CN110263788A - 车辆通行快速识别方法及系统 - Google Patents
车辆通行快速识别方法及系统 Download PDFInfo
- Publication number
- CN110263788A CN110263788A CN201910645827.0A CN201910645827A CN110263788A CN 110263788 A CN110263788 A CN 110263788A CN 201910645827 A CN201910645827 A CN 201910645827A CN 110263788 A CN110263788 A CN 110263788A
- Authority
- CN
- China
- Prior art keywords
- confidence level
- character
- image
- recognition result
- license plate
- 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.)
- Granted
Links
Classifications
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/20—Individual registration on entry or exit involving the use of a pass
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种车辆通行快速识别方法及系统。所述方法包括:获取由设置在不同位置的图像摄取装置拍摄到的车辆的牌照图像;利用AI模块对所述牌照图像分别进行图像识别;将图像识别结果中置信度最高的图像识别结果作为所述车辆的牌照识别结果。本发明提供的车辆通行快速识别方法及系统能够有效的提高对车辆牌照进行图像识别的识别准确率。
Description
技术领域
本发明涉及模式识别应用技术领域,特别是涉及一种车辆通行快速识别方法及系统。
背景技术
如停车场或小区门口的识别摄像头加道闸方案,可以通过对车牌的识别进而有效识别车辆信息。但是,通常在此方案条件下对客观条件的要求较高,如需要较好的采光和较慢的车速以及相对小的拍摄角度;另外对车牌本身的要求也很高,足够的清晰度和较小的污损度。在真实的生活生产环境中并不是所有的识别场景都有足够好的客观条件,因此单一的识别方案不能满足准确识别车辆信息。实际环境无法满足充足的采光和清晰且无污损的车牌、增加道闸限速又会影响工作效率,因此传统的识别方案会部分识别错误。
发明内容
本发明要解决的技术问题是提供一种车辆通行快速识别方法及系统,从而能够有效的提高对车辆牌照进行图像识别的识别准确率。
为解决上述技术问题,本发明提供了一种车辆通行快速识别方法,所述方法包括:获取由设置在不同位置的图像摄取装置拍摄到的车辆的牌照图像;利用AI模块对所述牌照图像分别进行图像识别;将图像识别结果中置信度最高的图像识别结果作为所述车辆的牌照识别结果。
在一些实施方式中,利用AI模块对所述牌照图像分别进行图像识别,所得到的图像识别结果包括:至少一个所述牌照图像可能包含的字符串、所述字符串对应的总置信度,及所述字符串中每个字符所对应的置信度。
在一些实施方式中,将图像识别结果中置信度最高的图像识别结果作为所述车辆的牌照识别结果,包括:获取不同牌照图像对应的图像识别结果中的,字符串对应的总置信度,以及每个字符的置信度;将每个字符的置信度与该字符所属字符串的总置信度相加,得到该字符的置信度比较值;将不同字符串相同位置上字符的置信度比较值进行比较,并将置信度比较值最高的字符作为相应位置上的牌照识别结果中的字符。
在一些实施方式中,所述AI模块包括:能够给出识别结果的置信度的卷积神经网络CNN,或者能够给出识别结果的置信度的径向基函数神经网络RBF NN。
此外,本发明还提供了一种车辆通行快速识别系统,所述系统包括:设置在不同位置的图像摄取装置,用于获取由不同角度拍摄到的车辆的牌照图像;以及后台计算装置,与所述图像摄取装置分别连接,利用其内置的AI模块对所述牌照图像分别进行图像识别,以及将图像识别结果中置信度最高的图像识别结果作为所述车辆的牌照识别结果。
在一些实施方式中,利用AI模块对所述牌照图像分别进行图像识别,所得到的图像识别结果包括:至少一个所述牌照图像可能包含的字符串、所述字符串对应的总置信度,及所述字符串中每个字符所对应的置信度。
在一些实施方式中,将图像识别结果中置信度最高的图像识别结果作为所述车辆的牌照识别结果,包括:获取不同牌照图像对应的图像识别结果中的,字符串对应的总置信度,以及每个字符的置信度;将每个字符的置信度与该字符所属字符串的总置信度相加,得到该字符的置信度比较值;将不同字符串相同位置上字符的置信度比较值进行比较,并将置信度比较值最高的字符作为相应位置上的牌照识别结果中的字符。
在一些实施方式中,所述AI模块包括:能够给出识别结果的置信度的卷积神经网络CNN,或者能够给出识别结果的置信度的径向基函数神经网络RBF NN。
采用这样的设计后,本发明至少具有以下优点:
本发明提供的车辆通行快速识别方法及系统在图像采集阶段,在不同角度采集车辆牌照的多张牌照图像,在识别过程中依据识别置信度进行排序,以置信度最高的一种识别结果作为最后的识别结果,采用本发明提供的车辆通行快速识别方法及系统能够有效的提高对车辆牌照进行图像识别的识别准确率。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明提供的车辆通行快速识别方法的流程图;
图2是本发明提供的车辆通行快速识别系统的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1示出了本发明实施例提供的车辆通行快速识别方法的流程图。参见图1,车辆通行快速识别方法包括:
S11,获取由设置在不同位置的图像摄取装置拍摄到的车辆的牌照图像。
S12,利用AI模块对所述牌照图像分别进行图像识别。
S13,将图像识别结果中置信度最高的图像识别结果作为所述车辆的牌照识别结果。
在本发明实施例提供的技术方案中,用来采集车辆牌照图像的图像摄取装置不再是单一的一个图像摄取装置,而是改为多个不同的图像摄取装置。多个不同的图像摄取装置的设置位置不同,因而它们各自获取车辆牌照图像所采用的摄取角度不同。
当道路上有车辆经过时,在多个不同位置上设置的图像摄取装置以各自的角度,获取车辆的牌照图像。可以理解的是,在本发明实施例提供的技术方案中,获取到的车辆的牌照图像的数量与用来采集图像的图像摄取装置的数量相同,是多个。
在获取到车辆的牌照图像之后,利用预置的AI模块对获取到的多个车辆牌照图像进行图像识别。AI模块利用其中内置的AI算法,对采集到的多个牌照图像分别进行图像识别。
在本发明实施例提供的技术方案中,AI模块可以是能够提供识别结果的置信度参数的卷积神经网络(Convolution neural network,CNN),还可以是能够提供识别结果的置信度参数的径向基函数神经网络(Radial basis function neutral network,RBF NN)。
可以理解,以相同的车辆牌照图像作为输入时,AI模块给出的识别结果可以不仅仅限于一种识别结果。也就是说,对于相同的图像,AI模块给出的图像识别结果的数量可大于一。
并且,在给出对于相同车辆牌照图像的识别结果的同时,AI模块还应该能够给出不同识别结果各自对应的置信度,以及识别结果中每个字符所对应的置信度。
举例来说,对一个车辆牌照图像的识别的文字结果是“浙A123456”。在输入上述的识别结果字符串的同时,AI模块还会同时输出上述识别结果的置信度是89%。与此同时,AI模块还会输出这个字符串中每个字符对应的识别置信度,例如,字符“3”的置信度是72%。
一旦AI模块输出的图像识别结果有多个备选结果,将依据每个识别结果的置信度确定最终的识别结果。在综合校验中,AI模块识别结果中包括字符和置信度(如“桂A12345”中A的置信度为88%,1为87%),传统的模式识别方式提供一个总的车牌信息和总的置信度(如“桂A12345”,置信度89%),此时认为A的置信度177%、1为176%,对于车牌中同一位置的字符取置信度总和最高的字符作为最终字符。
换言之,在本发明实施例提供的车辆通行快速识别方法中,将图像识别结果中置信度最高的图像识别结果作为所述车辆的牌照识别结果,包括:获取不同牌照图像对应的图像识别结果中的,字符串对应的总置信度,以及每个字符的置信度;将每个字符的置信度与该字符所属字符串的总置信度相加,得到该字符的置信度比较值;将不同字符串相同位置上字符的置信度比较值进行比较,并将置信度比较值最高的字符作为相应位置上的牌照识别结果中的字符。
关于AI模块,我们追加了一层识别。原来是设备的模式识别识别出了“桂A1234”,AI模块识别出了“桂A1235”,在两者存在不一致且置信度相差不大的时候我们追加使用一个分类算法(也就是AI)去给4和5进行独立识别,看看是4还是5的置信度更高。这样的好处是多了一层判断保险,相当于多了另外一个人检查。因为是不同的算法模型在做处理,等同于换了一个人。
图2示出了本发明实施例提供的车辆通行快速识别系统的结构。参见图2,车辆通行快速识别系统包括:设置在不同位置的多个图像摄取装置,以及后台计算装置。图像摄取装置从不同的角度获取车辆牌照的多个车辆牌照图像。后台计算装置与图像摄取装置通信连接,并且内置有AI模块,在获取到图像设置装置采集到的图通的车辆牌照图像之后,利用内置的AI模块进行车辆牌照图像的图像识别。
AI模块在确定最终的图像识别结果时,主要依据不同位置上字符的识别置信度,选择相同位置上不同字符中识别置信度最高的一个字符作为该位置上最终识别得到的字符。据此,本发明实施例提供的车辆通行快速识别系统能够大幅提高字符识别准确率。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (8)
1.一种车辆通行快速识别方法,其特征在于,包括:
获取由设置在不同位置的图像摄取装置拍摄到的车辆的牌照图像;
利用AI模块对所述牌照图像分别进行图像识别;
将图像识别结果中置信度最高的图像识别结果作为所述车辆的牌照识别结果。
2.根据权利要求1所述的车辆通行快速识别方法,其特征在于,利用AI模块对所述牌照图像分别进行图像识别,所得到的图像识别结果包括:至少一个所述牌照图像可能包含的字符串、所述字符串对应的总置信度,及所述字符串中每个字符所对应的置信度。
3.根据权利要求2所述的车辆通行快速识别方法,其特征在于,将图像识别结果中置信度最高的图像识别结果作为所述车辆的牌照识别结果,包括:
获取不同牌照图像对应的图像识别结果中的,字符串对应的总置信度,以及每个字符的置信度;
将每个字符的置信度与该字符所属字符串的总置信度相加,得到该字符的置信度比较值;
将不同字符串相同位置上字符的置信度比较值进行比较,并将置信度比较值最高的字符作为相应位置上的牌照识别结果中的字符。
4.根据权利要求3所述的车辆通行快速识别方法,其特征在于,所述AI模块包括:能够给出识别结果的置信度的卷积神经网络CNN,或者能够给出识别结果的置信度的径向基函数神经网络RBF NN。
5.一种车辆通行快速识别系统,其特征在于,包括:
设置在不同位置的图像摄取装置,用于获取由不同角度拍摄到的车辆的牌照图像;
后台计算装置,与所述图像摄取装置分别连接,利用其内置的AI模块对所述牌照图像分别进行图像识别,以及将图像识别结果中置信度最高的图像识别结果作为所述车辆的牌照识别结果。
6.根据权利要求5所述的车辆通行快速识别系统,其特征在于,利用AI模块对所述牌照图像分别进行图像识别,所得到的图像识别结果包括:至少一个所述牌照图像可能包含的字符串、所述字符串对应的总置信度,及所述字符串中每个字符所对应的置信度。
7.根据权利要求6所述的车辆通行快速识别系统,其特征在于,将图像识别结果中置信度最高的图像识别结果作为所述车辆的牌照识别结果,包括:获取不同牌照图像对应的图像识别结果中的,字符串对应的总置信度,以及每个字符的置信度;将每个字符的置信度与该字符所属字符串的总置信度相加,得到该字符的置信度比较值;将不同字符串相同位置上字符的置信度比较值进行比较,并将置信度比较值最高的字符作为相应位置上的牌照识别结果中的字符。
8.根据权利要求7所述的车辆通行快速识别系统,其特征在于,所述AI模块包括:能够给出识别结果的置信度的卷积神经网络CNN,或者能够给出识别结果的置信度的径向基函数神经网络RBF NN。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910645827.0A CN110263788B (zh) | 2019-07-17 | 2019-07-17 | 车辆通行快速识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910645827.0A CN110263788B (zh) | 2019-07-17 | 2019-07-17 | 车辆通行快速识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110263788A true CN110263788A (zh) | 2019-09-20 |
CN110263788B CN110263788B (zh) | 2021-07-30 |
Family
ID=67926726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910645827.0A Active CN110263788B (zh) | 2019-07-17 | 2019-07-17 | 车辆通行快速识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263788B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257541A (zh) * | 2020-10-16 | 2021-01-22 | 浙江大华技术股份有限公司 | 车牌识别方法以及电子设备、计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130294654A1 (en) * | 2012-05-04 | 2013-11-07 | Xerox Corporation | Robust character segmentation for license plate images |
CN104166841A (zh) * | 2014-07-24 | 2014-11-26 | 浙江大学 | 一种视频监控网络中指定行人或车辆的快速检测识别方法 |
US20140348392A1 (en) * | 2013-05-22 | 2014-11-27 | Xerox Corporation | Method and system for automatically determining the issuing state of a license plate |
CN104573637A (zh) * | 2014-12-18 | 2015-04-29 | 厦门翼歌软件科技有限公司 | 一种基于多摄像头的车牌识别方法 |
CN108052931A (zh) * | 2018-01-05 | 2018-05-18 | 北京智芯原动科技有限公司 | 一种车牌识别结果融合方法及装置 |
CN108694399A (zh) * | 2017-04-07 | 2018-10-23 | 杭州海康威视数字技术股份有限公司 | 车牌识别方法、装置及系统 |
CN109002820A (zh) * | 2018-06-27 | 2018-12-14 | 迪蒙智慧交通(深圳)有限公司 | 一种车牌识别方法、装置及相关设备 |
-
2019
- 2019-07-17 CN CN201910645827.0A patent/CN110263788B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130294654A1 (en) * | 2012-05-04 | 2013-11-07 | Xerox Corporation | Robust character segmentation for license plate images |
US20140348392A1 (en) * | 2013-05-22 | 2014-11-27 | Xerox Corporation | Method and system for automatically determining the issuing state of a license plate |
CN104166841A (zh) * | 2014-07-24 | 2014-11-26 | 浙江大学 | 一种视频监控网络中指定行人或车辆的快速检测识别方法 |
CN104573637A (zh) * | 2014-12-18 | 2015-04-29 | 厦门翼歌软件科技有限公司 | 一种基于多摄像头的车牌识别方法 |
CN108694399A (zh) * | 2017-04-07 | 2018-10-23 | 杭州海康威视数字技术股份有限公司 | 车牌识别方法、装置及系统 |
CN108052931A (zh) * | 2018-01-05 | 2018-05-18 | 北京智芯原动科技有限公司 | 一种车牌识别结果融合方法及装置 |
CN109002820A (zh) * | 2018-06-27 | 2018-12-14 | 迪蒙智慧交通(深圳)有限公司 | 一种车牌识别方法、装置及相关设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257541A (zh) * | 2020-10-16 | 2021-01-22 | 浙江大华技术股份有限公司 | 车牌识别方法以及电子设备、计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110263788B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978893B (zh) | 图像语义分割网络的训练方法、装置、设备及存储介质 | |
CN108596277B (zh) | 一种车辆身份识别方法、装置和存储介质 | |
CN108091141B (zh) | 车牌识别系统 | |
CN108022235B (zh) | 高压输电铁塔关键部件缺陷识别方法 | |
CN105046235B (zh) | 车道线的识别建模方法和装置、识别方法和装置 | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
Bertozzi et al. | Pedestrian localization and tracking system with Kalman filtering | |
CN105469400B (zh) | 电子元件极性方向的快速识别、标注的方法和系统 | |
CN110287889A (zh) | 一种身份识别的方法及装置 | |
CN107657249A (zh) | 多尺度特征行人重识别的方法、装置、存储介质及处理器 | |
CN108447091A (zh) | 目标定位方法、装置、电子设备及存储介质 | |
CN113658192B (zh) | 一种多目标行人的轨迹获取方法、系统、装置及介质 | |
CN106022285A (zh) | 一种基于卷积神经网络的车款识别方法及装置 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN108009515A (zh) | 一种基于fcn的无人机航拍图像的输电线定位识别方法 | |
CN109002820A (zh) | 一种车牌识别方法、装置及相关设备 | |
CN107644221A (zh) | 基于参数压缩的卷积神经网络交通标志识别方法 | |
CN109886222A (zh) | 人脸识别方法、神经网络训练方法、装置及电子设备 | |
CN110533654A (zh) | 零部件的异常检测方法及装置 | |
CN110163109A (zh) | 一种车道线标注方法及装置 | |
CN106485797A (zh) | 停车计时方法及停车计时装置 | |
CN108932273A (zh) | 图片筛选方法及装置 | |
CN110147707A (zh) | 一种高精度车辆识别方法及系统 | |
CN107909007A (zh) | 车道线检测方法及装置 | |
CN109919038A (zh) | 基于机器视觉与深度学习的配电柜方形压板状态识别方法 |
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 |