[发明专利]一种基于边缘引导稀疏注意力机制的车牌实时检测方法

权利要求书

1.一种基于边缘引导稀疏注意力机制的车牌实时检测方法，其特征在于：所述边缘引导稀疏注意力机制包括边缘引导组件和稀疏注意力组件，所述实时检测方法包括：

S1、使用卷积神经网络对输入图像进行处理，提取语义特征图X；

S2、所述边缘引导稀疏注意力机制捕捉车牌区域，其中，

所述边缘引导组件用于增强目标边缘信息并减少噪声干扰，具体操作如下：

S21、利用卷积神经网络提取图像的边缘信息，生成边缘引导图I；

S22、将所述语义特征图X和所述边缘引导图I通过卷积神经网络获取线性模型系数(a,b)；

S23、利用线性模型系数(a,b)和边缘引导图I构建线性模型g_i＝a_iI_i+b_i，通过线性模型得到特征图X1；

所述稀疏注意力组件用于减少自注意力机制计算复杂度，所述特征图X1为所述稀疏注意力组件中输入，所述稀疏注意力组件中的具体操作如下：

S24、为输入特征图X1的每个源像素找到K个最相似的目标像素；

S25、对于每个源像素，利用与它最相似的K个目标像素计算注意力图；

S26、使用注意力图聚合k个目标像素得到相应的输出特征；

S3、采用级联多任务学习辅助车牌的精准检测；

S4、使用损失掩码方法去抑制低质量的预测框。

2.根据权利要求1所述的一种基于边缘引导稀疏注意力机制的车牌实时检测方法，其特征在于：步骤S24中找到所述K个最相似的目标像素的具体步骤如下：

S241、通过卷积神经网络预测具有2K通道数的偏移图offset_(k,c′,i,j)，其中K表示K个与相应源像素最相似的目标像素，2表示x轴和y轴，通过特征图X1生成基本网格basic_(c,i,j)，它表示每个像素的原始坐标，基本网格有2个通道，分别表示x轴和y轴；

S242、把基本网格中每个目标像素的原始坐标和偏移图中相应的K个像素的偏移坐标进行求和以获得绝对坐标abs_offset_(k,c',i,j),公式如下：

abs_offset_(k,c′,i,j)＝offset_(k,c′,i,j)+basic_(c,i,j),

c＝0,1；c′＝2(k-1),2(k-1)+1；k＝1,2...,K

其中，c和c′都表示通道，k表示和位于第i行，第j列源像素点相对应的第k个目标像素；

S242、基于特征图X1和偏移图offset_(k,c′,i,j)，通过采样为每个源像素点找到相应的K个最相似的目标像素，并且得到特征图X2。

3.根据权利要求2所述的一种基于边缘引导稀疏注意力机制的车牌实时检测方法，其特征在于：所述计算注意力图的具体计算公式采用点乘或高斯函数或嵌入高斯函数。

4.根据权利要求3所述的一种基于边缘引导稀疏注意力机制的车牌实时检测方法，其特征在于：采用点乘的具体计算公式如下：

其中，a_(k,i,j)表示位于第i行，第j列源像素点与相对应的第k个目标像素的注意力权重，”*”表示对应位置相乘。

5.根据权利要求4所述的一种基于边缘引导稀疏注意力机制的车牌实时检测方法，其特征在于：得到所述输出特征的公式如下：

其中，o_(c,i,j)表示位于第i行，第j列并且有c个通道的源像素点的聚合输出特征，注意特征图X2的处于同一位置不同通道具有相同的权重。

6.根据权利要求1所述的一种基于边缘引导稀疏注意力机制的车牌实时检测方法，其特征在于：步骤S3中包括第一级任务学习和第二级任务学习，所述第一级任务学习的任务分支分别为车牌的分类置信度预测，边框的相对位置回归预测，关键点分类置信度预测以及关键点相对位置回归，其中，关键点相对位置回归为可选项；第二级任务学习将第一级多任务学习得到的预测特征图有选择地进行融合，对目标检测进一步微调，得到精准位置。