[发明专利]一种基于CNN的双行车牌分割方法及系统

摘要

本发明实施例公开了一种基于CNN的双行车牌分割方法及系统，包括训练及建模过程和检测过程，包括：将车牌图像训练数据集分辨率缩放到给定大小；标记所有车牌图像的标签；设置模型训练参数；定义一个13层的带有若干权值参数的CNN双行车牌分割模型；在Caffe框架中采用随机梯度下降算法输出一个训练好的CNN双行车牌分割模型；将车牌图像测试数据集分辨率缩放到给定大小，并输入到训练好的CNN双行车牌分割模型进行测试；使用softmax分类器识别出所求的车牌图像的单双行车牌类别、左右边界分割点纵坐标。本发明对车牌倾斜度较大和图像质量较差的双行车牌图像具有较好的鲁棒性，改善了现有方法对双行车牌分割准确率不高的问题。

主权项

1.一种基于CNN的双行车牌分割方法，其特征在于，所述方法包括：步骤S1、架构一个共有13层网络结构的带有若干权值参数的CNN双行车牌分割模型，并使用车牌图像训练数据集进行自动的模型训练和学习，得到一个训练好的CNN双行车牌分割模型；步骤S2、将待检测车牌图像输入到训练好的CNN双行车牌分割模型中，得到车牌分割结果，所述车牌分割结果至少包括车牌图像的单双行车牌类别、双行车牌图像左边界分割点纵坐标、双行车牌图像右边界分割点纵坐标；其中，所述步骤S1进一步包括以下步骤：步骤S101、对车牌图像进行归一化处理：给定包含m₁张车牌图像的车牌图像训练数据集，将所有车牌图像的分辨率统一缩放至给定的大小w×h×c1，其中w表示车牌图像宽度、h表示车牌图像高度、c1表示特征图数量；步骤S102、人工标记出车牌图像训练数据集中所有车牌图像的标签，每张车牌图像有3个标签，分别为类别标签y1、左边界分割点纵坐标标签y2、右边界分割点纵坐标标签y3；其中，y1为1表示单行车牌，y1为2表示双行车牌，1≤y2≤h，1≤y3≤h；双行车牌的左右边界分割点纵坐标标签按上下两行车牌字符的实际位置进行人工标记，单行车牌的左右边界分割点纵坐标标签则标记为0；步骤S103、人工设置好CNN双行车牌分割模型训练所需要的参数值，包括网络学习率、最大迭代次数、是否使用GPU训练模型、归一化层参数值α和β；步骤S104、在Caffe框架中构造一个基于CNN的网络结构，定义一个带有若干权值参数的CNN双行车牌分割模型；该CNN双行车牌分割模型的网络结构共有13层，从第一层到第十三层分别为：第一卷积层、第一激活层、归一化层、下采样层、第二卷积层、第二激活层、下采样层、dropout层、第一全连接层、第三激活层、第二全连接层、第四激活层和softmax层；第四激活层的输出分别为包含2个特征值的四号特征向量F⁴、包含h个特征值的五号特征向量F⁵、包含h个特征值的六号特征向量F⁶；步骤S105、根据步骤S101所述的m₁张车牌图像训练数据集、步骤S102所述的所有车牌图像的标签、步骤S103所述的CNN双行车牌分割模型训练所需要的参数值，输入到步骤S104所述的带有若干权值参数的CNN双行车牌分割模型中进行训练，在Caffe框架中采用随机梯度下降算法求解出所有权值参数的值，输出一个训练好的CNN双行车牌分割模型；所述步骤S2进一步包括以下步骤：步骤S201、输入至少一张待检测车牌图像，并将所有车牌图像的分辨率统一缩放至步骤S101所述的大小w×h×c1；步骤S202、在Caffe框架采用步骤S105所得到的训练好的CNN双行车牌分割模型对车牌图像进行检测；其中，每一张车牌图像经过步骤S105所得到的训练好的CNN双行车牌分割模型的计算之后，能够得到步骤S105所述的第四激活层的输出，分别为包含2个特征值的四号特征向量F⁴、包含h个特征值的五号特征向量F⁵、包含h个特征值的六号特征向量F⁶；步骤S203、使用softmax分类器对每一张车牌图像的类别标签进行识别，得到车牌图像的类别；具体过程如下：根据步骤S202所得到的包含2个特征值的四号特征向量F⁴，计算每一张车牌图像的关于四号特征向量F⁴的softmax损失向量L4，具体计算公式为：式中，F^4,n表示四号特征向量F⁴的第n个特征值，L4_n表示关于四号特征向量F⁴的softmax损失向量L4的第n个特征值，其中，1≤n≤2，其含义是该车牌图像的类别被识别为类别n的概率；然后，从L4中选取概率最大的类别作为最终识别的类别y4，具体计算公式为：式中，函数arg max表示取得向量最大值元素所在的位置；步骤S204、使用softmax分类器对车牌图像测试数据集的每一张车牌图像的左边界分割点纵坐标标签和右边界分割点纵坐标标签进行识别，得到车牌图像的左边界分割点纵坐标、右边界分割点纵坐标；具体过程如下：根据步骤S202所得到的包含h个特征值的五号特征向量F⁵、包含h个特征值的六号特征向量F⁶、步骤S203所得到的最终识别的车牌图像的类别y4，计算每一张车牌图像的关于五号特征向量F⁵和六号特征向量F⁶的softmax损失向量L5和L6，具体计算公式为：式中，F^5,n、F^6,n分别表示五号特征向量F⁵和六号特征向量F⁶的第n个特征值，L5_n、L6_n分别表示关于五号特征向量F⁵和六号特征向量F⁶的softmax损失向量L5和L6的第n个特征值，1≤n≤h，其含义是该车牌图像的左、右边界分割点纵坐标被识别为n的概率；然后，分别从L5、L6中选取概率最大的纵坐标作为最终识别的左、右边界分割点纵坐标y5和y6，具体计算公式为：上述所计算得到的每一张车牌图像的y4、y5、y6的值即为每一张待检测车牌图像的类别、左边界分割点纵坐标、右边界分割点纵坐标。