一种车牌识别方法及装置与流程

本申请涉及人工智能领域，具体涉及一种车牌识别方法，同时涉及一种车牌识别装置。

背景技术：

车牌识别在高速公路车辆管理中得到广泛应用，电子收费(etc)系统中，但是，传统的车牌识别往往基于传统计算机视觉技术，进行字符的分割，hog(方向梯度直方图)特征的提取以及分类，这类算法思路简单，但是鲁棒性较差，不能适应复杂环境。

技术实现要素：

本申请提供一种车牌识别方法，解决了传统的车牌识别技术鲁棒性较差，不能适应复杂环境的问题。

本申请提供一种车牌识别方法，其特征在于，包括：

对待识别的车牌图像进行预处理；

使用卷积神经网络提取预处理后的车牌图像的特征，将所述特征输入lstm网络，获得所述特征分类的概率分布；

根据车牌的字符数量使用ctc损失函数将所述车牌图像的特征对应到车牌的真实字符，获得待识别的车牌图像的车牌数据。

优选的，所述对待识别的车牌图像进行预处理，包括：

根据车牌的长宽比，调整待识别的车牌图像的大小；以及

对所述车牌图像进行灰度化和归一化。

优选的，所述根据车牌的长宽比，调整待识别的车牌图像的大小，具体的，根据车牌的长宽比，将待识别的车牌图像的大小调整为320*128。

优选的，所述使用卷积神经网络提取预处理后的车牌图像的特征，包括：

设置卷积神经网络的卷积层和池化层；

在每一个卷积层后使用batchnormalization函数，使得每一层神经网络的输入保持相同分布；

使用激活函数leakyrelu将输入映射到输出端；

输出端输出所述待识别的车牌图像特征图像。

优选的，所述设置卷积神经网络的卷积层和池化层，具体的，可以设置4个卷积核大小为3*3的卷积层；每个卷积层后设置2*2的池化层。

优选的，所述将所述特征输入lstm网络，获得所述特征分类的概率分布，包括：

将待识别的车牌图像特征图像输入lstm网络；

lstm网络根据上下文信息对输入的所述特征进行预测，获得所述特征分类的概率分布。

优选的，所述根据车牌的字符数量使用ctc损失函数将所述车牌图像的特征对应到车牌的真实字符，获得待识别的车牌图像的车牌数据，包括：

根据车牌的字符数量，使用ctc损失函数自动求解车牌上的字符与提取的所述车牌图像的特征的对齐关系；

通过最小化ctc损失函数，将提取的所述车牌图像的特征中与车牌的字符数量相等数量的特征，对应到车牌的真实字符，将所述车牌图像的特征中的其他特征映射为空格；

输出待识别的车牌图像的车牌数据。

本申请同时提供一种车牌识别装置，其特征在于，包括：

预处理单元，用于对待识别的车牌图像进行预处理；

概率分布获取单元，用于使用卷积神经网络提取预处理后的车牌图像的特征，将所述特征输入lstm网络，获得所述特征分类的概率分布；

识别单元，用于根据车牌的字符数量使用ctc损失函数将所述车牌图像的特征对应到车牌的真实字符，获得待识别的车牌图像的车牌数据。

优选的，所述概率分布获取单元，包括：

输入子单元，用于将待识别的车牌图像特征图像输入lstm网络；

预测子单元，用于lstm网络根据上下文信息对输入的所述特征进行预测，获得所述特征分类的概率分布。

优选的，所述识别单元，包括：

自动求解子单元，用于根据车牌的字符数量，使用ctc损失函数自动求解车牌上的字符与提取的所述车牌图像的特征的对齐关系；

映射子单元，用于通过最小化ctc损失函数，将提取的所述车牌图像的特征中与车牌的字符数量相等数量的特征，对应到车牌的真实字符，将所述车牌图像的特征中的其他特征映射为空格；

输出子单元，用于输出待识别的车牌图像的车牌数据。

本申请提供的一种车牌识别方法，通过使用卷积神经网络提取预处理后的车牌图像的特征，使用lstm网络，获得所述特征分类的概率分布，然后使用ctc损失函数将所述车牌图像的特征对应到车牌的真实字符，获得待识别的车牌图像的车牌数据，解决了传统的车牌识别技术鲁棒性较差，不能适应复杂环境的问题。

附图说明

图1是本申请实施例提供的一种车牌识别方法流程示意图；

图2是本申请实施例涉及的提取的车牌图片示意图；

图3是本申请实施例涉及的车牌识别算法结构示意图；

图4是本申请实施例涉及的车牌识别网络结构示意图；

图5是本申请实施例提供的一种车牌识别装置示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

请参看图1，图1是本申请实施例提供的一种车牌识别方法流程示意图，下面结合图1对本申请实施例提供的方法进行详细说明。

步骤s101，对待识别的车牌图像进行预处理。

车牌图像的获取通常是通过拍照或视频截图的方法获得，如图2所示，就是提取的车牌图片，而且，由于光照、拍摄位置、拍摄距离等原因，导致车牌图像的大小不一、曝光强度不同等也会存在不同，所以需要对待识别的车牌图像进行预处理，预处理通常包括调整大小、灰度化、归一化等。调整大小时根据车牌的长宽比，调整待识别的车牌图像的大小，具体的，根据车牌的长宽比，将待识别的车牌图像的大小调整为320*128。然后再进行灰度化和归一化。灰度化和归一化可以使用常用的算法和公式，目的是加快卷积神经网络的处理速度和收敛性。

步骤s102，使用卷积神经网络提取预处理后的车牌图像的特征，将所述特征输入lstm网络，获得所述特征分类的概率分布。

卷积神经网络(convolutionalneuralnetworks,cnn)是一类包含卷积计算且具有深度结构的前馈神经网络(feedforwardneuralnetworks)，是深度学习(deeplearning)的代表算法之一，而且卷积神经网是计算机领域最常用的神经网络，它往往被用作图像特征的提取。其主要操作包括卷积、池化还有非线性。使用卷积神经网络提取预处理后的车牌图像的特征，包括：设置卷积神经网络的卷积层和池化层，具体的，可以设置4个卷积核大小为3*3的卷积层；每个卷积层后设置2*2的池化层。在每一个卷积层后使用batchnormalization函数，使得每一层神经网络的输入保持相同分布，在非线性层，使用激活函数leakyrelu将输入映射到输出端，因为车牌的原始比例接近1:3，故算法将输入车牌的图片固定为320*128，然后，输出端输出所述待识别的车牌图像特征图像，在经过卷积神经网络之后图像的输出为20*16。

通过前面的特征提取，得到了20组特征图像，为保证待识别的车牌图像的上下文关系，可以将待识别的车牌图像特征图像输入lstm网络，具体的，可以使用的是单层blstm，lstm网络根据上下文信息对输入的所述特征进行预测，获得所述特征分类的概率分布。因为车牌的字类类别特比较少，可以选择lstm网络的节点数为256。

步骤s103，根据车牌的字符数量使用ctc损失函数将所述车牌图像的特征对应到车牌的真实字符，获得待识别的车牌图像的车牌数据。

车牌的字符数量如图2所示，通常情况为字符数量为7，前面提到，卷积神经网络对每张待识别的车牌图像提取了20组特征作为lstm的输入，这与车牌字符数7并不是对应的，因此车牌上的字符与特征之间必然存在对齐的关系，本申请提供的方法之所以能够不分割字符进行识别，就是能够自动求解这种对齐关系得到最终的车牌号码输出。本申请提供的方法是，根据车牌的字符数量，使用ctc损失函数自动求解车牌上的字符与提取的所述车牌图像的特征的对齐关系，通过最小化ctc损失函数，将提取的所述车牌图像的特征中与车牌的字符数量相等数量的特征，也就是20组特征中的7组对应到车牌的真实字符，将所述车牌图像的特征中的其他特征，也就是13组其他特征映射为空格，最后输出待识别的车牌图像的车牌数据。

通过上面的3个步骤，本申请提供的方法使用了cnn提取特征+lstm序列处理+ctc损失计算的模型，实现了车牌无分割的识别。具体算法结构如图3所示。

另外本申请提供的车牌识别网络结构如图4所示，图4给出了在车牌识别过程中从预处理到卷积神经网络识别的整个具体过程及算法。

同时，本申请提供一种车牌识别装置500，如图5所示，其特征在于，包括：

预处理单元510，用于对待识别的车牌图像进行预处理；

概率分布获取单元520，用于使用卷积神经网络提取预处理后的车牌图像的特征，将所述特征输入lstm网络，获得所述特征分类的概率分布；

识别单元530，用于根据车牌的字符数量使用ctc损失函数将所述车牌图像的特征对应到车牌的真实字符，获得待识别的车牌图像的车牌数据。

优选的，所述概率分布获取单元，包括：

输入子单元，用于将待识别的车牌图像特征图像输入lstm网络；

预测子单元，用于lstm网络根据上下文信息对输入的所述特征进行预测，获得所述特征分类的概率分布。

优选的，所述识别单元，包括：

自动求解子单元，用于根据车牌的字符数量，使用ctc损失函数自动求解车牌上的字符与提取的所述车牌图像的特征的对齐关系；

映射子单元，用于通过最小化ctc损失函数，将提取的所述车牌图像的特征中与车牌的字符数量相等数量的特征，对应到车牌的真实字符，将所述车牌图像的特征中的其他特征映射为空格；

输出子单元，用于输出待识别的车牌图像的车牌数据。

本申请提供的一种车牌识别方法，通过使用卷积神经网络提取预处理后的车牌图像的特征，使用lstm网络，获得所述特征分类的概率分布，然后使用ctc损失函数将所述车牌图像的特征对应到车牌的真实字符，获得待识别的车牌图像的车牌数据，解决了传统的车牌识别技术鲁棒性较差，不能适应复杂环境的问题。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，而这些未脱离本发明精神和范围的任何修改或者等同替换，其均在申请待批的本发明的权利要求保护范围之内。