[發明專利]優化車牌檢測模型的方法及系統、車牌檢測方法及系統

有效

• 申請號: 202010134676.5
• 申請日: 2020-03-02
• 公開（公告）號: CN111401360B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 張浩
• 申請（專利權）人: 杭州雄邁集成電路技術股份有限公司
• 主分類號: G06V20/62
• 分類號: G06V20/62;G06V30/148;G06V30/19;G06V10/764;G06N3/08;G06N3/0464;G06N3/048
• 代理公司: 杭州裕陽聯合專利代理有限公司 33289
• 代理人: 姚宇吉

本發明公開一種優化車牌檢測模型的方法及系統、車牌檢測方法及系統，其中優化車牌檢測模型的方法包括以下步驟：獲取待優化車牌檢測網絡，并獲取用于訓練所述待優化車牌檢測網絡的樣本圖像及其第一標注信息；在所述待優化車牌檢測網絡中添加車牌頭尾字符標識分支網絡，生成待訓練網絡；在所述第一標注信息中添加與樣本圖像相對應的車牌頭部字符框和車牌尾部字符框，生成第二標注信息；利用樣本圖像及其第二標注信息對所述待訓練網絡進行迭代訓練，獲得優化網絡，將所述優化網絡中車牌頭尾字符標識分支網絡進行移除，獲得優化后的車牌檢測模型。本發明能夠對車牌檢測模型進行優化，降低其誤檢率。

技術領域

本發明涉及圖像識別領域，尤其涉及一種優化車牌檢測模型的方法及系統、車牌檢測方法及系統。

背景技術

如公開號為CN108090423A的專利申請文件《一種基于熱力圖和關鍵點回歸的深度車牌檢測方法》所示，現今通常采用基于深度學習構建車牌檢測模型進行車牌檢測。

降低深度學習模型誤檢率的常用方法有：

1、增加用于訓練模型的正樣本的個數，提高網絡的泛化能力；但由于人力物力有限，一味增加樣本的可行性低。

注，正樣本為屬于車牌的樣本點，負樣本為不屬于車牌的樣本點。

2、增加卷積特征圖個數，使得網絡特征更加具有可區分度；但深度學習模型增加卷積特征圖個數會增加網絡的前向推理時間，由于目前嵌入式算力有限，不利于實時性部署，不適用于車牌檢測的使用場景。

綜上，需要對現有技術做進一步改進。

發明內容

本發明針對現有技術中的缺點，提供了一種優化車牌檢測模型的方法及系統，還提出一種車牌檢測方法及系統。

為了解決上述技術問題，本發明通過下述技術方案得以解決：

一種優化車牌檢測模型的方法，包括以下步驟：

獲取待優化車牌檢測網絡，并獲取用于訓練所述待優化車牌檢測網絡的樣本圖像及其第一標注信息；

在所述待優化車牌檢測網絡中添加車牌頭尾字符標識分支網絡，生成待訓練網絡；

在所述第一標注信息中添加與樣本圖像相對應的車牌頭部字符框和車牌尾部字符框，生成第二標注信息；

利用樣本圖像及其第二標注信息對所述待訓練網絡進行迭代訓練，獲得優化網絡，將所述優化網絡中車牌頭尾字符標識分支網絡進行移除，獲得優化后的車牌檢測模型。

作為一種可實施方式，利用樣本圖像及其第二標注信息對所述待訓練網絡進行迭代訓練，獲得優化網絡的具體步驟為：

獲取所述待訓練網絡輸出的預測數據；

根據所述第二標注信息和所述預測數據計算預測損失數據；

基于所述預測損失數據對所述待訓練網絡進行反饋更新，直至完成對所述待訓練網絡的訓練，獲得優化網絡。

作為一種可實施方式：

所述預測數據包括和樣本圖像相對應的熱點圖和字符標識預測數據，所述預測損失數據包括字符標識預測損失值；

計算所述字符標識預測損失值的步驟為：

提取所述熱點圖和所述字符標識預測數據；

根據對應樣本圖像的車牌頭部字符框、車牌尾部字符框、熱點圖和字符標識預測數據計算所述車牌頭尾字符標識分支網絡的損失值，獲得字符標識預測損失值。

作為一種可實施方式,根據對應樣本圖像的車牌頭部字符框、車牌尾部字符框、熱點圖和字符標識預測數據計算所述車牌頭尾字符標識分支網絡的損失值，獲得字符標識預測損失值的具體步驟為：