CN113128264A - 一种车辆区域确定方法、装置及电子设备 - Google Patents
一种车辆区域确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113128264A CN113128264A CN201911400326.2A CN201911400326A CN113128264A CN 113128264 A CN113128264 A CN 113128264A CN 201911400326 A CN201911400326 A CN 201911400326A CN 113128264 A CN113128264 A CN 113128264A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- license plate
- width
- area
- image
- 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.)
- Granted
Links
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种车辆区域确定方法、装置及电子设备,涉及图像处理技术领域,包括:获取安装在参考车辆上的图像采集设备采集的待识别图像;识别所述待识别图像中的车辆区域;从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域。可见,应用本申请实施例提供的方案进行车辆区域确定时,可以提高所确定的车辆区域内车辆的清晰度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种车辆区域确定方法、装置及电子设备。
背景技术
为了对道路上的车辆进行管理,通常需要对车辆的信息进行识别。具体的,通常需要获取待进行车辆信息识别的图像,确定图像中车辆所在的车辆区域,针对所确定的车辆区域识别车辆信息。
现有技术中,为了确定车辆区域,通常在路口等固定位置安装图像采集设备,由固定安装的图像采集设备采集经过上述路口的车辆的图像,再对所采集的图像进行车辆区域识别,从而确定图像中车辆所在的车辆区域。
应用上述现有技术虽然可以实现车辆区域的识别,但是在路口安装的图像采集设备与道路之间的距离通常较远,导致图像中车辆所在的区域较小,进而导致图像中所确定的车辆区域内车辆的清晰度较低。
发明内容
本申请实施例的目的在于提供一种车辆区域确定方法、装置及电子设备,以提高所确定的车辆区域内车辆的清晰度。具体技术方案如下:
第一方面,本申请实施例提供了一种车辆区域确定方法,所述方法包括:
获取安装在参考车辆上的图像采集设备采集的待识别图像;
识别所述待识别图像中的车辆区域;
从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域。
本申请的一个实施例中,所述从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域,包括:
确定像素宽度大于第一预设宽度、且与预设的相对方位区分线的位置关系满足预设位置关系的车辆区域为目标车辆区域,其中,所述相对方位区分线为:用于区分所述图像采集设备所采集图像中不同车辆区域内车辆相对所述参考车辆方位的区分线。
本申请的一个实施例中,所述相对方位区分线包括:左侧方位区分线和/或右侧方位区分线和/或正向方位区分线;
所述确定像素宽度大于第一预设宽度、且与预设的相对方位区分线的位置关系满足预设位置关系的车辆区域为目标车辆区域,包括:
确定像素宽度大于第一预设宽度、且特征位置位于所述左侧方位区分线左侧的车辆区域为目标车辆区域,所述特征位置用于表征所识别车辆区域在所述待识别图像中的位置;和/或
确定像素宽度大于所述第一预设宽度、且特征位置位于所述右侧方位区分线右侧的车辆区域为目标车辆区域;和/或
确定像素宽度大于所述第一预设宽度、且与所述正向方位区分线相交的车辆区域为目标车辆区域。
本申请的一个实施例中,所述确定像素宽度大于所述第一预设宽度、且与所述正向方位区分线相交的车辆区域为目标车辆区域,包括:
从像素宽度大于所述第一预设宽度的车辆区域中,确定与所述正向方位区分线相交的车辆区域为正向车辆区域;
识别所确定的正向车辆区域内车辆的车辆类型,确定所识别的车辆类型对应的第二预设宽度;
在所确定的正向车辆区域的像素宽度达到所述第二预设宽度的情况下,确定所确定的正向车辆区域为目标车辆区域。
本申请的一个实施例中,所述正向方位区分线为:所述图像采集设备所采集图像的中心竖线;
所述左侧方位区分线和/或右侧方位区分线与所述正向方位区分线之间存在间隔,所述间隔的取值为:根据所述图像采集设备所采集图像的宽度分辨率、实际可识别宽度和预设的宽度差值、车道实际宽度,计算得到的间隔值,其中,所述实际可识别宽度为:所述图像采集设备实际可进行车辆信息识别的区域的宽度,所述实际可识别宽度的取值根据预设的车牌实际宽度、车牌号码能够被识别时的最小像素宽度和所述宽度分辨率确定。
本申请的一个实施例中,所述间隔的取值I满足以下公式:
I=(h*k+r)*A/W
W=(A*M)/C
其中,所述W表示:所述实际可识别宽度,所述A表示:所述宽度分辨率,所述M表示:预设的车牌实际宽度,所述C表示:所述最小像素宽度,所述h表示:预设的宽度差值,所述r表示:所述车道实际宽度,所述k表示预设参数。
本申请的一个实施例中,在确定目标车辆区域之后,所述方法还包括:
对所确定的目标车辆区域内车辆的信息进行识别。
本申请的一个实施例中,所述对所确定的目标车辆区域内车辆的信息进行识别,包括:
对所述待识别图像中所确定的目标车辆区域内车辆的车牌号码进行识别,得到目标车辆区域内车辆的车牌号码。
本申请的一个实施例中,所述对所述待识别图像中所确定的目标车辆区域内车辆的车牌号码进行识别,得到目标车辆区域内车辆的车牌号码,包括:
将所述待识别图像、所确定的每一目标车辆区域输入预先训练的车牌号码识别模型,对每一目标车辆区域内车辆的车牌号码进行识别,得到各个目标车辆区域内车辆的车牌号码,其中,所述车牌号码识别模型为:以样本图像、样本图像中样本目标车辆区域为输入信息、以样本目标车辆区域内车辆的车牌号码为监督信息、对所述车牌号码识别模型的初始模型进行训练得到的、用于进行车牌号码识别的模型。
本申请的一个实施例中,所述对所述待识别图像中所确定的目标车辆区域内车辆的车牌号码进行识别,得到目标车辆区域内车辆的车牌号码,包括:
针对所述待识别图像中每一目标车辆区域,对该目标车辆区域内车辆的信息进行识别,得到该目标车辆区域内车辆的车牌号码和车牌属性,在所获得的车牌属性满足车牌识别要求的情况下,将所获得的车牌号码确定为该目标车辆区域内车辆的车牌号码。
本申请的一个实施例中,根据以下方式中的至少一种判断车牌属性是否满足车牌识别要求:
在车牌属性包括车牌宽度、车牌高度、车牌类别的情况下,根据所述车牌类别确定车牌宽度阈值和车牌高度阈值,在所述车牌宽度达到所述车牌宽度阈值且车牌高度达到所述车牌高度阈值的情况下,判断所述车牌属性满足车牌识别要求;
在所述车牌属性包括车牌宽度的情况下,若所述目标车辆区域与预设的正向方位区分线相交,确定所述目标车辆区域内车辆类型对应的第三预设宽度,计算所述车牌宽度与第三预设宽度的比值,在所述比值达到所述车辆类型对应的预设比例阈值的情况下,判断所述车牌属性满足车牌识别要求;
在所述车牌属性表征车辆的车牌在所述待识别图像中成像完整的情况下,判断所述车牌属性满足车牌识别要求。
第二方面,本申请实施例提供了一种车辆区域确定装置,所述装置包括:
图像获取模块,用于获取安装在参考车辆上的图像采集设备采集的待识别图像;
区域识别模块,用于识别所述待识别图像中的车辆区域;
区域确定模块,用于从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域。
本申请的一个实施例中,所述区域确定模块,具体用于:
确定像素宽度大于第一预设宽度、且与预设的相对方位区分线的位置关系满足预设位置关系的车辆区域为目标车辆区域,其中,所述相对方位区分线为:用于区分所述图像采集设备所采集图像中不同车辆区域内车辆相对所述参考车辆方位的区分线。
本申请的一个实施例中,所述相对方位区分线包括:左侧方位区分线和/或右侧方位区分线和/或正向方位区分线;
所述区域确定模块,包括:
第一区域确定单元,用于确定像素宽度大于第一预设宽度、且特征位置位于所述左侧方位区分线左侧的车辆区域为目标车辆区域,所述特征位置用于表征所识别车辆区域在所述待识别图像中的位置;和/或
第二区域确定单元,用于确定像素宽度大于所述第一预设宽度、且特征位置位于所述右侧方位区分线右侧的车辆区域为目标车辆区域;和/或
第三区域确定单元,用于确定像素宽度大于所述第一预设宽度、且与所述正向方位区分线相交的车辆区域为目标车辆区域。
本申请的一个实施例中,所述第三区域确定单元,具体用于:
从像素宽度大于所述第一预设宽度的车辆区域中,确定与所述正向方位区分线相交的车辆区域为正向车辆区域;
识别所确定的正向车辆区域内车辆的车辆类型,确定所识别的车辆类型对应的第二预设宽度;
在所确定的正向车辆区域的像素宽度达到所述第二预设宽度的情况下,确定所确定的正向车辆区域为目标车辆区域。
本申请的一个实施例中,所述正向方位区分线为:所述图像采集设备所采集图像的中心竖线;
所述左侧方位区分线和/或右侧方位区分线与所述正向方位区分线之间存在间隔,所述间隔的取值为:根据所述图像采集设备所采集图像的宽度分辨率、实际可识别宽度和预设的宽度差值、车道实际宽度,计算得到的间隔值,其中,所述实际可识别宽度为:所述图像采集设备实际可进行车辆信息识别的区域的宽度,所述实际可识别宽度的取值根据预设的车牌实际宽度、车牌号码能够被识别时的最小像素宽度和所述宽度分辨率确定。
本申请的一个实施例中,所述间隔的取值I满足以下公式:
I=(h*k+r)*A/W
W=(A*M)/C
其中,所述W表示:所述实际可识别宽度,所述A表示:所述宽度分辨率,所述M表示:预设的车牌实际宽度,所述C表示:所述最小像素宽度,所述h表示:预设的宽度差值,所述r表示:所述车道实际宽度,所述k表示预设参数。
本申请的一个实施例中,所述装置还包括:
信息识别模块,用于在从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域后,对所确定的目标车辆区域内车辆的信息进行识别。
本申请的一个实施例中,所述信息识别模块,具体用于:
对所述待识别图像中所确定的目标车辆区域内车辆的车牌号码进行识别,得到目标车辆区域内车辆的车牌号码。
本申请的一个实施例中,所述信息识别模块,具体用于:
将所述待识别图像、所确定的每一目标车辆区域输入预先训练的车牌号码识别模型,对每一目标车辆区域内车辆的车牌号码进行识别,得到各个目标车辆区域内车辆的车牌号码,其中,所述车牌号码识别模型为:以样本图像、样本图像中样本目标车辆区域为输入信息、以样本目标车辆区域内车辆的车牌号码为监督信息、对所述车牌号码识别模型的初始模型进行训练得到的、用于进行车牌号码识别的模型。
本申请的一个实施例中,所述信息识别模块,具体用于:
针对所述待识别图像中每一目标车辆区域,对该目标车辆区域内车辆的信息进行识别,得到该目标车辆区域内车辆的车牌号码和车牌属性,在所获得的车牌属性满足车牌识别要求的情况下,将所获得的车牌号码确定为该目标车辆区域内车辆的车牌号码。
本申请的一个实施例中,根据以下方式中的至少一种判断车牌属性是否满足车牌识别要求:
在车牌属性包括车牌宽度、车牌高度、车牌类别的情况下,根据所述车牌类别确定车牌宽度阈值和车牌高度阈值,在所述车牌宽度达到所述车牌宽度阈值且车牌高度达到所述车牌高度阈值的情况下,判断所述车牌属性满足车牌识别要求;
在所述车牌属性包括车牌宽度的情况下,若所述目标车辆区域与预设的正向方位区分线相交,确定所述目标车辆区域内车辆类型对应的第三预设宽度,计算所述车牌宽度与第三预设宽度的比值,在所述比值达到所述车辆类型对应的预设比例阈值的情况下,判断所述车牌属性满足车牌识别要求;
在所述车牌属性表征车辆的车牌在所述待识别图像中成像完整的情况下,判断所述车牌属性满足车牌识别要求。
第三方面,本申请实施例提供了一种电子设备,包括处理器和计算机可读存储介质,所述计算机可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器被所述机器可执行指令促使:实现第一方面中任一所述的方法步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中任一所述的方法步骤。
第五方面,本申请实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的车辆区域确定方法。
本申请实施例有益效果:
应用本申请实施例提供的方案确定车辆区域时,获取安装在参考车辆上的图像采集设备采集的待识别图像,识别待识别图像中的车辆区域,从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域。
一方面,在道路中车辆与车辆之间通常间隔较近,这样由参考车辆上图像采集设备采集到的待识别图像中车辆所在区域通常较大,进而车辆的清晰度较高。另一方面,以车辆区域中像素宽度大于第一预设宽度的车辆区域为目标车辆区域,由于图像中车辆区域的像素宽度越大,车辆区域内车辆的像素宽度也就越大,从而目标车辆区域内车辆的清晰度越高。由此可见,应用本申请实施例提供的方案进行车辆区域确定时,可以提高所确定的车辆区域内车辆的清晰度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种车辆区域确定方法的流程示意图;
图2为本申请实施例提供的另一种车辆区域确定方法的流程示意图;
图3为本申请实施例提供的一种相对方位区分线的示意图;
图4为本申请实施例提供的一种车辆行驶中参数的示意图;
图5为本申请实施例提供的一种左侧方位区分线和/或右侧方位区分线确定方法的流程示意图;
图6为本申请实施例提供的又一种车辆区域确定方法的流程示意图;
图7为本申请实施例提供的再一种车辆区域确定方法的流程示意图;
图8为本申请实施例提供的一种预设区域确定方法的流程示意图;
图9为本申请实施例提供的一种可识别区域的示意图;
图10为本申请实施例提供的一种待识别图像中预设区域的示意图;
图11为本申请实施例提供的再一种车辆区域确定方法的流程示意图;
图12为本申请实施例提供的一种车牌号码判定方法的流程示意图;
图13为本申请实施例提供的一种车辆区域确定装置的结构示意图;
图14为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为了提高在图像中所确定的车辆区域内车辆的清晰度,本申请实施例提供了一种车辆区域确定方法,该方法包括:
获取安装在参考车辆上的图像采集设备采集的待识别图像;
识别所述待识别图像中的车辆区域;
从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域。
应用本发明实施例提供的车辆区域确定方案,一方面,在道路中车辆与车辆之间通常间隔较近,这样由参考车辆上图像采集设备采集到的待识别图像中车辆所在区域通常较大,进而车辆的清晰度较高。另一方面,以车辆区域中像素宽度大于第一预设宽度的车辆区域为目标车辆区域,由于图像中车辆区域的像素宽度越大,车辆区域内车辆的像素宽度也就越大,从而目标车辆区域内车辆的清晰度越高。由此可见,应用本申请实施例提供的方案进行车辆区域确定时,可以提高所确定的车辆区域内车辆的清晰度。
本发明的一个实施例中,应用上述方案确定出目标车辆区域后,可以对目标车辆区域内车辆的信息进行识别,例如,可以识别目标车辆区域内车辆的车牌号码、车标、车辆颜色等。由于目标车辆区域内车辆的清晰度较高,因此这样识别得到的车辆信息的准确度较高。考虑到上述情况,在确定车辆区域时,可以依据车辆区域内车辆的信息能否被识别,来确定目标车辆区域。
下面通过具体实施例对本申请实施例提供的车辆区域确定方法进行详细介绍。
参见图1,图1为本申请实施例提供的一种车辆区域确定方法的流程示意图,上述方法可以应用于安装在车辆上的电子设备中,如车载图像采集设备、车载NVR(NetworkVideo Recorder,网络硬盘录像机)、车载电脑等,也可以应用于其他电子设备中,如车辆管理中心的计算机、服务器等。上述方法包括如下步骤101至步骤103。
步骤101,获取安装在参考车辆上的图像采集设备采集的待识别图像。
其中,上述图像采集设备可以是行车记录仪、前视摄像头、倒车影像仪等。上述参考车辆为:安装上述图像采集设备的车辆。
上述图像采集设备可以安装在参考车辆的头部、尾部、车顶等位置。具体的,上述图像采集设备可以安装在参考车辆头部中间位置、尾部中间位置等,这样图像采集设备所采集的图像中,位于参考车辆左侧的区域和位于参考车辆右侧的区域比较均匀,便于对上述图像进行识别。
上述待识别图像可以是图像采集设备所采集的图像,也可以是图像采集设备所采集的视频中的视频帧。
本申请的一个实施例中,在上述执行主体为图像采集设备的情况下,可以获得自身采集的待识别图像。在上述执行主体为图像采集设备以外的电子设备的情况下,可以由图像采集设备采集得到待识别图像,再将采集到的图像发送到上述电子设备中。
步骤102,识别待识别图像中的车辆区域。
其中,上述车辆区域为:待识别图像中车辆所占的区域。具体的,上述车辆区域可以是待识别图像中车辆所在的矩形区域,也可以是根据待识别图像中车辆的轮廓所确定的区域,本申请实施例并不对此进行限定。
本申请的一个实施例中,可以利用车辆区域识别模型识别图像中的车辆区域。其中,车辆区域识别模型为:以样本图像为输入、样本图像中车辆的样本区域为标注、对车辆区域识别模型的初始神经网络模型进行训练得到的、用于识别图像中车辆区域的模型。
本申请的一个实施例中,可以识别待识别图像中全部区域内的车辆区域,也可以识别待识别图像中特定区域内的车辆区域,其中,上述特定区域可以是预先设定的预设区域,也可以是对待识别图像进行检测得到的区域。
步骤103,从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域。
图像采集设备采集的待识别图像中,包含各种类型的车辆。根据成像原理,距离参考车辆较远的车辆,被采集到待识别图像中后,成像得到的车辆区域通常较小,车辆区域内车辆的清晰度通常较低;距离参考车辆较近的车辆,被采集到待识别图像中后,成像得到的车辆区域通常较大,车辆区域内车辆的清晰度通常较高。
鉴于此,第一预设宽度可以为待识别图像中一种车辆区域的像素宽度,用于衡量待识别图像中各种类型的车辆在车辆区域内是否成像清晰。对于像素宽度大于第一预设宽度的车辆区域,该车辆区域内车辆通常距离参考车辆较近,该车辆通常可以在图像中清晰成像;对于像素宽度第一预设宽度的车辆区域,该车辆区域内车辆通常距离参考车辆较远,该车辆通常难以在图像中清晰成像。因此,利用第一预设宽度,可以针对待识别图像中任一类型的车辆,判断该车辆在待识别图像中车辆区域内是否清晰。
具体的,受图像采集设备所采集图像的分辨率、图像采集设备的焦距等因素影响,距离参考车辆较远的车辆在图像中难以清晰成像,因此不将这类车辆在待识别图像中的车辆区域作为目标车辆区域;距离参考车辆较近的车辆,可以将该车辆在待识别图像中的车辆区域作为目标车辆区域。当车辆区域的像素宽度大于第一预设宽度时,说明该车辆区域内车辆距离参考车辆较近,该车辆可以在图像中清晰成像,因此可以将该车辆区域作为目标车辆区域;当车辆区域的像素宽度小于第一预设宽度时,说明该车辆区域内车辆距离参考车辆较远,该车辆难以在图像中清晰成像,因此可以不将该车辆区域作为目标车辆区域。
本发明的一个实施例中,对于上述第一预设宽度的取值,可以根据以下方式确定:确定实际宽度最小的车辆在图像中能够被进行信息识别所需车辆区域像素宽度,作为上述第一预设宽度。例如,假设实际宽度最小的车辆在图像中车辆区域的像素宽度至少为65个像素点时,上述车辆的信息可以被识别,因此上述第一预设宽度的取值为65个像素点。这样根据实际宽度最小的车辆确定第一预设宽度,可以尽可能多地将不同大小的车辆所在的车辆区域作为目标车辆区域,提高确定为目标车辆区域的的覆盖率。
本申请的一个实施例中,对于上述第一预设宽度的取值,还可以根据以下方式确定:统计不同类型的车辆在图像中能够被进行信息识别所需车辆区域像素宽度的平均值,然后将上述平均值作为上述第一预设宽度。
例如,假设当小型轿车在图像中车辆区域的像素宽度至少为70个像素点时,小型轿车的车辆信息可以被识别;假设当中型商务车在图像中车辆区域的像素宽度至少为80个像素点时,中型商务车的车辆信息可以被识别;假设当大型货车在图像中车辆区域的像素宽度至少为90个像素点时,大型货车的车辆信息可以被识别。则计算上述像素宽度的平均值:
(70+80+90)/3=80
因此,得到第一预设宽度的值为80个像素点。
应用上述实施例提供的方案确定车辆区域时,获取安装在参考车辆上的图像采集设备采集的待识别图像,识别待识别图像中的车辆区域,从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域。
一方面,在道路中车辆与车辆之间通常间隔较近,这样由参考车辆上图像采集设备采集到的待识别图像中车辆所在区域通常较大,进而车辆的清晰度较高。另一方面,以车辆区域中像素宽度大于第一预设宽度的车辆区域为目标车辆区域,由于图像中车辆区域的像素宽度越大,车辆区域内车辆的像素宽度也就越大,从而目标车辆区域内车辆的清晰度越高。由此可见,应用上述实施例提供的方案进行车辆区域确定时,可以提高所确定的车辆区域内车辆的清晰度。
参见图2,本申请的一个实施例中,对于上述步骤103,在确定目标车辆区域时,可以通过如下步骤1031进行确定。
步骤1031,确定像素宽度大于第一预设宽度、且与预设的相对方位区分线的位置关系满足预设位置关系的车辆区域为目标车辆区域。
其中,相对方位区分线为:用于区分图像采集设备所采集图像中不同车辆区域内车辆相对参考车辆方位的区分线。相对方位区分线可以是竖直的线,也可以是具有一定倾角的直线,也可以是曲线。具体的,相对方位区分线可以是根据应用场景和实验结果确定的,也可以是根据图像采集设备的性能参数确定。需要说明的是,上述相对方位区分线为用于表示位置关系的一个概念,并不需要在图像中实际标注出上述相对方位区分线。
车辆区域与相对方位区分线的位置关系包括:车辆区域位于相对方位区分线的左侧、右侧,或者车辆区域与相对方位区分线相交等。也就是,车辆区域内车辆相对参考车辆的方位包括:位于参考车辆的左侧、右侧、正向等。
本申请的一个实施例中,可以以车辆区域的特征位置与相对方位区分线的位置关系作为车辆区域与相对方位区分线的位置关系,其中,上述特征位置用于表征所识别车辆区域在待识别图像中的位置。上述特征位置可以是表征车辆区域位置的点,具体可以是车辆区域的中心点、车辆区域的边界的顶点、车辆区域底部的中点等。例如,假设特征位置为车辆区域底部的中点,若上述车辆区域底部的中点位于相对方位区分线的左侧,即特征位置位于相对方位区分线的左侧,则可以认为上述车辆区域位于相对方位区分线的左侧。
上述特征位置也可以是表征车辆区域位置的线,具体可以是车辆区域的左侧边界竖线、经过车辆区域中心点的竖线、经过车辆区域对角线的斜线等。例如,假设特征位置为经过车辆区域中心点的竖线,若上述竖线位于相对方位区分线右侧,即特征位置位于相对方位区分线右侧,则可以认为上述车辆区域位于相对方位区分线的右侧。
上述特征位置还可以是表征车辆区域位置的特征区域,上述特征区域可以是车辆区域的中心区域、车辆区域内车辆的尾部区域等,特征区域的形状可以是矩形、圆形、椭圆形等。具体的,可以根据特征区域位于相对方位区分线两侧的面积大小,判断特征区域与相对方位区分线的位置关系,进而确定车辆区域与相对方位区分线的位置关系。例如,假设特征区域位于相对方位区分线左侧的面积占特征区域面积的比例为0.7,特征区域位于相对方位区分线右侧的面积占特征区域面积的比例为0.3,可知,上述特征区域大部分面积位于相对方位区分线的左侧,可以判断特征区域位于相对方位区分线的左侧,即特征位置位于相对方位区分线左侧,则可以认为车辆区域位于相对方位区分线左侧。
本申请的一个实施例中,对于上述步骤1031,可以首先在待识别图像的车辆区域中确定像素宽度大于第一预设宽度的车辆区域,作为待确定区域;再从待确定区域中,确定与相对方位区分线的位置关系满足预设位置关系的待确定区域,作为目标车辆区域。
本申请的一个实施例中,还可以首先在待识别图像的车辆区域中,确定与相对方位区分线的位置关系满足预设位置关系的车辆区域,作为待确定区域;再从待确定区域中,确定像素宽度大于第一预设宽度的车辆区域,作为目标车辆区域。
应用上述实施例提供的方案确定目标车辆区域时,不仅考虑车辆区域的像素宽度与第一预设宽度的大小关系,还考虑了车辆区域与预设的相对方位区分线的位置关系,这样得到的目标车辆区域的准确度更高,进而可以提高所确定目标车辆区域内车辆的清晰度。
本申请的一个实施例中,相对方位区分线可以包括:左侧方位区分线和/或右侧方位区分线和/或正向方位区分线。
其中,上述正向方位区分线可以为:图像采集设备所采集图像的中心竖线。左侧方位区分线和/或右侧方位区分线与正向方位区分线之间存在间隔。左侧方位区分线为:位于正向方位区分线左侧、与正向方位区分线间隔第一预设间隔的竖线。右侧方位区分线为:位于正向方位区分线右侧、与正向方位区分线间隔第二预设间隔的竖线。上述第一预设间隔、第二预设间隔可以是根据应用场景预先设定的值,二者可以相等,也可以不相等。
相对方位区分线可以包括左侧方位区分线、右侧方位区分线、正向方位区分线中的任意一条、两条或三条。
本申请的一个实施例中,对于上述步骤1031,在确定目标车辆区域时,可以确定像素宽度大于第一预设宽度、且特征位置位于左侧方位区分线左侧的车辆区域为目标车辆区域。
具体的,可以首先在待识别图像的车辆区域中确定像素宽度大于第一预设宽度的车辆区域,作为待确定区域;再从待确定区域中,确定特征位置位于左侧方位区分线左侧的待确定区域,作为目标车辆区域。还可以首先在待识别图像的车辆区域中,确定位于左侧方位区分线左侧的待确定区域,作为待确定区域;再从待确定区域中,确定像素宽度大于第一预设宽度的车辆区域,作为目标车辆区域。本申请实施例并不对此进行限定。
例如,如图3所示,位于图像左侧的车辆,假设其车辆区域像素宽度大于第一预设宽度,以其车辆区域的中心点为特征位置,由图可见,该车辆区域的特征位置位于左侧方位区分线的左侧,因此认为该车辆区域为目标车辆区域。
本申请的一个实施例中可以确定像素宽度大于第一预设宽度、且特征位置位于右侧方位区分线右侧的车辆区域为目标车辆区域。
具体方式与利用左侧方位区分线确定目标车辆区域的方式相似,在此不作赘述。
本申请的一个实施例中,可以确定像素宽度大于第一预设宽度、且与正向方位区分线相交的车辆区域为目标车辆区域。
也就是,确定像素宽度大于第一预设宽度、且车辆区域的左右边界分别位于正向方位区分线左右两侧的车辆区域为目标车辆区域。如图3所示,位于图像中心的车辆,假设其车辆区域像素宽度大于第一预设宽度,由图可见,其车辆区域的左右边界分别位于正向方位区分线左右两侧,因此认为该车辆区域为目标车辆区域。
本申请的一个实施例中,对于位于正向方位区分线与左侧方位区分线之间、正向方位区分线与右侧方位区分线之间的车辆区域,其区域内车辆可能在实际中正在进行变道、超车、调头等操作,这种情况下获得的车辆区域可能清晰度较差,因此不将上述车辆区域作为目标车辆区域。
本申请的一个实施例中,对于上述步骤103,可以从像素宽度大于第一预设宽度的车辆区域中,确定与正向方位区分线相交的车辆区域为正向车辆区域,识别所确定的正向车辆区域内车辆的车辆类型,确定所识别的车辆类型对应的第二预设宽度,在所确定的正向车辆区域的像素宽度达到第二预设宽度的情况下,确定所确定的正向车辆区域为目标车辆区域。
其中,上述第二预设宽度可以为待识别图像中另一种车辆区域的像素宽度,用于衡量与正向方位区分线相交的车辆区域内车辆中,一种类型的车辆的车辆区域是否成像清晰。具体的,不同类型的车辆具有不同的宽度,而不同宽度的车辆在图像中可以清晰成像所需的像素宽度不同。在车辆的车辆区域与正向方位区分线相交的情况下,说明图像采集设备采集的是该车辆正向的图像,这样该车辆的车辆区域的像素宽度,可以被认为时该车辆在待识别图像中的像素宽度;而对于不与正向方位区分线相交的车辆区域,根据成像原理,这类车辆区域的像素宽度通常大于车辆在图像中的像素宽度,因此根据这类车辆的车辆区域的像素宽度难以得到车辆的像素宽度。也就是,在与正向方位区分线相交的车辆区域中,每一类型的车辆的车辆区域对应不同的第二预设宽度。其中,每一车辆类型对应的第二预设宽度可以根据实验确定。
利用上述步骤103中涉及到的第一预设宽度,可以粗略地确定待识别图像中所包含的各种类型的车辆的车辆区域是否成像清晰。但是由于不同类型的车辆的宽度不同,进而不同宽度的车辆在图像中成像清晰所需的像素宽度也不同,也就是,不同类型的车辆在图像中成像清晰所需的车辆区域的像素宽度不同。简单地以第一预设宽度判断车辆区域是否成像清晰,可能会存在判断错误的情况。
例如,假设第一预设宽度为:各种类型的车辆在图像中可以被进行信息识别所需的像素宽度的平均值,假设小型轿车在图像中可以被进行车辆信息识别所需的车辆区域的像素宽度为70个像素点,中型商务车在图像中可以被进行车辆信息识别所需的车辆区域的像素宽度为80个像素点时,大型货车在图像中可以被进行车辆信息识别所需的车辆区域的像素宽度为90个像素点,这样计算得到的第一预设宽度为80个像素点。
这种情况下,对于大型货车而言,假设大型货车的车辆区域与正向方位区分线相交,车辆区域的像素宽度为81个像素点,此时利用第一预设宽度来判断,可以将上述车辆区域作为目标车辆区域,认为可以对该车辆区域内的大型货车进行车辆信息识别。但实际上,对大型货车进行信息识别所需的车辆区域的像素宽度至少为90个像素点,因此实际上难以对上述车辆区域内的大型货车进行车辆信息识别。
因此,对于正向车辆区域而言,将正向车辆区域的像素宽度进一步地与第二预设宽度进行比较,当正向车辆区域的像素宽度达到预设阈值时,可以进一步确认上述正向车辆区域内车辆距离参考车辆较近,上述车辆的车辆区域成像清晰,因此将上述正向车辆区域作为目标车辆区域。当正向车辆区域的像素宽度未达到预设阈值时,则说明上述正向车辆区域内车辆距离参考车辆较远,上述车辆的车辆区域在图像中难以成像清晰,因此不将上述正向车辆区域作为目标车辆区域。这样可以进一步提高所确定的目标车辆区域内车辆的清晰度。
本申请的一个实施例中,左侧方位区分线与正向方位区分线之间、右侧方位区分线与正向方位区分线之间间隔的取值可以为:根据图像采集设备所采集图像的宽度分辨率、实际可识别宽度和预设的宽度差值、车道实际宽度,计算得到的间隔值。
其中,实际可识别宽度可以为:图像采集设备实际可进行车辆信息识别的区域的宽度,实际可识别宽度的取值根据预设的车牌实际宽度、车牌号码能够被识别时的最小像素宽度和宽度分辨率确定。
在对车辆的车牌号码进行识别的情况下,上述在计算间隔值时,基于车牌实际宽度和车牌号码能够被识别时的最小像素宽度来进行计算。即以车牌作为参照物进行间隔值的计算。这样得到的间隔值准确度更高,更适合对车辆的车牌号码进行识别。
在本实施例提供的方案中,还可以采用其他物体作为参照物进行间隔值的计算。例如,可以基于车标的实际宽度、车牌能够被识别时的最小像素宽度,进行间隔值的计算。也可以采用车辆以外的参照物进行间隔值的计算,例如,可以基于路牌的实际宽度、路牌能够被识别时的最小像素宽度,进行间隔值的计算。本申请实施例并不对此进行限定。
下面对上述关于计算间隔值的各个概念进行详细解释。
车牌实际宽度可以是实际测量得到的车牌宽度,车牌实际宽度的单位可以是毫米、厘米、英尺等。各个国家分别对车牌宽度制定有统一的标准,例如,中国小型汽车车牌的宽度的标准为440毫米。
车牌号码能够被识别时的最小像素宽度为:在图像中进行车牌号码识别时成功识别到车牌号码所需的最小像素宽度,最小像素宽度的单位为像素点。在图像中当车牌的像素宽度达到上述最小像素宽度时,该车牌的车牌号码则可以被识别;当车牌的像素宽度未达到上述最小像素宽度时,该车牌的车牌号码则难以被准确识别。最小像素宽度的取值与图像采集设备所采集图像的宽度分辨率、车牌号码识别所用算法的精度等相关,其具体取值可以根据实验得到。
车道实际宽度为实际中车道的宽度,不同国家对实际车道的宽度有不同的规定,通常国内车道的宽度为3.75米。
预设的宽度差值为:车辆在实际行驶中,车辆中心点与实际的车道之间的宽度。具体的,可以假设车辆紧贴车道行驶,这样上述宽度差值也就是车辆宽度的一半。也可以假设车辆在车道正中心行驶,这样上述宽度差值也就是车道宽度的一半。
宽度分辨率为图像采集设备所采集图像的分辨率中针对图像宽度的分量值。例如,假设图像的分辨率为:1920x1080时,其中,1920为针对图像宽度的分量值,1080为针对图像高度的分量值,则上述宽度分辨率为:1920。
本申请的一个实施例中,间隔的取值I满足以下公式:
I=(h*k+r)*A/W
W=(A*M)/C
其中,W表示:实际可识别宽度,A表示:宽度分辨率,M表示:预设的车牌实际宽度,C表示:最小像素宽度,h表示:预设的宽度差值,r表示:车道实际宽度,k表示预设参数,预设参数的取值可以是0.5、0.4、0.6等。
首先,以计算实际最小可识别宽度为例,假设图像的宽度分辨率为1280,预设的车牌实际宽度为:0.44米,车牌号码能够被识别时车牌在图像中的最小像素宽度为:40个像素点,图像采集设备的视场角为30度,则实际最小可识别宽度W为:
W=(1280*0.44)/40=14米
根据实际最小可识别宽度,可以计算出侧向车道区分线和直行车道区分线之间的间隔。
参见图4,假设参考车辆在实际行驶中位于车道正中心,车道的实际宽度为3.75米,预设的宽度差值为车辆紧贴车道线行驶时车辆中心距离车道线的宽度0.8米,实际最小可识别宽度为12米,预设参数k为0.5,图像采集设备所采集图像的宽度分辨率为1280,则上述间隔值I为:
I=(3.75*0.5+0.8)*1280/12=285像素点
也就是,图像中侧向车道区分线与直行车道区分线之间的像素宽度为285个像素点。
参见图5,本申请的一个实施例中,可以通过如下步骤501至步骤503确定左侧方位区分线和/或右侧方位区分线:
步骤501,根据预设的车牌实际宽度、车牌号码能够被识别时的最小像素宽度和图像采集设备所采集图像的宽度分辨率,计算实际最小可识别宽度。
步骤502,根据宽度分辨率、实际最小可识别宽度和预设的宽度差值、车道实际宽度,计算表示左侧方位区分线和/或右侧方位区分线与正向方位区分线之间间隔的间隔值。
上述间隔值为:表示图像中左侧方位区分线和/或右侧方位区分线与正向方位区分线之间的像素宽度的值。
步骤503,根据间隔值和正向方位区分线确定左侧方位区分线和/或右侧方位区分线。
具体的,在正向方位区分线为图像的中心竖线的情况下,根据上述间隔值和正向方位区分线的位置,即可确定出左侧方位区分线和/或右侧方位区分线的位置。例如,如图3所示,正向方位区分线位于图像正中心,左侧方位区分线位于正向方位区分线左侧,左侧方位区分线与正向方位区分线之间的间隔的取值为上述计算得到的间隔值,右侧方位区分线位于正向方位区分线右侧,右侧方位区分线与正向方位区分线之间的间隔的取值也为上述计算得到的间隔值。
本申请的一个实施例中,对于上述左侧方位区分线和/或右侧方位区分线,也可以根据实际的车道线在图像中的位置确定。具体的,道路中通常存在用于区分车道的车道线,例如,车道白线、车道黄线、车道双黄线等。可以对待识别图像中车道线进行检测,根据实际车道线在图像中的位置确定左侧方位区分线和/或右侧方位区分线。
具体的,当车辆位于参考车辆所在车道的左侧车道时,该车辆在图像中的车辆区域位于左侧方位区分线左侧;当车辆位于参考车辆所在车道的右侧车道时,该车辆在图像中的车辆区域位于右侧方位区分线右侧。
参见图6,本发明的一个实施例中,在上述步骤103确定目标车辆区域后,车牌区域确定方法还可以包括如下步骤104:
步骤104,对所确定的目标车辆区域内车辆的信息进行识别。
其中,车辆的信息可以是车辆的车标、车牌号码、车辆的类型、车辆的颜色等。
本申请的一个实施例中,可以识别车辆的外形、颜色和配件等,上述配件包括车辆的轮毂、保险杠、分离器、以及挂饰等,例如,上述挂饰包括毛绒玩具、贴纸、风车等。通过对上述信息进行识别,可以判断车辆是否为改装车辆。
具体的,可以识别出车辆所属类型,确定该类型车辆的外形、颜色、配件等标准规格,以识别出的信息与所确定的标准规格进行对比,若对比得到所识别出的信息与标准规格差异度较大,则可以认为该车辆为改装车辆。在判断该车辆为改装车辆后,还可以针对判断结果生成提示信息,向车辆监控中心做出提示。
本申请的一个实施例中,在识别出车辆的信息,如外形、颜色、标志、车牌号码等,可以将上述信息与特殊车辆信息库中存储的特殊车辆信息进行对比,若对比结果表征上述识别到的信息与特殊车辆信息库中存储的特殊车辆信息匹配度较高,则可以生成提示信息,向车辆监控中心作出提示。
其中,上述特殊车辆信息库中存储有特殊车辆的外形、颜色、标志、车牌号码等信息中的至少一种,上述特殊车辆可以是遗失的车辆、报废的车辆、受监管的车辆等。
应用上述实施例提供的方案进行车辆信息识别时,由于所识别的目标车辆区域内车辆的清晰度较高,进而对目标车辆区域内车辆的信息进行识别,所得到的车辆信息准确度较高。
参见图7,本申请的一个实施例中,对于上述步骤104识别车辆的信息,可以包括如下步骤1041:
步骤1041,对待识别图像中所确定的目标车辆区域内车辆的车牌号码进行识别,得到目标车辆区域内车辆的车牌号码。
具体的,针对待识别图像中每一目标车辆区域,对该区域进行车牌号码识别,从而得到该区域内车辆的车牌号码。
本申请的一个实施例中,可以将待识别图像、所确定的每一目标车辆区域输入预先训练的车牌号码识别模型,对每一目标车辆区域内车辆的车牌号码进行识别,得到各个目标车辆区域内车辆的车牌号码。
其中,车牌号码识别模型为:以样本图像、样本图像中样本目标车辆区域为输入信息、以样本目标车辆区域内车辆的车牌号码为监督信息、对车牌号码识别模型的初始模型进行训练得到的、用于进行车牌号码识别的模型。
上述监督信息用于对初始模型的输出结果进行监督。具体的,通过计算上述输出结果相对样本目标车辆区域内车辆的车牌号码的损失,可以对上述模型的参数进行能够调整,使得进行参数调整后的上述模型对样本图像进行车牌号码识别时,所识别出车牌号码向作为监督信息的车牌号码靠拢。
具体的,针对每一待识别图像,可以将表征该待识别图像中每一目标车辆区域的区域信息和该待识别图像输入上述车牌号码识别模型,输出每一目标车辆区域内车辆的车牌号码。其中,上述区域信息可以包括:目标车辆区域的位置信息、形状信息、大小信息等。
本申请的一个实施例中,在进行车牌号码识别时,可以针对待识别图像中每一目标车辆区域,对该目标车辆区域内车辆的信息进行识别,得到该目标车辆区域内车辆的车牌号码和车牌属性,在所获得的车牌属性满足车牌识别要求的情况下,将所获得的车牌号码确定为该目标车辆区域内车辆的车牌号码。
其中,车牌属性可以是描述车牌形状、大小的信息,也可以是描述车牌类别的信息。
具体的,对目标车辆区域进行车牌号码识别,实质上可以理解为对目标车辆区域内车牌区域进行车牌号码识别,而车牌属性可以表征车牌区域的信息。因此,在车牌属性满足车牌识别要求的情况下,得到的目标车辆区域内车辆的车牌号码准确度较高,在车牌属性不满足车牌识别要求的情况下,得到的车牌号码准确度较低。
本申请的一个实施例中,可以根据以下方式1至方式3中的至少一种判断车牌属性是否满足车牌识别要求。
方式1,在车牌属性包括车牌宽度、车牌高度、车牌类别的情况下,根据车牌类别确定车牌宽度阈值和车牌高度阈值,在车牌宽度达到车牌宽度阈值且车牌高度达到车牌高度阈值的情况下,判断车牌属性满足车牌识别要求。
根据不同的分类标准,车牌可以被划分为不同的类别。具体的,根据车牌归属地划分,车牌类别可以包括:中国车牌、美国车牌、德国车牌等;根据车牌应用的车辆类型划分,车牌类别可以包括:大型汽车车牌、小型汽车车牌等。
由于不同类别的车牌具有不同的车牌规格,例如,小型汽车车牌的车牌实际宽度为440毫米、实际高度为140毫米,大型汽车车牌的车牌实际宽度为440毫米、实际高度为220毫米。因此,针对每一车牌类别,可以确定该车牌类别的车牌在图像中能够被进行车牌号码识别所需的车牌宽度阈值和车牌高度阈值,也就是每一车牌类型对应一车牌宽度阈值和车牌高度阈值。需要说明的是,上述车牌属性中包括的车牌宽度、车牌高度,以及所确定的车牌宽度阈值、车牌高度阈值的单位均为像素点。
具体的,根据车牌属性中的车牌类别,确定车牌宽度阈值和车牌高度阈值,在车牌属性中包含的车牌宽度达到上述车牌宽度阈值、车牌高度达到上述车牌高度阈值的情况下,认为该车牌属性满足车牌识别要求,否则认为该车牌属性不满足车牌识别要求。
方式2,在车牌属性包括车牌宽度的情况下,若目标车辆区域与预设的正向方位区分线相交,确定目标车辆区域内车辆类型对应的第三预设宽度,计算车牌宽度与第三预设宽度的比值,在比值达到所述车辆类型对应的预设比例阈值的情况下,判断车牌属性满足车牌识别要求。
其中,车辆类型为车辆所属的类别,包括:小型汽车、大型汽车等。第三预设宽度为每一类型的车辆的实际宽度。
不同类型的车辆具有不同的车辆规格,例如,小型汽车的实际宽度通常为1600毫米,大型汽车的实际宽度通常为1900毫米。由此可以得知,小型汽车对应的第三预设宽度为1600毫米,大型汽车对应的第三预设宽度为1900毫米。
不同车辆类型的车辆对应不同类型的车牌,不同类型的车牌对应不同的车牌实际宽度,且不同类型的车辆对应不同的车辆实际宽度,也就是,不同类型的车辆,对应不同的车牌实际宽度与车辆实际宽度的比值。而车牌实际宽度与车辆实际宽度的比值、图像中车牌宽度与车辆宽度的比值相等,也就是,不同类型的车辆,对应不同的车牌宽度与车辆宽度的比例阈值。例如,小型汽车的车辆实际宽度为1600毫米,小型汽车对应的小型汽车车牌的实际宽度为440毫米,因此,小型汽车对应的比例阈值为0.28。
具体的,若目标车辆区域与预设的正向方位区分线相交,说明目标车辆区域内车辆相对参考车辆的方位为正向方位,这种情况下,确定目标车辆区域内车辆的车辆类型,并确定上述车辆类型对应的第三预设宽度,计算上述车牌宽度与第三预设宽度的比值,在比值达到上述车辆类型对应的预设比例阈值的情况下,判断车牌属性满足车牌识别要求,在比值未达到上述车辆类型对应的预设比例阈值的情况下,判断该车牌属性不满足车牌识别要求。
方式3,在车牌属性表征车辆的车牌在待识别图像中成像完整的情况下,判断车牌属性满足车牌识别要求。
具体的,上述车牌在待识别图像中成像完整,说明图像中车牌区域完整、未被遮挡。在车牌成像完整的情况下,认为该车牌属性满足车牌识别要求,在车牌成像不完整的情况下,认为该车牌属性不满足车牌识别要求。
本申请的一个实施例中,可以识别车牌中的字符数,在上述字符数满足字符阈值的情况下,认为车牌成像完整。其中,上述字符阈值可以根据车牌类型中的车牌归属地确定,对于中国的车牌,车牌号码的字符数通常为7,因此当车牌归属地为中国时,上述字符阈值为7。
本申请的一个实施例中,还可以根据所识别的车牌中的字符数判断车牌区域是否被遮挡。若上述字符数少于字符阈值,则可以认为车牌区域被遮挡,在车牌区域被遮挡的情况下,认为车牌区域成像不完整。
应用上述实施例提供的方案进行车牌号码识别时,首先由于所识别的目标车辆区域内车辆的清晰度较高,进而对目标车辆区域内车辆的车牌号码进行识别,所得到的车牌号码准确度较高。而且,在识别车辆信息时也识别出了车牌属性,依据车牌属性判断是否符合车牌识别要求,这样可以进一步提高得到的车牌号码的准确度。
本申请的一个实施例中,对于上述步骤102中识别待识别图像中特定区域内的车辆区域,其中,特定区域可以是预设区域,也可以是对待识别图像进行检测得到的区域。
本申请的一个实施例中,在特定区域为预设区域的情况下,上述预设区域可以是与图像底部间隔小于预设间隔的底部区域。由于图像采集设备所采集到的图像中,距离参考车辆越近的车辆,其车辆区域越靠近待识别图像的底部,因此,越靠近待识别图像底部的车辆区域的面积越大,车辆区域内车辆的清晰度也就越高,对上述底部区域区域进行车辆区域识别,这样得到的车辆区域有助于提高车辆区域内车辆的清晰度。
上述预设间隔可以是根据应用场景和实验结果确定的,也可以是根据图像采集设备的性能参数、安装位置确定的。例如,上述预设间隔可以为500个像素点,这种情况下,则是对待识别图像中距离图像底部500个像素点以内的底部区域进行车辆区域识别。
上述预设区域还可以是图像的中部区域。图像采集设备所采集到的图像中,位于参考车辆两侧的车辆在图像中成像会发生形变;位于图像中部区域的车辆区域发生的形变较小。因此,对待识别图像中部区域进行识别,这样得到的车辆区域有助于提高车辆区域内车辆的清晰度。其中,上述中部区域所在的位置和宽度可以根据应用场景和实验结果确定,也可以根据图像采集设备的性能参数、安装位置确定。例如,上述中部区域可以位于图像的中心位置,上述中部区域的宽度可以是800个像素点。
参见图8,本申请的一个实施例中,还可以通过如下步骤801和步骤802确定上述预设区域。
步骤801,根据预设的车牌实际宽度、车牌号码能够被识别时的最小像素宽度、图像采集设备所采集图像的宽度分辨率和图像采集设备的视场角,确定车辆车牌号码能够被识别的实际可识别距离。
与上述计算间隔值时的方式类似,此处以车牌为参照物仅仅是较佳的一种实现方式,除此之外可以选择其他参照物的实际宽度和在图像中能够被识别时的最小像素宽度,计算上述实际可识别距离。
具体的,可以通过以下公式计算上述实际可识别距离H:
W=(A*M)/C
H=W/tan(α/2)
其中,A表示:图像采集设备所采集图像的宽度分辨率,M表示:预设的车牌实际宽度,C表示:车牌号码能够被识别时的最小像素宽度,W表示实际最小可识别宽度,α表示:图像采集设备的视场角。
根据上述公式可以计算得到实际可识别距离,也就是,距离参考车辆前方或后方实际可识别距离内的车辆中,能够被图像采集设备采集到图像中的车辆可以在待识别图像中清晰成像。如图9所示,图像底部的形状块表示安装在参考车辆上的图像采集设备,虚线所围成的三角形区域的高为实际可识别距离,三角形区域的宽为实际最小可识别宽度,位于该区域内的车辆能够被图像采集设备采集到图像中,且在图像中清晰度较高,因此,可以将上述区域称为实际可识别区域。
例如,假设图像的宽度分辨率为1280,预设的车牌实际宽度为:0.44米,车牌号码能够被识别时车牌在图像中的最小像素宽度为:40个像素点,图像采集设备的视场角为30度,则实际可识别距离H为:
W=(1280*0.44)/40=14米
H=14/tan(30°/2)=52米
也就是,在图像采集设备朝向参考车辆前方的情况下,距离参考车辆前方52米内、能够被采集到图像中的区域为实际可识别区域,位于上述实际可识别区域内的车辆在待识别图像中清晰度较高。
步骤802,确定上述实际可识别区域在图像中所占的区域,作为预设区域。
由于实际可识别区域内的车辆的信息可以被识别,而上述预设区域为实际可识别区域在图像中所占的区域,因此图像中预设区域内车辆的清晰度较高。例如,如图10所示,图10为安装在车辆上的图像采集设备采集的图像,图中矩形区域为实际可识别区域在图像中所占的预设区域,也就是,位于图像中矩形区域内的车辆区域内车辆的清晰度较高。
本申请的一个实施例中,在上述特定区域为对待识别图像进行检测得到的区域的情况下,可以识别图像中的障碍区域,将图像中障碍区域以外的区域作为上述特定区域。其中,上述障碍区域可以是建筑区域、绿化带区域等。上述障碍区域内不存在车辆,识别障碍区域外的区域内车辆区域,可以节省计算资源,加快识别效率。
下面再对车辆区域确定方案进行完整描述。
参见图11,图11为本申请实施例提供的再一种车辆区域确定方法的流程示意图。
步骤1101,识别车辆区域,也就是识别待识别图像中每一车辆的车辆区域;
步骤1102,根据识别出的车辆区域的宽度与第一预设宽度进行判断,当车辆区域宽度大于第一预设宽度时,认为该车辆区域内车辆距离参考车辆较近,该车辆区域在图像中成像清晰,可以对该车辆区域进行信息识别,因此执行后续步骤;当车辆区域宽度不大于第一预设宽度时,认为该车辆区域内车辆距离参考车辆较远,该车辆区域在图像中成像不清晰,因此不对该车辆区域进行信息识别,过滤该车辆区域;
步骤1103,判断该车辆区域是否位于左侧方位区分线左侧,若为是,则确认该车辆区域为目标车辆区域,并对该目标车辆区域进行车辆信息识别,否则,执行下一步骤;
步骤1104,判断该车辆区域是否位于右侧方位区分线右侧,若为是,则确认该车辆区域为目标车辆区域,并对该目标车辆区域进行车辆信息识别,否则,执行下一步骤;
步骤1105,判断该车辆区域是否与正向方位区分线相交,若为是,则确认该车辆区域为目标车辆区域,并对该目标车辆区域进行车辆信息识别,否则,对该车辆区域进行过滤。
需要说明的是,本申请实施例中,上述步骤1103、1104、1105的执行顺序并不限定,以上3个步骤的执行顺序可以随意调换,也可以并行执行。
应用上述实施例提供的方案进行车辆信息的识别时,首先对待识别图像中车辆区域进行识别,在识别出车辆区域后,利用第一预设宽度,对像素宽度小于第一预设宽度的车辆区域进行初步过滤,这样第一次过滤后可以得到成像较为清晰的车辆区域。之后再根据车辆区域分别相对正向方位区分线、左侧方位区分线、右侧方位区分线的位置关系,进一步对车辆区域进行过滤,这样可以过滤掉正在超车、变道、转弯、调头等车辆的车辆区域,可以进一步提高车辆区域内车辆的准确度。将满足上述位置关系的车辆区域作为目标车辆区域,对目标车辆区域内车辆的车辆信息进行识别。这样对车辆清晰度较高的车辆区域进行信息识别,可以提高识别到的车辆信息的准确度。
参见图12,图12为本申请实施例提供的一种车牌号码判定方法的流程示意图。
步骤1201,获得车辆信息识别结果,其中,车辆信息识别结果中包含车辆的车牌号码和车牌属性,车牌属性中包括:车牌宽度、车牌高度、车牌类别;
步骤1202,根据车牌类别可以确定车牌宽度阈值和车牌高度阈值,在上述车牌宽度、车牌高度分别达到上述车牌宽度阈值、车牌高度阈值的情况下,认为车牌宽度和车牌高度满足车牌识别要求,继续执行后续步骤;否则,认为车牌宽度和车牌高度不满足车牌识别要求,这种情况下认为识别出的车牌号码为错误的号码;
步骤1203,在该车辆的车辆区域与预设的正向方位区分线相交的情况下,识别该车辆的车辆类型,根据车辆类型确定车牌宽度与车辆宽度的预设比例阈值,并且计算图像中识别到的车牌宽度与车辆宽度的像素值的比值,在上述比值达到预设比例阈值的情况下,认为满足车牌识别要求,因此判定车牌号码识别正确,否则认为车牌号码识别错误;
步骤1204,判断该车牌是否成像完整,若成像完整,则认为车牌号码识别正确,否则认为车牌号码识别错误。
应用上述实施例提供的方案进行车牌号码判定时,可以采用不同的判定方式来判定车牌号码是否识别正确,提高判定的准确性。需要说明的是,上述步骤1203和步骤1204的执行顺序并不限定,其执行顺序可以调换,也可以并行执行。
参见图13,本申请实施例提供了一种车辆区域确定装置,所述装置包括:
图像获取模块1301,用于获取安装在参考车辆上的图像采集设备采集的待识别图像;
区域识别模块1302,用于识别所述待识别图像中的车辆区域;
区域确定模块1303,用于从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域。
本申请的一个实施例中,所述区域确定模块1303,具体用于:
确定像素宽度大于第一预设宽度、且与预设的相对方位区分线的位置关系满足预设位置关系的车辆区域为目标车辆区域,其中,所述相对方位区分线为:用于区分所述图像采集设备所采集图像中不同车辆区域内车辆相对所述参考车辆方位的区分线。
本申请的一个实施例中,所述相对方位区分线包括:左侧方位区分线和/或右侧方位区分线和/或正向方位区分线;
所述区域确定模块1303,包括:
第一区域确定单元,用于确定像素宽度大于第一预设宽度、且特征位置位于所述左侧方位区分线左侧的车辆区域为目标车辆区域,所述特征位置用于表征所识别车辆区域在所述待识别图像中的位置;和/或
第二区域确定单元,用于确定像素宽度大于所述第一预设宽度、且特征位置位于所述右侧方位区分线右侧的车辆区域为目标车辆区域;和/或
第三区域确定单元,用于确定像素宽度大于所述第一预设宽度、且与所述正向方位区分线相交的车辆区域为目标车辆区域。
本申请的一个实施例中,所述第三区域确定单元,具体用于:
从像素宽度大于所述第一预设宽度的车辆区域中,确定与所述正向方位区分线相交的车辆区域为正向车辆区域;
识别所确定的正向车辆区域内车辆的车辆类型,确定所识别的车辆类型对应的第二预设宽度;
在所确定的正向车辆区域的像素宽度达到所述第二预设宽度的情况下,确定所确定的正向车辆区域为目标车辆区域。
本申请的一个实施例中,所述正向方位区分线为:所述图像采集设备所采集图像的中心竖线;
所述左侧方位区分线和/或右侧方位区分线与所述正向方位区分线之间存在间隔,所述间隔的取值为:根据所述图像采集设备所采集图像的宽度分辨率、实际可识别宽度和预设的宽度差值、车道实际宽度,计算得到的间隔值,其中,所述实际可识别宽度为:所述图像采集设备实际可进行车辆信息识别的区域的宽度,所述实际可识别宽度的取值根据预设的车牌实际宽度、车牌号码能够被识别时的最小像素宽度和所述宽度分辨率确定。
本申请的一个实施例中,所述间隔的取值I满足以下公式:
I=(h*k+r)*A/W
W=(A*M)/C
其中,所述W表示:所述实际可识别宽度,所述A表示:所述宽度分辨率,所述M表示:预设的车牌实际宽度,所述C表示:所述最小像素宽度,所述h表示:预设的宽度差值,所述r表示:所述车道实际宽度,所述k表示预设参数。
本申请的一个实施例中,所述装置还包括:
信息识别模块,用于对所确定的目标车辆区域内车辆的信息进行识别。
本申请的一个实施例中,所述信息识别模块,具体用于:
对所述待识别图像中所确定的目标车辆区域内车辆的车牌号码进行识别,得到目标车辆区域内车辆的车牌号码。
本申请的一个实施例中,所述信息识别模块,具体用于:
将所述待识别图像、所确定的每一目标车辆区域输入预先训练的车牌号码识别模型,对每一目标车辆区域内车辆的车牌号码进行识别,得到各个目标车辆区域内车辆的车牌号码,其中,所述车牌号码识别模型为:以样本图像、样本图像中样本目标车辆区域为输入信息、以样本目标车辆区域内车辆的车牌号码为监督信息、对所述车牌号码识别模型的初始模型进行训练得到的、用于进行车牌号码识别的模型。
本申请的一个实施例中,所述信息识别模块,具体用于:
针对所述待识别图像中每一目标车辆区域,对该目标车辆区域内车辆的信息进行识别,得到该目标车辆区域内车辆的车牌号码和车牌属性,在所获得的车牌属性满足车牌识别要求的情况下,将所获得的车牌号码确定为该目标车辆区域内车辆的车牌号码。
本申请的一个实施例中,根据以下方式中的至少一种判断车牌属性是否满足车牌识别要求:
在车牌属性包括车牌宽度、车牌高度、车牌类别的情况下,根据所述车牌类别确定车牌宽度阈值和车牌高度阈值,在所述车牌宽度达到所述车牌宽度阈值且车牌高度达到所述车牌高度阈值的情况下,判断所述车牌属性满足车牌识别要求;
在所述车牌属性包括车牌宽度的情况下,若所述目标车辆区域与预设的正向方位区分线相交,确定所述目标车辆区域内车辆类型对应的第三预设宽度,计算所述车牌宽度与第三预设宽度的比值,在所述比值达到所述车辆类型对应的预设比例阈值的情况下,判断所述车牌属性满足车牌识别要求;
在所述车牌属性表征车辆的车牌在所述待识别图像中成像完整的情况下,判断所述车牌属性满足车牌识别要求。
应用上述实施例提供的方案确定车辆区域时,获取安装在参考车辆上的图像采集设备采集的待识别图像,识别待识别图像中的车辆区域,从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域。
一方面,在道路中车辆与车辆之间通常间隔较近,这样由参考车辆上图像采集设备采集到的待识别图像中车辆所在区域通常较大,进而车辆的清晰度较高。另一方面,以车辆区域中像素宽度大于第一预设宽度的车辆区域为目标车辆区域,由于图像中车辆区域的像素宽度越大,车辆区域内车辆的像素宽度也就越大,从而目标车辆区域内车辆的清晰度越高。由此可见,应用上述实施例提供的方案进行车辆区域确定时,可以提高所确定的车辆区域内车辆的清晰度。
本申请实施例还提供了一种电子设备,如图14所示,包括处理器1401和计算机可读存储介质1402,所述计算机可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器被所述机器可执行指令促使:实现任一车辆区域确定方法步骤。
本申请的一个实施例中,所述电子设备还包括通信接口和通信总线,其中,处理器1401,通信接口,计算机可读存储介质1402通过通信总线完成相互间的通信。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated 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。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一车辆区域确定方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一车辆区域确定方法。
应用上述实施例提供的方案确定车辆区域时,获取安装在参考车辆上的图像采集设备采集的待识别图像,识别待识别图像中的车辆区域,从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域。
一方面,在道路中车辆与车辆之间通常间隔较近,这样由参考车辆上图像采集设备采集到的待识别图像中车辆所在区域通常较大,进而车辆的清晰度较高。另一方面,以车辆区域中像素宽度大于第一预设宽度的车辆区域为目标车辆区域,由于图像中车辆区域的像素宽度越大,车辆区域内车辆的像素宽度也就越大,从而目标车辆区域内车辆的清晰度越高。由此可见,应用上述实施例提供的方案进行车辆区域确定时,可以提高所确定的车辆区域内车辆的清晰度。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例、电子设备实施例、计算机可读存储介质实施例、计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (17)
1.一种车辆区域确定方法,其特征在于,所述方法包括:
获取安装在参考车辆上的图像采集设备采集的待识别图像;
识别所述待识别图像中的车辆区域;
从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域。
2.根据权利要求1所述的方法,其特征在于,所述从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域,包括:
确定像素宽度大于第一预设宽度、且与预设的相对方位区分线的位置关系满足预设位置关系的车辆区域为目标车辆区域,其中,所述相对方位区分线为:用于区分所述图像采集设备所采集图像中不同车辆区域内车辆相对所述参考车辆方位的区分线。
3.根据权利要求2所述的方法,其特征在于,
所述相对方位区分线包括:左侧方位区分线和/或右侧方位区分线和/或正向方位区分线;
所述确定像素宽度大于第一预设宽度、且与预设的相对方位区分线的位置关系满足预设位置关系的车辆区域为目标车辆区域,包括:
确定像素宽度大于第一预设宽度、且特征位置位于所述左侧方位区分线左侧的车辆区域为目标车辆区域,所述特征位置用于表征所识别车辆区域在所述待识别图像中的位置;和/或
确定像素宽度大于所述第一预设宽度、且特征位置位于所述右侧方位区分线右侧的车辆区域为目标车辆区域;和/或
确定像素宽度大于所述第一预设宽度、且与所述正向方位区分线相交的车辆区域为目标车辆区域。
4.根据权利要求3所述的方法,其特征在于,所述确定像素宽度大于所述第一预设宽度、且与所述正向方位区分线相交的车辆区域为目标车辆区域,包括:
从像素宽度大于所述第一预设宽度的车辆区域中,确定与所述正向方位区分线相交的车辆区域为正向车辆区域;
识别所确定的正向车辆区域内车辆的车辆类型,确定所识别的车辆类型对应的第二预设宽度;
在所确定的正向车辆区域的像素宽度达到所述第二预设宽度的情况下,确定所确定的正向车辆区域为目标车辆区域。
5.根据权利要求3所述的方法,其特征在于,
所述正向方位区分线为:所述图像采集设备所采集图像的中心竖线;
所述左侧方位区分线和/或右侧方位区分线与所述正向方位区分线之间存在间隔,所述间隔的取值为:根据所述图像采集设备所采集图像的宽度分辨率、实际可识别宽度和预设的宽度差值、车道实际宽度,计算得到的间隔值,其中,所述实际可识别宽度为:所述图像采集设备实际可进行车辆信息识别的区域的宽度,所述实际可识别宽度的取值根据预设的车牌实际宽度、车牌号码能够被识别时的最小像素宽度和所述宽度分辨率确定。
6.根据权利要求5所述的方法,其特征在于,所述间隔的取值I满足以下公式:
I=(h*k+r)*A/W
W=(A*M)/C
其中,所述W表示:所述实际可识别宽度,所述A表示:所述宽度分辨率,所述M表示:预设的车牌实际宽度,所述C表示:所述最小像素宽度,所述h表示:预设的宽度差值,所述r表示:所述车道实际宽度,所述k表示预设参数。
7.根据权利要求1-6中任一项所述的方法,其特征在于,在确定目标车辆区域之后,所述方法还包括:
对所确定的目标车辆区域内车辆的信息进行识别。
8.根据权利要求7所述的方法,其特征在于,所述对所确定的目标车辆区域内车辆的信息进行识别,包括:
对所述待识别图像中所确定的目标车辆区域内车辆的车牌号码进行识别,得到目标车辆区域内车辆的车牌号码。
9.根据权利要求8所述的方法,其特征在于,所述对所述待识别图像中所确定的目标车辆区域内车辆的车牌号码进行识别,得到目标车辆区域内车辆的车牌号码,包括:
将所述待识别图像、所确定的每一目标车辆区域输入预先训练的车牌号码识别模型,对每一目标车辆区域内车辆的车牌号码进行识别,得到各个目标车辆区域内车辆的车牌号码,其中,所述车牌号码识别模型为:以样本图像、样本图像中样本目标车辆区域为输入信息、以样本目标车辆区域内车辆的车牌号码为监督信息、对所述车牌号码识别模型的初始模型进行训练得到的、用于进行车牌号码识别的模型。
10.根据权利要求8所述的方法,其特征在于,所述对所述待识别图像中所确定的目标车辆区域内车辆的车牌号码进行识别,得到目标车辆区域内车辆的车牌号码,包括:
针对所述待识别图像中每一目标车辆区域,对该目标车辆区域内车辆的信息进行识别,得到该目标车辆区域内车辆的车牌号码和车牌属性,在所获得的车牌属性满足车牌识别要求的情况下,将所获得的车牌号码确定为该目标车辆区域内车辆的车牌号码。
11.根据权利要求10所述的方法,其特征在于,根据以下方式中的至少一种判断车牌属性是否满足车牌识别要求:
在车牌属性包括车牌宽度、车牌高度、车牌类别的情况下,根据所述车牌类别确定车牌宽度阈值和车牌高度阈值,在所述车牌宽度达到所述车牌宽度阈值且车牌高度达到所述车牌高度阈值的情况下,判断所述车牌属性满足车牌识别要求;
在所述车牌属性包括车牌宽度的情况下,若所述目标车辆区域与预设的正向方位区分线相交,确定所述目标车辆区域内车辆类型对应的第三预设宽度,计算所述车牌宽度与第三预设宽度的比值,在所述比值达到所述车辆类型对应的预设比例阈值的情况下,判断所述车牌属性满足车牌识别要求;
在所述车牌属性表征车辆的车牌在所述待识别图像中成像完整的情况下,判断所述车牌属性满足车牌识别要求。
12.一种车辆区域确定装置,其特征在于,所述装置包括:
图像获取模块,用于获取安装在参考车辆上的图像采集设备采集的待识别图像;
区域识别模块,用于识别所述待识别图像中的车辆区域;
区域确定模块,用于从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域。
13.根据权利要求12所述的装置,其特征在于,所述区域确定模块,具体用于:
确定像素宽度大于第一预设宽度、且与预设的相对方位区分线的位置关系满足预设位置关系的车辆区域为目标车辆区域,其中,所述相对方位区分线为:用于区分所述图像采集设备所采集图像中不同车辆区域内车辆相对所述参考车辆方位的区分线。
14.根据权利要求12或13所述的装置,其特征在于,所述装置还包括:
信息识别模块,用于在从像素宽度大于第一预设宽度的车辆区域中确定目标车辆区域后,对所确定的目标车辆区域内车辆的信息进行识别。
15.根据权利要求14所述的装置,其特征在于,所述信息识别模块,具体用于:对所述待识别图像中所确定的目标车辆区域内车辆的车牌号码进行识别,得到目标车辆区域内车辆的车牌号码。
16.根据权利要求15所述的装置,其特征在于,所述信息识别模块,具体用于:
针对所述待识别图像中每一目标车辆区域,对该目标车辆区域内车辆的信息进行识别,得到该目标车辆区域内车辆的车牌号码和车牌属性,在所获得的车牌属性满足车牌识别要求的情况下,将所获得的车牌号码确定为该目标车辆区域内车辆的车牌号码。
17.一种电子设备,其特征在于,包括处理器和计算机可读存储介质,所述计算机可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器被所述机器可执行指令促使:实现权利要求1-11中任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911400326.2A CN113128264B (zh) | 2019-12-30 | 2019-12-30 | 一种车辆区域确定方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911400326.2A CN113128264B (zh) | 2019-12-30 | 2019-12-30 | 一种车辆区域确定方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128264A true CN113128264A (zh) | 2021-07-16 |
CN113128264B CN113128264B (zh) | 2023-07-07 |
Family
ID=76768319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911400326.2A Active CN113128264B (zh) | 2019-12-30 | 2019-12-30 | 一种车辆区域确定方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128264B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114659489A (zh) * | 2022-03-11 | 2022-06-24 | 苏州清研微视电子科技有限公司 | 一种基于凸透镜成像原理的前车距离检测方法和装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011150417A (ja) * | 2010-01-19 | 2011-08-04 | Yupiteru Corp | 車載用電子機器及びプログラム |
CN104290753A (zh) * | 2014-09-29 | 2015-01-21 | 长安大学 | 一种前方车辆运动状态追踪预测装置及其预测方法 |
KR20150052706A (ko) * | 2013-11-06 | 2015-05-14 | 재단법인 다차원 스마트 아이티 융합시스템 연구단 | 차량용 블랙박스 카메라의 감시방법 및 이를 구현한 차량용 블랙박스 카메라 |
CN105303823A (zh) * | 2015-09-07 | 2016-02-03 | 中国联合网络通信集团有限公司 | 车辆违规监控方法和*** |
CN107705552A (zh) * | 2016-08-08 | 2018-02-16 | 杭州海康威视数字技术股份有限公司 | 一种应急车道占用行为检测方法、装置及*** |
CN107953827A (zh) * | 2016-10-18 | 2018-04-24 | 杭州海康威视数字技术股份有限公司 | 一种车辆盲区预警方法及装置 |
US20180211117A1 (en) * | 2016-12-20 | 2018-07-26 | Jayant Ratti | On-demand artificial intelligence and roadway stewardship system |
CN109711264A (zh) * | 2018-11-30 | 2019-05-03 | 武汉烽火众智智慧之星科技有限公司 | 一种公交车道占道检测方法及装置 |
FR3074595A1 (fr) * | 2017-12-04 | 2019-06-07 | Renault S.A.S. | Procede d’identification d’une cible au moyen d’une camera embarquee haute resolution |
CN109902624A (zh) * | 2019-02-27 | 2019-06-18 | 百度在线网络技术(北京)有限公司 | 用于呈现信息的方法和装置 |
US20190293758A1 (en) * | 2016-03-31 | 2019-09-26 | Denso Corporation | Object recognition apparatus and object recognition method |
CN110321814A (zh) * | 2019-06-18 | 2019-10-11 | 浙江大华技术股份有限公司 | 一种车辆违章取证方法、装置、电子设备及存储介质 |
-
2019
- 2019-12-30 CN CN201911400326.2A patent/CN113128264B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011150417A (ja) * | 2010-01-19 | 2011-08-04 | Yupiteru Corp | 車載用電子機器及びプログラム |
KR20150052706A (ko) * | 2013-11-06 | 2015-05-14 | 재단법인 다차원 스마트 아이티 융합시스템 연구단 | 차량용 블랙박스 카메라의 감시방법 및 이를 구현한 차량용 블랙박스 카메라 |
CN104290753A (zh) * | 2014-09-29 | 2015-01-21 | 长安大学 | 一种前方车辆运动状态追踪预测装置及其预测方法 |
CN105303823A (zh) * | 2015-09-07 | 2016-02-03 | 中国联合网络通信集团有限公司 | 车辆违规监控方法和*** |
US20190293758A1 (en) * | 2016-03-31 | 2019-09-26 | Denso Corporation | Object recognition apparatus and object recognition method |
CN107705552A (zh) * | 2016-08-08 | 2018-02-16 | 杭州海康威视数字技术股份有限公司 | 一种应急车道占用行为检测方法、装置及*** |
CN107953827A (zh) * | 2016-10-18 | 2018-04-24 | 杭州海康威视数字技术股份有限公司 | 一种车辆盲区预警方法及装置 |
US20180211117A1 (en) * | 2016-12-20 | 2018-07-26 | Jayant Ratti | On-demand artificial intelligence and roadway stewardship system |
FR3074595A1 (fr) * | 2017-12-04 | 2019-06-07 | Renault S.A.S. | Procede d’identification d’une cible au moyen d’une camera embarquee haute resolution |
CN109711264A (zh) * | 2018-11-30 | 2019-05-03 | 武汉烽火众智智慧之星科技有限公司 | 一种公交车道占道检测方法及装置 |
CN109902624A (zh) * | 2019-02-27 | 2019-06-18 | 百度在线网络技术(北京)有限公司 | 用于呈现信息的方法和装置 |
CN110321814A (zh) * | 2019-06-18 | 2019-10-11 | 浙江大华技术股份有限公司 | 一种车辆违章取证方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
AMIRALI JAZAYERI,ET AL.: "Vehicle Detection and Tracking in Car Video Based on Motion Model", 《IEEE》 * |
陈梦: "基于车载视频的占用公交车道违章检测算法研究", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114659489A (zh) * | 2022-03-11 | 2022-06-24 | 苏州清研微视电子科技有限公司 | 一种基于凸透镜成像原理的前车距离检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113128264B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rezaei et al. | Robust vehicle detection and distance estimation under challenging lighting conditions | |
CN106652468B (zh) | 车辆道路前车违规检测和自车违规预警提醒装置及方法 | |
CN109284674B (zh) | 一种确定车道线的方法及装置 | |
CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
CA2885019C (en) | Robust windshield detection via landmark localization | |
KR100969995B1 (ko) | 영상처리기법을 이용한 신호교차로의 교통상충 판단 시스템및 방법 | |
AU2015352462B2 (en) | Method of controlling a traffic surveillance system | |
CN111563469A (zh) | 一种不规范停车行为识别方法及装置 | |
KR101756848B1 (ko) | 불법 주정차 관리 시스템 | |
CN111915883A (zh) | 一种基于车载摄像的道路交通状况检测方法 | |
KR20210097782A (ko) | 지시등 검출 방법, 장치, 디바이스 및 컴퓨터 판독 가능 기록 매체 | |
JP6678552B2 (ja) | 車種判別装置および車種判別方法 | |
CN115331191A (zh) | 车型识别方法、装置、***和存储介质 | |
CN113255444A (zh) | 图像识别模型的训练方法、图像识别方法和装置 | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
CN112183206B (zh) | 一种基于路侧单目摄像头的交通参与者定位方法和*** | |
CN114141022B (zh) | 应急车道占用行为检测方法、装置、电子设备及存储介质 | |
CN113128264B (zh) | 一种车辆区域确定方法、装置及电子设备 | |
CN113468911B (zh) | 一种车载闯红灯检测方法、装置、电子设备及存储介质 | |
Munajat et al. | Vehicle detection and tracking based on corner and lines adjacent detection features | |
TW201536609A (zh) | 障礙物偵測裝置 | |
CN114724119B (zh) | 车道线提取方法、检测设备及存储介质 | |
CN116682268A (zh) | 基于机器视觉的便携式城市道路车辆违章稽查***及方法 | |
CN110634120A (zh) | 一种车辆损伤判别方法及装置 | |
CN111161542B (zh) | 车辆识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |