[发明专利]优化车牌检测模型的方法及系统、车牌检测方法及系统

说明书

本发明公开一种优化车牌检测模型的方法及系统、车牌检测方法及系统，其中优化车牌检测模型的方法包括以下步骤：获取待优化车牌检测网络，并获取用于训练所述待优化车牌检测网络的样本图像及其第一标注信息；在所述待优化车牌检测网络中添加车牌头尾字符标识分支网络，生成待训练网络；在所述第一标注信息中添加与样本图像相对应的车牌头部字符框和车牌尾部字符框，生成第二标注信息；利用样本图像及其第二标注信息对所述待训练网络进行迭代训练，获得优化网络，将所述优化网络中车牌头尾字符标识分支网络进行移除，获得优化后的车牌检测模型。本发明能够对车牌检测模型进行优化，降低其误检率。

技术领域

本发明涉及图像识别领域，尤其涉及一种优化车牌检测模型的方法及系统、车牌检测方法及系统。

背景技术

如公开号为CN108090423A的专利申请文件《一种基于热力图和关键点回归的深度车牌检测方法》所示，现今通常采用基于深度学习构建车牌检测模型进行车牌检测。

降低深度学习模型误检率的常用方法有：

1、增加用于训练模型的正样本的个数，提高网络的泛化能力；但由于人力物力有限，一味增加样本的可行性低。

注，正样本为属于车牌的样本点，负样本为不属于车牌的样本点。

2、增加卷积特征图个数，使得网络特征更加具有可区分度；但深度学习模型增加卷积特征图个数会增加网络的前向推理时间，由于目前嵌入式算力有限，不利于实时性部署，不适用于车牌检测的使用场景。

综上，需要对现有技术做进一步改进。

发明内容

本发明针对现有技术中的缺点，提供了一种优化车牌检测模型的方法及系统，还提出一种车牌检测方法及系统。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种优化车牌检测模型的方法，包括以下步骤：

获取待优化车牌检测网络，并获取用于训练所述待优化车牌检测网络的样本图像及其第一标注信息；

在所述待优化车牌检测网络中添加车牌头尾字符标识分支网络，生成待训练网络；

在所述第一标注信息中添加与样本图像相对应的车牌头部字符框和车牌尾部字符框，生成第二标注信息；

利用样本图像及其第二标注信息对所述待训练网络进行迭代训练，获得优化网络，将所述优化网络中车牌头尾字符标识分支网络进行移除，获得优化后的车牌检测模型。

作为一种可实施方式，利用样本图像及其第二标注信息对所述待训练网络进行迭代训练，获得优化网络的具体步骤为：

获取所述待训练网络输出的预测数据；

根据所述第二标注信息和所述预测数据计算预测损失数据；

基于所述预测损失数据对所述待训练网络进行反馈更新，直至完成对所述待训练网络的训练，获得优化网络。

作为一种可实施方式：

所述预测数据包括和样本图像相对应的热点图和字符标识预测数据，所述预测损失数据包括字符标识预测损失值；

计算所述字符标识预测损失值的步骤为：

提取所述热点图和所述字符标识预测数据；

根据对应样本图像的车牌头部字符框、车牌尾部字符框、热点图和字符标识预测数据计算所述车牌头尾字符标识分支网络的损失值，获得字符标识预测损失值。

作为一种可实施方式,根据对应样本图像的车牌头部字符框、车牌尾部字符框、热点图和字符标识预测数据计算所述车牌头尾字符标识分支网络的损失值，获得字符标识预测损失值的具体步骤为：