本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別是涉及一種車牌識(shí)別方法及裝置。

背景技術(shù)：

隨著科學(xué)技術(shù)的進(jìn)步和各種場(chǎng)景中對(duì)車牌識(shí)別的需求的增加，車牌識(shí)別技術(shù)逐漸發(fā)展起來。基于車牌識(shí)別技術(shù)的車牌識(shí)別設(shè)備已被廣泛應(yīng)用于停車場(chǎng)、城市道路、高速公路等區(qū)域，以對(duì)車牌號(hào)碼的自動(dòng)抓拍和識(shí)別。

車牌識(shí)別一般包括車牌定位、車牌字符分割以及車牌字符識(shí)別這三個(gè)過程。車牌定位是指對(duì)圖像采集設(shè)備采集到的車牌圖像進(jìn)行定位，獲得包含車牌的區(qū)域。車牌字符分割是指對(duì)包含車牌的區(qū)域進(jìn)行字符分割。車牌字符識(shí)別是指對(duì)分割得到的字符進(jìn)行識(shí)別，得到車牌號(hào)碼。

在對(duì)車牌字符分割以及對(duì)車牌字符識(shí)別的過程中，一般要求待識(shí)別的車牌圖像為水平圖像，這樣才能進(jìn)行準(zhǔn)確分割和識(shí)別。但是，在實(shí)際應(yīng)用中，由于工程施工人員水平參差不齊，以及一些特殊的現(xiàn)場(chǎng)環(huán)境的限制，使得有的現(xiàn)場(chǎng)無法按照統(tǒng)一標(biāo)準(zhǔn)安裝圖像采集設(shè)備，這樣就使得圖像采集設(shè)備采集到的車牌圖像可能具有一定角度，甚至是大角度，使得車牌識(shí)別準(zhǔn)確率不高。

綜上所述，如何有效地解決對(duì)有角度的車牌圖像的車牌進(jìn)行正確識(shí)別的問題，是目前本領(lǐng)域技術(shù)人員急需解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種車牌識(shí)別方法及裝置，以提高車牌識(shí)別準(zhǔn)確率。

為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

一種車牌識(shí)別方法，包括：

確定待進(jìn)行車牌識(shí)別的車牌圖像；

將所述車牌圖像輸入到預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得所述車牌圖像對(duì)應(yīng)的水平圖像；

對(duì)所述水平圖像中的車牌字符進(jìn)行識(shí)別。

在本發(fā)明的一種具體實(shí)施方式中，所述確定待進(jìn)行車牌識(shí)別的車牌圖像，包括：

獲得目標(biāo)車輛的車輛圖像；

對(duì)所述車輛圖像的車牌區(qū)域進(jìn)行定位，獲得車牌區(qū)域圖像；

對(duì)所述車牌區(qū)域圖像進(jìn)行預(yù)處理，所述預(yù)處理包括灰度處理和基于所述卷積神經(jīng)網(wǎng)絡(luò)的尺寸調(diào)整；

將預(yù)處理后的車牌區(qū)域圖像確定為待進(jìn)行車牌識(shí)別的車牌圖像。

在本發(fā)明的一種具體實(shí)施方式中，通過以下步驟預(yù)先訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)：

獲得樣本圖像集，所述樣本圖像集中包含多個(gè)車牌樣本圖像；

從所述樣本圖像集中選擇一個(gè)水平的標(biāo)準(zhǔn)圖像，將所述標(biāo)準(zhǔn)圖像分別與所述樣本圖像集中每個(gè)樣本圖像組成一個(gè)車牌圖像對(duì)；

針對(duì)第1個(gè)車牌圖像對(duì)，將該車牌圖像對(duì)中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得該樣本圖像對(duì)應(yīng)的輸出圖像；

將該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像和該輸出圖像進(jìn)行對(duì)比，確定所述初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失；

將所述初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失進(jìn)行反向傳播，調(diào)整所述初始卷積神經(jīng)網(wǎng)絡(luò)中每層的網(wǎng)絡(luò)參數(shù)；

針對(duì)第i個(gè)車牌圖像對(duì)，重復(fù)執(zhí)行所述將該車牌圖像對(duì)中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得該樣本圖像對(duì)應(yīng)的輸出圖像的步驟，直至該車牌圖像對(duì)對(duì)應(yīng)的輸出圖像與該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像具有相同的擬合能力，獲得訓(xùn)練后的所述卷積神經(jīng)網(wǎng)絡(luò)，其中，i≥2。

在本發(fā)明的一種具體實(shí)施方式中，所述將該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像和該輸出圖像進(jìn)行對(duì)比，確定所述初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失，包括：

將該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像和該輸出圖像的相應(yīng)像素點(diǎn)相減；

根據(jù)相減結(jié)果，確定該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像與該輸出圖像的歐氏距離；

根據(jù)所述歐氏距離，確定所述初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失。

一種車牌識(shí)別裝置，包括：

車牌圖像確定模塊，用于確定待進(jìn)行車牌識(shí)別的車牌圖像；

水平圖像獲得模塊，用于將所述車牌圖像輸入到預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得所述車牌圖像對(duì)應(yīng)的水平圖像；

車牌識(shí)別模塊，用于對(duì)所述水平圖像中的車牌字符進(jìn)行識(shí)別。

在本發(fā)明的一種具體實(shí)施方式中，所述車牌圖像確定模塊，具體用于：

獲得目標(biāo)車輛的車輛圖像；

對(duì)所述車輛圖像的車牌區(qū)域進(jìn)行定位，獲得車牌區(qū)域圖像；

對(duì)所述車牌區(qū)域圖像進(jìn)行預(yù)處理，所述預(yù)處理包括灰度處理和基于所述卷積神經(jīng)網(wǎng)絡(luò)的尺寸調(diào)整；

將預(yù)處理后的車牌區(qū)域圖像確定為待進(jìn)行車牌識(shí)別的車牌圖像。

在本發(fā)明的一種具體實(shí)施方式中，還包括卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，用于通過以下步驟預(yù)先訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)：

獲得樣本圖像集，所述樣本圖像集中包含多個(gè)車牌樣本圖像；

從所述樣本圖像集中選擇一個(gè)水平的標(biāo)準(zhǔn)圖像，將所述標(biāo)準(zhǔn)圖像分別與所述樣本圖像集中每個(gè)樣本圖像組成一個(gè)車牌圖像對(duì)；

針對(duì)第1個(gè)車牌圖像對(duì)，將該車牌圖像對(duì)中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得該樣本圖像對(duì)應(yīng)的輸出圖像；

將該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像和該輸出圖像進(jìn)行對(duì)比，確定所述初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失；

將所述初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失進(jìn)行反向傳播，調(diào)整所述初始卷積神經(jīng)網(wǎng)絡(luò)中每層的網(wǎng)絡(luò)參數(shù)；

針對(duì)第i個(gè)車牌圖像對(duì)，重復(fù)執(zhí)行所述將該車牌圖像對(duì)中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得該樣本圖像對(duì)應(yīng)的輸出圖像的步驟，直至該車牌圖像對(duì)對(duì)應(yīng)的輸出圖像與該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像具有相同的擬合能力，獲得訓(xùn)練后的所述卷積神經(jīng)網(wǎng)絡(luò)，其中，i≥2。

在本發(fā)明的一種具體實(shí)施方式中，所述卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，具體用于：

將該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像和該輸出圖像的相應(yīng)像素點(diǎn)相減；

根據(jù)相減結(jié)果，確定該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像與該輸出圖像的歐氏距離；

根據(jù)所述歐氏距離，確定所述初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失。

應(yīng)用本發(fā)明實(shí)施例所提供的技術(shù)方案，確定待進(jìn)行車牌識(shí)別的車牌圖像后，可以將車牌圖像輸入到預(yù)先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得車牌圖像對(duì)應(yīng)的水平圖像，對(duì)水平圖像中的車牌字符進(jìn)行識(shí)別。也就是在對(duì)車牌圖像中的車牌字符進(jìn)行識(shí)別之前，先對(duì)車牌圖像進(jìn)行水平化處理，基于卷積神經(jīng)網(wǎng)絡(luò)，將有角度的車牌圖像轉(zhuǎn)換為水平的車牌圖像，再對(duì)其進(jìn)行車牌字符的識(shí)別，這樣可以提高車牌識(shí)別準(zhǔn)確率。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例中一種車牌識(shí)別方法的實(shí)施流程圖；

圖2為本發(fā)明實(shí)施例中卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；

圖3為本發(fā)明實(shí)施例中一種車牌識(shí)別裝置的結(jié)構(gòu)示意圖。

具體實(shí)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，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

參見圖1所示，為本發(fā)明實(shí)施例所提供的一種車牌識(shí)別方法的實(shí)施流程圖，該方法可以包括以下步驟：

S110：確定待進(jìn)行車牌識(shí)別的車牌圖像。

在實(shí)際應(yīng)用中，在停車場(chǎng)、城市道路、高速公路等區(qū)域都可以安裝車牌識(shí)別設(shè)備，車牌識(shí)別設(shè)備可以對(duì)通過圖像采集設(shè)備采集到的車牌圖像進(jìn)行車牌識(shí)別。在本發(fā)明實(shí)施例中，在對(duì)圖像采集設(shè)備采集到的每一個(gè)車牌圖像進(jìn)行相應(yīng)處理后，分別將采集到的每一個(gè)車牌圖像確定為待進(jìn)行車牌識(shí)別的車牌圖像。

在本發(fā)明一種具體實(shí)施方式中，步驟S110可以包括以下步驟：

步驟一：獲得目標(biāo)車輛的車輛圖像；

步驟二：對(duì)車輛圖像的車牌區(qū)域進(jìn)行定位，獲得車牌區(qū)域圖像；

步驟三：對(duì)車牌區(qū)域圖像進(jìn)行預(yù)處理，預(yù)處理包括灰度處理和基于卷積神經(jīng)網(wǎng)絡(luò)的尺寸調(diào)整；

步驟四：將預(yù)處理后的車牌區(qū)域圖像確定為待進(jìn)行車牌識(shí)別的車牌圖像。

為便于描述，將上述四個(gè)步驟結(jié)合起來進(jìn)行說明。

通過圖像采集設(shè)備可以采集到車輛圖像，在車輛圖像中包含車牌區(qū)域。獲得目標(biāo)車輛的車輛圖像后，可以對(duì)車輛圖像的車牌區(qū)域進(jìn)行定位，獲得車牌區(qū)域圖像。具體可以使用現(xiàn)有技術(shù)的定位方法，本發(fā)明實(shí)施例在此不再贅述。

車牌區(qū)域圖像即為包含車牌的圖像，對(duì)車牌區(qū)域圖像進(jìn)行預(yù)處理。預(yù)處理可以包括灰度處理和基于卷積神經(jīng)網(wǎng)絡(luò)的尺寸調(diào)整等。具體的，可以對(duì)車牌區(qū)域圖像進(jìn)行水平矯正、垂直矯正等，再進(jìn)行左右邊界和上下邊界的定位，這樣，可以得到精確定位的結(jié)果。對(duì)進(jìn)行精確定位的結(jié)果進(jìn)行尺寸調(diào)整，調(diào)整至符合預(yù)先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像的尺寸大小，如120×40。

對(duì)車牌區(qū)域圖像進(jìn)行預(yù)處理后，可以將預(yù)處理后的車牌區(qū)域圖像確定為待進(jìn)行車牌識(shí)別的車牌圖像。

S120：將車牌圖像輸入到預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得車牌圖像對(duì)應(yīng)的水平圖像。

在本發(fā)明實(shí)施例中，預(yù)先訓(xùn)練好一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，通過該卷積神經(jīng)網(wǎng)絡(luò)，可以將有角度的圖像調(diào)整為水平圖像。

在本發(fā)明的一個(gè)具體實(shí)施方式中，可以通過以下步驟預(yù)先訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)：

第一個(gè)步驟：獲得樣本圖像集，樣本圖像集中包含多個(gè)車牌樣本圖像；

第二個(gè)步驟：從樣本圖像集中選擇一個(gè)水平的標(biāo)準(zhǔn)圖像，將標(biāo)準(zhǔn)圖像分別與樣本圖像集中每個(gè)樣本圖像組成一個(gè)車牌圖像對(duì)；

第三個(gè)步驟：針對(duì)第1個(gè)車牌圖像對(duì)，將該車牌圖像對(duì)中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得該樣本圖像對(duì)應(yīng)的輸出圖像；

第四個(gè)步驟：將該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像和該輸出圖像進(jìn)行對(duì)比，確定初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失；

第五個(gè)步驟：將初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失進(jìn)行反向傳播，調(diào)整初始卷積神經(jīng)網(wǎng)絡(luò)中每層的網(wǎng)絡(luò)參數(shù)；

第六個(gè)步驟：針對(duì)第i個(gè)車牌圖像對(duì)，重復(fù)執(zhí)行將該車牌圖像對(duì)中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得該樣本圖像對(duì)應(yīng)的輸出圖像的步驟，直至該車牌圖像對(duì)對(duì)應(yīng)的輸出圖像與該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像具有相同的擬合能力，獲得訓(xùn)練后卷積神經(jīng)網(wǎng)絡(luò)，其中，i≥2。

為便于描述，將上述六個(gè)步驟結(jié)合起來進(jìn)行說明。

在實(shí)際應(yīng)用中，通過在各大室內(nèi)和室外停車場(chǎng)的出入口架設(shè)圖像采集設(shè)備，如攝像機(jī)等，錄制各種時(shí)間段、各種天氣情況下的車輛的圖像與視頻，可以獲得多個(gè)車牌圖像，從多個(gè)車牌圖像中按照設(shè)定規(guī)則選擇出樣本圖像集，樣本圖像集中可以包含多種角度的樣本圖像。

在獲得的樣本圖像集中，可以選擇出一個(gè)水平的車牌圖像，將其作為標(biāo)準(zhǔn)圖像，將標(biāo)準(zhǔn)圖像分別與樣本圖像集中每個(gè)樣本圖像組成一個(gè)車牌圖像對(duì)。即標(biāo)準(zhǔn)圖像與其自己組成一個(gè)車牌圖像對(duì)，標(biāo)準(zhǔn)圖像與其他樣本圖像也分別組成一個(gè)車牌圖像對(duì)。通過人工標(biāo)注方法可以在選擇出的每個(gè)車牌圖像上標(biāo)注車牌的精確位置。

將組成的多個(gè)車牌圖像對(duì)，作為訓(xùn)練數(shù)據(jù)，對(duì)預(yù)先設(shè)計(jì)好的初始卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

針對(duì)第1個(gè)車牌圖像對(duì)，可以將該車牌圖像對(duì)中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得該樣本圖像對(duì)應(yīng)的輸出圖像。初始卷積神經(jīng)網(wǎng)絡(luò)可以包括多個(gè)卷積濾波層、多個(gè)池化濾波層和一個(gè)全連接層，如圖2所示。

將該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像與該輸出圖像進(jìn)行對(duì)比，可以確定初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失。

具體的，可以將該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像和該輸出圖像的相應(yīng)像素點(diǎn)相減，根據(jù)相減結(jié)果，確定該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像與該輸出圖像的歐氏距離，根據(jù)歐氏距離，可以確定初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失。

將初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失進(jìn)行反向傳播，即通過最后一層的輸出損失，一層一層的向頂層傳播，根據(jù)損失可以調(diào)整初始卷積神經(jīng)網(wǎng)絡(luò)中每層的網(wǎng)絡(luò)參數(shù)。

針對(duì)第i個(gè)車牌圖像對(duì)，i≥2，重復(fù)執(zhí)行將該車牌圖像對(duì)中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得該樣本圖像對(duì)應(yīng)的輸出圖像的步驟，對(duì)初始卷積神經(jīng)網(wǎng)絡(luò)中每層的網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整，直至該車牌圖像對(duì)對(duì)應(yīng)的輸出圖像與該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像具有相同的擬合能力，獲得訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)。

通過對(duì)大量車牌圖像對(duì)的訓(xùn)練，可以獲得對(duì)其他沒訓(xùn)練好的樣本的魯棒性。

圖2所示為本發(fā)明實(shí)施例中一種訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖，將車牌圖像輸入到該卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播過程如下：

第一層為輸入的120×40灰度精定位車牌圖像。

第一層輸入的車牌圖像到第二層C1濾波器中間由20個(gè)5×5像素大小的卷積核組成，經(jīng)過帶2個(gè)pad的20個(gè)卷積后，第二層C1濾波器輸出20個(gè)120×40大小的圖像。

第二層C1濾波器到第三層P1濾波器中間由20個(gè)2×2大小的池化層組成，目的是對(duì)圖像中2×2大小的區(qū)域選取最大的像素值作為輸出，降低圖像的維度，提取顯著特征。第二層輸出的圖像經(jīng)過池化層后，第三層P1濾波器輸出20個(gè)60×20大小的圖像。

第三層P1濾波器到第四層C2濾波器之間由20×20個(gè)5×5大小的卷積核組成，同樣帶2個(gè)pad進(jìn)行卷積，第三層P1濾波器輸出的20個(gè)圖像分別與第三層到第四層之間的20個(gè)卷積核卷積后相加組合，一共進(jìn)行20次，第四層C2濾波器輸出20個(gè)60×20大小的圖像。

第五層P2濾波器還是一個(gè)池化層，20個(gè)2×2大小的選取最大值的池化層與第四層輸出的20個(gè)圖像一一對(duì)應(yīng)，第五層P2濾波器輸出20個(gè)30×10大小的圖像。

第五層P2濾波器到第六層C3濾波器之間由20×20個(gè)5×5大小的卷積核組成，同樣帶2個(gè)pad進(jìn)行卷積，第五層P2濾波器輸出的20個(gè)圖像分別與第五層到第六層之間的20個(gè)卷積核卷積后相加，一共進(jìn)行20次，第六層C3濾波器輸出20個(gè)30×10大小的圖像。

第七層FC濾波器為全連接層，大小是4800×1的向量，第六層到第七層是將第六層C3濾波器輸出的20×30×10的圖像調(diào)整到1×6000，第六層C3濾波器到第七層FC濾波器之間經(jīng)過一個(gè)6000×4800的矩陣乘，獲得第七層輸出的4800×1的向量。

第七層FC濾波器輸出的向量到第八層調(diào)整大小濾波器輸出圖像，大小調(diào)整為120×40輸出。

其中，第二層C1濾波器、第四層C2濾波器、第六層C3濾波器分別為卷積濾波層，第三層P1濾波器、第五層P2濾波器分別為池化濾波層，第七層FC濾波器為全連接層。

上述僅為一個(gè)示例，在實(shí)際應(yīng)用中，可以根據(jù)實(shí)際訓(xùn)練數(shù)據(jù)進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)每層的網(wǎng)絡(luò)參數(shù)的調(diào)整。

在步驟S110，確定待進(jìn)行車牌識(shí)別的車牌圖像后，可以將車牌圖像輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得車牌圖像對(duì)應(yīng)的水平圖像。如圖2所示，將左側(cè)的車牌圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，經(jīng)過前向傳播，可以獲得右側(cè)輸出的水平圖像。

S130：對(duì)水平圖像中的車牌字符進(jìn)行識(shí)別。

獲得車牌圖像對(duì)應(yīng)的水平圖像后，可以對(duì)水平圖像中的車牌字符進(jìn)行分割和識(shí)別。具體的，可以使用現(xiàn)有技術(shù)的字符識(shí)別方法進(jìn)行車牌字符的分割和識(shí)別，本發(fā)明實(shí)施例對(duì)此不再贅述。

應(yīng)用本發(fā)明實(shí)施例所提供的方法，確定待進(jìn)行車牌識(shí)別的車牌圖像后，可以將車牌圖像輸入到預(yù)先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得車牌圖像對(duì)應(yīng)的水平圖像，對(duì)水平圖像中的車牌字符進(jìn)行識(shí)別。也就是在對(duì)車牌圖像中的車牌字符進(jìn)行識(shí)別之前，先對(duì)車牌圖像進(jìn)行水平化處理，基于卷積神經(jīng)網(wǎng)絡(luò)，將有角度的車牌圖像轉(zhuǎn)換為水平的車牌圖像，再對(duì)其進(jìn)行車牌字符的識(shí)別，這樣可以提高車牌識(shí)別準(zhǔn)確率。

相應(yīng)于上面的方法實(shí)施例，本發(fā)明實(shí)施例還提供了一種車牌識(shí)別裝置，下文描述的一種車牌識(shí)別裝置與上文描述的一種車牌識(shí)別方法可相互對(duì)應(yīng)參照。

參見圖3所示，該裝置包括以下模塊：

車牌圖像確定模塊310，用于確定待進(jìn)行車牌識(shí)別的車牌圖像；

水平圖像獲得模塊320，用于將車牌圖像輸入到預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得車牌圖像對(duì)應(yīng)的水平圖像；

車牌識(shí)別模塊330，用于對(duì)水平圖像中的車牌字符進(jìn)行識(shí)別。

應(yīng)用本發(fā)明實(shí)施例所提供的裝置，確定待進(jìn)行車牌識(shí)別的車牌圖像后，可以將車牌圖像輸入到預(yù)先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得車牌圖像對(duì)應(yīng)的水平圖像，對(duì)水平圖像中的車牌字符進(jìn)行識(shí)別。也就是在對(duì)車牌圖像中的車牌字符進(jìn)行識(shí)別之前，先對(duì)車牌圖像進(jìn)行水平化處理，基于卷積神經(jīng)網(wǎng)絡(luò)，將有角度的車牌圖像轉(zhuǎn)換為水平的車牌圖像，再對(duì)其進(jìn)行車牌字符的識(shí)別，這樣可以提高車牌識(shí)別準(zhǔn)確率。

在本發(fā)明的一種具體實(shí)施方式中，車牌圖像確定模塊310，具體用于：

獲得目標(biāo)車輛的車輛圖像；

對(duì)車輛圖像的車牌區(qū)域進(jìn)行定位，獲得車牌區(qū)域圖像；

對(duì)車牌區(qū)域圖像進(jìn)行預(yù)處理，預(yù)處理包括灰度處理和基于卷積神經(jīng)網(wǎng)絡(luò)的尺寸調(diào)整；

將預(yù)處理后的車牌區(qū)域圖像確定為待進(jìn)行車牌識(shí)別的車牌圖像。

在本發(fā)明的一種具體實(shí)施方式中，還包括卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，用于通過以下步驟預(yù)先訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)：

獲得樣本圖像集，樣本圖像集中包含多個(gè)車牌樣本圖像；

從樣本圖像集中選擇一個(gè)水平的標(biāo)準(zhǔn)圖像，將標(biāo)準(zhǔn)圖像分別與樣本圖像集中每個(gè)樣本圖像組成一個(gè)車牌圖像對(duì)；

針對(duì)第1個(gè)車牌圖像對(duì)，將該車牌圖像對(duì)中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得該樣本圖像對(duì)應(yīng)的輸出圖像；

將該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像和該輸出圖像進(jìn)行對(duì)比，確定初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失；

將初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失進(jìn)行反向傳播，調(diào)整初始卷積神經(jīng)網(wǎng)絡(luò)中每層的網(wǎng)絡(luò)參數(shù)；

針對(duì)第i個(gè)車牌圖像對(duì)，重復(fù)執(zhí)行將該車牌圖像對(duì)中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向傳播，獲得該樣本圖像對(duì)應(yīng)的輸出圖像的步驟，直至該車牌圖像對(duì)對(duì)應(yīng)的輸出圖像與該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像具有相同的擬合能力，獲得訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)，其中，i≥2。

在本發(fā)明的一種具體實(shí)施方式中，卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，具體用于：

將該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像和該輸出圖像的相應(yīng)像素點(diǎn)相減；

根據(jù)相減結(jié)果，確定該車牌圖像對(duì)中標(biāo)準(zhǔn)圖像與該輸出圖像的歐氏距離；

根據(jù)歐氏距離，確定初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失。

本說明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其它實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同或相似部分互相參見即可。對(duì)于實(shí)施例公開的裝置而言，由于其與實(shí)施例公開的方法相對(duì)應(yīng)，所以描述的比較簡(jiǎn)單，相關(guān)之處參見方法部分說明即可。

專業(yè)人員還可以進(jìn)一步意識(shí)到，結(jié)合本文中所公開的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來實(shí)現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來使用不同方法來實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

結(jié)合本文中所公開的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(RAM)、內(nèi)存、只讀存儲(chǔ)器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動(dòng)磁盤、CD-ROM、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。

本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的技術(shù)方案及其核心思想。應(yīng)當(dāng)指出，對(duì)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，還可以對(duì)本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。