CN111178357A - 车牌识别方法、系统、设备和存储介质 - Google Patents

车牌识别方法、系统、设备和存储介质 Download PDF

Info

Publication number
CN111178357A
CN111178357A CN201911412622.4A CN201911412622A CN111178357A CN 111178357 A CN111178357 A CN 111178357A CN 201911412622 A CN201911412622 A CN 201911412622A CN 111178357 A CN111178357 A CN 111178357A
Authority
CN
China
Prior art keywords
image
license plate
recognized
recognition
recognition method
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
Application number
CN201911412622.4A
Other languages
English (en)
Other versions
CN111178357B (zh
Inventor
王永
刘寒松
刘瑞
王盟
郭鹏
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.)
Sonli Holdings Group Co Ltd
Original Assignee
Sonli Holdings Group 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 Sonli Holdings Group Co Ltd filed Critical Sonli Holdings Group Co Ltd
Priority to CN201911412622.4A priority Critical patent/CN111178357B/zh
Publication of CN111178357A publication Critical patent/CN111178357A/zh
Application granted granted Critical
Publication of CN111178357B publication Critical patent/CN111178357B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Character Input (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及图像处理技术领域，特别涉及一种汽车车牌号码的识别方法、系统、设备和存储介质。在本公开提供的车牌识别方法、系统、设备和存储介质中，通过获取待识别图像中车牌的实际位置，并对待识别图像进行仿射纠正处理，有利于后续的车牌识别工作，并且使得倾斜、遮挡、光线不均匀，以及磨损的车牌都能够得到精确的识别。

Description

车牌识别方法、系统、设备和存储介质
技术领域
本公开涉及图像处理技术领域，特别涉及一种汽车车牌号码的识别方法、系统、设备和存储介质。
背景技术
目前，随着汽车保有量的上升，停车难、车辆管理成本高的问题越发明显；并且还给人们带来了出行不便、交通堵塞和环境污染等问题。对车辆施行更加有效的管理措施势在必行。
在停车场、道路收费路口等位置，在对车辆进行管理时，首先要对车辆进行识别。现阶段，主要是依靠人工对车辆进行识别，或者是采用机器对车辆识别。采用机器对车辆识别时，通常是借助网络识别模型，去检测车辆上悬挂的车牌。当识别模型检测到车辆的车牌，并识别出具体内容时，便可以根据识别出的车牌号追溯对应车辆的历史信息，并实施相应的管理措施。
发明内容
本公开的一方面提供了一种车牌识别方法。所述方法包括如下步骤：
按时间顺序依次获取摆设有商品的货柜图片；
获取包含有车牌的待识别图像；
对所述待识别图像进行调整，以得到符合预定尺寸的调整图像；
将所述调整图像输入预先训练好的车牌检测模型中，以检测出所述调整图像中车牌的特征位置；
将所述特征位置对应到所述待识别图像中，以得到所述待识别图像中的车牌的实际位置；
根据所述实际位置，对所述待识别图像进行仿射纠正处理，以得到纠正图像；
将所述纠正图像输入预先训练好的识别模型中进行识别，以得到识别结果。
在一实施例中，所述纠正图像通过一预先训练好的纠正模型进行仿射纠正处理得到，而所述纠正模型和所述检测模型在求解得到损失函数的最小值时得到，所述损失函数如下：
Figure BDA0002350368710000021
其中：
M、m：包含车牌特征的矩形区域的长；
N、n：包含车牌特征的矩形区域的宽；
∑：求和符合；
IIobj：表示性函数，代表有无车牌，当有车牌时是1，否则为0；
faffine：仿射变换参数loss；
flpprobs：是否是单牌子置信度loss；
fprobs：有无对象置信度loss；在一实施例中，所述将调整图像输入预先训练好的车牌检测模型中，以检测出调整图像中车牌的特征位置的步骤包括：
在所述调整图像上建立若干封闭的虚线框；
获取出现车牌特征的概率符合设定阈值的一个虚线框的位置；
将所述虚线框所在的位置作为所述调整图像中车牌的特征位置。
在一实施例中，所述的将特征位置对应到识别图像中，以得到待识别图像中的车牌的实际位置的步骤包括：
将所述特征位置中的虚线框的四角点的位置对应到所述待识别图像中；
将与所述待识别图像中与所述虚线框的四角点对应的位置作为所述待识别图像中的车牌的实际位置。
在一实施例中，所述的根据实际位置，对待识别图像进行仿射纠正处理，以得到纠正图像的步骤还包括：
将所述实际位置围成的封闭区域作为纠正区域；
对所述纠正区域做仿射纠正处理，以得到中间图像；
对所述中间图像进行灰度化处理，得到所述纠正图像。
本公开的另一方面是提供了一种车牌识别系统。所述车牌识别系统用于实现如前所述的车牌识别方法的步骤。所述系统包括：
图像获取模块，用于获取包含有车牌的待识别图像；
图像处理模块，用于对所述待识别图像进行调整，以得到符合预定尺寸的调整图像；位置获取模块，用于将所述调整图像输入预先训练好的车牌检测模型中，以检测出所述调整图像中车牌的特征位置；以及
用于将所述特征位置对应到所述待识别图像中，以得到所述待识别图像中的车牌的实际位置；
所述图像处理模块，还用于根据所述实际位置，对所述待识别图像进行仿射纠正处理，以得到纠正图像；
所述系统还包括：
图像识别模块，用于将所述纠正图像输入预先训练好的识别模型中进行识别，以得到识别结果。
本公开的再一方面还提供了一种车牌识别设备。所述车牌识别设备包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如前所述的车牌识别方法的步骤。
本公开的最后一方面则是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如前所述的车牌识别方法的步骤。
在本公开提供的车牌识别方法、系统、设备和存储介质中，通过获取待识别图像中车牌的实际位置，并对待识别图像进行仿射纠正处理，有利于后续的车牌识别工作，并且使得倾斜、遮挡、光线不均匀，以及磨损的车牌都能够得到精确的识别。
另一方面，本公开还通过构建损失函数的约束，提高了检测模型的识别效率和精确度，拥有更好的泛化能力和鲁棒性，适用于普通蓝色车牌、新能源车牌、双层车牌，以及黄色车牌等常见的类型。
附图说明
附图示例性地示出了实施例并且构成说明书地一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于示例的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1是本公开一实施例所展示的的车牌识别方法的步骤流程图。；
图2是本公开一实施例提供的获取特征位置的步骤流程图；
图3是本公开一实施例提供的获取位于待识别图像中车牌的实际位置的步骤流程图；
图4是本公开一实施例提供的得到纠正图像的步骤示意图；
图5是本公开一实施例提供的车牌识别系统模块连接示意图；
图6是本公开一实施例提供的车牌识别设备的结构示意图；
图7是本公开一实施例提供的计算机可读存储介质的结构示意图。
具体实施方式
通过上述说明可知，现阶段对车牌进行识别时，通常会借助网络识别模型来实现。
然而，传统的车牌识别对图像要求比较严格。需要近距离、正对车牌，并且车牌不能出现任何遮挡。当周围环境较复杂，或者车牌出现反光，或车牌出现倾斜或扭曲、或车牌自身的显示内容较多(例如双层显示的车牌，以及新能源车牌等)时，传统的车牌识别技术很难做到精确识别，并且对车牌的定位和识别速度均有所下降。并且不同类型的车牌，不同应用场景下的车牌均需要不同的识别模型来进行识别。
为了解决现有技术存在的问题，提高复杂环境下车牌识别准确度，发明人通过创造性的劳动提出了一种车牌识别方法、系统、设备和存储介质。值得说明的是，本公开提供的车牌识别方法，通过获取待识别图像中车牌的实际位置，并对待识别图像进行仿射纠正处理，有利于后续的车牌识别工作，并且使得倾斜、遮挡、光线不均匀，以及磨损的车牌都能够得到精确的识别。。
以下结合附图和具体实施例对本公开提出的采集货柜商品售卖信息的方法、系统、设备及存储介质作进一步详细说明。根据权利要求书和下面说明，本公开的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本公开实施例的目的。
应当理解的内容是，说明书中的用辞仅用于描述特定的实施例，并不旨在限定本公开。说明书使用的所有术语(包括技术术语和科学术语)除非另有定义，均具有本领域技术人员通常理解的含义。为简明和/或清楚起见，公知的功能或结构不再详细说明。
关于车牌识别方法的示例说明
请参阅图1，其展示了本公开一实施例中的车牌识别方法的步骤流程图。
在这个实施例的步骤S011中，获取包含有车牌的待识别图像；
在步骤S012中，对所述待识别图像进行调整，以得到符合预定尺寸的调整图像；
在步骤S013中，将所述调整图像输入预先训练好的车牌检测模型中，以检测出所述调整图像中车牌的特征位置；
其中，所述纠正图像通过一预先训练好的纠正模型进行仿射纠正处理得到，为了更好的获得检测结果，本公开还构建了一个损失函数，以便在训练阶段约束所述纠正模型和所述检测模型。本公开提供的损失函数如下：
Figure BDA0002350368710000051
其中：
M、m：包含车牌特征的矩形区域的长；
N、n：包含车牌特征的矩形区域的宽；
∑：求和符合；
IIobj：表示性函数，代表有无车牌，当有车牌时是1，否则为0；
faffine：仿射变换参数loss；
flpprobs：是否是单牌子置信度loss；
fprobs：有无对象置信度loss；
在步骤S014中，将所述特征位置对应到所述待识别图像中，以得到所述待识别图像中的车牌的实际位置；
在步骤S015中，根据所述实际位置，对所述待识别图像进行仿射纠正处理，以得到纠正图像；
在步骤S016中，将所述纠正图像输入预先训练好的识别模型中进行识别，以得到识别结果。
其中，在训练所述检测模型时，可以首先使用GAN算法生成多种类型车牌(单行蓝牌、单行黄牌、新能源车牌、白色警用车牌、使馆/港澳车牌、教练车牌、武警车牌、双层黄牌、双成武警、双层军牌等)作为训练数据，然后将这些训练数据输入至深度学习训练模型中，以得到需要的检测模型。
本公开提供的采集货柜商品售卖信息的方法中，首先是将获取的待识别图片进行调整，然后再经过检测模型进一步含有车牌特征的区域的位置，进而在通过将含有车牌位置的区域进行仿射纠正处理，得到纠正图像，最终将纠正图像输入至预先训练好的识别模型中，以便更加高效地获得更加精准的识别结果。
在本公开的一实施例中，还说明了关于“获取特征位置”的优选实施方案。在图2中，展示了该实施例提供的获取特征位置的步骤流程图。
在这个实施例的步骤S021中，在所述调整图像上建立若干封闭的虚线框。
在步骤S022中，获取出现车牌特征的概率符合设定阈值的一个虚线框的位置。
在步骤S023中，将所述虚线框所在的位置作为所述调整图像中车牌的特征位置。
在本公开的一实施例中，还说明了一种关于“获取实际位置”的优选实施方案。在图3中，展示了该实施例提供的获取位于待识别图像中车牌的实际位置的步骤流程图。
在步骤S031中，将所述特征位置中的虚线框的四角点的位置对应到所述待识别图像中。
在步骤S032中，将与所述待识别图像中与所述虚线框的四角点对应的位置作为所述待识别图像中的车牌的实际位置。
请参考图4，图4是本公开一实施例提供的得到纠正图像的步骤示意图。
在本实施例的步骤S041中，将所述实际位置围成的封闭区域作为纠正区域。
在本实施例的步骤S042中，对所述纠正区域做仿射纠正处理，以得到中间图像。
在本实施例的步骤S043中，对所述中间图像进行灰度化处理，得到所述纠正图像。
基于上述的公开内容可知，本公开通过获取待识别图像中车牌的实际位置，并对待识别图像进行仿射纠正处理，有利于后续的车牌识别工作，并且使得倾斜、遮挡、光线不均匀，以及磨损的车牌都能够得到精确的识别。。
关于车牌识别系统的示例说明
本公开的一实施例中还提供了一种车牌识别系统。在图5中，展示了本公开一实施例提供的车牌识别系统模块连接示意图。该系统能够实现本公开中说明的车牌识别方法。为了实现本公开说明的车牌识别方法，该系统包括：
图像获取模块501，用于获取包含有车牌的待识别图像。
图像处理模块502，用于对所述待识别图像进行调整，以得到符合预定尺寸的调整图像。
位置获取模块503，
将所述调整图像输入预先训练好的车牌检测模型中，以检测出所述调整图像中车牌的特征位置；以及
用于将所述特征位置对应到所述待识别图像中，以得到所述待识别图像中的车牌的实际位置。
其中，本实施例中的图像处理模块还用于根据所述实际位置，对所述待识别图像进行仿射纠正处理，以得到纠正图像；
本实施提供的系统还包括：
图像识别模块，用于将所述纠正图像输入预先训练好的识别模型中进行识别，以得到识别结果。
关于车牌识别设备的示例说明
本公开的一实施例中还提供了一种车牌识别设备。所述设备包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现本公开中说明的车牌识别方法的步骤。
本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。
图6是本公开一实施例提供的车牌识别设备的结构示意图。下面参照图6来详细描述根据本实施例中的实施方式实施的电子设备。图6显示的电子设备仅仅是一个示例，不应对本公开任何实施例的功能和使用范围带来任何限制。
如图6所示，电子设备上述电子设备以通用计算设备5的形式表现，计算机设备5的组件可以包括但不限于：一个或者多个处理器或者处理单元5，系统存储器12，连接不同系统组件(包括系统存储器12和处理单元7)的总线8。
总线8表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备5典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备5访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器12可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)13和/或高速缓存存储器14。计算机设备5可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统15可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。
尽管图6中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD～ROM，DVD～ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线8相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块17，这些程序模块17被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块17的程序/实用工具16，可以存储在例如存储器中，这样的程序模块17包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块17通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备5也可以与一个或多个外部设备6(例如键盘、指向设备、显示器11、摄像头等)通信，还可与一个或者多个使得用户能与该计算机设备5交互的设备通信，和/或与使得该计算机设备5能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口10进行。并且，计算机设备5还可以通过网络适配器9与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图所示，网络适配器9通过总线8与计算机设备5的其他模块通信。应当明白，尽管图6中未示出，可以结合计算机设备5使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元7通过运行存储在系统存储器12中的程序，从而执行各种功能应用以及数据处理
关于可读存储介质的示例说明
本公开的一个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上存储有计算机程序，所述计算机程序被处理器执行时能够实现上述公开中车牌识别方法的步骤。尽管本实施例未详尽地列举其他具体的实施方式，但在一些可能的实施方式中，本公开说明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本公开中车牌识别方法部分中描述的根据本公开各种实施例中实施方式的步骤。
图7是本公开一实施例提供的计算机可读存储介质的结构示意图。如图7所示，其中描述了根据本公开的实施方式中用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。当然，依据本实施例产生的程序产品不限于此，在本公开中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本公开提供的车牌识别方法、系统、设备和存储介质中，一方面通过获取待识别图像中车牌的实际位置，并对待识别图像进行仿射纠正处理，有利于后续的车牌识别工作，并且使得倾斜、遮挡、光线不均匀，以及磨损的车牌都能够得到精确的识别。
另一方面，本公开还通过构建的损失函数，提高了检测模型的识别效率和精确度，拥有更好的泛化能力和鲁棒性，适用于普通蓝色车牌、新能源车牌、双层车牌，以及黄色车牌等常见的类型。
上述描述仅是对本公开较佳实施例的描述，并非对本公开范围的任何限定，本公开领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。

Claims (8)

1.一种车牌识别方法，其特征在于，包括如下步骤：
获取包含有车牌的待识别图像；
对所述待识别图像进行调整，以得到符合预定尺寸的调整图像；
将所述调整图像输入预先训练好的车牌检测模型中，以检测出所述调整图像中车牌的特征位置；
将所述特征位置对应到所述待识别图像中，以得到所述待识别图像中的车牌的实际位置；
根据所述实际位置，对所述待识别图像进行仿射纠正处理，以得到纠正图像；
将所述纠正图像输入预先训练好的识别模型中进行识别，以得到识别结果。
2.如权利要求1所述的车牌识别方法，其特征在于，所述纠正图像通过一预先训练好的纠正模型进行仿射纠正处理得到，而所述纠正模型和所述检测模型在求解得到损失函数的最小值时得到，所述损失函数如下：
Figure FDA0002350368700000011
其中：
M、m：包含车牌特征的矩形区域的长；
N、n：包含车牌特征的矩形区域的宽；
∑：求和符合；
IIobj：表示性函数，代表有无车牌，当有车牌时是1，否则为0；
faffine：仿射变换参数loss；
flpprobs：是否是单牌子置信度loss；
fprobs：有无对象置信度loss；
3.如权利要求1所述的车牌识别方法，其特征在于，所述将调整图像输入预先训练好的车牌检测模型中，以检测出调整图像中车牌的特征位置的步骤包括：
在所述调整图像上建立若干封闭的虚线框；
获取出现车牌特征的概率符合设定阈值的一个虚线框的位置；
将所述虚线框所在的位置作为所述调整图像中车牌的特征位置。
4.如权利要求1所述的车牌识别方法，其特征在于，所述的将特征位置对应到识别图像中，以得到待识别图像中的车牌的实际位置的步骤包括：
将所述特征位置中的虚线框的四角点的位置对应到所述待识别图像中；
将与所述待识别图像中与所述虚线框的四角点对应的位置作为所述待识别图像中的车牌的实际位置。
5.如权利要求4所述的车牌识别方法，其特征在于，所述的根据实际位置，对待识别图像进行仿射纠正处理，以得到纠正图像的步骤还包括：
将所述实际位置围成的封闭区域作为纠正区域；
对所述纠正区域做仿射纠正处理，以得到中间图像；
对所述中间图像进行灰度化处理，得到所述纠正图像。
6.一种车牌识别系统，用于实现权利要求1至5中任一项所述的车牌识别方法的步骤，其特征在于，所述系统包括：
图像获取模块，用于获取包含有车牌的待识别图像；
图像处理模块，用于对所述待识别图像进行调整，以得到符合预定尺寸的调整图像；位置获取模块，用于将所述调整图像输入预先训练好的车牌检测模型中，以检测出所述调整图像中车牌的特征位置；以及
用于将所述特征位置对应到所述待识别图像中，以得到所述待识别图像中的车牌的实际位置；
所述图像处理模块，还用于根据所述实际位置，对所述待识别图像进行仿射纠正处理，以得到纠正图像；
所述系统还包括：
图像识别模块，用于将所述纠正图像输入预先训练好的识别模型中进行识别，以得到识别结果。
7.一种车牌识别设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5中任一项所述的车牌识别方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至5任一项所述的车牌识别方法的步骤。
CN201911412622.4A 2019-12-31 2019-12-31 车牌识别方法、系统、设备和存储介质 Active CN111178357B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911412622.4A CN111178357B (zh) 2019-12-31 2019-12-31 车牌识别方法、系统、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911412622.4A CN111178357B (zh) 2019-12-31 2019-12-31 车牌识别方法、系统、设备和存储介质

Publications (2)

Publication Number Publication Date
CN111178357A true CN111178357A (zh) 2020-05-19
CN111178357B CN111178357B (zh) 2023-09-29

Family

ID=70655898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911412622.4A Active CN111178357B (zh) 2019-12-31 2019-12-31 车牌识别方法、系统、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111178357B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418234A (zh) * 2020-11-19 2021-02-26 北京软通智慧城市科技有限公司 识别车牌号的方法、装置、电子设备及存储介质
CN112686176A (zh) * 2020-12-30 2021-04-20 深圳云天励飞技术股份有限公司 目标重识别方法、模型训练方法、装置、设备及存储介质
CN113780278A (zh) * 2021-09-10 2021-12-10 北京精英路通科技有限公司 一种识别车牌内容的方法、装置、电子设备以及存储介质
CN115116047A (zh) * 2022-08-29 2022-09-27 松立控股集团股份有限公司 一种基于车牌字符区域热力图的车牌检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203418A (zh) * 2016-07-14 2016-12-07 北京精英智通科技股份有限公司 一种车牌检测的方法及装置
CN106503748A (zh) * 2016-11-07 2017-03-15 湖南源信光电科技有限公司 一种基于s‑sift特征和svm训练器的车型识别算法
CN108537099A (zh) * 2017-05-26 2018-09-14 华南理工大学 一种复杂背景的车牌识别方法
CN109145900A (zh) * 2018-07-30 2019-01-04 中国科学技术大学苏州研究院 一种基于深度学习的车牌识别方法
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
CN110070082A (zh) * 2019-04-22 2019-07-30 苏州科达科技股份有限公司 车牌识别方法、装置、设备及存储介质
JP2019139384A (ja) * 2018-02-07 2019-08-22 グローリー株式会社 文字認識システム、文字認識プログラム、文字認識方法、文字認識結果の表示装置、文字鮮明化システム、文字鮮明化プログラム、文字鮮明化方法、及び文字鮮明化画像の表示装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203418A (zh) * 2016-07-14 2016-12-07 北京精英智通科技股份有限公司 一种车牌检测的方法及装置
CN106503748A (zh) * 2016-11-07 2017-03-15 湖南源信光电科技有限公司 一种基于s‑sift特征和svm训练器的车型识别算法
CN108537099A (zh) * 2017-05-26 2018-09-14 华南理工大学 一种复杂背景的车牌识别方法
JP2019139384A (ja) * 2018-02-07 2019-08-22 グローリー株式会社 文字認識システム、文字認識プログラム、文字認識方法、文字認識結果の表示装置、文字鮮明化システム、文字鮮明化プログラム、文字鮮明化方法、及び文字鮮明化画像の表示装置
CN109145900A (zh) * 2018-07-30 2019-01-04 中国科学技术大学苏州研究院 一种基于深度学习的车牌识别方法
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
CN110070082A (zh) * 2019-04-22 2019-07-30 苏州科达科技股份有限公司 车牌识别方法、装置、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418234A (zh) * 2020-11-19 2021-02-26 北京软通智慧城市科技有限公司 识别车牌号的方法、装置、电子设备及存储介质
CN112686176A (zh) * 2020-12-30 2021-04-20 深圳云天励飞技术股份有限公司 目标重识别方法、模型训练方法、装置、设备及存储介质
CN112686176B (zh) * 2020-12-30 2024-05-07 深圳云天励飞技术股份有限公司 目标重识别方法、模型训练方法、装置、设备及存储介质
CN113780278A (zh) * 2021-09-10 2021-12-10 北京精英路通科技有限公司 一种识别车牌内容的方法、装置、电子设备以及存储介质
CN115116047A (zh) * 2022-08-29 2022-09-27 松立控股集团股份有限公司 一种基于车牌字符区域热力图的车牌检测方法

Also Published As

Publication number Publication date
CN111178357B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN108416403B (zh) 商品与标签的自动关联方法、系统、设备及存储介质
CN108734162B (zh) 商品图像中目标识别方法、系统、设备及存储介质
CN111178357A (zh) 车牌识别方法、系统、设备和存储介质
US20180293664A1 (en) Image-based vehicle damage determining method and apparatus, and electronic device
US9002066B2 (en) Methods, systems and processor-readable media for designing a license plate overlay decal having infrared annotation marks
WO2018205467A1 (zh) 车损部位的识别方法、系统、电子装置及存储介质
CN112052850B (zh) 车牌识别方法、装置、电子设备及存储介质
US20190340746A1 (en) Stationary object detecting method, apparatus and electronic device
US20130004076A1 (en) System and method for recognizing text information in object
US20200050856A1 (en) Systems and methods for depicting vehicle information in augmented reality
CN109117814B (zh) 图像处理方法、装置、电子设备及介质
CN112997190A (zh) 车牌识别方法、装置及电子设备
CN115063618B (zh) 一种基于模板匹配的缺陷定位方法、系统、设备及介质
CN114663871A (zh) 图像识别方法、训练方法、装置、系统及存储介质
CN111767908A (zh) 字符检测方法、装置、检测设备及存储介质
CN114140649A (zh) 票据分类方法、票据分类装置、电子设备和存储介质
CN112712036A (zh) 交通标志识别方法、装置、电子设备及计算机存储介质
CN111310606A (zh) 多张图片之间重复内容获取方法、系统、设备和介质
CN113936232A (zh) 一种碎屏识别方法、装置、设备和存储介质
CN113221894A (zh) 车辆的车牌号识别方法、装置、电子设备和存储介质
CN109087439A (zh) 票据校验方法、终端设备、存储介质及电子设备
Vidhyalakshmi et al. Text detection in natural images with hybrid stroke feature transform and high performance deep Convnet computing
CN111951328A (zh) 一种物体位置检测方法、装置、设备和存储介质
CN108446693B (zh) 待识别目标的标记方法、系统、设备及存储介质
CN115222943A (zh) 基于人工智能的倒车镜损伤检测方法及相关设备

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