[发明专利]一种基于深度神经网络的车牌识别方法

摘要

车牌识别技术是文字模式识别技术在交通领域的一种具体应用。目前国内已有的车牌识别系统还存在全天候识别率不稳定的问题。在采集车辆图像的时候，会受到环境光线变化的影响，车牌本身也会出现污点、褪色、倾斜以及运动产生的图像模糊失真，所以这些情况下的车牌定位算法和识别算法实现起来困难。深度神经网络应用于图像识别，提升了准确性，而且避免了人工抽取特征。卷积神经网络模型是深度神经网络的一种体系结构，其与图像处理有着密切的关系，本发明将卷积神经网络应用于车牌识别中，使其对断裂、倾斜等非正常字符具有较高的识别率。实验表明该算法对相似字符的区分能力较强，并具有较高的鲁棒性。

主权项

1.一种基于深度神经网络的车牌识别方法，其特征在于，将车牌图像输入卷积网络中，从而避免了人工特征提取；利用深度神经网络进行车牌识别，大大增强了系统的适应度，提高了识别准确度；所述基于深度神经网络的车牌识别方法描述如下：所述深度神经网络具有7层，每层具有多个特征映射图，每个特征映射图具有多个神经元，并且每个特征映射图通过一种卷积滤波器提取输入的一种特征；步骤1：输入的图像通过卷积运算得到一个卷积层C1，所述输入的图像大小为32*16它由6个特征映射图组成；滤波器的大小为5*5，特征图中每个神经元与输入中5*5的邻域相连；这样C1层中特征图的大小就为28*12；C1有156个可训练参数，共156*(28*12)＝52416个连接；步骤2：对C1进行池化处理，将卷积技术应用在车牌图像识别中，用一个可训练的滤波器fx去卷积输入的车牌图像，然后加一个偏置bx，得到卷积特征层Cx，即F(fxwij+bx)，F为sigmode型函数；步骤3：得到S2层；S2层由6个14*6大小的特征图构成，S2的特征图中的每个单元与C1中相对应特征图的2*2邻域相连接；每个单元的2*2感受野并不重叠，因此S2中每个特征图的大小是C1中特征图大小的1/4，行和列各1/2；S2层有30个可训练参数和2520个连接；C3层也是一个卷积层，它同样通过5x5的卷积核去卷积层S2，然后得到只有10*2个神经元的特征映射图，但是它有16种不同的卷积核，这里的16是个经验值，所以就存在16个特征映射图；C3中的每个特征映射图与S2中的所有6个或者其中几个特征映射图连接，表示本层的特征图是上一层提取到的特征图的不同组合；S4层也是个子采样层，由16个5*1大小的特征图构成；特征图中的每个单元与C3中相应特征图的2*2邻域相连接，跟C1和S2之间的连接一样；S4层有80个可训练参数和400个连接；将S4的输出组织成一维向量，所述一维向量为80个输入神经元，所述一维向量作为一个输入层F5与F6层进行全连接，F6层是一个隐含层，选取了200个神经元，即共有16200条连接；最后F7为输出层，由34个神经元构成，对应34个输出，包括24个英文字母和10个数字；F5、F6、F7三层构成了传统的BP神经网络，之前的4层相当于对图像进行了卷积特征提取；对所述深度神经网络进行训练：第一阶段，向前传播阶段：(1)从样本集中取一个样本(X，Yp)，将X输入网络；(2)计算相应的Op；在此阶段，信息从输入层经过逐级的变换，传送到输出层，这个过程也是网络在完成训练后正常运行时执行的过程，在此过程中，网络执行的是计算，实际上就是输入与每层的权值矩阵相点乘，得到最后的输出结果：Op＝Fn(…(F2(F1(XpW(1))W(2))…)W(n))第二阶段，向后传播阶段(1)计算实际输出Op与相应的理想输出Yp的差；(2)按极小化误差的方法反向传播调整权矩阵。