申请/专利权人：深圳市城市交通规划设计研究中心股份有限公司

申请日：2023-12-12

公开（公告）日：2024-06-18

公开（公告）号：CN117392658B

主分类号：G06V20/62

分类号：G06V20/62;G06V10/56;G06V10/764;G06V10/762;G06V10/82;G06N3/0464;G06N3/048;G06N3/06;G06V10/80

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2024.01.30#实质审查的生效;2024.01.12#公开

摘要：本发明提出基于注意力机制优化的轻量化车辆车牌颜色识别方法，属于智能交通技术领域。包括以下步骤：S1.获取车辆行驶数据，在车辆行驶数据中获得车辆图像，并标注车辆车牌位置；S2.根据车辆车牌颜色为车辆车牌位置的标注框设定标签；S3.对车辆图像进行分辨率统一处理，形成训练数据集；S4.构建车辆车牌颜色识别网络结构，生成车辆车牌颜色识别模型，并对模型训练；S5.将车辆图像数据输入至车辆车牌颜色识别中，输出车牌颜色。本发明优化了识别模型，引入了无参数注意力机制，避免了模型优化过程中的性能损失，解决了现有技术中存在数据采集繁琐、推理资源占用大、缺乏高精度颜色量化的技术问题。

主权项：1.基于注意力机制优化的轻量化车辆车牌颜色识别方法，其特征在于，包括以下步骤：S1.获取车辆行驶数据，在车辆行驶数据中获得车辆图像，并标注车辆车牌位置；S2.根据车辆车牌颜色为车辆车牌位置的标注框设定标签；S3.对车辆图像进行分辨率统一处理，形成训练数据集；S4.构建车辆车牌颜色识别网络结构，生成车辆车牌颜色识别模型，并对模型训练；所述车辆车牌颜色识别模型网络结构包括CBS模块、C3模块、SimAM模块、Upsample模块和Concat模块；CBS模块包括卷积层、批量归一化层和SiLU激活函数；其中，卷积层的卷积核大小为3x3；C3模块，最大通道数量为128，包括第一分支和第二分支，第一分支和第二分支进行Concat操作后输出；所述第一分支包括CSP、CBS模块，CBS模块的卷积核大小为1x1，步长为1；所述第二分支为CBS模块，卷积核大小为1x1，步长为1；所述CSP包括两个CBS模块；其中，一个CBS模块的卷积核大小为1x1，步长为1，另一个CBS模块的卷积核大小为3x3，步长为1；在骨干网络与检测头之间引入SimAM模块，SimAM模块为三维注意力机制，同时考虑通道、空间和时间的关系，捕捉到不同通道和空间位置之间的关联；SimAM模块是一种基于神经元的能量评估的注意力机制，通过能量函数计算神经元的能量值的高低，挖掘每个神经元的重要性；神经元的重要性通过空域抑制效应进行评估，空域效应越显著的神经元被赋予更高的重要性，通过度量神经元之间的线性可分性评估能量函数，能量函数的表达式为： ；其中，，表示输入特征的目标神经元，y表示对应的标签，表示特征的其他的神经元；由特征信息集合构成，其中，为通道、为高度、为宽度；表示神经元的权重，表示神经元的偏差，表示当前的输入特征X的周围神经元的能量值，表示当前通道上所有神经元的能量值，表示作用于输入特征的目标神经元的能量值，表示某个通道上所有神经元的能量值；采用表示在通道上的所有神经元的个数；当等于且等于时，公式满足最小值；将上述公式转化为线性可分求解，引入二进制标签对代替和，即；此外，添加正则项；简化为： ；理论上，每个通道都有能量函数，通过SGD进行求解，将公式进行解析： ；其中，满足，和分别表示在通道上除了之外的所有神经元的均值与方差；由于与通过单一通道上的神经元进行求解，因此，假设在该通道上的神经元都满足相同的分布规律；基于该假设，推理得出剩下其他通道上的神经元也满足分布规律，从而计算出它们的均值与方差；最小化能量表示为： ；上述公式表示，神经元的重要性通过最小化实现，重要性越高，的值越小，目标神经元与其他的神经元的区别越大，其中，表示神经元的均值，表示神经元的方差，表示能量函数的超参数；最后，添加伸缩处理操作实现整个阶段的处理，该公式表示为： ；其中，参数含义为非线性特征增强处理的结果，表示所有在所有通道与空域上能量值，操作对进行非线性映射并限制其大小；车辆车牌颜色识别模型网络结构对特征图进行下采样，减小特征图的尺寸的过程为：将224x224的图像输入至CBS模块，输出224x224x3的特征图；将224x224x3的特征图再次输入至CBS模块，输出112x112x16的特征图；将112x112x16的特征图输入至C3模块，输出112x112x16的特征图；将112x112x16的特征图输入至CBS模块，输出56x56x3的特征图；将56x56x3的特征图输入至C3模块，输出56x56x3的特征图；将56x56x3特征图输入至CBS模块，输出28x28x64的特征图；将28x28x64的特征图输入至C3模块，输出28x28x64的特征图；将28x28x64特征图输入至CBS模块，输出14x14x64的特征图；将14x14x64的特征图输入至C3模块，输出14x14x64的特征图；将14x14x64的特征图输入至SPPF模块，SPPF模块将14x14x64的特征图进行融合，将融合后的特征图输入至SimAM模块中，获取不同通道和空间位置之间的关联，将具有通道和空间关联的特征图输入至CBS模块输出7x7x64的特征图；将7x7x64的特征图依次输入至Upsample模块、Concat模块和C3模块，输出14x14x128的特征图；对模型训练时采用k-means重新生成锚定框，具体步骤如下：S31.数据准备，包含目标的类别和位置信息；S32.选定个的聚类中心数量；S33.将图像中标注目标框的宽度和高度除以图像的宽度和高度，使图像的宽度和高度归一化到0到1之间的范围；S34.初始化个锚框，根据预设的超参数，进行随机选择初始化锚框；S35.聚类生成锚定框，设定聚类迭代次数的超参数；S351.分配数据样本到最近的聚类中心，计算数据集中样本标准框与聚类中心锚定框的IoU值，并将样本标准框分配给最匹配的锚定框；S352.更新锚框尺寸，对于每个的锚定框族，计算每个族群里面的边界框的平均高度与宽度，并将边界框作为新的锚定框的质心进行聚类；S353.迭代优化，重复S351与S352，直到迭代次数n停止；S36.输出结果，将计算结果的K个最终的锚定框尺寸配置到车辆车牌颜色识别模型配置中，生成锚定框时，将超参数K设置为3，将超参数n设置为30，最终生成3组锚定框，分别为29,12、35,15和41,18；S5.将车辆图像数据输入至车辆车牌颜色识别中，输出车牌颜色。

全文数据：

权利要求：

百度查询： 深圳市城市交通规划设计研究中心股份有限公司 基于注意力机制优化的轻量化车辆车牌颜色识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD