车牌识别方法、装置、设备及可读存储介质制造方法及图纸

本申请公开了一种车牌识别方法，包括：根据获取的车辆图像进行车牌检测，得到车牌图像；通过训练的多标签深度卷积神经网络对车牌图像进行多标签多任务识别，得到车牌信息识别结果；其中，多标签深度卷积神经网络的输出层包括车牌字符输出单元以及车牌颜色输出单元。该方法能够实现在复杂环境中快速准确地识别车牌。本申请还公开了一种车牌识别装置、设备及一种可读存储介质，具有上述有益效果。

License plate recognition method, device, device and readable storage medium

This application discloses a license plate recognition method, which includes: license plate image is obtained by license plate detection based on the acquired vehicle image; license plate image is identified by multi-label depth convolution neural network with multi-label and multi-task, and the recognition result of license plate information is obtained; among them, multi-label depth convolution neural network is used. The output layer includes the license plate character output unit and the license plate color output unit. This method can quickly and accurately identify license plates in complex environments. The application also discloses a license plate recognition device, a device and a readable storage medium, which have the above beneficial effects.

【技术实现步骤摘要】
车牌识别方法、装置、设备及可读存储介质
本申请涉及电子
，特别涉及一种车牌识别方法、装置、设备及一种可读存储介质。
技术介绍
随着智能化的发展以及车辆普及率越来越高，目前很多设备都需要通过图像获取车牌信息来对车辆行为、车辆身份等进行分析，比如路侧停车系统以及智能卡口系统等。大部分的自动车牌识别系统主要由四个阶段组成：图像获取、车牌检测、车牌字符分割，车牌字符识别，其识别性能的鲁棒性依赖于每个阶段。目前，自动车牌识别的方法主要有三大类：基于模板匹配法、基于手工设计特征(SIFT，LBP等)和传统分类器(SVM，KNN等)法以及基于自动特征提取分类(深度卷积网络)法。其中，基于模板匹配的方法通过提取特征，然后比较特征向量与预存模板中的特征向量之间的相似度，这种方法对噪声、倾斜较为敏感，微小噪声或倾斜，也容易使得匹配结果失败。基于手工设计特征和传统分类器的方法对于车牌字符旋转、平移较为敏感，且需字符分割后，针对汉字和针对字母、数字分别进行训练出对应分类器，训练时间长。基于自动特征提取分类(深度卷积网络)法，对字符分割阶段依赖性很高，分割好坏直接影响识别结果，车牌字符分割受环境影响较大，在复杂条件(雨雾天气，运动模糊等)下的车牌分割十分困难，准确率极低且分割耗时难以满足实时性要求。因此，如何在复杂环境中快速准确地识别车牌，是本领域技术人员需要解决的技术问题。
技术实现思路
本申请的目的是提供一种车牌识别方法，该方法能够实现在复杂环境中快速准确地识别车牌；本申请的另一目的是提供一种车牌识别装置、设备及一种可读存储介质，具有上述有益效果。本申请提供一种车牌识别方法，包括：根据获取的车辆图像进行车牌检测，得到车牌图像；通过训练的多标签深度卷积神经网络对所述车牌图像进行多标签多任务识别，得到车牌信息识别结果；其中，所述多标签深度卷积神经网络的输出层包括车牌字符输出单元以及车牌颜色输出单元。优选地，所述得到车牌图像后还包括：将所述车牌图像大小调整至预设值；则所述通过训练的多标签深度卷积神经网络对所述车牌图像进行多标签多任务识别包括：通过训练的多标签深度卷积神经网络对调整后的车牌图像进行多标签多任务识别。优选地，所述车牌字符输出单元具体为7个，各车牌字符输出单元的输出维度为65维；所述车牌颜色输出单元具体为1个，输出维度为2维。优选地，所述根据获取的车辆图像进行车牌检测包括：分别获取预处理后车辆图像的颜色特征图、亮度特征图以及方向特征图；根据预设权重将所述颜色特征图、所述亮度特征图以及所述方向特征图融合，得到显著性特征图；根据所述显著性特征图进行车牌检测。优选地，所述分别获取预处理后车辆图像的颜色特征图、亮度特征图以及方向特征图包括：对预处理后的车辆图像分别提取颜色特征、亮度特征以及方向特征；分别对所述颜色特征、所述亮度特征以及所述方向特征根据中心-环绕机制构建高斯金字塔，得到分别对应的颜色特征图、亮度特征图以及方向特征图。优选地，所述颜色特征的提取方法包括：获取所述车辆图像的三通道值r，b，g；根据所述三通道值构建BY颜色特征；其中，所述BY颜色特征的计算方法具体为：Colorfeature＝B-Y；其中，所述亮度特征的提取方法包括：获取所述车辆图像的三通道值r，b，g；根据所述三通道值构建亮度特征；其中，所述亮度特征的计算方法具体为：优选地，所述方向特征的提取方法包括：在180°内对所述车辆图像均匀采集预定数量的方位特征；将所述方位特征组合成方向特征。本身请提供一种车牌识别装置，包括：车牌检测单元，用于根据获取的车辆图像进行车牌检测，得到车牌图像；多标签识别单元，用于通过训练的多标签深度卷积神经网络对所述车牌图像进行多标签多任务识别，得到车牌信息识别结果；其中，所述多标签深度卷积神经网络的输出层包括车牌字符输出单元以及车牌颜色输出单元。本申请提供一种车牌识别设备，包括：存储器，用于存储程序；处理器，用于执行所述程序时实现所述车牌识别方法的步骤。本身请提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现所述车牌识别方法的步骤。为解决上述技术问题，本申请提供一种车牌识别方法，通过将进行车牌检测后得到的车牌图像输入至训练的多标签深度卷积神经网络，将车牌字符看成多标签分类问题，进行多标签多任务识别，无须车牌字符分割，避免了通过车牌字符分割产生的复杂环境对后续识别过程准确率的影响，通过深度卷积神经网络的优良模式识别性能，分析车牌字符以及车牌颜色，可以快速准确地得到车牌信息识别结果。在本申请另一实施例中公开了通过分别获取车辆图像的颜色特征图、亮度特征图以及方向特征图，结合上述三图进行车牌检测这一技术特征，其中，通过分析颜色特征图有利于通过颜色快速定位到车牌，亮度特征图可以应对不同光照变化减少光照带来的车牌检测误差，而方向特征图可以应对车牌拍照角度倾斜，平移等情况，减少由于角度问题对车牌检测的影响，将颜色特征图、亮度特征图以及方向特征图按权重比融合成显著特征图，可以融合三种分析方法的优势，实现在复杂条件下快速定位，高准确率检测出车牌的目的。本申请还公开了一种车牌识别装置、设备及一种可读存储介质，具有上述有益效果，在此不再赘述。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的实施例，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，还可以根据提供的附图获得其他的附图。图1为本申请实施例提供的车牌识别方法的流程图；图2为本申请实施例提供的多标签的深度卷积神经网络示意图；图3为本申请实施例提供的另一多标签的深度卷积神经网络示意图；图4为本申请实施例提供的车牌识别装置的结构框图；图5为本申请实施例提供的车牌识别设备的结构框图；图6为本申请实施例提供的车牌识别设备的结构示意图。具体实施方式本申请的核心是提供一种车牌识别方法，该方法可以实现在复杂环境中快速准确地识别车牌；本申请的另一核心是提供一种车牌识别装置、设备及一种可读存储介质，具有上述有益效果。为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。请参考图1，图1为本申请实施例提供的车牌识别方法的流程图；该方法可以包括：步骤s100、根据获取的车辆图像进行车牌检测，得到车牌图像。获取到车辆图像后通过车牌检测对车辆图像中车牌部分的图像提取出来，得到车牌图像，在此对车牌检测方法不做限定，可以通过基于边缘检测的车牌定位，基于形态学与纹理特征的车牌定位以及基于Gabor滤波的车牌区域检测算法等方法进行检测。步骤s101、通过训练的多标签深度卷积神经网络对车牌图像进行多标签多任务识别，得到车牌信息识别结果；其中，多标签深度卷积神经网络的输出层包括车牌字符输出单元以及车牌颜色输出单元。提取到车牌图像后对车牌图像进行车牌信息检测，现有技术中通常是通过对车牌进行字符分割后，对分割后的单个字符进行识本文档来自技高网...

【技术保护点】
1.一种车牌识别方法，其特征在于，包括：根据获取的车辆图像进行车牌检测，得到车牌图像；通过训练的多标签深度卷积神经网络对所述车牌图像进行多标签多任务识别，得到车牌信息识别结果；其中，所述多标签深度卷积神经网络的输出层包括车牌字符输出单元以及车牌颜色输出单元。

【技术特征摘要】
1.一种车牌识别方法，其特征在于，包括：根据获取的车辆图像进行车牌检测，得到车牌图像；通过训练的多标签深度卷积神经网络对所述车牌图像进行多标签多任务识别，得到车牌信息识别结果；其中，所述多标签深度卷积神经网络的输出层包括车牌字符输出单元以及车牌颜色输出单元。2.如权利要求1所述的车牌识别方法，其特征在于，所述得到车牌图像后还包括：将所述车牌图像大小调整至预设值；则所述通过训练的多标签深度卷积神经网络对所述车牌图像进行多标签多任务识别包括：通过训练的多标签深度卷积神经网络对调整后的车牌图像进行多标签多任务识别。3.如权利要求2所述的车牌识别方法，其特征在于，所述车牌字符输出单元具体为7个，各车牌字符输出单元的输出维度为65维；所述车牌颜色输出单元具体为1个，输出维度为2维。4.如权利要求3所述的车牌识别方法，其特征在于，所述根据获取的车辆图像进行车牌检测包括：分别获取预处理后车辆图像的颜色特征图、亮度特征图以及方向特征图；根据预设权重将所述颜色特征图、所述亮度特征图以及所述方向特征图融合，得到显著性特征图；根据所述显著性特征图进行车牌检测。5.如权利要求4所述的车牌识别方法，其特征在于，所述分别获取预处理后车辆图像的颜色特征图、亮度特征图以及方向特征图包括：对预处理后的车辆图像分别提取颜色特征、亮度特征以及方向特征；分别对所述颜色特征、所述亮度特征以及所述方向特...

【专利技术属性】
技术研发人员：程良伦，佘爽，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44