一种车牌识别方法及装置制造方法及图纸

本发明专利技术实施例提供了一种车牌识别方法及装置，所述方法包括：获取目标图像，所述目标图像为仅包含目标车牌的图像；通过预设训练模型对所述目标图像进行训练，得到指定维度的深度特征集；将所述指定维度的深度特征集输入到Bi‑GRU神经网络进行训练，得到预测标签序列集；将所述预测标签序列集转化为目标车牌号。采用本发明专利技术实施例，可以对仅为车牌的图像进行训练，得到指定维度特征，并采用Bi‑GRU神经网络对这些特征进行训练，提升了车牌识别精度。

【技术实现步骤摘要】
一种车牌识别方法及装置
本专利技术涉及图像处理
，具体涉及一种车牌识别方法及装置。
技术介绍
随着城市汽车数量的不断攀升，由此带来的交通和环境问题也日渐加剧。为了上述问题，智能交通系统已经成为城市发展的重点研究对象。而在智能交通系统中，对于车型的细粒度识别，已经被证明是一项关键技术，其在处理以下事件：提高收费效率，裁定交通责任和追踪肇事逃逸等等交通问题，上有着得天独厚的优势，因此，受到各研究单位的关注。目前来看，车牌识别是计算机视觉领域的一个研究热点，在实际过程中由于摄像头与车辆角度不在同一水平上，目标图像的车牌区域部分通常存在角度倾斜，同时往往还容易受到光照条件变化的影响，车牌中的车牌区域出现扭曲现象，车牌字符发生变形，导致字符定位困难，给识别带来极大的影响。因此，如何提升车牌识别精度的问题亟待解决。
技术实现思路
本专利技术实施例提供了一种车牌识别方法及装置，可以提升车牌识别精度。本专利技术实施例第一方面提供了一种车牌识别方法，包括：获取目标图像，所述目标图像为仅包含目标车牌的图像；通过预设训练模型对所述目标图像进行训练，得到指定维度的深度特征集；将所述指定维度的深度特征集输入到Bi-GRU神经网络进行训练，得到预测标签序列集；将所述预测标签序列集转化为目标车牌号。本专利技术实施例第二方面提供了一种车牌识别装置，包括:获取单元，用于获取目标图像，所述目标图像为仅包含目标车牌的图像；第一训练单元，用于通过预设训练模型对所述目标图像进行训练，得到指定维度的深度特征集；第二训练单元，用于将所述指定维度的深度特征集输入到Bi-GRU神经网络进行训练，得到预测标签序列集；转化单元，用于将所述预测标签序列集转化为目标车牌号。第三方面，本专利技术实施例提供了一种移动终端，包括：处理器和存储器；以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置成由所述处理器执行，所述程序包括用于如第一方面中所描述的部分或全部步骤的指令。第四方面，本专利技术实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质用于存储计算机程序，其中，所述计算机程序使得计算机执行如本专利技术实施例第一方面中所描述的部分或全部步骤的指令。第五方面，本专利技术实施例提供了一种计算机程序产品，其中，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如本专利技术实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。实施本专利技术实施例，具有如下有益效果：可以看出，通过本专利技术实施例，获取目标图像，目标图像为仅包含目标车牌的图像，通过预设训练模型对目标图像进行训练，得到指定维度的深度特征集，将指定维度的深度特征集输入到Bi-GRU神经网络进行训练，得到预测标签序列集，将预测标签序列集转化为目标车牌号，采用本专利技术实施例，可以对仅为车牌的图像进行训练，得到指定维度特征，并采用Bi-GRU神经网络对这些特征进行训练，提升了车牌识别精度。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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是本专利技术实施例提供的一种车牌识别方法的第一实施例流程示意图；图1a是本专利技术实施例提供的一种车牌识别方法的系统流程示意图；图1b是本专利技术实施例提供的Bi-GRU网络结构的演示示意图；图1c是本专利技术实施例提供的GRU单元格结构的演示示意图；图2是本专利技术实施例提供的一种车牌识别方法的第二实施例流程示意图；图3a是本专利技术实施例提供的一种车牌识别装置的实施例结构示意图；图3b是本专利技术实施例提供的图3a所描述的车牌识别装置的获取单元的结构示意图；图3c是本专利技术实施例提供的图3a所描述的车牌识别装置的第一训练单元的结构示意图；图3d是本专利技术实施例提供的图3a所描述的车牌识别装置的转化单元的结构示意图；图3e是本专利技术实施例提供的图3a所描述的车牌识别装置的转化单元的另一结构示意图；图4是本专利技术实施例提供的一种车牌识别装置的实施例结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本专利技术的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。本专利技术实施例所描述车牌识别装置可以包括智能手机(如Android手机、iOS手机、WindowsPhone手机等)、平板电脑、视频矩阵、监控平台、车载设备、卫星、掌上电脑、笔记本电脑、移动互联网设备(MID，MobileInternetDevices)或穿戴式设备等，上述仅是举例，而非穷举，包含但不限于上述装置，当然，上述车牌识别装置还可以为服务器。需要说明的是，本专利技术实施例中，预设训练模型可以为卷积神经网络。本专利技术实施例中提供了一种车牌识别方法，包括如下步骤：获取目标图像，所述目标图像为仅包含目标车牌的图像；通过预设训练模型对所述目标图像进行训练，得到指定维度的深度特征集；将所述指定维度的深度特征集输入到Bi-GRU神经网络进行训练，得到预测标签序列集；将所述预测标签序列集转化为目标车牌号。可以看出，通过本专利技术实施例，获取目标图像，目标图像为仅包含目标车牌的图像，通过预设训练模型对目标图像进行训练，得到指定维度的深度特征集，将指定维度的深度特征集输入到Bi-GRU神经网络进行训练，得到预测标签序列集，将预测标签序列集转化为目标车牌号，采用本专利技术实施例，可以对仅为车牌的图像进行训练，得到指定维度特征，并采用Bi-GRU神经网络对这些特征进行训练，提升了车牌识别精度。其中，上述本专利技术实施例所描述的方法相对传统算法而言，本方法并没有将车牌的识别割裂的分为字符分割和识别两个过程，采取的是一种端到端(end-to-end)的图像识别方法。通过深度卷积神经网络对全图进行特征提取，在样本足够的情况下，深度神经网络能够很好的拟合不同场景下的特征映射关系，提取到对光照，旋转等复杂环境下的鲁棒性特征；接下来将特征序列输入到Bi-GRU网络，Bi-GRU网络属于循环神经网络(RecurrentneuralNetwork,RNN)的一变种，不仅能够建立起深度特征与标签间的映射关系，还能够较本文档来自技高网...

【技术保护点】
一种车牌识别方法，其特征在于，包括：获取目标图像，所述目标图像为仅包含目标车牌的图像；通过预设训练模型对所述目标图像进行训练，得到指定维度的深度特征集；将所述指定维度的深度特征集输入到Bi‑GRU神经网络进行训练，得到预测标签序列集；将所述预测标签序列集转化为目标车牌号。

【技术特征摘要】
1.一种车牌识别方法，其特征在于，包括：获取目标图像，所述目标图像为仅包含目标车牌的图像；通过预设训练模型对所述目标图像进行训练，得到指定维度的深度特征集；将所述指定维度的深度特征集输入到Bi-GRU神经网络进行训练，得到预测标签序列集；将所述预测标签序列集转化为目标车牌号。2.根据权利要求1所述的方法，其特征在于，所述获取目标图像，包括：获取原始图像；根据车牌的属性信息对所述原始图像进行图像分割，得到所述目标车牌图像。3.根据权利要求1或2所述的方法，其特征在于，所述通过预设训练模型对所述目标图像进行训练，得到指定维度的深度特征集，包括：获取所述目标图像的环境属性；根据所述环境属性确定配置所述预设训练模型的训练参数，所述训练参数至少包括所述指定维度；根据所述配置后的预设训练模型对所述目标图像进行训练，得到所述指定维度对应的深度特征集。4.根据权利要求1至3任一项所述的方法，其特征在于，所述预测标签序列集包含P个预测标签序列，所述P为大于1的整数；所述将所述预测标签序列集转化为目标车牌号，包括：确定所述P个预测标签序列对应的字符数目N；根据所述N对所述P个预测标签序列进行筛选，得到Q个预测标签序列，所述Q为不大于所述P的正整数，所述Q个预测标签序列中每一预测标签序列均包含N个字符；根据所述Q个预测标签序列确定出目标预测标签序列，将所述目标预测标签序列作为所述目标车牌号。5.根据权利要求1至3任一项所述的方法，其特征在于，所述将所述预测标签序列集转化为目标车牌号，包括：通过预设CTC模型确定所述预测标签序列集中的每一预测标签序列与实际标签序列间的误差，得到多个误差值；从所述多个误差值中选取最小误差值对应的预测标签序列作为所述目标车牌号。6.一种车牌识别装置，其特征在于，包括:获取单元，用于...

【专利技术属性】
技术研发人员：施欣欣，杨威，刘凯，
申请(专利权)人：深圳市华尊科技股份有限公司，
类型：发明
国别省市：广东,44