本发明涉及人工智能和图像处理，尤其涉及一种停车场车牌识别过滤方法及系统。
背景技术：
1、随着城市交通日益拥堵，停车场管理成为一项重要而复杂的任务。当前大多数停车场依赖于车牌识别系统来管理车辆进出，并据此计算停车费用、监控车辆流动等。这些系统通常包括摄像头和车牌识别软件，能够自动捕捉并识别进出车辆的车牌。然而，现有的停车场车牌识别系统存在诸多问题，例如受天气、灯光、设备老化、车牌污渍、无牌车等因素的影响，导致识别精确度大大降低，这种情况下，车主体验降低，停车场堵塞等问题屡见不鲜。在识别失败时，大多数停车场系统会选择放行这些未被识别的车辆，这种做法虽然暂时缓解了交通压力，但同时也带来了停车库存车位数据的不准确，进而影响整个停车管理系统的效率和准确性。
技术实现思路
1、本发明的目的是针对上述技术问题，提出一种多式联运物流运踪可视化实现方法及系统，可通过下列技术方案来实现：
2、本发明提供了一种停车场车牌识别过滤方法，包括，
3、步骤s1、通过车牌摄像头实时采集目标车辆的原始车牌图像；
4、步骤s2、对采集车牌图像进行初步预处理，并通过数据增强生成新的图像，组成图像数据集；
5、步骤s3、模型通过卷积神经网络从图像数据集中提取图像特征后，通过循环神经网络处理图像特征的序列数据，将环境数据与图像特征融合进行模型训练，并通过反向传播算法和优化器来调整模型参数；
6、步骤s4、通过多层验证机制评估验证在不同场景和条件下的模型性能，根据验证结果对模型进行优化调整；
7、步骤s5、将优化后的模型进行部署，并实时处理目标车辆的车牌图像，输出并存储识别结果于数据库中进行管理和分析。
8、进一步地，在步骤s2中，对采集车牌图像进行初步预处理，包括，对车牌图像进行去噪、灰度化和图像增强，并通过文字识别算法对车牌图像单独进行车牌文字的识别，创建真实车牌号码标签。
9、进一步地，在步骤s2中，通过数据增强生成新的图像，包括，对初步预处理后的车牌图像进行旋转、缩放、平移和镜像操作进行，生成新的图像样本，组成图像数据集，并按照预设比例划分为训练集、测试集和验证集；
10、进一步地，在步骤s3中，模型通过卷积神经网络从训练集中提取图像特征后，通过循环神经网络处理图像特征的序列数据，包括，
11、步骤s31、将训练集中的车牌图像输入到卷积神经网络中，通过多层卷积层、池化层和激活函数处理车牌图像，生成并输出车牌图像的图像特征序列；
12、步骤s32、图像特征序列输入到循环神经网络，循环神经网络通过循环结构处理图像特征序列，并且每个时间步输出当前的隐藏状态，并根据隐藏状态，生成车牌号码的预测结果；其中，预测结果位车牌号码的字符序列。
13、进一步地，在步骤s3中，将环境数据与图像特征融合进行模型训练，并通过反向传播算法和优化器来调整模型参数，包括，
14、步骤s33、在每个训练周期，训练集中的车牌图像集和环境数据进行数据融合后输入至模型中处理，根据模型输出的预测结果与真实车牌号码计算损失函数，并根据环境数据计算损失函数对模型参数的梯度，通过反向传播算法和优化器更新模型参数；其中优化器包括随梯度下降和自适应矩估计；
15、步骤s34、通过验证集测试模型的性能，并根据性能的结果调整模型参数和结构。
16、进一步地，环境数据包括车辆进出数据、车辆所属地和车辆类型。
17、进一步地，在步骤s4中，通过多层验证机制评估验证在不同场景和条件下的模型性能，包括，
18、步骤s41、使用验证集对模型进行初步的性能评估，随后进行系列特定的验证，包括领域验证、天气条件验证、光照条件验证，以及对抗性样本验证来综合评估模型的性能
19、步骤s42、通过独立的测试集验证模型，根据测试结果判断是否满足部署标准。
20、进一步地，在步骤s5中，输出并存储识别结果于数据库中进行管理和分析，包括
21、步骤s51、将识别结果，包括车牌号码和环境数据存储到数据库中，并建立索引和定期备份；
22、步骤s52、分析数据库存储识别结果，并基于分析结果生成报表和图表，用于处理决策。
23、基于相同的发明构思，本发明还提供了一种停车场车牌识别过滤系统，执行如上述的停车场车牌识别过滤方法，包括，
24、采集模块，通过车牌摄像头实时采集目标车辆的原始车牌图像和环境数据；
25、处理模块，对采集到的车牌图像进行预处理和数据增强，生成新的图像样本，构建图像数据集，并按照预设的比例划分为训练集、测试集和验证集；
26、分析模块，通过卷积神经网络从图像数据集汇总提取车牌图像的图像特征序列，并通过循环神经网络通过循环结构处理图像特征序列，并且每个时间步输出当前的隐藏状态，并根据隐藏状态，生成车牌号码的预测结果；根据模型输出的预测结果与真实车牌号码计算损失函数，并根据环境数据综合分析，通过反向传播算法计算损失函数对模型参数的梯度，通过优化器更新模型参数，输出识别结果；
27、存储模块，将识别结果存储在数据库中，并建立索引和存储，将识别结果，包括车牌号码和环境数据存储到数据库中，并建立索引和定期备份；分析数据库存储识别结果，并基于分析结果生成报表和图表，用于处理决策。
28、进一步地，还包括多层验证模块，使用验证集对模型进行初步的性能评估，随后进行系列特定的验证，包括领域验证、天气条件验证、光照条件验证，以及对抗性样本验证来综合评估模型的性能，再通过独立的测试集验证模型，根据测试结果判断是否满足部署标准。
29、与现有技术相比，本发明存在以下至少一种技术效果：
30、本发明通过利用深度学习技术，结合卷积神经网络和循环神经网络对大量车牌数据进行训练和优化，实现了高准确率的停车场车牌识别方法和系统，通过综合分析车辆进出数据、车辆所属地以及车辆类型等环境因素，显著提升了车牌识别的稳定性和准确率，同时通过模型优化算法使系统动态学习和调整并持续优化处理性能，从而提高了停车场的管理效率和用户体验。
1.一种停车场车牌识别过滤方法，其特征在于，包括，
2.根据权利要求1所述的停车场车牌识别过滤方法，其特征在于，在步骤s2中，对采集所述车牌图像进行初步预处理，包括，对所述车牌图像进行去噪、灰度化和图像增强，并通过文字识别算法对所述车牌图像单独进行车牌文字的识别，创建真实车牌号码标签。
3.根据权利要求2所述的停车场车牌识别过滤方法，其特征在于，在步骤s2中，通过数据增强生成新的图像，包括，对初步预处理后的所述车牌图像进行旋转、缩放、平移和镜像操作进行，生成新的图像样本，组成所述图像数据集，并按照预设比例划分为训练集、测试集和验证集。
4.根据权利要求3所述的停车场车牌识别过滤方法，其特征在于，在步骤s3中，模型通过卷积神经网络从所述训练集中提取图像特征后，通过循环神经网络处理所述图像特征的序列数据，包括，
5.根据权利要求4所述的停车场车牌识别过滤方法，其特征在于，在步骤s3中，将环境数据与所述图像特征融合进行模型训练，并通过反向传播算法和优化器来调整模型参数，包括，
6.根据权利要求5所述的停车场车牌识别过滤方法，其特征在于，所述环境数据包括车辆进出数据、车辆所属地和所述车辆类型。
7.根据权利要求5所述的停车场车牌识别过滤方法，其特征在于，在步骤s4中，通过多层验证机制评估验证在不同场景和条件下的模型性能，包括，
8.根据权利要求7所述的停车场车牌识别过滤方法，其特征在于，在步骤s5中，输出并存储识别结果于数据库中进行管理和分析，包括
9.一种停车场车牌识别过滤系统，执行如权利要求1至8任意一项所述的停车场车牌识别过滤方法，其特征在于，包括，
10.根据权利要求9所述的停车场车牌识别过滤系统，其特征在于，还包括多层验证模块，使用所述验证集对所述模型进行初步的性能评估，随后进行系列特定的验证，包括领域验证、天气条件验证、光照条件验证，以及对抗性样本验证来综合评估所述模型的性能，再通过独立的所述测试集验证所述模型，根据测试结果判断是否满足部署标准。
