本公开提供了一种车牌识别方法、装置、电子设备及存储介质，涉及图像识别技术领域。其中，方法包括：对待检测图像进行车牌校正，得到校正后的图像；提取校正后的图像的图像特征，得到目标特征图，对目标特征图进行拆分，得到第一特征向量和第二特征向量；对第一特征向量和第二特征向量进行不同类型的特征融合，得到第三特征向量、第四特征向量和第五特征向量；将第三特征向量、第四特征向量和第五特征向量分别输入至已训练好的车牌识别模型的不同分支网络中，得到目标车牌识别结果，目标车牌识别结果由已训练好的车牌识别模型的不同分支网络输出的单层车牌识别结果、双层车牌识别结果和车牌类型识别结果确定。本公开提高了车牌识别的效率。识别的效率。识别的效率。
【技术实现步骤摘要】
车牌识别方法、装置、电子设备及存储介质
[0001]本公开涉及图像识别
，尤其涉及一种车牌识别方法、装置、电子设备及存储介质。
技术介绍
[0002]随着经济社会的高速发展，机动车辆的数目也在不断增加。实现对车辆身份自动识别，能够提高车辆的管理效率、降低人力成本。因此，车牌识别技术成为近几年研究的热点。车牌类别识别方法是车牌识别技术的重要一环，能够识别给定车牌图片的具体类别，从而补充和完善车牌识别信息，进一步可用于套牌检测、车辆准入判断等更复杂的应用场景。
[0003]传统车牌识别方法，对于相对复杂的背景，无法比较精确的实现字符切分。现有深度学习的车牌识别方法，无法单模型同时解决单层和双层车牌的识别，一般需要同时加载两种及两种以上的模型，进行单双层的车牌识别，在速度和资源方法存在冗余，且推理的流程较复杂。
[0004]基于此，如何提高车牌识别的效率成为了亟需解决的技术问题。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
[0006]本公开提供一种车牌识别方法、装置、电子设备及存储介质，至少在一定程度上克服相关技术中车牌识别效率低的问题。
[0007]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0008]根据本公开的一个方面，提供一种车牌识别方法，包括：获取待检测图像；对所述待检测图像进行车牌检测，得到所述待检测图像的检测结果，其中，所述检测结果包含类别信息，所述类别信息为车牌或非车牌；在所述待检测图像的类别信息为车牌的情况下，对所述待检测图像进行车牌校正，得到校正后的图像；提取所述校正后的图像的图像特征，得到目标特征图，对所述目标特征图进行拆分，得到第一特征向量和第二特征向量；对所述第一特征向量和第二特征向量进行不同类型的特征融合，得到第三特征向量、第四特征向量和第五特征向量；将所述第三特征向量、所述第四特征向量和所述第五特征向量分别输入至已训练好的车牌识别模型的不同分支网络中，得到目标车牌识别结果，其中，所述目标车牌识别结果由所述已训练好的车牌识别模型的不同分支网络输出的单层车牌识别结果、双层车牌识别结果和车牌类型识别结果确定。
[0009]在本公开的一个实施例中，在对所述待检测图像进行车牌检测，得到所述待检测图像的检测结果之前，所述方法还包括：识别所述待检测图像的图像尺寸；在所述待检测图像的图像尺寸不满足预设尺寸的情况下，将所述待检测图像补边成正方形，得到补边后的待检测图像；将所述补边后的待检测图像放在预设尺寸底板的中心点上进行训练，得到预
设尺寸的待检测图像。
[0010]在本公开的一个实施例中，对所述待检测图像进行车牌检测，得到所述待检测图像的检测结果，包括：将所述待检测图像输入至所述已训练好的车牌识别模型中，输出得到待检测图像的检测结果，其中，所述已训练好的车牌识别模型还用于输出图像的检测结果。
[0011]在本公开的一个实施例中，在所述待检测图像的类别信息为车牌的情况下，对所述待检测图像进行车牌校正，得到校正后的图像，包括：基于投影映射对所述待检测图像进行车牌校正，得到校正后的图像。
[0012]在本公开的一个实施例中，提取所述校正后的图像的图像特征，得到目标特征图，对所述目标特征图进行拆分，得到第一特征向量和第二特征向量，包括：利用CNN卷积对所述校正后的图像进行图像的降采样，得到所述目标特征图。
[0013]在本公开的一个实施例中，对所述第一特征向量和第二特征向量进行不同类型的特征融合，得到第三特征向量、第四特征向量和第五特征向量，包括：对所述第一特征向量和所述第二特征向量进行归一化处理，对归一化处理后的第一特征向量和第二特征向量进行加和merge操作，得到所述第三特征向量；对所述第一特征向量和所述第二特征向量进行卷积操作，对卷积操作后的第一特征向量和第二特征向量进行水平维度上的特征连接，得到所述第四特征向量；对所述第一特征向量和所述第二特征向量进行垂直维度上的特征连接，得到所述第五特征向量。
[0014]在本公开的一个实施例中，将所述第三特征向量、所述第四特征向量和所述第五特征向量分别输入至已训练好的车牌识别模型的不同分支网络中，得到目标车牌识别结果，包括：将所述第三特征向量输入至所述已训练好的车牌识别模型的第一分支网络中，输出得到单层车牌识别结果；将所述第四特征向量输入至所述已训练好的车牌识别模型的第二分支网络中，输出得到双层车牌识别结果；将所述第五特征向量输入至所述已训练好的车牌识别模型的第三分支网络中，输出得到车牌类型识别结果；根据所述单层车牌识别结果、双层车牌识别结果以及车牌类型识别结果，确定目标车牌识别结果。
[0015]在本公开的一个实施例中，通过以下步骤训练得到所述已训练好的车牌识别模型，包括：获取车牌图像样本集，其中，所述车牌图像样本集中包含多个车牌图像样本，以及各个车牌图像样本对应的标签；提取所述车牌图像样本集中各个车牌图像样本的图像特征；以所述车牌图像样本集中的各个车牌图像样本的图像特征作为车牌识别模型的输入，以所述车牌图像样本集中各个车牌图像样本对应的标签作为输出，利用多任务损失函数对所述车牌识别模型进行训练，得到已训练好的车牌识别模型。
[0016]根据本公开的另一个方面，提供一种车牌识别装置，包括：图像获取模块，用于获取待检测图像；车牌检测模块，用于对所述待检测图像进行车牌检测，得到所述待检测图像的检测结果，其中，所述检测结果包含类别信息，所述类别信息为车牌或非车牌；车牌校正模块，用于在所述待检测图像的类别信息为车牌的情况下，对所述待检测图像进行车牌校正，得到校正后的图像；车牌识别模块，用于提取所述校正后的图像的图像特征，得到目标特征图，对所述目标特征图进行拆分，得到第一特征向量和第二特征向量；所述车牌识别模块，还用于对所述第一特征向量和第二特征向量进行不同类型的特征融合，得到第三特征向量、第四特征向量和第五特征向量；所述车牌识别模块，还用于将所述第三特征向量、所述第四特征向量和所述第五特征向量分别输入至已训练好的车牌识别模型的不同分支网
络中，得到目标车牌识别结果，其中，所述目标车牌识别结果由所述已训练好的车牌识别模型的不同分支网络输出的单层车牌识别结果、双层车牌识别结果和车牌类型识别结果确定。
[0017]在本公开的一个实施例中，上述装置还包括图像处理模块，该图像处理模块，用于识别所述待检测图像的图像尺寸；在所述待检测图像的图像尺寸不满足预设尺寸的情况下，将所述待检测图像补边成正方形，得到补边后的待检测图像；将所述补边后的待检测图像放在预设尺寸底板的中心点上进行训练，得到预设尺寸的待检测图像。
[0018]在本公开的一个实施例中，上述车牌检测模块，还用于将所述待检测图像输入至所述已训练好的车牌识别模型中，输出得到待检测图像的检测结果，其中，所述已训练好的车牌识别模型还用于输出图像的检测结果本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车牌识别方法，其特征在于，包括：获取待检测图像；对所述待检测图像进行车牌检测，得到所述待检测图像的检测结果，其中，所述检测结果包含类别信息，所述类别信息为车牌或非车牌；在所述待检测图像的类别信息为车牌的情况下，对所述待检测图像进行车牌校正，得到校正后的图像；提取所述校正后的图像的图像特征，得到目标特征图，对所述目标特征图进行拆分，得到第一特征向量和第二特征向量；对所述第一特征向量和第二特征向量进行不同类型的特征融合，得到第三特征向量、第四特征向量和第五特征向量；将所述第三特征向量、所述第四特征向量和所述第五特征向量分别输入至已训练好的车牌识别模型的不同分支网络中，得到目标车牌识别结果，其中，所述目标车牌识别结果由所述已训练好的车牌识别模型的不同分支网络输出的单层车牌识别结果、双层车牌识别结果和车牌类型识别结果确定。2.根据权利要求1所述的车牌识别方法，其特征在于，在对所述待检测图像进行车牌检测，得到所述待检测图像的检测结果之前，所述方法还包括：识别所述待检测图像的图像尺寸；在所述待检测图像的图像尺寸不满足预设尺寸的情况下，将所述待检测图像补边成正方形，得到补边后的待检测图像；将所述补边后的待检测图像放在预设尺寸底板的中心点上进行训练，得到预设尺寸的待检测图像。3.根据权利要求1所述的车牌识别方法，其特征在于，对所述待检测图像进行车牌检测，得到所述待检测图像的检测结果，包括：将所述待检测图像输入至所述已训练好的车牌识别模型中，输出得到待检测图像的检测结果，其中，所述已训练好的车牌识别模型还用于输出图像的检测结果。4.根据权利要求1所述的车牌识别方法，其特征在于，在所述待检测图像的类别信息为车牌的情况下，对所述待检测图像进行车牌校正，得到校正后的图像，包括：基于投影映射对所述待检测图像进行车牌校正，得到校正后的图像。5.根据权利要求1所述的车牌识别方法，其特征在于，提取所述校正后的图像的图像特征，得到目标特征图，对所述目标特征图进行拆分，得到第一特征向量和第二特征向量，包括：利用CNN卷积对所述校正后的图像进行图像的降采样，得到所述目标特征图。6.根据权利要求1所述的车牌识别方法，其特征在于，对所述第一特征向量和第二特征向量进行不同类型的特征融合，得到第三特征向量、第四特征向量和第五特征向量，包括：对所述第一特征向量和所述第二特征向量进行归一化处理，对归一化处理后的第一特征向量和第二特征向量进行加和merge操作，得到所述第三特征向量；对所述第一特征向量和所述第二特征向量进行卷积操作，对卷积操作后的第一特征向量和第二特征向量进行水平维度上的特征连接，得到所述第四特征向量；对所述第一特征向量和所述第二特征向量进行垂直维度...
【专利技术属性】
技术研发人员：左鑫孟，刘江，张玉亭，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。