CN112800721A - 车牌识别方法、装置、存储介质以及电子装置 - Google Patents

车牌识别方法、装置、存储介质以及电子装置 Download PDF

Info

Publication number
CN112800721A
CN112800721A CN202110083284.5A CN202110083284A CN112800721A CN 112800721 A CN112800721 A CN 112800721A CN 202110083284 A CN202110083284 A CN 202110083284A CN 112800721 A CN112800721 A CN 112800721A
Authority
CN
China
Prior art keywords
passing data
license plate
vehicle passing
data
group
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
Application number
CN202110083284.5A
Other languages
English (en)
Inventor
王凯垚
高圣兴
何林强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202110083284.5A priority Critical patent/CN112800721A/zh
Publication of CN112800721A publication Critical patent/CN112800721A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G06F16/90344—Query processing by using string matching techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供了一种车牌识别方法、装置、存储介质以及电子装置，该方法包括：获取一组第一过车数据，对一组第一过车数据执行预设编码处理，并按照预定时间长度对执行了预设编码处理后的第一过车数据进行划分，基于划分结果生成包含字符串形式数据的一组第二过车数据，在一组第二过车数据中满足过车轨迹分析条件的情况下，将一组第二过车数据中记录的车牌确定为识别出的车牌。因此，可以解决相关技术中存在的车牌识别的准确率较低的技术问题，达到提高车牌识别的效率以及准确率的技术效果。

Description

车牌识别方法、装置、存储介质以及电子装置
技术领域
本发明实施例涉及通信领域，具体而言，涉及一种车牌识别方法、装置、存储介质以及电子装置。
背景技术
目前的相关技术汇总，随着卡口系统的不断普及，车牌识别作为建设智慧城市的重要部分，起着越来越重要的作用。各个卡口基于视频图像抓拍车辆轨迹数据，智能识别车辆信息，并将车辆轨迹结合时空模型进行应用，找到每辆车的落脚点，频繁出现等信息，帮助进行治安管控，而过车数据的质量直接影响上述分析的准确度。
传统的车牌识别基于图像识别技术对车牌号进行识别，但由于摄像机抓拍角度，行车速度，周围可见度，车牌污损，车牌遮挡等情况导致抓拍准确率难以保证，仍有较高的提升空间。
现有的技术方案基本是基于城市内所有的过车数据，根据车牌进行聚类，再基于过车前后卡口的平均速度是否合理，需要反复计算大量的过车轨迹，消耗时间较长，并且，错误车牌识别局限性较大，需要获取城市内所有卡口间的通路关系，但现实中卡口间的关系较复杂，且每次对卡口进行更新后需要重新统计，无法完全满足卡口连通关系，进而，导致准确率降低。
针对相关技术中存在的车牌识别的准确率较低的技术问题，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车牌识别方法、装置、存储介质以及电子装置，以至少解决相关技术中存在的车牌识别的准确率较低的技术问题。
根据本发明的一个实施例，提供了一种车牌识别方法，包括：获取一组第一过车数据，其中，所述第一过车数据由图像采集设备采集得到，所述第一过车数据包括第一车牌、所述第一车牌对应的位置信息以及所述第一车牌的数据采集时间；对所述一组第一过车数据执行预设编码处理，并按照预定时间长度对执行了所述预设编码处理后的所述第一过车数据进行划分，基于划分结果生成包含字符串形式数据的一组第二过车数据，其中，所述预设编码处理用于将所述第一车牌对应的位置信息编码为字符串；在所述一组第二过车数据中满足过车轨迹分析条件的情况下，将所述一组第二过车数据中记录的车牌确定为识别出的车牌。
根据本发明的另一个实施例，提供了一种车牌识别装置，包括：获取模块，用于获取一组第一过车数据，其中，所述第一过车数据由图像采集设备采集得到，所述第一过车数据包括第一车牌、所述第一车牌对应的位置信息以及所述第一车牌的数据采集时间；处理模块，用于对所述一组第一过车数据执行预设编码处理，并按照预定时间长度对执行了所述预设编码处理后的所述第一过车数据进行划分，基于划分结果生成包含字符串形式数据的一组第二过车数据，其中，所述预设编码处理用于将所述第一车牌对应的位置信息编码为字符串；确定模块，用于在所述一组第二过车数据中满足过车轨迹分析条件的情况下，将所述一组第二过车数据中记录的车牌确定为识别出的车牌。
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，所述计算机程序被处理器执行时实现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、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项方法实施例中的步骤。
通过本发明，获取一组第一过车数据，对一组第一过车数据执行预设编码处理，并按照预定时间长度对执行了预设编码处理后的第一过车数据进行划分，基于划分结果生成包含字符串形式数据的一组第二过车数据，在一组第二过车数据中满足过车轨迹分析条件的情况下，将一组第二过车数据中记录的车牌确定为识别出的车牌的方式，运用时间切块和空间切块进行车牌相似度分析，减少计算量的同时大大提升了准确度。因此，可以解决相关技术中存在的车牌识别的准确率较低的技术问题，达到提高车牌识别的效率以及准确率的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的车牌识别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一种可选的车牌识别方法的流程示意图；
图3是根据本发明实施例的另一种可选的车牌识别方法的流程示意图；
图4是根据本发明实施例的一种可选的车牌识别装置的结构框图。
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车牌识别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车牌识别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。
传输装置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，传输装置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，传输装置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运行于移动终端、计算机终端或者类似的运算装置的车牌识别方法，图2是根据本发明实施例的一种可选的车牌识别方法的流程示意图，如图2所示，该流程包括如下步骤：
S202，获取一组第一过车数据，其中，所述第一过车数据由图像采集设备采集得到，所述第一过车数据包括第一车牌、所述第一车牌对应的位置信息以及所述第一车牌的数据采集时间；
S204，对所述一组第一过车数据执行预设编码处理，并按照预定时间长度对执行了所述预设编码处理后的所述第一过车数据进行划分，基于划分结果生成包含字符串形式数据的一组第二过车数据，其中，所述预设编码处理用于将所述第一车牌对应的位置信息编码为字符串；
S206，在所述一组第二过车数据中满足过车轨迹分析条件的情况下，将所述一组第二过车数据中记录的车牌确定为识别出的车牌。
可选地，在本实施例中，上述第一过车数据可以包括但不限于由图像采集设备在卡口处抓拍得到的过车数据，上述图像采集设备可以包括但不限于路口的摄像头、街边的道路单元等，上述过车数据可以包括但不限于抓拍卡口的经纬度(位置信息)、抓拍时间以及抓拍到的车牌号码，上述过车数据可以包括但不限于按照业务日期存储在预定的数据库中。
例如，获取业务日期的卡口抓拍过车数据，包括抓拍卡口经纬度(位置)，抓拍时间，抓拍车牌号码，如下是抓拍过车数据S：
S＝(P，G，T)
其中，S是抓拍过车数据(对应于前述的第一过车数据)，P的抓拍车牌号码(对应于前述的第一车牌)，G为抓拍卡口经纬度(对应于前述的第一车牌对应的位置信息)，T为抓拍时间(对应于前述的第一车牌的数据采集时间)。
可选地，在本实施例中，上述对所述一组第一过车数据执行预设编码处理可以包括但不限于对上述一组第一过车数据执行geohash编码，将上述G转化为geohash6编码，以得到新的过车数据S′
S′＝(P，G，H，T)
其中，H是抓拍过车数据S′的卡口经纬度G对应的geohash6编码；
可选地，在本实施例中，上述按照预定时间长度对执行了预设编码处理后的第一过车数据进行划分可以包括但不限于对上述过车数据中的抓拍时间T按预定时间长度划分，例如，按照5分钟进行时间切分，记为时间切块字段，即00:03:00的时间切块字段的值为0，00:07:10的时间切块字段的值为1，以此类推，得到过车抓拍记录S″
S″＝(P，G，H，T，B)
其中，B是抓拍过车数据S″的抓拍时间T对应的时间切块；
可选地，在本实施例中，上述一组第二过车数据即为上述S″，其中，H即为基于划分结果生成字符串形式的数据。
可选地，在本实施例中，上述第二过车数据满足过车轨迹分析条件可以包括但不限于根据每辆车前后两个抓拍记录的经纬度(Gi和Gi+1)和时间差(Ti和Ti+1)计算两卡口之间的直线距离和速度，若速度和直线距离均小于等于预定阈值，则确定上述第二过车数据满足过车轨迹分析条件。
可选地，在本实施例中，上述第二过车数据未满足过车轨迹分析条件可以包括但不限于根据每辆车前后两个抓拍记录的经纬度(Gi和Gi+1)和时间差(Ti和Ti+1)计算两卡口之间的直线距离和速度，若速度和直线距离均大于预定阈值，则确定上述第二过车数据不满足过车轨迹分析条件。
通过本发明，获取一组第一过车数据，对一组第一过车数据执行预设编码处理，并按照预定时间长度对执行了预设编码处理后的第一过车数据进行划分，基于划分结果生成包含字符串形式数据的一组第二过车数据，在一组第二过车数据中满足过车轨迹分析条件的情况下，将一组第二过车数据中记录的车牌确定为识别出的车牌的方式，运用时间切块和空间切块进行车牌相似度分析，减少计算量的同时大大提升了准确度。因此，可以解决相关技术中存在的车牌识别的准确率较低的技术问题，达到提高车牌识别的效率以及准确率的技术效果。
作为一种可选的方案，在所述一组第二过车数据中满足过车轨迹分析条件的情况下，将所述一组第二过车数据中记录的车牌确定为识别出的车牌，包括：按照预设条件从所述一组第二过车数据中确定出不满足过车轨迹分析条件的一组第三过车数据以及满足过车轨迹分析条件的一组第四过车数据；获取所述一组第三过车数据中每个第三过车数据的关联过车数据，其中，所述关联过车数据和对应的所述第三过车数据在位置信息和数据采集时间上相关联；在所述关联过车数据满足车牌相似规则的情况下，调整所述第三过车数据，以得到目标过车数据，其中，所述目标过车数据用于表示修正后的所述一组第三过车数据；在所述目标过车数据满足过车轨迹分析条件的情况下，将所述目标过车数据以及所述一组第四过车数据中记录的车牌确定为识别出的车牌。
可选地，在本实施例中，上述预设条件可以包括但不限于识别车牌的内容是否符合现有法规、对同一车牌抓拍的次数是否超过预设的阈值、车牌是否满足车牌正则过滤条件，车牌是否为预定类型的车牌等。
可选地，在本实施例中，上述一组第三过车数据可以包括但不限于为Z：
Z＝(P，G，H，T，B)
其中，P为过车数据Z对应的抓拍车牌，G为对应的经纬度信息，H为对应的geohash6编码，T为对应的抓拍时间，B为对应的时间切块。
可选地，在本实施例中，获取一组第三过车数据中每个第三过车数据的关联过车数据可以包括但不限于获取上述一组第三过车数据中每个第三过车数据的geohash6编码，再根据geohash6编码规则确定每个第三过车数据的geohash6编码块邻近的预定数量(例如，9)个geohash6编码块作为该geohash6块的临近geohash块，最后，根据抓拍时间切块找到临近的预定数量(例如，3)个时间切块(例如，时间切块3的临近的三个时间切块为2，3，4)作为临近的时间切块，寻找在这9个临近的geohash6编码中且在3个临近的时间切块中出现的基于车牌相似规则确定的车牌对应过车数据作为上述关联过车数据。
其中，获取上述geohash6编码块的邻近geohash块，即满足上述关联过车数据与第三过车数据在位置上相关联，获取上述抓拍时间切块的邻近时间块，即满足上述关联过车数据与第三过车数据在时间上相关联。
可选地，在本实施例中，上述车牌相似规则可以包括但不限于以车牌A和车牌B相比较为例，其中，车牌A和车牌B对应位置信息(H)有且只有一个字符不同则为相似车牌(若超过1个字符不同则一个车牌有超过2万个相似车牌，无法进行准确匹配)，即当两个车牌字符串长度相同时，比较对应位置的字符，若只有一位字符不相同，则为相似车牌，否则不是相似车牌；当两个车牌字符串长度不同时，则先从两个车牌的第一位字符开始进行比较，若相同，再比较第二位，依次类推，直到第i位出现不相同的字符，再从最后一位字符开始比较，若相同，则比较倒数第二位，依次类推，直到倒数第j位出现不相同的字符，若i+j＞8，则为相似车牌，否则不是相似车牌。
上述仅是一种示例，本实施例不对其中的具体数量或顺序做任何具体的限定。
通过本实施例，采用按照预设条件从一组第二过车数据中确定出不满足过车轨迹分析条件的一组第三过车数据以及满足过车轨迹分析条件的一组第四过车数据；获取一组第三过车数据中每个第三过车数据的关联过车数据，在关联过车数据满足车牌相似规则的情况下，调整第三过车数据，以得到目标过车数据，在目标过车数据满足过车轨迹分析条件的情况下，将目标过车数据以及一组第四过车数据中记录的车牌确定为识别出的车牌，可以解决相关技术中存在的车牌识别的准确率较低的技术问题，达到提高车牌识别的效率以及准确率的技术效果。
作为一种可选的方案，按照预设条件从所述一组第二过车数据中确定出不满足过车轨迹分析条件的一组第三过车数据以及满足过车轨迹分析条件的一组第四过车数据，包括：
从所述一组第二过车数据中确定出不满足车牌正则过滤条件的过车数据，以作为所述一组第三过车数据；
从所述一组第二过车数据中确定出满足车牌正则过滤条件，且满足所述过车轨迹分析条件的过车数据，以作为所述一组第四过车数据。
可选地，在本实施例中，可以对上述第二过车数据中记录的车牌号码进行车牌正则过滤，将不满足车牌正则过滤条件的过车记录作为上述第三过车数据，将满足车牌正则过滤条件的过车记录，且满足过车轨迹分析条件的过车数据作为上述第四过车数据。
例如，将车牌正则过滤条件可以但不限于配置为首字母为中文、车牌长度为预定长度(例如长度为7位)等。
通过本实施例，采用从一组第二过车数据中确定出不满足车牌正则过滤条件的过车数据，以作为一组第三过车数据，从一组第二过车数据中确定出满足车牌正则过滤条件，且满足过车轨迹分析条件的过车数据，以作为一组第四过车数据，可以解决相关技术中存在的车牌识别的准确率较低的技术问题，达到提高车牌识别的效率以及准确率的技术效果。
作为一种可选的方案，按照预设条件从所述一组第二过车数据中确定出不满足过车轨迹分析条件的一组第三过车数据以及满足过车轨迹分析条件的一组第四过车数据，包括：
从所述一组第二过车数据中确定出包含第一类型车牌的过车数据，以作为所述一组第三过车数据，其中，所述第一类型车牌为不符合交通法规的车牌；
从所述一组第二过车数据中确定出包含第二类型车牌，且满足所述过车轨迹分析条件的过车数据，以作为所述一组第四过车数据，其中，所述第二类型车牌为符合交通法规的车牌。
可选地，在本实施例中，上述第一类型车牌以及第二类型车牌可以包括但不限于根据交通法规来灵活配置，例如，将第一类型车牌确定为首字母为中文的车牌，第二类型车牌确定为首字母为英文的车牌，当前国内普遍车牌信息首字母均为中文，因此，可以有效区分出首字母为英文的车牌为不符合交通法规的车牌。
上述仅是一种示例，本实施例不做任何具体的限定。
可选地，在本实施例中，还可以包括但不限于对车牌的类型进行进一步划分，将第二类型的车牌再次进行甄别，例如，将第二类型车牌确定为首字母为英文的车牌，再将第二类型车牌中为特殊类型车辆的车牌重新划入与第一类型车牌属于相同类型的车牌，上述特殊类型车辆的车牌可以包括但不限于军用车牌、救护车牌、外事车牌等。
作为一种可选的方案，按照预设条件从所述一组第二过车数据中确定出不满足过车轨迹分析条件的一组第三过车数据以及满足过车轨迹分析条件的一组第四过车数据，包括：
在第一车牌被N个图像采集设备采集到的情况下，将所述第一车牌确定为目标车牌，其中，N为正整数；
从所述一组第二过车数据中确定出包含N小于第一预设阈值的目标车牌的过车数据，以作为所述一组第三过车数据；
从所述一组第二过车数据中确定出包含N大于或等于所述第一预设阈值的目标车牌，且满足所述过车轨迹分析条件的过车数据，以作为所述一组第四过车数据。
可选地，在本实施例中，可以包括但不限于采用统计的方式以分析过车数据，统计每个过车数据中车牌被抓拍的卡口数，例如，可以将上述每个卡口对应配置一个图像采集设备，通过统计第一车牌被N个图像采集设备采集的次数，以确定第一车牌被抓拍的卡口数，进而，通过比较被抓拍的卡口数与上述第一预设阈值，在小于上述第一预设阈值的情况下，将该车牌确定为目标车牌，得到上述第三过车数据，或在大于上述第一预设阈值的情况下，将该车牌确定为目标车牌，得到上述第四过车数据。
作为一种可选的方案，获取所述一组第三过车数据中每个第三过车数据的关联过车数据，包括：
获取所述第三过车数据中包含的位置信息所对应的第一位置区块；
确定与所述第一位置区块邻近的一组第二位置区块；
获取所述第三过车数据中包含的数据采集时间所对应的第一时间区块；
确定与所述第一时间区块邻近的一组第二时间区块；
从所述一组第二过车数据中确定出包含所述一组第二位置区块和所述一组第二时间区块的一组第五过车数据；
从所述一组第五过车数据中确定出不属于所述一组第三过车数据的所述关联过车数据。
可选地，在本实施例中，获取一组第三过车数据中每个第三过车数据的关联过车数据可以包括但不限于获取上述一组第三过车数据中每个第三过车数据的geohash6编码块(对应于上述第一位置区块)，再根据geohash6编码规则确定每个第三过车数据的geohash6编码块邻近的预定数量(例如，9)个geohash6编码块作为该geohash6块的临近geohash块(对应于上述第二位置区块)，最后，根据抓拍时间切块找到临近的预定数量(例如，3)个时间切块(例如，时间切块3的临近的三个时间切块为2，3，4)作为临近的时间切块，其中，上述时间切换3即为上述第一时间区块，上述时间切块2、3、4即为上述第二时间区块，寻找在这9个临近的geohash6编码中且在3个临近的时间切块中出现的车牌对应过车数据作为上述关联过车数据。
其中，获取上述geohash6编码块的邻近geohash块，即满足上述关联过车数据与第三过车数据在位置上相关联，获取上述抓拍时间切块的邻近时间块，即满足上述关联过车数据与第三过车数据在时间上相关联。
作为一种可选的方案，在所述关联过车数据满足车牌相似规则的情况下，调整所述第三过车数据，以得到目标过车数据，其中，所述目标过车数据用于表示修正后的所述一组第三过车数据，包括：
根据所述车牌相似规则在所述关联过车数据中获取相似车牌；
在所述关联过车数据中包含多个或不包含所述相似车牌的情况下，维持所述第三过车数据不变；
在所述关联过车数据中包含一个所述相似车牌的情况下，调整所述第三过车数据中的车牌为所述相似车牌，以得到所述目标过车数据。
作为一种可选的方案，根据所述车牌相似规则在所述关联过车数据中获取相似车牌，包括：
获取第二车牌以及第三车牌所对应的第一字符串以及第二字符串，其中，所述第二车牌为所述关联过车数据中包含的车牌，所述第三车牌为所述第三过车数据中包含的车牌；
在所述第一字符串长度和所述第二字符串长度相同，且所述第一字符串与所述第二字符串有且只有一个字符不同的情况下，将所述第二车牌确定为所述相似车牌；
在所述第一字符串长度和所述第二字符串长度不同，且所述第一字符串与所述第二字符串中不同的字符的位置满足预定规则的情况下，将所述第二车牌确定为所述相似车牌。
可选地，在本实施例中，上述车牌相似规则可以包括但不限于以车牌A和车牌B相比较为例，其中，车牌A和车牌B对应位置信息(H)有且只有一个字符不同则为相似车牌(若超过1个字符不同则一个车牌有超过2万个相似车牌，无法进行准确匹配)，即当两个车牌字符串长度相同时，比较对应位置的字符，若只有一位字符不相同，则为相似车牌，否则不是相似车牌。
可选地，在本实施例中，上述第一字符串长度为上述第二车牌对应的位置信息基于geohash编码生成的字符串，上述第二字符串长度为上述第三车牌对应的位置信息基于geohash编码生成的字符串，上述预定数量个字符可以根据实际需求或者计算能力进行灵活配置，优选地，将该预定数量配置为1，以进一步减少计算量。
作为一种可选的方案，所述方法还包括：
从所述第一字符串和第二字符串的第一个字符逐个向后比较，直到第i位出现不同的字符；
从所述第一字符串和第二字符串的最后一个字符逐个向前开始比较，直到第j位出现不同的字符；
在i与j的和大于第二预设阈值的情况下，将所述第一字符串与所述第二字符串中不同的字符的位置确定为满足所述预定规则。
可选地，在本实施例中，当第一字符串与第二字符串长度不同时，则先从两个字符串的第一位字符开始进行比较，若相同，再比较第二位，依次类推，直到第i位出现不相同的字符，再从最后一位字符开始比较，若相同，则比较倒数第二位，依次类推，直到倒数第j位出现不相同的字符，若i+j＞8，则为相似车牌，否则不是相似车牌。
下面结合具体的示例，对本发明进行进一步的解释说明：
S1：获取业务日期的卡口抓拍过车数据，包括抓拍卡口经纬度(位置)，抓拍时间，抓拍车牌号码，如下是抓拍过车数据S：
S＝(P，G，T)
其中P是抓拍过车数据S的抓拍车牌号码，G为抓拍卡口经纬度，T为抓拍时间；
S2：根据geohash编码将S1中的经纬度信息G转化为geohash6编码，得到新的抓拍过车数据S′：
S′＝(P，G，H，T)
其中H是抓拍过车数据S′的卡口经纬度G对应的geohash6编码；
S3：根据geohash编码规则找到每个geohash6块临近的9个geohash6块(九宫格)作为该geohash6块的临近geohash块；
S4：对S1中的过车数据中的抓拍时间T按5分钟进行时间切分，记为时间切块字段，即00:03:00的时间切块字段的值为0，00:07:10的时间切块字段的值为1，以此类推，得到过车抓拍数据S″：
S″＝(P，G，H，T，B)
其中B是抓拍过车数据S″的抓拍时间T对应的时间切块；
S5：制定车牌相似度规则：车牌A和车牌B对应位置有且只有一个字符不同则为相似车牌(若超过1个字符不同则一个车牌有超过2万个相似车牌，无法进行准确匹配)，即当两个车牌字符串长度相同时，比较对应位置的字符，若只有一位字符不相同，则为相似车牌，否则不是相似车牌；当两个车牌字符串长度不同时，则先从两个车牌的第一位字符开始进行比较，若相同，再比较第二位，依次类推，直到第i位出现不相同的字符，再从最后一位字符开始比较，若相同，则比较倒数第二位，依次类推，直到倒数第j位出现不相同的字符，若i+j＞8，则为相似车牌，否则不是相似车牌；
S6：对过车数据中的车牌号码进行车牌正则过滤，将不满足车牌正则过滤条件的过车数据归为错误可纠正车牌C1，满足车牌正则过滤条件的过车数据归为过车数据B；
S7：将过车数据B根据车牌号码进行聚类，并根据抓拍时间进行排序，统计每个车牌在业务日期的轨迹数据，下图是车辆M在业务日期的过车轨迹数据
Figure BDA0002909904280000141
其中Ps代表车辆M在业务日期共被抓拍s次(Pi为抓拍车牌号码，P1＝P2＝…＝Ps，Gi为第i个抓拍数据对应的经纬度信息，Hi为第i个抓拍数据对应的geohash6编码，Ti为第i个抓拍数据对应的抓拍时间，Bi为第i个抓拍数据对应的时间切块；
S8：对根据车牌聚合后的过车数据B中的车牌进行分析，将车牌首位为字母的过车数据归为B1，首位为中文的归为B2，若B1中的车牌不满足军区车牌条件，归为错误可纠正车牌C2；
S9：取B2中的过车数据，统计每个车牌被抓拍的卡口数，若被抓拍卡口数小于阈值，则归为错误可纠正车牌C3(车在行驶时必定被多个卡口抓拍，若卡口数过少，则大概率是识别错误车牌)，剩余的过车数据归为B3；
S10：对B3中的每辆车的轨迹进行轨迹分析：根据每辆车前后两个抓拍数据的经纬度(Gi和Gi+1)和时间差(Ti和Ti+1)计算两卡口之间的直线距离和速度，若速度和直线距离均大于阈值则记这两个抓拍数据均为错误识别车牌抓拍数据并在该车牌过车轨迹中去除(若速度较大，则不满足现实开车情况，若卡口直线距离较近，则需要考虑抓拍距离引起的速度误差，因此一般设置速度阈值为150km/h，直线距离阈值为0.5km)，依次计算后将所有错误识别车牌抓拍数据归为错误可纠正车牌C4；
S11：将C1，C2，C3，C4中的过车数据进行综合，得到需要进行纠错的所有过车数据，如下是其中一条需要车牌纠错的过车数据Z：
Z＝(P，G，H，T，B)
其中P为过车数据Z对应的抓拍车牌，G为对应的经纬度信息，H为对应的geohash6编码，T为对应的抓拍时间，B为对应的时间切块；
S12：根据每条需要车牌纠错的过车数据中的geohash6编码找到临近的9个geohash6块，并根据抓拍时间切块找到临近的三个时间切块(例如时间切块3的临近的三个时间切块为2,3,4)作为临近的时间切块，寻找在这9个临近的geohash6编码中且在3个临近的时间切块中出现的车牌相似且不在C1，C2，C3，C4中的错误抓拍的过车，若没有相似车牌，则不进行修改，若有，则将该错误抓拍的车牌先修改为相似车牌，再进行轨迹分析，若满足多个轨迹或者不满足所有轨迹，则放弃纠正该过车数据中的车牌，若只满足一个相似车牌的轨迹则进行纠正；
S13：依次纠正每条需要车牌纠错的过车数据中的车牌。
图3是根据本发明实施例的另一种可选的车牌识别方法的流程示意图，如图3所示，该方法包括但不限于如下流程：
S302，开始；
S304，获取业务日期的过车数据；
S306，将过车数据中的经纬度信息转化为geohash6编码；
S308，将抓拍时间根据5分钟进行时间切分；
S310，判断车牌是否满足车牌正则过滤条件，在确定结果为满足车牌正则过滤条件的情况下，执行步骤S312，否则，执行步骤S320；
S312，根据车牌对过车记录进行聚合；
S314，判断车牌是否以中文开头，在确定结果为是的情况下，执行步骤S316，否则，执行步骤S322；
S316，判断抓拍卡口数是否超过预定阈值，在确定结果为是的情况下，执行步骤S318，否则，执行步骤S320；
S318，判断是否满足过车轨迹分析，在确定结果为是的情况下，执行步骤S332，否则，执行步骤S320；
S320，确定车牌识别错误过车轨迹。执行步骤S324；
S322，判断是否为军车车牌，在确定结果为是的情况下，执行步骤S316，否则，执行步骤S320；
S324，根据车牌相似规则进行车牌纠正；
S326，判断是否满足过车轨迹分析，在确定结果为是的情况下，执行步骤S328，否则，执行步骤S330；
S328，完成该过车记录的纠正，并执行步骤S332；
S330，不进行该过车记录的纠正，并执行步骤S332；
S332，结束。
通过本实施例，采用时间切块和空间切块的方法，寻找临近空间块和临近时间块的相似车牌，减少计算量的同时提高准确率；通过规则寻找包括不满足车牌正则过滤，字母开头，抓拍卡口数少，不满足时空轨迹的车牌作为错误识别车牌，尽可能多的挖掘错误车牌；通过相似车牌进行车牌修正之后，再通过过车轨迹进行分析检验，增加准确率和可靠性；不需要了解整个城市的卡口通路。
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车牌识别装置，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4是根据本发明实施例的一种可选的车牌识别装置的结构框图，如图4所示，该装置包括：
获取模块402，用于获取一组第一过车数据，其中，所述第一过车数据由图像采集设备采集得到，所述第一过车数据包括第一车牌、所述第一车牌对应的位置信息以及所述第一车牌的数据采集时间；
处理模块404，用于对所述一组第一过车数据执行预设编码处理，并按照预定时间长度对执行了所述预设编码处理后的所述第一过车数据进行划分，基于划分结果生成包含字符串形式数据的一组第二过车数据，其中，所述预设编码处理用于将所述第一车牌对应的位置信息编码为字符串；
确定模块406，用于在所述一组第二过车数据中满足过车轨迹分析条件的情况下，将所述一组第二过车数据中记录的车牌确定为识别出的车牌。
作为一种可选的方案，所述装置用于通过如下方式在所述一组第二过车数据中满足过车轨迹分析条件的情况下，将所述一组第二过车数据中记录的车牌确定为识别出的车牌：
按照预设条件从所述一组第二过车数据中确定出不满足过车轨迹分析条件的一组第三过车数据以及满足过车轨迹分析条件的一组第四过车数据；
获取所述一组第三过车数据中每个第三过车数据的关联过车数据，其中，所述关联过车数据和对应的所述第三过车数据在位置信息和数据采集时间上相关联；
在所述关联过车数据满足车牌相似规则的情况下，调整所述第三过车数据，以得到目标过车数据，其中，所述目标过车数据用于表示修正后的所述一组第三过车数据；
在所述目标过车数据满足过车轨迹分析条件的情况下，将所述目标过车数据以及所述一组第四过车数据中记录的车牌确定为识别出的车牌。
作为一种可选的方案，所述装置用于通过如下方式按照预设条件从所述一组第二过车数据中确定出不满足过车轨迹分析条件的一组第三过车数据以及满足过车轨迹分析条件的一组第四过车数据：
从所述一组第二过车数据中确定出不满足车牌正则过滤条件的过车数据，以作为所述一组第三过车数据；
从所述一组第二过车数据中确定出满足车牌正则过滤条件，且满足所述过车轨迹分析条件的过车数据，以作为所述一组第四过车数据。
作为一种可选的方案，所述装置用于通过如下方式按照预设条件从所述一组第二过车数据中确定出不满足过车轨迹分析条件的一组第三过车数据以及满足过车轨迹分析条件的一组第四过车数据：
从所述一组第二过车数据中确定出包含第一类型车牌的过车数据，以作为所述一组第三过车数据，其中，所述第一类型车牌为不符合交通法规的车牌；
从所述一组第二过车数据中确定出包含第二类型车牌，且满足所述过车轨迹分析条件的过车数据，以作为所述一组第四过车数据，其中，所述第二类型车牌为符合交通法规的车牌。
作为一种可选的方案，所述装置用于通过如下方式按照预设条件从所述一组第二过车数据中确定出不满足过车轨迹分析条件的一组第三过车数据以及满足过车轨迹分析条件的一组第四过车数据：
在第一车牌被N个图像采集设备采集到的情况下，将所述第一车牌确定为目标车牌，其中，N为正整数；
从所述一组第二过车数据中确定出包含N小于第一预设阈值的目标车牌的过车数据，以作为所述一组第三过车数据；
从所述一组第二过车数据中确定出包含N大于或等于所述第一预设阈值的目标车牌，且满足所述过车轨迹分析条件的过车数据，以作为所述一组第四过车数据。
作为一种可选的方案，所述装置用于通过如下方式获取所述一组第三过车数据中每个第三过车数据的关联过车数据：
获取所述第三过车数据中包含的位置信息所对应的第一位置区块；
确定与所述第一位置区块邻近的一组第二位置区块；
获取所述第三过车数据中包含的数据采集时间所对应的第一时间区块；
确定与所述第一时间区块邻近的一组第二时间区块；
从所述一组第二过车数据中确定出包含所述一组第二位置区块和所述一组第二时间区块的一组第五过车数据；
从所述一组第五过车数据中确定出不属于所述一组第三过车数据的所述关联过车数据。
作为一种可选的方案，所述装置用于通过如下方式在所述关联过车数据满足车牌相似规则的情况下，调整所述第三过车数据，以得到目标过车数据，其中，所述目标过车数据用于表示修正后的所述一组第三过车数据：
根据所述车牌相似规则在所述关联过车数据中获取相似车牌；
在所述关联过车数据中包含多个或不包含所述相似车牌的情况下，维持所述第三过车数据不变；
在所述关联过车数据中包含一个所述相似车牌的情况下，调整所述第三过车数据中的车牌为所述相似车牌，以得到所述目标过车数据。
作为一种可选的方案，所述装置用于通过如下方式根据所述车牌相似规则在所述关联过车数据中获取相似车牌：
获取第二车牌以及第三车牌所对应的第一字符串以及第二字符串，其中，所述第二车牌为所述关联过车数据中包含的车牌，所述第三车牌为所述第三过车数据中包含的车牌；
在所述第一字符串长度和所述第二字符串长度相同，且所述第一字符串与所述第二字符串有且只有一个字符不同的情况下，将所述第二车牌确定为所述相似车牌；
在所述第一字符串长度和所述第二字符串长度不同，且所述第一字符串与所述第二字符串中不同的字符的位置满足预定规则的情况下，将所述第二车牌确定为所述相似车牌。
作为一种可选的方案，所述装置还用于：
从所述第一字符串和第二字符串的第一个字符逐个向后比较，直到第i位出现不同的字符；
从所述第一字符串和第二字符串的最后一个字符逐个向前开始比较，直到第j位出现不同的字符；
在i与j的和大于第二预设阈值的情况下，将所述第一字符串与所述第二字符串中不同的字符的位置确定为满足所述预定规则。
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。
在本实施例中，上述计算机可读存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取一组第一过车数据，其中，第一过车数据由图像采集设备采集得到，第一过车数据包括第一车牌、第一车牌对应的位置信息以及第一车牌的数据采集时间；
S2，对一组第一过车数据执行预设编码处理，并按照预定时间长度对执行了预设编码处理后的第一过车数据进行划分，基于划分结果生成包含字符串形式数据的一组第二过车数据，其中，预设编码处理用于将第一车牌对应的位置信息编码为字符串；
S3，在一组第二过车数据中满足过车轨迹分析条件的情况下，将一组第二过车数据中记录的车牌确定为识别出的车牌。
计算机可读存储介质还被设置为存储用于执行以下步骤的计算机程序：
S1，获取一组第一过车数据，其中，第一过车数据由图像采集设备采集得到，第一过车数据包括第一车牌、第一车牌对应的位置信息以及第一车牌的数据采集时间；
S2，对一组第一过车数据执行预设编码处理，并按照预定时间长度对执行了预设编码处理后的第一过车数据进行划分，基于划分结果生成包含字符串形式数据的一组第二过车数据，其中，预设编码处理用于将第一车牌对应的位置信息编码为字符串；
S3，在一组第二过车数据中满足过车轨迹分析条件的情况下，将一组第二过车数据中记录的车牌确定为识别出的车牌。
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。
在一个示例性实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取一组第一过车数据，其中，第一过车数据由图像采集设备采集得到，第一过车数据包括第一车牌、第一车牌对应的位置信息以及第一车牌的数据采集时间；
S2，对一组第一过车数据执行预设编码处理，并按照预定时间长度对执行了预设编码处理后的第一过车数据进行划分，基于划分结果生成包含字符串形式数据的一组第二过车数据，其中，预设编码处理用于将第一车牌对应的位置信息编码为字符串；
S3，在一组第二过车数据中满足过车轨迹分析条件的情况下，将一组第二过车数据中记录的车牌确定为识别出的车牌。
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 (12)

1.一种车牌识别方法，其特征在于，包括：
获取一组第一过车数据，其中，所述第一过车数据由图像采集设备采集得到，所述第一过车数据包括第一车牌、所述第一车牌对应的位置信息以及所述第一车牌的数据采集时间；
对所述一组第一过车数据执行预设编码处理，并按照预定时间长度对执行了所述预设编码处理后的所述第一过车数据进行划分，基于划分结果生成包含字符串形式数据的一组第二过车数据，其中，所述预设编码处理用于将所述第一车牌对应的位置信息编码为字符串；
在所述一组第二过车数据中满足过车轨迹分析条件的情况下，将所述一组第二过车数据中记录的车牌确定为识别出的车牌。
2.根据权利要求1所述的方法，其特征在于，在所述一组第二过车数据中满足过车轨迹分析条件的情况下，将所述一组第二过车数据中记录的车牌确定为识别出的车牌，包括：
按照预设条件从所述一组第二过车数据中确定出不满足过车轨迹分析条件的一组第三过车数据以及满足过车轨迹分析条件的一组第四过车数据；
获取所述一组第三过车数据中每个第三过车数据的关联过车数据，其中，所述关联过车数据和对应的所述第三过车数据在位置信息和数据采集时间上相关联；
在所述关联过车数据满足车牌相似规则的情况下，调整所述第三过车数据，以得到目标过车数据，其中，所述目标过车数据用于表示修正后的所述一组第三过车数据；
在所述目标过车数据满足过车轨迹分析条件的情况下，将所述目标过车数据以及所述一组第四过车数据中记录的车牌确定为识别出的车牌。
3.根据权利要求2所述的方法，其特征在于，按照预设条件从所述一组第二过车数据中确定出不满足过车轨迹分析条件的一组第三过车数据以及满足过车轨迹分析条件的一组第四过车数据，包括：
从所述一组第二过车数据中确定出不满足车牌正则过滤条件的过车数据，以作为所述一组第三过车数据；
从所述一组第二过车数据中确定出满足车牌正则过滤条件，且满足所述过车轨迹分析条件的过车数据，以作为所述一组第四过车数据。
4.根据权利要求2所述的方法，其特征在于，按照预设条件从所述一组第二过车数据中确定出不满足过车轨迹分析条件的一组第三过车数据以及满足过车轨迹分析条件的一组第四过车数据，包括：
从所述一组第二过车数据中确定出包含第一类型车牌的过车数据，以作为所述一组第三过车数据，其中，所述第一类型车牌为不符合交通法规的车牌；
从所述一组第二过车数据中确定出包含第二类型车牌，且满足所述过车轨迹分析条件的过车数据，以作为所述一组第四过车数据，其中，所述第二类型车牌为符合交通法规的车牌。
5.根据权利要求2所述的方法，其特征在于，按照预设条件从所述一组第二过车数据中确定出不满足过车轨迹分析条件的一组第三过车数据以及满足过车轨迹分析条件的一组第四过车数据，包括：
在第一车牌被N个图像采集设备采集到的情况下，将所述第一车牌确定为目标车牌，其中，N为正整数；
从所述一组第二过车数据中确定出包含N小于第一预设阈值的目标车牌的过车数据，以作为所述一组第三过车数据；
从所述一组第二过车数据中确定出包含N大于或等于所述第一预设阈值的目标车牌，且满足所述过车轨迹分析条件的过车数据，以作为所述一组第四过车数据。
6.根据权利要求2所述的方法，其特征在于，获取所述一组第三过车数据中每个第三过车数据的关联过车数据，包括：
获取所述第三过车数据中包含的位置信息所对应的第一位置区块；
确定与所述第一位置区块邻近的一组第二位置区块；
获取所述第三过车数据中包含的数据采集时间所对应的第一时间区块；
确定与所述第一时间区块邻近的一组第二时间区块；
从所述一组第二过车数据中确定出包含所述一组第二位置区块和所述一组第二时间区块的一组第五过车数据；
从所述一组第五过车数据中确定出不属于所述一组第三过车数据的所述关联过车数据。
7.根据权利要求2所述的方法，其特征在于，在所述关联过车数据满足车牌相似规则的情况下，调整所述第三过车数据，以得到目标过车数据，其中，所述目标过车数据用于表示修正后的所述一组第三过车数据，包括：
根据所述车牌相似规则在所述关联过车数据中获取相似车牌；
在所述关联过车数据中包含多个或不包含所述相似车牌的情况下，维持所述第三过车数据不变；
在所述关联过车数据中包含一个所述相似车牌的情况下，调整所述第三过车数据中的车牌为所述相似车牌，以得到所述目标过车数据。
8.根据权利要求7所述的方法，其特征在于，根据所述车牌相似规则在所述关联过车数据中获取相似车牌，包括：
获取第二车牌以及第三车牌所对应的第一字符串以及第二字符串，其中，所述第二车牌为所述关联过车数据中包含的车牌，所述第三车牌为所述第三过车数据中包含的车牌；
在所述第一字符串长度和所述第二字符串长度相同，且所述第一字符串与所述第二字符串有且只有一个字符不同的情况下，将所述第二车牌确定为所述相似车牌；
在所述第一字符串长度和所述第二字符串长度不同，且所述第一字符串与所述第二字符串中不同的字符的位置满足预定规则的情况下，将所述第二车牌确定为所述相似车牌。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
从所述第一字符串和第二字符串的第一个字符逐个向后比较，直到第i位出现不同的字符；
从所述第一字符串和第二字符串的最后一个字符逐个向前开始比较，直到第j位出现不同的字符；
在i与j的和大于第二预设阈值的情况下，将所述第一字符串与所述第二字符串中不同的字符的位置确定为满足所述预定规则。
10.一种车牌识别装置，其特征在于，包括：
获取模块，用于获取一组第一过车数据，其中，所述第一过车数据由图像采集设备采集得到，所述第一过车数据包括第一车牌、所述第一车牌对应的位置信息以及所述第一车牌的数据采集时间；
处理模块，用于对所述一组第一过车数据执行预设编码处理，并按照预定时间长度对执行了所述预设编码处理后的所述第一过车数据进行划分，基于划分结果生成包含字符串形式数据的一组第二过车数据，其中，所述预设编码处理用于将所述第一车牌对应的位置信息编码为字符串；
确定模块，用于在所述一组第二过车数据中满足过车轨迹分析条件的情况下，将所述一组第二过车数据中记录的车牌确定为识别出的车牌。
11.一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，所述计算机程序被处理器执行时实现所述权利要求1至9任一项中所述的方法的步骤。
12.一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述权利要求1至9任一项中所述的方法的步骤。
CN202110083284.5A 2021-01-21 2021-01-21 车牌识别方法、装置、存储介质以及电子装置 Pending CN112800721A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110083284.5A CN112800721A (zh) 2021-01-21 2021-01-21 车牌识别方法、装置、存储介质以及电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110083284.5A CN112800721A (zh) 2021-01-21 2021-01-21 车牌识别方法、装置、存储介质以及电子装置

Publications (1)

Publication Number Publication Date
CN112800721A true CN112800721A (zh) 2021-05-14

Family

ID=75811090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110083284.5A Pending CN112800721A (zh) 2021-01-21 2021-01-21 车牌识别方法、装置、存储介质以及电子装置

Country Status (1)

Country Link
CN (1) CN112800721A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130216101A1 (en) * 2012-02-21 2013-08-22 Xerox Corporation Efficient and fault tolerant license plate matching method
CN103914986A (zh) * 2014-03-14 2014-07-09 浙江宇视科技有限公司 一种套牌分析的方法和装置
JP2017138674A (ja) * 2016-02-01 2017-08-10 パナソニックＩｐマネジメント株式会社 ナンバープレート認識装置及びナンバープレート認識システム並びにナンバープレート認識方法
CN107305736A (zh) * 2016-04-22 2017-10-31 贵州众成信息产业有限公司 一种基于车牌规则和时空可达性的车牌识别智能查错方法和系统
CN108073923A (zh) * 2016-11-09 2018-05-25 杭州海康威视数字技术股份有限公司 一种车牌校正方法及装置
CN109523790A (zh) * 2018-10-26 2019-03-26 安徽四创电子股份有限公司 一种基于车牌相似度的车牌纠错方法
CN110929704A (zh) * 2020-02-10 2020-03-27 北京万集科技股份有限公司 车牌号码的匹配方法及装置、存储介质、电子装置
CN111340045A (zh) * 2020-02-12 2020-06-26 浙江大华技术股份有限公司 车牌号码的识别方法、装置及存储介质
CN112183367A (zh) * 2020-09-29 2021-01-05 重庆紫光华山智安科技有限公司 车辆数据检错方法、装置、服务器及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130216101A1 (en) * 2012-02-21 2013-08-22 Xerox Corporation Efficient and fault tolerant license plate matching method
CN103914986A (zh) * 2014-03-14 2014-07-09 浙江宇视科技有限公司 一种套牌分析的方法和装置
JP2017138674A (ja) * 2016-02-01 2017-08-10 パナソニックＩｐマネジメント株式会社 ナンバープレート認識装置及びナンバープレート認識システム並びにナンバープレート認識方法
CN107305736A (zh) * 2016-04-22 2017-10-31 贵州众成信息产业有限公司 一种基于车牌规则和时空可达性的车牌识别智能查错方法和系统
CN108073923A (zh) * 2016-11-09 2018-05-25 杭州海康威视数字技术股份有限公司 一种车牌校正方法及装置
US20190272437A1 (en) * 2016-11-09 2019-09-05 Hangzhou Hikvision Digital Technology Co., Ltd. Method and device for correcting license plate
CN109523790A (zh) * 2018-10-26 2019-03-26 安徽四创电子股份有限公司 一种基于车牌相似度的车牌纠错方法
CN110929704A (zh) * 2020-02-10 2020-03-27 北京万集科技股份有限公司 车牌号码的匹配方法及装置、存储介质、电子装置
CN111340045A (zh) * 2020-02-12 2020-06-26 浙江大华技术股份有限公司 车牌号码的识别方法、装置及存储介质
CN112183367A (zh) * 2020-09-29 2021-01-05 重庆紫光华山智安科技有限公司 车辆数据检错方法、装置、服务器及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘晴辉;徐巍;董红召;: "基于抓拍数据时空判别的车牌检错纠错研究", 机电工程, no. 01, 20 January 2018 (2018-01-20) *

Similar Documents

Publication Publication Date Title
EP3349200A1 (en) Method and device for processing traffic road information
CN111488363B (zh) 数据处理方法、装置、电子设备及介质
CN109635857B (zh) 人车轨迹监测分析方法、装置、设备及存储介质
CN112818173B (zh) 关联对象的识别方法、装置及计算机可读存储介质
CN111369805B (zh) 套牌检测的方法、装置、电子设备及计算机可读存储介质
CN110969215A (zh) 聚类处理方法和装置、存储介质及电子装置
CN114743165A (zh) 车辆轨迹线的确定方法、装置、存储介质及电子装置
CN111400533A (zh) 图像筛选方法、装置、电子设备和存储介质
CN111627204B (zh) 路径确定方法、装置、电子设备及存储介质
CN114332707A (zh) 设备有效性的确定方法及装置、存储介质、电子装置
CN114647684A (zh) 基于stacking算法的流量预测方法、装置及相关设备
CN110933662A (zh) 一种基于数据挖掘的时空伴随关系分析方法和系统
CN116704490B (zh) 车牌识别方法、装置和计算机设备
CN112926639A (zh) 一种轨迹跟踪方法、装置、存储介质及电子装置
CN113077018A (zh) 一种目标对象识别方法、装置、存储介质及电子装置
CN112528901A (zh) 一种基于大数据的车辆聚集告警方法及系统
CN112800721A (zh) 车牌识别方法、装置、存储介质以及电子装置
CN112651417A (zh) 车牌识别方法、装置、设备及存储介质
CN111708769B (zh) 一种实现信息处理的方法、系统、计算机存储介质及终端
CN110475198B (zh) 一种城市道路用户轨迹纠偏处理方法及装置
CN114120287A (zh) 数据处理方法、装置、计算机设备和存储介质
CN113537087A (zh) 一种智慧交通信息处理方法、装置及服务器
CN113434869A (zh) 基于威胁感知大数据和人工智能的数据处理方法及ai系统
CN115209342B (zh) 一种地铁司机识别方法、系统和可读存储介质
CN115375978B (zh) 行为信息的确定方法、装置、存储介质及电子装置

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