车牌角点检测方法、装置及终端设备制造方法及图纸

本发明专利技术适用于车牌识别的技术领域，提供了一种车牌角点检测方法、识别装置及终端设备，方法包括：获取样本数据集，其中，所述样本数据集包括多张含有车牌的车辆图像；对所述样本数据集进行数据清洗；构建车牌角点检测模型；通过关键点损失、预测框损失、置信度损失和类别损失构建所述车牌角点检测模型的损失函数；以最小化所述损失函数为目标，通过数据清洗后的样本数据集对所述车牌角点检测模型进行训练；获取目标车辆图像；通过训练好的车牌角点检测模型检测所述目标车辆图像中的车牌角点。本发明专利技术可以准确地检测出车辆图像中的车牌的四个顶点坐标，拥有良好的检测效果，有助于提升后续的字符识别的准确性。续的字符识别的准确性。续的字符识别的准确性。

【技术实现步骤摘要】
车牌角点检测方法、装置及终端设备


[0001]本专利技术属于车牌识别的
，尤其涉及一种车牌角点检测方法、识别装置及终端设备。

技术介绍

[0002]车牌识别技术是智能交通系统中的重要组成部分，其应用范围广泛，包括车辆管理、交通违法监控、停车场管理等，是计算机视觉领域的一个重要研究方向。车牌识别的本质属于目标检测的范畴,即通过算法框选出属于车牌的位置坐标，以便将其与背景区分开来，以此达到车牌定位的目的。
[0003]目前,传统车牌识别主要基于图像分割和图像识别理论，对含有车辆牌号的图像进行分析处理，从而确定牌照在图像中的位置，为后一步提取识别车牌字符做准备，主要包括图像采集、预处理、车牌定位、字符分割、字符识别、结果输出等流程。传统的车牌识别对于图像成像质量要求比较高，并且定位的时候一般会根据纹理特征、颜色特征和形状特征等。
[0004]然而，传统的车牌识别算法在进行图像预处理的时候，易受光线、镜头白平衡等成像质量影响，在车牌定位的时候，成像的角度、车牌的变形等问题都会对其造成大的影响，导致车牌检测不准，后续的字符识别准确性低。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供了一种车牌角点检测方法、识别装置、终端设备及计算机可读存储介质，以解决现有技术在进行图像预处理的时候，易受光线、镜头白平衡等成像质量影响，在车牌定位的时候，成像的角度、车牌的变形等问题都会对其造成大的影响，导致车牌检测不准，后续的字符识别准确性低的技术问题。
[0006]本专利技术实施例的第一方面提供了一种车牌角点检测方法，应用于终端设备，包括：
[0007]第一获取步骤：获取样本数据集，其中，样本数据集包括多张含有车牌的车辆图像；
[0008]清洗步骤：对样本数据集进行数据清洗；
[0009]模型构建步骤：构建车牌角点检测模型；
[0010]损失函数构建步骤：通过关键点损失、预测框损失、置信度损失和类别损失构建车牌角点检测模型的损失函数；
[0011]训练步骤：以最小化损失函数为目标，通过数据清洗后的样本数据集对车牌角点检测模型进行训练；
[0012]第二获取步骤：获取目标车辆图像；
[0013]检测步骤：通过训练好的车牌角点检测模型检测目标车辆图像中的车牌角点。
[0014]本专利技术实施例的第二方面提供了一种车牌角点检测装置，应用于终端设备，包括：
[0015]第一获取模块：获取样本数据集，其中，样本数据集包括多张含有车牌的车辆图
像；
[0016]清洗模块：对样本数据集进行数据清洗；
[0017]模型构建模块：构建车牌角点检测模型；
[0018]损失函数构建模块：通过关键点损失、预测框损失、置信度损失和类别损失构建车牌角点检测模型的损失函数；
[0019]训练模块：以最小化损失函数为目标，通过数据清洗后的样本数据集对车牌角点检测模型进行训练；
[0020]第二获取模块：获取目标车辆图像；
[0021]检测模块：通过训练好的车牌角点检测模型检测目标车辆图像中的车牌角点。
[0022]本专利技术实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面的车牌角点检测方法的步骤。
[0023]本专利技术实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述第一方面的车牌角点检测方法的步骤。
[0024]本专利技术实施例与现有技术相比存在的有益效果是：本专利技术采用yolov7作为检测框架，准确地检测出车辆图像中的车牌的四个顶点坐标，之后根据四个顶点坐标进行车牌识别，即使是光线过亮或不足、镜头白平衡、图像分辨率较低、倾斜严重、车牌变形的图像，也可以拥有良好的检测效果，有助于提升后续的字符识别的准确性。同时，通过关键点损失、预测框损失、置信度损失和类别损失构建车牌角点检测模型的损失函数，在以最小化损失函数为目标训练车牌角点检测模型的过程中，具有良好的收敛效果，提升了车牌角点检测模型的泛化能力。
附图说明
[0025]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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它的附图。
[0026]图1示出了本专利技术提供的一种车牌角点检测方法的流程示意图；
[0027]图2示出了本专利技术提供的一种车牌角点检测装置的结构示意图；
[0028]图3示出了本专利技术提供的一种终端设备的结构示意图。
具体实施方式
[0029]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。
[0030]首先，本专利技术提供了一种车牌角点检测方法。
[0031]请参见图1，图1示出了本专利技术提供的一种车牌角点检测方法的流程示意图。如图1
所示，该车牌角点检测方法可以包括如下步骤：
[0032]第一获取步骤：获取样本数据集。
[0033]其中，样本数据集包括多张含有车牌的车辆图像。
[0034]具体而言，可以通过在含有车牌的车辆图像添加车牌检测框的坐标和车牌的四个角坐标的方式制作训练样本。并对训练样本进行编码，编码的第一位表示类别，在本本专利技术中，类别为车牌。编码的第二到第五位可表示为(x
center
,y
center
,W,H)，分别代表归一化后的车牌框的中心点坐标x值、y值、车牌框的宽w，车牌框的高h。编码的第六到第十三位，分别表示归一化后的车牌四个顶点坐标信息(x,y)，依次为左上、右上、右下、左下。
[0035]进一步地，归一化的具体方式为将坐标信息分别除以输入图像的宽和高。
[0036]清洗步骤：对样本数据集进行数据清洗。
[0037]其中，数据清洗包括数据去重、数据筛选、标注错误修正、类别平衡、数据增强等。
[0038]在本专利技术中，通过对样本数据集进行数据清洗，进而可以提高样本数据集的质量和准确性，为训练后续模型提供更好的数据基础，从而提高模型的性能和泛化能力。
[0039]模型构建步骤：构建车牌角点检测模型。
[0040]可选地，可以基于yolov7构建车牌角点检测模型。
[0041]其中，yolov7是在yolov5基础上的改进出来的算法，原始的yolov7的损失函数整体与yolov5保持一致。而yolo是一种流行的实时目标检测算法，它的设计理念是通过单个神经网络模型在图像上进行端到端的目标检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车牌角点检测方法，其特征在于，包括：第一获取步骤：获取样本数据集，其中，所述样本数据集包括多张含有车牌的车辆图像；清洗步骤：对所述样本数据集进行数据清洗；模型构建步骤：构建车牌角点检测模型；损失函数构建步骤：通过关键点损失、预测框损失、置信度损失和类别损失构建所述车牌角点检测模型的损失函数；训练步骤：以最小化所述损失函数为目标，通过数据清洗后的样本数据集对所述车牌角点检测模型进行训练；第二获取步骤：获取目标车辆图像；检测步骤：通过训练好的车牌角点检测模型检测所述目标车辆图像中的车牌角点。2.根据权利要求1所述的车牌角点检测方法，其特征在于，所述损失函数构建步骤，具体包括：第一计算子步骤：通过wing函数计算所述关键点损失L
kpts
：：其中，(x,y)表示真实点坐标，(x',y')表示预测点坐标，w为正数，用于限制wing函数中非线性区域的函数值范围，ε表示曲率参数，用于约束wing函数中非线性区域的曲率。3.根据权利要求1所述的车牌角点检测方法，其特征在于，所述损失函数构建步骤，具体包括：第二计算子步骤：计算所述预测框损失L
box
：L
box
+＝mean(1
‑
CIoU)其中，CIoU表示完整的预测框交并比，mean()表示平均值。4.根据权利要求1所述的车牌角点检测方法，其特征在于，所述损失函数构建步骤，具体包括：第三计算子步骤：计算所述置信度损失L
obj
：其中，p
o
表示预测框中的目标置信度分数，p
iou
表示预测框与真实框之间的交并比，w
obj
表示对应的正样本权重。5.根据权利要求1所述的车牌角点检测方法，其特征在于，所述损失函数构建步骤，具体包括：第四计算子步骤：计算所述类别损失L
cls
：
其中，c
p
表示预测框中的分类置信度分数，c
gt
表示预测框类别的one
‑
hot编码，w
c...

【专利技术属性】
技术研发人员：孙仕儒，武庆刚，夏炉系，苗应亮，
申请(专利权)人：盛视科技股份有限公司，
类型：发明
国别省市：