CN113920511B 车牌识别方法、模型训练方法、电子设备及可读存储介质 （深圳市景阳科技股份有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN113920511B

(45)授权公告日2025.07.11

(21)申请号202111156055.8

(22)申请日2021.09.29

(65)同一申请的已公布的文献号申请公布号CN113920511A

(43)申请公布日2022.01.11

(73)专利权人深圳市景阳科技股份有限公司地址518000广东省深圳市南山区桃源街

道平山一路民企科技园6栋3-4楼

(72)发明人吴汉俊魏玉蓉陈圳

(74)专利代理机构深圳中一联合知识产权代理有限公司44414

专利代理师梁立耀

(51)Int.CI.

GO6V30/148(2022.01)

GO6V30/18(2022.01)

GO6V10/70(2022.01)

(56)对比文件

CN111666938A,2020.09.15CN112215233A,2021.01.12

审查员傅志良

权利要求书2页说明书13页附图6页

(54)发明名称

车牌识别方法、模型训练方法、电子设备及可读存储介质

(57)摘要

本申请实施例适用于机器学习领域，公开了一种车牌识别方法、模型训练方法、电子设备及可读存储介质，用于提高LPRnet模型对中文车牌识别时的中文识别精度。本申请实施例通过在LPRnet模型训练阶段使用Focal_ctc_loss=α*(1-p)?*ctc_loss来平衡中文样本和英文以及数字样本之间的损失，其中，p=e?ctcloss,α、γ

CN113920511B为平衡因子，α用于平衡正负样本比例，γ用于调节简单样本权重降低的速率，ctc_loss为连接时序分类损失值；在获得训练完成的LPRnet模型

CN113920511B

S301

获取训练数据集，训练数据集包括至少一张车牌图像和各张车牌图像的标签，该标签包括车牌标签

将车牌图像输入预先构建的LPRnet模型，获得LPRnet模型的输出结果，输出结果包括第一输出分支输出的车牌识别结果，LPRnet模型包括第一输出分支

S303

损失值

损失值

S304

通过公式Focal_cte_loss=a*(1-p)*cte_loss

计算第一损失值；其中，p=e-α、为平衡因子

S305

根据第一损失值，调整LPRnet模型的网络参数

S306

迭代训练多次，获得训练完成的LPRnet模型

CN113920511B权利要求书1/2页

2

1.一种模型训练方法，其特征在于，包括：

获取训练数据集，所述训练数据集包括至少一张车牌图像和各张所述车牌图像的标签，所述标签包括车牌标签；

将所述车牌图像输入至预先构建的LPRnet模型，获得所述LPRnet模型的输出结果；所述输出结果包括第一输出分支输出的车牌识别结果，所述LPRnet模型包括所述第一输出分支；或者，所述输出结果包括所述第一输出分支输出的所述车牌识别结果和第二输出分支输出的车牌颜色，所述LPRnet模型包括所述第一输出分支和所述第二输出分支；

根据所述车牌识别结果和所述车牌标签，计算连接时序分类损失值；

通过公式Focal_ctc_loss=a*(1-p)*ctc_loss计算第一损失值；其中，p=ectc_1oss,α、γ为平衡因子，ctc_loss为所述连接时序分类损失值；

根据所述第一损失值调整所述LPRnet模型的网络参数，或者根据所述第一损失值和第二损失值调整LPRnet模型的网络参数，所述第二损失值是根据所述车牌颜色确定的；

迭代训练多次，获得训练完成的LPRnet模型。

2.根据权利要求1所述的方法，其特征在于，所述标签包括车牌颜色标签，所述输出结果包括所述第一输出分支输出的所述车牌识别结果和所述第二输出分支输出的所述车牌

颜色；

所述LPRnet模型包括主干网络和head部分，所述head部分包括所述第一输出分支和所述第二输出分支；

根据所述第一损失值和第二损失值调整LPRnet模型的网络参数，包括：

根据所述车牌颜色和所述车牌颜色标签，计算所述第二损失值；

根据所述第一损失值和所述第二损失值，计算总损失值；

根据所述总损失值，调整所述LPRnet模型的网络参数。

3.根据权利要求2所述的方法，其特征在于，所述head部分包括第一卷积层、第一激活函数、Concat层、所述第一输出分支和所述第二输出分支；

所述Concat层用于连接所述主干网络的输出和所述第一激活