[發明專利]提升車牌的中文字符自動檢測識別率方法、裝置及介質

在審

• 申請號: 202011309271.7
• 申請日: 2020-11-20
• 公開（公告）號: CN112257720A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 韓建文;劉宇龍;張仲書
• 申請（專利權）人: 北京捍御者信息科技有限公司
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/32;G06N3/04;G06N3/08;G06N5/04
• 代理公司: 北京國科程知識產權代理事務所(普通合伙) 11862
• 代理人: 曹曉斐

1.一種提升車牌中文字符自動檢測識別率的模型訓練方法，其特征在于，包括：

模型前處理步驟，其包括，

根據對實時采集的車牌圖片進行標注得到的標注文件與所述車牌圖片，建立車牌字符數據集，

根據所述車牌字符數據集中的所述標注文件中的中文字符的類別，補充類別信息文件，

根據經補充的類別信息文件，改寫用于對神經網絡進行描述的網絡描述文件；

模型訓練步驟，其包括，

將所述車牌字符數據集中的車牌字符的預訓練權重加載在所述神經網絡上，從而對所述車牌字符數據集進行特征提取，得到相應的車牌字符的特征，

由所述神經網絡對相應的所述車牌字符的每一個字符的特征依次進行學習，從而依次預測相應的所述車牌字符的每一個字符的位置信息和所述車牌字符的類別信息，

利用所述類別信息文件依次對經預測的所述車牌字符的每一個字符的類別信息進行修正，

利用經預測的所述車牌字符的每一個字符的位置信息、經修正的所述車牌字符的每一個字符的類別信息和所述標注文件中相應車牌字符的位置信息和類別信息，依次計算神經網絡損失度，

根據經依次計算的神經網絡損失度進行反向傳播，依次改寫所述神經網絡的當前歷史參數，得到所述車牌字符數據集中的車牌字符的最終訓練權重。

2.如權利要求1所述的提升車牌中文字符自動檢測識別率的模型訓練方法，其特征在于，所述將所述車牌字符數據集中的車牌字符的預訓練權重加載在所述神經網絡上，從而對所述車牌字符數據集進行特征提取，得到相應車牌字符的特征的過程包括：

對所述車牌字符數據集中的車牌圖片與包含所述車牌字符位置信息和所述車牌字符類別信息的標注文件進行特征提取，其中所述標注文件與所述車牌圖片一一對應。

3.如權利要求2所述的提升車牌中文字符自動檢測識別率的模型訓練方法，其特征在于，所述利用所述類別信息文件依次對經預測的所述車牌字符的每一個字符的類別信息進行修正的過程包括：

所述類別信息文件將經預測的所述車牌字符的類別信息修正為與所述標注文件中相應的所述車牌字符的類別信息一樣的形式。

4.如權利要求1所述的提升車牌中文字符自動檢測識別率的模型訓練方法，其特征在于，所述得到所述車牌字符數據集中的車牌字符的最終訓練權重的過程還包括：

將經改寫的所述網絡描述文件、所述預訓練權重以及經補充的所述類別信息文件的路徑和所述車牌字符數據集的路徑作為參數進行訓練。

5.如權利要求1所述的提升車牌中文字符自動檢測識別率的模型訓練方法，其特征在于，所述根據所述車牌字符數據集中的中文字符的類別，補充類別信息文件的過程包括：

對所述類別信息文件的補充包括所述車牌字符數據集中的所述車牌字符的類別信息以拼音的形式代表中國各個省份的簡稱。

6.如權利要求1所述的提升車牌中文字符自動檢測識別率的模型訓練方法，其特征在于，所述類別信息文件包含所述車牌字符數據集中的所述車牌字符的種類，所述種類包含所述車牌字符中的中文字符、字母字符及數字字符，其中，每一個字符代表一個種類。

7.如權利要求2所述的提升車牌中文字符自動檢測識別率的模型訓練方法，其特征在于，所述標注文件的形成過程包括：

利用車牌識別算法對所述車牌的圖片中的手動標注的數據進行訓練，得到車牌識別權重文件；

將所述車牌識別權重文件作為參數代入自動標注模型中，從而對所述車牌的圖片進行再標注。