CN107977596A - 一种车牌状态识别方法及装置 - Google Patents
一种车牌状态识别方法及装置 Download PDFInfo
- Publication number
- CN107977596A CN107977596A CN201610940265.9A CN201610940265A CN107977596A CN 107977596 A CN107977596 A CN 107977596A CN 201610940265 A CN201610940265 A CN 201610940265A CN 107977596 A CN107977596 A CN 107977596A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- car plate
- detected
- characteristic area
- 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
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- 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
- 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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种车牌状态识别方法及装置,所述方法包括:获取包括待检测车辆的第一图像;识别所述第一图像的特征区域;其中,所述特征区域为包含所述待检测车辆的车牌的区域;确定包含所述特征区域的第二图像;将所述第二图像输入预先训练的卷积神经网络中,得到所述待检测车辆的车牌状态;其中,所述卷积神经网络是根据各包含第一样本图像的特征区域的第二样本图像,以及各第二样本图像对应的车牌状态训练得到的。本发明实施例能够提高车牌状态检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种车牌状态识别方法及装置。
背景技术
车牌是分别悬挂在车辆前后的两面板材,通常使用的材质是铝、塑料或贴纸,在板上会显示有关车辆的车牌号码、登记地区或其他的基本资料。车牌号码是车辆的“身份证”,是区别其他车辆的一项重要信息。
非正常状态的车牌是交警部门重点关注的车牌,如故意遮挡、或未悬挂车牌等。为了对各车辆进行有效监督,提高车辆行驶的安全性;或为了防止违法犯罪的事发生,当交警部门识别到悬挂有非正常状态车牌的车辆时,通常会对该车辆进行处罚。
现有的车牌状态识别方法,主要是由视频监控设备采集监控视频,然后将其采集的视频发送给监控中心。进而由作业人员通过观看该视频,人工识别监控视频中各车辆的车牌状态,如正常车牌、故意遮挡、或未悬挂车牌等。
然而,上述车牌状态识别方法,依赖于监控中心作业人员观看监控视频,来识别各车辆的车牌状态。然而,在实际工作中,长期观看监控视频,作业人员可能会因为眼睛疲劳等原因,识别错误车辆的车牌状态,从而导致车牌状态识别准确性较低。
发明内容
本发明实施例的目的在于提供一种车牌状态识别方法及装置,以提高车牌状态识别的准确性。具体技术方案如下:
第一方面,本发明实施例提供了一种车牌状态识别方法,所述方法包括:
获取包括待检测车辆的第一图像;
识别所述第一图像的特征区域;其中,所述特征区域为包含所述待检测车辆的车牌的区域;
确定包含所述特征区域的第二图像;
将所述第二图像输入预先训练的卷积神经网络中,得到所述待检测车辆的车牌状态;其中,所述卷积神经网络是根据各包含第一样本图像的特征区域的第二样本图像,以及各第二样本图像对应的车牌状态训练得到的。
可选地,所述识别所述第一图像的特征区域的步骤包括:
根据所述第一图像,确定所述待检测车辆的车辆轮廓;
根据所述待检测车辆的车辆轮廓,确定所述待检测车辆的特征点;
在所述待检测车辆的特征点中,识别预设位置处的特征点,并根据所识别的特征点确定特征区域。
可选地,所述车牌状态包括:故意遮挡、污损、未悬挂车牌、正常前后车遮挡、或正常车牌,所述方法还包括:
当确定所述待检测车辆的车牌状态为故意遮挡、污损、或未悬挂车牌时,输出报警信息。
可选地,所述输出报警信息的步骤包括:
展示所述第一图像,以及所述待检测车辆的车牌状态。
可选地,所述卷积神经网络的训练过程包括:
获取第一样本图像,并确定包含各第一样本图像的特征区域的第二样本图像;
将各第二样本图像,以及各第二样本图像对应的车牌状态作为训练样本,训练得到所述卷积神经网络。
第二方面,本发明实施例提供了一种车牌状态识别装置,所述装置包括:
第一获取模块,用于获取包括待检测车辆的第一图像;
识别模块,用于识别所述第一图像的特征区域;其中,所述特征区域为包含所述待检测车辆的车牌的区域;
确定模块,用于确定包含所述特征区域的第二图像;
执行模块,用于将所述第二图像输入预先训练的卷积神经网络中,得到所述待检测车辆的车牌状态;其中,所述卷积神经网络是根据各包含第一样本图像的特征区域的第二样本图像,以及各第二样本图像对应的车牌状态训练得到的。
可选地,所述识别模块包括:
第一确定子模块,用于根据所述第一图像,确定所述待检测车辆的车辆轮廓;
第二确定子模块,用于根据所述待检测车辆的车辆轮廓,确定所述待检测车辆的特征点;
识别子模块,用于在所述待检测车辆的特征点中,识别预设位置处的特征点,并根据所识别的特征点确定特征区域。
可选地,所述车牌状态包括:故意遮挡、污损、未悬挂车牌、正常前后车遮挡、或正常车牌,所述装置还包括:
报警模块,用于当确定所述待检测车辆的车牌状态为故意遮挡、污损、或未悬挂车牌时,输出报警信息。
可选地,所述报警模块,具体用于展示所述第一图像,以及所述待检测车辆的车牌状态。
可选地,所述装置还包括:
第二获取模块,用于获取第一样本图像,并确定包含各第一样本图像的特征区域的第二样本图像;
训练模块,用于将各第二样本图像,以及各第二样本图像对应的车牌状态作为训练样本,训练得到所述卷积神经网络。
本发明实施例提供了一种车牌状态识别方法及装置,所述方法包括:获取包括待检测车辆的第一图像;识别所述第一图像的特征区域;其中,所述特征区域为包含所述待检测车辆的车牌的区域;确定包含所述特征区域的第二图像;将所述第二图像输入预先训练的卷积神经网络中,得到所述待检测车辆的车牌状态;其中,所述卷积神经网络是根据各包含第一样本图像的特征区域的第二样本图像,以及各第二样本图像对应的车牌状态训练得到的。
本发明实施例中,可以预先根据各包含第一样本图像的特征区域的第二样本图像,以及各第二样本图像对应的车牌状态训练得到卷积神经网络,进而在进行车牌状态识别时,获取到包括待检测车辆的第一图像后,将包含第一图像的特征区域的第二图像输入卷积神经网络中,可以得到准确的待检测车辆的车牌状态。
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状态识别方法的流程图;
图2(a)为包括待检测车辆的第一图像的示意图;
图2(b)为图2(a)所示第一图像中待检测车辆的车辆轮廓示意图;
图2(c)为图2(a)所示第一图像中待检测车辆的特征点示意图;
图2(d)为图2(a)所示第一图像的特征区域示意图;
图3(a)为故意遮挡车牌示意图;
图3(b)为污损车牌示意图;
图3(c)为未悬挂车牌示意图;
图3(d)为正常前后车遮挡车牌示意图;
图3(e)为正常车牌示意图;
图4为本发明实施例提供的一种车牌状态识别方法的另一流程图;
图5为本发明实施例提供的一种车牌状态识别装置的结构示意图;
图6为本发明实施例提供的一种车牌状态识别装置的另一结构示意图。
具体实施方式
为了提高车牌状态识别的准确性,本发明实施例提供了一种车牌状态识别方法及装置。
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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了提高车牌状态识别的准确性,本发明实施例提供了一种车牌状态识别方法过程,如图1所示,该过程可以包括以下步骤:
S101,获取包括待检测车辆的第一图像。
本发明实施例提供的方法可以应用于电子设备。具体地,该电子设备可以为台式计算机、便携式计算机、智能移动终端等。
在本发明实施例中,为了识别道路上行驶的车辆的车牌状态,可以在需要进行车牌识别的道路上安装图像采集设备。其中,上述图像采集设备可以为球机、摄像机等,本发明实施例对此不进行限定。
并且,可以在图像采集设备与电子设备之间建立有线或无线连接,从而图像采集设备可以将其采集的图像发送给电子设备。例如,可以通过现有的任一种无线连接方式在图像采集设备与电子设备之间建立无线连接,本发明实施例对此不进行限定。
在本发明实施例中,图像采集设备可以采集包括待检测车辆的第一图像。如,图像采集设备可以按照预定的时间间隔,如1秒、5秒、10秒等,周期性检测其图像采集区域是否有车辆出现,当检测到其图像采集区域有车辆出现时,采集当前时刻的第一图像。并且,图像采集设备可以将其采集的第一图像发送给电子设备,以使电子设备根据该第一图像识别第一图像中包括的车辆的车牌状态。
因此,在本发明实施例中,电子设备可以获取包括待检测车辆的第一图像,以识别该第一图像中包括的车辆的车牌状态。请参考图2(a),其示出了电子设备获取的包含待检测车辆的第一图像示意图。
S102,识别所述第一图像的特征区域;其中,所述特征区域为包含所述待检测车辆的车牌的区域。
在本发明实施例中,获取到包括待检测车辆的第一图像后,电子设备可以根据该第一图像,识别待检测车辆的车牌状态。具体地,电子设备可以识别该第一图像的特征区域,其中,该特征区域为包含待检测车辆的车牌的区域。
例如,电子设备可以采用现有的图像识别方法,识别第一图像中包括的车牌,进而,确定车牌所在的区域为第一图像的特征区域。
需要说明的是,在本发明实施例中,电子设备识别第一图像的特征区域的过程,还可以采用现有的任一种方法,本发明实施例对此过程不进行赘述。
S103,确定包含所述特征区域的第二图像。
在本发明实施例中,当电子设备获取到第一图像的特征区域后,可以进一步确定包含该特征区域的第二图像,进而可以根据该第二图像,进行车牌状态的识别。
例如,电子设备可以仅将包含特征区域的图像确定为第二图像;或者,电子设备可以以特征区域为中心,上下左右向外扩充,获取预定大小的区域,如120像素*30像素、120像素*40像素等,并将包含该区域的图像确定为第二图像。
S104,将所述第二图像输入预先训练的卷积神经网络中,得到所述待检测车辆的车牌状态;其中,所述卷积神经网络是根据各包含第一样本图像的特征区域的第二样本图像,以及各第二样本图像对应的车牌状态训练得到的。
在本发明实施例中,为了提高车牌状态识别的准确性,电子设备可以预先根据一定数量的包含第一样本图像的特征区域的第二样本图像,如100张、500张、1000张等,以及各第二样本图像对应的车牌状态训练得到卷积神经网络。使用该卷积神经网络,当输入包括第一图像的特征区域的第二图像时,该卷积神经网络可以输出第一图像中包括的待检测车辆的车牌状态。
因此,在本发明实施例中,在进行车牌状态识别时,当电子设备获得包含第一图像的特征区域的第二图像后,其可以将该第二图像输入预先训练的卷积神经网络中,得到第一图像中包括的待检测车辆的车牌状态。
本发明实施例中,可以预先根据各包含第一样本图像的特征区域的第二样本图像,以及各第二样本图像对应的车牌状态训练得到卷积神经网络,进而在进行车牌状态识别时,获取到包括待检测车辆的第一图像后,将包含第一图像的特征区域的第二图像输入卷积神经网络中,可以得到准确的待检测车辆的车牌状态。
作为本发明实施例的一种实施方式,为了提高第一图像的特征区域确定的准确性,进而提高待检测车辆车牌状态识别准确性,电子设备确定第一图像特征区域可以按如下步骤进行:根据第一图像,确定待检测车辆的车辆轮廓;根据待检测车辆的车辆轮廓,确定待检测车辆的特征点;在待检测车辆的特征点中,识别预设位置处的特征点,并根据所识别的特征点确定特征区域。
例如,电子设备可以采用现有的图像识别方法,识别第一图像中包括的待检测车辆,进而确定待检测车辆的车辆轮廓。如,可以确定包含待检测车辆的长方形轮廓、正方形轮廓等为车辆轮廓。
请参考图2(b),其示出了图2(a)所示第一图像中待检测车辆的车辆轮廓示意图。如图2(b)所示,其中的长方形轮廓200即为待检测车辆的车辆轮廓。
确定第一图像中包括的待检测车辆的车辆轮廓后,电子设备可以进一步地根据待检测车辆的车辆轮廓,确定待检测车辆的特征点。其中,特征点可以为预先设定的能够体现车辆各部分结构的特征点,如车灯、车辆品牌标识、车下延等所在位置处的点。
例如,电子设备可以预先设定各特征点所在结构,如车灯、车下延等,识别对应的各部分结构,即车灯、车下延等。进而,可以根据识别的车灯、车下延等结构,确定各特征点。如,电子设备识别到车灯后,可以确定由车灯构成的三角形,进而将三角形的三个顶点分别确定为三个特征点;电子设备识别到车下延后,可以将车下延的中点确定为特征点。
请参考图2(c),其示出了图2(a)所示第一图像中待检测车辆的特征点示意图。如图2(c)所示,本发明实施例中,电子设备确定的待检测车辆的特征点可以为:待检测车辆的其中一个车灯构成的三角形的三个顶点210、220、230,待检测车辆的另一个车灯构成的三角形的三个顶点240、250、260,以及待检测车辆的车下延的中点270。
确定待检测车辆的特征点后,电子设备可以在待检测车辆的特征点中,识别预设位置处的特征点,并根据所识别的特征点确定特征区域。如,电子设备可以在由车灯确定的三个特征点中,识别靠近车辆中部和下部的两个特征点,以及车下延的特征点。并根据车灯中部的特征点确定特征区域的上边界,根据两个车灯的下部两个特征点分别确定特征区域的左右边界,根据车下延的特征点确定特征区域的下边界,从而确定特征区域。
请参考图2(d),其示出了图2(a)所示第一图像的特征区域示意图。如图2(d)所示,本发明实施例中,电子设备可以根据车灯中部的特征点210、260确定特征区域的上边界,根据两个车灯的下部两个特征点230、240分别确定特征区域的左右边界,根据车下延的特征点270确定特征区域的下边界,从而确定特征区域280。
作为本发明实施例的一种实施方式,电子设备识别的车牌状态可以包括:故意遮挡、污损、未悬挂车牌、正常前后车遮挡、或正常车牌。其中,故意遮挡、污损、未悬挂车牌为异常状态的车牌,正常前后车遮挡、或正常车牌均为正常状态的车牌。
请参考图3(a)-图3(e),其中,图3(a)为故意遮挡车牌示意图;图3(b)为污损车牌示意图;图3(c)为未悬挂车牌示意图;图3(d)为正常前后车遮挡车牌示意图;图3(e)为正常车牌示意图。
在本发明实施例中,当电子设备确定待检测车辆的车牌状态为故意遮挡、污损、或未悬挂车牌时,其可以输出报警信息,以提醒工作人员当前图像中出现的待检测车辆的车牌为异常状态的车牌,该待检测车辆为需要重点关注的车辆。其中,输出报警信息时,电子设备可以展示第一图像,以及待检测车辆的车牌状态。
在本发明实施例中,电子设备可以预先训练得到用于进行车牌状态识别的卷积神经网络。具体地,如图4所示,本发明实施例提供的车牌识别方法,还可以包括以下步骤:
S201,获取第一样本图像,并确定包含各第一样本图像的特征区域的第二样本图像。
本发明实施例中,电子设备在训练卷积神经网络时,可以首先获取第一样本图像。例如,电子设备可以获取尽可能多的第一样本图像,并且,第一样本图像可以包含每种状态的车牌。
获取到第一样本图像后,电子设备还可以确定包含各第一样本图像的特征区域的第二样本图像。具体地,电子设备可以首先识别各第一样本图像的特征区域,进而确定包含各特征区域的第二样本图像。其中,各第一样本图像的特征区域为包含车辆车牌的区域。
例如,电子设备可以采用现有的图像识别方法,识别各第一样本图像中包括的车牌,进而,确定车牌所在的区域为各第一样本图像的特征区域。
或者,电子设备可以根据针对第一样本图像,确定该第一样本图像中包括的车辆的车辆轮廓;根据车辆轮廓,确定车辆的特征点;在车辆的特征点中,识别预设位置处的特征点,并根据所识别的特征点确定特征区域。
需要说明的是,在本发明实施例中,电子设备识别各第一样本图像的特征区域的过程,还可以采用现有的任一种方法,本发明实施例对此过程不进行赘述。
当电子设备获取到各第一样本图像的特征区域后,可以进一步确定包含各特征区域的各第二样本图像,进而可以根据各第二样本图像,训练得到卷积神经网络。
例如,电子设备可以仅将包含特征区域的图像确定为第二样本图像;或者,电子设备可以以特征区域为中心,上下左右向外扩充,获取预定大小的区域,如120像素*30像素、120像素*40像素等,并将包含该区域的图像确定为第二样本图像。
S202,将各第二样本图像,以及各第二样本图像对应的车牌状态作为训练样本,训练得到所述卷积神经网络。
得到各第二样本图像后,电子设备可以将各第二样本图像,以及与各第二样本图像对应的车牌状态作为训练样本,训练得到卷积神经网络。
需要说明的是,在本发明实施例中,卷积神经网络的训练过程可以采用现有技术,本发明实施例对此过程不进行赘述。
本发明实施例中,可以预先根据各包含第一样本图像的特征区域的第二样本图像,以及各第二样本图像对应的车牌状态训练得到卷积神经网络,进而在进行车牌状态识别时,获取到包括待检测车辆的第一图像后,将包含第一图像的特征区域的第二图像输入卷积神经网络中,可以得到准确的待检测车辆的车牌状态。
相应于上面的方法实施例,本发明实施例还提供了相应的装置实施例。
图5为本发明实施例提供的一种车牌状态识别装置,所述装置包括:
第一获取模块510,用于获取包括待检测车辆的第一图像;
识别模块520,用于识别所述第一图像的特征区域;其中,所述特征区域为包含所述待检测车辆的车牌的区域;
确定模块530,用于确定包含所述特征区域的第二图像;
执行模块540,用于将所述第二图像输入预先训练的卷积神经网络中,得到所述待检测车辆的车牌状态;其中,所述卷积神经网络是根据各包含第一样本图像的特征区域的第二样本图像,以及各第二样本图像对应的车牌状态训练得到的。
本发明实施例中,可以预先根据各包含第一样本图像的特征区域的第二样本图像,以及各第二样本图像对应的车牌状态训练得到卷积神经网络,进而在进行车牌状态识别时,获取到包括待检测车辆的第一图像后,将包含第一图像的特征区域的第二图像输入卷积神经网络中,可以得到准确的待检测车辆的车牌状态。
作为本发明实施例的一种实施方式,所述识别模块520包括:
第一确定子模块(图中未示出),用于根据所述第一图像,确定所述待检测车辆的车辆轮廓;
第二确定子模块(图中未示出),用于根据所述待检测车辆的车辆轮廓,确定所述待检测车辆的特征点;
识别子模块(图中未示出),用于在所述待检测车辆的特征点中,识别预设位置处的特征点,并根据所识别的特征点确定特征区域。
作为本发明实施例的一种实施方式,所述车牌状态包括:故意遮挡、污损、未悬挂车牌、正常前后车遮挡、或正常车牌,所述装置还包括:
报警模块(图中未示出),用于当确定所述待检测车辆的车牌状态为故意遮挡、污损、或未悬挂车牌时,输出报警信息。
作为本发明实施例的一种实施方式,所述报警模块,具体用于展示所述第一图像,以及所述待检测车辆的车牌状态。
作为本发明实施例的一种实施方式,如图6所示,所述装置还包括:
第二获取模块550,用于获取第一样本图像,并确定包含各第一样本图像的特征区域的第二样本图像;
训练模块560,用于将各第二样本图像,以及各第二样本图像对应的车牌状态作为训练样本,训练得到所述卷积神经网络。
对于装置/系统实施例而言,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。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,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。
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 (10)
1.一种车牌状态识别方法,其特征在于,所述方法包括:
获取包括待检测车辆的第一图像;
识别所述第一图像的特征区域;其中,所述特征区域为包含所述待检测车辆的车牌的区域;
确定包含所述特征区域的第二图像;
将所述第二图像输入预先训练的卷积神经网络中,得到所述待检测车辆的车牌状态;其中,所述卷积神经网络是根据各包含第一样本图像的特征区域的第二样本图像,以及各第二样本图像对应的车牌状态训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述识别所述第一图像的特征区域的步骤包括:
根据所述第一图像,确定所述待检测车辆的车辆轮廓;
根据所述待检测车辆的车辆轮廓,确定所述待检测车辆的特征点;
在所述待检测车辆的特征点中,识别预设位置处的特征点,并根据所识别的特征点确定特征区域。
3.根据权利要求1所述的方法,其特征在于,所述车牌状态包括:故意遮挡、污损、未悬挂车牌、正常前后车遮挡、或正常车牌,所述方法还包括:
当确定所述待检测车辆的车牌状态为故意遮挡、污损、或未悬挂车牌时,输出报警信息。
4.根据权利要求3所述的方法,其特征在于,所述输出报警信息的步骤包括:
展示所述第一图像,以及所述待检测车辆的车牌状态。
5.根据权利要求1所述的方法,其特征在于,所述卷积神经网络的训练过程包括:
获取第一样本图像,并确定包含各第一样本图像的特征区域的第二样本图像;
将各第二样本图像,以及各第二样本图像对应的车牌状态作为训练样本,训练得到所述卷积神经网络。
6.一种车牌状态识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取包括待检测车辆的第一图像;
识别模块,用于识别所述第一图像的特征区域;其中,所述特征区域为包含所述待检测车辆的车牌的区域;
确定模块,用于确定包含所述特征区域的第二图像;
执行模块,用于将所述第二图像输入预先训练的卷积神经网络中,得到所述待检测车辆的车牌状态;其中,所述卷积神经网络是根据各包含第一样本图像的特征区域的第二样本图像,以及各第二样本图像对应的车牌状态训练得到的。
7.根据权利要求6所述的装置,其特征在于,所述识别模块包括:
第一确定子模块,用于根据所述第一图像,确定所述待检测车辆的车辆轮廓;
第二确定子模块,用于根据所述待检测车辆的车辆轮廓,确定所述待检测车辆的特征点;
识别子模块,用于在所述待检测车辆的特征点中,识别预设位置处的特征点,并根据所识别的特征点确定特征区域。
8.根据权利要求6所述的装置,其特征在于,所述车牌状态包括:故意遮挡、污损、未悬挂车牌、正常前后车遮挡、或正常车牌,所述装置还包括:
报警模块,用于当确定所述待检测车辆的车牌状态为故意遮挡、污损、或未悬挂车牌时,输出报警信息。
9.根据权利要求8所述的装置,其特征在于,所述报警模块,具体用于展示所述第一图像,以及所述待检测车辆的车牌状态。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取第一样本图像,并确定包含各第一样本图像的特征区域的第二样本图像;
训练模块,用于将各第二样本图像,以及各第二样本图像对应的车牌状态作为训练样本,训练得到所述卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610940265.9A CN107977596A (zh) | 2016-10-25 | 2016-10-25 | 一种车牌状态识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610940265.9A CN107977596A (zh) | 2016-10-25 | 2016-10-25 | 一种车牌状态识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107977596A true CN107977596A (zh) | 2018-05-01 |
Family
ID=62004965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610940265.9A Pending CN107977596A (zh) | 2016-10-25 | 2016-10-25 | 一种车牌状态识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977596A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898134A (zh) * | 2018-06-27 | 2018-11-27 | 北京字节跳动网络技术有限公司 | 号码识别方法、装置、终端设备和存储介质 |
CN109344886A (zh) * | 2018-09-17 | 2019-02-15 | 公安部交通管理科学研究所 | 基于卷积神经网络的遮挡号牌判别方法 |
CN110717365A (zh) * | 2018-07-13 | 2020-01-21 | 杭州海康威视数字技术股份有限公司 | 一种获取图片的方法及装置 |
CN110909692A (zh) * | 2019-11-27 | 2020-03-24 | 北京格灵深瞳信息技术有限公司 | 异常车牌识别方法、装置及计算机存储介质、电子设备 |
CN110930740A (zh) * | 2019-11-07 | 2020-03-27 | 唐志玉 | 一种交通红绿灯 |
CN111161542A (zh) * | 2018-11-08 | 2020-05-15 | 杭州海康威视数字技术股份有限公司 | 车辆识别方法及装置 |
CN111723795A (zh) * | 2019-03-21 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 异常车牌识别方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542806A (zh) * | 2010-12-28 | 2012-07-04 | 沈阳聚德视频技术有限公司 | 高速公路行驶车辆遮挡号牌实时监测系统及其控制方法 |
CN102568202A (zh) * | 2011-12-23 | 2012-07-11 | 北京易华录信息技术股份有限公司 | 车牌遮挡检测系统及检测方法 |
US20130058523A1 (en) * | 2011-09-01 | 2013-03-07 | Xerox Corporation | Unsupervised parameter settings for object tracking algorithms |
CN103730009A (zh) * | 2012-10-12 | 2014-04-16 | 博隆建亚科技(北京)有限公司 | 一种无车牌车辆检测方法及系统 |
CN104951784A (zh) * | 2015-06-03 | 2015-09-30 | 杨英仓 | 一种车辆无牌及车牌遮挡实时检测方法 |
CN105512662A (zh) * | 2015-06-12 | 2016-04-20 | 北京卓视智通科技有限责任公司 | 一种无牌车辆检测方法及装置 |
CN105844266A (zh) * | 2016-06-12 | 2016-08-10 | 桂林金铱星科技发展有限公司 | 反遮挡和涂改的车牌识别系统及方法 |
CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
-
2016
- 2016-10-25 CN CN201610940265.9A patent/CN107977596A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542806A (zh) * | 2010-12-28 | 2012-07-04 | 沈阳聚德视频技术有限公司 | 高速公路行驶车辆遮挡号牌实时监测系统及其控制方法 |
US20130058523A1 (en) * | 2011-09-01 | 2013-03-07 | Xerox Corporation | Unsupervised parameter settings for object tracking algorithms |
CN102568202A (zh) * | 2011-12-23 | 2012-07-11 | 北京易华录信息技术股份有限公司 | 车牌遮挡检测系统及检测方法 |
CN103730009A (zh) * | 2012-10-12 | 2014-04-16 | 博隆建亚科技(北京)有限公司 | 一种无车牌车辆检测方法及系统 |
CN104951784A (zh) * | 2015-06-03 | 2015-09-30 | 杨英仓 | 一种车辆无牌及车牌遮挡实时检测方法 |
CN105512662A (zh) * | 2015-06-12 | 2016-04-20 | 北京卓视智通科技有限责任公司 | 一种无牌车辆检测方法及装置 |
CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
CN105844266A (zh) * | 2016-06-12 | 2016-08-10 | 桂林金铱星科技发展有限公司 | 反遮挡和涂改的车牌识别系统及方法 |
Non-Patent Citations (1)
Title |
---|
时念锋: "基于卡口图像的涉牌违法车辆智能检测", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898134A (zh) * | 2018-06-27 | 2018-11-27 | 北京字节跳动网络技术有限公司 | 号码识别方法、装置、终端设备和存储介质 |
CN108898134B (zh) * | 2018-06-27 | 2020-11-06 | 北京字节跳动网络技术有限公司 | 号码识别方法、装置、终端设备和存储介质 |
CN110717365A (zh) * | 2018-07-13 | 2020-01-21 | 杭州海康威视数字技术股份有限公司 | 一种获取图片的方法及装置 |
CN110717365B (zh) * | 2018-07-13 | 2022-05-31 | 杭州海康威视数字技术股份有限公司 | 一种获取图片的方法及装置 |
CN109344886A (zh) * | 2018-09-17 | 2019-02-15 | 公安部交通管理科学研究所 | 基于卷积神经网络的遮挡号牌判别方法 |
CN109344886B (zh) * | 2018-09-17 | 2022-05-13 | 公安部交通管理科学研究所 | 基于卷积神经网络的遮挡号牌判别方法 |
CN111161542A (zh) * | 2018-11-08 | 2020-05-15 | 杭州海康威视数字技术股份有限公司 | 车辆识别方法及装置 |
CN111723795A (zh) * | 2019-03-21 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 异常车牌识别方法、装置、电子设备及存储介质 |
CN111723795B (zh) * | 2019-03-21 | 2023-02-03 | 杭州海康威视数字技术股份有限公司 | 异常车牌识别方法、装置、电子设备及存储介质 |
CN110930740A (zh) * | 2019-11-07 | 2020-03-27 | 唐志玉 | 一种交通红绿灯 |
CN110909692A (zh) * | 2019-11-27 | 2020-03-24 | 北京格灵深瞳信息技术有限公司 | 异常车牌识别方法、装置及计算机存储介质、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977596A (zh) | 一种车牌状态识别方法及装置 | |
WO2018058958A1 (zh) | 一种道路车辆交通告警系统及其方法 | |
CN105390021B (zh) | 车位状态的检测方法及装置 | |
CN106355874B (zh) | 一种违章车辆的监控和报警方法、装置及系统 | |
US11361556B2 (en) | Deterioration diagnosis device, deterioration diagnosis system, deterioration diagnosis method, and storage medium for storing program | |
CN110430401A (zh) | 车辆盲区预警方法、预警装置、mec平台和存储介质 | |
CN110991224B (zh) | 基于图像识别的行人闯红灯检测方法、装置及相关设备 | |
CN104599443A (zh) | 一种基于信息融合的驾驶行为预警车载终端及其预警方法 | |
CN110738150B (zh) | 相机联动抓拍方法、装置以及计算机存储介质 | |
KR102174556B1 (ko) | 차량번호 인식과 인공지능을 이용해 교통정보를 관제하는 영상감시장치 | |
CN104282154A (zh) | 一种车辆超载监控系统及方法 | |
CN107316006A (zh) | 一种道路障碍物检测的方法和系统 | |
CN205281786U (zh) | 报警系统 | |
CN112071084A (zh) | 一种利用深度学习判断违章停车的方法和系统 | |
CN103456168A (zh) | 一种交通路口行人行为监测系统和方法 | |
CN112950907A (zh) | 一种预警方法、装置、设备及介质 | |
CN108806275A (zh) | 基于车联网的车辆行为监管方法及车联网系统 | |
CN111666821A (zh) | 人员聚集的检测方法、装置及设备 | |
CN108986476A (zh) | 机动车未按规定使用远光灯识别方法、系统及存储介质 | |
CN111127066A (zh) | 基于用户信息的挖掘应用方法和装置 | |
CN113674314A (zh) | 抛洒事件检测方法、装置、电子装置和存储介质 | |
CN110223505A (zh) | 一种行人闯红灯行为的确定方法及装置 | |
CN109887303B (zh) | 随意变更车道行为预警系统及方法 | |
KR102403170B1 (ko) | 외부기기 제어 및 차량번호판 인식기능을 가진 영상감시장치 | |
CN108922199A (zh) | 基于车联网的车辆行为监管方法及车联网系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180501 |