CN110796709A - 车架号尺寸获取方法、装置、计算机设备和存储介质 - Google Patents
车架号尺寸获取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110796709A CN110796709A CN201911040115.2A CN201911040115A CN110796709A CN 110796709 A CN110796709 A CN 110796709A CN 201911040115 A CN201911040115 A CN 201911040115A CN 110796709 A CN110796709 A CN 110796709A
- Authority
- CN
- China
- Prior art keywords
- image
- frame number
- size
- reference object
- actual
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
- G06T2207/30208—Marker matrix
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种车架号尺寸获取方法、装置、计算机设备和存储介质。所述方法包括:获取包括车架号和参照物的待处理图像;对待处理图像进行透视变换得到中间处理图像;获取中间处理图像中的车架号图像尺寸和参照物图像尺寸;获取预先存储的参照物的实际尺寸;根据车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸。采用本方法能够提高车架号尺寸检测的准确性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种车架号尺寸获取方法、装置、计算机设备和存储介质。
背景技术
车辆识别号码,简称VIN,是一组由十七个英数组成,是车辆的唯一识别号,可以查处车辆的生产地、生产日期、型号等等,便于管理。汽车车架号不仅在制造、销售、保养、保险、交易环节会需要录入汽车的车架号,在交通事故处理中,作为汽车身份唯一识别码,车架号是处理事故的执法人员必须要记录的信息之一。
车辆年检检测车架号尤为重要,即通过获取到车架号,然后将获取的车架号与拓印膜比对,判断车架号是否被篡改,其中所涉及的拓印膜是与车架号一比一的照片,用于车架号拓取存档。而在判断的过程中最基本的就是测量车架号尺寸是否与拓印膜一致。
车检年检中,获取测量车架号尺寸费事耗力,且审核人员易疲劳,会导致误检。传统地采用相机进行拍摄后,再由审核人员进行审核,这样由于拍摄环境较差,拍摄角度随机,导致车架号实际尺寸测量的精度不高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高准确性的车架号尺寸获取方法、装置、计算机设备和存储介质。
一种车架号尺寸获取方法,所述方法包括:
获取包括车架号和参照物的待处理图像;
对所述待处理图像进行透视变换得到中间处理图像;
获取所述中间处理图像中的车架号图像尺寸和参照物图像尺寸;
获取预先存储的参照物的实际尺寸;
根据所述车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸。
在其中一个实施例中,所述对所述待处理图像进行透视变换得到中间处理图像,包括:
获取所述待处理图像中预设数量的初始特征点;
根据第一预设规则确定目标特征点;
根据所述初始特征点和所述目标特征点确定透视变换矩阵;
通过所述透视变换矩阵对所述待处理图像进行透视变换得到中间处理图像。
在其中一个实施例中,所述根据第一预设规则确定目标特征点,包括:
获取所述初始特征点对应的最大外接四边形;
根据所述最大外接四边形得到对应的无畸形变化的标准矩形,获取所述标准矩形对应的四个角点作为目标特征点。
在其中一个实施例中,所述获取所述初始特征点对应的最大外接四边形,包括:
获取各个所述初始特征点的横坐标和纵坐标;
根据各个所述初始特征点的横坐标和纵坐标确定所述初始特征点的最大外接四边形。
在其中一个实施例中,所述根据所述最大外接四边形得到对应的无畸形变化的标准矩形,包括:
确定各个所述初始特征点的横坐标的最大值和最小值,以及各个所述初始特征点的纵坐标的最大值和最小值;
根据所述初始特征点的横坐标的最大值和最小值以及所述初始特征点的纵坐标的最大值和最小值,确定所述最大外接四边形对应的无畸形变化的标准矩形。
在其中一个实施例中,所述根据所述车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸,包括:
计算参照物的实际尺寸和所述参照物图像尺寸的比值;
计算所述比值与所述车架号图像尺寸的乘积,并将所计算的乘积作为车架号实际尺寸。
在其中一个实施例中,所述参照物与所述车架号所在区域沿长度方向并列放置,其中,所述参照物位于所述车架号所在区域的第一边的一侧或者所述参照物位于所述车架号所在区域的第二边的一侧,所述第一边和所述第二边为所述车架号所在区域的长边。
在其中一个实施例中,所述获取包括车架号和参照物的待处理图像,包括:
接收终端发送的当前车辆图片;
对所述当前车辆图片进行识别以判断所述车辆图片中是否存在车架号和参照物;
当所述车辆图片中存在车架号和参照物时,则提取车架号和参照物区域作为待处理图像;
当所述车辆图片中不是同时存在车架号和参照物时,则向所述终端返回获取失败的信息。
在其中一个实施例中,所述待处理图像中的参照物的长度是所述车架号的长度的3/4至1倍。
在其中一个实施例中,所述车架号图像尺寸的获取方式,包括:
对所述中间处理图像进行识别得到车架号区域;
获取所述车架号区域对应的外接矩形;
获取所述外接矩形的长和外接矩形的宽作为所述车架号图像尺寸。
在其中一个实施例中,所述参照物为包括棋盘格的物体,所述获取所述待处理图像中预设数量的初始特征点,包括:
按照预设顺序查询在所述待处理图像中的显示的所述物体中的角点,所述角点是指所述物体中的棋盘格相交的点;
获取所查询到的角点的排列位置,选取排列位置符合预设要求的角点作为初始特征点。
在其中一个实施例中,所述物体的图像尺寸的获取方式,包括:
获取各个所述目标特征点的横坐标和纵坐标;
根据所述目标特征点的横坐标的最大值和最小值得到所述物体的物体图像长度;
根据所述目标特征点的纵坐标的最大值和最小值得到所述物体的物体图像宽度;
将所述物体图像长度和物体图像宽度作为所述物体的图像尺寸。
在其中一个实施例中,所述获取预先存储的参照物的实际尺寸,包括:
获取预先存储的所述物体中的棋盘格的长度、宽度以及所述物体所包含的棋盘格的数量;
根据所述棋盘格的长度以及在所述物体所包含的棋盘格的数量计算得到所述物体的实际长度;
根据所述棋盘格的宽度以及在所述物体所包含的棋盘格的数量计算得到所述物体的实际宽度。
在其中一个实施例中,所述车架号图像尺寸通过车架号区域所对应的外接矩形的长和外接矩形的宽表示,所述根据所述车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸,包括:
根据所述物体的实际长度与所述物体的图像长度计算得到第一相似度,计算所述第一相似度以及所述外接矩形的长的乘积,作为所述车架号的实际长度;
根据所述物体实际宽度与所述物体图像宽度计算得到第二相似度,计算所述第二相似度以及所述外接矩形的宽的乘积,作为所述车架号的实际宽度;
根据所述车架号的实际长度和所述车架号的实际宽度得到车架号实际尺寸。
一种车架号尺寸获取装置,所述装置包括:
待处理图像获取模块,用于获取包括车架号和参照物的待处理图像;
透视变换模块,用于对所述待处理图像进行透视变换得到中间处理图像;
图像尺寸获取模块,用于获取所述中间处理图像中的车架号图像尺寸和参照物图像尺寸;
参照物实际尺寸获取模块,用于获取预先存储的参照物的实际尺寸;
车架号实际尺寸获取模块,用于根据所述车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
上述车架号尺寸获取方法、装置、计算机设备和存储介质,在获取到包括车架号和参照物的待处理图像后,首先对其进行透视变换以得到中间处理图像,从而可以保证中间处理图像中的各个物体都是正投影所得到的,然后可以对中间处理图像进行识别得到车架号图像尺寸和参照物图像尺寸,从而根据参照物的实际尺寸、参照物图像尺寸以及车架号图像尺寸确定车架号尺寸,这样仅需要一个参照物即可以得到车架号尺寸,且经过透视变换可以保证过程中所获取的尺寸都是准确的,进而保证了车架号尺寸的准确性。
附图说明
图1为一个实施例中车架号尺寸获取方法的应用场景图;
图2为一个实施例中车架号尺寸获取方法的流程示意图;
图3为一个实施例中的透视变换步骤的流程图;
图4为一个实施例中的透视变换的原理图;
图5为一个实施例中当前车辆图片的示意图;
图6为一个实施例中待处理图像的示意图;
图7为一个实施例中的车架号区域的示意图;
图8为一个实施例中参照物中各个角点的示意图;
图9为图8所示实施例中的角点对应的顶点的示意图;
图10为一个实施例中车架号尺寸获取装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的车架号尺寸方法,可以应用于如图1所示的应用环境中。其中,终端102与服务器104通过网络进行通信。其中终端102用于对车辆进行拍照,以得到包括车架号和参照物的待处理图像,服务器104获取到该待处理图像后,首先对待处理图像进行透视变换得到中间处理图像,从而对中间处理图像确定车架号图像尺寸和参照物图像尺寸,这样再获取到预先存储的参照物的实际尺寸,从而根据车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸。这样仅需要一个参照物即可以得到车架号尺寸,且经过透视变换可以保证过程中所获取的尺寸都是准确的,进而保证了车架号尺寸的准确性。其中,终端102可以但不限于是装有摄像头的各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等或者是单独的摄像装置,例如数码相机等,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种车架号尺寸方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202:获取包括车架号和参照物的待处理图像。
具体地,待处理图像是指包括车架号和参照物的图像,该图像可以是通过终端进行拍摄得到的,或者是对终端拍摄的车辆图片进行识别抠图得到的。在其他的实施例中,该待处理图像可以仅包括车架号和参照物的图像,这样可以减少其他无关的干扰。
终端将拍摄的车辆图像发送给服务器,服务器将车辆图像进行存储,例如按照接收时间依次存储到数据库中或者是处理队列中。这样服务器可以根据自身的负载情况依次从数据库或者是处理队列中提取到待处理图像进行处理,保证了处理的有序性。
S204:对待处理图像进行透视变换得到中间处理图像。
具体地,待处理图像是可能存在畸形变化的图像,中间处理图像是对待处理图像进行透视变化后,所得到的无畸形变化的图像。
由于终端在拍摄车辆图片的时候,由于拍摄环境较差,拍摄角度可能存在偏差,这样所拍摄的车架号在待处理图像中不是正投影,存在畸形变化,如果通过存在畸形变化的图像去处理,则最后得到的车架号尺寸必然存在偏差,因此服务器需要对待处理图像进行透视变换得到无畸形偏差的中间处理图像。
服务器在对待处理图像进行透视变化时,可以首先从待处理图像中确定在透视变化前后易确定的初始特征点,然后确定透视变化后中间处理图像中对应的目标特征点,这样可以根据初始特征点和目标特征点构建透视变化矩阵,进而根据透视变化矩阵对待处理图像进行透视变化。
S206:获取中间处理图像中的车架号图像尺寸和参照物图像尺寸。
具体地,车架号图像尺寸是指在中间处理图像中车架号所占的空间的大小,其可以通过车架号区域的长和宽来表示。例如服务器可以对中间处理图像进行识别确定包裹着车架号的最小尺寸的区域,然后根据该最小尺寸的区域的边界确定车架号的图像尺寸。
具体地,参照物图像尺寸是指在中间处理图像中参照物所占的空间的大小,其可以通过参照物在中间处理图像中的图像大小来表示。一般地,参照物包括但不限于具有规则边界的物体,也可以是其他的参照物,一般地,参照物的长度是车架号的长度的3/4至1倍。从而在待处理图像中的参照物的长度也是车架号的长度的3/4至1倍。且为了方便识别,可以对参照物的摆放方式进行限定,例如参照物与车架号所在区域沿长度方向并列放置,其中,参照物位于车架号所在区域的第一边的一侧或者参照物位于车架号所在区域的第二边的一侧,第一边和第二边为车架号所在区域的长边,也就是说参照物可以放在车架号的上方或者是车架号的下方,但是不能放在车架号的侧面。此外为了方便识别,还可以是颜色与车辆存在差别的参照物。此处以包括棋盘格的物体为例,其边界是确定的,服务器可以直接在中间处理图像中识别到参照物,然后获取到参照物图像尺寸。
S208:获取预先存储的参照物的实际尺寸。
具体地,参照物的实际尺寸可以是终端发送给服务器的,即终端在发送车辆图片的时候一起发送参照物的实际尺寸,服务器接收到后,将车辆图片和参照物的实际尺寸进行关联存储,这样当需要计算车架号尺寸时,服务器可以直接读取到参照物的实际尺寸。
S210:根据车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸。
服务器根据参照物的实际尺寸、参照物图像尺寸可以得到一个缩放比例,然后根据该缩放比例和车架号图像尺寸即可以得到车架号尺寸,即车架号尺寸=参照物的实际尺寸/参照物图像尺寸*车架号图像尺寸。
从而服务器将该车架号尺寸与存档的拓印膜中车架号的尺寸进行比对即可以判断车架号是否被篡改,若尺寸不一致,则说明被篡改,否则未被篡改。
上述车架号尺寸获取方法,在获取到包括车架号和参照物的待处理图像后,首先对其进行透视变换以得到中间处理图像,从而可以保证中间处理图像中的各个物体都是正投影所得到的,然后可以对中间处理图像进行识别得到车架号图像尺寸和参照物图像尺寸,从而根据车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸,这样仅需要一个参照物即可以得到车架号尺寸,且经过透视变换可以保证过程中所获取的尺寸都是准确的,进而保证了车架号尺寸的准确性。
在其中一个实施例中,请参见图3所示,图3为一个实施例中的透视变换步骤的流程图,该透视变换步骤,即对待处理图像进行透视变换得到中间处理图像,包括:
S302:获取待处理图像中预设数量的初始特征点。
具体地,预设数量是指可以确定透视变换矩阵的最小特征点对的数量,该预设数量可以根据实际情况进行设置,例如4个、5个等,在此不做具体限制。初始特征点是在待处理图像中容易获取到的特征点。
该初始特征点可以是位于参照物上的点,或者是接近车架号的点,这样可以保证透视变换后车架号区域对应的透视变换后的区域的准确性。
S304:根据第一预设规则确定目标特征点。
具体地,目标特征点是初始特征点经过透视校正后的位于中间处理图像的特征点。该目标特征点可以是预先确定的可以形成没有畸形变化的图形的点。
S306:根据初始特征点和目标特征点确定透视变换矩阵。
具体地,服务器在确定了初始特征点和目标特征点后,将初始特征点和目标特征点带入到预设假设的透视变换矩阵中,计算得到透视变换矩阵中的未知数,从而可以得到透视变换矩阵。
S308:通过透视变换矩阵对待处理图像进行透视变换得到中间处理图像。
具体地,服务器首先确定待处理图像中的每一个像素点,然后对对应的像素点通过透视变换矩阵进行计算得到对应的透视变换后的像素点,这样所有的透视变换后的像素点即可以形成中间处理图像。
上述实施例中,根据初始特征点和目标特征点确定透视变换矩阵,再根据透视变换矩阵来对待处理图像进行处理得到中间处理图像,从而为后续车架号实际尺寸的计算奠定基础。
在其中一个实施例中,根据第一预设规则确定目标特征点,包括:获取初始特征点对应的最大外接四边形;根据最大外接四边形得到对应的无畸形变化的标准矩形,获取标准矩形对应的四个角点作为目标特征点。
具体地,初始特征点的数量可以为4个,这样服务器将初始特征点依次连接以确定初始特征点对应的最大外接四边形;当初始特征点为多个或者是小于4个的时候,服务器可以以其中一个或多个初始特征点作为最大外接四边形的一个顶点,然后将其余的初始特征点包括在最大外接四边形内,这样得到最大外接四边形。如图4所示,图4为一个实施例中的透视变换的原理图,其中点A’、点B’、点C’和点D’是初始特征点,最大外接四边形为A’B’C’D’。
在其中一个实施例中,获取初始特征点对应的最大外接四边形,包括:获取各个初始特征点的横坐标和纵坐标;根据各个初始特征点的横坐标和纵坐标确定初始特征点的最大外接四边形。
具体地,服务器可以首先确定各个初始特征点对应的横坐标和纵坐标,然后获取到各个初始特征点中横坐标的最大值和最小值以及纵坐标的最大值和最小值,这样选取到横坐标最小的点、横坐标最大的点、纵坐标最小的点以及纵坐标最大的点作为最大外接四边形的四个点,这样根据所选取的点可以确定最大外接四边形。
服务器在确定该最大外接四边形后,则根据该最大外接四边形确定对应的无畸形变化的标准矩形,也就是图4中的点A、点B、点C和点D所确定的矩形ABCD。
在其中一个实施例中,根据最大外接四边形得到对应的无畸形变化的标准矩形,包括:确定各个初始特征点的横坐标的最大值和最小值,以及各个初始特征点的纵坐标的最大值和最小值;根据初始特征点的横坐标的最大值和最小值以及初始特征点的纵坐标的最大值和最小值,确定最大外接四边形对应的无畸形变化的标准矩形。
具体地,服务器首先确定各个初始特征点的横坐标的最大值和最小值,各个初始特征点的纵坐标的最大值和最小值,然后根据初始特征点的横坐标的最大值和最小值以及初始特征点的纵坐标的最大值和最小值,确定最大外接四边形对应的无畸形变化的标准矩形,例如根据初始特征点的横坐标的最大值和最小值以及初始特征点的纵坐标的最大值和最小值,确定四个点,也即(横坐标最小值,纵坐标最小值)、(横坐标最小值,纵坐标最大值)、(横坐标最大值,纵坐标最小值)以及(横坐标最大值,纵坐标最小值),如图4中的点A、点B、点C和点D,而由点A、点B、点C和点D所确定的矩形ABCD即为最大外接四边形对应的无畸形变化的标准矩形。
上述实施例中,给出了目标特征点的确定方式。
在其中一个实施例中,根据车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸,包括:计算参照物的实际尺寸和参照物图像尺寸的比值;计算比值与车架号图像尺寸的乘积,并将所计算的乘积作为车架号实际尺寸。
具体地,服务器可以根据相似变换的方式来获取到车架号的实际尺寸,即根据参照物的实际尺寸、参照物图像尺寸可以得到一个缩放比例,然后根据该缩放比例和车架号图像尺寸即可以得到车架号尺寸,即车架号尺寸=(参照物的实际尺寸/参照物图像尺寸)*车架号图像尺寸。
上述实施例中,在已经车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸,即可以根据上述公式计算得到车架号实际尺寸,准确度高。在其中一个实施例中,获取包含车架号和参照物的待处理图像,包括:接收终端发送的当前车辆图片;对当前车辆图片进行识别以判断车辆图片中是否存在车架号和参照物;当车辆图片中存在车架号和参照物时,则提取车架号和参照物区域作为待处理图像;当车辆图片中不是同时存在车架号和参照物时,则向终端返回获取失败的信息。
具体地,终端可以对待检测的车辆进行拍摄,例如将参照物放置在车架号的附近,然后拍摄车架号和参照物的完整图片,即为当前车辆图片,具体可以参见图5所示。终端将拍摄得到的当前车辆图片发送给服务器,服务器可以对当前车辆图片进行识别,以判断当前车辆图片中是否存在车架号和参照物,如果存在,则抠取包括车架号和参照物的区域作为待处理图像,具体可以参见图6所示。如果当前车辆图片中没有车架号或者是参照物,或者当前车辆图片中只有车架号或者是参照物,则退出,并向终端返回重新拍摄的指令,即服务器需要对当前车辆图片进行处理,以得到包括车架号和参照物的整体区域作为待处理图像。
结合图5和图6,其中参照物为棋盘格,黑白棋盘格是7*30格的黑白交替的磁铁贴,每个格子是10mm的正方形,检测人员在车架号附近区域沿着车架号放置棋盘格,例如棋盘格的长边沿着车架号吸附在车架号下方(在其他实施例中,吸附在车架号上方也可以),然后拍摄当前车辆图像,即为图5。然后终端将该当前车辆图像发送给服务器,服务器对该当前车辆图像进行识别得到包括车架号和参照物的整体区域作为待处理图像,服务器判断是否有该整体区域(该整体区域是指包括车架号和黑白棋盘格区域的整体,如果有一个车架号和黑白棋盘格区域存在一个没有,那么也退出),没有就退出,有就抠取该区域并保存,即为图6。
在其中一个实施例中,上述待处理图像的获取方法还可以包括:从数据库中获取历史车辆图片;通过标注框对历史车辆图片中的车架号和参照物对应的区域进行标注得到标注区域;对标注区域以及历史车辆图片进行训练得到区域检测模型。从而对车辆图片进行识别得到包括车架号和参照物的待处理图像,包括:将车辆图片输入至区域检测模型中,以通过区域检测模型识别车辆图片中的车架号和参照物区域,并根据所识别的车架号和参照物区域得到待处理图像。
具体地,对车辆图片进行识别得到包括车架号和参照物的待处理图像可以是通过深度学习模型进行识别,该深度学习模型包括但不限于SSD模型、refinedet模型等。
服务器可以预先进行训练得到区域检测模型,例如从数据库中获取历史车辆图片,该历史车辆图片包括不同质量、不同倾斜角度的带棋盘格拍摄的车架号图片。然后通过标注框对历史车辆图片中的车架号和参照物对应的区域进行标注得到标注区域,该标注可以是预先标注完成的,例如通过矩形框标注棋盘格和车架号区域。最后服务器对标注区域以及历史车辆图片进行训练得到区域检测模型,例如使用标注的带棋盘格车架号位置信息的图片训练目标检测深度学习网络模型,获得棋盘格车架号区域检测模型。
服务器在训练得到上述区域检测模型后,通过该区域检测模型去定位当前车辆图片的车架号和参照物的位置得到待处理图像,例如通过该区域检测模型去定位棋盘车架号区域,若没有该区域退出,并给出提示,若存在棋盘格车架号区域,扣取该区域并保存图片。
上述实施例中,上述实施例中,对所接收的车辆图片进行处理,即首先提取感兴趣区域,最大程度的减少其他无关干扰,从而保证后续的处理的准确性。此外,通过预先训练的区域检测模型对所接收的车辆图片进行处理,提取到待处理图像,可以提高提取的准确性和效率。
在其中一个实施例中,上述车架号图像尺寸的获取方式,包括:对中间处理图像进行识别得到车架号区域;获取车架号区域对应的外接矩形;获取外接矩形的长和外接矩形的宽作为车架号图像尺寸。这样服务器根据参照物的实际尺寸、参照物图像尺寸可以得到一个缩放比例,进而根据该缩放比例和外接矩形的长来确定车架号的实际长,根据该缩放比例和外接矩形的宽来确定车架号的实际宽,从而根据车架号的实际长和车架号的实际宽确定车架号的实际尺寸。
具体地,参见图7所示,服务器可以对中间处理图像进行识别得到车架号区域,然后确定车架号区域对应的外接矩形,也即包裹有车架号的最小矩形,这样可以通过该最小矩形的长和宽来表示车架号的图像尺寸。
在其中一个实施例中,上述车架号区域的获取方法可以包括:从数据库中获取历史车辆图片;对车辆图片中的车架号文字区域进行描点处理得到若干坐标点,并建立若干坐标点和历史车辆图片的对应关系;对历史车辆图片以及坐标点进行训练得到渐进式扩张网络模型。从而对中间处理图像进行识别得到车架号区域,包括:将中间处理图像输入至渐进式扩张网络模型中,以通过渐进式扩张网络模型对中间处理图像进行处理得到车架号区域。
具体地,对中间处理图像中车架号区域的识别可以是通过渐进式扩张网络模型,即psenet模型进行识别,这样可以提高识别的准确性。
其中渐进式扩展网络模型的基本原理是:采用resnet50(残差网络)与fpn(特征金字塔网络)相结合,将低层特征映射与高级特征映射连接起来,从而有四个级联的特征映射。这些映射在f中进一步融合以编码具有各种接受视图的信息。从直觉上看,这种融合很可能促进具有不同尺度的核的世代。然后将特征映射f投影到n个分支中,以产生多个分割结果S1,S2,...,Sn。每个Si将是所有文本实例在一定范围内的一个分割掩码。在这些掩码中,S1给出了具有最小标度(即,最小内核)的文本实例的分割结果,而Sn表示原始分割掩码(即,最大内核)。在获得这些分段掩码后,使用渐进扩展算法将S1中的所有实例“内核”逐渐扩展到其Sn中的完整形状,并获得最终的检测结果为R。最后查找轮廓可得到各个文本位置的轮廓集。
在本实施例中,服务器可以从数据库中获取历史车辆图片,包括不同质量、不同倾斜角度车架号图像,然后对车辆图片中的车架号文字区域进行描点处理得到若干坐标点,并建立若干坐标点和历史车辆图片的对应关系,即沿着车架号文字区域描点,把描的坐标点保存在相应的文本txt中,一行代表一个文字区域。最后服务器对历史车辆图片以及坐标点进行训练得到渐进式扩张网络模型,即通过历史车辆图片和对应标注好的文本坐标训练psenet网络。从而在对中间处理图像进行识别得到车架号区域的时候,可以直接将中间处理图像输入至渐进式扩张网络模型中,以通过渐进式扩张网络模型对中间处理图像进行处理得到车架号区域,具体可以参见图7所示。
上述实施例中,通过渐进式扩张网络模型对中间处理图像进行处理得到车架号区域,提高处理的准确性和处理效率。
在其中一个实施例中,参照物为包括棋盘格的物体,例如由不同颜色的棋盘格相交所得到的棋盘,或者是由第一种颜色作为背景色,第二种颜色作为棋盘中的线条所形成的棋盘等。
下文中以参照物为包括棋盘格的物体为例进行说明:其中,获取待处理图像中预设数量的初始特征点,包括:按照预设顺序查询在待处理图像中的显示的物体中的角点,角点是指物体中的棋盘格相交的点;获取所查询到的角点的排列位置,选取排列位置符合预设要求的角点作为初始特征点。
具体,参阅图8和图9所示,图8为一个实施例中参照物中各个角点的示意图,图9为图8所示实施例中的角点对应的顶点的示意图。该初始特征点可以是黑白棋盘格的顶点,该顶点的确定方式可以是服务器首先检测黑白棋盘格的角点,角点是黑白格相交的位置,一个黑白棋盘格有很多个角点。然后根据检测的所有角点提取棋盘格四个顶点的角点v_pt1,具体可以参见图8和图9所示。
在其中一个实施例中,该服务器首先检测黑白棋盘格的角点,然后根据检测的所有角点提取棋盘格四个顶点的角点v_pt1可以包括是通过opencv函数findChessboardCorners获取到黑白棋盘格的角点,然后通过openCV提取棋盘格四个顶点的角点v_pt1,具体如下,采用如下程序进行处理:
Boolcv::findChessboardCorners(InputArrayimage,Size patternSize,OutputArray corners,int flags)
其中第一个参数image为输入图像;第二个参数patternSize为棋盘格内部角点行列个数;第三个参数corners是检测到的角点坐标集合,按照次序排列;第四个参数flags是参数选择,可以为空。该程序函数返回true代表检测成功,false代表检测失败。本实施例中使用bool b_flg=findChessboardCorners(grayimg2image,Size(6,29),corners);其中,corners里面角点的次序是按照从左下角点开始,依次向上,再向右。
其中,黑白角点的左上角点pt1_tl为corners[5],左下角点pt1_bl为corners[0],右上角pt1_tr点为corners[corners.size()-1],右下角点pt1_br为corners[corners.size()-1-5]。
服务器将黑盘棋盘中的四个角点pt1_tl,pt1_bl,pt1_tr,pt1_br放入v_pt1。其中,openCV会按照顺序记录角点的位置,由下往上记录,因此,根据OPENCV,记录的初始两个角点和最末尾的两个角点的位置,确定四个角点的位置作为顶点即v_pt1。
目标特征点是经过透视校正后的位于中间处理图像的特征点。如上文中,服务器可以根据棋盘格四个角点v_pt1确定透视校正之后的中间处理图像中的四个角点坐标v_pt2。
可选地,服务器确定透视变换后的中间处理图像中的目标特征点,包括:获取初始特征点对应的外接矩形;根据外接矩阵得到对应的无畸形变化的标准矩形,获取标准矩阵对应的四个角点作为目标特征点。
例如服务器可以执行以下规则,以获取到目标特征点:
v_pt2[0]=cv::Point(MIN(v_pt1[0].x,v_pt1[1].x),MIN(v_pt1[0].y,v_pt1[2].y));
v_pt2[1]=cv::Point(MIN(v_pt1[0].x,v_pt1[1].x),MAX(v_pt1[1].y,v_pt1[3].y));
v_pt2[2]=cv::Point(MAX(v_pt1[2].x,v_pt1[3].x),MIN(v_pt1[0].y,v_pt1[2].y));
v_pt2[3]=cv::Point(MAX(v_pt1[2].x,v_pt1[3].x),MAX(v_pt1[1].y,v_pt1[3].y))。
如上规则,新的四个角点是原来四个角点的外接矩形的四个顶点。即把存在畸形变化的待处理图像中的四个角点映射到无畸形变化的中间处理图像中的四个角点中。此处主要通过坐标变换,获得四个目标特征点,具体可以参见图9的原理图,其中点A、点B、点C和点D是目标特征点,点A’、点B’、点C’和点D’是初始特征点。
这样服务器可以根据初始特征点v_pt1和目标特征点v_pt2来确定透视变换矩阵可以包括如下步骤:服务器根据opencv函数getPerspectiveTransform得到透视变换矩阵warpMatrix。即cv::Mat warpMatrix=cv::getPerspectiveTransform(v_pt1,v_pt2)。
服务器根据opencv函数warpPerspective可以获得透视变换之后的中间处理图像img3,即cv::warpPerspective(img2,img3,warpMatrix,SrcImg.size(),cv::INTER_NEAREST,cv::BORDER_CONSTANT)。
服务器在计算得到中间处理图像后,根据中间处理图像确定参照物图像尺寸,并获取到预先存储的参照物的实际尺寸,从而服务器根据参照物的实际尺寸、参照物图像尺寸以及车架号图像尺寸确定车架号尺寸。
上述实施例中,给出了参照物为包括棋盘格的物体时,初始特征点和目标特征点的确定方式。在其中一个实施例中,物体的图像尺寸的获取方式,包括:获取各个目标特征点的横坐标和纵坐标;根据目标特征点的横坐标的最大值和最小值得到物体的物体图像长度;根据目标特征点的纵坐标的最大值和最小值得到物体的物体图像宽度;将物体图像长度和物体图像宽度作为物体的图像尺寸。
具体地,仍以上文为例进行说明,服务器计算中间处理图像img3中参照物的宽与高,即计算黑白棋盘格的在中间处理图像中的高和宽,具体包括:服务器在上文中计算得到了透视校正之后棋盘四个角点坐标v_pt2,v_pt2中保存了棋盘的左上(pt2_tl)、左下(pt2_bl)、右上(pt2_tr)和右下(pt2_br)的坐标,所以中间处理图像img3中棋盘的宽width_qp_pic=(pt2_tr.x–pt2_tl.x);中间处理图像img3中棋盘的高height_qp_pic=(pt2_bl.y–pt2_tl.y)。
在其中一个实施例中,获取预先存储的参照物的实际尺寸,包括:获取预先存储的物体中的棋盘格的长度、宽度以及物体所包含的棋盘格的数量;根据棋盘格的长度以及在物体所包含的棋盘格的数量计算得到物体的实际长度;根据棋盘格的宽度以及在物体所包含的棋盘格的数量计算得到物体的实际宽度。
具体地,仍以上文为例进行说明,服务器还可以获取到预先存储的参照物的实际的宽和高,即计算黑白棋盘格的实际的高和宽,具体包括:黑白棋盘格实际的宽width_qp=28×10mm;黑白棋盘格实际的高height_qp=5×10mm。
在其中一个实施例中,车架号图像尺寸通过车架号区域所对应的外接矩形的长和外接矩形的宽表示,其中服务器计算中间处理图像img3中车架号的宽与高,具体可以包括:根据opencv函数boundingRect得到车架号外接矩形:Rect rt=boundingRect(Mat(v_pt))。从而中间处理图像img3中车架号的宽width_cjh_pic=rt.width。中间处理图像img3中车架号的高height_cjh_pic=rt.height。即车架号的图像尺寸包括高和宽,其中高和宽分别为车架号所在图像区域的外接矩形的高和宽。
在其中一个实施例中,根据车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸,包括:根据物体的实际长度与物体的图像长度计算得到第一相似度,计算第一相似度以及外接矩形的长的乘积,作为车架号的实际长度;根据物体实际宽度与物体图像宽度计算得到第二相似度,计算第二相似度以及外接矩形的宽的乘积,作为车架号的实际宽度;根据车架号的实际长度和车架号的实际宽度得到车架号实际尺寸。
具体地,服务器通过以下公式计算得到车架号的实际尺寸,即计算实际车架号的宽和高:
其中,width_qp表示参照物的实际的宽,即黑盘棋盘格的实际宽,width_qp_pic表示参照物在中间处理图像中的宽,即黑盘棋盘格在中间处理图像中的宽,width_cjh表示车架号的实际的宽,width_cjh_pic表示车架号在中间处理图像中的宽,height_qp表示参照物的实际的高,即黑盘棋盘格的实际高,height_qp_pic表示参照物在中间处理图像中的高,即黑盘棋盘格在中间处理图像中的高,height_cjh表示车架号的实际的高,height_cjh_pic表示车架号在中间处理图像中的高。
上述实施例中通过黑白棋盘格辅助,经过透视校正处理,获取到车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸,进而根据车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸,可以精确的计算出图片中车架号实际尺寸
应该理解的是,虽然图2和图3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2和图3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图10所示,提供了一种车架号尺寸获取装置,包括:待处理图像获取模块100、透视变换模块200、图像尺寸获取模块300、参照物实际尺寸获取模块400和车架号实际尺寸获取模块500,其中:
待处理图像获取模块100,用于获取包括车架号和参照物的待处理图像。
透视变换模块200,用于对待处理图像进行透视变换得到中间处理图像。
图像尺寸获取模块300,用于获取中间处理图像中的车架号图像尺寸和参照物图像尺寸。
参照物实际尺寸获取模块400,用于获取预先存储的参照物的实际尺寸。
车架号实际尺寸获取模块500,用于根据车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸。
在其中一个实施例中,上述的透视变换模块200可以包括:
初始特征点确定单元,用于获取待处理图像中预设数量的初始特征点。
目标特征点确定单元,用于根据第一预设规则确定目标特征点。
透视矩阵确定单元,用于根据初始特征点和目标特征点确定透视变换矩阵。
透视变换单元,用于通过透视变换矩阵对待处理图像进行透视变换得到中间处理图像。
在其中一个实施例中,上述目标特征点确定单元包括:
最大外接四边形确定子单元,用于获取初始特征点对应的最大外接四边形。
目标特征点确定子单元,用于根据最大外接四边形得到对应的无畸形变化的标准矩形,获取标准矩形对应的四个角点作为目标特征点。
在其中一个实施例中,上述最大外接四边形确定子单元包括:
坐标确定子单元,用于获取各个初始特征点的横坐标和纵坐标。
最大外接四边形输出单元,用于根据各个初始特征点的横坐标和纵坐标确定初始特征点的最大外接四边形。
在其中一个实施例中,上述目标特征点确定子单元包括:
坐标值确定子单元,用于确定各个初始特征点的横坐标的最大值和最小值,以及各个初始特征点的纵坐标的最大值和最小值。
标准矩形确定子单元,用于根据初始特征点的横坐标的最大值和最小值以及初始特征点的纵坐标的最大值和最小值,确定最大外接四边形对应的无畸形变化的标准矩形。
在其中一个实施例中,上述车架号实际尺寸获取模块500包括:
比值计算单元,用于计算参照物的实际尺寸和参照物图像尺寸的比值。
车架号实际尺寸计算单元,用于计算比值与车架号图像尺寸的乘积,并将所计算的乘积作为车架号实际尺寸。
在其中一个实施例中,参照物与车架号所在区域沿长度方向并列放置,其中,参照物位于车架号所在区域的第一边的一侧或者参照物位于车架号所在区域的第二边的一侧,第一边和第二边为车架号所在区域的长边。
在其中一个实施例中,上述待处理图像获取模块100包括:
接收单元,用于接收终端发送的当前车辆图片。
判断单元,用于对当前车辆图片进行识别以判断车辆图片中是否存在车架号和参照物。
提取单元,用于当车辆图片中存在车架号和参照物时,则提取车架号和参照物区域作为待处理图像。
反馈单元,用于当车辆图片中不是同时存在车架号和参照物时,则向终端返回获取失败的信息。
在其中一个实施例中,待处理图像中的参照物的长度是车架号的长度的3/4至1倍。
在其中一个实施例中,上述装置还可以包括:
车架号区域识别模块,用于对中间处理图像进行识别得到车架号区域。
外接矩形获取模块,用于获取车架号区域对应的外接矩形。
车架号图像尺寸获取模块,用于获取外接矩形的长和外接矩形的宽作为车架号图像尺寸。
在其中一个实施例中,参照物为包括棋盘格的物体,初始特征点确定单元,包括:
角点确定子单元,用于按照预设顺序查询在待处理图像中的显示的物体中的角点,角点是指物体中的棋盘格相交的点。
选取子单元,用于获取所查询到的角点的排列位置,选取排列位置符合预设要求的角点作为初始特征点。
在其中一个实施例中,上述装置还可以包括:
坐标获取模块,用于获取各个目标特征点的横坐标和纵坐标。
物体图像长度获取模块,用于根据目标特征点的横坐标的最大值和最小值得到物体的物体图像长度。
物体图像宽度获取模块,用于根据目标特征点的纵坐标的最大值和最小值得到物体的物体图像宽度。
物体的图像尺寸获取模块,用于将物体图像长度和物体图像宽度作为物体的图像尺寸。
在其中一个实施例中,参照物实际尺寸获取模块400包括:
存储数据获取单元,用于获取预先存储的物体中的棋盘格的长度、宽度以及物体所包含的棋盘格的数量。
物体的实际长度计算单元,用于根据棋盘格的长度以及在物体所包含的棋盘格的数量计算得到物体的实际长度。
物体的实际宽度计算单元,用于根据棋盘格的宽度以及在物体所包含的棋盘格的数量计算得到物体的实际宽度。
在其中一个实施例中,车架号图像尺寸通过车架号区域所对应的外接矩形的长和外接矩形的宽表示,车架号实际尺寸获取模块500包括:
车架号的实际长度计算单元,用于根据物体的实际长度与物体的图像长度计算得到第一相似度,计算第一相似度以及外接矩形的长的乘积,作为车架号的实际长度。
车架号的实际宽度计算单元,用于根据物体实际宽度与物体图像宽度计算得到第二相似度,计算第二相似度以及外接矩形的宽的乘积,作为车架号的实际宽度。
车架号实际尺寸计算单元,用于根据车架号的实际长度和车架号的实际宽度得到车架号实际尺寸。
关于车架号尺寸获取装置的具体限定可以参见上文中对于车架号尺寸获取方法的限定,在此不再赘述。上述车架号尺寸获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各种图片数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车架号尺寸获取方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取包括车架号和参照物的待处理图像;对待处理图像进行透视变换得到中间处理图像;获取中间处理图像中的车架号图像尺寸和参照物图像尺寸;获取预先存储的参照物的实际尺寸;根据车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸。
在一个实施例中,处理器执行计算机程序时所实现的对待处理图像进行透视变换得到中间处理图像,包括:获取待处理图像中预设数量的初始特征点;根据第一预设规则确定目标特征点;根据初始特征点和目标特征点确定透视变换矩阵;通过透视变换矩阵对待处理图像进行透视变换得到中间处理图像。
在一个实施例中,处理器执行计算机程序时所实现的根据第一预设规则确定目标特征点,包括:获取初始特征点对应的最大外接四边形;根据最大外接四边形得到对应的无畸形变化的标准矩形,获取标准矩形对应的四个角点作为目标特征点。
在一个实施例中,处理器执行计算机程序时所实现的获取初始特征点对应的最大外接四边形,包括:获取各个初始特征点的横坐标和纵坐标;根据各个初始特征点的横坐标和纵坐标确定初始特征点的最大外接四边形。
在一个实施例中,处理器执行计算机程序时所实现的根据最大外接四边形得到对应的无畸形变化的标准矩形,包括:确定各个初始特征点的横坐标的最大值和最小值,以及各个初始特征点的纵坐标的最大值和最小值;根据初始特征点的横坐标的最大值和最小值以及初始特征点的纵坐标的最大值和最小值,确定最大外接四边形对应的无畸形变化的标准矩形。
在一个实施例中,处理器执行计算机程序时所实现的根据车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸,包括:计算参照物的实际尺寸和参照物图像尺寸的比值;计算比值与车架号图像尺寸的乘积,并将所计算的乘积作为车架号实际尺寸。
在一个实施例中,处理器执行计算机程序时所涉及的参照物与车架号所在区域沿长度方向并列放置,其中,参照物位于车架号所在区域的第一边的一侧或者参照物位于车架号所在区域的第二边的一侧,第一边和第二边为车架号所在区域的长边。
在一个实施例中,处理器执行计算机程序时所实现的获取包括车架号和参照物的待处理图像,包括:接收终端发送的当前车辆图片;对当前车辆图片进行识别以判断车辆图片中是否存在车架号和参照物;当车辆图片中存在车架号和参照物时,则提取车架号和参照物区域作为待处理图像;当车辆图片中不是同时存在车架号和参照物时,则向终端返回获取失败的信息。
在一个实施例中,处理器执行计算机程序时所涉及的待处理图像中的参照物的长度是车架号的长度的3/4至1倍。
在一个实施例中,处理器执行计算机程序时所涉及的车架号图像尺寸的获取方式,包括:对中间处理图像进行识别得到车架号区域;获取车架号区域对应的外接矩形;获取外接矩形的长和外接矩形的宽作为车架号图像尺寸。
在一个实施例中,处理器执行计算机程序时所涉及的参照物为包括棋盘格的物体,处理器执行计算机程序时所实现的获取待处理图像中预设数量的初始特征点,包括:按照预设顺序查询在待处理图像中的显示的物体中的角点,角点是指物体中的棋盘格相交的点;获取所查询到的角点的排列位置,选取排列位置符合预设要求的角点作为初始特征点。
在一个实施例中,处理器执行计算机程序时所涉及的物体的图像尺寸的获取方式,包括:获取各个目标特征点的横坐标和纵坐标;根据目标特征点的横坐标的最大值和最小值得到物体的物体图像长度;根据目标特征点的纵坐标的最大值和最小值得到物体的物体图像宽度;将物体图像长度和物体图像宽度作为物体的图像尺寸。
在一个实施例中,处理器执行计算机程序时所实现的获取预先存储的参照物的实际尺寸,包括:获取预先存储的物体中的棋盘格的长度、宽度以及物体所包含的棋盘格的数量;根据棋盘格的长度以及在物体所包含的棋盘格的数量计算得到物体的实际长度;根据棋盘格的宽度以及在物体所包含的棋盘格的数量计算得到物体的实际宽度。
在一个实施例中,处理器执行计算机程序时所涉及的车架号图像尺寸通过车架号区域所对应的外接矩形的长和外接矩形的宽表示,处理器执行计算机程序时所实现的根据车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸,包括:根据物体的实际长度与物体的图像长度计算得到第一相似度,计算第一相似度以及外接矩形的长的乘积,作为车架号的实际长度;根据物体实际宽度与物体图像宽度计算得到第二相似度,计算第二相似度以及外接矩形的宽的乘积,作为车架号的实际宽度;根据车架号的实际长度和车架号的实际宽度得到车架号实际尺寸。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取包括车架号和参照物的待处理图像;对待处理图像进行透视变换得到中间处理图像;获取中间处理图像中的车架号图像尺寸和参照物图像尺寸;获取预先存储的参照物的实际尺寸;根据车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸。
在一个实施例中,计算机程序被处理器执行时所实现的对待处理图像进行透视变换得到中间处理图像,包括:获取待处理图像中预设数量的初始特征点;根据第一预设规则确定目标特征点;根据初始特征点和目标特征点确定透视变换矩阵;通过透视变换矩阵对待处理图像进行透视变换得到中间处理图像。
在一个实施例中,计算机程序被处理器执行时所实现的根据第一预设规则确定目标特征点,包括:获取初始特征点对应的最大外接四边形;根据最大外接四边形得到对应的无畸形变化的标准矩形,获取标准矩形对应的四个角点作为目标特征点。
在一个实施例中,计算机程序被处理器执行时所实现的获取初始特征点对应的最大外接四边形,包括:获取各个初始特征点的横坐标和纵坐标;根据各个初始特征点的横坐标和纵坐标确定初始特征点的最大外接四边形。
在一个实施例中,计算机程序被处理器执行时所实现的根据最大外接四边形得到对应的无畸形变化的标准矩形,包括:确定各个初始特征点的横坐标的最大值和最小值,以及各个初始特征点的纵坐标的最大值和最小值;根据初始特征点的横坐标的最大值和最小值以及初始特征点的纵坐标的最大值和最小值,确定最大外接四边形对应的无畸形变化的标准矩形。
在一个实施例中,计算机程序被处理器执行时所实现的根据车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸,包括:计算参照物的实际尺寸和参照物图像尺寸的比值;计算比值与车架号图像尺寸的乘积,并将所计算的乘积作为车架号实际尺寸。
在一个实施例中,计算机程序被处理器执行时所涉及的参照物与车架号所在区域沿长度方向并列放置,其中,参照物位于车架号所在区域的第一边的一侧或者参照物位于车架号所在区域的第二边的一侧,第一边和第二边为车架号所在区域的长边。
在一个实施例中,计算机程序被处理器执行时所实现的获取包括车架号和参照物的待处理图像,包括:接收终端发送的当前车辆图片;对当前车辆图片进行识别以判断车辆图片中是否存在车架号和参照物;当车辆图片中存在车架号和参照物时,则提取车架号和参照物区域作为待处理图像;当车辆图片中不是同时存在车架号和参照物时,则向终端返回获取失败的信息。
在一个实施例中,计算机程序被处理器执行时所涉及的待处理图像中的参照物的长度是车架号的长度的3/4至1倍。
在一个实施例中,计算机程序被处理器执行时所涉及的车架号图像尺寸的获取方式,包括:对中间处理图像进行识别得到车架号区域;获取车架号区域对应的外接矩形;获取外接矩形的长和外接矩形的宽作为车架号图像尺寸。
在一个实施例中,计算机程序被处理器执行时所涉及的参照物为包括棋盘格的物体,计算机程序被处理器执行时所实现的获取待处理图像中预设数量的初始特征点,包括:按照预设顺序查询在待处理图像中的显示的物体中的角点,角点是指物体中的棋盘格相交的点;获取所查询到的角点的排列位置,选取排列位置符合预设要求的角点作为初始特征点。
在一个实施例中,计算机程序被处理器执行时所涉及的物体的图像尺寸的获取方式,包括:获取各个目标特征点的横坐标和纵坐标;根据目标特征点的横坐标的最大值和最小值得到物体的物体图像长度;根据目标特征点的纵坐标的最大值和最小值得到物体的物体图像宽度;将物体图像长度和物体图像宽度作为物体的图像尺寸。
在一个实施例中,计算机程序被处理器执行时所实现的获取预先存储的参照物的实际尺寸,包括:获取预先存储的物体中的棋盘格的长度、宽度以及物体所包含的棋盘格的数量;根据棋盘格的长度以及在物体所包含的棋盘格的数量计算得到物体的实际长度;根据棋盘格的宽度以及在物体所包含的棋盘格的数量计算得到物体的实际宽度。
在一个实施例中,计算机程序被处理器执行时所涉及的车架号图像尺寸通过车架号区域所对应的外接矩形的长和外接矩形的宽表示,计算机程序被处理器执行时所实现的根据车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸,包括:根据物体的实际长度与物体的图像长度计算得到第一相似度,计算第一相似度以及外接矩形的长的乘积,作为车架号的实际长度;根据物体实际宽度与物体图像宽度计算得到第二相似度,计算第二相似度以及外接矩形的宽的乘积,作为车架号的实际宽度;根据车架号的实际长度和车架号的实际宽度得到车架号实际尺寸。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (17)
1.一种车架号尺寸获取方法,所述方法包括:
获取包括车架号和参照物的待处理图像;
对所述待处理图像进行透视变换得到中间处理图像;
获取所述中间处理图像中的车架号图像尺寸和参照物图像尺寸;
获取预先存储的参照物的实际尺寸;
根据所述车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸。
2.根据权利要求1所述的方法,其特征在于,所述对所述待处理图像进行透视变换得到中间处理图像,包括:
获取所述待处理图像中预设数量的初始特征点;
根据第一预设规则确定目标特征点;
根据所述初始特征点和所述目标特征点确定透视变换矩阵;
通过所述透视变换矩阵对所述待处理图像进行透视变换得到中间处理图像。
3.根据权利要求2所述的方法,其特征在于,所述根据第一预设规则确定目标特征点,包括:
获取所述初始特征点对应的最大外接四边形;
根据所述最大外接四边形得到对应的无畸形变化的标准矩形,获取所述标准矩形对应的四个角点作为目标特征点。
4.根据权利要求3所述的方法,其特征在于,所述获取所述初始特征点对应的最大外接四边形,包括:
获取各个所述初始特征点的横坐标和纵坐标;
根据各个所述初始特征点的横坐标和纵坐标确定所述初始特征点的最大外接四边形。
5.根据权利要求4所述的方法,其特征在于,所述根据所述最大外接四边形得到对应的无畸形变化的标准矩形,包括:
确定各个所述初始特征点的横坐标的最大值和最小值,以及各个所述初始特征点的纵坐标的最大值和最小值;
根据所述初始特征点的横坐标的最大值和最小值以及所述初始特征点的纵坐标的最大值和最小值,确定所述最大外接四边形对应的无畸形变化的标准矩形。
6.根据权利要求1所述的方法,其特征在于,所述根据所述车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸,包括:
计算参照物的实际尺寸和所述参照物图像尺寸的比值;
计算所述比值与所述车架号图像尺寸的乘积,并将所计算的乘积作为车架号实际尺寸。
7.根据权利要求1所述的方法,其特征在于,所述参照物与所述车架号所在区域沿长度方向并列放置,其中,所述参照物位于所述车架号所在区域的第一边的一侧或者所述参照物位于所述车架号所在区域的第二边的一侧,所述第一边和所述第二边为所述车架号所在区域的长边。
8.根据权利要求1所述的方法,其特征在于,所述获取包括车架号和参照物的待处理图像,包括:
接收终端发送的当前车辆图片;
对所述当前车辆图片进行识别以判断所述车辆图片中是否存在车架号和参照物;
当所述车辆图片中存在车架号和参照物时,则提取车架号和参照物区域作为待处理图像;
当所述车辆图片中不是同时存在车架号和参照物时,则向所述终端返回获取失败的信息。
9.根据权利要求1所述的方法,其特征在于,所述待处理图像中的参照物的长度是所述车架号的长度的3/4至1倍。
10.根据权利要求1所述的方法,其特征在于,所述车架号图像尺寸的获取方式,包括:
对所述中间处理图像进行识别得到车架号区域;
获取所述车架号区域对应的外接矩形;
获取所述外接矩形的长和外接矩形的宽作为所述车架号图像尺寸。
11.根据权利要求2所述的方法,其特征在于,所述参照物为包括棋盘格的物体,所述获取所述待处理图像中预设数量的初始特征点,包括:
按照预设顺序查询在所述待处理图像中的显示的所述物体中的角点,所述角点是指所述物体中的棋盘格相交的点;
获取所查询到的角点的排列位置,选取排列位置符合预设要求的角点作为初始特征点。
12.根据权利要求11所述的方法,其特征在于,所述物体的图像尺寸的获取方式,包括:
获取各个所述目标特征点的横坐标和纵坐标;
根据所述目标特征点的横坐标的最大值和最小值得到所述物体的物体图像长度;
根据所述目标特征点的纵坐标的最大值和最小值得到所述物体的物体图像宽度;
将所述物体图像长度和物体图像宽度作为所述物体的图像尺寸。
13.根据权利要求12所述的方法,其特征在于,所述获取预先存储的参照物的实际尺寸,包括:
获取预先存储的所述物体中的棋盘格的长度、宽度以及所述物体所包含的棋盘格的数量;
根据所述棋盘格的长度以及在所述物体所包含的棋盘格的数量计算得到所述物体的实际长度;
根据所述棋盘格的宽度以及在所述物体所包含的棋盘格的数量计算得到所述物体的实际宽度。
14.根据权利要求13所述的方法,其特征在于,所述车架号图像尺寸通过车架号区域所对应的外接矩形的长和外接矩形的宽表示,所述根据所述车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸,包括:
根据所述物体的实际长度与所述物体的图像长度计算得到第一相似度,计算所述第一相似度以及所述外接矩形的长的乘积,作为所述车架号的实际长度;
根据所述物体实际宽度与所述物体图像宽度计算得到第二相似度,计算所述第二相似度以及所述外接矩形的宽的乘积,作为所述车架号的实际宽度;
根据所述车架号的实际长度和所述车架号的实际宽度得到车架号实际尺寸。
15.一种车架号尺寸获取装置,其特征在于,所述装置包括:
待处理图像获取模块,用于获取包括车架号和参照物的待处理图像;
透视变换模块,用于对所述待处理图像进行透视变换得到中间处理图像;
图像尺寸获取模块,用于获取所述中间处理图像中的车架号图像尺寸和参照物图像尺寸;
参照物实际尺寸获取模块,用于获取预先存储的参照物的实际尺寸;
车架号实际尺寸获取模块,用于根据所述车架号图像尺寸、参照物图像尺寸和参照物的实际尺寸计算车架号实际尺寸。
16.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至14中任一项所述方法的步骤。
17.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至14中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040115.2A CN110796709A (zh) | 2019-10-29 | 2019-10-29 | 车架号尺寸获取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040115.2A CN110796709A (zh) | 2019-10-29 | 2019-10-29 | 车架号尺寸获取方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110796709A true CN110796709A (zh) | 2020-02-14 |
Family
ID=69442051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911040115.2A Pending CN110796709A (zh) | 2019-10-29 | 2019-10-29 | 车架号尺寸获取方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796709A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368745A (zh) * | 2020-03-06 | 2020-07-03 | 上海眼控科技股份有限公司 | 车架号图像生成方法、装置、计算机设备和存储介质 |
CN111401363A (zh) * | 2020-03-12 | 2020-07-10 | 上海眼控科技股份有限公司 | 车架号图像生成方法、装置、计算机设备和存储介质 |
CN111598100A (zh) * | 2020-05-21 | 2020-08-28 | 上海眼控科技股份有限公司 | 车架号识别方法、装置、计算机设备和存储介质 |
CN113960075A (zh) * | 2021-10-14 | 2022-01-21 | 科大讯飞(苏州)科技有限公司 | 一种安检设备及物品尺寸确定方法、存储介质、设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1972376A (zh) * | 2005-11-22 | 2007-05-30 | 中山市精灵视觉科技有限公司 | 一种机动车发动机号码或车架号码图像摄取方法 |
US20070127816A1 (en) * | 2003-08-15 | 2007-06-07 | Ivar Balslev | Computer-vision system for classification and spatial localization of bounded 3d-objects |
US20090027388A1 (en) * | 2007-07-25 | 2009-01-29 | Kabushiki Kaisha Square Enix (Also Trading As Square Enix Co., Ltd.) | Image generating apparatus, method of generating image, program, and recording medium |
CN107481284A (zh) * | 2017-08-25 | 2017-12-15 | 京东方科技集团股份有限公司 | 目标物跟踪轨迹精度测量的方法、装置、终端及系统 |
CN108234989A (zh) * | 2018-03-01 | 2018-06-29 | 四川大学 | 一种基于棋盘格标定板的会聚式集成成像拍摄方法 |
CN108596177A (zh) * | 2018-05-09 | 2018-09-28 | 大连方盛科技有限公司 | 一种机动车vin码拓印膜的计算机辅助甄别方法及系统 |
CN109035320A (zh) * | 2018-08-12 | 2018-12-18 | 浙江农林大学 | 基于单目视觉的深度提取方法 |
CN109740547A (zh) * | 2019-01-04 | 2019-05-10 | 平安科技(深圳)有限公司 | 一种图像处理方法、设备及计算机可读存储介质 |
CN109784322A (zh) * | 2019-01-04 | 2019-05-21 | 平安科技(深圳)有限公司 | 一种基于图像处理的vin码识别方法、设备及介质 |
CN110008950A (zh) * | 2019-03-13 | 2019-07-12 | 南京大学 | 一种对形状鲁棒的自然场景中文本检测的方法 |
CN110060200A (zh) * | 2019-03-18 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 图像透视变换方法、装置及设备 |
CN110334586A (zh) * | 2019-05-22 | 2019-10-15 | 深圳壹账通智能科技有限公司 | 一种汽车识别方法、装置、计算机系统及可读存储介质 |
-
2019
- 2019-10-29 CN CN201911040115.2A patent/CN110796709A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070127816A1 (en) * | 2003-08-15 | 2007-06-07 | Ivar Balslev | Computer-vision system for classification and spatial localization of bounded 3d-objects |
CN1972376A (zh) * | 2005-11-22 | 2007-05-30 | 中山市精灵视觉科技有限公司 | 一种机动车发动机号码或车架号码图像摄取方法 |
US20090027388A1 (en) * | 2007-07-25 | 2009-01-29 | Kabushiki Kaisha Square Enix (Also Trading As Square Enix Co., Ltd.) | Image generating apparatus, method of generating image, program, and recording medium |
CN107481284A (zh) * | 2017-08-25 | 2017-12-15 | 京东方科技集团股份有限公司 | 目标物跟踪轨迹精度测量的方法、装置、终端及系统 |
CN108234989A (zh) * | 2018-03-01 | 2018-06-29 | 四川大学 | 一种基于棋盘格标定板的会聚式集成成像拍摄方法 |
CN108596177A (zh) * | 2018-05-09 | 2018-09-28 | 大连方盛科技有限公司 | 一种机动车vin码拓印膜的计算机辅助甄别方法及系统 |
CN109035320A (zh) * | 2018-08-12 | 2018-12-18 | 浙江农林大学 | 基于单目视觉的深度提取方法 |
CN109740547A (zh) * | 2019-01-04 | 2019-05-10 | 平安科技(深圳)有限公司 | 一种图像处理方法、设备及计算机可读存储介质 |
CN109784322A (zh) * | 2019-01-04 | 2019-05-21 | 平安科技(深圳)有限公司 | 一种基于图像处理的vin码识别方法、设备及介质 |
CN110008950A (zh) * | 2019-03-13 | 2019-07-12 | 南京大学 | 一种对形状鲁棒的自然场景中文本检测的方法 |
CN110060200A (zh) * | 2019-03-18 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 图像透视变换方法、装置及设备 |
CN110334586A (zh) * | 2019-05-22 | 2019-10-15 | 深圳壹账通智能科技有限公司 | 一种汽车识别方法、装置、计算机系统及可读存储介质 |
Non-Patent Citations (4)
Title |
---|
ADRIAN ROSEBROCK: "《4 Point OpenCV getPerspective Transform Example》", 25 August 2014, PYIMAGESEARCH, HTTPS://WWW.PYIMAGESEARCH.COM/2014/08/25/4-POINT-OPENCV-GETPERSPECTIVE-TRANSFORM-EXAMPLE/ * |
ADRIAN ROSEBROCK: "《Measuring size of objects in an image with OpenCV》", 28 March 2016, PYIMAGESEARCH,HTTPS://WWW.PYIMAGESEARCH.COM/2016/03/28/MEASURING-SIZE-OF-OBJECTS-IN-AN-IMAGE-WITH-OPENCV/ * |
王明平 等: ""基于计算机视觉的车架号采集系统"", 《计算机技术与发展》 * |
赵银娣: "《遥感数字图像处理教程——IDL编程实现》", 31 December 2015 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368745A (zh) * | 2020-03-06 | 2020-07-03 | 上海眼控科技股份有限公司 | 车架号图像生成方法、装置、计算机设备和存储介质 |
CN111401363A (zh) * | 2020-03-12 | 2020-07-10 | 上海眼控科技股份有限公司 | 车架号图像生成方法、装置、计算机设备和存储介质 |
CN111598100A (zh) * | 2020-05-21 | 2020-08-28 | 上海眼控科技股份有限公司 | 车架号识别方法、装置、计算机设备和存储介质 |
CN113960075A (zh) * | 2021-10-14 | 2022-01-21 | 科大讯飞(苏州)科技有限公司 | 一种安检设备及物品尺寸确定方法、存储介质、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796709A (zh) | 车架号尺寸获取方法、装置、计算机设备和存储介质 | |
CN108062784B (zh) | 三维模型纹理贴图转换方法与装置 | |
CN109737874B (zh) | 基于三维视觉技术的物体尺寸测量方法及装置 | |
CN111307039A (zh) | 一种物体长度识别方法、装置、终端设备和存储介质 | |
CN113689578A (zh) | 一种人体数据集生成方法及装置 | |
CN113850807B (zh) | 图像亚像素匹配定位方法、系统、设备及介质 | |
CN111985477A (zh) | 基于单目摄像头的动物体在线核赔方法、装置及存储介质 | |
CN112017231A (zh) | 基于单目摄像头的人体体重识别方法、装置及存储介质 | |
CN112991456A (zh) | 拍摄定位方法、装置、计算机设备和存储介质 | |
CN111832561B (zh) | 基于计算机视觉的字符序列识别方法、装置、设备和介质 | |
CN111145167A (zh) | 平整度检测方法、装置、计算机设备和存储介质 | |
JP7033439B2 (ja) | 石垣管理システム、石垣管理方法及びコンピュータプログラム | |
CN115147499A (zh) | 标定参数确定方法、混合标定板、装置、设备和介质 | |
CN111220235A (zh) | 水位监测方法及装置 | |
CN111401363A (zh) | 车架号图像生成方法、装置、计算机设备和存储介质 | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN110766077A (zh) | 证据链图像中特写图筛选方法、装置和设备 | |
CN112579810B (zh) | 印刷电路板分类方法、装置、计算机设备和存储介质 | |
CN112001963A (zh) | 消防通道的排查的方法、系统和计算机设备 | |
CN113378864B (zh) | 一种锚框参数的确定方法、装置、设备及可读存储介质 | |
CN115937003A (zh) | 图像处理方法、装置、终端设备和可读存储介质 | |
CN114004839A (zh) | 全景图像的图像分割方法、装置、计算机设备和存储介质 | |
CN112233020A (zh) | 无人机图像拼接方法、装置、计算机设备及存储介质 | |
US20220005223A1 (en) | Coordinate calculation apparatus, coordinate calculation method, and computer-readable recording medium | |
JP7214023B1 (ja) | 配筋検査装置、配筋検査方法およびプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200214 |
|
RJ01 | Rejection of invention patent application after publication |