[发明专利]一种基于深度卷积神经网络的实时车牌检测方法

权利要求书

1.一种基于深度卷积神经网络的实时车牌检测方法，其特征在于，所述检测方法的步骤包括：

S1，获取路面监控图像，从所述路面监控图像中选出多张符合要求的目标图像，对所述目标图像中的车牌的位置进行标记，得到标记了车牌位置的已标记图像，将所述已标记图像按照按预设比例划分为训练集、测试集及验证集；

S2，对标记后的车牌进行数据增强；

S3，构建深度卷积神经网络结构，所述深度卷积神经网络结构包括一个主干及一个特征提取支路，所述主干及特征提取支路共计含有13个卷积层和4个池化层；

S4，将数据增强处理后的训练集放入深度卷积神经网络结构中进行训练，结合Adam优化整个改进的SSD模型的损失函数，训练后使用验证集检验改进的SSD模型的速度与准确率；其中，SSD模型中参数量过大的卷积神经网络采用rfb模块结构的卷积神经网络；

所述将数据增强处理后放入深度卷积神经网络结构中进行训练的过程，包括：

将输入图片resize到300*300，相当于输入维度为b*3*300*300的矩阵，b为batch_size，b*3*300*300的矩阵经过基础网络VggNet进行部分计算，记录结果为x；

x经过basicRFB_s的处理，记录结果为s；

x经过basicRFB，记录结果为x1；

x1经过basicRFB，记录结果为x2；

x2经过basicRFB，记录结果为x3；

x3经过两个basiConv，记录结果为x4；

x4经过两个basicConv，记录结果为x5；

[s，x1，x2，x3，x4，x5]将被用于loc_layer计算车牌的位置，即所述s，所述x1，所述x2，所述x3，所述x4，所述x5分别经过loc_layer得到六个向量，并对每个向量做cat操作，并view为n*1*4的矩阵；通过conf_layer计算此处为车牌的可能性，即所述s，所述x1，所述x2，所述x3，所述x4，所述x5分别经过conf_layer得到六个向量，并向每个向量做cat操作，并view为n*1*2的矩阵；其中，resize表示缩放，batch_size表示每批次送入SSD模型进行训练的图像数量；basicRFB_s表示归一化膨胀卷积层，是经改进后的一个卷积神经网络模块；basicRFB、basicConv均表示为基础膨胀卷积层；loc_layer为6个卷积核大小为1*1的卷积层；conf_layer为6个卷积核大小为1*1的卷积层；

S5，向训练后的所述深度卷积神经网络结构中输入一张车牌图像并进行网络计算，输出n*1*4的矩阵和n*1*2的矩阵，对所述输出n*1*4的矩阵和n*1*2的矩阵进行非极大值抑制，得到最终的预测结果。

2.根据权利要求1所述的一种基于深度卷积神经网络的实时车牌检测方法，其特征在于，所述训练集、所述测试集和所述验证集的预设比例为：50％：40％：10％。

3.根据权利要求1所述的一种基于深度卷积神经网络的实时车牌检测方法，其特征在于，所述数据增强的方法包括：

S21，颜色的数据增强，包括饱和度、亮度、曝光度、色调和对比度；

S22，尺度变换，将每一轮送入改进的SSD模型进行训练的图片尺寸随机更改成32倍整倍数大小；

S23，角度变换，图片每次随机旋转0～10度或者水平翻转或者垂直翻转；

S24，随机噪声干扰，在原来的图片的基础上，随机叠加一些高斯噪声；

S25，随机模糊干扰，在原来的图片的基础上，减少各像素值的差异实现图片模糊，实现像素的平滑化。

4.根据权利要求1所述的一种基于深度卷积神经网络的实时车牌检测方法，其特征在于，所述损失函数为：