一种车牌识别方法、系统及计算设备

技术领域

本发明涉及视觉识别技术领域，尤其涉及一种车牌识别方法、车牌识别系统及计算设备。

背景技术

车牌识别技术虽然在不断发展，但，现有技术中的车牌识别系统，主要用于识别车牌近似正面或者弯曲程度较小的车牌图像，然而在实际应用过程中，户外停车收费系统通常是在自然环境下拍摄车牌图片，采集的车牌图片存在大量的大角度偏转情况。在车牌图片存在大尺度偏转的情况下，采用目前的车牌识别系统的识别性能会明显下降，导致车牌识别精度非常低。

为此，需要提供一种车牌识别方法，以解决上述技术方案中存在的问题。

发明内容

为此，本发明提供了一种车牌识别方法、车牌识别系统及计算设备，以解决或至少缓解上面存在的问题。

根据本发明的第一个方面，提供了一种车牌识别方法，在计算设备中执行，包括步骤：获取原始车牌图像；根据原始车牌图像确定车牌轮廓位置，基于所述车牌轮廓位置从原始车牌图像中获取特征区域图像；对特征区域图像进行分割处理，生成分割图像，以区分车牌区域和背景区域；基于所述车牌区域确定车牌的四个角点；根据所述车牌的四个角点和所述特征区域图像的四个顶点，对所述特征区域图像中的车牌进行投影变换处理，以生成矫正后的车牌图像；以及基于所述矫正后的车牌图像获取车牌字符。

可选地，在根据本发明的车牌识别方法中，生成分割图像之后，还包括步骤：对所述分割图像进行二值化，生成二值图像；对二值图像进行膨胀处理，生成膨胀图像。

可选地，在根据本发明的车牌识别方法中，确定车牌的四个角点的步骤包括：从所述膨胀图像中获取一个或多个连通域，并选取面积最大的连通域；基于面积最大的连通域提取车牌轮廓线，根据所提取的车牌轮廓线确定车牌的四个角点。

可选地，在根据本发明的车牌识别方法中，在从膨胀图像中获取一个或多个连通域之前，包括步骤：对所述膨胀图像进行滤波处理。

可选地，在根据本发明的车牌识别方法中，所述车牌轮廓线包括上边缘线、右边缘线、下边缘线以及左边缘线；对二值图像进行滤波处理的步骤包括：基于第一滤波算法对所述膨胀图像进行滤波处理，以提取上边缘线；基于第二滤波算法对所述膨胀图像进行滤波处理，以提取右边缘线；基于第三滤波算法对所述膨胀图像进行滤波处理，以提取下边缘线；基于第四滤波算法对所述膨胀图像进行滤波处理，以提取左边缘线。

可选地，在根据本发明的车牌识别方法中，根据原始车牌图像确定车牌轮廓位置包括：基于检测模型检测所述原始车牌图像中的车牌轮廓，并判断所述车牌轮廓与原始车牌图像的高度比值是否超过高度阈值、车牌轮廓与原始车牌图像的宽度比值是否超过宽度阈值；如果所述高度比值超过高度阈值，并且宽度比值超过宽度阈值，则根据所述车牌轮廓位置获取特征区域图像。

可选地，在根据本发明的车牌识别方法中，对特征区域图像进行分割处理包括：基于分割模型对特征区域图像进行分割处理。

可选地，在根据本发明的车牌识别方法中，基于矫正后的车牌图像获取车牌字符的步骤包括：基于识别模型处理所述矫正后的车牌图像，并对处理结果进行解码，以获取车牌字符。

可选地，在根据本发明的车牌识别方法中，所述识别模型包括：依次相连的特征提取层、ASPP层和Bi-lstm结构。

根据本发明的第一个方面，提供了一种车牌识别系统，包括：获取模块，适于获取原始车牌图像；检测模块，适于根据原始车牌图像确定车牌轮廓位置，基于所述车牌轮廓位置从原始车牌图像中获取特征区域图像；矫正模块，适于对特征区域图像进行分割处理，生成分割图像，以区分车牌区域和背景区域，基于所述车牌区域确定车牌的四个角点，以及根据所述车牌的四个角点和所述特征区域图像的四个顶点，对所述特征区域图像中的车牌进行投影变换处理，以生成矫正后的车牌图像；以及识别模块，适于基于所述矫正后的车牌图像获取车牌字符。

根据本发明的一个方面，提供一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行如上所述的车牌识别方法。

根据本发明的一个方面，提供一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如上所述的车牌识别方法。

根据本发明的技术方案，提供了一种车牌识别方法及系统，基于矫正模块对车牌图像进行分割处理以及投影变换处理，这样，能够解决在大尺度偏转情况下采集的车牌图像存在的透视较大问题，从而有利于提高大尺度偏转情况下的车牌识别精度，使得本发明的车牌识别系统能够适用于多种应用场景，使用范围更广泛。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例的计算设备100的示意图；

图2示出了根据本发明一个实施例的车牌识别方法200的流程图；

图3示出了根据本发明一个实施例的车牌识别系统300的示意图；

图4示出了根据本发明一个实施例中的原始车牌图像；

图5示出了根据本发明一个实施例中的特征区域图像；

图6示出了根据本发明一个实施例中的分割图像；

图7示出了根据本发明一个实施例中的二值图像；

图8示出了根据本发明一个实施例中的膨胀图像；

图9示出了根据本发明一个实施例中的车牌四个角点的示意图；以及

图10示出了根据本发明一个实施例中的矫正后的车牌图像。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

如前文所述，现有技术中的车牌识别方案，或多或少存在一定的缺陷，因此本发明提出了一种性能更优化的车牌识别方法。本发明中的车牌识别方法200适于在计算设备中执行。

图1示出了根据本发明一个实施例的计算设备100的示意图。

如图1所示，在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。

取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(UP)、微控制器(UC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。

取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。

计算设备100还包括储存设备132，储存设备132包括可移除储存器136和不可移除储存器138。

计算设备100还可以包括储存接口总线134。储存接口总线134实现了从储存设备132(例如，可移除储存器136和不可移除储存器138)经由总线/接口控制器130到基本配置102的通信。操作系统120、应用122以及数据124的至少一部分可以存储在可移除储存器136和/或不可移除储存器138上，并且在计算设备100上电或者要执行应用122时，经由储存接口总线134而加载到系统存储器106中，并由一个或者多个处理器104来执行。

计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以是这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中以编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。

计算设备100可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。当然，计算设备100也可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、数码照相机、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。甚至可以被实现为服务器，如文件服务器、数据库服务器、应用程序服务器和WEB服务器等。本发明的实施例对此均不做限制。

在根据本发明的实施例中，计算设备100被配置为执行根据本发明的车牌识别方法200。其中，计算设备100的应用122中包含执行根据本发明的车牌识别200的多条程序指令。

在一个实施例中，计算设备100的应用122中包括车牌识别系统300，车牌识别系统300中包括用于执行根据本发明的车牌识别方法200的多条程序指令，以便计算设备100执行根据本发明的车牌识别方法200。

图2示出了根据本发明一个实施例的车牌识别方法200的流程图。方法200适于在计算设备(例如前述计算设备100)中执行，具体可以在计算设备100中的车牌识别系统300中执行。

如图2所示，方法200始于步骤S210。在步骤S210中，获取原始车牌图像。这里，参见图4示出的原始车牌图像，原始车牌图像即是基于摄像装置采集车牌图像后并未经过处理的原始图像。

随后，在步骤S220中，根据原始车牌图像确定车牌轮廓位置，基于所确定的车牌轮廓位置从原始车牌图像中获取特征区域图像。这里，参见图5示出的特征区域图像，特征区域图像是根据车牌轮廓位置从原始车牌图像中截取的、包括完整的车牌区域和相应的少部分背景区域的、能够反映车牌特征的图像。这样，后续可以根据这里截取的车牌特征区域图像来进行分割处理和矫正处理，以便根据处理后的图像来识别车牌字符，从而能确定车牌号。

根据本发明的一个实施例，通过预先训练yolov5I模型，来作为本发明中检测车牌轮廓的检测模型。从而，步骤S220中可以利用预先训练的yolov5I检测模型来检测原始车牌图像中的车牌轮廓，当检测到原始车牌图像中存在多个车牌轮廓时，获取置信度最大的车牌轮廓确定为最终的车牌轮廓。在确定最终的车牌轮廓后，进一步判断该车牌轮廓的高度与原始车牌图像的高度的比值(高度比值)是否超过高度阈值、该车牌轮廓的宽度与原始车牌图像的宽度的比值(宽度比值)是否超过宽度阈值。如果确定高度比值超过高度阈值，并且宽度比值超过宽度阈值，则根据该车牌轮廓位置从原始车牌图像中截取包括完整车牌的特征区域图像。

需要说明的是，本发明所设置的高度阈值、宽度阈值是用于判断所检测的车牌是否为当前公路上的车牌，避免检测到对面公路上车牌。根据本发明的实施例，当确定车牌轮廓与原始车牌图像的高度比值超过高度阈值、并且车牌轮廓与原始车牌图像的宽度比值超过宽度阈值时，能够确定所检测的车牌(即检测到的车牌轮廓对应的车牌)是当前公路上的车辆上的车牌，从而根据车牌轮廓来获取特征区域图像，以便进一步处理图像。在一种实施方式中，高度阈值例如为0.04，宽度阈值例如为0.04。应当指出，本发明不限于这里提供的高度阈值、宽度阈值的具体数值，其可以由本领域技术人员根据实际的图像采集位置、道路和车辆的实际情况来自行设置。

根据本发明的实施例，在基于原始车牌图像检测车牌轮廓并获取特征区域图像后，基于特征区域图像对车牌进行矫正处理。对车牌的矫正处理主要包括对特征区域图像的分割处理以及分割处理后的投影变化处理，具体可以根据下述步骤S230～S250来实现。

其中，在步骤S230中，对特征区域图像进行分割处理，生成分割图像，参见图6示出的分割图像。这里，本发明中的分割处理分为两个类别，一类为背景区域，另一类为车牌区域。这样，通过分割处理可以将特征区域图像中的车牌区域与背景区域分割开来，以便根据分割处理后的图像来区分车牌区域和背景区域。

根据本发明的一个实施例，可以利用Unet分割模型来对特征区域图像进行分割处理。具体地，通过预先训练Unet分割模型，从而可以利用预先训练的Unet分割模型来对特征区域图像进行分割处理。

在一种实施方式中，Unet分割模型的损失函数为：

Loss＝mean(l

上式(1)中，Loss为所有类别的损失的平均值，l

l

α+β＝1 (5)

其中，上(2)中，l

上式(4)中，L(A,B)为Tversky Loss，其中A表示预测值，B表示真实值，|A-B|表示假阳性，|B-A|表示假阴性。应当指出，现有技术中对于分割问题一般都采用l

根据本发明的一个实施例，在对特征区域图像分割处理生成分割图像后，基于分割图像进行投影变化处理，以实现对特征区域图像中的车牌进行矫正。

具体地，首先对分割图像进行二值化，生成二值图像，如图7示出的二值图像。并且，为了防止图像上车牌的轮廓线与图像的边缘重合，本发明还对二值图像、二值化之前的特征区域图像的四周周缘向外扩充预定宽度，例如扩大10个像素的宽度，并在扩充区域填充黑色。应当指出，本发明不限于对图像的四周向外扩充的具体宽度数值。需要说明的是，通过对图像的四周向外扩充预定宽度，能够避免图像上车牌的轮廓与图像的边缘重合的现象，以便后续对车牌轮廓线的提取。

进而，对二值图像进行膨胀处理。这里，对二值图像进行膨胀处理后得到如图8所示的膨胀图像。通过对二值图像进行膨胀处理，以保证膨胀后的图像中的车牌区域能够包围车牌轮廓线。

随后，在步骤S240中，基于分割图像中的车牌区域确定车牌的四个角点。

具体地，通过从膨胀处理后的二值图像(即膨胀图像)中获取一个或多个连通域，并从获取到的所有连通域中选取面积最大的连通域。随后，基于面积最大的连通域提取车牌轮廓线，根据所提取的车牌轮廓线来确定车牌的四个角点，也即是确定图像上的车牌四个角点的坐标。这里，图9示出了车牌四个角点的示意图。

这里，需要说明的是，本发明的车牌识别方案是针对大尺度偏转情况下的车牌识别，针对车牌图像在大尺度偏转情况下透视较大的问题，本发明通过确定车牌的四个角点，以便对特征区域图像中的车牌进行矫正处理。

根据本发明的一个实施例，在从膨胀图像中获取一个或多个连通域之前，首先对膨胀图像进行滤波处理，根据滤波处理后的膨胀图像来获取连通域，并基于面积最大的连通域提取车牌轮廓线。应当指出，车牌轮廓线包括上边缘线、右边缘线、下边缘线以及左边缘线。

根据本发明的一个实施例，在基于膨胀图像提取车牌轮廓线时，是分别提取上边缘线、右边缘线、下边缘线、左边缘线。针对每条边缘线的提取，分别使用一种相应的滤波算法来对膨胀图像进行滤波处理，且滤波处理后的膨胀图像上只会出现与滤波算法相对应的一条边缘线，进而通过寻找连通域来提取相应的一条边缘线。

具体而言，对于每一条边缘线的提取，首先分别基于与边缘线相对应的滤波算法对膨胀图像进行滤波处理，滤波处理后的图像上只会出现与滤波算法相对应的一条边缘线，通过从滤波处理后的膨胀图像中获取一个或多个连通域，并从获取到的所有连通域中选取面积最大的连通域，随后，基于面积最大的连通域可以提取出与滤波算法相对应的一条边缘线。在基于四种滤波算法提取到四条边缘线后，便能够根据四条边缘线拟合得到完整的车牌轮廓线，并根据车牌轮廓线提取车牌的四个角点，确定车牌四个角点的坐标。这样，有利于更精确地提取每一条边缘线，使得最终得到的车牌的四个角点更加准确。

也就是说，在对膨胀图像进行滤波处理时，基于与上边缘线相对应的第一滤波算法对膨胀图像进行滤波处理，以便基于滤波处理后的图像提取上边缘线。基于与右边缘线相对应的第二滤波算法对膨胀图像进行滤波处理，以便基于滤波处理后的图像提取右边缘线。基于与下边缘线相对应的第三滤波算法对膨胀图像进行滤波处理，以便基于滤波处理后的图像提取下边缘线。基于与左边缘线相对应的第四滤波算法对膨胀图像进行滤波处理，以便基于滤波处理后的图像提取左边缘线。

随后，在步骤S250中，根据车牌的四个角点和特征区域图像的四个顶点，对特征区域图像中的车牌进行投影变换处理，以生成矫正后的车牌图像。矫正后的车牌图像如图10所示。

应当指出，本发明考虑到如果仅根据车牌的四个角点来校正车牌图像，容易受到单个角点坐标误差影响，进而影响对车牌图像的矫正效果。基于此，根据本发明的一个实施例,在对特征区域图像中的车牌进行矫正时，还获取特征区域图像的四个顶点，车牌的四个角点分别对应特征区域图像的四个顶点。这样，根据车牌的四个角点与特征区域图像的四个顶点的对应关系，对特征区域图像中的车牌进行投影变换处理，能够得到精准矫正后的车牌图像(参见图10)，确保矫正后的车牌图像克服大尺寸偏转的影响，以便根据矫正后的车牌图像更精确地提取车牌字符。

最后，在步骤S260中，基于矫正后的车牌图像来获取多个车牌字符，以便根据获取到的每个车牌字符来确定车牌号信息。应当指出，在根据上述步骤对采集的车牌图像进行矫正处理(包括分割处理、投影变换处理)后，能够更精确地提取车牌字符，精准确定车牌信息。

根据本发明的一个实施例，通过预先训练AsspNet-Istm识别模型，以作为车牌识别模型。这样，步骤S260中可以利用预先训练的AsspNet-Istm识别模型来处理矫正后的车牌图像，并输出处理结果。具体地，通过将矫正后的车牌图像输入至AsspNet-Istm模型，AsspNet-Istm模型获取矫正后的车牌图像后，对矫正后的车牌图像进行处理，进而输出1x64的处理结果。随后，通过对处理结果进行解码可以得到车牌图像中的多个车牌字符。这里，在对处理结果进行解码时，如果出现空格字符，则删除空格字符。如果相邻字符相同，则只保留其中一个字符。

具体地，本发明中的AsspNet-Istm识别模型包括依次相连的特征提取层、ASPP层和Bi-lstm结构。其中，特征提取层可以实现为Moilenetv2、Resnet34、VGG-16模型中的一种，这三个模型大小适中，能够在确保识别精度的前提下，保证车牌识别系统的识别速率。Bi-lstm结构包括多个Bi-lstm层，例如包括两个Bi-lstm层。通过将Bi-lstm层作为最后的输出层，最终得到AsspNet-lstm识别模型。该识别模型的损失函数为：

上式(6)中，S是训练集中的数据，L(S)表示最后的损失值，x为输入空间，z为目标空间，β

在基于上述AsspNet-Istm识别模型处理矫正后的车牌图像时，首先将矫正后的车牌图像输入至特征提取层进行处理，随后，特征提取层执行处理后的输出结果提供给ASPP层，经ASPP层进一步处理后的输出结果再提供给Bi-lstm结构，最后，经由Bi-lstm结构中的Bi-lstm层执行处理后输出最终的处理结果。

根据本发明的一个实施例，本发明通过迁移学习的方法来训练在方法200中用到的各种模型。

具体地，首先基于CCPD数据集训练yolov5模型，直至模型收敛。随后，采用迁移学习的方式训练CTSLD数据集，直至模型收敛。这样，能得到适于在本发明的方法200中应用的yolov5I检测模型。

随后，根据车牌轮廓坐标的标注数据，将CTSLD数据集中的所有数据截取车牌的特征区域图像。并将所有的特征区域图像标注出车牌的mask数据，然后再将该数据集划分为训练集和验证集，并基于该数据集训练Unet模型，直到模型收敛。这样，能得到适于在本发明的方法200中应用的Unet分割模型。

进而，通过上述训练后的Unet分割模型预测数据集中的所有数据并生成mask数据集。然后采用投影变换方法，根据新生成的mask图像与相应的特征区域图像生成矫正后的车牌图像。

最后，将CCPD数据集根据标注的车牌轮廓截取车牌的特征区域图像，然后将其划分为训练集和验证集，并用该数据集训练AsspNet-lstm模型，然后再使用迁移学习的方法训练矫正后的车牌图像，直到模型收敛。这样，能得到适于在本发明的方法200中应用的AsspNet-lstm模型。

图3示出了根据本发明一个实施例的车牌识别系统300的流程图。

如图3所示，车牌识别系统300包括依次耦接的获取模块310、检测模块320、矫正模块330以及识别模块340。

具体地，获取模块310适于获取原始车牌图像。检测模块320适于根据原始车牌图像确定车牌轮廓位置，基于车牌轮廓位置从原始车牌图像中获取特征区域图像。矫正模块330适于对特征区域图像进行分割处理，生成分割图像，以区分车牌区域和背景区域，并适于基于车牌区域确定车牌的四个角点，根据车牌的四个角点和特征区域图像的四个顶点，对特征区域图像中的车牌进行投影变换处理，以生成矫正后的车牌图像。识别模块340适于基于矫正后的车牌图像获取车牌字符。

应当指出，获取模块310具体用于执行方法200中的步骤S210，检测模块320具体用于执行方法200中的步骤S220，矫正模块330具体用于执行方法200中的步骤S230～S250，识别模块340具体用于执行方法200中的步骤S260。这里，对获取模块310、检测模块320、矫正模块330以及识别模块340的具体执行逻辑不再赘述，每个模块的执行逻辑具体可以参见前文方法200中对相应步骤的描述。

根据本发明的车牌识别方案，基于矫正模块对车牌图像进行分割处理以及投影变换处理，这样，能够解决在大尺度偏转情况下采集的车牌图像存在的透视较大问题，从而有利于提高大尺度偏转情况下的车牌识别精度，使得本发明的车牌识别系统能够适用于多种应用场景，使用范围更广泛。

A8、如A1-A5任一项所述的方法，其中，基于矫正后的车牌图像获取车牌字符的步骤包括：基于识别模型处理所述矫正后的车牌图像，并对处理结果进行解码，以获取车牌字符。

A9、如A8所述的方法，其中，所述识别模型包括：依次相连的特征提取层、ASPP层和Bi-lstm结构。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的多语言垃圾文本的识别方法。

以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。

在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

本说明书的描述中，除非另有明确的规定和限定，术语“连接”、“固定”等均应做广义理解。此外，术语“上”、“下”、“内”、“外”、“顶”、“底”等指示的方位或位置关系是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。