CN115527197A - 车号识别方法、装置、计算机设备以及卡车 - Google Patents
车号识别方法、装置、计算机设备以及卡车 Download PDFInfo
- Publication number
- CN115527197A CN115527197A CN202211155178.4A CN202211155178A CN115527197A CN 115527197 A CN115527197 A CN 115527197A CN 202211155178 A CN202211155178 A CN 202211155178A CN 115527197 A CN115527197 A CN 115527197A
- Authority
- CN
- China
- Prior art keywords
- identification information
- image
- target
- recognized
- vehicle number
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000003137 locomotive effect Effects 0.000 claims 2
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012015 optical character recognition Methods 0.000 description 3
- 101100129590 Schizosaccharomyces pombe (strain 972 / ATCC 24843) mcp5 gene Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
- G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
- G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
- G06K19/06037—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking multi-dimensional coding
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种车号识别方法、装置、计算机设备以及卡车，所述方法包括：获取待识别图像，所述待识别图像包括第一标识信息以及第二标识信息；将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息，所述识别模型通过深度学习训练得到；基于所述第一标识信息以及第二标识信息确定目标车号。采用本方法能够将港口码头上车辆车号精确识别，同时满足高精度的使用需求。
Description
技术领域
本申请涉及图像识别领域，特别是涉及一种车号识别方法、装置、计算机设备以及卡车。
背景技术
随着物流行业的快速发展，港口物流管理自动化的需求逐步提高，加快货物集卡通道的管理自动化己成为重中之重。传统方法中，港口码头上大多采用的是采集集卡实时图片，并对集卡上表示车号的数字进行识别，其缺点是误判率高，导致车号识别错误，使集装箱与装卸的集卡车不能正确匹配，不利于在码头生产作业中大批量使用。在这种背景下，亟需一种快速且稳定的集卡车号识别方法。
发明内容
基于此，有必要针对上述技术问题，提供一种车号识别方法、装置、计算机设备以及卡车。
第一方面，本申请提供了一种车号识别方法。所述方法包括：
获取待识别图像，所述待识别图像包括第一标识信息以及第二标识信息；
将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息，所述识别模型通过深度学习训练得到；
基于所述第一标识信息以及第二标识信息确定目标车号。
在其中一个实施例中，所述将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息包括：
将所述待识别图像输入识别模型中，得到第一标识信息区域以及第二标识信息区域；
基于所述第一标识信息区域确定第一标识信息，基于所述第二标识信息区域确定第二标识信息。
在其中一个实施例中，所述第一标识信息为数字字符，所述基于所述第一标识信息区域确定第一标识信息包括：
将所述第一标识信息区域的图像输入数字识别模型中，得到目标数字字符，所述数字识别模型通过深度学习训练得到。
在其中一个实施例中，所述第二标识信息为二维码，所述基于所述第二标识信息区域确定第二标识信息包括：
对所述第二标识信息区域的图像进行灰度值增强，得到第一增强图像；
基于所述第一增强图像得到目标二维码。
在其中一个实施例中，所述基于所述第一增强图像得到目标二维码之后还包括：
若所述目标二维码不满足预设清晰度条件，则采用Retinex图像增强算法对所述第一增强图像进行增强，得到第二增强图像；
基于所述第二增强图像得到所述目标二维码。
在其中一个实施例中，所述基于所述第一标识信息以及第二标识信息确定目标车号包括：
基于所述第一标识信息确定第一参考车号；
基于所述第二标识信息确定第二参考车号；
基于所述第一参考车号、第二参考车号以及车号数据库确定目标车号。
在其中一个实施例中，所述获取待识别图像包括：
获取历史监控图像；
若连续预设帧数的所述历史监控图像中均检测到车头信息，则基于所述历史监控图像获取待识别图像。
第二方面，本申请还提供了一种卡车。
所述卡车包括车身以及车头；
所述车头顶部设置有标板，所述标板与水平面呈预设角度，所述标板包括第一区域以及第二区域，所述第一区域用于设置第一标识信息，所述第二区域用于设置第二标识信息。
第三方面，本申请还提供了一种车号识别装置。所述装置包括
获取模块，用于获取待识别图像，所述待识别图像包括第一标识信息以及第二标识信息；
识别模块，用于将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息，所述识别模型通过深度学习训练得到；
确定模块，用于基于所述第一标识信息以及第二标识信息确定目标车号。
第四方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待识别图像，所述待识别图像包括第一标识信息以及第二标识信息；
将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息，所述识别模型通过深度学习训练得到；
基于所述第一标识信息以及第二标识信息确定目标车号。
上述车号识别方法、装置、计算机设备以及卡车，通过获取待识别图像，将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息，所述识别模型通过深度学习训练得到；基于所述第一标识信息以及第二标识信息确定目标车号，通过深度学习模型得到第一标识信息以及第二标识信息，基于两种标识信息对车号进行识别，提高了集卡车号识别准确度。
附图说明
图1为一个实施例中车号识别方法的应用环境图；
图2为一个实施例中车号识别方法的流程示意图；
图3为一个实施例中获取第一标识信息的流程示意图；
图4为一个实施例中第一增强图像与原图像的对比图；
图5为一个实施例中第二增强图像与原图像的对比图；
图6为一个实施例中获取第二标识信息的流程示意图；
图7为一个实施例中标板的结构框图；
图8为一个实施例中车号识别方法实施的示意图；
图9为一个实施例中车号识别装置示意图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的车号识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上，也可以放在云上或其他网络服务器上。用户在终端102上做出当前行为，终端102将当前行为数据传输给服务器104，服务器104获取待识别图像，所述待识别图像包括第一标识信息以及第二标识信息；将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息，所述识别模型通过深度学***板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种车号识别方法，包括以下步骤：
步骤202，获取待识别图像，所述待识别图像包括第一标识信息以及第二标识信息。
其中，所述待识别图像是指摄像机等设备所采集到的带有标识信息的车辆的图像。
具体地，当目标车辆进入摄像机可采集的范围内时，对车辆图像进行捕捉抓获，例如，摄像机全天候检测内集卡车头到达信息，当检测到车头信息时，摄像机采集车辆的图像信息，将图片发送至识别服务器进行车号识别。
步骤204，将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息，所述识别模型通过深度学习训练得到。
其中，所述识别模型是指通过深度学习训练得到的，用于从待识别图像中提取标识信息的模型。
具体的，所述待识别图像是包含所述第一标识信息和所述第二标识信息的，所述第一标识信息和第二标识信息与目标车辆车号信息是一一匹配对应的，因此将所述待识别图像输入识别模型，进而获取所述第一标识信息和所述第二标识信息，通过第一标识信息和第二标识信息对车辆车号进行识别。
步骤206，基于所述第一标识信息以及第二标识信息确定目标车号。
具体的，所述第一标识信息以及第二标识信息与目标车辆车号信息是一一匹配对应的，其中所述确定目标车号信息不限于仅确定车号本身，还包括其他车辆信息，在此不做穷举。
上述车号识别方法中，获取待识别图像后，将所述图像输入深度学习训练得到的识别模型中，得到第一标识信息以及第二标识信息，基于获得的所述第一标识信息以及第二标识信息确定目标车号。获取待识别图像中所含的两种标识信息对车号进行识别，提高了集卡车号识别准确度，满足了高精度的使用需求，有利于码头在生产作业中大批量使用。
在一个实施例中，所述将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息包括：
将所述待识别图像输入识别模型中，得到第一标识信息区域以及第二标识信息区域；
基于所述第一标识信息区域确定第一标识信息，基于所述第二标识信息区域确定第二标识信息。
可以理解的是，所述第一标识信息和所述第二标识信息是携带有目标车辆车号信息的两类标识信息，分布在目标车辆的不同区域，将所述待识别图像输入识别模型中，输出带有识别框的分别携带第一标识信息和第二标识信息的图像，或者将原始待识别图像的第一标识信息区域和第二标识信息区域分别进行切割，得到分别携带第一标识信息和第二标识信息的图像。
上述实施例，先通过识别模型确定标识信息所在的区域，再分别进行识别，能够对标识信息进行准确定位，提高标识信息识别的准确度。
在一个实施例中，所述第一标识信息为数字字符，所述基于所述第一标识信息区域确定第一标识信息包括：
将所述第一标识信息区域的图像输入数字识别模型中，得到目标数字字符，所述数字识别模型通过深度学习训练得到。
可以理解的，数字字符即为车辆车号，通过识别数字字符，可直接得到车辆车号，车号往往印在车身或者车顶。数字识别模型的训练方式可以是将训练集中的参考图像输入初始模型，然后根据参考车号以及模型的输出结果调整模型参数，迭代训练得到。在其它实施例中，还可以是通过其他方式对数字字符进行识别，例如OCR等，在此不做穷举说明。
上述实施例，通过深度学习的方式训练数字识别模型，能够有效提高数字字符识别的效率和准确度。
参阅图3，图3为一个实施例中基于数字识别模型获取第一标识信息的流程示意图。
在本实施例中，所述第一标识信息获取的流程包括：
步骤S301，导入至少一张待识别图像。
步骤S302，得到第一标识信息区域以及第二标识信息区域。
可以理解的，通过深度学习训练得到的模型或其它识别模型从待识别图像中提取第一标识信息区域以及第二标识信息区域。
步骤S303，根据所述第一标识信息区域以及第二标识信息区域的相对关系，确定车辆的行驶方向。
可以理解的，第一标识信息区域和第二标识信息区域的分布与车头顶点的相对距离大小不同，也即第一标识信息区域和第二标识信息区域是按照一前一后的顺序进行分布的。示例性的，若第一标识信息区域与车头的距离小于第二标识信息区域与车头的距离，那么，当采集的图像信息显示第一标识信息区域位于第二标识区域前面时，说明车辆在正向行驶；当采集的图像信息显示第二标识信息区域位于第一标识区域前面时，说明在逆向行驶；
步骤S304，基于所述行驶方向对获取的所述第一标识信息进行旋转。
可以理解的，当车辆逆向行驶时，提取到的第一标识信息的数字字符是倒置的或者平转的，因此需要将获取的所述第一标识信息进行旋转处理。
步骤S305，基于旋转后的第一标识信息，基于数字识别模型，进行字符的识别。
步骤S306，获取目标数字字符。
上述实施例，根据所述第一标识信息区域以及第二标识信息区域的相对关系，确定车辆的行驶方向，进而将需要旋转的图像进行旋转处理，避免了因为图像歪斜或者方向有误导致的字符识别错误，大大提高了标识信息识别的精准程度。
在一个实施例中，所述第二标识信息为二维码，所述基于所述第二标识信息区域确定第二标识信息包括：
对所述第二标识信息区域的图像进行灰度值增强，得到第一增强图像；
基于所述第一增强图像得到目标二维码。
可以理解的，所述第二标识信息为二维码，通过对二维码的扫描，可以得到车辆的集***码等信息。对所述二维码进行识别时，由于受环境、光照、天气等因素影响导致二维码测试区域模糊或反光，影响二维码的识别率，有必要将采集后的图像增强处理，进而对所述第二标识信息区域的图像进行灰度值增强，可以提高图像饱和度、清晰度，获取第一增强图像。
具体的实现计算过程见公式(1)(2)(3)(4)所示：
img_out_red＝img_red+(img_red-0.7*255.0)*1.5 (1)
img_out_green＝img_green+(img_green-0.7*255.0)*1.5 (2)
img_out_blue＝img_blue+(img_blue-0.7*255.0)*1.5 (3)
img_out＝[img_red；img_green；img_blue] (4)
其中img_red为图像的红色分量，img_green为图像中绿色分量，img_blue为图像中蓝色分量；img_out_red为增加后红色分量图像，img_out_green为增加后绿色分量图像，img_out_blue为增加后蓝色分量图像，img_out为像素点增强后的灰度值，二维码区域增强后的第一增强图像与原图像的对比如图4所示。
上述实施例，将原二维码区域图像的红色分量，绿色分量，蓝色分量均进行增强，基于增强后的红色分量图像，绿色分量图像，蓝色分量图像，形成增强后的第一增强图像，提高图像的色彩饱和度，提高了第二标识信息识别的准确度。
在一个实施例中，所述基于所述第一增强图像得到目标二维码之后还包括：
若所述目标二维码不满足预设清晰度条件，则采用Retinex图像增强算法对所述第一增强图像进行增强，得到第二增强图像；
基于所述第二增强图像得到所述目标二维码。
其中，所述预设清晰度条件是指能够通过图像识别得到清晰的二维码图像，且通过扫描二维码得到的车辆车号信息能够通过校验。能够对二维码信息图像进行真实准确识别，并且识别结果可以成功经过预设二维码内信息校验算法校验。
上述实施例，将不满足预设清晰度条件的图像采用Retinex图像增强算法进行二次图像增强，在彩色图像增强、图像去雾、彩色图像恢复等诸多方面进行改进，进一步提高了提高了第二标识信息识别的准确度。
其中，预设的二维码内信息校验算法规则如下：
预设的二维码采用Datamatrix矩阵式二维条码进行编码，其中二维码解析结果包含6位数字，其中前5位是数据位，第6位是校验位，当二维码解码的结果同时满足公式(5)公式(6)，即当num61＝num62时，就认为解码出来结果是通过校验的。
num61＝(num1*2^4+num2*2^3+num3*2^2+num4*2^1+num5*2^0)％11 (5)
num62＝(num1*3^4+num2*3^3+num3*3^2+num4*3^1+num5*3^0)％11 (6)
其中，num1-5为对二维码信息进行解码所得前5位数字，num61、num62是对获取的num1-5分别依据公式(5)(6)计算两次所得的结果，与校验位数字相对应。
可以理解的，例如二维码解码所得的6位数字为480619，基于公式(5)公式(6)可以得到如下结果：
num61＝(4*2^4+8*2^3+0*2^2+6*2^1+1*2^0)％11＝9
num62＝(4*3^4+8*3^3+0*3^2+6*3^1+1*3^0)％11＝9
可以理解的，二维码信息校验后，基于二维码解析结果的6位数字获取车号的途径如下：预设先验知识对应表，所述对应表中，二维码数字和车号是一一对应的；依据所述对应表，依据二维码解码结果查询对应车号，例如当二维码解析结果为480619，对应车号为001，其余对照情况在此不做多余赘述。
上述二维码内信息校验算法的设置，将解码所得的携带车辆车号信息的数字组合进行校验，校验通过说明数字组合有效，进而判断二维码解码正确，保证了通过二维码获取的车号信息的真实可靠。
可以理解的，对所述第二标识信息区域的图像进行灰度值增强后，得到第一增强图像，基于所述第一增强图像得到目标二维码，当所述目标二维码不满足预设清晰度条件，也即解码结果没有通过预设的二维码内信息校验算法的校验，则再进行一单尺度Retinex图像增强处理，它是一种去除不均衡光照，凸显关键特征的算法，得到第二增强图像。
具体实现的过程如公式(7)(8)所示：
img_log＝log10(I)-log10(I_GaussianBlur) (7)
其中log(I)为图像的对数域矩阵，log(I_GaussianBlur)为图像经过高斯模糊处理后的对数域矩阵，Img_log:为对数变化后的图像，Img_result:最终得到的图像；其中二维码区域增强后的第二增强图像与原图像的对比如图5所示。
上述实施例，将二维码区域的第一增强图像，再进行一单尺度Retinex图像增强处理，使原始图像清晰度方面有了较大改观，提高了识别准确性。
参阅图6，图6为一个实施例中获取第二标识信息的流程示意图。
在另一个实施例中，所述第二标识信息获取的流程包括：
步骤1，导入至少一张二维码区域图像。
步骤2，基于图像灰度值增强算法处理所述二维码区域图像。
步骤3，获取处理后的第一增强图像。
步骤4，基于所述第一增强图像，进行二维码解码，得到第一增强图像的二维码解码结果，将所述第一增强图像的二维码解码结果输入预设二维码内信息校验算法校验。
其中，预设二维码内信息校验算法即为公式(5)(6)所描述算法，此处不再赘述。
步骤5，当所述第一增强图像的二维码解码结果校验通过，直接输出第一增强图像，获取二维码信息；当所述第一增强图像的二维码解码结果校验不通过，将所述第一增强图像进行一单尺度Retinex图像增强处理，输出第二增强图像，获取二维码信息。
上述实施例，将二维码区域图像基于不同算法进行图像增强处理，使原始图像在色彩，对比度，清晰度方面有了较大改观，保证了二维码图像的真实性，提高了识别准确性。
在另一个实施例中，所述基于所述第一标识信息以及第二标识信息确定目标车号包括：
基于所述第一标识信息确定第一参考车号；
基于所述第二标识信息确定第二参考车号；
基于所述第一参考车号、第二参考车号以及车号数据库确定目标车号。
其中，车号数据库是指将码头中固定的集卡车辆编号汇总所形成的数据库。
可以理解的，所述第一标识信息是车辆的数字字符信息，以所述数字字符确定第一参考车号；所述第二标识信息为二维码信息，利用预设二维码内信息校验算法对二维码信息进行校验，当所述二维码解码出来结果是通过校验的，进而通过对二维码的扫描得到第二参考车号，将第一参考车号和第二参考车号进行比对，判断是否一致，判断一致后将所述第一参考车号、第二参考车号与所述车号数据库再次进行比对，验证第一参考车号以及第二参考车号所代表的车辆确实存在于数据库中，进而确定最终目标车号。若第一参考车号与第二参考车号不一致，则重新获取待识别图像，并进行对应识别。
可以理解的，码头中内集卡车辆数量是固定的，所有的集卡编号制作成一个数据库，数据库可以是Excel表格形式等不做限定，当第一参考车号和第二参考车号比对一致，并且在车号数据库集合中，就认为输出的车号结果可靠性更强，有助于对车号识别结果的校验，使输出的车号结果更加具有可信度。
在一个实施例中，所述获取待识别图像包括：
获取历史监控图像；
若连续预设帧数的所述历史监控图像中均检测到车头信息，则基于所述历史监控图像获取待识别图像。
可以理解的，获取历史监控图像，若连续预设帧数的所述历史监控图像中均检测到车头信息，说明车辆行驶到摄像机采集区域，并且已经行进了一段时间，车头上带有标识信息的区域已经完整出现，也即进行车辆图像的采集可以获取所需的完整的第一标识信息区域以及第二标识信息区域，进而可以基于两个区域，分别获得第一标识信息以及第二标识信息。
上述实施例，通过连续预设帧数的所述历史监控图像中均可检测到车头，来判断车辆行驶到摄像机采集区域，避免了因采集图像不完整导致的无效图像的存在，有效提高了监控图像采集的准确性。
在一个实施例中，提供了一种卡车，包括车身以及车头，其特征在于，所述车头顶部设置有标板，所述标板与水平面呈预设角度，所述标板包括第一区域以及第二区域，所述第一区域用于设置第一标识信息，所述第二区域用于设置第二标识信息。
参阅图7，图7为所述标板，其特征在于，包括：
所述标板包含字符区域、二维码区域以及定位区域三部分；
其中，字符区域对应的是本实施例的第一区域，并且采用3位数字，字体整体向外突出2mm；二维码区域对应的是本实施例的第二区域，并且黏贴两张二维码用来解码识别。
所述标板还包括定位区域，定位区域设计了2个高度2mm的红色圆柱体用来定位判断内集卡的行驶方向；
所述标板与水平面的预设角度为5度。
上述卡车，通过在标板上设计突出字符以方便图像采集识别，设计标记的红色圆柱体，有利于行驶方向的识别，所述标板倾斜角度的设置有利于避免雨天积水影响标识信息。
参阅图8，图8为一个实施例车号识别方法实施的示意图。
步骤1，导入至少一张待识别图像；
步骤2，智能算法分别定位第一标识信息区域以及第二标识信息区域；
步骤3.1，针对第一标识信息区域以及第二标识信息区域的相对关系确定车辆的行驶方向；
步骤3.2，依据所述行驶方向，将需要旋转的第一标识信息的图像进行旋转，利用CRNN进行块状字符识别。
其中，CRNN(Convolutional Recurrent Neural Network，卷积循环神经网络)是一种识别文本的方法，主要用于解决基于图像的序列识别问题，特别是场景文字识别问题。CRNN模型的主要特征包括：能够进行端到端的训练；无需对样本数据进行字符分割，可识别任意长度的文本序列；模型速度快、性能好，而且模型很小。
可以理解的，除了利用CRNN模型进行块状字符识别之外，还可以利用OCR技术进行光学字符识别，利用光学技术和计算机技术把印在或写在纸上的文字读取出来，并转换成一种计算机能够接受、人又可以理解的格式，其余方法在此不做过多赘述。
步骤3.3，检验所述块状字符识别结果是否在车号数据库中；
可以理解的，块状字符识别的结果，也即车身或者车顶所标记的车辆编码，如果该编码出现在车号数据库，说明所述块状字符的识别结果初步判断是合理且真实的。
步骤4.1，针对第二标识信息区域获取二维码信息图像；
步骤4.2，针对所述二维码信息图像根据预设算法对图像进行处理；
步骤4.3，对所述处理过的图像进行解码，检验所述二维码信息图像识别结果在车号数据库中；
步骤5，将步骤3.3以及步骤4.3获得的车号，依据预设筛选组合车号算法进行校验，车号校验通过，最终输出车号。
其中，所述预设筛选组合车号算法具体包括：
当步骤3.3获得的识别结果存在于车号数据库中时，将所述识别结果代表的车号输出为结果1，当步骤4.3获得的识别结果存在于车号数据库中时，将所述识别结果代表的车号输出为结果2，结果1与结果2一致时，输出车号，并设置识别结果可靠性为100；当步骤4.3没有获得识别结果，仅步骤3.3获得识别结果时，输出步骤3.3识别结果代表的车号，并设置识别结果可靠性为60；当步骤4.3获得识别结果，而步骤3.3没有获得识别结果时，输出步骤4.3识别结果代表的车号并设置识别结果可靠性为80。
上述实施例，通过深度学习模型得到第一标识信息以及第二标识信息，基于两种标识信息对车号进行识别，提高了集卡车号识别准确度。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的车号识别方法的车号识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个车号识别装置实施例中的具体限定可以参见上文中对于车号识别方法的限定，在此不再赘述。
在一个实施例中，如图9所示，提供了一种车号识别装置，所述装置包括：
获取模块910、识别模块920、确定模块930，其中：
获取模块910，用于获取待识别图像，所述待识别图像包括第一标识信息以及第二标识信息。
识别模块920，用于将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息，所述识别模型通过深度学习训练得到。
确定模块930，用于基于所述第一标识信息以及第二标识信息确定目标车号。
上述车号识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种用户行为积分分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待识别图像，所述待识别图像包括第一标识信息以及第二标识信息；
将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息，所述识别模型通过深度学习训练得到；
基于所述第一标识信息以及第二标识信息确定目标车号。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待识别图像，所述待识别图像包括第一标识信息以及第二标识信息；
将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息，所述识别模型通过深度学习训练得到；
基于所述第一标识信息以及第二标识信息确定目标车号。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种车号识别方法，其特征在于，所述方法包括：
获取待识别图像，所述待识别图像包括第一标识信息以及第二标识信息；
将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息，所述识别模型通过深度学习训练得到；
基于所述第一标识信息以及第二标识信息确定目标车号。
2.根据权利要求1所述的方法，其特征在于，所述将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息包括：
将所述待识别图像输入识别模型中，得到第一标识信息区域以及第二标识信息区域；
基于所述第一标识信息区域确定第一标识信息，基于所述第二标识信息区域确定第二标识信息。
3.根据权利要求2所述的方法，其特征在于，所述第一标识信息为数字字符，所述基于所述第一标识信息区域确定第一标识信息包括：
将所述第一标识信息区域的图像输入数字识别模型中，得到目标数字字符，所述数字识别模型通过深度学习训练得到。
4.根据权利要求1所述的方法，其特征在于，所述第二标识信息为二维码，所述基于所述第二标识信息区域确定第二标识信息包括：
对所述第二标识信息区域的图像进行灰度值增强，得到第一增强图像；
基于所述第一增强图像得到目标二维码。
5.根据权利要求4所述的方法，其特征在于，所述基于所述第一增强图像得到目标二维码之后还包括：
若所述目标二维码不满足预设清晰度条件，则采用Retinex图像增强算法对所述第一增强图像进行增强，得到第二增强图像；
基于所述第二增强图像得到所述目标二维码。
6.根据权利要求1所述的方法，其特征在于，所述基于所述第一标识信息以及第二标识信息确定目标车号包括：
基于所述第一标识信息确定第一参考车号；
基于所述第二标识信息确定第二参考车号；
基于所述第一参考车号、第二参考车号以及车号数据库确定目标车号。
7.根据权利要求1所述的方法，其特征在于，所述获取待识别图像包括：
获取历史监控图像；
若连续预设帧数的所述历史监控图像中均检测到车头信息，则基于所述历史监控图像获取待识别图像。
8.一种卡车，包括车身以及车头，其特征在于，所述车头顶部设置有标板，所述标板与水平面呈预设角度，所述标板包括第一区域以及第二区域，所述第一区域用于设置第一标识信息，所述第二区域用于设置第二标识信息。
9.一种车号识别装置，其特征在于，所述装置包括：
获取模块，用于获取待识别图像，所述待识别图像包括第一标识信息以及第二标识信息；
识别模块，用于将所述待识别图像输入识别模型中，得到第一标识信息以及第二标识信息，所述识别模型通过深度学习训练得到；
确定模块，用于基于所述第一标识信息以及第二标识信息确定目标车号。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211155178.4A CN115527197B (zh) | 2022-09-22 | 车号识别方法、装置、计算机设备以及卡车 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211155178.4A CN115527197B (zh) | 2022-09-22 | 车号识别方法、装置、计算机设备以及卡车 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115527197A true CN115527197A (zh) | 2022-12-27 |
| CN115527197B CN115527197B (zh) | 2024-07-30 |
Family
ID=
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105059327A (zh) * | 2015-07-30 | 2015-11-18 | 苏州华兴致远电子科技有限公司 | 一种车号识别方法及装置 |
| CN205943083U (zh) * | 2016-08-18 | 2017-02-08 | 福州大学 | 基于二维码的车辆信息识别装置 |
| CN109657674A (zh) * | 2018-11-28 | 2019-04-19 | 新华三技术有限公司 | 一种车辆标识确定方法及装置 |
| CN110472633A (zh) * | 2019-08-15 | 2019-11-19 | 南京拓控信息科技股份有限公司 | 一种基于深度学习的列车车号检测和识别方法 |
| CN111539425A (zh) * | 2020-04-24 | 2020-08-14 | 江震宇 | 一种车牌识别方法、存储介质及电子设备 |
| CN112530170A (zh) * | 2020-12-16 | 2021-03-19 | 济南博观智能科技有限公司 | 一种车辆行驶状态检测方法、装置、电子设备及存储介质 |
| US20210287015A1 (en) * | 2020-10-20 | 2021-09-16 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for vehicle re-identification, training method and electronic device |
| CN113962242A (zh) * | 2021-11-11 | 2022-01-21 | 重庆赛迪奇智人工智能科技有限公司 | 二维码号牌识别方法及装置、电子设备、存储介质 |
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105059327A (zh) * | 2015-07-30 | 2015-11-18 | 苏州华兴致远电子科技有限公司 | 一种车号识别方法及装置 |
| CN205943083U (zh) * | 2016-08-18 | 2017-02-08 | 福州大学 | 基于二维码的车辆信息识别装置 |
| CN109657674A (zh) * | 2018-11-28 | 2019-04-19 | 新华三技术有限公司 | 一种车辆标识确定方法及装置 |
| CN110472633A (zh) * | 2019-08-15 | 2019-11-19 | 南京拓控信息科技股份有限公司 | 一种基于深度学习的列车车号检测和识别方法 |
| CN111539425A (zh) * | 2020-04-24 | 2020-08-14 | 江震宇 | 一种车牌识别方法、存储介质及电子设备 |
| US20210287015A1 (en) * | 2020-10-20 | 2021-09-16 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for vehicle re-identification, training method and electronic device |
| CN112530170A (zh) * | 2020-12-16 | 2021-03-19 | 济南博观智能科技有限公司 | 一种车辆行驶状态检测方法、装置、电子设备及存储介质 |
| CN113962242A (zh) * | 2021-11-11 | 2022-01-21 | 重庆赛迪奇智人工智能科技有限公司 | 二维码号牌识别方法及装置、电子设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829453B (zh) | 一种卡证中文字的识别方法、装置以及计算设备 | |
| CN108920580B (zh) | 图像匹配方法、装置、存储介质及终端 | |
| CN110659647B (zh) | ***图像识别方法及装置、智能***识别设备和存储介质 | |
| CN107944450B (zh) | 一种车牌识别方法及装置 | |
| CN110866495A (zh) | 票据图像识别方法及装置和设备、训练方法和存储介质 | |
| CN107506765B (zh) | 一种基于神经网络的车牌倾斜校正的方法 | |
| CN108491866B (zh) | ***鉴定方法、电子装置及可读存储介质 | |
| CN108428248B (zh) | 车窗定位方法、***、设备及存储介质 | |
| CN110675940A (zh) | 病理图像标注方法、装置、计算机设备及存储介质 | |
| CN113837151B (zh) | 表格图像处理方法、装置、计算机设备及可读存储介质 | |
| CN113011144A (zh) | 表单信息的获取方法、装置和服务器 | |
| CN114038004A (zh) | 一种证件信息提取方法、装置、设备及存储介质 | |
| CN108830275B (zh) | 点阵字符、点阵数字的识别方法及装置 | |
| CN111178290A (zh) | 一种签名验证方法和装置 | |
| CN112418214B (zh) | 一种车辆识别码识别方法、装置、电子设备及存储介质 | |
| CN111611988A (zh) | 图片验证码识别方法及装置、电子设备和计算机可读介质 | |
| CN114092938B (zh) | 图像的识别处理方法、装置、电子设备及存储介质 | |
| CN110866900A (zh) | 水体颜色识别方法及装置 | |
| CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
| Sun et al. | Vehicle Type Recognition Combining Global and Local Features via Two‐Stage Classification | |
| CN114332883A (zh) | ***信息识别方法、装置、计算机设备及存储介质 | |
| CN111178254A (zh) | 一种签名识别方法及设备 | |
| CN108090728B (zh) | 一种基于智能终端的快递信息录入方法及录入*** | |
| CN113780116A (zh) | ***分类方法、装置、计算机设备和存储介质 | |
| CN117115823A (zh) | 一种篡改识别方法、装置、计算机设备和存储介质 |
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 |