CN111178359A - 车牌号码识别方法、装置和设备及计算机存储介质 - Google Patents
车牌号码识别方法、装置和设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111178359A CN111178359A CN201811333333.0A CN201811333333A CN111178359A CN 111178359 A CN111178359 A CN 111178359A CN 201811333333 A CN201811333333 A CN 201811333333A CN 111178359 A CN111178359 A CN 111178359A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- candidate
- plate region
- region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000001154 acute effect Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 11
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 240000007651 Rubus glaucus Species 0.000 description 2
- 235000011034 Rubus glaucus Nutrition 0.000 description 2
- 235000009122 Rubus idaeus Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
- Character Input (AREA)
Abstract
本发明公开了一种车牌号码识别方法、装置和设备及计算机存储介质，属于图像处理技术领域，用于提升车牌号码识别的准确度。该方法包括：根据包含车牌的待识别图像中包括的颜色特征，从待识别图像中确定出包括至少一个候选车牌区域的第一候选车牌区域集合；并，根据待识别图像中包括的边缘特征，从待识别图像中确定出包括至少一个候选车牌区域的第二候选车牌区域集合；对第一候选车牌区域集合和第二候选车牌区域集合包括的所有候选车牌区域进行矫正通过训练得到的车牌识别模型，从矫正后的所有候选车牌区域中确定出目标车牌区域；对目标车牌区域进行图像识别，以从目标车牌区域中识别得到车牌号码。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种车牌号码识别方法、装置和设备及计算机存储介质。
背景技术
车牌识别系统(Vehicle License Plate Recognition，VLPR)是计算机视频图像识别技术在车辆牌照识别中的一种应用，车牌识别技术在高速公路车辆管理以及停车场管理中得到广泛应用。其中，车牌识别技术能够将运动中的汽车牌照从复杂背景中提取并识别出来，结合电子不停车收费系统(Electronic Toll Collection，ETC)识别车辆，过往车辆通过道口时无须停车，即能够实现车辆身份自动识别、自动收费，能够极大地提高车辆通行效率。
目前，车牌识别主要包括车牌定位、车牌校正、车牌字符分割和车牌字符识别这四个步骤。其中，能够准确的进行车牌定位才能回后续的车牌识别打下良好的基础，因此，车牌定位的准确性是尤为重要的，而目前较为常见的车牌定位方法主要是基于单一特征进行的，都存在着较大的局限性，尤其在特征较为丰富的情况下定位效果都较差，进而影响后续的车牌号码识别的准确性。
发明内容
本发明实施例提供一种车牌号码识别方法、装置和设备及计算机存储介质，用于提升车牌号码识别的准确度。
第一方面，提供一种车牌号码识别方法，包括：
根据包含车牌的待识别图像中包括的颜色特征，从所述待识别图像中确定出包括至少一个候选车牌区域的第一候选车牌区域集合；并，
根据所述待识别图像中包括的边缘特征，从所述待识别图像中确定出包括至少一个候选车牌区域的第二候选车牌区域集合；
对所述第一候选车牌区域集合和所述第二候选车牌区域集合包括的所有候选车牌区域进行矫正，使得每个候选车牌区域的边缘轮廓构成的图形均呈矩形；
通过训练得到的车牌识别模型，从矫正后的所有候选车牌区域中确定出目标车牌区域；
对所述目标车牌区域进行图像识别，以从所述目标车牌区域中识别得到车牌号码。
在该方法中，分别通过颜色特征和边缘特征来定位候选车牌区域，并对候选车牌区域进行矫正，再通过车牌识别模型来筛选出正确的车牌图像，这样，在进行车牌定位时，可以结合多种特征来综合定位，避免单一特征所带来的局限性，进而提高后续的车牌号码识别的准确性。
可选的，根据包含车牌的待识别图像中包括的颜色特征，从所述待识别图像中确定出包括至少一个候选车牌区域的第一候选车牌区域集合，包括：
从所述待识别图像中筛选出与车牌包括的颜色相同的区域；
获取每个与车牌包括的颜色相同的区域的边缘轮廓的最小外接矩形；
基于最小外接矩形的尺寸比例，从所述与车牌包括的颜色相同的区域中确定出所述第一候选车牌区域集合包括的至少一个候选车牌区域。
可选的，在从所述待识别图像中筛选出与车牌包括的颜色相符的区域之前，所述方法还包括：
对所述待识别图像进行颜色空间转换，以将所述待识别图像从RGB颜色空间转换到HSV颜色空间。
可选的，根据所述待识别图像中包括的边缘特征，从所述待识别图像中确定出包括至少一个候选车牌区域的第二候选车牌区域集合，包括：
对所述待识别图像进行图像预处理，并根据边缘检测算法，从预处理后得到的图像中确定出边缘轮廓封闭的区域；
获取每个边缘轮廓封闭的区域中边缘轮廓的最小外接矩形，并基于最小外接矩形的尺寸比例，从所有边缘轮廓封闭的区域中确定出所述第二候选车牌区域集合包括的至少一个候选车牌区域。
可选的，对所述第一候选车牌区域集合和所述第二候选车牌区域集合包括的所有候选车牌区域进行矫正，使得每个候选车牌区域的边缘轮廓构成的图形均呈矩形，包括：
针对每个候选车牌区域，执行如下过程：
确定候选车牌区域的多个边中长度最长的边与水平方向的锐角是否大于或者等于预设角度阈值；
若确定候选车牌区域的多个边中长度最长的边与水平方向的锐角大于或者等于预设角度阈值，则将候选车牌区域旋转回正，并确定旋转回正后的候选车牌区域中的字符是否倾斜；
若确定旋转回正后的候选车牌区域中的字符倾斜，则对旋转回正后的候选车牌区域进行仿射变换，使得候选车牌区域的多个边构成的图形呈矩形。
可选的，
在对所述目标车牌区域进行图像识别，以从所述目标车牌区域中识别得到车牌号码之前，所述方法还包括：
通过字符分割算法从所述目标车牌区域中分割出非汉字类字符图像；
根据非汉字类字符在所述目标车牌区域中的位置，定位汉字类字符在所述目标车牌区域中的位置，并从所述目标车牌区域中分割出汉字字符图像；
则对所述目标车牌区域进行图像识别，以从所述目标车牌区域中识别得到车牌号码，包括：
通过图像识别算法对所述非汉字类字符图像以及汉字类字符图像进行识别，以获取所述目标车牌区域中的车牌号码。
第二方面，提供一种车牌号码识别装置，包括：
确定单元，用于根据包含车牌的待识别图像中包括的颜色特征，从所述待识别图像中确定出包括至少一个候选车牌区域的第一候选车牌区域集合；并，根据所述待识别图像中包括的边缘特征，从所述待识别图像中确定出包括至少一个候选车牌区域的第二候选车牌区域集合；
矫正单元，用于对所述第一候选车牌区域集合和所述第二候选车牌区域集合包括的所有候选车牌区域进行矫正，使得每个候选车牌区域的边缘轮廓构成的图形均呈矩形；
所述确定单元，还用于通过训练得到的车牌识别模型，从矫正后的所有候选车牌区域中确定出目标车牌区域；
图像识别单元，用于对所述目标车牌区域进行图像识别，以从所述目标车牌区域中识别得到车牌号码。
可选的，所述确定单元具体用于：
从所述待识别图像中筛选出与车牌包括的颜色相同的区域；
获取每个与车牌包括的颜色相同的区域的边缘轮廓的最小外接矩形；
基于最小外接矩形的尺寸比例，从所述与车牌包括的颜色相同的区域中确定出所述第一候选车牌区域集合包括的至少一个候选车牌区域。
可选的，所述确定单元具体还用于：
对所述待识别图像进行颜色空间转换，以将所述待识别图像从RGB颜色空间转换到HSV颜色空间。
可选的，所述确定单元具体用于：
对所述待识别图像进行图像预处理，并根据边缘检测算法，从预处理后得到的图像中确定出边缘轮廓封闭的区域；
获取每个边缘轮廓封闭的区域中边缘轮廓的最小外接矩形，并基于最小外接矩形的尺寸比例，从所有边缘轮廓封闭的区域中确定出所述第二候选车牌区域集合包括的至少一个候选车牌区域。
可选的，所述矫正单元，用于：
针对每个候选车牌区域，执行如下过程：
确定候选车牌区域的多个边中长度最长的边与水平方向的锐角是否大于或者等于预设角度阈值；
若确定候选车牌区域的多个边中长度最长的边与水平方向的锐角大于或者等于预设角度阈值，则将候选车牌区域旋转回正，并确定旋转回正后的候选车牌区域中的字符是否倾斜；
若确定旋转回正后的候选车牌区域中的字符倾斜，则对旋转回正后的候选车牌区域进行仿射变换，使得候选车牌区域的多个边构成的图形呈矩形。
可选的，所述图像识别单元，具体用于：
通过字符分割算法从所述目标车牌区域中分割出非汉字类字符图像；
根据非汉字类字符在所述目标车牌区域中的位置，定位汉字类字符在所述目标车牌区域中的位置，并从所述目标车牌区域中分割出汉字字符图像；
通过图像识别算法对所述非汉字类字符图像以及汉字类字符图像进行识别，以获取所述目标车牌区域中的车牌号码。
第三方面，提供一种车牌号码识别设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。
第四方面，提供一种计算机存储介质，
所述计算机存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如第一方面所述的方法。
附图说明
图1为本发明实施例提供的应用场景的示意图；
图2为本发明实施例提供的车牌号码识别方法的流程示意图；
图3为本发明实施例提供的基于颜色特征获取至少一个候选车牌区域的流程示意图；
图4为本发明实施例提供的基于边缘特征获取至少一个候选车牌区域的流程示意图；
图5为本发明实施例提供的对候选车牌区域进行矫正的流程示意图；
图6为本发明实施例提供的待识别图像的示意图；
图7为本发明实施例提供的旋转回正后的候选车牌区域的示意图；
图8为本发明实施例提供的从目标车牌区域中分割出字符图像的流程示意图；
图9为本发明实施例提供的车牌号码识别装置的一种结构示意图；
图10为本发明实施例提供的车牌号码识别设备的一种结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面将结合本发明实施例中的附图，对本发明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。在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
下面介绍本发明实施例的技术背景。
目前的车牌识别方法主要包括车牌定位、车牌校正、车牌字符分割和车牌字符识别这四个步骤。其中，能够准确的进行车牌定位才能回后续的车牌识别打下良好的基础，因此，车牌定位的准确性是尤为重要的，而目前较为常见的车牌定位方法主要是基于单一特征进行的，都存在着较大的局限性，尤其在特征较为丰富的情况下定位效果都较差，进而影响后续的车牌号码识别的准确性。
鉴于此，本发明实施例提供一种车牌号码识别方法，在该方法中，分别通过颜色特征和边缘特征来定位候选车牌区域，并对候选车牌区域进行矫正，再通过车牌识别模型来筛选出正确的车牌图像，这样，在进行车牌定位时，可以结合多种特征来综合定位，避免单一特征所带来的局限性，进而提高后续的车牌号码识别的准确性。
在介绍完本发明实施例的设计思想之后，下面对本发明实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本发明实施例而非限定。在具体实施过程中，可以根据实际需要灵活地应用本发明实施例提供的技术方案。
请参见图1所示，为本发明实施例中的技术方案能够适用的一种应用场景。图1所示的应用场景为用于停车场的车牌识别系统，包括出口摄像头101、入口摄像头102、车牌号码识别装置103、服务器104以及出口闸门105以及入口闸门106，其中，该系统中的各个装置均可以通过网络进行连接，该网络可以是有线网络，也可以是无线网络，例如无线网络可以是移动蜂窝网络，或者可以是无线保真(WIreless-Fidelity，WIFI)网络，当然还可以是其他可能的网络，本发明实施例对此不做限制。
出口摄像头101和入口摄像头102可以分别设置在停车场出口和入口处，分别用于在程序的控制下，拍摄离开停车场和进入停车场的车辆的图像，并将拍摄的图像通过网络发送给车牌号码识别装置103。其中，在某些停车场，出口摄像头101和入口摄像头102可以是由同一设备来实现的，具体的可以根据停车场的具体情况进行设置，本发明实施例对此不做限制。
车牌号码识别装置103用于通过车牌识别算法对接收到包括车牌的图像进行识别。具体的，在接收到进入停车场的车牌的图像时，车牌号码识别装置103在识别得到车牌号码时，可以与服务器104中存储的被允许进入停车场的车牌号码库进行匹配，若是识别得到的车牌号码被允许进入停车场，则车牌号码识别装置103控制通用输入/输出(GeneralPurpose Input Output，GPIO)发出信号，控制入口闸门106开启，同时将该车牌号码以及该车牌号码的进入时间保存到服务器104中。当车辆驶出停车场时，车牌号码识别装置103在识别得到接收到离开该停车场的车牌号码时，将该车牌号码与服务器104中存储的进入该停车场的车牌号进行匹配，从而读取该车牌号对应的进入时间，进而根据当前时间计算车辆在停车场的停放时间，进行收费，收费完成后，车牌号码识别装置103控制GPIO发出信号，控制出口闸门105开启，放行车辆。
其中，车牌号码识别装置103可以通过树莓派来实现，树莓派除了完全能够完成上述的功能之外，还具有成本低廉，体积较小，便于安装等优点，极大的减小了整个车辆识别系统的成本。
服务器104可以是任何类型的服务器，本发明实施例对此不做限制。服务器104中可以通过安装关系型数据库管理系统(MySQL)来建立存储车牌的数据库，当然，也可以通过其他类型的数据库来实现。在具体实施过程中，车牌号码识别装置103和服务器104实质上可以是通过相同的设备来实现，例如将数据库设置在车牌号码识别装置103中，具体的可以根据实际情况进行合理的设置。
当然，本发明实施例提供的方法并不限用于图1所示的应用场景中，还可以用于其他可能的应用场景，本发明实施例并不进行限制。对于图1所示的应用场景的各个设备所能实现的功能将在后续的方法实施例中一并进行描述，在此先不过多赘述。
为进一步说明本发明实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本发明实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本发明实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
请参见图2，本发明实施例提供一种车牌号码识别方法，该方法可以通过本发明实施例提供的车牌识别设备来执行，该设备例如可以设置在停车场出入口，或者高速的出入口等场景中。该方法的流程描述如下。
步骤201：根据包含车牌的待识别图像中包括的颜色特征，从待识别图像中确定出包括至少一个候选车牌区域的第一候选车牌区域集合。
本发明实施例中，在摄像头拍摄得到包含车牌的待识别图像后，由于待识别图像中出了包含车牌之外，还包括如车辆以及环境中的物体等其他物体，而这些对于车牌号码的识别毫无用处，反而会增加车牌识别的计算量，因此首先需要从待识别图像中定位车牌所在的区域，由于后续的车牌号码的识别是基于定位的车牌区域进行的，因此车牌定位的准确性显得尤为重要。
本发明实施例中，由于车牌是具有特定的颜色的，例如一般的车牌为蓝底白字，或者黄底白字，因此可以根据颜色对车牌区域进行筛选，那么可以在得到待识别图像之后，基于待识别图像中包括的颜色特征，从待识别图像中确定出一个或者多个候选车牌区域，得到包含这一个或者多个候选车牌区域的第一候选车牌区域集合。
具体的，请参见图3，为基于颜色特征获取至少一个候选车牌区域的流程示意图。
步骤301：对待识别图像进行颜色空间转换，以将待识别图像从RGB颜色空间转换到HSV颜色空间。
本发明实施例中，可以采用HSV颜色模型对待识别图像中的像素进行筛选，其中，H是指hue(色相)、S是指saturation(饱和度)、V是指value(色调)，当然，也可以采用其他可能的颜色模型进行筛选，例如RGB颜色模型或者YUV颜色模型。对于RSV颜色模型而言，由于一般拍摄的待识别图像是基于RGB颜色空间的，即待识别图像是通过红(R)、绿(G)和蓝(B)三个颜色通道的变化以及它们相互之间的叠加来展现各式各样的颜色的，那么就需要在进行筛选之前，对待识别图像进行颜色空间转换，以将待识别图像从RGB颜色空间转换到HSV颜色空间。其中，颜色空间转换属于现有技术的范畴，在此就不过多赘述了。
步骤302：从基于HSV颜色空间的图像中筛选出与车牌包括的颜色相同的区域。
本发明实施例中，由于车牌包括的颜色一般为蓝色、黄色以及白色，当然，还可以包括一些其他的颜色，在此不做限制，那么则可以从基于HSV颜色空间的图像中筛选出符合车牌包括的颜色的区域。实质上，由于环境中关照或者其他因素的影响，所拍摄的待识别图像中即使是车牌真实所在的区域，HSV的值也可能不是与车牌的真实值相同，而只是接近，因此在进行筛选时，并非是要筛选出与车牌颜色完全相同的区域，而是接近于车牌颜色的区域，或者说HSV值位于特定范围内的区域，特定区域即为与车牌颜色的HSV接近的区域。
步骤303：对筛选出符合车牌包括的颜色的区域之后的图像进行闭操作。
本发明实施例中，从基于HSV颜色空间的图像中筛选出符合车牌包括的颜色的区域之后，可以得到筛选颜色之后的二值图像。其中，在二值图中，其中一种值表示像素被命中，即该像素与车牌颜色接近，而另一种值则表示像素未命中。为了后续区域的筛选，可以对筛选之后的图像进行闭操作。其中，闭操作具有填充各个区域内细小空洞，连接邻近物体和平滑边界的作用。由于闭操作属于现有技术的范畴，因此在此不过多赘述。
步骤304：获取进行闭操作后的图像中每个封闭区域的边缘轮廓的外界矩形。
本发明实施例中，由于车牌区域的边缘轮廓一般为封闭的矩形，但是经过颜色筛选和闭操作之后的区域可能并不是矩形，因此为了从中找到疑似为车牌区域的区域，可以在进行闭操作后的图像中求连通域，从而获取每个封闭区域的边缘轮廓，并获取边缘轮廓的最小外接矩形。
步骤305：基于最小外接矩形的尺寸比例，从与车牌包括的颜色相同的区域中确定出第一候选车牌区域集合包括的至少一个候选车牌区域。
本发明实施例中，车牌大小一般都是固定的，或者由于拍摄距离的影响，车牌大小可能会在一定的范围内波动，但是一般波动范围不会太大，因此可以根据每个最小外界矩形的大小，将与车牌大小差异很大的予以排除，以缩小车牌定位的范围。并且，车牌的长宽比，即长边与短边的比例一般是固定在一个范围内，因此在将与车牌大小差异较大的区域筛除后，还可以进一步根据每个外接矩形的尺寸比例，也就是每个外接矩形的长边与短边的比例，对外接矩形进行进一步的筛选，以从中确定出第一候选车牌区域集合包括的至少一个候选车牌区域。
下面请继续参见图2。
步骤202：根据待识别图像中包括的边缘特征，从待识别图像中确定出包括至少一个候选车牌区域的第二候选车牌区域集合。
本发明实施例中，除了可以根据车牌特有的颜色来筛选候选车牌区域，还可以根据车牌的边缘特征来从待识别图像中得到候选车牌区域。
需要声明的是，步骤201和步骤202并没有实质上的先后顺序，在实际实施过程中，步骤201和步骤202可以是同时进行，也可以是先后顺序进行的，本发明实施例对此不做限制。
具体的，请参见图4，为基于边缘特征获取至少一个候选车牌区域的流程示意图。
步骤401：对待识别图像进行图像预处理。
本发明实施例中，在从待识别图像中获取候选车牌区域之前，还需要对待识别图像进行必要的图像预处理过程。
具体的，图像预处理可以包括模糊处理和灰度处理，当然，也可以包括其他可能的图像预处理过程，本发明实施例对此不做限制。其中，模糊处理可以通过高斯模糊(Gaussian Blur)算法来进行，以减少图像噪声；由于在提取图像中的边缘特征时，无需利用到颜色特征，因此可以对高斯模糊后的图像进行灰度处理，得到灰度图像。
步骤402：根据边缘检测算法，从预处理后得到的图像中检测物体的边缘。
本发明实施例中，可以通过边缘检测算法，从上述经过图像预处理之后的灰度图像中检测出其中的物体边缘，并对边缘检测后的图像进行二值化处理，得到图像边缘的二值图。
步骤403：对图像边缘的二值图进行闭操作。
本发明实施例中，其中，在二值图中，其中一种值表示物体边缘，即该像素为物体边缘中的像素点，而另一种值则表示非物体边缘。为了后续区域的筛选，可以对上述得到图像边缘的二值图进行闭操作。其中，闭操作具有填充各个区域内细小空洞，连接邻近物体和平滑边界的作用。由于闭操作属于现有技术的范畴，因此在此不过多赘述。
步骤404：获取进行闭操作后的图像中每个封闭区域的边缘轮廓的外界矩形。
本发明实施例中，由于车牌区域的边缘轮廓一般为封闭的矩形，但是经过边缘检测和闭操作之后的区域可能并不是矩形，因此为了从中找到疑似为车牌区域的区域，可以在进行闭操作后的图像中求连通域，从而获取每个封闭区域的边缘轮廓，并获取边缘轮廓的最小外接矩形。
步骤405：基于最小外接矩形的尺寸比例，从所有边缘轮廓封闭的区域中确定出第二候选车牌区域集合包括的至少一个候选车牌区域。
本发明实施例中，车牌大小一般都是固定的，或者由于拍摄距离的影响，车牌大小可能会在一定的范围内波动，但是一般波动范围不会太大，因此可以根据每个最小外界矩形的大小，将与车牌大小差异很大的予以排除，以缩小车牌定位的范围。并且，车牌的长宽比，即长边与短边的比例一般是固定在一个范围内，因此在将与车牌大小差异较大的区域筛除后，还可以进一步根据每个外接矩形的尺寸比例，也就是每个外接矩形的长边与短边的比例，对外接矩形进行进一步的筛选，以从中确定出第一候选车牌区域集合包括的至少一个候选车牌区域。
下面请继续参见图2。
本发明实施例中，基于待识别图像中包括的边缘特征和颜色特征，能够从待识别图像中进行车牌的粗定位，得到多个候选车牌区域。
步骤203：对第一候选车牌区域集合和第二候选车牌区域集合包括的所有候选车牌区域进行矫正，使得每个候选车牌区域的边缘轮廓构成的图形均呈矩形。
本发明实施例中，由于在实际应用时，通常摄像头不会正对着车辆进行拍摄，也就是说一般拍摄的待识别图像中的车牌并不是很规则的矩形，而是会产生一定的变形，因此为了能够准确地确定上述候选车牌区域是否为真正的车牌区域，可以先对每个候选车牌区域进行一定的矫正，是的每个候选车牌区域中的边缘轮廓构成的图形能够为矩形。
具体的，请参见图5，为以一个候选车牌区域为例进行矫正的流程示意图。
步骤501：确定候选车牌区域的多个边中长度最长的边与水平方向的锐角是否大于或者等于预设角度阈值。
请参见图6所示，为拍摄的一张包含车牌的待识别图像，很明显的能够看出摄像头拍摄的车牌为倾斜的，且存在一定的形变，其中，角度A即为车牌的倾斜角，在候选车牌区域中，倾斜角即为候选车牌区域中的多个边中长度最长的边与水平方向的锐角，对于车牌而言，一般为车牌的横边。
本发明实施例中，当车牌的倾斜角较小时，例如倾斜角小于5°时，对于后续车牌准确定位和字符识别的影响并不大，因此可以不对车牌进行矫正。因此，在获得候选车牌区域之后，可以确定候选车牌区域中的多个边中长度最长的边与水平方向的锐角是否大于或者等于预设角度阈值，进而判断是否需要对候选车牌区域是否进行矫正。
其中，预设角度阈值可以是根据经验设置的，也可以是根据仿真结果来确定的，本发明实施例对此不做限制。
步骤502：若步骤502的确定结果为是，则将候选车牌区域旋转回正。
本发明实施例中，若是确定候选车牌区域中的多个边中长度最长的边与水平方向的锐角是否大于或者等于预设角度阈值，则确定需要对候选车牌区域进行矫正，那么首先可以对候选车牌区域进行旋转回正。如图7所示，为旋转回正后的候选车牌区域的示意图，其中，旋转回正后，车牌的横边能够与水平方向保持一致。
若步骤502的确定结果为否，则流程结束。
步骤503：确定旋转回正后的候选车牌区域中的字符是否倾斜。
本发明实施例中，由于摄像头的位置关系，拍摄的待识别图像存在一定的变形，因此在旋转回正之后，还需要继续确定旋转回正后的候选车牌区域中的字符是否倾斜。
步骤504：若步骤503的确定结果为是，则对旋转回正后的候选车牌区域进行仿射变换，使得候选车牌区域的多个边构成的图形呈矩形。
本发明实施例中，通过仿射变换对候选车牌区域进行倾斜矫正，从而有效的矫正斜视角下拍摄的车牌。
若步骤503的确定结果为否，则流程结束。
下面请继续参见图2。
步骤204：通过训练得到的车牌识别模型，从矫正后的所有候选车牌区域中确定出目标车牌区域。
由于基于颜色特征和边缘特征的车牌定位方法都有可能受到环境因素的干扰，所以本发明实施例中在对粗定位得到的候选车牌图片进行校正之后，通过训练得到的车牌识别模型，从矫正后的候选车牌区域中，确定出目标车牌区域。
其中，车牌识别模型可以采用多种分类算法，例如可以采用支持向量机(SupportVector Machine，SVM)算法，来对候选车牌区域进行判别，排除非车牌的图片，最终得到正确车牌。
具体的，在通过车牌识别模型进行识别之前，需要预先通过训练得到车牌识别模型。其中，可以采集足够数量的样本图片集，并给样本图片集中的样本图片打上标签，即指示该样本图片是否为车牌图片，然后将样本图片集划分为训练样本集和验证样本集，训练样本集用于通过建立好的SVM模型进行训练，得到上述的车牌识别模型，并通过验证样本集验证模型的准确度，在准确度满足要求时，则可以用于实际的车牌的判别，即将上述得到候选车牌区域图像输入至车牌识别模型中，即可得到候选车牌区域图像是否为车牌图像的识别结果，进而从中确定出识别结果指示为车牌图像的目标车牌区域图像。
步骤205：从目标车牌区域中分割出字符图像。
本发明实施例中，在得到目标车牌区域之后，则可以从目标车牌区域中将字符图像分割出来。
具体的，请参见图8，为从目标车牌区域中分割出字符图像的流程示意图。
步骤801：对目标车牌区域进行图像预处理。
本发明实施例中，在进行字符分割之前，还需要对目标车牌区域进行必要的图像预处理过程。
具体的，图像预处理可以是在经过灰度化处理得到灰度图像之后，对灰度图像进行二值化处理，得到二值化车牌图像，当然，也可以包括其他可能的图像预处理过程，本发明实施例对此不做限制。
步骤802：通过字符分割算法从目标车牌区域中分割出非汉字类字符图像。
本发明实施例中，可以通过连通域标记法将目标车牌中的非汉字类字符分割出来。其中，由于绝大多数车牌中的汉字由多个连通域所组成，所以，传统连通域标记法往往只能分割出非汉字类字符，即字母和数字，当然，虽然汉字字符的分割不是那么准确，但是也还是可以通过连通域标记法从目标车牌区域中初步定位汉字字符的位置，结合后续的步骤来对汉字字符的位置进行进一步的确认。
当然，也可以通过其他的字符分割算法来分割出非汉字类字符，本发明实施例对此不做限制。
步骤803：根据非汉字类字符在目标车牌区域中的位置，定位汉字类字符在目标车牌区域中的位置，并从目标车牌区域中分割出汉字字符图像。
本发明实施例中，在车牌中汉字与字母或者数字的位置关系是已知的，一般为汉字在前，后续为字母或者汉字，因此虽然无法通过连通域标记法准确地分割出汉字字符，但是可以通过已分割出的非汉字类字符推算出汉字字符所在的位置，进而从目标车牌区域中分割出汉字字符图像。这样，通过对汉字字符的二次定位，解决了连通域标记法对汉字分割效果不佳的问题。
下面请继续参见图2。
步骤206：通过图像识别算法对非汉字类字符图像以及汉字类字符图像进行识别，以获取目标车牌区域中的车牌号码。
本发明实施例中，获取到各个字符的图像之后，则可以通过图像识别算法对字符进行识别，进而得到目标车牌区域中的车牌号码。其中，图像识别算法例如可以是卷积神经网络(Convolutional Neural Network，CNN)算法、SVM算法或者反向传播(BackPropagation，BP)神经网络算法，当然，还可以是其他可能的算法，本发明实施例对此不做限制。
具体的，以CNN算法为例，该算法可以通过TensorFlow编程实现。在通过基于CNN算法的图像识别模型进行字符识别之前，也需要预先通过训练得到图像识别模型。其中，可以采集足够数量的样本图片集，例如2500张中文字符图片和10000张字母数字图片，并给样本图片集中的样本图片打上标签，即指示该样本图片是否为那个字符，然后将样本图片集划分为训练样本集和验证样本集，训练样本集用于通过建立好的CNN模型进行训练，得到上述的图像识别模型，并通过验证样本集验证模型的准确度，在准确度满足要求时，则可以用于实际的字符的识别。
相较于CNN算法，SVM算法或者BP神经网络算法较依赖于特征提取，而CNN算法有适用于高维数据处理、无需手动选取特征的优点，在图像识别方面表现更加出色。
综上所述，
请参见图9，基于同一发明构思，本发明实施例提供一种车牌号码识别装置，包括：
确定单元901，用于根据包含车牌的待识别图像中包括的颜色特征，从待识别图像中确定出包括至少一个候选车牌区域的第一候选车牌区域集合；并，根据待识别图像中包括的边缘特征，从待识别图像中确定出包括至少一个候选车牌区域的第二候选车牌区域集合；
矫正单元902，用于对第一候选车牌区域集合和第二候选车牌区域集合包括的所有候选车牌区域进行矫正，使得每个候选车牌区域的边缘轮廓构成的图形均呈矩形；
确定单元901，还用于通过训练得到的车牌识别模型，从矫正后的所有候选车牌区域中确定出目标车牌区域；
图像识别单元903，用于对目标车牌区域进行图像识别，以从目标车牌区域中识别得到车牌号码。
可选的，确定单元901具体用于：
从待识别图像中筛选出与车牌包括的颜色相同的区域；
获取每个与车牌包括的颜色相同的区域的边缘轮廓的最小外接矩形；
基于最小外接矩形的尺寸比例，从与车牌包括的颜色相同的区域中确定出第一候选车牌区域集合包括的至少一个候选车牌区域。
可选的，确定单元901具体还用于：
对待识别图像进行颜色空间转换，以将待识别图像从RGB颜色空间转换到HSV颜色空间。
可选的，确定单元901具体用于：
对待识别图像进行图像预处理，并根据边缘检测算法，从预处理后得到的图像中确定出边缘轮廓封闭的区域；
获取每个边缘轮廓封闭的区域中边缘轮廓的最小外接矩形，并基于最小外接矩形的尺寸比例，从所有边缘轮廓封闭的区域中确定出第二候选车牌区域集合包括的至少一个候选车牌区域。
可选的，矫正单元902，用于：
针对每个候选车牌区域，执行如下过程：
确定候选车牌区域的多个边中长度最长的边与水平方向的锐角是否大于或者等于预设角度阈值；
若确定候选车牌区域的多个边中长度最长的边与水平方向的锐角大于或者等于预设角度阈值，则将候选车牌区域旋转回正，并确定旋转回正后的候选车牌区域中的字符是否倾斜；
若确定旋转回正后的候选车牌区域中的字符倾斜，则对旋转回正后的候选车牌区域进行仿射变换，使得候选车牌区域的多个边构成的图形呈矩形。
可选的，图像识别单元903，具体用于：
通过字符分割算法从目标车牌区域中分割出非汉字类字符图像；
根据非汉字类字符在目标车牌区域中的位置，定位汉字类字符在目标车牌区域中的位置，并从目标车牌区域中分割出汉字字符图像；
通过图像识别算法对非汉字类字符图像以及汉字类字符图像进行识别，以获取目标车牌区域中的车牌号码。
该设备可以用于执行图2-8所示的实施例所提供的方法，因此，对于该设备的各功能模块所能够实现的功能等可参考图2-8所示的实施例的描述，不多赘述。
请参见图10，基于同一发明构思，本发明实施例提供一种车牌号码识别设备，包括至少一个处理器1001，至少一个处理器1001用于执行存储器中存储的计算机程序时实现图2-8所示的实施例提供的车牌号码识别方法的步骤。
可选的，至少一个处理器1001具体可以包括中央处理器(CPU)、特定应用集成电路(application specific integrated circuit，ASIC)，可以是一个或多个用于控制程序执行的集成电路，可以是使用现场可编程门阵列(field programmable gate array，FPGA)开发的硬件电路，可以是基带处理器。
可选的，至少一个处理器1001可以包括至少一个处理核心。
可选的，该设备还包括存储器1002，存储器1002可以包括只读存储器(read onlymemory，ROM)、随机存取存储器(random access memory，RAM)和磁盘存储器。存储器1002用于存储至少一个处理器1001运行时所需的数据。存储器1002的数量为一个或多个。其中，存储器1002在图10中一并示出，但需要知道的是存储器1002不是必选的功能模块，因此在图10中以虚线示出。
基于同一发明构思，本发明实施例提供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指令，当所述计算机指令在计算机上运行时，使得计算机执行如图2-8所示的方法。
在具体的实施过程中，计算机可读存储介质包括：通用串行总线闪存盘(Universal Serial Bus flash drive，USB)、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的存储介质。
在本发明实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元或单元的划分，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信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性或其它的形式。
在本发明实施例中的各功能单元可以集成在一个处理单元中，或者各个单元也可以均是独立的物理模块。
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，本发明实施例的技术方案的全部或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，例如可以是个人计算机，服务器，或者网络设备等，或处理器(processor)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：通用串行总线闪存盘(universal serial bus flash drive)、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以对本申请的技术方案进行了详细介绍，但以上实施例的说明只是用于帮助理解本发明实施例的方法，不应理解为对本发明实施例的限制。本技术领域的技术人员可轻易想到的变化或替换，都应涵盖在本发明实施例的保护范围之内。
Claims (14)
1.一种车牌号码识别方法，其特征在于，包括：
根据包含车牌的待识别图像中包括的颜色特征，从所述待识别图像中确定出包括至少一个候选车牌区域的第一候选车牌区域集合；并，
根据所述待识别图像中包括的边缘特征，从所述待识别图像中确定出包括至少一个候选车牌区域的第二候选车牌区域集合；
对所述第一候选车牌区域集合和所述第二候选车牌区域集合包括的所有候选车牌区域进行矫正，使得每个候选车牌区域的边缘轮廓构成的图形均呈矩形；
通过训练得到的车牌识别模型，从矫正后的所有候选车牌区域中确定出目标车牌区域；
对所述目标车牌区域进行图像识别，以从所述目标车牌区域中识别得到车牌号码。
2.如权利要求1所述的方法，其特征在于，根据包含车牌的待识别图像中包括的颜色特征，从所述待识别图像中确定出包括至少一个候选车牌区域的第一候选车牌区域集合，包括：
从所述待识别图像中筛选出与车牌包括的颜色相同的区域；
获取每个与车牌包括的颜色相同的区域的边缘轮廓的最小外接矩形；
基于最小外接矩形的尺寸比例，从所述与车牌包括的颜色相同的区域中确定出所述第一候选车牌区域集合包括的至少一个候选车牌区域。
3.如权利要求2所述的方法，其特征在于，在从所述待识别图像中筛选出与车牌包括的颜色相符的区域之前，所述方法还包括：
对所述待识别图像进行颜色空间转换，以将所述待识别图像从RGB颜色空间转换到HSV颜色空间。
4.如权利要求1所述的方法，其特征在于，根据所述待识别图像中包括的边缘特征，从所述待识别图像中确定出包括至少一个候选车牌区域的第二候选车牌区域集合，包括：
对所述待识别图像进行图像预处理，并根据边缘检测算法，从预处理后得到的图像中确定出边缘轮廓封闭的区域；
获取每个边缘轮廓封闭的区域中边缘轮廓的最小外接矩形，并基于最小外接矩形的尺寸比例，从所有边缘轮廓封闭的区域中确定出所述第二候选车牌区域集合包括的至少一个候选车牌区域。
5.如权利要求1～4任一所述的方法，其特征在于，对所述第一候选车牌区域集合和所述第二候选车牌区域集合包括的所有候选车牌区域进行矫正，使得每个候选车牌区域的边缘轮廓构成的图形均呈矩形，包括：
针对每个候选车牌区域，执行如下过程：
确定候选车牌区域的多个边中长度最长的边与水平方向的锐角是否大于或者等于预设角度阈值；
若确定候选车牌区域的多个边中长度最长的边与水平方向的锐角大于或者等于预设角度阈值，则将候选车牌区域旋转回正，并确定旋转回正后的候选车牌区域中的字符是否倾斜；
若确定旋转回正后的候选车牌区域中的字符倾斜，则对旋转回正后的候选车牌区域进行仿射变换，使得候选车牌区域的多个边构成的图形呈矩形。
6.如权利要求1～4任一所述的方法，其特征在于，
在对所述目标车牌区域进行图像识别，以从所述目标车牌区域中识别得到车牌号码之前，所述方法还包括：
通过字符分割算法从所述目标车牌区域中分割出非汉字类字符图像；
根据非汉字类字符在所述目标车牌区域中的位置，定位汉字类字符在所述目标车牌区域中的位置，并从所述目标车牌区域中分割出汉字字符图像；
则对所述目标车牌区域进行图像识别，以从所述目标车牌区域中识别得到车牌号码，包括：
通过图像识别算法对所述非汉字类字符图像以及汉字类字符图像进行识别，以获取所述目标车牌区域中的车牌号码。
7.一种车牌号码识别装置，其特征在于，包括：
确定单元，用于根据包含车牌的待识别图像中包括的颜色特征，从所述待识别图像中确定出包括至少一个候选车牌区域的第一候选车牌区域集合；并，根据所述待识别图像中包括的边缘特征，从所述待识别图像中确定出包括至少一个候选车牌区域的第二候选车牌区域集合；
矫正单元，用于对所述第一候选车牌区域集合和所述第二候选车牌区域集合包括的所有候选车牌区域进行矫正，使得每个候选车牌区域的边缘轮廓构成的图形均呈矩形；
所述确定单元，还用于通过训练得到的车牌识别模型，从矫正后的所有候选车牌区域中确定出目标车牌区域；
图像识别单元，用于对所述目标车牌区域进行图像识别，以从所述目标车牌区域中识别得到车牌号码。
8.如权利要求7所述的装置，其特征在于，所述确定单元具体用于：
从所述待识别图像中筛选出与车牌包括的颜色相同的区域；
获取每个与车牌包括的颜色相同的区域的边缘轮廓的最小外接矩形；
基于最小外接矩形的尺寸比例，从所述与车牌包括的颜色相同的区域中确定出所述第一候选车牌区域集合包括的至少一个候选车牌区域。
9.如权利要求8所述的装置，其特征在于，所述确定单元具体还用于：
对所述待识别图像进行颜色空间转换，以将所述待识别图像从RGB颜色空间转换到HSV颜色空间。
10.如权利要求7所述的装置，其特征在于，所述确定单元具体用于：
对所述待识别图像进行图像预处理，并根据边缘检测算法，从预处理后得到的图像中确定出边缘轮廓封闭的区域；
获取每个边缘轮廓封闭的区域中边缘轮廓的最小外接矩形，并基于最小外接矩形的尺寸比例，从所有边缘轮廓封闭的区域中确定出所述第二候选车牌区域集合包括的至少一个候选车牌区域。
11.如权利要求7～10任一所述的装置，其特征在于，所述矫正单元，用于：
针对每个候选车牌区域，执行如下过程：
确定候选车牌区域的多个边中长度最长的边与水平方向的锐角是否大于或者等于预设角度阈值；
若确定候选车牌区域的多个边中长度最长的边与水平方向的锐角大于或者等于预设角度阈值，则将候选车牌区域旋转回正，并确定旋转回正后的候选车牌区域中的字符是否倾斜；
若确定旋转回正后的候选车牌区域中的字符倾斜，则对旋转回正后的候选车牌区域进行仿射变换，使得候选车牌区域的多个边构成的图形呈矩形。
12.如权利要求7～10任一所述的装置，其特征在于，所述图像识别单元，具体用于：
通过字符分割算法从所述目标车牌区域中分割出非汉字类字符图像；
根据非汉字类字符在所述目标车牌区域中的位置，定位汉字类字符在所述目标车牌区域中的位置，并从所述目标车牌区域中分割出汉字字符图像；
通过图像识别算法对所述非汉字类字符图像以及汉字类字符图像进行识别，以获取所述目标车牌区域中的车牌号码。
13.一种车牌号码识别设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1～6任一权利要求所述的方法。
14.一种计算机存储介质，其特征在于：
所述计算机存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811333333.0A CN111178359A (zh) | 2018-11-09 | 2018-11-09 | 车牌号码识别方法、装置和设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811333333.0A CN111178359A (zh) | 2018-11-09 | 2018-11-09 | 车牌号码识别方法、装置和设备及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111178359A true CN111178359A (zh) | 2020-05-19 |
Family
ID=70656988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811333333.0A Pending CN111178359A (zh) | 2018-11-09 | 2018-11-09 | 车牌号码识别方法、装置和设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111178359A (zh) |
Cited By (4)
| 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 |
| CN112801093A (zh) * | 2021-01-11 | 2021-05-14 | 爱泊车美好科技有限公司 | 一种车牌信息的校准方法及装置 |
| CN114299408A (zh) * | 2021-12-31 | 2022-04-08 | 哪吒港航智慧科技(上海)有限公司 | 轮胎吊车号箱号识别方法及系统、存储介质及终端 |
| CN114375460A (zh) * | 2020-07-31 | 2022-04-19 | 华为技术有限公司 | 实例分割模型的数据增强方法、训练方法和相关装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000357287A (ja) * | 1999-06-15 | 2000-12-26 | Matsushita Electric Ind Co Ltd | ナンバープレート認識方法および認識装置 |
| CN101334836A (zh) * | 2008-07-30 | 2008-12-31 | 电子科技大学 | 一种融合色彩、尺寸和纹理特征的车牌定位方法 |
| CN102722711A (zh) * | 2012-05-31 | 2012-10-10 | 信帧电子技术（北京）有限公司 | 一种车牌类型识别中的车牌字符序列识别方法及装置 |
| CN104050450A (zh) * | 2014-06-16 | 2014-09-17 | 西安通瑞新材料开发有限公司 | 一种基于视频的车牌识别方法 |
| CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
| CN104392205A (zh) * | 2014-10-24 | 2015-03-04 | 浙江力石科技股份有限公司 | 一种非正常车牌的识别方法和系统 |
| CN105335743A (zh) * | 2015-10-28 | 2016-02-17 | 重庆邮电大学 | 一种车牌识别方法 |
| 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 |
| CN106485248A (zh) * | 2016-10-20 | 2017-03-08 | 江苏商贸职业学院 | 一种渣土车车牌倾斜校正方法 |
| CN106845480A (zh) * | 2017-01-13 | 2017-06-13 | 河海大学 | 一种从图片中识别车牌的方法 |
| US20180121744A1 (en) * | 2016-10-31 | 2018-05-03 | Electronics And Telecommunications Research Institute | System and method for recognizing vehicle license plate information |
-
2018
- 2018-11-09 CN CN201811333333.0A patent/CN111178359A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000357287A (ja) * | 1999-06-15 | 2000-12-26 | Matsushita Electric Ind Co Ltd | ナンバープレート認識方法および認識装置 |
| CN101334836A (zh) * | 2008-07-30 | 2008-12-31 | 电子科技大学 | 一种融合色彩、尺寸和纹理特征的车牌定位方法 |
| CN102722711A (zh) * | 2012-05-31 | 2012-10-10 | 信帧电子技术（北京）有限公司 | 一种车牌类型识别中的车牌字符序列识别方法及装置 |
| CN104050450A (zh) * | 2014-06-16 | 2014-09-17 | 西安通瑞新材料开发有限公司 | 一种基于视频的车牌识别方法 |
| CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
| CN104392205A (zh) * | 2014-10-24 | 2015-03-04 | 浙江力石科技股份有限公司 | 一种非正常车牌的识别方法和系统 |
| CN105335743A (zh) * | 2015-10-28 | 2016-02-17 | 重庆邮电大学 | 一种车牌识别方法 |
| 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 |
| CN106485248A (zh) * | 2016-10-20 | 2017-03-08 | 江苏商贸职业学院 | 一种渣土车车牌倾斜校正方法 |
| US20180121744A1 (en) * | 2016-10-31 | 2018-05-03 | Electronics And Telecommunications Research Institute | System and method for recognizing vehicle license plate information |
| CN106845480A (zh) * | 2017-01-13 | 2017-06-13 | 河海大学 | 一种从图片中识别车牌的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡锦城: "基于稳定特征的交通标志检测与识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 3 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114375460A (zh) * | 2020-07-31 | 2022-04-19 | 华为技术有限公司 | 实例分割模型的数据增强方法、训练方法和相关装置 |
| CN114375460B (zh) * | 2020-07-31 | 2024-09-10 | 华为技术有限公司 | 实例分割模型的数据增强方法、训练方法和相关装置 |
| 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 |
| CN112801093A (zh) * | 2021-01-11 | 2021-05-14 | 爱泊车美好科技有限公司 | 一种车牌信息的校准方法及装置 |
| CN114299408A (zh) * | 2021-12-31 | 2022-04-08 | 哪吒港航智慧科技(上海)有限公司 | 轮胎吊车号箱号识别方法及系统、存储介质及终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993056B (zh) | 一种识别车辆违章行为的方法、服务器及存储介质 | |
| CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
| US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| CN110991465B (zh) | 一种物体识别方法、装置、计算设备及存储介质 | |
| CN108364010B (zh) | 一种车牌识别方法、装置、设备及计算机可读存储介质 | |
| CN111382704B (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 | |
| US9014432B2 (en) | License plate character segmentation using likelihood maximization | |
| CN108268867B (zh) | 一种车牌定位方法及装置 | |
| CN108108734B (zh) | 一种车牌识别方法及装置 | |
| CN111178359A (zh) | 车牌号码识别方法、装置和设备及计算机存储介质 | |
| CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
| Khalifa et al. | Malaysian Vehicle License Plate Recognition. | |
| CN111325769A (zh) | 一种目标对象检测方法及装置 | |
| CN114387591A (zh) | 车牌识别方法、系统、设备及存储介质 | |
| CN110543883A (zh) | 一种基于深度学习的车牌识别方法 | |
| CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
| CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
| CN113128507A (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
| CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别系统及方法 | |
| CN110766009A (zh) | 尾牌识别方法、装置以及计算机可读存储介质 | |
| CN105512662A (zh) | 一种无牌车辆检测方法及装置 | |
| CN111402185A (zh) | 一种图像检测方法及装置 | |
| CN110765940B (zh) | 目标对象统计方法和装置 | |
| CN116863458A (zh) | 车牌识别方法、装置、系统及存储介质 | |
| CN109034171B (zh) | 视频流中的无牌车辆检测方法和装置 |
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: 20200519 |
|
| RJ01 | Rejection of invention patent application after publication |