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，当光线很差时很容易造成车牌的成像模糊以及过往的行人、树叶、其他车辆遮挡车牌，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：获取目标车辆的多帧车牌图像；将每帧所述车牌图像输入车牌识别模型进行车牌识别，以得到每帧所述车牌图像中各个字符位置对应的标签；根据每帧所述车牌图像中各个字符位置对应的标签，从所述多帧车牌图像中筛选掉包含模糊标签和/或遮挡标签的车牌图像，以得到保留的候选车牌图像；根据所述候选车牌图像，识别所述目标车辆的车牌。

根据本公开的另一方面，提供了一种车牌识别装置，包括：第一获取模块，用于获取目标车辆的多帧车牌图像；第一识别模块，用于将每帧所述车牌图像输入车牌识别模型进行车牌识别，以得到每帧所述车牌图像中各个字符位置对应的标签；筛选模块，用于根据每帧所述车牌图像中各个字符位置对应的标签，从所述多帧车牌图像中筛选掉包含模糊标签和/或遮挡标签的车牌图像，以得到保留的候选车牌图像；第二识别模块，用于根据所述候选车牌图像，识别所述目标车辆的车牌。

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的步骤。

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为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为本公开实施例六所提供的车牌识别装置的结构示意图；

图7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，可通过计算车牌图像的平均分，选取平均分最高的车牌图像进行车牌号识别，但是，通过简单的对平均分最高的车牌图像进行识别，导致大量的无效车牌数据，车牌识别精度较低。

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，获取目标车辆的多帧车牌图像。

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，可以通过图像采集设备，对目标车辆的车牌进行图像采集，以得到目标车辆的多帧车牌图像。其中，图像采集设备的数量可为一个或多个，本公开不做具体限定。

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，对目标车辆进行采集，以得到目标车辆的多帧车牌图像。

步骤102，将每帧车牌图像输入车牌识别模型进行车牌识别，以得到每帧车牌图像中各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车牌图像中的各个字符位置与标签之间的对应关系。其中，标签可以包括空白标签和/或模糊标签和/或字符标签，其中，字符标签可用于指示图像中对应字符位置处为字符，空白标签用于指示图像中对应字符位置处为空白或被遮挡，模糊标签表征对应字符位置处为字符模糊。

例如，在图像中清晰且没有过往的行人、树叶、其他车辆遮挡车牌的情况下，车牌识别模型输出的标签可以均为字符标签，而在图像模糊或过往的行人、树叶、其他车辆遮挡车牌的情况下，车牌识别模型输出的标签可以包括模糊标签和/或空白标签。

需要理解的是，由于不同目标车辆的车牌字符长度不同，对于不同车牌字符长度的车牌图像，车牌识别模型允许输出的车牌图像中的字符位置对应的空白标签数量也不同，比如，目标车辆1的车牌图像中的车牌字符长度为8位，车牌识别模型的设定输出长度为8位，车牌识别模型允许输出的车牌图像中的字符位置对应的空白标签数量为0，在车牌识别模型输出空白标签时，可确定该空白标签为遮挡标签；又比如，目标车辆2的车牌图像中的车牌字符长度为7位，车牌识别模型的设定输出长度为8位，车牌识别模型允许输出的车牌图像中的字符位置对应的空白标签数量为1，在车牌识别模型输出2个及以上的空白标签时，可根据车牌识别模型训练时确定的空白标签的顺序确定其中1个空白标签为空白标签，其余空白标签为遮挡标签。因此，在车牌识别模型输出的空白标签的数量大于允许输出的空白标签数量时，可对该空白标签进行修正，以确定车牌图像中各个字符位置对应的遮挡标签。

在本公开实施例中，可以利用车牌识别模型对每帧车牌图像进行车牌识别，以得到每帧车牌图像中各个字符位置对应的标签。可以理解的是，在各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，确定目标车辆车牌，而在车牌图像中多个字符位置对应的标签中存在模糊标签和/或遮挡标签的情况下，由于无法识别模糊标签和/或遮挡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车牌，在多个字符位置对应的标签中存在模糊标签和/或遮挡标签的情况下，可以执行步骤103。

步骤103，根据每帧车牌图像中各个字符位置对应的标签，从多帧车牌图像中筛选掉包含模糊标签和/或遮挡标签的车牌图像，以得到保留的候选车牌图像。

在本公开实施例中，可对每帧车牌图像进行模糊标签和/或遮挡标签的筛选，将包含模糊标签和/或遮挡标签的车牌图像筛选掉，将不包含模糊标签和/或遮挡标签的车牌图像进行保留，以作为候选车牌图像。

步骤104，根据候选车牌图像，识别目标车辆的车牌。

在本公开实施例中，候选车牌图像可为一帧或多帧，在候选车牌图像为一帧时，可根据候选车牌图像中的各个字符位置对应的标签，确定目标车辆的目标车牌；在候选车牌图像为多帧时，可从多帧候选车牌图像中确定出一帧目标车牌图像，进而根据目标车牌图像中的各个字符位置对应的标签，确定目标车辆的目标车牌。

综上，通过从多帧车牌图像中筛选掉包含模糊标签和/或遮挡标签的车牌图像，对保留的候选车牌图像进行识别，得到目标车辆的车牌。由此，可有效地滤除掉模糊和/或遮挡等无效车牌，对识别效果较好的车牌图像进行识别，提高了车牌的识别精度。

为了准确地从候选车牌图像中，识别出目标车辆的车牌。如图2所示，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，在本公开实施例中，在候选车牌图像为多帧的情况下，可从候选车牌图像中确定出目标车牌图像，根据目标车牌图像中的各个字符位置对应的标签，确定出目标车辆的目标车牌。图2所示实施例可包括如下步骤：

步骤201，获取目标车辆的多帧车牌图像。

步骤202，将每帧车牌图像输入车牌识别模型进行车牌识别，以得到每帧车牌图像中各个字符位置对应的标签。

步骤203，根据每帧车牌图像中各个字符位置对应的标签，从多帧车牌图像中筛选掉包含模糊标签和/或遮挡标签的车牌图像，以得到保留的候选车牌图像。

步骤204，在候选车牌图像为多帧的情况下，根据每帧候选车牌图像中的各个字符位置对应的标签置信度，从多帧候选车牌图像中确定目标车牌图像。

需要理解的是，车牌识别模型在输出每帧车牌图像中各个字符位置对应的标签时，车牌识别模型还可输出各个字符位置的标签置信度(概率)，标签置信度越高，表征车牌图像对应车牌的置信度也越高。因此，可根据候选车牌图像中的各个字符位置对应的标签置信度，从多帧候选车牌图像中确定目标车牌图像。

可选地，针对任意的一帧候选车牌图像，根据一帧候选车牌图像中的各个字符位置的标签置信度，确定一帧候选车牌图像对应的车牌置信度；将各个候选车牌图像对应的车牌置信度进行排序，以得到各个候选车牌图像的排序结果；根据排序结果，确定目标车牌图像。

也就是说，为了获取识别效果较好的车牌图像，可将任意一帧候选车牌图像中的各个字符位置的标签置信度按照预设规则进行排序，可根据排序结果确定该一帧候选车牌图像对应的车牌置信度。比如，可将各个字符位置的标签置信度按照从大到小的顺序进行排序，将标签置信度最小值作为该一帧候选车牌图像对应的车牌置信度。进而，将候选车牌图像对应的车牌置信度进行排序，以得到各个候选车牌图像的排序结果，根据排序结果，确定目标车牌图像。比如，可将各个候选车牌图像对应的车牌置信度按照从高至低进行排序，可将车牌置信度最高的候选车牌图像作为目标车牌图像。

步骤205，根据目标车牌图像中的各个字符位置对应的标签，确定目标车辆的目标车牌。

进而，可根据目标车牌图像中的各个字符位置对应的字符标签，确定目标车辆的目标车牌。

需要说明的是，步骤201至203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。

综上，通过在候选车牌图像为多帧的情况下，根据每帧候选车牌图像中的各个字符位置对应的标签置信度，从多帧候选车牌图像中确定目标车牌图像；根据目标车牌图像中的各个字符位置对应的标签，确定目标车辆的目标车牌。由此，可准确地从候选车牌图像中，确定出识别效果较好的目标车牌图像，降低了人工审核的成本，进而对识别较好的车牌图像进行识别，确定目标车辆的目标车牌，节省了相关资源，提高了车辆的车牌识别精度。

为了使车牌识别模型准确地输出车牌图像中各个字符对应的标签，如图3所示，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，在本公开实施例中，可对车牌识别模型进行训练，以使车牌识别模型学习到车牌图像中各个字符位置与标签之间的对应关系，图3所示实施例可包括如下步骤：

步骤301，获取目标车辆的多帧车牌图像。

步骤302，获取多个样本车牌图像。

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。

步骤303，针对每个样本车牌图像，对样本车牌图像中的各个字符位置进行标签标注，以获取各个字符位置对应的标注标签；其中，标注标签包括：字符标签、模糊标签和空白标签中的至少一个。

进一步地，可对每个样本车牌图像各个字符位置进行标签标注，得到各个字符位置对应的标注标签。其中，标注标签可包括：字符标签、模糊标签和空白标签中的至少一个。

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，对样本车牌图像各个字符位置进行自动标注，本公开对此并不做限制。进一步地，在对样本车牌图像的各个字符位置进行自动标注后，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304，获取车牌识别模型输出的各个字符位置对应的预测标签。

进而，将样本车牌图像输入至车牌识别模型中，获取车牌识别模型输出的各个字符位置对应的预测标签。

步骤305，根据预测标签和样本车牌图像中的对应的标注标签之间的差异，对车牌识别模型进行训练，以使差异最小化。

在本公开实施例中，在获取到车牌识别模型输出的各个字符位置对应的预测标签后，可将预测标签与样本车牌图像中的对应的标注标签进行比对，确定预测标签与样本车牌图像中的对应的标注标签之间的差异，根据该差异调整车牌识别模型的参数，以使该差异最小化。

步骤306，将每帧车牌图像输入车牌识别模型进行车牌识别，以得到每帧车牌图像中各个字符位置对应的标签。

步骤307，根据每帧车牌图像中各个字符位置对应的标签，从多帧车牌图像中筛选掉包含模糊标签和/或遮挡标签的车牌图像，以得到保留的候选车牌图像。

步骤308，根据候选车牌图像，识别目标车辆的车牌。

需要说明的是，步骤301、306-308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。

综上，通过获取多个样本车牌图像；针对每个样本车牌图像，对样本车牌图像中的各个字符位置进行标签标注，以获取各个字符位置对应的标注标签；其中，标注标签包括：字符标签、模糊标签和空白标签中的至少一个；获取车牌识别模型输出的各个字符位置对应的预测标签；根据预测标签和样本车牌图像中的对应的标注标签之间的差异，对车牌识别模型进行训练，以使差异最小化。由此，通过对车牌识别模型进行训练，可使车牌识别模型学习到车牌图像中各个字符位置与标签之间的对应关系，使车牌识别模型准确地输出车牌图像中各个字符对应的标签。

为了准确地确定车辆图像中各个字符位置对应的遮挡标签，如图4所示，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，在本公开实施例中，在车牌图像中各个字符位置对应的标签为空白标签的数量大于对应的允许空白标签的数量时，可对车牌图像中待修正的空白标签进行修正。图4所示实施例可包括如下步骤：

步骤401，获取目标车辆的多帧车牌图像。

步骤402，将每帧车牌图像输入车牌识别模型进行车牌识别，以得到每帧车牌图像中各个字符位置对应的标签。

步骤403，确定车牌图像中各个字符位置对应的标签为空白标签的第一数量。

在本公开实施例中，对车牌图像中各个字符位置对应的标签进行统计，以得到车牌图像中各个字符位置对应的标签为空白标签的第一数量。

步骤404，根据车牌图像中的各个字符长度和车牌识别模型的设定输出数量之间的差值，确定第二数量。

在本公开实施例中，可预先设定车牌识别模型的输出数量，比如，可设定车辆识别模型的输出长度为8。由于不同的目标车辆的车牌图像的字符长度不同，车牌识别模型允许输出的空白标签数量也不同，因此，可根据车牌图像中的各个字符长度和车牌识别模型的设定输出数量之间的差值，确定第二数量。

比如，目标车辆1的车牌图像中的车牌字符长度为8位，车牌识别模型的设定输出长度为8位，车牌识别模型允许输出的车牌图像中的字符位置对应的空白标签数量为0；又比如，目标车辆2的车牌字符长度为7位，车牌识别模型的设定输出长度为8位，车牌识别模型允许输出的车牌图像中的字符位置对应的空白标签数量为1。

步骤405，在第一数量大于第二数量的情况下，根据第二数量和第一数量之间的差值，对车牌图像中各个字符位置对应的标签进行修正。

也就是说，在当前车牌识别模型输出的各个字符位置对应的标签为空白标签的数量大于车牌识别模型允许输出的空白标签数量的情况下，可对车牌图像中待修正的空白标签进行修正。

可选地，在第一数量大于第二数量的情况下，按照预设顺序，从车牌图像中各个字符位置对应的标签中选取差值数量的待修正的空白标签；将待修正的空白标签修正为遮挡标签。

在本公开实施例中，在车牌识别模型训练时，可设置车牌识别模型输出空白标签的顺序，比如，在车牌图像中的车牌字符长度为7位，车牌识别模型的设定输出长度为8位，可设置车牌识别模型输出的第一位为空白标签或者设置车牌识别模型输出的最后一位为空白标签。

进而，为了准确地确定车辆图像中各个字符位置对应的遮挡标签，在第一数量大于第二数量的情况下，可获取第一数量与第二数量的差值，也就是获取当前车牌识别模型输出的各个字符位置对应的标签为空白标签的数量与车牌识别模型允许输出的空白标签数量，并按照预设顺序从当前车牌识别模型输出的各个字符位置对应的空白标签中选择该差值数量的空白标签，作为待修正的空白标签，将该待修正的空白标签修正为遮挡标签。比如，目标车辆的车牌字符长度为6位，车牌识别模型的设定输出长度为8位，车牌识别模型允许输出的车牌图像中的字符位置对应的空白标签数量为2，当前车牌识别模型输出的空白标签的数量为3，可在空白标签中按照从前向后的顺序选择1位空白标签作为待修正的空白标签，并将该待修正的空白标签修正为遮挡标签。

步骤406，根据每帧车牌图像中各个字符位置对应的标签，从多帧车牌图像中筛选掉包含模糊标签和/或遮挡标签的车牌图像，以得到保留的候选车牌图像。

步骤407，根据候选车牌图像，识别目标车辆的车牌。

需要说明的是，步骤401-402、406-407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。

综上，通过确定车牌图像中各个字符位置对应的标签为空白标签的第一数量；根据车牌图像中的各个字符长度和车牌识别模型的设定输出数量之间的差值，确定第二数量；在第一数量大于第二数量的情况下，根据第二数量和第一数量之间的差值，对车牌图像中各个字符位置对应的标签进行修正。由此，可准确地确定车辆图像中各个字符位置对应的遮挡标签。

为了更加清楚地说明上述实施例，现举例进行说明。

举例而言，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/或空白标签和/或模糊标签)和置信度，根据车牌图像中各个字符位置对应的标签，从多帧车牌图像中筛选掉包含模糊标签和/或遮挡标签(车牌不完整)的车牌图像，以得到保留的候选车牌图像，进而，将候选车牌图像中的各个字符位置的标签置信度的最小值，作为候选车牌图像对应的车牌置信度，最后，可将各个候选车牌图像对应的车牌置信度按照从高至低进行排序，可将车牌置信度最高的候选车牌图像作为目标车牌图像，以及根据目标车牌图像中的各个字符位置对应的字符标签，确定目标车辆的目标车牌。

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、空白标签和模糊标签(比如可以包括空白、模糊和34个省市直辖市的简称、10个数字、26个字母、挂、军、警、使等标签)。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。

本公开实施例的车牌识别方法，通过获取目标车辆的多帧车牌图像；将每帧车牌图像输入车牌识别模型进行车牌识别，以得到每帧车牌图像中各个字符位置对应的标签；根据每帧车牌图像中各个字符位置对应的标签，从多帧车牌图像中筛选掉包含模糊标签和/或遮挡标签的车牌图像，以得到保留的候选车牌图像；根据候选车牌图像，识别目标车辆的车牌。该方法通过从多帧车牌图像中筛选掉包含模糊标签和/或遮挡标签的车牌图像，对保留的候选车牌图像进行识别，得到目标车辆的车牌。由此，可有效地滤除掉模糊和/或遮挡等无效车牌，对识别效果较好的车牌图像进行识别，提高了车牌的识别精度。

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6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6所示，该车牌识别装置600可以包括：第一获取模块610、第一识别模块620、筛选模块630和第二识别模块640。

其中，第一获取模块610，用于获取目标车辆的多帧车牌图像；第一识别模块620，用于将每帧车牌图像输入车牌识别模型进行车牌识别；筛选模块630，用于根据每帧车牌图像中各个字符位置对应的标签，从多帧车牌图像中筛选掉包含模糊标签和/或遮挡标签的车牌图像，以得到保留的候选车牌图像以得到每帧车牌图像中各个字符位置对应的标签；第二识别模块640，用于根据候选车牌图像，识别目标车辆的车牌。

在本公开实施例的一种可能的实现方式中，车牌识别模型输出的各所述标签具有对应的标签置信度；第二识别模块640，用于：在候选车牌图像为多帧的情况下，根据每帧候选车牌图像中的各个字符位置对应的标签置信度，从多帧候选车牌图像中确定目标车牌图像；根据目标车牌图像中的各个字符位置对应的标签，确定目标车辆的目标车牌。

在本公开实施例的一种可能的实现方式中，第二识别模块640，还用于：针对任意的一帧候选车牌图像，根据一帧候选车牌图像中的各个字符位置的标签置信度，确定一帧候选车牌图像对应的车牌置信度；将各个候选车牌图像对应的车牌置信度进行排序，以得到所述各个候选车牌图像的排序结果；根据排序结果，确定目标车牌图像。

在本公开实施例的一种可能的实现方式中，车牌识别装置600还包括：第二获取模块、标注模块、第三获取模块和训练模块。

其中，第二获取模块，用于获取多个样本车牌图像；标注模块，用于针对每个样本车牌图像，对样本车牌图像中的各个字符进行标签标注，以获取各个字符对应的标注标签；其中，标注标签包括：字符标签、模糊标签和空白标签中的至少一个；第三获取模块，用于获取车牌识别模型输出的各个字符对应的预测标签；训练模块，用于根据预测标签和样本车牌图像中的对应的标注标签之间的差异，对车牌识别模型进行训练，以使差异最小化。

在本公开实施例的一种可能的实现方式中，车牌识别装置600还包括：确定模块和修正模块。

其中，确定模块，用于确定车牌图像中各个字符位置对应的标签为空白标签的第一数量；确定模块，还用于根据车牌图像中的各个字符长度和车牌识别模型的设定输出数量之间的差值，确定第二数量；修正模块，用于在第一数量大于第二数量的情况下，根据第二数量和第一数量之间的差值，对车牌图像中各个字符位置对应的标签进行修正。

在本公开实施例的一种可能的实现方式中，修正模块，用于：在第一数量大于第二数量的情况下，按照预设顺序，从车牌图像中各个字符位置对应的标签中选取差值数量的待修正的空白标签；将待修正的空白标签修正为遮挡标签。

本公开实施例的车牌识别装置，通过获取目标车辆的多帧车牌图像；将每帧车牌图像输入车牌识别模型进行车牌识别，以得到每帧车牌图像中各个字符位置对应的标签；根据每帧车牌图像中各个字符位置对应的标签，从多帧车牌图像中筛选掉包含模糊标签和/或遮挡标签的车牌图像，以得到保留的候选车牌图像；根据候选车牌图像，识别目标车辆的车牌。该装置可实现通过从多帧车牌图像中筛选掉包含模糊标签和/或遮挡标签的车牌图像，对保留的候选车牌图像进行识别，得到目标车辆的车牌。由此，可有效地滤除掉模糊和/或遮挡等无效车牌，对识别效果较好的车牌图像进行识别，提高了车牌的识别精度。

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的步骤。

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7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7所示，设备700包括计算单元701，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)702中的计算机程序或者从存储单元707加载到RAM(Random AccessMemory，随机访问/存取存储器)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。I/O(Input/Output，输入/输出)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701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701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，通过从多帧车牌图像中筛选掉包含模糊标签和/或遮挡标签的车牌图像，对保留的候选车牌图像进行识别，得到目标车辆的车牌。由此，可有效地滤除掉模糊和/或遮挡等无效车牌，对识别效果较好的车牌图像进行识别，提高了车牌的识别精度。

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。