[發(fā)明專利]一種基于邊緣引導(dǎo)稀疏注意力機制的車牌實時檢測方法

有效

• 申請?zhí)枺?/td>: 202010204590.5
• 申請日: 2020-03-22
• 公開（公告）號: CN111444913B
• 公開（公告）日: 2023-08-22
• 發(fā)明（設(shè)計）人: 秦華標(biāo);梁靜
• 申請（專利權(quán)）人: 華南理工大學(xué)
• 主分類號: G06V20/62
• 分類號: G06V20/62;G06V30/146;G06V30/164;G06V30/18;G06V30/19;G06V10/82;G06N3/045;G06N3/0464;G06N3/084;G06N3/096
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 何淑珍;江裕強

本發(fā)明公開了一種基于邊緣引導(dǎo)稀疏注意力機制的車牌實時檢測方法，屬于目標(biāo)檢測的技術(shù)領(lǐng)域。該方法首先使用卷積神經(jīng)網(wǎng)絡(luò)對輸入圖像進行處理，提取語義特征；然后利用一種新的邊緣引導(dǎo)稀疏注意力機制快速捕獲顯著性區(qū)域，即車牌區(qū)域，其中邊緣引導(dǎo)稀疏注意力機制包括邊緣引導(dǎo)組件和稀疏注意力組件；接著采用級聯(lián)多任務(wù)學(xué)習(xí)輔助車牌精準(zhǔn)檢測；最后采用損失掩碼方法去抑制低質(zhì)量的預(yù)測框，提高系統(tǒng)性能。本發(fā)明可實現(xiàn)在各種自然場景下的車牌實時檢測，并具有高準(zhǔn)確率、高召回率以及高魯棒性，對于現(xiàn)實應(yīng)用具有重要意義。在最大和最多樣化的公開數(shù)據(jù)集CCPD上實現(xiàn)了最先進的性能，尤其是在CCPD?Base（100k）測試集上的檢測精度達(dá)到99.9％。

技術(shù)領(lǐng)域

本發(fā)明屬于目標(biāo)檢測的技術(shù)領(lǐng)域，具體涉及一種基于邊緣引導(dǎo)稀疏注意力機制的車牌實時檢測方法。

背景技術(shù)

近年來，由于自注意力機制在特征圖上的所有位置進行加權(quán)求和的核心操作，不僅幫助深度學(xué)習(xí)模型捕獲長距離依賴關(guān)系，還能讓模型更加關(guān)注到顯著特征，推動許多計算機視覺任務(wù)的發(fā)展，例如目標(biāo)檢測，語義分割，人體姿態(tài)估計等。從圖像濾波的角度來看，其本質(zhì)在于降噪以及在長距離上重組最重要的上下文語義信息。

盡管自注意力機制很受歡迎，但也有局限性。現(xiàn)有很多基于自注意力的方法，如Wang?X等在《Non-local?neural?networks》(Proceedings?of?the?IEEE?Conference?onComputer?Vision?and?Pattern?Recognition.2018:7794-7803.)中提出的Non-local，Yuan,Yuhui等在《OCNet:Object?Context?Network?for?Scene?Parsing》中提出的OCNet，F(xiàn)u?J等在《Dual?Attention?Network?for?Scene?Segmentation》中提出的DANet等都被設(shè)計為在不考慮速度和存儲成本的情況下實現(xiàn)出色的性能，其計算復(fù)雜度為O(N²C)或甚至更大，N＝H×W表示像素點數(shù)量。這些方法的瓶頸在于注意圖的生成和使用都是通過計算所有位置來實現(xiàn)的。此外，通過Xie?C等在《Feature?denoising?for?improving?adversarialrobustness》(Proceedings?of?the?IEEE?Conference?on?Computer?Vision?and?PatternRecognition.2019:501-509.)所提及內(nèi)容以及做實驗我們發(fā)現(xiàn)自注意力機制雖然通過降噪提升了模型的魯棒性，但是其可能存在降噪的同時使特征圖上物體輪廓被模糊的缺陷，這限制了檢測精度的進一步提升。