CN112990197A - 车牌识别方法及装置、电子设备和存储介质 - Google Patents

车牌识别方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112990197A
CN112990197A CN202110286157.5A CN202110286157A CN112990197A CN 112990197 A CN112990197 A CN 112990197A CN 202110286157 A CN202110286157 A CN 202110286157A CN 112990197 A CN112990197 A CN 112990197A
Authority
CN
China
Prior art keywords
license plate
image
text
target
recognition
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
CN202110286157.5A
Other languages
English (en)
Inventor
杨钰鑫
朱铖恺
武伟
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.)
Zhejiang Shangtang Technology Development Co Ltd
Zhejiang Sensetime Technology Development Co Ltd
Original Assignee
Zhejiang Shangtang Technology Development 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 Zhejiang Shangtang Technology Development Co Ltd filed Critical Zhejiang Shangtang Technology Development Co Ltd
Priority to CN202110286157.5A priority Critical patent/CN112990197A/zh
Publication of CN112990197A publication Critical patent/CN112990197A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V20/63—Scene text, e.g. street names
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开涉及一种车牌识别方法及装置、电子设备和存储介质，所述方法包括：获取待处理的车辆图像；对车辆图像进行车牌检测，确定车辆图像中车牌所在的车牌区域；对与车牌区域对应的目标车牌图像进行检测，得到至少一个车牌文本图；对至少一个车牌文本图进行文本识别，得到目标车牌图像的车牌识别结果。本公开实施例可实现提高车牌识别的通用性和识别效率。

Description

车牌识别方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种车牌识别方法及装置、电子设备和存储介质。
背景技术
车牌识别作为智能交通领域中的关键技术，相关技术中，针对一车多牌、多行车牌、单行车牌、不定长车牌等场景下的车牌识别，通常是分别针对不同的场景，采用不同的车牌识别技术进行识别，这样无法满足高效率、高通用性的车牌识别需求。
发明内容
本公开提出了一种车牌识别的技术方案。
根据本公开的一方面，提供了一种车牌识别方法，包括：获取待处理的车辆图像；对所述车辆图像进行车牌检测，确定所述车辆图像中车牌所在的车牌区域；对与所述车牌区域对应的目标车牌图像进行检测，得到至少一个车牌文本图；对所述至少一个车牌文本图进行文本识别，得到所述目标车牌图像的车牌识别结果。通过该方式，能够有效应对一车多牌、单行车牌、多行车牌等不同场景下的车牌识别，提高车牌识别的通用性和识别效率。
在一种可能的实现方式中，对所述至少一个车牌文本图进行文本识别，得到所述目标车牌图像的车牌识别结果，包括：在所述车牌文本图为一个的情况下，对所述车牌文本图进行文本识别，得出所述车牌文本图中的车牌号文本，所述车牌识别结果包括所述车牌号文本。通过该方式，能够有效识别出包含一行车牌号的目标车牌图像中的车牌号。
在一种可能的实现方式中，对所述至少一个车牌文本图进行文本识别，得到所述目标车牌图像的车牌识别结果，包括：在所述车牌文本图包括分位于不同行的多个的情况下，分别对每一车牌文本图进行文本识别，得到每一行的车牌文本图的文本序列；将不同行的所述文本序列进行拼接，得到所述目标车牌图像的车牌识别结果。通过该方式，能够有效识别出包含多行车牌号的目标车牌图像中的车牌号，提高车牌识别的通用性及识别效率。
在一种可能的实现方式中，所述对所述车辆图像进行车牌检测，确定所述车辆图像中车牌所在的车牌区域，包括：通过车牌检测网络对所述车牌图像进行车牌检测，确定所述车辆图像中车牌所在的车牌区域，其中，所述车牌检测网络的训练方法如下：通过预设的训练集训练所述车牌检测网络，其中，所述训练集包括：包含单个车牌的样本图像、包含多个车牌的样本图像，所述样本图像中单个车牌的文本行数量为一行或多行。通过该方式，可以使训练后的车牌检测网络能够检测出车辆图像中的一车多牌、单行车牌及多行车牌，提高车牌识别的通用性。
在一种可能的实现方式中，在对所述车辆图像进行车牌检测，确定所述车辆图像中车牌所在的车牌区域后，所述方法还包括：对所述车牌区域进行扩展，得到扩展后的车牌区域；从所述车辆图像中裁剪出与所述扩展后的车牌区域对应的车牌图像；对所述车牌图像进行校正，得到所述目标车牌图像。通过该方式，能够使目标车牌图像包含完整的车牌，以及可以使目标车牌图像中的车牌是正视的，从而提高对目标车牌图像中车牌号识别的准确率。
在一种可能的实现方式中，所述对所述车牌图像进行校正，得到所述目标车牌图像，包括：对所述车牌图像进行关键点检测，得到所述车牌图像中车牌的多个关键点信息；根据所述多个关键点信息，对所述车牌图像进行校正，得到所述目标车牌图像。通过该方式，能够确定出车牌图像中车牌的多个关键点信息，根据多个关键点信息校正车牌至水平，以更准确地得到至少一个车牌文本图，以及提高车牌识别的准确率。
在一种可能的实现方式中，根据所述多个关键点信息，对所述车牌图像进行校正，得到所述目标车牌图像，包括：根据所述多个关键点信息的第一位置，确定与所述车牌图像中车牌所在的车牌区域对应的校正后区域的第二位置；根据所述第一位置与所述第二位置之间的单应矩阵，对所述车牌区域内的像素点进行单应性变换，得到所述目标车牌图像。通过该方式，能够利用关键点的位置，有效地对车牌图像进行校正。
在一种可能的实现方式中，所述对与所述车牌区域对应的目标车牌图像进行检测，得到至少一个车牌文本图，包括：对所述目标车牌图像进行特征提取，得到所述目标车牌图像的多尺度的第一特征信息；对所述多尺度的第一特征信息进行特征融合，得到所述目标车牌图像的融合特征信息；对所述融合特征信息进行解码，得到所述目标车牌图像中至少一行文本所在的文本区域；从所述目标车牌图像中裁剪出与所述文本区域对应的至少一个车牌文本图。通过该方式，能够有效准确地得到至少一个车牌文本图，从而可以实现对一车多牌、单行车牌、多行车牌等不同场景下的通用车牌识别，提高车牌识别的通用性和识别效率。
在一种可能的实现方式中，所述对所述至少一个车牌文本图进行文本识别，得到所述目标车牌图像的车牌识别结果，包括：对所述至少一个车牌文本图进行特征提取，得到所述至少一个车牌文本图的第二特征信息；对所述第二特征信息进行处理，得到所述第二特征信息的字符概率分布向量；对所述字符概率分布向量进行解码，得到所述目标车牌图像的车牌识别结果。通过该方式，能够对至少一个车牌文本图中的文本进行识别，从而可以实现对一车多牌、单行车牌、多行车牌等不同场景下的通用车牌识别，提高车牌识别的通用性和识别效率。
根据本公开的一方面，提供了一种车牌识别装置，包括：获取模块，用于获取待处理的车辆图像；车牌检测模块，用于对所述车辆图像进行车牌检测，确定所述车辆图像中车牌所在的车牌区域；文本检测模块，用于对与所述车牌区域对应的目标车牌图像进行检测，得到至少一个车牌文本图；文本识别模块，用于对所述至少一个车牌文本图进行文本识别，得到所述目标车牌图像的车牌识别结果。
在一种可能的实现方式中，所述文本识别模块，包括：第一识别子模块，用于在所述车牌文本图为一个的情况下，对所述车牌文本图进行文本识别，得出所述车牌文本图中的车牌号文本，所述车牌识别结果包括所述车牌号文本。
在一种可能的实现方式中，所述文本识别模块，包括：第二识别子模块，用于在所述车牌文本图包括分位于不同行的多个的情况下，分别对每一车牌文本图进行文本识别，得到每一行的车牌文本图的文本序列；拼接子模块，用于将不同行的所述文本序列进行拼接，得到所述目标车牌图像的车牌识别结果。
在一种可能的实现方式中，所述车牌检测模块，用于通过车牌检测网络对所述车牌图像进行车牌检测，确定所述车辆图像中车牌所在的车牌区域，其中，所述车牌检测网络的训练方法如下：通过预设的训练集训练所述车牌检测网络，其中，所述训练集包括：包含单个车牌的样本图像、包含多个车牌的样本图像，所述样本图像中单个车牌的文本行数量为一行或多行。
在一种可能的实现方式中，所述装置还包括：扩展模块，用于对所述车牌区域进行扩展，得到扩展后的车牌区域；裁剪模块，用于从所述车辆图像中裁剪出与所述扩展后的车牌区域对应的车牌图像；校正模块，用于对所述车牌图像进行校正，得到所述目标车牌图像。
在一种可能的实现方式中，所述校正模块，包括：关键点检测子模块，用于对所述车牌图像进行关键点检测，得到所述车牌图像中车牌的多个关键点信息；校正子模块，用于根据所述多个关键点信息，对所述车牌图像进行校正，得到所述目标车牌图像。
在一种可能的实现方式中，所述根据所述多个关键点信息，对所述车牌图像进行校正，得到所述目标车牌图像，包括：根据所述多个关键点信息的第一位置，确定与所述车牌图像中车牌所在的车牌区域对应的校正后区域的第二位置；根据所述第一位置与所述第二位置之间的单应矩阵，对所述车牌区域内的像素点进行单应性变换，得到所述目标车牌图像。
在一种可能的实现方式中，所述文本检测模块，包括：第一特征提取子模块，用于对所述目标车牌图像进行特征提取，得到所述目标车牌图像的多尺度的第一特征信息；特征融合子模块，用于对所述多尺度的第一特征信息进行特征融合，得到所述目标车牌图像的融合特征信息；第一解码子模块，用于对所述融合特征信息进行解码，得到所述目标车牌图像中至少一行文本所在的文本区域；裁剪子模块，用于从所述目标车牌图像中裁剪出与所述文本区域对应的至少一个车牌文本图。
在一种可能的实现方式中，所述文本识别模块，包括：第二特征提取子模块，用于对所述至少一个车牌文本图进行特征提取，得到所述至少一个车牌文本图的第二特征信息；处理子模块，用于对所述第二特征信息进行处理，得到所述第二特征信息的字符概率分布向量；第二解码子模块，用于对所述字符概率分布向量进行解码，得到所述目标车牌图像的车牌识别结果。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，通过确定出车牌图像中的一个或多个车牌的车牌区域，以及得到目标车牌图像中的至少一个车牌文本图，并对至少一个车牌文本图进行车牌识别，能够有效应对一车多牌、单行车牌、多行车牌等不同场景下的车牌识别，提高车牌识别的通用性和识别效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的车牌识别方法的流程图。
图2示出根据本公开实施例的一种车牌示意图。
图3示出根据本公开实施例的一种车牌示意图。
图4示出根据本公开实施例的车牌识别方法的流程图。
图5示出根据本公开实施例的车牌识别方法的效果图。
图6示出根据本公开实施例的车牌识别装置的框图。
图7示出根据本公开实施例的一种电子设备的框图。
图8示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的车牌识别方法的流程图，如图1所示，所述车牌识别方法包括：
在步骤S11中，获取待处理的车辆图像；
在步骤S12中，对车辆图像进行车牌检测，确定车辆图像中车牌所在的车牌区域；
在步骤S13中，对与车牌区域对应的目标车牌图像进行检测，得到至少一个车牌文本图；
在步骤S14中，对至少一个车牌文本图进行文本识别，得到目标车牌图像的车牌识别结果。
在一种可能的实现方式中，所述车牌识别方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
在一种可能的实现方式中，在步骤S11中，车辆图像可以为图像采集设备(例如摄像头)所采集的图像或视频帧等，也可以是其它电子设备传输的图像，或从本地存储中调用的图像，对此本公开实施例不作限制。
在一种可能的实现方式中，车辆图像中可以包括待识别的车牌。可以理解的是，车辆图像中的车牌可以包括一个或多个。
在一种可能的实现方式中，在步骤S12中，对车辆图像进行车牌检测，确定车辆图像中车牌所在的车牌区域，包括：通过车牌检测网络对车辆图像进行车牌检测，确定车辆图像中的车牌所在的车牌区域。
在一种可能的实现方式中，所述车牌检测网络的训练方法如下：通过预设的训练集训练车牌检测网络，其中，所述训练集包括：包含单个车牌的样本图像、包含多个车牌的样本图像，所述样本图像中单个车牌的文本行数量为一行或多行。应理解的是，可以采用任何已知的神经网络训练方式，实现对于车牌检测网络的训练，对于车牌检测网络的训练方式，本公开实施例不作限制。通过该方式，可以使训练后的车牌检测网络能够检测出车辆图像中的一车多牌、单行车牌及多行车牌，提高车牌识别的通用性。
在一种可能的实现方式中，车牌检测网络例如可以包括RetinaNet网络(一种残差网络Resnet+特征金字塔网络FPN构成的网络)，当然也可以根据实际需求，采用其他类型的神经网络。对于车牌检测网络的网络结构，本公开实施例不作限制。通过该方式，可以将车辆图像中车牌所在的车牌区域检测出来，以便于针对车牌区域内的车牌文本图进行文本识别。
在一种可能的实现方式中，车牌检测网络中用于进行特征提取(也即编码)的部分网络(可称为骨干backbone网络，或编码器)，可以采用Resnet+FPN的网络结构，再使用多层特征层(如卷积层)进行特征解码及边界框回归(Bounding Box Regression，又称为边框回归)。
在一种可能的实现方式中，可以采用非极大值抑制，以及设置锚框重叠率阈值的方式，得到车牌的锚框，也即得到车牌区域。应理解的是，车牌的锚框指示的区域为车牌区域。
在一种可能的实现方式中，为提高车牌检测的速度，可以根据实际需求将车牌检测网络的骨干网络的各网络层的输出通道数目按比例缩小，例如，可以缩小为初始通道数的1/n，n＝2\4\8\16……，对此本公开实施例不作限制。通过该方式，可以不仅可以保证车牌检测的高精度，还可以显著减小车牌检测网络的大小，提高车牌检测的速度。
在一种可能的实现方式中，在对车牌检测网络进行训练的过程中，可以通过现有的方式(例如：自动聚类锚框或手动设计锚框)，得到用于指示车牌区域的锚框(anchor，又称为参考框、矩形框、边界框等)，对此本公开实施例不作限制。
在一种可能的实现方式中，在步骤S13中，可以根据步骤S12中检测出的车牌区域，通过裁剪等方式，得到与车牌区域对应的目标车牌图像，例如，可以根据指示车牌区域的锚框，对车辆图像进行裁剪，得到目标车牌图像。
在一种可能的实现方式中，在步骤S13中，可以通过文本行检测网络，对目标车牌图像中的文本行进行检测，得到所述目标车牌图像中的至少一行文本行所在的文本区域。该文本区域可以通过锚框指示；进而根据文本区域对目标车牌图像进行裁剪，得到至少一个车牌文本图。其中，对于文本行检测网络的网络结构及训练方式，本公开实施例不作限制。
在一种可能的实现方式中，文本行检测网络中用于进行特征提取的骨干网络(也可称为编码器)，可以采用ShuffleNet(一种用于移动设备的高效卷积神经网络)或MobileNet(一种用于移动视觉应用的高效卷积神经网络)等网络，对此本公开实施例不作限制。通过该方式，可以深度提取输入图像的特征，提高文本行检测网络的性能。
在一种可能的实现方式中，还可以对文本行检测网络的骨干网络提取的不同尺度的特征进行融合，以对融合后的特征进行处理，得到文本行的所在区域。通过该方式，可以提高特征的表达能力，也即，增加特征中包含信息的丰富度，以提高文本行检测的准确度。
在一种可能的实现方式中，可以通过CPTN(Connectionist Text ProposalNetwork，连接文本建议网络)网络，对上述融合后的特征进行处理，得到文本行的所在区域。其中，CPTN网络可以基于融合后的特征图，预测每个像素点的所属类别(属于文本上的像素点或不属于文本上的像素点)，及像素点的坐标位置；基于每个像素点的所属类别，及像素点的坐标位置，可以得到每个像素点所预测的文本的部分区域，再将行方向上的部分区域连接起来，得到各个文本行所对应的区域，也即得到文本区域。
在一种可能的实现方式中，在步骤S14中，对至少一个车牌文本图进行文本识别，可以采用任何已知的文本识别方式，例如，可以通过任一类型的文本识别网络对目标车牌图像进行特征提取，再对提取的特征进行解码，得到车牌识别结果。其中，车牌识别结果可以包括至少一个车牌文本图中的文本序列，也即车牌号文本。对于文本识别网络的网络结构及训练方式，本公开实施例不作限制。
根据本公开的实施例，通过确定出车牌图像中的一个或多个车牌的车牌区域，以及得到车牌区域对应的目标车牌图像中的至少一个车牌文本图，并对至少一个车牌文本图进行车牌识别，能够有效应对一车多牌、单行车牌、多行车牌等不同场景下的车牌识别，提高车牌识别的通用性和识别效率。
在一种可能的实现方式中，在步骤S14中，对至少一个车牌文本图进行文本识别，得到目标车牌图像的车牌识别结果，包括：
在车牌文本图为一个的情况下，对车牌文本图进行文本识别，得出车牌文本图中的车牌号文本，所述车牌识别结果包括车牌号文本。通过该方式，能够有效识别出包含一行车牌号的目标车牌图像中的车牌号。
其中，车牌文本图为一个可以理解为，目标车牌图像中的车牌号包含一行。图2示出根据本公开实施例的一种车牌示意图，如图2所示，车牌号为一行。
应理解的是，通过步骤S12检测出的车牌区域可以包括多个，也即一辆车上包含多个车牌，那么多个车牌区域对应的多个目标车牌图像，在该情况下，本公开实施例中指的在车牌文本图为一个的情况，可以指多个目标车牌图像中每个目标车牌图像的车牌文本图为一个的情况，此时，对车牌文本图进行文本识别，可以是对每个目标车牌图像中的一个车牌文本图进行文本识别。当然可以是指一辆车上包含一个车牌，也即目标车牌图像为一个，该一个目标车牌图像中的车牌文本图为一个的情况。
在一种可能的实现方式中，可以通过上述文本识别网络对车牌文本图进行文本识别，得出车牌文本图中的车牌号文本，对此本公开实施例不作限制。
在一种可能的实现方式中，在步骤S14中，对至少一个车牌文本图进行文本识别，得到目标车牌图像的车牌识别结果，包括：
步骤S144：在车牌文本图包括分位于不同行的多个的情况下，分别对每一车牌文本图进行文本识别，得到每一行的车牌文本图的文本序列；
步骤S145：将不同行的文本序列进行拼接，得到目标车牌图像的车牌识别结果。
其中，车牌文本图包括分位于不同行的多个，可以理解为，目标车牌图像中的车牌号包含多行。图3示出根据本公开实施例的一种车牌示意图，如图3所示，车牌号分两行设置。
在一种可能的实现方式中，在步骤S144中，可以将每一车牌文本图输入至上述文本识别网络，得到目标车牌图像中每一行的文本序列。
在一种可能的实现方式中，在步骤S145中，可以根据车牌文本图的所在行，将识别到的不同行的文本序列进行拼接，例如按照从上到下的顺序，得到目标车牌图像中的车牌号，也即得到车牌识别结果。
根据本公开实施例，能够有效识别出包含多行车牌号的目标车牌图像中的车牌号，提高车牌识别的通用性及识别效率。
在一些情况下，考虑到在图像采集设备采集图像时，目标可能无法面对图像采集设备，这使得车辆图像中的目标可能存在扭曲、旋转、透视和变形，例如，对于车牌识别场景，由于车速较快且车牌可能无法面对摄像头，可能导致图像中车牌发生扭曲，旋转，透视和变形等。这些情况下都可能会影响之后对车牌文本图的文本识别的准确度。
在一种可能的实现方式中，在步骤S12对车辆图像进行车牌检测，确定车辆图像中车牌所在的车牌区域，所述方法还包括：
步骤S21：对车牌区域进行扩展，得到扩展后的车牌区域；
步骤S22：从车辆图像中裁剪出与扩展后的车牌区域对应的车牌图像；
步骤S23：对车牌图像进行校正，得到目标车牌图像。
在一种可能的实现方式中，在步骤S21中，可以按照预设的扩展倍数，对车牌区域进行扩展，也即将用于指示车牌区域的锚框进行扩展，得到扩展后的车牌区域。例如，可以将车牌区域扩展1.2倍，得到扩展后的车牌区域，那么扩展后的车牌区域是扩展前的车牌区域的1.2倍。对于扩展倍数的具体数值，本公开实施例不作限制。
考虑到，若不对检测出的车牌区域进行扩展，可能由于车牌检测网络的精度不高，使得输出的车牌区域无法将车牌完整的包含在内，导致在对车牌图像进行校正时，无法准确检测出车牌轮廓上的关键点，校正效果差。通过该方式，可以使扩展后的车牌区域可以将车牌完全包括在内，便于之后对车牌图像进行有效校正。
在一种可能的实现方式中，在步骤S22中，可以采用任何已知的图像裁剪技术，根据指示扩展后的车牌区域的锚框，从车辆图像中裁剪出与扩展后的车牌区域对应的车牌图像，对此本公开实施例不作限制。
在一种可能的实现方式中，在步骤S23中，可以利用车牌图像中车牌关键点(例如车牌轮廓的角点)的位置坐标，对车牌图像进行校正；也可以是利用车牌图像中车牌的车牌轮廓线与水平线的夹角，对车牌图像进行校正，对此本公开实施例不作限制。
在本公开实施例中，能够使目标车牌图像包含完整的车牌，以及可以使目标车牌图像中的车牌是正视的，从而提高对目标车牌图像中车牌号识别的准确率。
在一种可能的实现方式中，在步骤S23中，对车牌图像进行校正，得到目标车牌图像，可以包括：
步骤S233：对车牌图像进行关键点检测，得到车牌图像中车牌的多个关键点信息；
步骤S234：根据多个关键点信息，对车牌图像进行校正，得到目标车牌图像。
在一种可能的实现方式中，在步骤S233中，可通过关键点检测网络对车牌图像进行关键点检测，关键点检测网络可例如为卷积神经网络，对此本公开实施例不作限制。
在一种可能的实现方式中，关键点检测网络中用于提取特征的骨干网络，可以采用残差网络Resnet，可以包括多个残差层或残差块。可通过骨干网络对车牌图像进行特征提取，得到车牌图像的多个尺度的特征。当然，骨干网络还可以采用其他类型神经网络，例如googlenet(谷歌网络)、ShuffleNet等网络结构，对此本公开实施例不作限制。
在一种可能的实现方式中，关键点检测网络还可以包括特征融合网络，通过特征融合网络对骨干网络提取的多个尺度的特征进行融合，得到融合后的特征，也即得到融合后的特征图。其中，特征融合网络可采用特征金字塔网络FPN，还可以采用NAS-FPN(自动搜索的特征金字塔网络)，hourglass(沙漏网络)等网络结构，对此本公开实施例不作限制。
在一种可能的实现方式中，关键点检测网络还包括解码网络，用于对融合后的特征进行解码，得到车牌图像中车牌的多个关键点信息。其中，解码网络可包括至少一层卷积层及全连接层，通过卷积层进一步提取融合后的特征图中的特征信息，再通过全连接层输出多个关键点的位置。对于解码网络的网络结构，本公开实施例不作限制。
在一种可能的实现方式中，关键点信息可以包括车牌轮廓上关键点的位置(即坐标)。由于车牌通常是四边形，通过关键点检测网络可预测出4个定位热力图，分别定位车牌图像中车牌的左上，右上，右下及左下顶点(也即4个关键点)的位置。每个热力图可定义为顶点坐标所在位置为1，其余为0，可以选择01编码，也可以替换为高斯编码，对此本公开实施例不作限制。
在一种可能的实现方式中，在基于热力图确定车牌的多个轮廓关键信息时，可以将与热力图中的最大值对应像素点的位置，作为关键点的位置，例如，在采用01编码时，将热力图中值为1的像素点的位置，作为检测出的关键点的位置。通过这种方式，能够快速确定出目标上的多个关键点信息，从而精确限定车牌图像中车牌的边界轮廓，提高了处理速度及精度。
在一种可能的实现方式中，可以通过交叉熵损失函数，对关键点检测网络进行训练。对于关键点检测网络的训练网络及网络结构，本公开实施例不作限制。
在一种可能的实现方式中，在步骤S234中，根据多个关键点信息，对车牌图像进行校正，得到目标车牌图像，包括：
根据多个关键点信息的第一位置，确定与车牌图像中车牌所在的车牌区域对应的校正后区域的第二位置；据第一位置与第二位置之间的单应矩阵，对车牌区域内的像素点进行单应性变换，得到目标车牌图像。通过该方式，能够利用关键点的位置，有效地对车牌图像进行校正。
如上文所示，多个关键点信息可以包括车牌图像中车牌的四个顶点的位置，也就是说，第一位置包括车牌的四个顶点的位置。
在一种可能的实现方式中，根据多个关键点信息的第一位置，确定与车牌图像中车牌所在的车牌区域对应的校正后区域的第二位置，可以包括：
根据四个顶点的位置，确定四个顶点围成的四边形的四个边长的长度；将该四边形的上下两个边长的长度的均值，作为校正后区域的长度；同样的，将四边形的左右边长的长度的均值，作为校正后区域的宽度；根据校正后区域的长度及宽度，可以得到校正后区域的四个顶点的坐标，其中，校正后区域的四个顶点的坐标可以是所述校正后区域的第二位置。
举例来说，可设定车牌的四个顶点的顶点坐标为(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)，车牌区域的上下边长的长度分别为
Figure BDA0002980565270000101
Figure BDA0002980565270000102
校正后区域的下上边长的长度为L＝(L1+L2)/2；车牌区域的左右边长的长度分别为
Figure BDA0002980565270000103
Figure BDA0002980565270000104
校正后区域的左右边长的宽度为W＝(W1+W2)/2；
根据校正后区域的长度L及宽度W，可以得到校正后区域的四个顶点的顶点坐标；其中，可以在限制车牌区域与校正后区域的中心点的位置相同的基础上，根据校正后区域的长度L及宽度W，确定校正后区域的四个顶点的顶点坐标。
应理解的是，上述限制中心点的位置相同，是本公开实施例提供的一种具体实现方式，实际上，本领域技术人员可根据实际需求，限制车牌图像中车牌所在的车牌区域与校正后区域上的任一位置(例如任一顶点的位置)相同的基础上，确定校正后区域的四个顶点的顶点坐标，对此本公开实施例不作限制。
在一种可能的实现方式中，可以采用任何本领域公知的方式，确定第一位置与第二位置之间的单应矩阵(例如基于第一位置与第二位置之间的映射变换关系)，对此本公开实施例不作限制。
在一种可能的实现方式中，根据确定出单应矩阵，对车牌区域内的像素点进行单应变换，以得到校正后的目标车牌图像，包括：根据车牌区域内各像素点的位置以及单应矩阵，对于各像素点进行单应变换，也即，将在车牌区域内的各像素点，映射到校正后区域内的对应位置处，得到目标车牌图像。通过该方式，可以车牌图像中车牌校正至水平方向。
根据本公开实施例，能够确定出车牌图像中车牌的多个关键点信息，根据多个关键点信息校正车牌至水平，从而在对校正得到的目标车牌图像中的文本行进行检测时，可以更准确地得到至少一个车牌文本图，以及提高车牌识别的准确率。
在一种可能的实现方式中，在步骤S13中，对与车牌区域对应的目标车牌图像进行检测，得到至少一个车牌文本图，包括：
对目标车牌图像进行特征提取，得到目标车牌图像的多尺度的第一特征信息；对多尺度的第一特征信息进行特征融合，得到目标车牌图像的融合特征信息；对融合特征信息进行解码，得到目标车牌图像中至少一行车牌文本所在的文本区域；从目标车牌图像中裁剪出与文本区域对应的至少一个车牌文本图。
如上文所述，可以通过文本行检测网络，对目标车牌图像中的文本行进行检测，得到所述目标车牌图像中的至少一行文本行所在的文本区域
在一种可能的实现方式中，可以通过文本行检测网络中的骨干网络，例如：ShuffleNet，或MobileNet等，对目标车牌图像进行多尺度的特征提取，得到目标车牌图像的多尺度的第一特征信息。
在一种可能的实现方式中，可以通过文本行检测网络中的特征融合网络，例如特征金字塔网络，对多尺度的第一特征信息进行特征融合，得到目标车牌图像的融合特征信息。对于第一特征信息的融合方式，本公开实施例不作限制。
在一种可能的实现方式中，可以通过CPTN网络，对融合特征进行解码，得到至少一行车牌文本所在的文本区域。其中，可以通过文本行检测网络输出的矩形框指示至少一行车牌文本所在的文本区域。
在一种可能的实现方式中，可以采用任何已知的图像裁剪技术，根据文本行检测网络输出的矩形框，从目标车牌图像中裁剪出与文本区域对应的至少一个车牌文本图，对此本公开实施例不作限制。应理解的是，裁剪出的车牌文本图的数量与目标车牌图像中文本行的数量一致。
在本公开实施例中，能够有效准确地得到至少一个车牌文本图，从而可以实现对一车多牌、单行车牌、多行车牌等不同场景下的通用车牌识别，提高车牌识别的通用性和识别效率。
在一种可能的实现方式中，在步骤S14中，对所述至少一个车牌文本图进行文本识别，得到所述目标车牌图像的车牌识别结果，包括：
对至少一个车牌文本图进行特征提取，得到至少一个车牌文本图的第二特征信息；对第二特征信息进行处理，得到第二特征信息的字符概率分布向量；对字符概率分布向量进行解码，得到目标车牌图像的车牌识别结果。
如上所述，可以通过文本识别网络对所述至少一个车牌文本图进行文本识别，得到所述目标车牌图像的车牌识别结果，所述文本识别网络可以包括特征提取层、全连接层及解码器。
在一种可能的实现方式中，可通过文本识别网络中的特征提取层对至少一个车牌文本图进行特征提取，得到至少一个车牌文本图的第二特征信息，特征提取层又可称为编码器、骨干网络。特征提取层可以采用ShuffleNet、MobileNet等网络。其中，可以根据车牌文本图的长宽比例，适应调整网络中用于进行池化处理的池化核的尺寸，对此本公开实施例不作限制。
在一种可能的实现方式中，第二特征信息可以为特征图。可以通过文本识别网络中的全连接层对第二特征信息进行处理，得到第二特征信息的字符概率分布向量，也即，得到特征图中每列特征的字符概率分布向量。
在一种可能的实现方式中，可通过解码器对字符概率分布向量进行解码，得到目标车牌图像的车牌识别结果。其中，解码器可以采用CTC(Connectionist TemporalClassification，连接时间分类)解码器。通过CTC解码器对全连接层输出的字符概率分布向量进行解码，可得到车牌文本图的文本序列；进而可以对各行文本序列进行拼接，得到车牌识别结果。
在一种可能的实现方式中，可以使用CTC解码器对应的损失函数，对文本识别网络进行监督训练。对于文本识别网络的网络结构及训练方式，本公开实施例不作限制。
在一种可能的实现方式中，CTC解码器可结合车牌文本字典，解码得到车牌文本图中准确的文本序列，例如文本序列9815QW。通过该方式，可提高车牌识别结果的准确性。
根据本公开实施例，能够对至少一个车牌文本图中的文本进行识别，从而可以实现对一车多牌、单行车牌、多行车牌等不同场景下的通用车牌识别，提高车牌识别的通用性和识别效率。
图4示出根据本公开实施例的车牌识别方法的流程图。如图4所示，所述方法包括：
车牌检测：通过车牌检测网络对车辆图像进行车牌检测。其中，向车牌检测网络输入包含车辆的车辆图像，输出车牌矩形框的坐标。
在一种可能的实现方式中，车牌检测网络为在RetinaNet网络的改进版本。RetineNat采用Resnet和FPN为骨干网络，使多级特征层用于分类和回归矩形框，使用NMS以及设定阈值输出检测结果。
在一种可能的实现方式中，为了加快车牌检测的速度，对骨干网络进行了修改。方式为将骨干网络所有的特征层的通道数目改为原来的1/n，n＝2,4,8,16…，如原始的通道数为256，n取8,此时通道数为32。该方式可以显著的减小模型的大小，同时保证车牌检测的高精度。
在一种可能的实现方式中，针对车牌的大小比例设计锚框anchor。数据设计为5x8＝40个不同的anchor，每一级别为8个anchor，anchor的方式为聚类anchor。根据训练数据的矩形框参数分布，通过聚类的方式得到40个不同的anchor。
车牌关键点检测：通过关键点检测网络，对车牌图像中车牌的关键点进行关键点检测。其中，向关键点检测网络输入与指示车牌区域的锚框外扩1.2倍对应的目标车牌图像，输出车牌区域的四个关键点坐标(也即四个顶点坐标)。
在一种可能的实现方式中，关键点检测网络中可以以Resnet为骨干网络提取车牌深度特征，使用特征金字塔网络提取车牌的多尺度特征。
在一种可能的实现方式中，输出5通道的热力图，热力图分别代表车牌的左上顶点、右上顶点、右下顶点、左下顶点以及背景，每一个热力图在训练时将坐标映射为1或0,关键点位置设为1，其他位置设为0。
在一种可能的实现方式中，通过交叉熵损失函数进行训练，获取车牌关键点热力图。预测时取每一个热力图值最大的位置作为车牌关键点坐标。
车牌校正：得到车牌所在的车牌区域的四个关键点坐标后，计算关键点围成的车牌区域的四个边长的长度，取上下边长度的均值为变换后的长度，左右边长度的均值为变换后的宽度，根据变换后的长度及宽度，计算校正后区域的四个顶点的关键点坐标。基于此，求取校正前车牌的车牌区域的四个关键点坐标，与校正后区域的四个关键点坐标之间的单应矩阵，基于单应矩阵进行车牌的车牌区域的像素点进行单应变换，以将车牌校正至水平方向，也即得到校正后的目标车牌图像。
车牌文本行检测：通过文本行检测网络，对校正后的目标车牌图像进行文本行检测。其中，向文本行检测网络输入校正后的目标车牌图像，输出至少一个水平文本行框。通过该方式，文本行检测网络用于检测车牌中的文本行，可解决双行车牌的识别问题。
在一种可能的实现方式中，文本行检测网络可采用CPTN网络框架。
其中，文本行检测网络使用骨干网络提取输入图像的深度特征，为了提高模型性能，可以选择轻量级网络ShuffleNet，也可以取MobileNet等；对多个不同尺度的特征进行融合进一步提高特征的表达能力。在得到的特征图上密集的预测每个像素点的类别和对应的坐标位置，针对文字长度变化范围广的特点，每一个像素点只预测文字的部分区域，通过后处理的方式将不同的文字区域连接起来得到整个文字区域。
车牌文字识别：通过文本识别网络对车牌进行文本识别，其中，向文本识别网络输入根据至少一个水平文本框裁剪出的至少一个车牌文本图，输出各车牌文本图中的文本序列。
在水平文本框为多个的情况下，对文本序列进行拼接，得到目标车牌图像的车牌识别结果；在水平文本框为一个的情况下，将车牌文本图中的文本序列作为车牌识别结果。
在一种可能的实现方式中，文本识别网络用于识别车牌上的文字序列，网络框架为ShuffleNet+CTC。
其中，文本识别网络利用基于ShuffleNet的骨干网络进行特征提取，为了适应文字图片的长宽比，对网络的池化尺寸做相应的修改；使用全连接层(分类器)对骨干网络输出的每一列特征进行分类，使用CTC损失函数对每一列的分类结果进行监督训练；对每一列分类结果按照CTC解码，结合车牌文字字典解码为正确的文字序列。
图5示出根据本公开实施例的车牌识别方法的效果图。如图5所示，可以对图像中的单行车牌及两行车牌进行有效的车牌识别。
在一种可能的实现方式中，本公开实施例中的车牌识别方法，可以用于智慧城市、安防监控、停车场监控等场景中。
根据本公开实施例，能够实现一个通用车牌识别框架，可以解决一车多牌、单双行车牌、倾斜旋转车牌、不定长车牌等问题。同时适用于非机动车车牌
根据本公开实施例，基于关键点检测的车牌校正方案，能够利用关键点检测，检测车牌的四个关键点，然后通过透视变换校正车牌为水平方向，再进行后续的识别，解决了车牌多角度变换的问题。
根据本公开实施例，能够实现通用的单双行车牌识别方案，分为两步，首先进行水平文字检测，然后进行识别，该方法通过两个模型直接解决单双行车牌识别问题。
根据本公开实施例，通用的车牌识别框架包括：车牌检测，车牌关键点检测、车牌文字检测以及车牌文字识别。
根据本公开实施例，车牌校正方案利用透视变化原理，所以需要检测车牌的四个角点坐标。借鉴于人体骨骼关键点检测技术的车牌关键点检测技术。
根据本公开实施例，车牌识别分为车牌水平文字检测和车牌水平文字识别，如果为单行车牌则包含一个水平框，如果为双行车牌，则包含两个水平框，然后分别进行识别。
根据本公开实施例，可以实现在各种场景下，快速精准识别所有类型车牌号码；可以校正倾斜旋转车牌，解决大倾角的车牌识别问题；可以利用车牌文本行检测和车牌文字识别两个网络解决单双行车牌的通用识别难题。
相关技术中的车牌识别方式，大多分为两个步骤，车牌检测和车牌识别，该方式，对倾斜车牌识别率低。对于双行车牌，则需要用算法对车牌类型分类，将双行车牌手动裁剪的方式再拼接为单行车牌，识别精度低。根据本公开实施例，能够同时解决倾斜车牌、一车多牌、双行车牌等识别问题，同时还可以用于非机动车车牌识别，如电瓶车等。
相关技术中的车牌识别方式，无校正操作，直接对车牌进行识别，导致大倾角的车牌识别错误。根据本公开实施例，利用关键点检测网络和透视变换对倾斜旋转车牌进行校正，解决车牌的畸变问题。
相关技术中，需要先对车牌类型判断为单双行，此方法存在判断误差，另一方面将双行车牌手动裁剪再拼接。裁剪过程过于简单，容易裁剪到错误区域。根据本公开实施例利用车牌文本行检测网络，统一了单双行的车牌识别问题，利用网络检测文字区域，更加准确。
根据本公开实施例，能够使用一个通用的车牌识别框架，利用四个神经网络，解决所有类型的车牌识别问题；利用关键点定位和单应变化校正倾斜车牌提高了监控场景下的识别精度；利用车牌文本行检测和车牌文字识别两个网络可以解决单双行的车牌识别问题；利用小骨干网络、通道成倍衰减等加快网络处理速度。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了车牌识别装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种车牌识别方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图6示出根据本公开实施例的车牌识别装置的框图，如图6所示，所述装置包括：
获取模块101，用于获取待处理的车辆图像；
车牌检测模块102，用于对所述车辆图像进行车牌检测，确定所述车辆图像中车牌所在的车牌区域；
文本检测模块103，用于对与所述车牌区域对应的目标车牌图像进行检测，得到至少一个车牌文本图；
文本识别模块104，用于对所述至少一个车牌文本图进行文本识别，得到所述目标车牌图像的车牌识别结果。
在一种可能的实现方式中，所述文本识别模块104，包括：第一识别子模块，用于在所述车牌文本图为一个的情况下，对所述车牌文本图进行文本识别，得出所述车牌文本图中的车牌号文本，所述车牌识别结果包括所述车牌号文本。
在一种可能的实现方式中，所述文本识别模块104，包括：第二识别子模块，用于在所述车牌文本图包括分位于不同行的多个的情况下，分别对每一车牌文本图进行文本识别，得到每一行的车牌文本图的文本序列；拼接子模块，用于将不同行的所述文本序列进行拼接，得到所述目标车牌图像的车牌识别结果。
在一种可能的实现方式中，所述车牌检测模块102，用于通过车牌检测网络对所述车牌图像进行车牌检测，确定所述车辆图像中车牌所在的车牌区域，其中，所述车牌检测网络的训练方法如下：通过预设的训练集训练所述车牌检测网络，其中，所述训练集包括：包含单个车牌的样本图像、包含多个车牌的样本图像，所述样本图像中单个车牌的文本行数量为一行或多行。
在一种可能的实现方式中，所述装置还包括：扩展模块，用于对所述车牌区域进行扩展，得到扩展后的车牌区域；裁剪模块，用于从所述车辆图像中裁剪出与所述扩展后的车牌区域对应的车牌图像；校正模块，用于对所述车牌图像进行校正，得到所述目标车牌图像。
在一种可能的实现方式中，所述校正模块，包括：关键点检测子模块，用于对所述车牌图像进行关键点检测，得到所述车牌图像中车牌的多个关键点信息；校正子模块，用于根据所述多个关键点信息，对所述车牌图像进行校正，得到所述目标车牌图像。
在一种可能的实现方式中，所述根据所述多个关键点信息，对所述车牌图像进行校正，得到所述目标车牌图像，包括：根据所述多个关键点信息的第一位置，确定与所述车牌图像中车牌所在的车牌区域对应的校正后区域的第二位置；根据所述第一位置与所述第二位置之间的单应矩阵，对所述车牌区域内的像素点进行单应性变换，得到所述目标车牌图像。
在一种可能的实现方式中，所述文本检测模块103，包括：第一特征提取子模块，用于对所述目标车牌图像进行特征提取，得到所述目标车牌图像的多尺度的第一特征信息；特征融合子模块，用于对所述多尺度的第一特征信息进行特征融合，得到所述目标车牌图像的融合特征信息；第一解码子模块，用于对所述融合特征信息进行解码，得到所述目标车牌图像中至少一行文本所在的文本区域；裁剪子模块，用于从所述目标车牌图像中裁剪出与所述文本区域对应的至少一个车牌文本图。
在一种可能的实现方式中，所述文本识别模块104，包括：第二特征提取子模块，用于对所述至少一个车牌文本图进行特征提取，得到所述至少一个车牌文本图的第二特征信息；处理子模块，用于对所述第二特征信息进行处理，得到所述第二特征信息的字符概率分布向量；第二解码子模块，用于对所述字符概率分布向量进行解码，得到所述目标车牌图像的车牌识别结果。
在本公开实施例中，通过确定出车牌图像中的一个或多个车牌的车牌区域，以及得到目标车牌图像中的至少一个车牌文本图，并对至少一个车牌文本图进行车牌识别，能够有效应对一车多牌、单行车牌、多行车牌等不同场景下的车牌识别，提高车牌识别的通用性和识别效率。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的车牌识别方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的车牌识别方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (12)

1.一种车牌识别方法，其特征在于，包括：
获取待处理的车辆图像；
对所述车辆图像进行车牌检测，确定所述车辆图像中车牌所在的车牌区域；
对与所述车牌区域对应的目标车牌图像进行检测，得到至少一个车牌文本图；
对所述至少一个车牌文本图进行文本识别，得到所述目标车牌图像的车牌识别结果。
2.根据权利要求1所述的方法，其特征在于，对所述至少一个车牌文本图进行文本识别，得到所述目标车牌图像的车牌识别结果，包括：
在所述车牌文本图为一个的情况下，对所述车牌文本图进行文本识别，得出所述车牌文本图中的车牌号文本，所述车牌识别结果包括所述车牌号文本。
3.根据权利要求1所述的方法，其特征在于，对所述至少一个车牌文本图进行文本识别，得到所述目标车牌图像的车牌识别结果，包括：
在所述车牌文本图包括分位于不同行的多个的情况下，分别对每一车牌文本图进行文本识别，得到每一行的车牌文本图的文本序列；
将不同行的所述文本序列进行拼接，得到所述目标车牌图像的车牌识别结果。
4.根据权利要求1所述的方法，其特征在于，所述对所述车辆图像进行车牌检测，确定所述车辆图像中车牌所在的车牌区域，包括：
通过车牌检测网络对所述车牌图像进行车牌检测，确定所述车辆图像中车牌所在的车牌区域，其中，所述车牌检测网络的训练方法如下：
通过预设的训练集训练所述车牌检测网络，其中，所述训练集包括：包含单个车牌的样本图像、包含多个车牌的样本图像，所述样本图像中单个车牌的文本行数量为一行或多行。
5.根据权利要求1-4任一项所述的方法，其特征在于，在对所述车辆图像进行车牌检测，确定所述车辆图像中车牌所在的车牌区域后，所述方法还包括：
对所述车牌区域进行扩展，得到扩展后的车牌区域；
从所述车辆图像中裁剪出与所述扩展后的车牌区域对应的车牌图像；
对所述车牌图像进行校正，得到所述目标车牌图像。
6.根据权利要求5所述的方法，其特征在于，所述对所述车牌图像进行校正，得到所述目标车牌图像，包括：
对所述车牌图像进行关键点检测，得到所述车牌图像中车牌的多个关键点信息；
根据所述多个关键点信息，对所述车牌图像进行校正，得到所述目标车牌图像。
7.根据权利要求6所述的方法，其特征在于，根据所述多个关键点信息，对所述车牌图像进行校正，得到所述目标车牌图像，包括：
根据所述多个关键点信息的第一位置，确定与所述车牌图像中车牌所在的车牌区域对应的校正后区域的第二位置；
根据所述第一位置与所述第二位置之间的单应矩阵，对所述车牌区域内的像素点进行单应性变换，得到所述目标车牌图像。
8.根据权利要求1-7任意一项所述的方法，其特征在于，所述对与所述车牌区域对应的目标车牌图像进行检测，得到至少一个车牌文本图，包括：
对所述目标车牌图像进行特征提取，得到所述目标车牌图像的多尺度的第一特征信息；
对所述多尺度的第一特征信息进行特征融合，得到所述目标车牌图像的融合特征信息；
对所述融合特征信息进行解码，得到所述目标车牌图像中至少一行文本所在的文本区域；
从所述目标车牌图像中裁剪出与所述文本区域对应的至少一个车牌文本图。
9.根据权利要求1所述的方法，其特征在于，所述对所述至少一个车牌文本图进行文本识别，得到所述目标车牌图像的车牌识别结果，包括：
对所述至少一个车牌文本图进行特征提取，得到所述至少一个车牌文本图的第二特征信息；
对所述第二特征信息进行处理，得到所述第二特征信息的字符概率分布向量；
对所述字符概率分布向量进行解码，得到所述目标车牌图像的车牌识别结果。
10.一种车牌识别装置，其特征在于，包括：
获取模块，用于获取待处理的车辆图像；
车牌检测模块，用于对所述车辆图像进行车牌检测，确定所述车辆图像中车牌所在的车牌区域；
文本检测模块，用于对与所述车牌区域对应的目标车牌图像进行检测，得到至少一个车牌文本图；
文本识别模块，用于对所述至少一个车牌文本图进行文本识别，得到所述目标车牌图像的车牌识别结果。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
CN202110286157.5A 2021-03-17 2021-03-17 车牌识别方法及装置、电子设备和存储介质 Pending CN112990197A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110286157.5A CN112990197A (zh) 2021-03-17 2021-03-17 车牌识别方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110286157.5A CN112990197A (zh) 2021-03-17 2021-03-17 车牌识别方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN112990197A true CN112990197A (zh) 2021-06-18

Family

ID=76332680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110286157.5A Pending CN112990197A (zh) 2021-03-17 2021-03-17 车牌识别方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112990197A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998424A (zh) * 2022-08-04 2022-09-02 中国第一汽车股份有限公司 车窗的位置确定方法、装置和车辆
WO2024011865A1 (zh) * 2022-07-12 2024-01-18 青岛云天励飞科技有限公司 车牌识别方法及相关设备
WO2024109395A1 (zh) * 2022-11-22 2024-05-30 中兴通讯股份有限公司 车牌号码的识别方法、系统、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670458A (zh) * 2018-12-21 2019-04-23 北京市商汤科技开发有限公司 一种车牌识别方法及装置
CN110097044A (zh) * 2019-05-13 2019-08-06 苏州大学 基于深度学习的一阶段车牌检测识别方法
CN110866524A (zh) * 2019-11-15 2020-03-06 北京字节跳动网络技术有限公司 车牌检测方法、装置、设备及存储介质
CN111209921A (zh) * 2020-01-07 2020-05-29 南京邮电大学 基于改进的YOLOv3网络的车牌检测模型及构建方法
CN111325203A (zh) * 2020-01-21 2020-06-23 福州大学 一种基于图像校正的美式车牌识别方法及系统
CN112052855A (zh) * 2020-09-14 2020-12-08 北京易华录信息技术股份有限公司 一种基于深度学习的车牌识别方法及装置
CN112232371A (zh) * 2020-09-17 2021-01-15 福州大学 一种基于YOLOv3与文本识别的美式车牌识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670458A (zh) * 2018-12-21 2019-04-23 北京市商汤科技开发有限公司 一种车牌识别方法及装置
CN110097044A (zh) * 2019-05-13 2019-08-06 苏州大学 基于深度学习的一阶段车牌检测识别方法
CN110866524A (zh) * 2019-11-15 2020-03-06 北京字节跳动网络技术有限公司 车牌检测方法、装置、设备及存储介质
CN111209921A (zh) * 2020-01-07 2020-05-29 南京邮电大学 基于改进的YOLOv3网络的车牌检测模型及构建方法
CN111325203A (zh) * 2020-01-21 2020-06-23 福州大学 一种基于图像校正的美式车牌识别方法及系统
CN112052855A (zh) * 2020-09-14 2020-12-08 北京易华录信息技术股份有限公司 一种基于深度学习的车牌识别方法及装置
CN112232371A (zh) * 2020-09-17 2021-01-15 福州大学 一种基于YOLOv3与文本识别的美式车牌识别方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024011865A1 (zh) * 2022-07-12 2024-01-18 青岛云天励飞科技有限公司 车牌识别方法及相关设备
CN114998424A (zh) * 2022-08-04 2022-09-02 中国第一汽车股份有限公司 车窗的位置确定方法、装置和车辆
CN114998424B (zh) * 2022-08-04 2022-10-21 中国第一汽车股份有限公司 车窗的位置确定方法、装置和车辆
WO2024109395A1 (zh) * 2022-11-22 2024-05-30 中兴通讯股份有限公司 车牌号码的识别方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
US20210312214A1 (en) Image recognition method, apparatus and non-transitory computer readable storage medium
CN110688951B (zh) 图像处理方法及装置、电子设备和存储介质
CN110674719B (zh) 目标对象匹配方法及装置、电子设备和存储介质
CN110287874B (zh) 目标追踪方法及装置、电子设备和存储介质
US20210097715A1 (en) Image generation method and device, electronic device and storage medium
CN111612009B (zh) 文本识别方法、装置、设备和存储介质
US11301726B2 (en) Anchor determination method and apparatus, electronic device, and storage medium
US11288531B2 (en) Image processing method and apparatus, electronic device, and storage medium
US20210042567A1 (en) Text recognition
CN112990197A (zh) 车牌识别方法及装置、电子设备和存储介质
CN112465843A (zh) 图像分割方法及装置、电子设备和存储介质
TW202036464A (zh) 文本識別方法及裝置、電子設備和儲存介質
CN111931781A (zh) 图像处理方法及装置、电子设备和存储介质
WO2022095318A1 (zh) 字符检测方法、装置、电子设备、存储介质及程序
US11403788B2 (en) Image processing method and apparatus, electronic device, and storage medium
CN112330717B (zh) 目标跟踪方法及装置、电子设备和存储介质
CN113538310A (zh) 图像处理方法及装置、电子设备和存储介质
CN113283343A (zh) 人群定位方法及装置、电子设备和存储介质
CN109889693B (zh) 视频处理方法及装置、电子设备和存储介质
CN111832338A (zh) 对象检测方法及装置、电子设备和存储介质
CN112330721B (zh) 三维坐标的恢复方法及装置、电子设备和存储介质
CN114565962A (zh) 人脸图像处理方法及装置、电子设备和存储介质
CN114445753A (zh) 人脸跟踪识别方法及装置、电子设备和存储介质
CN110619257B (zh) 一种文字区域确定方法和装置
CN111275191A (zh) 检测细胞的方法及装置、电子设备和存储介质

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