[发明专利]一种基于深度学习的双层车牌识别方法

权利要求书

1.一种基于深度学习的双层车牌识别方法，其特征在于，包括以下步骤：

步骤1：对所述双层车牌进行识别，并将识别的双层车牌输入到构建的卷积神经网络；

步骤2：通过所述卷积神经网络的骨干网络对所述双层车牌进行特征提取并对部分层网络的输入数据做归一化处理，其中，特征提取骨干网络包括八个卷积层，四个池化层；

步骤3：将上述网络计算得到的特征图按照特征图高度均分为上下两层特征图，上层特征图通过均值池化操作得到宽度为第一预设宽度的特征图，下层得到宽度为第二预设宽度的特征图，然后把处理得到的两个特征图合并为宽度为第三预设宽度的特征图，以此将上下两层的特征处理为单层的特征；

步骤4：将处理得到的第三预设宽度的单层特征均分n份，将均分的每份特征重构得到二维的张量，经过一层全连接层将输出维度降为128，然后再经过一层全连接层得到输出的结果，最后将n份输出的结果合并即为最终的双层车牌识别结果。

2.如权利要求1所述的一种基于深度学习的双层车牌识别方法，其特征在于，卷积神经网络实现使用深度学习框架PyTorch完成。

3.如权利要求1所述的一种基于深度学习的双层车牌识别方法，其特征在于，

所述卷积神经网络的目标损失函数采用AM-softmax，公式如下所示：

cos(θ)是计算样本在类别上的区域，cos(θ)-m是要求类别间的区域至少有超参数m的间隔，s*(cos(θ)-m)引入超参数s，将cos值的区间扩大s倍。

4.如权利要求1所述的一种基于深度学习的双层车牌识别方法，其特征在于，所述步骤2进一步包括：所述特征提取骨干网络的第一层卷积到第六层卷积分别是由64、128、256、256、512、512个3x3的卷积核组成，且步长stride为1，填充padding为1，第七层卷积是由512个3x3的卷积核组成，且步长stride为1，第八层卷积是由512个2x2的卷积核组成，且步长stride为1，每层卷积都采用如下公式对输入数据做归一化处理：

训练过程中采用batch随机梯度下降的方式，其中，上面的E[x(k)]指的是每一批训练数据神经元x(k)的平均值；分母就是每一批数据神经元x(k)激活度的一个标准差。

5.如权利要求1所述的一种基于深度学习的双层车牌识别方法，其特征在于，所述步骤2进一步包括：每层卷积后使用的激活函数为ReLU函数：

a＝g(x)＝max(0，z)

其中，四个池化层均为最大池化层MaxPooling，其中第一个和第二个池化层的滑动窗口大小为2x2，步长stride为2，每个窗口中元素的步幅dilation为1，第三个和第四个池化层的滑动窗口大小也为2x2，向右滑动的步长stride为2，向下滑动的步长stride为1，每个窗口中元素的步幅dilation也为1；这四个最大池化层分别在第一、二、四、六卷积层的后面。

6.如权利要求1所述的一种基于深度学习的双层车牌识别方法，其特征在于，所述步骤3进一步包括：所述第三预设宽度为第一预设宽度与第二预设宽度之和。

7.如权利要求1所述的一种基于深度学习的双层车牌识别方法，其特征在于，所述步骤3进一步包括：第一预设宽度取值2，所述第二预设宽度为5。

8.如权利要求1所述的一种基于深度学习的双层车牌识别方法，其特征在于，所述双层车牌为双层结构，其中上层为一个汉字一个字母，下层五个字母与数字的组合。