CN108073923B - 一种车牌校正方法及装置 - Google Patents
一种车牌校正方法及装置 Download PDFInfo
- Publication number
- CN108073923B CN108073923B CN201610986803.8A CN201610986803A CN108073923B CN 108073923 B CN108073923 B CN 108073923B CN 201610986803 A CN201610986803 A CN 201610986803A CN 108073923 B CN108073923 B CN 108073923B
- Authority
- CN
- China
- Prior art keywords
- license plate
- determining
- vehicle passing
- passing record
- vehicle
- 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.)
- Active
Links
Images
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
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/768—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using context analysis, e.g. recognition aided by known co-occurring patterns
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种车牌校正方法及装置,首先确定出待校正车牌及其对应的待校正过车记录,然后确定出待校正车牌的相似车牌,将每个相似车牌对应的过车记录与该待校正过车记录进行匹配,由此确定出每个相似车牌与待校正车牌的匹配概率,将匹配概率最大的相似车牌确定为校正后的车牌。因此,实现了对识别错误的车牌进行校正。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种车牌校正方法及装置。
背景技术
车牌识别技术已经被广泛应用。通常情况下,将识别出的车辆的车牌及该车辆的出现时间、出现地点、外形特征、车辆类型等信息对应存储于过车记录中,以便后续使用。比如,当出现交通事件、抢劫事件等重大事件时,可以通过查询存储的过车记录,确定出可疑车辆。
但是,由于对车牌进行图像采集的采集设备的安装位置、拍摄角度等影响,或者进行图像采集时的能见度、可见光等环境影响,对车牌进行识别时,会出现识别错误的情况。
如果车牌识别错误,则存储的过车记录错误,使用错误的过车记录会造成不可预估的后果。
发明内容
本发明实施例的目的在于提供一种车牌校正方法及装置,对识别错误的车牌进行校正。
为达到上述目的,本发明实施例公开了一种车牌校正方法,包括:
确定待校正车牌及其对应的待校正过车记录;
根据存储的过车记录,确定所述待校正车牌的至少一个相似车牌;
针对每个相似车牌,确定其对应的待匹配过车记录,并将所述待匹配过车记录与所述待校正过车记录的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率;
将匹配概率最大的相似车牌确定为校正后的车牌。
可选的,所述确定待校正车牌及其对应的待校正过车记录的步骤可以包括:
获取已识别第一车牌及其对应的第一过车记录;
针对每个第一车牌,根据预设规则,判断对该第一车牌的识别是否准确;
如果否,将该第一车牌确定为待校正车牌,将该第一车牌对应的第一过车记录确定为待校正过车记录。
可选的,所述针对每个第一车牌,根据预设规则,判断对该第一车牌的识别是否准确的步骤可以包括:
针对每个第一车牌,判断其是否符合预设命名规则;如果否,表示对该第一车牌的识别不准确;
和/或,
针对每个第一车牌,判断该第一车牌中是否存在不确定字符;其中,所述不确定字符对应的识别结果中包含至少两个候选字符,且所述至少候选两个字符对应的概率的差值小于第一预设阈值;如果是,表示对该第一车牌的识别不准确;
和/或,
针对每个第一车牌,确定该第一车牌对应的车辆类型,判断所确定的车辆类型与该第一车牌对应的第一过车记录中包含的车辆类型是否一致;如果否,表示对该第一车牌的识别不准确。
可选的,所述针对每个第一车牌,根据预设规则,判断对该第一车牌的识别是否准确的步骤可以包括:
针对每个第一车牌,确定该第一车牌对应的第一过车记录中包含的车辆的第一出现时间及第一出现地点;
根据预设的第一时间段划分规则,确定所述第一出现时间对应的第一时间段;
统计所述第一时间段内的、所述第一车牌的历史第一过车记录的数量;
判断所述数量是否小于第二预设阈值,如果小于,根据预设的第二时间段划分规则,确定所述第一出现时间对应的第二时间段;根据预设的第一区域划分规则,确定所述第一出现地点对应的第一目标区域;确定位于所述第二时间段内、且位于所述第一目标区域内的全部第二过车记录;其中,所述第二过车记录对应的第二车牌与该第一车牌不同;所述第一区域划分规则根据所述第二时间段划分规则设定;
针对所确定的每个第二过车记录,确定其对应的第二车牌与该第一车牌的相似度;
当存在相似度大于第三预设阈值的情况时,表示对该第一车牌的识别不准确。
可选的,所述针对每个第一车牌,根据预设规则,判断对该第一车牌的识别是否准确的步骤可以包括:
针对每个第一车牌,获取存储的该第一车牌的历史第一过车记录;
判断该第一车牌对应的第一过车记录与所述历史第一过车记录是否相匹配;
如果否,表示对该第一车牌的识别不准确。
可选的,所述判断该第一车牌对应的第一过车记录与所述历史第一过车记录是否相匹配的步骤可以包括:
判断该第一车牌对应的第一过车记录中包含的车辆的外形特征与所述历史第一过车记录中包含的车辆的外形特征是否一致,如果否,表示该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配;
和/或,
确定该第一车牌对应的第一过车记录中包含的车辆的第一出现时间及第一出现地点、以及所述历史第一过车记录中包含的车辆的第二出现时间及第二出现地点;
确定所述第一出现时间与所述第二出现时间的第一时间差值、以及所述第一出现地点与所述第二出现地点的第一距离差值;
判断所述第一距离差值与所述第一时间差值的商是否在预设区间,如果否,表示该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配。
可选的,所述根据存储的过车记录,确定所述待校正车牌的至少一个相似车牌的步骤可以包括:
确定所述待校正过车记录中包含的第一外形特征;
确定存储的过车记录中包含的每个第二外形特征;
查找与所述第一外形特征相同的目标第二外形特征;
将所查找到的目标第二外形特征对应的车牌确定为所述待校正车牌的相似车牌。
可选的,所述根据存储的过车记录,确定所述待校正车牌的至少一个相似车牌的步骤可以包括:
将相似度大于第三预设阈值的第二车牌确定为所述待校正车牌的相似车牌。
可选的,所述针对每个相似车牌,确定其对应的待匹配过车记录的步骤可以包括:
确定所述待校正过车记录中包含的车辆的第三出现时间及第三出现地点;
根据预设的第三时间段划分规则,确定所述第三出现时间对应的第三时间段;
根据预设的第二区域划分规则,确定所述第三出现地点对应的第二目标区域;其中,所述第二区域划分规则根据所述第三时间段划分规则设定;
针对每个相似车牌,将位于所述第三时间段内、且位于所述第二目标区域内的、该相似车牌的历史过车记录确定为该相似车牌对应的待匹配过车记录。
可选的,每个相似车牌对应的待匹配过车记录至少有两条;所述将所述待匹配过车记录与所述待校正过车记录的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率的步骤可以包括:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
根据所述每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点,确定该相似车牌对应的轨迹;
将所述第三出现时间及第三出现地点与所述轨迹的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
可选的,所述将所述待匹配过车记录与所述待校正过车记录的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率的步骤可以包括:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
针对所述每条待匹配过车记录,计算其包含的第四出现时间与所述第三出现时间的第二时间差值、以及其包含的第四出现地点与所述第三出现地点的第二距离差值;根据所述第二时间差值及所述第二距离差值,确定该条待匹配过车记录与所述待校正过车记录的匹配结果;
根据该相似车牌对应的每条待匹配过车记录与所述待校正过车记录的匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
可选的,所述将所述待匹配过车记录与所述待校正过车记录的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率的步骤可以包括:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
针对所述每条待匹配过车记录,计算其包含的第四出现时间与所述第三出现时间的第二时间差值;获取历史数据中、车辆在所述第四出现地点与所述第三出现地点之间的行驶时长数据;根据所获取的行驶时长数据,确定所述第二时间差值对应的时长概率;根据所述时长概率,确定该条待匹配过车记录与所述待校正过车记录的匹配结果;
根据该相似车牌对应的每条待匹配过车记录与所述待校正过车记录的匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
为达到上述目的,本发明实施例还公开了一种一种车牌校正装置,包括:
第一确定模块,用于确定待校正车牌及其对应的待校正过车记录;
第二确定模块,用于根据存储的过车记录,确定所述待校正车牌的至少一个相似车牌;
第三确定模块,用于针对每个相似车牌,确定其对应的待匹配过车记录;
第四确定模块,用于将所述待匹配过车记录与所述待校正过车记录的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率;
第五确定模块,用于将匹配概率最大的相似车牌确定为校正后的车牌。
可选的,所述第一确定模块,可以包括:
获取子模块,用于获取已识别第一车牌及其对应的第一过车记录;
判断子模块,用于针对每个第一车牌,根据预设规则,判断对该第一车牌的识别是否准确;如果否,触发第一确定子模块;
第一确定子模块,用于将该第一车牌确定为待校正车牌,将该第一车牌对应的第一过车记录确定为待校正过车记录。
可选的,所述判断子模块,具体可以用于:
针对每个第一车牌,判断其是否符合预设命名规则;如果否,表示对该第一车牌的识别不准确,触发所述第一确定子模块;
和/或,
针对每个第一车牌,判断该第一车牌中是否存在不确定字符;其中,所述不确定字符对应的识别结果中包含至少两个候选字符,且所述至少候选两个字符对应的概率的差值小于第一预设阈值;如果是,表示对该第一车牌的识别不准确,触发所述第一确定子模块;
和/或,
针对每个第一车牌,确定该第一车牌对应的车辆类型,判断所确定的车辆类型与该第一车牌对应的第一过车记录中包含的车辆类型是否一致;如果否,表示对该第一车牌的识别不准确,触发所述第一确定子模块。
可选的,所述判断子模块,具体可以用于:
针对每个第一车牌,确定该第一车牌对应的第一过车记录中包含的车辆的第一出现时间及第一出现地点;
根据预设的第一时间段划分规则,确定所述第一出现时间对应的第一时间段;
统计所述第一时间段内的、所述第一车牌的历史第一过车记录的数量;
判断所述数量是否小于第二预设阈值,如果小于,根据预设的第二时间段划分规则,确定所述第一出现时间对应的第二时间段;根据预设的第一区域划分规则,确定所述第一出现地点对应的第一目标区域;确定位于所述第二时间段内、且位于所述第一目标区域内的全部第二过车记录;其中,所述第二过车记录对应的第二车牌与该第一车牌不同;所述第一区域划分规则根据所述第二时间段划分规则设定;
针对所确定的每个第二过车记录,确定其对应的第二车牌与该第一车牌的相似度;
当存在相似度大于第三预设阈值的情况时,表示对该第一车牌的识别不准确。
可选的,所述判断子模块,可以包括:
获取单元,用于针对每个第一车牌,获取存储的该第一车牌的历史第一过车记录;
判断单元,用于判断该第一车牌对应的第一过车记录与所述历史第一过车记录是否相匹配;如果否,表示对该第一车牌的识别不准确。
可选的,所述判断单元,具体可以用于:
判断该第一车牌对应的第一过车记录中包含的车辆的外形特征与所述历史第一过车记录中包含的车辆的外形特征是否一致,如果否,表示该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配;
和/或,
确定该第一车牌对应的第一过车记录中包含的车辆的第一出现时间及第一出现地点、以及所述历史第一过车记录中包含的车辆的第二出现时间及第二出现地点;
确定所述第一出现时间与所述第二出现时间的第一时间差值、以及所述第一出现地点与所述第二出现地点的第一距离差值;
判断所述第一距离差值与所述第一时间差值的商是否在预设区间,如果否,表示该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配。
可选的,所述第二确定模块,具体可以用于:
确定所述待校正过车记录中包含的第一外形特征;
确定存储的过车记录中包含的每个第二外形特征;
查找与所述第一外形特征相同的目标第二外形特征;
将所查找到的目标第二外形特征对应的车牌确定为所述待校正车牌的相似车牌。
可选的,所述第二确定模块,具体可以用于:
将相似度大于第三预设阈值的第二车牌确定为所述待校正车牌的相似车牌。
可选的,所述第三确定模块,可以包括:
第二确定子模块,用于确定所述待校正过车记录中包含的车辆的第三出现时间及第三出现地点;
第三确定子模块,用于根据预设的第三时间段划分规则,确定所述第三出现时间对应的第三时间段;
第四确定子模块,用于根据预设的第二区域划分规则,确定所述第三出现地点对应的第二目标区域;其中,所述第二区域划分规则根据所述第三时间段划分规则设定;
第五确定子模块,用于针对每个相似车牌,将位于所述第三时间段内、且位于所述第二目标区域内的、该相似车牌的历史过车记录确定为该相似车牌对应的待匹配过车记录。
可选的,每个相似车牌对应的待匹配过车记录至少有两条;所述第四确定模块,具体可以用于:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
根据所述每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点,确定该相似车牌对应的轨迹;
将所述第三出现时间及第三出现地点与所述轨迹的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
可选的,所述第四确定模块,具体可以用于:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
针对所述每条待匹配过车记录,计算其包含的第四出现时间与所述第三出现时间的第二时间差值、以及其包含的第四出现地点与所述第三出现地点的第二距离差值;根据所述第二时间差值及所述第二距离差值,确定该条待匹配过车记录与所述待校正过车记录的匹配结果;
根据该相似车牌对应的每条待匹配过车记录与所述待校正过车记录的匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
可选的,所述第四确定模块,具体可以用于:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
针对所述每条待匹配过车记录,计算其包含的第四出现时间与所述第三出现时间的第二时间差值;获取历史数据中、车辆在所述第四出现地点与所述第三出现地点之间的行驶时长数据;根据所获取的行驶时长数据,确定所述第二时间差值对应的时长概率;根据所述时长概率,确定该条待匹配过车记录与所述待校正过车记录的匹配结果;
根据该相似车牌对应的每条待匹配过车记录与所述待校正过车记录的匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
应用本发明所示实施例,首先确定出待校正车牌及其对应的待校正过车记录,然后确定出待校正车牌的相似车牌,将每个相似车牌对应的过车记录与该待校正过车记录进行匹配,由此确定出每个相似车牌与待校正车牌的匹配概率,将匹配概率最大的相似车牌确定为校正后的车牌。因此,实现了对识别错误的车牌进行校正。
当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
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校正方法的流程示意图;
图2为本发明实施例提供的一种车牌校正装置的结构示意图。
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作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。
为了解决上述技术问题,本发明实施例提供了一种车牌校正方法及装置,可以应用于计算机、平板电脑等各种电子设备,具体不作限定。下面首先对本发明实施例提供的车牌校正方法进行详细说明。
图1为本发明实施例提供的一种车牌校正方法的流程示意图,包括:
S101:确定待校正车牌及其对应的待校正过车记录。
待校正车牌即可以理解为识别错误的车牌。确定出待校正车牌的方式可以有多种,作为一种实施方式:可以获取已识别第一车牌及其对应的第一过车记录;针对每个第一车牌,根据预设规则,判断对该第一车牌的识别是否准确;如果否,将该第一车牌确定为待校正车牌,将该第一车牌对应的第一过车记录确定为待校正过车记录。
本方案可以在获取到的全部已识别车牌中确定出待校正车牌,也可以根据实际需求,在预设的部分已识别车牌中确定出待校正车牌,具体不做限定。
假设在获取到的全部已识别车牌中确定出待校正车牌,则第一车牌可以为获取到的任一已识别车牌,针对所获取的每个已识别车牌(第一车牌),判断其识别是否准确。具体方式可以多种,比如:
第一种判断方式,针对每个第一车牌,判断其是否符合预设命名规则;如果否,表示对该第一车牌的识别不准确。
举例来说,该预设命名规则可以包括:车牌长度为7个字符;如果出现长度不为7个字符的车牌,则表示对该车牌的识别不准确,该车牌为待校正车牌。再举一个例子,该预设命名规则可以包括:上海车牌的前两个字符包括:沪A、沪B、沪C、沪D四种情况;如果出现这四种情况以外的上海车牌,比如沪E、沪F等,表示对该车牌的识别不准确,该车牌为待校正车牌。
第二种判断方式,针对每个第一车牌,判断该第一车牌中是否存在不确定字符;其中,所述不确定字符对应的识别结果中包含至少两个候选字符,且所述至少候选两个字符对应的概率的差值小于第一预设阈值;如果是,表示对该第一车牌的识别不准确。
利用现有的识别技术对车牌进行识别时,每个字符对应的识别结果中包括候选字符及其对应的概率;当候选字符只有一个时,其对应的概率一般为100%,当候选字符有多个时,这多个候选字符对应的概率之和一般为100%。
举例来说,假设对车牌中的字符“D”进行识别,得到的识别结果中包括三个候选字符“D”、“O”和“Q”。其中,“D”对应的概率为70%,“O”对应的概率为20%,“Q”对应的概率为10%。这表示车牌中的字符“D”有70%的可能为“D”,有20%的可能为“O”,有10%的可能为“Q”。
如果每个候选字符对应的概率的差值小于预设阈值,假设该预设阈值为10%,假设车牌中的某个字符对应的识别结果中包含两个候选字符“Z”和“2”,其中,“Z”对应的概率为53%,“2”对应的概率为47%。两个候选字符“Z”和“2”对应的概率的差值小于预设阈值,也就是说,车牌中的该字符为“Z”或者为“2”的可能性相差不大,这种情况下,该字符为不确定字符。
当一个车牌中存在上述不确定字符时,表示对该车牌的识别不准确,该车牌为待校正车牌。
第三种判断方式,针对每个第一车牌,确定该第一车牌对应的车辆类型,判断所确定的车辆类型与该第一车牌对应的第一过车记录中包含的车辆类型是否一致;如果否,表示对该第一车牌的识别不准确。
通常情况下,可以通过车牌确定车辆类型,比如,车牌中包含“津E”,则表示该车牌对应的车辆类型为出租车。如果第一车牌中包含“津E”,但是该第一车牌对应的第一过车记录中包含的车辆类型不为出租车,则表示对该第一车牌的识别不准确,该第一车牌为待校正车牌。
第四种判断方式,针对每个第一车牌,确定该第一车牌对应的第一过车记录中包含的车辆的第一出现时间及第一出现地点;根据预设的第一时间段划分规则,确定所述第一出现时间对应的第一时间段;统计所述第一时间段内的、所述第一车牌的历史第一过车记录的数量;判断所述数量是否小于第二预设阈值,如果小于,根据预设的第二时间段划分规则,确定所述第一出现时间对应的第二时间段;根据预设的第一区域划分规则,确定所述第一出现地点对应的第一目标区域;确定位于所述第二时间段内、且位于所述第一目标区域内的全部第二过车记录;其中,所述第二过车记录对应的第二车牌与该第一车牌不同;所述第一区域划分规则根据所述第二时间段划分规则设定;针对所确定的每个第二过车记录,确定其对应的第二车牌与该第一车牌的相似度;当存在相似度大于第三预设阈值的情况时,表示对该第一车牌的识别不准确。
举例来说,假设第一车牌对应的第一过车记录中包含的车辆的第一出现时间为2016年11月1日上午10:00、第一出现地点为A1。第一时间段划分规则可以根据实际情况进行设定,比如,将一天设定为一个时间段,则第一出现时间对应的第一时间段为2016年11月1日。
统计第一时间段(2016年11月1日)内的、该第一车牌的历史第一过车记录的数量,并判断该数量是否小于第二预设阈值。可以理解的是,通常情况下,一辆车在一次出行中会通过多个卡口,一般卡口处都会采集过车记录,这样,一个车牌在一个时间段内一般都会有多条历史过车记录。如果在第一时间段内,该第一车牌的历史第一过车记录的数量很少,则对该第一车牌的识别有可能不准确。
假设该数量为1次,第二预设阈值为2,也就是说,该数量小于第二预设阈值,这种情况下,根据预设的第二时间段划分规则,确定所述第一出现时间对应的第二时间段。该第二时间段划分规则可以根据实际情况进行设定,可以跟第一时间段划分规则相同或不同。这里假设第二时间段划分规则将一个小时划分为一个时间段,则第一出现时间对应的第二时间段可以为2016年11月1日上午10:00-11:00,或者为2016年11月1日上午9:00-10:00,或者为2016年11月1日上午9:30-10:30等等,具体不做限定。
根据预设的第一区域划分规则,确定第一出现地点A1对应的第一目标区域。需要说明的是,第一区域划分规则根据第二时间段划分规则设定。可以理解的是,如果第二时间段划分规则将一个小时划分为一个时间段,第一区域划分规则便可以将一辆车在一个小时之内可以行驶到的地点划分为一个区域。
确定位于第二时间段内、且位于第一目标区域内的全部第二过车记录。为了区分描述,这里将位于第二时间段内、且位于第一目标区域内的过车记录中除该第一过车记录以外的过车记录称为第二过车记录。
将第二过车记录中包含的车牌称为第二车牌。将每个第二车牌与第一车牌进行相似度计算。可以理解的是,如果对车牌识别错误,通常只是对车牌中部分字符识别错误,错误车牌与正确车牌应为相似车牌。根据上面描述,在第一时间段内,该第一车牌的历史第一过车记录的数量很少,对该第一车牌的识别可能不准确,这种情况下,如果在该第一车牌对应的车辆可能出现的时间(第二时间段内)、可能出现的地点(第一目标区域)出现了与该第一车牌相似的车牌,则该相似车牌可能才是该第一车牌对应的车辆的正确车牌。
也就是说,当存在相似度大于第三预设阈值的情况时,表示对该第一车牌的识别不准确。
第五种判断方式,针对每个第一车牌,获取存储的该第一车牌的历史第一过车记录;判断该第一车牌对应的第一过车记录与所述历史第一过车记录是否相匹配;如果否,表示对该第一车牌的识别不准确。
具体的,判断该第一车牌对应的第一过车记录与所述历史第一过车记录是否相匹配的方式也可以有多种,比如:
判断该第一车牌对应的第一过车记录中包含的车辆的外形特征与所述历史第一过车记录中包含的车辆的外形特征是否一致,如果否,表示该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配。
在本实施方式中,过车记录中可以包含车辆的外形特征,该外形特征可以理解为车辆的颜色、型号等。举例来说,假设第一过车记录中包含的车辆的外形特征为“黑色的奥迪A6”,而第一车牌的历史第一过车记录中包含的车辆的外形特征为“红色的东风标致308S”,则该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配,表示对该第一车牌的识别不准确,该第一车牌为待校正车牌。
需要说明的是,在本实施方式中,可以获取该第一车牌的多条历史第一过车记录,将这多条历史第一过车记录分别与该第一过车记录进行匹配;可以设定一个比例阈值,当不相匹配的历史第一过车记录与所获取的全部历史第一过车记录的数量之比大于该比例阈值时,则该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配,表示对该第一车牌的识别不准确,该第一车牌为待校正车牌。这样,可以避免只进行一次匹配的偶然性。
判断该第一车牌对应的第一过车记录与所述历史第一过车记录是否相匹配的方式还可以包括:
确定该第一车牌对应的第一过车记录中包含的车辆的第一出现时间及第一出现地点、以及所述历史第一过车记录中包含的车辆的第二出现时间及第二出现地点;
确定所述第一出现时间与所述第二出现时间的第一时间差值、以及所述第一出现地点与所述第二出现地点的第一距离差值;
判断所述第一距离差值与所述第一时间差值的商是否在预设区间,如果否,表示该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配。
需要说明的是,本发明所示实施例中的历史第一过车记录中包含的车辆的第二出现时间不一定晚于第一过车记录中包含的车辆的第一出现时间。也就是说,在本实施例中,存储的过车记录都称为历史过车记录,并不代表存储历史过车记录的时间一定晚于存储该第一过车记录的时间。
假设第一过车记录中包含的车辆的第一出现时间为2016年11月1日上午10:00、第一出现地点为A1,历史第一过车记录中包含的车辆的第二出现时间为2016年11月1日上午10:20、第二出现地点为A2。确定第一出现时间与第二出现时间的第一时间差值为20分钟,第一出现地点与第二出现地点的第一距离差值A2-A1,假设为40km。
第一距离差值与第一时间差值的商,也就是该车辆从A1行驶至A2的平均速度,为40km/20分钟=120km/h。假设该预设区间为10km/h-90km/h,该预设区间可以理解为正常情况下车辆的行驶速度。第一距离差值与第一时间差值的商不在该预设区间,也就是说,正常情况下,该车辆无法在20分钟内从A1行驶到A2,因此,该第一车牌对应的第一过车记录与该历史第一过车记录不相匹配,表示对该第一车牌的识别不准确,该第一车牌为待校正车牌。
需要说明的是,在本实施方式中,可以获取该第一车牌的多条历史第一过车记录,将这多条历史第一过车记录分别与该第一过车记录进行匹配;可以设定一个比例阈值,当不相匹配的历史第一过车记录与所获取的全部历史第一过车记录的数量之比大于该比例阈值时,则该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配,表示对该第一车牌的识别不准确,该第一车牌为待校正车牌。这样,可以避免只进行一次匹配的偶然性。
在本实施例中,也可以将上述几种判断方式任意组合来判断对该第一车牌的识别是否准确,比如,针对每个第一车牌,先判断其是否符合预设命名规则;如果是,再判断该第一车牌中是否存在不确定字符;如果否,再确定该第一车牌对应的车辆类型,判断所确定的车辆类型与该第一车牌对应的第一过车记录中包含的车辆类型是否一致;如果是,表示对该第一车牌的识别准确。
S102:根据存储的过车记录,确定所述待校正车牌的至少一个相似车牌。
作为一种实施方式,S102可以包括:
确定所述待校正过车记录中包含的第一外形特征;
确定存储的过车记录中包含的每个第二外形特征;
查找与所述第一外形特征一致的目标第二外形特征;
将所查找到的目标第二外形特征对应的车牌确定为所述待校正车牌的相似车牌。
在本实施方式中,过车记录中可以包含车辆的外形特征,该外形特征可以理解为车辆的颜色、型号等。为了方便描述,这里把待校正过车记录中包含的外形特征称为第一外形特征,将存储的过车记录中包含的外形特征称为第二外形特征。
举例来说,假设第一外形特征为“红色的东风标致308S”,则在存储的过车记录中查找“红色的东风标致308S”,将查找结果作为目标第二外形特征,将所查找到的目标第二外形特征对应的车牌确定为所述待校正车牌的相似车牌。
需要说明的是,如果采用上述第四种判断方式判断对第一车牌的识别是否准确,则可以直接将相似度大于第三预设阈值的第二车牌确定为待校正车牌的相似车牌。
S103:针对每个相似车牌,确定其对应的待匹配过车记录,并将所述待匹配过车记录与所述待校正过车记录的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
具体的,针对每个相似车牌,确定其对应的待匹配过车记录可以包括:
确定所述待校正过车记录中包含的车辆的第三出现时间及第三出现地点;
根据预设的第三时间段划分规则,确定所述第三出现时间对应的第三时间段;
根据预设的第二区域划分规则,确定所述第三出现地点对应的第二目标区域;其中,所述第二区域划分规则根据所述第三时间段划分规则设定;
针对每个相似车牌,将位于所述第三时间段内、且位于所述第二目标区域内的、该相似车牌的历史过车记录确定为该相似车牌对应的待匹配过车记录。
本实施例中,为了区分描述,将第一过车记录中包含的车辆的出现时间及地点称为第一出现时间及第一出现地点,将历史第一过车记录中包含的车辆的出现时间及地点称为第二出现时间及第二出现地点,将待校正过车记录中包含的车辆的出现时间及地点称为第三出现时间及第三出现地点。第一过车记录可能是待校正过车记录,因此,第一出现时间及第一出现地点可能与第三出现时间及第三出现地点相同或不同。这里假设第三出现时间为2016年11月1日上午10:00,第三出现地点为A1。
第三时间段划分规则可以根据实际情况进行设定,第三时间段划分规则可以与第一时间段划分规则及第二时间段划分规则相同或不同。这里假设第三时间段划分规则将一个小时划分为一个时间段,则第三出现时间对应的第三时间段可以为2016年11月1日上午10:00-11:00,或者为2016年11月1日上午9:00-10:00,或者为2016年11月1日上午9:30-10:30等等,这里假设为2016年11月1日上午9:30-10:30。
根据预设的第二区域划分规则,确定第三出现地点对应的第二目标区域。需要说明的是,第二区域划分规则根据第三时间段划分规则设定。可以理解的是,如果第三时间段划分规则将一个小时划分为一个时间段,第二区域划分规则便可以将一辆车在一个小时之内可以行驶到的地点划分为一个区域。
针对S102确定出的每个相似车牌,将位于第三时间段内、且位于第二目标区域内的、该相似车牌的历史过车记录确定为该相似车牌对应的待匹配过车记录。
将待匹配过车记录与待校正过车记录的进行匹配,匹配方式可以有多种,作为一种实施方式,当一个相似车牌对应的待匹配过车记录至少有两条时,匹配方式可以包括:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
根据所述每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点,确定该相似车牌对应的轨迹;
将所述第三出现时间及第三出现地点与所述轨迹的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
这里将待匹配过车记录中包含的车辆的出现时间及地点称为第四出现时间及对应的第四出现地点。举例来说,假设某个相似车牌对应三条待匹配过车记录,其中,第一条待匹配过车记录中包含的车辆的第四出现时间为2016年11月1日上午9:50、第四出现地点为A3,第二条待匹配过车记录中包含的车辆的第四出现时间为2016年11月1日上午10:10、第四出现地点为A4,第三条待匹配过车记录中包含的车辆的2016年11月1日第四出现时间为上午10:20、第四出现地点为A5。这样,三条过车记录便可以构成车辆的行驶轨迹,也就是该相似车牌对应的轨迹:2016年11月1日上午9:50、A3—2016年11月1日上午10:10、A4—2016年11月1日上午10:20、A5。
将上述第三出现时间及第三出现地点(2016年11月1日上午10:00、A1)与该轨迹进行匹配,也就是根据该轨迹计算该相似车牌对应的车辆有多大的概率在2016年11月1日上午10:00出现在A1,具体的,可以利用概率算法来计算,比如可以根据正态分布曲线来计算该概率。该概率即可以理解为该相似车牌与待校正车牌的匹配概率。
作为另一种实施方式,匹配方式可以包括:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
针对所述每条待匹配过车记录,计算其包含的第四出现时间与所述第三出现时间的第二时间差值、以及其包含的第四出现地点与所述第三出现地点的第二距离差值;根据所述第二时间差值及所述第二距离差值,确定该条待匹配过车记录与所述待校正过车记录的匹配结果;
根据该相似车牌对应的每条待匹配过车记录与所述待校正过车记录的匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
当相似车牌只对应一条待匹配过车记录时:
假设该条待匹配过车记录中包含的车辆的第四出现时间为2016年11月1日上午9:50、第四出现地点为A3,计算该第四出现时间2016年11月1日上午10:10与第三出现时间2016年11月1日上午10:00的第二时间差值为10分钟、以及该第四出现地点A3与第三出现地点A1的第二距离差值,假设为10km。
可以计算第二距离差值与第二时间差值的商,也就是该车辆从A3行驶至A1的平均速度,为10km/10分钟=60km/h,正常情况下车辆的行驶速度可以到达60km/h,也就是说,正常情况下,该车辆能够在10分钟内从A3行驶到A1。因此,该条待匹配过车记录与所述待校正过车记录相匹配。
由于该相似车牌只对应一条待匹配过车记录,因此,该条待匹配过车记录与待校正过车记录相匹配,则表示该相似车牌与待校正车牌的匹配概率为100%,该条待匹配过车记录与待校正过车记录不匹配,则表示该相似车牌与待校正车牌的匹配概率为0%。
同理,当相似车牌对应至少两条待匹配过车记录时,可以分别将每条待匹配过车记录与待校正过车记录相匹配,根据每个匹配结果,确定该相似车牌与待校正车牌的匹配概率。
假设相似车牌对应三条待匹配过车记录,其中,有两条待匹配过车记录与待校正车牌相匹配,则可以确定该相似车牌与待校正车牌的匹配概率为66%。
作为另一种实施方式,匹配方式可以包括:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
针对所述每条待匹配过车记录,计算其包含的第四出现时间与所述第三出现时间的第二时间差值;获取历史数据中、车辆在所述第四出现地点与所述第三出现地点之间的行驶时长数据;根据所获取的行驶时长数据,确定所述第二时间差值对应的时长概率;根据所述时长概率,确定该条待匹配过车记录与所述待校正过车记录的匹配结果;
根据该相似车牌对应的每条待匹配过车记录与所述待校正过车记录的匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
当相似车牌只对应一条待匹配过车记录时:
假设第三出现时间为2016年11月1日上午10:00,第三出现地点为A1;假设该条待匹配过车记录中包含的车辆的第四出现时间为2016年11月1日上午9:50、第四出现地点为A3,第四出现时间与第三出现时间的第二时间差值为10分钟。
获取历史数据中、车辆在A3与A1之间的行驶时长数据。具体的,可以预先存储同一车辆在各个卡口的出现时间,这样,便可以从存储的历史数据中获取同一车辆在A3与A1之间的行驶时长数据。或者,也可以获取A3及A1处采集的历史过车记录,在所获取的历史过车记录中查找同一车牌对应的多条过车记录,这样,也可以获取同一车辆在A3与A1之间的行驶时长数据。
根据所获取的行驶时长数据,可以确定通常情况下车辆在A3与A1之间行驶时长的分布情况,基于该分布情况可以确定车辆在10分钟内从A3行驶至A1的概率(时长概率)。
可以采用第一种方案,当该时长概率大于设定阈值时,认为该条待匹配过车记录与待校正过车记录相匹配。由于该相似车牌只对应一条待匹配过车记录,因此,该条待匹配过车记录与待校正过车记录相匹配,则表示该相似车牌与待校正车牌的匹配概率为100%,该条待匹配过车记录与待校正过车记录不匹配,则表示该相似车牌与待校正车牌的匹配概率为0%。
或者,可以采用第二种方案,将该时长概率作为该条待匹配过车记录与待校正过车记录的匹配结果,由于该相似车牌只对应一条待匹配过车记录,因此,该时长概率为该相似车牌与待校正车牌的匹配概率。
同理,当相似车牌对应至少两条待匹配过车记录时,可以分别将每条待匹配过车记录与待校正过车记录相匹配,根据每个匹配结果,确定该相似车牌与待校正车牌的匹配概率。
当采用上述第一种方案时,假设相似车牌对应三条待匹配过车记录,其中,有两条待匹配过车记录与待校正车牌相匹配,则可以确定该相似车牌与待校正车牌的匹配概率为66%。
当采用上述第二种方案时,假设相似车牌对应三条待匹配过车记录,其中,第一条待匹配过车记录与待校正过车记录的匹配结果(对应的时长概率)为80%,第二条待匹配过车记录与待校正过车记录的匹配结果(对应的时长概率)为70%,第三条待匹配过车记录与待校正过车记录的匹配结果(对应的时长概率)为60%;则可以将最小的时长概率确定为该相似车牌与待校正车牌的匹配概率;或者,也可以将三个时长概率的平均值确定为该相似车牌与待校正车牌的匹配概率,具体不做限定。
S104:将匹配概率最大的相似车牌确定为校正后的车牌。
应用本发明图1所示实施例,首先确定出待校正车牌及其对应的待校正过车记录,然后确定出待校正车牌的相似车牌,将每个相似车牌对应的过车记录与该待校正过车记录进行匹配,由此确定出每个相似车牌与待校正车牌的匹配概率,将匹配概率最大的相似车牌确定为校正后的车牌。因此,实现了对识别错误的车牌进行校正。
与上述方法实施例相对应,本发明实施例还提供一种车牌校正装置。
图2为本发明实施例提供的一种车牌校正装置的结构示意图,包括:
第一确定模块201,用于确定待校正车牌及其对应的待校正过车记录;
第二确定模块202,用于根据存储的过车记录,确定所述待校正车牌的至少一个相似车牌;
第三确定模块203,用于针对每个相似车牌,确定其对应的待匹配过车记录;
第四确定模块204,用于将所述待匹配过车记录与所述待校正过车记录的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率;
第五确定模块205,用于将匹配概率最大的相似车牌确定为校正后的车牌。
在本实施例中,第一确定模块201,可以包括:获取子模块、判断子模块和第一确定子模块(图中未示出),其中,
获取子模块,用于获取已识别第一车牌及其对应的第一过车记录;
判断子模块,用于针对每个第一车牌,根据预设规则,判断对该第一车牌的识别是否准确;如果否,触发第一确定子模块;
第一确定子模块,用于将该第一车牌确定为待校正车牌,将该第一车牌对应的第一过车记录确定为待校正过车记录。
在本实施例中,判断子模块,具体可以用于:
针对每个第一车牌,判断其是否符合预设命名规则;如果否,表示对该第一车牌的识别不准确,触发所述第一确定子模块;
和/或,
针对每个第一车牌,判断该第一车牌中是否存在不确定字符;其中,所述不确定字符对应的识别结果中包含至少两个候选字符,且所述至少候选两个字符对应的概率的差值小于第一预设阈值;如果是,表示对该第一车牌的识别不准确,触发所述第一确定子模块;
和/或,
针对每个第一车牌,确定该第一车牌对应的车辆类型,判断所确定的车辆类型与该第一车牌对应的第一过车记录中包含的车辆类型是否一致;如果否,表示对该第一车牌的识别不准确,触发所述第一确定子模块。
在本实施例中,判断子模块,具体可以用于:
针对每个第一车牌,确定该第一车牌对应的第一过车记录中包含的车辆的第一出现时间及第一出现地点;
根据预设的第一时间段划分规则,确定所述第一出现时间对应的第一时间段;
统计所述第一时间段内的、所述第一车牌的历史第一过车记录的数量;
判断所述数量是否小于第二预设阈值,如果小于,根据预设的第二时间段划分规则,确定所述第一出现时间对应的第二时间段;根据预设的第一区域划分规则,确定所述第一出现地点对应的第一目标区域;确定位于所述第二时间段内、且位于所述第一目标区域内的全部第二过车记录;其中,所述第二过车记录对应的第二车牌与该第一车牌不同;所述第一区域划分规则根据所述第二时间段划分规则设定;
针对所确定的每个第二过车记录,确定其对应的第二车牌与该第一车牌的相似度;
当存在相似度大于第三预设阈值的情况时,表示对该第一车牌的识别不准确。
在本实施例中,判断子模块,可以包括:
获取单元,用于针对每个第一车牌,获取存储的该第一车牌的历史第一过车记录;
判断单元,用于判断该第一车牌对应的第一过车记录与所述历史第一过车记录是否相匹配;如果否,表示对该第一车牌的识别不准确。
在本实施例中,判断单元,具体可以用于:
判断该第一车牌对应的第一过车记录中包含的车辆的外形特征与所述历史第一过车记录中包含的车辆的外形特征是否一致,如果否,表示该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配;
和/或,
确定该第一车牌对应的第一过车记录中包含的车辆的第一出现时间及第一出现地点、以及所述历史第一过车记录中包含的车辆的第二出现时间及第二出现地点;
确定所述第一出现时间与所述第二出现时间的第一时间差值、以及所述第一出现地点与所述第二出现地点的第一距离差值;
判断所述第一距离差值与所述第一时间差值的商是否在预设区间,如果否,表示该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配。
在本实施例中,第二确定模块202,具体可以用于:
确定所述待校正过车记录中包含的第一外形特征;
确定存储的过车记录中包含的每个第二外形特征;
查找与所述第一外形特征相同的目标第二外形特征;
将所查找到的目标第二外形特征对应的车牌确定为所述待校正车牌的相似车牌。
在本实施例中,第二确定模块202,具体可以用于:
将相似度大于第三预设阈值的第二车牌确定为所述待校正车牌的相似车牌。
在本实施例中,第三确定模块203,包括:
第二确定子模块,用于确定所述待校正过车记录中包含的车辆的第三出现时间及第三出现地点;
第三确定子模块,用于根据预设的第三时间段划分规则,确定所述第三出现时间对应的第三时间段;
第四确定子模块,用于根据预设的第二区域划分规则,确定所述第三出现地点对应的第二目标区域;其中,所述第二区域划分规则根据所述第三时间段划分规则设定;
第五确定子模块,用于针对每个相似车牌,将位于所述第三时间段内、且位于所述第二目标区域内的、该相似车牌的历史过车记录确定为该相似车牌对应的待匹配过车记录。
在本实施例中,每个相似车牌对应的待匹配过车记录至少有两条;第四确定模块204,具体可以用于:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
根据所述每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点,确定该相似车牌对应的轨迹;
将所述第三出现时间及第三出现地点与所述轨迹的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
在本实施例中,第四确定模块204,具体可以用于:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
针对所述每条待匹配过车记录,计算其包含的第四出现时间与所述第三出现时间的第二时间差值、以及其包含的第四出现地点与所述第三出现地点的第二距离差值;根据所述第二时间差值及所述第二距离差值,确定该条待匹配过车记录与所述待校正过车记录的匹配结果;
根据该相似车牌对应的每条待匹配过车记录与所述待校正过车记录的匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
在本实施例中,第四确定模块204,具体可以用于:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
针对所述每条待匹配过车记录,计算其包含的第四出现时间与所述第三出现时间的第二时间差值;获取历史数据中、车辆在所述第四出现地点与所述第三出现地点之间的行驶时长数据;根据所获取的行驶时长数据,确定所述第二时间差值对应的时长概率;根据所述时长概率,确定该条待匹配过车记录与所述待校正过车记录的匹配结果;
根据该相似车牌对应的每条待匹配过车记录与所述待校正过车记录的匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
应用本发明图2所示实施例,首先确定出待校正车牌及其对应的待校正过车记录,然后确定出待校正车牌的相似车牌,将每个相似车牌对应的过车记录与该待校正过车记录进行匹配,由此确定出每个相似车牌与待校正车牌的匹配概率,将匹配概率最大的相似车牌确定为校正后的车牌。因此,实现了对识别错误的车牌进行校正。
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,对于装置实施例而言,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。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,这里所称得的存储介质,如:ROM/RAM、磁碟、光盘等。
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 (22)
1.一种车牌校正方法,其特征在于,包括:
确定待校正车牌及其对应的待校正过车记录;
根据存储的过车记录,确定所述待校正车牌的至少一个相似车牌;
针对每个相似车牌,确定其对应的待匹配过车记录,并将所述待匹配过车记录与所述待校正过车记录的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率;
将匹配概率最大的相似车牌确定为校正后的车牌;
所述针对每个相似车牌,确定其对应的待匹配过车记录的步骤包括:
确定所述待校正过车记录中包含的车辆的第三出现时间及第三出现地点;
根据预设的第三时间段划分规则,确定所述第三出现时间对应的第三时间段;
根据预设的第二区域划分规则,确定所述第三出现地点对应的第二目标区域;其中,所述第二区域划分规则根据所述第三时间段划分规则设定;
针对每个相似车牌,将位于所述第三时间段内、且位于所述第二目标区域内的、该相似车牌的历史过车记录确定为该相似车牌对应的待匹配过车记录。
2.根据权利要求1所述的方法,其特征在于,所述确定待校正车牌及其对应的待校正过车记录的步骤包括:
获取已识别第一车牌及其对应的第一过车记录;
针对每个第一车牌,根据预设规则,判断对该第一车牌的识别是否准确;
如果否,将该第一车牌确定为待校正车牌,将该第一车牌对应的第一过车记录确定为待校正过车记录。
3.根据权利要求2所述的方法,其特征在于,所述针对每个第一车牌,根据预设规则,判断对该第一车牌的识别是否准确的步骤包括:
针对每个第一车牌,判断其是否符合预设命名规则;如果否,表示对该第一车牌的识别不准确;
和/或,
针对每个第一车牌,判断该第一车牌中是否存在不确定字符;其中,所述不确定字符对应的识别结果中包含至少两个候选字符,且所述至少候选两个字符对应的概率的差值小于第一预设阈值;如果是,表示对该第一车牌的识别不准确;
和/或,
针对每个第一车牌,确定该第一车牌对应的车辆类型,判断所确定的车辆类型与该第一车牌对应的第一过车记录中包含的车辆类型是否一致;如果否,表示对该第一车牌的识别不准确。
4.根据权利要求2所述的方法,其特征在于,所述针对每个第一车牌,根据预设规则,判断对该第一车牌的识别是否准确的步骤包括:
针对每个第一车牌,确定该第一车牌对应的第一过车记录中包含的车辆的第一出现时间及第一出现地点;
根据预设的第一时间段划分规则,确定所述第一出现时间对应的第一时间段;
统计所述第一时间段内的、所述第一车牌的历史第一过车记录的数量;
判断所述数量是否小于第二预设阈值,如果小于,根据预设的第二时间段划分规则,确定所述第一出现时间对应的第二时间段;根据预设的第一区域划分规则,确定所述第一出现地点对应的第一目标区域;确定位于所述第二时间段内、且位于所述第一目标区域内的全部第二过车记录;其中,所述第二过车记录对应的第二车牌与该第一车牌不同;所述第一区域划分规则根据所述第二时间段划分规则设定;
针对所确定的每个第二过车记录,确定其对应的第二车牌与该第一车牌的相似度;
当存在相似度大于第三预设阈值的情况时,表示对该第一车牌的识别不准确。
5.根据权利要求2所述的方法,其特征在于,所述针对每个第一车牌,根据预设规则,判断对该第一车牌的识别是否准确的步骤包括:
针对每个第一车牌,获取存储的该第一车牌的历史第一过车记录;
判断该第一车牌对应的第一过车记录与所述历史第一过车记录是否相匹配;
如果否,表示对该第一车牌的识别不准确。
6.根据权利要求5所述的方法,其特征在于,所述判断该第一车牌对应的第一过车记录与所述历史第一过车记录是否相匹配的步骤包括:
判断该第一车牌对应的第一过车记录中包含的车辆的外形特征与所述历史第一过车记录中包含的车辆的外形特征是否一致,如果否,表示该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配;
和/或,
确定该第一车牌对应的第一过车记录中包含的车辆的第一出现时间及第一出现地点、以及所述历史第一过车记录中包含的车辆的第二出现时间及第二出现地点;
确定所述第一出现时间与所述第二出现时间的第一时间差值、以及所述第一出现地点与所述第二出现地点的第一距离差值;
判断所述第一距离差值与所述第一时间差值的商是否在预设区间,如果否,表示该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配。
7.根据权利要求1所述的方法,其特征在于,所述根据存储的过车记录,确定所述待校正车牌的至少一个相似车牌的步骤包括:
确定所述待校正过车记录中包含的第一外形特征;
确定存储的过车记录中包含的每个第二外形特征;
查找与所述第一外形特征相同的目标第二外形特征;
将所查找到的目标第二外形特征对应的车牌确定为所述待校正车牌的相似车牌。
8.根据权利要求4所述的方法,其特征在于,所述根据存储的过车记录,确定所述待校正车牌的至少一个相似车牌的步骤包括:
将相似度大于第三预设阈值的第二车牌确定为所述待校正车牌的相似车牌。
9.根据权利要求1所述的方法,其特征在于,每个相似车牌对应的待匹配过车记录至少有两条;所述将所述待匹配过车记录与所述待校正过车记录的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率的步骤包括:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
根据所述每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点,确定该相似车牌对应的轨迹;
将所述第三出现时间及第三出现地点与所述轨迹的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
10.根据权利要求1所述的方法,其特征在于,所述将所述待匹配过车记录与所述待校正过车记录的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率的步骤包括:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
针对所述每条待匹配过车记录,计算其包含的第四出现时间与所述第三出现时间的第二时间差值、以及其包含的第四出现地点与所述第三出现地点的第二距离差值;根据所述第二时间差值及所述第二距离差值,确定该条待匹配过车记录与所述待校正过车记录的匹配结果;
根据该相似车牌对应的每条待匹配过车记录与所述待校正过车记录的匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
11.根据权利要求1所述的方法,其特征在于,所述将所述待匹配过车记录与所述待校正过车记录的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率的步骤包括:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
针对所述每条待匹配过车记录,计算其包含的第四出现时间与所述第三出现时间的第二时间差值;获取历史数据中、车辆在所述第四出现地点与所述第三出现地点之间的行驶时长数据;根据所获取的行驶时长数据,确定所述第二时间差值对应的时长概率;根据所述时长概率,确定该条待匹配过车记录与所述待校正过车记录的匹配结果;
根据该相似车牌对应的每条待匹配过车记录与所述待校正过车记录的匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
12.一种车牌校正装置,其特征在于,包括:
第一确定模块,用于确定待校正车牌及其对应的待校正过车记录;
第二确定模块,用于根据存储的过车记录,确定所述待校正车牌的至少一个相似车牌;
第三确定模块,用于针对每个相似车牌,确定其对应的待匹配过车记录;
第四确定模块,用于将所述待匹配过车记录与所述待校正过车记录的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率;
第五确定模块,用于将匹配概率最大的相似车牌确定为校正后的车牌;
所述第三确定模块,包括:
第二确定子模块,用于确定所述待校正过车记录中包含的车辆的第三出现时间及第三出现地点;
第三确定子模块,用于根据预设的第三时间段划分规则,确定所述第三出现时间对应的第三时间段;
第四确定子模块,用于根据预设的第二区域划分规则,确定所述第三出现地点对应的第二目标区域;其中,所述第二区域划分规则根据所述第三时间段划分规则设定;
第五确定子模块,用于针对每个相似车牌,将位于所述第三时间段内、且位于所述第二目标区域内的、该相似车牌的历史过车记录确定为该相似车牌对应的待匹配过车记录。
13.根据权利要求12所述的装置,其特征在于,所述第一确定模块,包括:
获取子模块,用于获取已识别第一车牌及其对应的第一过车记录;
判断子模块,用于针对每个第一车牌,根据预设规则,判断对该第一车牌的识别是否准确;如果否,触发第一确定子模块;
第一确定子模块,用于将该第一车牌确定为待校正车牌,将该第一车牌对应的第一过车记录确定为待校正过车记录。
14.根据权利要求13所述的装置,其特征在于,所述判断子模块,具体用于:
针对每个第一车牌,判断其是否符合预设命名规则;如果否,表示对该第一车牌的识别不准确,触发所述第一确定子模块;
和/或,
针对每个第一车牌,判断该第一车牌中是否存在不确定字符;其中,所述不确定字符对应的识别结果中包含至少两个候选字符,且所述至少候选两个字符对应的概率的差值小于第一预设阈值;如果是,表示对该第一车牌的识别不准确,触发所述第一确定子模块;
和/或,
针对每个第一车牌,确定该第一车牌对应的车辆类型,判断所确定的车辆类型与该第一车牌对应的第一过车记录中包含的车辆类型是否一致;如果否,表示对该第一车牌的识别不准确,触发所述第一确定子模块。
15.根据权利要求13所述的装置,其特征在于,所述判断子模块,具体用于:
针对每个第一车牌,确定该第一车牌对应的第一过车记录中包含的车辆的第一出现时间及第一出现地点;
根据预设的第一时间段划分规则,确定所述第一出现时间对应的第一时间段;
统计所述第一时间段内的、所述第一车牌的历史第一过车记录的数量;
判断所述数量是否小于第二预设阈值,如果小于,根据预设的第二时间段划分规则,确定所述第一出现时间对应的第二时间段;根据预设的第一区域划分规则,确定所述第一出现地点对应的第一目标区域;确定位于所述第二时间段内、且位于所述第一目标区域内的全部第二过车记录;其中,所述第二过车记录对应的第二车牌与该第一车牌不同;所述第一区域划分规则根据所述第二时间段划分规则设定;
针对所确定的每个第二过车记录,确定其对应的第二车牌与该第一车牌的相似度;
当存在相似度大于第三预设阈值的情况时,表示对该第一车牌的识别不准确。
16.根据权利要求13所述的装置,其特征在于,所述判断子模块,包括:
获取单元,用于针对每个第一车牌,获取存储的该第一车牌的历史第一过车记录;
判断单元,用于判断该第一车牌对应的第一过车记录与所述历史第一过车记录是否相匹配;如果否,表示对该第一车牌的识别不准确。
17.根据权利要求16所述的装置,其特征在于,所述判断单元,具体用于:
判断该第一车牌对应的第一过车记录中包含的车辆的外形特征与所述历史第一过车记录中包含的车辆的外形特征是否一致,如果否,表示该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配;
和/或,
确定该第一车牌对应的第一过车记录中包含的车辆的第一出现时间及第一出现地点、以及所述历史第一过车记录中包含的车辆的第二出现时间及第二出现地点;
确定所述第一出现时间与所述第二出现时间的第一时间差值、以及所述第一出现地点与所述第二出现地点的第一距离差值;
判断所述第一距离差值与所述第一时间差值的商是否在预设区间,如果否,表示该第一车牌对应的第一过车记录与所述历史第一过车记录不相匹配。
18.根据权利要求12所述的装置,其特征在于,所述第二确定模块,具体用于:
确定所述待校正过车记录中包含的第一外形特征;
确定存储的过车记录中包含的每个第二外形特征;
查找与所述第一外形特征相同的目标第二外形特征;
将所查找到的目标第二外形特征对应的车牌确定为所述待校正车牌的相似车牌。
19.根据权利要求14所述的装置,其特征在于,所述第二确定模块,具体用于:
将相似度大于第三预设阈值的第二车牌确定为所述待校正车牌的相似车牌。
20.根据权利要求12所述的装置,其特征在于,每个相似车牌对应的待匹配过车记录至少有两条;所述第四确定模块,具体用于:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
根据所述每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点,确定该相似车牌对应的轨迹;
将所述第三出现时间及第三出现地点与所述轨迹的进行匹配,根据匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
21.根据权利要求12所述的装置,其特征在于,所述第四确定模块,具体用于:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
针对所述每条待匹配过车记录,计算其包含的第四出现时间与所述第三出现时间的第二时间差值、以及其包含的第四出现地点与所述第三出现地点的第二距离差值;根据所述第二时间差值及所述第二距离差值,确定该条待匹配过车记录与所述待校正过车记录的匹配结果;
根据该相似车牌对应的每条待匹配过车记录与所述待校正过车记录的匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
22.根据权利要求12所述的装置,其特征在于,所述第四确定模块,具体用于:
确定该相似车牌对应的每条待匹配过车记录中包含的车辆的第四出现时间及对应的第四出现地点;
针对所述每条待匹配过车记录,计算其包含的第四出现时间与所述第三出现时间的第二时间差值;获取历史数据中、车辆在所述第四出现地点与所述第三出现地点之间的行驶时长数据;根据所获取的行驶时长数据,确定所述第二时间差值对应的时长概率;根据所述时长概率,确定该条待匹配过车记录与所述待校正过车记录的匹配结果;
根据该相似车牌对应的每条待匹配过车记录与所述待校正过车记录的匹配结果,确定该相似车牌与所述待校正车牌的匹配概率。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610986803.8A CN108073923B (zh) | 2016-11-09 | 2016-11-09 | 一种车牌校正方法及装置 |
PCT/CN2017/107736 WO2018086460A1 (zh) | 2016-11-09 | 2017-10-26 | 一种车牌校正方法及装置 |
US16/348,431 US11023759B2 (en) | 2016-11-09 | 2017-10-26 | Method and device for correcting license plate |
EP17868799.2A EP3540646A4 (en) | 2016-11-09 | 2017-10-26 | DEVICE AND METHOD FOR CORRECTING LICENSE PLATE |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610986803.8A CN108073923B (zh) | 2016-11-09 | 2016-11-09 | 一种车牌校正方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108073923A CN108073923A (zh) | 2018-05-25 |
CN108073923B true CN108073923B (zh) | 2021-09-17 |
Family
ID=62110017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610986803.8A Active CN108073923B (zh) | 2016-11-09 | 2016-11-09 | 一种车牌校正方法及装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11023759B2 (zh) |
EP (1) | EP3540646A4 (zh) |
CN (1) | CN108073923B (zh) |
WO (1) | WO2018086460A1 (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846906B (zh) * | 2018-06-04 | 2021-07-30 | 西安艾润物联网技术服务有限责任公司 | 停车管理方法、系统及计算机可读存储介质 |
JP6828719B2 (ja) * | 2018-06-27 | 2021-02-10 | トヨタ自動車株式会社 | 車載装置および制御方法 |
CN109523790B (zh) * | 2018-10-26 | 2020-07-14 | 安徽四创电子股份有限公司 | 一种基于车牌相似度的车牌纠错方法 |
CN111833591A (zh) * | 2019-04-17 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 交通卡口的信息校验方法、装置、电子设备与存储介质 |
CN111368134B (zh) * | 2019-07-04 | 2023-10-27 | 杭州海康威视系统技术有限公司 | 一种交通数据处理的方法、装置、电子设备及存储介质 |
CN111369790B (zh) * | 2019-10-16 | 2021-11-09 | 杭州海康威视系统技术有限公司 | 过车记录校正方法、装置、设备及存储介质 |
CN111078973B (zh) * | 2019-12-16 | 2023-10-20 | 浙江省北大信息技术高等研究院 | 基于大数据的套牌车识别方法、设备及存储介质 |
CN111223305B (zh) * | 2019-12-25 | 2022-05-17 | 华为技术有限公司 | 涉牌违法的检测方法和装置 |
CN111523544A (zh) * | 2020-04-23 | 2020-08-11 | 上海眼控科技股份有限公司 | 车牌类型检测方法、系统、计算机设备及可读存储介质 |
CN111860412A (zh) * | 2020-07-29 | 2020-10-30 | 贵州数据宝网络科技有限公司 | 基于历史数据的车牌信息修复方法及系统 |
CN112183367B (zh) * | 2020-09-29 | 2022-12-02 | 重庆紫光华山智安科技有限公司 | 车辆数据检错方法、装置、服务器及存储介质 |
CN112396708B (zh) * | 2020-11-02 | 2022-11-04 | 北京精英路通科技有限公司 | 停车管理方法、装置、计算机设备及存储介质 |
CN112419366B (zh) * | 2020-11-30 | 2024-07-26 | 深圳力维智联技术有限公司 | 车辆的追踪方法、系统及计算机可读存储介质 |
CN112559507B (zh) * | 2020-12-22 | 2024-07-02 | 安徽百诚慧通科技股份有限公司 | 一种校正过车数据的方法 |
CN112800721A (zh) * | 2021-01-21 | 2021-05-14 | 浙江大华技术股份有限公司 | 车牌识别方法、装置、存储介质以及电子装置 |
CN114495031A (zh) * | 2022-03-31 | 2022-05-13 | 青岛海信网络科技股份有限公司 | 一种车牌信息校正方法、设备及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630361A (zh) * | 2008-12-30 | 2010-01-20 | 北京邮电大学 | 一种基于车牌、车身颜色和车标识别的套牌车辆识别设备及方法 |
CN102881169A (zh) * | 2012-09-26 | 2013-01-16 | 青岛海信网络科技股份有限公司 | 套牌车的检测方法 |
CN104392232A (zh) * | 2014-11-07 | 2015-03-04 | 北京邮电大学 | 一种交通场景下视频元数据的校正方法 |
CN104464302A (zh) * | 2014-12-22 | 2015-03-25 | 南京中兴力维软件有限公司 | 一种车牌识别智能纠错方法和系统 |
CN105117725A (zh) * | 2015-07-29 | 2015-12-02 | 安徽四创电子股份有限公司 | 一种基于车牌可信度的车牌自纠正识别方法 |
CN105118300A (zh) * | 2015-08-28 | 2015-12-02 | 浙江工业大学 | 交通抓拍自动识别车牌号码的纠错方法 |
CN105702047A (zh) * | 2016-03-04 | 2016-06-22 | 浙江宇视科技有限公司 | 一种套牌分析中车牌识别错误过滤方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722704B (zh) | 2012-06-12 | 2014-04-30 | 厦门宸天电子科技有限公司 | 一种融合视频动态跟踪的车牌识别方法和系统 |
KR20140118361A (ko) | 2013-03-29 | 2014-10-08 | 주식회사 엡스 | 종합 주차 관제 시스템 |
MY182746A (en) | 2013-05-28 | 2021-02-04 | Mimos Berhad | System and method for multiple license plates identification |
US10733471B1 (en) * | 2014-06-27 | 2020-08-04 | Blinker, Inc. | Method and apparatus for receiving recall information from an image |
US10901967B2 (en) * | 2015-04-09 | 2021-01-26 | Veritoll, Llc | License plate matching systems and methods |
US9922560B2 (en) * | 2016-03-14 | 2018-03-20 | International Business Machines Corporation | Interactive camera viewpoint and adjustment sharing system |
US10019640B2 (en) * | 2016-06-24 | 2018-07-10 | Accenture Global Solutions Limited | Intelligent automatic license plate recognition for electronic tolling environments |
-
2016
- 2016-11-09 CN CN201610986803.8A patent/CN108073923B/zh active Active
-
2017
- 2017-10-26 EP EP17868799.2A patent/EP3540646A4/en active Pending
- 2017-10-26 WO PCT/CN2017/107736 patent/WO2018086460A1/zh unknown
- 2017-10-26 US US16/348,431 patent/US11023759B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630361A (zh) * | 2008-12-30 | 2010-01-20 | 北京邮电大学 | 一种基于车牌、车身颜色和车标识别的套牌车辆识别设备及方法 |
CN102881169A (zh) * | 2012-09-26 | 2013-01-16 | 青岛海信网络科技股份有限公司 | 套牌车的检测方法 |
CN104392232A (zh) * | 2014-11-07 | 2015-03-04 | 北京邮电大学 | 一种交通场景下视频元数据的校正方法 |
CN104464302A (zh) * | 2014-12-22 | 2015-03-25 | 南京中兴力维软件有限公司 | 一种车牌识别智能纠错方法和系统 |
CN105117725A (zh) * | 2015-07-29 | 2015-12-02 | 安徽四创电子股份有限公司 | 一种基于车牌可信度的车牌自纠正识别方法 |
CN105118300A (zh) * | 2015-08-28 | 2015-12-02 | 浙江工业大学 | 交通抓拍自动识别车牌号码的纠错方法 |
CN105702047A (zh) * | 2016-03-04 | 2016-06-22 | 浙江宇视科技有限公司 | 一种套牌分析中车牌识别错误过滤方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US11023759B2 (en) | 2021-06-01 |
WO2018086460A1 (zh) | 2018-05-17 |
US20190272437A1 (en) | 2019-09-05 |
CN108073923A (zh) | 2018-05-25 |
EP3540646A1 (en) | 2019-09-18 |
EP3540646A4 (en) | 2019-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073923B (zh) | 一种车牌校正方法及装置 | |
US10019640B2 (en) | Intelligent automatic license plate recognition for electronic tolling environments | |
US20130132166A1 (en) | Smart toll network for improving performance of vehicle identification systems | |
CN106610981B (zh) | 电子地图中道路信息的验证更新方法及系统 | |
CN108389396B (zh) | 一种基于视频的车型匹配方法、装置和计费系统 | |
AU2017261601B2 (en) | Intelligent automatic license plate recognition for electronic tolling environments | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
US20170185868A1 (en) | Error detection in recognition data | |
CN108805312B (zh) | 一种相邻卡口的确定方法及装置 | |
CN108665699B (zh) | 一种预测车辆出现地点的方法及装置 | |
JP2011113440A (ja) | ナンバープレート認識プログラムおよびナンバープレート認識装置 | |
EP4020428A1 (en) | Method and apparatus for recognizing lane, and computing device | |
US20210089790A1 (en) | Bidirectional statistical consolidation of multi-modal grouped observations | |
CN111400533A (zh) | 图像筛选方法、装置、电子设备和存储介质 | |
CN108573244B (zh) | 一种车辆检测方法、装置及系统 | |
CN113127466A (zh) | 一种车辆轨迹数据预处理方法及计算机存储介质 | |
CN113505638A (zh) | 车流量的监测方法、监测装置及计算机可读存储介质 | |
CN114495520B (zh) | 一种车辆的计数方法、装置、终端和存储介质 | |
WO2018042208A1 (en) | Street asset mapping | |
CN117130010A (zh) | 用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车 | |
CN111814459A (zh) | 交通规则数据的处理方法、装置、存储介质及电子设备 | |
US20160358462A1 (en) | Method and system for vehicle data integration | |
Golze et al. | Impact analysis of accidents on the traffic flow based on massive floating car data | |
CN117612115B (zh) | 一种基于高速公路的车辆识别方法 | |
WO2024087290A1 (zh) | 一种道路标牌及安防设施缺失的检测方法、介质及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |