基于深度学习的车牌识别侦测网络模型

jt_rfid5 2023-02-19 766

人工智能

636人已加入

车牌识别

概述

基于深度学习的车牌识别，其中，车辆检测网络直接使用YOLO侦测。而后，才是使用网络侦测车牌与识别车牌号。

车牌的侦测网络，采用的是resnet18，网络输出检测边框的仿射变换矩阵，可检测任意形状的四边形。

车牌号序列模型，采用Resnet18+transformer模型，直接输出车牌号序列。

数据集上，车牌检测使用CCPD 2019数据集，在训练检测模型的时候，会使用程序生成虚假的车牌，覆盖于数据集图片上，来加强检测的能力。

车牌号的序列识别，直接使用程序生成的车牌图片训练，并佐以适当的图像增强手段。模型的训练直接采用端到端的训练方式，输入图片，直接输出车牌号序列，损失采用CTCLoss。

一、网络模型

1、车牌的侦测网络模型：

网络代码定义如下：

深度学习

该网络，相当于直接对图片划分cell，即在16X16的格子中，侦测车牌，输出的为该车牌边框的反射变换矩阵。

2、车牌号的序列识别网络：

车牌号序列识别的主干网络：采用的是ResNet18+transformer，其中有ResNet18完成对图片的编码工作，再由transformer解码为对应的字符。

网络代码定义如下：

深度学习

其中的Block类的代码如下：

深度学习

位置编码的代码如下：

深度学习

Block类使用的自注意力代码如下：

深度学习

二、数据加载

1、车牌号的数据加载

同过程序生成一组车牌号:

深度学习

再通过数据增强，

主要包括：

深度学习

三、训练

分别训练即可

其中，侦测网络的损失计算，如下：

深度学习

侦测网络输出的反射变换矩阵，但对车牌位置的标签给的是四个角点的位置，所以需要响应转换后，做损失。其中，该cell是否有目标，使用CrossEntropyLoss，而对车牌位置损失，采用的则是L1Loss。

四、推理

1、侦测网络的推理

按照一般侦测网络，推理即可。只是，多了一步将反射变换矩阵转换为边框位置的计算。

另外，在YOLO侦测到得测量图片传入该级进行车牌检测的时候，会做一步操作。代码见下，将车辆检测框的图片扣出，然后resize到长宽均为16的整数倍。

深度学习

2、序列检测网络的推理

对网络输出的序列，进行去重操作即可，如间隔标识符为“*”时：

深度学习

编辑：黄飞

打开APP阅读更多精彩内容