CN111881917A - 图像预处理方法、装置、计算机设备和可读存储介质 - Google Patents
图像预处理方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111881917A CN111881917A CN202010607681.3A CN202010607681A CN111881917A CN 111881917 A CN111881917 A CN 111881917A CN 202010607681 A CN202010607681 A CN 202010607681A CN 111881917 A CN111881917 A CN 111881917A
- Authority
- CN
- China
- Prior art keywords
- image
- license plate
- brightness
- brightness level
- detected
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000007781 pre-processing Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V20/63—Scene text, e.g. street names
-
- 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
Abstract
本申请涉及一种图像预处理方法、装置、计算机设备和可读存储介质,其中,该图像预处理方法包括:获取待检测图像,其中,待检测图像中具有车牌图像;使用经过训练的人工神经网络检测车牌图像的亮度级别,其中,经过训练的人工神经网络被训练为检测车辆图像中车牌图像的亮度级别;获取与亮度级别对应的曝光参数,并根据曝光参数调整待检测图像的亮度,得到预处理图像。通过本申请,解决了相关技术中车牌图像识别率的误差大的问题,提高了车牌图像的识别率。
Description
技术领域
本申请涉及图像处理领域,特别是涉及图像预处理方法、装置、计算机设备和计算机可读存储介质。
背景技术
目前在道路口的红绿灯附近,大部分都会安装卡口、电警等监控设备,用于对违法违规车辆进行抓拍。随着全天候太阳东升西落的过程,车辆抓拍点不可避免的会处于强顺光或强逆光环境中,其中,顺光环境下车牌光照过于充足,极易发生车牌过曝而泛白现象,而逆光环境下,车牌受到的光照过于微弱,极易发生车牌欠曝,导致车牌字体辨识度过低。车牌识别率与抓拍图像的车牌效果密切相关,一张曝光适宜车牌的识别率会明显优于过曝或欠曝车牌的识别率。
为了克服上述车牌识别率的低的问题,在相关技术中,通过检测是否能够从车辆图片信息中确定出目标车辆的车牌区域;在不能够从车辆图片信息中确定出目标车辆的车牌区域的情况下,获取车辆图片信息中预置区域的亮度参数,最后将预置区域的亮度参数确定为目标车辆的车牌区域内图片的亮度参数,进而来调节车牌区域内的图片的亮度,以使得车辆图像中车牌图像能够被识别。然而发明人在研究过程中发现,该预置区域是人工设定的,而通过采用人工设定的预置区域对应的亮度参数来实现对车牌区域内图片的亮度调节,会导致车牌区域对应的车牌图像识别率的误差大。
目前针对相关技术中车牌图像识别率的误差大的问题,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图像预处理方法、装置、计算机设备和计算机可读存储介质,以至少解决相关技术中车牌图像识别率的误差大的问题。
第一方面,本申请实施例提供了一种图像预处理方法,包括:
获取待检测图像,其中,所述待检测图像中具有车牌图像;
使用经过训练的人工神经网络检测所述车牌图像的亮度级别,其中,所述经过训练的人工神经网络被训练为检测车辆图像中车牌图像的亮度级别;
获取与所述亮度级别对应的曝光参数,并根据所述曝光参数调整所述待检测图像的亮度,得到预处理图像。
在其中一些实施例中,获取与所述亮度级别对应的曝光参数,并根据所述曝光参数调整所述待检测图像的亮度,得到预处理图像包括:
判断所述亮度级别是否为预设亮度级别;
在判断到所述亮度级别不为所述预设亮度级别的情况下,获取与所述亮度级别对应的曝光参数,并根据所述曝光参数调整所述待检测图像的亮度,得到所述预处理图像。
在其中一些实施例中,所述方法还包括:
在判断到所述亮度级别为所述预设亮度级别的情况下,确定所述待检测图像的亮度不变。
在其中一些实施例中,在根据所述曝光参数调整所述待检测图像的亮度,得到预处理图像之后,所述方法还包括:
从所述预处理图像中检测并提取目标车牌图像。
在其中一些实施例中,在获取所述待检测图像之后,所述方法还包括:提取所述待检测图像中的感兴趣区域图像的坐标信息,其中,所述感兴趣区域图像包括车辆图像;
在根据所述曝光参数调整所述待检测图像的亮度,得到预处理图像之后,所述方法还包括:根据所述感兴趣区域图像的坐标信息,从所述预处理图像中提取所述感兴趣区域图像;从所述感兴趣区域图像中检测并提取目标车牌图像。
在其中一些实施例中,在检测并提取到所述目标车牌图像之后,所述方法还包括:
调整所述目标车牌图像的曝光参数。
在其中一些实施例中,经过训练的人工神经网络的训练过程包括:
获取训练样本和初始的人工神经网络,其中,所述训练样本包括:训练图像和与所述训练图像对应的标签;所述训练图像中具有包含车牌图像和车辆图像,所述标签用于表示所述训练图像中的车牌图像的亮度级别;
使用所述训练样本以监督学习的方式训练所述初始的人工神经网络,直至参数收敛,得到所述经过训练的人工神经网络。
第二方面,本申请实施例还提供了一种图像预处理装置,所述装置包括:
第一获取模块,用于获取待检测图像,其中,所述待检测图像中具有车牌图像;
检测模块,用于使用经过训练的人工神经网络检测所述车牌图像的亮度级别,其中,所述经过训练的人工神经网络被训练为检测车辆图像中车牌图像的亮度级别;
第二获取模块,用于获取与所述亮度级别对应的曝光参数,并根据所述曝光参数调整所述待检测图像的亮度,得到预处理图像。
第三方面,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图像预处理方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的图像预处理方法。
相比于相关技术,本申请实施例提供的图像预处理方法、装置、计算机设备和计算机可读存储介质,通过获取待检测图像,其中,待检测图像中具有车牌图像;使用经过训练的人工神经网络检测车牌图像的亮度级别,其中,经过训练的人工神经网络被训练为检测车辆图像中车牌图像的亮度级别;获取与亮度级别对应的曝光参数,并根据曝光参数调整待检测图像的亮度,得到预处理图像的方式,解决了相关技术中车牌图像识别率的误差大的问题,提高了车牌图像的识别率。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
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图像预处理方法的流程图;
图2是根据本申请优选实施例的图像预处理方法的流程图;
图3是根据本申请实施例的图像预处理装置的结构框图;
图4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。
本实施例所提供的方法实施例可以在监控设备中执行。下面将以监控设备为例,对本发明实施例的图像预处理方法进行描述和说明。
本实施例还提供了一种图像预处理方法。图1是根据本申请实施例的图像预处理方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取待检测图像,其中,待检测图像中具有车牌图像。
本步骤中,待检测图像可以是监控设备实时获取的,也可以是监控设备从待检测图像的数据库中获取的。
步骤S102,使用经过训练的人工神经网络检测车牌图像的亮度级别,其中,经过训练的人工神经网络被训练为检测车辆图像中车牌图像的亮度级别。
本步骤中,通过采取人工神经网络方式来检测车牌图像的亮度级别的方式,可以提高对该车牌图像的亮度级别的精度以及对车牌图像的识别度,以便于步骤S103中根据该亮度级别对应的曝光参数,进行准确的调整。无需采用人工设定的预置区域对应的亮度参数来调节车牌区域的亮度的方式,解决了车牌图像识别率的误差大的问题。
需要说明的是,将待检测图像输入到人工神经网络之前,可以对待检测图像进行一些预处理,例如边缘裁剪、图像降噪等。
步骤S103,获取与亮度级别对应的曝光参数,并根据曝光参数调整待检测图像的亮度,得到预处理图像。
本步骤中,亮度级别对应的曝光参数是用户预先根据不同的亮度级别而设定的,每个亮度级别可以有对应的曝光参数,该曝光参数可以用于将待检测图像的亮度调整到用户的预设的期望亮度值,以使得预处理图像中的车牌图像能够被识别。
通过步骤S101至步骤S103,与现有技术相比,本实施例提供的上述步骤中引入神经网络,以通过采集到的待检测图像预测车牌图像的亮度级别,并获取与预测到车牌图像的亮度级别对应的曝光参数,进而根据曝光参数调整待检测图像的亮度,得到预处理图像的方式,可以使得预处理图像中的车牌图像能够被检测到,避免了相关技术中因采用人工设定的预置区域对应的亮度参数来实现对车牌区域内图片的亮度调节,而导致车牌区域对应的车牌图像识别率的误差大的问题,提高了车牌图像的识别率。
在相关技术中,车辆抓拍点不可避免的会处于顺光或逆光环境中,而在顺光或逆光环境难免会存在车牌识别不了或者难以识别的情况。其中,顺光环境下车牌光照过于充足,极易发生车牌过曝而泛白现象,而逆光环境下,车牌受到的光照过于微弱,极易发生车牌欠曝,导致车牌字体辨识度过低。
而在本申请实施例中,可以根据亮度级别对应的亮度参数来调节待检测图像的亮度,从而缓解欠曝或过曝的情况,以使得待检测图像中的车牌图像能够被识别到。
例如,在其中一些实施例中,步骤S103可以包括:判断亮度级别是否为预设亮度级别;在判断到亮度级别不为预设亮度级别的情况下,获取与亮度级别对应的曝光参数,并根据曝光参数调整待检测图像的亮度,得到预处理图像。
需要说明的是,预设亮度级别可以表示车牌图像能够被识别到亮度级别。
在本实施例中,通过将亮度级别与预设亮度级别进行对比,并在判断到亮度级别不为预设亮度级别的情况下,获取与亮度级别对应的曝光参数,并根据曝光参数调整待检测图像的亮度,得到预处理图像的方式,可以实现车牌图像的亮度调整,以使得待检测图像的亮度能够达到用户预设的期望亮度值,从而缓解待检测图像欠曝或过曝的情况。
又例如,在其中一些实施例中,在判断到亮度级别为预设亮度级别的情况下,确定待检测图像的亮度不变。以免亮度级别为预设亮度级别的情况下,还需去调整待检测图像的亮度,而导致待检测图像处理过程繁琐的问题,简化了待检测图像处理过程。
为了进一步的提高对车牌图像的识别,在其中一些实施例中,可以从步骤S103中的预处理图像中检测并提取目标车牌图像。并对车牌图像的亮度进行进一步的调整,以提高对车牌图像的识别。
例如,在其中一些实施例中,在步骤S101中获取待检测图像之后,可以通过提取待检测图像中的感兴趣区域图像的坐标信息,其中,感兴趣区域图像包括车辆图像的方式,以便于在步骤S103中根据曝光参数调整待检测图像的亮度,得到预处理图像之后,进一步根据感兴趣区域图像的坐标信息,从预处理图像中提取感兴趣区域图像;从感兴趣区域图像中检测并提取目标车牌图像。
在本实施例中,通过预先从待检测图像中提取感兴趣区域的坐标信息,进而根据感兴趣区域的坐标信息从预处理图像中提取感兴趣区域图像,此时由于预处理图像为经过亮度调整之后的图像,因此该预处理图像的车牌图像已能够被识别,进而可以直接从提到的感兴趣区域图像中检测并提取目标车牌图像,通过该方式,实现了对目标车牌图像提取,同时还实现了感兴趣区域与目标车牌图像的准确配准。
在其中一些实施例中,在检测并提取到目标车牌图像之后,还可以进一步来调整目标车牌图像的曝光参数,使得目标车牌图像能够识别的更清晰,以及车牌图像的识别率更高。例如,通过上述方式可以使得车牌图像对应的车牌的车牌号能够被清楚的识别。
其中,本实施例中的亮度调节可以是看成是步骤S103之后的再次调节,通过上述两次亮度调节,不仅可以提高车牌图像识别率,还可以避免车牌图像的在进行曝光调节和检测时互相影响而无法进行识别的困境。
在其中一些实施例中,步骤S102中的经过训练的人工神经网络的训练过程包括:获取训练样本和初始的人工神经网络,其中,训练样本包括:训练图像和与训练图像对应的标签;训练图像中具有包含车牌图像和车辆图像,标签用于表示训练图像中的车牌图像的亮度级别;使用训练样本以监督学习的方式训练初始的人工神经网络,直至参数收敛,得到经过训练的人工神经网络。
在本实施例中。可以对不同车牌亮度级别对应的车牌图像和/或车辆图像标上标签A、标签B、标签C,标签A对应的车牌亮度级别可以表示车牌图像和/或车辆图像为欠曝环境,标签C表示对应的车牌亮度级别可以表示车牌图像和/或车辆图像为过曝环境,标签B表示对应的车牌亮度级别可以表示车牌图像和/或车辆图像为曝光适宜的环境。将该标签来用于表示车牌亮度级别,并将标记标签的车辆图像和/或车牌图像作为训练样本,训练人工神经网络得到经过训练的人工神经网络。本实施例中对训练样本进行标注标签所遵循的原则可以是:若车牌图像的光线不足,即车牌图像对应的车牌边框和字体边框等均难以区分,则标注标签A;若车牌图像对应的车牌区域过曝而泛白,则标注标签C;若车牌图像对应的车牌边框和字体较为清晰,则此时不关注是否达到识别车牌图像中的车牌号的亮度程度,即只要能辨识出车辆图像中的车牌位置即可,则标注为标签B。其中,标签A和标签C对应的车牌图像和/或车辆图像在本实施中可以认为是车牌图像无法被检测到的图像,需要进行曝光调节。
通过上述方式对人工神经网络进行训练得到经过训练的人工神经网络,然后再由经过训练的人工神经网络来确定待检测图像中的车牌图像的车牌亮度级别,可以提高从待检测图像中确定车牌图像的车牌亮度级别的准确性。
在本实施例中,可以通过测试样本来验证经过训练的人工神经网络对车牌亮度级别的预测准确率。其中,测试样本可以是训练样本中的一部分样本,也可以是与训练样本不同的另一组样本。与训练样本一样,测试样本也包括测试图像和与测试图像对应的标签;测试图像中具有包含车牌图像和车辆图像,标签用于表示测试图像中的车牌图像的亮度级别。通过将测试图像输入到经过训练的人工神经网络中,获得经过训练的人工神经网络输出的标签以确定该经过训练的人工神经网络对车牌图像的亮度级别的预测结果,如果该预测结果和与测试图像对应的标签表示的亮度级别一致,则表明预测正确;否则预测错误。通过统计对测试样本的预测结果的正确率,来确定经过训练的人工神经网络的预测准确率。如果预测准确率大于预设值,则人工神经网络的训练完成,否则通过多次迭代已有训练样本,或者增加新的训练样本继续训练,直至预测准确率达到预设值。
本申请实施例中,通过人工神经网络设置标签,以及将车牌亮度级别、车牌图像亮度与车辆图像的曝光状态相关联的方式,来实现对待检测图像中的车牌图像的亮度调节,还提高了对车牌图像的曝光调节的准确性。
下面通过优选实施例对本申请实施例进行描述和说明。
图2是根据本申请优选实施例的图像预处理方法的流程图。如图2所示,该预处理方法包括如下步骤:
步骤S201,获取实况帧,并将该实况帧作为待检测图像。
步骤S202,将待检测图像输入到经过训练的人工神经网络,输出车牌亮度级别,并确定车辆图像位置信息。
步骤S203,判断车辆亮度级别是否为预设亮度级别,若是,则执行步骤S203,若否,则执行步骤S207。
步骤S204,判断亮度级别是否大于预设亮度级别,若是,则执行步骤S205,若否,则执行步骤S206。
步骤S205,获取与亮度级别对应的第一曝光参数,并根据第一曝光参数调整待检测图像的亮度,得到预处理图像,并跳转到步骤S208。
在本步骤中,可以是通过第一曝光参数调节待检测图像的亮度,以降低待检测图像的亮度,以使得待检测图像的亮度达到期望亮度,从而缓解过曝的情况。
步骤S206,获取与亮度级别对应的第二曝光参数,并根据第二曝光参数调整待检测图像的亮度,得到预处理图像,并跳转步骤S208。
在本步骤中,可以是通过第二曝光参数调节待检测图像的亮度,以提高待检测图像的亮度,以使得待检测图像的亮度达到期望亮度,从而缓解欠曝的情况。
需要说明的是,步骤S205和步骤S206中的亮度调节可以是一个亮度粗调步骤。
步骤S207,确定待检测图像的亮度不变。
步骤S208,根据步骤S202中的车辆图像位置信息,从预处理图像中提取目标车牌图像。
经过步骤S201至步骤S207,车辆图像中的目标车辆图像已经满足了检测的需求。因此,可以直接根据车辆图像位置信息,从预处理图像中提取目标车辆图像。
步骤S209,调整目标车牌图像的曝光参数,使车牌图像的曝光适宜。
步骤S209中,可以通过计算该目标车牌图像的像素平均亮度,然后通过调节曝光参数,从而使目标车牌图像区域亮度达到预置的期望值,该预置的期望值可以为从车牌中识别出车牌号的亮度范围,可根据用户的实际需要进行调整,此处并不作限定。
需要说明的是,步骤S209中的亮度调节可以是一个亮度细调步骤,以达到更好的识别车牌图像。
通过上述步骤中的两次亮度调节,即步骤S205或步骤S206中的粗调,以及步骤S209中细调,不仅可以提高车牌图像的识别率,还可以避免车牌图像的在进行曝光调节和检测时互相影响而无法进行识别的问题。
本实施例还提供了一种图像预处理装置,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3是根据本申请实施例的图像预处理装置的结构框图,如图3所示,该装置包括:
第一获取模块31,用于获取待检测图像,其中,待检测图像中具有车牌图像;
检测模块32,耦合至第一获取模块31,用于使用经过训练的人工神经网络检测车牌图像的亮度级别,其中,经过训练的人工神经网络被训练为检测车辆图像中车牌图像的亮度级别;
第二获取模块33,耦合至检测模块32,用于获取与亮度级别对应的曝光参数,并根据曝光参数调整待检测图像的亮度,得到预处理图像。
在其中一些实施例中,该第二获取模块包括:第一判断模块,用于判断亮度级别是否为预设亮度级别;第二判断模块,用于在判断到亮度级别不为预设亮度级别的情况下,判断亮度级别是否大于预设亮度级别;第三获取模块,用于在判断到亮度级别大于预设亮度级别的情况下,获取与亮度级别对应的第一曝光参数,并根据第一曝光参数调整待检测图像的亮度,得到预处理图像;第四获取模块,用于在判断到亮度级别不大于预设亮度级别的情况下,获取与亮度级别对应的第二曝光参数,并根据第二曝光参数调整待检测图像的亮度,得到预处理图像。
在其中一些实施例中,该装置还包括:确定模块,用于在判断到亮度级别为预设亮度级别的情况下,确定待检测图像的亮度不变。
在其中一些实施例中,该装置还包括:第一提取模块,用于从预处理图像中检测并提取目标车牌图像。
在其中一些实施例中,该装置还包括:第二提取模块,用于提取待检测图像中的感兴趣区域图像的坐标信息,其中,感兴趣区域图像包括车辆图像;第三提取模块,用于根据感兴趣区域图像的坐标信息,从预处理图像中提取感兴趣区域图像;第四提取模块,用于从感兴趣区域图像中检测并提取目标车牌图像。
在其中一些实施例中,该装置还包括:调整模块,用于调整目标车牌图像的曝光参数。
在其中一些实施例中,该装置还包括:第五获取模块,用于获取训练样本和初始的人工神经网络,其中,训练样本包括:训练图像和与训练图像对应的标签;训练图像中具有包含车牌图像和车辆图像,标签用于表示训练图像中的车牌图像的亮度级别;训练模块,用于使用训练样本以监督学习的方式训练初始的人工神经网络,直至参数收敛,得到经过训练的人工神经网络。
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。
另外,结合图1描述的本申请实施例图像预处理方法可以由计算机设备来实现。图4是根据本申请实施例的计算机设备的硬件结构示意图。
计算机设备可以包括处理器41以及存储有计算机程序指令的存储器42。
具体地,上述处理器41可以包括中央处理器(CPU),或者特定集成电路(Application Specific 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42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42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42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42可在数据处理装置的内部或外部。在特定实施例中,存储器42是非易失性(Non-Volatile)存储器。在特定实施例中,存储器42包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,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42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41所执行的可能的计算机程序指令。
处理器41通过读取并执行存储器42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图像预处理方法。
在其中一些实施例中,计算机设备还可包括通信接口43和总线40。其中,如图4所示,处理器41、存储器42、通信接口43通过总线40连接并完成相互间的通信。
通信接口43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43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40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40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40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(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,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 AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association 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40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。
该计算机设备可以基于获取到的待检测图像,执行本申请实施例中的图像预处理方法,从而实现结合图1描述的图像预处理方法。
另外,结合上述实施例中的图像预处理方法,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图像预处理方法。
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 (10)
1.一种图像预处理方法,其特征在于,包括:
获取待检测图像,其中,所述待检测图像中具有车牌图像;
使用经过训练的人工神经网络检测所述车牌图像的亮度级别,其中,所述经过训练的人工神经网络被训练为检测车辆图像中车牌图像的亮度级别;
获取与所述亮度级别对应的曝光参数,并根据所述曝光参数调整所述待检测图像的亮度,得到预处理图像。
2.根据权利要求1所述的图像预处理方法,其特征在于,获取与所述亮度级别对应的曝光参数,并根据所述曝光参数调整所述待检测图像的亮度,得到预处理图像包括:
判断所述亮度级别是否为预设亮度级别;
在判断到所述亮度级别不为所述预设亮度级别的情况下,获取与所述亮度级别对应的曝光参数,并根据所述曝光参数调整所述待检测图像的亮度,得到所述预处理图像。
3.根据权利要求2所述的图像预处理方法,其特征在于,所述方法还包括:
在判断到所述亮度级别为所述预设亮度级别的情况下,确定所述待检测图像的亮度不变。
4.根据权利要求1至3中任一项所述的图像预处理方法,其特征在于,在根据所述曝光参数调整所述待检测图像的亮度,得到预处理图像之后,所述方法还包括:
从所述预处理图像中检测并提取目标车牌图像。
5.根据权利要求1至3中任一项所述的图像预处理方法,其特征在于,
在获取所述待检测图像之后,所述方法还包括:提取所述待检测图像中的感兴趣区域图像的坐标信息,其中,所述感兴趣区域图像包括车辆图像;
在根据所述曝光参数调整所述待检测图像的亮度,得到预处理图像之后,所述方法还包括:根据所述感兴趣区域图像的坐标信息,从所述预处理图像中提取所述感兴趣区域图像;从所述感兴趣区域图像中检测并提取目标车牌图像。
6.根据权利要求4或5所述的图像预处理方法,其特征在于,在检测并提取到所述目标车牌图像之后,所述方法还包括:
调整所述目标车牌图像的曝光参数。
7.根据权利要求1所述的图像预处理方法,其特征在于,经过训练的人工神经网络的训练过程包括:
获取训练样本和初始的人工神经网络,其中,所述训练样本包括:训练图像和与所述训练图像对应的标签;所述训练图像中具有包含车牌图像和车辆图像,所述标签用于表示所述训练图像中的车牌图像的亮度级别;
使用所述训练样本以监督学习的方式训练所述初始的人工神经网络,直至参数收敛,得到所述经过训练的人工神经网络。
8.一种图像预处理装置,其特征在于,所述装置包括:
第一获取模块,用于获取待检测图像,其中,所述待检测图像中具有车牌图像;
检测模块,用于使用经过训练的人工神经网络检测所述车牌图像的亮度级别,其中,所述经过训练的人工神经网络被训练为检测车辆图像中车牌图像的亮度级别;
第二获取模块,用于获取与所述亮度级别对应的曝光参数,并根据所述曝光参数调整所述待检测图像的亮度,得到预处理图像。
9.一种计算机设备,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,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的图像预处理方法。
10.一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7中任一项所述的图像预处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010607681.3A CN111881917A (zh) | 2020-06-30 | 2020-06-30 | 图像预处理方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010607681.3A CN111881917A (zh) | 2020-06-30 | 2020-06-30 | 图像预处理方法、装置、计算机设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111881917A true CN111881917A (zh) | 2020-11-03 |
Family
ID=73158172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010607681.3A Pending CN111881917A (zh) | 2020-06-30 | 2020-06-30 | 图像预处理方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881917A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257729A (zh) * | 2020-11-13 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、设备及存储介质 |
CN112580672A (zh) * | 2020-12-28 | 2021-03-30 | 安徽创世科技股份有限公司 | 一种适用于暗环境的车牌识别预处理方法、装置及存储介质 |
CN112634250A (zh) * | 2020-12-29 | 2021-04-09 | 上海联影医疗科技股份有限公司 | 多能ct系统图像配准方法、装置、计算机设备和存储介质 |
CN113856235A (zh) * | 2021-09-29 | 2021-12-31 | 浙江大华技术股份有限公司 | 降温结晶控制方法、装置、电子设备和系统 |
CN116664431A (zh) * | 2023-05-30 | 2023-08-29 | 原朗智芯(苏州)数字科技有限公司 | 一种基于人工智能的图像处理系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101247479A (zh) * | 2008-03-26 | 2008-08-20 | 北京中星微电子有限公司 | 一种基于图像中目标区域的自动曝光方法 |
US20130039576A1 (en) * | 2010-02-24 | 2013-02-14 | Tobias Ehlgen | Method and device for analyzing an image of an image recording device for a vehicle |
CN106357987A (zh) * | 2016-10-19 | 2017-01-25 | 浙江大华技术股份有限公司 | 一种曝光方法和装置 |
CN108881710A (zh) * | 2017-12-28 | 2018-11-23 | 北京旷视科技有限公司 | 图像处理方法、装置和系统及存储介质 |
CN110620881A (zh) * | 2019-10-31 | 2019-12-27 | 北京猎户智芯科技有限公司 | 车牌曝光补偿方法、装置、计算机设备及存储介质 |
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 |
CN111340731A (zh) * | 2020-02-27 | 2020-06-26 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
-
2020
- 2020-06-30 CN CN202010607681.3A patent/CN111881917A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101247479A (zh) * | 2008-03-26 | 2008-08-20 | 北京中星微电子有限公司 | 一种基于图像中目标区域的自动曝光方法 |
US20130039576A1 (en) * | 2010-02-24 | 2013-02-14 | Tobias Ehlgen | Method and device for analyzing an image of an image recording device for a vehicle |
CN106357987A (zh) * | 2016-10-19 | 2017-01-25 | 浙江大华技术股份有限公司 | 一种曝光方法和装置 |
CN108881710A (zh) * | 2017-12-28 | 2018-11-23 | 北京旷视科技有限公司 | 图像处理方法、装置和系统及存储介质 |
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 |
CN110620881A (zh) * | 2019-10-31 | 2019-12-27 | 北京猎户智芯科技有限公司 | 车牌曝光补偿方法、装置、计算机设备及存储介质 |
CN111340731A (zh) * | 2020-02-27 | 2020-06-26 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
杨博雄;耿文波;黄静;: "利用直方图调光算法来提高车牌识别率", 计算机系统应用, no. 02, pages 196 - 201 * |
潘薇;周欣;卢晓春;蒋欣荣;: "基于ROI的智能交通系统摄像机控制算法", 测控技术, no. 02 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257729A (zh) * | 2020-11-13 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、设备及存储介质 |
CN112257729B (zh) * | 2020-11-13 | 2023-10-03 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、设备及存储介质 |
CN112580672A (zh) * | 2020-12-28 | 2021-03-30 | 安徽创世科技股份有限公司 | 一种适用于暗环境的车牌识别预处理方法、装置及存储介质 |
CN112634250A (zh) * | 2020-12-29 | 2021-04-09 | 上海联影医疗科技股份有限公司 | 多能ct系统图像配准方法、装置、计算机设备和存储介质 |
CN112634250B (zh) * | 2020-12-29 | 2023-05-16 | 上海联影医疗科技股份有限公司 | 多能ct系统图像配准方法、装置、计算机设备和存储介质 |
CN113856235A (zh) * | 2021-09-29 | 2021-12-31 | 浙江大华技术股份有限公司 | 降温结晶控制方法、装置、电子设备和系统 |
CN116664431A (zh) * | 2023-05-30 | 2023-08-29 | 原朗智芯(苏州)数字科技有限公司 | 一种基于人工智能的图像处理系统及方法 |
CN116664431B (zh) * | 2023-05-30 | 2024-04-12 | 新疆美特智能安全工程股份有限公司 | 一种基于人工智能的图像处理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881917A (zh) | 图像预处理方法、装置、计算机设备和可读存储介质 | |
CN110276767B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
US9652694B2 (en) | Object detection method, object detection device, and image pickup device | |
CN111210399B (zh) | 一种成像质量评价方法、装置及设备 | |
CN111611863B (zh) | 车牌图像质量评价方法、装置以及计算机设备 | |
CN110248101B (zh) | 对焦方法和装置、电子设备、计算机可读存储介质 | |
CN112329881B (zh) | 车牌识别模型训练方法、车牌识别方法及装置 | |
KR101553589B1 (ko) | Lpr 시스템에서 적응적 확률기반의 저조도 영상개선 및 스미어 복원처리 장치와 그 방법 | |
CN106331518A (zh) | 图像处理方法及装置和电子系统 | |
RU2019136604A (ru) | Платформа для управления и проверки достоверности контента видеоизображений, фотографий или аналогичного контента, сгенерированного различными устройствами | |
CN111435446A (zh) | 一种基于LeNet车牌识别方法及装置 | |
CN111626958B (zh) | 曝光调节方法、装置、计算机可读存储介质和电子设备 | |
CN112668640A (zh) | 一种文本图像质量评估方法、装置、设备及介质 | |
CN111179245B (zh) | 图像质量检测方法、装置、电子设备和存储介质 | |
CN113903041A (zh) | 文本识别方法、装置、车辆及存储介质 | |
CN106778765B (zh) | 一种车牌识别的方法及装置 | |
CN110688926B (zh) | 主体检测方法和装置、电子设备、计算机可读存储介质 | |
CN111178347B (zh) | 证件图像的模糊度检测方法、装置、设备及存储介质 | |
US7702172B2 (en) | Particle extraction for automatic flow microscope | |
KR101563543B1 (ko) | 경차 및 이륜차 인식을 위한 lpr 시스템 | |
CN111177878A (zh) | 衍生仿真场景筛选方法、装置和终端 | |
CN112183454B (zh) | 图像检测方法及装置、存储介质、终端 | |
CN113067980A (zh) | 图像采集方法、装置、电子设备及存储介质 | |
CN112926558A (zh) | 动物识别方法和装置 | |
US9858165B2 (en) | Method and apparatus for designing vision based software applications |
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 |