CN111199225A - 车牌标定方法及装置 - Google Patents

车牌标定方法及装置 Download PDF

Info

Publication number
CN111199225A
CN111199225A CN201811384666.6A CN201811384666A CN111199225A CN 111199225 A CN111199225 A CN 111199225A CN 201811384666 A CN201811384666 A CN 201811384666A CN 111199225 A CN111199225 A CN 111199225A
Authority
CN
China
Prior art keywords
license plate
target
sample
weight
sample license
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
CN201811384666.6A
Other languages
English (en)
Other versions
CN111199225B (zh
Inventor
周敏敏
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.)
Zhejiang Uniview Technologies Co Ltd
Original Assignee
Zhejiang Uniview Technologies 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 Zhejiang Uniview Technologies Co Ltd filed Critical Zhejiang Uniview Technologies Co Ltd
Priority to CN201811384666.6A priority Critical patent/CN111199225B/zh
Publication of CN111199225A publication Critical patent/CN111199225A/zh
Application granted granted Critical
Publication of CN111199225B publication Critical patent/CN111199225B/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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供车牌标定方法及装置，根据从目标场景获得的第一数量个样本车牌的位置和尺寸得到第二数量个目标权重矩阵，根据该第二数量个目标权重矩阵以及该第一数量个样本车牌中与待标定车牌距离最近的第二数量个目标车牌的尺寸，对从目标场景采集的图像中的车牌进行标定，能够采用车牌尺寸匹配的车牌标定框对目标场景中不同位置的车牌进行标定，提高了车牌的标定精度，改善了用户体验。

Description

车牌标定方法及装置
技术领域
本申请涉及图像处理技术领域，具体而言，涉及车牌标定方法及装置。
背景技术
在安防相机的应用场景中，通常需要识别出监控场景中的车牌，并采用标定框对识别出的车牌进行标定。为了确保标定的准确性，通常需要人工调整标定框的大小，从而确保所使用的标定框与待标定的车牌的尺寸匹配。但是，人工标定的方式非常不方便，用户体验差。
针对上述问题，相关技术中，通常采用如下方式来对车牌的标定框进行自动标定：第一，通过滑窗和缩放尺度的方式，识别出车牌所在的准确区域，从而可以对车牌进行准确的标定；第二、计算出车牌的位置而非准确尺寸，采用统一尺寸的标定框对各个大小的车牌进行标定。其中，第一种方式算法复杂度较高，难以进行实时检测；第二种方式算法简单，但无法实现准确的标定。
发明内容
为了至少部分地克服现有技术中的上述不足，本申请实施例的目的之一在于提供一种车牌标定方法及装置。
为了达到上述目的，本申请实施例提出如下技术方案：
第一方面，本申请实施例提供一种车牌标定方法，应用于图像处理设备，所述方法包括：
获得从目标场景采集的多幅图像，从所述多幅图像中获得第一数量个样本车牌的位置和尺寸；
根据从所述目标场景的目标图像中识别的待标定车牌的位置，从所述第一数量个样本车牌中确定与所述待标定车牌距离最近的第二数量个目标车牌；
获得根据所述第一数量个样本车牌的位置和尺寸得到的第二数量个目标权重矩阵，针对每个目标权重矩阵，采用该目标权重矩阵对所述第二数量个目标车牌的尺寸进行加权求和，得到所述第二数量个加权求和结果，计算所述第二数量个加权求和结果的平均值，将该平均值作为所述待标定车牌的尺寸，以根据所述待标定车牌的尺寸确定所述待标定车牌的标定框的尺寸。
第二方面，本申请实施例提供一种车牌标定装置，应用于图像处理设备，所述装置包括：
样本获得模块，用于获得从目标场景采集的多幅图像，从所述多幅图像中获得第一数量个样本车牌的位置和尺寸；
目标车牌确定模块，用于根据从所述目标场景的目标图像中识别的待标定车牌的位置，从所述第一数量个样本车牌中确定与所述待标定车牌距离最近的第二数量个目标车牌；
尺寸计算模块，用于获得根据所述第一数量个样本车牌的位置和尺寸得到的第二数量个目标权重矩阵，针对每个目标权重矩阵，采用该目标权重矩阵对所述第二数量个目标车牌的尺寸进行加权求和，得到所述第二数量个加权求和结果，计算所述第二数量个加权求和结果的平均值，将该平均值作为所述待标定车牌的尺寸，以根据所述待标定车牌的尺寸确定所述待标定车牌的标定框的尺寸。
相对于现有技术而言，本申请实施例具有的有益效果包括：
本申请实施例提供一种车牌标定方法及装置，根据从目标场景获得的第一数量个样本车牌的位置和尺寸得到第二数量个目标权重矩阵，根据该第二数量个目标权重矩阵以及该第一数量个样本车牌中与待标定车牌距离最近的第二数量个目标车牌的尺寸，对从目标场景采集的图像中的车牌进行标定，能够采用车牌尺寸匹配的车牌标定框对目标场景中不同位置的车牌进行标定，提高了车牌的标定精度，改善了用户体验。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种车牌标定方法的流程示意图；
图2为根据所述第一数量个样本车牌的位置和尺寸得到所述第二数量个目标权重矩阵的步骤的一种子步骤示意图；
图3为根据所述第一数量个样本车牌的位置和尺寸得到所述第二数量个目标权重矩阵的步骤的其它子步骤示意图；
图4为本申请实施例提供的一种图像处理设备的方框示意图；
图5为本申请实施例提供的一种车牌标定装置的方框示意图。
图标：10-图像处理设备；100-车牌标定装置；11-机器可读存储介质；12-处理器；110-样本获得模块；120-目标车牌确定模块；130-尺寸计算模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
为了能够在实现实时检测的基础上，提升车牌标定的准确度，本申请实施例提供一种车牌标定方法及装置，通过待标定车牌所在位置的附近的多个车牌的尺寸来预测该待标定车牌的尺寸，从而根据预测出的尺寸来确定待标定车牌的标定框的尺寸。下面对该内容进行详细描述。
请参照图1，是本申请实施例提供的一种车牌标定方法的流程示意图，所述方法应用于图像处理设备。该图像处理设备可以是任何具备图像处理能力的独立设备，或内置于其他设备的处理芯片，例如，该处理芯片可以是相机的处理芯片(如，相机3519平台)。
步骤S101，获得从目标场景采集的多幅图像，从所述多幅图像中获得第一数量个样本车牌的位置和尺寸。
在本实施例中，所述尺寸包括，但不限于，车牌宽度和车牌高度。所述目标场景指相机在固定的拍摄角度和放大倍率下所拍摄到的场景。
可选地，在本实施例中，所述第一数量可以为90-200，例如可以为100、120等，本实施例对此不做具体限制。
所述第一数量个样本车牌的位置和尺寸可以通过多种方式测得，例如已有的深度模型、目标检测等方式，在此不再赘述。
步骤S102，根据从所述目标场景的目标图像中识别的待标定车牌的位置，从所述第一数量个样本车牌中确定与所述待标定车牌距离最近的第二数量个目标车牌。
在一些实施方式中，可以通过拌线检测从所述目标图像中确定所述待标定车牌。拌线指根据用户需要设置在视频图像上的虚拟线，通过判断图像中目标的像素点集和拌线的像素点集是否有交集，可以检测目标是否跨越拌线。实际应用中，当检测到车牌跨越拌线时，该车牌即被确定为所述待标定车牌。
确定待标定车牌后，所述待标定车牌的位置的获得方式与所述第一数量个样本车牌的位置的获得方式类似，这里不再赘述。
在实施时，可以基于所述目标场景建立一平面直角坐标系，再将所述第一数量个样本车牌的位置以及待标定车牌的位置用该平面直角坐标系下的横坐标和纵坐标表示。在此情况下，分别计算所述第一数量个样本车牌与所述待标定车牌的的欧氏距离，根据得到的欧氏距离的大小即可确定各样本车牌与待标定车牌的距离远近，其中，任一样本车牌和待标定车牌的欧氏距离越小，则该样本车牌与待标定车牌距离越近。
步骤S103，获得根据所述第一数量个样本车牌的位置和尺寸得到的第二数量个目标权重矩阵，针对每个目标权重矩阵，采用该目标权重矩阵对所述第二数量个目标车牌的尺寸进行加权求和，得到所述第二数量个加权求和结果，计算所述第二数量个加权求和结果的平均值，将该平均值作为所述待标定车牌的尺寸，以根据所述待标定车牌的尺寸确定所述待标定车牌的标定框的尺寸。
在本实施例中，每个目标权重矩阵包括第二数量个权重，该第二数量个权重与所述第二数量个目标车牌的尺寸一一对应，采用一个目标权重矩阵对所述第二数量个目标车牌的尺寸加权求和得到的和值为所述待标定车牌的一个预测值。为了提高准确性，本实施例采用第二数量个目标权重矩阵进行加权求和计算，得到第二数量个预测值，再对该第二数量个预测值求平均。
对应地，所述待标定车牌的的尺寸可以采用如下公式表示：
Figure BDA0001872693490000061
其中，k表示所述第二数量，ωij表示第i个目标权重矩阵中与所述待标定车牌的第j个目标车牌的尺寸对应的权重，Sj表示所述待标定车牌的第j个目标车牌的尺寸。
在一些实施方式中，可以将预先得到的目标权重矩阵存储在所述图像处理设备中。进一步地，相机可能会处于多种拍摄角度和放大倍率下，因此针对不同的场景(即，拍摄角度和放大倍率)，可以预先分别从多个场景均获得第一数量个样本车牌，并分别根据从各个场景中获得的样本车牌的位置和尺寸得到与该场景对应的第二数量个目标权重矩阵，最后将得到的多组所述第二数量个目标权重矩阵与所述多个场景按照一一对应的关系存储在所述图像处理设备中。实际应用时，所述图像处理设备可以先确定相机当前的拍摄角度和放大倍率，从预先存储的多组第二数量个目标权重矩阵中查询与确定的相机当前的拍摄角度和放大倍(即，场景)对应的第二数量个目标权重矩阵，从而对当前场景的图像中的车牌进行标定。
可以理解，上述实施方式中所述图形处理设备中储存的目标权重矩阵所适用的场景有限。为了能对更多场景的车牌都能进行标定，在其他实施方式中，所述图像处理设备还可以对从所述目标场景采集的多幅图像中获得的第一数量个样本车牌进行分析处理，以得到与所述目标场景对应的权重矩阵。对应地，所述车牌标定方法还可以包括以下步骤：
根据所述第一数量个样本车牌的位置和尺寸得到所述第二数量个目标权重矩阵。
可选地，上述步骤可以通过图2所示的子步骤实现，具体描述如下。
步骤S201，针对每个样本车牌，将该样本车牌的位置和尺寸构造成一目标量。
在具体的实施方式中，可以通过如下公式构造所述样本车牌的目标量：
T＝S/(xy)
其中，T表示所述样本车牌的目标量，S表示所述样本车牌的尺寸，xy表示所述样本车牌在图像中的平面直角坐标系的横纵坐标之积。所构造的目标量同时包含所述样本车牌的尺寸信息和位置信息，能够较好地将车牌的尺寸和位置关联起来。
步骤S202，针对每个样本车牌，从所述第一数量个样本车牌中确定与该样本车牌距离最近的第三数量个目标样本车牌，对所述第三数量个目标样本车牌的目标量进行加权求和，将加权求和的结果作为该样本车牌的目标量的第一预测值，得到所述第一数量个第一预测值；其中，所述第三数量大于所述第二数量，每个样本车牌的第三数量个目标样本车牌的目标量的权重之和为固定值。
本实施例中，针对每个样本车牌，采用与样本车牌距离最近的第三数量个目标样本车牌的目标量及权重对所述样本车牌的目标量进行预测，在后续的步骤中再通过限定预测误差的取值求解合适的权重值。需要说明的是，每个样本车牌的第三数量个目标样本车牌的目标量的权重之和为固定值，一方面可以确保每个样本车牌的目标量的第一预测值可以收敛，另一方面可以确保采用该第三数量个目标样本车牌的目标量加权求和之后得到的值恰好为一个车牌的目标量的倍数。可选地，该固定值可以为1。
另外，在一些实施方式中，可以直接将上述第一数量作为所述三数量，再通过后续的步骤S203至步骤S206将所述目标车牌的数量从第三数量降低至所述第二数量。
步骤S203，采用预设的误差函数计算所述第一数量个样本车牌的目标量和所述第一数量个第一预测值的误差。
具体地，可以采用如下公式作为所述误差函数计算该误差：
Figure BDA0001872693490000071
其中，δ表示表示所述第一数量个的样本车牌的目标量和所述第一数量个第一预测值的误差，N表示所述第一数量，k1表示所述第三数量，Ti表示第i个样本车牌的目标量，Tij表示第i个样本车牌的目标量的第j个目标样本车牌的目标量，ωij表示第i个样本车牌的目标量的第j个目标样本车牌的目标量的权重。
步骤S204，计算当所述误差函数的值最小时，与所述第一数量个样本车牌一一对应的第一数量个权重列矩阵，每个样本车牌对应的权重列矩阵中包括该样本车牌的第三数量个目标样本车牌的目标量的权重。
具体地，当采用在步骤S203的描述中所给出的公式作为所述误差函数且每个样本车牌的第一数量(将所述第一数量作为所述第三数量)个目标样本车牌的权重之和为1时，步骤S204中可以通过如下公式计算每个样本车牌对应的权重列矩阵：
Figure BDA0001872693490000081
其中，(Ti-Tij)表示由第一数量个矩阵元素Ti-Tij构成的行矩阵，Ti-Tij表示第i个样本车牌的目标量和第i个样本车牌的第j个目标样本车牌的目标量之差，I表示由第一数量个1构成的列矩阵。
需要说明的是，对于任一样本车牌，与该样本车牌距离越近的目标样本车牌的目标量的权重越大。
步骤S205，针对每个样本车牌，确定该样本车牌的权重列矩阵中高于预设值的权重的数量。
步骤S206，计算所述第一数量个权重列矩阵的高于预设值的权重的数量的平均值，将该平均值作为所述第二数量。
对于每个样本车牌，该样本车牌权重列矩阵中低于预设值的权重在参与计算时对于该样本车牌的第一预测值的大小的影响可以忽略。因此，可以根据实际统计数据来设定所述预设值的大小，例如，该预设值可以为0.005-0.02，比如，0.01。所计算的平均值表示整体上通过所述第二数量(即，所述平均值)个与该样本车牌距离最近的目标样本车牌的目标量及权重可以在一定误差内实现对所述样本车牌的目标量的预测。
步骤S207，针对每个样本车牌，从该样本车牌的权重列矩阵中删除部分权重，使得该样本车牌的权重列矩阵中包括第二数量个权重。
具体实施时，需要保留权重列矩阵中较大的权重，剔除权重列矩阵中较小的权重。
在一种实施方式中，如上文描述的，对于任一样本车牌，与该样本车牌距离越近的目标样本车牌的目标量的权重越大。因此，可以确定与样本车牌距离最近的第二数量个目标样本车牌，将确定的第二数量个目标样本车牌的权重作为最终保留的权重。
在另一实施方式中，可以直接根据权重的大小关系直接保留权重列矩阵中最大的第二数量个权重。
步骤S208，从所述第一数量个权重列矩阵中选取第二数量个权重列矩阵，作为所述第二数量个目标权重矩阵。
由于每个样本车牌的目标量是由该样本车牌的尺寸和位置计算得来的，每个样本车牌的目标量和尺寸有着一一对应的映射关系，依照该映射关系，将每个权重列矩阵中所述第二数量个目标样本车牌的目标量的权重作为所述第二数量个目标样本车牌的尺寸的权重。可选地，所选取的第二数量个权重列矩阵可以是前第二数量个样本车牌的权重列矩阵。
可选地，在步骤S208之前，所述根据所述第一数量个样本车牌的位置和尺寸得到所述第二数量个目标权重矩阵的步骤还可以包括如图3所示的子步骤：
步骤S301，针对每个样本车牌，采用该样本车牌的权重列矩阵对该样本车牌的第二数量个目标样本车牌的尺寸进行加权求和，将加权求和的结果作为该样本车牌的尺寸的第二预测值，得到所述第一数量个第二预测值；
步骤S302，采用所述误差函数计算所述第一数量个样本车牌的尺寸和所述第一数量个第二预测值的误差，调整每个样本车牌的权重列矩阵中的权重以使所述误差函数的值减小。
根据样本车牌的目标量与尺寸的映射关系，在步骤S301中采用已经计算出的由目标量的权重构成的权重列矩阵对尺寸进行加权并求和，由于所得到的尺寸的第二预测值是根据目标量的权重求得的，在代入同样的误差函数后计算出的所述第一数量个样本车牌的尺寸和所述第一数量个第二预测值的误差通常还未达到最小，在此情况下，可以对每个样本车牌的权重列矩阵中的权重进行适当的调整，以进一步减小尺寸的误差函数的值。所述第一数量个样本车牌的尺寸和所述第一数量个第二预测值的误差可以通过如下计算式计算：
Figure BDA0001872693490000101
其中，δ’表示表示所述第一数量个的样本车牌的尺寸和所述第一数量个第二预测值的误差，N表示所述第一数量，k2表示所述第二数量，Si表示第i个样本车牌的尺寸，Sij表示第i个样本车牌的尺寸的第j个目标样本车牌的尺寸，ωij表示第i个样本车牌的尺寸的第j个目标样本车牌的尺寸的权重。
进一步地，具体实施时可以选择目标列矩阵中较大的权重进行调整。值得说明的是，调整权重时确定较大的权重的方式与上文描述的在权重列矩阵中确定第二数量个较大的权重的方式类似，在此不再赘述。
可选地，所述图像处理设备中存储有所述待标定车牌的车牌高度和车牌宽度的预设比例。当所述尺寸为车牌宽度时，所述图像处理设备计算出所述待标定车牌的车牌宽度后，根据该预设比例计算出所述待标定车牌的车牌高度，进而根据所述待标定车牌的车牌宽度和车牌宽度确定所述标定框的尺寸。当所述尺寸为车牌高度时，所述图像处理设备计算出所述待标定车牌的车牌高度后，根据该预设比例计算出所述待标定车牌的车牌宽度，进而根据所述待标定车牌的车牌宽度和车牌宽度确定所述标定框的尺寸。
如图4所示，是本申请实施例提供的一种图像处理设备10的方框示意图。该图像处理设备10包括车牌标定装置100、机器可读存储介质11及处理器12。
其中，机器可读存储介质11及处理器12各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。其中，车牌标定装置100包括至少一个可以软件或固件(firmware)的形式存储在机器可读存储介质11中或固化在图像处理设备10的操作系统(Operating System，OS)中的软件功能模块。处理器12用于执行存储在机器可读存储介质11中的可执行模块，例如车牌标定装置100所包括的软件功能模块及计算机程序等。
机器可读存储介质11可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。
处理器12可以是一种集成电路芯片，具有信号处理能力。所述处理器12也可以是通用处理器，如中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)、微处理器等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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；所述处理器12还可以是任何常规的处理器，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
应当理解，图4所示结构仅为示意，图像处理设备10还可以具有比图4所示更多或更少的组件，或是具有与图4所示完全不同的配置。此外，图4所示的各组件可以软件、硬件或其组合实现。
请参照图5，是本申请实施例提供的一种车牌标定装置100的方框示意图。该车牌标定装置100应用于所述图像处理设备10，包括样本获得模块110、目标车牌确定模块120、尺寸计算模块130。
所述样本获得模块110用于获得从目标场景采集的多幅图像，从所述多幅图像中获得第一数量个样本车牌的位置和尺寸。
所述目标车牌确定模块120用于根据从所述目标场景的目标图像中识别的待标定车牌的位置，从所述第一数量个样本车牌中确定与所述待标定车牌距离最近的第二数量个目标车牌。
所述尺寸计算模块130用于获得根据所述第一数量个样本车牌的位置和尺寸得到的第二数量个目标权重矩阵，针对每个目标权重矩阵，采用该目标权重矩阵对所述第二数量个目标车牌的尺寸进行加权求和，得到所述第二数量个加权求和结果，计算所述第二数量个加权求和结果的平均值，将该平均值作为所述待标定车牌的尺寸，以根据所述待标定车牌的尺寸确定所述待标定车牌的标定框的尺寸。
可选地，所述车牌标定装置100还可以包括权重矩阵获得模块，所述权重矩阵获得模块用于：
针对每个样本车牌，将该样本车牌的位置和尺寸构造成一目标量；
针对每个样本车牌，从所述第一数量个样本车牌中确定与该样本车牌距离最近的第三数量个目标样本车牌，对所述第三数量个目标样本车牌的目标量进行加权求和，将加权求和的结果作为该样本车牌的目标量的第一预测值，得到所述第一数量个第一预测值；其中，所述第三数量大于所述第二数量，每个样本车牌的第三数量个目标样本车牌的目标量的权重之和为固定值；
采用预设的误差函数计算所述第一数量个样本车牌的目标量和所述第一数量个第一预测值的误差；
计算当所述误差函数的值最小时，与所述第一数量个样本车牌一一对应的第一数量个权重列矩阵，每个样本车牌对应的权重列矩阵中包括该样本车牌的第三数量个目标样本车牌的目标量的权重；
针对每个样本车牌，确定该样本车牌的权重列矩阵中高于预设值的权重的数量；
计算所述第一数量个权重列矩阵的高于预设值的权重的数量的平均值，将该平均值作为所述第二数量；
针对每个样本车牌，从该样本车牌的权重列矩阵中删除部分权重，使得该样本车牌的权重列矩阵中包括第二数量个权重；
从所述第一数量个权重列矩阵中选取第二数量个权重列矩阵，作为所述第二数量个目标权重矩阵。
可选地，所述权重矩阵获得模块还可以用于：
从所述第一数量个权重列矩阵中选取第二数量个目标权重列矩阵之前，针对每个样本车牌，采用该样本车牌的权重列矩阵对该样本车牌的第二数量个目标样本车牌的尺寸进行加权求和，将加权求和的结果作为该样本车牌的尺寸的第二预测值，得到所述第一数量个第二预测值；
采用所述误差函数计算所述第一数量个样本车牌的尺寸和所述第一数量个第二预测值的误差，调整每个样本车牌的权重列矩阵中的权重以使所述误差函数的值减小。
可选地，所述尺寸可以为车牌宽度，所述图像处理设备中存储有所述待标定车牌的车牌高度和车牌宽度的预设比例。所述车牌标定装置100还可以包括车牌高度计算模块和尺寸确定模块。
所述车牌高度计算模块用于根据所述待标定车牌的车牌宽度和所述预设比例计算所述待标定车牌的车牌高度；
所述尺寸确定模块用于根据所述待标定车牌的车牌宽度和车牌宽度确定所述标定框的尺寸。
综上所述，本申请实施例提供一种车牌标定方法及装置，根据从目标场景获得的第一数量个样本车牌的位置和尺寸得到第二数量个目标权重矩阵，根据该第二数量个目标权重矩阵以及该第一数量个样本车牌中与待标定车牌距离最近的第二数量个目标车牌的尺寸，对从目标场景采集的图像中的车牌进行标定，能够采用车牌尺寸匹配的车牌标定框对目标场景中不同位置的车牌进行标定，提高了车牌的标定精度，改善了用户体验。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，电子设备，或者网络设备等)执行本申请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。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。此外，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。
以上所述仅为本申请的选定实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种车牌标定方法，其特征在于，应用于图像处理设备，所述方法包括：
获得从目标场景采集的多幅图像，从所述多幅图像中获得第一数量个样本车牌的位置和尺寸；
根据从所述目标场景的目标图像中识别的待标定车牌的位置，从所述第一数量个样本车牌中确定与所述待标定车牌距离最近的第二数量个目标车牌；
获得根据所述第一数量个样本车牌的位置和尺寸得到的第二数量个目标权重矩阵，针对每个目标权重矩阵，采用该目标权重矩阵对所述第二数量个目标车牌的尺寸进行加权求和，得到所述第二数量个加权求和结果，计算所述第二数量个加权求和结果的平均值，将该平均值作为所述待标定车牌的尺寸，以根据所述待标定车牌的尺寸确定所述待标定车牌的标定框的尺寸。
2.根据权利要求1所述的车牌标定方法，其特征在于，所述方法还包括：
根据所述第一数量个样本车牌的位置和尺寸得到所述第二数量个目标权重矩阵。
3.根据权利要求2所述的车牌标定方法，其特征在于，根据所述第一数量个样本车牌的位置和尺寸得到所述第二数量个目标权重矩阵，包括：
针对每个样本车牌，将该样本车牌的位置和尺寸构造成一目标量；
针对每个样本车牌，从所述第一数量个样本车牌中确定与该样本车牌距离最近的第三数量个目标样本车牌，对所述第三数量个目标样本车牌的目标量进行加权求和，将加权求和的结果作为该样本车牌的目标量的第一预测值，得到所述第一数量个第一预测值；其中，所述第三数量大于所述第二数量，每个样本车牌的第三数量个目标样本车牌的目标量的权重之和为固定值；
采用预设的误差函数计算所述第一数量个样本车牌的目标量和所述第一数量个第一预测值的误差；
计算当所述误差函数的值最小时，与所述第一数量个样本车牌一一对应的第一数量个权重列矩阵，每个样本车牌对应的权重列矩阵中包括该样本车牌的第三数量个目标样本车牌的目标量的权重；
针对每个样本车牌，确定该样本车牌的权重列矩阵中高于预设值的权重的数量；
计算所述第一数量个权重列矩阵的高于预设值的权重的数量的平均值，将该平均值作为所述第二数量；
针对每个样本车牌，从该样本车牌的权重列矩阵中删除部分权重，使得该样本车牌的权重列矩阵中包括第二数量个权重；
从所述第一数量个权重列矩阵中选取第二数量个权重列矩阵，作为所述第二数量个目标权重矩阵。
4.根据权利要求3所述的车牌标定方法，其特征在于，从所述第一数量个权重列矩阵中选取第二数量个目标权重列矩阵之前，所述根据所述第一数量个样本车牌的位置和尺寸得到所述目标权重矩阵，还包括：
针对每个样本车牌，采用该样本车牌的权重列矩阵对该样本车牌的第二数量个目标样本车牌的尺寸进行加权求和，将加权求和的结果作为该样本车牌的尺寸的第二预测值，得到所述第一数量个第二预测值；
采用所述误差函数计算所述第一数量个样本车牌的尺寸和所述第一数量个第二预测值的误差，调整每个样本车牌的权重列矩阵中的权重以使所述误差函数的值减小。
5.根据权利要求4所述的车牌标定方法，其特征在于，调整每个样本车牌的权重列矩阵中的权重以使所述误差函数的值减小，包括：
调整每个样本车牌的权重列矩阵中与该样本车牌距离最近的第四数量个目标样本车牌的权重或调整每个样本车牌的权重列矩阵中高于设定值的权重。
6.根据权利要求1-5中任意一项所述的车牌标定方法，其特征在于，所述尺寸为车牌宽度，所述图像处理设备中存储有所述待标定车牌的车牌高度和车牌宽度的预设比例；所述方法还包括：
根据所述待标定车牌的车牌宽度和所述预设比例计算所述待标定车牌的车牌高度；
根据所述待标定车牌的车牌宽度和车牌宽度确定所述标定框的尺寸。
7.一种车牌标定装置，其特征在于，应用于图像处理设备，所述装置包括：
样本获得模块，用于获得从目标场景采集的多幅图像，从所述多幅图像中获得第一数量个样本车牌的位置和尺寸；
目标车牌确定模块，用于根据从所述目标场景的目标图像中识别的待标定车牌的位置，从所述第一数量个样本车牌中确定与所述待标定车牌距离最近的第二数量个目标车牌；
尺寸计算模块，用于获得根据所述第一数量个样本车牌的位置和尺寸得到的第二数量个目标权重矩阵，针对每个目标权重矩阵，采用该目标权重矩阵对所述第二数量个目标车牌的尺寸进行加权求和，得到所述第二数量个加权求和结果，计算所述第二数量个加权求和结果的平均值，将该平均值作为所述待标定车牌的尺寸以根据所述待标定车牌的尺寸确定所述待标定车牌的标定框的尺寸。
8.根据权利要求7所述的车牌标定装置，其特征在于，所述装置还包括权重矩阵获得模块，所述权重矩阵获得模块用于：
针对每个样本车牌，将该样本车牌的位置和尺寸构造成一目标量；
针对每个样本车牌，从所述第一数量个样本车牌中确定与该样本车牌距离最近的第三数量个目标样本车牌，对所述第三数量个目标样本车牌的目标量进行加权求和，将加权求和的结果作为该样本车牌的目标量的第一预测值，得到所述第一数量个第一预测值；其中，所述第三数量大于所述第二数量，每个样本车牌的第三数量个目标样本车牌的目标量的权重之和为固定值；
采用预设的误差函数计算所述第一数量个样本车牌的目标量和所述第一数量个第一预测值的误差；
计算当所述误差函数的值最小时，与所述第一数量个样本车牌一一对应的第一数量个权重列矩阵，每个样本车牌对应的权重列矩阵中包括该样本车牌的第三数量个目标样本车牌的目标量的权重；
针对每个样本车牌，确定该样本车牌的权重列矩阵中高于预设值的权重的数量；
计算所述第一数量个权重列矩阵的高于预设值的权重的数量的平均值，将该平均值作为所述第二数量；
针对每个样本车牌，从该样本车牌的权重列矩阵中删除部分权重，使得该样本车牌的权重列矩阵中包括第二数量个权重；
从所述第一数量个权重列矩阵中选取第二数量个权重列矩阵，作为所述第二数量个目标权重矩阵。
9.根据权利要求8所述的车牌标定装置，其特征在于，所述权重矩阵获得模块还用于：
从所述第一数量个权重列矩阵中选取第二数量个目标权重列矩阵之前，针对每个样本车牌，采用该样本车牌的权重列矩阵对该样本车牌的第二数量个目标样本车牌的尺寸进行加权求和，将加权求和的结果作为该样本车牌的尺寸的第二预测值，得到所述第一数量个第二预测值；
采用所述误差函数计算所述第一数量个样本车牌的尺寸和所述第一数量个第二预测值的误差，调整每个样本车牌的权重列矩阵中的权重以使所述误差函数的值减小。
10.根据权利要求7-9中任一项所述的车牌标定装置，其特征在于，所述尺寸为车牌宽度，所述图像处理设备中存储有所述待标定车牌的车牌高度和车牌宽度的预设比例；所述装置还包括：
车牌高度计算模块，用于根据所述待标定车牌的车牌宽度和所述预设比例计算所述待标定车牌的车牌高度；
尺寸确定模块，用于根据所述待标定车牌的车牌宽度和车牌宽度确定所述标定框的尺寸。
CN201811384666.6A 2018-11-20 2018-11-20 车牌标定方法及装置 Active CN111199225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811384666.6A CN111199225B (zh) 2018-11-20 2018-11-20 车牌标定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811384666.6A CN111199225B (zh) 2018-11-20 2018-11-20 车牌标定方法及装置

Publications (2)

Publication Number Publication Date
CN111199225A true CN111199225A (zh) 2020-05-26
CN111199225B CN111199225B (zh) 2023-10-31

Family

ID=70746348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811384666.6A Active CN111199225B (zh) 2018-11-20 2018-11-20 车牌标定方法及装置

Country Status (1)

Country Link
CN (1) CN111199225B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932496A (zh) * 2020-07-01 2020-11-13 浙江大华技术股份有限公司 车牌图像质量的确定方法、装置、存储介质及电子装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093181A (zh) * 2011-11-01 2013-05-08 青岛海信网络科技股份有限公司 一种车牌图像定位的方法和装置
US20130129152A1 (en) * 2011-11-18 2013-05-23 Xerox Corporation Methods and systems for improving yield in wanted vehicle searches
KR101693820B1 (ko) * 2016-01-13 2017-01-06 광운대학교 산학협력단 Avm 영상 보정 장치 및 방법
CN106845479A (zh) * 2017-01-12 2017-06-13 山东大学 一种基于对比色矩形特征的小尺寸车牌检测方法
CN107203754A (zh) * 2017-05-26 2017-09-26 北京邮电大学 一种基于深度学习的车牌定位方法及装置
CN107688811A (zh) * 2017-09-12 2018-02-13 北京文安智能技术股份有限公司 车牌识别方法及装置
CN108537223A (zh) * 2018-04-16 2018-09-14 广东工业大学 一种车牌检测方法、系统及设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093181A (zh) * 2011-11-01 2013-05-08 青岛海信网络科技股份有限公司 一种车牌图像定位的方法和装置
US20130129152A1 (en) * 2011-11-18 2013-05-23 Xerox Corporation Methods and systems for improving yield in wanted vehicle searches
KR101693820B1 (ko) * 2016-01-13 2017-01-06 광운대학교 산학협력단 Avm 영상 보정 장치 및 방법
CN106845479A (zh) * 2017-01-12 2017-06-13 山东大学 一种基于对比色矩形特征的小尺寸车牌检测方法
CN107203754A (zh) * 2017-05-26 2017-09-26 北京邮电大学 一种基于深度学习的车牌定位方法及装置
CN107688811A (zh) * 2017-09-12 2018-02-13 北京文安智能技术股份有限公司 车牌识别方法及装置
CN108537223A (zh) * 2018-04-16 2018-09-14 广东工业大学 一种车牌检测方法、系统及设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932496A (zh) * 2020-07-01 2020-11-13 浙江大华技术股份有限公司 车牌图像质量的确定方法、装置、存储介质及电子装置
CN111932496B (zh) * 2020-07-01 2024-05-14 浙江大华技术股份有限公司 车牌图像质量的确定方法、装置、存储介质及电子装置

Also Published As

Publication number Publication date
CN111199225B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN109858436B (zh) 基于视频动态前景掩膜的目标类别修正方法、检测方法
CN111337142A (zh) 体温修正方法、装置及电子设备
CN112241976B (zh) 一种训练模型的方法及装置
CN104240264B (zh) 一种运动物体的高度检测方法和装置
CN105793892B (zh) 一种图像处理方法、装置及摄像设备
CN107564020B (zh) 一种图像区域确定方法及装置
CN110345875B (zh) 标定及测距方法、装置、电子设备及计算机可读存储介质
CN110597873A (zh) 降水数据估计方法、装置、设备及存储介质
CN113658192A (zh) 一种多目标行人的轨迹获取方法、系统、装置及介质
CN111323125B (zh) 一种测温方法、装置及计算机存储介质、电子设备
CN109862346B (zh) 调焦测试方法及设备
CN115661115A (zh) 元器件检测方法、装置、电子设备及存储介质
CN111199225B (zh) 车牌标定方法及装置
KR101981773B1 (ko) 그래디언트의 적응적 가중에 기반한 에지 위치 결정 장치 및 방법
CN112033544B (zh) 一种热成像仪、测温方法、装置、处理器及存储介质
CN116977671A (zh) 基于图像空间定位的目标跟踪方法、装置、设备及存储介质
CN109884682B (zh) 一种晶体位置查找表的生成方法、装置、设备及介质
CN111860623A (zh) 基于改进ssd神经网络的统计树木数量的方法及系统
CN108732178A (zh) 一种大气能见度检测方法和装置
CN116430069A (zh) 机器视觉流体流速测量方法、装置、计算机设备及存储介质
CN117115434A (zh) 数据分割装置和方法
CN111161225B (zh) 一种图像差异检测方法、装置、电子设备和存储介质
CN114415129A (zh) 基于多项式模型的视觉与毫米波雷达联合标定方法及装置
CN115810051A (zh) 一种内参校准方法、装置、电子设备及存储介质
CN117726666B (zh) 跨相机单目图片度量深度估计方法、装置、设备及介质

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