CN114005120A - 一种车牌字符切割方法、车牌识别方法、装置、设备及存储介质 - Google Patents
一种车牌字符切割方法、车牌识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114005120A CN114005120A CN202111272859.4A CN202111272859A CN114005120A CN 114005120 A CN114005120 A CN 114005120A CN 202111272859 A CN202111272859 A CN 202111272859A CN 114005120 A CN114005120 A CN 114005120A
- Authority
- CN
- China
- Prior art keywords
- license plate
- character
- standard
- image
- template
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
- Character Input (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人工智能及计算机视觉处理技术领域，公开了一种车牌字符切割方法、车牌识别方法、装置、设备及存储介质，即基于车牌字符切割方法，可在获取到与标准车牌图像对齐的待切车牌图像和根据所述标准车牌图像预设的标准切割模板后，通过针对多个模板缩小系数中的各个模板缩小系数进行的滑动检索方法，查找到使所有字符切割线的投影灰度累加总值最小的模板缩小系数和滑动位置，并根据查找结果得到最佳的车牌字符切割方案，进而使得各单字符切割线的寻找方式能够抗拒因反光、污点、轻微变形和车牌关键点检测环节的引入误差等所带来的干扰，提升车牌字符切割结果的精度和准确性，保障最终车牌识别结果的精度和准确性。
Description
技术领域
本发明属于人工智能及计算机视觉处理技术领域，具体地涉及一种车牌字符切割方法、车牌识别方法、装置、设备及存储介质。
背景技术
车牌识别作为交通监控的核心技术，应用在多项子***中，如闯红灯监测***、超速监测***、逆行监测***、禁行监测***、公交车道监测***、非机动车道行车监测***、压双黄线监测***、紧急停车带行车监测***、移动式车辆稽查***和智能化多媒体网络车牌识别***等等，其中，所述智能化多媒体网络车牌识别***又广泛应用在过往车辆自动登记、验证、公路收费、车辆安全核查、小区车辆管理和停车场管理等方面。
目前的车牌识别方法有基于传统字符识别算法和整张车牌深度识别算法的方案，其中，后者存在计算冗余，对终端计算能力要求较高，以及对于新增车牌类别需要重新训练模型，导致灵活性欠佳的问题；而前者属于逐个检测车牌字符的识别方案，虽然相对灵活，运算量较小，但是由于识别精度主要依赖字符识别精度，而传统的车牌字符切割方法是基于灰度投影谷值进行各个车牌字符的切割，存在单字符切割线的寻找方式容易被干扰，造成字符切割结果及车牌识别结果存在较大误差的问题。
详细的，基于传统字符识别算法的车牌识别方法流程如图1所示，其中的分割字符环节是基于灰度图像或二值化图像进行投影映射，并按照灰度谷值进行检测分割：如图2所示，车牌图像下方的图像是车牌像素灰度值在水平方向上的投影累加值，由于在字符间隔处会有投影谷值，因此可基于此特点进行字符切割。但是当车牌图像存在反光、污点和轻微变形等情况时，会造成投影干扰，从而发生切割错误。比如图3中的且在“苏”字符前面两个标记的投影累加谷值会造成字符切割线寻找错误或真假混淆不清。以及在车牌关键点检测环节，也会引入一些误差，造成在旋转和/或拉伸对齐后，真实车牌区域与车牌检测区域存在相应位置出现左右偏差和缩放偏差的情况，干扰单字符切割线的寻找。
发明内容
为了解决在基于传统字符识别算法的车牌识别方案中存在单字符切割线的寻找方式容易被干扰，造成字符切割结果及车牌识别结果存在较大误差的问题，本发明目的在于提供一种新型的车牌字符切割方法、车牌识别方法、装置、设备及存储介质，可使得各单字符切割线的寻找方式能够抗拒因反光、污点、轻微变形和车牌关键点检测环节的引入误差等所带来的干扰，提升车牌字符切割结果的精度和准确性，保障最终车牌识别结果的精度和准确性。
第一方面，本发明提供了一种车牌字符切割方法，包括：
获取与标准车牌图像对齐的待切车牌图像和根据所述标准车牌图像预设的标准切割模板，其中，所述标准切割模板包含有多根字符切割线分别在所述标准车牌图像中的坐标，所述多根字符切割线是指用于在所述标准车牌图像中将所有车牌字符切割出来的所需切割线；
针对多个模板缩小系数中的各个模板缩小系数，确定对应的滑动位置集合，其中，所述模板缩小系数为实数且取值范围为(0,1]，所述滑动位置集合中的各个滑动位置分别为整数，所述滑动位置是指在所述标准切割模板沿车牌字符排列方向滑动的过程中，所述多根字符切割线中的且沿所述车牌字符排列方向的首根字符切割线在所述标准车牌图像中的动态坐标；
针对所述各个模板缩小系数，根据所述标准切割模板和对应的滑动位置集合，对所述待切车牌图像进行沿所述车牌字符排列方向的滑动检索，并在滑动检索过程中计算得到当所述首根字符切割线位于对应的所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值；
在计算所得的所有投影灰度累加总值中，查找到最小值；
根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标；
根据所述各根字符切割线在所述待切车牌图像中的坐标，对所述待切车牌图像进行车牌字符切割，得到多个车牌字符个体图像。
基于上述发明内容，提供了一种结合模板缩放算法和滑动检索算法的车牌字符切割新方案，即在获取到与标准车牌图像对齐的待切车牌图像和根据所述标准车牌图像预设的标准切割模板后，可针对多个模板缩小系数中的各个模板缩小系数，根据所述标准切割模板和对应的滑动位置集合，对所述待切车牌图像进行沿车牌字符排列方向的滑动检索，并在滑动检索过程中计算得到当首根字符切割线位于对应的各个滑动位置时的且所有字符切割线的投影灰度累加总值，然后根据计算结果查找到使所有字符切割线的投影灰度累加总值最小的模板缩小系数和滑动位置，最后根据查找结果得到最佳的车牌字符切割方案，进而使得各单字符切割线的寻找方式能够抗拒因反光、污点、轻微变形和车牌关键点检测环节的引入误差等所带来的干扰，提升车牌字符切割结果的精度和准确性，保障最终车牌识别结果的精度和准确性，便于实际应用和推广。
在一个可能的设计中，所述标准切割模板用所述多根字符切割线的坐标集合{x1,x2,…,xk,…,xK}表示，其中，K表示所述多根字符切割线的总根数，k为整数且取值范围为[1,K]，xk为整数且表示沿车牌字符排列方向依次排列的第k根字符切割线在所述标准车牌图像中的坐标；
根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标，包括：
根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，按照如下公式计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标：
式中，
表示所述第k根字符切割线在所述待切车牌图像中的坐标，IF()表示取整函数，εmin表示与所述最小值对应的模板缩小系数，x′min表示与所述最小值对应的滑动位置。
在一个可能的设计中，所述标准切割模板用所述多根字符切割线的坐标集合{x1,x2,…,xk,…,xK}表示，其中，K表示所述多根字符切割线的总根数，k为整数且取值范围为[1,K]，xk为整数且表示沿车牌字符排列方向依次排列的第k根字符切割线在所述标准车牌图像中的坐标；
当所述车牌字符排列方向与像素坐标轴方向一致时，针对多个模板缩小系数中的各个模板缩小系数，确定对应的滑动位置集合，包括：
针对多个模板缩小系数中的各个模板缩小系数，根据在所述待切车牌图像中的且在所述车牌字符排列方向上的最末像素坐标，确定对应的滑动位置集合，其中，所述滑动位置集合用{x′m1,x′m2,…,x′mn,…,x′mN}表示，m和n分别为正整数，x′mn表示满足条件IF(εm(x′mn+xK-x1))≤X的且与所述多个模板缩小系数中的第m个模板缩小系数对应的第n个滑动位置，N表示满足条件IF(εm(x′mn+xK-x1))≤X的整数总个数，IF()表示取整函数，εm表示所述第m个模板缩小系数，X表示所述最末像素坐标。
在一个可能的设计中，所述标准切割模板用所述多根字符切割线的坐标集合{x1,x2,…,xk,…,xK}表示，其中，K表示所述多根字符切割线的总根数，k为整数且取值范围为[1,K]，xk为整数且表示沿车牌字符排列方向依次排列的第k根字符切割线在所述标准车牌图像中的坐标；
在滑动检索过程中计算得到当所述首根字符切割线位于对应的所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值，包括：
在滑动检索过程中，按照如下公式计算得到当所述首根字符切割线位于所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值：
式中，Smn表示针对所述多个模板缩小系数中的第m个模板缩小系数，当所述首根字符切割线位于对应的第n个滑窗位置时的所述投影灰度累加总值，i为正整数，xmi表示与所述第m个模板缩小系数对应的且第i根字符切割线的坐标，Gray(xmi)表示在所述待切车牌图像中位于坐标xmi处的像素灰度值累加结果，IF()表示取整函数，εm表示所述第m个模板缩小系数，x′mn表示与所述第m个模板缩小系数对应的第n个滑动位置，xi为整数且表示沿所述车牌字符排列方向依次排列的第i根字符切割线在所述标准车牌图像中的坐标。
第二方面，本发明提供了一种车牌字符切割装置，包括有获取模块、集合确定模块、滑动检索模块、最小值查找模块、坐标计算模块和切割执行模块；
所述获取模块，用于获取与标准车牌图像对齐的待切车牌图像和根据所述标准车牌图像预设的标准切割模板，其中，所述标准切割模板包含有多根字符切割线分别在所述标准车牌图像中的坐标，所述多根字符切割线是指用于在所述标准车牌图像中将所有车牌字符切割出来的所需切割线；
所述集合确定模块，用于针对多个模板缩小系数中的各个模板缩小系数，确定对应的滑动位置集合，其中，所述模板缩小系数为实数且取值范围为(0,1]，所述滑动位置集合中的各个滑动位置分别为整数，所述滑动位置是指在所述标准切割模板沿车牌字符排列方向滑动的过程中，所述多根字符切割线中的且沿所述车牌字符排列方向的首根字符切割线在所述标准车牌图像中的动态坐标；
所述滑动检索模块，分别通信连接所述获取模块和所述集合确定模块，用于针对所述各个模板缩小系数，根据所述标准切割模板和对应的滑动位置集合，对所述待切车牌图像进行沿所述车牌字符排列方向的滑动检索，并在滑动检索过程中计算得到当所述首根字符切割线位于对应的所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值；
所述最小值查找模块，通信连接所述滑动检索模块，用于在计算所得的所有投影灰度累加总值中，查找到最小值；
所述坐标计算模块，分别通信连接所述获取模块和所述最小值查找模块，用于根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标；
所述切割执行模块，用于根据所述各根字符切割线在所述待切车牌图像中的坐标，对所述待切车牌图像进行车牌字符切割，得到多个车牌字符个体图像。
第三方面，本发明提供了一种车牌识别方法，包括：
基于目标检测算法对原图像进行车牌框识别处理，得到车牌框图像；
根据所述车牌框图像中的颜色像素比例，确定所述车牌框图像为新能源车牌图像或燃油车牌图像；
基于车牌关键点检测算法和与确定结果对应的车牌尺寸，对所述车牌框图像进行对齐处理，得到与标准车牌图像对齐的待切车牌图像，其中，所述标准车牌图像与所述确定结果具有对应关系；
采用如第一方面或第一方面中任意可能设计所述的车牌字符切割方法对所述待切车牌图像进行车牌字符切割处理，得到多个车牌字符个体图像；
针对所述多个车牌字符个体图像中的各个车牌字符个体图像，基于字符识别算法得到对应的字符识别结果。
基于上述发明内容，可在第一方面或任意可能设计的技术效果基础上，还在检测出车牌框图像后，根据车牌区域颜色比例来区分是燃油车牌图像或新能源车牌图像(其绿色占比较大)，以便在对齐拉伸环节，按照燃油车牌尺寸44:14或新能源车牌尺寸48:14的比例进行拉伸对齐，以及应用合适的标准切割模板进行车牌字符切割处理，进一步确保车牌字符切割结果的精度和准确性，提升最终车牌识别结果的精度和准确性。
在一个可能的设计中，根据所述车牌框图像中的颜色像素比例，确定所述车牌框图像为新能源车牌图像或燃油车牌图像，包括：
统计所述车牌框图像中绿色像素的占比；
判断所述绿色像素的占比是否超过预设阈值；
若是，则确定所述车牌框图像为新能源车牌图像，否则确定所述车牌框图像为燃油车牌图像。
第四方面，本发明提供了一种车牌识别装置，包括有依次通信连接的车牌框检测模块、车牌类型确定模块、车牌图像对齐模块、车牌字符切割模块和字符识别模块；
所述车牌框检测模块，用于基于目标检测算法对原图像进行车牌框识别处理，得到车牌框图像；
所述车牌类型确定模块，用于根据所述车牌框图像中的颜色像素比例，确定所述车牌框图像为新能源车牌图像或燃油车牌图像；
所述车牌图像对齐模块，用于基于车牌关键点检测算法和与确定结果对应的车牌尺寸，对所述车牌框图像进行对齐处理，得到与标准车牌图像对齐的待切车牌图像，其中，所述标准车牌图像与所述确定结果具有对应关系；
所述车牌字符切割模块，用于对所述待切车牌图像进行车牌字符切割处理，得到多个车牌字符个体图像，其中，所述车牌字符切割模块包括有获取单元、集合确定单元、滑动检索单元、最小值查找单元、坐标计算单元和切割执行单元；
所述获取单元，用于获取与标准车牌图像对齐的待切车牌图像和根据所述标准车牌图像预设的标准切割模板，其中，所述标准切割模板包含有多根字符切割线分别在所述标准车牌图像中的坐标，所述多根字符切割线是指用于在所述标准车牌图像中将所有车牌字符切割出来的所需切割线；
所述集合确定单元，用于针对多个模板缩小系数中的各个模板缩小系数，确定对应的滑动位置集合，其中，所述模板缩小系数为实数且取值范围为(0,1]，所述滑动位置集合中的各个滑动位置分别为整数，所述滑动位置是指在所述标准切割模板沿车牌字符排列方向滑动的过程中，所述多根字符切割线中的且沿所述车牌字符排列方向的首根字符切割线在所述标准车牌图像中的动态坐标；
所述滑动检索单元，分别通信连接所述获取单元和所述集合确定单元，用于针对所述各个模板缩小系数，根据所述标准切割模板和对应的滑动位置集合，对所述待切车牌图像进行沿所述车牌字符排列方向的滑动检索，并在滑动检索过程中计算得到当所述首根字符切割线位于对应的所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值；
所述最小值查找单元，通信连接所述滑动检索单元，用于在计算所得的所有投影灰度累加总值中，查找到最小值；
所述坐标计算单元，分别通信连接所述获取单元和所述最小值查找单元，用于根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标；
所述切割执行单元，用于根据所述各根字符切割线在所述待切车牌图像中的坐标，对所述待切车牌图像进行车牌字符切割，得到多个车牌字符个体图像；
所述字符识别模块，用于针对所述多个车牌字符个体图像中的各个车牌字符个体图像，基于字符识别算法得到对应的字符识别结果。
第五方面，本发明提供了一种计算机设备，包括有通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的车牌字符切割方法，或者执行如第三方面或第三方面中任意可能设计所述的车牌识别方法。
第六方面，本发明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上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的车牌字符切割方法，或者执行如第三方面或第三方面中任意可能设计所述的车牌识别方法。
第七方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的车牌字符切割方法，或者执行如第三方面或第三方面中任意可能设计所述的车牌识别方法。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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是基于传统字符识别算法的车牌识别方法流程示意图。
图2是基于灰度图像按照灰度谷值进行字符分割的示例图。
图3是在基于灰度图像按照灰度谷值进行字符分割过程中所存在的干扰情况示例图。
图4是真实车牌区域与车牌检测区域所存在的四种位置关系示例图。
图5是本发明提供的车牌字符切割方法的流程示意图。
图6是本发明提供的标准车牌图像与多根字符切割线的位置关系示例图。
图7是本发明提供的车牌字符切割装置的结构示意图。
图8是本发明提供的车牌识别方法的流程示意图。
图9是本发明提供的车牌识别装置的结构示意图。
图10是本发明提供的计算机设备的结构示意图。
上述附图中：100-真实车牌区域；200-车牌检测区域。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明示例的实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一和第二等等来描述各种对象，但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、单独存在B或者同时存在A和B等三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A或者同时存在A和B等两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
如图5～6所示，本实施例第一方面提供的所述车牌字符切割方法，可以但不限于由具有一定计算资源的计算机设备执行，例如由个人计算机(Personal Computer，PC，指一种大小、价格和性能适用于个人使用的多用途计算机；台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personaldigital assistant，PAD)或可穿戴设备等电子设备执行，以便在获取到与标准车牌图像对齐的待切车牌图像和根据所述标准车牌图像预设的标准切割模板后，可通过针对多个模板缩小系数中的各个模板缩小系数进行的滑动检索方法，查找到使所有字符切割线的投影灰度累加总值最小的模板缩小系数和滑动位置，并根据查找结果得到最佳的车牌字符切割方案，进而使得各单字符切割线的寻找方式能够抗拒因反光、污点、轻微变形和车牌关键点检测环节的引入误差等所带来的干扰，提升车牌字符切割结果的精度和准确性，保障最终车牌识别结果的精度和准确性。如图5所示，所述车牌字符切割方法，可以但不限于包括有如下步骤S1～S6。
S1.获取与标准车牌图像对齐的待切车牌图像和根据所述标准车牌图像预设的标准切割模板，其中，所述标准切割模板包含有多根字符切割线分别在所述标准车牌图像中的坐标，所述多根字符切割线是指用于在所述标准车牌图像中将所有车牌字符切割出来的所需切割线。
在所述步骤S1中，所述标准车牌图像即为车牌的标准图像，例如车牌设计图像。所述待切车牌图像与所述标准车牌图像对齐是指通过旋转和/或拉伸等常规处理方式，使得所述待切车牌图像与所述标准车牌图像在同一像素坐标系中具有相同的宽度(例如具有相同的纵向像素点个数)和长度(例如具有相同的横向像素点个数)。在如图6所示的且燃油车牌的标准车牌图像中，所述标准车牌图像的左下角顶点即为像素坐标系原点，此时所述待切车牌图像的左下角顶点也为所述像素坐标系原点。此外，所述待切车牌图像和所述标准切割模板可以但不限于是从存储单元中读取而得或由传输单元传输而得。
在所述步骤S1中，具体的，所述标准切割模板可用所述多根字符切割线的坐标集合{x1,x2,…,xk,…,xK}表示，其中，K表示所述多根字符切割线的总根数，k为整数且取值范围为[1,K]，xk为整数且表示沿车牌字符排列方向依次排列的第k根字符切割线在所述标准车牌图像中的坐标。所述标准切割模板可以但不限于是根据各车牌字符在所述标准车牌图像中的实际位置，通过人工方式标注得到，即人工标注出所述多根字符切割线分别在所述标准车牌图像中的坐标；举例的，如图6所示，针对所述燃油车牌的标准车牌图像，有七个车牌字符和一个点字符，所需切割线为九根纵向切割线，设所述燃油车牌的标准车牌图像的长宽像素为440*a×140*a,a表示比例系数，则当所述车牌字符排列方向为右向时，可得到九根字符分割线的横向坐标分别为:x1＝9.5*a，x2＝66.5*a，x3＝123.5*a，x4＝145.5*a，x5＝202.5*a，x6＝259.5*a，x7＝316.5*a，x8＝373.5*a和x9＝430.5*a。
S2.针对多个模板缩小系数中的各个模板缩小系数，确定对应的滑动位置集合，其中，所述模板缩小系数为实数且取值范围为(0,1]，所述滑动位置集合中的各个滑动位置分别为整数，所述滑动位置是指在所述标准切割模板沿车牌字符排列方向滑动的过程中，所述多根字符切割线中的且沿所述车牌字符排列方向的首根字符切割线在所述标准车牌图像中的动态坐标。
在所述步骤S2中，所述多个模板缩小系数是指基于所述标准切割模板而得的多个待选切割模板相对于所述标准切割模板的缩小系数，例如为1(即对应的待选切割模板为所述标准切割模板)、0.9、0.85、0.8、0.77、0.74、0.71和0.68等。考虑在实际的车牌识别过程中，车牌图像的像素往往控制在100p～200p之内，因此针对在所述多个模板缩小系数中的每对相邻两模板缩小系数，可采用使对应的切割结果(即所有车牌字符个体图像)在车牌字符排列方向上的平均像素之差为1的控制方式来进行缩小，即通过模板缩小系数的配置，使与前一模板缩小系数对应的所有车牌字符个体图像在车牌字符排列方向上的平均像素个数，比与后一模板缩小系数对应的所有车牌字符个体图像多一个像素，其中，所述前一模板缩小系数和所述后一模板缩小系数为所述多个模板缩小系数中的一对相邻两模板缩小系数。按照这种逐步缩小方式，通常配置十个模板缩小系数就可以覆盖车牌关键点检测环节的引入误差。
在所述步骤S2中，具体的，当所述车牌字符排列方向与像素坐标轴方向一致时，针对多个模板缩小系数中的各个模板缩小系数，确定对应的滑动位置集合，包括：针对多个模板缩小系数中的各个模板缩小系数，根据在所述待切车牌图像中的且在所述车牌字符排列方向上的最末像素坐标，确定对应的滑动位置集合，其中，所述滑动位置集合用{x′m1,x′m2,…,x′mn,…,x′mN}表示，m和n分别为正整数，x′mn表示满足条件IF(εm(x′mn+xK-x1))≤X的且与所述多个模板缩小系数中的第m个模板缩小系数对应的第n个滑动位置，N表示满足条件IF(εm(x′mn+xK-x1))≤X的整数总个数，IF()表示取整函数，εm表示所述第m个模板缩小系数，X表示所述最末像素坐标。如图6所示，所述车牌字符排列方向与所述像素坐标轴方向均向右，所述最末像素坐标即为最右侧像素点的坐标。由于x′mn满足条件IF(εm(x′mn+xK-x1))≤X，可在所述标准切割模板沿所述车牌字符排列方向滑动的过程中，确保所述多根字符切割线中的且沿所述车牌字符排列方向的最后一根字符切割线仍然在所述标准车牌图像中，否则将无法准确切割沿所述车牌字符排列方向的最后一个车牌字符。由于N表示满足条件IF(εm(x′mn+xK-x1))≤X的整数总个数，虽然会使得所述各个模板缩小系数的滑动位置个数可能不同，但是针对所述各个模板缩小系数，可使对应的滑动过程是沿所述车牌字符排列方向逐个像素地进行滑动，确保后续能无遗漏地查找到使所有字符切割线的投影灰度累加总值最小的滑动位置。此外，所述取整函数可以但不限于采用四舍五入的取整函数，所述滑动位置集合{x′m1,x′m2,…,x′mn,…,x′mN}可举例为{0,1,2,…,x′mN}。
S3.针对所述各个模板缩小系数，根据所述标准切割模板和对应的滑动位置集合，对所述待切车牌图像进行沿所述车牌字符排列方向的滑动检索，并在滑动检索过程中计算得到当所述首根字符切割线位于对应的所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值。
在所述步骤S3中，具体的，在滑动检索过程中计算得到当所述首根字符切割线位于对应的所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值，包括：在滑动检索过程中，按照如下公式计算得到当所述首根字符切割线位于所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值：
式中，Smn表示针对所述多个模板缩小系数中的第m个模板缩小系数，当所述首根字符切割线位于对应的第n个滑窗位置时的所述投影灰度累加总值，i为正整数，xmi表示与所述第m个模板缩小系数对应的且第i根字符切割线的坐标，Gray(xmi)表示在所述待切车牌图像中位于坐标xmi处的像素灰度值累加结果，IF()表示取整函数，εm表示所述第m个模板缩小系数，x′mn表示与所述第m个模板缩小系数对应的第n个滑动位置，xi为整数且表示沿所述车牌字符排列方向依次排列的第i根字符切割线在所述标准车牌图像中的坐标。如图6所示，当所述标准车牌图像的左下角顶点为像素坐标系原点时，
式中，j为整数，Y表示在所述标准车牌图像中最大的像素纵坐标，gray(xmi,j)表示在所述待切车牌图像中位于坐标(xmi,j)处的像素灰度值(每个像素灰度值的取值范围为0～255，其中，0表示全黑，255表示全白)。
S4.在计算所得的所有投影灰度累加总值中，查找到最小值。
在所述步骤S4中，考虑在字符间隔处会有投影谷值，则可确保后续根据查找结果得到的且在所述待切车牌图像中的所述多根字符切割线，能够在所述待切车牌图像中位于最佳的字符间隔处，从而得到最佳的车牌字符切割方案。
S5.根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标。
在所述步骤S5中，具体的，根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标，包括：根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，按照如下公式计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标：
式中，
表示所述第k根字符切割线在所述待切车牌图像中的坐标，IF()表示取整函数，εmin表示与所述最小值对应的模板缩小系数，x′min表示与所述最小值对应的滑动位置。
S6.根据所述各根字符切割线在所述待切车牌图像中的坐标，对所述待切车牌图像进行车牌字符切割，得到多个车牌字符个体图像。
在所述步骤S6中，由于根据查找结果得到的且在所述待切车牌图像中的所述多根字符切割线，能够在所述待切车牌图像中位于最佳的字符间隔处，因此基于此最佳的车牌字符切割方案对所述待切车牌图像进行车牌字符切割，可以使切割结果能够抗拒因反光、污点、轻微变形和车牌关键点检测环节的引入误差等所带来的干扰，提升切割精度和准确性，保障最终车牌识别结果的精度和准确性。
由此基于前述步骤S1～S6所描述的车牌字符切割方法，提供了一种结合模板缩放算法和滑动检索算法的车牌字符切割新方案，即在获取到与标准车牌图像对齐的待切车牌图像和根据所述标准车牌图像预设的标准切割模板后，可针对多个模板缩小系数中的各个模板缩小系数，根据所述标准切割模板和对应的滑动位置集合，对所述待切车牌图像进行沿车牌字符排列方向的滑动检索，并在滑动检索过程中计算得到当首根字符切割线位于对应的各个滑动位置时的且所有字符切割线的投影灰度累加总值，然后根据计算结果查找到使所有字符切割线的投影灰度累加总值最小的模板缩小系数和滑动位置，最后根据查找结果得到最佳的车牌字符切割方案，进而使得各单字符切割线的寻找方式能够抗拒因反光、污点、轻微变形和车牌关键点检测环节的引入误差等所带来的干扰，提升车牌字符切割结果的精度和准确性，保障最终车牌识别结果的精度和准确性，便于实际应用和推广。
如图7所示，本实施例第二方面提供了一种实现第一方面所述的车牌字符切割方法的虚拟装置，包括有获取模块、集合确定模块、滑动检索模块、最小值查找模块、坐标计算模块和切割执行模块；
所述获取模块，用于获取与标准车牌图像对齐的待切车牌图像和根据所述标准车牌图像预设的标准切割模板，其中，所述标准切割模板包含有多根字符切割线分别在所述标准车牌图像中的坐标，所述多根字符切割线是指用于在所述标准车牌图像中将所有车牌字符切割出来的所需切割线；
所述集合确定模块，用于针对多个模板缩小系数中的各个模板缩小系数，确定对应的滑动位置集合，其中，所述模板缩小系数为实数且取值范围为(0,1]，所述滑动位置集合中的各个滑动位置分别为整数，所述滑动位置是指在所述标准切割模板沿车牌字符排列方向滑动的过程中，所述多根字符切割线中的且沿所述车牌字符排列方向的首根字符切割线在所述标准车牌图像中的动态坐标；
所述滑动检索模块，分别通信连接所述获取模块和所述集合确定模块，用于针对所述各个模板缩小系数，根据所述标准切割模板和对应的滑动位置集合，对所述待切车牌图像进行沿所述车牌字符排列方向的滑动检索，并在滑动检索过程中计算得到当所述首根字符切割线位于对应的所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值；
所述最小值查找模块，通信连接所述滑动检索模块，用于在计算所得的所有投影灰度累加总值中，查找到最小值；
所述坐标计算模块，分别通信连接所述获取模块和所述最小值查找模块，用于根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标；
所述切割执行模块，用于根据所述各根字符切割线在所述待切车牌图像中的坐标，对所述待切车牌图像进行车牌字符切割，得到多个车牌字符个体图像。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见第一方面所述的车牌字符切割方法，于此不再赘述。
如图8所示，本实施例第三方面在前述第一方面的技术方案基础上，还提供了一种新型的车牌识别方法，包括有如下步骤S10～S50。
S10.基于目标检测算法对原图像进行车牌框识别处理，得到车牌框图像。
在所述步骤S10中，所述目标检测算法是一种用于在图片中将里面的物体识别出来且标记出物***置的现有人工智能识别算法，具体可以但不限于采用Faster R-CNN(Faster Regions with Convolutional Neural Networks features，由何凯明等在2015年提出目标检测算法，该算法在2015年的ILSVRV和COCO竞赛中获得多项第一)目标检测算法、SSD(Single Shot MultiBox Detector，单镜头多盒检测器，是Wei Liu在ECCV 2016上提出的一种目标检测算法，是目前流行的主要检测框架之一)目标检测算法或YOLO(Youonly look once，目前最新已经发展到V4版本，在业界的应用也很广泛，其基本原理是：首先对输入图像划分成7x7的网格，对每个网格预测2个边框，然后根据阈值去除可能性比较低的目标窗口，最后再使用边框合并的方式去除冗余窗口，得出检测结果)目标检测算法等。因此通过常规的样本训练方式和识别处理方式，可从所述原图像中识别出车牌框，并根据识别结果剪切得到所述车牌框图像。此外，所述原图像可以但不限于为车辆监控视频图像。
S20.根据所述车牌框图像中的颜色像素比例，确定所述车牌框图像为新能源车牌图像或燃油车牌图像。
在所述步骤S20中，考虑到我国车牌规格相对有限，新能源车牌为绿色8个字符，燃油车牌为7个字符，其中，新能源前车牌尺寸为480*140mm，燃油车前车牌尺寸为440*140mm，为了确保后续针对不同类型的车牌框图像，能够应用合适的车牌尺寸进行对齐处理，以及应用合适的标准切割模板进行车牌字符切割处理，因此需先根据所述车牌框图像中的颜色像素比例，确定出所述车牌框图像的类型(即为新能源车牌图像或燃油车牌图像)。具体的，根据所述车牌框图像中的颜色像素比例，确定所述车牌框图像为新能源车牌图像或燃油车牌图像，包括但不限于有如下步骤S201～S203：S201.统计所述车牌框图像中绿色像素的占比；S202.判断所述绿色像素的占比是否超过预设阈值；S203.若是，则确定所述车牌框图像为新能源车牌图像，否则确定所述车牌框图像为燃油车牌图像。此外，所述预设阈值可举例为38％。
S30.基于车牌关键点检测算法和与确定结果对应的车牌尺寸，对所述车牌框图像进行对齐处理，得到与标准车牌图像对齐的待切车牌图像，其中，所述标准车牌图像与所述确定结果具有对应关系。
在所述步骤S30中，所述车牌关键点检测算法可采用常规的且基于多任务卷积神经网络MTCNN(Multi-task convolutional neural network)模型的检测算法，并基于传统的坐标旋转变换实现拉伸对齐，例如当所述车牌框图像为新能源车牌图像时，将所述车牌框图像拉伸对齐为具有480*140mm的标准尺寸图像，而当所述车牌框图像为燃油车牌图像时，将所述车牌框图像拉伸对齐为具有440*140mm的标准尺寸图像。
S40.采用如第一方面所述的车牌字符切割方法对所述待切车牌图像进行车牌字符切割处理，得到多个车牌字符个体图像。
S50.针对所述多个车牌字符个体图像中的各个车牌字符个体图像，基于字符识别算法得到对应的字符识别结果。
在所述步骤S50中，所述字符识别算法可采用常规的且基于深度模型的识别算法，例如采用残差网络ResNet等深度模型。
由此基于前述步骤S10～S50所描述的车牌识别方法，可在第一方面的技术效果基础上，还在检测出车牌框图像后，根据车牌区域颜色比例来区分是燃油车牌图像或新能源车牌图像(其绿色占比较大)，以便在对齐拉伸环节，按照燃油车牌尺寸44:14或新能源车牌尺寸48:14的比例进行拉伸对齐，以及应用合适的标准切割模板进行车牌字符切割处理，进一步确保车牌字符切割结果的精度和准确性，提升最终车牌识别结果的精度和准确性。
如图9所示，本实施例第四方面提供了一种实现第三方面所述的车牌识别方法的虚拟装置，包括有依次通信连接的车牌框检测模块、车牌类型确定模块、车牌图像对齐模块、车牌字符切割模块和字符识别模块；
所述车牌框检测模块，用于基于目标检测算法对原图像进行车牌框识别处理，得到车牌框图像；
所述车牌类型确定模块，用于根据所述车牌框图像中的颜色像素比例，确定所述车牌框图像为新能源车牌图像或燃油车牌图像；
所述车牌图像对齐模块，用于基于车牌关键点检测算法和与确定结果对应的车牌尺寸，对所述车牌框图像进行对齐处理，得到与标准车牌图像对齐的待切车牌图像，其中，所述标准车牌图像与所述确定结果具有对应关系；
所述车牌字符切割模块，用于对所述待切车牌图像进行车牌字符切割处理，得到多个车牌字符个体图像，其中，所述车牌字符切割模块包括有获取单元、集合确定单元、滑动检索单元、最小值查找单元、坐标计算单元和切割执行单元；
所述获取单元，用于获取与标准车牌图像对齐的待切车牌图像和根据所述标准车牌图像预设的标准切割模板，其中，所述标准切割模板包含有多根字符切割线分别在所述标准车牌图像中的坐标，所述多根字符切割线是指用于在所述标准车牌图像中将所有车牌字符切割出来的所需切割线；
所述集合确定单元，用于针对多个模板缩小系数中的各个模板缩小系数，确定对应的滑动位置集合，其中，所述模板缩小系数为实数且取值范围为(0,1]，所述滑动位置集合中的各个滑动位置分别为整数，所述滑动位置是指在所述标准切割模板沿车牌字符排列方向滑动的过程中，所述多根字符切割线中的且沿所述车牌字符排列方向的首根字符切割线在所述标准车牌图像中的动态坐标；
所述滑动检索单元，分别通信连接所述获取单元和所述集合确定单元，用于针对所述各个模板缩小系数，根据所述标准切割模板和对应的滑动位置集合，对所述待切车牌图像进行沿所述车牌字符排列方向的滑动检索，并在滑动检索过程中计算得到当所述首根字符切割线位于对应的所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值；
所述最小值查找单元，通信连接所述滑动检索单元，用于在计算所得的所有投影灰度累加总值中，查找到最小值；
所述坐标计算单元，分别通信连接所述获取单元和所述最小值查找单元，用于根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标；
所述切割执行单元，用于根据所述各根字符切割线在所述待切车牌图像中的坐标，对所述待切车牌图像进行车牌字符切割，得到多个车牌字符个体图像；
所述字符识别模块，用于针对所述多个车牌字符个体图像中的各个车牌字符个体图像，基于字符识别算法得到对应的字符识别结果。
本实施例第四方面提供的前述装置的工作过程、工作细节和技术效果，可以参见第三方面所述的车牌识别方法，于此不再赘述。
如图10所示，本实施例第五方面提供了一种执行如第一方面所述的车牌字符切割方法或如第三方面所述的车牌识别方法的计算机设备，包括有通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如第一方面所述的车牌字符切割方法或如第三方面所述的车牌识别方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input FirstOutput，FIFO)和/或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第五方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面所述的车牌字符切割方法或第三方面所述的车牌识别方法，于此不再赘述。
本实施例第六方面提供了一种存储包含如第一方面所述的车牌字符切割方法或如第三方面所述的车牌识别方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面所述的车牌字符切割方法或如第三方面所述的车牌识别方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质，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。
本实施例第六方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如第一方面所述的车牌字符切割方法或如第三方面所述的车牌识别方法，于此不再赘述。
本实施例第七方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面所述的车牌字符切割方法或如第三方面所述的车牌识别方法。其中，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。
最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。
Claims (10)
1.一种车牌字符切割方法，其特征在于，包括：
获取与标准车牌图像对齐的待切车牌图像和根据所述标准车牌图像预设的标准切割模板，其中，所述标准切割模板包含有多根字符切割线分别在所述标准车牌图像中的坐标，所述多根字符切割线是指用于在所述标准车牌图像中将所有车牌字符切割出来的所需切割线；
针对多个模板缩小系数中的各个模板缩小系数，确定对应的滑动位置集合，其中，所述模板缩小系数为实数且取值范围为(0,1]，所述滑动位置集合中的各个滑动位置分别为整数，所述滑动位置是指在所述标准切割模板沿车牌字符排列方向滑动的过程中，所述多根字符切割线中的且沿所述车牌字符排列方向的首根字符切割线在所述标准车牌图像中的动态坐标；
针对所述各个模板缩小系数，根据所述标准切割模板和对应的滑动位置集合，对所述待切车牌图像进行沿所述车牌字符排列方向的滑动检索，并在滑动检索过程中计算得到当所述首根字符切割线位于对应的所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值；
在计算所得的所有投影灰度累加总值中，查找到最小值；
根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标；
根据所述各根字符切割线在所述待切车牌图像中的坐标，对所述待切车牌图像进行车牌字符切割，得到多个车牌字符个体图像。
2.如权利要求1所述的车牌字符切割方法，其特征在于，所述标准切割模板用所述多根字符切割线的坐标集合{x1,x2,…,xk,…,xK}表示，其中，K表示所述多根字符切割线的总根数，k为整数且取值范围为[1,K]，xk为整数且表示沿车牌字符排列方向依次排列的第k根字符切割线在所述标准车牌图像中的坐标；
根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标，包括：
根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，按照如下公式计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标：
式中，
表示所述第k根字符切割线在所述待切车牌图像中的坐标，IF()表示取整函数，εmin表示与所述最小值对应的模板缩小系数，x′min表示与所述最小值对应的滑动位置。
3.如权利要求1所述的车牌字符切割方法，其特征在于，所述标准切割模板用所述多根字符切割线的坐标集合{x1,x2,…,xk,…,xK}表示，其中，K表示所述多根字符切割线的总根数，k为整数且取值范围为[1,K]，xk为整数且表示沿车牌字符排列方向依次排列的第k根字符切割线在所述标准车牌图像中的坐标；
当所述车牌字符排列方向与像素坐标轴方向一致时，针对多个模板缩小系数中的各个模板缩小系数，确定对应的滑动位置集合，包括：
针对多个模板缩小系数中的各个模板缩小系数，根据在所述待切车牌图像中的且在所述车牌字符排列方向上的最末像素坐标，确定对应的滑动位置集合，其中，所述滑动位置集合用{x′m1,x′m2,…,x′mn,…,x′mN}表示，m和n分别为正整数，x′mn表示满足条件IF(εm(x′mn+xK-x1))≤X的且与所述多个模板缩小系数中的第m个模板缩小系数对应的第n个滑动位置，N表示满足条件IF(εm(x′mn+xK-x1))≤X的整数总个数，IF()表示取整函数，εm表示所述第m个模板缩小系数，X表示所述最末像素坐标。
4.如权利要求1所述的车牌字符切割方法，其特征在于，所述标准切割模板用所述多根字符切割线的坐标集合{x1,x2,…,xk,…,xK}表示，其中，K表示所述多根字符切割线的总根数，k为整数且取值范围为[1,K]，xk为整数且表示沿车牌字符排列方向依次排列的第k根字符切割线在所述标准车牌图像中的坐标；
在滑动检索过程中计算得到当所述首根字符切割线位于对应的所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值，包括：
在滑动检索过程中，按照如下公式计算得到当所述首根字符切割线位于所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值：
式中，Smn表示针对所述多个模板缩小系数中的第m个模板缩小系数，当所述首根字符切割线位于对应的第n个滑窗位置时的所述投影灰度累加总值，i为正整数，xmi表示与所述第m个模板缩小系数对应的且第i根字符切割线的坐标，Gray(xmi)表示在所述待切车牌图像中位于坐标xmi处的像素灰度值累加结果，IF()表示取整函数，εm表示所述第m个模板缩小系数，x′mn表示与所述第m个模板缩小系数对应的第n个滑动位置，xi为整数且表示沿所述车牌字符排列方向依次排列的第i根字符切割线在所述标准车牌图像中的坐标。
5.一种车牌字符切割装置，其特征在于，包括有获取模块、集合确定模块、滑动检索模块、最小值查找模块、坐标计算模块和切割执行模块；
所述获取模块，用于获取与标准车牌图像对齐的待切车牌图像和根据所述标准车牌图像预设的标准切割模板，其中，所述标准切割模板包含有多根字符切割线分别在所述标准车牌图像中的坐标，所述多根字符切割线是指用于在所述标准车牌图像中将所有车牌字符切割出来的所需切割线；
所述集合确定模块，用于针对多个模板缩小系数中的各个模板缩小系数，确定对应的滑动位置集合，其中，所述模板缩小系数为实数且取值范围为(0,1]，所述滑动位置集合中的各个滑动位置分别为整数，所述滑动位置是指在所述标准切割模板沿车牌字符排列方向滑动的过程中，所述多根字符切割线中的且沿所述车牌字符排列方向的首根字符切割线在所述标准车牌图像中的动态坐标；
所述滑动检索模块，分别通信连接所述获取模块和所述集合确定模块，用于针对所述各个模板缩小系数，根据所述标准切割模板和对应的滑动位置集合，对所述待切车牌图像进行沿所述车牌字符排列方向的滑动检索，并在滑动检索过程中计算得到当所述首根字符切割线位于对应的所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值；
所述最小值查找模块，通信连接所述滑动检索模块，用于在计算所得的所有投影灰度累加总值中，查找到最小值；
所述坐标计算模块，分别通信连接所述获取模块和所述最小值查找模块，用于根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标；
所述切割执行模块，用于根据所述各根字符切割线在所述待切车牌图像中的坐标，对所述待切车牌图像进行车牌字符切割，得到多个车牌字符个体图像。
6.一种车牌识别方法，其特征在于，包括：
基于目标检测算法对原图像进行车牌框识别处理，得到车牌框图像；
根据所述车牌框图像中的颜色像素比例，确定所述车牌框图像为新能源车牌图像或燃油车牌图像；
基于车牌关键点检测算法和与确定结果对应的车牌尺寸，对所述车牌框图像进行对齐处理，得到与标准车牌图像对齐的待切车牌图像，其中，所述标准车牌图像与所述确定结果具有对应关系；
采用如权利要求1～4任意一项所述的车牌字符切割方法对所述待切车牌图像进行车牌字符切割处理，得到多个车牌字符个体图像；
针对所述多个车牌字符个体图像中的各个车牌字符个体图像，基于字符识别算法得到对应的字符识别结果。
7.如权利要求6所述的车牌识别方法，其特征在于，根据所述车牌框图像中的颜色像素比例，确定所述车牌框图像为新能源车牌图像或燃油车牌图像，包括：
统计所述车牌框图像中绿色像素的占比；
判断所述绿色像素的占比是否超过预设阈值；
若是，则确定所述车牌框图像为新能源车牌图像，否则确定所述车牌框图像为燃油车牌图像。
8.一种车牌识别装置，其特征在于，包括有依次通信连接的车牌框检测模块、车牌类型确定模块、车牌图像对齐模块、车牌字符切割模块和字符识别模块；
所述车牌框检测模块，用于基于目标检测算法对原图像进行车牌框识别处理，得到车牌框图像；
所述车牌类型确定模块，用于根据所述车牌框图像中的颜色像素比例，确定所述车牌框图像为新能源车牌图像或燃油车牌图像；
所述车牌图像对齐模块，用于基于车牌关键点检测算法和与确定结果对应的车牌尺寸，对所述车牌框图像进行对齐处理，得到与标准车牌图像对齐的待切车牌图像，其中，所述标准车牌图像与所述确定结果具有对应关系；
所述车牌字符切割模块，用于对所述待切车牌图像进行车牌字符切割处理，得到多个车牌字符个体图像，其中，所述车牌字符切割模块包括有获取单元、集合确定单元、滑动检索单元、最小值查找单元、坐标计算单元和切割执行单元；
所述获取单元，用于获取与标准车牌图像对齐的待切车牌图像和根据所述标准车牌图像预设的标准切割模板，其中，所述标准切割模板包含有多根字符切割线分别在所述标准车牌图像中的坐标，所述多根字符切割线是指用于在所述标准车牌图像中将所有车牌字符切割出来的所需切割线；
所述集合确定单元，用于针对多个模板缩小系数中的各个模板缩小系数，确定对应的滑动位置集合，其中，所述模板缩小系数为实数且取值范围为(0,1]，所述滑动位置集合中的各个滑动位置分别为整数，所述滑动位置是指在所述标准切割模板沿车牌字符排列方向滑动的过程中，所述多根字符切割线中的且沿所述车牌字符排列方向的首根字符切割线在所述标准车牌图像中的动态坐标；
所述滑动检索单元，分别通信连接所述获取单元和所述集合确定单元，用于针对所述各个模板缩小系数，根据所述标准切割模板和对应的滑动位置集合，对所述待切车牌图像进行沿所述车牌字符排列方向的滑动检索，并在滑动检索过程中计算得到当所述首根字符切割线位于对应的所述各个滑动位置时的且所述多根字符切割线的投影灰度累加总值；
所述最小值查找单元，通信连接所述滑动检索单元，用于在计算所得的所有投影灰度累加总值中，查找到最小值；
所述坐标计算单元，分别通信连接所述获取单元和所述最小值查找单元，用于根据所述标准切割模板以及与所述最小值对应的模板缩小系数和滑动位置，计算得到所述多根字符切割线中的各根字符切割线在所述待切车牌图像中的坐标；
所述切割执行单元，用于根据所述各根字符切割线在所述待切车牌图像中的坐标，对所述待切车牌图像进行车牌字符切割，得到多个车牌字符个体图像；
所述字符识别模块，用于针对所述多个车牌字符个体图像中的各个车牌字符个体图像，基于字符识别算法得到对应的字符识别结果。
9.一种计算机设备，其特征在于，包括有通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如权利要求1～4中任意一项所述的车牌字符切割方法或如权利要求6～7中任意一项所述的车牌识别方法。
10.一种计算机可读存储介质，其特征在于,所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～4中任意一项所述的车牌字符切割方法或如权利要求6～7中任意一项所述的车牌识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111272859.4A CN114005120A (zh) | 2021-10-29 | 2021-10-29 | 一种车牌字符切割方法、车牌识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111272859.4A CN114005120A (zh) | 2021-10-29 | 2021-10-29 | 一种车牌字符切割方法、车牌识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114005120A true CN114005120A (zh) | 2022-02-01 |
Family
ID=79925221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111272859.4A Pending CN114005120A (zh) | 2021-10-29 | 2021-10-29 | 一种车牌字符切割方法、车牌识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114005120A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114445784A (zh) * | 2022-03-01 | 2022-05-06 | 武汉聚智惠仁信息技术有限公司 | 一种crrt屏幕参数实时采集的方法和*** |
| CN115131776A (zh) * | 2022-04-12 | 2022-09-30 | 公安部交通管理科学研究所 | 一种融合新能源汽车特征的车牌图像字符分类识别方法 |
-
2021
- 2021-10-29 CN CN202111272859.4A patent/CN114005120A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114445784A (zh) * | 2022-03-01 | 2022-05-06 | 武汉聚智惠仁信息技术有限公司 | 一种crrt屏幕参数实时采集的方法和*** |
| CN115131776A (zh) * | 2022-04-12 | 2022-09-30 | 公安部交通管理科学研究所 | 一种融合新能源汽车特征的车牌图像字符分类识别方法 |
| CN115131776B (zh) * | 2022-04-12 | 2023-05-12 | 公安部交通管理科学研究所 | 一种融合新能源汽车特征的车牌图像字符分类识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110738207B (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
| CN108038474B (zh) | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 | |
| CN110060237B (zh) | 一种故障检测方法、装置、设备及*** | |
| CN112528878A (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
| CN111797829A (zh) | 一种车牌检测方法、装置、电子设备和存储介质 | |
| CN114005120A (zh) | 一种车牌字符切割方法、车牌识别方法、装置、设备及存储介质 | |
| CN112418216A (zh) | 一种复杂自然场景图像中的文字检测方法 | |
| CN111738295B (zh) | 图像的分割方法及存储介质 | |
| CN110443242B (zh) | 读数框检测方法、目标识别模型训练方法及相关装置 | |
| CN114581887B (zh) | 车道线的检测方法、装置、设备和计算机可读存储介质 | |
| CN101727580A (zh) | 图像处理装置、电子介质和图像处理方法 | |
| CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
| CN111382625A (zh) | 道路标识识别方法、装置及电子设备 | |
| CN112990331A (zh) | 图像处理方法、电子设备和存储介质 | |
| CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
| CN113449702A (zh) | 遥感图像的目标检测方法、装置、存储介质及电子设备 | |
| CN116229406B (zh) | 车道线检测方法、***、电子设备及存储介质 | |
| CN112634294A (zh) | 用于测量语义分割网络的边界性能的方法 | |
| CN117011819A (zh) | 基于特征引导注意力的车道线检测方法、装置及设备 | |
| CN116994034A (zh) | 一种基于特征金字塔的小目标检测算法 | |
| CN115713750A (zh) | 一种车道线检测方法、装置、电子设备及存储介质 | |
| CN115345859A (zh) | 隧道渗漏水图像的智能检测方法、装置、设备及存储介质 | |
| CN112101139B (zh) | 人形检测方法、装置、设备及存储介质 | |
| CN115423765A (zh) | 一种基于模板图像的晶粒缺陷量化分割方法 |
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 |