CN105631425A - 基于视频流的车牌识别方法、系统及智能数字摄像机 - Google Patents

基于视频流的车牌识别方法、系统及智能数字摄像机 Download PDF

Info

Publication number
CN105631425A
CN105631425A CN201511016292.9A CN201511016292A CN105631425A CN 105631425 A CN105631425 A CN 105631425A CN 201511016292 A CN201511016292 A CN 201511016292A CN 105631425 A CN105631425 A CN 105631425A
Authority
CN
China
Prior art keywords
field picture
original
plate recognition
license plate
recognition result
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
Application number
CN201511016292.9A
Other languages
English (en)
Other versions
CN105631425B (zh
Inventor
孙龙喜
郭跃华
李文镇
曾隆先
郑雅龙
陈河山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Keytop Comm & Tech Co Ltd
Original Assignee
Xiamen Keytop Comm & Tech Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen Keytop Comm & Tech Co Ltd filed Critical Xiamen Keytop Comm & Tech Co Ltd
Priority to CN201511016292.9A priority Critical patent/CN105631425B/zh
Publication of CN105631425A publication Critical patent/CN105631425A/zh
Application granted granted Critical
Publication of CN105631425B publication Critical patent/CN105631425B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于视频流的车牌识别方法、系统及智能数字摄像机，其获取包含待识别车辆的车牌信息的视频流中的原始帧图像，并对所述的原始帧图像进行熵和信噪比的参数分析，得到各个原始帧图像的最佳信息的位置信息，然后进行图像重构得到融合图像，最后对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行可信度分析，得到最终的车牌识别结果；从而提供车牌识别的准确率，并降低错收费、漏收费的概率，加快车辆通行效率，提高停车场的效益。

Description

基于视频流的车牌识别方法、系统及智能数字摄像机
技术领域
本发明涉及图像处理技术领域，特别是一种基于视频流的车牌识别方法及其应用该方法的系统、智能数字摄像机。
背景技术
传统的停车场采用的大多是近距离刷卡或取票的方式作为车辆进出场的凭证。车辆进出场时车主必须减速停车以刷卡或取票，这些方式往往会带来很多不便，如高峰期时容易造成出入口拥堵不畅、上下坡道刷卡时容易造成溜车、下雨天车主在户外停车场出入口刷卡/取票时手臂会被淋湿等等。
部分停车场针对上述传统方法提出了改进措施，其通过采取视频触发1张或几张图像到服务器进行识别，但是受到复杂环境、强光照射、车辆倾斜角度大等因素影响，大大降低了车牌识别的准确率。
发明内容
本发明为解决上述问题，提供了一种基于视频流的车牌识别方法、系统及智能数字摄像机，极大的提高了车牌识别的准确率。
为实现上述目的，本发明采用的技术方案为：
首先，本发明提供一种基于视频流的车牌识别方法，其包括以下步骤：
10.获取包含待识别车辆的车牌信息的视频流中的原始帧图像；
20.对所述的原始帧图像进行熵和信噪比的参数分析，得到各个原始帧图像的最佳信息的位置信息；
30.根据所述的各个原始帧图像的最佳信息的位置信息进行图像重构，得到融合图像；
40.对所述的融合图像进行车牌识别，并同时对所述的原始帧图像进行车牌识别；
50.对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行可信度分析，得到最终的车牌识别结果。
优选的，所述的步骤20进一步包括以下步骤：
21.对所述的原始帧图像进行小波变换的去噪处理，得到去噪图像；
22.计算所述去噪图像的熵和信噪比；
23.根据计算得到的熵与信噪比建立模糊隶属度模型；
24.根据所述的模糊隶属度模型，得到各个原始帧图像的最佳信息的位置信息。
优选的，所述的步骤20中，所述的最佳信息的位置信息的计算方法，进一步包括以下步骤：
a.将熵大于第一预设阈值的原始帧图像的位置信息判断为最佳信息的位置信息，将熵小于第二预设阈值的原始帧图像的位置信息判断为较差信息的位置信息，将熵介于所述第一预设阈值和所述第二预设阈值之间的原始帧图像的位置信息判断为模糊区域；
b.将信噪比大于第三预设阈值的原始帧图像的位置信息判断为最佳信息的位置信息，将信噪比小于第四预设阈值的原始帧图像的位置信息判断为较差信息的位置信息，将信噪比介于所述第三预设阈值和所述第四预设阈值之间的原始帧图像的位置信息判断为模糊区域；
c.将所述步骤a和所述步骤b的判断结果相合并，得到熵大于第一预设阈值且信噪比大于第三预设阈值的原始帧图像的位置信息判断为最终的最佳信息的位置信息。
优选的，所述的步骤30中根据所述的各个原始帧图像的最佳信息的位置信息进行图像重构得到融合图像，是指该融合图像中的每个位置的信息，是通过选择所述的各个原始帧图像的对应位置的最佳信息进行拼接，从而融合出一张具有各个原始帧图像的最佳信息的最佳图像作为融合图像。
优选的，所述的步骤40中，对所述的融合图像和所述的原始帧图像进行车牌识别，是使用基于最优特征的车牌识别算法分别对所述的融合图像和所述的原始帧图像进行车牌识别，其进一步包括以下步骤：
41.从图像中提取5组特征，分别为HOG特征、HAAR特征、LBP特征、DPM特征和MSER特征。
42.使用ADABOOST算法从所述的5组特征中自动挑选出最优特征；
43.利用BP神经网络进行分类器训练；
44.使用所述的分类器对所述的融合图像和所述的原始帧图像进行车牌识别。
优选的，所述的步骤50中，对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行可信度分析，进一步包括以下步骤：
51.对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行正确车牌的可信度分析，将可信度大于第五预设阈值的车牌识别结果判断为正确车牌，将可信度小于第六预设阈值的车牌识别结果判断为错误车牌，将可信度介于所述第五预设阈值和所述第六预设阈值之间的车牌识别结果判断为正确车牌可信度分析的模糊区域；
52.对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行错误车牌的可信度分析，将可信度大于第五预设阈值的车牌识别结果判断为正确车牌，将可信度小于第六预设阈值的车牌识别结果判断为错误车牌，将可信度介于所述第五预设阈值和所述第六预设阈值之间的车牌识别结果判断为错误车牌可信度分析的模糊区域；
53.将所述正确车牌可信度分析的模糊区域与所述错误车牌可信度分析的模糊区域进行比较分析，若所述正确车牌可信度分析的模糊区域大于所述错误车牌可信度分析的模糊区域，则判断为所述融合图像的车牌识别结果为正确车牌，反之为错误车牌。
其次，本发明提供一种基于视频流的车牌识别系统，其包括：
图像质量评价模块，其基于图像内容结构、相位相似性的图像质量评价算法对待识别车辆的视频流进行逐帧分析，得到图像质量较好的原始帧图像；
图像分析模块，其对所述的原始帧图像进行熵和信噪比的参数分析，得到各个原始帧图像的最佳信息的位置信息；
图像融合模块，其根据所述的各个原始帧图像的最佳信息的位置信息进行图像重构，得到融合图像；
车牌识别模块，其对所述的融合图像进行车牌识别，并同时对所述的原始帧图像进行车牌识别；
可信度分析模块，其对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行可信度分析，得到最终的车牌识别结果。
优选的，还包括无线通信模块，用于将所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果上传中远程服务器进行存储和应用。
另外，本发明还提供一种智能数字摄像机，其特征在于，该智能数字摄像机包括如上所述的基于视频流的车牌识别系统。
本发明的有益效果是：
1.当车流量多时，容易出现前车遮挡住后车车牌的情况，通过视频车牌识别，选择视频流中车牌未被遮挡时的图片进行车牌识别，得到最佳车牌信息，识别准确率更高，并能降低漏收费的概率。
2.复杂环境中(如夜晚、雨天等)或强光照射导致图片曝光过度车牌无法识别的情况或弯道导致车辆倾斜角度大的图片，都能够通过对视频流多帧图片分析，选择效果较好图片进行识别拼接，得到最佳车牌，从而降低错收费、漏收费的概率。
3.直接在摄像机上进行车牌识别和判断，有效提高出入口车牌识别速率及准确率，加快车辆通行效率，提高停车场的效益。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明基于视频流的车牌识别方法的流程简图；
图2为本发明基于视频流的车牌识别系统的框架结构示意图；
图3为本发明智能数字摄像机的框架结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明的一种基于视频流的车牌识别方法，其包括以下步骤：
10.基于图像内容结构、相位相似性的图像质量评价算法(FSIM)对待识别车辆的视频流进行逐帧分析，得到包含所述待识别车辆的车牌信息的原始帧图像；
20.对所述的原始帧图像进行熵和信噪比的参数分析，得到各个原始帧图像的最佳信息的位置信息；
30.根据所述的各个原始帧图像的最佳信息的位置信息进行图像重构，得到融合图像；
40.对所述的融合图像进行车牌识别，并同时对所述的原始帧图像进行车牌识别；
50.对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行可信度分析，得到最终的车牌识别结果。
所述的步骤20中，进一步包括以下步骤：
21.对所述的原始帧图像进行小波变换的去噪处理，得到去噪图像；
22.计算所述去噪图像的熵和信噪比；
23.根据计算得到的熵与信噪比建立模糊隶属度模型；
24.根据所述的模糊隶属度模型，得到各个原始帧图像的最佳信息的位置信息。
所述的步骤20中，所述的最佳信息的位置信息的计算方法，进一步包括以下步骤：
a.将熵大于第一预设阈值的原始帧图像的位置信息判断为最佳信息的位置信息，将熵小于第二预设阈值的原始帧图像的位置信息判断为较差信息的位置信息，将熵介于所述第一预设阈值和所述第二预设阈值之间的原始帧图像的位置信息判断为模糊区域；
b.将信噪比大于第三预设阈值的原始帧图像的位置信息判断为最佳信息的位置信息，将信噪比小于第四预设阈值的原始帧图像的位置信息判断为较差信息的位置信息，将信噪比介于所述第三预设阈值和所述第四预设阈值之间的原始帧图像的位置信息判断为模糊区域；
c.将所述步骤a和所述步骤b的判断结果相合并，得到熵大于第一预设阈值且信噪比大于第三预设阈值的原始帧图像的位置信息判断为最终的最佳信息的位置信息。
所述的步骤23中根据计算得到的熵与信噪比建立模糊隶属度模型，主要是根据，图像最佳信息的熵的模糊隶属度服从S型分布，图像最佳信息的信噪比的模糊隶属度也是服从S型分布，通过利用上述步骤a和b中判断得到的最佳信息、较差信息、模糊区域的判断结果进行构建模糊隶属度模型。
所述的步骤24中根据所述的模糊隶属度模型，得到各个原始帧图像的最佳信息的位置信息，是通过判断所述的模糊隶属度模型中，同时满足：“熵大于第一预设阈值”，且“信噪比大于第三预设阈值”的原始帧图像的位置信息，并判断为最终的最佳信息的位置信息。
上述各个步骤中，图像的熵的计算方法为：
H = Σ i = 0 255 P i j log P i j ;
Pij＝f(i,j)/N2；
其中，H表示图像二维熵，f表示待计算的图像，i表示该图像每个像素点的灰度值(0<＝i<＝255)，j表示该图像每个像素点的邻域灰度均值(0<＝j<＝255),N表示该图像中的像素点的数量。
图像的信噪比的计算方法为：
P S N R = 10 &CenterDot; log 10 ( MAX I 2 M S E ) = 20 &CenterDot; log 10 ( MAX I M S E ) ;
M S E = 1 m n &Sigma; i = 0 m - 1 &Sigma; j = 0 n - 1 | | I ( i , j ) - K ( i , j ) | | 2 ;
其中，PSNR表示图像的信噪比，MAXI表示图像像素点的最大颜色值，如果每个采样点用8位表示，那么就是255；MSE表示图像的均方差，i、j表示图像像素点的坐标位置，m、n分别表示图像的宽和高，I、K表示m×n大小的图像。
所述的步骤30中，根据所述的各个原始帧图像的最佳信息的位置信息进行图像重构得到融合图像，是指该融合图像中的每个位置的信息，是通过选择所述的各个原始帧图像的对应位置的最佳信息进行拼接，从而融合出一张具有各个原始帧图像的最佳信息的最佳图像作为融合图像。
所述的步骤40中，对所述的融合图像和所述的原始帧图像进行车牌识别，是使用基于最优特征的车牌识别算法分别对所述的融合图像和所述的原始帧图像进行车牌识别，其进一步包括以下步骤：
41.从图像中提取5组特征，分别为HOG特征、HAAR特征、LBP特征、DPM特征和MSER特征。
42.使用ADABOOST算法从所述的5组特征中自动挑选出最优特征；
43.利用BP神经网络进行分类器训练；
44.使用所述的分类器对所述的融合图像和所述的原始帧图像进行车牌识别。
所述的步骤50中，通过基于模糊判据的可信度分析算法对所述融合图像和所述原始帧图像的车牌识别结果进行可信度的对比分析，并使融合图像的加权值大于原始帧图像，建立对应的数学模型，依次计算出最佳的车牌识别结果；其中，对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行可信度分析，进一步包括以下步骤：
51.对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行正确车牌的可信度分析，将可信度大于第五预设阈值的车牌识别结果判断为正确车牌，将可信度小于第六预设阈值的车牌识别结果判断为错误车牌，将可信度介于所述第五预设阈值和所述第六预设阈值之间的车牌识别结果判断为正确车牌可信度分析的模糊区域；
52.对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行错误车牌的可信度分析，将可信度大于第五预设阈值的车牌识别结果判断为正确车牌，将可信度小于第六预设阈值的车牌识别结果判断为错误车牌，将可信度介于所述第五预设阈值和所述第六预设阈值之间的车牌识别结果判断为错误车牌可信度分析的模糊区域；
53.将所述正确车牌可信度分析的模糊区域与所述错误车牌可信度分析的模糊区域进行比较分析，若所述正确车牌可信度分析的模糊区域大于所述错误车牌可信度分析的模糊区域，则判断为所述融合图像的车牌识别结果为正确车牌，反之为错误车牌。
所述的步骤10中，所述的视频流中包含有一个或一个以上的待识别车辆的车牌信息，其中，若视频流中包含多个待识别车辆的数据，则分别对车牌数量和车牌信息分别进行可信度分析，正确车牌(车牌数量或车牌信息)的可信度分析，其对应的模糊隶属度函数均服从S型分布；错误车牌(车牌数量或车牌信息)的可信度分析，其对应的模糊隶属度函数均服从Z型分布。
如图2所示，本发明提供一种基于视频流的车牌识别系统100，其包括：
图像质量评价模块101，其基于图像内容结构、相位相似性的图像质量评价算法对待识别车辆的视频流进行逐帧分析，得到图像质量较好的原始帧图像；
图像分析模块102，其对所述的原始帧图像进行熵和信噪比的参数分析，得到各个原始帧图像的最佳信息的位置信息；
图像融合模块103，其根据所述的各个原始帧图像的最佳信息的位置信息进行图像重构，得到融合图像；
车牌识别模块104，其对所述的融合图像进行车牌识别，并同时对所述的原始帧图像进行车牌识别；
可信度分析模块105，其对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行可信度分析，得到最终的车牌识别结果。
无线通信模块106，用于将所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果上传中远程服务器进行存储和应用，例如可以通过远程服务器与缴费系统相连接，可用于车牌识别结果中对应车辆的停车费支付，方便快捷。
另外，为了增强了车牌识别系统的稳定性，当网络出现故障时，系统还内置白名单(VIP、固定车等)功能，可保证车辆正常通行；同时还可进一步设置存储模块，将车辆车辆图像及识别结果存储在系统内，当网络恢复后，再自动上传至服务器。
如图3所示，本发明还提供一种智能数字摄像机200，该智能数字摄像机200包括如上所述的基于视频流的车牌识别系统100，其中，基于视频流的车牌识别系统100可以采用图2实施例的结构，其对应地，可以执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，详细可以参见上述实施例中的相关记载，此处不再赘述。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统实施例和摄像机终端实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。并且，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (9)

1.一种基于视频流的车牌识别方法，其特征在于，包括以下步骤：
10.获取包含待识别车辆的车牌信息的视频流中的原始帧图像；
20.对所述的原始帧图像进行熵和信噪比的参数分析，得到各个原始帧图像的最佳信息的位置信息；
30.根据所述的各个原始帧图像的最佳信息的位置信息进行图像重构，得到融合图像；
40.对所述的融合图像进行车牌识别，并同时对所述的原始帧图像进行车牌识别；
50.对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行可信度分析，得到最终的车牌识别结果。
2.根据权利要求1所述的一种基于视频流的车牌识别方法，其特征在于：所述的步骤20进一步包括以下步骤：
21.对所述的原始帧图像进行小波变换的去噪处理，得到去噪图像；
22.计算所述去噪图像的熵和信噪比；
23.根据计算得到的熵与信噪比建立模糊隶属度模型；
24.根据所述的模糊隶属度模型，得到各个原始帧图像的最佳信息的位置信息。
3.根据权利要求1或2所述的一种基于视频流的车牌识别方法，其特征在于：所述的步骤20中，所述的最佳信息的位置信息的计算方法，进一步包括以下步骤：
a.将熵大于第一预设阈值的原始帧图像的位置信息判断为最佳信息的位置信息，将熵小于第二预设阈值的原始帧图像的位置信息判断为较差信息的位置信息，将熵介于所述第一预设阈值和所述第二预设阈值之间的原始帧图像的位置信息判断为模糊区域；
b.将信噪比大于第三预设阈值的原始帧图像的位置信息判断为最佳信息的位置信息，将信噪比小于第四预设阈值的原始帧图像的位置信息判断为较差信息的位置信息，将信噪比介于所述第三预设阈值和所述第四预设阈值之间的原始帧图像的位置信息判断为模糊区域；
c.将所述步骤a和所述步骤b的判断结果相合并，得到熵大于第一预设阈值且信噪比大于第三预设阈值的原始帧图像的位置信息判断为最终的最佳信息的位置信息。
4.根据权利要求1所述的一种基于视频流的车牌识别方法，其特征在于：所述的步骤30中根据所述的各个原始帧图像的最佳信息的位置信息进行图像重构得到融合图像，是指该融合图像中的每个位置的信息，是通过选择所述的各个原始帧图像的对应位置的最佳信息进行拼接，从而融合出一张具有各个原始帧图像的最佳信息的最佳图像作为融合图像。
5.根据权利要求1所述的一种基于视频流的车牌识别方法，其特征在于：所述的步骤40中，对所述的融合图像和所述的原始帧图像进行车牌识别，是使用基于最优特征的车牌识别算法分别对所述的融合图像和所述的原始帧图像进行车牌识别，其进一步包括以下步骤：
41.从图像中提取5组特征，分别为HOG特征、HAAR特征、LBP特征、DPM特征和MSER特征。
42.使用ADABOOST算法从所述的5组特征中自动挑选出最优特征；
43.利用BP神经网络进行分类器训练；
44.使用所述的分类器对所述的融合图像和所述的原始帧图像进行车牌识别。
6.根据权利要求1所述的一种基于视频流的车牌识别方法，其特征在于：所述的步骤50中，对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行可信度分析，进一步包括以下步骤：
51.对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行正确车牌的可信度分析，将可信度大于第五预设阈值的车牌识别结果判断为正确车牌，将可信度小于第六预设阈值的车牌识别结果判断为错误车牌，将可信度介于所述第五预设阈值和所述第六预设阈值之间的车牌识别结果判断为正确车牌可信度分析的模糊区域；
52.对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行错误车牌的可信度分析，将可信度大于第五预设阈值的车牌识别结果判断为正确车牌，将可信度小于第六预设阈值的车牌识别结果判断为错误车牌，将可信度介于所述第五预设阈值和所述第六预设阈值之间的车牌识别结果判断为错误车牌可信度分析的模糊区域；
53.将所述正确车牌可信度分析的模糊区域与所述错误车牌可信度分析的模糊区域进行比较分析，若所述正确车牌可信度分析的模糊区域大于所述错误车牌可信度分析的模糊区域，则判断为所述融合图像的车牌识别结果为正确车牌，反之为错误车牌。
7.一种基于视频流的车牌识别系统，其特征在于，其包括：
图像质量评价模块，其基于图像内容结构、相位相似性的图像质量评价算法对待识别车辆的视频流进行逐帧分析，得到图像质量较好的原始帧图像；
图像分析模块，其对所述的原始帧图像进行熵和信噪比的参数分析，得到各个原始帧图像的最佳信息的位置信息；
图像融合模块，其根据所述的各个原始帧图像的最佳信息的位置信息进行图像重构，得到融合图像；
车牌识别模块，其对所述的融合图像进行车牌识别，并同时对所述的原始帧图像进行车牌识别；
可信度分析模块，其对所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果进行可信度分析，得到最终的车牌识别结果。
8.根据权利要求7所述的一种基于视频流的车牌识别系统，其特征在于：还包括无线通信模块，用于将所述的融合图像的车牌识别结果和所述的原始帧图像的车牌识别结果上传中远程服务器进行存储和应用。
9.一种智能数字摄像机，其特征在于，包括权利要求8至9任一项所述的基于视频流的车牌识别系统。
CN201511016292.9A 2015-12-29 2015-12-29 基于视频流的车牌识别方法、系统及智能数字摄像机 Active CN105631425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201511016292.9A CN105631425B (zh) 2015-12-29 2015-12-29 基于视频流的车牌识别方法、系统及智能数字摄像机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201511016292.9A CN105631425B (zh) 2015-12-29 2015-12-29 基于视频流的车牌识别方法、系统及智能数字摄像机

Publications (2)

Publication Number Publication Date
CN105631425A true CN105631425A (zh) 2016-06-01
CN105631425B CN105631425B (zh) 2020-04-07

Family

ID=56046338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201511016292.9A Active CN105631425B (zh) 2015-12-29 2015-12-29 基于视频流的车牌识别方法、系统及智能数字摄像机

Country Status (1)

Country Link
CN (1) CN105631425B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977824A (zh) * 2019-03-15 2019-07-05 百度在线网络技术（北京）有限公司 物品取放识别方法、装置及设备
CN111027347A (zh) * 2018-10-09 2020-04-17 杭州海康威视数字技术股份有限公司 一种视频识别方法、装置和计算机设备
CN111862617A (zh) * 2020-06-12 2020-10-30 浙江大华技术股份有限公司 一种车牌识别方法、装置、系统和计算机设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070294223A1 (en) * 2006-06-16 2007-12-20 Technion Research And Development Foundation Ltd. Text Categorization Using External Knowledge
US20090024613A1 (en) * 2007-07-20 2009-01-22 Microsoft Corporation Cross-lingual query suggestion
CN101882224A (zh) * 2009-05-08 2010-11-10 财团法人工业技术研究院 重组多张图像与辨识方法以及图像撷取与辨识系统
CN102496019A (zh) * 2011-12-08 2012-06-13 银江股份有限公司 一种车牌字符分割方法
US20130138696A1 (en) * 2011-11-30 2013-05-30 The Institute for System Programming of the Russian Academy of Sciences Method to build a document semantic model
CN104484672A (zh) * 2014-12-04 2015-04-01 深圳市平方科技股份有限公司 基于多帧图片和自主学习的快速车牌识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070294223A1 (en) * 2006-06-16 2007-12-20 Technion Research And Development Foundation Ltd. Text Categorization Using External Knowledge
US20090024613A1 (en) * 2007-07-20 2009-01-22 Microsoft Corporation Cross-lingual query suggestion
CN101882224A (zh) * 2009-05-08 2010-11-10 财团法人工业技术研究院 重组多张图像与辨识方法以及图像撷取与辨识系统
US20130138696A1 (en) * 2011-11-30 2013-05-30 The Institute for System Programming of the Russian Academy of Sciences Method to build a document semantic model
CN102496019A (zh) * 2011-12-08 2012-06-13 银江股份有限公司 一种车牌字符分割方法
CN104484672A (zh) * 2014-12-04 2015-04-01 深圳市平方科技股份有限公司 基于多帧图片和自主学习的快速车牌识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027347A (zh) * 2018-10-09 2020-04-17 杭州海康威视数字技术股份有限公司 一种视频识别方法、装置和计算机设备
CN109977824A (zh) * 2019-03-15 2019-07-05 百度在线网络技术（北京）有限公司 物品取放识别方法、装置及设备
CN111862617A (zh) * 2020-06-12 2020-10-30 浙江大华技术股份有限公司 一种车牌识别方法、装置、系统和计算机设备

Also Published As

Publication number Publication date
CN105631425B (zh) 2020-04-07

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
CN108921068B (zh) 一种基于深度神经网络的汽车外观自动定损方法及系统
Cai et al. Deep learning-based video system for accurate and real-time parking measurement
US9363483B2 (en) Method for available parking distance estimation via vehicle side detection
CN111368687A (zh) 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN104239867B (zh) 车牌定位方法及系统
CN109829424A (zh) 一种基于人脸识别技术的智能立体车库存取车方法及系统
CN104268596A (zh) 一种车牌识别器及其车牌检测方法与系统
CN103295024A (zh) 分类与对象检测方法和装置以及图像拍摄和处理设备
CN111382808A (zh) 一种车辆检测处理方法及装置
CN101719217A (zh) 一种基于弹性松驰算法的车型识别系统及方法
CN113160575A (zh) 一种非机动车辆及驾驶人的交通违法行为检测方法及系统
CN105631425A (zh) 基于视频流的车牌识别方法、系统及智能数字摄像机
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
CN103337175A (zh) 一种基于实时视频流的车型识别系统
CN108805184B (zh) 一种固定空间、车辆上的图像识别方法及系统
CN104463238B (zh) 一种车标识别方法和系统
CN115690714A (zh) 一种基于区域聚焦的多尺度道路目标检测方法
Zhou et al. Hybridization of appearance and symmetry for vehicle-logo localization
CN110598758A (zh) 训练建模方法、车辆收费方法、管理系统及存储介质
CN112053407B (zh) 一种交通执法影像中基于ai技术的车道线自动检测方法
CN115965934A (zh) 一种停车位检测方法及装置
CN115953744A (zh) 一种基于深度学习的车辆识别追踪方法
CN115512315A (zh) 一种非机动车儿童搭乘检测方法、电子设备及存储介质
US20220405527A1 (en) Target Detection Methods, Apparatuses, Electronic Devices and Computer-Readable Storage Media

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant