李世伟

（上海建桥学院 上海市 201306）

1 介绍

YOLOv5 目标检测算法是将物体的定位和分类在一起完成，在一个输出层回归bounding box 的位置和所属类别，在场景复杂的地方，误检会相对较多，而LPRNet[1]由轻量级的卷积神经网络组成，它采用端到端[2]的方法来进行训练，并且创建嵌入式部署的解决方案，以此来提高车牌识别的准确率和运算效率。

在车辆目标检测与车牌识别过程中，通过使用构成YOLOv5 模型的骨干网络CSPDarknet5 与LPRNet 的Backbone 来提取车辆图片信息的特征。然后，利用这些特征对LPRNET 和YOLOv5 的Neck 与Head 部分进行训练，最后，利用训练好的模型对车辆与车牌进行目标检测。图1显示了使用YOLOv5 模型进行车辆目标检测与LPRNET 模型进行车牌识别的框架。一般来说，该方法分为模型训练过程和模型推理两部分。在训练过程中，利用标注好的数据进行提取特征，支持目标检测与车牌识别任务的训练。在识别过程中，将车辆图片信息输入给训练好的混合模型进行识别。

图1：Yolov5 模型车辆目标检测与LPRNET 模型车牌识别框架

2 方法原理

2.1 YOLOv5主要内容

2.1.1 输入端

YOLOv5 模型的输入端采用了和YOLOv4[3]模型一样的数据增强的方式，即Mosaic 数据增强，利用随机缩放、随机裁剪、随机排布的方式进行拼接，对于小目标的检测效果具有明显提升。YOLOv5 算法针对不同的数据集，都会有初始设定长宽的锚框。在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框Ground Truth 进行比对，计算两者差距，再反向更新，迭代网络参数。在常用的目标检测算法中，不同的图片长宽都不相同，因此常用的方式是将原始图片统一缩放到一个标准尺寸，再送入检测网络中。……