【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。