[发明专利]嵌入式端实时高效的车牌识别方法、设备及介质

说明书

本发明提供了一种嵌入式端实时高效的车牌识别方法、设备及介质，所述方法包括以下步骤：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等等；本发明提出的嵌入式端实时高效的车牌识别方法实时性高并且不易受光照的影响，多种字符个数的车牌均可识别，经过验证可以无缝适配到嵌入式端。

技术领域

本发明涉及车牌识别技术领域，具体的说，涉及了一种嵌入式端实时高效的车牌识别方法、设备及介质。

背景技术

车牌作为汽车外在显著身份信息之一，可以通过车牌获得车辆的行驶路径、类型、司机等信息。车牌识别应用范围较广，在智慧停车、高速公路车辆监测、城市限号等方面广泛使用。

目前，所采用的传统车牌识别算法对车牌图片质量要求较高，而影响车牌图片质量的因素较多，如光线、车牌与图像采集设备的距离和角度等，因此传统车牌识别算法不能满足复杂光线、多颜色车牌、高识别率、速度快的识别要求。

可以理解，传统车牌识别算法需要先将车牌区域中的字符分隔开，分割算法有基于模板的字符分割算法、聚类算法字符分割等，此类方法受光照影响严重，分割不准确时直接导致后续识别出错，识别车牌的准确率较低；再使用机器学习算法svm、knn等算法对分割后的字符进行识别，字符识别作为车牌识别中最重要的环节，其准确率直接影响车牌的准确识别；然而使用机器学习算法识别字符，识别率还有很大的提升空间。

随着深度学习的出现，出现了端到端的识别方法，例如crnn（全称：An End-to-EndTrainable Neural Network for Image-based Sequence Recognition and ItsApplication to Scene Text Recognition）、lprnet（License Plate Recognition viaDeep Neural Networks）等，虽然基于深度学习的车牌识别准确率有了很大提高，但是模型计算复杂度较大，且在嵌入式端上移植时出现部分层的算子不支持的现象，例如处理器rk3399上的深度学习推理框架rknn均不支持crnn中的lstm（(Long short-term memory）层和lprnet中的3D池化层，用代码实现这些层难度大并且实时性难以保证，导致准确率较高的深度学习算法无法适配到嵌入式端，导致应用于复杂光线、多颜色车牌识别时的嵌入式算法准确率和实时性都很低。

虽然申请号为CN201810736742.9的中国专利，公开了一种基于精简ResNet残差网络的车牌识别方法，但是该专利在resnet18的结构上并没有变化，且最后一层的全连接层输出为7（蓝牌七个字符），7个神经元分别对应蓝牌车牌中的每个字符，模型一旦训练好后只能识别蓝牌或者黄牌（7个字符），即使用来识别绿牌（8个字符）得到的结果依然是7个字符，因此这种车牌识别方法只能识别固定字符的车牌，不能同时识别蓝牌、黄牌和绿牌，更不能识别8个字符的绿牌。

因此，嵌入式端车牌识别准确率和实时性仍需进一步提高，研究适合嵌入式端车牌识别的深度学习模型很有必要。

为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

发明内容

本发明的目的是针对现有技术的不足，从而提供一种嵌入式端实时高效的车牌识别方法、设备及介质。

为了实现上述目的，本发明所采用的技术方案是：

本发明第一方面提供一种嵌入式端实时高效的车牌识别方法，所述方法包括以下步骤：

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；