[发明专利]一种车牌的识别方法、装置、终端及可读存储介质

权利要求书

1.一种车牌的识别方法，其特征在于，包括：

获取待识别车牌的车牌图像，其中，所述待识别车牌的车牌类型包括一行车牌内容的车牌和多行车牌内容的车牌；

将所述车牌图像输入预设卷积神经网络，得到由所述预设卷积神经网络输出的待识别车牌各部分对应的字符概率分布；所述预设卷积神经网络包括用于上下文关系特征提取的上下文卷积模块和用于对车牌各部分分别进行特征提取，进而得到车牌各部分对应的字符概率分布的分支预测卷积模块；

根据所述车牌各部分对应的字符概率分布，确定所述待识别车牌的车牌内容。

2.如权利要求1所述的识别方法，其特征在于，所述预设卷积神经网络还包括特征提取卷积模块、Dropout模块、特征融合卷积模块和特征连接模块；

所述特征提取卷积模块用于对所述车牌图像进行特征提取，得到第一特征图；

所述Dropout模块用于在所述预设卷积神经网络训练阶段随机屏蔽所述预设卷积神经网络的网络参数；

所述上下文卷积模块用于对所述第一特征图进行上下文关系特征提取，得到上下文关系特征图；

所述特征融合卷积模块用于对所述上下文关系特征图进行特征融合，得到融合特征图；

所述特征连接模块用于将所述上下文关系特征图和所述融合特征图进行连接，得到第二特征图；

所述分支预测卷积模块用于对所述第二特征图进行K分支特征提取，得到所述车牌K个部分对应的字符概率分布，K为大于1的整数。

3.如权利要求1或2所述的识别方法，其特征在于，所述上下文卷积模块包含一个或多个卷积层，所述上下文卷积模块的卷积层的卷积核的宽为1，高为n，n为大于1的整数。

4.如权利要求1或2所述的识别方法，其特征在于，所述分支预测卷积模块包含K个分支，每个所述分支包括卷积层、激活层以及归一化层，分支数K确定方法为：

若所述待识别车牌包含一行车牌内容的第一待识别车牌和M行车牌内容的第二待识别车牌，则所述分支数K＝M，M为大于1的整数。

5.如权利要求2所述的识别方法，其特征在于，所述特征提取卷积模块、所述上下文卷积模块和所述特征融合卷积模块均包含卷积层、批标准化层和激活层。

6.如权利要求1或2所述的识别方法，其特征在于，所述根据所述车牌各部分对应的字符概率分布，确定所述待识别车牌的车牌内容，包括：

基于所述车牌各个部分的字符概率分布，根据第一预设规则，确定车牌各部分对应的字符预测结果；

按照第二预设规则对所述车牌各部分对应的字符预测结果进行解码，确定所述待识别车牌的车牌内容。

7.如权利要求1或2中所述的识别方法，其特征在于，所述预设卷积神经网络通过以下方式训练得到：

将车牌样本图像输入待训练的卷积神经网络，得到所述待训练的卷积神经网络输出的所述车牌样本图像中车牌各部分对应的字符概率分布；

采用CTC损失函数，根据所述车牌样本图像中车牌各部分对应的字符概率分布计算对应于所述车牌样本图像实际车牌内容的概率损失；

对所述概率损失进行梯度下降，以更新所述待训练的卷积神经网络的网络参数。

8.一种车牌的识别装置，其特征在于，包括：

获取单元，用于获取待识别车牌的车牌图像，其中，所述待识别车牌的车牌类型包括一行车牌内容的车牌和多行车牌内容的车牌；

识别单元，用于将所述车牌图像输入预设卷积神经网络，得到由所述预设卷积神经网络输出的待识别车牌各部分对应的字符概率分布；所述预设卷积神经网络包括用于进行上下文关系特征提取的上下文卷积模块和用于对车牌各部分分别进行特征提取，进而得到车牌各部分对应的字符概率分布的分支预测卷积模块；

确定单元，用于根据所述车牌各部分对应的字符概率分布，确定所述待识别车牌的车牌内容。