CN111523544A - 车牌类型检测方法、系统、计算机设备及可读存储介质 - Google Patents
车牌类型检测方法、系统、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN111523544A CN111523544A CN202010328224.0A CN202010328224A CN111523544A CN 111523544 A CN111523544 A CN 111523544A CN 202010328224 A CN202010328224 A CN 202010328224A CN 111523544 A CN111523544 A CN 111523544A
- Authority
- CN
- China
- Prior art keywords
- license plate
- determining
- character
- type
- plate type
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000013145 classification model Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 208000006440 Open Bite Diseases 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 17
- 238000012550 audit Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 3
- 238000011109 contamination Methods 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06V20/60—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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Character Discrimination (AREA)
Abstract
本申请提供一种车牌类型检测方法、系统、计算机设备以及可读存储介质，该方法包括根据预定车辆部件确定感兴趣区域，对所述感兴趣区域进行车牌检测；若检测到车牌，则基于清晰度分类模型确定所述车牌的清晰度类别；若所述车牌属于第一清晰度类别，则基于字符识别网络模型分别对所述车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果，基于多个候选识别结果的置信度，确定所述车牌的车牌类型；该方法可以采用深度学习技术对非现场智能审核中的车牌进行识别，得到车牌的车牌类型，采用这一套智能化技术避免了人为干预，提高了获取的车牌分类结果的准确率。
Description
技术领域
本申请涉及图像识别技术领域，特别是涉及一种车牌类型检测方法、系统、计算机设备及可读存储介质。
背景技术
在非现场智能违法审核领域，需要对电子警察采集到的多张车辆图片进行违法审核。其中，部分用户为了逃避电子警察的判罚，故意对自己车牌进行特殊处理，如不按标准规定安装、故意遮挡、扣取以及故意混淆车牌字符的情况。
传统技术中采用人工分析车辆图片，确定车辆图片中车辆的车牌类型。但是，采用传统的方法会涉及到人为干预因素，导致获取的车牌分类结果的准确率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高获取的车牌分类结果的准确率的车牌类型检测方法、系统、计算机设备及可读存储介质。
本申请实施例提供一种车牌类型检测方法，所述方法包括：
S1000：根据预定车辆部件确定感兴趣区域；
S2000：对所述感兴趣区域进行车牌检测；若检测到车牌，则执行S3000；
S3000：基于清晰度分类模型确定所述车牌的清晰度类别；若所述车牌属于第一清晰度类别，则执行S4000；
S4000：基于字符识别网络模型分别对所述车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果；
S5000：基于多个候选识别结果的置信度，确定所述车牌的车牌类型。
在其中一个实施例中，所述车牌类型包括：故意混淆字符类型；
所述基于多个候选识别结果的置信度，确定所述车牌的车牌类型，包括：
根据所述多个候选识别结果的置信度，确定疑似故意混淆字符；
若在预设的故意混淆字符数据库中查找到所述疑似故意混淆字符，则确定所述车牌的车牌类型为所述故意混淆字符类型。
在其中一个实施例中，所述根据所述多个候选识别结果的置信度，确定疑似故意混淆字符，包括：
选取每个字符置信度较高的前两位候选识别结果；
计算前两位候选识别结果的置信度差值；
若所述置信度差值小于置信度阈值，则所述字符确定为所述疑似故意混淆字符。
在其中一个实施例中，所述车牌类型还包括：故意遮挡类型；
若所述车牌属于第二清晰度类别，则将所述车牌输入基于深度学习的车牌遮挡分类模型，并获取分类结果；其中，所述分类结果为未遮挡、故意遮挡或非故意遮挡；
若所述分类结果为故意遮挡，则将所述车牌的车牌类型确定为所述故意遮挡类型；
若所述分类结果为未遮挡，则执行S4000；
其中，第二清晰度类别的图像的清晰度高于第一清晰度类别的图像的清晰度。
在其中一个实施例中，所述车牌类型还包括：污损类型；若所述车牌属于第三清晰度类别，则确定所述车牌的车牌类型为所述污损类型；
其中，第三清晰度类别的图像的清晰度低于第一清晰度类别的图像的清晰度。
在其中一个实施例中，所述根据预定车辆部件确定感兴趣区域，包括：
获取待检车辆图片；
通过目标检测网络模型检测出所述待检车辆图片中的预定车辆部件的位置信息；
其中，所述预定车辆部件与所述车牌具有预定的相互位置关系；
根据所述预定车辆部件的位置信息和所述相互位置关系，确定出所述车牌可能所在的所述感兴趣区域。
在其中一个实施例中，所述车牌类型还包括：不按规定安装车牌类型；若未检测到所述车牌，则确定所述车牌的车牌类型为不按规定安装车牌类型。
本申请实施例提供一种车牌类型检测系统，所述车牌类型检测系统包括：
感兴趣区域确定模块，用于根据预定车辆部件确定感兴趣区域；
车牌检测模块，用于对所述感兴趣区域进行车牌检测；
清晰度类别确定模块，用于当所述车牌检测模块检测到车牌时，基于清晰度分类模型确定所述车牌的清晰度类别；
识别模块，用于当所述清晰度类别确定模块确定所述车牌属于第一清晰度类别时，基于字符识别网络模型分别对所述车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果；
车牌类型确定模块，用于基于多个候选识别结果的置信度，确定所述车牌的车牌类型。
本申请实施例提供一种计算机设备，包括存储器、处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
S1000：根据预定车辆部件确定感兴趣区域；
S2000：对所述感兴趣区域进行车牌检测；若检测到车牌，则执行S3000；
S3000：基于清晰度分类模型确定所述车牌的清晰度类别；若所述车牌属于第一清晰度类别，则执行S4000；
S4000：基于字符识别网络模型分别对所述车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果；
S5000：基于多个候选识别结果的置信度，确定所述车牌的车牌类型。
本申请实施例提供一种可读存储介质，其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以下步骤：
S1000：根据预定车辆部件确定感兴趣区域；
S2000：对所述感兴趣区域进行车牌检测；若检测到车牌，则执行S3000；
S3000：基于清晰度分类模型确定所述车牌的清晰度类别；若所述车牌属于第一清晰度类别，则执行S4000；
S4000：基于字符识别网络模型分别对所述车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果；
S5000：基于多个候选识别结果的置信度，确定所述车牌的车牌类型。
本实施例提供的车牌类型检测方法，该方法包括根据预定车辆部件确定感兴趣区域，对所述感兴趣区域进行车牌检测；若检测到车牌，则基于清晰度分类模型确定所述车牌的清晰度类别；若所述车牌属于第一清晰度类别，则基于字符识别网络模型分别对所述车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果，基于多个候选识别结果的置信度，确定所述车牌的车牌类型；该方法可以采用深度学习技术对非现场智能审核中的车牌进行识别，得到车牌的车牌类型，采用这一套智能化技术避免了人为干预，提高了获取的车牌分类结果的准确率。
附图说明
图1为一实施例提供的一种车牌类型检测方法的应用场景图；
图2为一实施例提供的一种车牌类型检测方法的流程示意图；
图3为一实施例提供的一种确定感兴趣区域的具体流程示意图；
图4为一实施例提供的一种车牌类型检测系统的结构示意图；
图5为一实施例提供的计算机设备的内部结构图。
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。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，都属于本申请保护的范围。
本申请提供的车牌类型检测方法可适用于车辆检测系统，如图1所示，该车辆检测系统可以包括：车辆、图片采集设备以及后台服务器。可选的，图片采集设备可以设置于车辆内上，还可以于车辆单独存在。在本实施例中，上述车辆可以为安装有车牌的任意类型的机动车或非机动车；上述图片采集设备可以为电子警察(也称电子眼)、照相机、摄像机等硬件设备。可选的，车辆、图片采集设备与后台服务器之间可以通过无线连接进行通信。可选的，无线连接的方式可以是Wi-Fi，移动网络或蓝牙连接。其中，图片采集设备可以采集包含车辆的待检车辆图片，然后将采集到的待检车辆图片发送至后台服务器，后台服务器可以对接收到的待检车辆图片进行一系列处理，识别待检车辆图片中故意混淆字符的车牌的车辆。本实施例中，实现车牌类型检测方法的执行主体可以为后台服务器，下述实施例中将介绍车牌类型检测方法的具体过程。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图2为一实施例提供的车牌类型检测方法的流程示意图。本实施例涉及的是如何检测故意混淆的车牌。如图2所示，该方法包括：
步骤S1000、根据预定车辆部件确定感兴趣区域。
具体的，上述预定车辆部件可以为车辆、车辆上安装的车灯以及车窗。可选的，后台服务器可以采用center网络模型，对待检车辆图片中的预定车辆部件进行车辆部件检测处理，得到待检车辆图片中的感兴趣区域。可选的，感兴趣区域可以为待检车辆图片中车牌可能安装的区域，上述待检车辆图片中的感兴趣区域可以包括车辆车牌所处的区域和车辆车牌所处的区域周围一定范围内的区域；也就是，待检车辆图片中车辆车牌可能所处的大致区域。在本实施例中，获取感兴趣区域可以缩小车牌检测的检测区域，提高检测效率。
需要说明的是，后台服务器可以将接收到的待检车辆图片转换为对应车辆数据进行车辆部件检测处理。可选的，车辆部件检测处理可以表征为对待检车辆图片中的每个预定车辆部件分别进行检测的过程。可选的，待检车辆图片和车辆数据是一一对应的关系。
步骤S2000、对所述感兴趣区域进行车牌检测；若检测到车牌，则执行步骤S3000。
具体的，后台服务器可以采用车牌检测网络模型，对车辆车牌可能所处的感兴趣区域进行车牌检测，得到车牌检测结果；该车牌检测结果可以包括检测到车牌和未检测到车牌两种结果。可选的，若后台服务器检测到感兴趣区域内有车牌时，可以继续执行步骤S3000。可选的，车牌上的信息可以为字符，字符可以包括中英文和数字。可选的，上述车牌检测可以表征为对感兴趣区域内的车牌上的所有信息进行检测的过程。
需要说明的是，上述车牌检测网络模型为对初始检测网络模型中的主干网络结构替换为残差网络(即resnet网络)后的网络模型。可选的，初始检测网络模型可以为ssd网络模型。
步骤S3000、基于清晰度分类模型确定所述车牌的清晰度类别；若所述车牌属于第一清晰度类别，则执行步骤S4000。
具体的，后台服务器可以将待检车辆图片输入至清晰度分类模型中，通过清晰度分类模型对待检车辆图片中的车牌进行清晰度分类，确定车牌的清晰度类别。可选的，待检车辆图片中可以包括多辆车。后台服务器可以采用清晰度分类模型对待检车辆图片中所有车牌进行清晰度分类，确定每个车牌对应的清晰度类别。可选的，车牌的清晰度类别也可以理解为待检车辆图片中车牌对应图片的清晰度类别。可选的，采用清晰度分类模型对待检车辆图片中的车牌进行清晰度分类，会得到一个清晰度，通过该清晰度可以确定车牌的清晰度类别。可选的，清晰度可以通过百分比表示，不同清晰度车牌对应的备份比的取值范围不同。
需要说明的是，清晰度分类模型可以为三分类网络模型，用于将车牌分成清晰度不同的三类信息，即三种清晰度类别。可选的，车牌的清晰度类别可以包括第一清晰度类别；其中，第一清晰度类别可以为模糊类别。若后台服务器确定车牌属于第一清晰度类别，则可以继续执行步骤S4000。
步骤S4000、基于字符识别网络模型分别对所述车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果。
具体的，后台服务器可以通过字符识别网络模型分别对车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果。在本实施例中，上述字符识别网络模型可以用于识别车牌中的字符的网络模型。可选的，字符识别网络模型对每个字符进行多次识别，得到多个识别结果，每个识别结果均有对应的置信度。可选的，对每个字符进行识别，得到的识别结果的数量可以大于1。
步骤S5000、基于多个候选识别结果的置信度，确定所述车牌的车牌类型。
具体的，后台服务器可以通过车牌中每个字符对应的多个候选识别结果的置信度，确定车牌的对应车牌类型。
进一步地，所述车牌类型还包括：不按规定安装车牌类型；在上述步骤S3000中基于清晰度分类模型确定所述车牌的清晰度类别的过程之前，所述方法还可以包括：
步骤S6000、若未检测到所述车牌，则确定所述车牌的车牌类型为不按规定安装车牌类型。
需要说明的是，上述不按规定安装车牌类型可以表征没有将车牌安装在车辆规定的车牌安装区域内的车牌类型。可选的，后台服务器可以对车辆车牌可能所处的感兴趣区域进行车牌检测，若未检测到车牌时，表征车牌没有安装在车辆规定的车牌安装区域内，此时，确定车牌的车牌类型为不按规定安装车牌类型。
本实施例提供的车牌类型检测方法，该方法包括根据预定车辆部件确定感兴趣区域，对所述感兴趣区域进行车牌检测；若检测到车牌，则基于清晰度分类模型确定所述车牌的清晰度类别；若所述车牌属于第一清晰度类别，则基于字符识别网络模型分别对所述车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果，基于多个候选识别结果的置信度，确定所述车牌的车牌类型；该方法可以采用深度学习技术对非现场智能审核中的车牌进行识别，得到车牌的车牌类型，采用这一套智能化技术避免了人为干预，提高了获取到的车牌分类结果的准确率，从而提高确定车牌经过特殊处理的车辆的准确率；同时，采用上述智能化技术实现车牌分析过程可以缩短分析时间，减少实现该套技术的人力成本和经济成本。
作为其中一个实施例，所述车牌类型包括：故意混淆字符类型；上述步骤S5000中基于多个候选识别结果的置信度，确定所述车牌的车牌类型的过程，可以通过以下步骤实现：
步骤S5100、根据所述多个候选识别结果的置信度，确定疑似故意混淆字符。
具体的，后台服务器可以通过车牌中每个字符对应的多个候选识别结果的置信度进行算术运算，并根据算术运算的结果确定车牌中每个字符为疑似故意混淆字符。可选的，算术运算可以为四则运算，还可以为包含四则运算的组合运算。
进一步地，上述步骤S5100中根据所述多个候选识别结果的置信度，确定疑似故意混淆字符的过程，具体可以包括：
步骤S5110、选取每个字符置信度较高的前两位候选识别结果。
需要说明的是，后台服务器可以从每个字符对应的所有候选识别结果的置信度中，选取置信度较高的前两位候选识别结果。可选的，对每个字符进行识别，得到的识别结果的数量可以大于1。但在本实施例中，仅可以将两个识别结果作为车牌字符识别结果。
步骤S5120、计算前两位候选识别结果的置信度差值。
在本实施例中，后台服务器可以对前两位候选识别结果的置信度进行减法运算，得到前两位候选识别结果的置信度差值。
步骤S5130、若所述置信度差值小于置信度阈值，则所述字符确定为所述疑似故意混淆字符。
进一步地，若后台服务器判定置信度差值小于置信度阈值时，确定车牌中的字符为疑似故意混淆字符。可选的，置信度阈值可以通过人为经验设定的阈值。可选的，疑似故意混淆字符可以为故意混淆字符，还可以为非故意混淆字符。
步骤S5200、若在预设的故意混淆字符数据库中查找到所述疑似故意混淆字符，则确定所述车牌的车牌类型为所述故意混淆字符类型。
在本实施例中，故意混淆字符数据库可以包含常见的疑似混淆字符。其中，若后台服务器在故意混淆字符数据库中可以查找到疑似故意混淆字符，则可以确定待检车辆图片中的车辆车牌类型为故意混淆字符类型。可选的，故意混淆字符类型的车牌可以理解为篡改相似字体的车牌，该篡改相似字体的车牌可以表征车主故意篡改车牌号中相似字体的车牌(例如，相似字体可以为E和F，Q和O等等)。
需要说明的是，本实施例在执行完步骤S5200后，后台服务器可以将故意混淆字符的车牌字符存放至故意混淆字符数据库中，同时，不经常混淆的车牌字符也可以通过多次试验确定后，将其存放至故意混淆字符数据库，以丰富混淆字符数据库，供后续处理使用。
本实施例提供的车牌类型检测方法，该方法可以基于多个候选识别结果的置信度，确定车牌的车牌类型为故意混淆字符类型；该方法可以采用深度学习技术对非现场智能审核中的车牌进行识别，得到故意混淆的车牌，采用这一套智能化技术避免了人为干预，提高了分析故意混淆车牌的结果的准确率，从而提高确定车牌经过特殊处理的车辆的准确率。
作为其中一个实施例，所述车牌类型还包括：故意遮挡类型；上述步骤S4000之前，所述方法还可以包括以下步骤：
步骤S3100、若所述车牌属于第二清晰度类别，则将所述车牌输入基于深度学习的车牌遮挡分类模型，并获取分类结果；其中，所述分类结果为未遮挡、故意遮挡或非故意遮挡，第二清晰度类别的图像的清晰度高于第一清晰度类别的图像的清晰度。
具体的，车牌类型还可以包括第二清晰度类别，第二清晰度类别可以包括非常清晰类别和清晰类别。可选的，后台服务器通过清晰度分类模型对待检车辆图片中的车牌进行清晰度分类，确定每个车牌对应的清晰度类别，若确定清晰度类别为第二清晰度类别时，将待检车辆图片输入至基于深度学习的车牌遮挡分类模型，车牌遮挡分类模型对待检车辆图片中的车牌进行遮挡分类处理，获取分类结果。可选的，车牌遮挡分类模型可以为三分类网络模型，通过三分类网络模型可以确定车牌为未遮挡、故意遮挡或非故意遮挡车牌。在本实施例中，第二清晰度类别的图像的清晰度可以高于第一清晰度类别的图像的清晰度。
步骤S3200、若所述分类结果为故意遮挡，则将所述车牌的车牌类型确定为所述故意遮挡类型。
具体的，若后台服务器判定分类结果为故意遮挡，此时，可以将待检车辆图片中对应车牌的车牌类型确定为故意遮挡类型。可选的，故意遮挡类型的车牌可以表征为车主故意用胶带、吸铁石或者涂漆遮挡车牌字符中全部字符或部分字符的车牌。
步骤S3300、若所述分类结果为未遮挡，则继续执行步骤S4000。
具体的，若后台服务器判定分类结果为未遮挡，此时，可以继续执行上述步骤S4000的过程。
进一步地，所述车牌类型还包括：污损类型；上述步骤S4000之前，所述方法还可以包括以下步骤：
步骤S3400、若所述车牌属于第三清晰度类别，则确定所述车牌的车牌类型为所述污损类型。其中，第三清晰度类别的图像的清晰度低于第一清晰度类别的图像的清晰度。
具体的，车牌类型还可以包括第三清晰度类别，第三清晰度类别可以包括非常模糊类别和肉眼不可见类别。可选的，后台服务器通过清晰度分类模型对待检车辆图片中的车牌进行清晰度分类，确定每个车牌对应的清晰度类别，若确定清晰度类别为第三清晰度类别时，确定待检车辆图片中对应车牌的车牌类型为污损类型。在本实施例中，第三清晰度类别的图像的清晰度可以低于第一清晰度类别的图像的清晰度。可选的，上述污损类型的车牌可以理解为抠取或掉漆的车牌，可以表征为车主故意抠取车辆车牌字符中的全部字符或者部分字符的车牌，或者车辆车牌字符自然状态下掉漆的车牌。
在本实施例中，上述步骤S3400与步骤S3100～步骤S3300之间的执行顺序可以相互调换，对此执行顺序本实施例不做任何限定。
本实施例提供的车牌类型检测方法，该方法可以采用深度学习技术对非现场智能审核中的车牌进行识别，得到车牌的车牌类型，采用这一套智能化技术避免了人为干预，提高了获取到的车牌分类结果的准确率，从而提高确定车牌经过特殊处理的车辆的准确率；同时，采用上述智能化技术实现车牌分析过程可以缩短分析时间，减少实现该套技术的人力成本和经济成本。
图3为一实施例提供的确定感兴趣区域的具体流程示意图。如图3所示，上述步骤S1000中根据预定车辆部件确定感兴趣区域的过程，具体可以包括以下步骤：
步骤S1100、获取待检车辆图片。
具体的，后台服务器可以接收图片采集设备采集到的一张或多张待检车辆图片。可选的，车辆检测系统中的图片采集设备可以采集包含车辆的待检车辆图片。可选的，该待检车辆图片中至少可以包括一辆安装有车牌或安装挂车牌的车。可选的，待检车辆图片可以包含车辆的前端和/或车辆的后端。
步骤S1200、通过目标检测网络模型检测出所述待检车辆图片中的预定车辆部件的位置信息。其中，所述预定车辆部件与所述车牌具有预定的相互位置关系。
需要说明的是，上述目标检测网络模型可以为一个三类检测网络模型，主要检测车辆图片中车辆、车灯和车窗三种部件的位置；该目标检测网络模型可以为center网络模型。可选的，待检车辆图片可以包括车辆本身、车窗以及车灯三种部件。可选的，后台服务器可以通过center网络模型，对待检车辆图片中的车辆、车灯以及车窗三种部件分别进行检测处理，分别得到车辆图片中的车辆位置信息、车灯位置信息以及车窗位置信息。可选的，车灯可以包括车辆的左侧车灯和/或右侧车灯；车窗可以包括车辆左侧车窗和/或车辆右侧车窗和/或车辆前侧车窗和/或车辆后侧车窗。可选的，车辆、车灯、车窗与车牌可以有预定的相互位置关系；针对不同型号的车辆，由于车辆、车灯、车窗的尺寸和大小都不同，相应的，这种相互位置关系也不同。
步骤S1300、根据所述预定车辆部件的位置信息和所述相互位置关系，确定出所述车牌可能所在的所述感兴趣区域。
具体的，后台服务器可以根据检测到的预定车辆部件的位置信息，以及预定车辆部件与车牌之间预定的相互位置关系，确定出车辆车牌可能所在的感兴趣区域。预定车辆部件与车牌之间预定的相互位置关系通常可以为，车灯所处的区域为车窗的下方，车牌所处的区域为车灯的下方。
本实施例提供的车牌类型检测方法，该方法可以获取车辆车牌可能所在的感兴趣区域，进而缩小车辆车牌检测区域，提高车牌检测的效率，缩短分析时间，减少实现该套技术的人力成本和经济成本。
应该理解的是，虽然图2～图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2～图3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
关于车牌类型检测系统的具体限定可以参见上文中对于车牌类型检测方法的限定，在此不再赘述。上述计算机设备的车牌类型检测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图4为一实施例提供的车牌类型检测系统的结构示意图。如图4所示，该系统可以包括：感兴趣区域确定模块11、车牌检测模块12、清晰度类别确定模块13、识别模块14以及车牌类型确定模块15。
具体的，所述感兴趣区域确定模块11，用于根据预定车辆部件确定感兴趣区域；
所述车牌检测模块12，用于对所述感兴趣区域进行车牌检测；
所述清晰度类别确定模块13，用于当所述车牌检测模块检测到车牌时，基于清晰度分类模型确定所述车牌的清晰度类别；
所述识别模块14，用于当所述清晰度类别确定模块确定所述车牌属于第一清晰度类别时，基于字符识别网络模型分别对所述车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果；
所述第一类型确定模块15，用于基于多个候选识别结果的置信度，确定所述车牌的车牌类型。
本实施例提供的车牌类型检测系统，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述车牌类型包括：故意混淆字符类型；所述第一类型确定模块15包括：疑似故意混淆字符确定单元和故意混淆字符类型确定单元。
其中，所述疑似故意混淆字符确定单元，用于根据所述多个候选识别结果的置信度，确定疑似故意混淆字符；
所述故意混淆字符类型确定单元，用于若在预设的故意混淆字符数据库中查找到所述疑似故意混淆字符，则确定所述车牌的车牌类型为所述故意混淆字符类型。
本实施例提供的车牌类型检测系统，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述疑似故意混淆字符确定单元包括：选取子单元、计算子单元以及疑似故意混淆字符确定子单元。
具体的，所述选取子单元，用于选取每个字符置信度较高的前两位候选识别结果；
所述计算子单元，用于计算前两位候选识别结果的置信度差值；
所述疑似故意混淆字符确定子单元，用于若所述置信度差值小于置信度阈值，则所述字符确定为所述疑似故意混淆字符。
本实施例提供的车牌类型检测系统，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述车牌类型还包括：故意遮挡类型；所述识别模块14包括：分类单元、故意遮挡类型确定单元以及处理单元。
具体的，所述分类单元，用于当所述车牌属于第二清晰度类别时，将所述车牌输入基于深度学习的车牌遮挡分类模型，并获取分类结果；其中，所述分类结果为未遮挡、故意遮挡或非故意遮挡；
所述故意遮挡类型确定单元，用于当所述分类结果为故意遮挡时，将所述车牌的车牌类型确定为所述故意遮挡类型；
所述处理单元，用于当所述分类结果为未遮挡时，继续执行所述基于字符识别网络模型分别对所述车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果；
其中，第二清晰度类别的图像的清晰度高于第一清晰度类别的图像的清晰度。
本实施例提供的车牌类型检测系统，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述车牌类型还包括：污损类型；所述识别模块14还包括：污损类型确定单元。
具体的，所述污损类型确定单元，用于当所述车牌属于第三清晰度类别时，确定所述车牌的车牌类型为所述污损类型；其中，第三清晰度类别的图像的清晰度低于第一清晰度类别的图像的清晰度。
本实施例提供的车牌类型检测系统，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述感兴趣区域确定模块11包括：车辆图片获取单元、检测单元以及感兴趣区域确定单元。
具体的，所述车辆图片获取单元，用于获取待检车辆图片；
所述检测单元，用于通过目标检测网络模型检测出所述待检车辆图片中的预定车辆部件的位置信息；其中，所述预定车辆部件与所述车牌具有预定的相互位置关系；
所述感兴趣区域确定单元，用于根据所述预定车辆部件的位置信息和所述相互位置关系，确定出所述车牌可能所在的所述感兴趣区域。
本实施例提供的车牌类型检测系统，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述车牌类型还包括：不按规定安装车牌类型；所述车牌类型检测系统还包括：第二类型确定模块。
具体的，所述第二类型确定模块，用于当未检测到所述车牌时，确定所述车牌的车牌类型为不按规定安装车牌类型。
本实施例提供的车牌类型检测系统，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入系统。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种车牌类型检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入系统可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
S1000：根据预定车辆部件确定感兴趣区域；
S2000：对所述感兴趣区域进行车牌检测；若检测到车牌，则执行S3000；
S3000：基于清晰度分类模型确定所述车牌的清晰度类别；若所述车牌属于第一清晰度类别，则执行S4000；
S4000：基于字符识别网络模型分别对所述车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果；
S5000：基于多个候选识别结果的置信度，确定所述车牌的车牌类型。
在一个实施例中，提供了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
S1000：根据预定车辆部件确定感兴趣区域；
S2000：对所述感兴趣区域进行车牌检测；若检测到车牌，则执行S3000；
S3000：基于清晰度分类模型确定所述车牌的清晰度类别；若所述车牌属于第一清晰度类别，则执行S4000；
S4000：基于字符识别网络模型分别对所述车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果；
S5000：基于多个候选识别结果的置信度，确定所述车牌的车牌类型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车牌类型检测方法，其特征在于，所述方法包括：
S1000：根据预定车辆部件确定感兴趣区域；
S2000：对所述感兴趣区域进行车牌检测；若检测到车牌，则执行S3000；
S3000：基于清晰度分类模型确定所述车牌的清晰度类别；若所述车牌属于第一清晰度类别，则执行S4000；
S4000：基于字符识别网络模型分别对所述车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果；
S5000：基于多个候选识别结果的置信度，确定所述车牌的车牌类型。
2.根据权利要求1所述的方法，其特征在于，所述车牌类型包括：故意混淆字符类型；
所述基于多个候选识别结果的置信度，确定所述车牌的车牌类型，包括：
根据所述多个候选识别结果的置信度，确定疑似故意混淆字符；
若在预设的故意混淆字符数据库中查找到所述疑似故意混淆字符，则确定所述车牌的车牌类型为所述故意混淆字符类型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述多个候选识别结果的置信度，确定疑似故意混淆字符，包括：
选取每个字符置信度较高的前两位候选识别结果；
计算前两位候选识别结果的置信度差值；
若所述置信度差值小于置信度阈值，则所述字符确定为所述疑似故意混淆字符。
4.根据权利要求1所述的方法，其特征在于，所述车牌类型还包括：故意遮挡类型；
若所述车牌属于第二清晰度类别，则将所述车牌输入基于深度学习的车牌遮挡分类模型，并获取分类结果；其中，所述分类结果为未遮挡、故意遮挡或非故意遮挡；
若所述分类结果为故意遮挡，则将所述车牌的车牌类型确定为所述故意遮挡类型；
若所述分类结果为未遮挡，则执行S4000；
其中，第二清晰度类别的图像的清晰度高于第一清晰度类别的图像的清晰度。
5.根据权利要求4所述的方法，其特征在于，所述车牌类型还包括：污损类型；若所述车牌属于第三清晰度类别，则确定所述车牌的车牌类型为所述污损类型；
其中，第三清晰度类别的图像的清晰度低于第一清晰度类别的图像的清晰度。
6.根据权利要求1所述的方法，其特征在于，所述根据预定车辆部件确定感兴趣区域，包括：
获取待检车辆图片；
通过目标检测网络模型检测出所述待检车辆图片中的预定车辆部件的位置信息；
其中，所述预定车辆部件与所述车牌具有预定的相互位置关系；
根据所述预定车辆部件的位置信息和所述相互位置关系，确定出所述车牌可能所在的所述感兴趣区域。
7.根据权利要求1所述的方法，其特征在于，所述车牌类型还包括：不按规定安装车牌类型；若未检测到所述车牌，则确定所述车牌的车牌类型为不按规定安装车牌类型。
8.一种车牌类型检测系统，其特征在于，所述系统包括：
感兴趣区域确定模块，用于根据预定车辆部件确定感兴趣区域；
车牌检测模块，用于对所述感兴趣区域进行车牌检测；
清晰度类别确定模块，用于当所述车牌检测模块检测到车牌时，基于清晰度分类模型确定所述车牌的清晰度类别；
识别模块，用于当所述清晰度类别确定模块确定所述车牌属于第一清晰度类别时，基于字符识别网络模型分别对所述车牌上的每个字符进行识别，得到每个字符的多个具有置信度的候选识别结果；
车牌类型确定模块，用于基于多个候选识别结果的置信度，确定所述车牌的车牌类型。
9.一种计算机设备，包括存储器、处理器，所述存储器上存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010328224.0A CN111523544A (zh) | 2020-04-23 | 2020-04-23 | 车牌类型检测方法、系统、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010328224.0A CN111523544A (zh) | 2020-04-23 | 2020-04-23 | 车牌类型检测方法、系统、计算机设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111523544A true CN111523544A (zh) | 2020-08-11 |
Family
ID=71904451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010328224.0A Pending CN111523544A (zh) | 2020-04-23 | 2020-04-23 | 车牌类型检测方法、系统、计算机设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111523544A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686252A (zh) * | 2020-12-28 | 2021-04-20 | 中国联合网络通信集团有限公司 | 一种车牌检测方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927880A (zh) * | 2014-04-28 | 2014-07-16 | 浙江宇视科技有限公司 | 一种车牌识别比对方法及装置 |
| US20180121744A1 (en) * | 2016-10-31 | 2018-05-03 | Electronics And Telecommunications Research Institute | System and method for recognizing vehicle license plate information |
| CN108073923A (zh) * | 2016-11-09 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种车牌校正方法及装置 |
| CN109002820A (zh) * | 2018-06-27 | 2018-12-14 | 迪蒙智慧交通（深圳）有限公司 | 一种车牌识别方法、装置及相关设备 |
| WO2019175686A1 (en) * | 2018-03-12 | 2019-09-19 | Ratti Jayant | On-demand artificial intelligence and roadway stewardship system |
| CN110807491A (zh) * | 2019-11-05 | 2020-02-18 | 上海眼控科技股份有限公司 | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 |
| CN110909742A (zh) * | 2019-11-19 | 2020-03-24 | 上海眼控科技股份有限公司 | 车牌检测方法、系统、平台和存储介质 |
| CN110909692A (zh) * | 2019-11-27 | 2020-03-24 | 北京格灵深瞳信息技术有限公司 | 异常车牌识别方法、装置及计算机存储介质、电子设备 |
-
2020
- 2020-04-23 CN CN202010328224.0A patent/CN111523544A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927880A (zh) * | 2014-04-28 | 2014-07-16 | 浙江宇视科技有限公司 | 一种车牌识别比对方法及装置 |
| US20180121744A1 (en) * | 2016-10-31 | 2018-05-03 | Electronics And Telecommunications Research Institute | System and method for recognizing vehicle license plate information |
| CN108073923A (zh) * | 2016-11-09 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种车牌校正方法及装置 |
| WO2019175686A1 (en) * | 2018-03-12 | 2019-09-19 | Ratti Jayant | On-demand artificial intelligence and roadway stewardship system |
| CN109002820A (zh) * | 2018-06-27 | 2018-12-14 | 迪蒙智慧交通（深圳）有限公司 | 一种车牌识别方法、装置及相关设备 |
| CN110807491A (zh) * | 2019-11-05 | 2020-02-18 | 上海眼控科技股份有限公司 | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 |
| CN110909742A (zh) * | 2019-11-19 | 2020-03-24 | 上海眼控科技股份有限公司 | 车牌检测方法、系统、平台和存储介质 |
| CN110909692A (zh) * | 2019-11-27 | 2020-03-24 | 北京格灵深瞳信息技术有限公司 | 异常车牌识别方法、装置及计算机存储介质、电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| AILI WANG 等: "License plate location algorithm based on edge detection and morphology", IEEE, pages 1 - 4 * |
| 付城祥;仇润鹤;: "一种基于YOLOv3算法的车牌识别系统", 科技与创新, no. 03, pages 48 - 50 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686252A (zh) * | 2020-12-28 | 2021-04-20 | 中国联合网络通信集团有限公司 | 一种车牌检测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107798299B (zh) | 票据信息识别方法、电子装置及可读存储介质 | |
| CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
| US10410292B2 (en) | Method, system, apparatus, and storage medium for realizing antifraud in insurance claim based on consistency of multiple images | |
| US10467743B1 (en) | Image processing method, terminal and storage medium | |
| CN108009543A (zh) | 一种车牌识别方法及装置 | |
| CN111078908A (zh) | 一种数据标注的检测方法和装置 | |
| JP2021508135A (ja) | 検査結論を決定するための取り込まれた画像の解析 | |
| CN110175609B (zh) | 界面元素检测方法、装置及设备 | |
| CN109740040B (zh) | 验证码识别方法、装置、存储介质和计算机设备 | |
| US11657644B2 (en) | Automatic ruler detection | |
| CN111222507B (zh) | 数字式仪表读数的自动识别方法、计算机可读存储介质 | |
| CN112149570B (zh) | 多人活体检测方法、装置、电子设备及存储介质 | |
| CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
| CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
| CN111950546B (zh) | 一种车牌识别方法、装置、计算机设备和存储介质 | |
| CN111368682A (zh) | 一种基于faster RCNN台标检测与识别的方法及系统 | |
| CN110674811A (zh) | 图像识别的方法及装置 | |
| CN113255516A (zh) | 活体检测方法、装置和电子设备 | |
| CN111259971A (zh) | 车辆信息检测方法、装置、计算机设备及可读存储介质 | |
| CN111369492B (zh) | 一种显示屏的检测方法及检测装置、检测系统 | |
| CN110728680A (zh) | 行车记录仪检测方法、装置、计算机设备和存储介质 | |
| CN110781887A (zh) | 车牌螺丝检测方法、装置和计算机设备 | |
| CN111523544A (zh) | 车牌类型检测方法、系统、计算机设备及可读存储介质 | |
| CN113902740A (zh) | 图像模糊程度评价模型的构建方法 | |
| CN111213156B (zh) | 字符识别锐度确定 |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240920 |