申请/专利权人：北方工业大学

申请日：2021-12-31

公开（公告）日：2024-04-02

公开（公告）号：CN114913515B

主分类号：G06V20/62

分类号：G06V20/62;G06V10/44;G06V10/764;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.09.02#实质审查的生效;2022.08.16#公开

摘要：一种端到端的车牌识别网络构建方法，本方法采用卷积神经网络直接端到端的训练推理，卷积神经网络的输入是一幅车牌的图像，卷积神经网络的输出相应车牌的文字；卷积神经网络的设计是1模型架构设计，对于输入的车牌的图像，提取特征；将提取到的特征分别送入多个相同的分类器；每个分类器是由一个三层的前馈神经网络构成；2标签制作，车牌的字符进行编码分为三个部分，依次是省份、地区和个人编码；在编码时候，把蓝色牌中的个人编码对应字符位数与新能源车牌中的个人编码对应字符位数设置为相同，字符位数相差部分用“”表示；3使用损失函数优化卷积神经网络；4训练网络。本方法针对传统的蓝牌和绿牌，采用统一套方法即可完成识别。

主权项：1.一种端到端的车牌识别网络构建方法，其特征是采用卷积神经网络直接端到端的训练推理，卷积神经网络的输入是一幅车牌的图像，卷积神经网络的输出相应车牌的文字；所述卷积神经网络的设计方法包括：1模型架构设计对于输入的车牌的图像，使用ResNet18作为主干特征提取网络，提取特征；将提取到的特征分别送入多个相同的分类器；每个分类器是由一个三层的前馈神经网络构成；第1个分类器的输出维度是38，用于预测车牌中的第1位字符，是车牌的隶属省份；第2个分类器的输出维度是25，用于预测车牌中的第2位字符，是车牌的隶属区域；其余分类器的输出维度是35，用于预测车牌中的其余字符，是车牌的个人编码；2标签制作车牌的字符进行编码分为三个部分，依次是省份PROVINCES、地区ALPHABETS和个人ADS编码；在编码时候，把蓝色燃油车牌中的个人编码对应字符位数与新能源车牌中的个人编码对应字符位数设置为相同，字符位数相差部分用“”表示；车牌字符编码表示为：PROVINCES＝[“京”，“津”，“沪”，“渝”，“冀”，“豫”，“川”，“云”，“辽”，“黑”，“湘”，“皖”，“鲁”，“苏”，“浙”，“赣”，“鄂”，“晋”，“蒙”，“吉”，“黑”，“闽”，“粤”，“桂”，“琼”，“贵”，“藏”，“陕”，“甘”，“青”，“宁”，“新”，“警”，“学”]ALPHABETS＝[‘A’,’B’,’C’,’D’,’E’,’F’,’G’,’H’,’J’,’K’,’L’,’M’,’N’,’P’,’Q’,’R’,’S’,’T’,’U’,’V’,’W’,’X’,’Y’,’Z’,]ADS＝[’A’,’B’,’C’,’D’,’E’,’F’,’G’,’H’,’J’,’K’,’L’,’M’,’N’,’P’,’Q’,’R’,’S’,’T’,’U’,’V’,’W’,’X’,’Y’,’Z’,’0’,’1’,’2’,’3’,’4’,’5’,’6’,’7’,’8’,’9’,”]3使用损失函数优化卷积神经网络使用交叉熵作为损失函数，损失是八个分类器损失的和；4训练网络采用随机梯度下降法进行训练，采用迁移学习的方式，加载ResNet18在coco数据集上的预训练权重；新增的分类器权重满足高斯分布随机初始化，标准差为0.01；在每次迭代过程中，将一批被标记的训练数据输入到网络中，然后更新参数。

全文数据：

权利要求：

百度查询： 北方工业大学 端到端的车牌识别网络构建方法

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