车牌识别方法、相关设备及可读存储介质与流程

1.本技术涉及图像处理技术领域，更具体的说，是涉及一种车牌识别方法、相关设备及可读存储介质。


背景技术：

2.车牌识别是指能够自动提取车牌的信息(含车牌字符及车牌颜色)进行处理的技术，这项技术已经应用于公路收费、停车管理、称重系统、交通诱导、交通执法、公路稽查、车辆调度、车辆检测等各种场景中。基于车牌中字符的行数可以将车牌划分为单行车牌和多行车牌，小型汽车的车牌一般为单行车牌，大型汽车、挂车、武警车辆、军车、农用车、摩托车等的车牌一般为双行车牌。
3.目前的车牌识别方案，只能针对单行车牌或双行车牌进行识别，不能同时适用于单行车牌和双行车牌的识别。
4.因此，如何提供一种能够同时适用于单行车牌识别和双行车牌识别的车牌识别方法，成为本领域技术人员亟待解决的技术问题。


技术实现要素：

5.鉴于上述问题，本技术提出了一种车牌识别方法、相关设备及可读存储介质。具体方案如下：
6.一种车牌识别方法，所述方法包括：
7.确定待识别的车牌区域图像；
8.将所述待识别的车牌区域图像输入车牌识别模型，所述车牌识别模型对所述待识别的车牌区域图像进行识别，得到所述待识别的车牌区域图像对应的车牌颜色、车牌行数和车牌字符；所述车牌识别模型是以训练用车牌区域图像为训练样本，以训练用车牌区域图像标注的车牌颜色、车牌行数和车牌字符为样本标签训练得到的，所述训练用车牌区域图像包括单行车牌区域图像和双行车牌区域图像。
9.可选地，所述确定待识别的车牌区域图像，包括：
10.获取用户提供的原始图像；
11.对所述原始图像进行检测，得到所述原始图像中车牌的位置信息；
12.根据车牌的位置信息对所述原始图像进行剪裁，得到至少一个原始车牌区域图像；
13.基于所述至少一个原始车牌区域图像，确定待识别的车牌区域图像。
14.可选地，所述对所述原始图像进行检测，得到所述原始图像中车牌的位置信息，包括：
15.将所述原始图像输入车牌检测模型，所述车牌检测模型输出所述原始图像中车牌的位置信息；所述车牌检测模型是以训练用图像为训练样本，以训练用图像标注的车牌的位置信息为样本标签训练得到的。
16.可选地，所述基于所述至少一个原始车牌区域图像，确定待识别的车牌区域图像，包括：
17.针对每个原始车牌区域图像，对所述原始车牌区域图像进行判定，得到第一判定结果或第二判定结果，所述第一判定结果用于指示图像是车牌图像；所述第二判定结果用于指示图像不是车牌图像；
18.基于所述第一判定结果对应的原始车牌区域图像，确定待识别的车牌区域图像。
19.可选地，所述对所述原始车牌区域图像进行判定，包括：
20.将所述原始车牌区域图像输入车牌判定模型中，所述车牌判定模型输出所述原始车牌区域图像对应的判定结果；所述车牌判定模型是以训练用图像为训练样本，以训练用图像标注的第一判定结果或第二判定结果为样本标签训练得到的。
21.可选地，所述基于所述第一判定结果对应的原始车牌区域图像，确定待识别的车牌区域图像，包括：
22.对所述第一判定结果对应的原始车牌区域图像进行关键点检测，确定所述第一判定结果对应的原始车牌区域图像中的关键点；
23.基于所述第一判定结果对应的原始车牌区域图像中的关键点，对所述第一判定结果对应的原始车牌区域图像进行仿射变换，得到矫正后的车牌区域图像，所述矫正后的车牌区域图像为所述待识别的车牌区域图像。
24.可选地，所述对所述第一判定结果对应的原始车牌区域图像进行关键点检测，确定所述第一判定结果对应的原始车牌区域图像中的关键点，包括：
25.将所述第一判定结果对应的原始车牌区域图像输入关键点检测模型，所述关键点检测模型输出所述第一判定结果对应的原始车牌区域图像中的关键点，所述关键点检测模式是以训练用车牌图像为训练样本，以训练用车牌图像标注的关键点为样本标签，训练得到的。
26.可选地，所述车牌识别模型包括图像特征提取模块、车牌颜色和车牌行数识别模块、图像特征优化模块和车牌字符识别模块；
27.所述车牌识别模型对所述待识别的车牌区域图像进行识别，得到所述待识别的车牌区域图像对应的车牌颜色、车牌行数和车牌字符，包括：
28.所述图像特征提取模块对所述待识别车牌区域图像进行特征提取，得到所述待识别车牌区域图像的初始特征向量；
29.所述车牌颜色和车牌行数识别模块基于所述初始特征向量，确定车牌颜色和车牌行数；
30.所述图像特征优化模块对所述初始特征向量进行优化处理，得到所述待识别车牌区域图像的最终特征向量；
31.所述车牌字符识别模块基于所述最终特征向量，确定车牌字符。
32.可选地，所述图像特征优化模块对所述初始特征向量进行优化处理，得到所述待识别车牌区域图像的最终特征向量，包括：
33.将所述初始特征向量转化为第一特征向量，所述第一特征向量的长度为所述初始特征向量长度的一半，宽度与所述初始特征向量宽度相同；
34.将所述第一特征向量进行宽度上的等分分割，得到第二特征向量和第三特征向
量；所述第二特征向量和所述第三特征向量的宽度均为所述初始特征向量宽度的一半；
35.将所述第二特征向量和所述第三特征向量进行长度上的拼接，得到第四特征向量，所述第四特征向量的长度与所述初始特征向量的长度相同，宽度为所述初始特征向量宽度的一半；
36.将所述初始特征向量转化为第五特征向量，所述第五特征向量的长度为所述初始特征向量长度的一半，宽度为所述初始特征向量宽度的一半；
37.将所述第四特征向量和所述第五特征向量进行长度上的拼接，得到所述待识别车牌区域图像的最终特征向量。
38.一种车牌识别装置，所述装置包括：
39.确定单元，用于确定待识别的车牌区域图像；
40.车牌识别单元，用于将所述待识别的车牌区域图像输入车牌识别模型，所述车牌识别模型对所述待识别的车牌区域图像进行识别，得到所述待识别的车牌区域图像对应的车牌颜色、车牌行数和车牌字符；所述车牌识别模型是以训练用车牌区域图像为训练样本，以训练用车牌区域图像标注的车牌颜色、车牌行数和车牌字符为样本标签训练得到的，所述训练用车牌区域图像包括单行车牌区域图像和双行车牌区域图像。
41.可选地，所述确定单元，包括：
42.原始图像获取单元，用于获取用户提供的原始图像；
43.检测单元，用于对所述原始图像进行检测，得到所述原始图像中车牌的位置信息；
44.剪裁单元，用于根据车牌的位置信息对所述原始图像进行剪裁，得到至少一个原始车牌区域图像；
45.第一确定单元，用于基于所述至少一个原始车牌区域图像，确定待识别的车牌区域图像。
46.可选地，所述检测单元，具体用于：
47.将所述原始图像输入车牌检测模型，所述车牌检测模型输出所述原始图像中车牌的位置信息；所述车牌检测模型是以训练用图像为训练样本，以训练用图像标注的车牌的位置信息为样本标签训练得到的。
48.可选地，所述第一确定单元，包括：
49.判定单元，用于针对每个原始车牌区域图像，对所述原始车牌区域图像进行判定，得到第一判定结果或第二判定结果，所述第一判定结果用于指示图像是车牌图像；所述第二判定结果用于指示图像不是车牌图像；
50.第二确定单元，用于基于所述第一判定结果对应的原始车牌区域图像，确定待识别的车牌区域图像。
51.可选地，所述判定单元，具体用于：
52.将所述原始车牌区域图像输入车牌判定模型中，所述车牌判定模型输出所述原始车牌区域图像对应的判定结果；所述车牌判定模型是以训练用图像为训练样本，以训练用图像标注的第一判定结果或第二判定结果为样本标签训练得到的。
53.可选地，所述第二确定单元，包括：
54.检测单元，用于对所述第一判定结果对应的原始车牌区域图像进行关键点检测，确定所述第一判定结果对应的原始车牌区域图像中的关键点；
55.第三确定单元，用于基于所述第一判定结果对应的原始车牌区域图像中的关键点，对所述第一判定结果对应的原始车牌区域图像进行仿射变换，得到矫正后的车牌区域图像，所述矫正后的车牌区域图像为所述待识别的车牌区域图像。
56.可选地，所述检测单元，具体用于：
57.将所述第一判定结果对应的原始车牌区域图像输入关键点检测模型，所述关键点检测模型输出所述第一判定结果对应的原始车牌区域图像中的关键点，所述关键点检测模式是以训练用车牌图像为训练样本，以训练用车牌图像标注的关键点为样本标签，训练得到的。
58.可选地，所述车牌识别模型包括图像特征提取模块、车牌颜色和车牌行数识别模块、图像特征优化模块和车牌字符识别模块；
59.所述车牌识别模型对所述待识别的车牌区域图像进行识别，得到所述待识别的车牌区域图像对应的车牌颜色、车牌行数和车牌字符，包括：
60.所述图像特征提取模块对所述待识别车牌区域图像进行特征提取，得到所述待识别车牌区域图像的初始特征向量；
61.所述车牌颜色和车牌行数识别模块基于所述初始特征向量，确定车牌颜色和车牌行数；
62.所述图像特征优化模块对所述初始特征向量进行优化处理，得到所述待识别车牌区域图像的最终特征向量；
63.所述车牌字符识别模块基于所述最终特征向量，确定车牌字符。
64.可选地，所述图像特征优化模块对所述初始特征向量进行优化处理，得到所述待识别车牌区域图像的最终特征向量，包括：
65.将所述初始特征向量转化为第一特征向量，所述第一特征向量的长度为所述初始特征向量长度的一半，宽度与所述初始特征向量宽度相同；
66.将所述第一特征向量进行宽度上的等分分割，得到第二特征向量和第三特征向量；所述第二特征向量和所述第三特征向量的宽度均为所述初始特征向量宽度的一半；
67.将所述第二特征向量和所述第三特征向量进行长度上的拼接，得到第四特征向量，所述第四特征向量的长度与所述初始特征向量的长度相同，宽度为所述初始特征向量宽度的一半；
68.将所述初始特征向量转化为第五特征向量，所述第五特征向量的长度为所述初始特征向量长度的一半，宽度为所述初始特征向量宽度的一半；
69.将所述第四特征向量和所述第五特征向量进行长度上的拼接，得到所述待识别车牌区域图像的最终特征向量。
70.一种车牌识别设备，包括存储器和处理器；
71.所述存储器，用于存储程序；
72.所述处理器，用于执行所述程序，实现如上所述的车牌识别方法的各个步骤。
73.一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的车牌识别方法的各个步骤。
74.借由上述技术方案，本技术公开了一种车牌识别方法、相关设备及可读存储介质。首先以包括单行车牌区域图像和双行车牌区域图像的训练用车牌区域图像为训练样本，以
训练用车牌区域图像标注的车牌颜色、车牌行数和车牌字符为样本标签训练得到车牌识别模型，在确定待识别的车牌区域图像之后，将待识别的车牌区域图像输入车牌识别模型，车牌识别模型对待识别的车牌区域图像进行识别，即可得到待识别的车牌区域图像对应的车牌颜色、车牌行数和车牌字符。本方案可以同时适用于单行车牌识别和双行车牌识别。
附图说明
75.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
76.图1为本技术实施例公开的一种车牌识别方法的流程示意图；
77.图2为本技术实施例公开的车牌识别模型的结构示意图；
78.图3为本技术实施例公开的初始特征向量优化得到最终特征向量的示意图；
79.图4为本技术实施例公开的一种车牌识别装置结构示意图；
80.图5为本技术实施例公开的一种车牌识别设备的硬件结构框图。
具体实施方式
81.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
82.接下来，通过下述实施例对本技术提供的车牌识别方法进行介绍。
83.参照图1，图1为本技术实施例公开的一种车牌识别方法的流程示意图，该方法可以包括：
84.步骤s101：确定待识别的车牌区域图像。
85.在本技术中，待识别的车牌区域图像可以为单行车牌区域图像，也可以为双行车牌区域图像，对此，本技术不进行任何限定。
86.待识别的车牌区域图像可以为用户提供的原始车牌区域图像，也可以为对用户提供的原始车牌区域图像进行处理后得到的，对此，本技术不进行任何限定。确定待识别的车牌区域图像的具体方式将通过后面的实施例详细说明，此处不再展开描述。
87.步骤s102：将所述待识别的车牌区域图像输入车牌识别模型，所述车牌识别模型对所述待识别的车牌区域图像进行识别，得到所述待识别的车牌区域图像对应的车牌颜色、车牌行数和车牌字符；所述车牌识别模型是以训练用车牌区域图像为训练样本，以训练用车牌区域图像标注的车牌颜色、车牌行数和车牌字符为样本标签训练得到的，所述训练用车牌区域图像包括单行车牌区域图像和双行车牌区域图像。
88.在本技术中，车牌识别模型的训练用车牌区域图像可以为原始图像，也可以为预处理(缩放、剪裁、减均值等)后的图像，训练用车牌区域图像标注的车牌颜色、车牌行数和车牌字符可以采用不同的标签形式，对此，本技术不进行任何限定。
89.车牌识别模型的结构可以采用多种神经网络结构，比如：残差神经网络(resnet18)、卷积神经网络等，对此，本技术不进行任何限定。车牌识别模型的具体结构将
通过后面的实施例详细说明，此处不再展开描述。
90.车牌识别模型训练过程中，是以车牌颜色、车牌行数和车牌字符这三个标签的联合损失进行训练的，作为一种可实施方式，车牌颜色和车牌行数这两个标签的损失可以采用softmax loss，车牌字符这个标签的损失可以采用ctc loss。车牌识别模型的loss是三个loss的综合。车牌颜色和车牌行数这两个标签的loss分别占总loss权重的0.1，车牌字符这个标签的loss占总loss权重的0.8。
91.本实施例公开了一种车牌识别方法。首先以包括单行车牌区域图像和双行车牌区域图像的训练用车牌区域图像为训练样本，以训练用车牌区域图像标注的车牌颜色、车牌行数和车牌字符为样本标签训练得到车牌识别模型，在确定待识别的车牌区域图像之后，将待识别的车牌区域图像输入车牌识别模型，车牌识别模型对待识别的车牌区域图像进行识别，即可得到待识别的车牌区域图像对应的车牌颜色、车牌行数和车牌字符。本方案可以同时适用于单行车牌识别和双行车牌识别。
92.在本技术的另一个实施例中，对步骤s101确定待识别的车牌区域图像的具体实现方式进行了说明，该方式可以包括如下步骤：
93.步骤s201：获取用户提供的原始图像。
94.在本技术中，用户提供的原始图像可以为采用摄像装置拍摄的、未经过任何处理或只经过简单预处理(如，缩放、裁剪、减均值等)之后的图像。
95.步骤s202：对所述原始图像进行检测，得到所述原始图像中车牌的位置信息。
96.在本技术中，可以预先以训练用图像为训练样本，以训练用图像标注的车牌的位置信息为样本标签训练得到车牌检测模型。则对所述原始图像进行检测，得到所述原始图像中车牌的位置信息，可以包括：将所述原始图像输入车牌检测模型，所述车牌检测模型输出所述原始图像中车牌的位置信息。
97.需要说明的是，车牌检测模型的训练用图像来源于摄像监控中采集到的大量车辆图片。车型种类主要包含：汽车、卡车、客运车、面包车等；车牌涵盖全国各个省市关键字，并包括大使馆专用车、军牌车、民航车等，车牌颜色涵盖市面所见全部颜色：蓝、黄、绿、白、黑、黄绿等；车牌行数包括单行与双行。训练用图像标注的车牌的位置信息可以为车牌区域的左上顶点、左下顶点、右上顶点与右下顶点中任意两个对角顶点或全部顶点的坐标。
98.需要说明的是，车牌检测模型可以采用多种结构的神经网络结构，比如ssd(single shot multibox detector)网络。
99.步骤s203：根据车牌的位置信息对所述原始图像进行剪裁，得到至少一个原始车牌区域图像。
100.步骤s204：基于所述至少一个原始车牌区域图像，确定待识别的车牌区域图像。
101.作为一种可实施方式，可以将原始车牌区域图像作为待识别的车牌区域图像，但是，原始车牌区域图像可能是误检测得到的，其中并未包含车牌，此种情况下，如果进行后续识别，可能导致车牌识别结果有误。
102.为了避免这种问题，在本技术中，作为另一种可实施方式，基于所述至少一个原始车牌区域图像，确定待识别的车牌区域图像可以包括：
103.步骤s301：针对每个原始车牌区域图像，对所述原始车牌区域图像进行判定，得到第一判定结果或第二判定结果。
104.所述第一判定结果用于指示图像是车牌图像；所述第二判定结果用于指示图像不是车牌图像。
105.在本技术中，可以预先以训练用图像为训练样本，以训练用图像标注的第一判定结果或第二判定结果为样本标签训练得到车牌判定模型，则，对所述原始车牌区域图像进行判定，可以包括：将所述原始车牌区域图像输入车牌判定模型中，所述车牌判定模型输出所述原始车牌区域图像对应的判定结果。
106.需要说明的是，车牌判定模型的训练用图像来源于摄像监控中采集到的大量车辆图片。正样本为各个类型车牌数据，负样本为图片中大量的场景区域、车辆部件、含字符牌等。训练用图像标注的第一判定结果或第二判定结果可以采用不同的标签形式，比如，第一判断结果的标签为1，第二判断结果的标签可以为0。训练用图像在训练之前可以先进行预处理(如，缩放、剪裁、减均值等)。
107.需要说明的是，车牌判定模型可以采用多种结构的神经网络结构，比如resnet14网络等。
108.步骤s302：基于所述第一判定结果对应的原始车牌区域图像，确定待识别的车牌区域图像。
109.作为一种可实施方式，可以将所述第一判定结果对应的原始车牌区域图像，确定待识别的车牌区域图像。但是，一张图像虽然确定为车牌图像，该图像可能由于拍摄角度的问题，导致图像中车牌是倾斜的，这种情况下，可能会导致车牌识别结果有误。
110.为了避免这种问题，在本技术中，作为另一种可实施方式，所述基于所述第一判定结果对应的原始车牌区域图像，确定待识别的车牌区域图像，可以包括：
111.步骤s401：对所述第一判定结果对应的原始车牌区域图像进行关键点检测，确定所述第一判定结果对应的原始车牌区域图像中的关键点。
112.在本技术中，可以预先以训练用车牌图像为训练样本，以训练用车牌图像标注的关键点为样本标签，训练得到关键点检测模型，则，对所述第一判定结果对应的原始车牌区域图像进行关键点检测，确定所述第一判定结果对应的原始车牌区域图像中的关键点，包括：将所述第一判定结果对应的原始车牌区域图像输入关键点检测模型，所述关键点检测模型输出所述第一判定结果对应的原始车牌区域图像中的关键点。
113.需要说明的是，关键点检测模型的训练用车牌图像来源于摄像监控中采集到的大量车辆图片。训练用车牌图像标注的关键点可以为车牌的四个顶点。训练用图像在训练之前可以先进行预处理(如，缩放、剪裁、减均值等)。
114.需要说明的是，关键点检测模型可以采用多种结构的神经网络结构，比如resnet14网络等。
115.步骤s402：基于所述第一判定结果对应的原始车牌区域图像中的关键点，对所述第一判定结果对应的原始车牌区域图像进行仿射变换，得到矫正后的车牌区域图像，所述矫正后的车牌区域图像为所述待识别的车牌区域图像。
116.在本技术的另一个实施例中，对车牌识别模型的具体结构进行了说明。参照图2，图2为本技术实施例公开的车牌识别模型的结构示意图，所述车牌识别模型包括图像特征提取模块、车牌颜色和车牌行数识别模块、图像特征优化模块和车牌字符识别模块；
117.所述车牌识别模型对所述待识别的车牌区域图像进行识别，得到所述待识别的车
牌区域图像对应的车牌颜色、车牌行数和车牌字符，包括：
118.所述图像特征提取模块对所述待识别车牌区域图像进行特征提取，得到所述待识别车牌区域图像的初始特征向量；
119.所述车牌颜色和车牌行数识别模块基于所述初始特征向量，确定车牌颜色和车牌行数；
120.所述图像特征优化模块对所述初始特征向量进行优化处理，得到所述待识别车牌区域图像的最终特征向量；
121.所述车牌字符识别模块基于所述最终特征向量，确定车牌字符。
122.在本实施例中，由于车牌颜色与车牌行数识别复杂度要比车牌字符的识别复杂度低，将车牌颜色与车牌行数的识别，以及，车牌字符的识别分为两个分支进行，在车牌识别网络的前部提前得到车牌颜色与车牌行数的识别结果，车牌识别网络的后部针对车牌字符进行识别，能够提升识别效率。
123.在本技术的另一个实施例中，对所述图像特征优化模块对所述初始特征向量进行优化处理，得到所述待识别车牌区域图像的最终特征向量的具体实现方式进行了说明，该方式可以包括：
124.将所述初始特征向量转化为第一特征向量，所述第一特征向量的长度为所述初始特征向量长度的一半，宽度与所述初始特征向量宽度相同；
125.将所述第一特征向量进行宽度上的等分分割，得到第二特征向量和第三特征向量；所述第二特征向量和所述第三特征向量的宽度均为所述初始特征向量宽度的一半；
126.将所述第二特征向量和所述第三特征向量进行长度上的拼接，得到第四特征向量，所述第四特征向量的长度与所述初始特征向量的长度相同，宽度为所述初始特征向量宽度的一半；
127.将所述初始特征向量转化为第五特征向量，所述第五特征向量的长度为所述初始特征向量长度的一半，宽度为所述初始特征向量宽度的一半；
128.将所述第四特征向量和所述第五特征向量进行长度上的拼接，得到所述待识别车牌区域图像的最终特征向量。
129.需要说明的是，在对特征向量进行分割时，可以利用卷积层实现，可避免模型量化出现不支持问题。
130.为便于理解，参照图3，图3为本技术实施例公开的初始特征向量优化得到最终特征向量的示意图，如图3所示，初始特征向量为n*c*h*w，其中，n是batch数，c是通道数，h是特征向量宽度，w是特征向量长度，第一特征向量为n*c*h*(w/2)，第二特征向量和第三特征向量为n*c*(h/2)*(w/2)，第四特征向量为n*c*(h/2)*w，第五特征向量为n*c*(h/2)*(w/2)，最终特征向量为n*c*(h/2)*(w/2*3)。
131.下面对本技术实施例公开的车牌识别装置进行描述，下文描述的车牌识别装置与上文描述的车牌识别方法可相互对应参照。
132.参照图4，图4为本技术实施例公开的一种车牌识别装置结构示意图。如图4所示，该车牌识别装置可以包括：
133.确定单元11，用于确定待识别的车牌区域图像；
134.车牌识别单元12，用于将所述待识别的车牌区域图像输入车牌识别模型，所述车
牌识别模型对所述待识别的车牌区域图像进行识别，得到所述待识别的车牌区域图像对应的车牌颜色、车牌行数和车牌字符；所述车牌识别模型是以训练用车牌区域图像为训练样本，以训练用车牌区域图像标注的车牌颜色、车牌行数和车牌字符为样本标签训练得到的，所述训练用车牌区域图像包括单行车牌区域图像和双行车牌区域图像。
135.作为一种可实施方式，所述确定单元，包括：
136.原始图像获取单元，用于获取用户提供的原始图像；
137.检测单元，用于对所述原始图像进行检测，得到所述原始图像中车牌的位置信息；
138.剪裁单元，用于根据车牌的位置信息对所述原始图像进行剪裁，得到至少一个原始车牌区域图像；
139.第一确定单元，用于基于所述至少一个原始车牌区域图像，确定待识别的车牌区域图像。
140.作为一种可实施方式，所述检测单元，具体用于：
141.将所述原始图像输入车牌检测模型，所述车牌检测模型输出所述原始图像中车牌的位置信息；所述车牌检测模型是以训练用图像为训练样本，以训练用图像标注的车牌的位置信息为样本标签训练得到的。
142.作为一种可实施方式，所述第一确定单元，包括：
143.判定单元，用于针对每个原始车牌区域图像，对所述原始车牌区域图像进行判定，得到第一判定结果或第二判定结果，所述第一判定结果用于指示图像是车牌图像；所述第二判定结果用于指示图像不是车牌图像；
144.第二确定单元，用于基于所述第一判定结果对应的原始车牌区域图像，确定待识别的车牌区域图像。
145.作为一种可实施方式，所述判定单元，具体用于：
146.将所述原始车牌区域图像输入车牌判定模型中，所述车牌判定模型输出所述原始车牌区域图像对应的判定结果；所述车牌判定模型是以训练用图像为训练样本，以训练用图像标注的第一判定结果或第二判定结果为样本标签训练得到的。
147.作为一种可实施方式，所述第二确定单元，包括：
148.检测单元，用于对所述第一判定结果对应的原始车牌区域图像进行关键点检测，确定所述第一判定结果对应的原始车牌区域图像中的关键点；
149.第三确定单元，用于基于所述第一判定结果对应的原始车牌区域图像中的关键点，对所述第一判定结果对应的原始车牌区域图像进行仿射变换，得到矫正后的车牌区域图像，所述矫正后的车牌区域图像为所述待识别的车牌区域图像。
150.作为一种可实施方式，所述检测单元，具体用于：
151.将所述第一判定结果对应的原始车牌区域图像输入关键点检测模型，所述关键点检测模型输出所述第一判定结果对应的原始车牌区域图像中的关键点，所述关键点检测模式是以训练用车牌图像为训练样本，以训练用车牌图像标注的关键点为样本标签，训练得到的。
152.作为一种可实施方式，所述车牌识别模型包括图像特征提取模块、车牌颜色和车牌行数识别模块、图像特征优化模块和车牌字符识别模块；
153.所述车牌识别模型对所述待识别的车牌区域图像进行识别，得到所述待识别的车
牌区域图像对应的车牌颜色、车牌行数和车牌字符，包括：
154.所述图像特征提取模块对所述待识别车牌区域图像进行特征提取，得到所述待识别车牌区域图像的初始特征向量；
155.所述车牌颜色和车牌行数识别模块基于所述初始特征向量，确定车牌颜色和车牌行数；
156.所述图像特征优化模块对所述初始特征向量进行优化处理，得到所述待识别车牌区域图像的最终特征向量；
157.所述车牌字符识别模块基于所述最终特征向量，确定车牌字符。
158.作为一种可实施方式，所述图像特征优化模块对所述初始特征向量进行优化处理，得到所述待识别车牌区域图像的最终特征向量，包括：
159.将所述初始特征向量转化为第一特征向量，所述第一特征向量的长度为所述初始特征向量长度的一半，宽度与所述初始特征向量宽度相同；
160.将所述第一特征向量进行宽度上的等分分割，得到第二特征向量和第三特征向量；所述第二特征向量和所述第三特征向量的宽度均为所述初始特征向量宽度的一半；
161.将所述第二特征向量和所述第三特征向量进行长度上的拼接，得到第四特征向量，所述第四特征向量的长度与所述初始特征向量的长度相同，宽度为所述初始特征向量宽度的一半；
162.将所述初始特征向量转化为第五特征向量，所述第五特征向量的长度为所述初始特征向量长度的一半，宽度为所述初始特征向量宽度的一半；
163.将所述第四特征向量和所述第五特征向量进行长度上的拼接，得到所述待识别车牌区域图像的最终特征向量。
164.参照图5，图5为本技术实施例提供的车牌识别设备的硬件结构框图，参照图5，车牌识别设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
165.在本技术实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
166.处理器1可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
167.存储器3可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
168.其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
169.确定待识别的车牌区域图像；
170.将所述待识别的车牌区域图像输入车牌识别模型，所述车牌识别模型对所述待识别的车牌区域图像进行识别，得到所述待识别的车牌区域图像对应的车牌颜色、车牌行数和车牌字符；所述车牌识别模型是以训练用车牌区域图像为训练样本，以训练用车牌区域图像标注的车牌颜色、车牌行数和车牌字符为样本标签训练得到的，所述训练用车牌区域图像包括单行车牌区域图像和双行车牌区域图像。
171.可选的，所述程序的细化功能和扩展功能可参照上文描述。
172.本技术实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
173.确定待识别的车牌区域图像；
174.将所述待识别的车牌区域图像输入车牌识别模型，所述车牌识别模型对所述待识别的车牌区域图像进行识别，得到所述待识别的车牌区域图像对应的车牌颜色、车牌行数和车牌字符；所述车牌识别模型是以训练用车牌区域图像为训练样本，以训练用车牌区域图像标注的车牌颜色、车牌行数和车牌字符为样本标签训练得到的，所述训练用车牌区域图像包括单行车牌区域图像和双行车牌区域图像。
175.可选的，所述程序的细化功能和扩展功能可参照上文描述。
176.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
177.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
178.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。