[发明专利]车牌图像筛选模型的构建方法与车牌图像筛选方法

权利要求书

1.一种车牌图像筛选模型的构建方法，其特征在于，所述方法包括：

获取车牌图像的误差分布样本数据；

对所述车牌图像的误差分布样本数据进行特征提取，通过提取的特征对预设的鉴别网络进行模型训练；

根据模型训练结果调整所述鉴别网络的交叉熵损失函数，直至所述交叉熵损失函数最小化，得到车牌图像筛选模型。

2.根据权利要求1所述的方法，其特征在于，所述获取车牌图像的误差分布样本数据包括：

获取车牌图像样本数据；

对所述车牌图像样本数据进行卷积处理，根据卷积处理后的特征图进行特征向量边框回归处理，得到车牌字符定位数据；

提取所述车牌字符定位数据的统计特征图，根据所述统计特征图进行非线性特征提取处理，得到车牌字符识别正确数据和车牌字符识别错误数据；

根据所述车牌字符识别正确数据和所述车牌字符识别错误数据，得到车牌图像的误差分布样本数据。

3.根据权利要求2所述的方法，其特征在于，所述对所述车牌图像样本数据进行卷积处理，根据卷积处理后的特征图进行特征向量边框回归处理，得到车牌字符定位数据之前，还包括：

获取车牌图像训练数据，对所述训练数据中的每张车牌图像分别进行归一化处理，获得归一化处理后的车牌图像；

分别通过预设不同大小的卷积核对归一化处理后的车牌图像进行卷积操作，得到特征图集合；

将所述特征图集合中的特征图转化为特征向量，基于所述特征向量进行边框回归处理确定车牌字符预测框，计算所述车牌字符预测框与车牌字符真实框之间的距离；

基于距离计算结果调整预设神经网络的损失函数，直至距离计算结果满足预设条件，得到车牌字符定位模型；

所述对所述车牌图像样本数据进行卷积处理，根据卷积处理后的特征图进行特征向量边框回归处理，得到车牌字符定位数据包括：

将所述车牌图像样本数据输入至所述车牌字符定位模型，获得车牌字符定位数据。

4.根据权利要求2所述的方法，其特征在于，所述提取所述车牌字符定位数据的统计特征图，根据所述统计特征图进行非线性特征提取处理，得到车牌字符识别正确数据和车牌字符识别错误数据之前，还包括：

获取车牌字符识别训练数据，提取所述训练数据中车牌字符区域的统计特征图集合；

对所述统计特征图集合进行降维处理，对降维处理后的统计特征图集合进行非线性特征提取，获得车牌字符识别结果；

当所述车牌字符识别结果与实际车牌字符不一致时，调整预设神经网络的损失函数，直至所述车牌字符识别结果与所述实际车牌字符一致，得到车牌字符识别模型；

所述提取所述车牌字符定位数据的统计特征图，根据所述统计特征图进行非线性特征提取处理，得到车牌字符识别正确数据和车牌字符识别错误数据包括：

将所述车牌字符定位数据输入至所述车牌字符识别模型，获得车牌字符识别正确数据和车牌字符识别错误数据。

5.一种车牌图像筛选方法，所述方法包括：

获取待识别的车牌图像；

读取预设的车牌图像筛选模型，所述车牌图像筛选模型由权利要求1-4任一项所述的方法构建；

将所述待识别的车牌图像输入至所述车牌图像筛选模型；

根据所述车牌图像筛选模型的输出结果，对所述待识别的车牌图像进行筛选，获得筛选后的车牌图像。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

读取预设的车牌图像识别模型；

将所述筛选后的车牌图像输入至所述车牌图像识别模型，获得所述待识别车牌图像的识别结果。

7.一种车牌图像筛选模型的构建装置，其特征在于，所述装置包括：

样本获取模块，用于获取车牌图像的误差分布样本数据，所述误差分布样本数据包括车牌字符识别正确数据和车牌字符识别错误数据；

模型训练模块，用于基于所述车牌字符识别正确数据以及所述车牌字符识别错误数据对预设的鉴别网络进行模型训练；

模型生成模块，用于根据模型训练结果调整所述鉴别网络的参数，直至满足预设的停止条件，得到车牌图像筛选模型。