CN111339949A - 车牌识别的方法、装置及巡检车 - Google Patents
车牌识别的方法、装置及巡检车 Download PDFInfo
- Publication number
- CN111339949A CN111339949A CN202010122068.2A CN202010122068A CN111339949A CN 111339949 A CN111339949 A CN 111339949A CN 202010122068 A CN202010122068 A CN 202010122068A CN 111339949 A CN111339949 A CN 111339949A
- Authority
- CN
- China
- Prior art keywords
- license plate
- frame image
- result
- plate information
- image
- 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 43
- 238000007689 inspection Methods 0.000 title claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013589 supplement Substances 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
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车牌识别的方法、装置及巡检车,本申请的方法包括获取车辆的第一帧图像和第二帧图像并分别进行识别,得到第一识别结果(包括第一车牌信息、第一车牌信息的第一可信度值)、第二识别结果(第二车牌信息、第二车牌信息的第二可信度值);根据第一可信度值和第二可信度值将第一识别结果和第二识别结果进行合并,得到第一合并结果;获取第二帧图像的后一帧图像进行识别,对第一合并结果和后一帧图像对应的识别结果进行合并得到第二合并结果;直到获取同一车辆的视频流中最后一帧图像为止,将根据最后一帧图像确定的合并结果中的车牌信息确定车辆的车牌信息。本申请解决现有的车牌识别的方式识别的车牌信息不准确的问题。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种车牌识别的、装置及巡检车。
背景技术
在违法抓拍或者停车收费等很多种情况下都需要进行车牌的识别,目前车牌识别的方式主要是基于摄像头抓拍到的图片,然后对图片进行图像分析,识别出其中包含的车牌信息,但是,这种方式只根据很少数量的图片进行分析,如果每个图片都不清晰,会导致最终识别的车牌信息不准确的问题。
发明内容
本申请的主要目的在于提供一种车牌识别的方法装置及巡检车,以解决现有的车牌识别的方式识别的车牌信息不准确的问题。
为了实现上述目的,根据本申请的第一方面,提供了一种车牌识别的方法。
根据本申请的车牌识别的方法包括:
获取车辆的第一帧图像和第二帧图像,对第一帧图像和第二帧图像分别进行识别,得到第一识别结果和第二识别结果,所述第一识别结果中包括第一车牌信息以及第一车牌信息的第一可信度值,所述第二识别结果中包括第二车牌信息以及第二车牌信息的第二可信度值,所述第一帧图像和第二帧图像为动态获取的同一车辆的视频流中的两帧图像;
根据第一可信度值以及第二可信度值将第一识别结果和第二识别结果进行合并,得到第一合并结果;
获取第二帧图像的后一帧图像并进行识别,对第一合并结果和后一帧图像对应的识别结果按照第一识别结果和第二识别结果的合并方式进行合并得到第二合并结果;
直到获取同一车辆的视频流中最后一帧图像为止,将根据最后一帧图像确定的合并结果中的车牌信息确定为同一车辆的视频流中的所包含的车辆的车牌信息。
进一步的,所述根据第一可信度值以及第二可信度值将第一识别结果和第二识别结果进行合并,得到第一合并结果包括:
比较第一可信度值以及第二可信度值的大小;
若第一可信度值大于等于第二可信度值,则将第一可信度值对应的第一识别结果作为第一合并结果;
否则将第二可信度值对应的第二识别结果作为第一合并结果。
进一步的,所述对第一帧图像和第二帧图像分别进行识别,得到第一识别结果和第二识别结果包括:
基于预设车牌识别算法对第一帧图像和第二帧图像分别进行识别,得到第一车牌信息和第二车牌信息;
分别根据第一车牌信息以及第二车牌信息中每一位数据的可信度值计算得到第一可信度值和第二可信度值。
进一步的,所述方法还包括:
将属于同一车辆的视频流中的每一帧图像对应的每一个识别结果进行存储;
将根据最后一帧图像确定的合并结果对应的图像帧以及该帧图像对应的采集时间、位置信息进行上传,以进行相关的业务分析。
进一步的,所述方法还包括:
根据视频流中的空帧以及空帧前后的非空帧来区分属于不同车辆的视频流,所述空帧为不存在车牌的图像帧。
进一步的,所述根据视频流中的空帧以及空帧前后的非空帧来区分属于不同车辆的视频流包括:
若视频流中存在空帧,则判断空帧之后的连续预设数量的非空帧对应的识别结果中是否都存在车牌信息;
若连续预设数量的非空帧对应的识别结果中都存在车牌信息则将空帧之后的第一个非空帧作为下一车辆的视频流的第一帧图像,将空帧之前的第一个非空帧作为上一车辆的视频流的最后一帧图像。
进一步的,所述根据视频流中的空帧以及空帧前后的非空帧来区分属于不同车辆的视频流还包括:
若空帧后的连续预设数量的非空帧对应的识别结果中都存在车牌信息,则判断空帧前的连续预设数量的非空帧对应的车牌信息与空帧后的连续预设数量的非空帧对应的车牌信息是否属于同一车辆的车牌信息;
若不属于同一车辆的车牌信息,则将空帧之后的第一个非空帧图像作为下一车辆的视频流的第一帧图像,将空帧之前的第一个非空帧图像作为上一车辆的视频流的最后一帧图像。
为了实现上述目的,根据本申请的第二方面,提供了一种车牌识别的装置。
根据本申请的车牌识别的装置包括:
识别单元,用于通过动态移动设备获取车辆的第一帧图像和第二帧图像,对第一帧图像和第二帧图像分别进行识别,得到第一识别结果和第二识别结果,所述第一识别结果中包括第一车牌信息以及第一车牌信息的第一可信度值,所述第二识别结果中包括第二车牌信息以及第二车牌信息的第二可信度值,所述第一帧图像和第二帧图像为动态获取的同一车辆的视频流中的两帧图像;
合并单元,用于根据第一可信度值以及第二可信度值将第一识别结果和第二识别结果进行合并,得到第一合并结果;
所述合并单元,还用于获取第二帧图像的后一帧图像并进行识别,对第一合并结果和后一帧图像对应的识别结果按照第一识别结果和第二识别结果的合并方式进行合并得到第二合并结果;
确定单元,用于直到获取同一车辆的视频流中最后一帧图像为止,将根据最后一帧图像确定的合并结果中的车牌信息确定为同一车辆的视频流中的所包含的车辆的车牌信息。
进一步的,所述合并单元包括:
第一比较模块,用于比较第一可信度值以及第二可信度值的大小;
第一确定模块,用于若第一可信度值大于等于第二可信度值,则将第一可信度值对应的第一识别结果作为第一合并结果;
所述第一确定模块,还用于否则将第二可信度值对应的第二识别结果作为第一合并结果。
进一步的,所述识别单元包括:
识别模块,用于基于预设车牌识别算法对第一帧图像和第二帧图像分别进行识别,得到第一车牌信息和第二车牌信息;
计算模块,用于分别根据第一车牌信息以及第二车牌信息中每一位数据的可信度值计算得到第一可信度值和第二可信度值。
进一步的,所述装置还包括:
存储单元,将属于同一车辆的视频流中的每一帧图像对应的每一个识别结果进行存储;
上传单元,用于将根据最后一帧图像确定的合并结果对应的图像帧以及该帧图像对应的采集时间、位置信息进行上传,以进行相关的业务分析。
进一步的,所述装置还包括:
区分单元,用于根据视频流中的空帧以及空帧前后的非空帧来区分属于不同车辆的视频流,所述空帧为不存在车牌的图像帧。
进一步的,所述区分单元包括:
第一判断模块,用于若视频流中存在空帧,则判断空帧之后的连续预设数量的非空帧对应的识别结果中是否都存在车牌信息;
第二确定模块,用于若连续预设数量的非空帧对应的识别结果中都存在车牌信息则将空帧之后的第一个非空帧作为下一车辆的视频流的第一帧图像,将空帧之前的第一个非空帧作为上一车辆的视频流的最后一帧图像。
进一步的,所述区分单元还包括:
第二判断模块,若空帧后的连续预设数量的非空帧对应的识别结果中都存在车牌信息,则判断空帧前的连续预设数量的非空帧对应的车牌信息与空帧后的连续预设数量的非空帧对应的车牌信息是否属于同一车辆的车牌信息;
所述第二确定模块,还用于若不属于同一车辆的车牌信息,则将空帧之后的第一个非空帧图像作为下一车辆的视频流的第一帧图像,将空帧之前的第一个非空帧图像作为上一车辆的视频流的最后一帧图像。
为了实现上述目的,根据本申请的第三方面,提供了一种电子设备,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计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行上述第一方面中任意一项所述的车牌识别的方法。
为了实现上述目的,根据本申请的第四方面,提供了一种巡检车,所述巡检车包括:图像采集设备、上述第三方面所述的电子设备:
所述图像采集设备,用于动态采集车辆的视频流,使所述电子设备获取车辆视频流中的图像。
为了实现上述目的,根据本申请的第五方面,提供了一种停车监控管理系统,其特征在于,所述停车监控管理系统包括至少一辆上述第四方面所述的巡检车、云端:
所述云端,用于接收巡检车上传的数据,并根据上传的数据进行相关的业务分析。
在本申请实施例中,车牌识别的方法及装置中,在基于视频流进行车牌识别时依据的原理为基于视频流中每一帧图像的识别结果的可信度值不断的进行识别结果的合并,最终得到可信度值最高的车牌信息。基于视频流进行车牌的识别基于了更多数量的图像数据,因此获取更加准确的车牌信息的概率相比于基于少数的图片数据进行车牌识别的概率会更大,因此得到的车牌信息的准确度会更高。而且,在对视频流处理的过程中是根据每帧图像识别的车牌信息的可信度值进行最终车牌信息的确定,因此可以进一步的保证识别出的车牌信息的准确度。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的一种车牌识别的方法流程图;
图2是根据本申请实施例提供的一种车牌识别的装置的组成框图;
图3是根据本申请实施例提供的另一种车牌识别的装置的组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请实施例,提供了一种车牌识别的方法,如图1所示,该方法包括如下的步骤:
S101.获取车辆的第一帧图像和第二帧图像,对第一帧图像和第二帧图像分别进行识别,得到第一识别结果和第二识别结果。
其中,第一帧图像和第二帧图像为动态获取的同一车辆的视频流中的两帧图像。动态获取表示车辆与图像采集设备之间是相对运动的状态。对第一帧图像和第二帧图像进行识别的实现方式是根据现有的车牌识别算法进行图像识别分别得到第一识别结果和第二识别结果。第一识别结果为对第一帧图像识别的结果,其中包括第一车牌信息以及第一车牌信息的第一可信度值;第二识别结果为对第二帧图像识别的结果,其中包括第二车牌信息以及第二车牌信息的第二可信度值。车牌信息为车牌号码,可信度值为识别出的车牌号码的可信度值,可信度值与准确度是相对应的,可信度值越高,准确度越高。
具体的,本实施例给出一种车牌识别算法实现的原理:先对图像进行分析,框出图像中车牌所在区域,然后将该区域按照车牌的组成拆出一个个的数字、字母、或文字,然后将数字、字母、或文字分别与对应的字母库、数字库或文字库进行比对,根据相似度进行比对,找出相似度最高的作为识别出的车牌信息(车牌号码),车牌信息中包括的每一位的内容的识别结果都对应一个相似度,相似度反映可信度,每个相似度对应一个可信度值,将所有位的可信度值进行综合计算(比如求平均值等其他方式)得到该车牌信息(车牌号码)的可信度值。
S102.根据第一可信度值以及第二可信度值将第一识别结果和第二识别结果进行合并,得到第一合并结果。
“根据第一可信度值以及第二可信度值将第一识别结果和第二识别结果进行合并”的原理为:比较第一可信度值以及第二可信度值的大小,若第一可信度值大于等于第二可信度值,则将第一识别结果作为第一合并结果;若第一可信度值小于等于第二可信度值,则将二识别结果作为第一合并结果。
S103.获取第二帧图像的后一帧图像并进行识别,对第一合并结果和后一帧图像对应的识别结果按照第一识别结果和第二识别结果的合并方式进行合并得到第二合并结果。
第二帧图像的后一帧图像为按照时间轴先后顺序排列在后的图像帧,在动态采集的过程中,对采集的每一帧图像,都会进行动态的识别,并得到对应的识别结果,每一帧图像识别的过程是相同,此处不再赘述。对第二帧图像的后一帧图像进行识别得到后一帧图像对应的识别结果。“对第一合并结果和后一帧图像对应的识别结果按照第一识别结果和第二识别结果的合并方式进行合并得到第二合并结果”的实现方式与上述步骤S102中根据第一识别结果和第二识别结果得到第一合并结果的实现方式是相同的,此处不再赘述。
S104.直到获取同一车辆的视频流中最后一帧图像为止,将根据最后一帧图像确定的合并结果中的车牌信息确定为同一车辆的视频流中的所包含的车辆的车牌信息。
重复步骤S103,每合并一次得到一次合并结果,直到获取同一车辆的视频流中最后一帧图像为止,对最后一帧图像进行识别,得到最后一帧图像对应的识别结果,将获取最后一帧图像之前得到的合并结果和最后一帧图像对应的识别结果继续进行合并得到的最后一个合并结果,将该合并结果中车牌信息确定为同一车辆的视频流中的所包含的车辆的车牌信息。
为了更清楚的描述,给出具体的示例对重复步骤S103直到得到最后一个合并结果进行说明:假设视频流中,第a帧—第k帧为同一车辆的图像帧,第a帧为第一帧,第k帧为最后一帧。a与b的识别结果进行合并得到第一合并结果,第一合并结果与c的识别结果进行合并得到第二合并结果,第二合并结果与d的识别结果进行合并得到第三合并结果,…,第八合并结果与j的识别结果进行合并得到第九合并结果,第九合并结果和k的识别结果合并得到最后一个合并结果。
由于在动态获取车辆对应的视频流的过程中,存在图像拍摄角度好位置好得到的图像更清晰,识别出的车牌信息更准确更完整的情况。因此需要提取同一车辆的视频流中能够识别出最准确完整的图像帧的识别结果作为车牌识别结果。本实施例中基于每次识别结果的可信度值采用前后帧图像识别结果的多次合并的方式,就是为了能够找到能够识别出最准确完整的图像帧,从而得到更准确的车牌信息。
从以上的描述中,可以看出,本申请实施例的车牌识别的方法中,在基于视频流进行车牌识别时依据的原理为基于视频流中每一帧图像的识别结果的可信度值不断的进行识别结果的合并,最终得到可信度值最高的车牌信息。基于视频流进行车牌的识别基于了更多数量的图像数据,因此获取更加准确的车牌信息的概率相比于基于少数的图片数据进行车牌识别的概率会更大,因此得到的车牌信息的准确度会更高。而且,在对视频流处理的过程中是根据每帧图像识别的车牌信息的可信度值进行最终车牌信息的确定,因此可以进一步的保证识别出的车牌信息的准确度。
作为上述实施例的进一步的补充和细化,本实施例还包括如下步骤:
对于得到的每一帧图像的识别结果都会进行存储,并且将根据最后一帧图像确定的合并结果对应的图像帧以及该帧图像对应的采集时间、位置信息进行上传,以进行相关的业务分析。比如对于停车计费的业务,需要为用户提供计费的凭证,因此需要有时间、位置、识别的车牌信息、图像凭证等信息作为收费计费的凭证。
另外,由于在车牌识别时采集的是视频流,而且一个视频流中包括多个车辆的图像数据,在上述实施例中进行车牌识别时,需要针对属于同一车辆的视频流进行处理得到最终的车牌信息。因此,在识别的过程中,还需要区分不同车辆对应的视频流,这样才能区别出同一车辆的第一帧图像和最后一帧图像。具体的,本实施例中是根据视频流中的空帧以及空帧前后的非空帧来区分属于不同车辆的视频流,其中空帧为不存在车牌的图像帧。具体的实现原理为:若视频流中存在空帧,则判断空帧之后的连续预设数量的非空帧对应的识别结果中是否都存在车牌信息;若连续预设数量的非空帧对应的识别结果中都存在车牌信息则将空帧之后的第一个非空帧作为下一车辆的视频流的第一帧图像,将空帧之前的第一个非空帧作为上一车辆的视频流的最后一帧图像。另外,在实际的应用中还可能存在,在同一车辆的视频流中间由于采集失误等原因出现空帧的现象,这样有可能存在将同一车辆的视频流判断成两个视频流的情况,为了避免这种情况的发生,本实施例还提出了对应的解决措施,即若空帧后的连续预设数量的非空帧对应的识别结果中都存在车牌信息,则判断空帧前的连续预设数量的非空帧对应的车牌信息与空帧后的连续预设数量的非空帧对应的车牌信息是否属于同一车辆的车牌信息(判断是否为同一车辆的车牌信息是判断车牌号码是否相差两位以上,超过两位以上为不同车辆的车牌信息);若不属于同一车辆的车牌信息,则将空帧之后的第一个非空帧图像作为下一车辆的视频流的第一帧图像,将空帧之前的第一个非空帧图像作为上一车辆的视频流的最后一帧图像。另外,在实际的应用中还可能存在不同颜色的但是车牌号一样的多辆车相邻停放,则对于上述的判断方式,则可能将属于多辆车的视频判断为同一车辆的视频流,针对这种情况,本实施例也给出了对应的解决措施,即增加车牌颜色的判断,判断空帧前后的非空帧对应的车牌信息中车牌号码一致时,再判断车牌颜色是否相同,若车牌颜色不同,则将空帧之后的第一个非空帧图像作为下一车辆的视频流的第一帧图像,将空帧之前的第一个非空帧图像作为上一车辆的视频流的最后一帧图像。需要说明的是,前述空帧前连续预设数量的非空帧和空帧后连续预设数量的非空帧的数量可以相同,也可以不相同。
为了保证在采集完最后一辆车的视频流后及时的结束采集,则设置了判断为最后一辆车的判断方式:当出现空帧,并且空帧持续的时长超过预设时长(比如5s、10s等),则判断已采集完最后一辆车,可以暂时停止采集。
另外,还需要补充说明的是,在确定同一车辆的视频流后,对于车牌的识别,还可以截取同一车辆视频流中的某一段视频应用图1中的步骤进行车牌的识别,某一段视频选取的范围可以根据经验选择,比如选择中间段或者其他段的视频流等等。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,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。
根据本申请实施例,还提供了一种用于实施上述图1至图2所述方法的车牌识别的装置,如图2所示,该装置包括:
识别单元21,用于通过动态移动设备获取车辆的第一帧图像和第二帧图像,对第一帧图像和第二帧图像分别进行识别,得到第一识别结果和第二识别结果,所述第一识别结果中包括第一车牌信息以及第一车牌信息的第一可信度值,所述第二识别结果中包括第二车牌信息以及第二车牌信息的第二可信度值,所述第一帧图像和第二帧图像为动态获取的同一车辆的视频流中的两帧图像;
合并单元22,用于根据第一可信度值以及第二可信度值将第一识别结果和第二识别结果进行合并,得到第一合并结果;
所述合并单元22,还用于获取第二帧图像的后一帧图像并进行识别,对第一合并结果和后一帧图像对应的识别结果按照第一识别结果和第二识别结果的合并方式进行合并得到第二合并结果;
确定单元23,用于直到获取同一车辆的视频流中最后一帧图像为止,将根据最后一帧图像确定的合并结果中的车牌信息确定为同一车辆的视频流中的所包含的车辆的车牌信息。
从以上的描述中,可以看出,本申请实施例的车牌识别的装置中,在基于视频流进行车牌识别时依据的原理为基于视频流中每一帧图像的识别结果的可信度值不断的进行识别结果的合并,最终得到可信度值最高的车牌信息。基于视频流进行车牌的识别基于了更多数量的图像数据,因此获取更加准确的车牌信息的概率相比于基于少数的图片数据进行车牌识别的概率会更大,因此得到的车牌信息的准确度会更高。而且,在对视频流处理的过程中是根据每帧图像识别的车牌信息的可信度值进行最终车牌信息的确定,因此可以进一步的保证识别出的车牌信息的准确度。
进一步的,如图3所示,所述合并单元22包括:
第一比较模块221,用于比较第一可信度值以及第二可信度值的大小;
第一确定模块222,用于若第一可信度值大于等于第二可信度值,则将第一可信度值对应的第一识别结果作为第一合并结果;
所述第一确定模块223,还用于否则将第二可信度值对应的第二识别结果作为第一合并结果。
进一步的,如图3所示,所述识别单元21包括:
识别模块211,用于基于预设车牌识别算法对第一帧图像和第二帧图像分别进行识别,得到第一车牌信息和第二车牌信息;
计算模块212,用于分别根据第一车牌信息以及第二车牌信息中每一位数据的可信度值计算得到第一可信度值和第二可信度值。
进一步的,如图3所示,所述装置还包括:
存储单元24,将属于同一车辆的视频流中的每一帧图像对应的每一个识别结果进行存储;
上传单元25,用于将根据最后一帧图像确定的合并结果对应的图像帧以及该帧图像对应的采集时间、位置信息进行上传,以进行相关的业务分析。
进一步的,如图3所示,所述装置还包括:
区分单元26,根据视频流中的空帧以及空帧前后的非空帧来区分属于不同车辆的视频流,所述空帧为不存在车牌的图像帧。
进一步的,如图3所示,所述区分单元26包括:
第一判断模块261,用于若视频流中存在空帧,则判断空帧之后的连续预设数量的非空帧对应的识别结果中是否都存在车牌信息;
第二确定模块262,用于若连续预设数量的非空帧对应的识别结果中都存在车牌信息则将空帧之后的第一个非空帧作为下一车辆的视频流的第一帧图像,将空帧之前的第一个非空帧作为上一车辆的视频流的最后一帧图像。
进一步的,如图3所示,所述区分单元26还包括:
第二判断模块263,若空帧后的连续预设数量的非空帧对应的识别结果中都存在车牌信息,则判断空帧前的连续预设数量的非空帧对应的车牌信息与空帧后的连续预设数量的非空帧对应的车牌信息是否属于同一车辆的车牌信息;
所述第二确定模块262,还用于若不属于同一车辆的车牌信息,则将空帧之后的第一个非空帧图像作为下一车辆的视频流的第一帧图像,将空帧之前的第一个非空帧图像作为上一车辆的视频流的最后一帧图像。
具体的,本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
根据本申请实施例,还提供了一种电子设备,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计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行上述图1中的车牌识别的方法。
根据本申请实施例,还提供了一种巡检车,该巡检车包括:图像采集设备、上述的电子设备:
其中图像采集设备,用于动态采集车辆的视频流,使所述电子设备获取车辆视频流中的图像。
本实施例中的巡检车包括巡逻车或稽查车。
给出一种具体的应用场景:巡检车在移动的过程中,通过图像采集设备采集停靠在路侧的车辆,得到视频流,然后对视频流进行识别得到停在路侧的车辆的车牌信息,以对其进行停车计费处理。
根据本申请实施例,还提供了一种停车监控管理系统,其特征在于,所述停车监控管理系统包括至少一辆上述的巡检车、云端:
其中云端,用于接收巡检车上传的数据,并根据上传的数据进行相关的业务分析。巡检车上传的数据至少包括根据最后一帧图像确定的合并结果对应的图像帧以及该帧图像对应的采集时间、位置信息。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,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)
1.一种车牌识别的方法,其特征在于,所述方法包括:
获取车辆的第一帧图像和第二帧图像,对第一帧图像和第二帧图像分别进行识别,得到第一识别结果和第二识别结果,所述第一识别结果中包括第一车牌信息以及第一车牌信息的第一可信度值,所述第二识别结果中包括第二车牌信息以及第二车牌信息的第二可信度值,所述第一帧图像和第二帧图像为动态获取的同一车辆的视频流中的两帧图像;
根据第一可信度值以及第二可信度值将第一识别结果和第二识别结果进行合并,得到第一合并结果;
获取第二帧图像的后一帧图像并进行识别,对第一合并结果和后一帧图像对应的识别结果按照第一识别结果和第二识别结果的合并方式进行合并得到第二合并结果;
直到获取同一车辆的视频流中最后一帧图像为止,将根据最后一帧图像确定的合并结果中的车牌信息确定为同一车辆的视频流中的所包含的车辆的车牌信息。
2.根据权利要求1所述的车牌识别的方法,其特征在于,所述根据第一可信度值以及第二可信度值将第一识别结果和第二识别结果进行合并,得到第一合并结果包括:
比较第一可信度值以及第二可信度值的大小;
若第一可信度值大于等于第二可信度值,则将第一可信度值对应的第一识别结果作为第一合并结果;
否则将第二可信度值对应的第二识别结果作为第一合并结果。
3.根据权利要求1所述的车牌识别的方法,其特征在于,所述对第一帧图像和第二帧图像分别进行识别,得到第一识别结果和第二识别结果包括:
基于预设车牌识别算法对第一帧图像和第二帧图像分别进行识别,得到第一车牌信息和第二车牌信息;
分别根据第一车牌信息以及第二车牌信息中每一位数据的可信度值计算得到第一可信度值和第二可信度值。
4.根据权利要求1所述的车牌识别的方法,其特征在于,所述方法还包括:
将属于同一车辆的视频流中的每一帧图像对应的每一个识别结果进行存储;
将根据最后一帧图像确定的合并结果对应的图像帧以及该帧图像对应的采集时间、位置信息进行上传,以进行相关的业务分析。
5.根据权利要求1所述的车牌识别的方法,其特征在于,所述方法还包括:
根据视频流中的空帧以及空帧前后的非空帧来区分属于不同车辆的视频流,所述空帧为不存在车牌的图像帧。
6.根据权利要求5所述的车牌识别的方法,其特征在于,所述根据视频流中的空帧以及空帧前后的非空帧来区分属于不同车辆的视频流包括:
若视频流中存在空帧,则判断空帧之后的连续预设数量的非空帧对应的识别结果是否都存在车牌信息;
若连续预设数量的非空帧对应的识别结果中都存在车牌信息则将空帧之后的第一个非空帧作为下一车辆的视频流的第一帧图像,将空帧之前的第一个非空帧作为上一车辆的视频流的最后一帧图像。
7.一种车牌识别的装置,其特征在于,所述装置包括:
识别单元,用于通过动态移动设备获取车辆的第一帧图像和第二帧图像,对第一帧图像和第二帧图像分别进行识别,得到第一识别结果和第二识别结果,所述第一识别结果中包括第一车牌信息以及第一车牌信息的第一可信度值,所述第二识别结果中包括第二车牌信息以及第二车牌信息的第二可信度值,所述第一帧图像和第二帧图像为动态获取的同一车辆的视频流中的两帧图像;
合并单元,用于根据第一可信度值以及第二可信度值将第一识别结果和第二识别结果进行合并,得到第一合并结果;
所述合并单元,还用于获取第二帧图像的后一帧图像并进行识别,对第一合并结果和后一帧图像对应的识别结果按照第一识别结果和第二识别结果的合并方式进行合并得到第二合并结果;
确定单元,用于直到获取同一车辆的视频流中最后一帧图像为止,将根据最后一帧图像确定的合并结果中的车牌信息确定为同一车辆的视频流中的所包含的车辆的车牌信息。
8.一种电子设备,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计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-6任意一项所述的车牌识别的方法。
9.一种巡检车,其特征在于,所述巡检车包括:图像采集设备、上述权利要求8所述的电子设备:
所述图像采集设备,用于动态采集车辆的视频流,使所述电子设备获取车辆视频流中的图像。
10.一种停车监控管理系统,其特征在于,所述停车监控管理系统包括至少一辆权利要求9所述的巡检车、云端:
所述云端,用于接收巡检车上传的数据,并根据上传的数据进行相关的业务分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010122068.2A CN111339949A (zh) | 2020-02-26 | 2020-02-26 | 车牌识别的方法、装置及巡检车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010122068.2A CN111339949A (zh) | 2020-02-26 | 2020-02-26 | 车牌识别的方法、装置及巡检车 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111339949A true CN111339949A (zh) | 2020-06-26 |
Family
ID=71183873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010122068.2A Pending CN111339949A (zh) | 2020-02-26 | 2020-02-26 | 车牌识别的方法、装置及巡检车 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339949A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283305A (zh) * | 2021-04-29 | 2021-08-20 | 百度在线网络技术(北京)有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
CN116977949A (zh) * | 2023-08-24 | 2023-10-31 | 北京唯行科技有限公司 | 车辆停车巡检方法、装置和设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108052931A (zh) * | 2018-01-05 | 2018-05-18 | 北京智芯原动科技有限公司 | 一种车牌识别结果融合方法及装置 |
CN110796052A (zh) * | 2019-10-21 | 2020-02-14 | 和昌未来科技(深圳)有限公司 | 车牌识别方法、装置、设备及可读介质 |
-
2020
- 2020-02-26 CN CN202010122068.2A patent/CN111339949A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108052931A (zh) * | 2018-01-05 | 2018-05-18 | 北京智芯原动科技有限公司 | 一种车牌识别结果融合方法及装置 |
CN110796052A (zh) * | 2019-10-21 | 2020-02-14 | 和昌未来科技(深圳)有限公司 | 车牌识别方法、装置、设备及可读介质 |
Non-Patent Citations (1)
Title |
---|
李弼程: "《数字图像处理 基于XAVIS组态软件》", 西安电子科技大学出版社, pages: 256 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283305A (zh) * | 2021-04-29 | 2021-08-20 | 百度在线网络技术(北京)有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
CN113283305B (zh) * | 2021-04-29 | 2024-03-26 | 百度在线网络技术(北京)有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
CN116977949A (zh) * | 2023-08-24 | 2023-10-31 | 北京唯行科技有限公司 | 车辆停车巡检方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310698A (zh) | 车牌识别的方法、装置及巡检车 | |
CN110796052A (zh) | 车牌识别方法、装置、设备及可读介质 | |
CN109740424A (zh) | 交通违规识别方法及相关产品 | |
CN109710780A (zh) | 一种归档方法及装置 | |
CN107944382B (zh) | 目标跟踪方法、装置及电子设备 | |
CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
CN111339949A (zh) | 车牌识别的方法、装置及巡检车 | |
CN105654032A (zh) | 基于人脸检测的公交车人数统计系统及统计方法 | |
CN112084824A (zh) | 乘客提醒方法、装置、电子设备及存储介质 | |
CN107393308A (zh) | 一种识别车牌的方法、装置及停车场管理系统 | |
CN111079621A (zh) | 检测对象的方法、装置、电子设备和存储介质 | |
CN109800318A (zh) | 一种归档方法及装置 | |
CN113869137A (zh) | 事件检测方法、装置、终端设备及存储介质 | |
CN111709341A (zh) | 客梯车作业状态的检测方法与系统 | |
CN117237854B (zh) | 基于视频识别的停车位分配方法、系统、设备及存储介质 | |
CN113902993A (zh) | 一种基于环境监测的环境状态分析方法及系统 | |
CN113221791A (zh) | 车辆违停检测方法、装置、电子设备和存储介质 | |
WO2023241595A1 (zh) | 车位范围的处理方法及计算设备 | |
CN112307948A (zh) | 特征融合方法、装置及存储介质 | |
CN112183161B (zh) | 人脸数据库的处理方法、装置及设备 | |
CN116363628A (zh) | 标志检测方法、装置、非易失性存储介质及计算机设备 | |
CN115391596A (zh) | 视频档案生成方法、装置及存储介质 | |
CN115147752A (zh) | 一种视频分析方法、装置及计算机设备 | |
CN114373209A (zh) | 基于视频的人脸识别方法、装置、电子设备及存储介质 | |
CN111553408B (zh) | 视频识别软件自动测试的方法 |
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 |