用于识别多标签车牌的方法、装置、电子设备和可读介质与流程

本公开的实施例涉及计算机技术领域，具体涉及一种用于识别多标签车牌的方法、装置、电子设备和可读介质。

背景技术：

车牌识别是一种运动中的车牌号码从复杂背景中自动抓拍并识别出来的技术，该技术已广泛应用于高速公路车辆管理系统、电子收费(electronictollcollection，etc)系统、停车场管理系统等系统中。传统的车牌识别方式，对于复杂情况，识别精度会下降明显。因此，人们需识别精度更高，计算更为简单的车牌识别技术方法。

技术实现要素：

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了一种用于识别多标签车牌的方法、装置、电子设备和可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种用于识别多标签车牌的方法，该方法包括：获取待识别图像；对上述待识别图像进行检测；响应于检测到上述待识别图像包括车辆图像，从上述车辆图像中提取车牌图像；对上述车牌图像进行图像处理；将处理后的车牌图像输入至预先训练的多标签车牌识别卷积网络，得到车牌图像特征，上述多标签车牌识别卷积网络包括空间注意力网络；基于上述车牌图像特征，输出车牌号码。

第二方面，本公开的一些实施例提供了一种用于识别多标签车牌的装置，装置包括：获取单元，被配置成获取待识别图像；检测单元，被配置成对上述待识别图像进行检测；提取单元，被配置成响应于检测到上述待识别图像包括车辆图像，从上述车辆图像中提取车牌图像；图像处理单元，被配置成对上述车牌图像进行图像处理；输入单元，被配置成将处理后的车牌图像输入至预先训练的多标签车牌识别卷积网络，得到车牌图像特征，上述多标签车牌识别卷积网络包括空间注意力网络；输出单元，被配置成基于上述车牌图像特征，输出车牌号码。

第三方面，本公开的一些实施例还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例所述的方法。

第四方面，本公开的一些实施例还提供了一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上述实施例所述的方法。

本公开的上述各个实施例中的一个实施例至少部分地具有如下有益效果：通过得到的大量待识别图像训练样本，以保证网络训练结果中不出现欠拟合，侧面提高模型精度，减小损失。将获取到的图像通过对车辆照片的检测、提取车牌照片以及车牌照片的处理，形成符合输入到训练网络的标准图片，为训练网络减少不必要的计算量，更加关注车牌中车牌号码信息，侧面提高了网络模型的识别精度。将处理好的车牌图像输入到多标签车牌识别改进网络中，输出识别精度更高的车牌号码。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

下面将参考附图并结合实施例来详细说明本公开。

图1是本公开的一些实施例可以应用于用于识别多标签车牌的方法的一个应用场景的示意图；

图2是根据本公开的一些实施例的用于识别多标签车牌的方法的流程图；

图3是根据本公开的一些实施例的主干卷积网络结构示意图；

图4是根据本公开的一些实施例的分支卷积网络结构示意图；

图5是根据本公开的一些实施例的空间注意力网络结构示意图；

图6是根据本公开的一些实施例的用于识别多标签车牌的装置结构示意图；

图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

在本公开的实施例中，所描述的车辆的概念，可以是四轮机动汽车，也可以是摩托车、三轮车、自行车、助力车等车辆类型。

在本公开的实施例中，本领域技术人员能够理解神经网络的各个功能层(模块)所要执行的功能。例如，卷积层可以用于执行卷积操作，提取输入的图像(例如，尺寸为227×227)的特征信息以得到特征图(例如，尺寸为13×13)；池化层可以对输入的图像进行池化操作，例如最大值合并(max-pooling)方法，均值池化(mean-pooling)方法等；激活层通过激活函数引入非线性因素，例如采用性修正单元(relu、leaky-relu、p-relu、r-relu)函数、s型函数(sigmoid函数)或双曲正切函数(tanh函数)等。随机失活层(dropout)用于缓解过拟合问题，例如可以设为0.4、0.5等。全连接层(又称点积层)用于将卷积输出的特征图转换为一维向量，例如1x4096。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

如图1所示，示意图100包括收集设备101，服务器102和终端设备103。

当收集设备101检测到有车辆行驶时，可以开启摄像头、手机、摄像机等具有图像采集能力的电子设备，实现对车牌照片的采集和保存。其中，车辆检测可以包括但不限于以下至少一项：超声波检测，视频检测，红外线检测，感应线圈检测，声学检测等检测技术。例如，在车辆进入停车场时，收集设备101运用感应线圈检测方式检测出车辆将要通过，此时摄像头或者摄像机等设备开启，对将要行驶入停车场的车辆进行抓拍。

收集设备101将抓拍的车辆照片输入到服务器102。服务器102将车辆照片进行车牌检测，进而输入到多标签车牌识别卷积网络，输出车牌号码信息。其中，服务器102可以是提供各种服务的服务器，例如对终端设备103上显示的信息提供分析支持的后台服务器。后台服务器可以将处理结果(例如车牌号码信息)反馈给终端设备。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器，或从云计算资源中分配的一个或多个虚拟化实例。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

响应于服务器102发送的车牌号码，终端设备103将相应的车牌号码显示出来。终端设备103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp4播放器、膝上型便携计算机和台式计算机、户外显示屏等等。

需要说明的是，本公开的实施例所提供的用于识别多标签车牌的方法一般由服务器102执行。相应地，用于识别多标签车牌的装置可以设置于服务器102中。

应该理解，图1中的终端设备、收集设备和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、收集设备和服务器。

继续参考图2，示出用于识别多标签车牌的方法的一些实施例的流程200。该用于识别多标签车牌的方法，包括以下步骤：

步骤201，获取待识别图像。

在一些实施例中，多标签车牌识别方法的执行主体(例如图1所示的服务器102)可以通过有线连接方式或者无线连接方式从采集端(例如图1所示的收集设备101)获取待识别车牌照片。需要指出的是，上述无线连接方式可以包括但不限于3g/4g/5g等wwan连接、wi-fi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。

在一些实施例的一些可选的实现方式中，采集待识别图像的数量很大程度上决定了训练网络的鲁棒性。采集数量越多，模型越不会欠拟合，输出车牌号码精度越高。

在本公开的实施例中，可以通过多种方式获取所述图像。例如，静态模式下的图像采集。静态模式下，通过车辆触发地感线圈、红外或雷达等装置，给相机一个触发信号，相机在接收到触发信号后会抓拍一张图像。例如，视频模式下的图像采集。视频模式下，外部不需要任何触发信号，相机会实时地记录包含车辆的车牌图像在内的视频流图像。

步骤202，对上述待识别图像进行检测。

在采集照片中，可能出现采集图像为背景图的情况。例如，在智能停车场管理中，当闸机通过设置好的感应线圈感应到车辆将要通过，此时，线圈就会给系统触发信号，摄像头开启，对行驶车辆进行拍照。如果此时车辆未通过，则采取的图像为背景图。由于抓拍的图像只有车牌为有效信息，可以利用车辆检测技术对待识别图像进行筛选。

在一些实施例的一些可选的实现方式中，上述车辆检测技术包括：上述待识别图像进行灰度转换；对灰度转换后的待识别图像高斯滤波进行去噪；定位去噪后的待识别图像的竖直边缘；阈值化提取所定位的竖直边缘；对阈值化提取的竖直边缘进行连通，确定连通区域；基于所述连通区域，确定是否包括车辆图像。

步骤203，对步骤202得到的车辆图像进行提取，得到车牌图像。

提取车牌图像可以去除一部分对多标签车牌识别卷积网络无用的信息。

作为示例，车牌图像提取技术包括利用矩阵找到矩阵连通域，会有很多矩阵被认为可能是车牌区域(原因为国家规定的车牌矩阵都是一定比例，所以找到相同比例的矩阵可以找到车牌所在矩阵)。根据得到的若干大小的矩阵区域，调用已经利用正负样本训练好的分类算法(例如支持向量机svm、lr回归、softmax)对是否为车牌区域进行分类，提取车牌图像。

步骤204，对步骤203得到的车牌图像进行处理。

图像的分辨率一定程度上决定了网络训练的计算量。可以把初始车牌图像缩放到固定分辨率的车牌图像，例如40x128。之后，将缩放后的车牌图片输入所述预先完成训练的多标签车牌识别卷积网络的主干卷积网络。

在一些实施例的一些可选的实现方式中，对于上述对待识别车牌的检测以及处理可以利用opencv(opensourcecomputervisionlibrary)跨平台计算机视觉库。

例如，可以通过基于颜色的分割方法(彩色边缘算法、颜色距离和相似度算法等)、基于纹理的分割方法(利用车牌区域水平方向的纹理特征进行分割，包括小波纹理、水平梯度差分纹理等)、基于边缘检测的分割方法、基于数学形态法的分割方法等从车辆图像中找到车牌所在位置。

例如，为提高车牌检测的速度，可以对车辆图像进行灰度化处理，并对定位到的车牌区域的图像进行二值化处理等。

步骤205，将处理后的车牌图像输入至预先训练的多标签车牌识别卷积网络，得到车牌图像特征。

在一些实施例的一些可选的实现方式中，多标签车牌识别卷积网络包括主干卷积网络，分支卷积网络。

上述主干神经网络用于提取车牌图像的高阶特征向量。上述分支卷积网络包括对应车牌中字符数量的具有相同子网络结构，每一支子网络结构用于识别车牌中每个对应的字符。

例如，国内车牌一般包含7个字符，所述分支卷积网络包括7个具有相同子网络结构的分支。

在一些实施例的一些可选的实现方式中，每一支子网络结构包括空间注意力网络和与其输出连接的全连接层(fullconnectedlayer，fc)。上述空间注意力网络起到通道特征的增强与抑制，也起到字符对应位置区域特征的增强与抑制。全连接层用于对每个字符进行分类(例如通过softmax进行分类)。

作为示例，全连接层的分类结果数目(即全连接层对应的输出层的节点个数)对应车牌中每个字符内容变量数目总和。例如，对于中国车牌而言，一共是65类，65个类别标签包含31个省份的汉字，24个英文字母，10个数字。

在一些实施例中，全连接层可以为一层。

在一些实施例中，全连接层为多层。

步骤206，基于步骤205得到的车牌图像特征，输出车牌号码。

根据多标签车牌识别网络输出的车牌图像特征，最终得到输出对应车牌号码。

继续参考图3，图3示出了多标签车牌识别卷积网络中主干神经网络的结构300。

在本公开的实施例中，主干神经网络包括多个卷积块，每个卷积块的卷积操作参数(卷积核大小、步长、填充)可以是相同的，或不同的。每个卷积块可以包含一个或多个卷积层。

进一步的，在至少一个卷积块的输出连接池化层。

在本公开的一些实施例中，每个卷积块的输出均连接对应的池化层。

在本公开的至少一个实施例中，提供了主干神经网络的一个具体实现，包括三个卷积块，每个卷积块的输出连接对应的池化层。

例如，以步骤204中处理过的车牌照片输入上述预先完成训练的多标签车牌识别卷积网络的主干卷积网络为例，将车牌照片输入到主干卷积网络的第一卷积块，第一卷积块输出32个40x128的特征图301。

其中，主干神经网络的第一卷积块是在卷积核数目为32，卷积核的大小为3x3，步长(stride)为1，填充(padding)为1的条件下进行的卷积操作。

主干神经网络的第一卷积块的输出输入至第一池化层，第一池化层输出32个20x64的特征图。

其中，主干神经网络的第一池化层的窗口大小为3x3，步长为2。

主干神经网络的第一池化层的输出输入至第二卷积块，第二卷积块输出64个20x64的特征图302。

其中，主干神经网络的第二卷积块是在卷积核数目为64，卷积核的大小为3x3，步长为1，填充为1的条件下进行的卷积操作。

主干神经网络的第二卷积块的输出输入至第二池化层，第二池化层输出64个10x32特征图。

其中，主干神经网络的第二池化层的窗口大小为3x3，步长为2。

主干神经网络的第二池化层的输出输入至第三卷积块，第三卷积块输出128个10x32特征图303。

其中，主干神经网络的第三卷积块由128个卷积核大小为3x3，步长为1，填充为1的相同的三个卷积层堆积而成。

主干神经网络的第三卷积块的输出输入至第三池化层，第三池化层输出128个5x16特征图。

其中，主干神经网络的第三池化层的窗口大小为3x3，步长为2。

容易理解，上述所描述的特征图的分辨率数据仅为示例。对于不同分辨率的输入车牌图像，经过卷积、池化操作后输出的特征图具有对应操作的大小。

参考图4，图4示出了多标签车牌识别卷积网络中的分支神经网络的结构400。

在一些实施例中，主干卷积网络的输出输入到在上述分支神经网络结构。

以中国车牌为例，分支神经网络由七支相同网络结构的子网络组成，包括第一分支子网络401、第二分支子网络402、第三分支子网络403、第四分支子网络404、第五分支子网络405、第六分支子网络406和第七分支子网络407。每个分支子网路对应车牌中的一个字符，即第一分支子网络对应标签1，第二分支子网络对应标签2，第三分支子网络对应标签3，第四分支子网络对应标签4，第五分支子网络对应标签5，第六分支子网络对应标签6，第七分支子网络对应标签7。其中，第一支子网络结构包括空间注意力网络和全连接层。上述空间注意力网络后连接着1个或1个以上的全连接层从而整合卷积块或者池化层中具有类别区分性的局部信息。最后输出65个字符类别信息。其中，每个分支输出的字符代表着车牌中的单个字符号码，七支网络的输出代表整个车牌号码

参考图5，图5示出了空间注意力网络的结构图500。

在一些实施例中，将主干卷积网络的输出输入到空间注意力网络中，分别输出给所有分支的全连接层。

在本公开的一个实施例中，空间注意力网络包括第一卷积块，第二上分支块，第三下分支块，第四元素相乘操作层。

例如，上分支块包括：上分支第一池化层，上分支第二卷积块，上分支第三全连接层，上分支第四反卷积块及重新调整(reshapelayer)层。

在图5中，将主干卷积网络的输出输入到在空间注意力网络的第一卷积块，如附图标记501所示。

其中，空间注意力网络的第一卷积块的卷积核数目为128，卷积核大小为1x1，步长为1，填充为0。卷积输出128个10x32的特征图。

在图5中，空间注意力网络的第一卷积块输出的特征图输入到上分支块第一池化层，如附图标记502所示。

其中，上分支第一池化层的窗口为2x2，步长为2。

在图5中，基于步骤502中上分支第一池化层输出输入到上分支第二卷积块，如附图标记503所示。

其中，上分支第二卷积块的卷积核大小为1x1，步长为1，填充为0。卷积输出8个3x8的特征图，特征图通道减少为原来的1/16，从而减少计算量，增加非线性。

在图5中，上述上分支第二卷积块输出输入到上分支第三全连接层，输出128个1x1特征图，如附图标记504所示。

全连接层权重完全覆盖特征图像，针对多标签第一分支来说，会增强第一个字符位置区域所对应全连接层的权重，减弱第一个字符位置区域以外区域所对应全连接层的权重，起到字符位置空间注意力的机制。所述上分支第三全连接层后续接激活函数。

在图5中，针对第一分支，激活函数(例如，sigmoid)输出的值使第一字符的权重更为接近1，除第一字符外区域的权重更接近0，将上述激活函数输出的值输入至上述上分支的第四反卷积块，输出特征图的分辨率再重新调整(例如输出5200个1x1特征图，再重新调整成65个5x16的特征图)，如附图标记505所示。其中，反卷积也被称为转置卷积，反卷积是卷积的逆过程。通过设置反卷积块与重新调整层输出与空间注意力网络的第一卷积块相同大小的分辨率的图，例如65个5x16特征图。

在图5中，反卷积与重新调整层上分支输出的结果与空间注意力网络第一卷积块作相乘操作输出结果，得到具有空间注意力的特征图如附图标记506所示。其中，在得到的特征图中，会强调车牌符号信息，减弱除车牌符号以外其他无关的信息。

尽管本公开没有具体的描述，本领域技术人员能够理解，通过使用样本数据并通过训练的过程可以得到上述所需的多标签车牌识别卷积网络。

进一步参考图6，为对上述各图所示方法的实现，本公开提供了用于多标签车牌的装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，用于识别多标签车牌的装置包括：获取单元601，被配置成获取待识别图像；检测单元602，被配置成对上述待识别图像进行检测；提取单元603，被配置成响应于检测到上述待识别图像包括车辆图像，从上述车辆图像中提取车牌图像；图像处理单元604，被配置成对上述车牌图像进行图像处理；输入单元605，被配置成将处理后的车牌图像输入至预先训练的多标签车牌识别卷积网络，得到车牌图像特征，上述多标签车牌识别卷积网络包括空间注意力网络；输出单元606，被配置成基于上述车牌图像特征，输出车牌号码。

本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述任一实施例所述的方法。

下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中所示的服务器)700的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图7示出的电子设备仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器cpu、图形处理器gpu、神经网络处理器npu、数字处理器dsp、专用集成电路asic、可编程逻辑门阵列fpga等)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储装置708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

通常，以下装置可以连接至i/o接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从rom702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待识别图像；对待识别图像进行检测；响应于检测到待识别图像包括车辆图像，从车辆图像中提取车牌图像；对车牌图像进行图像处理；将处理后的车牌图像输入至预先训练的多标签车牌识别卷积网络，得到车牌图像特征，多标签车牌识别卷积网络包括空间注意力网络；基于车牌图像特征，输出车牌号码。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、检测单元、提取单元、图像处理单元、输入单元、输出单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，检测单元还可以被描述为“对上述待识别图像进行检测的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。