【《基于回归的车牌检测方法分析案例》1200字】

第第页基于回归的车牌检测方法分析案例1.1基于SSD算法的车牌检测网络设计SSD(SingleShotMultiBoxDetector)算法改进的卷积神经网络结构，选取表现良好的前置网络，构建多尺度融合特征提取层，在制作的数据集上训练和测试该网络模型，与常用的车牌检测方法做实验对比，该方法在车牌区域检测和速度方面具有良好的表现。SSD模型中网络是用来为权重附初始，前置值，可以使得训练时更快收敛，提高训练的效率。因此，前置网络会影响到整个网络的训练效率。从相关知识的研究发现，深度学习网络的深度对最后的分类和识别的效果有着很大的影响，为了提高网络的准确率，会通过加深网络深度的方法来达到目的。DeepResidualNetwork深度残差网络的提出解决网络深度的加深梯度逐渐消失，训练效果变差现象，本网络引入了残差网络结构，在增加网络层的同时分类效果也明显有所提高。残差结构单元通过捷径连接实现，捷径将这个结构的输入和输出进行加叠操作，这种做法不会影响原始网络的复杂度。另外，当模型的层数加深时，还会减弱梯度消失现象，提高识别效果。深度残差网络在ImageNet上使用不同层数的网络进行测试，测试结果表明随着层数的增多错误率而下降，其中网络层数为152层的残差网络实现了1.75%的错误率。但是随着层数的增多，计算量会随之增加，整个训练过程也会变得慢。1.2检测网络模型的训练及测试1.2.1训练网络模型本文研究的网络结构基于原始SSD目标检测算法进行改进，在网络中设置，提取特征层即convfl-1、convfl-2、convfl-3、convfl-4、convfl-5、pool11作为检测输入，保证在多尺度下有良好的效果。Convfl-1特征层由384个38×38大小的特征图构成，其中的128个特征图在conv3-2层上基于Atrous算法采用3×3尺寸的卷积核进行卷积操作，rate值设置为2，stride设置为2，padding设置为2，通过该方法即可将conv3-2卷积层的特征图尺寸转换为38×38大小。剩余的256个特征图由conv4-2层经过3×3大小的卷积核操作stride设置为1，padding设置为1，从而保证了该层的特征图大小不变。Convfl-2、convfl-3、convfl-4、convfl-5特征层均是由512个特征图构成。因为不同层特征图分辨率是不一样的，所以在将两个不同层的特征图进行concat操作前，要对特征图做一个归一化和激活操作，本文中采用batchnormalization方法进行归一化，使用SeLU激活函数进行激活。基于Tensorflow框架，按照上文中构建的车牌检测网络框架进行搭建，先在PASCALVOC2007数据集上进行模型的预训练，然后再在针对车牌检测制作的以PASCALVOC为标准的车牌检测数据集上进行训练和调优操作，然后得到车牌检测网络的模型。修改超参数将正则化权制衰减系数设为0.0005，初始学习率设为0.001，学习率的衰减因子设为0.94。将制作的车牌数据集输入到该网络中进行训练，迭代次数设置为20000次。通过Tensorflow提供的可视化组件TensorBoard可以观察到该网络训练时损失值的变化曲线，网络训练结束后损失值由开始训练时的77.1降低为11.65，网络损失值变化曲线图如图3-5。图3-1损失值变化曲线图Figure3-1Thecurvechartofthelosschange1.2.2测试网络模型训练结束后，可以得到网络模型的文件，文件分别存储着网络的图结构、参数名以及参数值信息。将文件移入到checkpoints的文件夹中，将datesets文件夹中存入从车牌数据集中随机抽取的3000张测试图片，编写网络测试代码在测试代码中输入网络模型文件所在路径以及待测试图片的路径，通过运行该程序进行模型测试，通过对该测试结果的统计可以得出以下结论，在3000张测试图中，正确检测的有2709张，车牌检测正确率为90.3%。如图3-2为经过测试程序