一种基于点引导定位的无受限场景车牌检测分类方法技术

本发明专利技术属于车牌检测分类技术，涉及一种基于点引导定位的无受限场景车牌检测分类方法，使用点引导的车牌定位方法，显式利用空间信息，避免了使用全连接层导致的空间信息利用不充分的问题，增强车牌空间平移建模能力，同时多个点的回归提高了定位的稳定性；在定位车牌准确位置后，再使用对应区域的特征进行车牌的分类任务，将分类回归任务分离成两个通道，缓解了分类回归对于特征平移性的矛盾，不仅可以用来进行无约束场景的车牌检测和分类，还可以用于场景文本检测、人脸检测等各项倾斜目标检测任务，检测精度达98.5%，极大的提升了检测和分类效果。分类效果。分类效果。

【技术实现步骤摘要】
一种基于点引导定位的无受限场景车牌检测分类方法


[0001]本专利技术属于车牌检测分类技术，涉及一种基于点引导定位的无受限场景车牌检测分类方法。

技术介绍

[0002]随着经济快速发展，城市交通拥堵等问题日趋严重，对智慧交通系统的建设提出了更高的要求，车牌检测作为智慧交通中一项关键信息处理技术，对城市车辆监管起着非常重要的作用，然而实际应用中车牌受相机角度影响易发生形变，因此车牌检测系统仍然存在着效率精度不高的问题。
[0003]近年来，随着大数据时代的到来和计算机算力的提升，深度学习在车牌识别方向取得了重大突破，Faster R
‑
CNN、YOLO等深度学习算法的提出使得车牌的定位与识别得到了新的发展，通用的目标检测使用水平定位框就可以很好的定位目标的粗略位置，但是车牌受相机拍摄视角的原因容易产生畸变，使用水平框定位车牌常常包含周围的背景信息，影响车牌的分类以及识别任务。
[0004]车牌检测任务需要检测器估计车牌的准确位置，而不仅仅是提供车牌的粗略位置，为了更好的描述车牌位置，现有的方法通常定位车牌的紧致外本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于点引导定位的无受限场景车牌检测和分类方法，其特征在于，具体包括如下步骤：（1）构建数据集：收集交通监控、侧方位停车场中含有常规以及倾斜、畸变车牌的图像构建车牌的数据集，标注车牌的位置，通过标注的车牌位置计算表示车牌位置的点集合，点集合包含车牌的中心点、四个角点以及四条边的中心点，并将数据集划分为训练集、验证集和测试集；（2）主干网络提取基础特征：先对图片的尺寸和数值范围进行初始化处理，再将处理后的图像输入到主干网络中进行卷积特征提取，并输入到特征金字塔网络中； （3）特征金字塔提取多尺度特征：特征金字塔网络通过自上而下结构和横向连接的方式融合具有高分辨率的浅层和具有丰富语义信息的深层，实现特征融合，对步骤（2）提取的特征进行强化利用获得卷积特征图集合；（4）生成高质量水平候选框：根据步骤（3）得到的卷积特征图集合，分别使用两个结构相同的但是不共享参数的全连接层子网络学习分类和位置信息，从而完成目标框类别分类和位置回归的任务，其中分类为是否是车牌，位置信息为车牌的最小水平外接矩，即水平框，经过非极大抑制后，选择被预测为车牌的候选框在后续分支中进行点集合预测；（5）点引导的车牌定位：使用步骤（4）中获得的车牌的候选框对应的卷积特征作为输入，使用感兴趣区域对齐将特征转换成形状为28
×
28
×
D
×
C的特征图，其中D是预测点的数目，C为预测点的通道数，经过两层反卷积的上采样得到分辨率为112
×
112的D个热力图，使用Softmax得到特征图中每个位置的数值，即为该位置是预测点的概率；得到含有9个点的点集合后，计算点集合的最小外接矩阵，即为车牌的位置；（6）车牌分类：根据步骤（4）中获取的车牌位置信息对应的卷积特征，在特征之后使用两个级联的卷积层，对类别特征进行进一步提取，然后使用全连接层将特征拉伸成一维特征，并使用Softmax函数对车牌类型进行分类；（7）训练网络结构，得到训练好的模型参数；（8）测试网络输出车牌位置和类别。2.根据权利要求1所述基于点引导定位的无受限场景车牌检测和分类方...

【专利技术属性】
技术研发人员：刘寒松，王永，王国强，翟贵乾，刘瑞，焦安健，
申请(专利权)人：松立控股集团股份有限公司，
类型：发明
国别省市：