CN112580672A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112580672A CN112580672A CN202011579746.4A CN202011579746A CN112580672A CN 112580672 A CN112580672 A CN 112580672A CN 202011579746 A CN202011579746 A CN 202011579746A CN 112580672 A CN112580672 A CN 112580672A
- Authority
- CN
- China
- Prior art keywords
- image
- license plate
- dark environment
- plate image
- component
- 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
- 238000007781 pre-processing Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000002708 enhancing effect Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 51
- 238000005070 sampling Methods 0.000 claims description 24
- 238000013459 approach Methods 0.000 claims description 9
- 239000013589 supplement Substances 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000015572 biosynthetic process Effects 0.000 abstract description 3
- 238000003786 synthesis reaction Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 11
- 230000004913 activation Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000004148 unit process Methods 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供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，所述方法包括拍摄与车牌图像获取步骤，车牌图像增强步骤，车牌图像生成步骤；通过在暗环境下直接拍摄的图像并进行2个层级的预处理，并根据相应的暗度等级执行相应的图像合成，从在不依赖于闪光灯的情况下大大提高车牌图像的质量，无需依赖于摄像头附近的闪光灯而进行的车牌拍摄与高效识别技术，对于车内人员的用户体验佳，避免造成炫目。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种适用于暗环境的车牌识别处理方法、系统及介质。
背景技术
车牌识别系统(Vehicle License Plate Recognition，VLPR)是计算机视频图像识别技术在车辆牌照识别中的一种应用。车牌识别在高速公路车辆管理中得到广泛应用，电子收费(ETC)系统中，也是结合DSRC技术识别车辆身份的主要手段。
车牌自动识别是一项利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。其硬件基础一般包括触发设备(监测车辆是否进入视野)、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机(如计算机)等，其软件核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。某些车牌识别系统还具有通过视频图像判断是否有车的功能称之为视频车辆检测。一个完整的车牌识别系统应包括车辆检测、图像采集、车牌识别等几部分。当车辆检测部分检测到车辆到达时触发图像采集单元，采集当前的视频图像。车牌识别单元对图像进行处理，定位出牌照位置，再将牌照中的字符分割出来进行识别，然后组成牌照号码输出。
目前常用的车牌算法一般包括如下技术流程：(1)车牌定位；(2)字符分割；(3)字符识别。但是，一般于车牌的摄像部分工作于开放的户外环境，加之车辆牌照的整洁度、自然光照条件、拍摄时摄像机与牌照的矩离和角度以及车辆行驶速度等因素的影响，牌照图象可能出现模糊、歪斜和缺损等严重缺陷，尤其是在较黑暗的环境中，对于车牌识别一般借助于闪光灯(补光灯)来进行提高亮度来进行车牌拍照识别，而猛然的明光对于车内人员的用户体验差，会造成炫目。
发明内容
有鉴于此，本发明提供了一种无需依赖于摄像头附近的闪光灯而进行的车牌拍摄与高效识别技术，提出一种适用于暗环境的车牌识别预处理方法、系统及介质，获取用于车牌识别的预处理图像，用以解决现有的猛然的闪光灯明光对于车内人员的用户体验差，造成炫目的技术问题。
本发明的技术方案如下：
一种适用于暗环境的车牌识别预处理方法，所述方法包括拍摄与车牌图像获取步骤，车牌图像增强步骤，车牌图像生成步骤；
所述拍摄与车牌图像获取步骤，当遇到暗环境下汽车靠近，不打开补光灯，拍摄当前图像作为第一车牌图像，并输出；
所述车牌图像增强步骤，对所述第一车牌图像的反射分量图执行第一图像处理；且对所述第一车牌图像的亮度分量图执行第二图像处理；
所述第一图像处理包括：对所述反射分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第一分量图像；
所述第二图像处理包括：对所述亮度分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第二分量图像；
车牌预处理图像生成步骤，基于当前暗环境的暗度等级，并根据所述第一车牌图像的第一分量图像、第一车牌图像的第二分量图像进行生成车牌图像的车牌预处理结果图像。
优选的，所述的适用于暗环境的车牌识别预处理方法，所述拍摄与车牌图像获取步骤，当遇到暗环境下，不打开补光灯，拍摄当前图像；并进行车牌定位并输出第一车牌图像，还包括：
根据拍摄的当前图像，进行检测是否存在车牌，若存在车牌，则获取对当前图像的暗度等级。
优选的，所述的适用于暗环境的车牌识别预处理方法，所述车牌图像生成步骤，基于当前暗环境的暗度等级，并根据所述第一车牌图像的第一分量图像、第一车牌图像的第二分量图像进行生成车牌图像的车牌预处理结果图像，包括：根据不同的暗度等级所对应的不同权重分配比，进行合成所述车牌预处理结果图像。
一种适用于暗环境的车牌识别预处理装置，所述方法包括拍摄与车牌获取模块，车牌图像增强模块，车牌图像生成模块；
所述拍摄与车牌获取模块，当遇到暗环境下汽车靠近，不打开补光灯，拍摄当前图像作为第一车牌图像，并输出；
所述车牌图像增强模块，对所述第一车牌图像的反射分量图执行第一图像处理；且对所述第一车牌图像的亮度分量图执行第二图像处理；
所述第一图像处理包括：对所述反射分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第一分量图像；
所述第二图像处理包括：对所述亮度分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第二分量图像；
车牌图像生成模块，基于当前暗环境的暗度等级，并根据所述第一车牌图像的第一分量图像、第一车牌图像的第二分量图像进行生成车牌图像的车牌预处理结果图像。
优选的，所述适用于暗环境的车牌识别预处理装置，所述拍摄与车牌获取模块，还包括：
根据拍摄的当前图像，进行检测是否存在车牌，若存在车牌，则获取对当前图像的暗度等级。
优选的，所述的适用于暗环境的车牌识别预处理装置，所述车牌图像生成模块，包括：根据不同的暗度等级所对应的不同权重分配比，进行合成所述车牌预处理结果图像。
一种存储介质，所述存储介质存储计算机执行的指令，所述计算机执行的指令包括执行如上所述的适用于暗环境的车牌识别预处理方法步骤。
在本发明实施例的方案中，适用于暗环境的车牌识别预处理方法，所述方法包括拍摄与车牌图像获取步骤，车牌图像增强步骤，车牌图像生成步骤；所述拍摄与车牌图像获取步骤，当遇到暗环境下汽车靠近，不打开补光灯，拍摄当前图像作为第一车牌图像，并输出；所述车牌图像增强步骤，对所述第一车牌图像的反射分量图执行第一图像处理；且对所述第一车牌图像的亮度分量图执行第二图像处理；所述第一图像处理包括：对所述反射分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第一分量图像；所述第二图像处理包括：对所述亮度分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第二分量图像；车牌预处理图像生成步骤，基于当前暗环境的暗度等级，并根据所述第一车牌图像的第一分量图像、第一车牌图像的第二分量图像进行生成车牌图像的车牌预处理结果图像。本发明，通过在暗环境下直接拍摄的图像并进行2个层级的预处理，并根据相应的暗度等级执行相应的图像合成，从在不依赖于闪光灯的情况下大大提高车牌图像的质量，无需依赖于摄像头附近的闪光灯而进行的车牌拍摄与高效识别技术，对于车内人员的用户体验佳，避免造成炫目。
附图说明
图1为本发明实施例一适用于暗环境的车牌识别预处理方法的方法流程图；
具体实施方式
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，本领域普通技术人员在没有做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。
实施例一
本发明实施一种适用于暗环境的车牌识别预处理方法，所述方法包括拍摄与车牌图像获取步骤，车牌图像增强步骤，车牌图像生成步骤；
所述拍摄与车牌图像获取步骤，当遇到暗环境下汽车靠近，不打开补光灯，拍摄当前图像作为第一车牌图像，并输出；
具体的，在检测到汽车达到摄像头附近，可以通过摄像头的预览图像大致判断是当前是否处于暗环境，其中，可以获取预览图像的灰度图像，并基于该灰度图像中各个灰度像素点的比例确定当前的灰度等级，比如：当前像素点的灰度平均值大于125，则确定当前环境而暗环境；若当前图像像素点的灰度平均值大于200，则确定为高暗度环境；若当前图像像素点的灰度平均值大于165，且小于200，则确定为中度暗度环境；若当前图像像素点的灰度平均值大于125，且小于165，则确定为低度暗度环境。
所述车牌图像增强步骤，对所述第一车牌图像的反射分量图执行第一图像处理；且对所述第一车牌图像的亮度分量图执行第二图像处理；
所述第一图像处理包括：对所述反射分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第一分量图像；
具体的，所述第一图像处理包括编解码步骤以及全卷积步骤，首先，通过采用64个3*3的卷积核，并基于激活函数对反射分量图进行卷积，然后利用最近邻插值法进行降采样；而后，利用最近邻插值法对上述降采样提取出来的特征进行上采样，利用64个3*3的卷积核进行重建，所述卷积过程依赖于激活函数包括：sigmoid函数、tanh函数、线性整流函数(Rectified Linear Unit,ReLU)或露线性整流函数(Leaky ReLU)中的任意一种；最后，通过采用3个3*3的卷积对解码部分重建的图像进行细节恢复，利用sigmoid归一化。
所述第二图像处理包括：对所述亮度分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第二分量图像；
具体的，所述第二图像处理包括编解码步骤以及全卷积步骤，通过采用64个3*3的卷积核，基于三层卷积，并基于激活函数对反射分量图进行卷积，然后利用最近邻插值法进行降采样；而后，利用最近邻插值法对上述降采样提取出来的特征进行上采样，基于三层卷积，利用64个3*3的卷积核，实现升采样操作；在卷积的contact层利用跳连接，将将多层特征在channel维度结合，并进一步基于由一个3*3卷积核构成的全卷积层进行全卷积操作。所述卷积过程依赖于激活函数包括：sigmoid函数、tanh函数、线性整流函数(RectifiedLinear Unit,ReLU)或露线性整流函数(Leaky ReLU)中的任意一种。在卷积的过程中，过滤器与数据在channel方向分别卷积，之后将卷积后的数值相加。
车牌预处理图像生成步骤，基于当前暗环境的暗度等级，并根据所述第一车牌图像的第一分量图像、第一车牌图像的第二分量图像进行生成车牌图像的车牌预处理结果图像。
优选的，所述的适用于暗环境的车牌识别预处理方法，所述车牌图像生成步骤，基于当前暗环境的暗度等级，并根据所述第一车牌图像的第一分量图像、第一车牌图像的第二分量图像进行生成车牌图像的车牌预处理结果图像，包括：根据不同的暗度等级所对应的不同权重分配比，进行合成所述车牌预处理结果图像。
具体地，基于确定当前环境为暗环境，具体为高暗度环境、中度暗度环境、低度暗度环境任一种。其中，设置平衡参数t，车牌预处理结果图像为M，第一车牌图像的第一分量图像为A，第一车牌图像的第二分量图像为B；则：
M＝t*A+(1-t)*B；
其中，若当前环境为高暗度环境，则，t取值为>0.5；若当前环境为中暗度环境，则，t取值为＝0.5；若当前环境为低暗度环境，则，t取值为<0.5。
优选的，所述的适用于暗环境的车牌识别预处理方法，所述拍摄与车牌图像获取步骤，当遇到暗环境下汽车靠近，不打开补光灯，拍摄当前图像作为第一车牌图像，并输出，还包括：
根据拍摄的当前图像，进行检测是否存在车牌，若存在车牌，则获取对当前图像的暗度等级。
具体地，可以在对检测是否存在车牌过程中，虽然黑暗环境现下，但是一般车牌与周围环境还是存在形状以及边缘特征上的区别。其中，基于形状，在车牌中因为车牌为形状规格的矩形，所以目的转化为寻找矩形特征，常常是利用车牌长宽比例特征、占据图像的比例等，进行确定当前是否存在车牌。
实施例二
本发明实施一种适用于暗环境的车牌识别预处理装置，所述方法包括拍摄与车牌获取模块，车牌图像增强模块，车牌图像生成模块；
所述拍摄与车牌获取模块，当遇到暗环境下汽车靠近，不打开补光灯，拍摄当前图像作为第一车牌图像，并输出；
具体的，在检测到汽车达到摄像头附近，可以通过摄像头的预览图像大致判断是当前是否处于暗环境，其中，可以获取预览图像的灰度图像，并基于该灰度图像中各个灰度像素点的比例确定当前的灰度等级，比如：当前像素点的灰度平均值大于125，则确定当前环境而暗环境；若当前图像像素点的灰度平均值大于200，则确定为高暗度环境；若当前图像像素点的灰度平均值大于165，且小于200，则确定为中度暗度环境；若当前图像像素点的灰度平均值大于125，且小于165，则确定为低度暗度环境。
所述车牌图像增强模块，对所述第一车牌图像的反射分量图执行第一图像处理；且对所述第一车牌图像的亮度分量图执行第二图像处理；
所述第一图像处理包括：对所述反射分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第一分量图像；
具体的，所述第一图像处理包括编解码步骤以及全卷积步骤，首先，通过采用64个3*3的卷积核，并基于激活函数对反射分量图进行卷积，然后利用最近邻插值法进行降采样；而后，利用最近邻插值法对上述降采样提取出来的特征进行上采样，利用64个3*3的卷积核进行重建，所述卷积过程依赖于激活函数包括：sigmoid函数、tanh函数、线性整流函数(Rectified Linear Unit,ReLU)或露线性整流函数(Leaky ReLU)中的任意一种；最后，通过采用3个3*3的卷积对解码部分重建的图像进行细节恢复，利用sigmoid归一化。
所述第二图像处理包括：对所述亮度分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第二分量图像；
具体的，所述第二图像处理包括编解码步骤以及全卷积步骤，通过采用64个3*3的卷积核，基于三层卷积，并基于激活函数对反射分量图进行卷积，然后利用最近邻插值法进行降采样；而后，利用最近邻插值法对上述降采样提取出来的特征进行上采样，基于三层卷积，利用64个3*3的卷积核，实现升采样操作；在卷积的contact层利用跳连接，将将多层特征在channel维度结合，并进一步基于由一个3*3卷积核构成的全卷积层进行全卷积操作。所述卷积过程依赖于激活函数包括：sigmoid函数、tanh函数、线性整流函数(RectifiedLinear Unit,ReLU)或露线性整流函数(Leaky ReLU)中的任意一种。在卷积的过程中，过滤器与数据在channel方向分别卷积，之后将卷积后的数值相加。
车牌图像生成模块，基于当前暗环境的暗度等级，并根据所述第一车牌图像的第一分量图像、第一车牌图像的第二分量图像进行生成车牌图像的车牌预处理结果图像。
优选的，所述的适用于暗环境的车牌识别预处理装置，所述车牌图像生成模块，包括：根据不同的暗度等级所对应的不同权重分配比，进行合成所述车牌预处理结果图像。
具体地，基于确定当前环境为暗环境，具体为高暗度环境、中度暗度环境、低度暗度环境任一种。其中，设置平衡参数t，车牌预处理结果图像为M，第一车牌图像的第一分量图像为A，第一车牌图像的第二分量图像为B；则：
M＝t*A+(1-t)*B；
其中，若当前环境为高暗度环境，则，t取值为>0.5；若当前环境为中暗度环境，则，t取值为＝0.5；若当前环境为低暗度环境，则，t取值为<0.5。
优选的，所述适用于暗环境的车牌识别预处理装置，所述拍摄与车牌获取模块，还包括：
根据拍摄的当前图像，进行检测是否存在车牌，若存在车牌，则获取对当前图像的暗度等级。
具体地，可以在对检测是否存在车牌过程中，虽然黑暗环境现下，但是一般车牌与周围环境还是存在形状以及边缘特征上的区别。其中，基于形状，在车牌中因为车牌为形状规格的矩形，所以目的转化为寻找矩形特征，常常是利用车牌长宽比例特征、占据图像的比例等，进行确定当前是否存在车牌。
一种存储介质，所述存储介质存储计算机执行的指令，所述计算机执行的指令包括执行如上所述的适用于暗环境的车牌识别预处理方法步骤。
具体地，存储介质可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
在本发明实施例的方案中，通过适用于暗环境的车牌识别预处理方法，所述方法包括拍摄与车牌图像获取步骤，车牌图像增强步骤，车牌图像生成步骤；所述拍摄与车牌图像获取步骤，当遇到暗环境下汽车靠近，不打开补光灯，拍摄当前图像作为第一车牌图像，并输出；所述车牌图像增强步骤，对所述第一车牌图像的反射分量图执行第一图像处理；且对所述第一车牌图像的亮度分量图执行第二图像处理；所述第一图像处理包括：对所述反射分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第一分量图像；所述第二图像处理包括：对所述亮度分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第二分量图像；车牌预处理图像生成步骤，基于当前暗环境的暗度等级，并根据所述第一车牌图像的第一分量图像、第一车牌图像的第二分量图像进行生成车牌图像的车牌预处理结果图像。本发明，通过在暗环境下直接拍摄的图像并进行2个层级的预处理，并根据相应的暗度等级执行相应的图像合成，从在不依赖于闪光灯的情况下大大提高车牌图像的质量，无需依赖于摄像头附近的闪光灯而进行的车牌拍摄与高效识别技术，对于车内人员的用户体验佳，避免造成炫目。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，确定模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上确定模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。
总线130可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
此外，本发明实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于远程互动和云计算的媒体数据处理方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和偏移处理。该类修改、改进和偏移处理在本说明书中被建议，所以该类修改、改进、偏移处理仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对它们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或大数据平台上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本说明书所述处理元素和列表的顺序、数字字母的使用、或其它名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的偏移处理和等价组合。例如，虽然以上所描述的系统组件可以通过互动业务实现，但是也可以只通过软件的解决方案得以实现，如在现有的大数据平台或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (7)
1.一种适用于暗环境的车牌识别预处理方法，其特征在于，所述方法包括拍摄与车牌图像获取步骤，车牌图像增强步骤，车牌图像生成步骤；
所述拍摄与车牌图像获取步骤，当遇到暗环境下汽车靠近，不打开补光灯，拍摄当前图像作为第一车牌图像，并输出；
所述车牌图像增强步骤，对所述第一车牌图像的反射分量图执行第一图像处理；且对所述第一车牌图像的亮度分量图执行第二图像处理；
所述第一图像处理包括：对所述反射分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第一分量图像；
所述第二图像处理包括：对所述亮度分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第二分量图像；
车牌图像生成步骤，基于当前暗环境的暗度等级，并根据所述第一车牌图像的第一分量图像、第一车牌图像的第二分量图像进行生成车牌图像的车牌预处理结果图像。
2.根据权利要求1所述的适用于暗环境的车牌识别预处理方法，其特征在于，所述拍摄与车牌图像获取步骤，当遇到暗环境下，不打开补光灯，拍摄当前图像；还包括：
根据拍摄的当前图像，进行检测是否存在车牌，若存在车牌，则获取对当前图像的暗度等级。
3.根据权利要求1或2所述的适用于暗环境的车牌识别预处理方法，其特征在于，所述车牌图像生成步骤，基于当前暗环境的暗度等级，并根据所述第一车牌图像的第一分量图像、第一车牌图像的第二分量图像进行生成车牌图像的车牌预处理结果图像，包括：根据不同的暗度等级所对应的不同权重分配比，进行合成所述车牌预处理结果图像。
4.一种适用于暗环境的车牌识别预处理装置，其特征在于，所述方法包括拍摄与车牌获取模块，车牌图像增强模块，车牌图像生成模块；
所述拍摄与车牌获取模块，当遇到暗环境下汽车靠近，不打开补光灯，拍摄当前图像作为第一车牌图像，并输出；
所述车牌图像增强模块，对所述第一车牌图像的反射分量图执行第一图像处理；且对所述第一车牌图像的亮度分量图执行第二图像处理；
所述第一图像处理包括：对所述反射分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第一分量图像；
所述第二图像处理包括：对所述亮度分量图进行编码降采样提取全局特征，而后通过解码获取增强后的特征，最后在利用全卷积恢复图像细节，获得第一车牌图像的第二分量图像；
车牌图像生成模块，基于当前暗环境的暗度等级，并根据所述第一车牌图像的第一分量图像、第一车牌图像的第二分量图像进行生成车牌图像的车牌预处理结果图像。
5.根据权利要求4所述的适用于暗环境的车牌识别预处理装置，其特征在于，所述拍摄与车牌获取模块，还包括：
根据拍摄的当前图像，进行检测是否存在车牌，若存在车牌，则获取对当前图像的暗度等级。
6.根据权利要求4或5所述的适用于暗环境的车牌识别预处理装置，其特征在于，所述车牌图像生成模块，包括：根据不同的暗度等级所对应的不同权重分配比，进行合成所述车牌预处理结果图像。
7.一种存储介质，所述存储介质存储计算机执行的指令，其特征在于，所述计算机执行的指令包括执行如上所述的权利要求1-3任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011579746.4A CN112580672A (zh) | 2020-12-28 | 2020-12-28 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011579746.4A CN112580672A (zh) | 2020-12-28 | 2020-12-28 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112580672A true CN112580672A (zh) | 2021-03-30 |
Family
ID=75140373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011579746.4A Pending CN112580672A (zh) | 2020-12-28 | 2020-12-28 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112580672A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102231206A (zh) * | 2011-07-14 | 2011-11-02 | 浙江理工大学 | 适用于汽车辅助驾驶系统的彩色夜视图像亮度增强方法 |
| CN103236040A (zh) * | 2013-04-19 | 2013-08-07 | 华为技术有限公司 | 一种色彩增强方法及装置 |
| CN103593830A (zh) * | 2013-11-29 | 2014-02-19 | 大连理工大学 | 一种低照度视频图像增强方法 |
| CN105096278A (zh) * | 2015-09-22 | 2015-11-25 | 南阳理工学院 | 基于光照调整的图像增强方法和设备 |
| CN107358586A (zh) * | 2017-07-06 | 2017-11-17 | 中山大学 | 一种图像增强方法、装置及设备 |
| CN109255756A (zh) * | 2017-07-14 | 2019-01-22 | 北京大学 | 低光照图像的增强方法及装置 |
| CN109447907A (zh) * | 2018-09-20 | 2019-03-08 | 宁波大学 | 一种基于全卷积神经网络的单图像增强方法 |
| CN110298792A (zh) * | 2018-03-23 | 2019-10-01 | 北京大学 | 低光照图像增强与去噪方法、系统及计算机设备 |
| CN111079764A (zh) * | 2019-12-06 | 2020-04-28 | 深圳久凌软件技术有限公司 | 一种基于深度学习的低照度车牌图像识别方法及装置 |
| CN111489303A (zh) * | 2020-03-27 | 2020-08-04 | 武汉理工大学 | 一种低照度环境下海事图像增强方法 |
| CN111881917A (zh) * | 2020-06-30 | 2020-11-03 | 浙江大华技术股份有限公司 | 图像预处理方法、装置、计算机设备和可读存储介质 |
| CN111918095A (zh) * | 2020-08-05 | 2020-11-10 | 广州市百果园信息技术有限公司 | 一种暗光增强方法、装置、移动终端和存储介质 |
-
2020
- 2020-12-28 CN CN202011579746.4A patent/CN112580672A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102231206A (zh) * | 2011-07-14 | 2011-11-02 | 浙江理工大学 | 适用于汽车辅助驾驶系统的彩色夜视图像亮度增强方法 |
| CN103236040A (zh) * | 2013-04-19 | 2013-08-07 | 华为技术有限公司 | 一种色彩增强方法及装置 |
| CN103593830A (zh) * | 2013-11-29 | 2014-02-19 | 大连理工大学 | 一种低照度视频图像增强方法 |
| CN105096278A (zh) * | 2015-09-22 | 2015-11-25 | 南阳理工学院 | 基于光照调整的图像增强方法和设备 |
| CN107358586A (zh) * | 2017-07-06 | 2017-11-17 | 中山大学 | 一种图像增强方法、装置及设备 |
| CN109255756A (zh) * | 2017-07-14 | 2019-01-22 | 北京大学 | 低光照图像的增强方法及装置 |
| CN110298792A (zh) * | 2018-03-23 | 2019-10-01 | 北京大学 | 低光照图像增强与去噪方法、系统及计算机设备 |
| CN109447907A (zh) * | 2018-09-20 | 2019-03-08 | 宁波大学 | 一种基于全卷积神经网络的单图像增强方法 |
| CN111079764A (zh) * | 2019-12-06 | 2020-04-28 | 深圳久凌软件技术有限公司 | 一种基于深度学习的低照度车牌图像识别方法及装置 |
| CN111489303A (zh) * | 2020-03-27 | 2020-08-04 | 武汉理工大学 | 一种低照度环境下海事图像增强方法 |
| CN111881917A (zh) * | 2020-06-30 | 2020-11-03 | 浙江大华技术股份有限公司 | 图像预处理方法、装置、计算机设备和可读存储介质 |
| CN111918095A (zh) * | 2020-08-05 | 2020-11-10 | 广州市百果园信息技术有限公司 | 一种暗光增强方法、装置、移动终端和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 彭伟: "《基于卷积神经网络的低照度图像增强》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10846556B2 (en) | Vehicle insurance image processing method, apparatus, server, and system | |
| US11138444B2 (en) | Methods and devices for processing images of a traffic light | |
| CN108334892B (zh) | 一种基于卷积神经网络的车型识别方法、装置及设备 | |
| WO2021051604A1 (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
| CN111754440B (zh) | 车牌图像增强方法、系统、设备及存储介质 | |
| CN107273838B (zh) | 交通信号灯抓拍图片的处理方法及装置 | |
| JP2020113274A (ja) | 物体認識ニューラルネットワークの訓練方法、装置及びコンピューティングデバイス | |
| WO2023029467A1 (zh) | 用于车灯检测的方法、装置、电子设备及存储介质 | |
| CN112686252A (zh) | 一种车牌检测方法和装置 | |
| CN111860610B (zh) | 一种车牌过曝及有无牌车识别的方法、设备及计算机存储介质 | |
| CN111027535A (zh) | 一种车牌识别方法及相关设备 | |
| WO2020140611A1 (zh) | 一种基于图像处理的vin码识别方法、设备及介质 | |
| US20230021116A1 (en) | Lateral image processing apparatus and method of mirrorless car | |
| CN115952531A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN113903014B (zh) | 车道线预测方法、装置及电子设备、计算机可读存储介质 | |
| CN114913525A (zh) | 一种交通信号灯识别方法、装置、设备及存储介质 | |
| WO2024174726A1 (zh) | 基于深度学习的手写及打印文本检测方法和装置 | |
| CN112580672A (zh) | 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 | |
| CN111062922B (zh) | 一种翻拍图像的判别方法、系统及电子设备 | |
| CN112784675A (zh) | 目标检测方法及装置、存储介质、终端 | |
| CN117152453A (zh) | 道路病害的检测方法、装置、电子设备和存储介质 | |
| CN112613511A (zh) | 一种车牌识别方法、系统 | |
| CN112955928A (zh) | 信息处理方法以及信息处理系统 | |
| KR20210002893A (ko) | 하이브리드 기법을 이용한 번호판 인식 방법 및 그 시스템 | |
| WO2023044656A1 (zh) | 车辆通行提醒方法、装置及车载终端 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210330 |
|
| RJ01 | Rejection of invention patent application after publication |