[发明专利]一种基于深度学习SSD框架的车牌定位方法

权利要求书

1.一种基于深度学习SSD框架的车牌定位方法，其特征在于：包括以下步骤：

（1）依据VOC数据集格式制作车牌数据集；

（2）将车牌数据集转换为lmdb格式；

（3）以ResNet残差网络作为基础网络，添加额外辅助的网络结构作为SSD框架特征提取层和分类层，搭建SSD框架；

（4）利用搭建的SSD框架训练网络模型；

（5）利用训练出的模型进行车牌定位及模型评估；

步骤（3）中SSD框架有10个层，即由ResNet残差网络的网络层：conv1层、res3b3层和res5c层；六个卷积层：“res5c_relu/conv1_1”层、“res5c_relu/conv1_2”层、“res5c_relu/conv2_1”层、“res5c_relu/conv2_2”层、“res5c_relu/conv3_1”层、“res5c_relu/conv3_2”层和一个池化层：“pool6”层构成；

步骤（3）中SSD框架的特征提取层由五个卷积层：“res3b3”层、“res5c”层、“res5c_relu/conv1_2”层、“res5c_relu/conv2_2”层、“res5c_relu/conv3_2”层和一个池化层“pool6”层构成；

步骤（4）中训练网络模型过程如下：首先初始化网络中待训练的参数及超参数，向初始化后的网络中输入训练样本数据进行网络前向传播，得到实际的输出结果，通过损失函数结合反向传播BP算法调整网络参数，进行迭代训练，至损失函数的损失值小于设定的阈值或达到最大迭代次数时训练结束，得到用于定位车牌的网络模型；

步骤（5）利用训练的模型对待测样本进行车牌定位测试，设置置信度阈值，若检测结果置信度得分大于阈值则输出该结果；否则，丢弃。

2.根据权利要求1所述的一种基于深度学习SSD框架的车牌定位方法，其特征在于：所述训练样本数据包括待处理图像、目标位置及类别信息。