[发明专利]嵌入式端实时高效的车牌识别方法、设备及介质

权利要求书

1.一种嵌入式端实时高效的车牌识别方法，其特征在于，包括以下步骤：

读取待识别车牌图像，将所述待识别车牌图像传输至车牌识别网络模型逐层计算后输出车牌识别结果；

其中，所述车牌识别网络模型依次包括第一残差块、第二残差块、第三残差块、第四残差块、第五残差块、第六残差块、第七残差块、第八残差块和输出层；所述第一残差块用于对所述待识别车牌图像进行初次卷积计算，获得第一浅层车牌特征；所述第二残差块用于对所述第一浅层车牌特征进行卷积计算，获得第二浅层车牌特征；所述第三残差块用于对所述第二浅层车牌特征进行卷积计算，获得第三浅层车牌特征；所述第四残差块用于对所述第三浅层车牌特征进行卷积计算，获得第四浅层车牌特征；所述第五残差块用于对所述第四浅层车牌特征进行卷积计算，获得第五浅层车牌特征；所述第六残差块用于对所述第五浅层车牌特征进行卷积计算，获得第一深层车牌特征；所述第七残差块用于对所述第一深层车牌特征进行卷积计算，获得第二深层车牌特征；所述第八残差块用于对所述第二深层车牌特征进行卷积计算，获得第三深层车牌特征；所述输出层用于对所述第三深层车牌特征进行卷积计算，获得车牌识别结果；

所述第一残差块、所述第二残差块、所述第三残差块、所述第四残差块和所述第五残差块均包括卷积神经网络Conv2d层、BatchNorm2d层、激活函数ReLU层和BasicBlock层，所述第一残差块、所述第二残差块、所述第三残差块、所述第四残差块和所述第五残差块的通道个数依次为64、64、128、256和512，所述第一残差块、所述第二残差块、所述第三残差块、所述第四残差块和所述第五残差块输出特征图像的宽度参数依次为88、43、43、22和22；

所述第六残差块和所述第七残差块均包括卷积神经网络Conv2d层、BatchNorm2d层、激活函数ReLU层和Dropout层，所述第六残差块和所述第七残差块的通道个数依次为256和128，所述第六残差块和所述第七残差块输出特征图像的宽度参数依次为20和18；

所述第八残差块包括卷积神经网络Conv2d层、BatchNorm2d层、激活函数ReLU层，所述第八残差块的通道个数为66，所述第八残差块输出特征图像的宽度参数为18；

所述输出层包括卷积神经网络Conv2d层，所述输出层的通道个数为66，所述输出层输出序列的步长为18。

2.根据权利要求1所述的嵌入式端实时高效的车牌识别方法，其特征在于：所述第五残差块的卷积神经网络Conv2d层的卷积核大小为3×3，卷积步长为1×1；所述第六残差块的卷积神经网络Conv2d层的卷积核大小为3×3，卷积步长为1×1；所述七残差块的卷积神经网络Conv2d层的卷积核大小为2×3，卷积步长为1×1；所述第八残差块的卷积神经网络Conv2d层的卷积核大小为1×1，卷积步长为1×1；所述输出层的卷积神经网络Conv2d层的卷积核大小为1×1，卷积步长为1×1。

3.根据权利要求1所述的嵌入式端实时高效的车牌识别方法，其特征在于：所述输出层输出18*66维度数据，每个66维数据经过softmax后，记录最大值的位置；将所有66维数据中的最大值依次存储至同一个一维数组中，获得一个长度为18的第一目标数组；

对所述第一目标数组中相邻并且相同的数字进行去重处理，并去掉第一目标数组中的负样本数字，得到第二目标数组；

读取预置的车牌信息对比表，所述车牌信息对比表为{京:0，沪:1，津:2，渝:3，冀:4，晋:5，蒙:6，辽:7，吉:8，黑:9，苏:10，浙:11，皖:12，闽:13，赣:14，鲁:15，豫:16，鄂:17，湘:18，粤:19，桂:20，琼:21，川:22，贵:23，云:24，藏:25，陕:26，甘:27，青:28，宁:29，新:30，0:31，1:32，2:33，3:34，4:35，5:36，6:37，7:38，8:39，9:40，A:41，B:42，C:43，D:44，E:45，F:46，G:47，H:48，J:49，K:50，L:51，M:52，N:53，P:54，Q:55，R:56，S:57，T:58，U:59，V:60，W:61，X:62，Y:63，Z:64，-:65}，其中，所述负样本数字65对应的标识为-；

根据所述第二目标数组和所述车牌信息对比表之间的映射关系，得到所述待识别车牌图像对应的车牌号码。