一种车牌类型识别模型构建及车牌类型识别方法技术

本发明专利技术公开了一种车牌类型识别模型构建及车牌类型识别方法，包括：获取多个不同种类的车牌图像作为训练样本；对训练样本进行均匀采样，将采样后得到的车牌图像输入到第一神经网络模型进行训练得到第一车牌类型识别模型；确定所述训练样本中每一种车牌图像的数量；对数量满足第一预设数量条件的车牌图像进行过采样处理；对数量满足第二预设数量条件的车牌图像进行欠采样处理；利用过采样处理后得到的车牌图像和欠采样处理后得到的车牌图像构成的训练样本训练第二神经网络模型得到第二车牌类型识别模型；将第一车牌类型识别模型和第二车牌类型识别模型进行融合，得到用于进行车牌类型识别的骨干网络。

【技术实现步骤摘要】
一种车牌类型识别模型构建及车牌类型识别方法
本专利技术涉及车辆识别
，具体涉及一种车牌类型识别模型构建及车牌类型识别方法。
技术介绍
在智能交通应用场景中，一般通过对采集到的车辆图像中车牌号码的识别来确定场景中车辆的身份，但当采集到的车辆图像的分辨率较低或车牌号码局部被遮挡，可能导致车牌号码识别错误，甚至无法识别出车牌号码，当遇到突发交通情况时，影响对场景中车辆身份的确认。由于机动车车牌分为多个类型，如可以包括普通蓝牌、单层黄牌、教练车牌、警用车牌、新能源白绿牌、新能源黄绿牌、挂车牌、双层黄牌、临行车牌等类型，通过识别车牌类型属性可以进一步缩小车辆查询范围。在进行训练样本采样以用于训练机器学习模型的过程中，由于目前道路上行驶的车辆中普通蓝牌和新能源车牌占据较大比例，而警用车、挂车牌、双层黄牌、临行车牌等类型的车牌较少，因此造成采集到的训练样本存在不均衡的问题，继而导致训练得到的机器学习模型对车牌类型的识别结果的准确性。
技术实现思路
因此，本专利技术要解决的技术问题在于克服现有对车牌类型的识别结果准确性差的缺陷，从而提供一种车牌类型识别模型构建及车牌类型识别方法。根据第一方面，本专利技术实施例公开了一种车牌类型识别模型构建方法，包括：获取多个不同种类的车牌图像作为训练样本；对所述训练样本进行均匀采样，将采样后得到的车牌图像输入到第一神经网络模型进行训练，得到第一车牌类型识别模型；确定所述训练样本中每一种车牌图像的数量；对数量满足第一预设数量条件的车牌图像进行过采样处理；对数量满足第二预设数量条件的车牌图像进行欠采样处理，其中所述第二预设数量条件对应的数量值大于所述第一预设数量条件对应的数量值；利用过采样处理后得到的车牌图像和欠采样处理后得到的车牌图像构成的训练样本训练第二神经网络模型，得到第二车牌类型识别模型；将所述第一车牌类型识别模型和所述第二车牌类型识别模型进行融合，得到用于进行车牌类型识别的骨干网络。可选地，所述获取多个不同种类的车牌图像作为训练样本，包括：获取每一种车辆在多个场景下、多个时间段内不同角度的车辆图像，每一个车辆图像包含的车牌图像满足预设清晰度和完整度要求；利用预设关键点定位方法定位得到每一个车辆图像中的车牌图像；根据定位得到的车牌图像的关键点计算车牌的水平倾斜角度与垂直倾斜角度；对定位得到的每一个车辆图像中的车牌图像进行抠图处理，将得到的车牌图像按照所述水平倾斜角度与垂直倾斜角度进行旋转处理；对旋转处理后得到的车牌图像进行标签化处理得到所述训练样本。可选地，将所述第一车牌类型识别模型和所述第二车牌类型识别模型进行融合，得到用于进行车牌类型识别的骨干网络，包括：获取所述第一车牌类型识别模型中每一个目标层的第一权重以及所述第二车牌类型识别模型中与所述目标层相对应的层的第二权重；利用预设调节参数对所述第一权重和所述第二权重进行预处理，得到共享权重；利用所述共享权重替换所述第一车牌类型识别模型中所述目标层的第一权重，利用所述共享权重替换所述第二车牌类型识别模型中与所述目标层相对应的层的第二权重；将权重替换处理后的第一车牌识别模型和权重替换处理后的第二车牌类型识别模型进行融合处理，得到用于进行车牌类型识别的骨干网络。可选地，所述利用预设调节参数对所述第一权重和所述第二权重进行预处理，得到共享权重，包括：按照下式进行预处理：ω＝λω1+(1-λ)ω2式中：ω为共享权重；ω1为第一权重；ω2为第二权重；λ为调节参数。可选地，利用训练样本训练得到第一车牌类型识别模型或利用训练样本训练得到第二车牌类型识别模型，包括：对训练样本中的车牌图像进行图像归一化处理；利用归一化处理后得到的车牌图像输入到模型进行训练，直至损失值满足预设条件。根据第二方面，本专利技术实施例公开了一种车牌类型识别方法，包括：获取待识别车牌图像；将所述待识别车牌图像输入到根据第一方面或第一方面任一可选实施方式所述的车牌类型识别模型构建方法构建得到的用于进行车牌类型识别的骨干网络；根据所述骨干网络的输出结果得到所述待识别车牌图像的车牌类型。根据第三方面，本专利技术实施例还公开了一种车牌类型识别模型构建装置，包括：样本获取模块，用于获取多个不同种类的车牌图像作为训练样本；第一训练模块，用于对所述训练样本进行均匀采样，将采样后得到的车牌图像输入到第一神经网络模型进行训练，得到第一车牌类型识别模型；确定模块，用于确定所述训练样本中每一种车牌图像的数量；第一图像处理模块，用于对数量满足第一预设数量条件的车牌图像进行过采样处理；第二图像处理模块，用于对数量满足第二预设数量条件的车牌图像进行欠采样处理，其中所述第二预设数量条件对应的数量值大于所述第一预设数量条件对应的数量值；第二训练模块，用于利用过采样处理后得到的车牌图像和欠采样处理后得到的车牌图像构成的训练样本训练第二神经网络模型，得到第二车牌类型识别模型；融合模块，用于将所述第一车牌类型识别模型和所述第二车牌类型识别模型进行融合，得到用于进行车牌类型识别的骨干网络。根据第四方面，本专利技术实施例还公开了一种车牌类型识别装置，包括：图像获取模块，用于获取待识别车牌图像；输入模块，用于将所述待识别车牌图像输入到根据第一方面或第一方面任一可选实施方式所述的车牌类型识别模型构建方法构建得到的用于进行车牌类型识别的骨干网络；识别模块，用于根据所述骨干网络的输出结果得到所述待识别车牌图像的车牌类型。根据第五方面，本专利技术实施例还公开了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如第一方面或第一方面任一可选实施方式所述的车牌类型识别模型构建方法的步骤，或者第二方面所述的车牌类型识别方法的步骤。根据第六方面，本专利技术实施方式还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面任一可选实施方式所述的车牌类型识别模型构建方法的步骤，或者第二方面所述的车牌类型识别方法的步骤。本专利技术技术方案，具有如下优点：本专利技术提供的车牌类型识别模型构建方法/装置，通过获取多个不同种类的车牌图像作为训练样本，对训练样本进行均匀采样，将采样后得到的车牌图像输入到第一神经网络模型进行训练，得到第一车牌类型识别模型，确定训练样本中每一种车牌图像的数量，对数量满足第一预设数量条件的车牌图像进行过采样处理，对数量满足第二预设数量条件的车牌图像进行欠采样处理，其中第二预设数量条件对应的数量值大于第一预设数量条件对应的数量值，利用过采样处理后得到的车牌图像和欠采样处理后得到的车牌图像构成的训练样本训练第二神经网络模型，得到第二车牌类型识别模型，将第一车牌类型识别模型和第二车牌类型识别模型进行融合，得到用于进行车牌类型识别的骨干网络；通过对数量较少的车牌类型的车牌图像进行过采样处理以得到较多的样本数据，对数量较多的车牌类型的车牌图像进行欠采样处理以降低训练样本中的该类本文档来自技高网...

【技术保护点】
1.一种车牌类型识别模型构建方法，其特征在于，包括：/n获取多个不同种类的车牌图像作为训练样本；/n对所述训练样本进行均匀采样，将采样后得到的车牌图像输入到第一神经网络模型进行训练，得到第一车牌类型识别模型；/n确定所述训练样本中每一种车牌图像的数量；/n对数量满足第一预设数量条件的车牌图像进行过采样处理；/n对数量满足第二预设数量条件的车牌图像进行欠采样处理，其中所述第二预设数量条件对应的数量值大于所述第一预设数量条件对应的数量值；/n利用过采样处理后得到的车牌图像和欠采样处理后得到的车牌图像构成的训练样本训练第二神经网络模型，得到第二车牌类型识别模型；/n将所述第一车牌类型识别模型和所述第二车牌类型识别模型进行融合，得到用于进行车牌类型识别的骨干网络。/n

【技术特征摘要】
1.一种车牌类型识别模型构建方法，其特征在于，包括：
获取多个不同种类的车牌图像作为训练样本；
对所述训练样本进行均匀采样，将采样后得到的车牌图像输入到第一神经网络模型进行训练，得到第一车牌类型识别模型；
确定所述训练样本中每一种车牌图像的数量；
对数量满足第一预设数量条件的车牌图像进行过采样处理；
对数量满足第二预设数量条件的车牌图像进行欠采样处理，其中所述第二预设数量条件对应的数量值大于所述第一预设数量条件对应的数量值；
利用过采样处理后得到的车牌图像和欠采样处理后得到的车牌图像构成的训练样本训练第二神经网络模型，得到第二车牌类型识别模型；
将所述第一车牌类型识别模型和所述第二车牌类型识别模型进行融合，得到用于进行车牌类型识别的骨干网络。


2.根据权利要求1所述的方法，其特征在于，所述获取多个不同种类的车牌图像作为训练样本，包括：
获取每一种车牌对应的车辆在多个场景下、多个时间段内不同角度的车辆图像，每一个车辆图像包含的车牌图像满足预设清晰度和完整度要求；
利用预设关键点定位方法定位得到每一个车辆图像中的车牌图像；
根据定位得到的车牌图像的关键点计算车牌的水平倾斜角度与垂直倾斜角度；
对定位得到的每一个车辆图像中的车牌图像进行抠图处理，将得到的车牌图像按照所述水平倾斜角度与垂直倾斜角度进行旋转处理；
对旋转处理后得到的车牌图像进行标签化处理得到所述训练样本。


3.根据权利要求1所述的方法，其特征在于，将所述第一车牌类型识别模型和所述第二车牌类型识别模型进行融合，得到用于进行车牌类型识别的骨干网络，包括：
获取所述第一车牌类型识别模型中每一个目标层的第一权重以及所述第二车牌类型识别模型中与所述目标层相对应的层的第二权重；
利用预设调节参数对所述第一权重和所述第二权重进行预处理，得到共享权重；
利用所述共享权重替换所述第一车牌类型识别模型中所述目标层的第一权重，利用所述共享权重替换所述第二车牌类型识别模型中与所述目标层相对应的层的第二权重；
将权重替换处理后的第一车牌识别模型和权重替换处理后的第二车牌类型识别模型进行融合处理，得到用于进行车牌类型识别的骨干网络。


4.根据权利要求3所述的方法，其特征在于，所述利用预设调节参数对所述第一权重和所述第二权重进行预处理，得到共享权重，包括：按照下式进行预处理：
ω＝λω1+(1-λ)ω2
式中：ω为共享权重；ω1为第一权重；ω2为第二权重；λ为调节参数。


5.根据权利要求1所述的方法，其特征...

【专利技术属性】
技术研发人员：马洪民，宋征，吕晓鹏，张星，李高杨，
申请(专利权)人：北京易华录信息技术股份有限公司，
类型：发明
国别省市：北京;11