阅读说明：本技术 车辆识别码的检测方法、装置及计算机设备 (Vehicle identification code detection method and device and computer equipment ) 是由 周康明 谷维鑫 于 2019-09-18 设计创作，主要内容包括：本申请涉及一种车辆识别码的检测方法、装置及计算机设备,该方法包括包括：获取车辆识别码的待检测图像和车辆识别码的参考字符串；通过目标检测模型检测待检测图像中是否存在车辆识别码区域图像,若存在,从待检测图像中提取得到车辆识别码区域图像；通过字符实例分割模型对车辆识别码区域图像进行识别分割,并根据车辆识别码区域图像的识别分割结果生成车辆识别码区域图像所对应的字符串；将车辆识别码区域图像所对应的字符串与车辆识别码的参考字符串进行比对；根据比对的结果,记录车辆识别码的第一检测结果,解决了传统技术中存在无法准确地对车辆识别码进行检测的技术问题,提升了车辆识别码检测的准确率。(The application relates to a method, a device and computer equipment for detecting a vehicle identification code, wherein the method comprises the following steps: acquiring an image to be detected of a vehicle identification code and a reference character string of the vehicle identification code; detecting whether a vehicle identification code regional image exists in an image to be detected or not through a target detection model, and if so, extracting the vehicle identification code regional image from the image to be detected; identifying and segmenting the vehicle identification code area image through a character instance segmentation model, and generating a character string corresponding to the vehicle identification code area image according to an identification and segmentation result of the vehicle identification code area image; comparing the character string corresponding to the vehicle identification code area image with the reference character string of the vehicle identification code; according to the comparison result, the first detection result of the vehicle identification code is recorded, the technical problem that the vehicle identification code cannot be accurately detected in the traditional technology is solved, and the accuracy of vehicle identification code detection is improved.)

车辆识别码的检测方法、装置及计算机设备

技术领域

本申请涉及车辆检测领域，特别是涉及一种车辆识别码的检测方法、装置及计算机设备。

背景技术

随着社会经济的不断发展和人民生活水平的不断提高，城市机动车保有量迅猛增长。机动车车辆年检的工作量也随之迅速增大。而车辆识别码的检测、识别是车辆年检重要的项目之一。

其中，车辆识别码(Vehicle Identification Number，VIN)是作为汽车唯一标识码的多字符代码，包含了车辆的生产厂家、年代、车型、车身型式及代码、发动机代码及组装地点等信息。通常情况下，车辆识别码由17位字符组成，包含字母和数字，俗称十七位码。

但是，传统技术中存在无法准确地对车辆识别码进行检测的技术问题。

发明内容

基于此，有必要针对传统技术中存在的无法准确地对车辆识别码进行检测的技术问题，提供一种车辆识别码的检测方法、装置及计算机设备。

一种车辆识别码的检测方法，所述方法包括：获取车辆识别码的待检测图像和车辆识别码的参考字符串；通过目标检测模型检测所述待检测图像中是否存在车辆识别码区域图像，若存在，从所述待检测图像中提取得到所述车辆识别码区域图像；通过字符实例分割模型对所述车辆识别码区域图像进行识别分割，并根据所述车辆识别码区域图像的识别分割结果生成所述车辆识别码区域图像所对应的字符串；将所述车辆识别码区域图像所对应的字符串与所述车辆识别码的参考字符串进行比对；根据比对的结果，记录所述车辆识别码的第一检测结果。

上述车辆识别码的检测方法，通过字符实例分割模型对所述车辆识别码区域图像进行识别分别，并根据所述车辆识别码区域图像的识别分割结果生成所述车辆识别码区域图像所对应的字符串，实现了对车辆识别码待检测图像中相邻的相同字符的有效识别，从而解决了传统技术中存在无法准确地对车辆识别码进行检测的技术问题，提升了车辆识别码检测的准确率。

附图说明

图1为一个实施例中车辆识别码的检测方法的应用环境图；

图2a为一个实施例中车辆识别码的检测方法的流程示意图；

图2b为一个实施例中待检测图像中的车辆识别码区域的示意图；

图3为一个实施例中车辆识别码的检测方法的流程示意图；

图4为一个实施例中车辆识别码的检测方法的流程示意图；

图5为一个实施例中车辆识别码的检测方法的流程示意图；

图6为一个实施例中生成拓印膜图片中各个字符的流程示意图；

图7a为一个实施例中车辆识别码的检测方法的流程示意图；

图7b为一个实施例中字符实例分割模型的网络结构图；

图8为一个实施例中生成车辆识别码区域图像的样本集的流程示意图；

图9为一个实施例中车辆识别码的检测装置的结构框图；

图10为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

请参见图1，本申请一个实施例提供的应用环境的示意图。该应用环境可以包括：第一计算机设备110、第二计算机设备120和图像采集设备130。其中，第一计算机设备110和第二计算机设备120是指具有较强的数据存储和计算能力的电子设备，例如第一计算机设备110、第二计算机设备120可以是PC(Personal Computer，个人计算机)或服务器。具体地，通过图像采集设备130对车辆的车辆识别码进行图像采集，得到车辆识别码的待检测图像，并通过网络连接将车辆识别码的待检测图像发送至第一计算机设备110。在对待检测图像进行检测之前，需要技术人员在第二计算机设备120上构建目标检测模型，并通过第二计算机设备120对构建的目标检测模型进行训练。技术人员也可以在第二计算机设备120上构建字符实例分割模型，并通过第二计算机设备120对构建的字符实例分割模型进行训练。完成训练的目标检测模型、字符实例分割模型可以从第二计算机设备120发布至第一计算机设备110中，第一计算机设备110可以采用目标检测模型对用户提供的车辆识别码的待检测图像进行检测，判断待检测图像中是否存在车辆识别码区域图像，若存在，从待检测图像中提取得到车辆识别码区域图像；从而可以采用字符实例分割模型对车辆识别码区域图像进行识别分割，得到车辆识别码的识别分割结果，并根据车辆识别码的识别分割结果生成车辆识别码区域图像所对应的字符串；接着，将车辆识别码区域图像所对应的字符串与车辆识别码的参考字符串进行比对；进而根据比对的结果，记录车辆识别码的第一检测结果。可以理解的是，第一计算机设备110也可以采用终端的形式，终端可以是诸如手机、平板电脑、电子书阅读器、多媒体播放设备、可穿戴设备、PC等电子设备。终端通过目标检测模型、字符实例分割模型完成车辆识别码的待检测图像的检测工作。当然，第一计算机设备110也可以与图像采集设备130集成在一起。

在一个实施例中，如图2a所示，提供了一种车辆识别码的检测方法，以该方法应用于图1中的第一计算机设备110为例进行说明，包括以下步骤：

S210、获取车辆识别码的待检测图像和车辆识别码的参考字符串。

其中，车辆识别码(Vehicle Identification Number，VIN)是作为汽车唯一标识码的多字符代码，包含了车辆的生产厂家、年代、车型、车身型式及代码、发动机代码及组装地点等信息。待检测图像是指通过图像采集设备对车辆识别码区域进行拍摄得到的且需要进行车辆识别码检测的图像，待检测图像可以仅包括车辆识别码区域图像，也可以不包括车辆识别码区域图像仅包括一些背景图像，还可以同时包括车辆识别码区域图像和一些背景图像。由于车辆识别码由若干位字符组成，因此事先存储一个车辆识别码的参考字符串，该参考字符串是用于判断待检测图像中的车辆识别码是否通过检测的一个标准。可以理解的是，车辆识别码的参考字符串可以预存在第一计算机设备本地，也可以预存在与第一计算机设备通信连接的服务器上。

具体地，通过图像采集设备对车辆的车辆识别码进行图像采集，并将车辆识别码的待检测图像通过有线连接方式或者无线连接方式发送至第一计算机设备，第一计算机设备获取车辆识别码的待检测图像。也可以将车辆识别码的待检测图像事先存储在第一计算机设备本地或者与第一计算机设备通信连接的服务器，第一计算机设备从本地或者与第一计算机设备通信连接的服务器获取待检测图像。同样的，可以从第一计算机设备本地或者与第一计算机设备通信连接的服务器获取车辆识别码的参考字符串。

S220、通过目标检测模型检测待检测图像中是否存在车辆识别码区域图像，若存在，从待检测图像中提取得到车辆识别码区域图像。

其中，目标检测模型是指从待检测图像中将感兴趣的目标(比如车辆识别码)分割开来的机器学习模型。比如，目标检测模型可以是基于深度学习的SSD(single shotmultibox detection)目标检测算法模型，SSD可以是通过单个深度神经网络，将待检测图像中的车辆识别码区域通过矩形框检测出来，如图2b所示。车辆识别码区域图像是指待检测图像中与车辆识别码所对应的部分图像。具体地，将待检测图像输入至目标检测模型后，首先检测待检测图像中是否存在车辆识别码区域图像，若存在，则对待检测图像进行提取或者截取，得到车辆识别码区域图像。

S230、通过字符实例分割模型对车辆识别码区域图像进行识别分割，并根据车辆识别码区域图像的识别分割结果生成车辆识别码区域图像所对应的字符串。

其中，字符实例分割模型是指在像素层面识别出车辆识别码中各个字符的轮廓的机器学习模型。具体地，将目标检测模型检测到的车辆识别码区域图像输入字符实例分割模型，利用字符实例分割模型对车辆识别码区域图像进行识别，识别出车辆识别码区域图像包括哪些字符。在利用字符实例分割模型识别包括连续相同字符的车辆识别码区域图像时，同时对车辆识别码区域图像进行了目标检测，从而得知车辆识别码中各个字符的位置，进而将车辆识别码中连续的相同字符一一区别开来。那么，针对车辆识别码包括连续相同字符，通过字符实例分割模型则可以识别出车辆识别码区域图像中相邻的相同字符。在识别出车辆识别码区域图像中车辆识别码的各个字符之后，可以根据识别出的车辆识别码的各个字符进行分割生成车辆识别码区域图像所对应的字符串。

S240、将车辆识别码区域图像所对应的字符串与车辆识别码的参考字符串进行比对。

S250、根据比对的结果，记录车辆识别码的第一检测结果。

其中，第一检测结果用于表示从车辆识别码区域图像中识别到的车辆识别码是否通过检测。具体地，利用字符实例分割模型识别出车辆识别区域图像中的车辆识别码的各个字符并生成车辆识别码区域图像所对应的字符串。为了判断待检测图像是否通过审核，需要判断车辆识别码区域图像所对应的字符串与车辆识别码的参考字符串是否一致。将车辆识别码区域图像所对应的字符串与车辆识别码的参考字符串进行比对，若两者一致，将车辆识别码的第一检测结果记录为通过检测，若两者不一致，将车辆识别码的第一检测结果记录为不通过检测。

举例说明本实施例与传统技术的区别，如图2b所示，车辆VIN码通常由17位字符组成，组成车辆VIN码的字符有“0～9”、“A～N”、“P”和“R～Z”共34种。在对这些字符进行排列组合形成车辆VIN码时，经常会有多个相同字符连续出现。比如某车辆VIN码为：LA9BAGGV0FHXCF049。对于这种含有连续相同字符(如GG)的车辆VIN码，利用传统技术进行识别，识别结果为：LA9BAGV0FHXCF049。将传统技术的识别结果与车辆VIN码进行比对，可见传统技术无法识别含有连续相同字符的车辆VIN码，从而无法准确地对车辆识别码进行检测。而在本实施例中，通过字符实例分割模型识别出车辆识别码区域图像中相邻的相同字符，识别结果为：LA9BAGGV0FHXCF049，将本实施例的识别结果与车辆VIN码进行比对，可见本实施例中的方法可以识别含有连续相同字符的车辆VIN码，从而可以准确地对车辆识别码进行检测。

本实施例中，通过获取车辆识别码的待检测图像和车辆识别码的参考字符串；通过目标检测模型检测待检测图像中是否存在车辆识别码区域图像，若存在，从待检测图像中提取得到车辆识别码区域图像；通过字符实例分割模型对车辆识别码区域图像进行识别分割，并根据车辆识别码区域图像的识别分割结果生成车辆识别码区域图像所对应的字符串；将车辆识别码区域图像所对应的字符串与车辆识别码的参考字符串进行比对；根据比对的结果，记录车辆识别码的第一检测结果。实现了对车辆识别码待检测图像中相邻的相同字符的有效识别，从而解决了传统技术中存在无法准确地对车辆识别码进行检测的技术问题，提升了车辆识别码检测的准确率。

在一个实施例中，如图3所示，在获取车辆识别码的待检测图像和车辆识别码的参考字符串之后，该方法还包括以下步骤：

S310、获取车辆识别码的参考字符串的字符长度；

S320、判断参考字符串的字符长度是否满足预设条件；

S330、根据字符长度是否满足预设条件的判断结果，记录车辆识别码的第二检测结果。

其中，参考字符串具有特定数量的字符组成，即具有特定的字符长度。为了确保检测标准的一致性，提升检测结果的可信度，在获取到车辆识别码的参考字符串后，需要对参考字符串进行校验，比如校验参考字符串的长度。根据参考字符串的长度而设定预设条件，从而利用预设条件对车辆识别码的参考字符串进行校验。具体地，检测车辆识别码的参考字符串所包括的字符数量，获取参考字符串的字符长度。判断参考字符串的字符长度是否满足预设条件中设定的长度。若字符长度满足预设条件，将车辆识别码的第二检测结果记录为通过检测，若字符长度不满足预设条件，将车辆识别码的第二检测结果记录为不通过检测。示例性的，车辆VIN码由17个字符组成，则预设条件为：参考字符串长度为17位，检测到车辆识别码的参考字符串的长度，若参考字符串的长度为17位，将车辆识别码的第二检测结果记录为通过检测。若参考字符串的长度不为17位，将车辆识别码的第二检测结果记录为不通过检测。

在一个实施例中，如图4所示，通过目标检测模型检测待检测图像是否包括车辆识别码区域图像，若存在，从待检测图像中提取得到车辆识别码区域图像，包括以下步骤：

S410、通过目标检测模型检测待检测图像中车辆识别码区域图像的位置数据，并判断待检测图像中是否存在车辆识别码区域图像；

S420、根据车辆识别码区域图像是否存在的判断结果，记录车辆识别码的第三检测结果；

S430、若待检测图像中存在车辆识别码区域图像，根据位置数据对待检测图像进行提取，得到车辆识别码区域图像。

具体地，检测车辆识别码区域图像在待检测图像中的位置并计算置信度，通过该置信度是否满足预设阈值条件判断待检测图像中是否存在车辆识别码区域图像。一般情况下，置信度的预设阈值是根据实际情况而设定的，可以是0.2或者0.4等。若检测到待检测图像中存在车辆识别码区域图像，将车辆识别码的第三检测结果记录为通过检测，若检测到待检测图像中不存在车辆识别码区域图像，将车辆识别码的第三检测结果记录为不通过检测。进一步地，若检测到待检测图像中存在车辆识别码区域图像，根据车辆识别码区域图像在待检测图像中的位置，对待检测图像进行提取或者截取，得到车辆识别码区域图像。

本实施例中，通过目标检测模型检测待检测图像中车辆识别码区域图像的位置数据，并判断待检测图像中是否存在车辆识别码区域图像。若存在，则从待检测图像中将车辆识别码区域图像提取出来，从而可以有效地避免因待检测图像中其他背景图像中的复杂情况导致的误检，为车辆识别码的检测工作打下基础，提高车辆识别码检测的准确率。

在一个实施例中，车辆识别码的识别结果包括车辆识别码区域图像中各个字符的位置，车辆识别码预先保存有对应的拓印膜图片。如图5所示，在根据车辆识别码的识别分割结果生成车辆识别码区域图像所对应的字符串之后，该方法还包括以下步骤：

S510、根据车辆识别码区域图像中各个字符的位置，将车辆识别码区域图像分割成车辆识别码中的各个字符；

S520、将分割得到的各个字符与拓印膜图片中各个字符进行比对，判断分割得到的各个字符是否被篡改；

S530、根据分割得到的各个字符是否被篡改的判断结果，记录车辆识别码的第四检测结果。

其中，为了检测车辆识别码中的字符是否被篡改，在第一计算机设备的本地或者与第一计算机设备通信连接的服务器预存有待检测车辆识别码所对应的拓印膜图片以及拓印膜图片中的各个字符。具体地，通过字符实例分割模型对车辆识别码区域图像进行识别出车辆识别码中的各个字符，同时对车辆识别码区域图像进行目标检测获得车辆识别码中各个字符的位置，即车辆识别码的识别结果包括车辆识别码区域图像中各个字符的位置。可以按照车辆识别码区域图像中各个字符的位置将车辆识别码区域图像分割成一个个字符，从字形、字符位置、字符间距、字符高低等方面将分割得到的各个字符与拓印膜图片中的各个字符进行比对，判断分割车辆识别码区域图像得到的各个字符是否被篡改。若检测到分割车辆识别码区域图像得到的各个字符没有被篡改，将车辆识别码的第四检测结果记录为通过检测，若检测到分割车辆识别码区域图像得到的各个字符被篡改，将车辆识别码的第四检测结果记录为不通过检测。

本实施例中，在检测到车辆识别码区域图像所对应的字符串后，进一步地检测车辆识别码中的字符是否被篡改，不仅提高了车辆识别码的检测的工作效率，而且确保了车辆识别码的检测工作的准确性。

在一个实施例中，如图6所示，拓印膜图片中各个字符的生成，包括以下步骤：

S610、获取车辆识别码所对应的拓印膜图片；

S620、通过字符实例分割模型对拓印膜图片进行识别，得到拓印膜图片中的各个字符以及拓印膜图片中各个字符的位置；

S630、根据拓印膜图片中各个字符的位置，将拓印膜图片分割成拓印膜图片中的各个字符。

具体地，从第二计算机设备的本地获取待检测车辆识别码所对应的拓印膜图片，或者，从与第二计算机设备通信连接的服务器预中获取待检测车辆识别码所对应的拓印膜图片。利用字符实例分割模型对该拓印膜图片进行识别，识别出拓印膜图片中的各个字符，并同时对拓印膜图片中的各个字符进行目标检测，从而得知各个字符在拓印膜图片中的位置。为了检测待检测图像中车辆识别码的各个字符是否被篡改，根据拓印膜图片中各个字符的位置，将拓印膜图片分割成一个个字符，得到拓印膜图片中的各个字符。

本实施例中，通过字符实例分割模型对拓印膜图片进行识别，即使拓印膜图片中包括连续相同的字符，也可以准确识别出中拓印膜图片中的各个字符及各个字符的位置，从而根据拓印膜图片中各个字符的位置将拓印膜图片进行分割，得到拓印膜图片中各个字符。

在一个实施例中，该方法还包括：对第一检测结果、第二检测结果、第三检测结果及第四检测结果进行统计分析；当第一检测结果、第二检测结果、第三检测结果及第四检测结果均为通过检测时，生成车辆识别码通过检测的检测结果；当第一检测结果、第二检测结果、第三检测结果及第四检测结果中存在一个或者多个为不通过检测时，生成车辆识别码不通过检测的检测结果。

具体地，在车辆识别码检测的整个过程中：首先，通过将车辆识别码区域图像所对应的字符串与车辆识别码的参考字符串比对，记录车辆识别码的第一检测结果；通过判断参考字符串的字符长度是否满足预设条件，记录车辆识别码的第二检测结果；通过判断待检测图像中是否存在车辆识别码区域图像，记录车辆识别码的第三检测结果；通过将分割车辆识别码区域图像得到的各个字符与拓印膜图片中各个字符进行比对，记录车辆识别码的第四检测结果。最后，通过对第一检测结果、第二检测结果、第三检测结果及第四检测结果的统计分析，确定车辆识别码最终的检测结果。其中，当第一检测结果、第二检测结果、第三检测结果及第四检测结果均为通过检测时，生成车辆识别码通过检测的检测结果；当第一检测结果、第二检测结果、第三检测结果及第四检测结果中存在一个或者多个为不通过检测时，生成车辆识别码不通过检测的检测结果。

示例性地，针对第一检测结果、第二检测结果、第三检测结果及第四检测结果设置对应的标志位，设置不同的布尔值表示不同的检测结果。若车辆识别码区域图像所对应的字符串与车辆识别码的参考字符串一致，在第一检测结果所对应的第一标志位记录1，若不一致，在第一检测结果所对应的第一标志位记录0；若字符长度满足预设条件，在第二检测结果所对应的第二标志位记录1，若不满足，在第二检测结果所对应的第二标志位记录0；若待检测图像在存在车辆识别码区域图像，在第三检测结果所对应的第三标志位记录1，若不存在，在第三检测结果所对应的第三标志位记录0；若分割车辆识别码区域图像得到的各个字符不被篡改，在第四检测结果所对应的第四标志位记录1，若被篡改，在第四检测结果所对应的第四标志位记录0。当第一标志位、第二标志位、第三标志位及第四标志位均记录1时，则待检测图像通过最终的检测，当第一标志位、第二标志位、第三标志位及第四标志位中有任一个记录0时，则待检测图像不通过检测。

在一个实施例中，如图7a所示，通过字符实例分割模型对车辆识别码区域图像进行识别分割，并根据车辆识别码区域图像的识别分割结果生成车辆识别码区域图像所对应的字符串，包括以下步骤：

S710、通过字符实例分割模型对车辆识别码区域图像进行目标检测，确定车辆识别码区域图像中各个字符以及各个字符的位置；

S720、通过字符实例分割模型对车辆识别码区域图像进行目标分类，确定车辆识别码区域图像中各个字符的类别；

S730、通过字符实例分割模型对车辆识别码区域图像进行像素级目标分割，得到多个像素级分割对象；

S740、根据车辆识别码区域图像中各个字符以及各个字符的类别，从多个像素级分割对象中选择车辆识别码所对应的各个字符；

S750、根据车辆识别码区域图像中各个字符的位置及类别对各个字符进行排序，生成车辆识别码区域图像所对应的字符串。

其中，采用字符实例分割模型对车辆识别码区域图像进行识别，字符实例分割模型需要完成三件事：字符检测、字符分类和像素级层面上的字符分割。具体地，如图7b所示,将车辆识别码区域图像输入至字符实例分割模型的输入层进行一些处理，输入层的输出传入至与输入层连接的基网络。通过基网络提取车辆识别码区域图像对应的特征图像(Feature Map)。将基网络输出的特征图像传入至目标检测候选框生成网络和ROI(Regionof Interest，感兴趣区域)Align层，且ROI Align层连接至目标检测候选框生成网络。ROIAlign层后连接有两个分支，分别为第一分支和第二分支。其中，第一分支包括第一子分支和第二子分支。第一子分支包括一个边框回归层，通过第一子分支对车辆识别码区域图像进行目标检测，确定车辆识别码区域图像中各个字符以及各个字符的位置。第二子分支包括一个分类器，通过第二子分支对车辆识别码区域图像进行目标分类，确定车辆识别码区域图像中各个字符的类别。第二分支包括掩膜层(又称为遮罩层，Mask)，通过第二分支对车辆识别码区域图像进行像素级目标分割，得到多个像素级分割对象。由于像素级分割对象包括组成车辆识别码的各个字符以及其他背景，则根据检测到的各个字符以及各个字符的类别，从多个像素级分割对象中选择车辆识别码所对应的各个字符。又，各个字符在车辆识别码区域图像中具有各自的位置，则根据车辆识别码区域图像中各个字符的位置及类别对检测到的各个字符进行排序，生成车辆识别码区域图像所对应的字符串，生成的字符串即从待检测图像中检测到的车辆识别码。

本实施例中，通过字符实例分割模型对车辆识别码区域图像分别进行字符检测、字符分类和像素级层面上的字符分割，实现了车辆识别码待检测图像中连续相同的字符的准确识别，提升了车辆识别码检测的准确率。

在一个实施例中，字符实例分割模型的结构如图7b所示，且字符实例分割模型调用Resnet-101为基网络，使用FPN(Feature Pyramid Networks)结构。且字符实例分割模型使用语义分割功能。具体的超参数可以设置为：初始学习速率BASE_LR为0.01，学习速率衰减大小WEIGHT_DECAY为0.0001，学习速率衰减策略为multistep，最大图片尺寸MAX_SIZE_TRAIN为800，最小图片尺寸MIN_SIZE_TRAIN为500。具体地，字符实例分割模型的生成，包括：获取车辆识别码区域图像的样本集；根据各个车辆识别码区域图像、各个字符在各个车辆识别码区域图像中的位置以及各个车辆识别码区域图像中各个字符所对应的类别，训练字符实例分割模型。

其中，车辆识别码区域图像的样本集包括多个车辆识别码区域图像，且各个车辆识别码区域图像中的各个字符的位置和类别均被标注。比如，可以通过开源的Labelme标注工具对车辆识别码区域图像进行标注。车辆VIN码中的字符有“0～9”、“A～N”、“P”和“R～Z”共34种,可以分别用0～33来表示类别(class)。由于字符实例分割模型需要识别出相同类别的各个字符，则在标注时需要对车辆识别码区域图像中出现的相同字符分别进行标注。

具体地，通过多种方式获取车辆识别码区域图像的样本集作为训练集，比如第二计算机设备通过有线连接方式或者无线连接方式从存储有车辆识别码区域图像样本集的服务器中获取。或者，车辆识别码区域图像样本集先存储在第二计算机设备本地，第二计算机设备从本地获取车辆识别码区域图像样本集。且样本集中的各个车辆识别码区域图像标标注了各个字符的位置和类别。通过第二计算机设备设置字符实例分割模型的结构，得到初始的字符实例分割模型，第二计算机设备采用各个车辆识别码区域图像、各个字符在各个车辆识别码区域图像中的位置以及各个车辆识别码区域图像中各个字符所对应的类别训练字符实例分割模型。并根据字符实例分割模型预测的结果与标签的差异，调整字符实例分割模型的模型参数并继续训练，直至满足训练停止条件时结束训练。其中，训练停止条件是结束模型训练的条件。训练停止条件可以是达到预设的迭代次数，或者是调整模型参数后的字符实例分割模型的性能指标达到预设指标。

在一个实施例中，如图8所示，车辆识别码区域图像的样本集的生成，包括以下步骤：

S810、获取原始车辆识别码图像的样本集。

其中，原始车辆识别码图像的样本集包括多个原始车辆识别码图像。原始车辆识别码图像是指用于通过目标检测并对其进行截取或者提取以得到车辆识别码区域图像的图像。具体地，通过多种方式获取原始车辆识别码图像的样本集，比如第二计算机设备通过有线连接方式或者无线连接方式从存储有原始车辆识别码图像的样本集的服务器中获取。或者，原始车辆识别码图像的样本集先存储在第二计算机设备本地，第二计算机设备从本地获取原始车辆识别码图像的样本集。

S820、获取各个原始车辆识别码图像中的车辆识别码区域的位置数据。

具体地，通过目标检测算法对各个原始车辆识别码图像中的车辆识别码区域进行检测。其中，目标检测算法指的是利用滑动窗口对一张原始车辆识别码图像进行扫描以找出该张图像中所包含的车辆识别码区域并计算出车辆识别码区域的算法。目标检测算法的输出包括车辆识别码区域外接矩形或者车辆识别码区域外接矩形框在原始车辆识别码图像中的坐标。从而可以获取各个原始车辆识别码图像中的车辆识别码区域的位置数据。

S830、根据车辆识别码区域的位置数据从各个原始车辆识别码图像中提取出各个车辆识别码区域图像。

具体地，已知各个原始车辆识别码图像中的车辆识别码区域的位置数据，可以根据各个车辆识别码区域的位置数据对各个原始车辆识别码图像中的车辆识别码区域进行提取，得到各个车辆识别码区域图像。可以理解的是，提取得到的各个车辆识别码区域图像可以具有相同的尺寸。

S840、采用字符描边的方法，标注各个车辆识别码区域图像中各个字符的位置和类别。

具体地，对于提取得到的各个车辆识别码区域图像，采用字符描边的方法对各个车辆识别码区域图像中各个字符的位置和类别进行标注。比如，一个车辆识别码区域图像中包括17个字符，各个字符对应各自的类别，若车辆识别码区域图像中出现的连续相同字符，也对其分别进行标注，标注完成时，可以产生对应的标注文件，比如JSON文件。

S850、对标注后的各个车辆识别码区域图像进行数据扩充操作。

其中，数据扩充指的是通过图像变形或者增加噪声等方式增加训练集的数量的一种手段。数据扩充操作包括布局变换、弯曲变换、旋转、平移中至少一个。具体地，由于车辆识别码的标注工作相对耗时、标注成本较高，可以对提取得到的车辆识别码区域图像进行布局变换、弯曲变换、旋转、平移等操作，将一张车辆识别码区域图像扩充为预设数量的不同形态的图片，比如，将原来的一张图片扩充为10张不同形态的图片。

其中，弯曲变换操作具体为：获取车辆识别码区域图像四个顶点的坐标以及镜头中心在图像中的位置，镜头中心即车辆识别码区域图像的中心；通过特定的函数对图像进行弯曲变换。进一步地，在弯曲变换的同时进行越界保护，若在弯曲变换的过程中图像中的字符超出图像范围，造成字符残缺不全，为了避免对后续字符实例分割模型的训练产生不好的影响，故删除扩充后超出范围的图像。

一般情况下，车辆识别码中的各个字符排列为单排或者双排，针对车辆识别码包括17个字符的情况，在统计分析了大量双排车辆识别码的图片数据发现，双排车辆识别码的第一排通常为9个字符，第二排为8个字符。下面举例说明布局变换操作：截取车辆识别码区域图像中的任意不包含车辆识别码字符的部分区域，并调整到预设尺寸以作为新的扩充图像的背景。可以通过人工标注或者目标检测算法获取车辆识别码区域图像中每个字符的外接矩形框，并根据第9位字符的右下顶点坐标和下一个字符的左上顶点坐标，将单排的车辆识别码截取两部分图像，进行适当的尺寸调整后，贴到新的扩充图像的背景上，得到双排车辆识别码的车辆识别码区域图像。若存在残缺字符，删除对应的扩充图像。

S860、根据标注后的各个车辆识别码区域图像以及通过数据扩充操作得到的各个车辆识别码区域图像，生成车辆识别码区域图像的样本集。

具体地，各个原始车辆识别码图像中提取出各个车辆识别码区域图像，对提取得到的各个车辆识别码区域图像进行标注，这部分标注后的各个车辆识别码区域图像可以用作字符实例分割模型的训练集。通过数据扩充操作得到的各个车辆识别码区域图像也可以用作字符实例分割模型的训练集。

本实施例中，不仅通过对车辆识别码区域图像中出现的相同字符分别进行标注使得训练得到的字符实例分割模型能够识别出连续相同的字符，而且通过改进扩充样本集使得车辆识别码区域图像的样本集更均衡，模型具有更强的泛化能力，更够准确地检测各种类型车辆识别码。

在一个实施例中，本申请提供一种车辆识别码的检测方法，该方法包括以下步骤：

S902、获取原始车辆识别码图像的样本集，原始车辆识别码图像的样本集包括多个原始车辆识别码图像。

S904、获取各个原始车辆识别码图像中的车辆识别码区域的位置数据。

S906、根据车辆识别码区域的位置数据从各个原始车辆识别码图像中提取出各个车辆识别码区域图像。

S908、采用字符描边的方法，标注各个车辆识别码区域图像中各个字符的位置和类别。

S910、对标注后的各个车辆识别码区域图像进行数据扩充操作。

其中，数据扩充操作包括布局变换、弯曲变换、旋转、平移中至少一个。

S912、根据标注后的各个车辆识别码区域图像以及通过数据扩充操作得到的各个车辆识别码区域图像，生成车辆识别码区域图像的样本集。

S914、根据样本集中的各个车辆识别码区域图像、各个字符在各个车辆识别码区域图像中的位置以及各个车辆识别码区域图像中各个字符所对应的类别，训练字符实例分割模型。

S916、获取车辆识别码的待检测图像和车辆识别码的参考字符串，待检测图像包括车辆识别码区域图像。

S918、获取车辆识别码的参考字符串的字符长度。

S920、判断参考字符串的字符长度是否满足预设条件。

S922、根据字符长度是否满足预设条件的判断结果，若满足，在字符长度所对应的第一标志位记录1，若不满足，在字符长度的第一标志位记录0，并保存相关的图片。

S924、若满足，通过目标检测模型检测待检测图像中车辆识别码区域图像的位置数据，并判断待检测图像中是否存在车辆识别码区域图像。

其中，若存在，在车辆识别码区域图像所对应的第二标志位记录1，若不存在，在车辆识别码区域图像所对应的第二标志位记录0，并保存相关的图片。

S926、若存在，根据位置数据对待检测图像进行提取，得到车辆识别码区域图像。

S928、通过字符实例分割模型对车辆识别码区域图像进行识别分割，并根据车辆识别码区域图像的识别分割结果生成车辆识别码区域图像所对应的字符串。

其中，车辆识别码的识别结果包括车辆识别码区域图像中各个字符的位置，车辆识别码预先保存有对应的拓印膜图片。

S930、将车辆识别码区域图像所对应的字符串与车辆识别码的参考字符串进行比对。

其中，若两者一致，在比对结果所对应的第三标志位记录1，若两者不一致，在比对结果所对应的第三标志位记录0，并保存相关的图片。

S932、根据车辆识别码区域图像中各个字符的位置，将车辆识别码区域图像分割成车辆识别码中的各个字符。

S934、将分割得到的各个字符与拓印膜图片中各个字符进行比对，判断分割得到的各个字符是否被篡改。

其中，若没有被篡改，在是否篡改状态所对应的第四标志位记录1，若被篡改，在是否篡改状态所对应的第四标志位记录0，并保存相关的图片。

S936、若第一标志位、第二标志位、第三标志位及第四标志位均记录1，则车辆识别码的待检测图像通过检测。

S938、若第一标志位、第二标志位、第三标志位及第四标志位中有任何一个标志位记录0，则车辆识别码的待检测图像不通过检测。

S940、根据记录为0的标志位，查询待检测图像不通过检测的原因及对应的图片。

应该理解的是，虽然上述各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，本申请提供一种车辆识别码的检测装置900，如图9所示，该装置包括：

获取模块910，用于获取车辆识别码的待检测图像和车辆识别码的参考字符串，所述待检测图像包括车辆识别码区域图像；

检测模块920，用于通过目标检测模型检测所述待检测图像中是否存在车辆识别码区域图像，若存在，从所述待检测图像中提取得到所述车辆识别码区域图像；

识别模块930，用于通过字符实例分割模型对所述车辆识别码区域图像进行识别分割，并根据所述车辆识别码区域图像的识别分割结果生成所述车辆识别码区域图像所对应的字符串；

比对模块940，用于将所述车辆识别码区域图像所对应的字符串与所述车辆识别码的参考字符串进行比对；

记录模块950，用于根据比对的结果，记录所述车辆识别码的第一检测结果。

关于车辆识别码的检测装置的具体限定可以参见上文中对于车辆识别码的检测方法的限定，在此不再赘述。上述车辆识别码的检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆识别码的检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中的方法步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的方法步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。