CN116994236B 一种基于深度神经网络的低质图像车牌检测方法 （杭州电子科技大学）

一种基于深度神经网络的低质图像车牌检本发明公开了一种基于深度神经网络的低车牌检测网络对图像中的车牌区域进行检测定2低质图像车牌检测网络采用ResNet-50作为特征提取器即主干网络，引入特征融合模松弛约束损失函数耦合了两个模块的回归过程，以使得两个模块间能对于输入的待检测的图像，进行图像尺寸调整和标准化预处理，放入理后输出角点热图的特征图和偏差量的特征图通过对计算向量最大值索引得到置信度最高的预测值，然后将该预测值代入计算公式可表示为：其中confi表示第i角点对应最大置信度的热图区域，ya表示第i个角点对应的坐32.根据权利要求1所述的一种基于深度神经网络的低质图像车牌检测方法，其特征在低质图像车牌检测网络采用ResNet-50作为特征提取器即主干网络，其输出的特征图车牌角点模块和基于中心点的偏移量定位车牌对于所有的网络子分支，首先分别使用一个卷积块对输入的特征图信度，输出可表示为后者直接利用一个1×1的卷积调整特征图的通道数预测车牌中心点热图的中心点热图子分支和一个用于预测由中心点向四个角点的偏移量3.根据权利要求2所述的一种基于深度神经网络的低质图像车牌检测方法，其特征在3-2.根据ImageNet数据集中计算的均值和标准差对尺寸调整后的车牌图像按通道进其中，I为尺寸调整后的图像，pixel＝255为图像的像素点最大阈值，mean表示3-3.对于每一个图像中的车牌标签的角点坐标p，首先计算一个缩放后的低分辨率的角点坐标R为缩放系数，取值为4；然后使用高斯核将所有角点映射到热图4pp由车牌角点坐标计算区域中心点得到中心点到四个角点对应的偏移距离其中和表示第i个角点与中心点的在x和y轴方4.根据权利要求3所述的一种基于深度神经网络的低质图像车牌检测方法，其特征在步骤4-2.在中心点偏移量定位车牌角点模块回归过程中，子分支输出的特征图解码计算出由中心点向各自角点的偏移量，将中心点5.根据权利要求4所述的一种基于深度神经网络的低质图像车牌检测方法，其特征在ResNet-50采用ImageNet数据集上预训练好的权重，采用CCPD车牌数据集对低质图像6.根据权利要求5所述的一种基于深度神经网络的低质图像车牌检测方法，其特征在5[0007]低质图像车牌检测网络(LPCDet)采用ResNet-50作为特征提取器即主干网络，引6[0013]低质图像车牌检测网络(LPCDet)采用ResNet-50作为特征提取器即主干网络，其支分别构成热图定位车牌角点模块和基于中心点的偏移量定位车[0014]对于所有的网络子分支，首先分别使用一个卷积块对输入的特征图进行特征提取，该卷积块包含一个3×3的卷积，一个批量归一化层和一个RectifiedLinearUnits一个1×1的卷积调整特征图的通道数为8，输出可表示为对于中心点偏移为后者直接利用一个1×1的卷积调整特征图的通道数为8，可表示为[0016]3-1.利用双线性插值的方式将图像调整到符合网络(LPCDet)输入的尺寸(512×[0017]3-2.根据ImageNet数据集中计算的均值和标准差对尺寸调整后的车牌图像按通[0019]其中，I为尺寸调整后的图像，pixel＝255为图像的像素点最大阈值，mean表示[0020]3-3.对于每一个图像中的车牌标签的7率的角点坐标R为缩放系数，取值为4；然后使用高斯核将所有角点映射到热图pp[0023]由车牌角点坐标计算区域中心点得到中心点到四个角点对应的偏移距离其中和表示第i个角点与中心点的在x和8基于车牌中心点偏移量预测的第i个角点对应的坐标值。α是调制因子，β是松弛边界的半[0035]ResNet-50采用ImageNet数据集上预训练好的权重，采用CCPD车牌数据集对低质图像车牌检测网络(LPCDet)进行训练，然后使用步骤3处理后的训练数据进行调整。在型推理后输出角点热图的特征图和偏差量的特征图通过对计算向量最大值索引得到置信度最高的预测值，然后将该预测值代入9的json标注文件中的内容(车牌中四个角点的坐标和车牌号码)解码作为对应车牌图片的器即主干网络，它利用残差块直连的方式避免了网络随着深度增加出现严重退化的问题，能够高效地提取输入图像的特征信息，其输出的特征图尺寸为其中B为提取的特征图进行多尺度特征融合，以提高检测网络捕获更丰富的车牌特征。如图3所示者直接利用一个1×1的卷积调整特征图的通道数为8，输出可表示为对于[0055]3-1.利用双线性插值的方式将图像调整到符合网络(LPCDet)输入的尺寸(512×[0056]3-2.根据ImageNet数据集中计算的均值和标准差对尺寸调整后的车牌图像按通[0058]其中，I为尺寸调整后的图像，pixel＝255为图像的像素点最大阈值，mean=[0.407896550.447193030.47026116]表示ImageNet数据集中图像的均值，std=[0059]3-3.对于每一个图像中的车牌标签的率的角点坐标R为缩放系数，取值为4；然后使用高斯核将所有角点映射到热图p[0061]其中σ是当前车牌的自适应标准差(上标是平方，下标是当前车牌的相对尺寸计p算出的高斯函数参数)。由于网络(LPCDet)输出的特征图尺寸(128×128)为输入图像(512[0062]由车牌角点坐标计算区域中心点得到中心点到四个角点对应的偏移距离其中和表示第i个角点与中心点的在x和[0064]为了解决低质图像中车牌的角点特征不明显，难以有效[0066]对角点热图子分支上的特征图的通道数被调整为4，对应待检测的车牌的4个角通道分别对应热图在x轴和y轴方向回归出的8个坐标参数，用来弥补由输出步长引起的离移量子分支输出的特征图解码计算出由中心点向各自角点的偏移量，将中[0076]低质图像车牌检测网络中的主干网络ResNet-50采用ImageNet数据集上预训练好型推理后输出角点热图的特征图和偏差量的特征图通过对计算向量最大值索引得到置信度最高的预测值，然后将该预测值代入[0100]在自建的车牌数据集上，我们比较了L