CN111063199B - 车辆与车牌的关联方法、装置及终端设备 - Google Patents

车辆与车牌的关联方法、装置及终端设备 Download PDF

Info

Publication number
CN111063199B
CN111063199B CN201911315399.1A CN201911315399A CN111063199B CN 111063199 B CN111063199 B CN 111063199B CN 201911315399 A CN201911315399 A CN 201911315399A CN 111063199 B CN111063199 B CN 111063199B
Authority
CN
China
Prior art keywords
vehicle
license plate
target
correlation
determining
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
Application number
CN201911315399.1A
Other languages
English (en)
Other versions
CN111063199A (zh
Inventor
唐健
张彦彬
吴鹏
黎明
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.)
Shenzhen Jieshun Science and Technology Industry Co Ltd
Original Assignee
Shenzhen Jieshun Science and Technology Industry 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 Shenzhen Jieshun Science and Technology Industry Co Ltd filed Critical Shenzhen Jieshun Science and Technology Industry Co Ltd
Priority to CN201911315399.1A priority Critical patent/CN111063199B/zh
Publication of CN111063199A publication Critical patent/CN111063199A/zh
Application granted granted Critical
Publication of CN111063199B publication Critical patent/CN111063199B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles

Abstract

本申请适用于图像处理技术领域，提供了车辆与车牌的关联方法、装置及终端设备，该车辆与车牌的关联方法包括：获取视频图像中车辆的车辆位置和车牌的车牌位置；其中，所述车辆和所述车牌均为多个；基于所述车辆位置和所述车牌位置，确定各个所述车辆与各个所述车牌之间的面积重叠程度；基于各个所述车辆与各个所述车牌之间的面积重叠程度，确定各个所述车辆与各个所述车牌之间的关联信息；基于所述关联信息，确定各个所述车辆与各个所述车牌之间的关联关系。本申请能够快速、准确地对多个车牌和多个车辆进行关联。

Description

车辆与车牌的关联方法、装置及终端设备
技术领域
本申请属于图像处理技术领域，尤其涉及车辆与车牌的关联方法、装置及终端设备。
背景技术
对于视频图像中存在多个车辆的情况下，如何实现车辆和车牌的相互关联是一个重要的问题。传统检测手段一般是先定位车辆所在区域，再通过对车辆区域检测车牌从而达到的车辆与车牌的关联，但此种方法的检测耗时随着车辆数目增多而增加，由于需要在每个区域进行都进行车牌检测，难以达到实时需求。
发明内容
为克服相关技术中存在的问题，本申请实施例提供了车辆与车牌的关联方法、装置及终端设备。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种车辆与车牌的关联方法，包括：
获取视频图像中车辆的车辆位置和车牌的车牌位置；其中，所述车辆和所述车牌均为多个；
基于所述车辆位置和所述车牌位置，确定各个所述车辆与各个所述车牌之间的面积重叠程度；
基于各个所述车辆与各个所述车牌之间的面积重叠程度，确定各个所述车辆与各个所述车牌之间的关联信息；
基于所述关联信息，确定各个所述车辆与各个所述车牌之间的关联关系。
在第一方面的一种可能的实现方式中，所述基于所述车辆位置和所述车牌位置，确定各个所述车辆与各个所述车牌之间的面积重叠程度，包括：
对于目标车辆位置和目标车牌位置，根据所述目标车辆位置和所述目标车牌位置之间的交集，与所述目标车牌位置的商，确定所述目标车辆位置与所述目标车牌位置之间面积重叠程度；
其中，所述目标车辆位置为任一车辆位置，所述目标车牌位置为任一车牌位置。
在第一方面的一种可能的实现方式中，所述基于各个所述车辆与各个所述车牌之间的面积重叠程度，确定各个所述车辆与各个所述车牌之间的关联信息，包括：
根据预设常数与各个所述车辆与各个所述车牌之间的面积重叠程度的差值，确定各个关联元素；其中，所述各个关联元素构成表征所述关联信息的关联矩阵。
在第一方面的一种可能的实现方式中，所述基于所述关联信息，确定各个所述车辆与各个所述车牌之间的关联关系，包括：
将所述关联矩阵各行的关联元素均减去对应行的最小关联元素，得到第一关联矩阵；
将所述第一关联矩阵各列的关联元素均减去对应列的最小关联元素，得到第二关联矩阵；
采用最少的行线和/或列线将所述第二关联矩阵中的所有零关联元素串接；
在所述第二关联矩阵中存在未被所述行线和/或列线串接的非零关联元素的情况下，将所述非零关联元素减去第一关联元素，将所述行线和列线的交点对应的关联元素加上所述第一关联元素，得到新的第二关联矩阵，并执行所述采用最少的行线和/或列线将所述第二关联矩阵中的所有零关联元素串接的步骤；其中，所述第一关联元素为所述非零关联元素中的最小值；
在所述第二关联矩阵中不存在未被所述行线和/或列线串接的非零关联元素的情况下，根据各个零关联元素确定相关联的车辆和车牌。
在第一方面的一种可能的实现方式中，所述根据各个零关联元素确定对应的车辆和车牌，包括：
获取每个所述零关联元素在所述第二关联矩阵中的目标行数和目标列数；
将所述目标行数和所述目标列数对应的车辆和车牌作为相关联的车辆和车牌。
在第一方面的一种可能的实现方式中，所述方法还包括验证相关联的目标车辆和目标车牌的关联关系的步骤；
所述验证相关联的目标车辆和目标车牌的关联关系，包括：
对所述目标车牌所在区域进行向外扩展处理，并采用车头回归网络对经所述向外扩展处理得到的外部区域进行车头回归处理，得到所述目标车牌所在区域对应的第一车头图像；
在所述目标车辆的前进方向上，将所述目标车辆的前半部分区域作为车头所在区域，采用所述车头回归网络对所述车头所在区域进行处理，得到第二车头图像；
基于所述第一车头图像和所述第二车头图像，确定所述目标车辆和所述目标车牌的关联关系。
在第一方面的一种可能的实现方式中，所述基于所述第一车头图像和所述第二车头图像，确定所述目标车辆和所述目标车牌的关联关系，包括：
对所述第一车头图像和所述第二车头图像进行匹配；
在匹配度大于或等于阈值的情况下，确定所述目标车辆和所述目标车牌关联成功；
在匹配度小于所述阈值的情况下，确定所述目标车辆和所述目标车牌未关联成功。
示例性的，通过
Figure GDA0002410351280000041
确定所述第一车头图像p1和所述第二车头图像p2的匹配度NCC(p1,p2)；其中，σ1为所述第一车头图像p1的标准差，σ2为所述第二车头图像p2的标准差，μ1为所述第一车头图像p1的均值，μ2为所述第二车头图像p2的均值，p1(x)为所述第一车头图像p1中第x个像素点的灰度值，p2(x)为所述第二车头图像p2中第x个像素点的灰度值。
第二方面，本申请实施例提供了一种车辆与车牌的关联装置，包括：
获取模块，用于获取视频图像中车辆的车辆位置和车牌的车牌位置；其中，所述车辆和所述车牌均为多个；
面积重叠程度确定模块，用于基于所述车辆位置和所述车牌位置，确定各个所述车辆与各个所述车牌之间的面积重叠程度；
关联信息确定模块，用于基于各个所述车辆与各个所述车牌之间的面积重叠程度，确定各个所述车辆与各个所述车牌之间的关联信息；
关联关系确定模块，用于基于所述关联信息，确定各个所述车辆与各个所述车牌之间的关联关系。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的车辆与车牌的关联方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的车辆与车牌的关联方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的车辆与车牌的关联方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例，根据视频图像中各个车辆的车辆位置和各个车牌的车牌位置，确定各个车辆与各个车牌之间的面积重叠程度，然后基于各个车辆与各个车牌之间的面积重叠程度确定各个车辆与各个车牌之间的关联信息，并根据该关联信息确定各个车辆和各个车牌之间的关联关系，通过车辆和车牌之间的面积重叠程度确定关联信息，在检测到多个车辆和多个车牌的情况下，能够较为快速地确定各个车辆和各个车牌之间的关联关系，而且准确性较高。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的车辆与车牌的关联方法的应用场景示意图；
图2是本申请一实施例提供的车辆与车牌的关联方法的流程示意图；
图3是本申请一实施例提供的车辆与车牌的关联方法的流程示意图；
图4是本申请一实施例提供的车辆与车牌的关联方法的流程示意图；
图5是本申请一实施例提供的车辆与车牌的关联方法的流程示意图；
图6是本申请一实施例提供的对关联矩阵进行处理的示意图；
图7是本申请一实施例提供的车辆与车牌的关联方法的流程示意图；
图8是本申请一实施例提供的车辆与车牌的关联装置的结构示意图；
图9是本申请一实施例提供的终端设备的结构示意图；
图10是本申请一实施例提供的车辆与车牌的关联方法所适用于的计算机的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
对于视频图像中存在多个车辆的情况下，如何实现车辆和车牌的相互关联是一个重要的问题。视频结构化的首先目标是要检测出视频场景中出现的所有车辆和车牌目标，并将识别出的车牌号以身份标识ID形式赋予其所在车辆。传统检测手段一般是先定位车辆所在区域，再通过对车辆区域检测车牌从而达到的车辆与车牌的关联，但此种方法的检测耗时随着车辆数目增多而增加，由于需要在每个区域进行都进行车牌检测，难以达到实时需求。
基于上述问题，本申请实施例中的车辆与车牌的关联方法，采集到的视频图像中包含多个车辆的车辆位置和多个车牌的车牌位置，根据各个车辆的车辆位置和各个车牌的车牌位置确定各个车辆与各个车牌之间的面积重叠程度，然后基于面积重叠程度确定各个车辆与各个车牌之间的关联关系，本申请实施例通过车辆和车牌之间的面积重叠程度确定车辆与车牌的关联关系，在检测到多个车辆和多个车牌的情况下，能够较为快速地确定各个车辆和各个车牌之间的关联关系，而且准确性较高。
举例说明，本申请实施例可以应用到如图1所示的示例性场景中，在该场景中，视频图像采集设备10用于采集目标区域中的图像，采集到的图像中包含多个车辆图像和多个车牌图像，并发送给车辆车牌关联设备20，此时各个车辆图像和各个车牌图像之间是没有关联关系的。车辆车牌关联设备20根据视频图像中各个车辆的车辆位置和各个车牌的车牌位置，确定车辆与车牌之间的面积重叠程度，然后基于面积重叠程度确定各个车辆与各个车牌之间的关联信息，并根据该关联信息确定各个车辆和各个车牌之间的关联关系。
需要说明的是，上述应用场景作为示例性说明吗，并不用于限定本申请实施例实施时的应用场景，事实上，本申请实施例也可以应用于其它应用场景中。比如，在另一些示例性应用场景中，也可以是由工作人员挑选包含多个车辆图像和车牌图像的图像发送给车辆车牌关联设备20等。
为了使本技术领域的人员更好地理解本发明方案，下面将结合图1，对本申请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。
图2是本申请一实施例提供的车辆与车牌的关联方法的示意性流程图，参照图2，对该车辆与车牌的关联方法的详述如下：
在步骤101中，获取视频图像中车辆的车辆位置和车牌的车牌位置。
其中，所述车辆和所述车牌均为多个。
示例性的，可以通过使用目标检测网络从上述视频图像中获取各个车辆的车辆位置和各个车牌的车牌位置，例如，可以通过YoloV3检测模型，对视频帧中所有车辆和车牌目标进行检测。YoloV3检测模型使用深度学习框架Darknet训练，基础网络为Darknet53，也可以使用其他通用性检测框架替换Darknet。当然，也可以通过其他目标监测网络对视频帧中所有车辆和车牌目标进行检测。
需要说明的是，可以每隔预设时间向视频图像采集设备发送依此视频图像获取指令，视频图像采集设备基于该指令返回一定时间段内的视频图像，从而对该一定时间段内的视频图像中的各个车辆和各个车牌进行关联；另外，视频图像采集设备也可以实时将采集到的视频图像返回，从而对接收到的视频图像实时进行车辆和车牌的关联，或每隔一段时间对接收到的所有视频图像进行车辆和车牌的关联，本申请实施例对此不予限定。
在步骤102中，基于所述车辆位置和所述车牌位置，确定各个所述车辆与各个所述车牌之间的面积重叠程度。
参见图3，一些实施例中，基于图2所示的实施例，步骤102实现过程可以为：
在步骤1021中，对于目标车辆位置和目标车牌位置，根据所述目标车辆位置和所述目标车牌位置之间的交集，与所述目标车牌位置的商，确定所述目标车辆位置与所述目标车牌位置之间面积重叠程度；
其中，所述目标车辆位置为任一车辆位置，所述目标车牌位置为任一车牌位置。示例性的，车辆位置和车牌位置可以为坐标的形式展现，车辆坐标和车牌坐标均对应一个坐标区域，例如可以为车辆的四个角的坐标构成的坐标区域，或由车牌的四个角的坐标构成的坐标区域。上述面积重叠程度可以为任一车辆坐标对应的区域和任一车牌坐标对应的区域之间的面积重叠率。
示例性的，可以将所有检测到的车辆坐标存入一数组A，数组A中各个元素为车辆坐标Ai，将所有检测到的车牌坐标存进一数组B，数组B中各个元素为车牌坐标Bi。对应的，步骤1021中的面积重叠程度具体可以为数组A与数组B中所有坐标的面积重叠率IOU来表示，其中IOUij＝(Ai∩Bj)/Bj，IOUij表示车牌坐标Bi对应的区域与车辆坐标Ai对应的区域之间的面积重叠程度
在步骤103中，基于各个所述车辆与各个所述车牌之间的面积重叠程度，确定各个所述车辆与各个所述车牌之间的关联信息。
如图3所示，在一些实施例中，基于图2所示的实施例，步骤103实现过程可以为：
在步骤1031中，根据预设常数与各个所述车辆与各个所述车牌之间的面积重叠程度的差值，确定各个关联元素。
其中，所述各个关联元素构成表征所述关联信息的关联矩阵。
示例性的，关联矩阵为
Figure GDA0002410351280000091
其中，Cij＝a-IOUij，i＝1,2,…,M，j＝1,2,…,N，M表示在视频图像中检测到的车辆的数目，N表示在视频图像中检测到的车牌的数目，即关联矩阵C的任一元素Cij为常数a与面积重叠率IOUij的差值。
本实施例中，a取值为1，但并不以此为限。
需要说明的是，当车辆的数目M与车牌的数目N不相等时，可以将关联矩阵C中空缺的元素置为1，再进行后续求解。
将各个车辆与各个车牌之间的关联信息转换为关联矩阵C之后，各个车辆与各个车牌的关联问题转化为最小化目标函数Z，记为：
Figure GDA0002410351280000101
在步骤104中，基于所述关联信息，确定各个所述车辆与各个所述车牌之间的关联关系。
本步骤中，可以对步骤103中得到的关联信息进行处理，得到各个车辆和各个车牌的关联关系，即确定对应于同一辆车的车辆和车牌。
其中，对于分配问题，关联矩阵C的每一行或每一列分别减去一个常数，得到的新关联矩阵C’和原关联矩阵C具有相同的最优解。基于此，参见图4，基于图2或图3所示的实施例，步骤104的实现过程可以包括以下步骤：
在步骤1041中，将所述关联矩阵各行的关联元素均减去对应行的最小关联元素，得到第一关联矩阵。
其中，可以先确定关联矩阵C中每一行的关联元素中的最小关联元素，然后将各行的关联元素均减去该行的最小关联元素，得到第一关联矩阵。
参见图5，以4*4的关联矩阵为例进行说明，但不以此为限。其中，关联矩阵C为左上侧的矩阵，该关联矩阵C中第一行的最小关联元素为40，第二行的最小关联元素为20，第三行的最小关联元素为10，第四行的最小关联元素为20，如图中椭圆形虚线所示。在得到每一行的最小关联元素之后，将各行的关联元素均减去该行的最小关联元素，得到上侧中间所示的矩阵。
在步骤1042中，将所述第一关联矩阵各列的关联元素均减去对应列的最小关联元素，得到第二关联矩阵。
其中，可以先确定第一关联矩阵中每一列的关联元素中的最小关联元素，然后将各列的关联元素均减去该列的最小关联元素，得到第二关联矩阵。
参见图5，第一关联矩阵为上侧中间的矩阵，该第一关联矩阵中第一列的最小关联元素为15，第二列的最小关联元素为0，第三列的最小关联元素为0，第四列的最小关联元素为5，如图中椭圆形虚线所示。在得到每一列的最小关联元素之后，将各列的关联元素均减去该列的最小关联元素，得到右上侧所示的矩阵。
在步骤1043中，采用最少的行线和/或列线将所述第二关联矩阵中的所有零关联元素串接。
其中，在步骤1042中得到第二关联矩阵之后，可以采用行线和/或列线将矩阵中所有的零关联元素串接，如图5中右下侧所示。
需要说明的是，可以采用多种串接方式对矩阵中所有的零关联元素串接，而本步骤中需要在所有的串接方式中选择一种所需行线和/或列线条数之和最少的串接方式。例如，可以采用两条行线和一条列线将矩阵中的五个零关联元素串接。
本实施例中，行线为在矩阵的行方向上的线，列线为在矩阵的列方向上的线，而且每条行线在串接零关联元素时，需串接该零关联元素所在行的所有关联元素，每条列线在串接零关联元素时，需串接该零关联元素所在列的所有关联元素。
在步骤1044中，检测所述第二关联矩阵中是否存在未被所述行线和/或列线串接的非零关联元素。
其中，在采用最少的行线和/或列线串接了所有的零关联元素之后，检测第二关联矩阵中是否所有的非零关联元素均被所用的行线和/或列线串接，若第二关联矩阵中所有的非零关联元素均被所用的行线和/或列线串接，则执行步骤1046，若第二关联矩阵中存在至少一个非零关联元素未被所用的行线和/或列线串接，则执行步骤1045。
如图5所示，在采用两条行线和一条列线将矩阵中的五个零关联元素串接后，还存在“25”、“10”、“1”、“5”、“10”和“15”等6个非零关联元素未被串接，因此需要执行步骤1045。
在步骤1045中，在所述第二关联矩阵中存在未被所述行线和/或列线串接的非零关联元素的情况下，将所述非零关联元素减去第一关联元素，将所述行线和列线的交点对应的关联元素加上所述第一关联元素，得到新的第二关联矩阵，并执行步骤1043。
其中，所述第一关联元素为所述非零关联元素中的最小值。
本实施例中，可以将左下侧的第二关联矩阵中所有的非零关联元素减去所有的非零关联元素中的最小值，来逐步实现关联矩阵中所有的非零关联元素均被行线和/或列线串接的效果。
参见图5，在“25”、“10”、“1”、“5”、“10”和“15”等6个非零关联元素中，将图中椭圆形虚线所示的最小值“1”作为第一关联元素，然后将“25”、“10”、“1”、“5”、“10”和“15”等6个非零关联元素均减去1，再将行线和列线交叉点对应的关联元素“50”和“0”均加1，得到如图5下侧中间所示的关联矩阵。
在得到新的第二关联矩阵后，再返回执行步骤1043，用最少的行线和/或列线将新的第二关联矩阵中的所有零关联元素串接。此时，可以采用如图5左下侧关联矩阵中所示的四条行线将所有零关联元素串接，或采用四条列线将所有零关联元素串接。然后检测新的第二关联矩阵中不存在未被四条行线或四条列线串接的非零关联元素，此时可以执行步骤1046。
在步骤1046中，在所述第二关联矩阵中不存在未被所述行线和/或列线串接的非零关联元素的情况下，根据各个零关联元素确定相关联的车辆和车牌。
示例性的，步骤1046中所述的根据各个零关联元素确定相关联的车辆和车牌，可以包括：
获取每个所述零关联元素在所述第二关联矩阵中的目标行数和目标列数；
将所述目标行数和所述目标列数对应的车辆和车牌作为相关联的车辆和车牌。
如图5左下侧所示的关联矩阵中，以行或列为标准对车辆和车牌进行匹配。以下以行为标准进行说明，匹配过程如下：
首先，检测矩阵的各行中是否存在唯一的“0”元素，其中第三行和第四行存在唯一的“0”元素，说明第四行与第一列匹配，即数组A中第四个车辆坐标对应的车辆与数组B中第一个车牌坐标对应的车牌对应，以及第三行与第二列匹配，即数组A中第三个车辆坐标对应的车辆与数组B中第二个车牌坐标对应的车牌对应；
然后，将上一步中的两个‘0’元素所在的行列用直线串接，除去串接的元素剩下第一行存在一个“0”元素，第二行存在两个“0”元素，因此第一行与第四列匹配，即数组A中第一个车辆坐标对应的车辆与数组B中第四个车牌坐标对应的车牌对应；
最后，剩下第二行与第三列匹配，即数组A中第二个车辆坐标对应的车辆与数组B中第三个车牌坐标对应的车牌对应。
需要说明的是，以上为以行为标准对车辆和车牌进行匹配的过程，而以列为标准对车辆和车牌进行匹配可以参照上述过程，两者对应的结果是一致的。
一些实施例中，上述方法还可以包括验证相关联的目标车辆和目标车牌的关联关系的步骤。
在通过步骤104得到各个车辆和各个车牌知寄件的关联关系之后，可以对该关联关系进行验证，以进一步提高关联的准确度。
参见图6，上述验证相关联的目标车辆和目标车牌的关联关系，可以包括：
在步骤1051中，对所述目标车牌所在区域进行向外扩展处理，并采用车头回归网络对经所述向外扩展处理得到的外部区域进行车头回归处理，得到所述目标车牌所在区域对应的第一车头图像。
其中，车头回归网络可以使用深度学习框架caffe训练，训练网络深度为3层，网络输入为20×20。首先，对原始训练数据集图像中所有车头区域的四个边界点进行标注，顺时针得到车头四点坐标，记为Gt(x1,y1,x2,y2,x3,y3,x4,y4)。随机在车头区域附近的检测框进行平移、放大及缩小变换中的至少一种，对车牌所在区域向外扩展，对从而生成训练样本，设随机生成的矩形框坐标为Pi(x1,y1,x2,y2,x3,y3,x4,y4)，通过
Δx1＝(Gx1-Px1)/Pw,Δy1＝(Gy1-Py1)/Ph
Δx2＝(Gx2-Px2)/Pw,Δy2＝(Gy2-Py2)/Ph
Δx3＝(Gx3-Px3)/Pw,Δy3＝(Gy3-Py3)/Ph
Δx4＝(Gx4-Px4)/Pw,Δy4＝(Gy4-Py4)/Ph
计算车头实际四点相对于矩形框Pi四个边界点的偏移量(Δx1,Δy1,Δx2,Δy2,Δx3,Δy3,Δx4,Δy4)，其中，Pw、Ph分别代表随机生成的车头区域的宽与高。矩形框Pi截取的图像作为训练样本并调整尺寸为20×20大小，以四点偏移量作为训练标签，送入深度网络进行训练。
在使用车头回归网络时，可通过对外扩车头区域的矩形框Pb(x1,y1,x2,y2,x3,y3,x4,y4)得到的图像与深度网络卷积得到四点偏移量(Δx1,Δy1,Δx2,Δy2,Δx3,Δy3,Δx4,Δy4)，得到车头区域的位置坐标Gb：
Gbx1＝Pbx1+Pw×Δx1,Gby1＝Pby1+Ph×Δy1
Gbx2＝Pbx2+Pw×Δx2,Gby2＝Pby2+Ph×Δy2
Gbx3＝Pbx3+Pw×Δx3,Gby3＝Pby3+Ph×Δy3
Gbx4＝Pbx4+Pw×Δx4,Gby4＝Pby4+Ph×Δy4
其中，Pbx1为Pb(x1,y1,x2,y2,x3,y3,x4,y4)中的x1，Pbx2为Pb(x1,y1,x2,y2,x3,y3,x4,y4)中的x2，依此类推。
其中，车头区域的位置坐标Gb即为上述的第一车头图像。
在步骤1052中，在所述目标车辆的前进方向上，将所述目标车辆的前半部分区域作为车头所在区域，采用所述车头回归网络对所述车头所在区域进行处理，得到第二车头图像。
其中，在目标车辆的前进方向上，将目标车辆的前半部分区域作为车头所在区域，并使用步骤1051中的车头回归模型对该车头所在区域进行回归处理，得到第二车头图像。具体的回归处理过程可以参考步骤1051中的内容，在此不做详细说明。
在步骤1053中，基于所述第一车头图像和所述第二车头图像，确定所述目标车辆和所述目标车牌的关联关系。
本步骤中，可以对步骤1051中得到的第一车头图像与步骤1052中得到的第二车头图像通过模板匹配算法，判断两幅图像中的车头是否属于同一辆车，来确定目标车辆与目标车牌是否匹配成功。
示例性的，步骤1053的实现过程具体可以为：
对所述第一车头图像和所述第二车头图像进行匹配；
在匹配度大于或等于阈值的情况下，确定所述目标车辆和所述目标车牌关联成功；
在匹配度小于所述阈值的情况下，确定所述目标车辆和所述目标车牌未关联成功。
例如，可以通过
Figure GDA0002410351280000151
确定所述第一车头图像p1和所述第二车头图像p2的匹配度NCC(p1,p2)；其中，σ1为所述第一车头图像p1的标准差，σ2为所述第二车头图像p2的标准差，μ1为所述第一车头图像p1的均值，μ2为所述第二车头图像p2的均值，p1(x)为所述第一车头图像p1中第x个像素点的灰度值，p2(x)为所述第二车头图像p2中第x个像素点的灰度值。
其中，NCC(p1,p2)的取值范围可以为[-1,1]，为两幅图像之间近似程度的线性描述，NCC(p1,p2)的数值越大表示两幅图像的相似程度越高，反之表示两幅图像的相似程度越低。示例性的，上述阈值可以取经验值0.65，若NCC(p1,p2)大于或等于0.65，则认为两幅图像中的车头属于同一辆车，即确定目标车辆与目标车牌匹配成功。
需要说明的是，上述阈值取经验值0.65仅为示例性说明，并不用于限定本发明创造，本领域技术人员也可以根据实际需要上下调整阈值的数值。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的车辆与车牌的关联方法，图7示出了本申请实施例提供的车辆与车牌的关联装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图7，本申请实施例中的车辆与车牌的关联装置可以包括获取模块201、面积重叠程度确定模块202、关联信息确定模块203和关联关系确定模块204。
其中，获取模块201，用于获取视频图像中车辆的车辆位置和车牌的车牌位置；其中，所述车辆和所述车牌均为多个；
面积重叠程度确定模块202，用于基于所述车辆位置和所述车牌位置，确定各个所述车辆与各个所述车牌之间的面积重叠程度；
关联信息确定模块203，用于基于各个所述车辆与各个所述车牌之间的面积重叠程度，确定各个所述车辆与各个所述车牌之间的关联信息；
关联关系确定模块204，用于基于所述关联信息，确定各个所述车辆与各个所述车牌之间的关联关系。
可选的，面积重叠程度确定模块202具体可以用于：
对于目标车辆位置和目标车牌位置，根据所述目标车辆位置和所述目标车牌位置之间的交集，与所述目标车牌位置的商，确定所述目标车辆位置与所述目标车牌位置之间面积重叠程度；
其中，所述目标车辆位置为任一车辆位置，所述目标车牌位置为任一车牌位置。
可选的，关联信息确定模块203具体可以用于：
根据预设常数与各个所述车辆与各个所述车牌之间的面积重叠程度的差值，确定各个关联元素；其中，所述各个关联元素构成表征所述关联信息的关联矩阵。
参见图8，一些实施例中，基于图7所示的装置，关联关系确定模块204可以包括：
第一减法单元2041，用于将所述关联矩阵各行的关联元素均减去对应行的最小关联元素，得到第一关联矩阵；
第二减法单元2042，用于将所述第一关联矩阵各列的关联元素均减去对应列的最小关联元素，得到第二关联矩阵；
串接单元2043，用于采用最少的行线和/或列线将所述第二关联矩阵中的所有零关联元素串接；
关联矩阵更新单元2044，用于在所述第二关联矩阵中存在未被所述行线和/或列线串接的非零关联元素的情况下，将所述非零关联元素减去第一关联元素，将所述行线和列线的交点对应的关联元素加上所述第一关联元素，得到新的第二关联矩阵，并执行所述采用最少的行线和/或列线将所述第二关联矩阵中的所有零关联元素串接的步骤；其中，所述第一关联元素为所述非零关联元素中的最小值；
关联确定单元2045，用于在所述第二关联矩阵中不存在未被所述行线和/或列线串接的非零关联元素的情况下，根据各个零关联元素确定相关联的车辆和车牌。
可选的，关联确定单元2045具体可以用于：
获取每个所述零关联元素在所述第二关联矩阵中的目标行数和目标列数；
将所述目标行数和所述目标列数对应的车辆和车牌作为相关联的车辆和车牌。
一些实施例中，上述装置还可以包括验证相关联的目标车辆和目标车牌的关联关系的关联验证模块；
如图8所示，该关联验证模块可以包括：
第一处理单元2051，用于对所述目标车牌所在区域进行向外扩展处理，并采用车头回归网络对经所述向外扩展处理得到的外部区域进行车头回归处理，得到所述目标车牌所在区域对应的第一车头图像；
第二处理单元2052，用于在所述目标车辆的前进方向上，将所述目标车辆的前半部分区域作为车头所在区域，采用所述车头回归网络对所述车头所在区域进行处理，得到第二车头图像；
关联关系确定单元2053，用于基于所述第一车头图像和所述第二车头图像，确定所述目标车辆和所述目标车牌的关联关系。
可选的，关联关系确定单元2053具体可以用于：
对所述第一车头图像和所述第二车头图像进行匹配；
在匹配度大于或等于阈值的情况下，确定所述目标车辆和所述目标车牌关联成功；
在匹配度小于所述阈值的情况下，确定所述目标车辆和所述目标车牌未关联成功。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，参见图9，该终端设备300可以包括：至少一个处理器310、存储器320以及存储在所述存储器320中并可在所述至少一个处理器310上运行的计算机程序，所述处理器310执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图2所示实施例中的步骤S101至步骤S104。或者，处理器310执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块201至204的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器320中，并由处理器310执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备300中的执行过程。
本领域技术人员可以理解，图9仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器310可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器320用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的车辆与车牌的关联方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
以所述终端设备为计算机为例。图10示出的是与本申请实施例提供的计算机的部分结构的框图。参考图10，计算机包括：通信电路410、存储器420、输入单元430、显示单元440、音频电路450、无线保真(wireless fidelity，WiFi)模块460、处理器470以及电源480等部件。本领域技术人员可以理解，图10中示出的计算机结构并不构成对计算机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图10对计算机的各个构成部件进行具体的介绍：
通信电路410可用于收发信息或通话过程中，信号的接收和发送，特别地，将图像采集设备发送的图像样本接收后，给处理器470处理；另外，将图像采集指令发送给图像采集设备。通常，通信电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier，LNA)、双工器等。此外，通信电路410还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，GSM)、通用分组无线服务(GeneralPacket Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long TermEvolution,LTE))、电子邮件、短消息服务(Short Messaging Service，SMS)等。
存储器420可用于存储软件程序以及模块，处理器470通过运行存储在存储器420的软件程序以及模块，从而执行计算机的各种功能应用以及数据处理。存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元430可用于接收输入的数字或字符信息，以及产生与计算机的用户设置以及功能控制有关的键信号输入。具体地，输入单元430可包括触控面板431以及其他输入设备432。触控面板431，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板431上或在触控面板431附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板431可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器470，并能接收处理器470发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板431。除了触控面板431，输入单元430还可以包括其他输入设备432。具体地，其他输入设备432可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元440可用于显示由用户输入的信息或提供给用户的信息以及计算机的各种菜单。显示单元440可包括显示面板441，可选的，可以采用液晶显示器(Liquid CrystalDisplay，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板441。进一步的，触控面板431可覆盖显示面板441，当触控面板431检测到在其上或附近的触摸操作后，传送给处理器470以确定触摸事件的类型，随后处理器470根据触摸事件的类型在显示面板441上提供相应的视觉输出。虽然在图10中，触控面板431与显示面板441是作为两个独立的部件来实现计算机的输入和输入功能，但是在某些实施例中，可以将触控面板431与显示面板441集成而实现计算机的输入和输出功能。
音频电路450可提供用户与计算机之间的音频接口。音频电路450可将接收到的音频数据转换后的电信号，传输到扬声器由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路450接收后转换为音频数据，再将音频数据输出处理器470处理后，经通信电路410以发送给比如另一计算机，或者将音频数据输出至存储器420以便进一步处理。
WiFi属于短距离无线传输技术，计算机通过WiFi模块460可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图10示出了WiFi模块460，但是可以理解的是，其并不属于计算机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器470是计算机的控制中心，利用各种接口和线路连接整个计算机的各个部分，通过运行或执行存储在存储器420内的软件程序和/或模块，以及调用存储在存储器420内的数据，执行计算机的各种功能和处理数据，从而对计算机进行整体监控。可选的，处理器470可包括一个或多个处理单元；优选的，处理器470可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器470中。
计算机还包括给各个部件供电的电源480(比如电池)，优选的，电源480可以通过电源管理系统与处理器470逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述车辆与车牌的关联方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述车辆与车牌的关联方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种车辆与车牌的关联方法，其特征在于，包括：
获取视频图像中车辆的车辆位置和车牌的车牌位置；其中，所述车辆和所述车牌均为多个；
基于所述车辆位置和所述车牌位置，确定各个所述车辆与各个所述车牌之间的面积重叠程度；
基于各个所述车辆与各个所述车牌之间的面积重叠程度，确定各个所述车辆与各个所述车牌之间的关联信息；
基于所述关联信息，确定各个所述车辆与各个所述车牌之间的关联关系；
所述基于各个所述车辆与各个所述车牌之间的面积重叠程度，确定各个所述车辆与各个所述车牌之间的关联信息，包括：
根据预设常数与各个所述车辆与各个所述车牌之间的面积重叠程度的差值，确定各个关联元素；其中，所述各个关联元素构成表征所述关联信息的关联矩阵；
所述基于所述关联信息，确定各个所述车辆与各个所述车牌之间的关联关系，包括：
将所述关联矩阵各行的关联元素均减去对应行的最小关联元素，得到第一关联矩阵；
将所述第一关联矩阵各列的关联元素均减去对应列的最小关联元素，得到第二关联矩阵；
采用最少的行线和/或列线将所述第二关联矩阵中的所有零关联元素串接；
在所述第二关联矩阵中存在未被所述行线和/或列线串接的非零关联元素的情况下，将所述非零关联元素减去第一关联元素，将所述行线和列线的交点对应的关联元素加上所述第一关联元素，得到新的第二关联矩阵，并执行所述采用最少的行线和/或列线将所述第二关联矩阵中的所有零关联元素串接的步骤；其中，所述第一关联元素为所述非零关联元素中的最小值；
在所述第二关联矩阵中不存在未被所述行线和/或列线串接的非零关联元素的情况下，根据各个零关联元素确定相关联的车辆和车牌。
2.如权利要求1所述的车辆与车牌的关联方法，其特征在于，所述基于所述车辆位置和所述车牌位置，确定各个所述车辆与各个所述车牌之间的面积重叠程度，包括：
对于目标车辆位置和目标车牌位置，根据所述目标车辆位置和所述目标车牌位置之间的交集，与所述目标车牌位置的商，确定所述目标车辆位置与所述目标车牌位置之间面积重叠程度；
其中，所述目标车辆位置为任一车辆位置，所述目标车牌位置为任一车牌位置。
3.如权利要求1所述的车辆与车牌的关联方法，其特征在于，所述根据各个零关联元素确定对应的车辆和车牌，包括：
获取每个所述零关联元素在所述第二关联矩阵中的目标行数和目标列数；
将所述目标行数和所述目标列数对应的车辆和车牌作为相关联的车辆和车牌。
4.如权利要求1所述的车辆与车牌的关联方法，其特征在于，所述方法还包括验证相关联的目标车辆和目标车牌的关联关系的步骤；
所述验证相关联的目标车辆和目标车牌的关联关系，包括：
对所述目标车牌所在区域进行向外扩展处理，并采用车头回归网络对经所述向外扩展处理得到的外部区域进行车头回归处理，得到所述目标车牌所在区域对应的第一车头图像；
在所述目标车辆的前进方向上，将所述目标车辆的前半部分区域作为车头所在区域，采用所述车头回归网络对所述车头所在区域进行处理，得到第二车头图像；
基于所述第一车头图像和所述第二车头图像，确定所述目标车辆和所述目标车牌的关联关系。
5.如权利要求4所述的车辆与车牌的关联方法，其特征在于，所述基于所述第一车头图像和所述第二车头图像，确定所述目标车辆和所述目标车牌的关联关系，包括：
对所述第一车头图像和所述第二车头图像进行匹配；
在匹配度大于或等于阈值的情况下，确定所述目标车辆和所述目标车牌关联成功；
在匹配度小于所述阈值的情况下，确定所述目标车辆和所述目标车牌未关联成功。
6.一种车辆与车牌的关联装置，其特征在于，包括：
获取模块，用于获取视频图像中车辆的车辆位置和车牌的车牌位置；其中，所述车辆和所述车牌均为多个；
面积重叠程度确定模块，用于基于所述车辆位置和所述车牌位置，确定各个所述车辆与各个所述车牌之间的面积重叠程度；
关联信息确定模块，用于基于各个所述车辆与各个所述车牌之间的面积重叠程度，确定各个所述车辆与各个所述车牌之间的关联信息；
关联关系确定模块，用于基于所述关联信息，确定各个所述车辆与各个所述车牌之间的关联关系；
所述关联信息确定模块具体用于：根据预设常数与各个所述车辆与各个所述车牌之间的面积重叠程度的差值，确定各个关联元素；其中，所述各个关联元素构成表征所述关联信息的关联矩阵；
所述关联关系确定模块具体用于：
将所述关联矩阵各行的关联元素均减去对应行的最小关联元素，得到第一关联矩阵；
将所述第一关联矩阵各列的关联元素均减去对应列的最小关联元素，得到第二关联矩阵；
采用最少的行线和/或列线将所述第二关联矩阵中的所有零关联元素串接；
在所述第二关联矩阵中存在未被所述行线和/或列线串接的非零关联元素的情况下，将所述非零关联元素减去第一关联元素，将所述行线和列线的交点对应的关联元素加上所述第一关联元素，得到新的第二关联矩阵，并执行所述采用最少的行线和/或列线将所述第二关联矩阵中的所有零关联元素串接的步骤；其中，所述第一关联元素为所述非零关联元素中的最小值；
在所述第二关联矩阵中不存在未被所述行线和/或列线串接的非零关联元素的情况下，根据各个零关联元素确定相关联的车辆和车牌。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至5任一项所述的车辆与车牌的关联方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的车辆与车牌的关联方法。
CN201911315399.1A 2019-12-19 2019-12-19 车辆与车牌的关联方法、装置及终端设备 Active CN111063199B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911315399.1A CN111063199B (zh) 2019-12-19 2019-12-19 车辆与车牌的关联方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911315399.1A CN111063199B (zh) 2019-12-19 2019-12-19 车辆与车牌的关联方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN111063199A CN111063199A (zh) 2020-04-24
CN111063199B true CN111063199B (zh) 2021-08-06

Family

ID=70301137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911315399.1A Active CN111063199B (zh) 2019-12-19 2019-12-19 车辆与车牌的关联方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN111063199B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255409A (zh) * 2020-09-23 2022-03-29 中兴通讯股份有限公司 人车信息关联方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521979A (zh) * 2011-12-06 2012-06-27 北京万集科技股份有限公司 基于高清摄像机进行路面事件检测的方法及系统
CN108154160A (zh) * 2017-12-27 2018-06-12 苏州科达科技股份有限公司 车牌颜色识别方法及系统
CN108388888A (zh) * 2018-03-23 2018-08-10 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质
CN110059683A (zh) * 2019-04-15 2019-07-26 广州广电银通金融电子科技有限公司 一种基于端到端神经网络的大角度车牌倾斜矫正方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100414560C (zh) * 2005-09-12 2008-08-27 电子科技大学 基于小波变换和雷登变换的车牌提取方法
CN100545858C (zh) * 2006-04-26 2009-09-30 电子科技大学 基于小波变换的复杂背景中的车牌提取方法
GB0625167D0 (en) * 2006-12-18 2007-01-24 3M Innovative Properties Co System for illuminating a license plate
CN101377811B (zh) * 2007-08-31 2010-06-30 北京万集科技有限责任公司 一种车牌识别的方法与系统
CN100507970C (zh) * 2007-09-14 2009-07-01 清华大学 基于数字摄像机的闯红灯检测系统及方法
JP5152637B2 (ja) * 2007-10-16 2013-02-27 スズキ株式会社 車両用バックドアの構造
KR101080066B1 (ko) * 2009-07-16 2011-11-09 대한민국 차량 번호판 식별 방법 및 차량 번호판 식별 장치
CN103824458B (zh) * 2014-03-25 2016-09-28 宁波市江东元典知识产权服务有限公司 基于图像识别技术的临时停车警示系统
CN105303153A (zh) * 2014-07-23 2016-02-03 中兴通讯股份有限公司 一种车辆车牌识别方法及装置
CN104573637B (zh) * 2014-12-18 2020-11-03 厦门翼歌软件科技有限公司 一种基于多摄像头的车牌识别方法
CN104463220A (zh) * 2014-12-19 2015-03-25 深圳市捷顺科技实业股份有限公司 一种车牌检测方法和系统
CN104616502B (zh) * 2015-02-15 2017-03-29 北京工业大学 基于组合式车路视频网络的车牌识别与定位系统
CN105355052B (zh) * 2015-10-23 2018-03-23 浙江宇视科技有限公司 一种车辆图像的合成方法和装置
CN109800684B (zh) * 2018-12-29 2022-06-21 上海依图网络科技有限公司 一种视频中对象的确定方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521979A (zh) * 2011-12-06 2012-06-27 北京万集科技股份有限公司 基于高清摄像机进行路面事件检测的方法及系统
CN108154160A (zh) * 2017-12-27 2018-06-12 苏州科达科技股份有限公司 车牌颜色识别方法及系统
CN108388888A (zh) * 2018-03-23 2018-08-10 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质
CN110059683A (zh) * 2019-04-15 2019-07-26 广州广电银通金融电子科技有限公司 一种基于端到端神经网络的大角度车牌倾斜矫正方法

Also Published As

Publication number Publication date
CN111063199A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN102200874B (zh) 一种基于触摸屏的按键输入方法和装置
US10248836B2 (en) Fingerprint unlocking method and terminal
CN108875451B (zh) 一种定位图像的方法、装置、存储介质和程序产品
TWI679552B (zh) 解鎖控制方法及移動終端
CN107133797B (zh) 一种支付异常自动检测方法、终端及计算机可读存储介质
CN109145926B (zh) 相似图片识别方法及计算机设备
CN112040223B (zh) 一种图像处理方法、终端设备及存储介质
CN111060514A (zh) 缺陷检测方法、装置及终端设备
CN111104967B (zh) 图像识别网络训练方法、图像识别方法、装置及终端设备
CN106022058B (zh) 一种指纹解锁方法及终端
CN107622193B (zh) 指纹解锁方法及相关产品
CN105912919B (zh) 一种指纹解锁方法及终端
CN109753202B (zh) 一种截屏方法和移动终端
CN108960120B (zh) 一种指纹识别处理方法及电子设备
CN111063199B (zh) 车辆与车牌的关联方法、装置及终端设备
CN104123720A (zh) 图像重定位方法、装置及终端
CN111027854A (zh) 一种基于企业大数据的综合画像指数生成方法及相关设备
CN110506252A (zh) 基于图样中标志图形点坐标的转换关系定位终端屏幕
CN111158478B (zh) 响应方法及电子设备
CN107193470B (zh) 解锁控制方法及相关产品
CN111160174B (zh) 网络训练方法、车头朝向识别方法、装置及终端设备
CN111984884A (zh) 大数据库的无接触数据采集方法及装置
CN111080305A (zh) 一种风险识别方法、装置及电子设备
CN111242081B (zh) 视频检测方法、目标检测网络训练方法、装置及终端设备
CN113112442A (zh) 缺陷检测方法、装置及终端设备

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