一种车牌的识别方法、装置、终端及可读存储介质与流程

1.本技术属于图像识别技术领域，尤其涉及一种车牌的识别方法、装置、终端及可读存储介质。


背景技术：

2.随着智能交通的迅猛发展，社会对车牌识别需求越来越高。例如，在监测车流量、自动etc收费、以及交通管控等场景中，都需要对车牌内容进行快速识别。
3.在实际应用中，车牌往往有单行车牌和双行车牌。现有技术中，对双行车牌识别，往往需要将双行车牌分割成上下两行车牌后，将其分别输入卷积神经网络进行特征提取，再将提取到的两个特征分别输入到循环网络中进行识别，最后根据两行车牌的识别结果，选取最优组合，进行序列拼接，得到车牌全部内容。然而，这种车牌识别方法识别过程繁琐、复杂，难以满足如今对车牌快速识别的需求。


技术实现要素：

4.本技术实施例提供了一种车牌的识别方法、装置、终端及计算机可读存储介质，可以解决传统方法中车牌识别过程繁琐、复杂，难以满足如今对车牌快速识别的需求的技术问题。
5.第一方面，本技术实施例提供了一种车牌的识别方法，包括：
6.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；
7.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；
8.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。
9.第二方面，本技术实施例提供了一种车牌的识别装置，包括：
10.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；
11.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；
12.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。
13.第三方面，本技术实施例提供了一种终端，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上
述第一方面的方法的步骤。
14.第四方面，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述第一方面的方法的步骤。
15.本技术实施例中，通过获取待识别车牌的车牌图像，其中，待识别车牌的车牌类型包括一行和多行车牌，并将车牌图像输入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分别对车牌各部分进行特征提取的分支预测卷积模块的预设卷积神经网络，进而得到由预设卷积神经网络输出的车牌各部分对应的字符概率分布，从而根据车牌各部分对应的字符概率分布，确定待识别车牌的车牌内容，实现了对车牌各部分内容进行分开同时识别，使得单行车牌和多行车牌可以在同一个网络中同时识别，并且识别过程中建立车牌内容序列的依赖关系，避免了使用循环神经网络进行后续内容识别，从而实现了通过预设卷积神经网络对一行车牌和多行车牌内容的一次性识别，提高了车牌识别效率，有利于满足如今对车牌快速识别的需求。
附图说明
16.为了更清楚地说明本技术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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是本技术一实施例提供的一种车牌的识别方法的流程示意图；
18.图2是本技术一实施例提供的基于卷积的上下文关系特征提取示意图；
19.图3是本技术一实施例提供的预设卷积神经网络的结构示意图；
20.图4是本技术一实施例提供的车牌的具体识别过程的示意图；
21.图5是本技术实施例提供的车牌的识别装置的结构示意图；
22.图6是本技术实施例提供的终端的结构示意图。
具体实施方式
23.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
24.应当理解，当在本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。
25.还应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
26.还应当进一步理解，在本技术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。
27.如在本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]”。
[0028]
随着智能交通的迅猛发展，社会对车牌识别要求越来越高。例如，在监测车流量、自动etc收费、以及交通管控等场景中，都需要对车牌内容进行快速识别。
[0029]
由于具体应用需要，车牌往往有单行车牌和双行车牌，而对于双行车牌的识别，通常将双行车牌分割成上下两行车牌后，将其分别输入卷积神经网络进行提取特征，再将提取到的两个特征分别输入到循环网络中进行识别，最后根据两行车牌的识别结果，选取最优组合，进行序列拼接，得到车牌全部内容。
[0030]
然而，这种车牌识别方法，一方面，两行车牌需要进行分开识别，另一方面，单行车牌和双行车牌不能使用同一个网络进行同时识别，另外，识别过程中需要使用循环网络进行后续识别，使得车牌识别过程繁琐、复杂，难以满足如今对车牌快速识别的需求。
[0031]
基于上述问题，本技术实施例中提供一种车牌的识别方法、装置、终端及可读存储介质，可以实现对一行车牌和多行车牌内容的一次性识别，提高了车牌识别效率，有利于满足如今对车牌快速识别的需求。
[0032]
为了说明本技术上述的技术方案，下面结合附图，并通过具体实施例来进行说明。
[0033]
示例性的，如图1中示出了本技术实施例提供的一种车牌的识别方法实现流程示意图，具体包括下述步骤101至步骤103。
[0034]
步骤101：获取待识别车牌的车牌图像，其中，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；
[0035]
其中，上述一行车牌内容的车牌指的是车牌的字符都位于同一行的车牌(又称一行车牌)；上述多行车牌内容的车牌指的是车牌中的字符排列成多行的车牌(又称多行车牌)，如可以为两行、三行等，本技术对此不做限制。
[0036]
需要说明的是，上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，具体指，待识别车牌的车牌类型可以为一行车牌内容的车牌(一行车牌)，也可以为多行车牌内容的车牌(多行车牌)，即上述待识别的车牌图像可以为一行车牌对应的一行车牌车牌图像，也可以为多行车牌对应的多行车牌车牌图像，还可以为既包含一行车牌车牌图像，又包含多行车牌车牌图像，即一行车牌和多行车牌同时输入预设卷积神经网络进行识别。
[0037]
步骤102：将车牌图像输入预设卷积神经网络，得到由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；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；
[0038]
具体的，将车牌图像输入预设卷积神经网络，预设卷积神经网络对车牌内容进行识别预测，并将车牌各部分对应的字符概率分布作为预测结果而输出。其中，车牌各部分对应的字符概率分布指的是车牌各部分中每一部分的字符内容的预测结果，具体的，表现为车牌各部分中每一部分中的每个预测位(预测位的个数为序列长度)对应的字符的概率分布。
[0039]
例如，若车牌a分为两部分a1和a2，并且将a1部分划分为i个预测位，a2部分划分为
i个预测位，则预设卷积神经网络输出对于a1部分中的i个预测位中的每一位对应的字符的概率分布，和对于a2部分中i个预测位中的每一位对应的字符的概率分布。
[0040]
在车牌内容中，由于车牌字符具有前后关系，例如，在单行车牌中，车牌内容通常为地区标识在前，编号在后，因此，在对车牌内容识别时，通常需要依赖这种前后关系(即上下文关系)，对车牌内容进行识别。
[0041]
例如，可以通过控制卷积核的方式实现上下文特征关系的提取，以体现车牌字符的前后依赖关系。
[0042]
具体的，由于车牌的宽比较大，高较小，因此，可以采用宽比较大，高较小的卷积核，进而实现在提取特征的过程中确定当前位置的特征时考虑到了前面的特征，实现了上下文的依赖关系。
[0043]
例如，本技术的一些实施方式中，上述用于上下文关系特征提取的上下文卷积模块可以包含一个或多个卷积层，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。
[0044]
为了更清楚描述上述上下文关系特征提取过程，图2示出了基于卷积的上下文关系特征提取示意图，其中，21为车牌图像内容，22为1*n的卷积核，22-25为特征提取过程中卷积计算方式，即假设*所在位置为卷积后得到的特征结果值所在位置，则在确定*所在位置对应的特征结果值时，*所在位置之前的n-1个位置的特征情况也相应考虑，即n个位置的特征共同决定当前*所在位置的特征结果，因此，实现了在特征提取的过程中体现了上下文关系。
[0045]
具体的，上述分支预测卷积模块通过分支的方式，对车牌的各部分进行分别预测，输出车牌各部分对应的字符概率分布。
[0046]
例如，假设双行车牌的车牌内容为:
[0047]
南a
[0048]
f 0 1 2 3
[0049]
若分支预测卷积模块包含两个分支，则第一分支可以用于对第一行车牌内容(“南a”)进行预测，而第二分支可以用于对第二行车牌内容(“f 0 1 2 3”)进行预测，输出对应的字符概率分布。
[0050]
若分支预测卷积模块包含4个分支，则第一分支可以用于对第一行车牌内容中前半部分进行预测，而第二分支可以用于对第一行车牌内容中后半部分进行预测，第三分支可以用于对第二行车牌内容中前半部分进行预测，第四分支可以用于对第二行车牌内容中后半部分进行预测，输出对应的字符概率分布。
[0051]
又例如，假设单行车牌的车牌内容为
[0052]“南af0123”，
[0053]
若分支预测卷积模块包含两个分支，则第一分支可以用于对车牌前半部分内容(“南af”)进行预测，而第二分支可以用于对车牌后一部分内容(“0123”)进行预测。
[0054]
即，上述分支预测卷积模块用于对车牌各部分进行预测，至于才有几个分支进行预测，即将车牌分成的部分数，本技术不做限制。
[0055]
可选的，在本技术的一些实施方式中，上述分支预测卷积模块包含k个分支，每个分支包括卷积层、激活层以及归一化层，分支数k与多行车牌的行数相同，即若待识别车牌
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，则分支数k＝m，m为大于1的整数。
[0056]
具体的，上述待识别车牌中既包含车牌内容行数为m行的多行车牌，又包含一行车牌时，可以将分支预测卷积模块中的分支数k设为k＝m，使得采用1个分支对多行车牌中的一行内容进行预测，而对于单行车牌，将单行内容分成k个部分，每个分支对单行车牌的k个部分中的每个部分内容进行预测。
[0057]
其中，上述卷积层为通过卷积操作而进行特征提取。
[0058]
其中，上述激活层可以通过激活函数(activation fuction)，例如relu函数等，以增加模型的非线性表达能力。
[0059]
其中，上述归一化层将特征图中的权重值归一化为概率值，例如，上述归一化层可以为softmax层，即采用softmax函数，从而得到各部分对应的字符概率分布。其中，softmax函数为：
[0060][0061]
其中，表示表示第l层(例如，最后一层)第j个神经元的输入，表示l层第j个神经元的输出，e表示自然常数，表示第l层所有神经元输入分别取自然常数指数后之和。
[0062]
本技术的一些实施方式中，为防止梯度消失，上述每个分支还可以包含批标准化层，本技术对此不做限制。
[0063]
本技术的一些实施方式中，在上述将车牌图像输入预设卷积神经网络之前，还可以对上述车牌图像进行预处理。
[0064]
例如，可选的，可以将上述车牌图像缩放到预设格式，得到预设格式车牌图像；可选的，为了减少亮度和饱和度的影响，使神经网络更好地收敛，还可以对上述车牌图像或者预设格式车牌图像进行像素归一化处理。
[0065]
步骤103：根据车牌各部分对应的字符概率分布，确定待识别车牌的车牌内容。
[0066]
具体的，本技术的一些实施方式中，上述根据车牌各部分对应的字符概率分布，确定待识别车牌的车牌内容，可以包含下述步骤201至步骤202。
[0067]
201：基于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；
[0068]
可选的，上述第一预设规则可以为最大概率原则，即将字符概率分布中最大概率对应的字符作为预测字符，进而得到字符预测结果。
[0069]
202：基于按照第二预设规则对车牌各部分对应的字符预测结果进行解码，确定待识别车牌的车牌内容。
[0070]
具体的，为了解决输入序列和输出序列的对齐问题，通常增加一个空字符，即，车牌内容的预测中包含对空字符概率的预测。因此，在确定车牌各部分对应的字符预测结果后，还需要根据第二预设规则对字符预测结果进行解码，进而确定待识别车牌的车牌内容。
[0071]
例如，若预设卷积神经网络的分支预测卷积模块中的第二分支可以对两行车牌“南a f0123”的中第二行的内容(“f0123”)进行预测，则可以根据输出的车牌第二行对应的字符概率分布，基于最大概率原则，确定字符预测结果为：
[0072]
空空f空00空11空2空空3空空
[0073]
若第二预设规则为先将连续重复的字符确定为单个字符，然后把空去掉，则确定待识别车牌的车牌内容为：f0123。
[0074]
可选的，在一些实施方式中，在得到预设卷积神经网络输出的车牌各部分对应的字符概率分布后，还可以对该车牌各个部分的字符概率分布进行相应转置操作，便于后续的解码。
[0075]
例如，预设卷积神经网络输出的车牌各部分对应的字符概率分布为(n,t,c)，为了便于译码，可以将其转置成(t,n,c)。
[0076]
其中，n为输入的待识别车牌的车牌图像数；t为输出的序列长度，其与车牌字符个数m有关，为了解决输入输出的序列对齐问题，通常将t设为车牌t≥2m+1，由于车牌字符个数可能为8位，在一些实施方式中，可以将t设为18；c为字符类别总数，通常为车牌字符的类别总数加上空字符，即c＝车牌字符的类别总数+1。
[0077]
可选的，车牌字符类别可以包括中文省份总类、英文字母种类和数字总类，本技术对此不做限制。
[0078]
本技术实施例中，通过获取待识别车牌的车牌图像，其中，待识别车牌为一行或多行车牌，并将车牌图像输入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分别对车牌各部分进行特征提取的分支预测卷积模块的预设卷积神经网络，进而得到由预设卷积神经网络输出的车牌各部分对应的字符概率分布，从而根据车牌各部分对应的字符概率分布，确定待识别车牌的车牌内容，实现了对车牌各部分内容进行分开同时识别，使得单行车牌和多行车牌可以在同一个网络中同时识别，并且识别过程中建立车牌内容序列的依赖关系，避免了使用循环神经网络进行后续内容识别，从而实现了通过预设卷积神经网络对一行车牌和多行车牌内容的一次性识别，提高了车牌识别效率，有利于满足如今对车牌快速识别的需求。
[0079]
本技术一些实施方式中，如图3中示出，为了更好的进行特征提取，上述预设卷积神经网络还可以包含特征提取卷积模块、dropout模块、特征融合卷积模块和特征连接模块，即，上述预设卷积神经网络包含：特征提取卷积模块31、dropout模块32、上下文卷积模块33、特征融合卷积模块34、特征连接模块35和分支预测卷积模块36。
[0080]
其中，上述特征提取卷积模块31用于对车牌图像进行特征提取，得到第一特征图；
[0081]
例如，在一些实施方式中，为了减少网络参数，构建轻量型网络，可以采用深度可分离卷积。
[0082]
其中，上述dropout模块32用于在预设卷积神经网络训练阶段随机屏蔽预设卷积神经网络的网络参数；
[0083]
其中，上述预设卷积神经网络训练阶段，具体为对待训练的卷积神经网络进行训练而得到预设卷积神经网络的训练过程。
[0084]
具体的，可以通过设定dropout比例，随机屏蔽设定比例的待训练的卷积神经网络的网络参数，从而避免过拟合，并提高神经网络的泛化能力。
[0085]
需要说明的是，在待训练的卷积神经网络训练结束，得到预设卷积神经网络之后，
网络的参数已经经过优化调整后，此时可以不再需要进行dropout操作。
[0086]
具体的，可以将dropout比例设置为0，不进行dropout操作。
[0087]
其中，上述上下文卷积模块33用于对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；
[0088]
具体的，由于车牌字符作为序列，具有前后关系，因此在得到第一特征图之后，可以通过进行上下文关系特征提取，从而得到具有上下文依赖关系的上下文关系特征图。
[0089]
其中，上述特征融合卷积模块34用于对上下文关系特征图进行特征融合，得到融合特征图；
[0090]
例如，在一些实施方式中，可以通过1
×
1的卷积核进行卷积，以进行跨通道的特征交互、融合，并增加模型的非线性表达能力。
[0091]
其中，上述特征连接模块35用于将上下文关系特征图和融合特征图进行连接，得到第二特征图；
[0092]
具体的，可以将具有上下文依赖关系的特征图以及包含各通道特征的融合特征图进行通道连接，得到车牌图像对应的第二特征图。
[0093]
其中，上述分支预测卷积模块36用于对第二特征图进行k分支特征提取，得到车牌k个部分对应的字符概率分布，k为大于1的整数。
[0094]
具体的，在得到车牌图像对应的第二特征图后，可以对车牌图像内容进行预测。对于多行车牌，由于纵向分割的得到的特征对应的车牌字符有多个，这与单行车牌不同，因此对于多行车牌的识别通常需要进行车牌分割后再进行车牌识别，使得与单行车牌的识别过程不同。本技术提出的方法中，同等的将单行车牌、多行车牌看作一个整体，在进行车牌内容预测的过程中，对车牌的各部分进行分别预测，从而避免上述对车牌识别过程中对于多行车牌纵向分割的得到的特征对应的车牌字符多个，从而造成需要进行分割后再进行识别，进而导致的多行车牌与单行车牌的识别不同在同一个网络中进行，识别过程繁琐而复杂。
[0095]
可选的，本技术的一些实施方式中，上述特征提取卷积模块、上述上下文卷积模块核上述特征融合卷积模块中均包含卷积层、批标准化层和激活层。
[0096]
具体的，上述特征提取卷积模块、上述上下文卷积模块和上述特征融合卷积模块中均包含一个或多个卷积层，而对于每个卷积层，其后可以均包含批标准化层和激活层。
[0097]
其中，上述批标准化(batch normalization)层主要进行归一化操作，从而避免随着卷积层数的增加而发生的梯度消失，有利于网络的收敛。
[0098]
其中，上述激活层通过激活函数(activation fuction)，例如relu函数等，以增加模型的非线性表达能力。
[0099]
本技术的一些实施方式中，上述预设卷积神经网络通过下述步骤301至步骤303训练得到：
[0100]
步骤301：将车牌样本图像输入待训练的卷积神经网络，得到待训练的卷积神经网络输出的车牌样本图像中车牌各部分对应的字符概率分布；
[0101]
其中，上述待训练的卷积神经网络的网络结构与预设卷积神经网络的网络结构相同，即，上述待训练的卷积神经网络为预设卷积神经网络训练之前对应的网络。
[0102]
步骤302：采用ctc(connectionist temporal classification)损失函数，根据车
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车牌样本图像实际车牌内容的概率损失；
[0103]
具体的，可以通过ctc算法，确定待训练的卷积神经网络输出的车牌样本图像中车牌各部分对应的字符概率分布中，对应于实际车牌内容的概率，进而确定概率损失，例如，可以对对应于实际车牌内容的概率取负对数后确定为概率损失。
[0104]
步骤303：对概率损失进行梯度下降，以更新待训练的卷积神经网络的网络参数。
[0105]
具体的，通过梯度运算的方式，最小化上述概率损失，以逐步更新待训练的卷积神经网络的网络参数。
[0106]
可选的，在一些实施方式中，当上述概率损失值小于第一阈值时，完成网络的参数更新，得到预设卷积神经网络。
[0107]
还需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，在本技术的一些实施方式中，某些步骤可以采用其它顺序进行。
[0108]
例如，为了更好的说明单行或多行车牌的识别过程，图4中示出了本技术提供的一种车牌的具体识别过程的示意图，具体的，将待识别的双行车牌(“南a f0123”)的车牌图像41输入包含特征提取卷积模块31、dropout模块32、上下文卷积模块33、特征融合卷积模块34、特征连接模块35以及分支预测卷积模块36的预设卷积神经网络42中，得到由预设卷积神经网络42输出的车牌第一行内容对应的字符概率分布421和车牌第二行内容对应的字符概率分布422，并根据车牌第一行内容对应的字符概率分布确定车牌第一行内容为(“南a”)，根据车牌第二行内容对应的字符概率分布确定车牌第二行内容为(“f0123”)，从而得到车牌识别结果。
[0109]
具体的，上述特征提取卷积模块31包含3个2d卷积层和4个深度可分离卷积层，其中，4个深度可分离卷积层可以节省网络参数，构建轻量型的卷积神经网络；
[0110]
上述上下文卷积模块33采用2个1*n的卷积核进行特征提取，以建立特征中的上下文的依赖关系；
[0111]
上述特征融合卷积模块34采用1*1的卷积核，以进行特征融合，提高网络模型的非线性表达能力；
[0112]
上述特征连接模块35采用连接方式(concat)将上下文卷积模块的输出核特征融合卷积模块的输出进行通道连接；
[0113]
上述分支预测卷积模块36采用2个1*1的卷积核对车牌分成的两个部分分别进行特征提取，并通过归一化层进行归一化操作，得到了待识别车牌各部分对应的字符概率分布，最后为了便于解码，进行转置操作，进而根据字符概率分布确定待识别车牌各部分内容。
[0114]
需要说明的是，图4中没有示出dropout模块32，dropout模块32在预设卷积神经网络训练时设置dropout比例，例如，0.5，而在使用预设卷积神经网络进行车牌识别时，不进行dropout操作。
[0115]
需要说明的是，为了增加网络模型的非线性表达能力，以及提高网络的收敛速度，上述预设卷积神经网络42中的卷积后可以均包含批标准化层和激活函数为relu的激活层。
[0116]
图5示出了本技术实施例提供的一种车牌的识别装置500的结构示意图，包括获取
单元501、识别单元502和输出单元503。
[0117]
获取单元501，用于获取待识别车牌的车牌图像，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；
[0118]
识别单元502，用于将车牌图像输入预设卷积神经网络，得到由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；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；
[0119]
确定单元503，用于根据车牌各部分对应的字符概率分布，确定待识别车牌的车牌内容。
[0120]
需要说明的是，为描述的方便和简洁，上述描述的车牌的识别装置的具体工作过程，可以参考上述图1中描述的方法的对应过程，在此不再赘述。
[0121]
如图6所示，本技术提供一种用于实现上述车牌的识别方法的终端6，该终端可以为智能手机、平板电脑、个人电脑(pc)、学习机等终端，所述终端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，例如车牌的识别程序。所述处理器60执行所述计算机程序62时实现上述车牌的识别方法实施例中的步骤，例如图1所示的步骤101至103。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，例如，图5所示的获取单元501、识别单元502和确定单元503的功能。
[0122]
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，以完成本发明。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在所述终端6中的执行过程。例如，所述计算机程序62可以被分割成获取单元、识别单元和确定单元(虚拟装置中的单元)，具体功能如下：
[0123]
获取单元，用于获取待识别车牌的车牌图像，其中，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；
[0124]
识别单元，用于将车牌图像输入预设卷积神经网络，得到由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；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；
[0125]
确定单元，用于根据车牌各部分对应的字符概率分布，确定待识别车牌的车牌内容。
[0126]
所述车牌的识别装置可包括，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仅仅是终端6的示例，并不构成对终端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，例如所述车牌的识别装置还可以包括输入输出设备、网络接入设备、总线等。
[0127]
应当理解，在本技术实施例中，所称处理器61可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，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。
[0128]
所述存储器61可以是所述终端6的内部存储单元，例如车牌的识别装置的硬盘或内存。所述存储器61也可以是所述终端6的外部存储设备，例如所述终端6上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器61还可以既包括所述终端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终端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。
[0129]
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，即将上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。
[0130]
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，并不用于限制本技术的保护范围。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。
[0131]
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。
[0132]
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技术的范围。
[0133]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，上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。
[0134]
上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。
[0135]
上述集成的模块/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，本技术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，上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，上述计算机程序包括计算机程序代码，上述计算机程序代
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。上述计算机可读介质可以包括：能够携带上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(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上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。
[0136]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。