CN112785550A - 图像质量值确定方法、装置、存储介质及电子装置 - Google Patents
图像质量值确定方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN112785550A CN112785550A CN202011608178.6A CN202011608178A CN112785550A CN 112785550 A CN112785550 A CN 112785550A CN 202011608178 A CN202011608178 A CN 202011608178A CN 112785550 A CN112785550 A CN 112785550A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- determining
- quality value
- target object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 31
- 239000010410 layer Substances 0.000 claims description 23
- 239000002356 single layer Substances 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 11
- 238000013441 quality evaluation Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种图像质量值确定方法、装置、存储介质及电子装置,其中,该方法包括:获取目标图像;确定目标图像的第一质量值;对目标图像中包括的第一图像进行灰度化处理,以得到灰度化图像,其中,第一图像中包括目标对象,且目标对象的图像与第一图像的比值大于第一阈值,其中,目标对象的图像与目标图像的比值大于第一阈值;确定灰度化图像的倾斜度;基于倾斜度以及第一质量值确定目标对象的图像的目标质量值。通过本发明,解决了相关技术中存在的图像质量值确定不准确的问题,达到准确确定图像质量值的效果。
Description
技术领域
本发明实施例涉及通信领域,具体而言,涉及一种图像质量值确定方法、装置、存储介质及电子装置。
背景技术
随着计算机视觉技术的迅速发展,图像识别也越来越重要,下面以识别车牌为例进行说明:
车牌自动识别技术出现并逐渐成熟,在大大节省人力成本的同时更加方便了人们的出行。然而,考虑到天气、成像设备、车身倾斜以及拍摄距离等因素的影响,包含车牌的图像很可能出现失真或降质的情况。因此,并不是所有的车牌图像的识别结果均是可靠的。因此,需要对车牌图像的质量进行评价,进而实现对车牌识别结果的可靠性进行评估。
在相关技术中,图像质量客观评价方法仅对图像的全局纹理复杂度进行量化以衡量图像的质量或清晰度,存在车牌图片质量较好,但识别结果出现偏差的情况。
由此可知,相关技术中存在图像质量值确定不准确的问题。
针对相关技术中存在的上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像质量值确定方法、装置、存储介质及电子装置,以至少解决相关技术中存在的图像质量值确定不准确的问题。
根据本发明的一个实施例,提供了一种图像质量值确定方法,包括:获取目标图像;确定所述目标图像的第一质量值;对所述目标图像中包括的第一图像进行灰度化处理,以得到灰度化图像,其中,所述第一图像中包括目标对象,且所述目标对象的图像与所述第一图像的比值大于第一阈值,其中,所述目标对象的图像与所述目标图像的比值大于第一阈值;确定所述灰度化图像的倾斜度;基于所述倾斜度以及所述第一质量值确定所述目标对象的图像的目标质量值。
根据本发明的另一个实施例,提供了一种图像质量值确定装置,包括:获取模块,用于获取目标图像;第一确定模块,用于确定所述目标图像的第一质量值;处理模块,用于对所述目标图像中包括的第一图像进行灰度化处理,以得到灰度化图像,其中,所述第一图像中包括目标对象,且所述目标对象的图像与所述第一图像的比值大于第一阈值,其中,所述目标对象的图像与所述目标图像的比值大于第一阈值;第二确定模块,用于确定所述灰度化图像的倾斜度;第三确定模块,用于基于所述倾斜度以及所述第一质量值确定所述目标对象的图像的目标质量值。
根据本发明的又一个实施例,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中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,在获取到目标图像后,确定目标图像的第一质量值,并对目标图像中包括的第一图像进行灰度化处理,以得到灰度化图像,再确定灰度化图像的倾斜度,根据倾斜度以及第一质量值确定目标对象的图像的目标质量值。由于第一图像中目标对象的图像与第一图像的比值大于第一阈值,则通过第一图像可以准确确定目标对象图像的倾斜度,再基于倾斜度以及目标图像的质量值综合确定目标对象的图像的目标质量值,可以提高确定目标质量值的准确率。因此,可以解决相关技术中存在的图像质量值确定不准确的问题,达到准确确定图像质量值的效果。
附图说明
图1是本发明实施例的一种图像质量值确定方法的移动终端的硬件结构框图;
图2是根据本发明实施例的图像质量值确定方法的流程图;
图3是根据本发明示例性实施例的第一图像示意图;
图4是根据本发明示例性实施例的确定灰度化图像清晰度方法流程图;
图5是根据本发明示例性实施例的检测到的车牌的宽度与宽度分数对应关系图;
图6是根据本发明示例性实施例的确定灰度化图像的倾斜度流程示意图;
图7是根据本发明具体实施例的图像质量值确定方法;
图8是根据本发明实施例的图像质量值确定装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种图像质量值确定方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的图像质量值确定方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种图像质量值确定方法,图2是根据本发明实施例的图像质量值确定方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,获取目标图像;
步骤S204,确定所述目标图像的第一质量值;
步骤S206,对所述目标图像中包括的第一图像进行灰度化处理,以得到灰度化图像,其中,所述第一图像中包括目标对象,且所述目标对象的图像与所述第一图像的比值大于第一阈值;
步骤S208,确定所述灰度化图像的倾斜度;
步骤S210,基于所述倾斜度以及所述第一质量值确定所述目标对象的图像的目标质量值。
在上述实施例中,目标图像可以是包含目标对象的图像,目标图像可以是监控设备所拍摄的图像。第一图像可以为目标图像中包括的图像,第一图像中包括目标对象,且目标对象的图像与第一图像的比值大于第一阈值。其中,目标对象可以为人脸、车牌等,第一阈值表示目标对象图像在第一图像中的占比,即,第一对象的图像需占据第一图像的绝大部分区域。第一阈值可以为90%(该取值仅是一种示例性说明,本发明对该阈值不作限制,例如,还可以取85%,95%等)。
在上述实施例中,当目标对象为车牌时,在获取车牌占据图像绝大部分区域的原始待检测图像(对应于上述第一图像)后,待原始检测车牌图像为仅包含车牌的矩形图像,其中,车牌在图像中占据绝大部分的空间,第一图像示意图可参见附图3。待检测车牌图像可以采用车牌检测算法对包含车牌的车辆图片进行车牌定位检测获取。此外,本发明不限定获取包含车牌的车辆图的途径、方式,也不限定所获取的包含车辆的图像的格式、大小等。
在上述实施例中,可以通过如下方式对目标图像中包括的第一图像进行灰度化处理,以得到灰度化图像:可以将原始的待检测图像(对应于上述第一图像)转换为YUV格式,取Y空间作为灰度待检测图像(对应于上述灰度化图像)。也可以采用其他方式对彩色的原始待检测图像进行灰度化。如,RGB的彩色图像也可采用三个通道的加权平均获取灰度待检测图像等。原则上,灰度化处理应尽量减少对原彩色图像的质量影响,最大程度上保持灰度待检测图像与原彩色待检测图像的纹理复杂度的基本一致。
可选地,上述步骤的执行主体可以是后台处理器,或者其他的具备类似处理能力的设备,还可以是至少集成有图像获取设备以及数据处理设备的机器,其中,图像获取设备可以包括摄像头等图形采集模块,数据处理设备可以包括计算机、手机等终端,但不限于此。
通过本发明,在获取到目标图像后,确定目标图像的第一质量值,并对目标图像中包括的第一图像进行灰度化处理,以得到灰度化图像,再确定灰度化图像的倾斜度,根据倾斜度以及第一质量值确定目标对象的图像的目标质量值。由于第一图像中目标对象的图像与第一图像的比值大于第一阈值,则通过第一图像可以准确确定目标对象图像的倾斜度,再基于倾斜度以及目标图像的质量值综合确定目标对象的图像的目标质量值,可以提高确定目标质量值的准确率。因此,可以解决相关技术中存在的图像质量值确定不准确的问题,达到准确确定图像质量值的效果。
在一个示例性实施例中,确定所述目标图像的第一质量值包括:基于图像检测算法确定所述目标图像的第二质量值;使用第一模型对所述目标对象的图像进行分析,以确定所述目标对象的图像的第三质量值,所述第一模型为使用多组第一训练数据通过机器学习训练出的,所述多组第一训练数据中的每组数据包括:图像和图像的质量值;将所述第二质量值及所述第三质量值确定为所述第一质量值。在本实施例中,可以通过图像检测算法确定目标图像的可靠性分数pd_descore(对应于上述第二质量值)。可靠性分数可由车牌检测算法输出提供,此处不限定车牌检测算法的具体类型。再将待检测车牌图像(对应于上述目标对象的图像)输入到质量评价算法中,获待检测车牌图像的归一化质量评价分数pd_cnnscore。具体的质量评价算法可采用回归方式,对车牌图像的质量评分进行回归;也可采用多分类网络对车牌图像质量进行分类,然后对分类概率加权获取车牌图像的质量评分。既可采用传统方法进行质量评估,也可以采用深度学习的方法进行学习。此处,不对车牌归一化质量评价算法进行限定。例如,深度学习模型可以包括CNN模型、DNN模型等。
在一个示例性实施例中,基于所述倾斜度以及所述第一质量值确定所述目标对象的图像的目标质量值包括:识别所述目标图像中包括的所述目标对象的目标类型;确定所述灰度化图像的清晰度;基于所述倾斜度、所述目标类型、所述清晰度、所述第二质量值以及所述第三质量值确定所述目标质量值。在本实施例中,可以通过图像检测算法输出目标图像的图像类型,当目标对象为车牌时,目标类型可以为单层车牌、双层车牌、大车牌、小车牌、单层小车牌、单层大车牌、双层小车牌、双层大车牌等。
在一个示例性实施例中,确定所述灰度化图像的清晰度包括:基于预定算子对所述灰度化图像进行滤波处理,以确定所述灰度化图像在第一方向的第一梯度,以及所述灰度化图像的边缘图像;确定所述边缘图像中包括的目标梯度大于第二阈值的所有梯度的梯度和;获取所述灰度化图像的面积;将所述梯度和与目标乘积的第一比值确定为所述清晰度,其中,所述目标乘积为所述面积和第一常数的乘积。在本实施例中,当目标对象为车牌时,对于车牌图像,能获取的一般只有图像本身,而无法获取高质量的参考图像。因此,采用无参考的图像质量评价方法对车牌图像的清晰度进行评价。在本发明中,采用图像质量评价方法,获取灰度待检测车牌图像的清晰度评价指标,并对其进行归一化,得到最终的灰度待检测车牌图像的清晰度分数pd_cscore(对应于上述清晰度)。其中,第一方向可以为竖直方向,第一常数可以为255(该取值仅是一种示例性说明,本发明对第一常数不做限制)。
在上述实施例中,可以基于梯度的图像清晰度方法,一般通过滤波处理获取图像的梯度图,然后以平均梯度强度作为图像的清晰度评价指标。而针对车牌图像而言,在具体的实施中,图像的竖直梯度一般具有更明显的差异,因此,可以仅提取图像的竖直梯度特征,并以大于特定阈值的梯度的平均强度作为图像的清晰度评价指标,其中,确定灰度化图像清晰度方法流程图可参见附图4,如图4所示,该方法包括如下步骤:
1.采用竖直方向的梯度算法算子对灰度待检测图像进行滤波处理,提取图像的竖直梯度,获取灰度待检测图像的边缘图G(对应于上述边缘图像)。
在具体的实施例中,可以采用竖直方向的Sobel梯度算子,也可采用其他的竖直方向梯度算子,对灰度待检测图像进行滤波处理,提取图像的竖直梯度。此处,不对梯度算子的类型进行限定。
2.根据如下公式,计算车牌图像的清晰度pd_cscore(其中,m、n为待检测图像的宽和高,T为第二阈值,x,y表示像素点的坐标)
在具体的实施过程中,也可以采用其他类型的图像清晰度评价算法如:基于生成参考图像的图像清晰度评价方法。一般而言,基于梯度的方法具有较低的计算复杂度,适用于对耗时要求较高的场景;而基于生成图像的方法则相对准确,适用于对精度要求较高的场景。
在一个示例性实施例中,识别所述目标图像中包括的所述目标对象的目标类型包括:基于图像检测算法确定所述目标对象的类型;在所述目标对象的类型指示所述目标对象为单层车牌的情况下,确定所述目标对象的图像的第一像素宽度,在所述第一像素宽度大于或等于第三阈值的情况下,确定所述目标类型为单层大车牌;在所述第一像素宽度小于所述第三阈值的情况下,确定所述目标类型为单层小车牌;在所述目标对象的类型指示所述目标对象为双层车牌的情况下,确定所述目标对象的图像的第二像素宽度,在所述第二像素宽度大于或等于第四阈值的情况下,确定所述目标类型为双层大车牌;在所述第二像素宽度小于所述第四阈值的情况下,确定所述目标类型为双层小车牌。在本实施例中,当目标对象为车牌时,可以根据车牌图像的像素宽度将车牌分为大车牌和小车牌两类,如将单层车牌的像素阈值(对应于上述第三阈值)设为80时,则像素宽度大于等于80的车牌为单层大车牌,像素宽度小于80的车牌为单层小车牌。而对于双层车牌而言,可由计算得到大小车牌的像素阈值(对应于上述第四阈值),若像素宽度大于等于的车牌为双层大车牌,像素宽度小于的车牌为双层小车牌。其中,widths为单层标准车牌样图的宽度,widthd为双层标准车牌样图的宽度。第三阈值可以为交通部门公布的标准大车牌的宽度,第四阈值可以为交通部门公布的标准小车牌的宽度,也可以为基于交通部门公布的标准车牌宽度确定的像素宽度阈值。
在一个示例性实施例中,基于所述倾斜度、所述目标类型、所述清晰度、所述第二质量值以及所述第三质量值确定所述目标质量值包括:对所述清晰度、所述第二质量值以及所述第三质量值求和以得到第一值,确定所述第一值与第二常数的第二比值;在所述目标类型指示所述目标对象的类型为大车牌的情况下,将所述倾斜度与所述第二比值的乘积确定为所述目标质量值;在所述目标类型指示所述目标对象的类型为小车牌的情况下,确定所述目标对象的宽度分数,将所述宽度分数、所述倾斜度以及所述第二比值三者的乘积确定为所述目标质量值。在本实施例中,对于尺寸较小(车牌宽度较小)或者较为倾斜的车牌,倾向认为其质量较差。因此,根据获取的车牌类型、倾斜程度pd_xscore对可靠性分数pd_descore及车牌清晰度分数pd_cscore、CNN评价分数pd_cnnscore进行调整,获取最终的车牌质量分数。车牌图像的质量分数越大,则表示车牌图像的质量越好。
在上述实施例中,可先确定清晰度、第二质量值以及第三质量值的和。将上述三者的和与第二常数的比值确定为第二比值。当目标对象为车牌时,在确定目标对象的类型为大车牌的情况下,目标质量值可表示为在确定目标对象的类型为小车牌的情况下,目标质量值可以表示为
在一个示例性实施例中,确定所述目标对象的宽度分数包括:在确定所述目标对象为单层车牌的情况下,确定检测得到的所述目标对象的宽度与第三常数的第三比值,通过第一函数对所述第三比值进行处理,以得到所述宽度分数;在确定所述目标对象为双层车牌的情况下,获取标准单层车牌的宽度与标准双层车牌的宽度的第四比值,确定检测得到的所述目标对象的宽度与第四常数的第五比值,通过第二函数对所述第四比值与所述第五比值的乘积进行处理,以得到所述宽度分数。在本实施例中,当目标对象为车牌、且目标类型指示目标对象为单层车牌时,目标对象的宽度分数可以表示为pd_wscore=sigmoid(pd_width/80)。当目标对象为双层车牌的情况下,目标对象的宽度分数可以表示为其中,widths为单层交通部门公布的标准车牌样图的宽度,widthd为交通部门公布的双层标准车牌样图的宽度,pd_width为检测到的车牌的宽度。其中,第三常数和第四常数均可以取80,需要说明的是,该取值仅是一种示例性说明,本发明对第三常数和第四常数不做限制。第一函数和第二函数均可以为激活函数,例如sigmoid函数,检测到的车牌的宽度与宽度分数对应关系图可参见附图5。
在一个示例性实施例中,确定所述灰度化图像的倾斜度包括:获取与所述目标对象类型相同的对象的标准比例参数;确定所述目标对象的第一比例参数;确定所述标准比例参数与所述第一比例参数的差值的第一绝对值;将第五常数与第六比值的差值确定为所述倾斜度,其中,所述第六比值为所述第一绝对值和所述标准比例参数的比值。在本实施例中,当目标对象为车牌时,对于车牌图像,图像内车牌的倾斜角度可以有效地表示其倾斜程度。具体而言,真实的车牌图像一般具有特定的宽高比,通过计算待检测车牌的宽高比,可以一定程度上反应车牌图像的倾斜程度。此外,通过特征线提取算法也可以获取车牌图像的倾斜角度,进而计算车牌的倾斜程度。因此,本发明并不局限于特定的特征提取算法。
在上述实施例中,基于宽高比的倾斜程度计算方法,可以假设标准车牌样图(图像仅包含车牌区域且倾斜角度为0)的宽高比例为Rg,灰度待检测车牌图像的宽高比为Rt,则灰度待检测图像的倾斜度可以表示为pd_xscore=1-|Rg-Rt|/Rg。其中,第五常数可以取1(该取值仅是一种示例性说明,本发明对第五取值不作限制)。
在一个示例性实施例中,确定所述灰度化图像的倾斜度包括:确定所述灰度化图像的在第二方向上的二值化边缘图像;基于目标变换算法获取所述二值化边缘图像中包括的斜率小于第五阈值的特征线;将所述特征线中包括的斜率最大的特征线确定为目标特征线;基于目标函数确定所述目标特征线的倾斜角度;将第六常数与第七比值的差值确定为所述倾斜度,其中,所述第七比值为目标倍数的所述倾斜角度与预设角度的比值。在本实施例中,可以基于特征线的倾斜程度确定倾斜度。具体步骤如下:
1.对灰度待检测图像进行低通滤波处理,去除图像中的噪声;然后采用竖直方向的梯度算子对去噪的灰度待检测图像进行处理,获取灰度待检测图像的水平边缘,并对其二值化,得到二值化的水平边缘图。具体地,可采用高斯滤波对图像进行低通滤波处理;以及采用竖直Sobel算子等梯度算子计算图像的水平边缘;以及采用最大类间方差法(OTSU)等方法,求取二值水平边缘图。
2.提取边缘图中斜率小于等于图像高宽比的特征线,从中选择长度最大的特征直线作为车牌图像的倾斜直线,并计算其斜率为L。
在实际操作中,可采用Radon变换或Hough变换等特征线检测算法,提取边缘图中的特征线。
3.通过反正切函数atan(L)计算边界直线的倾斜角度,由此得到图像中车牌的倾斜角度θ,具体如下:
θ=|atan(L)|,0≤θ≤π/2
4.对倾斜角度进行归一化变换得到倾斜分数pd_xscore,如下:
pd_xscore=1-2θ/π
pd_xscore分数越接近0表示车牌质量越差,越接近1表示车牌质量越好。一般而言,基于宽高比的方法具有较低的计算复杂度,适用于对耗时要求较高的场景;而基于最长边缘线的方法则相对准确,适用于对精度要求较高的场景。其中,确定灰度化图像的倾斜度流程示意图可参见附图6。
在一个示例性实施例中,在基于所述倾斜度以及所述第一质量值确定所述目标对象的图像的目标质量值之后,所述方法还包括:确定其他图像的其他质量值,其中,所述其他图像和所述目标图像均是对同一区域进行拍摄后所得到的且包括所述目标对象的图像;从所述其他质量值和所述目标质量值中确定出取值最大的质量值,并将取值最大的质量值对应的图像确定为第二图像;基于所述第二图像确定所述第二图像中包括的对象的特征信息和/或轨迹信息。在本实施例中,还可以确定其他图像的其他质量值,从其他质量值和目标质量值中确定出最大的质量值,用于跟踪最大的质量值对应的图像中包括的对象特征信息或轨迹信息。
下面结合具体实施方式对图像质量值确定方法进行说明:
图7是根据本发明具体实施例的图像质量值确定方法,如图7所示,该方法包括:
步骤S602,获取待检测车辆图(对应于上述目标图像)。
步骤S604,确定原始待检测图像(仅包含车牌区域,对应于上述第一图像)。
步骤S606,灰度待检测图像。
步骤S608,确定灰度待检测图像清晰度。
步骤S610,确定灰度待检测图像车牌倾斜角度及尺寸。
步骤S612,确定原始待检测图像的CNN评价分数(对应于上述第三质量值)。
步骤S614,确定车牌可靠性(对应于上述第二质量值)以及车牌类型。
步骤S616,确定车牌质量分数。
在前述实施例中,重考虑车牌图像中车牌倾斜角度、图像清晰度、车牌类型以及尺寸等三个因素对车牌图像质量的影响。同时根据各个因子的重要性的不同,涉及特定的归一化方法对车牌的倾斜程度进行量化。采用三种指标融合的方式对车牌图像的质量进行评估,相比于无参考的图像质量评价方法仅考虑图像内容对图像质量影响,有以下优点:更具针对性。根据现实生活中车牌图像的特点进行针对性设计。更全面的评价指标。在车牌图像清晰度的基础上,综合多种可能影响车牌质量的指标进行评估。具体地,考虑车牌尺寸类型的不同。根据车牌不同类型,赋予不同的权重,可以更准确地反映不同类型车牌的质量分数。需要说明的是,夜晚、光照等条件改变导致的图片质量降低,与车牌模糊等导致的车牌质量降低,并无本质的区别,均会导致车牌质量的降低。因此,对于夜晚白天车牌的质量评价,本发明采取同样的方式进行评价,不做特殊处理。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种图像质量值确定装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图8是根据本发明实施例的图像质量值确定装置的结构框图,如图8所示,该装置包括:
获取模块702,用于获取目标图像;
第一确定模块704,用于确定所述目标图像的第一质量值;
处理模块706,用于对所述目标图像中包括的第一图像进行灰度化处理,以得到灰度化图像,其中,所述第一图像中包括目标对象,且所述目标对象的图像与所述第一图像的比值大于第一阈值;
第二确定模块708,用于确定所述灰度化图像的倾斜度;
第三确定模块710,用于基于所述倾斜度以及所述第一质量值确定所述目标对象的图像的目标质量值。
在一个示例性实施例中,第一确定模块702可以通过如下方式实现确定所述目标图像的第一质量值:基于图像检测算法确定所述目标图像的第二质量值;使用第一模型对所述目标对象的图像进行分析,以确定所述目标对象的图像的第三质量值,所述第一模型为使用多组第一训练数据通过机器学习训练出的,所述多组第一训练数据中的每组数据包括:图像和图像的质量值;将所述第二质量值及所述第三质量值确定为所述第一质量值。
在一个示例性实施例中,第三确定模块710可以通过如下方式实现基于所述倾斜度以及所述第一质量值确定所述目标对象的图像的目标质量值:识别所述目标图像中包括的所述目标对象的目标类型;确定所述灰度化图像的清晰度;基于所述倾斜度、所述目标类型、所述清晰度、所述第二质量值以及所述第三质量值确定所述目标质量值。
在一个示例性实施例中,第三确定模块710可以通过如下方式实现确定所述灰度化图像的清晰度:基于预定算子对所述灰度化图像进行滤波处理,以确定所述灰度化图像在第一方向的第一梯度,以及所述灰度化图像的边缘图像;确定所述边缘图像中包括的目标梯度大于第二阈值的所有梯度的梯度和;获取所述灰度化图像的面积;将所述梯度和与目标乘积的第一比值确定为所述清晰度,其中,所述目标乘积为所述面积和第一常数的乘积。
在一个示例性实施例中,第三确定模块710可以通过如下方式实现识别所述目标图像中包括的所述目标对象的目标类型:基于图像检测算法确定所述目标对象的类型;在所述目标对象的类型指示所述目标对象为单层车牌的情况下,确定所述目标对象的图像的第一像素宽度,在所述第一像素宽度大于或等于第三阈值的情况下,确定所述目标类型为单层大车牌;在所述第一像素宽度小于所述第三阈值的情况下,确定所述目标类型为单层小车牌;在所述目标对象的类型指示所述目标对象为双层车牌的情况下,确定所述目标对象的图像的第二像素宽度,在所述第二像素宽度大于或等于第四阈值的情况下,确定所述目标类型为双层大车牌;在所述第二像素宽度小于所述第四阈值的情况下,确定所述目标类型为双层小车牌。
在一个示例性实施例中,所述第三确定模块710可以通过如下方式实现基于所述倾斜度、所述目标类型、所述清晰度、所述第二质量值以及所述第三质量值确定所述目标质量值:对所述清晰度、所述第二质量值以及所述第三质量值求和以得到第一值,确定所述第一值与第二常数的第二比值;在所述目标类型指示所述目标对象的类型为大车牌的情况下,将所述倾斜度与所述第二比值的乘积确定为所述目标质量值;在所述目标类型指示所述目标对象的类型为小车牌的情况下,确定所述目标对象的宽度分数,将所述宽度分数、所述倾斜度以及所述第二比值三者的乘积确定为所述目标质量值。
在一个示例性实施例中,所述第三确定模块710可以通过如下方式实现确定所述目标对象的宽度分数:在确定所述目标对象为单层车牌的情况下,确定检测得到的所述目标对象的宽度与第三常数的第三比值,通过第一函数对所述第三比值进行处理,以得到所述宽度分数;在确定所述目标对象为双层车牌的情况下,获取标准单层车牌的宽度与标准双层车牌的宽度的第四比值,确定检测得到的所述目标对象的宽度与第四常数的第五比值,通过第二函数对所述第四比值与所述第五比值的乘积进行处理,以得到所述宽度分数。
在一个示例性实施例中,所述第二确定模块708可以通过如下方式实现确定所述灰度化图像的倾斜度:获取与所述目标对象类型相同的对象的标准比例参数;确定所述目标对象的第一比例参数;确定所述标准比例参数与所述第一比例参数的差值的第一绝对值;将第五常数与第六比值的差值确定为所述倾斜度,其中,所述第六比值为所述第一绝对值和所述标准比例参数的比值。
在一个示例性实施例中,所述第二确定模块708可以通过如下方式实现确定所述灰度化图像的倾斜度:确定所述灰度化图像的在第二方向上的二值化边缘图像;基于目标变换算法获取所述二值化边缘图像中包括的斜率小于第五阈值的特征线;将所述特征线中包括的斜率最大的特征线确定为目标特征线;基于目标函数确定所述目标特征线的倾斜角度;将第六常数与第七比值的差值确定为所述倾斜度,其中,所述第七比值为目标倍数的所述倾斜角度与预设角度的比值。
在一个示例性实施例中,所述装置可以用于在基于所述倾斜度以及所述第一质量值确定所述目标对象的图像的目标质量值之后,确定其他图像的其他质量值,其中,所述其他图像和所述目标图像均是对同一区域进行拍摄后所得到的且包括所述目标对象的图像;从所述其他质量值和所述目标质量值中确定出取值最大的质量值,并将取值最大的质量值对应的图像确定为第二图像;基于所述第二图像确定所述第二图像中包括的对象的特征信息和/或轨迹信息。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种图像质量值确定方法,其特征在于,包括:
获取目标图像;
确定所述目标图像的第一质量值;
对所述目标图像中包括的第一图像进行灰度化处理,以得到灰度化图像,其中,所述第一图像中包括目标对象,且所述目标对象的图像与所述第一图像的比值大于第一阈值;
确定所述灰度化图像的倾斜度;
基于所述倾斜度以及所述第一质量值确定所述目标对象的图像的目标质量值。
2.根据权利要求1所述的方法,其特征在于,确定所述目标图像的第一质量值包括:
基于图像检测算法确定所述目标图像的第二质量值;
使用第一模型对所述目标对象的图像进行分析,以确定所述目标对象的图像的第三质量值,所述第一模型为使用多组第一训练数据通过机器学习训练出的,所述多组第一训练数据中的每组数据包括:图像和图像的质量值;
将所述第二质量值及所述第三质量值确定为所述第一质量值。
3.根据权利要求2所述的方法,其特征在于,基于所述倾斜度以及所述第一质量值确定所述目标对象的图像的目标质量值包括:
识别所述目标图像中包括的所述目标对象的目标类型;
确定所述灰度化图像的清晰度;
基于所述倾斜度、所述目标类型、所述清晰度、所述第二质量值以及所述第三质量值确定所述目标质量值。
4.根据权利要求3所述的方法,其特征在于,确定所述灰度化图像的清晰度包括:
基于预定算子对所述灰度化图像进行滤波处理,以确定所述灰度化图像在第一方向的第一梯度,以及所述灰度化图像的边缘图像;
确定所述边缘图像中包括的目标梯度大于第二阈值的所有梯度的梯度和;
获取所述灰度化图像的面积;
将所述梯度和与目标乘积的第一比值确定为所述清晰度,其中,所述目标乘积为所述面积和第一常数的乘积。
5.根据权利要求3所述的方法,其特征在于,识别所述目标图像中包括的所述目标对象的目标类型包括:
基于图像检测算法确定所述目标对象的类型;
在所述目标对象的类型指示所述目标对象为单层车牌的情况下,确定所述目标对象的图像的第一像素宽度,在所述第一像素宽度大于或等于第三阈值的情况下,确定所述目标类型为单层大车牌;在所述第一像素宽度小于所述第三阈值的情况下,确定所述目标类型为单层小车牌;
在所述目标对象的类型指示所述目标对象为双层车牌的情况下,确定所述目标对象的图像的第二像素宽度,在所述第二像素宽度大于或等于第四阈值的情况下,确定所述目标类型为双层大车牌;在所述第二像素宽度小于所述第四阈值的情况下,确定所述目标类型为双层小车牌。
6.根据权利要求5所述的方法,其特征在于,基于所述倾斜度、所述目标类型、所述清晰度、所述第二质量值以及所述第三质量值确定所述目标质量值包括:
对所述清晰度、所述第二质量值以及所述第三质量值求和以得到第一值,确定所述第一值与第二常数的第二比值;
在所述目标类型指示所述目标对象的类型为大车牌的情况下,将所述倾斜度与所述第二比值的乘积确定为所述目标质量值;
在所述目标类型指示所述目标对象的类型为小车牌的情况下,确定所述目标对象的宽度分数,将所述宽度分数、所述倾斜度以及所述第二比值三者的乘积确定为所述目标质量值。
7.根据权利要求5所述的方法,其特征在于,确定所述目标对象的宽度分数包括:
在确定所述目标对象为单层车牌的情况下,确定检测得到的所述目标对象的宽度与第三常数的第三比值,通过第一函数对所述第三比值进行处理,以得到所述宽度分数;
在确定所述目标对象为双层车牌的情况下,获取标准单层车牌的宽度与标准双层车牌的宽度的第四比值,确定检测得到的所述目标对象的宽度与第四常数的第五比值,通过第二函数对所述第四比值与所述第五比值的乘积进行处理,以得到所述宽度分数。
8.根据权利要求1所述的方法,其特征在于,确定所述灰度化图像的倾斜度包括:
获取与所述目标对象类型相同的对象的标准比例参数;
确定所述目标对象的第一比例参数;
确定所述标准比例参数与所述第一比例参数的差值的第一绝对值;
将第五常数与第六比值的差值确定为所述倾斜度,其中,所述第六比值为所述第一绝对值和所述标准比例参数的比值。
9.根据权利要求1所述的方法,其特征在于,确定所述灰度化图像的倾斜度包括:
确定所述灰度化图像的在第二方向上的二值化边缘图像;
基于目标变换算法获取所述二值化边缘图像中包括的斜率小于第五阈值的特征线;
将所述特征线中包括的斜率最大的特征线确定为目标特征线;
基于目标函数确定所述目标特征线的倾斜角度;
将第六常数与第七比值的差值确定为所述倾斜度,其中,所述第七比值为目标倍数的所述倾斜角度与预设角度的比值。
10.根据权利要求1至9任一项所述的方法,其特征在于,在基于所述倾斜度以及所述第一质量值确定所述目标对象的图像的目标质量值之后,所述方法还包括:
确定其他图像的其他质量值,其中,所述其他图像和所述目标图像均是对同一区域进行拍摄后所得到的且包括所述目标对象的图像;
从所述其他质量值和所述目标质量值中确定出取值最大的质量值,并将取值最大的质量值对应的图像确定为第二图像;
基于所述第二图像确定所述第二图像中包括的对象的特征信息和/或轨迹信息。
11.一种图像质量值确定装置,其特征在于,包括:
获取模块,用于获取目标图像;
第一确定模块,用于确定所述目标图像的第一质量值;
处理模块,用于对所述目标图像中包括的第一图像进行灰度化处理,以得到灰度化图像,其中,所述第一图像中包括目标对象,且所述目标对象的图像与所述第一图像的比值大于第一阈值;
第二确定模块,用于确定所述灰度化图像的倾斜度;
第三确定模块,用于基于所述倾斜度以及所述第一质量值确定所述目标对象的图像的目标质量值。
12.一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中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至10任一项中所述的方法。
13.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至10任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011608178.6A CN112785550A (zh) | 2020-12-29 | 2020-12-29 | 图像质量值确定方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011608178.6A CN112785550A (zh) | 2020-12-29 | 2020-12-29 | 图像质量值确定方法、装置、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112785550A true CN112785550A (zh) | 2021-05-11 |
Family
ID=75753407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011608178.6A Pending CN112785550A (zh) | 2020-12-29 | 2020-12-29 | 图像质量值确定方法、装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785550A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506279A (zh) * | 2021-07-22 | 2021-10-15 | 浙江大华技术股份有限公司 | 对象倾斜角度的确定方法、装置、存储介质及电子装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009052578A1 (en) * | 2007-10-24 | 2009-04-30 | Sensen Networks Pty Ltd | Verification of identification of an image characteristic over multiple images |
WO2018113523A1 (zh) * | 2016-12-24 | 2018-06-28 | 深圳云天励飞技术有限公司 | 一种图像处理方法及装置、存储介质 |
KR102051829B1 (ko) * | 2019-05-31 | 2020-01-08 | 임철규 | 차량번호 인식을 통한 빅데이터 예측뷰포트 다중해상도 영상전송 기반의 스마트 교통정보 수집장치 및 그 장치를 이용한 교통관제 방법 |
CN110689003A (zh) * | 2019-08-22 | 2020-01-14 | 长沙千视通智能科技有限公司 | 低照度成像车牌识别方法、系统、计算机设备及存储介质 |
CN111611863A (zh) * | 2020-04-22 | 2020-09-01 | 浙江大华技术股份有限公司 | 车牌图像质量评价方法、装置以及计算机设备 |
CN111932496A (zh) * | 2020-07-01 | 2020-11-13 | 浙江大华技术股份有限公司 | 车牌图像质量的确定方法、装置、存储介质及电子装置 |
-
2020
- 2020-12-29 CN CN202011608178.6A patent/CN112785550A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009052578A1 (en) * | 2007-10-24 | 2009-04-30 | Sensen Networks Pty Ltd | Verification of identification of an image characteristic over multiple images |
WO2018113523A1 (zh) * | 2016-12-24 | 2018-06-28 | 深圳云天励飞技术有限公司 | 一种图像处理方法及装置、存储介质 |
KR102051829B1 (ko) * | 2019-05-31 | 2020-01-08 | 임철규 | 차량번호 인식을 통한 빅데이터 예측뷰포트 다중해상도 영상전송 기반의 스마트 교통정보 수집장치 및 그 장치를 이용한 교통관제 방법 |
CN110689003A (zh) * | 2019-08-22 | 2020-01-14 | 长沙千视通智能科技有限公司 | 低照度成像车牌识别方法、系统、计算机设备及存储介质 |
CN111611863A (zh) * | 2020-04-22 | 2020-09-01 | 浙江大华技术股份有限公司 | 车牌图像质量评价方法、装置以及计算机设备 |
CN111932496A (zh) * | 2020-07-01 | 2020-11-13 | 浙江大华技术股份有限公司 | 车牌图像质量的确定方法、装置、存储介质及电子装置 |
Non-Patent Citations (3)
Title |
---|
王传丽;宇仁德;张齐;: "基于Matlab数字图像处理的车牌定位方法", 交通标准化, no. 13 * |
胡金蓉;王玲;: "基于阈值分割的运矿车辆车牌精确定位", 计算机工程与设计, no. 08 * |
陈忠辉;唐晓颖;林志权;魏宏安;: "畸变图像自适应校正及质量增强算法研究与实现", 计算机应用, no. 1 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506279A (zh) * | 2021-07-22 | 2021-10-15 | 浙江大华技术股份有限公司 | 对象倾斜角度的确定方法、装置、存储介质及电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
CN111488756B (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
WO2020173022A1 (zh) | 一种识别车辆违章行为的方法、服务器及存储介质 | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN108108734B (zh) | 一种车牌识别方法及装置 | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
CN111461131B (zh) | 身份证号码信息识别方法、装置、设备及存储介质 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN113283439B (zh) | 基于图像识别的智能计数方法、装置及系统 | |
CN111178359A (zh) | 车牌号码识别方法、装置和设备及计算机存储介质 | |
CN112785550A (zh) | 图像质量值确定方法、装置、存储介质及电子装置 | |
CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN112818983A (zh) | 一种利用图片相识度判断字符倒置的方法 | |
CN110765940A (zh) | 目标对象统计方法和装置 | |
CN113537253B (zh) | 一种红外图像目标检测方法、装置、计算设备及存储介质 | |
CN111027560B (zh) | 文本检测方法以及相关装置 | |
CN114724119A (zh) | 车道线提取方法、检测设备及存储介质 | |
JP6580201B2 (ja) | 被写体検出装置、被写体検出方法及びプログラム | |
Setiyorini et al. | Vehicle number plate identification using template matching algorithm for automatic parking system | |
CN112529845A (zh) | 图像质量值确定方法、装置、存储介质及电子装置 | |
CN112052859A (zh) | 一种自由场景下的车牌精准定位方法及装置 |
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 |