本發(fā)明涉及交通領(lǐng)域，具體而言，涉及一種車牌號碼識別方法、裝置、存儲介質(zhì)及處理器。

背景技術(shù)：

隨著電子信息產(chǎn)業(yè)的快速發(fā)展和廣泛應(yīng)用，智慧交通已經(jīng)成為現(xiàn)代交通系統(tǒng)的標(biāo)志。其中，車牌識別是智慧交通的重要組成部分，通過對交通攝像頭、行車記錄儀等設(shè)備采集到的圖像信息或視頻信息進(jìn)行處理，可以自動、智能的識別出圖像中車輛的車牌及號碼信息。車牌識別可以有效應(yīng)用于自動交通違法行為識別、可疑車輛目標(biāo)跟蹤、車輛檢索、車輛收費(fèi)管理、智慧停車場、小區(qū)車輛管理等場景。

目前，現(xiàn)有的車牌識別技術(shù)大致分為以下兩種：基于傳統(tǒng)圖像處理的車牌識別方法和基于深度學(xué)習(xí)的車牌識別方法。

方法一、基于傳統(tǒng)圖像處理的車牌識別方法可以采用傳統(tǒng)圖像算法實現(xiàn)車牌定位、字符分割及字符識別。常用的傳統(tǒng)車牌定位算法包括基于車牌紋理特征、顏色特征、邊緣特征、遺傳算法等；常用的傳統(tǒng)字符分割算法包括基于投影的方法等；常用的傳統(tǒng)字符識別算法包括基于字符筆畫的方法等。由于車牌特征的單一性，傳統(tǒng)的基于圖像處理的車牌識別在限定條件下也能取得不錯的效果，但是其參數(shù)多，手動調(diào)節(jié)優(yōu)化十分復(fù)雜，且對圖像質(zhì)量要求很高，在不同的應(yīng)用場景下(包括極端復(fù)雜場景或特殊場景)可靠性與適用性較差，識別準(zhǔn)確度和識別效率較低。

方法二、基于深度學(xué)習(xí)的車牌識別方法可以通過構(gòu)建深層的卷積神經(jīng)網(wǎng)絡(luò)，對輸入的車牌圖像進(jìn)行特征提取和抽象分析，實現(xiàn)車牌號碼的自動檢測識別。例如，專利公開號為cn104298976a、專利名稱為《基于卷積神經(jīng)網(wǎng)絡(luò)的車牌檢測方法》的專利文獻(xiàn)中采用基于haar特征的adaboost進(jìn)行車牌區(qū)域粗檢測，并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)cnn進(jìn)行精確檢測，進(jìn)而采用傳統(tǒng)閾值分割法進(jìn)行字符分割，最終將分割后的單個字符圖像輸入到后續(xù)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行識別。但是，該種方法中的檢測及分割性能受到傳統(tǒng)方法的限制，引入了二次誤差，從而降低了檢測結(jié)果的準(zhǔn)確性。

因此，以上兩種車牌號碼識別方法存在可靠性與適用性較差、易引入二次誤差、識別準(zhǔn)確度和識別效率較低的缺陷，綜上，現(xiàn)有技術(shù)中的車牌識別方法存在識別準(zhǔn)確度和識別效率較低的技術(shù)問題。

針對上述的問題，目前尚未提出有效的解決方案。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供了一種車牌號碼識別方法、裝置、存儲介質(zhì)及處理器，以至少解決現(xiàn)有技術(shù)中車牌識別存在的識別準(zhǔn)確度和效率較低的技術(shù)問題。

根據(jù)本發(fā)明實施例的一個方面，提供了一種車牌號碼識別方法，該方法包括：獲取由攝像機(jī)采集到的歷史車輛圖像中的第一車牌區(qū)域圖像的位置信息和號碼信息；根據(jù)上述第一車牌區(qū)域圖像和上述位置信息對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至上述第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂狀態(tài)，其中，上述第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型用于對上述第一車牌區(qū)域圖像中的車牌位置進(jìn)行檢測；對預(yù)設(shè)圖像處理模型、第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型和達(dá)到上述收斂狀態(tài)的上述第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行級聯(lián)，從而得到第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型，其中，上述預(yù)設(shè)圖像處理模型用于對上述第一車牌區(qū)域圖像進(jìn)行對齊處理從而得到第二車牌區(qū)域圖像，上述第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型用于對上述第二車牌區(qū)域圖像中的車牌號碼進(jìn)行深度識別；根據(jù)上述第二車牌區(qū)域圖像和上述號碼信息對上述第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至上述第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂狀態(tài)；根據(jù)達(dá)到上述收斂狀態(tài)的上述第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型對采集到的當(dāng)前車輛圖像進(jìn)行識別，得到上述當(dāng)前車輛圖像中的上述車牌號碼的識別結(jié)果。

進(jìn)一步地，在根據(jù)上述第一車牌區(qū)域圖像和上述位置信息對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練之前，上述方法還包括：對上述第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型中的網(wǎng)絡(luò)參數(shù)進(jìn)行初始化處理。

進(jìn)一步地，上述根據(jù)上述第一車牌區(qū)域圖像和上述位置信息對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練包括：對上述第一車牌區(qū)域圖像中的上述車牌位置和上述車牌號碼分別進(jìn)行標(biāo)記，得到車牌位置標(biāo)簽和車牌號碼標(biāo)簽；根據(jù)上述車牌位置標(biāo)簽和上述車牌號碼標(biāo)簽建立車牌信息數(shù)據(jù)庫，其中，上述車牌信息數(shù)據(jù)庫中包含多個數(shù)據(jù)樣本；根據(jù)上述數(shù)據(jù)樣本訓(xùn)練上述第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型。

進(jìn)一步地，在根據(jù)上述第二車牌區(qū)域圖像和上述號碼信息對上述第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練之前，上述方法還包括：根據(jù)上述預(yù)設(shè)圖像處理模型對上述第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型輸出的上述第一車牌區(qū)域圖像進(jìn)行二維仿射變換處理，得到上述第二車牌區(qū)域圖像。

根據(jù)本發(fā)明實施例的另一方面，還提供了一種車牌號碼識別裝置，該裝置包括：獲取單元，用于獲取由攝像機(jī)采集到的歷史車輛圖像中的第一車牌區(qū)域圖像的位置信息和號碼信息；第一處理單元，用于根據(jù)上述第一車牌區(qū)域圖像和上述位置信息對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至上述第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂狀態(tài)，其中，上述第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型用于對上述第一車牌區(qū)域圖像中的車牌位置進(jìn)行檢測；第二處理單元，用于對預(yù)設(shè)圖像處理模型、第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型和達(dá)到上述收斂狀態(tài)的上述第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行級聯(lián)，從而得到第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型，其中，上述預(yù)設(shè)圖像處理模型用于對上述第一車牌區(qū)域圖像進(jìn)行對齊處理從而得到第二車牌區(qū)域圖像，上述第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型用于對上述第二車牌區(qū)域圖像中的車牌號碼進(jìn)行深度識別；第三處理單元，用于根據(jù)上述第二車牌區(qū)域圖像和上述號碼信息對上述第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至上述第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂狀態(tài)；識別單元，用于根據(jù)達(dá)到上述收斂狀態(tài)的上述第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型對采集到的當(dāng)前車輛圖像進(jìn)行識別，得到上述當(dāng)前車輛圖像中的上述車牌號碼的識別結(jié)果。

進(jìn)一步地，上述裝置還包括：第四處理單元，用于對上述第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型中的網(wǎng)絡(luò)參數(shù)進(jìn)行初始化處理。

進(jìn)一步地，上述第一處理單元包括：標(biāo)記子單元，用于對上述第一車牌區(qū)域圖像中的上述車牌位置和上述車牌號碼分別進(jìn)行標(biāo)記，得到車牌位置標(biāo)簽和車牌號碼標(biāo)簽；創(chuàng)建子單元，用于根據(jù)上述車牌位置標(biāo)簽和上述車牌號碼標(biāo)簽建立車牌信息數(shù)據(jù)庫，其中，上述車牌信息數(shù)據(jù)庫中包含多個數(shù)據(jù)樣本；第一處理子單元，用于根據(jù)上述數(shù)據(jù)樣本訓(xùn)練上述第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型。

進(jìn)一步地，上述裝置還包括：第五處理單元，用于根據(jù)上述預(yù)設(shè)圖像處理模型對上述第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型輸出的上述第一車牌區(qū)域圖像進(jìn)行二維仿射變換處理，得到上述第二車牌區(qū)域圖像。

根據(jù)本發(fā)明實施例的又一方面，還提供了一種存儲介質(zhì)，其特征在于，上述存儲介質(zhì)包括存儲的程序，其中，在上述程序運(yùn)行時控制上述存儲介質(zhì)所在設(shè)備執(zhí)行上述的車牌號碼識別方法。

根據(jù)本發(fā)明實施例的又一方面，還提供了處理器，其特征在于，上述處理器用于運(yùn)行程序，其中，上述程序運(yùn)行時執(zhí)行上述的車牌號碼識別方法。

在本發(fā)明實施例中，采用獲取由攝像機(jī)采集到的歷史車輛圖像中的第一車牌區(qū)域圖像的位置信息和號碼信息的方式，進(jìn)而根據(jù)第一車牌區(qū)域圖像和位置信息對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂狀態(tài)，進(jìn)而通過對預(yù)設(shè)圖像處理模型、第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型和達(dá)到收斂狀態(tài)的第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行級聯(lián)從而得到第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而根據(jù)第二車牌區(qū)域圖像和號碼信息對第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練直至第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂狀態(tài)，達(dá)到了根據(jù)達(dá)到收斂狀態(tài)的第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型對采集到的當(dāng)前車輛圖像進(jìn)行識別從而得到當(dāng)前車輛圖像中的車牌號碼的識別結(jié)果的目的，從而實現(xiàn)了提升車牌號碼識別的準(zhǔn)確度和識別效率、避免環(huán)境、光照、模糊等外界不利因素的干擾的技術(shù)效果，進(jìn)而解決了現(xiàn)有技術(shù)中車牌識別存在的識別準(zhǔn)確度和效率較低的技術(shù)問題。

附圖說明

此處所說明的附圖用來提供對本發(fā)明的進(jìn)一步理解，構(gòu)成本申請的一部分，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中：

圖1是根據(jù)本發(fā)明實施例的一種可選的車牌號碼識別方法的流程示意圖；

圖2是根據(jù)本發(fā)明實施例的另一種可選的車牌號碼識別方法的流程示意圖；

圖3是根據(jù)本發(fā)明實施例的又一種可選的車牌號碼識別方法的流程示意圖；

圖4是根據(jù)本發(fā)明實施例的一種可選的第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖；

圖5是根據(jù)本發(fā)明實施例的一種可選的車牌號碼識別裝置的結(jié)構(gòu)示意圖。

具體實施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分的實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都應(yīng)當(dāng)屬于本發(fā)明保護(hù)的范圍。

需要說明的是，本發(fā)明的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”等是用于區(qū)別類似的對象，而不必用于描述特定的順序或先后次序。應(yīng)該理解這樣使用的數(shù)據(jù)在適當(dāng)情況下可以互換，以便這里描述的本發(fā)明的實施例能夠以除了在這里圖示或描述的那些以外的順序?qū)嵤?。此外，術(shù)語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或?qū)τ谶@些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。

實施例1

根據(jù)本發(fā)明實施例，提供了一種車牌號碼識別方法的實施例，需要說明的是，在附圖的流程圖示出的步驟可以在諸如一組計算機(jī)可執(zhí)行指令的計算機(jī)系統(tǒng)中執(zhí)行，并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟。

圖1是根據(jù)本發(fā)明實施例的一種可選的車牌號碼識別方法的流程示意圖，如圖1所示，該方法包括如下步驟：

步驟s102，獲取由攝像機(jī)采集到的歷史車輛圖像中的第一車牌區(qū)域圖像的位置信息和號碼信息；

步驟s104，根據(jù)第一車牌區(qū)域圖像和位置信息對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂狀態(tài)，其中，第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型用于對第一車牌區(qū)域圖像中的車牌位置進(jìn)行檢測；

步驟s106，對預(yù)設(shè)圖像處理模型、第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型和達(dá)到收斂狀態(tài)的第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行級聯(lián)，從而得到第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型，其中，預(yù)設(shè)圖像處理模型用于對第一車牌區(qū)域圖像進(jìn)行對齊處理從而得到第二車牌區(qū)域圖像，第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型用于對第二車牌區(qū)域圖像中的車牌號碼進(jìn)行深度識別；

步驟s108，根據(jù)第二車牌區(qū)域圖像和號碼信息對第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂狀態(tài)；

步驟s110，根據(jù)達(dá)到收斂狀態(tài)的第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型對采集到的當(dāng)前車輛圖像進(jìn)行識別，得到當(dāng)前車輛圖像中的車牌號碼的識別結(jié)果。

在本發(fā)明實施例中，采用獲取由攝像機(jī)采集到的歷史車輛圖像中的第一車牌區(qū)域圖像的位置信息和號碼信息的方式，進(jìn)而根據(jù)第一車牌區(qū)域圖像和位置信息對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂狀態(tài)，進(jìn)而通過對預(yù)設(shè)圖像處理模型、第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型和達(dá)到收斂狀態(tài)的第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行級聯(lián)從而得到第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而根據(jù)第二車牌區(qū)域圖像和號碼信息對第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練直至第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂狀態(tài)，達(dá)到了根據(jù)達(dá)到收斂狀態(tài)的第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型對采集到的當(dāng)前車輛圖像進(jìn)行識別從而得到當(dāng)前車輛圖像中的車牌號碼的識別結(jié)果的目的，從而實現(xiàn)了提升車牌號碼識別的準(zhǔn)確度和識別效率、避免環(huán)境、光照、模糊等外界不利因素的干擾的技術(shù)效果，進(jìn)而解決了現(xiàn)有技術(shù)中車牌識別存在的識別準(zhǔn)確度和效率較低的技術(shù)問題。

可選地，基于現(xiàn)有技術(shù)的缺點(diǎn)不足，本申請?zhí)岢隽艘环N基于深度學(xué)習(xí)的端對端車牌號碼識別方法，通過構(gòu)建車牌檢測及號碼識別的卷積神經(jīng)網(wǎng)絡(luò)模型，有效避免環(huán)境、光照、模糊等帶來的干擾，保證識別的精度。同時，本申請無需進(jìn)行字符分割，且在識別結(jié)果引入了問號字符，解決了部分車牌、遮擋等條件下的號碼識別問題，在多種應(yīng)用環(huán)境中具有魯棒性。

可選地，在執(zhí)行步驟s102的過程中，可以通過攝像頭、網(wǎng)絡(luò)資源獲取包含車輛及車牌的第一車牌區(qū)域圖像，該第一車牌區(qū)域圖像又可以稱之為圖像樣本數(shù)據(jù)。進(jìn)而，對圖像樣本數(shù)據(jù)進(jìn)行二次篩選，去除圖像質(zhì)量及畫面內(nèi)容不合要求的圖像數(shù)據(jù)，可以得到m張合格的圖像樣本數(shù)據(jù)，最后，可以對篩選過的m張圖像樣本數(shù)據(jù)添加車牌位置及車牌號碼標(biāo)簽。

可選地，車牌位置標(biāo)簽包含圖像內(nèi)所有車牌的位置，每個位置是由兩個坐標(biāo)構(gòu)成的四個點(diǎn)，分別為車牌邊緣框的左上角及右下角；車牌號碼標(biāo)簽包含圖像內(nèi)所有車牌的號碼，每個號碼是由漢字、數(shù)字、字母及問號組成的7個字符，其中問號表示由于模糊、遮擋等問題無法辨認(rèn)的字符。

可選地，漢字字符可以包含31個漢字：京、滬、津、渝、冀、晉、蒙、遼、吉、黑、蘇、浙、皖、閩、贛、魯、豫、鄂、湘、粵、桂、瓊、川、貴、云、藏、陜、甘、青、寧、新；數(shù)字字符可以包含10個數(shù)字：0、1、2、3、4、5、6、7、8、9；字母字符可以包含24個英文字母：a、b、c、d、e、f、g、h、j、k、l、m、n、p、q、r、s、t、u、v、w、x、y、z。

可選地，該第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型可以預(yù)先建立。具體地，可以采用深度學(xué)習(xí)技術(shù)搭建多層卷積神經(jīng)網(wǎng)絡(luò)，包括一個輸入數(shù)據(jù)層、nc個卷積層、np個池化層、nf個全連接層。其中，每層卷積層包含若干卷積核，第i個卷積層包含ki個卷積核，卷積核的大小為ks_i*ks_i，步長為kb_i。每層池化層采用最大池化法，池化核的大小為kps_i*kps_i，步長為kpb_i。輸入層的神經(jīng)元個數(shù)為圖像3個通道的像素點(diǎn)數(shù)。

可選地，在執(zhí)行步驟s104的過程中，可以使用隨機(jī)梯度下降法進(jìn)行第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，其學(xué)習(xí)速率設(shè)置為lr，動量項設(shè)置為mo，學(xué)習(xí)速率的衰減系數(shù)設(shè)置為dc；進(jìn)而檢測模型訓(xùn)練步驟，用上述訓(xùn)練參數(shù)，采用車牌信息數(shù)據(jù)庫的圖像樣本數(shù)據(jù)及車輛位置標(biāo)簽對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至收斂。

可選地，在執(zhí)行步驟s106的過程中，可以采用深度學(xué)習(xí)技術(shù)對預(yù)設(shè)圖像處理模型、第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型和達(dá)到收斂狀態(tài)的第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行級聯(lián)，得到第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型。第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型可以包括3個子網(wǎng)絡(luò)分支。具體如下所示：

第一網(wǎng)絡(luò)分支為漢字識別子網(wǎng)絡(luò)，包含1個輸入層，nc_1個卷積層、np_1個池化層、nf_1個全連接層。其中，上述輸入層神經(jīng)元個數(shù)為對齊的車牌區(qū)域圖像的像素點(diǎn)個數(shù)。每層卷積層包含若干卷積核，第j個卷積層包含k1_j個卷積核，卷積核的大小為s1_j*s1_j，步長為b1_j。每層池化層采用最大池化法，池化核的大小為p1_j*p1_j，步長為pb1_j。上述全連接層的最后一層輸出的神經(jīng)元數(shù)量為32，對應(yīng)上述的31個漢字字符及1個問號字符。

第二子網(wǎng)絡(luò)分支為字母識別子網(wǎng)絡(luò)，包含1個輸入層，nc_2個卷積層、np_2個池化層、nf_2個全連接層。其中，上述輸入層神經(jīng)元個數(shù)為對齊的車牌區(qū)域圖像的像素點(diǎn)個數(shù)。每層卷積層包含若干卷積核，第j個卷積層包含k2_j個卷積核，卷積核的大小為s2_j*s2_j，步長為b2_j。每層池化層采用最大池化法，池化核的大小為p2_j*p2_j，步長為pb2_j。上述全連接層的最后一層輸出的神經(jīng)元數(shù)量為25，對應(yīng)上述的24個英文字母字符及1個問號字符。

第三子網(wǎng)絡(luò)分支為數(shù)字、字母識別子網(wǎng)絡(luò)，包含1個輸入層，nc_3個卷積層、np_3個池化層、nf_3個全連接層及5個子網(wǎng)絡(luò)分支。其中，上述輸入層神經(jīng)元個數(shù)為對齊的車牌區(qū)域圖像的像素點(diǎn)個數(shù)。每層卷積層包含若干卷積核，第j個卷積層包含k3_j個卷積核，卷積核的大小為s3_j*s3_j，步長為b3_j。每層池化層采用最大池化法，池化核的大小為p3_j*p3_j，步長為pb3_j。上述5個子網(wǎng)絡(luò)分支結(jié)構(gòu)相同，包括z_c個卷積層、z_c個池化層、z_c個全連接層。其中，每個子網(wǎng)絡(luò)分支的全連接層的最后一層輸出的神經(jīng)元數(shù)量為35，對應(yīng)上述的24個英文字母字符、10個數(shù)字字符、1個問號字符。

可選地，將訓(xùn)練后的第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型、預(yù)設(shè)圖像處理模型和初始化的第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型按順序進(jìn)行級聯(lián)，可以得到第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型。其中，由輸入圖像數(shù)據(jù)及第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果得到初步車牌檢測區(qū)域圖像，作為預(yù)設(shè)圖像處理模型的輸入，預(yù)設(shè)圖像處理模型輸出矯正對齊后的車牌區(qū)域圖像，作為第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)。其中，第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型又可以稱為車牌檢測卷積神經(jīng)網(wǎng)絡(luò)模型，預(yù)設(shè)圖像處理模型又可以稱為車牌對齊模型，第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型又可以稱為車牌號碼識別卷積神經(jīng)網(wǎng)絡(luò)模型。

可選地，在執(zhí)行步驟s108的過程中，可以使用隨機(jī)梯度下降法對第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其中，第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)保持凍結(jié)，只訓(xùn)練第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，其學(xué)習(xí)速率設(shè)置為lr，動量項設(shè)置為mo，學(xué)習(xí)速率的衰減系數(shù)設(shè)置為dc。進(jìn)而，用上述的訓(xùn)練參數(shù)，采用車牌信息數(shù)據(jù)庫的圖像樣本數(shù)據(jù)及車輛號碼標(biāo)簽對第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其中在反向傳播時，僅更新第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型中第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，直至收斂。

可選地，在執(zhí)行步驟s108的過程中，可以將新的車輛圖像數(shù)據(jù)輸入至第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型，新圖像格式可以是jpeg，rmp等，進(jìn)而，可以得到車牌號碼的識別結(jié)果。

可選地，在執(zhí)行步驟s104之前，即在根據(jù)第一車牌區(qū)域圖像和位置信息對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練之前，該方法還可以包括：對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型中的網(wǎng)絡(luò)參數(shù)進(jìn)行初始化處理。

可選地，圖2是根據(jù)本發(fā)明實施例的另一種可選的車牌號碼識別方法的流程示意圖，如圖2所示，步驟s104，根據(jù)第一車牌區(qū)域圖像和位置信息對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練包括：

步驟s202，對第一車牌區(qū)域圖像中的車牌位置和車牌號碼分別進(jìn)行標(biāo)記，得到車牌位置標(biāo)簽和車牌號碼標(biāo)簽；

步驟s204，根據(jù)車牌位置標(biāo)簽和車牌號碼標(biāo)簽建立車牌信息數(shù)據(jù)庫，其中，車牌信息數(shù)據(jù)庫中包含多個數(shù)據(jù)樣本；

步驟s206，根據(jù)數(shù)據(jù)樣本訓(xùn)練第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型。

可選地，可以對第一車牌區(qū)域圖像進(jìn)行二次篩選，去除圖像質(zhì)量及畫面內(nèi)容不合要求的圖像數(shù)據(jù)，從而得到m張合格的第一車牌區(qū)域圖像，進(jìn)而，可以對篩選過的m張第一車牌區(qū)域圖像添加車牌位置及車牌號碼標(biāo)簽，最終根據(jù)全部車牌位置標(biāo)簽和車牌號碼標(biāo)簽建立車牌信息數(shù)據(jù)庫，車牌信息數(shù)據(jù)庫可以向上述各個模型的訓(xùn)練提供數(shù)據(jù)支撐。

可選地，在執(zhí)行步驟s108之前，即在根據(jù)第二車牌區(qū)域圖像和號碼信息對第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練之前，該方法還可以包括：根據(jù)預(yù)設(shè)圖像處理模型對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型輸出的第一車牌區(qū)域圖像進(jìn)行二維仿射變換處理，得到第二車牌區(qū)域圖像。

可選地，將第一車牌區(qū)域圖像輸入至第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型得到車牌位置檢測結(jié)果，對車牌檢測位置框進(jìn)行非最大化抑制，可以得到初步處理的第一車牌區(qū)域圖像，進(jìn)而，對上述初步處理的第一車牌區(qū)域圖像進(jìn)行二維仿射變換，可以得到第二車牌區(qū)域圖像。

可選地，圖3是根據(jù)本發(fā)明實施例的又一種可選的車牌號碼識別方法的流程示意圖，如圖3所示，該方法可以包括：

步驟s302：采集包含車輛及車牌的圖像樣本數(shù)據(jù)，對圖像進(jìn)行車牌位置、車牌號碼標(biāo)簽標(biāo)記，得到車牌信息數(shù)據(jù)庫；

步驟s303：構(gòu)建車牌檢測卷積神經(jīng)網(wǎng)絡(luò)模型d_cnn(即上述第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型)，并進(jìn)行網(wǎng)絡(luò)參數(shù)的初始化；

步驟s306：采用車牌信息數(shù)據(jù)庫中的圖像樣本及車牌位置標(biāo)簽，訓(xùn)練車牌檢測卷積神經(jīng)網(wǎng)絡(luò)模型d_cnn，直至收斂；

步驟s308：搭建車牌對齊模型(即上述預(yù)設(shè)圖像處理模型)，對車牌檢測卷積神經(jīng)網(wǎng)絡(luò)模型得到的車牌區(qū)域進(jìn)行二維仿射變換，得到對齊后的車牌區(qū)域；

步驟s310：構(gòu)建車牌號碼識別卷積神經(jīng)網(wǎng)絡(luò)模型r_cnn(即上述第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型)，并進(jìn)行網(wǎng)絡(luò)參數(shù)的初始化；

步驟s312：將訓(xùn)練好的車牌檢測卷積神經(jīng)網(wǎng)絡(luò)模型d_cnn、車牌對齊模型、初始化的車牌號碼識別卷積神經(jīng)網(wǎng)絡(luò)模型r_cnn進(jìn)行級聯(lián)，得到車牌識別總體深層網(wǎng)絡(luò)模型t_cnn(即上述第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型)；

步驟s313：采用車牌信息數(shù)據(jù)庫中的圖像樣本及車牌號碼標(biāo)簽，訓(xùn)練車牌識別總體深層網(wǎng)絡(luò)模型t_cnn，直至收斂；

步驟s316：輸入新的圖像數(shù)據(jù)至訓(xùn)練好的車牌識別總體深層網(wǎng)絡(luò)模型t_cnn，得到車牌號碼的識別結(jié)果。

可選地，執(zhí)行步驟s302的過程可以包括：

步驟s11，利用攝像頭、網(wǎng)絡(luò)資源獲取包含車輛及車牌的圖像樣本數(shù)據(jù)；

步驟s12，對所述的圖像樣本數(shù)據(jù)進(jìn)行二次篩選，去除圖像質(zhì)量及畫面內(nèi)容不合要求的圖像數(shù)據(jù)，得到m張合格的圖像樣本數(shù)據(jù)。所述m≥5000。優(yōu)選地，m≥20000；

步驟s13，對所述篩選過的m張圖像樣本數(shù)據(jù)添加車牌位置及車牌號碼標(biāo)簽，其中每張圖像包含至少一個車牌。

可選地，所述車牌位置標(biāo)簽包含圖像內(nèi)所有車牌的位置，每個位置是由兩個坐標(biāo)構(gòu)成的四個點(diǎn)，分別為車牌邊緣框的左上角及右下角；所述車牌號碼標(biāo)簽包含圖像內(nèi)所有車牌的號碼，每個號碼是由漢字、數(shù)字、字母及問號組成的7個字符，其中問號表示由于模糊、遮擋等問題無法辨認(rèn)的字符。

可選地，所述漢字字符包含31個漢字：京、滬、津、渝、冀、晉、蒙、遼、吉、黑、蘇、浙、皖、閩、贛、魯、豫、鄂、湘、粵、桂、瓊、川、貴、云、藏、陜、甘、青、寧、新；所述數(shù)字字符包含10個數(shù)字：0、1、2、3、4、5、6、7、8、9；所述字母字符包含24個英文字母：a、b、c、d、e、f、g、h、j、k、l、m、n、p、q、r、s、t、u、v、w、x、y、z。

可選地，執(zhí)行步驟s304的過程可以包括：

步驟s21，采用深度學(xué)習(xí)技術(shù)搭建多層卷積神經(jīng)網(wǎng)絡(luò)，包括一個輸入數(shù)據(jù)層、nc個卷積層、np個池化層、nf個全連接層。其中，每層卷積層包含若干卷積核，第i個卷積層包含ki個卷積核，卷積核的大小為ks_i*ks_i，步長為kb_i。每層池化層采用最大池化法，池化核的大小為kps_i*kps_i，步長為kpb_i。所述輸入層的神經(jīng)元個數(shù)為圖像3個通道的像素點(diǎn)數(shù)。其中，所述nc∈[5,20],np∈[2,20],nf∈[1,5]，ki∈[16,512]，ks_i∈[1,9]且為奇數(shù)，kb_i∈[1,5]且kb_i≦ks_i，kps_i∈[1,5]，kpb_i∈[1,5]且kpb_i≦kps_i。

步驟s22，對網(wǎng)絡(luò)參數(shù)進(jìn)行隨機(jī)初始化。

圖4是根據(jù)本發(fā)明實施例的一種可選的第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖，如圖4所示，該第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型d_cnn包括：

輸入數(shù)據(jù)層，輸入rgb三通道彩色圖像，圖像尺寸為width*height；

第一卷積層c1，包含16個卷積核，卷積核的大小為3*3，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第一池化層p1，采用最大池化法，池化核的大小為2*2，步長為2；

第二卷積層c2，包含32個卷積核，卷積核的大小為3*3，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第二池化層p2，采用最大池化法，池化核的大小為2*2，步長為2；

第三卷積層c3，包含64個卷積核，卷積核的大小為3*3，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；；

第三池化層p3，采用最大池化法，池化核的大小為2*2，步長為2；

第四卷積層c4，包含128個卷積核，卷積核的大小為3*3，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第四池化層p4，采用最大池化法，池化核的大小為2*2，步長為2；

第五卷積層c5，包含256個卷積核，卷積核的大小為3*3，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第五池化層p5，采用最大池化法，池化核的大小為2*2，步長為2；

第六卷積層c6，包含512個卷積核，卷積核的大小為3*3，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第七卷積層c7，包含256個卷積核，卷積核的大小為3*3，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

全連接層fc，包含490個神經(jīng)元。

其中，width和height分別為輸入圖像的寬度和高度，width∈[50,1680]，height∈[50,1050]，優(yōu)選地，width設(shè)為448，height設(shè)為448。

可選地，執(zhí)行步驟s306的過程可以包括：

步驟s31，使用隨機(jī)梯度下降法進(jìn)行車牌檢測卷積神經(jīng)網(wǎng)絡(luò)模型d_cnn訓(xùn)練，其學(xué)習(xí)速率設(shè)置為lr，動量項設(shè)置為mo，學(xué)習(xí)速率的衰減系數(shù)設(shè)置為dc。其中，lr設(shè)為0.01，mo設(shè)為0.9，dc設(shè)為10；

步驟s32，用所述的訓(xùn)練參數(shù)，采用車牌信息數(shù)據(jù)庫的圖像樣本數(shù)據(jù)及車輛位置標(biāo)簽對車牌檢測卷積神經(jīng)網(wǎng)絡(luò)模型d_cnn進(jìn)行訓(xùn)練，直至收斂。

可選地，執(zhí)行步驟s308的過程可以包括：

步驟s41，將車牌信息數(shù)據(jù)庫中的圖像樣本數(shù)據(jù)輸入至車牌檢測卷積神經(jīng)網(wǎng)絡(luò)模型d_cnn得到車牌位置檢測結(jié)果，對車牌檢測位置框進(jìn)行非最大化抑制，結(jié)合輸入圖像樣本數(shù)據(jù)得到初步的車牌區(qū)域圖像；

步驟s42，對上述初步的車牌區(qū)域圖像進(jìn)行二維仿射變換，得到對齊后的車牌區(qū)域圖像。

可選地，執(zhí)行步驟s310的過程可以包括：

步驟s51，采用深度學(xué)習(xí)技術(shù)搭建多層卷積神經(jīng)網(wǎng)絡(luò)，包括3個子網(wǎng)絡(luò)分支；

步驟s52，對網(wǎng)絡(luò)參數(shù)進(jìn)行隨機(jī)初始化。

可選地，第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型r_cnn可以包括3個子網(wǎng)絡(luò)分支。其中，第一子網(wǎng)絡(luò)分支包括：

第一卷積層ac1，包含16個卷積核，卷積核的大小為5*5，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第一池化層ap1，采用最大池化法，池化核的大小為2*2，步長為1；

第二卷積層ac2，包含32個卷積核，卷積核的大小為5*5，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第二池化層ap2，采用最大池化法，池化核的大小為2*2，步長為1；

第三卷積層ac3，包含64個卷積核，卷積核的大小為5*5，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第三池化層ap3，采用最大池化法，池化核的大小為2*2，步長為1；

第四卷積層ac4，包含128個卷積核，卷積核的大小為3*3，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第四池化層ap4，采用最大池化法，池化核的大小為2*2，步長為1；

第五卷積層ac5，包含128個卷積核，卷積核的大小為3*3，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第一全連接層af1，包含512個神經(jīng)元；

第二全連接層af2，包含32個神經(jīng)元，采用softmax函數(shù)，對應(yīng)所述的31個漢字字符及1個問號字符。

可選地，第二子網(wǎng)絡(luò)分支為字母識別子網(wǎng)絡(luò)，包含1個輸入層，nc_2個卷積層、np_2個池化層、nf_2個全連接層。如圖3所示，所述第二子網(wǎng)絡(luò)分支包括：

第一卷積層bc1，包含16個卷積核，卷積核的大小為5*5，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第一池化層bp1，采用最大池化法，池化核的大小為2*2，步長為1；

第二卷積層bc2，包含32個卷積核，卷積核的大小為5*5，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第二池化層bp2，采用最大池化法，池化核的大小為2*2，步長為1；

第三卷積層bc3，包含64個卷積核，卷積核的大小為5*5，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第一全連接層bf1，包含256個神經(jīng)元；

第二全連接層bf2，包含25個神經(jīng)元，采用softmax函數(shù)，對應(yīng)所述的24個英文字母字符及1個問號字符。

可選地，第三子網(wǎng)絡(luò)分支為數(shù)字、字母識別子網(wǎng)絡(luò)，包含1個輸入層，nc_3個卷積層、np_3個池化層、nf_3個全連接層及5個子網(wǎng)絡(luò)分支。如圖3所示，所述第三子網(wǎng)絡(luò)分支包括：

第一卷積層cc1，包含16個卷積核，卷積核的大小為5*5，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第一池化層cp1，采用最大池化法，池化核的大小為2*2，步長為1；

第二卷積層cc2，包含32個卷積核，卷積核的大小為5*5，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第一全連接層cf1，包含256個神經(jīng)元，其結(jié)果輸出至5個子網(wǎng)絡(luò)分支，每個子網(wǎng)絡(luò)分支結(jié)構(gòu)相同，包括：

第一卷積層zc1，包含32個卷積核，卷積核的大小為3*3，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第一池化層zp1，采用最大池化法，池化核的大小為2*2，步長為1；

第二卷積層zc2，包含32個卷積核，卷積核的大小為3*3，步長為1，零填充參數(shù)設(shè)為1，采用relu激活函數(shù)；

第二池化層zp2，采用最大池化法，池化核的大小為2*2，步長為1；

第一全連接層zf1，包含256個神經(jīng)元；

第二全連接層zf2，包含35個神經(jīng)元，采用softmax函數(shù)，對應(yīng)所述的24個英文字母字符、10個數(shù)字字符、1個問號字符。

可選地，在執(zhí)行步驟s312的過程中，可以將所述預(yù)訓(xùn)練的車牌檢測卷積神經(jīng)網(wǎng)絡(luò)模型d_cnn、車牌對齊模型、初始化的車牌號碼識別卷積神經(jīng)網(wǎng)絡(luò)模型r_cnn按順序進(jìn)行級聯(lián)，得到車牌識別總體深層網(wǎng)絡(luò)模型t_cnn。其中，由輸入圖像數(shù)據(jù)及車牌檢測卷積神經(jīng)網(wǎng)絡(luò)模型d_cnn的輸出結(jié)果得到初步車牌檢測區(qū)域圖像，作為車牌對齊模型的輸入，車牌對齊模型輸出矯正對齊后的車牌區(qū)域圖像，作為車牌號碼識別深層網(wǎng)絡(luò)模型r_cnn的輸入數(shù)據(jù)。

可選地，在執(zhí)行步驟s314的過程中，可以使用隨機(jī)梯度下降法對車牌識別總體深層網(wǎng)絡(luò)模型(即上述第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型)進(jìn)行訓(xùn)練，其中，車牌檢測卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)保持凍結(jié)，只訓(xùn)練車牌識別卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，其學(xué)習(xí)速率設(shè)置為lr，動量項設(shè)置為mo，學(xué)習(xí)速率的衰減系數(shù)設(shè)置為dc。其中，lr設(shè)為0.02，mo設(shè)為0.9，dc設(shè)為10。進(jìn)而，可以采用車牌信息數(shù)據(jù)庫的圖像樣本數(shù)據(jù)及車輛號碼標(biāo)簽對車牌識別總體深層網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其中在反向傳播時，僅更新車牌識別總體深層網(wǎng)絡(luò)模型中車牌識別卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，直至收斂。

可選地，在執(zhí)行步驟s316的過程中，可以將新的車輛圖像數(shù)據(jù)輸入至車牌識別總體深層網(wǎng)絡(luò)模型，新圖像格式可以是jpeg，rmp等。進(jìn)而，將車牌檢測卷積神經(jīng)網(wǎng)絡(luò)模型及車牌識別卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)果進(jìn)行整合，可以得到車牌號碼識別的總結(jié)果。

在本發(fā)明實施例中，采用獲取由攝像機(jī)采集到的歷史車輛圖像中的第一車牌區(qū)域圖像的位置信息和號碼信息的方式，進(jìn)而根據(jù)第一車牌區(qū)域圖像和位置信息對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂狀態(tài)，進(jìn)而通過對預(yù)設(shè)圖像處理模型、第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型和達(dá)到收斂狀態(tài)的第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行級聯(lián)從而得到第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而根據(jù)第二車牌區(qū)域圖像和號碼信息對第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練直至第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂狀態(tài)，達(dá)到了根據(jù)達(dá)到收斂狀態(tài)的第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型對采集到的當(dāng)前車輛圖像進(jìn)行識別從而得到當(dāng)前車輛圖像中的車牌號碼的識別結(jié)果的目的，從而實現(xiàn)了提升車牌號碼識別的準(zhǔn)確度和識別效率、避免環(huán)境、光照、模糊等外界不利因素的干擾的技術(shù)效果，進(jìn)而解決了現(xiàn)有技術(shù)中車牌識別存在的識別準(zhǔn)確度和效率較低的技術(shù)問題。

實施例2

根據(jù)本發(fā)明實施例的另一個方面，還提供了一種車牌號碼識別裝置，如圖5所示，該裝置包括：獲取單元501、第一處理單元503、第二處理單元505、第三處理單元507、識別單元509。

其中，獲取單元501，用于獲取由攝像機(jī)采集到的歷史車輛圖像中的第一車牌區(qū)域圖像的位置信息和號碼信息；第一處理單元503，用于根據(jù)第一車牌區(qū)域圖像和位置信息對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂狀態(tài)，其中，第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型用于對第一車牌區(qū)域圖像中的車牌位置進(jìn)行檢測；第二處理單元505，用于對預(yù)設(shè)圖像處理模型、第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型和達(dá)到收斂狀態(tài)的第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行級聯(lián)，從而得到第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型，其中，預(yù)設(shè)圖像處理模型用于對第一車牌區(qū)域圖像進(jìn)行對齊處理從而得到第二車牌區(qū)域圖像，第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型用于對第二車牌區(qū)域圖像中的車牌號碼進(jìn)行深度識別；第三處理單元507，用于根據(jù)第二車牌區(qū)域圖像和號碼信息對第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂狀態(tài)；識別單元509，用于根據(jù)達(dá)到收斂狀態(tài)的第三預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型對采集到的當(dāng)前車輛圖像進(jìn)行識別，得到當(dāng)前車輛圖像中的車牌號碼的識別結(jié)果。

可選地，該裝置還可以包括：第四處理單元，用于對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型中的網(wǎng)絡(luò)參數(shù)進(jìn)行初始化處理。

可選地，該第一處理單元503可以包括：標(biāo)記子單元，用于對第一車牌區(qū)域圖像中的車牌位置和車牌號碼分別進(jìn)行標(biāo)記，得到車牌位置標(biāo)簽和車牌號碼標(biāo)簽；創(chuàng)建子單元，用于根據(jù)車牌位置標(biāo)簽和車牌號碼標(biāo)簽建立車牌信息數(shù)據(jù)庫，其中，車牌信息數(shù)據(jù)庫中包含多個數(shù)據(jù)樣本；第一處理子單元，用于根據(jù)數(shù)據(jù)樣本訓(xùn)練第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型。

可選地，該裝置還可以包括：第五處理單元，用于根據(jù)預(yù)設(shè)圖像處理模型對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型輸出的第一車牌區(qū)域圖像進(jìn)行二維仿射變換處理，得到第二車牌區(qū)域圖像。

根據(jù)本發(fā)明實施例的又一個方面，還提供了一種存儲介質(zhì)，存儲介質(zhì)包括存儲的程序，其中，在程序運(yùn)行時控制存儲介質(zhì)所在設(shè)備執(zhí)行上述的車牌號碼識別方法。

根據(jù)本發(fā)明實施例的又一個方面，還提供了一種處理器，其特征在于，處理器用于運(yùn)行程序，其中，程序運(yùn)行時執(zhí)行上述的車牌號碼識別方法。

在本發(fā)明實施例中，采用獲取采集到的歷史車輛圖像中的車牌區(qū)域圖像的位置信息和號碼信息的方式，從而根據(jù)車牌區(qū)域圖像和位置信息對第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練直至第一預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型收斂，進(jìn)而根據(jù)車牌區(qū)域圖像和號碼信息對第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練直至第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型收斂，達(dá)到了根據(jù)第二預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型對采集到的當(dāng)前車輛圖像進(jìn)行識別得到當(dāng)前車輛圖像中的車牌號碼的識別結(jié)果的目的，從而實現(xiàn)了提升車牌號碼識別的準(zhǔn)確度和識別效率、避免環(huán)境、光照、模糊等外界不利因素的干擾的技術(shù)效果，進(jìn)而解決了現(xiàn)有技術(shù)中車牌識別存在的識別準(zhǔn)確度和效率較低的技術(shù)問題。

上述本發(fā)明實施例序號僅僅為了描述，不代表實施例的優(yōu)劣。

在本發(fā)明的上述實施例中，對各個實施例的描述都各有側(cè)重，某個實施例中沒有詳述的部分，可以參見其他實施例的相關(guān)描述。

在本申請所提供的幾個實施例中，應(yīng)該理解到，所揭露的技術(shù)內(nèi)容，可通過其它的方式實現(xiàn)。其中，以上所描述的裝置實施例僅僅是示意性的，例如所述單元的劃分，可以為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，單元或模塊的間接耦合或通信連接，可以是電性或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個單元上。可以根據(jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨(dú)物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能單元的形式實現(xiàn)。

所述集成的單元如果以軟件功能單元的形式實現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時，可以存儲在一個計算機(jī)可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機(jī)軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機(jī)設(shè)備(可為個人計算機(jī)、服務(wù)器或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：u盤、只讀存儲器(rom，read-onlymemory)、隨機(jī)存取存儲器(ram，randomaccessmemory)、移動硬盤、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。