[發明專利]一種車牌檢測方法、裝置、電子設備和存儲介質

在審

• 申請號: 202010587354.6
• 申請日: 2020-06-24
• 公開（公告）號: CN111797829A
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 王嘉偉;邵明;王耀農
• 申請（專利權）人: 浙江大華技術股份有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 劉金玲

1.一種車牌檢測方法，其特征在于，該方法包括：

對包含車牌區域的待檢測圖像進行特征提取，并根據提取到的圖像特征信息確定所述待檢測圖像的檢測信息，其中，所述檢測信息包括至少一個檢測框、每個檢測框對應的表示檢測框中包含車牌的置信度，以及表示檢測框與車牌區域重合度的預測交并比；

根據每個檢測框對應的置信度與預測交并比，從所述至少一個檢測框中確定目標檢測框；

將所述目標檢測框在所述待檢測圖像中的位置作為所述待檢測圖像中車牌區域的位置。

2.如權利要求1所述的方法，其特征在于，所述檢測信息還包括每個檢測框對應每種車牌類型的概率值；

該方法還包括：

根據所述目標檢測框對應每種車牌類型的概率值，確定所述待檢測圖像中車牌的車牌類型。

3.如權利要求2所述的方法，其特征在于，所述對包含車牌區域的待檢測圖像進行特征提取，并根據提取到的圖像特征信息確定所述待檢測圖像的檢測信息，包括：

通過已訓練的全卷積神經網絡對所述待檢測圖像進行特征提取，并通過所述已訓練的全卷積神經網絡根據提取的圖像特征信息確定所述待檢測圖像對應的至少一個檢測框，以及每個檢測框對應的置信度、預測交并比以及每個檢測框對應每種車牌類型的概率值。

4.如權利要求3所述的方法，其特征在于，所述已訓練的全卷積神經網絡包括至少一個第一卷積層、至少一個池化層、以及至少一個第二卷積層，其中，第一卷積層與池化層交叉設置；

通過所述已訓練的全卷積神經網絡確定所述待檢測圖像對應的至少一個檢測框，以及每個檢測框對應的置信度、預測交并比以及每個檢測框對應每種車牌類型的概率值，包括：

采用所述第一卷積層，根據所述第一卷積層中用于提取車牌特征的卷積核對所述待檢測圖像進行卷積操作，得到所述待檢測圖像對應的特征映射矩陣；

采用所述池化層，對上一個第一卷積層得到的特征映射矩陣進行降采樣處理；

采用所述第二卷積層，對所述降采樣處理后的特征映射矩陣進行特征融合得到所述待檢測圖像對應的至少一個檢測框，以及每個檢測框對應的置信度、預測交并比以及每個檢測框對應每種車牌類型的概率值。

5.如權利要求1所述的方法，其特征在于，所述根據每個檢測框對應的置信度與預測交并比，從所述至少一個檢測框中確定目標檢測框，包括：

選擇出至少一個檢測框作為目標檢測框；其中，選擇出的檢測框包括篩選參數最大的檢測框；若選擇出多個檢測框，則所述多個檢測框中任意兩個檢測框的交并比小于第一預設閾值；所述篩選參數是根據置信度和預測交并比確定的；

所述根據所述目標檢測框對應每種車牌類型的概率值，確定所述待檢測圖像中車牌的車牌類型，包括：

將所述目標檢測框對應的概率值最大的車牌類型作為所述車牌的類型。

6.如權利要求2～5中任一項所述的方法，其特征在于，根據下列方式對全卷積神經網絡進行訓練：

將包含車牌區域的訓練圖像、預先標注的所述訓練圖像中車牌區域對應的實際框的位置、以及預先標注的車牌類型作為全卷積神經網絡的輸入，并將所述訓練圖像對應的至少一個訓練檢測框、以及每個訓練檢測框對應的訓練置信度、訓練交并比、以及對應每種車牌類型的訓練概率值作為全卷積神經網絡的輸出，對所述全卷積神經網絡進行多輪訓練；

根據每輪訓練中得到的所述訓練圖像對應的至少一個訓練檢測框的位置、每個訓練檢測框對應的訓練置信度、訓練交并比、以及對應每種車牌類型的訓練概率值，與預先標注的實際框的位置、預先標注的車牌類型確定定位損失值、交并比損失值、類別損失值、置信度損失值；并將所述定位損失值、交并比損失值、類別損失值、置信度損失值之和作為綜合損失值；

根據所述綜合損失值對所述全卷積神經網絡的參數進行調整，直到確定出所述綜合損失值在預設范圍內得到訓練后的全卷積神經網絡。