CN110866524A - 车牌检测方法、装置、设备及存储介质 - Google Patents
车牌检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110866524A CN110866524A CN201911119925.7A CN201911119925A CN110866524A CN 110866524 A CN110866524 A CN 110866524A CN 201911119925 A CN201911119925 A CN 201911119925A CN 110866524 A CN110866524 A CN 110866524A
- Authority
- CN
- China
- Prior art keywords
- license plate
- key point
- information
- image
- recognized
- 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.)
- Pending
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
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例公开了一种车牌检测方法、装置、设备及存储介质。包括:对待识别图像进行车牌识别,获得车牌信息;所述车牌信息包括车牌位置信息和第一置信度;若所述第一置信度大于第一设定阈值,则对车牌所在区域进行车牌关键点识别,获得车牌关键点信息;所述车牌关键点信息包括车牌关键点坐标及第二置信度;若所述第二置信度大于第二设定阈值,则待识别图像包含车牌。本公开实施例提供的车牌检测方法,对待识别图像首先进行车牌检测然后进行车牌关键点识别,从而确定待识别图像中是否包含车牌,可以降低车牌的误检率,从而提高车牌检测的准确性。
Description
技术领域
本公开实施例涉及车牌检测技术领域,尤其涉及一种车牌检测方法、装置、设备及存储介质。
背景技术
目前,不论是在各种交通场合、还是公共安全管理领域,抑或是无人驾驶领域,车牌检测可以给城市健康有序的管理带来诸多便捷。虽然车牌检测已经得到广泛应用,但是车牌检测技术仍然存在诸多难点,各方面性能还有很大的改进空间。
现有技术中,在对图像中的车牌进行检测时,对图像进行特征识别,若图像中存在与车牌特征相近的特征,则认为图像中有车牌。然而,在实际情况中,有很多物体与车牌有相类似的特征,那么这种方式使得车牌检测的误检率非常高,影响车牌检测的精度。
发明内容
本公开提供一种车牌检测方法、装置、设备及存储介质,以实现对图像中车牌的检测,可以提高车牌检测的准确性。
第一方面,本公开实施例提供了一种车牌检测方法,包括:
对待识别图像进行车牌识别,获得车牌信息;所述车牌信息包括车牌位置信息和第一置信度;
若所述第一置信度大于第一设定阈值,则对车牌所在区域进行车牌关键点识别,获得车牌关键点信息;所述车牌关键点信息包括车牌关键点坐标及第二置信度;
若所述第二置信度大于第二设定阈值,则待识别图像包含车牌。
第二方面,本公开实施例还提供了一种车牌检测装置,包括:
车牌信息获取模块,用于对待识别图像进行车牌识别,获得车牌信息;所述车牌信息包括车牌位置信息和第一置信度;
车牌关键点信息获取模块,用于当所述第一置信度大于第一设定阈值时,对车牌所在区域进行车牌关键点识别,获得车牌关键点信息;所述车牌关键点信息包括车牌关键点坐标及第二置信度;
车牌确定模块,用于若所述第二置信度大于第二设定阈值,则待识别图像包含车牌。
第三方面,本公开实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理装置;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理装置实现如本公开实施例所述的车牌检测方法。
第四方面,本公开实施例还提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现如本公开实施例所述的车牌检测方法。
本公开实施例,首先对待识别图像进行车牌识别,获得车牌信息;车牌信息包括车牌位置信息和第一置信度;若第一置信度大于第一设定阈值,则对车牌所在区域进行车牌关键点识别,获得车牌关键点信息;车牌关键点信息包括车牌关键点坐标及第二置信度;若第二置信度大于第二设定阈值,则待识别图像包含车牌。本公开实施例提供的车牌检测方法,对待识别图像首先进行车牌检测然后进行车牌关键点识别,从而确定待识别图像中是否包含车牌,可以降低车牌的误检率,从而提高车牌检测的准确性。
附图说明
图1是本公开实施例一中的一种车牌检测方法的流程图;
图2是本公开实施例一中的车牌信息的示例图;
图3是本公开实施例二中的一种车牌检测装置的结构示意图;
图4是本公开实施例三中的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。【序数词】
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
实施例一
图1为本公开实施例一提供的一种车牌检测方法的流程图,本实施例可适用于对图像中的车牌进行检测的情况,该方法可以由车牌检测装置来执行,该装置可由硬件和/或软件组成,并一般可集成在具有车牌检测功能的设备中,该设备可以是服务器、移动终端或服务器集群等电子设备。如图1所示,该方法具体包括如下步骤:
步骤110,对待识别图像进行车牌识别,获得车牌信息。
其中,车牌信息包括车牌位置信息和第一置信度。车牌的位置信息可以是车牌在待识别图像中所处区域的四个顶点的坐标信息,第一置信度可以表征该区域是车牌的概率。示例性的,图2为本实施例中的车牌信息的示例图,如图2所示,在待识别图像中检测到的车牌信息的置信度为0.8,车牌所在区域的四个顶点的坐标分别为(x1,y1)、(x2,y2)、(x3,y3)和(x4,y4)。具体的,对待识别图像进行特征识别,提取待识别图像中的车牌特征,获得待识别图像中包含的车牌信息。
可选的,对待识别图像进行车牌识别,获得车牌信息的方式可以是:将待识别图像输入设定车牌识别模型,获得车牌信息。
其中,设定车牌识别模型通过如下步骤获得:获取标注车牌信息的图像,作为正样本;获取未标注车牌信息的图像,作为负样本;根据正样本和负样本对设定神经网络进行训练,获得设定车牌识别模型。
其中,设定神经网络可以是卷积神经网络或者深度神经网络。具体的,在获得正样本和负样本后,将正样本和负样本输入设定神经网络,以对设定神经网络中的参数进行调节,从而实现对设定神经网络的训练,直到设定神经网络具有检测车牌的功能,获得设定车牌识别模型。
本实施例中,首先将待识别图像调整至满足车牌识别模型要求的尺寸,然后将调整尺寸后的待识别图像输入至车牌识别模型中,输出待识别图像中包含的车牌位置信息以及车牌的第一置信度。
步骤120,若第一置信度大于第一设定阈值,则对车牌所在区域进行车牌关键点识别,获得车牌关键点信息。
其中,车牌关键点信息包括车牌关键点坐标及第二置信度。车牌关键点坐标可以包括车牌四个顶点的坐标,第二置信度用于表征该区域包含车牌的概率。第一设定阈值可以设置为0.8-0.9之间的任意值。具体的,当第一置信度大于第一设定阈值时,对车牌所在区域的图像进行车牌关键点识别,获取车牌四个顶点的坐标以及车牌的第二置信度。
可选的,对车牌所在区域进行车牌关键点识别,获得车牌关键点信息的方式可以是:将车牌所在区域输入设定车牌关键点识别模型,获得车牌关键点信息。
其中,设定车牌关键点识别模型通过如下步骤获得:获取标注车牌关键点信息的图像,作为正样本;获取未标注车牌关键点信息的图像,作为负样本;根据正样本和负样本对设定神经网络进行训练,获得设定车牌识别模型。
其中,设定神经网络可以是卷积神经网络或者深度神经网络。具体的,在获得正样本和负样本后,将正样本和负样本输入设定神经网络,以对设定神经网络中的参数进行调节,从而实现对设定神经网络的训练,直到设定神经网络具有检测车牌关键点的功能,获得车牌识别模型。
本实施例中,首先将车牌所在区域图像调整至满足车牌关键点识别模型要求的尺寸,然后将调整尺寸后的图像输入至车牌关键点识别模型中,输出图像中包含的车牌关键点坐标信息以及车牌的第二置信度。
可选的,则对车牌所在区域进行车牌关键点识别,获得车牌关键点信息的过程可以是:将车牌所在区域扩大设定比例,对扩大的车牌区域进行车牌关键点识别,获得车牌关键点信息。
其中,设定比例可以是1.5-3倍之间的任意值。示例性的,假设设定比例是2倍,则将车牌所在区域的矩形框以区域的中心为基准,扩大至原矩形框的2倍,扩大2倍的矩形框截取的图像即为扩大设定比例后的区域图像。具体的,将车牌所在区域扩大设定比例后,将扩大的车牌区域输入设定车牌关键点识别模型,获得车牌关键点信息。
步骤130,若第二置信度大于第二设定阈值,则待识别图像包含车牌。
其中,第二设定阈值可以设置为0.9-0.95之间的任意值。第二设定值可以大于第一设定值。本实施例中,当第二置信度大于第二设定阈值时,则可以确定待识别图像中包含车牌,且将车牌关键点所围的区域确定为车牌。
本公开实施例的技术方案,首先对待识别图像进行车牌识别,获得车牌信息;车牌信息包括车牌位置信息和第一置信度;若第一置信度大于第一设定阈值,则对车牌所在区域进行车牌关键点识别,获得车牌关键点信息;车牌关键点信息包括车牌关键点坐标及第二置信度;若第二置信度大于第二设定阈值,则待识别图像包含车牌。本公开实施例提供的车牌检测方法,对待识别图像首先进行车牌检测然后进行车牌关键点识别,从而确定待识别图像中是否包含车牌,可以降低车牌的误检率,从而提高车牌检测的准确性。
可选的,对待识别图像进行车牌识别,获得车牌信息的方式可以是:若待识别图像为视频帧,则判断当前视频帧距离上一次识别车牌信息的视频帧的间隔是否小于设定值;若小于,则将上一次识别的车牌信息确定为当前视频帧的车牌信息。
其中,视频帧可以是监控视频中的视频帧,设定值可以10-20之间的任意值。在一个应用场景下,地下车库中的监控器对进出车辆进行监控,并对车牌进行检测,在短时间内,即使车辆是在移动,那么车牌的位置信息也不会有大幅度的变化,若对每一个视频帧都进行车牌检测,势必会增大数据的处理量,从而加大资源分配的压力。本实施例中,若是对视频中车牌的识别,那么可以先判断当前视频帧距离上一次识别车牌信息的视频帧的间隔是否小于设定值;若小于,则将上一次识别的车牌信息确定为当前视频帧的车牌信息,若大于,则继续对当前视频帧进行车牌检测。可选的,则将上一次识别的车牌信息确定为当前视频帧的车牌信息可以是,将上一次识别的车牌所在区域扩大设定比例后确定为当前视频帧中的车牌信息。每隔设定视频帧数重新对视频帧进行车牌检测,可以减少技术的数据量,较低资源的损耗。
实施例二
图3为本公开实施例二提供的一种车牌检测装置的结构示意图。如图3所示,该装置包括:车牌信息获取模块210,车牌关键点信息获取模块220和车牌确定模块230。
车牌信息获取模块210,用于对待识别图像进行车牌识别,获得车牌信息;车牌信息包括车牌位置信息和第一置信度;
车牌关键点信息获取模块220,用于当第一置信度大于第一设定阈值时,对车牌所在区域进行车牌关键点识别,获得车牌关键点信息;车牌关键点信息包括车牌关键点坐标及第二置信度;
车牌确定模块230,用于若第二置信度大于第二设定阈值,则待识别图像包含车牌。
可选的,车牌信息获取模块210,还用于:
将待识别图像输入设定车牌识别模型,获得车牌信息;
其中,设定车牌识别模型通过如下步骤获得:
获取标注车牌信息的图像,作为正样本;获取未标注车牌信息的图像,作为负样本;
根据正样本和负样本对设定神经网络进行训练,获得设定车牌识别模型。
可选的,车牌关键点信息获取模块220,还用于:
将车牌所在区域输入设定车牌关键点识别模型,获得车牌关键点信息;
其中,设定车牌关键点识别模型通过如下步骤获得:
获取标注车牌关键点信息的图像,作为正样本;获取未标注车牌关键点信息的图像,作为负样本;
根据正样本和负样本对设定神经网络进行训练,获得设定车牌识别模型。
可选的,车牌关键点信息获取模块220,还用于:
将车牌所在区域扩大设定比例,对扩大的车牌区域进行车牌关键点识别,获得车牌关键点信息。
可选的,车牌信息获取模块210,还用于:
若待识别图像为视频帧,则判断当前视频帧距离上一次识别车牌信息的视频帧的间隔是否小于设定值;
若小于,则将上一次识别的车牌信息确定为当前视频帧的车牌信息。
可选的,车牌关键点坐标包括车牌四个顶点的坐标。
上述装置可执行本公开前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本公开前述所有实施例所提供的方法。
实施例三
下面参考图4,其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端,或者各种形式的服务器,如独立服务器或者服务器集群。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储装置(ROM)302中的程序或者从存储装置305加载到随机访问存储装置(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行词语的推荐方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置305被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:包括:对待识别图像进行车牌识别,获得车牌信息;所述车牌信息包括车牌位置信息和第一置信度;若所述第一置信度大于第一设定阈值,则对车牌所在区域进行车牌关键点识别,获得车牌关键点信息;所述车牌关键点信息包括车牌关键点坐标及第二置信度;若所述第二置信度大于第二设定阈值,则待识别图像包含车牌。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开实施例的一个或多个实施例,本公开实施例提供了一种车牌检测方法,包括:
对待识别图像进行车牌识别,获得车牌信息;所述车牌信息包括车牌位置信息和第一置信度;
若所述第一置信度大于第一设定阈值,则对车牌所在区域进行车牌关键点识别,获得车牌关键点信息;所述车牌关键点信息包括车牌关键点坐标及第二置信度;
若所述第二置信度大于第二设定阈值,则待识别图像包含车牌。
进一步地,对待识别图像进行车牌识别,获得车牌信息,包括:
将待识别图像输入设定车牌识别模型,获得车牌信息;
其中,所述设定车牌识别模型通过如下步骤获得:
获取标注车牌信息的图像,作为正样本;获取未标注车牌信息的图像,作为负样本;
根据所述正样本和所述负样本对设定神经网络进行训练,获得设定车牌识别模型。
进一步地,对车牌所在区域进行车牌关键点识别,获得车牌关键点信息,包括:
将车牌所在区域输入设定车牌关键点识别模型,获得车牌关键点信息;
其中,所述设定车牌关键点识别模型通过如下步骤获得:
获取标注车牌关键点信息的图像,作为正样本;获取未标注车牌关键点信息的图像,作为负样本;
根据所述正样本和所述负样本对设定神经网络进行训练,获得设定车牌识别模型。
进一步地,则对车牌所在区域进行车牌关键点识别,获得车牌关键点信息,包括:
将车牌所在区域扩大设定比例,对扩大的车牌区域进行车牌关键点识别,获得车牌关键点信息。
进一步地,对待识别图像进行车牌识别,获得车牌信息,包括:
若待识别图像为视频帧,则判断当前视频帧距离上一次识别车牌信息的视频帧的间隔是否小于设定值;
若小于,则将上一次识别的车牌信息确定为当前视频帧的车牌信息。
进一步地,所述车牌关键点坐标包括车牌四个顶点的坐标。
注意,上述仅为本公开的较佳实施例及所运用技术原理。本领域技术人员会理解,本公开不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本公开的保护范围。因此,虽然通过以上实施例对本公开进行了较为详细的说明,但是本公开不仅仅限于以上实施例,在不脱离本公开构思的情况下,还可以包括更多其他等效实施例,而本公开的范围由所附的权利要求范围决定。
Claims (10)
1.一种车牌检测方法,其特征在于,包括:
对待识别图像进行车牌识别,获得车牌信息;所述车牌信息包括车牌位置信息和第一置信度;
若所述第一置信度大于第一设定阈值,则对车牌所在区域进行车牌关键点识别,获得车牌关键点信息;所述车牌关键点信息包括车牌关键点坐标及第二置信度;
若所述第二置信度大于第二设定阈值,则待识别图像包含车牌。
2.根据权利要求1所述的方法,其特征在于,对待识别图像进行车牌识别,获得车牌信息,包括:
将待识别图像输入设定车牌识别模型,获得车牌信息;
其中,所述设定车牌识别模型通过如下步骤获得:
获取标注车牌信息的图像,作为正样本;获取未标注车牌信息的图像,作为负样本;
根据所述正样本和所述负样本对设定神经网络进行训练,获得设定车牌识别模型。
3.根据权利要求1所述的方法,其特征在于,对车牌所在区域进行车牌关键点识别,获得车牌关键点信息,包括:
将车牌所在区域输入设定车牌关键点识别模型,获得车牌关键点信息;
其中,所述设定车牌关键点识别模型通过如下步骤获得:
获取标注车牌关键点信息的图像,作为正样本;获取未标注车牌关键点信息的图像,作为负样本;
根据所述正样本和所述负样本对设定神经网络进行训练,获得设定车牌识别模型。
4.根据权利要求1或3所述的方法,其特征在于,则对车牌所在区域进行车牌关键点识别,获得车牌关键点信息,包括:
将车牌所在区域扩大设定比例,对扩大的车牌区域进行车牌关键点识别,获得车牌关键点信息。
5.根据权利要求1所述的方法,其特征在于,对待识别图像进行车牌识别,获得车牌信息,包括:
若待识别图像为视频帧,则判断当前视频帧距离上一次识别车牌信息的视频帧的间隔是否小于设定值;
若小于,则将上一次识别的车牌信息确定为当前视频帧的车牌信息。
6.根据权利要求1所述的方法,其特征在于,所述车牌关键点坐标包括车牌四个顶点的坐标。
7.一种车牌检测装置,其特征在于,包括:
车牌信息获取模块,用于对待识别图像进行车牌识别,获得车牌信息;所述车牌信息包括车牌位置信息和第一置信度;
车牌关键点信息获取模块,用于当所述第一置信度大于第一设定阈值时,对车牌所在区域进行车牌关键点识别,获得车牌关键点信息;所述车牌关键点信息包括车牌关键点坐标及第二置信度;
车牌确定模块,用于若所述第二置信度大于第二设定阈值,则待识别图像包含车牌。
8.根据权利要求7所述的装置,其特征在于,车牌关键点信息获取模块,还用于:
将车牌所在区域扩大设定比例,对扩大的车牌区域进行车牌关键点识别,获得车牌关键点信息。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理装置;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理装置实现如权利要求1-6中任一所述的车牌检测方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现如权利要求1-6中任一所述的车牌检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911119925.7A CN110866524A (zh) | 2019-11-15 | 2019-11-15 | 车牌检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911119925.7A CN110866524A (zh) | 2019-11-15 | 2019-11-15 | 车牌检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110866524A true CN110866524A (zh) | 2020-03-06 |
Family
ID=69654565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911119925.7A Pending CN110866524A (zh) | 2019-11-15 | 2019-11-15 | 车牌检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866524A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990197A (zh) * | 2021-03-17 | 2021-06-18 | 浙江商汤科技开发有限公司 | 车牌识别方法及装置、电子设备和存储介质 |
WO2022048209A1 (zh) * | 2020-09-03 | 2022-03-10 | 平安科技(深圳)有限公司 | 车牌识别方法、装置、电子设备及存储介质 |
CN114399766A (zh) * | 2022-01-18 | 2022-04-26 | 平安科技(深圳)有限公司 | 光学字符识别模型训练方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318225A (zh) * | 2014-11-19 | 2015-01-28 | 深圳市捷顺科技实业股份有限公司 | 车牌检测方法及装置 |
CN107832762A (zh) * | 2017-11-06 | 2018-03-23 | 广西科技大学 | 一种基于多特征融合的车牌定位与识别方法 |
US20180114337A1 (en) * | 2016-10-20 | 2018-04-26 | Sun Yat-Sen University | Method and system of detecting and recognizing a vehicle logo based on selective search |
CN110020651A (zh) * | 2019-04-19 | 2019-07-16 | 福州大学 | 基于深度学习网络的车牌检测定位方法 |
-
2019
- 2019-11-15 CN CN201911119925.7A patent/CN110866524A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318225A (zh) * | 2014-11-19 | 2015-01-28 | 深圳市捷顺科技实业股份有限公司 | 车牌检测方法及装置 |
US20180114337A1 (en) * | 2016-10-20 | 2018-04-26 | Sun Yat-Sen University | Method and system of detecting and recognizing a vehicle logo based on selective search |
CN107832762A (zh) * | 2017-11-06 | 2018-03-23 | 广西科技大学 | 一种基于多特征融合的车牌定位与识别方法 |
CN110020651A (zh) * | 2019-04-19 | 2019-07-16 | 福州大学 | 基于深度学习网络的车牌检测定位方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022048209A1 (zh) * | 2020-09-03 | 2022-03-10 | 平安科技(深圳)有限公司 | 车牌识别方法、装置、电子设备及存储介质 |
CN112990197A (zh) * | 2021-03-17 | 2021-06-18 | 浙江商汤科技开发有限公司 | 车牌识别方法及装置、电子设备和存储介质 |
CN114399766A (zh) * | 2022-01-18 | 2022-04-26 | 平安科技(深圳)有限公司 | 光学字符识别模型训练方法、装置、设备及介质 |
CN114399766B (zh) * | 2022-01-18 | 2024-05-10 | 平安科技(深圳)有限公司 | 光学字符识别模型训练方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN110826567B (zh) | 光学字符识别方法、装置、设备及存储介质 | |
CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN110866524A (zh) | 车牌检测方法、装置、设备及存储介质 | |
CN110852258A (zh) | 物体检测方法、装置、设备及存储介质 | |
CN114494298A (zh) | 对象分割方法、装置、设备及存储介质 | |
CN110287817B (zh) | 目标识别及目标识别模型的训练方法、装置和电子设备 | |
CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
CN111126159A (zh) | 用于实时跟踪行人的方法、装置、电子设备和介质 | |
CN111797822B (zh) | 文字对象评价方法、装置和电子设备 | |
CN110852242A (zh) | 基于多尺度网络的水印识别方法、装置、设备及存储介质 | |
CN115408609A (zh) | 泊车路线推荐方法、装置、电子设备和计算机可读介质 | |
CN113033552B (zh) | 文本识别方法、装置和电子设备 | |
WO2022052889A1 (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
CN110796144B (zh) | 车牌检测方法、装置、设备及存储介质 | |
CN114612909A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN111694875B (zh) | 用于输出信息的方法和装置 | |
CN110334763B (zh) | 模型数据文件生成、图像识别方法、装置、设备及介质 | |
CN114004229A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN113705386A (zh) | 视频分类方法、装置、可读介质和电子设备 | |
CN112418233A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN110991312A (zh) | 生成检测信息的方法、装置、电子设备和介质 | |
CN112346630B (zh) | 状态确定方法、装置、设备和计算机可读介质 | |
CN111797932B (zh) | 图像分类方法、装置、设备和计算机可读介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200306 |
|
RJ01 | Rejection of invention patent application after publication |