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】一种复杂场景车牌检测方法_松立控股集团股份有限公司_202211341525.2 

申请/专利权人:松立控股集团股份有限公司

申请日:2022-10-31

公开(公告)日:2022-11-29

公开(公告)号:CN115410189A

主分类号:G06V20/62

分类号:G06V20/62;G06V20/70;G06V10/82;G06V10/80;G06V10/774;G06V10/764;G06T5/30

优先权:

专利状态码:有效-授权

法律状态:2023.01.24#授权;2022.12.16#实质审查的生效;2022.11.29#公开

摘要:本发明属于车牌检测技术领域,涉及一种复杂场景车牌检测方法,先基于深度学习网络生成多尺度特征,在多尺度特征中嵌入语义特征从而极大的缩小问题域,利用多尺度特征弥补语义特征对于细节信息的缺失,为充分糅合语义特征与细节特征之间的互补优势,提出了语义特征与多尺度特征关系建模网络,通过图卷积网络GCN建模二者之间的特征关系,提升了复杂场景下车牌检测的精度,同时针对车牌检测网络采用单一分支优化难的问题,将车牌检测网络拆解为双流网络,不仅可以用来进行复杂场景下的车牌检测,还可用于复杂场景下的物体分割等复杂场景下的检测,在CCPD数据集中精度达到97.9%。

主权项:1.一种复杂场景车牌检测方法,其特征在于,具体包括如下步骤:(1)构建车牌检测数据集采用复杂场景下的车牌图像构建车牌检测数据集,并对车牌图像进行标注,将车牌检测数据集划分为训练集、验证集和测试集;(2)多尺度特征提取将车牌图像依次经过归一化和去均值预处理后输入到深度学习Backbone网络,将深度学习Backbone网络不同层的侧输出作为不同尺度特征;(3)语义特征粗定位在深度学习Backbone网络的语义分支最后一层引入不同膨胀因子的膨胀卷积以及类别分支和回归分支,并计算与水平矩形框之间的位置敏感loss_1;(4)多尺度特征自适应融合将深度学习Backbone网络不同层的侧输出通过卷积层以及下采样层和上采样层转变为统一大小的多尺度特征层;(5)语义特征引导多尺度特征增强将多尺度特征层输入语义引导的特征增强模块进行多尺度特征增强;(6)基于图结构的车牌区域细化将步骤(5)增强后的多尺度特征输入图卷积网络,基于图结构对车牌区域细化,在精细化分支输出层后引入类别分支和回归分支,并计算与畸变框之间的精细化loss_2;(7)训练网络使用步骤(1)训练集作为网络的拟合数据,将批量车牌检测图像数据输入到网络中,语义分支的输出结果为车牌类别置信度和回归坐标位置;精细化分支的输出结果为车牌类别置信度和回归坐标位置,采用FocalLoss计算车牌Class损失,SmoothL1Loss计算车牌位置误差;经过设定56次完整训练集训练迭代后,保存精度最高的模型参数;(8)测试网络使用步骤(1)测试集作为网络的拟合数据,以长宽比例为基准将车牌图像填充后将批量车牌检测图像数据输入网络中,并加载步骤(7)训练好的模型参数,网络输出车牌类别置信度和回归坐标位置,设置阈值过滤掉低置信度的车牌,最后使用非极大抑制删除网络输出的冗余的框,实现复杂场景车牌检测。

全文数据:

权利要求:

百度查询: 松立控股集团股份有限公司 一种复杂场景车牌检测方法

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。

相关技术
相关技术
相关技术
相关技术