专利汇可以提供一种基于注意力机制的车牌字符识别方法专利检索,专利查询,专利分析的服务。并且一种基于注意 力 机制的车牌字符识别方法,可解决现有的车牌字符识别方法效率低、准确率不高的技术问题。包括以下步骤:S1、建立 深度神经网络 模型;S2、通过标注好的训练样本数据,优化所述深度神经网络模型参数,得到最优深度神经网络模型;S3、读取车牌图像信息,通过所述最优深度神经网络模型运算,输出的特征图就是该车牌字符属于每一类目标的可信度,选择最大可信度的识别结果作为当前车牌字符的最优识别结果。本 发明 可以保留更多的字符细节,同时不会增加模型的运算量;融合注意力机制,可以自适应地抓住每个字符的关键细节信息,字符识别结果更加精确,对相似字符的区分能力更强,对于模糊字符、残缺字符、粘连字符,鲁棒性更高。,下面是一种基于注意力机制的车牌字符识别方法专利的具体信息内容。
1.一种基于注意力机制的车牌字符识别方法,其特征在于:包括以下步骤:
S1、建立深度神经网络模型;
S2、通过标注好的训练样本数据,优化所述深度神经网络模型参数,得到最优深度神经网络模型;
S3、读取车牌图像信息,通过所述最优深度神经网络模型运算,输出的特征图就是该车牌字符属于每一类目标的可信度,选择最大可信度的识别结果作为当前车牌字符的最优识别结果。
2.根据权利要求1所述的基于注意力机制的车牌字符识别方法,其特征在于:所述S1、建立深度神经网络模型;包括:
S11、设计深度神经网络模型的输入图像;
S12、设计主干网络;
所述主干网络包括:卷积层conv0、三个残差网络基础结构体、卷积层conv1、卷积层conv2;
conv0是一个核尺寸是7×7,跨度是4×4的卷积层;
resnetblock0,resnetblock1,resnetblock2是三个残差网络基础结构体,所述残差网络基础结构体包括:maxpool0是一个核尺寸是2×2,跨度是2×2的最大值下采样层,convresnet1_0是一个核尺寸是1×1,跨度是1×1的卷积层,该卷积层的作用是降低特征图通道数,减少后续卷积层的运算量,convresnet1_1是一个核尺寸是3×3,跨度是2×2的卷积层,convresnet1_2是一个核尺寸是1×1,跨度是1×1的卷积层,该卷积层的作用是提升特征图通道数,增加特征丰富度,eltsum是两个输入特征图进行逐像素相加的合并层;
conv1是一个核尺寸是3×3,跨度是1×1的卷积层,其作用是进行合并特征融合;
conv2是一个核尺寸是1×1,跨度是1×1的卷积层,其作用是调整输出特征图的通道数目;
S13、设计注意力网络,根据车牌字符的不同识别类别,自适应的调整注意力,对有利于字符识别的关键区域,分配更多的注意力权值;
S14、设计字符识别网络,通过在步骤S12获取的高维抽象特征图和步骤S13获取的注意力特征图的基础上,进一步提升特征图网络的表达能力,最终识别出车牌字符。
3.根据权利要求2所述的基于注意力机制的车牌字符识别方法,其特征在于:所述S13设计注意力网络,根据车牌字符的不同识别类别,自适应的调整注意力,对有利于字符识别的关键区域,分配更多的注意力权值;具体包括:
注意力网络接入到步骤S12中的残差网络基础结构体resnetblock0后面;所述注意力网络结构包括:
resnetblock3是残差网络基础结构体,所述残差网络基础结构体包括:avepool0是一个均值下采样层,fc0和fc1是两个全连接层,sigmod是激活函数层,其作用是获取每个通道的归一化权值,scale是输入特征图加权层,其作用是对输入特征图的各个通道特征图进行加权;avepool0层、fc0层、fc1层、sigmod层、scale层共同组成了一个SENet结构体;eltsum1是两个输入特征图进行逐像素相加的合并层,conv3是一个核尺寸是3×3,跨度是1×1的卷积层,其作用是进行合并特征融合;conv4是一个核尺寸是3×3,跨度是2×2的卷积层,其作用是生成注意力特征图,注意力特征图的通道数目和字符识别网络中最后的输出特征图通道数相同。
4.根据权利要求3所述的基于注意力机制的车牌字符识别方法,其特征在于:所述对输入特征图的各个通道特征图进行加权,其中加权计算过程如公式(1);
Fscalec(xi,yj)=Sc*F(xi,yj) (1)
其中,Fscalec(xi,yj)表示输出加权特征图的第c个通道第(xi,yj)位置处的数值,Sc表示第c个通道的权重值,F(xi,yj)表示输入特征图的第c个通道第(xi,yj)位置处的数值。
5.根据权利要求4所述的基于注意力机制的车牌字符识别方法,其特征在于:所述S14中所述字符识别网络包括:
weightedconcat层是一个加权合并层,用于把注意力特征图融合到车牌字符的高维抽象特征图中,使得高维抽象特征图能够根据车牌字符的不同类别,自适应的调整相应的特征图权值,使得车牌字符识别更加准确;
conv5是一个核尺寸是3×3,跨度是2×2的卷积层,fc3是一个全连接层,其输出特征图尺寸是1×1×N,N表示字符识别的类别数目。
6.根据权利要求5所述的基于注意力机制的车牌字符识别方法,其特征在于:所述加权合并层weightedconcat的获取方法如下:首先把注意力特征图中的每一个通道特征图,分别和高维抽象特征图中的每一个通道特征图进行逐像素相乘运算,然后集合所有的运算后的高维抽象特征图,按照特征图通道维度进行拼接,拼接后的输出特征图就是加权合并层特征图。
7.根据权利要求1所述的基于注意力机制的车牌字符识别方法,其特征在于:
所述S2、通过标注好的训练样本数据,优化所述深度神经网络模型参数,得到最优深度神经网络模型;
具体的步骤如下:
S21、获取训练样本图像,收集各种场景,各种光线、各种角度下的车牌图像,使用现有的车牌字符分割方法获取车牌字符局部区域图像,然后标注每一车牌字符的类别;
S22、设计深度神经网络模型的目标损失函数;
S23、训练深度神经网络模型,把标注好的车牌字符样本图像集合送入定义好的深度神经网络模型,学习相关的模型参数。
8.根据权利要求7所述的基于注意力机制的车牌字符识别方法,其特征在于:所述步骤S22中目标损失函数采用的是交叉熵损失函数。
9.根据权利要求2所述的基于注意力机制的车牌字符识别方法,其特征在于:所述S11、设计深度神经网络模型的输入图像中所采用的输入图像是尺寸为64×128的车牌字符局部区域RGB图像。
10.根据权利要求3所述的基于注意力机制的车牌字符识别方法,其特征在于:所述注意力网络接入到步骤S12中的残差网络基础结构体resnetblock0后面,其输入特征图尺寸是8×16×64。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
面向海量非结构化文本的知识图谱自动构建方法及系统 | 2020-05-08 | 146 |
图像解码方法及使用其的装置 | 2020-05-11 | 677 |
一种高效的网络报文传输层多级特征提取方法和系统 | 2020-05-12 | 460 |
一种接口仿真平台的实现方法和装置 | 2020-05-11 | 653 |
一种基于深度学习的轨道扣件缺陷识别算法 | 2020-05-08 | 967 |
一种基于注意力机制的车牌字符识别方法 | 2020-05-11 | 286 |
基于多输入卷积神经网络的sMRI图像分类方法和装置 | 2020-05-11 | 862 |
一种结合深度网络特征和机器学习模型的乳腺癌数据分类方法 | 2020-05-08 | 709 |
一种基于智能体系统的多虚拟电厂协同优化方法 | 2020-05-12 | 968 |
CT扫描图像的儿童神经母细胞瘤分割方法、系统及装置 | 2020-05-08 | 143 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。