[发明专利]一种车牌过曝及有无牌车识别的方法、设备及计算机存储介质

权利要求书

1.一种车牌过曝及有无牌车识别的方法，其特征在于，包括步骤：

S1：数据集建立，所述数据集包括训练集和测试集，输入样本图像；

S2：图像预处理；

S3：网络模型训练，包括数据输入层、隐藏层、第一全连接层、第二全连接层、第一输出层、第二输出层和图像标签处理；其中，多任务卷积神经网络模型包括1个数据输入层input，7个卷积层，分别为conv1~conv7，3个批量归一化层norm1~norm3，4个池化层pool1~pool4和5个全连接层fc8、fc9_1、fc9_2、fc10_1、fc10_2；

S3.1所述的数据输入层input，用于输入预处理后的图像，控制图像输入尺寸和批量大小；

S3.2：所述的隐藏层是多任务卷积神经网络的权值共享层，用于提供图像权值特征的共享；

S3.3：所述的第一全连接层和第一输出层执行过曝分类任务部分，其中第一输出层输出的是Softmax计算的概率分布，分类0表示不过曝，分类置信度prob1_0；分类1为过曝，分类置信度prob1_1；

S3.4：所述的第二全连接层和第二输出层执行有无牌车分类任务部分，其中第二输出层输出的是Softmax计算的概率分布，分类0表示无牌车，分类置信度prob2_0；分类1为有牌车，分类置信度prob2_1；

S3.5：所述的图像标签处理，对数据集建立图像的多属性标签，对所述的多属性标签进行切片并转换成独热码形式；

S3.6：在网络模型训练阶段，先对传入的数据进行前向计算，然后采用反向梯度传播对隐藏层和第一、第二全连接层的权值进行更新；

S4：网络模型完成训练后，进行离线识别，对样本图像再次进行前向计算，由两个分类任务识别出最终类别与分类置信度；

所述的隐藏层由7个卷积层，分别为conv1~conv7，3个批量归一化层norm1~norm3，4个池化层pool1~pool4和1个全连接层fc8和8个激活函数层relu1~relu8构成。

2.根据权利要求1所述的一种车牌过曝及有无牌车识别的方法，其特征在于，在步骤S2中，所述图像预处理，包括步骤：

S2.1：对上述样本图像进行了随机裁剪、0~5°的旋转和/或增加随机噪声操作；

S2.2：根据网络模型输入需求把样本图像压缩为128*128或64*64分辨率。

3.根据权利要求1所述的一种车牌过曝及有无牌车识别的方法，其特征在于，所述的第一全连接层由1个全连接层fc9_1，1个激活函数层relu9_1构成，第一输出层为一个二分类全连接层fc10_1。

4.根据权利要求1所述的一种车牌过曝及有无牌车识别的方法，其特征在于，所述的第二全连接层由1个全连接层fc9_2，1个激活函数层relu9_2构成，第二输出层为一个二分类全连接层fc10_2。

5.根据权利要求1所述的一种车牌过曝及有无牌车识别的方法，其特征在于，所述多属性标签，包括“过曝-有牌车”、“过曝-无牌车”、“不过曝-有牌车”、“不过曝-无牌车”四种。

6.根据权利要求1所述的一种车牌过曝及有无牌车识别的方法，其特征在于，在步骤S1中，还包括：

S1.1：预先经车辆关键点回归模型处理，并输出结果，包括：一张分辨率为64*128的车脸区域图像和一张分辨率为64*128的车牌区域图像；

S1.2：将车脸区域图像和车牌区域图像垂直拼接成所述的样本图像，所述的样本图像的分辨率为128*128。

7.根据权利要求1所述的一种车牌过曝及有无牌车识别的方法，其特征在于，在步骤S4中，还包括：

S4.1：根据步骤S3.5、S3.6多分类任务结果，可组合得到网络模型的四种分类结果，其中最终分类置信度由两个分类任务的联合概率表示：f = prob_1*prob_2；

S4.2：将网络模型识别结果分为两类“有牌车”和“无牌车”，分类为无牌车有两种情况：“不过曝无牌车”的联合概率f大于阈值T或“过曝无牌车”的联合概率f大于阈值T；其余情况都分类为有牌车。