[發明專利]基于CycleGAN網絡模型的車牌樣本生成方法及系統

在審

• 申請號: 202010513007.9
• 申請日: 2020-06-08
• 公開（公告）號: CN111767945A
• 公開（公告）日: 2020-10-13
• 發明（設計）人: 孫錟鋒;蔣興浩;李季;許可
• 申請（專利權）人: 上海交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06T3/00
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

1.一種基于CycleGAN網絡模型的車牌樣本生成方法，其特征在于，包括：

步驟M1：將成對的合成車牌圖片和真實車牌圖片輸入CycleGAN網絡模型，合成車牌圖片輸入至生成網絡A，真實車牌圖片輸入至生成網絡B；

步驟M2：生成網絡A輸出偽真實車牌圖片，偽真實車牌圖片和真實車牌圖片成對地輸入判別網絡B，判別網絡B輸出偽真實車牌圖片是否為真實車牌的判別結果，并將結果反饋到生成網絡A；

步驟M3：生成網絡B輸出偽合成車牌圖片，偽合成車牌圖片和合成車牌圖片成對地輸入判別網絡A，判別網絡A輸出偽合成車牌圖片是否為合成車牌的判別結果，并將結果反饋到生成網絡B；

步驟M4：判別網絡A、判別網絡B分別根據成對的偽車牌圖片和車牌圖片進行訓練，從而更新判別網絡的權重；生成網絡A、生成網絡B分別根據判別網絡A、判別網絡B的反饋結果進行訓練，從而更新生成網絡的權重，重復執行步驟M1至步驟M4，直至CycleGAN網絡模型權重滿足預設值；

步驟M5：將合成車牌圖片輸入訓練完成的生成網絡A，得到接近于實際真實情況下的偽真實車牌圖片。

2.根據權利要求1所述的基于CycleGAN網絡模型的車牌樣本生成方法，其特征在于，所述合成車牌圖片使用包括計算機軟件，按照國家規定的包括顏色、文字和尺寸車牌標準，結合包括光線變化、增加污損、旋轉和縮放方法生成的合成車牌圖片；

所述真實車牌圖片包括在實際真實環境下采集的真實車牌圖片。

3.根據權利要求1所述的基于CycleGAN網絡模型的車牌樣本生成方法，其特征在于，所述步驟M4包括：

訓練判別網絡A步驟：成對的偽合成車牌圖片和合成車牌圖片訓練判別網絡A，根據判別網絡A的損失函數對判別網絡A的權重進行更新，判別網絡A的損失函數公式如下：

其中，表示合成車牌圖片的數據分布，D_A(x)表示判別網絡A的判別函數；表示偽合成車牌圖片的數據分布，E_x表示期望，p_A表示偽合成車牌圖片集合，p_B2A表示真實車牌圖片集合；

訓練判別網絡B步驟：成對的偽真實車牌圖片和真實車牌圖片訓練判別網絡B，根據判別網絡B的損失函數對判別網絡B的權重進行更新，判別網絡B的損失函數公式如下：

其中，表示真實車牌圖片的數據分布；D_B(x)為判別網絡B的判別函數，表示偽真實車牌圖片的數據分布，P_B表示偽真實車牌圖片集合，P_A2B表示真實車牌圖片集合。

4.根據權利要求3所述的基于CycleGAN網絡模型的車牌樣本生成方法，其特征在于，所述步驟M4包括：

訓練生成網絡A步驟：判別網絡B的判別結果訓練生成網絡A，根據生成網絡A的損失函數對生成網絡A的權重進行更新，生成網絡A的損失函數如下所示：

其中，表示偽真實車牌圖片的數據分布；D_B(x)為判別網絡B的判別函數；λ表示循環一致性損失對生成網絡A的損失函數占比的權重參數，表示真實車牌圖片的數據分布，x為集合中的元素，G_AB(x)生成網絡A的生成函數；G_BA(x)為生成網絡B的生成函數；

訓練生成網絡B步驟：判別網絡A的判別結果訓練生成網絡B，根據生成網絡B的損失函數對生成網絡B的權重進行更新，生成網絡B的損失函數如下所示：

其中，表示偽合成車牌圖片的數據分布，D_A(x)為判別網絡A的判別函數；λ表示循環一致性損失對生成網絡B的損失函數占比的權重參數，表示合成車牌圖片的數據分布，x為集合中的元素，G_AB(x)生成網絡A的生成函數；G_BA(x)為生成網絡B的生成函數。