CN110472630A - 一种车牌区域的定位方法、装置及设备 - Google Patents

一种车牌区域的定位方法、装置及设备 Download PDF

Info

Publication number
CN110472630A
CN110472630A CN201910756032.7A CN201910756032A CN110472630A CN 110472630 A CN110472630 A CN 110472630A CN 201910756032 A CN201910756032 A CN 201910756032A CN 110472630 A CN110472630 A CN 110472630A
Authority
CN
China
Prior art keywords
edge detection
edge
license plate
testing result
detection results
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
CN201910756032.7A
Other languages
English (en)
Inventor
陈鹏
孙岩
江砥中
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.)
Shanghai Shimao Internet Of Things Technology Co Ltd
Original Assignee
Shanghai Shimao Internet Of Things Technology 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 Shanghai Shimao Internet Of Things Technology Co Ltd filed Critical Shanghai Shimao Internet Of Things Technology Co Ltd
Priority to CN201910756032.7A priority Critical patent/CN110472630A/zh
Publication of CN110472630A publication Critical patent/CN110472630A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/40—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
    • G06V10/443—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 by matching or filtering
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车牌区域的定位方法、装置及设备，其中，采集车辆的图像，将该图像转换为灰色图像；通过第一边缘检测算法对该灰色图像进行边缘检测，获取第一边缘检测结果，通过第二边缘检测算法对该灰色图像进行边缘检测，获取第二边缘检测结果；将该第一边缘检测结果和该第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果；通过矩形和连通域区域混合滤波对该第三边缘检测结果进行滤波，得到第四边缘检测结果，通过第一边缘检测算法和第二边缘检测算法组合边缘检测，缩小检测区域，再通过矩形和连通区域混合滤波的方法，进一步缩小检测区域，解决了边缘检测容易导致车牌区域的定位错误问题，提高了车牌定位区域的精准度。

Description

一种车牌区域的定位方法、装置及设备
技术领域
本发明涉及图像识别领域，具体而言，涉及一种车牌区域的定位方法、装置及设备。
背景技术
车牌区域定位是指用矩形滤波检测将拍摄的车辆图像中包含车牌的区域标识出来。车牌区域定位是车牌识别的前提，准确的从车辆图像中提取车牌区域，能够有效提升车牌识别的正确率。目前对车牌区域定位的方法主要依赖边缘检测，通过边缘检测对图像中具有边缘特征的像素进行提取，但是单一的使用边缘检测容易导致车牌区域的定位错误，从而影响车牌识别的正确率。
针对相关技术中，边缘检测容易导致车牌区域的定位错误问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中边缘检测容易导致车牌区域的定位错误问题，本发明提供了一种车牌区域的定位方法、装置及设备，以至少解决上述问题。
根据本发明的一个方面，提供了一种车牌区域的定位方法，所述方法包括：
采集车辆的图像，将所述图像转换为灰色图像；
通过第一边缘检测算法对所述灰色图像进行边缘检测，获取第一边缘检测结果，通过第二边缘检测算法对所述灰色图像进行边缘检测，获取第二边缘检测结果；
将所述第一边缘检测结果和所述第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果；
通过矩形和连通域区域混合滤波对所述第三边缘检测结果进行滤波，得到第四边缘检测结果。
进一步地，所述将所述第一边缘检测结果和所述第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果之后，所述方法还包括：
在所述第三边缘检测结果中的车牌区域范围大于预设的车牌区域范围的情况下，通过所述第一边缘检测算法对所述灰色图像进行边缘检测，得到第五边缘检测结果，用所述第五边缘检测结果替换所述第三边缘检测结果。
进一步地，通过矩形和连通域区域混合滤波的方法对所述第三边缘检测结果进行滤波，得到第四边缘检测结果之后，所述方法还包括：
通过车牌的属性参数对所述第四边缘结果进行筛选，确定第六边缘结果，所述属性参数至少包括以下之一：车牌的颜色、车牌的纵横比和车牌的区域大小。
进一步地，所述第一边缘检测算法为Canny算法，所述第二边缘检测算法为Laplacian算法。
根据本发明的另一个方面，还提供了一种车牌识别的装置，用于车牌的定位方法，所述装置包括：
采集模块，用于采集车辆的图像，将所述图像转换为灰色图像；
检测模块，用于通过第一边缘检测算法对所述灰色图像进行边缘检测，获取第一边缘检测结果，通过第二边缘检测算法对所述灰色图像进行边缘检测，获取第二边缘检测结果；
组合检测模块，用于将所述第一边缘检测结果和所述第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果；
滤波模块，用于通过矩形和连通域区域混合滤波对所述第三边缘检测结果进行滤波，得到第四边缘检测结果。
进一步地，所述装置还包括：闭环检测模块，所述闭环检测模块，用于所述将所述第一边缘检测结果和所述第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果之后，在所述第三边缘检测结果中的车牌区域范围大于预设的车牌区域范围的情况下，通过所述第一边缘检测算法对所述灰色图像进行边缘检测，得到第五边缘检测结果，用所述第五边缘检测结果替换所述第三边缘检测结果。
进一步地，所述装置还包括：筛选模块，所述筛选模块，用于通过矩形和连通域区域混合滤波的方法对所述第三边缘检测结果进行滤波，得到第四边缘检测结果之后，通过车牌的属性参数对所述第四边缘结果进行筛选，确定第六边缘结果，所述属性参数至少包括以下之一：车牌的颜色、车牌的纵横比和车牌的区域大小。
进一步地，所述第一边缘检测算法为Canny算法，所述第二边缘检测算法为Laplacian算法。
根据本发明的一个方面，还提供了一种车牌识别设备，所述设备包括摄像头和处理器，
所述摄像头采集车辆的图像，所述处理器将所述图像转换为灰色图像；
所述处理器通过第一边缘检测算法对所述灰色图像进行边缘检测，获取第一边缘检测结果，通过第二边缘检测算法对所述灰色图像进行边缘检测，获取第二边缘检测结果；
所述处理器将所述第一边缘检测结果和所述第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果；
所述处理器通过矩形和连通域区域混合滤波对所述第三边缘检测结果进行滤波，得到第四边缘检测结果。
进一步地，所述第一边缘检测算法为Canny算法，所述第二边缘检测算法为Laplacian算法。
通过本发明，采集车辆的图像，将该图像转换为灰色图像；通过第一边缘检测算法对该灰色图像进行边缘检测，获取第一边缘检测结果，通过第二边缘检测算法对该灰色图像进行边缘检测，获取第二边缘检测结果；将该第一边缘检测结果和该第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果；通过矩形和连通域区域混合滤波对该第三边缘检测结果进行滤波，得到第四边缘检测结果，通过第一边缘检测算法和第二边缘检测算法组合边缘检测，缩小检测区域，再通过矩形和连通区域混合滤波的方法，进一步缩小检测区域，解决了边缘检测容易导致车牌区域的定位错误问题，提高了车牌定位区域的精准度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种车牌区域的定位方法的流程图一；
图2是根据本发明实施例的一种车牌区域的定位方法的流程图二；
图3是根据本发明实施例的一种车牌区域的定位方法的流程图三；
图4是根据本发明实施例的车牌检测数据流程的示意图；
图5是根据本发明实施例的一种车牌识别的装置的结构框图一；
图6是根据本发明实施例的一种车牌识别的装置的结构框图二；
图7是根据本发明实施例的一种车牌识别的装置的结构框图三；
图8是根据本发明实施例的一种车牌识别设备的结构框图；
图9是根据本发明实施例的车牌检测工作流程的示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中，提供了一种车牌区域的定位方法，图1是根据本发明实施例的一种车牌区域的定位方法的流程图一，如图1所示，该方法包括如下步骤：
步骤S102，采集车辆的图像，将该图像转换为灰色图像；
步骤S104，通过第一边缘检测算法对该灰色图像进行边缘检测，获取第一边缘检测结果，通过第二边缘检测算法对该灰色图像进行边缘检测，获取第二边缘检测结果；
步骤S106，将该第一边缘检测结果和该第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果；
步骤S108，通过矩形和连通域区域混合滤波对该第三边缘检测结果进行滤波，得到第四边缘检测结果。
通过上述步骤，采集车辆的图像，将该图像转换为灰色图像；通过第一边缘检测算法对该灰色图像进行边缘检测，获取第一边缘检测结果，通过第二边缘检测算法对该灰色图像进行边缘检测，获取第二边缘检测结果；将该第一边缘检测结果和该第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果；通过矩形和连通域区域混合滤波对该第三边缘检测结果进行滤波，得到第四边缘检测结果，通过第一边缘检测算法和第二边缘检测算法组合边缘检测，缩小检测区域，再通过矩形和连通区域混合滤波的方法，进一步缩小检测区域，解决了边缘检测容易导致车牌区域的定位错误问题，提高了车牌定位区域的精准度。
在本实施例中，图2是根据本发明实施例的一种车牌区域的定位方法的流程图二，如图2所示，该方法包括如下步骤：
步骤S202，该第三边缘检测结果中的车牌区域范围大于预设的车牌区域范围的情况下，通过该第一边缘检测算法对该灰色图像进行边缘检测，得到第五边缘检测结果，用该第五边缘检测结果替换该第三边缘检测结果；
步骤S204，通过矩形和连通域区域混合滤波对该第五边缘检测结果进行滤波，得到第四边缘检测结果。
在本实施例中，图3是根据本发明实施例的一种车牌区域的定位方法的流程图三，如图3所示，通过矩形和连通域区域混合滤波的方法对该第三边缘检测结果进行滤波，得到第四边缘检测结果之后，该方法包括如下步骤：
步骤S302，过车牌的属性参数对该第四边缘结果进行筛选，确定第六边缘结果，该属性参数至少包括以下之一：车牌的颜色、车牌的纵横比和车牌的区域大小。
在本实施例中，该第一边缘检测算法可以为Canny算法，该述第二边缘检测算法可以为Laplacian算法。
组合边缘检测技术对一幅灰度图像进行Canny算法边缘检测生成第一边缘检测结果，对另一幅灰色图像进行Laplacian算法边缘检测生成第二边缘检测结果，对操作过程创建的第一边缘检测结果和第二边缘检测结果执行逻辑或操作，将其组合并创建最终第三边缘检测结果。
Canny算法边缘检测中使用的阈值高值为100，低值为0，Canny算法边缘检测的过程中使用3x3Sobel模板。与相关技术中的边缘检测技术相比，本实施例提出的组合边缘检测技术提高了车牌区域定位精度，降低了检测误差。在大多数图像中，组合边缘检测技术比相关技术中的边缘检测技术具有更高的边缘识别率。
当车辆图像中的车辆和背景中的车辆区域范围边缘检测结果远大于预设的车牌区域范围时，可能会出现检测错误，在出现检测错误的情况下，本发明的实施例设计了一种闭环检测算法，当组合边缘检测的检测结果无法识别车牌字符时，采用单一的Canny算法边缘检测进行重新检测，或者，通过单一的Laplacian算法边缘检测进行重新检测。该实现过程与图2中步骤S202相同。
图4是根据本发明实施例的车牌检测数据流程的示意图，如图4所示，通过矩形和连通域区域混合滤波的方法对该第三边缘检测结果进行滤波，其中，矩形和连通域区域混合滤波中矩形检测(RE)通过矩阵1水平梯度算子和矩阵2垂直梯度算子来检测两种边缘，将两种边缘像素分别保存在S_V和S_H两个像素集中。
将同时属于这两种边缘的像素集保存在集合S_C，其中，中。
聚集集合S_C中的像素组成不同的区域Ri(i＝1,2,...,20)，并且使用最小的包络矩将每个区域进行包围。区域Ri中的每个像素点pk满足条件：其中pl∈S_C,pk∈S_C，dis(pl,pk)是两个像素点的距离，β是距离阈值，且
矩形和连通域区域混合滤波中连通区域检测(CRA)的实现过程如下：
由于车牌大部分区域都有相同的背景色且互相连通，所以可以对连通的带状区域进行检测，其操作方法如下所述：
(1)用色调饱和度明度((Hue,Saturation,Value，简称为HSV)颜色模型来表示图像。
(2)检测所有不同的Crai(i＝1,2,...,20)，Cra集中的每个像素都有相同的属性{(ηk∈Crai)∧(ηl∈Crai)|dis(ηk,ηl)＜γ}，其中dis(ηk,ηl)＝|H(ηk)-H(ηl)+S(ηk)-S(ηl)|，且k≠l，γ参数是阈值。
如果像素被设置为其中一个Cra集，则其不能再次属于另一个Cra集。
矩形和连通域区域混合滤波中RE-CRA混合区域滤波器的实现过程如下：
在所有的区域Ri和Crai被检测到后，待定的牌照区域LPi可由公式(1)推导得出。
在多数情况下，待定区域在3到6个之间，然后利用一些诸如颜色种类数、纵横比和区域大小等经验规则来排除错误选项，该实现过程与图3中步骤S302相同。
图5是根据本发明实施例的一种车牌识别的装置的结构框图一，如图5所示，该装置用于车牌区域的定位，该装置包括：采集模块52、检测模块54，组合检测模块56和滤波模块58。
采集模块52，用于采集车辆的图像，将该图像转换为灰色图像；
检测模块54，用于通过第一边缘检测算法对该灰色图像进行边缘检测，获取第一边缘检测结果，通过第二边缘检测算法对该灰色图像进行边缘检测，获取第二边缘检测结果；
组合检测模块56，用于将该第一边缘检测结果和该第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果；
滤波模块58，用于通过矩形和连通域区域混合滤波对该第三边缘检测结果进行滤波，得到第四边缘检测结果。
通过上述装置，通过第一边缘检测算法和第二边缘检测算法组合边缘检测，缩小检测区域，再通过矩形和连通区域混合滤波的方法，进一步缩小检测区域，解决了边缘检测容易导致车牌区域的定位错误问题，提高了车牌定位区域的精准度。
图6是根据本发明实施例的一种车牌识别的装置的结构框图二，如图6所示，该装置还包括：闭环检测模块62，该闭环检测模块62与组合检测模块56、滤波模块58连接，用于该将该第一边缘检测结果和该第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果之后，在该第三边缘检测结果中的车牌区域范围大于预设的车牌区域范围的情况下，通过该第一边缘检测算法对该灰色图像进行边缘检测，得到第五边缘检测结果，用该第五边缘检测结果替换该第三边缘检测结果。
图7是根据本发明实施例的一种车牌识别的装置的结构框图三，如图7所示，该装置还包括：筛选模块72，该筛选模块72与滤波模块58连接，用于通过矩形和连通域区域混合滤波的方法对该第三边缘检测结果进行滤波，得到第四边缘检测结果之后，通过车牌的属性参数对该第四边缘结果进行筛选，确定第六边缘结果，该属性参数至少包括以下之一：车牌的颜色、车牌的纵横比和车牌的区域大小。
图8是根据本发明实施例的一种车牌识别设备的结构框图，如图8所示，该车辆识别设备800包括摄像头82和处理器84，
该摄像头82采集车辆的图像，该处理器84将该图像转换为灰色图像；
该处理器84通过第一边缘检测算法对该灰色图像进行边缘检测，获取第一边缘检测结果，通过第二边缘检测算法对该灰色图像进行边缘检测，获取第二边缘检测结果；
该处理器84将该第一边缘检测结果和该第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果；
该处理器84通过矩形和连通域区域混合滤波对该第三边缘检测结果进行滤波，得到第四边缘检测结果。
通过该车牌识别设备，通过第一边缘检测算法和第二边缘检测算法组合边缘检测，缩小检测区域，再通过矩形和连通区域混合滤波的方法，进一步缩小检测区域，解决了边缘检测容易导致车牌区域的定位错误问题，提高了车牌定位区域的精准度。
下面结合具体实施方式对本发明进行说明。
图9是根据本发明实施例的车牌检测工作流程的示意图，如图9所示，该工作流程包括如下步骤：
步骤S901，将车辆图像转换为灰度图像；
步骤S902，通过Canny算法边缘检测；
步骤S903，通过Laplacian算法边缘检测；
步骤S904，将两个边缘检测结果进行逻辑或操作；
步骤S905，如果未准确检测到车辆车牌，则仅使用Canny算法边缘检测再次检测该区域；
步骤S906，对检测出来的疑似车牌区域进行矩形检测；
步骤S907，对检测出来的疑似车牌区域进行连通区域检测；
步骤S908，采用矩形-连通区域联合滤波器，进一步缩小疑似车牌区域；
步骤S909，根据车牌的颜色、长宽比、区域大小等参数确定车牌区域。
在本发明的实施例提出了一种车牌区域定位方法，首先对转换后的灰度图像进行Canny算法和Laplacian算法组合边缘检测，缩小检测区域，并引入闭环检测机制，进一步增强了算法的稳定性；然后针对缩小后的检测区域，设计一种基于矩形和连通区域混合滤波的方法，进一步缩小检测区域；最后，结合车牌的客观属性(长宽比、颜色、区域大小)对检测区域进一步筛选，确定车牌所在区域。本发明的实施例中所述的车牌区域定位方法可为车牌识别这一应用提供可靠有效的前置输入条件。
在另外一个实施例中，还提供了一种软件，该软件用于执行上述实施例及优选实施例中描述的技术方案。
在另外一个实施例中，还提供了一种存储介质，该存储介质中存储有上述软件，该存储介质包括但不限于光盘、软盘、硬盘、可擦写存储器等。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上该仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车牌区域的定位方法，其特征在于，所述方法包括：
采集车辆的图像，将所述图像转换为灰色图像；
通过第一边缘检测算法对所述灰色图像进行边缘检测，获取第一边缘检测结果，通过第二边缘检测算法对所述灰色图像进行边缘检测，获取第二边缘检测结果；
将所述第一边缘检测结果和所述第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果；
通过矩形和连通域区域混合滤波对所述第三边缘检测结果进行滤波，得到第四边缘检测结果。
2.根据权利要求1所述方法，其特征在于，所述将所述第一边缘检测结果和所述第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果之后，所述方法还包括：
在所述第三边缘检测结果中的车牌区域范围大于预设的车牌区域范围的情况下，通过所述第一边缘检测算法对所述灰色图像进行边缘检测，得到第五边缘检测结果，用所述第五边缘检测结果替换所述第三边缘检测结果。
3.根据权利要求1所述方法，其特征在于，通过矩形和连通域区域混合滤波的方法对所述第三边缘检测结果进行滤波，得到第四边缘检测结果之后，所述方法还包括：
通过车牌的属性参数对所述第四边缘结果进行筛选，确定第六边缘结果，所述属性参数至少包括以下之一：车牌的颜色、车牌的纵横比和车牌的区域大小。
4.根据权利要求1至3任一项所述方法，其特征在于，所述第一边缘检测算法为Canny算法，
所述第二边缘检测算法为Laplacian算法。
5.一种车牌识别的装置，其特征在于，用于车牌的定位方法，所述装置包括：
采集模块，用于采集车辆的图像，将所述图像转换为灰色图像；
检测模块，用于通过第一边缘检测算法对所述灰色图像进行边缘检测，获取第一边缘检测结果，通过第二边缘检测算法对所述灰色图像进行边缘检测，获取第二边缘检测结果；
组合检测模块，用于将所述第一边缘检测结果和所述第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果；
滤波模块，用于通过矩形和连通域区域混合滤波对所述第三边缘检测结果进行滤波，得到第四边缘检测结果。
6.根据权利要求5所述装置，其特征在于，所述装置还包括：闭环检测模块，
所述闭环检测模块，用于所述将所述第一边缘检测结果和所述第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果之后，在所述第三边缘检测结果中的车牌区域范围大于预设的车牌区域范围的情况下，通过所述第一边缘检测算法对所述灰色图像进行边缘检测，得到第五边缘检测结果，用所述第五边缘检测结果替换所述第三边缘检测结果。
7.根据权利要求5所述装置，其特征在于，所述装置还包括：筛选模块，
所述筛选模块，用于通过矩形和连通域区域混合滤波的方法对所述第三边缘检测结果进行滤波，得到第四边缘检测结果之后，通过车牌的属性参数对所述第四边缘结果进行筛选，确定第六边缘结果，所述属性参数至少包括以下之一：车牌的颜色、车牌的纵横比和车牌的区域大小。
8.根据权利要求5至7任一项所述装置，其特征在于，所述第一边缘检测算法为Canny算法，所述第二边缘检测算法为Laplacian算法。
9.一种车牌识别设备，其特征在于，所述设备包括摄像头和处理器，
所述摄像头采集车辆的图像，所述处理器将所述图像转换为灰色图像；
所述处理器通过第一边缘检测算法对所述灰色图像进行边缘检测，获取第一边缘检测结果，通过第二边缘检测算法对所述灰色图像进行边缘检测，获取第二边缘检测结果；
所述处理器将所述第一边缘检测结果和所述第二边缘检测结果进行逻辑或的操作，得到第三边缘检测结果；
所述处理器通过矩形和连通域区域混合滤波对所述第三边缘检测结果进行滤波，得到第四边缘检测结果。
10.根据权利要求9所述设备，其特征在于，所述第一边缘检测算法为Canny算法，所述第二边缘检测算法为Laplacian算法。
CN201910756032.7A 2019-08-14 2019-08-14 一种车牌区域的定位方法、装置及设备 Pending CN110472630A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910756032.7A CN110472630A (zh) 2019-08-14 2019-08-14 一种车牌区域的定位方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910756032.7A CN110472630A (zh) 2019-08-14 2019-08-14 一种车牌区域的定位方法、装置及设备

Publications (1)

Publication Number Publication Date
CN110472630A true CN110472630A (zh) 2019-11-19

Family

ID=68510158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910756032.7A Pending CN110472630A (zh) 2019-08-14 2019-08-14 一种车牌区域的定位方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110472630A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693423A (zh) * 2012-05-15 2012-09-26 公安部第三研究所 一种在强光条件下车牌精确定位的方法
CN107609555A (zh) * 2017-09-15 2018-01-19 北京文安智能技术股份有限公司 车牌检测方法、应用其的车型识别方法及相关装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693423A (zh) * 2012-05-15 2012-09-26 公安部第三研究所 一种在强光条件下车牌精确定位的方法
CN107609555A (zh) * 2017-09-15 2018-01-19 北京文安智能技术股份有限公司 车牌检测方法、应用其的车型识别方法及相关装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHI-SUN AHN ET AL.: "Design of Car License Plate Area Detection Algorithm for Enhanced Recognition Plate", 《2017 4TH INTERNATIONAL CONFERENCE ON COMPUTER APPLICATIONS AND INFORMATION PROCESSING TECHNOLOGY》 *
JIAO FENG AND BI SHUOBEN: "License Plate Location Based on Characteristic of Local Shape and Color", 《2009 WORLD CONGRESS ON COMPUTER SCIENCE AND INFORMATION ENGINEERING》 *

Similar Documents

Publication Publication Date Title
CN111612763B (zh) 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质
Yu et al. Learning a discriminative feature network for semantic segmentation
Chung et al. Efficient shadow detection of color aerial images based on successive thresholding scheme
CN105092598B (zh) 一种基于连通域的大幅面pcb板缺陷快速识别方法及系统
CN105205489B (zh) 基于颜色纹理分析器与机器学习的车牌检测方法
CN109447169A (zh) 图像处理方法及其模型的训练方法、装置和电子系统
CN106384117B (zh) 一种车辆颜色识别方法及装置
Qu et al. A pedestrian detection method based on yolov3 model and image enhanced by retinex
CN109871845A (zh) 证件图像提取方法及终端设备
DE112016006873T5 (de) Erfassung von Menschen in Bildern unter Verwendung von Tiefeninformationen
CN109472193A (zh) 人脸检测方法及装置
CN105868708A (zh) 一种图像目标识别方法及装置
CN108537787B (zh) 一种人脸图像的质量判定方法
CN101426150A (zh) 视频图像质量测评的方法和系统
CN110348522A (zh) 一种图像检测识别方法及系统、电子设备、图像分类网络优化方法及系统
CN110378313A (zh) 细胞团识别方法、装置及电子设备
CN104992183B (zh) 自然场景中的显著目标的自动检测方法
CN109448009A (zh) 用于输电线路检测的红外图像处理方法及装置
CN107944403A (zh) 一种图像中的行人属性检测方法及装置
CN106709438A (zh) 一种基于视频会议的人数统计方法
CN106228186A (zh) 高光谱图像分类装置与方法
CN109509188A (zh) 一种基于hog特征的输电线路典型缺陷识别方法
CN107730487A (zh) 一种图像检测方法及装置
CN106331746A (zh) 用于识别视频文件中的水印位置的方法和装置
CN117689550A (zh) 基于渐进式生成对抗网络的低光图像增强方法及装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 5288, building e, 555 Dongchuan Road, Minhang District, Shanghai 200241

Applicant after: Shanghai Shimao Internet of Things Technology Co.,Ltd.

Address before: World Trade Building, 55 Weifang West Road, Pudong New Area, Shanghai, 200120

Applicant before: Shanghai Shimao Internet of Things Technology Co.,Ltd.

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

Application publication date: 20191119