[發明專利]車牌識別方法、裝置、設備及存儲介質

有效

• 申請號: 201910324980.3
• 申請日: 2019-04-22
• 公開（公告）號: CN110070082B
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 鄒文藝;晉兆龍;肖瀟
• 申請（專利權）人: 蘇州科達科技股份有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V20/62;G06K9/62
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 馬永芬

1.一種車牌識別方法，其特征在于，所述方法包括：

獲取目標圖像；

調用車牌識別模型對所述目標圖像進行處理，得到所述目標圖像中的車牌信息，所述車牌識別模型是用于識別圖像中的車牌信息的機器學習模型，所述車牌信息包括車牌顏色、車牌層數以及車牌字符；

輸出所述目標圖像的車牌信息；

所述車牌識別模型包括n個級聯的神經網絡層，以及全連接層，n為正整數，n≥2；

所述調用車牌識別模型對所述目標圖像進行處理，得到所述目標圖像中的車牌信息，包括：

通過所述n個神經網絡層的第一神經網絡層對所述目標圖像進行處理，得到第一特征向量，將所述第一特征向量傳輸至所述全連接層；

通過所述n個神經網絡層中的第i神經網絡層對所述第i-1特征向量進行處理，得到第i特征向量，將所述第i特征向量傳輸至所述全連接層，i為正整數，2≤i≤n；

通過所述全連接層對n個特征向量進行識別，得到所述車牌信息；

其中，所述車牌識別模型可識別的車牌顏色包括至少兩種預設顏色；

所述通過所述全連接層對n個特征向量進行識別，得到所述車牌信息，包括：

通過所述全連接層識別所述n個特征向量，確定所述目標圖像中包含每種所述預設顏色的概率；

將概率最高的預設顏色確定為所述車牌顏色；和/或

所述車牌識別模型可識別的車牌層數包括至少兩種預設層數；

所述通過所述全連接層對n個特征向量進行識別，得到所述車牌信息，包括：

通過所述全連接層識別所述n個特征向量，確定所述目標圖像中包含每種所述預設層數的概率；

將概率最高的預設層數確定為所述車牌層數。

2.根據權利要求1所述的方法，其特征在于，所述通過所述全連接層對n個特征向量進行識別，得到所述車牌信息，包括：

通過所述全連接層識別所述n個特征向量，確定所述目標圖像中包含的所述車牌字符。

3.根據權利要求1至2任一所述的方法，其特征在于，所述獲取目標圖像之前，還包括：

獲取至少一組樣本數據組，所述樣本數據組包括樣本圖像以及所述樣本圖像的標定結果，所述標定結果包括車牌顏色標定結果、車牌層數標定結果以及車牌字符標定結果中的至少兩種；

將所述樣本圖像輸入原始車牌識別模型，得到訓練結果；

對于每組樣本數據組，將所述訓練結果與所述標定結果進行比較，得到計算損失，所述計算損失用于指示所述訓練結果與所述標定結果之間的誤差；

根據所述至少一組樣本數據組各自對應的計算損失，采用誤差反向傳播算法訓練得到所述車牌識別模型。

4.根據權利要求3所述的方法，其特征在于，所述標定結果包括所述車牌顏色標定結果、所述車牌層數標定結果以及所述車牌字符標定結果；

所述訓練結果包括車牌顏色訓練結果、車牌層數訓練結果以及車牌字符訓練結果；

所述將所述訓練結果與所述標定結果進行比較，得到計算損失，包括：

根據所述車牌顏色訓練結果與所述車牌顏色標定結果，通過第一回歸算法計算得到車牌顏色計算損失；

根據所述車牌層數訓練結果與所述車牌層數標定結果，通過第二回歸算法計算得到車牌層數計算損失；

根據所述車牌字符訓練結果與所述車牌字符標定結果，通過第三回歸算法計算得到車牌字符計算損失；

根據所述車牌顏色計算損失、車牌層數計算損失以及車牌字符計算損失，所述車牌顏色計算損失對應的第一權重值、車牌層數計算損失對應的第二權重值以及所述車牌字符計算損失對應的第三權重值，計算得到所述計算損失。