[发明专利]车牌识别方法、装置及系统

说明书

车牌识别方法、装置及系统。本公开提供车牌识别方法及车牌识别装置。在车牌识别设备中部署被实现为神经网络模型的像素分类预测模型和车牌预测模型。在进行车牌识别时，基于像素分类预测模型对待处理车牌图像进行像素分类预测得到各个像素的像素分类预测结果。接着，根据各个像素的像素分类预测结果从待处理车牌图像中确定出车牌区域图像。然后，基于车牌预测模型来对车牌区域图像进行车牌字符串预测和车牌类型预测，由此预测出车牌类型和车牌号码。利用上述方法，可以实现具有鲁棒性的车牌识别方案。

技术领域

本公开通常涉及图像处理领域，尤其涉及车牌识别方法、装置及系统。

背景技术

随着智慧城市的快速建设，车牌识别技术被广泛应用于停车管理、违法停车识别等领域。传统车牌识别系统只适用于卡口等封闭式应用场景，对于开放式应用场景不具有鲁棒性。人工智能技术(Artificial Intelligence，AI)的发展使得提供可应用于开放式应用场景的具有鲁棒性的车牌识别技术成为可能。

发明内容

鉴于上述，本公开提供一种车牌识别方法和车牌识别装置。利用该车牌识别方法及装置，可以实现具有鲁棒性的车牌识别方案。

根据本公开的一个方面，提供一种车牌识别方法，包括：基于像素分类预测模型对待处理车牌图像来进行像素分类预测，得到所述待处理车牌图像中的各个像素的像素分类预测结果，所述像素分类包括车牌像素和背景像素；根据各个像素的像素分类预测结果，从所述待处理车牌图像中确定出车牌区域图像；以及基于车牌预测模型对所述车牌区域图像进行车牌字符串预测和车牌类型预测，其中，所述像素分类预测模型和所述车牌预测模型是神经网络模型。

利用上述方法，在进行车牌识别时，通过利用像素分类预测模型来对待处理车牌图像进行像素级分类预测，然后根据像素分类预测结果来直接进行车牌图像分割和车牌区域图像确定，可以无需常规车牌区域图像确定方案中的大量前处理过程和后处理过程，从而大大简化车牌区域图像确定过程，减少车牌识别过程的计算量，由此提升车牌识别方案的效率和鲁棒性。

可选地，在上述方面的一个示例中，基于像素分类预测模型对待处理车牌图像进行像素分类预测，得到所述待处理车牌图像中的各个像素的像素分类预测结果包括：从待处理车牌图像中提取出所述待处理车牌图像在不同分辨率下的多个尺度特征图；对所述多个尺度特征图进行特征融合，得到经过融合后的特征图；将融合后的特征图缩放到所述待处理车牌图像的原始尺寸；以及根据经过缩放后的特征图进行像素分类预测，得到所述待处理车牌图像中的各个像素的像素分类预测结果。

利用上述方法，在进行像素分类预测时，通过获取不同分辨率下的多个尺度特征图，并且对所获取的尺度特征图进行特征融合，从而可以获取更多的像素特征信息，由此提升像素分类预测的精度。

可选地，在上述方面的一个示例中，根据各个像素的像素分类预测结果，确定所述待处理车牌图像的车牌区域图像包括：根据各个像素的像素分类预测结果，确定各个像素的像素类别；构建由被确定为车牌像素的像素组成的连通区域；对所述连通区域进行区域扩展；以及根据区域扩展的结果来从所述待处理车牌图像中裁剪出车牌区域图像。

利用上述方法，通过根据像素分类预测结果来构建车牌连通区域，并且对所构建的车牌连通区域进行区域扩展，可以降低由于车牌遮挡或者车牌反光等导致的待处理车牌图像缺失而发生的车牌区域图像确定误差，由此提升车牌区域图像确定精度。

可选地，在上述方面的一个示例中，对所述连通区域进行区域扩展包括：将所述连通区域扩展为具有车牌尺寸的规则形状。

利用上述方法，通过将连通区域扩展为具有车牌尺寸的规则形状，可以使得所得到的车牌区域图像更准确。

可选地，在上述方面的一个示例中，基于车牌预测模型对所述车牌区域图像进行车牌字符串预测和车牌类型预测包括：从所述车牌区域图像中提取出所述车牌区域图像中的内容特征；以及根据所提取出的内容特征来预测车牌类型以及车牌字符串。