[發明專利]基于改進的YOLOv3網絡的車牌檢測模型及構建方法

在審

• 申請號: 202010014253.X
• 申請日: 2020-01-07
• 公開（公告）號: CN111209921A
• 公開（公告）日: 2020-05-29
• 發明（設計）人: 張登銀;孫譽焯;彭巧;劉子捷;周超
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 朱遠楓

1.一種基于改進的YOLOv3網絡的車牌檢測模型，其特征在于，包括：改進的YOLOv3網絡、CONCAT模塊、編碼器解碼器模塊、特征聚合模和車牌檢測模型訓練模塊；

所述改進的YOLOv3網絡用于輸入車牌圖像并提取三個不同尺度的特征圖；所述改進的YOLOv3網絡結構的第一層和最后一層是標準卷積，其他網絡均由下采樣層和網絡單元塊構成；

所述CONCAT模塊用于對得到的三個不同尺度的特征圖進行上采樣后將深度特征縮放到相同比例，將輸出傳遞到編碼器解碼器模塊；

所述編碼器解碼器模塊用于對其輸入的特征圖進行向下采樣，通過構建的卷積層進行解碼生成增強特征后的特征圖；

所述特征聚合模塊，用于將生成的增強特征后的三個不同尺度的特征圖和來自YOLOv3特征提取網絡提取的三個不同尺度的特征圖進行特征聚合，生成特征金字塔，獲得改進的YOLOv3網絡的車牌檢測模型；

所述車牌檢測模型訓練模塊用于利用測試集對所述改進的YOLOv3網絡的車牌檢測模型進行訓練，調整YOLOv3網絡的權重參數，直至判斷輸出日志中的Loss函數收斂則確定網絡訓練完畢，獲得訓練完成的基于改進的YOLOv3網絡的車牌檢測模型。

2.一種基于改進的YOLOv3網絡的車牌檢測模型的構建方法，其特征在于，包括以下步驟：

采用改進的YOLOv3網絡作為特征提取網絡，提取三個不同尺度的特征圖，對所述不同尺度的特征圖進行上采樣后將深度特征縮放到相同比例后再進行向下采樣，通過構建的卷積層進行解碼生成增強特征后的特征圖；

將生成的增強特征后的三個不同尺度特征圖和來自YOLOv3特征提取網絡提取的三個不同尺度的特征圖進行特征聚合，生成特征金字塔，獲得改進的YOLOv3網絡的車牌檢測模型；

利用測試集對所述改進的YOLOv3網絡的車牌檢測模型進行訓練，調整YOLOv3網絡的權重參數，直至判斷輸出日志中的Loss函數收斂則確定網絡訓練完畢，獲得訓練完成的基于改進的YOLOv3網絡的車牌檢測模型；

所述改進的YOLOv3網絡結構的第一層和最后一層是標準卷積，其他網絡均采用包括下采樣層和網絡單元塊的深度可分離卷積結構。

3.根據權利要求1所述的一種基于改進的YOLOv3網絡的車牌檢測模型的構建方法，其特征在于，所述下采樣層包括3*3的深度分離卷積層，經過批量規范化層，通過ReLU激活函數連接1*1卷積層，然后通過ReLU激活函數進行非線性處理。

4.根據權利要求1所述的一種基于改進的YOLOv3網絡的車牌檢測模型的構建方法，其特征在于，使用shortcut連接的方式建立網絡單元塊，在網絡單元格中，每個殘差表示里面使用三個堆棧，這三層分別是1×1、3×3和1×1的卷積層。

5.根據權利要求1所述的一種基于改進的YOLOv3網絡的車牌檢測模型的構建方法，其特征在于，網絡單元塊中采用通道隨機混合操作對通道進行重新排序。

6.根據權利要求1所述的一種基于改進的YOLOv3網絡的車牌檢測模型的構建方法，其特征在于，將生成的增強特征后的三個不同尺度特征圖和來自YOLOv3特征提取網絡提取的特征圖進行特征聚合的具體方法如下：

將特征增強后的不同尺度特征圖和來自YOLOv3特征提取網絡提取的三個不同尺度的特征沿通道尺度的等效比例連接起來；

引進一個基于通道的SE模塊依次進行擠壓操作、激勵操作和重標定操作，從而完成聚合特征的操作；

所述擠壓操作將每個二維的特征通道變成一個實數，并且輸出的維度和輸入的特征通道數相匹配，所述激勵操作通過參數來為每個特征通道生成權重；所述重標定操作將經過激勵操作后輸出的權重通過乘法逐通道加權到先前的特征上，完成在通道維度上的對原始特征的重標定。