CN108256541A - 车牌标识识别方法及装置 - Google Patents
车牌标识识别方法及装置 Download PDFInfo
- Publication number
- CN108256541A CN108256541A CN201611244685.XA CN201611244685A CN108256541A CN 108256541 A CN108256541 A CN 108256541A CN 201611244685 A CN201611244685 A CN 201611244685A CN 108256541 A CN108256541 A CN 108256541A
- Authority
- CN
- China
- Prior art keywords
- license plate
- subset
- similarity
- picture
- pictures
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims description 189
- 238000009826 distribution Methods 0.000 claims description 83
- 238000000605 extraction Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000003086 colorant Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种车牌标识识别方法及装置，方法包括：获取未识别车牌图片集合；获取已识别车牌图片集合，已识别车牌图片集合包括至少一个子集，每个子集包括对应于同一车牌标识的已识别车牌图片；计算至少一个子集中每个子集与未识别车牌图片集合的相似度；根据计算的相似度，从至少一个子集中确定未识别车牌图片集合的匹配子集；将匹配子集对应的车牌标识确定为未识别车牌图片集合中每个未识别车牌图片的车牌标识。本发明通过找出与未识别车牌图片属于同一车辆的已识别车牌图片，将已识别车牌图片对应的车牌标识作为未识别车牌图片的车牌标识，以便根据识别出的车牌标识对每个未识别车牌图片所属的车辆进行管理。
Description
技术领域
本发明涉及大数据技术领域，特别涉及一种车牌标识识别方法及装置。
背景技术
随着道路交通的不断发达，车辆数量飞速增长，违章、超速、肇事等各种交通事故频频发生。为了方便有效地管理车辆，道路上行驶的车辆均需贴覆一个车牌标识，通过车牌标识来管理车辆的相关信息。而为了确定车辆的车牌标识，需要进行车牌标识识别。
为了便于进行车牌标识的识别，通常会在多个位置配置拍摄设备，当车辆行驶并经过拍摄设备时，拍摄设备可以对车辆进行拍摄，获取到车辆的车牌图片，此时可以采用图像识别技术，对车牌图片进行处理，从而识别车牌图片中的车牌标识。
在实现本发明的过程中，发明人发现相关技术至少存在以下问题：
当车辆上贴覆纸质的临时车牌，或者出现车牌污损、车牌被遮挡等情况时，可能无法识别出车牌图片的车牌标识。
发明内容
为了解决当车辆贴覆纸质的临时车牌，或者出现车牌污损、车牌被遮挡等情况时，可能无法识别出车牌图片的车牌标识的问题，本发明实施例提供了一种车牌标识识别方法及装置。所述技术方案如下：
一方面，提供了一种车牌标识识别方法，所述方法包括：
获取未识别车牌图片集合，所述未识别车牌图片集合包括属于同一车辆的至少一个未识别车牌图片；
获取已识别车牌图片集合，所述已识别车牌图片集合包括至少一个子集，每个子集包括对应于同一车牌标识的至少一个已识别车牌图片；
计算所述至少一个子集中每个子集与所述未识别车牌图片集合的相似度；
根据计算的相似度，从所述至少一个子集中确定所述未识别车牌图片集合的匹配子集；
将所述匹配子集对应的车牌标识确定为所述未识别车牌图片集合中每个未识别车牌图片的车牌标识。
在一种可能的实现方式中，所述获取未识别车牌图片集合，包括：
计算多个未识别车牌图片中任两个未识别车牌图片的相似度；
根据计算的相似度，将相似度超过第一相似度阈值的至少一个未识别车牌图片组成所述未识别车牌图片集合；
其中，所述第一相似度阈值为规定属于同一车辆的不同未识别车牌图片之间的最小相似度。
在另一种可能的实现方式中，所述获取已识别车牌图片集合，包括：
将所述至少一个未识别车牌图片的最晚拍摄时间作为拍摄时间阈值；
获取第一图片集合和第二图片集合，所述第一图片集合包括拍摄时间早于所述拍摄时间阈值的已识别车牌图片，所述第二图片集合包括拍摄时间晚于所述拍摄时间阈值的已识别车牌图片；
从所述第二图片集合中删除指定已识别车牌图片，将所述第二图片集合中剩余的已识别车牌图片组合成所述已识别车牌图片集合，所述指定已识别车牌图片对应的车牌标识与所述第一图片集合中任一已识别车牌图片对应的车牌标识相同。
在另一种可能的实现方式中，所述获取已识别车牌图片集合，包括：
获取指定生产商标识，所述指定生产商标识是指所述未识别车牌图片集合所属车辆的生产商标识；
获取所属车辆的生产商标识是所述指定生产商标识的多个已识别车牌图片，将所述多个已识别车牌图片组合成所述已识别车牌图片集合。
在另一种可能的实现方式中，所述获取已识别车牌图片集合，包括：
获取指定颜色，所述指定颜色是指所述未识别车牌图片集合所属车辆的颜色；获取所属车辆的颜色是所述指定颜色的多个已识别车牌图片，将所述多个已识别车牌图片组合成所述已识别车牌图片集合；或者，
获取指定形状，所述指定形状是指所述未识别车牌图片集合所属车辆的形状；获取所属车辆的形状是所述指定形状的多个已识别车牌图片，将所述多个已识别车牌图片组合成所述已识别车牌图片集合。
在另一种可能的实现方式中，所述相似度包括位置相似度，所述计算所述至少一个子集中每个子集与所述未识别车牌图片集合的相似度，包括：
根据所述未识别车牌图片集合中的每个未识别车牌图片的拍摄位置，获取第一位置分布向量，所述第一位置分布向量包括所述未识别车牌图片集合中的未识别车牌图片在各个拍摄位置的出现次数；
对于所述至少一个子集中的每个子集，根据所述子集中每个已识别车牌图片的拍摄位置，获取第二位置分布向量，所述第二位置分布向量包括所述子集中的已识别车牌图片在各个拍摄位置的出现次数；
计算所述第一位置分布向量与所述第二位置分布向量之间的距离，作为所述子集与所述未识别车牌图片集合的位置相似度。
在另一种可能的实现方式中，所述相似度包括图像相似度，所述计算所述至少一个子集中每个子集与所述未识别车牌图片集合的相似度，包括：
对所述未识别车牌图片集合中的至少一个未识别车牌图片进行特征提取，得到至少一个第一特征向量；
对于所述至少一个子集中的每个子集，对所述子集中的至少一个已识别图片进行特征提取，得到至少一个第二特征向量；
从所述至少一个第一特征向量中选取任一第一特征向量，并从所述至少一个第二特征向量中选取任一第二特征向量，计算选取的第一特征向量与第二特征向量之间的距离，多次选取后得到多个距离；
将所述多个距离的统计值作为所述子集与所述未识别车牌图片集合的图像相似度。
在另一种可能的实现方式中，所述相似度包括加权相似度，所述计算所述至少一个子集中每个子集与所述未识别车牌图片集合的相似度，包括：
根据所述未识别车牌图片集合中的每个未识别车牌图片的拍摄位置，获取第一位置分布向量，所述第一位置分布向量包括所述未识别车牌图片集合中的未识别车牌图片在各个拍摄位置的出现次数；
对所述未识别车牌图片集合中的至少一个未识别车牌图片进行特征提取，得到至少一个第一特征向量；
对于所述至少一个子集中的每个子集，根据所述子集中每个已识别车牌图片的拍摄位置，获取第二位置分布向量，所述第二位置分布向量包括所述子集中的已识别车牌图片在各个拍摄位置的出现次数；
对所述子集中的至少一个已识别图片进行特征提取，得到至少一个第二特征向量；
计算所述第一位置分布向量与所述第二位置分布向量之间的距离，作为所述子集与所述未识别车牌图片集合的位置相似度；
从所述至少一个第一特征向量中选取任一第一特征向量，并从所述至少一个第二特征向量中选取任一第二特征向量，计算选取的第一特征向量与第二特征向量之间的距离，多次选取后得到多个距离，将所述多个距离的统计值作为所述子集与所述未识别车牌图片集合的图像相似度；
对所述位置相似度与所述图像相似度进行加权求和，得到所述子集与所述未识别车牌图片集合的加权相似度。
在另一种可能的实现方式中，所述根据计算的相似度，从所述至少一个子集中确定所述未识别车牌图片集合的匹配子集，包括：
从所述至少一个子集中，选取对应的相似度最大的子集，作为所述未识别车牌图片集合的匹配子集；或者，
从所述至少一个子集中，选取对应的相似度超过所述相似度阈值的子集，作为所述未识别车牌图片集合的匹配子集，所述相似度阈值为规定与所述未识别车牌图片集合匹配的最小相似度；
从所述至少一个子集中，选取对应的相似度最大且超过所述相似度阈值的子集，作为所述未识别车牌图片集合的匹配子集。
另一方面，提供了一种车牌标识识别装置，所述装置包括：
获取模块，用于获取未识别车牌图片集合，所述未识别车牌图片集合包括属于同一车辆的至少一个未识别车牌图片；
所述获取模块，还用于获取已识别车牌图片集合，所述已识别车牌图片集合包括至少一个子集，每个子集包括对应于同一车牌标识的至少一个已识别车牌图片；
计算模块，用于计算所述至少一个子集中每个子集与所述未识别车牌图片集合的相似度；
确定模块，用于根据计算的相似度，从所述至少一个子集中确定所述未识别车牌图片集合的匹配子集；
所述确定模块，还用于将所述匹配子集对应的车牌标识确定为所述未识别车牌图片集合中每个未识别车牌图片的车牌标识。
在另一种可能的实现方式中，所述获取模块，包括：
计算子模块，用于计算多个未识别车牌图片中任两个未识别车牌图片的相似度；
集合组成子模块，用于根据计算的相似度，将相似度超过第一相似度阈值的至少一个未识别车牌图片组成所述未识别车牌图片集合；
其中，所述第一相似度阈值为规定属于同一车辆的不同未识别车牌图片之间的最小相似度。
在另一种可能的实现方式中，所述获取模块，包括：
阈值确定子模块，用于将所述至少一个未识别车牌图片的最晚拍摄时间作为拍摄时间阈值；
获取子模块，用于获取第一图片集合和第二图片集合，所述第一图片集合包括拍摄时间早于所述拍摄时间阈值的已识别车牌图片，所述第二图片集合包括拍摄时间晚于所述拍摄时间阈值的已识别车牌图片；
集合组成子模块，用于从所述第二图片集合中删除指定已识别车牌图片，将所述第二图片集合中剩余的已识别车牌图片组合成所述已识别车牌图片集合，所述指定已识别车牌图片对应的车牌标识与所述第一图片集合中任一已识别车牌图片对应的车牌标识相同。
在另一种可能的实现方式中，所述获取模块，包括：
获取子模块，用于获取指定生产商标识，所述指定生产商标识是指所述未识别车牌图片集合所属车辆的生产商标识；
所述获取子模块，还用于获取所属车辆的生产商标识是所述指定生产商标识的多个已识别车牌图片；
集合组成子模块，用于将所述多个已识别车牌图片组合成所述已识别车牌图片集合。
在另一种可能的实现方式中，所述获取模块，包括：
获取子模块，用于获取指定颜色，所述指定颜色是指所述未识别车牌图片集合所属车辆的颜色；获取所属车辆的颜色是所述指定颜色的多个已识别车牌图片；
集合组成子模块，用于将所述多个已识别车牌图片组合成所述已识别车牌图片集合；或者，
所述获取子模块，用于获取指定形状，所述指定形状是指所述未识别车牌图片集合所属车辆的形状，获取所属车辆的形状是所述指定形状的多个已识别车牌图片；
所述集合组成子模块，用于将所述多个已识别车牌图片组合成所述已识别车牌图片集合。
在另一种可能的实现方式中，所述相似度包括位置相似度，所述计算模块，包括：
获取子模块，用于根据所述未识别车牌图片集合中的每个未识别车牌图片的拍摄位置，获取第一位置分布向量，所述第一位置分布向量包括所述未识别车牌图片集合中的未识别车牌图片在各个拍摄位置的出现次数；
所述获取子模块，还用于对于所述至少一个子集中的每个子集，根据所述子集中每个已识别车牌图片的拍摄位置，获取第二位置分布向量，所述第二位置分布向量包括所述子集中的已识别车牌图片在各个拍摄位置的出现次数；
计算子模块，用于计算所述第一位置分布向量与所述第二位置分布向量之间的距离，作为所述子集与所述未识别车牌图片集合的位置相似度。
在另一种可能的实现方式中，所述相似度包括图像相似度，所述计算模块，包括：
特征提取子模块，用于对所述未识别车牌图片集合中的至少一个未识别车牌图片进行特征提取，得到至少一个第一特征向量；
所述特征提取子模块，还用于对于所述至少一个子集中的每个子集，对所述子集中的至少一个已识别图片进行特征提取，得到至少一个第二特征向量；
选取子模块，用于从所述至少一个第一特征向量中选取任一第一特征向量，并从所述至少一个第二特征向量中选取任一第二特征向量；
计算子模块，用于计算选取的第一特征向量与第二特征向量之间的距离，多次选取后得到多个距离；
确定子模块，用于将所述多个距离的统计值作为所述子集与所述未识别车牌图片集合的图像相似度。
在另一种可能的实现方式中，所述相似度包括加权相似度，所述计算模块，包括：
获取子模块，用于根据所述未识别车牌图片集合中的每个未识别车牌图片的拍摄位置，获取第一位置分布向量，所述第一位置分布向量包括所述未识别车牌图片集合中的未识别车牌图片在各个拍摄位置的出现次数；
特征提取子模块，用于对所述未识别车牌图片集合中的至少一个未识别车牌图片进行特征提取，得到至少一个第一特征向量；
所述获取子模块，还用于对于所述至少一个子集中的每个子集，根据所述子集中每个已识别车牌图片的拍摄位置，获取第二位置分布向量，所述第二位置分布向量包括所述子集中的已识别车牌图片在各个拍摄位置的出现次数；
所述特征提取子模块，还用于对所述子集中的至少一个已识别图片进行特征提取，得到至少一个第二特征向量；
计算子模块，用于计算所述第一位置分布向量与所述第二位置分布向量之间的距离，作为所述子集与所述未识别车牌图片集合的位置相似度；
选取子模块，用于从所述至少一个第一特征向量中选取任一第一特征向量，并从所述至少一个第二特征向量中选取任一第二特征向量；
所述计算子模块，还用于计算选取的第一特征向量与第二特征向量之间的距离，多次选取后得到多个距离，将所述多个距离的统计值作为所述子集与所述未识别车牌图片集合的图像相似度；
所述计算子模块，还用于对所述位置相似度与所述图像相似度进行加权求和，得到所述子集与所述未识别车牌图片集合的加权相似度。
在另一种可能的实现方式中，所述确定模块，还用于：
从所述至少一个子集中，选取对应的相似度最大的子集，作为所述未识别车牌图片集合的匹配子集；或者，
从所述至少一个子集中，选取对应的相似度超过所述相似度阈值的子集，作为所述未识别车牌图片集合的匹配子集，所述相似度阈值为规定与所述未识别车牌图片集合匹配的最小相似度；
从所述至少一个子集中，选取对应的相似度最大且超过所述相似度阈值的子集，作为所述未识别车牌图片集合的匹配子集。
本发明实施例提供的技术方案带来的有益效果是：
获取未识别车牌图片集合，该未识别车牌图片集合包括属于同一车辆的至少一个未识别车牌图片，获取已识别车牌图片集合，该已识别车牌图片集合包括至少一个子集，每个子集包括对应于同一车牌标识的至少一个已识别车牌图片，计算该至少一个子集中每个子集与该未识别车牌图片集合的相似度，将该匹配子集对应的车牌标识确定为该未识别车牌图片集合中每个未识别车牌图片的车牌标识。通过找出与未识别车牌图片属于同一车辆的已识别车牌图片，将已识别车牌图片对应的车牌标识作为未识别车牌图片的车牌标识，以便根据识别出的车牌标识对每个未识别车牌图片所属的车辆进行管理。
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，下面描述中的附图仅仅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标识识别方法的流程图；
图2是本发明实施例提供的一种车牌标识识别方法的流程图；
图3是本发明实施例提供的一种车牌标识识别装置的框图；
图4是本发明实施例提供的一种车牌标识识别装置的框图；
图5是本发明实施例提供的一种车牌标识识别装置的框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
图1是本发明实施例提供的一种车牌标识识别方法的流程图，本发明实施例的执行主体为识别装置，如图1所示，该车牌标识识别方法包括以下步骤：
101、获取未识别车牌图片集合，该未识别车牌图片集合包括属于同一车辆的至少一个未识别车牌图片。
102、获取已识别车牌图片集合，该已识别车牌图片集合包括至少一个子集，每个子集包括对应于同一车牌标识的至少一个已识别车牌图片。
103、计算该至少一个子集中每个子集与该未识别车牌图片集合的相似度。
104、根据计算的相似度，从该至少一个子集中确定该未识别车牌图片集合的匹配子集。
105、将该匹配子集对应的车牌标识确定为该未识别车牌图片集合中每个未识别车牌图片的车牌标识。
本发明实施例提供的方法，获取未识别车牌图片集合，该未识别车牌图片集合包括属于同一车辆的至少一个未识别车牌图片获取已识别车牌图片集合，该已识别车牌图片集合包括至少一个子集，每个子集包括对应于同一车牌标识的至少一个已识别车牌图片，计算该至少一个子集中每个子集与该未识别车牌图片集合的相似度，将该匹配子集对应的车牌标识确定为该未识别车牌图片集合中每个未识别车牌图片的车牌标识，以便根据识别出的车牌标识对每个未识别车牌图片所属的车辆进行管理。
图2是本发明实施例提供的一种车牌标识识别方法的流程图，本发明实施例的执行主体为识别装置，如图2所示，该车牌标识识别方法包括以下步骤：
201、识别装置获取未识别车牌图片集合。
该识别装置可以为终端、服务器，该识别装置可以通过数据连接与多个拍摄设备相连。
实际应用中，为了监督车辆的行驶状况，通常会在多个位置配置拍摄设备，当车辆行驶经过拍摄设备时，拍摄设备对车辆进行拍摄，获取到车辆的车牌图片，通过与识别装置之间的数据连接，向识别装置发送车牌图片，识别装置采用图像识别技术，识别车牌图片中的车牌标识，并通过该车牌标识对车辆的行驶状况信息进行管理。例如，当通过拍摄设备发现车辆出现违章、超速、肇事等违法行为时，即可根据已识别的车牌标识找到车牌标识对应的车主，并进行相应的惩罚处理。
然而，当车辆上贴覆纸质的临时车牌，或者出现车牌污损、车牌被遮挡等情况时，即使拍摄到了车牌图片，但可能无法识别出车牌图片的车牌标识，也就无法找到这些车辆对应的车主，造成了车辆管理的不便。
因此，本发明实施例提供了另一种车牌标识识别方法，能够获取到每个未识别车牌图片的车牌标识，从而管理车牌标识对应的车辆。
实际应用中，识别装置可以获取多个未识别车牌图片，计算多个未识别车牌图片中任两个未识别车牌图片的相似度，根据计算的相似度，将相似度超过第一相似度阈值的至少一个未识别车牌图片组成该未识别车牌图片集合。
具体地，每个未识别车牌图片都可以存储于未识别车牌图片数据库中，当识别装置要识别任一未识别车牌图片时，可以调用该未识别车牌图片数据库，从该未识别车牌图片数据库中获取未识别车牌图片。由于该未识别车牌图片数据库中的未识别车牌图片数量很多，为了减小计算量、提高识别车牌图片的效率，识别装置可以按照不同未识别车牌图片之间的相似度，将该未识别车牌图片数据库划分为至少一个未识别车牌集合，每个未识别车牌集合包括的各个未识别车牌图片属于同一车辆。
进一步地，该识别装置可以从该未识别车牌图片数据库中选取一个未识别车牌图片，对于除了该未识别车牌图片以外的多个未识别车牌图片，计算每个未识别车牌图片与该未识别车牌图片的相似度，从该多个未识别车牌图片中选取与该未识别车牌图片的相似度超过第一相似度阈值的至少一个未识别车牌图片，将该至少一个未识别车牌图片和该未识别车牌图片组成一个未识别车牌图片集合，该未识别车牌图片集合包括属于同一车辆的至少一个未识别车牌图片。
关于计算相似度的具体过程，对于该多个未识别车牌图片中的任一未识别车牌图片，该识别装置可以分别对该任一未识别车牌图片与该未识别车牌图片进行特征提取，得到两个特征向量，计算两个特征向量之间的距离，将该距离作为该任一未识别车牌图片与该未识别车牌图片的相似度，判断该相似度是否超过第一相似度阈值，当确定该相似度超过第一相似度阈值时，则将该任一未识别车牌图片加入至未识别车牌图片集合中。
其中，第一相似度阈值为规定属于同一车辆的不同未识别车牌图片之间的最小相似度，本发明实施例对该第一相似度阈值不做限定。
当然，该识别装置还可以采用上述步骤获取多个未识别车牌图片集合，每个未识别车牌图片集合属于同一车辆，不同的未识别车牌图片集合属于不同车辆。也即是，该识别装置可以将该未识别车牌图片数据库按照对应的车牌标识的不同，划分为不同的未识别车牌图片集合，以便对该未识别车牌图片数据库进行有效地管理。
在一种可能的实现方式中，由于计算相似度的过程工作量较大，耗时较长，为了提高效率，当选取了该未识别车牌图片后，可以先获取该未识别车牌图片所属车辆的生产商标识，将该生产商标识作为指定生产商标识，从除了该未识别车牌图片以外的多个未识别车牌图片中选取所属车辆的生产商标识为该指定生产商标识的未识别车牌图片，再采用上述步骤，根据这些未识别车牌图片中任两个未识别车牌图片的相似度，得到未识别车牌图片集合。
其中，生产商标识用于指示车辆的品牌，例如可以为品牌标识、品牌名称、品牌图片等。
由于只选取了与该未识别车牌图片所属车辆的生产商标识相同的未识别车牌图片，计算了它们与该未识别车牌图片的相似度，得到的未识别车牌图片集合中的多个未识别车牌图片不仅从外形上相似，而且品牌相同，属于同一车辆的可能性更高，从而进一步提高了识别这些未识别车牌图片的准确率，同时，由于筛选掉了不同品牌的车牌图片，节省了计算时间。
需要说明的第一点是，上述可能的实现方式中，仅是以结合该未识别车牌图片所属车辆的生产商标识，选取属于同一车辆的其他未识别车牌图片为例进行说明，实际应用中，由于车辆具有生产商标识、颜色、型号等多种属性特征，也可以结合该未识别车牌图片所属车辆的其他属性特征，选取属于同一车辆的其他未识别车牌图片，本发明实施例对此不做限定。例如，可以获取该未识别车牌图片所属车辆的颜色，将该颜色作为指定颜色，从除了该未识别车牌图片以外的多个未识别车牌图片中选取所属车辆的颜色为该指定颜色的未识别车牌图片。
需要说明的第二点是，该未识别车牌图片集合可能包括两类图片：临时车牌图片，或者，由于污损、模糊、光照不足等原因导致无法被识别的正式车牌图片。本发明实施例可以应用于识别临时车牌图片的车牌标识的场景中，当获取到一个未识别车牌图片集合后，该识别装置可以判断该未识别车牌图片集合中的未识别车牌图片是否属于临时车牌图片，仅当该未识别车牌图片集合中的每个未识别车牌图片均属于临时车牌图片时，才执行以下步骤202-205。而当该未识别车牌图片集合包括任一无法被识别的正式车牌图片时，表示在拍摄该正式车牌图片时出现了意外情况才导致该正式车牌图片无法被识别，但可以确定，这种意外情况的出现次数较少，根据属于同一车辆的其他正式车牌图片仍然可以对该车辆进行管理，因此，无需再对该未识别车牌图片集合中的车牌图片进行识别，直接删除或者存储于无效车牌图片数据库中即可。
202、识别装置获取已识别车牌图片集合。
该识别装置可以预先存储至少一个已识别车牌图片，该至少一个已识别车牌图片可以组成已识别车牌图片集合，识别装置可以获取该已识别车牌图片集合。其中，该已识别车牌图片是指预先经过图像识别技术识别出车牌标识的车牌图片。
在第一种可能的实现方式中，该识别装置可以根据该未识别车牌图片集合所属车辆的属性特征，筛选出与该未识别车牌图片集合较为匹配的已识别车牌图片集合。
该属性特征可以包括指定生产商标识、颜色、形状等，针对该属性特征的不同，该步骤202可以包括以下步骤2021至步骤2023中的至少一项：
2021、获取指定生产商标识，该指定生产商标识是指该未识别车牌图片集合所属车辆的生产商标识。获取所属车辆的生产商标识是该指定生产商标识的多个已识别车牌图片，将该多个已识别车牌图片组合成该已识别车牌图片集合。
2022、获取指定颜色，该指定颜色是指该未识别车牌图片集合所属车辆的颜色。获取所属车辆的颜色是该指定颜色的多个已识别车牌图片，将该多个已识别车牌图片组合成该已识别车牌图片集合。
2023、获取指定形状，该指定形状是指该未识别车牌图片集合所属车辆的形状。获取所属车辆的形状是该指定形状的多个已识别车牌图片，将该多个已识别车牌图片组合成该已识别车牌图片集合。
另外，该步骤2021至步骤2023可以以任意结合的方式形成获取该已识别车牌图片集合的方式，例如，获取所属车辆的生产商标识是该指定生产商标识且颜色是该指定颜色的多个已识别车牌图片，将该多个已识别车牌图片组合成该已识别车牌图片集合。当然，还可以利用获取该未识别车牌图片集合所属车辆的其它属性特征，筛选得到该已识别车牌图片集合，该其它属性特征可以包括种类、载重、型号等，本发明实施例对此不做限定。
在第二种可能的实现方式中，当未识别车牌图片集合是临时车牌图片组成的临时车牌图片集合时，识别装置还可以采用以下步骤2024至步骤2026，筛选出与该临时车牌图片集合较为匹配的已识别车牌图片集合：
2024、将该至少一个未识别车牌图片的最晚拍摄时间作为拍摄时间阈值。
考虑到在日常生活中，临时车牌具有以下特点：
车辆通常是先贴覆临时车牌，在办理好正式车牌后，再贴覆正式车牌，而且一旦办理好正式车牌后，就不被准许贴覆临时车牌。因此对于任一车辆而言，在拍摄到该车辆贴覆着临时车牌行驶的时间段内，可以认为不会拍摄到该车辆贴覆着正式车牌，之后，一旦拍摄到该车辆贴覆着正式车牌行驶后，可以认为再也拍摄不到该车辆贴覆着临时车牌。
也即是，对于任一贴覆临时车牌的车辆而言，存在一个时间阈值，即该车辆摘下临时车牌，转而贴覆上正式车牌的时间点，在早于时间阈值的时间段，只可能拍摄到该车辆贴覆临时车牌的图片，在晚于该时间阈值的时间段，只可能拍摄到该车辆贴覆正式车牌的图片。
利用临时车牌图片的以上特点，可以按照确定的时间阈值，从该至少一个已识别车牌图片中过滤出所有不可能与该至少一个未识别车牌属于同一车辆的已识别车牌图片，以缩小已识别车牌图片集合的范围。具体过程可以包括以下步骤2025至2026。
2025、获取第一图片集合和第二图片集合。
该识别装置可以获取该未识别车牌图片集合中的至少一个未识别车牌图片的最晚拍摄时间，将该最晚拍摄时间作为拍摄时间阈值，表明这些临时车牌图片只能在该拍摄时间阈值之前出现，而不能在该拍摄时间阈值之后出现，相应地，与这些临时车牌图片属于同一车辆的正式车牌图片只能在该拍摄时间阈值之后出现，而不能在该拍摄时间阈值之前出现。
之后，可以根据该拍摄时间阈值将所有的已识别车牌图片，即正式车牌图片，划分为第一图片集合和第二图片集合。也即是，对于至少一个已识别车牌图片中的任一已识别车牌图片，该识别装置可以获取该已识别车牌图片的拍摄时间，比较该拍摄时间与该拍摄时间阈值。当该拍摄时间早于该拍摄时间阈值时，将该已识别车牌图片加入至第一图片集合中，当该拍摄时间晚于该拍摄时间阈值，将该已识别车牌图片加入至第二图片集合中。
采用上述步骤，该识别装置可以获取到第一图片集合和第二图片集合，该第一图片集合包括拍摄时间早于该拍摄时间阈值的已识别车牌图片，该第二图片集合包括拍摄时间晚于该拍摄时间阈值的已识别车牌图片。而与该未识别车牌图片中的临时车牌图片属于同一车辆的正式车牌图片仅会在该第二图片集合中出现，而不会在该第一图片集合中出现。
2026、从该第二图片集合中删除指定已识别车牌图片，将该第二图片集合中剩余的已识别车牌图片组合成该已识别车牌图片集合。
该第一图片集合和该第二图片集合中可能会包括对应于同一个车牌标识的已识别车牌图片，也即是属于同一车辆的车牌图片。而根据上述步骤2025的分析可以确定，与该未识别车牌图片属于同一车辆的正式车牌图片仅会在该第二图片集合中出现，而不会在该第一图片集合中出现，而在该第一图片集合和该第二图片集合中同时出现车牌图片的车辆不可能是该未识别车牌图片所属的车辆。
因此，为了减小计算量，该识别装置可以获取该第一图片集合中每个已识别车牌图片对应的车牌标识，再获取该第二图片集合中每个已识别车牌图片对应的车牌标识，当确定该第二图片集合某个已识别车牌图片对应的车牌标识与该第一图片集合中任一已识别车牌图片对应的车牌标识相同时，表明在该第一图片集合和该第二图片集合中出现了属于同一车辆的车牌图片，则将该已识别车牌图片作为指定已识别车牌图片，从该第二图片集合中删除该已识别车牌图片，直到将该第二图片集合中的所有指定已识别车牌图片均删除后，将该第二图片集合中剩余的已识别车牌图片组合成该已识别车牌图片集合。
需要说明的是，可以将该第二种可能的实现方式与该第一种可能的实现方式结合，筛选出与该未识别车牌图片集合较为匹配的已识别车牌图片集合，也即是，选取拍摄时间晚于该拍摄时间阈值、车牌标识不属于该第一图片集合中任一车牌图片对应的车牌标识、且属性特征与该未识别车牌图片相应的属性特征匹配的已识别车牌图片。
以属性特征为生产商标识为例，该识别装置可以获取该未识别车牌图片所属车辆的生产商标识，将该生产商标识作为指定生产商标识，在上述步骤2025中，对于任一已识别车牌图片，当该拍摄时间早于该拍摄时间阈值且生产商标识为该指定生产商标识时，才将该已识别车牌图片加入至第一图片集合中，当该拍摄时间晚于该拍摄时间阈值，且生产商标识为该指定生产商标识时，才将该已识别车牌图片加入至第二图片集合中，此后，再执行上述步骤2026，得到最终的已识别车牌图片集合，由于该已识别车牌图片集合与该未识别车牌图片集合更加匹配，减小了后续过程中计算相似度的工作量，同时提高了对未识别车牌标识进行识别的准确率。
为了便于存储和管理该已识别车牌集合中的已识别车牌图片，可以将该已识别车牌集合按照对应的车牌标识的不同，划分为不同的子集，那么，该已识别车牌图片集合可以包括至少一个子集，每个子集包括对应于同一车牌标识的至少一个已识别车牌图片。
203、识别装置计算该至少一个子集中每个子集与该未识别车牌图片集合的相似度。
在第一种可能的实现方式中，考虑到对于任意两个车牌图片集合而言，当这两个车牌图片集合的位置分布相似，即在各个位置出现的次数相似时，可以认为这两个车牌图片集合所属的车辆可能是同一车辆，因此该相似度可以包括位置相似度，识别装置可以执行以下步骤2031至步骤2033：
2031、根据该未识别车牌图片集合中的每个未识别车牌图片的拍摄位置，获取第一位置分布向量，该第一位置分布向量包括该未识别车牌图片集合中的未识别车牌图片在各个拍摄位置的出现次数。
对于该未识别车牌图片集合中的至少一个未识别车牌图片，该识别装置可以获取每个未识别车牌图片的拍摄位置，确定至少一个拍摄位置，再确定该至少一个未识别车牌图片在各个拍摄位置的出现次数，获取第一位置分布向量。
例如，参见表1，该至少一个未识别车牌图片的拍摄位置可以包括{A，B，C，D}，该至少一个未识别车牌图片在拍摄位置A的出现次数为10，在拍摄位置B的出现次数为9，在拍摄位置C的出现次数为8，在拍摄位置D的出现次数为7，则该第一位置分布向量可以为[10，9，8，7]。
表1
| 拍摄位置 | A | B | C | D |
| 出现次数 | 10 | 9 | 8 | 7 |
2032、对于该至少一个子集中的每个子集，根据该子集中每个已识别车牌图片的拍摄位置，获取第二位置分布向量，该第二位置分布向量包括该子集中的已识别车牌图片在各个拍摄位置的出现次数。
对于每个子集中的至少一个已识别车牌图片，该识别装置可以获取每个已识别车牌图片的拍摄位置，确定至少一个拍摄位置，再确定该至少一个未识别车牌图片在各个拍摄位置的出现次数，获取第二位置分布向量。
2033、计算该第一位置分布向量与该第二位置分布向量之间的距离，作为该子集与该未识别车牌图片集合的位置相似度。
当确定该未识别车牌图片集合的第一位置分布向量，与该子集的第二位置分布向量之后，该识别装置可以计算该第一位置分布向量与该第二位置分布向量之间的距离，作为该子集与该未识别车牌图片集合的位置相似度。
其中，该距离可以为余弦距离、欧式距离、切比雪夫距离等，本发明实施例对此不做限定。
在第二种可能的实现方式中，考虑到对于任意两个车牌图片集合而言，当这两个车牌图片集合中的图像相似时，可以认为这两个车牌图片集合所属的车辆可能是同一车辆，因此该相似度可以包括图像相似度，识别装置可以执行以下步骤2034至步骤2036：
2034、对该未识别车牌图片集合中的至少一个未识别车牌图片进行特征提取，得到至少一个第一特征向量。
对于至少一个未识别车牌图片中的每个未识别车牌图片，识别装置可以对该未识别车牌图片进行特征提取，获取该未识别车牌图片的第一特征向量。
其中，该特征提取可以包括颜色特征提取、纹理特征提取、形状特征提取等，本发明实施例对此不做限定。
2035、对于该至少一个子集中的每个子集，对该子集中的至少一个已识别图片进行特征提取，得到至少一个第二特征向量。
同样的，该识别装置可以对于至少一个已识别车牌图片中的每个未识别车牌图片进行特征提取，获取该已识别车牌图片的第二特征向量。
2036、从该至少一个第一特征向量中选取任一第一特征向量，并从该至少一个第二特征向量中选取任一第二特征向量，计算选取的第一特征向量与第二特征向量之间的距离，多次选取后得到多个距离，将该多个距离的统计值作为该子集与该未识别车牌图片集合的图像相似度。
当识别装置获取到该未识别车牌图片集合对应的至少一个第一特征向量，并获取到每个子集对应的至少一个第二特征向量之后，可以从该至少一个第一特征向量中选取任一第一特征向量，并从该至少一个第二特征向量中选取任一第二特征向量，计算选取的第一特征向量与第二特征向量之间的距离，该距离同样可以为余弦距离、欧式距离等，经过多次选取后，可以得到多个距离。
当识别装置得到多个距离后，可以计算该多个距离的统计值，将该统计值作为该子集与该未识别车牌图片集合的图像相似度。该统计值可以为平均值、方差等，本发明实施例对此不做限定。
在第三种可能的实现方式中，考虑到对于任意两个车牌图片集合而言，当这两个车牌图片集合的位置分布相似，且这两个车牌图片集合中的图像相似时，可以认为这两个车牌图片集合所属的车辆可能是同一车辆，因此该相似度可以包括加权相似度，识别装置可以执行以下步骤2037至步骤2039：
2037、根据该未识别车牌图片集合中的每个未识别车牌图片的拍摄位置，获取第一位置分布向量，该第一位置分布向量包括该未识别车牌图片集合中的未识别车牌图片在各个拍摄位置的出现次数。对于该至少一个子集中的每个子集，根据该子集中每个已识别车牌图片的拍摄位置，获取第二位置分布向量，该第二位置分布向量包括该子集中的已识别车牌图片在各个拍摄位置的出现次数。计算该第一位置分布向量与该第二位置分布向量之间的距离，作为该子集与该未识别车牌图片集合的位置相似度。
2038、对该未识别车牌图片集合中的至少一个未识别车牌图片进行特征提取，得到至少一个第一特征向量。对该子集中的至少一个已识别图片进行特征提取，得到至少一个第二特征向量，从该至少一个第一特征向量中选取任一第一特征向量，并从该至少一个第二特征向量中选取任一第二特征向量，计算选取的第一特征向量与第二特征向量之间的距离，多次选取后得到多个距离，将该多个距离的统计值作为该子集与该未识别车牌图片集合的图像相似度。
2039、对该位置相似度与该图像相似度进行加权求和，得到该子集与该未识别车牌图片集合的加权相似度。
该识别装置可以为该位置相似度与该图像相似度设置相应的权重，根据该位置相似度、该图像相似度和该权重，进行加权求和，得到该子集与该未识别车牌图片集合的加权相似度。
204、识别装置根据计算的相似度，从该至少一个子集中确定该未识别车牌图片集合的匹配子集。
当识别装置得到该至少一个子集中每个子集与该未识别车牌图片集合的相似度后，可以根据计算的相似度，判断每个子集是否为该未识别车牌图片集合的匹配子集。
在第一种可能的实现方式中，从该至少一个子集中，选取对应的相似度最大的子集，作为该未识别车牌图片集合的匹配子集。
由于该相似度可以包括位置相似度、图像相似度和加权相似度，针对不同的相似度，该步骤204可以包括以下步骤2041至步骤2043：
2041、从该至少一个子集中，选取位置相似度最大的子集，作为该未识别车牌图片集合的匹配子集。
该识别装置可以计算每个子集与该未识别车牌图片集合的位置相似度，将该至少一个子集按照位置相似度排序，选取位置相似度最大的子集，可以认为选取到的子集为该未识别车牌图片集合的匹配子集。
2042、从该至少一个子集中，选取图像相似度最大的子集，作为该未识别车牌图片集合的匹配子集。
该识别装置可以计算每个子集与该未识别车牌图片集合的图像相似度，将该至少一个子集按照图像相似度排序，选取图像相似度最大的子集，可以认为选取到的子集为该未识别车牌图片集合的匹配子集。
2043、从该至少一个子集中，选取加权相似度最大的子集，作为该未识别车牌图片集合的匹配子集。
该识别装置可以计算每个子集与该未识别车牌图片集合的加权相似度，将该至少一个子集按照加权相似度排序，选取加权相似度最大的子集，可以认为选取到的子集为该未识别车牌图片集合的匹配子集。
在第二种可能的实现方式中，从该至少一个子集中，选取对应的相似度超过该相似度阈值的子集，作为该未识别车牌图片集合的匹配子集。
该相似度阈值为规定与该未识别车牌图片集合匹配的最小相似度，由于该相似度可以包括位置相似度、图像相似度和加权相似度，针对不同的相似度，可以对应设置不同的阈值，那么，该步骤204可以包括以下步骤2044至步骤2046：
2044、从该至少一个子集中，选取位置相似度超过位置相似度阈值的子集，作为该未识别车牌图片集合的匹配子集。
对于该至少一个子集中的每个子集，该识别装置可以判断该子集对应的位置相似度是否超过该位置相似度阈值，当该位置相似度超过该位置相似度阈值时，将该子集作为该未识别车牌图片集合的匹配子集。其中，该位置相似度阈值为规定与该未识别车牌图片集合匹配的最小位置相似度。
2045、从该至少一个子集中，选取图像相似度超过图像相似度阈值的子集，作为该未识别车牌图片集合的匹配子集。
对于该至少一个子集中的每个子集，该识别装置可以判断该子集对应的图像相似度是否超过该图像相似度阈值，当该图像相似度超过该图像相似度阈值时，将该子集作为该未识别车牌图片集合的匹配子集。其中，该图像相似度阈值为规定与该未识别车牌图片集合匹配的最小图像相似度。
2046、从该至少一个子集中，选取加权相似度超过加权相似度阈值的子集，作为该未识别车牌图片集合的匹配子集。
对于该至少一个子集中的每个子集，该识别装置可以判断该子集对应的加权相似度是否超过该加权相似度阈值，当该加权相似度超过该加权相似度阈值时，将该子集作为该未识别车牌图片集合的匹配子集。其中，该加权相似度阈值为规定与该未识别车牌图片集合匹配的最小加权相似度。
在第三种可能的实现方式中，从该至少一个子集中，选取对应的相似度最大且超过该相似度阈值的子集，作为该未识别车牌图片集合的匹配子集。
该步骤204可以包括以下步骤2047至步骤2049：
2047、从该至少一个子集中，选取位置相似度最大且位置相似度超过位置相似度阈值的子集，作为该未识别车牌图片集合的匹配子集。
对于该至少一个子集中的每个子集，该识别装置可以将该至少一个子集按照位置相似度排序，选取位置相似度最大的子集，再判断该子集对应的位置相似度是否超过该位置相似度阈值，当该位置相似度超过该位置相似度阈值时，将该子集作为该未识别车牌图片集合的匹配子集。
2048、从该至少一个子集中，选取图像相似度最大且图像相似度超过图像相似度阈值的子集，作为该未识别车牌图片集合的匹配子集。
对于该至少一个子集中的每个子集，该识别装置可以将该至少一个子集按照图像相似度排序，选取图像相似度最大的子集，再判断该子集对应的图像相似度是否超过该图像相似度阈值，当该图像相似度超过该图像相似度阈值时，将该子集作为该未识别车牌图片集合的匹配子集。
2049、从该至少一个子集中，选取加权相似度最大且加权相似度超过加权相似度阈值的子集，作为该未识别车牌图片集合的匹配子集。
对于该至少一个子集中的每个子集，该识别装置可以将该至少一个子集按照加权相似度排序，选取加权相似度最大的子集，再判断该子集对应的加权相似度是否超过该加权相似度阈值，当该加权相似度超过该加权相似度阈值时，将该子集作为该未识别车牌图片集合的匹配子集。
需要说明的是，以上步骤2041至步骤2049还可以以任意结合的方式组合，以从该至少一个子集中确定该未识别车牌图片集合的匹配子集。例如，步骤2041和步骤2045可以结合，即，该识别装置可以从该至少一个子集中，选取位置相似度最大的子集，判断该子集相应的图像相似度是否超过图像相似度阈值，当该子集相应的图像相似度超过图像相似度阈值，才将该子集作为该未识别车牌图片集合的匹配子集。
205、识别装置将该匹配子集对应的车牌标识确定为该未识别车牌图片集合中每个未识别车牌图片的车牌标识。
当得到该未识别车牌图片集合的匹配子集后，该识别装置可以确定该匹配子集对应的车牌标识，将该车牌标识确定为该未识别车牌图片集合中每个未识别车牌图片的车牌标识。
考虑如下场景：贴覆着临时车牌的车辆在某位置超速行驶，在该位置拍摄了该车辆的车牌图片。
在相关技术中，当采用图像识别技术，对该车牌图片进行处理时，由于该车牌图片为临时车牌图片，无法识别出该临时车牌图片的车牌标识，导致无法找到该车辆的车主，无法追究该车主的责任。
而采用本发明实施例提供的方法，可以根据该临时车牌图片的拍摄时间、位置分布向量、特征向量，从多个已识别车牌图片中，确定与该临时车牌图片匹配的已识别车牌图片，可以认为该已识别车牌图片对应的车牌标识即为该临时车牌图片的车牌标识，此时即可根据该车牌标识找到该车辆的车主，追究该车主超速行驶的责任。
本发明实施例提供的方法，获取未识别车牌图片集合，该未识别车牌图片集合包括属于同一车辆的至少一个未识别车牌图片，获取已识别车牌图片集合，该已识别车牌图片集合包括至少一个子集，每个子集包括对应于同一车牌标识的至少一个已识别车牌图片，计算该至少一个子集中每个子集与该未识别车牌图片集合的相似度，将该匹配子集对应的车牌标识确定为该未识别车牌图片集合中每个未识别车牌图片的车牌标识。通过找出与未识别车牌图片属于同一车辆的已识别车牌图片，将已识别车牌图片对应的车牌标识作为未识别车牌图片的车牌标识，以便根据识别出的车牌标识对每个未识别车牌图片所属的车辆进行管理。
进一步地，考虑到对于任一贴覆临时车牌的车辆，在早于拍摄时间阈值的时间段，只可能拍摄到该车辆贴覆临时车牌的图片，在晚于该拍摄时间阈值的时间段，只可能拍摄到该车辆贴覆正式车牌的图片，可以从该至少一个已识别车牌图片中过滤掉所有不可能与该至少一个未识别车牌属于同一车辆的已识别车牌图片，能够缩小已识别车牌图片集合的范围，提高了识别效率。
图3是根据一示例性实施例示出的一种车牌标识识别装置的框图，如图3所示，该装置包括获取模块301、计算模块302和确定模块303。
获取模块301，用于获取未识别车牌图片集合，该未识别车牌图片集合包括属于同一车辆的至少一个未识别车牌图片；
该获取模块301，还用于获取已识别车牌图片集合，该已识别车牌图片集合包括至少一个子集，每个子集包括对应于同一车牌标识的至少一个已识别车牌图片；
计算模块302，用于计算该至少一个子集中每个子集与该未识别车牌图片集合的相似度；
确定模块303，用于根据计算的相似度，从该至少一个子集中确定该未识别车牌图片集合的匹配子集；
该确定模块303，还用于将该匹配子集对应的车牌标识确定为该未识别车牌图片集合中每个未识别车牌图片的车牌标识。
本发明实施例提供的装置，获取未识别车牌图片集合，该未识别车牌图片集合包括属于同一车辆的至少一个未识别车牌图片获取已识别车牌图片集合，该已识别车牌图片集合包括至少一个子集，每个子集包括对应于同一车牌标识的至少一个已识别车牌图片，计算该至少一个子集中每个子集与该未识别车牌图片集合的相似度，将该匹配子集对应的车牌标识确定为该未识别车牌图片集合中每个未识别车牌图片的车牌标识，以便根据识别出的车牌标识对每个未识别车牌图片所属的车辆进行管理。
在另一种可能的实现方式中，该获取模块301，包括：
计算子模块，用于计算多个未识别车牌图片中任两个未识别车牌图片的相似度；
集合组成子模块，用于根据计算的相似度，将相似度超过第一相似度阈值的至少一个未识别车牌图片组成该未识别车牌图片集合；
其中，该第一相似度阈值为规定属于同一车辆的不同未识别车牌图片之间的最小相似度。
在另一种可能的实现方式中，该获取模块301，包括：
阈值确定子模块，用于将该至少一个未识别车牌图片的最晚拍摄时间作为拍摄时间阈值；
获取子模块，用于获取第一图片集合和第二图片集合，该第一图片集合包括拍摄时间早于该拍摄时间阈值的已识别车牌图片，该第二图片集合包括拍摄时间晚于该拍摄时间阈值的已识别车牌图片；
集合组成子模块，用于从该第二图片集合中删除指定已识别车牌图片，将该第二图片集合中剩余的已识别车牌图片组合成该已识别车牌图片集合，该指定已识别车牌图片对应的车牌标识与该第一图片集合中任一已识别车牌图片对应的车牌标识相同。
在另一种可能的实现方式中，该获取模块301，包括：
获取子模块，用于获取指定生产商标识，该指定生产商标识是指该未识别车牌图片集合所属车辆的生产商标识；
该获取子模块，还用于获取所属车辆的生产商标识是该指定生产商标识的多个已识别车牌图片；
集合组成子模块，用于将该多个已识别车牌图片组合成该已识别车牌图片集合。
在另一种可能的实现方式中，该获取模块301，包括：
获取子模块，用于获取指定颜色，该指定颜色是指该未识别车牌图片集合所属车辆的颜色；获取所属车辆的颜色是该指定颜色的多个已识别车牌图片；
集合组成子模块，用于将该多个已识别车牌图片组合成该已识别车牌图片集合。或者，
该获取子模块，用于获取指定形状，该指定形状是指该未识别车牌图片集合所属车辆的形状；获取所属车辆的形状是该指定形状的多个已识别车牌图片；
集合组成子模块，用于将该多个已识别车牌图片组合成该已识别车牌图片集合。
在另一种可能的实现方式中，该相似度包括位置相似度，该计算模块302，包括：
获取子模块，用于根据该未识别车牌图片集合中的每个未识别车牌图片的拍摄位置，获取第一位置分布向量，该第一位置分布向量包括该未识别车牌图片集合中的未识别车牌图片在各个拍摄位置的出现次数；
该获取子模块，还用于对于该至少一个子集中的每个子集，根据该子集中每个已识别车牌图片的拍摄位置，获取第二位置分布向量，该第二位置分布向量包括该子集中的已识别车牌图片在各个拍摄位置的出现次数；
计算子模块，用于计算该第一位置分布向量与该第二位置分布向量之间的距离，作为该子集与该未识别车牌图片集合的位置相似度。
在另一种可能的实现方式中，该相似度包括图像相似度，该计算模块302，包括：
特征提取子模块，用于对该未识别车牌图片集合中的至少一个未识别车牌图片进行特征提取，得到至少一个第一特征向量；
该特征提取子模块，还用于对于该至少一个子集中的每个子集，对该子集中的至少一个已识别图片进行特征提取，得到至少一个第二特征向量；
选取子模块，用于从该至少一个第一特征向量中选取任一第一特征向量，并从该至少一个第二特征向量中选取任一第二特征向量；
计算子模块，用于计算选取的第一特征向量与第二特征向量之间的距离，多次选取后得到多个距离；
确定子模块，用于将该多个距离的统计值作为该子集与该未识别车牌图片集合的图像相似度。
在另一种可能的实现方式中，该相似度包括加权相似度，该计算模块302，包括：
获取子模块，用于根据该未识别车牌图片集合中的每个未识别车牌图片的拍摄位置，获取第一位置分布向量，该第一位置分布向量包括该未识别车牌图片集合中的未识别车牌图片在各个拍摄位置的出现次数；
特征提取子模块，用于对该未识别车牌图片集合中的至少一个未识别车牌图片进行特征提取，得到至少一个第一特征向量；
该获取子模块，还用于对于该至少一个子集中的每个子集，根据该子集中每个已识别车牌图片的拍摄位置，获取第二位置分布向量，该第二位置分布向量包括该子集中的已识别车牌图片在各个拍摄位置的出现次数；
该特征提取子模块，还用于对该子集中的至少一个已识别图片进行特征提取，得到至少一个第二特征向量；
计算子模块，用于计算该第一位置分布向量与该第二位置分布向量之间的距离，作为该子集与该未识别车牌图片集合的位置相似度；
选取子模块，用于从该至少一个第一特征向量中选取任一第一特征向量，并从该至少一个第二特征向量中选取任一第二特征向量；
该计算子模块，还用于计算选取的第一特征向量与第二特征向量之间的距离，多次选取后得到多个距离，将该多个距离的统计值作为该子集与该未识别车牌图片集合的图像相似度；
该计算子模块，还用于对该位置相似度与该图像相似度进行加权求和，得到该子集与该未识别车牌图片集合的加权相似度。
在另一种可能的实现方式中，该确定模块303，还用于：
从该至少一个子集中，选取对应的相似度最大的子集，作为该未识别车牌图片集合的匹配子集；或者，
从该至少一个子集中，选取对应的相似度超过该相似度阈值的子集，作为该未识别车牌图片集合的匹配子集，该相似度阈值为规定与该未识别车牌图片集合匹配的最小相似度；
从该至少一个子集中，选取对应的相似度最大且超过该相似度阈值的子集，作为该未识别车牌图片集合的匹配子集。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
需要说明的是：上述实施例提供的车牌标识识别装置在识别车牌标识时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将识别装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的车牌标识识别装置与车牌标识识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本实施例提供了一种终端，该终端可以用于执行上述各个实施例中提供的车牌标识识别方法。参见图4，该终端400包括：
终端400可以包括RF(Radio Frequency，射频)电路110、包括有一个或一个以上计算机可读存储介质的存储器120、输入单元130、显示单元140、传感器150、音频电路160、WiFi(Wireless Fidelity，无线保真)模块170、包括有一个或者一个以上处理核心的处理器180、以及电源40等部件。本领域技术人员可以理解，图4中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
RF电路110可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器180处理；另外，将涉及上行的数据发送给基站。通常，RF电路110包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、LNA(Low Noise Amplifier，低噪声放大器)、双工器等。此外，RF电路110还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于GSM(Global System of Mobile communication，全球移动通讯系统)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA(CodeDivision Multiple Access，码分多址)、WCDMA(Wideband Code Division MultipleAccess,宽带码分多址)、LTE(Long Term Evolution,长期演进)、电子邮件、SMS(ShortMessaging Service，短消息服务)等。
存储器120可用于存储软件程序以及模块，处理器180通过运行存储在存储器120的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器120可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端400的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器120还可以包括存储器控制器，以提供处理器180和输入单元130对存储器120的访问。
输入单元130可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元130可包括触敏表面131以及其他输入设备132。触敏表面131，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面131上或在触敏表面131附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面131可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器180，并能接收处理器180发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面131。除了触敏表面131，输入单元130还可以包括其他输入设备132。具体地，其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元140可用于显示由用户输入的信息或提供给用户的信息以及终端400的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元140可包括显示面板141，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板141。进一步的，触敏表面131可覆盖显示面板141，当触敏表面131检测到在其上或附近的触摸操作后，传送给处理器180以确定触摸事件的类型，随后处理器180根据触摸事件的类型在显示面板141上提供相应的视觉输出。虽然在图4中，触敏表面131与显示面板141是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面131与显示面板141集成而实现输入和输出功能。
终端400还可包括至少一种传感器150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板141的亮度，接近传感器可在终端400移动到耳边时，关闭显示面板141和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端400还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路160、扬声器161，传声器162可提供用户与终端400之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号，传输到扬声器161，由扬声器161转换为声音信号输出；另一方面，传声器162将收集的声音信号转换为电信号，由音频电路160接收后转换为音频数据，再将音频数据输出处理器180处理后，经RF电路110以发送给比如另一终端，或者将音频数据输出至存储器120以便进一步处理。音频电路160还可能包括耳塞插孔，以提供外设耳机与终端400的通信。
WiFi属于短距离无线传输技术，终端400通过WiFi模块170可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图4示出了WiFi模块170，但是可以理解的是，其并不属于终端400的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器180是终端400的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器120内的软件程序和/或模块，以及调用存储在存储器120内的数据，执行终端400的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器180可包括一个或多个处理核心；优选的，处理器180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器180中。
终端400还包括给各个部件供电的电源40(比如电池)，优选的，电源可以通过电源管理系统与处理器180逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源40还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出，终端400还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，终端的显示单元是触摸屏显示器，终端还包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行。所述一个或者一个以上程序包含用于实施上述实施例中识别装置所执行操作的指令。
图5是本发明实施例提供的一种服务器的结构示意图，该服务器500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processingunits，CPU)522(例如，一个或一个以上处理器)和存储器532，一个或一个以上存储应用程序542或数据544的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器532和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器522可以设置为与存储介质530通信，在服务器500上执行存储介质530中的一系列指令操作。
服务器500还可以包括一个或一个以上电源526，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口558，一个或一个以上键盘556，和/或，一个或一个以上操作系统541，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等等。
该服务器500可以用于执行上述实施例提供的车牌标识识别方法的步骤。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (18)
1.一种车牌标识识别方法，其特征在于，所述方法包括：
获取未识别车牌图片集合，所述未识别车牌图片集合包括属于同一车辆的至少一个未识别车牌图片；
获取已识别车牌图片集合，所述已识别车牌图片集合包括至少一个子集，每个子集包括对应于同一车牌标识的至少一个已识别车牌图片；
计算所述至少一个子集中每个子集与所述未识别车牌图片集合的相似度；
根据计算的相似度，从所述至少一个子集中确定所述未识别车牌图片集合的匹配子集；
将所述匹配子集对应的车牌标识确定为所述未识别车牌图片集合中每个未识别车牌图片的车牌标识。
2.根据权利要求1所述的方法，其特征在于，所述获取未识别车牌图片集合，包括：
计算多个未识别车牌图片中任两个未识别车牌图片的相似度；
根据计算的相似度，将相似度超过第一相似度阈值的至少一个未识别车牌图片组成所述未识别车牌图片集合；
其中，所述第一相似度阈值为规定属于同一车辆的不同未识别车牌图片之间的最小相似度。
3.根据权利要求1所述的方法，其特征在于，所述获取已识别车牌图片集合，包括：
将所述至少一个未识别车牌图片的最晚拍摄时间作为拍摄时间阈值；
获取第一图片集合和第二图片集合，所述第一图片集合包括拍摄时间早于所述拍摄时间阈值的已识别车牌图片，所述第二图片集合包括拍摄时间晚于所述拍摄时间阈值的已识别车牌图片；
从所述第二图片集合中删除指定已识别车牌图片，将所述第二图片集合中剩余的已识别车牌图片组合成所述已识别车牌图片集合，所述指定已识别车牌图片对应的车牌标识与所述第一图片集合中任一已识别车牌图片对应的车牌标识相同。
4.根据权利要求1所述的方法，其特征在于，所述获取已识别车牌图片集合，包括：
获取指定生产商标识，所述指定生产商标识是指所述未识别车牌图片集合所属车辆的生产商标识；
获取所属车辆的生产商标识是所述指定生产商标识的多个已识别车牌图片，将所述多个已识别车牌图片组合成所述已识别车牌图片集合。
5.根据权利要求1所述的方法，其特征在于，所述获取已识别车牌图片集合，包括：
获取指定颜色，所述指定颜色是指所述未识别车牌图片集合所属车辆的颜色；获取所属车辆的颜色是所述指定颜色的多个已识别车牌图片，将所述多个已识别车牌图片组合成所述已识别车牌图片集合；或者，
获取指定形状，所述指定形状是指所述未识别车牌图片集合所属车辆的形状；获取所属车辆的形状是所述指定形状的多个已识别车牌图片，将所述多个已识别车牌图片组合成所述已识别车牌图片集合。
6.根据权利要求1所述的方法，其特征在于，所述相似度包括位置相似度，所述计算所述至少一个子集中每个子集与所述未识别车牌图片集合的相似度，包括：
根据所述未识别车牌图片集合中的每个未识别车牌图片的拍摄位置，获取第一位置分布向量，所述第一位置分布向量包括所述未识别车牌图片集合中的未识别车牌图片在各个拍摄位置的出现次数；
对于所述至少一个子集中的每个子集，根据所述子集中每个已识别车牌图片的拍摄位置，获取第二位置分布向量，所述第二位置分布向量包括所述子集中的已识别车牌图片在各个拍摄位置的出现次数；
计算所述第一位置分布向量与所述第二位置分布向量之间的距离，作为所述子集与所述未识别车牌图片集合的位置相似度。
7.根据权利要求1所述的方法，其特征在于，所述相似度包括图像相似度，所述计算所述至少一个子集中每个子集与所述未识别车牌图片集合的相似度，包括：
对所述未识别车牌图片集合中的至少一个未识别车牌图片进行特征提取，得到至少一个第一特征向量；
对于所述至少一个子集中的每个子集，对所述子集中的至少一个已识别图片进行特征提取，得到至少一个第二特征向量；
从所述至少一个第一特征向量中选取任一第一特征向量，并从所述至少一个第二特征向量中选取任一第二特征向量，计算选取的第一特征向量与第二特征向量之间的距离，多次选取后得到多个距离；
将所述多个距离的统计值作为所述子集与所述未识别车牌图片集合的图像相似度。
8.根据权利要求1所述的方法，其特征在于，所述相似度包括加权相似度，所述计算所述至少一个子集中每个子集与所述未识别车牌图片集合的相似度，包括：
根据所述未识别车牌图片集合中的每个未识别车牌图片的拍摄位置，获取第一位置分布向量，所述第一位置分布向量包括所述未识别车牌图片集合中的未识别车牌图片在各个拍摄位置的出现次数；
对所述未识别车牌图片集合中的至少一个未识别车牌图片进行特征提取，得到至少一个第一特征向量；
对于所述至少一个子集中的每个子集，根据所述子集中每个已识别车牌图片的拍摄位置，获取第二位置分布向量，所述第二位置分布向量包括所述子集中的已识别车牌图片在各个拍摄位置的出现次数；
对所述子集中的至少一个已识别图片进行特征提取，得到至少一个第二特征向量；
计算所述第一位置分布向量与所述第二位置分布向量之间的距离，作为所述子集与所述未识别车牌图片集合的位置相似度；
从所述至少一个第一特征向量中选取任一第一特征向量，并从所述至少一个第二特征向量中选取任一第二特征向量，计算选取的第一特征向量与第二特征向量之间的距离，多次选取后得到多个距离，将所述多个距离的统计值作为所述子集与所述未识别车牌图片集合的图像相似度；
对所述位置相似度与所述图像相似度进行加权求和，得到所述子集与所述未识别车牌图片集合的加权相似度。
9.根据权利要求1-8任一项所述的方法，其特征在于，所述根据计算的相似度，从所述至少一个子集中确定所述未识别车牌图片集合的匹配子集，包括：
从所述至少一个子集中，选取对应的相似度最大的子集，作为所述未识别车牌图片集合的匹配子集；或者，
从所述至少一个子集中，选取对应的相似度超过所述相似度阈值的子集，作为所述未识别车牌图片集合的匹配子集，所述相似度阈值为规定与所述未识别车牌图片集合匹配的最小相似度；
从所述至少一个子集中，选取对应的相似度最大且超过所述相似度阈值的子集，作为所述未识别车牌图片集合的匹配子集。
10.一种车牌标识识别装置，其特征在于，所述装置包括：
获取模块，用于获取未识别车牌图片集合，所述未识别车牌图片集合包括属于同一车辆的至少一个未识别车牌图片；
所述获取模块，还用于获取已识别车牌图片集合，所述已识别车牌图片集合包括至少一个子集，每个子集包括对应于同一车牌标识的至少一个已识别车牌图片；
计算模块，用于计算所述至少一个子集中每个子集与所述未识别车牌图片集合的相似度；
确定模块，用于根据计算的相似度，从所述至少一个子集中确定所述未识别车牌图片集合的匹配子集；
所述确定模块，还用于将所述匹配子集对应的车牌标识确定为所述未识别车牌图片集合中每个未识别车牌图片的车牌标识。
11.根据权利要求10所述的装置，其特征在于，所述获取模块，包括：
计算子模块，用于计算多个未识别车牌图片中任两个未识别车牌图片的相似度；
集合组成子模块，用于根据计算的相似度，将相似度超过第一相似度阈值的至少一个未识别车牌图片组成所述未识别车牌图片集合；
其中，所述第一相似度阈值为规定属于同一车辆的不同未识别车牌图片之间的最小相似度。
12.根据权利要求10所述的装置，其特征在于，所述获取模块，包括：
阈值确定子模块，用于将所述至少一个未识别车牌图片的最晚拍摄时间作为拍摄时间阈值；
获取子模块，用于获取第一图片集合和第二图片集合，所述第一图片集合包括拍摄时间早于所述拍摄时间阈值的已识别车牌图片，所述第二图片集合包括拍摄时间晚于所述拍摄时间阈值的已识别车牌图片；
集合组成子模块，用于从所述第二图片集合中删除指定已识别车牌图片，将所述第二图片集合中剩余的已识别车牌图片组合成所述已识别车牌图片集合，所述指定已识别车牌图片对应的车牌标识与所述第一图片集合中任一已识别车牌图片对应的车牌标识相同。
13.根据权利要求10所述的装置，其特征在于，所述获取模块，包括：
获取子模块，用于获取指定生产商标识，所述指定生产商标识是指所述未识别车牌图片集合所属车辆的生产商标识；
所述获取子模块，还用于获取所属车辆的生产商标识是所述指定生产商标识的多个已识别车牌图片；
集合组成子模块，用于将所述多个已识别车牌图片组合成所述已识别车牌图片集合。
14.根据权利要求10所述的装置，其特征在于，所述获取模块，包括：
获取子模块，用于获取指定颜色，所述指定颜色是指所述未识别车牌图片集合所属车辆的颜色，获取所属车辆的颜色是所述指定颜色的多个已识别车牌图片；
集合组成子模块，用于将所述多个已识别车牌图片组合成所述已识别车牌图片集合；或者，
所述获取子模块，用于获取指定形状，所述指定形状是指所述未识别车牌图片集合所属车辆的形状，获取所属车辆的形状是所述指定形状的多个已识别车牌图片；
所述集合组成子模块，用于将所述多个已识别车牌图片组合成所述已识别车牌图片集合。
15.根据权利要求10所述的装置，其特征在于，所述相似度包括位置相似度，所述计算模块，包括：
获取子模块，用于根据所述未识别车牌图片集合中的每个未识别车牌图片的拍摄位置，获取第一位置分布向量，所述第一位置分布向量包括所述未识别车牌图片集合中的未识别车牌图片在各个拍摄位置的出现次数；
所述获取子模块，还用于对于所述至少一个子集中的每个子集，根据所述子集中每个已识别车牌图片的拍摄位置，获取第二位置分布向量，所述第二位置分布向量包括所述子集中的已识别车牌图片在各个拍摄位置的出现次数；
计算子模块，用于计算所述第一位置分布向量与所述第二位置分布向量之间的距离，作为所述子集与所述未识别车牌图片集合的位置相似度。
16.根据权利要求10所述的装置，其特征在于，所述相似度包括图像相似度，所述计算模块，包括：
特征提取子模块，用于对所述未识别车牌图片集合中的至少一个未识别车牌图片进行特征提取，得到至少一个第一特征向量；
所述特征提取子模块，还用于对于所述至少一个子集中的每个子集，对所述子集中的至少一个已识别图片进行特征提取，得到至少一个第二特征向量；
选取子模块，用于从所述至少一个第一特征向量中选取任一第一特征向量，并从所述至少一个第二特征向量中选取任一第二特征向量；
计算子模块，用于计算选取的第一特征向量与第二特征向量之间的距离，多次选取后得到多个距离；
确定子模块，用于将所述多个距离的统计值作为所述子集与所述未识别车牌图片集合的图像相似度。
17.根据权利要求10所述的装置，其特征在于，所述相似度包括加权相似度，所述计算模块，包括：
获取子模块，用于根据所述未识别车牌图片集合中的每个未识别车牌图片的拍摄位置，获取第一位置分布向量，所述第一位置分布向量包括所述未识别车牌图片集合中的未识别车牌图片在各个拍摄位置的出现次数；
特征提取子模块，用于对所述未识别车牌图片集合中的至少一个未识别车牌图片进行特征提取，得到至少一个第一特征向量；
所述获取子模块，还用于对于所述至少一个子集中的每个子集，根据所述子集中每个已识别车牌图片的拍摄位置，获取第二位置分布向量，所述第二位置分布向量包括所述子集中的已识别车牌图片在各个拍摄位置的出现次数；
所述特征提取子模块，还用于对所述子集中的至少一个已识别图片进行特征提取，得到至少一个第二特征向量；
计算子模块，用于计算所述第一位置分布向量与所述第二位置分布向量之间的距离，作为所述子集与所述未识别车牌图片集合的位置相似度；
选取子模块，用于从所述至少一个第一特征向量中选取任一第一特征向量，并从所述至少一个第二特征向量中选取任一第二特征向量；
所述计算子模块，还用于计算选取的第一特征向量与第二特征向量之间的距离，多次选取后得到多个距离，将所述多个距离的统计值作为所述子集与所述未识别车牌图片集合的图像相似度；
所述计算子模块，还用于对所述位置相似度与所述图像相似度进行加权求和，得到所述子集与所述未识别车牌图片集合的加权相似度。
18.根据权利要求10-17任一项所述的装置，其特征在于，所述确定模块，还用于：
从所述至少一个子集中，选取对应的相似度最大的子集，作为所述未识别车牌图片集合的匹配子集；或者，
从所述至少一个子集中，选取对应的相似度超过所述相似度阈值的子集，作为所述未识别车牌图片集合的匹配子集，所述相似度阈值为规定与所述未识别车牌图片集合匹配的最小相似度；
从所述至少一个子集中，选取对应的相似度最大且超过所述相似度阈值的子集，作为所述未识别车牌图片集合的匹配子集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611244685.XA CN108256541B (zh) | 2016-12-29 | 2016-12-29 | 车牌标识识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611244685.XA CN108256541B (zh) | 2016-12-29 | 2016-12-29 | 车牌标识识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108256541A true CN108256541A (zh) | 2018-07-06 |
| CN108256541B CN108256541B (zh) | 2021-01-12 |
Family
ID=62720812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611244685.XA Active CN108256541B (zh) | 2016-12-29 | 2016-12-29 | 车牌标识识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108256541B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652200A (zh) * | 2020-08-05 | 2020-09-11 | 爱保科技有限公司 | 车险案件中从图片区分多车的处理方法、装置及设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
| US20070031417A2 (en) * | 2004-04-14 | 2007-02-08 | University Of Massachusetts | Dicer interacting proteins and uses therefor |
| US20090254572A1 (en) * | 2007-01-05 | 2009-10-08 | Redlich Ron M | Digital information infrastructure and method |
| CN101630361A (zh) * | 2008-12-30 | 2010-01-20 | 北京邮电大学 | 一种基于车牌、车身颜色和车标识别的套牌车辆识别设备及方法 |
| CN103065144A (zh) * | 2012-12-30 | 2013-04-24 | 信帧电子技术（北京）有限公司 | 车标识别方法及装置 |
| CN103413147A (zh) * | 2013-08-28 | 2013-11-27 | 庄浩洋 | 一种车牌识别方法和系统 |
| CN104282150A (zh) * | 2014-09-29 | 2015-01-14 | 北京汉王智通科技有限公司 | 运动目标的识别装置及系统 |
| US9064316B2 (en) * | 2012-06-28 | 2015-06-23 | Lexmark International, Inc. | Methods of content-based image identification |
| CN106096612A (zh) * | 2016-06-01 | 2016-11-09 | 中国科学院动物研究所 | 实蝇图像识别系统及方法 |
| CN106228179A (zh) * | 2016-07-13 | 2016-12-14 | 乐视控股（北京）有限公司 | 车辆比对的方法和系统 |
-
2016
- 2016-12-29 CN CN201611244685.XA patent/CN108256541B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070031417A2 (en) * | 2004-04-14 | 2007-02-08 | University Of Massachusetts | Dicer interacting proteins and uses therefor |
| CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
| US20090254572A1 (en) * | 2007-01-05 | 2009-10-08 | Redlich Ron M | Digital information infrastructure and method |
| CN101630361A (zh) * | 2008-12-30 | 2010-01-20 | 北京邮电大学 | 一种基于车牌、车身颜色和车标识别的套牌车辆识别设备及方法 |
| US9064316B2 (en) * | 2012-06-28 | 2015-06-23 | Lexmark International, Inc. | Methods of content-based image identification |
| CN103065144A (zh) * | 2012-12-30 | 2013-04-24 | 信帧电子技术（北京）有限公司 | 车标识别方法及装置 |
| CN103413147A (zh) * | 2013-08-28 | 2013-11-27 | 庄浩洋 | 一种车牌识别方法和系统 |
| CN104282150A (zh) * | 2014-09-29 | 2015-01-14 | 北京汉王智通科技有限公司 | 运动目标的识别装置及系统 |
| CN106096612A (zh) * | 2016-06-01 | 2016-11-09 | 中国科学院动物研究所 | 实蝇图像识别系统及方法 |
| CN106228179A (zh) * | 2016-07-13 | 2016-12-14 | 乐视控股（北京）有限公司 | 车辆比对的方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| HUANG Y等: "Vehicle logo recognition system based on convolutional neural networks with a pretraining strategy", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
| 时念锋: "基于卡口图像的涉牌违法车辆智能检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652200A (zh) * | 2020-08-05 | 2020-09-11 | 爱保科技有限公司 | 车险案件中从图片区分多车的处理方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108256541B (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109391762B (zh) | 一种跟踪拍摄的方法和装置 | |
| CN107038681B (zh) | 图像虚化方法、装置、计算机可读存储介质和计算机设备 | |
| US11055561B2 (en) | Similar picture identification method, device, and storage medium | |
| CN109583271B (zh) | 一种对车道线进行拟合的方法、装置及终端 | |
| CN107657218B (zh) | 人脸识别方法及相关产品 | |
| CN106407984B (zh) | 目标对象识别方法及装置 | |
| WO2019020014A1 (zh) | 解锁控制方法及相关产品 | |
| EP3249578A1 (en) | Fingerprint unlocking method and terminal | |
| CN108664957A (zh) | 车牌号码匹配方法及装置、字符信息匹配方法及装置 | |
| CN106850978B (zh) | 一种应用程序控制方法及相关设备 | |
| WO2019011206A1 (zh) | 活体检测方法及相关产品 | |
| WO2019011099A1 (zh) | 虹膜活体检测方法及相关产品 | |
| CN105912916B (zh) | 一种指纹解锁方法及终端 | |
| CN109376781B (zh) | 一种图像识别模型的训练方法、图像识别方法和相关装置 | |
| CN107784271B (zh) | 指纹识别方法及相关产品 | |
| CN106296634B (zh) | 一种检测相似图像的方法和装置 | |
| CN109726726B (zh) | 视频中的事件检测方法及装置 | |
| CN109344594A (zh) | 一种基于指纹控制设备的方法及相关设备 | |
| CN109714476B (zh) | 数据处理方法、装置、移动终端及存储介质 | |
| CN107330867B (zh) | 图像合成方法、装置、计算机可读存储介质和计算机设备 | |
| CN112149589A (zh) | 车内驾驶员行为识别方法及装置 | |
| CN104901992B (zh) | 一种资源转移的方法和装置 | |
| CN107832714B (zh) | 活体鉴别方法、装置及存储设备 | |
| CN109165546B (zh) | 人脸识别方法及装置 | |
| CN108230680B (zh) | 一种车辆行为信息获取方法、装置及终端 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |