CN108052866A - 基于人工神经网络的车牌识别学习方法及*** - Google Patents
基于人工神经网络的车牌识别学习方法及*** Download PDFInfo
- Publication number
- CN108052866A CN108052866A CN201711146253.XA CN201711146253A CN108052866A CN 108052866 A CN108052866 A CN 108052866A CN 201711146253 A CN201711146253 A CN 201711146253A CN 108052866 A CN108052866 A CN 108052866A
- Authority
- CN
- China
- Prior art keywords
- car
- license recognition
- car license
- neural network
- artificial neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于人工神经网络的车牌识别学习方法及***,包括:将每个车牌识别仪作为人工神经元,通过网络组成车牌识别***的人工神经网络,对车牌识别仪给出样本车牌进行学习得到经验表,根据所述经验表预测识别结果;通过回归分析,了解统一车牌的多个字符或者多个车牌的多个字符是否相关、相关方向与强度,建立数学模型;通过验证目标车牌,调整数学模型的反应变数与解释变数;通过分类分析,根据已知样本车牌的特征,判断新的样本车牌属于哪种已知的样本类,通过计算选择特征参数,建立判别函数,对样本车牌进行分类。本发明能够准确识别车辆的有效身份,减少了对识别距离和环境的要求,节约安装维护成本。
Description
技术领域
本发明涉及车辆识别技术领域,具体地,涉及一种基于人工神经网络的车牌识别学习方法及***。
背景技术
在现行的车牌识别***中,车牌在晴天和阴雨、下雪天气视觉上是不一样的,同时,车牌本身种类较多,形状、颜色、尺寸等都各有不同,拍摄点的距离不同、拍摄角度不同都会影响到最终车牌结果。
机器学习是人工智能的一个分支。学习算法中涉及了大量的统计学、逼近论、凸分析、计算复杂性理论等多门学科。神经网络由大量的人工神经元联结进行计算。神经网络中的神经元连接的权重和神经元的激励值是变化的;激励函数定义神经元如何根据其他神经元的活动来改变自己的激励值;学习规则指定了网络中的权重如何随着时间推进而调整。
如何对行车牌识别进行机器学习,实现全天候条件、不同安装环境条件下对不同车牌进行准确识别是本领域急需解决的技术问题。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于人工神经网络的车牌识别学习方法及***。
根据本发明提供的一种基于人工神经网络的车牌识别学习方法,包括步骤:
人工神经网络组建步骤:将每个车牌识别仪作为人工神经元,通过网络组成车牌识别***的人工神经网络,对车牌识别仪给出样本车牌进行学习得到经验表,根据所述经验表预测识别结果;
数学模型建立步骤:通过回归分析,了解统一车牌的多个字符或者多个车牌的多个字符是否相关、相关方向与强度,建立数学模型;
数学模型调整步骤:通过验证目标车牌,调整数学模型的反应变数与解释变数;
分类分析步骤:通过分类分析,根据已知样本车牌的特征,判断新的样本车牌属于哪种已知的样本类,通过计算选择特征参数,建立判别函数,对样本车牌进行分类。
较佳的,还包括:
权重调整步骤:指定车牌识别仪连接的权重,同一场地的车牌识别仪相互之间的连接权重高于不同场地的车牌识别仪之间的连接权重。
较佳的,还包括:
激励值调整步骤:根据车流量调整车牌识别仪的激励值,车牌识别仪的激励值随车流量的增加而增加,随车流量的降低而减少。
根据本发明提供的一种基于人工神经网络的车牌识别学习***,包括:
人工神经网络组建模块:将每个车牌识别仪作为人工神经元,通过网络组成车牌识别***的人工神经网络,对车牌识别仪给出样本车牌进行学习得到经验表,根据所述经验表预测识别结果;
数学模型建立模块:通过回归分析,了解统一车牌的多个字符或者多个车牌的多个字符是否相关、相关方向与强度,建立数学模型;
数学模型调整模块:通过验证目标车牌,调整数学模型的反应变数与解释变数;
分类分析模块:通过分类分析,根据已知样本车牌的特征,判断新的样本车牌属于哪种已知的样本类,通过计算选择特征参数,建立判别函数,对样本车牌进行分类。
较佳的,还包括:
权重调整模块:指定车牌识别仪连接的权重,同一场地的车牌识别仪相互之间的连接权重高于不同场地的车牌识别仪之间的连接权重。
较佳的,还包括:
激励值调整模块:根据车流量调整车牌识别仪的激励值,车牌识别仪的激励值随车流量的增加而增加,随车流量的降低而减少。
与现有技术相比,本发明具有如下的有益效果:
1、基于人工神经网络的车牌识别学习,减少了对识别距离和环境的要求,节约安装维护成本。
2、提高车牌识别结果,有效地识别车辆身份,准确控制车辆的进出,减少了管理成本。
3、准确识别车辆的有效身份,自动完成开闸,提升了用户的实际使用体验。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的流程图;
图2为本发明的原理图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1、2所示,本发明提供的一种基于人工神经网络的车牌识别学习方法,包括步骤:
人工神经网络组建步骤:将每个车牌识别仪作为人工神经元,通过网络组成车牌识别***的人工神经网络,对车牌识别仪给出样本车牌进行学习得到经验表,根据所述经验表预测识别结果。录入车牌识别仪的参数,所属场地、地上地下和环境参数。
数学模型建立步骤:通过回归分析,了解统一车牌的多个字符或者多个车牌的多个字符是否相关、相关方向与强度,建立数学模型。给定输入识别字符作为自变量,输出车牌字符作为因变量,建立多元线性回归数学模型。
数学模型调整步骤:通过验证目标车牌,调整数学模型的反应变数与解释变数,即调整回归系数,表示输入字符对输出字符的影响程度。
分类分析步骤:通过分类分析,根据已知样本车牌的特征,判断新的样本车牌属于哪种已知的样本类,通过计算选择特征参数,建立判别函数,对样本车牌进行分类。分析机动车号牌编码规则,建立各种车牌的正则表达式。
权重调整步骤:指定车牌识别仪连接的权重,同一场地的车牌识别仪相互之间的连接权重高于不同场地(例如地上与低下)的车牌识别仪之间的连接权重。
激励值调整步骤:根据车流量调整车牌识别仪的激励值,车牌识别仪的激励值随车流量的增加而增加,随车流量的降低而减少。通过定义激励函数,来确定一个识别仪如何根据其他识别仪的活动来改变自己的激励值。入口的识别仪的车流量变大时,激励函数就增大出口识别仪的激励值。
学习规则定义了网络中的权重如何随着时间推进调整。增强学习通过观察环境光线感应器,根据观察到的周围环境的反馈,从相近环境的经验表中分析。
通过有监督的学习,车牌识别结果的可信度不断地学习,归纳分析经验值。在可信度高的情况下,采纳结果;在可信度低的情况下对车牌做出合理地推测。
基于上述一种基于人工神经网络的车牌识别学习方法,本发明还提供一种基于人工神经网络的车牌识别学习***,包括:
人工神经网络组建模块:将每个车牌识别仪作为人工神经元,通过网络组成车牌识别***的人工神经网络,对车牌识别仪给出样本车牌进行学习得到一个经验表,根据所述经验表预测识别结果;
数学模型建立模块:通过回归分析,了解统一车牌的多个字符或者多个车牌的多个字符是否相关、相关方向与强度,建立数学模型;
数学模型调整模块:通过验证目标车牌,调整数学模型的反应变数与解释变数;
分类分析模块:通过分类分析,根据已知样本车牌的特征,判断新的样本车牌属于哪种已知的样本类,通过计算选择特征参数,建立判别函数,对样本车牌进行分类。
权重调整模块:指定车牌识别仪连接的权重,同一场地的车牌识别仪相互之间的连接权重高于不同场地的车牌识别仪之间的连接权重。
激励值调整模块:根据车流量调整车牌识别仪的激励值,车牌识别仪的激励值随车流量的增加而增加,随车流量的降低而减少。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (6)
1.一种基于人工神经网络的车牌识别学习方法,其特征在于,包括步骤:
人工神经网络组建步骤:将每个车牌识别仪作为人工神经元,通过网络组成车牌识别***的人工神经网络,对车牌识别仪给出样本车牌进行学习得到经验表,根据所述经验表预测识别结果;
数学模型建立步骤:通过回归分析,了解统一车牌的多个字符或者多个车牌的多个字符是否相关、相关方向与强度,建立数学模型;
数学模型调整步骤:通过验证目标车牌,调整数学模型的反应变数与解释变数;
分类分析步骤:通过分类分析,根据已知样本车牌的特征,判断新的样本车牌属于哪种已知的样本类,通过计算选择特征参数,建立判别函数,对样本车牌进行分类。
2.根据权利要求1所述的基于人工神经网络的车牌识别学习方法,其特征在于,还包括:
权重调整步骤:指定车牌识别仪连接的权重,同一场地的车牌识别仪相互之间的连接权重高于不同场地的车牌识别仪之间的连接权重。
3.根据权利要求1所述的基于人工神经网络的车牌识别学习方法,其特征在于,还包括:
激励值调整步骤:根据车流量调整车牌识别仪的激励值,车牌识别仪的激励值随车流量的增加而增加,随车流量的降低而减少。
4.一种基于人工神经网络的车牌识别学习***,其特征在于,包括:
人工神经网络组建模块:将每个车牌识别仪作为人工神经元,通过网络组成车牌识别***的人工神经网络,对车牌识别仪给出样本车牌进行学习得到经验表,根据所述经验表预测识别结果;
数学模型建立模块:通过回归分析,了解统一车牌的多个字符或者多个车牌的多个字符是否相关、相关方向与强度,建立数学模型;
数学模型调整模块:通过验证目标车牌,调整数学模型的反应变数与解释变数;
分类分析模块:通过分类分析,根据已知样本车牌的特征,判断新的样本车牌属于哪种已知的样本类,通过计算选择特征参数,建立判别函数,对样本车牌进行分类。
5.根据权利要求4所述的基于人工神经网络的车牌识别学习***,其特征在于,还包括:
权重调整模块:指定车牌识别仪连接的权重,同一场地的车牌识别仪相互之间的连接权重高于不同场地的车牌识别仪之间的连接权重。
6.根据权利要求4所述的基于人工神经网络的车牌识别学习***,其特征在于,还包括:
激励值调整模块:根据车流量调整车牌识别仪的激励值,车牌识别仪的激励值随车流量的增加而增加,随车流量的降低而减少。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711146253.XA CN108052866A (zh) | 2017-11-17 | 2017-11-17 | 基于人工神经网络的车牌识别学习方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711146253.XA CN108052866A (zh) | 2017-11-17 | 2017-11-17 | 基于人工神经网络的车牌识别学习方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108052866A true CN108052866A (zh) | 2018-05-18 |
Family
ID=62120210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711146253.XA Pending CN108052866A (zh) | 2017-11-17 | 2017-11-17 | 基于人工神经网络的车牌识别学习方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108052866A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596685A (zh) * | 2019-09-13 | 2019-12-20 | 福建工程学院 | 一种快速移动下随机场景的单目测距方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
CN101105893A (zh) * | 2006-07-14 | 2008-01-16 | 沈阳江龙软件开发科技有限公司 | 一种车辆视频识别测速方法 |
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN104657748A (zh) * | 2015-02-06 | 2015-05-27 | 中国石油大学(华东) | 一种基于卷积神经网络的车型识别方法 |
CN105184271A (zh) * | 2015-09-18 | 2015-12-23 | 苏州派瑞雷尔智能科技有限公司 | 一种基于深度学习的车辆自动检测方法 |
CN106096602A (zh) * | 2016-06-21 | 2016-11-09 | 苏州大学 | 一种基于卷积神经网络的中文车牌识别方法 |
CN106845478A (zh) * | 2016-12-30 | 2017-06-13 | 同观科技(深圳)有限公司 | 一种字符置信度的二次车牌识别方法及装置 |
CN107220638A (zh) * | 2017-07-03 | 2017-09-29 | 深圳市唯特视科技有限公司 | 一种基于深度学习卷积神经网络的车牌检测识别方法 |
-
2017
- 2017-11-17 CN CN201711146253.XA patent/CN108052866A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
CN101105893A (zh) * | 2006-07-14 | 2008-01-16 | 沈阳江龙软件开发科技有限公司 | 一种车辆视频识别测速方法 |
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN104657748A (zh) * | 2015-02-06 | 2015-05-27 | 中国石油大学(华东) | 一种基于卷积神经网络的车型识别方法 |
CN105184271A (zh) * | 2015-09-18 | 2015-12-23 | 苏州派瑞雷尔智能科技有限公司 | 一种基于深度学习的车辆自动检测方法 |
CN106096602A (zh) * | 2016-06-21 | 2016-11-09 | 苏州大学 | 一种基于卷积神经网络的中文车牌识别方法 |
CN106845478A (zh) * | 2016-12-30 | 2017-06-13 | 同观科技(深圳)有限公司 | 一种字符置信度的二次车牌识别方法及装置 |
CN107220638A (zh) * | 2017-07-03 | 2017-09-29 | 深圳市唯特视科技有限公司 | 一种基于深度学习卷积神经网络的车牌检测识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596685A (zh) * | 2019-09-13 | 2019-12-20 | 福建工程学院 | 一种快速移动下随机场景的单目测距方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Machine vision for natural gas methane emissions detection using an infrared camera | |
CN108734283B (zh) | 神经网络*** | |
Fourati | Multiple neural control of a greenhouse | |
Lv et al. | A long Short-Term memory cyclic model with mutual information for hydrology forecasting: A Case study in the xixian basin | |
Wang et al. | A new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting | |
CN106951919A (zh) | 一种基于对抗生成网络的流速监测实现方法 | |
Hosseini et al. | Artificial intelligence for resilience enhancement of power distribution systems | |
CN106254330A (zh) | 一种基于bp神经网络的软件定义网络入侵检测方法 | |
CN108091111A (zh) | 一种油罐车油气泄漏智能预警*** | |
CN116629465B (zh) | 智能电网视频监控与风险预测响应*** | |
Jozi et al. | Energy consumption forecasting based on hybrid neural fuzzy inference system | |
CN108053052A (zh) | 一种油罐车油气泄漏速度智能监测*** | |
Narang et al. | Weight pattern evaluation for multiobjective hydrothermal generation scheduling using hybrid search technique | |
Swaroop et al. | Load forecasting for power system planning using fuzzy-neural networks | |
Kabir et al. | Partial adversarial training for prediction interval | |
CN108052866A (zh) | 基于人工神经网络的车牌识别学习方法及*** | |
CN112381142A (zh) | 基于重要特征的具有可解释性对抗样本生成方法及*** | |
CN104463130B (zh) | 一种基于评估反馈***的车牌图像光照处理方法 | |
CN107220168A (zh) | 一种基于集成的信息***体系成熟度评价方法 | |
KR20200078866A (ko) | 데이터 패턴 분석을 이용한 비정상행위 탐지 장치 및 방법 | |
CN111967003A (zh) | 基于黑盒模型与决策树的风控规则自动生成***及方法 | |
Manikonda et al. | Power quality event classification using transfer learning on images | |
Yap et al. | Compressing and improving fuzzy rules using genetic algorithm and its application to fault detection | |
CN116488325A (zh) | 一种智能电网异常检测与分类方法、设备、可读存储介质 | |
Amogha | Load Forecasting Algorithms with Simulation & Coding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180518 |
|
RJ01 | Rejection of invention patent application after publication |