本申请涉及电子技术领域，特别涉及一种车牌识别方法、装置、设备及一种可读存储介质。
背景技术：
随着智能化的发展以及车辆普及率越来越高，目前很多设备都需要通过图像获取车牌信息来对车辆行为、车辆身份等进行分析，比如路侧停车系统以及智能卡口系统等。
大部分的自动车牌识别系统主要由四个阶段组成：图像获取、车牌检测、车牌字符分割，车牌字符识别，其识别性能的鲁棒性依赖于每个阶段。
目前，自动车牌识别的方法主要有三大类：基于模板匹配法、基于手工设计特征(sift，lbp等)和传统分类器(svm，knn等)法以及基于自动特征提取分类(深度卷积网络)法。其中，基于模板匹配的方法通过提取特征，然后比较特征向量与预存模板中的特征向量之间的相似度，这种方法对噪声、倾斜较为敏感，微小噪声或倾斜，也容易使得匹配结果失败。基于手工设计特征和传统分类器的方法对于车牌字符旋转、平移较为敏感，且需字符分割后，针对汉字和针对字母、数字分别进行训练出对应分类器，训练时间长。基于自动特征提取分类(深度卷积网络)法，对字符分割阶段依赖性很高，分割好坏直接影响识别结果，车牌字符分割受环境影响较大，在复杂条件(雨雾天气，运动模糊等)下的车牌分割十分困难，准确率极低且分割耗时难以满足实时性要求。
因此，如何在复杂环境中快速准确地识别车牌，是本领域技术人员需要解决的技术问题。
技术实现要素：
本申请的目的是提供一种车牌识别方法，该方法能够实现在复杂环境中快速准确地识别车牌；本申请的另一目的是提供一种车牌识别装置、设备及一种可读存储介质，具有上述有益效果。
本申请提供一种车牌识别方法，包括：
根据获取的车辆图像进行车牌检测，得到车牌图像；
通过训练的多标签深度卷积神经网络对所述车牌图像进行多标签多任务识别，得到车牌信息识别结果；其中，所述多标签深度卷积神经网络的输出层包括车牌字符输出单元以及车牌颜色输出单元。
优选地，所述得到车牌图像后还包括：
将所述车牌图像大小调整至预设值；
则所述通过训练的多标签深度卷积神经网络对所述车牌图像进行多标签多任务识别包括：通过训练的多标签深度卷积神经网络对调整后的车牌图像进行多标签多任务识别。
优选地，所述车牌字符输出单元具体为7个，各车牌字符输出单元的输出维度为65维；
所述车牌颜色输出单元具体为1个，输出维度为2维。
优选地，所述根据获取的车辆图像进行车牌检测包括：
分别获取预处理后车辆图像的颜色特征图、亮度特征图以及方向特征图；
根据预设权重将所述颜色特征图、所述亮度特征图以及所述方向特征图融合，得到显著性特征图；
根据所述显著性特征图进行车牌检测。
优选地，所述分别获取预处理后车辆图像的颜色特征图、亮度特征图以及方向特征图包括：
对预处理后的车辆图像分别提取颜色特征、亮度特征以及方向特征；
分别对所述颜色特征、所述亮度特征以及所述方向特征根据中心-环绕机制构建高斯金字塔，得到分别对应的颜色特征图、亮度特征图以及方向特征图。
优选地，所述颜色特征的提取方法包括：
获取所述车辆图像的三通道值r，b，g；
根据所述三通道值构建by颜色特征；
其中，所述by颜色特征的计算方法具体为：colorfeature＝b-y；其中，
所述亮度特征的提取方法包括：
获取所述车辆图像的三通道值r，b，g；
根据所述三通道值构建亮度特征；
其中，所述亮度特征的计算方法具体为：
优选地，所述方向特征的提取方法包括：
在180°内对所述车辆图像均匀采集预定数量的方位特征；
将所述方位特征组合成方向特征。
本身请提供一种车牌识别装置，包括：
车牌检测单元，用于根据获取的车辆图像进行车牌检测，得到车牌图像；
多标签识别单元，用于通过训练的多标签深度卷积神经网络对所述车牌图像进行多标签多任务识别，得到车牌信息识别结果；其中，所述多标签深度卷积神经网络的输出层包括车牌字符输出单元以及车牌颜色输出单元。
本申请提供一种车牌识别设备，包括：
存储器，用于存储程序；
处理器，用于执行所述程序时实现所述车牌识别方法的步骤。
本身请提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现所述车牌识别方法的步骤。
为解决上述技术问题，本申请提供一种车牌识别方法，通过将进行车牌检测后得到的车牌图像输入至训练的多标签深度卷积神经网络，将车牌字符看成多标签分类问题，进行多标签多任务识别，无须车牌字符分割，避免了通过车牌字符分割产生的复杂环境对后续识别过程准确率的影响，通过深度卷积神经网络的优良模式识别性能，分析车牌字符以及车牌颜色，可以快速准确地得到车牌信息识别结果。
在本申请另一实施例中公开了通过分别获取车辆图像的颜色特征图、亮度特征图以及方向特征图，结合上述三图进行车牌检测这一技术特征，其中，通过分析颜色特征图有利于通过颜色快速定位到车牌，亮度特征图可以应对不同光照变化减少光照带来的车牌检测误差，而方向特征图可以应对车牌拍照角度倾斜，平移等情况，减少由于角度问题对车牌检测的影响，将颜色特征图、亮度特征图以及方向特征图按权重比融合成显著特征图，可以融合三种分析方法的优势，实现在复杂条件下快速定位，高准确率检测出车牌的目的。
本申请还公开了一种车牌识别装置、设备及一种可读存储介质，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的车牌识别方法的流程图；
图2为本申请实施例提供的多标签的深度卷积神经网络示意图；
图3为本申请实施例提供的另一多标签的深度卷积神经网络示意图；
图4为本申请实施例提供的车牌识别装置的结构框图；
图5为本申请实施例提供的车牌识别设备的结构框图；
图6为本申请实施例提供的车牌识别设备的结构示意图。
具体实施方式
本申请的核心是提供一种车牌识别方法，该方法可以实现在复杂环境中快速准确地识别车牌；本申请的另一核心是提供一种车牌识别装置、设备及一种可读存储介质，具有上述有益效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参考图1，图1为本申请实施例提供的车牌识别方法的流程图；该方法可以包括：
步骤s100、根据获取的车辆图像进行车牌检测，得到车牌图像。
获取到车辆图像后通过车牌检测对车辆图像中车牌部分的图像提取出来，得到车牌图像，在此对车牌检测方法不做限定，可以通过基于边缘检测的车牌定位，基于形态学与纹理特征的车牌定位以及基于gabor滤波的车牌区域检测算法等方法进行检测。
步骤s101、通过训练的多标签深度卷积神经网络对车牌图像进行多标签多任务识别，得到车牌信息识别结果；其中，多标签深度卷积神经网络的输出层包括车牌字符输出单元以及车牌颜色输出单元。
提取到车牌图像后对车牌图像进行车牌信息检测，现有技术中通常是通过对车牌进行字符分割后，对分割后的单个字符进行识别，而分割过程受外界环境影响极大，在复杂环境中，比如雨雾天气或者出现运动模糊等情况时分割十分困难，极易出现分割错误，比如没有分割出完整字符或将多个字符分割到统一区域等情况，且分割过程耗时长，而分割后对单个字符进行识别的过程受字符分割的结果影响极大，容错性差，难以满足实时性要求。
本申请提供的车牌识别方法通过训练的多标签深度卷积神经网络对车牌图像进行多标签多任务识别。
深度卷积神经网络由输入层、卷积层、池化层、全连接层以及输出层组成，针对于本申请，输入层的输入图像为步骤s100提取出的车牌图像，卷积层用于车牌字符信息的特征提取；池化层用于特征优化选取，同时可防止训练的过拟合；全连接层用于表示特征，将输入的图像特征张量拉直为一维张量输出；输出层用于针对车牌字符位数的特征，对对应位置的字符特征进行输出。具体结构示意图如图2所示：第一层为输入层，第二、三、五、六、八、九层为卷积层，第四、七、十层为池化层，第十一层为一维的全连接层，第十二层为输出层。模型结构中采用每两个卷积层后为一个池化层，依次交替，最后为输出层的结构，使得图2所示的模型具有较强的表征能力，其它的深度卷积神经网络的组合形式在此不再赘述，其他形式的网络形式均可参照本实施例的介绍。
本申请提供的多标签深度卷积神经网络中第十二层输出层的设计针对于车牌识别过程，融入标签划分，无须对车牌进行字符分割，提高了模型的容错能力，根据预先确定的标签的类型对输出层进行设置，以便于对车牌进行多标签多任务识别，可以实现在无需分割车牌字符的前提下对常规车牌字符具有更高的识别准确率，同时对复杂环境下(雨雾、黑夜等)条件下的车牌也具有较高的鲁棒性。
标签划分的过程可参照现有技术，本申请中需要根据车牌图像对标签进行对应的划分，以便于将该标签设置于深度卷积网络中时，可以根据设定的标签类别对图像进行识别。在此对车牌的标签类别划分方式不做限定，比如可以按照车牌字符类型(汉字、数字、字母等)，车牌字符颜色(车牌字符为白色、黑色、红色等)，车牌底色(除车牌外的车牌底色为蓝色、白色、黑色等)等作为标签进行划分，可以根据需要提取的数据类型进行不同的标签划分，不同的标签划分方式对应着神经网络中输出层的具体类别及对应的数量，例如，当标签划分为标签1、标签2、标签3，其中，每种标签均对应着4种不同的结果时，输出层可以设置为标签1对应的输出单元、标签2对应的输出单元以及标签3对应的输出单元，其中，每个输出单元均为4维，每种标签对应的输出单元的数量可以根据实际需要输出类别的数量决定，比如输出层包括车牌字符类型对应的输出单元时，一般中国的车牌号中车牌字符类型包括汉字、数字、字母，一般一个车牌包括7个字符，为分别输出每个字符的字符类型，车牌字符对应的输出单元可以为7个，3维。
其中，目前较为常见、利用较为方便、更有利用价值的车牌信息主要为车牌字符以及车牌对应的颜色，在此以多标签深度卷积神经网络的输出层包括车牌字符输出单元以及车牌颜色输出单元为例进行介绍，其它标签形式均可参照本实施例的介绍。当将多标签深度卷积神经网络的输出层主要划分为车牌字符输出单元以及车牌颜色输出单元两大类时，具体的输出单元的数量以及输出维度可以根据需要自行设定。
由于目前的车牌字符通常为7位，通常以汉字、字母以及阿拉伯数字组成，汉字通常包括31个，代表地域类别；字母通常包括24个；阿拉伯数字通常包括10个，因此，优选地，车牌字符输出单元具体可以为7个，分别表示车牌对应的7位字符，各车牌字符输出单元的输出维度为65维(31汉字，24字母，10阿拉伯数字)。
由于目前车牌颜色类别较少，通常为蓝色以及黄色，为减少输出单元的冗余，优选地，车牌颜色输出单元具体可以为1个，输出维度为2维。
当第十二层输出层包含8个输出单元，分别为车牌对应的7位字符以及车牌对应的颜色时，多标签的深度卷积神经网络示意图如图3所示。
对多标签的深度卷积神经网络设计完成后在提取的车牌样本集上对设计的多标签深度卷积神经网络进行训练，并得到训练的端到端车牌识别模型。在此对训练方法不做限定，可参照现有技术，比如可以采用反向传播算法等。
通过预训练好的多标签的深度卷积神经网作为分类器，将待识别的车牌图像输入，可以得到对应的车牌信息识别结果，其中，车牌信息识别结果除了对应各输出层的输出结果外还可以包括置信率，用于对车牌识别结果进行衡量。
基于上述技术方案，本申请实施例所提供的车牌识别方法，通过将进行车牌检测后得到的车牌图像输入至训练的多标签深度卷积神经网络，将车牌字符看成多标签分类问题，进行多标签多任务识别，无须车牌字符分割，避免了通过车牌字符分割产生的复杂环境对后续识别过程准确率的影响，通过深度卷积神经网络的优良模式识别性能，分析车牌字符以及车牌颜色，可以快速准确地得到车牌信息识别结果。
基于上述实施例，模型训练需输入大量的样本，为便于模型快速训练，无需因每次输入样本大小不一而调整模型的参数，优选地，可以在得到车牌图像后将车牌图像大小调整至预设值；将调整后的车牌图像输入至多标签深度卷积神经网络。缩放统一了输入样本的大小，一般缩放到一个固定值，大小一般可以按原始车牌比例缩放，比如可以设置统一缩放为72像素x272像素(高x宽)后进行多标签识别。
在上述实施例中对车牌检测方法不做限定，比如可以采用目前常用的车牌检测方法，比如基于边缘检测的车牌定位，基于形态学与纹理特征的车牌定位以及基于gabor滤波的车牌区域检测算法等，但是这些方法鲁棒性较差，如要求车辆图像偏角小，外界干扰噪音小，且检测时间复杂度高，耗时长等，为增强车牌检测的鲁棒性，提高车牌检测的效率，优选地，根据获取的车辆图像进行车牌检测可以包括：
步骤一：分别获取预处理后车辆图像的颜色特征图、亮度特征图以及方向特征图；
步骤二：根据预设权重将颜色特征图、亮度特征图以及方向特征图融合，得到显著性特征图；
步骤三：根据显著性特征图进行车牌检测。
其中，通过分析颜色特征图有利于通过颜色快速定位到车牌，亮度特征图可以应对不同光照变化减少光照带来的车牌检测误差，而方向特征图可以应对车牌拍照角度倾斜，平移等情况，减少由于角度问题对车牌检测的影响，将颜色特征图、亮度特征图以及方向特征图按权重比融合成显著特征图，可以融合三种分析方法的优势，实现在复杂条件下快速定位，高准确率检测出车牌的目的。
在此对颜色特征图、亮度特征图以及方向特征图融合成显著特征图的方法不做限定，可采取现有技术中常用的图像融合方法，比如贝叶斯估计法、像素级图像融合方法等，其中，优选地，可以采用中心-环绕机制和高斯金字塔法，按权重比融合的方法，具体为：
对预处理后的车辆图像分别提取颜色特征、亮度特征以及方向特征；
分别对颜色特征、亮度特征以及方向特征根据中心-环绕机制构建高斯金字塔，得到分别对应的颜色特征图、亮度特征图以及方向特征图。
将几种特征图分别应用中心-环绕机制和高斯金字塔法，按权重比融合成显著特征图，可实现在复杂条件下快速定位检测出车牌。
在此对获取预处理后车辆图像的颜色特征图、亮度特征图以及方向特征图的方法不做限定，可以参照现有技术中对上述三图的提取方法，例如，颜色特征图的提取可以通过提取颜色直方图、颜色集等方法，亮度特征图的提取可以通过欧式距离法等，方向特征图的提取可以通过空间关系特征提取方法等，上述方法有些计算过程复杂，有些还需要通过其他设备来进行测量，效率较低，为减少需要提取的数据量，降低计算难度，保证结果的精度，优选地，颜色特征的提取方法可以包括：
获取车辆图像的三通道值r，b，g；
根据三通道值构建by颜色特征；
其中，by颜色特征的计算方法具体为：colorfeature＝b-y；其中，
亮度特征的提取方法可以包括：
获取车辆图像的三通道值r，b，g；
根据三通道值构建亮度特征；
其中，亮度特征的计算方法具体为：
仅需提取图像的三通道值(r-red，b-blue，g-green)即可完成对图像中颜色特征以及亮度特征的精确高效提取。
方向特征的提取方法可以包括：
在180°内对车辆图像均匀采集预定数量的方位特征；
将方位特征组合成方向特征。方向角要均匀的分布在180度内，其中，每隔30°均匀分布提取的特征最优。
为加深理解，在此以通过获取颜色特征图、亮度特征图以及方向特征图进行车牌检测为例，对车牌识别过程进行介绍，当然，本实施例中仅取其中一种方式进行介绍，其它方式均可参照本实施例的介绍。
1)、从摄像机获取包含车辆的图像，并对原始图像进行去噪和增强对比度处理。
2)、利用设计的结合多种车牌属性特征(颜色特征、亮度特征以及方向特征)的视觉注意力模型，对上述预处理后的图像进行车牌检测。
根据中国车牌主要颜色为黄色(yellow)或蓝色(blue)，由(公式一)对预处理后的图片构建by颜色特征。
colorfeature＝b-y(公式一)
其中
由公式二对预处理后的图片构建亮度特征。
其中，r，b，g为图像三通道值。
应用gabor滤波器对预处理后的图片在0°，30°，60°，90°，120°，150°和180°方向上分别提取出各方位特征，并组合成方向特征。
对上述颜色特征、亮度特征和方向特征分别应用中心-环绕机制和高斯金字塔，分别得到颜色特征图sc，亮度特征图st，方向特征图so，由(公式三)将所有特征图融合在一起，构成图像显著性特征图smap，然后利用smap对预处理的图像进行车牌检测。
smap＝w1sc+w2st+w3so(公式三)
其中w1，w2，w3分别表示颜色、亮度和方向特征图对应的权重，且w1+w2+w3＝1。权重大小设置可以通过模型根据训练样本集训练自学习取得。
利用smap提取出所有的车牌位置候选区域，区域大小值高于阈值的为候选区域，其中阈值可以由ostu自动阈值法自动获取。
将仅包含车辆的图像划分为12块(4行3列)，根据先验知识车牌位置一般处于车辆图像的最底一行的中间块以及车牌的长宽比值和形状特征，排除其他块的候选区域，得到感兴趣的显著区域(roi)。
将感兴趣的显著区域(roi)在原始预处理的图像上进行位置投影，提取出对应的车牌位置。
3)、对于提取的车牌中的7位字符将其看作多标签多任务识别问题，利用预训练好的多标签的深度卷积神经网作为分类器，将待识别的车牌图像输入，得到车牌识别结果和置信率。
多标签的深度卷积神经网络为：第一层为输入层，第二、三、五、六、八、九层为卷积层，第四、七、十层为池化层，第十一层为一维的全连接层，第十二层为输出层。
输入层的输入图像为步骤2)提取出的车牌图像，统一缩放大小成72x272(高x宽)，第十一层全连接层将输入的图像特征张量拉直为一维张量输出，第十二层输出层仅包含8个输出单元，其中七个单元分别为车牌对应的7位字符，每个单元的输出标签为65类(31汉字，24字母，10阿拉伯数字)，即每单元输出维度为65维，第八个单元为车牌对应的颜色，输出标签为2类(蓝、黄颜色)，即2维。
采用反向传播算法在提取的车牌样本集上对设计的多标签深度卷积神经网络进行训练，并得到训练的端到端车牌识别模型。
利用预训练好的多标签的深度卷积神经网作为分类器，将待识别的车牌图像输入，得到车牌识别结果和置信率。
本申请提出的车牌识别方法可以实现在复杂环境中快速准确地识别车牌的目的。
下面对本申请提供的车牌识别装置进行介绍，请参考图4，图4为本申请实施例提供的车牌识别装置的结构框图；该装置可以包括：
车牌检测单元200，用于根据获取的车辆图像进行车牌检测，得到车牌图像；
多标签识别单元201，用于通过训练的多标签深度卷积神经网络对车牌图像进行多标签多任务识别，得到车牌信息识别结果；其中，多标签深度卷积神经网络的输出层包括车牌字符输出单元以及车牌颜色输出单元。
其中，优选地，车牌字符输出单元具体可以为7个，各车牌字符输出单元的输出维度为65维；车牌颜色输出单元具体可以为1个，输出维度为2维。
其中，车牌检测单元200具体可以包括：
获取子单元，用于分别获取预处理后车辆图像的颜色特征图、亮度特征图以及方向特征图；
融合子单元，用于根据预设权重将颜色特征图、亮度特征图以及方向特征图融合，得到显著性特征图；
检测子单元，用于根据显著性特征图进行车牌检测。
获取子单元可以进一步包括：
提取子单元，用于对预处理后的车辆图像分别提取颜色特征、亮度特征以及方向特征；
构建子单元，用于分别对颜色特征、亮度特征以及方向特征根据中心-环绕机制构建高斯金字塔，得到分别对应的颜色特征图、亮度特征图以及方向特征图。
提取子单元可以进一步包括颜色提取子单元、亮度提取子单元以及方向提取子单元。
颜色提取子单元具体可以用于：获取车辆图像的三通道值r，b，g；根据三通道值构建by颜色特征；其中，by颜色特征的计算方法具体为：colorfeature＝b-y；其中，
亮度提取子单元具体可以用于：获取车辆图像的三通道值r，b，g；根据三通道值构建亮度特征；其中，亮度特征的计算方法具体为：
方向提取子单元具体可以用于：
在180°内对车辆图像均匀采集预定数量的方位特征；
将方位特征组合成方向特征。
其中，本申请提供的车牌识别装置可以还包括图像调整单元，与车牌检测单元200以及多标签识别单元201连接，用于将车牌图像大小调整至预设值；将调整后的车牌图像输入至多标签深度卷积神经网络。
本申请提供的车牌识别装置可以在复杂环境中快速准确地识别车牌。
需要说明的是，本申请具体实施方式中的车牌识别装置中的各个单元，其工作过程请参考图1对应的具体实施方式，在此不再赘述。
下面对本申请提供的车牌识别设备进行介绍，具体对车牌识别设备的介绍可参照上述车牌识别方法的步骤，图4为本申请实施例提供的车牌识别设备的结构框图；该设备可以包括：
存储器700，用于存储程序；
处理器800，用于执行程序时实现车牌识别方法的步骤。
请参考图5，本申请实施例提供的车牌识别设备的结构示意图，该识别设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在识别设备301上执行存储介质330中的一系列指令操作。
识别设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm等等。
上面图1所描述的车牌识别方法中的步骤可以由车牌识别设备的结构实现。
下面对本申请实施例提供的可读存储介质进行介绍，下文描述的可读存储介质与上文描述的车牌识别方法可相互对应参照。
本申请公开的一种可读存储介质，其上存储有程序，程序被处理器执行时实现车牌识别方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，设备，存储介质和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，设备，存储介质和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个移动终端中。基于这样的理解，本申请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，该产品存储在一个存储介质中，包括若干指令用以使得一台移动终端(可以是手机，或者平板电脑等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
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。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、终端或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的车牌识别方法、装置、设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。