CN109977937B - 图像处理方法、装置及设备 - Google Patents
图像处理方法、装置及设备 Download PDFInfo
- Publication number
- CN109977937B CN109977937B CN201910234587.5A CN201910234587A CN109977937B CN 109977937 B CN109977937 B CN 109977937B CN 201910234587 A CN201910234587 A CN 201910234587A CN 109977937 B CN109977937 B CN 109977937B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- license plate
- region
- vertex
- 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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例提供一种图像处理方法、装置及设备,该方法包括:在第一图像中检测车辆区域,车辆区域包括第一图像中与车辆对应的部分;在车辆区域中确定与车辆的车牌的顶点对应的顶点像素;以及基于顶点像素,覆盖第一图像中与车牌对应的车牌部分。提高了图像处理的精确性。
Description
技术领域
本公开实施例涉及图像技术领域,尤其涉及一种图像处理方法、装置及设备。
背景技术
目前,用户可以将在公共场所拍摄视频上传至网络,当视频中包括车辆时,为了保护车辆的隐私,需要遮挡视频中车辆的车牌信息。
针对视频中的每一帧待处理图像,可以采用图像分割的方法在待处理图像中确定车牌图像(车牌的图像),例如,可以根据待处理图像中各对象的颜色、各对象的形状等参数在待处理图像中确定车牌图像,并在待处理图像中车牌图像所在位置上采用贴纸覆盖。然而,在上述过程中,可能将待处理图像中的其它对象识别为车牌,或者无法识别到真实的车牌,即,通过图像分割的方法无法准确的在待处理图像中确定得到准确的车牌图像,导致无法对车牌信息进行准确的遮挡。
公开内容
本公开实施例提供一种图像处理方法、装置及设备,提高了图像处理的精确性。
第一方面,本公开实施例提供一种图像处理方法,包括:
在第一图像中检测车辆区域,所述车辆区域包括所述第一图像中与车辆对应的部分;
在所述车辆区域中确定与所述车辆的车牌的顶点对应的顶点像素;以及
基于所述顶点像素,覆盖所述第一图像中与所述车牌对应的车牌部分。
在一种可能的实施方式中,在所述车辆区域中确定与所述车辆的车牌的顶点对应的顶点像素,包括:
获取所述车辆区域中显示的所述车辆的车辆部位;
基于所述车辆的车辆部位,在所述车辆区域中确定所述顶点像素。
在一种可能的实施方式中,获取所述车辆区域中显示的所述车辆的车辆部位,包括:
将表示所述车辆区域的数据输入至第一识别模型,以获取所述车辆的车辆部位;其中,所述第一识别模型为对多组第一样本进行学习得到的,每组第一样本包括第一样本车辆区域和所述第一样本车辆区域中显示的样本车辆部位。
在一种可能的实施方式中,基于所述车辆的车辆部位,在所述车辆区域中确定所述顶点像素,包括:
基于车辆部位和识别模型之间的对应关系,选择所述车辆的车辆部位对应的第二识别模型;
将表示所述车辆区域的数据输入至所述第二识别模型,以得到所述顶点像素;其中,所述第二识别模型为对多组第二样本进行学习得到的,每组第二样本包括第二样本车辆区域和所述第二样本车辆区域中的样本顶点像素,所述第二样本车辆区域中显示的车辆部位与所述车辆区域中显示的车辆部位相同。
在一种可能的实施方式中,基于车辆部位和识别模型之间的对应关系,选择所述车辆的车辆部位对应的第二识别模型,包括:
确定所述车辆区域中显示的车辆部位是否为侧方部位;
响应于确定所述车辆部位为非侧方部位,基于车辆部位和识别模型之间的对应关系,选择所述车辆的车辆部位对应的第二识别模型。
在一种可能的实施方式中,在所述车辆区域中确定与所述车辆的车牌的顶点对应的顶点像素,包括:
在所述车辆区域中确定与所述车牌对应的第一车牌区域;
在所述第一车牌区域中确定与所述车牌的顶点对应的所述顶点像素。
在一种可能的实施方式中,在所述车辆区域中确定与所述车牌对应的第一车牌区域,包括:
将表示所述车辆区域的数据输入至第三识别模型,以获取所述第一车牌区域;其中,所述第三识别模型为对多组第三样本进行学习得到的,每组第三样本包括第三样本车辆区域和所述第三样本车辆区域中的第一样本车牌区域。
在一种可能的实施方式中,在所述第一车牌区域中确定与所述车牌的顶点对应的所述顶点像素,包括:
将表示所述第一车牌区域的数据输入至第四识别模型,以获取所述顶点像素;其中,所述第四识别模型为对多组第四样本进行学习得到的,每组第四样本包括第二样本车牌区域和所述第二样本车牌区域中的样本顶点像素。
在一种可能的实施方式中,在所述第一车牌区域中确定与所述车牌的顶点对应的所述顶点像素之前,还包括:
根据所述第一车牌区域在所述车辆区域中的位置,在所述车辆区域中确定第二车牌区域,所述第二车牌区域包括所述第一车牌区域,所述第二车牌区域的尺寸大于所述第一车牌区域的尺寸;
将所述第一车牌区域更新为所述第二车牌区域。
在一种可能的实施方式中,所述第一图像为视频中的一帧图像;在所述第一车牌区域中确定与所述车牌的顶点对应的所述顶点像素之前,还包括:
获取所述车辆的车牌在第二图像中的第二位置,所述第二图像为所述第一图像的前一帧图像;
获取所述第一车牌区域在所述第一图像中的第一位置;
基于所述第一位置和所述第二位置,确定第三位置;
基于所述第三位置,更新所述第一车牌区域。
在一种可能的实施方式中,所述第一图像为视频中的一帧图像;在所述车辆区域中确定与所述车辆的车牌的顶点对应的顶点像素之前,还包括:
获取所述车辆在第二图像中的第四位置,所述第二图像为所述第一图像的前一帧图像;
获取所述车辆区域在所述第一图像中的第五位置;
基于所述第四位置和所述第五位置,确定第六位置;
基于所述第六位置,更新所述第一图像中的所述车辆区域。
在一种可能的实施方式中,所述第一图像为视频中的一帧图像;基于所述顶点像素,覆盖所述第一图像中与所述车牌对应的车牌部分之前,还包括:
获取所述车辆的车牌的顶点对应的顶点像素在第二图像中的第七位置,所述第二图像为所述第一图像的前一帧图像;
获取所述车辆的车牌的顶点对应的顶点像素在所述第一图像中的第八位置;
基于所述第七位置和所述第八位置,确定第九位置;
基于所述第九位置,更新所述第一图像中所述车辆的车牌的顶点对应的顶点像素。
第二方面,本公开实施例提供一种图像处理装置,包括获取模块、确定模块和覆盖处理模块,其中,
所述获取模块用于,在第一图像中检测车辆区域,所述车辆区域包括所述第一图像中与车辆对应的部分;
所述确定模块用于,在所述车辆区域中确定与所述车辆的车牌的顶点对应的顶点像素;
所述覆盖处理模块用于,基于所述顶点像素,覆盖所述第一图像中与所述车牌对应的车牌部分。
在一种可能的实施方式中,所述确定模块具体用于:
获取所述车辆区域中显示的所述车辆的车辆部位;
基于所述车辆的车辆部位,在所述车辆区域中确定所述顶点像素。
在一种可能的实施方式中,所述确定模块具体用于:
将表示所述车辆区域的数据输入至第一识别模型,以获取所述车辆的车辆部位;其中,所述第一识别模型为对多组第一样本进行学习得到的,每组第一样本包括第一样本车辆区域和所述第一样本车辆区域中显示的样本车辆部位。
在一种可能的实施方式中,所述确定模块具体用于:
基于车辆部位和识别模型之间的对应关系,选择所述车辆的车辆部位对应的第二识别模型;
将表示所述车辆区域的数据输入至所述第二识别模型,以得到所述顶点像素;其中,所述第二识别模型为对多组第二样本进行学习得到的,每组第二样本包括第二样本车辆区域和所述第二样本车辆区域中的样本顶点像素,所述第二样本车辆区域中显示的车辆部位与所述车辆区域中显示的车辆部位相同。
在一种可能的实施方式中,所述确定模块具体用于:
确定所述车辆区域中显示的车辆部位是否为侧方部位;
响应于确定所述车辆部位为非侧方部位,基于车辆部位和识别模型之间的对应关系,选择所述车辆的车辆部位对应的第二识别模型。
在一种可能的实施方式中,所述确定模块具体用于:
在所述车辆区域中确定与所述车牌对应的第一车牌区域;
在所述第一车牌区域中确定与所述车牌的顶点对应的所述顶点像素。
在一种可能的实施方式中,所述确定模块具体用于:
将表示所述车辆区域的数据输入至第三识别模型,以获取所述第一车牌区域;其中,所述第三识别模型为对多组第三样本进行学习得到的,每组第三样本包括第三样本车辆区域和所述第三样本车辆区域中的第一样本车牌区域。
在一种可能的实施方式中,所述确定模块具体用于:
将表示所述第一车牌区域的数据输入至第四识别模型,以获取所述顶点像素;其中,所述第四识别模型为对多组第四样本进行学习得到的,每组第四样本包括第二样本车牌区域和所述第二样本车牌区域中的样本顶点像素。
在一种可能的实施方式中,所述装置还包括第一更新模块,其中,在所述确定模块在所述第一车牌区域中确定与所述车牌的顶点对应的所述顶点像素之前,所述第一更新模块具体用于:
根据所述第一车牌区域在所述车辆区域中的位置,在所述车辆区域中确定第二车牌区域,所述第二车牌区域包括所述第一车牌区域,所述第二车牌区域的尺寸大于所述第一车牌区域的尺寸;
将所述第一车牌区域更新为所述第二车牌区域。
在一种可能的实施方式中,所述第一图像为视频中的一帧图像;所述装置还包括第二更新模块,其中,在所述确定模块在所述第一车牌区域中确定与所述车牌的顶点对应的所述顶点像素之前,所述第二更新模块用于:
获取所述车辆的车牌在第二图像中的第二位置,所述第二图像为所述第一图像的前一帧图像;
获取所述第一车牌区域在所述第一图像中的第一位置;
基于所述第一位置和所述第二位置,确定第三位置;
基于所述第三位置,更新所述第一车牌区域。
在一种可能的实施方式中,所述第一图像为视频中的一帧图像;所述装置还包括第三更新模块,在所述确定模块在所述车辆区域中确定与所述车辆的车牌的顶点对应的顶点像素之前,所述第三更新模块用于:
获取所述车辆在第二图像中的第四位置,所述第二图像为所述第一图像的前一帧图像;
获取所述车辆区域在所述第一图像中的第五位置;
基于所述第四位置和所述第五位置,确定第六位置;
基于所述第六位置,更新所述第一图像中的所述车辆区域。
在一种可能的实施方式中,所述第一图像为视频中的一帧图像;所述装置还包括第四更新模块,在所述覆盖处理模块基于所述顶点像素,覆盖所述第一图像中与所述车牌对应的车牌部分之前,所述第四更新模块用于:
获取所述车辆的车牌的顶点对应的顶点像素在第二图像中的第七位置,所述第二图像为所述第一图像的前一帧图像;
获取所述车辆的车牌的顶点对应的顶点像素在所述第一图像中的第八位置;
基于所述第七位置和所述第八位置,确定第九位置;
基于所述第九位置,更新所述第一图像中所述车辆的车牌的顶点对应的顶点像素。
第三方面,本公开实施例提供一种图像处理装置,包括:至少一个处理器和存储器;
所述存储器存储计算机可执行指令;
所述至少一个处理器执行所述存储器存储的计算机可执行指令,使得所述至少一个处理器执行第一方面任一项所述的图像处理方法。
第四方面,本公开实施例提供一种可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如第一方面任一项所述的图像处理方法。
本公开实施例提供的图像处理方法、装置及设备,在图像处理过程中,先在待处理的第一图像中检测车辆区域,在车辆区域中确定与车牌的顶点对应的顶点像素,并基于顶点像素,覆盖第一图像中与车牌对应的车牌部分。根据车牌的顶点对应的顶点像素可以准确的确定得到车牌部分在待处理图像中的位置,进而可以准确的对车牌部分进行覆盖,提高了图像处理的精确性。
附图说明
为了更清楚地说明本公开实施例,下面将对实施例中所需要使用的附图作一简单地介绍,下面描述中的附图是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的应用场景示意图;
图2为本公开实施例提供的一种图像处理方法的流程示意图;
图3为本公开实施例提供的另一种图像处理方法的流程示意图;
图4为本公开实施例提供的一种图像处理过程示意图;
图5为本公开实施例提供的又一种图像处理方法的流程示意图;
图6为本公开实施例提供的一种图像处理过程示意图;
图7为本公开实施例提供的一种图像处理装置的结构示意图;
图8为本公开实施例提供的另一种图像处理装置的结构示意图;
图9为本公开实施例提供的图像处理装置的硬件结构示意图。
具体实施方式
图1为本公开实施例提供的应用场景示意图。请参见图1,在进行图像处理时,先获取待处理图像(处理前图像),处理前图像中可能包括与车辆对应的区域、与建筑物对应的区域、与人物对应的区域等。在与车辆对应的区域中可能包括车辆的车牌信息(车牌对应的车牌部分中的信息),例如,处理前图像的区域A中包括车牌信息“1345”,处理前图像的区域B中包括车牌信息“4328”。为了保护用户关于车辆的隐私,可以对车辆的车牌信息进行遮挡处理,例如,请参见处理后图像,处理后图像中的车牌信息被遮挡。
在本申请中,在图像处理过程中,先在待处理图像中检测车辆区域,车辆区域中包括待处理图像中与车辆对应的部分,在车辆区域中确定车牌的顶点对应的顶点像素,并根据顶点像素对待处理图像中的车牌信息进行覆盖处理。根据车牌的顶点对应的顶点像素可以准确的确定车牌信息在待处理图像中的位置,进而可以准确的对车牌信息进行覆盖,提高了图像处理的精确性。
下面,通过具体实施例对本申请所示的技术方案进行详细说明。需要说明的是,下面几个具体实施例可以相互结合,对于相同或相似的内容,在不同的实施例中不再进行重复说明。
图2为本公开实施例提供的一种图像处理方法的流程示意图。请参见图2,该方法可以包括:
S201、在第一图像中检测车辆区域。
本公开实施例的执行主体可以为电子设备,也可以为设置在电子设备中的图像处理装置。可选的,图像处理装置可以通过软件实现,也可以通过软件和硬件的结合实现。
可选的,电子设备可以为手机、电脑、服务器等设备。
第一图像为待处理的图像,该第一图像可以为待处理视频中的任意一帧图像。
其中,车辆区域包括第一图像中与车辆对应的部分。
可选的,车辆区域可以为车辆的图像在第一图像中的区域。例如,请参见图1,车辆区域可以为矩形区域M。
可选的,可以通过如下可行的实现方式在第一图像中检测车辆区域,将表示第一图像的数据输入至第五识别模型,以在第一图像中检测得到车辆区域。表示第一图像的数据可以为第一图像原始图像、对第一图像进行旋转、剪裁等处理后的图像、第一图像的灰度图像等。其中,第五识别模型为对多组第五样本进行学习得到的,每组第五样本中包括多个样本图像和每个样本图像中包括的样本车辆区域。
可选的,可以通过样本图像中的标注点表示样本车辆区域,标注点可以为样本图像中的像素点。例如,通过样本图像中的至少两个标注点可以确定样本图像中的一个位置区域,样本图像中该位置区域为样本车辆区域。
例如,每组第五样本包括样本图像和样本图像中的标注点。相应的,第五识别模型的输出也可以为标注点。相应的,在向第五识别模型中输入表示第一图像的数据之后,第五识别模型可以输出标注点,并根据输出的标注点在第一图像中确定车辆区域。
需要说明的是,可以采用现有的任意一种模型训练方式,根据多组第五样本学习第五识别模型,此处不再进行赘述。
由于第五识别模型为对大量的第五样本学习得到的,因此,通过第五识别模型可以在第一图像中准确的检测车辆区域。
可选的,当第一图像为待处理视频中的一帧图像时,通过本申请所示的方法对待处理视频中的每一帧图像进行处理。为了避免在处理后的视频中,覆盖车牌信息的覆盖信息(例如贴纸等)发生跳动,可以对在第一图像中检测的车辆区域进行平滑处理。下面,对车辆区域进行平滑处理的过程进行说明:
获取车辆在第二图像中的第四位置,第二图像为第一图像的前一帧图像,获取车辆在第一图像中的第五位置,基于第四位置和第五位置,确定第六位置,并基于第六位置,更新第一图像中的所述车辆区域。
需要说明的是,第四位置、第五位置和第六位置可以是指图像中的一个区域。
可选的,可以根据第六位置在第一图像中检测新的车辆区域,并将车辆区域更新为该新的车辆区域。可以将第一图像中第六位置对应区域确定新的车辆区域。
其中,第六位置位于第四位置和第五位置之间。例如,可以确定第四位置的权重值和第五位置的权重值,并根据第四位置、第四位置的权重值、第五位置和第五位置的权重值确定第六位置。
可选的,在获取到第四位置和第五位置之后,还可以先判断第四位置和第五位置之间的位移差,当该位移差大于预设阈值时,再根据第四位置和第五位置确定第六位置,并根据第六位置在第一图像中检测新的车辆区域。
S202、在车辆区域中确定与车辆的车牌的顶点对应的顶点像素。
可选的,可以在车辆区域中确定与车辆的车牌的四个顶点对应的四个顶点像素。
例如,请参见图1,车牌的顶点可以为区域A的顶点。
可选的,当第一图像为待处理视频中的一帧图像时,通过本申请所示的方法对待处理视频中的每一帧图像进行处理。为了避免在处理后的视频中,覆盖车牌信息的覆盖信息(例如贴纸等)发生跳动,可以对在车辆区域中确定的与车牌的顶点对应的顶点像素进行平滑处理。下面,对顶点像素进行平滑处理的过程进行说明:
获取车辆的车牌的顶点在第二图像中的第七位置,第二图像为第一图像的前一帧图像;获取车辆的车牌的顶点在第一图像中的第八位置;基于第七位置和第八位置,确定第九位置,基于第九位置,更新第一图像中车辆的车牌的顶点对应的顶点像素。
需要说明的是,第七位置、第八位置和第九位置可以是指图像中的像素点。
可选的,可以根据第九位置,在车辆区域中确定新的顶点像素,并将顶点像素更新为新的顶点像素。
其中,第九位置位于第七位置和第八位置之间。例如,可以确定第七位置的权重值和第八位置的权重值,并根据第七位置、第七位置的权重值、第八位置和第八位置的权重值确定第九位置。
可选的,可选的,在获取到第七位置和第八位置之后,还可以先判断第七位置和第八位置之间的位移差,当该位移差大于预设阈值时,再根据第九位置更新第一图像中车辆的车牌的顶点对应的顶点像素。
需要说明的是,在图3-图4所示的实施例中,对确定车牌的顶点的过程进行说明,此处不再进行赘述。
S203、基于顶点像素,覆盖第一图像中与车牌对应的车牌部分。
可选的,可以根据顶点像素确定车牌部分在第一图像中的位置区域,并对该位置区域进行覆盖处理。
例如,可以在车牌部分所在位置区域上增加预设图像(例如贴纸图像等)。
本公开实施例提供的图像处理方法,在图像处理过程中,先在待处理的第一图像中检测车辆区域,在车辆区域中确定与车牌的顶点对应的顶点像素,并基于顶点像素,覆盖第一图像中与车牌对应的车牌部分。根据车牌的顶点对应的顶点像素可以准确的确定得到车牌部分在待处理图像中的位置,进而可以准确的对车牌部分进行覆盖,提高了图像处理的精确性。
在上述任意一个实施例的基础上,下面,通过图3所示的实施例对上述图像处理方法进行详细说明。
图3为本公开实施例提供的另一种图像处理方法的流程示意图。请参见图3,该方法可以包括:
S301、在第一图像中检测车辆区域。
需要说明的是,S301的执行过程可以参见S201的执行过程,此处不再进行赘述。
S302、获取车辆区域中显示的车辆部位。
可选的,车辆部位可以划分为:车头、车尾、侧方部位、侧车头、侧车尾。
可选的,车辆部位还可以划分为:车头、车位和侧方部位。
可选的,车辆部位还可以划分为:侧方部位和非侧方部位。
需要说明的是,在实际应用过程中,可以根据实际需要进行车辆部位的划分,本公开实施例对此不作具体限定。
可选的,可以通过如下可行的实现方式获取车辆区域中显示的车辆部位:将表示车辆区域的数据输入至第一识别模型,以获取车辆的车辆部位。表示车辆区域的数据可以为车辆区域对应的图像,或者,第一图像和车辆区域在第一图像中的位置等。其中,第一识别模型为对多组第一样本进行学习得到的,每组第一样本包括第一样本车辆区域和第一样本车辆区域中显示的样本车辆部位。
由于第一识别模型为根据多组第一样本学习得到的,因此,根据第一识别模型可以准确的获取车辆区域中显示的车辆部位。
需要说明的是,在对车辆区域进行识别的过程中,可能无法识别得到车辆区域中所显示的车辆部位。相应的,则无法获取车辆区域中显示的车辆部位、或者提示获取得到的车辆区域中显示的车辆部位为未知部位。在该种情况下,则不再执行S303-S305。
S303、在判断车辆区域中显示的车辆部位不是侧方部位时,基于车辆部位和识别模型之间的对应关系,选择车辆的车辆部位对应的第二识别模型。
当车辆区域中显示的车辆部位为侧方部位时,则车辆区域中不包括车辆的车牌部分。当车辆区域中显示的车辆部位不是侧方部位时,则车辆区域中包括车辆的车牌部分。
可选的,可以预先设置车辆部位和识别模型之间的对应关系,相应的,可以根据该对应关系,选择车辆的车辆部位对应的第二识别模型。
可选的,不同车辆部位对应的识别模型不同,这样,可以更有针对性的对识别模型进行训练,进而提高识别模型识别的准确性。
S304、将表示车辆区域的数据输入至第二识别模型,以得到车牌的顶点。
其中,第二识别模型为对多组第二样本进行学习得到的,每组第二样本包括第二样本车辆区域和第二样本车辆区域中的样本顶点像素,第二样本车辆区域中显示的车辆部位与车辆区域中显示的车辆部位相同。
可选的,表示车辆区域的数据可以为车辆区域对应的图像,或者,第一图像和车辆区域在第一图像中的位置等。
由于第二识别模型为根据多组第二样本训练得到的,因此,根据第二识别模型可以准确的在车辆区域中识别得到车牌的顶点对应顶点像素。
可选的,为了提高确定车牌的顶点的准确性,可以对车牌的顶点对应的顶点像素进行二次检测。例如,在通过第二识别模型对车辆区域进行处理得到车牌的顶点对应的顶点像素之后,可以根据顶点像素确定车牌区域,并对车牌区域进行扩充处理,例如,可以将车牌区域向上、下、左、右至少一个方向进行扩充处理,得到新的车牌区域,新的车牌区域中包括扩充处理前的车牌区域。并通过第四识别模型对新的车牌区域进行处理,以得到新的顶点像素,并将顶点像素更新为新的顶点像素。
S305、基于车牌的顶点对应的顶点像素,覆盖第一图像中与车牌对应的车牌部分。
需要说明的是,S305的执行过程可以参见S203的执行过程,此处不再进行赘述。
下面,结合图4,对图3实施例所示的方法进行详细说明。
图4为本公开实施例提供的一种图像处理过程示意图。请参见图4,在待处理图像(处理前图像)中包括两个车辆区域。先在待处理图像中提取车辆区域M1和车辆区域N1。
对车辆区域M1的处理过程:确定车辆区域M1中显示的车辆部位为车头,因此,可以通过车头对应的识别模型1对车辆区域M1进行处理,以在车辆区域M1中确定车牌的顶点对应的顶点像素。请参见图像M2,在车辆区域M1中确定得到的车牌的顶点对应的顶点像素分别为A、B、C、D,顶点像素A、B、C、D所包围的部分为车牌部分。请参见图像M3,在车辆区域中车牌的顶点对应的顶点像素(A、B、C、D)所包围的区域中覆盖预设图像,例如,预设图像可以为斜纹图像。
对车辆区域N1的处理过程:确定车辆区域N1中显示的车辆部位为车尾,因此,可以通过车尾对应的识别模型2对车辆区域N1进行处理,以在车辆区域N1中确定车牌的顶点对应的顶点像素。请参见图像N2,在车辆区域N1中确定得到的车牌的顶点对应的顶点像素分别为E、F、G、H,顶点像素E、F、G、H所包围的部分为车牌部分。请参见图像N3,在车辆区域中车牌的顶点对应的顶点像素(E、F、G、H)所包围的区域中覆盖预设图像,例如,预设图像可以的斜纹图像。
在对车辆区域M1和车辆区域N1处理完成之后,可以得到处理后图像。请参见处理后图像,车辆中的车牌部分被斜纹图像遮挡。
在图3-图4所示的实施例中,在图像处理过程中,先在待处理的第一图像中检测车辆区域,确定车辆区域中显示的车辆部位,并根据车辆区域中显示的车辆部位在车辆区域中确定车牌的顶点对应的顶点像素,以及基于车牌的顶点对应的顶点像素,覆盖第一图像中与车牌对应的车牌部分。在上述过程,根据车辆区域中显示的车辆部位可以准确定的确定得到的车牌的顶点对应的顶点像素,因此,根据车牌的顶点对应的顶点像素可以准确的确定得到车牌部分在待处理图像中的位置,进而可以准确的对车牌部分进行覆盖,提高了图像处理的精确性。
图5为本公开实施例提供的又一种图像处理方法的流程示意图。请参见图5,该方法可以包括:
S501、在第一图像中检测车辆区域。
需要说明的是,S501的执行过程可以参见S201的执行过程,此处不再进行赘述。
S502、将表示车辆区域的数据输入至第三识别模型,以获取第一车牌区域。
其中,第三识别模型为对多组第三样本进行学习得到的,每组第三样本包括第三样本车辆区域和第三样本车辆区域中的第一样本车牌区域。
可选的,表示车辆区域的数据可以为车辆区域对应的图像,或者,第一图像和车辆区域在第一图像中的位置等。
可选的,在根据第三识别模型确定得到第一车牌区域之后,可以对第一车牌区域进行扩充处理。例如,可以根据第一车牌区域在车辆区域中的位置,在车辆区域中获取第二车牌区域,第二车牌区域包括第一车牌区域,第二车牌区域的尺寸大于第一车牌区域的尺寸,即,第二车牌区域在车辆区域中的区域覆盖第一车牌区域。在获取得到第二车牌区域之后,将第一车牌区域更新为第二车牌区域,即,将第一车牌区域替换为第二车牌区域。这样,使得第一车牌区域可以包括完整的车牌的图像,避免由于第一车牌区域仅包括车牌的部分图像,而导致无法对车牌信息进行完全覆盖的问题。
可选的,当第一图像为待处理视频中的一帧图像时,通过本申请所示的方法对待处理视频中的每一帧图像进行处理。为了避免在处理后的视频中,覆盖车牌信息的覆盖信息(例如贴纸等)发生跳动,可以对在车辆区域中确定的第一车牌区域进行平滑处理。下面,对第一车牌区域进行平滑处理的过程进行说明:
获取车辆的车牌区域在第二图像中的第二位置,第二图像为第一图像的前一帧图像;获取第一车牌区域在第一图像中的第一位置;根据第一位置和第二位置,确定第三位置;基于第三位置,更新第一车牌区域。
需要说明的是,第一位置、第二位置和第三位置可以是指图像中的一个区域。
可选的,可以根据第三位置在第一图像中获取第三车牌区域,并将第一车牌区域更新为第三车牌区域。可以将第一图像中第三位置对应区域中的图像确定为第三车牌区域。
其中,第三位置位于第一位置和第二位置之间。例如,可以确定第一位置的权重值和第二位置的权重值,并根据第一位置、第一位置的权重值、第二位置和第二位置的权重值确定第三位置。
可选的,在获取到第一位置和第二位置之后,还可以先判断第一位置和第二位置之间的位移差,当该位移差大于预设阈值时,再根据第一位置和第二位置确定第三位置,并根据第三位置更新第一车牌区域。
S503、将表示第一车牌区域的数据输入至第四识别模型,以获取车牌的顶点对应的顶点像素。
可选的,表示第一车牌区域的数据可以为第一车牌区域中的图像,或者,车辆图像和第一车牌区域在车辆图像中的位置等。
可选的,可以先对第一车牌区域进行放大处理,再通过第四识别模型对放大处理后的第一次车牌区域进行处理,这样,可以提高确定车牌的顶点对应的顶点像素的准确性。
其中,第四识别模型为对多组第四样本进行学习得到的,每组第四样本包括第二样本车牌区域和第二样本车牌区域中的样本顶点像素。
S504、根据车牌的顶点对应的顶点像素,覆盖第一图像中与车牌对应的车牌部分。
需要说明的是,S504的执行过程可以参见S203的执行过程,此处不再进行赘述。
下面,结合图6,对图5实施例所示的方法进行详细说明。
图6为本公开实施例提供的一种图像处理过程示意图。请参见图6,在待处理图像(处理前图像)中包括两个车辆区域。先在待处理图像中提取车辆区域M1和车辆区域N1。
对车辆区域M1的处理过程:在车辆区域M1中确定车牌区域M2,并在车牌区域M2确定车牌的顶点对应的顶点像素。请参见图像M3,确定得到的车牌的顶点对应的顶点像素分别为A、B、C、D,顶点像素A、B、C、D所包围的部分为车牌部分。请参见图像M4,在车辆区域中车牌的顶点对应的顶点像素(A、B、C、D)所包围的区域中覆盖预设图像,例如,预设图像可以为斜纹图像。
对车辆区域N1的处理过程:在车辆区域N1中确定车牌区域N2,并在车牌区域N2确定车牌的顶点对应的顶点像素。请参见图像N3,确定得到的车牌的顶点对应的顶点像素分别为E、F、G、H,顶点像素E、F、G、H所包围的部分为车牌部分。请参见图像M4,在车辆区域中车牌的顶点对应的顶点像(E、F、G、H)所包围的区域中覆盖预设图像,例如,预设图像可以为斜纹图像。
在对车辆区域M1和车辆区域N1处理完成之后,可以得到处理后图像。请参见处理后图像,车辆中的车牌信息被斜纹图像遮挡。
在图5-图6所示的实施例中,在图像处理过程中,先在待处理的第一图像中获取车辆区域,在车辆区域中确定车牌区域,并在车牌区域中确定车牌的顶点对应的顶点像素,以及根据车牌的顶点对应的顶点像素,对第一图像中的车牌信息进行覆盖处理。在上述过程,由于车牌区域中大部分的图像内容为车牌,因此,在车牌区域中可以准确定的确定得到的车牌的顶点,因此,根据车牌的顶点可以准确的确定得到车牌信息在待处理图像中的位置,进而可以准确的对车牌信息进行覆盖,提高了图像处理的精确性。
图7为本公开实施例提供的一种图像处理装置的结构示意图。请参见图7,该图像处理装置10可以包括获取模块11、确定模块12和覆盖处理模块13,其中,
所述获取模块11用于,在第一图像中检测车辆区域,所述车辆区域包括所述第一图像中与车辆对应的部分;
所述确定模块12用于,在所述车辆区域中确定与所述车辆的车牌的顶点对应的顶点像素;
所述覆盖处理模块13用于,基于所述顶点像素,覆盖所述第一图像中与所述车牌对应的车牌部分。
本公开实施例提供的图像处理装置可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
在一种可能的实施方式中,所述确定模块12具体用于:
获取所述车辆区域中显示的所述车辆的车辆部位;
基于所述车辆的车辆部位,在所述车辆区域中确定所述顶点像素。
在一种可能的实施方式中,所述确定模块12具体用于:
将表示所述车辆区域的数据输入至第一识别模型,以获取所述车辆的车辆部位;其中,所述第一识别模型为对多组第一样本进行学习得到的,每组第一样本包括第一样本车辆区域和所述第一样本车辆区域中显示的样本车辆部位。
在一种可能的实施方式中,所述确定模块具体12用于:
基于车辆部位和识别模型之间的对应关系,选择所述车辆的车辆部位对应的第二识别模型;
将表示所述车辆区域的数据输入至所述第二识别模型,以得到所述顶点像素;其中,所述第二识别模型为对多组第二样本进行学习得到的,每组第二样本包括第二样本车辆区域和所述第二样本车辆区域中的样本顶点像素,所述第二样本车辆区域中显示的车辆部位与所述车辆区域中显示的车辆部位相同。
在一种可能的实施方式中,所述确定模块12具体用于:
确定所述车辆区域中显示的车辆部位是否为侧方部位;
响应于确定所述车辆部位为非侧方部位,基于车辆部位和识别模型之间的对应关系,选择所述车辆的车辆部位对应的第二识别模型。
在一种可能的实施方式中,所述确定模块12具体用于:
在所述车辆区域中确定与所述车牌对应的第一车牌区域;
在所述第一车牌区域中确定与所述车牌的顶点对应的所述顶点像素。
在一种可能的实施方式中,所述确定模块12具体用于:
将表示所述车辆区域的数据输入至第三识别模型,以获取所述第一车牌区域;其中,所述第三识别模型为对多组第三样本进行学习得到的,每组第三样本包括第三样本车辆区域和所述第三样本车辆区域中的第一样本车牌区域。
在一种可能的实施方式中,所述确定模块12具体用于:
将表示所述第一车牌区域的数据输入至第四识别模型,以获取所述顶点像素;其中,所述第四识别模型为对多组第四样本进行学习得到的,每组第四样本包括第二样本车牌区域和所述第二样本车牌区域中的样本顶点像素。
图8为本公开实施例提供的另一种图像处理装置的结构示意图。在图7所示实施例的基础上,请参见图8,图像处理装置10还包括第一更新模块14,其中,在所述确定模块12在所述第一车牌区域中确定与所述车牌的顶点对应的所述顶点像素之前,所述第一更新模块14具体用于:
根据所述第一车牌区域在所述车辆区域中的位置,在所述车辆区域中确定第二车牌区域,所述第二车牌区域包括所述第一车牌区域,所述第二车牌区域的尺寸大于所述第一车牌区域的尺寸;
将所述第一车牌区域更新为所述第二车牌区域。
在一种可能的实施方式中,所述第一图像为视频中的一帧图像;所述装置还包括第二更新模块15,其中,在所述确定模块12在所述第一车牌区域中确定与所述车牌的顶点对应的所述顶点像素之前,所述第二更新模块15用于:
获取所述车辆的车牌在第二图像中的第二位置,所述第二图像为所述第一图像的前一帧图像;
获取所述第一车牌区域在所述第一图像中的第一位置;
基于所述第一位置和所述第二位置,确定第三位置;
基于所述第三位置,更新所述第一车牌区域。
在一种可能的实施方式中,所述第一图像为视频中的一帧图像;所述装置还包括第三更新模块16,在所述确定模块12在所述车辆区域中确定与所述车辆的车牌的顶点对应的顶点像素之前,所述第三更新模块16用于:
获取所述车辆在第二图像中的第四位置,所述第二图像为所述第一图像的前一帧图像;
获取所述车辆区域在所述第一图像中的第五位置;
基于所述第四位置和所述第五位置,确定第六位置;
基于所述第六位置,更新所述第一图像中的所述车辆区域。
在一种可能的实施方式中,所述第一图像为视频中的一帧图像;所述装置还包括第四更新模块17,在所述覆盖处理模块13基于所述顶点像素,覆盖所述第一图像中与所述车牌对应的车牌部分之前,所述第四更新模块17用于:
获取所述车辆的车牌的顶点对应的顶点像素在第二图像中的第七位置,所述第二图像为所述第一图像的前一帧图像;
获取所述车辆的车牌的顶点对应的顶点像素在所述第一图像中的第八位置;
基于所述第七位置和所述第八位置,确定第九位置;
基于所述第九位置,更新所述第一图像中所述车辆的车牌的顶点对应的顶点像素。
需要说明的是,本公开实施例所示的图像处理装置可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
图9为本公开实施例提供的图像处理装置的硬件结构示意图,如图9所示,该图像处理装置20包括:至少一个处理器21和存储器22。其中,处理器21和存储器22通过总线23连接。
可选地,该图像处理装置20还包括通信部件。
在具体实现过程中,至少一个处理器21执行所述存储器22存储的计算机可执行指令,使得至少一个处理器21执行如上的图像处理方法。
处理器21的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述图9所示的实施例中,应理解,处理器可以是中央处理单元(英文:CentralProcessing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:DigitalSignal Processor,简称:DSP)、专用集成电路(英文:Application Specific IntegratedCircuit,简称:ASIC)等。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。结合实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如上所述的图像处理方法。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,上述实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (13)
1.一种图像处理方法,其特征在于,包括:
在第一图像中检测车辆区域,所述车辆区域包括所述第一图像中与车辆对应的部分,所述第一图像为视频中的一帧图像;
在所述车辆区域中确定与所述车辆的车牌的顶点对应的顶点像素;以及
基于所述顶点像素,确定车牌部分在第一图像中的位置区域,并对该位置区域进行覆盖处理;
在所述车辆区域中确定与所述车辆的车牌的顶点对应的顶点像素之前,还包括:
获取所述车辆在第二图像中的第四位置,所述第二图像为所述第一图像的前一帧图像;
获取所述车辆区域在所述第一图像中的第五位置;
确定所述第四位置的权重值和所述第五位置的权重值,并根据所述第四位置、所述第四位置的权重值、所述第五位置和所述第五位置的权重值,确定第六位置;
基于所述第六位置,更新所述第一图像中的所述车辆区域;
基于所述顶点像素,覆盖所述第一图像中与所述车牌对应的车牌部分之前,还包括:
获取所述车辆的车牌的顶点对应的顶点像素在第二图像中的第七位置,所述第二图像为所述第一图像的前一帧图像;
获取所述车辆的车牌的顶点对应的顶点像素在所述第一图像中的第八位置;
基于所述第七位置和所述第八位置,确定第九位置;
基于所述第九位置,更新所述第一图像中所述车辆的车牌的顶点对应的顶点像素。
2.根据权利要求1所述的方法,其特征在于,在所述车辆区域中确定与所述车辆的车牌的顶点对应的顶点像素,包括:
获取所述车辆区域中显示的所述车辆的车辆部位;
基于所述车辆的车辆部位,在所述车辆区域中确定所述顶点像素。
3.根据权利要求2所述的方法,其特征在于,获取所述车辆区域中显示的所述车辆的车辆部位,包括:
将表示所述车辆区域的数据输入至第一识别模型,以获取所述车辆的车辆部位;其中,所述第一识别模型为对多组第一样本进行学习得到的,每组第一样本包括第一样本车辆区域和所述第一样本车辆区域中显示的样本车辆部位。
4.根据权利要求2或3所述的方法,其特征在于,基于所述车辆的车辆部位,在所述车辆区域中确定所述顶点像素,包括:
基于车辆部位和识别模型之间的对应关系,选择所述车辆的车辆部位对应的第二识别模型;
将表示所述车辆区域的数据输入至所述第二识别模型,以得到所述顶点像素;其中,所述第二识别模型为对多组第二样本进行学习得到的,每组第二样本包括第二样本车辆区域和所述第二样本车辆区域中的样本顶点像素,所述第二样本车辆区域中显示的车辆部位与所述车辆区域中显示的车辆部位相同。
5.根据权利要求4所述的方法,其特征在于,基于车辆部位和识别模型之间的对应关系,选择所述车辆的车辆部位对应的第二识别模型,包括:
确定所述车辆区域中显示的车辆部位是否为侧方部位;
响应于确定所述车辆部位为非侧方部位,基于车辆部位和识别模型之间的对应关系,选择所述车辆的车辆部位对应的第二识别模型。
6.根据权利要求1所述的方法,其特征在于,在所述车辆区域中确定与所述车辆的车牌的顶点对应的顶点像素,包括:
在所述车辆区域中确定与所述车牌对应的第一车牌区域;
在所述第一车牌区域中确定与所述车牌的顶点对应的所述顶点像素。
7.根据权利要求6所述的方法,其特征在于,在所述车辆区域中确定与所述车牌对应的第一车牌区域,包括:
将表示所述车辆区域的数据输入至第三识别模型,以获取所述第一车牌区域;其中,所述第三识别模型为对多组第三样本进行学习得到的,每组第三样本包括第三样本车辆区域和所述第三样本车辆区域中的第一样本车牌区域。
8.根据权利要求6或7所述的方法,其特征在于,在所述第一车牌区域中确定与所述车牌的顶点对应的所述顶点像素,包括:
将表示所述第一车牌区域的数据输入至第四识别模型,以获取所述顶点像素;其中,所述第四识别模型为对多组第四样本进行学习得到的,每组第四样本包括第二样本车牌区域和所述第二样本车牌区域中的样本顶点像素。
9.根据权利要求6或7所述的方法,其特征在于,在所述第一车牌区域中确定与所述车牌的顶点对应的所述顶点像素之前,还包括:
根据所述第一车牌区域在所述车辆区域中的位置,在所述车辆区域中确定第二车牌区域,所述第二车牌区域包括所述第一车牌区域,所述第二车牌区域的尺寸大于所述第一车牌区域的尺寸;
将所述第一车牌区域更新为所述第二车牌区域。
10.根据权利要求6或7所述的方法,其特征在于,在所述第一车牌区域中确定与所述车牌的顶点对应的所述顶点像素之前,还包括:
获取所述车辆的车牌在第二图像中的第二位置,所述第二图像为所述第一图像的前一帧图像;
获取所述第一车牌区域在所述第一图像中的第一位置;
基于所述第一位置和所述第二位置,确定第三位置;
基于所述第三位置,更新所述第一车牌区域。
11.一种图像处理装置,其特征在于,包括获取模块、确定模块、覆盖处理模块和第三更新模块,其中,
所述获取模块用于,在第一图像中检测车辆区域,所述车辆区域包括所述第一图像中与车辆对应的部分,所述第一图像为视频中的一帧图像;
所述确定模块用于,在所述车辆区域中确定与所述车辆的车牌的顶点对应的顶点像素;
所述覆盖处理模块用于,基于所述顶点像素,确定车牌部分在第一图像中的位置区域,并对该位置区域进行覆盖处理;
在所述确定模块在所述车辆区域中确定与所述车辆的车牌的顶点对应的顶点像素之前,所述第三更新模块用于:
获取所述车辆在第二图像中的第四位置,所述第二图像为所述第一图像的前一帧图像;
获取所述车辆区域在所述第一图像中的第五位置;
确定所述第四位置的权重值和所述第五位置的权重值,并根据所述第四位置、所述第四位置的权重值、所述第五位置和所述第五位置的权重值,确定第六位置;基于所述第六位置,更新所述第一图像中的所述车辆区域;
所述装置还包括第四更新模块,在所述覆盖处理模块基于所述顶点像素,覆盖所述第一图像中与所述车牌对应的车牌部分之前,所述第四更新模块用于:
获取所述车辆的车牌的顶点对应的顶点像素在第二图像中的第七位置,所述第二图像为所述第一图像的前一帧图像;
获取所述车辆的车牌的顶点对应的顶点像素在所述第一图像中的第八位置;
基于所述第七位置和所述第八位置,确定第九位置;
基于所述第九位置,更新所述第一图像中所述车辆的车牌的顶点对应的顶点像素。
12.一种图像处理装置,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机可执行指令;
所述至少一个处理器执行所述存储器存储的计算机可执行指令,使得所述至少一个处理器执行如权利要求1-10任一项所述的图像处理方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如权利要求1-10任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910234587.5A CN109977937B (zh) | 2019-03-26 | 2019-03-26 | 图像处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910234587.5A CN109977937B (zh) | 2019-03-26 | 2019-03-26 | 图像处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977937A CN109977937A (zh) | 2019-07-05 |
CN109977937B true CN109977937B (zh) | 2020-11-03 |
Family
ID=67080813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910234587.5A Active CN109977937B (zh) | 2019-03-26 | 2019-03-26 | 图像处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977937B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567797A (zh) * | 2021-03-23 | 2022-05-31 | 长城汽车股份有限公司 | 一种图像处理方法、装置及车辆 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101196980A (zh) * | 2006-12-25 | 2008-06-11 | 四川川大智胜软件股份有限公司 | 基于视频的高速移动车辆标志精确识别方法 |
CN103890810A (zh) * | 2011-10-25 | 2014-06-25 | 索尼公司 | 图像处理设备、方法和计算机程序产品 |
US20150235092A1 (en) * | 2014-02-14 | 2015-08-20 | Toyota Motor Engineering & Manufacturing North America, Inc. | Parts based object tracking method and apparatus |
CN105046255A (zh) * | 2015-07-16 | 2015-11-11 | 北京交通大学 | 一种基于车尾文字识别的车型鉴定方法及系统 |
CN106910119A (zh) * | 2017-03-03 | 2017-06-30 | 南京必拓狮网络科技有限公司 | 一种基于手机等移动终端的车辆品牌评价以及导购系统 |
CN108319907A (zh) * | 2018-01-26 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 一种车辆识别方法、装置和存储介质 |
CN109427082A (zh) * | 2017-08-29 | 2019-03-05 | 杭州海康威视数字技术股份有限公司 | 一种图像遮蔽方法、装置、设备及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104683802A (zh) * | 2015-03-24 | 2015-06-03 | 江南大学 | 一种基于h.264/avc压缩域的运动目标跟踪的方法 |
-
2019
- 2019-03-26 CN CN201910234587.5A patent/CN109977937B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101196980A (zh) * | 2006-12-25 | 2008-06-11 | 四川川大智胜软件股份有限公司 | 基于视频的高速移动车辆标志精确识别方法 |
CN103890810A (zh) * | 2011-10-25 | 2014-06-25 | 索尼公司 | 图像处理设备、方法和计算机程序产品 |
US20150235092A1 (en) * | 2014-02-14 | 2015-08-20 | Toyota Motor Engineering & Manufacturing North America, Inc. | Parts based object tracking method and apparatus |
CN105046255A (zh) * | 2015-07-16 | 2015-11-11 | 北京交通大学 | 一种基于车尾文字识别的车型鉴定方法及系统 |
CN106910119A (zh) * | 2017-03-03 | 2017-06-30 | 南京必拓狮网络科技有限公司 | 一种基于手机等移动终端的车辆品牌评价以及导购系统 |
CN109427082A (zh) * | 2017-08-29 | 2019-03-05 | 杭州海康威视数字技术股份有限公司 | 一种图像遮蔽方法、装置、设备及系统 |
CN108319907A (zh) * | 2018-01-26 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 一种车辆识别方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109977937A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009543B (zh) | 一种车牌识别方法及装置 | |
EP3620981B1 (en) | Object detection method, device, apparatus and computer-readable storage medium | |
CN111667520B (zh) | 红外图像和可见光图像的配准方法、装置及可读存储介质 | |
CN110097068B (zh) | 相似车辆的识别方法和装置 | |
CN112330601A (zh) | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 | |
CN110189341B (zh) | 一种图像分割模型训练的方法、图像分割的方法及装置 | |
CN108960012B (zh) | 特征点检测方法、装置及电子设备 | |
CN109685805B (zh) | 一种图像分割方法及装置 | |
CN113490947A (zh) | 检测模型训练方法、装置、检测模型使用方法及存储介质 | |
CN109165654B (zh) | 一种目标定位模型的训练方法和目标定位方法及装置 | |
CN113901972A (zh) | 遥感图像建筑物的检测方法、装置、设备及存储介质 | |
CN111382625A (zh) | 道路标识识别方法、装置及电子设备 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN111160395A (zh) | 图像识别方法、装置、电子设备和存储介质 | |
CN111461070B (zh) | 文本识别方法、装置、电子设备及存储介质 | |
CN112233077A (zh) | 图像分析方法、装置、设备及存储介质 | |
CN111353325A (zh) | 关键点检测模型训练方法及装置 | |
CN111127358B (zh) | 图像处理方法、装置及存储介质 | |
CN110298302B (zh) | 一种人体目标检测方法及相关设备 | |
CN111914845A (zh) | 一种车牌中字符分层方法、装置及电子设备 | |
CN109785380B (zh) | 一种内切圆确定方法及装置 | |
CN109977937B (zh) | 图像处理方法、装置及设备 | |
CN111524171B (zh) | 图像处理方法、装置和电子设备 | |
CN113486715A (zh) | 图像翻拍识别方法、智能终端以及计算机存储介质 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |