[发明专利]一种基于神经网络的车牌倾斜校正的方法

摘要

本发明公开了一种基于神经网络的车牌倾斜校正的方法，包括以下步骤：一、数据制作；二、倾斜校正网络设计；三、训练网络；四、使用训练好的网络；本发明首先在含有车牌的图片中利用图像处理知识定位并提取车牌，然后再利用通过训练得到的网络对其进行前向传播识别并校正，最后切割成一个一个字符，再利用另一个神经网络进行字符识别，与传统的基于Hough线性变换找到边缘在进行仿射变换的方式不同，在复杂、边缘不清晰噪声多的情况下仍然具有较高的校正率，并且运用训练好的网络进行校正时运算量小，速度快。

主权项

一种基于神经网络的车牌倾斜校正的方法，其特征在于，包括以下步骤：一、数据制作将已有的车牌进行不同角度不同程度的倾斜变化和大小归一化而得到训练数据集，并根据其倾斜程度将训练数据集划分为25类，每张图片的大小为[72*32]，而且各自有一个特定的标签，随机抽取部分数据作为测试集；二、倾斜校正网络设计倾斜校正网络具体分为以下七层：第一层为输入层，首先将大小为72*32的原始图片归一化，原始图片的每个像素点像素大小为1‑255，对所有像素进行除以255的运算，得到一组大小为0‑1维度为[72,32]浮点型数组，这就是第一层输入X；第二层为卷积层C1，有32个卷积核Wconv1，其中每个卷积核的大小是[3*5]，每一个卷积核对输入层X进行卷积滤波操作，其中卷积步长为1，卷积得到的输出就是一组含有32个特征的向量集合输出:Hconv1＝Relu(conv2d(X,Wconv1)+bconv1)  (1)其中应用Relu激励函数和conv2d函数，bconv1为偏置项；第三层为池化层P1，选择最大池化操作：Hpool1＝max_pool_2×2(Hconv1)  (2)池化层大小2*2，池化后每个特征图像大小变为[36*16]；第四层为卷积层C2,设计有64个卷积核Wconv2，其中每个卷积核大小是3*5，每个卷积核对Hconv1进行卷积操作：Hconv2＝Relu(conv2d(Hpool1,Wconv2)+bconv2)  (3)其中应用Relu激励函数和conv2d函数，bconv2为偏置项；第五层为池化层P2，选择最大池化操作：Hpool2＝max_pool_2×2(Hconv2)  (4)池化后每个特征大小就为[18*8]；第六层为全连接层S1，其中神经元个数为500，将第五层池化后的向量一维化后与其相连接，这样权值向量为[18*8*64:500]：Hfc1＝Relu(Hpool1×Wfc1+bfc1)  (5)其中应用Relu激励函数，bfc1为偏置项；第七层为全连接层S2，其中神经元个数为25，将第六层全连接层和其连接，权值向量为[500：25]：Hfc2＝Hpool1×Wfc2+bfc2  (6)其中bfc2为偏置项；第八层为输出层，利用Softmax函数选择概率最大的那个分类得到输出YY＝Softmax(Hfc1)  (7)三、训练网络训练过程包括前向传播过程和后向传播过程；四、使用训练好的网络参数保存好后就可以永久的使用整个网络。