[发明专利]一种基于端对端的车牌识别方法、装置、设备及存储介质

说明书

本发明公开了一种基于端对端的车牌识别方法、装置、设备以及计算机可读存储介质，包括：采集待识别车辆图像，在所述待识别车辆图像内搜索车牌区域图像；对所述车牌区域图像进行矫正，并将矫正后的车牌区域图像转换为预设大小的车牌灰度图像；将所述车牌灰度图像输入至预先完成训练后的车牌识别卷积神经网络中进行识别，输出所述待识别车辆图像的车牌号码；其中，所述车牌识别卷积神经网络由卷积神经网络、双向长短期记忆网络及CTC算法进行组合获得。本发明所提供的方法、装置、设备以及计算机可读存储介质，提高了车牌识别的准确率及效率。

技术领域

本发明涉及图像识别技术领域，特别是涉及一种基于端对端的车牌识别方法、装置、设备以及计算机可读存储介质。

背景技术

目前，车牌识别设备已经被广泛应用于停车场、城市道路、高速公路等区域进行车辆号牌的自动抓拍和识别。在过去，由于车牌的识别率不高，车主进出停车场主要还是以刷卡为主，车牌识别更多作为月卡或者临时卡的补充或者仅用于保存证据以及上传识别信息到交警局。在过去几年，车牌识别技术得到了迅速发展，车牌的识别率的提高，使纯车牌识别以及无人值守方案变得可行。

传统车牌识别方法虽然识别率有一定的保证，但是过程繁琐，车牌识别需要车牌区域检测、车牌字符分割以及车牌字符识别，不同车牌颜色不同，车牌字符个数也不同，因此识别过程需要考虑多种情况，某些情况也需要车牌类型信息，如新能源车牌、警牌、蓝牌、黄牌等；同时耗时也较多，在特殊环境下高识别率无法得到保证。

且在实际应用中，会有部分车牌出现破损或污损，导致车牌上的字符出现部分缺失或者字符看不清楚的现象。往往会由于字符本身部分缺失导致这些字符无法分割成功。且单位的字符分割，在识别过程中无法利用车牌上的上下文信息。例如第二位识别为“8”，就可以利用上下文信息将“8”修改为“B”。

在传统车牌识别算法中，通常会加入很多的策略来提高分割的准确度，增加了算法的复杂度。传统车牌识别算法使用的是级联的思想，若字符分割失败后，算法就不会继续识别，从而导致整体识别率的下降。

综上所述可以看出，如何提高车牌识别的准确率及效率是目前有待解决的问题。

发明内容

本发明的目的是提供一种基于端对端的车牌识别方法、装置、设备以及计算机可读存储介质，以解决现有技术中的车牌识别算法复杂，识别效率低，在特殊环境下车牌识别的准确率较低的问题。

为解决上述技术问题，本发明提供一种基于端对端的车牌识别方法，包括：采集待识别车辆图像，在所述待识别车辆图像内搜索车牌区域图像；对所述车牌区域图像进行矫正，并将矫正后的车牌区域图像转换为预设大小的车牌灰度图像；将所述车牌灰度图像输入至预先完成训练后的车牌识别卷积神经网络中进行识别，输出所述待识别车辆图像的车牌号码；其中，所述车牌识别卷积神经网络由卷积神经网络、双向长短期记忆网络及CTC算法进行组合获得。

优选地，所述车牌识别卷积网络包括：

卷积核大小为5×5、步长为2、pad为1的第一卷积层，

卷积核大小为3×3、步长为1、pad为1的第二卷积层，

窗口大小为2×2的第一池化层，

卷积核大小为3×3、步长为1、pad为1的第三卷积层，

窗口大小为2×2的第二池化层，

卷积核大小为1×4、步长为1、pad为0的第四卷积层，

双向长短期记忆网络层，全连接层以及CTC算法层。

优选地，所述将所述车牌灰度图像输入至预先完成训练后的车牌识别卷积神经网络中进行识别，输出所述待识别车辆图像的车牌号码包括：