CN110674820A - 一种基于卷积神经网络的车牌校准识别方法、系统及电子设备 - Google Patents

一种基于卷积神经网络的车牌校准识别方法、系统及电子设备 Download PDF

Info

Publication number
CN110674820A
CN110674820A CN201910882245.4A CN201910882245A CN110674820A CN 110674820 A CN110674820 A CN 110674820A CN 201910882245 A CN201910882245 A CN 201910882245A CN 110674820 A CN110674820 A CN 110674820A
Authority
CN
China
Prior art keywords
license plate
vehicle
information
target vehicle
plate number
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.)
Withdrawn
Application number
CN201910882245.4A
Other languages
English (en)
Inventor
王荣波
谌志群
黄孝喜
姚金良
潘宇豪
苏传东
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.)
Shaoxing Dadao Career Education Information Consulting Co Ltd
Original Assignee
Shaoxing Dadao Career Education Information Consulting 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 Shaoxing Dadao Career Education Information Consulting Co Ltd filed Critical Shaoxing Dadao Career Education Information Consulting Co Ltd
Priority to CN201910882245.4A priority Critical patent/CN110674820A/zh
Publication of CN110674820A publication Critical patent/CN110674820A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2468—Fuzzy queries
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Character Discrimination (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于卷积神经网络的车牌校准识别方法、系统及电子设备，包括获取车辆轮廓信息；获取某个车辆的多帧图像，对多帧图像的车牌号进行识别；将相邻帧的车牌号识别结果进行比对，得到车牌一致性结果；对一致性结果进行检验，确定某个车辆的车牌信息。遇到车辆很快的情况，能够对图像进行清晰化选取，从而得到最优的图像来识别出正确的车牌号，另外，如果连续图像当中的车牌被识别出不同的结果，结合卷积神经网络对车辆的轮廓信息进行联网查询，可以有效避免车牌识别出错。

Description

一种基于卷积神经网络的车牌校准识别方法、系统及电子 设备
技术领域
本发明涉及车牌识别技术领域，具体为一种基于卷积神经网络的车牌校准识别方法、系统及电子设备。
背景技术
车牌识别技术要求能够将运动中的汽车牌照从复杂背景中提取并识别出来，通过车牌提取、图像预处理、特征提取、车牌字符识别等技术，识别车辆牌号、颜色等信息。
在停车场管理中，车牌识别技术也是识别车辆身份的主要手段。在深圳市公安局建设的《停车库(场)车辆图像和号牌信息采集与传输系统技术要求》中，车牌识别技术成为车辆身份识别的主要手段。
车牌识别技术结合电子不停车收费系统(ETC)识别车辆，过往车辆通过道口时无须停车，即能够实现车辆身份自动识别、自动收费。在车场管理中，为提高出入口车辆通行效率，车牌识别针对无需收停车费的车辆(如月卡车、内部免费通行车辆)，建设无人值守的快速通道，免取卡、不停车的出入体验，正改变出入停车场的管理模式。
由于汽车的行驶速度不一致，在对不同车辆进行车牌识别的过程中，遇到车辆很快的情况，往往会造成图像获取模糊，从而无法识别出正确的车牌号，另外，如果连续图像当中的车牌被识别出不同的结果，现有的技术也无法进行判断。
发明内容
针对以上问题，本发明提供了一种基于卷积神经网络的车牌校准识别方法、系统，遇到车辆很快的情况，能够对图像进行清晰化选取，从而得到最优的图像来识别出正确的车牌号，另外，如果连续图像当中的车牌被识别出不同的结果，结合卷积神经网络对车辆的轮廓信息进行联网查询，可以有效避免车牌识别出错，可以有效解决背景技术中的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于卷积神经网络的车牌校准识别方法，其步骤如下：
S1:采用CNN网络对含有目标车辆的电子设备抓拍图像进行处理，得到抓拍图像中不同车辆的轮廓信息；
S2：针对S1中已获取到轮廓信息的目标车辆，在电子设备的后续抓拍图像中获取含有目标车辆的多帧抓拍图像，剔除清晰度未达标的抓拍图像帧后将剩余抓拍图像帧按序排列，作为该目标车辆的车牌识别数据集；
S3：在目标车辆的车牌识别数据集中，依次将每一帧抓拍图像输入卷积神经网络中，对图像中目标车辆的车牌号进行识别；
S4：将不同的抓拍图像帧中目标车辆的车牌号识别结果进行一致性检验；若不同抓拍图像帧中目标车辆的车牌号一致，则输出该目标车辆的车牌号信息；若不同抓拍图像帧中目标车辆的车牌号不一致，则取出车牌号相似度最大的两帧图像进行配对，作为相邻帧；
S5：分别获取相邻帧中目标车辆的两组不同车牌号，然后识别出两者之间的不一致处，将不一致处的车牌字符元素以特殊标记字符替代，然后输出带有特殊标记字符的车牌号；
S6：将带有特殊标记字符的车牌号输入到车辆联网信息当中，在车辆联网信息中将除特殊标记字符之外的其他车牌号字符元素进行查询，并结合S1中获取的目标车辆轮廓信息，确定目标车辆在车辆联网信息中存储的信息记录，获取目标车辆的车牌号信息。
作为本发明一种优选的技术方案，所述的S1中，车辆轮廓信息包括车辆的颜色、车辆大小和车辆类型信息。
作为本发明一种优选的技术方案，所述的S2中，剔除清晰度未达标的抓拍图像帧的方法为：预先设定清晰度阈值，然后将含有目标车辆的多帧抓拍图像逐帧进行清晰度评价检测，若抓拍图像帧的清晰度低于清晰度阈值，则剔除该抓拍图像帧。
作为本发明一种优选的技术方案，所述的S4中，所述车牌号相似度最大的两帧图像判断方法为：
S41：两两比对所有抓拍图像帧中目标车辆的车牌号，计算任意两个车牌号之间相同的车牌字符元素数量；
S42：以车牌字符元素相同数量最多的两个车牌号所对应的两帧抓拍图像，作为车牌号相似度最大的两帧图像。
作为本发明一种优选的技术方案，所述的S6中，目标车辆的车牌号信息获取方法为：
S61：将带有特殊标记字符的车牌号输入到存储有所有车辆车牌号的车辆联网信息当中，在车辆联网信息中将除特殊标记字符之外的其他车牌号字符元素进行模糊查询，返回车牌号中除特殊标记字符之外的其他车牌号字符元素与输入相同的车辆查询结果；
S62：从模糊查询的车辆查询结果中，以S1中获取的目标车辆轮廓信息为查询条件，进一步进行精确查询，若模糊查询结果中存在某一车辆的轮廓信息与S1中获取的目标车辆轮廓信息一致，则确定该车辆为目标车辆；
S63：获取目标车辆在车辆联网信息中存储的车牌信息，得到目标车辆的车牌号信息。
本发明的另一目的在于提供一种基于卷积神经网络的车牌校准识别系统，其包括：
轮廓信息获取模块:采用CNN网络对含有目标车辆的电子设备抓拍图像进行处理，得到抓拍图像中不同车辆的轮廓信息；
数据集构建模块：针对轮廓信息获取模块中已获取到轮廓信息的目标车辆，在电子设备的后续抓拍图像中获取含有目标车辆的多帧抓拍图像，剔除清晰度未达标的抓拍图像帧后将剩余抓拍图像帧按序排列，作为该目标车辆的车牌识别数据集；
车牌号识别模块：在目标车辆的车牌识别数据集中，依次将每一帧抓拍图像输入卷积神经网络中，对图像中目标车辆的车牌号进行识别；
一致性检验模块：将不同的抓拍图像帧中目标车辆的车牌号识别结果进行一致性检验；若不同抓拍图像帧中目标车辆的车牌号一致，则输出该目标车辆的车牌号信息；若不同抓拍图像帧中目标车辆的车牌号不一致，则取出车牌号相似度最大的两帧图像进行配对，作为相邻帧；
标记模块：分别获取相邻帧中目标车辆的两组不同车牌号，然后识别出两者之间的不一致处，将不一致处的车牌字符元素以特殊标记字符替代，然后输出带有特殊标记字符的车牌号；
联网查询模块：将带有特殊标记字符的车牌号输入到车辆联网信息当中，在车辆联网信息中将除特殊标记字符之外的其他车牌号字符元素进行查询，并结合轮廓信息获取模块中获取的目标车辆轮廓信息，确定目标车辆在车辆联网信息中存储的信息记录，获取目标车辆的车牌号信息。
作为本发明一种优选的技术方案，车辆轮廓信息包括车辆的颜色、车辆大小和车辆类型信息。
作为本发明一种优选的技术方案，所述的数据集构建模块中，剔除清晰度未达标的抓拍图像帧的方法为：预先设定清晰度阈值，然后将含有目标车辆的多帧抓拍图像逐帧进行清晰度评价检测，若抓拍图像帧的清晰度低于清晰度阈值，则剔除该抓拍图像帧。
作为本发明一种优选的技术方案，所述的一致性检验模块中，所述车牌号相似度最大的两帧图像判断方法为：
S41：两两比对所有抓拍图像帧中目标车辆的车牌号，计算任意两个车牌号之间相同的车牌字符元素数量；
S42：以车牌字符元素相同数量最多的两个车牌号所对应的两帧抓拍图像，作为车牌号相似度最大的两帧图像。
作为本发明一种优选的技术方案，所述的联网查询模块中，目标车辆的车牌号信息获取方法为：
S61：将带有特殊标记字符的车牌号输入到存储有所有车辆车牌号的车辆联网信息当中，在车辆联网信息中将除特殊标记字符之外的其他车牌号字符元素进行模糊查询，返回车牌号中除特殊标记字符之外的其他车牌号字符元素与输入相同的车辆查询结果；
S62：从模糊查询的车辆查询结果中，以轮廓信息获取模块中获取的目标车辆轮廓信息为查询条件，进一步进行精确查询，若模糊查询结果中存在某一车辆的轮廓信息与轮廓信息获取模块中获取的目标车辆轮廓信息一致，则确定该车辆为目标车辆；
S63：获取目标车辆在车辆联网信息中存储的车牌信息，得到目标车辆的车牌号信息。
本发明的另一目的在于提供一种电子设备，其特包括如前述任一方案所述的基于卷积神经网络的车牌校准识别系统。
与现有技术相比，本发明的有益效果是：
将相邻帧的车牌号识别结果进行比对，对相邻帧图像的车牌号各自进行识别，若相邻帧车牌号结果不一致，识别出不一致处，并输出各自结果；将不一致处的符号定义为特殊符号，并打上标记，输入到联网信息当中；在联网信息中将除特殊符号的其他相同符号进行查询，结合一开始识别该车辆的轮廓信息确定最终的车牌号信息，得到车牌一致性结果。本发明的方法即使遇到车辆很快的情况，能够对图像进行清晰化选取，从而得到最优的图像来识别出正确的车牌号，另外，如果连续图像当中的车牌被识别出不同的结果，结合卷积神经网络对车辆的轮廓信息进行联网查询，可以有效避免车牌识别出错。
附图说明
图1为本发明方法流程示意图；
图2为本发明剔除清晰度未达标的抓拍图像帧的方法流程示意图；
图3为本发明目标车辆的车牌号信息获取方法流程示意图；
图4为车辆轮廓识别的神经网络示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
请参阅图1至图3，本发明提供一种技术方案：一种基于卷积神经网络的车牌校准识别方法，其步骤如下：
S1:采用CNN网络对含有目标车辆的电子设备抓拍图像进行处理，得到抓拍图像中不同车辆的轮廓信息。
其中，车辆轮廓信息包括车辆的颜色、车辆大小和车辆类型信息。这些信息可以由经过训练的CNN神经网络进行提取。由于车管所等部门掌握的车辆联网信息中一般都存储有这些相关信息，因此这些轮廓信息可以用于后续的精确查询。
S2：针对S1中已获取到轮廓信息的目标车辆，在电子设备的后续抓拍图像中获取含有目标车辆的多帧抓拍图像，剔除清晰度未达标的抓拍图像帧后将剩余抓拍图像帧按序排列，作为该目标车辆的车牌识别数据集。
电子设备的抓拍一般是连续的视频或者图像形式，因此当获取到一辆新的目标车辆轮廓后，可以根据该轮廓查找后续的图像帧，获取含有目标车辆的多帧抓拍图像。一般车速较快时，能够获取到的图像帧有限，因此可以提取出所有的含有目标车辆的抓拍图像帧，进行后续的清晰度检测。
其中，剔除清晰度未达标的抓拍图像帧的方法为：预先设定清晰度阈值，然后将含有目标车辆的多帧抓拍图像逐帧进行清晰度评价检测，若抓拍图像帧的清晰度低于清晰度阈值，则剔除该抓拍图像帧。清晰度评价检测算法可以采用现有技术中的任何算法实现，不做限定。其中清晰阈值可以根据人眼适应性调节；选择好清晰阈值时，首次自动设置，依据人工调节清晰阈值可变化。
S3：在目标车辆的车牌识别数据集中，依次将每一帧抓拍图像输入卷积神经网络中，对图像中目标车辆的车牌号进行识别。
在图像中，可以根据前期的轮廓信息找到目标车辆所在位置，然后进行车牌识别。需要说明的是，卷积神经网络需要预先经过训练，具体的神经网络结构和训练方法不限，现有技术中存在大量的实现方法，只要能够实现车牌识别即可。
S4：将不同的抓拍图像帧中目标车辆的车牌号识别结果进行一致性检验；若不同抓拍图像帧中目标车辆的车牌号一致，则输出该目标车辆的车牌号信息；若不同抓拍图像帧中目标车辆的车牌号不一致，则取出车牌号相似度最大的两帧图像进行配对，作为相邻帧。
其中，车牌号相似度最大的两帧图像判断方法为：
S41：两两比对所有抓拍图像帧中目标车辆的车牌号，计算任意两个车牌号之间相同的车牌字符元素数量。需要说明的是，车牌号是由一串车牌字符元素组成的，因此此处所说的车牌字符元素相同应当即满足字符相同，也满足字符在车牌号中的位置相同。
S42：以车牌字符元素相同数量最多的两个车牌号所对应的两帧抓拍图像，作为车牌号相似度最大的两帧图像。
S5：分别获取相邻帧中目标车辆的两组不同车牌号，然后识别出两者之间的不一致处，将不一致处的车牌字符元素以特殊标记字符替代，然后输出带有特殊标记字符的车牌号；
例如，有两帧抓拍图像中的目标车辆车牌号识别结果分别为12345678和12346578，那么前面1234和后两位78是一致的车牌字符元素，这两帧图像记为相邻帧。以“*”作为特殊标记字符替代不一致的元素，因此这组车牌号数据可以输出表示为1234**78，将1234**78输入到联网信息中进行模糊查询。
S6：将带有特殊标记字符的车牌号输入到车辆联网信息当中，在车辆联网信息中将除特殊标记字符之外的其他车牌号字符元素进行查询，并结合S1中获取的目标车辆轮廓信息，确定目标车辆在车辆联网信息中存储的信息记录，获取目标车辆的车牌号信息。
其中，目标车辆的车牌号信息获取方法为：
S61：将带有特殊标记字符的车牌号输入到存储有所有车辆车牌号的车辆联网信息当中，在车辆联网信息中将除特殊标记字符之外的其他车牌号字符元素进行模糊查询，返回车牌号中除特殊标记字符之外的其他车牌号字符元素与输入相同的车辆查询结果；
S62：从模糊查询的车辆查询结果中，以S1中获取的目标车辆轮廓信息为查询条件，进一步进行精确查询，若模糊查询结果中存在某一车辆的轮廓信息与S1中获取的目标车辆轮廓信息一致，则确定该车辆为目标车辆；
S63：获取目标车辆在车辆联网信息中存储的车牌信息，得到目标车辆的车牌号信息。
在本发明中，针对车辆的轮廓信息和车牌号信息的识别过程均是采用卷积神经网络进行训练得到，卷积神经网络也就是CNN网络，将获取所述将处理的图像信息与训练好的图像数据进行比对的比对结果，对车轮的轮廓与车轮车牌进行识别输出结果，与其它神经网络算法类似，由于使用梯度下降进行学习，卷积神经网络的输入特征需要进行标准化处理。具体地，在将学习数据输入卷积神经网络前，需在通道或时间/频率维对输入数据进行归一化，若输入数据为像素，也可将分布于[0，255]的原始像素值归一化至[0，1]区间，对获取的图像获取后，采用多层网络进行监督学习，判断其分类结果于预设值的差异，
卷积核在工作时，会有规律地扫过输入特征，输入特征，对输入特征做矩阵元素乘法求和并叠加偏差量：
Figure BDA0002206223190000101
Figure BDA0002206223190000102
式中的求和部分等价于求解一次交叉相关(cross-correlation)。b为偏差量，Zl和Zl+1表第l+1层的卷积输入和输出，也被称为特征图(feature map)，Ll+1为Zl+1的尺寸，这里假设特征图长宽相同。z(i，j)对应特征图的像素，K为特征图的通道数，f、s0和P是卷积层参数，应卷积核大小、卷积步长(stride)和填充(padding)层数；
以车辆轮廓识别为例，如图4所示CNN算法将车辆的图像输入至网络当中，采用卷积的方式对车辆的边缘图像进行获取和识别，判断车辆的轮廓信息，其中包括车辆的颜色、大小和与车辆对应的型号，比如可以识别出一辆车是小车，颜色是红色，小轿车类型；一辆车是大车，白色，是卡车类型；一辆车是中等大小车、灰色、面包车类型。
第一次卷积可以提取出低层次的特征。
第二次卷积可以提取出中层次的特征。
第三次卷积可以提取出高层次的特征。
特征是不断进行提取和压缩的，最终能得到比较高层次特征，简言之就是对原式特征一步又一步的浓缩，最终得到的特征更可靠。利用最后一层特征可以做各种任务：比如分类、回归等。
对车牌号的识别时，也可以将图像转换为灰度图，然后进行二值化、去噪等处理后，输入经过训练的CNN网络，得到各个不同帧图像的车牌信息。具体的算法不做展开介绍，可以采用现有技术实现。
本发明通过结合一开始识别该车辆的轮廓信息确定最终的车牌号信息，遇到车辆很快的情况，能够对图像进行清晰化选取，从而得到最优的图像来识别出正确的车牌号，另外，如果连续图像当中的车牌被识别出不同的结果，结合卷积神经网络对车辆的轮廓信息进行联网查询，可以有效避免车牌识别出错，得到车牌一致性结果。
基于上述识别方法，还可以提供一种基于卷积神经网络的车牌校准识别系统，其包括：
轮廓信息获取模块:采用CNN网络对含有目标车辆的电子设备抓拍图像进行处理，得到抓拍图像中不同车辆的轮廓信息；优选的，车辆轮廓信息包括车辆的颜色、车辆大小和车辆类型信息；
数据集构建模块：针对轮廓信息获取模块中已获取到轮廓信息的目标车辆，在电子设备的后续抓拍视频中获取含有目标车辆的多帧抓拍图像，剔除清晰度未达标的抓拍图像帧后将剩余抓拍图像帧按序排列，作为该目标车辆的车牌识别数据集；
车牌号识别模块：在目标车辆的车牌识别数据集中，依次将每一帧抓拍图像输入卷积神经网络中，对图像中目标车辆的车牌号进行识别；
一致性检验模块：将不同的抓拍图像帧中目标车辆的车牌号识别结果进行一致性检验；若不同抓拍图像帧中目标车辆的车牌号一致，则输出该目标车辆的车牌号信息；若不同抓拍图像帧中目标车辆的车牌号不一致，则取出车牌号相似度最大的两帧图像进行配对，作为相邻帧；
标记模块：分别获取相邻帧中目标车辆的两组不同车牌号，然后识别出两者之间的不一致处，将不一致处的车牌字符元素以特殊标记字符替代，然后输出带有特殊标记字符的车牌号；
联网查询模块：将带有特殊标记字符的车牌号输入到车辆联网信息当中，在车辆联网信息中将除特殊标记字符之外的其他车牌号字符元素进行查询，并结合轮廓信息获取模块中获取的目标车辆轮廓信息，确定目标车辆在车辆联网信息中存储的信息记录，获取目标车辆的车牌号信息。
优选的，数据集构建模块中，剔除清晰度未达标的抓拍图像帧的方法为：预先设定清晰度阈值，然后将含有目标车辆的多帧抓拍图像逐帧进行清晰度评价检测，若抓拍图像帧的清晰度低于清晰度阈值，则剔除该抓拍图像帧。
优选的，一致性检验模块中，所述车牌号相似度最大的两帧图像判断方法为：
S41：两两比对所有抓拍图像帧中目标车辆的车牌号，计算任意两个车牌号之间相同的车牌字符元素数量；
S42：以车牌字符元素相同数量最多的两个车牌号所对应的两帧抓拍图像，作为车牌号相似度最大的两帧图像。
优选的，联网查询模块中，目标车辆的车牌号信息获取方法为：
S61：将带有特殊标记字符的车牌号输入到存储有所有车辆车牌号的车辆联网信息当中，在车辆联网信息中将除特殊标记字符之外的其他车牌号字符元素进行模糊查询，返回车牌号中除特殊标记字符之外的其他车牌号字符元素与输入相同的车辆查询结果；
S62：从模糊查询的车辆查询结果中，以轮廓信息获取模块中获取的目标车辆轮廓信息为查询条件，进一步进行精确查询，若模糊查询结果中存在某一车辆的轮廓信息与轮廓信息获取模块中获取的目标车辆轮廓信息一致，则确定该车辆为目标车辆；
S63：获取目标车辆在车辆联网信息中存储的车牌信息，得到目标车辆的车牌号信息。
另外，基于上述系统，还可以提供一种电子设备，该电子设备可集成前述的基于卷积神经网络的车牌校准识别系统。当然，电子设备中同样需要集成其他必要的组件和设备，以实现一个能对其车牌进行自动校准识别的自动化设备。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于卷积神经网络的车牌校准识别方法，其特征在于,步骤如下：
S1:采用CNN网络对含有目标车辆的电子设备抓拍图像进行处理，得到抓拍图像中不同车辆的轮廓信息；
S2：针对S1中已获取到轮廓信息的目标车辆，在电子设备的后续抓拍图像中获取含有目标车辆的多帧抓拍图像，剔除清晰度未达标的抓拍图像帧后将剩余抓拍图像帧按序排列，作为该目标车辆的车牌识别数据集；
S3：在目标车辆的车牌识别数据集中，依次将每一帧抓拍图像输入卷积神经网络中，对图像中目标车辆的车牌号进行识别；
S4：将不同的抓拍图像帧中目标车辆的车牌号识别结果进行一致性检验；若不同抓拍图像帧中目标车辆的车牌号一致，则输出该目标车辆的车牌号信息；若不同抓拍图像帧中目标车辆的车牌号不一致，则取出车牌号相似度最大的两帧图像进行配对，作为相邻帧；
S5：分别获取相邻帧中目标车辆的两组不同车牌号，然后识别出两者之间的不一致处，将不一致处的车牌字符元素以特殊标记字符替代，然后输出带有特殊标记字符的车牌号；
S6：将带有特殊标记字符的车牌号输入到车辆联网信息当中，在车辆联网信息中将除特殊标记字符之外的其他车牌号字符元素进行查询，并结合S1中获取的目标车辆轮廓信息，确定目标车辆在车辆联网信息中存储的信息记录，获取目标车辆的车牌号信息。
2.根据权利要求1所述的一种基于卷积神经网络的车牌校准识别方法，其特征在于：所述的S1中，车辆轮廓信息包括车辆的颜色、车辆大小和车辆类型信息。
3.根据权利要求1所述的一种基于卷积神经网络的车牌校准识别方法，其特征在于：所述的S2中，剔除清晰度未达标的抓拍图像帧的方法为：预先设定清晰度阈值，然后将含有目标车辆的多帧抓拍图像逐帧进行清晰度评价检测，若抓拍图像帧的清晰度低于清晰度阈值，则剔除该抓拍图像帧。
4.根据权利要求1所述的一种基于卷积神经网络的车牌校准识别方法，其特征在于：所述的S4中，所述车牌号相似度最大的两帧图像判断方法为：
S41：两两比对所有抓拍图像帧中目标车辆的车牌号，计算任意两个车牌号之间相同的车牌字符元素数量；
S42：以车牌字符元素相同数量最多的两个车牌号所对应的两帧抓拍图像，作为车牌号相似度最大的两帧图像。
5.根据权利要求1所述的一种基于卷积神经网络的车牌校准识别方法，其特征在于：所述的S6中，目标车辆的车牌号信息获取方法为：
S61：将带有特殊标记字符的车牌号输入到存储有所有车辆车牌号的车辆联网信息当中，在车辆联网信息中将除特殊标记字符之外的其他车牌号字符元素进行模糊查询，返回车牌号中除特殊标记字符之外的其他车牌号字符元素与输入相同的车辆查询结果；
S62：从模糊查询的车辆查询结果中，以S1中获取的目标车辆轮廓信息为查询条件，进一步进行精确查询，若模糊查询结果中存在某一车辆的轮廓信息与S1中获取的目标车辆轮廓信息一致，则确定该车辆为目标车辆；
S63：获取目标车辆在车辆联网信息中存储的车牌信息，得到目标车辆的车牌号信息。
6.一种基于卷积神经网络的车牌校准识别系统，其特征在于,包括：
轮廓信息获取模块:采用CNN网络对含有目标车辆的电子设备抓拍图像进行处理，得到抓拍图像中不同车辆的轮廓信息；优选的，车辆轮廓信息包括车辆的颜色、车辆大小和车辆类型信息；
数据集构建模块：针对轮廓信息获取模块中已获取到轮廓信息的目标车辆，在电子设备的后续抓拍图像中获取含有目标车辆的多帧抓拍图像，剔除清晰度未达标的抓拍图像帧后将剩余抓拍图像帧按序排列，作为该目标车辆的车牌识别数据集；
车牌号识别模块：在目标车辆的车牌识别数据集中，依次将每一帧抓拍图像输入卷积神经网络中，对图像中目标车辆的车牌号进行识别；
一致性检验模块：将不同的抓拍图像帧中目标车辆的车牌号识别结果进行一致性检验；若不同抓拍图像帧中目标车辆的车牌号一致，则输出该目标车辆的车牌号信息；若不同抓拍图像帧中目标车辆的车牌号不一致，则取出车牌号相似度最大的两帧图像进行配对，作为相邻帧；
标记模块：分别获取相邻帧中目标车辆的两组不同车牌号，然后识别出两者之间的不一致处，将不一致处的车牌字符元素以特殊标记字符替代，然后输出带有特殊标记字符的车牌号；
联网查询模块：将带有特殊标记字符的车牌号输入到车辆联网信息当中，在车辆联网信息中将除特殊标记字符之外的其他车牌号字符元素进行查询，并结合轮廓信息获取模块中获取的目标车辆轮廓信息，确定目标车辆在车辆联网信息中存储的信息记录，获取目标车辆的车牌号信息。
7.根据权利要求6所述的一种基于卷积神经网络的车牌校准识别方法，其特征在于：所述的数据集构建模块中，剔除清晰度未达标的抓拍图像帧的方法为：预先设定清晰度阈值，然后将含有目标车辆的多帧抓拍图像逐帧进行清晰度评价检测，若抓拍图像帧的清晰度低于清晰度阈值，则剔除该抓拍图像帧。
8.根据权利要求6所述的一种基于卷积神经网络的车牌校准识别方法，其特征在于：所述的一致性检验模块中，所述车牌号相似度最大的两帧图像判断方法为：
S41：两两比对所有抓拍图像帧中目标车辆的车牌号，计算任意两个车牌号之间相同的车牌字符元素数量；
S42：以车牌字符元素相同数量最多的两个车牌号所对应的两帧抓拍图像，作为车牌号相似度最大的两帧图像。
9.根据权利要求6所述的一种基于卷积神经网络的车牌校准识别方法，其特征在于：所述的联网查询模块中，目标车辆的车牌号信息获取方法为：
S61：将带有特殊标记字符的车牌号输入到存储有所有车辆车牌号的车辆联网信息当中，在车辆联网信息中将除特殊标记字符之外的其他车牌号字符元素进行模糊查询，返回车牌号中除特殊标记字符之外的其他车牌号字符元素与输入相同的车辆查询结果；
S62：从模糊查询的车辆查询结果中，以轮廓信息获取模块中获取的目标车辆轮廓信息为查询条件，进一步进行精确查询，若模糊查询结果中存在某一车辆的轮廓信息与轮廓信息获取模块中获取的目标车辆轮廓信息一致，则确定该车辆为目标车辆；
S63：获取目标车辆在车辆联网信息中存储的车牌信息，得到目标车辆的车牌号信息。
10.一种电子设备，其特征在于，包括如权利要求6-9中任一所述的基于卷积神经网络的车牌校准识别系统。
CN201910882245.4A 2019-09-18 2019-09-18 一种基于卷积神经网络的车牌校准识别方法、系统及电子设备 Withdrawn CN110674820A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910882245.4A CN110674820A (zh) 2019-09-18 2019-09-18 一种基于卷积神经网络的车牌校准识别方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910882245.4A CN110674820A (zh) 2019-09-18 2019-09-18 一种基于卷积神经网络的车牌校准识别方法、系统及电子设备

Publications (1)

Publication Number Publication Date
CN110674820A true CN110674820A (zh) 2020-01-10

Family

ID=69076774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910882245.4A Withdrawn CN110674820A (zh) 2019-09-18 2019-09-18 一种基于卷积神经网络的车牌校准识别方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN110674820A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310698A (zh) * 2020-02-26 2020-06-19 北京停简单信息技术有限公司 车牌识别的方法、装置及巡检车

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310698A (zh) * 2020-02-26 2020-06-19 北京停简单信息技术有限公司 车牌识别的方法、装置及巡检车

Similar Documents

Publication Publication Date Title
CN108596277B (zh) 一种车辆身份识别方法、装置和存储介质
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN108268867B (zh) 一种车牌定位方法及装置
Comelli et al. Optical recognition of motor vehicle license plates
CN111126224A (zh) 车辆检测方法及分类识别模型训练方法
CN109447069A (zh) 面向智能终端的车辆信息采集识别方法及系统
CN111291812B (zh) 属性类别的获取方法及装置、存储介质、电子装置
CN108830254B (zh) 一种基于数据均衡策略和密集注意网络的细粒度车型检测与识别方法
CN109840523A (zh) 一种基于图像处理的城轨列车车号识别算法
Suvon et al. Real time bangla number plate recognition using computer vision and convolutional neural network
CN113971821A (zh) 驾驶员信息确定方法、装置、终端设备及存储介质
CN112115800A (zh) 一种基于深度学习目标检测的车辆组合识别系统及方法
Choudhury et al. A new zone based algorithm for detection of license plate from Indian vehicle
Pillai et al. Vehicle type and color classification and detection for amber and silver alert emergencies using machine learning
CN111444916A (zh) 面向无约束条件下的车牌定位及识别方法、系统
CN111723800A (zh) 一种基于卷积神经网络的车牌校准识别方法、系统及电子设备
CN116524725B (zh) 一种智能驾驶的交通标志图像数据识别系统
Nguwi et al. Number plate recognition in noisy image
CN110674820A (zh) 一种基于卷积神经网络的车牌校准识别方法、系统及电子设备
CN113011408A (zh) 多帧图片序列的字符识别、车辆识别码识别方法及系统
CN116778460A (zh) 一种基于图像识别的疲劳驾驶识别方法
CN112560714A (zh) 基于人工智能的酒驾检测方法、装置、服务器及存储介质
CN101882219A (zh) 图像辨识以及输出方法及其系统
Ktata et al. License plate detection using mathematical morphology
Amin et al. An automatic number plate recognition of Bangladeshi vehicles

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200110