CN107092912A - 一种车牌的识别方法和装置 - Google Patents
一种车牌的识别方法和装置 Download PDFInfo
- Publication number
- CN107092912A CN107092912A CN201710278767.4A CN201710278767A CN107092912A CN 107092912 A CN107092912 A CN 107092912A CN 201710278767 A CN201710278767 A CN 201710278767A CN 107092912 A CN107092912 A CN 107092912A
- Authority
- CN
- China
- Prior art keywords
- character
- image
- pyramid diagram
- diagram picture
- tomographic image
- 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
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
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种车牌的识别方法和装置,获取包含有完整的车牌的成像的视频帧,从所述视频帧中选取出七个字符图像,对每个所述字符图像进行预处理,得到七个预处理后的字符图像,识别每个所述预处理后的字符图像中的字符,本发明能够识别车牌的成像中的字符,解决了还没有能够识别车牌的成像中的字符的方法的问题。
Description
技术领域
本发明涉及智能交通领域,更具体的说,涉及一种车牌的识别方法和装置。
背景技术
车牌号码作为车辆的身份信息,是智能交通系统对车辆进行登记、处罚、收费和管理的重要凭证。因此,对车牌的成像中字符的准确识别是智能交通系统的关键环节。其中,车牌的成像中的字符分为汉字字符、英文字符和数字字符。
但是,目前还没有能够识别车牌的成像中的字符的方法。
发明内容
有鉴于此,本发明提供一种车牌的识别方法和装置,以解决还没有能够识别车牌的成像中的字符的方法的问题。
为解决上述技术问题,本发明采用了如下技术方案:
一种车牌的识别方法,包括:
获取包含有完整的车牌的成像的视频帧;
从所述视频帧中选取出七个字符图像;
对每个所述字符图像进行预处理,得到七个预处理后的字符图像;其中,所述预处理包括图像灰度化处理和归一化处理;
识别每个所述预处理后的字符图像中的字符。
优选地,从所述视频帧中选取出七个字符图像,包括:
采用车牌定位方法,检测所述车牌的成像在所述视频帧中的区域位置信息;
根据所述区域位置信息、所述车牌的属性、所述视频帧的边缘信息和角点信息,将所述视频帧中的所述车牌的成像进行分割,得到七个所述字符图像。
优选地,所述识别每个所述预处理后的字符图像中的字符,包括:
对每个所述预处理后的字符图像执行图像金字塔操作,得到每个所述预处理后的字符图像的金字塔图像;
计算每个所述金字塔图像中的每层图像的方向梯度直方图HOG特征向量、以及计算每个所述金字塔图像中的每层图像中的每个局部图像的HOG特征向量;
根据每个所述金字塔图像中的每层图像的HOG特征向量、以及每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量,得到与每个所述金字塔图像中的每层图像中的字符相匹配的预设字符;
根据与每个所述金字塔图像中的每层图像中的字符相匹配的所述预设字符,得到每个所述金字塔图像的字符识别结果。
优选地,根据每个所述金字塔图像中的每层图像的HOG特征向量、以及每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量,得到与每个所述金字塔图像中的每层图像中的字符相匹配的预设字符,包括:
将每个所述金字塔图像中的每层图像的HOG特征向量与预先保存的每个预设字符图像的HOG特征向量做对比,计算得到每个所述金字塔图像中的每层图像的HOG特征向量与每个所述预设字符图像的HOG特征向量相同的概率;
将每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量与每个所述预设字符图像中相应的子图像的HOG特征向量做对比,计算得到每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量与每个所述预设字符图像中相应的子图像的HOG特征向量相同的概率;
根据每个所述金字塔图像中的每层图像的HOG特征向量与每个所述预设字符图像的HOG特征向量相同的概率、每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量与每个所述预设字符图像中相应的子图像的HOG特征向量相同的概率,得到每个所述金字塔图像中的每层图像中的字符与每个所述预设字符图像中的预设字符相匹配的相似度;
从每个所述金字塔图像中的每层图像中的字符与每个所述预设字符图像中的预设字符相匹配的相似度中选取出数值最大的相似度;
将每个所述金字塔图像中的每层图像对应的数值最大的相似度对应的预设字符作为每个所述金字塔图像中的每层图像中的字符相匹配的预设字符。
优选地,根据与每个所述金字塔图像中的每层图像中的字符相匹配的所述预设字符,得到每个所述金字塔图像的字符识别结果,包括:
从每个所述金字塔图像中的每层图像中的字符与相应的相匹配的预设字符的相似度中选取出数值最大的相似度;
将每个所述金字塔图像对应的数值最大的相似度对应的相匹配的预设字符作为每个所述金字塔图像的字符识别结果。
一种车牌的识别装置,包括:
获取单元,用于获取包含有完整的车牌的成像的视频帧;
选取单元,用于从所述视频帧中选取出七个字符图像;
预处理单元,用于对每个所述字符图像进行预处理,得到七个预处理后的字符图像;其中,所述预处理包括图像灰度化处理和归一化处理;
识别单元,用于识别每个所述预处理后的字符图像中的字符。
优选地,所述选取单元包括:
检测单元,用于采用车牌定位方法,检测所述车牌的成像在所述视频帧中的区域位置信息;
分割单元,用于根据所述区域位置信息、所述车牌的属性、所述视频帧的边缘信息和角点信息,将所述视频帧中的所述车牌的成像进行分割,得到七个所述字符图像。
优选地,所述识别单元包括:
金字塔处理单元,用于对每个所述预处理后的字符图像执行图像金字塔操作,得到每个所述预处理后的字符图像的金字塔图像;
计算单元,用于计算每个所述金字塔图像中的每层图像的方向梯度直方图HOG特征向量、以及计算每个所述金字塔图像中的每层图像中的每个局部图像的HOG特征向量;
匹配单元,用于根据每个所述金字塔图像中的每层图像的HOG特征向量、以及每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量,得到与每个所述金字塔图像中的每层图像中的字符相匹配的预设字符;
字符识别单元,用于根据与每个所述金字塔图像中的每层图像中的字符相匹配的所述预设字符,得到每个所述金字塔图像的字符识别结果。
优选地,所述匹配单元包括:
第一对比单元,用于将每个所述金字塔图像中的每层图像的HOG特征向量与预先保存的每个预设字符图像的HOG特征向量做对比,计算得到每个所述金字塔图像中的每层图像的HOG特征向量与每个所述预设字符图像的HOG特征向量相同的概率;
第二对比单元,用于将每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量与每个所述预设字符图像中相应的子图像的HOG特征向量做对比,计算得到每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量与每个所述预设字符图像中相应的子图像的HOG特征向量相同的概率;
相似度计算单元,用于根据每个所述金字塔图像中的每层图像的HOG特征向量与每个所述预设字符图像的HOG特征向量相同的概率、每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量与每个所述预设字符图像中相应的子图像的HOG特征向量相同的概率,得到每个所述金字塔图像中的每层图像中的字符与每个所述预设字符图像中的预设字符相匹配的相似度;
第一相似度选取单元,用于从每个所述金字塔图像中的每层图像中的字符与每个所述预设字符图像中的预设字符相匹配的相似度中选取出数值最大的相似度;
第一确定单元,用于将每个所述金字塔图像中的每层图像对应的数值最大的相似度对应的预设字符作为每个所述金字塔图像中的每层图像中的字符相匹配的预设字符。
优选地,所述字符识别单元包括:
第二相似度选取单元,用于从每个所述金字塔图像中的每层图像中的字符与相应的相匹配的预设字符的相似度中选取出数值最大的相似度;
第二确定单元,用于将每个所述金字塔图像对应的数值最大的相似度对应的相匹配的预设字符作为每个所述金字塔图像的字符识别结果。
相较于现有技术,本发明具有以下有益效果:
本发明提供了一种车牌的识别方法和装置,获取包含有完整的车牌的成像的视频帧,从所述视频帧中选取出七个字符图像,对每个所述字符图像进行预处理,得到七个预处理后的字符图像,识别每个所述预处理后的字符图像中的字符,本发明能够识别车牌的成像中的字符,解决了还没有能够识别车牌的成像中的字符的方法的问题。
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,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种车牌的识别方法的方法流程图;
图2为本发明提供的另一种车牌的识别方法的方法流程图;
图3为本发明提供的又一种车牌的识别方法的方法流程图;
图4为本发明提供的一种车牌的识别装置的结构示意图;
图5为本发明提供的另一种车牌的识别装置的结构示意图;
图6为本发明提供的又一种车牌的识别装置的结构示意图。
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。
本发明实施例提供了一种车牌的识别方法,参照图1,包括:
S101、获取包含有完整的车牌的成像的视频帧;
其中,视频帧预先获取。视频帧是从摄像机中获取的,获取的视频帧一般是监控场景中包含车辆的车牌的图像。其中,摄像机可以是球型摄像机。其中,球型摄像机可以获取得到多张包含有完整的车牌的成像的视频帧,需要依次识别每张包含有完整的车牌的成像的视频帧。
S102、从视频帧中选取出七个字符图像;
其中,车牌的成像中包含有七个字符图像,七个字符图像包含汉字字符图像、英文字符图像和数字字符图像。
可选的,本发明的另一实施例中,从视频帧中选取出七个字符图像,包括:
采用车牌定位方法,检测车牌的成像在视频帧中的区域位置信息,根据区域位置信息、车牌的属性、视频帧的边缘信息和角点信息,将视频帧中的车牌的成像进行分割,得到七个字符图像。
其中,车牌定位方法可以是投影法,具体的投影法包括HSV(色调(H),饱和度(S),明度(V))颜色转换、HSV颜色过滤、噪声处理边缘检测、确定车牌的成像的位置步骤。
车牌的成像在视频帧中的区域位置信息是指车牌的成像在整个视频帧中的位置。
车牌的属性是指车牌的长宽比、字符间距和颜色等信息。
视频帧的边缘信息可以采用边缘检测算法,检测得到视频帧的各边缘线。
其中,边缘检测算法可以是索贝尔算子Sobel边缘检测算法,(x,y)像素点的梯度大小一般可以采用公式|G|=|Gx|+|Gy|计算,梯度方向计算公式为
其中Gx和Gy分别为如下公式所示:
Gx={f[x+1,y-1]+2*f[x+1,y]+f[x+1,y+1]}
-{f[x-1,y-1]+2*f[x-1,y]+f[x-1,y+1]}
Gy={f[x-1,y+1]+2*f[x,y+1]+f[x+1,y+1]}
-{f[x-1,y-1]+2*f[x,y-1]+f[x+1,y-1]}
计算得到每个像素点的梯度后,就能够得到视频帧中的各边缘线。
视频帧的角点信息可以采用角点检测算法得到,其中,角点检测算法可以是Harris角点检测算法,Harris角点检测算法的计算公式如下所示:
其中,E为角点响应强度,I(x,y)为车牌的成像中(x,y)像素点的像素灰度值,(u,v)为车牌的成像中(x,y)像素点的偏移向量,角点为车牌的成像的顶点或者车牌的成像中字符拐点等。
通过Harris角点检测算法,能够检测到多个角点,多个角点中包含车牌的成像的顶点。
S103、对每个字符图像进行预处理,得到七个预处理后的字符图像。
其中,预处理包括图像灰度化处理和归一化处理。
其中,灰度化,在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。一般有以下四种方法对彩色图像进行灰度化。
图像灰度化处理包括分量法、最大值法、平均值法和加权平均法。
归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为标量。
对每个字符图像进行预处理,得到的七个预处理后的字符图像都具有统一的标准。
S104、识别每个预处理后的字符图像中的字符。
本实施例提供了一种车牌的识别方法,获取包含有完整的车牌的成像的视频帧,从视频帧中选取出七个字符图像,对每个字符图像进行预处理,得到七个预处理后的字符图像,识别每个预处理后的字符图像中的字符,本发明能够识别车牌的成像中的字符,解决了还没有能够识别车牌的成像中的字符的方法的问题。
可选的,本发明的另一实施例中,参照图2,步骤S104包括:
S201、对每个预处理后的字符图像执行图像金字塔操作,得到每个预处理后的字符图像的金字塔图像;
图像金字塔是图像多尺度表达的一种,是一种以多分辨率来解释图像的有效但概念简单的结构。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低,且来源于同一张原始图的图像集合。其通过梯次向下采样获得,直到达到某个终止条件才停止采样。我们将一层一层的图像比喻成金字塔,层级越高,则图像越小,分辨率越低。
其中,执行图像金字塔操作,是指对预处理后的字符图像进行放大或者缩小操作,以得到不同尺寸的预处理后的字符图像,进而能够防止尺寸因素对识别结果的影响。具体的,获取到的视频帧会受到车牌和摄像机之间的距离的影响,当车牌和摄像机之间的距离较小的时候,视频帧中车牌的成像较小,当车牌和摄像机之间的距离较大的时候,视频帧中车牌的成像较大。为了减少车牌和摄像机之间的距离长短的影响,才执行图像金字塔操作。
S202、计算每个金字塔图像中的每层图像的HOG特征向量、以及计算每个金字塔图像中的每层图像中的每个局部图像的HOG特征向量;
具体的,HOG特征向量是通过HOG特征检测算法得到。
HOG(Histogram of Oriented Gridients的简写)特征检测算法,是一种用于表征图像局部梯度方向和梯度强度分布特性的描述符。HOG特征检测算法的几个步骤:颜色空间归一化—>梯度计算—>梯度方向直方图—>重叠块直方图归一化—>HOG特征。
由于一个金字塔图像包含有多层图像,需要计算得到每层图像的HOG特征向量,以及每层图像中的每个局部图像的HOG特征向量。
其中,局部图像是根据边缘检测算法选取得到,局部图像可以是每层图像中包含左上角的一个小图像、包含右上角的一个小图像、包含左下角的一个小图像或者包含右下角的一个小图像,也可以是每隔指定像素值选取的一个图像。
S203、根据每个金字塔图像中的每层图像的HOG特征向量、以及每个金字塔图像中的每层图像中的每个局部图像的HOG特征向量,得到与每个金字塔图像中的每层图像中的字符相匹配的预设字符;
其中,预设字符存储在数据库中,数据库中存在有多个字符,多个字符包括数字字符、汉字字符和英文字符。
S204、根据与每个金字塔图像中的每层图像中的字符相匹配的预设字符,得到每个金字塔图像的字符识别结果。
本实施例中,根据每个金字塔图像中的每层图像的HOG特征向量、以及每个金字塔图像中的每层图像中的每个局部图像的HOG特征向量,得到与每个金字塔图像中的每层图像中的字符相匹配的预设字符,进而能够根据与每个金字塔图像中的每层图像中的字符相匹配的预设字符,得到每个金字塔图像的字符识别结果。
可选的,本发明的另一实施例中,参照图3,步骤S203包括:
S301、将每个金字塔图像中的每层图像的HOG特征向量与预先保存的每个预设字符图像的HOG特征向量做对比,计算得到每个金字塔图像中的每层图像的HOG特征向量与每个预设字符图像的HOG特征向量相同的概率;
以一个金字塔图像为例,将该金字塔图像中的每层图像的HOG特征向量与每个预设字符图像的HOG特征向量做对比,即比较两个HOG特征向量是否相同,计算得到两个特征向量为相同的特征向量的概率。
其中,两个特征向量为相同的特征向量的概率越大,说明金字塔图像中的一层图像中的字符与一个预设字符图像中的预设字符为相同字符的概率越大。
S302、将每个金字塔图像中的每层图像中的每个局部图像的HOG特征向量与每个预设字符图像中相应的子图像的HOG特征向量做对比,计算得到每个金字塔图像中的每层图像中的每个局部图像的HOG特征向量与每个预设字符图像中相应的子图像的HOG特征向量相同的概率;
具体的,以一个金字塔图像为例,取该金字塔图像中的一层图像,将该层图像中的每个局部图像的HOG特征向量与每个预设字符图像中相应的子图像的HOG特征向量作对比。举例来说,假设该层图像中包含四个局部图像,此外,拿该层图像与一个预设字符图像对比,首先从预设字符图像中选取出与该层图像中的每个局部图像对应的子图像,然后将每个局部图像的HOG特征向量与相应的子图像的HOG特征向量作对比,得到每个局部图像的HOG特征向量与相应的子图像的HOG特征向量相同的概率。
将每个金字塔图像均按照上述的方法操作,即能够得到每个金字塔图像中的每层图像中的每个局部图像的HOG特征向量与每个预设字符图像中相应的子图像的HOG特征向量相同的概率。
S303、根据每个金字塔图像中的每层图像的HOG特征向量与每个预设字符图像的HOG特征向量相同的概率、每个金字塔图像中的每层图像中的每个局部图像的HOG特征向量与每个预设字符图像中相应的子图像的HOG特征向量相同的概率,得到每个金字塔图像中的每层图像中的字符与每个预设字符图像中的预设字符相匹配的相似度;
以一个金字塔图像和一个预设字符图像为例,来介绍计算得到该金字塔图像中的每层图像与该预设字符图像中的预设字符相匹配的相似度。其中,该金字塔图像包含两个局部图像。
取该金字塔图像中的一层图像,获得该层图像的HOG特征向量与该预设字符图像的HOG特征向量相同的概率P1、每个局部图像的HOG特征向量与相应的子图像的HOG特征向量相同的概率P2和P3,则该金字塔图像中的该层图像与该预设字符图像中的预设字符相匹配的相似度为P1+P2+P3。
然后计算该金字塔图像中的其他层图像与该预设字符图像中的预设字符相匹配的相似度。
最后,将每个金字塔图像按照上述方法进行计算,得到每个金字塔图像中的每层图像中的字符与每个预设字符图像中的预设字符相匹配的相似度。
S304、从每个金字塔图像中的每层图像中的字符与每个预设字符图像中的预设字符相匹配的相似度中选取出数值最大的相似度;
S305、将每个金字塔图像中的每层图像对应的数值最大的相似度对应的预设字符作为每个金字塔图像中的每层图像中的字符相匹配的预设字符。
举例来说,取一个金字塔图像的一层图像,从该层图像与每个预设字符图像中的预设字符相匹配的相似度中选取出数值最大的相似度。
将数值最大的相似度对应的预设字符作为该层图像中的字符相匹配的预设字符。
需要说明的是,得到数值最大的相似度后,可以判断数值最大的相似度是否大于预设数值,若大于预设数值,则将数值最大的相似度对应的预设字符作为该层图像中的字符相匹配的预设字符。
若不大于预设数值,则不存在与该层图像中的字符相匹配的预设字符。
本实施例中,通过确定出每个金字塔图像中的每层图像中的字符与每个预设字符图像中的预设字符相匹配的相似度,进而能够根据相似度确定出与每个金字塔图像中的每层图像中的字符相匹配的预设字符。
可选的,本发明的另一实施例中,步骤S204包括:
从每个金字塔图像中的每层图像中的字符与相应的相匹配的预设字符的相似度中选取出数值最大的相似度,将每个金字塔图像对应的数值最大的相似度对应的相匹配的预设字符作为每个金字塔图像的字符识别结果。
以一个金字塔图像为例,一个金字塔图像包括多层图像,每层图像的字符与相匹配的预设字符有一个相似度。从这些相似度中选取出数值最大的一个相似度,将数值最大的相似度对应的预设字符作为该金字塔图像的字符识别结果。其中,字符识别结果为一个字符。该字符可以是数字、英文或者汉字。
需要说明的是,得到每个金字塔图像的字符识别结果后,将每个字符识别结果中的字符按照七个字符图像在视频帧中的位置进行排列,得到最终的车牌号。
本实施例中,可以通过相似度确定出每个金字塔图像的字符识别结果,进而能够使字符识别结果更准确。
可选的,本发明的另一实施例中提供了一种车牌的识别装置,参照图4,包括:
获取单元101,用于获取包含有完整的车牌的成像的视频帧;
选取单元102,用于从视频帧中选取出七个字符图像;
预处理单元103,用于对每个字符图像进行预处理,得到七个预处理后的字符图像;其中,预处理包括图像灰度化处理和归一化处理;
识别单元104,用于识别每个预处理后的字符图像中的字符。
可选的,本发明的另一实施例中,选取单元102包括:
检测单元,用于采用车牌定位方法,检测车牌的成像在视频帧中的区域位置信息;
分割单元,用于根据区域位置信息、车牌的属性、视频帧的边缘信息和角点信息,将视频帧中的所述车牌的成像进行分割,得到七个字符图像。
本实施例提供了一种车牌的识别装置,获取包含有完整的车牌的成像的视频帧,从视频帧中选取出七个字符图像,对每个字符图像进行预处理,得到七个预处理后的字符图像,识别每个预处理后的字符图像中的字符,本发明能够识别车牌的成像中的字符,解决了还没有能够识别车牌的成像中的字符的方法的问题。
需要说明的是,本实施中的各个单元的工作过程,请参照图1对应的实施例中的说明,在此不再赘述。
可选的,本发明的另一实施例中,参照图5,识别单元104包括:
金字塔处理单元1041,用于对每个预处理后的字符图像执行图像金字塔操作,得到每个预处理后的字符图像的金字塔图像;
计算单元1042,用于计算每个金字塔图像中的每层图像的方向梯度直方图HOG特征向量、以及计算每个金字塔图像中的每层图像中的每个局部图像的HOG特征向量;
匹配单元1043,用于根据每个金字塔图像中的每层图像的HOG特征向量、以及每个金字塔图像中的每层图像中的每个局部图像的HOG特征向量,得到与每个金字塔图像中的每层图像中的字符相匹配的预设字符;
字符识别单元1044,用于根据与每个金字塔图像中的每层图像中的字符相匹配的预设字符,得到每个金字塔图像的字符识别结果。
本实施例中,根据每个金字塔图像中的每层图像的HOG特征向量、以及每个金字塔图像中的每层图像中的每个局部图像的HOG特征向量,得到与每个金字塔图像中的每层图像中的字符相匹配的预设字符,进而能够根据与每个金字塔图像中的每层图像中的字符相匹配的预设字符,得到每个金字塔图像的字符识别结果。
需要说明的是,本实施中的各个单元的工作过程,请参照图2对应的实施例中的说明,在此不再赘述。
可选的,本发明的另一实施例中,参照图6,匹配单元1043包括:
第一对比单元10431,用于将每个金字塔图像中的每层图像的HOG特征向量与预先保存的每个预设字符图像的HOG特征向量做对比,计算得到每个金字塔图像中的每层图像的HOG特征向量与每个预设字符图像的HOG特征向量相同的概率;
第二对比单元10432,用于将每个金字塔图像中的每层图像中的每个局部图像的HOG特征向量与每个预设字符图像中相应的子图像的HOG特征向量做对比,计算得到每个金字塔图像中的每层图像中的每个局部图像的HOG特征向量与每个预设字符图像中相应的子图像的HOG特征向量相同的概率;
相似度计算单元10433,用于根据每个金字塔图像中的每层图像的HOG特征向量与每个预设字符图像的HOG特征向量相同的概率、每个金字塔图像中的每层图像中的每个局部图像的HOG特征向量与每个预设字符图像中相应的子图像的HOG特征向量相同的概率,得到每个金字塔图像中的每层图像中的字符与每个预设字符图像中的预设字符相匹配的相似度;
第一相似度选取单元10434,用于从每个金字塔图像中的每层图像中的字符与每个预设字符图像中的预设字符相匹配的相似度中选取出数值最大的相似度;
第一确定单元10435,用于将每个金字塔图像中的每层图像对应的数值最大的相似度对应的预设字符作为每个金字塔图像中的每层图像中的字符相匹配的预设字符。
本实施例中,通过确定出每个金字塔图像中的每层图像中的字符与每个预设字符图像中的预设字符相匹配的相似度,进而能够根据相似度确定出与每个金字塔图像中的每层图像中的字符相匹配的预设字符。
需要说明的是,本实施中的各个单元的工作过程,请参照图3对应的实施例中的说明,在此不再赘述。
可选的,本发明的另一实施例中,字符识别单元1044包括:
第二相似度选取单元,用于从每个金字塔图像中的每层图像中的字符与相应的相匹配的预设字符的相似度中选取出数值最大的相似度;
第二确定单元,用于将每个金字塔图像对应的数值最大的相似度对应的相匹配的预设字符作为每个金字塔图像的字符识别结果。
本实施例中,可以通过相似度确定出每个金字塔图像的字符识别结果,进而能够使字符识别结果更准确。
需要说明的是,本实施中的各个单元的工作过程,请参照上述实施例中的说明,在此不再赘述。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种车牌的识别方法,其特征在于,包括:
获取包含有完整的车牌的成像的视频帧;
从所述视频帧中选取出七个字符图像;
对每个所述字符图像进行预处理,得到七个预处理后的字符图像;其中,所述预处理包括图像灰度化处理和归一化处理;
识别每个所述预处理后的字符图像中的字符。
2.根据权利要求1所述的识别方法,其特征在于,从所述视频帧中选取出七个字符图像,包括:
采用车牌定位方法,检测所述车牌的成像在所述视频帧中的区域位置信息;
根据所述区域位置信息、所述车牌的属性、所述视频帧的边缘信息和角点信息,将所述视频帧中的所述车牌的成像进行分割,得到七个所述字符图像。
3.根据权利要求1所述的识别方法,其特征在于,所述识别每个所述预处理后的字符图像中的字符,包括:
对每个所述预处理后的字符图像执行图像金字塔操作,得到每个所述预处理后的字符图像的金字塔图像;
计算每个所述金字塔图像中的每层图像的方向梯度直方图HOG特征向量、以及计算每个所述金字塔图像中的每层图像中的每个局部图像的HOG特征向量;
根据每个所述金字塔图像中的每层图像的HOG特征向量、以及每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量,得到与每个所述金字塔图像中的每层图像中的字符相匹配的预设字符;
根据与每个所述金字塔图像中的每层图像中的字符相匹配的所述预设字符,得到每个所述金字塔图像的字符识别结果。
4.根据权利要求3所述的识别方法,其特征在于,根据每个所述金字塔图像中的每层图像的HOG特征向量、以及每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量,得到与每个所述金字塔图像中的每层图像中的字符相匹配的预设字符,包括:
将每个所述金字塔图像中的每层图像的HOG特征向量与预先保存的每个预设字符图像的HOG特征向量做对比,计算得到每个所述金字塔图像中的每层图像的HOG特征向量与每个所述预设字符图像的HOG特征向量相同的概率;
将每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量与每个所述预设字符图像中相应的子图像的HOG特征向量做对比,计算得到每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量与每个所述预设字符图像中相应的子图像的HOG特征向量相同的概率;
根据每个所述金字塔图像中的每层图像的HOG特征向量与每个所述预设字符图像的HOG特征向量相同的概率、每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量与每个所述预设字符图像中相应的子图像的HOG特征向量相同的概率,得到每个所述金字塔图像中的每层图像中的字符与每个所述预设字符图像中的预设字符相匹配的相似度;
从每个所述金字塔图像中的每层图像中的字符与每个所述预设字符图像中的预设字符相匹配的相似度中选取出数值最大的相似度;
将每个所述金字塔图像中的每层图像对应的数值最大的相似度对应的预设字符作为每个所述金字塔图像中的每层图像中的字符相匹配的预设字符。
5.根据权利要求3所述的识别方法,其特征在于,根据与每个所述金字塔图像中的每层图像中的字符相匹配的所述预设字符,得到每个所述金字塔图像的字符识别结果,包括:
从每个所述金字塔图像中的每层图像中的字符与相应的相匹配的预设字符的相似度中选取出数值最大的相似度;
将每个所述金字塔图像对应的数值最大的相似度对应的相匹配的预设字符作为每个所述金字塔图像的字符识别结果。
6.一种车牌的识别装置,其特征在于,包括:
获取单元,用于获取包含有完整的车牌的成像的视频帧;
选取单元,用于从所述视频帧中选取出七个字符图像;
预处理单元,用于对每个所述字符图像进行预处理,得到七个预处理后的字符图像;其中,所述预处理包括图像灰度化处理和归一化处理;
识别单元,用于识别每个所述预处理后的字符图像中的字符。
7.根据权利要求6所述的识别装置,其特征在于,所述选取单元包括:
检测单元,用于采用车牌定位方法,检测所述车牌的成像在所述视频帧中的区域位置信息;
分割单元,用于根据所述区域位置信息、所述车牌的属性、所述视频帧的边缘信息和角点信息,将所述视频帧中的所述车牌的成像进行分割,得到七个所述字符图像。
8.根据权利要求6所述的识别装置,其特征在于,所述识别单元包括:
金字塔处理单元,用于对每个所述预处理后的字符图像执行图像金字塔操作,得到每个所述预处理后的字符图像的金字塔图像;
计算单元,用于计算每个所述金字塔图像中的每层图像的方向梯度直方图HOG特征向量、以及计算每个所述金字塔图像中的每层图像中的每个局部图像的HOG特征向量;
匹配单元,用于根据每个所述金字塔图像中的每层图像的HOG特征向量、以及每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量,得到与每个所述金字塔图像中的每层图像中的字符相匹配的预设字符;
字符识别单元,用于根据与每个所述金字塔图像中的每层图像中的字符相匹配的所述预设字符,得到每个所述金字塔图像的字符识别结果。
9.根据权利要求8所述的识别装置,其特征在于,所述匹配单元包括:
第一对比单元,用于将每个所述金字塔图像中的每层图像的HOG特征向量与预先保存的每个预设字符图像的HOG特征向量做对比,计算得到每个所述金字塔图像中的每层图像的HOG特征向量与每个所述预设字符图像的HOG特征向量相同的概率;
第二对比单元,用于将每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量与每个所述预设字符图像中相应的子图像的HOG特征向量做对比,计算得到每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量与每个所述预设字符图像中相应的子图像的HOG特征向量相同的概率;
相似度计算单元,用于根据每个所述金字塔图像中的每层图像的HOG特征向量与每个所述预设字符图像的HOG特征向量相同的概率、每个所述金字塔图像中的每层图像中的每个所述局部图像的HOG特征向量与每个所述预设字符图像中相应的子图像的HOG特征向量相同的概率,得到每个所述金字塔图像中的每层图像中的字符与每个所述预设字符图像中的预设字符相匹配的相似度;
第一相似度选取单元,用于从每个所述金字塔图像中的每层图像中的字符与每个所述预设字符图像中的预设字符相匹配的相似度中选取出数值最大的相似度;
第一确定单元,用于将每个所述金字塔图像中的每层图像对应的数值最大的相似度对应的预设字符作为每个所述金字塔图像中的每层图像中的字符相匹配的预设字符。
10.根据权利要求8所述的识别装置,其特征在于,所述字符识别单元包括:
第二相似度选取单元,用于从每个所述金字塔图像中的每层图像中的字符与相应的相匹配的预设字符的相似度中选取出数值最大的相似度;
第二确定单元,用于将每个所述金字塔图像对应的数值最大的相似度对应的相匹配的预设字符作为每个所述金字塔图像的字符识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710278767.4A CN107092912A (zh) | 2017-04-25 | 2017-04-25 | 一种车牌的识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710278767.4A CN107092912A (zh) | 2017-04-25 | 2017-04-25 | 一种车牌的识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107092912A true CN107092912A (zh) | 2017-08-25 |
Family
ID=59637087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710278767.4A Pending CN107092912A (zh) | 2017-04-25 | 2017-04-25 | 一种车牌的识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107092912A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875723A (zh) * | 2018-01-03 | 2018-11-23 | 北京旷视科技有限公司 | 对象检测方法、装置和系统及存储介质 |
CN114821044A (zh) * | 2022-05-31 | 2022-07-29 | 中煤科工机器人科技有限公司 | 一种基于梯度变换的方形指针式仪表示数识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699470A (zh) * | 2009-10-30 | 2010-04-28 | 华南理工大学 | 一种对人脸图片进行笑脸识别的提取方法 |
KR101636827B1 (ko) * | 2015-04-30 | 2016-07-07 | 주식회사 대영산전 | 차량 번호 인식시스템 |
CN105787466A (zh) * | 2016-03-18 | 2016-07-20 | 中山大学 | 一种车辆类型的精细识别方法及系统 |
CN105787524A (zh) * | 2014-12-26 | 2016-07-20 | 中国科学院沈阳自动化研究所 | 基于OpenCV的车牌识别方法及系统 |
CN105825212A (zh) * | 2016-02-18 | 2016-08-03 | 江西洪都航空工业集团有限责任公司 | 一种基于Hadoop的分布式车牌识别方法 |
-
2017
- 2017-04-25 CN CN201710278767.4A patent/CN107092912A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699470A (zh) * | 2009-10-30 | 2010-04-28 | 华南理工大学 | 一种对人脸图片进行笑脸识别的提取方法 |
CN105787524A (zh) * | 2014-12-26 | 2016-07-20 | 中国科学院沈阳自动化研究所 | 基于OpenCV的车牌识别方法及系统 |
KR101636827B1 (ko) * | 2015-04-30 | 2016-07-07 | 주식회사 대영산전 | 차량 번호 인식시스템 |
CN105825212A (zh) * | 2016-02-18 | 2016-08-03 | 江西洪都航空工业集团有限责任公司 | 一种基于Hadoop的分布式车牌识别方法 |
CN105787466A (zh) * | 2016-03-18 | 2016-07-20 | 中山大学 | 一种车辆类型的精细识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
刘军等: "《基于梯度方向直方图与高斯金字塔的车牌模糊汉字识别方法》", 《计算机应用》 * |
苏松志等: "《行人检测 理论与实践》", 31 March 2016, 厦门大学出版社 * |
高隽: "《人工神经网络与自然计算研究进展》", 31 October 2004, 合肥工业大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875723A (zh) * | 2018-01-03 | 2018-11-23 | 北京旷视科技有限公司 | 对象检测方法、装置和系统及存储介质 |
CN108875723B (zh) * | 2018-01-03 | 2023-01-06 | 北京旷视科技有限公司 | 对象检测方法、装置和系统及存储介质 |
CN114821044A (zh) * | 2022-05-31 | 2022-07-29 | 中煤科工机器人科技有限公司 | 一种基于梯度变换的方形指针式仪表示数识别方法 |
CN114821044B (zh) * | 2022-05-31 | 2024-05-03 | 中煤科工机器人科技有限公司 | 一种基于梯度变换的方形指针式仪表示数识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A detection and recognition system of pointer meters in substations based on computer vision | |
CN111028213A (zh) | 图像缺陷检测方法、装置、电子设备及存储介质 | |
WO2018216629A1 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
EP3176751B1 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
JP2018198053A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
US9916513B2 (en) | Method for processing image and computer-readable non-transitory recording medium storing program | |
CN106934794A (zh) | 信息处理装置,信息处理方法和检查系统 | |
CN108294728A (zh) | 伤口状态分析方法与系统 | |
CN108491498A (zh) | 一种基于多特征检测的卡口图像目标搜索方法 | |
CN108830133A (zh) | 合同影像图片的识别方法、电子装置及可读存储介质 | |
JP6410450B2 (ja) | オブジェクト識別装置、オブジェクト識別方法及びプログラム | |
JP4946878B2 (ja) | 画像識別装置及びプログラム | |
CN108427959A (zh) | 基于图像识别的机台状态采集方法及系统 | |
CN112329756A (zh) | 一种印章提取及文字识别的方法及装置 | |
CN110866932A (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
US7630534B2 (en) | Method for radiological image processing | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN107092912A (zh) | 一种车牌的识别方法和装置 | |
JP3814353B2 (ja) | 画像分割方法および画像分割装置 | |
Tribak et al. | QR code patterns localization based on Hu Invariant Moments | |
CN116503733B (zh) | 遥感图像目标检测方法、设备及存储介质 | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
CN111583225A (zh) | 缺陷检测方法、装置及存储介质 | |
CN111199228A (zh) | 一种车牌定位的方法及装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200628 Address after: Room 101, 2 / F, building 17, No. 17, huanke Middle Road, Tongzhou District, Beijing Applicant after: Beijing Elite Road Technology Co.,Ltd. Address before: 100000 Beijing city Haidian District West Road No. 27 small business Qinghe small Haisheng C block second layer Applicant before: BEIJING JAYA TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170825 |
|
RJ01 | Rejection of invention patent application after publication |