[发明专利]基于深度学习的快速车牌识别方法

说明书

本发明提供了基于深度学习的快速车牌识别方法，其基于一定数量的不同情况下的车牌数据集，通过随机替换字符所在区域的方式生成不同内容的车牌数据，并且对车牌数据进行图像增强处理，并结合长短期记忆人工神经网络LSTM搭建形成卷积神经网络模型，和利用CTC损失函数优化模型，最后将对待检测车辆拍摄得到的图像输入到相应的模型中，从而得到相应的车牌号码信息，其能够对在非水平方向拍摄或者存在透视变换的车牌图像进行有效的识别，从而提高对不同场景环境中存在的车辆进行车牌识别的快速性、精确性和可靠性。

技术领域

本发明涉及图像识别的技术领域，特别涉及基于深度学习的快速车牌识别方法。

背景技术

目前，车牌识别主要是对行车出入口的车辆进行图像拍摄和图像识别，并且其要求识别的车牌尺寸大小必须在一定的范围内，当在不同的识别环境下，车牌的位置可能会发生不同程度的偏移，从而导致无法对车牌进行有效的和可靠的识别，这严重地影响了车牌识别的准确性。现有技术的车牌识别技术都是针对对车牌进行水平拍摄得到的图像而实现的，其无法对非水平拍摄或者存在透视变换的车牌图像进行有效的识别，并且该车牌识别技术无法对道路上海量的车辆进行及时的识别，这大大降低车牌识别技术对不同场景环境中存在的车辆进行快速的和适应性强的识别操作。

发明内容

针对现有技术存在的缺陷，本发明提供基于深度学习的快速车牌识别方法，其通过获取在不同角度拍摄得到的车牌图像数据，并将该车牌图像数据转换整合为车牌数据集，再利用随机替换字符的方式对该车牌数据集进行处理，从而生成不同内容的车牌数据，并对生成的车牌数据进行图像增强处理，并通过深度卷积神经网络模型对图像增强处理后的车牌数据进行处理，再利用长短期记忆人工神经网络LSTM对该深度卷积神经网络模型处理的结果进行学习，并对该学习的结果进行优化处理，再对待检测车辆的前方区域进行拍摄，以此获得相应的车辆头部图像，再对该车辆头部图像进行分析处理，从而确定该车辆头部图像是否存在车牌信息，最后将确定存在车牌信息的该车辆头部图像输入至经过训练与优化处理后的该深度卷积神经网络模型，以此对该车辆头部图像进行车牌号码识别处理，从而输出该待检测车辆对应的车牌号码信息；可见，该基于深度学习的快速车牌识别方法基于一定数量的不同情况下的车牌数据集，通过随机替换字符所在区域的方式生成不同内容的车牌数据，并且对车牌数据进行图像增强处理，并结合长短期记忆人工神经网络LSTM搭建形成卷积神经网络模型，和利用CTC损失函数优化模型，最后将对待检测车辆拍摄得到的图像输入到相应的模型中，从而得到相应的车牌号码信息，其能够对在非水平方向拍摄或者存在透视变换的车牌图像进行有效的识别，从而提高对不同场景环境中存在的车辆进行车牌识别的快速性、精确性和可靠性。

本发明提供基于深度学习的快速车牌识别方法，其特征在于，其包括如下步骤：

步骤S1，获取在不同角度拍摄得到的车牌图像数据，并将所述车牌图像数据转换整合为车牌数据集，再利用随机替换字符的方式对所述车牌数据集进行处理，从而生成不同内容的车牌数据，并对生成的车牌数据进行图像增强处理；

步骤S2，通过深度卷积神经网络模型对图像增强处理后的车牌数据进行处理，再利用长短期记忆人工神经网络LSTM对所述深度卷积神经网络模型处理的结果进行学习，并对所述学习的结果进行优化处理；

步骤S3，对待检测车辆的前方区域进行拍摄，以此获得相应的车辆头部图像，再对所述车辆头部图像进行分析处理，从而确定所述车辆头部图像是否存在车牌信息；

步骤S4，将确定存在车牌信息的所述车辆头部图像输入至经过训练与优化处理后的所述深度卷积神经网络模型，以此对所述车辆头部图像进行车牌号码识别处理，从而输出所述待检测车辆对应的车牌号码信息；

进一步，在所述步骤S1中，获取在不同角度拍摄得到的车牌图像数据，并将所述车牌图像数据转换整合为车牌数据集具体包括：

步骤S101，以不同角度对不同车辆的车牌进行拍摄，以此获得关于所述不同车辆的车牌图像数据；