[發明專利]基于深度學習VGG16框架的車牌檢測方法及系統、存儲介質

有效

• 申請號: 201910577106.0
• 申請日: 2019-06-28
• 公開（公告）號: CN110399800B
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 王建華
• 申請（專利權）人: 智慧眼科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 長沙智嶸專利代理事務所(普通合伙) 43211
• 代理人: 劉宏

1.一種基于深度學習VGG16框架的車牌檢測方法，其特征在于，

包括以下步驟：

步驟S1：準備圖片數據集；

步驟S2：基于VGG16框架構建車牌定位網絡模型，

步驟S3：基于準備的圖片數據集制作訓練數據，并利用制作的訓練數據訓練搭建的網絡模型；

步驟S4：利用訓練好的網絡模型進行車牌檢測和模型評估；

所述步驟S2具體為：

在VGG16網絡結構的基礎上保留前13個卷積層、池化層pool1和池化層pool2不變，刪除池化層pool3、pool4、pool5和全連接層fc8；

將全連接層fc6和fc7修改為卷積層且層的名稱不變；

在卷積層conv3-3后方新增L2 Normalization層，并在L2 Normalization層后新增分類層和目標坐標位置回歸層，在卷積層conv4-3后新增卷積層conv4-4，在卷積層fc7后新增分類層和坐標位置回歸層，同時在卷積層fc7后依次添加卷積層conv8和conv9，然后在卷積層conv9后方新增分類層和目標坐標位置回歸層，在卷積層conv9后依次添加卷積層conv10和conv11，在卷積層conv11的后新增分類層和目標坐標位置回歸層；

添加一個含有非極大值抑制閾值和置信度閾值的檢測層NMS，該層的輸入為各個分類層和目標坐標位置回歸層，輸出為目標的類別、得分以及對應的目標坐標位置。

2.如權利要求1所述的車牌檢測方法，其特征在于，

所述卷積層fc6和fc7的卷積核參數為3，卷積核個數為128，激活函數ReLU的步長為2，填充pad為1。

3.如權利要求1所述的車牌檢測方法，其特征在于，

所述圖片數據集包括車牌的訓練集、驗證集、測試集和標注文件，訓練集和驗證集中包括含有車牌的圖片且其對應的標注文件中包含有圖片的名稱、圖片中車牌所在的具體位置信息和類別信息，測試集中包括含有車牌但未被標注的圖片及僅含測試圖片名稱的文本文件。

4.如權利要求3所述的車牌檢測方法，其特征在于，

所述步驟S3具體為：

步驟S31：利用訓練集、訓練集的標注文件、驗證集和驗證集的標注文件生成1mdb或1db格式的數據集；

步驟S32：初始化網絡模型中的偏差參數和待訓練的權值參數；

步驟S33：向初始化后的網絡模型中輸入訓練集數據進行網絡前向傳播，得到實際的輸出結果后基于理想值和實際值之差，通過損失函數來反向調整網絡模型的權值參數；

步驟S34：繼續進行迭代訓練，直至驗證集的準確率曲線收斂或者損失函數的曲線收斂，輸出訓練后的網絡模型。

5.如權利要求4所述的車牌檢測方法，其特征在于，

所述步驟S32中具體通過xavier算法初始化網絡模型中權值參數，用常數零初始化偏差參數。

6.如權利要求3所述的車牌檢測方法，其特征在于，

所述步驟S4具體為：

利用準備好的測試集對訓練后的網絡模型進行測試和評估，通過設置車牌置信度閾值評估車牌檢測的召回率和耗時。

7.如權利要求6所述的車牌檢測方法，其特征在于，

所述步驟S4中，若檢測結果是車牌的置信度得分大于設置的車牌置信度閾值，則輸出車牌的置信度和車牌在檢測圖片中的坐標位置，否則認為是偽車牌，不輸出任何結果。