一种车牌识别方法、存储介质及电子设备技术

本发明专利技术公开了一种车牌识别方法、存储介质及电子设备，所述方法包括：检测待识别图像中是否存在具有车牌的车辆；确定所述待识别图像中存在具有车牌的车辆时，获取所述车辆的车牌所在区域的图像；将所述图像输入已训练后的用于车牌内的字符识别的第一神经网络模型，得到所述图像的各字符的位置和标签；根据所述各字符的位置以设定排序方式对所述各字符进行排序，得到排序后的所述各字符；根据所述各字符的标签和排序后的所述各字符，确定所述车辆的车牌号码；如此，解决了采用深度学习车牌识别算法中需要多个模型串联过多的耗费系统资源的问题，能够大大提高车牌识别的效率。

【技术实现步骤摘要】
一种车牌识别方法、存储介质及电子设备
本专利技术涉及车牌识别领域，尤其涉及一种车牌识别方法、存储介质及电子设备。
技术介绍
传统车牌识别算法主要结合纹理、边缘检测、垂直投影、小波变换和模版匹配的方法来进行车牌识别，基于深度学习的车牌识别算法主要针对车牌识别过程中的每个模块都用深度学习模型实现。目前在车牌识别算法在实际应用中还存在较多难点，传统的车牌识别方法对容易受到噪声的干扰，对光照变化大，车牌模糊的情况识别效果较差，开发成本高，部署周期长；基于深度学习的车牌识别算法由于每个模块都是独立存在在计算法时会存在大量冗余的计算，系统资源占用高，识别速度较低，在前端设备比较难部署。
技术实现思路
有鉴于此，本专利技术实施例提供了一种车牌识别方法、存储介质及电子设备，能够大大提高车牌识别的效率。为达到上述目的，本专利技术的技术方案是这样实现的：本专利技术实施例提供了一种车牌识别方法，所述方法包括：检测待识别图像中是否存在具有车牌的车辆；确定所述待识别图像中存在具有车牌的车辆时，获取所述车辆的车牌所在区域的图像；将所述图像输入已训练后的用于车牌内的字符识别的第一神经网络模型，得到所述图像的各字符的位置和标签；根据所述各字符的位置以设定排序方式对所述各字符进行排序，得到排序后的所述各字符；根据所述各字符的标签和排序后的所述各字符，确定所述车辆的车牌号码。其中，所述将所述图像输入已训练后的用于车牌内的字符识别的第一神经网络模型，得到所述图像的各字符的位置和标签之前，还包括：获取第一训练样本图像；根据所述第一训练样本图像获取所述第一训练样本图像中车辆的车牌所在区域的图像；对所述图像的尺寸进行归一化处理，得到满足预设尺寸的第一归一化图像；将所述第一归一化图像进行六个卷积层的卷积处理，得到所述第一归一化图像在第2卷积层、第4卷积层和第6卷积层中的特征图；基于所述特征图，确定所述第一训练样本图像的各字符的位置和标签。其中，所述对所述图像的尺寸进行归一化处理，得到满足预设尺寸的第一归一化图像之前，还包括：对所述图像进行字符标注。其中，所述检测待识别图像中是否存在具有车牌的车辆，包括：获取基于图像采集装置对预设监控区域采集的待识别图像；将所述待识别图像输入已训练后的用于车辆识别的第二神经网络模型，得到所述待识别图像中是否存在具有车牌的车辆的识别结果。其中，所述将所述待识别图像输入已训练后的用于车辆识别的第二神经网络模型，得到所述待识别图像中是否存在具有车牌的车辆的识别结果之前，还包括：获取第二训练样本图像；对所述第二训练样本图像的尺寸进行归一化处理，得到满足预设尺寸的第二归一化图像；将所述第二归一化图像依次先后进行六个卷积层和五个卷积层的卷积处理，得到所述第二归一化图像的特征图；基于所述特征图确定所述第二训练样本图像中是否存在具有车牌的车辆的识别结果。其中，还包括：在所述待识别图像中存在具有车牌的车辆时，对所述待识别图像进行车型识别，获取所述车辆的车型。其中，还包括：在所述待识别图像中存在具有车牌的车辆时，对所述待识别图像进行车牌颜色和/或车牌类型识别，获取所述车辆的车牌颜色和/或车牌类型。其中，还包括：获取所述车辆的高度和/或宽度；确定所述车辆的高度和/或宽度不满足预设通行条件时，发出提醒消息。本专利技术实施例还提供了一种计算机存储介质，包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现车牌识别方法中任一项所述的方法。本专利技术实施例还提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令；所述处理器用于调用并执行所述一条或多条计算机指令，从而实现车牌识别方法任一项所述的方法。本专利技术实施例提供的一种车牌识别方法、存储介质及电子设备，所述方法包括：检测待识别图像中是否存在具有车牌的车辆；确定所述待识别图像中存在具有车牌的车辆时，获取所述车辆的车牌所在区域的图像；将所述图像输入已训练后的用于车牌内的字符识别的第一神经网络模型，得到所述图像的各字符的位置和标签；根据所述各字符的位置以设定排序方式对所述各字符进行排序，得到排序后的所述各字符；根据所述各字符的标签和排序后的所述各字符，确定所述车辆的车牌号码；如此，通过预先判断待识别图像是由具有车辆，在进一步确认车牌所在区域，再得到车牌各字符的位置和标签，解决了传统车牌识别算法流程中车牌精定位，字符切割，字符识别逻辑复杂的问题，同时解决了采用深度学习车牌识别算法中需要多个模型串联过多的耗费系统资源的问题，能够大大提高车牌识别的效率。附图说明图1为本专利技术一实施例提供的一种车牌识别方法的流程示意图；图2为本专利技术另一实施例提供的一种车牌识别方法的流程示意图；图3为本专利技术一实施例提供的一级检测模块的结构示意图；图4为本专利技术一实施例提供的二级检测模块的结构示意图；图5为本专利技术一实施例提供的一级检测图像标注方式的示意图；图6为本专利技术一实施例提供的二级检测图像标注方式的示意图；图7为本专利技术一实施例提供的计算机设备的结构示意图。具体实施方式以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。请参阅图1，本专利技术实施例提供了一种车牌识别方法，所述方法包括：步骤101：检测待识别图像中是否存在具有车牌的车辆；步骤102：确定所述待识别图像中存在具有车牌的车辆时，获取所述车辆的车牌所在区域的图像；这里，通过对待识别图像首先采用一级检测器对图像中的车辆和该车辆上的车牌进行检测，进一步地，判断其是否是车辆，如果是车辆并且车辆目标上存在车牌区域则对该车牌区域进行车牌字符检测，否则直接结束。步骤103：将所述图像输入已训练后的用于车牌内的字符识别的第一神经网络模型，得到所述图像的各字符的位置和标签；这里，标签可以包括车身，车牌，背景。步骤104：根据所述各字符的位置以设定排序方式对所述各字符进行排序，得到排序后的所述各字符；步骤105：根据所述各字符的标签和排序后的所述各字符，确定所述车辆的车牌号码。本专利技术上述实施例中，通过检测待识别图像中是否存在具有车牌的车辆；确定所述待识别图像中存在具有车牌的车辆时，获取所述车辆的车牌所在区域的图像；将所述图像输入已训练后的用于车牌内的字符识别的第一神经网络模型，得到所述图像的各字符的位置和标签；根据所述各字符的位置以设定排序方式对所述各字符进行排序，得到排序后的所述各字符；根据所述各字符的标签和排序后的所述各字符，确定所述车辆的车牌号码；如此，通过预先判断待识别图像是由具有车辆，在进一步确认车本文档来自技高网...

【技术保护点】
1.一种车牌识别方法，其特征在于，所述方法包括：/n检测待识别图像中是否存在具有车牌的车辆；/n确定所述待识别图像中存在具有车牌的车辆时，获取所述车辆的车牌所在区域的图像；/n将所述图像输入已训练后的用于车牌内的字符识别的第一神经网络模型，得到所述图像的各字符的位置和标签；/n根据所述各字符的位置以设定排序方式对所述各字符进行排序，得到排序后的所述各字符；/n根据所述各字符的标签和排序后的所述各字符，确定所述车辆的车牌号码。/n

【技术特征摘要】
1.一种车牌识别方法，其特征在于，所述方法包括：
检测待识别图像中是否存在具有车牌的车辆；
确定所述待识别图像中存在具有车牌的车辆时，获取所述车辆的车牌所在区域的图像；
将所述图像输入已训练后的用于车牌内的字符识别的第一神经网络模型，得到所述图像的各字符的位置和标签；
根据所述各字符的位置以设定排序方式对所述各字符进行排序，得到排序后的所述各字符；
根据所述各字符的标签和排序后的所述各字符，确定所述车辆的车牌号码。


2.根据权利要求1所述的方法，其特征在于，所述将所述图像输入已训练后的用于车牌内的字符识别的第一神经网络模型，得到所述图像的各字符的位置和标签之前，还包括：
获取第一训练样本图像；
根据所述第一训练样本图像获取所述第一训练样本图像中车辆的车牌所在区域的图像；
对所述图像的尺寸进行归一化处理，得到满足预设尺寸的第一归一化图像；
将所述第一归一化图像进行六个卷积层的卷积处理，得到所述第一归一化图像在第2卷积层、第4卷积层和第6卷积层中的特征图；
基于所述特征图，确定所述第一训练样本图像的各字符的位置和标签。


3.根据权利要求2所述的方法，其特征在于，所述对所述图像的尺寸进行归一化处理，得到满足预设尺寸的第一归一化图像之前，还包括：
对所述图像进行字符标注。


4.根据权利要求1所述的方法，其特征在于，所述检测待识别图像中是否存在具有车牌的车辆，包括：
获取基于图像采集装置对预设监控区域采集的待识别图像；
将所述待识别图像输入已训练后的用于车辆识别的第二神经网络模型，得到所述待识别图像中是否存在具有车...

【专利技术属性】
技术研发人员：江震宇，
申请(专利权)人：江震宇，
类型：发明
国别省市：湖南;43