CN110969176A - 一种车牌样本扩增方法、装置和计算机设备 - Google Patents
一种车牌样本扩增方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN110969176A CN110969176A CN201811150561.4A CN201811150561A CN110969176A CN 110969176 A CN110969176 A CN 110969176A CN 201811150561 A CN201811150561 A CN 201811150561A CN 110969176 A CN110969176 A CN 110969176A
- Authority
- CN
- China
- Prior art keywords
- character
- license plate
- image
- original license
- ith
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000003321 amplification Effects 0.000 title claims abstract description 32
- 238000003199 nucleic acid amplification method Methods 0.000 title claims abstract description 32
- 238000012937 correction Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003190 augmentative effect Effects 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 18
- 238000013135 deep learning Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V30/158—Segmentation of character regions using character size, text spacings or pitch estimation
-
- 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
-
- 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)
- 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)
- Character Input (AREA)
- Traffic Control Systems (AREA)
- Character Discrimination (AREA)
Abstract
本申请提供的车牌样本扩增方法,包括:获取待处理原始车牌的前景像素点的第一像素值和背景像素点的第二像素值;将所述原始车牌中的各个字符替换为预先获得的字符库中的图像字符,并依据所述第一像素值和所述第二像素值对替换到所述原始车牌上的各个图像字符进行颜色校正,得到扩增车牌;其中,所述字符库基于采集到的与所述原始车牌处于同一区域的所有原始车牌预先获得。本申请提供的车牌样本扩增方法、装置和计算机设备,针对稀有车牌,可扩增出大量的扩增车牌,且扩增出的扩增车牌内容相似度较小,有利于提高利用包含该扩增车牌在内的训练样本训练好的识别模型的泛化能力,提高该识别模型的识别准确率。
Description
技术领域
本申请涉及车牌识别领域,尤其涉及一种车牌样本扩增方法、装置和计算机设备。
背景技术
车牌识别作为智能交通系统的重要组成部分,在车辆管理、车辆监控,交通流量监测、交通控制、被盗车辆及特种车辆的甄别等方面发挥着重要作用。目前,常采用基于深度学习的车牌识别方法对车牌进行识别。
基于深度学习的车牌识别方法大都是样本驱动型方法,即只有在训练样本包括各类型车牌样本时,该基于深度学习的车牌识别方法识别准确率才较高。因此,为了提高识别准确率,往往需要采集大量的车牌样本。但是,对于某类型车牌(例如,武警车辆的车牌)来说,由于该类型车牌较稀有,不容易采集大量该类型车牌,此时,为了得到大量样本车牌,需要对该类型车牌进行样本扩增。
目前,常采用缩放、倾斜变换等方法进行样本扩增。但是,采用上述方法进行样本扩增后,得到的扩增车牌往往内容较相似,使得利用包含该扩增车牌在内的训练样本训练好的识别模型泛化能力不强,识别准确率较低。
发明内容
有鉴于此,本申请提供一种车牌样本扩增方法、装置和计算机设备,以降低扩增车牌的内容相似度,进而提高利用包含扩增车牌在内的训练样本训练好的识别模型的泛化能力,提高该识别模型的识别准确率。
本申请第一方面提供一种车牌样本扩增方法,包括:
获取待处理原始车牌的前景像素点的第一像素值和背景像素点的第二像素值;
将所述原始车牌中的各个字符替换为预先获得的字符库中的图像字符,并依据所述第一像素值和所述第二像素值对替换到所述原始车牌上的各个图像字符进行颜色校正,得到扩增车牌;其中,所述字符库基于采集到的与所述原始车牌处于同一区域的所有原始车牌预先获得。
本申请第二方面提供一种车牌样本扩增装置,所述装置包括获取模块、替换模块和校正模块,其中,
所述获取模块,用于获取待处理原始车牌的前景像素点的第一像素值和背景像素点的第二像素值;
所述替换模块,用于将所述原始车牌中的各个字符替换为预先获得的字符库中的图像字符;其中,所述字符库基于采集到的与所述原始车牌处于同一区域的所有原始车牌预先获得;
所述校正模块,用于依据所述第一像素值和所述第二像素值对替换到所述原始车牌上的各个图像字符进行颜色校正,得到扩增车牌。
本申请第三方面提供一种计算机存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本申请第一方面提供的任一项所述方法的步骤。
本申请第四方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本申请第一方面提供的任一项所述方法的步骤。
本申请提供的车牌样本扩增方法、装置和计算机设备,通过获取待处理原始车牌的前景像素点的第一像素值和背景像素点的第二像素值,并将所述原始车牌中的各个字符替换为预先获得的字符库中的图像字符,进而依据所述第一像素值和所述第二像素值对替换到所述原始车牌上的各个图像字符进行颜色校正,得到扩增车牌。其中,上述字符库基于采集到的与上述原始车牌处于同一区域的所有原始车牌预先获得。这样,通过该方法,可基于原始车牌得到扩增车牌,并且,基于字符替换,使得得到的扩增车牌内容相差较大,这样,有利于提高利用包含这些扩增车牌在内的训练样本训练好的识别模型的泛化能力,提高该识别模型的识别准确率。
附图说明
图1为相关技术公开的基于深度学习的车牌识别方法的流程图;
图2为本申请一示例性实施例示出的香港地区车牌的示意图;
图3为图2所示车牌的结构示意图;
图4为本申请提供的车牌样本扩增方法实施例一的示意图;
图5为本申请一示例性实施例示出的采集到的处于同一区域的所有原始车牌的示意图;
图6为一示例性实施例示出的对原始车牌进行前后景色标定的实现原理图;
图7为本申请一示例性实施例示出的字符库的示意图;
图8为本申请一示例性实施例示出的基于原始车牌进行样本扩增得到扩增车牌的示意图;
图9为利用图8所示的原始车牌得到的扩增车牌的示意图;
图10为本申请提供的车牌样本扩增方法实施例二的流程图;
图11为本申请一示例性实施例示出的车牌样本扩增装置所在计算机设备的硬件结构图;
图12为本申请提供的车牌样本扩增装置实施例一的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
车牌识别作为智能交通系统的重要组成部分,在车辆管理、车辆监控,交通流量监测、交通控制、被盗车辆及特种车辆的甄别等方面发挥着重要作用。目前,常采用基于深度学习的车牌识别方法对车牌进行识别。
图1为相关技术公开的基于深度学习的车牌识别方法的流程图。请参照图1,基于深度学习的车牌识别方法,一般包括车牌检测、车牌识别和后处理三个部分。其中,车牌检测,主要是指从待识别图像中定位车牌所在的目标区域;车牌识别,主要是指对目标区域进行识别,得到识别结果;后处理主要是指对识别结果进行校验,得到识别出的车牌号码。其中,车牌识别是该基于深度学习的车牌识别方法的核心,其一般通过识别模型实现。进一步地,为了得到该识别模型,需要获取训练样本,进而采用训练样本训练该识别模型,得到训练好的识别模型。
可以理解的是,足够的训练样本和先进的识别算法是获得一个好的识别模型的关键。然而,识别算法的改进对识别模型识别效果的提升往往十分有限,识别模型识别效果的提升往往更依赖于训练样本在数量、质量和分布范围上的改善,即识别模型的效果提升往往依靠样本驱动。
然而,对于大部分车牌来说,很容易采集足够的样本。但是,针对某些类型比较罕见的车牌,却不容易采集足够的样本用于训练识别模型。例如,图2为本申请一示例性实施例示出的香港地区车牌的示意图。参照图2,以香港地区车牌为例,其中,图2中的A图为香港地区标准车牌,图2中的B图为香港地区非标准车牌。图3为图2所示车牌的结构示意图。请参照图2和图3,可见,针对香港地区的车牌来说,标准车牌的车牌结构固定,为2个英文字母加4个数字,对于标准车牌来说,容易采集,样本丰富,在该类型车牌上,识别模型能够达到较高的识别准确率;然而,对于非标准车牌来说,由于该类型车牌所占比例较小,采样困难;并且该类型车牌包含的字符个数、字符类型和字符的排列方式均不固定,若样本较少,针对该类型车牌,识别模型的识别准确率必然较低。因此,为了提高识别模型对该类型车牌的识别准确率,需要对该类型车牌进行样本扩增。
目前,常采用缩放、倾斜变换等方法进行车牌样本扩增,但是,采用上述方法进行车牌样本扩增后,得到的扩增车牌往往内容较相似,使得利用包含该扩增车牌在内的训练样本训练好的识别模型泛化能力不强,识别准确率较低。
本申请提供一种车牌样本扩增方法、装置和计算机设备,以降低扩增车牌的内容相似度,进而提高利用包含扩增车牌在内的训练样本训练好的识别模型的泛化能力,提高该识别模型的识别准确率。
下面给出几个具体的实施例,用于详细介绍本申请的技术方案。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图4为本申请提供的车牌样本扩增方法实施例一的示意图。请参照图4,本实施例提供的方法,可以包括:
S401、获取待处理原始车牌的前景像素点的第一像素值和背景像素点的第二像素值。
具体的,待处理原始车牌可以是采集到的与上述原始车牌处于同一区域的所有原始车牌中清晰度较好的原始车牌。例如,图5为本申请一示例性实施例示出的采集到的处于同一区域的所有原始车牌的示意图。参照图5,采集的原始车牌往往质量不一,由于样本扩增时需要对原始车牌进行复杂的处理,若原始车牌非常模糊或字符非常倾斜等,则后续操作将难以进行,继而影响扩增出的扩增车牌的质量。因此,本申请中,从采集到的处于同一区域的所有原始车牌中选择清晰度较好的原始车牌作为待处理原始车牌。
进一步地,可基于预先设定的前景色范围确定待处理原始车牌的前景像素点,进而得到前景像素点的第一像素值。并基于预先设定的背景色范围确定待处理原始车牌的背景像素点,进而得到背景像素点的第二像素值。
例如,一实施例中,预先设定的前景色范围为[10%25%]、背景色范围为[60%80%],此时,就将原始车牌的所有像素点按照灰度值从大到小的顺序排序,进而将处于10%到25%的像素点确定为前景像素点,以及将处于60%到80%的像素点确定为背景像素点。例如,假设上述原始图像包含100个像素点,将这100个像素点按照灰度值从大到小的顺序排序后,确定第10个像素点到第25个像素点为前景像素点,确定第60个像素点到底80个像素点为背景像素点。这样,在确定了前景像素点和背景像素点之后,即可得到前景像素点的第一像素值和背景像素点的第二像素值。
需要说明的是,预先设定的前景色范围和背景色范围可以是用户指定的经验值,或者是,预先设定的前景色范围和背景色范围可以是用户预先对上述原始车牌进行前后景色标定得到的前景色范围和背景色范围。
下面简单介绍一下对原始车牌进行前后景色标定的实现原理。图6为一示例性实施例示出的对原始车牌进行前后景色标定的实现原理图。请参照图6,其中,图6中的A图为原始车牌,B图该原始车牌对应的灰度图。进行前后景色标定时,将该原始车牌中的所有像素点按照灰度值从大到小的顺序排列,图6中,按照灰度值从大到小的顺序,将各个像素点一列一列的排列,得到图6中的C图。进一步地,在前后景色标定时,认为最小灰度值和最大灰度值对应的像素点为车牌中的异常点,因此,在图6所示示例中,标定前景色范围为10%-25%,即前景像素点为C图中处于10%-25%之间的像素点。进一步地,标定背景色范围为60%-80%,即背景像素点为C图中处于60%-80%之间的像素点。
S402、将上述原始车牌中的各个字符替换为预先获得的字符库中的图像字符;其中,上述字符库基于采集到的与上述原始车牌处于同一区域的所有原始车牌预先获得。
具体的,在本申请一可能的实现方式中,字符库可以是通过以下方法获得的,该方法包括:
(1)针对采集到与上述原始车牌处于同一区域的每个原始车牌,依据预先标定的该原始车牌上的各个字符的字符值和位置信息,从该原始车牌中截取各个字符,得到各个字符对应的图像字符;其中,上述图像字符携带尺寸值和字符值;
(2)将各个图像字符按照字符值分类存储,得到字符库;其中,上述字符库由多个子字符库构成,每个子字符库用于存储字符值相同的图像字符。
具体的,针对采集到的每个原始车牌,首先预先标定该原始车牌上的各个字符的字符值和位置信息,以便基于各个字符的位置信息,从原始车牌上将各个字符截取出来,得到各个字符对应的图像字符。
具体的,在标定原始车牌上的各个字符的位置信息时,既不能使字符外框太大,也不能使字符外框太小。需要说明的是,各个字符的位置信息包括两个像素点的像素坐标,这两个像素点即确定了字符外框(这两个像素点构成字符外框的对角点)。这样,基于预先标定的各个字符的位置信息,即可从原始车牌上截取各个字符,得到各个字符的图像字符。进一步地,通过位置信息,还可以确定该图像字符的尺寸值。例如,图像字符的尺寸值可以表示为A*B,其中,A和B分别表示该图像字符的宽和高。
进一步地,当得到各个字符对应的图像字符后,可将各个图像字符按照字符值分类存储,得到字符库。需要说明的是,该字符库由多个子字符库构成,每个子字符库用于存储字符值相同的图像字符。例如,图7为本申请一示例性实施例示出的字符库的示意图。请参照图7,该字符库包括35个子字符库,每个子字符库分别用于存储字符值相同的图像字符。例如,文件名为0的子字符库,用于存储字符值为0的图像字符。
具体的,本步骤中,将原始车牌中的各个字符逐个用字符库中的图像字符替换。有关该步骤的具体实现过程和实现原理将在下面的实施例中详细介绍,此处不再赘述。
S403、依据上述第一像素值和上述第二像素值对替换到上述原始车牌上的各个图像字符进行颜色校正,得到扩增车牌。
(1)确定替换到上述原始车牌上的各个图像字符的前景像素点和背景像素点。
具体的,针对任意一个替换到上述原始车牌上的图像字符,可将该图像字符的所有像素点按照灰度值从大到小的顺序排列,进而将前30%个像素点确定为前景像素点,将后50%个像素点确定为背景像素点。其中,30%和50%为用户指定的经验值。
(2)将替换到上述原始车牌上的各个图像字符的前景像素点的像素值更新为上述第一像素值,并将替换到上述原始车牌上的各个图像字符的背景像素点的像素值更新为上述第二像素值,得到扩展车牌。
需要说明的是,本申请提供的方法,可以将原始车牌中的所有字符替换完后,再进行颜色校正,也可以每替换一个字符,就进行一下颜色校正。本申请中,不对此进行限定。图8为本申请一示例性实施例示出的基于原始车牌进行样本扩增得到扩增车牌的示意图。请参照图8,在图8所示示例中,每替换一个字符,就进行一下颜色校正,直至替换完最后一个字符,最后得到扩增车牌。
图9为利用图8所示的原始车牌得到的扩增车牌的示意图。请参照图9,利用本申请提供的方法,针对一个原始车牌,可扩增出多个扩增车牌,且各个扩增车牌的内容不同,各个扩增车牌的相似度较低,这样,利用这些扩增车牌训练识别模型后,可提高该识别模型的泛化程度,进而提高该识别模型的准确率。
本实施例提供的车牌样本扩增方法,通过获取待处理原始车牌的前景像素点的第一像素值和背景像素点的第二像素值,并将所述原始车牌中的各个字符替换为预先获得的字符库中的图像字符,进而依据所述第一像素值和所述第二像素值对替换到所述原始车牌上的各个图像字符进行颜色校正,得到扩增车牌。其中,上述字符库基于采集到的与上述原始车牌处于同一区域的所有原始车牌预先获得。这样,通过该方法,可基于原始车牌得到扩增车牌,并且,基于字符替换,使得得到的扩增车牌内容相差较大,这样,有利于提高利用包含这些扩增车牌在内的训练样本训练好的识别模型的泛化能力,提高该识别模型的识别准确率。
图10为本申请提供的车牌样本扩增方法实施例二的流程图。请参照图10,本实施例提供的方法,在上述实施例的基础上,步骤S402,将上述原始车牌中的各个字符替换为预先获得的字符库中的图像字符,可以包括:
S1001、依据预先标定的上述原始车牌上的第i个字符的位置信息,确定上述第i个字符的目标尺寸值。
具体的,目标尺寸值可以用宽*高表征。参见前面的介绍,预先标定的原始车牌上的第i个字符的位置信息,包括两个像素点的像素坐标。本步骤中,可基于这两个像素点的像素坐标,得到第i个字符对应的图像字符的宽和高,进而得到第i个字符的目标尺寸值。例如,一实施例中,得到第i个字符的目标尺寸值为20*30。
S1002、从上述字符库中为上述第i个字符选择一个用于替换上述第i个字符的候选图像字符。
具体的,可从字符库中选择一个子字符库作为目标子字符库,进而从该目标子字符库中选择一个图像字符作为候选图像字符。
可选的,在本申请一可能的实现方式中,该步骤的具体实现过程,可以包括:
依据字符库中各个图像字符携带的尺寸值,从字符库中为第i个字符选择一个尺寸值大于或等于上述目标尺寸值的候选图像字符。
需要说明的是,通过为第i个字符选择一个尺寸值大于或等于上述目标尺寸值的候选图像字符,这样,可避免扩增车牌中的字符模糊,可提高扩增车牌的质量。
可选地,在本申请另一可能的实现方式中,本步骤的具体实现过程,可以包括:
依据预先标定的所述原始车牌上的第i个字符的第一字符值,从上述字符库中为上述第i个字符选择一个字符类型与上述第一字符值的字符类型相同的候选图像字符。
需要通过的是,字符类型包括数字和字母。此外,通过为上述第i个字符选择一个字符类型与预先标定的该第i个字符的第一字符值的字符类型相同的候选图像字符。这样,可保证扩增车牌与原始车牌结构一致。
可选的,在再一可能的实现方式中,该步骤的具体实现过程,可以包括:
(1)依据预先标定的所述原始车牌上的第i个字符的第一字符值,确定所述第i个字符是否为指定字符。
(2)若否,从上述字符库中为上述第i个字符选择一个候选图像字符;
(3)若是,从上述字符库中除指定图像字符之外的其他图像字符中为上述第i个字符选择一个候选图像字符。
本申请中,为了防止图像字符在缩放时发生变形,跳过1/I或I/1的替换,即将指定字符指定为1或I,并将指定图像字符设定为1对应的字符图像和I对应的图像字符。
例如,一实施例中,针对第1个字符,预先标定的该第1个字符的第一字符值为5,此时,确定该第1个字符不是指定字符,此时,从上述字符库中为该字符随机选择一个候选图像字符。再例如,针对第二个字符,预先标定的该第2个字符的第一字符值为1,此时,确定该第1个字符1是指定字符,此时,只能从除1对应的字符图像和I对应的图像字符之外的其他图像字符中为该字符选择一个候选图像字符。
S1003、在上述候选图像字符携带的尺寸值与上述目标尺寸值匹配时,将上述第i个字符用上述候选图像字符替换;在上述候选图像字符携带的尺寸值与上述目标尺寸值不匹配时,将上述候选图像字符缩放为尺寸值与上述目标尺寸值匹配的备选图像字符,并将上述第i个字符用上述备选图像字符替换。
例如,在候选图像字符的尺寸值大于目标尺寸值,将候选图像字符缩小为尺寸值与目标存储值匹配的备选图像字符;而在候选图像字符的尺寸值小于目标尺寸值,将候选图像字符放大为尺寸值与目标存储值匹配的备选图像字符。需要说明的是,候选图像字符携带的尺寸值与上述目标尺寸值匹配指的是候选图像字符携带的尺寸值与目标尺寸值相等。
与前述车牌样本扩增方法的实施例相对应,本申请还提供了车牌样本扩增装置的实施例。
本申请车牌样本扩增装置的实施例可以应用在计算机设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在计算机设备的处理器将存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图11所示,为本申请一示例性实施例示出的车牌样本扩增装置所在计算机设备的硬件结构图,除了图11所示的存储器1、处理器2和内存3之外,实施例中装置所在的计算机设备通常根据该车牌样本扩增方法的实际功能,还可以包括其他硬件,对此不再赘述。
图12为本申请提供的车牌样本扩增装置实施例一的结构示意图。请参照图12,本实施例提供的车牌样本扩增装置,可以包括获取模块100、替换模块200和校正模块300,其中,
所述获取模块100,用于获取待处理原始车牌的前景像素点的第一像素值和背景像素点的第二像素值;
所述替换模块200,用于将所述原始车牌中的各个字符替换为预先获得的字符库中的图像字符;其中,所述字符库基于采集到的与所述原始车牌处于同一区域的所有原始车牌预先获得;
所述校正模块300,用于依据所述第一像素值和所述第二像素值对替换到所述原始车牌上的各个图像字符进行颜色校正,得到扩增车牌。
本实施例的装置,可用于执行图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本申请还提供一种计算机存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本申请提供的任一项所述方法的步骤
具体的,适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备,例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。
请继续参照图11,本申请还提供一种计算机设备,包括存储器1、处理器2及存储在存储器2上并可在处理器2上运行的计算机程序,所述处理器执行所述程序时实现本申请提供的任一项所述方法的步骤。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种车牌样本扩增方法,其特征在于,所述方法包括:
获取待处理原始车牌的前景像素点的第一像素值和背景像素点的第二像素值;
将所述原始车牌中的各个字符替换为预先获得的字符库中的图像字符,并依据所述第一像素值和所述第二像素值对替换到所述原始车牌上的各个图像字符进行颜色校正,得到扩增车牌;其中,所述字符库基于采集到的与所述原始车牌处于同一区域的所有原始车牌预先获得。
2.根据权利要求1所述的方法,其特征在于,所述字符库通过以下方法获得:
针对采集到的与所述原始车牌处于同一区域的每个原始车牌,依据预先标定的该原始车牌上的各个字符的字符值和位置信息,从该原始车牌中截取各个字符,得到各个字符对应的图像字符;其中,所述图像字符携带尺寸值和字符值;
将各个图像字符按照字符值分类存储,得到所述字符库;其中,所述字符库由多个子字符库构成,每个子字符库用于存储字符值相同的图像字符。
3.根据权利要求2所述的方法,其特征在于,所述将所述原始车牌中的各个字符替换为预先获得的字符库中的图像字符,包括:
依据预先标定的所述原始车牌上的第i个字符的位置信息,确定所述第i个字符的目标尺寸值;
从所述字符库中为所述第i个字符选择一个用于替换所述第i个字符的候选图像字符;
在所述候选图像字符携带的尺寸值与所述目标尺寸值匹配时,将所述第i个字符用所述候选图像字符替换;在所述候选图像字符携带的尺寸值与所述目标尺寸值不匹配时,将所述候选图像字符缩放为尺寸值与所述目标尺寸值匹配的备选图像字符,并将所述第i个字符用所述备选图像字符替换。
4.根据权利要求3所述的方法,其特征在于,所述从所述字符库中为所述第i个字符选择一个用于替换所述第i个字符的候选图像字符,包括:
依据所述字符库中各个图像字符携带的尺寸值,从所述字符库中为所述第i个字符选择一个尺寸值大于或等于所述目标尺寸值的候选图像字符。
5.根据权利要求3所述的方法,其特征在于,所述从所述字符库中为所述第i个字符选择一个用于替换所述第i个字符的候选图像字符,包括:
依据预先标定的所述原始车牌上的第i个字符的第一字符值,从所述字符库中为所述第i个字符选择一个字符类型与所述第一字符值的字符类型相同的候选图像字符。
6.根据权利要求3所述的方法,其特征在于,从所述字符库中为所述第i个字符选择一个用于替换所述第i个字符的候选图像字符,包括:
依据预先标定的所述原始车牌上的第i个字符的第一字符值,确定所述第i个字符是否为指定字符;
若否,从所述字符库中为所述第i个字符选择一个候选图像字符;
若是,从所述字符库中除指定图像字符之外的其他图像字符中为所述第i个字符选择一个候选图像字符。
7.根据权利要求1所述的方法,其特征在于,所述依据所述第一像素值和所述第二像素值对替换到所述原始车牌上的各个图像字符进行颜色校正,得到扩增车牌,包括:
确定替换到所述原始车牌上的各个图像字符的前景像素点和背景像素点;
将替换到所述原始车牌上的各个图像字符的前景像素点的像素值更新为所述第一像素值,并将替换到所述原始车牌上的各个图像字符的背景像素点的像素值更新为所述第二像素值,得到扩增车牌。
8.一种车牌样本扩增装置,其特征在于,所述装置包括获取模块、替换模块和校正模块,其中,
所述获取模块,用于获取待处理原始车牌的前景像素点的第一像素值和背景像素点的第二像素值;
所述替换模块,用于将所述原始车牌中的各个字符替换为预先获得的字符库中的图像字符;其中,所述字符库基于采集到的与所述原始车牌处于同一区域的所有原始车牌预先获得;
所述校正模块,用于依据所述第一像素值和所述第二像素值对替换到所述原始车牌上的各个图像字符进行颜色校正,得到扩增车牌。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811150561.4A CN110969176B (zh) | 2018-09-29 | 2018-09-29 | 一种车牌样本扩增方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811150561.4A CN110969176B (zh) | 2018-09-29 | 2018-09-29 | 一种车牌样本扩增方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969176A true CN110969176A (zh) | 2020-04-07 |
CN110969176B CN110969176B (zh) | 2023-12-29 |
Family
ID=70027377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811150561.4A Active CN110969176B (zh) | 2018-09-29 | 2018-09-29 | 一种车牌样本扩增方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969176B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112133101A (zh) * | 2020-09-22 | 2020-12-25 | 杭州海康威视数字技术股份有限公司 | 增强车牌区域的方法、装置、摄像装置、计算设备及存储介质 |
CN113240058A (zh) * | 2021-07-13 | 2021-08-10 | 北京文安智能技术股份有限公司 | 车牌图像训练集构造方法和车牌字符检测模型训练方法 |
CN113379869A (zh) * | 2021-07-23 | 2021-09-10 | 浙江大华技术股份有限公司 | 一种车牌图像生成方法、装置、电子设备及存储介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1085455A2 (en) * | 1999-09-15 | 2001-03-21 | Siemens Corporate Research, Inc. | License plate recognition with an intelligent camera |
US20080063276A1 (en) * | 2006-09-08 | 2008-03-13 | Luc Vincent | Shape clustering in post optical character recognition processing |
CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
US20120275653A1 (en) * | 2011-04-28 | 2012-11-01 | Industrial Technology Research Institute | Method for recognizing license plate image, and related computer program product, computer-readable recording medium, and image recognizing apparatus using the same |
US20130182910A1 (en) * | 2012-01-18 | 2013-07-18 | Xerox Corporation | License plate optical character recognition method and system |
US20160162750A1 (en) * | 2014-12-05 | 2016-06-09 | Delphi Technologies, Inc. | Method Of Generating A Training Image For An Automated Vehicle Object Recognition System |
CN105809164A (zh) * | 2016-03-11 | 2016-07-27 | 北京旷视科技有限公司 | 文字识别方法和装置 |
CN106295646A (zh) * | 2016-08-10 | 2017-01-04 | 东方网力科技股份有限公司 | 一种基于深度学习的车牌字符分割方法和装置 |
CN106778736A (zh) * | 2016-11-25 | 2017-05-31 | 四川九洲电器集团有限责任公司 | 一种鲁棒的车牌识别方法及其系统 |
CN107274345A (zh) * | 2017-06-07 | 2017-10-20 | 众安信息技术服务有限公司 | 一种中文打印字符图像合成方法及装置 |
CN107357778A (zh) * | 2017-06-22 | 2017-11-17 | 达而观信息科技(上海)有限公司 | 一种变形词的识别验证方法及系统 |
CN107679074A (zh) * | 2017-08-25 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 一种图片生成方法与设备 |
CN107886130A (zh) * | 2017-11-21 | 2018-04-06 | 华北电力大学(保定) | 一种基于聚类和相似度加权的kNN快速分类方法 |
CN108073926A (zh) * | 2016-11-17 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
CN108364010A (zh) * | 2018-03-08 | 2018-08-03 | 广东工业大学 | 一种车牌识别方法、装置、设备及计算机可读存储介质 |
CN108509915A (zh) * | 2018-04-03 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 人脸识别模型的生成方法和装置 |
CN108573254A (zh) * | 2017-03-13 | 2018-09-25 | 北京君正集成电路股份有限公司 | 车牌字符灰度图的生成方法 |
-
2018
- 2018-09-29 CN CN201811150561.4A patent/CN110969176B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1085455A2 (en) * | 1999-09-15 | 2001-03-21 | Siemens Corporate Research, Inc. | License plate recognition with an intelligent camera |
US20080063276A1 (en) * | 2006-09-08 | 2008-03-13 | Luc Vincent | Shape clustering in post optical character recognition processing |
CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
US20120275653A1 (en) * | 2011-04-28 | 2012-11-01 | Industrial Technology Research Institute | Method for recognizing license plate image, and related computer program product, computer-readable recording medium, and image recognizing apparatus using the same |
US20130182910A1 (en) * | 2012-01-18 | 2013-07-18 | Xerox Corporation | License plate optical character recognition method and system |
US20160162750A1 (en) * | 2014-12-05 | 2016-06-09 | Delphi Technologies, Inc. | Method Of Generating A Training Image For An Automated Vehicle Object Recognition System |
CN105809164A (zh) * | 2016-03-11 | 2016-07-27 | 北京旷视科技有限公司 | 文字识别方法和装置 |
CN106295646A (zh) * | 2016-08-10 | 2017-01-04 | 东方网力科技股份有限公司 | 一种基于深度学习的车牌字符分割方法和装置 |
CN108073926A (zh) * | 2016-11-17 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
CN106778736A (zh) * | 2016-11-25 | 2017-05-31 | 四川九洲电器集团有限责任公司 | 一种鲁棒的车牌识别方法及其系统 |
CN108573254A (zh) * | 2017-03-13 | 2018-09-25 | 北京君正集成电路股份有限公司 | 车牌字符灰度图的生成方法 |
CN107274345A (zh) * | 2017-06-07 | 2017-10-20 | 众安信息技术服务有限公司 | 一种中文打印字符图像合成方法及装置 |
CN107357778A (zh) * | 2017-06-22 | 2017-11-17 | 达而观信息科技(上海)有限公司 | 一种变形词的识别验证方法及系统 |
CN107679074A (zh) * | 2017-08-25 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 一种图片生成方法与设备 |
CN107886130A (zh) * | 2017-11-21 | 2018-04-06 | 华北电力大学(保定) | 一种基于聚类和相似度加权的kNN快速分类方法 |
CN108364010A (zh) * | 2018-03-08 | 2018-08-03 | 广东工业大学 | 一种车牌识别方法、装置、设备及计算机可读存储介质 |
CN108509915A (zh) * | 2018-04-03 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 人脸识别模型的生成方法和装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112133101A (zh) * | 2020-09-22 | 2020-12-25 | 杭州海康威视数字技术股份有限公司 | 增强车牌区域的方法、装置、摄像装置、计算设备及存储介质 |
CN113240058A (zh) * | 2021-07-13 | 2021-08-10 | 北京文安智能技术股份有限公司 | 车牌图像训练集构造方法和车牌字符检测模型训练方法 |
CN113240058B (zh) * | 2021-07-13 | 2021-09-17 | 北京文安智能技术股份有限公司 | 车牌图像训练集构造方法和车牌字符检测模型训练方法 |
CN113379869A (zh) * | 2021-07-23 | 2021-09-10 | 浙江大华技术股份有限公司 | 一种车牌图像生成方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110969176B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229490B (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
CN110969176B (zh) | 一种车牌样本扩增方法、装置和计算机设备 | |
US6674915B1 (en) | Descriptors adjustment when using steerable pyramid to extract features for content based search | |
CN109344727A (zh) | 身份证文本信息检测方法及装置、可读存储介质和终端 | |
CN111598925B (zh) | 基于eco算法和区域生长分割的视觉目标跟踪方法及装置 | |
CN111612822B (zh) | 对象跟踪方法、装置、计算机设备和存储介质 | |
CN108875780A (zh) | 基于图像数据的图像间差异对象的获取方法以及装置 | |
CN112884782B (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
CN110163294B (zh) | 基于降维操作和卷积网络的遥感图像变化区域检测方法 | |
CN108537223B (zh) | 一种车牌检测方法、系统及设备和存储介质 | |
CN113643365A (zh) | 一种相机位姿估计方法、装置、设备以及可读存储介质 | |
JP2008251029A (ja) | 文字認識装置、ナンバープレート認識システム | |
CN111985537A (zh) | 一种目标图像识别方法、终端、系统和存储介质 | |
CN112651913B (zh) | 一种发票印章淡化方法、系统、装置及计算机存储介质 | |
CN113269752A (zh) | 一种图像检测方法、装置终端设备及存储介质 | |
JP2019021297A (ja) | 画像処理装置及び方法、電子機器 | |
JP2016053763A (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN109934858B (zh) | 图像配准方法及装置 | |
CN111126286A (zh) | 车辆动态检测方法、装置、计算机设备及存储介质 | |
CN110751163B (zh) | 目标定位方法及其装置、计算机可读存储介质和电子设备 | |
CN115984178A (zh) | 伪造图像检测方法、电子设备和计算机可读存储介质 | |
CN114119970B (zh) | 目标跟踪方法及装置 | |
CN111695377B (zh) | 一种文本检测方法、装置和计算机设备 | |
CN111723719B (zh) | 基于类别外部记忆的视频目标检测方法、系统、装置 | |
JP4264332B2 (ja) | 文字認識装置、ナンバープレート認識システム |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |