[发明专利]一种基于二维高斯边界框重叠度度量的车牌检测方法

权利要求书

1.一种基于二维高斯边界框重叠度度量的车牌检测方法，其特征在于，包括如下步骤：

（1）数据集构建：收集小区出入口、侧方位停车场中含有常规以及倾斜、畸变车牌的图像，构建含有车牌的图像数据集，并标注车牌的位置，再将数据集划分为训练集、验证集和测试集，其中训练集用于训练，验证集用于训练过程中的模型验证，测试集用于最终的精度测试；

（2）主干网络特征提取：先对数据集中的图片尺寸和数值范围进行初始化处理，再将处理后的图像输入到主干网络中进行卷积特征提取；

（3）多尺度特征层次结构：将特征提取后的图像通过基于特征融合的多尺度特征层次结构得到的多尺度特征层次特征图集合；

（4）车牌位置定位：根据步骤（3）得到的多尺度特征层次特征图集合，在不同的多尺度卷积层后连接两层卷积核为3*3的卷积层以及一层平均池化层，在特征图的每一个特征点设置一个锚框，分别使用两个结构相同的但不共享参数的全连接层子网络学习分类和位置偏移信息，实现目标框的类别分类和位置回归；其中位置偏移信息是车牌的目标框与特征点对应的锚框的偏差，类别分类是z判断是否是车牌，位置为车牌的朝向框，其中表示车牌的中心点，表示车牌朝向框的长和宽，表示与水平方向的夹角；

（5）朝向框转换：将基于五点表示法的朝向框转换成基于二维高斯分布表示的朝向框，获得预测的朝向框和真实的朝向框的二维高斯分布形式；

（6）朝向框相似度度量：使用KL散度作为两个分布之间的度量标准度量预测的朝向框和真实的朝向框之间的距离；

（7）训练网络结构，得到训练好的模型参数：使用数据集中训练集的图像，图片尺寸为6404803，将图像依次输入到网络中，并且使用IOU阈值作为样本分配策略的衡量标准，输出车牌的分类置信度和回归坐标位置，其中B为一次训练所选取的样本数，Class为2，即是否是车牌，N是输出预测车牌目标的数量，5为车牌的朝向框的中心点坐标、框的长宽和角度；采用Focal损失算预测类别和真实类别的误差，采用步骤朝向框相似度度量计算预测车牌位置与真实车牌位置的误差，并通过反向传播更新参数，经过200轮完整训练集训练迭代后，保存验证集上结果最好的模型参数，作为最终模型训练好的参数，得到训练好的车牌检测网络参数；

（8）输出车牌位置和类别：保持图片长短边比例不变的情况下将图像长边缩放（resize）到640后对图片的短边进行填充，使得图像尺寸为640×480，作为车牌检测网络的输入，即可输出车牌的分类置信度和车牌的坐标位置，设置阈值过滤低置信度的车牌，并使用非极大抑制删除网络输出的冗余的框，得到车牌位置。

2.根据权利要求1所述基于二维高斯边界框重叠度度量的车牌检测方法，其特征在于，步骤（1）中标注车牌的位置是对车牌四个角点的标注，通过四个角点的位置计算出车牌的朝向框的中心点、长宽以及与水平方向的夹角，用于监督车牌的定位。

3.根据权利要求2所述基于二维高斯边界框重叠度度量的车牌检测方法，其特征在于，步骤（2）中所述主干网络使用在ImageNet数据集中经过预训练的VGG16作为特征提取网络，分别提取C3、C4和C5输入到后续网络中。

4.根据权利要求3所述基于二维高斯边界框重叠度度量的车牌检测方法，其特征在于，步骤（3）中所述基于特征融合的多尺度特征层次结构通过自顶向下的路径对浅层特征进行语义扩充，并通过自底向上的路径将顶层特征映射与底层信息相结合，特征层次的每一层都能同时捕获丰富的语义表示和底层信息；其中自顶向下的路径使用上采样模块和卷积层对特征进行放大，并于对应尺寸的特征融合，自底向上的路径使用下采样模块和卷积层对特征进行缩放并与对应尺寸的特征融合，最终通过将不同层次的特征结合对多尺度目标形成一个强大的特征表示。

5.根据权利要求4所述基于二维高斯边界框重叠度度量的车牌检测方法，其特征在于，步骤（5）中所述基于二维高斯分布表示的朝向框为，其中用（）进行表示，公式如下：

用表示，公式如下：

；

预测的朝向框和真实的朝向框的二维高斯分布形式分别为。

6.根据权利要求5所述基于二维高斯边界框重叠度度量的车牌检测方法，其特征在于，步骤（6）中所述KL散度计算公式为：

。