CN111797694A - 一种车牌检测方法及装置 - Google Patents

一种车牌检测方法及装置 Download PDF

Info

Publication number
CN111797694A
CN111797694A CN202010519314.8A CN202010519314A CN111797694A CN 111797694 A CN111797694 A CN 111797694A CN 202010519314 A CN202010519314 A CN 202010519314A CN 111797694 A CN111797694 A CN 111797694A
Authority
CN
China
Prior art keywords
image
detected
brightness
license plate
brightness level
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
CN202010519314.8A
Other languages
English (en)
Other versions
CN111797694B (zh
Inventor
李轶锟
王耀农
敦婧瑜
薛佳乐
张湾湾
江歆霆
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 Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202010519314.8A priority Critical patent/CN111797694B/zh
Publication of CN111797694A publication Critical patent/CN111797694A/zh
Application granted granted Critical
Publication of CN111797694B publication Critical patent/CN111797694B/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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V10/25—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种车牌检测方法及装置，所述方法包括：获取待检测图像，并确定待检测图像所属的亮度等级，其中，不同的亮度等级对应不同的灰度范围；确定待检测图像所属的亮度等级为预设亮度等级时，利用图像色调调整算法对待检测图像进行调整，得到调整后的待检测图像；利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像；利用目标检测算法对车辆区域图像进行车牌检测得到车牌信息。利用本申请提供的方法，解决了提升亮度后整体图像泛白没有突出局部特征信息的弊端，并可有效地解决不同亮度对于检测策略造成的影响，有效提升车牌定位精度同时降低漏检，使得整体检测算法性能提升。

Description

一种车牌检测方法及装置
技术领域
本发明涉及图像检测领域，特别涉及一种车牌检测方法及装置。
背景技术
目前对于车牌的检测可以通过卷积神经网络来实现，因卷积神经网络的对于车牌的分类检测精度远超过传统分类算法，并且随着检测设备处理器的处理能力提升，使得卷积神经网络可以对车牌边缘进行实时检测并定位，但训练卷积神经网络需要大量的标注训练样本，若需要对各个照度下的车牌的进行检测，则需要收集不同照度场景下对应的标注训练样本，其中，对卷积神经网络训练原理为：以标注车牌信息的车辆区域图像为输入，以输出车牌信息为目标对卷积神经网络进行训练，但因在低照度场景下的拍摄的标注训练样本少于正常照度下的标注训练样本，且在夜间拍摄设备对车牌的拍摄的清晰度会降低，某些清晰度不高的图像并不能作为标注训练样本，所以可用的标注训练样本进一步减少，故采集大量的低照度的标注训练样本来训练针对低照度下的用于检测车牌的卷积神经网络更加困难。
现有的对于低照度场景下的车牌采用如下的检测方式进行检测，先通过图像增强算法对低照度场景下的图像进行亮度增强，所述的图像增强算法如MSR，再采用阈值增强的方法来增强图像的细节特征，并对增强后的图像进行二值化处理，再利用对Bernsen算子处理的二值化图像进行垂直投影，扫描垂直投影后的二值化图像，统计投影图像中各相邻两列黑色像素点数的绝对差值，确定初步确定车牌所在的区域，进一步的通过SVM算法进行对二值化图像进行分类训练，最终定位出车牌区域，其中，利用MSR(multi-scale retinex,多尺度视网膜增强)算法虽然提高了亮度，但在亮度增强后的图片中，亮度差别大的区域会产生光环，所述光环会影响对车牌的检测，造成误检，且若直接通过各类算法定位车牌区域，因场景中的广告牌、标志牌与车牌相似也会造成误检，所以目前对于低照度场景下的车牌检测还没有很好的检测方法。
发明内容
本发明提供一种车牌检测方法及装置用于解决低照度场景下的车牌检测问题。
本发明第一方面提供一种车牌检测方法，包括：
获取待检测图像，并确定所述待检测图像所属的亮度等级，其中，不同的亮度等级对应不同的灰度范围；
确定所述待检测图像所属的亮度等级为预设亮度等级时，利用图像色调调整算法对待检测图像进行调整，得到调整后的待检测图像；
利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像；
利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
可选地，所述不同的亮度等级包括：第一亮度等级、第二亮度等级和第三亮度等级，所述第一亮度等级对应的灰度范围中灰度值，均低于第二亮度等级对应的灰度范围中灰度值，所述第二亮度等级对应的灰度范围中灰度值，均低于第三亮度等级对应的灰度范围中灰度值；
所述预设亮度等级为第二亮度等级。
可选地，所述利用图像色调调整算法对待检测图像进行调整，包括：
根据所述待检测图像中各像素点的亮度值，确定所述待检测图像中像素点的平均亮度值；
根据所述平均亮度值确定调整待检测图像的gamma值，利用所述gamma值调整所述待检测图像的亮度；
根据所述调整亮度后的待检测图像确定调整图像饱和度的增益值，利用所述增益值调整所述待检测图像的饱和度，得到调整后的待检测图像。
可选地，所述利用所述gamma值调整所述待检测图像的亮度，包括：
根据如下关系式确定调整所述待检测图像的亮度：
G＝AIγ
其中，所述G为调整亮度后的待检测图像的图像矩阵，所述A为取值范围0～1的常数，所述I为调整亮度前的待检测图像的图像矩阵，所述γ为gamma值。
可选地，所述根据所述调整亮度后的待检测图像确定调整图像饱和度的增益值，包括：
根据如下关系式确定所述调整图像饱和度的增益值：
Figure BDA0002531358930000031
其中，所述Lg(x,y)为调整位置为(x,y)的像素点图像饱和度的增益值，所述Lw(x,y)为位置为(x,y)像素点的亮度值，所述Lwmax为所述待检测图像中各像素点中的亮度最大值，所述
Figure BDA0002531358930000032
为所述待检测图像中各像素点亮度值对数的平均值。
可选地，还包括：
确定所述待检测图像所属的亮度等级为第一亮度等级时，利用目标检测算法对所述待检测图像进行车牌检测得到车牌信息；或
确定所述待检测图像所属的亮度等级为第三亮度等级时，利用目标检测算法在所述待检测图像中确定车辆区域图像，利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
可选地，所述利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像，包括：
将待检测图像输入第一目标检测模型得到车辆区域图像，所述第一目标检测模型为以标注车辆轮廓的图像样本为输入，以输出车辆区域图像为目标对卷积神经网络训练得到的。
可选地，所述利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息，包括：
将车辆区域图像输入第二目标检测模型进行车牌检测得到车牌信息，所述第二目标检测模型为以标注车牌信息的图像样本为输入，以输出车牌信息为目标对卷积神经网络训练得到的。
可选地，确定所述待检测图像所属的亮度等级，包括：
确定所述待检测图像中灰度值处于第一亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第一亮度等级；或
确定所述待检测图像中灰度值处于第二亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第二亮度等级；或
确定所述待检测图像中灰度值处于第三亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第三亮度等级。
本发明第二方面提供一种车牌检测装置，所述装置包括：
存储器，用于存储指令；
处理器，用于读取所述存储器中的指令，执行下列过程：
获取待检测图像，并确定所述待检测图像所属的亮度等级，其中，不同的亮度等级对应不同的灰度范围；
确定所述待检测图像所属的亮度等级为预设亮度等级时，利用图像色调调整算法对待检测图像进行调整，得到调整后的待检测图像；
利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像；
利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
可选地，所述不同的亮度等级包括：第一亮度等级、第二亮度等级和第三亮度等级，所述第一亮度等级对应的灰度范围中灰度值，均低于第二亮度等级对应的灰度范围中灰度值，所述第二亮度等级对应的灰度范围中灰度值，均低于第三亮度等级对应的灰度范围中灰度值；
所述预设亮度等级为第二亮度等级。
可选地，所述处理器利用图像色调调整算法对待检测图像进行调整，包括：
根据所述待检测图像中各像素点的亮度值，确定所述待检测图像中像素点的平均亮度值；
根据所述平均亮度值确定调整待检测图像的gamma值，利用所述gamma值调整所述待检测图像的亮度；
根据所述调整亮度后的待检测图像确定调整图像饱和度的增益值，利用所述增益值调整所述待检测图像的饱和度，得到调整后的待检测图像。
可选地，所述处理器利用所述gamma值调整所述待检测图像的亮度，包括：
根据如下关系式确定调整所述待检测图像的亮度：
G＝AIγ
其中，所述G为调整亮度后的待检测图像的图像矩阵，所述A为取值范围0～1的常数，所述I为调整亮度前的待检测图像的图像矩阵，所述γ为gamma值。
可选地，所述处理器根据所述调整亮度后的待检测图像确定调整图像饱和度的增益值，包括：
根据如下关系式确定所述调整图像饱和度的增益值：
Figure BDA0002531358930000051
其中，所述Lg(x,y)为调整位置为(x,y)的像素点图像饱和度的增益值，所述Lw(x,y)为位置为(x,y)像素点的亮度值，所述Lwmax为所述待检测图像中各像素点中的亮度最大值，所述
Figure BDA0002531358930000052
为所述待检测图像中各像素点亮度值对数的平均值。
可选地，所述处理器还用于：
确定所述待检测图像所属的亮度等级为第一亮度等级时，利用目标检测算法对所述待检测图像进行车牌检测得到车牌信息；或
确定所述待检测图像所属的亮度等级为第三亮度等级时，利用目标检测算法在所述待检测图像中确定车辆区域图像，利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
可选地，所述处理器用于利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像，包括：
将待检测图像输入第一目标检测模型得到车辆区域图像，所述第一目标检测模型为以标注车辆轮廓的图像样本为输入，以输出车辆区域图像为目标对卷积神经网络训练得到的。
可选地，所述处理器利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息，包括：
将车辆区域图像输入第二目标检测模型进行车牌检测得到车牌信息，所述第二目标检测模型为以标注车牌信息的图像样本为输入，以输出车牌信息为目标对卷积神经网络训练得到的。
可选地，所述处理器确定所述待检测图像所属的亮度等级，包括：
确定所述待检测图像中灰度值处于第一亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第一亮度等级；或
确定所述待检测图像中灰度值处于第二亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第二亮度等级；或
确定所述待检测图像中灰度值处于第三亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第三亮度等级。
本发明第三方面提供一种车牌检测装置，所述装置包括如下模块：
亮度等级确定模块，用于获取待检测图像，并确定所述待检测图像所属的亮度等级，其中，不同的亮度等级对应不同的灰度范围；
图像调整模块，用于确定所述待检测图像所属的亮度等级为预设亮度等级时，利用图像色调调整算法对待检测图像进行调整，得到调整后的待检测图像；
车辆区域图像确定模块，用于利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像；
车牌信息确定模块，用于利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
可选地，所述不同的亮度等级包括：第一亮度等级、第二亮度等级和第三亮度等级，所述第一亮度等级对应的灰度范围中灰度值，均低于第二亮度等级对应的灰度范围中灰度值，所述第二亮度等级对应的灰度范围中灰度值，均低于第三亮度等级对应的灰度范围中灰度值；
所述预设亮度等级为第二亮度等级。
可选地，所述图像调整模块用于利用图像色调调整算法对待检测图像进行调整，包括：
根据所述待检测图像中各像素点的亮度值，确定所述待检测图像中像素点的平均亮度值；
根据所述平均亮度值确定调整待检测图像的gamma值，利用所述gamma值调整所述待检测图像的亮度；
根据所述调整亮度后的待检测图像确定调整图像饱和度的增益值，利用所述增益值调整所述待检测图像的饱和度，得到调整后的待检测图像。
可选地，所述图像调整模块用于利用所述gamma值调整所述待检测图像的亮度，包括：
根据如下关系式确定调整所述待检测图像的亮度：
G＝AIγ
其中，所述G为调整亮度后的待检测图像的图像矩阵，所述A为取值范围0～1的常数，所述I为调整亮度前的待检测图像的图像矩阵，所述γ为gamma值。
可选地，所述图像调整模块用于根据所述调整亮度后的待检测图像确定调整图像饱和度的增益值，包括：
根据如下关系式确定所述调整图像饱和度的增益值：
Figure BDA0002531358930000071
其中，所述Lg(x,y)为调整位置为(x,y)的像素点图像饱和度的增益值，所述Lw(x,y)为位置为(x,y)像素点的亮度值，所述Lwmax为所述待检测图像中各像素点中的亮度最大值，所述
Figure BDA0002531358930000081
为所述待检测图像中各像素点亮度值对数的平均值。
可选地，所述亮度等级确定模块还用于：
确定所述待检测图像所属的亮度等级为第一亮度等级时，利用目标检测算法对所述待检测图像进行车牌检测得到车牌信息；或
确定所述待检测图像所属的亮度等级为第三亮度等级时，利用目标检测算法在所述待检测图像中确定车辆区域图像，利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
可选地，所述车辆区域图像确定模块用于利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像，包括：
将待检测图像输入第一目标检测模型得到车辆区域图像，所述第一目标检测模型为以标注车辆轮廓的图像样本为输入，以输出车辆区域图像为目标对卷积神经网络训练得到的。
可选地，所述车牌信息确定模块用于利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息，包括：
将车辆区域图像输入第二目标检测模型进行车牌检测得到车牌信息，所述第二目标检测模型为以标注车牌信息的图像样本为输入，以输出车牌信息为目标对卷积神经网络训练得到的。
可选地，所述亮度等级确定模块用于确定所述待检测图像所属的亮度等级，包括：
确定所述待检测图像中灰度值处于第一亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第一亮度等级；或
确定所述待检测图像中灰度值处于第二亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第二亮度等级；或
确定所述待检测图像中灰度值处于第三亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第三亮度等级。
本发明第四方面提供一种计算机介质，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本发明第一方面提供的任一项车牌检测方法。
利用本发明提供的一种车牌检测方法及装置，改进了仅提升图像的亮度从而造成的光环，不仅提升了整体的对比度，色调饱和度，使整体图像具有更丰富的特征，相比传统的只增加亮度方法，也改进了整体图像泛白，没有突出局部特征信息的弊端，并且可以有效地解决不同亮度对于车牌检测策略造成的影响，从而在整体算法输出上提升算法性能，并且先进行车辆检测然后进行车牌检测比直接进行车牌检测的检测效果好很多，可以有效提升车牌定位精度同时降低漏检，使得整体算法性能提升。
附图说明
图1为一种车牌检测系统的示意图；
图2为一种车牌检测方法的流程图；
图3为传统算法和本申请算法的优化对比图；
图4为一种车牌检测方法的完整流程图；
图5为一种车牌检测装置的结构示意图；
图6为一种车牌检测装置的模块示意图。
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。
下面结合说明书附图对申请实施例作进一步详细描述。应当理解，此处所描述的实施例仅用于说明和解释本申请，并不用于限定本申请。
为了方便理解，下面对本发明实施例中涉及的名词进行解释：
1)灰度直方图(Histogram)是灰度级的描述图，描述的是图像中每种灰度级像素的个数，反映图像中每种灰度出现的频率，横坐标是灰度级，纵坐标是灰度级出现的频率。
2)gamma校正(又称幂律变换)是一种重要的非线性变换，其是对输入图像灰度值进行指数变换，进而校正亮度偏差，通常应用于扩展暗调的细节。一般情况下，当Gamma校正的值大于1时，图像的高光部分被压缩而暗调部分被扩展；当Gamma校正的值小于1时，图像的高光部分被扩展而暗调部分被压缩。
3)卷积神经网络(Convolutional Neural Network，CNN)是一种前馈型的神经网络，其在大型图像处理方面有出色的表现，目前已经被大范围使用到图像分类、定位等领域中，相比于其他神经网络结构，卷积神经网络需要的参数相对较少，使的其能够广泛应用。
4)HSV通道，其中HSV(Hue,Saturation,Value)通道也称HSV颜色模型是指H、S、V三维颜色空间中的一个可见光子集，它包含某个颜色域的所有颜色。
5)明度(Brightness)是眼睛对光源和物体表面的明暗程度的感觉，主要是由光线强弱决定的一种视觉经验，一般来说，光线越强，看上去越亮，明度越大；光线越弱，看上去越暗，明度越小。
6)卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(DeepLearning)的代表算法之一，卷积神经网络仿造生物的视知觉(Visual Perception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(Grid-Like Topology)特征。
本发明实施例提供一种车牌检测系统，如图1所示，所述系统包括：图像采集设备101以及图像分析设备102，其中，图像采集设备101用于拍摄不同照度场景下的图像，图像分析设备102用于接收图像采集设备101发送的视频流或各帧待检测图像，通过对待检测图像进行亮度等级判断，分不同亮度等级对待检测图像的亮度进行预处理，尽可能的将亮度等级对应的照度较低的图像进行亮度及色彩增强，以达到图像分析设备102可以分析处理的标准，最终由图像分析设备准确的输出待检测图像中的车牌信息。
其中，所述图像采集设备101可以为专业摄像机、CCD(Charge Coupled Device)摄像机、网络摄像机、广播级摄像机、业务级摄像机、家用级摄像机、演播室/现场座机型摄像机、便携式摄像机、黑白摄像机、彩色摄像机、红外线摄像机、X光摄像机、监控摄像机等这里不做过多限制。
图像采集设备101可以和图像分析设备102为同一设备，即该设备既具备对于图像的拍摄能力也具备对于图像的分析能力，该设备可以为一切具有拍摄功能且能够实现数据处理分析功能的器件(比如处理器或图像处理器或其他处理器)，以及能够显示用户界面的器件(比如显示屏)。该电子设备可以是移动的，也可以是固定的。例如，电子设备可以为智能手机、平板电脑、各类可穿戴设备、车载设备、个人数字助理(Personal DigitalAssistant，PDA)或其它能够实现上述功能的电子设备等，本申请实施例涉及的电子设备，可以是指向用户提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。在不同的系统中，电子设备的名称可能也不相同，无线电子设备可以经RAN(Radio Access Network，无线接入网)与一个或多个核心网进行通信，无线终端设备可以是移动终端设备，如移动电话(或称为“蜂窝”电话)和具有移动终端设备的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据。例如，PCS(Personal Communication Service，个人通信业务)电话、无绳电话、SIP(Session Initiated Protocol，会话发起协议)话机、WLL(Wireless Local Loop，无线本地环路)站、PDA(Personal Digital Assistant，个人数字助理)等设备。无线终端设备也可以称为系统、订户单元(Subscriber Unit)、订户站(Subscriber Station)，移动站(Mobile Station)、移动台(Mobile)、远程站(RemoteStation)、接入点(Access Point)、远程终端设备(Remote Terminal)、接入终端设备(Access Trminal)、用户终端设备(User Terminal)、用户代理(User Agent)、用户装置(User Device)，本申请实施例中并不限定。
由于图像采集设备101在低照度场景下的拍摄的车辆的标注训练样本少于正常照度下的车辆的标注训练样本，且在夜间拍摄设备对车牌的拍摄的清晰度会降低，某些清晰度不高的图像并不能作为标注训练样本，所以导致了在低照度下，图像分析设备102对车辆的车牌信息检测率低的弊端，为了解决该问题，本发明实施例提出以下方法用于解决上述问题。
实施例1
本发明实施例提供一种车牌检测方法，如图2所示，方法包括如下步骤：
步骤S201，获取待检测图像，并确定所述待检测图像所属的亮度等级，其中，不同的亮度等级对应不同的灰度范围；
从图像采集设备中获取所述设备拍摄的视频流，从视频流中获取至少一帧待检测图像，其中，所述图像采集设备中拍摄视频的格式为如下任一种，包括：rm、rmvb、mtv、dat、wmv、avi、3gp、amv、dmv及flv等。
采集到至少一帧待检测图像可以为如下任一种，包括：JPEG、TIFF、RAW、BMP、GIF、PNG等。
根据至少一帧待检测图像确定待检测图像所属的亮度等级，其中不同灰度凳对应不同的灰度范围，所述亮度等级的确定方式可以为，将待检测图像转化为灰度直方图，具体的，所述方法包括：待检测图像转换为灰度图，将图像转化为灰度图的公式为gray＝0.299*R+0.587*G+0.114*B，其中gray为灰度值，R、G、B为三色彩通道值，接着统计0～255个灰度值出现的次数，得到灰度直方图，优选的，根据技术人员根据不同的亮度等级对应灰度阈值及灰度值出现次数来确定待检测图像对应的亮度等级。
作为一种可选的实施方式，确定所述待检测图像所属的亮度等级，包括：
第一亮度等级、第二亮度等级和第三亮度等级，所述第一亮度等级对应的灰度范围中灰度值，均低于第二亮度等级对应的灰度范围中灰度值，所述第二亮度等级对应的灰度范围中灰度值，均低于第三亮度等级对应的灰度范围中灰度值；
所述预设亮度等级为第二亮度等级。
具体的，确定所述待检测图像中灰度值处于第一亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第一亮度等级；或
确定所述待检测图像中灰度值处于第二亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第二亮度等级；或
确定所述待检测图像中灰度值处于第三亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第三亮度等级。
具体的，所述第一亮度等级、第二亮度等级以及第三亮度等级对应的灰度范围可以由本领域技术人员自由设定，在本发明实施例场景下第一亮度等级对应的灰度范围被设为0～50，第二亮度等级对应的灰度范围被设为50～128，第三亮度等级对应的灰度范围被设为128～255，第一亮度等级对应的待检测图像的灰度直方图中，灰度值位于0～50的像素点最多，表明待检测图像为黑暗图像，车身的边缘信息，纹理信息几乎全部丢失；第二亮度等级对应的待检测图像的灰度直方图中，灰度值位于50～128的像素点最多，表明待检测图像为偏暗图像，需要提高其整体亮度同时突出其边缘特征使得车辆检测网络可以更好地检测到车辆以进一步检测到车牌信息；第三亮度等级对应的待检测图像的灰度直方图中，灰度值位于128～255的像素点最多，表明待检测图像为正常亮度图像，可以直接对待检测图像分步骤进行检测。
步骤S202，确定所述待检测图像所属的亮度等级为预设亮度等级时，利用图像色调调整算法对待检测图像进行调整，得到调整后的待检测图像；
因对于第二亮度等级的待检测图像需要进行增强图像的对比度、亮度以及色彩饱和度的处理，以使调整后的图像相比仅调节亮度的图像并不是全局亮度增加，而是变亮的情况下，色彩更加饱和，使得边缘信息更加丰富。
其中调整待检测图像的图像色调调整算法本领域人员可以自由设定，优选的，本发明实施例采用以下方式对待检测图像进行调整，得到调整后的待检测图像。
根据所述待检测图像中各像素点的亮度值，确定所述待检测图像中像素点的平均亮度值。
具体的，首先待检测图像中各像素点的亮度值(明度值)，确定方式如下：
Lw＝0.299*Gr+0.587*Gg+0.114*Gb，Lw为计算出的亮度值(明度值)，进一步计算各点平均亮度值Lw；
根据所述平均亮度值确定调整待检测图像的gamma值，利用所述gamma值调整所述待检测图像的亮度；
具体的，根据平均亮度阈值与平均亮度值Lw的关系确定当前待检测图像的亮度是否偏低，当确定所述待检测图像的亮度偏低时，设定提升待检测图像的亮度的gamma值，其中gamma值当其小于1时使得亮度变高，大于1时使得亮度变低，如以经验值将gamma值设定为0.75，或者，通过灰度直方图建立映射表，根据灰度直方图上待检测图像的各像素点对应的灰度值设定不同的gamma值调整所述待检测图像的亮度，这里不做过多限定。
作为一种可选的实施方式，根据如下关系式确定调整所述待检测图像的亮度：
G＝AIγ
其中，所述G为调整亮度后的待检测图像的图像矩阵，所述A为取值范围0～1的常数，所述I为调整亮度前的待检测图像的图像矩阵，所述γ为gamma值。
根据所述调整亮度后的待检测图像确定调整图像饱和度的增益值，利用所述增益值调整所述待检测图像的饱和度，得到色调调整后图像。
其中，在调整待检测图像的亮度后，为防止调整后图像的整体亮度都增大从而导致的增加亮度后的图片整体图像泛白，需要利用调整图像饱和度的增益值来调整所述待检测图像的饱和度。
作为一种可选的实施方式，根据如下关系式确定所述调整图像饱和度的增益值：
Figure BDA0002531358930000151
其中，所述Lg(x,y)为调整位置为(x,y)的像素点图像饱和度的增益值，所述Lw(x,y)为位置为(x,y)像素点的亮度值，所述Lwmax为所述待检测图像中各像素点中的亮度最大值，所述
Figure BDA0002531358930000152
为所述待检测图像中各像素点亮度值对数的平均值。
具体的，
Figure BDA0002531358930000153
其中，δ为一个很小的数值，为的是避免当像素值的亮度值为0时，超出对数函数的定义域，N为像素的总个数，(x,y)为当前像素的位置。
根据Lg(x,y)的输出可以得到该输出相对于待检测图像的每个像素点的增益值，给每个像素点的RGB三个通道，每个通道乘以Lg(x,y)即可以得到输出图像矩阵，根据所述输出图像矩阵得到调整后的待检测图像。
如图3所示，左侧图片为待检测图像，中间部分为仅调整亮度的待检测图像，右侧为对调整亮度的待检测图像进一步调整图像饱和度的图像，可以看出采用本发明实施例提供的方法，不仅使得远处黑暗处的车辆轮廓清晰可见，并且增加图像亮度同时，减小光环效应。
步骤S203，利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像；
当需要确定车辆区域图像时，将待检测图像输入第一目标检测模型得到车辆区域图像，所述第一目标检测模型为以标注车辆轮廓的图像样本为输入，以输出车辆区域图像为目标对卷积神经网络训练得到的，所述卷积神经网络包括：多组的卷积层、池化层和全连接层运算，进而能进行分类训练；
具体的，以标注车辆轮廓的图像样本为输入，以输出车辆区域图像为目标对卷积神经网络训练的方式为：
通过向卷积神经网络输入大量的通过上述方式调整后的待检测图像，并通过预先在调整后的待检测图像预先标注车辆轮廓，输出车辆区域图像，根据所述车辆区域图像调整卷积神经网络的内部参数，以得到第一目标检测模型；
向第一目标检测模型输入调整后的待检测图像后，可以得到车辆区域图像。
步骤S204，利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
当需要进行车牌检测时，将车辆区域图像输入第二目标检测模型进行车牌检测得到车牌信息，所述第二目标检测模型为以标注车牌信息的图像样本为输入，以输出车牌信息为目标对卷积神经网络训练得到的，所述卷积神经网络包括：多组的卷积层、池化层和全连接层运算，进而能进行分类训练。
通过向卷积神经网络输入大量的通过上述方式确定的车辆区域图像，通过标注车辆区域图像的车牌信息，所述车牌信息包括：车牌底色、字体颜色、汉字、字符及数字，以及卷积神经网络输出的车牌信息确定车牌信息，调整卷积神经网络的内部参数，以得到第二目标检测模型。
作为一种可选的实施方式，所述方法还包括：当确定所述待检测图像所属的亮度等级为第一亮度等级时，利用目标检测算法对所述待检测图像进行车牌检测得到车牌信息；
具体的，当待检测图像所属的亮度等级为第一亮度等级，因图像过于黑暗，则车身的边缘信息、纹理信息也将全部丢失，进行车辆区域确定非常困难，但因车辆车灯本身是也光源会使周围车脸还存在部分信息、且车牌由于材质特殊反射补光灯的光也比较清晰，其他部分均为黑色，因此再通过进行先确定车辆区域图像再对车辆区域图像进行车牌检测这种方式不再可行，因为一旦检测不到车辆区域图像将直接导致车牌漏检，由于其他部分均为黑色，采用图像色调调整算法也无法恢复其纹理信息，因此采用对于待检测图像直接检测车牌的策略，直接利用目标检测算法对待检测图像进行车牌检测，在牺牲部分定位精度及的前提下，提高了整体检测率，避免大量漏检的情况发生。
当确定所述待检测图像所属的亮度等级为第三亮度等级时，利用目标检测算法在所述待检测图像中确定车辆区域图像，利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
具体的，当待检测图像所属的亮度等级为第三亮度等级，因图像为正常亮度，利用目标检测算法在所述待检测图像中确定车辆区域图像，并利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
利用上述方法本申请中的低照度图像色调调整算法，改进了仅提升图像的亮度从而造成的光环，不仅提升了整体的对比度，色调饱和度，使整体图像具有更丰富的特征，相比传统的只增加亮度方法，也改进了整体图像泛白，没有突出局部特征信息的弊端，并且可以有效地解决不同亮度对于车牌检测策略造成的影响，从而在整体算法输出上提升算法性能，并且先进行车辆检测然后进行车牌检测比直接进行车牌检测的检测效果好很多，可以有效提升车牌定位精度同时降低漏检，使得整体算法性能提升。
如图4所示，为一种车牌检测方法的完整流程图，包括如下步骤：
步骤S401，获取待检测图像；
步骤S402，判断所述待检测图像所属的亮度等级，当确定为第二亮度等级时执行步骤S403，当确定为第三亮度等级时执行步骤S404，当确定为第一亮度等级时执行步骤S405；
步骤S403，利用图像色调调整算法对待检测图像进行调整；
步骤S404，利用目标检测算法在确定车辆区域图像；
步骤S405，利用目标检测算法进行车牌检测得到车牌信息。
本发明实施例提供一种车牌检测装置，所述装置如图5所示，该装置500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(英文全称：centralprocessing units，英文简称：CPU)501(例如，一个或一个以上处理器)和存储器502，一个或一个以上存储应用程序504或数据506的存储介质503(例如一个或一个以上海量存储设备)。其中，存储器502和存储介质503可以是短暂存储或持久存储。存储在存储介质503的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对信息处理装置中的一系列指令操作。更进一步地，处理器501可以设置为与存储介质503通信，在装置500上执行存储介质503中的一系列指令操作。
装置500还可以包括一个或一个以上电源509，一个或一个以上有线或无线网络接口507，一个或一个以上输入输出接口508，和/或，一个或一个以上操作系统505，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等。
处理器501，用于读取所述存储器中的指令，执行下列过程：
获取待检测图像，并确定所述待检测图像所属的亮度等级，其中，不同的亮度等级对应不同的灰度范围；
确定所述待检测图像所属的亮度等级为预设亮度等级时，利用图像色调调整算法对待检测图像进行调整，得到调整后的待检测图像；
利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像；
利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
可选地，所述不同的亮度等级包括：第一亮度等级、第二亮度等级和第三亮度等级，所述第一亮度等级对应的灰度范围中灰度值，均低于第二亮度等级对应的灰度范围中灰度值，所述第二亮度等级对应的灰度范围中灰度值，均低于第三亮度等级对应的灰度范围中灰度值；
所述预设亮度等级为第二亮度等级。
可选地，所述处理器利用图像色调调整算法对待检测图像进行调整，包括：
根据所述待检测图像中各像素点的亮度值，确定所述待检测图像中像素点的平均亮度值；
根据所述平均亮度值确定调整待检测图像的gamma值，利用所述gamma值调整所述待检测图像的亮度；
根据所述调整亮度后的待检测图像确定调整图像饱和度的增益值，利用所述增益值调整所述待检测图像的饱和度，得到调整后的待检测图像。
可选地，所述处理器利用所述gamma值调整所述待检测图像的亮度，包括：
根据如下关系式确定调整所述待检测图像的亮度：
G＝AIγ
其中，所述G为调整亮度后的待检测图像的图像矩阵，所述A为取值范围0～1的常数，所述I为调整亮度前的待检测图像的图像矩阵，所述γ为gamma值。
可选地，所述处理器根据所述调整亮度后的待检测图像确定调整图像饱和度的增益值，包括：
根据如下关系式确定所述调整图像饱和度的增益值：
Figure BDA0002531358930000191
其中，所述Lg(x,y)为调整位置为(x,y)的像素点图像饱和度的增益值，所述Lw(x,y)为位置为(x,y)像素点的亮度值，所述Lwmax为所述待检测图像中各像素点中的亮度最大值，所述
Figure BDA0002531358930000192
为所述待检测图像中各像素点亮度值对数的平均值。
可选地，所述处理器还用于：
确定所述待检测图像所属的亮度等级为第一亮度等级时，利用目标检测算法对所述待检测图像进行车牌检测得到车牌信息；或
确定所述待检测图像所属的亮度等级为第三亮度等级时，利用目标检测算法在所述待检测图像中确定车辆区域图像，利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
可选地，所述处理器用于利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像，包括：
将待检测图像输入第一目标检测模型得到车辆区域图像，所述第一目标检测模型为以标注车辆轮廓的图像样本为输入，以输出车辆区域图像为目标对卷积神经网络训练得到的。
可选地，所述处理器利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息，包括：
将车辆区域图像输入第二目标检测模型进行车牌检测得到车牌信息，所述第二目标检测模型为以标注车牌信息的图像样本为输入，以输出车牌信息为目标对卷积神经网络训练得到的。
可选地，所述处理器确定所述待检测图像所属的亮度等级，包括：
确定所述待检测图像中灰度值处于第一亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第一亮度等级；或
确定所述待检测图像中灰度值处于第二亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第二亮度等级；或
确定所述待检测图像中灰度值处于第三亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第三亮度等级。
本发明实施例提供一种车牌检测装置，如图6所示，所述装置包括如下模块：
亮度等级确定模块601，用于获取待检测图像，并确定所述待检测图像所属的亮度等级，其中，不同的亮度等级对应不同的灰度范围；
图像调整模块602，用于确定所述待检测图像所属的亮度等级为预设亮度等级时，利用图像色调调整算法对待检测图像进行调整，得到调整后的待检测图像；
车辆区域图像确定模块603，用于利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像；
车牌信息确定模块604，用于利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
可选地，所述不同的亮度等级包括：第一亮度等级、第二亮度等级和第三亮度等级，所述第一亮度等级对应的灰度范围中灰度值，均低于第二亮度等级对应的灰度范围中灰度值，所述第二亮度等级对应的灰度范围中灰度值，均低于第三亮度等级对应的灰度范围中灰度值；
所述预设亮度等级为第二亮度等级。
可选地，所述图像调整模块602用于利用图像色调调整算法对待检测图像进行调整，包括：
根据所述待检测图像中各像素点的亮度值，确定所述待检测图像中像素点的平均亮度值；
根据所述平均亮度值确定调整待检测图像的gamma值，利用所述gamma值调整所述待检测图像的亮度；
根据所述调整亮度后的待检测图像确定调整图像饱和度的增益值，利用所述增益值调整所述待检测图像的饱和度，得到调整后的待检测图像。
可选地，所述图像调整模块602用于利用所述gamma值调整所述待检测图像的亮度，包括：
根据如下关系式确定调整所述待检测图像的亮度：
G＝AIγ
其中，所述G为调整亮度后的待检测图像的图像矩阵，所述A为取值范围0～1的常数，所述I为调整亮度前的待检测图像的图像矩阵，所述γ为gamma值。
可选地，所述图像调整模块602用于根据所述调整亮度后的待检测图像确定调整图像饱和度的增益值，包括：
根据如下关系式确定所述调整图像饱和度的增益值：
Figure BDA0002531358930000211
其中，所述Lg(x,y)为调整位置为(x,y)的像素点图像饱和度的增益值，所述Lw(x,y)为位置为(x,y)像素点的亮度值，所述Lwmax为所述待检测图像中各像素点中的亮度最大值，所述
Figure BDA0002531358930000212
为所述待检测图像中各像素点亮度值对数的平均值。
可选地，所述亮度等级确定模块601还用于：
确定所述待检测图像所属的亮度等级为第一亮度等级时，利用目标检测算法对所述待检测图像进行车牌检测得到车牌信息；或
确定所述待检测图像所属的亮度等级为第三亮度等级时，利用目标检测算法在所述待检测图像中确定车辆区域图像，利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
可选地，所述车辆区域图像确定模块603用于利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像，包括：
将待检测图像输入第一目标检测模型得到车辆区域图像，所述第一目标检测模型为以标注车辆轮廓的图像样本为输入，以输出车辆区域图像为目标对卷积神经网络训练得到的。
可选地，所述车牌信息确定模块604用于利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息，包括：
将车辆区域图像输入第二目标检测模型进行车牌检测得到车牌信息，所述第二目标检测模型为以标注车牌信息的图像样本为输入，以输出车牌信息为目标对卷积神经网络训练得到的。
可选地，所述亮度等级确定模块601用于确定所述待检测图像所属的亮度等级，包括：
确定所述待检测图像中灰度值处于第一亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第一亮度等级；或
确定所述待检测图像中灰度值处于第二亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第二亮度等级；或
确定所述待检测图像中灰度值处于第三亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第三亮度等级。
本发明实施例提供一种计算机介质，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上述实施例提供的一种车牌检测方法。
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。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (12)

1.一种车牌检测方法，其特征在于，包括：
获取待检测图像，并确定所述待检测图像所属的亮度等级，其中，不同的亮度等级对应不同的灰度范围；
确定所述待检测图像所属的亮度等级为预设亮度等级时，利用图像色调调整算法对待检测图像进行调整，得到调整后的待检测图像；
利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像；
利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
2.根据权利要求1所述的方法，其特征在于，所述不同的亮度等级包括：第一亮度等级、第二亮度等级和第三亮度等级，所述第一亮度等级对应的灰度范围中灰度值，均低于第二亮度等级对应的灰度范围中灰度值，所述第二亮度等级对应的灰度范围中灰度值，均低于第三亮度等级对应的灰度范围中灰度值；
所述预设亮度等级为第二亮度等级。
3.根据权利要求1或2所述的方法，其特征在于，所述利用图像色调调整算法对待检测图像进行调整，包括：
根据所述待检测图像中各像素点的亮度值，确定所述待检测图像中像素点的平均亮度值；
根据所述平均亮度值确定调整待检测图像的gamma值，利用所述gamma值调整所述待检测图像的亮度；
根据所述调整亮度后的待检测图像确定调整图像饱和度的增益值，利用所述增益值调整所述待检测图像的饱和度，得到调整后的待检测图像。
4.根据权利要求3所述的方法，其特征在于，所述利用所述gamma值调整所述待检测图像的亮度，包括：
根据如下关系式确定调整所述待检测图像的亮度：
G＝AIγ
其中，所述G为调整亮度后的待检测图像的图像矩阵，所述A为取值范围0～1的常数，所述I为调整亮度前的待检测图像的图像矩阵，所述γ为gamma值。
5.根据权利要求3所述的方法，其特征在于，所述根据所述调整亮度后的待检测图像确定调整图像饱和度的增益值，包括：
根据如下关系式确定所述调整图像饱和度的增益值：
Figure FDA0002531358920000021
其中，所述Lg(x,y)为调整位置为(x,y)的像素点图像饱和度的增益值，所述Lw(x,y)为位置为(x,y)像素点的亮度值，所述Lwmax为所述待检测图像中各像素点中的亮度最大值，所述
Figure FDA0002531358920000022
为所述待检测图像中各像素点亮度值对数的平均值。
6.根据权利要求2所述的方法，其特征在于，还包括：
确定所述待检测图像所属的亮度等级为第一亮度等级时，利用目标检测算法对所述待检测图像进行车牌检测得到车牌信息；或
确定所述待检测图像所属的亮度等级为第三亮度等级时，利用目标检测算法在所述待检测图像中确定车辆区域图像，利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
7.根据权利要求1所述的方法，其特征在于，所述利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像，包括：
将待检测图像输入第一目标检测模型得到车辆区域图像，所述第一目标检测模型为以标注车辆轮廓的图像样本为输入，以输出车辆区域图像为目标对卷积神经网络训练得到的。
8.根据权利要求1所述的方法，其特征在于，所述利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息，包括：
将车辆区域图像输入第二目标检测模型进行车牌检测得到车牌信息，所述第二目标检测模型为以标注车牌信息的图像样本为输入，以输出车牌信息为目标对卷积神经网络训练得到的。
9.根据权利要求1或2所述的方法，其特征在于，确定所述待检测图像所属的亮度等级，包括：
确定所述待检测图像中灰度值处于第一亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第一亮度等级；或
确定所述待检测图像中灰度值处于第二亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第二亮度等级；或
确定所述待检测图像中灰度值处于第三亮度等级对应的灰度范围的像素点最多时，确定所述待检测图像属于第三亮度等级。
10.一种车牌检测装置，其特征在于，所述装置包括：
存储器，用于存储指令；
处理器，用于读取所述存储器中的指令，执行下列过程：
获取待检测图像，并确定所述待检测图像所属的亮度等级，其中，不同的亮度等级对应不同的灰度范围；
确定所述待检测图像所属的亮度等级为预设亮度等级时，利用图像色调调整算法对待检测图像进行调整，得到调整后的待检测图像；
利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像；
利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
11.一种车牌检测装置，其特征在于，所述装置包括如下模块：
亮度等级确定模块，用于获取待检测图像，并确定所述待检测图像所属的亮度等级，其中，不同的亮度等级对应不同的灰度范围；
图像调整模块，用于确定所述待检测图像所属的亮度等级为预设亮度等级时，利用图像色调调整算法对待检测图像进行调整，得到调整后的待检测图像；
车辆区域图像确定模块，用于利用目标检测算法在所述调整后的待检测图像中确定车辆区域图像；
车牌信息确定模块，用于利用目标检测算法对所述车辆区域图像进行车牌检测得到车牌信息。
12.一种计算机介质，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如权利要求1～9任一所述的方法。
CN202010519314.8A 2020-06-09 2020-06-09 一种车牌检测方法及装置 Active CN111797694B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010519314.8A CN111797694B (zh) 2020-06-09 2020-06-09 一种车牌检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010519314.8A CN111797694B (zh) 2020-06-09 2020-06-09 一种车牌检测方法及装置

Publications (2)

Publication Number Publication Date
CN111797694A true CN111797694A (zh) 2020-10-20
CN111797694B CN111797694B (zh) 2024-05-28

Family

ID=72804019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010519314.8A Active CN111797694B (zh) 2020-06-09 2020-06-09 一种车牌检测方法及装置

Country Status (1)

Country Link
CN (1) CN111797694B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824906A (zh) * 2023-08-29 2023-09-29 成都市巨多广告有限公司 一种具有识别功能的停车场引导方法及系统
EP4280597A3 (en) * 2022-05-17 2024-01-31 Honeywell International Inc. Methods and systems for improving video analytic results

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991821A (zh) * 2016-11-26 2017-07-28 广东技术师范学院 违章车辆用手持移动终端数据采集系统
WO2017162023A1 (zh) * 2016-03-21 2017-09-28 杭州海康威视数字技术股份有限公司 一种车牌检测方法及装置
CN107609555A (zh) * 2017-09-15 2018-01-19 北京文安智能技术股份有限公司 车牌检测方法、应用其的车型识别方法及相关装置
CN108197622A (zh) * 2017-12-26 2018-06-22 新智数字科技有限公司 一种车牌检测方法、装置以及设备
WO2019201184A1 (zh) * 2018-04-20 2019-10-24 杭州海康威视数字技术股份有限公司 一种车牌增强方法、装置及电子设备
CN110718069A (zh) * 2019-10-10 2020-01-21 浙江大华技术股份有限公司 图像亮度调节方法、装置和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017162023A1 (zh) * 2016-03-21 2017-09-28 杭州海康威视数字技术股份有限公司 一种车牌检测方法及装置
CN106991821A (zh) * 2016-11-26 2017-07-28 广东技术师范学院 违章车辆用手持移动终端数据采集系统
CN107609555A (zh) * 2017-09-15 2018-01-19 北京文安智能技术股份有限公司 车牌检测方法、应用其的车型识别方法及相关装置
CN108197622A (zh) * 2017-12-26 2018-06-22 新智数字科技有限公司 一种车牌检测方法、装置以及设备
WO2019201184A1 (zh) * 2018-04-20 2019-10-24 杭州海康威视数字技术股份有限公司 一种车牌增强方法、装置及电子设备
CN110390643A (zh) * 2018-04-20 2019-10-29 杭州海康威视数字技术股份有限公司 一种车牌增强方法、装置及电子设备
CN110718069A (zh) * 2019-10-10 2020-01-21 浙江大华技术股份有限公司 图像亮度调节方法、装置和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘晓芳;程丹松;刘家锋;管宁;: "采用改进HSI模型的车牌区域检测和定位方法", 哈尔滨工业大学学报, no. 01 *
马永慧;: "基于边缘检测与HSI彩色空间的车牌定位方法", 山西电子技术, no. 01 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4280597A3 (en) * 2022-05-17 2024-01-31 Honeywell International Inc. Methods and systems for improving video analytic results
CN116824906A (zh) * 2023-08-29 2023-09-29 成都市巨多广告有限公司 一种具有识别功能的停车场引导方法及系统
CN116824906B (zh) * 2023-08-29 2023-11-17 成都市巨多广告有限公司 一种具有识别功能的停车场引导方法及系统

Also Published As

Publication number Publication date
CN111797694B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
US10853925B2 (en) Methods, systems, and media for image processing
WO2020125631A1 (zh) 视频压缩方法、装置和计算机可读存储介质
US8175385B2 (en) Foreground/background segmentation in digital images with differential exposure calculations
US8170350B2 (en) Foreground/background segmentation in digital images
US10382712B1 (en) Automatic removal of lens flares from images
CN108234882B (zh) 一种图像虚化方法及移动终端
JP2004357277A (ja) デジタル画像処理方法
CN109712177A (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
JP2004310475A (ja) 画像処理装置、画像処理を行う携帯電話、および画像処理プログラム
CN116681636B (zh) 基于卷积神经网络的轻量化红外与可见光图像融合方法
CN104145477B (zh) 调整颜色的方法及系统
CN111797694B (zh) 一种车牌检测方法及装置
CN112232204A (zh) 基于红外图像的活体检测方法
CN112839167B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN111539975B (zh) 一种运动目标的检测方法、装置、设备及存储介质
CN116261043A (zh) 对焦距离确定方法、装置、电子设备和可读存储介质
CN110827241B (zh) 基于颜色失真和对比度增强的低亮度增强图片全参考方法
CN113781330A (zh) 图像处理方法、装置及电子系统
CN114067275A (zh) 监控场景中目标物体提醒方法、系统与电子设备
CN113449574A (zh) 目标上内容的识别方法及装置、存储介质、计算机设备
CN113436086B (zh) 非均匀光照视频的处理方法、电子设备及存储介质
CN112115833B (zh) 一种图片的活体检测及分类方法
CN112714246A (zh) 连拍照片获取方法、智能终端及存储介质
CN115035393A (zh) 频闪场景分类方法、模型训练方法、相关装置及电子设备
CN112163584A (zh) 电子设备及其基于宽动态范围的图像特征提取方法和介质

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