申请/专利权人：松立控股集团股份有限公司

申请日：2022-06-15

公开（公告）日：2024-03-29

公开（公告）号：CN115050028B

主分类号：G06V30/148

分类号：G06V30/148;G06V10/22;G06V10/40;G06V10/764;G06V10/774;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2022.09.30#实质审查的生效;2022.09.13#公开

摘要：本发明属于车牌检测技术领域，尤其涉及一种恶劣天气下小样本车牌检测方法，设计简洁的主干网络用于提取正负样本框，在训练时为常规天气数据构建多个正样本的嵌入空间表征以及负样本的嵌入空间表征，在测试时增加新的恶劣天气图像的正样本表征和负样本的嵌入空间表征，推近目标建议框距离与正样本嵌入空间的距离，拉大目标建议框与负样本嵌入空间的距离，最终通过此度量判断目标候选框是否为车牌，从而达到车牌检测的效果，不仅可以用来进行恶劣天气下小样本车牌检测，还可以用于多种小样本目标检测任务，在恶劣天气下的小样本数据检测精度可达96.5%，极大的提升了检测和分类效果。

主权项：1.一种恶劣天气下小样本车牌检测方法，其特征在于，具体过程为：（1）数据集构建：先收集常规天气的交通监控、停车场的含有常规以及倾斜、畸变车牌的图像，构建车牌数据集作为训练的基础数据，并将车牌数据集划分为训练集、验证集和测试集，再收集不少于200张的恶劣天气下的车牌图像作为小样本数据；（2）共享主干网络特征提取：先对图片的尺寸和数值范围行初始化处理，再将处理后的图像输入到主干网络中进行卷积特征提取；然后通过特征金字塔网络对提取的特征进行强化得到多尺度车牌卷积特征图集合；（3）车牌位置定位：根据步骤（2）得到的多尺度车牌卷积特征图集合，在不同的多尺度 卷积层后连接两层卷积核为33的卷积层以及一层平均池化层，在特征图的每一个特征点 设置一个锚框，再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 位置偏移信息后输出候选框； （4）样本嵌入空间构建：与样本标签相比，将IoU0.7的候选框定义为正样本信息，0.2IoU0.3的候选框定义为负样本信息，并使用三层全连接层构建多层感知嵌入编码，输入正样本和负样本候选框对相应区域通过步骤（2）提取得到的卷积特征，输出正样本嵌入和负样本嵌入，并将正样本嵌入和负样本嵌入分别纳入到正样本嵌入空间和负样本嵌入空间；（5）样本距离度量：将步骤（3）输出的候选框对应的嵌入编码后的向量分别与正样本嵌入空间和负样本嵌入空间进行距离计算，利用得到的两个距离，通过概率度量方法输出每个候选框是车牌的概率；（6）训练网络结构，得到训练好的车牌检测网络：使用数据集中训练集的图像，图片尺 寸为5125123，根据一次训练所需的样本数将图像依次输入到网络中，整个网络的输入，其中B为一次训练所需的样本数，并且使用IoU阈值作为样本分配策略的衡 量标准输出回归坐标位置，N是输出预测车牌目标的数量，4表示四维，包含车牌 的水平框中心点坐标（x,y）和长宽（w，h）；再采用与步骤（5）中相同的方法计算候选框是否 为车牌，然后通过反向传播更新参数，经过500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，得到训练好的车牌检测网络； （7）测试网络并输出车牌位置和类别：在保持图片长短边比例不变的情况下将图像长 边缩放到512，然后对图片的短边进行填充，使得图像尺寸为512512，作为车牌检测网络的 输入，然后输出车牌的分类置信度和车牌的坐标位置，通过设置阈值过滤低置信度的车牌， 并使用非极大抑制删除网络输出的冗余的框得到车牌检测框，最后将车牌检测框对应的车 牌特征输入到车牌识别模块，得到车牌号。

全文数据：

权利要求：

百度查询： 松立控股集团股份有限公司 一种恶劣天气下小样本车牌检测方法

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。

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