CN110245664A - 车牌识别方法 - Google Patents
车牌识别方法 Download PDFInfo
- Publication number
- CN110245664A CN110245664A CN201910560589.3A CN201910560589A CN110245664A CN 110245664 A CN110245664 A CN 110245664A CN 201910560589 A CN201910560589 A CN 201910560589A CN 110245664 A CN110245664 A CN 110245664A
- Authority
- CN
- China
- Prior art keywords
- characteristic pattern
- interest
- area
- board information
- license board
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V20/63—Scene text, e.g. street names
-
- 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
本申请公开了一种车牌识别方法,装置及存储介质,该方法包括:通过多个卷积层提取图像的特征图,通过全连接层,获得车牌信息在特征图中的感兴趣区域;从多个特征图中获取指定卷积层提取的特征图并采用针对感兴趣区域的池化层进行处理,得到车牌信息的置信度。提前先获取车牌信息在特征图中的感兴趣区域,可使池化层根据提供的感兴趣区域选择适合的数据进行池化处理,能够避免对车牌边界框外的不必要车牌信息进行处理。获得车牌信息的置信度可以判断识别出的车牌信息的可信度,可以额外提供出识别出的车牌信息是否可信的参考信息,以便于用户能够觉察到错误的或误差较大的车牌信息,使得对车牌图像的处理方法多样性,满足实际的需求。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种车牌识别方法,装置及存储介质。
背景技术
在停车场中,为了加强对停放车辆的管理,通常需要识别停放的机动车的车牌号。然而,相关技术中识别车牌的方法简单的识别机动车的车牌上的车牌号,其功能单一,已经无法满足实际的需求。
发明内容
本申请实施例提供一种车牌识别方法、装置及存储介质,用于解决现有技术中能够识别车牌上的车牌号的智能设备其功能单一,无法满足实际的需求的问题。
本申请实施例第一方面提供一种车牌识别方法,所述方法包括:
通过多个卷积层依次提取图像特征,获得能够表达不同层次的图像特征的多个特征图;
通过全连接层,获得车牌信息在特征图中的感兴趣区域;
从所述多个特征图中获取指定卷积层提取的特征图,对指定卷积层提取的特征图采用针对感兴趣区域的池化层进行处理,其中,所述指定卷积层提取的特征图均包含车牌的外部轮廓信息;
将处理后的特征图通过第一类分类器,得到车牌信息的置信度,其中,其中,置信度用于指示处理后的特征图中包含车牌信息的可信度。
在一种可能的实施方式中,所述方法还包括:
将处理后的特征图通过第二类分类器,获取车牌上的字符。
在一种可能的实施方式中,所述方法还包括:
当所述车牌信息的置信度大于或等于阈值时,则输出所述车牌上的字符。
在一种可能的实施方式中,从所述多个特征图中获取指定卷积层提取的特征图,对指定卷积层提取的特征图采用针对感兴趣区域的池化层进行处理,包括:
从指定卷积层提取的特征图中提取感兴趣区域;
将提取的各感兴趣区域的尺寸处理为预设尺寸;
对处理后的感兴趣区域进行特征融合。
在一种可能的实施方式中,通过全连接层,获得车牌信息在特征图中的感兴趣区域,包括:
将最后一个卷积层提取的特征图输入至空间金字塔池化层,获得用于表达该特征图的固定尺寸的特征向量;
将所述空间金字塔池化层得到的固定尺寸的特征向量输入至全连接层,获得车牌信息在特征图中的感兴趣区域。
本申请实施例第二方面提供一种车牌识别装置,所述装置包括:
特征图提取单元,用于通过多个卷积层依次提取图像特征,获得能够表达不同层次的图像特征的多个特征图;
感兴趣区域获取单元,用于通过全连接层,获得车牌信息在特征图中的感兴趣区域;
池化处理单元,用于从所述多个特征图中获取指定卷积层提取的特征图,对指定卷积层提取的特征图采用针对感兴趣区域的池化层进行处理,其中,所述指定卷积层提取的特征图均包含车牌的外部轮廓信息;
置信度获取单元,用于将处理后的特征图通过第一类分类器,得到车牌信息的置信度,其中,置信度用于指示处理后的特征图中包含车牌信息的可信度。
在一种可能的实施方式中,所述装置还包括:
输出单元,用于当所述车牌信息的置信度大于或等于阈值时,则输出所述车牌上的字符。
在一种可能的实施方式中,所述池化处理单元包括:
感兴趣区域提取子单元,用于从指定卷积层提取的特征图中提取感兴趣区域;
归一化处理子单元,用于将提取的各感兴趣区域的尺寸处理为预设尺寸;
特征融合子单元,用于对处理后的感兴趣区域进行特征融合。
在一种可能的实施方式中,所述感兴趣区域获取单元包括:
空间金字塔池化子单元,用于将最后一个卷积层提取的特征图输入至空间金字塔池化层,获得用于表达该特征图的固定尺寸的特征向量;
全连接层子单元,将所述空间金字塔池化层得到的固定尺寸的特征向量输入至全连接层,获得车牌信息在特征图中的感兴趣区域。
本申请实施例第三方面提供了一种计算机可读介质,存储有计算机可执行指令,所述计算机可执行指令用于执行如上述车牌识别方法。
本申请实施例第四方面提供了一种计算机装置,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述车牌识别方法。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中车牌识别方法的流程示意图;
图2为本申请实施例中车牌识别模型的结构框图;
图3为本申请实施例中车牌识别模型的结构示意图;
图4为本申请实施例中车牌识别装置的结构框图;
图5为本申请实施例中计算机装置。
具体实施方式
为了解决现有的识别车牌上车牌号的智能设备其功能单一,无法满足实际需求的问题。本申请实施例提供了一种车牌识别方法、装置及存储介质。为了更好的理解本申请实施例提供的技术方法,这里对本方案的基本原理作一下简单说明:
为解决现有技术中能够识别车牌上的车牌号的智能设备其功能单一,无法满足实际的需求的问题。本申请实施例提供了一种识别车牌的方法,该方法通过多个卷积层提取车牌图像的特征图,通过全连接层,获得车牌信息在特征图的感兴趣区域;从多个特征图中获取指定卷积层提取的特征图,对指定卷积层提取的特征图采用针对感兴趣区域的池化层进行处理,将处理后的特征图通过分类器,得到车牌信息的置信度。该车牌识别方法既能够识别车牌信息,又可以获得处理后的特征图中包含车牌信息的可信度,使得车牌识别方法功能具有多样性,能够提供准确的车牌信息,满足实际的需求。
下面结合附图对本申请实施例提供的车牌识别方法做进一步说明。如图1所示,为该方法的流程示意图,包括以下步骤:
步骤101,通过多个卷积层依次提取图像特征,获得能够表达不同层次的图像特征的多个特征图。
将包含车牌信息的图像通过多个卷积层依次提取图像特征,可以获得能够表达不同层次图像特征的多个特征图。关于通过卷积层的图像,可以是采用普通拍摄设备获取的包含车牌信息的二维图像,将该二维图像通过多个卷积层依次提取图像特征;此外,由于车牌上具有字符的表面的不同位置处具有不同的深度,因此,也可以采用深度相机拍摄车牌获得表面具有深度的包含车牌信息的三维图像,将该三维图像通过多个卷积层依次提取图像特征,可以准确获取车牌图像上的字符,最终可以获得准确的车牌信息。具体实施时,可将拍摄获得的车牌图像直接输入至卷积层,并提取图像特征,获得能够表达不同层次图像特征的多个特征图。也可以根据最先输入的卷积层的尺寸来调整车牌图像的尺寸,调整为适合输入卷积层的尺寸,然后将调整后的车牌图像依次通过多个卷积层,并提取图像特征。可以根据实际需求对输入卷积层的图像进行处理,本申请对此不作限制。
例如,如图2所示,具有车牌识别方法功能的模型包括:10个不同的卷积层即卷积层201-卷积层210,全连接层211,池化处理层212、第一类分类器213,第二类分类器214。例如,卷积层对输入的图像尺寸具有要求时,可以根据最先通过的卷积层201的尺寸来调整车牌图像的尺寸,比如卷积层201的尺寸为122*122,可以将车牌图像200的尺寸调整为480*480。接着可以将调整尺寸后的车牌图像200依次通过10个不同的卷积层,进行特征提取,获得10个不同的车牌图像的特征图。可以根据实际需要设置卷积层的个数及每个卷积层的卷积核和池化窗口大小,本申请对此不作限制。
步骤102,通过全连接层,获得车牌信息在特征图中的感兴趣区域。
具体实施时,如图2所示,可以将车牌图像200的特征图通过全连接层211进行处理,得到一维向量。该一维向量中包含车牌边界框的四个顶点的坐标值,通过四个坐标值可以得到车牌的边界框在特征图中的具体位置,车牌的边界框所在的区域即为感兴趣区域。
此外,全连接层211得到的一维向量中也可以包括车牌的左上角顶点的坐标值以及与该顶点连接的相邻两条边及长度值,通过顶点的坐标值以及与该顶点连接的相邻的两条边的长度值可以得到车牌边界框在特征图中的具体位置,进而也可以得到车牌信息在特征图中的感兴趣区域。
步骤103,从多个特征图中获取指定卷积层提取的特征图,对指定卷积层提取的特征图采用针对感兴趣区域的池化层进行处理,其中,指定卷积层提取的特征图均包含车牌的外部轮廓信息。
具体实施时,从多个特征图中获取指定卷积层提取的特征图,在图2中,指定的卷积层可以是卷积层202、204、206。将3个卷积层提取的特征图通过ROI(Region ofinterest)池化层212,ROI池化层212根据步骤101中获取的车牌信息在特征图中的感兴趣区域,对3个特征图采用针对感兴趣区域的池化层进行处理,得到处理后的特征图。之后,交由步骤104进行后续处理。
步骤104,将处理后的特征图通过第一类分类器,得到车牌信息的置信度,其中,置信度用于指示处理后的特征图中包含车牌信息的可信度。
具体实施时,图2中将处理后的特征图通过第一类分类器213,如果处理后的特征图中只包括车牌框及车牌框的车牌信息的二分之一,那么得到车牌信息的置信度可以为0.5。通过获取车牌信息的置信度可以判断识别处的车牌信息的可信度。
本申请实施例中,通过获取指定卷积层提取的图像的特征图及车牌信息在特征图的感兴趣区域,对指定卷积层提取的特征图采用针对感兴趣区域的池化层进行处理,将处理后的特征图通过分类器进行处理,可以得到车牌信息的置信度。在将特征图进行池化处理前先获取车牌信息在特征图中的感兴趣区域,可使池化层根据提供的感兴趣区域选择适合的数据进行池化处理,能够避免对车牌边界框外的不必要车牌信息进行处理,减少数据处理量,提高车牌信息提取的可信度。将池化处理后的特征图通过分类器获得车牌信息的置信度可以判断识别出的车牌信息的可信度,可以额外提供出识别出的车牌信息是否可信的参考信息,以便于用户能够觉察到错误的或误差较大的车牌信息,使得对车牌图像的处理方法多样性,满足实际的需求。
在一个实施例中,将处理后的特征图通过第二类分类器,获取车牌上的字符。
通常车牌上的字符包含数字、汉字及字母等,图2中,将经过ROI池化层212处理后的特征图通过第二类分类器214,可以准确获取车牌上的字符,也就是获取到车牌号。可以将与字符数量相同个数的第二类分类器置于ROI池化层212后面。3个特征图经过ROI池化层212处理后,从ROI池化层212输出后直接输入至多个第二类分类器214,每个第二类分类器214用于识别车牌上对应位置上的字符,进而可以识别出车牌上的各字符。将处理后的特征图通过与获取置信度不同种类的分类器即可获得车牌上的各字符,进而无需单独构造获取包含车牌上各字符卷积层,使得提取图像特征的神经网络结构可以复用,而且无需单独的训练用于车牌定位和用于车牌识别的神经网络。
在一个实施例中,当车牌信息的置信度大于或等于阈值时,则输出车牌上的字符。
具体实施时,获得车牌信息的置信度及车牌上的字符后,如果置信度大于或等于阈值时,则输出车牌上的字符。比如,将车牌信息的置信度的阈值设置为0.6,而处理后得到的车牌信息的置信度为0.8,那么说明该车牌信息是真实可靠,则输出车牌上的字符,为用户提供处理后的准确的车牌信息;如果处理后的车牌信息的置信度为0.5,说明该车牌信息非真实可靠,对通过处理获得的车牌上的字符不进行输出并给出无法识别车牌的提示信息,可以避免用户获取与真实车牌信息有误差的车牌信息。因此,通过获取车牌信息的置信度,能够判断处理后的车牌信息是否准确可靠,为用户提供真实可靠的车牌信息,避免用户获取不真实的车牌信息。
在一个实施例中,从多个特征图中获取指定卷积层提取的特征图,对指定卷积层提取的特征图采用针对感兴趣区域的池化层进行处理,具体实施时可包括步骤A1-A3。
步骤A1,从指定卷积层提取的特征图中提取感兴趣区域;
步骤A2,将提取的各感兴趣区域的尺寸处理为预设尺寸;
步骤A3,对处理后的感兴趣区域进行特征融合。
在具体实施时,继续如图2所示,提取出202、204、206层卷积层的特征图后,在这三个特征图中提取感兴趣区域。由于每个卷积层的卷积核及池化窗口尺寸都不同,因而车牌深度图像通过不同的卷积层后输出的特征图的大小也不同,相应的感兴趣区域的大小也不同。为了避免有的特征图太大,需要进行大量的数据处理,在各个感兴趣区域通过ROI池化层212进行特征融合前,需要将感兴趣区域的尺寸进行处理,根据实际需要处理为预设的尺寸。将处理后的感兴趣区域进行特征融合,使得多张特征图融合为一张特征图。使得融合后的特征图中能够包含不同层次的图像特征。以便于后续能够准确的进行置信度的预测和车牌中包含字符的识别。
在一个实施例中,通过全连接层,获得车牌信息在特征图中的感兴趣区域,在具体实施时,可包括步骤B1-B2:
步骤B1,将最后一个卷积层提取的特征图输入至空间金字塔池化层,获得用于表达该特征图的固定尺寸的特征向量;
步骤B2,将空间金字塔池化层得到的固定尺寸的特征向量输入至全连接层,获得车牌信息在特征图中的感兴趣区域。
由于车牌图像通过多个卷积层后会被方法,因此将最后一个卷积层提取的特征图直接输入至空间金字塔池化层,通过空间金字塔池化层得到用于表达该特征图的固定尺寸的特征向量,以满足全连接层对输入特征的要求;然后将通过空间金字塔池化层得到的固定尺寸的特征向量输入至全连接层,获得车牌信息在特征图中的感兴趣区域。
为了进一步理解,通过如图3的示例进一步详细介绍车牌识别方法的工作流程。
步骤301,根据第一个卷积层201的输入图像尺寸122*122,将拍摄获得的车牌图像调整为480*480;
步骤302,将调整后的车牌图像依次通过10个卷积层201-210依次提取图像特征,获得能够表达不同层次的图像特征的多个特征图;
步骤303,将最后一个卷积层210提取的特征图输入至空间金字塔池化层215,获得用于表达该特征图的固定尺寸的特征向量;
步骤304,将空间金字塔池化层得到的固定尺寸的特征向量输入至全连接层211,获得车牌信息在特征图中的感兴趣区域;
步骤305,根据步骤304获得的车牌信息在特征图中的感兴趣区域,从指定卷积层202、204、206提取的各个特征图中提取感兴趣区域;
步骤306,将提取的各感兴趣区域进行尺寸归一化处理为预设尺寸;
步骤307,对处理后的感兴趣区域进行特征融合;
步骤308,将处理后的特征图通过第一类分类器213,得到车牌信息的置信度;
步骤309,同时将处理后的特征图通过第二类分类器214,获取车牌上的字符;
步骤310,根据车牌信息的置信度大于阈值0.5,则输出车牌上的各字符。
基于与车牌识别方法相同的发明构思,本申请实施例还提供了一种车牌识别装置,如图4所示,该装置包括特征图提取单元401、感兴趣区域获取单元402、池化处理单元403和置信度获取单元404,
特征图提取单元401,用于通过多个卷积层依次提取图像特征,获得能够表达不同层次的图像特征的多个特征图;
感兴趣区域获取单元402,用于通过全连接层,获得车牌信息在特征图中的感兴趣区域;
池化处理单元403,用于从所述多个特征图中获取指定卷积层提取的特征图,对指定卷积层提取的特征图采用针对感兴趣区域的池化层进行处理,其中,所述指定卷积层提取的特征图均包含车牌的外部轮廓信息;
置信度获取单元404,用于将处理后的特征图通过第一类分类器,得到车牌信息的置信度。
在一个实施例中,该装置还包括:
输出单元,用于当车牌信息的置信度大于或等于阈值时,则输出车牌上的字符。
在一个实施例中,池化处理单元包括:
感兴趣区域提取子单元,用于从指定卷积层提取的特征图中提取感兴趣区域;
归一化处理子单元,用于将提取的各感兴趣区域进行尺寸归一化处理为预设尺寸;
特征融合子单元,用于处理后的感兴趣区域进行特征融合。
在一个实施例中,感兴趣区域获取单元包括:
空间金字塔池化子单元,用于将最后一个卷积层提取的特征图输入至空间金字塔池化层,获得用于表达该特征图的固定尺寸的特征向量;
全连接层子单元,用于将空间金字塔池化层得到的固定尺寸的特征向量输入至全连接层,获得车牌信息在特征图中的感兴趣区域。
本申请实施例中,通过特征图提取单元提取图像通过多个卷积层的特征图;再通过感兴趣区域获取单元获得车牌信息在特征图的感兴趣区域;然后通过池化处理单元从多个特征图中获取指定卷积层提取的特征图,对指定卷积层提取的特征图采用针对感兴趣区域的池化层进行处理,最后通过置信度获取单元将处理后的特征图通过第一类分类器,得到车牌信息的置信度。通过车牌信息的置信度可以判断识别出的车牌信息的完整性,可以有效避免将有误差的车牌信息传递给用户,进而为用户提供准确的车牌信息,使得车牌识别方法功能具有多样性,满足实际的需求。
在介绍了本申请示例性实施方式的车牌识别方法及装置,接下来,介绍根据本申请的另一示例性实施方式的计算装置。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,根据本申请的实施例,计算装置可以至少包括至少一个处理器、以及至少一个存储器。其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的车牌识别方法中的步骤101-104。
下面参照图5来描述根据本申请的这种实施方式的计算装置50。图5显示的计算装置50仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。该计算装置例如可以是手机、平板电脑等。
如图5所示,计算装置50以通用计算装置的形式表现。计算装置50的组件可以包括但不限于:上述至少一个处理器501、上述至少一个存储器502、连接不同系统组件(包括存储器502和处理器501)的总线503。
总线503表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器502可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)5021和/或高速缓存存储器5022,还可以进一步包括只读存储器(ROM)5023。
存储器502还可以包括具有一组(至少一个)程序模块5024的程序/实用工具5025,这样的程序模块5024包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算装置50也可以与一个或多个外部设备504(例如指向设备等)通信,还可与一个或者多个使得用户能与计算装置50交互的设备通信,和/或与使得该计算装置50能与一个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口505进行。并且,计算装置50还可以通过网络适配器506与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器506通过总线503与用于计算装置50的其它模块通信。应当理解,尽管图中未示出,可以结合计算装置50使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本申请提供的车牌识别方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的车牌识别方法的步骤,执行如图1中所示的步骤101-104。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请实施方式的车牌识别方法可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在计算装置上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算装置上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算装置上部分在远程计算装置上执行、或者完全在远程计算装置或服务器上执行。在涉及远程计算装置的情形中,远程计算装置可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算装置,或者,可以连接到外部计算装置(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (11)
1.一种车牌识别方法,其特征在于,所述方法包括:
通过多个卷积层依次提取图像特征,获得能够表达不同层次的图像特征的多个特征图;
通过全连接层,获得车牌信息在特征图中的感兴趣区域;
从所述多个特征图中获取指定卷积层提取的特征图,对指定卷积层提取的特征图采用针对感兴趣区域的池化层进行处理,其中,所述指定卷积层提取的特征图均包含车牌的外部轮廓信息;
将处理后的特征图通过第一类分类器,得到车牌信息的置信度,
其中,所述置信度用于指示处理后的特征图中包含车牌的可信度。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将处理后的特征图通过第二类分类器,获取车牌上的字符。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
当所述车牌信息的置信度大于或等于阈值时,则输出所述车牌上的字符。
4.根据权利要求1所述的方法,其特征在于,从所述多个特征图中获取指定卷积层提取的特征图,对指定卷积层提取的特征图采用针对感兴趣区域的池化层进行处理,包括:
从指定卷积层提取的特征图中提取感兴趣区域;
将提取的各感兴趣区域的尺寸处理为预设尺寸;
对处理后的感兴趣区域进行特征融合。
5.根据权利要求1所述的方法,其特征在于,通过全连接层,获得车牌信息在特征图中的感兴趣区域,包括:
将最后一个卷积层提取的特征图输入至空间金字塔池化层,获得用于表达该特征图的固定尺寸的特征向量;
将所述空间金字塔池化层得到的固定尺寸的特征向量输入至全连接层,获得车牌信息在特征图中的感兴趣区域。
6.一种车牌识别装置,其特征在于,所述装置包括:
特征图提取单元,用于通过多个卷积层依次提取图像特征,获得能够表达不同层次的图像特征的多个特征图;
感兴趣区域获取单元,用于通过全连接层,获得车牌信息在特征图中的感兴趣区域;
池化处理单元,用于从所述多个特征图中获取指定卷积层提取的特征图,对指定卷积层提取的特征图采用针对感兴趣区域的池化层进行处理,其中,所述指定卷积层提取的特征图均包含车牌的外部轮廓信息;
置信度获取单元,用于将处理后的特征图通过第一类分类器,得到车牌信息的置信度,其中,置信度用于指示处理后的特征图中包含车牌信息的可信度。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
输出单元,用于当所述车牌信息的置信度大于或等于阈值时,则输出所述车牌上的字符。
8.根据权利要求6所述的装置,其特征在于,所述池化处理单元包括:
感兴趣区域提取子单元,用于从指定卷积层提取的特征图中提取感兴趣区域;
尺寸处理子单元,用于将提取的各感兴趣区域的尺寸处理为预设尺寸;
特征融合子单元,用于对处理后的感兴趣区域进行特征融合。
9.根据权利要求6所述的装置,其特征在于,所述感兴趣区域获取单元包括:
空间金字塔池化子单元,用于将最后一个卷积层提取的特征图输入至空间金字塔池化层,获得用于表达该特征图的固定尺寸的特征向量;
全连接层子单元,用于将所述空间金字塔池化层得到的固定尺寸的特征向量输入至全连接层,获得车牌信息在特征图中的感兴趣区域。
10.一种计算机可读介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令用于执行如权利要求1-5中任一项权利要求所述的方法。
11.一种计算机装置,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-5中任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560589.3A CN110245664A (zh) | 2019-06-26 | 2019-06-26 | 车牌识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560589.3A CN110245664A (zh) | 2019-06-26 | 2019-06-26 | 车牌识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110245664A true CN110245664A (zh) | 2019-09-17 |
Family
ID=67889680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910560589.3A Pending CN110245664A (zh) | 2019-06-26 | 2019-06-26 | 车牌识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245664A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508005A (zh) * | 2020-12-22 | 2021-03-16 | 北京百度网讯科技有限公司 | 用于处理图像的方法、装置、设备以及存储介质 |
CN112580660A (zh) * | 2020-11-17 | 2021-03-30 | 上海闻泰信息技术有限公司 | 图像处理方法、装置、计算机设备和可读存储介质 |
CN112906437A (zh) * | 2019-12-04 | 2021-06-04 | 中国农业科学院农业资源与农业区划研究所 | 一种燕麦植株识别的方法及装置 |
CN113099385A (zh) * | 2021-04-09 | 2021-07-09 | 北京骑胜科技有限公司 | 停车监测方法、系统和设备 |
CN114882732A (zh) * | 2022-05-18 | 2022-08-09 | 合肥观佳智能科技有限公司 | 一种智慧城市的智能化停车管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778745A (zh) * | 2016-12-23 | 2017-05-31 | 深圳先进技术研究院 | 一种车牌识别方法及装置、用户设备 |
CN107145889A (zh) * | 2017-04-14 | 2017-09-08 | 中国人民解放军国防科学技术大学 | 基于具有RoI池化的双CNN网络的目标识别方法 |
CN108509954A (zh) * | 2018-04-23 | 2018-09-07 | 合肥湛达智能科技有限公司 | 一种实时交通场景的多车牌动态识别方法 |
CN109271842A (zh) * | 2018-07-26 | 2019-01-25 | 北京纵目安驰智能科技有限公司 | 一种基于关键点回归的通用物体检测方法、系统、终端和存储介质 |
-
2019
- 2019-06-26 CN CN201910560589.3A patent/CN110245664A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778745A (zh) * | 2016-12-23 | 2017-05-31 | 深圳先进技术研究院 | 一种车牌识别方法及装置、用户设备 |
CN107145889A (zh) * | 2017-04-14 | 2017-09-08 | 中国人民解放军国防科学技术大学 | 基于具有RoI池化的双CNN网络的目标识别方法 |
CN108509954A (zh) * | 2018-04-23 | 2018-09-07 | 合肥湛达智能科技有限公司 | 一种实时交通场景的多车牌动态识别方法 |
CN109271842A (zh) * | 2018-07-26 | 2019-01-25 | 北京纵目安驰智能科技有限公司 | 一种基于关键点回归的通用物体检测方法、系统、终端和存储介质 |
Non-Patent Citations (1)
Title |
---|
曹正凤等: "基于深度学习的端到端车牌检测识别系统", 《中国交通信息化》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906437A (zh) * | 2019-12-04 | 2021-06-04 | 中国农业科学院农业资源与农业区划研究所 | 一种燕麦植株识别的方法及装置 |
CN112906437B (zh) * | 2019-12-04 | 2023-12-26 | 中国农业科学院农业资源与农业区划研究所 | 一种燕麦植株识别的方法及装置 |
CN112580660A (zh) * | 2020-11-17 | 2021-03-30 | 上海闻泰信息技术有限公司 | 图像处理方法、装置、计算机设备和可读存储介质 |
CN112508005A (zh) * | 2020-12-22 | 2021-03-16 | 北京百度网讯科技有限公司 | 用于处理图像的方法、装置、设备以及存储介质 |
CN112508005B (zh) * | 2020-12-22 | 2023-11-17 | 北京百度网讯科技有限公司 | 用于处理图像的方法、装置、设备以及存储介质 |
US11881044B2 (en) | 2020-12-22 | 2024-01-23 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for processing image, device and storage medium |
CN113099385A (zh) * | 2021-04-09 | 2021-07-09 | 北京骑胜科技有限公司 | 停车监测方法、系统和设备 |
CN114882732A (zh) * | 2022-05-18 | 2022-08-09 | 合肥观佳智能科技有限公司 | 一种智慧城市的智能化停车管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245664A (zh) | 车牌识别方法 | |
CN108846440B (zh) | 图像处理方法及装置、计算机可读介质和电子设备 | |
CN108665373B (zh) | 一种车辆定损的交互处理方法、装置、处理设备及客户端 | |
JP7146091B2 (ja) | ビデオへの情報埋め込み方法、コンピュータ機器及びコンピュータプログラム | |
CN108491816A (zh) | 在视频中进行目标跟踪的方法和装置 | |
CN110473137A (zh) | 图像处理方法和装置 | |
CN109934181A (zh) | 文本识别方法、装置、设备和计算机可读介质 | |
EP4137991A1 (en) | Pedestrian re-identification method and device | |
CN110097068A (zh) | 相似车辆的识别方法和装置 | |
EP3392802A1 (en) | Computer-implemented 3d model analysis method, electronic decive, and non-transitory computer readable storage medium | |
CN110222573A (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
CN109034069A (zh) | 用于生成信息的方法和装置 | |
CN110060205B (zh) | 图像处理方法及装置、存储介质及电子设备 | |
CN114758337B (zh) | 一种语义实例重建方法、装置、设备及介质 | |
CN108876857A (zh) | 无人驾驶车辆的定位方法、系统、设备及存储介质 | |
CN111753721A (zh) | 一种人体姿态的识别方法及装置 | |
CN109993824A (zh) | 图像处理方法、智能终端及具有存储功能的装置 | |
EP3017399B1 (en) | Payment card ocr with relaxed alignment | |
US11461921B2 (en) | Program, system, electronic device, and method for recognizing three-dimensional object | |
CN111739028A (zh) | 指甲区域图像获取方法、系统、计算设备及存储介质 | |
CN109829909A (zh) | 一种目标检测方法、装置及存储介质 | |
CN117058421A (zh) | 基于多头模型的图像检测关键点方法、系统、平台及介质 | |
CN110544256B (zh) | 基于稀疏特征的深度学习图像分割方法及装置 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN112132031A (zh) | 车款识别方法、装置、电子设备及存储介质 |
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: 20190917 |