可智能选择缩放尺度的船牌检测方法、装置及系统制造方法及图纸

本发明专利技术公开一种可智能选择缩放尺度的船牌检测方法、装置及系统。其中，该方法包括：获取原始图片集，将第一当前图片从预设的P个固定尺度中任意选取一个固定尺度，计算第一缩放比例并判断是否在预设的缩放比例约束范围内，若否，在预设的缩放比例约束范围内任选一第二缩放比例对第一当前图片进行缩放；将原始图片数据集根据长边的尺寸采用聚类方法划分为n个小数集；对每个小数据集选取损失值最小的T个第三缩放尺度并进行缩放；将每个小数据集继续划分n个微数据集；对每个微数集选取损失值最小的第六缩放尺度并进行缩放，生成船牌检测模型。本发明专利技术中，可以智能选择缩放尺度，从而可以更有效的训练模型，提高模型准确率，降低误检。降低误检。降低误检。

【技术实现步骤摘要】
可智能选择缩放尺度的船牌检测方法、装置及系统


[0001]本专利技术涉及船牌检测
，具体而言，涉及一种可智能选择缩放尺度的船牌检测方法、装置及系统。

技术介绍

[0002]缩放船舶图片尺度是船牌检测算法训练重要参数之一，选择合适的缩放尺度训练对船牌检测效果有巨大提升。目前，算法训练网络尺度存在训练分为两种：
①
单尺度训练；
②
多尺度训练。调节网络输入缩放尺度，可以提升模型训练和测试效果。在图片特征提取阶段，选择适当的图片输入尺度，降低错误特征提取，提高有效信息提取，从而达到提高检测算法检出率和降低误检率，模型更具有鲁棒性。
[0003]现有技术存在以下缺点：单尺度训练是目前工业算法训练比较流行的方法，但单尺度训练需要设置多组不同尺度算法训练，分析比较，得到最佳尺度方案。这个过程需要大量人力，比较耗时。除此之外， 单尺度训练需要数据集原始图片尺寸大小基本差别不大，否则会影响检测效果。由于船牌的数据集来源于船牌抠图，船舶大小并不统一，差异巨大。因此，单尺度并不适用于船牌检测，用一种固定的缩放尺度无法全面适配数据集各种尺度。
[0004]多尺度训练依据数据集的大小，设置多个尺度模型训练，本专利技术实验设置6个。多尺度网络训练在模型训练阶段可以更好的拟合训练数据集原始图片尺寸，增加模型鲁棒性，提高检出率，但由于尺度是随机选择，选择不适合缩放尺度会产生不良反应（即原始图片集尺寸过大，缩小图片尺寸会丢掉图片有效信息；原始图片集过小，扩大图片尺寸会增加图片噪音）；在推理阶段， 使用多个尺度推理，提高目标检出率，但同时会增加目标误检率和目标推理时间。多尺度训练对数据集图片尺寸不一，具有一定的鲁棒性，但并不是按照实际图片尺寸智能选择输入尺寸进行模型训练和测试，在一定程度会降低模型效果。
[0005]针对现有技术中单尺度训练时浪费时间、人力，且用一种固定的缩放尺度无法全面适配原始图片集；多尺度训练时选择不适合的缩放尺度会产生不良反应的问题，目前尚未提出有效的解决方案。

技术实现思路

[0006]本专利技术实施例中提供一种船牌检测模型训练方法、装置、系统及计算机存储介质，以解决现有技术中单尺度训练时浪费时间、人力，且用一种固定的缩放尺度无法全面适配原始图片集；多尺度训练时选择不适合的缩放尺度会产生不良反应的问题。
[0007]为达到上述目的，一方面，本专利技术提供了一种可智能选择缩放尺度的船牌检测方法，该方法包括：步骤101，获取原始图片数据集，将其中的每张图片均做多次如下处理：将第一当前图片从预设的P个固定尺度中任意选取一个固定尺度，作为第一当前缩放尺度，计算所述第一当前图片缩放至所述第一当前缩放尺度时的第一缩放比例；判断所述第一缩放比例是否在预设的缩放比例范围内，若是，则根据所述第一缩放比例对所述第一当前图片
进行缩放，若否，在所述预设的缩放比例约束范围内任选一第二缩放比例对所述第一当前图片进行缩放，并记录缩放后的第二缩放尺度；步骤102，将原始图片数据集根据长边的尺寸采用聚类方法划分为n个小数集；对每个小数集对应进行如下操作：按步长在当前小数集对应的所述第二缩放尺度中选取K个缩放尺度；根据所述K个缩放尺度和所述P个固定尺度对所述当前小数集进行尺度缩放，计算得到所述当前小数集损失值最小的T个第三缩放尺度；步骤S103，将所述每个小数据集继续划分n个微数据集；对每个微数集对应进行如下操作：根据所述T个第三缩放尺度对所述当前微数集进行尺度缩放，计算得到损失值最小的第六缩放尺度并根据其进行模型训练得到船牌检测模型；步骤S104，获取新增图片并根据所述新增图片的尺寸选取对应的微数集中损失值最小的第六缩放尺度进行缩放，将缩放后的所述新增图片输入到所述船牌检测模型中进行船牌检测，得到船牌位置。
[0008]可选的，所述计算得到所述当前小数集损失值最小的T个第三缩放尺度包括：计算所述当前小数集缩放至所述K个缩放尺度和所述P个固定尺度的损失值，选取所述当前小数集损失值最小的T个第三缩放尺度；对所述当前小数据集中的每张图片进行多次如下处理：将第二当前图片从所述K个缩放尺度和所述P个固定尺度中任意选取一个尺度，作为第四当前缩放尺度，计算所述第二当前图片缩放至所述第四当前缩放尺度时的第四缩放比例；当判定所述第四缩放比例在所述预设的缩放比例约束范围内时，根据所述第四缩放比例对所述第二当前图片进行缩放；当判定所述第四缩放比例不在所述预设的缩放比例约束范围内时，在所述T个第三缩放尺度中任选一个缩放比例对所述第二当前图片进行缩放。
[0009]可选的，所述根据所述T个第三缩放尺度对所述当前微数集进行尺度缩放，计算得到损失值最小的第六缩放尺度并根据其进行模型训练得到船牌检测模型包括：根据所述T个第三缩放尺度对所述当前微数集进行尺度缩放，计算所述当前微数集缩放至所述T个第三缩放尺度的损失值，选取所述当前微数集损失值最小的L个第六缩放尺度；对所述当前微数集中的每张图片分别根据L个第六缩放比例进行缩放，并计算该L次缩放的损失值；将损失值最小的第六缩放尺度作为该当前微数据集对应的缩放尺度，根据损失值最小的所述缩放尺度进行模型训练得到船牌检测模型。
[0010]可选的，所述计算所述第一当前图片缩放至所述第一当前缩放尺度时的第一缩放比例的公式为：max_long_edge1=max(scale1)；max_short_edge1=min(scale1)；scale_factor1=min(max_long_edge1/max(h,w)1,max_short_edge1/min(h,w)1)；判断min_ration<scale_factor1<max_raion，若是，则直接使用所述第一缩放比例对所述第一当前图片进行缩放；若否，在所述min_ration~ max_raion内任选一第二缩放比例对所述第一当前图片进行缩放；其中，scale1为选取的所述固定尺度，max(scale1)为选取的所述固定尺度的最长边，min(scale1)为选取的所述固定尺度的最短边，max(h,w)1为第一当前图片的最长边，min(h,w)1为第一当前图片的最短边；scale_factor1为第一缩放比例；min_ration为所述预设的缩放比例约束范围内的最小缩放比例；max_raion为所述预设的缩放比例约束范围内的最大缩放比例。
[0011]可选的，所述计算所述第二当前图片缩放至所述第四当前缩放尺度时的第四缩放比例的公式为：max_long_edge2=max(scale2)；max_short_edge2=min(scale2)；scale_factor2=min(max_long_edge2/max(h,w)2,max_short_edge2/min(h,w)2)；判断min_ration<scale_factor2<max_raion，若是，则直接使用所述第四缩放比例对所述第二当前图片进行缩放；若否，在所述T个第三缩放尺度中任选一个缩放比例对所述第二本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可智能选择缩放尺度的船牌检测方法，其特征在于，包括：步骤101，获取原始图片数据集，将其中的每张图片均做多次如下处理：将第一当前图片从预设的P个固定尺度中任意选取一个固定尺度，作为第一当前缩放尺度，计算所述第一当前图片缩放至所述第一当前缩放尺度时的第一缩放比例；判断所述第一缩放比例是否在预设的缩放比例范围内，若是，则根据所述第一缩放比例对所述第一当前图片进行缩放，若否，在所述预设的缩放比例约束范围内任选一第二缩放比例对所述第一当前图片进行缩放，并记录缩放后的第二缩放尺度；步骤102，将原始图片数据集根据长边的尺寸采用聚类方法划分为n个小数集；对每个小数集对应进行如下操作：按步长在当前小数集对应的所述第二缩放尺度中选取K个缩放尺度；根据所述K个缩放尺度和所述P个固定尺度对所述当前小数集进行尺度缩放，计算得到所述当前小数集损失值最小的T个第三缩放尺度；步骤S103，将所述每个小数据集继续划分n个微数据集；对每个微数集对应进行如下操作：根据所述T个第三缩放尺度对所述当前微数集进行尺度缩放，计算得到损失值最小的第六缩放尺度并根据其进行模型训练得到船牌检测模型；步骤S104，获取新增图片并根据所述新增图片的尺寸选取对应的微数集中损失值最小的第六缩放尺度进行缩放，将缩放后的所述新增图片输入到所述船牌检测模型中进行船牌检测，得到船牌位置。2.根据权利要求1所述的方法，其特征在于，所述计算得到所述当前小数集损失值最小的T个第三缩放尺度包括：计算所述当前小数集缩放至所述K个缩放尺度和所述P个固定尺度的损失值，选取所述当前小数集损失值最小的T个第三缩放尺度；对所述当前小数据集中的每张图片进行多次如下处理：将第二当前图片从所述K个缩放尺度和所述P个固定尺度中任意选取一个尺度，作为第四当前缩放尺度，计算所述第二当前图片缩放至所述第四当前缩放尺度时的第四缩放比例；当判定所述第四缩放比例在所述预设的缩放比例约束范围内时，根据所述第四缩放比例对所述第二当前图片进行缩放；当判定所述第四缩放比例不在所述预设的缩放比例约束范围内时，在所述T个第三缩放尺度中任选一个缩放比例对所述第二当前图片进行缩放。3.根据权利要求1所述的方法，其特征在于，所述根据所述T个第三缩放尺度对所述当前微数集进行尺度缩放，计算得到损失值最小的第六缩放尺度并根据其进行模型训练得到船牌检测模型包括：根据所述T个第三缩放尺度对所述当前微数集进行尺度缩放，计算所述当前微数集缩放至所述T个第三缩放尺度的损失值，选取所述当前微数集损失值最小的L个第六缩放尺度；对所述当前微数集中的每张图片分别根据L个第六缩放比例进行缩放，并计算该L次缩放的损失值；将损失值最小的第六缩放尺度作为该当前微数据集对应的缩放尺度，根据损失值最小的所述缩放尺度进行模型训练得到船牌检测模型。
4.根据权利要求1所述的方法，其特征在于：所述计算所述第一当前图片缩放至所述第一当前缩放尺度时的第一缩放比例的公式为：max_long_edge1=max(scale1)；max_short_edge1=min(scale1)；scale_factor1=min(max_long_edge1/max(h,w)1,max_short_edge1/min(h,w)1)；判断min_ration<scale_factor1<max_raion，若是，则直接使用所述第一缩放比例对所述第一当前图片进行缩放；若否，在所述min_ration~ max_raion内任选一第二缩放比例对所述第一当前图片进行缩放；其中，scale1为选取的所述固定尺度，max(scale1)为选取的所述固定尺度的最长边，min(scale1)为选取的所述固定尺度的最短边，max(h,w)1为第一当前图片的最长边，min(h,w)1为第一当前图片的最短边；scale_factor1为第一缩放比例；min_ration为所述预设的缩放比例约束范围内的最小缩放比例；max_raion为所述预设的缩放比例约束范围内的最大缩放比例。5.根据权利要求2所述的方法，其特征在于，所述计算所述第二当前图片缩放至所述第四当前缩放尺度时的第四缩放比例的公式为：max_long_edge2=max(scale2)；max_short_edge2=min(scale2)；scale_factor2=min(max_long_edge2/max(h,w)2,max_short_edge2/min(h,w)2)；判断m...

【专利技术属性】
技术研发人员：李林超，俞永方，朱佳豪，张鹏，蔡幼丽，宋春，俞伟娜，
申请(专利权)人：浙江华是科技股份有限公司，
类型：发明
国别省市：