CN116129420A - 车牌分类方法、装置及非易失性存储介质 - Google Patents

Abstract

本发明公开了一种车牌分类方法、装置及非易失性存储介质。其中，该方法包括：获取待识别车辆图像；对上述待识别车辆图像进行车牌检测处理，得到车牌检测结果；在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，确定上述待识别车辆图像中的待识别车牌图像；基于预先训练好的车牌分类模型对上述待识别车牌图像进行车牌分类处理，得到车牌分类结果，其中，上述车牌分类模型是基于标注有车牌类型的车牌样本图像训练得到的。本发明解决了相关技术中的车牌分类方法存在的车牌检测效率低且检测分类精度低的技术问题。

Description

车牌分类方法、装置及非易失性存储介质

技术领域

本发明涉及车辆识别领域，具体而言，涉及一种车牌分类方法、装置及非易失性存储介质。

背景技术

目前车牌检测分类方法大多是基于改进的Yolo(You Only Live Once)目标检测算法获取车牌位置和车牌类型。即首先获取包含车牌的图片数据，制作图片中车牌的关键点和车牌类型标签，并划分好深度学习模型用到的训练集、验证集和测试集；其次，根据车牌数据特点改进Yolo算法，并使用改进的Yolo算法对数据集进行训练，得到训练好的车牌检测分类网络；然后，将需要检测分类的车牌图像数据传入到训练好的车牌检测模型中，得到检测到的车牌位置与类型结果。上述方法需要在检测车牌的同时还进行车牌类型的分类，例如，直接输出检测到的车牌区域关键点和分类后的蓝色车牌类型。

但是，现有技术采用的Yolo算法适用于检测，不适用于分类。当车牌图片发生了图像畸变时，如侧面拍摄的车牌照片，则会影响车牌分类效果。另外，当车牌类型过多或需要与其它多个任务一起运行时，如车辆颜色分类、车牌检测识别任务，现有技术需要训练很多个分类器，导致模型推理时间变长、模型所需内存增加、检测分类精度降低等问题，无法在边缘设备中实时处理。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种车牌分类方法、装置及非易失性存储介质，以至少解决相关技术中的车牌分类方法存在的车牌检测效率低且检测分类精度低的技术问题。

根据本发明实施例的一个方面，提供了一种车牌分类方法，包括：获取待识别车辆图像；对上述待识别车辆图像进行车牌检测处理，得到车牌检测结果；在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，确定上述待识别车辆图像中的待识别车牌图像；基于预先训练好的车牌分类模型对上述待识别车牌图像进行车牌分类处理，得到车牌分类结果，其中，上述车牌分类模型是基于标注有车牌类型的车牌样本图像训练得到的。

根据本发明实施例的另一方面，还提供了一种车牌分类装置，包括：获取模块，用于获取待识别车辆图像，将上述待识别车辆图像输入至预先训练好的车牌分类模型；处理模块，用于基于上述车牌分类模型中的车牌检测模型对上述待识别车辆图像进行车牌检测处理，得到车牌检测结果，其中，上述车牌检测模型是基于标注有车牌区域的车辆样本图像训练得到的；确定模块，用于在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，确定上述待识别车辆图像中的待识别车牌图像；分类模块，用于基于上述车牌分类模型中的车牌分类模型对上述待识别车牌图像进行车牌分类处理，得到车牌分类结果，其中，上述车牌分类模型是基于标注有车牌类型的车牌样本图像训练得到的。

根据本发明实施例的另一方面，还提供了一种非易失性存储介质，上述非易失性存储介质存储有多条指令，上述指令适于由处理器加载并执行任意一项上述的车牌分类方法。

在本发明实施例中，通过获取待识别车辆图像；对上述待识别车辆图像进行车牌检测处理，得到车牌检测结果；在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，确定上述待识别车辆图像中的待识别车牌图像；基于预先训练好的车牌分类模型对上述待识别车牌图像进行车牌分类处理，得到车牌分类结果，其中，上述车牌分类模型是基于标注有车牌类型的车牌样本图像训练得到的，达到了通过构建有车牌检测模型和车牌分类模型的车牌分类模型进行车牌分类，准确进行车牌检测与车牌分类的目的，从而实现了提升车牌检测与车牌分类准确性的技术效果，进而解决了相关技术中的车牌分类方法存在的车牌检测效率低且检测分类精度低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种车牌分类方法的示意图；

图2是根据现有技术的原始的Yolov5目标检测网络模型结构示意图；

图3是根据本发明实施例的一种可选的改进后的Yolov5目标检测网络模型结构示意图；

图4是根据本发明实施例的一种可选的控件变换网络实现过程示意图；

图5是根据本发明实施例的一种可选的车牌分类方法的流程图；

图6是根据本发明实施例的一种车牌分类装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种车牌分类的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的车牌分类方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取待识别车辆图像。

可选的，上述待识别车辆图像可以但不限于为通过图像采集设备(如摄像头设备)实时采集到的，上述待识别车辆图像为车辆全局图像、车辆头部图像或者车辆尾部图像。

步骤S104，对上述待识别车辆图像进行车牌检测处理，得到车牌检测结果。

在一种可选的实施例中，上述对上述待识别车辆图像进行车牌检测处理，得到车牌检测结果，包括：对上述待识别车辆图像进行车牌检测处理，得到第一检测结果；对上述第一检测结果进行特征增强处理，得到上述车牌检测结果。

可选的，上述预定检测区域为包括有车牌的预定边缘范围的区域。需要说明的是，车牌在车辆图像中属于小目标物体，而小目标物体通常分辨率较低，其本身包含的信息有限，因此小目标物体的上下文信息在区域检测中起到了关键作用。基于此，在待识别车辆图像进行车牌检测处理之后，进一步对获取到的检测结果(即第一检测结果)，或者第一检测结果中的预定检测区域(如车牌边缘区域)进行特征增强处理，使得获取到的车牌检测结果具备更好的清晰度。

在一种可选的实施例中，上述对上述待识别车辆图像进行车牌检测处理，得到车牌检测结果，包括：采用预先训练好的车牌检测模型对上述待识别车辆图像进行车牌检测处理，得到车牌检测结果，其中，上述车牌检测模型是基于标注有车牌区域的车辆样本图像训练得到的。

可选的，上述车牌检测模型是基于标注有车牌区域的车辆样本图像，采用改进后的Yolov5目标检测网络模型训练得到的。通过以上方式，采用预先训练好的车牌检测模型进行车牌检测，以提升车牌检测效率。

在一种可选的实施例中，在上述车牌检测模型包括车牌检测模块和特征增强模块的情况下，上述对上述待识别车辆图像进行车牌检测处理，得到车牌检测结果，包括：采用上述车牌检测模块对上述待识别车辆图像进行车牌检测处理，得到第二检测结果；采用上述特征增强模块对上述第二检测结果进行特征增强处理，得到上述车牌检测结果。

可选的，上述特征增强模块为上述车牌分类模型中的一个子网络。通过在车牌检测模块中设置特征增强模块的方式，可以在对待识别图像进行车牌检测的同时，进一步对检测结果进行特征增强处理，以此获得更高清晰度的车牌检测结果。

可以理解，车牌在车辆图像中属于小目标物体，而小目标物体通常分辨率较低，其本身包含的信息有限，因此小目标物体的上下文信息在区域检测中起到了关键作用。基于此，本发明实施例通过设置自适应多尺度特征增强模块(Adaptive Multi-featureEnhancement,AME)，用于提取小目标(即车牌)的多尺度上下文信息。以上述车牌检测模型为改进后的Yolov5目标检测网络模型，特征增强模块为上述车牌检测模型中的一个子网络为例，在原始的Yolov5目标检测网络模型(如图2所示)的基础上插入AME特征增强模块，得到改进后的Yolov5目标检测网络模型(如图3所示)作为车牌分类模型中的目标检测网络，上述AME特征增强模块包括全局平均池化层、Sigmoid激活函数以及3个扩张率分别为1、2、3的空洞卷积(即Conv r＝1，Conv r＝2，Conv r＝3)组成，具体处理过程为：AME特征增强模块首先使用全局平均池化层和Sigmoid激活函数获取输入特征图注意力权重，然后将此注意力权重与扩张率分别为1、2、3的空洞卷积进行加权融合，以自适应的获取小目标的多尺度上下文信息。

此外，原始Yolov5目标检测网络模型的下采样倍数较大(下采样32倍)，而车牌区域的分辨率较低，所以较深的语义特征图很难具有车牌区域的特征信息，从而造成检测精度的降低。本发明实施例对原始的Yolov5目标检测网络模型，删除了原始Yolov5目标检测网络模型中的大尺度目标检测层，增加了针对车牌进行检测的小目标检测层。即在使用32倍下采样进行深层特征提取之后，该方法先对特征图进行多次上采样，并与浅层特征进行拼接融合，以获取小目标物体的细节信息与深层语义信息。然后，逐步降低检测层的分辨率，生成三种尺度的目标检测层。相比原始Yolov5目标检测网络模型，该方法的检测特征图增大了两倍，提高了小目标物体的检测能力。为了加快网络模型的处理速度，该方法将改进后的Yolov5目标检测网络模型中除AME特征增强模块以外的所有卷积层修改为深度可分离卷积。

步骤S106，在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，确定上述待识别车辆图像中的待识别车牌图像。

在一种可选的实施例中，上述在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，确定上述待识别车辆图像中的待识别车牌图像，包括：在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，对上述待识别车辆图像进行剪切处理，得到上述待识别车牌图像。

通过以上方式，在检测到待识别车辆图像中存在车牌的情况下，从待识别车辆图像中裁剪出车牌区域作为待识别车牌图像，由此缩小后续的图像处理范围，专门对车牌区域进行识别，在提升后续处理效率的同时排除其他区域因素可能带来的干扰。

在一种可选的实施例中，上述在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，确定上述待识别车辆图像中的待识别车牌图像，包括：在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，确定上述待识别车辆图像中的第一车牌图像，其中，上述第一车牌图像为上述待识别车辆图像中车牌区域对应的图像；判断上述第一车牌图像是否为畸变车牌图像；若上述第一车牌图像为上述畸变车牌图像，则基于空间变换网络对上述第一车牌图像进行校正处理，得到上述待识别车牌图像。

可选的，上述第一车牌图像是从上述待识别车辆图像中剪切出来的，即通过对上述待识别车辆图像中车牌区域进行剪切处理，得到上述第一车牌图像。

可以理解，在实际车辆图像获取的过程中，由于拍摄角度等因素的影响，可能导致获取到的车牌图像存在畸变的情况，进而导致车牌检测有误。通过以上方式，在获取上述待识别图像时，进行车牌畸变检测，在检测到车牌存在畸变的情况下，通过空间变化网络对存在畸变的车牌图像(即第一车牌图像)进行校正，将校正后的车牌图像作为上述待识别图像，由此提升待识别车牌图像获取精度和获取准确性，从而有效防止因检测到的车牌图像发生畸变，从而导致车牌分类效果变差的问题发生。

可选的，采用STN(Spatial Transformer NetWork)空间变换网络将发生畸变的车牌图像转换成正面的车牌图像，得到待识别车牌图像。需要说明的是，STN空间变换网络可以根据特征图像本身，主动的对特征图像进行空间变换，具有运算速度快和即插即用的特点。

在一种可选的实施例中，上述若上述第一车牌图像为上述畸变车牌图像，则基于上述空间变换网络对上述第一车牌图像进行校正处理，得到上述待识别车牌图像，包括：若上述第一车牌图像为上述畸变车牌图像，则基于上述空间变换网络，确定上述第一车牌图像对应的偏移矩阵；根据上述偏移矩阵确定上述第一车牌图像的映射位置关系；基于上述映射位置关系，对上述第一车牌图像进行校正处理，得到上述待识别车牌图像。

可选的，以上述就空间变换网络为STN空间变换网络为例，图4是根据本发明实施例的一种可选的控件变换网络实现过程示意图，如图4所示，该STN空间变换网络使用神经网络学习输入特征图像(即第一车牌图像)的偏移矩阵，根据偏移矩阵找到图像的映射位置关系，然后使用插值算法根据位置映射计算像素值进行图像校正，在此基础上得到待识别图像排除了图像畸变可能带来的干扰。

在一种可选的实施例中，上述方法还包括：若上述第一车牌图像不为上述畸变车牌图像，则将上述第一车牌图像作为上述待识别车牌图像。

可选的，在检测到第一车牌图像不为上述畸变车牌图像的情况下，直接将获取到的第一车牌图像作为待识别图像，用于后续的车牌分类处理。

步骤S108，基于预先训练好的车牌分类模型对上述待识别车牌图像进行车牌分类处理，得到车牌分类结果，其中，上述车牌分类模型是基于标注有车牌类型的车牌样本图像训练得到的。

可选的，上述车牌分类模型是基于标注有车牌类型的车牌样本图像，采用重参数化VGG(Re-param VGG，RepVGG)网络模型训练得到的。基于RepVGG网络模型进行车牌分类，能够达到提高模型训练速度的效果。

可选的，基于标注有车牌类型的车牌样本图像，采用改进后的RepVGG网络模型训练得到上述车牌分类模型。上述改进后的RepVGG网络模型可以但不限于为通过去除原始RepVGG网络模型中最后一个阶段stage的下采样网络获取到的。需要说明的是，由于裁剪后的车牌图像较小，通过原始的RepVGG网络模型对车牌图像进行5次下采样后车牌图像保存的语义信息较少。因此将RepVGG网络中最后一个阶段stage的下采样去除，只在RepVGG中进行4次下采样，以有效保留待识别车牌图像的原始图像特征。

通过上述步骤S102至步骤S108，可以达到通过构建有车牌检测模型和车牌分类模型的车牌分类模型进行车牌分类，准确进行车牌检测与车牌分类的目的，从而实现提升车牌检测与车牌分类准确性的技术效果，进而解决相关技术中的车牌分类方法存在的车牌检测效率低且检测分类精度低的技术问题。

基于上述实施例和可选实施例，本发明提出一种可选实施方式，图5是根据本发明实施例的一种可选的车牌分类方法的流程图，如图5所示，该方法包括：

步骤S1，通过人工标注方式获取到标注有车牌区域的车辆样本图像，以及标注有车牌类型的车牌样本图像；

步骤S2，基于标注有车牌区域的车辆样本图像，采用改进后的Yolov5目标检测网络模型训练得到车牌检测模型；

步骤S3，基于注有车牌类型的车牌样本图像，采用改进后的RepVGG网络训练得到车牌分类模型；

步骤S4，基于车牌检测模型中的车牌检测模块对待识别车辆图像进行车牌检测处理，得到第一检测结果；采用车牌检测模型中的AME特征增强模块对第一检测结果中的预定检测区域进行特征增强处理，得到车牌检测结果；

步骤S5，在车牌检测结果指示待识别车辆图像中存在车牌的情况下，在待识别车辆图像的车牌区域中裁剪出车牌区域对应的图像(即第一车牌图像)；判断第一车牌图像是否为畸变车牌图像；若第一车牌图像为畸变车牌图像，则基于空间变换网络对第一车牌图像进行校正处理，得到待识别车牌图像。

步骤S6，基于车牌分类模型对待识别车牌图像进行车牌分类处理，得到车牌分类结果。

本发明实施例至少可以实现如下技术效果：1)将车牌检测分类任务分成了车牌区域检测与车牌分类两个子任务，当需要与其它任务同时部署在边缘设备上时，如车辆颜色分类，可以先进行目标检测，获取车辆区域与车牌区域，然后进行单独分类，提高了车牌分类的可靠性。2)解决了现有技术与其它任务同时运行时造成推理时间增加，无法在边缘设备上实时处理的情况。3)在车牌分类方法中引入了STN网络，将因拍照角度而发生畸变的车牌照片转换为正常的车牌照片，提高车牌分类精度。4)针对车牌区域检测任务特点，改进了Yolov5目标检测算法，使得车牌区域检测的效果得到改善，并使用了STN模块转换发生畸变的车牌图片，改善车牌分类的效果。5)车牌分类模型使用改进后的RepVGG网络模型网络训练得到，提高了模型训练速度。

在本实施例中还提供了一种车牌分类装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”“装置”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

根据本发明实施例，还提供了一种用于实施上述车牌分类方法的装置实施例，图6是根据本发明实施例的一种车牌分类装置的结构示意图，如图6所示，上述车牌分类装置，包括：获取模块600、处理模块602、确定模块604、分类模块606，其中：

上述获取模块600，用于获取待识别车辆图像；

上述处理模块602，连接于上述获取模块600，用于基于上述车牌分类模型中的车牌检测模型对上述待识别车辆图像进行车牌检测处理，得到车牌检测结果，其中，上述车牌检测模型是基于标注有车牌区域的车辆样本图像训练得到的；

上述确定模块604，连接于上述处理模块602，用于在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，确定上述待识别车辆图像中的待识别车牌图像；

上述分类模块606，连接于上述确定模块604，用于基于预先训练好的车牌分类模型对上述待识别车牌图像进行车牌分类处理，得到车牌分类结果，其中，上述车牌分类模型是基于标注有车牌类型的车牌样本图像训练得到的。

在本发明实施例中，通过设置上述获取模块600，用于获取待识别车辆图像；上述处理模块602，连接于上述获取模块600，用于基于上述车牌分类模型中的车牌检测模型对上述待识别车辆图像进行车牌检测处理，得到车牌检测结果，其中，上述车牌检测模型是基于标注有车牌区域的车辆样本图像训练得到的；上述确定模块604，连接于上述处理模块602，用于在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，确定上述待识别车辆图像中的待识别车牌图像；上述分类模块606，连接于上述确定模块604，用于基于预先训练好的车牌分类模型对上述待识别车牌图像进行车牌分类处理，得到车牌分类结果，其中，上述车牌分类模型是基于标注有车牌类型的车牌样本图像训练得到的，达到了通过构建有车牌检测模型和车牌分类模型的车牌分类模型进行车牌分类，准确进行车牌检测与车牌分类的目的，从而实现了提升车牌检测与车牌分类准确性的技术效果，进而解决了相关技术中的车牌分类方法存在的车牌检测效率低且检测分类精度低的技术问题。

在一种可选的实施例中，上述确定模块，包括：确定单元，用于在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，确定上述待识别车辆图像中的第一车牌图像；判断单元，用于判断上述第一车牌图像是否为畸变车牌图像；校正单元，用于若上述第一车牌图像为上述畸变车牌图像，则基于上述车牌分类模型中的空间变换网络对上述第一车牌图像进行校正处理，得到上述待识别车牌图像。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。

此处需要说明的是，上述获取模块600、处理模块602、确定模块604、分类模块606对应于实施例中的步骤S102至步骤S108，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。

需要说明的是，本实施例的可选或优选实施方式可以参见实施例中的相关描述，此处不再赘述。

上述的车牌分类装置还可以包括处理器和存储器，上述获取模块600、处理模块602、确定模块604、分类模块606等均作为程序模块存储在存储器中，由处理器执行存储在存储器中的上述程序模块来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序模块，上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

根据本申请实施例，还提供了一种非易失性存储介质的实施例。可选的，在本实施例中，上述非易失性存储介质包括存储的程序，其中，在上述程序运行时控制上述非易失性存储介质所在设备执行上述任意一种车牌分类方法。

可选的，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述非易失性存储介质包括存储的程序。

可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：获取待识别车辆图像；对上述待识别车辆图像进行车牌检测处理，得到车牌检测结果；在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，确定上述待识别车辆图像中的待识别车牌图像；基于预先训练好的车牌分类模型对上述待识别车牌图像进行车牌分类处理，得到车牌分类结果，其中，上述车牌分类模型是基于标注有车牌类型的车牌样本图像训练得到的。

根据本申请实施例，还提供了一种处理器的实施例。可选的，在本实施例中，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一种车牌分类方法。

根据本申请实施例，还提供了一种计算机程序产品的实施例，当在数据处理设备上执行时，适于执行初始化有上述任意一种的车牌分类方法步骤的程序。

可选的，上述计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取待识别车辆图像；对上述待识别车辆图像进行车牌检测处理，得到车牌检测结果；在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，确定上述待识别车辆图像中的待识别车牌图像；基于预先训练好的车牌分类模型对上述待识别车牌图像进行车牌分类处理，得到车牌分类结果，其中，上述车牌分类模型是基于标注有车牌类型的车牌样本图像训练得到的。

本发明实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取待识别车辆图像；对上述待识别车辆图像进行车牌检测处理，得到车牌检测结果；在上述车牌检测结果指示上述待识别车辆图像中存在车牌的情况下，确定上述待识别车辆图像中的待识别车牌图像；基于预先训练好的车牌分类模型对上述待识别车牌图像进行车牌分类处理，得到车牌分类结果，其中，上述车牌分类模型是基于标注有车牌类型的车牌样本图像训练得到的。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述模块的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块或模块的间接耦合或通信连接，可以是电性或其它的形式。

上述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取非易失性存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个非易失性存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的非易失性存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种车牌分类方法，其特征在于，包括：

获取待识别车辆图像；

对所述待识别车辆图像进行车牌检测处理，得到车牌检测结果；

在所述车牌检测结果指示所述待识别车辆图像中存在车牌的情况下，确定所述待识别车辆图像中的待识别车牌图像；

基于预先训练好的车牌分类模型对所述待识别车牌图像进行车牌分类处理，得到车牌分类结果，其中，所述车牌分类模型是基于标注有车牌类型的车牌样本图像训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述在所述车牌检测结果指示所述待识别车辆图像中存在车牌的情况下，确定所述待识别车辆图像中的待识别车牌图像，包括：

在所述车牌检测结果指示所述待识别车辆图像中存在车牌的情况下，对所述待识别车辆图像进行剪切处理，得到所述待识别车牌图像。

3.根据权利要求1所述的方法，其特征在于，所述在所述车牌检测结果指示所述待识别车辆图像中存在车牌的情况下，确定所述待识别车辆图像中的待识别车牌图像，包括：

在所述车牌检测结果指示所述待识别车辆图像中存在车牌的情况下，确定所述待识别车辆图像中的第一车牌图像，其中，所述第一车牌图像为所述待识别车辆图像中车牌区域对应的图像；

判断所述第一车牌图像是否为畸变车牌图像；

若所述第一车牌图像为所述畸变车牌图像，则基于空间变换网络对所述第一车牌图像进行校正处理，得到所述待识别车牌图像。

4.根据权利要求3所述的方法，其特征在于，所述若所述第一车牌图像为所述畸变车牌图像，则基于空间变换网络对所述第一车牌图像进行校正处理，得到所述待识别车牌图像，包括：

若所述第一车牌图像为所述畸变车牌图像，则基于所述空间变换网络，确定所述第一车牌图像对应的偏移矩阵；

根据所述偏移矩阵确定所述第一车牌图像的映射位置关系；

基于所述映射位置关系，对所述第一车牌图像进行校正处理，得到所述待识别车牌图像。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：

若所述第一车牌图像不为所述畸变车牌图像，则将所述第一车牌图像作为所述待识别车牌图像。

6.根据权利要求1所述的方法，其特征在于，所述对所述待识别车辆图像进行车牌检测处理，得到车牌检测结果，包括：

对所述待识别车辆图像进行车牌检测处理，得到第一检测结果；

对所述第一检测结果进行特征增强处理，得到所述车牌检测结果。

7.根据权利要求1所述的方法，其特征在于，所述对所述待识别车辆图像进行车牌检测处理，得到车牌检测结果，包括：

采用预先训练好的车牌检测模型对所述待识别车辆图像进行车牌检测处理，得到所述车牌检测结果，其中，所述车牌检测模型是基于标注有车牌区域的车辆样本图像训练得到的。

8.根据权利要求7所述的方法，其特征在于，在所述车牌检测模型包括车牌检测模块和特征增强模块的情况下，所述对所述待识别车辆图像进行车牌检测处理，得到车牌检测结果，包括：

采用所述车牌检测模块对所述待识别车辆图像进行车牌检测处理，得到第二检测结果；

采用所述特征增强模块对所述第二检测结果进行特征增强处理，得到所述车牌检测结果。

9.一种车牌分类装置，其特征在于，包括：

获取模块，用于获取待识别车辆图像，将所述待识别车辆图像输入至预先训练好的车牌分类模型；

处理模块，用于基于所述车牌分类模型中的车牌检测模型对所述待识别车辆图像进行车牌检测处理，得到车牌检测结果，其中，所述车牌检测模型是基于标注有车牌区域的车辆样本图像训练得到的；

确定模块，用于在所述车牌检测结果指示所述待识别车辆图像中存在车牌的情况下，确定所述待识别车辆图像中的待识别车牌图像；

分类模块，用于基于预先训练好的车牌分类模型对所述待识别车牌图像进行车牌分类处理，得到车牌分类结果，其中，所述车牌分类模型是基于标注有车牌类型的车牌样本图像训练得到的。

10.一种非易失性存储介质，其特征在于，所述非易失性存储介质存储有多条指令，所述指令适于由处理器加载并执行权利要求1至8中任意一项所述的车牌分类方法。

Images