(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210923103.X (22)申请日 2022.08.02 (71)申请人 广州休波曼智能科技有限公司 地址 510000 广东省广州市黄埔区笔岗路 39号A栋513房 (72)发明人 胡海艳　 (74)专利代理 机构 东莞市卓易专利代理事务所 (普通合伙) 44777 专利代理师 高祺 (51)Int.Cl. G06V 20/62(2022.01) G06V 10/52(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种车牌识别算法 (57)摘要 本发明涉及车牌识别技术领域， 尤其为一种 车牌识别算法， 包括以下步骤： S1， 车牌定位： 1) 利用改进的YOL OV3检测网络对车牌做定位， 以此 来获取车牌的角点坐标； 2)对车牌进行裁剪， 并 将裁剪结果送入到识别网络， S2， 车牌识别： 1)序 列特征生 成： 将牌照边界框转换成一系 列特征向 量； 2)序列标注： 使用Adam和BP算 法训练具有GRU 的RNN模型以标记序列特征； 3)序列译码： 将CTC 应用于RNN的输出层， 分析RNN的标记结果并生成 最终识别结果， 整体来说本算法对较小车牌等小 物体的检测更为精细， 锚点框的选取更为准确， 同时， 也使得网络本身更好地利用低层和高层的 不同级别的细粒度特 征实现多尺度检测。 权利要求书1页 说明书3页 附图2页 CN 115273058 A 2022.11.01 CN 115273058 A 1.一种车牌识别算法， 其特 征在于： 包括以下步骤： S1， 车牌定位包括1)利用改进的YOLOV3检测网络对车牌做定位， 以此来获取车牌的角 点坐标； 2)对车牌进行裁 剪， 并将裁 剪结果送入到识别网络 。 S2， 车牌识别包括1)序列特征生成： 将牌照边界框转换成一系列特征向量； 2)序列标 注： 使用Adam和BP算法训练具有GRU的RNN模型以标记序列特征； 3)序列译码： 将CTC应用于 RNN的输出层， 分析RN N的标记结果并生成最终识别结果。 2.根据权利要求1所述的一种车牌识别算法， 其特征在于： 所述步骤S1， 车牌定位的具 体步骤如下： YOLOV3网络的改进方法为， 将ancor引入到YOLOV2中， 同时使用K ‑means方法， 对ancor数量进行讨论， 在精度和速度之间做出折中； 修改网络结构， 去掉YOLOV2中的全连 接层并改成全卷积结构， 将检测深度扩展为四个尺度， 其中concat连接两个尺度一样的张 量， 即将52 ×52尺度与104 ×104尺度通过(2， 2)上采样进行拼接， 扩展为网络的第4个尺度， 进而扩充张量的维度， 引入边界框思想， 为每种下采样尺度设定三种先验框， 总共聚类出9 种尺寸的先验框， 针对C OCO数据集和VOC数据集 都采用了三个尺度的进 行目标检测， 尺度小 的物体用大的先验框， 反 之， 尺度大的物体则用小的先验框， 从而形成YOLOV3 。 3.根据权利要求1所述的一种车牌识别算法， 其特征在于： 所述步骤S2中序列特征生成 的具体步骤如下： 卷积神经网络具有从图像中学习信息表示的强大能力， 应用预训练的七 层卷积神经网络模型从裁 剪的车牌图像中提取顺序特 征表示。 4.根据权利要求1所述的一种车牌识别算法， 其特征在于： 所述步骤S2， 中序列标注中 RNN较为特殊的具体步骤如下： 本网络具有对过去的上下文信息进 行预测的能力， 且相比对 每个特征进 行单独的处理， 该机制使得序列 识别操作更加的稳定， 考虑到RNN在训练期间容 易产生梯度爆炸的可能， 采用了LSTM的变体GRU， 它包含一个存储器单元和更新， 重置两个 乘法门， 比LSTM少一个门函数， 在参数规模上也比LSTM少1/4。 5.根据权利要求1所述的一种车牌识别算法， 其特征在于： 所述步骤S2中序列译码的具 体步骤如下： 将概率估计P的序列转换为字符串， 其中， CTC专门设计用于序列标记任务， 解 决输入特征和输出标签之间对齐关系不确定的时间序列问题， 也无需数据预分割， 它直接 将预读序列解码为输出标签， 故而， 选择具有反向传播的梯度下降算法Adam算法来训练网 络， 将它直接连接到GRU的输出， CTC的输入恰 好是GRU的输出激活， 另外， 采 取序列译码的策 略， 利用GRU的输出序列进一 步获取具有最大概 率的近似路径的最优解。权　利　要　求　书 1/1 页 2 CN 115273058 A 2一种车牌 识别算法 技术领域 [0001]本发明涉及车牌识别技 术领域， 具体为 一种车牌识别算法。 背景技术 [0002]车牌识别是现代智能交通系统中的重要组成部分之一， 应用十分广泛， 它以数字 图像处理、 模式识别、 计算机视觉等技术为基础， 对摄像机所拍摄的车辆图像或者视频序列 进行分析， 得到每一辆汽车唯一的车牌号码， 从而完成识别过程， 通过一些后续处理手段可 以实现停车场收费管理， 交通流量控制指标测量， 车辆定位， 汽车防盗， 高速公路超速自动 化监管等等功能， 对于维护交通安全和城市治安， 防止交通堵塞， 实现交通自动化管理有着 现实的意 义。 [0003]现有的车牌识别算法对较小车牌进行检测时不够精细， 锚点框 的选择不够准确， 因此需要一种车牌识别算法对上述问题 做出改善 。 发明内容 [0004]本发明的目的在于提供一种车牌识别算法， 以解决上述背景技 术中提出的问题。 [0005]为实现上述目的， 本发明提供如下技 术方案： [0006]一种车牌识别算法， 包括以下步骤： [0007]S1， 车牌定位包括1)利用改进的YOLOV3检测网络对车牌做定位， 以此来获取车牌 的角点坐标； 2)对车牌进行裁 剪， 并将裁 剪结果送入到识别网络 。 [0008]S2， 车牌识别包括1)序列特征生成： 将牌照边界框转换成一系列特征向量； 2)序列 标注： 使用Adam和BP算法训练具有GRU的RNN模型以标记序列特征； 3)序列译码： 将CTC应用 于RNN的输出层， 分析RN N的标记结果并生成最终识别结果。 [0009]作为本发明优选的方案， 所述步骤S1， 车牌定位的具体步骤如下： YOLOV3网络的改 进方法为， 将ancor引入到YOLOV2中， 同时使用K ‑means方法， 对ancor数量进行讨论， 在精度 和速度之间做出折中； 修改网络结构， 去掉Y OLOV2中的全连接层并 改成全卷积结构， 将检测 深度扩展为四个尺度， 其中concat连接两个尺度一样的张量， 即将52 ×52尺度与104 ×104 尺度通过(2， 2)上采样进 行拼接， 扩展为网络的第4个尺度， 进而扩充张量的维度， 引入边界 框思想， 为每种下采样尺度设定三种先验框， 总共聚类出9种尺寸的先验框， 针对COCO数据 集和VOC数据集都采用了三个尺度的进行目标检测， 尺度小的物体用大的先验框， 反之， 尺 度大的物体则用小的先验框， 从而形成YOLOV3 。 [0010]作为本发明优选的方案， 所述步骤S2中序列特征生成的具体步骤如下： 卷积神经 网络具有从图像中学习信息表示的强大能力， 应用预训练的七层卷积神经网络模型从裁剪 的车牌图像中提取顺序特 征表示。 [0011]作为本发明优选的方案， 所述步骤S2， 中序列标注中RNN较为特殊的具体步骤如 下： 本网络具有对过去的上下文信息进 行预测的能力， 且相比对每个特征进行单独的处理， 该机制使 得序列识别操作更加的稳定， 考虑到RNN在训练期间容易产生梯度爆 炸的可能， 采说　明　书 1/3 页 3 CN 115273058 A 3