CN110728281B - 一种车牌分割和识别的方法 - Google Patents
一种车牌分割和识别的方法 Download PDFInfo
- Publication number
- CN110728281B CN110728281B CN201910951651.1A CN201910951651A CN110728281B CN 110728281 B CN110728281 B CN 110728281B CN 201910951651 A CN201910951651 A CN 201910951651A CN 110728281 B CN110728281 B CN 110728281B
- Authority
- CN
- China
- Prior art keywords
- point
- license plate
- roi
- image
- character
- 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.)
- Active
Links
Images
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
- G06V10/20—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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
- Character Input (AREA)
Abstract
一种车牌分割和识别的方法,根据车牌位置信息进行校准车牌,进行灰度和自动二值化,根据轮廓排除噪声,进行XY轴投影查找继续缩小车牌区域,对X轴投影分割车牌到每个识别字符单元,使用机器学习识别字符单元,最终输出车牌号码,这样能快速识别车牌和成本相对低廉。
Description
【技术领域】
本发明涉及目标物品的判定识别技术,特别是一种通过车牌位置信息校准和机器学习的车牌分割和识别的方法。
【背景技术】
为实现高效、快速、智能地对路面车辆进行监督和管理,人们利用高科技相继开发和研制出各类交通道路监控系统、管理系统,通过一系列的车辆检测装置和车辆实时监控仪器设备,获取道路交通车辆数据信息,实现交通治理自动化、智能化。车牌图像识别技术是车辆检测系统中的一项关键性技术,是实现交通智能化和自动化的前提条件。目前,车牌识别可采用智能IC卡识别或者条形码识别技术,尽管IC卡识别准确度高,运行平稳、可靠,但机器硬件设备较为复杂,且设备成本较高,不适合异地作业。而条形码识别对扫描仪器要求较高。
车牌图像识别主要由五个步骤组成:车牌图像采集、车牌图像预处理、车牌定位、字符分割及车牌字符识别。车牌图像采集主要通过摄像机或者视觉传感器实时拍摄,或录制车辆前视图或后视图;图像预处理是指去除车牌图像的噪声干扰和影响车牌识别的遮挡物,增强有利于车牌识别的有效信息;车牌定位是指对所拍摄的车辆图像的感兴趣区域(车牌位置)进行准确定位并提取;字符分割是从定位后的车牌区域准确地分割出车牌中包含的各个字符;字符识别是继完成车牌字符分割步骤后,进一步提取出车牌所包含的数字、汉字及英文字母等字符,并根据各字符特征进行字符识别。
专利申请号为CN201910139812的一种带车牌识别功能的伸缩门,公开一种带车牌识别功能的伸缩门,包括:可伸缩的门体,设置在所述门体底部的滚轮,以及设置在所述门体前端的机头,在所述机头内设有驱动电机和控制中心,所述机头在所述驱动电机带动下移动、从而带动所述门体伸缩,所述控制中心与所述驱动电机控制连接;其特征在于,在所述控制中心上连接有数据存储电脑,在所述机头上设有与所述控制中心连接的门内摄像头、门内摄像头补光灯、门内车牌显示屏、门外摄像头、门外摄像头补光灯和门外车牌显示屏。本发明无需额外的车牌识别系统,结构简单,并且减少了传统技术中的车牌识别系统安装、调试过程,安装使用方便。但,这种伸缩门由于不涉及到对车牌的算法处理,因而适用于车辆比较少的场合(比如私家住宅、厂区较小的工厂等)。
专利申请号为CN201811624968的一种基于深度学习的车牌字符识别方法,包括构建深度神经网络模型,该深度神经网络模型包括基础网络、车牌字符分割网络和车牌字符识别网络,车牌字符分割网络和车牌字符识别网络共享基础网络;收集车牌样本图像,对所构建的深度神经网络模型进行训练,得到字符识别模型;利用字符识别模型,对待识别车牌图像进行车牌字符识别。它是通过构建深度神经网络模型,直接完成车牌字符分割、字符识别,既保证了车牌字符识别结果的准确性,提高了车牌字符识别的速度。这种字符识别方法,对硬件的要求较高,所编的程序也比较复杂,从而带来生产成本较高。
【发明内容】
本发明的目的在于克服现有技术的不足,提供了一种能快速识别车牌和成本相对低廉的车牌分割和识别的方法。
为了解决上述存在的技术问题,本发明采用下述技术方案:
本发明提供的车牌分割和识别的方法,包括以下步骤:
(1)预设源图Iorg和车牌定位位置,包括左上点PLeft_Top、右上点PRight_Top、左下点PLeft_Bottom、右下点PRight_Bottom。
(2)车牌校准,包括分步骤:
(2).(a).求左上点PLeft_Top、右上点PRight_Top、左下点PLeft_Bottom、右下点PRight_Bottom组成的四边形转换到矩形四个顶点(左上点P'Left_Top、右上点P'Right_Top、左下点P'Left_Bottom、右下点PRight_Bottom)。
(2).(b).求左上点PLeft_Top、右上点PRight_Top、左下点PLeft_Bottom、右下点PRight_Bottom到对应点左上点P'Left_Top、右上点P'Right_Top、左下点P'Left_Bottom、右下点P'Right_Bottom的仿射变换矩阵Maffine。
(2).(c).求左上点PLeft_Top、右上点PRight_Top、左下点PLeft_Bottom、右下点PRight_Bottom组成的最大外接矩形框Rectmax。
(2).(d).求Iorg在矩形框Rectmax里图像Iroi。
(2).(e).使用矩阵Maffine变换图像Iroi到图像I'roi。
(3)I'roi灰度操作到I'roi_gray。
(4)I'roi_gray自动二值化操作到Iroi_bin。
(5)I'roi_bin查找轮廓并去除小轮廓的噪声,得到图像Idenoise。
(6)Idenoise进行XY轴方向的投影,排除边缘投影值较小的区域,得到图像Iperject。
(7)Iperject进行Y轴方向投影,定位投影值较小的位置,得到字符分割单元集{Ii char},其中一个字符分割单元为Ii char。
(8){Ii char}使用机器分类方法得到字符集{Ci}。
(9)字符集{Ci}即为所求的车牌号码。
与现有技术相比,本发明的有益效果:1、这种校准车牌到规则车牌上,对后期分割和识别精度都有提高,可以满足相机安装的不同角度的需求。2、这种轮廓法排除噪声干扰的方法,既能保持字符特征的完整性,又可以排除车牌上污损等噪声的干扰,还可以满足车牌污损识别的需求。
【附图说明】
图1本发明实施例的流程图。
下面结合附图与具体实施方式对本发明作进一步的详细描述:
【具体实施方式】
本发明技术可以根据车牌位置信息进行校准车牌,进行灰度和自动二值化,根据轮廓排除噪声,进行XY轴投影查找继续缩小车牌区域,对X轴投影分割车牌到每个识别字符单元,使用机器学习识别字符单元,最终输出车牌号码。
下面结合附图对车牌分割和识别方法的实施例的流程中各步骤加以详细描述:
本发明的车牌分割和识别的方法的一个较佳实施例,包括如下步骤:
步骤S1:预设源图Iorg和车牌定位位置,包括左上点PLeft_Top、右上点PRight_Top、左下点PLeft_Bottom、右下点PRight_Bottom。
步骤S2:车牌校准,包括分步骤:
S2.(a).求左上点PLeft_Top、右上点PRight_Top、左下点PLeft_Bottom、右下点PRight_Bottom组成的四边形转换到矩形四个顶点(左上点P'Left_Top、右上点P'Right_Top、左下点P'Left_Bottom、右下点P'Right_Bottom)。
S2.(b).求左上点PLeft_Top、右上点PRight_Top、左下点PLeft_Bottom、右下点PRight_Bottom到对应点左上点P'Left_Top、右上点P'Right_Top、左下点P'Left_Bottom、右下点P'Right_Bottom的仿射变换矩阵Maffine。
S2.(c).求左上点PLeft_Top、右上点PRight_Top、左下点PLeft_Bottom、右下点PRight_Bottom组成的最大外接矩形框Rectmax。
S2.(d).求Iorg在矩形框Rectmax里图像Iroi。
S2.(e).使用矩阵Maffine变换图像Iroi到图像I'roi。
步骤S3:I'roi灰度操作到I'roi_gray,使用公式Gray(i,j)=0.299*R(i,j)+0.587*G(i,j)+0.144*B(i,j)。
步骤S4:I'roi_gray自动二值化操作到I'roi_bin,使用大律法自动二值化方法。
步骤S5:I'roi_bin查找轮廓并去除小轮廓的噪声,得到图像Idenoise,噪声判断条件是每个轮廓里的有效像素点小于阈值5,其中有效每个像素值为非零。
步骤S6:Idenoise进行XY轴方向的投影,排除边缘投影值较小的区域,得到图像Iperject,投影值最小阈值设置为1。
步骤S7:Iperject进行Y轴方向投影,定位投影值较小的位置,得到字符分割单元集{Ii char},其中一个字符分割单元为Ii char,投影值最小阈值设置为1。
步骤S8:{Ii char}使用机器分类方法得到字符集{Ci},可以使用KNN机器学习分类。
步骤S9:字符集{Ci}即为所求的车牌号码,整个流程结束。
从上可以看出,具有如下优点:一方面,由于这种校准车牌到规则车牌上,对后期分割和识别精度都有提高,从而可以满足相机安装的不同角度的需求,于是对相机位置等的安装要求没那么高,从而可以降低硬件的成本。另一方面、这种轮廓法排除噪声干扰的方法,既能保持字符特征的完整性,又可以排除车牌上污损等噪声的干扰,可以满足车牌污损识别的需求。
上述的实施例中所给出的系数和参数,是提供给本领域的技术人员来实现或使用本发明的,本发明并不限定仅取前述公开的数值,在不脱离本发明的发明思想的情况下,本领域的技术人员可以对上述实施例作出种种修改或调整,因而本发明的保护范围并不被上述实施例所限,而应该是符合权利要求书提到的创新性特征的最大范围。
Claims (1)
1.一种车牌分割和识别的方法,其特征在于,包括如下步骤:
(1)预设源图Iorg和车牌定位位置,包括左上点PLeft_Top、右上点PRight_Top、左下点PLeft_Bottom、右下点PRight_Bottom;
(2)车牌校准,包括分步骤:
(2).(a).求左上点PLeft_Top、右上点PRight_Top、左下点PLeft_Bottom、右下点PRight_Bottom组成的四边形转换到矩形四个顶点(左上点P'Left_Top、右上点P'Right_Top、左下点P′Left_Bottom、右下点R′Right_Bottom);
(2).(b).求左上点PLeft_Top、右上点PRight_Top、左下点PLeft_Bottom、右下点PRight_Bottom到对应点左上点P'Left_Top、右上点P'Right_Top、左下点P'Left_Bottom、右下点P'Right_Bottom的仿射变换矩阵Maffine;
(2).(c).求左上点PLeft_Top、右上点PRight_Top、左下点PLeft_Bottom、右下点PRight_Bottom组成的最大外接矩形框Rectmax;
(2).(d).求Iorg在矩形框Rectmax里图像Iroi;
(2).(e).使用矩阵Maffine变换图像Iroi到图像I'roi;
(3)I'roi灰度操作到I'roi_gray;
(4)I′roi_gray自动二值化操作到I′roi_bin;
(5)I'roi_bin查找轮廓并去除小轮廓的噪声,得到图像Idenoise;
(6)Idenoise进行XY轴方向的投影,排除边缘投影值较小的区域,得到图像Iperject;
(7)Iperject进行Y轴方向投影,定位投影值较小的位置,得到字符分割单元集{Ii char},其中一个字符分割单元为Ii char;
(8){Ii char}使用机器分类方法得到字符集{Ci};
(9)字符集{Ci}即为所求的车牌号码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951651.1A CN110728281B (zh) | 2019-10-09 | 2019-10-09 | 一种车牌分割和识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951651.1A CN110728281B (zh) | 2019-10-09 | 2019-10-09 | 一种车牌分割和识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728281A CN110728281A (zh) | 2020-01-24 |
CN110728281B true CN110728281B (zh) | 2023-01-20 |
Family
ID=69220809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910951651.1A Active CN110728281B (zh) | 2019-10-09 | 2019-10-09 | 一种车牌分割和识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728281B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052845A (zh) * | 2020-10-14 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398894B (zh) * | 2008-06-17 | 2011-12-07 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN105787524A (zh) * | 2014-12-26 | 2016-07-20 | 中国科学院沈阳自动化研究所 | 基于OpenCV的车牌识别方法及系统 |
CN105335743A (zh) * | 2015-10-28 | 2016-02-17 | 重庆邮电大学 | 一种车牌识别方法 |
CN109858484B (zh) * | 2019-01-22 | 2022-10-14 | 电子科技大学 | 一种基于偏斜评价的多类别变换车牌校正方法 |
CN109886896B (zh) * | 2019-02-28 | 2021-04-27 | 闽江学院 | 一种蓝色车牌分割与矫正方法 |
-
2019
- 2019-10-09 CN CN201910951651.1A patent/CN110728281B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110728281A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN106845374B (zh) | 基于深度学习的行人检测方法及检测装置 | |
CN113971779B (zh) | 一种基于深度学习的水尺自动读数方法 | |
CN108154102B (zh) | 一种道路交通标志识别方法 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN110211101A (zh) | 一种铁轨表面缺陷快速检测系统及方法 | |
CN109190623B (zh) | 一种识别投影仪品牌和型号的方法 | |
CN113591967A (zh) | 一种图像处理方法、装置、设备及计算机存储介质 | |
CN109886086B (zh) | 基于hog特征和线性svm级联分类器的行人检测方法 | |
CN111444778A (zh) | 一种车道线检测方法 | |
CN108960079A (zh) | 一种图像识别方法及装置 | |
CN115457780B (zh) | 一种基于先验知识集合的车流量流速自动测算方法及系统 | |
CN108961262B (zh) | 一种复杂场景下的条码定位方法 | |
CN113128507A (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
CN111444916A (zh) | 面向无约束条件下的车牌定位及识别方法、系统 | |
CN114638835B (zh) | 一种基于深度相机的轨枕异物检测方法 | |
CN112329893A (zh) | 基于数据驱动的异源多目标智能检测方法及系统 | |
CN112861785A (zh) | 一种基于实例分割和图像修复的带遮挡行人重识别方法 | |
CN110728281B (zh) | 一种车牌分割和识别的方法 | |
CN116740758A (zh) | 一种防止误判的鸟类图像识别方法及系统 | |
CN109508714B (zh) | 一种低成本多通道实时数字仪表盘视觉识别方法及系统 | |
CN117635599A (zh) | 缺陷检测模型训练及缺陷检测方法、装置、设备及介质 | |
CN113642570A (zh) | 一种昏暗环境下矿车车牌识别的方法 | |
CN116363426A (zh) | 公路防眩板健康状态自动检测方法 | |
CN107330436B (zh) | 一种基于尺度判据的全景图像sift优化方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221028 Address after: Room 105, No. 6, Baohua Road, Hengqin New District, Zhuhai City, Guangdong Province, 519000 - 34312 (centralized office area) Applicant after: ZHUHAI QUANXINTONG TECHNOLOGY CO.,LTD. Address before: 528400 413, Building B, Innovation Center, No. 34, Cuicheng Road, Cuiheng New District, Zhongshan City, Guangdong Province Applicant before: ZHONGSHAN ANXINTONG ROBOT MANUFACTURING Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |