端到端的车牌识别网络构建方法

1.一种端到端的车牌识别网络构建方法，其特征是采用卷积神经网络直接端到端的训练推理，卷积神经网络的输入是一幅车牌的图像，卷积神经网络的输出相应车牌的文字；所述卷积神经网络的设计方法包括：1)模型架构设计对于输入的车牌的图像，使用ResNet18作为主干特征提取网络，提取特征；将提取到的特征分别送入多个相同的分类器；每个分类器是由一个三层的前馈神经网络构成；第1个分类器的输出维度是38，用于预测车牌中的第1位字符，是车牌的隶属省份；第2个分类器的输出维度是25，用于预测车牌中的第2位字符，是车牌的隶属区域；其余分类器的输出维度是35，用于预测车牌中的其余字符，是车牌的个人编码；2)标签制作车牌的字符进行编码分为三个部分，依次是省份PROVINCES、地区ALPHABETS和个人ADS编码；在编码时候，把蓝色燃油车牌中的个人编码对应字符位数与新能源车牌中的个人编码对应字符位数设置为相同，字符位数相差部分用“”表示；车牌字符编码表示为：PROVINCES＝[“京”，“津”，“沪”，“渝”，“冀”，“豫”，“川”，“云”，“辽”，“黑”，“湘”，“皖”，“鲁”，“苏”，“浙”，“赣”，“鄂”，“晋”，“蒙”，“吉”，“黑”，“闽”，“粤”，“桂”，“琼”，“贵”，“藏”，“陕”，“甘”，“青”，“宁”，“新”，“警”，“学”]ALPHABETS＝[‘A’,’B’,’C’,’D’,’E’,’F’,’G’,’H’,’J’,’K’,’L’,’M’,’N’,’P’,’Q’,’R’,’S’,’T’,’U’,’V’,’W’,’X’,’Y’,’Z’,]ADS＝[’A’,’B’,’C’,’D’,’E’,’F’,’G’,’H’,’J’,’K’,’L’,’M’,’N’,’P’,’Q’,’R’,’S’,’T’,’U’,’V’,’W’,’X’,’Y’,’Z’,’0’,’1’,’2’,’3’,’4’,’5’,’6’,’7’,’8’,’9’,”]3)使用损失函数优化卷积神经网络使用交叉熵作为损失函数，损失是八个分类器损失的和；4)训练网络采用随机梯度下降法进行训练，采用迁移学习的方式，加载ResNet18在coco数据集上的预训练权重；新增的分类器权重满足高斯分布随机初始化，标准差为0.01；在每次迭代过程中，将一批被标记的训练数据输入到网络中，然后更新参数。 2.根据权利要求1所述的端到端的车牌识别网络构建方法，其特征是所述步骤1)中，分类器有8个，第3～8个分类器用于预测车牌中的第3～8个字符，是车牌的个人编码。 3.根据权利要求1所述的端到端的车牌识别网络构建方法，其特征是在ADS个人编码的字典中，留有空格“”，把蓝色燃油车也视作八位字符，最后一位是空格“”。