一种车牌定位的方法及装置与流程

本申请属于计算机技术领域，尤其涉及一种车牌定位的方法及装置。

背景技术：

目前随着人们生活水平的提高，汽车极大方便了人们的生活，智能交通管理可以高效的对车辆进行管理。车牌识别是智能交通管理中非常重要的部分，对车牌进行识别的前提是先在图片信息中进行车牌定位。当前在图片中对车牌定位的方法，大致可分为基于颜色的定位算法、基于图像分割的投影算法、基于图像边缘检测和连通域分析的算法、单纯基于分类器的算法，以及基于深度学习的通用目标检测算法。但是，现有的算法要么定位的精度差、容易出现误差，要么计算量过大，都无法高效、准确的从图片信息中进行车牌的定位。

技术实现要素：

本申请实施例提供了一种车牌定位的方法及装置，可以解决无法高效、准确的从图片信息中进行车牌的定位问题。

第一方面，本申请实施例提供了一种车牌定位的方法，包括：

获取第一车牌样本集；所述第一车牌样本集包括第一样本车牌图像信息及其对应的结果标签；

基于所述第一样本车牌图像信息及其对应的结果标签对深度学习网络训练，得到用于输出车牌图像信息对应的识别结果的预设车牌定位模型；

获取原始图片信息，将所述原始图片信息转化为二值化图片信息；

基于预设分割策略对所述二值化图片信息进行分割，得到目标图像信息；

基于预设纹理描述算子从所述目标图像信息中提取到所述目标图像信息的图像局部纹理特征信息；

将所述目标图像信息及其所述图像局部纹理特征信息输入预设的车牌图像识别模型进行识别，得到候选车牌图像信息；

将所述候选车牌图像信息输入到预设车牌定位模型中进行处理，得到所述候选车牌图像信息对应的识别结果；所述预设车牌定位模型基于第一车牌样本集对深度学习网络训练得到；在训练过程中，所述预设车牌定位模型的输入为第一车牌样本集中的第一样本车牌图像信息；每个第一样本车牌图像信息具有相应的结果标签；所述预设车牌定位模型的输出为所述第一样本车牌图像信息对应的识别结果；

基于所述识别结果定位出所述原始图片信息中的车牌区域的位置信息。

进一步地，所述预设车牌定位模型包括特征提取模块、车牌判断模块和车牌位置信息回归模块；

所述将所述候选车牌图像信息输入到预设车牌定位模型中进行处理，得到所述候选车牌图像信息对应的识别结果，包括：

将所述候选车牌图像信息输入到所述特征提取模块中进行处理，得到第一车牌图像特征信息；

将所述第一车牌图像特征信息输入到所述车牌判断模块中进行处理，得到车牌图像判断结果信息；

当所述车牌图像判断结果信息标识所述候选车牌图像信息包括车牌信息时，将所述车牌图像判断结果信息输入到所述车牌位置信息回归模块进行处理，得到所述候选车牌图像信息对应的位置信息。

进一步地，所述基于所述第一样本车牌图像信息及其对应的结果标签对深度学习网络训练，得到用于输出车牌图像信息对应的识别结果的预设车牌定位模型，包括：

将每个所述第一样本车牌图像信息输入深度学习网络进行处理，得到所述第一样本车牌图像信息对应的识别结果；

使用预设车牌分类损失函数和预设车牌位置信息回归损失函数评估每个所述第一样本车牌图像信息对应的识别结果与所述结果标签之间的差异度；

当所述差异度大于预设的差异度阈值时，调整所述预设车牌识别模型的模型参数，并返回执行所述将每个所述第一样本车牌图像信息输入所述深度学习网络进行处理，得到所述第一样本车牌图像信息对应的识别结果；

当所述差异度小于或等于所述预设的差异度阈值时，停止训练所述深度学习网络，得到所述预设车牌定位模型。

进一步地，在所述将所述目标图像信息及其所述图像局部纹理特征信息输入预设识别支持向量机模型进行识别，得到候选车牌图像信息之前，还包括：

获取第二车牌样本集；所述第二车牌样本集包括第二样本车牌图像信息及其图像局部纹理特征信息和结果标签；

基于所述第二车牌样本集中的所述第二样本车牌图像信息及其图像局部纹理特征信息和结果标签对预设的支持向量机进行训练，得到所述预设的车牌图像识别模型。

进一步地，在所述获取原始图片信息，将所述原始图片信息转化为二值化图片信息之前，还包括：

当检测到待识别的初始图片信息时，对所述初始图片信息进行预处理，得到原始图片信息；所述预处理包括平滑处理和亮度处理。

第二方面，本申请实施例提供了一种车牌定位的装置，包括：

第一获取单元，用于获取第一车牌样本集；所述第一车牌样本集包括第一样本车牌图像信息及其对应的结果标签；

第一训练单元，用于基于所述第一样本车牌图像信息及其对应的结果标签对深度学习网络训练，得到用于输出车牌图像信息对应的识别结果的预设车牌定位模型；

第二获取单元，用于获取原始图片信息，将所述原始图片信息转化为二值化图片信息；

第一处理单元，用于基于预设分割策略对所述二值化图片信息进行分割，得到目标图像信息；

第二处理单元，用于基于预设纹理描述算子从所述目标图像信息中提取到所述目标图像信息的图像局部纹理特征信息；

第三处理单元，用于将所述目标图像信息及其所述图像局部纹理特征信息输入预设的车牌图像识别模型进行识别，得到候选车牌图像信息；

第四处理单元，用于将所述候选车牌图像信息输入到预设车牌定位模型中进行处理，得到所述候选车牌图像信息对应的识别结果；所述预设车牌定位模型基于第一车牌样本集对深度学习网络训练得到；在训练过程中，所述预设车牌定位模型的输入为第一车牌样本集中的第一样本车牌图像信息；每个第一样本车牌图像信息具有相应的结果标签；所述预设车牌定位模型的输出为所述第一样本车牌图像信息对应的识别结果；

第五处理单元，用于基于所述识别结果定位出所述原始图片信息中的车牌区域的位置信息。

进一步地，所述预设车牌定位模型包括特征提取模块、车牌判断模块和车牌位置信息回归模块；

所述第四处理单元，包括：

第六处理单元，用于将所述候选车牌图像信息输入到所述特征提取模块中进行处理，得到第一车牌图像特征信息；

第七处理单元，用于将所述第一车牌图像特征信息输入到所述车牌判断模块中进行处理，得到车牌图像判断结果信息；

第八处理单元，用于当所述车牌图像判断结果信息标识所述候选车牌图像信息包括车牌信息时，将所述车牌图像判断结果信息输入到所述车牌位置信息回归模块进行处理，得到所述候选车牌图像信息对应的位置信息。

进一步地，所述第一训练单元，具体用于：

将每个所述第一样本车牌图像信息输入深度学习网络进行处理，得到所述第一样本车牌图像信息对应的识别结果；

使用预设车牌分类损失函数和预设车牌位置信息回归损失函数评估每个所述第一样本车牌图像信息对应的识别结果与所述结果标签之间的差异度；

当所述差异度大于预设的差异度阈值时，调整所述预设车牌识别模型的模型参数，并返回执行所述将每个所述第一样本车牌图像信息输入所述深度学习网络进行处理，得到所述第一样本车牌图像信息对应的识别结果；

当所述差异度小于或等于所述预设的差异度阈值时，停止训练所述深度学习网络，得到所述预设车牌定位模型。

进一步地，所述车牌定位的装置，还包括：

第三获取单元，用于获取第二车牌样本集；所述第二车牌样本集包括第二样本车牌图像信息及其图像局部纹理特征信息和结果标签；

第二训练单元，用于基于所述第二车牌样本集中的所述第二样本车牌图像信息及其图像局部纹理特征信息和结果标签对预设的支持向量机进行训练，得到所述预设的车牌图像识别模型。

进一步地，所述车牌定位的装置，还包括：

预处理单元，用于当检测到待识别的初始图片信息时，对所述初始图片信息进行预处理，得到原始图片信息；所述预处理包括平滑处理和亮度处理。

第三方面，本申请实施例提供了一种车牌定位的设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的车牌定位的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的车牌定位的方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在车牌定位的设备上运行时，使得终端设备执行如上述第一方面所述的车牌定位的方法。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

本申请实施例中，获取原始图片信息，基于所述原始图片信息获取目标图像信息和所述目标图像信息的图像局部纹理特征信息；将所述目标图像信息及其所述图像局部纹理特征信息输入预设的车牌图像识别模型进行识别，得到候选车牌图像信息；将所述候选车牌图像信息输入到预设车牌定位模型中进行处理，得到所述候选车牌图像信息对应的识别结果；基于所述识别结果定位出所述原始图片信息中的车牌区域的位置信息。上述方法，将传统算法计算速度快和深度学习精度高的特点相结合，利用传统算法粗定位出若干疑似车牌区域，然后通过深度学习方法对疑似车牌区域进行判断，如果为真车牌则回归出车牌的位置信息。提高车牌识别的精度，增强算法对不同环境适应性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请第一实施例提供的一种车牌定位的方法的流程示意图；

图2是本申请第一实施例提供的一种车牌定位的方法中s102细化的流程示意图；

图3是本申请第一实施例提供的一种车牌定位的方法中s107细化的流程示意图；

图4是本申请第二实施例提供的另一种车牌定位的方法的流程示意图；

图5是本申请第三实施例提供的车牌定位的装置的示意图；

图6是本申请第四实施例提供的车牌定位的设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

请参见图1，图1是本申请第一实施例提供的一种车牌定位的方法的流程示意图。本实施例中车牌定位的方法的执行主体为具有车牌定位的功能的设备，具体可以为计算机、服务器等设备。如图1所示的车牌定位的方法可包括：

s101：获取第一车牌样本集；所述第一车牌样本集包括第一样本车牌图像信息及其对应的结果标签。

设备可以从用于存储训练样本的数据库中获取第一车牌样本集，也可获取其他设备存储的第一车牌样本集，第一车牌样本集为相关人员预先设置并输入。训练样本集合包括多个训练样本，每个训练样本包括一个第一样本车牌图像信息及其对应的结果标签。在此对训练样本的数量不做限制，样本训练集中的训练样本的数量，可以根据实际情况进行设置，在一定程度上来说，训练样本集合中的训练样本的数量越多，使用该训练样本集合训练得到的预设车牌定位模型进行车牌识别时，识别出的结果越准确。

s102：基于所述第一样本车牌图像信息及其对应的结果标签对深度学习网络训练，得到用于输出车牌图像信息对应的识别结果的预设车牌定位模型。

设备可以将第一车牌样本集中的训练样本分成多个批次，从而能够采用不同批次的训练样本进行训练。设备可以对第一样本车牌图像信息输入所述深度学习网络进行处理，提取每个第一样本车牌图像信息的车牌特征信息，并对车牌特征信息进行判断，判断第一样本车牌图像信息是否包括车牌图像，当第一样本车牌图像信息包括车牌图像时，获取第一样本车牌图像信息对应的位置信息。将获取到的位置信息与结果标签进行比较，得到比较结果，通过比较结果对深度学习网络进行调整。通过上述方法训练得到用于输出车牌图像信息对应的识别结果的预设车牌定位模型。

进一步地，为了获取到高精度的预设车牌定位模型，s102可以包括s1021～s1024，如图2所示，s1021～s1024具体如下：

s1021：将每个所述第一样本车牌图像信息输入深度学习网络进行处理，得到所述第一样本车牌图像信息对应的识别结果。

设备可以对第一样本车牌图像信息输入所述深度学习网络进行处理，提取每个第一样本车牌图像信息的车牌特征信息，并对车牌特征信息进行判断，判断第一样本车牌图像信息是否包括车牌图像，当第一样本车牌图像信息包括车牌图像时，获取第一样本车牌图像信息对应的位置信息，即第一样本车牌图像信息对应的识别结果。

s1022：使用预设车牌分类损失函数和预设车牌位置信息回归损失函数评估每个所述第一样本车牌图像信息对应的识别结果与所述结果标签之间的差异度。

在机器学习中，我们希望模型在训练数据上学到的预测数据分布与真实数据分布越相近越好，因此要设置损失函数(lossfunction)。本实施例中，预设车牌分类损失函数和车牌位置信息回归损失函数。其中，预设车牌分类损失函数可以采用交叉熵函数，具体可以设置为：

其中，pi表示第一样本车牌图像信息为车牌的概率，表示第一样本车牌图像信息为真假车牌的标签。

车牌位置信息回归损失函数采用最小欧式距离来进行表示：

其中，yi为预测的第i个第一样本车牌图像信息角点坐标值，为其对应的真实值。

本实施例中，也可以将预设车牌分类损失函数和预设车牌位置信息回归损失函数进行联合，得到联合损失函数，联合上文提到的两个具体的预设车牌分类损失函数和预设车牌位置信息回归损失函数，联合损失函数具体如下：

其中，β＝1,α＝1，ldet(pi,yi)和的具体含义可以参照上文的相关描述。

每个训练样本对应的识别结果与结果标签之间的差异度用于衡量识别结果的准确度。

当计算的到差异度大于预设的差异度阈值时，执行s1023；当当差异度小于或等于预设的差异度阈值时，执行s1024。

s1023：当所述差异度大于预设的差异度阈值时，调整所述预设车牌识别模型的模型参数，并返回执行所述将每个所述第一样本车牌图像信息输入所述深度学习网络进行处理，得到所述第一样本车牌图像信息对应的识别结果。

当差异度大于预设的差异度阈值时，判定当前的识别准确度还未达到要求，需要调整深度学习网络的模型参数后，返回执行s2041～s2042，直到在s2042中确定的差异度小于或等于预设的差异度阈值时，执行s2044。

s1024：当所述差异度小于或等于所述预设的差异度阈值时，停止训练所述深度学习网络，得到所述预设车牌定位模型。

当差异度小于或等于预设的差异度阈值时，判定训练符合预期要求，可以结束训练。此时调整模型参数后的深度学习网络经过了大量的样本训练，且其差异度保持在一个较小的范围内，使用该深度学习网络对第一样本车牌图像信息进行处理，可以获得较准确的识别结果。

s103：获取原始图片信息，将所述原始图片信息转化为二值化图片信息。

设备获取原始图片信息，对原始图片信息进行二值化处理，将原始图片信息转化为二值化图片信息。其中，图像的二值化处理就是将图像上的点的灰度置为0或255，也就是讲整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，特别是在实用的图像处理中，以二值图像处理实现而构成的系统是很多的，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像，这样子有利于再对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阀值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。如果某特定物体在内部有均匀一致的灰度值，并且其处在一个具有其他等级灰度值的均匀背景下，使用阀值法就可以得到比较的分割效果。如果物体同背景的差别表现不在灰度值上(比如纹理不同)，可以将这个差别特征转换为灰度的差别，然后利用阀值选取技术来分割该图像。

进步一地，为了提高获取到的原始图片信息的质量，在s103之前，还可以包括：当检测到待识别的初始图片信息时，对所述初始图片信息进行预处理，得到原始图片信息；所述预处理包括平滑处理和亮度处理。当设备检测到待识别的初始图片信息时，对初始图片信息进行预处理，得到原始图片信息。其中，初始图片信息为未经过任何处理的图片信息，对初始图片信息进行预处理，预处理可以包括平滑处理和亮度处理，图像平滑处理(smooth)也称为“模糊处理”，最常见的平滑处理是降低图像上的噪声或者失真，图像亮度处理为对图像的亮度值进行调整，最终得到原始图片信息。

s104：基于预设分割策略对所述二值化图片信息进行分割，得到目标图像信息。

目标图像信息是对原始图片信息进行分割得到，设备对原始图片信息进行分割，得到多个目标图像信息。设备中预先存储分割策略，预设分割策略用于对二值化图片信息进行分割，其中，预设分割策略中可以设定目标图像信息对应的尺寸信息和参数信息，基于尺寸信息和参数信息对二值化图片信息进行分割，得到目标图像信息。

s105：基于预设纹理描述算子从所述目标图像信息中提取到所述目标图像信息的图像局部纹理特征信息。

纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性，纹理具有三大标志：某种局部序列性不断重复、非随机排列、纹理区域内大致为均匀的统一体。不同于灰度、颜色等图像特征，纹理通过像素及其周围空间邻域的灰度分布来表现，即局部纹理信息。

设备中预先设置纹理描述算子，预设纹理描述算子用于提取图像局部纹理特征信息，设备基于预设纹理描述算子提取目标图像信息的图像局部纹理特征信息。其中，预设纹理描述(localbinarypatterns，lbp)算子是一种直接并且有效的图像特征提取算子。基于预设纹理描述算子提取目标图像信息的图像局部纹理特征信息的基本思想是：对于目标图像信息中某个像素(i，j)，取其一定的邻域，例如3×3。对于邻域内的每个像素(p，q)，如果这个像素(p，q)值大于等于中心像素(i，j)值，则将这个(p，q)像素记为1，否则记为0。然后将邻域内所有的1和0，按照一定的顺序，组成2进制串，就构成了中间像素的局部2值特征，或者将此2进制串转换为十进制也可以。

s106：将所述目标图像信息及其所述图像局部纹理特征信息输入预设的车牌图像识别模型进行识别，得到候选车牌图像信息。

设备中预先设置车牌图像识别模型，其中，车牌图像识别模型为支持向量机(supportvectormachine，svm)模型，svm模型是定义在特征空间上间隔最大的线性分类器，是一种二分类模型。车牌图像识别模型用于从目标图像中筛选出候选车牌图像信息，候选车牌图像信息即为在目标图像信息中的最可能为车牌图像的图像信息，候选车牌图像信息的数量可以进行设定。例如，标图像信息及其所述图像局部纹理特征信息输入预设的车牌图像识别模型进行识别，得到五个候选车牌图像信息。

s107：将所述候选车牌图像信息输入到预设车牌定位模型中进行处理，得到所述候选车牌图像信息对应的识别结果；所述预设车牌定位模型基于第一车牌样本集对深度学习网络训练得到；在训练过程中，所述预设车牌定位模型的输入为第一车牌样本集中的第一样本车牌图像信息；每个第一样本车牌图像信息具有相应的结果标签；所述预设车牌定位模型的输出为所述第一样本车牌图像信息对应的识别结果。

设备中预先存储有预先训练好的预设车牌定位模型，预设车牌定位模型是使用机器学习算法对第一车牌样本集中的多个训练样本进行训练得到，每个训练样本包括一个第一样本车牌图像信息及其对应的结果标签，结果标签用于标识所述第一样本车牌图像信息对应的车牌识别结果和车牌位置信息。其中，车牌识别结果标识第一样本车牌图像信息是否包括车牌信息。

预设车牌定位模型的输入为第一车牌样本集中的第一样本车牌图像信息，每个第一样本车牌图像信息具有相应的结果标签，预设车牌定位模型的输出为第一样本车牌图像信息对应的识别结果。

可以理解的是，预设车牌定位模型可以由设备预先训练好，也可以由其他设备预先训练好后将预设车牌定位模型对应的文件移植至设备中。具体地，其他设备在训练好深度学习网络时，冻结深度学习网络的模型参数，将冻结后的深度学习网络对应的预设车牌定位模型文件移植到设备中。

设备将候选车牌图像信息输入预设车牌定位模型进行特征提取、特征分析、特征识别等处理，得到候选车牌图像信息对应的识别结果。其中，候选车牌图像信息对应的识别结果标识候选车牌图像信息是否为车牌信息，如果为车牌信息的话，识别结果中还包括候选车牌图像信息对应的车牌的位置信息。

进一步地，预设车牌定位模型包括特征提取模块、车牌判断模块和车牌位置信息回归模块，为了获取候选车牌图像信息对应的识别结果，从而能够准确的对车牌进行定位，s107可以包括s1071～s1073，如图3所示，s1071～s1073具体如下：

s1071：将所述候选车牌图像信息输入到所述特征提取模块中进行处理，得到第一车牌图像特征信息。

在本实施例中，预设车牌定位模型从功能上来讲可以包括特征提取模块、车牌判断模块和车牌位置信息回归模块，设备将候选车牌图像信息输入到特征提取模块中进行处理，得到第一车牌图像特征信息。其中，特征提取模块的结构如下：

卷积层(conv1层)，输入数据的大小为144x48，通道尺寸channelsize:8，卷积核尺寸kernelsize:3，步长stride:1；填充信息padding:1，激活函数为relu；

池化层(pooling1层)，池化方式为maxpooling，卷积核尺寸kernelsize:2，步长stride:2；

卷积层(conv2层)，channelsize:16，kernelsize:3，stride:1，padding:1，激活函数为relu；

池化层(pooling2层)，maxpooling，kernelsize:2，stride:2；

卷积层(conv3层)，channelsize:32，kernelsize:3，stride:1，padding:1，激活函数为relu；

池化层(pooling3层)，maxpooling，kernelsize:2，stride:2；

卷积层(conv4层)，channelsize:64，kernelsize:3，stride:1，padding:1，激活函数为relu。

可以看出，在每一个卷积层之后都会有一个池化层，进行池化操作。通过以上结构设备将候选车牌图像信息输入到特征提取模块中进行处理，从候选车牌图像信息中提取到第一车牌图像特征信息。

s1072：将所述第一车牌图像特征信息输入到所述车牌判断模块中进行处理，得到车牌图像判断结果信息。

设备将第一车牌图像特征信息输入到车牌判断模块中进行处理，得到第一车牌图像特征信息。其中，车牌判断模块包括卷积层(conv层)和全局平均池化层(globalaveragepooling层)。其中，conv层的channelsize为2，kernelsize为3，stride为1，padding为1，激活函数为relu；globalaveragepooling层用于判别输入的第一车牌图像特征信息是否包括车牌信息。

s1073：当所述车牌图像判断结果信息标识所述候选车牌图像信息包括车牌信息时，将所述车牌图像判断结果信息输入到所述车牌位置信息回归模块进行处理，得到所述候选车牌图像信息对应的位置信息。

当车牌图像判断结果信息标识候选车牌图像信息包括车牌信息时，设备将车牌图像判断结果信息输入到车牌位置信息回归模块中进行处理，得到候选车牌图像信息对应的位置信息。其中，车牌位置信息回归模块包括卷积层(conv层)和全局平均池化层(globalaveragepooling层)。其中，conv层的channelsize为8，kernelsize为3，stride为1，padding为1，激活函数为relu；globalaveragepooling层用于回归车牌的4个顶点坐标，即为候选车牌图像信息对应的位置信息。

s108：基于所述识别结果定位出所述原始图片信息中的车牌区域的位置信息。

设备基于识别结果定位出原始图片信息中的车牌区域的位置信息，识别结果包括了候选车牌图像信息对应的位置信息，获取原始图片信息对应的位置信息，基于候选车牌图像信息对应的位置信息和原始图片信息对应的位置信息，进行坐标的转换，确定原始图片信息中的车牌区域的位置信息。

本申请实施例中，获取原始图片信息，基于所述原始图片信息获取目标图像信息和所述目标图像信息的图像局部纹理特征信息；将所述目标图像信息及其所述图像局部纹理特征信息输入预设的车牌图像识别模型进行识别，得到候选车牌图像信息；将所述候选车牌图像信息输入到预设车牌定位模型中进行处理，得到所述候选车牌图像信息对应的识别结果；基于所述识别结果定位出所述原始图片信息中的车牌区域的位置信息。上述方法，将传统算法计算速度快和深度学习精度高的特点相结合，利用传统算法粗定位出若干疑似车牌区域，然后通过深度学习方法对疑似车牌区域进行判断，如果为真车牌则回归出车牌的位置信息。提高车牌识别的精度，增强算法对不同环境适应性。

请参见图4，图4是本申请第二实施例提供的另一种车牌定位的方法的流程示意图。本实施例中车牌定位的方法的执行主体为具有车牌定位的功能的设备，具体可以为计算机、服务器等设备。为了获取到预设车牌图像识别模型，准确的对车牌进行定位，本实施例与第一实施例之间的区别在于s206～s207，其中，本实施例中s201～s205与第一实施例中的s101～s105相同，本实施例中的s208～s210与第一实施例中的s106～s108相同，s206～s207在s208之前执行即可。如图4所示，s206～s207具体如下：

s206：获取第二车牌样本集；所述第二车牌样本集包括第二样本车牌图像信息及其图像局部纹理特征信息和结果标签。

设备可以从用于存储训练样本的数据库中获取第二车牌样本集，也可获取其他设备存储的第二车牌样本集，第二车牌样本集为相关人员预先设置并输入。训练样本集合包括多个训练样本，每个训练样本包括一个第二车牌样本集包括第二样本车牌图像信息及其图像局部纹理特征信息和结果标签。在此对训练样本的数量不做限制，样本训练集中的训练样本的数量，可以根据实际情况进行设置，在一定程度上来说，训练样本集合中的训练样本的数量越多，使用该训练样本集合训练得到的车牌图像识别模型进行车牌识别时，识别出的结果越准确。

s207：基于所述第二车牌样本集中的所述包括第二样本车牌图像信息及其图像局部纹理特征信息和结果标签对预设的支持向量机进行训练，得到所述预设的车牌图像识别模型。

设备可以将第二车牌样本集中的训练样本分成多个批次，从而能够采用不同批次的训练样本进行训练。设备将第二样本车牌图像信息及其图像局部纹理特征信息输入预设的支持向量机进行识别，确定第二样本车牌图像信息的类型信息，即第二样本车牌图像信息属于车牌信息还是非车牌信息。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

请参见图5，图5是本申请第三实施例提供的车牌定位的装置的示意图。包括的各单元用于执行图1～图4对应的实施例中的各步骤，具体请参阅图1～图4各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图5，车牌定位的装置5包括：

第一获取单元510，用于获取第一车牌样本集；所述第一车牌样本集包括第一样本车牌图像信息及其对应的结果标签；

第一训练单元520，用于基于所述第一样本车牌图像信息及其对应的结果标签对深度学习网络训练，得到用于输出车牌图像信息对应的识别结果的预设车牌定位模型；

第二获取单元530，用于获取原始图片信息，将所述原始图片信息转化为二值化图片信息；

第一处理单元540，用于基于预设分割策略对所述二值化图片信息进行分割，得到目标图像信息；

第二处理单元550，用于基于预设纹理描述算子从所述目标图像信息中提取到所述目标图像信息的图像局部纹理特征信息；

第三处理单元560，用于将所述目标图像信息及其所述图像局部纹理特征信息输入预设的车牌图像识别模型进行识别，得到候选车牌图像信息；

第四处理单元570，用于将所述候选车牌图像信息输入到预设车牌定位模型中进行处理，得到所述候选车牌图像信息对应的识别结果；所述预设车牌定位模型基于第一车牌样本集对深度学习网络训练得到；在训练过程中，所述预设车牌定位模型的输入为第一车牌样本集中的第一样本车牌图像信息；每个第一样本车牌图像信息具有相应的结果标签；所述预设车牌定位模型的输出为所述第一样本车牌图像信息对应的识别结果；

第五处理单元560，用于基于所述识别结果定位出所述原始图片信息中的车牌区域的位置信息。

进一步地，所述预设车牌定位模型包括特征提取模块、车牌判断模块和车牌位置信息回归模块；

第四处理单元570，包括：

第六处理单元，用于将所述候选车牌图像信息输入到所述特征提取模块中进行处理，得到第一车牌图像特征信息；

第七处理单元，用于将所述第一车牌图像特征信息输入到所述车牌判断模块中进行处理，得到车牌图像判断结果信息；

第八处理单元，用于当所述车牌图像判断结果信息标识所述候选车牌图像信息包括车牌信息时，将所述车牌图像判断结果信息输入到所述车牌位置信息回归模块进行处理，得到所述候选车牌图像信息对应的位置信息。

进一步地，第一训练单元520，具体用于：

将每个所述第一样本车牌图像信息输入深度学习网络进行处理，得到所述第一样本车牌图像信息对应的识别结果；

使用预设车牌分类损失函数和预设车牌位置信息回归损失函数评估每个所述第一样本车牌图像信息对应的识别结果与所述结果标签之间的差异度；

当所述差异度大于预设的差异度阈值时，调整所述预设车牌识别模型的模型参数，并返回执行所述将每个所述第一样本车牌图像信息输入所述深度学习网络进行处理，得到所述第一样本车牌图像信息对应的识别结果；

当所述差异度小于或等于所述预设的差异度阈值时，停止训练所述深度学习网络，得到所述预设车牌定位模型。

进一步地，车牌定位的装置5，还包括：

第三获取单元，用于获取第二车牌样本集；所述第二车牌样本集包括第二样本车牌图像信息及其图像局部纹理特征信息和结果标签；

第二训练单元，用于基于所述第二车牌样本集中的所述第二样本车牌图像信息及其图像局部纹理特征信息和结果标签对预设的支持向量机进行训练，得到所述预设的车牌图像识别模型。

进一步地，车牌定位的装置5，还包括：

预处理单元，用于当检测到待识别的初始图片信息时，对所述初始图片信息进行预处理，得到原始图片信息；所述预处理包括平滑处理和亮度处理。

图6是本申请第四实施例提供的车牌定位的设备的示意图。如图6所示，该实施例的车牌定位的设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如车牌定位的程序。所述处理器60执行所述计算机程序62时实现上述各个车牌定位的设备方法实施例中的步骤，例如图1所示的步骤101至108。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能。

示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述车牌定位的设备6中的执行过程。例如，所述计算机程序62可以被分割成第一获取单元、第一训练单元、第二获取单元、第一处理单元、第二处理单元、第三处理单元、第四处理单元、第五处理单元，各单元具体功能如下：

第一获取单元，用于获取第一车牌样本集；所述第一车牌样本集包括第一样本车牌图像信息及其对应的结果标签；

第一训练单元，用于基于所述第一样本车牌图像信息及其对应的结果标签对深度学习网络训练，得到用于输出车牌图像信息对应的识别结果的预设车牌定位模型；

第二获取单元，用于获取原始图片信息，将所述原始图片信息转化为二值化图片信息；

第一处理单元，用于基于预设分割策略对所述二值化图片信息进行分割，得到目标图像信息；

第二处理单元，用于基于预设纹理描述算子从所述目标图像信息中提取到所述目标图像信息的图像局部纹理特征信息；

第三处理单元，用于将所述目标图像信息及其所述图像局部纹理特征信息输入预设的车牌图像识别模型进行识别，得到候选车牌图像信息；

第四处理单元，用于将所述候选车牌图像信息输入到预设车牌定位模型中进行处理，得到所述候选车牌图像信息对应的识别结果；所述预设车牌定位模型基于第一车牌样本集对深度学习网络训练得到；在训练过程中，所述预设车牌定位模型的输入为第一车牌样本集中的第一样本车牌图像信息；每个第一样本车牌图像信息具有相应的结果标签；所述预设车牌定位模型的输出为所述第一样本车牌图像信息对应的识别结果；

第五处理单元，用于基于所述识别结果定位出所述原始图片信息中的车牌区域的位置信息。

所述车牌定位的设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是车牌定位的设备6的示例，并不构成对车牌定位的设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述车牌定位的设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器60可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述车牌定位的设备6的内部存储单元，例如车牌定位的设备6的硬盘或内存。所述存储器61也可以是所述车牌定位的设备6的外部存储设备，例如所述车牌定位的设备6上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器61还可以既包括所述车牌定位的设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述车牌定位的设备6所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述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。

所述集成的模块/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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。