一种车牌数据处理方法、装置、存储介质及电子装置与流程

1.本发明实施例涉及数据处理领域，具体而言，涉及一种车牌数据处理方法、装置、存储介质及电子装置。


背景技术：

2.随着深度学习尤其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，尤其在一些道路电警中应用极为广泛。一般的使用方式是通过一段视频中的多张图片对一辆车辆的车牌进行识别。
3.现有的车牌识别技术大部分是通过在一段视频中随机抽取几张图片进行车牌识别的判断，然后采用逻辑判断对车辆进行id的唯一认证，而在一段视频中随机抽取几张图片进行车辆识别，往往会遇到如下问题：首先，因车辆高速运行会产生运动模糊，一方面抽取这类图片进行识别往往会导致误识别；另一方面，一部分车牌被其他物体遮挡，或者不在图片范围内，对这类图片进行车牌识别，同样会导致误识别。
4.另外，在自然场景下，会有一部分车牌因为角度和光线等问题使得记录车牌的图片不够清晰，从而导致车牌误识别。
5.以上问题都会导致车牌识别错误，所以需要后期过多的人为过滤才能保证车牌识别的精度。
6.在解决车牌误识别问题的过程中，出现了一种先通过判断车牌是否模糊，再进行车牌识别的方法，然而这个过程不仅方法不够简洁，并且在判断过程中会造成计算和存储资源的浪费。


技术实现要素：

7.本发明的主要优势在于提供一种车牌数据处理方法、装置、存储介质及电子装置，将车牌识别和车牌模糊属性分类同时进行，优化了车牌数据处理流程，提高了车牌识别的准确率。
8.本发明另一优势在于提供一种车牌数据处理方法、装置、存储介质及电子装置，将车牌识别和车牌模糊属性分类同时进行，将两者融合在一起，不仅减少了模型的个数，同时节省的计算和存储空间。
9.本发明另一优势在于提供一种车牌数据处理方法、装置、存储介质及电子装置，将车牌识别和车牌模糊属性分类同时进行，两者相互促进，车牌模糊属性中的信息可以使车牌识别中的特征更加倾向于清晰的车牌，同时车牌识别中对特征的学习有利于车牌模糊属性的分类更加准确。
10.根据本发明一实施例，提供一种车牌数据处理方法，包括：获取目标视频流数据，其中所述目标视频流数据对应同一目标车牌；基于所述目标视频流数据，获取n组帧序列数据，其中所述n组帧序列数据用于对
应获取n个车牌识别结果，当其中一组帧序列数据没有对应获取到所述车牌识别结果时，则可以获取一组新的帧序列数据；通过预训练的目标识别网络模型对所述n组帧序列数据分别进行车牌识别，对应得到n个车牌识别结果；对所述n个有效车牌识别结果进行条件判断，得到车牌最终识别结果。
11.根据本发明一示例性实施例，通过预训练的目标识别网络模型对所述n组帧序列数据分别进行车牌识别，对应得到n个车牌识别结果，包括：预先训练得到目标网络模型，该模型包括一个用于提取深度特征的主干网络，一个用于得到车牌识别表征的车牌识别网络和一个用于得到车牌模糊特征表征的车牌模糊分类网络。
12.根据本发明一示例性实施例，通过预训练的目标识别网络模型对所述n组帧序列数据分别进行车牌识别，对应得到n个车牌识别结果，还包括：通过所述主干网络提取每组帧序列数据中的所述深度特征，得到对应的n组深度特征数据；对于所述n组深度特征数据，通过所述车牌识别网络和所述车牌模糊分类网络分别进行特征提取，对应得到n组车牌识别特征表征和车牌模糊特征表征；基于所述n组车牌识别特征表征和所述车牌模糊特征表征，对应得到n组车牌识别数据和车牌模糊置信度数据；对所述n组车牌识别数据和所述车牌模糊置信度数据分别执行车牌识别判断，得到n个车牌识别判断结果，其中所述车牌识别判断结果包括有效车牌识别结果和无效车牌识别结果，当所述车牌识别判断结果为无效车牌识别结果时，则返回执行步骤s204，直至得到n个有效车牌识别结果。
13.根据本发明一示例性实施例，对所述n个有效车牌识别结果进行条件判断，得到车牌最终识别结果，包括：当n等于三时，判断条件为：当所述n个有效车牌识别结果满足所显示的所有车牌号一致的条件时，则该一致的车牌号为所述车牌最终识别结果；当n大于三时，判断条件为：当所述n个有效车牌识别结果满足所有超过所述目标阈值的有效车牌识别结果所显示的车牌号一致的条件时，则该一致的车牌号为所述车牌最终识别结果；否则返回执行步骤s204，直至得到所述车牌最终识别结果。
14.根据本发明另一实施例，提供一种车牌数据处理装置，包括，第一获取模块，用于获取目标视频流数据，其中所述目标视频流数据对应同一目标车牌；第二获取模块，用于基于所述目标视频流数据，获取n组帧序列数据，其中所述n组帧序列数据用于对应获取n个车牌识别结果，当其中一组帧序列数据没有对应获取到所述车牌识别结果时，则可以获取一组新的帧序列数据；识别模块，用于通过预训练的目标识别网络模型对所述n组帧序列数据分别进行车牌识别，对应得到n个车牌识别结果；判断模块，用于对所述n个有效车牌识别结果进行条件判断，得到车牌最终识别结
果。
15.根据本发明一示例性实施例，所述识别模块，用于通过预训练的目标识别网络模型对所述n组帧序列数据分别进行车牌识别，对应得到n个车牌识别结果，包括：预先训练得到目标网络模型，该模型包括一个用于提取深度特征的主干网络，一个用于得到车牌识别表征的车牌识别网络和一个用于得到车牌模糊特征表征的车牌模糊分类网络。
16.根据本发明一示例性实施例，所述识别模块包括：特征提取单元，用于通过所述主干网络提取每组帧序列数据中的所述深度特征，得到对应的n组深度特征数据；特征表征提取单元，用于对于所述n组深度特征数据，通过所述车牌识别网络和所述车牌模糊分类网络分别进行特征提取，对应得到n组车牌识别特征表征和车牌模糊特征表征；数据获取单元，用于基于所述n组车牌识别特征表征和所述车牌模糊特征表征，对应得到n组车牌识别数据和车牌模糊置信度数据；识别判断单元，用于对所述n组车牌识别数据和所述车牌模糊置信度数据分别执行车牌识别判断，得到n个车牌识别判断结果，其中所述车牌识别判断结果包括有效车牌识别结果和无效车牌识别结果，当所述车牌识别判断结果为无效车牌识别结果时，则返回所述第二获取模块，直至得到n个有效车牌识别结果。
17.根据本发明一示例性实施例，所述判断模块包括：当n等于三时，判断条件为：当所述n个有效车牌识别结果满足所显示的所有车牌号一致的条件时，则该一致的车牌号为所述车牌最终识别结果；当n大于三时，判断条件为：当所述n个有效车牌识别结果满足所有超过所述目标阈值的有效车牌识别结果所显示的车牌号一致的条件时，则该一致的车牌号为所述车牌最终识别结果；否则返回所述第二获取模块，直至得到所述车牌最终识别结果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，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
18.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。
附图说明
19.图1是根据本发明实施例的一种车牌数据处理方法的移动终端的硬件结构框图；图2是根据本发明实施例的一种车牌数据处理方法的流程图；图3是根据本发明实施例的一种车牌数据处理装置的结构框图。
具体实施方式
20.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。
21.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。
22.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数据处理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。
23.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一种车牌数据处理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。
24.传输装置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，传输装置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，传输装置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。
25.为了更好的解决上述背景技术中提出的问题，本发明公开了一种车牌数据处理方法、装置、存储介质及电子装置，下面的实施例中将逐一进行详细说明。
26.参见图2，图2示出了根据本说明书一个实施例提供的一种车牌数据处理方法的流程图，具体包括以下步骤：s202，获取目标视频流数据，其中所述目标视频流数据对应同一目标车牌；根据本发明一实施例，所述目标视频流数据为记录所述目标车牌的车辆在某段视频中的行驶数据。而本发明提供的一种车牌数据处理方法，要基于所述目标视频流数据提取出清晰的所述目标车牌。
27.s204，基于所述目标视频流数据，获取n组帧序列数据，其中所述n组帧序列数据用于对应获取n个车牌识别结果，当其中一组帧序列数据没有对应获取到所述车牌识别结果时，则可以获取一组新的帧序列数据；根据本发明一实施例，优选的，可以基于所述目标视频流数据获取三组帧序列数据，即n优选的取值为三。
28.根据本发明一实施例，也可以基于所述目标视频流数据获取三组以上帧序列数据，即n的取值也可以大于三。
29.根据本发明一实施例，其中所述n组帧序列数据从所述目标视频流数据中获取的n组帧序列图片。
30.根据本发明一实施例，其中每一组帧序列数据对应一个车牌识别结果，当其中有一组帧序列数据没有对应获取到该车牌识别结果时，则可以从所述目标视频流中获取新的一组帧序列数据。此时n的取值保持不变，即最终还是会获取到n个车牌识别结果。
31.s206，通过预训练的目标识别网络模型对所述n组帧序列数据分别进行车牌识别，对应得到n个车牌识别结果；根据本发明一实施例，步骤s206中通过预训练的目标识别网络模型对所述n组帧序列数据分别进行车牌识别，对应得到n个车牌识别结果，包括：预先训练得到目标网络模型，该模型包括一个用于提取深度特征的主干网络，一个用于得到车牌识别表征的车牌识别网络和一个用于得到车牌模糊特征表征的车牌模糊分类网络。
32.根据本发明一实施例，步骤s206包括：s2062，通过所述主干网络提取每组帧序列数据中的所述深度特征，得到对应的n组深度特征数据；s2064，对于所述n组深度特征数据，通过所述车牌识别网络和所述车牌模糊分类网络分别进行特征提取，对应得到n组车牌识别特征表征和车牌模糊特征表征；s2066，基于所述n组车牌识别特征表征和所述车牌模糊特征表征，对应得到n组车牌识别数据和车牌模糊置信度数据；根据本发明一实施例，具体的，通过所述主干网络例如卷积神经网络对所述多组帧序列数据进行卷积操作，以提取深度特征，对应得到多组深度特征数据，其中所述深度特征数据为一串由数字组成的序列特征组。
33.根据本发明一实施例，具体的，其中所述车牌识别特征表征为，对于所述深度特征数据，通过所述车牌识别网络提取得到的10个长度为71的数字序列。值得一提的是，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，设置所述车牌识别特征表征的长度为10。其中车牌识别字典包括：“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，与所述车牌识别特征表征的序列长度一致；上述车牌识别特征表征中每一个长度为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。因此最终得到车牌识别数据，例如：“鲁f677dk
‑‑‑”
，经过后处理就得到最终的车牌为：“鲁f677dk”。即对所述车牌识别特征表征进行一个后处理，将10个长度为71的数字序列映射到车牌识别字典，得到最终的所述车牌识别数据（车牌号）。
34.根据本发明一实施例，具体的，车牌模糊是一个二分类问题，所述车牌模糊特征表征为，对于所述深度特征数据，通过所述车牌识别网络提取得到两个数字的序列，比如：（0.3, 0.7），前面表示清晰置信度，后面表示模糊置信度，两者和为1；基于上述车牌模糊特征表征，对上述所述车牌模糊特征进行比较，取得分更大的那一个作为最终结果，比如（0.3，0.7），其中0.7大于0.3，此时模糊置信度更高，则认为是模糊图片，即所述车牌模糊置信度数据为：模糊置信度为0.7，清晰置信度为0.3，因为模糊置信度更大，认为是模糊图片。
35.s2068，对所述n组车牌识别数据和所述车牌模糊置信度数据分别执行车牌识别判断，得到n个车牌识别判断结果，其中所述车牌识别判断结果包括有效车牌识别结果和无效
车牌识别结果，当所述车牌识别判断结果为无效车牌识别结果时，则返回执行步骤s204，直至得到n个有效车牌识别结果。
36.根据本发明一实施例，以组为单位，分别对所述n组车牌识别数据和所述车牌模糊置信度数据分别执行车牌识别判断，当所述车牌模糊置信度数据显示为清晰图片时，则会结合所述车牌识别数据中显示的车牌号，此时得到的所述车牌识别判断结果为所述有效车牌识别结果，例如清晰的车牌号：鲁f677dk；当所述车牌模糊置信度数据显示为模糊图片时，则不会结合所述车牌识别数据中显示的车牌号，此时得到的所述车牌识别判断结果为所述无效车牌识别结果即不清晰的车牌号。
37.值得一提的是，优选的，所述车牌识别网络为一组卷积神经网络，通过对所述主干网络提取到的深度特征进行针对性训练，最终得到的是10个长度为71的数字序列，刚好对应车牌识别字典（“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
‑”
）的长度；所述车牌模糊分类网络为另一组卷积神经网络，通过对所述主干网络提取到的深度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）。
[0038] 值得一提的是，在本发明提供的实施例中 ，车牌识别和车牌模糊属性分类同时进行，两者相互促进。车牌模糊属性中的信息可以使车牌识别中的特征更加倾向于清晰的车牌，同时车牌识别中对特征的学习有利于车牌模糊属性的分类更加准确。
[0039]
值得一提的是，在对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标注的方式，图片标注数据不能保证100%的正确，会存在错误的数据（我们称之为噪声），这些图片绝大多数是因为模糊导致的车牌号标注错误。在训练的过程中这部分图片会影响网络的判断，导致错误的识别，和对训练结果造成干扰。如果加上了模糊信息的标签，那么这些标签就能够监督网络的训练，潜在的给出模糊信息，降低错误标注对车牌识别训练的影响。
[0040]
换句话说，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，噪声较多，训练难度也更大。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是否正确。
[0041]
s208，对所述n个有效车牌识别结果进行条件判断，得到车牌最终识别结果。
[0042]
根据本发明一实施例，步骤s208中，对所述n个有效车牌识别结果进行条件判断，得到车牌最终识别结果，包括：当所述n个有效车牌识别结果满足所显示的车牌号一致的条件时，则该一致的车牌号为所述车牌最终识别结果，否则返回执行步骤s204，直至得到所述车牌最终识别结果。
[0043]
根据本发明另一实施例，步骤s208中，对所述n个有效车牌识别结果进行条件判断，得到车牌最终识别结果包括：当所述n个有效车牌识别结果满足超过目标阈值的所有有效车牌识别结果所显示的车牌号一致的条件时，则该一致的车牌号为所述车牌最终识别结果，否则返回执行步骤s204，直至得到所述车牌最终识别结果。
[0044]
其中所述目标阈值可以具体设置，在此不做限制，例如当n为三时，则所述目标阈值可设置为二，或者当n为四时，则所述目标阈值可设置为三，或者设置所述目标阈值为基
于n值的一个百分比获取的值。并且也可以将上述不同类型的设置所述目标阈值的方式进行混合使用，在此不做限制。
[0045]
根据本发明又一实施例，步骤s208中，对所述n个有效车牌识别结果进行条件判断，得到车牌最终识别结果包括：当n等于三时，判断条件为：当所述n个有效车牌识别结果满足所显示的所有车牌号一致的条件时，则该一致的车牌号为所述车牌最终识别结果；当n大于三时，判断条件为：当所述n个有效车牌识别结果满足所有超过所述目标阈值的有效车牌识别结果所显示的车牌号一致的条件时，则该一致的车牌号为所述车牌最终识别结果；否则返回执行步骤s204，直至得到所述车牌最终识别结果。
[0046]
本实施例中，以n等于三作为判断条件的分界点，这只是作为举例不作为限制。
[0047]
根据本发明一实施例，步骤s208包括：当车牌最终识别结果为有效时，则输出有效的车牌最终识别结果；当车牌最终识别结果为无效时，则返回执行步骤s204，直至输出有效的车牌最终识别结果。
[0048]
根据本发明一实施例，当车牌最终识别结果为有效时，则所述车牌最终识别结果可以满足上述实施例中提到的判断条件；当车牌最终识别结果为无效时，则所述车牌最终识别结果不能满足上述实施例中提到的判断条件。
[0049]
通过本发明提供的实施例，可以自动实现对一段视频中出现的车辆进行高精度的车牌识别。该方案相比于传统方法，优化了车牌数据处理流程，极大的提高了识别精度，同时能够很好的解决运动模糊、车牌遮挡、光线以及角度导致的车牌误识别的问题。
[0050]
本发明提供的一种车牌数据处理方法，车牌识别和车牌模糊属性分类同时进行，两者相互促进。相比于以往车牌识别和车牌模糊属性分开进行，将两者融合在一起，不仅减少了模型的个数，同时节省的计算和存储空间。
[0051]
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。
[0052]
在本实施例中还提供了一种车牌数据处理装置，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。
[0053]
根据本发明另一实施例，参考图3，提供一种车牌数据处理装置，包括：第一获取模块30，用于获取目标视频流数据，其中所述目标视频流数据对应同一目标车牌；根据本发明一实施例，所述目标视频流数据为记录所述目标车牌的车辆在某段视频中的行驶数据。而本发明提供的一种车牌数据处理方法，要基于所述目标视频流数据提取出清晰的所述目标车牌。
[0054]
第二获取模块40，用于基于所述目标视频流数据，获取n组帧序列数据，其中所述n组帧序列数据用于对应获取n个车牌识别结果，当其中一组帧序列数据没有对应获取到所述车牌识别结果时，则可以获取一组新的帧序列数据；根据本发明一实施例，优选的，可以基于所述目标视频流数据获取三组帧序列数据，即n优选的取值为三。
[0055]
根据本发明一实施例，也可以基于所述目标视频流数据获取三组以上帧序列数据，即n的取值也可以大于三。
[0056]
根据本发明一实施例，其中所述n组帧序列数据从所述目标视频流数据中获取的n组帧序列图片。
[0057]
根据本发明一实施例，其中每一组帧序列数据对应一个车牌识别结果，当其中有一组帧序列数据没有对应获取到该车牌识别结果时，则可以从所述目标视频流中获取新的一组帧序列数据。此时n的取值保持不变，即最终还是会获取到n个车牌识别结果。
[0058]
识别模块50，用于通过预训练的目标识别网络模型对所述n组帧序列数据分别进行车牌识别，对应得到n个车牌识别结果；根据本发明一实施例，通过预训练的目标识别网络模型对所述n组帧序列数据分别进行车牌识别，对应得到n个车牌识别结果，包括：预先训练得到目标网络模型，该模型包括一个用于提取深度特征的主干网络，一个用于得到车牌识别表征的车牌识别网络和一个用于得到车牌模糊特征表征的车牌模糊分类网络。
[0059]
根据本发明一实施例，所述识别模块50包括：特征提取单元51，用于通过所述主干网络提取每组帧序列数据中的所述深度特征，得到对应的n组深度特征数据；特征表征提取单元52，用于对于所述n组深度特征数据，通过所述车牌识别网络和所述车牌模糊分类网络分别进行特征提取，对应得到n组车牌识别特征表征和车牌模糊特征表征；数据获取单元53，用于基于所述n组车牌识别特征表征和所述车牌模糊特征表征，对应得到n组车牌识别数据和车牌模糊置信度数据；根据本发明一实施例，具体的，通过所述主干网络例如卷积神经网络对所述多组帧序列数据进行卷积操作，以提取深度特征，对应得到多组深度特征数据，其中所述深度特征数据为一串由数字组成的序列特征组。
[0060]
根据本发明一实施例，具体的，其中所述车牌识别特征表征为，对于所述深度特征数据，通过所述车牌识别网络提取得到的10个长度为71的数字序列。值得一提的是，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，设置所述车牌识别特征表征的长度为10。其中车牌识别字典包括：“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，与所述车牌识别特征表征的序列长度一致；上述车牌识别特征表征中每一个长度为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。因此最终得到车牌识别数据，例如：“鲁f677dk
‑‑‑”
，经过后处理就得到最终的车牌为：“鲁f677dk”。即对所述车牌识别特征表征进
行一个后处理，将10个长度为71的数字序列映射到车牌识别字典，得到最终的所述车牌识别数据（车牌号）。
[0061]
根据本发明一实施例，具体的，车牌模糊是一个二分类问题，所述车牌模糊特征表征为，对于所述深度特征数据，通过所述车牌识别网络提取得到两个数字的序列，比如：（0.3, 0.7），前面表示清晰置信度，后面表示模糊置信度，两者和为1；基于上述车牌模糊特征表征，对上述所述车牌模糊特征进行比较，取得分更大的那一个作为最终结果，比如（0.3，0.7），其中0.7大于0.3，此时模糊置信度更高，则认为是模糊图片，即所述车牌模糊置信度数据为：模糊置信度为0.7，清晰置信度为0.3，因为模糊置信度更大，认为是模糊图片。
[0062]
识别判断单元54，用于对所述n组车牌识别数据和所述车牌模糊置信度数据分别执行车牌识别判断，得到n个车牌识别判断结果，其中所述车牌识别判断结果包括有效车牌识别结果和无效车牌识别结果，当所述车牌识别判断结果为无效车牌识别结果时，则返回所述第二获取模块40，直至得到n个有效车牌识别结果。
[0063]
根据本发明一实施例，以组为单位，分别对所述n组车牌识别数据和所述车牌模糊置信度数据分别执行车牌识别判断，当所述车牌模糊置信度数据显示为清晰图片时，则会结合所述车牌识别数据中显示的车牌号，此时得到的所述车牌识别判断结果为所述有效车牌识别结果，例如清晰的车牌号：鲁f677dk；当所述车牌模糊置信度数据显示为模糊图片时，则不会结合所述车牌识别数据中显示的车牌号，此时得到的所述车牌识别判断结果为所述无效车牌识别结果即不清晰的车牌号。
[0064]
值得一提的是，优选的，所述车牌识别网络为一组卷积神经网络，通过对所述主干网络提取到的深度特征进行针对性训练，最终得到的是10个长度为71的数字序列，刚好对应车牌识别字典（“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
‑”
）的长度；所述车牌模糊分类网络为另一组卷积神经网络，通过对所述主干网络提取到的深度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）。
[0065] 值得一提的是，在本发明提供的实施例中 ，车牌识别和车牌模糊属性分类同时进行，两者相互促进。车牌模糊属性中的信息可以使车牌识别中的特征更加倾向于清晰的车牌，同时车牌识别中对特征的学习有利于车牌模糊属性的分类更加准确。
[0066]
值得一提的是，在对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标注的方式，图片标注数据不能保证100%的正确，会存在错误的数据（我们称之为噪声），这些图片绝大多数是因为模糊导致的车牌号标注错误。在训练的过程中这部分图片会影响网络的判断，导致错误的识别，和对训练结果造成干扰。如果加上了模糊信息的标签，那么这些标签就能够监督网络的训练，潜在的给出模糊信息，降低错误标注对车牌识别训练的影响。
[0067]
换句话说，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，噪声较多，训练难度也更大。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是否正确。
[0068]
判断模块60，用于对所述n个有效车牌识别结果进行条件判断，得到车牌最终识别结果。
[0069]
根据本发明一实施例，所述判断模块60，用于对所述n个有效车牌识别结果进行条件判断，得到车牌最终识别结果，包括：当所述n个有效车牌识别结果满足所显示的车牌号一致的条件时，则该一致的车牌号为所述车牌最终识别结果，否则返回所述第二获取模块40，直至得到所述车牌最终识别结果。
[0070]
根据本发明另一实施例，所述判断模块60，用于对所述n个有效车牌识别结果进行条件判断，得到车牌最终识别结果，包括：当所述n个有效车牌识别结果满足超过目标阈值的所有有效车牌识别结果所显示的车牌号一致的条件时，则该一致的车牌号为所述车牌最终识别结果，否则返回所述第二获取模块40，直至得到所述车牌最终识别结果。
[0071]
其中所述目标阈值可以具体设置，在此不做限制，例如当n为三时，则所述目标阈值可设置为二，或者当n为四时，则所述目标阈值可设置为三，或者设置所述目标阈值为基于n值的一个百分比获取的值。并且也可以将上述不同类型的设置所述目标阈值的方式进行混合使用，在此不做限制。
[0072]
根据本发明又一实施例，所述判断模块60，用于对所述n个有效车牌识别结果进行条件判断，得到车牌最终识别结果，包括：当n等于三时，判断条件为：当所述n个有效车牌识别结果满足所显示的所有车牌号一致的条件时，则该一致的车牌号为所述车牌最终识别结果；当n大于三时，判断条件为：当所述n个有效车牌识别结果满足所有超过所述目标阈值的有效车牌识别结果所显示的车牌号一致的条件时，则该一致的车牌号为所述车牌最终识别结果；否则返回所述第二获取模块40，直至得到所述车牌最终识别结果。
[0073]
本实施例中，以n等于三作为判断条件的分界点，这只是作为举例不作为限制。
[0074]
根据本发明一实施例，所述判断模块60，用于对所述n个有效车牌识别结果进行条件判断，得到车牌最终识别结果，包括：当车牌最终识别结果为有效时，则输出有效的车牌最终识别结果；当车牌最终识别结果为无效时，则返回所述第二获取模块40，直至输出有效的车牌最终识别结果。
[0075]
根据本发明一实施例，当车牌最终识别结果为有效时，则所述车牌最终识别结果可以满足上述实施例中提到的判断条件；当车牌最终识别结果为无效时，则所述车牌最终识别结果不能满足上述实施例中提到的判断条件。
[0076]
通过本发明提供的实施例，可以自动实现对一段视频中出现的车辆进行高精度的车牌识别。该方案相比于传统车牌处理方法和车牌处理装置，优化了车牌数据处理流程，极大的提高了识别精度，同时能够很好的解决运动模糊、车牌遮挡、光线以及角度导致的车牌误识别的问题。
[0077]
本发明提供的一种车牌数据处理装置，车牌识别和车牌模糊属性分类同时进行，两者相互促进。相比于以往车牌识别和车牌模糊属性分开进行，将两者融合在一起，不仅减少了模型的个数，同时节省的计算和存储空间。
[0078]
本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存
储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0079]
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。
[0080]
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。
[0081]
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。
[0082]
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。
[0083]
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。
[0084]
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。