[发明专利]基于改进超分辨的深度卷积特征识别的车牌检测方法

权利要求书

1.一种基于改进超分辨的深度卷积特征识别的车牌检测方法，其特征在于，具体过程为：

（1）数据集构建：收集交通监控、侧方位停车场中含有常规以及倾斜、畸变、低分辨率车牌的图像，构建车牌数据集，并将数据集划分为训练集、验证集和测试集；

（2）深度卷积特征提取：先对图像的尺寸和数值范围行初始化处理，然后将处理后的图像输入到主干网络中进行卷积特征提取，并在主干网络之后添加hourglass88和hourglass57网络对提取的卷积特征进一步提取；

（3）字符检测：将步骤（2）得到的特征图输入至字符检测分支得到特征映射，字符检测分支将特征映射分别输入到3个不同的子分支中，包括文本实例分割子分支、字符检测分支和字符识别分支，其中文本实例分割子分支和字符检测分支中均包含3个卷积层，3个卷积层对应的滤波器的大小分别为3x3，3x3和1x1，字符识别分支包含4个卷积核为3x3的卷积层；文本实例分割子分支输出一个2通道的特征映射来表示每一个像素中是否包含文本；字符检测分支输出一个5通道的特征映射，分别表示当前位置到上下左右4条边的距离和主干部分的方向；字符识别分支输出一个68通道的特征映射，每一个通道分别表示不同字符所对应的特征映射，具体包括26个英语字符、10个数字、32个特定的符号和34个省市自治区的车牌简称；这3个分支最终输出同等大小的一个特征映射；最后过滤掉概率值低于0.95的矩形框；

（4）文本检测识别：将步骤（2）得到的特征图输入文本检测识别分支获取图片中字符所在的大致位置，并用一个不规则的形状来将不同的字符所在的位置标记出来，文本检测识别分支根据文本实例的类型定义不同的形式，并且通过最小的修改来适应现有的动态文本检测器； 其中文本检测识别分支根据文本实例的类型定义的不同形式包括多方向文本、曲线文本和超分辨率文本，对不同形式的文件识别过程为：

对于多方向文本，使用改变的EAST算法作为文本检测识别分支，此时文本检测识别分支包含文本实例检测分支和使用IoU_loss作为实例级的主干部分回归两个子分支，预测的边界框由水平方向、垂直方向、宽度、高度和长度五个参数组成，在每个空间位置计算密集预测，得到的特征映射由两个3×3卷积层和一个1×1卷积层构成，文本检测识别分支最终输出指示文本或非文本概率的2通道特征映射以及5通道检测；

对于曲线文本检测，使用添加方向场的Textfield方法，先对远离文本边界的方向进行编码，方向场分支用于分隔相邻的文本实例，并且由一个新的分支与文本检测分支和字符分支并行预测，新的分支是由两个3×3卷积层和一个1x1卷积层构成；

对于超分辨文本，使用SRGAN算法对远距离车牌信息进行高分辨放大；

（5）训练网络结构，得到训练好的模型参数；

（6）测试网络并测试：在测试过程中，保持图像长短边比例不变的情况下将图像长边缩放到512，然后对图像的短边进行填充，使得图像尺寸为512×512，作为网络的输入，即可输出车牌的分类置信度和车牌的坐标位置，然后设置阈值过滤掉低置信度的车牌，最后使用非极大抑制对车牌进行矫正。

2.根据权利要求1所述基于改进超分辨的深度卷积特征识别的车牌检测方法，其特征在于，步骤（2）所述主干网络采用ResNet50作为特征提取网络。

3.根据权利要求2所述基于改进超分辨的深度卷积特征识别的车牌检测方法，其特征在于，步骤（5）训练网络结构的具体过程为：使用数据集中训练集的图像，调整图像尺寸为512×512×3，按照每次训练所需的张数依次输入到网络中进行4倍下采样，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，采用Focal损失算预测类别和真实类别得到误差，采用Smooth L1损失来计算预测车牌位置与真实车牌位置的误差，通过反向传播更新参数，学习率设定为0.0002，经过50次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，即得到训练好的车牌检测网络参数。