申请/专利权人：松立控股集团股份有限公司

申请日：2022-07-08

公开（公告）日：2022-09-20

公开（公告）号：CN114882490B

主分类号：G06V20/62

分类号：G06V20/62;G06V20/70;G06V10/82;G06V10/77;G06V10/764;G06N3/04;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2022.09.20#授权;2022.08.26#实质审查的生效;2022.08.09#公开

摘要：本发明属于车牌检测分类技术，涉及一种基于点引导定位的无受限场景车牌检测分类方法，使用点引导的车牌定位方法，显式利用空间信息，避免了使用全连接层导致的空间信息利用不充分的问题，增强车牌空间平移建模能力，同时多个点的回归提高了定位的稳定性；在定位车牌准确位置后，再使用对应区域的特征进行车牌的分类任务，将分类回归任务分离成两个通道，缓解了分类回归对于特征平移性的矛盾，不仅可以用来进行无约束场景的车牌检测和分类，还可以用于场景文本检测、人脸检测等各项倾斜目标检测任务，检测精度达98.5%，极大的提升了检测和分类效果。

主权项：1.一种基于点引导定位的无受限场景车牌检测和分类方法，其特征在于，具体包括如下步骤：（1）构建数据集：收集交通监控、侧方位停车场中含有常规以及倾斜、畸变车牌的图像构建车牌的数据集，标注车牌的位置，通过标注的车牌位置计算表示车牌位置的点集合，点集合包含车牌的中心点、四个角点以及四条边的中心点，并将数据集划分为训练集、验证集和测试集；（2）主干网络提取基础特征：先对图像的尺寸和数值范围进行初始化处理，再将处理后的图像输入到主干网络中进行卷积特征提取，并输入到特征金字塔网络中；（3）特征金字塔提取多尺度特征：特征金字塔网络通过自上而下结构和横向连接的方式融合具有高分辨率的浅层和具有丰富语义信息的深层，实现特征融合，对步骤（2）提取的特征进行多尺度特征提取获得卷积特征图集合；（4）生成高质量水平候选框：根据步骤（3）得到的卷积特征图集合，分别使用两个结构相同的但是不共享参数的全连接层子网络学习分类和位置信息，从而完成目标框类别分类和位置回归的任务，其中分类为是否是车牌，位置信息为车牌的最小水平外接矩阵，即水平框，经过非极大抑制后，选择被预测为车牌的候选框在后续分支中进行点集合预测；（5）点引导的车牌定位：使用步骤（4）中获得的车牌的候选框对应的卷积特征作为输入，使用感兴趣区域对齐将特征转换成形状为28×28×D×C的特征图，其中D是预测点的数目，C为预测点的通道数，经过两层反卷积的上采样得到分辨率为112×112的D个热力图，使用Softmax得到特征图中每个位置的数值，即为该位置是预测点的概率；得到含有9个点的点集合后，计算点集合的最小外接矩阵，即为车牌的位置；（6）车牌分类：根据步骤（5）中获取的车牌位置信息对应的卷积特征，在特征之后使用两个级联的卷积层，对类别特征进行进一步提取，然后使用全连接层将特征拉伸成一维特征，并使用Softmax函数对车牌类型进行分类；（7）训练网络结构，得到训练好的模型参数：使用数据集中训练集的图像，图像尺寸为 128010243，根据每次训练需要的图像张数B，将图像依次输入到网络中，整个网络的输入，并且使用IOU阈值作为样本分配策略的衡量标准，输出车牌的分类置信 度和回归坐标位置，其中Class为2，即是否是车牌，N是输出预测 车牌目标的数量，4为车牌的水平框的中心点坐标和框的长宽，采用Focal损失算预测类别 和真实类别的误差，采用SmoothL1损失来计算预测车牌位置与真实车牌位置的误差；并输 出9张热力图，其中W和H为112，D和C分别为9和1，并使用二分类损失，通过反 向传播更新参数，经过100轮完整训练集训练迭代后，保存验证集上结果最好的模型参数， 作为最终模型训练好的参数，即得到训练好的车牌检测网络参数； （8）测试网络输出车牌位置和类别：保持图像长短边比例不变，将图像长边缩放到1280，然后对图像的短边进行填充，使得图像尺寸为12801080，作为网络的输入，即可输出车牌的分类置信度和车牌的坐标位置，并设置阈值过滤低置信度的车牌，最后使用非极大抑制删除网络输出的冗余的框，得到车牌的位置和类别。

全文数据：

权利要求：

百度查询： 松立控股集团股份有限公司 一种基于点引导定位的无受限场景车牌检测分类方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD