车牌生成方法、装置、非易失性存储介质和计算机设备与流程

本发明涉及数据处理领域，具体而言，涉及一种车牌生成方法、装置、非易失性存储介质和计算机设备。

背景技术：

1、随着深度学习技术的不断发展，深度学习技术已经被广泛应用到各个领域，改善了我们的生产生活。然而，深度学习往往需要大量的样本数据支撑，可以说数据是深度学习的前提。当前，基于深度学习的汽车车牌检测已经应用到我们的日常生活中，这些技术的发展应用都需要大量的车牌样本进行训练。由于我国各省市间的车牌不尽相同，对于大量车牌样本的搜集和标注是一个工程量很大的工作。基于现实情况与需求，人工生成车牌数据被人们广泛应用。

2、现有技术中使用生成对抗网络生成车牌图片。这种方法能够批量的生成车牌图片，且能够生成不同风格的与真实车牌类似的图片。但是，生成车牌的风格和内容不受人为控制，不确定性太强。

3、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本发明实施例提供了一种车牌生成方法、装置、非易失性存储介质和计算机设备，以至少解决由于现有技术中生成的车牌的特征不确定性高且可解释性差的技术问题。

2、根据本发明实施例的一个方面，提供了一种车牌生成方法，包括：获取待生成车牌的特征信息；根据特征信息，确定解码器待输入的特征参数的多个维度参数中包括的目标维度参数的参数值，其中，解码器为预先训练的解耦表征学习模型中的解码器，特征参数的多个维度参数分别表征待生成车牌的多个特征，解耦表征学习模型为通过调整损失函数中超参数的值使特征参数的多个维度参数间的耦合度符合预定标准的模型，目标维度参数的参数值用于表征特征信息；确定特征参数的多个维度参数包括的除目标维度参数以外的待定维度参数的第一参数值；将第一参数值和目标维度参数的参数值输入解码器，生成目标车牌。

3、可选地，预先训练的解耦表征学习模型为通过如下步骤训练得到的模型：获取训练数据集，其中，训练数据集包括多个车牌样本；根据训练数据集对解耦表征学习模型的原始模型进行训练，确定解耦表征学习模型，其中，解耦表征学习模型包括通过训练确定的特征参数的多个维度参数。

4、可选地，根据训练数据集对原始模型进行训练，确定解耦表征学习模型，包括：获取超参数的超参数值，并根据超参数值确定原始模型，其中，超参数位于原始模型的损失函数中；根据训练数据集训练原始模型，得到训练模型，其中，训练模型包括特征参数的多个维度参数；在训练模型包括的特征参数的多个维度参数的耦合度达到预定标准的情况下，确定训练模型为解耦表征学习模型。

5、可选地，训练模型的损失函数为：

6、

7、其中，lβ-tc为损失函数，z为特征参数，j为特征参数的维度，zj为特征参数的第j个维度参数，n为训练数据集中的样本，kl(||)为kl散度函数，p(n)为样本的分布，q(n)为根据数学模型近似的样本的分布，lβ-tc中第三项为总相关性项。

8、可选地，在训练模型包括的多个待定参数的耦合度达到预定标准的情况下，确定训练模型为解耦表征学习模型之前，还包括：确定损失函数中总相关性项的数值；根据总相关性项的数值，确定特征参数的多个维度参数的耦合度，其中，耦合度表征特征参数的多个维度参数之间相互影响的程度；当耦合度小于预定的第一阈值时，确定特征参数的多个维度参数的耦合度达到预定标准。

9、可选地，确定训练模型为解耦表征学习模型，包括：调整特征参数的多个维度参数值为第二参数值，得到训练模型输出的车牌图像；确定车牌图像的图像质量；当图像质量大于预定的第二阈值时，确定训练模型为解耦表征学习模型。

10、可选地，确定车牌图像的图像质量，包括：确定车牌图像的平均梯度和熵，其中，平均梯度表征图像的清晰度，熵表征车牌图像包括的信息量；根据车牌图像的平均梯度和熵，确定图像质量。

11、根据本发明实施例的另一方面，还提供了一种车牌生成装置，包括：获取模块，用于获取待生成车牌的特征信息；第一确定模块，用于根据特征信息，确定解码器待输入的特征参数的多个维度参数中包括的目标维度参数的参数值，其中，解码器为预先训练的解耦表征学习模型中的解码器，特征参数的多个维度参数分别表征待生成车牌的多个特征，解耦表征学习模型为通过调整损失函数中超参数的值使特征参数的多个维度参数间的耦合度符合预定标准的模型，目标维度参数的参数值用于表征特征信息；第二确定模块，用于确定特征参数的多个维度参数包括的除目标维度参数以外的待定维度参数的第一参数值；生成模块，用于将第一参数值和目标维度参数的参数值输入解码器，生成目标车牌。

12、根据本发明实施例的又一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上述中任意一项车牌生成方法。

13、根据本发明实施例的再一方面，还提供了一种计算机设备，计算机设备包括处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项车牌生成方法。

14、在本发明实施例中，通过获取待生成车牌的特征信息；获取待生成车牌的特征信息；根据特征信息，确定解码器待输入的特征参数的多个维度参数中包括的目标维度参数的参数值，其中，解码器为预先训练的解耦表征学习模型中的解码器，特征参数的多个维度参数分别表征待生成车牌的多个特征，解耦表征学习模型为通过调整损失函数中超参数的值使特征参数的多个维度参数间的耦合度符合预定标准的模型，目标维度参数的参数值用于表征特征信息；确定特征参数的多个维度参数包括的除目标维度参数以外的待定维度参数的第一参数值；将第一参数值和目标维度参数的参数值输入解码器，生成目标车牌，达到了根据控制多个特征参数的值控制生成车牌的特征的目的，从而实现了根据特征信息生成具有对应特征的车牌的技术效果，进而解决了由于现有技术中生成的车牌的特征不确定性高且可解释性差的技术问题。

技术特征：

1.一种车牌生成方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述预先训练的解耦表征学习模型为通过如下步骤训练得到的模型：

3.根据权利要求2所述的方法，其特征在于，所述根据所述训练数据集对原始模型进行训练，确定所述解耦表征学习模型，包括：

4.根据权利要求3中任意一项所述的方法，其特征在于，所述训练模型的损失函数为：

5.根据权利要求4所述的方法，其特征在于，在所述训练模型包括的所述多个待定参数的耦合度达到所述预定标准的情况下，确定所述训练模型为所述解耦表征学习模型之前，还包括：

6.根据权利要求5所述的方法，其特征在于，所述确定所述训练模型为所述解耦表征学习模型，包括：

7.根据权利要求6所述的方法，其特征在于，所述确定所述车牌图像的图像质量，包括：

8.一种车牌生成装置，其特征在于，包括：

9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述车牌生成方法。

10.一种计算机设备，其特征在于，包括：存储器和处理器，

技术总结
本发明公开了一种车牌生成方法、装置、非易失性存储介质和计算机设备。其中，该方法包括：获取待生成车牌的特征信息；根据特征信息，确定解码器待输入的特征参数的多个维度参数中包括的特征参数的参数值，其中，解码器为预先训练的解耦表征学习模型中的解码器，特征参数的多个维度参数分别表征待生成车牌的多个特征，解耦表征学习模型为通过调整损失函数中超参数的值使特征参数的多个维度参数间的耦合度符合预定标准的模型，目标维度参数的参数值用于表征特征信息；确定待定维度参数的第一参数值；将第一参数值和特征参数的参数值输入解码器，生成目标车牌。本发明解决了由于现有技术中生成的车牌的特征不确定性高且可解释性差的技术问题。

技术研发人员：丁文强,李凡平,石柱国
受保护的技术使用者：以萨技术股份有限公司
技术研发日：
技术公布日：2024/1/12