[發明專利]一種復雜場景車牌檢測方法

有效

• 申請號: 202211341525.2
• 申請日: 2022-10-31
• 公開（公告）號: CN115410189B
• 公開（公告）日: 2023-01-24
• 發明（設計）人: 劉寒松;王永;王國強;劉瑞;董玉超
• 申請（專利權）人: 松立控股集團股份有限公司
• 主分類號: G06V20/62
• 分類號: G06V20/62;G06V20/70;G06V10/82;G06V10/80;G06V10/774;G06V10/764;G06T5/30
• 代理公司: 青島高曉專利事務所(普通合伙) 37104
• 代理人: 黃曉敏

1.一種復雜場景車牌檢測方法，其特征在于，具體包括如下步驟：

（1）構建車牌檢測數據集

采用復雜場景下的車牌圖像構建車牌檢測數據集，并對車牌圖像進行標注，將車牌檢測數據集劃分為訓練集、驗證集和測試集；

（2）多尺度特征提取

將車牌圖像依次經過歸一化和去均值預處理后輸入到深度學習Backbone網絡，將深度學習Backbone網絡不同層的側輸出作為不同尺度特征；

（3）語義特征粗定位

在深度學習Backbone網絡的語義分支最后一層引入不同膨脹因子的膨脹卷積以及類別分支和回歸分支，并計算與水平矩形框之間的位置敏感loss_1；

（4）多尺度特征自適應融合

將深度學習Backbone網絡不同層的側輸出通過卷積層以及下采樣層和上采樣層轉變為統一大小的多尺度特征層，所述卷積層的卷積核為，得到的特征層為： ，其中為卷積操作，為上采樣或下采樣操作，為深度學習Backbone網絡不同層的側輸出；

（5）語義特征引導多尺度特征增強

將多尺度特征層輸入語義引導的特征增強模塊進行多尺度特征增強，所述語義引導的特征增強模塊為：

，

其中為經過膨脹卷積后的特征，T代表轉置操作，代表矩陣點乘法，代表矩陣叉乘；

（6）基于圖結構的車牌區域細化

將步驟（5）增強后的多尺度特征輸入圖卷積網絡，基于圖結構對車牌區域細化，在精細化分支輸出層后引入類別分支和回歸分支，并計算與畸變框之間的精細化loss_2；

（7）訓練網絡

使用步驟（1）訓練集作為網絡的擬合數據，將批量車牌檢測圖像數據輸入到網絡中，語義分支的輸出結果為車牌類別置信度和回歸坐標位置；精細化分支的輸出結果為車牌類別置信度和回歸坐標位置，采用FocalLoss計算車牌Class 損失，Smooth L1 Loss計算車牌位置誤差；經過設定56次完整訓練集訓練迭代后，保存精度最高的模型參數；

（8）測試網絡

使用步驟（1）測試集作為網絡的擬合數據，以長寬比例為基準將車牌圖像填充后將批量車牌檢測圖像數據輸入網絡中，并加載步驟（7）訓練好的模型參數，網絡輸出車牌類別置信度和回歸坐標位置，設置閾值過濾掉低置信度的車牌，最后使用非極大抑制刪除網絡輸出的冗余的框，實現復雜場景車牌檢測。

2.根據權利要求1所述復雜場景車牌檢測方法，其特征在于，步驟（1）對車牌圖像標注的內容包含車牌的四個頂點位置坐標，對車牌圖像標注采用傾斜矩形框坐標和水平矩形框坐標兩種標注。

3.根據權利要求2所述復雜場景車牌檢測方法，其特征在于，步驟（6）的具體過程為：

先構建圖卷積網絡的節點（i，j）之間的相似性度量為：

，

再構建網絡圖：

其中，i和j分別為中層特征的索引。