CN104464302B - 一种车牌识别智能纠错方法和系统 - Google Patents
一种车牌识别智能纠错方法和系统 Download PDFInfo
- Publication number
- CN104464302B CN104464302B CN201410804178.1A CN201410804178A CN104464302B CN 104464302 B CN104464302 B CN 104464302B CN 201410804178 A CN201410804178 A CN 201410804178A CN 104464302 B CN104464302 B CN 104464302B
- Authority
- CN
- China
- Prior art keywords
- credibility
- car
- character
- plate
- car plate
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Character Discrimination (AREA)
- Vehicle Waterproofing, Decoration, And Sanitation Devices (AREA)
Abstract
本发明公开了一种车牌识别智能纠错方法和系统,属于智能交通技术领域,该方法包括:接收到过车记录后,获取识别到的车牌;将识别到的车牌与数据库中的预设的相机车牌字符可信性规则表进行比较分析,计算出所识别到的车牌的可信度、车牌的疑似车牌及疑似车牌的可信度;将车牌的可信度、车牌的疑似车牌及疑似车牌的可信度存储到数据库的过车记录表中。采用本发明的方法和系统,通过在过车记录中存储车牌的可信度、车牌的疑似车牌及疑似车牌的可信度,能快速定位到识别错误的车牌,略过识别无误的车牌,在给定车牌准确率指标控制的情况下,能有效缩短过车记录车牌审核校正所花费时间,大幅提高审核校正的工作效率。
Description
技术领域
本发明涉及一种网络设备标识方法,尤其涉及一种车牌识别智能纠错方法和系统。
背景技术
在智能交通领域,一条过车记录指的是车辆在某个时间、经过某个地点的数据记录,基本数据包括车牌号码、行车时间、行车地点,道路抓拍相机同时还会上报行驶速度、车牌类型、是否违法、过车图像等信息。此种道路抓拍相机一般是在普通视频相机的基础上附加智能分析程序而来,并具有更强的抓拍速度、计算能力和数据存储能力。一般的车牌识别相机都能达到白天85~95%、夜间80%~90%的识别准确率,适应车速一般在80km/h以下,高速公路上的车牌识别相机可适应车速会更高一些。影响识别错误的因素主要有相机设备的安装位置、拍摄角度、车牌区域大小、曝光、能见度、环境光,车牌污损、模糊、遮挡、反光,车牌字符相似等。还存在另外一种道路车牌抓拍识别系统,如图1所示,即相机不直接识别车牌,仅做视频捕获,而由视频分析服务器根据相机传来的视频,做来往车辆的抓取和识别,再将分析到的过车信息传送到数据收集服务器,随后由数据收集服务器向数据库写入过车数据。这种情况下,由于所有的视频分析过程使用同一识别算法,车牌识别的准确与否仍主要取决于相机设备本身的安装位置、拍摄角度、车牌区域大小、曝光、车牌字符相似等因素。
目前,主流的车辆检测技术有地感线圈触发+相机识别,雷达触发+相机识别,以及纯相机检测识别,车牌号码的自动识别主要是通过对相机视频的智能分析,识别准确率一般在85%~95%,工作人员对车牌的审核校正也主要针对识别错误的5%~15%记录,也就是说,大部分的过车记录车牌识别准确、无需校正。在目前的技术条件下,人们为了找到识别错误的5%~15%那部分记录,必须浏览全部过车记录,针对性不强,造成了大量的人力资源浪费。
因此,找到快速定位车牌识别错误的记录,略过识别无误的记录,具有非常好的现实意义和技术价值。
发明内容
有鉴于此,本发明要解决的技术问题是提供一种车牌识别智能纠错方法和系统,以解决目前车牌识别的审核校正工作针对性不强,为了找到识别错误的小部分记录须浏览全部过车记录的技术问题,能够快速定位车牌识别错误的记录。
本发明解决上述技术问题所采用的技术方案如下:
根据本发明的一个方面,提供的一种车牌识别智能纠错方法,应用于数据收集服务器,该方法包括以下步骤:
接收到过车记录后,获取识别到的车牌;
将识别到的车牌与数据库中的预设的相机车牌字符可信性规则表进行比较分析,计算出所识别到的车牌的可信度、车牌的疑似车牌及疑似车牌的可信度;
将车牌的可信度、车牌的疑似车牌及疑似车牌的可信度,存储到数据库的过车记录表中。
优选地,上述方法之前还包括:
在数据库中预设全局车牌字符可信性规则表,其中,全局车牌字符可信性规则表包括:车牌字符、字符出现位置、字符可信度、和字符的疑似字符及疑似字符的可信度;
在数据库中设置相机车牌字符可信性规则表,其中,相机车牌字符可信性规则表包括:相机编号、车牌字符、字符出现位置、字符可信度、和字符的疑似字符及疑似字符的可信度,且相机车牌字符可信性规则表的初始化数据为全局车牌字符可信性规则表的拷贝。
优选地,上述方法之后还包括:
接收到用户终端的校正查询时,从数据库中获取车牌可信度低于预设的阈值的过车记录;
向用户终端反馈获取过车记录,其中,过车记录包括车牌的可信度、车牌的疑似车牌及疑似车牌的可信度。
优选地,上述方法之后还包括:对用户终端的每次车牌校正记录进行分析,统计出校正前后车牌字符的变化规律,并根据变化规律对全局车牌字符可信性规则表和相机车牌字符可信性规则表的数据进行动态修正。
优选地,上述将识别到的车牌与数据库中的预设的相机车牌字符可信性规则表进行比较分析,计算出所识别到的车牌的可信度、车牌的疑似车牌及疑似车牌的可信度,进一步包括:
针对车牌的每个字符,根据字符及字符出现位置,从相机车牌字符可信性规则表中查询每个字符的可信度;将车牌的每个字符的可信度的乘积作为车牌的可信度;
针对车牌的每个字符,根据字符及字符出现位置,从相机车牌字符可信性规则表中查询每个字符的所有疑似字符及疑似字符可信度;将车牌的每个字符的疑似字符进行排列、组合,得到一系列的疑似车牌,并将每个疑似车牌的每个字符的可信度的乘积作为该疑似车牌的可信度。
根据本发明的另一个方面,提供的一种车牌识别智能纠错系统包括以下模块:
车牌获取模块,用于接收到过车记录后,获取识别到的车牌;
计算模块,用于将识别到的车牌与数据库中的预设的相机车牌字符可信性规则表进行比较分析,计算出所识别到的车牌的可信度、车牌的疑似车牌及疑似车牌的可信度;
存储模块,用于将车牌的可信度、车牌的疑似车牌及疑似车牌的可信度,存储到数据库的过车记录表中。
优选地,上述系统还包括设置模块,设置模块包括第一设置单元和第二设置单元,其中:
第一设置单元,用于在数据库中预设全局车牌字符可信性规则表,其中,全局车牌字符可信性规则表包括:车牌字符、字符出现位置、字符可信度、和字符的疑似字符及疑似字符的可信度;
第二设置单元,用于在数据库中设置相机车牌字符可信性规则表,其中,相机车牌字符可信性规则表包括:相机编号、车牌字符、字符出现位置、字符可信度、和字符的疑似字符及疑似字符的可信度,且相机车牌字符可信性规则表的初始化数据为全局车牌字符可信性规则表的拷贝。
优选地,上述系统还包括:
查询模块,用于接收到用户终端的校正查询时,从数据库中获取车牌可信度低于预设的阈值的过车记录;
反馈模块,用于向用户终端反馈获取过车记录,其中,过车记录包括车牌的可信度、车牌的疑似车牌及疑似车牌的可信度。
优选地,上述系统还包括修正模块,修正模块用于对用户终端的每次车牌校正记录进行分析,统计出校正前后车牌字符的变化规律,并根据变化规律对相机车牌字符可信性规则表和全局车牌字符可信性规则表进行动态修正。
优选地,计算模块包括第一计算单元和第二计算单元,其中:
第一计算单元,用于针对车牌的每个字符,根据字符及字符出现位置,从相机车牌字符可信性规则表中查询每个字符的可信度;将车牌的每个字符的可信度的乘积作为车牌的可信度;
第二计算单元,用于针对车牌的每个字符,根据字符及字符出现位置,从相机车牌字符可信性规则表中查询每个字符的所有疑似字符及疑似字符可信度;将车牌的每个字符的疑似字符进行排列、组合,得到一系列的疑似车牌,并将每个疑似车牌的每个字符的可信度的乘积作为该疑似车牌的可信度。
本发明提供的车牌识别智能纠错方法和系统,通过在过车记录中存储车牌的可信度、疑似车牌及疑似车牌的可信度,从而能快速定位到识别错误的车牌,略过识别无误的车牌,解决了目前车牌审核校正工作针对性不强,为了找到识别错误的少数记录,必须浏览全部过车记录的技术问题。在给定车牌准确率指标控制的情况下,有效缩短车牌审核校正所花费时间,能大幅提高过车记录车牌审核校正的工作效率。
附图说明
图1为相关技术中的一种道路车牌抓拍识别系统的网络拓扑图;
图2本发明实施例提供的一种车牌识别智能纠错方法的流程图;
图3本发明优选实施例提供的一种车牌的可信度、疑似车牌及疑似车牌的可信度计算方法的流程图;
图4本发明示例的一种全局车牌字符可信性规则表的表结构;
图5本发明示例的一种相机车牌字符可信性规则表的表结构;
图6本发明优选实施例提供的一种车牌识别智能纠错方法的流程图;
图7为本发明优选实施例提供的车牌识别智能纠错系统的模块结构图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图和实施例,对本发明进行进一步详细说明。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。
实施例一
如图2所示,本发明实施例提供的车牌识别智能纠错方法,应用于数据收集服务器,该方法包括以下步骤:
S101、接收到过车记录后,获取识别到的车牌。
具体地,数据收集服务器对每次车辆通行记录,获取相机或者视频分析服务器识别到的车牌号码。
S102、将识别到的车牌与数据库中的预设的相机车牌字符可信性规则表进行比较分析,计算出所识别到的车牌的可信度、车牌的疑似车牌及疑似车牌的可信度。
请参阅图3,本步骤S40进一步包括:
S1021、针对车牌的每个字符,根据该字符及字符出现位置,从相机车牌字符可信性规则表中查询该字符的可信度;
S1022、将车牌的每个字符的可信度的乘积作为车牌的可信度;
S1023、针对车牌的每个字符,根据该字符及字符出现位置,从相机车牌字符可信性规则表中查询该字符的所有疑似字符及疑似字符的可信度;
S1024、将车牌的每个字符的疑似字符进行排列、组合,得到一系列的疑似车牌;
S1025、将每个疑似车牌的每个字符的可信度的乘积作为疑似车牌的可信度。
此外,预设的车牌字符可信性规则表包括预设的全局车牌字符可信性规则表和相机车牌字符可信性规则表,全局车牌字符可信性规则表结构举例如图4所示,记录了车牌字符、字符出现位置、字符出现位置的可信度,以及所有疑似字符和可疑字符可信度,这样的一条记录成为第一类记录。相机车牌字符可信性规则表结构举例如图5所示,记录了各个相机、车牌的每个字符、字符出现位置、字符出现位置的可信度、和所有疑似字符及疑似字符可信度,这样的一条记录成为第二类记录。其中,每个相机的初始数据,都是全局车牌字符可信性规则表中第一类记录的拷贝。
S103、将车牌的可信度、疑似车牌及疑似车牌的可信度存储到数据库的过车记录表中。
在本步骤中,可以按照可信度从高到低排序,存储到数据库过车记录表中。其中,可信度字段表示该车牌字符在该出现位置时值得信赖的程度,是浮点数,取值位于0~1之间,疑似字符及疑似字符的可信性,需包含该车牌字符在该出现位置的所有疑似字符和其可信度,因数量不固定,在数据库中宜保存一个文本字段,并对每个疑似字符和可信度的组合进行编码,存在多种编码方式,例如:A:0.5,R:0.6,6:0.4,代表此条可信性规则对应于疑似字符A的可信度为0.5,对应于疑似字符R的可信度是0.6,对应于疑似字符6的可信度是0.4。
举例来说,针对识别到的车牌号码中的每个字符及字符在车牌号码中的出现位置,即<相机编号,车牌字符,字符出现位置>组合,记做ei,其中,i=1,2,…n,n表示车牌字符个数,对照数据库中的相机车牌字符可信性规则表,查询该相机的每个<相机编号,车牌字符,字符出现位置>组合的可信性conf(ei),最后把每个字符的可信性conf(ei)做乘法运算,记做conf(plate)=∏(conf(ei)),得到识别到车牌的可信度。然后对照数据库的相机车牌字符可信性规则表,查询所有的可能疑似字符cj(ei)和可信度conf(i,j),记为组合<i,cj(ei),conf(i,j)>,根据每个组合<i,cj(ei),conf(i,j)>与原车牌,进行车牌字符排列、组合,得到一系列的疑似车牌pk和可信性conf(pk),k=1,2,…m,m是疑似车牌的数目,每个疑似车牌的可信度仍是组成疑似车牌的每个字符的可信度乘积:疑似车牌中的字符如果来自识别到的车牌,则该位置的字符可信度是conf(ei),如果来自从数据库查询到的疑似字符cj(ei),则该位置的字符可信度是conf(i,j)。此时的每个<pk,conf(pk)>组合尚未排序。将疑似车牌pk按可信性conf(pk)从高到低排序,得到一个序列<pk,conf(pk)>,k=1,2,…m,m是疑似车牌的数目。然后,将此<pk,conf(pk)>序列截取掉可信度低于某个阈值的部分,此阈值可以根据预期的车牌准确率、数据流量、运算负担进行选取。一般可以取为0.4,阈值选的越高,得到的疑似车牌信息价值越高、越集中;阈值选的越低,得到的备选车牌数量越多,可以实现的车牌准确率越高。得到的识别到车牌的可信性conf(plate),和所有疑似车牌及疑似车牌可信性序列<pk,conf(pk)>,经过一定的编码过程,存储到数据库过车记录表的每条过车记录中。序列<pk,conf(pk)>的编码可以有多种编码方式,例如:
鲁BT1423:0.56,鲁BT14Z3:0.63,鲁BTL423:0.47
代表本条过车记录所识别的车牌对应于疑似车牌鲁BT1423的可信度是0.56,对应于疑似车牌鲁BT14Z3的可信性是0.63,对应于疑似车牌鲁BTL423的可信性是0.47。
本发明实施例中,通过在过车记录中存储车牌的可信度、疑似车牌及疑似车牌的可信度,为快速定位到识别错误的车牌,略过识别无误的车牌提供了数据来源,解决了目前车牌审核校正工作针对性不强,为了找到识别错误的少数记录,必须浏览全部过车记录的技术问题。在给定车牌准确率指标控制的情况下,有效缩短车牌审核校正所花费时间,能大幅提高过车记录车牌审核校正的工作效率。
实施例二
如图6所示,本发明优选实施例提供的车牌识别智能纠错方法包括以下步骤:
S10、预设车牌字符可信性规则表。
具体来说,本步骤S10进一步包括:在数据库中预设全局车牌字符可信性规则表;在数据库中设置相机车牌字符可信性规则表。
其中,全局车牌字符可信性规则表(如图4)包括字段:车牌字符、字符出现位置、可信度、疑似字符及疑似字符的可信度,其初始数据来自于已投产的车牌识别相机型号长期运行统计结论,可以手工统计,或者使用专业的统计工具。如用手工统计,只需计算以往进行的车牌审核校正中字符变化规律。例如,要统计车牌的尾部非中文字符Z,则需统计以往进行车牌审核校正时,对车牌的尾部非中文字符‘Z’进行的变更次数count1和保留次数count2,每次变更到的目标字符c3和变更到此目标字符的次数count3。那么,字符Z在尾部非中文字符出现的可信度conf(‘Z’)取值为count2/(count1+count2),疑似字符c3的可信度conf(c3)为count3/(count1+count2)。相机车牌字符可信性规则表(如图5)包括字段:相机编号、车牌字符、字符出现位置、可信度、疑似字符及疑似字符的可信度,其初始化数据为全局车牌字符可信性规则表的拷贝。第一类记录的唯一性标记,或者是主键,是<车牌字符,字符出现位置>组合,第二类记录的唯一性标记,或者是主键,是<相机编号,车牌字符,字符出现位置>组合。
其中,字符出现位置可以分为4类,首字符,第二字符,尾部非中文字符,尾部中文字符。首字符是各个省级行政单位的简称,或者特种车辆的类别名称,可以取中文、英文,第二字符一般代表发证机关,取英文字母,尾部非中文字符取数字或英文,不可以包括英文字母I和O,尾部中文字符是指出现在车牌末尾的中文字符,指特种车辆,有取值限制,如学、警、挂、临。举例,车牌为粤L56X01,首字符为粤,第二字符为L,56X01定义为尾部非中文字符;车牌为云L0001学,那么,定义尾部非中文字符为0001,尾部中文字符是学。对字符出现位置进行分类以后,每一类字符出现位置都具有不同的取值范围,也就具有不同的出错统计规律,方便进行车牌识别错误的快速检出和分类。对上述4类车牌字符出现位置进行编码,可以1代表首字符,2代表第二字符,3代表尾部非中文字符,4代表尾部中文字符。
可信度字段表示该车牌字符在该字符出现位置时值得信赖的程度,是浮点数,取值位于0~1之间。
疑似字符及疑似字符的可信度,需包含该车牌字符在该出现位置的所有疑似字符及疑似字符的可信度,因数量不固定,在数据库中宜保存一个文本字段,并对每个疑似字符和可信性的组合进行编码,存在多种编码方式,例如:A:0.5,R:0.6,6:0.4,代表此条可信性规则对应于疑似字符A的可信性为0.5,对应于疑似字符R的可信度是0.6,对应于疑似字符6的可信度是0.4。
S20、数据收集服务器接收到过车记录后,获取识别到的车牌。
S30、针对车牌的每个字符,根据该车牌字符及字符出现位置,从相机车牌字符可信性规则表中查询其车牌字符的可信度;
S40、将车牌的每个字符的可信度的乘积作为车牌的可信度;
S50、针对车牌的每个字符,根据该车牌字符及字符出现位置,从相机车牌字符可信性规则表中查询其车牌字符的所有疑似字符及疑似字符的可信度;
S60、将车牌的每个字符的疑似字符进行排列、组合,得到一系列的疑似车牌;
S70、将每个疑似车牌的每个字符可信度的乘积作为疑似车牌的可信度。
S80、将疑似车牌按照可信度进行排序,截取掉可信度低于预设的疑似阈值的疑似车牌;
S90、将车牌可信度、截取后的疑似车牌及疑似车牌的可信度存储到数据库的过车记录表中;
S100、应用服务器接收到用户终端的校正查询时,从数据库中获取车牌可信度低于预设的阈值的过车记录。
具体地,应用服务器响应用户终端对车辆通行记录的校正时,将过车记录表的车牌号码信息和它的可信度、可能的疑似车牌及疑似车牌的可信度信息同时返回,还可以根据识别到车牌和疑似车牌的可信度关系进行过滤、排序,让终端用户能略过车牌识别无误的记录,并得到价值更高、针对性更强的车牌校正提示信息。
比如,应用服务器返回的查询结果除了包含车牌号码,还包含识别到车牌号码的可信性conf(plate),可能的疑似车牌及疑似车牌可信性组合<pk,conf(pk)>,k=1,2,…m,m是疑似车牌的数目。这样的一条过车记录就可以表示为组合<plate,conf(plate),[<pk,conf(pk)>]>,k=1,2,…m,m是疑似车牌的数目。所有疑似车牌及疑似车牌的可信度[<pk,conf(pk)>]按照可信性conf(pk)从高到低排列。疑似车牌信息作为提示、或备选项提供给终端用户,在大部分情况下不需要终端用户键盘输入,从而起到减轻车牌审核校正人员工作量、提高车牌审核工作效率的作用。
应用服务器还支持终端用户只查询识别车牌可信性低于某个阈值confthres1的记录,confthres1取值在0~1之间,那么,应用服务器需要对所有过车记录,即组合<plate,conf(plate),[<pk,conf(pk)>]>,过滤出conf(plate)小于阈值confthres1的记录。此时,识别正确的85%~95%的记录大部分不会被返回给终端用户,利于终端用户大幅减少要审核校正的过车记录数量,提高过车记录车牌审核校正的工作效率,快速定位到车牌识别错误的过车记录。
S110、向用户终端反馈获取的过车记录。
其中,向用户终端反馈的过车记录中包括车牌的可信度、疑似车牌及疑似车牌的可信度,这样以便于用户进行审核和校正。
S120、对用户终端的每次车牌校正记录进行分析,统计出校正前后车牌字符的变化规律,并根据变化规律对相机车牌字符可信性规则表和全局车牌字符可信性规则表进行动态修正。
具体地,从多个道路交通车牌识别系统的长期运行结果来看,在满足工程安装规范的前提下,车牌识别错误时的字符变化总体上具有较强的统计学规律,这就为设计一套能智能纠正车牌识别错误的系统提供了可能。对终端用户的每次车牌审核校正,获取过车记录对应的相机编号,和审核校正前、后车牌号码,分析车牌号码的变化。
对于审核校正前后车牌字符无变化的情况,根据<相机编号,车牌字符,字符出现位置>组合,在如图5所述数据库的相机车牌字符可信性规则表中找到符合的那一条第二类记录,然后把这条记录的可信度加上一个微小增量△1,确保修改后的可信度仍位于0~1之间,并提交修改到数据库;根据<车牌字符,字符出现位置>组合,在如图4所述数据库的全局车牌字符可信性规则表中找到符合的那一条一类记录,然后把这条记录的可信度加一个微小增量△2,确保修改后的可信度仍位于0~1之间,并提交修改到数据库。其中,△1和△2介于0~1之间,且满足如下关系:△1>△2,其取值可根据车牌智能记忆的实际需要,取值不同,系统的智能程度会略有不同,例如,取△1=0.05,△2=0.02.
在本发明实施例中,当用户终端进行过车记录中车牌的审核校正时,应用服务器向终端用户返回识别到的车牌可信度、疑似车牌和疑似车牌的可信度,将所有疑似车牌按其可信度进行排序(如从高到低或者从低到高),并提供仅查询所识别车牌可信度低于预设的阈值的过车记录,能快速定位到识别错误的车牌,略过识别正确的车牌,从而大幅提高过车记录车牌审核校正的工作效率;此外,应用服务器还对终端用户的每次车牌校正记录进行分析,汇总出审核前后车牌字符的变化规律,并对数据库的车牌字符可信性规则表和全局车牌可信性规则表进行动态修正,进一步提高了准确率。
实施例三
如图7所示,本发明优选实施例提供的一种车牌识别智能纠错系统包括车牌获取模块10、计算模块20、存储模块30、查询模块40、反馈模块50和修正模块60,其中:
车牌获取模块10,用于接收到过车记录后,获取识别到的车牌;
计算模块20,用于将识别到的车牌与数据库设置的相机车牌字符可信性规则表进行比较分析,计算出所识别到的车牌的可信度、车牌的疑似车牌及疑似车牌的可信度;
优选地,计算模块20包括第一计算单元201和第二计算单元202,其中:
第一计算单元201,用于针对车牌的每个字符,根据该车牌字符及字符出现位置,从相机车牌字符可信性规则表中查询其车牌字符的可信度;将车牌的每个字符的可信度的乘积作为车牌的可信度;
第二计算单元202,用于针对车牌的每个字符,根据该车牌字符及字符出现位置,从相机车牌字符可信性规则表中查询其车牌字符的所有疑似字符及疑似字符的可信度;将车牌的每个字符的疑似字符进行排列、组合,得到一系列的疑似车牌,并将每个疑似车牌的每个字符的可信度的乘积作为疑似车牌的可信度。
存储模块30,用于将车牌的可信度、疑似车牌及疑似车牌的可信度存储到数据库的过车记录表中。
查询模块40,用于接收到用户终端的校正查询时,从数据库中获取车牌可信度低于预设的阈值的过车记录;
反馈模块50,用于向用户终端反馈获取的过车记录,其中,过车记录包括车牌可信度、疑似车牌和疑似车牌的可信度。
修正模块60,用于对用户终端的每次车牌校正记录进行分析,统计出校正前后车牌字符的变化规律,并根据变化规律对车牌字符可信性规则表进行动态修正。
在另一种优选的方案中,上述系统还包括设置模块,设置模块包括第一设置单元和第二设置单元,其中:第一设置单元,用于在数据库中预设全局车牌字符可信性规则表,其中,全局车牌字符可信性规则表包括:车牌字符、字符出现位置、可信度、疑似字符及疑似字符的可信度;第二设置单元,用于在数据库中设置相机车牌字符可信性规则表,其中,相机车牌字符可信性规则表的初始化数据为全局车牌字符可信性规则表的拷贝,相机车牌字符可信性规则表包括:相机编号、车牌字符、字符出现位置、可信度、疑似字符及疑似字符的可信度。
需要说明地是,上述方法实施例一和实施例二中的技术特征在本系统中均能对应适用,这里不再重述,并且查询模块40、反馈模块50和修正模块60均是可选方案。
本发明提供的车牌识别智能纠错方法和系统,通过在过车记录中存储车牌的可信度、疑似车牌及疑似车牌的可信度,从而能快速定位到识别错误的车牌,略过识别无误的车牌,解决了目前车牌审核校正工作针对性不强,为了找到识别错误的少数记录,必须浏览全部过车记录的技术问题。在给定车牌准确率指标控制的情况下,有效缩短车牌审核校正所花费时间,能大幅提高过车记录车牌审核校正的工作效率。
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步骤是可以通过程序来控制相关的硬件完成,所述的程序可以在存储于一计算机可读取的存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上参照附图说明了本发明的优选实施例,并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质,可以有多种变型方案实现本发明,比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进,均应在本发明的权利范围之内。
Claims (8)
1.一种车牌识别智能纠错方法,其特征在于,该方法包括以下步骤:
接收到过车记录后,获取识别到的车牌;
将所述识别到的车牌与数据库中的预设的相机车牌字符可信性规则表进行比较分析,计算出所识别到的车牌的可信度、车牌的疑似车牌及疑似车牌的可信度;
将所述车牌的可信度、车牌的疑似车牌及疑似车牌的可信度,存储到数据库的过车记录表中;
对用户终端的每次车牌校正记录进行分析,统计出校正前后车牌字符的变化规律,并根据变化规律对全局车牌字符可信性规则表和所述相机车牌字符可信性规则表的数据进行动态修正。
2.根据权利要求1所述的车牌识别智能纠错方法,其特征在于,所述方法之前还包括:
在数据库中预设全局车牌字符可信性规则表,其中,所述全局车牌字符可信性规则表包括:车牌字符、字符出现位置、字符可信度、和字符的疑似字符及疑似字符可信度;
在数据库中设置相机车牌字符可信性规则表,其中,所述相机车牌字符可信性规则表包括:相机编号、车牌字符、字符出现位置、字符可信度、和字符的疑似字符及疑似字符的可信度,且所述相机车牌字符可信性规则表的初始化数据为所述全局车牌字符可信性规则表的拷贝。
3.根据权利要求1所述的车牌识别智能纠错方法,其特征在于,所述方法之后还包括:
接收到用户终端的校正查询时,从数据库中获取车牌可信度低于预设的阈值的过车记录;
向用户终端反馈所述获取过车记录,其中,所述过车记录包括车牌的可信度、车牌的疑似车牌及疑似车牌的可信度。
4.根据权利要求1-3任意一项权利要求所述的车牌识别智能纠错方法,其特征在于,将所述识别到的车牌与数据库中的预设的相机车牌字符可信性规则表进行比较分析,计算出所识别到的车牌的可信度、车牌的疑似车牌及疑似车牌的可信度,进一步包括:
针对车牌的每个字符,根据字符及字符出现位置,从相机车牌字符可信性规则表中查询每个字符的可信度;将所述车牌的每个字符的可信度的乘积作为所述车牌的可信度;
针对车牌的每个字符,根据字符及字符出现位置,从相机车牌字符可信性规则表中查询每个字符的所有疑似字符及疑似字符可信度;将所述车牌的每个字符的疑似字符进行排列、组合,得到一系列的疑似车牌,并将每个疑似车牌的每个字符的可信度的乘积作为该疑似车牌的可信度。
5.一种车牌识别智能纠错系统,其特征在于,该系统包括:
车牌获取模块,用于接收到过车记录后,获取识别到的车牌;
计算模块,用于将所述识别到的车牌与数据库中的预设的相机车牌字符可信性规则表进行比较分析,计算出所识别到的车牌的可信度、车牌的疑似车牌及疑似车牌的可信度;
存储模块,用于将所述车牌的可信度、车牌的疑似车牌及疑似车牌的可信度,存储到数据库的过车记录表中;
修正模块,用于对用户终端的每次车牌校正记录进行分析,统计出校正前后车牌字符的变化规律,并根据变化规律对所述相机车牌字符可信性规则表和全局车牌字符可信性规则表进行动态修正。
6.根据权利要求5所述的车牌识别智能纠错系统,其特征在于,所述系统还包括设置模块,所述设置模块包括第一设置单元和第二设置单元,其中:
所述第一设置单元,用于在数据库中预设全局车牌字符可信性规则表,其中,所述全局车牌字符可信性规则表包括:车牌字符、字符出现位置、字符可信度、和字符的疑似字符及疑似字符的可信度;
所述第二设置单元,用于在数据库中设置相机车牌字符可信性规则表,其中,所述相机车牌字符可信性规则表包括:相机编号、车牌字符、字符出现位置、字符可信度、和字符的疑似字符及疑似字符的可信度,且所述相机车牌字符可信性规则表的初始化数据为所述全局车牌字符可信性规则表的拷贝。
7.根据权利要求5所述的车牌识别智能纠错系统,其特征在于,所述系统还包括:
查询模块,用于接收到用户终端的校正查询时,从数据库中获取车牌可信度低于预设的阈值的过车记录;
反馈模块,用于向用户终端反馈所述获取过车记录,其中,所述过车记录包括车牌的可信度、车牌的疑似车牌及疑似车牌的可信度。
8.根据权利要求5-7任意一项权利要求所述的车牌识别智能纠错系统,其特征在于,所述计算模块包括第一计算单元和第二计算单元,其中:
所述第一计算单元,用于针对车牌的每个字符,根据字符及字符出现位置,从相机车牌字符可信性规则表中查询每个字符的可信度;将所述车牌的每个字符的可信度的乘积作为所述车牌的可信度;
所述第二计算单元,用于针对车牌的每个字符,根据字符及字符出现位置,从相机车牌字符可信性规则表中查询每个字符的所有疑似字符及疑似字符可信度;将所述车牌的每个字符的疑似字符进行排列、组合,得到一系列的疑似车牌,并将每个疑似车牌的每个字符的可信度的乘积作为该疑似车牌的可信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410804178.1A CN104464302B (zh) | 2014-12-22 | 2014-12-22 | 一种车牌识别智能纠错方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410804178.1A CN104464302B (zh) | 2014-12-22 | 2014-12-22 | 一种车牌识别智能纠错方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104464302A CN104464302A (zh) | 2015-03-25 |
CN104464302B true CN104464302B (zh) | 2016-07-13 |
Family
ID=52910277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410804178.1A Active CN104464302B (zh) | 2014-12-22 | 2014-12-22 | 一种车牌识别智能纠错方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104464302B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117725B (zh) * | 2015-07-29 | 2018-05-04 | 安徽四创电子股份有限公司 | 一种基于车牌可信度的车牌自纠正识别方法 |
CN105118300B (zh) * | 2015-08-28 | 2017-05-10 | 浙江工业大学 | 交通抓拍自动识别车牌号码的纠错方法 |
CN105405298B (zh) * | 2015-12-24 | 2018-01-16 | 浙江宇视科技有限公司 | 一种车牌标识的识别方法和装置 |
CN107305736B (zh) * | 2016-04-22 | 2024-03-26 | 贵州智诚科技有限公司 | 一种基于车牌规则和时空可达性的车牌识别智能查错方法和系统 |
CN108073923B (zh) * | 2016-11-09 | 2021-09-17 | 杭州海康威视数字技术股份有限公司 | 一种车牌校正方法及装置 |
CN107134146B (zh) * | 2017-07-01 | 2019-12-10 | 广东艾科智泊科技股份有限公司 | 一种多个停车场管理的云端车牌自动校正系统 |
CN110084232B (zh) * | 2018-01-25 | 2021-01-29 | 浙江宇视科技有限公司 | 车牌中汉字字符的识别方法、装置及终端设备 |
CN110956169A (zh) * | 2018-09-27 | 2020-04-03 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及电子设备 |
CN109523790B (zh) * | 2018-10-26 | 2020-07-14 | 安徽四创电子股份有限公司 | 一种基于车牌相似度的车牌纠错方法 |
CN112348010A (zh) * | 2019-08-07 | 2021-02-09 | 杭州海康威视系统技术有限公司 | 一种车牌匹配方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100357988C (zh) * | 2005-03-24 | 2007-12-26 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
ES2316015T3 (es) * | 2006-11-10 | 2009-04-01 | Engine Srl | Sistema y procedimiento para la deteccion de la velocidad media de los vehiculos para el control del trafico. |
CN102915433B (zh) * | 2012-09-13 | 2015-06-10 | 中国科学院自动化研究所 | 基于字符组合的车牌定位和识别方法 |
PL2779138T3 (pl) * | 2013-03-13 | 2016-05-31 | Kapsch Trafficcom Ag | Sposób odczytu numerów tablic rejestracyjnych pojazdu |
CN103390173A (zh) * | 2013-07-24 | 2013-11-13 | 佳都新太科技股份有限公司 | 一种基于svm置信度的车牌字符投票算法 |
CN103942549A (zh) * | 2014-04-15 | 2014-07-23 | 张忠义 | 可接受多车牌识别结果的车牌匹配方法 |
CN103927880B (zh) * | 2014-04-28 | 2016-11-16 | 浙江宇视科技有限公司 | 一种车牌识别比对方法及装置 |
-
2014
- 2014-12-22 CN CN201410804178.1A patent/CN104464302B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104464302A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104464302B (zh) | 一种车牌识别智能纠错方法和系统 | |
US9002066B2 (en) | Methods, systems and processor-readable media for designing a license plate overlay decal having infrared annotation marks | |
KR102117543B1 (ko) | 컴퓨팅 장치 및 이를 이용한 인공 지능 기반 영상 처리 서비스 시스템 | |
EP2863338B1 (en) | Delayed vehicle identification for privacy enforcement | |
US8704682B1 (en) | Object detection to determine road priority | |
CN111814472B (zh) | 文本识别方法、装置、设备及存储介质 | |
US11113582B2 (en) | Method and system for facilitating detection and identification of vehicle parts | |
CN104090970A (zh) | 兴趣点的展现方法及装置 | |
CN110378360B (zh) | 目标标定方法、装置、电子设备及可读存储介质 | |
CN110869942B (zh) | 自馈深度学习方法和系统 | |
US20200293794A1 (en) | Methods and systems for accurately recognizing vehicle license plates | |
KR101476799B1 (ko) | 깊이 정보를 이용한 객체 검출 시스템 및 방법 | |
CN114708304B (zh) | 一种跨摄像头的多目标追踪方法、装置、设备及介质 | |
CN104952273A (zh) | 针对车辆行为的告警方法、装置及系统 | |
Gu et al. | Embedded and real-time vehicle detection system for challenging on-road scenes | |
Das et al. | Multivariate analysis on dynamic car-following data of non-lane-based traffic environments | |
CN105320703A (zh) | 相似车辆检索中的查询扩展方法及装置 | |
CN111640301B (zh) | 故障车辆检测方法及包括路侧单元的故障车辆检测系统 | |
Negi et al. | Text based traffic signboard detection using YOLO v7 architecture | |
Kluwak et al. | ALPR-extension to traditional plate recognition methods | |
CN110020078B (zh) | 一种生成相关性映射字典及其验证相关性的方法和相关装置 | |
CN102142161B (zh) | 对列车自动防护系统记录数据进行处理的方法及装置 | |
US11386340B2 (en) | Method and apparatus for performing block retrieval on block to be processed of urine sediment image | |
US9928273B2 (en) | Enhanced database searching and storage | |
CN115472014B (zh) | 一种交通追溯方法、系统、服务器及计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |