技术领域
[0001] 本发明涉及计算机领域，尤其涉及一种车辆识别号码检测识别方法及设备。
相关背景技术
[0002] 随着社会经济的不断发展和人民生活水平的持续提高，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。已有的车辆识别号码(VIN码)检测识别方法大多数是针对单排车架号，但车辆中也存在大量的双排车架号，如何准确、快速地对双排车辆识别号码进行检测和识别，是急需解决的技术问题。
具体实施方式
[0078] 下面结合附图对本发明作进一步详细描述。
[0079] 在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
[0080] 内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
[0081] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0082] 本发明提供一种车辆识别号码检测识别方法，所述方法包括：
[0083] 步骤S11，获取车辆识别号码图像，检测所述车辆识别号码图像是否存在车辆识别号码区域，
[0084] 步骤S12，若存在车辆识别号码区域，则将车辆识别号码图像按字符进行分割得到分割结果；
[0085] 步骤S13，对所述分割结果进行膨胀操作以判断车辆识别号码是单排还是双排；
[0086] 步骤S14，若是单排，则将所述分割结果按单排车辆识别号码的特征排列得到待比对的单排车辆识别号码；将所述待比对的单排车辆识别号码与对应的单排车辆识别号码答案进行比对，获取单排比对结果；
[0087] 步骤S15，若是双排，则将所述分割结果按双排车辆识别号码的特征排列得到待比对的双排车辆识别号码，将所述待比对的双排车辆识别号码与对应的双排车辆识别号码答案进行比对，获取双排比对结果。
[0088] 在此，本发明将车辆识别号码图像传入车辆识别号码检测单元，获取车辆识别号码区域图像。再采用车辆识别号码字符分割模型，将车辆识别号码区域图像分割成单个字符。这种分步检测手段可以有效地避免因车辆识别号码区域情况复杂带来的误检影响，提高车辆识别号码检测和字符分割的准确率。
[0089] 本发明可以自动审核车辆单、双排车辆识别号码是否与答案一致，以满足如今对车辆年检工作效率、准确率的需求。
[0090] 本发明的车辆识别号码检测识别方法一实施例中，步骤S11，获取车辆识别号码图像，检测所述车辆识别号码图像是否存在车辆识别号码区域之后，还包括：
[0091] 步骤S16，若不存在车辆识别号码区域，则反馈车辆识别号码篡改检测不通过的信息。
[0092] 在此，本实施例可以可靠获得车辆识别号码篡改检测不通过的信息。
[0093] 本发明的车辆识别号码检测识别方法一实施例中，步骤S14中，获取单排比对结果，包括：
[0094] 步骤S141，若比对一致，则反馈车辆识别号码篡改检测通过的信息；
[0095] 步骤S142，若比对不一致，则反馈车辆识别号码篡改检测不通过的信息；
[0096] 步骤S15中，获取双排比对结果，包括：
[0097] 步骤S151，若比对一致，则反馈车辆识别号码篡改检测通过的信息；
[0098] 步骤S152，若比对不一致，则反馈车辆识别号码篡改检测不通过的信息。
[0099] 在此，本实施例可以可靠获得车辆识别号码篡改检测通过或不通过的信息。
[0100] 本发明的车辆识别号码检测识别方法一实施例中，步骤S16，若不存在车辆识别号码区域，则反馈车辆识别号码篡改检测不通过的信息之后，还包括：
[0101] 初始化第一标志位；
[0102] 对不存在车辆识别号码区域对应的第一标志位进行不存在的标记；
[0103] 步骤S142或步骤S152，若比对不一致，则反馈车辆识别号码篡改检测不通过的信息之后，还包括：
[0104] 初始化第二标志位；
[0105] 对比对不一致的车辆识别号对应的第二标志位进行比对不一致的标记，并保存所述车辆识别号码图像；
[0106] 基于所述第一标志位、第二标志位和所保存的车辆识别号码图像，分析车辆识别号码篡改检测是否通过及所述车辆识别号码篡改检测不通过的原因。
[0107] 在此，本发明的车辆识别号码检测识别标准如下：待检测图像内车辆识别号码区域是否存在；车辆识别号码字符分割结果与答案是否一致。本发明采用一个一维数组[x1，x2]表示校验状态，初始值为[0，0]，第一标志位x1代表车辆识别号码区域是否存在，若存在则x1为0，若不存在则x1为1；第二标志位x2代表车辆识别号码字符分割结果与答案是否一致，若一致则x2为0，若不一致则x2为1。最后，统计第一和第二标志位状态，若标志为均为0，则校验通过，若存在1，则校验不通过。
[0108] 另外，根据状态1出现在第一标志位、第二标志位的位置可以得到校验未通过的原因。例如，若第一标志位x1为1，则图像中可能不存在车辆识别号码区域，或拍摄角度不符合规定；若第二标志位x2为1，则可能是车辆识别号码与答案不一致。
[0109] 本实施例通过记录第一和第二标志位，后续可以准确、高效的分析出车辆识别号码篡改检测不通过的原因。
[0110] 本发明不仅实现了单双排车辆识别号码的自动检测识别，同时可以将未通过的校验图像及原因传回服务器保存留待取证。既节约了人力，又保证了校验工作的公正、公开。
[0111] 本发明的车辆识别号码检测识别方法一实施例中，步骤S11中，检测所述车辆识别号码图像是否存在车辆识别号码区域，包括：
[0112] 步骤S110，采用基于深度学习的车辆识别号码检测模型检测所述车辆识别号码图像是否存在车辆识别号码区域。
[0113] 在此，通过采用基于深度学习的车辆识别号码检测模型，可以更精确的检测所述车辆识别号码图像是否存在车辆识别号码区域。
[0114] 本发明的车辆识别号码检测识别方法一实施例中，步骤S110，采用基于深度学习的车辆识别号码检测模型检测所述车辆识别号码图像是否存在车辆识别号码区域之前，还包括：
[0115] 步骤S011，训练数据准备：获取不同角度、光照和图像质量的模版车辆识别号码图像；
[0116] 步骤S012，数据标注：采用矩形框标记所述模版车辆识别号码图像中的车辆识别号码区域的位置并获取车辆识别号码区域的图像；
[0117] 步骤S013，模型训练：使用所述车辆识别号码区域的位置和图像训练目标检测深度神经网络模型，以获得基于深度学习的车辆识别号码检测模型。
[0118] 在此，所述基于深度学习的车辆识别号码检测模型可以采用SSD该种卷积神经网络，并使用VGG网络作为特征提取器，使用Softmax得到车辆识别号码图的类别信息，使用bounding box regression得到车辆识别号码的位置信息。
[0119] 检测所述车辆识别号码图像是否存在车辆识别号码区域，可以包括：
[0120] 首先将车辆识别号码图像输入车辆识别号码检测模型，首先得到N个一维数组[class，x，y，width，height]，数组第一个元素class代表对象类别，是车辆识别号码则为1，不是则为0，数组后四个元素x，y，width，height表征目标对象所在矩形区域，其中，x,y代表矩形左上角点坐标，width代表矩形宽度，height代表矩形高度。每个数组均对应一个区域，利用区域的矩形框面积大小构建区域远近信息，以矩形框面积最大的数组作为车辆识别号码检测模型的输出，然后通过矩形框位置信息从图像中提取车辆识别号码区域。此方法可有效地剔出背景中其它干扰区域。
[0121] 本发明的车辆识别号码检测识别方法一实施例中，步骤S12中，将车辆识别号码图像按字符进行分割得到分割结果，包括：
[0122] 步骤S120，采用基于深度学习的车辆识别号码字符分割模型，将车辆识别号码图像按字符进行分割得到分割结果。
[0123] 在此，通过采用基于深度学习的车辆识别号码字符分割模型，可以更高效和准确的得到车辆识别号码图像按字符进行分割的分割结果。
[0124] 本发明的车辆识别号码检测识别方法一实施例中，步骤S120，采用基于深度学习的车辆识别号码字符分割模型，将车辆识别号码图像按字符进行分割得到分割结果之前，还包括：
[0125] 步骤S014，获取不同角度、光照、种类和图像质量的模版车辆识别号码字符图像；
[0126] S015，采用字符描边的方法标记所述模版车辆识别号码字符图像中每个字符的位置；
[0127] S016，使用所述模版车辆识别号码字符图像中每个字符的位置分割深度神经网络模型，以获得基于深度学习的车辆识别号码字符分割模型。
[0128] 在此，基于深度学习的车辆识别号码字符分割模型可以采用编码-解码该种卷积神经网络，编码阶段使用4个下采样层和8个卷积层，解码阶段使用4个上采样层和8个卷积层，得到与原图大小相同的特征图。使用Softmax对每个像素点进行分类，实现车辆识别号码字符分割。
[0129] 将车辆识别号码图像按字符进行分割得到分割结果可以包括：将车辆识别号码图像输入VIN字符分割模型，得到一张标签图，该标签图的大小与车辆识别号码图像大小相同，每个像素值的不同大小表示不同的类别。车辆识别号码中的字符有“0～9”、“A～N”、“P”和“R～Z”和共34种，分别用1～34表示不同的类别，0表示背景。
[0130] 本发明的车辆识别号码检测识别方法一实施例中，步骤S13，对所述分割结果进行膨胀操作以判断车辆识别号码是单排还是双排，包括：
[0131] 步骤S131，使用长条形的膨胀核对所述分割结果进行横向膨胀，以将所述分割结果的各个字符区域进行连接得到膨胀结果；
[0132] 步骤S132，对所述膨胀结果进行轮廓提取，过滤掉噪声轮廓后，筛选得到符合预设条件的轮廓；
[0133] 在此，所述噪声轮廓例如可以是面积过小、宽高比小于阈值或位置不符合要求的轮廓，从而筛选出符合条件的轮廓；
[0134] 步骤S133，根据得到的符合预设条件的轮廓的数量和位置判断车辆识别号码是单排还是双排。
[0135] 在此，膨胀操作是将图像A与任意形状的内核B进行卷积。内核B有一个可定义的锚点，通常定义为内核中心点。进行膨胀操作时，将内核B划过图像A，将内核B覆盖区域的最大像素值提取，并代替锚点位置的像素。这一操作会将图像A中的亮区扩展。
[0136] 使用长条形的膨胀核就能使分割结果进行横向膨胀，字符区域将会被连接。对膨胀结果进行轮廓提取，去除一些噪声轮廓，例如面积过小、宽高比小于阈值或位置不符合要求，从而筛选出符合条件的轮廓。
[0137] 再根据轮廓的数量判断车辆识别号码是单排还是双排。若轮廓数量为1，则车辆识别号码是单排的；若轮廓数量为2，则车辆识别号码是双排的；若轮廓数量既不是1也不是2，则车辆识别号码检测有误。若是单排，则将分割结果按单排车辆识别号码的特征进行排列，与答案进行比对；若是双排，则将分割结果按双排车辆识别号码的特征进行排列，与答案进行比对。
[0138] 具体的，若是单排，则可以将分割结果按单排车辆识别号码的特征进行排列，即从左到右依次排列，然后与答案进行比对；若是双排，则将分割结果按双排车辆识别号码的特征进行排列，即上下两排分别依次从左到右排列，接着将下排的结果合并到上排结果的右侧，然后与答案进行比对。
[0139] 单排车辆识别号码膨胀处理效果图可如图3所示。双排车辆识别号码膨胀处理效果图可如图4所示。
[0140] 具体的，如图1所示，本发明的用于车辆年检的单双排车辆识别号码检测识别方法的实施例中，可以包括以下步骤：
[0141] S1、采用基于深度学习的车辆识别号码检测模型检测车辆识别号码图像的车辆识别号码区域，判断车辆识别号码是否存在，若存在则记录此条标志为0；若不存在则记录此条标志为1，并保存相关图片，进入统计分析流程；
[0142] S2、采用基于深度学习的车辆识别号码字符分割模型，将所述车辆识别号码图像按字符进行分割得到分割结果；
[0143] S3、根据所述分割结果判断车辆识别号码是单排还是双排，若是单排，则将分割结果按单排车辆识别号码的特征排列之后，与车辆识别号码答案的每一位字符进行比对；若是双排，则将分割结果按双排车辆识别号码的特征排列之后，与车辆识别号码答案的每一位字符进行比对。将比对一致的标志位对应记录为0，将比对不一致的标志位对应记录为1，表明车辆识别号码可能污损或存在篡改嫌疑，并保存车辆识别号码图像，进入统计分析流程S4；
[0144] S4、对整个过程的动作结果进行统计分析，若某个车辆识别号码图像对应记录的标志位全部为0，则车辆识别号码篡改检测通过，若某个车辆识别号码图像对应记录的标志位存在至少一个标志位为1，则车辆识别号码篡改检测不通过；同时，根据标志1出现的位置获取校验不通过的原因及问题图片。
[0145] 如图2所示，本发明还提供一种车辆识别号码检测识别设备，所述设备包括：
[0146] 车辆识别号码检测及分割模块，用于获取车辆识别号码图像，检测所述车辆识别号码图像是否存在车辆识别号码区域，若存在车辆识别号码区域，则将车辆识别号码图像按字符进行分割得到分割结果；
[0147] 车辆识别号码识别和判断模块，用于对所述分割结果进行膨胀操作以判断车辆识别号码是单排还是双排；若是单排，则将所述分割结果按单排车辆识别号码的特征排列得到待比对的单排车辆识别号码；将所述待比对的单排车辆识别号码与对应的单排车辆识别号码答案进行比对，获取单排比对结果；若是双排，则将所述分割结果按双排车辆识别号码的特征排列得到待比对的双排车辆识别号码，将所述待比对的双排车辆识别号码与对应的双排车辆识别号码答案进行比对，获取双排比对结果。
[0148] 在此，如图2所示，车辆识别号码检测及分割模块可以由车辆识别号码检测单元和车辆识别号码字符分割单元组成。首先，将VIN图像传入车辆识别号码检测单元，获取车辆识别号码区域图像。再采用车辆识别号码字符分割模型，将车辆识别号码区域图像分割成单个字符。
[0149] 这种分步检测手段可以有效地避免因车辆识别号码区域情况复杂带来的误检影响，提高车辆识别号码检测和字符分割的准确率
[0150] 本发明可以自动审核车辆单、双排车辆识别号码是否与答案一致，以满足如今对车辆年检工作效率、准确率的需求。
[0151] 本发明的车辆识别号码检测识别设备一实施例中，所述车辆识别号码检测及分割模块，还用于检测所述车辆识别号码图像是否存在车辆识别号码区域，若不存在车辆识别号码区域，则反馈车辆识别号码篡改检测不通过的信息。
[0152] 本发明的车辆识别号码检测识别设备一实施例中，所述车辆识别号码识别和判断模块，用于将所述待比对的单排车辆识别号码与对应的单排车辆识别号码答案进行比对，若比对一致，则反馈车辆识别号码篡改检测通过的信息；若比对不一致，则反馈车辆识别号码篡改检测不通过的信息；
[0153] 及用于将所述待比对的双排车辆识别号码与对应的双排车辆识别号码答案进行比对，若比对一致，则反馈车辆识别号码篡改检测通过的信息；若比对不一致，则反馈车辆识别号码篡改检测不通过的信息。
[0154] 本发明的车辆识别号码检测识别设备一实施例中，车辆识别号码检测及分割模块，还用于对不存在车辆识别号码区域对应的第一标志位进行标记；
[0155] 车辆识别号码识别和判断模块，还用于对比对不一致对应的第二标志位进行标记，并保存所述车辆识别号码图像；基于所述第一标志位、第二标志位和所保存的车辆识别号码图像，分析所述车辆识别号码篡改检测不通过的原因。
[0156] 在此，本发明的车辆识别号码检测识别标准如下：待检测图像内车辆识别号码区域是否存在；车辆识别号码字符分割结果与答案是否一致。本发明采用一个一维数组[x1，x2]表示校验状态，初始值为[0，0]，标志位x1代表车辆识别号码区域是否存在，若存在则x1为0，若不存在则x1为1；标志位x2代表车辆识别号码字符分割结果与答案是否一致，若一致则x2为0，若不一致则x2为1。最后，统计标志位状态，若标志为均为0，则校验通过，若存在1，则校验不通过。根据状态1出现的位置可以得到校验未通过的原因。若x1为1，则图像中可能不存在车辆识别号码区域，或拍摄角度不符合规定；若x2为1，则可能是车辆识别号码与答案不一致。
[0157] 判断模块可以根据校验标准判断车辆识别号码检测识别是否通过，若通过则直接返回校验成功标识，若不通过则根据标志位为1的位置返回校验失败原因及相应图片，留待后期审核查证。
[0158] 本实施例通过记录第一和第二标志位，后续可以准确、高效的分析出车辆识别号码篡改检测不通过的原因。
[0159] 本发明不仅实现了单双排车辆识别号码的自动检测识别，同时可以将未通过的校验图像及原因传回服务器保存留待取证。既节约了人力，又保证了校验工作的公正、公开。
[0160] 本发明的车辆识别号码检测识别设备一实施例中，所述车辆识别号码检测及分割模块，用于采用基于深度学习的车辆识别号码检测模型检测所述车辆识别号码图像是否存在车辆识别号码区域。
[0161] 在此，通过采用基于深度学习的车辆识别号码检测模型，可以更精确的检测所述车辆识别号码图像是否存在车辆识别号码区域。
[0162] 本发明的车辆识别号码检测识别设备一实施例中，所述车辆识别号码检测及分割模块，用于获取不同角度、光照和图像质量的模版车辆识别号码图像；采用矩形框标记所述模版车辆识别号码图像中的车辆识别号码区域的位置并获取车辆识别号码区域的图像；使用所述车辆识别号码区域的位置和图像训练目标检测深度神经网络模型，以获得基于深度学习的车辆识别号码检测模型。
[0163] 在此，所述基于深度学习的车辆识别号码检测模型可以采用SSD该种卷积神经网络，并使用VGG网络作为特征提取器，使用Softmax得到车辆识别号码图的类别信息，使用bounding box regression得到车辆识别号码的位置信息。
[0164] 车辆识别号码检测单元的具体方法可以包括：
[0165] 首先将车辆识别号码图像输入车辆识别号码检测模型，首先得到N个一维数组[class，x，y，width，height]，数组第一个元素class代表对象类别，是车辆识别号码则为1，不是则为0，数组后四个元素x，y，width，height表征目标对象所在矩形区域，其中，x,y代表矩形左上角点坐标，width代表矩形宽度，height代表矩形高度。每个数组均对应一个区域，利用区域的矩形框面积大小构建区域远近信息，以矩形框面积最大的数组作为车辆识别号码检测模型的输出，然后通过矩形框位置信息从图像中提取车辆识别号码区域。此方法可有效地剔出背景中其它干扰区域。
[0166] 本发明的车辆识别号码检测识别设备一实施例中，所述车辆识别号码检测及分割模块，用于采用基于深度学习的车辆识别号码字符分割模型，将车辆识别号码图像按字符进行分割得到分割结果。
[0167] 在此，通过采用基于深度学习的车辆识别号码字符分割模型，可以更高效和准确的得到车辆识别号码图像按字符进行分割的分割结果。
[0168] 本发明的车辆识别号码检测识别设备一实施例中，所述车辆识别号码检测及分割模块，用于获取不同角度、光照、种类和图像质量的模版车辆识别号码字符图像；采用字符描边的方法标记所述模版车辆识别号码字符图像中每个字符的位置；使用所述模版车辆识别号码字符图像中每个字符的位置分割深度神经网络模型，以获得基于深度学习的车辆识别号码字符分割模型。
[0169] 在此，基于深度学习的车辆识别号码字符分割模型可以采用编码-解码该种卷积神经网络，编码阶段使用4个下采样层和8个卷积层，解码阶段使用4个上采样层和8个卷积层，得到与原图大小相同的特征图。使用Softmax对每个像素点进行分类，实现车辆识别号码字符分割。
[0170] 车辆识别号码字符分割单元的具体检测方法包括：将车辆识别号码图像输入VIN字符分割模型，得到一张标签图，该标签图的大小与车辆识别号码图像大小相同，每个像素值的不同大小表示不同的类别。车辆识别号码中的字符有“0～9”、“A～N”、“P”和“R～Z”和共34种，分别用1～34表示不同的类别，0表示背景。
[0171] 本发明的车辆识别号码检测识别设备一实施例中，所述车辆识别号码识别和判断模块，用于使用长条形的膨胀核对所述分割结果进行横向膨胀，以将所述分割结果的各个字符区域进行连接得到膨胀结果；对所述膨胀结果进行轮廓提取，过滤掉噪声轮廓后，筛选得到符合预设条件的轮廓；根据得到的符合预设条件的轮廓的数量和位置判断车辆识别号码是单排还是双排。
[0172] 在此，所述噪声轮廓例如可以是面积过小、宽高比小于阈值或位置不符合要求的轮廓，从而筛选出符合条件的轮廓；
[0173] 膨胀操作是将图像A与任意形状的内核B进行卷积。内核B有一个可定义的锚点，通常定义为内核中心点。进行膨胀操作时，将内核B划过图像A，将内核B覆盖区域的最大像素值提取，并代替锚点位置的像素。这一操作会将图像A中的亮区扩展。
[0174] 使用长条形的膨胀核就能使分割结果进行横向膨胀，字符区域将会被连接。对膨胀结果进行轮廓提取，去除一些噪声轮廓，例如面积过小、宽高比小于阈值或位置不符合要求，从而筛选出符合条件的轮廓。
[0175] 再根据轮廓的数量判断车辆识别号码是单排还是双排。若轮廓数量为1，则车辆识别号码是单排的；若轮廓数量为2，则车辆识别号码是双排的；若轮廓数量既不是1也不是2，则车辆识别号码检测有误。若是单排，则将分割结果按单排车辆识别号码的特征进行排列，与答案进行比对；若是双排，则将分割结果按双排车辆识别号码的特征进行排列，与答案进行比对。
[0176] 具体的，若是单排，则可以将分割结果按单排车辆识别号码的特征进行排列，即从左到右依次排列，然后与答案进行比对；若是双排，则将分割结果按双排车辆识别号码的特征进行排列，即上下两排分别依次从左到右排列，接着将下排的结果合并到上排结果的右侧，然后与答案进行比对。
[0177] 单排车辆识别号码膨胀处理效果图可如图3所示。双排车辆识别号码膨胀处理效果图可如图4所示。
[0178] 根据本发明的另一方面，还提供一种基于计算的设备，其中，包括：
[0179] 处理器；以及
[0180] 被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
[0181] 获取车辆识别号码图像，检测所述车辆识别号码图像是否存在车辆识别号码区域，
[0182] 若存在车辆识别号码区域，则将车辆识别号码图像按字符进行分割得到分割结果；
[0183] 对所述分割结果进行膨胀操作以判断车辆识别号码是单排还是双排；
[0184] 若是单排，则将所述分割结果按单排车辆识别号码的特征排列得到待比对的单排车辆识别号码；将所述待比对的单排车辆识别号码与对应的单排车辆识别号码答案进行比对，获取单排比对结果；
[0185] 若是双排，则将所述分割结果按双排车辆识别号码的特征排列得到待比对的双排车辆识别号码，将所述待比对的双排车辆识别号码与对应的双排车辆识别号码答案进行比对，获取双排比对结果。
[0186] 根据本发明的另一方面，还提供一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：
[0187] 获取车辆识别号码图像，检测所述车辆识别号码图像是否存在车辆识别号码区域，
[0188] 若存在车辆识别号码区域，则将车辆识别号码图像按字符进行分割得到分割结果；
[0189] 对所述分割结果进行膨胀操作以判断车辆识别号码是单排还是双排；
[0190] 若是单排，则将所述分割结果按单排车辆识别号码的特征排列得到待比对的单排车辆识别号码；将所述待比对的单排车辆识别号码与对应的单排车辆识别号码答案进行比对，获取单排比对结果；
[0191] 若是双排，则将所述分割结果按双排车辆识别号码的特征排列得到待比对的双排车辆识别号码，将所述待比对的双排车辆识别号码与对应的双排车辆识别号码答案进行比对，获取双排比对结果。
[0192] 本发明的各设备和存储介质实施例的详细内容，具体可参见各方法实施例的对应部分，在此，不再赘述。
[0193] 显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
[0194] 需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
[0195] 另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
[0196] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
