车牌信息的识别方法、装置、计算机设备及存储介质制造方法及图纸

本申请公开了一种车牌信息的识别方法，包括以下步骤：检测到目标图片时，获取所述目标图片中的车牌图像特征对应的预设向量；将所述预设向量作为Transformer模型的输入向量，其中，所述Transformer模型根据多组预设向量和预设向量对应的车牌信息训练得到；获取所述Transformer模型的输出值，作为所述目标图片对应的车牌信息。本申请还公开了一种车牌信息的识别装置、计算机设备以及计算机可读存储介质。本申请通过利用Transformer模型高效的数据处理能力，实现对目标图片中车牌图像的车牌信息的识别，提高了识别车牌信息的效率。

【技术实现步骤摘要】
车牌信息的识别方法、装置、计算机设备及存储介质
本申请涉及深度学习领域，尤其涉及一种车牌信息的识别方法、车牌信息的识别装置、计算机设备以及计算机可读存储介质。
技术介绍
目前对车牌图片的识别，大多采用的是基于传统的神经网络模型(如RNN——RecurrentNeuralNetwork,循环神经网络)进行图片字符的分割再识别，最后再拼接成完整的车牌信息。随着信息时代的高速发展，传统的神经网络模型相对来说已存在迭代慢、计算慢的缺点，越来越难以满足当代社会快速识别图片中的车牌信息的发展需求。上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
本申请的主要目的在于提供一种车牌信息的识别方法、车牌信息的识别装置、计算机设备以及计算机可读存储介质，旨在解决对图片中的车牌信息识别效率低下的问题。为实现上述目的，本申请提供一种车牌信息的识别方法，所述车牌信息的识别方法包括以下步骤：检测到目标图片时，获取所述目标图片中的车牌图像特征对应的预设向量；将所述预设向量作为Transformer模型的输入向量，其中，所述Transformer模型根据多组预设向量和预设向量对应的车牌信息训练得到；获取所述Transformer模型的输出值，作为所述目标图片对应的车牌信息。进一步地，所述获取所述目标图片中的车牌图像特征对应的预设向量的步骤包括：利用预先构建的残差网络识别所述目标图片中的车牌图像特征，其中，所述残差网络还将所述车牌图像特征转换为预设向量并输出；获取所述残差网络的输出值，作为所述车牌图像特征对应的预设向量。进一步地，所述Transformer模型的解码器包括编码-解码注意力层和前馈神经网络，其中，所述编码-解码注意力层用于处理所述Transformer模型的编码器的输出值和/或上一层解码器的输出值，所述所述编码-解码注意力层的输出值经求和归一化处理后传输至所述前馈神经网络。进一步地，所述获取所述Transformer模型的输出值，作为所述目标图片对应的车牌信息的步骤之后，还包括：接收到所述目标图片对应的车牌信息的确认响应时，或者在预设时长内未接收到目标图片对应的车牌信息的取消响应时，将所述目标图片对应的车牌信息和目标图片对应的预设向量，作为所述Transformer模型的训练样本，以根据所述训练样本更新所述Transformer模型。进一步地，所述获取所述Transformer模型的输出值，作为所述目标图片对应的车牌信息的步骤之后，还包括：将所述目标图片对应的车牌信息发送至远程设备，所述目标图片为所述远程设备发送至本端的。进一步地，所述车牌信息的识别方法还包括：检测到目标图片时，检测是否存在与所述目标图片对应的识别记录；若否，执行所述获取所述目标图片中的车牌图像特征对应的预设向量的步骤；若是，获取所述识别记录中关联的车牌信息作为所述目标图片对应的车牌信息。为实现上述目的，本申请还提供一种车牌信息的识别装置，所述车牌信息的识别装置包括：所述车牌信息的识别装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车牌信息的识别程序，所述车牌信息的识别程序被所述处理器执行时实现如上述车牌信息的识别方法的步骤。为实现上述目的，本申请还提供一种计算机设备，所述计算机设备包括：所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车牌信息的识别程序，所述车牌信息的识别程序被所述处理器执行时实现如上述车牌信息的识别方法的步骤。为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有车牌信息的识别程序，所述车牌信息的识别程序被处理器执行时实现如上述车牌信息的识别方法的步骤。本申请提供的车牌信息的识别方法、车牌信息的识别装置、计算机设备以及计算机可读存储介质，检测到目标图片时，获取所述目标图片中的车牌图像特征对应的预设向量；将所述预设向量作为Transformer模型的输入向量，其中，所述Transformer模型根据多组预设向量和预设向量对应的车牌信息训练得到；获取所述Transformer模型的输出值，作为所述目标图片对应的车牌信息。这样，通过利用Transformer模型高效的数据处理能力，实现对目标图片中车牌图像的车牌信息的识别，提高了识别车牌信息的效率。附图说明图1为本申请一实施例中车牌信息的识别方法步骤示意图；图2为本申请一实施例中车牌信息的识别方法另一步骤示意图；图3为本申请一实施例中车牌信息的识别方法又一步骤示意图；图4为本申请一实施例中车牌信息的识别方法再一步骤示意图；图5为本申请一实施例的Transformer模型示例图；图6为本申请一实施例的Transformer模型编码器示例图；图7为本申请一实施例的Transformer模型解码器示例图；图8为本申请一实施例的计算机设备的结构示意框图。本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。参照图1，在一实施例中，所述车牌信息的识别方法包括：步骤S10、检测到目标图片时，获取所述目标图片中的车牌图像特征对应的预设向量。本实施例中，终端得到的目标图片通过与终端建立有通信连接的摄像装置定时或实时捕捉得到的，也可以是由远程设备发送至终端的。其中，远程设备包括智能手机、计算机设备、平板电脑、ETC(ElectronicTollCollection)系统等。其中，目标图片为带有车牌图像的图片。可选的，终端检测到目标图片后，则识别目标图片中的车牌图像特征(即特征图像)，主要是识别车牌图像所在显像区域中的图形特征。如识别带有“V”字的图像时，无需关注V本身的字义，而是关注该图像的V形形状。需要说明的是，特征图像(imagefeatures)主要有图像的颜色特征、纹理特征、图形特征(形状特征)和空间关系特征。其中，图形特征有两类表示方法，一类是轮廓特征，另一类是区域特征。图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域。可选的，终端预先建立有不同车牌图像特征所对应的预设向量之间的映射关系，该预设向量适用于Transformer模型的输入向量。应当理解的是，同一车牌图像特征往往可以指向多个预设向量，车牌图像特征对应的预设向量可为该车牌图像特征指向的所有预设向量的集合。需要说明的是，Transformer模型是Google团队在2017年提出的一种深度学习模型，目前主要广泛应用在文字翻译领域。在Transformer之前，多数基于本文档来自技高网...

【技术保护点】
1.一种车牌信息的识别方法，其特征在于，所述车牌信息的识别方法包括以下步骤：/n检测到目标图片时，获取所述目标图片中的车牌图像特征对应的预设向量；/n将所述预设向量作为Transformer模型的输入向量，其中，所述Transformer模型根据多组预设向量和预设向量对应的车牌信息训练得到；/n获取所述Transformer模型的输出值，作为所述目标图片对应的车牌信息。/n

【技术特征摘要】
1.一种车牌信息的识别方法，其特征在于，所述车牌信息的识别方法包括以下步骤：
检测到目标图片时，获取所述目标图片中的车牌图像特征对应的预设向量；
将所述预设向量作为Transformer模型的输入向量，其中，所述Transformer模型根据多组预设向量和预设向量对应的车牌信息训练得到；
获取所述Transformer模型的输出值，作为所述目标图片对应的车牌信息。


2.如权利要求1所述的车牌信息的识别方法，其特征在于，所述获取所述目标图片中的车牌图像特征对应的预设向量的步骤包括：
利用预先构建的残差网络识别所述目标图片中的车牌图像特征，其中，所述残差网络还将所述车牌图像特征转换为预设向量并输出；
获取所述残差网络的输出值，作为所述车牌图像特征对应的预设向量。


3.如权利要求1所述的车牌信息的识别方法，其特征在于，所述Transformer模型的解码器包括编码-解码注意力层和前馈神经网络，其中，所述编码-解码注意力层用于处理所述Transformer模型的编码器的输出值和/或上一层解码器的输出值，所述所述编码-解码注意力层的输出值经求和归一化处理后传输至所述前馈神经网络。


4.如权利要求1所述的车牌信息的识别方法，其特征在于，所述获取所述Transformer模型的输出值，作为所述目标图片对应的车牌信息的步骤之后，还包括：
接收到所述目标图片对应的车牌信息的确认响应时，或者在预设时长内未接收到目标图片对应的车牌信息的取消响应时，将所述目标图片对应的车牌信息和目标图片对应的预设向量，作为所述Tra...

【专利技术属性】
技术研发人员：陈勇，张晓华，邓令军，谢卫良，
申请(专利权)人：深圳市视美泰技术股份有限公司，
类型：发明
国别省市：广东;44