本發(fā)明涉及智能交通技術(shù)領(lǐng)域，尤其涉及一種高效準(zhǔn)確的車牌識(shí)別方法。

背景技術(shù)：

隨著視頻監(jiān)控技術(shù)和深度學(xué)習(xí)技術(shù)的發(fā)展，智能交通系統(tǒng)成為未來交通系統(tǒng)的發(fā)展方向，可以緩解日益加劇的城市交通擁堵頑疾，減少交通違章和惡性交通事故現(xiàn)象，也為各類交通事故以及人身財(cái)產(chǎn)安全的事后處理提供有力的證據(jù)。而在這個(gè)過程中，車牌號(hào)碼作為機(jī)動(dòng)車特有的身份表征，起到了至關(guān)重要的作用，故車牌識(shí)別系統(tǒng)是智能交通系統(tǒng)的重要組成部分之一。

目前車牌識(shí)別的傳統(tǒng)方法主要包括兩個(gè)步驟，即字符分割和字符識(shí)別。對于字符分割，是指在車牌圖片中，準(zhǔn)確獲取字符區(qū)域，為下一步的字符識(shí)別做準(zhǔn)備。能否準(zhǔn)確地分割字符區(qū)域，將直接影響車牌識(shí)別效果的好壞，是整個(gè)車牌識(shí)別算法的基礎(chǔ)。對于字符識(shí)別，是指用模式識(shí)別的方法對字符分割獲得的每個(gè)字符區(qū)域進(jìn)行識(shí)別，獲得最終的車牌字符信息，是整個(gè)車牌識(shí)別算法的關(guān)鍵。下面分別從字符分割和字符識(shí)別兩個(gè)方面介紹相關(guān)的研究工作。

在針對字符分割的研究中，目前常用的方法主要有基于投影的方法和基于連通域的方法。在專利《一種基于積分特征通道與灰度投影的車牌識(shí)別系統(tǒng)》中，采用基于投影的方法，根據(jù)車牌的灰度投影曲線圖和波峰波谷的情況對字符進(jìn)行分割。在專利《一種車牌識(shí)別方法》中，采用基于連通域的方法，對車牌圖片進(jìn)行二值化操作之后進(jìn)行連通域標(biāo)記，然后根據(jù)連通域分析得到字符區(qū)域。上述方法都是針對車牌較為清晰、光照均勻等簡單場景，如停車場、收費(fèi)站等。如果直接應(yīng)用在交通監(jiān)控等場景，光照不均勻、車牌污損、背景復(fù)雜等環(huán)境因素將會(huì)嚴(yán)重影響字符分割算法的效果，會(huì)導(dǎo)致基于投影的方法中所得到的灰度曲線波峰波谷不明顯或有多余的波峰波谷，會(huì)導(dǎo)致基于連通域的方法中的二值化圖像發(fā)生黏連，直接導(dǎo)致無法正確分割字符，進(jìn)而導(dǎo)致字符識(shí)別出錯(cuò)?？梢?，現(xiàn)有方法對環(huán)境因素過于敏感，魯棒性較差，無法用于交通監(jiān)控等復(fù)雜場景中。

在針對字符識(shí)別的研究中，目前常用的傳統(tǒng)方法主要有基于模板匹配的方法和基于特征分類器的方法。在專利《一種車牌識(shí)別方法》中，采用基于模板匹配的方法，建立字符模板庫與待識(shí)別字符進(jìn)行匹配，尋找最相似的字符。在專利《一種基于混合特征與灰度投影的車牌識(shí)別方法》中，人工設(shè)計(jì)了聯(lián)合hog特征，使用預(yù)先訓(xùn)練好的svm進(jìn)行分類?；谀０迤ヅ涞姆椒▽Νh(huán)境因素過于敏感，車牌的污損和光照變化會(huì)直接影響模板匹配的效果，而且該算法需要與模板庫中的每一個(gè)字符進(jìn)行匹配，再選取最相似的一個(gè)，算法效率較低。而人工設(shè)計(jì)特征的方法中設(shè)計(jì)過程過于繁瑣，針對不同的使用場景需要設(shè)計(jì)不同的特征，算法魯棒性較差，而且復(fù)雜特征的計(jì)算代價(jià)高，算法效率較低。

隨著深度學(xué)習(xí)技術(shù)的成熟，車牌識(shí)別技術(shù)開始與深度學(xué)習(xí)算法相結(jié)合。在《一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別方法》專利中，使用深度自編碼器對字符進(jìn)行識(shí)別。在《一種基于卷積神經(jīng)網(wǎng)絡(luò)的中文車牌識(shí)別方法》專利中，使用卷積神經(jīng)網(wǎng)絡(luò)對字符進(jìn)行識(shí)別。使用深度學(xué)習(xí)的方法進(jìn)行字符識(shí)別，可以一定程度上提升車牌識(shí)別算法的魯棒性和準(zhǔn)確性。然而上述的傳統(tǒng)方法和基于深度學(xué)習(xí)的方法，都仍存在較大的技術(shù)瓶頸。首先，字符識(shí)別算法的效果直接受字符分割算法效果的影響，由上述分析可知，目前的字符分割效果應(yīng)用于復(fù)雜場景時(shí)并不理想。其次，對于車牌的每一個(gè)字符都需要調(diào)用字符識(shí)別算法，這大大降低了車牌識(shí)別算法的效率。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種高效準(zhǔn)確的車牌識(shí)別方法，大大提高了車牌識(shí)別的魯棒性和效率。

本發(fā)明的目的是通過以下技術(shù)方案實(shí)現(xiàn)的：

一種高效準(zhǔn)確的車牌識(shí)別方法，包括：

對輸入的車牌圖片進(jìn)行車牌緊致化處理，獲得緊致的車牌圖片；

使用預(yù)先訓(xùn)練好的全卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行車牌整體識(shí)別，獲得緊致的車牌圖片中每一個(gè)像素點(diǎn)字符類別的預(yù)測結(jié)果，形成標(biāo)簽得分矩陣；

對標(biāo)簽得分矩陣進(jìn)行分析，獲得最終的車牌字符串信息。

所述對輸入的車牌圖片進(jìn)行車牌緊致化處理，獲得緊致的車牌圖片包括：

對輸入的車牌圖片進(jìn)行灰度化處理，再計(jì)算x方向和y方向的梯度圖，并相應(yīng)的進(jìn)行x方向和y方向的投影，獲得投影曲線；

結(jié)合投影曲線與預(yù)先設(shè)置的閾值來計(jì)算感興趣區(qū)域的邊界，將四周小于閾值的部分剔除，實(shí)現(xiàn)對車牌圖片中背景部分的裁剪，并將裁剪后車牌圖片的大小調(diào)整至與車牌長寬比相近的固定尺寸，最終獲得緊致的車牌圖片。

利用標(biāo)定好的車牌識(shí)別數(shù)據(jù)訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型，其包括：

收集各個(gè)省份的車牌圖片并進(jìn)行車牌緊致化處理后作為樣本，然后為每個(gè)樣本制作相應(yīng)的標(biāo)簽矩陣，標(biāo)簽矩陣中的每個(gè)元素表示了對應(yīng)像素點(diǎn)的字符類別；再使用深度學(xué)習(xí)框架，建立全卷積神經(jīng)網(wǎng)絡(luò)模型；

以樣本和相應(yīng)的標(biāo)簽矩陣組成數(shù)據(jù)對，通過反向傳播算法以及梯度下降策略，使得損失函數(shù)最小化，最終得到訓(xùn)練好的全卷積神經(jīng)網(wǎng)絡(luò)模型。

所述使用預(yù)先訓(xùn)練好的全卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行車牌整體識(shí)別，獲得緊致的車牌圖片中每一個(gè)像素點(diǎn)字符類別的預(yù)測結(jié)果，形成標(biāo)簽得分矩陣包括：

將緊致的車牌圖片輸入訓(xùn)練好的全卷積神經(jīng)網(wǎng)絡(luò)模型的輸入層，然后全卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行前向傳播，最終得到一個(gè)m×n×c的標(biāo)簽得分矩陣；其中，m與n為車牌圖片尺寸，c為標(biāo)簽類別數(shù)目；

標(biāo)簽得分矩陣中每一個(gè)元素代表了對應(yīng)像素點(diǎn)所屬不同字符類別的得分。

所述對標(biāo)簽得分矩陣進(jìn)行分析，獲得最終的車牌字符串信息包括：

將標(biāo)簽得分矩陣中，每一像素點(diǎn)得分最高的字符類別作為相應(yīng)像素點(diǎn)的字符類別標(biāo)簽，得到標(biāo)簽矩陣l，再將標(biāo)簽矩陣l分成s個(gè)對應(yīng)字符標(biāo)簽的二值圖；

對每一二值圖進(jìn)行字符類別塊分析，獲得一系列的字符圖像塊的標(biāo)記，過濾掉大小與寬度小于設(shè)定值，以及不符合字符幾何特征的字符圖像塊之后，獲得字符圖像塊序列；

記錄下每一個(gè)字符圖像塊的平均橫坐標(biāo)以及對應(yīng)的字符類別，將字符類別按照平均橫坐標(biāo)從小到大進(jìn)行排列，從而初步獲得字符串序列；

若字符串序列的長度為預(yù)定值，即滿足車牌的字符數(shù)量，則將字符串序列按字符圖像塊平均橫坐標(biāo)從小到大排列，從而獲得最終的車牌字符串信息。

該方法還包括：

若所得到字符串序列長度不等于預(yù)定值，則獲取每一個(gè)字符圖像塊的寬度，再按寬度從大到小的順序依次對字符圖像塊進(jìn)行字符精細(xì)化分析，分析結(jié)果采用聯(lián)合投票策略進(jìn)行判斷，直至字符總數(shù)等于預(yù)定值或者所有的字符圖像塊均進(jìn)行了字符精細(xì)化分析。

字符精細(xì)化分析包括如下三種方法：

第一種方法：預(yù)先統(tǒng)計(jì)車牌圖片中每一字符的平寬度，根據(jù)字符圖像塊的寬度和字符類別，確定相應(yīng)字符類別的平均寬度，從而確定字符圖像塊中的字符數(shù)num1；

第二種方法：對緊致的車牌圖片進(jìn)行閾值化處理獲得閾值圖，根據(jù)字符圖像塊的邊界，在閾值圖中截取感興趣區(qū)域；對感興趣區(qū)域進(jìn)行輪廓查找的操作，并過濾掉大小與寬度小于預(yù)設(shè)值以及不符合字符幾何特征的輪廓之后，獲得相應(yīng)的輪廓數(shù)，并將其作為字符圖像塊的字符數(shù)num2；

第三種方法：對第二種方法中的感興趣區(qū)域進(jìn)行豎直方向的投影獲得投影曲線，然后針對不同類型的字符，使用不同階次的多項(xiàng)式函數(shù)進(jìn)行擬合，再統(tǒng)計(jì)波峰的數(shù)目，并將其作為字符圖像塊的字符數(shù)num3。

根據(jù)字符精細(xì)化分析得到的三個(gè)字符數(shù)，采用聯(lián)合投票策略，來最終確定圖像塊中的字符數(shù)：若字符數(shù)num1～num3中某個(gè)數(shù)值占多數(shù)，則認(rèn)為字符個(gè)數(shù)為相應(yīng)數(shù)值；若字符數(shù)num1～num3各不相同，則考察字符數(shù)num2和num3，與字符數(shù)num1之間的距離，取距離最小的數(shù)值作為字最終的字符個(gè)數(shù)；若最終的字符個(gè)數(shù)不等于預(yù)定值，則繼續(xù)處理下一寬度大小的字符圖像塊，直到所處理的字符圖像塊包含的字符總數(shù)等于預(yù)定值或者所有的字符圖像塊均進(jìn)行了字符精細(xì)化分析。

由上述本發(fā)明提供的技術(shù)方案可以看出，無需進(jìn)行字符分割，避免了現(xiàn)有方法在分割字符時(shí)魯棒性差的問題；其次，本發(fā)明使用全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行車牌識(shí)別，只需進(jìn)行一次識(shí)別過程，算法效率高，且在識(shí)別過程中結(jié)合了車牌完整的上下文信息，大大提高了識(shí)別的準(zhǔn)確度和魯棒性；最后，本發(fā)明在進(jìn)行標(biāo)簽矩陣分析時(shí)，針對不同的車牌和不同的字符進(jìn)行差異化處理，進(jìn)一步提高了算法的魯棒性和適用性。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對實(shí)施例描述中所需要使用的附圖作簡單地介紹，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，對于本領(lǐng)域的普通技術(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)這些附圖獲得其他附圖。

圖1為本發(fā)明實(shí)施例提供的一種高效準(zhǔn)確的車牌識(shí)別方法的流程圖；

圖2為本發(fā)明實(shí)施例提供的車牌緊致化處理的流程圖；

圖3為本發(fā)明實(shí)施例提供的分析標(biāo)簽得分矩陣的流程圖；

圖4為本發(fā)明實(shí)施例提供的兩種字符精細(xì)化分析方法的流程圖。

具體實(shí)施方式

下面結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，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?；诒景l(fā)明的實(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)明的保護(hù)范圍。

為了解決現(xiàn)有車牌識(shí)別算法魯棒性差、效率較低的問題，使得車牌識(shí)別算法可應(yīng)用于復(fù)雜交通監(jiān)控場景，本發(fā)明實(shí)施例提供了一種高效準(zhǔn)確的車牌識(shí)別方法，該方法不需要進(jìn)行字符分割，使得算法魯棒性更強(qiáng)，適合于在復(fù)雜場景中使用。同時(shí)，使用全卷積神經(jīng)網(wǎng)絡(luò)，針對單個(gè)車牌只進(jìn)行一次識(shí)別過程，無需進(jìn)行字符分割處理，解決了現(xiàn)有方法在進(jìn)行字符分割時(shí)對環(huán)境干擾過于敏感的問題，以及字符識(shí)別算法反復(fù)調(diào)用導(dǎo)致的效率低下問題，大大提高了算法的魯棒性和效率。進(jìn)一步，為了提高算法對復(fù)雜場景的適應(yīng)性，在進(jìn)行標(biāo)簽矩陣分析時(shí)使用多種方法和聯(lián)合投票策略，使得車牌識(shí)別算法在光照不均、背景噪聲過多、運(yùn)動(dòng)模糊等環(huán)境干擾下仍能準(zhǔn)確高效地運(yùn)行，可以在復(fù)雜場景下使用。

如圖1所示，為本發(fā)明實(shí)施例提供的一種高效準(zhǔn)確的車牌識(shí)別方法的流程圖，主要過程如下：首先，對輸入的車牌圖片進(jìn)行車牌緊致化處理，獲得緊致的車牌圖片；然后，使用預(yù)先訓(xùn)練好的全卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行車牌整體識(shí)別，獲得緊致的車牌圖片中每一個(gè)像素點(diǎn)字符類別的預(yù)測結(jié)果，形成標(biāo)簽得分矩陣；對標(biāo)簽得分矩陣進(jìn)行分析，獲得最終的車牌字符串信息。

為了便于理解，下面針對上述各個(gè)步驟做詳細(xì)的介紹。

一、車牌緊致化處理。

車牌緊致化處理的流程如圖2所示，首先對輸入的車牌圖片進(jìn)行灰度化處理，再計(jì)算x方向和y方向的梯度圖，并相應(yīng)的進(jìn)行x方向和y方向的投影，獲得投影曲線；然后，結(jié)合投影曲線與預(yù)先設(shè)置的閾值來計(jì)算感興趣區(qū)域的邊界，將四周小于閾值的部分剔除，實(shí)現(xiàn)對車牌圖片中背景部分的裁剪，并將裁剪后車牌圖片的大小調(diào)整至與車牌長寬比相近的固定尺寸，最終獲得緊致的車牌圖片。

示例性的，可以將裁剪后的車牌圖片調(diào)整至50×160的大小。

二、全卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與像素級(jí)車牌識(shí)別。

1、建立與訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型。

本發(fā)明實(shí)施例中，可以利用標(biāo)定好的車牌識(shí)別數(shù)據(jù)，預(yù)先訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型，相關(guān)過程如下：收集各個(gè)省份的車牌圖片并進(jìn)行車牌緊致化處理后作為樣本，然后為每個(gè)樣本制作相應(yīng)的標(biāo)簽矩陣，標(biāo)簽矩陣中的每個(gè)元素表示了對應(yīng)像素點(diǎn)的字符類別；再使用深度學(xué)習(xí)框架，建立全卷積神經(jīng)網(wǎng)絡(luò)模型；以樣本和相應(yīng)的標(biāo)簽矩陣組成數(shù)據(jù)對，通過反向傳播算法以及梯度下降策略，使得損失函數(shù)最小化，最終得到訓(xùn)練好的全卷積神經(jīng)網(wǎng)絡(luò)模型。

示例性的，制作樣本時(shí)的字符類別總共有65類，車牌漢字字符主要包括22個(gè)省、5個(gè)自治區(qū)和4個(gè)直轄市的簡稱，總共31類；數(shù)字字符為0-9的10類；字母字符為a-z(不包含i和o)的24類。

2、像素級(jí)車牌識(shí)別。

本發(fā)明實(shí)施例中，使用訓(xùn)練好的全卷積神經(jīng)網(wǎng)絡(luò)模型，對緊致的車牌圖像進(jìn)行字符序列的整體識(shí)別，獲得像素級(jí)的字符類別標(biāo)簽，形成標(biāo)簽得分矩陣。具體的如下：將緊致的車牌圖片輸入訓(xùn)練好的全卷積神經(jīng)網(wǎng)絡(luò)模型的輸入層，然后全卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行前向傳播，最終得到一個(gè)m×n×c的標(biāo)簽得分矩陣；其中，m與n為車牌圖片尺寸，c為標(biāo)簽類別數(shù)目。標(biāo)簽得分矩陣中每一個(gè)元素代表了對應(yīng)像素點(diǎn)所屬不同字符類別的得分。

三、標(biāo)簽得分矩陣分析。

分析過程如圖3所示，首先，將標(biāo)簽得分矩陣中，每一像素點(diǎn)得分最高的字符類別作為相應(yīng)像素點(diǎn)的字符類別標(biāo)簽，得到標(biāo)簽矩陣l，再將標(biāo)簽矩陣l分成s個(gè)對應(yīng)字符標(biāo)簽的二值圖；第i個(gè)二值圖記為li，如果某個(gè)像素點(diǎn)屬于第i字符標(biāo)簽，則值為1，不是則值為0，表示為l(x，y)＝i，則li(x，y)＝1，否則li(x，y)＝0。示例性的，因?yàn)橛?5個(gè)字符類別，故選取s為65。

對每一個(gè)二值圖進(jìn)行字符類別塊分析，獲得一系列的字符圖像塊的標(biāo)記，過濾掉大小與寬度小于設(shè)定值，以及不符合字符幾何特征的字符圖像塊之后，獲得字符圖像塊序列；

記錄下每一個(gè)字符圖像塊的平均橫坐標(biāo)以及對應(yīng)的字符類別，將字符類別按照平均橫坐標(biāo)從小到大進(jìn)行排列，從而初步獲得字符串序列；

若字符串序列的長度為預(yù)定值，即滿足車牌的字符數(shù)量，則將字符串序列按字符圖像塊平均橫坐標(biāo)從小到大排列，從而獲得最終的車牌字符串信息。

若所得到字符串序列長度不等于預(yù)定值，則獲取每一個(gè)字符圖像塊的寬度，再按寬度從大到小的順序依次對字符圖像塊進(jìn)行字符精細(xì)化分析，分析結(jié)果采用聯(lián)合投票策略進(jìn)行判斷，直至字符總數(shù)等于預(yù)定值或者所有的字符圖像塊均進(jìn)行了字符精細(xì)化分析。

示例性的，根據(jù)國內(nèi)車牌規(guī)范中的字符個(gè)數(shù)，所述預(yù)定值為七；但如果車牌類型(如雙行車牌、國外車牌)的字符數(shù)不是七，則預(yù)定值適應(yīng)性改為其他數(shù)值。圖3中為了便于講解，預(yù)定值取為七。

本發(fā)明實(shí)施例中，字符精細(xì)化分析包括如下三種方法：

第一種方法，即基于統(tǒng)計(jì)寬度的方法，其過程如下：預(yù)先統(tǒng)計(jì)車牌圖片中每一字符的平寬度，根據(jù)字符圖像塊的寬度和字符類別，確定相應(yīng)字符類別的平均寬度，從而確定字符圖像塊中的字符數(shù)num1；

第二種方法，即基于輪廓查找的方法，其過程如下：對緊致的車牌圖片進(jìn)行閾值化處理獲得閾值圖，根據(jù)字符圖像塊的邊界，在閾值圖中截取感興趣區(qū)域；對感興趣區(qū)域進(jìn)行輪廓查找的操作，并過濾掉大小與寬度小于預(yù)設(shè)值以及不符合字符幾何特征的輪廓之后，獲得相應(yīng)的輪廓數(shù)，并將其作為字符圖像塊的字符數(shù)num2；

第三種方法，即基于投影分析的方法，其過程如下：對第二種方法中的感興趣區(qū)域進(jìn)行豎直方向的投影獲得投影曲線，然后針對不同類型的字符，使用不同階次的多項(xiàng)式函數(shù)進(jìn)行擬合，再統(tǒng)計(jì)波峰的數(shù)目，并將其作為字符圖像塊的字符數(shù)num3。示例性的，對字符“6”使用十階的多項(xiàng)式函數(shù)進(jìn)行擬合。

基于輪廓查找的方法與基于投影分析的方法的實(shí)施流程如圖4所示，圖4中的閾值圖以及對閾值圖進(jìn)行后續(xù)處理所涉及的相關(guān)圖片雖然有一定的模糊，但是圖4主要是針對“基于輪廓查找的方法與基于投影分析的方法”的流程進(jìn)行介紹，所包含的模糊圖片僅用于示意并非構(gòu)成限制，當(dāng)然也不會(huì)影響本發(fā)明的完整性。

本發(fā)明實(shí)施例中，根據(jù)字符精細(xì)化分析得到的三個(gè)字符數(shù)，采用聯(lián)合投票策略，來最終確定圖像塊中的字符數(shù)：若字符數(shù)num1～num3中某個(gè)數(shù)值占多數(shù)，則認(rèn)為字符個(gè)數(shù)為相應(yīng)數(shù)值；若字符數(shù)num1～num3各不相同，則考察字符數(shù)num2和num3，與字符數(shù)num1之間的距離，取距離最小的數(shù)值作為字最終的字符個(gè)數(shù)；若最終的字符個(gè)數(shù)不等于預(yù)定值，則繼續(xù)處理下一寬度大小的字符圖像塊。

如圖3所示，第一次做精細(xì)化分析與精細(xì)化分析時(shí)是針對寬度最大的字符圖像塊(即字符區(qū)域)，如最終獲得的字符個(gè)數(shù)不為七，則繼續(xù)處理寬度第二大的字符圖像塊，直到所處理的字符圖像塊所包含的字符總數(shù)等于七或者所有的字符圖像塊均進(jìn)行了字符精細(xì)化分析。

本領(lǐng)域技術(shù)人員可以理解，本文所涉及的閾值、設(shè)定值、預(yù)設(shè)值及預(yù)定值均可根據(jù)實(shí)際情況或者經(jīng)驗(yàn)來確定。

本發(fā)明實(shí)施例上述方案，無需進(jìn)行字符分割，避免了現(xiàn)有方法在分割字符時(shí)魯棒性差的問題；其次，本發(fā)明使用全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行車牌識(shí)別，只需進(jìn)行一次識(shí)別過程，算法效率高，且在識(shí)別過程中結(jié)合了車牌完整的上下文信息，大大提高了識(shí)別的準(zhǔn)確度和魯棒性；最后，本發(fā)明在進(jìn)行標(biāo)簽矩陣分析時(shí)，針對不同的車牌和不同的字符進(jìn)行差異化處理，進(jìn)一步提高了算法的魯棒性和適用性。

通過以上的實(shí)施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到上述實(shí)施例可以通過軟件實(shí)現(xiàn)，也可以借助軟件加必要的通用硬件平臺(tái)的方式來實(shí)現(xiàn)?；谶@樣的理解，上述實(shí)施例的技術(shù)方案可以以軟件產(chǎn)品的形式體現(xiàn)出來，該軟件產(chǎn)品可以存儲(chǔ)在一個(gè)非易失性存儲(chǔ)介質(zhì)(可以是cd-rom，u盤，移動(dòng)硬盤等)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述的方法。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明披露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。