[发明专利]一种基于边缘引导稀疏注意力机制的车牌实时检测方法

说明书

本发明公开了一种基于边缘引导稀疏注意力机制的车牌实时检测方法，属于目标检测的技术领域。该方法首先使用卷积神经网络对输入图像进行处理，提取语义特征；然后利用一种新的边缘引导稀疏注意力机制快速捕获显著性区域，即车牌区域，其中边缘引导稀疏注意力机制包括边缘引导组件和稀疏注意力组件；接着采用级联多任务学习辅助车牌精准检测；最后采用损失掩码方法去抑制低质量的预测框，提高系统性能。本发明可实现在各种自然场景下的车牌实时检测，并具有高准确率、高召回率以及高鲁棒性，对于现实应用具有重要意义。在最大和最多样化的公开数据集CCPD上实现了最先进的性能，尤其是在CCPD‑Base（100k）测试集上的检测精度达到99.9％。

技术领域

本发明属于目标检测的技术领域，具体涉及一种基于边缘引导稀疏注意力机制的车牌实时检测方法。

背景技术

近年来，由于自注意力机制在特征图上的所有位置进行加权求和的核心操作，不仅帮助深度学习模型捕获长距离依赖关系，还能让模型更加关注到显著特征，推动许多计算机视觉任务的发展，例如目标检测，语义分割，人体姿态估计等。从图像滤波的角度来看，其本质在于降噪以及在长距离上重组最重要的上下文语义信息。

尽管自注意力机制很受欢迎，但也有局限性。现有很多基于自注意力的方法，如Wang X等在《Non-local neural networks》(Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition.2018:7794-7803.)中提出的Non-local，Yuan,Yuhui等在《OCNet:Object Context Network for Scene Parsing》中提出的OCNet，Fu J等在《Dual Attention Network for Scene Segmentation》中提出的DANet等都被设计为在不考虑速度和存储成本的情况下实现出色的性能，其计算复杂度为O(N²C)或甚至更大，N＝H×W表示像素点数量。这些方法的瓶颈在于注意图的生成和使用都是通过计算所有位置来实现的。此外，通过Xie C等在《Feature denoising for improving adversarialrobustness》(Proceedings of the IEEE Conference on Computer Vision and PatternRecognition.2019:501-509.)所提及内容以及做实验我们发现自注意力机制虽然通过降噪提升了模型的鲁棒性，但是其可能存在降噪的同时使特征图上物体轮廓被模糊的缺陷，这限制了检测精度的进一步提升。