CN106650740B - 一种车牌识别方法及终端 - Google Patents

Abstract

本发明实施例提供了一种车牌识别方法及终端，所述方法包括：获取待处理图像；对所述待处理图像进行预处理，得到目标图像；采用目标分类器对所述目标图像进行训练，得到包含字符的N个目标区域，所述N为大于1的整数；使用第一预设算法将所述N个目标区域连接起来，得到M个候选框，所述M为大于1的整数；根据车牌的预设几何特征对所述M个候选框进行筛选，得到K个目标候选框，所述K为小于所述M的正整数；采用第二预设算法将所述K个目标候选框分割为多个字符，并由所述多个字符得到多个字符序列；对所述多个字符序列进行识别，得到目标车牌。通过本发明实施例可提高车牌识别的正确率。

Description

一种车牌识别方法及终端

技术领域

本发明涉及视频监控技术领域，具体涉及一种车牌识别方法及终端。

背景技术

随着交通运输业的快速发展，人们的出行日益便捷，但与此同时也伴随着频繁发生的交通事故、交通拥堵等现象，使得交通安全问题越来越成为人们重点关注的问题。在现代的科技背景下，人们引入了智能交通运输系统(Intelligent Transportation System,ITS)，而车辆牌照作为目前唯一能外在的标记汽车的属性就显得十分重要，因此车辆牌照识别技术(Vehicle License Plate Recognition,VLPR)对于如今的交通运输业来说是一个很关键技术，车牌识别系统(License Plate Recognition System,LPRS)的构建也就应运而生。

现有技术中，车牌识别系统由三个关键的模块组成，它们分别是：车牌字符定位，车牌字符分割和车牌字符识别，这三个模块依次进行，相辅相成。车牌定位技术是车牌识别系统的主要环节，旨在把车牌从整个车辆图像中定位出来，现有技术中比较常见的方法有利用车牌的颜色和纹理信息结合得到车牌区域，利用车牌的边缘特征以及形状特征进行定位以及机器学习训练样本数据的方法。车牌字符分割则是车牌识别系统的关键成分，目的是把定位到车牌字符通过某种方法分割出来，主要分为连通域分析法和投影分析法。字符识别是车牌识别系统的必要因素，目的是把分割出来的车牌字符识别出确切的字符，也就是识别出车牌号，主要有模板匹配法和基于学习的方法。然而，在现实的应用场景下，现有的车牌信息通常是来自于摄像头的拍照或者摄影，另外又由于车辆是在行进的过程中、夜晚路灯或者车灯的影响以及天气气候等各种环境的影响，这都很可能造成拍摄的成像画面不清晰，这就使得车牌的定位、车牌字符的特征提取以及对车牌的识别工作会有很大的挑战。

发明内容

本发明实施例提供了一种车牌识别方法及终端，以期提高车牌识别的正确率。

本发明实施例第一方面提供了一种车牌识别方法，包括：

获取待处理图像；

对所述待处理图像进行预处理，得到目标图像；

采用目标分类器对所述目标图像进行训练，得到包含字符的N个目标区域，所述N为大于1的整数；

使用第一预设算法将所述N个目标区域连接起来，得到M个候选框，所述M为大于1的整数；

根据车牌的预设几何特征对所述M个候选框进行筛选，得到K个目标候选框，所述K为小于所述M的正整数；

采用第二预设算法将所述K个目标候选框分割为多个字符，并由所述多个字符得到多个字符序列；

对所述多个字符序列进行识别，得到目标车牌。

可选地，所述对所述待处理图像进行预处理，得到目标图像，包括：

将所述待处理图像转化为灰度图像；

对所述灰度图像进行填充处理，得到所述目标图像。

可选地，所述使用第一预设算法将所述N个目标区域连接起来，得到M个候选框，包括：

采用行程长度平滑算法对所述N个目标区域进行平滑处理，得到平滑处理后的所述N个目标区域；

将所述平滑处理后的所述N个目标区域连接成一个区域，并采用预设字符框将所述字符进行标记，得到所述M个候选框。

可选地，所述获取待处理图像之前，所述方法还包括：

获取正样本集和负样本集；

使用卷积神经网络算法对所述正样本集和所述负样本集进行训练，得到所述目标分类器。

可选地，所述对所述多个字符序列进行识别，得到目标车牌，包括：

采用如下公式分别对所述多个字符序列进行评分，得到所述多个评分值，如下：

其中，m函数为字符序列中每一字符的评分函数，所述字符序列的首字符的宽度为w₁，所述字符序列的剩余字符宽度为w₂，w₁＝(c₁)、w₂＝(c₂,c₃,...,c₇)，所述字符序列分割出的断点为所述字符序列为I∈R^W×H，所述字符序列的宽度为W，高度为H，s表示评分值，所述首字符所述剩余字符

将所述多个评分值中的最大值对应的字符序列作为所述目标车牌。

本发明实施例第二方面提供了一种终端，包括：

获取单元，用于获取待处理图像；

处理单元，用于对所述待处理图像进行预处理，得到目标图像；

训练单元，用于采用目标分类器对所述目标图像进行训练，得到包含字符的N个目标区域，所述N为大于1的整数；

连接单元，用于使用第一预设算法将所述N个目标区域连接起来，得到M个候选框，所述M为大于1的整数；

筛选单元，用于根据车牌的预设几何特征对所述M个候选框进行筛选，得到K个目标候选框，所述K为小于所述M的正整数；

分割单元，用于采用第二预设算法将所述K个目标候选框分割为多个字符，并由所述多个字符得到多个字符序列；

识别单元，用于对所述多个字符序列进行识别，得到目标车牌。

可选地，所述处理单元包括：

转化模块，用于将所述待处理图像转化为灰度图像；

填充模块，用于对所述灰度图像进行填充处理，得到所述目标图像。

可选地，所述连接单元包括：

处理模块，用于采用行程长度平滑算法对所述N个目标区域进行平滑处理，得到平滑处理后的所述N个目标区域；

连接模块，用于将所述平滑处理后的所述N个目标区域连接成一个区域，并采用预设字符框将所述字符进行标记，得到所述M个候选框。

可选地，所述获取单元，还具体用于：

在获取待处理图像之前，获取正样本集和负样本集；

所述训练单元，还具体用于：

训练使用卷积神经网络算法对所述正样本集和所述负样本集进行训练，得到所述目标分类器。

可选地，所述识别单元包括：

评分模块，用于采用如下公式分别对所述多个字符序列进行评分，得到所述多个评分值，如下：

其中，m函数为字符序列中每一字符的评分函数，所述字符序列的首字符的宽度为w₁，所述字符序列的剩余字符宽度为w₂，w₁＝(c₁)、w₂＝(c₂,c₃,...,c₇)，所述字符序列分割出的断点为所述字符序列为I∈R^W×H，所述字符序列的宽度为W，高度为H，s表示评分值，所述首字符所述剩余字符

确定模块，用于将所述多个评分值中的最大值对应的字符序列作为所述目标车牌。

实施本发明实施例，具有如下有益效果：

通过本发明实施例，获取待处理图像，对待处理图像进行预处理，得到目标图像，采用目标分类器对目标图像进行训练，得到包含字符的N个目标区域，N为大于1的整数，使用第一预设算法对N个目标区域将N个目标区域连接起来，得到M个候选框，M为大于1的整数，根据车牌的预设几何特征对M个候选框进行筛选，得到K个目标候选框，K为小于M的正整数，采用第二预设算法将K个目标候选框分割为多个字符，并由多个字符得到多个字符序列，对多个字符序列进行识别，得到目标车牌。如此，可提高车牌识别的正确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种车牌识别方法的第一实施例流程示意图；

图2是本发明实施例提供的一种车牌识别方法的第二实施例流程示意图；

图3a是本发明实施例提供的一种终端的第一实施例结构示意图；

图3b是本发明实施例提供的图3a所描述的终端的处理单元的结构示意图；

图3c是本发明实施例提供的图3a所描述的终端的连接单元的结构示意图；

图3d是本发明实施例提供的图3a所描述的终端的识别单元的结构示意图；

图4是本发明实施例提供的一种终端的第二实施例结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本发明实施例所描述终端可以包括智能手机(如Android手机、iOS手机、WindowsPhone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备(MID，Mobile InternetDevices)或穿戴式设备等，上述仅是举例，而非穷举，包含但不限于上述终端。

深度学习作为机器学习研究中的一个新领域，这两年在图像识别、语音识别以及自然语言处理方面取得了巨大的成功。深度学习是通过构建多层神经网络模型来训练数据，可以学习出有用的特征，通过对大量样本学习可以得到很高的识别正确率。但是在同时需要识别多个属性时，已有的深度学习方法往往是通过将各个属性独立出来，为每一个属性训练一个模型，这无疑大大增加了复杂度。因此，如何将各个属性联系起来，通过设计一个模型即可对多个属性进行识别成为当下继续解决的问题。

请参阅图1，为本发明实施例提供的一种车牌识别方法的第一实施例流程示意图。本实施例中所描述的车牌识别方法，包括以下步骤：

101、获取待处理图像。

其中，待处理图像为包含车牌的图像。

102、对所述待处理图像进行预处理，得到目标图像。

可选地，上述预处理可包括但不仅限于：图像争抢处理，图像缩小处理，图像质量评价，图像复原、图像去噪等等。

可选地，上述步骤102中，对所述待处理图像进行预处理，得到目标图像，可包括如下步骤：

对待处理图像进行图像质量评价，得到图像质量评价值；

若该图像质量评价值小于预设阈值，则对该待处理图像进行图像增强，得到目标图像。

其中，预设阈值可由用户自行设置或者系统默认。

进一步可选地，可采用至少一个图像质量评价指标对待处理图像进行图像质量评价，得到图像质量评价值，其中，图像质量评价指标可包括但不仅限于：平均灰度、均方差、熵、边缘保持度、信噪比等等。

需要说明的是，由于采用单一评价指标对图像质量进行评价时，具有一定的局限性，因此，可采用多个图像质量评价指标对图像质量进行评价，当然，对图像质量进行评价时，并非图像质量评价指标越多越好，因为图像质量评价指标越多，图像质量评价过程的计算复杂度越高，也不见得图像质量评价效果越好，因此，在对图像质量评价要求较高的情况下，可采用2～10个图像质量评价指标对图像质量进行评价。具体地，选取图像质量评价指标的个数及哪个指标，依据具体实现情况而定。当然，也得结合具体地场景选取图像质量评价指标，在暗环境下进行图像质量评价和亮环境下进行图像质量评价选取的图像质量指标可不一样。

可选地，在对图像质量评价精度要求不高的情况下，可用一个图像质量评价指标进行评价，例如，以熵对待处理图像进行图像质量评价值，可认为熵越大，则说明图像质量越好，相反地，熵越小，则说明图像质量越差。

可选地，在对图像质量评价精度要求较高的情况下，可以采用多个图像质量评价指标对待处理图像进行评价，在多个图像质量评价指标对待处理图像进行图像质量评价时，可设置该多个图像质量评价指标中每一图像质量评价指标的权重，可得到多个图像质量评价值，根据该多个图像质量评价值及其对应的权重可得到最终的图像质量评价值，例如，三个图像质量评价指标分别为：A指标、B指标和C指标，A的权重为a1，B的权重为a2，C的权重为a3，采用A、B和C对某一图像进行图像质量评价时，A对应的图像质量评价值为b1，B对应的图像质量评价值为b2，C对应的图像质量评价值为b3，那么，最后的图像质量评价值＝a1b1+a2b2+a3b3。通常情况下，图像质量评价值越大，说明图像质量越好。

可选地，上述步骤102中，对所述待处理图像进行预处理，得到目标图像，可包括如下步骤：

21)、将所述待处理图像转化为灰度图像；

22)、对所述灰度图像进行填充处理，得到所述目标图像。

其中，可对待处理图像进行灰度化和灰度填充处理，例如，灰度化可通过使用matlab自带的灰度化函数rgb2gray()来实现，灰度填充可在灰度化后使用matlab自带的另外一个函数padarray()来实现。

103、采用目标分类器对所述目标图像进行训练，得到包含字符的N个目标区域，所述N为大于1的整数。

在步骤101之前，可得到目标分类器。

首先训练出分类器。使用卷积神经网络来训练出一个能分类出字符或非字符的分类器，以便后面步骤车牌字符定位的需要。这个步骤需要大量的车牌图像的训练样本。

104、使用第一预设算法将所述N个目标区域连接起来，得到M个候选框，所述M为大于1的整数。

其中，第一预设算法可为行程长度平滑算法(Run Length Smoothing Algorithm,RLSA)。

可选地，上述步骤104中，使用第一预设算法将所述N个目标区域连接起来，得到M个候选框，可包括如下步骤：

41)、采用行程长度平滑算法对所述N个目标区域进行平滑处理，得到平滑处理后的所述N个目标区域；

42)、将所述平滑处理后的所述N个目标区域连接成一个区域，并采用预设字符框将所述字符进行标记，得到所述M个候选框。

105、根据车牌的预设几何特征对所述M个候选框进行筛选，得到K个目标候选框，所述K为小于所述M的正整数。

其中，上述预设几何特征可包括但不仅限于：车牌的字符宽度、车牌的字符高度、车牌颜色、车牌的螺钉位置、车牌的尺寸比例等等。

106、采用第二预设算法将所述K个目标候选框分割为多个字符，并由所述多个字符得到多个字符序列。

其中，第二预设算法可为行程长度平滑算法。

其中，上述行程长度平滑算法，指的是设定一个阈值，利用这个阈值可以把车牌图像上的字符给区别出来。把行程长度平滑算法应用于车牌字符的切割上，需要分为两步。具体操作如下：

首先，把车牌图像中有字符的位置的字符连接起来，以区别没字符的部分。对于车牌字符的图像的每行像素的平均值可以得出，记为μ；以及车牌字符的图像的每行像素的标准差也是可以算出的，记为σ。这一步，我们设行程长度平滑算法的阈值为3μ-0.5σ，也就是说，如果有字符的部分两边相邻的空格小于3μ-0.5σ时，那么就意味着此时这个字符与邻近的字符相距小于这个阈值，则把这样类似的邻近区域连接起来，形成上述步骤104中所描述的一块。

其次，经过步骤105的筛选操作，筛选掉了不符合条件的候选区域，那么就得到了只有车牌字符的局域。然后，就是把只有车牌字符的局域(也就是车牌区域)连接起来的字符块分割成一个一个的字符。对于这一步，先把该图像裁剪成只有车牌区域的图片，而且根据上一步所知，相邻的字符其实是连接着的。然后，如果连接字符的水平间距小于字符平均水平间距线距离，则再次使用行程长度平滑算法，由此产生的连接块即为单个字符单独设立了字符框。最后，就是使用以下所述的车牌字符序列评分方法对车牌字符进行识别。

107、对所述多个字符序列进行识别，得到目标车牌。

可选地，上述步骤107中，对所述多个字符序列进行识别，得到目标车牌，可包括如下步骤：

61)、采用如下公式分别对所述多个字符序列进行评分，得到所述多个评分值，如下：

其中，m函数为字符序列中每一字符的评分函数，所述字符序列的首字符的宽度为w₁，所述字符序列的剩余字符宽度为w₂，w₁＝(c₁)、w₂＝(c₂,c₃,...,c₇)，所述字符序列分割出的断点为所述字符序列为I∈R^W×H，所述字符序列的宽度为W，高度为H，s表示评分值，所述首字符所述剩余字符

62)、将所述多个评分值中的最大值对应的字符序列作为所述目标车牌。其中，车牌字符序列的评分方法用于车牌字符识别。车牌字符识别要解决的问题是识别出已经定位到的多个近似结果的车牌字符序列的车牌字符图像，确定出最终车牌字符。本发明实施例针对车牌字符识别的评分方法，旨在根据该评分方法能较为准确地识别出车牌字符。

众所周知，车牌字符的第1个字符代表省份简称，大陆一共有31种车牌简称，则有31种情况；后面的6个字符由26个大写字母和10个数字排列组合而成，则每个字符有36种情况。这个认知使我们对字符识别的范围大大地缩小了，然后对车牌进行分割处理。为了从上述的固定范围内识别出车牌字符，就要使用一个评分模型对上述的多个近似结果的车牌字符图像进行评分，然后得分最高的结果可以认为是最终的车牌字符识别结果。

具体地，对于车牌的第1个字符单独处理，约占车牌的前1/7个位置，该宽度记为w¹，后面的6个字符则约占车牌的6/7个位置，该宽度记为w²。对于上述的每一个近似结果的车牌字符序列可记为w₁＝(c₁)、w₂＝(c₂,c₃,...,c₇)，对于车牌字符分割出的断点可以记为对于车牌图像可以记为I∈R^W×H，其中车牌字符总长度记为W，高度记为H。另外，对于前1个字符块可以用矩阵表示，后6个字符块可以用矩阵表示。

最后，就要对上述每一个近似结果的车牌字符图像进行评分了。其车牌字符评分函数如下：

其中：m函数即为车牌单字符的评分函数。

通常情况下，车牌识别方法中车牌定位准确率低，对于车辆是在行进的过程中、夜晚路灯或者车灯的影响以及天气气候的影响等复杂环境下的车牌识别率低等问题。本发明实施例，可针对上述的复杂环境也能较为准确的定位到并识别车牌，在拍摄到车牌画面不清晰的情况下，仍然能保持较高的识别率，能有效的用于多种场合的车牌识别方法。

以下为上述本发明实施例的详细阐述，具体如下：

1)、首先训练出分类器。使用卷积神经网络来训练出一个能分类出字符或非字符的分类器，以便后面步骤车牌字符定位的需要。这个步骤需要大量的车牌图像的训练样本；

2)、然后获取车牌图像并对图像进行预处理。具体的方法是对图片进行灰度化和灰度填充的处理，所述灰度化是通过使用matlab自带的灰度化函数rgb2gray()来实现，灰度填充是在灰度化后使用matlab自带的另外一个函数padarray()来实现；

3)、其次使用步骤1训练出来的分类器与步骤2预处理后的图像上，定位到车牌图像中有字符的位置；

4)、再使用行程长度平滑算法将车牌字符连接起来形成一块，并用字符框把识别的区域框起来形成多个候选区域；

5)、然后根据车牌的几何特征宽高比来筛选掉不符合条件的候选区域；

6)、然后再次使用行程长度平滑算法将连接成一块的车牌字符分割成一个一个独立的字符，同时也可以得到车牌字符的多种近似结果，形成一个车牌字符序列；

7)、最后对步骤6分割出来的独立字符的多个近似结果的车牌字符序列的进行识别，从而识别出最终得到的车牌字符。

通过本发明实施例，获取待处理图像，对待处理图像进行预处理，得到目标图像，采用目标分类器对目标图像进行训练，得到包含字符的N个目标区域，N为大于1的整数，使用第一预设算法对N个目标区域将N个目标区域连接起来，得到M个候选框，M为大于1的整数，根据车牌的预设几何特征对M个候选框进行筛选，得到K个目标候选框，K为小于M的正整数，采用第二预设算法将K个目标候选框分割为多个字符，并由多个字符得到多个字符序列，对多个字符序列进行识别，得到目标车牌。如此，本发明实施例，可针对上述的复杂环境也能较为准确的定位到并识别车牌，在拍摄到车牌画面不清晰的情况下，仍然能保持较高的识别率，能有效的用于多种场合的车牌识别方法，从而，提高车牌识别的正确率。

与上述一致地，请参阅图2，为本发明实施例提供的一种车牌识别方法的第二实施例流程示意图。本实施例中所描述的车牌识别方法，包括以下步骤：

201、获取车牌图像的正样本集和负样本集；

其中，步骤201中的正样本集可为车牌图像，例如，车牌图像的特征等等，正样本集中包含多个正样本。负样本集则为用户想检索的车牌图像之外的景物，负样本集中包含多个负样本。上述正样本集和负样本集的包含的样本数量当然越多，训练出来的模型越准确，但是，正样本和负样本的数量越多，也会增加训练时候的计算成本。采用分类器对正样本集和负样本集进行训练，就可以得到一个训练模型。其中，上述分类器可为神经网络分类器，支持向量基(Support Vector Machine，SVM)分类器、遗传算法分类器、CNN分类器等等。

202、使用卷积神经网络算法对所述正样本集和所述负样本集进行训练，得到目标分类器。

203、获取待处理图像。

204、对所述待处理图像进行预处理，得到目标图像。

205、采用所述目标分类器对所述目标图像进行训练，得到包含字符的N个目标区域，所述N为大于1的整数。

206、使用第一预设算法将所述N个目标区域连接起来，得到M个候选框，所述M为大于1的整数。

207、根据车牌的预设几何特征对所述M个候选框进行筛选，得到K个目标候选框，所述K为小于所述M的正整数。

208、采用第二预设算法将所述K个目标候选框分割为多个字符，并由所述多个字符得到多个字符序列。

209、对所述多个字符序列进行识别，得到目标车牌。

其中，上述步骤203-步骤209可参照图1所描述的车型识别方法的对应步骤。

可以看出，通过本发明实施例，获取车牌图像的正样本集和负样本集，使用卷积神经网络算法对正样本集和所述负样本集进行训练，得到目标分类器，获取待处理图像，对待处理图像进行预处理，得到目标图像，采用目标分类器对目标图像进行训练，得到包含字符的N个目标区域，N为大于1的整数，使用第一预设算法对N个目标区域将N个目标区域连接起来，得到M个候选框，M为大于1的整数，根据车牌的预设几何特征对M个候选框进行筛选，得到K个目标候选框，K为小于M的正整数，采用第二预设算法将K个目标候选框分割为多个字符，并由多个字符得到多个字符序列，对多个字符序列进行识别，得到目标车牌。如此，本发明实施例，可针对上述的复杂环境也能较为准确的定位到并识别车牌，在拍摄到车牌画面不清晰的情况下，仍然能保持较高的识别率，能有效的用于多种场合的车牌识别方法，从而，提高车牌识别的正确率。

与上述一致地，以下为实施上述车牌识别方法的装置，具体如下：

请参阅图3a，为本发明实施例提供的一种终端的第一实施例结构示意图。本实施例中所描述的终端，包括：获取单元301、处理单元302、训练单元303、连接单元304、筛选单元305、分割单元306和识别单元307，具体如下：

获取单元301，用于获取待处理图像；

处理单元302，用于对所述待处理图像进行预处理，得到目标图像；

训练单元303，用于采用目标分类器对所述目标图像进行训练，得到包含字符的N个目标区域，所述N为大于1的整数；

连接单元304，用于使用第一预设算法将所述N个目标区域连接起来，得到M个候选框，所述M为大于1的整数；

筛选单元305，用于根据车牌的预设几何特征对所述M个候选框进行筛选，得到K个目标候选框，所述K为小于所述M的正整数；

分割单元306，用于采用第二预设算法将所述K个目标候选框分割为多个字符，并由所述多个字符得到多个字符序列；

识别单元307，用于对所述多个字符序列进行识别，得到目标车牌。

可选地，如图3b所示，图3b为图3a所描述的终端的处理单元302的细化结构，所述处理单元302可包括：处理模块3021和填充模块3022，具体如下：

转化模块3021，用于将所述待处理图像转化为灰度图像；

填充模块3022，用于对所述灰度图像进行填充处理，得到所述目标图像。

可选地，如图3c所示，图3c为图3a所描述的终端的连接单元304的细化结构，所述连接单元304包括：处理模块3041和连接模块3042，具体如下：

处理模块3041，用于采用行程长度平滑算法对所述N个目标区域进行平滑处理，得到平滑处理后的所述N个目标区域；

连接模块3042，用于将所述平滑处理后的所述N个目标区域连接成一个区域，并采用预设字符框将所述字符进行标记，得到所述M个候选框。

可选地，所述获取单元301，还具体用于：

在获取待处理图像之前，获取正样本集和负样本集；

所述训练单元303，还具体用于：

训练使用卷积神经网络算法对所述正样本集和所述负样本集进行训练，得到所述目标分类器。

可选地，如图3d所示，图3d为图3a所描述的终端的识别单元307的细化结构，所述识别单元307可包括：评分模块3071和确定模块3072，具体如下：

评分模块3071，用于采用如下公式分别对所述多个字符序列进行评分，得到所述多个评分值，如下：

其中，m函数为字符序列中每一字符的评分函数，所述字符序列的首字符的宽度为w₁，所述字符序列的剩余字符宽度为w₂，w₁＝(c₁)、w₂＝(c₂,c₃,...,c₇)，所述字符序列分割出的断点为所述字符序列为I∈R^W×H，所述字符序列的宽度为W，高度为H，s表示评分值，所述首字符所述剩余字符

确定模块3072，用于将所述多个评分值中的最大值对应的字符序列作为所述目标车牌。

可以看出，通过本发明实施例所描述的终端，可获取待处理图像，对待处理图像进行预处理，得到目标图像，采用目标分类器对目标图像进行训练，得到包含字符的N个目标区域，N为大于1的整数，使用第一预设算法对N个目标区域将N个目标区域连接起来，得到M个候选框，M为大于1的整数，根据车牌的预设几何特征对M个候选框进行筛选，得到K个目标候选框，K为小于M的正整数，采用第二预设算法将K个目标候选框分割为多个字符，并由多个字符得到多个字符序列，对多个字符序列进行识别，得到目标车牌。如此，本发明实施例，可针对上述的复杂环境也能较为准确的定位到并识别车牌，在拍摄到车牌画面不清晰的情况下，仍然能保持较高的识别率，能有效的用于多种场合的车牌识别方法，从而，提高车牌识别的正确率。

与上述一致地，请参阅图4，为本发明实施例提供的一种终端的第二实施例结构示意图。本实施例中所描述的终端，包括：至少一个输入设备1000；至少一个输出设备2000；至少一个处理器3000，例如CPU；和存储器4000，上述输入设备1000、输出设备2000、处理器3000和存储器4000通过总线5000连接。

其中，上述输入设备1000具体可为触控面板、物理按键或者鼠标。

上述输出设备2000具体可为显示屏。

上述存储器4000可以是高速RAM存储器，也可为非易失存储器(non-volatilememory)，例如磁盘存储器。上述存储器4000用于存储一组程序代码，上述输入设备1000、输出设备2000和处理器3000用于调用存储器4000中存储的程序代码，执行如下操作：

上述处理器3000，用于：

获取待处理图像；

对所述待处理图像进行预处理，得到目标图像；

采用目标分类器对所述目标图像进行训练，得到包含字符的N个目标区域，所述N为大于1的整数；

使用第一预设算法将所述N个目标区域连接起来，得到M个候选框，所述M为大于1的整数；

根据车牌的预设几何特征对所述M个候选框进行筛选，得到K个目标候选框，所述K为小于所述M的正整数；

采用第二预设算法将所述K个目标候选框分割为多个字符，并由所述多个字符得到多个字符序列；

对所述多个字符序列进行识别，得到目标车牌。

可选地，上述处理器3000对所述待处理图像进行预处理，得到目标图像，包括：

将所述待处理图像转化为灰度图像；

对所述灰度图像进行填充处理，得到所述目标图像。

可选地，上述处理器3000使用第一预设算法将所述N个目标区域连接起来，得到M个候选框，包括：

采用行程长度平滑算法对所述N个目标区域进行平滑处理，得到平滑处理后的所述N个目标区域；

将所述平滑处理后的所述N个目标区域连接成一个区域，并采用预设字符框将所述字符进行标记，得到所述M个候选框。

可选地，上述处理器3000在获取待处理图像之前，还具体用于：

获取车牌图像的正样本集和负样本集；

使用卷积神经网络算法对所述正样本集和所述负样本集进行训练，得到所述目标分类器。

可选地，上述处理器3000对所述多个字符序列进行识别，得到目标车牌，包括：

采用如下公式分别对所述多个字符序列进行评分，得到所述多个评分值，如下：

其中，m函数为字符序列中每一字符的评分函数，所述字符序列的首字符的宽度为w₁，所述字符序列的剩余字符宽度为w₂，w₁＝(c₁)、w₂＝(c₂,c₃,...,c₇)，所述字符序列分割出的断点为所述字符序列为I∈R^W×H，所述字符序列的宽度为W，高度为H，s表示评分值，所述首字符所述剩余字符

将所述多个评分值中的最大值对应的字符序列作为所述目标车牌。

本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种车牌识别方法的部分或全部步骤。

尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

本领域技术人员应明白，本发明的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机程序存储/分布在合适的介质中，与其它硬件一起提供或作为硬件的一部分，也可以采用其他分布形式，如通过Internet或其它有线或无线电信系统。

本发明是参照本发明实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种车牌识别方法，其特征在于，包括：

获取待处理图像；

对所述待处理图像进行预处理，得到目标图像；

采用目标分类器对所述目标图像进行训练，得到包含字符的N个目标区域，所述N为大于1的整数；

使用第一预设算法将所述N个目标区域连接起来，得到M个候选框，所述M为大于1的整数；

根据车牌的预设几何特征对所述M个候选框进行筛选，得到K个目标候选框，所述K为小于所述M的正整数；

采用第二预设算法将所述K个目标候选框分割为多个字符，并由所述多个字符得到多个字符序列；

对所述多个字符序列进行识别，得到目标车牌；

其中，所述使用第一预设算法将所述N个目标区域连接起来，得到M个候选框，包括：

采用行程长度平滑算法RLSA对所述N个目标区域进行平滑处理，得到平滑处理后的所述N个目标区域；

将所述平滑处理后的所述N个目标区域连接成一个区域，并采用预设字符框将所述字符进行标记，得到所述M个候选框；

其中，所述对所述多个字符序列进行识别，得到目标车牌，包括：

采用如下公式分别对所述多个字符序列进行评分，得到所述多个评分值，如下：

其中，m函数为字符序列中每一字符的评分函数，所述字符序列的首字符的宽度为w₁，所述字符序列的剩余字符宽度为w₂，w₁＝(c₁)、w₂＝(c₂,c₃,...,c₇)，所述字符序列分割出的断点为所述字符序列为I∈R^W×H，所述字符序列的宽度为W，高度为H，s表示评分值，所述首字符所述剩余字符

将所述多个评分值中的最大值对应的字符序列作为所述目标车牌。

2.根据权利要求1所述的方法，其特征在于，所述对所述待处理图像进行预处理，得到目标图像，包括：

将所述待处理图像转化为灰度图像；

对所述灰度图像进行填充处理，得到所述目标图像。

3.根据权利要求1或2所述的方法，其特征在于，所述获取待处理图像之前，所述方法还包括：

获取车牌图像的正样本集和负样本集；

使用卷积神经网络算法对所述正样本集和所述负样本集进行训练，得到所述目标分类器。

4.一种终端，其特征在于，包括：

获取单元，用于获取待处理图像；

处理单元，用于对所述待处理图像进行预处理，得到目标图像；

训练单元，用于采用目标分类器对所述目标图像进行训练，得到包含字符的N个目标区域，所述N为大于1的整数；

连接单元，用于使用第一预设算法将所述N个目标区域连接起来，得到M个候选框，所述M为大于1的整数；

筛选单元，用于根据车牌的预设几何特征对所述M个候选框进行筛选，得到K个目标候选框，所述K为小于所述M的正整数；

分割单元，用于采用第二预设算法将所述K个目标候选框分割为多个字符，并由所述多个字符得到多个字符序列；

识别单元，用于对所述多个字符序列进行识别，得到目标车牌；

其中，所述连接单元包括：

处理模块，用于采用行程长度平滑算法RLSA对所述N个目标区域进行平滑处理，得到平滑处理后的所述N个目标区域；

连接模块，用于将所述平滑处理后的所述N个目标区域连接成一个区域，并采用预设字符框将所述字符进行标记，得到所述M个候选框；

其中，所述识别单元包括：

评分模块，用于采用如下公式分别对所述多个字符序列进行评分，得到所述多个评分值，如下：

其中，m函数为字符序列中每一字符的评分函数，所述字符序列的首字符的宽度为w₁，所述字符序列的剩余字符宽度为w₂，w₁＝(c₁)、w₂＝(c₂,c₃,...,c₇)，所述字符序列分割出的断点为所述字符序列为I∈R^W×H，所述字符序列的宽度为W，高度为H，s表示评分值，所述首字符所述剩余字符

确定模块，用于将所述多个评分值中的最大值对应的字符序列作为所述目标车牌。

5.根据权利要求4所述的终端，其特征在于，所述处理单元包括：

转化模块，用于将所述待处理图像转化为灰度图像；

填充模块，用于对所述灰度图像进行填充处理，得到所述目标图像。

6.根据权利要求4或5所述的终端，其特征在于，所述获取单元，还具体用于：

在获取待处理图像之前，获取正样本集和负样本集；

所述训练单元，还具体用于：

训练使用卷积神经网络算法对所述正样本集和所述负样本集进行训练，得到所述目标分类器。