CN110705541A - 一种车牌的精确定位方法及装置、计算机可读存储介质 - Google Patents
一种车牌的精确定位方法及装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN110705541A CN110705541A CN201810752646.3A CN201810752646A CN110705541A CN 110705541 A CN110705541 A CN 110705541A CN 201810752646 A CN201810752646 A CN 201810752646A CN 110705541 A CN110705541 A CN 110705541A
- Authority
- CN
- China
- Prior art keywords
- feature
- license plate
- nth
- feature point
- image
- 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
Images
Classifications
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
本发明公开了一种车牌的精确定位方法,该方法包括:第n次获取特征点的位置;其中,特征点为车牌图像边缘两边相交的点;n为大于等于1且小于等于N的整数;N为最大执行次数并且为大于2的整数;基于第n次获取特征点的位置,选取车牌图像的局部区域图像并提取局部区域图像的图像特征,得到与第n次获取特征点的位置对应的特征向量;其中,局部区域图像为车牌图像的部分图像;基于第n特征向量,确定特征点的平移距离,并基于平移距离更新特征点的位置;其中,更新后的特征点的位置能够接近期望的特征点的位置,以使得车牌能够精确定位。本发明的实施例同时公开了一种车牌精确定位装置和计算机存储介质。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种车牌的精确定位方法及装置、计算机可读存储介质。
背景技术
目前,通过车牌识别来鉴定车辆的身份,用于实现大型的车辆管理功能。因此,车辆识别技术在大型停车场、商场、小区、高速公路电子收费等车辆登记场所、车辆管理场所,具有广阔的应用前景。车牌识别技术包括车牌定位和车牌识别两大部分,车牌定位是车牌识别的基础,车牌定位的准确性对整个车牌识别系统具有重要的影响。
车牌精确定位是针对初始定位后的车牌图像,排除多余的区域,获取字符区域图像的过程。在实际应用中,对车牌精确定位的相关技术通常采用车牌的颜色、形状等车牌的属性信息对车牌进行精确定位。但是,上述方法在采集图像分辨率较低,或者车牌收到污染、质量退化或变形的情况下,必然会导致无法精确定位、或者定位错误的问题。因此,亟待一种车牌精确定位的方法,解决上述定位失败、定位不准确或定位错误的问题。
发明内容
有鉴于此,本发明实施例提供一种车牌精确定位方法及装置、计算机可读存储介质,解决了现有技术中定位失败、定位不准确或者定位错误的问题。
为达到上述目的,本发明的技术方案是这样实现的:
第一方面,本发明实施例提供一种车牌的精确定位方法,所述方法包括:
第n次获取特征点的位置;其中,所述特征点为车牌图像边缘两边相交的点;n为大于等于1且小于等于N的整数;N为最大执行次数并且为大于2的整数;
基于所述第n次获取特征点的位置,选取所述车牌图像的局部区域图像并提取所述局部区域图像的图像特征,得到与所述第n次获取特征点的位置对应的特征向量;其中,所述局部区域图像为所述车牌图像的部分图像;
基于所述第n特征向量,确定所述特征点的平移距离,并基于所述平移距离更新所述特征点的位置;其中,所述更新后的特征点的位置能够接近期望的特征点的位置,以使得所述车牌能够精确定位。
第二方面,本发明实施例提供一种车牌精确定位装置,所述装置包括:
获取单元,用于第n次获取特征点的位置;其中,所述特征点为车牌图像边缘两边相交的点;n为大于等于1且小于等于N的整数;N为最大执行次数并且为大于2的整数;
特征提取单元,用于基于所述第n次获取特征点的位置,选取所述车牌图像的局部区域图像并提取所述局部区域图像的图像特征,得到与所述第n次获取特征点的位置对应的特征向量;其中,所述局部区域图像为所述车牌图像的部分图像;
处理单元,用于基于所述第n特征向量,确定所述特征点的平移距离,并基于所述平移距离更新所述特征点的位置;其中,所述更新后的特征点的位置能够接近期望的特征点的位置,以使得所述车牌能够精确定位。
第三方面,本发明实施例提供一种车牌精确定位装置,所述装置包括:处理器和配置为存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器配置为运行所述计算机程序时,执行第一方面所述方法的步骤。
第四方面,提供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存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现第一方面所述的信息识别方法的步骤。
本发明的实施例所提供的车牌的精确定位方法及装置、计算机可读存储介质,首先获取车牌图像的特征点的位置,基于该特征点的位置选取局部区域图像,提取该局部区域图像的图像特征得到特征向量后,根据特征向量得到特征点的平移距离,并基于该平移距离更新上述特征点的位置,进而得到下一次进行特征点调整时特征点的位置;如此,分N次调整并更新所述特征点的位置,对特征点的位置进行一步步的修正,因此,特征点经过N次调整更新后,可以得到车牌精确的位置;这样,在上述车牌精确定位的过程中,可以不依赖任何车牌的属性特征,避免了对异常车牌定位失败的情况;同时本发明实施例通过N次更新特征点的位置,对特征点的位置多次修正,能够对提高车牌定位的准确性;具有较强的可移植性和适用性。
附图说明
在附图(其不一定是按比例绘制的)中,相似的附图标记可在不同的视图中描述相似的部件。附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。
图1为本发明实施例提供的一种车牌的精确定位方法的流程示意图;
图2为本发明实施例提供的一种粗定位后的车牌图像示意图;
图3为本发明实施例提供的另一种车牌的精确定位方法的流程示意图;
图4为本发明实施提供的一种分割局部区域图像的示意图;
图5为本发明实施例提供的一种精确定位后的车牌图像示意图;
图6为本发明实施例提供的另一种精确定位后的车牌图像示意图;
图7为本发明实施例提供的车牌精确定位装置的结构组成示意图;
图8为本发明实施例提供的车牌精确定位装置的硬件结构组成示意图。
具体实施方式
为了能够更加详尽地了解本申请实施例的特点与技术内容,下面结合附图对本申请实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本发明实施例。
在车牌识别过程中,车牌的精确定位是针对粗定位后的车牌图像,排除多余区域,获取字符区域图像的过程,对车牌识别系统的识别精确度有重要的影响。车牌的精确定位依赖于车牌倾斜校正的结果,也就是说,车牌的精确定位是在车牌倾斜校正后进行的。
目前针对车牌精确定位的方案有多种,其中最常见的方案包括以下两种:
方案一:利用文字区域的纹理跳变情况求取车牌字符的上下边界,由于车牌的格式是统一且固定,因此根据上下边界的宽度进行滑窗处理,计算对应的宽度,选取字符最密集的区域作为精确定位的结果。
方案二:依赖车牌的颜色进行精确定位,具体地,由于车牌的颜色有蓝色、黄色、绿色三种固定的格式,依次对校正后的图像提取每种颜色的区域,认为提取区域最接近矩形的区域为车牌精确定位的区域。
以上对车牌精确定位的相关技术的方案中都是利用车牌的一定的属性信息,比如颜色、形状等信息来实现车牌的精确定位;若采集到的车牌图像分辨率较低,或者车牌受到污染、质量退化或变形的情况下,无法利用车牌的属性信息进行精确的定位,从而导致定位失败或者定位不准确的问题。为此,本发明实施例提供了一种车牌的精确定位的方法,能够在不依赖车牌属性信息的情况下,实现对车牌的精确定位。
下面结合附图及实施例对本发明再作进一步详细的描述。
本发明实施例提供一种车牌的精确定位方法,参照图1所示,该方法包括以下步骤:
步骤101、第n次获取特征点的位置。
其中,特征点为车牌图像边缘两边相交的点;n为大于等于1且小于等于N的整数;N为最大执行次数并且为大于2的整数。
在本发明的其他实施例中,步骤101第n次获取特征点的位置可以由车牌精确定位装置来实现;该车牌精确定位装置可以是能够进行图像采集的装置。在实际应用中,车牌精确定位装置可以通过摄像机或者照相机拍摄动态或者静态的汽车图像;接着该车牌精确定位装置对汽车图像中的车牌区域进行粗定位,将车牌图像从复杂的背景图像中提取出来,形成车牌图像的粗定位框,最后,基于粗定位框包括的图像进行车牌的精确定位。
在实际应用中,通常可以通过四个顶点来确定一个矩形,即通过四个顶点确定矩形的四条边;因此,在本实施例中,可以通过精确确定车牌的四个顶点的位置来实现车牌的精确定位;这里,特征点为车牌图像边缘两边相交的点;也就是说,特征点为矩形车牌图像中的四个顶点。
在本发明的其他实施例中,第1次获取的特征点的位置是基于粗定位后得到的粗定位框获得的;具体地,第1次获取的特征点的位置是车牌图像的粗定位框中四个顶点的位置,如图2所示,虚线为粗定位后形成的粗定位框,该粗定位框的四个顶点的位置可以为第1次获取的特征点的位置。车牌精确定位装置在第1次获取到特征点的位置后,根据一定的规则对该特征点进行调整和更新,使得该特征点逐渐接近期望的特征点的位置。那么,车牌精确定位装置第2次获取到的特征点的位置可以是调整并更新后的第1次获取的特征点的位置。以此类推,第i次获取的特征点的位置为在第i-1次获取特征点后对第i-1次获取的特征点进行调整后的位置;其中,i=2,3,…,N。
步骤102、基于第n次获取特征点的位置,选取车牌图像的局部区域图像并提取局部区域图像的图像特征,得到与第n次获取特征点的位置对应的特征向量。
其中,局部区域图像为车牌图像的部分图像。
在本发明的其他实施例中,步骤102基于第n次获取特征点的位置,选取车牌图像的局部区域图像并提取局部区域图像的图像特征,得到与第n次获取特征点的位置对应的特征向量可以由车牌精确定位装置来实现。
这里,基于第n次获取特征点的位置,选取车牌的局部区域图像可以包括:在第n次获取特征点的位置的附近,选取部分车牌图像作为局部区域图像;需要说明的是,该局部区域图像中包括所述第n次获取特征点。
进一步,基于上述选取的局部区域图像,提取该局部区域图像中的图像特征;其中,图像特征可以是方向梯度直方图(Histogram of Oriented Gradient,HOG)特征,或局部二值模式(Local Binary Pattern,LBP)特征,或尺度不变特征变换(Scale InvariantFeature Transform,SIFT)特征,或哈尔(Haar)特征等图像识别特征。通过提取图像特征后,能够得到与第n次获取特征点的位置对应的特征向量;第n特征向量可以表征第n次获取的特征点的位置周围图像的纹理特征。
步骤103、基于第n特征向量,确定特征点的平移距离,并基于平移距离更新特征点的位置。
其中,更新后的特征点的位置能够接近期望的特征点的位置,以使得车牌能够精确定位。
在本发明的其他实施例中,步骤103基于第n特征向量,确定特征点的平移距离,并基于平移距离更新特征点的位置可以由车牌精确定位装置来实现。这里,第n特征向量可以表征第n次获取的特征点的位置周围的纹理特征;通过分析第n次获取的特征点的位置周围的纹理特征,可以推断出当前特征点的位置与期望的特征点的位置之间的距离;其中,当前特征点的位置与期望的特征点位置之间的距离就可以理解为特征点的平移距离。
在实际应用中,当前特征点的位置与期望的特征点的位置之间的距离可以通过采集大量样本数据,基于深度学习算法建立图像的特征向量与平移距离之间对应关系的数据模型,进而根据该对应关系模型得到与当前特征点的位置对应的平移距离。
进一步,在确定了当前特征点的位置和平移距离后,将特征点按照该平移距离进行移动,得到更新后的特征点的位置。这里,对当前特征点的位置进行调整的过程,实质上就是对特征点的位置进行修正的过程,使得特征点的位置越来越接近实际车牌的顶点的位置。
在本发明的其他实施例中,将当前特征点的位置更新之后,重复执行步骤101~103,直至n=N。因此,本实施例可以理解为,分N次更新车牌图像中特征点的位置,逐渐修正特征点的位置的过程,也就是说,对特征点的位置进行了N次迭代,实现特征点的多级回归,使得特征点的位置逐渐接近期望的位置,进而达到车牌精确定位的目的。经过N次调整后的特征点的位置为特征点的精确位置,根据该精确位置,能够实现对车牌的精确定位;需要说明的是,这里N为经验值,可以根据实际需要进行调整。
本发明的实施例所提供的车牌的精确定位方法,首先获取车牌图像的特征点的位置,基于该特征点的位置选取局部区域图像,提取该局部区域图像的图像特征得到特征向量后,根据特征向量得到特征点的平移距离,并基于该平移距离更新上述特征点的位置,进而得到下一次进行特征点调整时特征点的位置;如此,分N次调整并更新所述特征点的位置,对特征点的位置进行一步步的修正,因此,特征点经过N次调整更新后,可以得到车牌精确的位置;这样,在上述车牌精确定位的过程中,可以不依赖任何车牌的属性特征,避免了对异常车牌定位失败的情况;同时本发明实施例通过N次更新特征点的位置,对特征点的位置多次修正,能够对提高车牌定位的准确性;具有较强的可移植性和适用性。
基于前述实施例,本发明的实施例提供一种车牌的精确定位方法,参照图3所示,该方法包括以下步骤:
步骤301、车牌精确定位装置第n次获取特征点的位置。
其中,特征点为车牌图像边缘两边相交的点;n为大于等于1且小于等于N的整数;N为最大执行次数并且为大于2的整数。
步骤302、车牌精确定位装置基于获取特征点的次数n,确定与获取特征点的次数n对应的选取比例。
步骤303、车牌精确定位装置基于第n选取比例和所述第n次获取特征点的位置,选取车牌图像的局部区域图像。
其中,局部区域图像为车牌图像的部分图像。
在本发明的其他实施例中,为了保证局部区域图像与整体车牌图像的尺度的统一,车牌精确定位装置在基于当前特征点的位置选取局部区域图像时,需要控制选取的局部区域图像的尺寸与当前特征点所在的位置包围的车牌图像的尺寸相适应;也就是说,选取的局部区域图像与当前特征点包围的车牌区域的尺寸成比例关系。
在本实施例中,选取局部区域图像时的选取比例可以是预先设定好的;并且,每一次选取局部区域图像时的选取比例不同。这里,每一次获取特征点的位置后,进行一次局部区域图像的选取;因此,每次选取局部区域图像时的选取比例与获取特征点的次数n具有对应关系。
经过上文中的分析,可知n代表迭代层级,迭代的层级越深,特征点的位置越接近实际车牌的顶点的位置;因此,随着迭代层级的加深,逐渐缩小选取的局部区域图像;这里,可以通过控制所述第n选取比例大于第n+1选取比例来实现。
示例性的,用Wn表征当前特征点的所在的位置包围的车牌图像的尺寸;用wn表征选取的局部区域图像的尺寸;其中,wn与Wn之间的关系可以通过以下公式表示:
wn=αnWn (1);
其中,αn代表当前的第n选取比例,αn的取值范围为[0,1],n代表当前的迭代层级。
步骤304、车牌精确定位装置提取局部区域图像的图像特征,得到与第n次获取特征点的位置对应的特征向量。
其中,以获取局部区域图像的HOG特征为例进行说明。
当选定局部区域图像后,对局部区域图像提取HOG特征,包括以下步骤:
A、梯度计算;对选取的局部区域图像进行梯度计算,即通过[-1,0,1]和[1,0,-1]T梯度算子计算局部区域图像中每个像素点的水平梯度和垂直梯度,得到每个像素的梯度方向和梯度大小。
B、将所述局部区域图像分割为若干个单元格;例如将选定的局部区域划分成4x4的检测窗口,如图4所示,将每个窗口细分为等大的单元细胞格;如图4中阴影部分为单元细胞格,大小为2x2。
C、选取方向通道;将0°-180°或者0°-360°平均分成n个方向通道;
D、直方图的获取;统计每个单元细胞格中的每个像素在通道中的个数,得到直方图;这里,直方图的横坐标为步骤C中选取的n个方向通道,直方图的纵坐标为属于某个方向通道的像素的梯度大小的累加和;将每个检测窗口中每个细胞单元格中的直方图拼接起来,最终得到一组特征向量,能够表征该局部区域图像整体的图像纹理特征。这里,该特征向量为第n次获取特征点的位置对应的特征向量。需要说明的是,将每个检测窗口中每个细胞单元格的直方图拼接起来可以是将每个细胞单元格直方图按顺时针或者逆时针拼接。
步骤305、车牌精确定位装置基于第n特征向量,获取与第n特征向量对应的权重值。
其中,在车牌精确定位装置中可以预先存储特征向量与权重值对应关系表;当获取到第n特征向量后,车牌精确定位装置从特征向量与权重值对应关系表中查找与第n特征向量对应的权重值。
在实际应用中,特征向量与权重值对应关系表可以通过以下步骤得到:
步骤3051、车牌精确定位装置获取至少一组历史样本数据。
其中,历史样本数据包括至少一组特征向量以及特征向量对应的初始位置和目标位置;初始位置为特征向量对应的特征点的最初的位置,目标位置为所述特征向量对应的特征点的精确位置;
步骤3052、车牌精确定位装置基于至少一组特征向量以及与特征向量对应的初始位置和目标位置,确定每组特征向量对应的权重值,得到特征向量与权重值对应关系表。
在本发明的其他实施例中,可以通过训练大量的样本数据,得到特征向量与权重值之间的对应关系。具体地,样本数据中包括特征向量对应的初始位置和目标位置,该目标位置可以理解为调整后的特征点的精确位置。根据历史样本数据中特征点的初始位置和目标位置,可以得到位置差值△x;一般情况下,初始位置和目标位置之间的位置差值越小,说明初始位置距离目标位置越近;因此,在数据训练的过程中,可以获取使得位置差值最小的权重值为最优权重值;具体地,可以通过以下公式可以得到特征向量对应的最优权重值:
其中,X为特征向量,δ为数据训练过程中为特征向量X分配的权重值,δ*为获取的与特征向量X对应的最优权重值。
通过上述方法,可以获得每一组样本数据中特征向量对应的最优权重值,并将每组的特征向量与最优权重值对应起来,生成特征向量与权重值对应关系表,保存至所述车牌精确定位装置的存储空间中,以便车牌精确定位装置进行读取。
步骤306、车牌精确定位装置基于第n特征向量以及与第n特征向量对应的权重值,得到特征点的平移距离。
在本实施例中,特征点的平移距离d可以通过以下公式得到:
d=δ**X (3);
其中,X为特征向量,δ*为获取的与特征向量X对应的最优权重值。
步骤307、车牌精确定位装置基于平移距离和特征点的位置,更新特征点的位置。
其中,在步骤306中获得了特征点的平移距离,将特征点按照该平移距离进行移动,得到更新后的特征点的位置。具体的,可以通过以下公式得到更新后的特征点的位置:
f(x,y)n+1=f(x,y)n+dn (4);
其中,f(x,y)n为第n次获取特征点的位置,dn为第n次获取特征点的位置对应的平移距离,f(x,y)n+1为更新后的特征点的位置。
在本发明的其他实施例中,将当前特征点的位置更新之后,重复执行步骤301~307,直至n=N。
本实施例分N次更新车牌图像中特征点的位置,逐渐修正特征点的位置,也就是说,对特征点的位置进行了N次迭代,实现特征点的多级回归,使得特征点的位置逐渐接近期望的位置,进而达到车牌精确定位的目的。其中,N越大,得到的最终特征点的位置就越接近实际车牌顶点的位置,如图5和图6所示,图5为本发明实施例中进行一次迭代时,即n=1时,特征点所在的位置;其中,图5中黑色的点为特征点的位置。图6为本发明实施例进行五次迭代时,即n=5时,特征点所在的位置。明显可以看出,随着迭代层级的加深,特征点的位置就越接近实际车牌顶点的位置。
进一步,步骤307之后还可以包括以下步骤:
步骤308、车牌精确定位装置获取第n次获取特征点的位置以及更新后特征点的位置。
步骤309、车牌精确定位装置基于第n特征向量、第n次获取特征点的位置和更新后特征点的位置,更新特征向量与权重值的对应关系。
在本发明的其他实施例中,在步骤307执行完成后,可以获得更新后的特征点的位置;于是,根据更新前特征点的位置和更新后特征点的位置,得到位置差值,同时,第n特征向量也是已知的;因此,以上数据可以得到一组样本数据,根据该组样本数据可以对特征向量与权重值的对应关系进行更新,使得特征向量与权重值的对应关系更接近实际的情况,更能够表征真实的情况。
需要说明的是,本实施例中与其他实施例中相同或相关步骤的解释可以参照其他实施例中的描述,此处不再赘述。
本发明的实施例所提供的车牌的精确定位方法,首先获取车牌图像的特征点的位置,基于该特征点的位置选取局部区域图像,提取该局部区域图像的图像特征得到特征向量后,根据特征向量得到特征点的平移距离,并基于该平移距离更新上述特征点的位置,进而得到下一次进行特征点调整时特征点的位置;如此,分N次调整并更新所述特征点的位置,对特征点的位置进行一步步的修正,因此,特征点经过N次调整更新后,可以得到车牌精确的位置;这样,在上述车牌精确定位的过程中,可以不依赖任何车牌的属性特征,避免了对异常车牌定位失败的情况;同时本发明实施例通过N次更新特征点的位置,对特征点的位置多次修正,能够对提高车牌定位的准确性;具有较强的可移植性和适用性。
为实现本发明实施例的方法,本发明实施例还提供了一种车牌精确定位装置,如图7所示,所述装置包括:
获取单元71,用于第n次获取特征点的位置;其中,所述特征点为车牌图像边缘两边相交的点;n为大于等于1且小于等于N的整数;N为最大执行次数并且为大于2的整数;
特征提取单元72,用于基于所述第n次获取特征点的位置,选取所述车牌图像的局部区域图像并提取所述局部区域图像的图像特征,得到与所述第n次获取特征点的位置对应的特征向量;其中,所述局部区域图像为所述车牌图像的部分图像;
处理单元73,用于基于所述第n特征向量,确定所述特征点的平移距离,并基于所述平移距离更新所述特征点的位置;其中,所述更新后的特征点的位置能够接近期望的特征点的位置,以使得所述车牌能够精确定位。
在一些实施例中,所述特征提取单元72,还用于基于获取特征点的次数n,确定与所述获取特征点的次数n对应的选取比例;基于所述第n选取比例和所述第n次获取特征点的位置,选取所述车牌图像的局部区域图像。
在一些实施例中,所述特征提取单元72,用于控制所述第n选取比例大于第n+1选取比例。
在一些实施例中,所述处理单元73,具体用于基于所述第n特征向量,获取与所述第n特征向量对应的权重值;基于所述第n特征向量以及与所述第n特征向量对应的权重值,得到所述特征点的平移距离;基于所述平移距离和所述特征点的位置,更新所述特征点的位置。
在一些实施例中,所述处理单元73,还用于获取至少一组历史样本数据;其中,历史样本数据包括至少一组特征向量以及所述特征向量对应的初始位置和目标位置;所述初始位置为所述特征向量对应的特征点的最初的位置,所述目标位置为所述特征向量对应的特征点的精确位置;基于所述至少一组特征向量以及与所述特征向量对应的初始位置和目标位置,确定每组特征向量对应的权重值,得到特征向量与权重值对应关系表。
在一些实施例中,所述处理单元73,还用于获取第n次获取特征点的位置以及更新后特征点的位置;基于所述第n特征向量、第n次获取特征点的位置和更新后特征点的位置,更新特征向量与权重值的对应关系。
本发明的实施例所提供的车牌的精确定位装置,首先获取车牌图像的特征点的位置,基于该特征点的位置选取局部区域图像,提取该局部区域图像的图像特征得到特征向量后,根据特征向量得到特征点的平移距离,并基于该平移距离更新上述特征点的位置,进而得到下一次进行特征点调整时特征点的位置;如此,分N次调整并更新所述特征点的位置,对特征点的位置进行一步步的修正,因此,特征点经过N次调整更新后,可以得到车牌精确的位置;这样,在上述车牌精确定位的过程中,可以不依赖任何车牌的属性特征,避免了对异常车牌定位失败的情况;同时本发明实施例通过N次更新特征点的位置,对特征点的位置多次修正,能够对提高车牌定位的准确性;具有较强的可移植性和适用性。
基于上述车牌精确定位装置中各单元的硬件实现,为了实现本发明实施例提供的车牌的精确定位方法,本发明实施例还提供了一种车牌精确定位装置,如图8所示,所述车牌精确定位装置80包括:处理器81和配置为存储能够在处理器上运行的计算机程序的存储器82,
其中,所述处理器81配置为运行所述计算机程序时,执行前述实施例中的方法步骤。
在示例性实施例中,本发明实施例还提供了一种计算机可读存储介质,例如包括计算机程序的存储器82,上述计算机程序可由车牌精确定位装置80的处理器81执行,以完成前述方法所述步骤。计算机可读存储介质可以是磁性随机存取存储器(FRAM,ferromagnetic random access memory)、只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM,Electrically Erasable Programmable Read-Only Memory)、快闪存储器(FlashMemory)、磁表面存储器、光盘、或只读光盘(CD-ROM,Compact Disc Read-Only Memory)等存储器。
本发明是参照根据本发明实施例的方法、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特定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。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (14)
1.一种车牌的精确定位方法,其特征在于,所述方法包括:
第n次获取特征点的位置;其中,所述特征点为车牌图像边缘两边相交的点;n为大于等于1且小于等于N的整数;N为最大执行次数并且为大于2的整数;
基于所述第n次获取特征点的位置,选取所述车牌图像的局部区域图像并提取所述局部区域图像的图像特征,得到与所述第n次获取特征点的位置对应的特征向量;其中,所述局部区域图像为所述车牌图像的部分图像;
基于所述第n特征向量,确定所述特征点的平移距离,并基于所述平移距离更新所述特征点的位置;其中,所述更新后的特征点的位置能够接近期望的特征点的位置,以使得所述车牌能够精确定位。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第n次获取特征点的位置,选取所述车牌图像的局部区域图像,包括:
基于获取特征点的次数n,确定与所述获取特征点的次数n对应的选取比例;
基于所述第n选取比例和所述第n次获取特征点的位置,选取所述车牌图像的局部区域图像。
3.根据权利要求2所述的方法,其特征在于,
控制所述第n选取比例大于第n+1选取比例。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第n特征向量,确定所述特征点的平移距离,并基于所述平移距离更新所述特征点的位置,包括:
基于所述第n特征向量,获取与所述第n特征向量对应的权重值;
基于所述第n特征向量以及与所述第n特征向量对应的权重值,得到所述特征点的平移距离;
基于所述平移距离和所述特征点的位置,更新所述特征点的位置。
5.根据权利要求4所述的方法,其特征在于,所述基于所述第n特征向量,获取与所述第n特征向量对应的权重值之前,还包括:
获取至少一组历史样本数据;其中,历史样本数据包括至少一组特征向量以及所述特征向量对应的初始位置和目标位置;所述初始位置为所述特征向量对应的特征点的最初的位置,所述目标位置为所述特征向量对应的特征点的精确位置;
基于所述至少一组特征向量以及与所述特征向量对应的初始位置和目标位置,确定每组特征向量对应的权重值,得到特征向量与权重值对应关系表。
6.根据权利要求4或5所述的方法,其特征在于,所述方法还包括:
获取第n次获取特征点的位置以及更新后特征点的位置;
基于所述第n特征向量、第n次获取特征点的位置和更新后特征点的位置,更新特征向量与权重值的对应关系。
7.一种车牌精确定位装置,其特征在于,所述装置包括:
获取单元,用于第n次获取特征点的位置;其中,所述特征点为车牌图像边缘两边相交的点;n为大于等于1且小于等于N的整数;N为最大执行次数并且为大于2的整数;
特征提取单元,用于基于所述第n次获取特征点的位置,选取所述车牌图像的局部区域图像并提取所述局部区域图像的图像特征,得到与所述第n次获取特征点的位置对应的特征向量;其中,所述局部区域图像为所述车牌图像的部分图像;
处理单元,用于基于所述第n特征向量,确定所述特征点的平移距离,并基于所述平移距离更新所述特征点的位置;其中,所述更新后的特征点的位置能够接近期望的特征点的位置,以使得所述车牌能够精确定位。
8.根据权利要求7所述的装置,其特征在于:
所述特征提取单元,还用于基于获取特征点的次数n,确定与所述获取特征点的次数n对应的选取比例;基于所述第n选取比例和所述第n次获取特征点的位置,选取所述车牌图像的局部区域图像。
9.根据权利要求8所述的装置,其特征在于:
所述特征提取单元,用于控制所述第n选取比例大于第n+1选取比例。
10.根据权利要求7所述的装置,其特征在于:
所述处理单元,具体用于基于所述第n特征向量,获取与所述第n特征向量对应的权重值;基于所述第n特征向量以及与所述第n特征向量对应的权重值,得到所述特征点的平移距离;基于所述平移距离和所述特征点的位置,更新所述特征点的位置。
11.根据权利要求10所述的装置,其特征在于:
所述处理单元,还用于获取至少一组历史样本数据;其中,历史样本数据包括至少一组特征向量以及所述特征向量对应的初始位置和目标位置;所述初始位置为所述特征向量对应的特征点的最初的位置,所述目标位置为所述特征向量对应的特征点的精确位置;基于所述至少一组特征向量以及与所述特征向量对应的初始位置和目标位置,确定每组特征向量对应的权重值,得到特征向量与权重值对应关系表。
12.根据权利要求10或11所述的装置,其特征在于:
所述处理单元,还用于获取第n次获取特征点的位置以及更新后特征点的位置;基于所述第n特征向量、第n次获取特征点的位置和更新后特征点的位置,更新特征向量与权重值的对应关系。
13.一种车牌精确定位装置,所述装置包括:处理器和配置为存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器配置为运行所述计算机程序时,执行权利要求1至6任一项所述方法的步骤。
14.一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存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至6中任一项所述的车牌的精确定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810752646.3A CN110705541B (zh) | 2018-07-10 | 2018-07-10 | 一种车牌的精确定位方法及装置、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810752646.3A CN110705541B (zh) | 2018-07-10 | 2018-07-10 | 一种车牌的精确定位方法及装置、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705541A true CN110705541A (zh) | 2020-01-17 |
CN110705541B CN110705541B (zh) | 2022-06-03 |
Family
ID=69192549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810752646.3A Active CN110705541B (zh) | 2018-07-10 | 2018-07-10 | 一种车牌的精确定位方法及装置、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705541B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447490A (zh) * | 2015-11-19 | 2016-03-30 | 浙江宇视科技有限公司 | 基于梯度回归树的车辆关键点检测方法及装置 |
CN105528609A (zh) * | 2014-09-28 | 2016-04-27 | 江苏省兴泽实业发展有限公司 | 一种基于字符位置的车牌定位方法 |
CN105574485A (zh) * | 2015-11-11 | 2016-05-11 | 北京四象网讯科技有限公司 | 一种车辆信息识别方法及系统 |
CN106650741A (zh) * | 2016-12-30 | 2017-05-10 | 深圳市捷顺科技实业股份有限公司 | 一种车牌字符识别方法及装置 |
CN106934396A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检索方法及系统 |
CN107798323A (zh) * | 2016-08-29 | 2018-03-13 | 北京君正集成电路股份有限公司 | 一种车牌图像定位方法及设备 |
-
2018
- 2018-07-10 CN CN201810752646.3A patent/CN110705541B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528609A (zh) * | 2014-09-28 | 2016-04-27 | 江苏省兴泽实业发展有限公司 | 一种基于字符位置的车牌定位方法 |
CN105574485A (zh) * | 2015-11-11 | 2016-05-11 | 北京四象网讯科技有限公司 | 一种车辆信息识别方法及系统 |
CN105447490A (zh) * | 2015-11-19 | 2016-03-30 | 浙江宇视科技有限公司 | 基于梯度回归树的车辆关键点检测方法及装置 |
CN107798323A (zh) * | 2016-08-29 | 2018-03-13 | 北京君正集成电路股份有限公司 | 一种车牌图像定位方法及设备 |
CN106650741A (zh) * | 2016-12-30 | 2017-05-10 | 深圳市捷顺科技实业股份有限公司 | 一种车牌字符识别方法及装置 |
CN106934396A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检索方法及系统 |
Non-Patent Citations (1)
Title |
---|
罗斌 等: ""复杂环境下基于角点回归的全卷积神经网络的车牌定位"", 《数据采集与处理》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110705541B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111899334B (zh) | 一种基于点线特征的视觉同步定位与地图构建方法及装置 | |
CN110136177B (zh) | 一种图像配准方法、设备和存储介质 | |
CN108229475B (zh) | 车辆跟踪方法、系统、计算机设备及可读存储介质 | |
US9626761B2 (en) | Sampling method and image processing apparatus of CS-RANSAC for estimating homography | |
CN110210565A (zh) | 归一化互相关图像模板匹配实现方法 | |
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 | |
CN109583365A (zh) | 基于成像模型约束非均匀b样条曲线拟合车道线检测方法 | |
Aeschliman et al. | Tracking vehicles through shadows and occlusions in wide-area aerial video | |
KR20210074163A (ko) | 공동 검출 및 기술 시스템 및 방법 | |
CN114155285B (zh) | 基于灰度直方图的图像配准方法 | |
Seo | Image denoising and refinement based on an iteratively reweighted least squares filter | |
CN107835998B (zh) | 用于识别数字图像中的表面类型的分层平铺方法 | |
CN110705541B (zh) | 一种车牌的精确定位方法及装置、计算机可读存储介质 | |
CN109858484A (zh) | 一种基于偏斜评价的多类别变换车牌校正算法 | |
Pan et al. | An efficient method for skew correction of license plate | |
CN115346206B (zh) | 基于改进超分辨的深度卷积特征识别的车牌检测方法 | |
CN111488762A (zh) | 一种车道级定位方法、装置及定位设备 | |
CN111353517A (zh) | 一种车牌识别方法、装置及电子设备 | |
CN115222789A (zh) | 实例深度估计模型的训练方法、装置及设备 | |
US20200364487A1 (en) | Method of recognizing object for each administrative district, and system thereof | |
CN110031471B (zh) | 大口径光学元件表面缺陷增长分析方法、系统、装置 | |
CN113486728A (zh) | 基于特征融合的地表三维变化检测方法和装置 | |
CN113223098A (zh) | 图像颜色分类的预处理优化方法 | |
CN113420762B (zh) | 一种图像处理方法、系统、电子设备及存储介质 | |
Gudyś et al. | Camera calibration and navigation in networks of rotating cameras |
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 |