[发明专利]一种基于卷积神经网络的车牌字符识别方法

摘要

本发明公开了一种用于车牌字符识别的卷积神经网络结构的构建方法，包括设定车牌识别卷积神经网络模型，对模型进行训练的步骤，其中车牌识别卷积神经网络初始结构包括2层卷积层、2层采样层、3层dropout层和2层全连接层，按照输入层、第一卷积层、第一采样层、第一dropout层、第二卷积层、第二采样层、第二dropout层、第一全连接层、第三dropout层、第二全连接层和输出层顺次相连，前序层的输出作为当前层的输入。本发明不仅在每一全连接层中加入dropout层，同时还在卷积层中加入了一个dropout层，并在多次试验中，将每个dropout层的丢弃概率值调整到了合适的值，使网络模型的性能较好，提升了模型的泛化能力和图像字符识别的准确率。

主权项

1.一种用于车牌字符识别的卷积神经网络结构的构建方法，包括步骤A：基于经典卷积神经网络LeNet‑5设定车牌识别卷积神经网络初始结构；步骤B：使用预处理后的一组字符样本训练图以及和训练图字符对应的标签对步骤A中设定的初始车牌识别卷积神经网络进行训练，得到训练好的车牌识别卷积神经网络；步骤C：使用预处理后的一组字符样本训练图以及和训练图字符对应的标签对步骤B中训练好的车牌识别卷积神经网络进行测试，得到验证后的车牌识别卷积神经网络；其特征在于：步骤A中所述车牌识别卷积神经网络初始结构包括2层卷积层、2层采样层、3层dropout层和2层全连接层，按照输入层、第一卷积层、第一采样层、第一dropout层、第二卷积层、第二采样层、第二dropout层、第一全连接层、第三dropout层、第二全连接层和输出层顺次相连，前序层的输出作为当前层的输入；其中所述卷积层用于对输入的图像进行特征提取，所述采样层用于降维和特征整合，所述全连接层用于线性变换，所述dropout层用于简化复杂的网络结构，防止模型过拟合，提高收敛速度，所述输出层与所述第二全连接层构成一个Softmax分类器，所述Softmax分类器用于对字符图片进行分类，输出字符图片对应车牌中的字符。