基于多模型引导的车牌字符分类方法以及系统技术方案

本发明专利技术公开一种基于多模型引导的车牌字符分类方法以及系统。方法包括：将第一车牌字符数据组输入至第一分类模型进行学习，获得每个类别的第一分类概率，将第一车牌字符数据组输入至初始车牌字符分类模型进行学习，获得每个类别的第一车牌字符分类概率；将第二车牌字符数据组输入至第二分类模型进行学习，获得每个类别的第二分类概率，将第二车牌字符数据组输入至初始车牌字符分类模型进行学习，获得每个类别的第二车牌字符分类概率；根据第一分类概率与第一车牌字符分类概率计算第一散度值，根据第二分类概率与第二车牌字符分类概率计算第二散度值；根据第一散度值与第二散度值构建整体损失函数进行训练，获得车牌字符分类模型。型。型。

【技术实现步骤摘要】
基于多模型引导的车牌字符分类方法以及系统


[0001]本专利技术涉及图像处理
，特别是涉及一种基于多模型引导的车牌字符分类方法以及系统。

技术介绍

[0002]车牌识别技术在城市交通管理、车辆识别、停车场收费管理、违章处理等多种场景中具有重要的作用，车牌识别技术目前具有多种实现算法。传统方法基于视频图像进行车牌字符的二维目标检测。传统方法利用的数据量较少，且不同字符类型的数据量差异较大，一些数据采集困难，导致在进行车牌字符的分类时，呈现出长尾分布的数据分布特征。也可以理解为，少部分字符类别占据多数字符数据数量，多部分字符类别占据少数字符数据数量，使得整体的数据分布呈现为长尾分布，进而当采用传统方法进行车牌字符分类时导致分布在尾部的大多数类别的特征学习的不够充分，容易出现分类错误的问题。

技术实现思路

[0003]本专利技术的目的是解决传统方法对长尾分布数据进行特征学习不够充分导致的分类错误的技术问题。为实现上述目的，本专利技术提供一种基于多模型引导的车牌字符分类方法以及系统。
[0004]本专利技术提供一种基于多模型引导的车牌字符分类方法，包括：
[0005]构建第一车牌字符数据组与第二车牌字符数据组，所述第一车牌字符数据组中字符类别对应的数量大于所述第二车牌字符数据组中字符类别对应的数量；
[0006]将所述第一车牌字符数据组输入至第一分类模型进行学习，获得每个类别的第一分类概率，并将所述第一车牌字符数据组输入至初始车牌字符分类模型进行学习，获得每个类别的第一车牌字符分类概率；
[0007]将所述第二车牌字符数据组输入至第二分类模型进行学习，获得每个类别的第二分类概率，并将所述第二车牌字符数据组输入至所述初始车牌字符分类模型进行学习，获得每个类别的第二车牌字符分类概率；其中，所述第一分类模型中特征提取网络的卷积模块个数小于所述第二分类模型中特征提取网络的卷积模块个数；
[0008]根据所述第一分类概率与所述第一车牌字符分类概率计算第一散度值，根据所述第二分类概率与所述第二车牌字符分类概率计算第二散度值；
[0009]根据所述第一散度值与所述第二散度值构建整体损失函数，对所述初始车牌字符分类模型进行训练，获得车牌字符分类模型；
[0010]根据所述车牌字符分类模型对车牌字符图像进行分类，获得分类结果。
[0011]在一个实施例中，所述方法还包括：
[0012]构建第三车牌字符数据组，所述第二车牌字符数据组中字符类别对应的数量大于所述第三车牌字符数据组中字符类别对应的数量；
[0013]将所述第三车牌字符数据组输入至第三分类模型进行学习，获得每个类别的第三
分类概率，并将所述第三车牌字符数据组输入至所述初始车牌字符分类模型进行学习，获得每个类别的第三车牌字符分类概率；
[0014]根据所述第三分类概率与所述第三车牌字符分类概率，计算第三散度值；
[0015]根据所述第一散度值、所述第二散度值以及所述第三散度值构建所述整体损失函数，对所述初始车牌字符分类模型进行训练，获得车牌字符分类模型；
[0016]其中，所述第二分类模型中卷积模块个数小于所述第三分类模型中卷积模块个数，所述初始车牌字符分类模型的特征提取网络与所述第二分类模型的特征提取网络相同。
[0017]在一个实施例中，所述根据所述第一散度值、所述第二散度值以及所述第三散度值构建整体损失函数，对所述初始车牌字符分类模型进行训练，获得车牌字符分类模型之前，所述方法还包括：
[0018]构建第一验证数据组、第二验证数据组以及第三验证数据组，所述第一验证数据组中字符类别对应的数量大于所述第二验证数据组中字符类别对应的数量，所述第二验证数据组中字符类别对应的数量大于所述第三验证数据组中字符类别对应的数量；
[0019]根据所述第一验证数据组对所述初始车牌字符分类模型进行验证，获得第一初始分类准确率，并根据所述第一验证数据组对所述第一分类模型进行验证，获得第一分类准确率；
[0020]若所述第一分类准确率大于两倍的所述第一初始分类准确率时，则所述第一分类模型的第一权重系数为1，若所述第一分类准确率小于两倍的所述第一初始分类准确率时，则所述第一权重系数为0.7至0.9；
[0021]根据所述第一散度值、所述第一权重系数、所述第二散度值以及所述第三散度值，构建所述整体损失函数。
[0022]在一个实施例中，所述方法还包括：
[0023]根据所述第二验证数据组对所述初始车牌字符分类模型进行验证，获得第二初始分类准确率，并根据所述第二验证数据组对所述第二分类模型进行验证，获得第二分类准确率；
[0024]若所述第二分类准确率大于两倍的所述第二初始分类准确率时，则所述第二分类模型的第二权重系数为1，若所述第二分类准确率小于两倍的所述第二初始分类准确率时，则所述第二权重系数为0.7至0.9；
[0025]根据所述第一散度值、所述第一权重系数、所述第二散度值、所述第二权重系数以及所述第三散度值，构建所述整体损失函数。
[0026]在一个实施例中，所述方法还包括：
[0027]根据所述第三验证数据组对所述初始车牌字符分类模型进行验证，获得第三初始分类准确率，并根据所述第三验证数据组对所述第三分类模型进行验证，获得第三分类准确率；
[0028]若所述第三分类准确率大于两倍的所述第三初始分类准确率时，则所述第三分类模型的第三权重系数为1，若所述第三分类准确率小于两倍的所述第三初始分类准确率时，则所述第三权重系数为0.7至0.9；
[0029]根据所述第一散度值、所述第一权重系数、所述第二散度值、所述第二权重系数、
所述第三散度值以及所述第三权重系数，构建所述整体损失函数。
[0030]本专利技术提供一种基于多模型引导的车牌字符分类系统，包括：
[0031]数据构建模块，用于构建第一车牌字符数据组与第二车牌字符数据组，所述第一车牌字符数据组中字符类别对应的数量大于所述第二车牌字符数据组中字符类别对应的数量；
[0032]第一车牌字符数据组训练模块，用于将所述第一车牌字符数据组输入至第一分类模型进行学习，获得每个类别的第一分类概率，并将所述第一车牌字符数据组输入至初始车牌字符分类模型进行学习，获得每个类别的第一车牌字符分类概率；
[0033]第二车牌字符数据组训练模块，用于将所述第二车牌字符数据组输入至第二分类模型进行学习，获得每个类别的第二分类概率，并将所述第二车牌字符数据组输入至所述初始车牌字符分类模型进行学习，获得每个类别的第二车牌字符分类概率；其中，所述第一分类模型中特征提取网络的卷积模块个数小于所述第二分类模型中特征提取网络的卷积模块个数；
[0034]散度计算模块，用于根据所述第一分类概率与所述第一车牌字符分类概率计算第一散度值，根据所述第二分类概率与所述第二车牌字符分类概率计算第二散度值；
[0035]分类模型生成模块，用于根据所述第一散度值与所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模型引导的车牌字符分类方法，其特征在于，包括：构建第一车牌字符数据组与第二车牌字符数据组，所述第一车牌字符数据组中字符类别对应的数量大于所述第二车牌字符数据组中字符类别对应的数量；将所述第一车牌字符数据组输入至第一分类模型进行学习，获得每个类别的第一分类概率，并将所述第一车牌字符数据组输入至初始车牌字符分类模型进行学习，获得每个类别的第一车牌字符分类概率；将所述第二车牌字符数据组输入至第二分类模型进行学习，获得每个类别的第二分类概率，并将所述第二车牌字符数据组输入至所述初始车牌字符分类模型进行学习，获得每个类别的第二车牌字符分类概率；其中，所述第一分类模型中特征提取网络的卷积模块个数小于所述第二分类模型中特征提取网络的卷积模块个数；根据所述第一分类概率与所述第一车牌字符分类概率计算第一散度值，根据所述第二分类概率与所述第二车牌字符分类概率计算第二散度值；根据所述第一散度值与所述第二散度值构建整体损失函数，对所述初始车牌字符分类模型进行训练，获得车牌字符分类模型；根据所述车牌字符分类模型对车牌字符图像进行分类，获得分类结果。2.根据权利要求1所述的基于多模型引导的车牌字符分类方法，其特征在于，所述方法还包括：构建第三车牌字符数据组，所述第二车牌字符数据组中字符类别对应的数量大于所述第三车牌字符数据组中字符类别对应的数量；将所述第三车牌字符数据组输入至第三分类模型进行学习，获得每个类别的第三分类概率，并将所述第三车牌字符数据组输入至所述初始车牌字符分类模型进行学习，获得每个类别的第三车牌字符分类概率；根据所述第三分类概率与所述第三车牌字符分类概率，计算第三散度值；根据所述第一散度值、所述第二散度值以及所述第三散度值构建所述整体损失函数，对所述初始车牌字符分类模型进行训练，获得车牌字符分类模型；其中，所述第二分类模型中卷积模块个数小于所述第三分类模型中卷积模块个数，所述初始车牌字符分类模型的特征提取网络与所述第二分类模型的特征提取网络相同。3.根据权利要求1所述的基于多模型引导的车牌字符分类方法，其特征在于，所述根据所述第一散度值、所述第二散度值以及所述第三散度值构建整体损失函数，对所述初始车牌字符分类模型进行训练，获得车牌字符分类模型之前，所述方法还包括：构建第一验证数据组、第二验证数据组以及第三验证数据组，所述第一验证数据组中字符类别对应的数量大于所述第二验证数据组中字符类别对应的数量，所述第二验证数据组中字符类别对应的数量大于所述第三验证数据组中字符类别对应的数量；根据所述第一验证数据组对所述初始车牌字符分类模型进行验证，获得第一初始分类准确率，并根据所述第一验证数据组对所述第一分类模型进行验证，获得第一分类准确率；若所述第一分类准确率大于两倍的所述第一初始分类准确率时，则所述第一分类模型的第一权重系数为1，若所述第一分类准确率小于两倍的所述第一初始分类准确率时，则所述第一权重系数为0.7至0.9；根据所述第一散度值、所述第一权重系数、所述第二散度值以及所述第三散度值，构建
所述整体损失函数。4.根据权利要求3所述的基于多模型引导的车牌字符分类方法，其特征在于，所述方法还包括：根据所述第二验证数据组对所述初始车牌字符分类模型进行验证，获得第二初始分类准确率，并根据所述第二验证数据组对所述第二分类模型进行验证，获得第二分类准确率；若所述第二分类准确率大于两倍的所述第二初始分类准确率时，则所述第二分类模型的第二权重系数为1，若所述第二分类准确率小于两倍的所述第二初始分类准确率时，则所述第二权重系数为0.7至0.9；根据所述第一散度值、所述第一权重系数、所述第二散度值、所述第二权重系数以及所述第三散度值，构建所述整体损失函数。5.根据权利要求4所述的基于多模型引导的车牌字符分类方法，其特征在于，所述方法还包括：根据所述第三验证数据组对所述初始车牌字符分类模型进行验证，获得第三初始分类准确率，并根据所述第三验证数据组对所述第三分类模型进行验证，获得第三分类准确率；若所述第三分类准确率大于两倍的所述第三初始分类准确率时，则所述第三分类模型的第三权重系数为1，若所述第三分类准确率小于两倍的所述第三初始分类准确率时，则所述第三权重系数为0.7至0.9；根据所述第一散度值、所述第一权重系数、所述第二散度值、所述第二权重系数、所述第三散度值以及所述第三权重系数，构建所述整体损失函数。6.一种基于多模型引导的车牌字符分类系统，其特征在于，包括：数据构建模块，用于构建第一车牌字符数据组与第二车牌字符数据组，所述第一车牌字符数据组中字符类别对应的数量大于所述第二车牌字...

【专利技术属性】
技术研发人员：闫军，丁丽珠，王艳清，
申请(专利权)人：智慧互通科技股份有限公司，
类型：发明
国别省市：