[发明专利]一种车牌识别方法及装置

权利要求书

1.一种车牌识别方法，其特征在于，包括：

获取目标图像，所述目标图像为仅包含目标车牌的图像；

通过预设训练模型对所述目标图像进行训练，得到指定维度的深度特征集；

将所述指定维度的深度特征集输入到Bi-GRU神经网络进行训练，得到预测标签序列集，所述Bi-GRU神经网络由由21个GRU神经元组成，其对应每个深度特征能够输出的特征序列长度为21；

将所述预测标签序列集转化为目标车牌号；

其中，所述获取目标图像，包括：

获取原始图像；

根据车牌的属性信息对所述原始图像进行图像分割，得到所述目标车牌图像，所述属性信息包括：车牌尺寸、车牌颜色、车牌的螺母位置以及数量、车牌的字符数目和车牌的组合形式。

2.根据权利要求1所述的方法，其特征在于，所述通过预设训练模型对所述目标图像进行训练，得到指定维度的深度特征集，包括：

获取所述目标图像的环境属性；

根据所述环境属性确定配置所述预设训练模型的训练参数，所述训练参数至少包括所述指定维度；

根据所述配置后的预设训练模型对所述目标图像进行训练，得到所述指定维度对应的深度特征集。

3.根据权利要求1或2所述的方法，其特征在于，所述预测标签序列集包含P个预测标签序列，所述P为大于1的整数；

所述将所述预测标签序列集转化为目标车牌号，包括：

确定所述P个预测标签序列对应的字符数目N；

根据所述N对所述P个预测标签序列进行筛选，得到Q个预测标签序列，所述Q为不大于所述P的正整数，所述Q个预测标签序列中每一预测标签序列均包含N个字符；

根据所述Q个预测标签序列确定出目标预测标签序列，将所述目标预测标签序列作为所述目标车牌号。

4.根据权利要求1或2所述的方法，其特征在于，所述将所述预测标签序列集转化为目标车牌号，包括：

通过预设CTC模型确定所述预测标签序列集中的每一预测标签序列与实际标签序列间的误差，得到多个误差值；

从所述多个误差值中选取最小误差值对应的预测标签序列作为所述目标车牌号。

5.一种车牌识别装置，其特征在于，包括:

获取单元，用于获取目标图像，所述目标图像为仅包含目标车牌的图像；

第一训练单元，用于通过预设训练模型对所述目标图像进行训练，得到指定维度的深度特征集；

第二训练单元，用于将所述指定维度的深度特征集输入到Bi-GRU神经网络进行训练，得到预测标签序列集，所述Bi-GRU神经网络由由21个GRU神经元组成，其对应每个深度特征能够输出的特征序列长度为21；

转化单元，用于将所述预测标签序列集转化为目标车牌号；

其中，所述获取单元包括：

第一获取模块，用于获取原始图像；

分割模块，用于根据车牌的属性信息对所述原始图像进行图像分割，得到所述目标车牌图像，所述属性信息包括：车牌尺寸、车牌颜色、车牌的螺母位置以及数量、车牌的字符数目和车牌的组合形式。

6.根据权利要求5所述的装置，其特征在于，所述第一训练单元包括：

第二获取模块，用于获取所述目标图像的环境属性；

配置模块，用于根据所述环境属性确定配置所述预设训练模型的训练参数，所述训练参数至少包括所述指定维度；

训练模块，用于根据所述配置后的预设训练模型对所述目标图像进行训练，得到所述指定维度对应的深度特征集。

7.根据权利要求5或6所述的装置，其特征在于，所述预测标签序列集包含P个预测标签序列，所述P为大于1的整数；

所述转化单元包括：

第一确定模块，用于确定所述P个预测标签序列对应的字符数目N；

筛选模块，用于根据所述N对所述P个预测标签序列进行筛选，得到Q个预测标签序列，所述Q为不大于所述P的正整数，所述Q个预测标签序列中每一预测标签序列均包含N个字符；

第二确定模块，用于根据所述Q个预测标签序列确定出目标预测标签序列，将所述目标预测标签序列作为所述目标车牌号。

8.根据权利要求5或6所述的装置，其特征在于，所述转化单元，包括：

第三确定模块，用于通过预设CTC模型确定所述预测标签序列集中的每一预测标签序列与实际标签序列间的误差，得到多个误差值；

选取模块，用于从所述多个误差值中选取最小误差值对应的预测标签序列作为所述目标车牌号。