[发明专利]一种基于改进YOLOv4的车牌识别技术

权利要求书

1.本发明提出了一种基于改进YOLOV4的车牌定位技术，其特征在于包括以下步骤：

步骤S1、收集视频以及图像，然后将其制作为数据集；

步骤S2、对建立的数据集进行预处理，建立训练集和测试集；

步骤S3、基于YOLO V4算法构建改进后的YOLO V4模型，得到改进的YOLO V4模型。

步骤S4、使用S1所述训练集对改进的YOLO V4模型进行训练，再将训练得到的权重文件加载至改进的YOLO V4算法中得到目标检测网络。

步骤S5、使用测试集测试S4中训练好的模型，然后用于车牌定位的检测。

其中所述的YOLO V4网络结构包括特征提取骨干网络、SSP+PAN模块、特征提取模块和多分类器模块，所述特征提取骨干网络为CSPDarknet53网络结构，CSPDarknet53网络结构输出四个大小分别为152*152,76*76,38*38,19*19的特征图，大小为19*19的特征图输入所述SPP模块，经SPP模块最大池化后拼接得到池化特征图，将所述池化特征图以及CSPDarknet53网络结构输出的大小分别为152*152,76*76,38*38的特征图输入所述特征融合模块，特征融合模块最终输出76*76,38*38,19*19三个尺度的融合特征。用所述的特征提取模块对输入图像做3*3的卷积运算，用BN层做归一化操作，再次得到一组76*76，38*38,19*19的特征图。

然后将两组特征图对应元素相加，进行特征图的融合；在得到三种不同尺度的特征图后，再用一个3*3的卷积对其进行一次卷积操作，以减少融合造成的混叠效应。最后所述多分类器模块基于得到的三个尺度的融合特征进行分类检测，输出最终的目标检测结果。

2.根据权利要求1所述的一种基于改进的YOLO V4模型车牌定位方法，其特征在于所述的步骤S1包括以下步骤：

通过网络爬取收集小轿车、公交车等图像，并且获取相关视频，按照每5秒截取一次图片来获取素材。

将收集到的图片使用CutOut，旋转，对比度增强等数据增强的方式来扩大数据集，并进行标注。

3.根据权利要求1所述的一种基于改进的YOLO V4模型测车牌定位方法，其特征在于，所述S2中划分训练集和测试机是对于制作好的数据集进行数据预处理，剔除部分损坏以及不符合要求的样本数据。

划分建立训练集以及测试集。训练集用于训练改进YOLO V4目标检测网络，测试集用来测试改进YOLO V4模型的鲁棒性。

4.根据权利要求1所述的一种基于改进YOLO V4模型的车牌定位方法，其特征在于，所述的步骤S3包括以下步骤:待检测图像输入到目标检测模型中，使用K-means算法来统计锚框的参数，同时确定边界框的初始位置，在每个尺度上的每个单元的三个锚点框预测边界框。

5.根据权利要求1所述的一种基于改进的YOLO V4模型测车牌定位方法，其特征在于，所述CSPDarknet53网络结构包括依次连接的DarknetConv2D_BN_Mish模块、第一Resblock_body模块、第二Resblock_body模块、第三Resblock_body模块、第四Resblock_body模块和第五Resblock_body模块；所述第二Resblock_body模块输出大小为152*152的特征图，所述第三Resblock_body模块输出大小为76*76的特征图，所述第四Resblock_body模块输出大小为38*38的特征图，所述第五Resblock_body模块输入大小为19*19的特征图。

6.根据权利要求1所述的基于改进YOLO v4模型的车牌定位方法，其特征在于，所述SPP模块包括四个并行的最大池化层，四个最大池化层的池化核大小分别为13*13,9*9,5*5,1*1；所述SPP模块对输入的大小为19*19的特征图分别利用四个最大池化层进行处理，并将四个最大池化层处理后的输出进行拼接，得到池化特征图输出。