车牌检测方法、装置、计算机设备和存储介质

技术领域

本申请涉及图像处理技术领域，特别是涉及一种车牌检测方法、装置、计算机设备和存储介质。

背景技术

随着社会经济的飞速发展，汽车已经成为人们日常出行普遍使用的交通工具，随之而来的交通管理压力也日趋庞大。而车牌自动化识别技术对交通管理及交通智能化发展有着重要意义，车牌检测是车牌识别的基础，而车辆行驶的环境、光线、行驶状态等因素对车牌检测都有着较大影响。

传统技术中，车牌区域检测定位的方法主要有基于边缘检测的方法、基于彩色分割的方法、基于小波变换的方法、基于遗传算法的方法、基于数学形态学的车牌定位和基于灰度图像纹理特征分析的方法等。

但是，在不同的应用场景下，车辆行驶方向不一，经常会导致车牌在图像中呈现大角度倾斜的状态，对于车牌大角度倾斜的场景来说，车牌所占车身画面的比例比常规场景小得多，导致上述车牌检测算法的漏检率升高、准确性降低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高车牌检测准确度的车牌检测方法、装置、计算机设备和存储介质。

第一方面，本申请提供了一种车牌检测方法，该方法包括：

获取包括目标车辆的待测图像；

基于目标检测模型，对待测图像进行识别，得到目标车辆的目标三维包围盒和目标三维包围盒的可见性信息；其中，目标三维包围盒的可见性信息用于标记目标三维包围盒中目标车辆的车头或车尾所在的平面；

从待测图像中，提取目标三维包围盒的可见性信息对应的可见区域；

基于车牌检测模型，对可见区域进行检测，得到目标车辆的车牌位置信息。

在其中一个实施例中，目标三维包围盒标记于待测图像中，从待测图像中，提取目标三维包围盒的可见性信息对应的可见区域，包括：

将标记有目标三维包围盒的待测图像，与初始的待测图像进行比对，确定投影方向；

基于投影方向，对目标三维包围盒中目标三维包围盒的可见性信息所标记的平面进行投影，得到投影范围；

根据投影范围，从待测图像中提取可见区域。

在其中一个实施例中，基于车牌检测模型，对可见区域进行检测，得到目标车辆的车牌位置信息，包括：

基于目标标准模板，对可见区域进行透视变换；

基于车牌检测模型，对透视变换后的可见区域进行检测，得到目标车辆的车牌位置信息。

在其中一个实施例中，基于目标标准模板，对可见区域进行透视变换，包括：

根据目标三维包围盒的可见性信息所标记的平面，从车头标准模板和车尾标准模板中选择目标标准模板；

基于目标标准模板，对可见区域进行透视变换。

在其中一个实施例中，该车牌检测方法还包括：

获取样本数据；其中，样本数据包括包含样本车辆的样本图像、样本车辆的点云信息、样本车辆对应的样本三维包围盒，以及样本三维包围盒的可见性信息；

根据样本图像、样本车辆的点云信息、样本车辆对应的样本三维包围盒，以及样本三维包围盒的可见性信息，对初始模型进行训练，得到目标检测模型。

在其中一个实施例中，该车牌检测方法还包括：获取包含参考车牌的训练图像，以及训练图像中参考车牌的位置信息；

根据训练图像和训练图像中参考车牌的位置信息，对初始的车牌检测模型进行训练，得到车牌检测模型。

第二方面，本申请还提供了一种车牌识别装置，该装置包括：

获取模块，用于获取包括目标车辆的待测图像；

生成模块，用于基于目标检测模型，对待测图像进行识别，得到目标车辆的目标三维包围盒和目标三维包围盒的可见性信息；其中，目标三维包围盒的可见性信息用于标记目标三维包围盒中目标车辆的车头或车尾所在的平面；

提取模块，用于从待测图像中，提取目标三维包围盒的可见性信息对应的可见区域；

检测模块，用于基于车牌检测模型，对可见区域进行检测，得到目标车辆的车牌位置信息。

第三方面，本申请还提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

获取包括目标车辆的待测图像；

基于目标检测模型，对待测图像进行识别，得到目标车辆的目标三维包围盒和目标三维包围盒的可见性信息；其中，目标三维包围盒的可见性信息用于标记目标三维包围盒中目标车辆的车头或车尾所在的平面；

从待测图像中，提取目标三维包围盒的可见性信息对应的可见区域；

基于车牌检测模型，对可见区域进行检测，得到目标车辆的车牌位置信息。

第四方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取包括目标车辆的待测图像；

基于目标检测模型，对待测图像进行识别，得到目标车辆的目标三维包围盒和目标三维包围盒的可见性信息；其中，目标三维包围盒的可见性信息用于标记目标三维包围盒中目标车辆的车头或车尾所在的平面；

从待测图像中，提取目标三维包围盒的可见性信息对应的可见区域；

基于车牌检测模型，对可见区域进行检测，得到目标车辆的车牌位置信息。

第五方面，本申请还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取包括目标车辆的待测图像；

基于目标检测模型，对待测图像进行识别，得到目标车辆的目标三维包围盒和目标三维包围盒的可见性信息；其中，目标三维包围盒的可见性信息用于标记目标三维包围盒中目标车辆的车头或车尾所在的平面；

从待测图像中，提取目标三维包围盒的可见性信息对应的可见区域；

基于车牌检测模型，对可见区域进行检测，得到目标车辆的车牌位置信息。

上述车牌检测方法、装置、计算机设备和存储介质，利用目标检测模型，生成待测图像中目标车辆的目标三维包围盒，通过目标三维包围盒能够准确提取整个目标车辆的特征，避免目标车辆中车牌的漏检，提高车牌多形态下的检测准确性；而后，若待测图像中目标车辆的车头或车尾可见，则通过目标三维包围盒的可见性信息标记目标车辆的车头或车尾所在的平面，通过可见性信息，从待测图像中提取可见区域，此时该可见区域仅包含目标车辆中包含车牌的车头区域或车尾区域，避免了目标车辆其他区域特征对车牌识别的干扰；最后，将可见区域输入至车牌检测模型中进行识别，通过相应的车牌检测算法，即可实现对车牌位置信息的精准提取，提高了车牌检测的准确率。

附图说明

图1为一个实施例中车牌检测方法的流程示意图；

图2为一个实施例中对目标检测模型训练的流程示意图；

图3为一个实施例中提取目标三维包围盒对应可见区域的流程示意图；

图4为一个实施例中对可见区域进行检测的流程示意图；

图5为另一个实施例中车牌检测方法的流程示意图；

图6为一个实施例中车牌识别装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的车牌检测方法，该方法可适用于智慧交通的场景下，具体可以用于车牌识别的场景下。可选的，该方法可以由计算机设备来执行，计算机设备可以为服务器或终端。具体的，在一个实施例中，如图1所示，该方法具体包括以下步骤：

S101，获取包括目标车辆的待测图像。

其中，待测图像中的目标车辆可以是行驶中的车辆，也可以是静止停放的车辆。目标车辆的个数可以为一个，也可以为多个。待检测图像为基于相机采集的图像，具体可以是单目相机采集的图像。

S102，基于目标检测模型，对待测图像进行识别，得到目标车辆的目标三维包围盒和目标三维包围盒的可见性信息。

其中，目标检测模型为用于检测车辆三维结构的单目3D车辆检测模型，可选的，该单目3D车辆检测模型由以Centernet网络为基础的Monodle算法设计得到；可以理解的是，3D目标检测的主要目标为从输入信息中估计出目标的位置、大小、方位角和姿态等。本实施例中的输入信息为待测图像，输出信息为目标三维包围盒，以及目标三维包围盒的可见性信息。

可选的，在将待测图像输入至目标检测模型之前，为了能够提高对图像进行检测的精度，可以对待检测图像进行预处理，预处理具体可以为图像增强处理，图像增强处理主要可以包括随机多尺度缩放、翻转、伽马变换、色彩转换等。

其中，目标三维包围盒是指三维立体形式的包围盒，包围盒是指将目标车辆完全包围起来的、各边均与任一坐标轴平行的最小长方体；具体的，该任一坐标轴即为目标车辆所在坐标系内的坐标轴，例如，空间坐标系下的x轴、y轴和z轴。

可以理解的是，通常在进行车牌识别时，所对应的关注区域主要为车辆的车头区域或车尾区域(即包含车牌的区域)，且由于本实施例中待测图像为单张图像、拍摄角度单一，故，待测图像中的目标车辆并不能同时包含车头区域和车尾区域。此时，可以利用利用目标三维包围盒提取待测图像中车头区域或车尾区域，即可以利用目标三维包围盒的可见性信息来确定所提取的待测图像是车头区域还是车尾区域。

其中，目标三维包围盒的可见性信息用于标记目标三维包围盒中目标车辆的车头或车尾所在的平面，即，若待测图像中包含目标车辆的车头区域，则在所生成的目标三维包围盒中相应车头位置的平面上标记“车头平面”；若待测图像中包含目标车辆的车头区域，则在所生成的目标三维包围盒中相应车尾位置的平面上标记“车尾平面”。在此情形下，可以利用目标三维包围盒的“车头平面”在待测图像中提取车头区域，或利用目标三维包围盒的“车尾平面”在待测图像中提取车尾区域。

可选的，为了提取目标三维包围盒的可见性信息，可以在目标模型内增加预测结构，该预测结构可以基于Centernet网络中的热图(heatmap)的思路设计得到。CenterNet网络将目标当成一个点来检测，即用目标box的中心点来表示这个目标，预测目标的中心点偏移量(offset)，宽高(size)来得到物体实际box，而heatmap则是表示分类信息，该预测结构的输出即为目标三维包围盒中前端面的分类信息，或目标三维包围盒中后端面的分类信息，该分类信息即为上述的可见性信息。

进一步的，本实施例中目标三维包围盒还可以标记有目标的空间位置信息和目标的姿态信息，目标的空间位置信息即为包围盒中12个顶点的空间位置信息，目标的姿态信息即为目标三维盒的航向角、翻滚角和俯仰角等。具体的，为了生成目标三维包围盒的空间位置信息，可以在目标检测模型的训练过程中，采用标记有空间位置信息的训练样本作为模型的输入。为了提取目标三维包围盒的姿态信息，可以在Monodle算法的单目3D车辆检测算法的基础上，增加俯仰角及翻滚角的预测，以适配多种不同镜头角度场景。

S103，从待测图像中，提取目标三维包围盒的可见性信息对应的可见区域。

其中，可见区域即为上述“车头平面”或“车尾平面”在待测图像中对应的区域，即目标车辆的车头区域或车尾区域。具体的，在提取可见区域时，可以建立“车头平面”或“车尾平面”与待测图像之间的映射关系，基于该映射关系投影得到可见区域。

S104，基于车牌检测模型，对可见区域进行检测，得到目标车辆的车牌位置信息。

其中，车牌检测模型可以为基于yolov6目标检测算法建立的模型；可选的，车牌位置信息为车牌图像在可见区域的坐标信息；根据车牌位置信息，即可提取得到车牌图像。

上述车牌检测方法中，利用目标检测模型，生成待测图像中目标车辆的目标三维包围盒，通过目标三维包围盒能够准确提取整个目标车辆的特征，避免目标车辆中车牌的漏检，提高车牌多形态下的检测准确性；而后，若待测图像中目标车辆的车头或车尾可见，则通过目标三维包围盒的可见性信息标记目标车辆的车头或车尾所在的平面，通过可见性信息，从待测图像中提取可见区域，此时该可见区域仅包含目标车辆中包含车牌的车头区域或车尾区域，避免了目标车辆其他区域特征对车牌识别的干扰；最后，将可见区域输入至车牌检测模型中进行识别，通过相应的车牌检测算法，即可实现对车牌位置信息的精准提取，提高了车牌检测的准确率。

如图2所示，本实施例提供了一种目标检测模型的训练方式，具体实现过程可以包括：

S201，获取样本数据。

其中，样本数据包括包含样本车辆的样本图像、样本车辆的点云信息、样本车辆对应的样本三维包围盒，以及样本三维包围盒的可见性信息。

具体的，由于车牌检测识别通常应用于道路卡口、电警、停车场等场景，因此要充分采集不同应用场景下的图像数据，因此，在生成样本数据时：

首先，采集卡口、电警、停车场出入口、路内停车场内包含样本车辆的样本图像，以及该样本图像对应的点云信息，共采集100000组数据，并记采集录下相机对应的内外参数。其中，点云信息是采用三维激光雷达设备采集的，激光雷达(LiDAR)点云数据是由三维激光雷达设备扫描得到的空间点的数据集，每一个点都包含了三维坐标信息，也就是X、Y、Z三个元素，有的还包含颜色信息、反射强度信息、回波次数信息等。由三维激光雷达在卡口等应用场景下采集到的车辆信息，能够得到样本车辆较准确的三维空间信息。

其次，针对上述任一样本图像，利用上述步骤中的激光雷达点云信息，标记样本车辆的3D位置(即样本车辆的点云信息)，以及样本车辆的样本三维包围盒，并标记样本三维包围盒的车头、车尾是否可见(即样本三维包围盒的可见性信息)，进一步地，若目标检测模型需要识别车辆的姿态信息，则还可以标记样本三维包围盒的姿态信息；上述标记完成后，即生成了该样本图像对应的标注信息。

而后，对各个样本图像进行标记，形成3D车辆检测数据集，随机抽取其中的30％(30000组)的数据作为验证集，剩余作为训练集，该训练集即为样本数据。

S202，根据样本图像、样本车辆的点云信息、样本车辆对应的样本三维包围盒，以及样本三维包围盒的可见性信息，对初始模型进行训练，得到目标检测模型。

具体的，当初始模型的识别精度达到预设值，即损失函数小于相应阈值，则停止训练。

本实施例中，通过样本图像的点云信息对样本图像进行标记，能够使得生成的目标三维包围盒更为准确。

如图3所示，在一个实施例中，目标三维包围盒标记于待测图像中，本实施例提供了一种从待测图像中，提取目标三维包围盒的可见性信息对应的可见区域的可选方式，即提供了一种对S103进行细化的方式。具体实现过程可以包括：

S301，将标记有目标三维包围盒的待测图像，与初始的待测图像进行比对，确定投影方向。

其中，目标检测模型的作用是基于待测图像中的目标车辆生成三维空间中目标车辆(目标车辆对应的参数/属性信息)，即得到目标车辆的目标三维包围盒。因此，将标记有目标三维包围盒的待测图像，与初始的待测图像进行比对，即可确定投影方向；示例性的，若待测图像所在平面为(0，y，z)，目标三维包围盒所在平面为(x，y，z)在此情形下，将3D的目标包围盒的车头平面或车尾平面进行投影时，投影方向即为x轴方向。

S302，基于投影方向，对目标三维包围盒中目标三维包围盒的可见性信息所标记的平面进行投影，得到投影范围。

其中，将车头平面或车尾平面的至少4个顶点沿投影方向进行投影，例如，其中一个顶点坐标为a(x

S303，根据投影范围，从待测图像中提取可见区域。

其中，从待测图像中提取投影范围内的各个像素点，即得到可见区域。

本实施例中，通过投影从待测图像中确定可见区域，能够避免目标车辆中其他区域对于车牌检测的干扰。

可以理解的是，由于相机制造精度以及组装工艺的偏差引入的畸变，或者由于照片拍摄时的角度、旋转、缩放等问题，可能会导致待测图像的失真，使得所提取到的可见区域也存在失真，原始数据的质量会对车牌检测模型的识别精度带来一定影响，为了提高车牌检测模型的识别精度，故，在利用车牌检测模型对可见区域进行检测前，可以对图像进行矫正，如图4所示，本实施例提供了一种基于车牌检测模型，对可见区域进行检测，得到目标车辆的车牌位置信息的可选方式，即提供了一种对S104进行细化的方式。具体实现过程可以包括：

S401，基于目标标准模板，对可见区域进行透视变换。

其中，透视变换可将一个二维平面变换到另一个新的二维视平面，具体是指利用投影中心、原图像平面的成像点、新图像平面目标点三点共线的条件，按透视旋转定律使成影面，绕迹线旋转某一角度，破坏原有的投影光线束，仍能保持成影面上投影几何图形不变的变换形式。本实施例通过透视变换，对可见区域进行畸变矫正，以修复上述失真情况。

可选的，本实施例中的对车头区域和车尾区域进行透视变换时，采用不同的标准模板，即，本实施例中的目标标准模板包括车头标准模板和车尾标准模板。具体的，根据目标三维包围盒的可见性信息所标记的平面，从车头标准模板和车尾标准模板中选择目标标准模板；基于目标标准模板，对可见区域进行透视变换。

其中，车头标准模板可以为基于多个历史图像中的车头区域进行特征学习，

所得到的标准图像模板；车尾标准模板可以为基于多个历史图像中的车尾区域5进行特征学习，所得到的标准图像模板。若可见性信息所标记的平面为“车头平面”，则目标标准模板为车头标准模板，若可见性信息所标记的平面为“车尾平面”，则目标标准模板为车尾标准模板。

示例性的，以车头标准模板为例进行说明，在获取到可见区域后，对可见

区域和车头标准模板，分别进行特征检测，识别并记录每个特征点的特征信息0和坐标信息；将可见区域的特征点与车头标准模板中的特征点进行特征匹配，

记录匹配成功的特征点及该特征点在可见区域和车头标准模板上的坐标信息；将两个匹配成功特征点，以及两个特征点对应的坐标信息，标记为一个特征点组；选出至少四个特征点组，利用透视变换公式，计算出透视变换矩阵；用透

视变换矩阵计算可见区域中各像素点变换后的像素值，从而得到透视变换后的5可见区域。

S402，基于车牌检测模型，对透视变换后的可见区域进行检测，得到目标车辆的车牌位置信息。

其中，将透视变换后的可见区域输入至车牌检测模型，即可得到车牌检测模型输出的车牌图像以及车牌图像在可见区域中的坐标信息。本实施例中，车0牌检测模型的输入是透视变换后的可见区域，因此，在训练车牌检测模型的过程中所采用的训练样本，也可以是经透视变换后的图像，基于训练样本对车牌检测模型进行训练，直至模型收敛。

具体的，该车牌检测方法还包括：获取包含参考车牌的训练图像，以及所述训练图像中所述参考车牌的位置信息；根据所述训练图像和所述训练图像中5所述参考车牌的位置信息，对初始的车牌检测模型进行训练，得到所述车牌检测模型。

进一步的，车牌检测方法还包括：根据目标三维包围盒的位置信息，确定可见区域的位置信息；根据可见区域的位置信息和车牌位置信息，确定车牌图像的位置信息。

示例性的，在上述实施例的基础上，本实施例提供了一种物品推荐方法的可选实例。如图5所示，具体实现过程包括：

S501，获取包括目标车辆的待测图像。

S502，基于目标检测模型，对待测图像进行识别，得到目标车辆的目标三维包围盒和目标三维包围盒的可见性信息。

其中，目标三维包围盒的可见性信息用于标记目标三维包围盒中目标车辆的车头或车尾所在的平面。

S503，将标记有目标三维包围盒的待测图像，与初始的待测图像进行比对，确定投影方向。

S504，基于投影方向，对目标三维包围盒中目标三维包围盒的可见性信息所标记的平面进行投影，得到投影范围。

S505，根据投影范围，从待测图像中提取可见区域。

S506，基于目标标准模板，对可见区域进行透视变换。

具体的，根据目标三维包围盒的可见性信息所标记的平面，从车头标准模板和车尾标准模板中选择目标标准模板。

S507，基于车牌检测模型，对透视变换后的可见区域进行检测，得到目标车辆的车牌位置信息。

上述S501-S507的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。

应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的车牌检测方法的车牌识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个车牌识别装置实施例中的具体限定可以参见上文中对于车牌检测方法的限定，在此不再赘述。

在一个实施例中，如图6所示，提供了一种车牌识别装置1，包括：获取模块11、生成模块12、提取模块13和检测模块14，其中：

获取模块11，用于获取包括目标车辆的待测图像；

生成模块12，用于基于目标检测模型，对待测图像进行识别，得到目标车辆的目标三维包围盒和目标三维包围盒的可见性信息；其中，目标三维包围盒的可见性信息用于标记目标三维包围盒中目标车辆的车头或车尾所在的平面；

提取模块13，用于从待测图像中，提取目标三维包围盒的可见性信息对应的可见区域；

检测模块14，用于基于车牌检测模型，对可见区域进行检测，得到目标车辆的车牌位置信息。

在其中一个实施例中，目标三维包围盒标记于待测图像中，提取模块13，包括：

解析子模块，用于将标记有目标三维包围盒的待测图像，与初始的待测图像进行比对，确定投影方向；

投影子模块，用于基于投影方向，对目标三维包围盒中目标三维包围盒的可见性信息所标记的平面进行投影，得到投影范围；

划定子模块，用于根据投影范围，从待测图像中提取可见区域。

在其中一个实施例中，检测模块14，包括：

变换子模块，用于基于目标标准模板，对可见区域进行透视变换；

识别子模块，用于基于车牌检测模型，对透视变换后的可见区域进行检测，得到目标车辆的车牌位置信息。

在其中一个实施例中，变换子模块还用于：根据目标三维包围盒的可见性信息所标记的平面，从车头标准模板和车尾标准模板中选择目标标准模板；

基于目标标准模板，对可见区域进行透视变换。

在其中一个实施例中，该车牌识别装置还包括第一训练模块，第一训练模块用于：

获取样本数据；其中，样本数据包括包含样本车辆的样本图像、样本车辆的点云信息、样本车辆对应的样本三维包围盒，以及样本三维包围盒的可见性信息；

根据样本图像、样本车辆的点云信息、样本车辆对应的样本三维包围盒，以及样本三维包围盒的可见性信息，对初始模型进行训练，得到目标检测模型。

在其中一个实施例中，该车牌识别装置还包括第二训练模块，第二训练模块用于：获取包含参考车牌的训练图像，以及训练图像中参考车牌的位置信息；

根据训练图像和训练图像中参考车牌的位置信息，对初始的车牌检测模型进行训练，得到车牌检测模型。

上述车牌识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储XX数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车牌检测方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取包括目标车辆的待测图像；

基于目标检测模型，对待测图像进行识别，得到目标车辆的目标三维包围盒和目标三维包围盒的可见性信息；其中，目标三维包围盒的可见性信息用于标记目标三维包围盒中目标车辆的车头或车尾所在的平面；

从待测图像中，提取目标三维包围盒的可见性信息对应的可见区域；

基于车牌检测模型，对可见区域进行检测，得到目标车辆的车牌位置信息。

在一个实施例中，目标三维包围盒标记于待测图像中，处理器执行计算机程序从待测图像中，提取目标三维包围盒的可见性信息对应的可见区域的逻辑时，具体实现以下步骤：将标记有目标三维包围盒的待测图像，与初始的待测图像进行比对，确定投影方向；基于投影方向，对目标三维包围盒中目标三维包围盒的可见性信息所标记的平面进行投影，得到投影范围；根据投影范围，从待测图像中提取可见区域。

在一个实施例中，处理器执行计算机程序基于车牌检测模型，对可见区域进行检测，得到目标车辆的车牌位置信息的逻辑时，具体实现以下步骤：基于目标标准模板，对可见区域进行透视变换；基于车牌检测模型，对透视变换后的可见区域进行检测，得到目标车辆的车牌位置信息。

在一个实施例中，处理器执行计算机程序基于目标标准模板，对可见区域进行透视变换的逻辑时，具体实现以下步骤：根据目标三维包围盒的可见性信息所标记的平面，从车头标准模板和车尾标准模板中选择目标标准模板；基于目标标准模板，对可见区域进行透视变换。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取样本数据；其中，样本数据包括包含样本车辆的样本图像、样本车辆的点云信息、样本车辆对应的样本三维包围盒，以及样本三维包围盒的可见性信息；根据样本图像、样本车辆的点云信息、样本车辆对应的样本三维包围盒，以及样本三维包围盒的可见性信息，对初始模型进行训练，得到目标检测模型。

在一个实施例中，获取包含参考车牌的训练图像，以及训练图像中参考车牌的位置信息；根据训练图像和训练图像中参考车牌的位置信息，对初始的车5牌检测模型进行训练，得到车牌检测模型。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取包括目标车辆的待测图像；

0基于目标检测模型，对待测图像进行识别，得到目标车辆的目标三维包围盒和目标三维包围盒的可见性信息；其中，目标三维包围盒的可见性信息用于标记目标三维包围盒中目标车辆的车头或车尾所在的平面；

从待测图像中，提取目标三维包围盒的可见性信息对应的可见区域；

基于车牌检测模型，对可见区域进行检测，得到目标车辆的车牌位置信息。5在一个实施例中，目标三维包围盒标记于待测图像中，计算机程序从待测

图像中，提取目标三维包围盒的可见性信息对应的可见区域的逻辑被处理器执行时，具体实现以下步骤：

将标记有目标三维包围盒的待测图像，与初始的待测图像进行比对，确定投影方向；

0基于投影方向，对目标三维包围盒中目标三维包围盒的可见性信息所标记的平面进行投影，得到投影范围；

根据投影范围，从待测图像中提取可见区域。

在一个实施例中，计算机程序基于车牌检测模型，对可见区域进行检测，

得到目标车辆的车牌位置信息的逻辑被处理器执行时，具体实现以下步骤：基5于目标标准模板，对可见区域进行透视变换；基于车牌检测模型，对透视变换后的可见区域进行检测，得到目标车辆的车牌位置信息。

在一个实施例中，计算机程序基于目标标准模板，对可见区域进行透视变换的逻辑被处理器执行时，具体实现以下步骤：根据目标三维包围盒的可见性信息所标记的平面，从车头标准模板和车尾标准模板中选择目标标准模板；基于目标标准模板，对可见区域进行透视变换。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取样本数据；其中，样本数据包括包含样本车辆的样本图像、样本车辆的点云信息、样本车辆对应的样本三维包围盒，以及样本三维包围盒的可见性信息；根据样本图像、样本车辆的点云信息、样本车辆对应的样本三维包围盒，以及样本三维包围盒的可见性信息，对初始模型进行训练，得到目标检测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取包含参考车牌的训练图像，以及训练图像中参考车牌的位置信息；根据训练图像和训练图像中参考车牌的位置信息，对初始的车牌检测模型进行训练，得到车牌检测模型。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取包括目标车辆的待测图像；

基于目标检测模型，对待测图像进行识别，得到目标车辆的目标三维包围盒和目标三维包围盒的可见性信息；其中，目标三维包围盒的可见性信息用于标记目标三维包围盒中目标车辆的车头或车尾所在的平面；

从待测图像中，提取目标三维包围盒的可见性信息对应的可见区域；

基于车牌检测模型，对可见区域进行检测，得到目标车辆的车牌位置信息。

在一个实施例中，目标三维包围盒标记于待测图像中，计算机程序从待测图像中，提取目标三维包围盒的可见性信息对应的可见区域的逻辑被处理器执行时，具体实现以下步骤：

将标记有目标三维包围盒的待测图像，与初始的待测图像进行比对，确定投影方向；

基于投影方向，对目标三维包围盒中目标三维包围盒的可见性信息所标记的平面进行投影，得到投影范围；

根据投影范围，从待测图像中提取可见区域。

在一个实施例中，计算机程序基于车牌检测模型，对可见区域进行检测，得到目标车辆的车牌位置信息的逻辑被处理器执行时，具体实现以下步骤：基于目标标准模板，对可见区域进行透视变换；基于车牌检测模型，对透视变换后的可见区域进行检测，得到目标车辆的车牌位置信息。

在一个实施例中，计算机程序基于目标标准模板，对可见区域进行透视变换的逻辑被处理器执行时，具体实现以下步骤：根据目标三维包围盒的可见性信息所标记的平面，从车头标准模板和车尾标准模板中选择目标标准模板；基于目标标准模板，对可见区域进行透视变换。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取样本数据；其中，样本数据包括包含样本车辆的样本图像、样本车辆的点云信息、样本车辆对应的样本三维包围盒，以及样本三维包围盒的可见性信息；根据样本图像、样本车辆的点云信息、样本车辆对应的样本三维包围盒，以及样本三维包围盒的可见性信息，对初始模型进行训练，得到目标检测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取包含参考车牌的训练图像，以及训练图像中参考车牌的位置信息；根据训练图像和训练图像中参考车牌的位置信息，对初始的车牌检测模型进行训练，得到车牌检测模型。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。