CN108091141B - 车牌识别系统 - Google Patents
车牌识别系统 Download PDFInfo
- Publication number
- CN108091141B CN108091141B CN201710948118.0A CN201710948118A CN108091141B CN 108091141 B CN108091141 B CN 108091141B CN 201710948118 A CN201710948118 A CN 201710948118A CN 108091141 B CN108091141 B CN 108091141B
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- vehicle
- sample
- recognized
- 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
- 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
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- 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
本公开提供了一种车牌识别系统,应用于安防监控技术领域,该车牌识别系统可以包括:车辆检测模块,用于利用车辆检测模型检测待识别图像中是否存在车辆,并在待识别图像中存在车辆时,向通信文件中写入与待识别图像对应的第一标识信息;车牌检测模块,用于从通信文件中获取到第一标识信息时,利用车牌检测模型检测与第一标识信息对应的待识别图像中是否存在车牌,并在待识别图像中存在车牌时,向通信文件中写入与待识别图像中的待识别车牌图像对应的第二标识信息;车牌识别模块,用于从通信文件中获取到第二标识信息时,利用车牌识别模型识别与第二标识信息对应的待识别车牌图像的车牌号。本公开大大提高了车牌识别系统的鲁棒性。
Description
技术领域
本公开涉及安防监控技术领域,尤其涉及一种车牌识别系统。
背景技术
车辆的车牌号码是车辆的唯一"身份"标识,车牌识别技术可以在车辆不作任何改动的情况下实现汽车"身份"的自动登记及验证,这项技术已经应用于公路收费、停车管理、称重系统、交通诱导、交通执法、公路稽查、车辆调度、车辆检测等各种场合中。
传统的车牌识别系统主要包括车牌定位模块、字符分割模块和字符识别模块。其中,车牌定位模块主要用于定位待识别图片中的车牌的位置;字符分割模块用于将对车牌进行分割已得到多个字符图片;字符识别模块用于识别字符图片中的字符。
然而,在传统的车牌识别系统中,由于各模块之间是直接衔接的在一起,因此,当其中一个模块出现故障时,可能导致与其关联的系统也同时出现故障,进而导致整个系统的崩溃,系统的鲁棒性较低。另外,在待识别车辆较多的情况下(例如,识别车流量较多的道路中的车辆的车牌),容易漏掉部分待识别车辆。此外,在实际的过程中由于拍摄角度的不同,可能使得获取到的车牌图像有一定的倾斜。在此情况下,可能导致无法定位到车牌,以及在对车牌中的字符进行分割的时候出现错误,进而导致无法识别出车牌图像的车牌号,降低了车牌识别的准确度。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种车牌识别系统,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开的一个方面,提供一种车牌识别系统,包括:
车辆检测模块,用于利用车辆检测模型检测待识别图像中是否存在车辆,并在所述待识别图像中存在车辆时,向通信文件中写入与所述待识别图像对应的第一标识信息;
车牌检测模块,用于从所述通信文件中获取到所述第一标识信息时,利用车牌检测模型检测与所述第一标识信息对应的所述待识别图像中是否存在车牌,并在所述待识别图像中存在车牌时,向所述通信文件中写入与所述待识别图像中的待识别车牌图像对应的第二标识信息;
车牌识别模块,用于从所述通信文件中获取到所述第二标识信息时,利用车牌识别模型识别与所述第二标识信息对应的所述待识别车牌图像的车牌号。
在本公开的一种示例性实施例中,所述系统还包括:
车辆检测模型生成模块,用于根据深度学习网络生成所述车辆检测模型。
在本公开的一种示例性实施例中,所述车辆检测模型生成模块包括:
获取单元,用于获取多角度拍摄的多个第一样本车辆图像,其中,所述第一样本车辆图像中至少包括一辆车辆;
标记单元,用于对各所述第一样本车辆图像中的车辆进行标记,以得到标记出所述车辆的多个第二样本车辆图像;
生成单元,用于基于所述多个第二样本车辆图像对所述深度学习网络进行训练,以生成所述车辆检测模型。
在本公开的一种示例性实施例中,所述系统还包括:
车牌检测模型生成模块,用于通过深度学习网络生成所述车牌检测模型。
在本公开的一种示例性实施例中,所述车牌检测模型生成模块包括:
获取单元,用于获取多角度拍摄的多个第一样本车牌图像;
标记单元,用于分别对各所述第一样本车牌图像中的车牌进行标记,以得到标记出所述车牌的多个第二样本车牌图像;
生成单元,用于基于所述多个第二样本车牌图像对所述深度学习网络进行训练,以生成所述车牌检测模型。
在本公开的一种示例性实施例中,所述系统还包括:
车牌识别模型生成模块,用于通过深度学习网络生成所述车牌识别模型。
在本公开的一种示例性实施例中,所述车牌识别模型生成模块包括:
获取单元,用于从多角度拍摄的多个样本车牌图像中获取多个第一样本字符图像;
标记单元,用于分别对各所述第一样本字符图像中的字符进行标记,以得到标记出所述字符的多个第二样本字符图像;
生成单元,用于基于所述多个第二样本字符图像对所述深度学习网络进行训练,以生成所述车牌识别模型。
在本公开的一种示例性实施例中,所述字符的类型包括省份、字母和数字。
在本公开的一种示例性实施例中,所述系统还包括:
图像获取模块,用于获取所述待识别图像;
车牌号输出模块,用于输出所述车牌识别模块识别出的所述待识别车牌图像的车牌号。
在本公开的一种示例性实施例中,所述待识别图像中包括多辆车辆。
本公开一种示例实施例提供的车牌识别系统。该车牌识别系统基于有效的判断机制并结合通信文件中的第一标识信息和第二标识信息将车辆检测模块、车牌检测模块以及车牌识别模块进行有效的衔接,以实现车牌号的识别。在上述车牌识别系统中,基于有效的判断机制并结合通信文件中的第一标识信息和第二标识信息将车辆检测模块、车牌检测模块以及车牌识别模块进行衔接,而不是将车辆检测模块、车牌检测模块以及车牌识别模块直接衔接在一起,故即使车辆检测模块、车牌检测模块以及车牌识别模块中的至少一个模块出现故障,也不会因为出现故障的模块影响其他模块的正常运行,大大提高了车牌识别系统的鲁棒性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
通过参照附图来详细描述其示例性实施例,本公开的上述和其它特征及优点将变得更加明显。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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。在附图中:
图1为本公开一种车牌识别系统的框图;
图2为本公开一种示例性实施例中提供的车牌识别结果的示意图一;
图3为本公开一种示例性实施例中提供的车牌识别结果的示意图二;
图4为本公开一种示例性实施例中提供的车牌识别结果的示意图三;
图5为本公开一种示例性实施例中提供的车牌识别结果的示意图四。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免模糊本公开的各方面。
此外,附图仅为本公开的示意性图解,并非一定是按照比例绘制。图中相同的附图标记标识相同或相似的部分,因而将省略对它们的重复描述。
本示例性实施例中首先公开了一种车牌识别系统,该车牌识别系统可以应用在公路收费、停车管理、称重系统、交通诱导、交通执法、公路稽查、车辆调度、车辆检测、小区车辆管理等各种场合中。参照图1 所示,所述车牌识别系统100可以包括:车辆检测模块101、车牌检测模块102、车牌识别模块103。其中:
车辆检测模块101可以用于利用车辆检测模型检测待识别图像中是否存在车辆,并在所述待识别图像中存在车辆时,向通信文件中写入与所述待识别图像对应的第一标识信息;
车牌检测模块102可以用于从所述通信文件中获取到所述第一标识信息时,利用车牌检测模型检测与所述第一标识信息对应的所述待识别图像中是否存在车牌,并在所述待识别图像中存在车牌时,向所述通信文件中写入与所述待识别图像中的待识别车牌图像对应的第二标识信息;
车牌识别模块103可以用于从所述通信文件中获取到所述第二标识信息时,利用车牌识别模型识别与所述第二标识信息对应的所述待识别车牌图像的车牌号。
本示例性实施例提供的车牌识别系统,基于有效的判断机制并结合通信文件中的第一标识信息和第二标识信息将车辆检测模块、车牌检测模块以及车牌识别模块进行衔接,而不是将车辆检测模块、车牌检测模块以及车牌识别模块直接衔接在一起,故即使车辆检测模块、车牌检测模块以及车牌识别模块中的至少一个模块出现故障,也不会因为出现故障的模块影响其他模块的正常运行,大大提高了车牌识别系统的鲁棒性。
下面,参照图1对本示例性实施例中的车牌识别系统100中的各部分作进一步的说明。
车辆检测模块101可以用于利用车辆检测模型检测待识别图像中是否存在车辆,并在所述待识别图像中存在车辆时,向通信文件中写入与所述待识别图像对应的第一标识信息。
在本示例性实施例中,所述待识别图像可以为公路收费、停车管理、称重系统、交通诱导、交通执法、公路稽查、车辆调度、车辆检测、小区车辆管理等各种场合中的监控设备拍摄到的图像。所述待识别图像中可以包括多辆车辆,例如,可以包括3辆车辆,也可以包括2辆车辆,还可以包括1辆车辆或不包括车辆,即不存在车辆。所述车辆的类型可以是面包车、轿车、卡车等,本示例性实施例对此不作特殊限定。所述通信文件用于存储第一标识信息和第二标识信息,其中,第一标识信息用于表示与其对应的待识别图像中存在车辆,其可以为数字信息,还可以为文字信息等,本示例性实施例对此不作特殊限定。第二标识信息将在下文进行详细的描述,因此此处不作赘述。
在本示例性实施例中,可以通过对深度学习网络进行训练的方式生成车辆检测模型。该车辆检测模型可以对待识别图像中的车辆进行识别,进而通过识别结果判断该待识别图像中是否存在车辆。在该待识别图像中存在车辆时,车辆检测模块向通信文件写入与该待识别图像对应的第一标识信息,并将该待识别图像存储至第一存储模块中。
此外,所述车牌识别系统100还可以包括图像获取模块,该图像获取模块可以用于获取所述待识别图像。在本示例性实施例中,可以通过图像获取装置获取待识别图像。所述图像获取装置可以为摄像头、微型拍摄飞机等,本示例性实施例对此不作特殊限定。
车牌检测模块102可以用于从所述通信文件中获取到所述第一标识信息时,利用车牌检测模型检测与所述第一标识信息对应的所述待识别图像中是否存在车牌,并在所述待识别图像中存在车牌时,向所述通信文件中写入与所述待识别图像中的待识别车牌图像对应的第二标识信息。
在本示例性实施例中,所述车牌检测模型可以为通过对深度学习网络进行训练而生成的模型。所述第二标识信息用于表示与其对应的待识别车牌图像中存在车牌,其可以为数字信息,还可以为文字信息等,本示例性实施例对此不作特殊限定。
车牌检测模块可以以一预设周期从通信文件中获取标识信息,并判断该标识信息是否为第一标识信息;在判断该标识信息为第一标识信息时,从上述第一存储模块中获取与该第一标识信息对应的待识别图像;将该待识别图像输入至车牌检测模型中检测该待识别图像中是否存在车牌;在检测到车牌时,从该待识别图像中截取待识别车牌图像,并向通信文件中写入与该待识别车牌图像对应的第二标识信息,以及将该待识别车牌图像存储至第二存储模块。
进一步的,在检测到待识别图像中存在多个车牌时,在该待识别图像中分别截取所有待识别车牌图像,并向通信文件中写入与该待识别图像中的所有待识别车牌图像对应的第二标识信息,以及将所有待识别车牌图像存储至第二存储模块中。
由上可知,车牌检测模块和车辆检测模块之间是通过通信文件中的第一标识信息进行衔接的,而不是将车牌检测模块和车辆检测模块直接衔接在一起,故在车牌检测模块和车辆检测模块其中之一出现故障时,不会因为出现故障的模块影响其他模块的正常运行,提高了车牌识别系统的鲁棒性。此外,由于车辆检测模块对待识别图像进行了筛选,使得车牌检测模块仅对包括车辆的待识别图像进行检测,大大减少了车牌检测模块检测的任务量,缩短了检测时间,提高了检测效率。
车牌识别模块103可以用于从所述通信文件中获取到所述第二标识信息时,利用车牌识别模型识别与所述第二标识信息对应的所述待识别车牌图像的车牌号。
在本示例性实施例中,车牌识别模块可以以一预设周期从通信文件中获取标识信息,并判断该标识信息是否为第二标识信息;在判断该标识信息为第二标识信息时,从上述第二存储模块中获取与该第二标识信息对应的所述待识别车牌图像;将该待识别车牌图像输入至车牌识别模型中进行识别,以得到该待识别车牌图像的车牌号。
上述将该待识别车牌图像输入至车牌识别模型中识别该待识别车牌图像中的车牌号可以包括:截取待识别车牌图像中的每个字符的图像,将每个字符的图像依次输入至车牌识别模型中,以通过车牌识别模型对每个字符的图片进行识别,以得到与每个字符的图片对应的字符。最后,将每个字符的图片对应的字符合并在一起,即可得到待识别车牌图像中的车牌号。
需要说明的是,在第二标识信息对应多个待识别车牌图像时,分别将各待识别车牌图像输入至车牌识别模型中识别各待识别车牌图像中的车牌号。
进一步的,所述车牌识别系统100还可以包括车牌号输出模块,该车牌号输出模块可以用于输出所述车牌识别模块识别出的所述待识别车牌图像的车牌号。在本示例性实施例中,在识别出待识别车牌图像中的车牌号时,通过该车牌输出模块向显示装置发送车牌号,以使显示装置显示该车牌号。
进一步的,所述车牌识别系统100还可以包括车辆检测模型生成模块,该车辆检测模型生成模块可以用于根据深度学习网络生成所述车辆检测模型。
在本示例性实施例中,所述深度学习网路的类型可以由开发人员根据项目的目标和特点进行选择。例如,所述深度学习网络可以为卷积神经网络,也可以为深度生成网络,还可以为递归神经网络等,本示例性实施例对此不作特殊限定。
进一步的,所述车辆检测模型生成模块可以包括获取单元、标记单元以及生成单元。其中:
所述获取单元可以用于获取多角度拍摄的多个第一样本车辆图像,其中,所述第一样本车辆图像中至少包括一辆车辆。
在本示例性实施例中,可以通过摄像头、微型拍摄飞机等图像获取装置获取不同角度拍摄的第一样本车辆图像。所述多个第一样本车辆图像可以包括不同角度拍摄的各种车辆的第一样本车辆图像。所述不同角度可以包括:正前方、上方、后方、左前方、右前方等。所述车辆的种类可以包括卡车、面包车、大巴车以及轿车等。所述多个第一样本车辆图像还可以包括不同角度拍摄的不同背景中的第一样本车辆图像。所述不同背景中的第一样本车辆图像可以包括:白天拍摄的第一样本车辆图像、下雨天拍摄的第一样本车辆图像、夜间拍摄的第一样本车辆图像、被树梢遮挡的第一样本车辆图像以及被建筑物遮挡的第一样本车辆图像等。所述第一样本车辆图像中可以包括一辆车辆,也可以包括两辆车辆,还可以包括三辆甚至更多车辆。
通过上述方式获取第一样本车辆图像,提高了第一样本车辆图像的多样性和丰富度,使得基于上述多个第一样本车辆图像训练得到的车辆检测模型更加准确,进而通过该车辆检测模型可以检测到不同种类的车辆、不同角度的车辆,不同背景中的车辆以及车辆的数量,提高了车辆检测的准确率。
所述标记单元可以用于对各所述第一样本车辆图像中的车辆进行标记,以得到标记出所述车辆的多个第二样本车辆图像。
在本示例性实施例中,在获取到多个第一样本车辆图像时,可以通过标记图标对各第一样本车辆图像中的车辆进行标记。所述标记图标的形状可以为矩形等。所述标记图标可以对第一样本车辆图像中的整个车辆进行标记,还可以对第一样本车辆图像中的车辆上的某一显著特征进行标记。所述标记图标的大小可以根据第一样本车辆图像中的整个车辆的大小进行确定,还可以根据第一样本车辆图像中的车辆上的某个显著特征的大小进行确定。需要说明的是,在第一样本车辆图像中包括多个车辆时,通过标记图标分别对第一样本车辆图像中的多个车辆进行标识。
生成单元可以用于基于所述多个第二样本车辆图像对所述深度学习网络进行训练,以生成所述车辆检测模型。
在本示例性实施例中,可以将多个第二样本车辆图像依次输入至深度学习网络中,以使深度学习网络依次对各第二样本车辆图像中的被标记的车辆进行学习,以得到深度学习网络中的所有连接的权重值,进而得到车辆检测模型。
为了使车辆检测模型易于被加载到只有有限硬件资源的嵌入式系统中,可以对深度学习网络进行密集-稀疏-密集的训练。具体的,首先基于多个第二样本车辆图像对第一深度学习密集网络进行训练,以得到第一深度学习密集网络中的所有连接的权重值;然后,剪掉第一深度学习密集网络中的权重值较小的连接以得到深度学习稀疏网络,并基于多个第二样本车辆图像对深度学习稀疏网络进行训练,已对深度学习稀疏网络中的所有连接的权重值进行更新;再然后,将剪掉的所有连接的权重值进行初始化并增加至深度学习稀疏网络,以得到第二深度学习密集网络;最后,基于多个第二样本车辆图像对第二深度学习密集网络进行训练,以得到增加的所有连接的权重值,并对原有的连接的权重值进行第二次更新,以得到车辆检测模型。
在此基础上,所述车牌识别系统100还可以车牌检测模型生成模块,该车牌检测模型生成模块可以用于通过深度学习网络生成所述车牌检测模型。
在本示例性实施例中,所述深度学习网路的类型可以由开发人员根据项目的目标和特点进行选择。例如,所述深度学习网络可以为卷积神经网络,也可以为深度生成网络,还可以为递归神经网络等,本示例性实施例对此不作特殊限定。
进一步的,所述车牌检测模型生成模块可以包括:获取单元、标记单元以及生成单元。其中:
所述获取单元可以用于获取多角度拍摄的多个第一样本车牌图像。
在本示例性实施例中,可以通过摄像头、微型拍摄飞机等图像获取装置获取不同角度拍摄的第一样本车牌图像。还可以从上述多个第二样本车辆图像中截取多个第一样本车牌图像。所述多个第一样本车牌图像可以包括:不同拍摄角度拍摄的第一样本车牌图像、具有一定倾斜度的第一样本车牌图像、不同清晰度的第一样本车牌图像以及不同背景中的第一样本车牌图像。所述不同背景中的第一样本车牌图像可以包括白天拍摄的第一样本车牌图像、晚上拍摄的第一样本车牌图像、下雨天拍摄的第一样本车牌图像以及被树枝遮挡的第一样本车牌图像等。所述第一样本车牌图像中包括至少一个车牌,即,在第一样本车牌图像中可以包括一个车牌、也可以包括两个车牌、还可以包括三个车牌等,本示例性实施例对此不作特殊限定。
通过上述方式获取第一样本车牌图像,提高了第一样本车牌图像的多样性和丰富度,使得基于上述多个第一样本车牌图像训练得到的车牌检测模型更加准确,提高了车牌检测模型的检测精度和准确度。此外,在待识别图像中存在多个车牌时,通过上述车牌检测模型可以精准的检测到每个车牌。
所述标记单元可以用于分别对各所述第一样本车牌图像中的车牌进行标记,以得到标记出所述车牌的多个第二样本车牌图像。
在本示例性实施例中,可以通过标记图标对所有第一样本车牌图像中的车牌进行标记以得到多个第二样本车牌图像。所述标记图标的形状可以为矩形等。所述标记图标的大小可以根据车牌的大小进行确定,但标记图标的大小不限于车牌的大小,可以适当的比车牌大一些,以便于对具有一定倾斜角度的车牌进行标记。需要说明的是,在标记的过程中,着重对具有一定倾斜角度的车牌进行标记,以便于深度学习网络着重对具有一定倾斜角度的车牌进行学习。
所述生成单元可以用于基于多个所述第二样本车牌图像对所述深度学习网络进行训练,以生成所述车牌检测模型。
在本示例性实施例中,可以将多个第二样本车牌图像依次输入至深度学习网络中,以使深度学习网络依次对各第二样本车牌图像中的被标记的车牌进行学习,以得到深度学习网络中的所有连接的权重值,进而得到车牌检测模型。
为了使车牌检测模型易于被加载到只有有限硬件资源的嵌入式系统中,可以对深度学习网络进行密集-稀疏-密集的训练。由于对深度学习网络进行密集-稀疏-密集的训练已在上述车辆检测模型的生成方式做了详细的说明,因此此处不再赘述。需要说明的是,此处对深度学习网络进行密集-稀疏-密集训练的样本图像为第二样本车牌图像。
在此基础上,所述车牌识别系统100还可以包括车牌识别模型生成模块,该车牌识别模型可以用于通过深度学习网络生成所述车牌识别模型。
在本示例性实施例中,所述深度学习网路的类型可以由开发人员根据项目的目标和特点进行选择。例如,所述深度学习网络可以为卷积神经网络,也可以为深度生成网络,还可以为递归神经网络等,本示例性实施例对此不作特殊限定。
进一步的,车牌识别模型生成模块可以包括:获取单元、标记单元以及生成单元。其中:
所述获取单元可以用于从多角度拍摄的多个样本车牌图像中获取多个第一样本字符图像。
在本示例性实施例中,可以通过摄像头、微型拍摄飞机等图像获取装置获取不同角度拍摄的多个样本车牌图像,并从多个样本车牌图像中截取多个第一样本字符图像。还可以从上述多个第二样本车牌图像中截取多个第一样本字符图像。所述多个第一样本字符图像可以包括:从不同拍摄角度拍摄的第一样本字符图像、具有一定倾斜角度的第一样本字符图像、不同清晰度的第一样本字符图像以及不同背景中的第一样本字符图像等。所述不同背景中的第一样本字符图像包括:白天拍摄的第一样本字符图像、晚上拍摄的第一样本字符图像、被树梢遮挡的第一样本字符图像等。所述字符的类型可以包括省份、字母和数字。其中省份、字符以及数字的种类共计65种。需要说明的是,在获取第一样本字符图像的过程中,尽量获取较多的容易混淆的字符图像(例如,5和S,8和 B等),以为提高车牌识别模型的准确率提供大量的字符训练样本。
通过上述方式获取第一样本字符图像,提高了第一样本字符图像的多样性和丰富度,使得基于上述多个第一样本字符图像训练得到的车牌识别模型更加准确,提高了车牌识别模型的检测精度和准确度。
所述标记单元可以用于分别对各所述第一样本字符图像中的字符进行标记,以得到标记出所述字符的多个第二样本字符图像。
在本示例性实施例中,可以通过标记图标对第一样本字符图像中的字符进行标记。所述标记图标的形状可以为矩形等。所述标记图标的大小可以根据字符的大小进行确定,但标记图标的大小不限于字符的大小,可以适当的比字符大一些,便于对具有一定倾斜角度的字符进行标记。需要说明的是,在标记的过程中,着重对具有一定倾斜角度的字符进行标记,以便于深度学习网络着重对具有一定倾斜角度的字符进行学习。
所述生成单元可以用于基于所述第二样本字符图像对所述深度学习网络进行训练,以生成所述车牌识别模型。
在本示例性实施例中,可以将多个第二样本字符图像依次输入至深度学习网络中,以使深度学习网络依次对各第二样本字符图像中的被标记的字符进行学习,以得到深度学习网络中的所有连接的权重值,进而得到车牌识别模型。
为了使车牌识别模型易于被加载到只有有限硬件资源的嵌入式系统中,可以对深度学习网络进行密集-稀疏-密集的训练。由于对深度学习网络进行密集-稀疏-密集的训练已在上述车辆检测模型的生成方式做了详细的说明,因此此处不再赘述。需要说明的是,此处对深度学习网络进行密集-稀疏-密集训练的样本图像为第二样本字符图像。
下面为上述车牌识别系统对不同的待识别图像中的车牌进行识别的结果。
图2中左侧画面示出了白天从车辆的右侧拍摄的车辆的图像,图2 包括两辆车,图2中右侧画面示出了经过上述车牌识别系统对图2中左侧画面中的两辆车的车牌进行识别的结果,车牌号分别为粤BV525*和粤BY5B5*。图3中左侧画面示出了夜间从车辆的右侧拍摄的车辆的图像,其中,图3中左侧画面中的车辆的车牌有一定的倾斜角度,图3中右侧画面示出了经过上述车牌识别系统对图3中左侧画面中的车辆进行车牌识别的结果,车牌号为粤B892S*。图4中左侧画面示出了夜间从车辆的前方拍摄的车辆的图像,图4中右侧画面示出了经过上述车牌识别系统对图4中左侧画面中的车辆的车牌进行识别的结果,车牌号为粤BZL47*。图5中左侧画面示出了白天从车辆的右侧拍摄的车辆的图像,其中,图5中左侧画面中的车辆的车牌有一定的倾斜角度,图5中右侧画面示出了经过上述车牌识别系统对图5中左侧画面中的车辆进行车牌识别的结果,车牌号为粤B64V2*。
应当注意,尽管在上文详细描述中提及了用于执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种车牌识别系统,其特征在于,包括:
车辆检测模块,用于利用车辆检测模型检测待识别图像中是否存在车辆,并在所述待识别图像中存在车辆时,向通信文件中写入与所述待识别图像对应的第一标识信息;
车牌检测模块,用于从所述通信文件中获取到所述第一标识信息时,利用车牌检测模型检测与所述第一标识信息对应的所述待识别图像中是否存在车牌,并在所述待识别图像中存在车牌时,向所述通信文件中写入与所述待识别图像中的待识别车牌图像对应的第二标识信息;
车牌识别模块,用于从所述通信文件中获取到所述第二标识信息时,利用车牌识别模型识别与所述第二标识信息对应的所述待识别车牌图像的车牌号。
2.根据权利要求1所述的车牌识别系统,其特征在于,所述系统还包括:
车辆检测模型生成模块,用于根据深度学习网络生成所述车辆检测模型。
3.根据权利要求2所述的车牌识别系统,其特征在于,所述车辆检测模型生成模块包括:
获取单元,用于获取多角度拍摄的多个第一样本车辆图像,其中,所述第一样本车辆图像中至少包括一辆车辆;
标记单元,用于对各所述第一样本车辆图像中的车辆进行标记,以得到标记出所述车辆的多个第二样本车辆图像;
生成单元,用于基于所述多个第二样本车辆图像对所述深度学习网络进行训练,以生成所述车辆检测模型。
4.根据权利要求1所述的车牌识别系统,其特征在于,所述系统还包括:
车牌检测模型生成模块,用于通过深度学习网络生成所述车牌检测模型。
5.根据权利要求4所述的车牌识别系统,其特征在于,所述车牌检测模型生成模块包括:
获取单元,用于获取多角度拍摄的多个第一样本车牌图像;
标记单元,用于分别对各所述第一样本车牌图像中的车牌进行标记,以得到标记出所述车牌的多个第二样本车牌图像;
生成单元,用于基于所述多个第二样本车牌图像对所述深度学习网络进行训练,以生成所述车牌检测模型。
6.根据权利要求1所述的车牌识别系统,其特征在于,所述系统还包括:
车牌识别模型生成模块,用于通过深度学习网络生成所述车牌识别模型。
7.根据权利要求6所述的车牌识别系统,其特征在于,所述车牌识别模型生成模块包括:
获取单元,用于从多角度拍摄的多个样本车牌图像中获取多个第一样本字符图像;
标记单元,用于分别对各所述第一样本字符图像中的字符进行标记,以得到标记出所述字符的多个第二样本字符图像;
生成单元,用于基于所述多个第二样本字符图像对所述深度学习网络进行训练,以生成所述车牌识别模型。
8.根据权利要求7所述的车牌识别系统,其特征在于,所述字符的类型包括省份、字母和数字。
9.根据权利要求1所述的车牌识别系统,其特征在于,所述系统还包括:
图像获取模块,用于获取所述待识别图像;
车牌号输出模块,用于输出所述车牌识别模块识别出的所述待识别车牌图像的车牌号。
10.根据权利要求1~9中任意一项所述的车牌识别系统,其特征在于,所述待识别图像中包括多辆车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710948118.0A CN108091141B (zh) | 2017-10-12 | 2017-10-12 | 车牌识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710948118.0A CN108091141B (zh) | 2017-10-12 | 2017-10-12 | 车牌识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108091141A CN108091141A (zh) | 2018-05-29 |
CN108091141B true CN108091141B (zh) | 2020-10-02 |
Family
ID=62170367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710948118.0A Active CN108091141B (zh) | 2017-10-12 | 2017-10-12 | 车牌识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108091141B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11030466B2 (en) | 2018-02-11 | 2021-06-08 | Nortek Security & Control Llc | License plate detection and recognition system |
CN108898813A (zh) * | 2018-06-13 | 2018-11-27 | 深圳市云识科技有限公司 | 一种基于物联网架构的云识别抄表系统 |
US11164028B2 (en) | 2019-06-18 | 2021-11-02 | Nortek Security & Control Llc | License plate detection system |
CN110619401A (zh) * | 2019-08-01 | 2019-12-27 | 重庆捷旭科技有限公司 | 访客信息车辆管理方法及管理系统 |
CN110689629A (zh) * | 2019-10-14 | 2020-01-14 | 深圳市镭神智能系统有限公司 | 车辆管理装置、车辆管理服务器和车辆收费系统 |
CN110675516A (zh) * | 2019-10-14 | 2020-01-10 | 深圳市镭神智能系统有限公司 | 车辆管理装置、车辆管理服务器以及车辆收费系统 |
CN111126397A (zh) * | 2019-12-27 | 2020-05-08 | 上海眼控科技股份有限公司 | 车辆底盘的动态检验方法、系统、终端及介质 |
CN112232237B (zh) * | 2020-10-20 | 2024-03-12 | 城云科技(中国)有限公司 | 车辆流量的监控方法、系统、计算机设备和存储介质 |
CN113065545A (zh) * | 2021-02-24 | 2021-07-02 | 上海辛玮智能科技有限公司 | 基于深度学习的快速车牌识别方法 |
CN113554024A (zh) * | 2021-07-27 | 2021-10-26 | 宁波小遛共享信息科技有限公司 | 一种车辆的清洁度的确定方法、装置及计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247178A (zh) * | 2013-05-03 | 2013-08-14 | 防城港思创信息技术有限公司 | 一种智能停车场车牌识别系统 |
CN204884180U (zh) * | 2015-07-29 | 2015-12-16 | 深圳市天翔实业有限公司 | 高清车牌识别系统 |
CN105389990A (zh) * | 2015-11-20 | 2016-03-09 | 北京信路威科技股份有限公司 | 一种基于监控球机的违章停车检测识别方法 |
KR101719549B1 (ko) * | 2016-01-07 | 2017-03-24 | (주)아이엠시티 | 차량 번호판 인식을 위한 영상처리방법 및 이를 이용한 차량 번호판 인식 장치 |
CN106934319A (zh) * | 2015-12-29 | 2017-07-07 | 北京大唐高鸿软件技术有限公司 | 基于卷积神经网络的监控视频中人车目标分类方法 |
-
2017
- 2017-10-12 CN CN201710948118.0A patent/CN108091141B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247178A (zh) * | 2013-05-03 | 2013-08-14 | 防城港思创信息技术有限公司 | 一种智能停车场车牌识别系统 |
CN204884180U (zh) * | 2015-07-29 | 2015-12-16 | 深圳市天翔实业有限公司 | 高清车牌识别系统 |
CN105389990A (zh) * | 2015-11-20 | 2016-03-09 | 北京信路威科技股份有限公司 | 一种基于监控球机的违章停车检测识别方法 |
CN106934319A (zh) * | 2015-12-29 | 2017-07-07 | 北京大唐高鸿软件技术有限公司 | 基于卷积神经网络的监控视频中人车目标分类方法 |
KR101719549B1 (ko) * | 2016-01-07 | 2017-03-24 | (주)아이엠시티 | 차량 번호판 인식을 위한 영상처리방법 및 이를 이용한 차량 번호판 인식 장치 |
Also Published As
Publication number | Publication date |
---|---|
CN108091141A (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108091141B (zh) | 车牌识别系统 | |
Maeda et al. | Road damage detection using deep neural networks with images captured through a smartphone | |
CN112464910A (zh) | 一种基于YOLO v4-tiny的交通标志识别方法 | |
US11113582B2 (en) | Method and system for facilitating detection and identification of vehicle parts | |
CN107430815A (zh) | 用于自动识别停车区的方法和系统 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
Ma et al. | RETRACTED: Research on vehicle license plate recognition technology based on deep convolutional neural networks | |
KR101834838B1 (ko) | 영상처리를 이용한 도로 교통 정보 제공 시스템 및 방법 | |
CN101553852A (zh) | 用于为交通控制检测交通工具的平均速度的系统和方法 | |
KR102308456B1 (ko) | 라이다 및 카메라 수집정보 기반 수종탐지 시스템 및 이를 이용한 수종탐지방법, 수종탐지방법을 수행하는 프로그램이 수록된 기록매체 | |
CN105608417A (zh) | 交通信号灯检测方法及装置 | |
CN103377558A (zh) | 交通流量管控系统及方法 | |
CN104408475A (zh) | 一种车牌识别方法及车牌识别设备 | |
CN115810134B (zh) | 一种车险反欺诈的图像采集质检方法、系统和装置 | |
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 | |
CN110599853A (zh) | 驾校智能教学系统及方法 | |
CN108388880A (zh) | 一种监测司机开车使用手机的方法及装置 | |
CN110569856A (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
CN106023622A (zh) | 一种确定红绿灯识别系统识别性能的方法和装置 | |
CN111582255A (zh) | 车辆超限检测方法、装置、计算机设备和存储介质 | |
Bu et al. | A UAV photography–based detection method for defective road marking | |
CN106295556A (zh) | 一种基于小型无人机航拍图像的道路检测方法 | |
CN112580457A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 | |
CN108197625A (zh) | 一种校正车牌识别的方法及系统 | |
Yim et al. | Integrated plate recognition and speed detection for intelligent transportation systems |
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 |