-
公开(公告)号：CN110020651B
公开(公告)日：2022-07-08
申请号：CN201910316301.8
申请日：2019-04-19
Applicant: 福州大学
Abstract: 本发明涉及一种基于深度学习网络的车牌检测定位方法。针对传统的车牌检测方法可扩展性差，复杂场景检测率低，泛化能力差，车牌检测效果不佳造成的车牌识别率下降等问题提出了一种基于深度学习网络的车牌检测定位方法。为了获得复杂图像中车牌精确定位，该方法首先收集并标记已标注的车辆样本数据集和车牌样本数据集；其次分别构建两个卷积神经网络，第一卷积神经网络用于训练车牌检测粗定位模型，第二卷积神经网络用于训练车牌检测角点回归模型；再次将待检测图片通过车牌检测粗定位模型获得候选存在车牌图片；最后将候选图片通过车牌检测角点回归模型进行检测，获取精确存在车牌的图片并且标记出车牌的角点信息。本发明简单灵活，具有较强的实际应用性。
-
公开(公告)号：CN110033002B
公开(公告)日：2022-07-08
申请号：CN201910316667.5
申请日：2019-04-19
Applicant: 福州大学
IPC: G06V30/146 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多任务级联卷积神经网络的车牌检测方法。针对传统的车牌检测方法可扩展性差，泛化能力差，车牌检测效果不佳造成的车牌识别率下降等问题提出了一种多任务级联卷积神经网络的车牌检测方法。为了获得复杂图像中车牌精确定位，该方法通过搭建一种新的多任务级联卷积神经网络模型再CCPD车辆数据上进行大规模训练，其中本发明的网络模型的卷积层采用和BN层相结合的方法来提高对车牌的特征提取能力，加快模型训练速度，使用Relu激活函数增加模型的非线性能力，采用多任务损失函数来提高网络对车牌的分类和回归框准确性，并且回归反馈出车牌的四个关键点信息。最后将训练好的模型应用于车牌检测中。该方法简单灵活，具有较强的实际应用性。
-
公开(公告)号：CN110020651A
公开(公告)日：2019-07-16
申请号：CN201910316301.8
申请日：2019-04-19
Applicant: 福州大学
Abstract: 本发明涉及一种基于深度学习网络的车牌检测定位方法。针对传统的车牌检测方法可扩展性差，复杂场景检测率低，泛化能力差，车牌检测效果不佳造成的车牌识别率下降等问题提出了一种基于深度学习网络的车牌检测定位方法。为了获得复杂图像中车牌精确定位，该方法首先收集并标记已标注的车辆样本数据集和车牌样本数据集；其次分别构建两个卷积神经网络，第一卷积神经网络用于训练车牌检测粗定位模型，第二卷积神经网络用于训练车牌检测角点回归模型；再次将待检测图片通过车牌检测粗定位模型获得候选存在车牌图片；最后将候选图片通过车牌检测角点回归模型进行检测，获取精确存在车牌的图片并且标记出车牌的角点信息。本发明简单灵活，具有较强的实际应用性。
-
公开(公告)号：CN110033002A
公开(公告)日：2019-07-19
申请号：CN201910316667.5
申请日：2019-04-19
Applicant: 福州大学
Abstract: 本发明涉及一种基于多任务级联卷积神经网络的车牌检测方法。针对传统的车牌检测方法可扩展性差，泛化能力差，车牌检测效果不佳造成的车牌识别率下降等问题提出了一种多任务级联卷积神经网络的车牌检测方法。为了获得复杂图像中车牌精确定位，该方法通过搭建一种新的多任务级联卷积神经网络模型再CCPD车辆数据上进行大规模训练，其中本发明的网络模型的卷积层采用和BN层相结合的方法来提高对车牌的特征提取能力，加快模型训练速度，使用Relu激活函数增加模型的非线性能力，采用多任务损失函数来提高网络对车牌的分类和回归框准确性，并且回归反馈出车牌的四个关键点信息。最后将训练好的模型应用于车牌检测中。该方法简单灵活，具有较强的实际应用性。
-
-
-
Search Results
4
records
(took 0.031 seconds)
