CN109492640A - 车牌识别方法、装置及计算机可读存储介质 - Google Patents

车牌识别方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN109492640A
CN109492640A CN201710819444.1A CN201710819444A CN109492640A CN 109492640 A CN109492640 A CN 109492640A CN 201710819444 A CN201710819444 A CN 201710819444A CN 109492640 A CN109492640 A CN 109492640A
Authority
CN
China
Prior art keywords
license plate
image
picture
classifier
carried out
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
Application number
CN201710819444.1A
Other languages
English (en)
Inventor
张大朋
冯俊兰
王朝民
徐衍瀚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Communications Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Communications Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201710819444.1A priority Critical patent/CN109492640A/zh
Publication of CN109492640A publication Critical patent/CN109492640A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Character Discrimination (AREA)

Abstract

本发明公开了一种车牌识别方法、装置及存储介质。方法包括：对采集的图像信息进行图像特征提取；利用提取的图像特征，并基于分类器，识别图像中的车牌图片；分类器是通过对图像样本进行机器训练直至满足收敛条件后得到的模型；模型中的参数集合满足：使用分类器得到的分类结果获得的得分比不正确的类别至少高第一值；对识别的车牌图片进行特征提取，得到第一特征向量；在神经网络的输入层输入所述第一特征向量，在神经网络的至少一层隐藏层对第一特征向量进行输入到输出的映射得到第一中间向量，在神经网络的输出层对第一中间向量进行解码得到第一输出向量，并将解码错误值小于解码错误值阈值的第一输出向量对应的车牌字符作为识别的车牌字符。

Description

车牌识别方法、装置及计算机可读存储介质
技术领域
本发明涉及数据业务领域，尤其涉及一种车牌识别方法、装置及计算机可读存储介质。
背景技术
目前，识别车牌的方案一般步骤包括：(1)收集车牌的图像；(2)利用收集到的图像训练某个识别模型；(3)利用训练模型识别采集到的图像中的车牌字符；(4)保存识别出的车牌字符。
然而，上述识别车牌的方案中，只使用一个识别模型来识别车牌字符，识别的精度差。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种车牌识别方法、装置及计算机可读存储介质。
本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种车牌识别方法，包括：
对采集的图像信息进行图像特征提取；
利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片；所述分类器是通过对图像样本进行机器训练直至满足收敛条件后得到的模型；所述分类器的参数集合满足：使用分类器得到的分类结果获得的得分比不正确的类别至少高第一值；
对识别的车牌图片进行特征提取，得到第一特征向量；
在神经网络的输入层输入所述第一特征向量，在所述神经网络的至少一层隐藏层对所述第一特征向量进行输入到输出的映射得到第一中间向量，在所述神经网络的输出层对第一中间向量进行解码得到第一输出向量，并将解码错误值小于解码错误值阈值的第一输出向量对应的车牌字符作为识别的车牌字符。
上述方案中，所述利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片之前，所述方法还包括：
对多个图像样本分别进行二值化处理，得到对应的灰度图像样本；
将多个灰度图像样本进行分类，得到分类结果；
更新所述分类器的参数集合，直至分类结果获得的得分比不正确的类别至少高所述第一值。
上述方案中，利用所述特征向量识别所述车牌字符之前，所述方法还包括：
对多个车牌图片样本进行二值化处理，得到对应的第二特征向量；
在所述输入层输入所述第二特征向量；
在所述至少一层隐藏层对所述第二特征向量进行输入到输出的映射，得到第二中间向量；
更新所述神经网络的参数集合，直至达到最大迭代次数或者达到精度变化程度。
上述方案中，所述识别所述车牌字符时，所述方法还包括：
采用多个线程并行处理无依赖关系的多个任务。
上述方案中，所述对采集的图像信息进行图像特征提取之前，所述方法还包括：
将所述采集的图像从RGB颜色空间转变至HSV颜色空间，得到转变后的图像；
从转变后的图像中选择待识别的图片；
相应地，对选择的待识别的图片进行图像特征提取。
上述方案中，所述对识别的车牌图片进行特征提取，得到第一特征向量，包括：
对识别的车牌图片进行预处理；
对预处理后的车牌图片进行特征提取。
本发明实施例还提供了一种车牌识别装置，包括：处理器、存储器；所述存储器上存储有能够在所述处理器上运行的计算机程序；
其中，所述处理器用于运行所述计算机程序时，执行：
对采集的图像信息进行图像特征提取；
利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片；所述分类器是通过对图像样本进行机器训练直至满足收敛条件后得到的模型；所述分类器的参数集合满足：使用分类器得到的分类结果获得的得分比不正确的类别至少高第一值；
对识别的车牌图片进行特征提取，得到第一特征向量；
在神经网络的输入层输入所述第一特征向量，在所述神经网络的至少一层隐藏层对所述第一特征向量进行输入到输出的映射得到第一中间向量，在所述神经网络的输出层对第一中间向量进行解码得到第一输出向量，并将解码错误值小于解码错误值阈值的第一输出向量对应的车牌字符作为识别的车牌字符。
上述方案中，所述处理器还用于运行所述计算机程序时，执行：
所述利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片之前，对多个图像样本分别进行二值化处理，得到对应的灰度图像样本；
将多个灰度图像样本进行分类，得到分类结果；
更新所述分类器的参数集合，直至分类结果获得的得分比不正确的类别至少高所述第一值。
上述方案中，所述处理器还用于运行所述计算机程序时，执行：
利用所述特征向量识别所述车牌字符之前，对多个车牌图片样本进行二值化处理，得到对应的第二特征向量；
在所述输入层输入所述第二特征向量；
在所述至少一层隐藏层对所述第二特征向量进行输入到输出的映射，得到第二中间向量；
更新所述神经网络的参数集合，直至达到最大迭代次数或者达到精度变化程度。
上述方案中，所述处理器还用于运行所述计算机程序时，执行：
所述识别所述车牌字符时，采用多个线程并行处理无依赖关系的多个任务。
上述方案中，所述处理器还用于运行所述计算机程序时，执行：
所述对采集的图像信息进行图像特征提取之前，将所述采集的图像从RGB颜色空间转变至HSV颜色空间，得到转变后的图像；
从转变后的图像中选择待识别的图片；
相应地，对选择的待识别的图片进行图像特征提取。
上述方案中，所述处理器还用于运行所述计算机程序时，执行：
对识别的车牌图片进行预处理；
对预处理后的车牌图片进行特征提取。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法的步骤。
本发明实施例提供的车牌识别方法、装置及计算机可读存储介质，将车牌字符识别过程分成两个过程，第一个过程是车牌图像识别，第二个过程是车牌图像的字符识别。每个过程分别使用一种机器学习算法来识别，如此，大大提高了识别速度及识别的精度。
同时，由于分类器是通过机器学习得到的，且识别车牌图片所需要的参数大小是机器自动调整后确定的，不需要人为去设定识别车牌图片所需要的参数大小，也不需要在对图像预处理时对预处理时的参数过分关注，如此，能够降低车牌图片识别阶段处理参数大小的选择对识别的负面影响，从而能够降低参数大小的选择对识别车牌字符精度的影响，也就大大提高了识别精度。
附图说明
在附图(其不一定是按比例绘制的)中，相似的附图标记可在不同的视图中描述相似的部件。附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。
图1为本发明实施例车牌识别的方法流程示意图；
图2为本发明实施例车牌识别装置结构示意图；
图3为本发明实施例车牌识别装置硬件结构示意图。
具体实施方式
下面结合附图及实施例对本发明再作进一步详细的描述。
在本发明实施例中，对采集的图像信息进行图像特征提取；利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片；所述分类器是通过对图像样本进行机器训练直至满足收敛条件后得到的模型；所述得到的模型中的参数集合满足：使用分类器得到的分类结果获得的得分比不正确的类别至少高第一值；对识别的车牌图片进行特征提取，得到第一特征向量；在神经网络的输入层输入所述第一特征向量，在所述神经网络的至少一层隐藏层对所述第一特征向量进行输入到输出的映射得到第一中间向量，在所述神经网络的输出层对第一中间向量进行解码得到第一输出向量，并将解码错误值小于解码错误值阈值的第一输出向量对应的车牌字符作为识别的车牌字符。
本发明实施例的方案，将车牌字符识别过程分成两个过程，第一个过程是车牌图像识别，第二个过程是车牌图像字符识别。每个过程分别使用一种机器学习算法来识别，具体地，在第一个过程中通过分类器识别车牌图片，在第二个过程中通过神经网络识别车牌字符，如此，大大提高了识别速度及识别的精度。
本发明实施例提供一种车牌识别方法，如图1所示，该方法包括：
步骤101：对采集的图像信息进行图像特征提取；
这里，由于车牌的颜色是有特殊含义的，比如：在中国，蓝色背景结合白色字体的车牌，一般表示家用小轿车实；黄色背景结合黑色字体的车牌，标识教练车和摩托车，黑色背景结合白色字体的车牌，通常表示外资公司和领事馆的车牌。所以实际应用时，可以先利用颜色在采集的图像信息中对车牌图片进行定位，这样，能够大大增加识别精度。
基于此，在一实施例中，执行本步骤之前，该方法还可以包括：
将所述采集的图像从RGB颜色空间转变至HSV颜色空间，得到转变后的图像；
从转变后的图像中选择待识别的图片；
相应地，对选择的待识别的图片进行图像特征提取。
其中，选择待识别的图片时，可以利用阈值选出所述待识别的图片。
实际应用时，可以通过利用Sobel算子算法进行边缘检测以划分区域，然后对划分的区域进行特征提取，比如可以采用区域特征提取(MSER)算法进行特征提取，并处理图片旋转(有时现实得到的图片会偏，所以需要进行旋转)之后得到一些图块，从而形成图像特征。当然，对采集的图像信息进行图像特征提取的具体实现过程还可以有其它方式，本发明实施例对此并不进行限制。
步骤102：利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片；
这里，所述分类器是通过对图像样本进行机器训练直至满足收敛条件后得到的模型；所述分类器的参数集合满足：使用分类器得到的分类结果获得的得分比不正确的类别至少高第一值。
换句话说，所述分类器为支持向量机(SVM，Support Vector Machine)。
实际应用时，需要先通过机器训练得到分类器，才能基于分类器识别车牌图片。也就是说，需要先获得多个图像样本，然后通过对图像样本进行机器训练直至满足收敛条件后得到所述分类器。
基于此，在一实施例中，在执行本步骤之前，该方法还可以包括：
对多个图像样本分别进行二值化处理，得到对应的灰度图像样本；
将多个灰度图像样本进行分类，得到分类结果；
更新所述分类器的参数集合，直至分类结果获得的得分比不正确的类别至少高所述第一值。
其中，所述第一值根据需要进行设置。
从上面的描述可以看出，在步骤102中，分类器的输入是图像直方图，输出是正类和负类。
由于分类器是通过机器学习得到的，所以识别车牌图片所需要的参数大小是机器自动调整后确定的，不需要人为去设定识别车牌图片所需要的参数大小，如此，能够降低车牌图片识别阶段处理参数大小的选择对识别的负面影响，从而能够降低参数大小的选择对识别车牌字符精度的影响，也就大大提高了识别精度。
步骤103：对识别的车牌图片进行特征提取，得到第一特征向量；
具体地，对识别的车牌图片进行预处理；
对预处理后的车牌图片进行特征提取。
其中，进行预处理包括：对识别的车牌图片依次进行灰度化、二值化、去除铆钉、取轮廓、分割处理，对分割后的图块进行排序。
步骤104：在神经网络的输入层输入所述第一特征向量，在所述神经网络的至少一层隐藏层对所述第一特征向量进行输入到输出的映射得到第一中间向量，在所述神经网络的输出层对第一中间向量进行解码得到第一输出向量，并将解码错误值小于解码错误值阈值的第一输出向量对应的车牌字符作为识别的车牌字符。
这里，所述第一特征向量可以理解为水平或垂直直方图，是包含了汉字、字母、数字的，所以本发明实施例的方案是采用一个神经网络来识别车牌字符，而不是通过汉字对应一个神经网络、字母对应一个神经网络，数字对应一个神经网络来实现车牌字符的识别。
实际应用时，为了加快识别的处理速度，对于无依赖关系的多个任务，可以采用并行的方式执行。
基于此，在一些实施例中，所述利用所述特征向量识别所述车牌字符时，所述方法还包括：
采用多个线程并行处理无依赖关系的多个任务。
实际应用时，需要先通过机器训练得到所述神经网络，才能基于神经网络识别车牌字符。也就是说，需要先采集多个车牌图片样本，基于多个车牌图片样本对所述神经网络进行训练。
基于此，在一实施例中，在执行步骤104之前，该方法还可以包括：
对多个车牌图片样本进行二值化处理，得到对应的第二特征向量；
在所述输入层输入所述第二特征向量；
在所述至少一层隐藏层对所述第二特征向量进行输入到输出的映射，得到第二中间向量；
更新所述神经网络的参数集合，直至达到最大迭代次数或者达到精度变化程度。
其中，精度表示类正确的样本数占样本总数的比例。所述达到精度变化程度是指：达到设定的精度变化程度。
从上面的描述可以看出，所述神经网络包括：输入层、至少一层隐藏层以及输出层。也就是说，所述神经网络是一个多层神经网络(MLP，Multi-layer Perceptron)。
本发明实施例提供的车牌识别方法，将车牌字符识别过程分成两个过程，第一个过程是车牌图像识别，第二个过程是车牌图像的字符识别。每个过程分别使用一种机器学习算法来识别，具体地，在第一个过程中通过分类器识别车牌图片，在第二个过程中通过神经网络识别车牌字符，如此，大大提高了识别速度及识别的精度。
同时，由于分类器是通过机器学习得到的，且识别车牌图片所需要的参数大小是机器自动调整后确定的，不需要人为去设定识别车牌图片所需要的参数大小，如此，能够降低车牌图片识别预处理阶段参数大小的选择对识别的负面影响，从而能够降低参数大小的选择对识别车牌字符精度的影响，也就大大提高了识别精度。
另外，识别所述车牌字符时，采用多个线程并行处理无依赖关系的多个任务，采用并行方式执行任务，如此，能够大大提高处理速度。
除此以外，将所述采集的图像从RGB颜色空间转变至HSV颜色空间，得到转变后的图像；从转变后的图像中选择待识别的图片；对选择的待识别的图片进行图像特征提取，由于车牌颜色特殊性，利用颜色在采集的图像信息中对车牌图片进行定位，如此，能够大大提升识别精度。
下面结合一个应用实施例对本发明再作详细的描述。
本应用实施例的技术架构是OpenCV。
本应用实施例中，先通过统计的方法识别车牌图片，然后再识别车牌图片的字符。
具体地，首先利用OpenCV 3.2版本中的SVM进行车牌图片识别；然后利用OpenCV3.2版本中的MLP对识别的车牌图片进行车牌字符识别。
另外，识别过程中同时利用OpenMP进行多线程的优化，以提升程序的训练速度和识别速度。
下面详细描述识别车牌的整个过程，主要包括：
步骤1：利用SVM进行车牌图片识别，具体地，
第一步骤：对于在某个场景下采集到的图像，利用颜色进行定位；
这里，定位简单地说是，需要将图像的RGB颜色空间转变成HSV颜色空间；
第二步骤：利用阈值从定位后的图像中选出待识别的图片；
第三步骤：利用Sobel算子、区域特征提取MSER并处理图片旋转之后得到一些图块；
第四步骤：利用已经训练好的SVM模型进行识别。
这里，经过SVM模型后，将输出车牌图片。
实验表明，按照已有的图像数据，采用SVM进行车牌图片识别，车牌图片识别精度能够达到97％。
当然，利用SVM进行车牌图片识别前，需要先进行机器训练，得到SVM模型。具体地，
第一步骤：采集图像；
这里，本步骤是获取车牌相关的图片。实际应用时，可以利用马路、停车场等的摄像头获取。采集的图像包括两类：一类是包括车牌图片的正类，一类是不包括车牌图片的负类。
采集的图像图片像的大小可以是136*36像素，颜色是RGB彩色。
第二步骤：图像预处理；
具体地，对正负两类图像进行二值化，得到灰度图像。
第三步骤：训练模型。
具体地，在OpenCV里面有个cv::ml::SVM::trainAuto(…)函数，这个训练函数可以自动调整参数的大小，完成模型的训练，并保存模型。
模型的输入是图像直方图，输出是正类和负类。
trainAuto(…)函数中的参数包括：
第一个参数data是从车牌图片中提取的特征矩阵及正负例标号；
第二个参数kFold设置为10；
第三个参数Cgrid是SVM::getDefaultGrid(SVM::C)；
第四个参数gammaGrid是SVM::getDefaultGrid(SVM::GAMMA)；
第五个参数pGrid是SVM::getDefaultGrid(SVM::P)；
第六个参数nuGrid是SVM::getDefaultGrid(SVM::NU)；
第七个参数coeffGrid是SVM::getDefaultGrid(SVM::COEF)；
第八个参数degreeGrid是SVM::getDefaultGrid(SVM::DEGREE)；
第九个参数balanced是true。
同时设置终止条件：最大迭代次数或者精度变化程度。
其中对于上述这些参数，其物理含义可参考OpenCV的相关定义，这里不再赘述。
步骤2：利用神经网络模型进行车牌字符识别，具体地，
第一步骤：对SVM模型输出的车牌图片，依次进行灰度化、二值化、去除铆钉、取轮廓、分割；
这里，假设分割为七个图块。
第二步骤：对分割后的七个图块进行排序；
第三步骤：利用已经训练好的神经网络模型(比如反向传播(BP)神经网络模型)分别对七个图块进行识别。
这里，经过神经网络模型识别后，输出车牌字符。
实验表明，按照已有的图像数据，先采用OpenCV中的SVM识别车牌图片，然后再利用OpenCV中的神经网络识别车牌字符，车牌字符识别精度能够达到96％。
当然，利用神经网络模型识别车牌字符前，需要先进行机器训练，得到神经网络模型。具体地，
第一步骤：采集图像；
这里，实际应用时，可以收集车牌上各省、直辖市、自治区的简称，英文字母，以及数字的图片。图像像素大小是20*20，色彩是灰度。
第二步骤：训练模型；
具体地，利用OpenCV中的cv::ml::ANN_MLP的BP算法，对数据进行训练，完成模型的训练后保存模型。
其中，模型训练的输入是水平、垂直直方图和低分辨率图像像素值，输出是汉字，字母，数字的编码。该模型的网络包括汉字、字母及数字，而不是分别建立汉字网络、字母网络、数字网络。
训练参数设置：4层网络，激活函数为cv::ml::ANN_MLP::SIGMOID_SYM，训练方法为cv::ml::ANN_MLP::TrainingMethods::BACKPROP，终止条件包括最大迭代次数或者精度变化程度。
另外，在车牌字符识别的过程中，对前后无依赖的代码(可以理解为无依赖关系的任务)，利用分段并行即“#pragma omp parallel sections”将代码分割成若干个代码段，进行多线程的并行加速。
对于for循环，如果里面代码迭代时前后没有依赖，可以使用“#pragma ompparallel for”，它将把for循环分割成若干段利用多线程来并行执行。
从上面的描述可以看出，本发明应用实施例中，通过统计的方法识别车牌的图片可以有效降低统计方法之前车牌图像处理中参数大小对识别精度的影响，增加车牌图片的识别率，从而增加车牌字符的识别率。而且识别车牌字符时使用的是一个神经网络来识别所有的字符(包括汉字、字母及数字等)。
通过应用实施例可以得出：本发明实施例的方案是先识别车牌图片，再识别车牌字符。具体来说，在应用实施例里中，首先利用OpenCV的SVM算法识别车牌，并同时降低图像识别时图像预处理阶段参数大小对识别精度的影响，然后再使用BP算法识别车牌字符。
另外，在提取特征时，通过高斯模糊、Sobel算子、颜色识别MSER等分析来提取特征。
为实现本发明实施例的方法，本发明实施例还提供了一种车牌识别装置，如图2所示，该装置包括：
第一提取单元21，用于对采集的图像信息进行图像特征提取；
第一识别单元22，用于利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片；所述分类器是通过对图像样本进行机器训练直至满足收敛条件后得到的模型；所述得到的模型中的参数集合满足：使用分类器得到的分类结果获得的得分比不正确的类别至少高第一值；
第二提取单元23，用于对识别的车牌图片进行特征提取，得到第一特征向量；
第二识别单元24，用于在神经网络的输入层输入所述第一特征向量，在所述神经网络的至少一层隐藏层对所述第一特征向量进行输入到输出的映射得到第一中间向量，在所述神经网络的输出层对第一中间向量进行解码得到第一输出向量，并将解码错误值小于解码错误值阈值的第一输出向量对应的车牌字符作为识别的车牌字符。
其中，在一实施例中，该装置还可以包括：第一训练模块，用于：
对多个图像样本分别进行二值化处理，得到对应的灰度图像样本；
将多个灰度图像样本进行分类，得到分类结果；
更新所述分类器的参数集合，直至分类结果获得的得分比不正确的类别至少高所述第一值。
在一些实施例中，该装置还可以包括：第二训练模块，用于：
对多个车牌图片样本进行二值化处理，得到对应的第二特征向量；
在所述输入层输入所述第二特征向量；
在所述至少一层隐藏层对所述第二特征向量进行输入到输出的映射，得到第二中间向量；
更新所述神经网络的参数集合，直至达到最大迭代次数或者达到精度变化程度。
在一实施例中，识别所述车牌字符时，所述第二识别单元24采用多个线程并行处理无依赖关系的多个任务。
在一实施例中，所述第二提取单元23，还用于对采集的图像信息进行图像特征提取之前，将所述采集的图像从RGB颜色空间转变至HSV颜色空间，得到转变后的图像；从转变后的图像中选择待识别的图片；
相应地，所述第二提取单元23对选择的待识别的图片进行图像特征提取。
在一实施例中，所述第二识别单元24，具体用于：
对识别的车牌图片进行预处理；
对预处理后的车牌图片进行特征提取。
需要说明的是：上述实施例提供的车牌识别装置在进行车牌识别时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的车牌识别装置与车牌识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
实际应用时，所述第一提取单元21、第一识别单元22、第二提取单元23及第二识别单元24可由车牌识别装置中的处理器实现。
基于此，为了实现本发明实施例的方法，本发明实施例还提供了一种车牌识别装置，如图3所示，该装置30包括：处理器31、存储器32及存储在所述存储器上并能够在所述处理器上运行的计算机程序；
其中，所述处理器31用于运行所述计算机程序时，执行：
对采集的图像信息进行图像特征提取；
利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片；所述分类器是通过对图像样本进行机器训练直至满足收敛条件后得到的模型；所述分类器的参数集合满足：使用分类器得到的分类结果获得的得分比不正确的类别至少高第一值；
对识别的车牌图片进行特征提取，得到第一特征向量；
在神经网络的输入层输入所述第一特征向量，在所述神经网络的至少一层隐藏层对所述第一特征向量进行输入到输出的映射得到第一中间向量，在所述神经网络的输出层对第一中间向量进行解码得到第一输出向量，并将解码错误值小于解码错误值阈值的第一输出向量对应的车牌字符作为识别的车牌字符。
在一些实施例中，所述处理器31还用于运行所述计算机程序时，执行：
利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片之前，对多个图像样本分别进行二值化处理，得到对应的灰度图像样本；
将多个灰度图像样本进行分类，得到分类结果；
更新所述分类器的参数集合，直至分类结果获得的得分比不正确的类别至少高所述第一值。
在一些实施例中，所述处理器31还用于运行所述计算机程序时，执行：
利用所述特征向量识别所述车牌字符之前，对多个车牌图片样本进行二值化处理，得到对应的第二特征向量；
在所述输入层输入所述第二特征向量；
在所述至少一层隐藏层对所述第二特征向量进行输入到输出的映射，得到第二中间向量；
更新所述神经网络的参数集合，直至达到最大迭代次数或者达到精度变化程度。
在一些实施例中，所述处理器31用于运行所述计算机程序时，执行：
利用所述特征向量识别所述车牌字符时，采用多个线程并行处理无依赖关系的多个任务。
在一些实施例中，所述处理器31还用于运行所述计算机程序时，执行：
所述对采集的图像信息进行图像特征提取之前，将所述采集的图像从RGB颜色空间转变至HSV颜色空间，得到转变后的图像；
从转变后的图像中选择待识别的图片；
相应地，对选择的待识别的图片进行图像特征提取。
在一些实施例中，所述处理器31用于运行所述计算机程序时，执行：
对识别的车牌图片进行预处理；
对预处理后的车牌图片进行特征提取。
从上面的描述可以看出，所述处理器31用于运行所述计算机程序时，执行本发明实施例任一方法的步骤。
当然，实际应用时，如图3所示，车牌识别装置30中的各个组件通过总线系统33耦合在一起。可理解，总线系统33用于实现这些组件之间的连接通信。总线系统33除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统33。
其中，所述处理器31的个数可以为至少一个。
可以理解，存储器32可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器32旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器32用于存储各种类型的数据以支持车牌识别装置30的操作。
上述本发明实施例揭示的方法可以应用于处理器31中，或者由处理器31实现。处理器31可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器31中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器31可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器31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任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器32，处理器31读取存储器32中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，车牌识别装置30可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
在示例性实施例中，本发明实施例还提供了一种计算机可读存储介质，例如包括计算机程序的存储器32，上述计算机程序可由车牌识别装置30的处理器31执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、FlashMemory、磁表面存储器、光盘、或CD-ROM等存储器。
具体地，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，执行：
对采集的图像信息进行图像特征提取；
利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片；所述分类器是通过对图像样本进行机器训练直至满足收敛条件后得到的模型；所述分类器的参数集合满足：使用分类器得到的分类结果获得的得分比不正确的类别至少高第一值；
对识别的车牌图片进行特征提取，得到第一特征向量；
在神经网络的输入层输入所述第一特征向量，在所述神经网络的至少一层隐藏层对所述第一特征向量进行输入到输出的映射得到第一中间向量，在所述神经网络的输出层对第一中间向量进行解码得到第一输出向量，并将解码错误值小于解码错误值阈值的第一输出向量对应的车牌字符作为识别的车牌字符。
在一实施例中，所述计算机程序被处理器运行时，还执行：
利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片之前，对多个图像样本分别进行二值化处理，得到对应的灰度图像样本；
将多个灰度图像样本进行分类，得到分类结果；
更新所述分类器的参数集合，直至分类结果获得的得分比不正确的类别至少高所述第一值。
在一些实施例中，所述计算机程序被处理器运行时，还执行：
利用所述特征向量识别所述车牌字符之前，对多个车牌图片样本进行二值化处理，得到对应的第二特征向量；
在所述输入层输入所述第二特征向量；
在所述至少一层隐藏层对所述第二特征向量进行输入到输出的映射，得到第二中间向量；
更新所述神经网络的参数集合，直至达到最大迭代次数或者达到精度变化程度。
在一些实施例中，所述计算机程序被处理器运行时，执行：
利用所述特征向量识别所述车牌字符时，采用多个线程并行处理无依赖关系的多个任务。
在一些实施例中，所述计算机程序被处理器运行时，还执行：
所述对采集的图像信息进行图像特征提取之前，将所述采集的图像从RGB颜色空间转变至HSV颜色空间，得到转变后的图像；
从转变后的图像中选择待识别的图片；
相应地，对选择的待识别的图片进行图像特征提取。
在一些实施例中，所述计算机程序被处理器运行时，执行：
对识别的车牌图片进行预处理；
对预处理后的车牌图片进行特征提取。
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (13)

1.一种车牌识别方法，其特征在于，所述方法包括：
对采集的图像信息进行图像特征提取；
利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片；所述分类器是通过对图像样本进行机器训练直至满足收敛条件后得到的模型；所述分类器的参数集合满足：使用分类器得到的分类结果获得的得分比不正确的类别至少高第一值；
对识别的车牌图片进行特征提取，得到第一特征向量；
在神经网络的输入层输入所述第一特征向量，在所述神经网络的至少一层隐藏层对所述第一特征向量进行输入到输出的映射得到第一中间向量，在所述神经网络的输出层对第一中间向量进行解码得到第一输出向量，并将解码错误值小于解码错误值阈值的第一输出向量对应的车牌字符作为识别的车牌字符。
2.根据权利要求1所述的方法，其特征在于，所述利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片之前，所述方法还包括：
对多个图像样本分别进行二值化处理，得到对应的灰度图像样本；
将多个灰度图像样本进行分类，得到分类结果；
更新所述分类器的参数集合，直至分类结果获得的得分比不正确的类别至少高所述第一值。
3.根据权利要求1所述的方法，其特征在于，利用所述特征向量识别所述车牌字符之前，所述方法还包括：
对多个车牌图片样本进行二值化处理，得到对应的第二特征向量；
在所述输入层输入所述第二特征向量；
在所述至少一层隐藏层对所述第二特征向量进行输入到输出的映射，得到第二中间向量；
更新所述神经网络的参数集合，直至达到最大迭代次数或者达到精度变化程度。
4.根据权利要求1所述的方法，其特征在于，所述识别所述车牌字符时，所述方法还包括：
采用多个线程并行处理无依赖关系的多个任务。
5.根据权利要求1所述的方法，其特征在于，所述对采集的图像信息进行图像特征提取之前，所述方法还包括：
将所述采集的图像从RGB颜色空间转变至HSV颜色空间，得到转变后的图像；
从转变后的图像中选择待识别的图片；
相应地，对选择的待识别的图片进行图像特征提取。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述对识别的车牌图片进行特征提取，得到第一特征向量，包括：
对识别的车牌图片进行预处理；
对预处理后的车牌图片进行特征提取。
7.一种车牌识别装置，其特征在于，所述装置包括：处理器、存储器；所述存储器上存储有能够在所述处理器上运行的计算机程序；
其中，所述处理器用于运行所述计算机程序时，执行：
对采集的图像信息进行图像特征提取；
利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片；所述分类器是通过对图像样本进行机器训练直至满足收敛条件后得到的模型；所述分类器的参数集合满足：使用分类器得到的分类结果获得的得分比不正确的类别至少高第一值；
对识别的车牌图片进行特征提取，得到第一特征向量；
在神经网络的输入层输入所述第一特征向量，在所述神经网络的至少一层隐藏层对所述第一特征向量进行输入到输出的映射得到第一中间向量，在所述神经网络的输出层对第一中间向量进行解码得到第一输出向量，并将解码错误值小于解码错误值阈值的第一输出向量对应的车牌字符作为识别的车牌字符。
8.根据权利要求7所述的装置，其特征在于，所述处理器还用于运行所述计算机程序时，执行：
所述利用提取的图像特征，并基于分类器，识别所述图像中的车牌图片之前，对多个图像样本分别进行二值化处理，得到对应的灰度图像样本；
将多个灰度图像样本进行分类，得到分类结果；
更新所述分类器的参数集合，直至分类结果获得的得分比不正确的类别至少高所述第一值。
9.根据权利要求7所述的装置，其特征在于，所述处理器还用于运行所述计算机程序时，执行：
利用所述特征向量识别所述车牌字符之前，对多个车牌图片样本进行二值化处理，得到对应的第二特征向量；
在所述输入层输入所述第二特征向量；
在所述至少一层隐藏层对所述第二特征向量进行输入到输出的映射，得到第二中间向量；
更新所述神经网络的参数集合，直至达到最大迭代次数或者达到精度变化程度。
10.根据权利要求7所述的装置，其特征在于，所述处理器还用于运行所述计算机程序时，执行：
所述识别所述车牌字符时，采用多个线程并行处理无依赖关系的多个任务。
11.根据权利要求7所述的装置，其特征在于，所述处理器还用于运行所述计算机程序时，执行：
所述对采集的图像信息进行图像特征提取之前，将所述采集的图像从RGB颜色空间转变至HSV颜色空间，得到转变后的图像；
从转变后的图像中选择待识别的图片；
相应地，对选择的待识别的图片进行图像特征提取。
12.根据权利要求7至11任一项所述的装置，其特征在于，所述处理器还用于运行所述计算机程序时，执行：
对识别的车牌图片进行预处理；
对预处理后的车牌图片进行特征提取。
13.一种计算机可读存储介质，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权利要求1至6任一项所述方法的步骤。
CN201710819444.1A 2017-09-12 2017-09-12 车牌识别方法、装置及计算机可读存储介质 Pending CN109492640A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710819444.1A CN109492640A (zh) 2017-09-12 2017-09-12 车牌识别方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710819444.1A CN109492640A (zh) 2017-09-12 2017-09-12 车牌识别方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN109492640A true CN109492640A (zh) 2019-03-19

Family

ID=65689022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710819444.1A Pending CN109492640A (zh) 2017-09-12 2017-09-12 车牌识别方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109492640A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135421A (zh) * 2019-05-17 2019-08-16 梧州学院 车牌识别方法、装置、计算机设备及计算机可读存储介质
CN111222513A (zh) * 2019-12-31 2020-06-02 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
CN111488876A (zh) * 2020-06-28 2020-08-04 平安国际智慧城市科技股份有限公司 基于人工智能的车牌识别方法、装置、设备及介质
CN111914842A (zh) * 2020-08-10 2020-11-10 深圳市视美泰技术股份有限公司 车牌信息的识别方法、装置、计算机设备及存储介质
CN111931229A (zh) * 2020-07-10 2020-11-13 深信服科技股份有限公司 一种数据识别方法、装置和存储介质
CN111950395A (zh) * 2020-07-24 2020-11-17 中南大学 一种车辆识别方法、装置及计算机存储介质
CN112949667A (zh) * 2019-12-09 2021-06-11 北京金山云网络技术有限公司 图像识别方法、系统、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5425108A (en) * 1992-09-04 1995-06-13 Industrial Technology Research Institute Mobile type of automatic identification system for a car plate
CN101398894A (zh) * 2008-06-17 2009-04-01 浙江师范大学 机动车车牌自动识别方法及其实现装置
CN105389567A (zh) * 2015-11-16 2016-03-09 上海交通大学 基于稠密光流直方图的群体异常检测方法
CN106845480A (zh) * 2017-01-13 2017-06-13 河海大学 一种从图片中识别车牌的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5425108A (en) * 1992-09-04 1995-06-13 Industrial Technology Research Institute Mobile type of automatic identification system for a car plate
CN101398894A (zh) * 2008-06-17 2009-04-01 浙江师范大学 机动车车牌自动识别方法及其实现装置
CN105389567A (zh) * 2015-11-16 2016-03-09 上海交通大学 基于稠密光流直方图的群体异常检测方法
CN106845480A (zh) * 2017-01-13 2017-06-13 河海大学 一种从图片中识别车牌的方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135421A (zh) * 2019-05-17 2019-08-16 梧州学院 车牌识别方法、装置、计算机设备及计算机可读存储介质
CN112949667A (zh) * 2019-12-09 2021-06-11 北京金山云网络技术有限公司 图像识别方法、系统、电子设备及存储介质
CN111222513A (zh) * 2019-12-31 2020-06-02 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
CN111222513B (zh) * 2019-12-31 2023-06-13 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
CN111488876A (zh) * 2020-06-28 2020-08-04 平安国际智慧城市科技股份有限公司 基于人工智能的车牌识别方法、装置、设备及介质
CN111931229A (zh) * 2020-07-10 2020-11-13 深信服科技股份有限公司 一种数据识别方法、装置和存储介质
CN111931229B (zh) * 2020-07-10 2023-07-11 深信服科技股份有限公司 一种数据识别方法、装置和存储介质
CN111950395A (zh) * 2020-07-24 2020-11-17 中南大学 一种车辆识别方法、装置及计算机存储介质
CN111950395B (zh) * 2020-07-24 2023-11-24 中南大学 一种车辆识别方法、装置及计算机存储介质
CN111914842A (zh) * 2020-08-10 2020-11-10 深圳市视美泰技术股份有限公司 车牌信息的识别方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN109492640A (zh) 车牌识别方法、装置及计算机可读存储介质
US11256960B2 (en) Panoptic segmentation
Hayder et al. Boundary-aware instance segmentation
US20170124409A1 (en) Cascaded neural network with scale dependent pooling for object detection
Jung et al. Real-time Traffic Sign Recognition system with deep convolutional neural network
CN112686812B (zh) 银行卡倾斜矫正检测方法、装置、可读存储介质和终端
CN110598788B (zh) 目标检测方法、装置、电子设备及存储介质
Nandi et al. Traffic sign detection based on color segmentation of obscure image candidates: a comprehensive study
CN113822209B (zh) 高光谱图像识别方法、装置、电子设备及可读存储介质
CN109034086A (zh) 车辆重识别方法、装置及系统
CN110633289A (zh) 一种车牌号确定方法、服务器及停车管理系统
Ayachi et al. To perform road signs recognition for autonomous vehicles using cascaded deep learning pipeline
Jørgensen Automatic license plate recognition using deep learning techniques
CN107704797A (zh) 基于安防视频中行人和车辆的实时检测方法和系统及设备
Dorbe et al. FCN and LSTM based computer vision system for recognition of vehicle type, license plate number, and registration country
CN112541394A (zh) 黑眼圈及鼻炎识别方法、系统及计算机介质
Wang et al. Occluded vehicle detection with local connected deep model
Araar et al. Traffic sign recognition using a synthetic data training approach
Wicht et al. Camera-based sudoku recognition with deep belief network
Nguyen TableSegNet: a fully convolutional network for table detection and segmentation in document images
CN111738069A (zh) 人脸检测方法、装置、电子设备及存储介质
CN114463772B (zh) 基于深度学习的交通标志检测与识别方法及系统
CN114092818B (zh) 语义分割方法、装置、电子设备及存储介质
Oluchi et al. Development of a Nigeria vehicle license plate detection system
CN112419249B (zh) 一种特殊服饰图片转化方法、终端设备及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190319