一种车号识别方法及装置的制造方法
【技术领域】
[0001]本发明涉及图像处理技术领域，具体而言，涉及一种车号识别方法及装置。
【背景技术】
[0002]车号识别技术是一个基于数字图像处理和字符识别的智能化交通管理系统，是车辆检测系统中的一个重要环节，它在交通监视和控制中占有很重要的地位，有着多种应用，例如自动收费系统、城市交通车辆管理、不停车缴费、失窃车辆查询、停车场管理、特殊部门车辆出入控制等等。应用在铁路运输管理系统中，车号识别技术实现车次、车号自动识别，为铁路运输管理提供车次、车号等实时的基础信息，提高编组站作业效率，减轻了作业人员的劳动强度。其与货票系统结合，还能实现货流统计分析。
[0003]现有的车号识别系统主要是针对民用车牌识别，通过差分法对车牌进行初定位；然后根据车牌区域的直方图的特征确定车牌的类别；之后，以对车牌进行二值化操作；最后对二值车牌图像投影以确定最终的车牌位置。其中，在字符识别过程中，多采用支持向量机方法、BP (Back Propagat1n)神经网络以及基于核聚类算法的决策树方法。
[0004]现有技术采用的支持向量机方法来识别字符，由于是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间；采用基于核聚类算法的决策树方法进行字符识别，当类别太多时，错误增加的比较快。
[0005]采用BP (Back Propagat1n)神经网络进行字符识别也暴露出越来越多的缺点和不足。传统的BP神经网络为一种局部搜索的优化方法，它要解决的是一个复杂非线性化问题，网络的权值是通过沿局部改善的方向逐渐进行调整的，这样会使算法陷入局部极值，权值收敛到局部极小点，从而导致网络训练失败。加上BP神经网络对初始网络权重非常敏感，以不同的权重初始化网络，其往往会收敛于不同的局部极小，导致每次训练都得到不同结果。
[0006]综上，现有采用支持向量机方法、BP (Back Propagat1n)神经网络以及基于核聚类算法的决策树方法来识别字符，字符识别准确率较低。
【发明内容】
[0007]有鉴于此，本发明提供了一种车号识别方法及装置，用于解决现有技术中字符识别准确率较低的问题。
[0008]第一方面，本发明实施例提供了一种车号识别方法，所述方法包括:
[0009]步骤1、分别对预先获取的多个车型样本图片的每个车型样本图片进行归一化，得到多个标准样本图片；
[0010]步骤2、根据所述多个标准样本图片中的车号字符训练神经网络，得到字符卷积神经网络结构；
[0011]步骤3、根据所述多个标准样本图片中的端位符号训练神经网络，得到端位卷积神经网络结构；
[0012]步骤4、分别利用所述字符卷积神经网络结构和所述端位卷积神经网络结构，对预先采集的车型图片进行识别，以获取车号。
[0013]结合第一方面，本发明实施例提供了上述第一方面的第一种可能的实现方式，其中，在步骤2中，包括对每个标准样本图片执行如下操作:
[0014]步骤21、将预先获取的车号字符的样本值XII和对应的目标输出量D11输入到神经网络中，以计算得到所述神经网络各层的实际输出量Y11 ;
[0015]步骤22、根据所述目标输出量D11和所述实际输出量Y11计算所述神经网络各层的误差，并确定所述神经网络各层权值的第一调整量；
[0016]步骤23、根据所述第一调整量调整所述神经网络各层的权值，得到第一初始神经网络结构；
[0017]步骤24、依次将所有车号字符的样本值输入到所述第一初始神经网络结构中，计算输出结果的错误率，若错误率小于阈值，则所述第一初始神经网络结构为字符卷积神经网络结构，若错误率大于或等于阈值，回到步骤21。
[0018]结合第一方面，本发明实施例提供了上述第一方面的第二种可能的实现方式，其中，在步骤3中，包括对每个标准样本图片执行如下操作:
[0019]步骤31、将预先获取的端位符号的样本值X21和对应的目标输出量D21输入到神经网络中，以计算得到所述神经网络各层的实际输出量Y21 ;
[0020]步骤32、根据所述目标输出量D21和所述实际输出量Y21计算所述神经网络各层的误差，并确定所述神经网络各层权值的第二调整量；
[0021]步骤33、根据所述第二调整量调整所述神经网络各层的权值，得到第二初始神经网络结构；
[0022]步骤34、依次将所有端位符号的样本值输入到所述第二初始神经网络结构中，计算输出结果的错误率，若错误率小于阈值，则所述第二初始神经网络结构为端位卷积神经网络结构，若错误率大于或等于阈值，回到步骤31。
[0023]结合第一方面，本发明实施例提供了上述第一方面的第三种可能的实现方式，其中，在步骤4中，包括:
[0024]步骤41、动态采集要识别的机车车型图片；
[0025]步骤42、对所述机车车型图片进行自适应二值化操作，得到二值图；
[0026]步骤43、定位所述二值图中包含车号字符和端位符号的位置区域；
[0027]步骤44、对包含所述车号字符和端位符号的位置区域分别进行车号字符和端位符号的分割，得到车号字符分割图和端位符号分割图；
[0028]步骤45、利用所述字符卷积神经网络结构，对所述车号字符分割图进行识别，得到车号字符；
[0029]步骤46、利用所述端位卷积神经网络结构，对所述端位符号分割图进行识别，得到端位符号。
[0030]结合第一方面，本发明实施例提供了上述第一方面的第四种可能的实现方式，其中，在步骤42中，包括:
[0031]步骤421、对所述车型图片进行灰度处理，得到灰度图；
[0032]步骤422、将所述灰度图转化为灰度积分图；
[0033]步骤423、将所述灰度积分图划分为多个积分区域，以使所述灰度积分图中的每一像素点获得一个积分区域，计算所述积分区域的均值，当所述均值大于阈值时，该像素点的像素值赋予数值255，当所述均值小于或等于阈值时，该像素点的像素值赋予数值0 ;
[0034]步骤424、将所述灰度积分图对应的点及所述数值，转化为二值图。
[0035]结合第一方面，本发明实施例提供了上述第一方面的第四种可能的实现方式，其中，在步骤421中，包括:
[0036]若所述车型图片为蓝底红字，则采用HSV颜色空间的V分量为所述车型图片中每一个像素点的灰度值，所述车型图片中所有像素点转化得到灰度图，V分量的获取公式V =MAX (R, G, B)；
[0037]若所述车型图片为红底白字，则采用Gray值为所述车型图片中每一个像素点的灰度值，所述车型图片中所有像素点转化得到灰度图，Gray值的获取公式Gray =R*0.299+G*0.587+B*0.114。
[0038]第二方面，本发明实施例提供了一种车号识别装置，所述装置包括:
[0039]归一化模块，用于分别对预先获取的多个车型样本图片的每个车型样本图片进行归一化，得到多个标准样本图片；
[0040]字符训练模块，用于根据所述多个标准样本图片的车号字符训练神经网络，得到字符卷积神经网络结构；
[0041]端位训练模块，用于根据所述多个标准样本图片的端位符号训练神经网络，得到端位卷积神经网络结构；
[0042]识别模块，用于分别利用所述字符卷积神经网络结构和所述端位卷积神经网络结构，对预先采集的车型图片进行识别，得到车号。
[0043]结合第二方面，本发明实施例提供了上述第二方面的第一种可能的实现方式，其中，所述字符训练模块还包括:
[0044]输出量计算单元，用于将预先获取的车号字符的样本值XII和对应的目标输出量D11输入到神经网络中，以计算得到所述神经网络各层的实际输出量Y11 ;
[0045]调整量计算单元，用于根据所述目标输出量D11和所述实际输出量Y11计算所述神经网络各层的误差，并确定所述神经网络各层权值的调整量；
[0046]调整单元，用于根据所述调整量调整所述神经网络各层的权值，得到第一初始神经网络结构；
[0047]结构确定单元，用于依次将所有车号字符的样本值输入到所述第一初始神经网络结构中，计算输出结果的错误率，若错误率小于阈值，则所述第一初始神经网络结构为字符卷积神经网络结构，若错误率大于或等于阈值，回到步骤21。
[0048]结合第二方面，本发明实施例提供了上述第二方面的第二种可能的实现方式，其中，所述端位训练模块还包括:
[0049]输出量计算单元，用于将预先获取的端位符号样本值X21和对应的目标输出量D21输入到神经网络中，以计算得到所述神经网络各层的实际输出量Y21 ;
[0050]调整量计算单元，用于根据所述目标输出量D21和所述实际输出量Y21计算所述神经网络各层的误差，并确定所述神经网络各层权值的调整量；
[0051]调