STN、CNN、BRNN和CTC来识别倾斜车牌，其中STN用于矫正倾斜车牌，CNN用于提取特征以辅助车牌检测，BRNN与CTC则将车牌图像作为序列进行识别。然而，大多数端到端车牌识别方法所研究的对象仅限于单行车牌，而实际场景中十分普遍的双行车牌超过了可识别范畴。发明专利(公开号：CN109165643A，名称：一种基于深度学习的车牌识别方法)用定位车牌字符代替定位车牌作为起始步骤，将传统的车牌识别三阶段相互关联，减小误差累积所带来的影响。该方法通过检测车牌字符本身，配合后续的字符筛选和排列组合操作完成车牌识别，不限制所能识别的车牌字符长度，适用于多种车牌制式的车牌，对车牌定位的准确率要求不高。但是，所有检测到的候选字符需要用过人工启发式方法进行后续处理，而不同制式的车牌需要设置不同的人工启发式规则，鲁棒性不够高。