CN106845482A - 一种车牌定位方法 - Google Patents
一种车牌定位方法 Download PDFInfo
- Publication number
- CN106845482A CN106845482A CN201710058093.7A CN201710058093A CN106845482A CN 106845482 A CN106845482 A CN 106845482A CN 201710058093 A CN201710058093 A CN 201710058093A CN 106845482 A CN106845482 A CN 106845482A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- region
- angle point
- locating method
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- 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
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车牌定位方法。该方法首先对车辆图像进行预处理,去除噪点并锐化;然后检测图像中存在较多角点的区域以确定候选车牌区域;最后通过卷积神经网络从候选车牌区域中筛选出预测的车牌区域。本发明通过角点检测与卷积神经网络相结合的车牌定位方法,既解决在复杂环境下的车牌定位问题,而且提高车牌定位的准确度。
Description
技术领域
本发明属于目标识别技术领域,特别涉及了一种车牌定位方法。
背景技术
随着智能交通的快速发展,车牌识别技术被广泛应用于停车管理、交通控制管理和车辆追踪系统中,因此对于车牌识别的要求也日益提高。车牌定位作为车牌识别中关键的一环,它直接影响到了车牌识别系统的准确度。车牌识别中利用的传统车牌定位方法在低光照或者其他复杂环境下效果大打折扣,直接导致了车牌识别准确率的下降。
目前车牌定位方法根据检测的内容的不同,可以将其分为两种,其一是基于垂直边缘检测的车牌定位方法,其二是颜色区分与边缘特征结合的车牌定位方法。对于基于垂直边缘检测的车牌定位方法,它先进行二值化处理再进行垂直边缘检测,选出候选车牌再从中筛选真正的车牌图像,由于一些车辆形态本身存在很多垂直边缘,对正常的车牌定位产生了干扰;对于颜色区分与边缘特征结合的车牌定位方法,通过提取图像中指定颜色作为车牌候选区域,再利用特定的边缘特征来分割候选区域,最后筛选出正确的车牌,此种方法对于车身颜色与车牌颜色相接近的车辆时,无法准确截取出车牌候选区域,导致无法定位到车牌。
发明内容
为了解决上述背景技术提出的技术问题,本发明旨在提供一种车牌定位方法,通过角点检测与卷积神经网络相结合的车牌定位方法,既解决在复杂环境下的车牌定位问题,而且提高车牌定位的准确度。
为了实现上述技术目的,本发明的技术方案为:
一种车牌定位方法,包括以下步骤:
(1)采集车辆图像,去除图像噪点,并对图像进行锐化;
(2)使用角点检测器定位图像上的角点;
(3)通过检测出的角点,寻找角点集中的区域作为候选车牌区域;
(4)将训练数据集输入卷积神经网络中,训练出车牌定位模型;将步骤(3)得到的候选车牌区域输入车牌定位模型中,筛选出最大可能性的候选车牌区域作为最终预测的车牌区域。
进一步地,步骤(2)的具体步骤如下:
(a)定义步骤(1)采集的图像为I,图像上(x,y)像素点为I(x,y),设移动距离(u,v),计算所移动的区域内像素亮度变化的最大值:
(b)对E(u,v)进行泰勒展开:
上式中,Ix、Iy为I在x轴与y轴方向的偏导数;
(c)令计算M的特征值λ1,λ2;
(d)计算R=λ1λ2-k(λ1-λ2)2,k为常数,若R≥t,则判定所移动的区域内存在角点,t为预先设定的阈值。
进一步地,步骤(3)的具体过程如下:
根据步骤(2)获取角点的分布情况,在图像上设置对称线,使对称线两侧的角点数量保持大致相等,沿垂直于对称线的方向移动,将移动距离最小且含有角点数量最多的区域作为候选车牌区域。
进一步地,在步骤(4)中,训练车牌定位模型的具体过程如下:
选择含有车辆的图像集,找到图像集中每张图像中的车牌位置,记录车牌左上角角点坐标和右下角角点坐标,计算两者的偏移量,保存车牌左上角角点坐标、和两者的偏移量,构成训练数据集,输入卷积神经网络中进行训练,得到车牌定位模型。
进一步地,在步骤(1)中,采用高斯模糊去除图像噪点。
采用上述技术方案带来的有益效果:
(1)本发明采用角点定位与垂直交线相结合获取候选车牌区域时,可以有效排除特定车型中自身携带的垂直边缘所带来的干扰,提高特殊情况下的定位准确度;
(2)本发明采用了卷积神经网络来进行最后的车牌区域筛选,相比传统的定位算法,如SVM,卷积神经网络具有更高的准确度,解决了复杂环境下车牌定位不准确的问题;
(3)本发明在图像预处理时简化了二值化操作,减少了CPU资源的消耗,提高了定位速度,做到更高的实时性。
附图说明
图1是本发明的整体流程图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
一种车牌定位方法,如图1所示,包括以下步骤:
步骤1:采集车辆图像,通过高斯模糊来去除图像噪点,并对图像进行锐化、突出角点。
步骤2:使用角点检测器定位图像上的角点。
(a)定义步骤1采集的图像为I,图像上(x,y)像素点为I(x,y),设移动距离(u,v),计算所移动的区域内像素亮度变化的最大值:
(b)对E(u,v)进行泰勒展开:
上式中,Ix、Iy为I在x轴与y轴方向的偏导数;
(c)令计算M的特征值λ1,λ2;
(d)计算R=λ1λ2-k(λ1-λ2)2,k为常数,若R≥t,则判定所移动的区域内存在角点,t为预先设定的阈值。
步骤3:通过检测出的角点,寻找角点集中的区域作为候选车牌区域。
根据步骤2获取角点的分布情况,在图像上设置对称线,使对称线两侧的角点数量保持大致相等,沿垂直于对称线的方向移动,将移动距离最小且含有角点数量最多的区域作为候选车牌区域。
步骤4:将训练数据集输入卷积神经网络中,训练出车牌定位模型。
选择含有车辆的图像集,找到图像集中每张图像中的车牌位置,记录车牌左上角角点坐标和右下角角点坐标,计算两者的偏移量,保存车牌左上角角点坐标和两者的偏移量,构成训练数据集,输入卷积神经网络中进行训练,得到车牌定位模型。
将步骤3得到的候选车牌区域输入车牌定位模型中,筛选出最大可能性的候选车牌区域作为最终预测的车牌区域。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (5)
1.一种车牌定位方法,其特征在于,包括以下步骤:
(1)采集车辆图像,去除图像噪点,并对图像进行锐化;
(2)使用角点检测器定位图像上的角点;
(3)通过检测出的角点,寻找角点集中的区域作为候选车牌区域;
(4)将训练数据集输入卷积神经网络中,训练出车牌定位模型;将步骤(3)得到的候选车牌区域输入车牌定位模型中,筛选出最大可能性的候选车牌区域作为最终预测的车牌区域。
2.根据权利要求1所述一种车牌定位方法,其特征在于,步骤(2)的具体步骤如下:
(a)定义步骤(1)采集的图像为I,图像上(x,y)像素点为I(x,y),设移动距离(u,v),计算所移动的区域内像素亮度变化的最大值:
(b)对E(u,v)进行泰勒展开:
上式中,Ix、Iy为I在x轴与y轴方向的偏导数;
(c)令计算M的特征值λ1,λ2;
(d)计算R=λ1λ2-k(λ1-λ2)2,k为常数,若R≥t,则判定所移动的区域内存在角点,t为预先设定的阈值。
3.根据权利要求1所述一种车牌定位方法,其特征在于,步骤(3)的具体过程如下:
根据步骤(2)获取角点的分布情况,在图像上设置对称线,使对称线两侧的角点数量保持大致相等,沿垂直于对称线的方向移动,将移动距离最小且含有角点数量最多的区域作为候选车牌区域。
4.根据权利要求1所述一种车牌定位方法,其特征在于:在步骤(4)中,训练车牌定位模型的具体过程如下:
选择含有车辆的图像集,找到图像集中每张图像中的车牌位置,记录车牌左上角角点坐标和右下角角点坐标,计算两者的偏移量,保存车牌左上角角点坐标和两者的偏移量,构成训练数据集,输入卷积神经网络中进行训练,得到车牌定位模型。
5.根据权利要求1所述一种车牌定位方法,其特征在于:在步骤(1)中,采用高斯模糊去除图像噪点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710058093.7A CN106845482A (zh) | 2017-01-23 | 2017-01-23 | 一种车牌定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710058093.7A CN106845482A (zh) | 2017-01-23 | 2017-01-23 | 一种车牌定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106845482A true CN106845482A (zh) | 2017-06-13 |
Family
ID=59121735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710058093.7A Pending CN106845482A (zh) | 2017-01-23 | 2017-01-23 | 一种车牌定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845482A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578439A (zh) * | 2017-07-19 | 2018-01-12 | 阿里巴巴集团控股有限公司 | 生成目标图像的方法、装置及设备 |
CN108182376A (zh) * | 2017-11-15 | 2018-06-19 | 浙江工业大学 | 一种基于车窗角点检测的车窗定位方法 |
CN109215358A (zh) * | 2018-08-16 | 2019-01-15 | 武汉元鼎创天信息科技有限公司 | 基于全息投影技术的城市信号交叉口安全导向方法和系统 |
CN110837779A (zh) * | 2019-10-12 | 2020-02-25 | 平安科技(深圳)有限公司 | 车辆外观智能诊断方法、装置及计算机可读存储介质 |
CN111666938A (zh) * | 2020-05-21 | 2020-09-15 | 珠海大横琴科技发展有限公司 | 一种基于深度学习的两地双车牌检测识别方法及系统 |
CN112101165A (zh) * | 2020-09-07 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 兴趣点识别方法、装置、计算机设备和存储介质 |
CN113792732A (zh) * | 2021-09-15 | 2021-12-14 | 欧冶链金再生资源有限公司 | 一种确定目标车辆车厢的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996292A (zh) * | 2014-05-29 | 2014-08-20 | 南京新奕天科技有限公司 | 一种基于角点匹配的运动车辆跟踪方法 |
CN106022232A (zh) * | 2016-05-12 | 2016-10-12 | 成都新舟锐视科技有限公司 | 基于深度学习的车牌检测方法 |
CN106096607A (zh) * | 2016-06-12 | 2016-11-09 | 湘潭大学 | 一种车牌识别方法 |
-
2017
- 2017-01-23 CN CN201710058093.7A patent/CN106845482A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996292A (zh) * | 2014-05-29 | 2014-08-20 | 南京新奕天科技有限公司 | 一种基于角点匹配的运动车辆跟踪方法 |
CN106022232A (zh) * | 2016-05-12 | 2016-10-12 | 成都新舟锐视科技有限公司 | 基于深度学习的车牌检测方法 |
CN106096607A (zh) * | 2016-06-12 | 2016-11-09 | 湘潭大学 | 一种车牌识别方法 |
Non-Patent Citations (1)
Title |
---|
秦钟等: "基于字符角点信息的车牌定位方法", 《华南理工大学学报(自然科学版)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578439A (zh) * | 2017-07-19 | 2018-01-12 | 阿里巴巴集团控股有限公司 | 生成目标图像的方法、装置及设备 |
CN107578439B (zh) * | 2017-07-19 | 2020-04-28 | 创新先进技术有限公司 | 生成目标图像的方法、装置及设备 |
CN108182376A (zh) * | 2017-11-15 | 2018-06-19 | 浙江工业大学 | 一种基于车窗角点检测的车窗定位方法 |
CN108182376B (zh) * | 2017-11-15 | 2020-12-08 | 浙江工业大学 | 一种基于车窗角点检测的车窗定位方法 |
CN109215358A (zh) * | 2018-08-16 | 2019-01-15 | 武汉元鼎创天信息科技有限公司 | 基于全息投影技术的城市信号交叉口安全导向方法和系统 |
CN110837779A (zh) * | 2019-10-12 | 2020-02-25 | 平安科技(深圳)有限公司 | 车辆外观智能诊断方法、装置及计算机可读存储介质 |
CN111666938A (zh) * | 2020-05-21 | 2020-09-15 | 珠海大横琴科技发展有限公司 | 一种基于深度学习的两地双车牌检测识别方法及系统 |
CN111666938B (zh) * | 2020-05-21 | 2021-08-17 | 珠海大横琴科技发展有限公司 | 一种基于深度学习的两地双车牌检测识别方法及系统 |
CN112101165A (zh) * | 2020-09-07 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 兴趣点识别方法、装置、计算机设备和存储介质 |
CN113792732A (zh) * | 2021-09-15 | 2021-12-14 | 欧冶链金再生资源有限公司 | 一种确定目标车辆车厢的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845482A (zh) | 一种车牌定位方法 | |
CN102289660B (zh) | 一种基于手部姿态跟踪的违规驾驶行为检测方法 | |
Marzougui et al. | A lane tracking method based on progressive probabilistic Hough transform | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN104217427B (zh) | 一种交通监控视频中车道线定位方法 | |
CN104036246B (zh) | 一种基于多特征融合及多态均值的车道线定位方法 | |
CN102999886B (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN109583280A (zh) | 车道线识别方法、装置、设备及存储介质 | |
CN104318258A (zh) | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 | |
CN105930791A (zh) | 基于ds证据理论的多摄像头融合的路面交通标志识别方法 | |
CN106682586A (zh) | 一种复杂光照条件下基于视觉的实时车道线检测的方法 | |
CN103116751A (zh) | 一种车牌字符自动识别方法 | |
CN104318263A (zh) | 一种实时高精度人流计数方法 | |
CN105243876B (zh) | 一种用于互通立交的交通冲突严重性分析方法 | |
CN106095104A (zh) | 基于目标模型信息的连续手势轨迹分割方法及系统 | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
CN108388871B (zh) | 一种基于车身回归的车辆检测方法 | |
CN105426868A (zh) | 一种基于自适应感兴趣区域的车道检测方法 | |
CN112001216A (zh) | 一种基于计算机的汽车行驶车道检测系统 | |
CN105303153A (zh) | 一种车辆车牌识别方法及装置 | |
CN104408711A (zh) | 一种基于多尺度区域融合的显著区域检测方法 | |
CN109190483A (zh) | 一种基于视觉的车道线检测方法 | |
CN106600955A (zh) | 检测交通状态的方法、装置和电子设备 | |
CN104182728A (zh) | 一种基于模式识别的车标自动定位与识别方法 | |
CN110705484A (zh) | 利用行车轨迹识别连续变更车道违法行为的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |
|
RJ01 | Rejection of invention patent application after publication |