买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东南大学申请的专利基于深度学习融合网络的字符非分割模式车牌识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116524480B 。

龙图腾网通过国家知识产权局官网在2026-03-20发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210943681.X，技术领域涉及：G06V20/62；该发明授权基于深度学习融合网络的字符非分割模式车牌识别方法是由赵池航;化丽茹;苏子钧;吴宇航;马欣怡设计研发完成，并于2022-08-08向国家知识产权局提交的专利申请。

本基于深度学习融合网络的字符非分割模式车牌识别方法在说明书摘要公布了：本发明公开了一种基于深度学习融合网络的字符非分割模式车牌识别方法，包括以下步骤：对高速整车图像的车牌区域进行检测并构建高速公路车牌图像集；基于基于CTC损失函数与ResNet50‑LPR卷积神经网络block1、block3、block5这三层输出的车辆号牌图像特征向量进行串联融合，构建融合模型FResNet50；基于车牌识别的注意力编码方式，在FResNet50融合模型后添加注意力编码模块，完成FResNet50‑Attention深度学习融合网络模型的构建；使用高速公路车牌图像集对构建好的FResNet50‑Attention卷积神经网络模型进行训练，最终完成对车辆号牌的识别。本发明的识别性能优于单一的ResNet50‑LPR卷积神经网络和传统融合方式下的FResNet50卷积神经网络融合模型，其对于整副车牌的识别准确率达到了93.224％。

本发明授权基于深度学习融合网络的字符非分割模式车牌识别方法在权利要求书中公布了：1.一种基于深度学习融合网络的字符非分割模式车牌识别方法，其特征在于，包括以下步骤： 1基于异常天气状况下的高速整车图像，对车牌区域进行检测并构建高速公路车牌图像集； 2基于CTC损失函数，构建字符非分割模式车牌识别框架； 3构建ResNet50-LPR卷积神经网络，对车辆号牌字符图像进行特征提取； 4基于ResNet50-LPR卷积神经网络block1、block3、block5这三层输出的车辆号牌图像特征向量进行串联融合，构建深度学习融合网络模型FResNet50； 5基于车牌识别的注意力编码方式，在FResNet50融合模型后添加注意力编码Attention模块，完成FResNet50-Attention深度学习融合网络模型的构建； 6使用高速公路车牌图像集对构建好的FResNet50-Attention卷积神经网络模型进行训练，最终完成对车辆号牌的识别； 所述步骤3中，构建ResNet50-LPR卷积神经网络，对车辆号牌字符图像进行特征提取的方法为：所述ResNet50-LPR卷积神经网络由5个Block模块和两个全局平均池化层构成，每个Block模块均由卷积层和池化层构成；将图像规格化为224×224×3输入至该卷积神经网络中，经过5个Block模块时，Block1输出的特征图大小为64×56×56，Block3输出的特征图大小为512×28×28，最终Block5输出的特征向量大小为2048×1×1，每张车辆号牌图像提取到三张大小不一的特征图； 所述步骤5中基于车牌识别的注意力编码方式，在FResNet50融合模型后添加注意力编码Attention模块，构造FResNet50-Attention深度学习融合网络模型的方法为：所述注意力编码方法借鉴SENet网络中SEBlock对于特征图通道进行加权的方式，对于卷积神经网络输出的L个S维向量，增加一个维度转变为特征图的形式，将S作为通道数，L和1作为特征图的长和宽，得到一个S×L×1的特征图；在注意力编码模块中，首先对特征图进行全局池化，得到S×1×1的特征；其次采用1×1的卷积将S×1×1的特征转变为SK×1×1的特征，经过Relu激活后，采用1×1的卷积将SK×1×1的特征变为S×1×1的特征；然后采用Sigmoid函数将S×1×1的特征中的值变为0到1之间，即得到对于特征加权的权重Weight；最后，将Weight叠加到卷积神经网络输出的L个S维向量，得到加权后的L个S维向量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学，其通讯地址为：210096 江苏省南京市玄武区四牌楼2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。