1.一种车牌识别方法，其特征在于，包括：获取待识别图像、预设子格宽度、预设子格高度和基于深度神经网络的车牌识别模型；通过所述车牌识别模型，以所述预设子格宽度为横向步长、所述预设子格高度为纵向步长，从所述待识别图像的起始原点开始，依次获取尺寸符合所述预设子格宽度和预设子格高度的待识别子格区域，并对所述待识别子格区域进行字符识别；获取所述待识别子格区域对应的字符识别结果，根据所述字符识别结果得到所述待识别图像中的目标车牌。2.根据权利要求1所述的车牌识别方法，其特征在于，还包括：获取候选区域配置参数；针对每个所述待识别子格区域，根据所述候选区域配置参数生成中心点与所述待识别子格区域的中心点重合的候选区域；所述对所述待识别子格区域进行字符识别，包括：确定所述待识别子格区域中是否存在字符，得到所述待识别子格区域的第一字符识别结果；确定所述待识别子格区域中存在的目标字符的字符类型和相对于所述待识别子格区域的偏移方向，得到所述待识别子格区域的第二字符识别结果；针对所述待识别子格区域对应的每个所述候选区域，确定其与所述待识别子格区域中存在的目标字符之间的回归目标值，得到所述待识别子格区域的第三字符识别结果。3.根据权利要求2所述的车牌识别方法，其特征在于，所述根据所述字符识别结果得到所述待识别图像中的目标车牌的步骤，包括：根据各个所述待识别子格区域对应的第一识别结果和第二识别结果，将各个所述待识别子格区域对应的目标字符组合为字符矩阵；将所述字符矩阵中相邻且字符类型相同的两个目标字符进行合并，得到所述目标车牌。4.根据权利要求1所述的车牌识别方法，其特征在于，还包括：获取样本图像、所述样本图像中每个车牌字符对应的标注信息和基于深度神经网络的预设识别模型；通过所述预设识别模型，以所述预设子格宽度为横向步长、所述预设子格高度为纵向步长，从所述样本图像的起始原点开始，依次获取尺寸符合所述预设子格宽度和预设子格高度的样本子格区域，并对所述样本子格区域进行字符识别，得到所述样本子格区域对应的实际识别结果；根据所述标注信息获取所述样本子格区域对应的期望识别结果；获取所述实际识别结果和所述期望识别结果之间的误差损失，并根据所述误差损失对所述预设识别模型进行优化，得到所述车牌识别模型。5.根据权利要求4所述的车牌识别方法，其特征在于，还包括：获取候选区域配置参数；在获取到所述样本子格区域后，根据所述候选区域配置参数生成中心点与所述样本子格区域的中心点重合的样本候选区域；所述对所述样本子格区域进行字符识别，得到所述样本子格区域对应的实际识别结果的步骤，包括：确定所述样本子格区域中是否存在字符，得到所述样本子格区域的第一实际识别结果；确定所述样本子格区域中存在的字符的字符类型和相对于所述样本子格区域的偏移方向，得到所述样本子格区域的第二实际识别结果；针对所述样本子格区域对应的每个所述样本候选区域，确定其与所述样本子格区域中存在的字符之间的实际回归目标值，得到所述样本子格区域的第三实际识别结果。6.根据权利要求5所述的车牌识别方法，其特征在于，所述标注信息包括所述样本图像中每个车牌字符的字符类型和字符位置坐标；所述根据所述标注信息获取所述样本子格区域对应的期望识别结果的步骤，包括：针对每个所述样本子格区域，根据所述字符位置坐标，分别获取所述样本图像中每个车牌字符与所述样本子格区域的重合度；当至少一个车牌字符与所述样本子格区域的重合度大于预设阈值时，得到所述样本子格区域的第一期望识别结果为正样本，当每个车牌字符与所述样本子区域的重合度都不大于预设阈值时，得到所述样本子格区域的第一期望识别结果为负样本；对于所述第一期望识别结果为正样本的正样本子格区域，根据所述字符类型和字符位置坐标，获取与所述正样本子格区域重合度最大的目标车牌字符的字符类型，及所述目标车牌字符的中心点相对于所述正样本子格区域的中心点的偏移方向，得到所述正样本子格区域的第二期望识别结果；根据所述正样本子格区域对应的目标车牌字符的字符位置坐标，获取所述正样本子格区域对应的每个所述样本候选区域与所述目标车牌字符之间的期望回归目标值，得到所述正样本子格区域的第三期望识别结果；其中，所述期望回归目标值包括：横坐标偏差度Δx＝(xanchor-xref)/xref；纵坐标偏差度Δy＝(yanchor-yref)/yref；宽度偏差度Δw＝log(wanchor/wref)；高度偏差度Δh＝log(hanchor/href)；以及，检测评价函数值IOU＝Overlap(Ranchor,Rref)；其中，xanchor和yanchor分别为所述样本候选区域的预设参考点在相应样本图像坐标系中的横坐标和纵坐标，xref和yref分别为所述目标车牌字符所在区域的预设参考点在相应样本图像坐标系中的横坐标和纵坐标，wanchor和hanchor分别为所述样本候选区域的宽度和高度，wref和href分别为所述目标车牌字符所在区域的宽度和高度，Ranchor表示所述样本候选区域，Rref表示所述目标车牌字符所在区域。7.一种车牌识别装置，其特征在于，包括：信息获取模块，用于获取待识别图像、预设子格宽度、预设子格高度和基于深度神经网络的车牌识别模型；字符识别模块，用于通过所述车牌识别模型，以所述预设子格宽度为横向步长、所述预设子格高度为纵向步长，从所述待识别图像的起始原点开始，依次获取尺寸符合所述预设子格宽度和预设子格高度的待识别子格区域，并对所述待识别子格区域进行字符识别；结果处理模块，用于获取所述待识别子格区域对应的字符识别结果，根据所述字符识别结果得到所述待识别图像中的目标车牌。8.根据权利要求7所述的装置，其特征在于，所述信息获取模块还用于获取候选区域配置参数；所述装置还包括：候选区域生成模块，用于针对每个所述待识别子格区域，根据所述候选区域配置参数生成中心点与所述待识别子格区域的中心点重合的候选区域；所述字符识别模块具体被配置为：确定所述待识别子格区域中是否存在字符，得到所述待识别子格区域的第一字符识别结果；确定所述待识别子格区域中存在的目标字符的字符类型和相对于所述待识别子格区域的偏移方向，得到所述待识别子格区域的第二字符识别结果；针对所述待识别子格区域对应的每个所述候选区域，确定其与所述待识别子格区域中存在的目标字符之间的回归目标值，得到所述待识别子格区域的第三字符识别结果。9.根据权利要求8所述的装置，其特征在于，所述结果处理模块具体被配置为：根据各个所述待识别子格区域对应的第一识别结果和第二识别结果，将各个所述待识别子格区域对应的目标字符组合为字符矩阵；将所述字符矩阵中相邻且字符类型相同的两个目标字符进行合并，得到所述目标车牌。10.根据权利要求7所述的装置，其特征在于，还包括：样本训练模块，用于训练得到所述车牌字符识别模型；所述样本训练模块包括：样本信息获取单元，用于获取样本图像、所述样本图像中每个车牌字符对应的标注信息和基于深度神经网络的预设识别模型；子格区域提取单元，用于通过所述预设识别模型，以所述预设子格宽度为横向步长、所述预设子格高度为纵向步长，从所述样本图像的起始原点开始，依次获取尺寸符合所述预设子格宽度和预设子格高度的样本子格区域；实际结果获取单元，用于对所述样本子格区域进行字符识别，得到所述样本子格区域对应的实际识别结果；期望结果获取单元，用于根据所述标注信息获取所述样本子格区域对应的期望识别结果；模型优化单元，用于获取所述实际识别结果和所述期望识别结果之间的误差损失，并根据所述误差损失对所述预设识别模型进行优化，得到所述车牌识别模型。11.根据权利要求10所述的装置，其特征在于，所述样本训练模块还包括：候选区域生成单元，用于获取候选区域配置参数，并在获取到所述样本子格区域后，根据所述候选区域配置参数生成中心点与所述样本子格区域的中心点重合的样本候选区域；所述实际结果获取单元具体被配置为：确定所述样本子格区域中是否存在字符，得到所述样本子格区域的第一实际识别结果；确定所述样本子格区域中存在的字符的字符类型和相对于所述样本子格区域的偏移方向，得到所述样本子格区域的第二实际识别结果；针对所述样本子格区域对应的每个所述样本候选区域，确定其与所述样本子格区域中存在的字符之间的实际回归目标值，得到所述样本子格区域的第三实际识别结果。12.根据权利要求11所述的装置，其特征在于，所述标注信息包括所述样本图像中每个车牌字符的字符类型和字符位置坐标；所述期望结果获取单元具体被配置为：针对每个所述样本子格区域，根据所述字符位置坐标，分别获取所述样本图像中每个车牌字符与所述样本子格区域的重合度；当至少一个车牌字符与所述样本子格区域的重合度大于预设阈值时，得到所述样本子格区域的第一期望识别结果为正样本，当每个车牌字符与所述样本子区域的重合度都不大于预设阈值时，得到所述样本子格区域的第一期望识别结果为负样本；对于所述第一期望识别结果为正样本的正样本子格区域，根据所述字符类型和字符位置坐标，获取与所述正样本子格区域重合度最大的目标车牌字符的字符类型，及所述目标车牌字符的中心点相对于所述正样本子格区域的中心点的偏移方向，得到所述正样本子格区域的第二期望识别结果；根据所述正样本子格区域对应的目标车牌字符的字符位置坐标，获取所述正样本子格区域对应的每个所述样本候选区域与所述目标车牌字符之间的期望回归目标值，得到所述正样本子格区域的第三期望识别结果；其中，所述期望回归目标值包括：横坐标偏差度Δx＝(xanchor-xref)/xref；纵坐标偏差度Δy＝(yanchor-yref)/yref；宽度偏差度Δw＝log(wanchor/wref)；高度偏差度Δh＝log(hanchor/href)；以及，检测评价函数值IOU＝Overlap(Ranchor,Rref)；其中，xanchor和yanchor分别为所述样本候选区域的预设参考点在相应样本图像坐标系中的横坐标和纵坐标，xref和yref分别为所述目标车牌字符所在区域的预设参考点在相应样本图像坐标系中的横坐标和纵坐标，wanchor和hanchor分别为所述样本候选区域的宽度和高度，wref和href分别为所述目标车牌字符所在区域的宽度和高度，Ranchor表示所述样本候选区域，Rref表示所述目标车牌字符所在区域。13.一种电子设备，其特征在于，包括：一个或者多个处理器；存储器；一个或者多个模块，所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时进行如下操作：获取待识别图像、预设子格宽度、预设子格高度和基于深度神经网络的车牌识别模型；通过所述车牌识别模型，以所述预设子格宽度为横向步长、所述预设子格高度为纵向步长，从所述待识别图像的起始原点开始，依次获取尺寸符合所述预设子格宽度和预设子格高度的待识别子格区域，并对所述待识别子格区域进行字符识别；获取所述待识别子格区域对应的字符识别结果，根据所述字符识别结果得到所述待识别图像中的目标车牌。14.一种存储介质，其特征在于，所述存储介质中存储有应用程序，所述应用程序用于执行如权利要求1至6任一项所述的车牌识别方法。15.一种应用程序，其特征在于，所述应用程序用于执行如权利要求1至6任一项所述的车牌识别方法。