公开(公告)号：CN112132130B

公开(公告)日：2022-10-04

申请号：CN202010999847.0

申请日：2020-09-22

Applicant: 福州大学

Inventor： 柯逍 ,  曾淦雄 ,  林炳辉

IPC: G06V10/22 ,  G06V30/148 ,  G06V10/774 ,  G06V10/762

Abstract: 本发明涉及一种面向全场景的实时性车牌检测方法及系统，包括步骤：生成用于网络训练和测试的训练集和测试集；修改YOLOv3‑tiny网络结构，生成MD‑YOLO模型；采用训练集训练构建的MD‑YOLO模型，并基于mAP选取最优的权重文件；将待检测车牌作为训练好的MD‑YOLO模型的输入，输出带车牌检测框的结果返回。本发明能够完成任意场景下的直接车牌区域提取。

公开(公告)号：CN112070176B

公开(公告)日：2022-05-13

申请号：CN202010983942.1

申请日：2020-09-18

Applicant: 福州大学

Inventor： 柯逍 ,  曾淦雄 ,  林炳辉

IPC: G06K9/62 ,  G06V20/62 ,  G06V10/774 ,  G06V30/148 ,  G06N3/04

Abstract: 本发明提出一种免切割的端到端车牌识别方法，包括以下步骤；步骤S1：收集车牌识别数据集，构建用于训练所述识别网络的训练集和测试集；步骤S2：设计用于提取车牌字符特征的特征提取模块；同时提取车牌字符本身的特征和该字符在车牌中的分布特征；步骤S3：设计用于恢复模糊车牌的反卷积模块，进一步优化对车牌字符特征的表述；步骤S4：使用特征提取网络与反卷积模块设计识别网络的输出模块；步骤S5：使用训练集标签对识别网络进行训练；当识别网络输出对应的包含字符概率的概率向量时，通过使用贪心算法得到最终的车牌号码；本发明可以只使用卷积神经网络完成车牌号码的识别过程，同时具有免字符切割，端到端识别、免车牌矫正，快速轻量的特征。

公开(公告)号：CN114419316A

公开(公告)日：2022-04-29

申请号：CN202111655311.8

申请日：2021-12-30

Applicant: 福州大学

Inventor： 柯逍 ,  蒋培龙 ,  曾淦雄

IPC: G06V10/26 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于空间金字塔池化的实时语义分割方法及系统，该方法包括以下步骤：步骤S1：获取城市街景数据集Cityscapes并进行预处理；步骤S2：对步骤S1得到的数据集进行离线数据增强以增加数据集的多样性；步骤S3：构建基于空间金字塔池化的实时语义分割网络LSPPNet；步骤S4：利用步骤S2得到的数据集对LSPPNet神经网络模型进行训练；步骤S5：将自动驾驶场景中采集到的图像进行预处理，然后输入到LSPPNet神经网络模型，得到图像语义分割结果。该方法及系统有利于提高图像语义分割的准确性和时效性。

公开(公告)号：CN114267036A

公开(公告)日：2022-04-01

申请号：CN202111604845.8

申请日：2021-12-25

Applicant: 福州大学

Inventor： 柯逍 ,  曾淦雄 ,  黄旭

IPC: G06V20/62 ,  G06V30/148 ,  G06V30/146 ,  G06V30/19 ,  G06V10/25 ,  G06V10/774 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于生成对抗网络的车牌生成方法，包括以下步骤：步骤S1:获取用于生成模板车牌的车牌字符库和背景图像；步骤S2:根据车牌构成随机选择字符，使用OpenCV将字符置入背景图像中，合成模板车牌,并对模板车牌进行图像增强；步骤S3:构建基于编码‑解码结构的车牌生成网络；步骤S4:基于真实场景下的车牌图像和模板车牌图像集，构建训练集；步骤S5:基于训练集，使用对抗生成模型训练基于编码‑解码结构的车牌生成网络，得到训练后的车牌生成网络，用于生成有标签的车牌图像。本发明基于编码‑解码网络结构，使得能够根据模板车牌，进行有标签的车牌图像生成，解决了传统生成的车牌图像标签随机的问题。

公开(公告)号：CN112364883A

公开(公告)日：2021-02-12

申请号：CN202010976987.6

申请日：2020-09-17

Applicant: 福州大学

Inventor： 柯逍 ,  林心茹 ,  黄旭 ,  曾淦雄

IPC: G06K9/62 ,  G06K9/40

Abstract: 本发明涉及一种基于单阶段目标检测和deeptext识别网络的美式车牌识别方法，步骤S1：获取美式车牌数据集，并预处理后生成训练集；步骤S2：根据车牌检测特点修改目标检测网络CornerNet‑Squeeze；步骤S3：使用检测端训练集训练改进的CornerNet‑Squeeze,使用数据集MJSynth和SynthText训练deeptext识别网络；步骤S4：将检训练集送入训练好的检测网络，输出车牌号码、年检信息、州名三部分图像，将这三部分图像送入识别网络，识别网络输出的文本信息通过手工修改错误信息，得到识别标签；步骤S5：使用获得的识别标签对识别网络进行进一步训练，获得高精度的识别网络。步骤S6：使用步骤S5训练好的高精度识别网络对待检测的美式车牌图像检测，输出结果。本发明能够有效地对美式车牌进行识别。

公开(公告)号：CN114266952B

公开(公告)日：2024-06-14

申请号：CN202111600850.1

申请日：2021-12-24

Applicant: 福州大学

Inventor： 柯逍 ,  蒋培龙 ,  曾淦雄

IPC: G06V10/26 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/09

Abstract: 本发明提出基于深监督的实时语义分割方法，包括以下步骤；步骤S1、针对特定的应用场景采集用于深监督的场景图像数据，构建场景图像数据库；步骤S2、对数据库中的场景图像进行像素级别标注，导出PASCAL VOC格式的标注文件，使之符合语义分割任务训练要求；步骤S3、构建基于深监督的实时语义分割网络CFSegNet；步骤S4、利用已标注的数据集对CFSegNet神经网络模型进行训练；步骤S5、对应用场景中采集到的图像数据进行预处理，然后输入到CFSegNet神经网络模型，得到图像语义分割结果；本发明准确率高，时效性好，对设备计算性能要求不高，适合部署到性能受限的终端设备中。

公开(公告)号：CN112070768B

公开(公告)日：2022-08-09

申请号：CN202010973846.9

申请日：2020-09-16

Applicant: 福州大学

Inventor： 柯逍 ,  林心茹 ,  曾淦雄

IPC: G06T7/10 ,  G06N3/04

Abstract: 本发明涉及一种基于Anchor‑Free的实时实例分割方法，包括以下步骤：步骤S1:获取实例分割数据集，并预处理后生成训练集；步骤S2:基于改进的目标检测网络CenterNet和CAG‑Mask模块,构建基于Anchor‑Free的实时实例分割模型；步骤S3:根据训练集训练基于Anchor‑Free的实时实例分割模型，得到训练好的分割模型；步骤S4：根据训练好的分割模型对待检测图像或视频数据进行处理，获得实例分割效果。本发明有效缩短了分割时间，可用于实时的实例分割。

公开(公告)号：CN112070768A

公开(公告)日：2020-12-11

申请号：CN202010973846.9

申请日：2020-09-16

Applicant: 福州大学

Inventor： 柯逍 ,  林心茹 ,  曾淦雄

IPC: G06T7/10 ,  G06N3/04

Abstract: 本发明涉及一种基于Anchor‑Free的实时实例分割方法，包括以下步骤：步骤S1:获取实例分割数据集，并预处理后生成训练集；步骤S2:基于改进的目标检测网络CenterNet和CAG‑Mask模块,构建基于Anchor‑Free的实时实例分割模型；步骤S3:根据训练集训练基于Anchor‑Free的实时实例分割模型，得到训练好的分割模型；步骤S4：根据训练好的分割模型对待检测图像或视频数据进行处理，获得实例分割效果。本发明有效缩短了分割时间，可用于实时的实例分割。

公开(公告)号：CN112364883B

公开(公告)日：2022-06-10

申请号：CN202010976987.6

申请日：2020-09-17

Applicant: 福州大学

Inventor： 柯逍 ,  林心茹 ,  黄旭 ,  曾淦雄

IPC: G06V20/62 ,  G06V10/774 ,  G06K9/62

Abstract: 本发明涉及一种基于单阶段目标检测和deeptext识别网络的美式车牌识别方法，步骤S1：获取美式车牌数据集，并预处理后生成训练集；步骤S2：根据车牌检测特点修改目标检测网络CornerNet‑Squeeze；步骤S3：使用检测端训练集训练改进的CornerNet‑Squeeze,使用数据集MJSynth和SynthText训练deeptext识别网络；步骤S4：将检训练集送入训练好的检测网络，输出车牌号码、年检信息、州名三部分图像，将这三部分图像送入识别网络，识别网络输出的文本信息通过手工修改错误信息，得到识别标签；步骤S5：使用获得的识别标签对识别网络进行进一步训练，获得高精度的识别网络。步骤S6：使用步骤S5训练好的高精度识别网络对待检测的美式车牌图像检测，输出结果。本发明能够有效地对美式车牌进行识别。

公开(公告)号：CN114266952A

公开(公告)日：2022-04-01

申请号：CN202111600850.1

申请日：2021-12-24

Applicant: 福州大学

Inventor： 柯逍 ,  蒋培龙 ,  曾淦雄

IPC: G06V20/00 ,  G06V10/26 ,  G06V10/774 ,  G06V10/764 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出基于深监督的实时语义分割方法，包括以下步骤；步骤S1、针对特定的应用场景采集用于深监督的场景图像数据，构建场景图像数据库；步骤S2、对数据库中的场景图像进行像素级别标注，导出PASCAL VOC格式的标注文件，使之符合语义分割任务训练要求；步骤S3、构建基于深监督的实时语义分割网络CFSegNet；步骤S4、利用已标注的数据集对CFSegNet神经网络模型进行训练；步骤S5、对应用场景中采集到的图像数据进行预处理，然后输入到CFSegNet神经网络模型，得到图像语义分割结果；本发明准确率高，时效性好，对设备计算性能要求不高，适合部署到性能受限的终端设备中。