异常车牌识别方法、装置、设备及可读存储介质与流程

[0001]
本申请实施例涉及人工智能技术领域，进一步涉及图像处理技术领域以及智能交通技术领域，尤其涉及一种异常车牌识别方法、装置、设备及可读存储介质。


背景技术：

[0002]
随着技术的飞速发展，各种类型的车辆已逐步渗透到人们的生活中。对车辆的车牌进行识别，是监控安防领域的重要工作之一。
[0003]
智能交通系统中，城市道路或高速公路治安卡口及重点治安地段安装摄像头，利用摄像头对经过车辆进行拍摄得到监控录像。车牌识别过程中，主要采用人工方式对监控录像进行抽样查看，从而识别道路上行驶的车辆的车牌是否被遮挡。若车牌被遮挡，则认为车牌为异常车牌。
[0004]
上述人工识别异常车牌的方式准确性低、识别效率低且识别成本高。


技术实现要素：

[0005]
本申请提供了一种异常车牌识别方法、装置、设备及可读存储介质，利用重建图像和归一化图像识别车辆的车牌是否异常，准确率高、效率高且人力成本低。
[0006]
第一方面，本申请实施例提供一种异常车牌识别方法，包括：
[0007]
获取待识别图像，所述待识别图像中包含目标车辆，从所述待识别图像中提取出车牌区域图像，归一化所述目标车辆的车牌区域图像，得到归一化图像，所述车牌区域图像包含所述目标车辆的车牌区域，重建所述归一化图像，以得到重建图像，根据所述归一化图像和所述重建图像，确定所述目标车辆的车牌是否异常。
[0008]
第二方面，本申请实施例提供一种异常车牌识别装置，包括：
[0009]
获取模块，用于获取待识别图像，所述待识别图像中包含目标车辆；
[0010]
提取模块，用于从所述待识别图像中提取出车牌区域图像；；
[0011]
归一化模型，用于归一化所述目标车辆的车牌区域图像，以得到归一化图像，所述车牌区域图像包含所述目标车辆的车牌区域；；
[0012]
重建模块，用于重建所述归一化图像，以得到重建图像；
[0013]
确定模块，用于根据所述归一化图像和所述重建图像，确定所述目标车辆的车牌是否异常。
[0014]
第三方面、本申请实施例提供一种电子设备，包括：
[0015]
至少一个处理器；以及
[0016]
与所述至少一个处理器通信连接的存储器；其中，
[0017]
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第一方面或第一方面任意可能实现的方法。
[0018]
第四方面，本申请实施例提供一种包含指令的计算机程序产品，当其在电子设备
上运行时，使得电子设备计算机执行上述第一方面或第一方面的各种可能的实现方式中的方法。
[0019]
第五方面，本申请实施例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，所述计算机指令用于使所述电子设备执行上述第一方面或第一方面的各种可能的实现方式中的方法。
[0020]
第六方面，本申请实施例提供一种异常车牌识别方法，包括：获取车牌区域图像，归一化所述车牌区域图像，得到归一化图像，重建所述归一化图像，得到重建图像，根据所述归一化图像和所述重建图像，确定所述目标车辆的车牌是否异常。
[0021]
根据本申请的技术，电子设备利用重建图像和归一化图像识别车辆的车牌是否异常，准确率高、效率高且人力成本低。
[0022]
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，本发申请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，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
[0023]
上述具体实施方式，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
附图说明
[0024]
附图用于更好地理解本方案，不构成对本申请的限定。其中：
[0025]
图1是本申请实施例提供的一种异常车牌识别方式的网络架构示意图；
[0026]
图2是本申请实施例提供的异常车牌识别方法的流程图；
[0027]
图3是本申请实施例提供的异常车牌识别方法中提取车牌区域的过程示意图；
[0028]
图4是本申请实施例提供的异常车牌识别方法中提取车牌区域的另一过程示意图；
[0029]
图5是本申请实施例提供的异常车牌识别方法的又一种过程示意图；
[0030]
图6为本申请实施例提供的一种异常车牌识别装置的结构示意图；
[0031]
图7是本申请实施例提供的另一种异常车牌识别装置；
[0032]
图8是用来实现本申请实施例的异常车牌识别方法的电子设备的框图。
具体实施方式
[0033]
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
[0034]
监控安防领域的一项重要工作是识别违规车辆。某些驾驶者会采用车牌遮挡、污损、涂抹、反光、不挂车牌等违法手段逃避电子设备的跟踪。这种违法手段产生的车牌称之为异常车牌。另外，无意识遮挡，如渣土车的车牌被污渍遮挡等也导致渣土车的车牌异常。及时准确识别出异常车牌，能够使得城市管理更加有序。
[0035]
目前，监控安防领域中，在对车辆的车牌进行异常识别时，主要采用人工方式对监
控录像进行抽样查看，该方式缺乏技术高度和深度。以渣土车为例，当渣土车的车牌被遮挡或无损后，人工识别方式很难识别出一个图像中的车牌是否异常。而且，黑暗场景下，且正样本非常少的情况下，靠人工方式很难识别出异常车牌。另外，人工识别方式还具有耗费时间长、人力成本高等弊端。
[0036]
随着互联网技术和人工智能(artificial intelligence，ai)技术、计算机视觉技术等的飞速发展，越来越多的领域开始涉及自动化计算与分析。现考虑在监控安防领域对车辆的车牌进行自动化分析以识别异常车牌。
[0037]
本申请实施例旨在从待识别图像中提取出车牌区域图像，对车牌区域图像的归一化图像进行重建，利用重建图像和归一化图像识别车辆的车牌是否异常。
[0038]
图1是本申请实施例提供的一种异常车牌识别方式的网络架构示意图。请参照图1，该交通运行环境示意出一些典型物体，包括道路102、交通指示设施103、道路两侧的植物107以及可能出现的行人104。应当理解，这些示出的设施和物体仅是示例，根据实际情况，不同交通环境中存在可能出现的物体将会变化。本公开实施例的范围在此方面不受限制。
[0039]
在图1的示例中，一个或多个车辆110-1、110-2正在道路102上行驶。为便于描述，多个车辆110-1、110-2统称为车辆110。车辆110可以是可以承载人和/或物并且通过发动机等动力系统移动的任何类型的车辆，包括但不限于轿车、卡车、巴士、电动车、摩托车、房车、火车、渣土车、大货车等等。环境10中的一个或多个车辆110是具有一定定位能力和一定自动驾驶能力的车辆。当然，环境10中的另外一个或一些车辆110还能够是不具有定位能力和自动驾驶能力的车辆。
[0040]
环境10中还布置有一个或多个拍摄装置105-1至105-6(统称为拍摄装置105)。拍摄装置105独立于车辆110，通常设置在城市道路或高速公路治安卡口及重点治安地段，用于对道路状况进行拍摄。拍摄装置105例如为高清摄像头等。
[0041]
图1中，拍摄装置105具备计算能力时，能够对拍摄到的待识别图像进行识别，从而识别出待识别图像中目标车辆的车牌是否异常。或者，拍摄装置105将拍摄到的待识别图像发送给电子设备101，由电子设备101对待识别图像进行识别，从而识别出待识别图像中目标车辆的车牌是否异常。
[0042]
下面，基于图1所示交通运行环境，以拍摄装置105将待识别图像发送给电子设备101，由101对待识别图像进行识别，以确定目标车辆的车牌是否异常为例，对本申请实施例所述的异常车牌识别方法进行详细说明。
[0043]
图2是本申请实施例提供的异常车牌识别方法的流程图，本实施例的执行主体是电子设备，本实施例包括：
[0044]
201、获取待识别图像，所述待识别图像中包含目标车辆。
[0045]
示例性的，电子设备从监控视频中提取出待识别图像。例如，将监控视频中包含车辆的图像帧作为待识别图像。再如，拍摄装置上传的是一幅幅的监控图像，电子设备将监控图像中包含车辆的图像作为待识别图像。
[0046]
202、从所述待识别图像中提取出车牌区域图像。
[0047]
203、归一化所述目标车辆的车牌区域图像，以得到归一化图像，所述车牌区域图像包含所述目标车辆的车牌区域。
[0048]
示例性的，待识别图像中包含一个或多个车辆。当待识别图像包含一个车辆时，该
车辆为目标车辆；当待识别图像包含多个车辆时，目标车辆为多个车辆中的任意一个。
[0049]
电子设备从待识别图像中提取出车牌区域图像，车牌区域图像包含目标车辆的车牌区域。当待识别图像为红绿蓝(red green blue，rgb)图像时，该车牌区域图像也为rgb图像；当待识别图像为灰度图像时，该车牌区域图像也为灰度图像。
[0050]
电子设备得到车牌区域图像后，对该车牌区域图像进行归一化处理。例如，车牌区域图像的每个像素介于1-255，电子设备对车牌区域图像的每个像素除以255，从而将车牌区域图像的每个像素的像素值变更为0-1之间的数值，从而得到归一化图像。
[0051]
204、重建所述归一化图像，以得到重建图像。
[0052]
示例性的，电子设备基于图像重建算法等重建图像。图像重建算法包括深度卷积神经网络的图像重建算法、图像重建迭代算法等重建图像。
[0053]
205、根据所述归一化图像和所述重建图像，确定所述目标车辆的车牌是否异常。
[0054]
示例性的，电子设备对归一化图像和重建图像进行对比，根据对比结果确定目标车辆的车牌是否异常。例如，电子设备确定归一化图像的像素和重建图像中对应像素的差值，确定所有像素的差值的平均值是否小于预设阈值，若平均值小于预设阈值，则电子设备认为归一化图像和重建图像一致，目标车辆的车牌正常；若平均值大于或等于预设阈值，则电子设备认为归一化图像和重建图像不一致，目标车辆的车牌异常。
[0055]
再如，电子设备确定归一化图像和重建图像的相似度，若相似度高于预设相似度，则电子设备认为归一化图像和重建图像一致，目标车辆的车牌正常；若相似度低于或等于预设相似度，则电子设备认为归一化图像和重建图像不一致，目标车辆的车牌异常。
[0056]
本申请实施例提供的异常车牌识别方法，电子设备获取到包含目标车辆的待识别图像后，从待识别图像中提取出目标车辆的车牌区域图像，归一化该目标车辆的车牌区域图像，得到归一化图像。之后，电子设备重建归一化图像得到重建图像，并根据归一化图像和重建图像确定目标车辆的车牌是否异常。该过程中，电子设备对车牌区域图像的归一化图像进行重建，利用重建图像和归一化图像识别车辆的车牌是否异常，准确率高、效率高且人力成本低。
[0057]
上述实施例中，电子设备重构归一化图像以得到重建图像时，利用编解码网络模型对归一化图像进行下采样，得到下采样图像。然后，利用编解码网络模型对下采样图像进行上采样，从而得到重建图像。
[0058]
示例性的，电子设备对归一化图像进行缩放，将归一化图像缩放为224
×
224大小，再利用编解码网络模型进行多次下采样。多次下采样过程中电子设备进行多次卷积，如三次卷积以及池化(polling)层操作，从而得到多个28
×
28大小的下采样图像。之后，电子设备利用编解码网络模型对多个28
×
28大小的下采样图像进行多次上采样，产生224
×
224大小的重建图像。
[0059]
采用该种方案，实现对归一化图像进行重建的目的。
[0060]
上述实施例中，电子设备利用编解码网络模型对所述归一化图像进行下采样，得到下采样图像之前，还获取多个正样本，所述多个正样本中的每个正样本为正常的车牌区域图像。之后，电子设备利用所述正样本训练所述编解码网络模型。
[0061]
示例性的，电子设备将归一化图像输入至编解码网络模型，以得到重建图像。其中，编解码网络模型是利用多个正常的车牌区域图像训练得到的。若车牌区域图像中的车
牌正常，则编解码网络模型能够重建出和原图一样的车牌区域图像，原图即为输入至编解码网络模型的归一化图像。若输入至编解码网络模型的归一化图像是基于异常车牌区域图像得到的，由于编解码网络模型无法识别这种图像，因此，编解码网络模型无法重建出和原图一样的图像，即重建图像和归一化图像不一致。
[0062]
采用该种方案，通过训练出用于重建图像的编解码网络模型，实现快速对归一化图像进行重建的目的。
[0063]
上述实施例中，电子设备根据所述归一化图像和所述重建图像，确定所述目标车辆的车牌是否异常时，先确定归一化图像和所述重建图像的损失值。然后，电子设备确定所述损失值是否超过预设阈值。若所述损失值大于或等于所述预设阈值，则确定所述目标车辆的车牌异常，若所述损失值小于所述预设阈值，则确定所述目标车辆的车牌正常。
[0064]
示例性的，电子设备得到重构图像后，对归一化图像和重构图像进行损失(loss)计算，从而得到归一化图像和所述重建图像的损失值。例如，电子设备计算归一化图像的每个像素和重建图像中对应像素的差值，将该差值作为该像素的损失值。之后，将所有像素的损失值求和，将所有像素的损失值的和与预设阈值进行对比，若损失值大于或等于预设阈值，则电子设备认为重建出的重建图像和原图，即归一化图像不一样，进而确定目标车辆的车牌异常；若损失值小于预设阈值，则电子设备认为重建出的重建图像和归一化图像一样，进而确定目标车辆的车牌正常。
[0065]
采用该种方案，电子设备通过对比归一化图像和重建图像的损失值，根据损失值确定目标车辆的车牌是否异常，准确度高。
[0066]
上述实施例中，电子设备识别出目标车辆的车牌是异常车牌后，还输出提示信息，以提示目标车辆的车牌异常。
[0067]
示例性的，电子设备识别出异常车牌后，通过语音、文字等方式输出提示信息，以提示监控安防工作人员目标车辆的车牌异常。例如，电子设备与监控安防部门的大屏幕建立网络连接，电子设备通过大屏幕显示提示信息。再如，电子设备与监控安防部门工作人员的移动设备建立网络连接，电子设备将提示信息发送给移动设备，移动设备通过语音方式向工作人员播发提示信息。
[0068]
采用该种方案，电子设备输出提示信息，便于工作人员及时对异常车牌对应的车辆进行实时追踪。
[0069]
上述实施例中，电子设备归一化所述目标车辆的车牌区域图像，以得到归一化图像之前，还对待识别图像进行预处理，该预处理包括：缩放所述待识别图像以得到目标尺寸图像，归一化所述目标尺寸图像，以得到预处理后的待识别图像。
[0070]
示例性的，电子设备将原始的待识别图像缩放为目标尺寸图像，目标尺寸例如为608
×
608等，本申请实施例并不限制。之后，电子设备对目标尺寸图像进行归一化处理。以目标尺寸图像为rgb图像为例，目标尺寸图像的每个像素的像素值介于0-255之间。电子设备对目标尺寸图像的每个像素除以255，之后减去均值并除以方差。r、g、b各自的均值和方差可灵活设定，本申请实施例并不限制。例如，r、g、b各自的均值依次为0.485、0.456、0.406，方差依次为0.229、0.224、0.225。
[0071]
再如，待识别图像为灰度图像时，目标尺寸图像也为一个灰度图像。电子设备对该灰度图像的每个像素除以255，之后对各像素减去均值并除以方差。此时，由于是灰度图像，
相较于rgb图像，均值只有一个，方差也只有一个。
[0072]
采用该种方案，通过对待识别图像进行预处理，预处理后的待处理图像输入至车牌检测模型或车辆检测模型后，能够提高模型的收敛速度。
[0073]
上述实施例中，电子设备在归一化目标车辆的车牌区域图像之前，需要从待识别图像中提取出车牌区域图像。
[0074]
第一种方式中，电子设备直接从所述待识别图像中提取出车牌区域图像。示例性的，请参见图3，图3是本申请实施例提供的异常车牌识别方法中提取车牌区域的过程示意图。
[0075]
请参照图3，电子设备对待识别图像进行预处理，得到预处理后的待识别图像。其中，预处理包括对待处理图像进行缩放、归一化处理等。之后，电子设备将预处理后的待识别图像输入至车牌检测模型，该车牌检测模型例如为基于你只看了一次(you only look once，yolo)框架3的模型。该车牌检测模型例如是利用包含车牌的多个图像为正样本、不包含车牌的图像为负样本进行训练得到的。该车牌检测模型的输入是预处理后的待处理图像，输出是车牌的检测框(bouding box)的位置信息，共包含四个值：(xmin，ymin，w，h)，分别表示检测框左上角的顶点的x坐标、y坐标以及检测框的宽和高。
[0076]
电子设备得到车牌检测框的位置信息后，从待识别图像中提取出车牌区域图像。
[0077]
采用该种方式，实现灵活从待识别图像中提取出车牌区域图像的目的。
[0078]
第二种方式中，电子设备先从待识别图像中提取出车辆区域图像，再根据所述车辆区域图像，确定所述目标车辆的车牌的检测框。最后，电子设备根据所述检测框，从所述待识别图像中提取出所述车牌区域图像。示例性的，请参见图4，图4是本申请实施例提供的异常车牌识别方法中提取车牌区域的另一过程示意图。
[0079]
请参照图4，电子设备对待识别图像进行预处理，得到预处理后的待识别图像。其中，预处理包括对待处理图像进行缩放、归一化处理等。之后，电子设备将预处理后的待识别图像输入至车辆检测模型，该车辆检测模型例如为基于你只看了一次(you only look once，yolo)3框架的模型。该车辆检测模型例如是利用包含车辆的多个图像为正样本、不包含车辆的图像为负样本进行训练得到的。该车辆检测模型的输入是预处理后的待处理图像，输出是车辆的检测框(bouding box)的位置信息，共包含四个值：(xmin，ymin，w，h)，分别表示车辆的检测框左上角的顶点的x坐标、y坐标以及检测框的宽和高。
[0080]
电子设备得到车辆检测框的位置信息后，从待识别图像中提取出车辆区域图像。
[0081]
之后，电子设备对车牌区域图像进行预处理，得到预处理后的车辆区域图像。其中，预处理包括对待处理图像进行缩放、归一化处理等。完成预处理后，电子设备将预处理后的车辆区域图像输入至车牌检测模型，该车牌检测模型例如为以res34为核心(backbone)的神经网络模型，该神经网络模型例如为基于yolo3框架的模型。该车牌检测模型的输入是预处理后的待处理图像，输出是车牌的检测框(bouding box)的位置信息，共包含四个值：(xmin，ymin，w，h)，分别表示检测框左上角的顶点的x坐标、y坐标以及检测框的宽和高。
[0082]
电子设备得到车牌检测框的位置信息后，从待识别图像中提取出车牌区域图像。
[0083]
采用该种方式，当待识别图像中的车牌所占区域较小时，先从待识别图像中提取出车辆区域图像，再从车辆区域图像中提取出车牌区域图像，能够提高车牌区域图像的精
度。
[0084]
上述实施例中，车辆检测模型能够针对任意类型的车辆的车辆区域图像输出车辆的检测框(bouding box)的位置信息。然而，本申请实施例并不以此为限制。例如，训练车辆检测模型的过程中，正样本为特定类别的车辆图像，如渣土车图像、大货车图像等。后续利用车辆检测模型对待处理图像进行处理时，车辆检测模型的输入是预处理后的待处理图像，输出是车辆的类型和车辆的检测框(bouding box)的位置信息，共包含五个值：(cls，xmin，ymin，w，h)，分别表示车辆的类型、检测框左上角的顶点的x坐标、y坐标以及检测框的宽和高。车辆的类型例如为大货车、渣土车等。倘若待处理图像中的目标车辆不符合目标类型，如大货车等，则车辆检测模型停止对该待处理图像进行识别。
[0085]
采用该种方案，电子设备根据需求仅针对目标类型的车辆进行车牌异常识别，灵活、简单，且降低电子设备的数据处理量。
[0086]
下面，对上述的第二种方式进行详细说明。示例性的，请参见图5。图5是本申请实施例提供的异常车牌识别方法的又一种过程示意图。请参照图5，该异常车牌识别过程大致包含三个阶段：第一阶段、车辆检测识别阶段；第二阶段、车牌检测识别阶段；第三阶段、基于重建的异常车牌识别阶段。
[0087]
第一阶段、车辆检测识别阶段。
[0088]
本阶段中，电子设备首先获取待识别图像，待识别图像例如为监控摄像头拍摄的图像。
[0089]
其次，电子设备对待识别图像进行预处理。例如，电子设备将待处理图像缩放为目标尺寸图像，目标尺寸为608
×
608等，本申请实施例并不限制。缩放后，电子设备对目标尺寸图像减去均值并除以方差。以待识别图像为rgb图像为例，r、g、b各自的均值依次为0.485、0.456、0.406，方差依次为0.229、0.224、0.225。
[0090]
接着，电子设备将经过预处理的待识别图像输入至车辆检测模型。该车辆检测模型例如为基于yolov3框架的神经网络模型。车辆检测模型的输出是目标车辆的类别和车辆检测框的位置信息，共包含5个值：(cls，xmin，ymin，w，h)，分别表示车辆的类型、检测框左上角的顶点的x坐标、y坐标以及检测框的宽和高。
[0091]
最后，电子设备根据车辆检测框的位置信息，从待识别图像中提取出车辆区域图像。
[0092]
本阶段中，如果车辆检测模型从经过预处理的待识别图像中检测不到车辆，则直接结束。
[0093]
第二阶段、车牌检测识别阶段。
[0094]
本阶段中，电子设备首先对车辆区域图像进行预处理。预处理过程中，电子设备将车辆区域图像缩放为固定尺寸，该固定尺寸例如为320
×
320等，本申请实施例并不限制。缩放后，电子设备对固定尺寸的车辆区域图像的每个像素减去均值并除以方差。以车辆区域图像为rgb图像为例，r、g、b各自的均值依次为0.485、0.456、0.406，方差依次为0.229、0.224、0.225。
[0095]
其次，电子设备将经过预处理的车辆区域图像输入至车牌检测模型。该车牌检测模型例如为以res34为核心(backbone)的神经网络模型，该神经网络模型例如为基于yolo框架的模型。该车牌检测模型的输入是预处理后的待处理图像，输出是车牌的检测框
(bouding box)的位置信息，共包含四个值：(xmin，ymin，w，h)，分别表示检测框左上角的顶点的x坐标、y坐标以及检测框的宽和高。
[0096]
最后，电子设备根据车牌检测框的位置信息，从待识别图像中提取出车牌区域图像。
[0097]
第三阶段、基于重建的异常车牌识别阶段。
[0098]
本阶段中，电子设备首先对车牌区域图像进行归一化处理。车牌区域图像的每个像素的像素值介于0-255之间，归一化过程中，电子设备对车牌区域图像的每个像素除以255，从而将每个像素的像素值归一化至0-1之间。
[0099]
然后，电子设备利用将归一化图像输入至编解码网络模型，以得到重建图像。其中，编解码网络模型是利用多个正常的车牌区域图像训练得到的。得到重建图像后，电子设备计算重建图像和归一化图像的损失值。
[0100]
最后，电子设备根据损失值，判断目标车辆的车牌是否异常。例如，若所述损失值大于或等于所述预设阈值，则确定所述目标车辆的车牌异常，若所述损失值小于所述预设阈值，则确定所述目标车辆的车牌正常。
[0101]
上述介绍了本申请实施例提到的异常车牌识别方法的具体实现，下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
[0102]
图6为本申请实施例提供的一种异常车牌识别装置的结构示意图。该装置可以集成在电子设备中或通过电子设备实现。如图6所示，在本实施例中，该异常车牌识别装置300可以包括：
[0103]
获取模块31，用于获取待识别图像，所述待识别图像中包含目标车辆；
[0104]
提取模块32，用于从所述待识别图像中提取出车牌区域图像
[0105]
归一化模块33，用于归一化所述目标车辆的车牌区域图像，以得到归一化图像，所述车牌区域图像包含所述目标车辆的车牌区域；
[0106]
重建模块34，用于重建所述归一化图像，以得到重建图像；
[0107]
确定模块35，用于根据所述归一化图像和所述重建图像，确定所述目标车辆的车牌是否异常。
[0108]
图7是本申请实施例提供的另一种异常车牌识别装置，请参照图7，本实施例提供的异常车牌识别装置300在上述图6的基础上，所述重建模块34包括：
[0109]
下采样单元341，用于利用编解码网络模型对所述归一化图像进行下采样，得到下采样图像；
[0110]
上采样单元342，用于利用所述编解码网络模型对所述下采样图像进行上采样，得到所述重建图像。
[0111]
一种可行的设计中，所述装置300还包括：训练模块36，用于在所述下采样单元341利用编解码网络模型对所述归一化图像进行下采样，得到下采样图像之前，获取多个正样本，所述多个正样本中的每个正样本为正常的车牌区域图像，利用所述正样本训练所述编解码网络模型。
[0112]
一种可行的设计中，所述确定模块35包括：用于确定所述归一化图像和所述重建图像的损失值，若所述损失值大于或等于所述预设阈值，则确定所述目标车辆的车牌异常；
若所述损失值小于所述预设阈值，则确定所述目标车辆的车牌正常。
[0113]
一种可行的设计中，所述装置300还包括：输出模块37，用于在所述第二确定单元352确定所述目标车辆的车牌异常之后，输出提示信息，所述提示信息用于提示所述目标车辆的车牌异常。
[0114]
一种可行的设计中，所述提取模块32，用于从所述待识别图像中提取出车辆区域图像，根据所述车辆区域图像，确定所述目标车辆的车牌的检测框；根据所述检测框，从所述待识别图像中提取出所述车牌区域图像。
[0115]
一种可行的设计中，所述提取模块32，用于根据所述车辆区域图像，识别所述目标车辆的类型，当所述目标车辆的类型为目标类型时，根据所述车辆区域图像，确定所述目标车辆的车牌的检测框。
[0116]
一种可行的设计中，所述装置300还包括：预处理模块38，用于在所述归一化模块归一化所述目标车辆的车牌区域图像，以得到归一化图像之前，缩放所述待识别图像以得到目标尺寸图像，归一化所述目标尺寸图像，以得到预处理后的待识别图像。
[0117]
图8是用来实现本申请实施例的异常车牌识别方法的电子设备的框图。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/或者要求的本申请的实现。
[0118]
如图8所示，该电子设备包括：一个或多个处理器41、存储器42，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器41为例。
[0119]
存储器42即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的异常车牌识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的异常车牌识别方法。
[0120]
存储器42作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的异常车牌识别方法对应的程序指令/模块(例如，附图6所示的获取模块31、提取模块32、归一化模块33、重建模块34、确定模块35，以及图7所示的训练模块36、输出模块37、预处理模块38等)。处理器41通过运行存储在存储器42中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的异常车牌识别方法。
[0121]
存储器42可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储电子设备执行异常车牌识别方法时所
创建的数据等。此外，存储器42可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器42可选包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至用于执行异常车牌识别方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0122]
异常车牌识别方法的电子设备还可以包括：输入装置43和输出装置44。处理器41、存储器42、输入装置43和输出装置44可以通过总线或者其他方式连接，图8中以通过总线连接为例。
[0123]
输入装置43可接收输入的数字或字符信息，以及产生与异常车牌识别电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置44可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
[0124]
此处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、专用asic(专用集成电路)、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。
[0125]
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
[0126]
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(阴极射线管)或者lcd(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。
[0127]
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：局域网(lan)、广域网(wan)和互联网。
[0128]
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。
[0129]
本申请实施例还提供一种异常车牌识别方法，包括：获取车牌区域图像，归一化所述车牌区域图像，得到归一化图像，重建所述归一化图像，得到重建图像。
[0130]
本申请实施例提供的异常车牌识别方法，电子设备对车牌区域图像的归一化图像进行重建，利用重建图像和归一化图像识别车辆的车牌是否异常，准确率高、效率高且人力成本低。
[0131]
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，本发申请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，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
[0132]
上述具体实施方式，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。