车牌的类别识别方法、装置及存储介质制造方法及图纸

本申请实施例公开了一种车牌类别的识别方法、装置及存储介质，属于深度学习技术领域。在本申请实施例中，基础分类特征提取模型能够用于提取车牌图像的图像特征，基于此，在注册表中存储一部分目标车牌类别的车牌图像的图像特征和目标车牌类别，之后，根据另一部分类别为目标车牌类别的车牌图像，通过基础分类特征提取模型和注册表，对基础分类特征提取模型的性能进行判别，如果性能满足条件，则表明基础分类特征提取模型能够用于与注册表结合使用来支持识别目标车牌类别的车牌图像，也即支持新类别的车牌图像。

【技术实现步骤摘要】
车牌的类别识别方法、装置及存储介质
本申请实施例涉及深度学习
，特别涉及一种车牌的类别识别方法、装置及存储介质。
技术介绍
目前市场中不断推出新类别的车牌，例如，推出不同板式、颜色、纹理等的车牌，如军用和民用、不同国家、机动车和非机动车等等车牌可能属于不同类别的车牌。同时，车牌识别业务也不断扩展，需要识别的车牌类别越来越多。在相关技术中，随着深度学习的发展，基于深度学习技术的车牌的类别识别方法应运而生，将车牌图像输入深度学习模型，输出车牌的类别。例如将车牌图像输入卷积神经网络的卷积层提取特征，并通过卷积神经网络最后的全连接层输出车牌的类别。当前，基于深度学习技术的车牌识别方法以产品的方式提供给用户，提供给用户的产品为训练好的深度学习模型，将待识别的车牌图像输入产品中，可以直接输出车牌的类别。由于市场中不断推出新类别的车牌，也即用户提出需求的速度远快于产品迭代速度，提供给用户的产品仅支持输出固定的几种类别，而无法支持识别新类别的车牌。如果用户有识别新类别的车牌的需求，可以选择调整网络中的参数，并用新类别的车牌图像重新训练深度学习模型，由于用户通常并非专业的研发人员，网络调参以及重新训练的难度太大，不利于由用户实现，如果交由产品的研发人员维护，维护成本较大，且需要用户将新类别的车牌数据提供给研发人员，但通常用户对于数据的保护意识较强，不愿意将车牌数据交给研发人员，因此，由研发人员维护的过程也会困难重重。由此可见，目前的产品可迁移性差，一旦有识别新类别的车牌的需求，目前的产品无法直接供用户使用来支持识别新类别的车牌。
技术实现思路
本申请实施例提供了一种车牌类别的识别方法、装置及存储介质，可以支持识别新类别的车牌。所述技术方案如下：一方面，提供了一种车牌类别的识别方法，所述方法包括：从多个样本车牌图像中选择至少一个样本车牌图像作为至少一个第一样本车牌图像，将剩余的样本车牌图像作为至少一个第二样本车牌图像，所述多个样本车牌图像对应的车牌类别相同且为目标车牌类别，所述多个样本车牌图像为用户设备获取的数据；根据所述至少一个第一样本车牌图像和基础分类特征提取模型，在存储的注册表中存储所述至少一个第一样本车牌图像的图像特征和车牌类别，所述基础分类特征提取模型根据第一数据集训练得到，所述第一数据集包括的车牌图像对应的车牌类别与所述目标车牌类别不同；根据所述至少一个第二样本车牌图像，通过所述基础分类特征提取模型和所述注册表，对所述基础分类特征提取模型的精确度进行判别；如果所述基础分类特征提取模型的精确度满足条件，则通过所述基础分类特征提取模型和所述注册表，对属于所述目标车牌类别的车牌图像进行车牌类别的识别。可选地，所述根据所述至少一个第一样本车牌图像和基础分类特征提取模型，在存储的注册表中存储所述至少一个第一样本车牌图像的图像特征和车牌类别，包括：将所述至少一个第一样本车牌图像输入所述基础分类特征提取模型，输出所述至少一个第一样本车牌图像中每个第一样本车牌图像的图像特征；将所述至少一个第一样本车牌图像中每个第一样本车牌图像的图像特征和所述目标车牌类别对应存储在所述注册表中。可选地，所述根据所述至少一个第二样本车牌图像，通过所述基础分类特征提取模型和所述注册表，对所述基础分类特征提取模型的精确度进行判别，包括：将所述至少一个第二样本车牌图像输入所述基础分类特征提取模型，输出所述至少一个第二样本车牌图像中每个第二样本车牌图像的图像特征；根据所述至少一个第二样本车牌图像中每个第二样本车牌图像的图像特征和所述注册表，确定相应第二样本车牌图像对应的预测车牌类别；根据所述至少一个第二样本车牌图像对应的预测车牌类别和所述目标车牌类别，确定所述基础分类特征提取模型的预测准确率；如果所述预测准确率不小于准确率阈值，则确定所述基础分类特征提取模型的精确度满足条件。可选地，所述根据所述至少一个第二样本车牌图像，通过所述基础分类特征提取模型和所述注册表，对所述基础分类特征提取模型的精确度进行判别之后，还包括：如果所述基础分类特征提取模型的精确度不满足条件，则根据所述多个样本车牌图像和第二数据集，更新所述基础分类特征提取模型和所述注册表，所述第二数据集包括的车牌图像对应的车牌类别与所述目标车牌类别不同；通过更新后的基础分类特征提取模型和注册表，对属于所述目标车牌类别的车牌图像进行车牌类别的识别。可选地，所述根据所述多个样本车牌图像和第二数据集，更新所述基础分类特征提取模型和所述注册表，包括：根据所述多个样本车牌图像和所述第二数据集，确定训练数据集；根据所述训练数据集，训练初始分类模型，得到更新后的基础分类特征提取模型，所述初始分类模型的网络结构根据所述基础分类特征提取模型确定；根据所述更新后的基础分类特征提取模型和所述至少一个第一样本车牌图像，更新所述注册表。可选地，所述根据所述训练数据集，训练初始分类模型，得到更新后的基础分类特征提取模型之前，还包括：显示多种训练模式，所述多种训练模式中的每种训练模式对应一组训练参数；所述根据所述训练数据集，训练初始分类模型，得到更新后的基础分类特征提取模型，包括：当检测到第一训练模式的选择操作时，根据所述训练数据集和所述第一训练模式对应的一组训练参数，训练所述初始分类模型，得到所述更新后的基础分类特征提取模型，所述第一训练模式为所述多种训练模式中的一种。可选地，所述根据所述更新后的基础分类特征提取模型和所述至少一个第一样本车牌图像，更新所述注册表之前，还包括：确定所述更新后的基础分类特征提取模型的性能信息，所述性能信息包括识别准确率；如果所述识别准确率低于所述准确率阈值，则显示训练指导提示信息；接收第一指令，所述第一指令携带调整后的训练参数，所述第一指令由用户针对所述训练指导提示信息的操作生成；根据所述第一指令和所述训练数据集，重新训练所述初始分类模型，得到更新后的基础分类特征提取模型。可选地，所述训练参数包括学习速率、迭代次数和批处理样本数量中的一个或多个，所述训练指导提示信息包括更改训练模式的指示和/或调整训练参数的指示。可选地，所述性能信息还包括识别错误的样本信息和/或训练模式是否合适的指示信息。可选地，所述根据所述更新后的基础分类特征提取模型和所述至少一个第一样本车牌图像，更新所述注册表，包括：将所述至少一个第一样本车牌图像输入所述更新后的基础分类特征提取模型，输出所述至少一个第一样本车牌图像中每个第一样本车牌图像的图像特征；用通过所述更新后的基础分类特征提取模型确定的每个第一样本车牌图像的图像特征替换所述注册表中相应第一样本车牌图像的图像特征，以更新所述注册表。另一方面，提供了一种车牌类别的识别装置，所述装置包括：选择模块，用于从多个样本车牌图像中选择至少一个样本车牌图像作为至少一个第一样本车牌图像，将剩余的样本车牌图像作本文档来自技高网...

【技术保护点】
1.一种车牌类别的识别方法，其特征在于，所述方法包括：/n从多个样本车牌图像中选择至少一个样本车牌图像作为至少一个第一样本车牌图像，将剩余的样本车牌图像作为至少一个第二样本车牌图像，所述多个样本车牌图像对应的车牌类别相同且为目标车牌类别，所述多个样本车牌图像为用户设备获取的数据；/n根据所述至少一个第一样本车牌图像和基础分类特征提取模型，在存储的注册表中存储所述至少一个第一样本车牌图像的图像特征和车牌类别，所述基础分类特征提取模型根据第一数据集训练得到，所述第一数据集包括的车牌图像对应的车牌类别与所述目标车牌类别不同；/n根据所述至少一个第二样本车牌图像，通过所述基础分类特征提取模型和所述注册表，对所述基础分类特征提取模型的精确度进行判别；/n如果所述基础分类特征提取模型的精确度满足条件，则通过所述基础分类特征提取模型和所述注册表，对属于所述目标车牌类别的车牌图像进行车牌类别的识别。/n

【技术特征摘要】
1.一种车牌类别的识别方法，其特征在于，所述方法包括：
从多个样本车牌图像中选择至少一个样本车牌图像作为至少一个第一样本车牌图像，将剩余的样本车牌图像作为至少一个第二样本车牌图像，所述多个样本车牌图像对应的车牌类别相同且为目标车牌类别，所述多个样本车牌图像为用户设备获取的数据；
根据所述至少一个第一样本车牌图像和基础分类特征提取模型，在存储的注册表中存储所述至少一个第一样本车牌图像的图像特征和车牌类别，所述基础分类特征提取模型根据第一数据集训练得到，所述第一数据集包括的车牌图像对应的车牌类别与所述目标车牌类别不同；
根据所述至少一个第二样本车牌图像，通过所述基础分类特征提取模型和所述注册表，对所述基础分类特征提取模型的精确度进行判别；
如果所述基础分类特征提取模型的精确度满足条件，则通过所述基础分类特征提取模型和所述注册表，对属于所述目标车牌类别的车牌图像进行车牌类别的识别。


2.如权利要求1所述的方法，其特征在于，所述根据所述至少一个第一样本车牌图像和基础分类特征提取模型，在存储的注册表中存储所述至少一个第一样本车牌图像的图像特征和车牌类别，包括：
将所述至少一个第一样本车牌图像输入所述基础分类特征提取模型，输出所述至少一个第一样本车牌图像中每个第一样本车牌图像的图像特征；
将所述至少一个第一样本车牌图像中每个第一样本车牌图像的图像特征和所述目标车牌类别对应存储在所述注册表中。


3.如权利要求1所述的方法，其特征在于，所述根据所述至少一个第二样本车牌图像，通过所述基础分类特征提取模型和所述注册表，对所述基础分类特征提取模型的精确度进行判别，包括：
将所述至少一个第二样本车牌图像输入所述基础分类特征提取模型，输出所述至少一个第二样本车牌图像中每个第二样本车牌图像的图像特征；
根据所述至少一个第二样本车牌图像中每个第二样本车牌图像的图像特征和所述注册表，确定相应第二样本车牌图像对应的预测车牌类别；
根据所述至少一个第二样本车牌图像对应的预测车牌类别和所述目标车牌类别，确定所述基础分类特征提取模型的预测准确率；
如果所述预测准确率不小于准确率阈值，则确定所述基础分类特征提取模型的精确度满足条件。


4.根据权利要求1-3任一所述的方法，其特征在于，所述根据所述至少一个第二样本车牌图像，通过所述基础分类特征提取模型和所述注册表，对所述基础分类特征提取模型的精确度进行判别之后，还包括：
如果所述基础分类特征提取模型的精确度不满足条件，则根据所述多个样本车牌图像和第二数据集，更新所述基础分类特征提取模型和所述注册表，所述第二数据集包括的车牌图像对应的车牌类别与所述目标车牌类别不同；
通过更新后的基础分类特征提取模型和注册表，对属于所述目标车牌类别的车牌图像进行车牌类别的识别。


5.根据权利要求4所述的方法，其特征在于，所述根据所述多个样本车牌图像和第二数据集，更新所述基础分类特征提取模型和所述注册表，包括：
根据所述多个样本车牌图像和所述第二数据集，确定训练数据集；
根据所述训练数据集，训练初始分类模型，得到更新后的基础分类特征提取模型，所述初始分类模型的网络结构根据所述基础分类特征提取模型确定；
根据所述更新后的基础分类特征提取模型和所述至少一个第一样本车牌图像，更新所述注册表。
<...

【专利技术属性】
技术研发人员：蔡晓蕙，
申请(专利权)人：上海高德威智能交通系统有限公司，
类型：发明
国别省市：上海;31