CN116311212A - 基于高速摄像机实现运动状态下的船号识别方法及装置 - Google Patents
基于高速摄像机实现运动状态下的船号识别方法及装置 Download PDFInfo
- Publication number
- CN116311212A CN116311212A CN202310537902.8A CN202310537902A CN116311212A CN 116311212 A CN116311212 A CN 116311212A CN 202310537902 A CN202310537902 A CN 202310537902A CN 116311212 A CN116311212 A CN 116311212A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- extremum
- ship
- motion state
- 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 58
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000012937 correction Methods 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000003708 edge detection Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 5
- 238000003702 image correction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 26
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 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
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及船号识别技术领域，揭露了一种基于高速摄像机实现运动状态下的船号识别方法及装置，方法包括：采集在运动状态下船舶的船舶图像，对船舶图像进行图像灰度化处理，得到灰度化图像，对灰度化图像进行直方图均衡化处理，得到均衡化图像，对去噪化图像进行倾斜矫正处理，得到矫正图像；基于预设的极值区域算法计算矫正图像的极值区域，识别极值区域中每个区域的区域类别，提取归类极值区域中的字符区域，得到目标字符区域；将目标字符区域的字符进行归一化处理，得到归一化字符，将归一化字符输入至预先训练好的字符识别模型中，以识别目标字符区域的字符，得到目标船号。本发明在于提高运动状态下的船号识别准确率。
Description
技术领域
本发明涉及船号识别技术领域，尤其涉及基于高速摄像机实现运动状态下的船号识别方法及装置。
背景技术
船舶是水路运输的核心载体，管理水域交通的关键就在于完善对船舶身份信息的管理，因此，对于船号的识别和监控也发挥着越来越重要的作用，船号识别是高速摄像头图像识别技术在船舶牌照识别中的一种应用，船号识别技术要求能够将运动状态下的船号从复杂情景中提取并识别出来，在水域交通监管中被广泛应用。
目前，船号识别主要是基于卫星遥感图像、雷达、无人机拍摄等设备进行船舶图像采集，利用ais(船舶自动识别装置）技术实现其船号识别，但在实际业务场景中，船体容易受到风吹日晒、光线以及灰尘水渍等干扰，从而使得在利用卫星遥感图像、雷达、无人机拍摄等设备进行船舶图像采集时出现图像模糊的现象，进而会影响后续船号识别的准确性，且复杂情景下与船舶运动状态下，由于船号模糊、被遮挡导致船号识别较难。因此，运动状态下的船号识别准确率不足。
发明内容
本发明提供基于高速摄像机实现运动状态下的船号识别方法及装置，其主要目的在于提高运动状态下的船号识别准确率。
为实现上述目的，本发明提供的基于高速摄像机实现运动状态下的船号识别方法，包括：
利用高速摄像机采集在运动状态下船舶的船舶图像，对所述船舶图像进行图像灰度化处理，得到灰度化图像，对所述灰度化图像进行直方图均衡化处理，得到均衡化图像，对所述均衡化图像进行平滑去噪处理，得到去噪化图像，对所述去噪化图像进行倾斜矫正处理，得到矫正图像；
基于预设的极值区域算法计算所述矫正图像的极值区域，识别所述极值区域中每个区域的区域类别，根据所述区域类别，将所述极值区域进行归类，得到归类极值区域，提取所述归类极值区域中的字符区域，得到目标字符区域；
将所述目标字符区域的字符进行归一化处理，得到归一化字符，将所述归一化字符输入至预先训练好的字符识别模型中，以识别所述目标字符区域的字符，得到目标船号。
可选地，所述对所述船舶图像进行图像灰度化处理，得到灰度化图像，包括：
通过下述公式对所述船舶图像进行图像灰度化处理：
其中，Grab(m,n)表示船舶图像进行图像灰度化处理后得到的灰度化图像，R、G、B分别表示图像中每个像素点的红、绿、蓝通道的值，m、n表示像素点的坐标。
可选地，对所述灰度化图像进行直方图均衡化处理，得到均衡化图像，包括：
对所述灰度化图像进行小波变换，得到不同频率的子带图像；
对所述子带图像中的每个子带图像进行直方图均衡化处理，得到均衡子带图像；
对所述均衡子带图像进行小波反变换，得到变换图像；
对所述变换图像进行图像融合，得到均衡化图像。
可选地，所述对所述均衡化图像进行平滑去噪处理，得到去噪化图像，包括：
对所述均衡化图像进行离散化，得到离散化图像；
定义所述离散化图像对应的目标函数；
利用所述目标函数求解所述离散化图像对应的图像噪声值，其中，所述目标函数包括：
其中，
表示所述离散化图像对应的图像噪声值，/>
表示所述离散化图像中非噪声部分的灰度值总和，/>
表示所述离散化图像中噪声部分的灰度值总和；
在所述图像噪声值大于预设噪声值时，对所述离散化图像对应的图像噪声进行去噪处理，得到去噪化图像。
可选地，所述基于预设的极值区域算法计算所述矫正图像的极值区域，包括：
检测所述矫正图像的图像像素点；
根据所述图像像素点，定义所述矫正图像的滑动窗口；
根据所述滑动窗口，遍历所述矫正图像，得到遍历图像；
计算所述遍历图像中的像素最小值和像素最大值；
若所述像素最小值和所述像素最大值处于所述滑动窗口的中心，则记录所述滑动窗口的窗口坐标；
将所述窗口坐标在所述矫正图像中对应的区域作为所述矫正图像的极值区域
可选地，所述根据所述区域类别，将所述极值区域进行归类，得到归类极值区域，包括：
从所述极值区域中的每个极值区域中提取特征向量；
利用预设的聚类算法对所述特征向量进行聚类处理，得到聚类向量；
对所述聚类向量进行指标分析，得到分析结果；
根据所述分析结果，计算所述分析结果对应的偏差值；
若所述偏差值不大于预设阈值，则调整所述聚类算法的算法参数，得到目标聚类算法；
利用所述目标聚类算法对所述极值区域进行归类，得到归类极值区域。
可选地，所述提取所述归类极值区域中的字符区域，得到目标字符区域，包括：
利用预设的边缘检测算法检测所述归类极值区域中的边缘，得到检测边缘；
对所述检测边缘进行增强处理，得到增强边缘；
对所述增强边缘进行连接处理，得到连接边缘；
检测所述连接边缘对应的边缘形状和文本区域；
结合所述边缘形状，确定所述文本区域中的目标字符区域。
可选地，所述利用预设的边缘检测算法检测所述归类极值区域中的边缘，得到检测边缘，包括：
利用所述预设的边缘检测算法计算所述归类极值区域中的区域梯度值，其中，所述预设的边缘检测算法，包括：
其中，G表示所述区域梯度值，
表示归类极值区域中水平方向上的梯度值，/>
表示归类极值区域中垂直方向上的梯度值，g表示边缘检测算子，A表示所述归类极值区域；
根据所述区域梯度值，对所述区域梯度值对应的梯度图像进行非极大值抑制，得到目标梯度图像；
对所述目标梯度图像进行双阈值检测，得到所述目标梯度图像对应的边缘强度和边缘数量；
根据所述边缘强度和所述边缘数量，检测所述归类极值区域中的边缘，得到检测边缘。
可选地，所述结合所述边缘形状，确定所述文本区域中的目标字符区域，包括：
对所述文本区域进行区域分割，得到分割区域；
识别所述分割区域中的区域字符；
对所述区域字符进行语义解析，得到字符语义；
根据所述字符语义，确定所述分割区域中的第一字符区域；
对所述第一字符区域进行过滤，得到第二字符区域；
根据所述边缘形状，从所述第二字符区域中确定所述文本区域中的目标字符区域。
为了解决上述问题，本发明还提供基于高速摄像机实现运动状态下的船号识别装置，所述装置包括：
图像矫正模块，用于利用高速摄像机采集在运动状态下船舶的船舶图像，对所述船舶图像进行图像灰度化处理，得到灰度化图像，对所述灰度化图像进行直方图均衡化处理，得到均衡化图像，对所述均衡化图像进行平滑去噪处理，得到去噪化图像，对所述去噪化图像进行倾斜矫正处理，得到矫正图像；
区域提取模块，用于基于预设的极值区域算法计算所述矫正图像的极值区域，识别所述极值区域中每个区域的区域类别，根据所述区域类别，将所述极值区域进行归类，得到归类极值区域，提取所述归类极值区域中的字符区域，得到目标字符区域；
船号识别模块，用于将所述目标字符区域的字符进行归一化处理，得到归一化字符，将所述归一化字符输入至预先训练好的字符识别模型中，以识别所述目标字符区域的字符，得到目标船号。
本发明首先通过利用高速摄像机采集在运动状态下船舶的船舶图像，可以得到运动状态下船舶的船舶图像，以便于后续可以对所述船舶图像进行图像处理，进一步地，本发明实施例通过对所述船舶图像进行图像灰度化处理，得到灰度化图像，因为所述船舶图像中字符内容与色彩信息无关，且原始的彩色图像所占的存储更大，这样做能够提高算法整体的处理速度，进一步地，本发明实施例通过对所述灰度化图像进行直方图均衡化处理，得到均衡化图像，所述直方图均衡化的主要作用就是将受光线影响致使识别目标不明显的目标突显出来，进一步地，本发明通过对所述均衡化图像进行平滑去噪处理，得到去噪化图像，所述平滑去噪处理可以尽量去除图像中的噪点，避免后续字符识别出现较大误差，本发明通过对所述去噪化图像进行倾斜矫正处理，可以将所述去噪化图像中的一些图像的角度纠正过来，降低了后续图像处理的难度，其中，所述矫正图像是指调整了倾斜图像角度后的图像，本发明通过基于预设的极值区域算法计算所述矫正图像的极值区域，可以得到不同的极值区域，以便后续归类所述极值区域，本发明通过提取所述归类极值区域中的字符区域，以便后续对所述字符区域进行字符识别，本发明通过将所述目标字符区域的字符进行归一化处理，可以将字符集中处理，以便于后续模型的识别，本发明通过将所述归一化字符输入至预先训练好的字符识别模型中，以识别所述目标字符区域的字符，以便于识别所述字符区域的船号。因此，本发明提供基于高速摄像机实现运动状态下的船号识别方法及装置，其主要目的在于提高运动状态下的船号识别准确率。
附图说明
图1为本发明一实施例提供的基于高速摄像机实现运动状态下的船号识别方法的流程示意图；
图2为本发明一实施例提供的基于高速摄像机实现运动状态下的船号识别装置的功能模块图；
图3为本发明一实施例提供的实现所述基于高速摄像机实现运动状态下的船号识别方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供基于高速摄像机实现运动状态下的船号识别方法。本申请实施例中，所述基于高速摄像机实现运动状态下的船号识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于高速摄像机实现运动状态下的船号识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于高速摄像机实现运动状态下的船号识别方法的流程示意图。在本实施例中，所述基于高速摄像机实现运动状态下的船号识别方法包括步骤S1—S3：
S1、利用高速摄像机采集在运动状态下船舶的船舶图像，对所述船舶图像进行图像灰度化处理，得到灰度化图像，对所述灰度化图像进行直方图均衡化处理，得到均衡化图像，对所述均衡化图像进行平滑去噪处理，得到去噪化图像，对所述去噪化图像进行倾斜矫正处理，得到矫正图像。
本发明通过利用高速摄像机采集在运动状态下船舶的船舶图像，可以得到运动状态下船舶的船舶图像，以便于后续可以对所述船舶图像进行图像处理。其中，所述高速摄像机是一种能够以小于1/1000秒的曝光或超过每秒250帧的帧速率捕获运动图像的设备，它用于将快速移动的物体作为照片图像记录到存储介质上，具有高分辨率、高灵敏度、高帧率和快速曝光时间等特点，所述指船舶图像是指所述高速摄像机采集到的反映船体外观信息的照片或图像，被用于船舶的识别和跟踪，以及船舶的安全管理。可选的，所述船舶图像可以通过利用所述高速摄像机中的高速快门和高速感光传感器进行捕捉得到，其中，所述高速快门和高速感光传感器都是摄影领域中常用的技术，用于拍摄高速运动的物体或者在低光环境下拍摄清晰的照片，所述高速快门是指相机快门速度非常快的一种拍摄方式，快门速度越快，相机就能够在更短的时间内捕捉到物体的运动轨迹，从而拍摄到更清晰的照片，所述高速感光传感器是指相机传感器的灵敏度非常高的一种技术，传感器的灵敏度越高，相机就能够在低光环境下拍摄到更清晰的照片，所述高速快门和高速感光传感器通常需要配合使用，以便在不同的场景下获得最佳的拍摄效果。
进一步地，本发明实施例通过对所述船舶图像进行图像灰度化处理，得到灰度化图像，因为所述船舶图像中字符内容与色彩信息无关，且原始的彩色图像所占的存储更大，这样做能够提高算法整体的处理速度。其中，所述灰度化图像是指每个像素由一个量化的灰度来描述的没有色彩信息的图像。可选的，所述船舶图像的图像灰度化处理是将彩色图像转换为灰度图像的过程，可以简化图像处理的复杂度，同时保留图像的主要信息，所述灰度化处理可以通过加权平均法实现。其中，所述加权平均法是指根据重要性及其它指标。
作为本发明的一个实施例，所述对所述船舶图像进行图像灰度化处理，得到灰度化图像，包括：通过下述公式对所述船舶图像进行图像灰度化处理：
其中，Grab(m,n)表示船舶图像进行图像灰度化处理后得到的灰度化图像，R、G、B分别表示图像中每个像素点的红、绿、蓝通道的值，m、n表示像素点的坐标。
进一步地，本发明实施例通过对所述灰度化图像进行直方图均衡化处理，得到均衡化图像，所述直方图均衡化的主要作用就是将受光线影响致使识别目标不明显的目标突显出来。其中，所诉均衡化图像是指图像灰度间隔增大，图像反差增大且每个灰度级有大致相同的像素点的图像。
作为本发明的一个实施例，对所述灰度化图像进行直方图均衡化处理，得到均衡化图像，包括：对所述灰度化图像进行小波变换，得到不同频率的子带图像；对所述子带图像中的每个子带图像进行直方图均衡化处理，得到均衡子带图像；对所述均衡子带图像进行小波反变换，得到变换图像；对所述变换图像进行图像融合，得到均衡化图像。
其中，所述子带图像是所述小波变换将原始图像分解成不同频率的子信号或子图像后得到的图像，所述均衡子带图像是所述每个子带图像进行直方图均衡化处理后得到的图像，所述变换图像是所述均衡子带图像进行小波反变换后得到的图像。
进一步的，所述小波变换是一种可以将信号或图像分解成不同频率的子信号或子图像的数学变换方法，包括低频子带图像和高频子带图像，所述低频子带图像包含了原始图像的大部分能量，而所述高频子带图像则包含了图像的细节信息，所述小波反变换是指将所述小波变换后的系数恢复成原始信号的过程，所述小波反变换的基本思想是将小波系数通过逆滤波器和逆下采样操作，逐步重构出原始信号，所述直方图均衡化处理可以通过基于分频和融合的直方图均衡算法实现，所述基于分频和融合的直方图均衡算法是指考虑到将图像的高频分量和低频分量分开，对低频分量进行直方图均衡处理，对高频分量进行线性加权增强, 再将两者融合, 就可以避免直方图均衡算法导致图像细节信息丢失和噪声放大的问题。
进一步地，本发明通过对所述均衡化图像进行平滑去噪处理，得到去噪化图像，所述平滑去噪处理可以尽量去除图像中的噪点，避免后续字符识别出现较大误差。其中，所述去噪化图像是指消除了图像中噪点后的图像。可选的，所诉平滑降噪处理可以通过总体变分去噪方法实现，所述总体变分去噪方法是指通过构造图像的能量函数，并对能量函数最小化使得图像达到平滑状态。
作为本发明的一个实施例，所述对所述均衡化图像进行平滑去噪处理，得到去噪化图像，包括：对所述均衡化图像进行离散化，得到离散化图像；定义所述离散化图像对应的目标函数；利用所述目标函数求解所述离散化图像对应的图像噪声值，其中，所述目标函数包括：
其中，
表示所述离散化图像对应的图像噪声值，/>
表示所述离散化图像中非噪声部分的灰度值总和，/>
表示所述离散化图像中噪声部分的灰度值总和；
在所述图像噪声值大于预设噪声值时，对所述离散化图像对应的图像噪声进行去噪处理，得到去噪化图像。
其中，所述离散化图像是所述原始图像经过离散化处理后得到的图像，所述目标函数是所述离散化图像对应的计算噪声的函数，所述图像噪声是所述降噪图像中存在的噪声，如椒盐噪声。
可选的，所述离散化是指将连续的图像数据转化为离散的图像数据的过程，所述图像离散化的目的是将连续的灰度值转化为离散的灰度级别，以便于数字图像处理和分析，定义所述离散化图像对应的目标函数可以通过内嵌函数实现，对所述图像噪声进行去噪处理可以通过去噪函数实现，所述去噪函数是由脚本语言编译。
本发明通过对所述去噪化图像进行倾斜矫正处理，可以将所述去噪化图像中的一些图像的角度纠正过来，降低了后续图像处理的难度，其中，所述矫正图像是指调整了倾斜图像角度后的图像。可选的，所述倾斜矫正处理可以通过霍夫变换法实现，所述霍夫变换法是一个非常重要的检测间断点边界形状的方法，它通过将图像坐标空间变换到参数空间，来实现直线与曲线的拟合。
S2、基于预设的极值区域算法计算所述矫正图像的极值区域，识别所述极值区域中每个区域的区域类别，根据所述区域类别，将所述极值区域进行归类，得到归类极值区域，提取所述归类极值区域中的字符区域，得到目标字符区域。
本发明通过基于预设的极值区域算法计算所述矫正图像的极值区域，可以得到不同的极值区域，以便后续归类所述极值区域。其中，所述极值区域算法是一种用于寻找图像中极值点的算法，进一步的，所述极值区域算法的思路是在图像中寻找局部最大值和局部最小值，从而确定极值区域，所述极值区域是指在图像中具有最大值或最小值的局部区域，在数字图像处理中，极值区域通常用于图像分割、目标检测、特征提取等应用中。
作为本发明的一个实施例，所述基于预设的极值区域算法计算所述矫正图像的极值区域，包括：检测所述矫正图像的图像像素点；根据所述图像像素点，定义所述矫正图像的滑动窗口；根据所述滑动窗口，遍历所述矫正图像，得到遍历图像；计算所述遍历图像中的像素最小值和像素最大值；若所述像素最小值和所述像素最大值处于所述滑动窗口的中心，则记录所述滑动窗口的窗口坐标；将所述窗口坐标在所述矫正图像中对应的区域作为所述矫正图像的极值区域。
其中，所述滑动窗口是一种图像处理中常用的技术，它可以用来处理图像中的局部区域，在所述滑动窗口中，将图像分成若干个大小相等的小块，每个小块称为窗口，所述遍历图像是所述滑动窗口遍历所述矫正图像得到的图形。
可选的，识别所述极值区域中每个区域的区域类别是指根据所述极值区域之间的大小、位置关系，将相似的极值区域划分为一类，得到不同的区域类别；所述根据所述滑动窗口，遍历所述矫正图像，得到遍历图像的过程为利用所述滑动窗口对所述矫正图像中的每个像素点进行滑动滤波的过程。
本发明根据所述区域类别，将所述极值区域进行归类，得到归类极值区域，以便后续对所述归类极值区域进行筛选。
作为本发明的一个实施例，所述根据所述区域类别，将所述极值区域进行归类，得到归类极值区域，包括：从所述极值区域中的每个极值区域中提取特征向量；利用预设的聚类算法对所述特征向量进行聚类处理，得到聚类向量；对所述聚类向量进行指标分析，得到分析结果；根据所述分析结果，计算所述分析结果对应的偏差值；若所述偏差值不大于预设阈值，则调整所述聚类算法的算法参数，得到目标聚类算法；利用所述目标聚类算法对所述极值区域进行归类，得到归类极值区域。
其中，所述特征向量是一种用来描述数据特征的向量，它可以用来表示数据的某些属性或特征，在图像处理中，可以使用所述特征向量来描述极值区域的特征，所述聚类算法是一种基于密度的算法，该算法通过确定数据点的密度来识别簇，将密度高的数据点聚集在一起形成簇，而密度低的数据点则被视为噪声或异常点，该算法的基本思想是，将数据点分为核心点、边界点和噪声点三类，所述核心点是指在以该点为中心的半径内，包含了一定数量的数据点，这些点可以形成一个簇，所述边界点是指在以该点为中心的半径内，包含的数据点数量不足以形成一个簇，但该点属于某个簇的边界，所述聚类向量是所述预设的聚类算法对所述特征向量进行聚类处理得到的向量，所述偏差值是所述分析结果与真是值的偏差程度。
本发明通过提取所述归类极值区域中的字符区域，以便后续对所述字符区域进行字符识别。其中，所述字符区域通常指的是图像中包含字符的区域，所述字符可以是字母、数字、符号或其他特殊字符。
作为本发明的一个实施例，所述提取所述归类极值区域中的字符区域，得到目标字符区域，包括：利用预设的边缘检测算法检测所述归类极值区域中的边缘，得到检测边缘；对所述检测边缘进行增强处理，得到增强边缘；对所述增强边缘进行连接处理，得到连接边缘；检测所述连接边缘对应的边缘形状和文本区域；结合所述边缘形状，确定所述文本区域中的目标字符区域。
其中，所述检测边缘是指图像中颜色、亮度、纹理等特征发生突变的地方，通常是由于物体的边缘、阴影、光照变化等因素引起的，在数字图像处理中，边缘是非常重要的特征，因为它们可以用来识别物体、分割图像、进行图像增强等操作，所述增强处理是一种用于增强图像中的边缘信息，使得所述边缘更加清晰明显的图像处理技术。
进一步的，本发明一可选实施例中，所述利用预设的边缘检测算法检测所述归类极值区域中的边缘，得到检测边缘，包括：利用所述预设的边缘检测算法计算所述归类极值区域中的区域梯度值，其中，所述预设的边缘检测算法，包括：
其中，G表示所述区域梯度值，
表示归类极值区域中水平方向上的梯度值，/>
表示归类极值区域中垂直方向上的梯度值，g表示边缘检测算子，A表示所述归类极值区域；
根据所述区域梯度值，对所述区域梯度值对应的梯度图像进行非极大值抑制，得到目标梯度图像；对所述目标梯度图像进行双阈值检测，得到所述目标梯度图像对应的边缘强度和边缘数量；根据所述边缘强度和所述边缘数量，检测所述归类极值区域中的边缘，得到检测边缘。
其中，所述区域梯度值是指图像中像素值变化最快的方向和变化率，所述非极大值抑制是一种常用的计算机视觉算法，在边缘检测中，可以用来抑制非极大值点，即在边缘检测结果中，只保留局部极大值点，去除其它点，这样可以得到更加准确的边缘检测结果，所述目标梯度图像是所述梯度图像进行非极大值抑制后得到的图像，所述边缘强度表示所述目标梯度图像对应的边缘强硬。
进一步的，所述双阈值检测是一种常用的图像处理技术，它将图像中的像素点分为三类：强边缘、弱边缘和非边缘，具体实现方式是将图像中的像素点按照其灰度值分为两个阈值以下、两个阈值之间和两个阈值以上三个区间，然后根据像素点所处的区间进行分类，在所述双阈值检测中，通常将两个阈值称为高阈值和低阈值，所述高阈值用于识别强边缘，所述低阈值用于识别弱边缘，一般情况下，所述高阈值和所述低阈值的比值在2:1到3:1之间。
进一步的，作为本发明一可选实施例中，所述结合所述边缘形状，确定所述文本区域中的目标字符区域，包括：对所述文本区域进行区域分割，得到分割区域；识别所述分割区域中的区域字符；对所述区域字符进行语义解析，得到字符语义；根据所述字符语义，确定所述分割区域中的第一字符区域；对所述第一字符区域进行过滤，得到第二字符区域；根据所述边缘形状，从所述第二字符区域中确定所述文本区域中的目标字符区域。
其中，所述分割区域是所述文本区域经过分割后得到的区域，所述区域字符是所述分割区域中包含字符对应的区域，所述字符语义是所述区域字符对应的含义，所述第一字符区域是所述分割区域中含有所述字符语义的区域，所述第二字符区域是所述第一字符区域过滤后得到的区域。
进一步的，对所述文本区域进行区域分割可以通过分割器实现，识别所述分割区域中的区域字符可以通过OCR文字识别技术实现，对所述区域字符进行语义解析可以通过语义解析器实现，对所述第一字符区域进行过滤可以通过过滤函数实现，如filter函数。
S3、将所述目标字符区域的字符进行归一化处理，得到归一化字符，将所述归一化字符输入至预先训练好的字符识别模型中，以识别所述目标字符区域的字符，得到目标船号。
本发明通过将所述目标字符区域的字符进行归一化处理，可以将字符集中处理，以便于后续模型的识别，其中，所述归一化字符是所述目标字符区域的字符进行归一化处理后得到的字符，进一步的，将所述目标字符区域的字符进行归一化处理可以通过线性归一化算法实现。
本发明通过将所述归一化字符输入至预先训练好的字符识别模型中，以识别所述目标字符区域的字符，以便于识别所述字符区域的船号。
其中，所述字符识别模型是指编号识别模型，所述字符识别模型的结构包括特征提取层与编号分类层，特征提取层可由卷积层与池化层构成，编号分类层可由全连接层与激活函数构成，特征提取层用于提取所述归一化字符的特征，编号分类层用于将所提取到的特征线性映射至编号类别处，得到每个编号类别的概率值，从中选取最大概率值所对应的编号类别作为目标船号，其中的编号类别是指数字类别，包括1至9的十个数字类别。
本发明首先通过利用高速摄像机采集在运动状态下船舶的船舶图像，可以得到运动状态下船舶的船舶图像，以便于后续可以对所述船舶图像进行图像处理，进一步地，本发明实施例通过对所述船舶图像进行图像灰度化处理，得到灰度化图像，因为所述船舶图像中字符内容与色彩信息无关，且原始的彩色图像所占的存储更大，这样做能够提高算法整体的处理速度，进一步地，本发明实施例通过对所述灰度化图像进行直方图均衡化处理，得到均衡化图像，所述直方图均衡化的主要作用就是将受光线影响致使识别目标不明显的目标突显出来，进一步地，本发明通过对所述均衡化图像进行平滑去噪处理，得到去噪化图像，所述平滑去噪处理可以尽量去除图像中的噪点，避免后续字符识别出现较大误差，本发明通过对所述去噪化图像进行倾斜矫正处理，可以将所述去噪化图像中的一些图像的角度纠正过来，降低了后续图像处理的难度，其中，所述矫正图像是指调整了倾斜图像角度后的图像，本发明通过基于预设的极值区域算法计算所述矫正图像的极值区域，可以得到不同的极值区域，以便后续归类所述极值区域，本发明通过提取所述归类极值区域中的字符区域，以便后续对所述字符区域进行字符识别，本发明通过将所述目标字符区域的字符进行归一化处理，可以将字符集中处理，以便于后续模型的识别，本发明通过将所述归一化字符输入至预先训练好的字符识别模型中，以识别所述目标字符区域的字符，以便于识别所述字符区域的船号。因此，本发明实施例提供的基于高速摄像机实现运动状态下的船号识别方法，能够提高运动状态下的船号识别准确率。
如图2所示，是本发明一实施例提供的基于高速摄像机实现运动状态下的船号识别装置的功能模块图。
本发明所述基于高速摄像机实现运动状态下的船号识别装置100可以安装于电子设备中。根据实现的功能，所述基于高速摄像机实现运动状态下的船号识别装置100可以包括图像矫正模块101、区域提取模块102及船号识别模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像矫正模块101，用于利用高速摄像机采集在运动状态下船舶的船舶图像，对所述船舶图像进行图像灰度化处理，得到灰度化图像，对所述灰度化图像进行直方图均衡化处理，得到均衡化图像，对所述均衡化图像进行平滑去噪处理，得到去噪化图像，对所述去噪化图像进行倾斜矫正处理，得到矫正图像；
所述区域提取模块102，用于基于预设的极值区域算法计算所述矫正图像的极值区域，识别所述极值区域中每个区域的区域类别，根据所述区域类别，将所述极值区域进行归类，得到归类极值区域，提取所述归类极值区域中的字符区域，得到目标字符区域；
所述船号识别模块103，用于将所述目标字符区域的字符进行归一化处理，得到归一化字符，将所述归一化字符输入至预先训练好的字符识别模型中，以识别所述目标字符区域的字符，得到目标船号。
详细地，本申请实施例中所述基于高速摄像机实现运动状态下的船号识别装置100中所述的各模块在使用时采用与上述图1中所述的基于高速摄像机实现运动状态下的船号识别方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明一实施例提供的实现基于高速摄像机实现运动状态下的船号识别方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于高速摄像机实现运动状态下的船号识别方法程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing Unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行基于高速摄像机实现运动状态下的船号识别方法程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于高速摄像机实现运动状态下的船号识别方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于高速摄像机实现运动状态下的船号识别方法程序是多个指令的组合，在所述处理器10中运行时，可以实现：
利用高速摄像机采集在运动状态下船舶的船舶图像，对所述船舶图像进行图像灰度化处理，得到灰度化图像，对所述灰度化图像进行直方图均衡化处理，得到均衡化图像，对所述均衡化图像进行平滑去噪处理，得到去噪化图像，对所述去噪化图像进行倾斜矫正处理，得到矫正图像；
基于预设的极值区域算法计算所述矫正图像的极值区域，识别所述极值区域中每个区域的区域类别，根据所述区域类别，将所述极值区域进行归类，得到归类极值区域，提取所述归类极值区域中的字符区域，得到目标字符区域；
将所述目标字符区域的字符进行归一化处理，得到归一化字符，将所述归一化字符输入至预先训练好的字符识别模型中，以识别所述目标字符区域的字符，得到目标船号。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
利用高速摄像机采集在运动状态下船舶的船舶图像，对所述船舶图像进行图像灰度化处理，得到灰度化图像，对所述灰度化图像进行直方图均衡化处理，得到均衡化图像，对所述均衡化图像进行平滑去噪处理，得到去噪化图像，对所述去噪化图像进行倾斜矫正处理，得到矫正图像；
基于预设的极值区域算法计算所述矫正图像的极值区域，识别所述极值区域中每个区域的区域类别，根据所述区域类别，将所述极值区域进行归类，得到归类极值区域，提取所述归类极值区域中的字符区域，得到目标字符区域；
将所述目标字符区域的字符进行归一化处理，得到归一化字符，将所述归一化字符输入至预先训练好的字符识别模型中，以识别所述目标字符区域的字符，得到目标船号。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.基于高速摄像机实现运动状态下的船号识别方法，其特征在于，所述方法包括：
利用高速摄像机采集在运动状态下船舶的船舶图像，对所述船舶图像进行图像灰度化处理，得到灰度化图像，对所述灰度化图像进行直方图均衡化处理，得到均衡化图像，对所述均衡化图像进行平滑去噪处理，得到去噪化图像，对所述去噪化图像进行倾斜矫正处理，得到矫正图像；
基于预设的极值区域算法计算所述矫正图像的极值区域，识别所述极值区域中每个区域的区域类别，根据所述区域类别，将所述极值区域进行归类，得到归类极值区域，提取所述归类极值区域中的字符区域，得到目标字符区域；
将所述目标字符区域的字符进行归一化处理，得到归一化字符，将所述归一化字符输入至预先训练好的字符识别模型中，以识别所述目标字符区域的字符，得到目标船号。
2.如权利要求1所述的基于高速摄像机实现运动状态下的船号识别方法，其特征在于，所述对所述船舶图像进行图像灰度化处理，得到灰度化图像，包括：
通过下述公式对所述船舶图像进行图像灰度化处理：
其中，Grab(m,n)表示船舶图像进行图像灰度化处理后得到的灰度化图像，R、G、B分别表示图像中每个像素点的红、绿、蓝通道的值，m、n表示像素点的坐标。
3.如权利要求1所述的基于高速摄像机实现运动状态下的船号识别方法，其特征在于，对所述灰度化图像进行直方图均衡化处理，得到均衡化图像，包括：
对所述灰度化图像进行小波变换，得到不同频率的子带图像；
对所述子带图像中的每个子带图像进行直方图均衡化处理，得到均衡子带图像；
对所述均衡子带图像进行小波反变换，得到变换图像；
对所述变换图像进行图像融合，得到均衡化图像。
4.如权利要求1所述的基于高速摄像机实现运动状态下的船号识别方法，其特征在于，所述对所述均衡化图像进行平滑去噪处理，得到去噪化图像，包括：
对所述均衡化图像进行离散化，得到离散化图像；
定义所述离散化图像对应的目标函数；
利用所述目标函数求解所述离散化图像对应的图像噪声值，其中，所述目标函数包括：
其中，
表示所述离散化图像对应的图像噪声值，/>
表示所述离散化图像中非噪声部分的灰度值总和，/>
表示所述离散化图像中噪声部分的灰度值总和；
在所述图像噪声值大于预设噪声值时，对所述离散化图像对应的图像噪声进行去噪处理，得到去噪化图像。
5.如权利要求1所述的基于高速摄像机实现运动状态下的船号识别方法，其特征在于，所述基于预设的极值区域算法计算所述矫正图像的极值区域，包括：
检测所述矫正图像的图像像素点；
根据所述图像像素点，定义所述矫正图像的滑动窗口；
根据所述滑动窗口，遍历所述矫正图像，得到遍历图像；
计算所述遍历图像中的像素最小值和像素最大值；
若所述像素最小值和所述像素最大值处于所述滑动窗口的中心，则记录所述滑动窗口的窗口坐标；
将所述窗口坐标在所述矫正图像中对应的区域作为所述矫正图像的极值区域。
6.如权利要求1所述的基于高速摄像机实现运动状态下的船号识别方法，其特征在于，所述根据所述区域类别，将所述极值区域进行归类，得到归类极值区域，包括：
从所述极值区域中的每个极值区域中提取特征向量；
利用预设的聚类算法对所述特征向量进行聚类处理，得到聚类向量；
对所述聚类向量进行指标分析，得到分析结果；
根据所述分析结果，计算所述分析结果对应的偏差值；
若所述偏差值不大于预设阈值，则调整所述聚类算法的算法参数，得到目标聚类算法；
利用所述目标聚类算法对所述极值区域进行归类，得到归类极值区域。
7.如权利要求1所述的基于高速摄像机实现运动状态下的船号识别方法，其特征在于，所述提取所述归类极值区域中的字符区域，得到目标字符区域，包括：
利用预设的边缘检测算法检测所述归类极值区域中的边缘，得到检测边缘；
对所述检测边缘进行增强处理，得到增强边缘；
对所述增强边缘进行连接处理，得到连接边缘；
检测所述连接边缘对应的边缘形状和文本区域；
结合所述边缘形状，确定所述文本区域中的目标字符区域。
8.如权利要求7所述的基于高速摄像机实现运动状态下的船号识别方法，其特征在于，所述利用预设的边缘检测算法检测所述归类极值区域中的边缘，得到检测边缘，包括：
利用所述预设的边缘检测算法计算所述归类极值区域中的区域梯度值，其中，所述预设的边缘检测算法，包括：
其中，G表示所述区域梯度值，
表示归类极值区域中水平方向上的梯度值，/>
表示归类极值区域中垂直方向上的梯度值，g表示边缘检测算子，A表示所述归类极值区域；
根据所述区域梯度值，对所述区域梯度值对应的梯度图像进行非极大值抑制，得到目标梯度图像；
对所述目标梯度图像进行双阈值检测，得到所述目标梯度图像对应的边缘强度和边缘数量；
根据所述边缘强度和所述边缘数量，检测所述归类极值区域中的边缘，得到检测边缘。
9.如权利要求7所述的基于高速摄像机实现运动状态下的船号识别方法，其特征在于，所述结合所述边缘形状，确定所述文本区域中的目标字符区域，包括：
对所述文本区域进行区域分割，得到分割区域；
识别所述分割区域中的区域字符；
对所述区域字符进行语义解析，得到字符语义；
根据所述字符语义，确定所述分割区域中的第一字符区域；
对所述第一字符区域进行过滤，得到第二字符区域；
根据所述边缘形状，从所述第二字符区域中确定所述文本区域中的目标字符区域。
10.基于高速摄像机实现运动状态下的船号识别装置，其特征在于，所述装置包括：
图像矫正模块，用于利用高速摄像机采集在运动状态下船舶的船舶图像，对所述船舶图像进行图像灰度化处理，得到灰度化图像，对所述灰度化图像进行直方图均衡化处理，得到均衡化图像，对所述均衡化图像进行平滑去噪处理，得到去噪化图像，对所述去噪化图像进行倾斜矫正处理，得到矫正图像；
区域提取模块，用于基于预设的极值区域算法计算所述矫正图像的极值区域，识别所述极值区域中每个区域的区域类别，根据所述区域类别，将所述极值区域进行归类，得到归类极值区域，提取所述归类极值区域中的字符区域，得到目标字符区域；
船号识别模块，用于将所述目标字符区域的字符进行归一化处理，得到归一化字符，将所述归一化字符输入至预先训练好的字符识别模型中，以识别所述目标字符区域的字符，得到目标船号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310537902.8A CN116311212B (zh) | 2023-05-15 | 2023-05-15 | 基于高速摄像机实现运动状态下的船号识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310537902.8A CN116311212B (zh) | 2023-05-15 | 2023-05-15 | 基于高速摄像机实现运动状态下的船号识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116311212A true CN116311212A (zh) | 2023-06-23 |
| CN116311212B CN116311212B (zh) | 2023-08-18 |
Family
ID=86796253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310537902.8A Active CN116311212B (zh) | 2023-05-15 | 2023-05-15 | 基于高速摄像机实现运动状态下的船号识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116311212B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116758566A (zh) * | 2023-07-03 | 2023-09-15 | 中电建智享云数据有限公司 | 一种基于纸电混合模式的档案管理方法及***、电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101859382A (zh) * | 2010-06-03 | 2010-10-13 | 复旦大学 | 一种基于最大稳定极值区域的车牌检测与识别的方法 |
| CN107330365A (zh) * | 2017-05-27 | 2017-11-07 | 深圳市美好幸福生活安全***有限公司 | 基于最大稳定极值区域和svm的交通标志识别方法 |
| CN108416348A (zh) * | 2018-01-29 | 2018-08-17 | 重庆邮电大学 | 基于支持向量机和卷积神经网络的车牌定位识别方法 |
| CN110674812A (zh) * | 2019-09-17 | 2020-01-10 | 沈阳建筑大学 | 一种面向复杂背景的民用车牌定位与字符分割方法 |
| CN110738139A (zh) * | 2019-09-26 | 2020-01-31 | 西安工程大学 | 一种融合Min-Max目标的NIN车牌识别方法 |
| US20210374466A1 (en) * | 2020-05-26 | 2021-12-02 | Zhejiang University | Water level monitoring method based on cluster partition and scale recognition |
| CN114092941A (zh) * | 2020-08-03 | 2022-02-25 | 中移物联网有限公司 | 一种编号识别方法、装置、电子设备和可读存储介质 |
| CN114387591A (zh) * | 2022-01-12 | 2022-04-22 | 平安普惠企业管理有限公司 | 车牌识别方法、***、设备及存储介质 |
| CN114913518A (zh) * | 2022-06-09 | 2022-08-16 | 平安科技（深圳）有限公司 | 基于图像处理的车牌识别方法、装置、设备及介质 |
-
2023
- 2023-05-15 CN CN202310537902.8A patent/CN116311212B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101859382A (zh) * | 2010-06-03 | 2010-10-13 | 复旦大学 | 一种基于最大稳定极值区域的车牌检测与识别的方法 |
| CN107330365A (zh) * | 2017-05-27 | 2017-11-07 | 深圳市美好幸福生活安全***有限公司 | 基于最大稳定极值区域和svm的交通标志识别方法 |
| CN108416348A (zh) * | 2018-01-29 | 2018-08-17 | 重庆邮电大学 | 基于支持向量机和卷积神经网络的车牌定位识别方法 |
| CN110674812A (zh) * | 2019-09-17 | 2020-01-10 | 沈阳建筑大学 | 一种面向复杂背景的民用车牌定位与字符分割方法 |
| CN110738139A (zh) * | 2019-09-26 | 2020-01-31 | 西安工程大学 | 一种融合Min-Max目标的NIN车牌识别方法 |
| US20210374466A1 (en) * | 2020-05-26 | 2021-12-02 | Zhejiang University | Water level monitoring method based on cluster partition and scale recognition |
| CN114092941A (zh) * | 2020-08-03 | 2022-02-25 | 中移物联网有限公司 | 一种编号识别方法、装置、电子设备和可读存储介质 |
| CN114387591A (zh) * | 2022-01-12 | 2022-04-22 | 平安普惠企业管理有限公司 | 车牌识别方法、***、设备及存储介质 |
| CN114913518A (zh) * | 2022-06-09 | 2022-08-16 | 平安科技（深圳）有限公司 | 基于图像处理的车牌识别方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 项?;李海鑫;张汝峰;褚俊英;郭宝军;乔东旭;: "结合边缘检测与横纵投影的车牌识别", 湖北农机化, no. 10 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116758566A (zh) * | 2023-07-03 | 2023-09-15 | 中电建智享云数据有限公司 | 一种基于纸电混合模式的档案管理方法及***、电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116311212B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110956094B (zh) | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 | |
| CN108615226B (zh) | 一种基于生成式对抗网络的图像去雾方法 | |
| Pandey et al. | An efficient deep neural network with adaptive galactic swarm optimization for complex image text extraction | |
| US9104914B1 (en) | Object detection with false positive filtering | |
| CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
| CN110929593B (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
| CN110298297B (zh) | 火焰识别方法和装置 | |
| CN111914698B (zh) | 图像中人体的分割方法、分割***、电子设备及存储介质 | |
| CN110287791B (zh) | 一种用于人脸图片的筛选方法和*** | |
| CN109255326B (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
| CN110059634B (zh) | 一种大场景人脸抓拍方法 | |
| CN112149476B (zh) | 目标检测方法、装置、设备和存储介质 | |
| CN110807384A (zh) | 低能见度下的小目标检测方法和*** | |
| CN112686248B (zh) | 证件增减类别检测方法、装置、可读存储介质和终端 | |
| CN116311212B (zh) | 基于高速摄像机实现运动状态下的船号识别方法及装置 | |
| CN112528917A (zh) | 斑马线区域识别方法、装置、电子设备和存储介质 | |
| CN110969164A (zh) | 基于深度学习端对端的低照度成像车牌识别方法及装置 | |
| Yan et al. | The recognition of traffic speed limit sign in hazy weather | |
| CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
| CN108537815B (zh) | 一种视频图像前景分割方法和装置 | |
| CN110910497B (zh) | 实现增强现实地图的方法和*** | |
| CN115147450B (zh) | 基于运动帧差图像的移动目标检测方法及检测装置 | |
| Pratomo et al. | Parking detection system using background subtraction and HSV color segmentation | |
| CN114821194B (zh) | 一种设备运行状态识别方法及装置 | |
| CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |