買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜中國公路工程咨詢集團有限公司;北京工業大學申請的專利一種非可控環境下的魯棒中文車牌識別方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114639090B 。

龍圖騰網通過國家知識產權局官網在2025-05-13發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111262855.8，技術領域涉及：G06V20/62；該發明授權一種非可控環境下的魯棒中文車牌識別方法是由許永存;孫昊;安鑫;李紅芳;梁昭偉;白雪峰;范棟男;安澤萍;單錚;卓力設計研發完成，并于2021-10-28向國家知識產權局提交的專利申請。

本一種非可控環境下的魯棒中文車牌識別方法在說明書摘要公布了：一種非可控環境下的魯棒中文車牌識別方法屬于圖像處理領域，針對非可控環境下車牌識別存在的魯棒性差、性能不高等問題。該方法基于CRNN框架實現，包括三個步驟：建立數據集、輸入圖像預處理和網絡結構設計。由于中文車牌字符的長度不一，本發明采用了CTC算法，用于解決不定長車牌字符的對齊問題。CTC可以把從序列識別層獲取的一系列字符序列轉換成最終的字符序列。本發明效果：1、識別速度快、準確率高；2、可以實現任意定長車牌字符序列的識別，適應各種不同長度車牌的識別需求；3、泛化性較強，魯棒性好，能夠應用于各種復雜的非可控場景。

本發明授權一種非可控環境下的魯棒中文車牌識別方法在權利要求書中公布了：1.一種非可控環境下的魯棒中文車牌識別方法，其特征在于：由輸入預處理、深度特征提取、字符序列識別以及CTC四部分構成；每個步驟的實現細節如下：步驟1：建立訓練數據集步驟2：輸入預處理步驟2.1：輸入圖像尺寸調整步驟2.2：輸入圖像歸一化步驟3：整體網絡架構整體網絡架構分為三部分，分別是深度特征提取、字符序列識別以及CTC；其中深度特征提取部分由VGG16、PSA以及DropBlock構成；字符序列識別部分由Bi-LSTM、FC層構成；輸入圖像經過特征提取層變為特征序列，序列識別層將特征序列識別為字符串，CTC將字符串轉化為最終輸出；步驟3.1：深度特征提取層特征提取層的車牌圖像輸入尺寸為b，3，48，w，其中b為送入網絡的樣本數，3為通道數，48為車牌圖像的高，w為車牌圖像的寬，值為144；輸出尺寸為b，512，1，36，經過特征提取層，輸出的特征通道數為512，特征圖大小為36,1；1骨干網絡骨干網絡由7個卷積層和4個池化層構成；2金字塔分裂注意力機制將PSA添加到骨干網絡的第一個卷積層之后，PSA將輸入張量從通道上分成S組，每一組以不同大小的卷積核進行卷積，從而獲取不同尺度的感受野，提取不同尺度的信息；再通過通道注意力機制計算每組通道的加權值，最后對S組的加權值進行Softmax歸一化并加權；這里S設置為4，考慮到輸入特征圖尺寸為144，48，所以卷積核大小設置為1，3，5，7；通過這樣的操作，PSA融合不同尺度的上下文信息，提升特征的表達能力；通道注意力結構輸出為每組通道的加權值，通道注意力機制引導網絡關注對識別有用的特征，抑制無用特征，從而提升識別性能；3DropBlock層DropBlock層位于注意力層之后，它是一種針對卷積層的正則化方法，即將輸入特征圖以方塊為單位以一定概率置零；DropBlock模塊有2個參數，分別是Block_size和γ；Block_size表示置零的方塊大小，而γ表示置零的概率；將Block_size設為3，γ則設置為0.1；通過將一部分相鄰的區域置零，網絡就會去注重學習字符其他位置的特征，來實現正確的字符識別，從而表現出更好的泛化性；步驟3.2：字符序列識別字符序列識別網絡的第1層為雙向LSTM層，節點數為256；第2層為線性層，節點數為512；第3層為Dropout層；第4層為雙向LSTM層，節點數為256；第5層為線性層，節點數為車牌字符類別數，即68；應用Dropout只需要指定參數p，p表示節點置零的概率，p設置為0.3；步驟3.3：采用CTC算法把從序列識別層獲取的一系列字符序列轉化為最終的字符序列。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國公路工程咨詢集團有限公司;北京工業大學，其通訊地址為：100048 北京市海淀區昌運宮17號北京市政大廈；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。