[发明专利]基于动态调整和局部特征向量联合的车牌检测识别方法

说明书

本发明公开一种基于动态调整和局部特征向量的联合车牌检测识别方法，包括：将含有车牌图像的图片通过卷积网络进行特征提取；提取到的特征图分别被送到车牌定位网络和车牌识别网络进行处理，车牌定位网络在特征图中获取车牌位置，车牌识别网络对车牌的内容进行识别；根据特征图中车牌所在位置，对车牌识别网络输出的识别特征图进行切割，使切割得到的特征图区域对应到原图片中车牌的位置；对特征图区域进行识别，得到车牌识别结果。采用本发明使卷积网络提取的特征能在识别阶段复用,大大减少了计算量，且所复用的特征能够充分学习车牌周围属性，对不同环境条件下的车牌识别更加具有鲁棒性，能够实时的运行于嵌入式设备上以满足商业化需求。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于动态调整和局部特征向量联合的车牌检测识别方法。

背景技术

人类经历了第二此工业革命后，汽车被创造出来，极大的改变了人们的生活方式，并且扩大了人们的活动范围，进入21世纪以来我们汽车拥有量呈爆炸性增长，车辆管理工作也随之增大，城市交通压力也变重。依赖于车牌识别的例如监控定位、跟踪、乱停乱放、违反交规等行为的查处以及跟踪逃犯等需要大量的人工对成千上万的摄像头进行排查，其造成了大量人力成本的浪费，人为因素也有着极大的影响。随着第三次工业革命的发展，对车牌进行识别变得可能。

车牌识别技术最早从20世纪80年代提出，对其已经进行了广泛研究。最开始的车牌识别技术使用了传统的算法进行识别，对于环境、车牌位置角度、车牌本身的污染缺损也会影响正确率。目前典型的车牌识别系统首先对包含车牌的图片进行切割，然后对切割后的图片进行识别，这种方式往往需要严格的切割操作以降低对正确率的影响。

发明内容

为了克服上述缺陷，本发明提出一种基于动态调整和局部特征向量联合的车牌检测识别方法，采用优化的卷积神经网络模型，使得网络网络检测提取到的特征能够在识别阶段复用，从而提高车牌检测识别的速度和正确率。

本发明第一方面，提供一种基于动态调整和局部特征向量联合的车牌检测识别方法，采用以下步骤进行：

将含有车牌图像的图片通过卷积网络进行特征提取；提取到的特征图分别被送到车牌定位网络和车牌识别网络进行处理，所述车牌定位网络在所述特征图中获取车牌位置，所述车牌识别网络对车牌的内容进行识别；根据特征图中车牌所在位置，对所述车牌识别网络输出的识别特征图进行切割，经过动态调整，使切割得到的特征图区域对应到原图片中车牌的位置；对所述特征图区域进行识别，得到车牌识别结果。

进一步，所述车牌定位网络在所述特征图中获取车牌位置的具体过程为，对所述特征图中的特征点进行分类，判断特征点所属类别是否为车牌；以判断为车牌类别的像素点所在位置为中点，对车牌区域进行框回归，得到车牌的准确位置。

进一步，所述根据特征图中车牌所在位置，对所述车牌识别网络输出的识别特征图进行切割，具体为：根据车牌所在位置得到车牌位置列表；按照所述车牌位置列表对所述识别特征图进行切割，获取与车牌数量相应的特征列表。

进一步的，对所述特征图区域进行识别具体为：将所述特征图区域调整成宽度固定的特征属性；利用卷积网络对所述特征图区域进行二次提取，获得高为1的二维特征向量；对所述二维特征向量进行分类，判断单像素点的类别，并编码成车牌识别结果。

进一步的，还包括以下步骤：利用损失函数对切割后的特征图区域进行车牌识别训练。

进一步的，所述车牌定位网络和所述车牌识别网络为同一个卷积网络复用。

更进一步的，所述卷积网络包括卷积层、池化层、激活层和归一化层，其中所述卷积层用于提取图片的空间特征属性，所述池化层用于降低特征图平面维度，所述激活层为非线性函数，使所述卷积网络具有非线性表达能力，所述归一化层用来重新排列数据的分布以健壮表达特征图。