CN105512660B - 车牌号码识别方法及装置 - Google Patents

车牌号码识别方法及装置 Download PDF

Info

Publication number
CN105512660B
CN105512660B CN201510893384.9A CN201510893384A CN105512660B CN 105512660 B CN105512660 B CN 105512660B CN 201510893384 A CN201510893384 A CN 201510893384A CN 105512660 B CN105512660 B CN 105512660B
Authority
CN
China
Prior art keywords
license plate
plate number
character
sample
initial
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510893384.9A
Other languages
English (en)
Other versions
CN105512660A (zh
Inventor
杨治昆
黄攀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan Boguan Intelligent Technology Co Ltd
Original Assignee
Zhejiang Uniview Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Uniview Technologies Co Ltd filed Critical Zhejiang Uniview Technologies Co Ltd
Priority to CN201510893384.9A priority Critical patent/CN105512660B/zh
Publication of CN105512660A publication Critical patent/CN105512660A/zh
Application granted granted Critical
Publication of CN105512660B publication Critical patent/CN105512660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Character Discrimination (AREA)

Abstract

本公开是关于车牌号码识别方法及装置，所述方法包括：获取对在第一预设位置拍摄的车牌图像进行识别获得的样本车牌号码，并将所述样本车牌号码记录在车牌白名单中；获取对在第二预设位置拍摄的车牌图像进行识别获得的初始车牌号码，在第一预设位置拍摄的车牌图像比在第二预设位置拍摄的车牌图像的清晰度高；将所述初始车牌号码与所述车牌白名单中样本车牌号码进行相似度匹配，获得对应的相似度值；当所述相似度值满足预设的相似条件时，确定所述在第二预设位置拍摄的车牌图像中的车牌号码为相似度值对应的样本车牌号码。通过本公开的方法和装置可以提高车牌图像中车牌号码的识别准确性。

Description

车牌号码识别方法及装置
技术领域
本申请涉及识别技术领域，尤其涉及车牌号码识别方法及装置。
背景技术
随着车辆保有量和交通出行量的不断增长，智能交通***(IntelligentTransportation System，简称ITS)作为一种常用的管理***，其涉及的领域广泛，主要包括道路路况采集、车辆身份识别、违规处理、自助缴费等多个模块，通过数字化技术实现各个模块间的信息互通。
作为智能交通领域确定车辆身份的最重要手段，车牌号码识别技术通常根据不同应用场景发挥着不同作用。由于每个应用场景都对车牌识别技术提出不同要求，因此车牌识别技术必须“因地制宜”突出相应优势，才能充分体现其应用价值。目前可以多种应用场景下的车牌图像进行识别，针对清晰度比较高的图像，识别出的车牌号码准确率比较高，然而针对一些清晰度比较低的车牌图像，例如在车库中拍摄的车牌图像，识别出的车牌号码出错率比较高。
发明内容
为克服相关技术中存在的问题，本公开提供了车牌号码识别方法及装置。
根据本公开实施例的第一方面，提供一种车牌号码识别方法，所述方法包括：
获取对在第一预设位置拍摄的车牌图像进行识别获得的样本车牌号码，并将所述样本车牌号码记录在车牌白名单中；
获取对在第二预设位置拍摄的车牌图像进行识别获得的初始车牌号码，在第一预设位置拍摄的车牌图像比在第二预设位置拍摄的车牌图像的清晰度高；
将所述初始车牌号码与所述车牌白名单中样本车牌号码进行相似度匹配，获得对应的相似度值；
当所述相似度值满足预设的相似条件时，确定所述在第二预设位置拍摄的车牌图像中的车牌号码为相似度值对应的样本车牌号码。
可选的，所述方法还包括：
检测当前时间与所述车牌白名单中样本车牌号码的记录时间的差值是否大于预设存活时间；
若当前时间与所述记录时间的差值大于预设存活时间，则将所述样本车牌号码从所述车牌白名单中删除。
可选的，所述将所述初始车牌号码与所述车牌白名单中样本车牌号码进行相似度匹配，获得对应的相似度值，包括：
计算所述初始车牌号码中每个字符与所述车牌白名单中样本车牌号码中对应字符的相似度值；
根据各字符的相似度值确定所述初始车牌号码与所述车牌白名单中样本车牌号码的相似度值；
或，
计算所述初始车牌号码中每个字符与所述车牌白名单中样本车牌号码中对应字符的相似度值；
将所述相似度值按字符类型进行分类；根据分类后的相似度值与字符类型对应的预设权重值的乘积确定所述初始车牌号码与所述车牌白名单中样本车牌号码的相似度值；
或，
采用下述公式计算所述初始车牌号码与所述车牌白名单中样本车牌号码的相似度值：
Figure GDA0000894760880000031
其中，f(xi1-xj1)、f(xi2-xj2)、f(xik-xjk)表示阶跃函数，Dij表示所述初始车牌号码i与所述样本车牌号码j的相似度值，P表示车牌号码的字符串长度，xi1表示初始车牌号码i中第一个字符，xj1表示样本车牌号码j中第一个字符，xi2表示初始车牌号码i中第二个字符，xj2表示样本车牌号码j中第二个字符，xik表示初始车牌号码i中第k个字符，xjk表示样本车牌号码j中第k个字符，α1表示第一个字符对应的权重值，α2表示第二个字符对应的权重值，α3表示第三到第P个字符对应的权重值。
可选的，所述阶跃函数包括：
Figure GDA0000894760880000032
或，
Figure GDA0000894760880000033
Figure GDA0000894760880000034
Figure GDA0000894760880000035
其中，E表示预设的易混淆字符对照表，E中记录有易混淆的多组字符，xi1∈E&xj1∈E表示xi1和xj1属于所述易混淆字符对照表中同一组字符；xi2∈E&xj2∈E表示xi2和xj2属于所述易混淆字符对照表中同一组字符；xik∈E&xjk∈E表示xik和xjk属于所述易混淆字符对照表中同一组字符。
可选的，所述易混淆字符对照表包括以下至少一组：
“0”与“D”组、“0”与“U”组、“L”与“1”组、“U”与“D”组、“B”与“8”组、“R”与“P”组、“7”与“T”组、“6”与“G”组、“E”与“F”组、“4”与“A”组、“Z”与“7”组、“2”与“Z”组、“J”与“1”组、“S”与“5”组。
根据本公开实施例的第二方面，提供一种车牌号码识别装置，包括：
第一获取模块，用于获取对在第一预设位置拍摄的车牌图像进行识别获得的样本车牌号码，并将所述样本车牌号码记录在车牌白名单中；
第二获取模块，用于获取对在第二预设位置拍摄的车牌图像进行识别获得的初始车牌号码，在第一预设位置拍摄的车牌图像比在第二预设位置拍摄的车牌图像的清晰度高；
匹配模块，用于将所述初始车牌号码与所述车牌白名单中样本车牌号码进行相似度匹配，获得对应的相似度值；
确定模块，用于当所述相似度值满足预设的相似条件时，确定所述在第二预设位置拍摄的车牌图像中的车牌号码为相似度值对应的样本车牌号码。
可选的，所述装置还包括：
白名单更新模块，用于检测当前时间与所述车牌白名单中样本车牌号码的记录时间的差值是否大于预设存活时间；若当前时间与所述记录时间的差值大于预设存活时间，则将所述样本车牌号码从所述车牌白名单中删除。
可选的，所述匹配模块包括：
第一匹配子模块，用于计算所述初始车牌号码中每个字符与所述车牌白名单中样本车牌号码中对应字符的相似度值；根据各字符的相似度值确定所述初始车牌号码与所述车牌白名单中样本车牌号码的相似度值。
可选的，所述匹配模块包括：
第二匹配子模块，用于计算所述初始车牌号码中每个字符与所述车牌白名单中样本车牌号码中对应字符的相似度值；所述相似度值按字符类型进行分类；根据分类后的相似度值与字符类型对应的预设权重值的乘积确定所述初始车牌号码与所述车牌白名单中样本车牌号码的相似度值。
可选的，所述匹配模块包括：
第三匹配子模块，用于采用下述公式计算所述初始车牌号码与所述车牌白名单中样本车牌号码的相似度值：
Figure GDA0000894760880000051
其中，f(xi1-xj1)、f(xi2-xj2)、f(xik-xjk)表示阶跃函数，Dij表示所述初始车牌号码i与所述样本车牌号码j的相似度值，P表示车牌号码的字符串长度，xi1表示初始车牌号码i中第一个字符，xj1表示样本车牌号码j中第一个字符，xi2表示初始车牌号码i中第二个字符，xj2表示样本车牌号码j中第二个字符，xik表示初始车牌号码i中第k个字符，xjk表示样本车牌号码j中第k个字符，α1表示第一个字符对应的权重值，α2表示第二个字符对应的权重值，α3表示第三到第P个字符对应的权重值。
可选的，所述阶跃函数包括：
Figure GDA0000894760880000052
或，
Figure GDA0000894760880000053
Figure GDA0000894760880000054
Figure GDA0000894760880000055
其中，E表示预设的易混淆字符对照表，E中记录有易混淆的多组字符，xi1∈E&xj1∈E表示xi1和xj1属于所述易混淆字符对照表中同一组字符；xi2∈E&xj2∈E表示xi2和xj2属于所述易混淆字符对照表中同一组字符；xik∈E&xjk∈E表示xik和xjk属于所述易混淆字符对照表中同一组字符。
可选的，所述易混淆字符对照表包括以下至少一组：
“0”与“D”组、“0”与“U”组、“L”与“1”组、“U”与“D”组、“B”与“8”组、“R”与“P”组、“7”与“T”组、“6”与“G”组、“E”与“F”组、“4”与“A”组、“Z”与“7”组、“2”与“Z”组、“J”与“1”组、“S”与“5”组。
由上述实施例可见，通过获取对在第一预设位置和在第二预设位置拍摄的车牌图像进行识别获得的样本车牌号码和初始车牌号码，将所述样本车牌号码记录在车牌白名单中，将初始车牌号码与车牌白名单中样本车牌号码进行相似度匹配，获得对应的相似度值，当相似度值满足预设的相似条件时，确定在第二预设位置拍摄的车牌图像中的车牌号码为相似度值对应的样本车牌号码，由于在第一预设位置拍摄的车牌图像比在第二预设位置拍摄的车牌图像的清晰度高，因此在相似度值满足预设的相似条件时，将相似度值对应的样本车牌号码作为在第二预设位置拍摄的车牌图像中的车牌号码，可以提高在第二预设位置拍摄的车牌图像中车牌号码的识别准确性，避免由于在第二预设位置拍摄的车牌图像不清晰等缘故导致的误识别。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是本公开根据一示例性实施例示出的一种车牌号码识别方法的流程图。
图2是本公开实施例中车牌号码识别装置的硬件结构框图。
图3是本公开根据一示例性实施例示出的一种车牌号码识别装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
如图1所示，图1是本公开根据一示例性实施例示出的一种车牌号码识别方法的流程图，包括以下步骤101至步骤104：
在步骤101中，获取对在第一预设位置拍摄的车牌图像进行识别获得的样本车牌号码，并将所述样本车牌号码记录在车牌白名单中。
在步骤102中，获取对在第二预设位置拍摄的车牌图像进行识别获得的初始车牌号码，在第一预设位置拍摄的车牌图像比在第二预设位置拍摄的车牌图像的清晰度高。
在步骤103中，将所述初始车牌号码与所述车牌白名单中样本车牌号码进行相似度匹配，获得对应的相似度值。
在步骤104中，当所述相似度值满足预设的相似条件时，确定所述在第二预设位置拍摄的车牌图像中的车牌号码为相似度值对应的样本车牌号码。
本发明实施例中，通过获取对在第一预设位置和在第二预设位置拍摄的车牌图像进行识别获得的样本车牌号码和初始车牌号码，将所述样本车牌号码记录在车牌白名单中，将初始车牌号码与车牌白名单中样本车牌号码进行相似度匹配，获得对应的相似度值，当相似度值满足预设的相似条件时，确定在第二预设位置拍摄的车牌图像中的车牌号码为相似度值对应的样本车牌号码，由于在第一预设位置拍摄的车牌图像比在第二预设位置拍摄的车牌图像的清晰度高，因此在相似度值满足预设的相似条件时，将相似度值对应的样本车牌号码作为在第二预设位置拍摄的车牌图像中的车牌号码，可以提高在第二预设位置拍摄的车牌图像中车牌号码的识别准确性，避免由于在第二预设位置拍摄的车牌图像不清晰等缘故导致的误识别。
关于步骤101和102中所提及的在第一预设位置拍摄和在第二预设位置拍摄，在第一预设位置拍摄可以是图像清晰度比较高的拍摄，在第二预设位置拍摄可以是图像清晰度相对较低的拍摄，在第一预设位置拍摄的图像中至少包括在第二预设位置拍摄的图像中的车辆的车牌，即第一预设位置和第二预设位置是同一辆车需要经过的两个不同位置。可以理解的是，在第二预设位置拍摄的车牌图像是待识别的车牌图像，当在第二预设位置拍摄的车牌图像清晰度比较高时，可以直接进行识别，获得车牌号码，当然也可以采用步骤101至步骤104方法进行校正，当在第二预设位置拍摄的车牌图像清晰度比较低时，可以采用步骤101至步骤104方法进行校正。可以理解的是，本实施例主要针对清晰度比较低、比较容易识别出错的车牌图像进行识别。
作为在第一预设位置拍摄的车牌图像比在第二预设位置拍摄的车牌图像的清晰度高的其中一种手段，可以是第一预设位置的拍摄条件高于第二预设位置的拍摄条件，即第一预设位置拍摄条件比第二预设位置拍摄条件优越，比如，第一预设位置的光线比第二预设位置的光线优越；又如，第一预设位置的拍摄角度比第二预设位置的拍摄角度优越等。
例如，可以在停车场入口位置设置摄像装置，第一预设位置可以是停车场入口的摄像装置所在位置，第二预设位置可以是停车场内摄像装置的位置，例如停车场半球所在位置。对停车场的入口位置的摄像装置拍摄的车牌图像进行识别，获得样本车牌号码，由于车牌图像清晰度比较高，则获得的样本车牌号码准确性比较高，将其存储在白名单中。停车场内摄像装置拍摄的车牌图像为待识别的车牌图像，识别获得初始车牌号码，由于停车场内光线较暗的缘故，识别出的初始车牌号码可能存在误差，则可以根据白名单中的样本车牌号码对初始车牌号码进行校正，获得待识别的车牌图像中真正的车牌号码。又如，第一预设位置可以是隧道入口的摄像装置的位置，第二预设位置可以是隧道内摄像装置所在位置。
另外，第一预设位置可以不是固定位置，可以将拍摄效果较好的位置作为第一预设位置。例如，由于光线较好的情况下(例如白天)，利用摄像装置拍摄的车牌图像相较于热成像仪拍摄的车牌图像清晰度高，则光线较好的情况下，将摄像装置所在位置作为第一预设位置；由于光线较暗的情况下(例如夜晚)，利用热成像仪拍摄的车牌图像相较于摄像装置拍摄的车牌图像清晰度高，则光线较暗的情况下，将热成像仪所在位置作为第一预设位置。在第二预设位置拍摄的车牌图像是待识别图像。本实施例目的是将清晰度高的图像识别出的车牌号码存储在白名单中，作为待识别图像车牌号码识别的基础。
关于步骤101，可以从摄像装置中获取在第一预设位置拍摄的车牌图像，对在第一预设位置拍摄的车牌图像进行识别获得的样本车牌号码，并将样本车牌号码记录在车牌白名单中；也可以由摄像装置对在第一预设位置拍摄的车牌图像进行识别获得样本车牌号码，本终端从摄像装置中获取样本车牌号码，并将样本车牌号码记录在车牌白名单中。
其中，可以采用下述方法对车牌图像进行识别获得样本车牌号码：
A1：对在第一预设位置拍摄的车牌图像进行字符分割，获得每个字符的字符图像。
对车牌图像进行字符分割是将车牌图像分割成单个的字符图像，以利于对字符的识别。在对车牌图像进行字符分割时，可以采用基于投影的车牌分割算法、基于模板匹配的字符分割算法、基于聚类分析的字符分割算法、基于小波变换的车牌字符分割算法、基于连通域标记的车牌字符分割算法、基于神经网络的车牌字符分割算法等。例如，可以设计出一个字符间隔宽度的模板和一个字符宽度的模板，将已设计出的模板在定位出的车牌区域中移动，求取字符间隔宽度模板内的像素值之和与字符宽度模板内的像素值之和的比值，通过比值与所设定的极小值的比较来确定分割点的位置。又如，对车牌图像进行二值化、对车牌图像的倾斜度进行校正、去除车牌边框，对去边框后的图像进行字符分割等。
A2：将各字符图像进行归一化、二值化、孤立点去噪。
由于分割出来的字符图像的尺寸可能不一致，因此需要对字符图像按照预设模板图像大小进行归一化处理，使得归一化处理后的字符图像大小与预设模板图像大小一致。例如，预设模板图像的像素大小可以为25*50，则将各字符图像的像素大小归一化到25*50，在进行归一化的时候可以采用双线性差值法进行归一化。
进行归一化后，可以对归一化后的字符图像进行二值化，以便区分出背景部分和目标部分。图像的二值化处理可以是将图像上的点的灰度值置为0或255，处理后整个图像呈现明显的黑白效果，减少信息量，提高后续处理的效率。进一步的，可以采用大律法对归一化后的字符图像进行二值化。其中，大律法又称为大率阈值分割法，是一种自适应的阈值确定的方法，简称OTSU。它是按图像的灰度特性，将图像分成背景和目标两部分。背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大。
进行二值化后，图像可能存在噪点，则将二值化后的字符图像去除孤立噪点，以避免后续计算由于噪点导致的误差。
A3：将去噪后的字符图像与预设模板图像库中各模板字符图像进行异或运算或同或运算，获得去噪后的字符图像中字符与每个模板字符图像之间的置信度。
针对预设模板图像库，可以根据历史车牌统计获得。例如，以保有量最大的单层车牌为例，字符的高度和宽度的比值可以为2，即PlateWidth*2＝PlateHeight。由于车牌可以由汉字、字母和数字组成，建立这三类标准字符对应的预设模板图像库，预设模板图像库中每个模板字符图像的大小可以为25*50，模板字符图像的前景可以为1，背景可以为0。
在计算字符的置信度时，可以采用同或运算或异或运算，例如，采用下述公式计算去噪后的字符图像i与预设模板图像库中模板字符图像j的置信度：
Figure GDA0000894760880000101
PixelSum表示字符的置信度，Imgi(m,n)表示去噪后的字符图像i中坐标为(m,n)的像素值，Modj(m,n)表示预设模板图像库中模板字符图像j中坐标为(m,n)的像素值。
另外，也可以采用下述公式计算去噪后的字符图像i与预设模板图像库中模板字符图像j的置信度：
Figure GDA0000894760880000111
其中，PixelSum表示字符的置信度，Imgi(m,n)表示去噪后的字符图像i中坐标为(m,n)的像素值，Modj(m,n)表示预设模板图像库中模板字符图像j中坐标为(m,n)的像素值。
A4：从各置信度中筛选出满足第一预设置信条件的置信度，将筛选出的置信度确定为该字符图像与对应模板字符图像之间的目标置信度。
其中，第一预设置信条件可以是置信度最小，也可以是置信度最大，或者最小置信度小于阈值，最大置信度大于阈值。例如，当A3中的逻辑运算为异或时，第一预设置信条件可以是判断字符图像的置信度是否为最小置信度，若是，则将最小置信度确定为该字符图像与对应模板字符图像之间的目标置信度。当A3中的逻辑运算为同或时，第一预设置信条件可以是判断字符图像的置信度是否为最大置信度，若是，则将最大置信度确定为该字符图像与对应模板字符图像之间的目标置信度。
A5：将各目标置信度进行求和，获得该帧车牌图像的置信度。
其中，可以采用以下公式计算各字符的置信度的总和，即车牌图像的置信度：
Figure GDA0000894760880000112
其中，Confidence表示车牌图像的置信度，P表示车牌号码的字符串长度，PixelSum(i)表示第i个字符的置信度。
A6：对在第一预设位置拍摄的其他帧车牌图像分别重复执行A1至A5步骤，计算每帧车牌图像的置信度。从各置信度中筛选出满足第二预设置信条件的置信度，将筛选出的置信度对应的模板字符图像对应的车牌号码作为样本车牌号码。
其中，在第一预设位置拍摄中可以拍摄有多帧车牌图像，可以分别计算每帧车牌图像的置信度。当置信度计算结束后，判断各车牌图像的置信度是否满足第二预设置信条件，在满足预设匹配条件时，将筛选出的置信度对应的模板字符图像对应的车牌号码作为样本车牌号码。
其中，第二预设置信条件可以是置信度最小，也可以是置信度最大，或者最小置信度小于阈值，最大置信度大于阈值。例如，当A3中的逻辑运算为异或时，第二预设置信条件可以是判断车牌图像的置信度是否为最小置信度，若是，则将最小置信度对应的模板字符图像对应的车牌号码作为样本车牌号码。当A3中的逻辑运算为同或时，第二预设置信条件可以是判断车牌图像的置信度是否为最大置信度，若是，则将最大置信度对应的模板字符图像对应的车牌号码作为样本车牌号码。
本实施例通过计算多帧图像的置信度，并根据置信度确定样本车牌号码，提高确定样本车牌号码的准确性。
可以理解的是，还可以采用其他字符识别方法识别在第一预设位置拍摄的车牌图像中的车牌号码，在此不再一一赘述。
在一个可选的实现方式中，可以将获取的样本车牌号码存储在车牌白名单中，第一预设位置的摄像装置可以间隔预设时间对经过的车辆进行拍摄，或者在检测到有车辆经过第一预设位置时对车辆进行拍摄，在识别出车牌图像中的样本车牌号码后，可以将其存储在车牌白名单中。其中，车牌白名单中可以存储有一个或多个样本车牌号码。
进一步的，为了避免车牌白名单中样本车牌号码数量过大，造成计算量过大的问题，可以对车牌白名单进行定期更新，例如，在将所述样本车牌号码记录在车牌白名单中时，将所述样本车牌号码的记录时间存储在车牌白名单中。另外，还可以检测当前时间与所述车牌白名单中样本车牌号码的记录时间的差值是否大于预设存活时间；若当前时间与所述记录时间的差值大于预设存活时间，则将所述样本车牌号码从所述车牌白名单中删除。
由上述实施例可见，在当前时间与所述车牌白名单中样本车牌号码的记录时间的差值大于预设存活时间时，可以将样本车牌号码从所述车牌白名单中删除，从而实现白名单更新，减少了车牌白名单中存储的数据量，并减轻初始车牌号码与车牌白名单中样本车牌号码的匹配次数，节约了计算时间。
其中，检测当前时间与车牌白名单中样本车牌号码的记录时间的差值是否大于预设存活时间的时机，可以是间隔预设时间进行检测，也可以是在有新样本车牌号码***车牌白名单时进行检测等。其中，通过在有新样本车牌号码***车牌白名单时才进行检测，考虑了只有当车辆驶入后才会有车位、车牌识别等操作，因此当车辆驶入并将新样板车牌号码***车牌白名单时再更新白名单，避免频繁更新操作导致的资源浪费。
预设存活时间是根据样本车牌号码有效性时间确定的时间。以车库为例，若识别车牌号码的目的是为了确定车牌号码与车位的关系，则可以根据车辆进入停车场入口(第一预设位置)以及在停车位停好车之间花费的时间确定预设存活时间，例如可以设置为半小时或1小时。当有新的车辆驶入停车场时，完成对白名单的***操作，同时遍历白名单，在当前时间与某一车牌号码记录时间的差值大于半小时时，则将该车牌号码从白名单中删除。
关于步骤102，可以从摄像装置中获取在第二预设位置拍摄的车牌图像，对在第二预设位置拍摄的车牌图像进行识别获得的初始车牌号码；也可以由摄像装置对在第二预设位置拍摄的车牌图像进行识别获得的初始车牌号码，本终端从摄像装置中获取初始车牌号码。
其中，初始车牌号码是对待识别的车牌图像(在第二预设位置拍摄的车牌图像)进行初步识别获得的车牌号码，例如，可以采用匹配识别的方法进行识别。可以采用下述方法对待识别的车牌图像进行识别获得初始车牌号码：
B1：对在第二预设位置拍摄的车牌图像进行字符分割，获得每个字符的字符图像。
B2：将各字符图像进行归一化、二值化、孤立点去噪。
B3：将去噪后的字符图像与预设模板图像库中各模板字符图像进行异或运算或同或运算，获得去噪后的字符图像中字符与每个模板字符图像之间的置信度。
B4：从各置信度中筛选出满足第一预设置信条件的置信度，将筛选出的置信度对应的模板字符图像对应的字符作为该字符图像的字符，根据各字符图像的字符获得在第二预设位置拍摄的车牌图像中的车牌号码。
可以理解的是，还可以采用其他字符识别方法识别在第二预设位置拍摄的车牌图像中的车牌号码，在此不再一一赘述。
关于步骤103，为了将样本车牌号码作为初始车牌号码的校正基础，可以将所述初始车牌号码与车牌白名单中样本车牌号码进行相似度匹配，获得对应的相似度值。车牌白名单中存储有一个或多个样本车牌号码。
在一个可选的实现方式中，可以计算所述初始车牌号码中每个字符与所述车牌白名单中样本车牌号码中对应字符的相似度值；根据各字符的相似度值确定所述初始车牌号码与所述车牌白名单中样本车牌号码的相似度值。
其中，初始车牌号码中每个字符与样本车牌号码中对应字符，是初始车牌号码与样本车牌号码相同位置字符，即初始车牌号码的第一个字符与样本车牌号码的第一个字符，初始车牌号码的第二个字符与样本车牌号码的第二个字符等。
本实施例通过计算初始车牌号码与样本车牌号码对应字符相似度值，再计算整个车牌号码的相似度值，实现确定样本车牌号码与初始车牌号码的相似度值。例如，初始车牌号码中字符与样本车牌号码中对应字符的相似度可以是初始车牌号码中字符与样本车牌号码中对应字符的坐标差值，即可以采用下述公式计算初始车牌号码与车牌白名单中样本车牌号码的相似度值：
Figure GDA0000894760880000141
其中，Dij表示初始车牌号码i与样本车牌号码j的相似度值，P表示车牌号码的字符串长度，xik表示初始车牌号码i中第k个字符，xjk表示样本车牌号码j中第k个字符，k为1到P的整数，f(xik-xjk)表示阶跃函数，在xik≠xjk时，f(xik-xjk)可以为一个较大的数值，在xik＝xjk时，f(xik-xjk)可以为一个较小的数值，例如：
Figure GDA0000894760880000151
此时，这里的相似度值表示的是初始车牌号码和样本车牌号码的距离，则相似度值越小，表示样本车牌号码与初始车牌号码越相似。
又如，可以采用下述公式计算所述样本车牌号码与所述初始车牌号码的相似度值：
Figure GDA0000894760880000152
其中，Dij表示初始车牌号码i与样本车牌号码j的相似度值，P表示车牌号码的字符串长度，xik表示初始车牌号码i中第k个字符，xjk表示样本车牌号码j中第k个字符，k为1到P的整数，f(xik-xjk)表示阶跃函数，在xik≠xjk时，f(xik-xjk)可以为一个较大的数值，在xik＝xjk时f(xik-xjk)可以为一个较小的数值，例如：
Figure GDA0000894760880000153
此时，这里的相似度值表示的是初始车牌号码和样本车牌号码的相似性，则相似度值越大，表示样本车牌号码与初始车牌号码越相似。
又如，可以采用下述公式计算所述样本车牌号码与所述初始车牌号码的相似度值：
Figure GDA0000894760880000154
其中，f(xik-xjk)表示阶跃函数，Dij表示初始车牌号码i与样本车牌号码j的相似度值，P表示车牌号码的字符串长度，xik表示初始车牌号码i中第k个字符，xjk表示样本车牌号码j中第k个字符，k为1到P的整数。
此时，这里的相似度值表示的是初始车牌号码和样本车牌号码的相似性，则相似度值越大，表示样本车牌号码与初始车牌号码越相似。
在另一个可选的实现方式中，计算所述初始车牌号码中每个字符与所述车牌白名单中样本车牌号码中对应字符的相似度值；将所述相似度值按字符类型进行分类；根据分类后的相似度值与字符类型对应的预设权重值的乘积确定所述初始车牌号码与所述车牌白名单中样本车牌号码的相似度值。其中，根据每类字符识别出错概率可以预先设置该类字符的权重值。
本实施例可以先计算出每个字符的相似度值，然后对字符进行分类，例如字母为一类、汉字为一类、数字为一类，每一类字符预设有对应的权重，进而实现将相似度值按字符类型进行分类，则可以根据分类后的相似度值与字符类型对应的预设权重值的乘积确定初始车牌号码与车牌白名单中样本车牌号码的相似度值，从而提高确定相似度值的准确性。
在一个可选的实现方式中，为了减小分类难度，减轻计算量，针对有规律的一类车牌号，可以按预先设置的分类策略对车牌号码进行分类，从而节约了分类时间。例如，可以默认将车牌号码的第一个字符划分为一类，第二个字符划分为一类，第三到第P个字符划分为一类，每类字符根据其识别的出错概率设置对应的权重值，例如：
采用下述公式计算所述初始车牌号码与所述车牌白名单中样本车牌号码的相似度值：
Figure GDA0000894760880000161
其中，f(xi1-xj1)、f(xi2-xj2)、f(xik-xjk)表示阶跃函数，Dij表示所述初始车牌号码i与所述样本车牌号码j的相似度值，P表示车牌号码的字符串长度，xi1表示初始车牌号码i中第一个字符，xj1表示样本车牌号码j中第一个字符，xi2表示初始车牌号码i中第二个字符，xj2表示样本车牌号码j中第二个字符，xik表示初始车牌号码i中第k个字符，xjk表示样本车牌号码j中第k个字符，α1表示第一个字符对应的权重值，α2表示第二个字符对应的权重值，α3表示第三到第P个字符对应的权重值。
可以理解的是，k为3到P的整数。α1表示初始车牌号码和样本车牌号码的第一个字符对应的权重值，简称第一个字符对应的权重；α2表示初始车牌号码和样本车牌号码的第二个字符对应的权重值，简称第二个字符对应的权重；α3表示初始车牌号码和样本车牌号码的第三到第P个字符对应的权重值，简称第三到第P个字符对应的权重，即第三到第P个字符对应的权重值相同。
本实施例通过设置不同字符的权重值，可以提高识别准确率，并且默认将第一个字符划分为一类，将第二个字符划分为一类，将其他字符划分为一类，可以减少由于划分类别导致的时间浪费及资源浪费。
进一步的，阶跃函数可以为：
Figure GDA0000894760880000171
Figure GDA0000894760880000172
Figure GDA0000894760880000173
其中，E表示预设的易混淆字符对照表，E中记录有易混淆的多组字符，xik∈E&xjk∈E表示xik和xjk属于所述易混淆字符对照表中同一组字符；xi1∈E&xj1∈E表示xi1和xj1属于所述易混淆字符对照表中同一组字符；xi2∈E&xj2∈E表示xi2和xj2属于所述易混淆字符对照表中同一组字符。
其中，所述易混淆字符对照表包括以下至少一组：
“0”与“D”组、“0”与“U”组、“L”与“1”组、“U”与“D”组、“B”与“8”组、“R”与“P”组、“7”与“T”组、“6”与“G”组、“E”与“F”组、“4”与“A”组、“Z”与“7”组、“2”与“Z”组、“J”与“1”组、“S”与“5”组。
由上述实施例可见，通过设置易混淆字符对照表，在识别出xik和xjk属于易混淆字符对照表中同一组字符时，表示两者有可能相同也有可能不同，则阶跃函数的取值可以为绝对相同的阶跃函数取值和绝对不同的阶跃函数的取值之间，从而提高计算相似度的准确性。
以保有量最大的普通轿车车牌为例进行说明，其他类型的车牌类似：
将每一个车牌视为P维空间的一个点，其中：
P＝Length(Plate)
P为车牌字符长度，普通轿车车牌P＝7。Plate为车牌字符串，Length()为字符串长度计算函数。
将车牌的每一个字符映射到该P维空间上，分别以xi1,xi2,xi3...xiP表示第i个车牌的第一个到第P个字符的坐标，则Xi＝(xi1,xi2,xi3...xiP)，由于中国大陆的车牌由汉字、字母和数字组成，10个数字的坐标值定义为0～9，26个字母的坐标值定义为10～35，38个可能出现的汉字的坐标值定义为36～73，字符坐标映射表如下：
0 0 A 10 K 20 U 30 甘 40 晋 50 琼 60 警 70
1 1 B 11 L 21 V 31 赣 41 京 51 陕 61 领 71
2 2 C 12 M 22 W 32 云 42 粤 52 渝 62 学 72
3 3 D 13 N 23 X 33 贵 43 辽 53 苏 63 挂 73
4 4 E 14 O 24 Y 34 桂 44 豫 54 皖 64
5 5 F 15 P 25 Z 35 黑 45 鲁 55 湘 65
6 6 G 16 Q 26 浙 36 沪 46 蒙 56 新 66
7 7 H 17 R 27 藏 37 吉 47 闽 57 使 67
8 8 I 18 S 28 川 38 冀 48 宁 58 澳 68
9 9 J 19 T 29 鄂 39 津 49 青 59 港 69
将两个车牌Xi和Xj按照下述公式计算相似度值Dij：
Figure GDA0000894760880000181
这类车牌中，第一个字符为汉字，第二个字符为字母，第三到第七个字符一般为数字，则将第一个字符默认为一类字符，将第二个字符默认为一类字符，将第三到第七个字符默认为一类字符，又由于识别汉字的出错概率高于识别字母的出错概率，识别字母的出错概率高于识别数字的出错概率，则权重值的关系可以为α1＜α2＜α3，具体值可以根据需求设定。
f(xi1-xj1)、f(xi2-xj2)、f(xik-xjk)表示阶跃函数，在两个值不相同时，阶跃函数的值可以为一个预设的数值，在两个值相同时阶跃函数的值可以为另一个预设的数值，例如：
Figure GDA0000894760880000191
由于部分数字与字母容易识别混淆，部分字母与字母也容易识别混淆，则可以将容易识别混淆的组合存储在易混淆字符对照表，针对易混淆的组合可以设置不同的阶跃函数值，例如阶跃函数可以为：
Figure GDA0000894760880000192
Figure GDA0000894760880000193
Figure GDA0000894760880000194
其中，E表示预设的易混淆字符对照表，E中记录有易混淆的多组字符，xik∈E&xjk∈E表示xik和xjk属于所述易混淆字符对照表中同一组字符；xi1∈E&xj1∈E表示xi1和xj1属于所述易混淆字符对照表中同一组字符；xi2∈E&xj2∈E表示xi2和xj2属于所述易混淆字符对照表中同一组字符。
可以理解的是，阶跃函数的取值不限于上述方式，上述取值方式便于计算。另外，在xik∈E&xjk∈E&xik≠xjk时，阶跃函数的取值可以为c1；在xik＝xjk时，阶跃函数的取值可以为c2；在其他情况时，阶跃函数的取值可以为c3，其中，c2＜c1＜c3。
根据历史数据中易识别混淆的字符组合确定易混淆字符对照表，例如，易混淆字符对照表可以如下表：
‘0’<>‘D’ ‘0’<>‘U’
‘L’<>‘1’ ‘U’<>‘D’
‘B’<>‘8’ ‘R’<>‘P’
‘7’<>‘T’ ‘6’<>‘G’
‘E’<>‘F’ ‘4’<>‘A’
‘Z’<>‘7’ ‘2’<>‘Z’
‘J’<>‘1’ ‘S’<>‘5’
采用上述方法将初始车牌号码与白名单中的样本车牌号码轮询进行识别，筛选出最大相似度值，判断最大相似度值是否大于第一预设阈值，若是，则满足预设的相似条件，将最大相似度值对应的样本车牌号码作为在第二预设位置拍摄的车牌图像中的车牌号码。
可以理解的是，计算样本车牌号码与初始车牌号码的相似度值时还可以采用其他计算方法，例如：
Figure GDA0000894760880000201
Figure GDA0000894760880000202
Figure GDA0000894760880000203
Figure GDA0000894760880000204
该实施例下，这里的相似度值表示的是初始车牌号码和样本车牌号码的距离，则可以筛选出最小相似度值，判断最小相似度值是否小于第二预设阈值，若是，则满足预设的相似条件，将最小相似度值对应的样本车牌号码作为在第二预设位置拍摄的车牌图像中的车牌号码。
例如，白名单中记录有样本车牌号码为：粤BP3B53、浙AB1233、浙AYP833，初始车牌号码为浙AYPB33，则分别计算初始车牌号码与各样本车牌号码的相似度值，即初始车牌号码与各样本车牌号码的距离，其中，取α1＝1，α2＝2，α3＝3，阈值Len_Thres＝3，获得如下列表：
Figure GDA0000894760880000211
取相似度值最小并且小于3的结果作为匹配结果，即最终识别结果为“浙AYP833”，根据识别结果可以对初始车牌号码进行校正，也可以直接将识别结果作为在第二预设位置拍摄的车牌图像中的车牌号码，并进行其他处理。
以上实施方式中的各种技术特征可以任意进行组合，只要特征之间的组合不存在冲突或矛盾，但是限于篇幅，未进行一一描述，因此上述实施方式中的各种技术特征的任意进行组合也属于本说明书公开的范围。
作为智能交通领域确定车辆身份的最重要手段，车牌号码识别技术通常根据不同应用场景发挥着不同作用。例如，采用上述方式识别出停车场中的车牌号码后，可以建立停车位和车牌号码的关联关系，方便用户根据车牌号码查询自己的停车位。另外，当停车场中发生事故时，通过对初始车牌号码的校正，可以根据校正出的车牌号码进行用户身份的认证。
基于与上述车牌号码识别方法同一的发明构思，本发明实施例还提供了车牌号码识别装置的实施例，该车牌号码识别装置可以用于车载智能设备或服务器上。其中，该车牌号码识别装置可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在的处理器，将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从应将层面而言，如图2所示，是本公开实施例中车牌号码识别装置的硬件结构框图，除了图2所示的处理器、网络接口、内存以及非易失性存储器外，还可以包括其他硬件，如摄像装置、负责处理报文的转发芯片等。
如图3所示，图3是本公开根据一示例性实施例示出的一种车牌号码识别装置的框图，所述装置包括：第一获取模块310、第二获取模块320、匹配模块330和确定模块340。
其中，第一获取模块310，用于获取对在第一预设位置拍摄的车牌图像进行识别获得的样本车牌号码，并将所述样本车牌号码记录在车牌白名单中。
在一个可选的实现方式中，所述装置还包括：白名单更新模块，用于检测当前时间与所述车牌白名单中样本车牌号码的记录时间的差值是否大于预设存活时间；若当前时间与所述记录时间的差值大于预设存活时间，则将所述样本车牌号码从所述车牌白名单中删除。
第二获取模块320，用于获取对在第二预设位置拍摄的车牌图像进行识别获得的初始车牌号码，在第一预设位置拍摄的车牌图像比在第二预设位置拍摄的车牌图像的清晰度高。
在一个可选的实现方式中，所述第一预设位置的拍摄条件优于第二预设位置的拍摄条件。
匹配模块330，用于将所述初始车牌号码与所述车牌白名单中样本车牌号码进行相似度匹配，获得对应的相似度值。
在一个可选的实现方式中，所述匹配模块330包括：
第一匹配子模块，用于计算所述初始车牌号码中每个字符与所述车牌白名单中样本车牌号码中对应字符的相似度值；根据各字符的相似度值确定所述初始车牌号码与所述车牌白名单中样本车牌号码的相似度值。
在另一个可选的实现方式中，所述匹配模块330包括：
第二匹配子模块，用于计算所述初始车牌号码中每个字符与所述车牌白名单中样本车牌号码中对应字符的相似度值；所述相似度值按字符类型进行分类；根据分类后的相似度值与字符类型对应的预设权重值的乘积确定所述初始车牌号码与所述车牌白名单中样本车牌号码的相似度值。
在另一个可选的实现方式中，所述匹配模块330包括：
第三匹配子模块，用于采用下述公式计算所述初始车牌号码与所述车牌白名单中样本车牌号码的相似度值：
Figure GDA0000894760880000231
其中，f(xi1-xj1)、f(xi2-xj2)、f(xik-xjk)表示阶跃函数，Dij表示所述初始车牌号码i与所述样本车牌号码j的相似度值，P表示车牌号码的字符串长度，xi1表示初始车牌号码i中第一个字符，xj1表示样本车牌号码j中第一个字符，xi2表示初始车牌号码i中第二个字符，xj2表示样本车牌号码j中第二个字符，xik表示初始车牌号码i中第k个字符，xjk表示样本车牌号码j中第k个字符，α1表示第一个字符对应的权重值，α2表示第二个字符对应的权重值，α3表示第三到第P个字符对应的权重值。
其中，所述阶跃函数可以为：
Figure GDA0000894760880000232
所述阶跃函数还可以为：
Figure GDA0000894760880000233
Figure GDA0000894760880000234
Figure GDA0000894760880000235
其中，E表示预设的易混淆字符对照表，E中记录有易混淆的多组字符，xi1∈E&xj1∈E表示xi1和xj1属于所述易混淆字符对照表中同一组字符；xi2∈E&xj2∈E表示xi2和xj2属于所述易混淆字符对照表中同一组字符；xik∈E&xjk∈E表示xik和xjk属于所述易混淆字符对照表中同一组字符。
其中，所述易混淆字符对照表包括以下至少一组：“0”与“D”组、“0”与“U”组、“L”与“1”组、“U”与“D”组、“B”与“8”组、“R”与“P”组、“7”与“T”组、“6”与“G”组、“E”与“F”组、“4”与“A”组、“Z”与“7”组、“2”与“Z”组、“J”与“1”组、“S”与“5”组。
确定模块340，用于当所述相似度值满足预设的相似条件时，确定所述在第二预设位置拍摄的车牌图像中的车牌号码为相似度值对应的样本车牌号码。
本公开通过第一获取模块获取对在第一预设位置拍摄的车牌图像进行识别获得的样本车牌号码和初始车牌号码，将所述样本车牌号码记录在车牌白名单中，通过第二获取模块获取对在第二预设位置拍摄的车牌图像进行识别获得的初始车牌号码；通过匹配模块将初始车牌号码与车牌白名单中样本车牌号码进行相似度匹配，获得对应的相似度值，确定模块在相似度值满足预设的相似条件时，确定在第二预设位置拍摄的车牌图像中的车牌号码为相似度值对应的样本车牌号码，由于在第一预设位置拍摄的车牌图像比在第二预设位置拍摄的车牌图像的清晰度高，因此在相似度值满足预设的相似条件时，将相似度值对应的样本车牌号码作为在第二预设位置拍摄的车牌图像中的车牌号码，可以提高在第二预设位置拍摄的车牌图像中车牌号码的识别准确性，避免由于在第二预设位置拍摄的车牌图像不清晰等缘故导致的误识别。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

Claims (8)

1.一种车牌号码识别方法，其特征在于，所述方法包括：
获取对在第一预设位置拍摄的车牌图像进行识别获得的样本车牌号码，并将所述样本车牌号码记录在车牌白名单中；
获取对在第二预设位置拍摄的车牌图像进行识别获得的初始车牌号码，在第一预设位置拍摄的车牌图像比在第二预设位置拍摄的车牌图像的清晰度高；
将所述初始车牌号码与所述车牌白名单中样本车牌号码进行相似度匹配，获得对应的相似度值；
当所述相似度值满足预设的相似条件时，确定所述在第二预设位置拍摄的车牌图像中的车牌号码为相似度值对应的样本车牌号码；
所述将所述初始车牌号码与所述车牌白名单中样本车牌号码进行相似度匹配，获得对应的相似度值，包括：
采用下述公式计算所述初始车牌号码与所述车牌白名单中样本车牌号码的相似度值：
Figure FDA0002235712300000011
其中，f(xi1-xj1)、f(xi2-xj2)、f(xik-xjk)表示阶跃函数，Dij表示所述初始车牌号码i与所述样本车牌号码j的相似度值，P表示车牌号码的字符串长度，xi1表示初始车牌号码i中第一个字符，xj1表示样本车牌号码j中第一个字符，xi2表示初始车牌号码i中第二个字符，xj2表示样本车牌号码j中第二个字符，xik表示初始车牌号码i中第k个字符，xjk表示样本车牌号码j中第k个字符，α1表示第一个字符对应的权重值，α2表示第二个字符对应的权重值，α3表示第三到第P个字符对应的权重值。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
检测当前时间与所述车牌白名单中样本车牌号码的记录时间的差值是否大于预设存活时间；
若当前时间与所述记录时间的差值大于预设存活时间，则将所述样本车牌号码从所述车牌白名单中删除。
3.根据权利要求1所述的方法，其特征在于，所述阶跃函数包括：
Figure FDA0002235712300000021
或，
Figure FDA0002235712300000022
Figure FDA0002235712300000023
Figure FDA0002235712300000024
其中，E表示预设的易混淆字符对照表，E中记录有易混淆的多组字符，xi1∈E&xj1∈E表示xi1和xj1属于所述易混淆字符对照表中同一组字符；xi2∈E&xj2∈E表示xi2和xj2属于所述易混淆字符对照表中同一组字符；xik∈E&xjk∈E表示xik和xjk属于所述易混淆字符对照表中同一组字符。
4.根据权利要求3所述的方法，其特征在于，所述易混淆字符对照表包括以下至少一组：
“0”与“D”组、“0”与“U”组、“L”与“1”组、“U”与“D”组、“B”与“8”组、“R”与“P”组、“7”与“T”组、“6”与“G”组、“E”与“F”组、“4”与“A”组、“Z”与“7”组、“2”与“Z”组、“J”与“1”组、“S”与“5”组。
5.一种车牌号码识别装置，其特征在于，所述装置包括：
第一获取模块，用于获取对在第一预设位置拍摄的车牌图像进行识别获得的样本车牌号码，并将所述样本车牌号码记录在车牌白名单中；
第二获取模块，用于获取对在第二预设位置拍摄的车牌图像进行识别获得的初始车牌号码，在第一预设位置拍摄的车牌图像比在第二预设位置拍摄的车牌图像的清晰度高；
匹配模块，用于将所述初始车牌号码与所述车牌白名单中样本车牌号码进行相似度匹配，获得对应的相似度值；
确定模块，用于当所述相似度值满足预设的相似条件时，确定所述在第二预设位置拍摄的车牌图像中的车牌号码为相似度值对应的样本车牌号码；
所述匹配模块包括：
第三匹配子模块，用于采用下述公式计算所述初始车牌号码与所述车牌白名单中样本车牌号码的相似度值：
Figure FDA0002235712300000031
其中，f(xi1-xj1)、f(xi2-xj2)、f(xik-xjk)表示阶跃函数，Dij表示所述初始车牌号码i与所述样本车牌号码j的相似度值，P表示车牌号码的字符串长度，xi1表示初始车牌号码i中第一个字符，xj1表示样本车牌号码j中第一个字符，xi2表示初始车牌号码i中第二个字符，xj2表示样本车牌号码j中第二个字符，xik表示初始车牌号码i中第k个字符，xjk表示样本车牌号码j中第k个字符，α1表示第一个字符对应的权重值，α2表示第二个字符对应的权重值，α3表示第三到第P个字符对应的权重值。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
白名单更新模块，用于检测当前时间与所述车牌白名单中样本车牌号码的记录时间的差值是否大于预设存活时间；若当前时间与所述记录时间的差值大于预设存活时间，则将所述样本车牌号码从所述车牌白名单中删除。
7.根据权利要求5所述的装置，其特征在于，所述阶跃函数包括：
Figure FDA0002235712300000041
或，
Figure FDA0002235712300000042
Figure FDA0002235712300000043
Figure FDA0002235712300000044
其中，E表示预设的易混淆字符对照表，E中记录有易混淆的多组字符，xi1∈E&xj1∈E表示xi1和xj1属于所述易混淆字符对照表中同一组字符；xi2∈E&xj2∈E表示xi2和xj2属于所述易混淆字符对照表中同一组字符；xik∈E&xjk∈E表示xik和xjk属于所述易混淆字符对照表中同一组字符。
8.根据权利要求7所述的装置，其特征在于，所述易混淆字符对照表包括以下至少一组：
“0”与“D”组、“0”与“U”组、“L”与“1”组、“U”与“D”组、“B”与“8”组、“R”与“P”组、“7”与“T”组、“6”与“G”组、“E”与“F”组、“4”与“A”组、“Z”与“7”组、“2”与“Z”组、“J”与“1”组、“S”与“5”组。
CN201510893384.9A 2015-11-27 2015-11-27 车牌号码识别方法及装置 Active CN105512660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510893384.9A CN105512660B (zh) 2015-11-27 2015-11-27 车牌号码识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510893384.9A CN105512660B (zh) 2015-11-27 2015-11-27 车牌号码识别方法及装置

Publications (2)

Publication Number Publication Date
CN105512660A CN105512660A (zh) 2016-04-20
CN105512660B true CN105512660B (zh) 2020-04-10

Family

ID=55720627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510893384.9A Active CN105512660B (zh) 2015-11-27 2015-11-27 车牌号码识别方法及装置

Country Status (1)

Country Link
CN (1) CN105512660B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056919A (zh) * 2016-08-09 2016-10-26 成都联众智科技有限公司 一种车牌自动识别***
CN106205199A (zh) * 2016-08-31 2016-12-07 广东艾科智泊科技股份有限公司 一种车牌容错处理***
CN106557549A (zh) * 2016-10-24 2017-04-05 珠海格力电器股份有限公司 识别目标对象的方法和装置
CN106408950A (zh) * 2016-11-18 2017-02-15 北京停简单信息技术有限公司 停车场出入口车牌识别***及方法
CN111028368A (zh) * 2017-06-08 2020-04-17 西安艾润物联网技术服务有限责任公司 智能停车***出车计费方法、***及存储介质
CN107273848A (zh) * 2017-06-13 2017-10-20 成都尽知致远科技有限公司 基于号码识别的视频分析方法
CN109255283B (zh) * 2017-07-14 2021-06-04 杭州海康威视数字技术股份有限公司 一种基于多帧的车牌号码确定方法、装置及电子设备
CN109544707B (zh) * 2017-09-18 2021-06-01 武汉万德智新科技股份有限公司 停车场出入智能控制***及方法
CN107590774A (zh) * 2017-09-18 2018-01-16 北京邮电大学 一种基于生成对抗网络的车牌清晰化方法及装置
CN110084232B (zh) * 2018-01-25 2021-01-29 浙江宇视科技有限公司 车牌中汉字字符的识别方法、装置及终端设备
CN108282328B (zh) * 2018-02-02 2021-03-12 沈阳航空航天大学 一种基于同态加密的密文统计方法
CN108596119A (zh) * 2018-04-28 2018-09-28 江苏本能科技有限公司 射频识别与视频识别匹配方法及***、设备、存储介质
CN108717533B (zh) * 2018-05-24 2021-12-14 迪蒙智慧交通（深圳）有限公司 一种车牌智能识别方法、装置及相关设备
CN111104826B (zh) * 2018-10-26 2024-04-26 浙江宇视科技有限公司 一种车牌字符识别方法、装置及电子设备
CN110826415A (zh) * 2019-10-11 2020-02-21 上海眼控科技股份有限公司 一种场景图像中车辆的重识别方法及设备
CN111739307B (zh) * 2020-08-13 2020-11-20 深圳电目科技有限公司 增加车牌识别率的车牌识别方法和***
CN112434700A (zh) * 2020-11-25 2021-03-02 创新奇智(上海)科技有限公司 车牌识别方法、装置、设备及存储介质
CN113591837B (zh) * 2021-06-19 2023-09-29 特瓦特能源科技有限公司 一种车牌识别的管理方法及相关设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814127A (zh) * 2009-02-23 2010-08-25 财团法人工业技术研究院 图像辨识与输出方法以及其***
CN102610119A (zh) * 2012-03-22 2012-07-25 广州杰赛科技股份有限公司 反向寻车的方法及反向寻车的***
CN103065135A (zh) * 2013-01-25 2013-04-24 上海理工大学 基于数字图像处理的车牌号码匹配算法
CN103440770A (zh) * 2013-08-14 2013-12-11 杨伟 车牌遮挡自动检测装置
CN103456174A (zh) * 2013-08-16 2013-12-18 杨伟 防车牌遮挡***
CN103729916A (zh) * 2013-11-18 2014-04-16 青岛盛嘉信息科技有限公司 一种智能门禁***
CN104243897A (zh) * 2013-06-17 2014-12-24 鸿富锦精密工业（深圳）有限公司 车载监控***及方法
CN104317863A (zh) * 2014-10-16 2015-01-28 林为伟 车牌号码查询方法及***
CN105096604A (zh) * 2015-07-24 2015-11-25 浙江宇视科技有限公司 一种车牌识别的方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814127A (zh) * 2009-02-23 2010-08-25 财团法人工业技术研究院 图像辨识与输出方法以及其***
CN102610119A (zh) * 2012-03-22 2012-07-25 广州杰赛科技股份有限公司 反向寻车的方法及反向寻车的***
CN103065135A (zh) * 2013-01-25 2013-04-24 上海理工大学 基于数字图像处理的车牌号码匹配算法
CN104243897A (zh) * 2013-06-17 2014-12-24 鸿富锦精密工业（深圳）有限公司 车载监控***及方法
CN103440770A (zh) * 2013-08-14 2013-12-11 杨伟 车牌遮挡自动检测装置
CN103456174A (zh) * 2013-08-16 2013-12-18 杨伟 防车牌遮挡***
CN103729916A (zh) * 2013-11-18 2014-04-16 青岛盛嘉信息科技有限公司 一种智能门禁***
CN104317863A (zh) * 2014-10-16 2015-01-28 林为伟 车牌号码查询方法及***
CN105096604A (zh) * 2015-07-24 2015-11-25 浙江宇视科技有限公司 一种车牌识别的方法和装置

Also Published As

Publication number Publication date
CN105512660A (zh) 2016-04-20

Similar Documents

Publication Publication Date Title
CN105512660B (zh) 车牌号码识别方法及装置
CN108446630B (zh) 机场跑道智能监控方法、应用服务器及计算机存储介质
WO2020173022A1 (zh) 一种识别车辆违章行为的方法、服务器及存储介质
WO2017190574A1 (zh) 一种基于聚合通道特征的快速行人检测方法
US11709282B2 (en) Asset tracking systems
US9275297B2 (en) Techniques for identifying parking lots in remotely-sensed images by identifying parking rows
CN103699905B (zh) 一种车牌定位方法及装置
CN112686812B (zh) 银行卡倾斜矫正检测方法、装置、可读存储介质和终端
CN104778444B (zh) 道路场景下车辆图像的表观特征分析方法
CN110956169A (zh) 一种车牌识别方法、装置及电子设备
CN108268867B (zh) 一种车牌定位方法及装置
CN104933398B (zh) 车辆辨识***与方法
CN109740424A (zh) 交通违规识别方法及相关产品
CN105631418A (zh) 一种人数统计的方法和装置
CN109313699B (zh) 用于对一车辆的输入图像进行目标识别的装置和方法
CN108491498A (zh) 一种基于多特征检测的卡口图像目标搜索方法
WO2020146980A1 (zh) 车道线识别方法、车道线识别装置以及非易失性存储介质
CN110378351B (zh) ***鉴别方法及装置
CN111612104A (zh) 车辆定损图像获取方法、装置、介质和电子设备
CN112329881A (zh) 车牌识别模型训练方法、车牌识别方法及装置
CN111178359A (zh) 车牌号码识别方法、装置和设备及计算机存储介质
JP5759124B2 (ja) カメラ・システムから得られた画像の中のオブジェクトを分析するためのコンピュータ化方法及びシステム
CN112489436B (zh) 一种车辆身份识别方法、装置、***、以及电子装置
CN111832349A (zh) 遗留物错误检测的识别方法、装置及图像处理设备
CN106778765B (zh) 一种车牌识别的方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20200603

Address after: 250001 whole floor, building 3, Aosheng building, 1166 Xinluo street, Jinan area, Jinan pilot Free Trade Zone, Shandong Province

Patentee after: Jinan boguan Intelligent Technology Co., Ltd

Address before: Hangzhou City, Zhejiang province 310051 Binjiang District West Street Jiangling Road No. 88 building 10 South Block 1-11

Patentee before: ZHEJIANG UNIVIEW TECHNOLOGIES Co.,Ltd.