[发明专利]标识识别方法及其模型的训练方法、装置和电子系统

说明书

本发明提供了一种标识识别方法及其模型的训练方法、装置和电子系统；其中，该标识识别方法包括：获取包含有标识的待识别图片；通过预设的特征提取网络，提取待识别图片的特征序列；将特征序列输入至预设的分类网络中，输出每个区域中包含的字符的分类结果；根据字符的分类结果，确定待识别图片中的标识。该方法分类网络中的卷积核包括预设大小的空洞卷积核；由于该空洞卷积核的感受野较大，从而可以包含较多的上下文信息，可以使用更少的卷积核识别较多的上下文信息，相对于BLSTM网络，采用空洞卷积核的方式可以在保证识别准确率的同时，大幅提高识别速度，从而增加了标识识别方式的实用性。

技术领域

本发明涉及字符识别技术领域，尤其是涉及一种标识识别方法及其模型的训练方法、装置和电子系统。

背景技术

相关技术中，大多采用BLSTM(Bidirectional Long Short-Term Memory，双向长短期记忆网络)网络和CTC(Connectionist Temporal Classification，联结主义时间分类)loss(loss function，损失函数)的方式识别车牌等标识上的字符；其中的BLSTM网络需要考虑数据的前后关联性，其网络结构较为复杂，导致识别速度较慢，影响了上述标识识别方式的实用性。

发明内容

本发明的目的在于提供一种标识识别方法及其模型的训练方法、装置和电子系统，在保证标识识别准确率的同时，提高标识识别速度，从而增加标识识别方式的实用性。

第一方面，本发明实施例提供一种标识识别方法，包括：获取包含有标识的待识别图片；通过预设的特征提取网络，提取待识别图片的特征序列；其中，特征序列中包括待识别图片中多个区域对应的特征图；将特征序列输入至预设的分类网络中，输出每个区域中包含的字符的分类结果；分类网络中的卷积核包括预设大小的空洞卷积核；根据字符的分类结果，确定待识别图片中的标识。

在本发明较佳的实施例中，上述标识中的字符为单行字符；区域的高度与待识别图片的高度相同。

在本发明较佳的实施例中，上述分类网络包括至少一层卷积层；至少一层卷积层的卷积核为空洞卷积核；空洞卷积核的高度与特征图的高度相同。

在本发明较佳的实施例中，上述将特征序列输入至预设的分类网络中，输出每个区域中包含的字符的分类结果的步骤，包括：通过空洞卷积核对特征序列进行第一卷积计算，得到计算后的特征序列；计算后的特征序列的高度为一；根据计算后的特征序列，确定每个区域中包含的字符的分类结果。

在本发明较佳的实施例中，上述分类网络包括多层卷积层；根据计算后的特征序列，确定每个区域中包含的字符的分类结果的步骤，包括：通过预设大小的卷积核，对计算后的特征序列进行预设次数的第二卷积计算，得到概率分布序列；概率分布序列中包括每个区域中包含的字符为指定字符的概率；针对每个区域，将当前区域中，最大概率对应的指定字符确定为当前区域包含的字符。

在本发明较佳的实施例中，上述根据字符的分类结果，确定待识别图片中的标识的步骤，包括：按照每个区域在待识别图片中的位置顺序，排列每个区域包含的字符，得到初始识别结果；根据初始识别结果确定待识别图片中的标识。

在本发明较佳的实施例中，上述根据初始识别结果确定待识别图片中的标识的步骤，包括：判断所述初始识别结果中，每两个相邻空格字符之间的字符中，是否包含连续的多个相同字符；如果是，保留所述多个相同字符中的一个字符，得到中间识别结果；从所述中间识别结果中，剔除所述空格字符，得到最终识别结果；将所述最终识别结果确定为所述待识别图片中的标识。