(19)中华 人民共和国 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 202111647117.5 (22)申请日 2021.12.3 0 (71)申请人 郑州信大 先进技术研究院 地址 450000 河南省郑州市高新 技术产业 开发区莲 花街55号 (72)发明人 李鹏飞　王坤　高毫林　汪淼　 王志恒　程昂　 (74)专利代理 机构 郑州德勤知识产权代理有限 公司 41128 代理人 武亚楠 (51)Int.Cl. G06V 20/62(2022.01) G06V 30/146(2022.01) G06V 30/19(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 嵌入式端实时高效的车牌识别方法、 设备及 介质 (57)摘要 本发明提供了一种嵌入式端实时高效的车 牌识别方法、 设备及介质， 所述方法包括以下步 骤： 读取待识别车牌图像， 将所述待识别车牌图 像传输至车牌识别网络模型逐层计算后输出车 牌识别结果； 其中， 所述车牌识别网络模型依次 包括第一残差块、 第二残差块、 第三残差块、 第四 残差块、 第五残差块、 第六残差块、 第七残差块、 第八残差块和输出层； 所述第一残差块用于对所 述待识别车牌图像进行初次卷积计算， 获得第一 浅层车牌特征； 所述第二残差块用于对所述第一 浅层车牌特征进行卷积计算， 获得第二浅层车牌 特征等等； 本发 明提出的嵌入式端实时高效的车 牌识别方法实时性高并且不易受光照的影响， 多 种字符个数的车牌均可识别， 经过验证可以无缝 适配到嵌入式端。 权利要求书2页 说明书6页 附图3页 CN 114299486 A 2022.04.08 CN 114299486 A 1.一种嵌入式端实时高效的车牌识别方法， 其特 征在于， 包括以下步骤： 读取待识别车牌图像， 将所述待识别车牌图像传输至车牌识别网络模型逐层计算后输 出车牌识别结果； 其中， 所述车牌识别网络模型依次包括第一残差块、 第二残差块、 第三残差块、 第 四残 差块、 第五残差块、 第六残差块、 第七残差块、 第八残差块和输出层； 所述第一残差块用于对 所述待识别车牌图像进行初次卷积计算， 获得第一浅层车牌特征； 所述第二残差块用于对 所述第一浅层车牌特征进行卷积计算， 获得第二浅层车牌特征； 所述第三残差块用于对所 述第二浅层车牌特征进行卷积计算， 获得第三浅层车牌特征； 所述第四残差块用于对所述 第三浅层车牌特征进行卷积计算， 获得第四浅层车牌特征； 所述第 五残差块用于对所述第 四浅层车牌特征进行卷积计算， 获得第 五浅层车牌特征； 所述第六残差块用于对所述第 五 浅层车牌特征进行卷积计算， 获得第一深层车牌特征； 所述第七残差块用于对所述第一深 层车牌特征进行卷积计算， 获得第二深层车牌特征； 所述第八残差块用于对所述第二深层 车牌特征进行卷积计算， 获得第三深层车牌特征； 所述输出层用于对所述第三深层车牌特 征进行卷积计算， 获得 车牌识别结果； 所述第一残差块、 所述第 二残差块、 所述第三残差块、 所述第四残差块和所述第五残差 块均包括卷积神经网络Conv2d层、 BatchNorm2d层、 激活函数ReLU层和BasicBlock层， 所述 第一残差块、 所述第二残差块、 所述第三残差块、 所述第四残差块和所述第五残差块的通道 个数依次为64、 64、 128、 256和512， 所述第一残差块、 所述第二残差块、 所述第三残差块、 所 述第四残差块和所述第五残差块输出 特征图像的宽度参数依次为8 8、 43、 43、 2 2和22； 所述第六残差块和所述第七残差块均包括卷积神经网络Conv2d层、 BatchNorm2d层、 激 活函数ReLU层和Dropout层， 所述第六残差块和所述第七残差块的通道个数依次为256和 128， 所述第六残差块和所述第七残差块输出 特征图像的宽度参数依次为20和18； 所述第八残差块包括卷积神经网络Conv2d层、 BatchNorm2 d层、 激活函数ReLU层， 所述 第八残差块的通道个数为6 6， 所述第八残差块输出 特征图像的宽度参数为18； 所述输出层包括卷积神经网络Conv2d层， 所述输出层的通道个数为66， 所述输出层输 出序列的步长为18。 2.根据权利要求1所述的嵌入式端实时高效的车牌识别方法， 其特征在于： 所述第五残 差块的卷积神经网络Conv2d层的卷积核大小为3 ×3， 卷积步长为1 ×1； 所述第六残差块的 卷积神经网络Conv2d层的卷积核大小为3 ×3， 卷积步长为1 ×1； 所述七残差块的卷积神经 网络Conv2d层的卷积核大小为2 ×3， 卷积步长为1 ×1； 所述第八残差块的卷积神经网络 Conv2d层的卷积核大小为1 ×1， 卷积步长为1 ×1； 所述输出层的卷积神经网络Conv2d层的 卷积核大小为1 ×1， 卷积步长为1 ×1。 3.根据权利要求1所述的嵌入式端实时高效的车牌识别方法， 其特征在于： 所述输出层 输出18*66维度数据， 每个66维数据经过softmax后， 记录最大值的位置； 将所有66维数据中 的最大值依次存 储至同一个一维数组中， 获得一个长度为18的第一目标 数组； 对所述第一目标数组中相邻并且相同的数字进行去重处理， 并去掉第 一目标数组中的 负样本数字， 得到第二目标 数组； 读取预置的车牌信息对比表， 所述车牌信息对比表为{京:0， 沪:1， 津:2， 渝:3， 冀:4， 晋:5， 蒙:6， 辽:7， 吉:8， 黑:9， 苏:10， 浙:11， 皖:12， 闽:13， 赣:14， 鲁:15， 豫:16， 鄂:17， 湘:权　利　要　求　书 1/2 页 2 CN 114299486 A 218， 粤:19， 桂:2 0， 琼:21， 川:22， 贵:2 3， 云:24， 藏:2 5， 陕:26， 甘:27， 青:28， 宁:29， 新:30， 0: 31， 1:32， 2:33， 3:34， 4:35， 5:36， 6:37， 7:38， 8:39， 9:40， A:41， B:42， C:43， D:44， E:45， F: 46， G:47， H:48， J:49， K:50， L:51， M:52， N:53， P:54， Q:55， R:56， S:57， T:58， U:59， V:60， W: 61， X:62， Y:6 3， Z:64，‑:65}， 其中， 所述负 样本数字 65对应的标识为 ‑； 根据所述第 二目标数组和所述车牌信 息对比表之间的映射关系， 得到所述待识别车牌 图像对应的车牌 号码。 4.一种嵌入式端实时高效的车牌识别设备， 其特征在于： 包括存储器、 处理器和存储在 所述存储器上并可在所述处理器上运行的嵌入式端实时高效的车牌识别程序， 所述嵌入式 端实时高效的车牌识别程序被所述处理器执行时， 实现如权利要求1 ‑3任一项所述的嵌入 式端实时高效的车牌识别方法的步骤。 5.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于： 所述计算机程序被 处理器执行时实现如权利要求1 ‑3任一项所述的嵌入式端实时高效的车牌识别方法的步 骤。权　利　要　求　书 2/2 页 3 CN 114299486 A 3