CN106683073B - 一种车牌的检测方法及摄像机和服务器 - Google Patents
一种车牌的检测方法及摄像机和服务器 Download PDFInfo
- Publication number
- CN106683073B CN106683073B CN201510764817.0A CN201510764817A CN106683073B CN 106683073 B CN106683073 B CN 106683073B CN 201510764817 A CN201510764817 A CN 201510764817A CN 106683073 B CN106683073 B CN 106683073B
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- character
- blocks
- segmentation
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims abstract description 495
- 239000013598 vector Substances 0.000 claims abstract description 101
- 230000002159 abnormal effect Effects 0.000 claims abstract description 99
- 238000000034 method Methods 0.000 claims description 41
- 238000004891 communication Methods 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Traffic Control Systems (AREA)
- Character Discrimination (AREA)
Abstract
本发明实施例提供的一种车牌的检测方法及摄像机和服务器，该车牌的检测方法包括：获得待检测的车牌图像的N个目标字符分割块；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度，生成一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当预测结果中至少有一个被预测为包含异常车牌字符时，确定所述待检测的车牌图像对应的车牌为异常车牌，否则确定待检测的车牌图像对应的车牌为正常车牌。应用本发明实施例，提高了车牌检测的准确率。
Description
技术领域
本发明涉及智能交通技术领域，特别是涉及一种车牌的检测方法及摄像机和服务器。
背景技术
随着图像处理、模式识别和人工智能技术的不断发展，智能交通技术在我国的交通运输领域中显现出了巨大优势，而车牌检测系统是实现智能交通中最关键的一个环节，该系统通常可以包括摄像机和服务器两大硬件。实际应用中，针对异常车牌检测的车牌检测系统尤其重要。
通常，对于异常车牌的检测，可以包括：车牌字符的分割和车牌字符的预测两步处理。现有技术中，提供了这样一种车牌字符的分割方法：提取待分割的车牌图像的LBP纹理特征，并将提取到的LBP纹理特征输入至预先建立的Adaboost分类器中进行筛选，通常会有上百个切割块，将筛选得到的上百个切割块进行合并处理后，得到合并后的车牌字符的分割块，且得到的全部分割块的数量通常小于等于车牌的字符数7(包括汉字)；现有技术中，提供了这样一种车牌字符的预测方法：分别提取车牌图像的7个分割块的纹理特征，并将提取得到的7个纹理特征向量输入至预先建立的异常字符的预测模型中，得到车牌字符的预测结果。
显然，上述对于异常车牌的检测方法虽然可行，但在实际应用中，仅通过提取单一的图像特征进行车牌字符的分割，容易出现字符分割块位置不准确的问题，基于单一的纹理特征训练的预测模型在进行异常字符预测时，容易出现预测不准确，因而导致对异常车牌的检测的准确率低下。
发明内容
本发明实施例的目的在于提供一种车牌的检测方法及摄像机和服务器，以提高对车牌进行检测的准确率。
为达到上述目的，本发明实施例公开了一种车牌检测方法，所述方法包括：
获得待检测的车牌图像的N个目标字符分割块；
针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；其中，所述多个特征为灰度特征、颜色分布特征或笔道特征中的至少2种；
基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；
当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定所述待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌。
较佳的，所述获得待检测的车牌图像的N个目标字符分割块，包括：
获得待检测的车牌图像；
基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；
基于所述车牌图像的区域特征，对所述车牌图像进行第二次车牌字符分割，获得第二类候选分割块；
根据所获得的第一类候选分割块与所述第二类候选分割块的位置信息，从所述第二类候选分割块中筛选出与所述第一类候选分割块具有重叠区域的第三类候选分割块；
将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得所述待检测的车牌图像中与所述N个车牌字符位对应的N个目标字符分割块的位置信息。
较佳的，所述标准车牌图像模板，包括：
预先获得各类符合国家标准的标准车牌的车牌图像中的N个车牌字符位的位置信息，将携带有N个车牌字符位的标准车牌的车牌图像作为标准车牌图像模板。
较佳的，所述基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块，包括：
利用LBP纹理特征提取算法，提取待检测的车牌图像的纹理特征；
将提取的纹理特征输入至预先建立的第一分割模型中，获得多个初级分割块；其中，所述第一分割模型为：基于从预定的车牌图像样本中提取的各个车牌图像的纹理特征，采用自适应提升算法Adaboost算法训练得到的分割模型；
对所获得的多个初级分割块进行合并处理，获得第一类候选分割块。
较佳的，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征中包括灰度特征时，针对灰度特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的灰度特征对应的置信度的步骤，包括：
获得每个目标字符分割块的灰度图像的一维灰度特征向量；
将所述一维灰度特征向量输入至预先建立的第一层的第一车牌字符预测子模型中，获得第一置信度；其中，所述第一层的第一车牌字符预测子模型为，基于从预定的第一车牌字符分割块样本中提取的各个字符分割块的灰度特征，采用人工神经网络ANN算法训练得到的用于预测字符分割块中包含异常车牌字符的预测模型；所述第一置信度为所述第一层的第一车牌字符预测子模型的输出层中表示包含异常车牌字符概率的激活值；
和/或，
获得每个目标字符分割块的灰度图像的一维灰度特征向量；
将所述一维灰度特征向量输入至预先建立的第一层的第二车牌字符预测子模型中，获得第二置信度；其中，所述第一层的第二车牌字符预测子模型为，基于从预定的第二车牌字符分割块样本中提取的各个字符分割块的灰度特征，采用人工神经网络ANN算法训练得到的用于预测字符分割块中包含正常车牌字符的预测模型；所述第二置信度为所述第一层的第二车牌字符预测子模型的输出层中用于表示包含异常车牌字符概率的激活值。
较佳的，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征包括颜色分布特征时，针对颜色分布特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的颜色分布特征对应的置信度的步骤，包括：
计算每个目标字符分割块的颜色矩；
基于所述第一层的第一车牌字符预测子模型和第一层的第二车牌字符预测子模型，获得每个目标字符分割块包含正常车牌字符概率的激活值；
按照目标字符分割块中包含正常车牌字符概率由高到低的顺序，获得具有概率值最高的前3个目标字符分割块的颜色矩，标记为A1、A2、A3；计算所述3个目标字符分割块两两之间的颜色矩距离，标记为L12、L23、L31；
根据所述两两之间的颜色矩距离L12、L23、L31，获得用于衡量N个目标字符分割块的颜色矩距离偏差程度的标准值；
计算每个目标字符分割块的颜色矩距离与所获得的标准值的偏差值，记为ΔL1至ΔL7，根据预设的颜色矩距离偏差值阈值，获得每个目标字符分割块的颜色矩距离的偏差程度；
根据所述偏差程度，获得每个目标字符分割块中包含异常车牌字符的概率，并将其确定为颜色分布特征对应的第三置信度。
较佳的，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征为笔道特征时，针对笔道特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的笔道特征对应的置信度的步骤，包括：
获得每个目标字符分割块的二值化图像；
判断待检测的车牌图像对应的待检测车牌为浅色车牌时，进行反色处理；
对反色处理后的二值化图像进行定向图像腐蚀处理；
按照预定顺序，逐行扫描腐蚀处理后的目标字符分割块后，得到每一行像素点的二值数据，基于所述二值数据，获得每个目标字符分割块的每一行像素点中包含的笔道数量以及各个笔道的宽度；
判断所获得的每个笔道是否为有效笔道：当所获得的各个笔道的宽度位于预设的笔道宽度范围内，确定为有效笔道，否则，确定为无效笔道；
将所述每个目标字符分割块划分成上下两部分图像区域，获得各个图像区域中的像素点的总行数并记为NU和ND，统计各个图像区域中包含有效笔道的行数并记为NU′和ND′；
根据公式(NU′/NU)*(ND′/ND)获得所述笔道特征对应的第四置信度。
较佳的，所述基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果，包括：
基于第一层的多个车牌字符预测子模型，获得多个置信度；
将所获得的多个置信度进行归一化处理，并根据归一化后的多个置信度生成一个置信度向量；
将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，获得所述置信度向量中各个向量元素的权值，并根据所获得的权值对各个向量元素进行运算后，获得每个目标字符分割块的预测结果；其中，所述第二层的车牌字符预测子模型为采用支持向量机SVM算法训练得到的，其预测结果为输入至第二层的车牌字符预测子模型中的置信度向量中各个向量元素的权值。
为达到上述目的，本发明实施例公开了一种用于对车牌进行检测的摄像机，应用于车牌检测系统，包括：视频采集模块、第一处理器和存储器；其中，
所述的视频采集模块，用于获得包含车牌图像的抓拍帧图像；
所述的第一处理器，用于从所述抓拍帧图像中提取车牌图像；基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于所述车牌图像的区域特征，对所述车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与所述第二类候选分割块的位置信息，从所述第二类候选分割块中筛选出与所述第一类候选分割块具有重叠区域的第三类候选分割块；将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得所述待检测的车牌图像中与所述N个车牌字符位对应的N个目标字符分割块的位置信息；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定所述待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌；
所述的存储器，用于存储包含车牌图像的抓拍帧图像；所述抓拍帧图像包括：由所述的视频采集模块采集的实时的抓拍帧图像，或，预先存储的抓拍帧图像。
为达到上述目的，本发明实施例公开了一种用于对车牌字符进行分割的摄像机，应用于车牌检测系统，包括：视频采集模块、第二处理器和存储器；其中，
所述的视频采集模块，用于获得包含车牌图像的抓拍帧图像；
所述的第二处理器，用于从所述抓拍帧图像中提取车牌图像；基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于所述车牌图像的区域特征，对所述车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与所述第二类候选分割块的位置信息，从所述第二类候选分割块中筛选出与所述第一类候选分割块具有重叠区域的第三类候选分割块；将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得所述待检测的车牌图像中与所述N个车牌字符位对应的N个目标字符分割块的位置信息；
所述的存储器，用于存储包含车牌图像的抓拍帧图像；所述抓拍帧图像包括：由所述的视频采集模块采集的实时的抓拍帧图像，或，预先存储的抓拍帧图像。
为达到上述目的，本发明实施例公开了一种用于对车牌进行预测的摄像机，应用于车牌检测系统，包括：视频采集模块、第三处理器和存储器；其中，
所述的视频采集模块，用于获得包含车牌图像的抓拍帧图像；
所述的第三处理器，用于从所述抓拍帧图像中提取车牌图像；获得待检测的车牌图像的N个目标字符分割块；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；其中，所述多个特征为灰度特征、颜色分布特征或笔道特征中的至少2种；基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定所述待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌；
所述的存储器，用于存储包含车牌图像的抓拍帧图像；所述抓拍帧图像包括：由所述的视频采集模块采集的实时的抓拍帧图像，或，预先存储的抓拍帧图像。
为达到上述目的，本发明实施例公开了一种用于对车牌进行检测的服务器，应用于车牌检测系统，包括：通信接口、存储器和第四处理器；其中，
所述的通信接口，用于与车牌检测系统中的摄像机进行数据通信；
所述的存储器，用于存储通过通信接口接收摄像机发送的抓拍帧图像；所述抓拍帧图像包括：由所述的摄像机发送的实时的抓拍帧图像，或，预先存储的摄像机发送的抓拍帧图像；
所述的第四处理器，用于从所述抓拍帧图像中提取车牌图像；基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于所述车牌图像的区域特征，对所述车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与所述第二类候选分割块的位置信息，从所述第二类候选分割块中筛选出与所述第一类候选分割块具有重叠区域的第三类候选分割块；将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得所述待检测的车牌图像中与所述N个车牌字符位对应的N个目标字符分割块的位置信息；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定所述待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌。
为达到上述目的，本发明实施例公开了一种用于对车牌字符进行分割的服务器，应用于车牌检测系统，包括：通信接口、存储器和第五处理器；其中，
所述的通信接口，用于与车牌检测系统中的摄像机进行数据通信；
所述的存储器，用于存储通过通信接口接收摄像机发送的抓拍帧图像；所述抓拍帧图像包括：由所述的摄像机发送的实时的抓拍帧图像，或，预先存储的摄像机发送的抓拍帧图像；
所述的第五处理器，用于从所述抓拍帧图像中提取车牌图像；基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于所述车牌图像的区域特征，对所述车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与所述第二类候选分割块的位置信息，从所述第二类候选分割块中筛选出与所述第一类候选分割块具有重叠区域的第三类候选分割块；将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得所述待检测的车牌图像中与所述N个车牌字符位对应的N个目标字符分割块的位置信息。
为达到上述目的，本发明实施例公开了一种用于对车牌进行预测的服务器，应用于车牌检测系统，包括：通信接口、存储器和第六处理器；其中，
所述的通信接口，用于与车牌检测系统中的摄像机进行数据通信；
所述的存储器，用于存储通过通信接口接收摄像机发送的抓拍帧图像；所述抓拍帧图像包括：由所述的摄像机发送的实时的抓拍帧图像，或，预先存储的摄像机发送的抓拍帧图像；
所述的第六处理器，用于从所述抓拍帧图像中提取车牌图像；获得待检测的车牌图像的N个目标字符分割块；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定所述待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌。
本发明实施例提供的一种车牌的检测方法及摄像机和服务器，该车牌检测方法包括：车牌字符的分割过程和车牌预测过程。
一方面，在车牌字符的分割过程中，基于待检测的车牌图像的纹理特征和区域特征分别对其进行第一次车牌字符分割与第二次车牌字符分割，获得第一类候选分割块与第二类候选分割块，然后，从第二类候选分割块中筛选出具有重叠区域的第三类候选分割块，最后，将所获得第三类候选分割块与标准车牌图像模板进行比对后获得待检测的车牌图像中的各个目标字符分割块的位置信息。应用本发明实施例，基于待检测的车牌图像的多种特征对其进行分割，并结合按照不同特征进行分割获得的候选分割，与基于单特征对待检测的车牌图像的分割比较而言，显然提高了对待检测的车牌图像进行车牌字符分割的准确率。
另一方面，在车牌预测过程中，获得待检测的车牌图像的N个目标字符分割块，针对每个目标字符分割块分别计算多个特征，并计算获得每个目标字符分割块的每种特征对应的置信度；基于每个目标字符分割块所获得的多个置信度，生成一个置信度向量，并输入至预先建立的第二层的车牌字符预测子模型，获得每个目标字符分割块的预测结果，并根据每个目标字符分割块的预测结果确定待检测的车牌图像对应车牌是否为异常车牌。应用本发明实施例，通过第二层的车牌字符预测子模型综合考虑了每个目标字符分割块利用多种特征进行预测的预测结果，与基于单特征对每个目标字符分割块进行预测而言，显然提高了对每个目标字符分割块进行预测的准确率，从而，提高了对待检测的车牌图像对应的车牌是否为异常车牌的检测的准确率。
当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
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为本发明实施例提供的一种车牌检测方法的流程示意图；
图2(a)为本发明实施例提供的一种车牌字符的分割方法的流程示意图；
图2(b)为本发明实施例提供的一种异常车牌的示意图；
图2(c)为本发明实施例提供的一种车牌字符分割后获得的初级分割块的示意图；
图2(d)为本发明实施例提供的一种车牌字符分割后由初级分割块得到的第一类候选分割块的示意图；
图2(e)为本发明实施例提供的另一种车牌字符分割后获得的第二类候选分割块的示意图；
图2(f)为本发明实施例提供的一种获得的第三类候选分割块的示意图；
图2(g)为本发明实施例提供的一种获得的目标分割块的示意图；
图3为本发明实施例提供的一种用于对车牌进行检测的摄像机的结构示意图；
图4为本发明实施例提供的一种用于对车牌字符进行分割的摄像机的结构示意图；
图5为本发明实施例提供的一种用于对车牌进行预测的摄像机的结构示意图；
图6为本发明实施例提供的一种用于对车牌进行检测的服务器的结构示意图；
图7为本发明实施例提供的一种用于对车牌字符进行分割的服务器的结构示意图；
图8为本发明实施例提供的一种用于对车牌进行预测的服务器的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
现如今，智能交通技术在我国的交通运输领域中发挥了巨大的作用，例如，车辆超速超载检测、车流量数据的获取等，车牌检测系统是实现智能交通中非常基础也是至关重要的一个环节。
容易理解的，车牌牌照能够唯一标识其“身份”，通过检测车辆的车牌就能够实现对车辆的定位追踪等，尤其是在车辆违规检测、刑侦缉拿等特殊情况提供了更加重要的线索和依据，因此，对于异常车牌的检测显得尤为重要。其中，异常车牌是指由于遮挡或污损等原因造成的车牌中至少有一个车牌字符无法辨识的车牌。
图1为本发明实施例提供的一种车牌检测方法的流程示意图，该车牌预测方法可以包括以下步骤：
步骤S101：获得待检测的车牌图像的N个目标字符分割块。
在本发明的一种具体实施例中，步骤S101具体可以包括以下步骤，参见图2(a)：
步骤S1011：获得待检测的车牌图像。
这里提及的“待检测的车牌图像”是指从监控摄像头拍摄的抓拍帧图像中定位到的包含车牌字符的图像区域，将包含车牌字符的图像区域从监控摄像头所拍摄的抓拍帧图像中提取出来并将其确定为待检测的车牌图像。另外，由于车辆在监控摄像头所拍摄的视野范围内有可能呈现出不同的角度，且车辆距离监控摄像头的远近程度各异，所以，监控摄像头所拍摄到的抓拍帧图像中的车牌图像在整幅抓拍帧图像中会呈现出倾斜程度不同、车牌图像尺寸各异的特点，因此，在对车牌图像进行检测之前可以对车牌图像进行倾斜校正与图像尺寸的归一化处理。具体的处理方式可以与现有技术待检测的车牌图像的方式完全相同，这里不再赘述。
步骤S1012：基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块。
在本发明的一种具体实施例中，步骤S1012可以包括以下步骤：
(1)利用LBP(Local Binary Pattern,局部二值模式)纹理特征提取算法，提取待检测的车牌图像的纹理特征。
(2)将提取的纹理特征输入至预先建立的第一分割模型中，获得多个初级分割块。
其中，所说的第一分割模型为：基于从预定的车牌图像样本中提取的各个车牌图像的纹理特征，采用自适应提升算法Adaboost算法训练得到的分割模型。
(3)对所获得的多个初级分割块进行合并处理，获得第一类候选分割块。
还需要说明的是，上面的具体实施例仅仅是举例，当然，对于提取车牌图像的纹理特征还可以采用其他的方法，例如，还可以利用灰度共生矩阵的方法提取车牌图像的纹理特征，本发明不需要对所提取的车牌图像的纹理特征的具体算法进行限定。本发明也不需要对建立第一分割模型所采用的模型建立的具体算法进行限定，任何可能的实现方式均可以应用于本发明。
具体的，可以通过以下步骤对所获得的多个初级分割块进行合并处理，来获得第一类候选分割块，假设：所获得的多个初级分割块的数量为M：
1)根据所获得的每个初级分割块与其余的(M-1)个初级分割块的重叠区域，计算得到每个初级分割块与其余的每个初级分割块的两两之间的重叠区域的重叠率，例如，A1、A2为两个具有重叠区域的初级分割块，可以根据公式R12＝2*A12/(A1+A2)来获得初级分割块A2与A1的重叠率，其中，A12表示初级分割块A1、A2中重叠区域的像素面积的大小，A1和A2分别表示初级分割块A1、A2的像素面积的大小；
2)记录所获得的(M-1)个重叠率中大于预设的第一重叠率阈值的重叠率，例如，当A1、A2计算得到的重叠率R12大于预设的第一重叠率阈值时，记录A1、A2为相关联的初级分割块；
3)遍历每个初级分割块后，获得每个初级分割块的相关联的初级分割块，并将所有相关联的初级分割块组成一个相关联的初级分割块组；
4)根据预设的初级分割块组中的初级分割块的数量，筛选出具有有效的相关联的初级分割块组，并将相关联的初级分割块组中包含的全部初级分割块的平均坐标来获得该初级分割块组的目标坐标，实现对相关联的初级分割块组中的各个初级分割块的合并，获得第一类候选分割块。
需要说明的是，这里提及的具体实现方式仅仅为本发明实施例中的一种具体实现方式，当然还可以有其他的实现方式来对所获得多个初级分割块进行合并处理，本发明不需要对这个过程进行具体的限定，本领域内的技术人员可以根据实际需要进行合理的设置。
步骤S1013：基于所述车牌图像的区域特征，对所述车牌图像进行第二次车牌字符分割，获得第二类候选分割块。
在本发明的一种具体实施例中，可以利用MSER技术(Maximally Stable ExtremalRegions，最大稳定极值区域)对待检测的车牌图像进行字符检测，获得第二类候选分割块。当然，这里仅仅是举例，本发明不需要对所提取的车牌图像的区域特征的具体算法进行限定，任何可能的实现方式均可以应用于本发明。
步骤S1014：根据所获得的第一类候选分割块与所述第二类候选分割块的位置信息，从所述第二类候选分割块中筛选出与所述第一类候选分割块具有重叠区域的第三类候选分割块。
在本发明的一种具体的实现方式中，可以计算步骤S1012中获得每个第一类候选分割块与步骤S1013中获得的每个第二类候选分割块的重叠区域的重叠率，当计算得到的重叠率大于预设的第二重叠率阈值时，确定该第一类候选分割块Ai与第二类候选分割块Bj匹配，例如，第一类候选分割块A3与第二类候选分割块B1的重叠率计算结果0.8大于预设的第二重叠率阈值0.5，则A3与B1匹配；
将具有匹配关系的第二类候选分割块Bj确定为一个目标字符分割块备用块，获得第一类候选分割块的全部目标字符分割块备用块；
根据第一类候选分割块的全部目标字符分割块备用块的平均宽、高、中心坐标高，剔除全部目标字符分割中具有明显差异的目标字符分割块备用块，按照这样的方法继续循环并更新剔除后得到的目标字符分割块备用块的平均宽、高、中心坐标高，直至更新后各个目标字符分割块备用块的平均宽、高、中心坐标高小于预设的偏差阈值，获得第三类候选分割块，得到第三类候选分割块的平均宽、高、中心坐标高。
需要说明的是，上面提及的具体实现方式仅仅是举例，当然，本发明还有其他可能的实现方式，在此不再一一列出。另外，对于其中的“第二重叠率阈值0.5”也仅仅是一种具体的实施方式，本发明不需要对其数值进行限定，本领域内的技术人员需要根据实际情况进行合理的设置。
步骤S1015：将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得所述待检测的车牌图像中与所述N个车牌字符位对应的N个目标字符分割块的位置信息。
这里所提及的“标准车牌图像模板”，可以包括：
预先获得各类符合国家标准的标准车牌的车牌图像中的N个车牌字符位的位置信息，将携带有N个车牌字符位的标准车牌的车牌图像作为标准车牌图像模板。
具体的，预设的标准车牌图像模板需要与待检测的车牌图像中的车牌部分可以设置为相同的图像尺寸，便于将第三类候选分割块与标准车牌图像模板中的N个车牌字符位进行比对。
需要说明的是，本发明不需要对标准车牌图像模板进行限定，本领域内的技术人员需要根据实际应用情况进行设置。
下面结合一个具体实例，对车牌字符的分割方法进行详细描述。
(1)本发明实施例提供了一种异常车牌，如图2(b)所示，该车牌图像中有两个车牌字符是无法辨识的，为异常车牌。
(2)利用LBP纹理特征提取算法，提取待检测的车牌图像的纹理特征，并将提取得到的纹理特征输入至预先建立的第一分类模型中，获得多个初级字符分割块，提取结果可参见图2(c)中的白色实线框中的图像区域，图2(c)为本发明实施例提供的一种车牌字符分割后获得的初级分割块的示意图。
其中，这里所说的第一分割模型为：基于从预定的车牌图像样本中提取到的各个车牌图像的纹理特征，采用自适应提升算法Adaboost算法训练得到的分割模型。
(3)对步骤(2)中获得的多个初级分割块进行合并处理，获得第一类候选分割块，确定出第一类候选分割块在待检测的车牌图像中的位置信息，参见图2(d)，为本发明实施例提供的一种车牌字符分割后由初级分割块得到的第一类候选分割块的示意图，其中，第一类候选分割块为图2(d)中白色实线方框中车牌字符“川”、“X”、“0”和“9”对应的图像区域。
(4)利用MSER字符检测技术，对如图2(b)所示的车牌图像进行字符检测，获得第二类候选分割块，分割结果参见图2(e)，为本发明实施例提供的另一种车牌字符分割后获得的第二类候选分割块的示意图，其中，第二类候选分割块为图2(e)中白色实线方框中的全部字符分割块，显然，第二类候选分割块中框选出的不一定都是车牌字符。
(5)根据步骤(3)中所获得的第一类候选分割块与步骤(4)中所获得的第二类候选分割块的位置信息，从第二类候选分割块中筛选出与第一类候选分割块具有重叠区域的第三类候选分割块，参见图2(f)中的白色虚线框中的四个字符分割块，为本发明实施例提供的一种获得的第三类候选分割块的示意图。显然，车牌字符“川”、“X”、“0”和“9”对应的第二类候选分割块与第一类候选分割块具有较高程度的重叠区域，因此，将第二类候选分割块中车牌字符“川”、“X”、“0”和“9”对应的分割块确定为第三类候选分割块，显然，第三类候选分割块的数量4不超过车牌中的车牌字符位的数量N＝7。
(6)将第三类字符分割块的位置信息与标准车牌图像模板中的N个车牌字符位进行比对，标准车牌图像模板大小为200*30，将模板在图2(b)所示的车牌图像上滑动，当各个第三类字符分割块距离与其最近的车牌字符位的偏差最小时，从待检测的车牌图像中确定出N个车牌字符位相对应的N个目标字符分割块的位置信息，完成对待检测的车牌图像的车牌字符的分割，参见图2(g)中的7个白色实线框中的字符分割块，为本发明实施例提供的一种获得的目标分割块的示意图。
由以上可见，基于待检测的车牌图像的多种特征对其进行分割，并结合按照不同特征进行分割获得的候选分割，与基于单特征对待检测的车牌图像的分割比较而言，显然提高了对待检测的车牌图像进行车牌字符分割的准确率。
步骤S102：针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度。
其中，所说的多个特征为灰度特征、颜色分布特征或笔道特征中的至少2种。
需要说明的是，之所以考虑计算每个目标字符分割块的多种特征，是为了能够避免由于单一特征的不稳定的问题。例如，对于灰度特征而言，输入的目标字符分割块的归一化后的图像块的灰度值，对于一些和车牌字符具有比较相近的纹理(比如散热板与字符1纹理非常相近)，因此利用灰度特征时表现(例如，车牌字符的预测)较差；同样的，颜色特征输入的是每个目标字符分割块的颜色统计信息(例如，颜色矩)，对颜色信息少的目标字符分割块的表现较差；同样的，笔道特征需要对每个目标字符分割块进行二值化处理，所以对于对比度过差的图像而言就会表现较差。所以，为了避免采用单一特征在不同情况下的表现不好的问题，考虑针对每个目标字符分割块分别计算多个特征。
在本发明的一种具体实施例中，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征中包括灰度特征时，针对灰度特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的灰度特征对应的置信度的步骤，可以包括：
(1)获得每个目标字符分割块的灰度图像的一维灰度特征向量。
具体的，可以根据以下方式来获得每个目标字符分割块的灰度图像的一维灰度特征向量，如下：
1)获得每个待预测的字符分割块的灰度图像，将该灰度图像进行图像缩放处理，将缩放后的图像归一化为图像尺寸为a*b；
2)将每个待预测的字符分割块归一化后的图像中的全部像素点的灰度值，组合为一个长度为L＝a*b的一维灰度特征向量。
需要说明的是，上述仅仅是举例，本发明不需要对获得每个字符分割块的灰度图形的一维灰度特征向量的具体方式进行限定，本领域内的技术人员需要根据实际应用情况进行设置。
(2)将一维灰度特征向量输入至预先建立的第一层的第一车牌字符预测子模型中，获得第一置信度。
其中，第一层的第一车牌字符预测子模型为，基于从预定的第一车牌字符分割块样本中提取的各个字符分割块的灰度特征，采用人工神经网络ANN算法训练得到的用于预测字符分割块中包含异常车牌字符的预测模型。
其中，第一置信度为第一层的第一车牌字符预测子模型的输出层中表示包含异常车牌字符概率的激活值。
和/或，
(3)获得每个目标字符分割块的灰度图像的一维灰度特征向量。
(4)将一维灰度特征向量输入至预先建立的第一层的第二车牌字符预测子模型中，获得第二置信度。
其中，第一层的第二车牌字符预测子模型为，基于从预定的第二车牌字符分割块样本中提取的各个字符分割块的灰度特征，采用人工神经网络ANN算法训练得到的用于预测字符分割块中包含正常车牌字符的预测模型。
其中，第二置信度为第一层的第二车牌字符预测子模型的输出层中用于表示包含异常车牌字符概率的激活值。
在本发明的另一种具体实施例中，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征包括颜色分布特征时，针对颜色分布特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的颜色分布特征对应的置信度的步骤，可以包括：
(1)计算每个目标字符分割块的颜色矩。
(2)基于该第一层的第一车牌字符预测子模型和第一层的第二车牌字符预测子模型，获得每个目标字符分割块包含正常车牌字符概率的激活值。
(3)按照目标字符分割块中包含正常车牌字符概率由高到低的顺序，获得具有概率值最高的前3个目标字符分割块的颜色矩，标记为A1、A2、A3；计算该3个目标字符分割块两两之间的颜色矩距离，标记为L12、L23、L31。
(4)根据两两之间的颜色矩距离L12、L23、L31，获得用于衡量N个目标字符分割块的颜色矩距离偏差程度的标准值。
(5)计算每个目标字符分割块的颜色矩距离与所获得的标准值的偏差值，记为ΔL1至ΔL7，根据预设的颜色矩距离偏差值阈值，获得每个目标字符分割块的颜色矩距离的偏差程度。
(6)根据所述偏差程度，获得每个目标字符分割块中包含异常车牌字符的概率，并将其确定为颜色分布特征对应的第三置信度。
在本发明的另一种具体实施例中，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征为笔道特征时，针对笔道特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的笔道特征对应的置信度的步骤，可以包括：
(1)获得每个目标字符分割块的二值化图像。
(2)判断待检测的车牌图像对应的待检测车牌为浅色车牌时，进行反色处理。
其中，车牌底色为蓝色或黑色的为深色车牌；车牌底色为黄色或白色的为浅色车牌。
需要说明的是，由于车牌底色与字符颜色的对比度不同，当进行步骤(1)的二值化处理后，对于深色车牌的二值化结果为“黑底白字”，而对于浅色车牌的二值化结果为“白底黑字”。因此，为了能够对所有颜色的车牌图像的目标字符分割块进行统一处理，需要对浅色的待检测车牌对应的每个目标字符分割块进行反色处理，即统一为“黑底白字”。
(3)对反色处理后的二值化图像进行定向图像腐蚀处理。
(4)按照预定顺序，逐行扫描腐蚀处理后的目标字符分割块后，得到每一行像素点的二值数据，基于所述二值数据，获得每个目标字符分割块的每一行像素点中包含的笔道数量以及各个笔道的宽度。
(5)判断所获得的每个笔道是否为有效笔道：当所获得的各个笔道的宽度位于预设的笔道宽度范围内，确定为有效笔道，否则，确定为无效笔道。
(6)将所述每个目标字符分割块划分成上下两部分图像区域，获得各个图像区域中的像素点的总行数并记为NU和ND，统计各个图像区域中包含有效笔道的行数并记为NU′和ND′。
(7)根据公式(NU′/NU)*(ND′/ND)获得所述笔道特征对应的第四置信度。
下面结合一个具体实例，对每个目标字符分割块的笔道特征对应的置信度进行说明。
假设：待检测的车牌图像对应的待检测车牌为黄色车牌。
假设，预设的笔道宽度范围为：max[2，0.1*W]～0.4*W，其中，W为每个目标字符分割块宽度。
首先，对待检测的车牌图像的每个目标字符分割块进行二值化处理；
然后，对每个目标字符分割块进行反色处理；
接着，对反色处理后的二值化图像利用如下核进行垂直方向和对角线方向的定向腐蚀操作；
假设某一目标字符分割块的某行有效笔道数，且该行像素点的二值数据为：0001111100001100，显然，可以获得两个笔道“11111”、“11”，且所获得的每个笔道的宽度分别为5、2。显然，该目标字符分割块的该行图像块宽W为16，则有效笔道数为5、2。
将该目标字符分割块分为上下两部分，假设：上半部分图像区域包含10行像素点，下半部分包含11行像素点，且上半部分图像区域具有7行包含有效笔道数的有效行，下半部分图像区域具有8行包含有效笔道数的有效行。于是，计算得到基于笔道特征的第四置信度＝(7/10)*(8/11)*1000＝509，其中，第四置信度为归一化到[0，1000]的置信度。
步骤S103：基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果。
在本发明的一种优选的实施方式中，步骤S103可以包括以下步骤：
(1)基于第一层的多个车牌字符预测子模型，获得多个置信度；
(2)将所获得的多个置信度进行归一化处理，并根据归一化后的多个置信度生成一个置信度向量；
(3)将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，获得所述置信度向量中各个向量元素的权值，并根据所获得的权值对各个向量元素进行运算后，获得每个目标字符分割块的预测结果；其中，所述第二层的车牌字符预测子模型为采用支持向量机SVM算法训练得到的，其预测结果为输入至第二层的车牌字符预测子模型中的置信度向量中各个向量元素的权值。
需要说明的是，通过这种两层结构的车牌字符预测模型，可以避免某些个例的预测错误的问题。
举例而言，对于某个异常字符，第一层的多个车牌字符预测子模型中Model1、Mode2、Mode3的预测结果显示：待检测的目标字符分割块有60％的可能性为正常字符，40％的可能性为异常字符，而第一层的多个车牌字符预测子模型中Model4的预测结果显示：待检测的目标字符分割块有90％的可能性为异常字符，10％的可能性是正常字符。假设Model1、Mode2、Mode3的预测结果为错误的，而仅有Model4的预测结果为正确的。由于训练第二层的车牌字符预测子模型的最主要的目的就是判断这种“相互矛盾”的第一层的预测结果，因此，将第一层的预测结果输入至第二层的车牌字符预测子模型后，可以使得最终的预测结果：待检测的目标字符分割块包含异常字符，即预测结果为正确的。倘若采用单一特征的话，则有3/4的可能会得出错误的预测结果，显然，本发明中的基于多种特征的方案能够避免这种情况下的预测错误的问题。
步骤S104：当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定所述待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌。
应用本发明实施例，基于待检测的车牌图像的多种特征对其进行分割，并结合按照不同特征进行分割获得的候选分割，与基于单特征对待检测的车牌图像的分割比较而言，显然提高了对待检测的车牌图像进行车牌字符分割的准确率；同时，通过第二层的车牌字符预测子模型综合考虑了每个目标字符分割块利用多种特征进行预测的预测结果，与基于单特征对每个目标字符分割块进行预测而言，显然提高了对每个目标字符分割块进行预测的准确率，从而，提高了对待检测的车牌图像对应的车牌是否为异常车牌的检测的准确率。
图3为本发明实施例提供的一种用于对车牌进行检测的摄像机的结构示意图，应用于车牌检测系统，可以包括：视频采集模块210、第一处理器220和存储器230。
其中，视频采集模块210，用于获得包含车牌图像的抓拍帧图像。
第一处理器220，用于从所述抓拍帧图像中提取车牌图像；基于该车牌图像的纹理特征，对该车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于该车牌图像的区域特征，对该车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与该第二类候选分割块的位置信息，从该第二类候选分割块中筛选出与该第一类候选分割块具有重叠区域的第三类候选分割块；将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得待检测的车牌图像中与所说的N个车牌字符位对应的N个目标字符分割块的位置信息；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌。
存储器230，用于存储包含车牌图像的抓拍帧图像；所说的抓拍帧图像可以包括：由视频采集模块210采集的实时的抓拍帧图像，或，预先存储的抓拍帧图像。
图4为本发明实施例提供的一种用于对车牌字符进行分割的摄像机的结构示意图，应用于车牌检测系统，可以包括：视频采集模块310、第二处理器320和存储器330。
其中，视频采集模块310，用于获得包含车牌图像的抓拍帧图像。
第二处理器320，用于从所述抓拍帧图像中提取车牌图像；基于该车牌图像的纹理特征，对该车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于该车牌图像的区域特征，对该车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与该第二类候选分割块的位置信息，从该第二类候选分割块中筛选出与该第一类候选分割块具有重叠区域的第三类候选分割块；将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得待检测的车牌图像中与所说的N个车牌字符位对应的N个目标字符分割块的位置信息。
存储器330，用于存储包含车牌图像的抓拍帧图像；所说的抓拍帧图像可以包括：由视频采集模块310采集的实时的抓拍帧图像，或，预先存储的抓拍帧图像。
图5为本发明实施例提供的一种用于对车牌进行预测的摄像机的结构示意图，应用于车牌检测系统，可以包括：视频采集模块410、第三处理器420和存储器430。
其中，视频采集模块410，用于获得包含车牌图像的抓拍帧图像。
第三处理器420，用于从所述抓拍帧图像中提取车牌图像；获得待检测的车牌图像的N个目标字符分割块；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；其中，所说的多个特征为灰度特征、颜色分布特征或笔道特征中的至少2种；基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌。
存储器430，用于存储包含车牌图像的抓拍帧图像；所说的抓拍帧图像可以包括：由视频采集模块410采集的实时的抓拍帧图像，或，预先存储的抓拍帧图像。
应用本发明实施例，提高了对待检测的车牌图像进行车牌字符分割的准确率；同时，也提高了对每个目标字符分割块进行预测的准确率，从而，提高了对待检测的车牌图像对应的车牌是否为异常车牌的检测的准确率。
图6为本发明实施例提供的一种用于对车牌进行检测的服务器的结构示意图，应用于车牌检测系统，可以包括：通信接口510、第四存储器520和处理器530。
其中，通信接口510，用于与车牌检测系统中的摄像机进行数据通信。
存储器520，用于存储通过通信接口510接收摄像机发送的抓拍帧图像；所说的抓拍帧图像可以包括：由摄像机发送的抓拍帧图像，或，预先存储的摄像机发送的抓拍帧图像。
第四处理器530，用于从所述抓拍帧图像中提取车牌图像；基于该车牌图像的纹理特征，对该车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于该车牌图像的区域特征，对该车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与该第二类候选分割块的位置信息，从该第二类候选分割块中筛选出与该第一类候选分割块具有重叠区域的第三类候选分割块；将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得待检测的车牌图像中与所说的N个车牌字符位对应的N个目标字符分割块的位置信息；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌。
图7为本发明实施例提供的一种用于对车牌字符进行分割的服务器的结构示意图，应用于车牌检测系统，可以包括：通信接口610、存储器620和第五处理器630。
其中，通信接口610，用于与车牌检测系统中的摄像机进行数据通信。
存储器620，用于存储通过通信接口610接收摄像机发送的抓拍帧图像；所说的抓拍帧图像可以包括：由摄像机发送的实时的抓拍帧图像，或，预先存储的摄像机发送的抓拍帧图像。
第五处理器630，用于从所述抓拍帧图像中提取车牌图像；基于该车牌图像的纹理特征，对该车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于该车牌图像的区域特征，对该车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与该第二类候选分割块的位置信息，从该第二类候选分割块中筛选出与该第一类候选分割块具有重叠区域的第三类候选分割块；将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得待检测的车牌图像中与所说的N个车牌字符位对应的N个目标字符分割块的位置信息。
图8为本发明实施例提供的一种用于对车牌进行预测的服务器的结构示意图，应用于车牌检测系统，可以包括：通信接口710、存储器720和第六处理器730。
其中，通信接口710，用于与车牌检测系统中的摄像机进行数据通信。
存储器720，用于存储通过通信接口710接收摄像机发送的抓拍帧图像；所说的抓拍帧图像可以包括：由摄像机发送的实时的抓拍帧图像，或，预先存储的摄像机发送的抓拍帧图像。
第六处理器730，用于从所述抓拍帧图像中提取车牌图像；获得待检测的车牌图像的N个目标字符分割块；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌。
应用本发明实施例，提高了对待检测的车牌图像进行车牌字符分割的准确率；同时，也提高了对每个目标字符分割块进行预测的准确率，从而，提高了对待检测的车牌图像对应的车牌是否为异常车牌的检测的准确率。
对于摄像机或服务器的实施例而言，由于其基本相似于方法实施例，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。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (11)
1.一种车牌检测方法，其特征在于，所述方法包括：
获得待检测的车牌图像的N个目标字符分割块；
针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；其中，所述多个特征为灰度特征、颜色分布特征或笔道特征中的至少2种；
基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；
当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定所述待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌；
所述获得待检测的车牌图像的N个目标字符分割块，包括：
获得待检测的车牌图像；
基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；
基于所述车牌图像的区域特征，对所述车牌图像进行第二次车牌字符分割，获得第二类候选分割块；
根据所获得的第一类候选分割块与所述第二类候选分割块的位置信息，从所述第二类候选分割块中筛选出与所述第一类候选分割块具有重叠区域的第三类候选分割块；
将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得所述待检测的车牌图像中与所述N个车牌字符位对应的N个目标字符分割块的位置信息。
2.根据权利要求1所述的方法，其特征在于，所述标准车牌图像模板，包括：
预先获得各类符合国家标准的标准车牌的车牌图像中的N个车牌字符位的位置信息，将携带有N个车牌字符位的标准车牌的车牌图像作为标准车牌图像模板。
3.根据权利要求1所述的方法，其特征在于，所述基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块，包括：
利用LBP纹理特征提取算法，提取待检测的车牌图像的纹理特征；
将提取的纹理特征输入至预先建立的第一分割模型中，获得多个初级分割块；其中，所述第一分割模型为：基于从预定的车牌图像样本中提取的各个车牌图像的纹理特征，采用自适应提升算法Adaboost算法训练得到的分割模型；
对所获得的多个初级分割块进行合并处理，获得第一类候选分割块。
4.根据权利要求1所述的方法，其特征在于，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征中包括灰度特征时，针对灰度特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的灰度特征对应的置信度的步骤，包括：
获得每个目标字符分割块的灰度图像的一维灰度特征向量；
将所述一维灰度特征向量输入至预先建立的第一层的第一车牌字符预测子模型中，获得第一置信度；其中，所述第一层的第一车牌字符预测子模型为，基于从预定的第一车牌字符分割块样本中提取的各个字符分割块的灰度特征，采用人工神经网络ANN算法训练得到的用于预测字符分割块中包含异常车牌字符的预测模型；所述第一置信度为所述第一层的第一车牌字符预测子模型的输出层中表示包含异常车牌字符概率的激活值；
和/或，
获得每个目标字符分割块的灰度图像的一维灰度特征向量；
将所述一维灰度特征向量输入至预先建立的第一层的第二车牌字符预测子模型中，获得第二置信度；其中，所述第一层的第二车牌字符预测子模型为，基于从预定的第二车牌字符分割块样本中提取的各个字符分割块的灰度特征，采用人工神经网络ANN算法训练得到的用于预测字符分割块中包含正常车牌字符的预测模型；所述第二置信度为所述第一层的第二车牌字符预测子模型的输出层中用于表示包含异常车牌字符概率的激活值。
5.根据权利要求4所述的方法，其特征在于，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征包括颜色分布特征时，针对颜色分布特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的颜色分布特征对应的置信度的步骤，包括：
计算每个目标字符分割块的颜色矩；
基于所述第一层的第一车牌字符预测子模型和第一层的第二车牌字符预测子模型，获得每个目标字符分割块包含正常车牌字符概率的激活值；
按照目标字符分割块中包含正常车牌字符概率由高到低的顺序，获得具有概率值最高的前3个目标字符分割块的颜色矩，标记为A1、A2、A3；计算所述3个目标字符分割块两两之间的颜色矩距离，标记为L12、L23、L31；
根据所述两两之间的颜色矩距离L12、L23、L31，获得用于衡量N个目标字符分割块的颜色矩距离偏差程度的标准值；
计算每个目标字符分割块的颜色矩距离与所获得的标准值的偏差值，记为ΔL1至ΔL7，根据预设的颜色矩距离偏差值阈值，获得每个目标字符分割块的颜色矩距离的偏差程度；
根据所述偏差程度，获得每个目标字符分割块中包含异常车牌字符的概率，并将其确定为颜色分布特征对应的第三置信度。
6.根据权利要求1所述的方法，其特征在于，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征为笔道特征时，针对笔道特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的笔道特征对应的置信度的步骤，包括：
获得每个目标字符分割块的二值化图像；
判断待检测的车牌图像对应的待检测车牌为浅色车牌时，进行反色处理；
对反色处理后的二值化图像进行定向图像腐蚀处理；
按照预定顺序，逐行扫描腐蚀处理后的目标字符分割块后，得到每一行像素点的二值数据，基于所述二值数据，获得每个目标字符分割块的每一行像素点中包含的笔道数量以及各个笔道的宽度；
判断所获得的每个笔道是否为有效笔道：当所获得的各个笔道的宽度位于预设的笔道宽度范围内，确定为有效笔道，否则，确定为无效笔道；
将所述每个目标字符分割块划分成上下两部分图像区域，获得各个图像区域中的像素点的总行数并记为NU和ND，统计各个图像区域中包含有效笔道的行数并记为NU′和ND′；
根据公式(NU′/NU)*(ND′/ND)获得所述笔道特征对应的第四置信度。
7.根据权利要求1所述的方法，其特征在于，所述基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果，包括：
基于第一层的多个车牌字符预测子模型，获得多个置信度；
将所获得的多个置信度进行归一化处理，并根据归一化后的多个置信度生成一个置信度向量；
将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，获得所述置信度向量中各个向量元素的权值，并根据所获得的权值对各个向量元素进行运算后，获得每个目标字符分割块的预测结果；其中，所述第二层的车牌字符预测子模型为采用支持向量机SVM算法训练得到的，其预测结果为输入至第二层的车牌字符预测子模型中的置信度向量中各个向量元素的权值。
8.一种用于对车牌进行检测的摄像机，其特征在于，应用于车牌检测系统，包括：视频采集模块、第一处理器和存储器；其中，
所述的视频采集模块，用于获得包含车牌图像的抓拍帧图像；
所述的第一处理器，用于从所述抓拍帧图像中提取车牌图像；基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于所述车牌图像的区域特征，对所述车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与所述第二类候选分割块的位置信息，从所述第二类候选分割块中筛选出与所述第一类候选分割块具有重叠区域的第三类候选分割块；将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得待检测的车牌图像中与所述N个车牌字符位对应的N个目标字符分割块的位置信息；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定所述待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌；
所述的存储器，用于存储包含车牌图像的抓拍帧图像；所述抓拍帧图像包括：由所述的视频采集模块采集的实时的抓拍帧图像，或，预先存储的抓拍帧图像。
9.一种用于对车牌字符进行分割的摄像机，其特征在于，应用于车牌检测系统，包括：视频采集模块、第二处理器和存储器；其中，
所述的视频采集模块，用于获得包含车牌图像的抓拍帧图像；
所述的第二处理器，用于从所述抓拍帧图像中提取车牌图像；基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于所述车牌图像的区域特征，对所述车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与所述第二类候选分割块的位置信息，从所述第二类候选分割块中筛选出与所述第一类候选分割块具有重叠区域的第三类候选分割块；将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得待检测的车牌图像中与所述N个车牌字符位对应的N个目标字符分割块的位置信息；
所述的存储器，用于存储包含车牌图像的抓拍帧图像；所述抓拍帧图像包括：由所述的视频采集模块采集的实时的抓拍帧图像，或，预先存储的抓拍帧图像。
10.一种用于对车牌进行检测的服务器，其特征在于，应用于车牌检测系统，包括：通信接口、存储器和第四处理器；其中，
所述的通信接口，用于与车牌检测系统中的摄像机进行数据通信；
所述的存储器，用于存储通过通信接口接收摄像机发送的抓拍帧图像；所述抓拍帧图像包括：由所述的摄像机发送的实时的抓拍帧图像，或，预先存储的摄像机发送的抓拍帧图像；
所述的第四处理器，用于从所述抓拍帧图像中提取车牌图像；基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于所述车牌图像的区域特征，对所述车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与所述第二类候选分割块的位置信息，从所述第二类候选分割块中筛选出与所述第一类候选分割块具有重叠区域的第三类候选分割块；将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得待检测的车牌图像中与所述N个车牌字符位对应的N个目标字符分割块的位置信息；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定所述待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌。
11.一种用于对车牌字符进行分割的服务器，其特征在于，应用于车牌检测系统，包括：通信接口、存储器和第五处理器；其中，
所述的通信接口，用于与车牌检测系统中的摄像机进行数据通信；
所述的存储器，用于存储通过通信接口接收摄像机发送的抓拍帧图像；所述抓拍帧图像包括：由所述的摄像机发送的实时的抓拍帧图像，或，预先存储的摄像机发送的抓拍帧图像；
所述的第五处理器，用于从所述抓拍帧图像中提取车牌图像；基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于所述车牌图像的区域特征，对所述车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与所述第二类候选分割块的位置信息，从所述第二类候选分割块中筛选出与所述第一类候选分割块具有重叠区域的第三类候选分割块；将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得待检测的车牌图像中与所述N个车牌字符位对应的N个目标字符分割块的位置信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510764817.0A CN106683073B (zh) | 2015-11-11 | 2015-11-11 | 一种车牌的检测方法及摄像机和服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510764817.0A CN106683073B (zh) | 2015-11-11 | 2015-11-11 | 一种车牌的检测方法及摄像机和服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106683073A CN106683073A (zh) | 2017-05-17 |
| CN106683073B true CN106683073B (zh) | 2020-02-18 |
Family
ID=58864967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510764817.0A Active CN106683073B (zh) | 2015-11-11 | 2015-11-11 | 一种车牌的检测方法及摄像机和服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106683073B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107301385B (zh) * | 2017-06-09 | 2020-05-19 | 浙江宇视科技有限公司 | 一种遮挡车牌识别方法及装置 |
| CN109034158B (zh) * | 2017-06-09 | 2021-03-26 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及计算机设备 |
| CN110135416B (zh) * | 2018-02-09 | 2021-06-04 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
| CN109636779B (zh) * | 2018-11-22 | 2021-02-19 | 华南农业大学 | 识别家禽体积体尺的方法、装置及存储介质 |
| CN111340261B (zh) * | 2018-12-03 | 2023-07-18 | 北京嘀嘀无限科技发展有限公司 | 判定订单违规行为的方法、系统、计算机设备及存储介质 |
| CN109887276B (zh) * | 2019-01-30 | 2020-11-03 | 北京同方软件有限公司 | 基于前景提取与深度学习融合的夜间交通拥堵检测方法 |
| CN109903296B (zh) * | 2019-02-15 | 2021-06-01 | 领航基因科技（杭州）有限公司 | 一种基于LBP-Adaboost算法的数字PCR液滴检测方法 |
| CN111723623B (zh) * | 2019-03-22 | 2024-06-18 | 杭州海康威视数字技术股份有限公司 | 一种检测平台的方法及装置 |
| CN111881741B (zh) * | 2020-06-22 | 2024-06-14 | 浙江大华技术股份有限公司 | 车牌识别方法、装置、计算机设备和计算机可读存储介质 |
| CN113724214B (zh) * | 2021-08-23 | 2024-02-23 | 唯智医疗科技(佛山)有限公司 | 一种基于神经网络的图像处理方法及装置 |
| CN115841490B (zh) * | 2023-02-23 | 2023-05-09 | 山东泗水山岭石材厂 | 基于图像处理的采矿过程矿石颗粒分割方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101303803A (zh) * | 2008-06-11 | 2008-11-12 | 北京中星微电子有限公司 | 一种车牌识别的方法和系统 |
| CN101937508A (zh) * | 2010-09-30 | 2011-01-05 | 湖南大学 | 一种基于高清图像的车牌定位与识别方法 |
| CN103390156A (zh) * | 2012-11-05 | 2013-11-13 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别方法及装置 |
| CN103824066A (zh) * | 2014-03-18 | 2014-05-28 | 厦门翼歌软件科技有限公司 | 一种基于视频流的车牌识别方法 |
| CN104268596A (zh) * | 2014-09-25 | 2015-01-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别器及其车牌检测方法与系统 |
| US8934676B2 (en) * | 2012-05-04 | 2015-01-13 | Xerox Corporation | Robust character segmentation for license plate images |
| CN104463134A (zh) * | 2014-12-19 | 2015-03-25 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法和系统 |
| CN104463220A (zh) * | 2014-12-19 | 2015-03-25 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法和系统 |
-
2015
- 2015-11-11 CN CN201510764817.0A patent/CN106683073B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101303803A (zh) * | 2008-06-11 | 2008-11-12 | 北京中星微电子有限公司 | 一种车牌识别的方法和系统 |
| CN101937508A (zh) * | 2010-09-30 | 2011-01-05 | 湖南大学 | 一种基于高清图像的车牌定位与识别方法 |
| US8934676B2 (en) * | 2012-05-04 | 2015-01-13 | Xerox Corporation | Robust character segmentation for license plate images |
| CN103390156A (zh) * | 2012-11-05 | 2013-11-13 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别方法及装置 |
| CN103824066A (zh) * | 2014-03-18 | 2014-05-28 | 厦门翼歌软件科技有限公司 | 一种基于视频流的车牌识别方法 |
| CN104268596A (zh) * | 2014-09-25 | 2015-01-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别器及其车牌检测方法与系统 |
| CN104463134A (zh) * | 2014-12-19 | 2015-03-25 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法和系统 |
| CN104463220A (zh) * | 2014-12-19 | 2015-03-25 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| License Plate Character Segmentation Based on the Gabor Transform and Vector Quantization;Fatih Kahraman;《Computer and Information Science-ISCIS 2003》;20150110;全文 * |
| 基于置信度传播算法的车牌分割;张晓东;《硅谷》;20121024;全文 * |
| 车牌定位与车牌字符识别技术研究;刘锤;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120115;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106683073A (zh) | 2017-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106683073B (zh) | 一种车牌的检测方法及摄像机和服务器 | |
| CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
| CN109241985B (zh) | 一种图像识别方法及装置 | |
| CN106845478B (zh) | 一种字符置信度的二次车牌识别方法及装置 | |
| CN109644255B (zh) | 标注包括一组帧的视频流的方法和装置 | |
| US8867828B2 (en) | Text region detection system and method | |
| US10423852B1 (en) | Text image processing using word spacing equalization for ICR system employing artificial neural network | |
| US9489561B2 (en) | Method and system for estimating fingerprint pose | |
| CN104200210B (zh) | 一种基于部件的车牌字符分割方法 | |
| CN111680746B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
| CN111160169B (zh) | 人脸检测方法、装置、设备及计算机可读存储介质 | |
| CN110781877B (zh) | 一种图像识别方法、设备及存储介质 | |
| CN107480585B (zh) | 基于dpm算法的目标检测方法 | |
| US11900676B2 (en) | Method and apparatus for detecting target in video, computing device, and storage medium | |
| WO2019232850A1 (zh) | 手写汉字图像识别方法、装置、计算机设备及存储介质 | |
| CN111507957B (zh) | 身份证图片转换方法、装置、计算机设备及存储介质 | |
| Sharma et al. | A hybrid technique for license plate recognition based on feature selection of wavelet transform and artificial neural network | |
| CN110689003A (zh) | 低照度成像车牌识别方法、系统、计算机设备及存储介质 | |
| WO2024139287A1 (zh) | 道路病害预测方法、装置、电子设备及存储介质 | |
| CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
| CN111178359A (zh) | 车牌号码识别方法、装置和设备及计算机存储介质 | |
| Katsamenis et al. | A few-shot attention recurrent residual U-Net for crack segmentation | |
| KR102489884B1 (ko) | 차량 번호판 인식율 개선을 위한 이미지 처리 장치 및 이를 이용한 이미지 처리 방법 | |
| CN111091056A (zh) | 图像中的墨镜识别方法及装置、电子设备、存储介质 | |
| CN116152758A (zh) | 一种智能实时事故检测及车辆跟踪方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |