基于改进的YOLOv3网络的车牌检测模型及构建方法技术

本发明专利技术公开了一种基于改进的YOLOv3网络的车牌检测模型及构建方法，包括改进的YOLOv3网络用于输入车牌图像并提取三个不同尺度的特征图；对得到的三个不同尺度的特征图进行上采样后将深度特征缩放到相同比例后进行向下采样，通过构建的卷积层进行解码生成增强特征后的特征图；将生成的增强特征后的三个不同尺度的特征图和来自YOLOv3特征提取网络提取的三个不同尺度的特征图进行特征聚合，生成特征金字塔，获得改进的YOLOv3网络的车牌检测模型；对车牌检测模型进行训练获得最终模型。本发明专利技术实现检测速度方面会大幅提高，引进了金字塔多尺度特征网络用于增强骨干网的特征并生成更有效的多尺度特征金字塔,更好地从输入图像中提取特征。

License plate detection model and construction method based on improved yolov3 network

【技术实现步骤摘要】
基于改进的YOLOv3网络的车牌检测模型及构建方法
本专利技术属于计算机视觉领域，特别是涉及到一种基于改进的YOLOv3网络的车牌检测模型及构建方法。
技术介绍
随着经济社会的迅猛发展，人们生活水平的提高，机动车辆的数量急剧增加。为了提高车辆的管理效率，缓解公路上的交通压力，我们必须找到一种解决方案。而车牌作为能够唯一确定汽车身份的凭证，解决在道路交通中对于车牌的检测，则可以极大地提高汽车的安全管理水平及管理效率。在传统的车牌检测是通过图形分割和图像识别理论，对含有车牌号的图像进行分析处理，从而确定牌照在图像中的位置。但是基于图像图形学的定位方法，容易受到外界干扰信息的干扰而造成定位失败。比如基于颜色分析的定为方法中，如果车牌背景颜色与车牌颜色相近，则很难从背景中提取车牌。外界的干扰信息也会欺骗定位算法，使得定位算法生成过多的非车牌候选区域，增大了系统负荷，使得字符识别不准确。卷积神经网络的出现，相较于几何结构和子空间布局特征，极大地改善了物体检测与识别的效果。目前主流的深度学习检测算法有FasterRCNN(fasterregionwithCNNfeatures)、SSD(SingleShotMultiBoxDetector)和YOLO(YouOnlyLookOnce)。最新的YOLOv3网络相对于其他算法和网络具有最快的检测速度和高检测识别率。但是现有技术将YOLOv3网络应用到车牌检测中，由于YOLOv3网络实现的检测种类繁多，单个目标的检测既复杂又冗余，参数过多会导致训练过于复杂，影响数据量和训练速度的需求。
技术实现思路
本专利技术的目的在于解决上述现有技术存在的以上技术问题，提供一种基于改进的YOLOv3网络的车牌检测模型及构建方法。为了实现上述技术目的，本专利技术的技术方案为：一方面，本专利技术提供了一种改进的YOLOv3网络的车牌检测模型，其特征在于，包括：改进的YOLOv3网络、CONCAT模块、编码器解码器模块、特征聚合模和车牌检测模型训练模块；所述改进的YOLOv3网络用于输入车牌图像并提取三个不同尺度的特征图；所述改进的YOLOv3网络结构的第一层和最后一层是标准卷积，其他网络均由下采样层和网络单元块构成；所述CONCAT模块用于对得到的三个不同尺度的特征图进行上采样后将深度特征缩放到相同比例，将输出传递到编码器解码器模块；所述编码器解码器模块用于对其输入的特征图进行向下采样，通过构建的卷积层进行解码生成增强特征后的特征图；所述特征聚合模块，用于将生成的增强特征后的三个不同尺度的特征图和来自YOLOv3特征提取网络提取的三个不同尺度的特征图进行特征聚合，生成特征金字塔，获得基于改进的YOLOv3网络的车牌检测模型；所述车牌检测模型训练模块用于利用测试集对所述基于改进的YOLOv3网络的车牌检测模型进行训练，调整YOLOv3网络的权重参数，直至判断输出日志中的Loss函数收敛则确定网络训练完毕，获得训练完成的基于改进的YOLOv3网络的车牌检测模型。第二方面，本专利技术提供了一种基于改进的YOLOv3网络的车牌检测模型的构建方法，其特征在于，包括以下步骤：采用改进的YOLOv3网络作为特征提取网络，提取三个不同尺度的特征图，对所述不同尺度的特征图进行上采样后将深度特征缩放到相同比例后再进行向下采样，通过构建的卷积层进行解码生成增强特征后的特征图；将生成的增强特征后的三个不同尺度特征图和来自YOLOv3特征提取网络提取的三个不同尺度的特征图进行特征聚合，生成特征金字塔，获得改进的YOLOv3网络的车牌检测模型；利用测试集对所述改进的YOLOv3网络的车牌检测模型进行训练，调整YOLOv3网络的权重参数，直至判断输出日志中的Loss函数收敛则确定网络训练完毕，获得训练完成的基于改进的YOLOv3网络的车牌检测模型；所述改进的YOLOv3网络结构的第一层和最后一层是标准卷积，其他网络均采用包括下采样层和网络单元块的深度可分离卷积结构。进一步地，所述下采样层包括3*3的深度分离卷积层，经过批量规范化层，通过ReLU激活函数连接1*1卷积层作用是在不影响输入输出维数的情况下，对输入进行线性形变，然后通过ReLU激活函数进行非线性处理。进一步地，使用shortcut连接的方式建立网络单元块，在网络单元格中，每个残差表示里面使用三个堆栈，这三层分别是1×1、3×3和1×1的卷积层。进一步地，网络单元块中采用通道随机混合操作对通道进行重新排序。进一步地，将生成的增强特征后的三个不同尺度特征图和来自YOLOv3特征提取网络提取的特征图进行特征聚合的具体方法如下：将特征增强后的不同尺度特征图和来自YOLOv3特征提取网络提取的三个不同尺度的特征沿通道尺度的等效比例连接起来；引进一个基于通道的SE模块依次进行挤压操作、激励操作和重标定操作，从而完成聚合特征的操作；所述挤压操作将每个二维的特征通道变成一个实数，并且输出的维度和输入的特征通道数相匹配，所述激励操作通过参数来为每个特征通道生成权重；所述重标定操作将经过激励操作后输出的权重通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定。进一步地，对所述改进的YOLOv3网络的车牌检测模型进行训练的方法如下：步骤301：输入全局信息,采用全局池化池对融合后的特征块进行处理，将全局空间信息压缩成一个通道描述符Z，Z的第c个元素由下式计算：其中的Fsq(uc)指的是对空间尺寸大小为uc的图像进行挤压操作后输出的局部描述符的集合，W×H表示的是被压缩后的空间尺寸，uc则是被压缩前的空间尺寸；然后利用压缩操作中汇总的信息，进行下一步的激励操作，通过参数w来为每个特征通道生成权重，其中参数w被学习用来显式地建模特征通道间的相关性，用于捕获通道相关性，由下式计算得出：s＝Fex(z，W)＝ReLU(W2×sigmod(W1z))(5)式中，W1、W2为两个全连接层，其中其中r为缩放参数，W1的维度是W2的维度是C表示channel数目，r为降维参数。这个s是用来刻画featuremap的权重。而且这个权重是通过前面这些全连接层和非线性层学习得到的，因此可以end-to-end训练。这两个全连接层的作用就是融合各通道的featuremap信息。步骤302：通过激活转换输出U的缩放来获得SE模块的最终输出：这里的X就是模块的最终输出,所指代的就是多尺度特征金字塔，每个特征都是通过SE模块来增强或者减弱的，是一个二维矩阵，SC是模型训练得出的权重。步骤303：判断输出日志中的Loss函数是否收敛来确定网络是否训练完毕，如果Loss函数没有收敛，则继续训练，直至Loss函数收敛，YOLOv3网络模型训练完毕。一种存储一个或多个程序的可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行以上技术方案本文档来自技高网...

【技术保护点】
1.一种基于改进的YOLOv3网络的车牌检测模型，其特征在于，包括：改进的YOLOv3网络、CONCAT模块、编码器解码器模块、特征聚合模和车牌检测模型训练模块；/n所述改进的YOLOv3网络用于输入车牌图像并提取三个不同尺度的特征图；所述改进的YOLOv3网络结构的第一层和最后一层是标准卷积，其他网络均由下采样层和网络单元块构成；/n所述CONCAT模块用于对得到的三个不同尺度的特征图进行上采样后将深度特征缩放到相同比例，将输出传递到编码器解码器模块；/n所述编码器解码器模块用于对其输入的特征图进行向下采样，通过构建的卷积层进行解码生成增强特征后的特征图；/n所述特征聚合模块，用于将生成的增强特征后的三个不同尺度的特征图和来自YOLOv3特征提取网络提取的三个不同尺度的特征图进行特征聚合，生成特征金字塔，获得改进的YOLOv3网络的车牌检测模型；/n所述车牌检测模型训练模块用于利用测试集对所述改进的YOLOv3网络的车牌检测模型进行训练，调整YOLOv3网络的权重参数，直至判断输出日志中的Loss函数收敛则确定网络训练完毕，获得训练完成的基于改进的YOLOv3网络的车牌检测模型。/n

【技术特征摘要】
1.一种基于改进的YOLOv3网络的车牌检测模型，其特征在于，包括：改进的YOLOv3网络、CONCAT模块、编码器解码器模块、特征聚合模和车牌检测模型训练模块；
所述改进的YOLOv3网络用于输入车牌图像并提取三个不同尺度的特征图；所述改进的YOLOv3网络结构的第一层和最后一层是标准卷积，其他网络均由下采样层和网络单元块构成；
所述CONCAT模块用于对得到的三个不同尺度的特征图进行上采样后将深度特征缩放到相同比例，将输出传递到编码器解码器模块；
所述编码器解码器模块用于对其输入的特征图进行向下采样，通过构建的卷积层进行解码生成增强特征后的特征图；
所述特征聚合模块，用于将生成的增强特征后的三个不同尺度的特征图和来自YOLOv3特征提取网络提取的三个不同尺度的特征图进行特征聚合，生成特征金字塔，获得改进的YOLOv3网络的车牌检测模型；
所述车牌检测模型训练模块用于利用测试集对所述改进的YOLOv3网络的车牌检测模型进行训练，调整YOLOv3网络的权重参数，直至判断输出日志中的Loss函数收敛则确定网络训练完毕，获得训练完成的基于改进的YOLOv3网络的车牌检测模型。


2.一种基于改进的YOLOv3网络的车牌检测模型的构建方法，其特征在于，包括以下步骤：
采用改进的YOLOv3网络作为特征提取网络，提取三个不同尺度的特征图，对所述不同尺度的特征图进行上采样后将深度特征缩放到相同比例后再进行向下采样，通过构建的卷积层进行解码生成增强特征后的特征图；
将生成的增强特征后的三个不同尺度特征图和来自YOLOv3特征提取网络提取的三个不同尺度的特征图进行特征聚合，生成特征金字塔，获得改进的YOLOv3网络的车牌检测模型；
利用测试集对所述改进的YOLOv3网络的车牌检测模型进行训练，调整YOLOv3网络的权重参数，直至判断输出日志中的Loss函数收敛则确定网络训练完毕，获得训练完成的基于改进的YOLOv3网络的车牌检测模型；
所述改进的YOLOv3网络结构的第一层和最后一层是标准卷积，其他网络均采用包括下采样层和网络单元块的深度可分离卷积结构。


3.根据权利要求1所述的一种基于改进的YOLOv3网络的车牌检测模型的构建方法，其特征在于，所述下采样层包括3*3的深度分离卷积层，经过批量规范化层，通过ReLU激活函数连接1*1卷积层，然后通过ReLU激活函数进行非线性处理。


4.根据权利要求1所述的一种基于改进的YOLOv3网络的车牌检测模型的构建方法，其特征在于，使用shortcut连接的方式建立网络单元块，在网络单元格中，每个残差表示里面使用三个堆栈，这三层分别是1×1、3×3和1×1的卷积层。


5.根据权利要求1所述的一种基于改进的YOLOv3网络的车牌检测模型的构建方法，其特征在于，网络单元块中采用通道随机混合操作对通道进行重新排序。


6.根据权利要求1所述的一种基于改进的YOLOv3网络的车牌检测模型的构建方法，其特...

【专利技术属性】
技术研发人员：张登银，孙誉焯，彭巧，刘子捷，周超，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32