《電子技術應用》
您所在的位置:首頁 > 人工智能 > 業(yè)界動態(tài) > 教程:基于深度學習的車牌識別偵測網絡模型

教程:基于深度學習的車牌識別偵測網絡模型

2023-02-26
來源:新機器視覺
關鍵詞: 深度學習 圖像增強

  車牌識別

  概述

  基于深度學習的車牌識別,,其中,,車輛檢測網絡直接使用YOLO偵測,。而后,才是使用網絡偵測車牌與識別車牌號,。

  車牌的偵測網絡,,采用的是resnet18,網絡輸出檢測邊框的仿射變換矩陣,,可檢測任意形狀的四邊形,。

  車牌號序列模型,采用Resnet18+transformer模型,,直接輸出車牌號序列,。

  數據集上,車牌檢測使用CCPD 2019數據集,,在訓練檢測模型的時候,,會使用程序生成虛假的車牌,覆蓋于數據集圖片上,,來加強檢測的能力,。

  車牌號的序列識別,直接使用程序生成的車牌圖片訓練,,并佐以適當的圖像增強手段。模型的訓練直接采用端到端的訓練方式,,輸入圖片,,直接輸出車牌號序列,損失采用CTCLoss,。

  一,、網絡模型

  1、車牌的偵測網絡模型:

  網絡代碼定義如下:

142.JPG

  該網絡,相當于直接對圖片劃分cell,,即在16X16的格子中,,偵測車牌,輸出的為該車牌邊框的反射變換矩陣,。

  2,、車牌號的序列識別網絡:

  車牌號序列識別的主干網絡:采用的是ResNet18+transformer,其中有ResNet18完成對圖片的編碼工作,,再由transformer解碼為對應的字符,。

  網絡代碼定義如下:

141.JPG

  其中的Block類的代碼如下:

140.JPG

139.JPG

  位置編碼的代碼如下:

138.JPG

  Block類使用的自注意力代碼如下:

137.JPG

136.JPG

  二、數據加載

  1,、車牌號的數據加載

  同過程序生成一組車牌號:

135.JPG

  再通過數據增強,,

  主要包括:

134.JPG

133.JPG

132.JPG

  三、訓練

  分別訓練即可

  其中,,偵測網絡的損失計算,,如下:

131.JPG

130.JPG

  偵測網絡輸出的反射變換矩陣,但對車牌位置的標簽給的是四個角點的位置,,所以需要響應轉換后,,做損失。其中,,該cell是否有目標,,使用CrossEntropyLoss,而對車牌位置損失,,采用的則是L1Loss,。

  四、推理

  1,、偵測網絡的推理

  按照一般偵測網絡,,推理即可。只是,,多了一步將反射變換矩陣轉換為邊框位置的計算,。

  另外,在YOLO偵測到得測量圖片傳入該級進行車牌檢測的時候,,會做一步操作,。代碼見下,將車輛檢測框的圖片扣出,,然后resize到長寬均為16的整數倍,。

129.JPG

  2、序列檢測網絡的推理

  對網絡輸出的序列,,進行去重操作即可,,如間隔標識符為“*”時:

128.JPG



更多信息可以來這里獲取==>>電子技術應用-AET<< 

mmexport1621241704608.jpg

本站內容除特別聲明的原創(chuàng)文章之外,,轉載內容只為傳遞更多信息,并不代表本網站贊同其觀點,。轉載的所有的文章,、圖片、音/視頻文件等資料的版權歸版權所有權人所有,。本站采用的非本站原創(chuàng)文章及圖片等內容無法一一聯(lián)系確認版權者,。如涉及作品內容、版權和其它問題,,請及時通過電子郵件或電話通知我們,,以便迅速采取適當措施,避免給雙方造成不必要的經濟損失,。聯(lián)系電話:010-82306118,;郵箱:[email protected]