(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210574127.9 (22)申请日 2022.05.25 (65)同一申请的已公布的文献号 申请公布号 CN 114663731 A (43)申请公布日 2022.06.24 (73)专利权人 杭州雄迈集成电路技 术股份有限 公司 地址 311400 浙江省杭州市富阳区银湖街 道富闲路9号银湖创新中心 9号楼四层 (72)发明人 张浩　 (74)专利代理 机构 杭州裕阳联合专利代理有限 公司 33289 专利代理师 杨琪宇 (51)Int.Cl. G06V 10/774(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 20/62(2022.01) G06V 20/52(2022.01) G06V 20/54(2022.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (56)对比文件 CN 112597995 A,2021.04.02 审查员 苏晓燕 (54)发明名称 车牌检测模 型的训练方法及系统、 车牌检测 方法及系统 (57)摘要 本发明公开一种车牌检测模型的训练方法 及系统、 车牌检测方法及系统， 其中， 训练方法包 括迭代训练过程中， 基于各正样 本点的点损失值 生成误差损失， 并基于误差损失对 预训练模型反 馈更新的步骤； 计算正样本点的点损失值的步骤 为： 提取正样本点所对应的预测标签； 基于预测 标签和各车牌类别对应的分类标签， 生成正样本 点在各车牌类别下的分类损失值； 基于分类损失 值提取相应的车牌类别作为目标类别； 获取正样 本点属于目标类别的置信度， 将 置信度作为相应 的损失权重； 基于预测标签， 以及各目标类别所 对应的损失权重和分类标签进行损失计算， 生成 相应的点损失值。 本发明对误差损失的设计能够 提高对错标数据的容错率， 从而提高所得车牌检 测模型的鲁棒 性。 权利要求书3页 说明书11页 附图3页 CN 114663731 B 2022.09.20 CN 114663731 B 1.一种车牌检测模型的训练方法， 其特征在于， 包括迭代训练过程中， 基于各正样本点 的点损失值 生成误差损失， 并基于误差损失对预训练模型反馈更新的步骤； 所述预训练模型的输入是样本图像， 输出 是分类预测数据； 所述分类预测数据包括若干正样本点， 以及各正样本点所对应的预测标签， 所述预测 标签包括对应正样本点属于各 车牌类别的置信度； 计算正样本点的点损失值的步骤为： 提取所述正样本点所对应的预测标签； 基于所述预测标签和各车牌类别对应的分类标签， 生成所述正样本点在各车牌类别下 的分类损失值； 基于所述分类损失值 提取相应的车牌类别作为目标类别； 获取所述正样本点属于所述目标类别的置信度， 将所述置信度作为相应的损失权 重； 基于所述预测标签， 以及各目标类别所对应的损 失权重和分类标签进行损 失计算， 生 成相应的点损失值； 权重数据的获取 方式包括： 基于车牌类别对当前迭代训练中的样本图像的数量进行分类统计， 获得各车牌类别所 对应的样本图像数； 基于各样本图像数， 生成与所述车牌类别一一对应的动态权重， 获得权重数据， 其中， 车牌类别所对应的动态权 重和样本图像数负相关。 2.根据权利要求1所述的车牌检测模型的训练方法， 其特征在于， 基于所述分类损失值 提取相应的车牌类别作为目标类别的具体步骤为： 基于所述分类损失值最大的N个车牌类别作为目标类别， 其中， 1≤N＜M， M表示车牌类 别的总数。 3.根据权利要求2所述的车牌检测模型的训练方法， 其特征在于， 点损 失值E的计算公 式为： 其中， N表示目标类别的数量， kn表示第n个目标类别所对应的损失权重， Yn表示第n个目 标类别所对应的分类标签， 表示目标样本点的预测标签。 4.根据权利要求1至3任意一项所述的车牌检测模型的训练方法， 其特征在于， 预训练 模型的获取 方式包括： 基于样本 图像对预设的车牌检测网络进行迭代训练， 直至满足预设的迭代终止条件， 获得预训练模型， 其中迭代训练包括以下步骤： 将样本图像输入所述车牌检测网络， 由车牌检测网络输出包含若干个预测标签的分类 预测数据， 所述分类预测数据包括若干样本点， 以及各样 本点所对应的预测标签， 其中样本 点包括正样本点和负样本点， 预测标签用于指示对应样本点属于各分类类别的置信度， 所 述分类类别包括背景和各 车牌类别；权　利　要　求　书 1/3 页 2 CN 114663731 B 2获取权重标签， 并获取与所述预测标签一 一对应的标注标签； 基于所述权重标签、 预测标签和标注标签生成相应的分类预测损 失， 基于所述分类预 测损失对预训练模型进行反馈更新。 5.根据权利要求4所述的车牌检测模型的训练方法， 其特征在于， 所述权重标签的获取 步骤为： 判断当前迭代次数 是否超过 预设的阶段次数阈值； 当未超过时， 提取 预设的静态权 重矩阵作为权 重标签； 当超过时： 基于车牌类别对当前迭代训练中的样本图像的数量进行分类统计， 获得各车牌类别所 对应的样本图像数； 基于各样本 图像数， 生成与所述车牌类别一一对应的动态权重， 基于所得各动态权重 生成权重标签。 6.根据权利要求4所述的车牌检测模型的训练方法， 其特征在于， 所述标注标签的获取 方式包括： 获取样本图像所对应的标注数据， 所述标注数据包括对应车牌的位置信息和类别信 息； 基于所述标注数据， 确定样本点的分类类别， 将所述分类类别所对应的分类标签作为 相应样本点的标注标签。 7.一种车牌检测模型的训练系统， 其特征在于， 用于基于样本图像， 对预训练模型进行 迭代训练， 获得 车牌检测模型， 训练系统包括预测模块、 计算模块和更新模块； 所述预测模块， 用于将样本 图像输入所述预训练模型， 由所述预训练模型输出相应的 分类预测数据， 所述分类预测数据包括若干正样本点， 以及各正样本点所对应的预测标签， 所述预测标签包括对应正样本点属于各 车牌类别的置信度； 所述计算模块， 用于基于各车牌类别的分类标签以及各正样本点所对应的预测标签， 计算各正样本点的点损失值， 还用于基于所述 点损失值 生成误差损失； 所述更新模块， 用于基于所述 误差损失对预训练模型进行反馈更新； 其中， 所述计算模块包括： 第一提取单元， 用于提取正样本点所对应的预测标签； 第一计算单元， 用于基于所述预测标签和各车牌类别对应的分类标签， 生成所述正样 本点在各 车牌类别下的分类损失值； 筛选单元， 用于基于所述分类损失值 提取相应的车牌类别作为目标类别； 第二提取单元， 用于获取所述正样本点属于所述目标类别的置信度， 将所述置信度作 为相应的损失权 重； 第二计算单元， 基于所述预测标签， 以及各目标类别所对应的损 失权重和分类标签进 行损失计算， 生成相应的点损失值； 权重计算单 元： 用于基于车牌类别对当前迭代训练中的样本图像的数量进行分类统计， 获得各车牌类 别所对应的样本图像数； 还用于基于各样本图像数， 生成与所述车牌类别一一对应的动态权重， 获得权重数据，权　利　要　求　书 2/3 页 3 CN 114663731 B 3