[发明专利]车牌识别方法、装置、设备及存储介质

说明书

本发明实施例提供一种车牌识别方法、装置、设备及存储介质，该方法包括：获取待识别的车牌图像，其中，所述车牌图像包含车牌；通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，其中，所述多个识别模型为多个不同类型的深度学习模型；将各个识别模型对应的车牌识别结果进行融合，得到所述车牌图像的车牌识别结果。本发明实施例能够利用多个类型的深度学习模型的不同网络特性，从而在各种复杂场景下都具有较高的车牌识别准确度。

技术领域

本发明实施例涉及图像识别技术领域，尤其涉及一种车牌识别方法、装置、设备及存储介质。

背景技术

车牌用于标识车辆，是车辆区别于其他车辆的一项重要信息。车牌识别技术已被广泛应用在道路交通监测、高速公路自动收费系统、停车场管理系统等场景中，以获取场景内车辆的号牌信息，在治安管理等众多方面发挥着重要作用。实际应用中，由于光照、拍摄角度、污损等原因，可能导致采集到的车牌图像清晰度较差，并且有的车牌样式存在边框与字符粘连、字符与字符粘连、字符间内嵌、特殊字体形态等问题，这些都导致车牌识别的准确度较差。

现有技术中，对于基于深度学习模型的车牌识别，通常通过增加训练样本数量的方式来提高深度学习模型的识别准确度。

然而，由于深度学习模型的网络特性的限制，当训练样本的数量达到一定程度后，继续增加训练样本难以进一步提高识别准确度，因此无法进一步提高复杂场景下的车牌识别的准确度。

发明内容

本发明实施例提供一种车牌识别方法、装置、设备及存储介质，以解决在复杂场景下车辆识别的准确度差的问题。

第一方面，本发明实施例提供一种车牌识别方法，包括：

获取待识别的车牌图像，其中，所述车牌图像包含车牌；

通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，其中，所述多个识别模型为多个不同类型的深度学习模型；

将各个识别模型对应的车牌识别结果进行融合，得到所述车牌图像的车牌识别结果。

在一种可能的实施方式中，所述多个识别模型中包括由第一卷积神经网络CNN和第一注意力模型AM组成的识别模型；

所述通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，包括：

通过所述第一CNN提取所述车牌图像的字符特征；

将所述车牌图像的字符特征输入所述第一AM进行字符识别，得到第一车牌识别结果。

在一种可能的实施方式中，所述多个识别模型中包括由第二CNN和连续时序分类CTC模型组成的识别模型；

所述通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，包括：

识别所述车牌图像中车牌的类型是否为单层车牌，并在所述车牌的类型不是单层车牌时，将所述车牌图像拼接为单层车牌图像；在所述车牌的类型是单层车牌时，将所述车牌图像作为所述单层车牌图像；

通过所述第二CNN提取所述单层车牌图像的字符特征；

将所述单层车牌图像的字符特征输入所述CTC模型进行字符识别，得到第二车牌识别结果。

在一种可能的实施方式中，所述识别所述车牌图像中车牌的类型是否为单层车牌，并在所述车牌的类型不是单层车牌时，将所述车牌图像拼接为单层车牌图像，包括：

识别所述车牌图像中车牌的类型；

在所述车牌的类型不是单层车牌时，从预置的多个车牌模板中获取所述车牌所属类型对应的车牌模板，其中，每个类型对应于一个车牌模板；