车牌识别模型生成方法、车牌识别方法、设备及存储介质

技术领域

本申请涉及图像识别技术领域，具体涉及一种车牌识别模型生成方法、车牌识别方法、计算机设备及计算机可读存储介质。

背景技术

随着家用汽车的迅速普及，机动车辆数量的激增给城市交通管理带来了很大的困难，智能化交通管理成为城市发展的必要一环。而其中车牌识别技术是现代智能交通系统的关键，例如城市道路监控、小区停车出入管理，高速公路收费与监控等场合都少不了车牌识别技术的应用。

相较于普通的文字识别，车牌存在类型多样、文本信息复杂场景，传统的车牌识别方法难以同时满足对不同样式车牌尤其是双层车牌进行识别的问题，目前最通用的文本识别网络CRNN只能识别单行文本，现有的端到端识别方案研究都只能针对单层车牌。对双层车牌的识别方案则是将车牌图像以字符为单位做多分类识别以后再进行组合，需要处理的数据量较大，实时性不理想，不便于直接应用于嵌入式设备。

发明内容

本申请提供了一种车牌识别模型生成方法、车牌识别方法、计算机设备及计算机可读存储介质。

本申请实施方式涉及的车牌识别模型生成方法，包括：

获取训练车牌图像、以及所述训练车牌图像的特征图张量以及文本标签；

对所述训练车牌图像以层为单位进行拼接处理，确定处理后图像以及所述处理后图像的特征图张量，其中所述训练车牌由至少一层字符组成；

根据所述处理后图像的特征图张量以及所述文本标签，更新所述训练车牌图像的网络权重，以生成所述车牌识别模型。

如此，本申请实施方式能够通过将训练车牌图像以其自身的分层情况以层为单位进行拼接，从而实现对现有的单层车牌以及双层车牌进行统一的端到端识别，并通过图像的特征图张量来对处理后图像的大小进行控制，最后由特征图张量以及文本标签对对应训练车牌图像的网络权重进行更新，如此循环往复地对训练集中的训练车牌图像进行处理，以生成车牌识别模型。

在某些实施方式中，车牌识别模型生成方法还包括：

根据所述训练车牌图像的特征图张量，确定所述训练车牌图像的二分类数据，其中所述二分类数据用于标记所述训练车牌图像是单层车牌或双层车牌；

所述对所述训练车牌图像以层为单位进行拼接处理，确定处理后图像以及所述处理后图像的特征图张量，包括：

根据所述二分类数据，对所述训练车牌图像以层为单位进行拼接处理，确定处理后图像以及所述处理后图像的特征图张量。

如此，本申请能够根据训练车牌图像的特征图张量直接区分训练车牌图像的车牌二分类数据，同时根据该二分类数据决定后续对训练车牌图像进行拼接处理的方式。

在某些实施方式中，所述根据所述二分类数据，对所述训练车牌图像进行拼接处理，确定处理后图像以及所述处理后图像的特征图张量，包括：

在所述训练车牌图像被标记为双层车牌的情况下，将所述训练车牌图像沿第一坐标轴方向切分为两个切分图像；

沿第二坐标轴方向将两个所述切分图像拼接处理，确定所述处理后图像以及所述处理后图像的特征图张量。

如此，本申请能够在训练车牌为双层车牌的情况下对训练车牌图像进行切分处理与拼接处理，以得到处理后图像。

在某些实施方式中，所述根据所述二分类数据，对所述训练车牌图像进行拼接处理，确定处理后图像以及所述处理后图像的特征图张量，包括：

在所述训练车牌图像被标记为单层车牌的情况下，将所述训练车牌图像沿第一坐标轴方向复制为两个复制图像；

沿第二坐标轴方向将两个所述复制图像拼接处理，确定所述处理后图像以及所述处理后图像的特征图张量。

如此，本申请能够在训练车牌为单层车牌的情况下对训练车牌图像进行复制处理与拼接处理，以得到处理后图像。

在某些实施方式中，所述根据所述训练车牌图像的特征图张量，确定所述训练车牌图像的二分类数据，包括：

对所述训练车牌图像的特征图张量进行交叉熵处理，确定所述训练车牌图像的二分类数据。

如此，本申请能够通过交叉熵函数对训练车牌图像的特征图张量进行处理，来确定训练车牌图像的二分类数据，从而确定训练车牌图像是单层车牌还是双层车牌。

在某些实施方式中，所述根据所述处理后图像的特征图张量以及所述文本标签，更新所述训练车牌图像的网络权重，包括：

根据预设损失函数，对所述特征图张量以及所述文本标签进行梯度反向传播处理，更新所述训练车牌图像的网络权重。

如此，本申请能够对确定的处理后图像的特征图张量以及对应的文本标签进行损失函数处理以进行梯度反向传播，从而对确定的处理后图像以及文本标签进行关联。

在某些实施方式中，所述获取训练车牌图像、以及所述训练车牌图像的特征图张量以及文本标签，包括：

获取所述训练车牌图像以及所述训练车牌图像的文本标签；

根据预设网络架构以及预设处理模块对所述训练车牌图像进行处理，确定所述训练车牌图像的特征图张量。

如此，本申请能够通过预设的网络架构以及预设的处理模块得到训练车牌图像的特征图张量，同时相比于目前的相关网络模型大幅降低模型参数大小。

本申请实施方式的车牌识别方法，基于上述实施方式中任一项所述的车牌识别模型，车牌识别方法包括：

获取待识别车牌图像；

根据所述车牌识别模型，确定与所述待识别车牌图像对应的处理后图像；

对所述处理后图像进行文字识别处理，确定车牌识别结果。

如此，本申请能够利用已经生成的车牌识别模型，对待识别车牌进行图像处理，并通过对处理后图像的文字识别，确定出文本格式的车牌识别结果。

在某些实施方式中，所述对所述处理后图像进行文字识别处理，确定车牌识别结果，包括：

对所述处理后图像进行预设解码处理；

根据所述预设解码处理结果以及预设的字典文件，确定所述车牌识别结果。

如此，本申请能够通过解码与字典对照的方式确定文本格式的车牌识别结果。

本申请实施方式的计算机设备，包括存储器与处理器，所述存储器存储有计算机程序，在所述计算机程序被所述处理器执行的情况下，使得所述计算机设备实现如上述实施方式中任一项所述的方法。

本申请实施方式的计算机可读存储介质存储有计算机程序，在所述计算机程序被一个或多个处理器执行的情况下，实现如上述实施方式中任一项所述的方法。

本申请的实施方式的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实施方式的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施方式的车牌识别模型生成方法的流程示意图；

图2为本申请实施方式的车牌识别模型生成方法的应用场景示意图；

图3为本申请实施方式的车牌识别模型生成方法的应用场景示意图；

图4为本申请实施方式的车牌识别模型生成方法的应用场景示意图；

图5为本申请实施方式的车牌识别模型生成方法的应用场景示意图；

图6为本申请实施方式的车牌识别模型生成方法的流程示意图；

图7为本申请实施方式的车牌识别模型生成方法中MobilenetV2网络架构的架构示意图；

图8为本申请实施方式的车牌识别模型生成方法中SE模块的架构示意图；

图9为本申请实施方式的车牌识别方法的流程示意图。

具体实施方式

下面详细描述本申请的实施方式，实施方式的示例在附图中示出，其中，相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本申请的实施方式，而不能理解为对本申请的实施方式的限制。

如图1所示，本申请实施方式的车牌识别模型生成方法，包括如下步骤：

01：获取训练车牌图像、以及训练车牌图像的特征图张量以及文本标签；

02：对训练车牌图像以层为单位进行拼接处理，确定处理后图像以及处理后图像的特征图张量，

其中训练车牌由至少一层字符组成；

03：根据处理后图像的特征图张量以及文本标签，更新训练车牌图像的网络权重，以生成车牌识别模型。

本申请实施方式的计算机设备，包括存储器与处理器，存储器存储有计算机程序，处理器用于获取训练车牌图像、以及训练车牌图像的特征图张量以及文本标签，以及用于对训练车牌图像以层为单位进行拼接处理，确定处理后图像以及处理后图像的特征图张量，以及用于根据处理后图像的特征图张量以及文本标签，更新训练车牌图像的网络权重，以生成车牌识别模型。

在日常生活中，对机动车的管理一般通过机动车行驶证以及机动车号牌实现，机动车号牌也是多种场景中识别机动车的唯一标识。在公共安全行业标准《中华人民共和国机动车号牌》(编号GA36-2018)中规定，汽车或挂车的号牌一般分为440mm×220mm、440mm×140mm以及480mm×140mm三种尺寸规格。在本申请的示例中，将440mm×220mm规格的车牌定义为为双层车牌，即字符分为上下两层的车牌，如图2所示；将440mm×140mm规格或480mm×140mm的车牌定义为单层车牌，即字符只有一层的车牌，如图3所示。

在目前的端到端车牌识别的相关技术中，有关于文本识别的方案几乎都只能针对单层车牌。而目前针对双层车牌的识别方案，可以是将双层车牌切分为两部分，对于两部分进行分别识别，最后合并识别结果。这样的方案进行了两次车牌识别，同时对识别结果进行文本拼接，这样的方案一方面多了一次识别出错的可能，另一方面计算机设备对于人为规定规则的文本进行拼接的精确度并不高。目前针对双层车牌的识别方案还包括将车牌图像切分为多个单字符图像做多分类识别后进行组合的方式，这样的方式虽然提高了字符的识别精确度，但识别效率大大下降。

为了提高识别的效率，降低识别的步骤繁杂度，同时保持识别的精确性，本申请提出了一种车牌识别模型生成方法，用以生成一个自动识别车牌图像的神经网络模型。其中，生成车牌识别模型需要训练用数据以及测试用数据。在某些示例中，训练用数据集合中的车牌图片为通过Opencv进行贴图处理后图像增强合成得到的多个车牌图片，每个车牌图片还对应设置有车牌图片对应的文字标签，文字标签的内容即为车牌图片对应的车牌号码。训练用数据集合中的车牌图片包括了公共安全行业标准《中华人民共和国机动车号牌》(编号GA36-2018)中规定的多种规格的汽车号牌。为了保证训练效果，训练用数据集合的数据条目数至少为20万条数据，每一条数据对应于一个图像与一个文本标签。

特别地，为了使文字标签能够适应双层车牌，在某些示例中，双层车牌图像对应的文字标签中，上层字符与下层字符之间插入一个换行符“ ”，比如双层车牌的上层字符为“黑D”，下层字符为“NT937”，则该双层车牌对应的文字标签为“黑D NT937”。

在某些示例中，测试用数据集合中的车牌图片则通过网络爬取多个真实车牌的照片，在测试时将真实车牌的照片作为输入，检测车牌识别模型的输出图像与文本标签之间的网络权重关系，进而确定车牌识别模型的识别程度。为了保证测试的精确性，一般测试用数据集合的条目个数应不少于5000条，并由labelme软件对图像对应的文件标签进行标注。

接下来对车牌识别模型的训练生成过程进行说明：

首先，从训练用数据集合中随机获取一个训练车牌图像，并同时提取训练车牌图像的特征图张量以及文字标签。特征图张量用于描述多个特征图所对应的数据特征以及图像特征，其中多个特征图是由经卷积神经网络(CNN)对训练车牌图像进行卷积处理得到的。文字标签的内容即为车牌图片对应的车牌号码。

接下来，对上述训练车牌图像进行图像预处理后，以层为单位进行拼接。比如，当训练车牌图像为双层车牌的情况下，则以层为单位，将训练车牌图像中的上下两层字符进行图像预处理以及拼接处理，得到一个根据训练车牌图像确定的处理后图像，同时根据处理后图像的图像特征，确定处理后图像对应的特征图张量。

最后，以处理后图像的特征图张量以及训练车牌图像对应的文本标签为基础数据，进行梯度反向传播处理，以更新训练车牌图像与文本标签的网络权重关系。然后再从训练用数据集合中获取一个新的训练车牌图像。如此循环往复，根据训练用数据集合中的数据，通过卷积神经网络CNN的训练，最终生成一个能够对任意输入的汽车号牌的图像进行处理、输出一个可供直接进行车牌号识别的处理后图像的车牌识别模型。

如此，本申请实施方式能够通过将训练车牌图像以其自身的分层情况以层为单位进行拼接，从而实现对现有的单层车牌以及双层车牌进行统一的端到端识别，并通过图像的特征图张量来对处理后图像的大小进行控制，最后由特征图张量以及文本标签对对应训练车牌图像的网络权重进行更新，如此循环往复地对训练集中的训练车牌图像进行处理，以生成车牌识别模型。

在某些实施方式中，车牌识别模型生成方法还包括：

根据训练车牌图像的特征图张量，确定训练车牌图像的二分类数据，其中二分类数据用于标记训练车牌图像是单层车牌或双层车牌；

在此基础上，步骤02包括：

根据二分类数据，对训练车牌图像以层为单位进行拼接处理，确定处理后图像以及处理后图像的特征图张量。

在某些实施方式中，处理器还用于根据训练车牌图像的特征图张量，确定训练车牌图像的二分类数据，其中二分类数据用于标记训练车牌图像是单层车牌或双层车牌，以及用于根据二分类数据，对训练车牌图像以层为单位进行拼接处理，确定处理后图像以及处理后图像的特征图张量。

具体地，在上述实施方式的基础上，为了在进行图像预处理以及拼接处理之前，对图像预处理的方式方法进行确定，本申请实施方式在获取到训练车牌图像以及对应的特征图张量、文字标签以后，以特征图张量为原始数据，通过预设的数学方式对特征图张量进行处理，得到一个用于描述训练车牌图像类型的二分类数据。该二分类数据的值分别对应了训练车牌为单层车牌、以及训练车牌为双层车牌这两个不同的结果。在确认了训练车牌图像的二分类数据后，卷积神经网络即可以根据训练车牌图像被标记的车牌种类，确定后续对训练车牌图像的处理方式。

如此，本申请能够根据训练车牌图像的特征图张量直接区分训练车牌图像的车牌二分类数据，同时根据该二分类数据决定后续对训练车牌图像进行拼接处理的方式。

在某些实施方式中，根据二分类数据，对训练车牌图像进行拼接处理，确定处理后图像以及处理后图像的特征图张量，包括：

在训练车牌图像被标记为双层车牌的情况下，将训练车牌图像沿第一坐标轴方向切分为两个切分图像；

沿第二坐标轴方向将两个切分图像拼接处理，确定处理后图像以及处理后图像的特征图张量。

在某些实施方式中，处理器还用于在训练车牌图像被标记为双层车牌的情况下，将训练车牌图像沿第一坐标轴方向切分为两个切分图像，以及用于沿第二坐标轴方向将两个切分图像拼接处理，确定处理后图像以及处理后图像的特征图张量。

具体地，接下来示例性说明当训练车牌图像被标记为双层车牌的情况：

在根据二分类数据将训练车牌图像标记为双层车牌的情况下，如图2所示的车牌图像，则将该训练车牌图像沿纵轴方向切分为两个切分图像。考虑到图像拼接的方便，在某些示例中，可以沿坐标纵轴方向将训练车牌图像平均切分为两个切分图像。而考虑到切分图像中字符的完整性，在某些示例中，也可以在上层字符的下沿与下层字符的上沿之间的空隙的正中央轴线沿纵轴方向将图像平均切分为两个切分图像。

比如，请参阅图2所示的双层车牌，其高度为220mm，可以沿坐标纵轴方向在高度为110mm的位置将训练车牌图像平均切分为两个切分图像，也可以沿坐标纵轴方向在在上层字符的下沿与下层字符的上沿之间的宽15mm的空隙的正中央轴线将图像平均切分为两个切分图像。。

在得到两个切分图像后，将原本表示上层字符的切分图像置于表示下层字符的切分图像左侧，沿坐标横轴方向将两个切分图像重新拼接为一个图像，也即处理后图像。而为了获取处理后图像的特征图张量具体地，一般采用concat函数的方式，将切分后两个切分图像的特征图张量根据上述的拼接方式合并为一个新的张量，也即对应于处理后图像的特征图张量。

在某些示例中，在采用对训练车牌图像进行平均切分的切分方式的情况下，且训练车牌图像的特征图张量中图像大小分量为[1,512,2,50]，其中从左向右第二个数表示训练车牌图像的长度，单位为像素，从左向右第三个数表示字符的层数。在上述情况下训练车牌图像被平均切分为1号切分图像以及2号切分图像，1号切分图像对应的特征图张量为F1，2号切分图像对应的特征图张量为F2，则在对两个切分图像进行拼接后，得到的处理后图像的特征图张量F3与F1以及F2的关系为：F3＝concat([F1,F2].axis＝2)，其中axis＝2表示在坐标横轴上拼接1号切分图像以及2号切分图像，F3中图像大小分量为[1,1024,1,50]，即表示得到的处理后图像的字符层数仅有1层，同时处理后图像的长度是训练车牌图像的2倍。

上述的切分效果如图4以及图5所示，图4为切分前的训练车牌图像，图5为拼接完成得到的处理后图像。

如此，本申请能够在训练车牌为双层车牌的情况下对训练车牌图像进行切分处理与拼接处理，以得到处理后图像。

在某些实施方式中，根据二分类数据，对训练车牌图像进行拼接处理，确定处理后图像以及处理后图像的特征图张量，包括：

在训练车牌图像被标记为单层车牌的情况下，将训练车牌图像沿第一坐标轴方向复制为两个复制图像；

沿第二坐标轴方向将两个复制图像拼接处理，确定处理后图像以及处理后图像的特征图张量。

在某些实施方式中，处理器还用于在训练车牌图像被标记为单层车牌的情况下，将训练车牌图像沿第一坐标轴方向复制为两个复制图像，以及用于沿第二坐标轴方向将两个复制图像拼接处理，确定处理后图像以及处理后图像的特征图张量。

具体地，接下来示例性说明当训练车牌图像被标记为单层车牌的情况：

在根据二分类数据将训练车牌图像标记为单层车牌的情况下，如图3所示的车牌图像，则将该训练车牌图像沿纵轴方向复制一次，得到两个复制图像。在得到两个复制图像后，将其中一个复制图像置于另一个复制图像的左侧，沿坐标横轴方向将两个复制图像重新拼接为一个图像，也即处理后图像。而为了获取处理后图像的特征图张量具体地，一般采用concat函数的方式，将复制后两个复制图像的特征图张量根据上述的拼接方式合并为一个新的张量，也即对应于处理后图像的特征图张量。采用上述复制方式的主要目的在于，保证通过复制拼接方式确定的处理后图像、与通过切分拼接确定的处理后图像，在尺寸上保持一致，便于后续的计算统一化，降低计算繁杂度，提高计算的精确度。

在某些示例中，训练车牌图像被标记为单层车牌，且训练车牌图像的特征图张量中图像大小分量为[1,512,1,50]，其中从左向右第二个数表示训练车牌图像的长度，单位为像素，从左向右第三个数表示字符的层数。在上述情况下训练车牌图像沿坐标纵轴方向被复制两个完全相同的复制图像，两个复制图像分别对应了相同的特征图张量F1与F2。则在对两个复制图像进行拼接后，得到的处理后图像的特征图张量F3与F1以及F2的关系为：F3＝concat([F1,F2].axis＝1)，其中axis＝1表示在坐标横轴上拼接两个完全相同的复制图像，F3中图像大小分量为[1,1024,1,50]，即表示得到的处理后图像的字符层数仅有1层，同时处理后图像的长度是训练车牌图像的2倍。

如此，本申请能够在训练车牌为单层车牌的情况下对训练车牌图像进行复制处理与拼接处理，以得到处理后图像。

在某些实施方式中，根据二分类数据，对训练车牌图像进行拼接处理，确定处理后图像以及处理后图像的特征图张量，包括：

对训练车牌图像的特征图张量进行交叉熵处理，确定训练车牌图像的二分类数据。

在某些实施方式中，处理器还用于对训练车牌图像的特征图张量进行交叉熵处理，确定训练车牌图像的二分类数据。

具体地，对于确定训练车牌图像的二分类数据、以标记训练车牌图像是单层车牌或是双层车牌的过程，可以采用交叉熵处理的方式执行。

在某些示例中，在确定了训练车牌图像的特征图张量后，将训练车牌图像的特征图连接到卷积神经网络CNN的全连接层，通过交叉熵函数对特征图张量进行处理，从而实现对特征图张量的梯度更新。具体地，交叉熵函数处理至少包括如下两组函数：

其中，上式为softmax函数，z为卷积神经网络全连接层数据中被输出的其中一组结果，z

下式为交叉熵损失函数，其中f(z

如此，本申请能够通过交叉熵函数对训练车牌图像的特征图张量进行处理，来确定训练车牌图像的二分类数据，从而确定训练车牌图像是单层车牌还是双层车牌。

在某些实施方式中，步骤03包括：

根据预设损失函数，对特征图张量以及文本标签进行梯度反向传播处理，更新训练车牌图像的网络权重。

在某些实施方式中，处理器还用于根据预设损失函数，对特征图张量以及文本标签进行梯度反向传播处理，更新训练车牌图像的网络权重。

具体地，对于车牌识别模型的训练生成过程，最终验证处理后图像的网络权重，以验证图像处理的正确性是必要的步骤。在某些示例中，对于上述问题，采用通过CTCLoss函数对处理后图像的特征图张量以及文本标签进行处理的方式，以进行梯度反向传播，最终向卷积神经网络CNN更新训练车牌图像的网络权重，从而验证或更新训练车牌图像与文本标签之间的对应关系。在某些示例中，利用CTC解码对处理后图像进行图像识别与解码，并利用CTCLoss函数以处理后图像的特征值张量以及训练车牌图像对应的文本标签为输入，根据处理后图像的识别解码结果、以及对应的特征值张量，对文本标签的序列进行最大似然估计，最终利用CTCLoss函数的输出结果向卷积神经网络CNN进行梯度反向传播，以更新训练车牌图像的网络权重，从而更新训练车牌图像与文本标签间的对应关系。

如此，本申请能够对确定的处理后图像的特征图张量以及对应的文本标签进行损失函数处理以进行梯度反向传播，从而对确定的处理后图像以及文本标签进行关联。

如图6所示，在某些实施方式中，步骤01包括：

011：获取训练车牌图像以及训练车牌图像的文本标签；

012：根据预设网络架构以及预设处理模块对训练车牌图像进行处理，确定训练车牌图像的特征图张量。

在某些实施方式中，处理器还用于获取训练车牌图像以及训练车牌图像的文本标签，以及用于根据预设网络架构以及预设处理模块对训练车牌图像进行处理，确定训练车牌图像的特征图张量。

具体地，对于利用卷积神经网络CNN确定训练车牌图像的特征图张量，在某些实施方式中，本申请采用设置有SE模块的MobilenetV2网络架构来对训练车牌图像进行卷积处理与分析，以确定训练车牌图像的特征图张量，图7示出了常见的MobilenetV2网络架构中各卷积层的构成模式，通过对图像进行卷积输入、像素数处理以及非线性化的卷积行为模式来降低车牌识别模型的参数大小，而图8则示出了常见的SE模块的信息传递结构，通过SE模块的设置来保证车牌识别模型的图像处理识别的准确率。MobilenetV2网络架构是一种轻量级的卷积神经网络，在设置了具有通道维度融合注意力机制的SE模块后，能够实现在有效减小车牌识别模型的参数大小的同时、保证车牌识别模型的识别准确率。根据上述卷积神经网络、以及上述实施方式中的车牌识别模型生成方法确定的车牌识别模型，输出的参数大小体量能够便于车牌识别模型在移动端或嵌入式设备上部署，有效扩大了车牌识别模型的应用范围。

如此，本申请能够通过预设的网络架构以及预设的处理模块得到训练车牌图像的特征图张量，同时相比于目前的相关网络模型大幅降低模型参数大小。

如图9所示，本申请实施方式的车牌识别方法，基于上述实施方式中任一项的车牌识别模型，车牌识别方法具体包括如下步骤：

001：获取待识别车牌图像；

002：根据车牌识别模型，确定与待识别车牌图像对应的处理后图像；

003：对处理后图像进行文字识别处理，确定车牌识别结果。

本申请实施方式的处理器还用于获取待识别车牌图像，以及用于根据车牌识别模型，确定与待识别车牌图像对应的处理后图像，以及用于对处理后图像进行文字识别处理，确定车牌识别结果。

具体地，在车牌识别模型生成后，即可以将该模型作为对待识别图像的处理流程，生成一个可直接用于车牌号识别的处理后图像，然后将生成的处理后图像输入到预设的文字识别处理应用进行文字识别，从而得到文本格式的车牌识别结果。对于文字识别处理，可以采用OCR，也即光学字符识别的方式对车牌字符进行识别，也可以通过诸如CTC等解码方式对车牌字符进行解码与识别，最终得到文本格式的车牌识别结果。

如此，本申请能够利用已经生成的车牌识别模型，对待识别车牌进行图像处理，并通过对处理后图像的文字识别，确定出文本格式的车牌识别结果。

在某些实施方式中，步骤003包括：

对处理后图像进行预设解码处理；

根据预设解码处理结果以及预设的字典文件，确定车牌识别结果。

在某些实施方式中，处理器还用于对处理后图像进行预设解码处理，以及用于根据预设解码处理结果以及预设的字典文件，确定车牌识别结果。

具体地，在某些示例中，在待识别车牌图像经由车牌识别模型处理得到处理后图像以后，对处理后图像进行CTC解码处理，从路径获得序列，其中路径指二维字符数组中从第一列到最后一列的移动路线，序列则指对路径进行后处理所对应的实际字符串。经过CTC解码处理，根据处理后图像即能够得到一个字符串。然后根据预设的字典文件中对字符与字符间对应关系的记载，将得到的字符串翻译为目标文本，也即对应于文本格式的车牌识别结果。

如此，本申请能够通过解码与字典对照的方式确定文本格式的车牌识别结果。

本申请实施方式的计算机可读存储介质存储有计算机程序，在所述计算机程序被一个或多个处理器执行的情况下，实现如上述实施方式中任一项所述的方法。

在本说明书的描述中，参考术语“某些实施方式”、“一个例子中”、“示例地”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

尽管上面已经示出和描述了本申请的实施方式，可以理解的是，上述实施方式是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施方式进行变化、修改、替换和变型。