CN111639645A - 一种车牌号识别方法 - Google Patents

一种车牌号识别方法 Download PDF

Info

Publication number
CN111639645A
CN111639645A CN202010496743.8A CN202010496743A CN111639645A CN 111639645 A CN111639645 A CN 111639645A CN 202010496743 A CN202010496743 A CN 202010496743A CN 111639645 A CN111639645 A CN 111639645A
Authority
CN
China
Prior art keywords
license plate
plate image
image
vehicle
plate number
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
Application number
CN202010496743.8A
Other languages
English (en)
Inventor
齐明
肖鹏
王珏
侯胜龙
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.)
Beijing Shouqi Zhixing Technology Co Ltd
Original Assignee
Beijing Shouqi Zhixing Technology 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 Beijing Shouqi Zhixing Technology Co Ltd filed Critical Beijing Shouqi Zhixing Technology Co Ltd
Priority to CN202010496743.8A priority Critical patent/CN111639645A/zh
Publication of CN111639645A publication Critical patent/CN111639645A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开的车牌号识别方法，涉及图像识别技术领域，利用openCV计算机视觉库，对车牌图像做灰度化处理，对车牌图像做高斯滤波处理并基于设定的阈值，对车牌图像进行二值化处理，形成单色的车牌图像，获取当前订单对应的车牌号并根据该车牌号的位数，对车牌图像进行切割，对切割后的车牌图像进行归一化处理并将归一化后的车牌图像输入训练过的人工神经网络模型，生成符合规定的车牌图像中并获取车牌图像中的车牌号，能够通过车牌位置确认车辆头部及尾部的图片拍照范围，得到符合规范的车牌图像、车辆头部的图像及车辆尾部的图像，判断用户上传的图像是否是其本次使用的车辆的图像并记录车辆头部及尾部的即时损伤情况，提高了车辆定损的准确率，可扩展性较强。

Description

一种车牌号识别方法
技术领域
本发明涉及图像识别技术领域，具体涉及一种车牌号识别方法。
背景技术
目前分时租赁逐渐向轻资产多方合作的方向发展，由于合作加盟商的多元化，车辆资产在分时整租等使用场景的安全检查和自动化运营方面需要特别关注。由于用户群比较复杂，有些用户在还车时，没有按照规范拍摄车牌图像，导致车牌号位置未被圈定或圈定不完整，有些用户在还车时拍照的车牌图像不是其本次使用的车辆，所以说，在用户用车后如何确认用户上传的车牌图像是否是其本次使用的车辆以准确对车辆定损，一直是无人值守车辆租赁业务用车行业待解决的问题。
目前采用的技术方案包括：
(1)通过用户上传车辆的车头照片，由于没有实时识别车头照片，导致无法准确确定车损；
(2)通过照片中固定角度圈定车牌的指定范围，通过光学字符识别OCR方式识别范围内图像中车牌文字与订单车辆牌照比较，可以实现规范拍照功能，但仅支持单一车牌识别，无法支持灵活定制化的需求变动，可扩展不强。
发明内容
为解决现有技术的不足，本发明实施例提供了一种车牌号识别方法，该方法包括以下步骤：
获取根据预先设定的角度拍摄的RGB格式的车牌图像，其中，所述车牌图像包括车辆头部车牌图像及车辆尾部车牌图像；
通过openCV计算机视觉库，对所述车牌图像做灰度化处理，将所述车牌图像转换为色值为255单通道的车牌图像；
对所述车牌图像做高斯滤波处理并基于设定的阈值，对所述车牌图像进行二值化处理，形成单色的车牌图像；
获取当前订单对应的车牌号并根据所述车牌号的位数，对所述车牌图像进行切割；
对切割后的车牌图像进行归一化处理并将归一化后的车牌图像输入训练过的人工神经网络模型，生成符合规定的车牌图像中并获取所述车牌图像中的车牌号。
优选地，对所述车牌图像进行切割包括：
将所述车牌图像切割为与数量与所述位数一致的多个图像。
优选地，在获取所述车牌图像中的车牌号之后，所述方法还包括：
判断所述车牌号与从当前订单中的车牌号是否一致，若一致，则保存所述车牌图像。
优选地，所述人工神经网络模型的生成过程包括：
将信用分大于设定阈值的用户上传的符合规定的车牌图像作为正样本训练数据输入人工神经网络模型，将信用分小于设定阈值的用户上传的不符合规定的车牌图像作为负样本训练数据输入人工神经网络模型。
优选地，所述符合规定的车牌图像为按照设定角度的拍摄的、车牌位置被完整圈定的车牌图像。
优选地，所述车牌图像的色彩位数为16位。
本发明实施例提供的车牌号识别方法，具有以下有益效果：
(1)利用openCV计算机视觉库对用户上传的车牌图像进行处理并利用训练过的人工神经网络模型识别该车牌图像，得到符合规范的车辆头部的车牌图像及车辆尾部的车牌图像，通过车牌位置确认车辆头部及尾部的拍照范围，得到符合规范的车辆头部的车牌图像及车辆尾部的车牌图像，判断用户上传的车牌图像是否是本次使用车辆并记录车辆头部及尾部的即时损伤情况，在光线正常的环境对于车牌图像中的车牌号的识别率可达到95％，能够准确地对车辆定损；
(2)利用人工神经网络模型，不仅能够识别车牌图像，还可以识别车辆尾图像、车辆头部图像，进一步对车辆定损，可扩展性较强。
具体实施方式
以下结合具体实施例对本发明作具体的介绍。
本发明实施例提供的车牌号识别方法包括以下步骤：
S101，获取根据预先设定的角度拍摄的RGB格式的车牌图像，其中，所述车牌图像包括车辆头部车牌图像及车辆尾部车牌图像。
特别地，针对不同车型的车辆，拍摄角度也不相同。
S102，通过openCV计算机视觉库，对车牌图像做灰度化处理，将车牌图像转换为色值为255单通道的车牌图像。
S103，对车牌图像做高斯滤波处理并基于设定的阈值，对车牌图像进行二值化处理，形成单色的车牌图像。
S104，获取当前订单对应的车牌号并根据该车牌号的位数，对该车牌图像进行切割。
S105，对切割后的车牌图像进行归一化处理并将归一化后的车牌图像输入训练过的人工神经网络模型，生成符合规定的车牌图像中并获取车牌图像中的车牌号。
可选地，对该车牌图像进行切割包括：
将车牌图像切割为与数量与该位数一致的多个图像。
作为一个具体的实施例，当车牌号的位数为8位时，将对应车牌图像分割为8块图像，其中，8块图像均携带一位车牌号。
可选地，在获取车牌图像中的车牌号之后，该方法还包括：
判断车牌号与从当前订单中的车牌号是否一致，若一致，则保存车牌图像。
可选地，人工神经网络模型的生成过程包括：
将信用分大于设定阈值的用户上传的符合规定的车牌图像作为正样本训练数据输入人工神经网络模型，将信用分小于设定阈值的用户上传的不符合规定的车牌图像作为负样本训练数据输入人工神经网络模型。
作为一个具体的实施例，当信用分满分为100时，将信用分大于80的用户上传的符合规定的车牌图像作为正样本训练数据输入人工神经网络模型，将信用分小于60的用户上传的不符合规定的车牌图像作为负样本训练数据输入人工神经网络模型。
可选地，符合规定的车牌图像为按照设定角度的拍摄的车牌位置被完整圈定的车牌图像。
可选地，车牌图像的色彩位数为16位。
本发明实施例提供的车牌号识别方法，通过获取根据预先设定的角度拍摄的RGB格式的车牌图像，通过openCV计算机视觉库，对车牌图像做灰度化处理，将车牌图像转换为色值为255单通道的车牌图像，对车牌图像做高斯滤波处理并基于设定的阈值，对车牌图像进行二值化处理，形成单色的车牌图像，获取当前订单对应的车牌号并根据该车牌号的位数，对车牌图像进行切割，对切割后的车牌图像进行归一化处理并将归一化后的车牌图像输入训练过的人工神经网络模型，生成符合规定的车牌图像中并获取车牌图像中的车牌号，能够通过车牌位置确认车辆头部及尾部的图片拍照范围，得到符合规范的车牌图像、车辆头部的图像及车辆尾部的图像，判断用户上传的图像是否是其本次使用的车辆的图像并记录车辆头部及尾部的即时损伤情况，提高了车辆定损的准确率，可扩展性较强。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。

Claims (6)

1.一种车牌号识别方法，其特征在于，包括：
获取根据预先设定的角度拍摄的RGB格式的车牌图像，其中，所述车牌图像包括车辆头部车牌图像及车辆尾部车牌图像；
通过openCV计算机视觉库，对所述车牌图像做灰度化处理，将所述车牌图像转换为色值为255单通道的车牌图像；
对所述车牌图像做高斯滤波处理并基于设定的阈值，对所述车牌图像进行二值化处理，形成单色的车牌图像；
获取当前订单对应的车牌号并根据所述车牌号的位数，对所述车牌图像进行切割；
对切割后的车牌图像进行归一化处理并将归一化后的车牌图像输入训练过的人工神经网络模型，生成符合规定的车牌图像中并获取所述车牌图像中的车牌号。
2.根据权利要求1所述的车牌号识别方法，其特征在于，对所述车牌图像进行切割包括：
将所述车牌图像切割为与数量与所述位数一致的多个图像。
3.根据权利要求1所述的车牌号识别方法，其特征在于，在获取所述车牌图像中的车牌号之后，所述方法还包括：
判断所述车牌号与从当前订单中的车牌号是否一致，若一致，则保存所述车牌图像。
4.根据权利要求1所述的车牌号识别方法，其特征在于，所述人工神经网络模型的生成过程包括：
将信用分大于设定阈值的用户上传的符合规定的车牌图像作为正样本训练数据输入人工神经网络模型，将信用分小于设定阈值的用户上传的不符合规定的车牌图像作为负样本训练数据输入人工神经网络模型。
5.根据权利要求1所述的车牌号识别方法，其特征在于，所述符合规定的车牌图像为按照设定角度的拍摄的、车牌位置被完整圈定的车牌图像。
6.根据权利要求1所述的车牌号识别方法，其特征在于，所述车牌图像的色彩位数为16位。
CN202010496743.8A 2020-06-03 2020-06-03 一种车牌号识别方法 Pending CN111639645A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010496743.8A CN111639645A (zh) 2020-06-03 2020-06-03 一种车牌号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010496743.8A CN111639645A (zh) 2020-06-03 2020-06-03 一种车牌号识别方法

Publications (1)

Publication Number Publication Date
CN111639645A true CN111639645A (zh) 2020-09-08

Family

ID=72330607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010496743.8A Pending CN111639645A (zh) 2020-06-03 2020-06-03 一种车牌号识别方法

Country Status (1)

Country Link
CN (1) CN111639645A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110296405A1 (en) * 2010-05-28 2011-12-01 Ricoh Company, Ltd. Information processing device
CN106297040A (zh) * 2016-08-19 2017-01-04 北京壹租科技有限公司 一种自助还车方法及系统
TWI603271B (zh) * 2016-10-20 2017-10-21 元智大學 自動化電動機車識別與車體瑕疵檢測之方法及其系統
US9953412B1 (en) * 2016-10-21 2018-04-24 International Business Machines Corporation System and methodology to prevent false claims to delivered or rented goods
CN108335178A (zh) * 2018-03-20 2018-07-27 安徽智行新能源科技有限公司 一种基于互联网信息系统的新能源车辆运营管理方法
US20180374365A1 (en) * 2017-06-27 2018-12-27 American Traffic Solutions, Inc. Vehicle location tracking systems and methods
CN110047313A (zh) * 2019-02-27 2019-07-23 山东开创云软件有限公司 一种共享汽车的还车方法及装置
CN110110704A (zh) * 2019-05-21 2019-08-09 北京首汽智行科技有限公司 一种车辆卫生监控方法及系统
CN110378317A (zh) * 2019-07-29 2019-10-25 广东泓胜科技股份有限公司 一种车牌识别方法及装置
CN111027535A (zh) * 2018-10-09 2020-04-17 中控智慧科技股份有限公司 一种车牌识别方法及相关设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110296405A1 (en) * 2010-05-28 2011-12-01 Ricoh Company, Ltd. Information processing device
CN106297040A (zh) * 2016-08-19 2017-01-04 北京壹租科技有限公司 一种自助还车方法及系统
TWI603271B (zh) * 2016-10-20 2017-10-21 元智大學 自動化電動機車識別與車體瑕疵檢測之方法及其系統
US9953412B1 (en) * 2016-10-21 2018-04-24 International Business Machines Corporation System and methodology to prevent false claims to delivered or rented goods
US20180374365A1 (en) * 2017-06-27 2018-12-27 American Traffic Solutions, Inc. Vehicle location tracking systems and methods
CN108335178A (zh) * 2018-03-20 2018-07-27 安徽智行新能源科技有限公司 一种基于互联网信息系统的新能源车辆运营管理方法
CN111027535A (zh) * 2018-10-09 2020-04-17 中控智慧科技股份有限公司 一种车牌识别方法及相关设备
CN110047313A (zh) * 2019-02-27 2019-07-23 山东开创云软件有限公司 一种共享汽车的还车方法及装置
CN110110704A (zh) * 2019-05-21 2019-08-09 北京首汽智行科技有限公司 一种车辆卫生监控方法及系统
CN110378317A (zh) * 2019-07-29 2019-10-25 广东泓胜科技股份有限公司 一种车牌识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
叶刚;刘卓;: "基于IOS的汽车租赁平台手机APP开发" *
贲安庆;王玉梁;郑灵国;: "电动汽车的云端分时租赁系统设计" *

Similar Documents

Publication Publication Date Title
CN107392218B (zh) 一种基于图像的车辆定损方法、装置及电子设备
CN107239786B (zh) 一种字符识别方法和装置
US11205276B2 (en) Object tracking method, object tracking device, electronic device and storage medium
CN109711874A (zh) 用户画像生成方法、装置、计算机设备和存储介质
CN114819186A (zh) 构建gbdt模型的方法、装置及预测方法、装置
CN110348392B (zh) 车辆匹配方法及设备
CN111178290A (zh) 一种签名验证方法和装置
CN112668640B (zh) 一种文本图像质量评估方法、装置、设备及介质
CN111275381A (zh) 核电站备件盘点方法、装置、设备及存储介质
KR20220114320A (ko) 약지도 학습 기반 시멘틱 영상 분할 학습 데이터 생성 장치 및 방법
CN112001200A (zh) 识别码识别方法、装置、设备、存储介质和系统
CN115035347A (zh) 图片识别方法、装置及电子设备
CN112232336A (zh) 一种证件识别方法、装置、设备及存储介质
CN111639645A (zh) 一种车牌号识别方法
CN112766351A (zh) 一种图像质量的评估方法、系统、计算机设备和存储介质
CN116524520A (zh) 文本的识别方法及装置、存储介质和电子设备
CN116580390A (zh) 价签内容获取方法、装置、存储介质和计算机设备
CN115953744A (zh) 一种基于深度学习的车辆识别追踪方法
EP4332910A1 (en) Behavior detection method, electronic device, and computer readable storage medium
CN115617998A (zh) 一种基于智能营销场景的文本分类方法及装置
CN115984859A (zh) 一种图像文字识别的方法、装置及存储介质
CN115129590A (zh) 一种测试用例的生成方法及装置、电子设备、存储介质
CN113313726A (zh) 一种社保卡的识别方法及系统
CN114417965A (zh) 图像处理模型的训练方法、目标检测方法及相关装置
CN113808142A (zh) 一种地面标识的识别方法、装置、电子设备

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: 20200908