【技术实现步骤摘要】
本专利技术涉及车牌识别领域，具体涉及一种车牌识别方法、系统、设备以及介质。
技术介绍
1、机动车车牌一般分为单层车牌和双层车牌两种类型。对于单层车牌，由于其结构相对简单，直接将车牌输入字符识别系统通常能获得较高的字符识别准确率。然而，对于双层车牌的字符识别则面临一些挑战。常见的做法是人工预设上下层分割点位置，对双层车牌进行分割拼接后再输入字符识别系统进行车牌字符识别。
2、但是，由于双层车牌上层、下层字符大小不同，以及车牌检测模型输出的车牌字符存在倾斜等因素，通过固定分割点的方式进行上、下层分切往往会导致上层或下层的字符截断。这种情况极大地降低了双层车牌字符识别的准确率，影响了相关系统的性能和可靠性。
3、而且现有的车牌识别方法，一般先进行车牌类型的识别，即识别单层车牌和双层车牌，并对不同种类的车牌进行差异处理，例如通过模型识别双层车牌和单层车牌时，需要对模型进行切换，以使得切换后的模型可以识别对应类型的车牌，目前这种处理过程不但繁琐、算法的运行效率低，同时也浪费了计算资源。
技术实现思路
1、有鉴于此，为了克服上述问题的至少一个方面，本专利技术实施例提出一种车牌识别方法，包括以下步骤：
2、提取车牌图像的第一特征图；
3、基于所述第一特征图分别进行维度扩充和自适应位置计算得到第二特征图和分切位置；
4、利用所述分切位置对所述第二特征图进行分切得到第一子特征图和/或第二子特征图；
5、根据所述第一子特征图和/或
6、在一些实施例中，提取车牌图像的第一特征图进一步包括：
7、利用第一特征提取模块提取所述车牌图像的初始特征图；
8、利用第一计算模块对所述初始特征图进行多尺度卷积并行计算；
9、利用第二特征提取模块对所述第一计算模块输出的特征图进行特征提取得到所述第一特征图。
10、在一些实施例中，利用第一特征提取模块提取所述车牌图像的初始特征图，进一步包括：
11、将所述车牌图像输入到所述第一特征提取模块中并依次进行卷积计算、批归一化处理、最大池化处理以及relu激活函数计算以得到所述初始特征图；
12、利用第二特征提取模块对所述第一计算模块输出的特征图进行特征提取得到所述第一特征图，进一步包括：
13、将所述第一计算模块输出的特征图输入到所述第二特征提取模块中并依次进行卷积计算、批归一化处理、最大池化处理以及relu激活函数计算以得到所述第一特征图。
14、在一些实施例中，利用第一计算模块对所述初始特征图进行多尺度卷积并行计算，进一步包括：
15、将所述初始特征图分别输入到第一尺寸的卷积核、第二尺寸的卷积核以及第三尺寸的卷积核进行计算以得到第一卷积结果、第二卷积结果、第三卷积结果；
16、将所述第二卷积结果输入到第四尺寸的卷积核进行计算以得到第四卷积结果并将所述第三卷积结果输入到第五尺寸的卷积核进行计算以得到第五卷积结果；
17、将所述第一卷积结果、所述第四卷积结果以及所述第五卷积结果按照通道进行拼接以得到拼接特征图；
18、将所述初始特征图和所述拼接特征图相加。
19、在一些实施例中，基于所述第一特征图分别进行维度扩充和自适应位置计算得到第二特征图和分切位置，进一步包括：
20、利用第二计算模块对所述第一特征图进行多尺度卷积并行计算以得到所述第二特征图；
21、将所述第一特征图依次经过第三特征提取模块、第一全连接神经网络、第二全连接神经网络以及softmax模块计算得到所述分切位置。
22、在一些实施例中，利用第二计算模块对所述第一特征图进行多尺度卷积并行计算以得到所述第二特征图，进一步包括：
23、将所述第一特征图分别输入到第一尺寸的卷积核、第二尺寸的卷积核以及第三尺寸的卷积核进行计算以得到第一卷积结果、第二卷积结果、第三卷积结果；
24、将所述第二卷积结果输入到第四尺寸的卷积核进行计算以得到第四卷积结果并将所述第三卷积结果输入到第五尺寸的卷积核进行计算以得到第五卷积结果；
25、将所述第一卷积结果、所述第四卷积结果以及所述第五卷积结果按照通道进行拼接以得到拼接特征图；
26、将所述第一特征图和所述拼接特征图相加以得到所述第二特征图；
27、将所述第一特征图依次经过第三特征提取模块、第一全连接神经网络、第二全连接神经网络以及softmax模块计算得到所述分切位置，进一步包括：
28、所述第一特征图输入到所述第三特征提取模块时，依次进行卷积计算、批归一化处理、最大池化处理以及relu激活函数计算。
29、在一些实施例中，利用所述分切位置对所述第二特征图进行分切得到第一子特征图和/或第二子特征图，进一步包括：
30、对所述第一子特征图和/或第二子特征图进行倾斜矫正。
31、基于同一专利技术构思，根据本专利技术的另一个方面，本专利技术的实施例还提供了一种车牌识别系统，包括：
32、提取模块，配置为提取车牌图像的第一特征图；
33、计算模块，配置为基于所述第一特征图分别进行维度扩充和自适应位置计算得到第二特征图和分切位置；
34、分切模块，配置为利用所述分切位置对所述第二特征图进行分切得到第一子特征图和/或第二子特征图；
35、解码模块，配置为根据所述第一子特征图和/或第二子特征图得到车牌字符。
36、基于同一专利技术构思，根据本专利技术的另一个方面，本专利技术的实施例还提供了一种计算机设备，包括：
37、至少一个处理器；以及
38、存储器，所述存储器存储有可在所述处理器上运行的计算机程序，所述处理器执行所述程序时执行如上所述的任一种车牌识别方法的步骤。
39、基于同一专利技术构思，根据本专利技术的另一个方面，本专利技术的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时执行如上所述的任一种车牌识别方法的步骤。
40、本专利技术具有以下有益技术效果之一：本专利技术提出的方案通过对车牌图像直接提取特征图，然后基于特征图得到切分位置，使不同类型的车牌能够采用自适应切分位置进行切分拼接，与人工预设切分位置进行切分拼接相比，更加合理，也提高了车牌字符识别准确率。而且本专利技术提出的方案也无需对车牌进行分类识别，即不需要区分单双层车牌，进一步提高了计算效率。
本文档来自技高网...【技术保护点】
1.一种车牌识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，提取车牌图像的第一特征图进一步包括：
3.如权利要求2所述的方法，其特征在于，利用第一特征提取模块提取所述车牌图像的初始特征图，进一步包括：将所述车牌图像输入到所述第一特征提取模块中并依次进行卷积计算、批归一化处理、最大池化处理以及ReLU激活函数计算以得到所述初始特征图；
4.如权利要求2所述的方法，其特征在于，利用第一计算模块对所述初始特征图进行多尺度卷积并行计算，进一步包括：
5.如权利要求1所述的方法，其特征在于，基于所述第一特征图分别进行维度扩充和自适应位置计算得到第二特征图和分切位置，进一步包括：
6.如权利要求5所述的方法，其特征在于，利用第二计算模块对所述第一特征图进行多尺度卷积并行计算以得到所述第二特征图，进一步包括：
7.如权利要求1所述的方法，其特征在于，利用所述分切位置对所述第二特征图进行分切得到第一子特征图和/或第二子特征图，进一步包括：
8.一种车牌识别系统，其特征在于，包括：p>
9.一种计算机设备，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行如权利要求1-7任意一项所述的方法的步骤。
...【技术特征摘要】
1.一种车牌识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，提取车牌图像的第一特征图进一步包括：
3.如权利要求2所述的方法，其特征在于，利用第一特征提取模块提取所述车牌图像的初始特征图，进一步包括：将所述车牌图像输入到所述第一特征提取模块中并依次进行卷积计算、批归一化处理、最大池化处理以及relu激活函数计算以得到所述初始特征图；
4.如权利要求2所述的方法，其特征在于，利用第一计算模块对所述初始特征图进行多尺度卷积并行计算，进一步包括：
5.如权利要求1所述的方法，其特征在于，基于所述第一特征图分别进行维度扩充和...
【专利技术属性】
技术研发人员：王金波，郭振华，刘亚辉，
申请(专利权)人：天翼交通科技有限公司，
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。