车架号识别方法、装置、计算机设备和存储介质与流程

本申请涉及计算机技术领域，特别是涉及一种车架号识别方法、装置、计算机设备和存储介质。

背景技术：

车辆识别号码，简称vin，是一组由十七个英数组成的号码，是车辆的唯一识别号，可以查处车辆的生产地、生产日期、型号等等，便于管理。不仅在制造、销售、保养、保险、交易环节会需要录入汽车的车架号，即车辆识别号码，在交通事故处理中，作为汽车身份唯一识别码，车架号是处理事故的执法人员必须要记录的信息之一。

车辆年检检测车架号尤为重要，传统地是将车架号与拓印膜比对，判断车架号是否被篡改。拓印膜是与车架号一比一的照片，用于车架号拓取存档。其中，判断车架号是否被篡改最基本的就是测量车架号尺寸是否与拓印膜一致。

采用上述的方法，在车检年检中，获取测量车架号尺寸费事耗力，且审核人员易疲劳，会导致误检。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高准确性的车架号识别方法、装置、计算机设备和存储介质。

一种车架号识别方法，所述方法包括：

获取初始图像，所述初始图像包括车架号和参照物；

对所述初始图像进行识别得到所述参照物中标志部件的图像位置；

对所述初始图像进行车架号识别得到车架号区域；

获取所述参照物中连接各标志部件的长度可调节的连接件的实际尺寸，并根据所述实际尺寸计算得到所述连接件的像素尺寸；

根据所述标志部件的图像位置以及所述连接件的像素尺寸，确定对所述标志部件的位置进行透视变换后得到的目标位置；

根据所述图像位置和所述目标位置，得到车架号还原图。

在其中一个实施例中，所述对所述初始图像进行识别得到所述参照物中标志部件的图像位置，包括：

对所述初始图像进行预处理；

获取预设的所述标志部件的属性信息；

根据所述属性信息对预处理后的初始图像进行识别得到筛选图像，所述筛选图像为所述标志部件对应的图像；

根据预设逻辑计算所述筛选图像的图像位置。

在其中一个实施例中，所述对所述初始图像进行车架号识别得到车架号区域，包括：

对所述初始图像进行语义分割得到各个字符的预测图；

对所述预测图进行横向膨胀操作以使得各个所述预测图区域相连接；

根据预设规则提取包含字符的最大轮廓，并获取所述最大轮廓对应的最小外接矩形作为所述车架号区域。

在其中一个实施例中，所述获取所述参照物中连接各标志部件的长度可调节的连接件的实际尺寸，并根据所述实际尺寸计算得到所述连接件的像素尺寸，包括：

获取所述参照物中连接件的档位，根据所述档位计算得到所述参照物的实际尺寸；

查询预设尺寸转换公式；

根据所述预设尺寸转换公式和所述参照物的实际尺寸计算得到所述参照物的像素尺寸。

在其中一个实施例中，所述根据所述标志部件的图像位置以及所述连接件的像素尺寸，确定对所述标志部件的位置进行透视变换后得到的目标位置，包括：

获取其中一个标志部件对应的目标位置；

根据其中一个标志部件对应的目标位置以及所述连接件的像素尺寸确定其他标志部件的位置透视变换后的目标位置。

一种参照物，所述参照物应用于上述的车架号识别方法中，所述参照物包括多个标志部件，且所述标志部件通过可调节长度的连接件相连接，所述标志部件和所述连接件的材料为硬质无弹性材料，在使用时，通过调节所述连接件的长度，使得所述车架号位于所述参照物所划定的区域内。

在其中一个实施例中，所述连接件通过设置多个档位实现长度可调。

在其中一个实施例中，所述参照物包括三条连接件以及四个标志部件，所述四个标志部件通过所述三条连接件相连接。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述中任一项所述的方法的步骤。

一种计算机可读存储介质，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上述中任一项所述的方法的步骤。

上述车架号识别方法、装置、计算机设备和存储介质，首先对初始图像进行识别得到了参照物中标志部件的图像位置以及车架号区域，并根据参照物的实际尺寸和标志部件的位置计算得到参照物的像素尺寸，从而可以根据标志部件的图像位置和像素尺寸来确定透视变换后的目标位置，进而根据图像位置和目标位置计即可得到车架号还原图，通过计算机处理得到真实尺寸的车架号还原图，用于后续判断车架号是否被篡改等，从而提高了车架号的识别准确度。

附图说明

图1为一个实施例中车架号识别方法的应用环境图；

图2为一个实施例中车架号识别方法的流程示意图；

图3为一个实施例中的参照物的示意图；

图4为一个实施例中的初始图像的示意图；

图5为一个实施例中的标志部件的图像位置的示意图；

图6为一个实施例中的车架号区域的初始特征点的示意图；

图7为一个实施例中的车架号还原图的示意图；

图8为一个实施例中的透视变换后的初始图像的示意图；

图9为一个实施例中车架号识别装置的结构框图；

图10为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的车架号识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102用于对车架号和参照物进行拍摄得到初始图像，并将该初始图像上传到服务器104中进行处理以得到车架号还原图，从而服务器104将所计算得到的车架号还原图发送给终端102，以便于终端102根据该车架号还原图来判断车架号是否被篡改等。其中服务器104对初始图像进行处理得到车架号还原图的方法主要包括对初始图像进行识别得到参照物中标志部件的图像位置，且可以并行或者是串行对初始图像进行车架号识别得到车架号区域，这样根据参照物的中连接各标志部件的长度可调节的连接件的实际尺寸计算得到连接件的像素尺寸，从而可以根据标志部件的图像位置以及连接件的像素尺寸，确定对标志部件的位置进行透视变换后得到的目标位置，服务器104即可以根据图像位置和目标位置得到车架号区域对应的车架号还原图，提高了车架号的识别准确度。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种车架号识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

s202：获取初始图像，初始图像包括车架号和参照物。

具体地，初始图像是终端拍摄的，例如通过终端的rgb摄像头进行拍摄得到的，其需要包括车架号和参照物。

其中，参照物可以包括多个标志部件，且标志部件通过可调节长度的连接件相连接，标志部件和连接件的材料为硬质无弹性材料，在使用时，通过调节连接件的长度，使得车架号位于参照物所划定的区域内。可选地，连接件通过设置多个档位实现长度可调。

具体地，如图3所示，参照物包括三条连接件以及四个标志部件，四个标志部件通过三条连接件相连接。其中四个标志部件即四个角的位置处的部件，三条连接件以连接四个标志部件的三条线表示，其中，可选地，三条连接件为可调档位的硬质材料连接装置，横向分为共n个档、竖直方向两侧分为共m个档，每个相邻档位调整可使得左右两侧每次拉近1cm。假设四个标志部件的中心点围起来的矩形，左右两侧高为第0档(m1＝m2＝0)为realh+m1(cm)和realh+m2(cm)，上边宽第0档(n＝0)为realw(cm)、第n档位realw+n(cm)；其中n，m1，m2为用户设置的档位变量，需要在使用时作为选项输入至终端，以便于终端发送至服务器，并且左右两侧调整时不需要一致，可以根据实际摆放空间任意调整。

在实际应用中，用户将参照物调节到合适的档位n、m1、m2，并放置在实际车架号平面，以保证参照物既不挡住车架号字体，又可以在狭小的空间内正常放置。然后用户使用终端对车架号和参照物进行拍摄得到初始图像，该初始图片可以具体参照图4所示，并将所得到的初始图像实时上传至服务器，以便于服务器进行处理。

s204：对初始图像进行识别得到参照物中标志部件的图像位置。

具体地，服务器对初始图像进行识别得到参照物中标志部件的图像位置，可以是根据标志部件的属性来进行的，例如识别初始图像中的特征与标志部件的属性相匹配的特征，然后根据所识别的特征的位置确定标志部件的图像位置。

实际应用中，可以参见图5，服务器对初始图像进行识别以确定标志部件，并识别标志部件，例如四个标志部件的中心点像素坐标作为标志部件的图像位置，例如图5中的四个点p1、p2、p3、p4，每个中心点的像素坐标为(x,y)。

s206：对初始图像进行车架号识别得到车架号区域。

具体地，该步骤可以是通过预先训练的字符串分割定位模型来进行处理的，服务器将初始图像输入至该模型后能得到车架号区域。具体地，可以参见图6所示，服务器可以通过车架号区域的四个点的像素坐标pp1、pp2、pp3、pp4(每个中心点的像素坐标为(x,y))来表示车架号区域。

此外，为了提高处理的效率，该步骤s206和步骤s204可以是并行处理的，例如服务器对初始图像进行复制得到副本，这样步骤s204和步骤s206分别对初始图像和副本进行处理即可。

s208：获取参照物中连接各标志部件的长度可调节的连接件的实际尺寸，并根据实际尺寸计算得到连接件的像素尺寸。

具体地，参照物的实际尺寸可以是根据参照物的连接件的档位来计算得到的，具体的计算方式可以参见上文。

像素尺寸则是根据参照物的实际尺寸和存储图片时的dpi计算得到，具体的计算方式可以参见下文。

s210：根据标志部件的图像位置以及连接件的像素尺寸，确定对标志部件的位置进行透视变换后得到的目标位置。

s212：根据图像位置和目标位置计算得到车架号还原图。

具体地，服务器可以先根据图像位置和目标位置计算得到透视变换矩阵，再根据所得到的透视变换矩阵对车架号区域进行透视变换得到车架号还原图。

服务器可以预先确定透视变换后的一个参照点，例如一个标志部件对应的透视变换后的点，这样根据该参照点以及像素尺寸可以确定标志部件的位置进行透视变换后得到的目标位置。从而根据标志部件透视变换前后的位置，也就是图像位置和目标位置计算得到透视变换矩阵。

具体地，在得到透视变换矩阵后，服务器可以对车架号区域进行透视变换，这样即可以输出车架号还原图，也就是输出一比一的还原图，该车架号还原图如图7所示。上述车架号识别方法，首先对初始图像进行识别得到了参照物中标志部件的图像位置以及车架号区域，根据参照物的实际尺寸计算得到参照物的像素尺寸，从而可以根据标志部件的图像位置和像素尺寸来确定透视变换后的目标位置，进而根据图像位置和目标位置得到车架号还原图，通过计算机处理得到真实尺寸的车架号还原图，用于后续判断车架号是否被篡改等，从而提高了车架号的识别准确度。

在其中一个实施例中，对初始图像进行识别得到参照物中标志部件的图像位置，包括：对初始图像进行预处理；获取预设的标志部件的属性信息；根据属性信息对预处理后的初始图像进行识别得到筛选图像，筛选图像为标志部件对应的图像；根据预设逻辑计算筛选图像的图像位置。

在其中一个实施例中，属性信息包括但不限于轮廓形状、轮廓层数、各个轮廓包含区域的颜色、各个轮廓的长宽比以及各个轮廓之间的尺寸比。

在其中一个实施例中，筛选图像包括多层轮廓，根据预设逻辑计算筛选图像的图像位置，包括：分别求取多层轮廓对应的几何中心的位置；计算几何中心的位置的均值作为图像位置。

具体地，此处的预处理可以包括对初始图像的灰度化处理、均值滤波处理、二值化处理中的至少一个，该预处理的主要目的是减少数据处理量的同时避免环境因素干扰标志部件的识别准确性。

标志部件的属性信息是可以将标志部件与初始图像中的其他图像特征区分开来的特征，包括但不限于轮廓形状、轮廓层数、各个轮廓包含区域的颜色、各个轮廓的长宽比以及各个轮廓之间的尺寸比。

其中服务器可以首先根据轮廓形状从预处理后的初始图片中识别得到上述轮廓形状，然后根据轮廓层数对所识别得到的轮廓形状进行筛选，例如当参照物是如图3所示的参照物时，服务器可以从中筛选得到有两层嵌套轮廓的外轮廓(共有内(如图3中的最内层黑色层)、中(如图3中的中间层白色层)、外三层(如图3中的最外层黑色层))，然后服务器还可以根据各个轮廓包含区域的颜色继续筛选，例如图3中，继续筛选出内轮廓为黑色的特征。然后，服务器获取到所有的轮廓的外接最小矩形框，服务器继续根据各个轮廓的长宽比来继续筛选，例如筛选出长宽比大于第一预设比例的特征，例如0.9等，筛选完成后，服务器继续根据各个轮廓之间的尺寸比进行筛选，例如再次筛选出内、中、外三层轮廓边长比接近第二预设比例的特征，例如7:5:3(此为参照物的设计尺寸比例)。需要说明的是，上述各个筛选的步骤可以仅执行其中的一个或多个。

最后，服务器分别求取多层轮廓对应的几何中心的位置，然后计算几何中心的位置的均值作为图像位置。例如服务器计算各层轮廓的几何中心的位置，该位置可以是通过坐标表示，这样该几何中心的计算方法可以是求横坐标的均值和纵坐标的均值，这样就可以得到如图5所示中的四个图像位置p1、p2、p3、p4。

上述实施例中，通过对图像预处理减少数据处理量的同时避免环境因素干扰标志部件的识别准确性，其次根据属性信息来设置多层筛选条件保证了标志部件的识别准确性。

在其中一个实施例中，对初始图像进行车架号识别得到车架号区域，包括：对初始图像进行语义分割得到各个字符的预测图；对预测图进行横向膨胀操作以使得各个预测图区域相连接；根据预设规则提取包含字符的最大轮廓，并获取最大轮廓对应的最小外接矩形作为车架号区域。

具体地，车架号区域可以是通过车架号字符区域的四个角点的像素坐标来表示，例如包裹有车架号字符区域的最小矩形的四个角点。

服务器首先利用深度神经网络-语义分割网络对初始图像进行分割，得到车架号字符串分割结果，即各个字符的预测图，其中由于数字、字母加在一起一共34类，0～9，a～z，除去车架号不存在的i、o、q外，因此可以预先根据该些数字和字母进行训练，使得深度神经网络-语义分割网络更加准确。

其次，服务器对预测图进行横向膨胀操作以使得各个预测图区域相连接，以将分割得到的各个预测图融合为1张图，其中像素值0为无字符区域，255为任意字符区域。之后，根据预设规则提取融合后得到的1张图中包含字符的最大轮廓，并获取最大轮廓对应的最小外接矩形作为车架号区域。具体地，实际应用中，服务器可以调用findcontours()函数得到包含真正字符串整体区域与噪点区域的若干轮廓，并将所得到的轮廓面积排序，留下最大轮廓，删除其他位置噪点，并对最大区域取最小外接矩形，得到左上、右上、右下、左下四个像素坐标pp1、pp2、pp3、pp4，具体可以参见图6所示。

上述实施例中，通过深度神经网络-语义分割网络对初始图像进行分割，并对分割得到的预测图进行横向膨胀操作，使得所得到的车架号区域更为准确。

在其中一个实施例中，获取参照物中连接各标志部件的长度可调节的连接件的实际尺寸，并根据实际尺寸计算得到连接件的像素尺寸，包括：获取参照物中连接件的档位，根据档位计算得到参照物的实际尺寸；查询预设尺寸转换公式；根据预设尺寸转换公式和参照物的实际尺寸得到参照物的像素尺寸。

具体地，参照物的实际尺寸是根据连接件的档位计算得到的，其中该档位是由终端发送给服务器的，例如上文中的m1、m2和n，其中上边的第n档位realw+n(cm)，左右两侧的m1档和m2档为realh+m1(cm)和realh+m2(cm)，这样服务器计算得到参照物的实际尺寸。

预设尺寸转换公式为：

lmm＝25.4*lpixel/dpi(1)

其中lmm为真实尺寸(单位：mm)，lpixel为像素尺寸(单位：像素)，dpi为储存图片时的dpi。

这样，服务器根据预设尺寸转换公式和参照物的实际尺寸得到参照物的像素尺寸。例如由上述公式，结合左右两侧高为realh(cm)，第n档位realw+n(cm)；得到像素尺寸：

pixw＝(realw+n)*dpi/25.4

pixh1＝(realh+m1)*dpi/25.4(左侧高)

pixh2＝(realh+m2)*dpi/25.4(右侧高)(2)

上述实施例中，可以根据需要调节参照物的档位，并根据档位计算得到参照物的实际尺寸，从而可以得到对应的像素尺寸。

在其中一个实施例中，根据标志部件的图像位置以及连接件的像素尺寸，确定对标志部件的位置进行透视变换后得到的目标位置，包括：获取其中一个标志部件对应的目标位置；根据其中一个标志部件对应的目标位置以及连接件的像素尺寸确定其他标志部件的位置透视变换后的目标位置。

具体地，其中为了确定各个透视变换后的目标图像，服务器需要首先给出透视变换后的目标图像中的一个点，例如与其中一个标志部件对应的目标位置，这样服务器根据在目标图像中的该目标位置以及像素尺寸即可以确定其他标志部件的位置在透视变换后的目标位置。

具体地，假设其中一个标志部件对应的目标位置为(u0,v0)，则其他的标志部件的位置在透视变换后的目标位置为dst_p1(u0+pixw,v0)、dst_p2(u0+pixw,v0+pixh2)和dst_p3(u0,v0+pixh1)。

这样服务器调用opencv函数getperspectivetransform(constpoint2fsrc[],constpoint2fdst[])，该函数的关键参数包括src[]四个点为：p1、p2、p3、p4；dst[]四个点为：(u0,v0)、dst_p1(u0+pixw,v0)、dst_p2(u0+pixw,v0+pixh2)、dst_p3(u0,v0+pixh1)，其中两组点均为左上角开始，顺时针排列方式。最后生成透视变换矩阵transform。

上述实施例中，根据标志部件和像素尺寸确定了透视变换后的目标位置，最后调用函数得到了透视变换矩阵，使得所得到的透视变换矩阵更为准确。

在其中一个实施例中，通过透视变换矩阵对车架号区域进行透视变换得到车架号还原图，包括：根据透视变换矩阵对初始图像进行透视变换；获取车架号区域对应的初始特征点，并根据透视变换矩阵对初始特征点进行透视变换后得到目标特征点；根据目标特征点从透视变换后的初始图像中裁剪得到车架号还原图。

具体地，服务器可以仅对车架号区域进行透视变换以得到对应的车架号还原图，但是为了提高准确性，本实施例中根据透视变换矩阵对整个初始图像进行透视变换，并且特别标记了车架号区域对应的初始特征点，并根据透视变换矩阵对初始特征点进行透视变换后得到目标特征点，其中该初始特征点可以是指上文中所识别得到的包裹车架号字符区域的最小矩形的四个角点，这样根据透视变换矩阵可以得到对应的目标特征点，从而根据目标特征点从透视变换后的初始图像中裁剪得到车架号还原图。

具体地，由上述得到的透视变换矩阵transform和车架号字符区域四个顶点，即初始特征点pp1、pp2、pp3、pp4的像素坐标，利用坐标转换，得到透视变换之后的图8中该四个点对应坐标new_pp1、new_pp2、new_pp3和new_pp4，具体计算如下:

通用透视变换公式为：

其中transform形式为3x3矩阵，如

将pp1、pp2、pp3和pp4四组坐标分别代入上述公式(其中w为齐次项，取1)，得到四组并做齐次化处理，得到从而得到新坐标new_pp1、new_pp2、new_pp3和new_pp4，即目标特征点的坐标，这样服务器根据该目标特征点的坐标从透视变换后的初始图像中裁剪得到车架号还原图。

可选地，根据目标特征点从透视变换后的初始图像中裁剪得到车架号还原图，包括：计算目标特征点对应的最小外接矩形作为裁剪区域；对透视变换后的初始图像中的裁剪区域进行裁剪得到车架号还原图。

具体地，服务器根据新坐标new_pp1、new_pp2、new_pp3以及new_pp4，计算最小外接矩形rect，并将生成的初始图像对应的透视图，裁剪获取rect区域图像，此区域则为经过一比一校正好的图像，输入给打印模块，供打印，例如将生成的车架号还原图输入给打印模块，原始尺寸直接打印，打印出的效果即为真实尺寸一比一还原之后的结果。

上述实施例中，为了提高准确性，将整个初始图像进行透视变换，然后裁剪得到车架号区域，这样保证了车架号区域的准确性。

本申请主要应用于车辆车架号一比一采集还原，代替原有的人工拓印采集方式。利用本申请设计的标尺，结合图像处理算法、深度学习算法，得到一比一还原的车架号图片。硬件只需要本申请设计的标尺、可拍照的摄像头、计算设备，及可以实现一比一还原功能，成本低。其次，本申请设计的标尺，实际占用空间较小，摆放非常灵活，可以适应不同尺寸车架号、车身不同位置车架号(可能车架号平面较紧凑)。再者，算法可最大限度利用标尺所有信息以实现定位和计算，使得标尺的设计可以做的足够简单、足够小巧。最后，本申请标尺只需大致摆放在车架号外围即可，本申请可利用算法自适应校正、获取车架号区域进行一比一还原，只需要保证标尺放置在车架号平面。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图9所示，提供了一种车架号识别装置，包括：初始图像获取模块100、标志部件识别模块200、车架号识别模块300、像素尺寸计算模块400、目标位置确定模块500、透视变换矩阵计算模块600以及透视变换模块700，其中：

初始图像获取模块100，用于获取初始图像，初始图像包括车架号和参照物；

标志部件识别模块200，用于对初始图像进行识别得到参照物中标志部件的图像位置；

车架号识别模块300，用于对初始图像进行车架号识别得到车架号区域；

像素尺寸计算模块400，用于获取参照物中连接各标志部件的长度可调节的连接件的实际尺寸，并根据实际尺寸计算得到连接件的像素尺寸；

目标位置确定模块500，用于根据标志部件的图像位置以及连接件的像素尺寸，确定对标志部件的位置进行透视变换后得到的目标位置；

透视变换计算模块600，用于根据图像位置和目标位置得到车架号还原图。

在其中一个实施例中，标志部件识别模块200可以包括：

预处理单元，用于对初始图像进行预处理；

属性信息获取单元，用于获取预设的标志部件的属性信息；

筛选图像识别单元，用于根据属性信息对预处理后的初始图像进行识别得到筛选图像，筛选图像为标志部件对应的图像；

图像位置确定单元，用于根据预设逻辑计算筛选图像的图像位置。

在其中一个实施例中，上述车架号识别模块300可以包括：

预测图获取单元，用于对初始图像进行语义分割得到各个字符的预测图；

膨胀操作单元，用于对预测图进行横向膨胀操作以使得各个预测图区域相连接；

车架号区域确定单元，用于根据预设规则提取包含字符的最大轮廓，并获取最大轮廓对应的最小外接矩形作为车架号区域。

在其中一个实施例中，上述的像素尺寸计算模块400可以包括：

实际尺寸获取单元，用于获取参照物中连接件的档位，根据档位计算得到参照物的实际尺寸；

公式查询单元，用于查询预设尺寸转换公式；

像素尺寸计算单元，用于根据预设尺寸转换公式和参照物的实际尺寸得到参照物的像素尺寸。

在其中一个实施例中，目标位置确定模块500可以包括：

第一位置获取单元，用于获取其中一个标志部件对应的目标位置；

第二位置获取单元，用于根据其中一个标志部件对应的目标位置以及连接件的像素尺寸确定其他标志部件的位置透视变换后的目标位置。

关于车架号识别装置的具体限定可以参见上文中对于车架号识别方法的限定，在此不再赘述。上述车架号识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储车架号拓印膜等等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车架号识别方法。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取初始图像，初始图像包括车架号和参照物；对初始图像进行识别得到参照物中标志部件的图像位置；对初始图像进行车架号识别得到车架号区域；获取参照物中连接各标志部件的长度可调节的连接件的实际尺寸，并根据实际尺寸计算得到连接件的像素尺寸；根据标志部件的图像位置以及连接件的像素尺寸，确定对标志部件的位置进行透视变换后得到的目标位置；根据图像位置和目标位置得到车架号还原图。

在一个实施例中，处理器执行计算机程序时所实现的对初始图像进行识别得到参照物中标志部件的图像位置，包括：对初始图像进行预处理；获取预设的标志部件的属性信息；根据属性信息对预处理后的初始图像进行识别得到筛选图像，筛选图像为标志部件对应的图像；根据预设逻辑计算筛选图像的图像位置。

在一个实施例中，处理器执行计算机程序时所实现的对初始图像进行车架号识别得到车架号区域，包括：对初始图像进行语义分割得到各个字符的预测图；对预测图进行横向膨胀操作以使得各个预测图区域相连接；根据预设规则提取包含字符的最大轮廓，并获取最大轮廓对应的最小外接矩形作为车架号区域。

在一个实施例中，处理器执行计算机程序时所实现的获取参照物中连接各标志部件的长度可调节的连接件的实际尺寸，并根据实际尺寸计算得到连接件的像素尺寸，包括：获取参照物中连接件的档位，根据档位计算得到参照物的实际尺寸；查询预设尺寸转换公式；根据预设尺寸转换公式和参照物的实际尺寸得到参照物的像素尺寸。

在一个实施例中，处理器执行计算机程序时所实现的根据标志部件的图像位置以及连接件的像素尺寸，确定对标志部件的位置进行透视变换后得到的目标位置，包括：获取其中一个标志部件对应的目标位置；根据其中一个标志部件对应的目标位置以及连接件的像素尺寸确定其他标志部件的位置透视变换后的目标位置。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取初始图像，初始图像包括车架号和参照物；对初始图像进行识别得到参照物中标志部件的图像位置；对初始图像进行车架号识别得到车架号区域；获取参照物中连接各标志部件的长度可调节的连接件的实际尺寸，并根据实际尺寸计算得到连接件的像素尺寸；根据标志部件的图像位置以及连接件的像素尺寸，确定对标志部件的位置进行透视变换后得到的目标位置；根据图像位置和目标位置计算得到车架号还原图。

在一个实施例中，计算机程序被处理器执行时所实现的对初始图像进行识别得到参照物中标志部件的图像位置，包括：对初始图像进行预处理；获取预设的标志部件的属性信息；根据属性信息对预处理后的初始图像进行识别得到筛选图像，筛选图像为标志部件对应的图像；根据预设逻辑计算筛选图像的图像位置。

在一个实施例中，计算机程序被处理器执行时所实现的对初始图像进行车架号识别得到车架号区域，包括：对初始图像进行语义分割得到各个字符的预测图；对预测图进行横向膨胀操作以使得各个预测图区域相连接；根据预设规则提取包含字符的最大轮廓，并获取最大轮廓对应的最小外接矩形作为车架号区域。

在一个实施例中，计算机程序被处理器执行时所实现的获取参照物中连接各标志部件的长度可调节的连接件的实际尺寸，并根据实际尺寸计算得到连接件的像素尺寸，包括：获取参照物中连接件的档位，根据档位计算得到参照物的实际尺寸；查询预设尺寸转换公式；根据预设尺寸转换公式和参照物的实际尺寸得到参照物的像素尺寸。

在一个实施例中，计算机程序被处理器执行时所实现的根据标志部件的图像位置以及连接件的像素尺寸，确定对标志部件的位置进行透视变换后得到的目标位置，包括：获取其中一个标志部件对应的目标位置；根据其中一个标志部件对应的目标位置以及连接件的像素尺寸确定其他标志部件的位置透视变换后的目标位置。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。