CN111898497B - 一种车牌检测的方法、***、设备及可读存储介质 - Google Patents
一种车牌检测的方法、***、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111898497B CN111898497B CN202010686266.1A CN202010686266A CN111898497B CN 111898497 B CN111898497 B CN 111898497B CN 202010686266 A CN202010686266 A CN 202010686266A CN 111898497 B CN111898497 B CN 111898497B
- Authority
- CN
- China
- Prior art keywords
- image
- license plate
- detected
- neural network
- position information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 99
- 238000013528 artificial neural network Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims description 34
- 238000007781 pre-processing Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims 2
- 238000011897 real-time detection Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 230000004913 activation Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车牌检测的方法,包括:获取待检测图像;将待检测图像输入到定位神经网络中,定位神经网络为利用DW卷积的半特征式网络结构的神经网络;通过定位神经网络计算车牌在待检测图像中的位置信息;根据位置信息对待检测图像进行车牌检测。本申请通过将待检测图像输入到利用DW卷积的半特征式网络结构的定位神经网络中,进而能够快速通过该定位神经网络计算车牌在待检测图像中的位置信息,然后根据位置信息对待检测图像进行车牌检测,极大的提高了车牌检测的效率及准确率,进而能够满足对视频流进行实时检测的需求。本申请同时还提供了一种车牌检测的***、设备及可读存储介质,具有上述有益效果。
Description
技术领域
本申请涉及车牌检测领域,特别涉及一种车牌检测的方法、***、设备及可读存储介质。
背景技术
实时车牌检测需要同时满足检出率及实时性的要求,在智能交通***中发挥着重要的作用,目前可以通过一些先进的深度学习技术、传感技术和传统图像学技术有效的结合并应用,使得车牌检测在规范的智能交通场景中得以新的方式呈现出来。
然而,在当下复杂的交通场景下,车牌定位存在诸多挑战,受场景光线等多种外界影响的同时,随着新能源车等新型车牌类型的不断增加,传统图像学的判断方法很难针对场景和光线等改变做出较为有效的应对,而现有的基于深度学习的车牌检测技术,其基础网络过重导致耗时高,同时检测车辆和车牌会导致检测效果下降,进而导致了车牌检测的效率及准确率低下。
因此,如何提高车牌检测的效率及准确率是本领域技术人员目前需要解决的技术问题。
发明内容
本申请的目的是提供一种车牌检测的方法、***、设备及可读存储介质,用于提高车牌检测的效率及准确率。
为解决上述技术问题,本申请提供一种车牌检测的方法,该方法包括:
获取待检测图像;
将所述待检测图像输入到定位神经网络中,所述定位神经网络为利用DW卷积的半特征式网络结构的神经网络;
通过所述定位神经网络计算车牌在所述待检测图像中的位置信息;
根据所述位置信息对所述待检测图像进行车牌检测。
可选的,通过所述定位神经网络计算车牌在所述待检测图像中的位置信息,包括:
对所述待检测图像进行DW卷积特征提取,得到对应的特征;
将所有所述特征打乱融合,并划分为第一特征组和第二特征组;
对所述第一特征组进行DW卷积特征提取,并将得到的特征与所述第二特征组进行拼接合并,得到第三特征组;
根据所述第三特征组计算所述车牌在所述待检测图像中的位置信息。
可选的,根据所述第三特征组计算所述车牌在所述待检测图像中的位置信息,包括:
对所述第三个特征组中的特征图进行缩放处理;
确定目标检测算法的预选框的大小,并利用所述预选框根据所述第三特征组计算所述车牌在所述待检测图像中的位置信息。
可选的,在通过所述定位神经网络计算车牌在所述待检测图像中的位置信息之后,还包括:
计算所述位置信息的置信度;
当所述置信度小于阈值时,输出更换所述待检测图像的提示信息。
可选的,在获取待检测图像之后,在将所述待检测图像输入到定位神经网络中之前,还包括:
对所述待检测图像进行格式转换。
可选的,在将所述待检测图像输入到定位神经网络中之前,还包括:
获取训练集,并对所述训练集中的训练图像进行预处理;其中,所述预处理包括翻转预处理、裁剪扭曲预处理、高斯模糊预处理、随机采集块域预处理中的至少一项;
利用预处理后的所述训练集对所述定位神经网络进行训练。
本申请还提供一种车牌检测的***,该***包括:
获取模块,用于获取待检测图像;
输入模块,用于将所述待检测图像输入到定位神经网络中,所述定位神经网络为利用DW卷积的半特征式网络结构的神经网络;
第一计算模块,用于通过所述定位神经网络计算车牌在所述待检测图像中的位置信息;
车牌检测模块,用于根据所述位置信息对所述待检测图像进行车牌检测。
可选的,所述第一计算模块包括:
第一提取子模块,用于对所述待检测图像进行DW卷积特征提取,得到对应的特征;
划分模块,用于将所有所述特征打乱融合,并划分为第一特征组和第二特征组;
第二提取子模块,用于对所述第一特征组进行DW卷积特征提取,并将得到的特征与所述第二特征组进行拼接合并,得到第三特征组;
计算子模块,用于根据所述第三特征组计算所述车牌在所述待检测图像中的位置信息。
本申请还提供一种车牌检测设备,该车牌检测设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任一项所述车牌检测的方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述车牌检测的方法的步骤。
本申请所提供车牌检测的方法,包括:获取待检测图像;将待检测图像输入到定位神经网络中,定位神经网络为利用DW卷积的半特征式网络结构的神经网络;通过定位神经网络计算车牌在待检测图像中的位置信息;根据位置信息对待检测图像进行车牌检测。
本申请所提供的技术方案,通过将待检测图像输入到利用DW卷积的半特征式网络结构的定位神经网络中,半特征式网络结构使得定位神经网络的耗时低,进而能够快速通过该定位神经网络计算车牌在待检测图像中的位置信息,然后根据位置信息对待检测图像进行车牌检测,极大的提高了车牌检测的效率及准确率,进而能够满足对视频流进行实时检测的需求。本申请同时还提供了一种车牌检测的***、设备及可读存储介质,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种车牌检测的方法的流程图;
图2为图1所提供的一种车牌检测的方法中S103的一种实际表现方式的流程图;
图3为本申请实施例所提供的一种利用DW卷积的半特征式网络结构的定位神经网络的示意图;
图4为本申请实施例所提供的prelu以及relu两种激活函数的函数曲线的示意图;
图5为本申请实施例所提供的一种车牌检测的***的结构图;
图6为本申请实施例所提供的一种车牌检测设备的结构图。
具体实施方式
本申请的核心是提供一种车牌检测的方法、***、设备及可读存储介质,用于提高车牌检测的效率及准确率。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
基于在当下复杂的交通场景下,车牌定位存在诸多挑战,受场景光线等多种外界影响的同时,随着新能源车等新型车牌类型的不断增加,传统图像学的判断方法很难针对场景和光线等改变做出较为有效的应对,而现有的基于深度学习的车牌检测技术,其基础网络过重导致耗时高,同时检测车辆和车牌会导致检测效果下降,进而导致了车牌检测的效率及准确率低下;故本申请提供了一种车牌检测的方法,用于解决上述问题。
请参考图1,图1为本申请实施例所提供的一种车牌检测的方法的流程图。
其具体包括如下步骤:
S101:获取待检测图像;
可选的,为进一步提高车牌检测的效率及准确率,在获取待检测图像之后,在将待检测图像输入到定位神经网络中之前,还可以对待检测图像进行格式转换。
在一个具体实施例中,本申请根据输入图像为1920*1080的特点,将网络的输入设定为300*160,而非常见的224*224,这样既能保证车牌小目标有一个很好的检测,同时也能防止输入图像的畸变。
S102:将待检测图像输入到定位神经网络中;
这里提到的定位神经网络为利用DW卷积的半特征式网络结构的神经网络,DW卷积不同于常规卷积操作,其一个卷积核负责一个通道,一个通道只被一个卷积核卷积,这样的网络结构能够减少耗时,进而能够提高车牌检测的效率。
可选的,为提高定位神经网络的鲁棒性,在将待检测图像输入到定位神经网络中之前,还可以执行如下步骤:
获取训练集,并对训练集中的训练图像进行预处理;其中,预处理包括翻转预处理、裁剪扭曲预处理、高斯模糊预处理、随机采集块域预处理中的至少一项;
利用预处理后的训练集对定位神经网络进行训练。
由于在当下复杂的交通场景下,车牌定位存在诸多挑战,受场景光线等多种外界影响的同时随着新能源车等新型车牌类型的不断增加,因此本申请中的数据集内包括当前道路上所用机动车车牌,同时包括尽可能多复杂车辆道路场景,例如夜间、远距离、曝光、大角度、污损等场景,在数据集不充足的情况下,使用多样性训练素材对定位神经网络进行训练,能够有效提高定位神经网络的鲁棒性。
S103:通过定位神经网络计算车牌在待检测图像中的位置信息;
通过定位神经网络计算车牌在待检测图像中的位置信息之后,能够根据位置信息对待检测图像进行车牌检测,进而提高车牌检测的效率及准确率。
可选的,这里提到的通过定位神经网络计算车牌在待检测图像中的位置信息,其具体也可以通过执行图2所示的步骤实现,下面请参考图2,图2为图1所提供的一种车牌检测的方法中S103的一种实际表现方式的流程图,其具体包括以下步骤:
S201:对待检测图像进行DW卷积特征提取,得到对应的特征;
S202:将所有特征打乱融合,并划分为第一特征组和第二特征组;
S203:对第一特征组进行DW卷积特征提取,并将得到的特征与第二特征组进行拼接合并,得到第三特征组;
S204:根据第三特征组计算车牌在待检测图像中的位置信息。
在一个具体实施例中,请参考图3,图3为本申请实施例所提供的一种利用DW卷积的半特征式网络结构的定位神经网络的示意图,如图3所示,本申请使用DW卷积代替传统的卷积,该卷积的优势在于能够节省普通卷积七倍以上的计算力,例如,正常输入通道数16输出32,卷积核大小为3x3大小,计算得16x32x3x3=4608,DW计算得16x3x3+16x32x1x1=656;
进一步的,本申请采用独特的半特征式卷积方式,该方式的实现原理是将本层一半特征值保留不做下一层的卷积,而是直接输入到下一层,这样不但减少了计算还增加了特征融合,使深层语义融合进浅层特征。能够更好的检测出远距离的小车牌。
优选的,为减少特征的损失,还可以在该定位神经网络中使用shuffleChannel(一种可以提高数据鲁棒性的方法)增加特征之间的信息交流,通过shuffleChannel完成神经网络的通道重组,将特征平均分到每个组内使得每个组卷积的时候都能够得到其他组的信息,起到组间直接的通信作用,弥补了DW卷积造成的各组信息封闭导致的特征不完整。在一个具体实施例中,可以将组设置为2,因为过多的组会导致MAC(物理内存)增大:
而B=hwc1c2,则
其中h,w分别特征图的高、宽,g为输入与输出通道分为几组,c为通道数。
由上述公式可以看出B不变时,g越大MAC越大,通过实验表明,组为2时,模型的MAC最小且准确率最高。
优选的,为减少特征的损失,还可以在浅层中使用激活函数prelu代替传统网络模型中的激活函数relu,达到弥补部分缺失特征的效果,请参考图4,图4为本申请实施例所提供的prelu以及relu两种激活函数的函数曲线的示意图,如图4所示,prelu激活函数会保留一部分小于零的权重,把它应用在浅层时能够得到很多的小目标信息,对车牌的检出率有较大的提升同时误检率有所下降。
下面是一组关于本发明使用prelu作为激活函数得到的实验数据。
激活函数名称 | 使用方式 | 耗时 | 准确率 | 误检率 |
Relu | 全部使用 | 32fps | 97.86% | 0.56% |
PRelu | 全部使用 | 32fps | 98.91% | 0.64% |
PRelu | 前五层使用 | 32fps | 99.31% | 0.37% |
通过实验可以看出使用prelu激活函数,不但会增加准确率同时也能降低误检。
可选的,这里提到的根据第三特征组计算车牌在待检测图像中的位置信息,其具体可以为:
对第三个特征组中的特征图进行缩放处理;
确定目标检测算法的预选框的大小,并利用预选框根据第三特征组计算车牌在待检测图像中的位置信息。
现有技术中对特征图做了五次缩放处理,而多次缩放会增加网络计算耗时,故本申请减少对特征图的缩放次数,进而能够降低耗时,同时增加对车牌的检出率;
可选的,本申请还可以根据车牌检测的场景对网络本身做出适当的调整,即可以令预选框的计算方式引入车牌宽高比例的概念,使神经网络的计算更加偏向于车牌检测,具体的,可以通过执行如下步骤实现:
预选框的计算公式为:
长方形大框的宽根据公式计算;
长方形大框的高根据公式aspecct_ration*min_size计算;
正方形大框的边长根据公式计算;
正方形小框的边长为min_size;
根据车牌检测特点,本申请可以将小正方形预选框和高大于宽的长方形预选框去除,因为两种检测框不适用于车牌检测,且会增加耗时,另外预选框的比例可以设定为根据符合车牌特征的长宽比为2:1或3:1两种;
其中,aspect_ration为生成的预选框框的宽高比,min_size可以根据公式(输入图像大小*10/100)+(输入图像大小*ratio/100)计算,max_size可以根据公式(输入图像大小*20/100)+(输入图像大小*(ratio+step)/100)计算,预先框的宽高比ration可以根据公式(车牌宽*车牌高)/(输入图像宽*高)计算。
可选的,在上述实施例的基础上,步骤S104中提到的根据位置信息对待检测图像进行车牌检测,其具体可以为根据位置信息及车牌形状特性对待检测图像进行车牌检测。
使用原生目标检测算法(Single Shot MultiBox Detector,SSD)与优化后的目标检测算法前后检测率及耗时对比:
Arm端耗时 | 检出率 | 误检率 | |
原生SSD | 40+ms/帧 | 97.61% | 1.02% |
优化SSD | 25ms/帧 | 99.53% | 0.17% |
通过实验可看出本发明优化后的SSD检测框架不但耗时和误检率方面降低,检出率也有一定的提升。
可选的,在通过定位神经网络计算车牌在待检测图像中的位置信息之后,还可以执行如下步骤:
计算位置信息的置信度;
当置信度小于阈值时,输出更换待检测图像的提示信息。
在一个具体实施例中,当置信度小于阈值时,则表明检测到的位置信息为车牌位置信息的可能性较低,此时可以更换待检测图像的提示信息,将待检测区域更换为车头区域,车头区域由车头检测网络获取,在车头区域内再做一次车牌检测,以提高检测到车牌的可能性。
S104:根据位置信息对待检测图像进行车牌检测。
基于上述技术方案,本申请所提供的一种车牌检测的方法,通过将待检测图像输入到利用DW卷积的半特征式网络结构的定位神经网络中,半特征式网络结构使得定位神经网络的耗时低,进而能够快速通过该定位神经网络计算车牌在待检测图像中的位置信息,然后根据位置信息对待检测图像进行车牌检测,极大的提高了车牌检测的效率及准确率,进而能够满足对视频流进行实时检测的需求。
请参考图5,图5为本申请实施例所提供的一种车牌检测的***的结构图。
该***可以包括:
获取模块100,用于获取待检测图像;
输入模块200,用于将待检测图像输入到定位神经网络中,定位神经网络为利用DW卷积的半特征式网络结构的神经网络;
第一计算模块300,用于通过定位神经网络计算车牌在待检测图像中的位置信息;
车牌检测模块400,用于根据位置信息对待检测图像进行车牌检测。
在上述实施例的基础上,在一个优选实施例中,该第一计算模块300可以包括:
第一提取子模块,用于对待检测图像进行DW卷积特征提取,得到对应的特征;
划分模块,用于将所有特征打乱融合,并划分为第一特征组和第二特征组;
第二提取子模块,用于对第一特征组进行DW卷积特征提取,并将得到的特征与第二特征组进行拼接合并,得到第三特征组;
计算子模块,用于根据第三特征组计算车牌在待检测图像中的位置信息。
进一步的,该计算子模块可以包括:
缩放处理单元,用于对第三个特征组中的特征图进行缩放处理;
计算单元,用于确定目标检测算法的预选框的大小,并利用预选框根据第三特征组计算车牌在待检测图像中的位置信息。
在上述实施例的基础上,在一个优选实施例中,该***还可以包括:
第二计算模块,用于计算位置信息的置信度;
输出模块,用于当置信度小于阈值时,输出更换待检测图像的提示信息。
在上述实施例的基础上,在一个优选实施例中,该***还可以包括:
转换模块,用于对待检测图像进行格式转换。
在上述实施例的基础上,在一个优选实施例中,该***还可以包括:
预处理模块,用于获取训练集,并对训练集中的训练图像进行预处理;其中,预处理包括翻转预处理、裁剪扭曲预处理、高斯模糊预处理、随机采集块域预处理中的至少一项;
训练模块,用于利用预处理后的训练集对定位神经网络进行训练。
由于***部分的实施例与方法部分的实施例相互对应,因此***部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
请参考图6,图6为本申请实施例所提供的一种车牌检测设备的结构图。
该车牌检测设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)622(例如,一个或一个以上处理器)和存储器632,一个或一个以上存储应用程序642或数据644的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器632和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对装置中的一系列指令操作。更进一步地,处理器622可以设置为与存储介质630通信,在车牌检测设备600上执行存储介质630中的一系列指令操作。
车牌检测设备600还可以包括一个或一个以上电源626,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口658,和/或,一个或一个以上操作***641,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述图1至图4所描述的车牌检测的方法中的步骤由车牌检测设备基于该图6所示的结构实现。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置、设备和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,功能调用装置,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本申请所提供的一种车牌检测的方法、***、设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (6)
1.一种车牌检测的方法,其特征在于,包括:
获取待检测图像;
将所述待检测图像输入到定位神经网络中,所述定位神经网络为利用DW卷积的半特征式网络结构的神经网络;
通过所述定位神经网络计算车牌在所述待检测图像中的位置信息;
根据所述位置信息对所述待检测图像进行车牌检测;
其中,通过所述定位神经网络计算车牌在所述待检测图像中的位置信息,包括:
对所述待检测图像进行DW卷积特征提取,得到对应的特征;将所有所述特征打乱融合,并划分为第一特征组和第二特征组;对所述第一特征组进行DW卷积特征提取,并将得到的特征与所述第二特征组进行拼接合并,得到第三特征组;根据所述第三特征组计算所述车牌在所述待检测图像中的位置信息;
根据所述第三特征组计算所述车牌在所述待检测图像中的位置信息,包括:
对所述第三特征组中的特征图进行缩放处理;基于车牌宽高比例确定目标检测算法的预选框的大小,并利用所述预选框根据所述第三特征组计算所述车牌在所述待检测图像中的位置信息;
在通过所述定位神经网络计算车牌在所述待检测图像中的位置信息之后,还包括:
计算所述位置信息的置信度;当所述置信度小于阈值时,输出更换所述待检测图像的提示信息,以将车头图像确定为更换后待检测图像。
2.根据权利要求1所述的方法,其特征在于,在获取待检测图像之后,在将所述待检测图像输入到定位神经网络中之前,还包括:
对所述待检测图像进行格式转换。
3.根据权利要求1所述的方法,其特征在于,在将所述待检测图像输入到定位神经网络中之前,还包括:
获取训练集,并对所述训练集中的训练图像进行预处理;其中,所述预处理包括翻转预处理、裁剪扭曲预处理、高斯模糊预处理、随机采集块域预处理中的至少一项;
利用预处理后的所述训练集对所述定位神经网络进行训练。
4.一种车牌检测的***,其特征在于,包括:
获取模块,用于获取待检测图像;
输入模块,用于将所述待检测图像输入到定位神经网络中,所述定位神经网络为利用DW卷积的半特征式网络结构的神经网络;
第一计算模块,用于通过所述定位神经网络计算车牌在所述待检测图像中的位置信息;
车牌检测模块,用于根据所述位置信息对所述待检测图像进行车牌检测;
其中,所述第一计算模块包括:
第一提取子模块,用于对所述待检测图像进行DW卷积特征提取,得到对应的特征;
划分模块,用于将所有所述特征打乱融合,并划分为第一特征组和第二特征组;
第二提取子模块,用于对所述第一特征组进行DW卷积特征提取,并将得到的特征与所述第二特征组进行拼接合并,得到第三特征组;
计算子模块,用于根据所述第三特征组计算所述车牌在所述待检测图像中的位置信息;
所述计算子模块,具体用于:
对所述第三特征组中的特征图进行缩放处理;基于车牌宽高比例确定目标检测算法的预选框的大小,并利用所述预选框根据所述第三特征组计算所述车牌在所述待检测图像中的位置信息;
所述车牌检测的***,还具体用于:
计算所述位置信息的置信度;当所述置信度小于阈值时,输出更换所述待检测图像的提示信息,以将车头图像确定为更换后待检测图像。
5.一种车牌检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至3任一项所述车牌检测的方法的步骤。
6.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述车牌检测的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010686266.1A CN111898497B (zh) | 2020-07-16 | 2020-07-16 | 一种车牌检测的方法、***、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010686266.1A CN111898497B (zh) | 2020-07-16 | 2020-07-16 | 一种车牌检测的方法、***、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898497A CN111898497A (zh) | 2020-11-06 |
CN111898497B true CN111898497B (zh) | 2024-05-10 |
Family
ID=73189205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010686266.1A Active CN111898497B (zh) | 2020-07-16 | 2020-07-16 | 一种车牌检测的方法、***、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898497B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105405298A (zh) * | 2015-12-24 | 2016-03-16 | 浙江宇视科技有限公司 | 一种车牌标识的识别方法和装置 |
EP3182334A1 (en) * | 2015-12-17 | 2017-06-21 | Xerox Corporation | License plate recognition using coarse-to-fine cascade adaptations of convolutional neural networks |
CN109447069A (zh) * | 2018-10-31 | 2019-03-08 | 沈阳工业大学 | 面向智能终端的车辆信息采集识别方法及*** |
CN109840521A (zh) * | 2018-12-28 | 2019-06-04 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的一体化车牌识别方法 |
CN110533103A (zh) * | 2019-08-30 | 2019-12-03 | 的卢技术有限公司 | 一种轻量级小物体目标检测方法及*** |
WO2020038205A1 (zh) * | 2018-08-24 | 2020-02-27 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、计算机可读存储介质及计算机设备 |
CN111209858A (zh) * | 2020-01-06 | 2020-05-29 | 电子科技大学 | 一种基于深度卷积神经网络的实时车牌检测方法 |
CN111401361A (zh) * | 2020-03-06 | 2020-07-10 | 南京理工大学 | 一种端到端的轻量级深度车牌识别方法 |
-
2020
- 2020-07-16 CN CN202010686266.1A patent/CN111898497B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3182334A1 (en) * | 2015-12-17 | 2017-06-21 | Xerox Corporation | License plate recognition using coarse-to-fine cascade adaptations of convolutional neural networks |
CN105405298A (zh) * | 2015-12-24 | 2016-03-16 | 浙江宇视科技有限公司 | 一种车牌标识的识别方法和装置 |
WO2020038205A1 (zh) * | 2018-08-24 | 2020-02-27 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、计算机可读存储介质及计算机设备 |
CN109447069A (zh) * | 2018-10-31 | 2019-03-08 | 沈阳工业大学 | 面向智能终端的车辆信息采集识别方法及*** |
CN109840521A (zh) * | 2018-12-28 | 2019-06-04 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的一体化车牌识别方法 |
CN110533103A (zh) * | 2019-08-30 | 2019-12-03 | 的卢技术有限公司 | 一种轻量级小物体目标检测方法及*** |
CN111209858A (zh) * | 2020-01-06 | 2020-05-29 | 电子科技大学 | 一种基于深度卷积神经网络的实时车牌检测方法 |
CN111401361A (zh) * | 2020-03-06 | 2020-07-10 | 南京理工大学 | 一种端到端的轻量级深度车牌识别方法 |
Non-Patent Citations (2)
Title |
---|
使用多任务级联卷积神经网络进行车牌照识别;胡从坤;黄东军;;企业技术开发(第02期);正文第1-5节 * |
基于深度学习的实时车牌检测;李兴维;朱泽群;万秋波;屈金山;;信息通信(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111898497A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104903B (zh) | 一种深度感知交通场景多目标检测方法和*** | |
CN111242127A (zh) | 基于非对称卷积的具有粒度级多尺度特性的车辆检测方法 | |
CN111861925A (zh) | 一种基于注意力机制与门控循环单元的图像去雨方法 | |
CN114332133B (zh) | 基于改进CE-Net的肺炎CT图像感染区分割方法及*** | |
CN110443245B (zh) | 一种非限制场景下的车牌区域的定位方法、装置及设备 | |
CN114419413A (zh) | 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法 | |
CN110503049B (zh) | 基于生成对抗网络的卫星视频车辆数目估计方法 | |
US8428369B2 (en) | Information processing apparatus, information processing method, and program | |
CN111898497B (zh) | 一种车牌检测的方法、***、设备及可读存储介质 | |
CN113657225B (zh) | 一种目标检测方法 | |
CN102013101A (zh) | 一种经过模糊后处理的置换篡改图像盲检测方法 | |
CN114202473A (zh) | 一种基于多尺度特征和注意力机制的图像复原方法及装置 | |
CN112101113B (zh) | 一种轻量化的无人机图像小目标检测方法 | |
CN106023184A (zh) | 一种基于各向异性中心环绕差异的深度显著性检测方法 | |
CN117649581A (zh) | 一种多任务边缘增强的图像伪造检测方法及装置 | |
CN104809705A (zh) | 一种基于阈值块匹配的图像去噪的方法和*** | |
CN117132910A (zh) | 一种用于无人机的车辆检测方法、装置及存储介质 | |
CN107820087A (zh) | 根据移动侦测结果动态调节码率的方法 | |
CN112381088A (zh) | 一种油罐车车牌识别方法及*** | |
CN112818836B (zh) | 一种变电站场景的人员目标检测方法及*** | |
CN113496159B (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 | |
Mei et al. | Study of the eye-tracking methods based on video | |
CN113780136A (zh) | 基于时空纹理识别的VOCs气体泄漏检测方法、***及设备 | |
CN115346143A (zh) | 行为检测方法、电子设备、计算机可读介质 | |
CN107480616B (zh) | 一种基于图像分析的肤色检测单位分析方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |