一种基于YOLOv3网络的车牌检测方法技术

本发明专利技术提供了一种基于YOLOv3网络的车牌检测方法，包括数据预处理：搜集包含车牌的图片，分类整理；通过数据均衡的方法扩大较少的新能源车牌数量、使馆领馆车牌数量和民航车牌数量，使之与蓝色车牌数量相当，将上述图片标记为数据集；特征提取：将数据预处理中得到的数据集编码后输入到Darknet‑53网络，取最后两层残差层的输出作为特征矩阵；分类预测：将特征提取中得到的两个不同维度的特征矩阵，拼接后送入逻辑回归分类器，输出车牌的位置和种类。本发明专利技术所述的基于YOLOv3网络的车牌检测方法，采用锚盒机制，只用一次特征提取，预测出车牌目标的位置和类别两种信息，减少了计算量，提高了计算速度。

A license plate detection method based on yolov3 network

【技术实现步骤摘要】
一种基于YOLOv3网络的车牌检测方法
本专利技术属于大数据以及深度学习
，尤其是涉及一种基于YOLOv3网络的车牌检测方法。
技术介绍
随着我国民航的迅猛发展，机场规模越来越大。机场内部各种工具车辆繁多，对车辆自动管理系统提出了巨大的挑战，车牌检测是车辆自动管理系统的重要环节。目前国内已经有很多车牌检测系统投入商用。国内外车牌检测方法主要有两种：一种是基于先验特征的传统车牌检测方法；另一种是基于深度学习的车牌检测方法。传统车牌检测方法主要是利用车牌的轮廓、纹理和颜色等特征对车牌进行建模。这些传统方法的特点是计算量小，但是准确率低，鲁棒性差。随着2012年基于深度学习的AlexNet网络获得了当年的ILSVRC大赛冠军，卷积神经网络取得丰富的成果，极大地促进了基于深度学习的目标检测方法的发展。目前，基于深度学习的目标检测网络主要分为两步检测网络和单步检测网络。两步检测网络主要包括R-CNN系列，如R-CNN、SPP-NET、FastR-CNN、FasterR-CNN等，这些网络的特征是把目标检测任务分成两步：首先检测出疑似目标的预选框(RegionProposal)，然后提取这些候选框的特征，推断出这些候选框属于各个目标的概率，从而检测出目标的位置和种类。单步检测网络则通过一次特征提取，直接得出目标的类别概率和位置，这种方法比两步检测法更快。比较典型的单步检测法有YOLO、YOLO9000、YOLOv3、SSD。其中，YOLOv3网络直接用回归的方式输出预测目标物体的类别和边界框，其特点是检测速度较快，但是对小目标群检测效果较差。而车牌检测中车牌目标较大，没有小目标群的情况，因此本文采用YOLOv3作为车牌检测的基础网络。
技术实现思路
有鉴于此，本专利技术旨在提出一种基于YOLOv3网络的车牌检测方法，以提供一种能够适应于复杂环境，检测准确性高的基于YOLOv3网络的车牌检测方法。为达到上述目的，本专利技术的技术方案是这样实现的：一种基于YOLOv3网络的车牌检测方法，包括如下步骤：数据预处理：搜集包含车牌的图片，分类整理；通过数据均衡的方法扩大较少的新能源车牌数量、使馆领馆车牌数量和民航车牌数量，使之与蓝色车牌数量相当，将上述图片标记为数据集；特征提取：将数据预处理中得到的数据集编码后输入到Darknet-53网络，取最后两层残差层的输出作为特征矩阵；分类预测：将特征提取中得到的两个不同维度的特征矩阵，拼接后送入逻辑回归分类器，输出车牌的位置和种类。进一步的，所述所述数据均衡的方法为：通过扭曲、旋转、加入随机噪声的方法，扩充图片样本数量。进一步的，所述Darknet-53网络由一系列的1×1和3×3的卷积层组成，每个卷积层后都会跟一个BN层和一个LeakyReLU层。进一步的，所述所述特征提取中Darknet-53网络包括激活函数、卷积层、快捷链路层、路由层、上采样层和YOLO层，YOLO层包括了锚盒参数、目标类别和预选框个数。进一步的，所述所述YOLOv3用锚盒参数选取目标候选框的步骤为：YOLOv3将输入图像分成s×s的网格，每个网格根据锚盒参数及特征图多尺度缩放预测出n个候选框的位置及候选框内疑似目标对应的目标种类置信度，由锚盒参数获得目标候选框位置的方法如下式所示：上式中，cx,cy表示网格位置，锚盒中心为网格中心，bh,bw表示目标候选框相对锚盒的长宽偏移量，bx,by表示中心偏移量，σ为逻辑回归函数，进一步的，所述分类预测的具体方法为：特征提取中DarkNet-53网络最后两个残差层的输出，经过采样和张量拼接后，得到两个大小不同的特征图，在两个不同大小的尺度上预测不同大小的车牌目标，每个尺度中，需要预测出x、y、w、h、p这五个参数，其中x、y、w、h对应数据集标签中的车牌目标边界框的左上角横坐标、左上角纵坐标、宽度、高度，p表示车牌目标对应种类的类别及置信度，进一步的，在分类预测中使用逻辑回归分类器的方法为，YOLOv3主要通过三个损失函数实现由特征图到输出参数的逻辑回归：目标定位偏移量损失Lloc(l,g)，用来确定车牌目标的位置；目标置信度损失Lconf(o,c)，用来确定车牌目标属于不同车牌种类的概率；目标分类损失Lcla(O,C),用来表示车牌目标所属车牌的种类，其中λ1,λ2,λ3是平衡系数：L(O,o,C,c,l,g)＝λ1Lloc(l,g)+λ2Lconf(o,c)+λ3Lcla(O,C)目标置信度损失：目标置信度表示目标矩形框内存在目标的概率，目标置信度损失采用的是二值交叉熵损失，其中，oi∈{0,1}表示预测目标边界框i中是否真实存在目标，0表示不存在，1表示存在；表示预测目标矩形框i内是否存在目标的Sigmoid概率，将预测值ci通过sigmoid函数得到：目标类别损失：目标类别损失Lcla(O,C)同样采用的是二值交叉熵损失，其中，Oij∈{0,1}，表示预测目标边界框i中是否真实存在第j类目标，0表示不存在，1表示存在；表示网络预测目标边界框i内存在第j类目标的Sigmoid概率，由预测值Cij通过sigmoid函数得到：目标定位损失：目标定位损失Lloc(l,g)采用的是真实偏差值与预测偏差值差的平方和，其中表示预测矩形框坐标偏移量，这里网络预测的是偏移量，不是直接预测坐标，表示与之匹配的预选框与默认框之间的坐标偏移量，中上标m∈{x,y,w,h}，bx、by、bw、bh分别为预测的目标矩形框的左上角横坐标、左上角纵坐标、边界框的宽、边界框的高，cx、cy、pw、ph分别为默认预选框的左上角横坐标、左上角纵坐标、边界框的宽、边界框的高，gx、gy、gw、gh分别为与默认预选框匹配的真实目标矩形框的左上角横坐标、左上角纵坐标、边界框的宽、边界框的高，这些参数都是映射在预测特征图上的相对于现有技术，本专利技术所述的基于YOLOv3网络的车牌检测方法具有以下优势：(1)本专利技术所述的基于YOLOv3网络的车牌检测方法，采用锚盒机制，只用一次特征提取，预测出车牌目标的位置和类别两种信息，减少了计算量，提高了计算速度。(2)本专利技术所述的基于YOLOv3网络的车牌检测方法，适应于车牌目标的锚盒设置使目标候选框的提取更有针对性，针对车牌目标在整幅画面中占比较大的特点，合理设置多尺度特征预测数量，在不降低检测准确性的前提下，提高检测速度。附图说明构成本专利技术的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术实施例所述的数据均衡方法的状态图；图2为本专利技术实施例所述的YOLOv3锚盒机制的示意图；图3为本专利技术实施例所述的基于YOLOv3网络的车牌检测网络的结构图；图4为本专利技术实施例所述的特征提取网络的Darknet-53的结构图；图5为本专利技术实施例较YOLOv3减少的操作数；图6为本专利技术实施例的网络超参数本文档来自技高网...

【技术保护点】
1.一种基于YOLOv3网络的车牌检测方法，其特征在于：包括如下步骤：/n数据预处理：搜集包含车牌的图片，分类整理；通过数据均衡的方法扩大较少的新能源车牌数量、使馆领馆车牌数量和民航车牌数量，使之与蓝色车牌数量相当，将上述图片标记为数据集；/n特征提取：将数据预处理中得到的数据集编码后输入到Darknet-53网络，取最后两层残差层的输出作为特征矩阵；/n分类预测：将特征提取中得到的两个不同维度的特征矩阵，拼接后送入逻辑回归分类器，输出车牌的位置和种类。/n

【技术特征摘要】
1.一种基于YOLOv3网络的车牌检测方法，其特征在于：包括如下步骤：
数据预处理：搜集包含车牌的图片，分类整理；通过数据均衡的方法扩大较少的新能源车牌数量、使馆领馆车牌数量和民航车牌数量，使之与蓝色车牌数量相当，将上述图片标记为数据集；
特征提取：将数据预处理中得到的数据集编码后输入到Darknet-53网络，取最后两层残差层的输出作为特征矩阵；
分类预测：将特征提取中得到的两个不同维度的特征矩阵，拼接后送入逻辑回归分类器，输出车牌的位置和种类。


2.根据权利要求1所述的一种基于YOLOv3网络的车牌检测方法，其特征在于：所述数据均衡的方法为：通过扭曲、旋转、加入随机噪声的方法，扩充图片样本数量。


3.根据权利要求1所述的一种基于YOLOv3网络的车牌检测方法，其特征在于：Darknet-53网络由一系列的1×1和3×3的卷积层组成，每个卷积层后都会跟一个BN层和一个LeakyReLU层。


4.根据权利要求1所述的一种基于YOLOv3网络的车牌检测方法，其特征在于：所述特征提取中Darknet-53网络包括激活函数、卷积层、快捷链路层、路由层、上采样层和YOLO层，YOLO层包括了锚盒参数、目标类别和预选框个数。


5.根据权利要求4所述的一种基于YOLOv3网络的车牌检测方法，其特征在于：所述YOLOv3用锚盒参数选取目标候选框的步骤为：YOLOv3将输入图像分成s×s的网格，每个网格根据锚盒参数及特征图多尺度缩放预测出n个候选框的位置及候选框内疑似目标对应的目标种类置信度，由锚盒参数获得目标候选框位置的方法如下式所示：



上式中，cx,cy表示网格位置，锚盒中心为网格中心，bh,bw表示目标候选框相对锚盒的长宽偏移量，bx,by表示中心偏移量，σ为逻辑回归函数，


6.根据权利要求1所述的一种基于YOLOv3网络的车牌检测方法，其特征在于：分类预测的具体方法为：特征提取中DarkNet-53网络最后两个残差层的输出，经过采样和张量拼接后，得到两个大小不同的特征图，在两个不同大小的尺度上预测不同大小的车牌目标，每个尺度中，需要...

【专利技术属性】
技术研发人员：屈景怡，冯晓赛，杨俊，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：天津;12