CN109508717A - 一种车牌识别方法、识别装置、识别设备及可读存储介质 - Google Patents

一种车牌识别方法、识别装置、识别设备及可读存储介质 Download PDF

Info

Publication number
CN109508717A
CN109508717A CN201811173200.1A CN201811173200A CN109508717A CN 109508717 A CN109508717 A CN 109508717A CN 201811173200 A CN201811173200 A CN 201811173200A CN 109508717 A CN109508717 A CN 109508717A
Authority
CN
China
Prior art keywords
license plate
license
identified
true
synthesis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201811173200.1A
Other languages
English (en)
Inventor
满志朋
车军
朱林
章勇
曹李军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Keda Technology Co Ltd
Original Assignee
Suzhou Keda Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Keda Technology Co Ltd filed Critical Suzhou Keda Technology Co Ltd
Priority to CN201811173200.1A priority Critical patent/CN109508717A/zh
Publication of CN109508717A publication Critical patent/CN109508717A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种车牌识别方法、识别装置、识别设备及可读存储介质，其中，车牌识别方法包括如下步骤：将合成车牌输入训练好的循环生成对抗网络中，得到真实化后的合成车牌，形成合成车牌训练集；循环生成对抗网络的生成器包括合成车牌向真实车牌的映射算法；使用合成车牌训练集训练车牌识别模型；采集若干真实车牌，形成真实车牌训练集；使用真实车牌训练集训练所述车牌识别模型；使用车牌识别模型对待识别车牌进行识别。由于训练好的循环生成对抗网络能够将普通合成软件合成的车牌映射到真实车牌空间，使合成车牌被真实化，而真实化后的合成车牌能够用于车牌识别模型的训练，因而能够解决车牌样本数据的采集难度较大的问题。

Description

一种车牌识别方法、识别装置、识别设备及可读存储介质
技术领域
本发明涉及图像识别技术领域，尤其涉及到一种车牌识别方法、车牌识别装置、车牌识别设备和计算机可读存储介质。
背景技术
随着社会经济水平的不断提高和车辆的普及，规模不断扩大的交通事业对更加智能化的技术和系统的需求更大，智能交通系统已经成为社会生活的热点问题。车辆识别系统作为智能交通系统的重要组成部分，在高速公路入口、停车场无人管理、违章车辆自动记录等领域都有着广泛的应用，车牌字符识别作为车辆识别系统的重要组成，它的实现具有很大的经济价值和现实意义。
随着计算机硬件容量及运行速度的提高，深度学习算法已经可以对图像进行实时处理，所以已经有越来越多的深度学习算法应用在车牌识别中。目前应用在车牌识别中的深度学习方法，例如，BP神经网络、CNN等，均需要大量的数据作为训练样本，然而，现实的海量车牌数据中往往只有部分数据是可以使用的，并且在一个地区获取的车牌样本数据中，大多数都会为当地的车牌，其他省份的车牌样本的数量可能较少甚至可能没有，车牌样本数据的获取难度较大。而当车牌样本数据的数量不充足，省份分布不均匀时，根据这些样本数据训练出来的识别模型对样本数据较少甚至没有的省份的车牌的识别精度也就会降低。因此，为了提高车牌识别模型的识别精度，就需要在全国各个省份进行较长时间的车牌采集，以获得充足的训练样本，车牌识别模型的训练成本较高。
发明内容
因此，本发明要解决的技术问题在于解决用以进行车牌识别模型训练的车牌样本数据的采集难度较大，车牌识别模型的训练成本较高的问题。
根据第一方面，本发明提供了一种车牌识别方法，包括如下步骤：将合成车牌输入训练好的循环生成对抗网络中，得到真实化后的合成车牌，形成合成车牌训练集；循环生成对抗网络的生成器包括合成车牌向真实车牌的映射算法；使用合成车牌训练集训练车牌识别模型；采集若干真实车牌，形成真实车牌训练集；使用真实车牌训练集训练所述车牌识别模型；使用车牌识别模型对待识别车牌进行识别。
可选地，使用车牌识别模型对待识别车牌进行识别，包括如下步骤：使用卷积神经网络模型提取待识别车牌中的序列特征；将待识别车牌中的序列特征依次输入双向长短记忆神经网络中进行序列标注；使用时序分类算法根据序列标注得到待识别车牌中的字符。
可选地，将待识别车牌中的序列特征依次输入双向长短记忆神经网络中进行序列标注，包括如下步骤：使用2层深度双向长短时记忆神经网络对序列特征进行序列标注；使用1个全连接层将标注后的序列特征整合为一个68纬的输出序列；使用softmax函数将每个时间步长上的输出序列都转化为一个68类的概率分布。
可选地，使用时序分类算法根据序列标注得到待识别车牌中的字符，包括如下步骤：选取每个时间步长上概率最大的类组成待识别车牌中字符的预测结果；依次去除预测结果中的重复字符和空格，得到中间预测结果；选取中间预测结果的前7个字符作为待识别车牌中的字符的识别结果。
可选地，卷积神经网络模型为深度可分离卷积网络模型。
可选地，将深度可分离卷积网络中每个卷积层的特征图的数量乘以一个超参数α(α>1)。
根据第二方面，本发明提供了一种车牌识别装置，包括：合成车牌训练集模块，用于将合成车牌输入训练好的循环生成对抗网络中，得到真实化后的合成车牌，形成合成车牌训练集；循环生成对抗网络的生成器包括合成车牌向真实车牌的映射算法；识别模型第一训练模块，用于使用合成车牌训练集训练车牌识别模型；真实车牌训练集模块，用于采集若干真实车牌，形成真实车牌训练集；识别模型第二训练模块，用于使用真实车牌训练集训练所述车牌识别模型；车牌识别模块，用于使用车牌识别模型对待识别车牌进行识别。
可选地，车牌识别模块包括：特征提取单元，用于使用卷积神经网络模型提取待识别车牌中的序列特征；序列标注单元，用于将待识别车牌中的序列特征依次输入双向长短记忆神经网络中进行序列标注；字符识别单元，用于使用时序分类算法根据序列标注得到待识别车牌中的字符。
根据第三方面，本发明提供了一种车牌识别设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行上述第一方面的全部或部分方法。
根据第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述第一方面的全部或部分方法的步骤。
本发明实施例提供的技术方案，具有如下优点：
1、本发明提供的车牌识别方法，包括如下步骤：将合成车牌输入训练好的循环生成对抗网络中，得到真实化后的合成车牌，形成合成车牌训练集；循环生成对抗网络的生成器包括合成车牌向真实车牌的映射算法；使用合成车牌训练集训练车牌识别模型；采集若干真实车牌，形成真实车牌训练集；使用真实车牌训练集训练所述车牌识别模型；使用车牌识别模型对待识别车牌进行识别。由于训练好的循环生成对抗网络中的生成器包括合成车牌向真实车牌的映射算法，能够将普通合成软件合成的车牌映射到真实车牌空间，使合成车牌符合真实车牌的分布而被真实化，从而使真实化后的合成车牌能够用于车牌识别模型的训练，解决了用以进行车牌识别模型训练的车牌样本数据的采集难度较大的问题，从而减小了车牌识别模型的训练难度，降低了训练成本。此外，通过使用真实车牌对已经使用了真实化的合成车牌训练后的车牌识别模型进行进一步的训练，对车牌识别模型进行精调，能够提高该车牌识别方法的车牌识别准确性。
2、本发明提供的车牌识别方法，将深度可分离卷积网络中每个卷积层的特征图的数量乘以一个超参数α(α>1)。通过在使用深度可分离卷积网络模型提取待识别车牌的序列特征，减少序列特征提取的计算量的同时，通过将深度可分离卷积网络中每个卷积层的特征图的数量乘以一个超参数α(α>1)，增加每一层的特征数，从而能够提高对待识别车牌的特征提取精度，提高该车牌识别方法的车牌识别准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为实施例1提供的一种车牌识别方法方法的方法流程图；
图2为实施例1提供的合成车牌的真实化过程的流程图；
图3为实施例2提供的一种车牌识别装置的结构示意图；
图4为实施例3提供的一种车牌识别设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
实施例1
本实施例提供了一种车牌识别方法，如图1所示。需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。该流程包括如下步骤：
步骤S100，将合成车牌输入训练好的循环生成对抗网络中，得到真实化后的合成车牌，形成合成车牌训练集。在本实施例中，循环生成对抗网络的生成器包括合成车牌向真实车牌的映射算法。此外，需要说明的是，当待识别的车牌为单层普通车牌时，合成车牌也应为单层普通车牌；当待识别的车牌为双层黄色车牌时，合成车牌也应为双层黄色车牌。
在本实施例中，如图2所示，合成车牌的真实化过程包括如下步骤：
步骤S101，采集真实车牌并使用图像处理软件合成与真实车牌相对应的模拟车牌，构建生成训练集。在本实施例中，使用ImageMagick的图像处理库的C++接口Magick++进行模拟车牌的合成。
步骤S102，利用真实车牌生成训练集和模拟车牌生成训练集训练循环生成对抗网络。在本实施例中，循环生成对抗网络(CycleGAN)包括生成器G、生成器F、判别器DR和判别器DS，其中，生成器G将模拟车牌生成训练集中的模拟车牌生成为真实车牌，生成器F将真实车牌训练集中的真实车牌生成为模拟车牌，判别器DR判断输入图像是否符合真实车牌的分布，判别器DS判断输入图像是否符合模拟车牌的分布；然后，构建损失函数，损失函数应该包括如下四个部分：判别器必须允许所有响应类别的原始图像，即对应输出置1；鉴别器必须拒绝所有想要愚弄过关的生成图像，即对应输出置0；生成器必须使鉴别器允许通过所有的生成图像，来实现愚弄操作；所生成的图像必须保留有原始图像的特性，所以如果使用生成器G生成一张假图像，那么要能够使用另一个生成器F来恢复成原始图像。此过程必须满足循环一致性。
在本实施例中，基于上述已构建的循环生成对抗网络，将训练样本中的真实车牌和模拟车牌分别作为循环生成对抗网络的输入，对循环生成对抗网络进行训练来最小化损失函数，在训练过程中不断调整生成器和判别器。
步骤S103，将合成车牌输入训练后的循环生成对抗网络中，完成对合成车牌的真实化处理。在本实施例中，合成车牌为使用ImageMagick生成的车牌，优选地，使用ImageMagick的图像处理库的C++接口Magick++生成车牌，由于使用Magick++生成车牌时，用户可以控制生成什么样的车牌，例如，可以控制生成的合成车牌的车牌号中的省份、车牌号的大小(单层车牌或双层车牌)等，从而使用户能够根据自己的需要生成相应的车牌，防止车牌数据不平衡的问题的产生。
在具体实施例中，循环生成对抗网络的损失函数采用Wasserstein距离的损失函数。由于使用最小二乘损失的对抗网络具有梯度消失或者优化目标荒谬、梯度不稳定、对多样性与准确性惩罚不平衡导致模型崩溃等问题，而Wasserstein距离的优越性质能够解决上述问题，因而，使用Wasserstein距离的损失函数作为循环生成对抗网络的损失函数能够进一步优化循环生成对抗网络，使经过循环生成对抗网络输出的合成车牌更加趋近于真实车牌。
在本实施例中，循环生成对抗网络的损失函数包括对抗损失和循环一致损失，如公式(1)所示：
L(G,F,DS,DR)＝LWGAN(G,DR,S,R)+LWGAN(F,DS,R,S)+λLcyc(G,F)(1)
其中，对抗损失包括前向和后向对抗损失，每一项又包含了生成器损失和判别器损失，分别起着使模拟车牌更像真实车牌和纠正生成器编码结果符合真实车牌风格的作用，具体如公式(2)和公式(3)所示：
LWGAN(G,DR,S,R)＝Es～Pdata(s)[DR(G(s))]-Er～Pdata(r)[DR(r)] (2)
LWGAN(F,DS,R,S)＝Er～Pdata(r)[DS(F(r))]-Es～Pdata(s)[DS(s)] (3)
其中，循环一致性损失包含前向和后向循环一致性损失，主要起着引导生成器更好的完成编码、风格转换和解码任务并防止模式缺失的作用，具体如公式(4)所示：
Lcyc(G,F)＝Es～Pdata(s)[||F(G(s))-s||1]+Er～Pdata(r)[||G(F(r))-r||1] (4)
其中，S是指模拟车牌所在空间，R是指真实车牌所在空间，G是指将空间S中的模拟车牌s转换到空间R中的G(s)的生成器，DR是指判别G(s)是否为空间R中的车牌的判别器，F是指将空间R中的真实车牌r转换到空间S中的F(r)的生成器，DS是指判别F(r)是否为空间S中的车牌的判别器，LWGAN(G,DR,S,R)是生成器G和判别器DR的损失函数，LWGAN(F,DS,R,S)是生成器F和判别器DS的损失函数，Lcyc(G,F)是指循环生成对抗网络的循环一致性损失函数，λ为循环一致性损失的权重系数，Es～Pdata(s)是指从模拟车牌样本集中采样出模拟车牌样本的数学期望，Er～Pdata(r)指示从真实车牌样本集中采样出真实车牌样本的数学期望。
在本实施例中，循环生成对抗网络中包括的合成车牌向真实车牌的映射算法的生成器为生成器F。
步骤S200，使用合成车牌训练集训练车牌识别模型。在本实施例中，使用深度卷积神经网络(CNN)进行车牌序列特征提取，使用双向长短时记忆神经网络(BLSTM)进行车牌序列标注和基于时序分类算法(CTC)的最优路径进行车牌序列解码。
步骤S300，采集若干真实车牌，形成真实车牌训练集。在本实施例中，需要说明的是，当待识别图像为单层普通车牌时，采集的真实车牌也应当为单层普通车牌；当待识别图像为双层黄色车牌时，采集的真实车牌也应当为双层黄色车牌。
步骤S400，使用真实车牌训练集训练车牌识别模型。在本实施例中，使用真实车牌训练集训练车牌识别模型时网络具体参数配置与使用模拟车牌训练集训练车牌识别模型时大致相同，仅需将批量归一化层(Batch Normalization)中的Batch的大小从使用合成车牌训练集训练时的128调整为64即可。
步骤S500，使用车牌识别模型对待识别车牌进行识别。
本实施例提供的车牌识别方法，由于训练好的循环生成对抗网络中的生成器包括合成车牌向真实车牌的映射算法，能够将普通合成软件合成的车牌映射到真实车牌空间，使合成车牌符合真实车牌的分布而被真实化，从而使真实化后的合成车牌能够用于车牌识别模型的训练，解决了用以进行车牌识别模型训练的车牌样本数据的采集难度较大的问题，从而减小了车牌识别模型的训练难度，降低了训练成本。此外，通过使用真实车牌对已经使用了真实化的合成车牌训练后的车牌识别模型进行进一步的训练，对车牌识别模型进行精调，能够提高该车牌识别方法的车牌识别准确性。
在可选的实施例中，步骤S500包括如下步骤：
步骤S501，使用卷积神经网络模型提取待识别车牌中的序列特征。具体地，使用一个8层的卷积神经网络模型来提取车牌的序列特征，在第3、5、7、8层使用批量归一化来加速网络模型收敛，同时避免梯度消失和梯度爆炸，经过特征提取后，得到一个时间步长为40、维度为512的特征向量。
步骤S502，将待识别车牌中的序列特征依次输入双向长短记忆神经网络中进行序列标注。具体地，步骤S503包括如下步骤：将卷积神经网络提取的车牌序列特征送入一个2层的深度双向长短时记忆神经网络进行车牌序列标注；在最后一个双向长短时记忆神经网络后面添加一个全连接层，该全连接层包括68个神经元，代表68个类，具体是指31个省份、26个大写英文字母、10个阿拉伯数字和1个空白，该全连接层将标注后的序列特征整合为一个68维的输出序列；最后，使用softmax函数将每一个时间步长上的输出序列都转化一个68类的概率分布Y＝{y1,y2...yT}，其中，T是指序列的长度，yT是指在时刻T的概率分布。
步骤S503，使用时序分类算法根据序列标注得到待识别车牌中的字符。在本实施例中，使用基于时序分类算法(CTC)的最优路径算法对车牌序列进行解码，具体地，步骤S503包括如下步骤：选取每个时间步长上概率最大的类组成待识别车牌中字符的预测结果，如沪FFεεWYε6ε6εε6，其中ε代表空白类；然后，使用时序分类算法(CTC)对应法则对其先去除重复的字符，再去除空格，得到中间预测结果：沪FWY666；最后，选取中间预测结果中的前7个作为车牌中的字符的识别结果。
在具体实施例中，以待识别车牌为单层普通车牌为例，将输入的待识别车牌图像大小都缩放到160×48，则车牌识别模型的具体参数配置如表1所示：
表1
层的类型 参数配置
Output 40×68
Bidirectional-LSTM hidden units：256
Bidirectional-LSTM hidden units：256
Conv-BatchNorm-RELU Filters：512，K：3×3，S：1，P<sub>w</sub>：VALID
Conv-BatchNorm-RELU Filters：512，K：3×3，S：1，P<sub>w</sub>：VALID
MaxPooling Window：2×2，S：2×1，P：0×1，P<sub>w</sub>：VALID
Conv-RELU Filters：512，K：3×3，S：1，P<sub>w</sub>：SAME
Conv-BatchNorm-RELU Filters：512，K：3×3，S：1，P<sub>w</sub>：SAME
MaxPooling Window；2×2，S：2×1，P：0×1，P<sub>w</sub>：VALID
Conv-RELU Filters：256，K：3×3，S：1，P<sub>w</sub>：SAME
Conv-BatchNorm-RELU Filters：256，K：3×3，S：1，P<sub>w</sub>：SAME
MaxPooling Window：2×2，S：2，P<sub>w</sub>：SAME
Conv-RELU Filters；128，K：3×3，S：1，P<sub>w</sub>：SAME
MaxPooling Window：2×2，S：2，P<sub>w</sub>：SAME
Conv-RELU Filters：64，K：3×3，S：1，P<sub>w</sub>：SAME
Input 160×48×3
其中，Filters表示卷积核的数量，K表示卷积核的大小，S表示滑动步长，P表示手动补零的大小，Pw表示自动补零的方式，Window表示迟化窗口大小。
当待识别车牌为双层车牌时，则将输入的待识别车牌的尺寸都缩放到128×64，相应地，卷积层输出特征图的高度变为2，输出序列的时间步长变为64，其他具体的参数配置如表1相同。
在可选的实施例中，卷积神经网络模型为深度可分离卷积网络模型。在本实施例中，深度可分离卷积包含一个depth-wise的卷积和一个point-wise的卷积，在进行depth-wise卷积时只使用了一种大小为[F，F，IC]的卷积核进行特征提取(其中，F表示滤波器的大小，IC表示输入通道数)且保留每一个通道上的值(不进行相加)；在进行point-wise卷积时使用了OC种(OC为输出通道数)大小为[1,1,OC]的卷积核进行特征组合。标准卷积层的参数数量和深度可分离卷积的参数数量可分别由公式(5)和公式(6)表示：
Pstandard＝F×F×IC×OC (5)
Pseparable＝F×F×IC×1+1×1×IC×OC (6)
将深度可分离卷积的参数数量除以标准卷积层的参数数量则可得公式(7)：
从公式(7)中可以看出，当输出通道数比较大的时候，使用深度可分离卷积可以将模型的参数降至大约为原来的因而，使用深度可分离卷积后可以使模型在减少冗余特征的同时减少计算时间。
具体地，卷积神经网络模型为深度可分离卷积网络模型时，以待识别车牌为单层普通车牌为例，将输入的待识别车牌图像大小都缩放到160×48，则车牌识别模型的网络具体参数配置如表2所示：
表2
层的类型 参数配置
Output 40×68
Bidirectional-LSTM hidden units：256
Bidirectional-LSTM hidden units：256
Depthwise Conv-BN-RELU Filters：512，D<sub>K</sub>：2×2，P<sub>K</sub>：1×1，D<sub>S</sub>：1，P<sub>S</sub>：1，P<sub>w</sub>：VALID
Depthwise Conv-BN-RELU Filters：512，D<sub>K</sub>：2×2，P<sub>K</sub>：1×1，D<sub>S</sub>：1，P<sub>S</sub>：1，P<sub>w</sub>：VALID
MaxPooling Window：2×2，S：2×1，P：0×1，P<sub>w</sub>：VALID
Depthwise Conv-BN-RELU Filters：512，D<sub>K</sub>：3×3，P<sub>K</sub>：1×1，D<sub>S</sub>：1，P<sub>S</sub>：1，P<sub>w</sub>：SAME
MaxPooling Window：2×2，S：2×1，P：0×1，P<sub>w</sub>：VALID
Depthwise Conv-BN-RELU Filters：256，D<sub>K</sub>：3×3，P<sub>K</sub>：1×1，D<sub>S</sub>：2，P<sub>S</sub>：1，P<sub>w</sub>：SAME
Depthwise Conv-BN-RELU Filtees：128，D<sub>K</sub>：3×3，P<sub>K</sub>：1×1，D<sub>S</sub>：2，P<sub>S</sub>：1，P<sub>w</sub>：SAME
Conv-BN-RELU Filters：64，D<sub>K</sub>：3×3，P<sub>K</sub>：1×1，D<sub>S</sub>：1，P<sub>S</sub>：1，P<sub>w</sub>：SAME
Input 160×48×3
其中，Filters表示卷积核的数量，DK表示depth-wise卷积核的大小，PK表示point-wise卷积核的大小，DS表示depth-wise滑动步长，PS表示point-wise滑动步长，P表示手动补零的大小，Pw表示自动补零的方式，Window表示迟化窗口大小。
以待识别车牌为双层黄色车牌为例，将输入的待识别车牌图像大小都缩放到128*64，则车牌识别模型的网络具体参数配置如表3所示：
表3
层的类型 参数配置
Output 64×68
Bidirectional-LSTM hidden units：256
Bidirectional-LSTM hidden units：256
Depthwise Conv-BN-RELU Filters：512，D<sub>K</sub>：2×2，P<sub>K</sub>：1×1，D<sub>S</sub>：1，P<sub>S</sub>：1，P<sub>w</sub>：VALID
Depthwise Conv-BN-RELU Filters：512，D<sub>K</sub>：2×2，P<sub>K</sub>：1×1，D<sub>S</sub>：1，P<sub>S</sub>：1，P<sub>w</sub>：VALID
MaxPooling Window：2×2，S：2×1，P：0×1，P<sub>w</sub>：VALID
Depthwise Conv-BN-RELU Filters：512，D<sub>K</sub>：3×3，P<sub>K</sub>：1×1，D<sub>S</sub>：1，P<sub>S</sub>：1，P<sub>w</sub>：SAME
MaxPooling Window：2×2，S：2×1，P：0×1，P<sub>w</sub>：VALID
Depthwise Conv-BN-RELU Filters：256，D<sub>K</sub>：3×3，P<sub>K</sub>：1×1，D<sub>S</sub>：2，P<sub>S</sub>：1，P<sub>w</sub>：SAME
Depthwise Conv-BN-RELU Filters：128，D<sub>K</sub>：3×3，P<sub>K</sub>：1×1，D<sub>S</sub>：2，P<sub>s</sub>：1，P<sub>w</sub>：SAME
Conv-BN-RELU Filters：64，D<sub>K</sub>：3×3，P<sub>K</sub>：1×1，D<sub>S</sub>：1，P<sub>S</sub>：1，P<sub>w</sub>：SAME
Input 128×64×3
其中，Filters表示卷积核的数量，DK表示depth-wise卷积核的大小，PK表示point-wise卷积核的大小，DS表示depth-wise滑动步长，PS表示point-wise滑动步长，P表示手动补零的大小，Pw表示自动补零的方式，Window表示迟化窗口大小。
在可选的实施例中，将深度可分离卷积网络中每个卷积层的特征图的数量乘以一个超参数α(α>1)，以增加每一层的特征数，从而能够提高对待识别车牌的特征提取精度，提高该车牌识别方法的车牌识别准确性，此外，还能用以对识别难度较大的移动场景下(移动相机拍摄的移动车牌)的车牌进行识别，具体地，当α取1.2时，使用本实施例中的车牌识别方法对移动场景下的车牌进行识别的识别精度为92.1％，速度为11.5帧每秒(FPS)。在本实施例中，采用MobileNets中的技术将每个卷积层中的特征图的数量乘以一个超参数α(α>1)。
在可选的实施例中，还可以将合成车牌训练集中的合成车牌随机旋转±5度，从而增加训练强度，进一步提高该车牌识别方法的识别准确性。
实施例2
在本实施例中提供了一种车牌识别装置，该装置用于实现上述实施例1及其优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种车牌识别装置，如图4所示，包括：合成车牌训练集模块100，识别模型第一训练模块200，真实车牌训练集模块300，识别模型第二训练模块400和车牌识别模块400。
其中，合成车牌训练集模块100用于将合成车牌输入训练好的循环生成对抗网络中，得到真实化后的合成车牌，形成合成车牌训练集；循环生成对抗网络的生成器包括合成车牌向真实车牌的映射算法；识别模型第一训练模块200用于使用合成车牌训练集训练车牌识别模型；真实车牌训练集模块300用于采集若干真实车牌，形成真实车牌训练集；识别模型第二训练模块400用于使用真实车牌训练集训练所述车牌识别模型；车牌识别模块500用于使用车牌识别模型对待识别车牌进行识别。
在可选的实施例中，车牌识别模块包括500：特征提取单元，序列标注单元和字符识别单元。
其中，特征提取单元用于使用卷积神经网络模型提取待识别车牌中的序列特征；序列标注单元用于将待识别车牌中的序列特征依次输入双向长短记忆神经网络中进行序列标注；字符识别单元用于使用时序分类算法根据序列标注得到待识别车牌中的字符。
在可选的实施例中，序列标注单元包括：序列标注子单元，整合子单元和转化子单元。
其中，序列标注子单元用于使用2层深度双向长短时记忆神经网络对所述序列特征进行序列标注；整合子单元用于使用1个全连接层将标注后的序列特征整合为一个68纬的输出序列；转化子单元用于使用softmax函数将每个时间步长上的所述输出序列都转化为一个68类的概率分布。
在可选的实施例中，字符识别单元包括：预测子单元，中间预测子单元和结果选取子单元。
其中，预测子单元用于选取每个时间步长上概率最大的类组成所述待识别车牌中字符的预测结果；中间预测子单元用于依次去除所述预测结果中的重复字符和空格，得到中间预测结果；结果选取子单元用于选取所述中间预测结果的前7个字符作为所述待识别车牌中的字符的识别结果。
在可选的实施例中，卷积神经网络模型为深度可分离卷积网络模型。
在可选的实施例中，将深度可分离卷积网络中每个卷积层的特征图的数量乘以一个超参数α(α>1)。
实施例3
本发明实施例提供了一种车牌识别设备，如图4所示，该车牌识别设备可以包括：至少一个处理器401，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Random AccessMemory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中存储器404中存储应用程序，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1中的任一方法步骤，即用于执行以下操作：
将合成车牌输入训练好的循环生成对抗网络中，得到真实化后的合成车牌，形成合成车牌训练集；循环生成对抗网络的生成器包括合成车牌向真实车牌的映射算法；使用合成车牌训练集训练车牌识别模型；采集若干真实车牌，形成真实车牌训练集；使用真实车牌训练集训练所述车牌识别模型；使用车牌识别模型对待识别车牌进行识别。
本发明实施例中，处理器401调用存储器404中的程序代码，还用于执行以下操作：使用卷积神经网络模型提取待识别车牌中的序列特征；将待识别车牌中的序列特征依次输入双向长短记忆神经网络中进行序列标注；使用时序分类算法根据序列标注得到待识别车牌中的字符。
本发明实施例中，处理器401调用存储器404中的程序代码，还用于执行以下操作：使用2层深度双向长短时记忆神经网络对序列特征进行序列标注；使用1个全连接层将标注后的序列特征整合为一个68纬的输出序列；使用softmax函数将每个时间步长上的输出序列都转化为一个68类的概率分布。
本发明实施例中，处理器401调用存储器404中的程序代码，还用于执行以下操作：选取每个时间步长上概率最大的类组成待识别车牌中字符的预测结果；依次去除预测结果中的重复字符和空格，得到中间预测结果；选取中间预测结果的前7个字符作为待识别车牌中的字符的识别结果。
本发明实施例中，卷积神经网络模型为深度可分离卷积网络模型。
本发明实施例中，处理器401调用存储器404中的程序代码，还用于执行以下操作：将深度可分离卷积网络中每个卷积层的特征图的数量乘以一个超参数α(α>1)。
其中，通信总线402可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。
其中，处理器401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
实施例4
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行实施例1的任一方法步骤。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种车牌识别方法，其特征在于，包括如下步骤：
将合成车牌输入训练好的循环生成对抗网络中，得到真实化后的合成车牌，形成合成车牌训练集；所述循环生成对抗网络的生成器包括合成车牌向真实车牌的映射算法；
使用所述合成车牌训练集训练车牌识别模型；
采集若干真实车牌，形成真实车牌训练集；
使用所述真实车牌训练集训练所述车牌识别模型；
使用所述车牌识别模型对待识别车牌进行识别。
2.根据权利要求1所述的车牌识别方法，其特征在于，使用所述车牌识别模型对待识别车牌进行识别，包括如下步骤：
使用卷积神经网络模型提取所述待识别车牌中的序列特征；
将所述待识别车牌中的序列特征依次输入双向长短记忆神经网络中进行序列标注；
使用时序分类算法根据所述序列标注得到所述待识别车牌中的字符。
3.根据权利要求2所述的车牌识别方法，其特征在于，将所述待识别车牌中的序列特征依次输入双向长短记忆神经网络中进行序列标注，包括如下步骤：
使用2层深度双向长短时记忆神经网络对所述序列特征进行序列标注；
使用1个全连接层将标注后的序列特征整合为一个68纬的输出序列；
使用softmax函数将每个时间步长上的所述输出序列都转化为一个68类的概率分布。
4.根据权利要求3所述的车牌识别方法，其特征在于，使用时序分类算法根据所述序列标注得到所述待识别车牌中的字符，包括如下步骤：
选取每个时间步长上概率最大的类组成所述待识别车牌中字符的预测结果；
依次去除所述预测结果中的重复字符和空格，得到中间预测结果；
选取所述中间预测结果的前7个字符作为所述待识别车牌中的字符的识别结果。
5.根据权利要求2-4中任一项所述的车牌识别方法，其特征在于，所述卷积神经网络模型为深度可分离卷积网络模型。
6.根据权利要求5所述的车牌识别方法，其特征在于，将所述深度可分离卷积网络中每个卷积层的特征图的数量乘以一个超参数α(α>1)。
7.一种车牌识别装置，其特征在于，包括：
合成车牌训练集模块，用于将合成车牌输入训练好的循环生成对抗网络中，得到真实化后的合成车牌，形成合成车牌训练集；所述循环生成对抗网络的生成器包括合成车牌向真实车牌的映射算法；
识别模型第一训练模块，用于使用所述合成车牌训练集训练车牌识别模型；
真实车牌训练集模块，用于采集若干真实车牌，形成真实车牌训练集；
识别模型第二训练模块，用于使用所述真实车牌训练集训练所述车牌识别模型；
车牌识别模块，用于使用所述车牌识别模型对待识别车牌进行识别。
8.根据权利要求7所述的车牌识别装置，其特征在于，所述车牌识别模块包括：
特征提取单元，用于使用卷积神经网络模型提取所述待识别车牌中的序列特征；
序列标注单元，用于将所述待识别车牌中的序列特征依次输入双向长短记忆神经网络中进行序列标注；
字符识别单元，用于使用时序分类算法根据所述序列标注得到所述待识别车牌中的字符。
9.一种车牌识别设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述权利要求1-6中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现上述权利要求1-6中任一所述方法的步骤。
CN201811173200.1A 2018-10-09 2018-10-09 一种车牌识别方法、识别装置、识别设备及可读存储介质 Withdrawn CN109508717A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811173200.1A CN109508717A (zh) 2018-10-09 2018-10-09 一种车牌识别方法、识别装置、识别设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811173200.1A CN109508717A (zh) 2018-10-09 2018-10-09 一种车牌识别方法、识别装置、识别设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN109508717A true CN109508717A (zh) 2019-03-22

Family

ID=65746454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811173200.1A Withdrawn CN109508717A (zh) 2018-10-09 2018-10-09 一种车牌识别方法、识别装置、识别设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN109508717A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961057A (zh) * 2019-04-03 2019-07-02 罗克佳华科技集团股份有限公司 一种车辆位置获得方法及装置
CN109978792A (zh) * 2019-03-28 2019-07-05 厦门美图之家科技有限公司 一种生成图像增强模型的方法
CN109993678A (zh) * 2019-03-26 2019-07-09 南京联创北斗技术应用研究院有限公司 一种基于深度对抗生成网络的鲁棒信息隐藏方法
CN110084172A (zh) * 2019-04-23 2019-08-02 北京字节跳动网络技术有限公司 文字识别方法、装置和电子设备
CN110288031A (zh) * 2019-06-27 2019-09-27 浙江工业大学 一种基于序列学习的车牌识别方法
CN111037365A (zh) * 2019-12-26 2020-04-21 大连理工大学 基于生成式对抗网络的刀具状态监测数据集增强方法
CN111123927A (zh) * 2019-12-20 2020-05-08 北京三快在线科技有限公司 轨迹规划方法、装置、自动驾驶设备和存储介质
CN111435445A (zh) * 2019-12-24 2020-07-21 珠海大横琴科技发展有限公司 字符识别模型的训练方法及装置、字符识别方法及装置
CN111598075A (zh) * 2020-05-25 2020-08-28 深圳前海微众银行股份有限公司 图片生成方法、设备及可读存储介质
CN111652233A (zh) * 2020-06-03 2020-09-11 哈尔滨工业大学（威海） 一种针对复杂背景的文本验证码自动识别方法
CN111767945A (zh) * 2020-06-08 2020-10-13 上海交通大学 基于CycleGAN网络模型的车牌样本生成方法及系统
CN112101274A (zh) * 2020-09-24 2020-12-18 苏州科达科技股份有限公司 一种车牌识别方法、装置、设备及可读存储介质
CN112102424A (zh) * 2019-06-18 2020-12-18 顺丰科技有限公司 车牌图像生成模型构建方法、生成方法及装置
CN113743218A (zh) * 2021-08-03 2021-12-03 科大讯飞股份有限公司 一种车牌识别方法、车牌识别装置和计算机可读存储介质
CN113808405A (zh) * 2020-06-11 2021-12-17 济南市公安局交通警察支队 一种渣土车的实时预警方法
CN114092926A (zh) * 2021-10-20 2022-02-25 杭州电子科技大学 一种复杂环境下的车牌定位和识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388896A (zh) * 2018-02-09 2018-08-10 杭州雄迈集成电路技术有限公司 一种基于动态时序卷积神经网络的车牌识别方法
CN108470187A (zh) * 2018-02-26 2018-08-31 华南理工大学 一种基于扩充训练数据集的类别不平衡问题分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388896A (zh) * 2018-02-09 2018-08-10 杭州雄迈集成电路技术有限公司 一种基于动态时序卷积神经网络的车牌识别方法
CN108470187A (zh) * 2018-02-26 2018-08-31 华南理工大学 一种基于扩充训练数据集的类别不平衡问题分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XINLONG WANG ET.AL.: ""Adversarial Generation of Training Examples：Applications to Moving Vehicle License Plate Recognition"", 《COMPUTER VISION AND PATTERN RECOGNITION》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993678A (zh) * 2019-03-26 2019-07-09 南京联创北斗技术应用研究院有限公司 一种基于深度对抗生成网络的鲁棒信息隐藏方法
CN109993678B (zh) * 2019-03-26 2020-04-07 南京联创北斗技术应用研究院有限公司 一种基于深度对抗生成网络的鲁棒信息隐藏方法
CN109978792A (zh) * 2019-03-28 2019-07-05 厦门美图之家科技有限公司 一种生成图像增强模型的方法
CN109961057A (zh) * 2019-04-03 2019-07-02 罗克佳华科技集团股份有限公司 一种车辆位置获得方法及装置
CN110084172A (zh) * 2019-04-23 2019-08-02 北京字节跳动网络技术有限公司 文字识别方法、装置和电子设备
CN110084172B (zh) * 2019-04-23 2022-07-29 北京字节跳动网络技术有限公司 文字识别方法、装置和电子设备
CN112102424A (zh) * 2019-06-18 2020-12-18 顺丰科技有限公司 车牌图像生成模型构建方法、生成方法及装置
CN110288031A (zh) * 2019-06-27 2019-09-27 浙江工业大学 一种基于序列学习的车牌识别方法
CN110288031B (zh) * 2019-06-27 2021-07-27 浙江工业大学 一种基于序列学习的车牌识别方法
CN111123927A (zh) * 2019-12-20 2020-05-08 北京三快在线科技有限公司 轨迹规划方法、装置、自动驾驶设备和存储介质
CN111435445A (zh) * 2019-12-24 2020-07-21 珠海大横琴科技发展有限公司 字符识别模型的训练方法及装置、字符识别方法及装置
CN111037365B (zh) * 2019-12-26 2021-08-20 大连理工大学 基于生成式对抗网络的刀具状态监测数据集增强方法
CN111037365A (zh) * 2019-12-26 2020-04-21 大连理工大学 基于生成式对抗网络的刀具状态监测数据集增强方法
CN111598075A (zh) * 2020-05-25 2020-08-28 深圳前海微众银行股份有限公司 图片生成方法、设备及可读存储介质
CN111652233A (zh) * 2020-06-03 2020-09-11 哈尔滨工业大学（威海） 一种针对复杂背景的文本验证码自动识别方法
CN111767945A (zh) * 2020-06-08 2020-10-13 上海交通大学 基于CycleGAN网络模型的车牌样本生成方法及系统
CN113808405A (zh) * 2020-06-11 2021-12-17 济南市公安局交通警察支队 一种渣土车的实时预警方法
CN112101274A (zh) * 2020-09-24 2020-12-18 苏州科达科技股份有限公司 一种车牌识别方法、装置、设备及可读存储介质
CN112101274B (zh) * 2020-09-24 2023-02-10 苏州科达科技股份有限公司 一种车牌识别方法、装置、设备及可读存储介质
CN113743218A (zh) * 2021-08-03 2021-12-03 科大讯飞股份有限公司 一种车牌识别方法、车牌识别装置和计算机可读存储介质
CN113743218B (zh) * 2021-08-03 2024-05-31 科大讯飞股份有限公司 一种车牌识别方法、车牌识别装置和计算机可读存储介质
CN114092926A (zh) * 2021-10-20 2022-02-25 杭州电子科技大学 一种复杂环境下的车牌定位和识别方法
CN114092926B (zh) * 2021-10-20 2024-07-16 杭州电子科技大学 一种复杂环境下的车牌定位和识别方法

Similar Documents

Publication Publication Date Title
CN109508717A (zh) 一种车牌识别方法、识别装置、识别设备及可读存储介质
CN111626300B (zh) 基于上下文感知的图像语义分割模型的图像分割方法及建模方法
CN109191382B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN110188768B (zh) 实时图像语义分割方法及系统
CN109410261B (zh) 基于金字塔池化模块的单目图像深度估计方法
DE102019107928A1 (de) Generative Modellierung von neuronalen Netzen zum Transformieren von Sprachäußerungen und Erweitern von Trainingsdaten
CN108140144B (zh) 一种对神经网络模型进行训练的方法、装置及电子设备
CN113379786B (zh) 图像抠图方法、装置、计算机设备及存储介质
WO2020258902A1 (zh) 图像生成和神经网络训练方法、装置、设备和介质
CN109919252A (zh) 利用少数标注图像生成分类器的方法
CN107679539B (zh) 一种基于局部感知野的单卷积神经网络局部信息与全局信息整合方法
CN112257578A (zh) 人脸关键点检测方法、装置、电子设备及存储介质
CN111488979A (zh) 设备上持续学习用于分析输入数据的神经网络的方法及装置
CN110619334A (zh) 基于深度学习的人像分割方法、架构及相关装置
CN116468947A (zh) 刀具图像识别方法、装置、计算机设备及存储介质
CN107729885B (zh) 一种基于多重残差学习的人脸增强方法
CN109284700A (zh) 图像中多个人脸检测的方法、存储介质、设备及系统
CN109145107A (zh) 基于卷积神经网络的主题提取方法、装置、介质和设备
CN113096001A (zh) 图像处理方法、电子设备及可读存储介质
CN114022748B (zh) 目标识别方法、装置、设备及存储介质
CN113486781B (zh) 一种基于深度学习模型的电力巡检方法及装置
CN110135428A (zh) 图像分割处理方法和装置
CN111401335B (zh) 一种关键点检测方法及装置、存储介质
KR20210038027A (ko) 신경망 압축 훈련 방법 및 압축된 신경망을 이용하는 방법
CN113191233B (zh) 盲信号分离方法及系统、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20190322

WW01 Invention patent application withdrawn after publication