CN107273894A - 车牌的识别方法、装置、存储介质及处理器 - Google Patents
车牌的识别方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN107273894A CN107273894A CN201710450156.3A CN201710450156A CN107273894A CN 107273894 A CN107273894 A CN 107273894A CN 201710450156 A CN201710450156 A CN 201710450156A CN 107273894 A CN107273894 A CN 107273894A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- default
- convolutional neural
- neural networks
- 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
- G06V20/63—Scene text, e.g. street names
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
Abstract
本发明公开了一种车牌的识别方法、装置、存储介质及处理器。其中,该方法包括:在采集到模糊车牌图像的情况下,获取模糊车牌图像中的多帧第一车牌区域图像;根据预设运动补偿模型对多帧第一车牌区域图像进行对齐处理;根据预设3D卷积神经网络模型对对齐后的多帧第一车牌区域图像进行处理;对预设车牌号码识别卷积神经网络模型进行训练;对预设车牌检测卷积神经网络模型、预设运动补偿模型、预设3D卷积神经网络模型和达到收敛状态的预设车牌号码识别卷积神经网络模型进行级联处理;根据目标识别模型对模糊车牌图像进行识别,得到识别结果。本发明解决了现有技术中的模糊车牌识别存在的识别精度较低、可靠性较差的技术问题。
Description
技术领域
本发明涉及交通领域,具体而言,涉及一种车牌的识别方法、装置、存储介质及处理器。
背景技术
目前,遍布各地的交通摄像机为智慧交通的开展和部署提供了数据支撑。基于交通视频的车牌识别技术(License Plate Recognition,LPR)通过自动提取视频画面中的车牌号码标签,大大提升了交通自动取证、信息提取存储及车辆管理的效率,因而获得了广泛关注。但是,交通摄像机采集到的视频质量受到摄像机像素、焦距等因素的限制,其清晰度难以得到保证。此外,在雨雪大雾天气、车辆高速行驶、车辆车牌遮挡等条件下采集到的车牌图像画面模糊,抖动问题严重,存在较多干扰噪声,极大地影响了车牌号码识别的精度。
根据现有的模糊视频画面中车牌识别难度较大的问题,专利号CN101673338B提出了一种基于多角度投影的模糊车牌识别方法,通过多帧融合、平滑滤波等技术,进行噪声消除及特征增强。然而,该专利基于传统滤波技术,其去模糊化效果差,车牌识别性能难以得到保证。专利号CN104091315A提出了一种车牌图像去模糊的方法及系统,基于稀疏表达获得卷积核角度参数,基于频谱特性获得卷积核长度参数,从而构造卷积核用于后续图像去模糊算法。然而,其在设计卷积核时并未考虑视频序列连续帧之间的上下文相关性及时间结构信息,仅适用于单张车辆图片,处理交通视频效率低。综上,现有技术中的模糊车牌识别方法存在的车牌识别精度较低、可靠性较差的技术问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种车牌的识别方法、装置、存储介质及处理器,以至少解决现有技术中的模糊车牌识别存在的识别精度较低、可靠性较差的技术问题。
根据本发明实施例的一个方面,提供了一种模糊车牌的识别方法,该方法包括:在采集到模糊车牌图像的情况下,根据预设车牌检测卷积神经网络模型获取上述模糊车牌图像中的多帧第一车牌区域图像,其中,上述多帧第一车牌区域图像在上述模糊车牌图像中的位置一一相邻;根据预设运动补偿模型对上述多帧第一车牌区域图像进行对齐处理,得到对齐后的上述多帧第一车牌区域图像;根据预设3D卷积神经网络模型对上述对齐后的上述多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理,得到第二车牌区域图像;根据上述第二车牌区域图像、上述模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练,直至上述预设车牌号码识别卷积神经网络模型达到收敛状态;对上述预设车牌检测卷积神经网络模型、上述预设运动补偿模型、上述预设3D卷积神经网络模型和达到上述收敛状态的上述预设车牌号码识别卷积神经网络模型进行级联处理,得到目标识别模型;根据上述目标识别模型对上述模糊车牌图像进行识别,得到上述模糊车牌图像中的车牌字符的识别结果。
进一步地,在根据预设车牌检测卷积神经网络模型获取上述模糊车牌图像中的多帧第一车牌区域图像之前,上述方法还包括:获取上述模糊车牌图像中的车牌位置信息;根据上述模糊车牌图像和上述车牌位置信息训练上述预设车牌检测卷积神经网络模型,直至上述预设车牌检测卷积神经网络模型达到收敛状态。
进一步地,在根据预设车牌检测卷积神经网络模型获取上述模糊车牌图像中的多帧第一车牌区域图像之前,上述方法还包括:对上述模糊车牌图像进行预处理,其中,上述预处理的方式包括下述至少之一:尺寸缩放、均值消减和像素值归一化。
进一步地,在根据预设3D卷积神经网络模型对上述对齐后的上述多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理之前,上述方法还包括:采用随机梯度下降法对上述预设3D卷积神经网络模型进行训练,直至上述预设3D卷积神经网络模型达到收敛状态。
根据本发明实施例的另一方面,还提供了一种模糊车牌的识别装置,该装置包括:第一获取单元,用于在采集到模糊车牌图像的情况下,根据预设车牌检测卷积神经网络模型获取上述模糊车牌图像中的多帧第一车牌区域图像,其中,上述多帧第一车牌区域图像在上述模糊车牌图像中的位置一一相邻;第一处理单元,用于根据预设运动补偿模型对上述多帧第一车牌区域图像进行对齐处理,得到对齐后的上述多帧第一车牌区域图像;第二处理单元,用于根据预设3D卷积神经网络模型对上述对齐后的上述多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理,得到第二车牌区域图像;第三处理单元,用于根据上述第二车牌区域图像、上述模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练,直至上述预设车牌号码识别卷积神经网络模型达到收敛状态;第四处理单元,用于对上述预设车牌检测卷积神经网络模型、上述预设运动补偿模型、上述预设3D卷积神经网络模型和达到上述收敛状态的上述预设车牌号码识别卷积神经网络模型进行级联处理,得到目标识别模型;识别单元,用于根据上述目标识别模型对上述模糊车牌图像进行识别,得到上述模糊车牌图像中的车牌字符的识别结果。
进一步地,上述装置还包括:第二获取单元,用于获取上述模糊车牌图像中的车牌位置信息;第五处理单元,用于根据上述模糊车牌图像和上述车牌位置信息训练上述预设车牌检测卷积神经网络模型,直至上述预设车牌检测卷积神经网络模型达到收敛状态。
进一步地,上述装置还包括:第六处理单元,用于对上述模糊车牌图像进行预处理,其中,上述预处理的方式包括下述至少之一:尺寸缩放、均值消减和像素值归一化。
进一步地,上述装置还包括:第七处理单元,用于采用随机梯度下降法对上述预设3D卷积神经网络模型进行训练,直至上述预设3D卷积神经网络模型达到收敛状态。
根据本发明实施例的另一方面,又提供了一种存储介质,上述存储介质包括存储的程序,其中,在上述程序运行时控制上述存储介质所在设备执行上述的模糊车牌的识别方法。
根据本发明实施例的另一方面,又提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述的模糊车牌的识别方法。
在本发明实施例中,采用在采集到模糊车牌图像的情况下,根据预设车牌检测卷积神经网络模型获取模糊车牌图像中的多帧第一车牌区域图像的方式,通过预设运动补偿模型对多帧第一车牌区域图像进行对齐处理,得到对齐后的多帧第一车牌区域图像;根据预设3D卷积神经网络模型对对齐后的多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理,得到第二车牌区域图像;根据第二车牌区域图像、模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练,直至预设车牌号码识别卷积神经网络模型达到收敛状态;对预设车牌检测卷积神经网络模型、预设运动补偿模型、预设3D卷积神经网络模型和达到收敛状态的预设车牌号码识别卷积神经网络模型进行级联处理,得到目标识别模型;达到了根据目标识别模型对模糊车牌图像进行识别,得到模糊车牌图像中的车牌字符的识别结果的目的,从而实现了提高模糊车牌的识别精度和识别效率、提升模糊车牌识别的可靠性的技术效果,进而解决了现有技术中的模糊车牌识别存在的识别精度较低、可靠性较差的技术问题。
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,构成本申请的一部分,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(a)是根据本发明实施例的一种可选的模糊车牌的识别方法的流程示意图;
图1(b)是根据本发明实施例的一种可选的模糊车牌的识别方法中的预设运动补偿模型的结构示意图;
图1(c)是根据本发明实施例的一种可选的模糊车牌的识别方法中的预设3D卷积神经网络模型的结构示意图;
图2是根据本发明实施例的另一种可选的模糊车牌的识别方法的流程示意图;
图3是根据本发明实施例的一种可选的模糊车牌的识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种模糊车牌的识别方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1(a)是根据本发明实施例的一种可选的模糊车牌的识别方法的流程示意图,如图1(a)所示,该方法包括如下步骤:
步骤S102,在采集到模糊车牌图像的情况下,根据预设车牌检测卷积神经网络模型获取模糊车牌图像中的多帧第一车牌区域图像,其中,多帧第一车牌区域图像在模糊车牌图像中的位置一一相邻;
步骤S104,根据预设运动补偿模型对多帧第一车牌区域图像进行对齐处理,得到对齐后的多帧第一车牌区域图像;
步骤S106,根据预设3D卷积神经网络模型对对齐后的多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理,得到第二车牌区域图像;
步骤S108,根据第二车牌区域图像、模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练,直至预设车牌号码识别卷积神经网络模型达到收敛状态;
步骤S110,对预设车牌检测卷积神经网络模型、预设运动补偿模型、预设3D卷积神经网络模型和达到收敛状态的预设车牌号码识别卷积神经网络模型进行级联处理,得到目标识别模型;
步骤S112,根据目标识别模型对模糊车牌图像进行识别,得到模糊车牌图像中的车牌字符的识别结果。
在本发明实施例中,采用在采集到模糊车牌图像的情况下,根据预设车牌检测卷积神经网络模型获取模糊车牌图像中的多帧第一车牌区域图像的方式,通过预设运动补偿模型对多帧第一车牌区域图像进行对齐处理,得到对齐后的多帧第一车牌区域图像;根据预设3D卷积神经网络模型对对齐后的多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理,得到第二车牌区域图像;根据第二车牌区域图像、模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练,直至预设车牌号码识别卷积神经网络模型达到收敛状态;对预设车牌检测卷积神经网络模型、预设运动补偿模型、预设3D卷积神经网络模型和达到收敛状态的预设车牌号码识别卷积神经网络模型进行级联处理,得到目标识别模型;达到了根据目标识别模型对模糊车牌图像进行识别,得到模糊车牌图像中的车牌字符的识别结果的目的,从而实现了提高模糊车牌的识别精度和识别效率、提升模糊车牌识别的可靠性的技术效果,进而解决了现有技术中的模糊车牌识别存在的识别精度较低、可靠性较差的技术问题。
可选地,该模糊车牌图像可以来源于由交通路段上的摄像头采集到的交通视频图像。需要说明的是,交通视频图像中可能存在模糊车牌图像,也可能不存在模糊车牌图像。
可选地,该预设运动补偿模型可以是稠密光流模型或空间转换网络模型等,例如,当该预设运动补偿模型为空间转换网络模型时,该空间转换网络模型包含级联的粗估计网络与精估计网络,每个网络包含5个卷积层和1个次像素卷积层。
可选地,图1(b)是根据本发明实施例的一种可选的模糊车牌的识别方法中的预设运动补偿模型的结构示意图,如图1(b)所示,该预设运动补偿模型可以包括:
输入层,输入连续M帧的车牌区域图像。可选的,M为5。
粗估计网络,包含5个卷积层和1个次像素卷积层。其中,第一卷积层卷积核大小为5x5,卷积核个数为24,步长为2,采用ReLU激活函数。第二卷积层卷积核大小为3x3,卷积核个数为24,步长为1,采用ReLU激活函数。第三卷积层卷积核大小为5x5,卷积核个数为24,步长为2,采用ReLU激活函数。第四卷积层卷积核大小为3x3,卷积核个数为24,步长为1,采用ReLU激活函数。第五卷积层卷积核大小为3x3,卷积核个数为32,步长为1,采用tanh激活函数。次像素卷积层尺度为4。
精估计网络,包含5个卷积层和1个次像素卷积层。其中,第一卷积层卷积核大小为5x5,卷积核个数为24,步长为2,采用ReLU激活函数。第二卷积层卷积核大小为3x3,卷积核个数为24,步长为1,采用ReLU激活函数。第三卷积层卷积核大小为3x3,卷积核个数为24,步长为1,采用ReLU激活函数。第四卷积层卷积核大小为3x3,卷积核个数为24,步长为1,采用ReLU激活函数。第五卷积层卷积核大小为3x3,卷积核个数为8,步长为1,采用tanh激活函数。次像素卷积层尺度为2。
整合层,输出连续M帧的对齐后的车牌区域图像。可选的,M为5。
可选地,该预设3D卷积神经网络模型可以为时空3D卷积神经网络模型,该时空3D卷积神经网络模型可以采用3D卷积核,包含6个卷积层和1个次像素卷积层。
可选地,图1(c)是根据本发明实施例的一种可选的模糊车牌的识别方法中的预设3D卷积神经网络模型的结构示意图,如图1(c)所示,该预设3D卷积神经网络模型可以包括:
输入层,输入连续M帧的对齐后的车牌区域图像。可选的,M为5。
第一卷积层,卷积核大小为3x3x2,卷积核个数为6,步长为1,采用ReLU激活函数。
第二卷积层,卷积核大小为3x3x2,卷积核个数为8,步长为1,采用ReLU激活函数。
第三卷积层卷积核大小为3x3x2,卷积核个数为12,步长为1,采用ReLU激活函数。
第四卷积层,卷积核大小为3x3,卷积核个数为24,步长为1,采用ReLU激活函数。
第五卷积层,卷积核大小为3x3,卷积核个数为24,步长为1,采用ReLU激活函数。
第六卷积层,卷积核大小为3x3,卷积核个数为rxr,步长为1,采用ReLU激活函数。其中,r为分辨率放大倍数,可选的,r为4。
次像素卷积层,尺度为2。
可选地,该预设车牌号码识别卷积神经网络模型包含24个卷积层和2个全连接层。
可选地,在执行步骤S110的过程中,可以将预设车牌检测卷积神经网络模型的输出层与预设运动补偿模型的输入层进行连接,将预设运动补偿模型的输出层与预设3D卷积神经网络模型的输入层进行连接,将预设3D卷积神经网络模型的输出层与预设车牌号码识别卷积神经网络模型的输入层进行连接,最终得到目标识别模型。
可选地,在执行步骤S112的过程中,在对新的模糊车牌图像进行预处理(尺寸缩放、均值消减、像素值归一化)之后,可以将经过预处理之后的新的模糊车牌图像输入至该目标识别模型中,从而得到新的模糊车牌图像的车牌字符检测结果或识别结果。
可选地,本申请基于车牌检测卷积神经网络模型进行车牌检测,得到车牌区域图像,缩小去模糊化的图像区域,提高计算效率。通过运动补偿模型和时空3D卷积神经网络模型对多帧连续的车牌区域图像进行去模糊化,有效利用了连续帧之间的时间相关性信息,提高图像分辨率,得到高清的车牌区域图像,从而提升后续号码识别的精度。号码识别卷积神经网络模型无需进行字符分割,直接从高清车牌区域图像中得到车牌号码字符及位置坐标,识别性能不受图片质量干扰,在雨雪大雾天气、车辆高速行驶等环境下依然可靠,有效解决了现有车牌识别技术中存在的对模糊车牌识别精度低、可靠性差的技术问题。
可选地,图2是根据本发明实施例的另一种可选的模糊车牌的识别方法的流程示意图,如图2所示,在执行步骤S102之前,即在根据预设车牌检测卷积神经网络模型获取模糊车牌图像中的多帧第一车牌区域图像之前,该方法还可以包括:
步骤S202,获取模糊车牌图像中的车牌位置信息;
步骤S204,根据模糊车牌图像和车牌位置信息训练预设车牌检测卷积神经网络模型,直至预设车牌检测卷积神经网络模型达到收敛状态。
可选地,步骤S202中的车牌位置信息可以为车牌位置标签。步骤S204中可以采用随机梯度下降法训练该预设车牌检测卷积神经网络模型,该预设车牌检测卷积神经网络模型中可以包含24个卷积层和2个全连接层。
可选地,在执行步骤S102之前,即在根据预设车牌检测卷积神经网络模型获取模糊车牌图像中的多帧第一车牌区域图像之前,该方法还可以包括:
步骤S10,对模糊车牌图像进行预处理,其中,预处理的方式包括下述至少之一:尺寸缩放、均值消减和像素值归一化。
可选地,在执行步骤S106之前,即在根据预设3D卷积神经网络模型对对齐后的多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理之前,该方法还可以包括:
步骤S20,采用随机梯度下降法对预设3D卷积神经网络模型进行训练,直至预设3D卷积神经网络模型达到收敛状态。
可选地,该预设车牌号码识别卷积神经网络模型的训练也可以采用随机梯度下降法。
在本发明实施例中,采用在采集到模糊车牌图像的情况下,根据预设车牌检测卷积神经网络模型获取模糊车牌图像中的多帧第一车牌区域图像的方式,通过预设运动补偿模型对多帧第一车牌区域图像进行对齐处理,得到对齐后的多帧第一车牌区域图像;根据预设3D卷积神经网络模型对对齐后的多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理,得到第二车牌区域图像;根据第二车牌区域图像、模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练,直至预设车牌号码识别卷积神经网络模型达到收敛状态;对预设车牌检测卷积神经网络模型、预设运动补偿模型、预设3D卷积神经网络模型和达到收敛状态的预设车牌号码识别卷积神经网络模型进行级联处理,得到目标识别模型;达到了根据目标识别模型对模糊车牌图像进行识别,得到模糊车牌图像中的车牌字符的识别结果的目的,从而实现了提高模糊车牌的识别精度和识别效率、提升模糊车牌识别的可靠性的技术效果,进而解决了现有技术中的模糊车牌识别存在的识别精度较低、可靠性较差的技术问题。
实施例2
根据本发明实施例的另一个方面,还提供了一种模糊车牌的识别装置,如图3所示,该装置包括:第一获取单元301、第一处理单元303、第二处理单元305、第三处理单元307、第四处理单元309、识别单元311。
其中,第一获取单元301,用于在采集到模糊车牌图像的情况下,根据预设车牌检测卷积神经网络模型获取模糊车牌图像中的多帧第一车牌区域图像,其中,多帧第一车牌区域图像在模糊车牌图像中的位置一一相邻;第一处理单元303,用于根据预设运动补偿模型对多帧第一车牌区域图像进行对齐处理,得到对齐后的多帧第一车牌区域图像;第二处理单元305,用于根据预设3D卷积神经网络模型对对齐后的多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理,得到第二车牌区域图像;第三处理单元307,用于根据第二车牌区域图像、模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练,直至预设车牌号码识别卷积神经网络模型达到收敛状态;第四处理单元309,用于对预设车牌检测卷积神经网络模型、预设运动补偿模型、预设3D卷积神经网络模型和达到收敛状态的预设车牌号码识别卷积神经网络模型进行级联处理,得到目标识别模型;识别单元311,用于根据目标识别模型对模糊车牌图像进行识别,得到模糊车牌图像中的车牌字符的识别结果。
可选地,该装置还可以包括:第二获取单元,用于获取模糊车牌图像中的车牌位置信息;第五处理单元,用于根据模糊车牌图像和车牌位置信息训练预设车牌检测卷积神经网络模型,直至预设车牌检测卷积神经网络模型达到收敛状态。
可选地,该装置还可以包括:第六处理单元,用于对模糊车牌图像进行预处理,其中,预处理的方式包括下述至少之一:尺寸缩放、均值消减和像素值归一化。
可选地,该装置还可以包括:第七处理单元,用于采用随机梯度下降法对预设3D卷积神经网络模型进行训练,直至预设3D卷积神经网络模型达到收敛状态。
根据本发明实施例的又一个方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的模糊车牌的识别方法。
根据本发明实施例的又一个方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述的模糊车牌的识别方法。
在本发明实施例中,采用在采集到模糊车牌图像的情况下,根据预设车牌检测卷积神经网络模型获取模糊车牌图像中的多帧第一车牌区域图像的方式,通过预设运动补偿模型对多帧第一车牌区域图像进行对齐处理,得到对齐后的多帧第一车牌区域图像;根据预设3D卷积神经网络模型对对齐后的多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理,得到第二车牌区域图像;根据第二车牌区域图像、模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练,直至预设车牌号码识别卷积神经网络模型达到收敛状态;对预设车牌检测卷积神经网络模型、预设运动补偿模型、预设3D卷积神经网络模型和达到收敛状态的预设车牌号码识别卷积神经网络模型进行级联处理,得到目标识别模型;达到了根据目标识别模型对模糊车牌图像进行识别,得到模糊车牌图像中的车牌字符的识别结果的目的,从而实现了提高模糊车牌的识别精度和识别效率、提升模糊车牌识别的可靠性的技术效果,进而解决了现有技术中的模糊车牌识别存在的识别精度较低、可靠性较差的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种模糊车牌的识别方法,其特征在于,包括:
在采集到模糊车牌图像的情况下,根据预设车牌检测卷积神经网络模型获取所述模糊车牌图像中的多帧第一车牌区域图像,其中,所述多帧第一车牌区域图像在所述模糊车牌图像中的位置一一相邻;
根据预设运动补偿模型对所述多帧第一车牌区域图像进行对齐处理,得到对齐后的所述多帧第一车牌区域图像;
根据预设3D卷积神经网络模型对所述对齐后的所述多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理,得到第二车牌区域图像;
根据所述第二车牌区域图像、所述模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练,直至所述预设车牌号码识别卷积神经网络模型达到收敛状态;
对所述预设车牌检测卷积神经网络模型、所述预设运动补偿模型、所述预设3D卷积神经网络模型和达到所述收敛状态的所述预设车牌号码识别卷积神经网络模型进行级联处理,得到目标识别模型;
根据所述目标识别模型对所述模糊车牌图像进行识别,得到所述模糊车牌图像中的车牌字符的识别结果。
2.根据权利要求1所述的方法,其特征在于,在根据预设车牌检测卷积神经网络模型获取所述模糊车牌图像中的多帧第一车牌区域图像之前,所述方法还包括:
获取所述模糊车牌图像中的车牌位置信息;
根据所述模糊车牌图像和所述车牌位置信息训练所述预设车牌检测卷积神经网络模型,直至所述预设车牌检测卷积神经网络模型达到收敛状态。
3.根据权利要求1所述的方法,其特征在于,在根据预设车牌检测卷积神经网络模型获取所述模糊车牌图像中的多帧第一车牌区域图像之前,所述方法还包括:
对所述模糊车牌图像进行预处理,其中,所述预处理的方式包括下述至少之一:尺寸缩放、均值消减和像素值归一化。
4.根据权利要求1所述的方法,其特征在于,在根据预设3D卷积神经网络模型对所述对齐后的所述多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理之前,所述方法还包括:
采用随机梯度下降法对所述预设3D卷积神经网络模型进行训练,直至所述预设3D卷积神经网络模型达到收敛状态。
5.一种模糊车牌的识别装置,其特征在于,包括:
第一获取单元,用于在采集到模糊车牌图像的情况下,根据预设车牌检测卷积神经网络模型获取所述模糊车牌图像中的多帧第一车牌区域图像,其中,所述多帧第一车牌区域图像在所述模糊车牌图像中的位置一一相邻;
第一处理单元,用于根据预设运动补偿模型对所述多帧第一车牌区域图像进行对齐处理,得到对齐后的所述多帧第一车牌区域图像;
第二处理单元,用于根据预设3D卷积神经网络模型对所述对齐后的所述多帧第一车牌区域图像进行去模糊化处理和图像质量增强处理,得到第二车牌区域图像;
第三处理单元,用于根据所述第二车牌区域图像、所述模糊车牌图像中的车牌号码信息和号码位置信息对预设车牌号码识别卷积神经网络模型进行训练,直至所述预设车牌号码识别卷积神经网络模型达到收敛状态;
第四处理单元,用于对所述预设车牌检测卷积神经网络模型、所述预设运动补偿模型、所述预设3D卷积神经网络模型和达到所述收敛状态的所述预设车牌号码识别卷积神经网络模型进行级联处理,得到目标识别模型;
识别单元,用于根据所述目标识别模型对所述模糊车牌图像进行识别,得到所述模糊车牌图像中的车牌字符的识别结果。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第二获取单元,用于获取所述模糊车牌图像中的车牌位置信息;
第五处理单元,用于根据所述模糊车牌图像和所述车牌位置信息训练所述预设车牌检测卷积神经网络模型,直至所述预设车牌检测卷积神经网络模型达到收敛状态。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第六处理单元,用于对所述模糊车牌图像进行预处理,其中,所述预处理的方式包括下述至少之一:尺寸缩放、均值消减和像素值归一化。
8.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第七处理单元,用于采用随机梯度下降法对所述预设3D卷积神经网络模型进行训练,直至所述预设3D卷积神经网络模型达到收敛状态。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求4中任意一项所述的模糊车牌的识别方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至权利要求4中任意一项所述的模糊车牌的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710450156.3A CN107273894A (zh) | 2017-06-15 | 2017-06-15 | 车牌的识别方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710450156.3A CN107273894A (zh) | 2017-06-15 | 2017-06-15 | 车牌的识别方法、装置、存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107273894A true CN107273894A (zh) | 2017-10-20 |
Family
ID=60067762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710450156.3A Pending CN107273894A (zh) | 2017-06-15 | 2017-06-15 | 车牌的识别方法、装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273894A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229474A (zh) * | 2017-12-29 | 2018-06-29 | 北京旷视科技有限公司 | 车牌识别方法、装置及电子设备 |
CN108334881A (zh) * | 2018-03-12 | 2018-07-27 | 南京云创大数据科技股份有限公司 | 一种基于深度学习的车牌识别方法 |
CN108510451A (zh) * | 2018-02-09 | 2018-09-07 | 杭州雄迈集成电路技术有限公司 | 一种基于双层卷积神经网络的重建车牌的方法 |
CN109493280A (zh) * | 2018-11-02 | 2019-03-19 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、终端及存储介质 |
CN110136449A (zh) * | 2019-06-17 | 2019-08-16 | 珠海华园信息技术有限公司 | 基于深度学习的交通视频车辆违停自动识别抓拍的方法 |
CN110838088A (zh) * | 2018-08-15 | 2020-02-25 | Tcl集团股份有限公司 | 一种基于深度学习的多帧降噪方法、装置及终端设备 |
CN110941947A (zh) * | 2018-09-21 | 2020-03-31 | 广州金山移动科技有限公司 | 一种文档编辑的方法、装置、计算机存储介质及终端 |
CN113240058A (zh) * | 2021-07-13 | 2021-08-10 | 北京文安智能技术股份有限公司 | 车牌图像训练集构造方法和车牌字符检测模型训练方法 |
CN113992848A (zh) * | 2019-04-22 | 2022-01-28 | 深圳市商汤科技有限公司 | 视频图像处理方法及装置 |
CN114677500A (zh) * | 2022-05-25 | 2022-06-28 | 松立控股集团股份有限公司 | 一种基于眼动仪点标注信息的弱监督视频车牌识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070058856A1 (en) * | 2005-09-15 | 2007-03-15 | Honeywell International Inc. | Character recoginition in video data |
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
KR20110074638A (ko) * | 2009-12-25 | 2011-07-01 | 박정국 | 기계 지능을 이용하여 빛의 영향과 오염물질에 훼손된 차량 번호판 영상의 강건한 문자영역추출시스템 및 방법 |
CN104809443A (zh) * | 2015-05-05 | 2015-07-29 | 上海交通大学 | 基于卷积神经网络的车牌检测方法及系统 |
CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
CN105335743A (zh) * | 2015-10-28 | 2016-02-17 | 重庆邮电大学 | 一种车牌识别方法 |
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 |
CN106446895A (zh) * | 2016-10-28 | 2017-02-22 | 安徽四创电子股份有限公司 | 一种基于深度卷积神经网络的车牌识别方法 |
-
2017
- 2017-06-15 CN CN201710450156.3A patent/CN107273894A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070058856A1 (en) * | 2005-09-15 | 2007-03-15 | Honeywell International Inc. | Character recoginition in video data |
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
KR20110074638A (ko) * | 2009-12-25 | 2011-07-01 | 박정국 | 기계 지능을 이용하여 빛의 영향과 오염물질에 훼손된 차량 번호판 영상의 강건한 문자영역추출시스템 및 방법 |
CN104809443A (zh) * | 2015-05-05 | 2015-07-29 | 上海交通大学 | 基于卷积神经网络的车牌检测方法及系统 |
CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
CN105335743A (zh) * | 2015-10-28 | 2016-02-17 | 重庆邮电大学 | 一种车牌识别方法 |
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 |
CN106446895A (zh) * | 2016-10-28 | 2017-02-22 | 安徽四创电子股份有限公司 | 一种基于深度卷积神经网络的车牌识别方法 |
Non-Patent Citations (2)
Title |
---|
PAVEL SVOBODA等: "CNN for license plate motion deblurring", 《ICIP2016》 * |
张建宏等: "基于模糊神经网络的车牌图像识别方法", 《菏泽学院学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229474A (zh) * | 2017-12-29 | 2018-06-29 | 北京旷视科技有限公司 | 车牌识别方法、装置及电子设备 |
CN108510451A (zh) * | 2018-02-09 | 2018-09-07 | 杭州雄迈集成电路技术有限公司 | 一种基于双层卷积神经网络的重建车牌的方法 |
CN108510451B (zh) * | 2018-02-09 | 2021-02-12 | 杭州雄迈集成电路技术股份有限公司 | 一种基于双层卷积神经网络的重建车牌的方法 |
CN108334881B (zh) * | 2018-03-12 | 2022-04-29 | 南京云创大数据科技股份有限公司 | 一种基于深度学习的车牌识别方法 |
CN108334881A (zh) * | 2018-03-12 | 2018-07-27 | 南京云创大数据科技股份有限公司 | 一种基于深度学习的车牌识别方法 |
CN110838088A (zh) * | 2018-08-15 | 2020-02-25 | Tcl集团股份有限公司 | 一种基于深度学习的多帧降噪方法、装置及终端设备 |
CN110838088B (zh) * | 2018-08-15 | 2023-06-02 | Tcl科技集团股份有限公司 | 一种基于深度学习的多帧降噪方法、装置及终端设备 |
CN110941947A (zh) * | 2018-09-21 | 2020-03-31 | 广州金山移动科技有限公司 | 一种文档编辑的方法、装置、计算机存储介质及终端 |
CN109493280A (zh) * | 2018-11-02 | 2019-03-19 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、终端及存储介质 |
CN109493280B (zh) * | 2018-11-02 | 2023-03-14 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、终端及存储介质 |
CN113992848A (zh) * | 2019-04-22 | 2022-01-28 | 深圳市商汤科技有限公司 | 视频图像处理方法及装置 |
CN113992847A (zh) * | 2019-04-22 | 2022-01-28 | 深圳市商汤科技有限公司 | 视频图像处理方法及装置 |
CN110136449A (zh) * | 2019-06-17 | 2019-08-16 | 珠海华园信息技术有限公司 | 基于深度学习的交通视频车辆违停自动识别抓拍的方法 |
CN110136449B (zh) * | 2019-06-17 | 2022-05-20 | 珠海华园信息技术有限公司 | 基于深度学习的交通视频车辆违停自动识别抓拍的方法 |
CN113240058B (zh) * | 2021-07-13 | 2021-09-17 | 北京文安智能技术股份有限公司 | 车牌图像训练集构造方法和车牌字符检测模型训练方法 |
CN113240058A (zh) * | 2021-07-13 | 2021-08-10 | 北京文安智能技术股份有限公司 | 车牌图像训练集构造方法和车牌字符检测模型训练方法 |
CN114677500A (zh) * | 2022-05-25 | 2022-06-28 | 松立控股集团股份有限公司 | 一种基于眼动仪点标注信息的弱监督视频车牌识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273894A (zh) | 车牌的识别方法、装置、存储介质及处理器 | |
CN108596277B (zh) | 一种车辆身份识别方法、装置和存储介质 | |
Amato et al. | Deep learning for decentralized parking lot occupancy detection | |
CN103473950B (zh) | 一种停车场车位监控方法 | |
US9104914B1 (en) | Object detection with false positive filtering | |
CN104616032B (zh) | 基于深度卷积神经网络的多摄像机系统目标匹配方法 | |
CN110097044B (zh) | 基于深度学习的一阶段车牌检测识别方法 | |
CN108510451B (zh) | 一种基于双层卷积神经网络的重建车牌的方法 | |
CN107657249A (zh) | 多尺度特征行人重识别的方法、装置、存储介质及处理器 | |
CN109635656A (zh) | 基于神经网络的车辆属性识别方法、装置、设备及介质 | |
CN111598030A (zh) | 一种航拍图像中车辆检测和分割的方法及系统 | |
CN107274445A (zh) | 一种图像深度估计方法和系统 | |
CN107305635A (zh) | 对象识别方法、对象识别装置和分类器训练方法 | |
CN111767878B (zh) | 嵌入式设备中基于深度学习的交通标志检测方法及系统 | |
CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
CN110287889A (zh) | 一种身份识别的方法及装置 | |
CN106683046A (zh) | 用于警用无人机侦察取证的图像实时拼接方法 | |
CN107644221A (zh) | 基于参数压缩的卷积神经网络交通标志识别方法 | |
CN106951869A (zh) | 一种活体验证方法及设备 | |
CN106650615A (zh) | 一种图像处理方法及终端 | |
CN110390314A (zh) | 一种视觉感知方法及设备 | |
CN110349167A (zh) | 一种图像实例分割方法及装置 | |
CN109993806A (zh) | 一种颜色识别方法、装置及电子设备 | |
CN115512251A (zh) | 基于双分支渐进式特征增强的无人机低照度目标跟踪方法 | |
CN115861380A (zh) | 雾天低照度场景下端到端无人机视觉目标跟踪方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171020 |
|
WD01 | Invention patent application deemed withdrawn after publication |