1.本发明涉及图像识别技术领域，具体是一种高速路口车牌识别系统。
背景技术：2.针对高速路口特定的场景下的车牌识别技术，对实时性要求较高。而传统的检测方式采用的是采用先分割后识别的二阶段方法，在相同的硬件条件下，检测速度慢。为了满足速度要求，往往需要投入更高的硬件成本。
技术实现要素：3.本发明要解决的技术问题是在高速路口车牌识别过程，高效地识别车牌，并以占用资源最小化，把识别结果送给管理后台。
4.本技术方案为：一种高速路口车牌识别系统，包括电源、图像采集装置、车辆感应装置、识别装置和网络传输装置；
5.所述电源在现场为图像采集装置、车辆感应装置、识别装置和网络传输装置供电；
6.所述电源是市电和/或太阳能供电系统；
7.所述图像采集装置是数码照相机，车辆感应装置的信号输出端与数码照相机的电子快门输入端电连接；
8.识别装置是以微型计算机为核心的设备；识别装置接收来自数码照相机的图片，并识别车牌照片，然后存储车牌照片对应的文字信息；识别装置连接于网络传输设备；
9.远端的管理后台通过网络传输设备调取识别装置存储的文字信息和/或图片；
10.识别装置使用卷积神经网络模型对车牌进行识别，在卷积神经网络模型中，输入的车牌图片被提取特征最终得到输出的文字信息。
11.所述电源中，太阳能供电系统的输出端有稳压电路；市电输出和太阳能供电系统输出的切换采用电源快速切换装置。
12.所述卷积神经网络模型中：由主干特征提取网络提取特征，再由8个相同的分类器分别对特征进行预测；
13.分类器按其用途分为：用于预测车牌中表示省、自治区、直辖市发牌机关代号的分类器，输出维度是38；用于预测车牌中表示所述市区的代号的分类器，输出维度是25；用于预测车牌中其余字符的分类器，它们的输出维度是35；
14.车牌字符编码分为三部分，分别对应：用于预测车牌中表示省、自治区、直辖市发牌机关代号的分类器的预测输出；用于预测车牌中表示所述市区的代号的分类器的预测输出；用于预测车牌中其余字符的分类器的预测输出。
15.使用损失函数优化卷积神经网络模型，使用交叉熵作为损失函数lose，损失是各个分类器损失的和；任一分类器损失losei＝crossentropyloss(pre[i],label[i])；
[0016]
pre表示车牌信息预测值，label表示车牌信息的真实标签，中pre[i]为车牌预测信息中的第i个字符，相应的label[i]为车牌真实标签中的第i个字符。
[0017]
本识别系统在硬件设计中，并没有改变现有识别系统的硬件架构，而对识别装置中的识别方法进行改进，引入积神经网络模型。同时，在硬件电源的选取中，引入太阳能和传统市电供电系统结合的方式，并以“备自投”思路以太阳能供电为主，备用市电供电系统。
附图说明
[0018]
图1是本高速路口车牌识别系统的示意图。
具体实施方式
[0019]
下面结合附图与具体实施方式对本系统进一步说明。
[0020]
一种高速路口车牌识别系统，包括电源、图像采集装置、车辆感应装置、识别装置和网络传输装置；
[0021]
所述电源在现场为图像采集装置、车辆感应装置、识别装置和网络传输装置供电；
[0022]
所述电源是市电和/或太阳能供电系统；
[0023]
本例中，从高速公路的应用场景来看，可以采用清洁能源太阳能发电板和传统供电相结合的方式，传统供电方式可以弥补不良天气中太阳能供电的不稳定性。另外，考虑到冬夏温差大、雷雨季节的影响，采用稳压器来保证在不良天气下的电源供应。为了保证电源的正常切换，本方案采用7vu68快切装置，这种电源系统的切换是由电源快速切换装置在毫秒级的时间内自动执行并完成的。并且支持事故启动和异常启动。
[0024]
所述图像采集装置是数码照相机，车辆感应装置的信号输出端与数码照相机的电子快门输入端电连接；
[0025]
识别装置是以微型计算机为核心的设备；识别装置接收来自数码照相机的图片，并识别车牌照片，然后存储车牌照片对应的文字信息；识别装置连接于网络传输设备；
[0026]
远端的管理后台通过网络传输设备调取识别装置存储的文字信息和/或图片；
[0027]
识别装置使用卷积神经网络对车牌进行识别，在卷积网络中，输入的车牌图片被提取特征最终得到输出的文字信息。
[0028]
所述卷积神经网络的设计方法包括：
[0029]
1)模型架构设计
[0030]
对于输入的车牌的图像，使用resnet18作为主干特征提取网络，提取特征；
[0031]
将提取到的特征分别送入多个相同的分类器；每个分类器是由一个三层的前馈神经网络构成；
[0032]
第1个分类器的输出维度是38，用于预测车牌中的第1位字符，是车牌的隶属省份；
[0033]
第2个分类器的输出维度是25，用于预测车牌中的第2位字符，是车牌的隶属区域；
[0034]
其余分类器的输出维度是35，用于预测车牌中的其余字符，是车牌的个人编码；
[0035]
2)标签制作
[0036]
车牌的字符进行编码分为三个部分，依次是省份provinces、地区alphabets和个人ads编码；在编码时候，把蓝色燃油车牌中的个人编码对应字符位数与新能源车牌中的个人编码对应字符位数设置为相同，字符位数相差部分用
“”
表示；
[0037]
车牌字符编码表示为：
[0038]
provinces＝[“京”，“津”，“沪”，“渝”，“冀”，“豫”，“川”，“云”，“辽”，“黑”，“湘”，“皖”，“鲁”，“苏”，“浙”，“赣”，“鄂”，“晋”，“蒙”，“吉”，“黑”，“闽”，“粤”，“桂”，“琼”，“贵”，“藏”，“陕”，“甘”，“青”，“宁”，“新”，“警”，“学”]
[0039]
alphabets＝[
‘
a’,’b’,’c’,’d’,’e’,’f’,’g’,’h’,’j’,’k’,’l’,’m’,’n’,’p’,’q’,’r’,’s’,’t’,’u’,
’v’
,’w’,’x’,’y’,’z’,]
[0040]
ads＝[’a’,’b’,’c’,’d’,’e’,’f’,’g’,’h’,’j’,’k’,’l’,’m’,’n’,’p’,’q’,’r’,’s’,’t’,’u’,
’v’
,’w’,’x’,’y’,’z’,
’0’
,
’1’
,
’2’
,
’3’
,
’4’
,
’5’
,
’6’
,
’7’
,
’8’
,
’9’
,”]
[0041]
所述步骤1)中，分类器有8个，第3～8个分类器用于预测车牌中的第3～8个字符，是车牌的个人编码。
[0042]
在ads个人编码的字典中，留有空格
“”
，把蓝色燃油车也视作八位字符，最后一位是空格
“”
。
[0043]
远端的管理后台调取文字信息和/或图片后，相应文字信息和/或图片被识别装置删除本地存储。
[0044]
在识别模型中，采用端到端的一阶段的检测方法，从车牌图像的输入到字符输出完全自动化，没有中间处理；实现了新能源汽车和燃油车的车牌识别，在落地部署中，降低模型的数量，进一步提高系统的综合推理性能。
[0045]
优化模型时：
[0046]
利用损失函数优化，这里使用交叉熵作为损失函数，其总的损失是八个分类器损失的和。
[0047][0048]
losei＝crossentropyloss(pre[i],label[i])
[0049]
此处，pre表示车牌信息预测值，label表示车牌信息的真实标签。其中pre[i]为车牌预测信息中的第i个字符，相应的label[i]为车牌真实标签中的第i个字符。
[0050]
训练网络
[0051]
(a)采用带动量随机梯度下降法进行训练，为了方便网络的收敛，采用迁移学习的方式，加载resnet18在coco数据集上的预训练权重。
[0052]
(b)新增加的分类器权重满足高斯分布随机初始化，标准差为0.01；
[0053]
(c)在每次迭代过程中，将一批被标记的训练数据输入到网络中，然后更新参数。
[0054]
具体的优化函数公式如下：
[0055]
先计算dw和db的指数加权平均
[0056]vdw
＝βv
dw
+(1-β)dw
[0057]vdb
＝βv
db
+(1-β)db
[0058]
其中，β表示动量系数，默认设置为0.9。接下来再利用v
dw
，v
db
来更新参数，具体如下：
[0059]
w＝w-αv
dw
[0060]
b＝b-αv
db
。
技术特征：1.一种高速路口车牌识别系统，包括电源、图像采集装置、车辆感应装置、识别装置和网络传输装置；所述电源在现场为图像采集装置、车辆感应装置、识别装置和网络传输装置供电；所述电源是市电和/或太阳能供电系统；所述图像采集装置是数码照相机，车辆感应装置的信号输出端与数码照相机的电子快门输入端电连接；其特征是识别装置是以微型计算机为核心的设备；识别装置接收来自数码照相机的图片，并识别车牌照片，然后存储车牌照片对应的文字信息；识别装置连接于网络传输设备；远端的管理后台通过网络传输设备调取识别装置存储的文字信息和/或图片；识别装置使用卷积神经网络模型对车牌进行识别，在卷积神经网络模型中，输入的车牌图片被提取特征最终得到输出的文字信息。2.根权利要求1所述的高速路口车牌识别系统，其特征是所述电源中，太阳能供电系统的输出端有稳压电路；市电输出和太阳能供电系统输出的切换采用电源快速切换装置。3.根权利要求1所述的高速路口车牌识别系统，其特征是所述卷积神经网络模型中：由主干特征提取网络提取特征，再由8个相同的分类器分别对特征进行预测；分类器按其用途分为：用于预测车牌中表示省、自治区、直辖市发牌机关代号的分类器，输出维度是38；用于预测车牌中表示所述市区的代号的分类器，输出维度是25；用于预测车牌中其余字符的分类器，它们的输出维度是35；车牌字符编码分为三部分，分别对应：用于预测车牌中表示省、自治区、直辖市发牌机关代号的分类器的预测输出；用于预测车牌中表示所述市区的代号的分类器的预测输出；用于预测车牌中其余字符的分类器的预测输出。4.根权利要求1所述的高速路口车牌识别系统，其特征是使用损失函数优化卷积神经网络模型，使用交叉熵作为损失函数lose，损失是各个分类器损失的和；任一分类器损失lose
i
＝crossentropyloss(pre[i],label[i])；pre表示车牌信息预测值，label表示车牌信息的真实标签，中pre[i]为车牌预测信息中的第i个字符，相应的label[i]为车牌真实标签中的第i个字符。5.根权利要求1所述的高速路口车牌识别系统，其特征是所述步骤1)中，主干特征提取网络是resnet18。
技术总结一种高速路口车牌识别系统，包括电源、图像采集装置、车辆感应装置、识别装置和网络传输装置；电源在现场为图像采集装置、车辆感应装置、识别装置和网络传输装置供电；电源是市电和/或太阳能供电系统；图像采集装置是数码照相机，车辆感应装置的信号输出端与数码照相机的电子快门输入端电连接；识别装置是以微型计算机为核心的设备；识别装置接收来自数码照相机的图片，识别车牌照片，然后存储车牌照片对应的文字信息；识别装置连接于网络传输设备；远端的管理后台通过网络传输设备调取识别装置存储的文字信息和/或图片；识别装置使用卷积神经网络模型对车牌进行识别，在卷积神经网络模型中，输入的车牌图片被提取特征最终得到输出的文字信息。到输出的文字信息。到输出的文字信息。
技术研发人员：张正 苗春乐 田青
受保护的技术使用者：北方工业大学
技术研发日：2022.03.29
技术公布日：2022/7/5
