本發(fā)明涉及智能交通系統(tǒng)和數(shù)字安防領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)模型的車牌字符整體識別方法。

背景技術(shù)：

車牌識別是智能交通系統(tǒng)(its)領(lǐng)域的基礎(chǔ)部分和重要環(huán)節(jié)，對智能交通系統(tǒng)的其他部分如車標(biāo)識別、車身顏色分析、車型分析、卡口檢測、電子警察，及其他交通事件相關(guān)模塊的處理好壞有著重要的影響。

傳統(tǒng)的車牌識別系統(tǒng)，大致分為車牌檢測、車牌定位、字符分割及字符識別等幾個子模塊。其中車牌號碼識別環(huán)節(jié)，字符分割部分嚴(yán)重依賴前面定位的結(jié)果，其所使用的二值化方法對于一些特殊情況如陰陽牌，車牌光線不均衡等效果不佳。字符識別則采用傳統(tǒng)淺層分類器的單個字符識別方式，雖在正常條件下還好，但是全天候的穩(wěn)定性及相似字符的可區(qū)分性難以保證。

因此，傳統(tǒng)的車牌識別系統(tǒng)存在以下問題：

1、傳統(tǒng)方法需要對車牌進行精確定位再分割，依賴性強，容易分割錯誤；

2、傳統(tǒng)方法在光線差、分辨率低、污損、傾斜大等情況的穩(wěn)定性不好；

3、單個模型難以保證較好的識別指標(biāo)。

技術(shù)實現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術(shù)存在的問題，提出一種基于深度學(xué)習(xí)模型的車牌字符整體識別方法。

本發(fā)明的一種基于深度學(xué)習(xí)模型的車牌字符整體識別方法，包括如下步驟：

步驟a：進行車輛檢測，獲得目標(biāo)車輛，由目標(biāo)車輛確定整個車牌檢測區(qū)域；

步驟b：對所述整個車牌檢測區(qū)域進行檢測獲得車牌區(qū)域；

步驟c：通過深度神經(jīng)網(wǎng)絡(luò)模型對所述車牌區(qū)域的車牌號碼進行整體識別，所述深度神經(jīng)網(wǎng)絡(luò)模型包括依次連接的4個卷積層和2個全連接層，最后一個全連接層包含七個分支，各分支分別對應(yīng)車牌號碼上的漢字、字母、數(shù)字或標(biāo)識。

優(yōu)選地，所述深度神經(jīng)網(wǎng)絡(luò)模型的所述第一分支對應(yīng)漢字，具有58個輸出；所述第二分支對應(yīng)英文字母，具有26個輸出，所述第三至第六分支對應(yīng)數(shù)字和字母，分別具有36個輸出，第七分支對應(yīng)字母、數(shù)字和特殊牌標(biāo)識，具有41個輸出。

優(yōu)選地，所述每個分支的各輸出的結(jié)果為該輸出項的概率，每個分支的各輸出的概率之和為1。

優(yōu)選地，步驟c之后還包括步驟d，采用多個模型集成的方式，綜合得到識別結(jié)果：

步驟d1：統(tǒng)計相同車牌號碼識別結(jié)果的數(shù)目并計算其可信度平均值；

步驟d2：按照數(shù)目多少從大到小排序，如果不同車牌號碼的數(shù)目相同的，則按其可信度從高到低排序；

步驟d3：選擇可信度最高的車牌號碼為識別結(jié)果。

優(yōu)選地，步驟f中，采用3個模型集成的方式。

本發(fā)明具有如下有益效果：

1、本發(fā)明引入深度學(xué)習(xí)模型，提高車牌識別率；

2、本發(fā)明克服傳統(tǒng)車牌識別方法需要進行車牌字符分割所帶來的依賴性和結(jié)果不確定性所導(dǎo)致的誤識別問題；

3、本發(fā)明車牌識別在各種特殊情況下的魯棒性。

附圖說明

圖1為本發(fā)明的基于深度學(xué)習(xí)模型的車牌字符整體識別方法的流程示意圖。

圖2為本發(fā)明的車牌檢測5塊子區(qū)域劃分示意圖。

圖3為本發(fā)明的車牌檢測深度網(wǎng)絡(luò)結(jié)構(gòu)圖。

圖4為本發(fā)明的子塊車牌檢測結(jié)果示意圖。

圖5為本發(fā)明的車牌字符整體識別深度網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

圖6為本發(fā)明的車牌字符整體識別結(jié)果示意圖。

具體實施方式

下面通過實施例對本發(fā)明作進一步說明，其目的僅在于更好地理解本發(fā)明的研究內(nèi)容而非限制本發(fā)明的保護范圍。

參考圖1，本發(fā)明的一種基于深度學(xué)習(xí)、特別是卷積神經(jīng)網(wǎng)絡(luò)的車牌字符整體識別方法，包括如下步驟a～c。

步驟a：進行車輛檢測，獲得目標(biāo)車輛，由目標(biāo)車輛確定整個車牌檢測區(qū)域。

車輛檢測的目的是在整個相機視野領(lǐng)域檢測到真正的車輛區(qū)域，排除背景區(qū)域及干擾的部分，從而減少誤檢，提高車牌檢測的準(zhǔn)確率，并且降低后續(xù)處理的時間消耗。本發(fā)明使用現(xiàn)有的常規(guī)車輛檢測的方法，例如可以使用運動分析技術(shù)，建立背景模型，提取前景，也可以使用車輛檢測器進行靜態(tài)檢測，并進行目標(biāo)關(guān)聯(lián)。或者兩者結(jié)合，得到真正感興趣的目標(biāo)車輛。

步驟b：對所述整個車牌檢測區(qū)域進行檢測獲得車牌區(qū)域，包括如下子步驟。

步驟b1：將所述車牌檢測區(qū)域劃分成n個小塊，各小塊之間部分重疊。

傳統(tǒng)車牌檢測技術(shù)，采用滑動窗的方式，在車牌檢測區(qū)域內(nèi)遍歷各子窗口，尋找邊緣豐富、梯度能量變化較大，類似車牌特征的區(qū)域，作為車牌候選區(qū)域。這樣做的缺點是耗時多，檢測效率不高。本發(fā)明采用基于分塊的車牌區(qū)域回歸技術(shù)進行車牌檢測。具體做法是，將整個車牌檢測區(qū)域劃分成少數(shù)幾個小塊，一個較佳的實施例為5個小塊，小塊之間部分重疊。

具體地，車牌檢測區(qū)域r(w，h)可以由車輛檢測區(qū)域得到，或者來自人工或程序確定的感興趣區(qū)域，并將其劃分成若干小塊，分別并行地進行檢測，再將結(jié)果進行融合。本發(fā)明的分塊方案采用5塊(2×2+1)法，或者9宮格(3×3)，更細顆粒度則沒有必要，尤以5塊法為主。5塊劃分如圖2所示，各子塊位置分別為：車牌檢測區(qū)域的左上、右上、左下、右下、中央即位于車牌檢測區(qū)域r的正中心，每子塊的寬高分別為w*2/3、h*2/3。子塊之間彼此重疊，是為了處理車牌目標(biāo)位于子塊邊界的情形。

步驟b2：對每個小塊使用深度學(xué)習(xí)模型擬合得到大致的車牌區(qū)域，同時獲得該區(qū)域是真車牌的可信度。

具體地，對每個子塊使用適當(dāng)?shù)纳疃葘W(xué)習(xí)模型，擬合得到大致的車牌區(qū)域，深度學(xué)習(xí)模型同時給出該區(qū)域是真車牌的可信度?？尚哦鹊臄?shù)值范圍從0～1，0表示真車牌的可信度為0，1表示100％確信為真車牌。

綜合考慮效果和效率，本發(fā)明采用的深度神經(jīng)網(wǎng)絡(luò)模型是如圖3所示的卷積神經(jīng)網(wǎng)絡(luò)(cnn)。在該卷積神經(jīng)網(wǎng)絡(luò)中，包括依次連接的3個卷積層(conv)和3個全連接層(ip)，最后一個全連接層包含兩個分支，一個分支為預(yù)測的車牌矩形的左上角和右下角坐標(biāo)，使用l2損失，另一個分支為真假車牌的分類，使用softmaxloss損失。每個卷積層后跟一個池化層(maxpool)(圖3中未顯示池化層)。conv層和ip層的參數(shù)見圖3中所示，對于卷積層來說，數(shù)字表示featuremap(即輸入圖像)及卷積核的寬高、通道數(shù)，對ip層來說，數(shù)字表示其神經(jīng)元數(shù)目。

如第一卷積層(如圖①→②)的五個參數(shù)(30，30，3，3，3)，表示該層的輸入圖像的寬高都為30，并有3個通道(r、g、b)，該層卷積操作核大小為3×3。第二卷積層(如圖②→③)中的三個參數(shù)(10，3，3)，表示該層有10個通道(即前一層的featuremap輸出為10)，該層卷積操作核的大小為3×3。第三卷積層(如圖③→④)中的三個參數(shù)(20，2，2)，表示該層有20個通道，該層卷積操作核的大小為2×2，最后獲得通道數(shù)為40的層(如④所示)。⑤表示第一全連接層，神經(jīng)元數(shù)目為120，⑥表示第二全連接層，神經(jīng)元數(shù)目為60，⑦表示第三全連接層即最后一個連接層，具有兩個分支，一個分支的神經(jīng)元數(shù)目為4，另一個分支的為2。網(wǎng)絡(luò)中conv層stride(步長)為1，pool層核大小為2×2，stride為2。除最后一個ip層外，每個conv和ip層都使用relu激活函數(shù)。

如上所述，通過圖3所示的網(wǎng)絡(luò)即可實現(xiàn)車牌位置擬合和可信度計算功能，即輸入一個原圖，經(jīng)過該網(wǎng)絡(luò)(通過訓(xùn)練得到)計算，在最后的輸出層即可得到可信度值和車牌矩形區(qū)域左上、右下角坐標(biāo)。

步驟b3：根據(jù)所述車牌區(qū)域的位置與可信度的關(guān)系，融合得到最終的車牌區(qū)域。這樣一來，無論檢測區(qū)域大小是多少，無論尺度和橫縱比變化數(shù)，由于分塊數(shù)是固定的，車牌檢測的時間復(fù)雜度是常數(shù)，即o(1)。這里使用深度模型回歸車牌的目的，是為了利用深度學(xué)習(xí)的自我學(xué)習(xí)的優(yōu)勢，得到在各種情況下穩(wěn)定的深度特征。

上面提到的車牌檢測結(jié)果的融合，融合方法包括max，avg等策略。

具體地，本步驟進一步包括：

步驟b31：對結(jié)果按真車牌的可信度從大到小進行排序；

步驟b32：對排序結(jié)果做二值化操作，即可信度與選定的閾值進行比較，若高于閾值則認(rèn)為是真車牌，否則認(rèn)為是假車牌；

步驟b33：在真車牌集合中獲得車牌候選區(qū)域，如果真車牌集合為空則該目標(biāo)車輛區(qū)域判定為無車牌。其中，通過max策略在真車牌集合中，選擇可信度最高的檢測結(jié)果為車牌候選區(qū)域；或者通過avg策略在真車牌集合的車牌檢測位置根據(jù)其可信度進行加權(quán)平均獲得車牌候選區(qū)域。

在檢測到車牌候選區(qū)域后還可以進行車牌位置優(yōu)化步驟，采用深度學(xué)習(xí)模型對車牌區(qū)域進行優(yōu)化，獲得優(yōu)化后的車牌區(qū)域。優(yōu)化同樣采用深度學(xué)習(xí)模型，可使用一般簡單網(wǎng)絡(luò)即可，此處不特別說明。

通過上述方法對整個車牌檢測區(qū)域進行檢測可以獲得車牌候選區(qū)域，當(dāng)然本領(lǐng)域技術(shù)人員也可以用其他公知的方法獲得車牌候選區(qū)域，以提供給下一步的車牌字符整體識別。

下面介紹步驟c：通過深度網(wǎng)絡(luò)結(jié)構(gòu)對所述車牌區(qū)域的車牌號碼進行整體識別。

無論是傳統(tǒng)車牌識別技術(shù)，還是當(dāng)前基于深度學(xué)習(xí)的一些車牌識別系統(tǒng)，基本上都要對車牌字符進行分割之后再逐個字符識別，由于受到定位精確性和車牌表面成像質(zhì)量的影響，字符分割的效果往往難以令人滿意，從而大大降低了最終的車牌號碼識別率。

基于深度學(xué)習(xí)模型的整體字符識別技術(shù)已經(jīng)有一些實際應(yīng)用，如google的工程師應(yīng)用深度學(xué)習(xí)模型識別街景中的連續(xù)數(shù)字，牛津大學(xué)的研究者使用cnn網(wǎng)絡(luò)識別自然場景中的英文字符序列。本發(fā)明將深度學(xué)習(xí)模型的整體字符識別方法應(yīng)用于智能交通場景，可減輕其對傳統(tǒng)字符分割穩(wěn)定性要求大的特點，也可以利用深度學(xué)習(xí)強大的特征學(xué)習(xí)能力，提高包括特殊情形下的車牌號碼識別率和魯棒性。

本發(fā)明用于車牌號碼識別的深度網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示(類似于圖3)，較佳的實施例包括依次連接的四個conv層和2個ip層。樣本輸入大小為64×64，3通道，這里的樣本即為上面的步驟獲得的車牌區(qū)域的圖像。conv1核大小5×5，featuremap輸出為64，conv2核大小5×5，featuremap輸出為128，conv3核大小3×3，featuremap輸出為256，conv4核大小3×3，featuremap輸出為512，所有conv層stride為1，使用relu激活，每個conv層后跟一個maxpool層，核大小2×2，stride為2。ip1的神經(jīng)元數(shù)目(或稱為輸出)為4096，使用relu激活，ip2層有7個分支，其神經(jīng)元數(shù)目分別為58，26，36，36，36，36，41，使用softmaxloss損失。

這里ip2采用7個分支，分別對應(yīng)車牌上的漢字、字母、數(shù)字和標(biāo)識等。例如，第一分支對應(yīng)漢字，包括滬、皖、贛等31個省份簡稱以及一些特殊牌“軍”、“空”、“?！钡裙?8個輸出，第二分支對應(yīng)英文字母，共26個輸出，第三～六分支對應(yīng)“數(shù)字+字母”，因此共36個輸出，第七分支對應(yīng)“字母+數(shù)字+特殊牌標(biāo)識”(特殊牌標(biāo)識包括掛車標(biāo)識等)，共41個輸出。每個分支的各個輸出的結(jié)果均是該輸出項的概率，每個分支的各個輸出的概率之和為1，取概率最大的項作為該分支的最終輸出。例如，第一分支具有58個輸出項，例如“滬”的概率為98％，“皖”的概率為1％，“贛”的概率為1％，其他輸出項為0，那么這里最大概率為98％的“滬”，則該第一分支的輸出即為“滬”。通過將前述獲得的車牌區(qū)域圖像作為深度神經(jīng)網(wǎng)絡(luò)的輸入，通過計算，則可整體地識別獲得車牌號碼。

除了自定義的cnn，一些常用的網(wǎng)絡(luò)如googlenet、vggnet等也可以應(yīng)用于本發(fā)明方法。

同時，為了進一步提高識別率，本發(fā)明的上述步驟c之后還可以包括步驟d，采用多個模型集成的方式，綜合得到識別結(jié)果，較佳地，可以采用3個模型集成的方式，具體包括：

步驟d1：統(tǒng)計相同車牌號碼識別結(jié)果的數(shù)目并計算其可信度平均值；

步驟d2：按照數(shù)目多少從大到小排序，如果不同車牌號碼的數(shù)目相同的，則按其可信度從高到低排序；

步驟d3：選擇可信度最高的車牌號碼為識別結(jié)果。

例如有5個識別結(jié)果，滬a12345,滬a12345,滬a72345,滬a72345,滬a72344，可信度分別為0.998，0.996，0.945，0.941，0.9，則排序結(jié)果為：滬a12345，滬a72345，滬a72344，可信度值為：0.997，0.943，0.9，最后取滬a12345為預(yù)測結(jié)果。

顯然，本技術(shù)領(lǐng)域中的普通技術(shù)人員應(yīng)當(dāng)認(rèn)識到，以上的實施例僅是用來說明本發(fā)明，而并非用作為對本發(fā)明的限定，只要在本發(fā)明的實質(zhì)精神范圍內(nèi)，對以上所述實施例的變化、變型都將落在本發(fā)明的權(quán)利要求書范。