[发明专利]基于多任务级联卷积神经网络的车牌检测方法

说明书

本发明涉及一种基于多任务级联卷积神经网络的车牌检测方法。针对传统的车牌检测方法可扩展性差，泛化能力差，车牌检测效果不佳造成的车牌识别率下降等问题提出了一种多任务级联卷积神经网络的车牌检测方法。为了获得复杂图像中车牌精确定位，该方法通过搭建一种新的多任务级联卷积神经网络模型再CCPD车辆数据上进行大规模训练，其中本发明的网络模型的卷积层采用和BN层相结合的方法来提高对车牌的特征提取能力，加快模型训练速度，使用Relu激活函数增加模型的非线性能力，采用多任务损失函数来提高网络对车牌的分类和回归框准确性，并且回归反馈出车牌的四个关键点信息。最后将训练好的模型应用于车牌检测中。该方法简单灵活，具有较强的实际应用性。

技术领域

本发明涉及涉及模式识别与计算机视觉领域，具体涉及一种基于多任务级联卷积神经网络的车牌检测方法。

背景技术

随着公共交通系统的快速发展，智能技术再许多应用中发挥着越来越重要的作用。其中，最为突出的要数视频监控、模式识别、图像处理和自动检测技术，这些技术也越来越受到人们的关注。在我们生活周围，汽车随处可见，已经大众普遍化，成为人们最重要的出行工具。众所周知，每辆汽车都配有唯一的“身份”证件，也就是所谓的车辆的车牌信息。在高效的进行车牌管理中，自动收集并自动识别大量车牌信息是极其关键的环节。因此建立车牌信息的识别和处理系统，已经成为现代社会迫不及待的需求。

传统的车牌检测方法主要有基于边缘的检测方法、基于颜色的检测方法、基于纹理的检测方法、基于字符的检测方法，其中基于边缘的检测方法对复杂场景下的类似边缘较为敏感，检测车牌率低；基于颜色的检测方法会受到光照强度方面的影响；基于纹理的检测方法由于时间复杂度较高，无法满足车牌检测的实时性；基于字符的方法由于复杂场景可能存在其他字符而检测有误。此外上述的方法很难满足大数据量的车牌检测需求，因此所取得的检测效果不令人满意，有待进一步提高。

发明内容

有鉴于此，本发明的目的在于提供一种基于多任务级联卷积神经网络的车牌检测方法，解决针对基于复杂场景下全球眼视频监控道路中车牌检测定位的问题。

为实现上述目的，本发明采用如下技术方案：

一种基于多任务级联卷积神经网络的车牌检测方法，包括以下步骤：

步骤S1：采集车辆图像和车牌图像数据，并预处理；

步骤S2：构建多任务级联卷积神经网络模型；

步骤S3：使用预处理的车辆图像数据对多任务级联卷积神经网络前两级网络进行预训练，使用预处理的车牌图像数据对多任务级联卷积神经网络后一级玩过进行预训练，得到训练好的完整的多任务卷积神经网络模型；

步骤S4：对待检测原始图像数据进行resize到不同尺度，构造待检测图像金字塔；

步骤S5：将待检测图像金字塔输入到训练好的多任务级联卷积神经网络模型进行车牌检测。

进一步的，所述车辆图像和车牌图像数据采集基于CCPD车辆数据库。

进一步的，所述步骤S2具体为：构建由三个网络构成多任务级联卷积神经网络模型，包括第一卷积神经网络P-net、第二卷积神经网络R-net、第三卷积神经网络O-net。

进一步的，所述的第一卷积神经网络P-net，包括：四个卷积层、一个次采样层、一个softmax回归层，其中构成顺序为：卷积层conv1-次采样层mp1-卷积层conv2-卷积层conv3-卷积层conv4-回归层softmax；其中卷积层采用结合 BN层的卷积层来优化网络收敛速度，激励函数使用的Relu激励函数来增加非线性，并对噪声信号和信息信号进行了有效的分离，损失函数采用多任务损失函数结合，由两部分组成，其中车牌分类损失函数采用交叉熵损失函数，车牌预测框回归损失函数采用平方损失函数；