一种适用于高速公路监控视频下的车牌目标检测方法技术

本发明专利技术公开了一种适用于高速公路监控视频下的车牌目标检测方法，包括以下步骤：采用注意力机制改进SSD的检测分支，将高层特征图通过注意力模块得到的特征掩码与浅层特征图进行逐元素点乘；采用叠加的方式融合各层特征图，然后结合车牌特点，设计适用于高速公路场景下的注意力特征金字塔；在自建的数据集上训练车牌目标检测模型；用训练完毕的模型检测高速公路场景下的车牌目标，获取车牌目标的位置和大小。本发明专利技术适用于高速公路监控视频下的车牌目标检测方法，多尺度目标检测性能好，定位精度高，可直接应用于高速公路监控视频下的车牌目标检测。牌目标检测。牌目标检测。

【技术实现步骤摘要】
一种适用于高速公路监控视频下的车牌目标检测方法


[0001]本专利技术属于图像处理
，具体涉及适用于高速公路监控视频下的车牌目标检测方法。

技术介绍

[0002]车牌目标检测旨在从监控视频图像中找出图像中的车牌目标，并确定它们的位置和大小。车牌目标检测任务和车牌识别任务相结合才能实现自动车牌识别，且车牌目标检测效果将直接影响车牌识别效果。现有算法主要适用于停车场等图像采集条件较好的场景，对高速公路等复杂场景的适应性较差。
[0003]高速公路场景下车牌目标具有小尺度和多尺度的特点，而SSD的特征提取融合策略针对车牌这类尺度较小、跨度较大的目标，检测效果不佳，在实际应用中存在大量车牌目标漏检，进而降低召回率，特别是在高速公路场景下，这个问题更为严重。同时，高速公路车牌目标检测对实时性要求较高，现有车牌目标检测算法大多采用一阶段框架，但一阶段检测算法的多尺度目标检测性能和定位精度偏低。
[0004]因此，亟需一种适用于高速公路监控视频下的车牌目标检测方法，在保证车牌目标检测速度的同时，提升车牌目标检测的多尺度目标检测性能和定位精度，这对于高速公路车辆管控具有重要的现实意义。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种适用于高速公路监控视频下的车牌目标检测方法。本专利技术旨解决现有的车牌目标检测算法适用性差，对高速公路等复杂场景，多尺度目标检测性能和定位精度偏低的问题。本专利技术将在目标检测网络SSD基础上进行改进，针对SSD检测高速公路多尺度车牌效果欠佳的问题，综合注意力机制和特征融合构建注意力特征金字塔，从而提高针对多尺度车牌目标的检测精度。
[0006]为达到上述目的，本专利技术提供了一种适用于高速公路监控视频下的车牌目标检测方法，包括以下步骤：
[0007]S1.采用注意力机制改进SSD的检测分支，将高层特征图通过注意力模块得到的特征掩码与浅层特征图进行逐元素点乘；
[0008]S2.采用叠加的方式融合各层特征图，然后结合车牌特点，设计适用于高速公路场景下的注意力特征金字塔；
[0009]S3.在自建的高速公路车牌目标检测数据集上训练车牌目标检测模型；
[0010]S4.用训练完毕的模型检测高速公路场景下的车牌目标，获取车牌目标的位置和大小。
[0011]进一步，所述步骤S1包括以下子步骤：
[0012]S1.1利用Softmax函数计算更深一层特征对应的注意力掩码，包括通道的Softmax概率和特征位置的Softmax概率；
[0013]S1.2各特征层的特征分别与对应的深层特征对应的注意力掩码采用逐元素点乘的方式进行融合。
[0014]进一步，所述步骤S1.1中，通道的Softmax概率采用特征图中任一通道位置所对应的像素值求得，通道的Softmax概率C
‑
softmax，如下式所示：
[0015][0016]式中，特征图大小为K
×
K
×
N；表示特征图中c通道位置(i，j)处的像素值；λ
ij
表示该像素先验特征值，默认设置为1。
[0017]进一步，所述步骤S1.1中，特征位置的Softmax概率采用特征图中对应点的像素值求得，特征位置的Softmax概率F
‑
softmax，如下式所示：
[0018][0019]式中，特征图大小为K
×
K
×
N；表示特征图中c通道位置(i，j)处的像素值；λ
ij
表示像素的先验特征值，默认设置为1。
[0020]进一步，所述步骤S2包括以下子步骤：
[0021]S2.1将需要融合的特征按照叠加的方式求和，得到一个新的特征向量；
[0022]S2.2多个特征向量组成注意力特征金字塔，结合车牌尺度与跨度的特点设计特征金字塔的层数和各层的分辨率，然后对注意力特征金字塔进行机器学习模型的训练和预测。
[0023]进一步，所述步骤S3的具体步骤如下：
[0024]在搭建好的车牌目标检测模型上，使用ADAM优化算法，在训练集上训练，得到并保存车牌目标检测模型的权重。
[0025]进一步，所述步骤S4包括以下子步骤：
[0026]S4.1使用设计的车牌目标检测模型，加载步骤S3得到的模型权重；
[0027]S4.2对输入的高速公路场景下的监控视频图像，使用加载权重的车牌目标检测模型进行检测，得到车牌目标的位置和大小。
[0028]本专利技术的有益效果在于：
[0029]本专利技术与现有技术不同，现有技术只考虑到给浅层特征补充语义上下文信息，而忽略低级特征图和高级特征图之间相互融合的工作。本专利技术使用高层特征生成的注意力特征图作为低层特征的注意力区域掩码，可有效增强低层特征的表示能力；再结合高速公路场景下车牌目标的特点构建注意力特征金字塔，使得每个层次的特征图都同时含有丰富的位置信息和高层语义上下文信息；最终形成一套完整的适用于高速公路监控视频下的车牌目标检测方法，以切实算法检测高速公路场景下多尺度车牌目标的效果，多尺度目标检测性能好，定位精度高。
[0030]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究，对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和
获得。
附图说明
[0031]图1为本专利技术车牌目标检测方法的流程图；
[0032]图2为SSD改进后的检测分支与原始检测分支的对比；
[0033]图3为采用叠加的方式进行特征融合的示意图；
[0034]图4为SSD改进后的网络结构图。
具体实施方式
[0035]为使本专利技术的技术方案、优点和目的更加清楚，下面将结合本专利技术实施例的附图，对本专利技术实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于所描述的本专利技术的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本申请的保护范围。
[0036]如图1所示，本专利技术提供了一种适用于高速公路监控视频下的车牌目标检测方法，包括以下步骤：
[0037]S1.采用注意力机制改进SSD的检测分支，将高层特征图通过注意力模块得到特征掩码与浅层特征图进行逐元素点乘，能够起到特征选择的作用；
[0038]S2.采用叠加的方式融合各层特征图，以保留更多细节信息，避免过拟合，并对浅层特征层进行强调，然后结合车牌的特点，设计适用于高速公路场景下的注意力特征金字塔，即车牌目标检测模型；
[0039]S3.在自建的高速公路车牌目标检测数据集上训练车牌目标检测模型；
[0040]S4.用训练完毕的车牌目标检测模型检测高速公路场景下的车牌目标，获取车牌目标的位置和大小。
[0041]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于高速公路监控视频下的车牌目标检测方法，其特征在于，包括以下步骤：S1.采用注意力机制改进SSD的检测分支，将高层特征图通过注意力模块得到的特征掩码与浅层特征图进行逐元素点乘；S2.采用叠加的方式融合各层特征图，然后结合车牌特点，设计适用于高速公路场景下的注意力特征金字塔；S3.在自建的高速公路车牌目标检测数据集上训练车牌目标检测模型；S4.用训练完毕的模型检测高速公路场景下的车牌目标，获取车牌目标的位置和大小。2.根据权利要求1所述的一种适用于高速公路监控视频下的车牌目标检测方法，其特征在于，所述步骤S1包括以下子步骤：S1.1利用Softmax函数计算深层特征对应的注意力掩码，包括通道的Softmax概率和特征位置的Softmax概率；S1.2各特征层的特征分别与对应的深层特征对应的注意力掩码采用逐元素点乘的方式进行融合。3.根据权利要求2所述的一种适用于高速公路监控视频下的车牌目标检测方法，其特征在于：所述步骤S1.1中，通道的Softmax概率采用特征图中任一通道位置所对应的像素值求得，通道的Softmax概率C
‑
softmax，如下式所示：式中，特征图大小为K
×
K
×
N；表示特征图中c通道位置(i，j)处的像素值；λ
ij
表示该像素先验特征值，默认设置为1。4.根据权利要求2所述的一种适用于高速公路监控视频下的...

【专利技术属性】
技术研发人员：廖孝勇，赵敏，孙棣华，刘俊毅，王世森，王璟婷，李扬扬，李林峰，
申请(专利权)人：重庆首讯科技股份有限公司，
类型：发明
国别省市：