多类型车牌识别模型的训练方法、装置、设备及存储介质制造方法及图纸

本发明专利技术适用图像识别技术领域，提供了一种多类型车牌识别模型的训练方法，该方法包括：通过编码器对车牌样本图像进行特征提取，得到车牌样本图像的样本视觉特征，通过解码器对样本视觉特征进行特征提取，得到车牌样本图像中每个样本字符的样本字符特征，根据样本字符特征，通过字符分类器获得到对应样本字符的样本分类概率，基于对比学习损失函数，根据样本字符特征确定对比学习损失值，并基于交叉熵损失函数，根据样本分类概率和预设的样本字符真值确定交叉熵损失值，根据交叉熵损失值和对比学习损失值，对多类型车牌识别模型进行训练，从而通过采用对比学习策略对模型进行训练，降低了模型对形近字错识的概率，提升了模型识别性能和训练效果。能和训练效果。能和训练效果。

【技术实现步骤摘要】
多类型车牌识别模型的训练方法、装置、设备及存储介质


[0001]本专利技术属于图像识别
，尤其涉及一种多类型车牌识别模型的训练方法、装置、设备及存储介质。

技术介绍

[0002]在日常生活中，不同类型的车牌根据其使用用途应用于不同的车辆上，不同类型的车牌在字符字体、字号、排版以及背景底色等方面都有所不同，这对于搭建统一的多类型车牌识别模型带来了很大挑战。虽然车牌识别技术已经广泛应用于高速收费卡口、停车场卡口、交通监管等场景，但是现有的车牌识别技术大多只针对一种车牌类型，因此在识别不同种类车牌前需要先判断车牌的类型，具体来说，需要首先利用车牌分类技术将车牌进行分类，再利用其对应的车牌识别方法进行车牌识别，这类车牌识别技术需要较大的存储空间存储每个车牌类型对应的车牌识别模型，因此不利于边缘端设备即资源受限设备上的部署。
[0003]近几年来，学术界及工业界涌现出一些多类型车牌识别技术，这类车牌识别技术依托于统一的多类型车牌识别模型，因此不需要预先判断车牌类型，可以直接识别不同类型的车牌。一些研究者提出使用YOLO（You Only L本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多类型车牌识别模型的训练方法，其特征在于，所述多类型车牌识别模型包括编码器、解码器以及字符分类器，所述方法包括下述步骤：通过所述编码器对车牌样本图像进行特征提取，得到所述车牌样本图像的样本视觉特征；通过所述解码器对所述样本视觉特征进行特征提取，得到所述车牌样本图像中每个样本字符的样本字符特征；根据所述样本字符特征，通过所述字符分类器获得到对应样本字符的样本分类概率；基于预设的对比学习损失函数，根据所述样本字符特征，确定对比学习损失值，并基于预设的交叉熵损失函数，根据所述样本分类概率和预设的样本字符真值，确定交叉熵损失值；根据所述交叉熵损失值和所述对比学习损失值，对所述多类型车牌识别模型进行训练。2.如权利要求1所述的方法，其特征在于，所述解码器包括自注意力模块和注意力模块，所述通过所述解码器对所述样本视觉特征进行特征提取的步骤，包括：在所述样本视觉特征中嵌入位置编码特征，得到第一特征；通过所述自注意力模块对所述第一特征进行自注意力计算，得到第二特征；通过所述注意力模块对所述第二特征进行注意力计算，得到所述样本字符特征。3.如权利要求2所述的方法，其特征在于，所述通过所述注意力模块对所述第二特征进行注意力计算的步骤，包括：基于所述注意力模块和所述第二特征，得到用于注意力计算的查询向量、键向量以及值向量；利用双曲正切函数对所述查询向量和所述键向量的相似度进行计算，并利用归一化指数函数对计算得到的所述相似度进行归一化处理，得到注意力值；将所述注意力值和所述值向量进行加权求和，得到所述样本字符特征。4.如权利要求1所述的方法，其特征在于，所述基于预设的对比学习损失函数，根据所述样本字符特征，确定对比学习损失值的步骤，包括：根据从映射到预设的特征对比空间的所述样本字符特征中确定的锚点，将所述样本字符特征分为正样本和负样本；将所述锚点分别与所述正样本和所述负样本进行相似度计算，得到第一相似度和第二相似度；基于所述对比学习损失函数，根据所述第一相似度和所述第二相似度进行对比损失计算，得到所述对比学习损失值。5.如权利要求1所述的方法，其特征在于，所述编码器包含6组由一个卷积层、一个批归一化层以及一个ReLU激活层组成的卷积单元和2个的最大池化层，其中，一个最大池化层连接在第二组卷积单元和第三组卷...

【专利技术属性】
技术研发人员：殷绪成，刘琦，陈松路，陈峰，
申请(专利权)人：珠海亿智电子科技有限公司，
类型：发明
国别省市：