本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別是涉及一種車牌字符識(shí)別方法及裝置。

背景技術(shù)：

隨著科學(xué)技術(shù)的進(jìn)步和各種場(chǎng)景中對(duì)車牌識(shí)別的需求的增加，車牌識(shí)別技術(shù)逐漸發(fā)展起來。基于車牌識(shí)別技術(shù)的車牌識(shí)別設(shè)備已被廣泛應(yīng)用于停車場(chǎng)、城市道路、高速公路等區(qū)域，以對(duì)車牌號(hào)碼的自動(dòng)抓拍和識(shí)別。

車牌識(shí)別一般包括車牌定位、車牌字符分割以及車牌字符識(shí)別這三個(gè)過程。車牌定位是指對(duì)圖像采集設(shè)備采集到的車牌圖像進(jìn)行定位，獲得包含車牌的區(qū)域。車牌字符分割是指對(duì)包含車牌的區(qū)域進(jìn)行字符分割。車牌字符識(shí)別是指對(duì)分割得到的字符進(jìn)行識(shí)別，得到車牌號(hào)碼。

目前，在對(duì)車牌字符進(jìn)行識(shí)別的過程中，通常使用套模板方式對(duì)車牌字符進(jìn)行分割后識(shí)別。即根據(jù)車牌的結(jié)構(gòu)制作出模板，例如，藍(lán)色車牌有7個(gè)字符，7個(gè)字符的物理距離分布是固定的，如果可以得到一個(gè)精確定位后的區(qū)域，則使用模板往包含字符的區(qū)域上面一套，就可以得到7個(gè)完整的字符。

然而，在實(shí)際應(yīng)用中，攝像機(jī)安裝角度不正確，或者車輛行駛軌跡異常等因素，都會(huì)造成采集到的車牌圖像中的車牌存在一定歪斜角度，對(duì)這樣的圖像使用套模板方式，分割出的字符可能會(huì)出現(xiàn)不完整或者存在切錯(cuò)的情況，這樣會(huì)導(dǎo)致后續(xù)的字符識(shí)別失敗，使得車牌號(hào)碼識(shí)別準(zhǔn)確率不高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種車牌字符識(shí)別方法及裝置，以提高車牌號(hào)碼識(shí)別準(zhǔn)確率。

為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

一種車牌字符識(shí)別方法，包括：

獲得待進(jìn)行車牌號(hào)碼識(shí)別的車牌圖像；

基于預(yù)先建立的精確定位模型，獲得所述車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)；

根據(jù)所述車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，對(duì)所述車牌圖像中的車牌字符進(jìn)行分割，獲得多個(gè)分割圖像；

分別對(duì)每個(gè)分割圖像中的車牌字符進(jìn)行識(shí)別，獲得車牌號(hào)碼。

在本發(fā)明的一種具體實(shí)施方式中，所述獲得待進(jìn)行車牌號(hào)碼識(shí)別的車牌圖像，包括：

獲得目標(biāo)車輛的車輛圖像；

對(duì)所述車輛圖像的車牌區(qū)域進(jìn)行定位，獲得車牌區(qū)域圖像；

對(duì)所述車牌區(qū)域圖像進(jìn)行預(yù)處理，獲得待進(jìn)行車牌號(hào)碼識(shí)別的車牌圖像。

在本發(fā)明的一種具體實(shí)施方式中，通過以下步驟預(yù)先建立所述精確定位模型：

獲得樣本圖像集，所述樣本圖像集中包含多個(gè)不同車牌號(hào)碼、多種不同角度的車牌樣本圖像；

對(duì)所述樣本圖像集中每個(gè)車牌樣本圖像的車牌邊框區(qū)域及車牌字符區(qū)域進(jìn)行標(biāo)注，獲得每個(gè)車牌樣本圖像的預(yù)設(shè)數(shù)量的特征點(diǎn)；

根據(jù)每個(gè)車牌樣本圖像的特征點(diǎn)，建立所述精確定位模型。

在本發(fā)明的一種具體實(shí)施方式中，所述根據(jù)每個(gè)車牌樣本圖像的特征點(diǎn)，建立所述精確定位模型，包括：

基于每個(gè)車牌樣本圖像的特征點(diǎn)，使用平方誤差損失之和的梯度樹提升算法對(duì)每個(gè)車牌樣本圖像進(jìn)行訓(xùn)練，獲得精確定位回歸樹模型。

在本發(fā)明的一種具體實(shí)施方式中，所述精確定位回歸樹模型為多層結(jié)構(gòu)，每層包含設(shè)定第一數(shù)量的樹，每棵樹包含設(shè)定第二數(shù)量的節(jié)點(diǎn)和設(shè)定第三數(shù)量的葉子，每個(gè)葉子保存車牌樣本圖像的特征點(diǎn)的位置信息和偏移量。

一種車牌字符識(shí)別裝置，包括：

車牌圖像獲得模塊，用于獲得待進(jìn)行車牌號(hào)碼識(shí)別的車牌圖像；

特征點(diǎn)獲得模塊，用于基于預(yù)先建立的精確定位模型，獲得所述車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)；

分割圖像獲得模塊，用于根據(jù)所述車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，對(duì)所述車牌圖像中的車牌字符進(jìn)行分割，獲得多個(gè)分割圖像；

車牌號(hào)碼獲得模塊，用于分別對(duì)每個(gè)分割圖像中的車牌字符進(jìn)行識(shí)別，獲得車牌號(hào)碼。

在本發(fā)明的一種具體實(shí)施方式中，所述車牌圖像獲得模塊，具體用于：

獲得目標(biāo)車輛的車輛圖像；

對(duì)所述車輛圖像的車牌區(qū)域進(jìn)行定位，獲得車牌區(qū)域圖像；

對(duì)所述車牌區(qū)域圖像進(jìn)行預(yù)處理，獲得待進(jìn)行車牌號(hào)碼識(shí)別的車牌圖像。

在本發(fā)明的一種具體實(shí)施方式中，還包括精確定位模型建立模塊，用于通過以下步驟預(yù)先建立所述精確定位模型：

獲得樣本圖像集，所述樣本圖像集中包含多個(gè)不同車牌號(hào)碼、多種不同角度的車牌樣本圖像；

對(duì)所述樣本圖像集中每個(gè)車牌樣本圖像的車牌邊框區(qū)域及車牌字符區(qū)域進(jìn)行標(biāo)注，獲得每個(gè)車牌樣本圖像的預(yù)設(shè)數(shù)量的特征點(diǎn)；

根據(jù)每個(gè)車牌樣本圖像的特征點(diǎn)，建立所述精確定位模型。

在本發(fā)明的一種具體實(shí)施方式中，所述精確定位模型建立模塊，具體用于：

基于每個(gè)車牌樣本圖像的特征點(diǎn)，使用平方誤差損失之和的梯度樹提升算法對(duì)每個(gè)車牌樣本圖像進(jìn)行訓(xùn)練，獲得精確定位回歸樹模型。

在本發(fā)明的一種具體實(shí)施方式中，所述精確定位回歸樹模型為多層結(jié)構(gòu)，每層包含設(shè)定第一數(shù)量的樹，每棵樹包含設(shè)定第二數(shù)量的節(jié)點(diǎn)和設(shè)定第三數(shù)量的葉子，每個(gè)葉子保存車牌樣本圖像的特征點(diǎn)的位置信息和偏移量。

應(yīng)用本發(fā)明實(shí)施例所提供的技術(shù)方案，獲得待進(jìn)行車牌號(hào)碼識(shí)別的車牌圖像后，可以基于預(yù)先建立的精確定位模型，獲得車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，根據(jù)車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，對(duì)車牌圖像中的車牌字符進(jìn)行分割，獲得多個(gè)分割圖像，分別對(duì)每個(gè)分割圖像中的車牌字符進(jìn)行識(shí)別，獲得車牌號(hào)碼?；陬A(yù)先建立的精確定位模型，可以準(zhǔn)確獲得車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，使得分割圖像中的車牌字符較為完整，避免切錯(cuò)情況的發(fā)生，提高了車牌號(hào)碼識(shí)別準(zhǔn)確率。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例中一種車牌字符識(shí)別方法的實(shí)施流程圖；

圖2為本發(fā)明實(shí)施例中一種車牌字符識(shí)別裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

參見圖1所示，為本發(fā)明實(shí)施例所提供的一種車牌字符識(shí)別方法的實(shí)施流程圖，該方法可以包括以下步驟：

S110：獲得待進(jìn)行車牌號(hào)碼識(shí)別的車牌圖像。

在實(shí)際應(yīng)用中，在停車場(chǎng)、城市道路、高速公路等區(qū)域都可以安裝車牌識(shí)別設(shè)備，車牌識(shí)別設(shè)備可以對(duì)通過圖像采集設(shè)備采集到的車輛圖像進(jìn)行一定處理后，進(jìn)行車牌識(shí)別。

在本發(fā)明的一種具體實(shí)施方式中，步驟S110可以包括以下步驟：

步驟一：獲得目標(biāo)車輛的車輛圖像；

步驟二：對(duì)車輛圖像的車牌區(qū)域進(jìn)行定位，獲得車牌區(qū)域圖像；

步驟三：對(duì)車牌區(qū)域圖像進(jìn)行預(yù)處理，獲得待進(jìn)行車牌號(hào)碼識(shí)別的車牌圖像。

通過圖像采集設(shè)備可以采集到車輛圖像，在車輛圖像中包含車牌區(qū)域。獲得目標(biāo)車輛的車輛圖像后，可以對(duì)車輛圖像的車牌區(qū)域進(jìn)行定位，獲得車牌區(qū)域圖像。具體可以使用現(xiàn)有技術(shù)的定位方法，本發(fā)明實(shí)施例在此不再贅述。

車牌區(qū)域圖像即為包含車牌的圖像，對(duì)車牌區(qū)域圖像進(jìn)行預(yù)處理。預(yù)處理可以包括灰度處理和尺寸調(diào)整等處理。

對(duì)車牌區(qū)域圖像進(jìn)行預(yù)處理后，可以將預(yù)處理后的車牌區(qū)域圖像確定為待進(jìn)行車牌號(hào)碼識(shí)別的車牌圖像。

S120：基于預(yù)先建立的精確定位模型，獲得車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)。

在本發(fā)明實(shí)施例中，可以預(yù)先建立一個(gè)精確定位模型，通過該精確定位模型，可以對(duì)車牌圖像中的車牌字符及車牌邊框進(jìn)行精確定位。

在本發(fā)明的一種具體實(shí)施方式中，可以通過以下步驟預(yù)先建立精確定位模型：

第一個(gè)步驟：獲得樣本圖像集，樣本圖像集中包含多個(gè)不同車牌號(hào)碼、不同角度的車牌樣本圖像；

第二個(gè)步驟：對(duì)樣本圖像集中每個(gè)車牌樣本圖像的車牌邊框區(qū)域及車牌字符區(qū)域進(jìn)行標(biāo)注，獲得每個(gè)車牌樣本圖像的預(yù)設(shè)數(shù)量的特征點(diǎn)；

第三個(gè)步驟：根據(jù)每個(gè)車牌樣本圖像的特征點(diǎn)，建立精確定位模型。

為便于描述，將上述三個(gè)步驟結(jié)合起來進(jìn)行說明。

在實(shí)際應(yīng)用中，通過在各大室內(nèi)和室外停車場(chǎng)的出入口架設(shè)圖像采集設(shè)備，如攝像機(jī)等，錄制各種時(shí)間段、各種天氣情況下的車輛的圖像與視頻，可以獲得多個(gè)車輛圖像，通過初步定位可以從車輛圖像中截取出車牌圖像。從多個(gè)車牌圖像中按照設(shè)定規(guī)則選擇出樣本圖像集，使得樣本圖像集中可以包含多個(gè)不同車牌號(hào)碼，多種不同角度的車牌樣本圖像。

對(duì)樣本圖像集中每個(gè)車牌樣本圖像的車牌邊框區(qū)域及車牌字符區(qū)域進(jìn)行標(biāo)注，可以獲得每個(gè)車牌樣本圖像的預(yù)設(shè)數(shù)量的特征點(diǎn)。

舉例而言，針對(duì)某個(gè)車牌樣本圖像，可以先對(duì)該車牌樣本圖像中車牌的四個(gè)頂點(diǎn)進(jìn)行標(biāo)注，然后在上邊框的兩個(gè)頂點(diǎn)之間等間距標(biāo)注5個(gè)點(diǎn)，在下邊框的兩個(gè)頂點(diǎn)之間再等間距標(biāo)注5個(gè)點(diǎn)，在左邊框的兩個(gè)頂點(diǎn)之間等間距標(biāo)注2個(gè)點(diǎn)，在右邊框的兩個(gè)頂點(diǎn)之間等間距標(biāo)注2個(gè)點(diǎn)。通過標(biāo)注可以獲得該車牌樣本圖像中車牌邊框區(qū)域的18個(gè)特征點(diǎn)。

對(duì)車牌樣本圖像中的車牌字符區(qū)域進(jìn)行標(biāo)注，如果車牌上共有7個(gè)字符，則可以在每個(gè)字符的上中心點(diǎn)、下中心點(diǎn)、左中心點(diǎn)、右中心點(diǎn)及正中心點(diǎn)分別進(jìn)行標(biāo)注。通過標(biāo)注可以獲得該車牌樣本圖像中車牌字符區(qū)域的35個(gè)特征點(diǎn)。

車牌邊框區(qū)域的18個(gè)特征點(diǎn)加上車牌字符區(qū)域的35個(gè)特征點(diǎn)，共53個(gè)特征點(diǎn)，該車牌樣本圖像的車牌可以用這53個(gè)特征點(diǎn)表示。

對(duì)樣本圖像集中的每個(gè)車牌樣本圖像均進(jìn)行以上標(biāo)注操作，可以獲得每個(gè)車牌樣本圖像的預(yù)設(shè)數(shù)量的特征點(diǎn)。

根據(jù)每個(gè)車牌樣本圖像的特征點(diǎn)，通過訓(xùn)練，可以建立精確定位模型。

具體的，基于每個(gè)車牌樣本圖像的特征點(diǎn)，可以使用平方誤差損失之和的梯度數(shù)提升算法對(duì)每個(gè)車牌樣本圖像進(jìn)行訓(xùn)練，獲得精確定位回歸樹模型。

精確定位回歸樹模型為多層結(jié)構(gòu)，每層包含設(shè)定第一數(shù)量的樹，每棵樹包含設(shè)定第二數(shù)量的節(jié)點(diǎn)和設(shè)定第三數(shù)量的葉子，每個(gè)葉子保存車牌樣本圖像的特征點(diǎn)的位置信息和偏移量。

精確定位回歸樹模型的層數(shù)可以根據(jù)實(shí)際需要設(shè)定，使得輸出結(jié)果達(dá)到預(yù)期即可。

在本發(fā)明實(shí)施例中，可以預(yù)先設(shè)計(jì)一個(gè)初始回歸樹模型，使用車牌樣本圖像的特征點(diǎn)進(jìn)行訓(xùn)練，可以建立最終的精確定位回歸樹模型。

比如，設(shè)計(jì)的初始回歸樹模型為15層結(jié)構(gòu)。每個(gè)車牌樣本圖像的車牌有53個(gè)特征點(diǎn)，需要經(jīng)過15層的處理，每一層均包含500棵樹。

將53個(gè)特征點(diǎn)作為整體一起訓(xùn)練，具體的，可以采用級(jí)聯(lián)方式，訓(xùn)練完一層再在上一層結(jié)果的基礎(chǔ)上進(jìn)行下一層訓(xùn)練，直至15層訓(xùn)練結(jié)束，得到15層的結(jié)構(gòu)，每層500棵樹，以及每棵樹的節(jié)點(diǎn)的閾值和葉子的值。每個(gè)葉子中保存有53個(gè)坐標(biāo)(x,y)，即106個(gè)值。

在實(shí)際應(yīng)用的時(shí)候，每次獲取一個(gè)車牌樣本圖像，就將該車牌樣本圖像的53個(gè)特征點(diǎn)作為一個(gè)整體進(jìn)行判斷，每棵樹經(jīng)過一個(gè)節(jié)點(diǎn)就與閾值比較，選擇往左邊走(小于閾值)還是往右邊走(大于閾值)，直到到達(dá)一個(gè)葉子，該葉子上的值為本棵樹的結(jié)果。

每一層操作完成后，再把500個(gè)值累加起來得到最終結(jié)果，就可以一次得到53個(gè)特征點(diǎn)的偏移值。如此類推，經(jīng)過15層操作后就可以得到該車牌的7個(gè)字符的特征點(diǎn)的精確偏移位置，從而可以精確地將車牌上的字符分割出來。

每一層的回歸樹都使用上一層的樹訓(xùn)練得到，可以表示為：

如果用x_i∈R²來表示一張圖像I的第i個(gè)特征點(diǎn)的x坐標(biāo)和y坐標(biāo)，向量可以表示圖像I上所有p個(gè)特征點(diǎn)。表示S的預(yù)測(cè)。r_t表示回歸量，根據(jù)圖像I中的一些特征計(jì)算得到。在每一層的預(yù)測(cè)中，回歸量r_t可以通過使用平方誤差損失之和的梯度樹提升算法(The gradient tree boosting algorithm with a sum of square error loss)進(jìn)行訓(xùn)練。

預(yù)先建立的精確定位模型是以不同車牌號(hào)碼、不同角度的車牌樣本圖像為訓(xùn)練數(shù)據(jù)訓(xùn)練得到的，可以適用于各種角度的車牌圖像的精確定位。

在步驟S110，獲得待進(jìn)行車牌號(hào)碼識(shí)別的車牌圖像后，可以基于預(yù)先建立的精確定位模型，獲得車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，對(duì)車牌進(jìn)行精確定位。

S130：根據(jù)車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，對(duì)車牌圖像中的車牌字符進(jìn)行分割，獲得多個(gè)分割圖像。

對(duì)車牌圖像中的車牌進(jìn)行精確定位后，可以根據(jù)車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，對(duì)車牌圖像中的車牌字符進(jìn)行分割，獲得多個(gè)分割圖像。這樣，得到的每個(gè)分割圖像中的車牌字符較為完整，避免切錯(cuò)的情況發(fā)生。

S140：分別對(duì)每個(gè)分割圖像中的車牌字符進(jìn)行識(shí)別，獲得車牌號(hào)碼。

在步驟S130獲得多個(gè)分割圖像后，可以分別對(duì)每個(gè)分割圖像中的字符進(jìn)行識(shí)別，獲得車牌號(hào)碼。達(dá)到車牌號(hào)碼識(shí)別的目的。具體的，可以使用現(xiàn)有的字符識(shí)別技術(shù)對(duì)分割圖像中的車牌字符進(jìn)行識(shí)別，本發(fā)明實(shí)施例對(duì)此不再贅述。

應(yīng)用本發(fā)明實(shí)施例所提供的方法，獲得待進(jìn)行車牌號(hào)碼識(shí)別的車牌圖像后，可以基于預(yù)先建立的精確定位模型，獲得車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，根據(jù)車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，對(duì)車牌圖像中的車牌字符進(jìn)行分割，獲得多個(gè)分割圖像，分別對(duì)每個(gè)分割圖像中的車牌字符進(jìn)行識(shí)別，獲得車牌號(hào)碼?；陬A(yù)先建立的精確定位模型，可以準(zhǔn)確獲得車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，使得分割圖像中的車牌字符較為完整，避免切錯(cuò)情況的發(fā)生，提高了車牌號(hào)碼識(shí)別準(zhǔn)確率。

相應(yīng)于上面的方法實(shí)施例，本發(fā)明實(shí)施例還提供了一種車牌字符識(shí)別裝置，下文描述的一種車牌字符識(shí)別裝置與上文描述的一種車牌字符識(shí)別方法可相互對(duì)應(yīng)參照。

參見圖2所示，該裝置包括以下模塊：

車牌圖像獲得模塊210，用于獲得待進(jìn)行車牌號(hào)碼識(shí)別的車牌圖像；

特征點(diǎn)獲得模塊220，用于基于預(yù)先建立的精確定位模型，獲得車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)；

分割圖像獲得模塊230，用于根據(jù)車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，對(duì)車牌圖像中的車牌字符進(jìn)行分割，獲得多個(gè)分割圖像；

車牌號(hào)碼獲得模塊240，用于分別對(duì)每個(gè)分割圖像中的車牌字符進(jìn)行識(shí)別，獲得車牌號(hào)碼。

應(yīng)用本發(fā)明實(shí)施例所提供的裝置，獲得待進(jìn)行車牌號(hào)碼識(shí)別的車牌圖像后，可以基于預(yù)先建立的精確定位模型，獲得車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，根據(jù)車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，對(duì)車牌圖像中的車牌字符進(jìn)行分割，獲得多個(gè)分割圖像，分別對(duì)每個(gè)分割圖像中的車牌字符進(jìn)行識(shí)別，獲得車牌號(hào)碼。基于預(yù)先建立的精確定位模型，可以準(zhǔn)確獲得車牌圖像的車牌邊框區(qū)域和車牌字符區(qū)域的特征點(diǎn)，使得分割圖像中的車牌字符較為完整，避免切錯(cuò)情況的發(fā)生，提高了車牌號(hào)碼識(shí)別準(zhǔn)確率。

在本發(fā)明的一種具體實(shí)施方式中，車牌圖像獲得模塊210，具體用于：

獲得目標(biāo)車輛的車輛圖像；

對(duì)車輛圖像的車牌區(qū)域進(jìn)行定位，獲得車牌區(qū)域圖像；

對(duì)車牌區(qū)域圖像進(jìn)行預(yù)處理，獲得待進(jìn)行車牌號(hào)碼識(shí)別的車牌圖像。

在本發(fā)明的一種具體實(shí)施方式中，還包括精確定位模型建立模塊，用于通過以下步驟預(yù)先建立精確定位模型：

獲得樣本圖像集，樣本圖像集中包含多個(gè)不同車牌號(hào)碼、多種不同角度的車牌樣本圖像；

對(duì)樣本圖像集中每個(gè)車牌樣本圖像的車牌邊框區(qū)域及車牌字符區(qū)域進(jìn)行標(biāo)注，獲得每個(gè)車牌樣本圖像的預(yù)設(shè)數(shù)量的特征點(diǎn)；

根據(jù)每個(gè)車牌樣本圖像的特征點(diǎn)，建立精確定位模型。

在本發(fā)明的一種具體實(shí)施方式中，精確定位模型建立模塊，具體用于：

基于每個(gè)車牌樣本圖像的特征點(diǎn)，使用平方誤差損失之和的梯度樹提升算法對(duì)每個(gè)車牌樣本圖像進(jìn)行訓(xùn)練，獲得精確定位回歸樹模型。

在本發(fā)明的一種具體實(shí)施方式中，精確定位回歸樹模型為多層結(jié)構(gòu)，每層包含設(shè)定第一數(shù)量的樹，每棵樹包含設(shè)定第二數(shù)量的節(jié)點(diǎn)和設(shè)定第三數(shù)量的葉子，每個(gè)葉子保存車牌樣本圖像的特征點(diǎn)的位置信息和偏移量。

本說明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其它實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同或相似部分互相參見即可。對(duì)于實(shí)施例公開的裝置而言，由于其與實(shí)施例公開的方法相對(duì)應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。

專業(yè)人員還可以進(jìn)一步意識(shí)到，結(jié)合本文中所公開的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來實(shí)現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來使用不同方法來實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

結(jié)合本文中所公開的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(RAM)、內(nèi)存、只讀存儲(chǔ)器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動(dòng)磁盤、CD-ROM、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。

本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的技術(shù)方案及其核心思想。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對(duì)本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。