车牌的识别方法、装置、存储介质及处理器制造方法及图纸

本发明专利技术公开了一种车牌的识别方法、装置、存储介质及处理器。其中，该方法包括：在采集到模糊车牌图像的情况下，获取模糊车牌图像中的多帧第一车牌区域图像；根据预设运动补偿模型对多帧第一车牌区域图像进行对齐处理；根据预设3D卷积神经网络模型对对齐后的多帧第一车牌区域图像进行处理；对预设车牌号码识别卷积神经网络模型进行训练；对预设车牌检测卷积神经网络模型、预设运动补偿模型、预设3D卷积神经网络模型和达到收敛状态的预设车牌号码识别卷积神经网络模型进行级联处理；根据目标识别模型对模糊车牌图像进行识别，得到识别结果。本发明专利技术解决了现有技术中的模糊车牌识别存在的识别精度较低、可靠性较差的技术问题。

License plate recognition method, device, storage medium and processor

The invention discloses a license plate recognition method, a device, a storage medium and a processor. Among them, the method includes: in the collection to the blurred license plate images under the condition of obtaining fuzzy multi frame first car license plate image plate in the image; according to the preset motion compensation model of multi frame image processing the first license plate alignment; according to the preset 3D convolutional neural network model based on multi frame image alignment after the first license plate area of treatment; training of pre license plate number recognition of convolutional neural network model; presupposition of presupposition of license plate detection in vehicle license plate recognition of convolutional neural network model and convolutional neural network motion compensation model, default default 3D convolutional neural network model and achieve convergence state of cascaded processing; according to the target recognition model of fuzzy recognition of license plate image, get the recognition results. The invention solves the technical problems of low recognition accuracy and poor reliability of the fuzzy license plate recognition in the prior art.

【技术实现步骤摘要】
车牌的识别方法、装置、存储介质及处理器
本专利技术涉及交通领域，具体而言，涉及一种车牌的识别方法、装置、存储介质及处理器。
技术介绍
目前，遍布各地的交通摄像机为智慧交通的开展和部署提供了数据支撑。基于交通视频的车牌识别技术(LicensePlateRecognition，LPR)通过自动提取视频画面中的车牌号码标签，大大提升了交通自动取证、信息提取存储及车辆管理的效率，因而获得了广泛关注。但是，交通摄像机采集到的视频质量受到摄像机像素、焦距等因素的限制，其清晰度难以得到保证。此外，在雨雪大雾天气、车辆高速行驶、车辆车牌遮挡等条件下采集到的车牌图像画面模糊，抖动问题严重，存在较多干扰噪声，极大地影响了车牌号码识别的精度。根据现有的模糊视频画面中车牌识别难度较大的问题，专利号CN101673338B提出了一种基于多角度投影的模糊车牌识别方法，通过多帧融合、平滑滤波等技术，进行噪声消除及特征增强。然而，该专利基于传统滤波技术，其去模糊化效果差，车牌识别性能难以得到保证。专利号CN104091315A提出了一种车牌图像去模糊的方法及系统，基于稀疏表达获得卷积核角度参数，基于频谱特性获得卷积核长度参数，从而构造卷积核用于后续图像去模糊算法。然而，其在设计卷积核时并未考虑视频序列连续帧之间的上下文相关性及时间结构信息，仅适用于单张车辆图片，处理交通视频效率低。综上，现有技术中的模糊车牌识别方法存在的车牌识别精度较低、可靠性较差的技术问题。针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种车牌的识别方法、装置、存储介质及处理器，以至少解决现有技术中的模糊车牌识别存在的识别精度较低、可靠性较差的技术问题。根据本专利技术实施例的一个方面，提供了一种模糊车牌的识别方法，该方法包括：在采集到模糊车牌图像的情况下，根据预设车牌检测卷积神经网络模型获取上述模糊车牌图像中的多帧第一车牌区域图像，其中，上述多帧第一车牌区域图像在上述模糊车牌图像中的位置一一相邻；根据预设运动补偿模型对上述多帧第一车牌区域图像进行对齐处理，得到对齐后的上述多帧第一车牌区域图像；根据预设3D卷积神经网络模型对上述对齐后的上述多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理，得到第二车牌区域图像；根据上述第二车牌区域图像、上述模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练，直至上述预设车牌号码识别卷积神经网络模型达到收敛状态；对上述预设车牌检测卷积神经网络模型、上述预设运动补偿模型、上述预设3D卷积神经网络模型和达到上述收敛状态的上述预设车牌号码识别卷积神经网络模型进行级联处理，得到目标识别模型；根据上述目标识别模型对上述模糊车牌图像进行识别，得到上述模糊车牌图像中的车牌字符的识别结果。进一步地，在根据预设车牌检测卷积神经网络模型获取上述模糊车牌图像中的多帧第一车牌区域图像之前，上述方法还包括：获取上述模糊车牌图像中的车牌位置信息；根据上述模糊车牌图像和上述车牌位置信息训练上述预设车牌检测卷积神经网络模型，直至上述预设车牌检测卷积神经网络模型达到收敛状态。进一步地，在根据预设车牌检测卷积神经网络模型获取上述模糊车牌图像中的多帧第一车牌区域图像之前，上述方法还包括：对上述模糊车牌图像进行预处理，其中，上述预处理的方式包括下述至少之一：尺寸缩放、均值消减和像素值归一化。进一步地，在根据预设3D卷积神经网络模型对上述对齐后的上述多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理之前，上述方法还包括：采用随机梯度下降法对上述预设3D卷积神经网络模型进行训练，直至上述预设3D卷积神经网络模型达到收敛状态。根据本专利技术实施例的另一方面，还提供了一种模糊车牌的识别装置，该装置包括：第一获取单元，用于在采集到模糊车牌图像的情况下，根据预设车牌检测卷积神经网络模型获取上述模糊车牌图像中的多帧第一车牌区域图像，其中，上述多帧第一车牌区域图像在上述模糊车牌图像中的位置一一相邻；第一处理单元，用于根据预设运动补偿模型对上述多帧第一车牌区域图像进行对齐处理，得到对齐后的上述多帧第一车牌区域图像；第二处理单元，用于根据预设3D卷积神经网络模型对上述对齐后的上述多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理，得到第二车牌区域图像；第三处理单元，用于根据上述第二车牌区域图像、上述模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练，直至上述预设车牌号码识别卷积神经网络模型达到收敛状态；第四处理单元，用于对上述预设车牌检测卷积神经网络模型、上述预设运动补偿模型、上述预设3D卷积神经网络模型和达到上述收敛状态的上述预设车牌号码识别卷积神经网络模型进行级联处理，得到目标识别模型；识别单元，用于根据上述目标识别模型对上述模糊车牌图像进行识别，得到上述模糊车牌图像中的车牌字符的识别结果。进一步地，上述装置还包括：第二获取单元，用于获取上述模糊车牌图像中的车牌位置信息；第五处理单元，用于根据上述模糊车牌图像和上述车牌位置信息训练上述预设车牌检测卷积神经网络模型，直至上述预设车牌检测卷积神经网络模型达到收敛状态。进一步地，上述装置还包括：第六处理单元，用于对上述模糊车牌图像进行预处理，其中，上述预处理的方式包括下述至少之一：尺寸缩放、均值消减和像素值归一化。进一步地，上述装置还包括：第七处理单元，用于采用随机梯度下降法对上述预设3D卷积神经网络模型进行训练，直至上述预设3D卷积神经网络模型达到收敛状态。根据本专利技术实施例的另一方面，又提供了一种存储介质，上述存储介质包括存储的程序，其中，在上述程序运行时控制上述存储介质所在设备执行上述的模糊车牌的识别方法。根据本专利技术实施例的另一方面，又提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述的模糊车牌的识别方法。在本专利技术实施例中，采用在采集到模糊车牌图像的情况下，根据预设车牌检测卷积神经网络模型获取模糊车牌图像中的多帧第一车牌区域图像的方式，通过预设运动补偿模型对多帧第一车牌区域图像进行对齐处理，得到对齐后的多帧第一车牌区域图像；根据预设3D卷积神经网络模型对对齐后的多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理，得到第二车牌区域图像；根据第二车牌区域图像、模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练，直至预设车牌号码识别卷积神经网络模型达到收敛状态；对预设车牌检测卷积神经网络模型、预设运动补偿模型、预设3D卷积神经网络模型和达到收敛状态的预设车牌号码识别卷积神经网络模型进行级联处理，得到目标识别模型；达到了根据目标识别模型对模糊车牌图像进行识别，得到模糊车牌图像中的车牌字符的识别结果的目的，从而实现了提高模糊车牌的识别精度和识别效率、提升模糊车牌识别的可靠性的技术效果，进而解决了现有技术中的模糊车牌识别存在的识别精度较低、可靠性较差的技术问题。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1(a)是根据本专利技术实施例的一种可选的模糊车牌的识别方法的流程示意图；图本文档来自技高网...

【技术保护点】
一种模糊车牌的识别方法，其特征在于，包括：在采集到模糊车牌图像的情况下，根据预设车牌检测卷积神经网络模型获取所述模糊车牌图像中的多帧第一车牌区域图像，其中，所述多帧第一车牌区域图像在所述模糊车牌图像中的位置一一相邻；根据预设运动补偿模型对所述多帧第一车牌区域图像进行对齐处理，得到对齐后的所述多帧第一车牌区域图像；根据预设3D卷积神经网络模型对所述对齐后的所述多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理，得到第二车牌区域图像；根据所述第二车牌区域图像、所述模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练，直至所述预设车牌号码识别卷积神经网络模型达到收敛状态；对所述预设车牌检测卷积神经网络模型、所述预设运动补偿模型、所述预设3D卷积神经网络模型和达到所述收敛状态的所述预设车牌号码识别卷积神经网络模型进行级联处理，得到目标识别模型；根据所述目标识别模型对所述模糊车牌图像进行识别，得到所述模糊车牌图像中的车牌字符的识别结果。

【技术特征摘要】
1.一种模糊车牌的识别方法，其特征在于，包括：在采集到模糊车牌图像的情况下，根据预设车牌检测卷积神经网络模型获取所述模糊车牌图像中的多帧第一车牌区域图像，其中，所述多帧第一车牌区域图像在所述模糊车牌图像中的位置一一相邻；根据预设运动补偿模型对所述多帧第一车牌区域图像进行对齐处理，得到对齐后的所述多帧第一车牌区域图像；根据预设3D卷积神经网络模型对所述对齐后的所述多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理，得到第二车牌区域图像；根据所述第二车牌区域图像、所述模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练，直至所述预设车牌号码识别卷积神经网络模型达到收敛状态；对所述预设车牌检测卷积神经网络模型、所述预设运动补偿模型、所述预设3D卷积神经网络模型和达到所述收敛状态的所述预设车牌号码识别卷积神经网络模型进行级联处理，得到目标识别模型；根据所述目标识别模型对所述模糊车牌图像进行识别，得到所述模糊车牌图像中的车牌字符的识别结果。2.根据权利要求1所述的方法，其特征在于，在根据预设车牌检测卷积神经网络模型获取所述模糊车牌图像中的多帧第一车牌区域图像之前，所述方法还包括：获取所述模糊车牌图像中的车牌位置信息；根据所述模糊车牌图像和所述车牌位置信息训练所述预设车牌检测卷积神经网络模型，直至所述预设车牌检测卷积神经网络模型达到收敛状态。3.根据权利要求1所述的方法，其特征在于，在根据预设车牌检测卷积神经网络模型获取所述模糊车牌图像中的多帧第一车牌区域图像之前，所述方法还包括：对所述模糊车牌图像进行预处理，其中，所述预处理的方式包括下述至少之一：尺寸缩放、均值消减和像素值归一化。4.根据权利要求1所述的方法，其特征在于，在根据预设3D卷积神经网络模型对所述对齐后的所述多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理之前，所述方法还包括：采用随机梯度下降法对所述预设3D卷积神经网络模型进行训练，直至所述预设3D卷积神经网络模型达到收敛状态。5.一种模糊车牌的识别装置，其特征在于，包括：第一获取单元，用于在采集到模糊车牌图像的情况下，根据预...

【专利技术属性】
技术研发人员：周文明，王志鹏，
申请(专利权)人：珠海习悦信息技术有限公司，
类型：发明
国别省市：广东,44