CN111382722A - 车牌图像优选方法、图像处理装置及具有存储功能的装置 - Google Patents
车牌图像优选方法、图像处理装置及具有存储功能的装置 Download PDFInfo
- Publication number
- CN111382722A CN111382722A CN202010208914.2A CN202010208914A CN111382722A CN 111382722 A CN111382722 A CN 111382722A CN 202010208914 A CN202010208914 A CN 202010208914A CN 111382722 A CN111382722 A CN 111382722A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- detection frame
- calculating
- camera
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车牌图像优选方法、图像处理装置及具有存储功能的装置,该车牌图像优选方法包括:获取至少两个相机分别抓拍缓存的多帧车牌图像;分别计算多帧车牌图像的评价得分;根据多帧车牌图像的评价得分确定主相机;将主相机抓拍缓存且评价得分最高的车牌图像作为最优车牌图像。本申请所提供的车牌图像优选方法能够有效提高车牌识别的准确率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种车牌图像优先方法、图像处理装置及具有存储功能的装置。
背景技术
随着智能交通系统在电警、卡口、出入口、停车场等交通场景的日益普及,车牌识别作为其重要组成部分显得越来越重要。但车牌悬挂不当、摄像机抓拍角度以及道路斜坡等问题会导致获取的车牌定位结果倾斜,而车牌定位结果作为车牌识别的输入,它的质量直接影响到最终车牌字符识别结果,因而优化车牌定位结果大角度倾斜问题在整个识别系统中起着至关重要的作用。
发明内容
本申请主要解决的技术问题是提供一种车牌图像优先方法、图像处理装置及具有存储功能的装置,能够有效提高车牌识别的准确率。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种车牌图像优选方法,所述方法包括:获取至少两个相机分别抓拍缓存的多帧车牌图像;分别计算所述多帧车牌图像的评价得分;根据所述多帧车牌图像的评价得分确定主相机;将所述主相机抓拍缓存且评价得分最高的所述车牌图像作为最优车牌图像。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种图像处理装置,包括处理器、存储器以及通信电路,所述处理器分别耦接所述存储器、所述通信电路,所述存储器中存储有程序数据,所述处理器通过执行所述存储器内的所述程序数据以实现上述方法中的步骤。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种具有存储功能的装置,存储有程序数据,所述程序数据能够被处理器执行以实现上述方法中的步骤。
本申请的有益效果是:本申请根据至少两个相机分别抓拍缓存的多帧图像的评价得分确定主相机,能够避免单帧图像导致的偶然性结果,保证确定的主相机为整体拍摄效果最佳的相机,从而将主相机抓拍缓存且评价得分最高的车牌图像作为最优车牌图像以便后续进行车牌识别,能够有效提高识别的准确率。
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。其中:
图1是本申请车牌图像优选方法一实施方式的流程示意图;
图2是至少两个相机的抓拍示意图;
图3是图1中步骤S120的流程示意图;
图4是图3中步骤S122在一应用场景中的流程示意图;
图5是图3中步骤S123在一应用场景中的流程示意图;
图6是车牌图像的示意图;
图7是图6车牌图像中车牌检测框和车辆检测框的相对位置示意图;
图8是图1中步骤S130的流程示意图;
图9是本申请图像处理装置一实施方式的结构示意图;
图10是本申请图像处理装置另一实施方式的结构示意图;
图11是本申请具有存储功能的装置一实施方式的结构示意图。
具体实施方式
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实施例,而不是全部实施例。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的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。
参阅图1,图1是本申请车牌图像优选方法一实施方式的流程示意图。该方法包括:
S110:获取至少两个相机分别抓拍缓存的多帧车牌图像。
至少两个相机用于对同一车辆进行抓拍,且每个相机对同一车辆不止抓拍一次,每个相机均会抓拍缓存到多帧车牌图像。
参阅图2,在本实施方式中,对同一车辆进行抓拍的相机的数量为两个,两个相机分别在车辆的左侧和右侧进行抓拍。
在其他实施方式中,相机的数量可以是3个、4个或者更多个。
在一应用场景中,在步骤S110之前还会确定相机的抓拍初始位置以及抓拍浮动距离。
结合图2,当相机检测到拍摄视野中的车辆运动到抓拍初始位置(即图2中抓拍初始线所在的位置)时开始对该车辆进行抓拍,而当该车辆继续运动至抓拍终点线时结束抓拍,其中抓拍终点线与抓拍初始线之间的距离即为设置的抓拍浮动距离Δh。
其中,在设定抓拍初始位置以及抓拍浮动距离时,可以将两者的值直接给出,也可以通过间接给定第一比例和第二比例而设置抓拍初始位置、抓拍浮动距离,具体地,当只给出第一比例和第二比例时,根据如下公式确定抓拍初始位置以及抓拍浮动距离:
抓拍初始位置=车牌图像的高度*第一比例;
抓拍浮动距离Δh=车牌图像的高度*第二比例
其中,车牌图像的高度为相机抓拍的车牌图像的高度,不同分辨率的相机抓拍的车牌图像的高度不同。
S120:分别计算多帧车牌图像的评价得分。
在相机抓拍到车牌图像后,根据预设的评价机制对车牌图像进行计算,得到车牌图像的评价得分,其中评价得分越高,表示车牌图像的质量越高,越有利于后续的车牌识别结果。
在一应用场景中,在相机每抓拍一帧车牌图像后就立即对该车牌图像进行计算,直至该相机抓拍结束,从而得到相机抓拍的所有车牌图像的评价得分。
在另一应用场景中,在相机抓拍结束后,再对其抓拍缓存的多张车牌图像进行计算,此时也能够得到相机抓拍的所有车牌图像的评价得分。
总而言之,关于何时对车牌图像进行计算而得到评价得分,本申请不做限制。
S130:根据多帧车牌图像的评价得分确定主相机。
在相机抓拍缓存结束以及对车牌图像进行计算结束后,根据各个相机抓拍缓存的车牌图像的评价得分能够确定拍摄质量最佳的相机,并将该拍摄质量最佳的相机确定为主相机。
在本实施方式中,根据多帧车牌图像的评价得分确定主相机,能够避免单帧图像导致的偶然性结果,即通过步骤S130能够保证确定的主相机为整体拍摄质量最佳的相机。
S140:将主相机抓拍缓存且评价得分最高的车牌图像作为最优车牌图像。
在确定主相机后,将该主相机抓拍缓存的车牌图像中评价得分最高的车牌图像作为最优车牌图像,而后可以对该最优车牌图像进行识别而得到车牌识别结果。
在本实施方式中,由于确定的主相机为整体拍摄质量最佳的相机,因此,将其抓拍缓存且评价得分最高的车牌图像作为最优车牌图像进行车牌识别,能够有效提高车牌识别的准确率。
在本实施方式中,相机抓拍缓存的车牌图像既可以只包括车牌,也可以同时包括车牌以及车辆,其中当车牌图像包括车牌以及车辆时,如图3所示,步骤S120包括:
S121:确定车牌图像中的车牌检测框以及车辆检测框。
当获取到车牌图像后,自动对车牌图像进行目标识别,生成框定车牌的车牌检测框以及框定车辆的车辆检测框,而后获得车牌检测框以及车辆检测框的位置。
S122:计算车牌检测框所框定的图像的姿态角。
具体地,使用Radon变换(拉东变换)计算车牌检测框所框定的图像的姿态角,而如何通过Radon变换计算图像的姿态角属于现有技术,在此不再做具体介绍。
其中,车牌检测框所框定的图像的姿态角越小越有利于后续的车牌识别结果。
S123:根据车牌检测框与车辆检测框的位置姿态关系以及姿态角计算车牌图像的评价得分。
车牌检测框与车辆检测框的位置姿态关系能够反映车牌图像中车牌的倾斜程度,例如,若经过车牌检测框的中心点的竖直线与经过车辆检测框的中心点的竖直线重合,则说明车牌图像中的车牌未发生倾斜。
本实施方式同时根据车牌检测框与车辆检测框的位置姿态关系和姿态角计算车牌图像的评价得分,相比单独根据车牌检测框与车辆检测框的位置姿态关系,或者单独根据姿态角计算车牌图像的评价得分,能够有效规避偶然性结果,提高计算的准确率。
其中,当车牌图像中只包括车牌时,可以只根据车牌图像的姿态角计算车牌图像的评价得分。
参阅图4,在一应用场景中,步骤S122具体包括:
S1221:以经过车牌检测框所框定的图像的中心点的竖直线为界而将车牌检测框所框定的图像分割成第一子图像和第二子图像,其中,第一子图像包括省份字符。
S1222:对第二子图像依次进行灰度化处理和边缘检测处理。
S1223:计算第二子图像的姿态角。
具体地,车牌号码从左到右依次是省份字符、地级市代码字符以及数字字符,其中,地级市代码字符与数字字符之间还存在一铆点。为了避免部分特殊省份字符以及铆点对车牌图像的姿态角计算的影响,本应用场景将车牌图像分为第一子图像和第二图像,第一子图像包括省份字符,使得第二子图像尽可能只包括数字字符,而后以第二子图像的姿态角作为车牌图像的姿态角。
其中,采用Radon变换计算第二子图像的姿态角。
其中为了保证第二子图像的姿态角的准确计算,继续参阅图4,在计算第二子图像的姿态角之前,还会对第二子图像进行预处理,具体为对第二子图像依次进行灰度化处理和边缘检测处理。
对第二子图像进行灰度化处理能够去除离散噪声点。其中可以采用平均值法、加权平均法、最大值法等对第二子图像进行灰度化处理。例如在一具体实例中,采用如下公式对第二子图像进行灰度化处理:
Gray=0.299*R+0.587*G+0.114*B,
其中,R表示像素点的R通道的值,G表示像素点的G通道的值,B表示像素点的B通道的值,Gray表示对第二子图像进行灰度化处理而得到图像的像素点的灰度值。
在对第二子图像进行灰度化处理而得到灰度图后,还会该灰度图进行边缘检测处理而强化图像中的水平线。其中可采用canny算子或者Sobel算子进行边缘检测处理。其中进行边缘检测处理的过程为现有技术,在此不做过多介绍。
在其他应用场景中,在进行边缘检测处理之前还可以对图像进行滤波处理,例如进行Gaussian滤波(高斯滤波)处理,此时利用如下公式进行Gaussian滤波处理:
在其他应用场景中,在计算第二子图像的姿态角之前也可以不对第二子图像进行灰度化处理和边缘检测处理,在此不做限制。
在上述应用场景中,将第二子图像的姿态角作为车牌图像的姿态角除了可以避免部分特殊省份字符以及铆点对车牌图像的姿态角计算的影响外,还可以减少图像的预处理过程,提高运算效率。
参阅图5,在一应用场景中,步骤S123具体包括:
S1231:计算车牌检测框的中心点与车辆检测框的中心点的连线与水平线的矢量角α。
S1232:计算车牌检测框的面积与车辆检测框的面积的第一比值IOU。
S1233:计算车牌检测框的宽度与高度的第二比值k。
S1234:根据矢量角α、第一比值IOU、第二比值k以及姿态角计算车牌图像的评价得分。
结合图6和图7,在生成车牌检测框和车辆检测框(图6和图7中,黑线框A为车牌检测框,黑线框B为车辆检测框)后,能够确定车牌检测框的中心点的坐标(xp,yp)、车牌检测框的高度hp和宽度wp、车辆检测框的中心点的坐标(xo,yo)、车辆检测框的高度ho和宽度wo,则矢量角α=arctan((yo-yp)/(xo-xp)),第一比值IOU=wp*hp/wo*ho,第二比值k=wp/hp。
其中,车牌检测框的中心点与车辆检测框的中心点的连线与水平线的矢量角α(0<α<π/2)越大越有利于车牌识别,可以理解,当矢量角α的值接近90度时,车牌图像中的车牌几乎不倾斜。
同时车牌检测框的面积与车辆检测框的面积的第一比值IOU越大说明车牌图像中的车牌越正,越有利于车牌识别,车牌检测框的宽度与高度的第二比值k越大也说明车牌图像中的车牌越正,越有利于车牌识别。
因此根据矢量角α、第一比值IOU、第二比值k以及姿态角计算出的评价得分能够真实反映车牌在车牌图像中的倾斜程度。
在一具体实例中,利用如下公式计算车牌图像的评价得分:
S=[(1-|θ|/180)+IOU+k+2α/π]*100.0,其中,S为车牌图像的评价得分,θ为姿态角,α为矢量角,IOU为第一比值,k为第二比值。
参阅图8,在本实施方式中,步骤S130具体包括:
S131:分别计算至少两个相机抓拍缓存的车牌图像的评价得分的平均值。
S132:将平均值最高的相机确定为主相机。
具体地,计算每个相机抓拍缓存的车牌图像的评价得分的平均值后,每个相机均会对应一个平均值,而后找出平均值最高的相机,判定该相机是整体拍摄质量最佳的相机,而后将该相机作为主相机。
在其他实施方式中,步骤S130还可以是:分别计算至少两个相机抓拍缓存的车牌图像的评价得分的方差,将方差最低的相机确定为主相机。
总而言之,关于如何根据多帧车牌图像的评价得分确定主相机本申请不做限制。
参阅图9,图9是本申请图像处理装置一实施方式的结构示意图。该图像处理装置200包括处理器210、存储器220以及通信电路230。处理器210分别耦接存储器220、通信电路230,存储器220中存储有程序数据,处理器210通过执行存储器220内的程序数据以实现上述任一项实施方式中的方法,其中详细的方法可参见上述实施方式,在此不再赘述。
具体而言,处理器210用于控制其自身以及存储器20以实现上述任一数据质量检测方法实施例中的步骤。处理器210还可以称为CPU(Central Processing Unit,中央处理单元)。处理器210可能是一种集成电路芯片,具有信号的处理能力。处理器210还可以是通用处理器、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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外,处理器210可以由多个集成电路芯片共同实现。
其中,图像处理装置200可以是任何一种具有图像处理能力的装置,例如手机、等脑等,在此不做限制。
参阅图10,图10是本申请图像处理装置一实施方式的结构示意图。该图像处理装置300包括图像获取模块310、得分计算模块320、主相机模块330以及图像选取模块340。
图像获取模块310用于获取至少两个相机分别抓拍缓存的多帧车牌图像。
得分计算模块320与图像获取模块310连接,用于分别计算多帧车牌图像的评价得分。
主相机模块330与得分计算模块320连接,用于根据多帧车牌图像的评价得分确定主相机。
图像选取模块340与主相机模块330连接,用于将主相机抓拍缓存且评价得分最高的车牌图像作为最优车牌图像。
上述实施方式中,通过图像获取模块310获取多帧车牌图像,并由得分计算模块320计算评价得分,而后由主相机模块330根据得分计算模块320的计算结果确定主相机,能够避免单帧图像导致的偶然性结果,保证选定的主相机是整体拍摄质量最佳的相机,而后图像选取模块340将主相机抓拍缓存且评价得分最高的车牌图像作为最优车牌图像,而后可以对该最优车牌图像进行识别而得到车牌识别结果,能够有效提高车牌识别的准确率。
在一实施方式中,得分计算模块320具体包括:检测框确定单元、姿态角计算单元以及得分计算单元。检测框确定单元用于确定车牌图像中的车牌检测框以及车辆检测框,姿态角计算单元用于计算车牌检测框所框定的图像的姿态角,得分计算单元用于根据车牌检测框与车辆检测框的位置姿态关系以及姿态角计算车牌图像的评价得分。
上述实施方式中,得分计算单元除了根据姿态角计算车牌图像的评价得分外,还同时结合了车牌检测框与车辆检测框的位置姿态关系,能够有效规避偶然性结果,提高计算的准确率,保证计算出的评价得分能够真实反映车牌图像中车牌的倾斜程度。
在一实施方式中,姿态角计算单元具体包括:分割子单元以及计算子单元。分割子单元用于以经过车牌检测框所框定的图像的中心点的竖直线为界而将车牌检测框所框定的图像分割成第一子图像和第二子图像,其中,第一子图像包括省份字符,计算子单元用于计算第二子图像的姿态角。
上述实施方式中,计算子单元将第二子图像的姿态角作为车牌图像的姿态角,一方面能够避免车牌图像中特殊省份字符、铆点对计算结果的影响,另一方面还能够减少计算量。
在一实施方式中,姿态角计算单元还进一步包括预处理子单元。预处理子单元用于在计算子单元计算第二子图像的姿态角之前,对第二子图像依次进行灰度化处理和边缘检测处理。
上述实施方式中,在计算子单元计算姿态角之前,预处理子单元还会对第二子图像进行预处理,具体为灰度化处理和边缘检测处理,能够保证后续计算的准确率。
在一实施方式中,得分计算单元包括:矢量角计算子单元、第一比值计算子单元、第二比值计算子单元以及得分计算子单元。矢量角计算子单元用于计算车牌检测框的中心点与车辆检测框的中心点的连线与水平线的矢量角,第一比值计算子单元用于计算车牌检测框的面积与车辆检测框的面积的第一比值,第二比值计算子单元用于计算车牌检测框的宽度与高度的第二比值,得分计算子单元用于根据矢量角、第一比值、第二比值以及姿态角计算车牌图像的评价得分。
在上述实施方式中,得分计算子单元根据矢量角、第一比值、第二比值以及姿态角计算出的评价得分能够真实反映车牌在车牌图像中的倾斜程度。
在一实施方式中,得分计算子单元具体利用如下公式计算车牌图像的评价得分:
S=[(1-|θ|/180)+IOU+k+2α/π]*100.0,其中,S为车牌图像的评价得分,θ为姿态角,α为矢量角,IOU为第一比值,k为第二比值。
在一实施方式中,图像处理装置300进一步还包括抓拍设置模块,用于确定相机的抓拍初始位置以及抓拍浮动距离。
在上述实施方式中,抓拍设置模块通过设置抓拍初始位置以及抓拍浮动距离可以保证相机对同一个车辆能够抓拍到多帧车牌图像,避免单帧图像导致的偶然性结果。
在一实施方式中,主相机模块330具体用于分别计算至少两个相机抓拍缓存的车牌图像的评价得分的平均值,而后将平均值最高的相机确定为主相机。
其中,图像处理装置300可以是任何一种具有图像处理能力的装置,例如手机、等脑等,在此不做限制。
参阅图11,图11是本申请具有存储功能的装置一实施方式的结构示意图。该具有存储功能的装置400存储有程序数据410,该程序数据410能够被处理器执行以实现上述任一项实施方式中的方法,其中详细的方法可参见上述实施方式,在此不再赘述。
其中具存储功能的装置400具体可以为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)、磁碟或者光盘等可以存储程序数据410的装置,或者也可以为存储有该程序数据410的服务器,该服务器可将存储的程序数据410发送给其他设备运行,或者也可以自运行该存储的程序数据410。
总而言之,本申请根据至少两个相机抓拍缓存的多帧图像的评价得分确定主相机,能够避免单帧图像导致的偶然性结果,保证确定的主相机为整体拍摄效果最佳的相机,从而将主相机抓拍缓存且评价得分最高的车牌图像作为最优车牌图像以便后续进行车牌识别,能够有效提高识别的准确率。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,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,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
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(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式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。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种车牌图像优选方法,其特征在于,所述方法包括:
获取至少两个相机分别抓拍缓存的多帧车牌图像;
分别计算所述多帧车牌图像的评价得分;
根据所述多帧车牌图像的评价得分确定主相机;
将所述主相机抓拍缓存且评价得分最高的所述车牌图像作为最优车牌图像。
2.根据权利要求1所述的方法,其特征在于,所述车牌图像包括车牌以及车辆,所述分别计算所述多帧车牌图像的评价得分的步骤,包括:
确定所述车牌图像中的车牌检测框以及车辆检测框;
计算所述车牌检测框所框定的图像的姿态角;
根据所述车牌检测框与所述车辆检测框的位置姿态关系以及所述姿态角计算所述车牌图像的评价得分。
3.根据权利要求2所述的方法,其特征在于,所述计算所述车牌检测框所框定的图像的姿态角的步骤,包括:
以经过所述车牌检测框所框定的图像的中心点的竖直线为界而将所述车牌检测框所框定的图像分割成第一子图像和第二子图像,其中,所述第一子图像包括省份字符;
计算所述第二子图像的姿态角。
4.根据权利要求3所述的方法,其特征在于,在所述计算所述第二子图像的姿态角之前,还包括:
对所述第二子图像依次进行灰度化处理和边缘检测处理。
5.根据权利要求2所述的方法,其特征在于,所述根据所述车牌检测框与所述车辆检测框的位置姿态关系以及所述姿态角计算所述车牌图像的评价得分的步骤,包括:
计算所述车牌检测框的中心点与所述车辆检测框的中心点的连线与水平线的矢量角;
计算所述车牌检测框的面积与所述车辆检测框的面积的第一比值;
计算所述车牌检测框的宽度与高度的第二比值;
根据所述矢量角、所述第一比值、所述第二比值以及所述姿态角计算所述车牌图像的评价得分。
6.根据权利要求5所述的方法,其特征在于,所述根据所述矢量角、所述第一比值、所述第二比值以及所述姿态角计算所述车牌图像的评价得分的步骤,包括:
利用如下公式计算所述车牌图像的评价得分:
S=[(1-|θ|/180)+IOU+k+2α/π]*100.0,其中,S为所述车牌图像的评价得分,θ为所述姿态角,α为所述矢量角,IOU为所述第一比值,k为所述第二比值。
7.根据权利要求1所述的方法,其特征在于,在所述获取至少两个相机分别抓拍缓存的多帧车牌图像之前,还包括:
确定所述相机的抓拍初始位置以及抓拍浮动距离。
8.根据权利要求1所述的方法,其特征在于,所述根据所述多帧车牌图像的评价得分确定主相机的步骤,包括:
分别计算所述至少两个相机抓拍缓存的所述车牌图像的评价得分的平均值;
将所述平均值最高的所述相机确定为所述主相机。
9.一种图像处理装置,其特征在于,包括处理器、存储器以及通信电路,所述处理器分别耦接所述存储器、所述通信电路,所述存储器中存储有程序数据,所述处理器通过执行所述存储器内的所述程序数据以实现如权利要求1-8任一项所述方法中的步骤。
10.一种具有存储功能的装置,其特征在于,存储有程序数据,所述程序数据能够被处理器执行以实现如权利要求1至8任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010208914.2A CN111382722B (zh) | 2020-03-23 | 2020-03-23 | 车牌图像优选方法、图像处理装置及具有存储功能的装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010208914.2A CN111382722B (zh) | 2020-03-23 | 2020-03-23 | 车牌图像优选方法、图像处理装置及具有存储功能的装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111382722A true CN111382722A (zh) | 2020-07-07 |
CN111382722B CN111382722B (zh) | 2023-09-05 |
Family
ID=71219882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010208914.2A Active CN111382722B (zh) | 2020-03-23 | 2020-03-23 | 车牌图像优选方法、图像处理装置及具有存储功能的装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382722B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489441A (zh) * | 2020-11-30 | 2021-03-12 | 高新兴智联科技有限公司 | 一种基于双基车牌识别的停车场出入方法及出入系统 |
CN112560856A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 车牌检测识别方法、装置、设备及存储介质 |
CN113611143A (zh) * | 2021-07-29 | 2021-11-05 | 同致电子科技(厦门)有限公司 | 一种新型记忆泊车系统及其建图系统 |
CN113873144A (zh) * | 2021-08-25 | 2021-12-31 | 浙江大华技术股份有限公司 | 图像抓拍方法、图像抓拍装置及计算机可读存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006005617A1 (de) * | 2006-02-06 | 2007-08-16 | Bundesdruckerei Gmbh | Verfahren zur Bewertung der Qualität eines Bildes, Verfahren zur Herstellung eines Dokuments Computerprogrammprodukt, Nutzer-Schnittstelle, Datei und elektronisches Gerät |
CN101859382A (zh) * | 2010-06-03 | 2010-10-13 | 复旦大学 | 一种基于最大稳定极值区域的车牌检测与识别的方法 |
CN103235938A (zh) * | 2013-05-03 | 2013-08-07 | 北京国铁华晨通信信息技术有限公司 | 车牌检测与识别的方法及系统 |
US20140072177A1 (en) * | 2012-09-12 | 2014-03-13 | Pei-Yuan Chou | Methods for Identifying Vehicle License Plates |
CN204155449U (zh) * | 2014-09-04 | 2015-02-11 | 上海智达商投资管理合伙企业(有限合伙) | 一种车牌识别比对高清摄像机及监控系统 |
WO2017061650A1 (ko) * | 2015-10-08 | 2017-04-13 | 주식회사 넥스파시스템 | 전후면 카메라모듈을 적용한 영상해석 기반의 lpr 시스템 |
JP2017138674A (ja) * | 2016-02-01 | 2017-08-10 | パナソニックIpマネジメント株式会社 | ナンバープレート認識装置及びナンバープレート認識システム並びにナンバープレート認識方法 |
CN108281005A (zh) * | 2018-03-27 | 2018-07-13 | 中控智慧科技股份有限公司 | 一种车牌信息采集装置和方法 |
CN108364010A (zh) * | 2018-03-08 | 2018-08-03 | 广东工业大学 | 一种车牌识别方法、装置、设备及计算机可读存储介质 |
CN108985137A (zh) * | 2017-06-02 | 2018-12-11 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及系统 |
CN108986075A (zh) * | 2018-06-13 | 2018-12-11 | 浙江大华技术股份有限公司 | 一种优选图像的判断方法及装置 |
CN110175217A (zh) * | 2019-05-16 | 2019-08-27 | 武汉数矿科技股份有限公司 | 一种用于确定嫌疑人的感知数据分析方法和装置 |
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 |
CN110738150A (zh) * | 2019-09-29 | 2020-01-31 | 浙江大华技术股份有限公司 | 相机联动抓拍方法、装置以及计算机存储介质 |
-
2020
- 2020-03-23 CN CN202010208914.2A patent/CN111382722B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006005617A1 (de) * | 2006-02-06 | 2007-08-16 | Bundesdruckerei Gmbh | Verfahren zur Bewertung der Qualität eines Bildes, Verfahren zur Herstellung eines Dokuments Computerprogrammprodukt, Nutzer-Schnittstelle, Datei und elektronisches Gerät |
CN101859382A (zh) * | 2010-06-03 | 2010-10-13 | 复旦大学 | 一种基于最大稳定极值区域的车牌检测与识别的方法 |
US20140072177A1 (en) * | 2012-09-12 | 2014-03-13 | Pei-Yuan Chou | Methods for Identifying Vehicle License Plates |
CN103235938A (zh) * | 2013-05-03 | 2013-08-07 | 北京国铁华晨通信信息技术有限公司 | 车牌检测与识别的方法及系统 |
CN204155449U (zh) * | 2014-09-04 | 2015-02-11 | 上海智达商投资管理合伙企业(有限合伙) | 一种车牌识别比对高清摄像机及监控系统 |
WO2017061650A1 (ko) * | 2015-10-08 | 2017-04-13 | 주식회사 넥스파시스템 | 전후면 카메라모듈을 적용한 영상해석 기반의 lpr 시스템 |
JP2017138674A (ja) * | 2016-02-01 | 2017-08-10 | パナソニックIpマネジメント株式会社 | ナンバープレート認識装置及びナンバープレート認識システム並びにナンバープレート認識方法 |
CN108985137A (zh) * | 2017-06-02 | 2018-12-11 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及系统 |
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 |
CN108364010A (zh) * | 2018-03-08 | 2018-08-03 | 广东工业大学 | 一种车牌识别方法、装置、设备及计算机可读存储介质 |
CN108281005A (zh) * | 2018-03-27 | 2018-07-13 | 中控智慧科技股份有限公司 | 一种车牌信息采集装置和方法 |
CN108986075A (zh) * | 2018-06-13 | 2018-12-11 | 浙江大华技术股份有限公司 | 一种优选图像的判断方法及装置 |
CN110175217A (zh) * | 2019-05-16 | 2019-08-27 | 武汉数矿科技股份有限公司 | 一种用于确定嫌疑人的感知数据分析方法和装置 |
CN110738150A (zh) * | 2019-09-29 | 2020-01-31 | 浙江大华技术股份有限公司 | 相机联动抓拍方法、装置以及计算机存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489441A (zh) * | 2020-11-30 | 2021-03-12 | 高新兴智联科技有限公司 | 一种基于双基车牌识别的停车场出入方法及出入系统 |
CN112560856A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 车牌检测识别方法、装置、设备及存储介质 |
CN112560856B (zh) * | 2020-12-18 | 2024-04-12 | 深圳赛安特技术服务有限公司 | 车牌检测识别方法、装置、设备及存储介质 |
CN113611143A (zh) * | 2021-07-29 | 2021-11-05 | 同致电子科技(厦门)有限公司 | 一种新型记忆泊车系统及其建图系统 |
CN113611143B (zh) * | 2021-07-29 | 2022-10-18 | 同致电子科技(厦门)有限公司 | 一种记忆泊车系统及其建图系统 |
CN113873144A (zh) * | 2021-08-25 | 2021-12-31 | 浙江大华技术股份有限公司 | 图像抓拍方法、图像抓拍装置及计算机可读存储介质 |
CN113873144B (zh) * | 2021-08-25 | 2023-03-24 | 浙江大华技术股份有限公司 | 图像抓拍方法、图像抓拍装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111382722B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111382722B (zh) | 车牌图像优选方法、图像处理装置及具有存储功能的装置 | |
CN111145238B (zh) | 单目内窥镜图像的三维重建方法、装置及终端设备 | |
CN107577988B (zh) | 实现侧方车辆定位的方法、装置及存储介质、程序产品 | |
WO2022126377A1 (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
WO2022135588A1 (zh) | 图像校正方法、装置及系统、电子设备 | |
KR101524548B1 (ko) | 영상 정합 장치 및 방법 | |
KR101163042B1 (ko) | 차량 검출 장치 및 방법 | |
CN113409372B (zh) | 图像配准方法及相关装置、设备和存储介质 | |
WO2022078074A1 (zh) | 车辆与车道线的位置关系检测方法、系统和存储介质 | |
CN109544635B (zh) | 一种基于枚举试探的相机自动标定方法 | |
CN111444778A (zh) | 一种车道线检测方法 | |
CN113822942B (zh) | 一种基于二维码的单目摄像头测量物体尺寸的方法 | |
CN112172797B (zh) | 泊车控制方法、装置、设备和存储介质 | |
CN111582180B (zh) | 车牌定位方法、图像处理装置及具有存储功能的装置 | |
US20200193184A1 (en) | Image processing device and image processing method | |
CN109726684B (zh) | 一种地标元素获取方法和地标元素获取系统 | |
CN116168357A (zh) | 一种智能车的前景目标机器视觉提取系统及方法 | |
EP3373199A2 (en) | Object detector, object detection method, carrier means, and equipment control system | |
JP7293100B2 (ja) | カメラシステム | |
CN114037977B (zh) | 道路灭点的检测方法、装置、设备及存储介质 | |
US20230069608A1 (en) | Object Tracking Apparatus and Method | |
WO2022052853A1 (zh) | 目标跟踪方法、装置、设备及计算机可读存储介质 | |
CN111833384B (zh) | 一种可见光和红外图像快速配准方法及装置 | |
CN114663793A (zh) | 目标行为识别方法及装置、存储介质、终端 | |
CN111652143A (zh) | 一种车辆检测方法、装置以及计算机存储介质 |
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 |