CN112200193B - 基于多属性融合的分布式车牌识别方法、系统、装置 - Google Patents

Abstract

本发明属于计算机视觉、模式识别以及智能交通领域，具体涉及一种基于多属性融合的分布式车牌识别方法、系统、装置，旨在进一步提升自然场景中车牌识别结果准确性、有效性和可信度。本系统方法包括获取待识别的车牌图像；提取车牌图像的特征，作为初始特征；对初始特征进行深度编码，得到与车牌图像类型相关的类型特征，并通过图像类型分类器得到类型预测结果；对初始特征进行深度编码，得到与车牌颜色相关的颜色特征，并通过图像颜色分类器得到颜色预测结果；将初始特征、类型特征、颜色特征融合后进行深度编码，得到与车牌图像相关的文本特征，并通过预构建的字符序列生成器得到车牌号识别结果。本发明提高了识别准确性、有效性和可信度。

Description

基于多属性融合的分布式车牌识别方法、系统、装置

技术领域

本发明属于计算机视觉、模式识别以及智能交通领域，具体涉及一种基于多属性融合的分布式车牌识别方法、系统、装置。

背景技术

随着智能交通系统的快速发展，对车辆信息的识别分析需求日渐增加。其中，车牌最能直接有效的体现车辆的信息，准确高效的识别车牌信息对于智能化交通管理意义重大。然而，由于自然场景的复杂多变，准确检测并识别车牌信息变得极具挑战。

现有技术在对道路中的车牌信息进行识别时，首先依赖于对自然场景中的车牌进行检测，然后基于检测结果进行车牌识别。由于车辆并非总是处于静止或低速运动状态，当进行高速运动时，不可避免的会造成运动模糊；此外，还会出现人为遮挡车牌、物体（如树叶）或车辆之间距离太近导致的部分遮挡情况，这大大增加了车牌识别的难度。仅通过对图像中的车牌号进行识别来确定车牌信息，而不考虑自然环境变化及车辆自身情况带来的干扰，车牌识别的错误率会很高。因此，需要一种能够同时判断场景信息、车牌状态，融合多种车牌属性的识别方法，实现对车牌信息准确高效的识别与分析。

发明内容

为了解决现有技术中的上述问题，即为了进一步提升自然场景中车牌识别结果准确性、有效性和可信度，本发明第一方面，提出了一种基于多属性融合的分布式车牌识别方法，该方法包括：

步骤S10，获取待识别的车牌图像，作为输入图像；

步骤S20，提取所述输入图像的特征，作为初始特征；

步骤S30，通过预构建的图像判别分支对所述初始特征进行深度编码，得到与输入图像类型相关的类型特征，并通过该分支中的图像类型分类器得到输入图像的类型预测结果；

步骤S40，通过预构建的颜色判别分支对所述初始特征进行深度编码，得到与车牌颜色相关的颜色特征，并通过该分支中的图像颜色分类器得到输入图像的颜色预测结果；

步骤S50，将所述初始特征、所述类型特征、所述颜色特征进行融合，作为复合特征；对所述复合特征进行深度编码，得到与输入图像相关的文本特征，并通过预构建的字符序列生成器得到车牌号识别结果；

其中，所述图像判别分支、所述颜色判别分支基于深度卷积神经网络构建；所述图像颜色分类器、所述图像颜色分类器基于N个全连接层构建，N为正整数；

所述字符序列生成器用于将文本特征序列转换为字符串序列。

在一些优选的实施方式中，所述输入图像的类型预测结果包括不含车牌的背景图像、含有车牌且车牌号清晰的图像、含有车牌但车牌号模糊的图像、含有车牌但车牌号位数不全的图像。

在一些优选的实施方式中，步骤S50之后还包括车牌信息验证存储的步骤：

获取输入图像的类型预测结果；

若所述类型预测结果为含有车牌且车牌号清晰的图像，则基于获取输入图像的颜色预测结果以及车牌号识别结果，判断车牌号与车牌颜色是否符合设定的匹配规则，若符合则认为车牌号识别正确并进行存储；否则不存储。

在一些优选的实施方式中，“将所述初始特征、所述类型特征、所述颜色特征进行融合” 中的融合方式为求和、求均值、合并、通过神经网络融合的任一种。

在一些优选的实施方式中，所述N为2。

在一些优选的实施方式中，所述字符序列生成器为CTC解码器、基于注意力的解码器中的任一种。

本发明的第二方面，提出了一种基于多属性融合的分布式车牌识别系统，该系统包括图像获取模块、初始特征提取模块、图像类型判别模块、图像颜色判别模块、车牌号识别模块；

所述图像获取模块，配置为获取待识别的车牌图像，作为输入图像；

所述初始特征提取模块，配置为提取所述输入图像的特征，作为初始特征；

所述图像类型判别模块，配置为通过预构建的图像判别分支对所述初始特征进行深度编码，得到与输入图像类型相关的类型特征，并通过该分支中的图像类型分类器得到输入图像的类型预测结果；

所述图像颜色判别模块，配置为通过预构建的颜色判别分支对所述初始特征进行深度编码，得到与车牌颜色相关的颜色特征，并通过该分支中的图像颜色分类器得到输入图像的颜色预测结果；

所述车牌号识别模块，配置为将所述初始特征、所述类型特征、所述颜色特征进行融合，作为复合特征；对所述复合特征进行深度编码，得到与输入图像相关的文本特征，并通过预构建的字符序列生成器得到车牌号识别结果；

其中，所述图像判别分支、所述颜色判别分支基于深度卷积神经网络构建；所述图像类型分类器、所述图像颜色分类器基于N个全连接层构建，N为正整数；

所述字符序列生成器用于将文本特征序列转换为字符串序列。

本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适用于由处理器加载并执行以实现上述的基于多属性融合的分布式车牌识别方法。

本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；所述程序适用于由处理器加载并执行以实现上述的基于多属性融合的分布式车牌识别方法。

本发明的有益效果：

本发明提高了车牌识别的准确性、有效性和可信度。

（1）本发明从深度神经网络提取待识别的车牌图像的初始特征后分别输入三个不同的功能分支中进行深度特征的提取，三个分支包括图像判别分支、颜色判别分支、车牌号识别分支，这样可以同时为不同的任务提供支持，实现了图像底层特征的共享，具有高效便捷的特性；将不同分支分布式处理产生的深层图像特征有选择的进行融合，也可以进一步提升子任务的分类准确度，并提高识别的鲁棒性。

（2）本发明在预测车牌号码时，同时考虑了图像类型属性和颜色属性隐含的信息，极大提升不同颜色车牌、不同类型车牌、不同清晰度及完整度的车牌号识别准确率。另外，本发明分别在特征提取阶段和结果验证阶段对车牌号的识别进行约束和核对，这对显著提升车牌文本的识别准确率至关重要，同时也能使本发明更加高效准确的应对复杂多变的自然场景。

附图说明

通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。

图1是本发明一种实施例的基于多属性融合的分布式车牌识别方法的流程示意图；

图2是本发明一种实施例的基于多属性融合的分布式车牌识别系统的框架示意图；

图3是本发明一种实施例的包含车牌信息验证存储的基于多属性融合的分布式车牌识别方法的流程示意图；

图4是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

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做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。

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本发明的基于多属性融合的分布式车牌识别方法，如图1所示，包括以下步骤：

步骤S10，获取待识别的车牌图像，作为输入图像；

步骤S20，提取所述输入图像的特征，作为初始特征；

步骤S30，通过预构建的图像判别分支对所述初始特征进行深度编码，得到与输入图像类型相关的类型特征，并通过该分支中的图像类型分类器得到输入图像的类型预测结果；

步骤S40，通过预构建的颜色判别分支对所述初始特征进行深度编码，得到与车牌颜色相关的颜色特征，并通过该分支中的图像颜色分类器得到输入图像的颜色预测结果；

步骤S50，将所述初始特征、所述类型特征、所述颜色特征进行融合，作为复合特征；对所述复合特征进行深度编码，得到与输入图像相关的文本特征，并通过预构建的字符序列生成器得到车牌号识别结果；

其中，所述图像判别分支、所述颜色判别分支基于深度卷积神经网络构建；所述图像类型分类器、所述图像颜色分类器基于N个全连接层构建，N为正整数；

所述字符序列生成器用于将文本特征序列转换为字符串序列。

为了更清晰地对本发明基于多属性融合的分布式车牌识别方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。

步骤S10，获取待识别的车牌图像，作为输入图像；

在本实施例中，获取待识别的车牌图像。

步骤S20，提取所述输入图像的特征，作为初始特征；

在本实施例中，通过特征提取器提取待识别的车牌图像的特征，作为初始特征（或称为特征始量）。特征提取器基于深度卷积神经网络构建。

从深度卷积神经网络中获取的初始特征分别输入三个不同的功能分支进行深度特征提取，包括：图像判别分支、颜色判别分支、车牌号识别分支。初始特征以分布式的方式传入三个不同的分支中，这种处理方法可以同时为不同的任务提供支持，实现了图像底层特征的共享，具有高效便捷的特性；将不同分支分布式处理产生的深层图像特征有选择的进行融合，也可以进一步提升子任务的分类准确度，并提高方法的鲁棒性；此外，本发明提供的多任务处理方法并不局限于实施例中限定的三个任务分支，可以根据具体需求扩展新的任务分支。深度特征提取具体如步骤S30、步骤S40、步骤S50所述。

步骤S30，通过预构建的图像判别分支对所述初始特征进行深度编码，得到与输入图像类型相关的类型特征，并通过该分支中的图像类型分类器得到输入图像的类型预测结果；

在本实施例中，对初始特征进行深度编码，得到与输入图像类型相关的类型特征，并通过图像类型分类器得到待识别的车辆图像的类型预测结果。图像的类型预测结果包括不含车牌的背景图像、含有车牌且车牌号清晰的图像、含有车牌但车牌号模糊的图像、含有车牌但车牌号位数不全的图像。

其中，本发明中优选通过深度卷积神经网络构建图像判别分支，并对初始特征进行深度编码。图像判别分支中的图像类型分类器基于两个全连接层构建，将从深度卷积神经网络学习到的类型特征映射到样本标记空间，并将特征值转化成分类输出，实现图像类型的预测。

步骤S40，通过预构建的颜色判别分支对所述初始特征进行深度编码，得到与车牌颜色相关的颜色特征，并通过该分支中的图像颜色分类器得到输入图像的颜色预测结果；

在本实施例中，对初始特征进行深度编码，得到与车牌颜色相关的颜色特征，并通过图像颜色分类器得到待识别的车辆图像的颜色预测结果。颜色预测结果包括白色、黄色、黑色、蓝色、黄绿、白绿。

其中，本发明中基于深度卷积神经网络构建颜色判别分支；基于两个全连接层构建颜色判别分支中的图像颜色分类器，将颜色特征映射到样本标记空间，特征值转化成分类输出，得到车牌颜色的预测结果。这样通过多层级特征提取的方式提取颜色特征，可以充分考虑到不同场景环境、不同拍摄条件对车牌底色的干扰，提升了车牌颜色识别的准确度及模型的性能。

步骤S50，将所述初始特征、所述类型特征、所述颜色特征进行融合，作为复合特征；对所述复合特征进行深度编码，得到与输入图像相关的文本特征，并通过预构建的字符序列生成器得到车牌号识别结果；

在本实施例中，对初始特征、类型特征、颜色特征进行融合，作为复合特征；通过预构建的车牌号识别分支对复合特征进行深度编码，得到与输入图像相关的文本特征，并通过该分支中的字符序列生成器得到车牌号识别结果。车牌号识别分支基于深度卷积神经网络构建。

其中，通过预构建的字符序列生成器得到车牌号识别结果，具体过程为：将文本特征输入字符序列生成器后会被解码成字符类的得分，之后每个字符类的得分会被转换成对应的字符串输出。字符序列生成器在本发明中优选为CTC解码器（联结时序分类算法）、基于注意力的解码器中的任一种。

另外，本发明采用求和、求均值、合并以及通过神经网络融合等融合方式对初始特征、类型特征、颜色特征进行融合。以上的融合方式只是本发明优选的几种，在其他实施例中可以根据实际需要重新选取。

本发明中特征融合是类型特征、颜色特征作为先验信息对后续提取图像文本特征进行约束的一个操作。图像中车牌号码的完整程度以及车牌颜色隐含了部分车牌信息，加入的这些车牌属性特征可以辅助后续车牌号码的识别。针对不同条件限制，也可以有选择地单独加入图像类型特征或者图像颜色特征，即结合初始特征、类型特征进行融合后识别或结合初始特征、颜色特征进行融合后识别；此外，单独使用初始特征作为车牌号识别分支的输入，而省略类型特征、颜色特征进行特征融合的操作并不会影响识别分支的过程完整性。

在步骤S50之后还包括车牌信息验证存储的步骤，如图3所示，具体如下：

获取待识别的车牌图像的类型预测结果；

当图像类型预测结果为不含车牌的背景图像或者模糊、含有车牌但车牌号模糊的图像，即不包含车牌或车牌模糊不可识别时，则不存储；

当图像类型预测结果为含有车牌且车牌号清晰的图像时，说明图像中包含完整且清晰字符, 车牌号具有被识别的意义和价值，此时根据颜色预测结果和车牌号识别结果，判断车牌号与车牌颜色是否符合设定的匹配规则，若符合则认为车牌号识别正确并进行存储，否则认为车牌号识别结果不正确，不存储。匹配规则在本实施例中优选设置为车牌号的位数与车牌颜色是否匹配，例如，现有的白绿新能源车牌，车牌号共8位；另外，现有的白绿新能源车牌首位是汉字、数列第一位（从左往右第三位）是'F'或'D'专用位；黄绿新能源车牌，首位是汉字、数列第6位（从左往右最后一位）是'F'或'D'专用位等；白色车牌中，首两位为'WJ'为武警车牌、首两位为大写字母，后5位为数字，如‘SN’‘KA’等为军车等等，因此在其他实施例中也可以结合某些位含有的特定字符、特定字符出现的位置等情况进行验证匹配。

本发明结合了车牌制定时颜色和车牌号匹配规则，能够大大提升车牌信息预测结果的准确性。在其他发明公开的车牌识别结果的矫正规则中，普遍使用阈值限定的方法，当预测结果低于或高于某一阈值范围，则认为预测结果不可信，这样的处理方法可能会造成一些结果被错误处理的情况；同时，人为限定阈值范围没有统一的标准，在划分阈值时也可能存在一些问题。而本发明公开的验证存储方法根据影响车牌正确识别的原因分别验证存储不同情况下车牌识别的结果，全程无需人为干预，仅依靠图像特征和车牌自身属性规律完成结果的验证存储，极大提升了车牌识别结果的准确性、可信度、有效性。

本发明第二实施例的一种基于多属性融合的分布式车牌识别系统，如图2所示，包括：图像获取模块100、初始特征提取模块200、图像类型判别模块300、图像颜色判别模块400、车牌号识别模块500；

所述图像获取模块100，配置为获取待识别的车牌图像，作为输入图像；

所述初始特征提取模块200，配置为提取所述输入图像的特征，作为初始特征；

所述图像类型判别模块300，配置为通过预构建的图像判别分支对所述初始特征进行深度编码，得到与输入图像类型相关的类型特征，并通过该分支中的图像类型分类器得到输入图像的类型预测结果；

所述图像颜色判别模块400，配置为通过预构建的颜色判别分支对所述初始特征进行深度编码，得到与车牌颜色相关的颜色特征，并通过该分支中的图像颜色分类器得到输入图像的颜色预测结果；

所述车牌号识别模块500，配置为将所述初始特征、所述类型特征、所述颜色特征进行融合，作为复合特征；对所述复合特征进行深度编码，得到与输入图像相关的文本特征，并通过预构建的字符序列生成器得到车牌号识别结果；

其中，所述图像判别分支、所述颜色判别分支基于深度卷积神经网络构建；所述图像类型分类器、所述图像颜色分类器基于N个全连接层构建，N为正整数；

所述字符序列生成器用于将文本特征序列转换为字符串序列。

所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统具体的工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，上述实施例提供的基于多属性融合的分布式车牌识别系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。

本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适用于由处理器加载并实现上述的基于多属性融合的分布式车牌识别方法。

本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适用于由处理器加载并执行以实现上述的基于多属性融合的分布式车牌识别方法。

所述技术领域的技术人员可以清楚的了解到，未描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。

下面参考图4，其示出了适于用来实现本申请方法、系统、装置实施例的服务器的计算机系统的结构示意图。图4示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图4所示，计算机系统包括中央处理单元(CPU，Central Processing Unit)401，其可以根据存储在只读存储器(ROM，Read Only Memory)402中的程序或者从存储部分408加载到随机访问存储器(RAM，Random Access Memory)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统操作所需的各种程序和数据。CPU401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O，Input/Output)接口405也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通讯部分409。通讯部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通讯部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU401执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

术语“第一”、 “第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (9)

1.一种基于多属性融合的分布式车牌识别方法，其特征在于，该方法包括以下步骤：

步骤S10，获取待识别的车牌图像，作为输入图像；

步骤S20，提取所述输入图像的特征，作为初始特征；

步骤S30，通过预构建的图像判别分支对所述初始特征进行深度编码，得到与输入图像类型相关的类型特征，并通过该分支中的图像类型分类器得到输入图像的类型预测结果；

步骤S40，通过预构建的颜色判别分支对所述初始特征进行深度编码，得到与车牌颜色相关的颜色特征，并通过该分支中的图像颜色分类器得到输入图像的颜色预测结果；

步骤S50，将所述初始特征、所述类型特征、所述颜色特征进行融合，作为复合特征；对所述复合特征进行深度编码，得到与输入图像相关的文本特征，并通过预构建的字符序列生成器得到车牌号识别结果；

其中，所述图像判别分支、所述颜色判别分支基于深度卷积神经网络构建；所述图像类型分类器、所述图像颜色分类器基于N个全连接层构建，N为正整数；

所述字符序列生成器用于将文本特征转换为字符串序列。

2.根据权利要求1所述的基于多属性融合的分布式车牌识别方法，其特征在于，所述输入图像的类型预测结果包括不含车牌的背景图像、含有车牌且车牌号清晰的图像、含有车牌但车牌号模糊的图像、含有车牌但车牌号位数不全的图像。

3.根据权利要求2所述的基于多属性融合的分布式车牌识别方法，其特征在于，步骤S50之后还包括车牌信息验证存储的步骤：

获取输入图像的类型预测结果；

若所述类型预测结果为含有车牌且车牌号清晰的图像，则基于获取输入图像的颜色预测结果以及车牌号识别结果，判断车牌号与车牌颜色是否符合设定的匹配规则，若符合则认为车牌号识别正确并进行存储；否则不存储。

4.根据权利要求1所述的基于多属性融合的分布式车牌识别方法，其特征在于，所述步骤S50中的融合方式为求和、求均值、合并、通过神经网络融合的任一种。

5.根据权利要求1中所述的基于多属性融合的分布式车牌识别方法，其特征在于，所述N为2。

6.根据权利要求1所述的基于多属性融合的分布式车牌识别方法，其特征在于，所述字符序列生成器为CTC解码器、基于注意力的解码器中的任一种。

7.一种基于多属性融合的分布式车牌识别系统，其特征在于，该系统包括图像获取模块、初始特征提取模块、图像类型判别模块、图像颜色判别模块、车牌号识别模块；

所述图像获取模块，配置为获取待识别的车牌图像，作为输入图像；

所述初始特征提取模块，配置为提取所述输入图像的特征，作为初始特征；

所述图像类型判别模块，配置为通过预构建的图像判别分支对所述初始特征进行深度编码，得到与输入图像类型相关的类型特征，并通过该分支中的图像类型分类器得到输入图像的类型预测结果；

所述图像颜色判别模块，配置为通过预构建的颜色判别分支对所述初始特征进行深度编码，得到与车牌颜色相关的颜色特征，并通过该分支中的图像颜色分类器得到输入图像的颜色预测结果；

所述车牌号识别模块，配置为将所述初始特征、所述类型特征、所述颜色特征进行融合，作为复合特征；对所述复合特征进行深度编码，得到与输入图像相关的文本特征，并通过预构建的字符序列生成器得到车牌号识别结果；

所述图像判别分支、所述颜色判别分支基于深度卷积神经网络构建；所述图像颜色分类器、所述图像颜色分类器基于N个全连接层构建，N为正整数；

所述字符序列生成器用于将文本特征转换为字符串序列。

8.一种存储装置，其中存储有多条程序，其特征在于，所述程序适用于由处理器加载并执行以实现权利要求1-6任一项所述的基于多属性融合的分布式车牌识别方法。

9.一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；其特征在于，所述程序适用于由处理器加载并执行以实现权利要求1-6任一项所述的基于多属性融合的分布式车牌识别方法。

Images