CN111652222A - 车牌定位方法与装置和计算机设备及存储介质 - Google Patents
车牌定位方法与装置和计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111652222A CN111652222A CN202010677544.7A CN202010677544A CN111652222A CN 111652222 A CN111652222 A CN 111652222A CN 202010677544 A CN202010677544 A CN 202010677544A CN 111652222 A CN111652222 A CN 111652222A
- Authority
- CN
- China
- Prior art keywords
- image
- license plate
- template
- images
- rectangle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 239000012535 impurity Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
本发明公开了一种车牌定位方法与装置和计算机设备及存储介质，方法包括：利用模板匹配法对获取的图像进行车牌定位并得到匹配结果，计算其最佳匹配分值，再计算模板图比较分值，判断是否存在图像的模板图比较分值大于预设值；当存在图像的模板图比较分值大于预设值，使用COMPARE_SSIM算法对图像进行校验，若检验结果大于设置值，则完成车牌定位；当不存在图像的模板图比较分值大于预设值，使用矩形检测算法对图像进行处理，再利用COMPARE_SSIM算法对图像进行校验，若检验结果大于设置值，则完成车牌定位。根据计算的模板图比较分值确定使用COMPARE_SSIM算法或矩形检测与COMPARE_SSIM算法结合的处理方式对车牌进行定位，可以以较快的速度和准确率定位车牌图像中的车牌区域。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种车牌定位方法与装置和计算机设备及存储介质。
背景技术
智能交通是当前交通管理发展的主要方向，是目前世界交通运输领域的前沿研究课题，车牌识别技术则是智能交通***的核心，是计算机图像处理技术和模式识别技术在智能交通领域的应用，车牌识别技术广泛应用于车辆收费与管理、交通流量检测、停车场收费管理、违章车辆监控、假牌照车辆识别等具体问题中。随着计算机性能的提高和图像处理技术的发展，车牌识别技术已经日趋成熟。
车牌识别过程基本分为三个步骤：车牌定位、字符切割和字符识别。其中车牌定位技术是车牌识别技术中至关重要的一步，作为整个车牌识别过程的第一步，车牌的成功定位与否直接影响到后续的步骤，从而决定了车牌识别的速度和识别率。为了准确、快速地定位出车牌区域，人们已经研究了许多定位方法。比较普遍的车牌定位方法有：1、基于字符跳变特征车牌定位，2、基于颜色与边缘特征相结合的车牌定位，3、基于深度学习的车牌定位。
尽管现有的车牌定位方法在光照和天气条件理想的条件下，针对车头车尾等部位，能够取得一些成果，但是由于车牌识别***的应用越来越广泛，采集到的车牌图像场景越来越复杂，天气条件的变化程度导致采集到不同质量的车牌图像，在车牌的颜色信息不明显和边缘信息受到干扰时，现有方法的性能都不是很理想。
在实际情况中，现有技术中的车牌定位方法在采集到的车牌图像质量不佳时，可能会出现以下缺点：1)经过膨胀运算的车牌图像中除了车牌的区域会粘连起来，一些其他的区域也会粘连起来，这样就形成了多个车牌候选区域，增加了后续处理的复杂度；2)经过膨胀运算的车牌图像中的车牌部分经常会和车辆的其他部分粘连起来，使本来含车牌的区域被误认为不是车牌候选区域；3)当车辆在车牌图像中的位置处于较远或较近时，车牌图像中的车牌位置大小是不同的，导致车牌图像在进行膨胀计算时的参数不易控制，例如参数只适合远处的车牌，那么近处的车牌就会出现断裂。一旦处理过后的图片有这些缺点，将会给后续车牌识别带来较大困难，从而造成车牌定位慢和定位不准的现象。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
基于上述原因，本发明提出了一种车牌定位方法与装置和计算机设备及存储介质。
发明内容
为了满足上述要求，本发明第一个目的在于提供一种车牌定位方法。
本发明的第二个目的在于提供一种车牌定位装置。
本发明的第三个目的在于提供一种车牌定位计算机设备。
本发明的第四个目的在于提供一种非临时性计算机可读存储介质，其上存储有计算机程序。
为了实现上述目的，本发明采用以下技术方案：
第一方面，提供了一种车牌定位方法，包括以下步骤：
利用模板匹配法对获取的图像进行车牌定位并得到匹配结果，计算其最佳匹配分值，再计算模板图比较分值，判断是否存在图像的模板图比较分值大于预设值；
当存在图像的模板图比较分值大于预设值，使用COMPARE_SSIM算法对图像进行校验，若检验结果大于设置值，则完成车牌定位；
当不存在图像的模板图比较分值大于预设值，使用矩形检测算法对图像进行处理，再利用COMPARE_SSIM算法对图像进行校验，若检验结果大于设置值，则完成车牌定位。
在一个可能的实施方式中，所述利用模板匹配法对获取的图像进行车牌定位并得到匹配结果的步骤之前还包括预先收集与归纳若干模板图。
在一个可能的实施方式中，所述利用模板匹配法对获取的图像进行车牌定位并得到匹配结果的步骤利用归一化的相关系数对图像进行匹配。
在一个可能的实施方式中，所述使用矩形检测算法对图像进行处理包括：
将图像二值化；
检索二值化的图像中所有轮廓并将其放于列表，对轮廓进行杂质处理，计算列表中的轮廓能形成最小区域边界矩形；
从所述最小区域边界矩形中提取一个新图像用于检验。
在一个可能的实施方式中，所述计算列表中的轮廓能形成最小区域边界矩形的步骤包括：
获取图像中长宽之比为1.8-3.6之间、长宽之乘积在2000px-10000px之间、矩形底部与x轴形成的夹角不超过30度、矩形中心点所在位置均在图片四周尺寸0.8倍之内的区域边界矩形。
在一个可能的实施方式中，所述从所述最小区域边界矩形中提取一个新图像用于检验的步骤还包括，对于无角度的矩形通过图像截取函数对图像进行截取。
在一个可能的实施方式中，所述从所述最小区域边界矩形中提取一个新图像用于检验的步骤还包括，对有角度的矩形进行旋转角度使之水平，通过矩阵计算重新得到矩形的坐标，再根据矩形的坐标截取图像。
在另一方面，本发明提出了一种车牌定位装置，包括以下单元：
模板匹配单元，用于利用模板匹配法对获取的图像进行车牌定位并得到匹配结果，计算其最佳匹配分值，再计算模板图比较分值，判断是否存在图像的模板图比较分值大于预设值；
COMPARE_SSIM校验单元，用于当存在图像的模板图比较分值大于预设值，使用COMPARE_SSIM算法对图像进行校验，若检验结果大于设置值，则完成车牌定位；
矩形检测单元，用于当不存在图像的模板图比较分值大于预设值，使用矩形检测算法对图像进行处理，再利用COMPARE_SSIM算法对图像进行校验，若检验结果大于设置值，则完成车牌定位。
在第三方面，本发明提出了一种车牌定位计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车牌定位程序，所述车牌定位程序被所述处理器执行时实现如上述任一项所述的车牌定位方法。
在第四方面，本发明提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一项所述的车牌定位方法。
相比于现有技术，本发明的有益效果在于：采用本方案的车牌定位方法，通过在采样图像之后首先利用基于归一化的相关系数匹配原理的模板匹配法对图像进行匹配，随后根据计算的模板图比较分值确定使用COMPARE_SSIM算法或矩形检测与COMPARE_SSIM算法结合的处理方式对车牌进行定位，可以以较快的速度和准确率定位车牌图像中的车牌区域。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
图1是本发明一种车牌定位方法的具体实施例流程示意图；
图2是本发明一种车牌定位装置的具体实施例的框架示意图；
图3是本发明一种车牌定位计算机设备的具体实施例的框架示意图；
图4是本发明一种非临时性计算机可读存储介质的具体实施例的框架示意图；
图5是本发明一种车牌定位方法的车辆图像操作流程中状态示意图；
图6是本发明一种车牌定位方法的车辆图像包括若干矩形区域的状态示意图。
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做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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
如图1所示的方法流程图，为本发明实施例一，一种车牌定位方法包括以下步骤：
步骤S1，利用模板匹配法对获取的图像进行车牌定位并得到匹配结果，计算其最佳匹配分值，再计算模板图比较分值，判断是否存在图像的模板图比较分值大于预设值；
步骤S2，当存在图像的模板图比较分值大于预设值，使用COMPARE_SSIM算法对图像进行校验，若检验结果大于设置值，则完成车牌定位；
步骤S3，当不存在图像的模板图比较分值大于预设值，使用矩形检测算法对图像进行处理，再利用COMPARE_SSIM算法对图像进行校验，若检验结果大于设置值，则完成车牌定位。
所述步骤S2、S3为并列步骤，当其中一个步骤的判定条件未成功即执行另一步骤，在执行结束之后自动跳过另一步骤结束本次定位流程，并开启下一轮流程。
其中，作为上述步骤实施的基础：
模板匹配法：通常被用于目标检测、相似度分析中，将模板与重叠的图像区域进行比较。通过图像滑动，使用指定的方法对大小为w×h的重叠区域与模板进行比较，并将比较结果存储在返回中。函数完成比较后，再用相应的函数找到最佳匹配项；
矩形检测：通过边界追踪对数字化二值图像进行拓扑结构分析，从二进制图像中检索轮廓。轮廓是用于形状分析以及对象检测和识别；
COMPARE_SSIM：结构相似性度量，一种全参考的图像质量评价指标，分别从亮度、对比度、结构三个方面度量图像相似性。SSIM取值范围[0,1]，值越大，表示图像失真越小。在本方案中的应用中，可以利用滑动窗将图像分块，令分块总数为N，考虑到窗口形状对分块的影响，采用高斯加权计算每一窗口的均值、方差以及协方差，然后计算对应块的结构相似度SSIM，最后将平均值作为两图像的结构相似性度量，即平均结构相似性SSIM。
作为一个较佳的实施方式，所述利用模板匹配法对获取的图像进行车牌定位并得到匹配结果的步骤之前还包括预先收集与归纳若干模板图。
作为可选的实施方式，所述步骤S1之前还包括将图像二值化处理，以便于后续操作。
作为一个较佳的实施方式，所述利用模板匹配法对获取的图像进行车牌定位并得到匹配结果的步骤利用归一化的相关性系数匹配公式对图像进行匹配。
其中，所述匹配公式为：
其中T'为检测目标，即匹配模板，I'为进行目标检测的图像。
作为一个较佳的实施方式，所述使用矩形检测算法对图像进行处理包括：
将图像二值化；
检索二值化的图像中所有轮廓并将其放于列表，对轮廓进行杂质处理，计算列表中的轮廓能形成最小区域边界矩形；
从所述最小区域边界矩形中提取一个新图像用于检验。
上述步骤得到的结果如图5所示，①为原画，②为二值化处理的图片，③为提取到的轮廓。
具体地，所述杂质处理为对图像压缩水平、垂直以及对角线段，保留其端点，以获得一个有效面积占比大的图像，。
二值化处理是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。本方案中，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。
在一个可能的实施方式中，所述计算列表中的轮廓能形成最小区域边界矩形的步骤包括：
获取图像中长宽之比为1.8-3.6之间、长宽之乘积在2000px-10000px之间、矩形底部与x轴形成的夹角不超过30度、矩形中心点所在位置均在图片四周尺寸0.8倍之内的区域边界矩形。
在一个可能的实施方式中，所述从所述最小区域边界矩形中提取一个新图像用于检验的步骤还包括，对于无角度的矩形通过图像截取函数对图像进行截取。
在一个可能的实施方式中，所述从所述最小区域边界矩形中提取一个新图像用于检验的步骤还包括，对有角度的矩形进行旋转角度使之水平，通过矩阵计算重新得到矩形的坐标，再根据矩形的坐标截取图像。
具体地，所需要的矩形只有包括车牌的矩形，为避免过多运算，所以要排除掉一些，安装上述的计算步骤，获取的矩形尺寸为：
长宽比：长/宽在1.8-3.6倍之间；
大小：长*宽在2000px-10000px之间；
角度：矩形底部与x轴形成的夹角不超过30度；
位置：矩形中心点所在位置均在图片四周尺寸0.8倍之内；
当获取到了上述的矩形，此时，提取矩形区域形成一张新图像用于效验，如图6所示(箭头指向的区域)，对于无角度的矩形通过图像截取函数截取即可，而有角度的矩形则需要旋转相应角度使之水平，旋转后矩形坐标也发生了变化，通过矩阵计算重新得到矩形的坐标，再根据坐标截取。
最后同样通过COMPARE_SSIM算法的效验，由于图像的多样性，效验的模板图也为多个，当其中有一个相似度值大于设定值即可，即完成车牌定位。
作为本发明的实施例二，如图2所示，本发明还提出了一种车牌定位装置，包括以下单元；
模板匹配单元100，用于利用模板匹配法对获取的图像进行车牌定位并得到匹配结果，计算其最佳匹配分值，再计算模板图比较分值，判断是否存在图像的模板图比较分值大于预设值；
COMPARE_SSIM校验单元200，用于当存在图像的模板图比较分值大于预设值，使用COMPARE_SSIM算法对图像进行校验，若检验结果大于设置值，则完成车牌定位；
矩形检测单元300，用于当不存在图像的模板图比较分值大于预设值，使用矩形检测算法对图像进行处理，再利用COMPARE_SSIM算法对图像进行校验，若检验结果大于设置值，则完成车牌定位。
其中，模板匹配单元100、COMPARE_SSIM校验单元200、矩形检测单元300分别与上述步骤S1、S2、S3相对应，本装置旨在利用三个单元实施步骤S1-S3。
模板匹配单元100、COMPARE_SSIM校验单元200、矩形检测单元300可包括但不限于操作界面、提示界面、操作软件的实施方式。
作为本发明的实施例三，如图3所示，本发明提出了一种车牌定位计算机设备，包括存储器400、处理器500及存储在所述存储器400上并可在所述处理器500上运行的车牌定位程序，所述车牌定位程序被所述处理器500执行时实现如上述任一项所述的车牌定位方法。
其中，所述存储器400可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其它类型的静态存储设备，随机存取存储器(random access memory，RAM))或者可存储信息和指令的其它类型的动态存储设备，也可以是电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质，但不限于此。存储器可以是独立存在，通过通信总线与处理器相连接。存储器也可以和处理器集成在一起。
作为本发明的实施例四，如图4所示，本发明提出了一种非临时性计算机可读存储介质，其上存储有计算机程序600，该程序被处理器执行时实现如上述任一项所述的车牌定位方法。
所述存储介质可以是前述服务器的内部存储单元，例如服务器的硬盘或内存。所述存储介质也可以是所述设备的外部存储设备，例如所述设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述装置、计算机设备和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。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，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，各个单元的划分，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。例如一个以上单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。
另外，在本发明各个实施例中的各功能单元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，也可以是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，也可以采用软件功能单元的形式实现。
该集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种车牌定位方法，其特征在于，包括以下步骤：
利用模板匹配法对获取的图像进行车牌定位并得到匹配结果，计算其最佳匹配分值，再计算模板图比较分值，判断是否存在图像的模板图比较分值大于预设值；
当存在图像的模板图比较分值大于预设值，使用COMPARE_SSIM算法对图像进行校验，若检验结果大于设置值，则完成车牌定位；
当不存在图像的模板图比较分值大于预设值，使用矩形检测算法对图像进行处理，再利用COMPARE_SSIM算法对图像进行校验，若检验结果大于设置值，则完成车牌定位。
2.根据权利要求1所述的车牌定位方法，其特征在于，所述利用模板匹配法对获取的图像进行车牌定位并得到匹配结果的步骤之前还包括预先收集与归纳若干模板图。
3.根据权利要求1所述的车牌定位方法，其特征在于，所述利用模板匹配法对获取的图像进行车牌定位并得到匹配结果的步骤利用归一化的相关系数对图像进行匹配。
4.根据权利要求1所述的车牌定位方法，其特征在于，所述使用矩形检测算法对图像进行处理包括：
将图像二值化；
检索二值化的图像中所有轮廓并将其放于列表，对轮廓进行杂质处理，计算列表中的轮廓能形成最小区域边界矩形；
从所述最小区域边界矩形中提取一个新图像用于检验。
5.根据权利要求4所述的车牌定位方法，其特征在于，所述计算列表中的轮廓能形成最小区域边界矩形的步骤包括：
获取图像中长宽之比为1.8-3.6之间、长宽之乘积在2000px-10000px之间、矩形底部与x轴形成的夹角不超过30度、矩形中心点所在位置均在图片四周尺寸0.8倍之内的区域边界矩形。
6.根据权利要求4所述的车牌定位方法，其特征在于，所述从所述最小区域边界矩形中提取一个新图像用于检验的步骤还包括，对于无角度的矩形通过图像截取函数对图像进行截取。
7.根据权利要求4所述的车牌定位方法，其特征在于，所述从所述最小区域边界矩形中提取一个新图像用于检验的步骤还包括，对有角度的矩形进行旋转角度使之水平，通过矩阵计算重新得到矩形的坐标，再根据矩形的坐标截取图像。
8.一种车牌定位装置，其特征在于，包括以下单元：
模板匹配单元，用于利用模板匹配法对获取的图像进行车牌定位并得到匹配结果，计算其最佳匹配分值，再计算模板图比较分值，判断是否存在图像的模板图比较分值大于预设值；
COMPARE_SSIM校验单元，用于当存在图像的模板图比较分值大于预设值，使用COMPARE_SSIM算法对图像进行校验，若检验结果大于设置值，则完成车牌定位；
矩形检测单元，用于当不存在图像的模板图比较分值大于预设值，使用矩形检测算法对图像进行处理，再利用COMPARE_SSIM算法对图像进行校验，若检验结果大于设置值，则完成车牌定位。
9.一种车牌定位计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车牌定位程序，所述车牌定位程序被所述处理器执行时实现如权利要求1-7中任一项所述的车牌定位方法。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-7中任一项所述的车牌定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010677544.7A CN111652222A (zh) | 2020-07-13 | 2020-07-13 | 车牌定位方法与装置和计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010677544.7A CN111652222A (zh) | 2020-07-13 | 2020-07-13 | 车牌定位方法与装置和计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111652222A true CN111652222A (zh) | 2020-09-11 |
Family
ID=72342502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010677544.7A Pending CN111652222A (zh) | 2020-07-13 | 2020-07-13 | 车牌定位方法与装置和计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652222A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052839A (zh) * | 2021-04-28 | 2021-06-29 | 闫丹凤 | 一种地图检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105373794A (zh) * | 2015-12-14 | 2016-03-02 | 河北工业大学 | 一种车牌识别方法 |
| CN106355180A (zh) * | 2016-09-07 | 2017-01-25 | 武汉安可威视科技有限公司 | 一种基于颜色与边缘特征相结合的车牌定位方法 |
| US20190042900A1 (en) * | 2017-12-28 | 2019-02-07 | Ned M. Smith | Automated semantic inference of visual features and scenes |
| CN109657664A (zh) * | 2017-10-12 | 2019-04-19 | 杭州海康威视数字技术股份有限公司 | 一种车牌类型的识别方法、装置及电子设备 |
| CN111401364A (zh) * | 2020-03-18 | 2020-07-10 | 深圳市市政设计研究院有限公司 | 一种基于颜色特征和模板匹配相结合的车牌定位算法 |
-
2020
- 2020-07-13 CN CN202010677544.7A patent/CN111652222A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105373794A (zh) * | 2015-12-14 | 2016-03-02 | 河北工业大学 | 一种车牌识别方法 |
| CN106355180A (zh) * | 2016-09-07 | 2017-01-25 | 武汉安可威视科技有限公司 | 一种基于颜色与边缘特征相结合的车牌定位方法 |
| CN109657664A (zh) * | 2017-10-12 | 2019-04-19 | 杭州海康威视数字技术股份有限公司 | 一种车牌类型的识别方法、装置及电子设备 |
| US20190042900A1 (en) * | 2017-12-28 | 2019-02-07 | Ned M. Smith | Automated semantic inference of visual features and scenes |
| CN111401364A (zh) * | 2020-03-18 | 2020-07-10 | 深圳市市政设计研究院有限公司 | 一种基于颜色特征和模板匹配相结合的车牌定位算法 |
Non-Patent Citations (1)
| Title |
|---|
| 赵宗贵 等: "《信息融合工程实践 技术与方法》", 中国电力出版社, pages: 134 - 135 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052839A (zh) * | 2021-04-28 | 2021-06-29 | 闫丹凤 | 一种地图检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108182383B (zh) | 一种车窗检测的方法及设备 | |
| Duan et al. | Building an automatic vehicle license plate recognition system | |
| CN110119741B (zh) | 一种有背景的卡证图像信息识别方法 | |
| US8027514B2 (en) | Apparatus for recognizing object in image | |
| CN115496918B (zh) | 基于计算机视觉的高速公路路况异常检测方法及*** | |
| CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
| CN109492642B (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
| CN110276295B (zh) | 车辆识别号码检测识别方法及设备 | |
| CN114387591A (zh) | 车牌识别方法、***、设备及存储介质 | |
| CN111444911B (zh) | 车牌识别模型的训练方法及装置、车牌识别方法及装置 | |
| CN108052921B (zh) | 一种车道线检测方法、装置及终端 | |
| CN111435445A (zh) | 字符识别模型的训练方法及装置、字符识别方法及装置 | |
| CN109712134B (zh) | 虹膜图像质量评价方法、装置及电子设备 | |
| CN109752393B (zh) | 一种基于图像特征的贴片电阻型号检测方法及其装置 | |
| CN111652222A (zh) | 车牌定位方法与装置和计算机设备及存储介质 | |
| CN116596954B (zh) | 病变细胞图像分割方法、装置、设备及存储介质 | |
| CN117333518A (zh) | 激光扫描图像匹配方法、***及计算机设备 | |
| CN103544495A (zh) | 一种识别图像类别的方法及*** | |
| CN110765940B (zh) | 目标对象统计方法和装置 | |
| CN105205444A (zh) | 一种基于点对特征的车标识别方法 | |
| CN111178359A (zh) | 车牌号码识别方法、装置和设备及计算机存储介质 | |
| Zhang et al. | A road extraction method based on high resolution remote sensing image | |
| JP2003532243A (ja) | 画像を処理する方法と装置 | |
| CN114529570A (zh) | 图像分割方法、图像识别方法、用户凭证补办方法及*** | |
| CN113283303A (zh) | 一种车牌识别方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200911 |