【技术实现步骤摘要】
车牌识别方法、装置、计算机设备和存储介质
[0001]本申请涉及人工智能及图像识别
,特别是涉及一种车牌识别方法、装置、计算机设备和存储介质。
技术介绍
[0002]随着图像识别技术的发展,车牌智能识别在实际业务场景的应用也越来越广泛,如车牌智能识别在门禁系统的应用,大大提高了门禁处理效率。
[0003]为提高车牌识别精度,通常使用神经网络车牌识别模型,在实际业务场景中利用训练好的车牌识别模型进行识别。常用的神经网络结构如transformer。通常认为,模型结构越深,特征提取信息量越丰富,识别的准确率也越高。因此,在实际应用中通常训练较多层次的网络结构进行车牌识别。然而,相应的,模型层次越深,处理效率也越低,这就导致现有的车牌识别模型的识别效率低。
技术实现思路
[0004]基于此,有必要针对上述技术问题,提供一种能够提高识别效率的车牌识别方法、装置、计算机设备和存储介质。
[0005]一种车牌识别方法,所述方法包括:
[0006]获取车牌图像;
[0007]将所述车牌图像输入预先训练好的车牌识别模型,所述车牌识别模型包括主干网络,所述主干网络包括多个特征提取层和一个深层分类器,多个特征提取层依次连接,所述深层分类器连接在最后一个特征提取层之后;所述车牌识别模型还包括与所述主干网络非最后一层特征提取层连接的阶段分类器;
[0008]按所述车牌识别模型的特征提取层的深度由浅至深的顺序,所述特征提取层以及对应的分类器分别进行特征提取和预测处理,由特征提取层提 ...
【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,所述方法包括:获取车牌图像;将所述车牌图像输入预先训练好的车牌识别模型,所述车牌识别模型包括主干网络,所述主干网络包括多个特征提取层和一个深层分类器,多个特征提取层依次连接,所述深层分类器连接在最后一个特征提取层之后;所述车牌识别模型还包括与所述主干网络非最后一层特征提取层连接的阶段分类器;按所述车牌识别模型的特征提取层的深度由浅至深的顺序,所述特征提取层以及对应的分类器分别进行特征提取和预测处理,由特征提取层提取所述车牌图像的车牌特征,与所述特征提取层对应的分类器根据所述车牌特征得到预测结果;在所述阶段分类器的预测结果符合要求时,将所述阶段分类器的预测结果作为车牌识别结果,在所述阶段分类器的预测结果不符合要求时,将该深度的阶段特征提取层的车牌特征输入下一深度的特征提取层进行处理,继续由下一深度的特征提取层以及对应的分类器分别进行特征提取和预测处理,直至在其中一个阶段分类器得到车牌识别结果,或在深层分类器得到预测结果时,将深层分类器的预测结果作为车牌识别结果。2.根据权利要求1所述的方法,其特征在于,所述阶段特征提取层包括浅层特征提取层和中层特征提取层,所述阶段分类器包括与所述浅层特征提取层连接的浅层分类器,以及与所述中层特征提取层连接的中层分类器;在所述阶段分类器的预测结果符合要求时,将所述阶段分类器的预测结果作为车牌识别结果,在所述阶段分类器的预测结果不符合要求时,将该深度的阶段特征提取层的车牌特征输入下一深度的特征提取层进行处理,继续由下一深度的特征提取层以及对应的分类器分别进行特征提取和预测处理,直至在其中一个阶段分类器得到车牌识别结果,或在深层分类器得到预测结果时,将深层分类器的预测结果作为车牌识别结果,包括:若所述浅层分类器的浅层预测结果的置信度大于阈值,则将所述浅层预测结果作为车牌识别结果;若所述浅层分类器的浅层预测结果的置信度不大于阈值,则将所述浅层特征提取层提取的浅层特征输入中层特征提取层,由所述中层特征提取层提取中层车牌特征,所述中层分类器根据所述中层车牌特征得到中层预测结果;若所述中层预测结果的置信度大于阈值,则将所述中层预测结果作为车牌识别结果;若所述中层预测结果的置信度不大于阈值,则将所述中层特征提取层提取的中层车牌特征输入深层特征提取层,由所述深层特征提取层提取深层车牌特征,所述深层分类器根据所述深层车牌特征得到车牌识别结果,所述深层特征提取层为最后一层特征提取层。3.根据权利要求2所述的方法,其特征在于,所述浅层分类器与浅层提取特征层之间连接浅层过渡器,所述中层分类器与中层特征提取层之间连接中层过渡器;所述浅层过渡器包括一层全连接层和一层激活函数,所述中层过渡器包括一层全连接层和一层激活函数;所述浅层分类器的结构、所述中层分类器的结构以及所述深层分类器的结构相同。...
【专利技术属性】
技术研发人员:张梦丹,
申请(专利权)人:腾讯科技深圳有限公司,
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。