CN111862617B - 一种车牌识别方法、装置、系统和计算机设备 - Google Patents
一种车牌识别方法、装置、系统和计算机设备 Download PDFInfo
- Publication number
- CN111862617B CN111862617B CN202010533318.1A CN202010533318A CN111862617B CN 111862617 B CN111862617 B CN 111862617B CN 202010533318 A CN202010533318 A CN 202010533318A CN 111862617 B CN111862617 B CN 111862617B
- Authority
- CN
- China
- Prior art keywords
- recognition
- license plate
- result
- memory
- video stream
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种车牌识别方法、装置、系统和计算机设备,其中,该车牌识别方法包括:相比于相关技术,本申请实施例提供的一种车牌识别方法、装置、系统和计算机设备,通过获取处理器的剩余内存,并判断所述剩余内存是否大于预设的内存阈值,在所述剩余内存大于所述内存阈值的情况下,将车牌识别切换为视频流,并输入视频流识别模型中,确定第一识别结果;在所述剩余内存小于或等于所述内存阈值的情况下,将所述车牌识别切换为图片流,并输入图片流识别模型中,确定第二识别结果,根据所述第一识别结果或者所述第二识别结果,确定所述车牌结果,解决了基于视频流输入实现对车辆牌照的识别,存在处理器的利用率偏低的问题,提高了处理器的利用率。
Description
技术领域
本申请涉及车牌识别技术领域,特别是涉及一种车牌识别方法、装置、系统和计算机设备。
背景技术
车牌识别作为智能交通系统的一个重要的组成部分,其任务就是在装备了数字摄像设备和计算机信息管理系统等软硬件平台的基础之上,通过对车辆图像的采集,采用相应的图像处理、模式识别和人工智能技术,在图像中找到车牌的位置,提取并识别出车牌中的汉字、字母和数字,最后给出车牌的真实号码。对车辆牌照的正确识别,既可实现在交通路口、高速公路、小区门卫对过往车辆的实时登记、流量统计;对肇事车辆、被盗车辆、犯罪车辆进行辨别和拦截;又可以在汽车停车场对进出的车辆进行登记、统计和查询,以保障安全防盗,并可协助自动计费,因此车辆牌照识别的快速、准确实现对于交通管理、治安处罚等工作的智能化起着非常重要的作用。
相关技术中,为了实现对车辆牌照的精确识别,通常是基于实时的视频流输入实现对车辆牌照的识别,基于视频流的神经网络车牌识别,每秒内有连续多帧视频数据送入至车牌算法识别模型中,并在每秒内输出一个识别结果至车牌结果处理模块,最终车牌结果处理模块输出当前车辆牌照。但是由于视频流耗用处理器内存较高,并对处理器其他性能(工作频率、指令系统和逻辑结构等)要求较高,因此在多路车牌识别智能业务或其它智能业务开启的情况下,处理器性能往往达不到要求,使得处理器的利用率偏低。
目前针对相关技术中基于视频流输入实现对车辆牌照的识别,存在处理器的利用率偏低的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种车牌识别方法、装置、系统和计算机设备,以至少解决相关技术中基于视频流输入实现对车辆牌照的识别,存在处理器的利用率偏低的问题。
第一方面,本申请实施例提供了一种车牌识别方法,所述方法包括:
获取处理器的剩余内存,并判断所述剩余内存是否大于预设的内存阈值;
在所述剩余内存大于所述内存阈值的情况下,将车牌识别切换为视频流,并输入视频流识别模型中,确定第一识别结果;在所述剩余内存小于或等于所述内存阈值的情况下,将所述车牌识别切换为图片流,并输入图片流识别模型中,确定第二识别结果;
根据所述第一识别结果或者所述第二识别结果,确定车牌结果。
在其中一些实施例中,所述在所述剩余内存大于所述内存阈值的情况下,将车牌识别切换为视频流之前,所述方法还包括:
获取所述处理器的负载,并判断所述负载是否大于预设的负载阈值;
在所述负载小于所述负载阈值的情况下,将所述车牌识别切换为视频流,并输入所述视频流识别模型中,生成所述第一识别结果;在所述负载大于或等于所述负载阈值的情况下,将所述车牌识别切换为图片流,并输入所述图片流识别模型中,生成所述第二识别结果。
在其中一些实施例中,所述确定所述第二识别结果包括:
统计单位时间内,经过所述图片流识别模型所生成的处理结果,其中,一帧图片对应一个处理结果;
确定各个所述处理结果在所述单位时间内出现的概率;
将所述概率最大的所述处理结果作为所述第二识别结果。
在其中一些实施例中,所述将所述概率最大的所述处理结果作为所述第二识别结果之前,所述方法还包括:
判断最大的所述概率是否大于预设的准确率阈值;
在所述概率大于或等于所述准确率阈值的情况下,将所述概率所对应的所述处理结果作为所述第二识别结果。
在其中一些实施例中,所述确定各个所述处理结果在所述单位时间内出现的概率之前,所述方法还包括:
统计所述单位时间内,连续出现相同所述处理结果的结果数量;
在所述结果数量大于数量阈值的情况下,将所述结果数量对应的所述处理结果作为所述第二识别结果。
第二方面,本申请实施例提供了一种车牌识别方法装置,所述装置包括:获取模块、识别模块、确定模块;
所述获取模块,用于获取处理器的剩余内存,并判断所述剩余内存是否大于预设的内存阈值;
所述识别模块,用于在所述剩余内存大于所述内存阈值的情况下,将车牌识别切换为视频流,并输入视频流识别模型中,确定第一识别结果;用于在所述内存小于或等于所述内存阈值的情况下,将所述车牌识别切换为图片流,并输入图片流识别模型中,确定第二识别结果;
所述确定模块,用于根据所述第一识别结果或者所述第二识别结果,确定车牌结果。
在其中一些实施例中,所述在所述剩余内存大于所述内存阈值的情况下,将车牌识别切换为视频流之前,所述获取模块还用于获取所述处理器的负载,并判断所述负载是否大于预设的负载阈值;
所述识别模块还用于在所述负载小于所述负载阈值的情况下,将所述车牌识别切换为视频流,并输入所述视频流识别模型中,生成所述第一识别结果;用于在所述负载大于或等于所述负载阈值的情况下,将所述车牌识别切换为图片流,并输入所述图片流识别模型中,生成所述第二识别结果。
在其中一些实施例中,所述识别模块还用于统计单位时间内,经过所述图片流识别模型所生成的处理结果,其中,一帧图片对应一个处理结果;还用于确定各个所述处理结果在所述单位时间内出现的概率,并将所述概率最大的所述处理结果作为所述第二识别结果。
第三方面,本申请实施例提供了一种车牌识别系统,所述系统包括摄像头和中央处理器;
通过所述摄像头获取车辆的视频流或者图片流,所述中央处理器执行时用于实现如上述第一方面所述的车牌识别方法。
第四方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述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如上述第一方面所述的车牌识别方法。
相比于相关技术,本申请实施例提供的一种车牌识别方法、装置、系统和计算机设备,通过获取处理器的剩余内存,并判断所述剩余内存是否大于预设的内存阈值,在所述剩余内存大于所述内存阈值的情况下,将车牌识别切换为视频流,并输入视频流识别模型中,确定第一识别结果;在所述剩余内存小于或等于所述内存阈值的情况下,将所述车牌识别切换为图片流,并输入图片流识别模型中,确定第二识别结果,根据所述第一识别结果或者所述第二识别结果,确定车牌结果,解决了基于视频流输入实现对车辆牌照的识别,存在处理器的利用率偏低的问题,提高了处理器的利用率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例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的车牌识别方法的流程图;
图2是根据本申请实施例的车牌识别的另一方法的流程图;
图3是根据本申请实施例的确定第二识别结果的方法的流程图一;
图4是根据本申请实施例的确定第二识别结果的方法的流程图二;
图5是根据本申请实施例的确定第二识别结果的方法的流程图三;
图6是根据本申请实施例的确定第二识别结果的方法的流程图四;
图7是根据本申请实施例的车牌识别装置的结构框图;
图8是根据本申请实施例的车牌识别系统的结构框图;
图9是根据本申请实施例的计算机设备的硬件结构示意图。
具体实施方式
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,对本申请进行描述和说明。应当理解,此处所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。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的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。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请的车牌识别方法,应用于智能交通环境中,摄像头与服务器通信连接,摄像头获取车辆的视频流或者图片流,服务器通过摄像头获取该视频流或者图片流,并通过视频流识别模型对视频流进行识别,以每秒内输出识别结果,或者通过图片流识别模型对图片流进行识别,以每帧图片输出一个识别结果,服务器并对识别结果进行处理最终确定车辆的车牌。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本实施例提供了一种车牌识别方法,图1是根据本申请实施例的车牌识别方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取处理器的剩余内存,并判断剩余内存是否大于预设的内存阈值。
其中,可以直接获取处理器的剩余内存,例如说当前处理器的剩余内存是10M,预设的内存阈值是20M。可选的,也可以预开启视频流,并获取开启前的处理器剩余内存以及开启后的处理器剩余内存,通过计算两者差值,可以确定开启该路视频流前后的增量内存,将开启后的处理器剩余内存与增量内存做差值,并可以将该差值与预设的内存阈值做比较;例如,开启该路视频流之前,处理器剩余内存为50M,开启该路视频流后,处理器剩余内存为20M,则说明内存增量为30M,此时一种情况,可以将内存增量30M作为后面开启另一路视频流车牌识别业务的内存增量依据,也即是内存增量30M可充当预设的内存阈值,此时处理器剩余内存为20M,内存阈值为30M;另外一种情况,不是将内存增量30M充当预设的内存阈值,而内存阈值是设定的。
步骤S102,在剩余内存大于内存阈值的情况下,将车牌识别切换为视频流,并输入视频流识别模型中,确定第一识别结果;在剩余内存小于或等于内存阈值的情况下,将车牌识别切换为图片流,并输入图片流识别模型中,确定第二识别结果。
例如,直接获取处理器的剩余内存是10M,预设的内存阈值是20M,说明当前的处理器剩余内存不足以开启视频流,当前需要将车牌识别切换为图片流;若通过预开启该路视频流得知内存增量为30M,并将内存增量为30M作为后面开启一路视频流车牌识别业务的内存增量依据,而当前处理器剩余内存为20M,将说明处理器的当前内存是满足预开启的视频流的,但后面不足以再开启另一路视频流,另一路车牌识别则切换为图片流;若通过预开启视频流得知内存增量为30M,并将内存增量为30M作为后面开启一路视频流车牌识别业务的内存增量依据,而当前处理器剩余内存为40M,则说明处理器的当前内存在满足预开启的视频流基础上,还可以再开启另一路视频流,而再开启第三路视频流则处理器剩余内存是不满足的,因此第三路的车牌识别则需要通过图片流来实现。
步骤S103,根据第一识别结果或者第二识别结果,确定车牌结果。
需要说明的是,视频流识别模型中是每秒内输出一次第一识别结果,例如,选取视频流的帧率为12帧,因此,视频流识别模型中是1s内处理12帧图片,在1s内输出一次第一识别结果;图片流识别模型中是每帧图片输出一次第二识别结果,例如,图片流的帧率为2帧,即1s内输入图片流识别模型为2帧图片,最终根据一定时间内的第一识别结果或者第二识别结果来确定车牌结果。
通过步骤S101至步骤S103,在对车辆的车牌识别中,可以在基于处理器自身性能的情况下,选择车牌识别的输入流,在内存足够的情况下,选择基于视频流的车牌识别流程,在内存不足的情况下,选择基于图片流的车牌识别流程,解决了基于视频流输入实现对车辆牌照的识别,存在处理器的利用率偏低的问题,提高了处理器的利用率。
在其中一些实施例中,图2是根据本申请实施例的车牌识别的另一方法的流程图,如图2所示,该方法还包括如下步骤:
步骤S201,获取处理器的负载,并判断负载是否大于预设的负载阈值。
在处理器的当前剩余内存是满足可以开启视频流的基础上,获取处理器当前的负载情况。其中,可以直接获取处理器的负载,例如说当前处理器的负载是60%,预设的负载阈值是80%,当前也可以获取前几次负载的均值,这样,可将负载的均值与负载阈值做比较。可选的,也可以预开启视频流,并获取开启前的处理器负载以及开启后的负载,通过计算两者差值,可以确定开启该路视频流前后的增量负载,将开启后的处理器负载与增量负载做加法,并可以将该加法值与预设的负载阈值做比较;例如,开启该路视频流之前,处理器负载为60%,开启该路视频流后,处理器负载为70%,则说明负载增量为10%,可以将负载增量10%作为后面开启另一路视频流车牌识别业务的负载增量依据,例如,开启该路视频流后,处理器负载为70%,将处理器负载70%、负载增量10%的和与负载阈值是80%做比较。
步骤S202,在负载小于负载阈值的情况下,将车牌识别切换为视频流,并输入视频流识别模型中,生成第一识别结果;在负载大于或等于负载阈值的情况下,将车牌识别切换为图片流,并输入图片流识别模型中,生成第二识别结果。
例如,直接获取处理器的负载是90%,预设的负载阈值是80%,说明当前的处理器负载不足以开启视频流,当前需要将车牌识别切换为图片流;若通过预开启该路视频流得知负载增量为10%,并将负载增量为10%作为后面开启一路视频流车牌识别业务的负载增量依据,而当前处理器负载为75%,将说明处理器的当前负载是满足预开启的视频流的,但后面不足以再开启另一路视频流,另一路车牌识别则切换为图片流;若通过预开启视频流得知负载增量为10%,并将负载增量为10%作为后面开启一路视频流车牌识别业务的负载增量依据,而当前处理器负载为65%,则说明处理器的当前负载在满足预开启的视频流基础上,还可以再开启另一路视频流,而再开启第三路视频流则处理器负载是不满足的,因此第三路的车牌识别则需要通过图片流来实现。
通过步骤S201至步骤S202,在处理器的当前剩余内存是满足可以开启视频流的基础上,在基于处理器自身负载的情况下,选择车牌识别的输入流,在负载低于阈值的情况下,说明处理器的性能满足视频流的车牌识别,则选择基于视频流的车牌识别流程,在负载大于阈值的情况下,选择基于图片流的车牌识别流程,进一步提高了处理器的利用率。
在其中一些实施例中,图3是根据本申请实施例的确定第二识别结果的方法的流程图一,如图3所示,该方法还包括如下步骤:
步骤S301,统计单位时间内,经过图片流识别模型所生成的处理结果,其中,一帧图片对应一个处理结果;需要说明的是,由于图片流识别模型是输入每帧图片输出一个处理结果,因此通过图片流识别模型所生成的处理结果不够精确,需要对单位时间内的处理结果进行处理,可选的,单位时间可以是3秒。
步骤S302,确定各个处理结果在单位时间内出现的概率;例如,已知单位时间是3秒,图片帧率为2帧,即1s内输入为2帧,则单位时间内有6个处理结果,若6个处理结果依次是 A3020M、A3620M、A3020M、A302DM、A302DM、A3020M,分别计算A3020M、A362DM和A302DM出现的概率。
步骤S303,将概率最大的处理结果作为第二识别结果。例如,在单位时间内6个处理结果中,A3020M出现的概率最大,将A3020M作为第二识别结果。
通过步骤S301至步骤S303,统计单位时间内,经过图片流识别模型所生成的处理结果,在单位时间内选取概率化最大化的车牌识别结果作为图片流识别模型的识别结果,提高了基于图片流的车牌识别的精度。
在其中一些实施例中,图4是根据本申请实施例的确定第二识别结果的方法的流程图二,如图4所示,该方法还包括如下步骤:
步骤S401,判断最大的概率是否大于预设的准确率阈值;在概率大于或等于准确率阈值的情况下,将概率所对应的处理结果作为第二识别结果。
其中,准确率阈值可以为(3*fps -1)/(3*fps*100%),fps为图片帧率,也就是每秒图片流传输的帧数,帧率fps可以是1、2或者3。
通过步骤S401,在将概率最大的处理结果作为第二识别结果之前,先判断最大概率是否大于预设的准确率阈值,在最大概率大于或等于准确率阈值的情况下,将概率所对应的处理结果作为第二识别结果,提高第二识别结果的可靠性。
在其中一些实施例中,图5是根据本申请实施例的确定第二识别结果的方法的流程图三,如图5所示,该方法还包括如下步骤:
步骤S501,统计单位时间内,连续出现相同处理结果的结果数量;例如,单位时间内6个处理结果依次是 A3020M、A3620M、A3020M、A302DM、A302DM、A302DM,在6个处理结果中,A302DM连续出现了3次,即是相同处理结果的结果数量是3。
步骤S502,在结果数量大于数量阈值的情况下,将结果数量对应的处理结果作为第二识别结果。例如,单位时间内6个处理结果中,A302DM连续出现了3次,若结果数量3大于数量阈值,则将A302DM作为第二识别结果,需要说明的是,首先数量阈值的大小可以调整,其次结果数量是取最大值与数量阈值比较,且需要结果数量的最大值是一个。
通过步骤S501至步骤S502,在单位时间内连续出现相同处理结果的情况下,一旦连续出现的次数大于预设的数量阈值,则直接将该处理结果作为第二识别结果,而省略后续对处理结果概率的计算,提高了效率。
在其中一些实施例中,图6是根据本申请实施例的确定第二识别结果的方法的流程图四,如图6所示,确定第二识别结果的方法步骤包含了步骤S401以及步骤S501至步骤S502,在提高第二识别结果精度的基础上,提高确定第二识别结果的效率。
需要说明的是,在上述流程中或者附图的流程图中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。
本实施例还提供了一种车牌识别装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图7是根据本申请实施例的车牌识别装置的结构框图,如图7所示,该装置包括:获取模块70、识别模块71和确定模块72;
获取模块70,用于获取处理器的剩余内存,并判断剩余内存是否大于预设的内存阈值;识别模块71,用于在剩余内存大于内存阈值的情况下,将车牌识别切换为视频流,并输入视频流识别模型中,确定第一识别结果;用于在内存小于或等于内存阈值的情况下,将车牌识别切换为图片流,并输入图片流识别模型中,确定第二识别结果;确定模块72,用于根据第一识别结果或者第二识别结果,确定车牌结果。
通过上述车牌识别装置,在对车辆的车牌识别中,可以在基于处理器自身性能的情况下,选择车牌识别的输入流,在内存足够的情况下,选择基于视频流的车牌识别流程,在内存不足的情况下,选择基于图片流的车牌识别流程,解决了基于视频流输入实现对车辆牌照的识别,存在处理器的利用率偏低的问题,提高了处理器的利用率。
在其中一些实施例中,在剩余内存大于内存阈值的情况下,将车牌识别切换为视频流之前,获取模块70还用于获取处理器的负载,并判断负载是否大于预设的负载阈值;识别模块71还用于在负载小于负载阈值的情况下,将车牌识别切换为视频流,并输入视频流识别模型中,生成第一识别结果;用于在负载大于或等于负载阈值的情况下,将车牌识别切换为图片流,并输入图片流识别模型中,生成第二识别结果。
通过上述装置,在处理器的当前剩余内存是满足可以开启视频流的基础上,在基于处理器自身负载的情况下,选择车牌识别的输入流,在负载低于阈值的情况下,说明处理器的性能满足视频流的车牌识别,则选择基于视频流的车牌识别流程,在负载大于阈值的情况下,选择基于图片流的车牌识别流程,进一步提高了处理器的利用率。
在其中一些实施例中,识别模块71还用于统计单位时间内,经过图片流识别模型所生成的处理结果,其中,一帧图片对应一个处理结果;还用于确定各个处理结果在单位时间内出现的概率,并将概率最大的处理结果作为第二识别结果。通过统计单位时间内,经过图片流识别模型所生成的处理结果,在单位时间内选取概率化最大化的车牌识别结果作为图片流识别模型的识别结果,提高了基于图片流的车牌识别的精度。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本申请还提供了一种车牌识别系统,图8是根据本申请实施例的车牌识别系统的结构框图,如图8所示,该系统包括摄像头80和中央处理器81;
通过摄像头获取车辆的视频流或者图片流,中央处理器81执行时用于实现上述实施例中的任意一种车牌识别方法。
通过上述的车牌识别系统,在对车辆的车牌识别中,可以在基于处理器自身性能的情况下,选择车牌识别的输入流,在内存足够的情况下,选择基于视频流的车牌识别流程,在内存不足的情况下,选择基于图片流的车牌识别流程,解决了基于视频流输入实现对车辆牌照的识别,存在处理器的利用率偏低的问题,提高了处理器的利用率。
另外,结合图1描述的本申请实施例的车牌识别方法可以由计算机设备来实现。计算机设备可以包括处理器以及存储有计算机程序指令的存储器。
具体地,上述处理器可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器可在数据处理装置的内部或外部。在特定实施例中,存储器是非易失性(Non-Volatile)存储器。在特定实施例中,存储器包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(Random AccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器所执行的可能的计算机程序指令。
处理器通过读取并执行存储器中存储的计算机程序指令,以实现上述实施例中的任意一种车牌识别方法。
在其中一些实施例中,计算机设备还可包括通信接口93和总线90,图9是根据本申请实施例的计算机设备的硬件结构示意图,如图9所示,处理器91、存储器92、通信接口93通过总线90连接并完成相互间的通信。
通信接口93用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口93还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线90包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线90包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线90可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽互连、低引脚数(LowPin Count,简称为LPC)总线、存储器总线、微信道架构(Micro Channel Architecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial Advanced TechnologyAttachment,简称为SATA)总线、视频电子标准协会局部(Video Electronics StandardsAssociation Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线90可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的车牌识别方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种车牌识别方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
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发明专利范围的限制。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 (8)
1.一种车牌识别方法,其特征在于,所述方法包括:
获取处理器的剩余内存,并判断所述剩余内存是否大于预设的内存阈值;
在所述剩余内存大于所述内存阈值的情况下,将车牌识别切换为视频流,并输入视频流识别模型中,确定第一识别结果;在所述剩余内存小于或等于所述内存阈值的情况下,将所述车牌识别切换为图片流,并输入图片流识别模型中,确定第二识别结果;
根据所述第一识别结果或者所述第二识别结果,确定车牌结果;
其中,在所述剩余内存大于所述内存阈值的情况下,将车牌识别切换为视频流之前,还包括:获取所述处理器的负载,并判断所述负载是否大于预设的负载阈值;在所述负载小于所述负载阈值的情况下,将所述车牌识别切换为视频流,并输入所述视频流识别模型中,生成所述第一识别结果;在所述负载大于或等于所述负载阈值的情况下,将所述车牌识别切换为图片流,并输入所述图片流识别模型中,生成所述第二识别结果。
2.根据权利要求1所述的方法,其特征在于,所述确定所述第二识别结果包括:
统计单位时间内,经过所述图片流识别模型所生成的处理结果,其中,一帧图片对应一个处理结果;
确定各个所述处理结果在所述单位时间内出现的概率;
将所述概率最大的所述处理结果作为所述第二识别结果。
3.根据权利要求2所述的方法,其特征在于,所述将所述概率最大的所述处理结果作为所述第二识别结果之前,所述方法还包括:
判断最大的所述概率是否大于预设的准确率阈值;
在所述概率大于或等于所述准确率阈值的情况下,将所述概率所对应的所述处理结果作为所述第二识别结果。
4.根据权利要求2或3所述的方法,其特征在于,所述确定各个所述处理结果在所述单位时间内出现的概率之前,所述方法还包括:
统计所述单位时间内,连续出现相同所述处理结果的结果数量;
在所述结果数量大于数量阈值的情况下,将所述结果数量对应的所述处理结果作为所述第二识别结果。
5.一种车牌识别装置,其特征在于,所述装置包括:获取模块、识别模块和确定模块;
所述获取模块,用于获取处理器的剩余内存,并判断所述剩余内存是否大于预设的内存阈值;
所述识别模块,用于在所述剩余内存大于所述内存阈值的情况下,将车牌识别切换为视频流,并输入视频流识别模型中,确定第一识别结果;用于在所述内存小于或等于所述内存阈值的情况下,将所述车牌识别切换为图片流,并输入图片流识别模型中,确定第二识别结果;
所述确定模块,用于根据所述第一识别结果或者所述第二识别结果,确定车牌结果;
其中,在所述剩余内存大于所述内存阈值的情况下,将车牌识别切换为视频流之前,所述获取模块还用于获取所述处理器的负载,并判断所述负载是否大于预设的负载阈值;所述识别模块还用于在所述负载小于所述负载阈值的情况下,将所述车牌识别切换为视频流,并输入所述视频流识别模型中,生成所述第一识别结果;用于在所述负载大于或等于所述负载阈值的情况下,将所述车牌识别切换为图片流,并输入所述图片流识别模型中,生成所述第二识别结果。
6.根据权利要求5所述的装置,其特征在于,所述识别模块还用于统计单位时间内,经过所述图片流识别模型所生成的处理结果,其中,一帧图片对应一个处理结果;还用于确定各个所述处理结果在所述单位时间内出现的概率,并将所述概率最大的所述处理结果作为所述第二识别结果。
7.一种车牌识别系统,其特征在于,所述系统包括摄像头和中央处理器;
通过所述摄像头获取车辆的视频流或者图片流,所述中央处理器执行时用于实现如权利要求1至4中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010533318.1A CN111862617B (zh) | 2020-06-12 | 2020-06-12 | 一种车牌识别方法、装置、系统和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010533318.1A CN111862617B (zh) | 2020-06-12 | 2020-06-12 | 一种车牌识别方法、装置、系统和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862617A CN111862617A (zh) | 2020-10-30 |
CN111862617B true CN111862617B (zh) | 2022-06-03 |
Family
ID=72986662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010533318.1A Active CN111862617B (zh) | 2020-06-12 | 2020-06-12 | 一种车牌识别方法、装置、系统和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862617B (zh) |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101377811B (zh) * | 2007-08-31 | 2010-06-30 | 北京万集科技有限责任公司 | 一种车牌识别的方法与系统 |
CN102567720A (zh) * | 2011-12-26 | 2012-07-11 | 广州市千钧网络科技有限公司 | Flash在线视频的人脸识别方法及人脸识别装置 |
CN103824066B (zh) * | 2014-03-18 | 2017-10-10 | 厦门翼歌软件科技有限公司 | 一种基于视频流的车牌识别方法 |
KR101671703B1 (ko) * | 2014-12-26 | 2016-11-02 | 경북대학교 산학협력단 | 다기능 신호등 장치 및 그 운영 방법 |
CN105988836B (zh) * | 2015-02-12 | 2020-07-10 | Oppo广东移动通信有限公司 | 一种应用推荐方法及装置 |
CN105631425B (zh) * | 2015-12-29 | 2020-04-07 | 厦门科拓通讯技术股份有限公司 | 基于视频流的车牌识别方法、系统及智能数字摄像机 |
CN106980525A (zh) * | 2017-04-25 | 2017-07-25 | 北京奇虎科技有限公司 | 应用启动方法、装置及移动终端 |
CN107248287A (zh) * | 2017-06-21 | 2017-10-13 | 克立司帝控制系统(上海)有限公司 | 基于图像识别技术的车辆定位跟踪系统及方法 |
CN108052931B (zh) * | 2018-01-05 | 2021-07-30 | 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 |
US10733451B2 (en) * | 2018-05-10 | 2020-08-04 | Avigilon Corporation | Automatic license plate recognition system and method therefor |
CN109711407B (zh) * | 2018-12-28 | 2023-02-28 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别的方法及相关装置 |
CN110418061B (zh) * | 2019-08-26 | 2021-04-23 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理器、拍照装置及电子设备 |
CN110677699B (zh) * | 2019-10-10 | 2022-03-08 | 上海依图网络科技有限公司 | 视频流和/或图片流数据的共享方法、装置及电子设备 |
CN111258738A (zh) * | 2020-01-20 | 2020-06-09 | 深圳市商汤科技有限公司 | 视图信息处理方法及装置、电子设备和存储介质 |
-
2020
- 2020-06-12 CN CN202010533318.1A patent/CN111862617B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111862617A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107278369B (zh) | 人员查找的方法、装置及通信系统 | |
US20160155465A1 (en) | Video masking processing method and apparatus | |
CN110544477A (zh) | 一种语音识别方法、装置、设备及介质 | |
CN109522814B (zh) | 一种基于视频数据的目标追踪方法及装置 | |
EP4024945A1 (en) | Information processing method, apparatus, and device, and computer readable storage medium | |
CN111400550A (zh) | 一种目标运动轨迹构建方法、设备以及计算机存储介质 | |
CN113191293A (zh) | 广告检测方法、装置、电子设备、系统及可读存储介质 | |
CN111860590A (zh) | 车牌投票方法、装置、计算机设备和存储介质 | |
CN109740442B (zh) | 定位方法、装置、存储介质及电子设备 | |
CN111862617B (zh) | 一种车牌识别方法、装置、系统和计算机设备 | |
CN113569705A (zh) | 场景分割点判断方法、系统、存储介质及电子设备 | |
CN111354216A (zh) | 一种车辆停放位置的识别方法、装置及相关设备 | |
CN111985304A (zh) | 巡防告警方法、系统、终端设备及存储介质 | |
CN110991253B (zh) | 一种基于区块链的人脸数字身份识别方法和装置 | |
CN111798836A (zh) | 一种自动切换语种方法、装置、系统、设备和存储介质 | |
CN109785617B (zh) | 交通控制信息的处理方法 | |
CN110738812B (zh) | 门铃提示方法及相关产品 | |
CN109784226B (zh) | 人脸抓拍方法及相关装置 | |
CN114495056A (zh) | 停车场柱子检测方法、检测装置、车辆及存储介质 | |
CN113438286A (zh) | 信息推送方法及装置、电子设备和存储介质 | |
CN110458171B (zh) | 一种车牌识别的方法以及相关装置 | |
CN112241671B (zh) | 一种人员身份识别方法、装置及系统 | |
CN112633207A (zh) | 一种基于智能算法的消防通道阻塞视频识别方法 | |
CN110956806A (zh) | 一种车辆违法检测信息管理方法、装置及设备 | |
JP6443144B2 (ja) | 情報出力装置、情報出力プログラム及び情報出力方法、並びに情報出力システム |
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 |