[发明专利]一种基于YOLOv3网络的车牌检测方法

权利要求书

1.一种基于YOLOv3网络的车牌检测方法，其特征在于：包括如下步骤：

数据预处理：搜集包含车牌的图片，分类整理；通过数据均衡的方法扩大较少的新能源车牌数量、使馆领馆车牌数量和民航车牌数量，使之与蓝色车牌数量相当，将上述图片标记为数据集；

特征提取：将数据预处理中得到的数据集编码后输入到Darknet-53网络，取最后两层残差层的输出作为特征矩阵；

分类预测：将特征提取中得到的两个不同维度的特征矩阵，拼接后送入逻辑回归分类器，输出车牌的位置和种类。

2.根据权利要求1所述的一种基于YOLOv3网络的车牌检测方法，其特征在于：所述数据均衡的方法为：通过扭曲、旋转、加入随机噪声的方法，扩充图片样本数量。

3.根据权利要求1所述的一种基于YOLOv3网络的车牌检测方法，其特征在于：Darknet-53网络由一系列的1×1和3×3的卷积层组成，每个卷积层后都会跟一个BN层和一个LeakyReLU层。

4.根据权利要求1所述的一种基于YOLOv3网络的车牌检测方法，其特征在于：所述特征提取中Darknet-53网络包括激活函数、卷积层、快捷链路层、路由层、上采样层和YOLO层，YOLO层包括了锚盒参数、目标类别和预选框个数。

5.根据权利要求4所述的一种基于YOLOv3网络的车牌检测方法，其特征在于：所述YOLOv3用锚盒参数选取目标候选框的步骤为：YOLOv3将输入图像分成s×s的网格，每个网格根据锚盒参数及特征图多尺度缩放预测出n个候选框的位置及候选框内疑似目标对应的目标种类置信度，由锚盒参数获得目标候选框位置的方法如下式所示：

上式中，c_x,c_y表示网格位置，锚盒中心为网格中心，b_h,b_w表示目标候选框相对锚盒的长宽偏移量，b_x,b_y表示中心偏移量，σ为逻辑回归函数，

6.根据权利要求1所述的一种基于YOLOv3网络的车牌检测方法，其特征在于：分类预测的具体方法为：特征提取中DarkNet-53网络最后两个残差层的输出，经过采样和张量拼接后，得到两个大小不同的特征图，在两个不同大小的尺度上预测不同大小的车牌目标，每个尺度中，需要预测出x、y、w、h、p这五个参数，其中x、y、w、h对应数据集标签中的车牌目标边界框的左上角横坐标、左上角纵坐标、宽度、高度，p表示车牌目标对应种类的类别及置信度，

7.根据权利要求6所述的一种基于YOLOv3网络的车牌检测方法，其特征在于：在分类预测中使用逻辑回归分类器的方法为，YOLOv3主要通过三个损失函数实现由特征图到输出参数的逻辑回归：目标定位偏移量损失L_loc(l,g)，用来确定车牌目标的位置；目标置信度损失L_conf(o,c)，用来确定车牌目标属于不同车牌种类的概率；目标分类损失L_cla(O,C),用来表示车牌目标所属车牌的种类，其中λ₁,λ₂,λ₃是平衡系数：

L(O,o,C,c,l,g)＝λ₁L_loc(l,g)+λ₂L_conf(o,c)+λ₃L_cla(O,C)

目标置信度损失：目标置信度表示目标矩形框内存在目标的概率，目标置信度损失采用的是二值交叉熵损失，其中，o_i∈{0,1}表示预测目标边界框i中是否真实存在目标，0表示不存在，1表示存在；表示预测目标矩形框i内是否存在目标的Sigmoid概率，将预测值c_i通过sigmoid函数得到：

目标类别损失：目标类别损失L_cla(O,C)同样采用的是二值交叉熵损失，其中，O_ij∈{0,1}，表示预测目标边界框i中是否真实存在第j类目标，0表示不存在，1表示存在；表示网络预测目标边界框i内存在第j类目标的Sigmoid概率，由预测值C_ij通过sigmoid函数得到：

目标定位损失：目标定位损失L_loc(l,g)采用的是真实偏差值与预测偏差值差的平方和，其中表示预测矩形框坐标偏移量，这里网络预测的是偏移量，不是直接预测坐标，表示与之匹配的预选框与默认框之间的坐标偏移量，中上标m∈{x,y,w,h}，b^x、b^y、b^w、b^h分别为预测的目标矩形框的左上角横坐标、左上角纵坐标、边界框的宽、边界框的高，c^x、c^y、p^w、p^h分别为默认预选框的左上角横坐标、左上角纵坐标、边界框的宽、边界框的高，g^x、g^y、g^w、g^h分别为与默认预选框匹配的真实目标矩形框的左上角横坐标、左上角纵坐标、边界框的宽、边界框的高，这些参数都是映射在预测特征图上的，