[发明专利]一种基于YOLOv3网络的车牌检测方法在审

专利信息
申请号: 202010002151.6 申请日: 2020-01-02
公开(公告)号: CN111178451A 公开(公告)日: 2020-05-19
发明(设计)人: 屈景怡;冯晓赛;杨俊 申请(专利权)人: 中国民航大学
主分类号: G06K9/62 分类号: G06K9/62;G06K9/32;G06N3/04
代理公司: 天津企兴智财知识产权代理有限公司 12226 代理人: 苏冲
地址: 300300 天*** 国省代码: 天津;12
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 yolov3 网络 车牌 检测 方法
【说明书】:

发明提供了一种基于YOLOv3网络的车牌检测方法,包括数据预处理: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。本发明所述的基于YOLOv3网络的车牌检测方法,采用锚盒机制,只用一次特征提取,预测出车牌目标的位置和类别两种信息,减少了计算量,提高了计算速度。

技术领域

本发明属于大数据以及深度学习技术领域,尤其是涉及一种基于YOLOv3 网络的车牌检测方法。

背景技术

随着我国民航的迅猛发展,机场规模越来越大。机场内部各种工具车辆繁多,对车辆自动管理系统提出了巨大的挑战,车牌检测是车辆自动管理系统的重要环节。目前国内已经有很多车牌检测系统投入商用。国内外车牌检测方法主要有两种:一种是基于先验特征的传统车牌检测方法;另一种是基于深度学习的车牌检测方法。传统车牌检测方法主要是利用车牌的轮廓、纹理和颜色等特征对车牌进行建模。这些传统方法的特点是计算量小,但是准确率低,鲁棒性差。随着2012年基于深度学习的AlexNet网络获得了当年的ILSVRC大赛冠军,卷积神经网络取得丰富的成果,极大地促进了基于深度学习的目标检测方法的发展。目前,基于深度学习的目标检测网络主要分为两步检测网络和单步检测网络。两步检测网络主要包括R-CNN系列,如 R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN等,这些网络的特征是把目标检测任务分成两步:首先检测出疑似目标的预选框(Region Proposal),然后提取这些候选框的特征,推断出这些候选框属于各个目标的概率,从而检测出目标的位置和种类。单步检测网络则通过一次特征提取,直接得出目标的类别概率和位置,这种方法比两步检测法更快。比较典型的单步检测法有YOLO、YOLO9000、YOLOv3、SSD。其中,YOLOv3网络直接用回归的方式输出预测目标物体的类别和边界框,其特点是检测速度较快,但是对小目标群检测效果较差。而车牌检测中车牌目标较大,没有小目标群的情况,因此本文采用YOLOv3作为车牌检测的基础网络。

发明内容

有鉴于此,本发明旨在提出一种基于YOLOv3网络的车牌检测方法,以提供一种能够适应于复杂环境,检测准确性高的基于YOLOv3网络的车牌检测方法。

为达到上述目的,本发明的技术方案是这样实现的:

一种基于YOLOv3网络的车牌检测方法,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。

进一步的,所述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。

进一步的,所述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。

进一步的,所述所述特征提取中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。

进一步的,所述所述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:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国民航大学,未经中国民航大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010002151.6/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top