CN107564294A - 基于虚拟车牌的无牌车识别方法及装置 - Google Patents
基于虚拟车牌的无牌车识别方法及装置 Download PDFInfo
- Publication number
- CN107564294A CN107564294A CN201710739294.3A CN201710739294A CN107564294A CN 107564294 A CN107564294 A CN 107564294A CN 201710739294 A CN201710739294 A CN 201710739294A CN 107564294 A CN107564294 A CN 107564294A
- Authority
- CN
- China
- Prior art keywords
- car
- unlicensed
- virtual
- detection zone
- plate
- 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.)
- Withdrawn
Links
Abstract
本发明提供了基于虚拟车牌的无牌车识别方法,该方法包括:采集入口处图像;进行无牌车检测,获取无牌车检测区域;采用无牌车的虚拟车牌生成方法,获取无牌车的虚拟车牌号码,将无牌车检测区域和虚拟车牌号码保存到后台数据库;采集出口处图像;进行无牌车检测,获取无牌车检测区域;采用无牌车的虚拟车牌生成方法,获取无牌车的虚拟车牌号码,输出无牌车检测区域和虚拟车牌号码;将输出的虚拟车牌号码与后台数据库中的虚拟车牌号码中的字符串进行一一比对,若字符串完全一致,则认为比对的后台数据库中保存的无牌车检测区域与当前无牌车检测区域匹配成功并输出。与现有技术相比,本发明能准确地对无牌车进行识别。
Description
技术领域
本发明涉及图像处理、视频监控以及智能交通,特别涉及基于虚拟车牌的无牌车识别方法及装置。
背景技术
随着汽车保有量的迅猛增长,需要对车辆收费的场景越来越多,比如停车位收费、高速公路收费等。现有的车辆收费大多是基于车牌识别技术。然而,在车辆无车牌的情况下,不得不采取在出入口处查找抓拍照片等人工参与方式进行收费确认,这不仅消耗人工,而且浪费了车主的时间。
尤其在一些无牌车较多的地区和场景,停车场一天通过的无牌车数量可占总通过车辆数的2~4%,例如某停车场一天通过1000辆的话,通过无牌车可达几十辆,这些无牌车的收费处理方式与结果是对停车场系统整体性能的极大考验。
为了解决无牌车收费问题,常用的是基于车型识别的无牌车收费和基于二维码扫描的无牌车收费。前者通过车型进行无牌车筛选,但是平台需要对接收的数据格式进行变换,对接起来很繁琐,且不能解决车型相似的无牌车。后者需要停车、打开手机APP、扫码等操作,比较耗时。
综上所述,需要提出一种操作简便、且识别准确率高的无牌车识别方法。
发明内容
有鉴于此,本发明的主要目的在于实现无牌车识别,且识别准确率高。
为达到上述目的,按照本发明的第一个方面,提供了基于虚拟车牌的无牌车识别方法,该方法包括:
第一步骤,采集入口处的场景图像;
第二步骤,对入口处的场景图像进行无牌车检测,获取无牌车检测区域;
第三步骤,采用无牌车的虚拟车牌生成方法,获取无牌车的虚拟车牌号码,将无牌车检测区域和虚拟车牌号码保存到后台数据库;
第四步骤,采集出口处的场景图像;
第五步骤,对出口处的场景图像进行无牌车检测,获取无牌车检测区域;
第六步骤,采用无牌车的虚拟车牌生成方法,获取无牌车的虚拟车牌号码,输出无牌车检测区域和虚拟车牌号码;以及
第七步骤,将第六步骤输出的虚拟车牌号码与后台数据库中的虚拟车牌号码中的字符串进行一一比对,若字符串完全一致,则认为所述比对的后台数据库中保存的无牌车检测区域与第六步骤中的无牌车检测区域匹配成功并输出。
进一步地,所述第二步骤和所述第五步骤中无牌车检测包括:
车辆检测步骤,采用车辆检测方法,从输入的场景图像中提取车辆检测区域;
车牌检测步骤,采用车牌检测方法,对车辆检测区域进行车牌检测,若存在车牌则结束,否则将车辆检测区域标记为无牌车检测区域并输出。
进一步地,所述无牌车的虚拟车牌生成方法包括:
无牌车输入步骤,输入无牌车检测区域;
车身颜色识别步骤,采用基于深度学习的车身颜色识别方法,对无牌车检测区域进行车身颜色识别,输出无牌车检测区域的车身颜色识别结果;
车款识别步骤,采用基于深度学习的车款识别方法,对无牌车检测区域进行车款识别,输出无牌车检测区域的车款识别结果;
虚拟车牌生成步骤,按照真实车牌的形式,根据无牌车检测区域的车身颜色识别结果和车款识别结果,生成无牌车检测区域的虚拟车牌,输出无牌车检测区域与虚拟车牌号码。
进一步地,所述车身颜色识别步骤包括:
车身颜色识别模型训练步骤,输入标记车身颜色的车辆样本图像,采用第一深度学习网络进行反复训练直至模型收敛,输出收敛的车身颜色识别模型;
车身颜色识别输出步骤,采用车身颜色识别模型对无牌车检测区域进行车身颜色识别,输出无牌车检测区域的车身颜色识别结果。
进一步地,所述车款识别步骤包括:
车款识别模型训练步骤,输入标记车款的车辆样本图像,采用第二深度学习网络进行反复训练直至模型收敛,输出收敛的车款识别模型;
车款识别输出步骤,采用车款识别模型对无牌车检测区域进行车款识别,输出无牌车检测区域的车款识别结果。
进一步地,所述虚拟车牌生成步骤包括:
第一字符设定步骤,将虚拟车牌的第一位字符设定为一个汉字;
第二字符生成步骤,根据设定的颜色与字符的映射,获取无牌车检测区域的车身颜色所映射的字符并标记为虚拟车牌的第二位字符;
后面字符生成步骤,根据设定的车款与字符的映射,获取无牌车检测区域的车款所映射的字符串并依次标记为虚拟车牌的第三位字符~第八位字符;
虚拟字符输出步骤,依次输出虚拟车牌的第一位字符~第八位字符。
进一步地,所述基于虚拟车牌的无牌车识别方法可以包括:第八步骤,计算第六步骤输出的无牌车检测区域的时间与匹配的后台数据库保存的无牌车检测区域的时间的时间差,根据时间差计算无牌车的停车费用。
所述第八步骤可以进一步包括:当与第六步骤输出的无牌车检测区域匹配成功的后台数据库保存的无牌车检测区域存在两个或两个以上时,将匹配成功的后台数据库保存的无牌车检测区域的图像和第六步骤输出的无牌车检测区域的图像发送给后台,通过后台的人工进行选择。
按照本发明的另一个方面,提供了基于虚拟车牌的无牌车识别装置,该装置包括:
入口图像采集模块,用于采集入口处的场景图像;
入口无牌车检测模块,用于对入口处的场景图像进行无牌车检测,获取无牌车检测区域;
入口虚拟车牌号码获取模块,用于采用无牌车虚拟车牌生成模块,获取无牌车的虚拟车牌号码,将无牌车检测区域和虚拟车牌号码保存到后台数据库;
出口图像采集模块,用于采集出口处的场景图像;
出口无牌车检测模块,用于对出口处的场景图像进行无牌车检测,获取无牌车检测区域;
出口虚拟车牌号码获取模块,用于采用无牌车虚拟车牌生成模块,获取无牌车的虚拟车牌号码,输出无牌车检测区域和虚拟车牌号码;以及
出入口无牌车匹配模块,用于将出口虚拟车牌号码获取模块输出的虚拟车牌号码与后台数据库中的虚拟车牌号码中的字符串进行一一比对,若字符串完全一致,则认为所述比对的后台数据库中保存的无牌车检测区域与出口虚拟车牌号码获取模块中的无牌车检测区域匹配成功并输出。
进一步地,所述入口无牌车检测模块和所述出口无牌车检测模块中无牌车检测包括:
车辆检测模块,用于采用车辆检测方法,从输入的场景图像中提取车辆检测区域;
车牌检测模块,用于采用车牌检测方法,对车辆检测区域进行车牌检测,若存在车牌则结束,否则将车辆检测区域标记为无牌车检测区域并输出。
进一步地,所述无牌车虚拟车牌生成模块包括:
无牌车输入模块,用于输入无牌车检测区域;
车身颜色识别模块,用于采用基于深度学习的车身颜色识别方法,对无牌车检测区域进行车身颜色识别,输出无牌车检测区域的车身颜色识别结果;
车款识别模块,用于采用基于深度学习的车款识别方法,对无牌车检测区域进行车款识别,输出无牌车检测区域的车款识别结果;
虚拟车牌生成模块,用于按照真实车牌的形式,根据无牌车检测区域的车身颜色识别结果和车款识别结果,生成无牌车检测区域的虚拟车牌,输出无牌车检测区域与虚拟车牌号码。
进一步地,所述车身颜色识别模块包括:
车身颜色识别模型训练模块,用于输入标记车身颜色的车辆样本图像,采用第一深度学习网络进行反复训练直至模型收敛,输出收敛的车身颜色识别模型;
车身颜色识别输出模块,用于采用车身颜色识别模型对无牌车检测区域进行车身颜色识别,输出无牌车检测区域的车身颜色识别结果。
进一步地,所述车款识别模块包括:
车款识别模型训练模块,用于输入标记车款的车辆样本图像,采用第二深度学习网络进行反复训练直至模型收敛,输出收敛的车款识别模型;
车款识别输出模块,用于采用车款识别模型对无牌车检测区域进行车款识别,输出无牌车检测区域的车款识别结果。
进一步地,所述虚拟车牌生成模块包括:
第一字符设定模块,用于将虚拟车牌的第一位字符设定为一个汉字;
第二字符生成模块,用于根据设定的颜色与字符的映射,获取无牌车检测区域的车身颜色所映射的字符并标记为虚拟车牌的第二位字符;
后面字符生成模块,用于根据设定的车款与字符的映射,获取无牌车检测区域的车款所映射的字符串并依次标记为虚拟车牌的第三位字符~第八位字符;
虚拟字符输出模块,用于依次输出虚拟车牌的第一位字符~第八位字符。
与现有的无牌车识别相比,本发明的基于虚拟车牌的无牌车识别方法一方面根据车身颜色和车款的特征生成虚拟车牌,提高了虚拟车牌识别的可靠性;另一方面按照真实车牌号码的形式生成虚拟车牌,提高了无牌车识别的直观性。
附图说明
图1示出了按照本发明的基于虚拟车牌的无牌车识别方法的流程图。
图2示出了按照本发明的无牌车的虚拟车牌生成方法的流程图。
图3示出了按照本发明的基于虚拟车牌的无牌车识别装置的框架图。
图4示出了按照本发明的无牌车虚拟车牌生成模块的框架图。
具体实施方式
为使贵审查员能进一步了解本发明的结构、特征及其他目的,现结合所附较佳实施例详细说明如下,所说明的较佳实施例仅用于说明本发明的技术方案,并非限定本发明。
图1给出了按照本发明的基于虚拟车牌的无牌车识别方法的流程图。如图1所示,按照本发明的基于虚拟车牌的无牌车识别方法包括:
第一步骤S1,采集入口处的场景图像;
第二步骤S2,对入口处的场景图像进行无牌车检测,获取无牌车检测区域;
第三步骤S3,采用无牌车的虚拟车牌生成方法S30,获取无牌车的虚拟车牌号码,将无牌车检测区域和虚拟车牌号码保存到后台数据库;
第四步骤S4,采集出口处的场景图像;
第五步骤S5,对出口处的场景图像进行无牌车检测,获取无牌车检测区域;
第六步骤S6,采用无牌车的虚拟车牌生成方法S30,获取无牌车的虚拟车牌号码,输出无牌车检测区域和虚拟车牌号码;以及
第七步骤S7,将第六步骤S6输出的虚拟车牌号码与后台数据库中的虚拟车牌号码中的字符串进行一一比对,若字符串完全一致,则认为所述比对的后台数据库中保存的无牌车检测区域与第六步骤S6中的无牌车检测区域匹配成功并输出。
所述第二步骤S2中无牌车检测可以通过现有的无牌车检测方法实现。
进一步地,所述第二步骤S2和所述第五步骤S5中无牌车检测包括:
车辆检测步骤S21,采用车辆检测方法,从输入的场景图像中提取车辆检测区域;
车牌检测步骤S22,采用车牌检测方法,对车辆检测区域进行车牌检测,若存在车牌则结束,否则将车辆检测区域标记为无牌车检测区域并输出。
所述车辆检测步骤S21中车辆检测方法为现有的车辆检测方法。
所述车牌检测步骤S22中车牌检测方法为现有的车牌检测方法。
图2给出了按照本发明的无牌车的虚拟车牌生成方法S30的流程图。如图2所示,按照本发明的无牌车的虚拟车牌生成方法S30包括:
无牌车输入步骤S301,输入无牌车检测区域;
车身颜色识别步骤S302,采用基于深度学习的车身颜色识别方法,对无牌车检测区域进行车身颜色识别,输出无牌车检测区域的车身颜色识别结果;
车款识别步骤S303,采用基于深度学习的车款识别方法,对无牌车检测区域进行车款识别,输出无牌车检测区域的车款识别结果;
虚拟车牌生成步骤S304,按照真实车牌的形式,根据无牌车检测区域的车身颜色识别结果和车款识别结果,生成无牌车检测区域的虚拟车牌,输出无牌车检测区域与虚拟车牌号码。
进一步地,所述车身颜色识别步骤S302包括:
车身颜色识别模型训练步骤S3021,输入标记车身颜色的车辆样本图像,采用第一深度学习网络进行反复训练直至模型收敛,输出收敛的车身颜色识别模型;
车身颜色识别输出步骤S3022,采用车身颜色识别模型对无牌车检测区域进行车身颜色识别,输出无牌车检测区域的车身颜色识别结果。
进一步地,所述车款识别步骤S303包括:
车款识别模型训练步骤S3031,输入标记车款的车辆样本图像,采用第二深度学习网络进行反复训练直至模型收敛,输出收敛的车款识别模型;
车款识别输出步骤S3032,采用车款识别模型对无牌车检测区域进行车款识别,输出无牌车检测区域的车款识别结果。
进一步地,所述标记车款和车款识别的类别信息包括:车辆的品牌、款式、以及上市年代。
所述深度学习网络为现有的具有深度学习的神经网络,包括但不限于以下网络:卷积神经网络(Convoluted Neural Networks,简称CNN)、递归神经网络(RecurrentNeural Network,简称RNN)、深度神经网络(Deep Neural Network,简称DNN)、深度信念网络(Deep Belief Networks,简称DBN)、受限波尔兹曼机(Restricted Boltzmann Machine,简称RBN)等。
进一步地,所述第一深度学习网络的最后一个全连接层输出的神经元数目为。所述表示标记的车身颜色的数量。
进一步地,所述第二深度学习网络的最后一个全连接层输出的神经元数目为。所述表示标记的车款的数量。
申请号为“201610368032.6”,申请日为“2016年5月30日”,发明名称为“一种基于卷积神经网络的车款识别方法及装置”的中国专利申请公开了利用卷积神经网络进行车款识别的具体实例。该申请的全文并入本申请中作为车款识别步骤S303有用的参考。
进一步地,所述虚拟车牌生成步骤S304包括:
第一字符设定步骤S3041,将虚拟车牌的第一位字符设定为一个汉字;
第二字符生成步骤S3042,根据设定的颜色与字符的映射,获取无牌车检测区域的车身颜色所映射的字符并标记为虚拟车牌的第二位字符;
后面字符生成步骤S3043,根据设定的车款与字符的映射,获取无牌车检测区域的车款所映射的字符串并依次标记为虚拟车牌的第三位字符~第八位字符;
虚拟字符输出步骤S3044,依次输出虚拟车牌的第一位字符~第八位字符。
所述第一字符设定步骤S3041中的汉字可以为任意的一个固定汉字。
进一步地,所述设定的颜色与字符的映射可以将车身颜色与英文字母A~Z一一相映射。
进一步地,所述设定的车款与字符的映射可以包括:将车辆的品牌与两位数的英文字母A~Z一一映射;将车辆的款式与两位数的数字0~9一一映射;将上市年代与两位数的数字0~9一一映射。
具体地,例如将虚拟车牌的第一个字符设定为汉字“无”或者“虚”,设定“白色——A,大众_CC_2016——AA0016”,则如果车身颜色是白色,车款是大众_CC_2016,则输出的无牌车检测区域的虚拟车牌为“无AAA0016”或“虚AAA0016”。
进一步地,按照本发明的基于虚拟车牌的无牌车识别方法可以包括:第八步骤S8,计算第六步骤S6输出的无牌车检测区域的时间与匹配的后台数据库保存的无牌车检测区域的时间的时间差,根据时间差计算无牌车的停车费用。
所述第八步骤S8可以进一步包括:当与第六步骤S6输出的无牌车检测区域匹配成功的后台数据库保存的无牌车检测区域存在两个或两个以上时,将匹配成功的后台数据库保存的无牌车检测区域的图像和第六步骤S6输出的无牌车检测区域的图像发送给后台,通过后台的人工进行选择。
图3给出了按照本发明的基于虚拟车牌的无牌车识别装置的框架图。如图3所示,按照本发明的基于虚拟车牌的无牌车识别装置包括:
入口图像采集模块1,用于采集入口处的场景图像;
入口无牌车检测模块2,用于对入口处的场景图像进行无牌车检测,获取无牌车检测区域;
入口虚拟车牌号码获取模块3,用于采用无牌车虚拟车牌生成模块30,获取无牌车的虚拟车牌号码,将无牌车检测区域和虚拟车牌号码保存到后台数据库;
出口图像采集模块4,用于采集出口处的场景图像;
出口无牌车检测模块5,用于对出口处的场景图像进行无牌车检测,获取无牌车检测区域;
出口虚拟车牌号码获取模块6,用于采用无牌车虚拟车牌生成模块30,获取无牌车的虚拟车牌号码,输出无牌车检测区域和虚拟车牌号码;以及
出入口无牌车匹配模块7,用于将出口虚拟车牌号码获取模块6输出的虚拟车牌号码与后台数据库中的虚拟车牌号码中的字符串进行一一比对,若字符串完全一致,则认为所述比对的后台数据库中保存的无牌车检测区域与出口虚拟车牌号码获取模块6中的无牌车检测区域匹配成功并输出。
进一步地,所述入口无牌车检测模块2和所述出口无牌车检测模块5中无牌车检测包括:
车辆检测模块21,用于采用车辆检测方法,从输入的场景图像中提取车辆检测区域;
车牌检测模块22,用于采用车牌检测方法,对车辆检测区域进行车牌检测,若存在车牌则结束,否则将车辆检测区域标记为无牌车检测区域并输出。
图4给出了按照本发明的无牌车虚拟车牌生成模块30的框架图。如图4所示,按照本发明的无牌车虚拟车牌生成模块30包括:
无牌车输入模块301,用于输入无牌车检测区域;
车身颜色识别模块302,用于采用基于深度学习的车身颜色识别方法,对无牌车检测区域进行车身颜色识别,输出无牌车检测区域的车身颜色识别结果;
车款识别模块303,用于采用基于深度学习的车款识别方法,对无牌车检测区域进行车款识别,输出无牌车检测区域的车款识别结果;
虚拟车牌生成模块304,用于按照真实车牌的形式,根据无牌车检测区域的车身颜色识别结果和车款识别结果,生成无牌车检测区域的虚拟车牌,输出无牌车检测区域与虚拟车牌号码。
进一步地,所述车身颜色识别模块302包括:
车身颜色识别模型训练模块3021,用于输入标记车身颜色的车辆样本图像,采用第一深度学习网络进行反复训练直至模型收敛,输出收敛的车身颜色识别模型;
车身颜色识别输出模块3022,用于采用车身颜色识别模型对无牌车检测区域进行车身颜色识别,输出无牌车检测区域的车身颜色识别结果。
进一步地,所述车款识别模块303包括:
车款识别模型训练模块3031,用于输入标记车款的车辆样本图像,采用第二深度学习网络进行反复训练直至模型收敛,输出收敛的车款识别模型;
车款识别输出模块3032,用于采用车款识别模型对无牌车检测区域进行车款识别,输出无牌车检测区域的车款识别结果。
进一步地,所述虚拟车牌生成模块304包括:
第一字符设定模块3041,用于将虚拟车牌的第一位字符设定为一个汉字;
第二字符生成模块3042,用于根据设定的颜色与字符的映射,获取无牌车检测区域的车身颜色所映射的字符并标记为虚拟车牌的第二位字符;
后面字符生成模块3043,用于根据设定的车款与字符的映射,获取无牌车检测区域的车款所映射的字符串并依次标记为虚拟车牌的第三位字符~第八位字符;
虚拟字符输出模块3044,用于依次输出虚拟车牌的第一位字符~第八位字符。
与现有的无牌车识别相比,本发明的基于虚拟车牌的无牌车识别方法一方面根据车身颜色和车款的特征生成虚拟车牌,提高了虚拟车牌识别的可靠性;另一方面按照真实车牌号码的形式生成虚拟车牌,提高了无牌车识别的直观性。
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,应当理解,本发明并不限于这里所描述的实现方案,这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善,因此本发明只受到本发明权利要求的内容和范围的限制,其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。
Claims (16)
1.基于虚拟车牌的无牌车识别方法,其特征在于,该方法包括:
第一步骤,采集入口处的场景图像;
第二步骤,对入口处的场景图像进行无牌车检测,获取无牌车检测区域;
第三步骤,采用无牌车的虚拟车牌生成方法,获取无牌车的虚拟车牌号码,将无牌车检测区域和虚拟车牌号码保存到后台数据库;
第四步骤,采集出口处的场景图像;
第五步骤,对出口处的场景图像进行无牌车检测,获取无牌车检测区域;
第六步骤,采用无牌车的虚拟车牌生成方法,获取无牌车的虚拟车牌号码,输出无牌车检测区域和虚拟车牌号码;以及
第七步骤,将第六步骤输出的虚拟车牌号码与后台数据库中的虚拟车牌号码中的字符串进行一一比对,若字符串完全一致,则认为所述比对的后台数据库中保存的无牌车检测区域与第六步骤中的无牌车检测区域匹配成功并输出。
2.如权利要求1所述的方法,所述无牌车检测包括:
车辆检测步骤,采用车辆检测方法,从输入的场景图像中提取车辆检测区域;
车牌检测步骤,采用车牌检测方法,对车辆检测区域进行车牌检测,若存在车牌则结束,否则将车辆检测区域标记为无牌车检测区域并输出。
3.如权利要求1所述的方法,其特征在于,所述无牌车的虚拟车牌生成方法包括:
无牌车输入步骤,输入无牌车检测区域;
车身颜色识别步骤,采用基于深度学习的车身颜色识别方法,对无牌车检测区域进行车身颜色识别,输出无牌车检测区域的车身颜色识别结果;
车款识别步骤,采用基于深度学习的车款识别方法,对无牌车检测区域进行车款识别,输出无牌车检测区域的车款识别结果;
虚拟车牌生成步骤,按照真实车牌的形式,根据无牌车检测区域的车身颜色识别结果和车款识别结果,生成无牌车检测区域的虚拟车牌,输出无牌车检测区域与虚拟车牌号码。
4.如权利要求3所述的方法,其特征在于,所述车身颜色识别步骤包括:
车身颜色识别模型训练步骤,输入标记车身颜色的车辆样本图像,采用第一深度学习网络进行反复训练直至模型收敛,输出收敛的车身颜色识别模型;
车身颜色识别输出步骤,采用车身颜色识别模型对无牌车检测区域进行车身颜色识别,输出无牌车检测区域的车身颜色识别结果。
5.如权利要求3所述的方法,其特征在于,所述车款识别步骤包括:
车款识别模型训练步骤,输入标记车款的车辆样本图像,采用第二深度学习网络进行反复训练直至模型收敛,输出收敛的车款识别模型;
车款识别输出步骤,采用车款识别模型对无牌车检测区域进行车款识别,输出无牌车检测区域的车款识别结果。
6.如权利要求4和5所述的方法,所述深度学习网络为现有的具有深度学习的神经网络,包括但不限于以下网络:卷积神经网络、递归神经网络、深度神经网络、深度信念网络、受限波尔兹曼机。
7.如权利要求5所述的方法,其特征在于,所述标记车款和车款识别的类别信息包括:车辆的品牌、款式、以及上市年代。
8.如权利要求3所述的方法,其特征在于,所述虚拟车牌生成步骤包括:
第一字符设定步骤,将虚拟车牌的第一位字符设定为一个汉字;
第二字符生成步骤,根据设定的颜色与字符的映射,获取无牌车检测区域的车身颜色所映射的字符并标记为虚拟车牌的第二位字符;
后面字符生成步骤,根据设定的车款与字符的映射,获取无牌车检测区域的车款所映射的字符串并依次标记为虚拟车牌的第三位字符~第八位字符;
虚拟字符输出步骤,依次输出虚拟车牌的第一位字符~第八位字符。
9.如权利要求8所述的方法,其特征在于,所述设定的颜色与字符的映射可以将车身颜色与英文字母A~Z一一相映射;所述设定的车款与字符的映射可以包括:将车辆的品牌与两位数的英文字母A~Z一一映射,将车辆的款式与两位数的数字0~9一一映射,将上市年代与两位数的数字0~9一一映射。
10.如权利要求3所述的方法,进一步包括:第八步骤,计算第六步骤输出的无牌车检测区域的时间与匹配的后台数据库保存的无牌车检测区域的时间的时间差,根据时间差计算无牌车的停车费用。
11.基于虚拟车牌的无牌车识别装置,其特征在于,该装置包括:
入口图像采集模块,用于采集入口处的场景图像;
入口无牌车检测模块,用于对入口处的场景图像进行无牌车检测,获取无牌车检测区域;
入口虚拟车牌号码获取模块,用于采用无牌车虚拟车牌生成模块,获取无牌车的虚拟车牌号码,将无牌车检测区域和虚拟车牌号码保存到后台数据库;
出口图像采集模块,用于采集出口处的场景图像;
出口无牌车检测模块,用于对出口处的场景图像进行无牌车检测,获取无牌车检测区域;
出口虚拟车牌号码获取模块,用于采用无牌车虚拟车牌生成模块,获取无牌车的虚拟车牌号码,输出无牌车检测区域和虚拟车牌号码;以及
出入口无牌车匹配模块,用于将出口虚拟车牌号码获取模块输出的虚拟车牌号码与后台数据库中的虚拟车牌号码中的字符串进行一一比对,若字符串完全一致,则认为所述比对的后台数据库中保存的无牌车检测区域与出口虚拟车牌号码获取模块中的无牌车检测区域匹配成功并输出。
12.如权利要求11所述的装置,所述无牌车检测包括:
车辆检测模块,用于采用车辆检测方法,从输入的场景图像中提取车辆检测区域;
车牌检测模块,用于采用车牌检测方法,对车辆检测区域进行车牌检测,若存在车牌则结束,否则将车辆检测区域标记为无牌车检测区域并输出。
13.如权利要求11所述的装置,其特征在于,所述无牌车虚拟车牌生成模块包括:
无牌车输入模块,用于输入无牌车检测区域;
车身颜色识别模块,用于采用基于深度学习的车身颜色识别方法,对无牌车检测区域进行车身颜色识别,输出无牌车检测区域的车身颜色识别结果;
车款识别模块,用于采用基于深度学习的车款识别方法,对无牌车检测区域进行车款识别,输出无牌车检测区域的车款识别结果;
虚拟车牌生成模块,用于按照真实车牌的形式,根据无牌车检测区域的车身颜色识别结果和车款识别结果,生成无牌车检测区域的虚拟车牌,输出无牌车检测区域与虚拟车牌号码。
14.如权利要求13所述的装置,其特征在于,所述车身颜色识别模块包括:
车身颜色识别模型训练模块,用于输入标记车身颜色的车辆样本图像,采用第一深度学习网络进行反复训练直至模型收敛,输出收敛的车身颜色识别模型;
车身颜色识别输出模块,用于采用车身颜色识别模型对无牌车检测区域进行车身颜色识别,输出无牌车检测区域的车身颜色识别结果。
15.如权利要求13所述的装置,其特征在于,所述车款识别模块包括:
车款识别模型训练模块,用于输入标记车款的车辆样本图像,采用第二深度学习网络进行反复训练直至模型收敛,输出收敛的车款识别模型;
车款识别输出模块,用于采用车款识别模型对无牌车检测区域进行车款识别,输出无牌车检测区域的车款识别结果。
16.如权利要求13所述的装置,其特征在于,所述虚拟车牌生成模块包括:
第一字符设定模块,用于将虚拟车牌的第一位字符设定为一个汉字;
第二字符生成模块,用于根据设定的颜色与字符的映射,获取无牌车检测区域的车身颜色所映射的字符并标记为虚拟车牌的第二位字符;
后面字符生成模块,用于根据设定的车款与字符的映射,获取无牌车检测区域的车款所映射的字符串并依次标记为虚拟车牌的第三位字符~第八位字符;
虚拟字符输出模块,用于依次输出虚拟车牌的第一位字符~第八位字符。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710739294.3A CN107564294A (zh) | 2017-08-25 | 2017-08-25 | 基于虚拟车牌的无牌车识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710739294.3A CN107564294A (zh) | 2017-08-25 | 2017-08-25 | 基于虚拟车牌的无牌车识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107564294A true CN107564294A (zh) | 2018-01-09 |
Family
ID=60977008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710739294.3A Withdrawn CN107564294A (zh) | 2017-08-25 | 2017-08-25 | 基于虚拟车牌的无牌车识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107564294A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764375A (zh) * | 2018-06-25 | 2018-11-06 | 交通运输部科学研究院 | 高速公路货运车辆跨省匹配方法及装置 |
CN110097758A (zh) * | 2018-01-31 | 2019-08-06 | 杭州海康威视数字技术股份有限公司 | 车辆信息输出、存储方法及装置 |
CN111079751A (zh) * | 2019-12-16 | 2020-04-28 | 深圳市芊熠智能硬件有限公司 | 识别车牌真伪的方法、装置、计算机设备及存储介质 |
CN112132984A (zh) * | 2020-09-22 | 2020-12-25 | 深圳市科漫达智能管理科技有限公司 | 一种无牌车出入停车场收费的方法及相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521986A (zh) * | 2011-12-05 | 2012-06-27 | 沈阳聚德视频技术有限公司 | 一种套牌车辆自动检测系统及其控制方法 |
CN106448184A (zh) * | 2016-12-15 | 2017-02-22 | 深圳市捷顺科技实业股份有限公司 | 车辆识别方法及车辆出场识别方法 |
CN106558115A (zh) * | 2015-09-28 | 2017-04-05 | 西安艾润物联网技术服务有限责任公司 | 停车场车辆进出控制方法和装置 |
CN106960579A (zh) * | 2017-05-22 | 2017-07-18 | 广东艾科智泊科技股份有限公司 | 一种无牌车的识别方法及使用其的停车场系统 |
US20170228944A1 (en) * | 2016-02-04 | 2017-08-10 | Triple Domain Vision Co., Ltd. | Method for billing of a parking fee |
-
2017
- 2017-08-25 CN CN201710739294.3A patent/CN107564294A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521986A (zh) * | 2011-12-05 | 2012-06-27 | 沈阳聚德视频技术有限公司 | 一种套牌车辆自动检测系统及其控制方法 |
CN106558115A (zh) * | 2015-09-28 | 2017-04-05 | 西安艾润物联网技术服务有限责任公司 | 停车场车辆进出控制方法和装置 |
US20170228944A1 (en) * | 2016-02-04 | 2017-08-10 | Triple Domain Vision Co., Ltd. | Method for billing of a parking fee |
CN106448184A (zh) * | 2016-12-15 | 2017-02-22 | 深圳市捷顺科技实业股份有限公司 | 车辆识别方法及车辆出场识别方法 |
CN106960579A (zh) * | 2017-05-22 | 2017-07-18 | 广东艾科智泊科技股份有限公司 | 一种无牌车的识别方法及使用其的停车场系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097758A (zh) * | 2018-01-31 | 2019-08-06 | 杭州海康威视数字技术股份有限公司 | 车辆信息输出、存储方法及装置 |
CN108764375A (zh) * | 2018-06-25 | 2018-11-06 | 交通运输部科学研究院 | 高速公路货运车辆跨省匹配方法及装置 |
CN111079751A (zh) * | 2019-12-16 | 2020-04-28 | 深圳市芊熠智能硬件有限公司 | 识别车牌真伪的方法、装置、计算机设备及存储介质 |
CN112132984A (zh) * | 2020-09-22 | 2020-12-25 | 深圳市科漫达智能管理科技有限公司 | 一种无牌车出入停车场收费的方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107564294A (zh) | 基于虚拟车牌的无牌车识别方法及装置 | |
CN108776772B (zh) | 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质 | |
CN109145759A (zh) | 车辆属性识别方法、装置、服务器及存储介质 | |
CN105957145A (zh) | 道路障碍物识别方法和装置 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
CN107066978A (zh) | 一种人群信息采集分析方法和系统 | |
CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
CN111291812B (zh) | 属性类别的获取方法及装置、存储介质、电子装置 | |
CN108717789A (zh) | 一种车辆样本的采集标注方法及装置 | |
CN112598192B (zh) | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 | |
CN109190488A (zh) | 基于深度学习YOLOv3算法的前车车门打开检测方法及装置 | |
CN110728295A (zh) | 半监督式的地貌分类模型训练和地貌图构建方法 | |
CN113096138A (zh) | 选择性像素亲和学习的弱监督语义图像分割方法 | |
CN112766206A (zh) | 一种高位视频车辆检测方法、装置、电子设备和存储介质 | |
CN114926766A (zh) | 识别方法及装置、设备、计算机可读存储介质 | |
CN114092927A (zh) | 一种车牌校正方法、装置、系统以及可读存储介质 | |
CN115063746A (zh) | 一种车辆入库管理方法、装置、计算机设备及存储介质 | |
CN115984486A (zh) | 一种融合激光雷达与深度相机的桥梁模型生成方法及装置 | |
Silva et al. | Automated road damage detection using UAV images and deep learning techniques | |
CN114821462A (zh) | 基于多分支并行混合空洞编码神经网络的目标检测方法 | |
CN112270671B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN113409194A (zh) | 泊车信息获取方法及装置、泊车方法及装置 | |
CN112364864A (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
CN115830399A (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
CN115909245A (zh) | 一种基于深度学习的视觉多任务处理方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180109 |