车牌的智能识别方法、装置、设备及存储介质

技术领域

本发明涉及人工智能领域，尤其涉及一种车牌的智能识别方法、装置、设备及存储介质。

背景技术

车辆识别和车牌识别技术在交通管理、智能交通系统以及安防领域具有重要应用价值。通过对车辆图像进行分析和处理，可以实现对车辆的自动检测、跟踪和识别，为交通监管和车辆管理提供有效支持。车牌识别技术则能够自动提取车辆的牌照信息，用于车辆的管理、追踪和安全监控。

但是，现有的车辆轮廓提取算法对于光照变化、遮挡和复杂背景等因素的鲁棒性不足，容易导致轮廓提取的误差和不准确性。车牌定位算法在复杂环境下容易受到干扰，如遮挡、模糊等，导致定位错误或漏定现象的发生。由于车牌的多样性和复杂性，包括不同的车牌类型、字体、颜色等，现有的车牌识别算法在准确率上存在一定的局限性。多帧行驶图像的实时处理对于高速公路等场景非常重要，但现有技术在处理速度上还存在一定的瓶颈。

发明内容

本发明提供了一种车牌的智能识别方法、装置、设备及存储介质，用于提高车牌的智能识别的准确率。

本发明第一方面提供了一种车牌的智能识别方法，所述车牌的智能识别方法包括：

采集多个车辆在预设位置的图像信息集合以及车牌信息集合，对所述图像信息集合进行车辆轮廓提取，生成多个车辆轮廓信息；

对所述车牌信息集合进行向量图转换，生成多个车牌向量图；

采集目标车辆在高速行驶状态下的多帧行驶图像，并分别对每帧所述行驶图像进行车牌定位，生成多个车牌位置信息；

基于多个所述车牌位置信息，通过多个所述车牌向量图对多帧所述行驶图像进行车牌识别，生成初始车牌识别结果；

对多帧行驶图像进行车辆轮廓提取，生成对应的待处理车辆轮廓，并对所述待处理车辆轮廓以及多个所述车辆轮廓信息进行轮廓比对，生成对应的目标轮廓信息；

基于所述目标轮廓信息对所诉初始车牌识别结果进行准确度修正，生成目标车牌识别结果。

结合第一方面，在本发明第一方面的第一实施方式中，所述对所述车牌信息集合进行向量图转换，生成多个车牌向量图，包括：

对所述车牌信息集合进行字符分割，生成多个车牌字符集合，并对每个车牌字符集合进行编码处理，生成多个车牌编码集合；

对多个所述车牌编码集合进行向量图转换，得到每个所述车牌编码集合对应的车牌向量图。

结合第一方面的第一实施方式的第一实施方式，在本发明第一方面的第二实施方式中，所述对所述车牌信息集合进行字符分割，生成多个车牌字符集合，并对每个车牌字符集合进行编码处理，生成多个车牌编码集合，包括：

对所述车牌信息集合进行二值化处理，生成对应的二值化车牌数据集；

通过字符分割算法，对所述二值化车牌数据集进行字符分割，生成多个车牌字符集合；

分别对每个车牌字符集合进行字符特征提取，生成每个车牌字符集合对应的字符特征集合；

分别对每个车牌字符集合对应的字符特征集合进行特征聚类，生成多个聚类车牌特征；

基于多个所述聚类车牌特征对每个所述车牌字符集合进行编码处理，生成多个车牌编码集合。

结合第一方面的第一实施方式，在本发明第一方面的第三实施方式中，所述对多个所述车牌编码集合进行向量图转换，得到每个所述车牌编码集合对应的车牌向量图，包括：

对每个所述车牌编码集合进行遍历处理，确定多个编码标识；

基于预置的向量图模板数据库，通过多个所述编码标识进行向量图模板匹配，确定多个向量图模板；

基于多个所述向量图模板，对每个所述车牌编码集合进行向量图转换，得到每个所述车牌编码集合对应的车牌向量图。

结合第一方面，在本发明第一方面的第四实施方式中，所述基于多个所述车牌位置信息，通过多个所述车牌向量图对多帧所述行驶图像进行车牌识别，生成初始车牌识别结果，包括：

基于多个所述车牌位置信息对所述多帧行驶图像进行区域分割，生成每帧所述行驶图像对应的车牌区域图像；

基于每个所述车牌编码集合对应的车牌向量图，对每帧所述行驶图像对应的车牌区域图像进行相似度识别，确定对应的相似度识别结果；

通过所述相似度识别结果对每帧所述行驶图像对应的车牌区域图像进行区域分割，生成多个车牌子区域图像；

对每个所述车牌子区域图像进行字符识别，生成初始车牌识别结果。

结合第一方面的第四实施方式，在本发明第一方面的第五实施方式中，所述基于每个所述车牌编码集合对应的车牌向量图，对每帧所述行驶图像对应的车牌区域图像进行相似度识别，确定对应的相似度识别结果，包括：

对每个所述车牌编码集合对应的车牌向量图进行矩阵转换，生成多个待处理矩阵；

对每帧所述行驶图像对应的车牌区域图像进行矩阵分析，生成多个待比对矩阵；

对多个所述待处理矩阵以及多个所述待比对矩阵进行相似度识别，确定所述相似度识别结果。

结合第一方面，在本发明第一方面的第六实施方式中，所述对多帧行驶图像进行车辆轮廓提取，生成对应的待处理车辆轮廓，并对所述待处理车辆轮廓以及多个所述车辆轮廓信息进行轮廓比对，生成对应的目标轮廓信息，包括：

通过边缘检测算法对多帧行驶图像进行车辆轮廓提取，生成对应的待处理车辆轮廓；

通过形状匹配算法对所述待处理车辆轮廓以及多个所述车辆轮廓信息进行轮廓比对，确定对应的比对结果；

对所述比对结果进行阈值分析，确定对应的阈值分析结果；

通过所述阈值分析结果对多个所述车辆轮廓进行轮廓筛选，生成所述目标轮廓信息。

本发明第二方面提供了一种车牌的智能识别装置，所述车牌的智能识别装置包括：

采集模块，用于采集多个车辆在预设位置的图像信息集合以及车牌信息集合，对所述图像信息集合进行车辆轮廓提取，生成多个车辆轮廓信息；

转换模块，用于对所述车牌信息集合进行向量图转换，生成多个车牌向量图；

定位模块，用于采集目标车辆在高速行驶状态下的多帧行驶图像，并分别对每帧所述行驶图像进行车牌定位，生成多个车牌位置信息；

识别模块，用于基于多个所述车牌位置信息，通过多个所述车牌向量图对多帧所述行驶图像进行车牌识别，生成初始车牌识别结果；

提取模块，用于对多帧行驶图像进行车辆轮廓提取，生成对应的待处理车辆轮廓，并对所述待处理车辆轮廓以及多个所述车辆轮廓信息进行轮廓比对，生成对应的目标轮廓信息；

修正模块，用于基于所述目标轮廓信息对所诉初始车牌识别结果进行准确度修正，生成目标车牌识别结果。

本发明第三方面提供了一种车牌的智能识别设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述车牌的智能识别设备执行上述的车牌的智能识别方法。

本发明的第四方面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指令，当其在计算机上运行时，使得计算机执行上述的车牌的智能识别方法。

本发明提供的技术方案中，采集多个车辆在预设位置的图像信息集合以及车牌信息集合，对所述图像信息集合进行车辆轮廓提取，生成多个车辆轮廓信息；对所述车牌信息集合进行向量图转换，生成多个车牌向量图；采集目标车辆在高速行驶状态下的多帧行驶图像，并分别对每帧所述行驶图像进行车牌定位，生成多个车牌位置信息；基于多个所述车牌位置信息，通过多个所述车牌向量图对多帧所述行驶图像进行车牌识别，生成初始车牌识别结果；对多帧行驶图像进行车辆轮廓提取，生成对应的待处理车辆轮廓，并对所述待处理车辆轮廓以及多个所述车辆轮廓信息进行轮廓比对，生成对应的目标轮廓信息；基于所述目标轮廓信息对所诉初始车牌识别结果进行准确度修正，生成目标车牌识别结果。在本发明实施例中，通过采集多个车辆在预设位置的图像信息集合和车牌信息集合，对车辆轮廓进行提取并生成车辆轮廓信息，同时将车牌信息转换为向量图。可以建立准确的车辆和车牌的参考数据集，提高车辆轮廓提取和车牌识别的准确度。通过采集目标车辆在高速行驶状态下的多帧行驶图像，并对每帧图像进行车牌定位和车辆轮廓提取，实现对行驶中车辆的实时检测和识别。可以快速获取车辆和车牌信息，并进行后续的轮廓比对和修正，提高系统的实时性和处理效率，通过基于多个车牌位置信息和车牌向量图进行车牌识别，生成初始的车牌识别结果。然后，结合对行驶图像进行车辆轮廓提取和轮廓比对，生成目标轮廓信息。基于目标轮廓信息对初始车牌识别结果进行准确度修正，可以提高车牌识别的精细度和准确度，减少误识别和漏识别的情况。

附图说明

图1为本发明实施例中车牌的智能识别方法的一个实施例示意图；

图2为本发明实施例中向量图转换的流程图；

图3为本发明实施例中字符特征提取的流程图；

图4为本发明实施例中向量图模板匹配的流程图；

图5为本发明实施例中车牌的智能识别装置的一个实施例示意图；

图6为本发明实施例中车牌的智能识别设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种车牌的智能识别方法、装置、设备及存储介质，用于提高车牌的智能识别的准确率。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”、“第三”、“第四”等（如果存在）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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中车牌的智能识别方法的一个实施例包括：

S101、采集多个车辆在预设位置的图像信息集合以及车牌信息集合，对图像信息集合进行车辆轮廓提取，生成多个车辆轮廓信息；

可以理解的是，本发明的执行主体可以为车牌的智能识别装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

例如，在高速路口设置监控摄像头，连续采集10辆车在预设位置通过高速路口时的图像，并记录每辆车的车牌号码。对每张车辆图像进行预处理，包括调整图像大小、灰度化、增强对比度等操作。通过车辆检测算法从每张图像中提取出车辆的区域。对每个车辆区域，通过轮廓检测算法提取出车辆的轮廓。将提取得到的车辆轮廓保存为车辆轮廓信息集合，可以用列表或数组来存储多个车辆的轮廓信息。

S102、对车牌信息集合进行向量图转换，生成多个车牌向量图；

具体的，将每个字符图像转换为向量表示。一种常用的方法是使用特征提取算法，如灰度共生矩阵（GLCM）或局部二值模式（LBP），提取字符图像的特征，然后将特征表示为向量形式，将每个字符的向量表示组合成完整的车牌向量图。可以将字符向量按顺序拼接在一起，形成一个长向量，或者采用其他组合方式，例如将字符向量矩阵叠加在一起。

例如，对于一个车牌信息集合，其中包含5个车牌号码：A12345、B67890、C24680、D13579、E98765。下面是一个示例，展示如何将车牌信息集合进行向量图转换，对每个字符图像进行预处理，包括调整图像大小、灰度化、二值化等操作，对每个字符图像进行特征提取，例如使用灰度共生矩阵（GLCM）算法提取特征，将每个字符图像的特征表示为向量形式。假设每个字符图像的特征向量维度为100，将每个字符的特征向量按顺序拼接在一起。对于车牌号码"A12345"，将字符"A"的特征向量、字符"1"的特征向量、字符"2"的特征向量等依次拼接在一起，形成一个长度为500的车牌向量图，对于其他车牌号码，采用相同的方式将各个字符的特征向量拼接在一起，生成对应的车牌向量图。

S103、采集目标车辆在高速行驶状态下的多帧行驶图像，并分别对每帧行驶图像进行车牌定位，生成多个车牌位置信息；

具体的，在高速公路上设置监控摄像头或采集设备，用于连续采集目标车辆在高速行驶状态下的多帧行驶图像。对每帧行驶图像进行预处理，例如图像去噪、图像增强等操作，以提升后续的车牌定位效果。通过车牌定位算法，例如基于边缘检测、颜色分析或深度学习的方法，对每帧行驶图像进行车牌定位。需要说明的是，车牌定位算法会检测图像中可能存在的车牌区域，并确定车牌的位置和边界框。对每帧行驶图像，根据车牌定位算法得到的车牌位置信息，提取车牌的位置、边界框等相关信息。

例如，当采集一段时间内目标车辆在高速行驶状态下的多帧行驶图像后，对于其中一帧行驶图像，经过车牌定位算法得到的车牌位置信息如下：

车牌位置信息：

车牌1：位置(x1,y1,x2,y2)；

车牌2：位置(x3,y3,x4,y4)；

车牌3：位置(x5,y5,x6,y6)；

其中，(x1,y1,x2,y2)表示车牌1的边界框左上角和右下角的坐标，(x3,y3,x4,y4)表示车牌2的边界框左上角和右下角的坐标，(x5,y5,x6,y6)表示车牌3的边界框左上角和右下角的坐标，最终生成多个车牌位置信息。

S104、基于多个车牌位置信息，通过多个车牌向量图对多帧行驶图像进行车牌识别，生成初始车牌识别结果；

具体的，服务器基于多个所述车牌位置信息对所述多帧行驶图像进行区域分割，生成每帧所述行驶图像对应的车牌区域图像；基于每个所述车牌编码集合对应的车牌向量图，对每帧所述行驶图像对应的车牌区域图像进行相似度识别，确定对应的相似度识别结果；通过所述相似度识别结果对每帧所述行驶图像对应的车牌区域图像进行区域分割，生成多个车牌子区域图像，对每个所述车牌子区域图像进行字符识别，生成初始车牌识别结果。

S105、对多帧行驶图像进行车辆轮廓提取，生成对应的待处理车辆轮廓，并对待处理车辆轮廓以及多个车辆轮廓信息进行轮廓比对，生成对应的目标轮廓信息；

需要说明的是，对每帧行驶图像进行图像预处理，例如灰度化、图像增强等操作，以便更好地提取车辆轮廓。使用轮廓检测算法，如Canny边缘检测、Sobel算子等，提取图像中的车辆轮廓。对于每个检测到的轮廓，进行过滤和筛选，排除过小或不符合车辆形状的轮廓。根据车辆轮廓提取步骤中得到的车辆轮廓，生成待处理车辆轮廓的集合。每个待处理车辆轮廓可以用轮廓的点集或边界框来表示。对待处理车辆轮廓和多个车辆轮廓信息进行轮廓比对。使用轮廓匹配算法，如Hu矩匹配、形状上下文匹配等，计算待处理车辆轮廓与已知车辆轮廓信息的相似度。根据相似度的阈值或其他规则，确定是否将待处理车辆轮廓与已知车辆轮廓信息进行匹配。根据轮廓比对的结果，生成对应的目标轮廓信息。如果待处理车辆轮廓与已知车辆轮廓信息匹配成功，则将其作为目标轮廓。需要说明的是，目标轮廓信息可以包括车辆轮廓的几何特征、边界框坐标等。

示例：对高速行驶图像进行车辆轮廓提取后，得到了以下待处理车辆轮廓和已知车辆轮廓信息：

待处理车辆轮廓：车辆1、车辆2、车辆3；

已知车辆轮廓信息：车辆A、车辆B、车辆C；

对于每个待处理车辆轮廓，可以使用轮廓比对算法计算其与已知车辆轮廓信息的相似度。假设经过比对后，得到以下结果：车辆1与车辆A的相似度：0.8；车辆1与车辆B的相似度：0.2；车辆1与车辆C的相似度：0.6；车辆2与车辆A的相似度：0.3车辆2与车辆B的相似度：0.7；车辆2与车辆C的相似度：0.4；车辆3与车辆A的相似度：0.6；车辆3与车辆B的相似度：0.5；车辆3与车辆C的相似度：0.9。

确定最匹配的已知车辆轮廓信息，将其作为目标轮廓信息。例如，在相似度阈值为0.7的情况下，可以得到以下目标轮廓信息：

目标轮廓信息：车辆1（匹配车辆A）、车辆2（匹配车辆B）、车辆3（匹配车辆C）。

S106、基于目标轮廓信息对所诉初始车牌识别结果进行准确度修正，生成目标车牌识别结果。

具体的，对于每个目标轮廓，根据其位置信息，从相应的行驶图像中提取对应的车牌区域。对提取的车牌区域进行图像预处理，例如灰度化、二值化、去噪等操作，以便更好地进行后续的车牌识别。使用车牌识别算法对预处理后的车牌区域进行识别，得到初始的车牌识别结果。根据目标轮廓信息和初始车牌识别结果，进行准确度修正。

需要说明的是，在本发明中，可以根据车牌位置与目标轮廓的重叠程度、车牌字符的一致性等因素来判断初始识别结果的准确性。如果初始识别结果与目标轮廓信息匹配程度较高，则将其作为最终的目标车牌识别结果。否则，可以采用其他方法进行进一步的识别修正，例如使用字符分割和字符识别算法对车牌字符进行分析和识别。例如：假设有一个目标车辆的轮廓信息，其中包含了车辆的位置信息。对于该车辆，在初始车牌识别阶段，得到了以下初始车牌识别结果："ABC123"。根据目标轮廓信息，从行驶图像中提取了对应的车牌区域，并进行了预处理操作。然后，使用车牌识别算法对预处理后的车牌区域进行识别，得到初始的车牌识别结果。接下来，根据目标轮廓信息和初始车牌识别结果进行准确度修正。发现初始识别结果与目标轮廓信息的车牌位置和字符一致性较高，没有明显的偏差或错误。因此，可以将初始识别结果"ABC123"作为最终的目标车牌识别结果。

本发明实施例中，采集多个车辆在预设位置的图像信息集合以及车牌信息集合，对所述图像信息集合进行车辆轮廓提取，生成多个车辆轮廓信息；对所述车牌信息集合进行向量图转换，生成多个车牌向量图；采集目标车辆在高速行驶状态下的多帧行驶图像，并分别对每帧所述行驶图像进行车牌定位，生成多个车牌位置信息；基于多个所述车牌位置信息，通过多个所述车牌向量图对多帧所述行驶图像进行车牌识别，生成初始车牌识别结果；对多帧行驶图像进行车辆轮廓提取，生成对应的待处理车辆轮廓，并对所述待处理车辆轮廓以及多个所述车辆轮廓信息进行轮廓比对，生成对应的目标轮廓信息；基于所述目标轮廓信息对所诉初始车牌识别结果进行准确度修正，生成目标车牌识别结果。在本发明实施例中，通过采集多个车辆在预设位置的图像信息集合和车牌信息集合，对车辆轮廓进行提取并生成车辆轮廓信息，同时将车牌信息转换为向量图。可以建立准确的车辆和车牌的参考数据集，提高车辆轮廓提取和车牌识别的准确度。通过采集目标车辆在高速行驶状态下的多帧行驶图像，并对每帧图像进行车牌定位和车辆轮廓提取，实现对行驶中车辆的实时检测和识别。可以快速获取车辆和车牌信息，并进行后续的轮廓比对和修正，提高系统的实时性和处理效率，通过基于多个车牌位置信息和车牌向量图进行车牌识别，生成初始的车牌识别结果。然后，结合对行驶图像进行车辆轮廓提取和轮廓比对，生成目标轮廓信息。基于目标轮廓信息对初始车牌识别结果进行准确度修正，可以提高车牌识别的精细度和准确度，减少误识别和漏识别的情况。

在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：

（1）通过边缘检测算法对多帧行驶图像进行车辆轮廓提取，生成对应的待处理车辆轮廓；

（2）通过形状匹配算法对待处理车辆轮廓以及多个车辆轮廓信息进行轮廓比对，确定对应的比对结果；

（3）对比对结果进行阈值分析，确定对应的阈值分析结果；

（4）通过阈值分析结果对多个车辆轮廓进行轮廓筛选，生成目标轮廓信息。

具体的，对于每帧行驶图像，使用边缘检测算法（如Canny算法）来提取车辆轮廓。边缘检测算法会识别图像中的边缘信息，包括车辆的边界。将待处理车辆轮廓与多个已知车辆轮廓信息进行形状匹配。形状匹配算法可以计算待处理轮廓与已知轮廓之间的相似度或距离，用于比对和匹配。根据形状匹配的相似度或距离，进行阈值分析，确定比对结果。根据阈值设定的标准，可以判断待处理轮廓与已知轮廓的匹配程度。基于阈值分析结果，对多个待处理车辆轮廓进行筛选，确定目标轮廓信息。可以选择与已知车辆轮廓的匹配程度高于阈值的轮廓作为目标轮廓。例如，如果某个待处理轮廓与已知车辆A的轮廓匹配度高于阈值0.8，将其视为目标车辆A的轮廓。

需要说明的是，在通过形状匹配算法对待处理车辆轮廓以及多个车辆轮廓信息进行轮廓比对，确定对应的比对结果时，首先对于一帧行驶图像，使用边缘检测或其他轮廓提取算法，提取出待处理车辆的轮廓。对于待处理车辆轮廓和多个已知车辆轮廓信息集合，应用形状匹配算法进行轮廓比对。对于每个已知车辆轮廓信息，计算其对应的Hu矩特征向量。然后，计算待处理车辆轮廓的Hu矩特征向量。通过比较待处理车辆轮廓的Hu矩特征向量与已知车辆轮廓信息集合中各个轮廓的特征向量，确定相似度或匹配程度。可以使用距离度量方法（如欧氏距离或余弦相似度）来计算待处理车辆轮廓与已知车辆轮廓的相似度。根据相似度的值，确定最匹配的已知车辆轮廓。

例如：假设有一个待处理车辆轮廓和三个已知车辆轮廓信息。

待处理车辆轮廓的Hu矩特征向量：[0.25,0.15,0.1]；

已知车辆轮廓1的Hu矩特征向量：[0.22,0.13,0.12]；

已知车辆轮廓2的Hu矩特征向量：[0.20,0.14,0.08]；

已知车辆轮廓3的Hu矩特征向量：[0.28,0.17,0.09]；

通过计算待处理车辆轮廓与已知车辆轮廓之间的距离或相似度，可以得到以下结果：

待处理车辆轮廓与已知车辆轮廓1的相似度：0.02；

待处理车辆轮廓与已知车辆轮廓2的相似度：0.05；

待处理车辆轮廓与已知车辆轮廓3的相似度：0.03；

根据相似度的值，可以确定最匹配的已知车辆轮廓是已知车辆轮廓2，因为它与待处理车辆轮廓的相似度最高。

在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：

S201、对车牌信息集合进行字符分割，生成多个车牌字符集合，并对每个车牌字符集合进行编码处理，生成多个车牌编码集合；

S202、对多个车牌编码集合进行向量图转换，得到每个车牌编码集合对应的车牌向量图。

需要说明的是，车牌字符分割是将整个车牌图像中的字符切割成独立的字符部分的过程。可以使用图像处理技术，例如阈值分割、边缘检测、连通区域分析等方法，根据字符之间的间隔和形状特征来实现字符分割。分割后，将每个字符部分保存为独立的图像。对于每个车牌字符集合，采用编码处理方法，将字符图像转换为数值化的特征表示。编码处理可以将字符转换为数字或字符串形式的编码，例如将字符"A"编码为1，"B"编码为2等。对于每个车牌编码集合，进行向量图转换，将每个编码转换为对应的车牌向量图。车牌向量图是通过将车牌编码映射到一个高维向量空间中得到的图像表示。使用特征提取方法，例如使用卷积神经网络（CNN）或其他机器学习算法，将车牌编码转换为向量表示。例如：假设有一张车牌图像，如"京A12345"，需要进行字符分割、编码处理和向量图转换。使用图像处理方法，根据字符之间的间隔和形状特征，将车牌图像分割为"A"、"1"、"2"、"3"、"4"、"5"六个独立的字符图像。对每个字符图像应用字符识别算法，将字符识别为对应的标识。例如，字符"A"被识别为字母"A"，字符"1"被识别为数字"1"，依此类推。

对每个字符编码进行向量图转换，将字符编码转换为对应的车牌向量图。例如，将字符"A"的编码1转换为一个高维向量表示，表示为向量图形式。同样地，将字符"1"的编码1转换为另一个向量图。

在一具体实施例中，如图3所示，执行步骤S201的过程可以具体包括如下步骤：

S301、对车牌信息集合进行二值化处理，生成对应的二值化车牌数据集；

S302、通过字符分割算法，对二值化车牌数据集进行字符分割，生成多个车牌字符集合；

S303、分别对每个车牌字符集合进行字符特征提取，生成每个车牌字符集合对应的字符特征集合；

S304、分别对每个车牌字符集合对应的字符特征集合进行特征聚类，生成多个聚类车牌特征；

S305、基于多个聚类车牌特征对每个车牌字符集合进行编码处理，生成多个车牌编码集合。

需要说明的是，将车牌信息集合中的图像进行二值化处理，将图像转换为只包含黑白两种颜色的二值图像。通过阈值分割，根据像素值将图像中的车牌区域与背景分离。使用字符分割算法，将二值化车牌数据集中的每个车牌图像中的字符分割出来。根据字符之间的间隔、像素连通性等特征，将相邻的黑色区域划分为单独的字符，对每个车牌字符集合中的字符图像进行字符特征提取，提取出代表字符形状、纹理等特征的数值或向量。使用形状描述符（如Hu矩、Zernike矩）或纹理描述符（如灰度共生矩阵、Gabor滤波器响应）等方法提取字符特征。对每个车牌字符集合对应的字符特征集合进行聚类分析，将相似的特征归为同一类别。使用聚类算法（如K均值聚类、层次聚类）将字符特征聚类为多个类别，每个类别代表一种车牌特征。根据多个聚类车牌特征，为每个车牌字符集合分配相应的编码。可以使用独热编码、数字编码等方式对车牌字符集合进行编码，将字符转换为数值表示。

例如，假设有一个车牌信息集合，其中包含了以下三个车牌图像和对应的字符序列：

车牌1字符序列：AB1234；

车牌2字符序列：CD5678；

车牌3字符序列：EF9012；

首先，对车牌信息集合进行二值化处理。通过阈值化方法，将像素灰度值与设定的阈值进行比较，将大于阈值的像素设为白色，小于阈值的像素设为黑色。以阈值为100为例，二值化后的车牌图像如下：

二值化字符序列1：11110000111100001111000011110000111100001111；

二值化字符序列2：11110000111100001111000011110000111100001111；

二值化字符序列3：11110000111100001111000011110000111100001111；

接下来，对二值化的车牌数据集进行字符分割，将每个字符区域分割为独立的字符图像。以字符宽度为10个像素为例，字符分割后的结果如下：

车牌字符集合1：[Character A, Character B, Character 1, Character 2,Character 3, Character 4]；

车牌字符集合2：[Character C, Character D, Character 5, Character 6,Character 7, Character 8]；

车牌字符集合3：[Character E, Character F, Character 9, Character 0,Character 1, Character 2]；

然后，对每个车牌字符集合进行字符特征提取，提取出每个字符的关键特征信息。以HOG特征提取算法为例，提取出的字符特征如下：

车牌字符集合1的字符特征集合：[Feature 1A, Feature 1B, Feature 11,Feature 12, Feature 13, Feature 14]；

车牌字符集合2的字符特征集合：[Feature 2C, Feature 2D, Feature 25,Feature 26, Feature 27, Feature 28]；

车牌字符集合3的字符特征集合：[Feature 3E, Feature 3F, Feature 39,Feature 30, Feature 31, Feature 32]；

接着，对每个车牌字符集合对应的字符特征集合进行特征聚类，将具有相似特征的字符聚合到同一类别中。以K均值聚类算法为例，进行特征聚类后的结果如下：

聚类车牌特征1：[Cluster 1A, Cluster 1B, Cluster 1C]；

聚类车牌特征2：[Cluster 2A, Cluster 2B, Cluster 2C]；

聚类车牌特征3：[Cluster 3A, Cluster 3B, Cluster 3C]；

最后，基于多个聚类车牌特征，对每个车牌字符集合进行编码处理，生成多个车牌编码集合。以编码方法为简单的字符连接为例，编码后的结果如下：

车牌编码集合1：ABC；

车牌编码集合2：DEF；

车牌编码集合3：123。

在一具体实施例中，如图4所示，执行步骤S202的过程可以具体包括如下步骤：

S401、对每个车牌编码集合进行遍历处理，确定多个编码标识；

S402、基于预置的向量图模板数据库，通过多个编码标识进行向量图模板匹配，确定多个向量图模板；

S403、基于多个向量图模板，对每个车牌编码集合进行向量图转换，得到每个车牌编码集合对应的车牌向量图。

要说明的是，遍历每个车牌编码集合，提取每个编码字符的特征信息。

根据特征信息，确定每个编码字符对应的编码标识。编码标识可以是字符的序号、字符的ASCII码等。

例如： 假设有一个车牌编码集合：[ABC, DEF, 123]。 通过遍历处理，可以确定编码标识如下：

编码标识1：A=1, B=2, C=3；

编码标识2：D=4, E=5, F=6；

编码标识3：1=7, 2=8, 3=9；

基于预置的向量图模板数据库，根据多个编码标识，找到对应的向量图模板。向量图模板数据库中存储了每个字符的向量图模板，可以是预先生成的模板图像或者通过特征提取方法得到的特征向量。

例如： 假设的向量图模板数据库中包含了以下向量图模板：

模板1对应编码标识1：[Vector 1A, Vector 1B, Vector 1C]；

模板2对应编码标识2：[Vector 2D, Vector 2E, Vector 2F]；

模板3对应编码标识3：[Vector 31, Vector 32, Vector 33]；

对每个车牌编码集合进行向量图转换，将每个编码字符转换为对应的向量图。根据之前确定的编码标识和向量图模板，将每个字符编码转换为对应的向量图。

例如：以车牌编码集合[ABC, DEF, 123]为例，根据之前的编码标识和向量图模板，进行向量图转换如下：

车牌编码集合1的向量图转换结果：[Vector 1A, Vector 1B, Vector 1C]；

车牌编码集合2的向量图转换结果：[Vector 2D, Vector 2E, Vector 2F]；

车牌编码集合3的向量图转换结果：[Vector 31, Vector 32, Vector 33]。

在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：

（1）基于多个车牌位置信息对多帧行驶图像进行区域分割，生成每帧行驶图像对应的车牌区域图像；

（2）基于每个车牌编码集合对应的车牌向量图，对每帧行驶图像对应的车牌区域图像进行相似度识别，确定对应的相似度识别结果；

（3）通过相似度识别结果对每帧行驶图像对应的车牌区域图像进行区域分割，生成多个车牌子区域图像；

（4）对每个车牌子区域图像进行字符识别，生成初始车牌识别结果。

具体的，基于多个车牌位置信息，对多帧行驶图像进行区域分割，提取出每帧行驶图像中的车牌区域。通过车牌位置信息的边界框或者轮廓来完成。

例如：假设有一辆车在多帧行驶图像中的位置信息如下：

图像1：车牌位置信息为(x1,y1,x2,y2)；

图像2：车牌位置信息为(x3,y3,x4,y4)；

图像3：车牌位置信息为(x5,y5,x6,y6)；

通过区域分割，可以生成每帧行驶图像对应的车牌区域图像：

图像1的车牌区域图像：ROI1；

图像2的车牌区域图像：ROI2；

图像3的车牌区域图像：ROI3；

基于每个车牌编码集合对应的车牌向量图，对每帧行驶图像对应的车牌区域图像进行相似度识别。

例如：假设有以下车牌编码集合和对应的车牌向量图：

车牌编码集合1：ABC，对应的车牌向量图为Vector1；

车牌编码集合2：DEF，对应的车牌向量图为Vector2；

对于每个车牌区域图像，可以计算其与车牌向量图的相似度：

相似度1=计算相似度(ROI1,Vector1)；

相似度2=计算相似度(ROI1,Vector2)；

相似度3=计算相似度(ROI2,Vector1)；

相似度4=计算相似度(ROI2,Vector2)；

相似度5=计算相似度(ROI3,Vector1)；

相似度6=计算相似度(ROI3,Vector2)；

基于相似度识别结果，对每帧行驶图像对应的车牌区域图像进行区域分割，生成多个车牌子区域图像。

通过设定一个阈值或选择最高相似度的匹配结果，判断是否匹配成功。

例如：假设设定了一个相似度阈值，如果相似度大于该阈值则认为匹配成功。

当相似度1>阈值时，认为ROI1匹配到了车牌编码集合1，生成车牌子区域图像1。

当相似度2>阈值时，认为ROI1匹配到了车牌编码集合2，生成车牌子区域图像2。

当相似度3>阈值时，认为ROI2匹配到了车牌编码集合1，生成车牌子区域图像3。

当相似度4>阈值时，认为ROI2匹配到了车牌编码集合2，生成车牌子区域图像4。

当相似度5>阈值时，认为ROI3匹配到了车牌编码集合1，生成车牌子区域图像5。

当相似度6>阈值时，认为ROI3匹配到了车牌编码集合2，生成车牌子区域图像6。

对每个车牌子区域图像进行字符识别，提取出每个子区域中的字符，生成初始的车牌识别结果。

例如：对于生成的每个车牌子区域图像，进行字符识别后得到的初始车牌识别结果如下：

车牌子区域图像1：字符识别结果为A,B,C；

车牌子区域图像2：字符识别结果为D,E,F；

车牌子区域图像3：字符识别结果为A,B,C；

车牌子区域图像4：字符识别结果为D,E,F；

车牌子区域图像5：字符识别结果为A,B,C；

车牌子区域图像6：字符识别结果为D,E,F；

本实施例中，实现了基于车牌位置信息的多帧行驶图像的区域分割，并通过相似度识别得到了匹配结果，最终生成了多个车牌子区域图像，并对其进行了字符识别，得到初始的车牌识别结果。

在一具体实施例中，执行基于每个车牌编码集合对应的车牌向量图，对每帧行驶图像对应的车牌区域图像进行相似度识别，确定对应的相似度识别结果步骤的过程可以具体包括如下步骤：

（1）对每个车牌编码集合对应的车牌向量图进行矩阵转换，生成多个待处理矩阵；

（2）对每帧行驶图像对应的车牌区域图像进行矩阵分析，生成多个待比对矩阵；

（3）对多个待处理矩阵以及多个待比对矩阵进行相似度识别，确定相似度识别结果。

具体的，对每个车牌编码集合对应的车牌向量图进行矩阵转换，将其转换为待处理矩阵。这可以通过将图像像素表示为矩阵形式，然后对矩阵进行预处理和标准化来实现。

例如： 假设有以下车牌编码集合和对应的车牌向量图：

车牌编码集合1：ABC，对应的车牌向量图为Vector1；

车牌编码集合2：DEF，对应的车牌向量图为Vector2；

可以将Vector1和Vector2转换为待处理矩阵：

待处理矩阵1：Matrix1；

待处理矩阵2：Matrix2；

对每帧行驶图像对应的车牌区域图像进行矩阵分析，将其转换为待比对矩阵。同样，通过将图像像素表示为矩阵形式，并进行预处理和标准化来实现。

例如：假设有以下每帧行驶图像的车牌区域图像：

图像1的车牌区域图像：ROI1；

图像2的车牌区域图像：ROI2；

可以将ROI1和ROI2转换为待比对矩阵：

待比对矩阵1：Matrix3；

待比对矩阵2：Matrix4；

对多个待处理矩阵和多个待比对矩阵进行相似度识别，以确定它们之间的相似度。通过计算矩阵之间的相似度指标（如欧氏距离、相关性等）来实现。例如：假设有以下待处理矩阵和待比对矩阵：

待处理矩阵1：Matrix1；

待处理矩阵2：Matrix2；

待比对矩阵1：Matrix3；

待比对矩阵2：Matrix4；

可以计算待处理矩阵与待比对矩阵之间的相似度：

相似度1=计算(Matrix1,Matrix3)；

相似度2=计算(Matrix1,Matrix4)；

相似度3=计算(Matrix2,Matrix3)；

相似度4=计算(Matrix2,Matrix4)；

最后，根据相似度的大小确定相似度识别结果。

本实施例中，可以对每个车牌编码集合对应的车牌向量图进行矩阵转换，生成待处理矩阵，并对每帧行驶图像对应的车牌区域图像进行矩阵分析，生成待比对矩阵。然后，通过相似度识别比较待处理矩阵和待比对矩阵之间的相似度，确定相似度识别结果。

上面对本发明实施例中车牌的智能识别方法进行了描述，下面对本发明实施例中车牌的智能识别装置进行描述，请参阅图5，本发明实施例中车牌的智能识别装置一个实施例包括：

采集模块501，用于采集多个车辆在预设位置的图像信息集合以及车牌信息集合，对所述图像信息集合进行车辆轮廓提取，生成多个车辆轮廓信息；

转换模块502，用于对所述车牌信息集合进行向量图转换，生成多个车牌向量图；

定位模块503，用于采集目标车辆在高速行驶状态下的多帧行驶图像，并分别对每帧所述行驶图像进行车牌定位，生成多个车牌位置信息；

识别模块504，用于基于多个所述车牌位置信息，通过多个所述车牌向量图对多帧所述行驶图像进行车牌识别，生成初始车牌识别结果；

提取模块505，用于对多帧行驶图像进行车辆轮廓提取，生成对应的待处理车辆轮廓，并对所述待处理车辆轮廓以及多个所述车辆轮廓信息进行轮廓比对，生成对应的目标轮廓信息；

修正模块506，用于基于所述目标轮廓信息对所诉初始车牌识别结果进行准确度修正，生成目标车牌识别结果。

通过上述各个组成部分的协同合作，采集多个车辆在预设位置的图像信息集合以及车牌信息集合，对所述图像信息集合进行车辆轮廓提取，生成多个车辆轮廓信息；对所述车牌信息集合进行向量图转换，生成多个车牌向量图；采集目标车辆在高速行驶状态下的多帧行驶图像，并分别对每帧所述行驶图像进行车牌定位，生成多个车牌位置信息；基于多个所述车牌位置信息，通过多个所述车牌向量图对多帧所述行驶图像进行车牌识别，生成初始车牌识别结果；对多帧行驶图像进行车辆轮廓提取，生成对应的待处理车辆轮廓，并对所述待处理车辆轮廓以及多个所述车辆轮廓信息进行轮廓比对，生成对应的目标轮廓信息；基于所述目标轮廓信息对所诉初始车牌识别结果进行准确度修正，生成目标车牌识别结果。在本发明实施例中，通过采集多个车辆在预设位置的图像信息集合和车牌信息集合，对车辆轮廓进行提取并生成车辆轮廓信息，同时将车牌信息转换为向量图。可以建立准确的车辆和车牌的参考数据集，提高车辆轮廓提取和车牌识别的准确度。通过采集目标车辆在高速行驶状态下的多帧行驶图像，并对每帧图像进行车牌定位和车辆轮廓提取，实现对行驶中车辆的实时检测和识别。可以快速获取车辆和车牌信息，并进行后续的轮廓比对和修正，提高系统的实时性和处理效率，通过基于多个车牌位置信息和车牌向量图进行车牌识别，生成初始的车牌识别结果。然后，结合对行驶图像进行车辆轮廓提取和轮廓比对，生成目标轮廓信息。基于目标轮廓信息对初始车牌识别结果进行准确度修正，可以提高车牌识别的精细度和准确度，减少误识别和漏识别的情况。

上面图5从模块化功能实体的角度对本发明实施例中的车牌的智能识别装置进行详细描述，下面从硬件处理的角度对本发明实施例中车牌的智能识别设备进行详细描述。

图6是本发明实施例提供的一种车牌的智能识别设备的结构示意图，该车牌的智能识别设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessingunits，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对车牌的智能识别设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在车牌的智能识别设备600上执行存储介质630中的一系列指令操作。

车牌的智能识别设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如WindowsServe，MacOSX，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的车牌的智能识别设备结构并不构成对车牌的智能识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种车牌的智能识别设备，所述车牌的智能识别设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述车牌的智能识别方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述车牌的智能识别方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的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通过时，可以存储在一个计算机可读取存储介质中。基于的理解，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或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-onlymemory，ROM）、随机存取存储器（randomacceSmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。