CN112634141B - 一种车牌矫正方法、装置、设备及介质 - Google Patents
一种车牌矫正方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112634141B CN112634141B CN202011536758.9A CN202011536758A CN112634141B CN 112634141 B CN112634141 B CN 112634141B CN 202011536758 A CN202011536758 A CN 202011536758A CN 112634141 B CN112634141 B CN 112634141B
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- character frame
- coordinate information
- angle
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000009466 transformation Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 13
- 238000011426 transformation method Methods 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
- G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Character Input (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车牌矫正方法、装置、设备及介质,由于本发明实施例中,将获取的车牌图像输入到预先训练完成的检测模型中,获取该图像的车牌中各字符所在字符框的坐标信息,根据该字符框的坐标信息以及预先设定的经验函数,确定该图像中车牌的倾斜角度,若该倾斜角度大于设定的角度阈值,则将该图像输入到训练完成的车牌矫正模型中,获取矫正后的目标图像。由于本发明实施例基于车牌上的字符所在字符框的坐标信息来确定该车牌的倾斜角度,确定的车牌倾斜角度准确度更高,且在倾斜角度过大时,将该图像输入到训练完成的车牌矫正模型中,获得矫正后的目标图像,有效的提升了矫正后车牌图像的质量。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种车牌矫正方法、装置、设备及介质。
背景技术
随着交通的快速发展,越来越多的人乘坐私家车、非机动车、公交等出行。为了维护交通秩序,方便对于车辆出行的管理,通过对车辆的车牌进行识别以便获得车辆的信息,在对车牌进行识别的过程中,一般图像采集设备对车牌进行抓拍,若抓拍到的车牌图像处于正位,或者与正位相比偏离角度较小,则会有良好的识别效果,但在实际应用中,由于安装方式和场景的限制,很多时候并不能获得角度合适的图像,特别是姿态多样的非机动车更是会出现不同方向的角度过大的车牌,角度偏离过大的车牌中的字符易倾斜、粘连和形变,降低车牌识别的准确率,因此需要对角度偏离过大的车牌的图像进行矫正。
在现有技术中,车牌矫正的方法大致包括:传统方法和基于深度学习的车牌矫正方法。其中,传统方法主要利用检测车牌边框线、投影特征分析、基于字符连通域等方法来计算车牌倾角,该方法实现车牌矫正的准确率不高。基于深度学习的车牌矫正方法主要是利用深度学习网络模型检测车牌的四个角点,从而计算车牌倾角,但是该方法依赖于车牌角点检测,可能会因为背景和前景干扰出现误检,导致矫正失败,且若车牌倾角过大,矫正后的图像可能会出现字符畸变、笔画缺失等情况,导致矫正后的图像质量不高。
发明内容
本发明提供了一种车牌矫正方法、装置、设备及介质,用以解决现有技术中车牌矫正准确率不高和倾角过大时矫正后图像质量不高的问题。第一方面,本发明提供了一种车牌矫正方法,所述方法包括:
将获取的车牌图像输入到预先训练完成的检测模型中,获取所述图像的车牌中各字符所在字符框的坐标信息;
根据所述字符框的坐标信息以及预先设定的经验函数,确定所述图像中的车牌的倾斜角度;
若所述倾斜角度大于设定的角度阈值,则将所述图像输入到训练完成的车牌矫正模型中,获取矫正后的目标图像。
进一步地,所述获取所述图像的车牌中每个字符所在字符框的坐标信息包括:
获取所述检测模型输出的标识有车牌中字符所在候选字符框的坐标信息以及所述图像中每个候选字符框对应的置信度;
根据每个候选字符框的坐标信息及所述置信度,候选字符框的大小以及与其他候选字符框的距离,确定所述图像的目标候选字符框;
根据所述图像中目标候选字符框所在的层数信息,确定车牌中各字符所在字符框的坐标信息。
进一步地,所述根据所述图像中目标候选字符框所在的层数信息,确定车牌中各字符所在字符框的坐标信息包括:
确定所述图像的车牌区域包含的内容所占的层数;
若所述层数为两层以上,则确定车牌标识信息对应的字符所在的目标层;
将所述目标层中包含的各目标候选字符框的坐标信息,确定为车牌中各字符所在字符框的坐标信息。
进一步地,所述确定车牌标识信息对应的字符所在的目标层包括:
将包含目标候选字符框的数量最多的层数确定为目标层。
进一步地,所述方法还包括:
若所述倾斜角度在预设的第一角度范围内,则基于所述图像的中心坐标信息以及预设的变换尺度,将所述图像进行仿射变换,获取矫正后的目标图像,其中所述第一角度范围内的角度值小于所述角度阈值。
进一步地,所述方法还包括:
若所述倾斜角度在预设的第二角度范围内,则不对所述图像进行矫正,其中所述第一角度范围内中角度绝对值的最小值大于所述第二角度范围中角度绝对值的最大值。
进一步地,训练所述车牌矫正模型的过程包括:
获取训练集中的任一样本图像对,其中,所述样本图像对包括车牌图像的正位样本图像以及基于所述正位样本图像对应的倾斜样本图像,其中所述车牌倾斜的样本图像为基于透视变换方法将正位样本图像依次变换得到的不同倾斜角度的图像;将所述样本图像对输入到原始车牌矫正模型中,输出目标图像;
基于所述目标图像和所述正位样本图像,对所述车牌矫正模型进行优化。
第二方面,本发明还提供了一种车牌矫正装置,所述装置包括:
获取模块,用于将获取车牌图像输入到预先训练完成的检测模型中,获取所述图像的车牌中各字符所在字符框的坐标信息;
确定模块,用于根据所述字符框的坐标信息以及预先设定的经验函数,确定所述图像中的车牌的倾斜角度;
所述获取模块,还用于若所述倾斜角度大于设定的角度阈值,则将所述图像输入到训练完成的车牌矫正模型中,获取矫正后的目标图像。
进一步地,所述获取模块,具体用于获取所述检测模型输出的标识有车牌中字符所在候选字符框的坐标信息以及所述图像中每个候选字符框对应的置信度;根据每个候选字符框的坐标信息及所述置信度,候选字符框的大小以及与其他候选字符框的距离,确定所述图像的目标候选字符框;根据所述图像中目标候选字符框所在的层数信息,确定车牌中各字符所在字符框的坐标信息。
进一步地,所述获取模块,还用于确定所述图像的车牌区域包含的内容所占的层数;若所述层数为两层以上,则确定车牌标识信息对应的字符所在的目标层;将所述目标层中包含的各目标候选字符框的坐标信息,确定为车牌中各字符所在字符框的坐标信息。
进一步地,所述获取模块,具体用于将包含目标候选字符框的数量最多的层数确定为目标层。
进一步地,所述装置还包括:
处理模块,用于若所述倾斜角度在预设的第一角度范围内,则基于所述图像的中心坐标信息以及预设的变换尺度,将所述图像进行仿射变换,获取矫正后的目标图像,其中所述第一角度范围内的角度值小于所述角度阈值。
进一步地,所述处理模块,还用于若所述倾斜角度在预设的第二角度范围内,则不对所述图像进行矫正,其中所述第一角度范围中角度绝对值的最小值大于所述第二角度范围中角度绝对值的最大值。
进一步地,所述装置还包括:训练模块,用于获取训练集中的任一样本图像对,其中,所述样本图像对包括车牌图像的正位样本图像以及基于所述正位样本图像保存的倾斜样本图像,其中所述车牌倾斜的样本图像为基于透视变换方法将正位样本图像依次变换得到的不同倾斜角度的图像;将所述样本图像对输入到原始车牌矫正模型中,输出目标图像;基于所述目标图像和所述正位样本图像,对所述车牌矫正模型进行优化。
第三方面,本发明还提供了一种电子设备,所述电子设备至少包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序时实现如上述任一所述车牌矫正方法的步骤。
第四方面,本发明还提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一所述车牌矫正方法的步骤。
由于本发明实施例中,将获取的车牌图像输入到预先训练完成的检测模型中,获取该图像的车牌中各字符所在字符框的坐标信息,根据该字符框的坐标信息以及预先设定的经验函数,确定该图像中车牌的倾斜角度,若该倾斜角度大于设定的角度阈值,则将该图像输入到训练完成的车牌矫正模型中,获取矫正后的目标图像。由于本发明实施例基于车牌上的字符所在字符框的坐标信息来确定该车牌的倾斜角度,确定的车牌倾斜角度准确度更高,且在倾斜角度过大时,将该图像输入到训练完成的车牌矫正模型中,获得矫正后的目标图像,有效的提升了矫正后车牌图像的质量。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,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为本发明实施例提供的一种车牌矫正方法的过程示意图;
图2为本发明实施例提供的一种车牌识别的过程示意图;
图3为本发明实施例提供的一种车牌矫正装置结构示意图;
图4为本发明实施例提供的一种电子设备。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
为了提高车牌矫正的准确率,本发明实施例提供了一种车牌矫正方法、装置、设备及介质。
实施例1:
图1为本发明实施例提供的一种车牌矫正方法的过程示意图,该过程包括以下步骤:
S101:将获取的包含车牌区域的图像输入到预先训练完成的检测模型中,获取所述图像的车牌中每个字符所在字符框的坐标信息。
本发明实施例提供的车牌矫正方法应用于电子设备,该电子设备可以是PC、服务器等具有处理能力的设备。
在本发明实施例中,图像采集设备预先采集到包含车牌区域的图像,并将该包含车牌区域的图像发送给电子设备。由于车牌中字符的倾斜角度与车牌的倾斜角度一致,因此可以通过确定该车牌中字符的倾斜角度确定车牌的倾斜角度。为了方便进行检测,可以不直接基于字符的倾斜角度确定车牌的倾斜角度,而可以基于字符所在的字符框倾斜角度确定车牌的倾斜角度,因此为了获得该包含车牌区域的图像中的字符框,电子设备在接收到该包含车牌区域的图像后,将该图像输入到预先训练完成的检测模型中,该训练完成的检测模型输出标注有字符框的坐标信息。其中,该检测模型可以为任意先进的网络,由于该检测模型只需要检测字符所在的字符框,不需要精确的识别车牌中的字符,因此一般只需要使用较小的检测网络模型即可。在本发明实施例中,采用一个6层的VGG基础网络模型作为检测模型。
此外,在将图像输入到预先训练完成的检测模型中后,除了可以获取标注有字符框的坐标信息,还可以获取该图像的车牌中每个字符所在字符框的置信度,其中,该坐标信息可以是该字符所在的字符框的四个顶点的坐标信息,也可以是包含该字符框的中心点的坐标信息,以及该字符框的长度和宽度的信息。
S102:根据每个所述字符框的坐标信息以及预先设定的经验函数,确定所述图像中的车牌的倾斜角度。
在本发明实施例中,在获取到每个字符框的坐标信息后,根据该每个字符框的坐标信息以及预先设定的经验函数,确定图像中的车牌的倾斜角度,具体的,根据每个字符框的中心点的坐标信息以及预先设定的经验函数,确定图像中的车牌的倾斜角度。
具体的,若获得的每个所述字符框的坐标信息为字符框的四个顶点的坐标信息,则可以根据这四个顶点的坐标信息,确定该字符框的中心点的坐标信息,比如:若字符框的四个顶点的坐标信息分别为(a,b)、(c,b)、(a,d)、(c,d)其中,c>a,d>b,则该字符框的中心点的坐标信息为若获取到每个所述字符框的坐标信息为字符框的中心点的坐标信息,则根据以下公式计算图像中的车牌的倾斜角度对应的斜率:
其中,(xi,yi)为字符框i的中心点的横坐标和中心点的纵坐标,n为该图像的车牌中包含的字符框的数目。
在确定车牌的倾斜角度对应的斜率后,根据该斜率确定该车牌的倾斜角度,具体的,其中,/>为车牌的倾斜角度,θ为车牌的倾斜角度对应的斜率。
S103:若所述倾斜角度大于设定的角度阈值,则将所述图像输入到训练完成的车牌矫正模型中,获取矫正后的目标图像。
因为求取的角度可能是第一象限的角度,也可能是第四象限的角度,为了方便对图像进行矫正,此时可以将该求取的角度的绝对值确认为倾斜角度,比如,若求得的角度位于以下角度范围内(-90°,-20°)和(20°,90°),则该求得的角度对应的倾斜角度所在的角度范围为(20°,90°)。若求得的角度位于角度范围(-20°,-7°)和(7°,20°)内,则该求得的角度对应的倾斜角度的角度范围为(7°,20°),若求得的角度位于角度范围(-7°,7°)内,则该求得的角度对应的倾斜角度的角度范围为(0°,7°)。
在本发明实施例中,预先设定一个角度阈值,用来确定该车牌的倾斜角度的倾斜程度,其中,该角度阈值可以设置为20°,若该车牌的倾斜角度大于设定的角度阈值,则说明该车牌的倾斜角度过大,需要对该车牌的角度进行矫正。在本发明实施例中,为了准确的实现车牌的矫正,预先训练一个车牌矫正模型,将该需要进行车牌矫正的图像输入到该车牌矫正模型中后,获得矫正后的目标图像,其中,该车牌矫正模型可以为GAN网络模型。
由于本发明实施例基于车牌上的字符所在的字符框的坐标信息确定该车牌的倾斜角度,确定的车牌的倾斜角度准确度更高,且在倾斜角度过大时,将该图像输入到训练完成的车牌矫正模型,有效的提高了矫正后目标图像的质量。
实施例2:
为了排除伪字符框的坐标信息或者坐标信息偏差过大的字符框的坐标信息的干扰,在上述实施例的基础上,在本发明实施例中,所述获取所述图像的车牌中每个字符所在字符框的坐标信息包括:
获取所述检测模型输出的标识有车牌中字符所在候选字符框的坐标信息以及所述图像中每个候选字符框对应的置信度;
根据每个候选字符框的坐标信息及所述置信度,候选字符框的大小以及与其他候选字符框的距离,确定所述图像的目标候选字符框;
根据所述图像中目标候选字符框所在的层数信息,确定车牌中各字符所在字符框的坐标信息。
在确定图像中的车牌字符所在的字符框坐标信息的过程中,可能会存在伪字符框的坐标信息或者坐标信息偏差过大的字符框的坐标信息,会对后续车牌的倾斜角度的确定造成干扰。为了排除伪字符框的坐标信息或者坐标信息偏差过大的字符框的坐标信息的干扰,在本发明实施例中,图像输入到训练完成的检测模型后,可以获取检测模型输出的标定有车牌中字符所在候选字符框的坐标信息的图像,以及所述图像中每个候选字符框的坐标信息对应的置信度,其中,置信度可以用来确定该字符框的坐标信息的准确度。
具体的,在获得字符所在候选字符框的坐标信息后,可以根据该坐标信息确定该候选字符框的大小,也能够确定各个候选字符框与其他候选字符框的距离,根据每个候选字符框的坐标信息及置信度,候选字符框的大小以及与其他候选字符框的距离,确定该图像的目标字符框,即实际包含有字符的字符框。
在本发明实施例中,在确定每个候选字符框的坐标信息时,确定图像中每个候选字符框的坐标信息对应的置信度后,确定该置信度是否大于预设置信度阈值,并且确定候选字符框的面积在预设的面积范围内,基于概率和面积选择出来候选字符框后,则可以通过聚类算法对候选字符框的坐标信息进行聚类,获得多个聚类后的分组,计算每个分组与其他分组之间的距离,预先设定一个第一距离阈值和第二距离阈值,其中,该第一距离阈值大于第二距离阈值,确定任一分组与其他分组的距离,判断任一距离是否小于预先设定的第一距离阈值且大于预先设定的第二距离阈值,若是,则将该分组的候选字符框,确定为目标候选字符框。
若置信度是不大于预设置信度阈值、或候选字符框的面积不在预设的面积范围内、或者聚类后的分组与其他分组的距离不小于预先设定的第一距离阈值且大于预先设定的第二距离阈值中的任一条件成立,则将该候选字符框去除。
其中,根据每个候选字符框对应的置信度,候选字符框的大小以及与其他候选字符框的距离确定目标候选字符框的过程为现有技术,在此不做赘述。
在确定目标候选字符框之后,根据该图像中目标候选字符框所在的层数信息,确定车牌中各字符所在字符框的坐标信息。
实施例3:
为了准确的确定图像的车牌中字符框的坐标信息,在上述各实施例的基础上,在本发明实施例中,所述根据所述图像中目标候选字符框所在的层数信息,确定车牌中各字符所在字符框的坐标信息包括:
确定所述图像的车牌区域包含的内容所占的层数;
若所述层数为两层以上,则确定车牌标识信息对应的字符所在的目标层;
将所述目标层中包含的各目标候选字符框的坐标信息,确定为车牌中各字符所在字符框的坐标信息。
由于车牌中的内容可能只占一层,也可能占两层或者两层以上,为了提高确定车牌的倾斜角度的效率和准确度,在本发明实施例中,若车牌中的内容占用了两层或者两层以上,因为每层对应的车牌的倾斜角度都是相同的,可以选取任意一层作为车牌标识信息对应的字符所在的目标层,也就是车牌号码对应的字符所在的目标层。具体的,确定该图像的车牌区域包含的内容所占的层数,其中,该车牌区域包含的内容也就是车牌中字符的内容所占的层,也可以记作车牌中字符所在的字符框所占的层,因此可以根据目标候选字符框的坐标信息确定该车牌区域包含的内容所占的层。若车牌中的内容占用了一层,则该层即为车牌号码对应的字符所在的目标层。
具体的,在确定图像的车牌区域包含的内容所占的层数时,该车牌中各字符框的中心横坐标根据该车牌中各字符框的中心横坐标从左到右进行排序,然后从进行排序后的第一个字符开始到倒数第二个字符框,依次判断当前字符框是否满足以下条件:当前字符框的中心纵坐标加上其自身高度的一半小于下一个字符框的中心纵坐标且当前字符框的中心横坐标大于下一个字符框的中心横坐标。若当前字符框同时满足上述两个条件,则该字符为上下两行的分界字符,该车牌中至少包含两层字符。
若该层数为两个以上,则确定车牌标识信息对应的字符所在的目标层,在确定目标层后,将该目标层中包含的各目标候选字符框的坐标信息,确定为各字符所在字符框的坐标信息。
为了提高确定车牌的倾斜角度的准确度,在上述各实施例的基础上,在本发明实施例中,所述确定车牌标识信息对应的字符所在的目标层包括:
将包含目标候选字符框的数量最多的层数确定为目标层。
若车牌中的内容占用了两层或者两层以上,且每层包含的目标候选字符框的数量可能是相同的,也可能是不同的,为了提高确定车牌的倾斜角度的准确度,在本发明实施例中,若每层包含的目标候选字符框的数量是不同的,可以选取包含目标候选字符框的数量最多的层确定为目标层,若每层包含的目标候选字符框的数量是相同的,可以该两层或者两层以上的任意一层确定为目标层。
实施例4:
为了提高车牌矫正的准确率,在上述各实施例的基础上,在本发明实施例中,所述方法还包括:
若所述倾斜角度在预设的第一角度范围内,则基于所述图像的中心坐标信息以及预设的变换尺度,将所述图像进行仿射变换,获取矫正后的目标图像,其中所述第一角度范围内的角度值小于所述角度阈值。
在确定车牌的倾斜角度后,该倾斜角度在预设的第一角度范围内,说明此时车牌的倾斜角度不至于使得矫正后的图像的字符出现畸变或笔画缺失,因此可以采用仿射变换实现车牌矫正,获取矫正后的目标图像。在本发明实施例中,该预设的第一角度范围可以为(7°,20°),预设的角度阈值1为7°,因此该预设的第一角度范围内的角度值小于角度阈值。
具体的,根据图像的中心坐标信息以及预设的变换尺度,将该图像进行仿射变换,其中仿射变换中的变换矩阵为:
其中, 为车牌的倾斜角度,s为变换尺度,xc和yc为图像的中心坐标坐标。在本发明实施例中,s=1。
其中,基于仿射变换实现车牌矫正的方法为现有技术,在此不作赘述。
为了确定是否需要进行车牌矫正,在上述各实施例的基础上,在本发明实施例中,所述方法还包括:
若所述倾斜角度在预设的第二角度范围内,则不对所述图像进行矫正,其中所述第一角度范围中角度绝对值的最小值大于所述第二角度范围中角度绝对值的最大值。
在确定车牌的倾斜角度后,若该倾斜角度位于预设的第二角度范围,说明该车牌的倾斜角度较小,对后续的车牌识别的影响也较小,因此无需对车牌的倾斜角度进行矫正,直接将获取的包含车牌区域的图像作为目标图像,其中,在本发明实施例中,该预设的第二角度范围可以为(0°,7°),预设的第一角度范围可以为(7°,20°),其中,该第二角度范围中角度绝对值的最大值小于7°,而第一角度范围中角度绝对值的最小值大于7°,因此第一角度范围中角度绝对值的最小值大于第二角度范围中角度绝对值的最大值。
此外,在确定目标图像后,对目标图像中的车牌中包含的字符,也就是车牌中包含的车牌号码进行识别,或者对于车牌类型、车牌颜色等其他属性进行识别,确定车牌号码、车牌类型以及车牌颜色。其中,对于车牌的车牌号码、车牌类型以及车牌颜色进行识别的过程为现有技术,在此不做赘述。
图2为本发明实施例提供的一种车牌识别的过程示意图,现针对图2进行说明。
图像采集设备采集到图像后,将采集到的图像进行车辆检测和车牌定位,获取车牌图像,其中,对采集到的图像进行车辆检测和车牌定位为现有技术,在此不做赘述,获取到车牌图像后,将该车牌图像发送给电子设备,电子设备获取到该车牌图像后,将该车牌图像输入到预先训练完成的检测模型中,进行图像的车牌中各字符所在字符框的检测,获取每个字符所在字符框的坐标信息,根据字符框的坐标信息确定该车牌的倾斜角度,若该车牌的倾斜角度在倾斜角度范围1,也就是该倾斜角度在预设的第二角度范围内,则不对所述图像进行矫正,直接对图像中的车牌进行识别,输出识别结果;若该车牌的倾斜角度在倾斜角度范围2,也就是该倾斜角度在预设的第一角度范围内,则通过仿射变换实现车牌矫正,并基于车牌矫正后的图像,对该图像中的车牌字符进行识别,输出识别结果;若该车牌的倾斜角度在倾斜角度范围3,也就是该倾斜角度大于设定的角度阈值,则将图像输入到训练完成的车牌矫正模型中,也就是将图像输入到训练完成的GAN网络模型中,实现GAN修复,获取矫正后的图像,将图像中的车牌字符进行识别,输出识别结果。
实施例5:
为了实现车牌矫正,在上述各实施例的基础上,在本发明实施例中,训练所述车牌矫正模型的过程包括:获取训练集中的任一样本图像对,其中,所述样本图像对包括车牌图像的正位样本图像以及基于所述正位样本图像保存的倾斜样本图像,其中所述车牌倾斜的样本图像为基于透视变换方法将正位样本图像依次变换得到的不同倾斜角度的图像;
将所述样本图像对输入到原始车牌矫正模型中,输出目标图像;
基于所述目标图像和所述正位样本图像,对所述车牌矫正模型进行优化。
为了实现基于车牌矫正模型获得矫正后的目标图像,需要对车牌矫正模型进行训练,在对车牌矫正模型进行训练的过程中,预先获得训练集中的样本图像对,该样本图像对包括车牌正位样本图像以及基于所述样本图像保存的倾斜样本图像,其中,该倾斜样本图像可以为正位图像进行指定的角度值的旋转而获得的有倾斜角度的图像,该正位图像指的是没有倾斜角度的图像,也就是车牌被倾斜矫正后的图像,该指定的角度值应该大于预设的角度阈值,且在旋转图像时,可以顺时针旋转,也可以逆时针旋转。其中,可以基于透视变换方法获得有倾斜角度的图像,也就是基于透视变换方法将正位图像依次变换得到的不同倾斜角度的图像,该透视变换方法为现有技术,在此不作赘述。基于该样本图像保存有该样本图像对应的正位样本图像,其中该正位样本图像为车牌被倾斜矫正后的图像,并将多个有倾斜角度的图像分别与正位图像构成一个训练对,并将该样本图像对输入到原始的车牌矫正模型进行训练,输出目标样本图像,并根据目标样本图像和该样本图像对应的正位样本图像进行优化,直至训练完成。具体的,根据目标样本图像和该样本图像的相似度,从而对该车牌矫正模型中的参数进行调整,经过大量训练后,满足预设的收敛条件,则说明该车牌矫正模型训练完成。
由于本发明实施例中,将获取的车牌图像输入到预先训练完成的检测模型中,获取该图像的车牌中各字符所在字符框的坐标信息,根据该字符框的坐标信息以及预先设定的经验函数,确定该图像中车牌的倾斜角度,若该倾斜角度大于设定的角度阈值,则将该图像输入到训练完成的车牌矫正模型中,获取矫正后的目标图像。由于本发明实施例基于车牌上的字符所在字符框的坐标信息来确定该车牌的倾斜角度,确定的车牌倾斜角度准确度更高,且在倾斜角度过大时,将该图像输入到训练完成的车牌矫正模型中,获得矫正后的目标图像,有效的提升了矫正后车牌图像的质量。
实施例6:
图3为本发明实施例提供的一种车牌矫正装置结构示意图,该装置包括:
获取模块301,用于将获取的车牌图像输入到预先训练完成的检测模型中,获取所述图像的车牌中各字符所在字符框的坐标信息;
确定模块302,用于根据所述字符框的坐标信息以及预先设定的经验函数,确定所述图像中的车牌的倾斜角度;
所述获取模块301,还用于若所述倾斜角度大于设定的角度阈值,则将所述图像输入到训练完成的车牌矫正模型中,获取矫正后的目标图像。
在一种可能的实施方式中,所述获取模块301,具体用于获取所述检测模型输出的标识有车牌中字符所在候选字符框的坐标信息以及所述图像中每个候选字符框的置信度;根据每个候选字符框的坐标信息及所述置信度,候选字符框的大小以及与其他候选字符框的距离,确定所述图像的目标候选字符框;根据所述图像中目标候选字符框所在的层数信息,确定车牌中各字符所在字符框的坐标信息。
在一种可能的实施方式中,所述获取模块301,还用于确定所述图像的车牌区域包含的内容所占的层数;若所述层数为两层以上,则确定车牌标识信息对应的字符所在的目标层;将所述目标层中包含的各目标候选字符框的坐标信息,确定为车牌中各字符所在字符框的坐标信息。
在一种可能的实施方式中,所述获取模块301,具体用于将包含目标候选字符框的数量最多的层数确定为目标层。
在一种可能的实施方式中,所述装置还包括:
处理模块303,用于若所述倾斜角度在预设的第一角度范围内,则基于所述图像的中心坐标信息以及预设的变换尺度,将所述图像进行仿射变换,获取矫正后的目标图像,其中所述第一角度范围内的角度值小于所述角度阈值。
在一种可能的实施方式中,所述处理模块303,还用于若所述倾斜角度在预设的第二角度范围内,则不对所述图像进行矫正,其中所述第一角度范围中角度绝对值的最小值大于所述第二角度范围中角度绝对值的最大值。
在一种可能的实施方式中,所述装置还包括:
训练模块304,用于获取训练集中的任一样本图像对,其中,所述样本图像对包括车牌正位样本图像以及基于所述正位样本图像保存的倾斜样本图像,其中所述车牌倾斜的样本图像为基于透视变换方法将正位样本图像依次变换得到的不同倾斜角度的图像;将所述样本图像对输入到原始车牌矫正模型中,输出目标图像;基于所述目标图像和所述正位样本图像,对所述车牌矫正模型进行优化。
实施例7:
在上述各实施例的基础上,本发明实施例还提供了一种电子设备,如图4所示,包括:处理器401、通信接口402、存储器403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。
所述存储器403中存储有计算机程序,当所述程序被所述处理器401执行时,使得所述处理器401执行如下步骤:
将获取的车牌图像输入到预先训练完成的检测模型中,获取所述图像的车牌中各字符所在字符框的坐标信息;
根据所述字符框的坐标信息以及预先设定的经验函数,确定所述图像中的车牌的倾斜角度;
若所述倾斜角度大于设定的角度阈值,则将所述图像输入到训练完成的车牌矫正模型中,获取矫正后的目标图像。
进一步地,所述处理器401,还用于获取所述检测模型输出的标识有车牌中字符所在候选字符框的坐标信息以及所述图像中每个候选字符框对应的置信度;根据每个候选字符框的坐标信息及所述置信度,候选字符框的大小以及与其他候选字符框的距离,确定所述图像的目标候选字符框;根据所述图像中目标候选字符框所在的层数信息,确定车牌中各字符所在字符框的坐标信息。
进一步地,所述处理器401,还用于确定所述图像的车牌区域包含的内容所占的层数;若所述层数为两层以上,则确定车牌标识信息对应的字符所在的目标层;将所述目标层中包含的各目标候选字符框的坐标信息,确定为车牌中各字符所在字符框的坐标信息。
进一步地,所述处理器401,还用于将包含目标候选字符框的数量最多的层数确定为目标层。
进一步地,所述处理器401,还用于若所述倾斜角度在预设的第一角度范围内,则基于所述图像的中心坐标信息以及预设的变换尺度,将所述图像进行仿射变换,获取矫正后的目标图像,其中所述第一角度范围内的角度值小于所述角度阈值。
进一步地,所述处理器401,还用于若所述倾斜角度在预设的第二角度范围内,则不对所述图像进行矫正,其中所述第一角度范围中角度绝对值的最小值大于所述第二角度范围中角度绝对值的最大值。
进一步地,所述处理器401,还用于获取训练集中的任一样本图像对,其中,所述样本图像对包括车牌正位样本图像以及基于所述正位样本图像保存的倾斜样本图像,其中所述车牌倾斜的样本图像为基于透视变换方法将正位样本图像依次变换得到的不同倾斜角度的图像;将所述样本图像输入到原始车牌矫正模型中,输出目标图像;基于所述目标样本图像对和所述样本图像对应的正位样本图像,对所述车牌矫正模型进行优化。
上述服务器提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口402用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器,包括中央处理器、网络处理器(NetworkProcessor,NP)等;还可以是数字指令处理器(Digital Signal Processing,DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
实施例8:
在上述各实施例的基础上,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行时实现如下步骤:
所述存储器中存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行如下步骤:
将获取的车牌图像输入到预先训练完成的检测模型中,获取所述图像的车牌中各字符所在字符框的坐标信息;
根据所述字符框的坐标信息以及预先设定的经验函数,确定所述图像中的车牌的倾斜角度;
若所述倾斜角度大于设定的角度阈值,则将所述图像输入到训练完成的车牌矫正模型中,获取矫正后的目标图像。
进一步地,所述获取所述图像的车牌中每个字符所在字符框的坐标信息包括:
获取所述检测模型输出的标识有车牌中字符所在候选字符框的坐标信息以及所述图像中每个候选字符框对应的置信度;
根据每个候选字符框的坐标信息及所述置信度,候选字符框的大小以及与其他候选字符框的距离,确定所述图像的目标候选字符框;
根据所述图像中目标候选字符框所在的层数信息,确定车牌中各字符所在字符框的坐标信息。
进一步地,所述根据所述图像中目标候选字符框所在的层数信息,确定车牌中各字符所在字符框的坐标信息包括:
确定所述图像的车牌区域包含的内容所占的层数;
若所述层数为两层以上,则确定车牌标识信息对应的字符所在的目标层;
将所述目标层中包含的各目标候选字符框的坐标信息,确定为车牌中各字符所在字符框的坐标信息。
进一步地,所述确定车牌标识信息对应的字符所在的目标层包括:
将包含目标候选字符框的数量最多的层数确定为目标层。
进一步地,所述方法还包括:
若所述倾斜角度在预设的第一角度范围内,则基于所述图像的中心坐标信息以及预设的变换尺度,将所述图像进行仿射变换,获取矫正后的目标图像,其中所述第一角度范围内的角度值小于所述角度阈值。
进一步地,所述方法还包括:
若所述倾斜角度在预设的第二角度范围内,则不对所述图像进行矫正,其中所述第一角度范围中角度绝对值的最小值大于所述第二角度范围中角度绝对值的最大值。
进一步地,训练所述车牌矫正模型的过程包括:
获取训练集中的任一样本图像对,其中,所述样本图像对包括车牌正位样本图像以及基于所述正位样本图像保存的所述倾斜样本图像,其中所述车牌倾斜的样本图像为基于透视变换方法将正位样本图像依次变换得到的不同倾斜角度的图像;
将所述样本图像对输入到原始车牌矫正模型中,输出目标图像;
基于所述目标样本图像和所述样本图像对应的正位样本图像,对所述车牌矫正模型进行优化。
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、CD-ROM、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 (9)
1.一种车牌矫正方法,其特征在于,所述方法包括:
将获取的车牌图像输入到预先训练完成的检测模型中,获取所述图像的车牌中各字符所在字符框的坐标信息;
根据所述字符框的坐标信息以及预先设定的经验函数,确定所述图像中的车牌的倾斜角度;
若所述倾斜角度大于设定的角度阈值,则将所述图像输入到训练完成的车牌矫正模型中,获取矫正后的目标图像;
若所述倾斜角度在预设的第一角度范围内,则基于所述图像的中心坐标信息以及预设的变换尺度,将所述图像进行仿射变换,获取矫正后的目标图像,其中所述第一角度范围内的角度值小于所述角度阈值。
2.根据权利要求1所述的方法,其特征在于,所述获取所述图像的车牌中各字符所在字符框的坐标信息包括:
获取所述检测模型输出的标识有车牌中字符所在候选字符框的坐标信息以及所述图像中每个候选字符框对应的置信度;
根据每个候选字符框的坐标信息及所述置信度,候选字符框的大小以及与其他候选字符框的距离,确定所述图像的目标候选字符框;
根据所述图像中目标候选字符框所在的层数信息,确定车牌中各字符所在字符框的坐标信息。
3.根据权利要求2所述的方法,其特征在于,所述根据所述图像中目标候选字符框所在的层数信息,确定车牌中各字符所在字符框的坐标信息包括:
确定所述图像的车牌区域包含的内容所占的层数;
若所述层数为两层以上,则确定车牌标识信息对应的字符所在的目标层;
将所述目标层中包含的各目标候选字符框的坐标信息,确定为车牌中各字符所在字符框的坐标信息。
4.根据权利要求3所述的方法,其特征在于,所述确定车牌标识信息对应的字符所在的目标层包括:
将包含目标候选字符框的数量最多的层数确定为目标层。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述倾斜角度在预设的第二角度范围内,则不对所述图像进行矫正,其中所述第一角度范围中角度绝对值的最小值大于所述第二角度范围中角度绝对值的最大值。
6.根据权利要求1所述的方法,其特征在于,训练所述车牌矫正模型的过程包括:
获取训练集中的任一样本图像对,其中,所述样本图像对包括车牌图像的正位样本图像以及基于所述正位样本图像保存的倾斜样本图像,其中所述车牌倾斜的样本图像为基于透视变换方法将正位样本图像依次变换得到的不同倾斜角度的图像;
将所述样本图像对输入到原始车牌矫正模型中,输出目标图像;
基于所述目标图像和所述正位样本图像,对所述车牌矫正模型进行优化。
7.一种车牌矫正装置,其特征在于,所述装置包括:
获取模块,用于将获取的车牌图像输入到预先训练完成的检测模型中,获取所述图像的车牌中各字符所在字符框的坐标信息;
确定模块,用于根据所述字符框的坐标信息以及预先设定的经验函数,确定所述图像中的车牌的倾斜角度;
所述获取模块,还用于若所述倾斜角度大于设定的角度阈值,则将所述图像输入到训练完成的车牌矫正模型中,获取矫正后的目标图像;若所述倾斜角度在预设的第一角度范围内,则基于所述图像的中心坐标信息以及预设的变换尺度,将所述图像进行仿射变换,获取矫正后的目标图像,其中所述第一角度范围内的角度值小于所述角度阈值。
8.一种电子设备,其特征在于,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-6中任一所述方法的步骤。
9.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536758.9A CN112634141B (zh) | 2020-12-23 | 2020-12-23 | 一种车牌矫正方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536758.9A CN112634141B (zh) | 2020-12-23 | 2020-12-23 | 一种车牌矫正方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112634141A CN112634141A (zh) | 2021-04-09 |
CN112634141B true CN112634141B (zh) | 2024-03-29 |
Family
ID=75321471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011536758.9A Active CN112634141B (zh) | 2020-12-23 | 2020-12-23 | 一种车牌矫正方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634141B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114938425A (zh) * | 2021-06-15 | 2022-08-23 | 义隆电子股份有限公司 | 摄影装置及其使用人工智能的物件识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015056065A (ja) * | 2013-09-12 | 2015-03-23 | 住友電工システムソリューション株式会社 | ナンバープレート傾斜角度算出装置、コンピュータプログラム及びナンバープレート傾斜角度算出方法 |
CN107169489A (zh) * | 2017-05-08 | 2017-09-15 | 北京京东金融科技控股有限公司 | 倾斜图像校正的方法和装置 |
CN108985137A (zh) * | 2017-06-02 | 2018-12-11 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及系统 |
CN109344825A (zh) * | 2018-09-14 | 2019-02-15 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的车牌识别方法 |
KR20190095571A (ko) * | 2018-01-19 | 2019-08-16 | 한국기술교육대학교 산학협력단 | 차량번호판 자동인식 방법 |
CN110414507A (zh) * | 2019-07-11 | 2019-11-05 | 和昌未来科技(深圳)有限公司 | 车牌识别方法、装置、计算机设备和存储介质 |
CN111401360A (zh) * | 2020-03-02 | 2020-07-10 | 杭州雄迈集成电路技术股份有限公司 | 优化车牌检测模型的方法及系统、车牌检测方法及系统 |
CN111914845A (zh) * | 2020-07-02 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种车牌中字符分层方法、装置及电子设备 |
-
2020
- 2020-12-23 CN CN202011536758.9A patent/CN112634141B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015056065A (ja) * | 2013-09-12 | 2015-03-23 | 住友電工システムソリューション株式会社 | ナンバープレート傾斜角度算出装置、コンピュータプログラム及びナンバープレート傾斜角度算出方法 |
CN107169489A (zh) * | 2017-05-08 | 2017-09-15 | 北京京东金融科技控股有限公司 | 倾斜图像校正的方法和装置 |
CN108985137A (zh) * | 2017-06-02 | 2018-12-11 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及系统 |
KR20190095571A (ko) * | 2018-01-19 | 2019-08-16 | 한국기술교육대학교 산학협력단 | 차량번호판 자동인식 방법 |
CN109344825A (zh) * | 2018-09-14 | 2019-02-15 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的车牌识别方法 |
CN110414507A (zh) * | 2019-07-11 | 2019-11-05 | 和昌未来科技(深圳)有限公司 | 车牌识别方法、装置、计算机设备和存储介质 |
CN111401360A (zh) * | 2020-03-02 | 2020-07-10 | 杭州雄迈集成电路技术股份有限公司 | 优化车牌检测模型的方法及系统、车牌检测方法及系统 |
CN111914845A (zh) * | 2020-07-02 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种车牌中字符分层方法、装置及电子设备 |
Non-Patent Citations (4)
Title |
---|
106091G (2018)》.2018,1-9. * |
Mingwen Zhang et al..Detection of vehicle parts based on Faster R-CNN and relative position information.《Proceedings Volume 10609, MIPPR 2017: Pattern Recognition and Computer Vision * |
基于OpenCV与深度学习的车牌识别软件的设计与开发;吴林辉等;《电脑知识与技术》;第16卷(第1期);203-204、212 * |
浅谈车牌识别在智慧城市停车中的深度应用;沃绿洲等;《中国安防》(第5期);54-57 * |
Also Published As
Publication number | Publication date |
---|---|
CN112634141A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009543B (zh) | 一种车牌识别方法及装置 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN112330601B (zh) | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 | |
WO2018219054A1 (zh) | 一种车牌识别方法、装置及系统 | |
CN109753971B (zh) | 扭曲文字行的矫正方法及装置、字符识别方法及装置 | |
CN110598512B (zh) | 一种车位检测方法及装置 | |
CN108805016B (zh) | 一种头肩区域检测方法及装置 | |
CN111161349A (zh) | 物体姿态估计方法、装置与设备 | |
CN109035287B (zh) | 前景图像提取方法和装置、运动车辆识别方法和装置 | |
CN112257698A (zh) | 环视图车位检测结果的处理方法、装置、设备和存储介质 | |
CN112634141B (zh) | 一种车牌矫正方法、装置、设备及介质 | |
CN111914845A (zh) | 一种车牌中字符分层方法、装置及电子设备 | |
CN114155285B (zh) | 基于灰度直方图的图像配准方法 | |
CN111191482B (zh) | 一种刹车灯识别方法、装置及电子设备 | |
CN112634628B (zh) | 一种车辆速度确定方法、终端及存储介质 | |
CN108734712B (zh) | 背景分割的方法、装置及计算机存储介质 | |
CN114898306B (zh) | 一种检测目标朝向的方法、装置及电子设备 | |
CN114862866B (zh) | 标定板的检测方法、装置、计算机设备和存储介质 | |
CN114820755B (zh) | 一种深度图估计方法及系统 | |
JP6468328B2 (ja) | ビジュアルオドメトリ方法及び装置 | |
CN111178200A (zh) | 一种仪表盘指示灯的识别方法及计算设备 | |
CN110880003A (zh) | 一种图像匹配方法、装置、存储介质及汽车 | |
CN110706257A (zh) | 有效特征点对的识别方法、相机状态的确定方法及装置 | |
US20230069608A1 (en) | Object Tracking Apparatus and Method | |
CN113255700B (zh) | 图像的特征图的处理方法及装置、存储介质、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |