1.一種車牌識(shí)別方法，其特征在于，包括：
獲取車輛圖像，并將所述車輛圖像輸入車輛檢索卷積神經(jīng)網(wǎng)絡(luò)搜索所述車輛圖像是否存在車輛；
如果所述車輛圖像存在車輛，則在所述車輛圖像上采集車牌圖像，并將所述車牌圖像輸入車牌檢索卷積神經(jīng)網(wǎng)絡(luò)搜索所述車牌圖像是否存在車牌；
如果所述車牌圖像存在車牌，則將所述車牌圖像輸入張量神經(jīng)網(wǎng)絡(luò)檢測所述車牌圖像是否異常；
如果沒有異常，則在所述車牌圖像上采集識(shí)別圖像，并將所述識(shí)別圖像輸入判斷神經(jīng)網(wǎng)絡(luò)判斷所述識(shí)別圖像上的地區(qū)編號(hào)、字母和數(shù)字，并輸出地區(qū)編號(hào)圖像、字母圖像和數(shù)字圖像；
分別將所述地區(qū)編號(hào)圖像、所述字母圖像和所述數(shù)字圖像輸入地區(qū)編號(hào)識(shí)別卷積神經(jīng)網(wǎng)絡(luò)、字母識(shí)別卷積神經(jīng)網(wǎng)絡(luò)和數(shù)字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行地區(qū)編號(hào)、字母和數(shù)字的識(shí)別，并分別輸出地區(qū)編號(hào)、字母和數(shù)字；
根據(jù)輸出的地區(qū)編號(hào)、字母和數(shù)字，按“地區(qū)編號(hào)字母數(shù)字”的格式輸出車牌號(hào)識(shí)別結(jié)果。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取車輛圖像，并將所述車輛圖像輸入車輛檢索卷積神經(jīng)網(wǎng)絡(luò)搜索所述車輛圖像是否存在車輛的步驟包括：
獲取視頻流數(shù)據(jù)中的車輛圖像，所述車輛圖像以張量模式表示；
根據(jù)空間轉(zhuǎn)換網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)將所述車輛圖像進(jìn)行多次幾何空間變換校正、卷積處理和池化處理，得到第一特征映射圖；
將第一特征映射圖向量化輸出列向量，并連接多個(gè)全連接層得到全連接層的權(quán)值矩陣；
將所述全連接層的權(quán)值矩陣進(jìn)行張量列分解，提取第一特征向量；
將第一特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的輸出層進(jìn)行分類預(yù)測并優(yōu)化可調(diào)參數(shù)，搜索是否存在車輛。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述將車牌圖像輸入車牌檢索卷積神經(jīng)網(wǎng)絡(luò)搜索所述車牌圖像是否存在車牌的步驟包括：
根據(jù)空間轉(zhuǎn)換網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)將所述車牌圖像進(jìn)行多次幾何空間變換校正、卷積處理和池化處理，得到第二特征映射圖；
將第二特征映射圖向量化輸出列向量，并連接多個(gè)全連接層得到全連接層的權(quán)值矩陣；
將所述全連接層的權(quán)值矩陣進(jìn)行張量列分解，提取第二特征向量；
將第二特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的輸出層進(jìn)行分類預(yù)測并優(yōu)化可調(diào)參數(shù)，搜索是否存在車牌。
4.根據(jù)權(quán)利要求2-3任意一項(xiàng)所述的方法，其特征在于，所述優(yōu)化可調(diào)參數(shù)的步驟具體為根據(jù)誤差方向傳播算法優(yōu)化網(wǎng)絡(luò)中所有可調(diào)參數(shù)，即對空間轉(zhuǎn)換矩陣、權(quán)值和偏移的更新，是根據(jù)后一層反傳回來的誤差進(jìn)行局部梯度計(jì)算進(jìn)行的。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述將車牌圖像輸入張量神經(jīng)網(wǎng)絡(luò)檢測所述車牌圖像是否異常的步驟包括：
將所述車牌圖像直接輸入訓(xùn)練好的張量神經(jīng)網(wǎng)絡(luò)中得到其對應(yīng)的直接概率密度比；
再將所述直接概率密度比與完成張量神經(jīng)網(wǎng)絡(luò)的訓(xùn)練后得到的臨界直接概率密度比進(jìn)行比較，如果所述直接概率密度比大于所述臨界直接概率密度比，則為正常圖像，否則為異常圖像。
6.一種車牌識(shí)別裝置，其特征在于，包括：
數(shù)據(jù)采集模塊，用于在視頻流圖像中采集車輛圖像；在所述車輛圖像中采集車牌圖像；以及在所述車牌圖像中采集識(shí)別圖像；
車輛搜索模塊，用于將所述車輛圖像輸入車輛檢索卷積神經(jīng)網(wǎng)絡(luò)搜索所述車輛圖像是否存在車輛；
車牌搜索模塊，用于將所述車牌圖像輸入車牌檢索卷積神經(jīng)網(wǎng)絡(luò)搜索所述車牌圖像是否存在車牌；
異常監(jiān)測模塊，用于將所述車牌圖像輸入張量神經(jīng)網(wǎng)絡(luò)檢查所述車牌圖像是否異常；
車牌識(shí)別模塊，用于將所述識(shí)別圖像輸入判斷神經(jīng)網(wǎng)絡(luò)判斷所述識(shí)別圖像上的地區(qū)編號(hào)、字母和數(shù)字，并輸出地區(qū)編號(hào)圖像、字母圖像和數(shù)字圖像；然后分別將所述地區(qū)編號(hào)圖像、所述字母圖像和所述數(shù)字圖像輸入地區(qū)編號(hào)識(shí)別卷積神經(jīng)網(wǎng)絡(luò)、字母識(shí)別卷積神經(jīng)網(wǎng)絡(luò)和數(shù)字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行地區(qū)編號(hào)、字母和數(shù)字的識(shí)別，并分別輸出地區(qū)編號(hào)、字母和數(shù)字；再根據(jù)輸出的地區(qū)編號(hào)、字母和數(shù)字，按“地區(qū)編號(hào)字母數(shù)字”的格式輸出車牌號(hào)識(shí)別結(jié)果。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述車輛搜索模塊包括：
車輛圖像處理單元，用于根據(jù)空間轉(zhuǎn)換網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)將所述車輛圖像進(jìn)行多次幾何空間變換校正、卷積處理和池化處理，得到第一特征映射圖；
權(quán)值矩陣獲取單元，用于將第一特征映射圖向量化輸出列向量，并連接多個(gè)全連接層得到全連接層的權(quán)值矩陣；
張量分解單元，用于將所述全連接層的權(quán)值矩陣進(jìn)行張量列分解，提取第一特征向量；
分類預(yù)測單元，用于將第一特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的輸出層進(jìn)行分類預(yù)測并優(yōu)化可調(diào)參數(shù)，搜索是否存在車輛。
8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述車牌搜索模塊包括：
車牌圖像處理單元，用于根據(jù)空間轉(zhuǎn)換網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)將所述車牌圖像進(jìn)行多次幾何空間變換校正、卷積處理和池化處理，得到第二特征映射圖；
權(quán)值矩陣獲取單元，用于將第二特征映射圖向量化輸出列向量，并連接多個(gè)全連接層得到全連接層的權(quán)值矩陣；
張量分解單元，用于將所述全連接層的權(quán)值矩陣進(jìn)行張量列分解，提取第二特征向量；
分類預(yù)測單元，用于將第二特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的輸出層進(jìn)行分類預(yù)測并優(yōu)化可調(diào)參數(shù)，搜索是否存在車牌。
9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述異常監(jiān)測模塊包括：
張量神經(jīng)網(wǎng)絡(luò)單元，用于根據(jù)輸入的車牌圖像獲取與之對應(yīng)的直接概率密度比；
比較單元，用于將所述直接概率密度比與完成張量神經(jīng)網(wǎng)絡(luò)的訓(xùn)練后得到的臨界直接概率密度比進(jìn)行比較，如果所述直接概率密度比大于所述臨界直接概率密度比，則為正常圖像，否則為異常圖像。
10.一種用戶設(shè)備，其特征在于，包括權(quán)利要求6～權(quán)利要求9任意一項(xiàng)所述的車牌識(shí)別裝置。