CN111126383A - 车牌检测方法、系统、装置及存储介质 - Google Patents
车牌检测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN111126383A CN111126383A CN201911238590.0A CN201911238590A CN111126383A CN 111126383 A CN111126383 A CN 111126383A CN 201911238590 A CN201911238590 A CN 201911238590A CN 111126383 A CN111126383 A CN 111126383A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- character
- detection
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 16
- 238000013461 design Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
Abstract
本发明公开了车牌检测方法、系统、装置及存储介质,方法包括以下步骤:采集车辆的正面图像数据;对所述正面图像进行车牌检测,确定车牌区域的坐标信息;根据车牌区域的坐标信息,获取车牌图像;将车牌图像转换成HSV颜色空间,确定车牌类型;对车牌图像进行二值化处理和去噪处理,确定车牌上的字符信息;根据字符信息识别车牌号码。本发明能够实时准确地获取车牌检测结果,并通过二值化处理和去噪处理减少了图像噪声,提高了车牌区域检测的准确性和车牌字符识别的精准度,可广泛应用于智能交通技术领域。
Description
技术领域
本发明涉及智能交通技术领域,尤其是一种车牌检测方法、系统、装置及存储介质。
背景技术
在传统的车牌识别领域,对车牌的检测常采用的是基于数学形态学的定位方法,依据车牌的宽高比来对车牌区域进行定位,对车牌区域的定位不是十分精准,容易出现伪车牌区域,产生很大的图像噪声,很容易识别不准确;其他的定位方法还有如基于边缘检测之类,在复杂环境中或者存在图像噪声时,很难做到精确的定位。
在传统的字符分割领域,主要采用模板匹配的方式,对字符模板的尺寸有严格的要求,在车牌变形或者针对新能源车牌这种尺寸不同于传统的车牌会产生分割异常,老车牌字符的长度是7位的,新能源车牌字符长度为8位;
在传统的字符识别领域,主要采用模板匹配的方式,该方法对待检测字符要求较高,在模糊、有损坏或者存在噪声时,会降低识别的准确率。
此外,现有的车牌检测系统或装置存在检测比较耗时的问题。
发明内容
有鉴于此,本发明实施例提供一种实时且准确的车牌检测方法、系统、装置及存储介质。
一方面,本发明实施例提供了一种车牌检测方法,包括以下步骤:
采集车辆的正面图像数据;
对所述正面图像进行车牌检测,确定车牌区域的坐标信息;
根据车牌区域的坐标信息,获取车牌图像;
将车牌图像转换成HSV颜色空间,确定车牌类型;
对车牌图像进行二值化处理和去噪处理,确定车牌上的字符信息;
根据字符信息识别车牌号码。
进一步,所述根据车牌区域的坐标信息,获取车牌图像这一步骤,包括以下步骤:
确定图像检测的置信度和车牌检测模型;
根据所述置信度和车牌检测模型,得到检测结果,所述检测结果包括车牌的左上角坐标、车牌的宽、车牌的高;
计算检测结果的置信度;
根据所述检测结果,截取车牌图像。
进一步,所述将车牌图像转换成HSV颜色空间,确定车牌类型这一步骤,包括以下步骤:
将车牌图像的颜色空间转换到HSV颜色空间;
对车牌图像中的每一个像素点进行扫描,计算H、S、V的取值范围;
根据不同颜色的范围确定车牌类型。
进一步,还包括对车牌图像进行字符分割的步骤,该步骤包括以下步骤:
对车牌的图像数据的G通道做灰度化处理,得到灰度图像;
对灰度图像依次进行二值化操作和反二值化操作,标记出字符的位置;
对反二值化操作后的图像进行倾斜校正;
去掉倾斜校正后的车牌的上下边界;
根据车牌的设计标准,对车牌图像进行字符分割;
其中,所述车牌的设计标准包括车牌上每个字符的大小、两个字符之间的间距、每个字符的宽度和每个字符的高度。
第二方面,本发明实施例还提供了一种车牌检测系统,包括:
前端抓拍设备,用于采集车辆的正面图像数据;
目标检测模块,用于对所述正面图像进行车牌检测,确定车牌区域的坐标信息;
车牌定位模块,用于根据车牌区域的坐标信息,获取车牌图像;
车牌类型确定模块,用于将车牌图像转换成HSV颜色空间,确定车牌类型;
车牌字符确定模块,用于对车牌图像进行二值化处理和去噪处理,确定车牌上的字符信息;
车牌识别模块,用于根据字符信息识别车牌号码。
进一步,所述车牌定位模块包括:
确定单元,用于确定图像检测的置信度和车牌检测模型;
检测单元,用于根据所述置信度和车牌检测模型,得到检测结果,所述检测结果包括车牌的左上角坐标、车牌的宽、车牌的高;
计算单元,用于计算检测结果的置信度;
截取单元,用于根据所述检测结果,截取车牌图像。
进一步,所述车牌类型确定模块包括:
转换单元,用于将车牌图像的颜色空间转换到HSV颜色空间;
扫描单元,用于对车牌图像中的每一个像素点进行扫描,计算H、S、V的取值范围;
类型确定单元,用于根据不同颜色的范围确定车牌类型。
进一步,还包括字符分割模块,所述字符分割模块具体包括:
灰度化处理单元,用于对车牌的图像数据的G通道做灰度化处理,得到灰度图像;
标记单元,用于对灰度图像依次进行二值化操作和反二值化操作,标记出字符的位置;
校正单元,用于对反二值化操作后的图像进行倾斜校正;
边界去除单元,用于去掉倾斜校正后的车牌的上下边界;
字符分割单元,用于根据车牌的设计标准,对车牌图像进行字符分割;
其中,所述车牌的设计标准包括车牌上每个字符的大小、两个字符之间的间距、每个字符的宽度和每个字符的高度。
第三方面,本发明实施例还提供了一种车牌检测系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述的车牌检测方法。
第四方面,本发明实施例还提供了一种存储介质,其中存储有处理器可执行的指令所述处理器可执行的指令在由处理器执行时用于执行所述的车牌检测方法。
上述本发明实施例中的一个或多个技术方案具有如下优点:本发明的实施例首先确定车牌区域的坐标信息,然后确定车牌类型,最后识别车牌号码;本发明能够实时准确地获取车牌检测结果,并通过二值化处理和去噪处理减少了图像噪声,提高了车牌区域检测的准确性和车牌字符识别的精准度。
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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的步骤流程图;
图2为本发明实施例的系统结构示意图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1和图2,以新能源车牌的检测为例,本发明实施例提供了一种新能源车牌检测方法,包括有以下步骤:
A、采用支持深度学习芯片的前端设备对新能源汽车的正面图像进行抓拍,获取数据源;
B、通过加载训练好的新能源车牌检测模型对抓拍图像中的新能源车牌进行检测,获取车牌区域坐标信息;根据车牌区域坐标信息,截取新能源车牌子图片;
C、将新能源车牌子图片转换到HSV颜色空间,通过颜色形态处理图片边界,对每一个像素点进行扫描,判断新能源车牌所属类型;
D、对新能源车牌子图片做二值化和去噪处理,去掉场景噪声和边缘噪声,对车牌上字符进行精准定位和分割;
E、加载使用caffe框架训练好的网络模型,对分割好的字符依次进行识别,输出识别结果;
F、根据改进的网络模型计算出来的结果,输出新能源车牌号码;
G、输出车牌检测结果;
具体的,所述步骤A中,本实施例采用支持深度学习芯片的前端设备对新能源汽车的正面图像进行抓拍,提高系统的算力和运行效率;
进一步作为优选的实施方式,所述步骤B中使用训练好的模型对抓拍的新能源车牌检测之前,还包括训练新能源车牌检测的模型、将训练好的模型转化为深度学习芯片框架支持的网络模型,对网络结构进行转换等步骤;
进一步作为优选的实施方式,所述步骤B中对新能源车牌进行检测的具体方法为:
设定检测置信度为0.25;
使用芯片支持的深度学习框架加载训练好的车牌检测模型;
在深度学习框架下,将抓拍的新能源车牌数据加载到网络进行计算,获取返回的车牌检测信息,包括车牌左上角的坐标、车牌的宽和高以及检测结果的置信度;
根据车牌区域检测结果中的左上角坐标以及目标的宽和高,可以实现对新能源车牌子图的截取;
进一步作为优选的实施方式,所述步骤C中判断是否为新能源车牌以及新能源车牌所属类型的依据为:新能源大型车和小型车的号牌颜色、颜色区域分布面积是不一样的,大型车号牌颜色为黄绿双拼,小型车号牌颜色为渐变绿色。具体方法为:
将车牌图片的颜色空间转换到HSV颜色空间;
对每一个像素点进行扫描,计算H、S、V的取值范围;
通过颜色形态处理图片边界,根据不同颜色的范围判别是大型车还是小型车;
进一步作为优选的实施方式,所述步骤D中对新能源车牌进行字符分割具体步骤为:
对新能源车牌数据的G通道做灰度化处理;
对灰度图像依次做二值化、反二值化操作,以突显字符的位置;
通过Radon变化对反二值化操作后的车牌进行倾斜校正,避免倾斜的车牌字符分割异常;
去掉倾斜校正后的车牌的上下边界,上下边界的存在严重影响字符识别的准确率;
根据先验知识对上面处理好的车牌数据进行字符分割,新能源汽车专用号牌上每个字符的大小、间距、宽度和高度都有严格的标准,通过这些标准进行字符分割。
进一步作为优选的实施方式,所述步骤E中加载caffe框架训练好的网络模型对步骤D中分割好的字符依次进行识别,已经训练好的网络模型支持对车牌包括的所有31个汉字、10个数字以及24个大写字母的65分类检测,字符识别的具体步骤为:
使用芯片支持的深度学习框架加载已训练好的网络模型;
将分割好的字符数据加载到改进的网络中进行计算;
输出字符的识别结果。
进一步作为优选的实施方式,所述步骤F中根据字符识别的结果输出车牌号码;
进一步作为优选的实施方式,所述步骤G中根据步骤A到步骤F检测的结果,输出新能源车牌检测信息,包括车牌类型、车牌颜色以及车牌号码;
参照图2,本发明所采用的另一技术方案是:一种新能源车牌检测系统,包括有:
前端抓拍设备,采用支持深度学习的芯片;
目标检测模块,通过训练好的检测模型实现对抓拍图像中车辆目标检测和新能源车牌的检测,为车牌的识别提供准确的数据源;
目标识别前预处理模块,利用新能源车牌的色度特性,检测号牌颜色和车牌类型,对车牌做二值化、反二值化以及倾斜校正处理,再利用新能源车牌上字符分布特性进行字符分割;
目标识别模块,采用caffe框架训练好的网络模型对新能源车牌上的字符进行65分类检测,输出字符识别结果。
本发明实施例还提供了一种车牌检测系统,包括:
前端抓拍设备,用于采集车辆的正面图像数据;
目标检测模块,用于对所述正面图像进行车牌检测,确定车牌区域的坐标信息;
车牌定位模块,用于根据车牌区域的坐标信息,获取车牌图像;
车牌类型确定模块,用于将车牌图像转换成HSV颜色空间,确定车牌类型;
车牌字符确定模块,用于对车牌图像进行二值化处理和去噪处理,确定车牌上的字符信息;
车牌识别模块,用于根据字符信息识别车牌号码。
进一步作为优选的实施方式,所述车牌定位模块包括:
确定单元,用于确定图像检测的置信度和车牌检测模型;
检测单元,用于根据所述置信度和车牌检测模型,得到检测结果,所述检测结果包括车牌的左上角坐标、车牌的宽、车牌的高;
计算单元,用于计算检测结果的置信度;
截取单元,用于根据所述检测结果,截取车牌图像。
进一步作为优选的实施方式,所述车牌类型确定模块包括:
转换单元,用于将车牌图像的颜色空间转换到HSV颜色空间;
扫描单元,用于对车牌图像中的每一个像素点进行扫描,计算H、S、V的取值范围;
类型确定单元,用于根据不同颜色的范围确定车牌类型。
进一步作为优选的实施方式,还包括字符分割模块,所述字符分割模块具体包括:
灰度化处理单元,用于对车牌的图像数据的G通道做灰度化处理,得到灰度图像;
标记单元,用于对灰度图像依次进行二值化操作和反二值化操作,标记出字符的位置;
校正单元,用于对反二值化操作后的图像进行倾斜校正;
边界去除单元,用于去掉倾斜校正后的车牌的上下边界;
字符分割单元,用于根据车牌的设计标准,对车牌图像进行字符分割;
其中,所述车牌的设计标准包括车牌上每个字符的大小、两个字符之间的间距、每个字符的宽度和每个字符的高度。
本发明实施例还提供了一种车牌检测系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述的车牌检测方法。
本发明实施例还提供了一种存储介质,其中存储有处理器可执行的指令所述处理器可执行的指令在由处理器执行时用于执行所述的车牌检测方法。
综上所述,相较于现有技术,本发明具有以下优点:
1、本发明充分利用支持深度学习芯片的算力,提高了系统的计算速度和运算效率;
2、本发明使用芯片支持的深度学习框架加载训练好的目标检测模型,实现对新能源车牌的实时检测和精准定位,减少了噪声、提高了检测准确性,极大的避免了因车牌定位不准以及场景噪声造成的识别不准确和识别异常;
3、本发明使用芯片支持的深度学习框架加载通过caffe训练好的网络模型,检测分割好的车牌字符,解决了传统的识别中存在的计算速度慢、识别率低的问题,极大的提高了识别准确率和运行效率。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.车牌检测方法,其特征在于:包括以下步骤:
采集车辆的正面图像数据;
对所述正面图像进行车牌检测,确定车牌区域的坐标信息;
根据车牌区域的坐标信息,获取车牌图像;
将车牌图像转换成HSV颜色空间,确定车牌类型;
对车牌图像进行二值化处理和去噪处理,确定车牌上的字符信息;
根据字符信息识别车牌号码。
2.根据权利要求1所述的车牌检测方法,其特征在于:所述根据车牌区域的坐标信息,获取车牌图像这一步骤,包括以下步骤:
确定图像检测的置信度和车牌检测模型;
根据所述置信度和车牌检测模型,得到检测结果,所述检测结果包括车牌的左上角坐标、车牌的宽、车牌的高;
计算检测结果的置信度;
根据所述检测结果,截取车牌图像。
3.根据权利要求1所述的车牌检测方法,其特征在于:所述将车牌图像转换成HSV颜色空间,确定车牌类型这一步骤,包括以下步骤:
将车牌图像的颜色空间转换到HSV颜色空间;
对车牌图像中的每一个像素点进行扫描,计算H、S、V的取值范围;
根据不同颜色的范围确定车牌类型。
4.根据权利要求1所述的车牌检测方法,其特征在于:还包括对车牌图像进行字符分割的步骤,该步骤包括以下步骤:
对车牌的图像数据的G通道做灰度化处理,得到灰度图像;
对灰度图像依次进行二值化操作和反二值化操作,标记出字符的位置;
对反二值化操作后的图像进行倾斜校正;
去掉倾斜校正后的车牌的上下边界;
根据车牌的设计标准,对车牌图像进行字符分割;
其中,所述车牌的设计标准包括车牌上每个字符的大小、两个字符之间的间距、每个字符的宽度和每个字符的高度。
5.车牌检测系统,其特征在于:包括:
前端抓拍设备,用于采集车辆的正面图像数据;
目标检测模块,用于对所述正面图像进行车牌检测,确定车牌区域的坐标信息;
车牌定位模块,用于根据车牌区域的坐标信息,获取车牌图像;
车牌类型确定模块,用于将车牌图像转换成HSV颜色空间,确定车牌类型;
车牌字符确定模块,用于对车牌图像进行二值化处理和去噪处理,确定车牌上的字符信息;
车牌识别模块,用于根据字符信息识别车牌号码。
6.根据权利要求5所述的车牌检测系统,其特征在于:所述车牌定位模块包括:
确定单元,用于确定图像检测的置信度和车牌检测模型;
检测单元,用于根据所述置信度和车牌检测模型,得到检测结果,所述检测结果包括车牌的左上角坐标、车牌的宽、车牌的高;
计算单元,用于计算检测结果的置信度;
截取单元,用于根据所述检测结果,截取车牌图像。
7.根据权利要求5所述的车牌检测系统,其特征在于:所述车牌类型确定模块包括:
转换单元,用于将车牌图像的颜色空间转换到HSV颜色空间;
扫描单元,用于对车牌图像中的每一个像素点进行扫描,计算H、S、V的取值范围;
类型确定单元,用于根据不同颜色的范围确定车牌类型。
8.根据权利要求5所述的车牌检测系统,其特征在于:还包括字符分割模块,所述字符分割模块具体包括:
灰度化处理单元,用于对车牌的图像数据的G通道做灰度化处理,得到灰度图像;
标记单元,用于对灰度图像依次进行二值化操作和反二值化操作,标记出字符的位置;
校正单元,用于对反二值化操作后的图像进行倾斜校正;
边界去除单元,用于去掉倾斜校正后的车牌的上下边界;
字符分割单元,用于根据车牌的设计标准,对车牌图像进行字符分割;
其中,所述车牌的设计标准包括车牌上每个字符的大小、两个字符之间的间距、每个字符的宽度和每个字符的高度。
9.车牌检测系统,其特征在于:包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-4中任一项所述的车牌检测方法。
10.一种存储介质,其中存储有处理器可执行的指令,其特征在于:所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-4中任一项所述的车牌检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911238590.0A CN111126383A (zh) | 2019-12-06 | 2019-12-06 | 车牌检测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911238590.0A CN111126383A (zh) | 2019-12-06 | 2019-12-06 | 车牌检测方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126383A true CN111126383A (zh) | 2020-05-08 |
Family
ID=70498082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911238590.0A Pending CN111126383A (zh) | 2019-12-06 | 2019-12-06 | 车牌检测方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126383A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985471A (zh) * | 2020-07-14 | 2020-11-24 | 浙江大华技术股份有限公司 | 一种车牌定位方法、装置及存储介质 |
CN113111868A (zh) * | 2021-03-16 | 2021-07-13 | 广州大学 | 一种字符缺陷检测方法、系统、装置及存储介质 |
CN113762233A (zh) * | 2020-06-05 | 2021-12-07 | 北京都是科技有限公司 | 车牌检测方法、系统、装置及热红外图像处理器 |
WO2022095595A1 (zh) * | 2020-11-05 | 2022-05-12 | Oppo广东移动通信有限公司 | 图像识别方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207992A (zh) * | 2013-04-07 | 2013-07-17 | 布法罗机器人科技(苏州)有限公司 | 车辆牌照字符和颜色联合识别方法 |
CN108009543A (zh) * | 2017-11-29 | 2018-05-08 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及装置 |
CN108701234A (zh) * | 2018-03-05 | 2018-10-23 | 深圳前海达闼云端智能科技有限公司 | 车牌识别方法及云系统 |
CN109255350A (zh) * | 2018-08-29 | 2019-01-22 | 南京邮电大学 | 一种基于视频监控的新能源车牌检测方法 |
CN109271991A (zh) * | 2018-09-06 | 2019-01-25 | 公安部交通管理科学研究所 | 一种基于深度学习的车牌检测方法 |
CN110414507A (zh) * | 2019-07-11 | 2019-11-05 | 和昌未来科技(深圳)有限公司 | 车牌识别方法、装置、计算机设备和存储介质 |
-
2019
- 2019-12-06 CN CN201911238590.0A patent/CN111126383A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207992A (zh) * | 2013-04-07 | 2013-07-17 | 布法罗机器人科技(苏州)有限公司 | 车辆牌照字符和颜色联合识别方法 |
CN108009543A (zh) * | 2017-11-29 | 2018-05-08 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及装置 |
CN108701234A (zh) * | 2018-03-05 | 2018-10-23 | 深圳前海达闼云端智能科技有限公司 | 车牌识别方法及云系统 |
WO2019169532A1 (zh) * | 2018-03-05 | 2019-09-12 | 深圳前海达闼云端智能科技有限公司 | 车牌识别方法及云系统 |
CN109255350A (zh) * | 2018-08-29 | 2019-01-22 | 南京邮电大学 | 一种基于视频监控的新能源车牌检测方法 |
CN109271991A (zh) * | 2018-09-06 | 2019-01-25 | 公安部交通管理科学研究所 | 一种基于深度学习的车牌检测方法 |
CN110414507A (zh) * | 2019-07-11 | 2019-11-05 | 和昌未来科技(深圳)有限公司 | 车牌识别方法、装置、计算机设备和存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762233A (zh) * | 2020-06-05 | 2021-12-07 | 北京都是科技有限公司 | 车牌检测方法、系统、装置及热红外图像处理器 |
CN111985471A (zh) * | 2020-07-14 | 2020-11-24 | 浙江大华技术股份有限公司 | 一种车牌定位方法、装置及存储介质 |
WO2022095595A1 (zh) * | 2020-11-05 | 2022-05-12 | Oppo广东移动通信有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN113111868A (zh) * | 2021-03-16 | 2021-07-13 | 广州大学 | 一种字符缺陷检测方法、系统、装置及存储介质 |
CN113111868B (zh) * | 2021-03-16 | 2023-08-18 | 广州大学 | 一种字符缺陷检测方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126383A (zh) | 车牌检测方法、系统、装置及存储介质 | |
US8059892B1 (en) | Image enhancement method and apparatus | |
US10817741B2 (en) | Word segmentation system, method and device | |
US8417033B2 (en) | Gradient based background segmentation and enhancement of images | |
US8608073B2 (en) | System and method for robust real-time 1D barcode detection | |
US7273175B2 (en) | Method, an apparatus and a storage medium for locating QR codes | |
CN108764352B (zh) | 重复页面内容检测方法和装置 | |
US20070253040A1 (en) | Color scanning to enhance bitonal image | |
CN106446952A (zh) | 一种乐谱图像识别方法及装置 | |
CN108830133A (zh) | 合同影像图片的识别方法、电子装置及可读存储介质 | |
US9245194B2 (en) | Efficient line detection method | |
CN111382704A (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN112183511A (zh) | 一种图像导出表格的方法、系统、存储介质及设备 | |
CN110135225B (zh) | 样本标注方法及计算机存储介质 | |
Yadav et al. | Text extraction in document images: highlight on using corner points | |
CN109409356B (zh) | 一种基于swt的多方向中文印刷体文字检测方法 | |
US8655071B2 (en) | Methods and systems for determining a document region-of-interest in an image | |
CN112419207A (zh) | 一种图像矫正方法及装置、系统 | |
KR20180116729A (ko) | 물류 관리를 위한 원거리 다수의 코드 인식 방법 및 이를 이용한 코드 인식 장치 | |
CN108734161B (zh) | 冠字号区域的识别方法、装置、设备及存储介质 | |
CN100561504C (zh) | 文档的自适应二值化方法和设备 | |
CN107369149B (zh) | 目标物体的检测装置及方法 | |
Fang et al. | 1-D barcode localization in complex background | |
Chowdhury et al. | Extracting and segmenting container name from container images | |
Cloppet et al. | Adaptive fuzzy model for blur estimation on document images |
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 |