[发明专利]一种基于上下文信息的车牌字符识别方法

说明书

发明公开了一种基于上下文信息的车牌字符识别方法，包括：构建深度神经网络模型，该深度神经网络模型包括快速提取特征网络、上下文信息网络和识别网络，快速提取特征网络、上下文信息网络和识别网络依次连接；通过获取的车牌字符训练样本图像集合，训练所述深度神经网络模型；通过训练后的深度神经网络模型，对待识别的车牌图像进行识别；字符识别结果更加精确，对相似字符的区分能力更强，鲁棒性更高。

技术领域

本发明涉及车牌识别技术领域，尤其涉及一种基于上下文信息的车牌字符识别方法。

背景技术

车牌识别是智能交通的核心技术，包含了三个大部分：车牌位置检测，车牌字符分割，车牌字符识别。其中，车牌字符识别是整个技术最重要的一部分，车牌字符识别引擎的质量，直接决定车牌识别技术的整体性能。

车牌字符识别是指对于已经精确分割的单个车牌字符，识别出其真实的字母意义，常用的方法有以下几类：

(1)基于全局特征的方法，该类特征采用全局变换来获取字符的整体特征，使用有序的整体特征或者子集特征来构成特征向量，常见的特征有GABOR变换特征、矩特征、投影特征、笔划密度特征、HARR特征、HOG特征等。这些特征的优点是对局部变化不敏感，抗干扰能力强；其缺点是容易忽略某些重要的局部特征，无法区分相似的字符。

(2)基于局部特征的方法，该类特征是在字符的多个局部区域内，计算相应的特征，使用串联的有序局部特征构成最终的特征向量，主要特征包括局部灰度直方图特征、LBP特征、穿线特征、SIFT特征等。该类特征的优点是区分字符的能力强；其缺点是过分关注字符的局部特征，往往会错误区分具有噪声干扰的字符。

(3)基于深度学习的方法，近年来，深度学习技术凭借着可以模拟人类大脑神经网络，能够进行精确的非线性预测，各个领域都得到了广泛的关注和应用，出现了一批经典的目标识别网络框架，如resnet，densenet，LSTM等，这些经典网络框架通过迁移学习，可以很好地识别车牌字符，但该类技术的缺点是较深的网络虽然识别效果好，但是模型消耗内存很大，运算量很大，较浅的网络模型虽然运行速度快，但是识别准确度一般，尤其对于相似字符的区分能力不足。一幅图像里可能会存在多个车牌，进而存在较多的车牌字符，需要一种速度快，准确率高的深度神经网络模型。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于上下文信息的车牌字符识别方法，字符识别结果更加精确，对相似字符的区分能力更强，鲁棒性更高。

本发明提出的一种基于上下文信息的车牌字符识别方法，包括：

构建深度神经网络模型，该深度神经网络模型包括快速提取特征网络、上下文信息网络和识别网络，快速提取特征网络、上下文信息网络和识别网络依次连接；

通过获取的车牌字符训练样本图像集合，训练所述深度神经网络模型；

通过训练后的深度神经网络模型，对待识别的车牌图像进行识别。

进一步地，所述快速提取特征网络包括卷积层conv0、残差网络基础结构体resnetblock0和残差网络基础结构体resnetblock1；

卷积层conv0的输入连接到输入的车牌图像上，卷积层conv0的输出接入残差网络基础结构体resnetblock0的输入，残差网络基础结构体resnetblock0的输出接入残差网络基础结构体resnetblock1的输入，残差网络基础结构体resnetblock1的输出接入上下文信息网络输入。

进一步地，所述残差网络基础结构体resnetblock0或残差网络基础结构体resnetblock1均包括卷积层convresnet0、卷积层convresnet1_0、卷积层convresnet1_1、convresnet1_2、合并层eltsum和卷积层conv2；