CN108205671A - 图像处理方法及装置 - Google Patents
图像处理方法及装置 Download PDFInfo
- Publication number
- CN108205671A CN108205671A CN201611173750.4A CN201611173750A CN108205671A CN 108205671 A CN108205671 A CN 108205671A CN 201611173750 A CN201611173750 A CN 201611173750A CN 108205671 A CN108205671 A CN 108205671A
- Authority
- CN
- China
- Prior art keywords
- vehicle image
- target vehicle
- image
- target
- width
- 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
- G06V20/60—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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种图像处理方法及装置,所述方法包括:确定至少一幅目标车辆图像,所述目标车辆图像中包括车牌,所述车牌的真实颜色中包括白色;在所述至少一幅目标车辆图像上的车牌区域中获取白色参考像素点;根据所述白色参考像素点获取白平衡增益;使用所述白平衡增益对所述至少一幅目标车辆图像进行白平衡校正。应用该方法,可以实现准确高效地确定图像中的白色参考点,基于白色参考点对图像进行颜色调整,使得图像所呈现出的颜色更为准确。
Description
技术领域
本申请涉及智能交通技术领域,尤其涉及一种图像处理方法及装置。
背景技术
随着智能交通系统技术的发展,智能交通系统得到越来越广泛的应用。在智能交通系统中,自动白平衡(Auto White Balance)是一个重要的概念,自动白平衡算法的优劣将决定智能交通系统中所采集到的视频和图像的质量,尤其对于基于车辆颜色进行的业务而言,自动白平衡算法尤为重要。
在现有技术中,首先将采集到的图像从RGB空间转换到YUV空间,再对图像进行分块,统计每个分块区域的Cb\Cr的均值和方差,继而确定每个分块区域中的白色参考像素点,最终基于白色参考像素点的亮度值调整图像的颜色,以消除光照因素对图像中车辆颜色的影响,使得图像中的车辆颜色能更接近于车辆的真实颜色。
然而,现有技术的计算复杂性较高,尤其在图像中色彩多样的情况下,所确定的白色参考像素点的准确性难以保证。
发明内容
有鉴于此,本申请提供一种图像处理方法及装置,以实现准确高效地确定图像中的白色参考点,基于白色参考点对图像进行颜色调整,使得图像所呈现出的颜色更为准确。
具体地,本申请是通过如下技术方案实现的:
根据本申请实施例的第一方面,提供一种图像处理方法,所述方法包括:
确定至少一幅目标车辆图像,所述目标车辆图像中包括车牌,所述车牌的真实颜色中包括白色;
在所述至少一幅目标车辆图像上的车牌区域中获取白色参考像素点;
根据所述白色参考像素点获取白平衡增益;
使用所述白平衡增益对所述至少一幅目标车辆图像进行白平衡校正。
可选的,所述确定至少一幅目标车辆图像包括:
对采集到的至少一幅车辆图像进行车牌识别,获取对所述车辆图像中车牌进行识别的识别置信度,以及所述车辆图像中车牌的真实颜色;
若所述识别置信度达到预设的置信度阈值,且所述车牌的真实颜色中包括白色,则将所述车辆图像确定为目标车辆图像。
可选的,所述在所述至少一幅目标车辆图像上的车牌区域中获取白色参考像素点包括:
在所述至少一幅目标车辆图像上的车牌区域中确定感兴趣区域;
对所述感兴趣区域进行灰度处理,得到灰度图像;
基于所述灰度图像获取所述目标车辆图像对应的二值化最佳阈值,以及获取所述灰度图像中各个像素点的灰度值;
基于所述二值化最佳阈值对所述灰度图像进行二值化处理,得到二值化图像,其中,将所述灰度图像中,灰度值大于所述二值化最佳阈值的像素点设置为白色像素点;
在所述至少一幅目标车辆图像上的车牌区域中确定与所述白色像素点对应的目标像素点;
基于所述目标像素点获取白色参考像素点。
可选的,在所述至少一幅目标车辆图像上的车牌区域中确定与所述白色像素点对应的目标像素点之后,基于所述目标像素点获取白色参考像素点之前,所述方法还包括:
判断获取到的所述目标车辆图像的幅数是否超过预设幅数;
若获取到的所述目标车辆图像的幅数超过预设幅数,则更新当前确定的所有目标车辆图像上的车牌区域中的目标像素点;
若获取到的所述目标车辆图像的幅数未超过预设幅数,且小于预设幅数,则继续确定下一幅目标车辆图像,并在所述下一幅目标车辆图像上确定目标像素点;
所述方法还包括:
若获取到的所述目标车辆图像的幅数等于预设幅数,则继续执行所述基于所述目标像素点获取白色参考像素点的步骤。
可选的,所述基于所述目标像素点获取白色参考像素点包括:
获取所述目标像素点的亮度值;
按照亮度值从大到小的顺序,对所述目标像素点进行排序;
根据排序结果,选择预设数量的排在前面的所述目标像素点作为白色参考像素点。
根据本申请实施例的第二方面,提供一种图像处理装置,所述装置包括:
目标确定模块,用于确定至少一幅目标车辆图像,所述目标车辆图像中包括车牌、所述车牌的真实颜色中包括白色;
参考点获取模块,用于在所述至少一幅目标车辆图像上的车牌区域中获取白色参考像素点;
增益获取模块,用于根据所述白色参考像素点获取白平衡增益;
校正模块,用于使用所述白平衡增益对所述至少一幅目标车辆图像进行白平衡校正。
可选的,所述目标确定模块包括:
识别子模块,用于对采集到的至少一幅车辆图像进行车牌识别,获取对所述车辆图像中车牌进行识别的识别置信度,以及所述车辆图像中车牌的真实颜色;
确定子模块,用于若所述识别置信度达到预设的置信度阈值,且所述车牌的真实颜色中包括白色,则将所述车辆图像确定为目标车辆图像。
可选的,所述参考点获取模块包括:
区域确定子模块,用于在所述至少一幅目标车辆图像上的车牌区域中确定感兴趣区域;
灰度处理子模块,用于对所述感兴趣区域进行灰度处理,得到灰度图像;
阈值获取子模块,用于基于所述灰度图像获取所述目标车辆图像对应的二值化最佳阈值,以及获取所述灰度图像中各个像素点的灰度值;
二值化子模块,用于基于所述二值化最佳阈值对所述灰度图像进行二值化处理,得到二值化图像,其中,将所述灰度图像中,灰度值大于所述二值化最佳阈值的像素点设置为白色像素点;
目标点确定子模块,用于在所述至少一幅目标车辆图像上的车牌区域中确定与所述白色像素点对应的目标像素点;
参考点确定子模块,用于基于所述目标像素点获取白色参考像素点。
可选的,所述装置还包括:
判断模块,用于判断获取到的所述目标车辆图像的幅数是否超过预设幅数;
第一处理模块,用于若获取到的目标车辆图像的幅数超过预设幅数,则更新当前确定的所有目标车辆图像上的车牌区域中的目标像素点;
若获取到的目标车辆图像的幅数未超过预设幅数,且小于预设幅数,则继续确定下一幅目标车辆图像,并在所述下一幅目标车辆图像上确定目标像素点;
所述装置还包括:
第二处理模块,若获取到的所述目标车辆图像的幅数等于预设幅数,则继续执行所述基于所述目标像素点获取白色参考像素点的步骤。
可选的,所述参考点确定子模块包括:
第一亮度获取子模块,用于获取所述目标像素点的亮度值;
排序子模块,用于按照亮度值从大到小的顺序,对所述目标像素点进行排序;
选择子模块,用于根据排序结果,选择预设数量的排在前面的所述目标像素点作为白色参考像素点。
由上述实施例可见,通过在包括车牌以及车牌的真实颜色中包括白色的目标车辆图像上的车牌区域中获取白色参考像素点,可以有效地保证所获取到的白色参考像素点的准确性,同时,由于在车牌区域中获取白色参考像素点,缩小了选取白色参考像素点的区域范围,提高了选取白色参考像素点的效率;由于有效地保证了所获取到的白色参考像素点的准确性,从而基于白色参考点对目标车辆图像进行颜色调整,可以使得目标车辆图像所呈现的颜色更为准确。
附图说明
图1A为本申请图像处理方法的一个实施例流程图;
图1B为车牌区域中的感兴趣区域的示意图;
图2为本申请图像处理方法的另一个实施例流程图;
图3为本申请图像处理方法的又一个实施例流程图;
图4为本申请图像处理装置所在网络设备的一种硬件结构图;
图5为本申请图像处理装置的一个实施例框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在智能交通系统中,车辆颜色作为一项重要且非常直观的车辆属性,可以为车辆的管理、追踪、检索等提供重要依据。然而,智能交通系统中的摄像机、卡口设备以及电警设备很容易受到环境、光照等因素的影响,导致所采集到的车辆图像相较于真实的车辆颜色存在差异,为了克服这一差异,可以通过自动白平衡技术对采集到的车辆图像进行白平衡校正,使得车辆图像中的车辆颜色能更接近于车辆的真实颜色。
在自动白平衡技术中,确定白色参考像素点是一个项重要的步骤,为了实现准确高效地确定车辆图像中的白色参考像素点,基于白色参考像素点对车辆图像进行颜色调整,使得车辆图像中的车辆所呈现出的颜色更接近于车辆的真实颜色,本申请提供一种图像处理方法及装置。
请参见图1A,为本申请图像处理方法的一个实施例流程图,该方法可以包括以下步骤:
步骤S101:确定至少一幅目标车辆图像,该目标车辆图像中包括车牌,该车牌的真实颜色中包括白色。
在实际应用中,车牌颜色可以包括车牌背景色和车牌字符色,根据车牌的颜色,可以将车牌分为蓝底白色车牌、黑底白色字车牌、白底黑字车牌、等等。
在本申请中,对于车牌颜色中包括白色的车牌而言,车牌上的白色区域,包括白色背景区域,或者白色字符区域可以作为白色参考像素点的选择区域,通过该种处理,可以有效地保证所选取的白色参考像素点的准确性。
综上所述,在本申请中,当采集到车辆图像后,可以对该车辆图像进行车牌识别,通过车牌识别,获取车辆图像中的车牌区域,基于该车牌区域进行车牌颜色识别,选取车牌的真实颜色中包括白色的车辆图像作为目标车辆图像,同时,为了有效地保证所选取的目标车辆图像的可信度,还可以在选取车牌的真实颜色中包括白色的车辆图像的基础上,选取对车辆图像中车牌进行识别的识别置信度达到预设的置信度阈值的车辆图像作为目标车辆图像。
具体的,可以通过图像处理技术对车辆图像中的车牌区域进行处理,分割出车牌中的字符,获取每个字符的特征向量,之后,将获取到的特征向量输入训练后的神经网络的输入层,该训练后的神经网络的softmax层则可以输出每个字符的识别置信度。后续,将每个字符对应的识别置信度相加,得到的和值即可以作为对车辆图像中车牌进行识别的识别置信度。
通过比较对车辆图像中车牌进行识别的识别置信度和预设的置信度阈值,则可以获取识别置信度达到置信度阈值的车辆图像。
步骤S102:在至少一幅目标车辆图像上的车牌区域中获取白色参考像素点。
在本申请中,为了去除车牌边界处的干扰,可以在目标车辆图像上的车牌区域中确定感兴趣区域,例如,如图1B所示,为车牌区域中的感兴趣区域的示意图。
具体的,在本申请中,通过对车辆图像进行车牌识别,可以获取到车牌区域在车辆图像上的位置坐标。假设车牌区域的左下角在车辆图像上的位置坐标为(x0,y0),并假设车牌区域的宽为w,高为h。如图1B所示,可以将(x0+w/5,y0+h/5)、(x0+w*3/5,y0+h*3/5)、(x0+w/5,y0+h*3/5)、(x0+w*3/5,y0+h/5)这四个坐标点组成的矩形区域确定为提取白色参考像素点的感兴趣区域。
将该感兴趣区域进行灰度处理,得到灰度图像,基于该灰度图像,使用某种算法,例如大津法,计算得出二值化最佳阈值,并基于该二值化最佳阈值对该灰度图像进行二值化处理,得到二值化图像。具体的,在对灰度图像进行二值化处理的过程中,将灰度值大于二值化最佳阈值的像素点设置为白色像素点,即将灰度值大于二值化最佳阈值的像素点的灰度值设置为255。
之后,通过二值化图像与目标车辆图像之间的对应关系,在目标车辆图像上的车牌区域中确定与白色像素点对应的像素点,在本申请中,为了描述方便,可以将该对应的像素点称为目标像素点。基于目标像素点可以获取白色参考像素点。
在一个可选的实现方式中,可以将获取到的全部目标像素点确定为白色参考像素点。
在另一个可选的实现方式中,可以通过如下公式(1)、公式(2),以及公式(3)将目标像素点的颜色值从RGB空间转换到YCrCb空间。
Y=0.257×R+0.504×G+0.098×B+16 (1)
Cb=-0.148×R-0.291×G+0.439×B+128 (2)
Cr=0.439×R-0.368×G-0.071×B+128 (3)
根据目标像素点在YCrCb空间上的Y分量,可以获取目标像素点的亮度值。在获取到所有目标像素点的亮度值之后,可以按照亮度值从大到小的顺序,对目标像素点进行排序,根据排序结果,选择预设数量的排在前面的目标像素点作为白色参考像素点,例如,根据排序结果,选择排在前20%的目标像素点作为白色参考像素点。通过该种处理,可以有效地避免目标车辆图像的采集角度对目标车辆图像成像结果的影响。
步骤S103:根据白色参考像素点获取白平衡增益。
在本申请中,可以通过上述公式(1)、公式(2)、公式(3)将白色参考像素点的颜色值从RGB空间转换到YCrCb空间。根据白色参考像素点在YCrCb空间上的Y分量,可以获取白色参考像素点的亮度值,并获取所有亮度值中的最大亮度值,假设最大亮度值为Ymax。
在本申请中,计算得出所有白色参考像素点的颜色值在R通道、G通道,以及B通道上各自对应的颜色分量均值,假设分别为Raver、Gaver、Baver。
后续,可以通过如下公式(4)、公式(5)、公式(6),计算得出目标车辆图像在R通道、G通道,以及B通道各自对应的白平衡增益,分别记为Rgain、Ggain、Bgain。
Rgain=Ymax/Raver (4)
Ggain=Ymax/Gaver (5)
Bgain=Ymax/Baver (6)
步骤S104:使用白平衡增益对至少一幅目标车辆图像进行白平衡校正。
在本申请中,假设目标车辆图像在R通道、G通道、B通道内各自的颜色分量值为R、G、B,通过如下公式(7)、公式(8)、公式(9)对目标车辆图像进行白平衡校正,假设校正后的目标车辆图像在R通道、G通道、B通道内各自的颜色分量值为R’、G’、B’。
R’=R*Rgain (7)
G’=G*Ggain (8)
B’=B*Bgain (9)
需要说明的是,若通过上述公式(7)、公式(8)、公式(9)对目标车辆图像进行白平衡校正,所得出的颜色分量值超过255,则可以将该颜色分量值置为255。
由上述实施例可见,通过在包括车牌以及车牌的真实颜色中包括白色的目标车辆图像上的车牌区域中获取白色参考像素点,可以有效地保证所获取到的白色参考像素点的准确性,同时,由于在车牌区域中获取白色参考像素点,缩小了选取白色参考像素点的区域范围,提高了选取白色参考像素点的效率;由于有效地保证了所获取到的白色参考像素点的准确性,从而基于白色参考点对目标车辆图像进行颜色调整,可以使得目标车辆图像所呈现的颜色更为准确。
请参见图2,为本申请图像处理方法的另一个实施例流程图,该图2所示流程在上述图1A所示流程的基础上,以获取白色参考像素点的过程为例,可以包括以下步骤:
步骤S201:确定目标车辆图像,该目标车辆图像中包括车牌,该车牌的真实颜色中包括白色。
本步骤的详细描述可以参见上述图1A所示实施例中步骤S101的详细描述,在此不再详述。
步骤S202:在目标车辆上的车牌区域中确定目标像素点。
本步骤的详细描述可以参见上述图1A所示实施例中的详细描述,在此先不详述。
步骤S203:判断获取到的目标车辆图像的幅数是否超过预设幅数,若获取到的目标车辆图像的幅数超过预设幅数,则继续执行步骤S205;若获取到的目标车辆图像的幅数未超过预设幅数,则继续执行步骤S204。
步骤S204:判断获取到的目标车辆图像的幅数是否等于预设幅数,若获取到的目标车辆图像的幅数小于预设幅数,则继续执行步骤S201;若获取到的目标车辆图像的幅数等于预设幅数,则继续执行步骤S206。
步骤S205:更新当前确定的所有目标车辆图像上的车牌区域中的目标像素点。
在本申请中,为了避免单幅目标车辆图像的特殊性,可以通过N幅目标车辆图像确定白色参考像素点,其中,N为大于0的自然数。
在一个可选的实现方式中,可以预设一个统计数值,该统计数值的初始值为0。每确定一幅目标车辆图像,可以将该统计数值加1,从而,该统计数值即表示获取到的目标车辆图像的幅数。
在执行完步骤S202,获取到目标车辆图像中的目标像素点,例如目标像素点的集合为P1之后,可以继续判断获取到的目标车辆图像的幅数是否超过预设幅数,例如5幅,即比较统计数值是否大于预设幅数。
若通过判断得出,获取到的目标车辆图像的幅数未超过预设幅数,则可以执行步骤S204,继续判断获取到的目标车辆图像的幅数是否等于预设幅数,若获取到的目标车辆图像的幅数等于预设幅数,例如,假设获取到的所有的目标像素点的集合为P1、P2、P3、P4、P5,则可以基于该5个目标像素点的集合执行步骤S206。
若通过判断得出,获取到的目标车辆图像的幅数已超过预设幅数,例如,当前的统计数值为6,则获取到第6幅目标车辆图像上车牌区域中的目标像素点之后,假设第6幅目标车辆图像上车牌区域中的目标像素点的集合为P6,则可以更新当前确定的所有目标车辆图像上的车牌区域中的目标像素点,具体可以为丢弃当前最早确定的目标车辆图像上的车牌区域中的目标像素点,即P1中的目标像素点,此时,所获取到的所有的目标像素点的集合为P2、P3、P4、P5、P6。
后续,假设获取到第7幅目标车辆图像上车牌区域中的目标像素点,则可以丢弃当前最早确定的目标车辆图像上的车牌区域中的目标像素点,即P2中的目标像素点,此时,所获取到的所有的目标像素点的集合为P3、P4、P5、P6、P7。
后续获取到第8幅、第9幅…...目标车辆图像上车牌区域中的目标像素点之后,所作的处理可以参考上述描述,在此不再一一进行举例。
步骤S206:获取预设幅数的目标车辆图像中所有目标像素点的亮度值。
步骤S207:按照亮度值从大到小的顺序,对所有目标像素点进行排序,根据排序结果,选择预设数量的排在前面的目标像素点作为白色参考像素点。
步骤S206至步骤S207的详细描述可以参见上述图1A所示实施例中的描述,在此不再详述。
由上述实施例可见,通过在多幅包括车牌以及车牌的真实颜色中包括白色的目标车辆图像上的车牌区域中获取白色参考像素点,可以有效地保证所获取到的白色参考像素点的准确性,同时,由于在车牌区域中获取白色参考像素点,缩小了选取白色参考像素点的区域范围,提高了选取白色参考像素点的效率,由于有效地保证了所获取到的白色参考像素点的准确性,从而基于白色参考点对目标车辆图像进行颜色调整,可以使得目标车辆图像所呈现的颜色更为准确。
请参见图3,为本申请图像处理方法的又一个实施例流程图,该图3所示流程在上述图1A与图2所示流程的基础上,以在目标车辆图像上的车牌区域中获取目标像素点的过程为例,可以包括以下步骤:
步骤S301:在目标车辆图像上的车牌区域中确定感兴趣区域。
步骤S302:对感兴趣区域进行灰度处理,得到灰度图像。
步骤S303:基于灰度图像获取目标车辆图像对应的二值化最佳阈值,以及获取灰度图像中各个像素点的灰度值。
步骤S304:基于二值化最佳阈值对灰度图像进行二值化处理,得到二值化图像,其中,将灰度图像中,灰度值大于二值化最佳阈值的像素点设置为白色像素点。
步骤S305:在目标车辆图像上的车牌区域中确定与白色像素点对应的目标像素点。
步骤S301至步骤S305的详细描述可以参见上述图1A所示流程中的描述,在此不再详述。
由上述实施例可见,通过在目标车辆上的车牌区域中确定感兴趣区域,可以缩小选取目标像素点的区域范围,提高选取目标像素点的效率。
与前述图像处理方法的实施例相对应,本申请还提供了图像处理装置的实施例。
本申请图像处理装置的实施例可以应用在网络设备,例如摄像机上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在网络设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图4所示,为本申请图像处理装置所在网络设备的一种硬件结构图,除了图4所示的处理器41、内存42、网络接口43、以及非易失性存储器44之外,实施例中装置所在的网络设备通常根据该网络设备的实际功能,还可以包括其他硬件,对此不再赘述。
请参考图5,为本申请图像处理装置的一个实施例框图,该装置可以包括:目标确定模块51、参考点获取模块52、增益获取模块53、校正模块54。
其中,该目标确定模块51,可以用于确定至少一幅目标车辆图像,所述目标车辆图像中包括车牌、所述车牌的真实颜色中包括白色;
该参考点获取模块52,可以用于在所述至少一幅目标车辆图像上的车牌区域中获取白色参考像素点;
该增益获取模块53,可以用于根据所述白色参考像素点获取白平衡增益;
该校正模块54,可以用于使用所述白平衡增益对所述至少一幅目标车辆图像进行白平衡校正。
在一实施例中,目标确定模块51可以包括(图5中并未示出):
识别子模块,用于对采集到的至少一幅车辆图像进行车牌识别,获取对所述车辆图像中车牌进行识别的识别置信度,以及所述车辆图像中车牌的真实颜色;
确定子模块,用于若所述识别置信度达到预设的置信度阈值,且所述车牌的真实颜色中包括白色,则将所述车辆图像确定为目标车辆图像。
在一实施例中,参考点获取模块52可以包括(图5中并未示出):
区域确定子模块,用于在所述至少一幅目标车辆图像上的车牌区域中确定感兴趣区域;
灰度处理子模块,用于对所述感兴趣区域进行灰度处理,得到灰度图像;
阈值获取子模块,用于基于所述灰度图像获取所述目标车辆图像对应的二值化最佳阈值,以及获取所述灰度图像中各个像素点的灰度值;
二值化子模块,用于基于所述二值化最佳阈值对所述灰度图像进行二值化处理,得到二值化图像,其中,将所述灰度图像中,灰度值大于所述二值化最佳阈值的像素点设置为白色像素点;
目标点确定子模块,用于在所述至少一幅目标车辆图像上的车牌区域中确定与所述白色像素点对应的目标像素点;
参考点确定子模块,用于基于所述目标像素点获取白色参考像素点。
在一实施例中,所述装置还可以包括(图5中并未示出):
判断模块,用于判断获取到的所述目标车辆图像的幅数是否超过预设幅数;
第一处理模块,用于若获取到的目标车辆图像的幅数超过预设幅数,则更新当前确定的所有目标车辆图像上的车牌区域中的目标像素点;
若获取到的目标车辆图像的幅数未超过预设幅数,且小于预设幅数,则继续确定下一幅目标车辆图像,并在所述下一幅目标车辆图像上确定目标像素点;
所述装置还包括:
第二处理模块,若获取到的所述目标车辆图像的幅数等于预设幅数,则继续执行所述基于所述目标像素点获取白色参考像素点的步骤。
在一实施例中,参考点确定子模块可以包括(图5中并未示出):
第一亮度获取子模块,用于获取所述目标像素点的亮度值;
排序子模块,用于按照亮度值从大到小的顺序,对所述目标像素点进行排序;
选择子模块,用于根据排序结果,选择预设数量的排在前面的所述目标像素点作为白色参考像素点。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
确定至少一幅目标车辆图像,所述目标车辆图像中包括车牌,所述车牌的真实颜色中包括白色;
在所述至少一幅目标车辆图像上的车牌区域中获取白色参考像素点;
根据所述白色参考像素点获取白平衡增益;
使用所述白平衡增益对所述至少一幅目标车辆图像进行白平衡校正。
2.根据权利要求1所述的方法,其特征在于,所述确定至少一幅目标车辆图像包括:
对采集到的至少一幅车辆图像进行车牌识别,获取对所述车辆图像中车牌进行识别的识别置信度,以及所述车辆图像中车牌的真实颜色;
若所述识别置信度达到预设的置信度阈值,且所述车牌的真实颜色中包括白色,则将所述车辆图像确定为目标车辆图像。
3.根据权利要求1所述的方法,其特征在于,所述在所述至少一幅目标车辆图像上的车牌区域中获取白色参考像素点包括:
在所述至少一幅目标车辆图像上的车牌区域中确定感兴趣区域;
对所述感兴趣区域进行灰度处理,得到灰度图像;
基于所述灰度图像获取所述目标车辆图像对应的二值化最佳阈值,以及获取所述灰度图像中各个像素点的灰度值;
基于所述二值化最佳阈值对所述灰度图像进行二值化处理,得到二值化图像,其中,将所述灰度图像中,灰度值大于所述二值化最佳阈值的像素点设置为白色像素点;
在所述至少一幅目标车辆图像上的车牌区域中确定与所述白色像素点对应的目标像素点;
基于所述目标像素点获取白色参考像素点。
4.根据权利要求3所述的方法,其特征在于,在所述至少一幅目标车辆图像上的车牌区域中确定与所述白色像素点对应的目标像素点之后,基于所述目标像素点获取白色参考像素点之前,所述方法还包括:
判断获取到的所述目标车辆图像的幅数是否超过预设幅数;
若获取到的所述目标车辆图像的幅数超过预设幅数,则更新当前确定的所有目标车辆图像上的车牌区域中的目标像素点;
若获取到的所述目标车辆图像的幅数未超过预设幅数,且小于预设幅数,则继续确定下一幅目标车辆图像,并在所述下一幅目标车辆图像上确定目标像素点;
所述方法还包括:
若获取到的所述目标车辆图像的幅数等于预设幅数,则继续执行所述基于所述目标像素点获取白色参考像素点的步骤。
5.根据权利要求3或4所述的方法,其特征在于,所述基于所述目标像素点获取白色参考像素点包括:
获取所述目标像素点的亮度值;
按照亮度值从大到小的顺序,对所述目标像素点进行排序;
根据排序结果,选择预设数量的排在前面的所述目标像素点作为白色参考像素点。
6.一种图像处理装置,其特征在于,所述装置包括:
目标确定模块,用于确定至少一幅目标车辆图像,所述目标车辆图像中包括车牌、所述车牌的真实颜色中包括白色;
参考点获取模块,用于在所述至少一幅目标车辆图像上的车牌区域中获取白色参考像素点;
增益获取模块,用于根据所述白色参考像素点获取白平衡增益;
校正模块,用于使用所述白平衡增益对所述至少一幅目标车辆图像进行白平衡校正。
7.根据权利要求6所述的装置,其特征在于,所述目标确定模块包括:
识别子模块,用于对采集到的至少一幅车辆图像进行车牌识别,获取对所述车辆图像中车牌进行识别的识别置信度,以及所述车辆图像中车牌的真实颜色;
确定子模块,用于若所述识别置信度达到预设的置信度阈值,且所述车牌的真实颜色中包括白色,则将所述车辆图像确定为目标车辆图像。
8.根据权利要求6所述的装置,其特征在于,所述参考点获取模块包括:
区域确定子模块,用于在所述至少一幅目标车辆图像上的车牌区域中确定感兴趣区域;
灰度处理子模块,用于对所述感兴趣区域进行灰度处理,得到灰度图像;
阈值获取子模块,用于基于所述灰度图像获取所述目标车辆图像对应的二值化最佳阈值,以及获取所述灰度图像中各个像素点的灰度值;
二值化子模块,用于基于所述二值化最佳阈值对所述灰度图像进行二值化处理,得到二值化图像,其中,将所述灰度图像中,灰度值大于所述二值化最佳阈值的像素点设置为白色像素点;
目标点确定子模块,用于在所述至少一幅目标车辆图像上的车牌区域中确定与所述白色像素点对应的目标像素点;
参考点确定子模块,用于基于所述目标像素点获取白色参考像素点。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
判断模块,用于判断获取到的所述目标车辆图像的幅数是否超过预设幅数;
第一处理模块,用于若获取到的目标车辆图像的幅数超过预设幅数,则更新当前确定的所有目标车辆图像上的车牌区域中的目标像素点;
若获取到的目标车辆图像的幅数未超过预设幅数,且小于预设幅数,则继续确定下一幅目标车辆图像,并在所述下一幅目标车辆图像上确定目标像素点;
所述装置还包括:
第二处理模块,若获取到的所述目标车辆图像的幅数等于预设幅数,则继续执行所述基于所述目标像素点获取白色参考像素点的步骤。
10.根据权利要求8或9所述的装置,其特征在于,所述参考点确定子模块包括:
第一亮度获取子模块,用于获取所述目标像素点的亮度值;
排序子模块,用于按照亮度值从大到小的顺序,对所述目标像素点进行排序;
选择子模块,用于根据排序结果,选择预设数量的排在前面的所述目标像素点作为白色参考像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611173750.4A CN108205671A (zh) | 2016-12-16 | 2016-12-16 | 图像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611173750.4A CN108205671A (zh) | 2016-12-16 | 2016-12-16 | 图像处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108205671A true CN108205671A (zh) | 2018-06-26 |
Family
ID=62602645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611173750.4A Pending CN108205671A (zh) | 2016-12-16 | 2016-12-16 | 图像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108205671A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109005397A (zh) * | 2018-08-31 | 2018-12-14 | 建荣半导体(深圳)有限公司 | 一种图像白平衡的调整方法、装置、图像处理芯片及存储装置 |
CN109118549A (zh) * | 2018-07-20 | 2019-01-01 | 上海电力学院 | 一种用白色打印纸作参照物恢复目标物颜色的方法 |
CN109242792A (zh) * | 2018-08-23 | 2019-01-18 | 广东数相智能科技有限公司 | 一种基于白色物体的白平衡校对方法 |
CN109273071A (zh) * | 2018-08-23 | 2019-01-25 | 广东数相智能科技有限公司 | 一种建立白色物体对比模型的方法 |
CN110490204A (zh) * | 2019-07-11 | 2019-11-22 | 深圳怡化电脑股份有限公司 | 图像处理方法、图像处理装置及终端 |
CN111275774A (zh) * | 2019-12-31 | 2020-06-12 | 杭州迪英加科技有限公司 | 一种显微镜下图像的获取方法和电子设备 |
CN111754440A (zh) * | 2020-06-29 | 2020-10-09 | 苏州科达科技股份有限公司 | 车牌图像增强方法、系统、设备及存储介质 |
CN112133101A (zh) * | 2020-09-22 | 2020-12-25 | 杭州海康威视数字技术股份有限公司 | 增强车牌区域的方法、装置、摄像装置、计算设备及存储介质 |
CN112270220A (zh) * | 2020-10-14 | 2021-01-26 | 西安工程大学 | 一种基于深度学习的缝纫手势识别方法 |
CN113452982A (zh) * | 2020-03-24 | 2021-09-28 | 合肥君正科技有限公司 | 一种提高道路监控摄像机中白平衡校正效果的方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001222680A (ja) * | 2000-02-08 | 2001-08-17 | Mitsubishi Electric Corp | ナンバー読取り装置 |
CN101408942A (zh) * | 2008-04-17 | 2009-04-15 | 浙江师范大学 | 一种复杂背景下的车牌定位方法 |
CN101916431A (zh) * | 2010-07-23 | 2010-12-15 | 北京工业大学 | 一种低照度图像数据处理方法及系统 |
CN102147860A (zh) * | 2011-05-16 | 2011-08-10 | 杭州华三通信技术有限公司 | 一种基于白平衡的车牌识别方法和装置 |
CN102262726A (zh) * | 2011-06-17 | 2011-11-30 | 西安电子科技大学 | 基于fpga多核的车牌识别系统 |
CN202422423U (zh) * | 2011-12-20 | 2012-09-05 | 杭州海康威视系统技术有限公司 | 车辆牌照识别装置及系统 |
CN102855617A (zh) * | 2011-07-01 | 2013-01-02 | 中国科学院深圳先进技术研究院 | 自适应图像处理方法及系统 |
CN103310500A (zh) * | 2012-03-09 | 2013-09-18 | 华晶科技股份有限公司 | 车牌摄像装置及其影像白平衡调整方法 |
CN103390156A (zh) * | 2012-11-05 | 2013-11-13 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别方法及装置 |
CN103491357A (zh) * | 2013-10-14 | 2014-01-01 | 旗瀚科技有限公司 | 一种图像传感器白平衡处理方法 |
CN104268596A (zh) * | 2014-09-25 | 2015-01-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别器及其车牌检测方法与系统 |
CN104598905A (zh) * | 2015-02-05 | 2015-05-06 | 广州中国科学院软件应用技术研究所 | 一种车牌定位方法和装置 |
TWI486063B (zh) * | 2012-03-09 | 2015-05-21 | Altek Corp | 車牌攝像裝置及其影像白平衡調整方法 |
CN104992145A (zh) * | 2015-06-15 | 2015-10-21 | 山东大学 | 一种矩采样车道跟踪检测方法 |
CN105405298A (zh) * | 2015-12-24 | 2016-03-16 | 浙江宇视科技有限公司 | 一种车牌标识的识别方法和装置 |
CN105761227A (zh) * | 2016-03-04 | 2016-07-13 | 天津大学 | 基于暗通道先验与白平衡的水下图像增强方法 |
CN105812762A (zh) * | 2016-03-23 | 2016-07-27 | 武汉鸿瑞达信息技术有限公司 | 一种处理图像偏色的自动白平衡方法 |
CN106203433A (zh) * | 2016-07-13 | 2016-12-07 | 西安电子科技大学 | 一种车辆监控图像中车牌位置自动提取并透视校正的方法 |
-
2016
- 2016-12-16 CN CN201611173750.4A patent/CN108205671A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001222680A (ja) * | 2000-02-08 | 2001-08-17 | Mitsubishi Electric Corp | ナンバー読取り装置 |
CN101408942A (zh) * | 2008-04-17 | 2009-04-15 | 浙江师范大学 | 一种复杂背景下的车牌定位方法 |
CN101916431A (zh) * | 2010-07-23 | 2010-12-15 | 北京工业大学 | 一种低照度图像数据处理方法及系统 |
CN102147860A (zh) * | 2011-05-16 | 2011-08-10 | 杭州华三通信技术有限公司 | 一种基于白平衡的车牌识别方法和装置 |
CN102262726A (zh) * | 2011-06-17 | 2011-11-30 | 西安电子科技大学 | 基于fpga多核的车牌识别系统 |
CN102855617A (zh) * | 2011-07-01 | 2013-01-02 | 中国科学院深圳先进技术研究院 | 自适应图像处理方法及系统 |
CN202422423U (zh) * | 2011-12-20 | 2012-09-05 | 杭州海康威视系统技术有限公司 | 车辆牌照识别装置及系统 |
TWI486063B (zh) * | 2012-03-09 | 2015-05-21 | Altek Corp | 車牌攝像裝置及其影像白平衡調整方法 |
CN103310500A (zh) * | 2012-03-09 | 2013-09-18 | 华晶科技股份有限公司 | 车牌摄像装置及其影像白平衡调整方法 |
CN103390156A (zh) * | 2012-11-05 | 2013-11-13 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别方法及装置 |
CN103491357A (zh) * | 2013-10-14 | 2014-01-01 | 旗瀚科技有限公司 | 一种图像传感器白平衡处理方法 |
CN104268596A (zh) * | 2014-09-25 | 2015-01-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别器及其车牌检测方法与系统 |
CN104598905A (zh) * | 2015-02-05 | 2015-05-06 | 广州中国科学院软件应用技术研究所 | 一种车牌定位方法和装置 |
CN104992145A (zh) * | 2015-06-15 | 2015-10-21 | 山东大学 | 一种矩采样车道跟踪检测方法 |
CN105405298A (zh) * | 2015-12-24 | 2016-03-16 | 浙江宇视科技有限公司 | 一种车牌标识的识别方法和装置 |
CN105761227A (zh) * | 2016-03-04 | 2016-07-13 | 天津大学 | 基于暗通道先验与白平衡的水下图像增强方法 |
CN105812762A (zh) * | 2016-03-23 | 2016-07-27 | 武汉鸿瑞达信息技术有限公司 | 一种处理图像偏色的自动白平衡方法 |
CN106203433A (zh) * | 2016-07-13 | 2016-12-07 | 西安电子科技大学 | 一种车辆监控图像中车牌位置自动提取并透视校正的方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118549A (zh) * | 2018-07-20 | 2019-01-01 | 上海电力学院 | 一种用白色打印纸作参照物恢复目标物颜色的方法 |
CN109242792A (zh) * | 2018-08-23 | 2019-01-18 | 广东数相智能科技有限公司 | 一种基于白色物体的白平衡校对方法 |
CN109273071A (zh) * | 2018-08-23 | 2019-01-25 | 广东数相智能科技有限公司 | 一种建立白色物体对比模型的方法 |
CN109005397A (zh) * | 2018-08-31 | 2018-12-14 | 建荣半导体(深圳)有限公司 | 一种图像白平衡的调整方法、装置、图像处理芯片及存储装置 |
CN110490204A (zh) * | 2019-07-11 | 2019-11-22 | 深圳怡化电脑股份有限公司 | 图像处理方法、图像处理装置及终端 |
CN110490204B (zh) * | 2019-07-11 | 2022-07-15 | 深圳怡化电脑股份有限公司 | 图像处理方法、图像处理装置及终端 |
CN111275774A (zh) * | 2019-12-31 | 2020-06-12 | 杭州迪英加科技有限公司 | 一种显微镜下图像的获取方法和电子设备 |
CN113452982A (zh) * | 2020-03-24 | 2021-09-28 | 合肥君正科技有限公司 | 一种提高道路监控摄像机中白平衡校正效果的方法 |
CN111754440A (zh) * | 2020-06-29 | 2020-10-09 | 苏州科达科技股份有限公司 | 车牌图像增强方法、系统、设备及存储介质 |
CN111754440B (zh) * | 2020-06-29 | 2023-05-05 | 苏州科达科技股份有限公司 | 车牌图像增强方法、系统、设备及存储介质 |
CN112133101A (zh) * | 2020-09-22 | 2020-12-25 | 杭州海康威视数字技术股份有限公司 | 增强车牌区域的方法、装置、摄像装置、计算设备及存储介质 |
CN112133101B (zh) * | 2020-09-22 | 2021-11-26 | 杭州海康威视数字技术股份有限公司 | 增强车牌区域的方法、装置、摄像装置、计算设备及存储介质 |
CN112270220A (zh) * | 2020-10-14 | 2021-01-26 | 西安工程大学 | 一种基于深度学习的缝纫手势识别方法 |
CN112270220B (zh) * | 2020-10-14 | 2022-02-25 | 西安工程大学 | 一种基于深度学习的缝纫手势识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108205671A (zh) | 图像处理方法及装置 | |
CN107480676B (zh) | 一种车辆颜色识别方法、装置和电子设备 | |
CN111767878B (zh) | 嵌入式设备中基于深度学习的交通标志检测方法及系统 | |
CN110390643B (zh) | 一种车牌增强方法、装置及电子设备 | |
US9401027B2 (en) | Method and apparatus for scene segmentation from focal stack images | |
US20120224789A1 (en) | Noise suppression in low light images | |
CN108647634A (zh) | 图像边框查找方法、装置、计算机设备及存储介质 | |
CA3115564A1 (en) | Method for determining distribution information, and control method and device for unmanned aerial vehicle | |
JP6779688B2 (ja) | 画像処理装置、画像処理方法、コンピュータプログラム | |
CN108875759B (zh) | 一种图像处理方法、装置及服务器 | |
CN109903265B (zh) | 一种图像变化区域侦测阀值设定方法、系统及其电子装置 | |
CN112634312B (zh) | 图像背景处理方法、装置、电子设备及存储介质 | |
CN106815587A (zh) | 图像处理方法及装置 | |
EP3698348A1 (en) | Color variance gamma correction | |
CN112037160A (zh) | 图像处理方法、装置及设备 | |
CN104778657B (zh) | 图像二维码融合方法及装置 | |
US8705134B2 (en) | Method of processing an image to clarify text in the image | |
US8509529B2 (en) | Color-image representative color decision apparatus and method of controlling operation thereof | |
CN113628259A (zh) | 图像的配准处理方法及装置 | |
He et al. | Effective haze removal under mixed domain and retract neighborhood | |
CN114816619A (zh) | 一种信息处理方法及电子设备 | |
CN111147693B (zh) | 一种全尺寸拍照图像的降噪方法及装置 | |
CN112634162A (zh) | 一种基于智慧交通的人工智能图像处理方法及系统 | |
CN106402717A (zh) | 一种ar播放控制方法及智能台灯 | |
CN112241697A (zh) | 角点颜色判定方法、装置、终端设备及可读存储介质 |
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 |