[发明专利]基于深度学习VGG16框架的车牌检测方法及系统、存储介质

权利要求书

1.一种基于深度学习VGG16框架的车牌检测方法，其特征在于，

包括以下步骤：

步骤S1：准备图片数据集；

步骤S2：基于VGG16框架构建车牌定位网络模型，

步骤S3：基于准备的图片数据集制作训练数据，并利用制作的训练数据训练搭建的网络模型；

步骤S4：利用训练好的网络模型进行车牌检测和模型评估；

所述步骤S2具体为：

在VGG16网络结构的基础上保留前13个卷积层、池化层pool1和池化层pool2不变，删除池化层pool3、pool4、pool5和全连接层fc8；

将全连接层fc6和fc7修改为卷积层且层的名称不变；

在卷积层conv3-3后方新增L2 Normalization层，并在L2 Normalization层后新增分类层和目标坐标位置回归层，在卷积层conv4-3后新增卷积层conv4-4，在卷积层fc7后新增分类层和坐标位置回归层，同时在卷积层fc7后依次添加卷积层conv8和conv9，然后在卷积层conv9后方新增分类层和目标坐标位置回归层，在卷积层conv9后依次添加卷积层conv10和conv11，在卷积层conv11的后新增分类层和目标坐标位置回归层；

添加一个含有非极大值抑制阈值和置信度阈值的检测层NMS，该层的输入为各个分类层和目标坐标位置回归层，输出为目标的类别、得分以及对应的目标坐标位置。

2.如权利要求1所述的车牌检测方法，其特征在于，

所述卷积层fc6和fc7的卷积核参数为3，卷积核个数为128，激活函数ReLU的步长为2，填充pad为1。

3.如权利要求1所述的车牌检测方法，其特征在于，

所述图片数据集包括车牌的训练集、验证集、测试集和标注文件，训练集和验证集中包括含有车牌的图片且其对应的标注文件中包含有图片的名称、图片中车牌所在的具体位置信息和类别信息，测试集中包括含有车牌但未被标注的图片及仅含测试图片名称的文本文件。

4.如权利要求3所述的车牌检测方法，其特征在于，

所述步骤S3具体为：

步骤S31：利用训练集、训练集的标注文件、验证集和验证集的标注文件生成1mdb或1db格式的数据集；

步骤S32：初始化网络模型中的偏差参数和待训练的权值参数；

步骤S33：向初始化后的网络模型中输入训练集数据进行网络前向传播，得到实际的输出结果后基于理想值和实际值之差，通过损失函数来反向调整网络模型的权值参数；

步骤S34：继续进行迭代训练，直至验证集的准确率曲线收敛或者损失函数的曲线收敛，输出训练后的网络模型。

5.如权利要求4所述的车牌检测方法，其特征在于，

所述步骤S32中具体通过xavier算法初始化网络模型中权值参数，用常数零初始化偏差参数。

6.如权利要求3所述的车牌检测方法，其特征在于，

所述步骤S4具体为：

利用准备好的测试集对训练后的网络模型进行测试和评估，通过设置车牌置信度阈值评估车牌检测的召回率和耗时。

7.如权利要求6所述的车牌检测方法，其特征在于，

所述步骤S4中，若检测结果是车牌的置信度得分大于设置的车牌置信度阈值，则输出车牌的置信度和车牌在检测图片中的坐标位置，否则认为是伪车牌，不输出任何结果。