车牌污损分类模型的生成方法和车牌污损分类方法技术

本申请公开了一种车牌污损分类模型的生成方法和车牌污损分类方法，涉及人工智能技术领域，具体涉及计算机视觉技术领域以及智能交通技术领域。该车牌污损分类模型的生成方法包括：获取训练数据，所述训练数据包括多个经过标注的车辆图像，标注内容包括车牌有污损或者车牌无污损，所述标注内容还包括车牌区域的位置信息；使用所述训练数据对第一神经网络进行训练，训练完成后得到车牌污损分类模型，用于预测目标车辆图像中的车牌是否有污损。利用本申请实施例可得到鲁棒性好的车牌污损分类模型。

【技术实现步骤摘要】
车牌污损分类模型的生成方法和车牌污损分类方法
本申请涉及人工智能
，具体涉及计算机视觉
以及智能交通
，具体涉及一种车牌污损分类模型的生成方法、车牌污损分类方法、装置、设备、存储介质和车牌污损分类模型。
技术介绍
当今城镇的汽车数量逐渐增多，车辆管理日益重要，每一辆汽车都有专属车牌，因此车辆管理中的重要分支是对车辆的车牌的管理，如何改善已有的车牌识别技术，提高对污损车牌的识别效率，一直是研究的重点。目前，大多数车牌污损识别模型以整辆车的图片为输入，车牌在输入的图片中只占很小的比例，由于不同车型、不同道路、不同拍摄环境的影响，除车牌之外的图片信息较为复杂，使得处理图片过程很容易受这些复杂因素的影响，模型训练过程中能够学习到的车牌特征有限，容易造成过拟合的现象，模型训练效果并不理想，使用这类模型对车牌污损情况的识别效果无法令人满意，模型的鲁棒性不高。
技术实现思路
本申请提供一种车牌污损分类模型的生成方法、车牌污损分类方法、装置、设备、存储介质和车牌污损分类模型，以解决以上至少一个问题。根据本申请的第一方面，提供了一种车牌污损分类模型的生成方法，包括：获取训练数据，所述训练数据包括多个经过标注的车辆图像，标注内容包括车牌有污损或者车牌无污损，所述标注内容还包括车牌区域的位置信息；使用所述训练数据对第一神经网络进行训练，训练完成后得到车牌污损分类模型，用于预测目标车辆图像中的车牌是否有污损；其中，训练时使用的损失函数包括交叉熵损失函数和类激活图损失函数，所述交叉熵损失函数用于对车牌是否有污损进行监督学习，所述类激活图损失函数用于对车牌位置进行监督学习，其中，通过将经过标注的车辆图像与所述经过标注的车辆图像对应的类激活图进行对比得到所述类激活图损失函数。根据本申请的第二方面，提供了一种车牌污损分类方法，其基于以上方法所生成的车牌污损分类模型，所述车牌污损分类方法包括：将目标车辆图像输入所述车牌污损分类模型中；通过所述车牌污损分类模型预测目标车辆图像中的车牌是否有污损；接收所述车牌污损分类模型输出的预测结果，所述预测结果包括车牌有污损或者车牌无污损。根据本申请的第三方面，提供了一种车牌污损分类模型的生成装置，包括：获取模块，用于获取训练数据，所述训练数据包括多个经过标注的车辆图像，标注内容包括车牌有污损或者车牌无污损，所述标注内容还包括车牌区域的位置信息；训练模块，用于使用所述训练数据对第一神经网络进行训练，训练完成后得到车牌污损分类模型，用于预测目标车辆图像中的车牌是否有污损；其中，所述训练模块训练时使用的损失函数包括交叉熵损失函数和类激活图损失函数，所述交叉熵损失函数用于对车牌是否有污损进行监督学习，所述类激活图损失函数用于对车牌位置进行监督学习，其中，通过将经过标注的车辆图像与所述经过标注的车辆图像对应的类激活图进行对比得到所述类激活图损失函数。根据本申请的第四方面，提供了一种车牌污损分类装置，其基于以上车牌污损分类模型的生成方法所生成的车牌污损分类模型，所述车牌污损分类装置包括：输入模块，用于将目标车辆图像输入车牌污损分类模型中；车牌污损分类模型，用于预测目标车辆图像中的车牌是否有污损；接收模块，用于接收所述车牌污损分类模型输出的预测结果，所述预测结果包括车牌有污损或者车牌无污损。根据本申请的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上的方法。根据本申请的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如上的方法。根据本申请的第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上的方法。根据本申请的第八方面，提供了一种车牌污损分类模型，所述车牌污损分类模型是由以上所述的车牌污损分类模型的生成方法所生成的车牌污损分类模型。根据本申请的实施例，对神经网络进行训练时采用的训练数据为标注有车牌区域以及车牌是否污损的车辆图像，并且利用专门设计的基于类激活图的损失函数，能够将网络中类激活图的高能区域限制在标注的车牌区域，可使网络关注车牌区域的特征，忽略车牌区域之外的其余背景特征，由于排除了图像中的背景特征，训练生成的模型能够更加准确地判断车牌污损情况，模型鲁棒性高。应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1是本申请实施例的车牌污损分类模型的生成方法的流程框图；图2是本申请实施例的车牌污损分类方法的流程框图；图3是本申请实施例处理的一种车辆图像的示意图；图4是本申请实施例的一种车牌污损分类模型的训练过程示意图；图5是本申请实施例的车牌污损分类模型的生成装置的结构框图；图6是本申请实施例的车牌污损分类装置的结构框图；图7是实现本申请实施例的车牌污损分类模型的生成方法或车牌污损分类方法的电子设备的框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。图1示出了本申请实施例提供的一种车牌污损分类模型的生成方法的流程框图，该方法包括：S101，获取训练数据，所述训练数据包括多个经过标注的车辆图像，标注内容包括车牌有污损或者车牌无污损，所述标注内容还包括车牌区域的位置信息；S102，使用所述训练数据对第一神经网络进行训练，训练完成后得到车牌污损分类模型，用于预测目标车辆图像中的车牌是否有污损；其中，训练时使用的损失函数包括交叉熵损失函数和类激活图损失函数，所述交叉熵损失函数用于对车牌是否有污损进行监督学习，所述类激活图损失函数用于对车牌位置进行监督学习，其中，通过将经过标注的车辆图像与所述经过标注的车辆图像对应的类激活图进行对比得到所述类激活图损失函数。关于类激活图(classactivationmap，CAM)，通常是基于输入图像生成的类激活的热力图，可表征每个位置相对于对应类别的重要程度。根据本申请的实施例，在对神经网络进行训练时，采用的训练数据为标注有车牌区域以及车牌是否污损的车辆图像，并且专门设计了基于类激活图的损失函数，能够将网络中类激活图的高能区域限制在标注的车牌区域，目的是使网络关注车牌区域的特征，忽略除车牌区域之外的其余背景特征，由于排除了图像中的背景特征，生成的本文档来自技高网...

【技术保护点】
1.一种车牌污损分类模型的生成方法，包括：/n获取训练数据，所述训练数据包括多个经过标注的车辆图像，标注内容包括车牌有污损或者车牌无污损，所述标注内容还包括车牌区域的位置信息；/n使用所述训练数据对第一神经网络进行训练，训练完成后得到车牌污损分类模型，用于预测目标车辆图像中的车牌是否有污损；/n其中，训练时使用的损失函数包括交叉熵损失函数和类激活图损失函数，所述交叉熵损失函数用于对车牌是否有污损进行监督学习，所述类激活图损失函数用于对车牌位置进行监督学习，其中，通过将经过标注的车辆图像与所述经过标注的车辆图像对应的类激活图进行对比得到所述类激活图损失函数。/n

【技术特征摘要】
1.一种车牌污损分类模型的生成方法，包括：
获取训练数据，所述训练数据包括多个经过标注的车辆图像，标注内容包括车牌有污损或者车牌无污损，所述标注内容还包括车牌区域的位置信息；
使用所述训练数据对第一神经网络进行训练，训练完成后得到车牌污损分类模型，用于预测目标车辆图像中的车牌是否有污损；
其中，训练时使用的损失函数包括交叉熵损失函数和类激活图损失函数，所述交叉熵损失函数用于对车牌是否有污损进行监督学习，所述类激活图损失函数用于对车牌位置进行监督学习，其中，通过将经过标注的车辆图像与所述经过标注的车辆图像对应的类激活图进行对比得到所述类激活图损失函数。


2.根据权利要求1所述的方法，其中，通过将经过标注的车辆图像与所述经过标注的车辆图像对应的类激活图进行对比得到所述类激活图损失函数，包括：
通过所述第一神经网络提取经过标注的车辆图像的特征图；
基于所述特征图计算所述经过标注的车辆图像对应的类激活图；
将得到的类激活图与所述经过标注的车辆图像进行对比，将类激活图中的除去车牌区域之外的区域中的元素作为损失，得到所述类激活图损失函数。


3.根据权利要求2所述的方法，其中，所述方法还包括：
对所述类激活图进行上采样或者下采样，以使所述类激活图与所述经过标注的车辆图像的尺寸相同。


4.根据权利要求1-3中任一项所述的方法，其中，使用bbox标注所述车牌区域的位置信息。


5.根据权利要求4所述的方法，其中，所述类激活图损失函数通过下式表示：



其中，LCAM表示类激活图损失函数，xi表示类激活图中的第i个元素，wi为判断第i个元素是否位于bbox内的变量，其中，若第i个元素位于bbox内，则wi取0，若第i个元素位于bbox外，则wi取1。


6.一种车牌污损分类方法，其基于由权利要求1-5中任一项所述的方法所生成的车牌污损分类模型，所述车牌污损分类方法包括：
将目标车辆图像输入所述车牌污损分类模型中；
通过所述车牌污损分类模型预测目标车辆图像中的车牌是否有污损；
接收所述车牌污损分类模型输出的预测结果，所述预测结果包括车牌有污损或者车牌无污损。


7.一种车牌污损分类模型的生成装置，包括：
获取模块，用于获取训练数据，所述训练数据包括多个经过标注的车辆图像，标注内容包括车牌有污损或者车牌无污损，所述标注内容还包括车牌区域的位置信息；
训练模块，用于使用所述训练数据对第一神经网络进行训练，训练完成后得到车牌污损分类模型，用于预测目标车辆图像中的车牌是否有污损；
其中，所述训练模块训练时使用的...

【专利技术属性】
技术研发人员：于越，谭啸，孙昊，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11