申请/专利权人:郑州信大先进技术研究院
申请日:2021-12-30
公开(公告)日:2024-04-16
公开(公告)号:CN114299486B
主分类号:G06V20/62
分类号:G06V20/62;G06V30/146;G06V30/19;G06V10/82;G06N3/0464;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2024.04.16#授权;2022.04.26#实质审查的生效;2022.04.08#公开
摘要:本发明提供了一种嵌入式端实时高效的车牌识别方法、设备及介质,所述方法包括以下步骤:读取待识别车牌图像,将所述待识别车牌图像传输至车牌识别网络模型逐层计算后输出车牌识别结果;其中,所述车牌识别网络模型依次包括第一残差块、第二残差块、第三残差块、第四残差块、第五残差块、第六残差块、第七残差块、第八残差块和输出层;所述第一残差块用于对所述待识别车牌图像进行初次卷积计算,获得第一浅层车牌特征;所述第二残差块用于对所述第一浅层车牌特征进行卷积计算,获得第二浅层车牌特征等等;本发明提出的嵌入式端实时高效的车牌识别方法实时性高并且不易受光照的影响,多种字符个数的车牌均可识别,经过验证可以无缝适配到嵌入式端。
主权项:1.一种嵌入式端实时高效的车牌识别方法,其特征在于,包括以下步骤:读取待识别车牌图像,将所述待识别车牌图像传输至车牌识别网络模型逐层计算后输出车牌识别结果;其中,所述车牌识别网络模型依次包括第一残差块、第二残差块、第三残差块、第四残差块、第五残差块、第六残差块、第七残差块、第八残差块和输出层;所述第一残差块用于对所述待识别车牌图像进行初次卷积计算,获得第一浅层车牌特征;所述第二残差块用于对所述第一浅层车牌特征进行卷积计算,获得第二浅层车牌特征;所述第三残差块用于对所述第二浅层车牌特征进行卷积计算,获得第三浅层车牌特征;所述第四残差块用于对所述第三浅层车牌特征进行卷积计算,获得第四浅层车牌特征;所述第五残差块用于对所述第四浅层车牌特征进行卷积计算,获得第五浅层车牌特征;所述第六残差块用于对所述第五浅层车牌特征进行卷积计算,获得第一深层车牌特征;所述第七残差块用于对所述第一深层车牌特征进行卷积计算,获得第二深层车牌特征;所述第八残差块用于对所述第二深层车牌特征进行卷积计算,获得第三深层车牌特征;所述输出层用于对所述第三深层车牌特征进行卷积计算,获得车牌识别结果;所述第一残差块、所述第二残差块、所述第三残差块、所述第四残差块和所述第五残差块均包括卷积神经网络Conv2d层、BatchNorm2d层、激活函数ReLU层和BasicBlock层,所述第一残差块、所述第二残差块、所述第三残差块、所述第四残差块和所述第五残差块的通道个数依次为64、64、128、256和512,所述第一残差块、所述第二残差块、所述第三残差块、所述第四残差块和所述第五残差块输出特征图像的宽度参数依次为88、43、43、22和22;所述第六残差块和所述第七残差块均包括卷积神经网络Conv2d层、BatchNorm2d层、激活函数ReLU层和Dropout层,所述第六残差块和所述第七残差块的通道个数依次为256和128,所述第六残差块和所述第七残差块输出特征图像的宽度参数依次为20和18;所述第八残差块包括卷积神经网络Conv2d层、BatchNorm2d层、激活函数ReLU层,所述第八残差块的通道个数为66,所述第八残差块输出特征图像的宽度参数为18;所述输出层包括卷积神经网络Conv2d层,所述输出层的通道个数为66,所述输出层输出序列的步长为18;所述输出层使用的损失函数为CTC损失函数,公式如下: 其中,D表示整个训练集,xi表示训练集合中的第i个训练样本图片,Ii表示表示训练集合中的第i个训练样本图片对应的真实标签,pIiǀyi表示输入为第i个训练样本图片xi时网络输出为yi,yi通过CTC解码后为真实标签Ii的概率。
全文数据:
权利要求:
百度查询: 郑州信大先进技术研究院 嵌入式端实时高效的车牌识别方法、设备及介质
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。