CN112861845A - 车牌识别方法、装置、计算机设备和存储介质 - Google Patents

车牌识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112861845A
CN112861845A CN202110439681.1A CN202110439681A CN112861845A CN 112861845 A CN112861845 A CN 112861845A CN 202110439681 A CN202110439681 A CN 202110439681A CN 112861845 A CN112861845 A CN 112861845A
Authority
CN
China
Prior art keywords
license plate
image sample
plate image
character
recognition model
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.)
Pending
Application number
CN202110439681.1A
Other languages
English (en)
Inventor
段凯歌
余新康
覃智泉
梁敏学
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Symboltek Co ltd
Original Assignee
Symboltek Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Symboltek Co ltd filed Critical Symboltek Co ltd
Priority to CN202110439681.1A priority Critical patent/CN112861845A/zh
Publication of CN112861845A publication Critical patent/CN112861845A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Character Discrimination (AREA)

Abstract

本申请涉及一种车牌识别方法、装置、计算机设备和存储介质。该方法包括：获取待识别的车牌图像；将待识别的车牌图像输入训练好的车牌识别模型中的特征提取网络中，通过特征提取网络对待识别的车牌图像进行特征提取，得到车牌特征；将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型中，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果；其中，训练好的车牌识别模型是根据目标车牌图像样本进行训练得到的。目标车牌图像样本是通过对初始车牌图像样本进行旋转和裁剪得到的。采用该方法能够简化识别过程，有利于提高车牌的识别效率。

Description

车牌识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像识别技术领域，特别是涉及一种车牌识别方法、装置、计算机设备和存储介质。
背景技术
随着社会的快速发展，人们对于车辆的需求增多，车辆的数量在快速增加。车牌信息作为车辆的唯一标识，可以对车辆的身份进行确认，因此，车牌识别技术在智慧交通、车辆检索、车辆轨迹和大数据研判分析等各类技术领域具有重要的作用。
传统技术中，车牌识别方法是先将车牌定位，然后对定位后的车牌进行透视变换以矫正车牌角度，之后定位矫正后的车牌中的每个车牌字符的位置并对每个车牌字符进行分割，最后分别识别分割后的每个车牌字符，得到车牌识别结果。
然而，采用传统技术，需要将车牌中的每个车牌字符逐个定位并分割，识别过程较繁琐，导致车牌的识别效率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高车牌识别效率的车牌识别方法、装置、计算机设备和存储介质。
一种车牌识别方法，所述方法包括：
获取待识别的车牌图像；
将所述待识别的车牌图像输入训练好的车牌识别模型中的特征提取网络中，通过所述特征提取网络对所述待识别的车牌图像进行特征提取，得到车牌特征；
将所述车牌特征输入所述训练好的车牌识别模型中的多个车牌字符识别模型中，针对所述待识别的车牌图像中的每一个车牌字符，通过所述多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果；
其中，所述训练好的车牌识别模型是根据目标车牌图像样本进行训练得到的；所述目标车牌图像样本是通过对初始车牌图像样本进行旋转和裁剪得到的；所述目标车牌图像样本中的任一车牌字符添加有字符标签。
在其中一个实施例中，所述将所述车牌特征输入所述训练好的车牌识别模型中的多个车牌字符识别模型中，针对所述待识别的车牌图像中的每一个车牌字符，通过所述多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果，包括：
将所述车牌特征输入所述训练好的车牌识别模型中的多个车牌字符识别模型中，针对所述待识别的车牌图像中的每一个车牌字符，通过所述多个车牌字符识别模型中的一个车牌字符识别模型进行识别，得到车牌识别结果，其中，所述车牌字符识别模型的数量为所述目标车牌图像样本中车牌字符的个数。
在其中一个实施例中，所述车牌识别模型的训练方法包括：
将所述目标车牌图像样本输入至初始车牌识别模型中的特征提取网络进行处理，得到车牌特征样本；
将所述车牌特征样本输入至所述初始车牌识别模型中的多个车牌字符识别模型进行处理，得到车牌预测识别结果；
根据所述车牌预测识别结果和所述目标车牌图像样本中的字符标签计算所述初始车牌识别模型的损失函数值，并根据所述损失函数值调整所述初始车牌识别模型的权重参数，得到所述训练好的车牌识别模型。
在其中一个实施例中，所述车牌字符识别模型的数量为所述目标车牌图像样本中车牌字符的个数；
所述根据所述车牌预测识别结果和所述目标车牌图像样本中的字符标签计算所述初始车牌识别模型的损失函数值，包括：
根据每个车牌字符识别模型输出的车牌预测识别结果与输入到所述每个车牌字符识别模型中的目标车牌图像样本中的字符标签，计算所述每个车牌字符识别模型对应的交叉熵损失函数值；
根据所述每个车牌字符识别模型对应的交叉熵损失函数值，计算所述初始车牌识别模型的损失函数值。
在其中一个实施例中，所述目标车牌图像样本的获得方法包括：
获取所述初始车牌图像样本；
将所述初始车牌图像样本粘贴至背景图像中，得到粘贴后的车牌图像样本；
对所述粘贴后的车牌图像样本进行旋转，得到旋转后的车牌图像样本以及所述旋转后的车牌图像样本中的初始车牌图像样本的顶点位置；
根据所述旋转后的顶点位置，对所述旋转后的车牌图像样本进行裁剪，得到目标车牌图像样本。
在其中一个实施例中，所述根据所述旋转后的顶点位置，对所述旋转后的车牌图像样本进行裁剪，得到目标车牌图像样本，包括：
根据所述旋转后的顶点位置，对所述旋转后的车牌图像样本进行裁剪，得到裁剪后的车牌图像样本；
将所述裁剪后的车牌图像样本与加噪图像进行融合，得到融合后的车牌图像样本，其中，所述加噪图像是由噪点生成的；
对所述融合后的车牌图像样本添加变色噪声，得到目标车牌图像样本。
在其中一个实施例中，所述根据所述旋转后的顶点位置，对所述旋转后的车牌图像样本进行裁剪，得到目标车牌图像样本，包括：
根据所述旋转后的顶点位置，确定旋转后的初始车牌图像样本的外接矩形的宽和高；
根据所述外接矩形的宽和高，对所述旋转后的车牌图像样本以预设的宽和高的裁剪大小进行裁剪，得到目标车牌图像样本，其中，所述预设的宽的裁剪大小为(-w/21, w/12)中的任一值，所述预设的高的裁剪大小为(-h/8, h/8)中的任一值；所述w表示所述外接矩形的宽；所述h表示所述外接矩形的高。
一种车牌识别装置，所述装置包括：
车牌图像获取模块，用于获取待识别的车牌图像；
车牌特征提取模块，用于将所述待识别的车牌图像输入训练好的车牌识别模型中的特征提取网络中，通过所述特征提取网络对所述待识别的车牌图像进行特征提取，得到车牌特征；
车牌字符识别模块，用于将所述车牌特征输入所述训练好的车牌识别模型中的多个车牌字符识别模型中，针对所述待识别的车牌图像中的每一个车牌字符，通过所述多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果；
其中，所述训练好的车牌识别模型是根据目标车牌图像样本进行训练得到的；所述目标车牌图像样本是通过对初始车牌图像样本进行旋转和裁剪得到的；所述目标车牌图像样本中的任一车牌字符添加有字符标签。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待识别的车牌图像；
将所述待识别的车牌图像输入训练好的车牌识别模型中的特征提取网络中，通过所述特征提取网络对所述待识别的车牌图像进行特征提取，得到车牌特征；
将所述车牌特征输入所述训练好的车牌识别模型中的多个车牌字符识别模型中，针对所述待识别的车牌图像中的每一个车牌字符，通过所述多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果；
其中，所述训练好的车牌识别模型是根据目标车牌图像样本进行训练得到的；所述目标车牌图像样本是通过对初始车牌图像样本进行旋转和裁剪得到的；所述目标车牌图像样本中的任一车牌字符添加有字符标签。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待识别的车牌图像；
将所述待识别的车牌图像输入训练好的车牌识别模型中的特征提取网络中，通过所述特征提取网络对所述待识别的车牌图像进行特征提取，得到车牌特征；
将所述车牌特征输入所述训练好的车牌识别模型中的多个车牌字符识别模型中，针对所述待识别的车牌图像中的每一个车牌字符，通过所述多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果；
其中，所述训练好的车牌识别模型是根据目标车牌图像样本进行训练得到的；所述目标车牌图像样本是通过对初始车牌图像样本进行旋转和裁剪得到的；所述目标车牌图像样本中的任一车牌字符添加有字符标签。
上述车牌识别方法、装置、计算机设备和存储介质，通过将待识别的车牌图像输入至训练好的车牌识别模型中的特征提取网络来提取车牌特征，进而将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，以此获得车牌识别结果。同时，该车牌识别模型是根据由旋转和裁剪得到的目标车牌图像样本进行训练得到的。可见，本申请无需对车牌图像中的每个车牌字符进行定位和分割，也无需对每个车牌字符分别训练模型做识别，而是直接将车牌图像输入至车牌识别模型即可得到每个车牌字符的识别结果。因此简化了车牌识别过程，有利于提高车牌的识别效率。
附图说明
图1为一个实施例中车牌识别方法的流程示意图；
图2为一个实施例中车牌识别模型的结构示意图；
图3为一个实施例中车牌图像样本的获得方法的流程示意图；
图4为一个实施例中车牌识别装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种车牌识别方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S102，获取待识别的车牌图像。
具体地，终端获取待识别的车牌图像。可选地，终端可以是图像采集装置。图像采集装置将拍摄到的车牌图像作为待识别的车牌图像。可选地，终端可以是与图像采集装置建立通信连接的独立设备。终端通过接收图像采集装置发送的拍摄到的车牌图像，并将其作为待识别的车牌图像。
步骤S104，将待识别的车牌图像输入训练好的车牌识别模型中的特征提取网络中，通过特征提取网络对待识别的车牌图像进行特征提取，得到车牌特征。
其中，训练好的车牌识别模型是根据目标车牌图像样本进行训练得到的。目标车牌图像样本是通过对初始车牌图像样本进行旋转和裁剪得到的。目标车牌图像样本中的任一车牌字符添加有字符标签。可以理解，每个目标车牌图像样本都对其中的一个车牌字符添加了对应的字符标签，如此可训练得到可以分别识别车牌图像中每个车牌字符的车牌识别模型。
具体地，终端将待识别的车牌图像输入至预设的车牌识别模型中的特征提取网络中，得到车牌特征。可选地，特征提取网络可以是残差网络（Resnet），VGG或者AlexNet。
步骤S106，将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型中，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果。
具体地，终端根据车牌特征，对待识别的车牌图像中的各车牌字符分别进行识别，得到车牌识别结果。可选地，终端将车牌特征分别输入至车牌识别模型中的各车牌字符对应的车牌字符识别网络中。具体可以是：终端将车牌特征分别输入车牌识别模型中的预设数量的全连接层中。这样，每个车牌字符对应的车牌字符识别网络（例如可以是全连接层）输出该车牌字符的识别结果，进而通过车牌识别模型输出得到车牌识别结果。
可选地，终端将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型中，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果。如此可使用多个车牌字符识别模型来对某一个车牌字符进行识别，若识别结果一致，则表明识别结果是正确的，若识别结果不一致，则表明某个车牌字符识别模型的识别结果是错误的，此时可向用户输出识别错误信息，以便于用户及时调整该车牌字符识别模型的权重参数。或者也可以采用识别结果的统计中，次数最多的识别结果作为该车牌字符的识别结果。
上述车牌识别方法中，通过将待识别的车牌图像输入至训练好的车牌识别模型中的特征提取网络来提取车牌特征，进而将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，以此获得车牌识别结果。同时，该车牌识别模型是根据由旋转和裁剪得到的目标车牌图像样本进行训练得到的。可见，本申请无需对车牌图像中的每个车牌字符进行定位和分割，也无需对每个车牌字符分别训练模型做识别，而是直接将车牌图像输入至车牌识别模型即可得到每个车牌字符的识别结果。因此简化了车牌识别过程，有利于提高车牌的识别效率。
在一个实施例中，涉及上述步骤S106“将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型中，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果”的一种可能的实现方式。在上述实施例的基础上，步骤S106具体可以通过以下步骤实现：
步骤S1062，将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型中，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的一个车牌字符识别模型进行识别，得到车牌识别结果。
其中，车牌字符识别模型的数量为目标车牌图像样本中车牌字符的个数。
具体地，各车牌字符对应的车牌字符识别网络包括全连接层。可选地，各车牌字符对应的车牌字符识别网络为全连接层。因此，终端将车牌特征分别输入至训练好的车牌识别模型中的预设数量的全连接层中，通过该全连接层对待识别的车牌图像中的各车牌字符分别进行识别，进而得到车牌识别结果。可选地，预设数量为待识别的车牌图像中的车牌字符的个数，且每个全连接层用于识别待识别的车牌图像中的其中一个车牌字符。可选地，预设数量可大于待识别的车牌图像中的车牌字符的个数，这样，待识别的车牌图像中的其中一个车牌字符可以使用多个全连接层进行识别，得到多个识别结果。在多个识别结果一致时，将该识别结果确定为该车牌字符的识别结果。
进一步地，各全连接层识别得到的各车牌字符的识别结果可按照车牌字符在车牌中所处的先后顺序进行排列。具体地，终端可预先设定各全连接层输出的识别结果的先后关系，或者终端可对各全连接层输出的识别结果添加位置标识，通过该位置标识表征各识别结果的先后顺序。
本实施例中，采用多个全连接层来分别识别各车牌字符，识别方式简单，进一步提高了车牌的识别效率，且识别准确性较高。
在一个实施例中，涉及车牌识别模型的训练方法。在上述实施例的基础上，该训练方法可以通过以下步骤实现：
步骤S202，将目标车牌图像样本输入至初始车牌识别模型中的特征提取网络进行处理，得到车牌特征样本；
步骤S204，将车牌特征样本输入至初始车牌识别模型中的多个车牌字符识别模型进行处理，得到车牌预测识别结果；
步骤S206，根据车牌预测识别结果和目标车牌图像样本中的字符标签计算初始车牌识别模型的损失函数值，并根据损失函数值调整初始车牌识别模型的权重参数，得到训练好的车牌识别模型。
具体地，请参见图2，终端可基于tensorflow框架构建卷积神经网络作为初始车牌识别模型。该卷积神经网络包括骨干网络（即特征提取网络）、与骨干网络连接的多个全接连层（即车牌字符识别模型），与各全连接层连接的交叉熵损失函数。可选地，骨干网络包括残差网络。残差网络包括至少一个由卷积层、激活层和批归一化层（batchnorm）组成的块。
在一具体示例中，考虑到新能源车牌包含8个车牌字符，因此在骨干网络后使用8个分支连接8个全连接层，各全连接层后分别连接一个交叉熵损失函数。终端根据每个车牌字符识别模型输出的车牌预测识别结果与输入到每个车牌字符识别模型中的目标车牌图像样本中的字符标签，计算每个车牌字符识别模型对应的交叉熵损失函数值，并根据每个车牌字符识别模型对应的交叉熵损失函数值，计算初始车牌识别模型的损失函数值。可以理解，每个车牌字符的识别对应一个交叉熵损失函数（loss0，loss1等），将8个车牌字符的8个交叉熵损失函数的总和作为车牌识别模型的损失函数，即损失函数表示如下：
loss=softmax_cross_entropy0+softmax_cross_entropy1+···+softmax_cross_entropy7+l2_loss。
其中，l2_loss表示惩罚项，用于防止过拟合。
之后，终端根据损失函数值（loss）调整初始车牌识别模型的权重参数，从而得到训练好的车牌识别模型。在一个实施例中，在模型测试过程中，8个全连接层分别输出8组向量。终端选取每组向量中的最大值所对应的索引，并获取该索引对应的字符标签，将该字符标签对应的车牌字符作为识别结果。
在一个实施例中，对初始车牌图像样本中的任一车牌字符添加字符标签具体可以是：根据中国车牌的国标规则，生成如下标签集，一组标签为‘京，沪，津，渝，冀，晋，蒙，辽，吉，黑，苏，浙，皖，闽，赣，鲁，豫，鄂，湘，粤，桂，琼，川，贵，云，藏，陕，甘，青，宁，新，B，C，E，G，H，J，K，L，N，Q，S，V，Y，Z’，二组标签为‘A，B，C，D，E，F，G，H，I，J，K，L，M，N，P，Q，R，S，T，U，V，W，X，Y，Z，O’，三组标签为‘0，1，2，3，4，5，6，7，8，9，A，B，C，D，E，F，G，H，J，K，L，M，N，P，Q，R，S，T，U，V，W，X，Y，Z’，四组标签为‘0，1，2，3，4，5，6，7，8，9，A，B，C，D，E，F，G，H，J，K，L，M，N，P，Q，R，S，T，U，V，W，X，Y，Z，警，港，澳，挂，学’，五组标签为‘0，1，2，3，4，5，6，7，8，9，#，D，A，B，C，E，F，G，H，J，K’。例如，若车牌为‘京A1234警’，则对应的字符标签分别为‘0，0，1，2，3，4，34，10’并添加。
可选地，字符标签与交叉熵损失函数的对应关系是：loss0对应一组标签，loss1对应二组标签，loss2对应三组标签，loss3对应三组标签，loss4对应三组标签，loss5对应三组标签，loss6对应四组标签，loss7对应五组标签。
进一步地，终端还需设置卷积神经网络模型中的超参数。在一具体示例中，学习率设为1e-4，每1个时期（epoch）学习率衰减0.8，优化器设为Adam，批处理（batch）设为512，并训练100个时期（epoch）。
本实施例中，将车牌中每个车牌字符定义为一个多分类任务，因此车牌识别任务即为多个多分类任务，并采用交叉熵作为每个多分类任务的损失函数，如此可无需对车牌字符逐个定位分割及识别，简化了识别过程，有利于提高车牌识别效率，并且，采用卷积神经网络所涉及的网络层的类型较少，便于模型推理时加速。
请参阅图3，在一个实施例中，涉及目标车牌图像样本的获得方法。在上述实施例的基础上，该获得方法可以通过以下步骤实现：
步骤S212，获取初始车牌图像样本；
步骤S214，将初始车牌图像样本粘贴至背景图像中，得到粘贴后的车牌图像样本；
步骤S216，对粘贴后的车牌图像样本进行旋转，得到旋转后的车牌图像样本以及旋转后的车牌图像样本中的初始车牌图像样本的顶点位置；
步骤S218，根据旋转后的顶点位置，对旋转后的车牌图像样本进行裁剪，得到目标车牌图像样本。
具体地，终端获取初始车牌图像样本，将初始车牌图像样本粘贴至背景图像中，得到粘贴后的车牌图像样本，并对粘贴后的车牌图像样本进行旋转，得到旋转后的车牌图像样本以及旋转后的车牌图像样本中的初始车牌图像样本的顶点位置。可选地，终端对粘贴后的车牌图像样本进行透视变换，确定旋转后的车牌图像样本以及旋转后的车牌图像样本中的初始车牌图像样本的顶点位置。可选地，终端对粘贴后的车牌图像样本进行仿射变换，确定旋转后的车牌图像样本以及旋转后的车牌图像样本中的初始车牌图像样本的顶点位置。之后，终端根据旋转后的顶点位置，对旋转后的车牌图像样本进行裁剪，得到目标车牌图像样本。可选地，裁剪尺寸可以是随机生成的裁剪尺寸或预设的剪裁尺寸。
在一具体示例中，终端可先将初始车牌图像样本粘贴至背景图像中，得到粘贴后的车牌图像样本。然后终端在x和y轴的预设范围内分别选取一个随机角度，并根据这两个随机角度对粘贴后的车牌图像样本通过透视变换进行旋转，使得粘贴后的车牌图像样本中的初始车牌图像样本具有一个随机的倾斜角度，初始车牌图像样本的四个顶点坐标一并跟随旋转，得到旋转后的车牌图像样本以及旋转后的车牌图像样本中的初始车牌图像样本的顶点位置。之后，终端根据旋转后的顶点位置，对旋转后的车牌图像样本进行随机裁剪，得到目标车牌图像样本。例如，假设旋转后的初始车牌图像样本的外接矩形的宽和高分别为w和h，那么随机裁剪的范围是：x轴(-w/21, w/12)，y轴(-h/8, h/8)。采用该裁剪方式，可保证裁剪后的车牌图像样本的四周没有黑边，并且可保证裁剪得到的车牌图像样本有一定几率在裁剪的初始车牌图像样本中的占比很小，或者车牌图像样本中的两端字符被部分裁剪但不会超过一个字符被完全裁剪。
本实施例中，先对车牌图像样本进行旋转，然后对车牌图像样本进行裁剪，可有效减少初始车牌图像样本中与车牌无关的图像特征。采用该方式得到的目标车牌图像样本，有利于提升车牌识别模型训练的效果，进而使用该模型有利于提高车牌识别的准确性。
在一个实施例中，涉及上述步骤S218“根据旋转后的顶点位置，对旋转后的车牌图像样本进行裁剪，得到目标车牌图像样本”的一种可能的实现方式。在上述实施例的基础上，步骤S218具体可以通过以下步骤实现：
步骤S222，根据旋转后的顶点位置，对旋转后的车牌图像样本进行裁剪，得到裁剪后的车牌图像样本；
步骤S224，将裁剪后的车牌图像样本与加噪图像进行融合，得到融合后的车牌图像样本；
步骤S226，对融合后的车牌图像样本添加变色噪声，得到目标车牌图像样本。
其中，加噪图像是由噪点生成的。
具体地，终端根据旋转后的顶点位置，对旋转后的车牌图像样本进行裁剪，得到裁剪后的车牌图像样本。接着，终端将裁剪后的车牌图像样本与加噪图像进行融合，得到融合后的车牌图像样本。可选地，终端将裁剪后的车牌图像样本与加噪图像进行与操作，得到融合后的车牌图像样本。之后，终端对融合后的车牌图像样本添加变色噪声，得到目标车牌图像样本。可选地，变色噪声可以是随机的变色因子。
在一具体示例中，终端在获得裁剪后的车牌图像样本后，将裁剪后的车牌图像样本与一张由高斯噪点生成的黑白图像做与操作，以使这两张图像融合，这样融合后的车牌图像样本中可生成污渍噪点。然后，终端将融合后的车牌图像样本由BGR色彩空间转换为HSV色彩空间，得到转换后的车牌图像，并对转换后的车牌图像中的每个通道添加一个随机的变色因子，得到添加变色因子的车牌图像样本，以及将添加变色因子的车牌图像样本由HSV色彩空间转换为BGR色彩空间，得到不同色相不同饱和度的目标车牌图像样本。
本实施例中，通过对车牌图像进行裁剪、加噪以及变色等增广处理，使得训练集中包含不同色彩不同角度的目标车牌图像样本，增加了训练集的多样性，有利于拟合真实场景中通过车牌检测得到的车牌图像。因此，使用该训练集进行训练，可得到一个无需对待识别的车牌图像进行预处理即可直接识别得到任意角度任意颜色的车牌的模型，例如采用该模型可识别蓝牌，单双层黄牌，黑牌，白牌，新能源绿牌以及军牌，并且可识别污损牌，遮挡牌，大角度牌等多种极端环境下的车牌。
在一个实施例中，涉及上述步骤S226“对融合后的车牌图像样本添加变色噪声，得到目标车牌图像样本”的一种可能的实现方式。在上述实施例的基础上，步骤S226具体可以通过以下步骤实现：
步骤S232，对融合后的车牌图像样本添加变色噪声，得到变色后的车牌图像样本；
步骤S234，对变色后的车牌图像样本进行缩放，得到缩放后的车牌图像样本；
步骤S236，根据预设的不处理操作、第一滤波操作和第二滤波操作的比例，对缩放后的车牌图像样本按照比例进行不处理操作、第一滤波操作和第二滤波操作，得到目标车牌图像样本。
其中，第一滤波操作包括锐化操作，第二滤波操作包括中值滤波操作或高斯滤波操作。不处理操作是指保留缩放后的车牌图像样本，不对其进行任何数据处理操作。
具体地，终端对融合后的车牌图像样本添加变色噪声，得到变色后的车牌图像样本。可选地，终端将融合后的车牌图像样本由BGR色彩空间转换为HSV色彩空间，得到转换后的车牌图像样本，并对转换后的车牌图像样本中的每个通道添加变色因子，得到添加变色因子的车牌图像样本，以及将添加变色因子的车牌图像样本由HSV色彩空间转换为BGR色彩空间，得到变色后的车牌图像样本。之后，终端对变色后的车牌图像样本进行缩放，得到缩放后的车牌图像样本。可选地，终端以1:1的比例，对变色后的车牌图像样本进行缩放。对需要缩放的变色后的车牌图像样本，缩放次数范围为(1, 5)，缩放的比例因子分别为(1/4,1/2)。之后，终端对缩放后的车牌图像样本做滤波操作，以1:1:2的比例，对缩放后的车牌图像样本分别进行不处理操作、锐化操作、中值滤波或高斯滤波，得到目标车牌图像样本。
本实施例中，进一步对车牌图像进行缩放和滤波等增广处理，使得训练集中包含不同色彩不同角度不同模糊度的目标车牌图像样本，增加了训练集的多样性，有利于拟合真实场景中通过车牌检测得到的车牌图像。使用该训练集进行训练，有利于提升车牌识别模型训练的效果，进而使用该模型有利于提高车牌识别的准确性。
可选地，终端还对目标车牌图像样本进行白化处理，并调整白化处理后的车牌图像样本的色相、饱和度、对比度或亮度中的至少一种，以及对字符标签进行独热编码（one-hot coding）。可选地，终端可对目标车牌图像样本进行编码生成tfrecords文件，以便于训练。
应该理解的是，虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种车牌识别装置，包括：车牌图像获取模块302，车牌特征提取模块304和车牌字符识别模块306，其中：
该车牌图像获取模块302，用于获取待识别的车牌图像；
该车牌特征提取模块304，用于将待识别的车牌图像输入训练好的车牌识别模型中的特征提取网络中，通过特征提取网络对待识别的车牌图像进行特征提取，得到车牌特征；
该车牌字符识别模块306，用于将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型中，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果；
其中，训练好的车牌识别模型是根据目标车牌图像样本进行训练得到的。目标车牌图像样本是通过对初始车牌图像样本进行旋转和裁剪得到的。目标车牌图像样本中的任一车牌字符添加有字符标签。
上述车牌识别装置中，通过将待识别的车牌图像输入至训练好的车牌识别模型中的特征提取网络来提取车牌特征，进而将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，以此获得车牌识别结果。同时，该车牌识别模型是根据由旋转和裁剪得到的目标车牌图像样本进行训练得到的。可见，本申请无需对车牌图像中的每个车牌字符进行定位和分割，也无需对每个车牌字符分别训练模型做识别，而是直接将车牌图像输入至车牌识别模型即可得到每个车牌字符的识别结果。因此简化了车牌识别过程，有利于提高车牌的识别效率。
在一个实施例中，该车牌字符识别模块306具体用于将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型中，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的一个车牌字符识别模型进行识别，得到车牌识别结果，其中，车牌字符识别模型的数量为目标车牌图像样本中车牌字符的个数，其中，车牌字符识别模型的数量为目标车牌图像样本中车牌字符的个数。
在一个实施例中，还包括：模型训练模块，其中：
该模型训练模块，用于将目标车牌图像样本输入至初始车牌识别模型中的特征提取网络进行处理，得到车牌特征样本；将车牌特征样本输入至初始车牌识别模型中的多个车牌字符识别模型进行处理，得到车牌预测识别结果；根据车牌预测识别结果和目标车牌图像样本中的字符标签计算初始车牌识别模型的损失函数值，并根据损失函数值调整初始车牌识别模型的权重参数，得到训练好的车牌识别模型。
在一个实施例中，车牌字符识别模型的数量为目标车牌图像样本中车牌字符的个数；该模型训练模块具体用于根据每个车牌字符识别模型输出的车牌预测识别结果与输入到每个车牌字符识别模型中的目标车牌图像样本中的字符标签，计算每个车牌字符识别模型对应的交叉熵损失函数值；根据每个车牌字符识别模型对应的交叉熵损失函数值，计算初始车牌识别模型的损失函数值。
在一个实施例中，还包括：样本获取模块，其中：
该样本获取模块，用于获取初始车牌图像样本；将初始车牌图像样本粘贴至背景图像中，得到粘贴后的车牌图像样本；对粘贴后的车牌图像样本进行旋转，得到旋转后的车牌图像样本以及旋转后的车牌图像样本中的初始车牌图像样本的顶点位置；根据旋转后的顶点位置，对旋转后的车牌图像样本进行裁剪，得到目标车牌图像样本。
在一个实施例中，该样本获取模块具体用于根据旋转后的顶点位置，对旋转后的车牌图像样本进行裁剪，得到裁剪后的车牌图像样本；将裁剪后的车牌图像样本与加噪图像进行融合，得到融合后的车牌图像样本，其中，加噪图像是由噪点生成的；对融合后的车牌图像样本添加变色噪声，得到目标车牌图像样本。
在一个实施例中，该样本获取模块具体用于根据旋转后的顶点位置，确定旋转后的初始车牌图像样本的外接矩形的宽和高；根据外接矩形的宽和高，对旋转后的车牌图像样本以预设的宽和高的裁剪大小进行裁剪，得到目标车牌图像样本，其中，预设的宽的裁剪大小为(-w/21, w/12)中的任一值，预设的高的裁剪大小为(-h/8, h/8)中的任一值；w表示外接矩形的宽；h表示外接矩形的高。
关于车牌识别装置的具体限定可以参见上文中对于车牌识别方法的限定，在此不再赘述。上述车牌识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种车牌识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待识别的车牌图像；
将待识别的车牌图像输入训练好的车牌识别模型中的特征提取网络中，通过特征提取网络对待识别的车牌图像进行特征提取，得到车牌特征；
将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型中，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果；
其中，训练好的车牌识别模型是根据目标车牌图像样本进行训练得到的。目标车牌图像样本是通过对初始车牌图像样本进行旋转和裁剪得到的。目标车牌图像样本中的任一车牌字符添加有字符标签。
上述计算机设备中，通过将待识别的车牌图像输入至训练好的车牌识别模型中的特征提取网络来提取车牌特征，进而将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，以此获得车牌识别结果。同时，该车牌识别模型是根据由旋转和裁剪得到的目标车牌图像样本进行训练得到的。可见，本申请无需对车牌图像中的每个车牌字符进行定位和分割，也无需对每个车牌字符分别训练模型做识别，而是直接将车牌图像输入至车牌识别模型即可得到每个车牌字符的识别结果。因此简化了车牌识别过程，有利于提高车牌的识别效率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型中，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的一个车牌字符识别模型进行识别，得到车牌识别结果，其中，车牌字符识别模型的数量为目标车牌图像样本中车牌字符的个数，其中，车牌字符识别模型的数量为目标车牌图像样本中车牌字符的个数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将目标车牌图像样本输入至初始车牌识别模型中的特征提取网络进行处理，得到车牌特征样本；将车牌特征样本输入至初始车牌识别模型中的多个车牌字符识别模型进行处理，得到车牌预测识别结果；根据车牌预测识别结果和目标车牌图像样本中的字符标签计算初始车牌识别模型的损失函数值，并根据损失函数值调整初始车牌识别模型的权重参数，得到训练好的车牌识别模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据每个车牌字符识别模型输出的车牌预测识别结果与输入到每个车牌字符识别模型中的目标车牌图像样本中的字符标签，计算每个车牌字符识别模型对应的交叉熵损失函数值；根据每个车牌字符识别模型对应的交叉熵损失函数值，计算初始车牌识别模型的损失函数值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取初始车牌图像样本；将初始车牌图像样本粘贴至背景图像中，得到粘贴后的车牌图像样本；对粘贴后的车牌图像样本进行旋转，得到旋转后的车牌图像样本以及旋转后的车牌图像样本中的初始车牌图像样本的顶点位置；根据旋转后的顶点位置，对旋转后的车牌图像样本进行裁剪，得到目标车牌图像样本。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据旋转后的顶点位置，对旋转后的车牌图像样本进行裁剪，得到裁剪后的车牌图像样本；将裁剪后的车牌图像样本与加噪图像进行融合，得到融合后的车牌图像样本，其中，加噪图像是由噪点生成的；对融合后的车牌图像样本添加变色噪声，得到目标车牌图像样本。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据旋转后的顶点位置，确定旋转后的初始车牌图像样本的外接矩形的宽和高；根据外接矩形的宽和高，对旋转后的车牌图像样本以预设的宽和高的裁剪大小进行裁剪，得到目标车牌图像样本，其中，预设的宽的裁剪大小为(-w/21, w/12)中的任一值，预设的高的裁剪大小为(-h/8, h/8)中的任一值；w表示外接矩形的宽；h表示外接矩形的高。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待识别的车牌图像；
将待识别的车牌图像输入训练好的车牌识别模型中的特征提取网络中，通过特征提取网络对待识别的车牌图像进行特征提取，得到车牌特征；
将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型中，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果；
其中，训练好的车牌识别模型是根据目标车牌图像样本进行训练得到的。目标车牌图像样本是通过对初始车牌图像样本进行旋转和裁剪得到的。目标车牌图像样本中的任一车牌字符添加有字符标签。
上述计算机可读存储介质中，通过将待识别的车牌图像输入至训练好的车牌识别模型中的特征提取网络来提取车牌特征，进而将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，以此获得车牌识别结果。同时，该车牌识别模型是根据由旋转和裁剪得到的目标车牌图像样本进行训练得到的。可见，本申请无需对车牌图像中的每个车牌字符进行定位和分割，也无需对每个车牌字符分别训练模型做识别，而是直接将车牌图像输入至车牌识别模型即可得到每个车牌字符的识别结果。因此简化了车牌识别过程，有利于提高车牌的识别效率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将车牌特征输入训练好的车牌识别模型中的多个车牌字符识别模型中，针对待识别的车牌图像中的每一个车牌字符，通过多个车牌字符识别模型中的一个车牌字符识别模型进行识别，得到车牌识别结果，其中，车牌字符识别模型的数量为目标车牌图像样本中车牌字符的个数，其中，车牌字符识别模型的数量为目标车牌图像样本中车牌字符的个数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将目标车牌图像样本输入至初始车牌识别模型中的特征提取网络进行处理，得到车牌特征样本；将车牌特征样本输入至初始车牌识别模型中的多个车牌字符识别模型进行处理，得到车牌预测识别结果；根据车牌预测识别结果和目标车牌图像样本中的字符标签计算初始车牌识别模型的损失函数值，并根据损失函数值调整初始车牌识别模型的权重参数，得到训练好的车牌识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据每个车牌字符识别模型输出的车牌预测识别结果与输入到每个车牌字符识别模型中的目标车牌图像样本中的字符标签，计算每个车牌字符识别模型对应的交叉熵损失函数值；根据每个车牌字符识别模型对应的交叉熵损失函数值，计算初始车牌识别模型的损失函数值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取初始车牌图像样本；将初始车牌图像样本粘贴至背景图像中，得到粘贴后的车牌图像样本；对粘贴后的车牌图像样本进行旋转，得到旋转后的车牌图像样本以及旋转后的车牌图像样本中的初始车牌图像样本的顶点位置；根据旋转后的顶点位置，对旋转后的车牌图像样本进行裁剪，得到目标车牌图像样本。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据旋转后的顶点位置，对旋转后的车牌图像样本进行裁剪，得到裁剪后的车牌图像样本；将裁剪后的车牌图像样本与加噪图像进行融合，得到融合后的车牌图像样本，其中，加噪图像是由噪点生成的；对融合后的车牌图像样本添加变色噪声，得到目标车牌图像样本。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据旋转后的顶点位置，确定旋转后的初始车牌图像样本的外接矩形的宽和高；根据外接矩形的宽和高，对旋转后的车牌图像样本以预设的宽和高的裁剪大小进行裁剪，得到目标车牌图像样本，其中，预设的宽的裁剪大小为(-w/21, w/12)中的任一值，预设的高的裁剪大小为(-h/8, h/8)中的任一值；w表示外接矩形的宽；h表示外接矩形的高。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种车牌识别方法，其特征在于，所述方法包括：
获取待识别的车牌图像；
将所述待识别的车牌图像输入训练好的车牌识别模型中的特征提取网络中，通过所述特征提取网络对所述待识别的车牌图像进行特征提取，得到车牌特征；
将所述车牌特征输入所述训练好的车牌识别模型中的多个车牌字符识别模型中，针对所述待识别的车牌图像中的每一个车牌字符，通过所述多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果；
其中，所述训练好的车牌识别模型是根据目标车牌图像样本进行训练得到的；所述目标车牌图像样本是通过对初始车牌图像样本进行旋转和裁剪得到的；所述目标车牌图像样本中的任一车牌字符添加有字符标签。
2.根据权利要求1所述的方法，其特征在于，所述将所述车牌特征输入所述训练好的车牌识别模型中的多个车牌字符识别模型中，针对所述待识别的车牌图像中的每一个车牌字符，通过所述多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果，包括：
将所述车牌特征输入所述训练好的车牌识别模型中的多个车牌字符识别模型中，针对所述待识别的车牌图像中的每一个车牌字符，通过所述多个车牌字符识别模型中的一个车牌字符识别模型进行识别，得到车牌识别结果，其中，所述车牌字符识别模型的数量为所述目标车牌图像样本中车牌字符的个数。
3.根据权利要求1所述的方法，其特征在于，所述车牌识别模型的训练方法包括：
将所述目标车牌图像样本输入至初始车牌识别模型中的特征提取网络进行处理，得到车牌特征样本；
将所述车牌特征样本输入至所述初始车牌识别模型中的多个车牌字符识别模型进行处理，得到车牌预测识别结果；
根据所述车牌预测识别结果和所述目标车牌图像样本中的字符标签计算所述初始车牌识别模型的损失函数值，并根据所述损失函数值调整所述初始车牌识别模型的权重参数，得到所述训练好的车牌识别模型。
4.根据权利要求3所述的方法，其特征在于，所述车牌字符识别模型的数量为所述目标车牌图像样本中车牌字符的个数；
所述根据所述车牌预测识别结果和所述目标车牌图像样本中的字符标签计算所述初始车牌识别模型的损失函数值，包括：
根据每个车牌字符识别模型输出的车牌预测识别结果与输入到所述每个车牌字符识别模型中的目标车牌图像样本中的字符标签，计算所述每个车牌字符识别模型对应的交叉熵损失函数值；
根据所述每个车牌字符识别模型对应的交叉熵损失函数值，计算所述初始车牌识别模型的损失函数值。
5.根据权利要求1或2所述的方法，其特征在于，所述目标车牌图像样本的获得方法包括：
获取所述初始车牌图像样本；
将所述初始车牌图像样本粘贴至背景图像中，得到粘贴后的车牌图像样本；
对所述粘贴后的车牌图像样本进行旋转，得到旋转后的车牌图像样本以及所述旋转后的车牌图像样本中的初始车牌图像样本的顶点位置；
根据所述旋转后的顶点位置，对所述旋转后的车牌图像样本进行裁剪，得到目标车牌图像样本。
6.根据权利要求5所述的方法，其特征在于，所述根据所述旋转后的顶点位置，对所述旋转后的车牌图像样本进行裁剪，得到目标车牌图像样本，包括：
根据所述旋转后的顶点位置，对所述旋转后的车牌图像样本进行裁剪，得到裁剪后的车牌图像样本；
将所述裁剪后的车牌图像样本与加噪图像进行融合，得到融合后的车牌图像样本，其中，所述加噪图像是由噪点生成的；
对所述融合后的车牌图像样本添加变色噪声，得到目标车牌图像样本。
7.根据权利要求5所述的方法，其特征在于，所述根据所述旋转后的顶点位置，对所述旋转后的车牌图像样本进行裁剪，得到目标车牌图像样本，包括：
根据所述旋转后的顶点位置，确定旋转后的初始车牌图像样本的外接矩形的宽和高；
根据所述外接矩形的宽和高，对所述旋转后的车牌图像样本以预设的宽和高的裁剪大小进行裁剪，得到目标车牌图像样本，其中，所述预设的宽的裁剪大小为(-w/21, w/12)中的任一值，所述预设的高的裁剪大小为(-h/8, h/8)中的任一值；所述w表示所述外接矩形的宽；所述h表示所述外接矩形的高。
8.一种车牌识别装置，其特征在于，所述装置包括：
车牌图像获取模块，用于获取待识别的车牌图像；
车牌特征提取模块，用于将所述待识别的车牌图像输入训练好的车牌识别模型中的特征提取网络中，通过所述特征提取网络对所述待识别的车牌图像进行特征提取，得到车牌特征；
车牌字符识别模块，用于将所述车牌特征输入所述训练好的车牌识别模型中的多个车牌字符识别模型中，针对所述待识别的车牌图像中的每一个车牌字符，通过所述多个车牌字符识别模型中的至少一个车牌字符识别模型进行识别，得到车牌识别结果；
其中，所述训练好的车牌识别模型是根据目标车牌图像样本进行训练得到的；所述目标车牌图像样本是通过对初始车牌图像样本进行旋转和裁剪得到的；所述目标车牌图像样本中的任一车牌字符添加有字符标签。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
CN202110439681.1A 2021-04-23 2021-04-23 车牌识别方法、装置、计算机设备和存储介质 Pending CN112861845A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110439681.1A CN112861845A (zh) 2021-04-23 2021-04-23 车牌识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110439681.1A CN112861845A (zh) 2021-04-23 2021-04-23 车牌识别方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN112861845A true CN112861845A (zh) 2021-05-28

Family

ID=75992814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110439681.1A Pending CN112861845A (zh) 2021-04-23 2021-04-23 车牌识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112861845A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326843A (zh) * 2021-06-17 2021-08-31 讯飞智元信息科技有限公司 车牌识别方法、装置、电子设备和可读存储介质
CN113326893A (zh) * 2021-06-22 2021-08-31 苏州科达科技股份有限公司 车牌识别模型的训练、识别方法、装置及电子设备
CN114529909A (zh) * 2022-02-17 2022-05-24 北京百度网讯科技有限公司 样本数据集的生成方法、装置及电子设备
CN114724128A (zh) * 2022-03-21 2022-07-08 北京卓视智通科技有限责任公司 一种车牌识别方法、装置、设备和介质
CN115019297A (zh) * 2022-08-04 2022-09-06 之江实验室 一种基于颜色增广的实时车牌检测识别方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751785A (zh) * 2010-01-12 2010-06-23 杭州电子科技大学 基于图像处理的车牌自动识别方法
CN105956626A (zh) * 2016-05-12 2016-09-21 成都新舟锐视科技有限公司 基于深度学习的对车牌位置不敏感的车牌识别方法
CN106874902A (zh) * 2017-01-19 2017-06-20 博康智能信息技术有限公司北京海淀分公司 一种车牌信息识别方法及装置
CN109753914A (zh) * 2018-12-28 2019-05-14 安徽清新互联信息科技有限公司 一种基于深度学习的车牌字符识别方法
US20200090506A1 (en) * 2018-09-19 2020-03-19 National Chung-Shan Institute Of Science And Technology License plate recognition system and license plate recognition method
CN111160338A (zh) * 2019-12-24 2020-05-15 苏州奥易克斯汽车电子有限公司 一种模糊车牌识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751785A (zh) * 2010-01-12 2010-06-23 杭州电子科技大学 基于图像处理的车牌自动识别方法
CN105956626A (zh) * 2016-05-12 2016-09-21 成都新舟锐视科技有限公司 基于深度学习的对车牌位置不敏感的车牌识别方法
CN106874902A (zh) * 2017-01-19 2017-06-20 博康智能信息技术有限公司北京海淀分公司 一种车牌信息识别方法及装置
US20200090506A1 (en) * 2018-09-19 2020-03-19 National Chung-Shan Institute Of Science And Technology License plate recognition system and license plate recognition method
CN109753914A (zh) * 2018-12-28 2019-05-14 安徽清新互联信息科技有限公司 一种基于深度学习的车牌字符识别方法
CN111160338A (zh) * 2019-12-24 2020-05-15 苏州奥易克斯汽车电子有限公司 一种模糊车牌识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
隋爱娜等: "数字图像操作取证", 《数字内容安全技术》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326843A (zh) * 2021-06-17 2021-08-31 讯飞智元信息科技有限公司 车牌识别方法、装置、电子设备和可读存储介质
CN113326893A (zh) * 2021-06-22 2021-08-31 苏州科达科技股份有限公司 车牌识别模型的训练、识别方法、装置及电子设备
CN114529909A (zh) * 2022-02-17 2022-05-24 北京百度网讯科技有限公司 样本数据集的生成方法、装置及电子设备
CN114724128A (zh) * 2022-03-21 2022-07-08 北京卓视智通科技有限责任公司 一种车牌识别方法、装置、设备和介质
CN114724128B (zh) * 2022-03-21 2023-10-10 北京卓视智通科技有限责任公司 一种车牌识别方法、装置、设备和介质
CN115019297A (zh) * 2022-08-04 2022-09-06 之江实验室 一种基于颜色增广的实时车牌检测识别方法和装置

Similar Documents

Publication Publication Date Title
CN112861845A (zh) 车牌识别方法、装置、计算机设备和存储介质
CN109492638A (zh) 文本检测方法、装置及电子设备
CN108564088A (zh) 车牌识别方法、装置、设备及可读存储介质
CN108090511B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN109871845B (zh) 证件图像提取方法及终端设备
CN109711416B (zh) 目标识别方法、装置、计算机设备和存储介质
CN111507324B (zh) 卡片边框识别方法、装置、设备和计算机存储介质
CN110969171A (zh) 基于改进卷积神经网络的图像分类模型、方法及应用
CN115546630A (zh) 基于遥感影像特征目标检测的工地提取方法和系统
CN114463637B (zh) 一种基于深度学习的冬小麦遥感识别分析方法和系统
CN112884782B (zh) 生物对象分割方法、装置、计算机设备和存储介质
CN112381092B (zh) 跟踪方法、装置及计算机可读存储介质
CN114037640A (zh) 图像生成方法及装置
CN116311214B (zh) 车牌识别方法和装置
CN116052090A (zh) 图像质量评估方法、模型训练方法、装置、设备及介质
CN116071294A (zh) 一种光纤表面缺陷检测方法和装置
CN111582278B (zh) 人像分割方法、装置及电子设备
CN115100469A (zh) 一种基于分割算法的目标属性识别方法、训练方法和装置
CN117409083B (zh) 一种基于红外图像和改进yolov5的电缆终端识别方法及装置
CN114067339A (zh) 图像识别方法及其装置、电子设备、计算机可读存储介质
CN112348011B (zh) 一种车辆定损方法、装置及存储介质
CN113569600A (zh) 物体重识别的方法、装置、电子设备及存储介质
CN116798041A (zh) 图像识别方法、装置和电子设备
CN113449559B (zh) 一种表格识别方法、装置、计算机设备和存储介质
CN112084874B (zh) 一种物体检测方法、装置及终端设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210528