CN109409369A - 一种通过大数据图像信息进行车辆牌照识别方法 - Google Patents

Abstract

本发明公开了一种通过大数据图像信息进行车辆牌照识别方法，包括以下步骤：S1，获取运动轨迹上拍摄的车牌图像信息，对获取的车牌图像进行矫正处理，得到矫正车牌图像；S2，对步骤S1中的车牌图像进行筛选处理，得到筛选车牌图像，对获得的筛选车牌图像进行模糊化增强；S3，若提取的图像信息与预设的图像信息不相等，则对该车牌图像进行二次矫正处理，直至提取的图像信息与预设的图像信息相等为止。本发明能够对路径上拍摄的车牌进行矫正处理，不会因为摄像头镜头的上下、左右或者旋转原因使得拍摄的图像为倾斜扭曲图像，增强车牌图像的识别能力，降低误差。

Description

一种通过大数据图像信息进行车辆牌照识别方法

技术领域

本发明涉及图像处理技术领域，特别是涉及一种通过大数据图像信息进行车辆牌照识别方法。

背景技术

目前，车牌识别广泛应用于各大商圈、小区、机场、交叉路口以及行驶路途等。车牌识别的识别率受多种因素影响，比如摄像头由于多年未维修，导致摄像头方向朝不同方向(上下、左右或者旋转)倾斜或扭曲，致使识别设备的准确率降低，如何提升车牌识别的识别率是现目前亟需解决的问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种通过大数据图像信息进行车辆牌照识别方法。

为了实现本发明的上述目的，本发明公开了一种通过大数据图像信息进行车辆牌照识别方法，包括以下步骤：

S1，获取运动轨迹上拍摄的车牌图像信息，对获取的车牌图像进行矫正处理，得到矫正车牌图像；

S2，对步骤S1中的车牌图像进行筛选处理，得到筛选车牌图像，对获得的筛选车牌图像进行模糊化增强；

S3，提取步骤S2中模糊化增强后的图像信息，对提取的图像信息与预设的图像信息相对比，若提取的图像信息与预设的图像信息相等，则对拍摄的下一车牌图像进行矫正处理；若提取的图像信息与预设的图像信息不相等，则对该车牌图像进行二次矫正处理，直至提取的图像信息与预设的图像信息相等为止。本发明能够对路径上拍摄的车牌进行矫正处理，不会因为摄像头镜头的上下、左右或者旋转原因使得拍摄的图像为倾斜扭曲图像，增强车牌图像的识别能力，降低误差。

在本发明的一种优选实施方式中，所述S1包括以下步骤：

S11，以机动车行驶路径上的任一点为三维坐标的原点，以地面为xy平面，以垂直于地面为z轴，建立三维坐标系xyz；

S12，获取机动车K行驶所在位置坐标所述t为时刻，K为机动车序号，A_t、B_t和C_t为自然数；

获取摄像头拍摄点的位置坐标(x_A,y_B,z_C)，所述A、B和C为自然数，且

S13，计算t时刻摄像头拍摄机动车K时的距离为：其中，为机动车K行驶在t时刻时的位置坐标；(x_A,y_B,z_C)为摄像头拍摄点的位置坐标；L_K(t)为摄像头拍摄点在t时刻与机动车K的距离；

S14，对t时刻获取的车牌图像进行矫正处理，具体包括以下步骤：

S141，获取摄像头的视野左右偏离度计算图像的左右偏离度，可以减少算法的鲁棒性和冗余量，增强计算效率。

若则摄像头向左偏离角度若则摄像头向右偏离角度其中，为摄像头拍摄的机动车密集度，为摄像头未偏离时拍摄的机动车密集度；L_Left为图像左侧第一辆机动车与摄像头间的距离，L_Right为图像右侧第一辆机动车与摄像头间的距离；为图像左侧第一辆机动车和摄像头连线与图像右侧第一辆机动车和摄像头连线所成的角度；D为机动车行驶路面宽度；θ_Left为图像左侧第一辆机动车和摄像头连线与图像左侧第一辆机动车车顶面所成的角度， 为图像右侧第一辆机动车和摄像头连线与图像右侧第一辆机动车车顶面所成的角度，ρ为左右偏离调节因子；

S142，获取摄像头的视野上下偏离度计算图像的上下偏离度，提升图像的质量，降低干扰。

若则摄像头向上偏离角度若则摄像头向下偏离角度其中，L_Up为图像上侧第一辆机动车与摄像头间的距离，L_Down为图像下侧第一辆机动车与摄像头间的距离；为图像上侧第一辆机动车和摄像头连线与图像下侧第一辆机动车和摄像头连线所成的角度；θ_Up为图像上侧第一辆机动车和摄像头连线与图像上侧第一辆机动车车顶面所成的角度， 为图像下侧第一辆机动车和摄像头连线与图像下侧第一辆机动车车顶面所成的角度，ρ′为上下偏离调节因子；

S143，获取摄像头的视野旋转度计算图像的旋转度，可以精确的得出图像的扭曲值，有助于快速矫正图像。

若则摄像头顺时针旋转角度若则摄像头逆时针旋转角度

S144，矫正处理图像其中，ε为图像扭曲度；L_K(t)为摄像头拍摄点在t时刻与机动车K的距离；P(t+1)为下一时刻t+1拍摄的车牌图像信息。本发明能够对拍摄的机动车车牌进行增强识别处理，降低环境对拍摄图像的干扰，提升对车牌的识别能力。

在本发明的一种优选实施方式中，在步骤S2中的筛选处理图像的方法为：该计算公式提高了图像的处理速度，降低了环境干扰，其中，为机动车K行驶在t时刻时的位置坐标；(x_A,y_B,z_C)为摄像头拍摄点的位置坐标；为机动车K行驶在t时刻时所处位置与摄像头的所成角度，Φ_min为该幅图像中像素的最小值，Φ_max为该幅图像中像素的最大值，Φ为该幅图像中的像素平均值，Q为图像的宽高之比；P(t)为时刻t时拍摄的车牌图像信息。

在本发明的一种优选实施方式中，在步骤S2中筛选车牌图像进行模糊化增强的方法为：

增强图像的识别能力，降低环境因素的干扰，加强了算法的鲁棒性。

其中，G_K(t)为经筛选处理后的车牌图像，V_K为机动车K时刻t时的行驶速度，V_K′为为机动车K的速度判断阈值；N(t)为摄像头拍摄机动车时的光照强度，N′(t)为摄像头拍摄机动车时的光照强度判断阈值；S_K为机动车K车牌的长宽之积；M为天气温湿度。

在本发明的一种优选实施方式中，摄像头拍摄机动车时的光照强度N(t)的计算方法为：针对不同天气状况，降低计算的误差，增强图像处理效率，其中，n(t)为t时刻的预测光照强度，ψ为天气状况，当ψ＞0时，表示晴天，当ψ≤0时，表示雨天；H_max为历史光照强度最大值，H_min为历史光照强度最小值，t′为光照持续时长；T为光照强度常数；S_K为机动车K车牌的长宽之积；S为机动车K拍摄面积；η₁为晴天调节因子，η₁为雨天调节因子。

在本发明的一种优选实施方式中，天气温湿度M的计算方法为：

其中m(t)为t时刻的预测温湿度，m′(t-1)为t-1时刻的实际温湿度；ξ为温湿度参数。

在本发明的一种优选实施方式中，车牌图像的二次矫正处理方法为

其中，ε为图像扭曲度；L_K(t)为摄像头拍摄点在t时刻与机动车K的距离；P(t+1)为下一时刻t+1拍摄的车牌图像信息τ_Left,Ri_ght为摄像头视野左右偏离度误差，若τ_Left,Right为负，则摄像头向右偏转|τ_Left,Right|，若τ_Left,Right为正，则摄像头向左偏转τ_Left,Right；τ_Rotate为摄像头视野旋转度误差，若τ_Rotate为正，则摄像头顺时针旋转τ_Rotate，若τ_Rotate为负，则摄像头逆时针旋转|τ_Rotate|；τ_Up,Down为摄像头视野上下偏离度误差，若τ_Up,Down为正，则摄像头向上偏转τ_Up,Down，若τ_Up,Down为负，则摄像头向下偏转|τ_Up,Down|。该算法增强车牌图像的鲁棒性及降低了冗余性，降低CPU的使用量。

综上所述，由于采用了上述技术方案，本发明的有益效果是：本发明能够对路径上拍摄的车牌进行矫正处理，不会因为摄像头镜头的上下、左右或者旋转原因使得拍摄的图像为倾斜扭曲图像，增强车牌图像的识别能力，降低误差。

附图说明

图1是本发明流程示意框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

本发明公开了一种本发明公开了一种通过大数据图像信息进行车辆牌照识别方法，如图1所示，包括以下步骤：

S1，获取运动轨迹上拍摄的车牌图像信息，对获取的车牌图像进行矫正处理，得到矫正车牌图像；

S2，对步骤S1中的车牌图像进行筛选处理，得到筛选车牌图像，对获得的筛选车牌图像进行模糊化增强；

S3，提取步骤S2中模糊化增强后的图像信息，对提取的图像信息与预设的图像信息相对比，若提取的图像信息与预设的图像信息相等，则对拍摄的下一车牌图像进行矫正处理；若提取的图像信息与预设的图像信息不相等，则对该车牌图像进行二次矫正处理，直至提取的图像信息与预设的图像信息相等为止。

在本发明的一种优选实施方式中，所述S1包括以下步骤：

S11，以机动车行驶路径上的任一点为三维坐标的原点，以地面为xy平面，以垂直于地面为z轴，建立三维坐标系xyz；

S12，获取机动车K行驶所在位置坐标所述t为时刻，K为机动车序号，A_t、B_t和C_t为自然数；

获取摄像头拍摄点的位置坐标(x_A,y_B,z_C)，所述A、B和C为自然数，且

S13，计算t时刻摄像头拍摄机动车K时的距离为：其中，为机动车K行驶在t时刻时的位置坐标；(x_A,y_B,z_C)为摄像头拍摄点的位置坐标；L_K(t)为摄像头拍摄点在t时刻与机动车K的距离；

S14，对t时刻获取的车牌图像进行矫正处理，具体包括以下步骤：

S141，获取摄像头的视野左右偏离度

若则摄像头向左偏离角度若则摄像头向右偏离角度其中，为摄像头拍摄的机动车密集度，为摄像头未偏离时拍摄的机动车密集度；L_Left为图像左侧第一辆机动车与摄像头间的距离，L_Right为图像右侧第一辆机动车与摄像头间的距离；为图像左侧第一辆机动车和摄像头连线与图像右侧第一辆机动车和摄像头连线所成的角度；D为机动车行驶路面宽度；θ_Left为图像左侧第一辆机动车和摄像头连线与图像左侧第一辆机动车车顶面所成的角度， 为图像右侧第一辆机动车和摄像头连线与图像右侧第一辆机动车车顶面所成的角度，ρ为左右偏离调节因子；

S142，获取摄像头的视野上下偏离度

若则摄像头向上偏离角度若则摄像头向下偏离角度其中，L_Up为图像上侧第一辆机动车与摄像头间的距离，L_Down为图像下侧第一辆机动车与摄像头间的距离；为图像上侧第一辆机动车和摄像头连线与图像下侧第一辆机动车和摄像头连线所成的角度；θ_Up为图像上侧第一辆机动车和摄像头连线与图像上侧第一辆机动车车顶面所成的角度， 为图像下侧第一辆机动车和摄像头连线与图像下侧第一辆机动车车顶面所成的角度，ρ′为上下偏离调节因子；

S143，获取摄像头的视野旋转度

若则摄像头顺时针旋转角度若则摄像头逆时针旋转角度

S144，矫正处理图像其中，ε为图像扭曲度；L_K(t)为摄像头拍摄点在t时刻与机动车K的距离；P(t+1)为下一时刻t+1拍摄的车牌图像信息。

在本发明的一种优选实施方式中，在步骤S2中的筛选处理图像的方法为：

其中，为机动车K行驶在t时刻时的位置坐标；(x_A,y_B,z_C)为摄像头拍摄点的位置坐标；为机动车K行驶在t时刻时所处位置与摄像头的所成角度，Φ_min为该幅图像中像素的最小值，Φ_max为该幅图像中像素的最大值，Φ为该幅图像中的像素平均值，Q为图像的宽高之比；P(t)为时刻t时拍摄的车牌图像信息。

在本发明的一种优选实施方式中，在步骤S2中筛选车牌图像进行模糊化增强的方法为：

其中，G_K(t)为经筛选处理后的车牌图像，V_K为机动车K时刻t时的行驶速度，V_K′为为机动车K的速度判断阈值；N(t)为摄像头拍摄机动车时的光照强度，N′(t)为摄像头拍摄机动车时的光照强度判断阈值；S_K为机动车K车牌的长宽之积；M为天气温湿度。

在本发明的一种优选实施方式中，摄像头拍摄机动车时的光照强度N(t)的计算方法为：

其中，n(t)为t时刻的预测光照强度，ψ为天气状况，当ψ＞0时，表示晴天，当ψ≤0时，表示雨天；H_max为历史光照强度最大值，H_min为历史光照强度最小值，t′为光照持续时长；T为光照强度常数；S_K为机动车K车牌的长宽之积；S为机动车K拍摄面积；η₁为晴天调节因子，η₁为雨天调节因子。

在本发明的一种优选实施方式中，天气温湿度M的计算方法为：

其中m(t)为t时刻的预测温湿度，m′(t-1)为t-1时刻的实际温湿度；ξ为温湿度参数。

在本发明的一种优选实施方式中，车牌图像的二次矫正处理方法为

其中，ε为图像扭曲度；L_K(t)为摄像头拍摄点在t时刻与机动车K的距离；P(t+1)为下一时刻t+1拍摄的车牌图像信息τ_Left,Right为摄像头视野左右偏离度误差，若τ_Left,Right为负，则摄像头向右偏转|τ_Left,Right|，若τ_Left,Right为正，则摄像头向左偏转τ_Left,Right；τ_Rotate为摄像头视野旋转度误差，若τ_Rotate为正，则摄像头顺时针旋转τ_Rotate，若τ_Rotate为负，则摄像头逆时针旋转|τ_Rotate|；τ_Up,Down为摄像头视野上下偏离度误差，若τ_Up,Down为正，则摄像头向上偏转τ_Up,Down，若τ_Up,Down为负，则摄像头向下偏转|τ_Up,Down|。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.一种通过大数据图像信息进行车辆牌照识别方法，其特征在于，包括以下步骤：

S1，获取运动轨迹上拍摄的车牌图像信息，对获取的车牌图像进行矫正处理，得到矫正车牌图像；

S2，对步骤S1中的车牌图像进行筛选处理，得到筛选车牌图像，对获得的筛选车牌图像进行模糊化增强；

S3，提取步骤S2中模糊化增强后的图像信息，对提取的图像信息与预设的图像信息相对比，若提取的图像信息与预设的图像信息相等，则对拍摄的下一车牌图像进行矫正处理；若提取的图像信息与预设的图像信息不相等，则对该车牌图像进行二次矫正处理，直至提取的图像信息与预设的图像信息相等为止。

2.根据权利要求1所述的通过大数据图像信息进行车辆牌照识别方法，其特征在于，所述S1包括以下步骤：

S11，以机动车行驶路径上的任一点为三维坐标的原点，以地面为xy平面，以垂直于地面为z轴，建立三维坐标系xyz；

S12，获取机动车K行驶所在位置坐标所述t为时刻，K为机动车序号，A_t、B_t和C_t为自然数；

获取摄像头拍摄点的位置坐标(x_A,y_B,z_C)，所述A、B和C为自然数，且

S13，计算t时刻摄像头拍摄机动车K时的距离为：其中，为机动车K行驶在t时刻时的位置坐标；(x_A,y_B,z_C)为摄像头拍摄点的位置坐标；L_K(t)为摄像头拍摄点在t时刻与机动车K的距离；

S14，对t时刻获取的车牌图像进行矫正处理，具体包括以下步骤：

S141，获取摄像头的视野左右偏离度

若则摄像头向左偏离角度若则摄像头向右偏离角度其中，为摄像头拍摄的机动车密集度，为摄像头未偏离时拍摄的机动车密集度；L_Left为图像左侧第一辆机动车与摄像头间的距离，L_Right为图像右侧第一辆机动车与摄像头间的距离；为图像左侧第一辆机动车和摄像头连线与图像右侧第一辆机动车和摄像头连线所成的角度；D为机动车行驶路面宽度；θ_Left为图像左侧第一辆机动车和摄像头连线与图像左侧第一辆机动车车顶面所成的角度， 为图像右侧第一辆机动车和摄像头连线与图像右侧第一辆机动车车顶面所成的角度，ρ为左右偏离调节因子；

S142，获取摄像头的视野上下偏离度

若则摄像头向上偏离角度若则摄像头向下偏离角度其中，L_Up为图像上侧第一辆机动车与摄像头间的距离，L_Down为图像下侧第一辆机动车与摄像头间的距离；为图像上侧第一辆机动车和摄像头连线与图像下侧第一辆机动车和摄像头连线所成的角度；θ_Up为图像上侧第一辆机动车和摄像头连线与图像上侧第一辆机动车车顶面所成的角度， 为图像下侧第一辆机动车和摄像头连线与图像下侧第一辆机动车车顶面所成的角度，ρ′为上下偏离调节因子；

S143，获取摄像头的视野旋转度

若则摄像头顺时针旋转角度若则摄像头逆时针旋转角度

S144，矫正处理图像

其中，ε为图像扭曲度；L_K(t)为摄像头拍摄点在t时刻与机动车K的距离；P(t+1)为下一时刻t+1拍摄的车牌图像信息。

3.根据权利要求1所述的通过大数据图像信息进行车辆牌照识别方法，其特征在于，在步骤S2中的筛选处理图像的方法为：

其中，为机动车K行驶在t时刻时的位置坐标；(x_A,y_B,z_C)为摄像头拍摄点的位置坐标；为机动车K行驶在t时刻时所处位置与摄像头的所成角度，Φ_min为该幅图像中像素的最小值，Φ_max为该幅图像中像素的最大值，Φ为该幅图像中的像素平均值，Q为图像的宽高之比；P(t)为时刻t时拍摄的车牌图像信息。

4.根据权利要求1所述的通过大数据图像信息进行车辆牌照识别方法，其特征在于，在步骤S2中筛选车牌图像进行模糊化增强的方法为：

其中，G_K(t)为经筛选处理后的车牌图像，V_K为机动车K时刻t时的行驶速度，V_K′为为机动车K的速度判断阈值；N(t)为摄像头拍摄机动车时的光照强度，N′(t)为摄像头拍摄机动车时的光照强度判断阈值；S_K为机动车K车牌的长宽之积；M为天气温湿度。

5.根据权利要求4所述的通过大数据图像信息进行车辆牌照识别方法，其特征在于，摄像头拍摄机动车时的光照强度N(t)的计算方法为：

其中，n(t)为t时刻的预测光照强度，ψ为天气状况，当ψ＞0时，表示晴天，当ψ≤0时，表示雨天；H_max为历史光照强度最大值，H_min为历史光照强度最小值，t′为光照持续时长；T为光照强度常数；S_K为机动车K车牌的长宽之积；S为机动车K拍摄面积；η₁为晴天调节因子，η₁为雨天调节因子。

6.根据权利要求4所述的通过大数据图像信息进行车辆牌照识别方法，其特征在于，天气温湿度M的计算方法为：

其中m(t)为t时刻的预测温湿度，m′(t-1)为t-1时刻的实际温湿度；ξ为温湿度参数。

7.根据权利要求1所述的通过大数据图像信息进行车辆牌照识别方法，其特征在于，在步骤S3中车牌图像的二次矫正处理方法为

其中，ε为图像扭曲度；L_K(t)为摄像头拍摄点在t时刻与机动车K的距离；P(t+1)为下一时刻t+1拍摄的车牌图像信息τ_Left,Right为摄像头视野左右偏离度误差，若τ_Left,Right为负，则摄像头向右偏转|τ_Left,Right|，若τ_Left,Right为正，则摄像头向左偏转τ_Left,Right；τ_Rotate为摄像头视野旋转度误差，若τ_Rotate为正，则摄像头顺时针旋转τ_Rotate，若τ_Rotate为负，则摄像头逆时针旋转|τ_Rotate|；τ_Up,Down为摄像头视野上下偏离度误差，若τ_Up,Down为正，则摄像头向上偏转τ_Up,Down，若τ_Up,Down为负，则摄像头向下偏转|τ_Up,Down|。