CN110659638B - 车牌的识别方法、装置、计算机设备及存储介质 - Google Patents
车牌的识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110659638B CN110659638B CN201910904848.XA CN201910904848A CN110659638B CN 110659638 B CN110659638 B CN 110659638B CN 201910904848 A CN201910904848 A CN 201910904848A CN 110659638 B CN110659638 B CN 110659638B
- Authority
- CN
- China
- Prior art keywords
- license plate
- view
- image sample
- plate image
- information
- 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
Links
Images
Classifications
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种车牌的识别方法、装置、计算机设备及存储介质,涉及视频监控技术领域,用于提高车牌的识别精度。本发明的主要技术方案为:通过摄像设备获取目标车辆的车牌信息,所述车牌信息包括车牌的四个顶点;对所述车牌信息的四个顶点做投影变换,得到正视角的车牌信息;将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果,所述车牌识别模型是根据远景车牌图像样本和近景车牌图像样本训练得到的。
Description
技术领域
本发明涉及视频监控技术领域,尤其涉及一种车牌的识别方法、装置、计算机设备及存储介质。
背景技术
随着我国经济的发展,车辆市场保有量将持续增加,停车难及停车位的有效管理等问题将进一步加剧,路内停车在这种历史背景下应运而生。路内停车作为智能交通重要环节,是指在道路安全红线范围以内的两侧或者一侧,设置若干个停车位供来往车辆临时停靠,这种停车位具有设置更加灵活、车位周转率快、占用空间少、维护成本低等优点,可以在一定程度上缓解当前“停车难”等问题。
目前,车辆停在泊位以后,前端摄像设备在进行周期性抓拍的过程中,如果都能捕捉到该车辆的车牌,通过图片识别技术从抓拍的图片中识别出车辆的车牌。但是,在停车场景中,停在近处车位的车辆其车牌分辨率足够大可以准确识别,而停在远处车位的车辆,其车牌分辨率很小,长宽只有几十个像素,因此通过比对车牌号的方式大大降低了车牌识别的精度。
发明内容
本发明提供一种车牌的识别方法、装置、计算机设备及存储介质,用于提高车牌的识别精度。
本发明实施例提供一种车牌的识别方法,所述方法包括:
通过摄像设备获取目标车辆的车牌信息,所述车牌信息包括车牌的四个顶点;
对所述车牌信息的四个顶点做投影变换,得到正视角的车牌信息;
将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果,所述车牌识别模型是根据远景车牌图像样本和近景车牌图像样本训练得到的。
本发明实施例提供一种车牌的识别装置,所述装置包括:
获取模块,用于通过摄像设备获取目标车辆的车牌信息,所述车牌信息包括车牌的四个顶点;
投影变换模块,用于对所述车牌信息的四个顶点做投影变换,得到正视角的车牌信息;
识别模块,用于将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果,所述车牌识别模型是根据远景车牌图像样本和近景车牌图像样本训练得到的。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述车牌的识别方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述车牌的识别方法。
本发明提供的一种车牌的识别方法、装置、计算机设备及存储介质,首先通过摄像设备获取目标车辆的车牌信息,所述车牌信息包括车牌的四个顶点;然后对所述车牌信息的四个顶点做投影变换,得到正视角的车牌信息;最后将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果,所述车牌识别模型是根据远景车牌图像样本和近景车牌图像样本训练得到的。与目前通过图像识别技术从抓拍的图片中识别出车辆的车牌相比,本发明在获取到目标车辆的车牌信息后,将车牌信息的四个顶点做投影变换,得到正视角的车牌信息正视角的车牌信息,然后将得到的正视角的车牌信息输入到车牌识别模型中得到目标车辆的车牌识别结果,由于车牌识别模型是根据远景车牌图像样本和近景车牌图像样本训练得到的,因此通过本发明中的车牌识别模型可实现对远处车辆的识别,从而通过本发明可提高车牌的识别精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中车牌的识别方法的一应用环境示意图;
图2是本发明一实施例中车牌的识别方法的一流程图;
图3是本发明一实施例中四个顶点做投影变换的结果示意图;
图4是本发明一实施例中车牌识别模型训练流程图;
图5是本发明一实施例中车牌的识别方法的一流程图;
图6是本发明一实施例中车牌的识别装置的一原理框图;
图7是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请提供的车牌的识别方法,可应用在如图1的应用环境中,其中,摄像设备通过网络与服务器进行通信。服务器通过摄像设备获取目标车辆的车牌信息,所述车牌信息包括车牌的四个顶点;对所述车牌信息的四个顶点做投影变换,得到正视角的车牌信息;将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果,所述车牌识别模型是根据远景车牌图像样本和近景车牌图像样本训练得到的。其中,计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种车牌的识别方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S10,通过摄像设备获取目标车辆的车牌信息。
其中,本发明实施例中的摄像设备包括枪机摄像设备和球机摄像设备,枪机摄像设备可以拍摄到近处的车辆,球机摄像设备可以拍摄到远处的车辆,以及车辆的具体细节内容。需要说明的是,由于在判断是否是相同车辆时,车辆的车牌具有的唯一性,车牌是作为车辆身份的最好标识,采用车牌信息作为判断依据,可以极大降低割裂的发生。因此本发明实施例中摄像设备拍摄的目标车辆的车牌信息,即目标车辆的车牌图片,该车牌图片包括车牌的四个顶点,即车牌信息包括车牌的四个顶点,车牌的四个顶点为车牌外接矩形四个顶点。
S20,对所述车牌信息的四个顶点做投影变换,得到正视角的车牌信息。
需要说明的是,投影变换是透视变换的一种特殊情况:共面点的透视变换即投影变换或共面点成像,用过单应矩阵(Homography matrix)实现的线性变换,将一组共面点从一个平面变换到另一个平面上去,直线之间的平行关系和比例保持不变,角度可通过变换矩阵调整。
如图3所示,在本发明实施中,对车牌信息的四个顶点做投影变换,即将摄像设备直接拍摄的车牌信息进行调整,使得车牌信息调整到正视角,即如图3中摄像设备拍摄的不是正视角的四个顶点做投影变换,使得车牌信息的4个顶点是一个平面的矩形,以便于在后续步骤中根据该正视角的车牌信息,识别目标车辆的车牌号。
S30,将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果。
其中,所述车牌识别模型是根据远景车牌图像样本和近景车牌图像样本训练得到的。在本发明提供的一个实施例中,远景车牌图像样本和近景车牌图像样本为真实场景下的数据,远景车牌图像样本包括远景车牌图像信息和其对应的车牌号码,近景车牌图像样本包括近景车牌图像信息和其对应的车牌号码,通过对远景车牌图像样本和近景车牌图像样本进行训练得到车牌识别模型,通过该车牌模型可以识别不同场景下目标车辆的车牌号码。
在本发明提供的一个实施例中,如图4所示,所述将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果之前,所述方法还包括:
S101,获取所述远景车牌图像样本和所述近景车牌图像样本。
S102,将所述远景车牌图像样本和所述近景车牌图像样本做投影变换,分别得到正视角的远景车牌图像样本、正视角的近景车牌图像样本。
S103,对所述正视角的远景车牌图像样本和所述正视角的近景车牌图像样本进行模型训练,得到所述车牌识别模型。
在本发明实施例中,在真实场景下获取远景车牌图像样本和近景车牌图像样本,然后将远景车牌图像样本和所述近景车牌图像样本做投影变换,分别得到正视角的远景车牌图像样本及正视角的近景车牌图像样本,并依据正视角的远景车牌图像样本和近景图像样本进行模型训练,得到车牌识别模型。通过该车牌识别模型可以对目标车辆的车牌信息进行识别,由于车牌识别模型是根据不同场景下不同位置处的车牌图像样本训练得到的,因此通过该车牌识别模型可以识别不同场景不同位置下车辆的车牌号码。
在本发明提供的另一个实施例中,通过在真实场景下获取车辆在不同位置的车牌图像样本,如针对某一个车辆获取其远景车牌图像和近景车牌图像,将近景车牌图像可作为远景车牌图像的标签,然后对车牌识别模型进行训练得到车牌识别模型。通过该种方式获取的车牌识别模型,在获取到目标车辆的正视角的车牌信息后,将其输入到车牌识别模型中,得到目标车辆的近景车牌信息,即通过该近景车牌信息可得到目标车辆的车牌识别结果。
例如,摄像设备获取真实场景下不同车辆分别对应的远景车牌图像和近景车牌图像,然后将远景车牌图像和近景车牌图像等比缩放并填充到固定尺寸,具体的将远景车牌图像缩放并填充至30×30像素,将近景车牌图像缩放并填充至120×120像素。然后根据分别缩放后的远景车牌图像和近景车牌图像对模型进行训练得到车牌识别模型。在获取到目标车辆的远景车牌图像后,对该远景车牌图像进行处理得到像素为30×30的远景车牌图像,然后将处理后的远景车牌图像输入到车牌识别模型中,输出经过网络计算超采样的120×120像素的车牌数据。
需要说明的是,由于从摄像设备处获取的车牌信息,在不同的车位距离摄像设备距离不同,而且摄像设备本身在运行过程中可能有轻微的晃动,将会导致不同的车位、不同时间段收集到的无论是近景还是远景的车牌图像尺寸,宽高比不尽相同。为了方便网络训练的需要,需要将近景车牌和远景车牌缩放到统一尺寸。
因此,在得到正视角的远景车牌图像样本、正视角的近景车牌图像样本之后,所述方法还包括:将所述正视角的远景车牌图像样本等比例缩放并填充到第一预置尺寸像素内;将所述正视角的近景车牌图像样本等比例缩放并填充到第二预置尺寸像素内,所述第一预置尺寸像素低于所述第二预置尺寸像素。无论是远景车牌图像样本,还是近景车牌图像样本,都要等比缩放并填充到固定尺寸,不同的是近景车牌图像样本是远景车牌图像样本的预置倍数,如将远景车牌图像样本缩放并填充至30×30像素,近景车牌图像样本缩放并填充至120×120像素。具体的,在对车牌图像样本进行缩放方式时,需要尽可能保持原始数据的细节,采样双三次插值。例如,为了方便网络训练的需要,需要将近景车牌和远景车牌缩放到统一尺寸,同时保证,近景车牌图像宽高分别是远景车牌尺寸宽高的固定倍数4倍:相机采集到的近景图像大约是远景图像的4倍。
相应的,所述对所述正视角的远景车牌图像样本和所述正视角的近景车牌图像样本进行模型训练,得到所述车牌识别模型包括:通过对所述第一预置尺寸像素内的远景车牌图像样本和所述第二预置尺寸像素内的近景车牌图像样本进行模型训练,得到所述车牌识别模型。
在本发明实施例提供的一个具体应用场景中,摄像设备包括可变焦的球机,可以提供同一车牌不同分辨率的图像数据,该车牌图像数据包含检测四个顶点,通过四个顶点将车牌图像数据投射到主视图,将低分辨率的远景车牌图像等比例缩放并填充至输入尺寸如30×30,将高分辨率的近景车牌图像等比例缩放并填充至输出尺寸120×120,网络输出与target逐像素计算L2 loss并求和。其中,无论是远景车牌图像,还是近景车牌图像,都要等比缩放并填充到固定尺寸,不同的是远景车牌图像缩放并填充至30×30像素,近景车牌图像缩放并填充至120×120像素。缩放方式要尽可能保持原始数据的细节。
本发明提供的一种车牌的识别方法,首先通过摄像设备获取目标车辆的车牌信息,所述车牌信息包括车牌的四个顶点;然后对所述车牌信息的四个顶点做投影变换,得到正视角的车牌信息;最后将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果,所述车牌识别模型是根据远景车牌图像样本和近景车牌图像样本训练得到的。与目前通过图像识别技术从抓拍的图片中识别出车辆的车牌相比,本发明在获取到目标车辆的车牌信息后,将车牌信息的四个顶点做投影变换,得到正视角的车牌信息正视角的车牌信息,然后将得到的正视角的车牌信息输入到车牌识别模型中得到目标车辆的车牌识别结果,由于车牌识别模型是根据远景车牌图像样本和近景车牌图像样本训练得到的,因此通过本发明中的车牌识别模型可实现对远处车辆的识别,从而通过本发明可提高车牌的识别精度。
如图5所示,在本发明提供的一个实施例中,所述将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果之后,所述方法还包括:
S40,查询车牌数据库中是否有所述车牌识别结果。
其中,车牌数据库中存储有各类的车牌号,该车牌号是合法真实存在的车牌号码。在本发明实施例中,在通过车牌识别模型得到目标车辆的车牌识别结果后,即得到目标车辆的车牌号后,通过查询车牌数据库中是否有该车牌识别结果,确定目标车辆的车牌识别是否正确,若车牌数据库中存在该车牌识别结果,则跳转到步骤S50A;若车牌数据库中不存在该车牌识别结果,则跳转至步骤S50B。
S50A,若存在所述车牌识别结果,则初步认定所述车牌识别结果正确。
在本发明实施例中,若车牌数据库中存在目标车辆的车牌识别结果,则可以初步认定车牌识别结果正确,然后跳转到步骤S60A进行继续验证车牌识别结果是否正确。
S50B,若不存在所述车牌识别结果,则认定所述车牌识别结果错误。
其中,步骤S50B为步骤S50A的并列步骤,若车牌数据库中不存在目标车辆的车牌识别结果,则可直接确定车牌识别结果错误。
S60A,通过图像识别技术从所述目标车辆的车牌信息中识别出车牌号。
需要说明的是,本发明实施例中的图像识别技术可以为现有的图像识别技术,使用该图像识别就是目的是为了从车牌信息中识别出目标车辆的车牌号,以便于后续步骤中通过不同方式识别的车牌号确定目标车牌号的识别结果是否正确。
S70A,按车牌号的对应位置匹配所述车牌识别结果和所述识别出的车牌号。
在本发明实施例中,在获取到通过图像识别技术识别的车牌号,以及通过车牌识别模型中得到目标车辆的车牌识别结果后,按位匹配通过图像识别技术识别的车牌号和通过车牌识别模型得到的车牌识别结果。例如,通过图像识别技术获取到目标车辆的车牌号为京E71089,通过车牌识别模型识别的目标车辆的车牌号为京E71088,则对两个车牌号进行对应位置匹配,则可确定匹配的位置数为6。
S80A,若匹配位数大于预置数值,则确定所述目标车辆的识别结果正确。
其中,预置数值可以根据实际需求进行设置,预置数值小于等于车牌号的总位数,预置数值设置的越大,要求车牌号的匹配位数越高;预置数值设置的越小,要求车牌号的匹配位数越低。例如,通过图像识别技术获取到目标车辆的车牌号为京E71089,通过车牌识别模型识别的目标车辆的车牌号为京E71088,若预置数值设置的为5,则确定所述目标车辆的识别结果正确。
在本发明提供的一个实施例中,所述方法还包括:将正确的所述目标车辆的识别结果及其对应的正视角的车牌信息作为新的训练样本,对所述车牌识别模型进行更新训练。从而实现车辆识别模型的不断更新,以此保证目标车辆的车牌号识别的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种车牌的识别装置,该车牌的识别装置与上述实施例中车牌的识别方法一一对应。如图6所示,该车牌的识别装置包括获取模块10、投影变换模块20、识别模块30。各功能模块详细说明如下:
获取模块10,用于通过摄像设备获取目标车辆的车牌信息,所述车牌信息包括车牌的四个顶点;
投影变换模块20,用于对所述车牌信息的四个顶点做投影变换,得到正视角的车牌信息;
识别模块30,用于将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果,所述车牌识别模型是根据远景车牌图像样本和近景车牌图像样本训练得到的。
进一步的,所述装置还包括:
所述获取模块10,还用于获取所述远景车牌图像样本和所述近景车牌图像样本;
所述投影变换模块20,还用于将所述远景车牌图像样本和所述近景车牌图像样本做投影变换,分别得到正视角的远景车牌图像样本、正视角的近景车牌图像样本;
训练模块40,用于对所述正视角的远景车牌图像样本和所述正视角的近景车牌图像样本进行模型训练,得到所述车牌识别模型。
进一步的,所述装置还包括:
缩放填充模块50,用于将所述正视角的远景车牌图像样本等比例缩放并填充到第一预置尺寸像素内;将所述正视角的近景车牌图像样本等比例缩放并填充到第二预置尺寸像素内,所述第一预置尺寸像素低于所述第二预置尺寸像素;
所述训练模块40,具体用于通过对所述第一预置尺寸像素内的远景车牌图像样本和所述第二预置尺寸像素内的近景车牌图像样本进行模型训练,得到所述车牌识别模型。
进一步的,所述装置还包括:
查询模块60,用于查询车牌数据库中是否有所述车牌识别结果;
确定模块70,用于若存在所述车牌识别结果,则初步认定所述车牌识别结果正确;若不存在所述车牌识别结果,则认定所述车牌识别结果错误。
进一步的,所述装置还包括:
所述识别模块30,还用于通过图像识别技术从所述目标车辆的车牌信息中识别出车牌号;
匹配模块80,用于按车牌号的对应位置匹配所述车牌识别结果和所述识别出的车牌号;
所述确定模块70,用于若匹配位数大于预置数值,则确定所述目标车辆的识别结果正确。
进一步的,所述训练模块40,还用于将正确的所述目标车辆的识别结果及其对应的正视角的车牌信息作为新的训练样本,对所述车牌识别模型进行更新训练。
关于车牌的识别装置的具体限定可以参见上文中对于车牌的识别方法的限定,在此不再赘述。上述车牌的识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车牌的识别方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
通过摄像设备获取目标车辆的车牌信息,所述车牌信息包括车牌的四个顶点;
对所述车牌信息的四个顶点做投影变换,得到正视角的车牌信息;
将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果,所述车牌识别模型是根据远景车牌图像样本和近景车牌图像样本训练得到的。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
通过摄像设备获取目标车辆的车牌信息,所述车牌信息包括车牌的四个顶点;
对所述车牌信息的四个顶点做投影变换,得到正视角的车牌信息;
将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果,所述车牌识别模型是根据远景车牌图像样本和近景车牌图像样本训练得到的。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车牌的识别方法,其特征在于,所述方法包括:
通过摄像设备获取目标车辆的车牌信息,所述车牌信息包括车牌的四个顶点;
对所述车牌信息的四个顶点做投影变换,得到正视角的车牌信息;
将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果,所述车牌识别模型是根据远景车牌图像样本和近景车牌图像样本训练得到的,
其中,所述将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果之后,所述方法还包括:
查询车牌数据库中是否有所述车牌识别结果;
若存在所述车牌识别结果,则初步认定所述车牌识别结果正确;
若不存在所述车牌识别结果,则认定所述车牌识别结果错误;
其中,在初步认定所述车牌识别结果正确之后,所述方法还包括:
通过图像识别技术从所述目标车辆的车牌信息中识别出车牌号;
按车牌号的对应位置匹配所述车牌识别结果和识别出的车牌号;
若匹配位数大于预置数值,则确定所述目标车辆的识别结果正确。
2.根据权利要求1所述的车牌的识别方法,其特征在于,所述将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果之前,所述方法还包括:
获取所述远景车牌图像样本和所述近景车牌图像样本;
将所述远景车牌图像样本和所述近景车牌图像样本做投影变换,分别得到正视角的远景车牌图像样本、正视角的近景车牌图像样本;
对所述正视角的远景车牌图像样本和所述正视角的近景车牌图像样本进行模型训练,得到所述车牌识别模型。
3.根据权利要求2所述的车牌的识别方法,其特征在于,所述得到正视角的远景车牌图像样本、正视角的近景车牌图像样本之后,所述方法还包括:
将所述正视角的远景车牌图像样本等比例缩放并填充到第一预置尺寸像素内;
将所述正视角的近景车牌图像样本等比例缩放并填充到第二预置尺寸像素内,所述第一预置尺寸像素低于所述第二预置尺寸像素;
所述对所述正视角的远景车牌图像样本和所述正视角的近景车牌图像样本进行模型训练,得到所述车牌识别模型包括:
通过对所述第一预置尺寸像素内的远景车牌图像样本和所述第二预置尺寸像素内的近景车牌图像样本进行模型训练,得到所述车牌识别模型。
4.根据权利要求1所述的车牌的识别方法,其特征在于,所述方法还包括:
将正确的所述目标车辆的识别结果及其对应的正视角的车牌信息作为新的训练样本,对所述车牌识别模型进行更新训练。
5.一种车牌的识别装置,其特征在于,所述装置包括:
获取模块,用于通过摄像设备获取目标车辆的车牌信息,所述车牌信息包括车牌的四个顶点;
投影变换模块,用于对所述车牌信息的四个顶点做投影变换,得到正视角的车牌信息;
识别模块,用于将所述正视角的车牌信息输入到车牌识别模型中得到所述目标车辆的车牌识别结果,所述车牌识别模型是根据远景车牌图像样本和近景车牌图像样本训练得到的,
其中,所述装置还包括:
查询模块,用于查询车牌数据库中是否有所述车牌识别结果;
确定模块,用于若存在所述车牌识别结果,则初步认定所述车牌识别结果正确;若不存在所述车牌识别结果,则认定所述车牌识别结果错误;
其中,所述识别模块还用于通过图像识别技术从所述目标车辆的车牌信息中识别出车牌号;
所述装置还包括匹配模块,用于按车牌号的对应位置匹配所述车牌识别结果和识别出的车牌号;
所述确定模块还用于若匹配位数大于预置数值,则确定所述目标车辆的识别结果正确。
6.根据权利要求5所述的车牌的识别装置,其特征在于,所述装置还包括:
所述获取模块,还用于获取所述远景车牌图像样本和所述近景车牌图像样本;
所述投影变换模块,还用于将所述远景车牌图像样本和所述近景车牌图像样本做投影变换,分别得到正视角的远景车牌图像样本、正视角的近景车牌图像样本;
训练模块,用于对所述正视角的远景车牌图像样本和所述正视角的近景车牌图像样本进行模型训练,得到所述车牌识别模型。
7.根据权利要求6所述的车牌的识别装置,其特征在于,所述装置还包括:
缩放填充模块,用于将所述正视角的远景车牌图像样本等比例缩放并填充到第一预置尺寸像素内;将所述正视角的近景车牌图像样本等比例缩放并填充到第二预置尺寸像素内,所述第一预置尺寸像素低于所述第二预置尺寸像素;
所述训练模块,具体用于通过对所述第一预置尺寸像素内的远景车牌图像样本和所述第二预置尺寸像素内的近景车牌图像样本进行模型训练,得到所述车牌识别模型。
8.根据权利要求5所述的车牌的识别装置,其特征在于,所述训练模块,还用于将正确的所述目标车辆的识别结果及其对应的正视角的车牌信息作为新的训练样本,对所述车牌识别模型进行更新训练。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述车牌的识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述车牌的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910904848.XA CN110659638B (zh) | 2019-09-24 | 2019-09-24 | 车牌的识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910904848.XA CN110659638B (zh) | 2019-09-24 | 2019-09-24 | 车牌的识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110659638A CN110659638A (zh) | 2020-01-07 |
CN110659638B true CN110659638B (zh) | 2023-04-07 |
Family
ID=69038852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910904848.XA Active CN110659638B (zh) | 2019-09-24 | 2019-09-24 | 车牌的识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659638B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797713A (zh) * | 2020-06-16 | 2020-10-20 | 浙江大华技术股份有限公司 | 车牌识别方法及拍照设备 |
KR102557697B1 (ko) * | 2020-12-24 | 2023-07-19 | 인천대학교 산학협력단 | 기계학습 기반의 꼭짓점 추출과 호모그래피 행렬의 연산을 통해 기울어진 차량 번호판 이미지를 직사각형화시킬 수 있는 전자 장치 및 그 동작 방법 |
CN113807302A (zh) * | 2021-09-26 | 2021-12-17 | 重庆紫光华山智安科技有限公司 | 车牌识别算法准确率测试方法、装置、电子设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073691A (zh) * | 2010-12-23 | 2011-05-25 | 杭州海康威视数字技术股份有限公司 | 车辆监控方法及其*** |
CN103065138A (zh) * | 2012-12-06 | 2013-04-24 | 新疆公众信息产业股份有限公司 | 一种机动车牌号的识别方法 |
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 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102610119B (zh) * | 2012-03-22 | 2014-04-02 | 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*** |
CN105069765B (zh) * | 2015-07-22 | 2017-12-22 | 广东迅通科技股份有限公司 | 一种基于特征学习的模糊车牌重建方法 |
CN106203433A (zh) * | 2016-07-13 | 2016-12-07 | 西安电子科技大学 | 一种车辆监控图像中车牌位置自动提取并透视校正的方法 |
CN106169076B (zh) * | 2016-07-22 | 2019-05-14 | 中山大学 | 一种基于透视变换的角度车牌图像库搭建方法 |
CN106251637B (zh) * | 2016-09-13 | 2019-02-15 | 杭州东方通信软件技术有限公司 | 一种智能停车场车牌识别方法 |
US10372970B2 (en) * | 2016-09-15 | 2019-08-06 | Qualcomm Incorporated | Automatic scene calibration method for video analytics |
CN106570436B (zh) * | 2016-11-14 | 2019-01-25 | 三峡大学 | 一种基于二维码的变电站设备抄表***及其抄表方法 |
CN107680382A (zh) * | 2017-02-24 | 2018-02-09 | 上海享泊信息科技有限公司 | 车牌识别方法、模块、云端服务器以及停车场管理*** |
TWI602154B (zh) * | 2017-04-26 | 2017-10-11 | 偉詮電子股份有限公司 | 環景影像的拼接方法及其系統 |
CN108985137B (zh) * | 2017-06-02 | 2021-08-27 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及*** |
CN107316495A (zh) * | 2017-08-16 | 2017-11-03 | 武汉理工大学 | 小区车位共享***和管理方法 |
CN108830213A (zh) * | 2018-06-12 | 2018-11-16 | 北京理工大学 | 基于深度学习的车牌检测与识别方法和装置 |
CN109145900A (zh) * | 2018-07-30 | 2019-01-04 | 中国科学技术大学苏州研究院 | 一种基于深度学习的车牌识别方法 |
-
2019
- 2019-09-24 CN CN201910904848.XA patent/CN110659638B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073691A (zh) * | 2010-12-23 | 2011-05-25 | 杭州海康威视数字技术股份有限公司 | 车辆监控方法及其*** |
CN103065138A (zh) * | 2012-12-06 | 2013-04-24 | 新疆公众信息产业股份有限公司 | 一种机动车牌号的识别方法 |
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 |
Non-Patent Citations (1)
Title |
---|
车辆牌照自动识别技术研究与应用;徐辉;《企业导报》(第08期);第278-279页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110659638A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659638B (zh) | 车牌的识别方法、装置、计算机设备及存储介质 | |
US20230345135A1 (en) | Method, apparatus, and device for processing images, and storage medium | |
CN110738219A (zh) | 图像中线条提取方法和装置、存储介质及电子装置 | |
CN111191653A (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
CN111652937B (zh) | 车载相机标定方法和装置 | |
CN111161202A (zh) | 车辆行为信息获取方法、装置、计算机设备和存储介质 | |
CN111009011B (zh) | 车辆方向角的预测方法、装置、***以及存储介质 | |
CN113838138B (zh) | 一种优化特征提取的***标定方法、***、装置和介质 | |
CN110705433A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN110796709A (zh) | 车架号尺寸获取方法、装置、计算机设备和存储介质 | |
CN112634628B (zh) | 一种车辆速度确定方法、终端及存储介质 | |
CN111445513B (zh) | 基于深度图像的植株冠层体积获取方法、装置、计算机设备和存储介质 | |
CN113284190A (zh) | 标定方法、装置、设备、存储介质及产品 | |
CN112200004A (zh) | 图像检测模型的训练方法、装置及终端设备 | |
CN108564571B (zh) | 图像区域选取方法及终端设备 | |
CN114757846A (zh) | 图像矫正方法及装置、存储介质、电子装置 | |
CN113593297B (zh) | 一种停车位状态检测方法和装置 | |
CN113780286A (zh) | 对象识别方法及装置、存储介质、电子装置 | |
CN110599801B (zh) | 停车管理方法、装置、计算机设备及存储介质 | |
CN113223076B (zh) | 车辆与车载摄像头的坐标系标定方法、设备及存储介质 | |
CN109376653B (zh) | 用于定位车辆的方法、装置、设备和介质 | |
CN114581310A (zh) | 染色体矫直方法、装置、计算机设备和存储介质 | |
CN112150373A (zh) | 图像处理方法、图像处理装置和可读存储介质 | |
CN117437646A (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
WO2022204953A1 (zh) | 确定俯仰角的方法、装置及终端设备 |
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 |