[发明专利]一种基于多尺度目标检测的车标定位方法

权利要求书

1.一种基于多尺度目标检测的车标定位方法，其特征在于，包括以下步骤：

步骤S1：获取车辆图像并进行预处理；

步骤S2：将经预处理后的车辆图像输入图像处理单元；

步骤S3：图像处理单元进行图像处理后，输出车标位置坐标和大小；

在步骤S2中，图像处理单元至少包括车标定位单元、位置区域裁剪单元和输出单元，其中，车标定位单元为预先训练好的深度神经网络模型，该模型的训练包括如下步骤：

步骤S21：构建训练数据，其中，至少包括以下步骤：

步骤S211：对获取的原始图像进行预处理得到完整图样本和截图样本；

步骤S212：对上述图像样本进行标注，得到车牌位置和车标位置的两类样本标签以此建立ground truth数据，也即，完整图样本对应车牌位置，截图样本对应车标位置；

步骤S213：将两类样本按一定比例进行混合后构建训练数据集；

步骤S22：建立深度神经网络模型并用训练数据进行模型训练，其中，深度神经网络模型包括主干网络、第一分支网络、第二分支网络和第三分支网络，其中，第一分支网络用于车牌概率预测；第二分支网络用于车牌位置大小回归预测；第三分支网络用于车标位置和大小回归预测；

步骤S23：将训练集数据对逐一输入深度神经网络模型进行训练，其中，使用交叉训练方式，即混合两种尺度图像作为输入，若输入完整图样本，则使用第一分支网络和第二分支网络的输出作为预测结果，使用车牌位置作为真值计算损失；若输入截图样本，则使用第三分支网络输出作为预测结果，利用车标位置和大小计算损失；

步骤S24：把训练样本和目标真实值不断地输入到网络，使用误差反向传播进行每一层网络参数的调整，不断的迭代训练，最终实现收敛，得到训练好的深度神经网络模型，该模型能够在同一个网络中同时预测车牌和车标。

2.根据权利要求1所述的基于多尺度目标检测的车标定位方法，其特征在于，在步骤S24中，通过融合不同类型样本的损失来构建损失函数，以此驱动网络更新，最终训练目标是让总损失趋于最小，直到损失稳定，网络训练结束。

3.根据权利要求1所述的基于多尺度目标检测的车标定位方法，其特征在于，步骤S3中，同时输出车牌位置坐标和大小。

4.根据权利要求1所述的基于多尺度目标检测的车标定位方法，其特征在于，位置区域裁剪单元用于当输入为完整图时根据车标定位单元获取的车牌位置信息对输入图像进行裁剪得到包含车牌和车位的位置区域截图并输出给车标定位单元。

5.根据权利要求1所述的基于多尺度目标检测的车标定位方法，其特征在于，步骤S1中，通过城市道路和高速公路上安装的大量摄像头获取车辆图像。

6.根据权利要求1所述的基于多尺度目标检测的车标定位方法，其特征在于，步骤S213中，设定两类样本的混合比例为1：1。

7.根据权利要求1所述的基于多尺度目标检测的车标定位方法，其特征在于，主干网络采用GoogleNet、AlexNet、VggNet或DenseNet中任一种。

8.根据权利要求1所述的基于多尺度目标检测的车标定位方法，其特征在于，在步骤S22中，采用深度学习框架Pytorch实现。

9.根据权利要求1所述的基于多尺度目标检测的车标定位方法，其特征在于，在步骤S1中，将输入原始图像进行预处理并压缩为深度神经网络输入的标准尺寸后输出。

10.根据权利要求4所述的基于多尺度目标检测的车标定位方法，其特征在于，位置区域裁剪单元所截取的截图尺寸为深度神经网络输入的标准尺寸。