车牌的识别方法及装置与流程

1.本发明实施例涉及通信领域，具体而言，涉及一种车牌的识别方法及装置。


背景技术：

2.随着深度学习尤其光学字符识别(optical character recognition，简称ocr)技术的不断发展，自然场景下的文字识别的应用越来越多。车牌识别作为这一领域的代表性技术也得到广泛的应用。
3.现有的技术大部分是提前将车牌分为单层和双层车牌，然后采用针对性的技术分开识别。也有很少一部分涉及到单双层合并识别的技术，但是需要采用复杂的前处理和后处理方法将车牌的层数进行统一，然后对车牌字符逐个进行识别。将车牌提前分为单层和双层，然后再采用不同的方法分别进行识别，这样不仅不足够便捷，同时需要提前进行单层和双层的判断，造成资源浪费。需要采用复杂的前处理和后处理方法将车牌的层数进行统一，然后对车牌字符逐个进行识别的单双层车牌识别方法，并没有做到真正意义上的端到端的单双层合并识别。
4.另外目前没有对单双层车牌识别、车牌属性分类以及车牌模糊分类进行融合的技术，往往也都是采用三套不同的方法分别进行车牌识别、车牌属性分类以及车牌模糊分类。车牌识别、车牌属性分类以及车牌模糊分类任务具有一定的相关性，将其分开进行，不仅方法不够简洁，同时在使用过程中造成计算和存储资源的浪费。
5.针对上述问题，目前尚未存在有效的解决方案。


技术实现要素：

6.本发明实施例提供了一种车牌的识别方法及装置，以至少解决相关技术中对车牌进行分开识别导致的资源浪费的问题。
7.根据本发明的一个实施例，提供了一种车牌的识别方法，包括：获取对待识别车牌进行拍摄得到的待识别图片；将所述待识别图片输入目标神经网络模型，得到所述待识别车牌的识别结果，其中，所述目标神经网络模型包括：识别网络、属性网络和模糊网络，所述识别网络用于对所述待识别车牌的车牌号码进行识别，所述属性网络用于对所述待识别车牌的属性进行识别，所述模糊网络用于对所述待识别车牌的清晰度进行识别。
8.在一个示例性实施例中，将所述待识别图片输入目标神经网络模型，得到所述待识别车牌的识别结果，包括：将所述待识别图片输入所述目标神经网络模型中的骨干网络，通过所述骨干网络对所述待识别图片进行特征提取，得到骨干特征，其中，所述目标神经网络模型还包括所述骨干网络；将所述骨干特征输入所述识别网络，得到所述待识别车牌的车牌号码；将所述骨干特征输入所述属性网络，得到所述待识别车牌的车牌属性；将所述骨干特征输入所述模糊网络，得到所述待识别车牌的清晰度；其中，所述待识别车牌的识别结果包括：所述车牌号码、所述车牌属性和所述清晰度。
9.在一个示例性实施例中，将所述骨干特征输入所述识别网络，得到所述待识别车
牌的车牌号码，包括：通过所述识别网络中的上层注意力网络和上层卷积网络对所述骨干特征进行处理，得到所述待识别车牌的上层特征；通过所述识别网络中的下层注意力网络和下层卷积网络对所述骨干特征进行处理，得到所述待识别车牌的下层特征；通过所述上层特征和所述下层特征，得到所述待识别车牌的车牌号码。
10.在一个示例性实施例中，所述通过所述识别网络中的上层注意力网络和上层卷积网络对所述骨干特征进行处理，得到所述待识别车牌的上层特征，包括：通过所述上层注意力网络在所述骨干特征中提取出所述待识别车牌的上层车牌特征；通过所述上层卷积网络在所述骨干特征中提取出所述待识别车牌的上层车牌掩模；将所述上层车牌特征与所述上层车牌掩模的乘积，确定为所述上层特征；通过所述识别网络中的下层注意力网络和下层卷积网络对所述骨干特征进行处理，得到所述待识别车牌的下层特征，包括：通过所述下层注意力网络在所述骨干特征中提取出所述待识别车牌的下层车牌特征；通过所述下层卷积网络在所述骨干特征中提取出所述待识别车牌的下层车牌掩模；将所述下层车牌特征与所述下层车牌掩模的乘积，确定为所述下层特征。
11.在一个示例性实施例中，所述通过所述上层特征和所述下层特征，得到所述待识别车牌的车牌号码，包括：将所述上层特征和所述下层特征进行拼接，得到所述待识别车牌的整体特征；将所述待识别车牌的整体特征映射至预设的车牌识别字典，得到所述待识别车牌的车牌号码。
12.在一个示例性实施例中，将所述骨干特征输入所述属性网络，得到所述待识别车牌的车牌属性，包括：通过所述属性网络对所述骨干特征进行属性分类，得到属性分类结果，其中，所述属性分类结果包括多个属性对应的多个概率值，每个所述概率值用于表示所述待识别车牌的车牌属性是与所述概率值对应的属性的概率；将所述属性分类结果中概率值最大的属性，确定为所述待识别车牌的车牌属性，其中，所述车牌属性包括所述待识别车牌的颜色和层数。
13.在一个示例性实施例中，所述将所述骨干特征输入所述模糊网络，得到所述待识别车牌的清晰度，包括：通过所述模糊网络对所述骨干特征进行模糊分类，得到模糊分类结果，其中，所述模糊分类结果包括多个清晰度对应的多个概率值，每个所述概率值用于表示所述待识别车牌的清晰度是与所述概率值对应的清晰度的概率。
14.根据本发明的另一个实施例，提供了一种车牌的识别装置，包括：获取模块，用于获取对待识别车牌进行拍摄得到的待识别图片；输入模块，将所述待识别图片输入目标神经网络模型，得到所述待识别车牌的识别结果，其中，所述目标神经网络模型包括：识别网络、属性网络和模糊网络，所述识别网络用于对所述待识别车牌的车牌号码进行识别，所述属性网络用于对所述待识别车牌的属性进行识别，所述模糊网络用于对所述待识别车牌的清晰度进行识别。
15.根据本发明的又一个实施例，还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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。
16.根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
17.通过本发明，由于通过目标神经网络模型可以对待识别车牌的车牌号码、车牌的属性，以及车牌的清晰度进行识别。这样避免了现有技术中需要分开识别导致的资源浪费的问题，达到节省资源的效果。
附图说明
18.图1是根据本发明实施例的车牌的识别方法的移动终端的硬件结构框图；
19.图2是根据本发明实施例的车牌的识别的流程图；
20.图3是根据本发明实施例的目标神经网络模型结构示意图；
21.图4车牌的识别装置的结构框图。
具体实施方式
22.下文中将参考附图并结合实施例来详细说明本发明的实施例。
23.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
24.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种车牌的识别方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
25.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的车牌的识别方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
26.传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
27.在本实施例中提供了一种运行于上述移动终端的车牌的识别方法，图2是根据本发明实施例的车牌的识别的流程图，如图2所示，该流程包括如下步骤：
28.步骤s202，获取对待识别车牌进行拍摄得到的待识别图片；
29.其中，上述待识别车牌可以是单层车牌，也可以是双层车牌。
30.步骤s204，将所述待识别图片输入目标神经网络模型，得到所述待识别车牌的识
别结果，其中，所述目标神经网络模型包括：识别网络、属性网络和模糊网络，所述识别网络用于对所述待识别车牌的车牌号码进行识别，所述属性网络用于对所述待识别车牌的属性进行识别，所述模糊网络用于对所述待识别车牌的清晰度进行识别。
31.其中，如图3所示为目标神经网络模型结构，其中识别网络对应于图中所示的车牌识别，用于对车牌号码进行识别，属性网络对应于图中的车牌属性，用于对车牌属性进行识别，模糊网络对应于图中的车牌模糊，用于对车牌的清晰度进行识别。
32.可选地，上述步骤的执行主体可以是后台处理器，或者其他的具备类似处理能力的设备，还可以是至少集成有图像获取设备以及数据处理设备的机器，其中，图像获取设备可以包括摄像头等图形采集模块，数据处理设备可以包括计算机、手机等终端，但不限于此。
33.通过上述步骤，由于通过目标神经网络模型可以对待识别车牌的车牌号码、车牌的属性，以及车牌的清晰度进行识别。这样避免了现有技术中需要分开识别导致的资源浪费的问题，达到节省资源的效果。
34.在一个示例性实施例中，将所述待识别图片输入目标神经网络模型，得到所述待识别车牌的识别结果，包括：将所述待识别图片输入所述目标神经网络模型中的骨干网络，通过所述骨干网络对所述待识别图片进行特征提取，得到骨干特征，其中，所述目标神经网络模型还包括所述骨干网络；将所述骨干特征输入所述识别网络，得到所述待识别车牌的车牌号码；将所述骨干特征输入所述属性网络，得到所述待识别车牌的车牌属性；将所述骨干特征输入所述模糊网络，得到所述待识别车牌的清晰度；其中，所述待识别车牌的识别结果包括：所述车牌号码、所述车牌属性和所述清晰度。
35.作为一个可选的实施方式，在前处理部分输入待识别图片，并且通过骨干网络提取得到待识别图像的骨干特征，这部分特征是图像的通用特征。以供接下来的识别网络、属性网络和模糊网络使用。骨干网络可以是卷积神经骨干网络，比如resnet，peleenet等网络结构。
36.对于车牌识别部分：识别网络主要是利用骨干网络提取得到的特征进一步学习，得到车牌识别的特征，从而获得最终的车牌号。
37.对于车牌属性部分：同样是利用骨干网络提起得到的特征进一步学习得到属性特征，通过属性得到车牌属性分类结果。车牌属性分类主要包括但不显有：单层黄色车牌，单层蓝色车牌，单层绿色车牌，单层黑色车牌，单层白色车牌，双层黄色车牌，双层蓝色车牌，双层白色车牌。因此属性网络本质为分类网络。
38.对于车牌模糊部分：和前面两个网络相似，通过骨干网络特征进一步学习得到模糊特征，通过模糊网络得到车牌模糊分类结果。车牌模糊分类主要包括：清晰车牌，模糊车牌两个类别，因此模糊网络是一个二分类网络。
39.在一个示例性实施例中，将所述骨干特征输入所述识别网络，得到所述待识别车牌的车牌号码，包括：通过所述识别网络中的上层注意力网络和上层卷积网络对所述骨干特征进行处理，得到所述待识别车牌的上层特征；通过所述识别网络中的下层注意力网络和下层卷积网络对所述骨干特征进行处理，得到所述待识别车牌的下层特征；通过所述上层特征和所述下层特征，得到所述待识别车牌的车牌号码。
40.作为一个可选的实施方式，注意力网络是深度学习中基于注意力机制网络，比较
通用的方法包括cbam，transformer等结构。它能够根据训练集数据标签，着重提取需要着重注意的图像元素。通过上层注意力网络可以得到待识别车牌上层的特征，通过下层注意力网络得到待识别车牌下层的特征。
41.作为一个可选的实施方式，掩模是图像处理中通常通过掩模来对感兴趣的图片像素进行提取，比如感兴趣的区域，将其掩模设为1，不感兴趣区域的掩模设置为0，通过图片像素和掩模相乘，就能得到需要注意的部分，同时屏蔽不重要的部分像素信息。通过上层卷积网络可以得到待识别车牌的上层掩模，通过下层卷积网络可以得到待识别车牌的下层掩模。
42.通过上层注意力网络和上层卷句网络对骨干特征进行处理得到待识别车牌的上层特征，下层注意力网络和下层卷句网络对骨干特征进行处理，得到待识别车牌的下层特征，进一步得到待识别车牌的整体特征，对待识别车牌的整体特征进行处理，得到车牌号码。
43.在一个示例性实施例中，所述通过所述识别网络中的上层注意力网络和上层卷积网络对所述骨干特征进行处理，得到所述待识别车牌的上层特征，包括：通过所述上层注意力网络在所述骨干特征中提取出所述待识别车牌的上层车牌特征；通过所述上层卷积网络在所述骨干特征中提取出所述待识别车牌的上层车牌掩模；将所述上层车牌特征与所述上层车牌掩模的乘积，确定为所述上层特征；通过所述识别网络中的下层注意力网络和下层卷积网络对所述骨干特征进行处理，得到所述待识别车牌的下层特征，包括：通过所述下层注意力网络在所述骨干特征中提取出所述待识别车牌的下层车牌特征；通过所述下层卷积网络在所述骨干特征中提取出所述待识别车牌的下层车牌掩模；将所述下层车牌特征与所述下层车牌掩模的乘积，确定为所述下层特征。
44.作为一个可选的实施方式，对与车牌识别可以包括如下步骤：
45.步骤s11,输入待识别图片，待识别图片是对待识别车牌进行拍摄得到的车牌图片。
46.步骤s12,利用骨干网络对待识别图片进行深度特征初步提取，得到骨干特征。
47.步骤s13,采用上层注意力网络提取车牌图片中上层车牌的特征。
48.步骤s14,使用上层卷积网络提取上层车牌掩模，若为单层车牌，掩模整体为0，若为双层车牌，掩模整体为1。
49.步骤s15,采用下层注意力网络提取车牌图片中下层车牌的特征。
50.步骤s16,使用下层卷积网络提取下层车牌掩模，无论是单层还是双层车牌，下层始终存在，因此掩模整体为1。
51.步骤s17,将上层车牌特征和上层掩模相乘，得到上层特征。
52.步骤s18,将下层车牌特征和下层掩模相乘，得到下层特征。
53.步骤s19,将上层车牌特征和下层车牌特征水平拼接，得到车牌整体特征。利用车牌整体特征进行最终的车牌号识别。
54.采用注意力机制，自动提取上层和下层特征，同时采用上层掩模和下层掩模所携带的单层和双层分类信息，自动过滤单层和双层车牌特征，最后得到单双层通用的整体特征表征。流程上实现了端到端，不需要任何的前处理以及后处理判断。
55.车牌特征得到的是一个三维的向量矩阵(长，宽，通道数)，掩模特征是一个二维的
向量矩阵(长，宽)，在掩模中，着重关注的部分其值为1，不重要的部分，其值为0。将两者进行广播相乘，就可以得到新的三维矩阵。其效果就是通过掩模中的0和1来屏蔽不关注的长宽维度上的像素点。
56.在一个示例性实施例中，所述通过所述上层特征和所述下层特征，得到所述待识别车牌的车牌号码，包括：将所述上层特征和所述下层特征进行拼接，得到所述待识别车牌的整体特征；将所述待识别车牌的整体特征映射至预设的车牌识别字典，得到所述待识别车牌的车牌号码。
57.作为一个可选的实施方式，对于车牌识别特征，车牌一般包括7位或者8位(新能源车)的字母和数字组合，为了保证全部覆盖，一般设置长度为10，车牌识别特征最终得到的是10个长度为71的数字序列。
58.车牌识别字典包括：“皖沪津渝冀晋蒙辽吉黑苏浙京闽赣鲁豫鄂湘粤桂琼川贵云藏陕甘青宁新警学挂应急abcdefghjklmnpqrstuvwxyz0123456789
‑”
其中
“‑”
表示是空白部位，长度为71，与车牌识别特征的序列长度一致。车牌识别特征中每一个长度为71的数字序列，都对应到车牌识别字典中的字符的得分。取其中得分最高的那一个作为车牌识别的一个字符。因此最终得到例如：“鲁f677dk
‑‑‑”
，经过后处理就得到最终的车牌为：“鲁f677dk"。在车牌识别后处理中，将10个长度为71的数字序列映射到车牌识别字典，得到最终的车牌号。
59.在一个示例性实施例中，将所述骨干特征输入所述属性网络，得到所述待识别车牌的车牌属性，包括：通过所述属性网络对所述骨干特征进行属性分类，得到属性分类结果，其中，所述属性分类结果包括多个属性对应的多个概率值，每个所述概率值用于表示所述待识别车牌的车牌属性是与所述概率值对应的属性的概率；将所述属性分类结果中概率值最大的属性，确定为所述待识别车牌的车牌属性，其中，所述车牌属性包括所述待识别车牌的颜色和层数。
60.作为一个可选的实施方式，骨干特征送入属性网络，进行车牌属性特征的提取。通过属性网络最终得到属性特征。利用属性特征进行属性分类，得到车牌属性(单层黄色车牌，单层蓝色车牌，单层绿色车牌，单层黑色车牌，单层白色车牌，双层黄色车牌，双层蓝色车牌，双层白色车牌等)。
61.作为一个可选的实施方式，属性网络(车牌属性分类网络)是通过一组卷积神经网络对骨干网络提取到的骨干特征进行车牌属性分类。最终得到的是一个长度为8的数字序列，比如(0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.3)。可以理解为专门用来提取车牌属性特征的网络。车牌属性可以是一个8分类问题。每输入一张图片，就会得到一个车牌属性特征，其实就是8个数字序列，比如：(0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.3)分别对应着(单层黄色车牌，单层蓝色车牌，单层绿色车牌，单层黑色车牌，单层白色车牌，双层黄色车牌，双层蓝色车牌，双层白色车牌)这八个类别的得分。因为0.3得分最高，最后判定属性为双层白色车牌。
62.车牌识别和车牌属性分类同时进行，两者相互促进。车牌属性中的单双层信息可以使车牌识别中的掩模信息更加准确，同时车牌识别中对特征的学习有利于车牌属性的分类更加准确。
63.在一个示例性实施例中，所述将所述骨干特征输入所述模糊网络，得到所述待识
别车牌的清晰度，包括：通过所述模糊网络对所述骨干特征进行模糊分类，得到模糊分类结果，其中，所述模糊分类结果包括多个清晰度对应的多个概率值，每个所述概率值用于表示所述待识别车牌的清晰度是与所述概率值对应的清晰度的概率。
64.作为一个可选的实施方式，模糊网络通过另一组卷积神经网络对骨干网络提取到的骨干特征进行模糊程度的针对话训练。最终得到的是一个长度为2的数字序列，比如(0.3，0.7)。可以理解为专门用来提取车牌模糊特征的网络。模糊特征中车牌模糊是一个二分类问题。每输入一张图片，就会得到一个车牌模糊特征表征，其实就是两个数字序列，比如：(0.3,0.7)，分别对应(清晰车牌，模糊车牌)的得分，同理可以判定为模糊车牌。
65.作为一个可选的实施方式，骨干特征输入到模糊类网络中进行车牌模糊特征提取。通过模糊分类网络最终得到模糊特征。利用模糊特征进行模糊分类，得到车牌是否模糊的结果(清晰车牌，模糊车牌)。最后生成车牌识别结果，识别结果包括：车牌号码，车牌属性，车牌模糊。
66.在车牌识别训练的过程中，需要制作车牌号码的标签，但是因为训练图片都是采用人为的标注的方式，不可能保证百分之百的标注正确，这时候就会存在一些错误标注的图片(噪声)参与了实际训练过程。这种情况就会对训练结果造成干扰，最终导致有一些难以规避的训练错误，以至于影响最终的识别准确率。这时如果加上模糊标签来对识别网络进行监督，能够很有效的过滤掉噪声对网络训练的影响。
67.车牌模糊的标注比较主观，对于同一张图片，不同的人的标注结果差异非常大，这就导致车牌模糊的标注极其困难，噪声更多，训练难度更大。但是对于车牌识别网络，能够识别正确的图片，就一定是清晰的，这个标准就非常客观，可以利用这个特性来反向监督车牌模糊的标签
68.本发明所要解决的技术问题是针对现有技术的不足，提出一种可以端到端实现的单双层车牌识别、车牌属性分类以及车牌模糊分类三者相融合的方法。相比于以往车牌识别、车牌属性以及车牌模糊三者分开进行，将他们融合在一起，不仅减少了模型的个数，同时节省的计算和存储空间。
69.车牌属性和车牌号码是有一些对应关系的。比如单层绿色车牌的长度一定是八位，单层白色车牌和双层白色车牌的最后一位一定是“警”字。在训练中利用好这些规则，也能够帮助网络性能的提升。
70.综上所述：车牌识别、车牌属性、车牌模糊三者相互影响，相比于将三者分开训练，融合后的好处体现在：车牌模糊结果能够很好的过滤掉车牌号中的噪声数据；车牌号码识别能够很好的校正车牌模糊中的困难训练样本；车牌属性和车牌号的规则相互监督，相互影响。
71.车牌模糊是一个二分类问题。每输入一张图片，就会得到一个车牌模糊特征表征，其实就是两个数字序列，比如：(0.3,0.7)，分别对应(清晰车牌，模糊车牌)的得分。从得分可以看出，模糊得分更大(0.7)由此判定为模糊车牌。
72.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储
介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
73.在本实施例中还提供了一种车牌的识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
74.图4是根据本发明实施例的车牌的识别装置的结构框图，如图4所示，该装置包括：获取模块42，用于获取对待识别车牌进行拍摄得到的待识别图片；输入模块44，将所述待识别图片输入目标神经网络模型，得到所述待识别车牌的识别结果，其中，所述目标神经网络模型包括：识别网络、属性网络和模糊网络，所述识别网络用于对所述待识别车牌的车牌号码进行识别，所述属性网络用于对所述待识别车牌的属性进行识别，所述模糊网络用于对所述待识别车牌的清晰度进行识别。
75.在一个示例性实施例中，上述装置还用于将所述待识别图片输入所述目标神经网络模型中的骨干网络，通过所述骨干网络对所述待识别图片进行特征提取，得到骨干特征，其中，所述目标神经网络模型还包括所述骨干网络；将所述骨干特征输入所述识别网络，得到所述待识别车牌的车牌号码；将所述骨干特征输入所述属性网络，得到所述待识别车牌的车牌属性；将所述骨干特征输入所述模糊网络，得到所述待识别车牌的清晰度；其中，所述待识别车牌的识别结果包括：所述车牌号码、所述车牌属性和所述清晰度。
76.在一个示例性实施例中，上述装置还用于通过所述识别网络中的上层注意力网络和上层卷积网络对所述骨干特征进行处理，得到所述待识别车牌的上层特征；通过所述识别网络中的下层注意力网络和下层卷积网络对所述骨干特征进行处理，得到所述待识别车牌的下层特征；通过所述上层特征和所述下层特征，得到所述待识别车牌的车牌号码。
77.在一个示例性实施例中，上述装置还用于通过所述上层注意力网络在所述骨干特征中提取出所述待识别车牌的上层车牌特征；通过所述上层卷积网络在所述骨干特征中提取出所述待识别车牌的上层车牌掩模；将所述上层车牌特征与所述上层车牌掩模的乘积，确定为所述上层特征；通过所述识别网络中的下层注意力网络和下层卷积网络对所述骨干特征进行处理，得到所述待识别车牌的下层特征，包括：通过所述下层注意力网络在所述骨干特征中提取出所述待识别车牌的下层车牌特征；通过所述下层卷积网络在所述骨干特征中提取出所述待识别车牌的下层车牌掩模；将所述下层车牌特征与所述下层车牌掩模的乘积，确定为所述下层特征。
78.在一个示例性实施例中，上述装置还用于将所述上层特征和所述下层特征进行拼接，得到所述待识别车牌的整体特征；将所述待识别车牌的整体特征映射至预设的车牌识别字典，得到所述待识别车牌的车牌号码。
79.在一个示例性实施例中，上述装置还用于通过所述属性网络对所述骨干特征进行属性分类，得到属性分类结果，其中，所述属性分类结果包括多个属性对应的多个概率值，每个所述概率值用于表示所述待识别车牌的车牌属性是与所述概率值对应的属性的概率；将所述属性分类结果中概率值最大的属性，确定为所述待识别车牌的车牌属性，其中，所述车牌属性包括所述待识别车牌的颜色和层数。
80.在一个示例性实施例中，上述装置还用于通过所述模糊网络对所述骨干特征进行
模糊分类，得到模糊分类结果，其中，所述模糊分类结果包括多个清晰度对应的多个概率值，每个所述概率值用于表示所述待识别车牌的清晰度是与所述概率值对应的清晰度的概率。
81.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
82.本发明的实施例还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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。
83.在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
84.本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
85.在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
86.本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
87.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
88.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。