CN108154160B - 车牌颜色识别方法及系统 - Google Patents
车牌颜色识别方法及系统 Download PDFInfo
- Publication number
- CN108154160B CN108154160B CN201711446225.XA CN201711446225A CN108154160B CN 108154160 B CN108154160 B CN 108154160B CN 201711446225 A CN201711446225 A CN 201711446225A CN 108154160 B CN108154160 B CN 108154160B
- Authority
- CN
- China
- Prior art keywords
- license plate
- matrix
- vehicle
- color
- probability
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种车牌颜色识别方法及系统,其中方法包括基于初始数据集构建神经网络识别模型;基于车牌颜色和车辆属性的预设匹配规则构建规则矩阵;将待识别车辆的车牌区域图片输入识别模型,得到对应的车牌颜色预分类向量,并获取待识别车辆的各个车辆属性的分类向量,以及据此生成概率矩阵,根据规则矩阵处理概率矩阵中不符合预设匹配规则的概率值,得到分类结果矩阵,并据此确定车牌颜色分类结果。本发明采用神经网络识别模型对车牌颜色预分类,采用能够将和车牌颜色有关、但不能在图像中明确编码的所有先验信息形成先验规则,基于先验规则对预分类结果进行校验处理,提高车牌颜色分类准确率,可以有效应对各种复杂场景。
Description
技术领域
本发明涉及视频监控处理技术领域,尤其涉及一种车牌颜色识别方法及系统。
背景技术
车牌是车辆的一个重要且唯一的标识,而车牌颜色是车牌的重要特征之一。车牌颜色识别的主要任务是在各种不同场景下,给定图像中车牌区域,均能够快速、准确地识别现存所有种类的车牌颜色。不同场景包括实际场景中车牌可能出现的天气、光照、灰尘、污损、位置和角度变化、相机设备状态等情况,均会给图片带来不同程度的噪声,因而可能对识别准确率造成影响。关于我国的车牌颜色种类,目前可大致分为5种:白色,包括地方警务车辆、解放军车辆和武警序列车辆等;黑色,包括使领馆、外籍车辆等;蓝色,包括小型车辆;黄色,包括大型车、拖挂车、摩托车、驾校教练车、混凝土车和集装箱货车等。绿色,包括小型新能源车的白绿混合、大型新能源车的黄绿混合、农用车的绿牌等。高准确度、快速的车牌颜色识别,对于车牌号码识别、车型辅助判断等也具有重要作用。
车牌颜色识别,本质上是通过一定方法,把彩色空间按国标合理分类成多种颜色,并且把车牌图片中的颜色信息映射到颜色空间正确的分类中去。目前,常用的车牌颜色识别方法主要有以下几种:
一是简单的像素颜色统计及其改进方法。思路分为三步,第一步给定车牌区域彩色图像,把彩色图像转化到RGB、HSL、HSV、Lab等色彩空间中,给出固定的数值,人为把色彩空间分割成几个颜色区间。第二步通过传统图像处理方法去除车牌字符区域,仅留下底色。如阈值、形态学等方法。第三步通过图片像素随机采样,判断像素在颜色空间中的值在哪个区间,属于哪种颜色,并绘制出统计直方图。统计得票最高的颜色区间既是当前车牌颜色。
二是传统的机器学习分类器方法,如CN104834937A,CN104573656A等。思路分为两步,第一步对图像做预处理,去除场景的影响;第二步应用SVM、Bayes分类器、BP神经网络等分类方法,在颜色空间中分类出颜色。
三是通过红外相机等硬件识别部分车牌颜色。
然而,上述的车牌颜色识别方法均具有明显的缺陷。由于在预处理、颜色空间定义、图像颜色特征提取、识别模型构建等步骤中引入了过多的手工定义,导致颜色空间分割不能自适应、提取的特征不能完全反映图片真实分布情况,构建的模型复杂度不够、不足以应对所有场景。另外,仅基于当前图片,没有利用全面的先验知识,来对车牌颜色和车牌单双、字符属性以及车辆属性等的内在关系给出全面系统的通用方法,因此不能识别所有种类的车牌颜色,造成识别准确率的下降。而采用特殊硬件方法,不仅针对场景单一,且成本较高。
发明内容
针对现有技术中的问题,本发明的目的在于提供一种车牌颜色识别方法及系统,采用神经网络识别模型对车牌颜色预分类,采用先验规则对预分类结果进行校验处理,提高车牌颜色分类准确率。
本发明实施例提供一种车牌颜色识别方法,包括如下步骤:
基于初始数据集构建神经网络识别模型,所述识别模型的输入为车牌区域图片,输出为车牌颜色预分类向量;
基于车牌颜色和车辆属性的预设匹配规则,生成车牌颜色的规则矩阵,所述规则矩阵中各个值分别表示对应颜色类别和对应车辆属性类别同时存在的可能性值;
将待识别车辆的车牌区域图片输入所述识别模型,得到对应的车牌颜色预分类向量,并获取待识别车辆的各个车辆属性的分类向量;
根据待识别车辆的车牌颜色预分类向量和车辆属性的分类向量生成概率矩阵,所述概率矩阵中各个值表示待识别车辆同时符合对应颜色类别和对应车辆属性类别的概率值;
根据所述规则矩阵处理所述概率矩阵中不符合预设匹配规则的概率值,得到分类结果矩阵;
根据所述分类结果矩阵确定车牌颜色分类结果。
可选地,所述车辆属性包括车牌号码类别、车型类别和车牌单双排类别中的至少一种。
可选地,所述规则矩阵为n+1维矩阵R,n为车辆属性种类数,所述矩阵R满足如下公式:
其中,x0表示车牌颜色类别数,xi,i∈(1,n)表示第i种车辆属性中包含的类别数,表示维度为x0*x1*x2*...*xn的实数集合。
可选地,所述可能性值为1或0,其值为1时,表示对应的颜色类别和各个对应的车辆属性类别的组合存在;其值为0时,表示对应的颜色类别和各个对应的车辆属性类别的组合不存在。
可选地,所述概率矩阵的维数与所述规则矩阵相同且各个维度与所述规则矩阵相对应;
根据所述规则矩阵处理所述概率矩阵中不符合预设匹配规则的概率值,得到分类结果矩阵包括:计算所述规则矩阵和所述概率矩阵的Hadamard乘积,得到所述分类结果矩阵,所述分类结果矩阵中每个值表示排除不存在的情况后待识别车辆同时符合对应的颜色类别和各个对应的车辆属性类别的概率。
可选地,还包括如下步骤:
对所述概率矩阵进行归一化,使得所述概率矩阵中所有值的和为1;
计算所述规则矩阵和归一化后的所述概率矩阵的Hadamard乘积,得到所述分类结果矩阵;
对所述分类结果矩阵进行归一化,使得所述分类结果矩阵中所有值的和为1。
可选地,所述车牌颜色预分类向量为x0维向量,所述车牌颜色预分类向量中每个值表示待识别车辆符合对应颜色类别的概率,第i种车辆属性的向量为xi维向量,其中每个值表示待识别车辆符合对应属性类别的概率;
根据待识别车辆的车牌颜色预分类向量和车辆属性的分类向量生成概率矩阵包括:将待识别车辆的车牌颜色预分类向量依次与各个车辆属性的分类向量相乘,得到所述概率矩阵。
可选地,所述分类结果矩阵中数值最大的一个概率值对应的颜色作为车牌颜色分类结果,或数值最大的多个概率值对应的颜色合成结果作为车牌颜色分类结果。
可选地,所述识别模型为包括卷积层的深度神经网络识别模型,所述卷积层中的卷积核均分为多份,每份卷积核分配至一对应的子网络。
本发明实施例还提供一种车牌颜色识别系统,用于实现所述的车牌颜色识别方法,所述系统包括:
模型构建模块,用于基于初始数据集构建神经网络识别模型,所述识别模型的输入为车牌区域图片,输出为车牌颜色预分类向量;
规则矩阵生成模块,用于基于车牌颜色和车辆属性的预设匹配规则,生成车牌颜色的规则矩阵,所述规则矩阵中各个值分别表示对应颜色类别和对应车辆属性同时存在的可能性值;
车牌颜色预分类模块,用于将待识别车辆的车牌区域图片输入所述识别模型,得到对应的车牌颜色预分类向量;
概率矩阵生成模块,用于根据待识别车辆的车牌颜色预分类向量和车辆属性的分类向量生成概率矩阵,所述概率矩阵中各个值表示待识别车辆同时符合对应颜色类别和对应车辆属性类别的概率值;
分类结果矩阵生成模块,用于根据所述规则矩阵去除所述概率矩阵中不符合预设匹配规则的概率值,得到分类结果矩阵;
颜色分类结果生成模块,用于根据所述分类结果矩阵确定车牌颜色分类结果。
本发明所提供的车牌颜色识别方法具有下列优点:
本发明设计并搭建了神经网络识别模型,待识别的车牌区域图片无需任何复杂的预处理,图片缩放后直接输入神经网络识别模型进行车牌颜色预分类;设计了形式标准的、可扩展的后处理矩阵方法,能够将和车牌颜色有关、但不能在图像中明确编码的所有先验信息,和从图像到分类结果的、端到端的识别模型预分类结果结合起来,进一步提高准确率;最终的车牌颜色识别效果平均能达到99.8%以上,且能适应光照、天气等不同场景。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。
图1是本发明一实施例的车牌颜色识别方法的流程图;
图2是本发明一实施例的神经网络识别模型构建的流程图;
图3是本发明一实施例的并行模块切分卷积层的过程示意图;
图4是本发明一实施例的车牌颜色识别系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式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方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构,因而将省略对它们的重复描述。
如图1所示,本发明提供了一种车牌颜色识别方法,包括如下步骤:
S100:基于初始数据集构建神经网络识别模型,所述识别模型的输入为车牌区域图片,输出为车牌颜色预分类向量;
S200:基于车牌颜色和车辆属性的预设匹配规则,生成车牌颜色的规则矩阵,所述规则矩阵中各个值分别表示对应颜色类别和对应车辆属性同时存在的可能性值;
S300:将待识别车辆的车牌区域图片输入所述识别模型,得到对应的车牌颜色预分类向量,并获取待识别车辆的各个车辆属性的分类向量;
S400:根据待识别车辆的车牌颜色预分类向量和车辆属性的分类向量生成概率矩阵,所述概率矩阵中各个值表示待识别车辆同时符合对应颜色类别和对应车辆属性类别的概率值;
S500:根据所述规则矩阵处理所述概率矩阵中不符合预设匹配规则的概率值,得到分类结果矩阵;
S600:根据所述分类结果矩阵确定车牌颜色分类结果。
采用该种方法,根据初始数据集构建神经网络识别模型,并根据和车牌颜色有关、但不能在图像中明确编码的所有先验信息构建规则矩阵。在车牌颜色识别时,首先根据神经网络识别模型对待识别车辆的车牌颜色进行预分类,然后根据规则矩阵剔除不符合先验规则的情况,从而得到更加准确的车牌颜色分类结果。
可以理解的是,此处对步骤的编号并不表示步骤之间的排列顺序,只是为了对各个步骤进行区分标识。在实际应用中,可以不限于采用此种顺序,其他顺序执行也是属于本发明的保护范围之内的。
下面分别对本发明一实施例的车牌颜色识别方法中各个步骤进行详细介绍:
S100:基于初始数据集构建神经网络识别模型。如图2所示,具体包括如下子步骤:
(1.1)首先采集不同场景的车牌区域图片作为初始数据集。不同场景包括:车头、车尾的牌照;不同光照,如白天夜晚、彩色光照干扰;不同天气,如晴、阴、雨;不同位置和角度;不同灰尘和污损状况。每种颜色的车牌均需要包括不同场景的样本;
(1.2)然后把初始数据集进行统一处理和图片增强,并分为训练集和测试集,用以后续识别模型的训练和测试。其中图片增强包括:通过随机截取、颜色轻微抖动等方式扩充数量较少的样本,缩小不同颜色的数据集的图片数量差距。
(1.3)设计并搭建深度神经网络识别模型。深度神经网络网络包含N层、每层可有M个分支。根据输入、输出和实现速度、效果的需要,每层亦可包含不同分支,不同分支也可在同层或跨层合并。层的类型包括卷积层、正则化层、激活层、池化层、全连接层、损失函数层等。其输入是固定尺寸的车牌区域图片,输出是车牌颜色分类。在实际使用过程中,根据需要不同,也可以使用Alexnet、VGG16、Resnet等通用网络。
在机器学习中,卷积神经网络(Convolutional Neural Network,CNN)是一种深度前馈人工神经网络,已成功地应用于图像识别。一般地,CNN的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。
CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习,所以在使用CNN时,避免了显示的特征抽取,而隐式地从训练数据中进行学习;再者由于同一特征映射面上的神经元权值相同,所以网络可以并行学习,这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性,其布局更接近于实际的生物神经网络,权值共享降低了网络的复杂性,特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
如图3所示,在该实施例中,在深度神经网络的设计中使用了分层、模块化的思想,从神经网络的基本概念出发,使用了经验证效果较好的resnet、inception中的残差和分支模块,并自行设计了并行模块。并行模块通过把m个卷积核分成x份,分到x个子网络中去,从而减少了子网络之间的连接数。可以证明,当均分成每份是m/x维的时候,减少的连接数最多。证明如下:
设第i层有m个卷积核,第i+1层有n个卷积核,若共有Q个连接,分成若干份,每份有x1,x2,...xp个,使得满足如下公式:
Q=x1+x2+…+xp
其中xi≥0;
由均值定理得到如下公式:
当且仅当x1=x2=…=xp时等式左边和右边相等。此时若给定的p被m和n都能整除,即可把卷积核分成m/p维和n/p维,共p组。则共有连接数是:
此为最小连接数。这样就通过把原有卷积核分组并行,把原有卷积层之间连接数从mn缩减了p倍,减少了计算量,且可以把不同分支分到不同GPU上进行。
通过并行模块和残差、分支模块的组合,加快了设计,且经过验证达到了直接使用通用网络不能达到的效果。另外,选择了合适的深度、层类型以及优化方法,对于颜色识别有很好效果。
S200:基于车牌颜色和车辆属性的预设匹配规则,生成车牌颜色的规则矩阵,所述规则矩阵中各个值分别表示对应颜色类别和对应车辆属性同时存在的可能性值。
在该实施例中,利用颜色类别与车牌号码类别、车型类别、单双牌类别等车辆属性的内在的规律和联系,按一定规则,生成车牌颜色的规则矩阵R。规则矩阵一般为2维以上,根据需要不同,维度可以增加。规则矩阵通常是二值化的,由0和1组成,其目的是指明车身颜色的可能性大小,矩阵R中各个数值为1或0,也即是可能性值,矩阵R中一数值为1时,表示对应的颜色类别和各个对应的车辆属性类别的组合存在,矩阵R中一数值为0时,表示对应的颜色类别和各个对应的车辆属性类别的组合不存在。
规则矩阵根据不同国家、不同时期的车牌车辆属性法规而有所不同。其中矩阵R满足如下公式:
例如,现在需要生成一个有关车牌颜色、车型、车牌号码之间关系的3维规则矩阵,假设有3种车牌颜色,2种车型,4种不同的车牌号码组成了3*2*4维的规则矩阵。颜色类别依次为白、蓝、黄;车型类别依次为小、大,车牌号码类别依次为武警、军车、普通、货车。由于白色牌照的武警小车存在,则R(0,0,0)=1;由于蓝色牌照的军用大车不存在,则R(1,1,1)=0,依次类推即可填满规则矩阵。同样地,也可以增加车牌单双排类别。车牌单双排类别指的是车牌号码分布为单排还是双排,即车牌单双排类别依次为单排、双排。假设有3种车牌颜色,2种车型,4种不同的车牌号码、2种车牌单双排类别可以组成3*2*4*2维的矩阵。R(0,0,0,0)表示白色牌照的武警小车且车牌为单排存在的可能性值,以此类推。
可理解的是,此处车辆属性的种类数量和每种车辆属性中的类别数量,以及车牌颜色的类别数量仅为举例,本发明不以此为限。
S300:将待识别车辆的车牌区域图片输入所述识别模型,得到对应的车牌颜色预分类向量,并获取待识别车辆的各个车辆属性的分类向量。包括如下子步骤:
(3.1)在识别之前,先对输入的图像进行尺寸缩放到固定大小。输入图像支持YUV、RGB、HSL、HSV等多种色彩空间。
在识别时,首先读取深度神经网络的网络模型和均值文件;将缩放后的图片输入到深度神经网络中进行推断,得到车牌颜色预分类向量,其中值最大的即为预分类结果。
车牌颜色预分类向量为x0维向量,所述车牌颜色预分类向量中每个值表示待识别车辆符合对应颜色类别的概率。例如车牌颜色类别依次为白、蓝、黄,车牌颜色预分类向量[y1,y2,y3]中y1、y2、y3分别表示待识别车辆的车牌颜色为白、蓝、黄的概率。例如一车牌颜色预分类向量为【0.2,0.6,0.3】,其中0.6最大,因此在车牌颜色为蓝色时的概率最大,车牌颜色预分类的结果为蓝色。
(3.2)从外部模块获取待识别车辆的各个车辆属性的分类向量。例如,车牌号码类别依次为武警、军车、普通、货车,车辆号码类别的分类向量[z1,z2,z3,z4]中z1、z2、z3、z4分别为待识别车辆的车牌号码类别依次为武警、军车、普通、货车的概率。此处各个车辆属性的分类向量是从外部的识别系统获取的,被结合到本发明的方案中来进行车牌颜色的关联甄别。
S400:根据待识别车辆的车牌颜色预分类向量和车辆属性的分类向量生成概率矩阵P。
在该实施例中,车牌颜色预分类向量依次乘以各个车辆属性的分类向量,以得到概率矩阵P。将此联合分布的概率矩阵P维度需和规则矩阵R的维度一致并且相对应,但值可以不是整数。由于每个分量均是离散随机变量,联合分布的概率矩阵的目的是把车牌颜色置信度信息和其他置信度信息结合起来,能够进一步提高判断的准确率。概率矩阵P为联合分布概率密度函数,因此各项和为1,需要边缘概率向量相乘后进行归一化。即概率矩阵P满足如下公式:
此处概率矩阵维度需和规则矩阵一致并且相对应,例如对于上述有3种车牌颜色,2种车型,4种不同的车牌号码组成了3*2*4维的规则矩阵的实例来说,概率矩阵也是3*2*4维的。其中P(0,0,0)表示待识别车辆为白色牌照武警小车的概率,P(1,1,1)表示待识别车辆为蓝色牌照的军用大车的概率。
S500:根据所述规则矩阵处理所述概率矩阵中不符合预设匹配规则的概率值,得到分类结果矩阵A。
在该实施例中,计算所述规则矩阵和所述概率矩阵的Hadamard乘积,得到所述分类结果矩阵A,所述分类结果矩阵中每个值表示排除不存在的情况后,待识别车辆同时符合对应的颜色类别和各个对应的车辆属性类别的概率。Hadamard乘积是指,假设有维数相同的两个矩阵E,F以及它们的哈达马积G,则矩阵G的元素Gij=Eij*Fij。
S600:根据所述分类结果矩阵确定车牌颜色分类结果。
得到分类结果矩阵A后,其中最大值即为最大置信度,所对应的颜色即为最终车牌颜色。当然,也可根据实际需求,在此概率矩阵的基础上以其他方式得到对应颜色,比如若最终2中颜色的置信度相差较小,则颜色是这两种颜色的合成,等等。
此步骤中设计的后处理的通用实现方法是十分关键的。深度学习模型通常能够达到较高的准确率,但由于其对特征空间的搜寻受训练样本影响,结果可能存在一定不稳定性。基于矩阵运算的后处理方法把先验信息和模型结果结合起来,进一步提高准确率。其中NORM表示归一化,即把相乘后的矩阵的每一项都乘以一个常数,保证概率密度矩阵各项和为1。
∑n∑m…∑...A(n,m,...)=1,A=NORM(RοP)
在深度学习中,由于各个模块识别准确率均较高,可假设各个模块是近似独立的。以X,Y这2个模块为例,从概率论的角度来将,即假设随机事件X,Y均为独立随机变量。在这种假设下,最终概率P(X,Y)可简化、近似,由此每个模块预测P(X)和P(Y)相乘近似得到:
P(X,Y)=P(X)*P(X|Y)=P(Y)*P(Y|X)
简化成:
P(X,Y)≈P(X)*P(Y)
因此S400中的联合分布的概率矩阵才能直接用边缘概率相乘得到。而S500中则是采用规则矩阵以修正这种近似所造成的误差的。
如图4所示,本发明实施例还提供一种车牌颜色识别系统,用于实现所述的车牌颜色识别方法,所述系统包括如下各个功能模块,各个功能模块之间配合进行工作:
模型构建模块100,用于基于初始数据集构建神经网络识别模型,所述识别模型的输入为车牌区域图片,输出为车牌颜色预分类向量;
规则矩阵生成模块200,用于基于车牌颜色和车辆属性的预设匹配规则,生成车牌颜色的规则矩阵,所述规则矩阵中各个值分别表示对应颜色类别和对应车辆属性同时存在的可能性值;
车牌颜色预分类模块300,用于将待识别车辆的车牌区域图片输入所述识别模型,得到对应的车牌颜色预分类向量;
概率矩阵生成模块400,用于根据待识别车辆的车牌颜色预分类向量和车辆属性的分类向量生成概率矩阵,所述概率矩阵中各个值表示待识别车辆同时符合对应颜色类别和对应车辆属性类别的概率值;
分类结果矩阵生成模块500,用于根据所述规则矩阵去除所述概率矩阵中不符合预设匹配规则的概率值,得到分类结果矩阵;
颜色分类结果生成模块600,用于根据所述分类结果矩阵确定车牌颜色分类结果。
综上所述,与现有技术相比,采用本发明的车牌颜色识别方法及系统,设计并搭建了深度适中、容量较大、速度较快的深度学习模型,经过不同场景图片训练后,在实际分类时能够正确应对不同场景的图片;无需任何复杂的预处理,图片缩放后直接输入深度学习模型;设计了形式标准的、可扩展的后处理矩阵方法,能够将和车牌颜色有关、但不能在图像中明确编码的所有先验信息,和从图像到分类结果的、端到端的深度学习模型识别结果结合起来,进一步提高准确率;最终的车牌颜色识别效果平均能达到99.8%以上,且能适应光照、天气等不同场景。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种车牌颜色识别方法,其特征在于,包括如下步骤:
基于初始数据集构建神经网络识别模型,所述识别模型的输入为车牌区域图片,输出为车牌颜色预分类向量;
基于车牌颜色和车辆属性的预设匹配规则,生成车牌颜色的规则矩阵,所述规则矩阵中各个值分别表示对应颜色类别和对应车辆属性类别同时存在的可能性值;
将待识别车辆的车牌区域图片输入所述识别模型,得到对应的车牌颜色预分类向量,并获取待识别车辆的各个车辆属性的分类向量;
根据待识别车辆的车牌颜色预分类向量和车辆属性的分类向量生成概率矩阵,所述概率矩阵中各个值表示待识别车辆同时符合对应颜色类别和对应车辆属性类别的概率值;
根据所述规则矩阵处理所述概率矩阵中不符合预设匹配规则的概率值,得到分类结果矩阵;
根据所述分类结果矩阵确定车牌颜色分类结果。
2.根据权利要求1所述的车牌颜色识别方法,其特征在于,所述车辆属性包括车牌号码类别、车型类别和车牌单双排类别中的至少一种。
4.根据权利要求1所述的车牌颜色识别方法,其特征在于,所述可能性值为1或0,其值为1时,表示对应的颜色类别和各个对应的车辆属性类别的组合存在;其值为0时,表示对应的颜色类别和各个对应的车辆属性类别的组合不存在。
5.根据权利要求4所述的车牌颜色识别方法,其特征在于,所述概率矩阵的维数与所述规则矩阵相同且各个维度与所述规则矩阵相对应;
根据所述规则矩阵处理所述概率矩阵中不符合预设匹配规则的概率值,得到分类结果矩阵包括:计算所述规则矩阵和所述概率矩阵的Hadamard乘积,得到所述分类结果矩阵,所述分类结果矩阵中每个值表示排除不存在的情况后待识别车辆同时符合对应的颜色类别和各个对应的车辆属性类别的概率。
6.根据权利要求5所述的车牌颜色识别方法,其特征在于,还包括如下步骤:
对所述概率矩阵进行归一化,使得所述概率矩阵中所有值的和为1;
计算所述规则矩阵和归一化后的所述概率矩阵的Hadamard乘积,得到所述分类结果矩阵;
对所述分类结果矩阵进行归一化,使得所述分类结果矩阵中所有值的和为1。
7.根据权利要求3所述的车牌颜色识别方法,其特征在于,所述车牌颜色预分类向量为x0维向量,所述车牌颜色预分类向量中每个值表示待识别车辆符合对应颜色类别的概率,第i种车辆属性的向量为xi维向量,其中每个值表示待识别车辆符合对应属性类别的概率;
根据待识别车辆的车牌颜色预分类向量和车辆属性的分类向量生成概率矩阵包括:将待识别车辆的车牌颜色预分类向量依次与各个车辆属性的分类向量相乘,得到所述概率矩阵。
8.根据权利要求1所述的车牌颜色识别方法,其特征在于,所述分类结果矩阵中数值最大的一个概率值对应的颜色作为车牌颜色分类结果,或数值最大的多个概率值对应的颜色合成结果作为车牌颜色分类结果。
9.根据权利要求1至8中任一项所述的车牌颜色识别方法,其特征在于,所述识别模型为包括卷积层的深度神经网络识别模型,所述卷积层中的卷积核均分为多份,每份卷积核分配至一对应的子网络。
10.一种车牌颜色识别系统,其特征在于,用于实现权利要求1至9中任一项所述的车牌颜色识别方法,所述系统包括:
模型构建模块,用于基于初始数据集构建神经网络识别模型,所述识别模型的输入为车牌区域图片,输出为车牌颜色预分类向量;
规则矩阵生成模块,用于基于车牌颜色和车辆属性的预设匹配规则,生成车牌颜色的规则矩阵,所述规则矩阵中各个值分别表示对应颜色类别和对应车辆属性同时存在的可能性值;
车牌颜色预分类模块,用于将待识别车辆的车牌区域图片输入所述识别模型,得到对应的车牌颜色预分类向量;
概率矩阵生成模块,用于根据待识别车辆的车牌颜色预分类向量和车辆属性的分类向量生成概率矩阵,所述概率矩阵中各个值表示待识别车辆同时符合对应颜色类别和对应车辆属性类别的概率值;
分类结果矩阵生成模块,用于根据所述规则矩阵去除所述概率矩阵中不符合预设匹配规则的概率值,得到分类结果矩阵;
颜色分类结果生成模块,用于根据所述分类结果矩阵确定车牌颜色分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711446225.XA CN108154160B (zh) | 2017-12-27 | 2017-12-27 | 车牌颜色识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711446225.XA CN108154160B (zh) | 2017-12-27 | 2017-12-27 | 车牌颜色识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108154160A CN108154160A (zh) | 2018-06-12 |
CN108154160B true CN108154160B (zh) | 2020-02-21 |
Family
ID=62462500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711446225.XA Active CN108154160B (zh) | 2017-12-27 | 2017-12-27 | 车牌颜色识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154160B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344849B (zh) * | 2018-07-27 | 2022-03-11 | 广东工业大学 | 一种基于结构平衡理论的复杂网络图像识别方法 |
CN111160073B (zh) * | 2018-11-08 | 2023-09-19 | 浙江宇视科技有限公司 | 车牌类型识别方法、装置及计算机可读存储介质 |
CN109635825A (zh) * | 2018-12-19 | 2019-04-16 | 苏州市科远软件技术开发有限公司 | 车辆属性检测方法、装置及存储介质 |
CN109918397B (zh) * | 2019-01-23 | 2021-04-27 | 中国银行股份有限公司 | 一种数据匹配方法、装置和存储介质 |
CN110414572B (zh) * | 2019-07-08 | 2021-09-07 | 北京三快在线科技有限公司 | 一种图像识别的方法及装置 |
CN111062396B (zh) * | 2019-11-29 | 2022-03-25 | 深圳云天励飞技术有限公司 | 车牌号码识别方法、装置、电子设备及存储介质 |
CN111063199B (zh) * | 2019-12-19 | 2021-08-06 | 深圳市捷顺科技实业股份有限公司 | 车辆与车牌的关联方法、装置及终端设备 |
CN111860539B (zh) * | 2020-07-20 | 2024-05-10 | 济南博观智能科技有限公司 | 一种车牌颜色的识别方法、装置及介质 |
CN111860505A (zh) * | 2020-07-23 | 2020-10-30 | 北京以萨技术股份有限公司 | 一种车牌颜色识别精准度的测试方法、系统、终端及介质 |
CN112101274B (zh) * | 2020-09-24 | 2023-02-10 | 苏州科达科技股份有限公司 | 一种车牌识别方法、装置、设备及可读存储介质 |
CN112381129A (zh) * | 2020-11-10 | 2021-02-19 | 浙江大华技术股份有限公司 | 车牌分类方法、装置、存储介质和电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4380838B2 (ja) * | 1999-04-08 | 2009-12-09 | アジア航測株式会社 | ビデオ画像の道路標識自動認識方法及び道路標識自動認識装置並びに道路標識自動認識プログラム |
CN103530608A (zh) * | 2013-10-10 | 2014-01-22 | 智博锐视(北京)科技有限公司 | 车辆类型判断方法和装置 |
CN104182769A (zh) * | 2014-09-17 | 2014-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法及系统 |
CN104766049A (zh) * | 2015-03-17 | 2015-07-08 | 苏州科达科技股份有限公司 | 一种物体颜色识别方法及系统 |
CN104834937A (zh) * | 2015-04-28 | 2015-08-12 | 安徽清新互联信息科技有限公司 | 一种基于Bayes的车牌颜色判断方法 |
US9507347B1 (en) * | 2013-06-26 | 2016-11-29 | Google Inc. | Vision-based indicator signal detection using spatiotemporal filtering |
CN106776943A (zh) * | 2016-12-01 | 2017-05-31 | 中科唯实科技(北京)有限公司 | 一种基于AutoEncoder和属性标签的车辆检索方法 |
CN107067011A (zh) * | 2017-03-20 | 2017-08-18 | 北京邮电大学 | 一种基于深度学习的车辆颜色识别方法与装置 |
-
2017
- 2017-12-27 CN CN201711446225.XA patent/CN108154160B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4380838B2 (ja) * | 1999-04-08 | 2009-12-09 | アジア航測株式会社 | ビデオ画像の道路標識自動認識方法及び道路標識自動認識装置並びに道路標識自動認識プログラム |
US9507347B1 (en) * | 2013-06-26 | 2016-11-29 | Google Inc. | Vision-based indicator signal detection using spatiotemporal filtering |
CN103530608A (zh) * | 2013-10-10 | 2014-01-22 | 智博锐视(北京)科技有限公司 | 车辆类型判断方法和装置 |
CN104182769A (zh) * | 2014-09-17 | 2014-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法及系统 |
CN104766049A (zh) * | 2015-03-17 | 2015-07-08 | 苏州科达科技股份有限公司 | 一种物体颜色识别方法及系统 |
CN104834937A (zh) * | 2015-04-28 | 2015-08-12 | 安徽清新互联信息科技有限公司 | 一种基于Bayes的车牌颜色判断方法 |
CN106776943A (zh) * | 2016-12-01 | 2017-05-31 | 中科唯实科技(北京)有限公司 | 一种基于AutoEncoder和属性标签的车辆检索方法 |
CN107067011A (zh) * | 2017-03-20 | 2017-08-18 | 北京邮电大学 | 一种基于深度学习的车辆颜色识别方法与装置 |
Non-Patent Citations (3)
Title |
---|
Optimization of vehicle licence plate segmentation and symbol recognition;R.P. van Heerden,E.C. Botha;《ResearchGate》;20011130;1-6 * |
基于色彩分割与体态纹理分析的车牌定位方法;杨家辉,王建英;《交通运输工程与信息学报》;20040331;第2卷(第1期);99-105 * |
探讨数字高清视频监控系统在轨道交通中的应用;黄兴斌;《数字技术与应用》;20130531;102、104 * |
Also Published As
Publication number | Publication date |
---|---|
CN108154160A (zh) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154160B (zh) | 车牌颜色识别方法及系统 | |
Kim et al. | An efficient color space for deep-learning based traffic light recognition | |
CN108009524B (zh) | 一种基于全卷积网络的车道线检测方法 | |
Hosseini et al. | On the limitation of convolutional neural networks in recognizing negative images | |
Huang et al. | Vehicle logo recognition system based on convolutional neural networks with a pretraining strategy | |
EP3289529B1 (en) | Reducing image resolution in deep convolutional networks | |
CN104809443B (zh) | 基于卷积神经网络的车牌检测方法及系统 | |
Bascón et al. | An optimization on pictogram identification for the road-sign recognition task using SVMs | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN107292933B (zh) | 一种基于bp神经网络的车辆颜色识别方法 | |
Shinzato et al. | Fast visual road recognition and horizon detection using multiple artificial neural networks | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
CN112464731B (zh) | 一种基于图像处理的交通标志检测识别方法 | |
US20200074190A1 (en) | Lane and object detection systems and methods | |
CN107851193A (zh) | 混合机器学习系统 | |
CN110969171A (zh) | 基于改进卷积神经网络的图像分类模型、方法及应用 | |
Hossain et al. | Automatic detection and recognition of traffic signs | |
CN111242046B (zh) | 一种基于图像检索的地面交通标志识别方法 | |
CN110287798B (zh) | 基于特征模块化和上下文融合的矢量网络行人检测方法 | |
CN116188999B (zh) | 一种基于可见光和红外图像数据融合的小目标检测方法 | |
CN108345835B (zh) | 一种基于仿复眼感知的目标识别方法 | |
CN115661777A (zh) | 一种联合语义的雾天道路目标检测算法 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
Cretu et al. | Biologically-inspired visual attention features for a vehicle classification task | |
Hu et al. | Vehicle color recognition based on smooth modulation neural network with multi-scale feature fusion |
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 |