CN112257541A - 车牌识别方法以及电子设备、计算机可读存储介质 - Google Patents
车牌识别方法以及电子设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN112257541A CN112257541A CN202011111189.3A CN202011111189A CN112257541A CN 112257541 A CN112257541 A CN 112257541A CN 202011111189 A CN202011111189 A CN 202011111189A CN 112257541 A CN112257541 A CN 112257541A
- Authority
- CN
- China
- Prior art keywords
- license plate
- vehicle
- recognized
- image
- vehicle type
- 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 68
- 238000012549 training Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 239000002893 slag Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000004568 cement Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 102100032202 Cornulin Human genes 0.000 description 2
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了车牌识别方法以及电子设备、计算机可读存储介质,其中,车牌识别方法包括:获取到待识别车辆的待识别图像;对待识别车辆的第一车牌进行识别,得到第一车牌的车牌信息;判断待识别车辆的车辆类型是否为目标车辆类型;如果待识别车辆的车辆类型为目标车辆类型,判断待识别图像上是否包括待识别车辆的车尾部分;如果待识别图像包括待识别车辆的车尾部分,对待识别车辆的第二车牌进行识别,得到第二车牌的车牌信息;基于第一车牌的车牌信息与第二车牌的车牌信息确定待识别车辆的车牌号码。通过上述方式,本发明能够提高车牌识别的准确性。
Description
技术领域
本发明涉及车牌识别的技术领域,特别是涉及车牌识别方法以及电子设备、计算机可读存储介质。
背景技术
近年来,车牌识别在智能交通管理中越来越重要的作用。而随着城市化进行的推进,城市工程建设也越来越多。在种情况下,因此也有很多的特殊车辆在城市中行驶,例如渣土车、大型货车以及水泥车等,上述特殊车辆在城市中行驶时,需要遵循其车辆类型所对应的交通规则,当特殊车辆的驾驶员没有遵循对应的交通规则时,容易给城市管理带来一定的负面影响,因此对特殊车辆的管理成为亟待解决的问题。
目前,在对特殊车辆的管理过程中,常常对各特殊车辆进行车牌识别,以对各特殊车辆的车辆信息进行获取,从而在特征车辆发生违规行为时,能够快速基于特殊车辆的车辆信息对特殊车辆进行上报。
但目前,常用的车牌识别方法中错检的情况较多,给特殊车辆的管理带来了一定的困难和阻力。
发明内容
本发明提供了车牌识别方法以及电子设备、计算机可读存储介质,以解决目前存在的车牌识别的错误率较高的问题。
为解决上述技术问题,本发明提供一种车牌识别方法,包括:获取到待识别车辆的待识别图像;对待识别车辆的第一车牌进行识别,得到第一车牌的车牌信息;判断待识别车辆的车辆类型是否为目标车辆类型;如果待识别车辆的车辆类型为目标车辆类型,判断待识别图像上是否包括待识别车辆的车尾部分;如果待识别图像包括待识别车辆的车尾部分,对待识别车辆的第二车牌进行识别,得到第二车牌的车牌信息;基于第一车牌的车牌信息与第二车牌的车牌信息确定待识别车辆的车牌号码。
其中,对待识别车辆的第一车牌进行识别,得到第一车牌的车牌信息,包括:对待识别车辆的第一车牌进行识别,得到第一车牌的车牌号码以及第一车牌的车牌号码的第一置信度;如果待识别图像上包括待识别车辆的车尾部分,对待识别车辆的第二车牌进行识别,得到第二车牌的车牌信息,包括:对待识别车辆的第二车牌进行识别,得到第二车牌的车牌号码以及第二车牌的车牌号码的第二置信度;基于第一车牌的车牌信息与第二车牌的车牌信息确定待识别车辆的车牌号码,包括:基于第一车牌号码和第二车牌号码或/和第一置信度和第二置信度确定待识别车辆的车牌号码。
其中,第一置信度包括第一车牌号码每个字符的置信度;第二置信度包括第二车牌号码每个字符的置信度;基于第一车牌号码和第二车牌号码或/和第一置信度和第二置信度确定待识别车辆的车牌号码,包括:依次比较第一车牌号码每个字符与其位置对应的第二车牌号码的字符是否相同;如果相同,将字符确定为待识别车辆的车牌号码对应位置的车牌字符;如果不相同,比较第一车牌号码的字符的置信度与第二车牌号码对应位置的字符的置信度大小;将置信度大的字符确定为待识别车辆的车牌号码对应位置的车牌字符。
其中,第一置信度还包括第一车牌的置信度,第二置信度还包括第二车牌的置信度;车牌识别方法还包括:如果第一车牌号码的字符的置信度与第二车牌号码对应位置的字符的置信度相等,比较第一车牌的置信度以及第二车牌的置信度的大小;将置信度大的车牌号码的对应位置的字符确定为车牌字符。
其中,判断待识别车辆的车辆类型是否为目标车辆类型,包括:通过车辆类型识别模型判断待识别车辆的车辆类型是否为目标车辆类型;其中,车辆类型识别模型包括奇数个识别子模型;通过车辆类型识别模型判断待识别车辆的车辆类型是否为目标车辆类型,包括:分别通过每一个识别子模型对待识别车辆的车辆类型是否为目标车辆类型进行识别,得到每一个识别子模型的识别结果;将数量多的识别结果确定为待识别车辆的车辆类型是否为目标车辆类型的判断结果。
其中,通过车辆类型识别模型判断待识别车辆的车辆类型是否为目标车辆类型之前还包括:获取到目标车辆类型样本以及非目标车辆类型样本;将非目标车辆类型样本划分为预设份数,并分别将每份的非目标车辆样本与目标车辆样本合并,得到预设份数的训练样本;其中,预设份数与识别子模型的数量相同;分别利用单份训练样本依次对每一个初始识别子模型进行训练,得到每个识别子模型;其中,每份训练样本对应一个识别子模型。
其中,对待识别车辆的第二车牌进行识别,得到第二车牌的车牌信息之前,包括:将待识别图像进行灰度化处理,得到待识别图像对应的灰度图像;对灰度图像进行图像增强,以对灰度图像中的待识别车辆进行第二车牌识别。
其中,对灰度图像进行图像增强,包括:通过灰度图像中的最大灰度值与最小灰度值计算得到灰度图像中的灰度差值,并设置第一调整因子;利用灰度差值与第一调整因子判断灰度图像是否需要进行图像增强;如果灰度图像需要进行图像增强,则对第一调整因子进行调整,得到第二调整因子;利用第二调整因子和灰度差值计算得到调整后的最小灰度值;基于调整后的最小灰度值和第二调整因子对灰度图像中每个像素点的灰度值进行调整,以对灰度图像进行图像增强。
其中,获取待识别车辆的待识别图像,包括:获取到初始图像;响应于初始图像中存在待识别车辆,获取待识别车辆在初始图像中的第一坐标信息;基于初始图像与待识别车辆的第一坐标信息生成待识别图像。
其中,对待识别车辆的第一车牌进行识别,得到第一车牌的车牌信息,还包括:基于待识别图像的第一预设位置对待识别图像进行裁剪,得到待识别图像的第一车牌图像;对第一车牌图像进行第一车牌识别,得到第一车牌的车牌信息;对待识别车辆的第二车牌进行识别,得到第二车牌的车牌信息,还包括:基于待识别图像的第二预设位置对待识别图像进行裁剪,得到待识别图像的第二车牌图像;对第二车牌图像进行第二车牌识别,得到第二车牌的车牌信息。
为解决上述技术问题,本发明还提供了一种电子设备,包括:相互耦接的存储器和处理器,处理器用于执行存储器中存储的程序指令,以实现上述任一项的车牌识别方法。
为解决上述技术问题,本发明还提供了一种计算机可读存储介质,程序指令被处理器执行时实现上述任一项的车牌识别方法。
本发明的有益效果是:区别于现有技术的情况,本发明通过先对待识别车辆的第一车牌进行识别,得到第一车牌的车牌信息,判断待识别车辆为目标车辆类型,并在进一步判断出待识别图像上包括待识别车辆的车尾部分后,对待识别车辆的第二车牌进行识别,得到第二车牌的车牌信息,最后基于第一车牌的车牌信息与第二车牌的车牌信息确定待识别车辆的车牌号码,从而综合通过第一车牌的车牌信息与第二车牌的车牌信息来确定待识别车辆的车牌号码,以提高车牌识别的准确性,减少车牌识别错误的现象发生,从而提高车牌识别的可靠性。
附图说明
图1是本发明车牌识别方法一实施例的流程示意图;
图2是本发明车牌识别方法另一实施例的流程示意图;
图3是步骤S23中车辆类型识别模型的训练过程示意图;
图4是步骤S23中车辆类型识别模型训练的结构示意图;
图5是本实施例图像增强一实施例的流程示意图;
图6是本发明电子设备一实施例的结构示意图;
图7是本发明计算机可读存储介质一实施例的结构示意图。
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,所描述的实施例仅是本发明的一部分实施例,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。
请参阅图1,图1是本发明车牌识别方法一实施例的流程示意图。
步骤S11:获取到待识别车辆的待识别图像。
在本步骤中,先获取到待识别车辆的待识别图像。在一个具体的应用场景中,待识别图像可以为道路监控摄像头对交通道路上的车辆所拍摄的监控图像、普通摄像头对交通道路上的车辆所拍摄的图像或包括有待识别车辆的图像,在此不做限定。
步骤S12:对待识别车辆的第一车牌进行识别,得到第一车牌的车牌信息。
对待识别图像上的待识别车辆的第一车牌进行识别,得到第一车牌的车牌信息。在一个具体的应用场景中,第一车牌的车牌信息包括但不限于:第一车牌在待识别图像上的坐标位置、第一车牌的车牌类型、第一车牌的车牌号码以及第一车牌的第一置信度。
在一个具体的应用场景中,可以通过基于深度神经网络的对象识别和定位算法、CRNN(Convolutional Recurrent Neural Network)识别结构或分割加字符分类方法对第一车牌进行识别,以获得第一车牌的车牌信息,具体的识别方法在本实施中不做限定。
步骤S13:判断待识别车辆的车辆类型是否为目标车辆类型。
在一个具体的应用场景中,目标车辆类型包括大、中型货车、挂车(包括小型货车、小货车、中型客车、公交车、10余辆小客车)以及工程车(包括渣土车、水泥车等)需要喷涂扩大的车牌号的车辆类型。在本实施例中,当待识别车辆为目标车辆类型时,即待识别车辆上喷涂有扩大的车牌号时,也就是待识别车辆上设置有区别于第一车牌的第二车牌时,才需对待识别车辆进行后续的第二车牌识别。因此,在本步骤中,先判断待识别车辆的车辆类型是否为目标车辆类型。
步骤S14:如果待识别车辆的车辆类型为目标车辆类型,判断待识别图像上是否包括待识别车辆的车尾部分。
当步骤S13的判断结果为待识别车辆的车辆类型为目标车辆类型后,进一步判断待识别图像上是否包括待识别车辆的车尾部分,即判断待识别图像上的待识别车辆是否在待识别图像上的部分是否是车尾。
在一个具体的应用场景中,当待识别图像上包括待识别车辆的车尾部分时,待识别车辆的车尾上包括第一车牌和第二车牌。在一个具体的应用场景中,当待识别图像上包括待识别车辆的车头部分时,待识别车辆的车头尾上包括第一车牌。
步骤S15:如果待识别图像上包括待识别车辆的车尾部分,对待识别车辆的第二车牌进行识别,得到第二车牌的车牌信息。
如果待识别图像上包括待识别车辆的车尾部分,则待识别图像中的待识别车辆的车尾上包括第一车牌和第二车牌。对待识别车辆车尾上的第二车牌进行识别,得到第二车牌的车牌信息。
在一个具体的应用场景中,第二车牌的车牌信息包括但不限于:第二车牌在待识别图像上的坐标位置、第二车牌的车牌类型、第二车牌的车牌号码以及第二车牌的第二置信度。
步骤S16:基于第一车牌的车牌信息与第二车牌的车牌信息确定待识别车辆的车牌号码。
在获得了第一车牌的车牌信息和第二车牌的车牌信息后,综合第一车牌的车牌信息与第二车牌的车牌信息来确定待识别车辆的车牌号码,从而实现待识别车辆的车牌识别。
通过上述方法,本实施例的车牌识别方法通过先对待识别车辆的第一车牌进行识别,得到第一车牌的车牌信息,判断待识别车辆为目标车辆类型,并在进一步判断出待识别图像上包括待识别车辆的车尾部分后,对待识别车辆的第二车牌进行识别,得到第二车牌的车牌信息,最后基于第一车牌的车牌信息与第二车牌的车牌信息确定待识别车辆的车牌号码,从而综合通过第一车牌的车牌信息与第二车牌的车牌信息来确定待识别车辆的车牌号码,以提高车牌识别的准确性,减少车牌识别错误的现象发生,从而提高车牌识别的可靠性。
请参阅图2,图2是本发明车牌识别方法另一实施例的流程示意图。
步骤S21:获取到初始图像,响应于初始图像中存在待识别车辆,获取待识别车辆在初始图像中的第一坐标信息,基于初始图像与待识别车辆的第一坐标信息生成待识别图像。
先获取到初始图像。在一个具体的应用场景中,初始图像可以为道路监控摄像头对交通道路所拍摄的监控图像、普通摄像头对交通道路所拍摄的图像或包括需要进行车牌识别的图像,在此不做限定。
通过车辆检测模型对初始图像进行检测,以检测出初始图像上是否包括车辆,当初始图像上不包括待识别车辆时,不再对初始图像进行车牌识别。当初始图像上包括待识别车辆时,继续通过车辆检测模型对初始图像上的待识别车辆进行检测,以检测出待识别车辆在初始图像上的第一坐标信息,即待识别车辆的定位信息。基于初始图像与待识别车辆的第一坐标信息生成本实施例的待识别图像。
在一个具体的应用场景中,车辆检测模型可以为基于深度神经网络的对象识别和定位算法,具体地,车辆检测模型可以为:yolov3算法(YOLO(You Only Look Once)系列目标检测算法中第三版算法)或其他对象识别和定位算法,在此不做限定。
步骤S22:对待识别车辆的第一车牌进行识别,得到第一车牌的车牌号码以及第一车牌的车牌号码的第一置信度。
将待识别图像进行扩边,由于绝大多数的第一车牌在车辆偏下的部分,因此,在对待识别图像进行裁剪时,首先将车辆框进行向下扩充,以在一定程度上保证第一车牌能够被车辆框裁剪到,从而减少车辆检测不准导致车牌被裁剪掉的情况的发生。在本实施例中,第一车牌是指车管所下发的小型车牌,该小型车牌被放置于车辆的车头或车尾的下方固定位置。
在一个具体的应用场景中,基于扩充后的待识别图像的第一预设位置对待识别图像进行裁剪,得到待识别图像的第一车牌图像,其中,第一预设位置可以以扩充后的待识别图像的底部为基准,并具有一定宽高比例的位置。在一个具体的应用场景中,可以以扩充后的待识别图像的底部为基准,按照宽高比1:1对扩充后的待识别图进行裁剪,得到待识别图像的第一车牌图像。其中,第一预设位置的设置是以第一车牌为目标进行裁剪的。而一定宽高比例的具体比例可以基于实际需求进行设定,在此不做限定。
通过对待识别图像进行扩充和裁剪,得到待识别图像第一车牌的第一车牌图像。
基于第一车牌图像对待识别车辆的第一车牌进行检测,并对检测到的第一车牌进行识别,以得到第一车牌的车牌号码以及第一车牌的车牌号码的第一置信度。
在一个具体的应用场景中,可以先通过车牌检测模型对第一车牌图像进行检测,得到第一车牌在第一车牌图像上的第二坐标信息,第一车牌的车牌类型和第一车牌的置信度。再基于第一车牌图像以及第一车牌在第一车牌图像上的第二坐标信息通过识别网络对第一车牌的各个字符进行识别,得到第一车牌号码和第一车牌号码每个字符的置信度。
在一个具体的应用场景中,车牌检测模型可以为yolov2算法(YOLO(You OnlyLook Once)系列目标检测算法中第二版算法)或其他对象识别和定位算法,在此不做限定。在一个具体的应用场景中,识别网络可以包括:yolo算法、CRNN识别结构或分割加字符分类方法等,在此不做限定。
在本步骤中,获得第一车牌在第一车牌图像上的第二坐标信息,第一车牌的车牌类型和第一车牌的置信度以及第一车牌号码和第一车牌号码每个字符的置信度后,完成对第一车牌的识别。
步骤S23:通过车辆类型识别模型判断待识别车辆的车辆类型是否为目标车辆类型;其中,车辆类型识别模型包括奇数个识别子模型。
将步骤S21中所获得的待识别图像输入至车辆类型识别模型,判断待识别车辆的车辆类型是否为目标车辆类型。其中,车辆类型识别模型包括奇数个识别子模型。
在一个具体的应用场景中,目标车辆类型包括大、中型货车、挂车(包括小型货车、小货车、中型客车、公交车、10余辆小客车)以及工程车(包括渣土车、水泥车等)需要喷涂扩大的车牌号的车辆类型。在本实施例中,当待识别车辆为目标车辆类型时,即待识别车辆上喷涂有扩大的车牌号时,才需对待识别车辆进行后续的第二车牌识别。
具体地,分别通过每一个识别子模型对待识别车辆的车辆类型是否为目标车辆类型进行识别,得到每一个识别子模型的识别结果;将数量多的识别结果确定为待识别车辆的车辆类型为目标车辆类型的判断结果。其中,识别结果为二分类结果,包括:待识别车辆的车辆类型为目标车辆类型以及待识别车辆的车辆类型不为目标车辆类型。
在一个具体的应用场景中,当识别子模型为3个时,分别通过每一个识别子模型对待识别车辆的车辆类型是否为目标车辆类型进行识别,得到每一个识别子模型的识别结果,如果3个识别子模型的识别结果不同时,则将数量多的识别结果确定为待识别车辆的车辆类型是否为目标车辆类型的判断结果,本步骤通过集成判断的方式,将数量多的识别结果确定为待识别车辆的车辆类型是否为目标车辆类型的判断结果,从而在一定程度上提高车辆类型识别模型识别的准确性。
请参阅图3,图3是步骤S23中车辆类型识别模型的训练过程示意图。
步骤S31:获取到目标车辆类型样本以及非目标车辆类型样本。
先获取到目标车辆类型样本以及非目标车辆类型样本。在一个应用场景中,当目标车辆类型为渣土车时,可以获取到渣土车样本和非渣土车样本。
步骤S32:将非目标车辆类型样本划分为预设份数,并分别将每份的非目标车辆样本与目标车辆样本合并,得到预设份数的训练样本;其中,预设份数与识别子模型的数量相同。
由于现实中各种类型的车辆非常多,当在对目标车辆类型进行划分时,训练样本会因为目标车辆类型的样本数量和非目标车辆类型的样本数量的不平衡,使得模型对少的一类样本的分类具有不客观性。因此,本步骤对上述问题进行改善,具体如下:
将非目标车辆类型样本划分为预设份数,并分别将每份的非目标车辆样本与目标车辆样本合并,得到预设份数的训练样本;其中,预设份数与识别子模型的数量相同。
在一个具体的应用场景中,当针对渣土车进行分类,且识别子模型的数量为3时,首先将训练样本中的非渣土车样本按照等比例分成3份,分别和渣土车样本组成3个训练样本Si=[Y,Ni](i=1,2,3),其中Ni是非渣土车样本的一个子集,Y是渣土车样本。基于每个训练集对对应的每个识别子模型进行训练。
步骤S33:分别利用单份训练样本依次对每一个初始识别子模型进行训练,得到每个识别子模型;其中,每份训练样本对应一个识别子模型。
分别利用各份训练样本依次对每一个初始识别子模型进行训练,得到每个识别子模型;其中,每份训练样本对应一个识别子模型。在一个具体的应用场景中,初始识别子模型包括特征提取器和分类器,其中,特征提取器可以包括CNN特征提取器、RNN特征提取器或Transformer特征提取器等,在此不做限定。分类器包括softmax分类器或其他分类器,在此也不做限定。
本步骤的训练过程主要对特征提取器的特征提取进行训练,使其特征提取更为准确,从而提高分类器的分类结果的准确性。
请参阅图4,图4是步骤S23中车辆类型识别模型训练的结构示意图。
以针对渣土车进行分类,且识别子模型的数量为3的应用场景中的结构为例进行说明。
先将非渣土车样本均分为3个子集N1、N2、N3,分别将3个子集N1、N2、N3和渣土车样本Y进行合并,得到3个训练样本S1=[Y,N1]、S2=[Y,N2]以及S3=[Y,N3]。分别将训练样本S1、S2、S3输入至对应的特征提取器1、特征提取器2以及特征提取器3,再在各特征提取器提取出特征后,输入至对应的分类器1、分类器2以及分类器3中,得出训练结果,并在训练过程中设置错误惩罚来对特征提取器1、特征提取器2以及特征提取器3进行训练。
其中错误惩罚的具体实施过程如下:设置分类损失(loss),通过分类损失对目标车辆类型分类错误进行惩罚。同时也以上述渣土车的应用场景为例进行说明。
假设训练样本x的标签为y,分类损失loss的计算公式如下所示:
L(pt)=-αt(1-pt)γlog(pt) (1)
其中,αt是用来调节渣土车和非渣土车样本之间不同的权重比例,而当y=1时αt取α,为y=-1时αt取1-α(其中,当训练样本x真实类别为渣土车时,y=1;当训练样本x真实类别为非渣土车时,y=-1),在本实施例中α取0.75;而当y=1时pt取p,为y=-1时pt取1-p;p是当前样本x属于渣土车的概率,1-p属于非渣土车的概率;γ是用来调节易分类样本在loss中的比重,本实施例中取γ=2。
在一个具体的应用场景中,假设样本x1的真实类别为渣土车(也就是y=1),样本x2的真实类别为非渣土车(也就是y=-1),假设分类器输出的x1属于渣土车的概率为p=0.9,则其分类损失loss为:loss1=-0.75*(1-1.9)2log(0.9)≈3.34*10-4。假设x1属于渣土车的概率p=0.1,则其分类损失loss为:loss2=-0.75*(1-0.1)2log(0.1)=0.6075。
对比loss1和loss2可以看出,当x1被错分时其在总loss中占比越大,这是因为loss会认为当x1被错分时,x1为难分样本,因此其在loss中的占比更大,再次假设分类器输出x2属于渣土车的概率p=0.9,则其分类损失loss为:loss3=-0.25*(0.9)2log(1-0.9)=0.2025。假设x2属于渣土车的概率p=0.1,则分类损失loss为:loss4=-0.25*(0.1)2log(1-0.1)≈1.14*10-4。
对比loss2和loss3发现,渣土车样本误分成非渣土车样本时其loss在总loss中的占比更大。
由上述例子可以发现,本实施例的车辆类型识别模型的各识别子模型进行训练,能达到减少车辆类型识别模型对目标车辆误分的现象。
本实施例采用了集成判断的方式对待识别车辆进行分类,还增加了车辆类型识别模型中识别子模型识别错误的惩罚损失权重,让车辆类型识别模型更加专注于目标车辆类型样本以及难分样本的学习,最后对车辆类型识别模型的分类结果进行数量对比确定最终的分类结果,提升了待识别车辆的召回率和分类精度。
步骤S24:如果为目标车辆类型,判断待识别图像上是否包括待识别车辆的车尾部分。
通过车辆类型识别模型对待识别图像的待识别车辆进行识别,当识别出待识别车辆为目标车辆类型时,进一步判断待识别图像上是否包括待识别车辆的车尾部分。
在一个具体的应用场景中,可以通过车头车尾分类模型识别待识别图像上是否包括待识别车辆的车尾部分或车头部分。其中,车头车尾分类模型可以使用深度学习方法训练得到的模型,也可以使用传统分类方法进行分类的模型,在此不做限定。
在一个具体的应用场景中,当检测出待识别图像上包括待识别车辆的车尾部分时,由于已识别出待识别车辆为目标车辆类型,则待识别车辆的车尾处理应喷涂有放大车牌,因此,对待识别车辆进行第二车牌识别。而当检测出待识别图像为车头图像时,待识别车辆的车头并没有需要喷涂放大车牌的相关规定,理应只设置有车管所下发的小车牌,因此,此时即可将第一车牌的识别结果作为最终待识别车辆的车牌识别结果。
步骤S25:如果待识别图像包括待识别车辆的车尾部分,将待识别图像进行灰度化处理,得到待识别图像对应的灰度图像。
在一个具体的应用场景中,当待识别图像包括待识别车辆的车尾部分,可确定待识别车辆车尾上应喷涂有放大车牌号,因此,需要对待识别车辆的放大车牌,即第二车牌进行识别。
在一个具体的应用场景中,将待识别图像进行扩边,由于绝大多数的第二车牌在车辆偏上的部分,因此,在对待识别图像进行裁剪时,首先将车辆框进行向上、左、右进行扩充,以在一定程度上保证第二车牌能够被车辆框裁剪到,从而减少车辆检测不准导致车牌被裁剪掉的情况的发生。在本实施例中,第二车牌是指目标车辆类型理应按照交通法规在车尾上方喷涂的放大车牌号。
在一个具体的应用场景中,基于扩充后的待识别图像的第二预设位置对待识别图像进行裁剪,得到待识别图像的第二车牌图像,其中,第二预设位置可以以扩充后的待识别图像的顶部为基准,具有一定宽高比例的位置。其中,第二预设位置的设置是以第二车牌为目标进行裁剪的。而一定宽高比例的具体比例可以基于实际需求进行设定,在此不做限定。
由于目标车辆因其特殊性,常常在夜间行驶在道路上,因此,对待识别车辆所拍摄的初始图像的灰度值差异可能较小,因此,本实施例需要对待识别图像进行图像增强,通过调整图像的灰度,以达到更佳的识别效果。
请参阅图5,图5是本实施例图像增强一实施例的流程示意图。
步骤S41:通过灰度图像中的最大灰度值与最小灰度值计算得到灰度图像中的灰度差值,并设置第一调整因子。
对待识别图像进行灰度化处理,得到待识别图像对应的灰度图像T。通过灰度图像T中的最大灰度值maxV与最小灰度值minV计算得到灰度图像T中的灰度差值difV。其中,灰度差值difV的计算公式如下:
difV=maxV-minV (2)
并设定第一调整因子scale1的值为1。
步骤S42:利用灰度差值与第一调整因子判断灰度图像是否需要进行图像增强。
利用灰度差值difV与第一调整因子scale1判断灰度图像T是否需要进行图像增强。具体地,比较需要调整的范围与255之间的大小,判断公式如下:
difV*(scale1+1)≤255 (3)
判断灰度差值difV乘以第一调整因子scale1加上数字一之后的值是否小于255,如果小于或等于255,则该灰度图像T需要进行图像增强,则继续执行步骤S43。如果大于255,则该灰度图像T不需要进行图像增强,步骤结束。
步骤S43:对第一调整因子进行调整,得到第二调整因子。
当灰度图像T需要进行图像增强后,对第一调整因子scale1进行调整,得到第二调整因子Scale2。具体地,调整公式如下:
Scale2=scale1+1 (4)
当灰度图像T需要进行图像增强后,对第一调整因子scale1加1,得到第二调整因子Scale2。
步骤S44:利用第二调整因子和灰度差值计算得到调整后的最小灰度值。
利用第二调整因子Scale2和灰度差值difV计算得到调整后的最小灰度值baseV,具体公式如下:
baseV=(255-difV*scale)*2 (5)
通过上述公式计算得到调整后的最小灰度值baseV。
步骤S45:基于调整后的最小灰度值和第二调整因子对灰度图像中每个像素点的灰度值进行调整,以对灰度图像进行图像增强。
最后,基于调整后的最小灰度值baseV、第二调整因子Scale2以及最小灰度值minV对灰度图像T中每个像素点的灰度值进行调整,以对灰度图像T进行图像增强。具体的调整公式如下:
O(i,j)=(P(i,j)-minV)*Scale2+baseV (6)
将灰度图像T中每个像素点的灰度值P(i,j)减去最小灰度值minV后,乘以第二调整因子Scale2,再加上调整后的最小灰度值baseV,得到调整后的该像素点对应的灰度值O(i,j)。
最终通过上述公式(6)完成对灰度图像T的图像增强。本实施例的图像帧增强方法可以将本就灰度差值较大的灰度图像过滤掉,从而不用对其进行灰度拉伸。而是将整体灰度差值不大的灰度图像进行图像增强,本身灰度差值较大的图像增强后变化和增强之前的差异不大,所以过滤掉可以减少耗时,因此本实施例的图像增强方法不仅可以将灰度差值较小的图像进行灰度增强,还可以在一定程度上减少识别时长。
步骤S26:对待识别车辆的第二车牌进行识别,得到第二车牌的车牌号码以及第二车牌的车牌号码的第二置信度。
将灰度图像进行图像增强后,对图像增强后的第二车牌图像的待识别车辆的第二车牌进行识别,得到第二车牌的车牌号码以及第二车牌的车牌号码的第二置信度,其中,第二车牌的尺寸大于第一车牌。
基于图像增强后或不需进行图像增强的第二车牌图像对待识别车辆的第二车牌进行识别,得到第二车牌的车牌号码以及第二车牌的车牌号码的第二置信度。
在一个具体的应用场景中,可以先通过车牌检测模型对第二车牌图像进行检测,得到第二车牌在第二车牌图像上的第三坐标信息,第二车牌的车牌类型和第二车牌的置信度。再基于第二车牌图像以及第二车牌在第二车牌图像上的第三坐标信息通过识别网络对第二车牌的各个字符进行识别,得到第二车牌号码和第二车牌号码每个字符的置信度。
在一个具体的应用场景中,车牌检测模型可以为yolov2算法(YOLO(You OnlyLook Once)系列目标检测算法中第二版算法)或其他对象识别和定位算法,在此不做限定。在一个具体的应用场景中,识别网络可以包括:yolo算法、CRNN识别结构或分割加字符分类方法等,在此不做限定。
在本步骤中,获得第二车牌在第二车牌图像上的第三坐标信息,第二车牌的车牌类型和第二车牌的置信度以及第二车牌号码和第二车牌号码每个字符的置信度后,完成对第二车牌的识别。
在一个具体的应用场景中,当第二车牌识别未能识别出第二车牌的车牌信息时(例如车牌被遮挡或车牌缺失等情况),将第一车牌的车牌信息作为待识别车辆的车牌信息。
步骤S27:基于第一车牌号码和第二车牌号码或/和第一置信度和第二置信度确定待识别车辆的车牌号码。
在一个具体的应用场景中,当在对比第一车牌信息和第二车牌信息前,先检测步骤S22中是否识别出第一车牌的车牌信息,如果没有,则将第二车牌的车牌信息作为待识别车辆的车牌信息;如果有,则进行第一车牌信息和第二车牌信息的对比。
依次比较第一车牌号码每个字符与其位置对应的第二车牌号码的字符是否相同;如果相同,将字符确定为待识别车辆的车牌号码对应位置的车牌字符;如果不相同,比较第一车牌号码的字符的置信度与第二车牌号码对应位置的字符的置信度大小;将置信度大的字符确定为待识别车辆的车牌号码对应位置的车牌字符。
在一个具体的应用场景中,假设第一车牌的置信度为C、第一车牌字符为si(1,2,3、、、7),第一车牌的各字符置信度为ci(1,2,3、、、7);第二车牌的置信度为P,第二车牌字符为li(1,2,3、、、7),第二车牌的各字符置信度为pi(1,2,3、、、7)。依次对比两车牌字符,如果si=li,则第i个字符为si,如果si≠li,则比较当前字符的置信度,若ci>pi,则当前字符为si,当ci<pi,则当前字符为li,当ci=pi,则比较第一车牌和第二车牌的置信度,若C≥P,当前字符为si,否则为li,依次对比,由此得到待识别车辆的车牌号码。
在一个具体的应用场景中,在获得了待识别车辆的车牌号码后,可以对依据待识别车辆的车辆类型判断待识别车辆是否存在违规行为,如果存在违规行为,可以将待识别车辆的车牌号码进行上报,以便于相关人员根据车牌号码对待识别车辆的车主进行寻找。
在一个具体的应用场景中,若前述步骤中的目标车辆类型为渣土车时,若判断出待识别车辆为渣土车,则针对渣土车可能存在的违规行为(正常、超载、车牌污损遮挡或满载渣土但是未遮盖等情况)判断渣土车是否存在违规行为,如果存在违规行为,可以将渣土车的车牌号码进行上报,以便于相关人员根据车牌号码对渣土车的车主进行寻找。当针对其他目标车辆的违规行为进行判断时,方法与本步骤的渣土车类似,在此不再赘述。本实施例的车牌识别方法也有利于检测到更多的目标车辆的信息,减少了违法车辆的漏检,方便了审核人员的审查工作,节约了人工付出成本。
通过上述方法,本实施例的车牌识别方法通过先对待识别车辆的第一车牌进行识别,得到第一车牌的车牌信息,再在判断出待识别图像包括待识别车辆的车尾部分后,对待识别车辆的第二车牌进行识别,得到第二车牌的车牌信息,最后基于第一车牌的车牌信息与第二车牌的车牌信息确定待识别车辆的车牌号码,从而综合通过对比第一车牌的车牌信息与第二车牌的车牌信息来确定待识别车辆的车牌号码,以提高车牌识别的准确性,减少车牌识别错误的现象发生,从而提高车牌识别的可靠性。另外,本实施例还采用了通过奇数个的识别子模型对待识别车辆的车辆类型是否为目标车辆类型进行识别,并最终通过集成判断的方式,将数量多的识别结果确定为待识别车辆的车辆类型是否为目标车辆类型的判断结果,从而提高了集成判断的方式,将数量多的识别结果确定为待识别车辆的车辆类型为目标车辆类型的判断结果,从而提高了车辆类型识别模型对待识别车辆的召回率和分类精度,在一定程度上保证了判断待识别车辆的车辆类型的准确率,从而提高了后续待识别车辆是否违规判断的准确率。
基于同样的发明构思,本发明还提出了一种电子设备,该电子设备能够被执行以实现上述任一实施例的车牌识别方法,请参阅图6,图6是本发明电子设备一实施例的结构示意图,电子设备包括相互耦接的处理器61以及存储器62。
处理器61用于执行存储器62中存储的程序指令,以实现上述任一车牌识别方法实施例的步骤。在一个具体的实施场景中,电子设备可以包括但不限于:微型计算机、服务器,此外,电子设备还可以包括笔记本电脑、平板电脑等移动设备,在此不做限定。
具体而言,处理器61用于控制其自身以及存储器62以实现上述任一车牌识别方法实施例的步骤。处理器61还可以称为CPU(Central Processing Unit,中央处理单元)。处理器61可能是一种集成电路芯片,具有信号的处理能力。处理器61还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外,处理器61可以由集成电路芯片共同实现。
上述方案,能够提高车牌识别的准确性。
基于同样的发明构思,本发明还提出了一种计算机可读存储介质,请参阅图7,图7是本发明计算机可读存储介质一实施例的结构示意图。计算机可读存储介质70中存储有至少一个程序数据71,程序数据71用于实现上述任一车牌识别方法。在一个实施例中,计算机可读存储介质70包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,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,例如多个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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施方式方案的目的。
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。
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。
以上所述仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (12)
1.一种车牌识别方法,其特征在于,所述车牌识别方法包括:
获取到待识别车辆的待识别图像;
对所述待识别车辆的第一车牌进行识别,得到所述第一车牌的车牌信息;
判断所述待识别车辆的车辆类型是否为目标车辆类型;
如果所述待识别车辆的车辆类型为所述目标车辆类型,判断所述待识别图像上是否包括所述待识别车辆的车尾部分;
如果所述待识别图像上包括所述待识别车辆的车尾部分,对所述待识别车辆的第二车牌进行识别,得到所述第二车牌的车牌信息;
基于所述第一车牌的车牌信息与所述第二车牌的车牌信息确定所述待识别车辆的车牌号码。
2.根据权利要求1所述的车牌识别方法,其特征在于,所述对所述待识别车辆的第一车牌进行识别,得到所述第一车牌的车牌信息,包括:
对所述待识别车辆的第一车牌进行识别,得到所述第一车牌的车牌号码以及所述第一车牌的车牌号码的第一置信度;
如果所述待识别图像上包括所述待识别车辆的车尾部分,对所述待识别车辆的第二车牌进行识别,得到所述第二车牌的车牌信息,包括:
对所述待识别车辆的第二车牌进行识别,得到所述第二车牌的车牌号码以及所述第二车牌的车牌号码的第二置信度;
所述基于所述第一车牌的车牌信息与所述第二车牌的车牌信息确定所述待识别车辆的车牌号码,包括:
基于所述第一车牌号码和所述第二车牌号码或/和所述第一置信度和所述第二置信度确定所述待识别车辆的车牌号码。
3.根据权利要求2所述的车牌识别方法,其特征在于,所述第一置信度包括所述第一车牌号码每个字符的置信度;所述第二置信度包括所述第二车牌号码每个字符的置信度;
所述基于所述第一车牌号码和所述第二车牌号码或/和所述第一置信度和所述第二置信度确定所述待识别车辆的车牌号码,包括:
依次比较所述第一车牌号码每个字符与其位置对应的所述第二车牌号码的字符是否相同;
如果相同,将所述字符确定为所述待识别车辆的车牌号码对应位置的车牌字符;
如果不相同,比较所述第一车牌号码的字符的置信度与所述第二车牌号码对应位置的字符的置信度大小;
将置信度大的字符确定为所述待识别车辆的车牌号码对应位置的车牌字符。
4.根据权利要求3所述车牌识别方法,其特征在于,所述第一置信度还包括所述第一车牌的置信度,所述第二置信度还包括所述第二车牌的置信度;所述车牌识别方法还包括:
如果所述第一车牌号码的字符的置信度与所述第二车牌号码对应位置的字符的置信度相等,比较所述第一车牌的置信度以及所述第二车牌的置信度的大小;
将置信度大的车牌号码的对应位置的字符确定为所述车牌字符。
5.根据权利要求1所述的车牌识别方法,其特征在于,所述判断所述待识别车辆的车辆类型是否为目标车辆类型,包括:
通过车辆类型识别模型判断所述待识别车辆的车辆类型是否为目标车辆类型;其中,车辆类型识别模型包括奇数个识别子模型;
所述通过车辆类型识别模型判断所述待识别车辆的车辆类型是否为目标车辆类型,包括:
分别通过每一个所述识别子模型对所述待识别车辆的车辆类型是否为所述目标车辆类型进行识别,得到每一个所述识别子模型的识别结果;
将数量多的识别结果确定为所述待识别车辆的车辆类型是否为目标车辆类型的判断结果。
6.根据权利要求5所述的车牌识别方法,其特征在于,所述通过车辆类型识别模型判断所述待识别车辆的车辆类型是否为目标车辆类型之前还包括:
获取到目标车辆类型样本以及非目标车辆类型样本;
将所述非目标车辆类型样本划分为预设份数,并分别将每份的非目标车辆样本与所述目标车辆样本合并,得到所述预设份数的训练样本;其中,所述预设份数与所述识别子模型的数量相同;
分别利用单份所述训练样本依次对每一个初始识别子模型进行训练,得到每个所述识别子模型;其中,每份所述训练样本对应一个所述识别子模型。
7.根据权利要求1所述的车牌识别方法,其特征在于,所述对所述待识别车辆的第二车牌进行识别,得到所述第二车牌的车牌信息之前,包括:
将所述待识别图像进行灰度化处理,得到所述待识别图像对应的灰度图像;
对所述灰度图像进行图像增强,以对所述灰度图像中的待识别车辆进行第二车牌识别。
8.根据权利要求7所述的车牌识别方法,其特征在于,所述对所述灰度图像进行图像增强,包括:
通过所述灰度图像中的最大灰度值与最小灰度值计算得到所述灰度图像中的灰度差值,并设置第一调整因子;
利用所述灰度差值与所述第一调整因子判断所述灰度图像是否需要进行图像增强;
如果所述灰度图像需要进行图像增强,则对所述第一调整因子进行调整,得到第二调整因子;
利用所述第二调整因子和所述灰度差值计算得到调整后的最小灰度值;
基于所述调整后的最小灰度值和所述第二调整因子对所述灰度图像中每个像素点的灰度值进行调整,以对所述灰度图像进行图像增强。
9.根据权利要求1所述的车牌识别方法,其特征在于,所述获取待识别车辆的待识别图像,包括:
获取到初始图像;
响应于所述初始图像中存在所述待识别车辆,获取所述待识别车辆在所述初始图像中的第一坐标信息;
基于所述初始图像与所述待识别车辆的第一坐标信息生成所述待识别图像。
10.根据权利要求1所述的车牌识别方法,其特征在于,所述对所述待识别车辆的第一车牌进行识别,得到所述第一车牌的车牌信息,还包括:
基于所述待识别图像的第一预设位置对所述待识别图像进行裁剪,得到所述待识别图像的第一车牌图像;
对所述第一车牌图像进行第一车牌识别,得到所述第一车牌的车牌信息;
所述对所述待识别车辆的第二车牌进行识别,得到所述第二车牌的车牌信息,还包括:
基于所述待识别图像的第二预设位置对所述待识别图像进行裁剪,得到所述待识别图像的第二车牌图像;
对所述第二车牌图像进行第二车牌识别,得到所述第二车牌的车牌信息。
11.一种电子设备,其特征在于,包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器中存储的程序指令,以实现权利要求1至10任一项所述的车牌识别方法。
12.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求1至10任一项所述的车牌识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011111189.3A CN112257541A (zh) | 2020-10-16 | 2020-10-16 | 车牌识别方法以及电子设备、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011111189.3A CN112257541A (zh) | 2020-10-16 | 2020-10-16 | 车牌识别方法以及电子设备、计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112257541A true CN112257541A (zh) | 2021-01-22 |
Family
ID=74244619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011111189.3A Pending CN112257541A (zh) | 2020-10-16 | 2020-10-16 | 车牌识别方法以及电子设备、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257541A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221894A (zh) * | 2021-05-31 | 2021-08-06 | 中邮信息科技(北京)有限公司 | 车辆的车牌号识别方法、装置、电子设备和存储介质 |
CN113505782A (zh) * | 2021-06-07 | 2021-10-15 | 上海图丽信息技术有限公司 | 一种货车车牌与车厢手写车牌结合识别*** |
CN113673527A (zh) * | 2021-07-28 | 2021-11-19 | 成都恒创新星科技有限公司 | 一种车牌识别方法及*** |
CN114266930A (zh) * | 2021-12-02 | 2022-04-01 | 中国联合网络通信集团有限公司 | 车尾标检测方法、装置、电子设备及存储介质 |
CN114283288A (zh) * | 2021-12-24 | 2022-04-05 | 合肥工业大学智能制造技术研究院 | 一种夜间车辆图像增强的方法、***、设备及存储介质 |
CN114612893A (zh) * | 2022-03-31 | 2022-06-10 | 重庆紫光华山智安科技有限公司 | 车牌遮挡检测方法、***、电子设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263788A (zh) * | 2019-07-17 | 2019-09-20 | 广西盖德科技有限公司 | 车辆通行快速识别方法及*** |
CN110796052A (zh) * | 2019-10-21 | 2020-02-14 | 和昌未来科技(深圳)有限公司 | 车牌识别方法、装置、设备及可读介质 |
CN110929589A (zh) * | 2019-10-31 | 2020-03-27 | 浙江大华技术股份有限公司 | 车辆特征识别的方法、设备、计算机设备和存储介质 |
CN111310698A (zh) * | 2020-02-26 | 2020-06-19 | 北京停简单信息技术有限公司 | 车牌识别的方法、装置及巡检车 |
KR102131716B1 (ko) * | 2020-03-27 | 2020-07-08 | 정병석 | 차량번호인식 기술을 활용한 영상감시 방법 |
CN111639598A (zh) * | 2020-05-29 | 2020-09-08 | 济南博观智能科技有限公司 | 车牌识别方法、车牌识别装置、车牌识别设备及存储介质 |
CN111652230A (zh) * | 2020-05-25 | 2020-09-11 | 浙江大华技术股份有限公司 | 车牌识别方法、电子设备及存储介质 |
-
2020
- 2020-10-16 CN CN202011111189.3A patent/CN112257541A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263788A (zh) * | 2019-07-17 | 2019-09-20 | 广西盖德科技有限公司 | 车辆通行快速识别方法及*** |
CN110796052A (zh) * | 2019-10-21 | 2020-02-14 | 和昌未来科技(深圳)有限公司 | 车牌识别方法、装置、设备及可读介质 |
CN110929589A (zh) * | 2019-10-31 | 2020-03-27 | 浙江大华技术股份有限公司 | 车辆特征识别的方法、设备、计算机设备和存储介质 |
CN111310698A (zh) * | 2020-02-26 | 2020-06-19 | 北京停简单信息技术有限公司 | 车牌识别的方法、装置及巡检车 |
KR102131716B1 (ko) * | 2020-03-27 | 2020-07-08 | 정병석 | 차량번호인식 기술을 활용한 영상감시 방법 |
CN111652230A (zh) * | 2020-05-25 | 2020-09-11 | 浙江大华技术股份有限公司 | 车牌识别方法、电子设备及存储介质 |
CN111639598A (zh) * | 2020-05-29 | 2020-09-08 | 济南博观智能科技有限公司 | 车牌识别方法、车牌识别装置、车牌识别设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
ENDLESSCODING: "处理样本不平衡LOSS——Focal Loss", Retrieved from the Internet <URL:https://www.cnblogs.com/endlesscoding/p/12155588.html> * |
WEIXIN_RY5219775: "样本不均衡问题", Retrieved from the Internet <URL:https://blog.csdn.net/kyle1314608/article/details/104677958> * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221894A (zh) * | 2021-05-31 | 2021-08-06 | 中邮信息科技(北京)有限公司 | 车辆的车牌号识别方法、装置、电子设备和存储介质 |
CN113505782A (zh) * | 2021-06-07 | 2021-10-15 | 上海图丽信息技术有限公司 | 一种货车车牌与车厢手写车牌结合识别*** |
CN113673527A (zh) * | 2021-07-28 | 2021-11-19 | 成都恒创新星科技有限公司 | 一种车牌识别方法及*** |
CN113673527B (zh) * | 2021-07-28 | 2023-08-08 | 成都恒创新星科技有限公司 | 一种车牌识别方法及*** |
CN114266930A (zh) * | 2021-12-02 | 2022-04-01 | 中国联合网络通信集团有限公司 | 车尾标检测方法、装置、电子设备及存储介质 |
CN114283288A (zh) * | 2021-12-24 | 2022-04-05 | 合肥工业大学智能制造技术研究院 | 一种夜间车辆图像增强的方法、***、设备及存储介质 |
CN114283288B (zh) * | 2021-12-24 | 2022-07-12 | 合肥工业大学智能制造技术研究院 | 一种夜间车辆图像增强的方法、***、设备及存储介质 |
CN114612893A (zh) * | 2022-03-31 | 2022-06-10 | 重庆紫光华山智安科技有限公司 | 车牌遮挡检测方法、***、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257541A (zh) | 车牌识别方法以及电子设备、计算机可读存储介质 | |
CN111815959B (zh) | 一种车辆违章的检测方法、装置以及计算机可读存储介质 | |
CN108681693B (zh) | 基于可信区域的车牌识别方法 | |
CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN111523464A (zh) | 车辆违法变道的检测方法和装置 | |
CN110491132B (zh) | 基于视频帧图片分析的车辆违停检测方法及装置 | |
CN105335710A (zh) | 一种基于多级分类器的精细车辆型号识别方法 | |
CN111178272B (zh) | 一种识别驾驶员行为的方法、装置及设备 | |
CN101859382A (zh) | 一种基于最大稳定极值区域的车牌检测与识别的方法 | |
CN109657664B (zh) | 一种车牌类型的识别方法、装置及电子设备 | |
CN105631470A (zh) | 一种车牌类型验证的方法及*** | |
CN103824091A (zh) | 一种用于智能交通***的车牌识别方法 | |
Shujuan et al. | Real-time vehicle detection using Haar-SURF mixed features and gentle AdaBoost classifier | |
CN114387591A (zh) | 车牌识别方法、***、设备及存储介质 | |
CN108537223B (zh) | 一种车牌检测方法、***及设备和存储介质 | |
CN113408364B (zh) | 一种临时车牌识别方法、***、装置及存储介质 | |
CN111178359A (zh) | 车牌号码识别方法、装置和设备及计算机存储介质 | |
CN110766009A (zh) | 尾牌识别方法、装置以及计算机可读存储介质 | |
CN113297939B (zh) | 障碍物检测方法、***、终端设备及存储介质 | |
CN103679209A (zh) | 基于稀疏理论的字符识别方法 | |
CN112329886A (zh) | 双车牌识别方法、模型训练方法、装置、设备及存储介质 | |
CN116863458A (zh) | 车牌识别方法、装置、***及存储介质 | |
CN108647679B (zh) | 一种基于车窗粗定位的车标识别方法 | |
CN107622667B (zh) | 一种变造车牌号码检测方法及*** | |
Amin et al. | An automatic number plate recognition of Bangladeshi vehicles |
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 |