买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明公布】一种高效的卷积神经网络的车牌定位方法_西安电子科技大学;陕西理工大学_202010225649.9 

申请/专利权人:西安电子科技大学;陕西理工大学

申请日:2020-03-27

公开(公告)日:2020-06-19

公开(公告)号:CN111310773A

主分类号:G06K9/46(20060101)

分类号:G06K9/46(20060101);G06N3/04(20060101);G06N3/08(20060101);G08G1/017(20060101)

优先权:

专利状态码:有效-授权

法律状态:2023.03.24#授权;2020.10.02#实质审查的生效;2020.06.19#公开

摘要:本发明提出了一种高效的卷积神经网络车牌定位方法。主要是针对车牌识别此类特殊问题,优化了网络结构,提出了一种高效的卷积神经网络结构,此网络结构的优点是能够在不损失检测准确度的条件下减小模型的权重文件大小以及降低检测时间。实施方式如下:首先建立车牌数据库;利用K均值聚类方法生成锚框;设计一种计算量小、权重参数数量少的高效深度神经网络结构;用Adam优化算法在最终数据集上训练网络模型;并采用YOLOv3作为对比算法对本模型进行评估。本发明提出了一种针对于车牌检测的卷积神经网络结构,能够在模型检测准确度基本不变的条件下,减小了模型的权重文件大小,降低了车牌检测时间。

主权项:1.一种高效的卷积神经网络车牌定位方法,包含以下步骤:步骤一、建立车牌数据库;数据主要从以下途径收集:实地拍摄;从网页爬取;整合一些从互联网搜索到的小规模车牌数据集;然后对得到的图片进行清洗、标注、增强,得到最终训练用的数据集;步骤二、以步骤一中建立的最终数据集为基础,采用K均值聚类方法生成锚框;步骤三、建立计算量小、权重参数数量少的高效深度神经网络结构模型;3a引入新的卷积方法,即分离卷积;3b根据分离卷积方法,本发明构建了一个新的特征提取网络;步骤四、利用步骤一得到的最终数据集对上述网络模型进行训练;1网络随机初始化权值,使初始化的值服从高斯正态分布;2输入数据经过本发明步骤三中的网络结构向前传播得到输出值为特征图1、特征图2、特征图3,并利用特征图信息得到预测边框的信息3将数据集中标注出的真实框与聚类得到的锚框进行匹配:计算出真实框所在的中心点,筛选出此中心点对应的锚框,选取与真实框有最大IOU值的锚框作为目标框,并将该真实框的坐标值信息赋给目标框,即得到目标框的坐标值xi,yi,wi,hi,并将目标框的类别值Pi设置为1,置信度值Ci设置为1,其余未标记的锚框的参数值均设置为0;4利用本发明提出的损失函数求网络预测边框的输出值与真实边界框的目标值之间的误差损失,该损失函数包含位置损失、置信度损失和类别损失;5利用Adam优化算法进行权值更新,直到迭代次数epoch时,结束训练;其中epoch根据精度要求设定;步骤五、利用已训练好的模型进行车牌检测,并采用YOLOv3作为对比算法对本模型进行评估。

全文数据:

权利要求:

百度查询: 西安电子科技大学;陕西理工大学 一种高效的卷积神经网络的车牌定位方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。