CN111325209B - 一种车牌识别方法和*** - Google Patents
一种车牌识别方法和*** Download PDFInfo
- Publication number
- CN111325209B CN111325209B CN201811529296.0A CN201811529296A CN111325209B CN 111325209 B CN111325209 B CN 111325209B CN 201811529296 A CN201811529296 A CN 201811529296A CN 111325209 B CN111325209 B CN 111325209B
- Authority
- CN
- China
- Prior art keywords
- license plate
- plate image
- character
- image
- standardized
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 16
- 238000011049 filling Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011068 loading method Methods 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 8
- 238000005286 illumination Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 239000003086 colorant Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Character Input (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及一种车牌识别方法和***。方法包括以下步骤：接收原始车牌图像并对原始车牌图像进行处理，得到标准化车牌图像；基于单次检测器对所述标准化车牌图像进行字符定位和判断，采用背景扩张的方法对所述标准化车牌图像进行归一化处理，得到目标车牌图像；输入DeepOCR模型对所述目标车牌图像进行识别，获取目标车牌字符信息。本发明便于克服传统车牌识别算法在装卸口车牌识别中存在的劣势，大大提高了车牌识别的识别率，使复杂背景下的装卸口也能运用智能车牌识别***进行车辆的管理，这大大提高了装卸口中车辆的监控和管理能力。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种车牌识别方法和***。
背景技术
传统的车牌识别***是利用传统的图像处理方法，如图像投影、形态学、梯度等方法进行图像特征提取，从而完成字符的分割，同时利用该类特征以及传统机器学习的方法对字符完成识别。针对货运装卸口货车车牌，该方法有较大的劣势，第一，特征选取困难，且选取的工作量较大，结果也不稳定。原因是因为装卸口情况复杂多样，人工挑选的特征很难适应各类状态。第二，缺乏数据驱动，特征泛化能力不足，不能适应较为复杂的背景。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种车牌识别方法和***。
根据本发明的一个方面，提供了一种车牌识别方法，包括以下步骤：
接收原始车牌图像并对原始车牌图像进行处理，得到标准化车牌图像；
基于单次检测器对所述标准化车牌图像进行字符定位和判断，采用背景扩张的方法对所述标准化车牌图像进行归一化处理，得到目标车牌图像；
输入DeepOCR模型对所述目标车牌图像进行识别，获取目标车牌字符信息。
作为优选，所述接收原始车牌图像并对原始车牌图像进行处理，得到标准化车牌图像，包括：
转换原始车牌图像的颜色空间；
采集并设置原始车牌图像的背景图像数据。
作为优选，采用训练好的单次检测器对所述标准化车牌图像进行字符定位和判断，包括：
基于二分类法对所述标准化车牌图像进行字符定位和判断；
基于单次检测器判断所述标准化车牌图像是否为字符。
作为优选，输入DeepOCR模型对所述目标车牌图像进行识别，获取目标车牌字符信息，包括：
基于DeepOCR模型对所述目标车牌图像进行字符特征提取，获取字符特征，对所述字符特征进行处理，获取所述目标车牌信息。
作为优选，采用背景扩张的方法对所述标准化车牌图像进行归一化处理，得到目标车牌图像，包括：
采用阈值法提取字符；
设定背景填充的像素值，对原始车牌图像进行填充；
映射字符于目标车牌图像。
根据本发明的另一个方面，提供了一种车牌识别***，包括：
图像处理单元，配置用于接收原始车牌图像并对原始车牌图像进行处理，得到标准化车牌图像；
字符定位单元，配置用于基于单次检测器对所述标准化车牌图像进行字符定位和判断，采用背景扩张的方法对所述标准化车牌图像进行归一化处理，得到目标车牌图像；
字符识别单元，配置用于输入DeepOCR模型对所述目标车牌图像进行识别，获取目标车牌字符信息。
作为优选，所述图像处理单元包括：
第一图像处理子单元，配置用于转换原始车牌图像的颜色空间；
第二图像处理子单元，配置用于采集并设置原始车牌图像的背景图像数据。
作为优选，所述字符定位单元包括：
二分类子单元，配置用于基于二分类法对所述标准化车牌图像进行字符定位和判断；
字符判断子单元，配置用于基于单次检测器判断所述标准化车牌图像是否为字符。
作为优选，所述字符识别单元包括：
字符特征处理子单元，配置用于基于DeepOCR模型对所述目标车牌图像进行字符特征提取，获取字符特征，对所述字符特征进行处理，获取所述目标车牌信息。
作为优选，所述字符定位单元包括：
字符提取模块，配置用于采用阈值方法提取字符；
图像填充模块，配置用于设定背景填充的像素值，对原始车牌图像进行填充；
字符映射模块，配置用于映射字符于目标车牌图像。
与现有技术相比，本发明具有以下有益效果：
1、本发明示例的一种车牌识别方法，接收原始车牌图像并对原始车牌图像进行处理，得到标准化车牌图像；基于单次检测器对所述标准化车牌图像进行字符定位和判断，采用背景扩张的方法对所述标准化车牌图像进行归一化处理，得到目标车牌图像；输入DeepOCR模型对所述目标车牌图像进行识别，获取目标车牌字符信息。
不需要对网络进行特殊的设计，充分利用了已有的可用数据，采用通用的网络结构依旧可以达到不错的效果，充分发挥了深度卷积网络的优势，具有设计简单，鲁棒性较佳，检测准确率高，漏检率低的优点。因此，能较好地克服了传统车牌识别算法在装卸口车牌识别中存在的劣势，大大提高了车牌识别的识别率，使复杂背景下的装卸口也能运用智能车牌识别***进行车辆的管理，这大大提高了装卸口中车辆的监控和管理能力。
2、本发明示例的一种车牌识别***，包括图像处理单元，配置用于接收原始车牌图像并对原始车牌图像进行处理，得到标准化车牌图像；字符定位单元，配置用于基于单次检测器对所述标准化车牌图像进行字符定位和判断，采用背景扩张的方法对所述标准化车牌图像进行归一化处理，得到目标车牌图像；字符识别单元，配置用于输入DeepOCR模型对所述目标车牌图像进行识别，获取目标车牌字符信息。
通过上述单元相互协作，提高了车牌的识别率，使复杂背景下的装卸口也能运用智能车牌识别***进行车辆的管理，这有利于装卸口中车辆管理和监控能力的提高。
附图说明
图1为本发明流程图；
图2为本发明训练过程和运行过程的流程框图。
具体实施方式
为了更好的了解本发明的技术方案，下面结合具体实施例、说明书附图对本发明作进一步说明。
实施例一：
本实施例的一种车牌识别方法，包括：
S1、接收原始车牌图像并对原始车牌图像进行处理，得到标准化车牌图像；
其中，S1包括：
转换原始车牌图像的颜色空间；
采集并设置原始车牌图像的背景图像数据。
具体的，原始拍摄图像是采用拍摄设备拍摄后直接获取到的图像，可以是在固定的应用场景下拍摄到的图像，也可以是在自然的应用场景下拍摄到的图像，一般为RGB图像，即为真彩图像。根据三基色原理，每一种颜色都可以由红、绿、蓝三种基色按不同的比例构成。
图像数据的基础存储结构是按照RGB(红绿蓝)排列的，多种状态下RGB不能很好表达颜色的状态，所以，图像的颜色空间转换到HSV(色度、饱和度、纯度)空间，具体转换如下：设(r,g,b)分别是一个颜色的红、绿和蓝坐标，它们的值是在0到1之间的实数。设max等价于r,g和b中的最大者。设min等于这些值中的最小者。要找到在HSV空间中的(h,s,v)值，这里的h∈[0,360)是角度的色相角，而s,v∈[0,1]是饱和度和亮度，计算为：
ν＝max
其中：黄色和蓝色的HSV通道的取值。
蓝色：H～[190，245]，S～[0.35,1],V～[0.3,1]
黄色：H～[28，55]，S～[0.35,1],V～[0.3,1]
在H通道上，黄色和蓝色能较大程度地区分，相对稳定。
炫光情况下，在同种颜色下，只有V通道的值相对变化较大，所以，基于HSV的空间能很好地区分车牌种类。
根据车牌的类型，再利用图像模糊技术，这里利用核大小为(100x100)均值滤波方式求解背景，再把均值后的图和原图进行差分，再根据颜色的类型进行梯度拉伸，最终形成标准化车牌图像。图像灰度形态学抑制前景信号，突出背景信号，同时利用均值滤波器平滑背景信号，然后利用该平滑的背景信号和原图进行对减，最终求得图像的前景信号，再利用灰度归一化，把图像的灰阶归一化到[0,255]，最终得到标准化图像。
在RGB模型中，如果R＝G＝B，则颜色表示一种灰度颜色，其中R＝G＝B的值叫做灰度值，有彩色转换为灰度的过程叫做灰度化处理。此时的标准化车牌图像为字符是像素灰度值较高的前景，背景偏黑色，大小为600x300，但是图像噪点较多。收集该类图片约3000张，同时对图片进行人工标注，字符的标签为target，最后把数据制作成特定的数据库。
在算法运行的时候，需要对图像进行标准化。原因有两点，第一，车牌占据全图的面积较少(全图的长*宽为1280*960，其中的车牌的大小为120*64)，导致车牌的分辨率过低，最终影响了车牌字符清晰度。第二，装卸口的车牌按底色和字符颜色分类，大概有以下几类，黑底白字，黄底黑字，绿底黑字，蓝底白字，除此之外，由于外部光照影响，出现的的反光颜色不少于128种。各种状态的底色直接影响字符的对比度，从而影响字符分割的质量。
S2、基于单次检测器对所述标准化车牌图像进行字符定位和判断，采用背景扩张的方法对所述标准化车牌图像进行归一化处理，得到目标车牌图像；
其中，S2包括：
基于二分类法对所述标准化车牌图像进行字符定位和判断；
基于单次检测器判断所述标准化车牌图像是否为字符。
其中，S2还包括：
采用阈值法提取字符；
设定背景填充的像素值，对原始车牌图像进行填充；
映射字符于目标车牌图像。
具体的，利用背景填充的方法进行图像大小的归一化，所谓背景填充是指，把字符通过阈值的方式提取出来后，背景所有像素的均值作为背景填充的像素值，最后利用该像素值进行上下左右四个方位的填充，直到图片大小和设定的大小一致，最后把前景，也就是字符，通过仿射变换映射回图像中，最终形成归一化。这与传统的插值方式相比，最大的优势是保存了原有的字符形态特性，而又得到同一尺寸的图像。
单次检测器(Single Shot MultiBox Detector，以下简称SSD模型)是采用单个深度神经网络模型实现目标检测和识别的模型。本实施例中，SSD模型在使用之前，需要经过训练。SSD模型采用VGG-16作为基础网络，加入辅助结构形成深度学习模型对字符进行定位，且把字符定位的问题简化成简单的二分类问题(一类是字符，另一类为背景)。
针对字符识别和定位任务，目前较为常规的做法是，把字符的定位和识别放在同一个任务中训练，这使得SSD网络既要完成识别的多分类(约35类)任务，也要完成定位任务，而且该方法一般基于彩色图像进行。由于外界环境变化较多，神经网络容差多有的信息难度较大，最后收敛的精度也会有所影响。对此，降低图像的信息，形成标准化图像。同时，只需要SSD完成字符的定位任务，既让SSD网络只需辨识什么是字符，什么是非字符，不关心字符具体是哪个数字或者字符。此时SSD只需完成一个二分类问题，既保证了精度，又保证了速度。
SSD在判断是否是字符时，利用了神经网络提取特征的能力，把字符的特征形成一个多维向量，再利用softmax进行归一化，再利用交叉熵损失函数来衡量目标是否是字符，其中softmax的数学表达如下：
交叉熵数学表达如下：
SSD模型是通过VGG-16把含有字符和背景的归一化图像进行特征提取的，因为图像中除了字符外还有其他的光照干扰信号，从归一化图像的设计思路出发，该光照干扰信号理应属于前景信号，与图像字符属于一个范畴，但是对于字符来讲，它属于背景信号，这使得定义前景和背景的时候出现了矛盾。同时，同一字符的形态间千姿百态，不同字符间更是形态不一，若SSD模型要区分开所有的信号差异，如前景中光照扰动信号和字符的差异，每个不同字符的差异等，其分类精度不足，通过观察，发现光照扰动信号和字符信号相差甚远，VGG-16更容易学习该类差异，所以这里仅利用VGG-16提取字符和非字符(如光照扰动)的特征，然后通过交叉熵函数评价特征和人为的分类是否类似，最终把字符分类转化为这个二分类结构。
对于每个字符的判断，图像通过人为预先标定后，如坐标点(x,y)的像素属于字符等，得到一个包含所有字符像素的外接矩形框，然后利用不同大小的卷积核对归一化图像进行卷积操作，得到特征图，然后把它转化为特征向量，然后利用该向量回归一个外接矩形，最终利用欧式距离评价生成的外接矩形和人为标注的矩形的距离，当两个距离在合适的范围内，该外接矩形包含的像素即为字符像素。从而判断出字符的位置。
利用二分类法能忽略了字符本身的差异，而且能很好的克服字符数据分布不均衡的问题，最终能准确定位出各个字符。
S3、输入DeepOCR模型对所述目标车牌图像进行识别，获取目标车牌字符信息。
其中，S3包括：
基于DeepOCR模型对所述目标车牌图像进行字符特征提取，获取字符特征，对所述字符特征进行处理，获取所述目标车牌信息。
由于SSD模型是深度神经网络模型，用于车牌字符识别使得过程较为繁琐，因此采用DeepOCR模型对车牌图像进行识别。对获取的同一大小的字符图像，选用DeepOCR网络进行字符分类。该网络的优势是网络参数较少，计算速度快，准确度高。
DeepOCR全称是：Deep convolution network for Optical CharacterRecognition，是一个浅层卷积神经网络，这个网路由7层网络结构组成，第一层，数据层，主要是加载字符数据，并进行字符预处理，这里的预处理包括字符的缩放和镜像投影。第二到第六层，是卷积层和激活函数的组合层，共5层，主要是提取字符的特征，这里所有的特征都是网络自动学习，数据自我驱动得到的。最后一层是损失层，这里输入学习到的特征到softmax函数以及交叉熵函数进行字符的评判，最后通过迭代修正，完成字符的识别任务。
DeepOCR是一个由三个卷积层，两个池化层，两个激活函数和一个损失函数组成的小型神经网络，三个卷积层主要是提取每个字符的边缘特征，然后池化层主要是对图像降维，使得卷积层提取高维特征成为可能。而激活函数主要提高该网络的非线性拟合能力，使得网络适应不同字符的特征，并进行表达。损失函数主要是评价网络生成的字符特征和人为分类好的字符特征之间的差距，这是网络的优化目标。通过该小型网络，利用梯度下降的方法，可使得网络学习到每个字符的特征，最后经过损失层的评价，可让网络具有分类字符的能力。
如图2所示，DeepOCR在使用之前，需要经过训练。在训练过程中，还需判断迭代情况，如果不满足迭代的条件，这里是迭代次数大于10000，则需重新采用SSD对字符进行定位，迭代次数加一，直到满足条件为止。
运行过程与训练过程相当，不同点仅仅是从数据库的输入转变为实时数据流的输入，不加以陈述。
本实施例的一种车牌识别***，包括：
图像处理单元，配置用于接收原始车牌图像并对原始车牌图像进行处理，得到标准化车牌图像；
字符定位单元，配置用于基于单次检测器对所述标准化车牌图像进行字符定位和判断，采用背景扩张的方法对所述标准化车牌图像进行归一化处理，得到目标车牌图像；
字符识别单元，配置用于输入DeepOCR模型对所述目标车牌图像进行识别，获取目标车牌字符信息。
其特征在于，所述图像处理单元包括：
第一图像处理子单元，配置用于转换原始车牌图像的颜色空间；
第二图像处理子单元，配置用于采集并设置原始车牌图像的背景图像数据。
优选的，所述字符定位单元包括：
二分类子单元，配置用于基于二分类法对所述标准化车牌图像进行字符定位和判断；
字符判断子单元，配置用于基于单次检测器判断所述标准化车牌图像是否为字符。
优选的，所述字符识别单元包括：
字符特征处理子单元，配置用于基于DeepOCR模型对所述目标车牌图像进行字符特征提取，获取字符特征，对所述字符特征进行处理，获取所述目标车牌信息。
优选的，所述字符定位单元包括：
字符提取模块，配置用于采用阈值方法提取字符；
图像填充模块，配置用于设定背景填充的像素值，对原始车牌图像进行填充；
字符映射模块，配置用于映射字符于目标车牌图像。
本实施例还提供了一种设备，所述设备包括：
一个或多个处理器；
数据存储器，用于获取与存储数据以及一个或多个程序；
输入输出装置，用于实现设备的输入输出功能；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行上述的方法。
所述设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。所述设备可以是服务器，所述服务器包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。所述设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual PrivateNetwork，VPN)等。
存储器用于存储车牌识别方法方法的程序和各种数据，并在设备运行过程中实现高速、自动地完成程序或数据的存取。存储器可以是设备的外部存储设备和/或内部存储装置。
进一步地，存储器可以是集成电路中没有实物形式的具有存储功能的电路，如RAM(Random-Access Memory，随机存取存储设备)、FIFO(First In First Out，)等，或者，存储器也可以是具有实物形式的存储设备，如内存条、TF卡(Trans-flash Card)等等。
处理器可以是中央处理器(CPU，Central Processing Unit)。CPU是一块超大规模的集成电路，是设备的运算核心(Core)和控制核心(Control Unit)。处理器可执行设备的操作***以及安装的各类应用程序、程序代码等，例如执行车牌识别***中的各个模块或者单元中的操作***以及安装的各类应用程序、程序代码，以实现车牌识别方法。
输入输出装置主要用于实现设备的输入输出功能，比如收发输入的数字或字符信息，或显示由用户输入的信息或提供给用户的信息以及设备的各种菜单。
本实施例提供一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现上述的方法。
所述设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本实施例中，应该理解到，所揭露的方法和***，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述业务模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本实施例中的各业务模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能。
Claims (4)
1.一种车牌识别方法，其特征是，包括：
接收原始车牌图像并对原始车牌图像进行处理，得到标准化车牌图像；
基于单次检测器对所述标准化车牌图像进行字符定位和判断，采用背景扩张的方法对所述标准化车牌图像进行归一化处理，得到目标车牌图像；
输入DeepOCR模型对所述目标车牌图像进行识别，获取目标车牌字符信息；
其中，所述接收原始车牌图像并对原始车牌图像进行处理，得到标准化车牌图像，包括：
转换原始车牌图像的颜色空间；
采集并设置原始车牌图像的背景图像数据；
基于单次检测器对所述标准化车牌图像进行字符定位和判断，包括：
基于二分类法对所述标准化车牌图像进行字符定位和判断；
基于单次检测器判断所述标准化车牌图像是否为字符；
采用背景扩张的方法对所述标准化车牌图像进行归一化处理，得到目标车牌图像，包括：
采用阈值法提取字符；
设定背景填充的像素值，对原始车牌图像进行填充；
映射字符于目标车牌图像。
2.根据权利要求1所述的车牌识别方法，其特征在于，输入DeepOCR模型对所述目标车牌图像进行识别，获取目标车牌字符信息，包括：
基于DeepOCR模型对所述目标车牌图像进行字符特征提取，获取字符特征，对所述字符特征进行处理，获取所述目标车牌字符信息。
3.一种车牌识别***，其特征在于，包括：
图像处理单元，配置用于接收原始车牌图像并对原始车牌图像进行处理，得到标准化车牌图像；
字符定位单元，配置用于基于单次检测器对所述标准化车牌图像进行字符定位和判断，采用背景扩张的方法对所述标准化车牌图像进行归一化处理，得到目标车牌图像；
字符识别单元，配置用于输入DeepOCR模型对所述目标车牌图像进行识别，获取目标车牌字符信息；
其中，所述图像处理单元包括：
第一图像处理子单元，配置用于转换原始车牌图像的颜色空间；
第二图像处理子单元，配置用于采集并设置原始车牌图像的背景图像数据；
所述字符定位单元包括：
二分类子单元，配置用于基于二分类法对所述标准化车牌图像进行字符定位和判断；
字符判断子单元，配置用于基于单次检测器判断所述标准化车牌图像是否为字符；
字符提取模块，配置用于采用阈值方法提取字符；
图像填充模块，配置用于设定背景填充的像素值，对原始车牌图像进行填充；
字符映射模块，配置用于映射字符于目标车牌图像。
4.根据权利要求3所述的车牌识别***，其特征在于，所述字符识别单元包括：
字符特征处理子单元，配置用于基于DeepOCR模型对所述目标车牌图像进行字符特征提取，获取字符特征，对所述字符特征进行处理，获取所述目标车牌字符信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811529296.0A CN111325209B (zh) | 2018-12-14 | 2018-12-14 | 一种车牌识别方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811529296.0A CN111325209B (zh) | 2018-12-14 | 2018-12-14 | 一种车牌识别方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111325209A CN111325209A (zh) | 2020-06-23 |
| CN111325209B true CN111325209B (zh) | 2024-06-07 |
Family
ID=71172289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811529296.0A Active CN111325209B (zh) | 2018-12-14 | 2018-12-14 | 一种车牌识别方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111325209B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488876B (zh) * | 2020-06-28 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的车牌识别方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
| CN107273896A (zh) * | 2017-06-15 | 2017-10-20 | 浙江南自智能科技股份有限公司 | 一种基于图像识别的车牌检测识别方法 |
| CN107679531A (zh) * | 2017-06-23 | 2018-02-09 | 平安科技（深圳）有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
| CN108052937A (zh) * | 2017-12-28 | 2018-05-18 | 百度在线网络技术（北京）有限公司 | 基于弱监督的字符检测器训练方法、装置、***及介质 |
| CN108416348A (zh) * | 2018-01-29 | 2018-08-17 | 重庆邮电大学 | 基于支持向量机和卷积神经网络的车牌定位识别方法 |
| CN108830192A (zh) * | 2018-05-31 | 2018-11-16 | 珠海亿智电子科技有限公司 | 车载环境下基于深度学习的车辆与车牌检测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012098452A1 (en) * | 2011-01-18 | 2012-07-26 | Rtc Vision Ltd. | System and method for improved character recognition in distorted images |
| US9536315B2 (en) * | 2015-01-13 | 2017-01-03 | Xerox Corporation | Annotation free license plate recognition method and system |
| KR101873576B1 (ko) * | 2016-10-31 | 2018-07-03 | 한국전자통신연구원 | 자동차 번호판 정보 인식 시스템 및 방법 |
-
2018
- 2018-12-14 CN CN201811529296.0A patent/CN111325209B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
| CN107273896A (zh) * | 2017-06-15 | 2017-10-20 | 浙江南自智能科技股份有限公司 | 一种基于图像识别的车牌检测识别方法 |
| CN107679531A (zh) * | 2017-06-23 | 2018-02-09 | 平安科技（深圳）有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
| CN108052937A (zh) * | 2017-12-28 | 2018-05-18 | 百度在线网络技术（北京）有限公司 | 基于弱监督的字符检测器训练方法、装置、***及介质 |
| CN108416348A (zh) * | 2018-01-29 | 2018-08-17 | 重庆邮电大学 | 基于支持向量机和卷积神经网络的车牌定位识别方法 |
| CN108830192A (zh) * | 2018-05-31 | 2018-11-16 | 珠海亿智电子科技有限公司 | 车载环境下基于深度学习的车辆与车牌检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111325209A (zh) | 2020-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108717524B (zh) | 一种基于双摄手机和人工智能***的手势识别*** | |
| CN111488756B (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
| CN109344701A (zh) | 一种基于Kinect的动态手势识别方法 | |
| CN103413147B (zh) | 一种车牌识别方法和*** | |
| WO2017092431A1 (zh) | 基于肤色的人手检测方法及装置 | |
| CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
| CN111275696B (zh) | 一种医学图像处理的方法、图像处理的方法及装置 | |
| CN108090511B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN106951869B (zh) | 一种活体验证方法及设备 | |
| CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
| CN116309607B (zh) | 基于机器视觉的船艇式智能水上救援平台 | |
| CN106650606A (zh) | 人脸图像的匹配及处理方法、人脸图像模型构建*** | |
| CN109977834B (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
| CN116681636B (zh) | 基于卷积神经网络的轻量化红外与可见光图像融合方法 | |
| CN105678318A (zh) | 交通标牌的匹配方法及装置 | |
| CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
| CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 | |
| Tan et al. | Image haze removal based on superpixels and Markov random field | |
| CN108711160A (zh) | 一种基于hsi增强性模型的目标分割方法 | |
| CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
| CN115100240A (zh) | 视频中的物体追踪方法及装置、电子设备、存储介质 | |
| CN113128428B (zh) | 基于深度图预测的活体检测方法和相关设备 | |
| CN106980371A (zh) | 一种基于临近异构分布式结构的移动增强现实交互方法 | |
| CN111325209B (zh) | 一种车牌识别方法和*** | |
| CN110910497B (zh) | 实现增强现实地图的方法和*** |
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 |