基于生成对抗网络的车牌图片生成方法、介质和设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113743317A(43)申请公布日2021.12.03(21)申请号202111042570.3(22)申请日2021.09.07(71)申请人金陵科技学院地址211112江苏省南京市江宁区弘景大道99号(72)发明人孔令军王锐侯文涛刘伟光闫佳艺周耀威姜哲鹏李华康(74)专利代理机构江苏圣典律师事务所32237代理人梅学兵(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书3页附图2页(54)发明名称基于生成对抗网络的车牌图片生成方法、介质和设备(57)摘要本发明公开了基于生成对抗网络的车牌图片生成方法、介质和设备，方法包括构建生成对抗网络模型，包括生成网络和判别网络；对生成对抗网络模型进行训练；输入目标车牌字符，目标车牌字符与随机噪声被传送到生成网络，得到目标车牌图片。本发明采用了卷积生成对抗网络模型，基于少量的样本，自主生成车牌图片，解决了车牌样本较少的问题。经过对生成对抗网络模型的训练，能够生成无限多的车牌图片，也能生成想要的车牌字符图片。CN113743317ACN113743317A权利要求书1/1页1.基于生成对抗网络的车牌图片生成方法，其特征在于，包括以下步骤，S1、构建生成对抗网络模型，包括生成网络和判别网络；S2、对所述生成对抗网络模型进行训练，包括：S21、通过将样本车牌的字符输入语义器，提取字符特征，再将所述字符特征和随机噪声作为生成网络的输入，生成车牌图片作为训练集；S22、将真实的车牌图片与生成的车牌图片发送至判别网络，判断图片真假以及字符识别结果；S23、更新生成网络和判别网络的参数；S24、重复步骤S21～S23，直到判别网络的损失不收敛；S3、输入目标车牌字符，所述目标车牌字符与随机噪声被传送到生成网络，得到目标车牌图片。2.根据权利要求1所述的基于生成对抗网络的车牌图片生成方法，其特征在于，所述语义器为一文字识别模型，通过卷积网络实现。3.根据权利要求1所述的基于生成对抗网络的车牌图片生成方法，其特征在于，所述生成网络依次包括全连接层、上采样层、激活层和卷积层，还包括基于词向量的空间调整层，对所述全连接层、所述上采样层的输出进行监督。4.根据权利要求1所述的基于生成对抗网络的车牌图片生成方法，其特征在于，所述将所述字符特征和随机噪声作为生成网络的输入，生成车牌图片具体为，将字符特征向量作为监督量，随机噪声经过生成网络中的全连接层得到二维空间向量，接着经过多次上采样得到与字符特征尺寸相同的车牌图片。5.根据权利要求1所述的基于生成对抗网络的车牌图片生成方法，其特征在于，步骤S22之后还包括S22'、对图片真假的结果采用第一损失函数进行训练，对字符识别结果采用第二损失函数进行训练，图片真假和字符识别的损失之和为所述判别网络的损失。6.根据权利要求5所述的基于生成对抗网络的车牌图片生成方法，其特征在于，所述第一损失函数为softmax损失函数，所述第二损失函数为CTC损失函数。7.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1至6任一项中所述的方法。2CN113743317A说明书1/3页基于生成对抗网络的车牌图片生成方法、介质和设备技术领域[0001]本发明涉及计算机深度学习技术领域，尤其涉及一种基于生成对抗网络的车牌图片生成方法、介质和设备。背景技术[0002]随着深度学习的发展以及我国国内汽车日益增多，快速的检测出车辆的身份在人工智能领域具有重要的作用。目前发展比较成熟的快速定位车辆身份的如车牌检测以及车牌识别，都需要将大量车牌作为训练集进行深度学习，从而进一步应用到车牌检测或车牌识别计数中去。但从一些渠道收集车牌号会导致用户信息泄露，存在法律风险，从公开渠道获取则非常困难，因此急需一种理论上能够自动生成无限数量的车牌号作为训练集的技术。发明内容[0003]为了解决这一问题，本发明提供一种基于生成对抗网络的车牌图片生成方法、介质和设备，不但能够生成类似真实的车牌图片，还能够控制生成的车牌图片上具体的字符。[0004]本发明一方面，提供一种基于生成对抗网络的车牌图片生成方法，包括以下步骤，[0005]S1、构建生成对抗网络模型，包括生成网络和判别网络；[0006]S2、对所述生成对抗网络模型进行训练，包括：[00