[发明专利]一种基于深度学习的车牌去除模糊检测方法

说明书

一种基于深度学习的车牌去模糊检测方法，该方法受到YOLOv5网络的启发设计了一个全新的网络：YD‑NET去模糊检测网络。采用高速相机拍摄多段公路上车辆行驶时的视频，使用平均连续的短曝光帧来接近长曝光帧，从而得到大量包含清晰车牌和模糊车牌的图片对，经过数据处理后得到数据集；利用迁移学习加载YOLOv5的部分预训练权重后训练YD‑NET去模糊检测网络，不断调整超参数，直至得到最优网络；测试训练好的YD‑NET模型，利用实验指标评价模型性能。本发明不仅可以在自然场景下快速检测出图像中车牌的位置，还能有效的去除由于车辆高速行驶所产生的模糊，经过理论分析与实验证明，该方法具有良好的性能且不依赖于价格高昂的高端显卡设备也可以满足实时处理的要求，具有推广价值。

技术领域

本发明属于计算机视觉领域，具体涉及一种基于深度学习的车牌去除模糊检测方法。

背景技术

自动车牌识别automatic license plate recognition(ALPR)是一项重要任务，在智能交通和监视领域中具有多种相关的应用，例如自动交通执法，检测被盗车辆，违章收费，交通流量控制等。ALPR问题可分为以下三个子任务：车牌检测license platedetection(LPD)，车牌分割license Plate segmentation(LPS)和字符识别characterrecognition(CR)。

目前大多数车牌检测系统只适用于固定场景，比如收费站的车牌检测、停车场管理等。但是在自然场景下，会出现复杂多变的情况，捕获的车牌图像中会包含大量噪声，传统的车牌检测系统很难在复杂的自然场景中取得精确实时的性能。

近年来，深度学习的迅速发展给车牌检测提供了新方法，即使在复杂多变的场景中也具有较好的性能。但是，当车辆高速行驶时，可能会导致拍到的车牌图像模糊不清，这无疑会给车牌识别系统带来巨大的困难。

目前，YOLOv5网络是目前检测速度和检测精度都十分优越的目标检测网络，其输入端应用了Mosaic数据增强技术，以及自适应锚点计算来代替YOLOv4的先验聚类，主干网应用了CSP及Focus结构，Neck采用了CSP结构和特征金字塔Feature PyramidNetwork(FPN)以及路径聚合网络path aggregationnetwork(PANet)结构。

发明内容

本发明的目的是克服现有技术的上述缺陷，提供一种基于深度学习的车牌去除模糊检测方法，该方法在YOLOv5网络的启发下设计了一个全新的网络，我们将其命名为YD-NET去模糊检测网络。本方法在YOLOv5m网络的基础上引入了去模糊分支，该分支采用对抗生成技术，且在多任务损失函数融合上使用了gradient normalization(GradNorm)融合技术来得到更稳定的模型训练结果。本方法最大的优点在于，保留了YOLOv5m的高效性，使网络能在快速检测车牌目标的同时去除由于车辆高速行驶所产生的图像模糊，且不会将原本清晰的图片模糊化，该方法具有良好的性能且不依赖于价格高昂的显卡设备，可以满足实时处理的要求，有推广意义。

本发明采用的技术方案为：

采用高速相机拍摄多段公路上车辆行驶时的视频，使用平均连续的短曝光帧来接近长曝光帧，从而得到大量包含清晰车牌和模糊车牌的图片对，经过数据处理后得到数据集；

利用迁移学习加载YOLOv5m网络的部分预训练权重，适当的调整YD-NET去模糊检测网络的超参数后训练网络，通过反向传播不断优化YD-NET的损失函数，直至得到最优网络；

测试训练好的模型，利用实验指标评价模型性能。