本申请提供了一种车牌检测方法、装置、介质，该车牌检测方法包括：当检测到车辆通过时，从摄像机处获得用于检测车牌的待检测图片，调用车牌检测模型对待检测图片进行处理，以获取车牌检测框，从而实现车牌的检测。其中，车牌检测模型是基于OneNet目标检测模型中用于目标检测的网络和具有倒置残差结构的可分离卷积网络中用于特征提取的网络得到，车牌检测模型的主干是具有倒置残差结构的可分离卷积网络，是一种轻量级的网络，具有较高的实时性，可以部署在嵌入式平台或其他资源有限的平台中。通过采用本申请提供的车牌检测方法，可以实现利用车牌检测模型检测车牌的目的，且检测过程简单高效，减少人力物力的浪费，提高电动车监管效率。效率。效率。
【技术实现步骤摘要】
一种车牌检测方法、装置、介质
[0001]本申请涉及机器学习领域，特别是涉及一种车牌检测方法、装置、介质。
技术介绍
[0002]电动车具有极高的出行效率，根据中国自行车协会公布的数据，2019年中国电动车社会保有量已经接近3亿辆，位居世界第一。由于电动车的数量越来越多，闯红灯、随意停放、逆行、盗窃、肇事逃逸等现象也随之而来，造成了交通混乱。为了维护交通秩序，避免交通事故的发生，需要对电动车进行监管，记录违章电动车的牌照。目前主要依靠人工对电动车进行监管，需要人工记录牌照，效率低下，浪费大量人力物力。
[0003]由此可见，如何提高电动车监管效率，是研究人员亟需解决的问题。
技术实现思路
[0004]本申请的目的是提供一种车牌检测方法，用于提高电动车监管效率。
[0005]为解决上述技术问题，本申请提供一种车牌检测方法，包括：
[0006]获取车辆通过时的待检测图片；
[0007]调用车牌检测模型对所述待检测图片进行处理，以输出车牌区域的检测框；其中，所述车牌检测模型基于OneNet目标检测模型中用于目标检测的网络和具有倒置残差结构的可分离卷积网络中用于特征提取的网络得到，并基于训练数据集进行训练；
[0008]获取所述检测框，以实现车牌的检测。
[0009]优选的，所述车辆检测模型获取所述车牌区域的所述检测框，包括：
[0010]获取所述车牌的检测特征和所述车牌的特征点的检测特征；
[0011]结合所述车牌的检测特征和分类损失函数，匹配类别置信度和位置置信度最高的样本；
[0012]获取所述车牌区域的预测框；
[0013]通过所述车牌的检测特征和所述特征点的检测特征计算多任务损失函数，利用所述多任务损失函数对所述预测框进行回归运算，获得所述检测框；
[0014]所述多任务损失函数的计算公式为L
all
＝λ
cls
L
cls
+λ
l1
L
l1
+λ
giou
L
giou
+λ
lan
L
lan
，其中L
cls
为目标分类损失函数，L
l1
为目标位置回归损失函数，L
giou
为目标定位损失函数，L
lan
为特征点定位损失函数，λ
cls
为所述目标分类损失函数的权重，λ
l1
为所述目标位置回归损失函数的权重，λ
giou
为所述目标定位损失函数的权重，λ
lan
为所述特征点定位损失函数的权重。
[0015]优选的，所述获得所述检测框的步骤后，还包括：
[0016]通过所述特征点的检测特征对所述车牌区域进行仿射变换，对所述车牌区域进行矫正。
[0017]优选的，所述并基于训练数据集进行训练，包括：
[0018]使用随机梯度下降法对所述车牌检测模型的参数进行迭代更新。
[0019]优选的，所述车牌检测模型的训练过程包括：
[0020]选取包含车牌信息的图片作为训练样本，对所述训练样本中的所述车牌区域和所述特征点进行人工标注，获得初始训练数据集；
[0021]对所述初始训练数据集进行预处理，得到所述训练数据集。
[0022]优选的，所述调用车牌检测模型对所述待检测图片进行处理的步骤后，还包括：
[0023]检测所述待检测图片中是否存在车身和头盔。
[0024]优选的，所述车牌检测模型应用于嵌入式平台。
[0025]为了解决上述技术问题，本申请还提供一种车牌检测装置，包括：
[0026]获取模块：用于获取车辆通过时的待检测图片；
[0027]处理模块：用于调用车牌检测模型对所述待检测图片进行处理，以输出车牌区域的检测框；其中，所述车牌检测模型基于OneNet目标检测模型中用于目标检测的网络和具有倒置残差结构的可分离卷积网络中用于特征提取的网络得到，并基于训练数据集进行训练；
[0028]检测模块：用于获取所述检测框，以实现车牌的检测。
[0029]为了解决上述技术问题，本申请还提供另一种车牌检测装置，包括存储器，用于存储计算机程序；
[0030]处理器，用于执行所述计算机程序时实现所述的车牌检测方法的步骤。
[0031]为解决上述技术问题，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的车牌检测方法的步骤。
[0032]本申请提供了一种车牌检测方法、装置、介质，车牌检测方法包括：当检测到车辆通过时，从摄像机处获得用于检测车牌的待检测图片，调用车牌检测模型对待检测图片进行处理，以获取车牌检测框，从而实现车牌的检测。其中，车牌检测模型是基于OneNet目标检测模型中用于目标检测的网络和具有倒置残差结构的可分离卷积网络中用于特征提取的网络得到，OneNet目标检测模型只匹配位置置信度和类别置信度最高的样本，无需设置大量候选框，能够提高检测效率；车牌检测模型的主干是具有倒置残差结构的可分离卷积网络，是一种轻量级的网络，具有较高的实时性，可以部署在嵌入式平台或其他资源有限的平台中。由此可见，通过采用本申请提供的车牌检测方法，可以实现利用车牌检测模型检测车牌的目的，且检测过程简单高效，减少人力物力的浪费，提高电动车监管效率。
附图说明
[0033]为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]图1为本专利技术实施例提供的一种车牌检测方法的流程图；
[0035]图2为本专利技术实施例提供的一种车牌检测装置的结构图；
[0036]图3为本专利技术实施例提供的另一种车牌检测装置的结构图。
具体实施方式
[0037]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本申请保护范围。
[0038]本申请的核心是提供一种车牌检测方法、装置、介质，提高电动车监管效率，减少监管过程中人力物力的浪费。
[0039]为了使本
的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。
[0040]图1为本专利技术实施例提供的一种车牌检测方法的流程图。如图1所示，该方法包括：
[0041]S10：获取车辆通过时的待检测图片。
[0042]在具体实施中，通过摄像头获取车辆通过时的待检测图片，可以理解的是本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车牌检测方法，其特征在于，包括：获取车辆通过时的待检测图片；调用车牌检测模型对所述待检测图片进行处理，以输出车牌区域的检测框；其中，所述车牌检测模型基于OneNet目标检测模型中用于目标检测的网络和具有倒置残差结构的可分离卷积网络中用于特征提取的网络得到，并基于训练数据集进行训练；获取所述检测框，以实现车牌的检测。2.根据权利要求1所述的车牌检测方法，其特征在于，所述车辆检测模型获取所述车牌区域的所述检测框，包括：获取所述车牌的检测特征和所述车牌的特征点的检测特征；结合所述车牌的检测特征和分类损失函数，匹配类别置信度和位置置信度最高的样本；获取所述车牌区域的预测框；通过所述车牌的检测特征和所述特征点的检测特征计算多任务损失函数，利用所述多任务损失函数对所述预测框进行回归运算，获得所述检测框；所述多任务损失函数的计算公式为L
all
＝λ
cls
L
cls
+λ
l1
L
l1
+λ
giou
L
giou
+λ
lan
L
lan
，其中L
cls
为目标分类损失函数，L
l1
为目标位置回归损失函数，L
giou
为目标定位损失函数，L
lan
为特征点定位损失函数，λ
cls
为所述目标分类损失函数的权重，λ
l1
为所述目标位置回归损失函数的权重，λ
giou
为所述目标定位损失函数的权重，λ
lan
...
【专利技术属性】
技术研发人员：唐健，祝严刚，黄海波，
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：
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。