申请/专利权人：深圳市信义科技有限公司

申请日：2020-12-23

公开（公告）日：2024-06-14

公开（公告）号：CN112906699B

主分类号：G06V30/19

分类号：G06V30/19;G06V20/62;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2021.06.22#实质审查的生效;2021.06.04#公开

摘要：本发明属于智能交通领域，为车牌放大号的检测识别方法，包括：对车牌放大号所在区域进行检测定位，得到原始车牌放大号的样本图像；基于深度卷积的识别网络对车牌放大号字符进行识别，在训练阶段对原始车牌放大号的样本图像进行扩展获得训练样本集，然后构建识别网络并对实际的车牌放大号图像进行特征提取，得到最终的文本识别结果。本发明对识别网络在训练过程中文本识别部分和超分辨图像重构部分产生的损失进行加权计算，提升识别网络对低质量图像的特征表达能力，得到最优化的权重参数，降低训练样本集创建难度的同时，有效提高了车牌字符的识别效率，解决了车牌放大号的字符检测受字符大小、样式及间距不一致等影响而效果不佳的问题。

主权项：1.一种车牌放大号的检测识别方法，其特征在于，包括以下步骤：S1、对车牌放大号所在区域进行检测定位，得到原始车牌放大号的样本图像；S2、基于深度卷积的识别网络对车牌放大号字符进行识别；步骤S2包括：S21、在识别网络模型的训练阶段，对原始车牌放大号的样本图像进行扩展，获得训练样本集；S22、基于扩展后的训练样本集，构建识别网络，运用所构建的识别网络对实际的车牌放大号图像进行特征提取，得到最终的文本识别结果；对识别网络在训练过程中文本识别部分和超分辨图像重构部分产生的损失进行加权计算分析，提升识别网络对低质量图像的特征表达能力，得到识别网络最优化的权重参数；步骤S22所构建的识别网络为包括卷积层、特征超分辨支路网络、循环层、转录层、损失函数层在内的深度卷积网络，其中卷积层分别与特征超分辨支路网络、循环层连接，而转录层与循环层连接，转录层、特征超分辨支路网络分别连接至损失函数层；步骤S22包括：S221、通过卷积层从输入图像中提取特征序列；S222、在训练阶段，对原始图像进行扩展生成低分辨率图像，所生成的低分辨率图像经卷积层提取特征序列后，输入到特征超分辨支路网络重构为超分辨图像；同时采用训练样本集中的原始高分辨率图像经卷积层所提取的特征序列作为真实样本标签，计算重建后的超分辨率图像的损失；S223、通过循环层预测从卷积层获取的特征序列的标签值分布；S224、通过转录层把从循环层获取的标签值分布通过去重整合操作，转换成最终的识别结果；S225、通过损失函数计算识别网络的总损失，将转录层产生的文本识别损失Lrec和超分辨支路网络产生的超分辨图像损失Lsr加权求和，作为识别网络的总损失，其中超分辨图像损失Lsr的权重通过超参数λ进行调节；通过训练使识别网络的总损失下降，得到识别网络最优化的权重参数；S226、使用训练后得到的识别网络模型进行推理输出，将实际的车牌放大号图像直接输入到卷积层得到相应的特征序列；将特征序列输入到循环层得到每一个时间步长所有字符类别的概率分布；将循环层输出的字符类别概率分布输入到转录层中，转录层取每一个时间步长所有字符类别中最大概率分布的字符作为该时间步长的输出字符，然后将所有时间步长的输出字符进行拼接得到一个序列路径，作为最大概率路径，最后使用转录层中的blank机制得到最终的文本识别结果；步骤S222中通过高斯模糊处理和多倍上下采样对原始图像扩展以生成低分辨率图像，设Iblur为处理后的低分辨率图像，fd-u和fgau分别代表多倍上下采样和高斯模糊处理，O为原始图像，则经多倍上下采样和高斯模糊处理后的图像表示为： 其中，p1和p2是两个随机参数，α是阈值；步骤S225的损失函数描述为： 其中，O为原始图像，Oi,j为原始图像在i，j位置的像素值，Ii,j为特征超分辨支路网络输出的超分辨图像在i，j位置的像素值，x为输入，S为训练样本集合，z为样本真实标签。

全文数据：

权利要求：

百度查询： 深圳市信义科技有限公司 一种车牌放大号的检测识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD