說明書公開一種運行于終端裝置的自動車牌識別方法，具體是指一種運用智能模型執行車牌信息處理的自動化車牌識別邊緣運算方法與系統。

背景技術：

1、隨著影像人工智能(artificial?intelligence，ai)科技的發展，使得影像識別成為逐漸成熟的技術，例如車牌識別，一種自動化車牌識別(automatic?license?platerecognition,alpr)系統常見運用在停車場與實施科技執法的道路等場域，但是運用神經網絡訓練得出的影像識別模型往往需要強大的運算能力，并不適合算力相對較低的終端裝置上，也不利于終端裝置在各種環境變化下執行車牌識別。

技術實現思路

1、有鑒于自動車牌識別技術需要大量的運算資源而無法運用在行車記錄器等邊緣裝置中，加上自動車牌識別技術還要面對各種場景車牌識別的需求，如天氣變化、亮度變化等各式各樣的環境，說明書公開一種自動化車牌識別邊緣運算方法與系統，其中方法適用如物聯網(iot)裝置與行車記錄器這類算力不足以應付高分辨率與高幀率串流影片實時運算的邊緣裝置中。

2、根據自動化車牌識別邊緣運算方法的實施例，方法執行于邊緣裝置中，通過邊緣裝置中的攝影模塊拍攝取得串流影片，再以其中處理器運用物體檢測模型以逐幀判斷一個或多個車牌，并取得各幀中各車牌影像。之后可逐幀從車牌影像中識別各車牌中字符，以置信度算法演算其中各字符的置信度，再逐幀根據各車牌全部字符的置信度得出一置信分數。

3、接著，可于連續幀中，在一時間內計算多次各車牌的置信分數，以取得具有最高的置信分數的車牌影像，據此得出一識別結果，再儲存對應具有此最高的置信分數的一完整幀影像。

4、進一步地，其中運用一智能模型識別各車牌中字符，并以一智能算法計算各車牌中每一個字符的置信度。其中，優選地，各車牌的置信分數為計算車牌中多個字符的置信度的統計值。

5、其中，于計算車牌的置信分數時，識別出的車牌的字符數量應超出系統設定的字符數量門坎，但是，若車牌的字符數量低于字符數量門坎，將視為不可靠的辨視結果，排除于車牌追蹤程序外。

6、進一步地，取得各車牌具有最高的置信分數的幀影像時，針對幀影像以一圖像處理技術取得車輛信息，并寫入該幀影像的元數據中。

7、進一步地，邊緣裝置中運行所述物體檢測模型，用以得出各幀中各車輛的車牌的邊界框、計算邊界框為車牌的機率以及各車牌屬于各種車輛類別的機率，以進行各車牌字符識別。

8、進一步地，邊緣裝置運行一分類模型，用以得出各車牌為不同車輛管轄地的機率、各車輛屬于不同顏色的機率以及各車輛屬于不同廠牌與車型的機率，以進行各車輛屬性識別。

9、進一步地，于連續幀中識別各車牌字符后，即執行一車牌追蹤程序，其中，經逐幀識別其中的一個車牌后，選定第一幀中的目標車牌時，接著計算第一幀的目標車牌與于第二幀中識別得出的一個或多個車牌中的每個車牌的距離，對應得出一個或多個車牌距離。再識別第一幀的目標車牌與第二幀的一個或多個車牌中的字符串，以計算第一幀的目標車牌中的字符串與第二幀的每個車牌中的字符串之間的字符串相似度。

10、之后，運用所述第一幀的目標車牌與所述第二幀的每個車牌之間的車牌距離與字符串相似度計算一綜合分數，使得系統可根據綜合分數判斷第一幀的目標車牌是否為出現在第二幀中的任一車牌。其中，當根據綜合分數判斷第二幀的其中的一個車牌為第一幀中選定的目標車牌時，即賦予相同識別符，以于連續幀中執行車牌追蹤。

11、進一步地，于連續幀中追蹤具有相同識別符的車牌，并達到一時間后，系統將儲存其中具有最高的置信分數的完整幀影像，或是儲存其中置信分數達一門坎的多張完整幀影像。

12、根據自動化車牌識別邊緣運算系統實施例，系統主要包括攝影模塊、內存與處理器，其中執行上述自動化車牌識別方法。

13、當從自動化車牌識別方法得出連續幀中具有最高的置信分數的幀影像，即將幀影像與識別得出的車牌號碼傳送至外部系統，如一計算機裝置或一云端系統。

技術特征：

1.一種自動化車牌識別邊緣運算方法，執行于一邊緣裝置中，其特征在于，所述方法包括：

2.根據權利要求1所述的自動化車牌識別邊緣運算方法，其特征在于，運用一智能模型識別各車牌中字符，并以一智能算法計算各車牌中每一個字符的置信度。

3.根據權利要求2所述的自動化車牌識別邊緣運算方法，其特征在于，各車牌的該置信分數為計算的該車牌中多個字符的置信度的一統計值。

4.根據權利要求3所述的自動化車牌識別邊緣運算方法，其特征在于，在計算該車牌的該置信分數時，識別出的該車牌的字符數量應超出一字符數量門坎，若該車牌的字符數量低于該字符數量門坎，即識別失敗。

5.根據權利要求4所述的自動化車牌識別邊緣運算方法，其特征在于，在連續幀中每隔一時間間隔計算該車牌的該置信分數，在該車牌消失之前取得具有最高的該置信分數的該幀影像。

6.根據權利要求5所述的自動化車牌識別邊緣運算方法，其特征在于，取得各車牌具有最高的該置信分數的該幀影像后，針對該幀影像以一圖像處理技術取得一車輛信息，并寫入該幀影像的一元數據中。

7.根據權利要求1所述的自動化車牌識別邊緣運算方法，其特征在于，所述邊緣裝置運行一物體檢測模型，用以得出各幀中各車輛的車牌的一邊界框、計算該邊界框為車牌的機率以及各車牌屬于各種車輛類別的機率，以進行各車牌字符識別。

8.根據權利要求1所述的自動化車牌識別邊緣運算方法，其特征在于，所述邊緣裝置運行一分類模型，用以得出各車牌為不同車輛管轄地的機率、各車輛屬于不同顏色的機率以及各車輛屬于不同廠牌與車型的機率，以進行各車輛屬性識別。

9.根據權利要求1至8中任一項所述的自動化車牌識別邊緣運算方法，其特征在于，在該連續幀中識別各車牌字符后，即執行一車牌追蹤程序，包括：

10.根據權利要求9所述的自動化車牌識別邊緣運算方法，其特征在于，在該連續幀中追蹤具有相同識別符的車牌，并達到一時間后，儲存其中具有最高的該置信分數的該完整幀影像，或是儲存其中該置信分數達一門坎的多張完整幀影像。

11.一種自動化車牌識別邊緣運算系統，其特征在于，所述系統包括：

12.根據權利要求11所述的自動化車牌識別邊緣運算系統，其特征在于，所述處理器運行通過智能算法訓練數據得出的一物體檢測模型與一分類模型。

13.根據權利要求12所述的自動化車牌識別邊緣運算系統，其特征在于，運行該物體檢測模型得出各幀中各車輛的車牌的一邊界框、計算該邊界框為車牌的機率以及各車牌屬于各種車輛類別的機率，以進行各車牌字符識別。

14.根據權利要求12所述的自動化車牌識別邊緣運算系統，其特征在于，運行該分類模型得出各車牌為不同車輛管轄地的機率、各車輛屬于不同顏色的機率以及各車輛屬于不同廠牌與車型的機率，以進行各車輛屬性識別。

15.根據權利要求11所述的自動化車牌識別邊緣運算系統，其特征在于，運用一智能模型識別各車牌中字符，并以一智能算法計算各車牌中每一個字符的置信度，各車牌的該置信分數為計算的該車牌中多個字符的置信度的一統計值。

16.根據權利要求15所述的自動化車牌識別邊緣運算系統，其特征在于，在計算該車牌的該置信分數時，識別出的該車牌的字符數量應超出一字符數量門坎，若該車牌的字符數量低于該字符數量門坎，即識別失敗。

17.根據權利要求16所述的自動化車牌識別邊緣運算系統，其特征在于，在連續幀中每隔一時間間隔計算該車牌的該置信分數，在該車牌消失之前取得具有最高的該置信分數的該幀影像。

18.根據權利要求17所述的自動化車牌識別邊緣運算系統，其特征在于，取得各車牌具有最高的該置信分數的該幀影像后，針對該幀影像以一圖像處理技術取得一車輛信息，并寫入該幀影像的一元數據中。

19.根據權利要求11至18中任一項所述的自動化車牌識別邊緣運算系統，其特征在于，在連續幀中得出具有最高的該置信分數的該幀影像，將該幀影像與識別得出的車牌號碼傳送至一外部系統。

20.根據權利要求19所述的自動化車牌識別邊緣運算系統，其特征在于，所述外部系統為一計算機裝置或一云端系統。

技術總結
一種自動化車牌識別邊緣運算方法與系統，方法執行于設置車輛內的終端系統中，系統主要設有攝影模塊與運算電路，方法包括通過攝影模塊產生串流影片，即運用物體檢測模型逐幀判斷影像中的車牌，經取得車牌影像后識別車牌上的字符，運用置信度算法演算各字符的置信度，以及全部字符的置信分數。之后，在一時間內計算連續幀中的車牌置信分數，取其中置信分數最高的幀，再將完整的幀影像儲存于內存中，接著可運用分類模型識別出車輛管轄地、顏色、廠牌與車型等車輛屬性。

技術研發人員：鄭明哲,蔡志豪,彭昶然,王政泰
受保護的技術使用者：神基科技股份有限公司
技術研發日：
技術公布日：2025/4/28