[发明专利]一种自然场景下的船牌检测方法

权利要求书

1.一种自然场景下的船牌检测方法，其特征在于，所述方法包括以下步骤：

S1：数据获取：通过港口摄像头采集进出港口船舶的视频；

S2：数据处理：对采集到的视频进行处理，得到含有船牌的图片；

S3：数据标准：对含有船牌图片进行标注；

S4：模型训练：训练船牌检测模型；

S5：模型测试：用训练好的模型对船牌图片进行检测，获得船牌的位置，面积和得分，通过筛选后，得到完整船牌图片。

2.如权利要求1所述的一种自然场景下的船牌检测方法，其特征在于，所述步骤S1中，从摄像头采集进出港口船舶的视频，船舶视频来源不仅限于港口船舶。

3.如权利要求1所述的一种自然场景下的船牌检测方法，其特征在于，所述步骤S2中，包括以下步骤：

S2-1：使用数字图像方法处理视频，获取视频中含有船只的时刻，并隔0.5s保存图片，数字图像方法包括帧间差分法、光流法或背景减法；

S2-2：人工筛选出含有船牌的图片。

4.如权利要求3所述的一种自然场景下的船牌检测方法，其特征在于，所述步骤S2中，用帧间差分法处理视频，获取含有船只的图片。

5.如权利要求1所述的一种自然场景下的船牌检测方法，其特征在于，所述步骤S3中，训练船牌检测模型-R2CNN模型。

6.如权利要求5所述的一种自然场景下的船牌检测方法，其特征在于，所述步骤S3包括以下步骤：

S3-1:将图片输入resnet101中，提取图片特征，输出两个不同大小的featuremap；

S3-2:分别通过两个不同的scale和ratio的RPN模块生成多个anchor boxes，通过softmax判断属于船牌前景或者背景，再利用边框回归修正anchors，获得较精确的proposals；

S3-3:生成的proposals通过RoI Pooling层，Pooling size设为7*7和3*11，得到固定大小的proposal feature maps；

S3-4:对proposal feature maps进行分类，利用全连接层与softmax进行具体类别的分类；同时，利用L1 Loss完成两次边框回归操作获得物体的精确位置，计算损失函数，同时更新整个网络的参数，得到训练模型，训练损失包括有无船牌的二分类损失、水平框的回归损失和倾斜框的回归损失，计算式如下：

式中，t是类别真实标签，p是由softmax函数计算出的船牌与背景类别的概率，v＝(v_x，v_y，v_w，v_h)是truth轴对齐边界框回归目标的元组，包括中心点的坐标及其宽度和高度，是船牌标签的预测元组，u＝(u_x1，u_y1，u_x2，u_y2，u_h)是ground_truth倾斜边界框回归目标的元组，包括倾斜框的前两个点的坐标及其高度，以及是文本标签的预测元组，λ₁和λ₂表示控制权重的平衡参数，(x，y，w，h)分别代表候选框的中心点、宽和高，(x₁，y₁，x₂，y₂，h)代表的是候选框顺时针方向的两点坐标和高。

7.如权利要求6所述的一种自然场景下的船牌检测方法，其特征在于，所述步骤S3-1中，将C4层做下采样操作后和C5层相加得到P1层，将C4层做上采样操作和C3层相加得到P2层，输出两个不同大小的feature map。