CN112364948B - 一种基于主成分分析的车辆信息存储方法 - Google Patents

一种基于主成分分析的车辆信息存储方法 Download PDF

Info

Publication number
CN112364948B
CN112364948B CN202110049452.9A CN202110049452A CN112364948B CN 112364948 B CN112364948 B CN 112364948B CN 202110049452 A CN202110049452 A CN 202110049452A CN 112364948 B CN112364948 B CN 112364948B
Authority
CN
China
Prior art keywords
license plate
image
sensor
vehicle
points
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
Application number
CN202110049452.9A
Other languages
English (en)
Other versions
CN112364948A (zh
Inventor
盛建强
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 Keda Intelligent System Engineering Co ltd
Original Assignee
Shenzhen Institute of Information Technology
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 Shenzhen Institute of Information Technology filed Critical Shenzhen Institute of Information Technology
Priority to CN202110049452.9A priority Critical patent/CN112364948B/zh
Publication of CN112364948A publication Critical patent/CN112364948A/zh
Application granted granted Critical
Publication of CN112364948B publication Critical patent/CN112364948B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于主成分分析的车辆信息存储方法。该方法包括获取传感器图像；识别所有的所述车辆出入库图像中的车牌坐标信息；根据所述车牌坐标信息计算车牌中心点；根据所述车牌中心点获取将所述车辆出入库图像转换为车牌形状的第一车牌；将图片模糊度最低的所述第一车牌保存为第二车牌；获取所述第二车牌内的目标图像类型和目标时间戳；对所述第二车牌进行网格划分，对400个所述车牌数据像素点进行标准化处理；将所有的400个所述标准数据点降维为40个目标特征点。该发明提供将传感器拍摄图片经过坐标转换、拉伸和归一化处理获得400个特征点，进而利用主成分分析获得40个目标特征点作为车牌信息的存储方法，信息全面可靠且存储数据量小。

Description

一种基于主成分分析的车辆信息存储方法
技术领域
本发明涉及图像识别技术领域，更具体地，涉及一种基于主成分分析的车辆信息存储方法。
背景技术
目前，随着人们生活水平的提高，小型家用车已经成为越来越多家庭的必备交通工具。小型家用汽车的配套行业的需求也在不断增长，其中最为重要的一个领域就是停车系统。目前主流的停车管理系统主要采用如下方式，利用传感器获取汽车车牌，进行图像识别获取车辆出入时的图像，进而将多张图像保存，并识别其中的车牌号进行存储。
但现有的车辆信息存储方案存在以下缺陷：对传感器获得的多张图片进行存储的数据量大，若间隔很久时间出发可能会导致车辆进出数据已经被覆盖，而无法进行正常的收费；车牌识别为车牌号的过程常常难以准确辨识，容易出现无法获取数据的情况，进而造成车辆无法正常的缴费。
发明内容
鉴于上述问题，本发明提出了一种基于主成分分析的车辆信息存储方法，其可以实现精准的车牌特征识别和大量车辆出入信息存储。
根据本发明实施例，提供一种基于主成分分析的车辆信息存储方法，所述方法包括：
获取传感器图像，保存为至少一个车辆出入库图像；
识别所有的所述车辆出入库图像中的车牌坐标信息，其中，所述车牌坐标信息包括所述车牌坐标信息包括左上顶点坐标、左下顶点坐标、右上顶点坐标、右下顶点坐标；
根据所述车牌坐标信息计算车牌中心点；
根据所述车牌中心点获取将所述车辆出入库图像转换为车牌形状的第一车牌；
识别所有的所述第一车牌的图片模糊度，并将图片模糊度最低的所述第一车牌保存为第二车牌；
获取所述第二车牌内的目标图像类型和目标时间戳；
对所述第二车牌进行网格划分，获取400个车牌数据像素点；
对400个所述车牌数据像素点进行标准化处理，转变为400个标准数据点
将所有的400个所述标准数据点降维为40个目标特征点，并将所述40个目标特征点、所述时间戳和所述图像类型保存为车辆信息。
在一个或多个实施例中，优选地，所述获取传感器图像，保存为至少一个车辆出入库图像，具体包括：
监测在距离传感器3米范围内是否存在移动车辆；
当存在移动车辆时，每间隔0.1秒进行图像采集；
将所有的由传感器拍摄获得的图像保存为传感器图像；
根据传感器所在位置，确定传感器图像类型；
根据传感器获取图像时的时间，确定传感器时间戳；
将所述传感器图像类型、所述传感器时间戳和所述传感器图像打包保存为所述车辆出入库图像，其中，所述车辆出入库图像包括传感器图像、图像类型和时间戳。
在一个或多个实施例中，优选地，所述识别所有的所述车辆出入库图像中的车牌坐标信息，具体包括：
获取所述车辆出入库图像对应的传感器坐标；
获取所述车辆出入库图像中所述传感器图像的每个像素点在所述传感器坐标下的位置；
将所述传感器图像的每个像素点对应的所述传感器坐标下的位置转化为地面坐标系下的位置；
在所述地面坐标系下获得所述传感器图像中车牌的四个顶点的坐标，并保存为车牌坐标信息，其中，所述车牌坐标信息包括所述车牌坐标信息包括左上顶点坐标、左下顶点坐标、右上顶点坐标、右下顶点坐标。
在一个或多个实施例中，优选地，所述根据所述车牌坐标信息计算车牌中心点，具体包括：
获得所述左上顶点坐标和所述右下顶点坐标的坐标，并计算第一对角线；
获得所述左下顶点坐标和所述右上顶点坐标的坐标，并计算第二对角线；
在所述地面坐标系下，计算所述第一对角线和第二对角线的交点，并保存为车牌中心点。
在一个或多个实施例中，优选地，所述根据所述车牌中心点获取将所述车辆出入库图像转换为车牌形状的第一车牌，具体包括：
以所述车牌中心点为基础，将所述车牌坐标信息对应的像素点分别移动至车牌形状的四个顶点；
以所述车辆出入库图像中的传感器图像为基础，计算各个像素点对应在车牌形状中的坐标位置；
将所述车辆出入库图像中的传感器图像拉伸为车牌形状，并保存为车牌形状的第一车牌，其中，所述第一车牌包括传感器图像、图像类型和时间戳。
在一个或多个实施例中，优选地，所述识别所有的所述第一车牌的图片模糊度，并将图片模糊度最低的所述第一车牌保存为第二车牌，具体包括：
分析所述第一车牌中的传感器图像模糊程度；
对1s内的所有的所述第一车牌中的传感器图像模糊程度进行排序；
将所述传感器图像模糊程度最低的传感器图片对应的所述第一车牌保存为第二车牌，其中，所述第二车牌包括传感器图像、图像类型和时间戳。
在一个或多个实施例中，优选地，所述获取所述第二车牌内的目标图像类型和目标时间戳，具体包括：
获取所有的第二车牌，读取所有的所述第二车牌中的时间戳，并确定所有的所述时间戳的平均值；
获取所有的第二车牌，读取所有的所述第二车牌中的图像类型，其中，所述图像类型包括入库和出库。
在一个或多个实施例中，优选地，所述对所述第二车牌进行网格划分，获取400个车牌数据像素点，具体包括：
在所述地面坐标系下，将所述第二车牌中传感器图像进行横向均匀的21等分；
在所述地面坐标系下，将所述第二车牌中传感器图像进行纵向均匀的21等分；
将所有的横向21等分与纵向21等分的交点保存为400个所述车牌数据像素点。
在一个或多个实施例中，优选地，所述对400个所述车牌数据像素点进行标准化处理，转变为400个标准数据点，具体包括：
获得所述400个车牌数据像素点的色彩度，并进行排序；
将所述400个车牌数据像素点的最大10色彩度对应的像素点的平均值设定为0；
将所述400个车牌数据像素点的最大10色彩度对应的像素点的平均值设定为100；
将所述400个车牌数据像素点进行标准化为400个标准数据点。
在一个或多个实施例中，优选地，所述将所有的400个所述标准数据点降维为40个目标特征点，并将所述40个目标特征点、所述时间戳和所述图像类型保存为车辆信息，具体包括：
计算特征数据矩阵的特征值，保存为20个特征值；
计算20个所述特征值对应的特征向量；
选取20个所述特征值中绝对值最大的特征值对应的第一特征向量，利用降维计算公式进行数据降维运算，获取20个第一特征点；
选取20个所述特征值中绝对值第二大的特征值对应的第二特征向量，利用降维计算公式进行数据降维运算，获取20个第二特征点；
将20个所述第一特征点和20个所述第二特征点按顺序保存为所述40个目标特征点；
将所述40个目标特征点、所述目标时间戳和所述目标图像类型保存为车辆信息；
所述降维计算公式表示为：
Y=S T C=[e s1 e s2] T[c 1 c 2 … c 20]
其中，Y为目标特征点矩阵；S为实时降维转换矩阵；C k 为400个所述标准数据点组成的数据中第k组数据向量；es1为所述第一特征向量；es2为所述第二特征向量。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明实施例中，通过该方案提供将传感器拍摄图片经过坐标转换、拉伸获得车牌图片的整个过程，进而通过网格化获得400像素点，利用归一化处理获得400个特征点，最终利用主成分分析获得40个目标特征点作为车牌信息的存储方法。存储信息相对直接存储图片数据量小，能够长期存储，不会因为存储时间过久而引起数据丢失或重叠，此外采用了400个像素点获取目标车牌的特征，相对于传统的采用车牌号辨识精度更高。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种基于主成分分析的车辆信息存储方法的流程图。
图2是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的将传感器图像保存为至少一个车辆出入库图像的流程图。
图3是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的识别所有的所述车辆出入库图像中的车牌坐标信息的流程图。
图4是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的根据所述车牌坐标信息计算车牌中心点的流程图。
图5是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的将所述车辆出入库图像转换为车牌形状的第一车牌的流程图。
图6是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的的初始拍摄获得的车牌图像转化为车牌形状图像的示意图。
图7是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的将图片模糊度最低的所述第一车牌保存为第二车牌的流程图。
图8是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的获取所述第二车牌内的目标图像类型和目标时间戳的流程图。
图9是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的获取400个车牌数据像素点的流程图。
图10是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的车牌网格化处理示意图。
图11是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的对400个所述车牌数据像素点进行标准化处理的流程图。
图12是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的将所有的400个所述标准数据点降维为40个目标特征点的流程图。
图13是本发明一个实施例的一种基于主成分分析的车辆信息存储方法的网格化车牌转换为40个目标特征点的车辆信息示意图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
目前，随着人们生活水平的提高，小型家用车已经成为越来越多家庭的必备交通工具。小型家用汽车的配套行业的需求也在不断增长，其中最为重要的一个领域就是停车系统。目前主流的停车管理系统主要采用如下方式，利用传感器获取汽车车牌，进行图像识别获取车辆出入时的图像，进而将多张图像保存，并识别其中的车牌号进行存储。
但现有的车辆信息存储方案存在以下缺陷：对传感器获得的多张图片进行存储的数据量大，若间隔很久时间出发可能会导致车辆进出数据已经被覆盖，而无法进行正常的收费；车牌识别为车牌号的过程常常难以准确辨识，容易出现无法获取数据的情况，进而造成车辆无法正常的缴费。
本发明实施例中，提供了一种基于主成分分析的的车辆信息存储技术方案，该方案首先通过车牌轮廓识别获得一个四边形，进而通过像素点延展获得一个正常车牌形状的图像，通过此正常车牌形状的图像进行像素点分割，获得400个像素特征点，利用400个像素特征点进行降维运算，获得最终的40个特征点用于表示车牌信息，这40个特征点相对于利用车牌号表示，更加准确，但是同时有比采用图片保存占的存储空间小。
图1是本发明一个实施例的一种基于主成分分析的车辆信息存储方法的流程图。
如图1所示，在一个或多个实施例中，优选地，提供一种基于主成分分析的车辆信息存储方法，所述方法包括：
S101、获取传感器图像，保存为至少一个车辆出入库图像；
S102、识别所有的所述车辆出入库图像中的车牌坐标信息，其中，所述车牌坐标信息包括所述车牌坐标信息包括左上顶点坐标、左下顶点坐标、右上顶点坐标、右下顶点坐标；
S103、根据所述车牌坐标信息计算车牌中心点；
S104、根据所述车牌中心点获取将所述车辆出入库图像转换为车牌形状的第一车牌；
S105、识别所有的所述第一车牌的图片模糊度，并将图片模糊度最低的所述第一车牌保存为第二车牌；
S106、获取所述第二车牌内的目标图像类型和目标时间戳；
S107、对所述第二车牌进行网格划分，获取400个车牌数据像素点；
S108、对400个所述车牌数据像素点进行标准化处理，转变为400个标准数据点
S109、将所有的400个所述标准数据点降维为40个目标特征点，并将所述40个目标特征点、所述时间戳和所述图像类型保存为车辆信息。
本发明实施例中，通过车牌图像进行多次的数据处理，最终获得了降维的40个目标特点，通过该方式可以减少存储数据，相比于车牌号存储数据精度更好。
下面通过几个具体实施例分别对图1中涉及的第一车牌、第二车牌、400个车牌数据像素点、400个标准数据点和40个目标特征点获取的具体方法流程进行详细说明。
图2是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的将传感器图像保存为至少一个车辆出入库图像的流程图。
如图2所示，在一个或多个实施例中，优选地，所述获取传感器图像，保存为至少一个车辆出入库图像，具体包括：
S201、监测在距离传感器3米范围内是否存在移动车辆；
S202、当存在移动车辆时，每间隔0.1秒进行图像采集；
S203、将所有的由传感器拍摄获得的图像保存为传感器图像；
S204、根据传感器所在位置，确定传感器图像类型；
S205、根据传感器获取图像时的时间，确定传感器时间戳；
S206、将所述传感器图像类型、所述传感器时间戳和所述传感器图像打包保存为所述车辆出入库图像，其中，所述车辆出入库图像包括传感器图像、图像类型和时间戳。
具体的，所述的0.1秒采集一次图像，是保守估计，实际系统中的采集频率可能会高于此采样频率。
本发明实施例中，通过对3米内的移动车辆进行感应，进而获取多组数据并根据所获取数据的平均时间，确定总的传感器时间戳。由于，在进出车库的时间精度要求并不高，因此一般情况下，采用平均时间戳作为各图像的时间是可行的。
图3是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的识别所有的所述车辆出入库图像中的车牌坐标信息的流程图。
如图3所示，在一个或多个实施例中，优选地，所述识别所有的所述车辆出入库图像中的车牌坐标信息，具体包括：
S301、获取所述车辆出入库图像对应的传感器坐标；
S302、获取所述车辆出入库图像中所述传感器图像的每个像素点在所述传感器坐标下的位置；
S303、将所述传感器图像的每个像素点对应的所述传感器坐标下的位置转化为地面坐标系下的位置；
S304、在所述地面坐标系下获得所述传感器图像中车牌的四个顶点的坐标，并保存为车牌坐标信息，其中，所述车牌坐标信息包括所述车牌坐标信息包括左上顶点坐标、左下顶点坐标、右上顶点坐标、右下顶点坐标。
图4是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的根据所述车牌坐标信息计算车牌中心点的流程图。
如图4所示，在一个或多个实施例中，优选地，所述根据所述车牌坐标信息计算车牌中心点，具体包括：
S401、获得所述左上顶点坐标和所述右下顶点坐标的坐标，并计算第一对角线；
S402、获得所述左下顶点坐标和所述右上顶点坐标的坐标，并计算第二对角线；
S403、在所述地面坐标系下，计算所述第一对角线和第二对角线的交点，并保存为车牌中心点。
本发明实施例中，所述车牌坐标信息包括左上顶点坐标、左下顶点坐标、右上顶点坐标、右下顶点坐标。在车辆行驶到传感器附近时，产生的最终的车牌图像为一个矩形的斜角度投影，因此它是一个平行四边形。可以肯定四边形的中心位置与原始车牌形状下的矩形的中心位置是一致的，因此可以采用此方式对车牌进行车辆的信息采集。
图5是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的将所述车辆出入库图像转换为车牌形状的第一车牌的流程图。
如图5所示，在一个或多个实施例中，优选地，所述根据所述车牌中心点获取将所述车辆出入库图像转换为车牌形状的第一车牌，具体包括：
S501、以所述车牌中心点为基础，将所述车牌坐标信息对应的像素点分别移动至车牌形状的四个顶点；
S502、以所述车辆出入库图像中的传感器图像为基础，计算各个像素点对应在车牌形状中的坐标位置；
S503、将所述车辆出入库图像中的传感器图像拉伸为车牌形状，并保存为车牌形状的第一车牌，其中，所述第一车牌包括传感器图像、图像类型和时间戳。
本发明实施例中，通过将车辆的图像处理为车牌形状的图像，并加载了图像时出库还是入库时获得的，以及平均的时间戳。因此，通过该图像已经可以完成车辆信息的存储，但是由于车辆信息存储若采用图像进行，长期存储可能会产生大量的数据，最终无法有足够的空间保存。常常需要删除掉一部分，有必要进行信息的压缩处理。
图6是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的的初始拍摄获得的车牌图像转化为车牌形状图像的示意图。如图6所示，为一个原始的采用传感器获得的初始图像，在经过了拉伸处理后，获得的车牌图像与正常的车牌大小相同，而且由于车辆的驶入和离开车库均为正常行驶，因此车牌不存在倒放的情况，此时通过拉伸获得的图像无需翻转可以直接进行数据的压缩。该车牌形状的图像，是进行后续的数据像素化以及特征点压缩的数据基础。
图7是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的将图片模糊度最低的所述第一车牌保存为第二车牌的流程图。
如图7所示，在一个或多个实施例中，优选地，所述识别所有的所述第一车牌的图片模糊度，并将图片模糊度最低的所述第一车牌保存为第二车牌，具体包括：
S701、分析所述第一车牌中的传感器图像模糊程度；
S702、对1s内的所有的所述第一车牌中的传感器图像模糊程度进行排序；
S703、将所述传感器图像模糊程度最低的传感器图片对应的所述第一车牌保存为第二车牌，其中，所述第二车牌包括传感器图像、图像类型和时间戳。
本发明实施中，对于所述的第一车牌进行了进一步的数据处理，最核心的思路是将所有的相对不清晰的图形删除，每秒时间内仅保留1个车牌信息。
图8是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的获取所述第二车牌内的目标图像类型和目标时间戳的流程图。
如图8所示，在一个或多个实施例中，优选地，所述获取所述第二车牌内的目标图像类型和目标时间戳，具体包括：
S801、获取所有的第二车牌，读取所有的所述第二车牌中的时间戳，并确定所有的所述时间戳的平均值；
S802、获取所有的第二车牌，读取所有的所述第二车牌中的图像类型，其中，所述图像类型包括入库和出库。
在本发明实施例中，通过获取第二车牌中的时间戳和图像类型，获得用于最终进行数据保存的数据源。
图9是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的获取400个车牌数据像素点的流程图。
如图9所示，在一个或多个实施例中，优选地，所述对所述第二车牌进行网格划分，获取400个车牌数据像素点，具体包括：
S901、在所述地面坐标系下，将所述第二车牌中传感器图像进行横向均匀的21等分；
S902、在所述地面坐标系下，将所述第二车牌中传感器图像进行纵向均匀的21等分；
S903、将所有的横向21等分与纵向21等分的交点保存为400个所述车牌数据像素点。
本发明实施例中，通过21等分实际获得了横向20条、纵向20条分界线，在横向和纵向分界线交叉点位置将会产生一共400个交叉点，采用灰度处理获得交叉点位置的像素深度，进而利用此深度保存为所述的400个车牌数据像素点，用以进行数据处理。
图10是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的车牌网格化处理示意图。如图10所示，为网格化示意图，在图中仅示意了如何进行网格划分，但并未采用实际使用的20条横向和20条纵向交叉线。因此，仅仅为示意如何进行网格化处理。
图11是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的对400个所述车牌数据像素点进行标准化处理的流程图。
如图11所示，在一个或多个实施例中，优选地，所述对400个所述车牌数据像素点进行标准化处理，转变为400个标准数据点，具体包括：
S1101、获得所述400个车牌数据像素点的色彩度，并进行排序；
S1102、将所述400个车牌数据像素点的最大10色彩度对应的像素点的平均值设定为0；
S1103、将所述400个车牌数据像素点的最大10色彩度对应的像素点的平均值设定为100；
S1104、将所述400个车牌数据像素点进行标准化为400个标准数据点。
本发明实施例中，进行了将所述的车牌数据标准化处理，如此处理的原因为常见的日光和灯光照明等各类外界环境因素可能会影响到产生的车牌信息的灰度强弱，因此为了消除外部环境的影响因素，需要在同一个基准下进行对比。此时将在同一环境下产生的图片，进行由像素色彩度低到色彩度高的划分，进而利用划分的分值来重新获得一个标准数据点，将会更加具备代替车牌的效果。
图12是本发明一个实施例的一种基于主成分分析的车辆信息存储方法中的将所有的400个所述标准数据点降维为40个目标特征点的流程图。
如图12所示，在一个或多个实施例中，优选地，所述将所有的400个所述标准数据点降维为40个目标特征点，并将所述40个目标特征点、所述时间戳和所述图像类型保存为车辆信息，具体包括：
S1201、计算特征数据矩阵的特征值，保存为20个特征值；
S1202、计算20个所述特征值对应的特征向量；
S1203、选取20个所述特征值中绝对值最大的特征值对应的第一特征向量，利用降维计算公式进行数据降维运算，获取20个第一特征点；
S1204、选取20个所述特征值中绝对值第二大的特征值对应的第二特征向量，利用降维计算公式进行数据降维运算，获取20个第二特征点；
S1205、将20个所述第一特征点和20个所述第二特征点按顺序保存为所述40个目标特征点；
S1206、将所述40个目标特征点、所述目标时间戳和所述目标图像类型保存为车辆信息；
所述降维计算公式表示为：
Y=S T C=[e s1 e s2] T[c 1 c 2 … c 20]
其中，Y为目标特征点矩阵；S为实时降维转换矩阵；C k 为400个所述标准数据点组成的数据中第k组数据向量；es1为所述第一特征向量；es2为所述第二特征向量。
本发明实施例中，提供了一种具体的如何进行实时的数据降维的方法，间对应的400个像素点可以直接转化为20个像素点。当两组计算结束后最终能够获得最大的40个目标特征点，这些特征点可以直接代替车牌作为保存数据。
图13是本发明一个实施例的一种基于主成分分析的车辆信息存储方法的网格化车牌转换为40个目标特征点的车辆信息示意图。如图13所示，最终的网络化车牌将会被划分为400个数据像素点，在经历标准化处理后，进而以400个特征点的特征值排序，依据主成分的降维，最终将会获得最大两个特征值的对应的车辆信息。这些信息结合之前获得的时间戳和车辆入库和出库信息为最终的目标车牌特征，将会具有数据特征全、且占有的空间小的特点。
在本实施例的技术方案中，通过该方案提供将传感器拍摄图片经过坐标转换、拉伸获得车牌图片的整个过程，进而通过网格化获得400像素点，利用归一化处理获得400个特征点，最终利用主成分分析获得40个目标特征点作为车牌信息的存储方法。存储信息相对直接存储图片数据量小，能够长期存储，不会因为存储时间过久而引起数据丢失或重叠，此外采用了400个像素点获取目标车牌的特征，相对于传统的采用车牌号辨识精度更高。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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和光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于主成分分析的车辆信息存储方法，其特征在于，包括：
获取传感器图像，保存为至少一个车辆出入库图像；
识别所有的所述车辆出入库图像中的车牌坐标信息，其中，所述车牌坐标信息包括左上顶点坐标、左下顶点坐标、右上顶点坐标、右下顶点坐标；
根据所述车牌坐标信息计算车牌中心点；
根据所述车牌中心点获取将所述车辆出入库图像转换为车牌形状的第一车牌；
识别所有的所述第一车牌的图片模糊度，并将图片模糊度最低的所述第一车牌保存为第二车牌；
获取所述第二车牌内的目标图像类型和目标时间戳；
对所述第二车牌进行网格划分，获取400个车牌数据像素点；
对400个所述车牌数据像素点进行标准化处理，转变为400个标准数据点；
将所有的400个所述标准数据点降维为40个目标特征点，并将所述40个目标特征点、所述时间戳和所述图像类型保存为车辆信息。
2.如权利要求1所述的一种基于主成分分析的车辆信息存储方法，其特征在于，所述获取传感器图像，保存为至少一个车辆出入库图像，具体包括：
监测在距离传感器3米范围内是否存在移动车辆；
当存在移动车辆时，每间隔0.1秒进行图像采集；
将所有的由传感器拍摄获得的图像保存为传感器图像；
根据传感器所在位置，确定传感器图像类型；
根据传感器获取图像时的时间，确定传感器时间戳；
将所述传感器图像类型、所述传感器时间戳和所述传感器图像打包保存为所述车辆出入库图像，其中，所述车辆出入库图像包括传感器图像、图像类型和时间戳。
3.如权利要求2所述的一种基于主成分分析的车辆信息存储方法，其特征在于，所述识别所有的所述车辆出入库图像中的车牌坐标信息，具体包括：
获取所述车辆出入库图像对应的传感器坐标；
获取所述车辆出入库图像中所述传感器图像的每个像素点在所述传感器坐标下的位置；
将所述传感器图像的每个像素点对应的所述传感器坐标下的位置转化为地面坐标系下的位置；
在所述地面坐标系下获得所述传感器图像中车牌的四个顶点的坐标，并保存为车牌坐标信息，其中，所述车牌坐标信息包括左上顶点坐标、左下顶点坐标、右上顶点坐标、右下顶点坐标。
4.如权利要求3所述的一种基于主成分分析的车辆信息存储方法，其特征在于，所述根据所述车牌坐标信息计算车牌中心点，具体包括：
获得所述左上顶点坐标和所述右下顶点坐标的坐标，并计算第一对角线；
获得所述左下顶点坐标和所述右上顶点坐标的坐标，并计算第二对角线；
在所述地面坐标系下，计算所述第一对角线和第二对角线的交点，并保存为车牌中心点。
5.如权利要求4所述的一种基于主成分分析的车辆信息存储方法，其特征在于，所述根据所述车牌中心点获取将所述车辆出入库图像转换为车牌形状的第一车牌，具体包括：
以所述车牌中心点为基础，将所述车牌坐标信息对应的像素点分别移动至车牌形状的四个顶点；
以所述车辆出入库图像中的传感器图像为基础，计算各个像素点对应在车牌形状中的坐标位置；
将所述车辆出入库图像中的传感器图像拉伸为车牌形状，并保存为车牌形状的第一车牌，其中，所述第一车牌包括传感器图像、图像类型和时间戳。
6.如权利要求5所述的一种基于主成分分析的车辆信息存储方法，其特征在于，所述识别所有的所述第一车牌的图片模糊度，并将图片模糊度最低的所述第一车牌保存为第二车牌，具体包括：
分析所述第一车牌中的传感器图像模糊程度；
对1s内的所有的所述第一车牌中的传感器图像模糊程度进行排序；
将所述传感器图像模糊程度最低的传感器图片对应的所述第一车牌保存为第二车牌，其中，所述第二车牌包括传感器图像、图像类型和时间戳。
7.如权利要求6所述的一种基于主成分分析的车辆信息存储方法，其特征在于，所述获取所述第二车牌内的目标图像类型和目标时间戳，具体包括：
获取所有的第二车牌，读取所有的所述第二车牌中的时间戳，并确定所有的所述时间戳的平均值；
获取所有的第二车牌，读取所有的所述第二车牌中的图像类型，其中，所述图像类型包括入库和出库。
8.如权利要求7所述的一种基于主成分分析的车辆信息存储方法，其特征在于，所述对所述第二车牌进行网格划分，获取400个车牌数据像素点，具体包括：
在所述地面坐标系下，将所述第二车牌中传感器图像进行横向均匀的21等分；
在所述地面坐标系下，将所述第二车牌中传感器图像进行纵向均匀的21等分；
将所有的横向21等分与纵向21等分的交点保存为400个所述车牌数据像素点。
9.如权利要求8所述的一种基于主成分分析的车辆信息存储方法，其特征在于，所述对400个所述车牌数据像素点进行标准化处理，转变为400个标准数据点，具体包括：
获得所述400个车牌数据像素点的色彩度，并进行排序；
将所述400个车牌数据像素点的最大10色彩度对应的像素点的平均值设定为0；
将所述400个车牌数据像素点的最大10色彩度对应的像素点的平均值设定为100；
将所述400个车牌数据像素点进行标准化为400个标准数据点。
10.如权利要求9所述的一种基于主成分分析的车辆信息存储方法，其特征在于，所述将所有的400个所述标准数据点降维为40个目标特征点，并将所述40个目标特征点、所述时间戳和所述图像类型保存为车辆信息，具体包括：
计算特征数据矩阵的特征值，保存为20个特征值；
计算20个所述特征值对应的特征向量；
选取20个所述特征值中绝对值最大的特征值对应的第一特征向量，利用降维计算公式进行数据降维运算，获取20个第一特征点；
选取20个所述特征值中绝对值第二大的特征值对应的第二特征向量，利用降维计算公式进行数据降维运算，获取20个第二特征点；
将20个所述第一特征点和20个所述第二特征点按顺序保存为所述40个目标特征点；
将所述40个目标特征点、所述目标时间戳和所述目标图像类型保存为车辆信息；
所述降维计算公式表示为：
Y=S T C=[e s1 e s2] T[c 1 c 2 … c 20]
其中，Y为目标特征点矩阵；S为实时降维转换矩阵；C 1 、C 2和C 20依次为400个所述标准数据点组成的数据中第1、第2和第20组数据向量；es1为所述第一特征向量；es2为所述第二特征向量。
CN202110049452.9A 2021-01-14 2021-01-14 一种基于主成分分析的车辆信息存储方法 Active CN112364948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110049452.9A CN112364948B (zh) 2021-01-14 2021-01-14 一种基于主成分分析的车辆信息存储方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110049452.9A CN112364948B (zh) 2021-01-14 2021-01-14 一种基于主成分分析的车辆信息存储方法

Publications (2)

Publication Number Publication Date
CN112364948A CN112364948A (zh) 2021-02-12
CN112364948B true CN112364948B (zh) 2021-05-18

Family

ID=74534986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110049452.9A Active CN112364948B (zh) 2021-01-14 2021-01-14 一种基于主成分分析的车辆信息存储方法

Country Status (1)

Country Link
CN (1) CN112364948B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10209081B2 (en) * 2016-08-09 2019-02-19 Nauto, Inc. System and method for precision localization and mapping

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109167805B (zh) * 2018-07-09 2021-08-10 同济大学 基于城市场景中车联网时空数据的分析处理方法
EP3994842A4 (en) * 2019-04-11 2022-11-23 LG Electronics Inc. SYSTEMS AND METHODS FOR COUNTERING A CO-EXISTENCE ATTACK
CN110543838A (zh) * 2019-08-19 2019-12-06 上海光是信息科技有限公司 车辆信息检测的方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10209081B2 (en) * 2016-08-09 2019-02-19 Nauto, Inc. System and method for precision localization and mapping

Also Published As

Publication number Publication date
CN112364948A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN110991311B (zh) 一种基于密集连接深度网络的目标检测方法
CN111462120B (zh) 一种基于语义分割模型缺陷检测方法、装置、介质及设备
CN112329881B (zh) 车牌识别模型训练方法、车牌识别方法及装置
CN114049356B (zh) 一种结构表观裂缝检测方法、装置及系统
CN114511718B (zh) 一种建筑施工用物料智能管理方法及系统
CN111695609A (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN109344801A (zh) 一种物体检测方法及装置
CN115372877B (zh) 基于无人机的变电站的避雷器泄露电流表计巡检方法
JPH08508128A (ja) 分布マップを用いる画像の分類方法及び装置
CN111259903A (zh) 识别表计示数方法、装置、可读存储介质和计算机设备
CN110765963A (zh) 车辆制动检测方法、装置、设备及计算机可读存储介质
CN110991437B (zh) 字符识别方法及其装置、字符识别模型的训练方法及其装置
CN112364948B (zh) 一种基于主成分分析的车辆信息存储方法
CN111507177B (zh) 一种用于计量周转柜的识别方法及装置
CN111126286A (zh) 车辆动态检测方法、装置、计算机设备及存储介质
US7379599B1 (en) Model based object recognition method using a texture engine
CN113642582B (zh) 电表读数识别方法、装置、电子设备和存储介质
CN115690500A (zh) 一种基于改进u2型网络的仪表识别方法
CN115620097A (zh) 一种基于数字孪生的智能安检测试方法
CN115456972A (zh) 混凝土裂缝检测与识别方法、装置、设备及存储介质
CN114882490A (zh) 一种基于点引导定位的无受限场景车牌检测分类方法
CN114240924A (zh) 一种基于数字化技术的电网设备质量评估方法
CN114037993A (zh) 变电站指针仪表读数方法、装置、存储介质以及电子设备
CN111626299A (zh) 一种基于轮廓的数字字符识别方法
CN115359346B (zh) 基于街景图片的小微空间识别方法、装置及电子设备

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231007

Address after: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen dragon totem technology achievement transformation Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20231007

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: 518000 no.2188 Longxiang Avenue, Longcheng street, Longgang District, Shenzhen City, Guangdong Province

Patentee before: SHENZHEN INSTITUTE OF INFORMATION TECHNOLOGY

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231214

Address after: Room 318, 3rd Floor, Building 8, Wenzhou National University Science and Technology Park, No. 50 Dongfang South Road, Ouhai Economic Development Zone, Wenzhou City, Zhejiang Province, 325036

Patentee after: Zhejiang Keda Intelligent System Engineering Co.,Ltd.

Address before: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen dragon totem technology achievement transformation Co.,Ltd.

TR01 Transfer of patent right