[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

本發明公開了一種基于改進的YOLOv3網絡的車牌檢測模型及構建方法，包括改進的YOLOv3網絡用于輸入車牌圖像并提取三個不同尺度的特征圖；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后進行向下采樣，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；對車牌檢測模型進行訓練獲得最終模型。本發明實現檢測速度方面會大幅提高，引進了金字塔多尺度特征網絡用于增強骨干網的特征并生成更有效的多尺度特征金字塔,更好地從輸入圖像中提取特征。

技術領域

本發明屬于計算機視覺領域，特別是涉及到一種基于改進的YOLOv3網絡的車牌檢測模型及構建方法。

背景技術

隨著經濟社會的迅猛發展，人們生活水平的提高，機動車輛的數量急劇增加。為了提高車輛的管理效率，緩解公路上的交通壓力，我們必須找到一種解決方案。而車牌作為能夠唯一確定汽車身份的憑證，解決在道路交通中對于車牌的檢測，則可以極大地提高汽車的安全管理水平及管理效率。

在傳統的車牌檢測是通過圖形分割和圖像識別理論，對含有車牌號的圖像進行分析處理，從而確定牌照在圖像中的位置。但是基于圖像圖形學的定位方法，容易受到外界干擾信息的干擾而造成定位失敗。比如基于顏色分析的定為方法中，如果車牌背景顏色與車牌顏色相近，則很難從背景中提取車牌。外界的干擾信息也會欺騙定位算法，使得定位算法生成過多的非車牌候選區域，增大了系統負荷，使得字符識別不準確。

卷積神經網絡的出現，相較于幾何結構和子空間布局特征，極大地改善了物體檢測與識別的效果。目前主流的深度學習檢測算法有Faster RCNN(faster region with CNNfeatures)、SSD(Single Shot MultiBox Detector)和YOLO(You Only Look Once)。最新的YOLOv3網絡相對于其他算法和網絡具有最快的檢測速度和高檢測識別率。但是現有技術將YOLOv3網絡應用到車牌檢測中，由于YOLOv3網絡實現的檢測種類繁多，單個目標的檢測既復雜又冗余，參數過多會導致訓練過于復雜，影響數據量和訓練速度的需求。

發明內容

本發明的目的在于解決上述現有技術存在的以上技術問題，提供一種基于改進的YOLOv3網絡的車牌檢測模型及構建方法。

為了實現上述技術目的，本發明的技術方案為：

一方面，本發明提供了一種改進的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，獲得基于改進的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基于改進的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。