车牌检测模型训练方法、装置、设备及介质制造方法及图纸

本申请涉及图像处理技术领域，提供一种车牌检测模型训练方法、装置、设备及介质，用于提高车牌检测模型的泛化能力。该方法包括：将样本图像集中各个样本图像输入车牌检测模型，获得每个样本图像的车牌检测结果，样本图像集为在不同场景下采集的车辆图像；根据每类车牌类别下的样本图像数量占比所属的占比范围，确定每类车牌下的样本图像对应的损失函数；每类车牌类别下的样本图像数量占比所属的占比范围越小，对应类别车牌下的样本图像的损失函数对应的梯度损失越大；根据各类车牌类别下的样本图像对应的损失函数的取值，调整车牌检测模型的模型参数；直到车牌检测模型收敛，获得训练后的车牌检测模型。

【技术实现步骤摘要】
车牌检测模型训练方法、装置、设备及介质
本申请涉及图像处理
，具体涉及一种车牌检测模型训练方法、装置、设备及介质。
技术介绍
车牌是车辆的身份标识，车牌是车辆的一个重要特征。随着智能技术的不断发展，在智能交通中常广泛利用车牌检测模型检测车辆的车牌，具体来说，通过已训练的车牌检测模型对包含车牌的车辆图像进行检测，从而得到车牌号。但目前的车牌检测模型训练通常是采用单一场景下的样本图像集训练得到，这样训练出的车牌检测模型在该场景下进行车牌检测时，其检测性能较好，一旦场景改变时，车牌检测模型检测效果较差，即车牌检测模型的泛化能力差。
技术实现思路
本申请实施例提供一种车牌检测模型训练方法、装置、设备及介质，用于提高车牌检测模型的泛化能力。第一方面，提供了一种车牌检测模型训练方法，包括：将样本图像集中各个样本图像输入车牌检测模型，获得每个样本图像的车牌检测结果，所述样本图像集为在不同场景下采集的车辆图像，所述样本图像集中存在至少两类车牌下的车辆图像；根据每类车牌类别下的样本图像数量占比所属的占比范本文档来自技高网...

【技术保护点】
1.一种车牌检测模型训练方法，其特征在于，包括：/n将样本图像集中各个样本图像输入车牌检测模型，获得每个样本图像的车牌检测结果，所述样本图像集为在不同场景下采集的车辆图像，所述样本图像集中存在至少两类车牌下的车辆图像；/n根据每类车牌类别下的样本图像数量占比所属的占比范围，确定每类车牌下的样本图像对应的损失函数；每类车牌类别下的样本图像数量占比所属的占比范围越小，对应类别车牌下的样本图像的损失函数对应的梯度损失越大；/n根据各类车牌类别下的样本图像对应的损失函数的取值，调整所述车牌检测模型的模型参数；/n直到所述车牌检测模型收敛，获得训练后的车牌检测模型。/n

【技术特征摘要】
1.一种车牌检测模型训练方法，其特征在于，包括：
将样本图像集中各个样本图像输入车牌检测模型，获得每个样本图像的车牌检测结果，所述样本图像集为在不同场景下采集的车辆图像，所述样本图像集中存在至少两类车牌下的车辆图像；
根据每类车牌类别下的样本图像数量占比所属的占比范围，确定每类车牌下的样本图像对应的损失函数；每类车牌类别下的样本图像数量占比所属的占比范围越小，对应类别车牌下的样本图像的损失函数对应的梯度损失越大；
根据各类车牌类别下的样本图像对应的损失函数的取值，调整所述车牌检测模型的模型参数；
直到所述车牌检测模型收敛，获得训练后的车牌检测模型。


2.如权利要求1所述的方法，其特征在于，每个样本图像的车牌检测结果包括对应样本图像所属的场景预测结果；所述占比范围包括第一占比范围、第二占比范围和第三占比范围，所述第一占比范围的最大值小于所述第二占比范围的最小值，所述第二占比范围的最大值小于所述第三占比范围的最小值；根据每类车牌类别下的样本图像数量占比所属的占比范围，确定每类车牌下的样本图像对应的损失函数，包括：
若任一类车牌类别下的样本图像的数量占比属于所述第一占比范围，则确定所述任一类车牌类别对应的样本图像对应的损失函数包括第一场景损失函数；所述第一场景损失函数用于表示每个样本图像的真实所属的场景标签值与所述对应样本图像的第一场景预测结果之间的绝对差值；
若任一类车牌类别下的样本图像的数量占比属于所述第二占比范围，则确定所述任一类车牌类别对应的样本图像对应的损失函数包括第二场景损失函数；所述第二场景损失函数用于表示第一场景预测结果的对数；
若任一类车牌类别下的样本图像的数量占比属于所述第三占比范围，则确定所述任一类车牌类别对应的样本图像对应的损失函数包括第三场景损失函数；所述第三损失函数用于表示每个样本图像的真实所属的场景标签值与所述对应样本图像的第一场景预测结果之间的差值的平方。


3.如权利要求1或2所述的方法，其特征在于，每个样本图像包括多个图像区域，每个样本图像的车牌检测结果包括基于每个图像区域预测出的预测车牌中心坐标点、基于每个图像区域预测出的预测车牌长度和基于每个图像区域预测出的预测车牌宽度，所述每类车牌下的样本图像对应的损失函数均还包括尺寸损失函数，针对每个样本图像的尺寸损失函数的取值是通过如下方式获得的：
针对样本图像中多个图像区域中每个图像区域，根据对应图像区域的基于每个图像区域预测出的预测车牌中心坐标点、基于每个图像区域预测出的预测车牌长度和基于每个图像区域预测出的预测车牌宽度，确定对应图像区域的车牌预测框，以获得样本图像所对应的多个车牌预测框；
将满足预设条件的车牌预测框确定为样本图像的目标车牌预测框；
根据确定出的目标车牌预测框对应的预测车牌中心坐标点、预测车牌长度和预测车牌宽度，计算尺寸损失函数的取值。


4.如权利要求3所述的方法，其特征在于，将满足预设条件的车牌预测框确定为样本图像的目标车牌预测框，包括：
针对样本图像所对应的多个车牌预测框，确定置信度最高的第一车牌预测框，并确定第一剩余车牌预测框与所述第一车牌预测框之间的交并比；所述置信度表示样本图像包含车牌的概率，所述第一剩余车牌预测框为多个车牌预测框中除了第一车牌预测框之外的车牌预测框；
从交并比小于或等于...

【专利技术属性】
技术研发人员：王嘉伟，邵明，王耀农，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江;33