本申请提供一种车牌检测方法、电子设备及计算机可读存储介质,通过车牌检测模型实现车牌检测方法,车牌检测模型包括:特征模块、空间变化模块和恢复识别模块,在车牌检测模型中增加了空间变化模块(spatialtransform network,STN),STN能够学习仿射变换的参数,从而将图像失真,旋转,不均匀的照明和模糊等质量不高的图像恢复到标准图像,提高识别的准确率。对于夜晚而造成的过度曝光,模糊的情况,本实施例的车牌检测模型因加入了STN能够实现畸变图像的恢复及校准,极大的提高了检测的准确率。率。率。
【技术实现步骤摘要】
一种车牌检测方法、电子设备及计算机可读存储介质
[0001]本申请涉及车牌检测
,具体而言,涉及一种车牌检测方法、电子设备及计算机可读存储介质。
技术介绍
[0002]车牌检测与识别在图像领域是必不可少的,在现实世界的许多场景中得到了广泛的应用,例如监控系统等场景下。
[0003]现有的车牌检测有使用卷积神经网络的方法。因为车牌检测与车牌识别是强相关性的,即准确的边框预测有助于提高识别精度,同时准确的识别结果可以用来消除正例。提出的模型可进行端到端训练,无需额外的启发式规则(车牌颜色,字符空间),避免了中间的字符分割过程。这种检测方法在进行预测时是端到端的,其在速度上很有优势,只需要在训练时增加字符信息的输入,但是,由于在一些极端场景下,拍摄的车牌图像存在图像失真、旋转、不均匀的照明和模糊等图像质量不高的情况,此时现有的检测方法对拍摄的车牌图像进行车牌检测将变得异常困难,识别准确率较低。
技术实现思路
[0004]本申请实施例的目的在于提供一种车牌检测方法、电子设备及计算机可读存储介质,用以解决在一些极端场景下,拍摄的车牌图像存在图像失真、旋转、不均匀的照明和模糊等图像质量不高的情况,此时现有的检测方法对拍摄的车牌图像进行车牌检测将变得异常困难,识别准确率较低的问题。
[0005]本申请实施例提供的一种车牌检测方法,车牌检测方法应用于车牌检测模型,车牌检测模型包括:特征模块、空间变化模块和恢复识别模块;
[0006]该车牌检测方法包括:
[0007]由特征模块,对待识别的车牌图像进行特征的提取,得到特征图并框选出车牌框;
[0008]由空间变化模块,对车牌框进行校正,得到校正后特征图;以及
[0009]由恢复识别模块,根据校正后特征图,将车牌框去畸变得到标准车牌框,根据标准车牌框识别出车牌字符。
[0010]上述技术方案中,通过车牌检测模型实现车牌检测方法,在车牌检测模型中增加了空间变化模块(spatial transform network,STN),STN能够学习仿射变换的参数,从而将图像失真,旋转,不均匀的照明和模糊等质量不高的图像恢复到标准图像,提高识别的准确率。对于夜晚而造成的过度曝光,模糊的情况,本实施例的车牌检测模型因加入了STN能够实现畸变图像的恢复及校准,极大的提高了检测的准确率。
[0011]在一些可选的实施方式中,其中,特征模块包括SSD的骨干网络;
[0012]对待识别的车牌图像进行特征的提取,得到特征图并框选出车牌框,包括:
[0013]由SSD的骨干网络,通过一阶段的目标检测算法框选出车牌框。
[0014]上述技术方案中,特征模块主要是由卷积层组成,起到的作用主要是进行特征的
提取,框选出车牌框,本实施例的特征模块采用的SSD的骨干网络,它是一种一阶段算法,能够快速框选出车牌框。
[0015]在一些可选的实施方式中,空间变化模块包括本地网络、网格生成器和采样器;对车牌框进行校正,得到校正后特征图,包括:
[0016]由本地网络,根据车牌框计算仿射变换参数;
[0017]由网格生成器,根据仿射变换参数,构建采样网格;
[0018]由采样器,根据采样网格和特征图,得到校正后特征图。
[0019]上述技术方案中,本地网络是一个用来回归变换参数θ的网络,它的输入是特征模块框选出的车牌框,输出θ就是一个6维(2x3)向量的输出,这些参数是仿射变换的参数。本地网络是由卷积层和一个回归层组成。网格生成器(Grid Generator)是依据预测的变换参数来构建一个采样网格,它是一组输入图像中的点经过采样变换后得到的输出。采样器利用采样网格和输入的特征图同时作为输入产生输出,得到了特征图经过变换之后的结果,即校正后特征图。
[0020]在一些可选的实施方式中,恢复识别模块包括实例归一化层;在根据校正后特征图,将车牌框去畸变得到标准车牌框,根据标准车牌框识别出车牌字符之前,还包括:
[0021]通过实例归一化层,对输入的数据进行归一化处理。
[0022]在一些可选的实施方式中,车牌检测模型为根据损失函数训练得到,其中,损失函数:
[0023][0024]其中,L
D
为检测损失,β和γ为权重参数,N是训练中一个批次的大小;
[0025]L
rec
(R,S)为恢复的图像R对应的标准车牌S之间的均方差:
[0026][0027]γ
cls
(p,g)为交叉熵:
[0028][0029]上述技术方案中,通过对检测损失L
D
、恢复损失L
rec
(R,S)、和识别损失γ
cls
(p,g)的联合优化,车牌检测模型可以在一次前向推理传递中检测、恢复和识别车牌,用这个整体的损失函数在训练的时候就可以对车牌检测模型进行优化。
[0030]在一些可选的实施方式中,检测损失为置信度误差和分类误差之和:
[0031]L
D
=l
obj
+l
cls
[0032]其中,l
obj
为置信度误差,l
cls
为分类误差。
[0033]上述技术方案中,检测损失是指检测定位损失,包括置信度误差和分类误差。
[0034]在一些可选的实施方式中,置信度误差:
[0035][0036]其中,λ
obj
和λ
noobj
分别表示的是有检测到物体和无检测到物体的权重,c
i
为预测的
概率,表示每一个特征图的格子都会被遍历,每一个格子产生三个不同的预测框。
[0037]在一些可选的实施方式中,分类误差:
[0038][0039]其中,λ
class
是各个类别的权重,为该类别的概率为1,不为该类别时为0;p
i
(c)为该类别的预测概率。
[0040]本申请实施例提供的一种电子设备,包括:处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述机器可读指令被所述处理器执行时执行如以上任一所述的车牌检测方法。
[0041]本申请实施例提供的一种计算机可读存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如以上任一所述的车牌检测方法。
附图说明
[0042]为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
[0043]图1为本申请实施例提供的一种车牌检测方法步骤流程图;
[0044]图2为本申请实施例提供的车牌检测模型的示意图;
[0045]图3为本申本文档来自技高网...
【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,所述车牌检测方法应用于车牌检测模型,所述车牌检测模型包括:特征模块、空间变化模块和恢复识别模块;所述方法包括:由所述特征模块,对待识别的车牌图像进行特征的提取,得到特征图并框选出车牌框;由所述空间变化模块,对所述车牌框进行校正,得到校正后特征图;以及由所述恢复识别模块,根据校正后特征图,将所述车牌框去畸变得到标准车牌框,根据所述标准车牌框识别出车牌字符。2.如权利要求1所述的车牌检测方法,其特征在于,其中,所述特征模块包括SSD的骨干网络;所述对待识别的车牌图像进行特征的提取,得到特征图并框选出车牌框,包括:由所述SSD的骨干网络,通过一阶段的目标检测算法框选出所述车牌框。3.如权利要求1所述的车牌检测方法,其特征在于,所述空间变化模块包括本地网络、网格生成器和采样器;所述对所述车牌框进行校正,得到校正后特征图,包括:由所述本地网络,根据车牌框计算仿射变换参数;由所述网格生成器,根据仿射变换参数,构建采样网格;由所述采样器,根据采样网格和特征图,得到校正后特征图。4.如权利要求1所述的车牌检测方法,其特征在于,所述恢复识别模块包括实例归一化层;在所述根据校正后特征图,将所述车牌框去畸变得到标准车牌框,根据所述标准车牌框识别出车牌字符之前,还包括:通过所述实例归一化层,对输入的数据进行归一化处理。5.如权利要求1所述的车牌检测方法,其特征在于,所述车牌检测模型为根据损失函数训练得到,其中,所述损失函数:其中,L
D
为检测损失,β和γ为权重参数,N是训练中一个批次的大小;L
...
【专利技术属性】
技术研发人员:李玮,黄志龙,周明伟,龚鼎盛,吴晓峰,
申请(专利权)人:成都佳华物链云科技有限公司,
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。