一种车牌检测的方法及装置制造方法及图纸

本申请实施例公开了一种车牌检测的方法及装置，用于检测车辆图像中的所有车牌并进行分类。本申请实施例方法包括：训练初始检测模型，得到目标检测模型，所述目标检测模型为卷积神经网络模型，所述目标检测模型用于检测图像中所有的车牌；获取目标车辆图像，所述目标车辆图像包括至少一个车牌；将所述目标车辆图像输入所述目标检测模型，生成目标车牌图像和所述目标车牌图像中每一张图像的类别概率，其中，所述目标车牌图像的数量与所述车牌一致，类别概率包括每个预设类别的概率，所述预设类别包括单行车牌和双行车牌；对于所述目标车牌图像中的每一张图像，确定对应的类别概率中概率值最大的预设类别作为车牌类别。率值最大的预设类别作为车牌类别。率值最大的预设类别作为车牌类别。

【技术实现步骤摘要】
一种车牌检测的方法及装置


[0001]本申请实施例涉及车牌检测
，尤其涉及一种车牌检测的方法及装置。

技术介绍

[0002]随着社会的不断发现，车辆也跟着不断增多，为了方便对车辆的管理，基于深度学习的车辆管理系统应运而生，车辆管理系统包括车牌检测模型、车牌识别模型等。
[0003]现有技术中，当车辆到来时，车辆管理系统获取该车辆对应的车辆图像，然后通过车牌检测模型和车辆图像得到对应的车牌图像，最后再通过车牌识别模型和该车牌图像得到对应的车牌号。
[0004]然而，现有技术中的车牌检测模型只能检测到单行车牌或者双行车牌中的一种，当一辆车上同时悬挂两种类型的车牌时，只能检测到一种车牌。

技术实现思路

[0005]本申请实施例提供了一种车牌检测的方法及装置，可以同时检测出同一辆车上悬挂的不同车牌。
[0006]本申请实施例第一方面提供了一种车牌检测的方法，包括：
[0007]训练初始检测模型，得到目标检测模型，所述目标检测模型为卷积神经网络模型，所述目标检测模型用于检测图像中所有的车牌；
[0008]获取目标车辆图像，所述目标车辆图像包括至少一个车牌；
[0009]将所述目标车辆图像输入所述目标检测模型，生成目标车牌图像和所述目标车牌图像中每一张图像的类别概率，其中，所述目标车牌图像的数量与所述车牌一致，类别概率包括每个预设类别的概率，所述预设类别包括单行车牌和双行车牌；
[0010]对于所述目标车牌图像中的每一张图像，确定对应的类别概率中概率值最大的预设类别作为车牌类别。
[0011]可选的，所述训练初始检测模型，得到目标检测模型包括：
[0012]获取初始数据集，所述初始数据集包括只有单行车牌的车辆图像、只有双行车牌的车牌图像和同时具有单行车牌和双行车牌的车辆图像；
[0013]标注所述初始数据集中的车牌框和所述车牌框的车牌类别，得到样本集；
[0014]根据所述样本集对初始检测模型进行迭代训练；
[0015]判断所述初始检测模型是否达到预设收敛条件；
[0016]若是，则确定最后一次迭代得到的所述初始检测模型为目标检测模型；若否，则根据本次迭代训练的结果更新所述初始检测模型的网络参数，并根据所述样本集对所述初始检测模型进行下一次迭代训练。
[0017]可选的，所述根据所述样本集对初始检测模型进行迭代训练包括：
[0018]根据所述样本集生成先验框以及所述先验框的类别概率；
[0019]根据所述先验框和所述车牌框确定正样本和负样本，所述正样本为满足正样本规
则的所述先验框，所述负样本为所述正样本以外的所述先验框；
[0020]根据预设选取规则去除部分所述负样本，使得正负样本的比例等于预设比例；
[0021]根据保留的所述正样本和所述负样本、所述车牌框计算总损失值，所述总损失值包括定位损失值和分类损失值。
[0022]可选的，所述根据保留的所述正样本和所述负样本、所述车牌框以及总损失函数计算总损失值包括：
[0023]根据保留的所述正样本和所述负样本、所述车牌框计算分类损失值；
[0024]根据所述正样本、所述车牌框计算定位损失值；
[0025]对所述定位损失值和所述分类损失值分别乘以预设权重并求和，得到总损失值。
[0026]可选的，所述获取初始数据集之后，所述对所述初始数据集进行车牌标注之前，所述方法还包括：
[0027]对所述初始数据集进行数据增强，所述数据增强包括随机旋转、随机改变亮度、随机增加高斯噪声、随机高斯模糊中的至少一种。
[0028]可选的，所述将所述目标车辆图像输入所述目标检测模型，生成目标车牌图像和所述目标车牌图像中每一张图像的类别概率包括：
[0029]将所述目标车辆图像输入所述目标检测模型，生成若干个预测目标车牌框和所述预测目标车牌框中每个框的类别概率；
[0030]对所述预测目标车牌框做非极大值抑制(Non
‑
Maximum Suppression，NMS)处理，得到目标车牌图像。
[0031]本申请实施例第二方面提供了一种车牌检测的装置，包括：
[0032]训练单元，用于训练初始检测模型，得到目标检测模型，所述目标检测模型为卷积神经网络模型，所述目标检测模型用于检测图像中的车牌；
[0033]获取单元，用于获取目标车辆图像，所述目标车辆图像包括至少一个车牌；
[0034]生成单元，用于将所述目标车辆图像输入所述目标检测模型，生成目标车牌图像和所述目标车牌图像中每一张图像的类别概率，其中，所述目标车牌图像的数量与所述车牌一致，类别概率包括每个预设类别的概率，所述预设类别包括单行车牌和双行车牌；
[0035]确定单元，用于对于所述目标车牌图像中的每一张图像，确定对应的类别概率中概率值最大的预设类别作为车牌类别。
[0036]可选的，所述训练单元包括：
[0037]获取模块，用于获取初始数据集，所述初始数据集包括只有单行车牌的车辆图像、只有双行车牌的车牌图像和同时具有单行车牌和双行车牌的车辆图像；
[0038]标注模块，用于标注所述初始数据集中的车牌框和所述车牌框的车牌类别，得到样本集；
[0039]迭代训练模块，用于根据所述样本集对初始检测模型进行迭代训练；
[0040]判断模块，用于判断所述初始检测模型是否达到预设收敛条件；
[0041]确定模块，用于当所述判断模块确定所述初始检测模型达到所述预设收敛条件时，确定最后一次迭代得到的所述初始检测模型为目标检测模型；
[0042]更新模块，用于当所述判断模块确定所述初始检测模型未达到所述预设收敛条件时，根据本次迭代训练的结果更新所述初始检测模型的网络参数，并根据所述样本集对所
述初始检测模型进行下一次迭代训练。
[0043]可选的，所述迭代训练模块包括：
[0044]生成子模块，用于根据所述样本集生成先验框以及所述先验框的类别概率；
[0045]确定子模块，用于根据所述先验框和所述车牌框确定正样本和负样本，所述正样本为满足正样本规则的所述先验框，所述负样本为所述正样本以外的所述先验框；
[0046]去除子模块，用于根据预设选取规则去除部分所述负样本，使得正负样本的比例等于预设比例；
[0047]计算子模块，用于根据保留的所述正样本和所述负样本、所述车牌框计算总损失值，所述总损失值包括定位损失值和分类损失值。
[0048]可选的，所述计算子模块具体用于：
[0049]根据保留的所述正样本和所述负样本、所述车牌框计算分类损失值；
[0050]根据所述正样本、所述车牌框计算定位损失值；
[0051]对所述定位损失值和所述分类损失值分别乘以预设权重并求和，得到总损失值。
[0052]可选的，所述训练单元还包括：
[0053]数据增强单元，用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车牌检测的方法，其特征在于，包括：训练初始检测模型，得到目标检测模型，所述目标检测模型为卷积神经网络模型，所述目标检测模型用于检测图像中所有的车牌；获取目标车辆图像，所述目标车辆图像包括至少一个车牌；将所述目标车辆图像输入所述目标检测模型，生成目标车牌图像和所述目标车牌图像中每一张图像的类别概率，其中，所述目标车牌图像的数量与所述车牌一致，类别概率包括每个预设类别的概率，所述预设类别包括单行车牌和双行车牌；对于所述目标车牌图像中的每一张图像，确定对应的类别概率中概率值最大的预设类别作为车牌类别。2.根据权利要求1所述的方法，其特征在于，所述训练初始检测模型，得到目标检测模型包括：获取初始数据集，所述初始数据集包括只有单行车牌的车辆图像、只有双行车牌的车牌图像和同时具有单行车牌和双行车牌的车辆图像；标注所述初始数据集中的车牌框和所述车牌框的车牌类别，得到样本集；根据所述样本集对初始检测模型进行迭代训练；判断所述初始检测模型是否达到预设收敛条件；若是，则确定最后一次迭代得到的所述初始检测模型为目标检测模型；若否，则根据本次迭代训练的结果更新所述初始检测模型的网络参数，并根据所述样本集对所述初始检测模型进行下一次迭代训练。3.根据权利要求2所述的方法，其特征在于，所述根据所述样本集对初始检测模型进行迭代训练包括：根据所述样本集生成先验框以及所述先验框的类别概率；根据所述先验框和所述车牌框确定正样本和负样本，所述正样本为满足正样本规则的所述先验框，所述负样本为所述正样本以外的所述先验框；根据预设选取规则去除部分所述负样本，使得正负样本的比例等于预设比例；根据保留的所述正样本和所述负样本、所述车牌框计算总损失值，所述总损失值包括定位损失值和分类损失值。4.根据权利要求3所述的方法，其特征在于，所述根据保留的所述正样本和所述负样本、所述车牌框以及总损失函数计算总损失值包括：根据保留的所述正样本和所述负样本、所述车牌框计算分类损失值；根据所述正样本、所述车牌框计算定位损失值；对所述定位损失值和所述分类损失值分别乘以预设权重并求和，得到总损失值。5.根据权利要求2至4中任一项所述的方法，其特征在于，所述获取初始数据集之后，所述对所述初始数据集进行车牌标注之前，所述方法还包括：对所述初始数据集进行数据增强，所述数据增强包括随机旋转、随机改变亮度、随机增加高斯噪声、随机高斯模糊中的至少一种。6.根据权利要求5所述的方法，其特征在于，所述将所述目标车辆图像输入所述目标检测模型，生成目标车牌图像和所述目标车牌图像中每一张图像的类别概率包括：...

【专利技术属性】
技术研发人员：唐健，高声荣，石伟，
申请(专利权)人：深圳市捷顺科技实业股份有限公司，
类型：发明
国别省市：