CN107862345A - 一种车牌比对方法及装置 - Google Patents

一种车牌比对方法及装置 Download PDF

Info

Publication number
CN107862345A
CN107862345A CN201711248287.XA CN201711248287A CN107862345A CN 107862345 A CN107862345 A CN 107862345A CN 201711248287 A CN201711248287 A CN 201711248287A CN 107862345 A CN107862345 A CN 107862345A
Authority
CN
China
Prior art keywords
piecemeal
perspective transform
license plate
entrance
plate area
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.)
Granted
Application number
CN201711248287.XA
Other languages
English (en)
Other versions
CN107862345B (zh
Inventor
班华忠
***
尹方始
李党
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.)
Shenzhen Qianhai Intellidata Technology Co Ltd
Beijing Zhi Xinyuandong Science And Technology Ltd
Original Assignee
Shenzhen Qianhai Intellidata Technology Co Ltd
Beijing Zhi Xinyuandong Science And Technology 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 Shenzhen Qianhai Intellidata Technology Co Ltd, Beijing Zhi Xinyuandong Science And Technology Ltd filed Critical Shenzhen Qianhai Intellidata Technology Co Ltd
Priority to CN201711248287.XA priority Critical patent/CN107862345B/zh
Publication of CN107862345A publication Critical patent/CN107862345A/zh
Application granted granted Critical
Publication of CN107862345B publication Critical patent/CN107862345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种车牌比对方法，该方法包括：采用基于角点检测的特征提取法，分别获取入口车牌区域和出口车牌区域的特征点；采用特征点匹配算法，获取匹配点；获取出口车牌区域内每个字符的位置，对出口车牌区域进行字符分块，计算分块的出口车牌区域的梯度图；获取最佳透视变换参数，获取入口车牌的透视变换图，获取分块的入口车牌透视变换图，计算分块的入口车牌透视变换图的梯度图；计算每个分块的出口车牌区域的梯度图与分块的入口车牌透视变换图的梯度图的相关系数，计算所有分块相关系数的累加值作为比对的打分值并输出。与现有技术相比，本发明能有效的实现污损、模糊、遮挡等车牌的比对。

Description

一种车牌比对方法及装置
技术领域
本发明涉及图像处理、视频监控以及安防，特别涉及一种车牌比对方法及装置。
背景技术
随着城市的日益现代化，机动车的保有量持续增加，智能交通***发挥着越来越重要的作用。车牌比对技术是现代智能交通***的重要组成部分，有着十分广泛的应用。
目前的车牌比对***需要在光照适当、车牌字迹清晰的情况下才能达到较高的识别率，在实际场景中，常常由于存在车牌污损、成像模糊、车牌遮挡等原因，导致车牌字符识别错误或者错位的问题。为了解决上述问题，通常采用车牌模糊比对的方式进行解决，然而现有的车牌模糊比对方法比对准确率较低，特别在有相似车牌存在时，容易造成比对错误的结果。
综上所述，目前迫切需要提出一种快速准确的车牌比对的方法及装置。
发明内容
有鉴于此，本发明的主要目的在于快速实现车牌比对，且不受车牌污损、成像模糊、车牌遮挡等影响，比对准确率高。
为达到上述目的，按照本发明的第一个方面，提供了一种车牌比对方法，该方法包括：
第一步骤，获取入口的车牌区域图像，采用基于角点检测的特征提取法，获取入口车牌区域的特征点；
第二步骤，获取出口的车牌区域图像，采用基于角点检测的特征提取法，获取出口车牌区域的特征点；
第三步骤，采用特征点匹配算法，获取与出口车牌区域的特征点相匹配的入口车牌区域的特征点；
第四步骤，获取出口车牌区域内每个字符的位置，对出口车牌区域进行字符分块，计算分块的出口车牌区域的梯度图；
第五步骤，根据匹配的特征点，获取最佳透视变换参数，根据最佳透视变换参数，获取入口车牌的透视变换图，并根据出口车牌区域内字符的位置，获取分块的入口车牌透视变换图，计算分块的入口车牌透视变换图的梯度图；以及
第六步骤，分别计算每个分块的出口车牌区域的梯度图与分块的入口车牌透视变换图的梯度图的相关系数，计算所有分块相关系数的累加值作为出口车牌区域图像与入口车牌区域图像比对的打分值并输出。
所述第一步骤中所述获取入口的车牌区域图像和所述第二步骤中所述获取出口的车牌区域图像为：采集入口处或者出口处的场景图像，并从入口处或者出口处采集的场景图像中提取出车牌区域图像。
进一步地，所述第一步骤和所述第二步骤中所述基于角点检测的特征提取法包括：采用角点检测方法从车牌区域图像中提取角点；采用特征描述子，从提取的角点中选取特征点。
进一步地，所述角点检测方法包括但不限于：FAST角点检测法、Harris角点检测法、Kitchen-Rosenfeld角点检测法、KLT角点检测法、SUSAN角点检测法等。
进一步地，所述特征描述子包括但不限于：ORB特征描述子、SIFT特征描述子、SURF特征描述子、BRIEF特征描述子等。
所述第三步骤中所述特征点匹配算法包括但不限于：欧式距离、Hamming距离等。
进一步地，所述第四步骤包括：
出口车牌字符分块步骤，采用字符分割方法，获取出口车牌区域内每个字符的位置，根据每个字符的位置，对出口车牌区域进行分块，获取分块的出口车牌区域；
分块出口车牌区域梯度计算步骤，分别计算每个分块的出口车牌区域的梯度图。
进一步地，所述第五步骤的第一实施例包括：
最佳透视变换参数获取步骤，随机选取4个匹配点作为第i组透视变换点Pi，获取对应的透视变换参数Ai，然后用所有匹配点对透视变换参数进行验证，统计符合透视变换参数的数量SUMi，选取SUMi取值最大的透视变换参数Ai作为最佳透视变换参数；
入口车牌透视变换图获取步骤，根据最佳透视变换参数，对入口车牌区域图像进行透视变换处理，获取入口车牌的透视变换图；
入口车牌透视变换图分块步骤，根据每个字符的位置，对入口车牌透视变换图进行分块，获取分块的入口车牌透视变换图；
分块入口车牌透视变换图的梯度计算步骤，分别计算每个分块的入口车牌透视变换图的梯度图。
进一步地，所述第五步骤的第二实施例包括：
分块最佳透视变换参数获取步骤，对于第j个分块的出口车牌区域，随机选取4个匹配点作为第k组透视变换点Pjk，获取对应的透视变换参数Ajk，然后用所有匹配点对透视变换参数进行验证，统计符合透视变换参数的数量SUMjk，选取SUMjk取值最大的透视变换参数Ajk作为第j个分块的最佳透视变换参数，j={1,2,…,BNum}，BNum为字符的个数；
入口车牌区域分块步骤，根据第j个分块的出口车牌区域内的匹配点，获取第j个分块的入口车牌区域；
分块入口车牌透视变换图获取步骤，根据第j个分块最佳透视变换参数，对第j个分块的入口车牌区域进行透视变换处理，获取第j个分块的入口车牌的透视变换图；
分块入口车牌透视变换图的梯度计算步骤，分别计算每个分块的入口车牌透视变换图的梯度图。
按照本发明的另一个方面，提供了一种车牌比对装置，该装置包括：
入口车牌特征点获取模块，用于获取入口的车牌区域图像，采用基于角点检测的特征提取模块，获取入口车牌区域的特征点；
出口车牌特征点获取模块，用于获取出口的车牌区域图像，采用基于角点检测的特征提取模块，获取出口车牌区域的特征点；
特征点匹配模块，用于采用特征点匹配算法，获取与出口车牌区域的特征点相匹配的入口车牌区域的特征点；
分块出口车牌梯度图获取模块，用于获取出口车牌区域内每个字符的位置，对出口车牌区域进行字符分块，计算分块的出口车牌区域的梯度图；
分块入口车牌梯度图获取模块，用于根据匹配的特征点，获取最佳透视变换参数，根据最佳透视变换参数，获取入口车牌的透视变换图，并根据出口车牌区域内字符的位置，获取分块的入口车牌透视变换图，计算分块的入口车牌透视变换图的梯度图；以及
比对打分值计算模块，用于分别计算每个分块的出口车牌区域的梯度图与分块的入口车牌透视变换图的梯度图的相关系数，计算所有分块相关系数的累加值作为出口车牌区域图像与入口车牌区域图像比对的打分值并输出。
进一步地，所述入口车牌特征点获取模块和所述出口车牌特征点获取模块中所述基于角点检测的特征提取模块包括：用于采用角点检测方法从车牌区域图像中提取角点；采用特征描述子，从提取的角点中选取特征点。
进一步地，所述分块出口车牌梯度图获取模块包括：
出口车牌字符分块模块，用于采用字符分割方法，获取出口车牌区域内每个字符的位置，根据每个字符的位置，对出口车牌区域进行分块，获取分块的出口车牌区域；
分块出口车牌区域梯度计算模块，用于分别计算每个分块的出口车牌区域的梯度图。
进一步地，所述分块入口车牌梯度图获取模块的第一实施例包括：
最佳透视变换参数获取模块，用于随机选取4个匹配点作为第i组透视变换点Pi，获取对应的透视变换参数Ai，然后用所有匹配点对透视变换参数进行验证，统计符合透视变换参数的数量SUMi，选取SUMi取值最大的透视变换参数Ai作为最佳透视变换参数；
入口车牌透视变换图获取模块，用于根据最佳透视变换参数，对入口车牌区域图像进行透视变换处理，获取入口车牌的透视变换图；
入口车牌透视变换图分块模块，用于根据每个字符的位置，对入口车牌透视变换图进行分块，获取分块的入口车牌透视变换图；
分块入口车牌透视变换图的梯度计算模块，用于分别计算每个分块的入口车牌透视变换图的梯度图。
进一步地，所述分块入口车牌梯度图获取模块的第二实施例包括：
分块最佳透视变换参数获取模块，用于对于第j个分块的出口车牌区域，随机选取4个匹配点作为第k组透视变换点Pjk，获取对应的透视变换参数Ajk，然后用所有匹配点对透视变换参数进行验证，统计符合透视变换参数的数量SUMjk，选取SUMjk取值最大的透视变换参数Ajk作为第j个分块的最佳透视变换参数，j={1,2,…,BNum}，BNum为字符的个数；
入口车牌区域分块模块，用于根据第j个分块的出口车牌区域内的匹配点，获取第j个分块的入口车牌区域；
分块入口车牌透视变换图获取模块，用于根据第j个分块最佳透视变换参数，对第j个分块的入口车牌区域进行透视变换处理，获取第j个分块的入口车牌的透视变换图；
分块入口车牌透视变换图的梯度计算模块，用于分别计算每个分块的入口车牌透视变换图的梯度图。
与现有的车牌比对技术相比，本发明的车牌比对方法一方面通过角点检测和特征点描述子可以获取稳定的特征点，另一方面在打分计算前先对入口车牌进行透视变换处理，提高了车牌比对的准确性，能够有效地实现污损车牌、遮挡车牌、模糊车牌的比对。
附图说明
图1示出了按照本发明的一种车牌比对方法的流程图。
图2示出了按照本发明的一种车牌比对装置的框架图。
具体实施方式
为使贵审查员能进一步了解本发明的结构、特征及其他目的，现结合所附较佳实施例详细说明如下，所说明的较佳实施例仅用于说明本发明的技术方案，并非限定本发明。
图1给出了按照本发明的一种车牌比对方法的流程图。如图1所示，按照本发明的一种车牌比对方法包括：
第一步骤S1，获取入口的车牌区域图像，采用基于角点检测的特征提取法，获取入口车牌区域的特征点；
第二步骤S2，获取出口的车牌区域图像，采用基于角点检测的特征提取法，获取出口车牌区域的特征点；
第三步骤S3，采用特征点匹配算法，获取与出口车牌区域的特征点相匹配的入口车牌区域的特征点；
第四步骤S4，获取出口车牌区域内每个字符的位置，对出口车牌区域进行字符分块，计算分块的出口车牌区域的梯度图；
第五步骤S5，根据匹配的特征点，获取最佳透视变换参数，根据最佳透视变换参数，获取入口车牌的透视变换图，并根据出口车牌区域内字符的位置，获取分块的入口车牌透视变换图，计算分块的入口车牌透视变换图的梯度图；以及
第六步骤S6，分别计算每个分块的出口车牌区域的梯度图与分块的入口车牌透视变换图的梯度图的相关系数，计算所有分块相关系数的累加值作为出口车牌区域图像与入口车牌区域图像比对的打分值并输出。
所述第一步骤S1中所述获取入口的车牌区域图像和所述第二步骤S2中所述获取出口的车牌区域图像为：采集入口处或者出口处的场景图像，并从入口处或者出口处采集的场景图像中提取出车牌区域图像，可以通过现有的车牌抓拍方法或设备、或者车牌定位方法或装置、或者车牌检测方法或设备实现。
实施例，分别在停车场的入口处和出口处安装一个车牌抓拍设备，分别获取入口的车牌区域图像和出口的车牌区域图像。
进一步地，所述第一步骤S1和所述第二步骤S2中所述基于角点检测的特征提取法包括：采用角点检测方法从车牌区域图像中提取角点；采用特征描述子，从提取的角点中选取特征点。
进一步地，所述角点检测方法包括但不限于：FAST角点检测法、Harris角点检测法、Kitchen-Rosenfeld角点检测法、KLT角点检测法、SUSAN角点检测法等。
进一步地，所述特征描述子包括但不限于：ORB特征描述子、SIFT特征描述子、SURF特征描述子、BRIEF特征描述子等。
实施例，采用“E Rublee，V Rabaud，K Konolige，G Bradski.ORB:An efficientalternative to SIFT or SURF.IEEE International Conference on Computer Vision,2012,58(11):2564-2571”的技术方案，先采用FAST角点检测法，分别从入口的车牌区域图像、出口的车牌区域图像中提取入口车牌区域的角点、出口车牌区域的角点；然后采用BRIEF特征描述子，分别从入口车牌区域的角点、出口车牌区域的角点中选取出入口车牌区域特征点、出口车牌区域特征点。
所述第三步骤S3中所述特征点匹配算法包括但不限于：欧式距离、Hamming距离等。实施例，采用Hamming距离计算公式，分别计算出口车牌区域的特征点与入口车牌区域的特征点的hamming距离，根据计算的hamming距离，找到与出口车牌区域的特征点匹配的入口车牌区域的特征点。
进一步地，所述第四步骤S4包括：
出口车牌字符分块步骤S41，采用字符分割方法，获取出口车牌区域内每个字符的位置，根据每个字符的位置，对出口车牌区域进行分块，获取分块的出口车牌区域；
分块出口车牌区域梯度计算步骤S42，分别计算每个分块的出口车牌区域的梯度图。
所述字符分割方法可以通过现有的字符分割技术或者字符识别技术实现。实施例，“周景超，陈锋，陈为多，王家捷.车牌字符分割的研究和实现.《计算机工程》,2006,32(5):238-240”。
进一步地，所述第五步骤S5的第一实施例包括：
最佳透视变换参数获取步骤S51，随机选取4个匹配点作为第i组透视变换点Pi，获取对应的透视变换参数Ai，然后用所有匹配点对透视变换参数进行验证，统计符合透视变换参数的数量SUMi，选取SUMi取值最大的透视变换参数Ai作为最佳透视变换参数；
入口车牌透视变换图获取步骤S52，根据最佳透视变换参数，对入口车牌区域图像进行透视变换处理，获取入口车牌的透视变换图；
入口车牌透视变换图分块步骤S53，根据每个字符的位置，对入口车牌透视变换图进行分块，获取分块的入口车牌透视变换图；
分块入口车牌透视变换图的梯度计算步骤S54，分别计算每个分块的入口车牌透视变换图的梯度图。
进一步地，所述入口车牌透视变换图分块步骤S53为：对于第j个字符的位置，对入口车牌透视变换图进行分块，获取第j个分块的入口车牌透视变换图，j＝{1，2，…，BNum}，BNum为字符的个数。
进一步地，所述第五步骤S5的第二实施例包括：
分块最佳透视变换参数获取步骤S501，对于第j个分块的出口车牌区域，随机选取4个匹配点作为第k组透视变换点Pjk，获取对应的透视变换参数Ajk，然后用所有匹配点对透视变换参数进行验证，统计符合透视变换参数的数量SUMjk，选取SUMjk取值最大的透视变换参数Ajk作为第j个分块的最佳透视变换参数，j＝{1，2，…，BNum}，BNum为字符的个数；
入口车牌区域分块步骤S502，根据第j个分块的出口车牌区域内的匹配点，获取第j个分块的入口车牌区域；
分块入口车牌透视变换图获取步骤S503，根据第j个分块最佳透视变换参数，对第j个分块的入口车牌区域进行透视变换处理，获取第j个分块的入口车牌的透视变换图；
分块入口车牌透视变换图的梯度计算步骤S504，分别计算每个分块的入口车牌透视变换图的梯度图。
所述第六步骤S6包括：分别计算第j个分块的出口车牌区域的梯度图与入口车牌区域透视变换图的梯度图的相关系数，计算所有分块相关系数的累加值作为出口车牌区域图像与入口车牌区域图像比对的打分值并输出。
图2给出了按照本发明的一种车牌比对装置的框架图。如图2所示，按照本发明的一种车牌比对装置包括：
入口车牌特征点获取模块1，用于获取入口的车牌区域图像，采用基于角点检测的特征提取模块，获取入口车牌区域的特征点；
出口车牌特征点获取模块2，用于获取出口的车牌区域图像，采用基于角点检测的特征提取模块，获取出口车牌区域的特征点；
特征点匹配模块3，用于采用特征点匹配算法，获取与出口车牌区域的特征点相匹配的入口车牌区域的特征点；
分块出口车牌梯度图获取模块4，用于获取出口车牌区域内每个字符的位置，对出口车牌区域进行字符分块，计算分块的出口车牌区域的梯度图；
分块入口车牌梯度图获取模块5，用于根据匹配的特征点，获取最佳透视变换参数，根据最佳透视变换参数，获取入口车牌的透视变换图，并根据出口车牌区域内字符的位置，获取分块的入口车牌透视变换图，计算分块的入口车牌透视变换图的梯度图；以及
比对打分值计算模块6，用于分别计算每个分块的出口车牌区域的梯度图与分块的入口车牌透视变换图的梯度图的相关系数，计算所有分块相关系数的累加值作为出口车牌区域图像与入口车牌区域图像比对的打分值并输出。
所述入口车牌特征点获取模块1中所述获取入口的车牌区域图像和所述出口车牌特征点获取模块2中所述获取出口的车牌区域图像用于：采集入口处或者出口处的场景图像，并从入口处或者出口处采集的场景图像中提取出车牌区域图像，可以通过现有的车牌抓拍方法或设备、或者车牌定位方法或装置、或者车牌检测方法或设备实现。
进一步地，所述入口车牌特征点获取模块1和所述出口车牌特征点获取模块2中所述基于角点检测的特征提取模块包括：用于采用角点检测方法从车牌区域图像中提取角点；采用特征描述子，从提取的角点中选取特征点。
进一步地，所述角点检测方法包括但不限于：FAST角点检测法、Harris角点检测法、Kitchen-Rosenfeld角点检测法、KLT角点检测法、SUSAN角点检测法等。
进一步地，所述特征描述子包括但不限于：ORB特征描述子、SIFT特征描述子、SURF特征描述子、BRIEF特征描述子等。
所述特征点匹配模块3中所述特征点匹配算法包括但不限于：欧式距离、Hamming距离等。
进一步地，所述分块出口车牌梯度图获取模块4包括：
出口车牌字符分块模块41，用于采用字符分割方法，获取出口车牌区域内每个字符的位置，根据每个字符的位置，对出口车牌区域进行分块，获取分块的出口车牌区域；
分块出口车牌区域梯度计算模块42，用于分别计算每个分块的出口车牌区域的梯度图。
进一步地，所述分块入口车牌梯度图获取模块5的第一实施例包括：
最佳透视变换参数获取模块51，用于随机选取4个匹配点作为第i组透视变换点Pi，获取对应的透视变换参数Ai，然后用所有匹配点对透视变换参数进行验证，统计符合透视变换参数的数量SUMi，选取SUMi取值最大的透视变换参数Ai作为最佳透视变换参数；
入口车牌透视变换图获取模块52，用于根据最佳透视变换参数，对入口车牌区域图像进行透视变换处理，获取入口车牌的透视变换图；
入口车牌透视变换图分块模块53，用于根据每个字符的位置，对入口车牌透视变换图进行分块，获取分块的入口车牌透视变换图；
分块入口车牌透视变换图的梯度计算模块54，用于分别计算每个分块的入口车牌透视变换图的梯度图。
进一步地，所述分块入口车牌梯度图获取模块5的第二实施例包括：
分块最佳透视变换参数获取模块501，用于对于第j个分块的出口车牌区域，随机选取4个匹配点作为第k组透视变换点Pjk，获取对应的透视变换参数Ajk，然后用所有匹配点对透视变换参数进行验证，统计符合透视变换参数的数量SUMjk，选取SUMjk取值最大的透视变换参数Ajk作为第j个分块的最佳透视变换参数，j＝{1，2，…，BNum}，BNum为字符的个数；
入口车牌区域分块模块502，用于根据第j个分块的出口车牌区域内的匹配点，获取第j个分块的入口车牌区域；
分块入口车牌透视变换图获取模块503，用于根据第j个分块最佳透视变换参数，对第j个分块的入口车牌区域进行透视变换处理，获取第j个分块的入口车牌的透视变换图；
分块入口车牌透视变换图的梯度计算模块504，用于分别计算每个分块的入口车牌透视变换图的梯度图。
与现有的车牌比对技术相比，本发明的车牌比对方法一方面通过角点检测和特征点描述子可以获取稳定的特征点，另一方面在打分计算前先对入口车牌进行透视变换处理，提高了车牌比对的准确性，能够有效地实现污损车牌、遮挡车牌、模糊车牌的比对。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。

Claims (14)

1.一种车牌比对方法，其特征在于，该方法包括：
第一步骤，获取入口的车牌区域图像，采用基于角点检测的特征提取法，获取入口车牌区域的特征点；
第二步骤，获取出口的车牌区域图像，采用基于角点检测的特征提取法，获取出口车牌区域的特征点；
第三步骤，采用特征点匹配算法，获取与出口车牌区域的特征点相匹配的入口车牌区域的特征点；
第四步骤，获取出口车牌区域内每个字符的位置，对出口车牌区域进行字符分块，计算分块的出口车牌区域的梯度图；
第五步骤，根据匹配的特征点，获取最佳透视变换参数，根据最佳透视变换参数，获取入口车牌的透视变换图，并根据出口车牌区域内字符的位置，获取分块的入口车牌透视变换图，计算分块的入口车牌透视变换图的梯度图；以及
第六步骤，分别计算每个分块的出口车牌区域的梯度图与分块的入口车牌透视变换图的梯度图的相关系数，计算所有分块相关系数的累加值作为出口车牌区域图像与入口车牌区域图像比对的打分值并输出。
2.如权利要求1所述的方法，所述第一步骤中所述获取入口的车牌区域图像和所述第二步骤中所述获取出口的车牌区域图像为：采集入口处或者出口处的场景图像，并从入口处或者出口处采集的场景图像中提取出车牌区域图像。
3.如权利要求1所述的方法，其特征在于，所述基于角点检测的特征提取法包括：采用角点检测方法从车牌区域图像中提取角点；采用特征描述子，从提取的角点中选取特征点。
4.如权利要求1所述的方法，其特征在于，所述第四步骤包括：
出口车牌字符分块步骤，采用字符分割方法，获取出口车牌区域内每个字符的位置，根据每个字符的位置，对出口车牌区域进行分块，获取分块的出口车牌区域；分块出口车牌区域梯度计算步骤，分别计算每个分块的出口车牌区域的梯度图。
5.如权利要求1所述的方法，其特征在于，所述第五步骤包括：
最佳透视变换参数获取步骤，随机选取4个匹配点作为第i组透视变换点Pi，获取对应的透视变换参数Ai，然后用所有匹配点对透视变换参数进行验证，统计符合透视变换参数的数量SUMi，选取SUMi取值最大的透视变换参数Ai作为最佳透视变换参数；
入口车牌透视变换图获取步骤，根据最佳透视变换参数，对入口车牌区域图像进行透视变换处理，获取入口车牌的透视变换图；
入口车牌透视变换图分块步骤，根据每个字符的位置，对入口车牌透视变换图进行分块，获取分块的入口车牌透视变换图；
分块入口车牌透视变换图的梯度计算步骤，分别计算每个分块的入口车牌透视变换图的梯度图。
6.如权利要求1的方法，其特征在于，所述第五步骤包括：
分块最佳透视变换参数获取步骤，对于第j个分块的出口车牌区域，随机选取4个匹配点作为第k组透视变换点Pjk，获取对应的透视变换参数Ajk，然后用所有匹配点对透视变换参数进行验证，统计符合透视变换参数的数量SUMjk，选取SUMjk取值最大的透视变换参数Ajk作为第j个分块的最佳透视变换参数，j={1,2,…,BNum}，BNum为字符的个数；
入口车牌区域分块步骤，根据第j个分块的出口车牌区域内的匹配点，获取第j个分块的入口车牌区域；
分块入口车牌透视变换图获取步骤，根据第j个分块最佳透视变换参数，对第j个分块的入口车牌区域进行透视变换处理，获取第j个分块的入口车牌的透视变换图；
分块入口车牌透视变换图的梯度计算步骤，分别计算每个分块的入口车牌透视变换图的梯度图。
7.如权利要求3所述的方法，其特征在于，所述角点检测方法包括但不限于：FAST角点检测法、Harris角点检测法、Kitchen-Rosenfeld角点检测法、KLT角点检测法、SUSAN角点检测法。
8.如权利要求3所述的方法，其特征在于，所述特征描述子包括但不限于：ORB特征描述子、SIFT特征描述子、SURF特征描述子、BRIEF特征描述子。
9.如权利要求1所述的方法，其特征在于，所述特征点匹配算法包括但不限于：欧式距离、Hamming距离。
10.一种车牌比对装置，其特征在于，该装置包括：
入口车牌特征点获取模块，用于获取入口的车牌区域图像，采用基于角点检测的特征提取模块，获取入口车牌区域的特征点；
出口车牌特征点获取模块，用于获取出口的车牌区域图像，采用基于角点检测的特征提取模块，获取出口车牌区域的特征点；
特征点匹配模块，用于采用特征点匹配算法，获取与出口车牌区域的特征点相匹配的入口车牌区域的特征点；
分块出口车牌梯度图获取模块，用于获取出口车牌区域内每个字符的位置，对出口车牌区域进行字符分块，计算分块的出口车牌区域的梯度图；
分块入口车牌梯度图获取模块，用于根据匹配的特征点，获取最佳透视变换参数，根据最佳透视变换参数，获取入口车牌的透视变换图，并根据出口车牌区域内字符的位置，获取分块的入口车牌透视变换图，计算分块的入口车牌透视变换图的梯度图；以及
比对打分值计算模块，用于分别计算每个分块的出口车牌区域的梯度图与分块的入口车牌透视变换图的梯度图的相关系数，计算所有分块相关系数的累加值作为出口车牌区域图像与入口车牌区域图像比对的打分值并输出。
11.如权利要求10所述的装置，所述入口车牌特征点获取模块和所述出口车牌特征点获取模块中所述基于角点检测的特征提取模块包括：用于采用角点检测方法从车牌区域图像中提取角点；采用特征描述子，从提取的角点中选取特征点。
12.如权利要求10所述的装置，其特征在于，所述分块出口车牌梯度图获取模块包括：
出口车牌字符分块模块，用于采用字符分割方法，获取出口车牌区域内每个字符的位置，根据每个字符的位置，对出口车牌区域进行分块，获取分块的出口车牌区域；
分块出口车牌区域梯度计算模块，用于分别计算每个分块的出口车牌区域的梯度图。
13.如权利要求10所述的装置，其特征在于，所述分块入口车牌梯度图获取模块包括：
最佳透视变换参数获取模块，用于随机选取4个匹配点作为第i组透视变换点Pi，获取对应的透视变换参数Ai，然后用所有匹配点对透视变换参数进行验证，统计符合透视变换参数的数量SUMi，选取SUMi取值最大的透视变换参数Ai作为最佳透视变换参数；
入口车牌透视变换图获取模块，用于根据最佳透视变换参数，对入口车牌区域图像进行透视变换处理，获取入口车牌的透视变换图；
入口车牌透视变换图分块模块，用于根据每个字符的位置，对入口车牌透视变换图进行分块，获取分块的入口车牌透视变换图；
分块入口车牌透视变换图的梯度计算模块，用于分别计算每个分块的入口车牌透视变换图的梯度图。
14.如权利要求10所述的装置，其特征在于，所述分块入口车牌梯度图获取模块也可以包括：
分块最佳透视变换参数获取模块，用于对于第j个分块的出口车牌区域，随机选取4个匹配点作为第k组透视变换点Pjk，获取对应的透视变换参数Ajk，然后用所有匹配点对透视变换参数进行验证，统计符合透视变换参数的数量SUMjk，选取SUMjk取值最大的透视变换参数Ajk作为第j个分块的最佳透视变换参数，j={1,2,…,BNum}，BNum为字符的个数；
入口车牌区域分块模块，用于根据第j个分块的出口车牌区域内的匹配点，获取第j个分块的入口车牌区域；
分块入口车牌透视变换图获取模块，用于根据第j个分块最佳透视变换参数，对第j个分块的入口车牌区域进行透视变换处理，获取第j个分块的入口车牌的透视变换图；
分块入口车牌透视变换图的梯度计算模块，用于分别计算每个分块的入口车牌透视变换图的梯度图。
CN201711248287.XA 2017-12-01 2017-12-01 一种车牌比对方法及装置 Active CN107862345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711248287.XA CN107862345B (zh) 2017-12-01 2017-12-01 一种车牌比对方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711248287.XA CN107862345B (zh) 2017-12-01 2017-12-01 一种车牌比对方法及装置

Publications (2)

Publication Number Publication Date
CN107862345A true CN107862345A (zh) 2018-03-30
CN107862345B CN107862345B (zh) 2020-05-08

Family

ID=61704516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711248287.XA Active CN107862345B (zh) 2017-12-01 2017-12-01 一种车牌比对方法及装置

Country Status (1)

Country Link
CN (1) CN107862345B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20130163822A1 (en) * 2006-04-04 2013-06-27 Cyclops Technologies, Inc. Airborne Image Capture and Recognition System
CN104346605A (zh) * 2013-08-01 2015-02-11 株式会社电装 车号牌识别装置以及车号牌识别方法
CN104376332A (zh) * 2014-12-09 2015-02-25 深圳市捷顺科技实业股份有限公司 车牌识别方法及装置
CN105574944A (zh) * 2015-12-15 2016-05-11 重庆凯泽科技有限公司 基于公路车辆识别智能收费***及方法
CN106778510A (zh) * 2016-11-25 2017-05-31 江西师范大学 一种超高分辨率遥感图像中高层建筑特征点匹配方法
CN106845508A (zh) * 2015-12-07 2017-06-13 腾讯科技（深圳）有限公司 一种检测图像中信息卡的方法、装置和***
CN106934396A (zh) * 2017-03-09 2017-07-07 深圳市捷顺科技实业股份有限公司 一种车牌检索方法及***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130163822A1 (en) * 2006-04-04 2013-06-27 Cyclops Technologies, Inc. Airborne Image Capture and Recognition System
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
CN104346605A (zh) * 2013-08-01 2015-02-11 株式会社电装 车号牌识别装置以及车号牌识别方法
CN104376332A (zh) * 2014-12-09 2015-02-25 深圳市捷顺科技实业股份有限公司 车牌识别方法及装置
CN106845508A (zh) * 2015-12-07 2017-06-13 腾讯科技（深圳）有限公司 一种检测图像中信息卡的方法、装置和***
CN105574944A (zh) * 2015-12-15 2016-05-11 重庆凯泽科技有限公司 基于公路车辆识别智能收费***及方法
CN106778510A (zh) * 2016-11-25 2017-05-31 江西师范大学 一种超高分辨率遥感图像中高层建筑特征点匹配方法
CN106934396A (zh) * 2017-03-09 2017-07-07 深圳市捷顺科技实业股份有限公司 一种车牌检索方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IMRAN SHAFIQ AHMAD,ET AL.: "Automatic license plate recognition: A comparative study", 《2015 IEEE INTERNATIONAL SYMPOSIUM ON SIGNAL PROCESSING AND INFORMATION TECHNOLOGY (ISSPIT)》 *
高聪等: "基于模板匹配和局部HOG特征的车牌识别算法", 《计算机***应用》 *

Also Published As

Publication number Publication date
CN107862345B (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN104915649B (zh) 一种应用于人脸识别的活体检测方法
CN106874894B (zh) 一种基于区域全卷积神经网络的人体目标检测方法
CN109882019B (zh) 一种基于目标检测和动作识别的汽车电动尾门开启方法
WO2019071664A1 (zh) 结合深度信息的人脸识别方法、装置及存储介质
CN109145803B (zh) 手势识别方法及装置、电子设备、计算机可读存储介质
CN105574515B (zh) 一种无重叠视域下的行人再识别方法
CN103116763A (zh) 一种基于hsv 颜色空间统计特征的活体人脸检测方法
Lavania et al. Leaf recognition using contour based edge detection and SIFT algorithm
CN104574335B (zh) 一种基于显著图和兴趣点凸包的红外与可见光图像融合方法
CN104424632B (zh) 一种视频对比度异常检测方法及装置
CN102156881B (zh) 基于多尺度图像相位信息的海难搜救目标检测方法
Zhao et al. License plate location based on Haar-like cascade classifiers and edges
CN109359577A (zh) 一种基于机器学习的复杂背景下人数检测***
Ebrahimpour et al. Ventral-dorsal neural networks: object detection via selective attention
CN108052931A (zh) 一种车牌识别结果融合方法及装置
CN105095837B (zh) 一种台标识别方法和***
CN107506713A (zh) 活体人脸检测方法及存储设备
KR20170053807A (ko) 동적 배경을 가진 영상의 대상 객체 검출 방법
CN110121109A (zh) 面向监控***数字视频实时溯源方法、城市视频监控***
CN112991374A (zh) 基于Canny算法的边缘增强方法、装置、设备及存储介质
Lee et al. A tank fish recognition and tracking system using computer vision techniques
CN111708907B (zh) 一种目标人员的查询方法、装置、设备及存储介质
CN102129569A (zh) 基于多尺度对比特征的对象检测设备和方法
CN102254148A (zh) 一种多人动态环境下的实时人脸识别方法
Tan et al. Gesture segmentation based on YCb'Cr'color space ellipse fitting skin color modeling

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant