本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別是涉及一種車牌識別方法及裝置。

背景技術(shù)：

隨著科學(xué)技術(shù)的進步和各種場景中對車牌識別的需求的增加，車牌識別技術(shù)逐漸發(fā)展起來?；谲嚺谱R別技術(shù)的車牌識別設(shè)備已被廣泛應(yīng)用于停車場、城市道路、高速公路等區(qū)域，以對車牌號碼的自動抓拍和識別。

車牌識別一般包括車牌定位、車牌字符分割以及車牌字符識別這三個過程。車牌定位是指對圖像采集設(shè)備采集到的車牌圖像進行定位，獲得包含車牌的區(qū)域。車牌字符分割是指對包含車牌的區(qū)域進行字符分割。車牌字符識別是指對分割得到的字符進行識別，得到車牌號碼。

在對車牌字符分割以及對車牌字符識別的過程中，一般要求待識別的車牌圖像為水平圖像，這樣才能進行準(zhǔn)確分割和識別。但是，在實際應(yīng)用中，由于工程施工人員水平參差不齊，以及一些特殊的現(xiàn)場環(huán)境的限制，使得有的現(xiàn)場無法按照統(tǒng)一標(biāo)準(zhǔn)安裝圖像采集設(shè)備，這樣就使得圖像采集設(shè)備采集到的車牌圖像可能具有一定角度，甚至是大角度，使得車牌識別準(zhǔn)確率不高。

綜上所述，如何有效地解決對有角度的車牌圖像的車牌進行正確識別的問題，是目前本領(lǐng)域技術(shù)人員急需解決的技術(shù)問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種車牌識別方法及裝置，以提高車牌識別準(zhǔn)確率。

為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

一種車牌識別方法，包括：

確定待進行車牌識別的車牌圖像；

將所述車牌圖像輸入到預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得所述車牌圖像對應(yīng)的水平圖像；

對所述水平圖像中的車牌字符進行識別。

在本發(fā)明的一種具體實施方式中，所述確定待進行車牌識別的車牌圖像，包括：

獲得目標(biāo)車輛的車輛圖像；

對所述車輛圖像的車牌區(qū)域進行定位，獲得車牌區(qū)域圖像；

對所述車牌區(qū)域圖像進行預(yù)處理，所述預(yù)處理包括灰度處理和基于所述卷積神經(jīng)網(wǎng)絡(luò)的尺寸調(diào)整；

將預(yù)處理后的車牌區(qū)域圖像確定為待進行車牌識別的車牌圖像。

在本發(fā)明的一種具體實施方式中，通過以下步驟預(yù)先訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)：

獲得樣本圖像集，所述樣本圖像集中包含多個車牌樣本圖像；

從所述樣本圖像集中選擇一個水平的標(biāo)準(zhǔn)圖像，將所述標(biāo)準(zhǔn)圖像分別與所述樣本圖像集中每個樣本圖像組成一個車牌圖像對；

針對第1個車牌圖像對，將該車牌圖像對中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得該樣本圖像對應(yīng)的輸出圖像；

將該車牌圖像對中標(biāo)準(zhǔn)圖像和該輸出圖像進行對比，確定所述初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失；

將所述初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失進行反向傳播，調(diào)整所述初始卷積神經(jīng)網(wǎng)絡(luò)中每層的網(wǎng)絡(luò)參數(shù)；

針對第i個車牌圖像對，重復(fù)執(zhí)行所述將該車牌圖像對中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得該樣本圖像對應(yīng)的輸出圖像的步驟，直至該車牌圖像對對應(yīng)的輸出圖像與該車牌圖像對中標(biāo)準(zhǔn)圖像具有相同的擬合能力，獲得訓(xùn)練后的所述卷積神經(jīng)網(wǎng)絡(luò)，其中，i≥2。

在本發(fā)明的一種具體實施方式中，所述將該車牌圖像對中標(biāo)準(zhǔn)圖像和該輸出圖像進行對比，確定所述初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失，包括：

將該車牌圖像對中標(biāo)準(zhǔn)圖像和該輸出圖像的相應(yīng)像素點相減；

根據(jù)相減結(jié)果，確定該車牌圖像對中標(biāo)準(zhǔn)圖像與該輸出圖像的歐氏距離；

根據(jù)所述歐氏距離，確定所述初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失。

一種車牌識別裝置，包括：

車牌圖像確定模塊，用于確定待進行車牌識別的車牌圖像；

水平圖像獲得模塊，用于將所述車牌圖像輸入到預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得所述車牌圖像對應(yīng)的水平圖像；

車牌識別模塊，用于對所述水平圖像中的車牌字符進行識別。

在本發(fā)明的一種具體實施方式中，所述車牌圖像確定模塊，具體用于：

獲得目標(biāo)車輛的車輛圖像；

對所述車輛圖像的車牌區(qū)域進行定位，獲得車牌區(qū)域圖像；

對所述車牌區(qū)域圖像進行預(yù)處理，所述預(yù)處理包括灰度處理和基于所述卷積神經(jīng)網(wǎng)絡(luò)的尺寸調(diào)整；

將預(yù)處理后的車牌區(qū)域圖像確定為待進行車牌識別的車牌圖像。

在本發(fā)明的一種具體實施方式中，還包括卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，用于通過以下步驟預(yù)先訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)：

獲得樣本圖像集，所述樣本圖像集中包含多個車牌樣本圖像；

從所述樣本圖像集中選擇一個水平的標(biāo)準(zhǔn)圖像，將所述標(biāo)準(zhǔn)圖像分別與所述樣本圖像集中每個樣本圖像組成一個車牌圖像對；

針對第1個車牌圖像對，將該車牌圖像對中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得該樣本圖像對應(yīng)的輸出圖像；

將該車牌圖像對中標(biāo)準(zhǔn)圖像和該輸出圖像進行對比，確定所述初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失；

將所述初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失進行反向傳播，調(diào)整所述初始卷積神經(jīng)網(wǎng)絡(luò)中每層的網(wǎng)絡(luò)參數(shù)；

針對第i個車牌圖像對，重復(fù)執(zhí)行所述將該車牌圖像對中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得該樣本圖像對應(yīng)的輸出圖像的步驟，直至該車牌圖像對對應(yīng)的輸出圖像與該車牌圖像對中標(biāo)準(zhǔn)圖像具有相同的擬合能力，獲得訓(xùn)練后的所述卷積神經(jīng)網(wǎng)絡(luò)，其中，i≥2。

在本發(fā)明的一種具體實施方式中，所述卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，具體用于：

將該車牌圖像對中標(biāo)準(zhǔn)圖像和該輸出圖像的相應(yīng)像素點相減；

根據(jù)相減結(jié)果，確定該車牌圖像對中標(biāo)準(zhǔn)圖像與該輸出圖像的歐氏距離；

根據(jù)所述歐氏距離，確定所述初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失。

應(yīng)用本發(fā)明實施例所提供的技術(shù)方案，確定待進行車牌識別的車牌圖像后，可以將車牌圖像輸入到預(yù)先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得車牌圖像對應(yīng)的水平圖像，對水平圖像中的車牌字符進行識別。也就是在對車牌圖像中的車牌字符進行識別之前，先對車牌圖像進行水平化處理，基于卷積神經(jīng)網(wǎng)絡(luò)，將有角度的車牌圖像轉(zhuǎn)換為水平的車牌圖像，再對其進行車牌字符的識別，這樣可以提高車牌識別準(zhǔn)確率。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例中一種車牌識別方法的實施流程圖；

圖2為本發(fā)明實施例中卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；

圖3為本發(fā)明實施例中一種車牌識別裝置的結(jié)構(gòu)示意圖。

具體實施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步的詳細說明。顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

參見圖1所示，為本發(fā)明實施例所提供的一種車牌識別方法的實施流程圖，該方法可以包括以下步驟：

S110：確定待進行車牌識別的車牌圖像。

在實際應(yīng)用中，在停車場、城市道路、高速公路等區(qū)域都可以安裝車牌識別設(shè)備，車牌識別設(shè)備可以對通過圖像采集設(shè)備采集到的車牌圖像進行車牌識別。在本發(fā)明實施例中，在對圖像采集設(shè)備采集到的每一個車牌圖像進行相應(yīng)處理后，分別將采集到的每一個車牌圖像確定為待進行車牌識別的車牌圖像。

在本發(fā)明一種具體實施方式中，步驟S110可以包括以下步驟：

步驟一：獲得目標(biāo)車輛的車輛圖像；

步驟二：對車輛圖像的車牌區(qū)域進行定位，獲得車牌區(qū)域圖像；

步驟三：對車牌區(qū)域圖像進行預(yù)處理，預(yù)處理包括灰度處理和基于卷積神經(jīng)網(wǎng)絡(luò)的尺寸調(diào)整；

步驟四：將預(yù)處理后的車牌區(qū)域圖像確定為待進行車牌識別的車牌圖像。

為便于描述，將上述四個步驟結(jié)合起來進行說明。

通過圖像采集設(shè)備可以采集到車輛圖像，在車輛圖像中包含車牌區(qū)域。獲得目標(biāo)車輛的車輛圖像后，可以對車輛圖像的車牌區(qū)域進行定位，獲得車牌區(qū)域圖像。具體可以使用現(xiàn)有技術(shù)的定位方法，本發(fā)明實施例在此不再贅述。

車牌區(qū)域圖像即為包含車牌的圖像，對車牌區(qū)域圖像進行預(yù)處理。預(yù)處理可以包括灰度處理和基于卷積神經(jīng)網(wǎng)絡(luò)的尺寸調(diào)整等。具體的，可以對車牌區(qū)域圖像進行水平矯正、垂直矯正等，再進行左右邊界和上下邊界的定位，這樣，可以得到精確定位的結(jié)果。對進行精確定位的結(jié)果進行尺寸調(diào)整，調(diào)整至符合預(yù)先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像的尺寸大小，如120×40。

對車牌區(qū)域圖像進行預(yù)處理后，可以將預(yù)處理后的車牌區(qū)域圖像確定為待進行車牌識別的車牌圖像。

S120：將車牌圖像輸入到預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得車牌圖像對應(yīng)的水平圖像。

在本發(fā)明實施例中，預(yù)先訓(xùn)練好一個卷積神經(jīng)網(wǎng)絡(luò)，通過該卷積神經(jīng)網(wǎng)絡(luò)，可以將有角度的圖像調(diào)整為水平圖像。

在本發(fā)明的一個具體實施方式中，可以通過以下步驟預(yù)先訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)：

第一個步驟：獲得樣本圖像集，樣本圖像集中包含多個車牌樣本圖像；

第二個步驟：從樣本圖像集中選擇一個水平的標(biāo)準(zhǔn)圖像，將標(biāo)準(zhǔn)圖像分別與樣本圖像集中每個樣本圖像組成一個車牌圖像對；

第三個步驟：針對第1個車牌圖像對，將該車牌圖像對中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得該樣本圖像對應(yīng)的輸出圖像；

第四個步驟：將該車牌圖像對中標(biāo)準(zhǔn)圖像和該輸出圖像進行對比，確定初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失；

第五個步驟：將初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失進行反向傳播，調(diào)整初始卷積神經(jīng)網(wǎng)絡(luò)中每層的網(wǎng)絡(luò)參數(shù)；

第六個步驟：針對第i個車牌圖像對，重復(fù)執(zhí)行將該車牌圖像對中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得該樣本圖像對應(yīng)的輸出圖像的步驟，直至該車牌圖像對對應(yīng)的輸出圖像與該車牌圖像對中標(biāo)準(zhǔn)圖像具有相同的擬合能力，獲得訓(xùn)練后卷積神經(jīng)網(wǎng)絡(luò)，其中，i≥2。

為便于描述，將上述六個步驟結(jié)合起來進行說明。

在實際應(yīng)用中，通過在各大室內(nèi)和室外停車場的出入口架設(shè)圖像采集設(shè)備，如攝像機等，錄制各種時間段、各種天氣情況下的車輛的圖像與視頻，可以獲得多個車牌圖像，從多個車牌圖像中按照設(shè)定規(guī)則選擇出樣本圖像集，樣本圖像集中可以包含多種角度的樣本圖像。

在獲得的樣本圖像集中，可以選擇出一個水平的車牌圖像，將其作為標(biāo)準(zhǔn)圖像，將標(biāo)準(zhǔn)圖像分別與樣本圖像集中每個樣本圖像組成一個車牌圖像對。即標(biāo)準(zhǔn)圖像與其自己組成一個車牌圖像對，標(biāo)準(zhǔn)圖像與其他樣本圖像也分別組成一個車牌圖像對。通過人工標(biāo)注方法可以在選擇出的每個車牌圖像上標(biāo)注車牌的精確位置。

將組成的多個車牌圖像對，作為訓(xùn)練數(shù)據(jù)，對預(yù)先設(shè)計好的初始卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。

針對第1個車牌圖像對，可以將該車牌圖像對中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得該樣本圖像對應(yīng)的輸出圖像。初始卷積神經(jīng)網(wǎng)絡(luò)可以包括多個卷積濾波層、多個池化濾波層和一個全連接層，如圖2所示。

將該車牌圖像對中標(biāo)準(zhǔn)圖像與該輸出圖像進行對比，可以確定初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失。

具體的，可以將該車牌圖像對中標(biāo)準(zhǔn)圖像和該輸出圖像的相應(yīng)像素點相減，根據(jù)相減結(jié)果，確定該車牌圖像對中標(biāo)準(zhǔn)圖像與該輸出圖像的歐氏距離，根據(jù)歐氏距離，可以確定初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失。

將初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失進行反向傳播，即通過最后一層的輸出損失，一層一層的向頂層傳播，根據(jù)損失可以調(diào)整初始卷積神經(jīng)網(wǎng)絡(luò)中每層的網(wǎng)絡(luò)參數(shù)。

針對第i個車牌圖像對，i≥2，重復(fù)執(zhí)行將該車牌圖像對中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得該樣本圖像對應(yīng)的輸出圖像的步驟，對初始卷積神經(jīng)網(wǎng)絡(luò)中每層的網(wǎng)絡(luò)參數(shù)進行調(diào)整，直至該車牌圖像對對應(yīng)的輸出圖像與該車牌圖像對中標(biāo)準(zhǔn)圖像具有相同的擬合能力，獲得訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)。

通過對大量車牌圖像對的訓(xùn)練，可以獲得對其他沒訓(xùn)練好的樣本的魯棒性。

圖2所示為本發(fā)明實施例中一種訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖，將車牌圖像輸入到該卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播過程如下：

第一層為輸入的120×40灰度精定位車牌圖像。

第一層輸入的車牌圖像到第二層C1濾波器中間由20個5×5像素大小的卷積核組成，經(jīng)過帶2個pad的20個卷積后，第二層C1濾波器輸出20個120×40大小的圖像。

第二層C1濾波器到第三層P1濾波器中間由20個2×2大小的池化層組成，目的是對圖像中2×2大小的區(qū)域選取最大的像素值作為輸出，降低圖像的維度，提取顯著特征。第二層輸出的圖像經(jīng)過池化層后，第三層P1濾波器輸出20個60×20大小的圖像。

第三層P1濾波器到第四層C2濾波器之間由20×20個5×5大小的卷積核組成，同樣帶2個pad進行卷積，第三層P1濾波器輸出的20個圖像分別與第三層到第四層之間的20個卷積核卷積后相加組合，一共進行20次，第四層C2濾波器輸出20個60×20大小的圖像。

第五層P2濾波器還是一個池化層，20個2×2大小的選取最大值的池化層與第四層輸出的20個圖像一一對應(yīng)，第五層P2濾波器輸出20個30×10大小的圖像。

第五層P2濾波器到第六層C3濾波器之間由20×20個5×5大小的卷積核組成，同樣帶2個pad進行卷積，第五層P2濾波器輸出的20個圖像分別與第五層到第六層之間的20個卷積核卷積后相加，一共進行20次，第六層C3濾波器輸出20個30×10大小的圖像。

第七層FC濾波器為全連接層，大小是4800×1的向量，第六層到第七層是將第六層C3濾波器輸出的20×30×10的圖像調(diào)整到1×6000，第六層C3濾波器到第七層FC濾波器之間經(jīng)過一個6000×4800的矩陣乘，獲得第七層輸出的4800×1的向量。

第七層FC濾波器輸出的向量到第八層調(diào)整大小濾波器輸出圖像，大小調(diào)整為120×40輸出。

其中，第二層C1濾波器、第四層C2濾波器、第六層C3濾波器分別為卷積濾波層，第三層P1濾波器、第五層P2濾波器分別為池化濾波層，第七層FC濾波器為全連接層。

上述僅為一個示例，在實際應(yīng)用中，可以根據(jù)實際訓(xùn)練數(shù)據(jù)進行卷積神經(jīng)網(wǎng)絡(luò)每層的網(wǎng)絡(luò)參數(shù)的調(diào)整。

在步驟S110，確定待進行車牌識別的車牌圖像后，可以將車牌圖像輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得車牌圖像對應(yīng)的水平圖像。如圖2所示，將左側(cè)的車牌圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，經(jīng)過前向傳播，可以獲得右側(cè)輸出的水平圖像。

S130：對水平圖像中的車牌字符進行識別。

獲得車牌圖像對應(yīng)的水平圖像后，可以對水平圖像中的車牌字符進行分割和識別。具體的，可以使用現(xiàn)有技術(shù)的字符識別方法進行車牌字符的分割和識別，本發(fā)明實施例對此不再贅述。

應(yīng)用本發(fā)明實施例所提供的方法，確定待進行車牌識別的車牌圖像后，可以將車牌圖像輸入到預(yù)先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得車牌圖像對應(yīng)的水平圖像，對水平圖像中的車牌字符進行識別。也就是在對車牌圖像中的車牌字符進行識別之前，先對車牌圖像進行水平化處理，基于卷積神經(jīng)網(wǎng)絡(luò)，將有角度的車牌圖像轉(zhuǎn)換為水平的車牌圖像，再對其進行車牌字符的識別，這樣可以提高車牌識別準(zhǔn)確率。

相應(yīng)于上面的方法實施例，本發(fā)明實施例還提供了一種車牌識別裝置，下文描述的一種車牌識別裝置與上文描述的一種車牌識別方法可相互對應(yīng)參照。

參見圖3所示，該裝置包括以下模塊：

車牌圖像確定模塊310，用于確定待進行車牌識別的車牌圖像；

水平圖像獲得模塊320，用于將車牌圖像輸入到預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得車牌圖像對應(yīng)的水平圖像；

車牌識別模塊330，用于對水平圖像中的車牌字符進行識別。

應(yīng)用本發(fā)明實施例所提供的裝置，確定待進行車牌識別的車牌圖像后，可以將車牌圖像輸入到預(yù)先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得車牌圖像對應(yīng)的水平圖像，對水平圖像中的車牌字符進行識別。也就是在對車牌圖像中的車牌字符進行識別之前，先對車牌圖像進行水平化處理，基于卷積神經(jīng)網(wǎng)絡(luò)，將有角度的車牌圖像轉(zhuǎn)換為水平的車牌圖像，再對其進行車牌字符的識別，這樣可以提高車牌識別準(zhǔn)確率。

在本發(fā)明的一種具體實施方式中，車牌圖像確定模塊310，具體用于：

獲得目標(biāo)車輛的車輛圖像；

對車輛圖像的車牌區(qū)域進行定位，獲得車牌區(qū)域圖像；

對車牌區(qū)域圖像進行預(yù)處理，預(yù)處理包括灰度處理和基于卷積神經(jīng)網(wǎng)絡(luò)的尺寸調(diào)整；

將預(yù)處理后的車牌區(qū)域圖像確定為待進行車牌識別的車牌圖像。

在本發(fā)明的一種具體實施方式中，還包括卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，用于通過以下步驟預(yù)先訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)：

獲得樣本圖像集，樣本圖像集中包含多個車牌樣本圖像；

從樣本圖像集中選擇一個水平的標(biāo)準(zhǔn)圖像，將標(biāo)準(zhǔn)圖像分別與樣本圖像集中每個樣本圖像組成一個車牌圖像對；

針對第1個車牌圖像對，將該車牌圖像對中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得該樣本圖像對應(yīng)的輸出圖像；

將該車牌圖像對中標(biāo)準(zhǔn)圖像和該輸出圖像進行對比，確定初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失；

將初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失進行反向傳播，調(diào)整初始卷積神經(jīng)網(wǎng)絡(luò)中每層的網(wǎng)絡(luò)參數(shù)；

針對第i個車牌圖像對，重復(fù)執(zhí)行將該車牌圖像對中樣本圖像輸入到預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中，進行前向傳播，獲得該樣本圖像對應(yīng)的輸出圖像的步驟，直至該車牌圖像對對應(yīng)的輸出圖像與該車牌圖像對中標(biāo)準(zhǔn)圖像具有相同的擬合能力，獲得訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)，其中，i≥2。

在本發(fā)明的一種具體實施方式中，卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，具體用于：

將該車牌圖像對中標(biāo)準(zhǔn)圖像和該輸出圖像的相應(yīng)像素點相減；

根據(jù)相減結(jié)果，確定該車牌圖像對中標(biāo)準(zhǔn)圖像與該輸出圖像的歐氏距離；

根據(jù)歐氏距離，確定初始卷積神經(jīng)網(wǎng)絡(luò)最后一層的輸出損失。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其它實施例的不同之處，各個實施例之間相同或相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。

專業(yè)人員還可以進一步意識到，結(jié)合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結(jié)合來實現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。專業(yè)技術(shù)人員可以對每個特定的應(yīng)用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

結(jié)合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實施。軟件模塊可以置于隨機存儲器(RAM)、內(nèi)存、只讀存儲器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動磁盤、CD-ROM、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲介質(zhì)中。

本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的技術(shù)方案及其核心思想。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進行若干改進和修飾，這些改進和修飾也落入本發(fā)明權(quán)利要求的保護范圍內(nèi)。