CN112417934B - 一种图像检测方法及相关设备 - Google Patents
一种图像检测方法及相关设备 Download PDFInfo
- Publication number
- CN112417934B CN112417934B CN201910788709.5A CN201910788709A CN112417934B CN 112417934 B CN112417934 B CN 112417934B CN 201910788709 A CN201910788709 A CN 201910788709A CN 112417934 B CN112417934 B CN 112417934B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- area
- detection
- hyperspectral
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 393
- 239000000463 material Substances 0.000 claims abstract description 378
- 230000003595 spectral effect Effects 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000002310 reflectometry Methods 0.000 claims abstract description 9
- 230000001502 supplementing effect Effects 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 114
- 239000011159 matrix material Substances 0.000 claims description 99
- 230000015654 memory Effects 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 21
- 239000000203 mixture Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims 2
- 239000002390 adhesive tape Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 229910052751 metal Inorganic materials 0.000 description 15
- 239000002184 metal Substances 0.000 description 15
- 239000004033 plastic Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 239000007769 metal material Substances 0.000 description 9
- 230000005855 radiation Effects 0.000 description 9
- 239000003086 colorant Substances 0.000 description 6
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- -1 sticker Substances 0.000 description 2
- 101100386237 Caenorhabditis elegans daf-7 gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种图像检测方法及相关设备。其中,一种图像检测方法包括:获取目标图像,目标图像为根据特定波段进行补光而拍摄得到的图像,由于在该特定波段中第一材料和第二材料的光谱反射率的差值大于第一阈值,目标图像中不同材料的像素点灰度值也不同,该第一材料可以为真实车牌材料,第二材料可以为非真实车牌材料,根据目标图像中检测区域的目标像素点,能够检测该检测区域中是否存在不在真实车牌材料的灰度值范围内的区域,或者存在在非真实车牌材料的灰度值范围内的区域,如果是,则生成第一检测结果,如果否,则生成第二检测结果。采用本申请实施例,能够有效区分真实车牌和伪造车牌。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像检测方法及相关设备。
背景技术
汽车号牌是准许汽车上道行驶的法定凭证,是道路交通管理部门、社会治安管理部门及广大人民群众监督汽车行驶情况,识别、记忆与查找的凭证。现有一些假车牌通过粘贴塑料号码、磁力金属片,以及一些蓝色遮挡来伪造车牌数字号码,这些伪造号牌传统图像难以检测出异常,欺骗电子眼监控,有些伪造车牌人眼都难以分辨,最后逃脱法律的制裁。
真假车牌识别首先要求系统能够获得车牌的图像、以及车牌的位置信息。传统的方案采用普通的RGB摄像机拍摄包含车辆和车牌的可见光图像,然后利用图像处理或机器学习的方法,定位出车牌的位置。为了检测出虚假车牌(主要是手持打印车牌、手机电子车牌等),车牌检测算法通过提取车牌的形状特征、车牌与车辆的运动特征,来判断当前的车牌是否与真实车牌特性一致,从而识别出假车牌。
但是,只要采用车牌贴纸、塑料号码、磁力金属片等具有和真实车牌颜色一致的假号码,替换或遮挡真实车牌中的某一个或某几个字符,且保证边缘无缝衔接,那么这些传统的方法基本失效。如果没有人工介入、且近距离仔细观察,则几乎没有发现假车牌的可能。因此,如何有效地区分车牌中伪装以及假目标是本领域技术人员正在研究的问题。
发明内容
本申请实施例提供一种图像检测方法及相关设备,以有效地区分车牌图像中真实车牌以及伪造车牌。
第一方面,本申请实施例提供了一种图像检测方法,包括:
获取目标图像,所述目标图像为根据特定波段进行补光而拍摄得到的图像,所述目标图像中包括检测区域;其中,第一材料和第二材料在所述特定波段中的光谱反射率的差值大于第一阈值;根据所述检测区域中的目标像素点,检测目标图像中是否存在目标区域;所述目标像素点包括:灰度值不在第一预设范围内的像素点,或者灰度值在第二预设范围内的像素点,所述第一预设范围包括所述第一材料的灰度值范围,所述第二预设范围包括所述第二材料的灰度值范围;当检测到存在所述目标区域,生成第一检测结果;当检测到不存在所述目标区域,生成第二检测结果。
本申请实施例通过该图像检测方法,首先获取目标图像,目标图像为根据特定波段进行补光而拍摄得到的图像,由于在该特定波段中第一材料和第二材料的光谱反射率的差值大于第一阈值,目标图像中不同材料的像素点灰度值也不同,该第一材料可以为真实车牌材料,第二材料可以为非真实车牌材料,例如金属、塑料、胶带等等,根据目标图像中检测区域的目标像素点,能够检测该检测区域中是否存在目标区域,即是检验待检测车牌图像中是否有不在真实车牌材料的灰度值范围内的区域,或者在非真实车牌材料的灰度值范围内的区域,如果是,则生成第一检测结果,如果否,则生成第二检测结果。这种通过在目标图像上显示出第一材料和第二材料的差异的方式,能够有效区分真实车牌和伪造车牌。
在一种可能的实现方式中,所述获取目标图像之前,还包括:通过高光谱摄像机采集所述第一材料的高光谱数据和所述第二材料的高光谱数据;根据所述第一材料的高光谱数据和所述第二材料的高光谱数据确定所述特定波段的范围。本申请实施例通过高光谱摄像机采集第一材料和第二材料的高光谱数据来确定光谱反射率差异最大的波段范围,能够准确的获取特定波段,使得后续的检测过程中可以有效区分出目标图像中的真实车牌材料和伪造车牌材料。
在一种可能的实现方式中,所述特定波段的范围包括550nm~700nm。在该范围内的波段为真实车牌材料与伪造车牌材料的光谱反射率相差最大的波段,利用该范围内的波段进行补光拍摄可以有效区分出目标图像中的真实车牌和伪造车牌。
在一种可能的实现方式中,根据所述检测区域的目标像素点,检测所述检测区域中是否存在目标区域包括:从所述目标图像中提取检测区域;若所述检测区域的目标像素点覆盖的范围大于第二阈值,则检测出所述检测区域中存在目标区域;或者若所述检测区域的目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述检测区域中存在目标区域。本申请实施例通过确定检测区域的目标像素点,来判断检测区域是否存在目标区域,判断方式可以是检测目标像素点覆盖的面积或者检测目标像素点覆盖的区域范围与检测区域中字符区域范围的重叠面积,这种方式方便且低成本的实现了对真实车牌和伪造车牌的区分。
在一种可能的实现方式中,所述目标图像包括车辆图像,所述检测区域包括所述车辆图像中的车牌区域,或者所述车牌图像中的一部分,所述第一材料为真实车牌材料,所述第二材料为非真实车牌材料。相应的,所述图像检测方法可以具体为一种检测车辆图像中车牌真伪的方法。所述第一检测结果描述了所述车牌区域为非真实车牌;所述第二检测结果描述了所述车牌区域为真实车牌。这种方式方便且低成本的实现了对真实车牌和非真实车牌的区分。
第二方面,本申请实施例提供了一种图像检测方法,包括:获取第一材料的图像的高光谱特征信息,以及获取目标图像的高光谱特征信息,所述高光谱特征信息描述了图像的光谱信息,所述目标图像中包括检测区域;利用所述第一材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域,所述目标区域中包括:与所述第一材料的高光谱特征信息不匹配的区域;当检测到存在所述目标区域,生成第一检测结果;当检测到不存在所述目标区域,生成第二检测结果。
本申请实施例通过该图像检测方法,首先获取第一材料的图像的高光谱特征信息以及目标图像的高光谱特征信息,该第一材料可以为真实车牌材料,然后利用获取的真实车牌材料的图像的高光谱特征信息检验检测区域中是否存在目标区域,即是检验待检测车牌图像中是否有与真实车牌材料的高光谱特征信息不匹配的区域,如果有,则生成第一检测结果,如果没有,则生成第二检测结果。由于高光谱图像中不同物质的光谱不同,利用真实车牌的高光谱数据,来对待检测车牌进行对比检测,避免了传统图像检测只能通过特征识别的弊端,利用高光谱图像中不同物质光谱不同的优势,有效区分了真实车牌和伪造车牌。
在一种可能的实现方式中,所述利用所述第一材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域之前,还包括:获取第二材料的图像的高光谱特征信息;利用所述第一材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域,包括:利用所述第一材料和所述第二材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域。在本申请实施例中,可以获取第一材料和第二材料的图像的高光谱特征信息,该第一材料可以为真实车牌材料,第二材料可以为非真实车牌材料,在后续检测的过程中,利用第一材料和第二材料的图像的高光谱特征信息共同检测目标图像中是否存在目标区域,提高了检测的准确度。
在一种可能的实现方式中,所述获取第一材料的图像的高光谱特征信息包括:根据所述第一材料的图像的高光谱数据,选取所述第一材料的图像的目标像素点的光谱均值,组成第一光谱矩阵,所述第一材料的图像的高光谱特征信息包括所述第一光谱矩阵;所述利用所述第一材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域包括:将所述检测区域的高光谱数据在所述第一光谱矩阵上进行正交投影,以得到丰度估计检测结果,所述丰度估计检测结果包括所述检测区域中每个像素点为所述第一材料的概率的描述;若目标像素点覆盖的面积大于第二阈值,则检测出所述检测区域中存在目标区域;或者,若所述目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述检测区域中存在目标区域;所述目标像素点包括所述丰度估计检测结果中所述概率符合预设条件的像素点。
在本申请实施例中首先获取第一材料的图像的高光谱数据,通过该高光谱数据组成第一材料的光谱矩阵,然后在第一光谱矩阵上进行正交投影的方式确定检测区域中每个像素点为第一材料的概率,能够确定出检测区域中不为第一材料的像素点,再通过检测不为第一材料的像素点覆盖的面积大小或者与检测区域中字符区域范围的重叠面积大小,来判断是否为目标区域。
在一种可能的实现方式中,所述获取第一材料的图像的高光谱特征信息包括:根据所述第一材料的图像的高光谱数据,选取所述第一材料的图像中的目标像素点的光谱均值,组成第一光谱矩阵,所述第一材料的图像的高光谱特征信息包括所述第一光谱矩阵;所述获取第二材料的图像的高光谱特征信息包括:根据所述第二材料的图像的高光谱数据,选取所述第二材料的图像中的目标像素点的光谱均值,组成第二光谱矩阵,所述第二材料的图像的高光谱特征信息包括所述第二光谱矩阵;所述利用所述第一材料和所述第二材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域包括:将所述第一光谱矩阵和所述第二光谱矩阵共同组成端元矩阵;将所述检测区域的高光谱数据在所述端元矩阵上进行正交投影,以得到丰度估计检测结果,所述丰度估计检测结果包括所述检测区域中每个像素点为所述第一材料的概率的描述;若目标像素点覆盖的面积大于第二阈值,则检测出所述检测区域中存在目标区域;或者,若所述目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述检测区域中存在目标区域;所述目标像素点包括所述丰度估计检测结果中所述概率符合预设条件的像素点。在本申请实施例中首先获取第一材料和第二材料的图像的高光谱数据,通过该高光谱数据组成第一材料的光谱矩阵和第二材料的光谱矩阵,然后通过在第一光谱矩阵和第二光谱矩阵共同组成的端元矩阵上进行正交投影的方式,确定检测区域中每个像素点为第一材料或第二材料的概率,能够确定出检测区域中不为第一材料的像素点或为第二材料的像素点,再通过检测这些像素点覆盖的面积大小或者与检测区域中字符区域范围的重叠面积大小,来判断是否为目标区域,有效区分了检测区域中的第一材料和第二材料,以及检测目标对象是否存在目标区域。
第三方面,本申请实施例提供了一种图像检测装置,包括:
第一获取单元,用于获取目标图像,所述目标图像为根据特定波段进行补光而拍摄得到的图像,所述目标图像中包括检测区域;其中,第一材料和第二材料在所述特定波段中的光谱反射率的差值大于第一阈值;
第一检测单元,根据所述检测区域的目标像素点,检测所述检测区域中是否存在目标区域;所述目标像素点包括:灰度值不在第一预设范围内的像素点,或者灰度值在第二预设范围内的像素点,所述第一预设范围包括所述第一材料的灰度值范围,所述第二预设范围包括所述第二材料的灰度值范围;
第一生成单元,用于当检测到存在所述目标区域,生成第一检测结果;当检测到不存在所述目标区域,生成第二检测结果。
在一种可能的实现方式中,所述装置还包括:采集单元,用于所述获取目标图像之前,通过高光谱摄像机采集所述第一材料的高光谱数据和所述第二材料的高光谱数据;确定单元,用于根据所述第一材料的高光谱数据和所述第二材料的高光谱数据确定所述特定波段的范围。
在一种可能的实现方式中,所述特定波段的范围包括550nm~700nm。
在一种可能的实现方式中,所述第一检测单元具体包括:提取单元,用于从所述目标图像中提取检测区域;所述第一检测单元,还用于若所述检测区域的目标像素点覆盖的面积大于第二阈值,则检测出所述检测区域中存在目标区域;或者若所述检测区域的目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述检测区域中存在目标区域。
应当理解的是,本申请的第三方面与本申请的第一方面的技术方案一致,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。
第四方面,本申请实施例提供了一种图像检测装置,包括:
第二获取单元,用于获取第一材料的图像的高光谱特征信息,以及获取目标图像的高光谱特征信息,所述高光谱特征信息描述了图像的光谱信息,所述目标图像中包括检测区域;
第二检测单元,用于利用所述第一材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域,所述目标区域中包括:与所述第一材料的高光谱特征信息不匹配的区域;
第二生成单元,用于当检测到存在所述目标区域,生成第一检测结果;当检测到不存在所述目标区域,生成第二检测结果。
在一种可能的实现方式中,所述装置还包括:所述第二获取单元,还用于在所述利用所述第一材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域之前,获取第二材料的图像的高光谱特征信息;
所述第二检测单元,还用于利用所述第一材料和所述第二材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域。
在一种可能的实现方式中,所述装置还包括:组成单元,用于根据所述第一材料的图像的高光谱数据,选取所述第一材料的图像的目标像素点的光谱均值,组成第一光谱矩阵,所述第一材料的图像的高光谱特征信息包括所述第一光谱矩阵;所述第二检测单元包括:正交投影单元,用于将所述检测区域的高光谱数据在所述第一光谱矩阵上进行正交投影,以得到丰度估计检测结果,所述丰度估计检测结果包括所述检测区域中每个像素点为所述第一材料的概率的描述;所述第二检测单元,还用于若目标像素点覆盖的面积大于第二阈值,则检测出所述检测区域中存在目标区域;或者,若所述目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述检测区域中存在目标区域;所述目标像素点包括所述丰度估计检测结果中所述概率符合预设条件的像素点。
在一种可能的实现方式中,所述装置还包括:所述组成单元,还用于根据所述第一材料的图像的高光谱数据,选取所述第一材料的图像中的目标像素点的光谱均值,组成第一光谱矩阵,所述第一材料的图像的高光谱特征信息包括所述第一光谱矩阵;所述组成单元,还用于根据所述第二材料的图像的高光谱数据,选取所述第二材料的图像中的目标像素点的光谱均值,组成第二光谱矩阵,所述第二材料的图像的高光谱特征信息包括所述第二光谱矩阵。所述第二检测单元包括:所述组成单元,还用于将所述第一光谱矩阵和所述第二光谱矩阵共同组成所述端元矩阵;所述正交投影单元,还用于将所述检测区域的高光谱数据在所述端元矩阵上进行正交投影,以得到丰度估计检测结果,所述丰度估计检测结果包括所述检测区域中每个像素点为所述第一材料的概率的描述;所述第二检测单元,还用于若目标像素点覆盖的面积大于第二阈值,则检测出所述检测区域中存在目标区域;或者,若所述目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述检测区域中存在目标区域;所述目标像素点包括所述丰度估计检测结果中所述概率符合预设条件的像素点。
应当理解的是,本申请的第四方面与本申请的第二方面的技术方案一致,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。
第五方面,本申请实施例提供一种终端设备,该终端设备中包括处理器,处理器被配置为支持该终端设备实现第一方面提供的图像检测方法中相应的功能。该终端设备还可以包括存储器,存储器用于与处理器耦合,其保存该终端设备必要的程序指令和数据。该终端设备还可以包括通信接口,用于该网络设备与其他设备或通信网络通信。应当理解的是,本申请的第五方面与本申请的第一方面的技术方案一致,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。
第六方面,本申请实施例提供一种摄像机,该摄像机中包括补光灯和摄像模块,其中,所述补光灯用于产生特定波段的补偿光,其中,第一材料和第二材料在所述特定波段下的光谱反射率的差值大于第一阈值;所述摄像模块用于基于所述特定波段拍摄并获取目标图像。该摄像机还可以包括存储器,存储器用于与处理器耦合,其保存该摄像机必要的程序指令和数据。该摄像机还可以包括通信接口,用于与其他设备或通信网络通信。应当理解的是,本申请的第六方面与本申请的第一方面的技术方案一致,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。
第七方面,本申请实施例提供一种计算机可读存储介质,用于储存为上述第三方面或第四方面提供的一种图像检测装置所用的计算机软件指令,其包含用于执行上述方面所设计的程序。
第八方面,本申请实施例提供了一种计算机程序,该计算机程序包括指令,当该计算机程序被计算机执行时,使得计算机可以执行上述第三方面或第四方面中的图像检测装置所执行的流程。
第九方面,本申请提供了一种芯片系统,该芯片系统包括处理器,用于支持电子设备实现上述第一方面或第二方面中所涉及的功能,例如,生成或处理上述图像检测方法中所涉及的信息。在一种可能的设计中,所述芯片系统还包括存储器,所述存储器,用于保存数据发送设备必要的程序指令和数据。该芯片系统,可以由芯片构成,也可以包含芯片和其他分立器件。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1是本申请实施例提供的一种图像检测方法的系统架构示意图;;
图2是本申请实施例提供的一种图像检测方法的流程示意图;
图3是本申请实施例提供的一种获取目标图像的应用场景示意图;
图4是本申请实施例提供的一种不同材料光谱差异的示意图;
图5是本申请实施例提供的一种目标图像检测结果的应用场景示意图;
图6是本申请实施例提供的另一种图像检测方法的流程示意图;
图7是本申请实施例提供的一种图像检测装置的结构示意图;
图8是本申请实施例提供的另一种图像检测装置的结构示意图;
图9是本申请实施例提供的一种电子设备的硬件结构示意图;
图10是本申请实施例提供的一种摄像机的硬件结构示意图;
图11为本申请实施例提供的一种通信芯片的结构示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“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,而是可选地还包括没有列出的步骤或单元,或可选地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。
在本文中提及“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。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本说明书中使用的术语“部件”、“模块”、“系统”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。例如,部件可以是但不限于,在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或计算机。通过图示,在计算设备上运行的应用和计算设备都可以是部件。一个或多个部件可驻留在进程和/或执行线程中,部件可位于一个计算机上和/或分布在2个或更多个计算机之间。此外,这些部件可从在上面存储有各种数据结构的各种计算机可读介质执行。部件可例如根据具有一个或多个数据分组(例如来自与本地系统、分布式系统和/或网络间的另一部件交互的二个部件的数据,例如通过信号与其它系统交互的互联网)的信号通过本地和/或远程进程来通信。
首先,对本申请中的部分用语进行解释说明,以便于本领域技术人员理解。
(1)高光谱图像:光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像,所谓高光谱图像就是在光谱维度上进行了细致的分割,不仅仅是传统所谓的黑、白或者红、绿、蓝的区别,而是在光谱维度上也有N个通道,例如:我们可以把400nm-1000nm分为300个通道。因此,通过高光谱设备获取到的是一个数据立方,不仅有图像的信息,并且在光谱维度上进行展开,结果不仅可以获得图像上每个点的光谱数据,还可以获得任一个谱段的影像信息。也即是说,高光谱图像集样本的图像信息与光谱信息于一身。图像信息可以反映样本的大小、形状、缺陷等外部品质特征,由于不同成分对光谱吸收也不同,在某个特定波长下图像对某个缺陷会有较显著的反映,而光谱信息能充分反映样品内部的物理结构、化学成分的差异。
(2)RGB(Red,Green,Blue):RGB色彩模式是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的,RGB即是代表红、绿、蓝三个通道的颜色,这个标准几乎包括了人类视力所能感知的所有颜色,是目前运用最广的颜色系统之一。
(3)HSV(Hue,Saturation,Value):HSV是根据颜色的直观特性创建的一种颜色空间,也称六角锥体模型(Hexcone Model)。这个模型中颜色的参数分别是:色调(H)、饱和度(S)、亮度(V)。其中,色调H:用角度度量,取值范围为0°~360°,从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°。它们的补色是:黄色为60°,青色为180°,品红为300°;饱和度S:表示颜色接近光谱色的程度。一种颜色,可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大,颜色接近光谱色的程度就愈高,颜色的饱和度也就愈高。饱和度高,颜色则深而艳。光谱色的白光成分为0,饱和度达到最高。通常取值范围为0%~100%,值越大,颜色越饱和;亮度V:表示颜色明亮的程度,对于光源色,明度值与发光体的光亮度有关;对于物体色,此值和物体的透射比或反射比有关。通常取值范围为0%(黑)到100%(白)。
(4)端元:相当于一个像素点里的亚像素点,只包含一种地物的光谱信息,根据多光谱或高光谱的分辨率可以提取出来。假设有2个像素点,其中一个像素点中有A、B、C三种地物,那么该像素点就称为混合像素点;另一个像素点中只有单一的一种地物,那么该像素点就称为纯净像素点,可以作为一种端元。
(5)丰度:端元只包含一种地物信息,一般的像素点都为混合像素点,包括多种地物,在进行混合像素点分解的时候,可以对一个像素点中包括的几种端元进行定量描述,求得每个像素点中几种端元在这个像素点中的面积百分比,即端元的丰度。
其次,为了便于理解本申请实施例,以下具体分析本申请实施例所需要解决的技术问题以及对应的应用场景。在对车牌图像进行检测的过程中,大多数采用普通的RGB摄像机拍摄包含车辆和车牌的可见光图像,然后利用图像处理或机器学习的方法,定位出车牌的位置。为了检测出虚假车牌(主要是手持打印车牌、手机电子车牌等),车牌检测算法通过提取车牌的形状特征、车牌与车辆的运动特征,来判断当前的车牌是否与真实车牌特性一致,从而识别出假车牌。然而,仔细考虑上述过程可以发现,目前典型的方法主要运用了车牌的形状、轮廓等信息,因此,只要采用车牌贴纸、塑料号码、磁力金属片等具有和真实车牌颜色一致的假号码,替换或遮挡真实车牌中的某一个或某几个字符,且保证边缘无缝衔接,那么这些传统的方法基本失效。如果没有人工介入、且近距离仔细观察,则几乎没有发现假车牌的可能。
因此,针对上述技术问题,本申请主要解决的问题为如何有效区分待检测车牌是否为被其他材料遮挡的伪造车牌,且在鉴别为伪造车牌后,提供待检测车牌被遮挡的具体位置。
基于上述提出的技术问题以及本申请中对应的应用场景,也为了便于理解本申请实施例,下面先对本申请实施例所基于的其中一种系统架构进行描述。请参阅图1,图1是本申请实施例提供的一种系统构架示意图。本申请中的系统构架可以包括图1中的目标车辆101、摄像设备102和一个或多个电子设备103,其中,摄像设备102和电子设备103之间可通过有线或者无线的方式或者其他通信方式进行通信。在本系统中,摄像设备102用于拍摄目标车辆101,获取到目标车辆101的图像后,发送到电子设备103。其中,
摄像设备102可以是完成图像分解和光电信号转换的器件,包括红外摄像头、黑白摄像头、高光谱摄像头等等,图像分解是把一幅完整图像分解成若干独立的像素(构成电视图像画面的最小单元)的过程。一般来说,像素的数目愈多,图像愈清晰。每个像素只用单一的颜色和亮度表示。摄像设备能把图像中各像素的光信号转变成相应的电信号,再按一定的顺序传送到输出端。
电子设备103可以是通信终端、移动设备、用户终端、移动终端、无线通信设备、便携式终端、用户代理、用户装置、服务设备或用户设备(User Equipment,UE)等电子设备,主要用于数据的输入以及处理结果的输出或显示等,也可以是安装于或运行于上述任一一设备上的软件客户端、应用程序等。例如,终端可以是移动电话、无绳电话、智能手表、可穿戴设备、平板设备、具备无线通信功能的手持设备、计算设备、车载通信模块、智能电表或连接到无线调制解调器的其它处理设备等。当电子设备103为服务器时,电子设备103接收到摄像设备102发送的车辆图像或影像数据,利用基于高光谱色彩分布的方法或智能检测算法等方式可以检测出图像中车牌的精确位置,再利用真假车牌的光谱信息差异,判断该图像中车牌是否为真实车牌,如有遮挡,进一步判断遮挡位置,然后可以将检测结果输出到其他显示设备或终端设备上;当电子设备103为终端设备时,电子设备103接收到摄像设备102发送的图像或影像数据,利用基于高光谱色彩分布的方法或智能检测算法等方式可以检测出图像中车牌的精确位置,再利用真假车牌的光谱信息差异,判断该图像中车牌是否为真实车牌,如有遮挡,进一步判断遮挡位置,然后可以将检测结果输出到该电子设备103的显示设备上。
可以理解的是,图1中的网络架构只是本申请实施例中的一种示例性的实施方式,本申请实施例中的系统架构包括但不仅限于以上系统架构。
基于上述系统架构,下面结合实施例以及附图详细描述本申请提供的图像检测方法。
请参见图2,图2是本申请实施例提供的一种图像检测方法,该方法包括但不限于如下步骤:
步骤S201:获取目标图像。
具体地,电子设备获取目标图像,目标图像为根据特定波段进行补光而拍摄得到的图像,该目标图像中包括检测区域;其中,第一材料和第二材料在特定波段中的光谱反射率的差值大于第一阈值,电子设备可以从具有补光功能的摄像设备中获取目标图像,也可以使用自身的具有补光功能的摄像设备直接获取目标图像。举例来说,摄像设备可以为通过有线或无线的方式与电子设备连接的黑白摄像机,黑白摄像机通过特定波段补光,拍摄到目标车辆的黑白图像,若该黑白图像中的目标对象图像区域清晰完整,则输出到电子设备上,电子设备获取到目标图像的黑白图像。由于在该特定波段中第一材料和第二材料的光谱反射率的差值大于第一阈值,则通过摄像设备获取的目标图像中第一材料和第二材料的图像灰度值差异较大。
举例来说,如图3所示,示例性的,图3为获取的目标图像,目标图像中包括目标车辆1、目标车辆2和目标车辆3,以及目标车辆的车牌区域(即检测区域),在该图像中,车牌区域为清晰完整的区域,由于该目标图像为使用了特定波段补光而获得的图像,第一材料可以为真实车牌蓝色底牌材料和真实车牌白色号牌材料,第二材料可以为伪装金属材料、伪装贴纸材料、伪装胶带材料等等,则该特定波段为真实车牌蓝色底牌材料、真实车牌白色号牌材料和伪装金属材料、伪装贴纸材料、伪装胶带材料在同一波段上的光谱反射率相差大于第一阈值的波段,其中,光谱反射率相差大于第一阈值可以是,真实车牌蓝色底牌材料的光谱反射率在该特定波段内与伪装金属材料、伪装贴纸材料、伪装胶带材料的光谱反射率分别相差的数值的平均值大于第一阈值,同时真实车牌白色号牌材料的光谱反射率在该特定波段内与伪装金属材料、伪装贴纸材料、伪装胶带材料的光谱反射率分别相差的数值的平均值大于第一阈值;光谱反射率相差大于第一阈值也可以是,真实车牌蓝色底牌材料的光谱反射率在该特定波段内与伪装金属材料、伪装贴纸材料、伪装胶带材料的光谱反射率分别相差的数值的总和大于第一阈值,同时真实车牌白色号牌材料的光谱反射率在该特定波段内与伪装金属材料、伪装贴纸材料、伪装胶带材料的光谱反射率分别相差的数值的总和大于第一阈值,此处不做限制;此时目标图像中应该能够明显区分第一材料(真实车牌蓝色底牌材料、真实车牌白色号牌材料)以及第二材料(伪装金属材料、伪装贴纸材料、伪装胶带材料)的像素点在灰度值上的区别。
在其中一个实施方式中,在电子设备获取目标图像之前,通过高光谱摄像机采集第一材料的高光谱数据和第二材料的高光谱数据,通过第一材料和第二材料的高光谱特征信息确定特定波段的范围,高光谱特征信息描述了第一材料和第二材料的光谱信息和图像信息,该高光谱特征信息包括第一材料和第二材料在不同波段下的平均光谱反射率、光谱均值、光谱矩阵、平均光谱辐照度、分辨率等信息。根据第一材料和第二材料的高光谱特征信息确定特定波段,该特定波段为第一材料和所述第二材料在同一波段上的光谱反射率相差最大的波段,举例来说,第一材料为真实车牌材料,第二材料为包括金属、贴纸、胶带等材料的非真实车牌材料,如图4所示,图4为真实车牌蓝色底牌材料、真实车牌白色号牌材料、伪装金属材料、伪装贴纸材料以及伪装胶带材料的光谱曲线,该光谱曲线即为第一材料和第二材料的高光谱特征信息,由于在特定波段内第一材料和第二材料的光谱反射率相差大于第一阈值,由图易知,为了在拍摄得到的目标图像中较明显的区分出第一材料和第二材料,该特定波段可以在在500nm左右,例如550nm~700nm之间。
步骤S202:从目标图像中提取检测区域。
具体地,电子设备获取到目标图像后,从目标图像中提取检测区域,举例来说,目标图像为目标车辆的图像,则检测区域为目标车辆中的车牌图像区域,电子设备获取到利用特定波段补光拍摄的目标车辆的图像后,使用车牌检测算法从目标车辆的图像中提取待检测车牌的图像区域。
步骤S203:检测该检测区域中是否存在目标区域。
具体地,电子设备从目标图像中提取检测区域后,检测该检测区域中是否存在目标区域,电子设备通过遍历检测区域中的所有像素点,将检测区域中所有灰度值不在第一预设范围内的像素点或者灰度值在第二预设范围的像素点判定为目标像素点,其中第一预设范围包括第一材料的灰度值范围,第二预设范围包括第二材料的灰度值范围,目标像素点覆盖的范围包括目标区域,根据目标像素点确定目标区域,即所有目标像素点组成的区域可以为目标区域。
举例来说,检测区域为目标车辆中的车牌图像区域,遍历该车牌图像区域中的所有像素点(或者选取一定范围内的像素点),由于该车牌图像区域为使用了特定波段补光而获得的图像,该特定波段内真实车牌材料和非真实车牌材料的光谱反射率(可以是反射率的均值)相差大于第一阈值,则该车牌图像区域中真实车牌材料和非真实车牌材料之间像素点的灰度值是不同的,根据不同材料之间像素点的灰度值差异,设置第一预设范围和第二预设范围,该第一预设范围为真实车牌材料的图像的灰度值范围,该第二预设范围为非真实车牌材料的图像的灰度值范围,车牌图像区域中灰度值不在第一预设范围内的像素点判定为目标像素点,以及灰度值在第二预设范围内的像素点也判定为目标像素点,即目标像素点覆盖的区域属于非真实车牌材料的区域。也即是说,目标区域可以是车牌上的伪造区域,包括把车牌上的一部分区域用其他材料覆盖或者替换,例如把车牌上的“0”用其他材料替换成“8”。下面具体介绍三种根据目标像素点确定目标区域(非真实车牌材料)的方式:
方式一,若目标像素点覆盖的区域面积大于第二阈值,则检测出检测区域中存在目标区域。举例来说,第二阈值可以是50平方厘米,检测车牌图像区域中的所有像素点,若目标像素点覆盖的面积大于50平方厘米,则判定在该车牌图像区域中存在目标区域,该目标区域包括所有目标像素点覆盖的区域范围,这种方式避免了车牌中遮挡部分很小且不影响识别白色号牌,从而导致判断为伪造车牌的情况,提高了检测的精确度。
方式二,若目标像素点覆盖的区域范围与检测区域中字符区域范围的重叠面积大于第三阈值,则检测出检测区域中存在目标区域。举例来说,第三阈值为15平方厘米,检测车牌图像区域的所有像素点,若目标像素点覆盖的区域范围与车牌图像区域的白色号牌区域的重叠面积大于15平方厘米,则判定在该车牌图像区域中存在目标区域,该目标区域为所有目标像素点覆盖的区域范围,这种方式避免了车牌中的遮挡物只遮挡了车牌的蓝色底部而没有遮挡白色号牌(不影响识别白色号牌),从而导致判断为伪造车牌的情况,提高了检测的精确度。
方式三,若目标像素点覆盖的区域面积超过某个范围,则检测出检测区域中存在目标区域。举例来说,该范围可以为检测区域的5%,检测车牌图像区域的所有像素点,若目标像素点覆盖的区域面积占车牌图像区域的总面积的比例超过5%,则判定在该车牌图像区域中存在目标区域,该目标区域为所有目标像素点覆盖的区域范围。
步骤S204:生成结果。
具体地,检测该检测区域是否存在目标区域,当检测到存在目标区域,生成第一检测结果;当检测到不存在目标区域,生成第二检测结果;其中,第一检测结果可以描述检测区域存在目标区域以及目标区域的具体位置,第二检测结果可以描述检测区域不存在目标区域。举例来说,当检测到待检测车牌为伪造车牌,即存在伪造区域,第一检测结果可以是如图5的车牌检测结果图,该车牌检测结果图描述了该车牌的伪造位置以及伪造的材料,即目标车辆1为金属伪造、目标车辆2为胶带伪造、目标车辆3为塑料伪造,而当检测到待检测车牌为真实车牌,即不存在伪造区域,第二检测结果可以是“不存在伪造区域”或“车牌为真实车牌”等文字或图像或语音描述。
在图2所描述的方法中,首先获取目标图像,目标图像为根据特定波段进行补光而拍摄得到的图像,由于在该特定波段中第一材料和第二材料的光谱反射率的差值大于第一阈值,目标图像中不同材料的像素点灰度值也不同,该第一材料可以为真实车牌材料,第二材料可以为非真实车牌材料,例如金属、塑料、胶带等等,根据目标图像中检测区域的目标像素点,能够检测该检测区域中是否存在目标区域,即是检验待检测车牌图像中是否有不在真实车牌材料的灰度值范围内的区域,或者在非真实车牌材料的灰度值范围内的区域,如果是,则生成第一检测结果,如果否,则生成第二检测结果。这种通过在目标图像上显示出第一材料和第二材料的差异的方式,能够有效区分真实车牌和伪造车牌。
请参见图6,图6是本申请实施例提供的另一种图像检测方法,该方法包括但不限于如下步骤:
步骤S601:获取第一材料的图像的高光谱特征信息,以及获取目标图像的高光谱特征信息。
具体地,高光谱特征信息描述了物体的图像在高光谱下的特征,与物体的材质、光谱反射率相关。高光谱特征信息描述可以由光谱辐射曲线进行描述,光谱辐射曲线也可以称之为光谱分布。具体而言,高光谱图像相较于普通图像增加了光谱维度,因此光谱维度是高光谱图像相对于普通图像特有的特征信息,该特征信息可以用光谱辐射曲线进行描述。在实际应用中,可以选择一定范围内的像素点(例如50×50的像素点)进行采样,把这个采样范围内的像素点的光谱辐射曲线均值作为这个范围内的光谱辐射曲线的代表,以便于在后续步骤中与预设的光谱辐射曲线进行对比,判断二者是否匹配。高光谱特征信息除了用光谱辐射曲线描述之外,还可以用高光谱图像的光谱分布进行描述。
电子设备获取第一材料的图像的高光谱特征信息以及目标图像的高光谱特征信息,该高光谱特征信息包括在不同波段下的平均光谱反射率、光谱均值、光谱矩阵、辐射值、分辨率等信息;该目标图像包括检测区域,该检测区域即为待检测图像区域。举例来说,第一材料可以为真实车牌材料,目标图像可以是包含了车牌图像区域的目标车辆图像。
在其中一个实现方式中,电子设备获取第一材料的图像的高光谱数据,其中,高光谱数据可以包括在不同波段下的平均光谱反射率、光谱均值、光谱矩阵、平均光谱辐照度、分辨率等信息,根据第一材料的图像的高光谱数据,选取第一材料的图像的像素点,选取的像素点的光谱均值(或者称为光谱曲线的均值)组成第一光谱矩阵(光谱均值曲线可以看成一个列矢量,不同种类目标的列矢量堆起来,就成为光谱矩阵),该第一光谱矩阵即为第一材料的图像的高光谱特征信息,该第一光谱矩阵可以用于后续的检测,也即是说,电子设备可以首先获取第一材料的图像的高光谱数据,然后处理该高光谱数据以获取第一材料的图像的高光谱特征信息。
在其中一个实现方式中,电子设备还可以获取第二材料的图像的高光谱数据,即电子设备获取第一材料和第二材料的图像的高光谱数据,其中,高光谱数据可以包括在不同波段下的平均光谱反射率、平均光谱辐照度、分辨率等信息,根据第一材料的图像的高光谱数据,选取第一材料的图像的像素点,选取的像素点的光谱均值组成第一光谱矩阵,该第一光谱矩阵即为第一材料的图像的高光谱特征信息;根据第二材料的图像的高光谱数据,分别选取第二材料的图像中的像素点,将选取的像素点的光谱均值组成第二光谱矩阵,该第二光谱矩阵即为第二材料的图像的高光谱特征信息,也即是说,电子设备可以首先获取第一材料和第二材料的图像的高光谱数据,然后处理该高光谱数据以获取第一材料和第二材料的图像的高光谱特征信息。举例来说,第一材料为真实车牌材料,例如:真实车牌由蓝色底牌和五个白色号牌组成,选取该真实车牌材料的蓝色底牌的多个像素点的光谱均值,以及五个白色号牌的多个像素点的光谱均值,组成第一光谱矩阵,第二材料可以为金属、塑料和胶带,这些材料可以作为遮挡真实车牌或伪造真实车牌的材料,选取金属材料的多个像素点的光谱均值组成金属光谱矩阵,选取塑料材料的多个像素点的光谱均值组成塑料光谱矩阵,选取胶带材料的多个像素点的光谱均值组成胶带光谱矩阵,即第二光谱矩阵包括金属光谱矩阵、塑料光谱矩阵和胶带光谱矩阵。
步骤S602:检测该检测区域中是否存在目标区域。
具体地,电子设备获取第一材料的图像的高光谱特征信息以及目标图像的高光谱特征信息后,利用第一材料的图像的高光谱特征信息,检测目标图像中的检测区域中是否存在目标区域,该目标区域包括与第一材料的图像的高光谱特征信息不匹配的区域,也即是说,检测该检测区域若与第一材料的图像的高光谱特征信息匹配,则不存在目标区域。举例来说,检测区域为车牌图像区域,第一材料为真实车牌材料,将车牌图像区域的高光谱数据与第一材料的图像的高光谱特征信息作分析匹配,若车牌图像区域的高光谱数据中存在与真实车牌材料的图像的高光谱特征信息不匹配的区域,则该区域为目标区域(非真实车牌区域)。
举例来说,将检测区域的高光谱数据在真实车牌材料的第一光谱矩阵上进行正交投影,以得到丰度估计检测结果,该丰度估计检测结果描述了检测区域中每个像素点为真实车牌材料的概率,根据该丰度估计检测结果将概率不满足预设条件的像素点判定为目标像素点,举例来说,丰度估计检测结果描述了车牌图像区域中每个像素点的高光谱数据与第一材料(真实车牌材料)匹配的概率P1,预设条件为P1大于0.9,即若得出与真实车牌材料匹配的概率P1小于或等于0.9,则该像素点为目标像素点,即与真实车牌材料不匹配。
在其中一个实现方式中,电子设备获取第一材料和第二材料的图像的高光谱特征信息以及目标图像的高光谱特征信息后,利用第一材料和第二材料的图像的高光谱特征信息,检测目标图像中检测区域是否存在目标区域,该目标区域包括与第一材料的图像的高光谱特征信息不匹配的区域,也即是说,检测该检测区域若与第一材料的图像的高光谱特征信息匹配,则不存在目标区域,可以理解的,该目标区域还可以包括与第二材料的图像的高光谱特征信息匹配的区域。举例来说,检测区域为车牌图像区域,第一材料为真实车牌材料,第二材料可以为遮挡真实车牌或伪造真实车牌的材料,将车牌图像区域的高光谱数据与第一材料和第二材料的图像的高光谱特征信息作分析匹配,若车牌图像区域的高光谱数据中存在与真实车牌材料的图像的高光谱特征信息不匹配的区域,而与第二材料的图像的高光谱特征信息匹配的区域,则该区域为目标区域(非真实车牌区域)。
举例来说,将第一材料的第一光谱矩阵和第二材料的第二光谱矩阵共同组成端元矩阵,具体来说,每种材料的光谱信息可以表示成一个d维度的列向量,d表示光谱通道数,将不同材料的光谱向量进行横向拼接,以共同组成端元矩阵,例如金属光谱矩阵(这边叫做矩阵的原因是金属材料可以包括多种,例如铝、铁、合金等材料)为M1,塑料光谱矩阵为M2,胶带等高分子材料光谱矩阵为M3,真实车牌材料的第一光谱矩阵为Mp,则共同组成的端元矩阵为M=[Mp M1 M2 M3],通过该端元矩阵M可以检测出待检测车牌为真实车牌还是被金属、塑料或胶带材料所遮挡或伪造的假车牌;将检测区域的高光谱数据在该端元矩阵(真实车牌材料的第一光谱矩阵和金属光谱矩阵、塑料光谱矩阵、胶带光谱矩阵共同组成)上进行正交投影,以得到丰度估计检测结果,该丰度估计检测结果描述了检测区域中每个像素点为第一材料的概率和/或为第二材料的概率,根据该丰度估计检测结果将概率不满足预设条件的像素点判定为目标像素点,举例来说,丰度估计检测结果描述了车牌图像区域中每个像素点的高光谱数据与第一材料(真实车牌材料)匹配的概率P1以及与第二材料(非真实车牌材料)匹配的概率P2,预设条件为P1大于0.8且P1大于P2,即若得出与真实车牌材料匹配的概率P1小于或等于0.8或P1小于或等于与非真实车牌材料匹配的概率P2,则该像素点为目标像素点,即与真实车牌材料不匹配。
下面具体介绍三种根据目标像素点确定目标区域的方式:
方式一,若目标像素点覆盖的区域面积大于第二阈值,则检测出检测区域中存在目标区域。举例来说,第二阈值为50平方厘米,检测车牌图像区域的所有像素点,若目标像素点覆盖的区域面积大于50平方厘米,则判定在该车牌图像区域中存在目标区域,该目标区域为所有目标像素点覆盖的区域范围,这种方式避免了车牌中遮挡部分很小且不影响识别白色号牌,从而导致判断为伪造车牌的情况,提高了检测的精确度。
方式二,若目标像素点覆盖的区域范围与检测区域中字符区域范围的重叠面积大于第三阈值,则检测出检测区域中存在目标区域。举例来说,第三阈值为15平方厘米,检测车牌图像区域的所有像素点,若目标像素点覆盖的区域范围与车牌图像区域的白色号牌区域的重叠面积大于15平方厘米,则判定在该车牌图像区域中存在目标区域,该目标区域为所有目标像素点覆盖的区域范围,这种方式避免了车牌中的遮挡物只遮挡了车牌的蓝色底部而没有遮挡白色号牌(不影响识别白色号牌),从而导致判断为伪造车牌的情况,提高了检测的精确度。
方式三,若目标像素点覆盖的区域面积超过某个范围,则检测出检测区域中存在目标区域。举例来说,该范围可以为检测区域的5%,检测车牌图像区域的所有像素点,若目标像素点覆盖的区域面积占车牌图像区域的总面积的比例超过5%,则判定在该车牌图像区域中存在目标区域,该目标区域为所有目标像素点覆盖的区域范围。
如图5所示,检测区域包括目标车辆1的车辆原图、目标车辆2的车辆原图以及目标车辆3的车牌原图,通过端元矩阵对车牌原图的高光谱图像进行正交投影,再根据得到的丰度估计检测结果进行判定目标像素点,以确定目标区域,图5中的车牌检测结果即分别显示了当车牌为伪造金属、伪造胶带、伪造塑料时的检测结果。
步骤S603:生成结果。
具体地,检测该检测区域是否存在目标区域,当检测到存在目标区域,生成第一检测结果;当检测到不存在目标区域,生成第二检测结果;其中,第一检测结果可以描述检测区域存在目标区域以及目标区域的具体位置,第二检测结果可以描述检测区域不存在目标区域。举例来说,当检测到待检测车牌为伪造车牌,即存在伪造区域,第一检测结果可以是如图5的车牌检测结果图,该车牌检测图描述了该车牌的伪造位置以及伪造的材料,即目标车辆1为金属伪造、目标车辆2为胶带伪造、目标车辆3为塑料伪造,而当检测到待检测车牌为真实车牌,即不存在伪造区域,第二检测结果可以是“不存在伪造区域”或“车牌为真实车牌”等文字或图像或语音描述。
本申请实施例通过该图像检测方法,首先获取第一材料的图像的高光谱特征信息以及目标图像的高光谱特征信息,该第一材料可以为真实车牌材料,然后利用获取的真实车牌材料的图像的高光谱特征信息检验检测区域中是否存在目标区域,即是检验待检测车牌图像中是否有与真实车牌材料的高光谱特征信息不匹配的区域,如果有,则生成第一检测结果,如果没有,则生成第二检测结果。由于高光谱图像中不同物质的光谱不同,利用真实车牌的高光谱数据,来对待检测车牌进行对比检测,避免了传统图像检测只能通过特征识别的弊端,利用高光谱图像中不同物质光谱不同的优势,有效区分了真实车牌和伪造车牌。
在其中一个实现方式中,本申请实施例还包括在检测该检测区域中是否存在目标区域之前,获取目标图像中的检测区域的具体实现步骤,该步骤可以包括:
步骤S604:获取目标图像的高光谱图像。
具体地,电子设备获取目标图像的高光谱图像,该目标图像的高光谱图像包括检测区域,其中,电子设备可以从具有高光谱技术的摄像设备中获取目标图像的高光谱图像,也可以使用自身的具有高光谱技术的摄像设备直接获取目标图像的高光谱图像。举例来说,高光谱摄像设备拍摄到目标车辆的高光谱图像,若该高光谱图像中的目标对象图像区域清晰完整,则输出到电子设备上,电子设备获取到目标图像的高光谱图像。举例来说,如图3所示,示例性的,图3为目标图像的高光谱图像,目标图像中包括目标车辆1、目标车辆2和目标车辆3,以及目标车辆的车牌区域,在高光谱图像中,车牌区域为清晰完整的区域。
步骤S605:根据该目标图像的高光谱图像合成目标图像的RGB图像。
具体地,电子设备获取目标图像的高光谱图像后,提取高光谱图像中700nm、546nm以及435nm附近的波段合成RGB图像,该700nm、546nm以及435nm附近的波段分别为颜色为红绿蓝的波段,将高光谱图像合成为RGB图像便于进行图像分析,由于高光谱图像背景数据复杂、数据量庞大、光谱库构建难度高,这种方式可以在确定检测区域的过程中更简便高效。
步骤S606:提取该RGB图像中检测区域。
具体地,电子设备合成目标图像的RGB图像后,提取该RGB图像中检测区域。下面介绍两种提取该RGB图像中检测区域的方式:
方式一,通过将RGB图像输入到车牌检测算法中直接定位获得检测区域,即车牌图像区域。
方式二,可以先选取RGB图像中符合预设目标对象颜色范围的像素点为特定像素点,然后根据特定像素点确定检测区域。
具体地,电子设备根据该目标图像的高光谱数据合成RGB图像后,将RGB图像转换到HSV色彩空间,遍历RGB图像中的像素点,若所述像素点的色调H、饱和度S和亮度V在预设目标对象颜色范围内,则选取所述像素点为特定像素点,其中,预设目标对象颜色范围为真实车牌的蓝色像素点的颜色范围,真实车牌的蓝色像素点的色调范围为0.56~0.71,饱和度范围为0.4~1,亮度范围为0.3~1,若像素点的色调H、饱和度S和亮度V均在该真实车牌的蓝色像素点的颜色范围内,则可以认为该像素点为真实车牌的蓝色像素点,即选取为特定像素点。选取到特定像素点后,其中特定像素点覆盖的范围包括检测区域,根据特定像素点确定检测区域,即所有特定像素点组成的区域为检测区域。
在其中一个实施方式中,电子设备通过遍历RGB图像中的所有像素点,选取到特定像素点,验证特定像素点所组成的各个连通区域是否符合预设矩形规格,若是,则确定该符合预设矩形规格的连通区域为检测区域。举例来说,首先根据特定像素点组成的所有连通区域确定连通区域的外接矩形,根据车牌的特定几何特征验证所有连通区域的外接矩形,根据国家标准,小汽车车牌的长宽比值为440:140,根据此值对所有连通区域的外接矩形进行比较,确定符合条件的矩形区域,并输出该矩形区域的坐标,根据坐标定位到目标图像的高光谱图像中,以提取待检测车牌(即检测区域),如图5中的目标车辆1的车牌原图“辽B65PF7”、目标车辆2的车牌原图“粤D 6DAF7”以及目标车辆3的车牌原图“辽B 9D243”即为检测区域。这种方式通过对目标图像的RGB图像的像素点进行遍历选取特定像素点,获取由特定像素点构成的检测区域,能够有效提取RGB图像中检测区域。
在图6所描述的方法中,在检测该检测区域中是否存在目标区域之前,首先获取包含检测区域的目标图像,且该目标图像为高光谱图像,通过对目标图像的RGB图像的像素点进行遍历选取特定像素点,获取由特定像素点构成的检测区域,由于高光谱图像背景数据复杂、数据量庞大、光谱库构建难度高,这种方式通过先获取目标图像的高光谱图像,然后获取RGB图像以确定目标图像中检测区域,利用RGB图像在车牌定位上简便高效的优势,以及高光谱图像中不同物质光谱不同的优势提高了该方法的简便性和实用性。
上述主要从电子设备实施的方法的角度对本申请实施例提供的方案进行了介绍。可以理解的是,各个网元,例如电子设备、摄像设备等为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的网元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对电子设备、摄像设备等进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下,请参见图7,图7是本申请实施例提供的一种图像检测装置70的结构示意图,该图像检测装置70可以包括第一获取单元701、第一检测单元702和第一生成单元703,其中,各个单元的详细描述如下:
第一获取单元701,用于获取目标图像,所述目标图像为根据特定波段进行补光而拍摄得到的图像,所述目标图像中包括检测区域;其中,第一材料和第二材料在所述特定波段中的光谱反射率的差值大于第一阈值;
第一检测单元702,根据所述检测区域的目标像素点,检测所述检测区域中是否存在目标区域;所述目标像素点包括:灰度值不在第一预设范围内的像素点,或者灰度值在第二预设范围内的像素点,所述第一预设范围包括所述第一材料的灰度值范围,所述第二预设范围包括所述第二材料的灰度值范围;
第一生成单元703,用于当检测到存在所述目标区域,生成第一检测结果;当检测到不存在所述目标区域,生成第二检测结果。
在一种可能的实现方式中,所述图像检测装置还可以包括采集单元704,其中,采集单元704,用于所述获取目标图像之前,通过高光谱摄像机采集所述第一材料的高光谱数据和所述第二材料的高光谱数据;确定单元,用于根据所述第一材料的高光谱数据和所述第二材料的高光谱数据确定所述特定波段的范围。
在一种可能的实现方式中,所述特定波段的范围包括550nm~700nm。
在一种可能的实现方式中,所述第一检测单元702具体包括:提取单元705,用于从所述目标图像中提取检测区域;所述第一检测单元702,还用于若所述检测区域的目标像素点覆盖的范围大于第二阈值,则检测出所述检测区域中存在目标区域;或者若所述检测区域的目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述检测区域中存在目标区域。
需要说明的是,各个单元的实现还可以对应参照图2所示的方法实施例的相应描述,此处不再赘述。
请参见图8,图8是本申请实施例提供的另一种图像检测装置80的结构示意图,该图像检测装置80可以包括第二获取单元801、第二检测单元802和第二生成单元803,其中,各个单元的详细描述如下:
第二获取单元801,用于获取第一材料的图像的高光谱特征信息,以及获取目标图像的高光谱特征信息,所述高光谱特征信息描述了图像的光谱信息,所述目标图像中包括检测区域;
第二检测单元802,用于利用所述第一材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域,所述目标区域中包括:与所述第一材料的高光谱特征信息不匹配的区域;
第二生成单元803,用于当检测到存在所述目标区域,生成第一检测结果;当检测到不存在所述目标区域,生成第二检测结果。
在一种可能的实现方式中,所述图像检测装置80还包括:所述第二获取单元801,还用于在所述利用所述第一材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域之前,获取第二材料的图像的高光谱特征信息;所述第二检测单元802,还用于利用所述第一材料和所述第二材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域。
在一种可能的实现方式中,所述装置还包括:组成单元804,用于根据所述第一材料的图像的高光谱数据,选取所述第一材料的图像的目标像素点的光谱均值,组成第一光谱矩阵,所述第一材料的图像的高光谱特征信息包括所述第一光谱矩阵;所述第二检测单元802包括:正交投影单元805,用于将所述检测区域的高光谱数据在所述第一光谱矩阵上进行正交投影,以得到丰度估计检测结果,所述丰度估计检测结果包括所述检测区域中每个像素点为所述第一材料的概率的描述;所述第二检测单元802,还用于若目标像素点覆盖的面积大于第二阈值,则检测出所述检测区域中存在目标区域;或者,若所述目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述检测区域中存在目标区域;所述目标像素点包括所述丰度估计检测结果中所述概率符合预设条件的像素点。
在一种可能的实现方式中,所述装置还包括:所述组成单元804,还用于根据所述第一材料的图像的高光谱数据,选取所述第一材料的图像中的目标像素点的光谱均值,组成第一光谱矩阵,所述第一材料的图像的高光谱特征信息包括所述第一光谱矩阵;所述组成单元804,还用于根据所述第二材料的图像的高光谱数据,选取所述第二材料的图像中的目标像素点的光谱均值,组成第二光谱矩阵,所述第二材料的图像的高光谱特征信息包括所述第二光谱矩阵;所述第二检测单元802包括:所述组成单元804,还用于将所述第一光谱矩阵和所述第二光谱矩阵共同组成端元矩阵;所述正交投影单元805,还用于将所述检测区域的高光谱数据在所述端元矩阵上进行正交投影,以得到丰度估计检测结果,所述丰度估计检测结果包括所述检测区域中每个像素点为所述第一材料的概率的描述;所述第二检测单元802,还用于若目标像素点覆盖的面积大于第二阈值,则检测出所述检测区域中存在目标区域;或者,若所述目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述检测区域中存在目标区域;所述目标像素点包括所述丰度估计检测结果中所述概率符合预设条件的像素点。
需要说明的是,各个单元的实现还可以对应参照图6所示的方法实施例的相应描述,此处不再赘述。
图9所示,为本申请的实施例提供的上述实施例中所涉及的电子设备的一种可能的硬件结构示意图。如图9所示,电子设备900可包括:一个或多个处理器901、一个或多个存储器902以及一个或多个通信接口903。这些部件可通过总线904或者其他方式连接,图9以通过总线连接为例。其中:
通信接口903可用于电子设备900与其他通信设备,例如其他电子设备,进行通信。具体的,通信接口903可以是有线接口。
存储器902可以和处理器901通过总线904或者输入输出端口耦合,存储器902也可以与处理器901集成在一起。存储器902用于存储各种软件程序和/或多组指令或者数据。具体的,存储器902可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。,存储器902可包括高速随机存取的存储器,并且也可包括非易失性存储器,例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。存储器902可以存储操作系统(下述简称系统),例如uCOS、VxWorks、RTLinux等嵌入式操作系统。存储器902还可以存储网络通信程序,该网络通信程序可用于与一个或多个附加设备,一个或多个用户设备,一个或多个电子设备进行通信。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中,所述存储器902用于存储执行以上方案的应用程序代码,并由处理器901来控制执行。所述处理器901用于执行所述存储器902中存储的应用程序代码。
处理器901可以是中央处理器单元,通用处理器,数字信号处理器,专用集成电路,现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现确定功能的组合,例如包含一个或多个微处理器组合,数字信号处理器和微处理器的组合等等。
本申请实施例中,处理器901可用于读取和执行计算机可读指令。具体的,处理器901可用于调用存储于存储器902中的程序,例如本申请的一个或多个实施例提供的图像检测方法在电子设备900侧的实现程序,并执行该程序包含的指令。
可以理解的,电子设备900可以是图1示出的图像检测方法的系统中的电子设备103,可实施为一个基本服务集(BSS)、一个扩展服务集(ESS)、移动手机或电脑终端等等。
需要说明的是,图9所示的电子设备900仅仅是本申请实施例的一种实现方式,实际应用中,电子设备900还可以包括更多或更少的部件,这里不作限制。关于电子设备900的具体实现可以参考前述图3或图5所示方法实施例中的相关描述,此处不再赘述。
参见图10,图10示出了本申请提供的一种摄像机的结构示意图。如图10所示,该摄像机1000包括补光灯1001和摄像模块1002,其中,所述补光灯1001用于产生特定波段的补偿光,其中,第一材料和第二材料在所述特定波段下的光谱反射率的差值大于第一阈值;所述摄像模块1002用于基于所述特定波段拍摄并获取目标图像。该摄像机还可以包括存储器,存储器用于与处理器耦合,其保存该摄像机必要的程序指令和数据。该摄像机还可以包括通信接口,用于与其他设备或通信网络通信。
参见图11,图11示出了本申请提供的一种可能的装置的结构示意图。如图11所示,装置1100可包括:处理器1101、总线1103以及耦合于处理器1101的一个或多个接口1102。其中:
处理器1101可用于读取和执行计算机可读指令。具体实现中,处理器1101可主要包括控制器、运算器和寄存器。其中,控制器主要负责指令译码,并为指令对应的操作发出控制信号。运算器主要负责执行定点或浮点算数运算操作、移位操作以及逻辑操作等,也可以执行地址运算和转换。寄存器主要负责保存指令执行过程中临时存放的寄存器操作数和中间操作结果等。具体实现中,处理器1101的硬件架构可以是专用集成电路(applicationspecific integrated circuits,ASIC)架构、无互锁管道阶段架构的微处理器(microprocessor without interlocked piped stages architecture,MIPS)架构、进阶精简指令集机器(advanced RISC machines,ARM)架构或者NP架构等等。处理器1101可以是单核的,也可以是多核的。
接口1102可用于输入待处理的数据至处理器1101,并且可以向外输出处理器1101的处理结果。具体实现中,接口1102可以是通用输入输出(general purpose inputoutput,GPIO)接口,可以和多个外围设备(如显示器(LCD)、摄像头(camara)等等)连接。接口1102可以通过总线1103与处理器1101相连。其中,显示器和摄像头可以和处理器1101集成在一起,这种情况下,显示器和摄像头是作为装置1100的一部分。
本申请中,处理器1101可用于从存储器中调用本申请的一个或多个实施例提供的资源预留方法在网络设备或者用户设备侧的实现程序,并执行该程序包含的指令。存储器可以和处理器1101集成在一起,这种情况下,存储器是作为装置1100的一部分。或者,存储器作为装置1100外部的元件,处理器1101通过接口1102调用存储器中存储的指令或数据。
接口1102可用于输出处理器1101的执行结果。关于本申请的一个或多个实施例提供的资源预留方法可参考前述各个实施例,这里不再赘述。
上述装置1100可以是通信芯片或者系统芯片(System on a Chip,SoC)。
需要说明的,处理器1101、接口1102各自对应的功能既可以通过硬件设计实现,也可以通过软件设计来实现,还可以通过软硬件结合的方式来实现,这里不作限制。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可能可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以为个人计算机、服务端或者网络设备等,具体可以是计算机设备中的处理器)执行本申请各个实施例上述方法的全部或部分步骤。其中,而前述的存储介质可包括:U盘、移动硬盘、磁碟、光盘、只读存储器(Read-Only Memory,缩写:ROM)或者随机存取存储器(Random Access Memory,缩写:RAM)等各种可以存储程序代码的介质。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
Claims (20)
1.一种图像检测方法,其特征在于,包括:
获取目标图像,所述目标图像为根据特定波段进行补光而拍摄得到的目标车辆的图像,所述目标图像中包括检测区域,所述检测区域为所述目标车辆中的车牌图像区域;其中,第一材料和第二材料在所述特定波段中的光谱反射率的差值大于第一阈值;
根据所述检测区域中的目标像素点,检测所述检测区域中是否存在目标区域;所述目标像素点包括:灰度值不在第一预设范围内的像素点,或者灰度值在第二预设范围内的像素点,所述第一预设范围包括所述第一材料的灰度值范围,所述第二预设范围包括所述第二材料的灰度值范围;
当检测到存在所述目标区域,生成第一检测结果;当检测到不存在所述目标区域,生成第二检测结果;
所述检测所述检测区域中是否存在目标区域之前,获取所述目标图像中的检测区域,包括:获取所述目标图像的高光谱图像,根据所述目标图像的高光谱图像合成目标图像的RGB图像,提取所述RGB图像中的检测区域。
2.根据权利要求1所述的方法,其特征在于,所述获取目标图像之前,还包括:
通过高光谱摄像机采集所述第一材料的高光谱数据和所述第二材料的高光谱数据;
根据所述第一材料的高光谱数据和所述第二材料的高光谱数据确定所述特定波段的范围。
3.根据权利要求1所述的方法,其特征在于,所述特定波段范围包括550nm~700nm。
4.根据权利要求1所述的方法,其特征在于,所述根据所述检测区域中的目标像素点,检测所述检测区域中是否存在目标区域包括:
从所述目标图像中提取检测区域;
若所述检测区域的目标像素点覆盖的范围大于第二阈值,则检测出所述检测区域中存在目标区域;或者
若所述检测区域的目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述目标区域中存在目标区域。
5.一种图像检测方法,其特征在于,包括:
获取第一材料的图像的高光谱特征信息,以及获取目标图像的高光谱特征信息,所述目标图像为目标车辆的图像,所述目标图像中包括检测区域,所述检测区域为所述目标车辆中的车牌图像区域;
利用所述第一材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域,所述目标区域中包括:与所述第一材料的高光谱特征信息不匹配的区域;
当检测到存在所述目标区域,生成第一检测结果;当检测到不存在所述目标区域,生成第二检测结果;
所述检测所述检测区域中是否存在目标区域之前,获取所述目标图像中的检测区域,包括:获取所述目标图像的高光谱图像,根据所述目标图像的高光谱图像合成目标图像的RGB图像,提取所述RGB图像中的检测区域。
6.根据权利要求5所述的方法,其特征在于,所述利用所述第一材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域之前,还包括:获取第二材料的图像的高光谱特征信息;
利用所述第一材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域,包括:
利用所述第一材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域;
以及利用所述第二材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域。
7.根据权利要求5所述的方法,其特征在于,所述获取第一材料的图像的高光谱特征信息包括:
根据所述第一材料的图像的高光谱数据,选取所述第一材料的图像的目标像素点的光谱均值,组成第一光谱矩阵,所述第一材料的图像的高光谱特征信息包括所述第一光谱矩阵;
所述利用所述第一材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域包括:将所述检测区域的高光谱数据在所述第一光谱矩阵上进行正交投影,以得到丰度估计检测结果,所述丰度估计检测结果包括所述检测区域中每个像素点为所述第一材料的概率的描述;
若目标像素点覆盖的面积大于第二阈值,则检测出所述检测区域中存在目标区域;或者,若所述目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述检测区域中存在目标区域;所述目标像素点包括所述丰度估计检测结果中所述概率符合预设条件的像素点。
8.根据权利要求6所述的方法,其特征在于,所述获取第一材料的图像的高光谱特征信息包括:
根据所述第一材料的图像的高光谱数据,选取所述第一材料的图像中的目标像素点的光谱均值,组成第一光谱矩阵,所述第一材料的图像的高光谱特征信息包括所述第一光谱矩阵;
所述获取第二材料的图像的高光谱特征信息包括:
根据所述第二材料的图像的高光谱数据,选取所述第二材料的图像中的目标像素点的光谱均值,组成第二光谱矩阵,所述第二材料的图像的高光谱特征信息包括所述第二光谱矩阵;
所述利用所述第一材料和所述第二材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域包括:
将所述第一光谱矩阵和所述第二光谱矩阵共同组成端元矩阵;
将所述检测区域的高光谱数据在所述端元矩阵上进行正交投影,以得到丰度估计检测结果,所述丰度估计检测结果包括所述检测区域中每个像素点为所述第一材料的概率的描述;
若目标像素点覆盖的面积大于第二阈值,则检测出所述检测区域中存在目标区域;或者,若所述目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述检测区域中存在目标区域;所述目标像素点包括所述丰度估计检测结果中所述概率符合预设条件的像素点。
9.一种图像检测装置,其特征在于,包括:
第一获取单元,用于获取目标图像,所述目标图像为根据特定波段进行补光而拍摄得到的目标车辆的图像,所述目标图像中包括检测区域,所述检测区域为所述目标车辆中的车牌图像区域;其中,第一材料和第二材料在所述特定波段中的光谱反射率的差值大于第一阈值;
第一检测单元,根据所述检测区域中的目标像素点,检测所述检测区域中是否存在目标区域;所述目标像素点包括:灰度值不在第一预设范围内的像素点,或者灰度值在第二预设范围内的像素点,所述第一预设范围包括所述第一材料的灰度值范围,所述第二预设范围包括所述第二材料的灰度值范围;
第一生成单元,用于当检测到存在所述目标区域,生成第一检测结果;当检测到不存在所述目标区域,生成第二检测结果;
所述第一检测单元检测所述检测区域中是否存在目标区域之前,所述第一获取单元还用于获取所述目标图像中的检测区域,具体用于获取所述目标图像的高光谱图像,根据所述目标图像的高光谱图像合成目标图像的RGB图像,提取所述RGB图像中的检测区域。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
采集单元,用于所述获取目标图像之前,通过高光谱摄像机采集所述第一材料的高光谱数据和所述第二材料的高光谱数据;
确定单元,用于根据所述第一材料的高光谱数据和所述第二材料的高光谱数据确定所述特定波段的范围。
11.根据权利要求9所述的装置,其特征在于,所述特定波段范围包括550nm~700nm。
12.根据权利要求9所述的装置,其特征在于,所述第一检测单元具体包括:
提取单元,用于从所述目标图像中提取检测区域;
所述第一检测单元,还用于若所述检测区域的目标像素点覆盖的面积大于第二阈值,则检测出所述检测区域中存在目标区域;或者若所述检测区域的目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述检测区域中存在目标区域。
13.一种图像检测装置,其特征在于,包括:
第二获取单元,用于获取第一材料的图像的高光谱特征信息,以及获取目标图像的高光谱特征信息,所述目标图像为目标车辆的图像,所述高光谱特征信息描述了图像的光谱信息,所述目标图像中包括检测区域,所述检测区域为所述目标车辆中的车牌图像区域;
第二检测单元,用于利用所述第一材料的图像的高光谱特征信息检测所述目标图像中检测区域中是否存在目标区域,所述目标区域中包括:与所述第一材料的高光谱特征信息不匹配的区域;
第二生成单元,用于当检测到存在所述目标区域,生成第一检测结果;当检测到不存在所述目标区域,生成第二检测结果;
所述第二检测单元检测所述检测区域中是否存在目标区域之前,所述第二获取单元还用于获取所述目标图像中的检测区域,具体用于获取所述目标图像的高光谱图像,根据所述目标图像的高光谱图像合成目标图像的RGB图像,提取所述RGB图像中的检测区域。
14.根据权利要求13所述的装置,其特征在于,所述装置还包括:
所述第二获取单元,还用于在所述利用所述第一材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域之前,获取第二材料的图像的高光谱特征信息;
所述第二检测单元,还用于利用所述第一材料和所述第二材料的图像的高光谱特征信息检测所述检测区域中是否存在目标区域。
15.根据权利要求13所述的装置,其特征在于,所述装置还包括:
组成单元,用于根据所述第一材料的图像的高光谱数据,选取所述第一材料的图像的目标像素点的光谱均值,组成第一光谱矩阵,所述第一材料的图像的高光谱特征信息包括所述第一光谱矩阵;
所述第二检测单元包括:
正交投影单元,用于将所述检测区域的高光谱数据在所述第一光谱矩阵上进行正交投影,以得到丰度估计检测结果,所述丰度估计检测结果包括所述检测区域中每个像素点为所述第一材料的概率的描述;
所述第二检测单元,还用于若目标像素点覆盖的面积大于第二阈值,则检测出所述检测区域中存在目标区域;或者,若所述目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述检测区域中存在目标区域;所述目标像素点包括所述丰度估计检测结果中所述概率符合预设条件的像素点。
16.根据权利要求14所述的装置,其特征在于,所述装置还包括:
组成单元,用于根据所述第一材料的图像的高光谱数据,选取所述第一材料的图像中的目标像素点的光谱均值,组成第一光谱矩阵,所述第一材料的图像的高光谱特征信息包括所述第一光谱矩阵;
所述组成单元,还用于根据所述第二材料的图像的高光谱数据,选取所述第二材料的图像中的目标像素点的光谱均值,组成第二光谱矩阵,所述第二材料的图像的高光谱特征信息包括所述第二光谱矩阵;
所述组成单元,还用于将所述第一光谱矩阵和所述第二光谱矩阵共同组成端元矩阵;
所述第二检测单元包括:
正交投影单元,用于将所述检测区域的高光谱数据在所述端元矩阵上进行正交投影,以得到丰度估计检测结果,所述丰度估计检测结果包括所述检测区域中每个像素点为所述第一材料的概率的描述;
所述第二检测单元,还用于检测出所述检测区域中存在目标区域;若目标像素点覆盖的面积大于第二阈值,则检测出所述检测区域中存在目标区域;或者,若所述目标像素点覆盖的区域范围与所述检测区域中字符区域范围的重叠面积大于第三阈值,则检测出所述检测区域中存在目标区域;所述目标像素点包括所述丰度估计检测结果中所述概率符合预设条件的像素点。
17.一种终端设备,其特征在于,包括处理器以及通信接口,其中,所述处理器用于调用存储的图像检测程序代码来执行权利要求1至8任一项所述的方法。
18.一种摄像机,其特征在于,包括补光灯和摄像模块,其中,所述补光灯用于产生特定波段的补偿光,其中,第一材料和第二材料在所述特定波段下的光谱反射率的差值大于第一阈值;所述摄像模块用于基于所述特定波段拍摄并获取目标车辆的目标图像,所述目标图像中包括检测区域,所述检测区域为所述目标车辆中的车牌图像区域,所述目标图像被用于执行上述权利要求1-4中任意一项所述的方法。
19.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述权利要求1-8任意一项所述的方法。
20.一种芯片系统,其特征在于,所述芯片系统包括至少一个处理器,存储器和接口电路,所述存储器、所述接口电路和所述至少一个处理器通过线路互联,所述至少一个存储器中存储有指令;所述指令被所述处理器执行时,权利要求1-8中任意一项所述的方法得以实现。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910788709.5A CN112417934B (zh) | 2019-08-23 | 2019-08-23 | 一种图像检测方法及相关设备 |
PCT/CN2020/083507 WO2021036267A1 (zh) | 2019-08-23 | 2020-04-07 | 一种图像检测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910788709.5A CN112417934B (zh) | 2019-08-23 | 2019-08-23 | 一种图像检测方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112417934A CN112417934A (zh) | 2021-02-26 |
CN112417934B true CN112417934B (zh) | 2024-05-14 |
Family
ID=74685415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910788709.5A Active CN112417934B (zh) | 2019-08-23 | 2019-08-23 | 一种图像检测方法及相关设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112417934B (zh) |
WO (1) | WO2021036267A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837538B (zh) * | 2021-03-27 | 2023-12-22 | 深圳市迅朗科技有限公司 | 一种车牌云识别相机及补光方法 |
CN113222908B (zh) * | 2021-04-23 | 2023-12-12 | 中国科学院西安光学精密机械研究所 | 基于自适应光谱波段筛选网络的高光谱遮挡效果评估方法 |
CN113609907B (zh) * | 2021-07-01 | 2024-03-12 | 奥比中光科技集团股份有限公司 | 一种多光谱数据的获取方法、装置及设备 |
CN114166805B (zh) * | 2021-11-03 | 2024-01-30 | 格力电器(合肥)有限公司 | Ntc温度传感器检测方法、装置、ntc温度传感器及制造方法 |
US11893758B2 (en) * | 2022-01-23 | 2024-02-06 | Verichrome | Automated color calibration system for optical devices |
CN116246053A (zh) * | 2022-04-08 | 2023-06-09 | 辽宁警察学院 | 基于两阶段连续拍照补光的车辆监控系统图像采集方法 |
CN115546837B (zh) * | 2022-10-16 | 2023-06-23 | 三峡大学 | 变电站进出综合管理系统 |
CN117746220B (zh) * | 2023-12-18 | 2024-06-14 | 广东安快智能科技有限公司 | 智能道闸真伪车牌的识别检测方法、装置、设备以及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
CN101806898A (zh) * | 2010-03-19 | 2010-08-18 | 武汉大学 | 基于端元可变的高光谱遥感影像目标探测方法 |
CN104881632A (zh) * | 2015-04-28 | 2015-09-02 | 南京邮电大学 | 高光谱人脸识别方法 |
CN107402070A (zh) * | 2017-06-02 | 2017-11-28 | 皑高森德医疗技术(北京)有限责任公司 | 一种皮肤高光谱图像采集单元及标定方法 |
CN108073895A (zh) * | 2017-11-22 | 2018-05-25 | 杭州电子科技大学 | 一种基于解混预处理的高光谱目标检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7390123B2 (en) * | 2005-08-09 | 2008-06-24 | United States Of America As Represented By The Secretary Of The Army | Variable emittance surfaces |
CN102156981A (zh) * | 2011-03-10 | 2011-08-17 | 北京航空航天大学 | 一种基于正则化高阶统计量的高光谱空间多目标检测方法 |
CN110363186A (zh) * | 2019-08-20 | 2019-10-22 | 四川九洲电器集团有限责任公司 | 一种异常检测方法、装置及计算机存储介质、电子设备 |
CN111311696B (zh) * | 2020-02-12 | 2023-07-25 | 大连海事大学 | 一种基于高光谱解混技术的车牌真伪检测方法 |
-
2019
- 2019-08-23 CN CN201910788709.5A patent/CN112417934B/zh active Active
-
2020
- 2020-04-07 WO PCT/CN2020/083507 patent/WO2021036267A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
CN101806898A (zh) * | 2010-03-19 | 2010-08-18 | 武汉大学 | 基于端元可变的高光谱遥感影像目标探测方法 |
CN104881632A (zh) * | 2015-04-28 | 2015-09-02 | 南京邮电大学 | 高光谱人脸识别方法 |
CN107402070A (zh) * | 2017-06-02 | 2017-11-28 | 皑高森德医疗技术(北京)有限责任公司 | 一种皮肤高光谱图像采集单元及标定方法 |
CN108073895A (zh) * | 2017-11-22 | 2018-05-25 | 杭州电子科技大学 | 一种基于解混预处理的高光谱目标检测方法 |
Non-Patent Citations (1)
Title |
---|
AOTF高光谱探测系统对伪装目标的识别研究;何梓健等;激光与红外;第44卷(第7期);第796-800页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021036267A1 (zh) | 2021-03-04 |
CN112417934A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417934B (zh) | 一种图像检测方法及相关设备 | |
US20210350243A1 (en) | Image Quality Assessment Using Similar Scenes as Reference | |
US9721532B2 (en) | Color chart detection apparatus, color chart detection method, and color chart detection computer program | |
CN110675373B (zh) | 一种组件安装检测方法、装置和系统 | |
CA3130865A1 (en) | Optimizing detection of images in relation to targets based on colorspace transformation techniques | |
EP3055839B1 (en) | Hand-held device and method for authenticating a marking | |
US20130011057A1 (en) | Hough Transform Method for Linear Ribbon and Circular Ring Detection in the Gradient Domain | |
CN104052979B (zh) | 用于图像处理的装置和技术 | |
CN102760287B (zh) | 固定式摄像机颜色校正的方法和装置 | |
US20130170756A1 (en) | Edge detection apparatus, program and method for edge detection | |
CN111582272A (zh) | 双行车牌识别方法、装置、设备及计算机可读存储介质 | |
CN112562017A (zh) | 一种rgb图像的色彩还原方法及计算机可读存储介质 | |
US20220230448A1 (en) | Obstacle detection method and apparatus, device, and medium | |
Khalili Moghaddam et al. | Smartphone-based quantitative measurements on holographic sensors | |
CN111784703A (zh) | 一种图像分割方法、装置、电子设备和存储介质 | |
US11620759B2 (en) | Systems and methods for machine learning enhanced image registration | |
CN115439509B (zh) | 一种多目标跟踪方法、装置、计算机设备及存储介质 | |
JP7154786B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN111080725A (zh) | 一种基于颜色空间转换的图像处理方法、系统及设备 | |
EP3683716A1 (en) | Monitoring method, apparatus and system, electronic device, and computer readable storage medium | |
CN114460862A (zh) | 应用于adas的摄像设备环测试仿真方法 | |
CN112241697A (zh) | 角点颜色判定方法、装置、终端设备及可读存储介质 | |
Dubuisson et al. | Predicting the colors of reference surfaces for color constancy | |
CN115496807B (zh) | 表计指针的定位方法、装置、计算机设备和存储介质 | |
CN114820547B (zh) | 车道线检测方法、装置、计算机设备、存储介质 |
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 |