CN109214443A - 车牌识别模型训练方法、车牌识别方法、装置及设备 - Google Patents
车牌识别模型训练方法、车牌识别方法、装置及设备 Download PDFInfo
- Publication number
- CN109214443A CN109214443A CN201810972453.9A CN201810972453A CN109214443A CN 109214443 A CN109214443 A CN 109214443A CN 201810972453 A CN201810972453 A CN 201810972453A CN 109214443 A CN109214443 A CN 109214443A
- Authority
- CN
- China
- Prior art keywords
- license plate
- picture
- characteristic image
- license
- training sample
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明提供的车牌识别模型训练方法、车牌识别方法、装置及设备,属于车牌处理技术领域。该训练方法包括生成多张车牌照;对每一个车牌照生成两张不同背景、相同底图、不同随机旋转的图片;根据每一个车牌照所对应的省份,生成一个与车牌照不同省份的随机车牌照号码;根据随机车牌照号码生成一个与第一图片相同背景相同底图的第三图片;提取第一图片对应的第一车牌照特征图像、第二图片对应的第二车牌照特征图像和第三图片对应的第三车牌照特征图像;根据第一车牌照特征图像、第二车牌照特征图像和第三车牌照特征图像生成训练样本;将训练样本进行预处理,生成目标训练样本;根据目标训练样本训练预设车牌识别模型,得到目标车牌识别模型。
Description
技术领域
本发明涉及车牌处理技术领域,具体而言,涉及车牌识别模型训练方法、车牌识别方法、装置及设备。
背景技术
目前,停车场已普遍采用车牌识别进行停车场车辆管理。然而车牌识别的主要问题是容易发生车牌识别错误,一旦识别错误,将会导致抬杆放行失败,给待放行车辆造成极大的影响。
发明内容
为了解决上述技术问题,本发明实施例提供车牌识别模型训练方法、装置及设备。以及本发明实施例提供车牌识别方法、装置及设备。
第一方面,本发明实施例提供的一种车牌识别模型训练方法,其包括:生成多张车牌照;对每一个所述车牌照生成两张不同背景、相同底图、不同随机旋转的图片,两张所述图片为第一图片和第二图片;根据每一个所述车牌照所对应的省份,生成一个与所述车牌照不同省份的随机车牌照号码;根据所述随机车牌照号码生成一个与所述第一图片相同背景相同底图的第三图片;提取所述第一图片对应的第一车牌照特征图像、所述第二图片对应的第二车牌照特征图像和所述第三图片对应的第三车牌照特征图像;根据所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像生成训练样本;将所述训练样本进行预处理,生成目标训练样本;根据所述目标训练样本训练预设车牌识别模型,得到目标车牌识别模型。
结合第一方面,第一方面的一种实施方式,所述的提取所述第一图片对应的第一车牌照特征图像、所述第二图片对应的第二车牌照特征图像和所述第三图片对应的第三车牌照特征图像,包括:分别将所述第一图片、所述第二图片和所述第三图片进行形态运算,得到处理后的第一处理图片、第二处理图片和第三处理图片;根据轮廓提取所述第一处理图片对应的第一车牌照特征图像、所述第二处理图片对应的第二车牌照特征图像和所述第三处理图片对应的第三车牌照特征图像。
结合第一方面,在第一方面的另一种实施方式,所述的根据所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像生成训练样本,包括:将按照预设格式进行裁剪后的所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像合并为三元组,所述三元组为一个训练样本。
结合第一方面,在第一方面的另一种实施方式,所述的将所述训练样本进行预处理,生成目标训练样本,包括:将所述训练样本进行图像灰度化和直方图均衡化处理,生成目标训练样本。
结合第一方面,在第一方面的另一种实施方式,所述的生成多张车牌照,包括:获取M张常用车牌类型的待处理车牌照以及N张背景图片;去掉M张所述待处理车牌照的车牌号,得到M张所述待处理车牌照对应的底图;根据预设车牌照分布规则生成多个车牌照号码;根据所述背景图片、所述底图和所述车牌照号码生成多张车牌照。
第二方面,本发明实施例提供的一种车牌识别方法,其包括:采集进入停车场的车辆的车牌照;采用如第一方面任意一项所述的车牌识别模型训练方法所获取到的目标车牌识别模型对所述车牌照进行识别,获取所述车牌照的特征值;采集所述车辆在离开所述停车场时的比对车牌照;判断所述比对车牌照与所述特征值是否匹配;若是,执行抬杆放行。
第三方面,本发明实施例提供的一种车牌识别模型训练装置,包括:生成模块,用于生成多张车牌照;第一处理模块,用于对每一个所述车牌照生成两张不同背景、相同底图、不同随机旋转的图片,两张所述图片为第一图片和第二图片;第二处理模块,用于根据每一个所述车牌照所对应的省份,生成一个与所述车牌照不同省份的随机车牌照号码;第三处理模块,用于根据所述随机车牌照号码生成一个与所述第一图片相同背景相同底图的第三图片;特征提取模块,用于提取所述第一图片对应的第一车牌照特征图像、所述第二图片对应的第二车牌照特征图像和所述第三图片对应的第三车牌照特征图像;第四处理模块,用于根据所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像生成训练样本;第五处理模块,用于将所述训练样本进行预处理,生成目标训练样本;训练模块,用于根据所述目标训练样本训练预设车牌识别模型,得到目标车牌识别模型。
第四方面,本发明实施例提供的一种车牌识别装置,包括:第一采集模块,用于采集进入停车场的车辆的车牌照;处理模块,用于采用如第一方面任意一项所述的车牌识别模型训练方法所获取到的目标车牌识别模型对所述车牌照进行识别,获取所述车牌照的特征值;第二采集模块,用于采集所述车辆在离开所述停车场时的比对车牌照;比对模块,用于判断所述比对车牌照与所述特征值是否匹配;执行模块,用于若是,执行抬杆放行。
第五方面,本发明实施例提供的一种终端设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤;或者,所述处理器执行所述计算机程序时实现如第二方面所述方法的步骤。
第六方面,本发明实施例提供的一种存储介质,所述存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行如第一方面任一项所述的方法;或者使得所述计算机执行如第二方面所述的方法的步骤。
与现有技术相比,本发明实施例提供的车牌识别模型训练方法、装置及设备有益效果是:通过生成多张车牌照;对每一个所述车牌照生成两张不同背景、相同底图、不同随机旋转的图片,两张所述图片为第一图片和第二图片;根据每一个所述车牌照所对应的省份,生成一个与所述车牌照不同省份的随机车牌照号码;根据所述随机车牌照号码生成一个与所述第一图片相同背景相同底图的第三图片;提取所述第一图片对应的第一车牌照特征图像、所述第二图片对应的第二车牌照特征图像和所述第三图片对应的第三车牌照特征图像;根据所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像生成训练样本;将所述训练样本进行预处理,生成目标训练样本;根据所述目标训练样本训练预设车牌识别模型,得到目标车牌识别模型,从而使得在光照以及有略微旋转的情况下依然能够识别,并且通过将OCR(Optical Character Recognition,光学字符识别)的字符串识别转换为特征相似度匹配问题,使得目标车牌识别模型准确率大大提升。进而使得在使用目标车牌识别模型时,能够使得即使OCR识别错误,也不会影响抬杆放行操作,进一步提高识别率,有效降低识别错误,以克服现有技术所存在的技术问题。
本发明实施例提供的车牌识别方法、装置及设备有益效果是:通过采集进入停车场的车辆的车牌照;采用车牌识别模型训练方法所获取到的目标车牌识别模型对所述车牌照进行识别,获取所述车牌照的特征值;采集所述车辆在离开所述停车场时的比对车牌照;判断所述比对车牌照与所述特征值是否匹配;若是,执行抬杆放行。进而使能够使得即使OCR识别错误,也不会影响抬杆放行操作,进一步提高识别率。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明第一实施例提供的车牌识别模型训练方法的流程图;
图2为本发明第二实施例提供的车牌识别方法的流程图;
图3为本发明第三实施例提供的车牌识别模型训练装置的功能模块示意图;
图4为本发明第四实施例提供的车牌识别装置的功能模块示意图;
图5为本发明第五实施例提供的一种终端设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
第一实施例
请参阅图1,是本发明实施例提供的车牌识别模型训练方法的流程图。下面将对图1所示的具体流程进行详细阐述。
步骤S101,生成多张车牌照。
作为一种实施方式,步骤S101包括:获取M张常用车牌类型的待处理车牌照以及N张背景图片;去掉M张所述待处理车牌照的车牌号,得到M张所述待处理车牌照对应的底图;根据预设车牌照分布规则生成多个车牌照号码;根据所述背景图片、所述底图和所述车牌照号码生成多张车牌照。
可选地,常用车牌类型是指普通的民用车牌,如小汽车车牌、新能源车牌等。
可选地,M与N均为大于零的整数,且M与N可以相等,也可以不相等,在此,不作具体限定。
其中,背景图片是指车牌的背景图片。
可选地,预设规则是指每个国家的车牌照分布规则(即车牌编排规则)。
可选地,在生成多张车牌照过程中,对每张车牌照进行15度以内的随机旋转。
可选地,对每张车牌照添加高斯噪声。
可选地,根据所述背景图片、所述底图和所述车牌照号码生成多张车牌照,包括:从N张背景图片随机选择背景图片、M张所述底图随机选择底图,然后通过车牌号码和随机选取的所述背景图片、所述底图生成对应的车牌照,每个车牌号码以及每个底图各生成10张车牌照。
步骤S102,对每一个所述车牌照生成两张不同背景、相同底图、不同随机旋转的图片,两张所述图片为第一图片和第二图片。
其中,不同随机旋转是指第一图片和第二图片的随机旋转的度数不同。
举例来说,假设多张车牌照中包括车牌照1、车牌照2、车牌照3…车牌照L,其中,L为大于零的整数。然后根据车牌照1生成两张不同背景、相同底图、不同随机旋转度数的图片,根据车牌照2生成两张不同背景、相同底图、不同随机旋转的图片,根据车牌照3生成两张不同背景、相同底图、不同随机旋转的图片,以及根据车牌照L生成两张不同背景、相同底图、不同随机旋转的图片等。
在本实施例中,通过生成两张不同背景、相同底图、不同随机旋转的图片,可以使得在光照及有略微旋转的情况下依然能够识别。
步骤S103,根据每一个所述车牌照所对应的省份,生成一个与所述车牌照不同省份的随机车牌照号码。
继续以上述例子来说,假设车牌照1对应的省份为‘北京’,则随机生成一个除‘北京’以外省份的随机车牌照号码,例如,省份为‘重庆’的车牌照。
在本实施例中,通过生成一个与所述车牌照不同省份的随机车牌照号码,可以使得在光照及有略微旋转的情况下依然能够识别。
步骤S104,根据所述随机车牌照号码生成一个与所述第一图片相同背景相同底图的第三图片。
第三图片是指在所述随机车牌照的底图与所述第一图片的底图相同以及随机车牌照的背景与所述第一图片的背景相同。
可选地,在步骤S104之后,对所述第一图片和第三图片添加相同的高斯噪声,第二图片加上与第一图片不同的高斯噪声。
在本实施例中,通过根据所述随机车牌照号码生成一个与所述第一图片相同背景相同底图的第三图片以及对所述第一图片和第三图片添加相同的高斯噪声,第二图片加上与第一图片不同的高斯噪声,可以使得在光照及有略微旋转的情况下依然能够识别。
步骤S105,提取所述第一图片对应的第一车牌照特征图像、所述第二图片对应的第二车牌照特征图像和所述第三图片对应的第三车牌照特征图像。
作为一种实施方式,步骤S105包括:分别将所述第一图片、所述第二图片和所述第三图片进行形态运算,得到处理后的第一处理图片、第二处理图片和第三处理图片;根据轮廓提取所述第一处理图片对应的第一车牌照特征图像、所述第二处理图片对应的第二车牌照特征图像和所述第三处理图片对应的第三车牌照特征图像。具体地,将所述第一图片进行形态运算,得到处理后的第一处理图片;将所述第二图片进行形态运算,得到处理后的第二处理图片;将所述第三图片进行形态运算,得到处理后的第三处理图片;根据轮廓提取所述第一处理图片对应的第一车牌照特征图像、根据轮廓提取所述第二处理图片对应的第二车牌照特征图像和根据轮廓提取所述第三处理图片对应的第三车牌照特征图像。
其中,形态运算包括但不限于二值化、腐蚀、膨胀、开运算和闭运算。
其中,二值化是指将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果。
在实际使用中,可以选择全局二值化,也可以选择局部二值化,或者全局二值化与局部二值化共同使用,在此,不作具体限定。
其中,腐蚀是一种消除边界点,使边界向内部收缩的过程。可以用来消除小且无意义的物体。例如,腐蚀的算法:用3x3的结构元素,扫描图像的每一个像素;用结构元素与其覆盖的二值图像做“与”操作;如果都为1,结果图像的该像素为1。否则为0。通过腐蚀运算可以使二值图像减小一圈。
其中,膨胀是指将与物体接触的所有背景点合并到该物体中,使边界向外部扩张的过程。可以用来填补物体中的空洞。例如,膨胀的算法:用3x3的结构元素,扫描图像的每一个像素;用结构元素与其覆盖的二值图像做“与”操作;如果都为0,结果图像的该像素为0。否则为1。通过膨胀运算可以使二值图像扩大一圈。
其中,先腐蚀后膨胀的过程称为开运算。用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。
先膨胀后腐蚀的过程称为闭运算。用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。
步骤S106,根据所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像生成训练样本。
在本实施例中,通过依次将第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像送到预设车牌识别模型进行训练,可以有效降低预设车牌识别模型的处理压力。
作为一种实施方式,步骤S106包括:将按照预设格式进行裁剪后的所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像合并为三元组,所述三元组为一个训练样本。
可选地,预设格式的设置可以根据实际需求进行设置,在此,不作具体限定。例如,预设格式可以是44*14。即将所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像均裁剪为44*14大小的图像。
步骤S107,将所述训练样本进行预处理,生成目标训练样本。
作为一种实施方式,步骤S107包括:将所述训练样本进行图像灰度化和直方图均衡化处理,生成目标训练样本。
在本实施例中,通过对所述训练样本进行图像灰度化和直方图均衡化处理,可以有效消除亮度等带来的差异。
步骤S108,根据所述目标训练样本训练预设车牌识别模型,得到目标车牌识别模型。
其中,预设车牌识别模型为卷积神经网络模型,所述卷积神经网络模型的输入层为44*14的图片,其中,第一层卷积层(C1)选取6个3*3的卷积核,得到6*(42*12)特征图像,第二层卷积(C2)选取32个5*5的卷积核,得到32*(38*8)特征图像,第三层下采样层(S3)进行max-pooling采样,得到32*(19*4)的特征图像,进行展开,加入隐藏层1024个节点,输出层为256个节点,损失函数(loss function)使用Triplet Loss,激活函数使用Relu(Rectified Linear Units)。
作为一种实施方式,通过所述目标训练样本训练预设车牌识别模型,得到目标车牌识别模型。例如,依次按批生成目标训练样本,并将目标训练样本按批送入预设车牌识别模型进行训练,以得到目标车牌识别模型。
本发明实施例提供的车牌识别模型训练方法,通过生成多张车牌照;对每一个所述车牌照生成两张不同背景、相同底图、不同随机旋转的图片,两张所述图片为第一图片和第二图片;根据每一个所述车牌照所对应的省份,生成一个与所述车牌照不同省份的随机车牌照号码;根据所述随机车牌照号码生成一个与所述第一图片相同背景相同底图的第三图片;提取所述第一图片对应的第一车牌照特征图像、所述第二图片对应的第二车牌照特征图像和所述第三图片对应的第三车牌照特征图像;根据所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像生成训练样本;将所述训练样本进行预处理,生成目标训练样本;根据所述目标训练样本训练预设车牌识别模型,得到目标车牌识别模型,从而使得在光照以及有略微旋转的情况下依然能够识别,并且通过将OCR(OpticalCharacter Recognition,光学字符识别)的字符串识别转换为特征相似度匹配问题,使得目标车牌识别模型准确率大大提升。进而使得在使用目标车牌识别模型时,能够使得即使OCR识别错误,也不会影响抬杆放行操作,进一步提高识别率。
第二实施例
请参阅图2,是本发明实施例提供的车牌识别方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤S201,采集进入停车场的车辆的车牌照。
在实际使用时,一般可以通过图像采集装置(例如摄像头)采集进入停车场的车辆的车牌照。
作为一种实施方式,在采集好车牌照后,将所述车牌照作为第一图片,然后拷贝第一图片获得第二图片;再使用一个不存在的车牌照号码图像为第三图片,然后按照第一实施例的车牌识别模型训练方法进行预处理,并且通过目标车牌识别模型进行运算,获取车牌照的特征值,然后使用传统OCR识别一个车牌照号码,保存至数据库。
步骤S202,采用车牌识别模型训练方法所获取到的目标车牌识别模型对所述车牌照进行识别,获取所述车牌照的特征值。
其中,所述特征值可以是车牌号。
步骤S203,采集所述车辆在离开所述停车场时的比对车牌照。
作为一种实施方式,步骤S203包括:采集所述车辆在离开所述停车场时的比对车牌照,得到比对车牌照的特征值。
步骤S204,判断所述比对车牌照与所述特征值是否匹配。
作为一种实施方式,所述比对车牌照的特征值与数据库中存储的特征值进行相似度计算,获取所属车牌信息,若相似度满足预设值,则判定所述比对车牌照与所述特征值匹配。
其中,预设值的选取可以根据实际需求进行设置,例如可以是90%,在此,不作具体限定。
步骤S205,若是,执行抬杆放行。
在时,执行抬杆放行。例如,当识别到所述比对车牌照与所述特征值匹配,则通过将停车场的栏杆进行抬杆操作,以对该车辆进行放行。
本发明实施例提供的车牌识别方法,通过采集进入停车场的车辆的车牌照;采用车牌识别模型训练方法所获取到的目标车牌识别模型对所述车牌照进行识别,获取所述车牌照的特征值;采集所述车辆在离开所述停车场时的比对车牌照;判断所述比对车牌照与所述特征值是否匹配;若是,执行抬杆放行。进而使能够使得即使OCR识别错误,也不会影响抬杆放行操作,进一步提高识别率。
第三实施例
对应于第一实施例中的车牌识别模型训练方法,图3示出了采用第一实施例所示的车牌识别模型训练方法一一对应的车牌识别模型训练车牌识别模型训练。如图3所示,所述车牌识别模型训练装置400包括生成模块410、第一处理模块420、第二处理模块430、第三处理模块440、特征提取模块450、第四处理模块460、第五处理模块470和训练模块480。其中,生成模块410、第一处理模块420、第二处理模块430、第三处理模块440、特征提取模块450、第四处理模块460、第五处理模块470和训练模块480的实现功能与第一实施例中对应的步聚一一对应,为避免赘述,本实施例不一一详述。
生成模块410,用于生成多张车牌照。
可选地,生成模块410还用于:获取M张常用车牌类型的待处理车牌照以及N张背景图片;去掉M张所述待处理车牌照的车牌号,得到M张所述待处理车牌照对应的底图;根据预设车牌照分布规则生成多个车牌照号码;根据所述背景图片、所述底图和所述车牌照号码生成多张车牌照。其中,N和M均为大于零的正整数。
作为一种实施方式,选取N张背景图片,再选取M张常用车牌类型的照片,去掉车牌号,留下底图;根据我国车牌照分布规则生成车牌照号码;从N张背景图片随机选择背景图、M张所述底图随机选择底图和车牌号码生成对应的车牌照,循环生成,每个车牌号码以及每个底图各生成10张车牌照;并且在生成过程中,对每张车牌照进行15度以内的随机旋转;对生成的车牌照添加高斯噪声。
第一处理模块420,用于对每一个所述车牌照生成两张不同背景、相同底图、不同随机旋转的图片,两张所述图片为第一图片和第二图片。
第二处理模块430,用于根据每一个所述车牌照所对应的省份,生成一个与所述车牌照不同省份的随机车牌照号码。
第三处理模块440,用于根据所述随机车牌照号码生成一个与所述第一图片相同背景相同底图的第三图片。
可选地,为第一图片和第三图片加上相同的高斯噪声,第二图片加上与第一图片和第三图片不同的高斯噪声。
特征提取模块450,用于提取所述第一图片对应的第一车牌照特征图像、所述第二图片对应的第二车牌照特征图像和所述第三图片对应的第三车牌照特征图像。
可选地,特征提取模块450,还用于:分别将所述第一图片、所述第二图片和所述第三图片进行形态运算,得到处理后的第一处理图片、第二处理图片和第三处理图片;根据轮廓提取所述第一处理图片对应的第一车牌照特征图像、所述第二处理图片对应的第二车牌照特征图像和所述第三处理图片对应的第三车牌照特征图像。
第四处理模块460,用于根据所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像生成训练样本。
可选地,第四处理模块460,还用于:将按照预设格式进行裁剪后的所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像合并为三元组,所述三元组为一个训练样本。
例如,将提取出来的第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像裁剪为44*14的图像,即裁剪后的所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像的大小为44*14。
第五处理模块470,用于将所述训练样本进行预处理,生成目标训练样本。
可选地,第五处理模块470,还用于:将所述训练样本进行图像灰度化和直方图均衡化处理,生成目标训练样本。
训练模块480,用于根据所述目标训练样本训练预设车牌识别模型,得到目标车牌识别模型。
第四实施例
对应于第二实施例中的车牌识别方法,图4示出了采用第二实施例所示的车牌识别方法一一对应的车牌识别装置。如图4所示,所述车牌识别装置500包括第一采集模块510、处理模块520、第二采集模块530、比对模块540和执行模块550。其中,第一采集模块510、处理模块520、第二采集模块530、比对模块540和执行模块550的实现功能与第二实施例中对应的步聚一一对应,为避免赘述,本实施例不一一详述。
第一采集模块510,用于采集进入停车场的车辆的车牌照。
处理模块520,用于采用所述的车牌识别模型训练方法所获取到的目标车牌识别模型对所述车牌照进行识别,获取所述车牌照的特征值。
第二采集模块530,用于采集所述车辆在离开所述停车场时的比对车牌照。
比对模块540,用于判断所述比对车牌照与所述特征值是否匹配。
执行模块550,用于若是,执行抬杆放行。
第五实施例
如图5所示,是终端设备300的示意图。所述终端设备300包括存储器302、处理器304以及存储在所述存储器302中并可在所述处理器304上运行的计算机程序303,所述计算机程序303被处理器304执行时实现第一实施例中的所述车牌识别模型训练方法,为避免重复,此处不再赘述。或者,所述计算机程序303被处理器304执行时实现第二实施例所述车牌识别方法中各步骤的功能,为避免重复,此处不再赘述。或者,所述计算机程序303被处理器304执行时实现第三实施例所述车牌识别模型训练装置中各模型/单元的功能,为避免重复,此处不再赘述。或者,所述计算机程序303被处理器304执行时实现第四实施例所述车牌识别装置中各模型/单元的功能,为避免重复,此处不再赘述。
示例性的,计算机程序303可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器302中,并由处理器304执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序303在终端设备300中的执行过程。例如,计算机程序303可以被分割成第三实施例中的生成模块410、第一处理模块420、第二处理模块430、第三处理模块440、特征提取模块450、第四处理模块460、第五处理模块470和训练模块480,各模块的具体功能如第一实施例或第三实施例所述,在此不一一赘述。
终端设备300可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。
其中,存储器302可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器302用于存储程序,所述处理器304在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流程定义的方法可以应用于处理器304中,或者由处理器304实现。
处理器304可能是一种集成电路芯片,具有信号的处理能力。上述的处理器304可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
可以理解的是,图5所示的结构仅为终端设备300的一种结构示意图,终端设备300还可以包括比图5所示更多或更少的组件。图5中所示的各组件可以采用硬件、软件或其组合实现。
第六实施例
本发明实施例还提供一种存储介质,所述存储介质上存储有指令,当所述指令在计算机上运行时,所述计算机程序被处理器执行时实现第一实施例中的所述车牌识别模型训练方法,为避免重复,此处不再赘述。或者,所述计算机程序被处理器执行时实现第二实施例所述车牌识别方法中各步骤的功能,为避免重复,此处不再赘述。或者,所述计算机程序被处理器执行时实现第三实施例所述车牌识别模型训练装置中各模型/单元的功能,为避免重复,此处不再赘述。或者,所述计算机程序被处理器执行时实现第四实施例所述车牌识别装置中各模型/单元的功能,为避免重复,此处不再赘述。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可以通过硬件实现,也可以借助软件加必要的通用硬件平台的方式来实现,基于这样的理解,本发明的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施场景的方法。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (10)
1.一种车牌识别模型训练方法,其特征在于,包括:
生成多张车牌照;
对每一个所述车牌照生成两张不同背景、相同底图、不同随机旋转的图片,两张所述图片为第一图片和第二图片;
根据每一个所述车牌照所对应的省份,生成一个与所述车牌照不同省份的随机车牌照号码;
根据所述随机车牌照号码生成一个与所述第一图片相同背景相同底图的第三图片;
提取所述第一图片对应的第一车牌照特征图像、所述第二图片对应的第二车牌照特征图像和所述第三图片对应的第三车牌照特征图像;
根据所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像生成训练样本;
将所述训练样本进行预处理,生成目标训练样本;
根据所述目标训练样本训练预设车牌识别模型,得到目标车牌识别模型。
2.根据权利要求1所述的方法,其特征在于,所述的提取所述第一图片对应的第一车牌照特征图像、所述第二图片对应的第二车牌照特征图像和所述第三图片对应的第三车牌照特征图像,包括:
分别将所述第一图片、所述第二图片和所述第三图片进行形态运算,得到处理后的第一处理图片、第二处理图片和第三处理图片;
根据轮廓提取所述第一处理图片对应的第一车牌照特征图像、所述第二处理图片对应的第二车牌照特征图像和所述第三处理图片对应的第三车牌照特征图像。
3.根据权利要求1所述的方法,其特征在于,所述的根据所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像生成训练样本,包括:
将按照预设格式进行裁剪后的所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像合并为三元组,所述三元组为一个训练样本。
4.根据权利要求1所述的方法,其特征在于,所述的将所述训练样本进行预处理,生成目标训练样本,包括:
将所述训练样本进行图像灰度化和直方图均衡化处理,生成目标训练样本。
5.根据权利要求1所述的方法,其特征在于,所述的生成多张车牌照,包括:
获取M张常用车牌类型的待处理车牌照以及N张背景图片;
去掉M张所述待处理车牌照的车牌号,得到M张所述待处理车牌照对应的底图;
根据预设车牌照分布规则生成多个车牌照号码;
根据所述背景图片、所述底图和所述车牌照号码生成多张车牌照。
6.一种车牌识别方法,其特征在于,包括:
采集进入停车场的车辆的车牌照;
采用如权利要求1-5任意一项所述的车牌识别模型训练方法所获取到的目标车牌识别模型对所述车牌照进行识别,获取所述车牌照的特征值;
采集所述车辆在离开所述停车场时的比对车牌照;
判断所述比对车牌照与所述特征值是否匹配;
若是,执行抬杆放行。
7.一种车牌识别模型训练装置,其特征在于,包括:
生成模块,用于生成多张车牌照;
第一处理模块,用于对每一个所述车牌照生成两张不同背景、相同底图、不同随机旋转的图片,两张所述图片为第一图片和第二图片;
第二处理模块,用于根据每一个所述车牌照所对应的省份,生成一个与所述车牌照不同省份的随机车牌照号码;
第三处理模块,用于根据所述随机车牌照号码生成一个与所述第一图片相同背景相同底图的第三图片;
特征提取模块,用于提取所述第一图片对应的第一车牌照特征图像、所述第二图片对应的第二车牌照特征图像和所述第三图片对应的第三车牌照特征图像;
第四处理模块,用于根据所述第一车牌照特征图像、所述第二车牌照特征图像和所述第三车牌照特征图像生成训练样本;
第五处理模块,用于将所述训练样本进行预处理,生成目标训练样本;
训练模块,用于根据所述目标训练样本训练预设车牌识别模型,得到目标车牌识别模型。
8.一种车牌识别装置,其特征在于,包括:
第一采集模块,用于采集进入停车场的车辆的车牌照;
处理模块,用于采用如权利要求1-5任意一项所述的车牌识别模型训练方法所获取到的目标车牌识别模型对所述车牌照进行识别,获取所述车牌照的特征值;
第二采集模块,用于采集所述车辆在离开所述停车场时的比对车牌照;
比对模块,用于判断所述比对车牌照与所述特征值是否匹配;
执行模块,用于若是,执行抬杆放行。
9.一种终端设备,其特征在于,包括:包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-5中任一权项所述的方法;或者,当所述计算机可读取指令由所述处理器执行时,运行如权利要求6所述的方法。
10.一种存储介质,其特征在于,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的方法;或者,所述计算机程序被处理器执行时实现如权利要求6所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810972453.9A CN109214443A (zh) | 2018-08-24 | 2018-08-24 | 车牌识别模型训练方法、车牌识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810972453.9A CN109214443A (zh) | 2018-08-24 | 2018-08-24 | 车牌识别模型训练方法、车牌识别方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214443A true CN109214443A (zh) | 2019-01-15 |
Family
ID=64989350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810972453.9A Pending CN109214443A (zh) | 2018-08-24 | 2018-08-24 | 车牌识别模型训练方法、车牌识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214443A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781973A (zh) * | 2019-10-30 | 2020-02-11 | 广东利元亨智能装备股份有限公司 | 物品识别模型训练方法、物品识别方法、装置及电子设备 |
CN111444911A (zh) * | 2019-12-13 | 2020-07-24 | 珠海大横琴科技发展有限公司 | 车牌识别模型的训练方法及装置、车牌识别方法及装置 |
CN112464924A (zh) * | 2019-09-06 | 2021-03-09 | 华为技术有限公司 | 一种构建训练集的方法及装置 |
CN113887473B (zh) * | 2021-10-15 | 2024-04-26 | 中国海洋大学 | 一种基于改进的规范化可变形卷积人群计数方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118097A (zh) * | 2015-09-07 | 2015-12-02 | 成都杰迈科技有限责任公司 | 一种停车管理方法 |
CN106446895A (zh) * | 2016-10-28 | 2017-02-22 | 安徽四创电子股份有限公司 | 一种基于深度卷积神经网络的车牌识别方法 |
CN106709486A (zh) * | 2016-11-11 | 2017-05-24 | 南京理工大学 | 基于深度卷积神经网络的自动车牌识别方法 |
US20180063406A1 (en) * | 2014-12-24 | 2018-03-01 | Intel Corporation | Adaptive video end-to-end network with local abstraction |
CN108108746A (zh) * | 2017-09-13 | 2018-06-01 | 湖南理工学院 | 基于Caffe深度学习框架的车牌字符识别方法 |
-
2018
- 2018-08-24 CN CN201810972453.9A patent/CN109214443A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180063406A1 (en) * | 2014-12-24 | 2018-03-01 | Intel Corporation | Adaptive video end-to-end network with local abstraction |
CN105118097A (zh) * | 2015-09-07 | 2015-12-02 | 成都杰迈科技有限责任公司 | 一种停车管理方法 |
CN106446895A (zh) * | 2016-10-28 | 2017-02-22 | 安徽四创电子股份有限公司 | 一种基于深度卷积神经网络的车牌识别方法 |
CN106709486A (zh) * | 2016-11-11 | 2017-05-24 | 南京理工大学 | 基于深度卷积神经网络的自动车牌识别方法 |
CN108108746A (zh) * | 2017-09-13 | 2018-06-01 | 湖南理工学院 | 基于Caffe深度学习框架的车牌字符识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464924A (zh) * | 2019-09-06 | 2021-03-09 | 华为技术有限公司 | 一种构建训练集的方法及装置 |
CN110781973A (zh) * | 2019-10-30 | 2020-02-11 | 广东利元亨智能装备股份有限公司 | 物品识别模型训练方法、物品识别方法、装置及电子设备 |
CN110781973B (zh) * | 2019-10-30 | 2021-05-11 | 广东利元亨智能装备股份有限公司 | 物品识别模型训练方法、物品识别方法、装置及电子设备 |
CN111444911A (zh) * | 2019-12-13 | 2020-07-24 | 珠海大横琴科技发展有限公司 | 车牌识别模型的训练方法及装置、车牌识别方法及装置 |
CN113887473B (zh) * | 2021-10-15 | 2024-04-26 | 中国海洋大学 | 一种基于改进的规范化可变形卷积人群计数方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singla et al. | Automated latent fingerprint identification system: A review | |
TW201732651A (zh) | 一種單詞的分割方法和裝置 | |
CN111797821B (zh) | 文本检测方法、装置、电子设备及计算机存储介质 | |
CN109214443A (zh) | 车牌识别模型训练方法、车牌识别方法、装置及设备 | |
CN110245621B (zh) | 人脸识别装置及图像处理方法、特征提取模型、存储介质 | |
US11605210B2 (en) | Method for optical character recognition in document subject to shadows, and device employing method | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
CN111340025A (zh) | 字符识别方法、装置、计算机设备和计算机可读存储介质 | |
CN112528903B (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
CN110659631A (zh) | 车牌识别方法和终端设备 | |
CN115713669B (zh) | 一种基于类间关系的图像分类方法、装置、存储介质及终端 | |
CN112308149A (zh) | 基于机器学习的图像信息识别的优化方法及装置 | |
CN111160368A (zh) | 图像中目标检测方法、装置、设备及存储介质 | |
Li et al. | Incremental learning of infrared vehicle detection method based on SSD | |
CN112801045B (zh) | 一种文本区域检测方法、电子设备及计算机存储介质 | |
CN113807237B (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 | |
CN112733670B (zh) | 指纹特征提取方法、装置、电子设备及存储介质 | |
CN114913588A (zh) | 一种应用于复杂场景下的人脸图像修复及识别方法 | |
Abbass et al. | Car license plate segmentation and recognition system based on deep learning | |
CN116563898A (zh) | 基于GhostNet网络的掌静脉图像识别方法、装置、设备及介质 | |
CN108021918B (zh) | 文字识别方法及装置 | |
Zheng et al. | Chinese/English mixed character segmentation as semantic segmentation | |
CN112966685B (zh) | 用于场景文本识别的攻击网络训练方法、装置及相关设备 | |
CN112419249B (zh) | 一种特殊服饰图片转化方法、终端设备及存储介质 | |
CN111695380B (zh) | 目标检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |
|
RJ01 | Rejection of invention patent application after publication |