车牌识别方法、装置、电子设备和存储介质

技术领域

本公开涉及AI(Artificial Intelligence，人工智能)领域，具体涉及深度学习、计算机视觉、智能交通等领域，尤其涉及车牌识别方法、装置、电子设备和存储介质。

背景技术

在路内停车和智能交通等领域，需要准确识别车辆的车牌号码。然而受限于拍摄环境，采集的车牌图像的质量可能参差不齐，当车牌图像的质量不佳的情况下，可能导致无法准确识别车牌号码，严重情况下可能无法识别车牌号码。例如，在环境光照不足(比如夜晚)时，灯光照射到车辆车牌上会有较强的反射光，而车辆所处的背景环境亮度较低，当图像采集设备采集车牌图像时，车牌图像中较易出现过曝区域，导致车牌号码无法被识别。

发明内容

本公开提供了一种用于车牌识别方法、装置、电子设备和存储介质。

根据本公开的一方面，提供了一种车牌识别方法，包括：

采集目标车辆的第一车牌图像；

将所述第一车牌图像输入车牌识别模型进行车牌识别，以得到所述第一车牌图像中多个字符位置对应的标签；

在所述多个字符位置对应的标签中存在过曝标签的情况下，根据所述第一车牌图像中所述过曝标签对应目标字符位置的亮度，采集所述目标车辆的第二车牌图像；

将所述第二车牌图像输入所述车牌识别模型进行车牌识别；

根据所述第一车牌图像的所述多个字符位置对应的标签中的字符标签和所述第二车牌图像中所述目标字符位置的字符标签，确定所述目标车辆车牌。

根据本公开的另一方面，提供了一种车牌识别装置，包括：

第一采集模块，用于采集目标车辆的第一车牌图像；

第一识别模块，用于将所述第一车牌图像输入车牌识别模型进行车牌识别，以得到所述第一车牌图像中多个字符位置对应的标签；

第二采集模块，用于在所述多个字符位置对应的标签中存在过曝标签的情况下，根据所述第一车牌图像中所述过曝标签对应目标字符位置的亮度，采集所述目标车辆的第二车牌图像；

第二识别模块，用于将所述第二车牌图像输入所述车牌识别模型进行车牌识别；

确定模块，用于根据所述第一车牌图像的所述多个字符位置对应的标签中的字符标签和所述第二车牌图像中所述目标字符位置的字符标签，确定所述目标车辆车牌。

根据本公开的又一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开上述一方面提出的车牌识别方法。

根据本公开的再一方面，提供了一种计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开上述一方面提出的车牌识别方法。

根据本公开的还一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开上述一方面提出的车牌识别方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开实施例一所提供的车牌识别方法的流程示意图；

图2为本公开实施例二所提供的车牌识别方法的流程示意图；

图3为本公开实施例三所提供的车牌识别方法的流程示意图；

图4为本公开实施例四所提供的车牌识别方法的流程示意图；

图5为本公开实施例五所提供的车牌识别方法的流程示意图；

图6为本公开实施例中车牌识别模型的结构示意图；

图7为本公开实施例六所提供的车牌识别装置的结构示意图；

图8示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

目前，可以对车牌图像进行过曝区域检测，将过曝区域与清晰区域的参数进行对比，根据对比结果来调整过曝区域，以获取清晰图像，从而可对清晰图像进行识别，以确定车牌号码。

然而过曝区域是在图像采集设备采集图像时出现的，后续图像处理手段无法保证处理后的过曝区域对应字符的准确性。

因此针对上述存在的问题，本公开提出一种车牌识别方法、装置、电子设备和存储介质。

下面参考附图描述本公开实施例的车牌识别方法、装置、电子设备和存储介质。

图1为本公开实施例一所提供的车牌识别方法的流程示意图。

本公开实施例以该车牌识别方法被配置于车牌识别装置中来举例说明，该车牌识别装置可以应用于任一电子设备中，以使该电子设备可以执行车牌识别功能。

其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端等，移动终端例如可以为手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。

如图1所示，该车牌识别方法可以包括以下步骤：

步骤101，采集目标车辆的第一车牌图像。

在本公开实施例中，目标车辆可以为需要进行车牌识别的任一车辆。

在本公开实施例中，第一车牌图像可以为包括目标车辆车牌的图像。

在本公开实施例中，可以通过图像采集设备，对目标车辆的车牌进行图像采集，以得到第一车牌图像。

作为一种示例，以该车牌识别方法应用于停车系统进行示例性说明，目标车辆可以为驶入或驶出停车场的车辆，可以通过停车场的停车系统中的图像采集设备，对目标车辆的车牌进行图像采集，以得到第一车牌图像。

步骤102，将第一车牌图像输入车牌识别模型进行车牌识别，以得到第一车牌图像中多个字符位置对应的标签。

在本公开实施例中，车牌识别模型为经过训练的模型，经过训练后的车牌识别模型已学习到图像与标签之间的对应关系。其中，标签可以包括字符标签和/或过曝标签，字符标签用于指示图像中对应字符位置处的字符，即字符标签表征对应字符位置处未发生过曝，能够识别对应字符位置处的字符，而过曝标签用于指示图像中对应字符位置处发生过曝，无法识别对应字符位置处的字符，即过曝标签用于指示对应字符位置处存在过曝字符。

例如，在图像中未存在过曝区域的情况下，车牌识别模型输出的标签可以均为字符标签，而在图像中存在过曝区域的情况下，车牌识别模型输出的标签可以包括过曝标签。

在本公开实施例中，可以利用车牌识别模型对第一车牌图像进行车牌识别，以得到第一车牌图像中多个字符位置对应的标签。可以理解的是，在多个字符位置对应的标签均为字符标签的情况下，可以直接根据各字符位置对应字符标签，确定目标车辆的车牌，而在第一车牌图像中多个字符位置对应的标签中存在过曝标签的情况下，由于无法识别过曝标签对应目标字符位置处的字符，将无法确定目标车辆的车牌。因此，在本公开实施例中，为了准确识别目标车辆的车牌，在多个字符位置对应的标签中存在过曝标签的情况下，可以执行步骤103。

步骤103，在多个字符位置对应的标签中存在过曝标签的情况下，根据第一车牌图像中过曝标签对应目标字符位置的亮度，采集目标车辆的第二车牌图像。

在本公开实施例中，目标字符位置可以为过曝字符所在的位置。

在本公开实施例中，为了准确识别目标车辆的车牌，可以继续对目标车辆的车牌进行图像采集，以继续识别图像中各字符位置的标签。即本公开中，在第一车牌图像中多个字符位置对应的标签中存在过曝标签的情况下，可以根据第一车牌图像中过曝标签对应目标字符位置的亮度，采集目标车辆的第二车牌图像。

步骤104，将第二车牌图像输入车牌识别模型进行车牌识别。

在本公开实施例中，可以采用车牌识别模型对第二车牌图像进行车牌识别，以得到多个字符位置对应的标签。

步骤105，根据第一车牌图像的多个字符位置对应的标签中的字符标签和第二车牌图像中目标字符位置的字符标签，确定目标车辆车牌。

在本公开实施例中，可以根据第一车牌图像的多个字符位置对应的标签中的字符标签，以及第二车牌图像中目标字符位置的字符标签，确定目标车辆车牌。

举例而言，假设目标车辆车牌为“闵HJYK5X”，假设第一车牌图像中第一个字符位置至第五个字符位置对应的标签均为字符标签，过曝标签对应的目标字符位置为第六个字符位置和第七个字符位置，而第二车牌图像中第一个字符位置和第二个字符位置对应的标签为过曝标签，第三个字符位置至第七个字符位置对应的标签均为字符标签，则可以根据第一车牌图像中第一个字符位置至第五个字符位置的字符标签(分别为闵HJYK)，以及第二车牌图像中目标字符位置(即第六个字符位置和第七个字符位置)的字符标签(分别为5X)，确定目标车辆车牌。

本公开实施例的车牌识别方法，通过采用车牌识别模型对目标车辆的第一车牌图像进行车牌识别，以得到第一车牌图像中多个字符位置对应的标签，并在多个字符位置对应的标签中存在过曝标签的情况下，根据第一车牌图像中过曝标签对应目标字符位置的亮度，采集目标车辆的第二车牌图像；之后，可利用车牌识别模型对第二车牌图像进行车牌识别，以根据第一车牌图像的多个字符位置对应的标签中的字符标签和第二车牌图像中目标字符位置的字符标签，确定目标车辆车牌。由此，在车牌图像中存在过曝区域或过曝字符的情况下，通过根据过曝区域或过曝字符所在位置的亮度，再次采集车牌图像，并结合多帧车牌图像的识别结果，来确定车牌号码，可以提升确定结果的准确性和可靠性。

为了清楚说明本公开上述实施例中是如何根据目标字符位置的亮度，采集目标车辆的第二车牌图像的，本公开还提出一种车牌识别方法。

图2为本公开实施例二所提供的车牌识别方法的流程示意图。

如图2所示，该车牌识别方法可以包括以下步骤：

步骤201，采集目标车辆的第一车牌图像。

步骤202，将第一车牌图像输入车牌识别模型进行车牌识别，以得到第一车牌图像中多个字符位置对应的标签。

步骤201至202的执行过程可以参见上述实施例的执行过程，在此不做赘述。

步骤203，在多个字符位置对应的标签中存在过曝标签的情况下，确定第一车牌图像中过曝标签对应目标字符位置的亮度。

在本公开实施例中，在多个字符位置对应的标签中存在过曝标签的情况下，可以确定第一车牌图像中过曝标签对应目标字符位置的亮度。

作为一种示例，可以确定目标字符位置在第一车牌图像中的目标像素点，将目标像素点的亮度，作为目标字符位置的亮度。

作为另一种示例，可以根据过曝标签对应的目标字符位置，在第一车牌图像中确定过曝区域，比如目标字符位置可以为过曝区域的中心位置点，从而可以将过曝区域中各像素点的亮度均值，作为目标字符位置的亮度。

步骤204，根据亮度，确定目标曝光参数。

在本公开实施例中，可以根据目标字符位置的亮度，确定采集第二车牌图像时所采用的目标曝光参数。

作为一种可能的实现方式，可以预先设置不同亮度与曝光参数调整量之间的对应关系，从而本公开中，在确定目标字符位置的亮度后，可以根据该亮度查询上述对应关系，以确定与该亮度对应的曝光参数调整量，从而可以根据该亮度对应的曝光参数调整量，对第一车牌图像所采用的曝光参数进行调整，得到采集第二车牌图像时采用的目标曝光参数。

例如，可以将第一车牌图像所采用的曝光参数与上述亮度对应的曝光参数调整量进行相加，将和值作为目标曝光参数。或者，也可以将第一车牌图像所采用的曝光参数减去上述亮度对应的曝光参数调整量，将差值作为目标曝光参数。

作为另一种可能的实现方式，还可以直接预设不同亮度与曝光参数之间的对应关系，从而本公开中，在确定目标字符位置的亮度后，可以根据该亮度查询上述对应关系，以确定与该亮度对应的目标曝光参数。

由此，根据查表方式，确定目标曝光参数，易于实现且操作简单，并且，还可以提升处理效率。

作为又一种可能的实现方式，在目标字符位置为多个的情况下，如果多个目标字符位置离散排布，则可以分别确定每个目标字符位置的亮度，根据每个目标字符位置的亮度，分别确定对应的目标曝光参数，从而可以根据每个目标字符位置对应的目标曝光参数，分别采集第二车牌图像。例如目标字符位置的个数为N个，则通过上述方式可以得到N个目标曝光参数，从而可以根据N个目标曝光参数，采集N帧第二车牌图像。

也就是说，本公开中，考虑到曝光区域可能为多个，可以针对多个曝光区域，分别确定各曝光区域对应的目标曝光参数，以根据多个目标曝光参数分别采集图像，根据采集的各图像进行车牌识别，即由于不同曝光参数下，图像中清晰成像的区域可能不同，可以根据各图像的识别结果，来确定目标车辆车牌，以提升车牌识别的有效性和准确性。

作为再一种可能的实现方式，在目标字符位置为多个的情况下，如果多个目标字符位置连续排布，则可以分别确定每个字符位置的亮度，根据多个目标字符位置的亮度的均值，确定对应的目标曝光参数。

由此，可以实现根据多种方式，确定采集第二车牌图像时所采用的目标曝光参数，可以提升该方法的灵活性和适用性。

步骤205，根据目标曝光参数，采集目标车辆的第二车牌图像。

在本公开实施例中，在确定目标曝光参数后，可以控制图像采集设备根据该目标曝光参数，对目标车辆的车牌进行图像采集，以得到第二车牌图像。

步骤206，将第二车牌图像输入车牌识别模型进行车牌识别。

步骤207，根据第一车牌图像的多个字符位置对应的标签中的字符标签和第二车牌图像中目标字符位置的字符标签，确定目标车辆车牌。

步骤206至207的执行过程可以参见上述实施例的执行过程，在此不做。

可以理解的是，本公开的优化目标是图像中的车牌字符能够被准确识别，因此本公开中，可以通过调整曝光参数，根据调整后的曝光参数，控制图像采集设备再次采集车牌图像，直到过曝字符在车牌图像中能够被准确识别。

本公开实施例的车牌识别方法，通过确定第一车牌图像中过曝标签对应目标字符位置的亮度；根据亮度，确定目标曝光参数；根据目标曝光参数，采集目标车辆的第二车牌图像。由此，在车牌图像中存在过曝区域时，通过调整曝光参数，根据调整后的曝光参数再次采集车牌图像，结合多帧车牌图像的识别结果，来确定车牌号码，可以提升确定结果的准确性和可靠性。

为了清楚说明本公开上述任一实施例是如何确定目标车辆车牌的，本公开还提供一种车牌识别方法。

图3为本公开实施例三所提供的车牌识别方法的流程示意图。

如图3所示，该车牌识别方法可以包括以下步骤：

步骤301，采集目标车辆的第一车牌图像。

步骤302，将第一车牌图像输入车牌识别模型进行车牌识别，以得到第一车牌图像中多个字符位置对应的标签。

步骤303，在多个字符位置对应的标签中存在过曝标签的情况下，根据第一车牌图像中过曝标签对应目标字符位置的亮度，采集目标车辆的第二车牌图像。

步骤304，将第二车牌图像输入车牌识别模型进行车牌识别。

步骤301至304的执行过程可以参见上述任一实施例的执行过程，在此不做赘述。

步骤305，根据第一车牌图像中各字符标签对应的字符位置，以及根据第二车牌图像中各字符标签对应的目标字符位置，对第一车牌图像中的各字符标签和第二车牌图像中的各字符标签进行排序。

可以理解的是，目标字符位置为第一车牌图像中过曝字符的位置，在重新对目标车辆的车牌进行图像采集，得到第二车牌图像后，车牌识别模型可识别得到目标字符位置所对应的字符标签，由此，所有的字符位置均已识别得到对应的字符标签，可以对各字符标签进行排序，以根据排序结果，确定目标车辆车牌。

即本公开实施例中，可以根据第一车牌图像中各字符标签对应的字符位置，以及根据第二车牌图像中各字符标签对应的目标字符位置，对第一车牌图像中的各字符标签和第二车牌图像中的各字符标签进行排序。

步骤306，根据排序后的各字符标签，确定目标车辆车牌中的各字符及其顺序。

在本公开实施例中，可以根据排序后的各字符标签，确定目标车辆车牌中的各字符及其顺序。

举例而言，假设目标车辆车牌为“闵HJYK5X”，假设第一车牌图像中第一个字符位置至第五个字符位置对应的标签均为字符标签，过曝标签对应的目标字符位置为第六个字符位置和第七个字符位置，而第二车牌图像中第一个字符位置和第二个字符位置对应的标签为过曝标签，第三个字符位置至第七个字符位置对应的标签均为字符标签，则可以根据第一车牌图像中第一个字符位置至第五个字符位置的字符标签(闵HJYK)分别对应的字符位置，以及第二车牌图像中目标字符位置(即第六个字符位置和第七个字符位置)的字符标签(5X)分别对应的字符位置，对各字符标签进行排序，得到按序排列的各字符为：闵HJYK5X。

本公开实施例的车牌识别方法，通过根据第一车牌图像中各字符标签对应的字符位置，以及根据第二车牌图像中各字符标签对应的目标字符位置，对第一车牌图像中的各字符标签和第二车牌图像中的各字符标签进行排序；根据排序后的各字符标签，确定目标车辆车牌中的各字符及其顺序。由此，根据各字符标签对应的字符位置，对各字符标签进行排序，根据排序结果，确定车牌号码，可以提升确定结果的准确性。

在本公开实施例的一种可能的实现方式中，在利用训练后的车牌识别模型对第一车牌图像进行识别之前，需要对车牌识别模型进行训练。下面结合实施例四，对上述车牌识别模型的训练过程进行详细说明。

图4为本公开实施例四所提供的车牌识别方法的流程示意图。

如图4所示，该车牌识别方法可以包括以下步骤：

步骤401，获取多个样本车牌图像；其中，各样本车牌图像标注有字符标签和/或过曝标签。

在本公开实施例中，样本车牌图像可以为在线采集的，比如可以通过网络爬虫技术，在线采集包含车辆车牌的图像，作为样本车牌图像，或者，样本车牌图像也可以为线下采集的包含车辆车牌的图像，或者，样本车牌图像也可以为人工合成的图像，等等，本公开实施例对此并不做限制。

在本公开实施例中，每个样本车牌图像中可以标注有标签，其中，标签可以包括字符标签和/或过曝标签。

需要说明的是，为了提升模型的训练效果，标签可以通过人工标注，或者，为了降低人工成本，提升模型的训练效率，标签也可以自动标注，比如可以通过标注模型，对样本车牌图像进行自动标注，本公开对此并不做限制。进一步地，在对样本车牌图像进行自动标注后，还可以通过人工审核的方式，对样本车牌图像中标注的标签进行审核，以提升样本标注结果的准确性，从而提升模型的训练效果。

步骤402，采用多个样本车牌图像对车牌识别模型进行训练。

在本公开实施例中，可以采用各样本车牌图像对车牌识别模型进行训练，即可以获取车牌识别模型输出的标签，将输出的标签与样本车牌图像中标注的标签进行比对，确定两者之间的差异，根据上述差异对车牌识别模型进行训练，以使差异最小化。

需要说明的是，本公开仅以步骤401至402在步骤403之前执行进行示例，但本公开并不限于此，实际应用时，步骤401至402仅需在步骤404之前执行即可，例如，步骤401至402还可以在步骤403之后执行，或者，步骤401至402还可以与步骤403并列执行，或者，步骤401可以在步骤403之前执行，而步骤402可以在步骤403之后执行，或者，步骤401可以与步骤403并列执行，步骤402可以在步骤403之后执行，等等，本公开对此并不做限制。

步骤403，采集目标车辆的第一车牌图像。

步骤404，将第一车牌图像输入车牌识别模型进行车牌识别，以得到第一车牌图像中多个字符位置对应的标签。

步骤405，在多个字符位置对应的标签中存在过曝标签的情况下，根据第一车牌图像中过曝标签对应目标字符位置的亮度，采集目标车辆的第二车牌图像。

步骤406，将第二车牌图像输入车牌识别模型进行车牌识别。

在本公开实施例的一种可能的实现方式中，车牌识别模型的输入尺寸可以具有设定要求，为了便于模型识别，样本车牌图像需符合设定的图像尺寸，可以根据设定图像尺寸的样本车牌图像对车牌识别模型进行训练。

相应的，在将第一车牌图像和第二车牌图像输入到车牌识别模型进行车牌识别之前，可以根据设定图像尺寸，对第一车牌图像和第二车牌图像进行图像缩放处理。

步骤407，根据第一车牌图像的多个字符位置对应的标签中的字符标签和第二车牌图像中目标字符位置的字符标签，确定目标车辆车牌。

步骤403至407的执行过程可以参见上述任一实施例的执行过程，在此不做赘述。

作为一种示例，如图5所示，可以使用深度学习算法识别车牌图像，得到各字符位置对应的标签(包括字符标签和/或过曝标签)和置信度，记录置信度大于设定阈值a的非过曝的字符标签及对应的字符位置，并提取过曝标签对应的字符位置，即提取过曝字符的目标字符位置，之后，可以结合车牌类型的国标尺寸，确定过曝字符在车牌图像中所处的区域，即过曝区域，将过曝区域中各像素点的亮度均值反馈至图像采集设备，以控制图像采集设备根据亮度均值，重新对车牌进行图像采集，直到车牌中的所有字符被完整记录。

其中，深度学习算法采用的车牌识别模型可以为一个多标签分类器，包含日常车牌中的各字符对应的字符标签及过曝标签(比如可以包括过曝、34个省市直辖市的简称、10个数字、26个字母、挂、军、警、使等85个标签)。该分类器的输入可以为车牌图片，输出可以为每个字符所属的标签，以及相应的置信度。

深度学习算法采用的车牌识别模型的输出可以为8个字符，涵盖了国标车牌的最大字符数，并且也可以支持小于8个字符的输出(比如对于小轿车，可以支持7个字符的输出)，本公开对此并不做限制。输出字符的顺序与实际车牌顺序一一对应，可以根据字符的顺序定位到车牌图像的区域。

如果存在多个过曝字符，且多个过曝字符相邻，则可以根据各过曝标签对应的过曝区域内所含各像素点的亮度均值，确定对应过曝区域的亮度，将各过曝区域的亮度均值，反馈至图像采集设备，以控制图像采集设备根据亮度均值，重新采集一帧车牌图像，以根据重新采集的车牌图像进行车牌识别。

如果存在多个过曝字符，且多个过曝字符离散排布，则可以根据各过曝标签对应的过曝区域内所含各像素点的亮度均值，确定对应过曝区域的亮度，将各过曝区域的亮度，均反馈至图像采集设备，以控制图像采集设备根据各亮度，重新采集多帧车牌图像，以根据重新采集的车牌图像进行车牌识别。

即本公开中，可以控制图像采集设备循环曝光，并根据曝光后采集的图像进行车牌识别，当全部车牌字符都被识别时，结束循环过程。由此，通过结合各车牌图像的识别结果，可以实现完整识别车牌号码，当该方法应用于路内停车系统时，可以降低人工审核成本，提高停车系统的智能化，为停车业务提供便利。

作为一种示例，车牌识别模型的结构可以如图6所示，车牌图像可以输入到车牌识别模型中，该车牌识别模型包含8个softmax结构，每个softmax结构输出一个字符的标签。其中，图6仅以车牌识别模型的输出为8个字符进行示例，对于小轿车等7个字符的车牌，车牌识别模型输出的最后一个字符位置的标签可以为空白标签。

本公开实施例的车牌识别方法，通过对车牌识别模型进行训练，以采用训练后的车牌识别模型对车牌图像进行车牌识别，可以提升车牌识别结果的准确性。

与上述图1至图5实施例提供的车牌识别方法相对应，本公开还提供一种车牌识别装置，由于本公开实施例提供的车牌识别装置与上述图1至图5实施例提供的车牌识别方法相对应，因此在车牌识别方法的实施方式也适用于本公开实施例提供的车牌识别装置，在本公开实施例中不再详细描述。

图7为本公开实施例六所提供的车牌识别装置的结构示意图。

如图7所示，该车牌识别装置700可以包括：第一采集模块701、第一识别模块702、第二采集模块703、第二识别模块704以及确定模块705。

其中，第一采集模块701，用于采集目标车辆的第一车牌图像。

第一识别模块702，用于将第一车牌图像输入车牌识别模型进行车牌识别，以得到第一车牌图像中多个字符位置对应的标签。

第二采集模块703，用于在多个字符位置对应的标签中存在过曝标签的情况下，根据第一车牌图像中过曝标签对应目标字符位置的亮度，采集目标车辆的第二车牌图像。

第二识别模块704，用于将第二车牌图像输入车牌识别模型进行车牌识别。

确定模块705，用于根据第一车牌图像的多个字符位置对应的标签中的字符标签和第二车牌图像中目标字符位置的字符标签，确定目标车辆车牌。

在本公开实施例的一种可能的实现方式中，第二采集模块703，可以包括：

第一确定单元，用于确定第一车牌图像中过曝标签对应目标字符位置的亮度。

第二确定单元，用于根据亮度，确定目标曝光参数。

采集单元，用于根据目标曝光参数，采集目标车辆的第二车牌图像。

在本公开实施例的一种可能的实现方式中，第二确定单元，具体用于：根据亮度对应的曝光参数调整量，对第一车牌图像所采用的曝光参数进行调整，以得到目标曝光参数；或者，根据亮度，查询亮度与曝光参数之间的对应关系，以得到亮度对应的目标曝光参数。

在本公开实施例的一种可能的实现方式中，第二确定单元，具体用于：在目标字符位置为多个，且多个目标字符位置连续排布的情况下，根据多个目标字符位置的亮度的均值，确定对应的目标曝光参数。

在本公开实施例的一种可能的实现方式中，第二确定单元，具体用于：在目标字符位置为多个，且多个目标字符位置离散排布的情况下，对每个目标字符位置的亮度，分别确定对应的目标曝光参数，以根据每个目标曝光参数分别采集第二车牌图像。

在本公开实施例的一种可能的实现方式中，该车牌识别装置700还可以包括：

获取模块，用于获取多个样本车牌图像；其中，各样本车牌图像标注有字符标签和/或过曝标签。

训练模块，用于采用多个样本车牌图像对车牌识别模型进行训练。

在本公开实施例的一种可能的实现方式中，样本车牌图像符合设定图像尺寸；该车牌识别装置700还可以包括：

处理模块，用于对待输入车牌识别模型的第一车牌图像和第二车牌图像，根据设定图像尺寸进行图像缩放处理。

在本公开实施例的一种可能的实现方式中，确定模块705，具体用于：根据第一车牌图像中各字符标签对应的字符位置，以及根据第二车牌图像中各字符标签对应的目标字符位置，对第一车牌图像中的各字符标签和第二车牌图像中的各字符标签进行排序；根据排序后的各字符标签，确定目标车辆车牌中的各字符及其顺序。

本公开实施例的车牌识别装置，通过采用车牌识别模型对目标车辆的第一车牌图像进行车牌识别，以得到第一车牌图像中多个字符位置对应的标签，并在多个字符位置对应的标签中存在过曝标签的情况下，根据第一车牌图像中过曝标签对应目标字符位置的亮度，采集目标车辆的第二车牌图像；之后，可利用车牌识别模型对第二车牌图像进行车牌识别，以根据第一车牌图像的多个字符位置对应的标签中的字符标签和第二车牌图像中目标字符位置的字符标签，确定目标车辆车牌。由此，在车牌图像中存在过曝区域或过曝字符的情况下，通过根据过曝区域或过曝字符所在位置的亮度，再次采集车牌图像，并结合多帧车牌图像的识别结果，来确定车牌号码，可以提升确定结果的准确性和可靠性。

为了实现上述实施例，本公开还提供一种电子设备，该电子设备可以包括至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开上述任一实施例提出的车牌识别方法。

为了实现上述实施例，本公开还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开上述任一实施例提出的车牌识别方法。

为了实现上述实施例，本公开还提供一种计算机程序产品，该计算机程序产品包括计算机程序，计算机程序在被处理器执行时实现本公开上述任一实施例提出的车牌识别方法。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。其中，电子设备可以包括上述实施例中的服务端、客户端。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)802中的计算机程序或者从存储单元807加载到RAM(Random AccessMemory，随机访问/存取存储器)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。I/O(Input/Output，输入/输出)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Artificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如上述车牌识别方法。例如，在一些实施例中，上述车牌识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的车牌识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述车牌识别方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit，专用集成电路)、ASSP(Application Specific StandardProduct，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode-Ray Tube，阴极射线管)或者LCD(Liquid Crystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(VirtualPrivate Server，虚拟专用服务器)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

根据本公开实施例的技术方案，通过采用车牌识别模型对目标车辆的第一车牌图像进行车牌识别，以得到第一车牌图像中多个字符位置对应的标签，并在多个字符位置对应的标签中存在过曝标签的情况下，根据第一车牌图像中过曝标签对应目标字符位置的亮度，采集目标车辆的第二车牌图像；之后，可利用车牌识别模型对第二车牌图像进行车牌识别，以根据第一车牌图像的多个字符位置对应的标签中的字符标签和第二车牌图像中目标字符位置的字符标签，确定目标车辆车牌。由此，在车牌图像中存在过曝区域或过曝字符的情况下，通过根据过曝区域或过曝字符所在位置的亮度，再次采集车牌图像，并结合多帧车牌图像的识别结果，来确定车牌号码，可以提升确定结果的准确性和可靠性。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。