搬运车标识识别方法、装置、设备和存储介质

技术领域

本发明涉及搬运车识别技术领域，具体涉及一种搬运车标识识别方法、装置、设备和存储介质。

背景技术

搬运车是一种在中转场内必不可少的运载工具，在搬运车过程作业中，使用监控设备精准识别搬运车位置，代替人工记录，节约人工成本，通过分析每辆搬运车的运行轨迹，可以得到每辆搬运车的效能，合理调度车辆，降低物流成本，充分利用车辆资源，提升运营效率。搬运车在运动过程中会做原地旋转、转弯、高速运动，相应地也给搬运车标识带来运动模糊，影响搬运车标识的识别结果。

发明内容

本发明实施例提供一种搬运车标识识别方法、装置、设备和存储介质，以解决搬运车图像由于运动模糊对搬运车标识识别的干扰。

一方面，本发明实施例提供一种搬运车标识识别方法，所述方法包括：

获取待检测的目标图像；

提取所述目标图像中特征点对应目标区域，对所述目标区域进行编码处理，得到色块编码信息和/或字符编码信息；

根据所述初始搬运车标识信息、以及所述色块编码信息和所述字符编码信息中的至少一种，得到所述目标图像中的标准搬运车标识信息。

在本发明一些实施例中，提取所述目标图像中特征点对应目标区域，对所述目标区域进行编码处理，得到色块编码信息和/或字符编码信息包括：

提取所述目标图像中特征点对应目标区域，对所述目标区域进行处理，得到初始搬运车标识信息；

若所述初始搬运车标识信息不符合预设的标识设置规则，则对所述目标区域进行编码处理，得到色块编码信息和/或字符编码信息。

在本发明一些实施例中，所述提取所述目标图像中特征点对应目标区域，对所述目标区域进行处理，得到初始搬运车标识信息包括：

对所述目标图像进行关键点检测，得到所述目标图像中的特征点；

提取所述目标图像中所述特征点对应目标区域；

对所述目标区域进行二值化处理，得到所述目标区域对应的编码信息，将所述编码信息作为初始搬运车标识信息。

在本发明一些实施例中，所述对所述目标区域进行编码处理，得到色块编码信息和/或字符编码信息包括：

获取所述目标区域的图像模糊度；

根据所述图像模糊度对所述目标区域进行图像分割，得到至少一个目标分区，所述目标分区包括色块和字符中的至少一种；

若所述目标分区包括色块，则对所述色块进行颜色变换，得到所述色块的颜色信息，根据所述颜色信息确定色块编码信息；

若所述目标分区包括字符，则对所述目标区域进行字符识别，得到字符编码信息。

在本发明一些实施例中，所述根据所述图像模糊度对所述目标区域进行图像分割，得到至少一个目标分区包括：

若所述图像模糊度小于预设模糊度阈值，则分割所述目标区域得到色块和字符；

若所述图像模糊度大于或等于预设模糊度阈值，则提取所述目标区域中的字符。

在本发明一些实施例中，所述提取所述目标图像中特征点对应目标区域，对所述目标区域进行处理，得到初始搬运车标识信息之后，所述方法包括：

判断所述初始搬运车标识信息是否为空；

若所述初始搬运车标识信息为空，则判定若所述初始搬运车标识信息不符合预设的标识设置规则；

若所述初始搬运车标识信息不为空，则根据预设的标识设置规则对所述初始搬运车标识信息进行核验；

若所述初始搬运车标识信息核验不通过，则判定所述初始搬运车标识信息不符合所述预设的标识设置规则。

在本发明一些实施例中，所述方法还包括：

通过已训练的检测模型对所述目标图像进行搬运车标识识别，得到述目标图像中的标准搬运车标识信息。

在本发明一些实施例中，所述检测模型包括关键点检测网络和解码网络；

所述提取所述目标图像中特征点对应目标区域，对所述目标区域进行编码处理，得到色块编码信息和/或字符编码信息包括：

将所述目标图像输入所述关键点检测网络进行特征点检测，得到所述目标图像中特征点；

提取所述目标图像中特征点对应目标区域；

将所述目标区域输入所述解码网络进行编码处理，得到色块编码信息和/或字符编码信息。

在本发明一些实施例中，所述解码网络包括二维码编码层、色块编码层和字符编码层；

所述二维码编码层、所述色块编码层与所述字符编码层并联；

所述将所述目标区域输入所述解码网络进行编码处理，得到色块编码信息和/或字符编码信息包括：

将所述目标区域输入所述解码网络中的二维码编码层进行二值化处理，得到初始搬运车标识信息；

若所述初始搬运车标识信息不符合预设的标识设置规则，则将所述目标区域输入所述解码网络中的色块编码层和/或所述字符编码层进行编码处理，得到色块编码信息和/或字符编码信息。

在本发明一些实施例中，所述关键点检测网络包括卷积模块和峰值点识别模块；

所述卷积模块和所述峰值点识别模块串联；

所述将所述目标图像输入所述关键点检测网络进行特征点检测，得到所述目标图像中特征点包括：

将所述目标图像输入所述卷积模块进行特征点检测，得到所述目标图像对应的多个热力图；

将各所述热力图输入所述关键点识别模块进行峰值点识别，得到各所述热力图的峰值点，将各所述峰值点作为所述目标图像中特征点。

在本发明一些实施例中，所述检测模型训练过程包括：

获取训练数据集，所述训练数据集包括样本图像和所述样本图像对应的真实搬运车标识信息；

将所述样本图像输入所述检测模型进行搬运车标识检测，得到所述样本图像对应的预测搬运车标识信息；

根据预设的损失函数、所述预测搬运车标识信息和所述真实搬运车标识信息，确定所述检测模型的训练损失值；

根据所述训练损失值对所述检测模型进行调整，直至所述检测模型满足预设的训练条件，得到已训练的检测模型。

在本发明一些实施例中，所述获取训练数据集步骤之前，所述方法包括：

获取搬运车样本图像，通过旋转变换、平移变换、镜像变换、缩放变换、裁剪变换、平滑处理和模糊处理中任意一种或多种方式对所述搬运车样本图像进行预处理；

对预处理后的搬运车样本图像进行特征点标注得到样本图像，获取各所述样本图像对应的真实搬运车标识信息，得到训练数据集。

另一方面，本发明实施例提供一种搬运车标识识别装置，所述装置包括：

获取模块，用于获取待检测的目标图像；

标识提取模块，用于提取所述目标图像中特征点对应目标区域，对所述目标区域进行编码处理得到色块编码信息和/或字符编码信息；

识别模块，用于根据所述色块编码信息和所述字符编码信息中的至少一种，得到所述目标图像中的标准搬运车标识信息。

另一方面，本发明实施例提供一种搬运车标识识别设备，包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行所述的搬运车标识识别方法中的操作。

另一方面，本发明实施例提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行所述的搬运车标识识别方法中的步骤。

本发明实施例获取待检测的目标图像；提取所述目标图像中特征点对应目标区域，对所述目标区域进行编码处理，得到色块编码信息和/或字符编码信息；根据所述色块编码信息和所述字符编码信息中的至少一种，得到所述目标图像中的标准搬运车标识信息；通过采集的搬运车图像提取搬运车标识信息，代替人工观测过程，降低人力物力成本；采用多个类型的搬运车标识编码代替简单的搬运车车牌信息，降低搬运车运动对标识识别精度的影响，增强识别的可靠性和准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域技术人员来讲，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。

图1是本发明实施例提供的搬运车标识识别方法的一个实施例流程示意图；

图2是本发明实施例提供的搬运车标识的一个示意图；

图3是本发明实施例提供的搬运车标识识别方法中识别色块编码和字符编码的一个实施例流程示意图；

图4是本发明实施例提供的HVS颜色表的一个示意；

图5是本发明实施例提供的检测模型的一个实施例结构示意图；

图6是本发明实施例提供的解码网络的一个实施例结构示意图；

图7是本发明实施例提供的图像增强器的一个实施例结构示意图；

图8是本发明实施例提供的解码网络的另一个实施例结构示意图；

图9是本发明实施例提供的关键点检测网络的一个实施例结构示意图；

图10是本发明实施例提供的检测模型的另一个实施例结构示意图；

图11是本发明实施例提供的搬运车标识识别方法中检测模型的训练方法的一个实施例流程示意图；

图12是本发明实施例提供的搬运车标识识别装置的一个实施例结构示意图；

图13是本发明实施例提供的搬运车标识识别设备的一个实施例结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种搬运车标识识别方法、装置、设备和存储介质。根据本发明实施例提供的搬运车标识识别方法的实施例，需要说明的是，附图的流程示意图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且虽然在流程示意图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的执行顺序执行所描述或所示的步骤。

在本发明一些实施例中，搬运车标识识别方法可以应用于搬运车标识识别设备，其中，搬运车标识识别设备可以是计算机设备和终端设备中至少一种，其中计算机设备可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。其中，终端设备包括但不限于智能手机、工业计算机、平板电脑和PC端。在本发明一些实施例中，搬运车标识识别方法应用于计算机设备和终端设备时，耳廓特征提取应用于计算机设备和终端设备时，终端设备和计算机设备之间可以通过任何通信方法实现通信，其中通信方式包括但不限于基于第三代合作伙伴计划(3rd Generation Partnership Project，3GPP)、长期演进(LongTerm Evolution LTE)、全球互通微波访问(Worldwide Interoperability for MicrowaveAccess WiMAX)的移动通信，或基于TCP/IP协议族(TCP/IPProtocol Suite TCP/IP)、用户数据报协议(User Datagram Protocol UDP的计算机网络通信等。

如图1所示，图1是本发明实施例提供的搬运车标识识别方法的一个实施例流程示意图，所示的搬运车标识识别方法包括步骤101～103：

步骤101，获取待检测的目标图像。

目标图像指的是包含搬运车标识的图像。其中搬运车标识具有唯一性，即每台搬运车具有特定且不重复的搬运车标识。其中，搬运车包括但不限于搬运车、托盘搬运车、电动搬运车、自动搬运车和叉车。

在本发明一些实施例中搬运车标识可以是通过计算机视觉和机器学习软件库生成的二维码、ArUco编码、色块编码、字符中的至少一种，其中字符可以是汉字、数字和字母中的至少两种。

在本发明一些实施例中，为了解决由于搬运车原地旋转、转弯、高速运动造成的目标图像中的搬运车标识模糊，搬运车标识容易识别失败的问题，根据二维码、ArUco编码、色块编码、字符的抗运动模糊的干扰能力以及二维码、ArUco编码、色块编码、字符的解码速度，将通过计算机视觉和机器学习软件库生成的二维码或ArUco编码与色块编码和字符进行组合，形成一种复合标识，提高搬运车标识的适用性，使得搬运车标识在搬运车不同运行速度时都可以被识别。示例性，如图2所示，图2中(a)图是本发明实施例提供的搬运车标识的一个实施例示意图，所示的搬运车标识包括ArUco编码、色块编码、字符。

在本发明一些实施例中，可以将搬运车标识图粘贴到搬运车顶，例如在搬运车顶上设置一个多面体，在多面体中除与搬运车车顶接触一面的之外的其余面上粘贴搬运车标识。在本发明一些实施例中，考虑到搬运车旋转造成获取的目标图像中搬运车标识不完整，或者搬运车标识被遮挡，在搬运车车身和搬运车顶上都粘贴搬运车标识图，需要说明的是，本发明实施例对搬运车标识图在搬运车上的粘贴位置不作限定。

在本发明一些实施例中，可以通过图像采集设备采集搬运车图像，通过边缘识别算子和/或目标识别模型对搬运车图像进行感兴趣区域提取，获取搬运车图像中包含搬运车标识的待检测的目标图像。其中，边缘识别算子区域包括但不限于梯度算子、Sobel(中文：离散微分算子)、Roberts(中文：斜向偏差分的梯度计算方法、Prewitt(微分算子的边缘检测算子)、Canny(中文：最优的阶梯型边缘检测算子)和Laplacian(中文：二阶微分算子)边缘识别算子；目标识别模型可以是像素计算模型和神经网络模型，感兴趣区域指的是搬运车图像中包含搬运车标识的区域。在本发明一些实施例中，为了提高目标图像的质量，在感兴趣区域提取后，对感兴趣区域进行图像增强得到待检测的目标图像，其中图像增强包括但不限于图像灰度调整、调整图像对比度、增强图像锐度等。其中，图像采集设备可以是设置在搬运车标识识别设备中的摄像头、相机，图像采集设备也可以是与搬运车标识识别设备通信连接的摄像头、相机。

步骤102，提取目标图像中特征点对应目标区域，对目标区域进行编码处理，得到色块编码信息和/或字符编码信息。

特征点可以是目标图像中ArUco编码或二维码的四个角点，如图2所示，图2中(b)图是本发明实施例提供的标记特征点的目标图像的一个实施例示意，所示的标记特征点的目标图像中，以ArUco编码或二维码的左上角的角点作为第一特征点P1，顺时针方向旋转，依次将ArUco编码或二维码的其余三个角点作为第二特征点P2、第三特征点P3和第四特征点P4。

在本发明一些实施例中，目标区域包括搬运车标识中的ArUco编码或二维码、色块编码和字符。

在本发明一些实施例中，步骤102包括：提取目标图像中特征点对应目标区域，对目标区域进行编码处理，得到初始搬运车标识信息；若初始搬运车标识信息不符合预设的标识设置规则，则对目标区域进行编码处理，得到色块编码信息和/或字符编码信息。其中，初始搬运车标识信息指的是的ArUco编码或二维码的编码信息；预设的标识设置规则可以是检测初始搬运车标识信息的字节长度、字符数量、和初始搬运车标识信息的核验码中的至少一种。其中核验码是初始搬运车标识信息中预设位置上的字符或字符串。

在本发明一些实施例中，在获取初始搬运车标识信息之后，判断初始搬运车标识信息是否为空，并在初始搬运车标识信息不为空时，通过预设的标识设置规则对初始搬运车标识信息进行核验，根据核验结果确定初始搬运车标识信息是否符合预设的标识设置规则，具体地，包括步骤a1～a4：

步骤a1，判断初始搬运车标识信息是否为空。

步骤a2，若初始搬运车标识信息为空，则判定若初始搬运车标识信息不符合预设的标识设置规则。

步骤a3，若初始搬运车标识信息不为空，则根据预设的标识设置规则对初始搬运车标识信息进行核验。

在本发明一些实施例中，步骤a3包括：若初始搬运车标识信息不为空，则获取初始搬运车标识信息的字节长度，若初始搬运车标识信息的字节长度与预设字节长度阈值不一致，则判定初始搬运车标识信息核验不通过；若初始搬运车标识信息的字节长度与预设字节长度阈值一致，则获取初始搬运车标识信息中的字符数量；若初始搬运车标识信息中的字符数量与预设字符数量阈值不一致，则判定初始搬运车标识信息核验不通过；若初始搬运车标识信息中的字符数量与预设字符数量阈值一致，则读取初始搬运车标识信息的核验码；将核验码与预设核验码比较；若核验码与预设核验码一致，则判定初始搬运车标识信息核验通过；若核验码与预设核验码不一致，则判定初始搬运车标识信息核验不通过。

在本发明一些实施例中，可以读取初始搬运车标识信息的核验码，根据返回值对初始搬运车标识信息进行核验。其中返回值包括初始搬运车标识信息的核验码，具体地，读取始搬运车标识信息的核验码，获取返回值；如果返回值为空，说明初始搬运车标识信息中不存在核验码，或者核验码读取失败，则判定初始搬运车标识信息核验不通过；如果返回值不为空，将读取的核验码与预设核验码比较；若核验码与预设核验码一致，则判定初始搬运车标识信息核验通过；若核验码与预设核验码不一致，则判定初始搬运车标识信息核验不通过。

步骤a4，若初始搬运车标识信息核验不通过，则判定初始搬运车标识信息不符合预设的标识设置规则。

在本发明一些实施例中，若初始搬运车标识信息符合预设的标识设置规则，即初始搬运车标识信息核验通过，则将初始搬运车标识信息作为目标图像中的标准搬运车标识信息。其中，标准搬运车标识信息指的是目标图像中的搬运车标识对应的标识信息。

在本发明一些实施例中，考虑到ArUco编码或二维码的识别时间小于色块编码和字符的识别时间，因此首先对目标区域的ArUco编码或二维码进行编码识别，得到初始搬运车标识信息。在本发明一些实施例中，可以对目标区域的ArUco编码或二维码进行二值化处理，得到ArUco编码或二维码对应的编码信息，将该编码信息作为初始搬运车标识信息。其中，可以通过Gan二值化对目标区域的ArUco编码或二维码进行二值化。

在本发明一些实施例中，为了提高ArUco编码或二维码的识别准确率，通过pix2pix网络对ArUco编码或二维码进行增强。

步骤103，根据色块编码信息和字符编码信息中的至少一种，得到目标图像中的标准搬运车标识信息。

在本发明一些实施例中，标准搬运车标识信息可以是色块编码信息和字符编码信息中的一种，在本发明一些实施例中，标准搬运车标识信息可以目标图像中搬运车对应的编号、名称中的至少一种。

在本发明一些实施例中，步骤103包括：若得到色块编码信息和字符编码信息，则将色块编码信息和字符编码信息进行比较，如果色块编码信息和字符编码信息相同，则将色块编码信息和字符编码信息中任意一个作为目标图像中的标准搬运车标识信息；如果色块编码信息和字符编码信息不相同，则将字符编码信息作为目标图像中的标准搬运车标识信息。

在本发明一些实施例中，步骤103包括：若得到色块编码信息和字符编码信息，可以将色块编码信息和字符编码信息的任意一种作为目标图像中的标准搬运车标识信息。

在本发明一些实施例中，步骤103包括：若只得到字符编码信息，则将字符编码信息作为目标图像中的标准搬运车标识信息。

本发明实施例通过采集的搬运车图像提取搬运车标识信息，代替人工观测过程，降低人力物力成本；采用多个类型的搬运车标识编码代替简单的搬运车车牌信息，降低搬运车运动对标识识别精度的影响，增强识别的可靠性和准确率。

在本发明一些实施例中，在步骤102中，可以对目标图像进行关键点检测，得到目标图像中的特征点，提取目标图像中特征点对应目标区域，对目标区域进行二值化处理，得到目标区域对应的编码信息，将编码信息作为初始搬运车标识信息。

在本发明一些实施例中，存在多种关键点检测方式，示例性的包括：

(1)可以根据边缘识别算子对目标图像进行关键点检测，得到目标图像中的特征点。

(2)可以通过预设关键点检测模型对目标图像进行关键点检测，得到目标图像中的特征点。其中，预设关键点检测模型可以是神经网络模型。

(3)可以获取目标图像的像素灰度值，根据像素的灰度值对目标图像进行关键点检测，得到目标图像中的特征点。

需要说明的是，上述关键点检测方式仅为示例性说明，不构成对本发明实施例中关键点检测方式的限定。

在本发明一些实施例中，提取目标图像中特征点对应目标区域时，可以根据目标图像中特征点提取ArUco编码或二维码区域，然后根据预设的位置关系，从目标图像中提取色块编码区域和字符区域；其中，预设的位置关系用于指示目标图像中ArUco编码区域或二维码区域、色块编码区域和字符区域之间的位置关系。例如，截取目标图像中第三特征点P3和第四特征点P4下方的区域作为字符区域，截图目标图像中第一特征点P1和第四特征点P4左侧的区域、第一特征点P1和第二特征点P2上方的区域以及第二特征点P2和第三特征点P3右侧的区域作为色块编码区域。

在本发明一些实施例中，在步骤102中，可以对目标图像进行关键点检测，得到目标图像中的特征点，提取目标图像中特征点对应目标区域，对目标区域进行二值化处理，得到目标区域对应的初始搬运车标识信息，根据步骤a1～a4判断初始搬运车标识信息是否符合预设的标识设置规则，若初始搬运车标识信息不符合预设的标识设置规则，则根据图像模糊度对目标区域进行编码处理，得到色块编码信息和/或字符编码信息。其中，根据图像模糊度对目标区域进行编码处理，得到色块编码信息和/或字符编码信息可以是根据图像模糊度和特征点对目标区域进行分割，得到色块编码和字符，分别根据色块编码和字符各自对应的识别方法对色块编码和字符进行识别，得到色块编码信息和或字符编码信息。具体地，如图3所示，图3是本发明实施例提供的搬运车标识识别方法中识别色块编码和字符编码的一个实施例流程示意图，所示的识别色块编码和字符编码的方法包括步骤301～304：

步骤301，获取目标区域的图像模糊度。

在本发明一些实施例中，图像模糊度指的是运动模糊，其中，运动模糊是在捕获图像时，快门在打开时间内成像系统和拍摄对象的短暂相对运动，造成成像在某个方向上形成的模糊。

在本发明一些实施例中，存在多种获取目标区域的图像模糊度的方式，示例性的包括：

(1)获取目标区域中各像素的灰度值以及目标区域中像素的灰度平均值，计算各像素的灰度值与灰度平均值之间的差值的平方和得到目标区域中像素的灰度方差，利用目标区域中像素总数对灰度方差进行标准化得到灰度标准差，根据灰度标准差得到图像模糊度。在本发明一些实施例中，可以根据预设的灰度标准差与模糊程度之间的映射关系，得到灰度标准差对应的图像模糊度；其中，预设的灰度标准差与模糊程度之间的映射关系用于指示灰度标准差与对应的图像模糊度之间的对应关系，其中，灰度标准差越大，图像模糊度越低，灰度标准差越小，图像模糊度越大。在本发明一些实施例中，可以将灰度标准差与预设灰度标准差阈值进行比较，如果灰度标准差大于预设灰度标准差阈值，则将第一预设值作为图像模糊度，如果灰度标准差小于或等于预设灰度标准差阈值，则将第二预设值作为图像模糊度，其中第一预设值小于第二预设值。

(2)可以计算目标区域中像素的灰度差分绝对值，根据灰度差分绝对值得到图像模糊度。其中，根据灰度差分绝对值得到图像模糊度的方式与根据灰度标准差得到图像模糊度方式相似，此处不再赘述。

(3)可以通过计算目标区域中相邻两个像素灰度差的平方，得到图像模糊度。

(4)可以通过计算目标区域中相邻四个像素对角线像素灰度值差的绝对值之和，得到图像模糊度。

(5)可以用拉普拉斯模板计算目标区域中像素的拉普拉斯梯度值，根据所有像素拉普拉斯梯度值的和，得到图像模糊度。

需要说明的是，上述获取目标区域的图像模糊度的方式仅为示例性说明，不构成对本发明实施例提供的搬运车标识识别方法中获取目标区域的图像模糊度的方式的限定。

步骤302，根据图像模糊度对目标区域进行图像分割，得到至少一个目标分区。

目标分区包括色块和字符中的至少一种。

运动模糊和异常光照会导致颜色偏移，考虑到搬运车高速运动时，可能使得提取色块的颜色信息与色块的真实颜色信息存在偏差，造成色块编码信息不准确，而字符与色块相比，更抗运动模糊的干扰，因此本发明实施例根据图像模糊度对目标区域进行图像分割，当图像模糊度较大时，提取目标区域中的字符，在图像模糊度较低时，提取目标区域中的色块和字符。具体地，提取目标分区的方法包括步骤b1～b2：

步骤b1，若图像模糊度小于预设模糊度阈值，则分割目标区域得到色块区域和字符区域。

步骤b2，若图像模糊度大于或等于预设模糊度阈值，则提取目标区域中的字符区域。

在本发明一些实施例中，可以根据预设的位置关系，分别确定色块和字符区域在目标区域中的位置，分别根据色块和字符各自对应的位置，从目标区域中截取出色块和字符。

步骤303，若目标分区包括色块，则对色块进行颜色变换，得到色块的颜色信息，根据颜色信息确定色块编码信息。

在本发明一些实施例中，步骤303包括：若目标分区包括色块，则将提取色块编码区域中的多个色块，将每个色块的颜色空间从RGB颜色空间转换到HSV颜色空间，获取HSV颜色空间中每个色块的像素的直方图，根据每个色块直方图的数值查询预设的HVS颜色表，得到每个色块对应的颜色信息，根据预设的颜色与编码之间的映射关系，得到颜色信息对应的颜色值，组合多个色块的颜色值，得到色块编码信息。其中，预设的颜色与颜色值之间的映射关系用于指示色块的颜色信息与对应的颜色编码之间的映射关系，示例性的，当色块的颜色信息为黑时，对应的颜色值为01，当色块的颜色信息为灰时，对应的颜色值为02；预设的HVS颜色表用于指示每种颜色信息在HVS颜色空间中每个颜色通道的值，示例性的如图4所示，图4是本发明实施例提供的HVS颜色表的一个示意。

在本发明一些实施例中，组合多个色块的颜色值，得到色块编码信息可以是拼接各色块的颜色值，得到色块编码信息，例如，提取的目标分区中的三个色块的颜色信息分别为红色、绿色和蓝色时，对应的颜色值分别为04、07和09，拼接各色块的颜色值，得到色块编码信息040709。在本发明一些实施例中，可以根据各色块的颜色值从小到大或从大到小的顺序对各色块的颜色值进行拼接，得到色块编码信息。

步骤304，若目标分区包括字符，则对目标区域进行字符识别，得到字符编码信息。

在本发明一些实施例中，可以对目标区域进行光学字符识别，得到字符编码信息；也可以通过已训练的字符识别模型对目标区域进行字符识别，得到字符编码信息，其中字符识别模型是基于深度学习神经网络构建的，例如，可以是基于CRNN(ConvolutionalRecurrent Neural Network，卷积循环神经网络)、循环神经网络(Recurrent NeuralNetworks，RNN)。

在本发明一些实施例中，为了降低搬运车标识识别方法的计算复杂度，当初始搬运车标识信息不符合预设的标识设置规则时，根据目标区域的图像模糊度将目标区域输入对应的识别模型，不对目标区域的色块和字符进行裁剪和提取。具体地，根据若初始搬运车标识信息不符合预设的标识设置规则，则获取目标区域的图像模糊度；若图像模糊度小于预设模糊度阈值，则将目标区域分别输入色块识别模型和字符识别模型，通过色块识别模型和字符识别模型分别识别目标区域的色块编码信息和字符编码信息；如果图像模糊度大于或等于预设模糊度阈值，则将目标区域输入字符识别模型得到字符编码信息。

本发明实施例，根据图像模糊度和特征点对目标区域进行分割，得到色块编码和字符，分别根据色块编码和字符各自对应的识别方法对色块编码和字符进行识别，得到色块编码信息和字符编码信息，根据图像模糊度适配不同的识别方法，提高搬运车标识识别方法的灵活性。

在本发明一些实施例中，为了提高搬运车标识识别方法的计算效率，可以在步骤102中，提取目标图像中特征点对应目标区域，对目标区域进行编码处理，得到初始搬运车标识信息、色块编码信息和字符编码信息，根据步骤a1～a4确定初始搬运车标识信息是否符合预设的标识设置规则；若初始搬运车标识信息不符合预设的标识设置规则，则读取色块编码信息和/或字符编码信息。

在本发明一些实施例中，若初始搬运车标识信息不符合预设的标识设置规则，则读取色块编码信息和/或字符编码信息包括：若初始搬运车标识信息不符合预设的标识设置规则，获取目标区域的模糊程度，若图像模糊度小于预设模糊度阈值，则读取色块编码信息和字符编码信息；若图像模糊程度大于或等于预设模糊度阈值，则读取字符编码信息。

在本发明一些实施例中，考虑到初始编码信息、色块编码信息和字符编码信息的编码时间的差异，在步骤102中，提取目标图像中特征点对应目标区域，对目标区域进行编码处理，得到初始搬运车标识信息；若初始搬运车标识信息不符合预设的标识设置规则，则读取色块编码信息；若色块编码信息不符合预设的标识设置规则，则读取字符编码信息。其中，与确定初始搬运车标识信息是否符合预设的标识设置规则的方法相似，按照步骤a1～a4确定色块编码信息是否符合预设的标识设置规则。

在本发明一些实施例中，为了进一步降低搬运车标识识别方法的计算复杂度，在提取目标图像中特征点对应目标区域之后，分别将目标区域输入编码识别模型、色块识别模型和字符识别模型，通过编码识别模型对目标区域中的ArUco编码或二维码进行识别，得到初始搬运车标识信息，通过色块识别模型和字符识别模型分别识别目标区域的色块编码信息和字符编码信息。

在本发明一些实施例中，将目标区域分别输入编码识别模型、色块识别模型和字符识别模型，得到初始搬运车标识信息、色块编码信息和字符编码信息；如果初始搬运车标识信息符合预设的标识设置规则，则将初始搬运车标识信息作为标准搬运车标识信息；如果初始搬运车标识信息不符合预设的标识设置规则，则将色块编码信息与字符编码信息进行比较；如果色块编码信息与字符编码信息相同，则将色块编码信息或字符编码信息作为标准搬运车标识信息；如果色块编码信息与字符编码信息不相同，则将字符编码信息作为标准搬运车标识信息。

在本发明一些实施例中，将目标区域分别输入编码识别模型、色块识别模型和字符识别模型，根据得到初始搬运车标识信息、色块编码信息和字符编码信息的时间信息确定标准搬运车标识信息。具体地，将目标区域分别输入编码识别模型、色块识别模型和字符识别模型，如果编码识别模型在第一预设时间内输出了初始搬运车标识信息，并且初始搬运车标识信息不为空，则将初始搬运车标识信息作为标准搬运车标识信息；如果编码识别模型超过第一预设时间没有输出初始搬运车标识信息，则确定色块识别模型是否在第二预设时间内输出了色块编码信息；如果色块识别模型在第二预设时间内输出了色块编码信息，则将色块编码信息作为标准搬运车标识信息；如果色块识别模型没有在第二预设时间内输出色块编码信息，则将字符识别模型输出的字符编码信息作为标准搬运车标识信息。

在本发明一些实施例中，在获取待检测的目标图像之后，可以将目标图像输入已训练的检测模型进行搬运车标识识别，得到标准搬运车标识信息。

在本发明一些实施例中，检测模型可以是基于深度学习神经网络的模型，例如基于卷积神经网络(Convolutional Neural Networks，CNN)、反卷积神经网络(De-Convolutional Networks，DN)、全卷积网络、CRNN(Convolutional Recurrent NeuralNetwork，卷积循环神经网络)、循环神经网络(Recurrent Neural Networks，RNN)、深度神经网络(Deep Neural Networks，DNN)、深度卷积逆向图网络(Deep ConvolutionalInverse Graphics Networks，DCIGN)、基于区域的卷积网络(Region-basedConvolutional Networks，RCNN)、基于区域的快速卷积网络(Faster Region-basedConvolutional Networks，Faster RCNN)的模型。

如图5所示，图5是本发明实施例提供的检测模型的一个实施例结构示意图，所示的检测模型包括关键点检测网络和解码网络。

搬运车标识识别设备将获取的待检测的目标图像输入关键点检测网络，利用该关键点检测网络进行特征点检测，得到目标图像中特征点，并提取目标图像中特征点对应目标区域；将目标区域输入解码网络，利用该解码网络对目标区域进行搬运车标识识别，得到标准搬运车标识信息。

在本发明一些是实施例中，解码网络如图6所示，图6是本发明实施例提供的解码网络的一个实施例结构示意图，所示的解码网络包括二维码编码层、色块编码层、字符编码层和输出层，二维码编码层、色块编码层和字符编码层并联之后与输出层串联。

搬运车标识识别设备将目标区域输入解码网络，利用二维码编码层、色块编码层和字符编码层分别对目标区域进行ArUco编码或二维码识别、色块识别和字符识别，得到初始搬运车标识信息、色块编码信息和字符编码信息，输出层根据初始搬运车标识信息、色块编码信息和字符编码信息输出标准搬运车标识信息。

其中，如图6中(b)图所示，二维码编码层包括串联的图像增强器和编码器，图像增强器用于对目标区域中的ArUco编码或二维码区域进行图像增强和二值化处理；编码器用于对处理后的ArUco编码或二维码区域进行解码。在本发明一些实施例中，图像增强器可以是pix2pix，pix2pix结构如图7所示，pix2pix包括生成网络G和判别网络D，其中生成网络G包括串联的n层，并且第i层与第n-i层之间通过一条捷径连接，直接将第i层的输出输入至第n-i层，其中n是总层数，示例性的，如图7中(b)所示，生成网络G包括8层卷积层和7层反卷积层，8层卷积层串联后与串联的7层反卷积层连接，并且第1层卷积层与第7层反卷积层直接连接，第2卷积层与第6卷积层直接连接；判别网络D包括串联的6层卷积网络。编码器可以是标准解码接口，例如opencv、zbar。

在本发明一些实施例中，解码网络如图8所示，图8是本发明实施例提供的解码网络的另一个实施例结构示意图，如图8中(a)图所示，解码网络包括二维码编码层、判断层、色块编码层、字符编码层和输出层，其中，二维编码层与判断层串联，二维编码层输出的初始搬运车标识信息输入判别层，判别层与输出层连接，色块编码层、字符编码层分别与和输出层连接；输出层根据判别层的输出，输出标准搬运车标识信息，输出层若接收到判断层的输出，则将初始搬运车标识信息作为标准搬运车标识信息，并输出；输出层若没有接收到判断层的输出，则根据色块编码信息和字符编码信息，输出标准搬运车标识信息。

在本发明一些实施例中，搬运车标识识别设备将目标区域输入解码网络，利用二维码编码层对目标区域进行二值化处理，得到初始搬运车标识信息，将初始搬运车标识信息输入至判别层判断初始搬运车标识信息是否符合预设的标识设置规则；若初始搬运车标识信息不符合预设的标识设置规则，则利用色块编码层和/或字符编码层对目标区域进行色块识别和/或字符识别，得到色块编码信息和/或字符编码信息，输出层根据色块编码信息和/或字符编码信息输出标准搬运车标识信息；若初始搬运车标识信息符合预设的标识设置规则，判断层则输出初始搬运车标识信息输入至输出层，输出层将初始搬运车标识信息作为标准搬运车标识信息。

在本发明一些实施例中，如图8中(b)图所示，图8中(a)图所示的解码网络包括二维码编码层、判断层、色块编码层、字符编码层和输出层。其中，二维码编码层、色块编码层和字符编码层分别与判断层串联，判断层与输出层连接，输出层根据判别层的输出，输出标准搬运车标识信息；二维码编码层、色块编码层和字符编码层各自输出的初始搬运车标识信息、色块编码信息和字符编码信息输入判断层，判断层将初始搬运车标识信息输入至输出层，或者判断层将色块编码信息和/或字符编码信息输入至输出层；输出层根据判别层的输出，输出标准搬运车标识信息，输出层若接收到判断层输入的初始搬运车标识信息，则将初始搬运车标识信息作为标准搬运车标识信息，并输出；输出层若接收到判断层输入的色块编码信息和字符编码信息，则根据色块编码信息和字符编码信息，输出标准搬运车标识信息；输出层若接收到判断层输入的字符编码信息，则将字符编码作为标准搬运车标识信息，并输出。

在本发明一些实施例中，搬运车标识识别设备将目标区域输入解码网络，利用二维码编码层对目标区域进行二值化处理，得到初始搬运车标识信息，利用色块编码层和/或字符编码层对目标区域进行色块识别和/或字符识别，得到色块编码信息和/或字符编码信息；将色块编码信息和/或字符编码信息、初始搬运车标识信息输入至判别层判断初始搬运车标识信息是否符合预设的标识设置规则，若初始搬运车标识信息不符合预设的标识设置规则，判断层则将色块编码信息和/或字符编码信息输入输出层，输出层根据色块编码信息和/或字符编码信息输出标准搬运车标识信息；若初始搬运车标识信息符合预设的标识设置规则，判断层则输出初始搬运车标识信息输入至输出层，输出层将初始搬运车标识信息作为标准搬运车标识信息。

在本发明一些是实施例中，如图9所示，图9是本发明实施例提供的关键点检测网络的一个实施例结构示意图，所示的关键点检测网络包括卷积模块和峰值点识别模块，其中，卷积模块和峰值点识别模块串联。

搬运车标识识别设备将目标图像输入关键点检测网络，利用卷积模块对目标图像进行特征点检测，得到目标图像对应的多个热力图，利用峰值点识别模块对各热力图进行峰值点识别，得到各热力图的峰值点，将各峰值点作为目标图像中特征点，输出标记有特征点的目标图像。

在本发明一些实施例中，检测模型还设置有图像分割器，用于根据关键点检测网络输出的标记有特征点的目标图像，提取目标图像中特征点对应目标区域。如图10所示，图10是本发明提供的检测模型的另一个实施例结构示意图，所示的检测模型中关键点检测网络的峰值点识别模块与图像分割器的输入端串联，关键点检测网络的峰值点识别模块输出的标记有特征点的目标图像输入图像分割器进行图像提取；图像分割器的输出端分别与解码网络中的二维码编码层、色块编码层和字符编码层串联，图像分割器输出的目标图像中特征点对应目标区域分别输入二维码编码层、色块编码层和字符编码层。

在本发明一些实施例中，图像分割器还用于根据关键点检测网络输出的标记有特征点的目标图像，提取目标图像中特征点对应目标区域，以及提取目标区域中的ArUco编码或二维码区域、色块编码区域和字符编码区域。

在本发明一些实施例中，详细说明了本发明实施例提供的检测模型的训练步骤。

在本发明一些实施例中，训练数据集中提供样本图像和样本图像对应的真实搬运车标识信息，该检测模型输入为样本图像，输出为样本图像的预测搬运车标识信息，该检测模型通过分析样本图像的预测搬运车标识信息与样本图像对应的真实搬运车标识信息之间的损失，当损失越小，则检测模型的识别效果越好。

在本发明一些实施例中，通过损失函数分析样本图像的预测搬运车标识信息与样本图像对应的真实搬运车标识信息之间的损失。示例性的，损失函数可以是均方误差损失函数，损失函数也可以是平均绝对误差损失函数，理解为：计算损失函数分析样本图像的预测搬运车标识信息与样本图像对应的真实搬运车标识信息之间的均方误差，将均方误差作为检测模型的损失；计算损失函数分析样本图像的预测搬运车标识信息与样本图像对应的真实搬运车标识信息之间的平均绝对误差，将平均绝对误差作为检测模型的损失。

图11示出了本发明实施例提供的搬运车标识识别方法中检测模型的训练方法，本训练可以由计算机设备来执行，该检测模型的训练方法包括步骤1101～1103：

步骤1101，获取训练数据集。

其中，训练数据集包括样本图像和样本图像对应的真实搬运车标识信息。

检测模型的训练任务是需要大量的样本图像和样本图像对应的真实搬运车标识信息组成的训练数据集，供检测模型学习样本图像与样本图像对应的真实搬运车标识信息之间的映射关系。

在本发明一些实施例中，为了在检测模型的训练中加速收敛，避免出现过度拟合，增强检测模型的泛化能力，本发明实施例在步骤1101之前，采用搬运车样本图像，通过旋转变换、平移变换、镜像变换、缩放变换、裁剪变换、平滑处理和模糊处理中任意一种或多种方式对扩展训练数据集，具体地包括步骤c1～c2：

步骤c1，获取搬运车样本图像，通过旋转变换、平移变换、镜像变换、缩放变换、裁剪变换、平滑处理和模糊处理中任意一种或多种方式对搬运车样本图像进行预处理。

在本发明一些实施例中，可以通过中值滤波器对搬运车样本图像进行平滑处理，可以通过高斯滤波器对搬运车样本图像进行模糊处理。

在本发明一些实施例中，还可以在搬运车样本图像获取时，采集搬运车在静止状态下的搬运车样本图像，并采集同一搬运车标识对应的搬运车以不同速度运动的搬运车样本图像，作为搬运车标识对应的一组搬运车样本图像，并且在搬运车标识对应的每组搬运车样本图像中均包含一张搬运车标识清晰并完整的搬运车样本图像。

步骤c2，对预处理后的搬运车样本图像进行特征点标注得到样本图像，获取各样本图像对应的真实搬运车标识信息，得到训练数据集。

在本发明一些实施例中，可以通过abelme标注软件对预处理后的搬运车样本图像中的搬运车标识进行特征点标注，标注ArUco或者二维码的4个角点，以左上角点为第一特征点P1，顺时针方向旋转，依次为第二特征点P2、第三特征点P3和第四特征点P4，并记录样本图像对应的真实搬运车标识信息。

步骤1102，将样本图像输入检测模型进行搬运车标识检测，得到样本图像对应的预测搬运车标识信息。

步骤1103，根据预设的损失函数、预测搬运车标识信息和真实搬运车标识信息，确定检测模型的训练损失值。

步骤1104，根据训练损失值对检测模型进行调整，直至检测模型满足预设的训练条件，得到已训练的检测模型。

预设的训练条件可以是检测模型的网络参数稳定收敛或检测模型的迭代次数达到预设次数，其中检测模型的网络参数收敛是检测模型的网络参数达到预设参数；例如，当检测模型的训练损失值达到0.01，或检测模型的学习率为0时，则说明检测模型满足预设的训练条件；当检测模型的迭代次数达到预设次数时，则说明检测模型满足预设的训练条件。

在本发明一些实施例中，可以对训练损失值使用基于梯度损失的优化算法更新检测模型的网络参数，根据更新后的检测模型的网络参数调整检测模型，直至检测模型满足预设的训练条件，得到已训练的检测模型。

本发明实施例在检测模型训练中通过扩充训练数据集，避免出现过度拟合，并增强检测模型的泛化能力。

为了更好实施本发明实施例提供的搬运车标识识别方法，在搬运车标识识别方法基础上，本发明实施例提供一种搬运车标识识别装置，如图12所示，图12是本发明实施例提供的搬运车标识识别装置的一个实施例结构示意图，所示的搬运车标识识别装置包括：

获取模块1201，用于获取待检测的目标图像；

标识提取模块1202，用于提取目标图像中特征点对应目标区域，对目标区域进行编码处理，得到色块编码信息和/或字符编码信息；

识别模块1203，用于根据色块编码信息和字符编码信息中的至少一种，得到目标图像中的标准搬运车标识信息。

在本发明一些实施例中，标识提取模块1202包括：

第一标识提取单元，用于提取目标图像中特征点对应目标区域，对目标区域进行处理，得到初始搬运车标识信息；

第二标注提取单元，用于若初始搬运车标识信息不符合预设的标识设置规则，则对目标区域进行编码处理，得到色块编码信息和/或字符编码信息。在本发明一些实施例中，第一标识提取单元还用于：对目标图像进行关键点检测，得到目标图像中的特征点；提取目标图像中特征点对应目标区域；对目标区域进行二值化处理，得到目标区域对应的编码信息，将编码信息作为初始搬运车标识信息。

在本发明一些实施例中，标识提取模块1202包括：

模糊度获取单元，用于获取目标区域的图像模糊度；

图像分割单元，用于根据图像模糊度对目标区域进行图像分割，得到至少一个目标分区，目标分区包括色块和字符中的至少一种；

色块识别单元，用于若目标分区包括色块，则对色块进行颜色变换，得到色块的颜色信息，根据颜色信息确定色块编码信息；

字符识别单元，用于若目标分区包括字符，则对目标区域进行字符识别，得到字符编码信息。

在本发明一些实施例中，图像分割单元还用于：若图像模糊度小于预设模糊度阈值，则分割目标区域得到色块和字符；若图像模糊度大于或等于预设模糊度阈值，则提取目标区域中的字符。

在本发明一些实施例中，搬运车标识识别装置还包括：

训练模块1204，用于获取训练数据集，训练数据集包括样本图像和样本图像对应的真实搬运车标识信息；将样本图像输入检测模型进行搬运车标识检测，得到样本图像对应的预测搬运车标识信息；根据预设的损失函数、预测搬运车标识信息和真实搬运车标识信息，确定检测模型的训练损失值；根据训练损失值对检测模型进行调整，直至检测模型满足预设的训练条件，得到已训练的检测模型。

在本发明一些实施例中，训练模块1204还用于获取搬运车样本图像，通过旋转变换、平移变换、镜像变换、缩放变换、裁剪变换、平滑处理和模糊处理中任意一种或多种方式对搬运车样本图像进行预处理；对预处理后的搬运车样本图像进行特征点标注得到样本图像，获取各样本图像对应的真实搬运车标识信息，得到训练数据集。

在本发明一些实施例中，搬运车标识识别装置还包括：

判断模块1205，用于判断初始搬运车标识信息是否为空；若初始搬运车标识信息为空，则判定若初始搬运车标识信息不符合预设的标识设置规则；若初始搬运车标识信息不为空，则根据预设的标识设置规则对初始搬运车标识信息进行核验；若初始搬运车标识信息核验不通过，则判定初始搬运车标识信息不符合预设的标识设置规则。

本发明实施例通过采集的搬运车图像提取搬运车标识信息，代替人工观测过程，降低人力物力成本；采用多个类型的搬运车标识编码代替简单的搬运车车牌信息，降低搬运车运动对标识识别精度的影响，增强识别的可靠性和准确率。

本发明实施例还提供一种搬运车标识识别设备，如图13所示，其示出了本发明实施例所涉及的搬运车标识识别设备的结构示意图，具体来讲：

该搬运车标识识别设备可以包括一个或者一个以上处理核心的处理器1301、一个或一个以上计算机可读存储介质的存储器1302、电源1303和输入单元1304等部件。本领域技术人员可以理解，图13中示出的搬运车标识识别设备结构并不构成对搬运车标识识别设备的限定，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。其中：

处理器1301是该搬运车标识识别设备的控制中心，利用各种接口和线路连接整个搬运车标识识别设备的各个部分，通过运行或执行存储在存储器1302内的软件程序和/或模块，以及调用存储在存储器1302内的数据，执行搬运车标识识别设备的各种功能和处理数据，从而对搬运车标识识别设备进行整体监控。可选的，处理器1301可包括一个或多个处理核心；优选的，处理器1301可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1301中。

存储器1302可用于存储软件程序以及模块，处理器1301通过运行存储在存储器1302的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器1302可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据搬运车标识识别设备的使用所创建的数据等。此外，存储器1302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器1302还可以包括存储器控制器，以提供处理器1301对存储器1302的访问。

搬运车标识识别设备还包括给各个部件供电的电源1303，优选的，电源1303可以通过电源管理系统与处理器1301逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1303还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该搬运车标识识别设备还可包括输入单元1304，该输入单元1304可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出，搬运车标识识别设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，搬运车标识识别设备中的处理器1301会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器1302中，并由处理器1301来运行存储在存储器1302中的应用程序，从而实现各种功能，如下：

获取待检测的目标图像；

提取目标图像中特征点对应目标区域，对目标区域进行编码处理，得到色块编码信息和/或字符编码信息；

根据色块编码信息和字符编码信息中的至少一种，得到目标图像中的标准搬运车标识信息。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种搬运车标识识别方法中的步骤。例如，该指令可以执行如下步骤：

获取待检测的目标图像；

提取目标图像中特征点对应目标区域，对目标区域进行编码处理，得到色块编码信息和/或字符编码信息；

根据色块编码信息和字符编码信息中的至少一种，得到目标图像中的标准搬运车标识信息。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种搬运车标识识别方法中的步骤，因此，可以实现本发明实施例所提供的任一种搬运车标识识别方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本发明实施例所提供的一种搬运车标识识别方法、装置、设备和存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。