CN109670458A - 一种车牌识别方法及装置 - Google Patents

Abstract

本公开是关于一种车牌识别的方法及装置。所述方法包括：对待处理图像进行车辆检测，检测出所述待处理图像中的车辆图像；对所述车辆图像进行车牌检测，检测出所述车辆图像中的车牌图像；对所述车牌图像进行文字识别，识别出所述车牌图像中的车牌号。利用本公开提供的实施例方法，可以大大提升车牌识别的准确率和效率。

Description

一种车牌识别方法及装置

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种车牌识别方法及装置。

背景技术

车牌识别技术在智慧城市、安全防御等领域具有重要的作用，同时也是计算机视觉领 域的重要课题。车牌识别是具有挑战性的技术，具有车牌在图像中占据较小的面积、车牌 有一定的角度倾斜、车牌格式不统一(有单行、双行)、易受光照雨雾的影响等等多种技 术难点。

相关技术中，往往是直接图像中识别出车牌，具体的识别方式例如可以包括深度学习 等。但是，车牌在图像中的变换尺度较大，较小的车牌在图像中的边长可能仅有30个像 素，这给车牌检测造成较大的困难，导致有些时候难以定位图像中较小的车牌。或者只能 检测出具有较大分辨率的图像中的小车牌，但是，对于较大分辨率图像的处理不仅消耗较 多的计算资源，还降低了车牌识别速度。

因此，相关技术中亟需一种能够快速、准确地识别出定位图像中车牌的方法。

发明内容

为克服相关技术中存在的问题，本公开提供一种车牌识别方法及装置。

根据本公开实施例的第一方面，提供一种车牌识别方法，包括：

对待处理图像进行车辆检测，检测出所述待处理图像中的车辆图像；

对所述车辆图像进行车牌检测，检测出所述车辆图像中的车牌图像；

对所述车牌图像进行文字识别，识别出所述车牌图像中的车牌号。

本公开的实施例提供的技术方案可以包括以下有益效果：本公开各个实施例提供的车 牌识别方法及装置，可以首先检测出待处理图像中的车辆图像，再从所述车辆图像识别出 车牌图像，最后识别出所述车牌图像中的车牌号。由于车辆在待处理图像中的目标性强于 车牌在待处理图像中的目标性，因此，车辆检测后再车牌检测比直接车牌检测要容易且准 确许多，并且，车牌在车辆中的位置相对固定，因此，从车辆图像中检测出车牌的方式也 降低了构建网络的复杂度。

可选的，在本公开的一个实施例中，所述对所述车牌图像进行文字识别，识别出所述 车牌图像中的车牌号，包括：

对所述车牌图像进行文字检测，检测出所述车牌图像中的至少一个文本框；

分别对所述至少一个文本框进行文字识别，识别出所述至少一个文本框中的文字；

将识别出的所述至少一个文本框中的文字组合生成车牌号。

本公开的实施例提供的技术方案可以包括以下有益效果：在识别车牌号的过程中，可 以先进行文字检测，再进行文字识别。这样，对于一些特殊的应用场景，如双行车牌号等 场景，可以首先检测出文字的位置，再识别文字的内容，可以大大提升车牌识别的准确率 和效率。

可选的，在本公开的一个实施例中，所述对所述车辆图像进行车牌检测，检测出所述 车辆图像中的车牌图像，包括：

提取所述车辆图像的图像特征，所述图像特征包括下述特征中的至少一种：物体纹理 特征、边缘特征、细节特征；

根据所述车辆图像的图像特征，确定所述车辆图像中像素的类别信息，所述类别信息 包括确定像素是否属于车牌类别；

基于所述车辆图像中像素的类别信息获得所述车辆图像中的车牌图像。

本公开的实施例提供的技术方案可以包括以下有益效果：所述图像特征能够更好地对 所述车辆图像中较小车辆的检测和识别。

可选的，在本公开的一个实施例中，所述基于所述车辆图像中像素的类别信息获得所 述车辆图像中的车牌图像，包括：

根据所述车辆图像中像素间的位置关系，将所述车辆图像分割成多个单元矩形框；

确定所述多个单元矩形框中的多个目标单元矩形框，所述目标单元矩形框中所包含像 素的类别信息均为车牌类别；

将所述多个目标单元矩形框的最小外接矩形框所在的区域作为所述车辆图像中的车 牌图像区域。

本公开的实施例提供的技术方案可以包括以下有益效果：通过将车辆图像分割成多个 矩形框，可以快速准确地确定出车牌区域。

可选的，在本公开的一个实施例中，，在所述对所述车牌图像进行文字识别，识别出 所述车牌图像中的车牌号之前，还包括：

确定所述车牌图像的边框以及边框信息，所述边框信息包括所述车牌图像中像素点分 别到所述边框四个边的距离以及所述边框相对参考坐标轴的旋转角度；

根据所述边框信息将所述车牌图像转换成具有正置车牌图像，所述正置车牌图像相对 于所述参考坐标轴正向放置；将所述正置车牌图像作为文字识别的车牌图像。

本公开的实施例提供的技术方案可以包括以下有益效果：将车牌图像正置之后，可以 提高后续文字识别的识别效率。

可选的，在本公开的一个实施例中，所述对所述车牌图像进行文字检测，检测出所述 车牌图像中的至少一个文本框，包括：

提取所述车牌图像的图像特征，所述图像特征包括下述特征中的至少一种：物体纹理 特征、边缘特征、细节特征；

根据所述车牌图像的图像特征，确定所述车牌图像中像素的类别信息，所述类别信息 包括确定像素是否属于文字类别；

基于所述车牌图像中像素的类别信息获得所述车牌图像中的至少一个文本框。

本公开的实施例提供的技术方案可以包括以下有益效果：所述图像特征能够更好地对 所述车辆图像中较小车辆的检测和识别。

可选的，在本公开的一个实施例中，所述基于所述车牌图像中像素的类别信息获得所 述车牌图像中的至少一个文本框，包括：

根据所述车牌图像中像素间的位置关系，将所述车牌图像分割成多个单元矩形框；

确定所述多个单元矩形框中的多个目标单元矩形框，所述目标单元矩形框中所包含像 素的类别信息均为文字类别；

从所述多个目标单元矩形框确定至少一个最小外接矩形框，并将所述至少一个最小外 接矩形框所在的区域作为所述车牌图像中的文本框区域。

本公开的实施例提供的技术方案可以包括以下有益效果：通过将车牌图像分割成多个 矩形框，可以快速准确地确定出车牌区域。

可选的，在本公开的一个实施例中，所述对待处理图像进行车辆检测，检测出所述待 处理图像中的车辆图像，包括：

将所述待处理图像输入至车辆检测网络，检测出所述待处理图像中的车辆图像。

本公开的实施例提供的技术方案可以包括以下有益效果：利用神经网络确定所述待处 理图像中的车辆图像，可以提高图像处理的效率和准确性。

可选的，在本公开的一个实施例中，所述车辆检测网络被设置为按照下述方式训练得 到：

获取多个车辆样本图像，所述车辆样本图像中标注有车辆所在的区域信息；

构建车辆检测网络，所述车辆检测网络中设置有网络参数；

将标注有所述区域信息的车辆样本图像输入至所述车辆检测网络中，生成预测结果；

基于所述预测结果与所述区域信息之间的差异，对所述网络参数进行迭代调整，直至 所述差异满足预设要求。

本公开的实施例提供的技术方案可以包括以下有益效果：利用车辆样本数据训练所述 车辆检测网络，以实现所述车辆检测网络的检测功能。

可选的，在本公开的一个实施例中，所述车辆检测网络包括基于Mask R-CNN算法的神经网络。

本公开的实施例提供的技术方案可以包括以下有益效果：Mask R-CNN算法在实例分 割和目标检测具有较高的准确性，因此，利用基于Mask R-CNN算法的车辆检测网络可以从所述待处理图像中准确地检测出车辆图像。

根据本公开实施例的第二方面，提供一种车牌识别装置，包括：

车辆检测模块，用于对待处理图像进行车辆检测，检测出所述待处理图像中的车辆图 像；

车牌检测模块，用于对所述车辆图像进行车牌检测，检测出所述车辆图像中的车牌图 像；

车牌文字识别模块，用于对所述车牌图像进行文字识别，识别出所述车牌图像中的车 牌号。

可选的，在本公开的一个实施例中，所述车牌文字识别模块包括：

文本框检测子模块，用于对所述车牌图像进行文字检测，检测出所述车牌图像中的至 少一个文本框；

文字识别子模块，用于分别对所述至少一个文本框进行文字识别，识别出所述至少一 个文本框中的文字；

车牌号生成子模块，用于将识别出的所述至少一个文本框中的文字组合生成车牌号。

可选的，在本公开的一个实施例中，所述车牌检测模块包括：

特征提取子模块，用于提取所述车辆图像的图像特征，所述图像特征包括下述特征中 的至少一种：物体纹理特征、边缘特征、细节特征；

类别确定子模块，用于根据所述车辆图像的图像特征，确定所述车辆图像中像素的类 别信息，所述类别信息包括确定像素是否属于车牌类别；

车牌图像获取子模块，用于基于所述车辆图像中像素的类别信息获得所述车辆图像中 的车牌图像。

可选的，在本公开的一个实施例中，所述车牌图像获取子模块包括：

图像分割单元，用于根据所述车辆图像中像素间的位置关系，将所述车辆图像分割成 多个单元矩形框；

目标单元确定单元，用于确定所述多个单元矩形框中的多个目标单元矩形框，所述目 标单元矩形框中所包含像素的类别信息均为车牌类别；

车牌区域确定单元，用于将所述多个目标单元矩形框的最小外接矩形框所在的区域作 为所述车辆图像中的车牌图像区域。

可选的，在本公开的一个实施例中，所述装置还包括：

车牌边框确定模块，用于确定所述车牌图像的边框以及边框信息，所述边框信息包括 所述车牌图像中像素点分别到所述边框四个边的距离以及所述边框相对参考坐标轴的旋 转角度；

正置转换模块，用于根据所述边框信息将所述车牌图像转换成具有正置车牌图像，所 述正置车牌图像相对于所述参考坐标轴正向放置；将所述正置车牌图像作为文字识别的车 牌图像。

可选的，在本公开的一个实施例中，所述文本框检测子模块包括：

特征提取单元，用于提取所述车牌图像的图像特征，所述图像特征包括下述特征中的 至少一种：物体纹理特征、边缘特征、细节特征；

类别确定单元，用于根据所述车牌图像的图像特征，确定所述车牌图像中像素的类别 信息，所述类别信息包括确定像素是否属于文字类别；

文本框获取单元，用于基于所述车牌图像中像素的类别信息获得所述车牌图像中的至 少一个文本框。

可选的，在本公开的一个实施例中，所述文本框获取单元包括：

图像分割子单元，用于根据所述车牌图像中像素间的位置关系，将所述车牌图像分割 成多个单元矩形框；

目标单元确定子单元，用于确定所述多个单元矩形框中的多个目标单元矩形框，所述 目标单元矩形框中所包含像素的类别信息均为文字类别；

文本框区域确定子单元，用于从所述多个目标单元矩形框确定至少一个最小外接矩形 框，并将所述至少一个最小外接矩形框所在的区域作为所述车牌图像中的文本框区域。

可选的，在本公开的一个实施例中，所述车辆检测模块包括：

车辆检测子模块，用于将所述待处理图像输入至车辆检测网络，检测出所述待处理图 像中的车辆图像。

可选的，在本公开的一个实施例中，所述车辆检测网络包括：

样本获取子模块，用于获取多个车辆样本图像，所述车辆样本图像中标注有车辆所在 的区域信息；

网络构建子模块，用于构建车辆检测网络，所述车辆检测网络中设置有网络参数；

预测子模块，用于将标注有所述区域信息的车辆样本图像输入至所述车辆检测网络 中，生成预测结果；

迭代子模块，用于基于所述预测结果与所述区域信息之间的差异，对所述网络参数进 行迭代调整，直至所述差异满足预设要求。

可选的，在本公开的一个实施例中，所述车辆检测网络包括基于Mask R-CNN算法的神经网络。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述的车牌识别方法。

根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储 介质中的指令由处理器执行时，使得处理器能够执行上述的车牌识别方法。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限 制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例， 并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种车牌识别方法的流程图。

图2是根据一示例性实施例示出的一种装置的框图。

图3是根据一示例性实施例示出的一种装置的框图。

图4是根据一示例性实施例示出的一种装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图 时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中 所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权 利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

为了方便本领域技术人员理解本公开实施例提供的技术方案，下面先对技术方案实现 的技术环境进行说明。

相关技术在利用深度学习方式进行车牌识别的过程中，往往直接从待处理图像中检测 出车牌，然后识别出车牌中的车牌号。但是，实际捕捉的交通图像中往往包括多个车辆， 而车牌在车辆中所占据的面积较小，导致车牌在整个交通图像中所占据的面积更小。相关 技术中，在对深度学习网络进行训练的过程中，往往在样本图像中标注出车牌的位置，并 利用标注车牌位置的所述样本图像训练深度学习网络，则所述深度学习网络可能需要较多 的网络层，才可达到较高的准确度，增加了网络的复杂度。若要降低所述深度学习模型的 复杂度，则需要输入模型的图像具有较高的分辨率。但是，实际获取的交通图像往往分辨 率不高，并且，对较高分辨率的图像进行处理，也需要消耗更多的时间，降低处理效率。

基于类似于上文所述的实际技术需求，本公开提供的车牌识别方法可以首先检测出待 处理图像中的车辆图像，再基于所述车辆图像识别出车牌以及车牌中的车牌号。并且，在 识别车牌号的过程中，可以先进行文字检测，再进行文字识别。以上方式可以大大提升车 牌识别的准确率和效率。

下面结合附图1对本公开所述的车牌识别方法进行详细的说明。图1是本公开提供的 车牌识别方法的一种实施例的方法流程图。虽然本公开提供了如下述实施例或附图所示的 方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的 操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本公开 实施例提供的执行顺序。

具体的，本公开提供的车牌识别方法的一种实施例如图1所示，所述方法可以包括：

S101：对待处理图像进行车辆检测，检测出所述待处理图像中的车辆图像。

S103：对所述车辆图像进行车牌检测，检测出所述车辆图像中的车牌图像。

S105：对所述车牌图像进行文字识别，识别出所述车牌图像中的车牌号。

本公开实施例的方法可以应用于多种应用场景，如电子警察、门禁、交通事故处理等 等，基于此，所述待处理图像可以包括来自以上各种场景的图像。然后，可以将所述待处理图像输入至车辆检测网络中，检测出所述待处理图像中的车辆图像。由于车辆与车牌是一一关联的对象，且车辆在图像中所占据的面积远远大于车牌在图像中所占据的面积，因此，将车辆作为检测目标比将车牌作为检测目标要容易很多。因此，本公开实施例中，可 以首先检测出待处理图像中的车辆图像，再检测出所述车辆图像中的车牌信息。本公开实 施例中，所述车辆检测网络可以包括基于深度学习的网络。在一个实施例中，所述车辆检 测网络可以被设置为按照下述方式训练得到：

S201：获取多个车辆样本图像，所述车辆样本图像中标注有车辆所在的区域信息；

S203：构建车辆检测网络，所述车辆检测网络中设置有网络参数；

S205：将标注有所述区域信息的车辆样本图像输入至所述车辆检测网络中，生成预 测结果；

S207：基于所述预测结果与所述区域信息之间的差异，对所述网络参数进行迭代调 整，直至所述差异满足预设要求。

本公开实施例中，可以获取多个车辆样本图像，所述车辆样本图像中可以包括至少一 个带有车牌信息的车辆图像。其中，所述车辆样本图像中标注有车辆所在的区域信息。在 一个实施例中，可以利用软件工具标注所述车辆样本图像中车辆所在的区域信息，标注的 形状可以包括沿着车辆轮廓的闭合曲线，还可以包括矩形、圆形、椭圆形等等，本公开对 于车辆所在的区域信息的标注方式不做限制。当然，在其他实施例中，还可以从已有的数 据库(如ICDAR)中获取带有标注信息的车辆样本图像。然后，可以将标注有所述区域信息的车辆样本图像输入至构建的车辆检测网络中，生成预测结果，并基于所述预测结果与所述区域信息之间的差异，对所述网络参数进行迭代调整，直至所述差异满足预设要求。在一种实施例中，所述车辆检测网络可以包括基于掩膜目标识别卷积神经网络(MaskRegions-Convolutional Neural Networks，Mask R-CNN)算法的卷积神经网络。根据实践经验，Mask R-CNN算法在实例分割和目标检测具有较高的准确性，因此，利用基于Mask R-CNN算法的车辆检测网络可以从所述待处理图像中准确地检测出车辆图像。当然，所 述车辆检测网络还可以包括CNN、Fast R-CNN、Faster R-CNN等多种其他卷积神经网络， 本公开对此不做限制。

需要说明的是，所述车辆检测网络还可以包括已有的识别准确率较高的目标检测网 络，如该目标检测网络可以检测出图像中多种类别的目标物，如人、车辆、狗、猫、气球等等。在所述目标检测网络检测出所述待处理图像中的目标物之后，可以获取目标物中的属于车辆类别的图像，作为所述车辆图像。

本公开实施例中，在检测出所述待处理图像中的车辆图像之后，可以从所述车辆图像 中检测出车牌图像。由于车牌在车辆上的安装位置比较固定(基本都在车头和车尾的位 置)，因此，基于车辆图像检测车牌可以降低网络的复杂程度，并提高检测的准确率和效率。在进行车牌检测的过程中，可以提取出所述车辆图像的图像特征，所述图像特征包括下述特征中的至少一种：物体纹理特征、边缘特征、细节特征等，因此，所述图像特征能 够更好地对所述车辆图像中较小车牌的检测和识别。

本公开实施例中，在提取出所述车辆图像的图像特征之后，可以根据所述车辆图像的 图像特征，确定所述车辆图像中像素的类别信息，所述类别信息包括确定像素是否属于车 牌类别。所述类别信息可以用类别标识符表示，例如，若识别所述车辆图像中的像素为车 牌类别，则利用类别标识符“1”表示；若识别所述车辆图像中的像素为非车牌类别，则利用类别标识符“0”表示，当然，反之亦可。以上步骤可以利用车牌检测网络实现，即 可以将所述图像特征输入所述车牌检测层，经所述车牌检测层输出所述车辆图像中各像素 是否为车牌类别的类别信息。

在确定所述车辆图像中像素的类别信息之后，可以基于所述车辆图像中像素的类别信 息获得所述车辆图像中的车牌图像。在一个实施例中，在确定所述车牌框的过程中，可以 根据所述车辆图像中像素间的位置关系，将所述车辆图像分割成多个单元矩形框。所述单 元矩形框可以为尺寸较小的矩形框，如2像素*3像素、2像素*2像素等等。然后，可以从所述多个单元矩形框中提取出多个目标单元矩形框，所述目标单元矩形框中所包含像素的类别信息均为车牌类别。提取出所述目标单元矩形框之后，可以基于所述目标单元矩形框，确定所述车牌框。在一个实施例中，可以将所述多个目标单元矩形框进行连接，可以 得到类别为车牌类别的像素聚集区域，通过确定所述聚集区域的最小外接矩形即确定出所述车牌图像的区域。当然，在其他实施例中，还可以利用其他方式获取所述车辆图像中的车牌图像，本公开在此不做限制。

在实际捕捉的交通图像中，由于距离、捕捉角度的不同，图像中的车牌往往是倾斜的， 即与参考坐标轴具有一定的角度，导致提取出的车牌图像也有一定的倾斜角度。对倾斜的 车牌图像中的内容进行文字识别，往往提升后续文字识别的复杂度。基于此，在本公开实 施例中，可以将所述车牌图像转换成具有正置车牌图像，使得所述正置车牌图像相对于所 述参考坐标轴正向放置。在一个实施例中，所述转换方式可以采用透视变换方式，具体地， 可以确定所述车牌图像的边框以及边框信息，所述边框信息包括所述车牌图像中像素点分 别到所述边框四个边的距离以及所述边框相对所述参考坐标轴的旋转角度。

本公开实施例中，可以基于所述车牌图像的左上角坐标以及所述边框信息构建得到透 视变换矩阵，将所述车辆图像与所述透视变换矩阵进行乘积运算，可以生成所述正置车牌 图像。需要说明的是，在将所述车辆图像与所述透视变换矩阵进行乘积运算之前，可以保 持所述车牌图像宽高比不变的情况下，将所述车牌图像均调整为预设高度，这样，对于不 同的车牌图像，均可以利用相同的透视变换矩阵以完成透视变换。当然，在其他实施例中， 还可以利用任何其他变换方式将所述车牌图像转换成正置车牌图像，本公开在此不做限 制。

在本公开实施例中，在检测出所述车辆图像中的车牌图像之后，可以对所述车牌图像 进行文字识别，识别出所述车牌图像中的车牌号。文字识别的方式可以利用CNN、卷积递归神经网络(Convolutional Recurrent Neural Network，CRNN)等算法，在此不再赘述。

在一些应用场景下，如很多货车、摩托车、电动自行车为双行车牌，如果在一个文本 框中对双行车牌进行文字识别，可能导致识别准确率较低，甚至无法识别出车牌号。基于 此，在本公开实施例中，可以先对所述车牌图像进行文字检测，再进行文字识别，可以解决以上问题。

在本公开的一个实施例中，在对所述车牌图像进行文字检测的过程中，与上述车牌检 测的方式类似，可以提取出所述车牌图像的图像特征，所述图像特征包括下述特征中的至 少一种：物体纹理特征、边缘特征、细节特征。然后，可以根据所述车牌图像的图像特征， 确定所述车牌图像中像素的类别信息，所述类别信息包括确定像素是否属于文字类别。其 中，所述类别信息可以用类别标识符表示，例如，若识别所述车牌图像中的像素为文字类 别，则利用类别标识符“1”表示；若识别所述车牌图像中的像素为非文字类别，则利用类别标识符“0”表示，当然，反之亦可。

在确定所述车牌图像中像素的类别信息之后，可以基于所述车牌图像中各像素的类别 信息，获得所述车牌图像中的至少一个文本框。在一个实施例中，在确定所述文本框的过 程中，可以根据所述车牌图像中像素间的位置关系，将所述车牌图像分割成多个单元矩形 框。所述单元矩形框可以为尺寸较小的矩形框，如2像素*3像素、2像素*2像素等等。然后，可以从所述多个单元矩形框中提取出多个目标单元矩形框，所述目标单元矩形框中所包含像素的类别信息均为文字类别。提取出所述多个目标单元矩形框之后，可以基于所述多个目标单元矩形框，确定所述车牌框。在一个实施例中，可以将所述车牌图像中多个目标单元矩形框进行连接，可以得到文字像素的聚集区域，通过确定所述聚集区域的最小外接矩形即确定出所述文本框。当然，对于双行车牌，可以确定出两个文本框，这样，在 后续对文本框中进行车牌号识别的过程中，可以提高识别准确率和识别效率。

本公开各个实施例提供的车牌识别方法，可以首先检测出待处理图像中的车辆图像， 再从所述车辆图像识别出车牌图像，最后识别出所述车牌图像中的车牌号。由于车辆在待 处理图像中的目标性强于车牌在待处理图像中的目标性，因此，车辆检测后再车牌检测比 直接车牌检测要容易且准确许多，并且，车牌在车辆中的位置相对固定，因此，从车辆图 像中检测出车牌的方式也降低了构建网络的复杂度。另外，在识别车牌号的过程中，可以 先进行文字检测，再进行文字识别。这样，对于一些特殊的应用场景，如双行车牌号等场景，可以首先检测出文字的位置，再识别文字的内容，可以大大提升车牌识别的准确率和效率。

本公开实施例另一方面还提出一种车牌识别装置，图2示出根据本公开实施例的车牌 识别装置的框图，如图2所示，所述装置200包括：

车辆检测模块201，用于对待处理图像进行车辆检测，检测出所述待处理图像中的车 辆图像；

车牌检测模块203，用于对所述车辆图像进行车牌检测，检测出所述车辆图像中的车 牌图像；

车牌文字识别模块205，用于对所述车牌图像进行文字识别，识别出所述车牌图像中 的车牌号。

可选的，在本公开的一个实施例中，所述车牌文字识别模块包括：

文本框检测子模块，用于对所述车牌图像进行文字检测，检测出所述车牌图像中的至 少一个文本框；

文字识别子模块，用于分别对所述至少一个文本框进行文字识别，识别出所述至少一 个文本框中的文字；

车牌号生成子模块，用于将识别出的所述至少一个文本框中的文字组合生成车牌号。

可选的，在本公开的一个实施例中，所述车牌检测模块包括：

特征提取子模块，用于提取所述车辆图像的图像特征，所述图像特征包括下述特征中 的至少一种：物体纹理特征、边缘特征、细节特征；

类别确定子模块，用于根据所述车辆图像的图像特征，确定所述车辆图像中像素的类 别信息，所述类别信息包括确定像素是否属于车牌类别；

车牌图像获取子模块，用于基于所述车辆图像中像素的类别信息获得所述车辆图像中 的车牌图像。

可选的，在本公开的一个实施例中，所述车牌图像获取子模块包括：

图像分割单元，用于根据所述车辆图像中像素间的位置关系，将所述车辆图像分割成 多个单元矩形框；

目标单元确定单元，用于确定所述多个单元矩形框中的多个目标单元矩形框，所述目 标单元矩形框中所包含像素的类别信息均为车牌类别；

车牌区域确定单元，用于将所述多个目标单元矩形框的最小外接矩形框所在的区域作 为所述车辆图像中的车牌图像区域。

可选的，在本公开的一个实施例中，所述装置还包括：

车牌边框确定模块，用于确定所述车牌图像的边框以及边框信息，所述边框信息包括 所述车牌图像中像素点分别到所述边框四个边的距离以及所述边框相对参考坐标轴的旋 转角度；

正置转换模块，用于根据所述边框信息将所述车牌图像转换成具有正置车牌图像，所 述正置车牌图像相对于所述参考坐标轴正向放置；将所述正置车牌图像作为文字识别的车 牌图像。

可选的，在本公开的一个实施例中，所述文本框检测子模块包括：

特征提取单元，用于提取所述车牌图像的图像特征，所述图像特征包括下述特征中的 至少一种：物体纹理特征、边缘特征、细节特征；

类别确定单元，用于根据所述车牌图像的图像特征，确定所述车牌图像中像素的类别 信息，所述类别信息包括确定像素是否属于文字类别；

文本框获取单元，用于基于所述车牌图像中像素的类别信息获得所述车牌图像中的至 少一个文本框。

可选的，在本公开的一个实施例中，所述文本框获取单元包括：

图像分割子单元，用于根据所述车牌图像中像素间的位置关系，将所述车牌图像分割 成多个单元矩形框；

目标单元确定子单元，用于确定所述多个单元矩形框中的多个目标单元矩形框，所述 目标单元矩形框中所包含像素的类别信息均为文字类别；

文本框区域确定子单元，用于从所述多个目标单元矩形框确定至少一个最小外接矩形 框，并将所述至少一个最小外接矩形框所在的区域作为所述车牌图像中的文本框区域。

可选的，在本公开的一个实施例中，所述车辆检测模块包括：

车辆检测子模块，用于将所述待处理图像输入至车辆检测网络，检测出所述待处理图 像中的车辆图像。

可选的，在本公开的一个实施例中，所述车辆检测网络包括：

样本获取子模块，用于获取多个车辆样本图像，所述车辆样本图像中标注有车辆所在 的区域信息；

网络构建子模块，用于构建车辆检测网络，所述车辆检测网络中设置有网络参数；

预测子模块，用于将标注有所述区域信息的车辆样本图像输入至所述车辆检测网络 中，生成预测结果；

迭代子模块，用于基于所述预测结果与所述区域信息之间的差异，对所述网络参数进 行迭代调整，直至所述差异满足预设要求。

可选的，在本公开的一个实施例中，所述车辆检测网络包括基于Mask R-CNN算法的神经网络。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存 储器；其中，所述处理器被配置为上述各个实施例所述的方法。

所述电子设备可以被提供为终端、服务器或其它形态的设备。

图3是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗 设备，健身设备，个人数字助理等终端。

参照图3，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组 件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信， 相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行 指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块， 以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的 示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿 数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)， 只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理 ***，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在 一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触 摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多 个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸 或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实 施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操 作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体 数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变 焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时， 麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804 或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出 音频信号。

I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以 是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评 估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备 800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电 子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近 传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可 以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例 中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器 或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电 子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在 一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号 或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模 块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会 (IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现 场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执 行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程 序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上 述方法。

图4是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图4，电子设备1900包括处理组件1922，其进一步包括一 个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922 的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上 的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述 方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管 理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程 序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以 完成上述方法。

本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可 读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。 计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、 电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具 体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储 器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、 软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意 合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波 或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电 缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理 设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外 部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语 言的任意组合编写的源代码或目标代码，所述编程语言包括面向物体的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计 算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一 个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计 算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络 —包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机 (例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可 读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列 (FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而 实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或 框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或 框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理 装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理 装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动 作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使 得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计 算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规 定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备 上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生 计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的 指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产 品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表 一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用 于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也 可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执 行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和 /或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能 或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实 现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不 限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术 领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在 最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其 它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种车牌识别方法，其特征在于，包括：

对待处理图像进行车辆检测，检测出所述待处理图像中的车辆图像；

对所述车辆图像进行车牌检测，检测出所述车辆图像中的车牌图像；

对所述车牌图像进行文字识别，识别出所述车牌图像中的车牌号。

2.根据权利要求1所述的车牌识别方法，其特征在于，所述对所述车牌图像进行文字识别，识别出所述车牌图像中的车牌号，包括：

对所述车牌图像进行文字检测，检测出所述车牌图像中的至少一个文本框；

分别对所述至少一个文本框进行文字识别，识别出所述至少一个文本框中的文字；

将识别出的所述至少一个文本框中的文字组合生成车牌号。

3.根据权利要求1或2所述的车牌识别方法，其特征在于，所述对所述车辆图像进行车牌检测，检测出所述车辆图像中的车牌图像，包括：

提取所述车辆图像的图像特征，所述图像特征包括下述特征中的至少一种：物体纹理特征、边缘特征、细节特征；

根据所述车辆图像的图像特征，确定所述车辆图像中像素的类别信息，所述类别信息包括确定像素是否属于车牌类别；

基于所述车辆图像中像素的类别信息获得所述车辆图像中的车牌图像。

4.根据权利要求3所述的车牌识别方法，其特征在于，所述基于所述车辆图像中像素的类别信息获得所述车辆图像中的车牌图像，包括：

根据所述车辆图像中像素间的位置关系，将所述车辆图像分割成多个单元矩形框；

确定所述多个单元矩形框中的多个目标单元矩形框，所述目标单元矩形框中所包含像素的类别信息均为车牌类别；

将所述多个目标单元矩形框的最小外接矩形框所在的区域作为所述车辆图像中的车牌图像区域。

5.根据权利要求1所述的车牌识别方法，其特征在于，在所述对所述车牌图像进行文字识别，识别出所述车牌图像中的车牌号之前，还包括：

确定所述车牌图像的边框以及边框信息，所述边框信息包括所述车牌图像中像素点分别到所述边框四个边的距离以及所述边框相对参考坐标轴的旋转角度；

根据所述边框信息将所述车牌图像转换成具有正置车牌图像，所述正置车牌图像相对于所述参考坐标轴正向放置；将所述正置车牌图像作为文字识别的车牌图像。

6.根据权利要求2所述的车牌识别方法，其特征在于，所述对所述车牌图像进行文字检测，检测出所述车牌图像中的至少一个文本框，包括：

提取所述车牌图像的图像特征，所述图像特征包括下述特征中的至少一种：物体纹理特征、边缘特征、细节特征；

根据所述车牌图像的图像特征，确定所述车牌图像中像素的类别信息，所述类别信息包括确定像素是否属于文字类别；

基于所述车牌图像中像素的类别信息获得所述车牌图像中的至少一个文本框。

7.一种车牌识别装置，其特征在于，包括：

车辆检测模块，用于对待处理图像进行车辆检测，检测出所述待处理图像中的车辆图像；

车牌检测模块，用于对所述车辆图像进行车牌检测，检测出所述车辆图像中的车牌图像；

车牌文字识别模块，用于对所述车牌图像进行文字识别，识别出所述车牌图像中的车牌号。

8.根据权利要求7所述的车牌识别装置，其特征在于，所述车牌文字识别模块包括：

文本框检测子模块，用于对所述车牌图像进行文字检测，检测出所述车牌图像中的至少一个文本框；

文字识别子模块，用于分别对所述至少一个文本框进行文字识别，识别出所述至少一个文本框中的文字；

车牌号生成子模块，用于将识别出的所述至少一个文本框中的文字组合生成车牌号。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至6中任意一项所述的车牌识别方法。

10.一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行权利要求1-6任意一项所述的车牌识别方法。