CN112801093A - 一种车牌信息的校准方法及装置 - Google Patents
一种车牌信息的校准方法及装置 Download PDFInfo
- Publication number
- CN112801093A CN112801093A CN202110134724.5A CN202110134724A CN112801093A CN 112801093 A CN112801093 A CN 112801093A CN 202110134724 A CN202110134724 A CN 202110134724A CN 112801093 A CN112801093 A CN 112801093A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- license plate
- information
- determining
- identified
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 239000003086 colorant Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 239000004332 silver Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种车牌信息的校准方法及装置,涉及智能停车管理技术领域,该方法包括:获取预定监控区域内车辆的视频信息,根据所述视频信息识别各车辆的车牌信息,确定所述各车辆中的待识别车辆;针对所述各车辆中的待识别车辆,确定当前待识别车辆的车型信息;根据视频信息识别当前待识别车辆的第一特征点和第二特征点,并确定所述第二特征点数值;计算当前待识别车辆的视频图像中的第二特征点对比数值,判断所述第二特征点数值与所述第二特征点对比数值是否一致;若不一致,比对车型信息和所述第一特征点信息,确定当前待识别车辆的车牌信息。通过本发明,基于车辆车牌识别和车型识别相结合,能够精确、快速地确定车辆的车牌信息。
Description
技术领域
本发明涉及智能停车管理技术领域,尤其涉及一种车牌信息的校准方法及装置。
背景技术
对于停车管理场景中,当出现车辆车牌污损遮挡或停车角度导致车辆车牌被物体遮挡等情况时,车辆识别设备通常无法准确获得车牌信息,从而大大增加了车牌信息的误判率。因此,现有技术中通常通过如下几种方式进行车辆识别:
1、将入场车辆进行标记,在该车辆出场时根据泊位信息匹配生成该车辆的停车记录;当出场数据中未能准确匹配标记车辆时,形成标记车辆的僵尸数据,随后手动清理或定期进行清理;该方式极大地影响了停车管理的效率,且无法及时准确识别车辆信息;
2、直接忽略无用数据,如僵尸数据,从而避免产生错误的停车数据;但该数据处理方式极大地影响了平台的管理能力,同时会对管理方造成一定的损失;
3、在车辆停车过程中多次抓拍车辆图像,通过算法举牌方法,即将多次抓拍结果中,每一个车牌作为一个备选项,通过同类项,给出票数最高的车牌作为最终识别结果。但是,当给出的识别结果出现错误时,易造成客户投诉,从而增加客户投诉处理的成本,对管理者的品牌形象造成一定的压力;
4、需要对停车数据进行筛选得到准确的车牌信息数据,将准确的车牌信息数据和车辆管理部门提供的车辆数据库进行对比,从而得到最终识别结果。该方式虽然有更为准确的车辆数据,但车牌被遮挡、车牌模糊、光照条件不佳等数据将被抛弃不做判断,从而可采用此方法的应用场景通常较为单一。
因此,需要一种更为高效、准确的车辆车牌识别方法,能够在出现车辆车牌污损遮挡或停车角度导致车辆车牌被物体遮挡等情况时,能够准确获得车牌信息。
发明内容
本发明实施例提供一种车牌信息的校准方法及装置,实现了基于车辆车牌识别和车型识别相结合,精确、快速地确定待识别车辆的车牌信息。
一方面,本发明实施例提供了一种车牌信息的校准方法,包括:
获取预定监控区域内车辆的视频信息,根据所述视频信息识别各车辆的车牌信息,确定所述各车辆中的待识别车辆;
针对所述各车辆中的待识别车辆,确定当前待识别车辆的车型信息;
根据所述视频信息识别当前待识别车辆的第一特征点和第二特征点,并确定所述第二特征点数值;
计算当前待识别车辆的视频图像中的第二特征点对比数值,判断所述第二特征点数值与所述第二特征点对比数值是否一致;
若不一致,比对所述车型信息和所述第一特征点信息,确定当前待识别车辆的车牌信息。
进一步地,所述获取预定监控区域内车辆的视频信息,根据所述视频信息识别各车辆的车牌信息,确定所述各车辆中的待识别车辆,包括:
根据所述视频信息识别各车辆的车牌信息中的车牌颜色及车牌字符长度,判断各车辆中车牌颜色与车牌字符长度是否匹配;
若不匹配,确定当前车辆为待识别车辆。
进一步地,所述根据所述视频信息识别各车辆的车牌信息中的车牌颜色及车牌字符长度,判断各车辆中车牌颜色与车牌字符长度是否匹配,包括:
若匹配,根据所述视频信息识别各车辆的车牌信息中的字符信息,对当前车辆中车牌信息中的字符进行近似字符判断;
若当前车辆中车牌信息中的近似字符无法确定,将当前车辆确定为待识别车辆。
进一步地,所述针对所述各车辆中的待识别车辆,确定当前待识别车辆的车型信息,包括:
根据所述视频信息,识别当前待识别车辆的车牌,并确定当前待识别车辆的第一预定扩展区域图像;
根据已识别出的当前待识别车辆的车牌以及所述第一预定扩展区域图像,分析确定当前待识别车辆的车型信息。
进一步地,所述计算当前待识别车辆的视频图像中的第二特征点对比数值,判断所述第二特征点数值与所述第二特征点对比数值是否一致,包括:
通过卷积神经网络算法分析当前待识别车辆的视频图像,并基于当前待识别车辆的车牌信息扩展当前待识别车辆的第二预定扩展区域图像;
根据所述第二预定扩展区域图像,计算得到第二特征点对比数值;
判断所述第二特征点数值与计算得到的所述第二特征点对比数值是否一致;
其中,所述第一特征点信息包括车辆颜色、车辆品牌、车辆型号标识、车辆头部特征和车辆尾部特征中的至少一项;所述第二特征点数值为车辆细节特征点数值。
进一步地,所述若不一致,比对所述车型信息和所述第一特征点信息,确定当前待识别车辆的车牌信息,包括:
根据当前待识别车辆的车牌信息,在车辆数据库中检索当前待识别车辆的近似车牌;
根据检索得到当前待识别车辆的近似车牌以及当前待识别车辆的第一特征点信息,分析确定与所述第一特征点信息相匹配的车牌信息。
另一方面,本发明实施例提供了一种车牌信息的校准装置,包括:
获取及确定模块,用于获取预定监控区域内车辆的视频信息,根据所述视频信息识别各车辆的车牌信息,确定所述各车辆中的待识别车辆;
确定模块,用于针对所述各车辆中的待识别车辆,确定当前待识别车辆的车型信息;
识别模块,用于根据所述视频信息识别当前待识别车辆的第一特征点和第二特征点,并确定所述第二特征点数值;
判断模块,用于计算当前待识别车辆的视频图像中的第二特征点对比数值,判断所述第二特征点数值与所述第二特征点对比数值是否一致;
比对及确定模块,用于若不一致,比对所述车型信息和所述第一特征点信息,确定当前待识别车辆的车牌信息。
进一步地,所述获取及确定模块,包括:
第一判断单元,用于根据所述视频信息识别各车辆的车牌信息中的车牌颜色及车牌字符长度,判断各车辆中车牌颜色与车牌字符长度是否匹配;
确定单元,用于若不匹配,确定当前车辆为待识别车辆。
进一步地,所述第一判断单元,具体用于
若匹配,根据所述视频信息识别各车辆的车牌信息中的字符信息,对当前车辆中车牌信息中的字符进行近似字符判断;
若当前车辆中车牌信息中的近似字符无法确定,将当前车辆确定为待识别车辆。
进一步地,所述确定模块,包括:
识别及确定单元,用于根据所述视频信息,识别当前待识别车辆的车牌,并确定当前待识别车辆的第一预定扩展区域图像;
分析确定单元,用于根据已识别出的当前待识别车辆的车牌以及所述第一预定扩展区域图像,分析确定当前待识别车辆的车型信息。
进一步地,所述判断模块,包括:
分析及扩展单元,用于通过卷积神经网络算法分析当前待识别车辆的视频图像,并基于当前待识别车辆的车牌信息扩展当前待识别车辆的第二预定扩展区域图像;
计算单元,用于根据所述第二预定扩展区域图像,计算得到第二特征点对比数值;
第二判断单元,用于判断所述第二特征点数值与计算得到的所述第二特征点对比数值是否一致;
其中,所述第一特征点信息包括车辆颜色、车辆品牌、车辆型号标识、车辆头部特征和车辆尾部特征中的至少一项;所述第二特征点数值为车辆细节特征点数值。
进一步地,所述比对及确定模块,具体用于
根据当前待识别车辆的车牌信息,在车辆数据库中检索当前待识别车辆的近似车牌;
根据检索得到当前待识别车辆的近似车牌以及当前待识别车辆的第一特征点信息,分析确定与所述第一特征点信息相匹配的车牌信息。
上述技术方案具有如下有益效果:通过本发明,基于车辆车牌识别和车型识别相结合,能够对车牌信息受外力污损、遮挡等车牌信息不完整的待识别车辆的车辆信息进行分析计算,精确、快速地确定待识别车辆的车牌信息,从而避免了路内、路外各种停车场景中受到天气影响、前后车辆遮挡等情况导致的车辆车牌信息识别不完整的情况发生,极大地提高了车辆管理的能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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为本发明实施例中一种车牌信息的校准方法流程图;
图2为本发明一实施例中一种车牌信息的校准装置结构示意图;
图3为本发明一优选实施例中车辆车牌遮挡示意图;
图4为本发明一优选实施例中车辆车牌信息不确定示意图;
图5为本发明另一优选实施例中车辆车牌遮挡示意图。
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。
本发明实施例上述技术方案具有如下有益效果:通过本发明,基于车辆车牌识别和车型识别相结合,能够对车牌信息受外力污损、遮挡等车牌信息不完整的待识别车辆的车辆信息进行分析计算,精确、快速地确定待识别车辆的车牌信息,从而避免了路内、路外各种停车场景中受到天气影响、前后车辆遮挡等情况导致的车辆车牌信息识别不完整的情况发生,极大地提高了车辆管理的能力。
以下结合应用实例对本发明实施例上述技术方案进行详细说明:
在一可能的实现方式中,获取预定监控区域内车辆的视频信息,根据所述视频信息识别各车辆的车牌信息,确定所述各车辆中的待识别车辆;针对所述各车辆中的待识别车辆,确定当前待识别车辆的车型信息;根据所述视频信息识别当前待识别车辆的第一特征点和第二特征点,并确定所述第二特征点数值;计算当前待识别车辆的视频图像中的第二特征点对比数值,判断所述第二特征点数值与所述第二特征点对比数值是否一致;若不一致,比对所述车型信息和所述第一特征点信息,确定当前待识别车辆的车牌信息。
其中,获取预定监控区域内车辆的视频信息,根据所述视频信息识别各车辆的车牌信息,确定所述各车辆中的待识别车辆,包括:根据所述视频信息识别各车辆的车牌信息中的车牌颜色及车牌字符长度,判断各车辆中车牌颜色与车牌字符长度是否匹配;若不匹配,确定当前车辆为待识别车辆。
其中,所述第一特征点信息包括车辆颜色、车辆品牌、车辆型号标识、车辆头部特征和车辆尾部特征中的至少一项;所述第二特征点数值为车辆细节特征点数值。
例如,在车辆管理系统中,通过视频设备获取预定监控区域内,如预定停车位内,车辆的视频信息,随后,根据获取的视频信息识别拍摄到的各车辆的车牌信息中的车牌颜色及车牌字符长度,根据各类型车牌定义规则来判断各车辆中车牌颜色与车牌字符长度是否匹配;若不匹配,确定当前车辆为待识别车辆。随后,针对各车辆中的待识别车辆,确定当前待识别车辆的车型信息;根据已获取的视频信息识别当前待识别车辆的第一特征点和第二特征点,并确定视频图像中第二特征点数值;计算当前待识别车辆的视频图像中的第二特征点对比数值,判断第二特征点数值与第二特征点对比数值是否一致;若不一致,比对车型信息和第一特征点信息,确定当前待识别车辆的车牌信息。
需要说明的是,本领域技术人员可以了解到,各类型车牌定义规则,如:小客车蓝色车牌:最大字符长度7位,第一位后首字母不包括字母I,除首字母外不含字母O和I,车牌中不含领、使、港、澳、学、挂;中大型车黄色车牌:最大字符长度7位,第一位后首字母不包括字母I,除首字母外不含字母O和I,末位可为汉字学或挂,不含领、使、港、澳;新能源小客车绿色车牌:最大字符长8位,第一位后首字母不包括字母I,除首字母外不含字母O和I,不含领、使、港、澳、学、挂;新能源中大型车黄绿色车牌:最大字符长8位,第一位后首字母不包括字母I,除首字母外不含字母O和I,不含领、使、港、澳、学、挂;小客车黑色车牌:最大字符长度7位,第一位后首字母不包括字母I,除首字母外不含字母O和I,末位可为领、港、澳汉字;不可为学或挂;如果以领、港、澳汉字末位车牌,校验前6位为数字,不包含字母及汉字;军警、消防应急车辆白色车牌,最大字符长度8位,车牌内不包括字母I,允许后两位为汉字“应急”不含领、使、港、澳。本发明实施例中虽会以特定规则为例说明,但在此不做限制。
在一可能的实现方式中,根据所述视频信息识别各车辆的车牌信息中的车牌颜色及车牌字符长度,判断各车辆中车牌颜色与车牌字符长度是否匹配,包括:若匹配,根据所述视频信息识别各车辆的车牌信息中的字符信息,对当前车辆中车牌信息中的字符进行近似字符判断;若当前车辆中车牌信息中的近似字符无法确定,将当前车辆确定为待识别车辆。
例如,例如,在车辆管理系统中,若根据各类型车牌定义规则来判断各车辆中车牌颜色与车牌字符长度匹配,则根据视频信息识别各车辆的车牌信息中的字符信息,对当前车辆中车牌信息中的字符进行近似字符判断,如,通过车牌识别技术识别得到车牌颜色为绿色,按照新能源小客车绿色车牌规则进行判断,首先判断车牌字符长度是否为8位,若是,第一位字符后的首字母是否不包括字母I,除首字母外是否不含字母O和I,若第一位字符后首字母不包括字母I,且除首字母外不含字母O和字母I,随后判断车牌汉字中是否含有领、使、港、澳、学、挂,若不含,则可识别得到绿牌车准确的车牌信息,随后根据预定近似字符表对识别得到的车牌信息中的字符进行近似字符判断,预定近似字符表如下表一:
表一
若当前车辆中车牌信息中的近似字符无法确定,如,若识别车牌为绿色车牌,但字符长度只有7位,不满足绿色车牌字符长度为8位的条件,则认为该车辆车牌有遮挡或污损,随后将当前车辆确定为待识别车辆。
需要说明的是,近似字符表是在准确识别车牌字符的基础上进行的快速验证机制,目的是验证部分遮挡的情况,如果在“字符A”和“字符B”无法确认的情况,那么将进行车型识别对比匹配出正确结果。例如:车牌颜色及长度均验证通过,但其中某一位数出现8和B无法确认的情况,将进行下一步的车牌识别。
通过本实施例,能够根据视频信息中车辆的车牌字符长度快速地确定待识别车辆,为后续精确地进行车辆车牌信息校验提供了重要的前提保障。
在一可能的实现方式中,针对所述各车辆中的待识别车辆,确定当前待识别车辆的车型信息,包括:根据所述视频信息,识别当前待识别车辆的车牌,并确定当前待识别车辆的第一预定扩展区域图像;根据已识别出的当前待识别车辆的车牌以及所述第一预定扩展区域图像,分析确定当前待识别车辆的车型信息。
例如,接上例,根据已获取的视频信息,识别已确定的当前待识别车辆的车牌,并识别确定视频图像中当前待识别车辆车牌周围的第一预定扩展区域图像,通常车牌上方为车辆品牌,因此,根据第一预定扩展区域图像能够分析确定车辆的品牌,随后继续分析第一预定扩展区域图像中的车辆特征,如车辆车身右侧或向车辆车身左侧进行车辆型号信息分析,从而确定当前待识别车辆的车型信息。
通过本实施例,能够精确地确定车辆的型号信息,为后续基于车辆车牌识别和车型识别相结合以实现精确、快速地确定待识别车辆的车牌信息提供了重要前提条件。
在一可能的实现方式中,计算当前待识别车辆的视频图像中的第二特征点对比数值,判断所述第二特征点数值与所述第二特征点对比数值是否一致,包括:通过卷积神经网络算法分析当前待识别车辆的视频图像,并基于当前待识别车辆的车牌信息扩展当前待识别车辆的第二预定扩展区域图像;根据所述第二预定扩展区域图像,计算得到第二特征点对比数值;判断所述第二特征点数值与计算得到的所述第二特征点对比数值是否一致。
其中,若不一致,比对所述车型信息和所述第一特征点信息,确定当前待识别车辆的车牌信息,包括:根据当前待识别车辆的车牌信息,在车辆数据库中检索当前待识别车辆的近似车牌,根据检索得到当前待识别车辆的近似车牌以及当前待识别车辆的第一特征点信息,分析确定与所述第一特征点信息相匹配的车牌信息。
例如,接上例,在确定当前待识别车辆的车型信息后,通过卷积神经网络算法分析当前待识别车辆的视频图像,并基于当前待识别车辆的车牌信息扩展当前待识别车辆的第二预定扩展区域图像;根据所述第二预定扩展区域图像,计算得到当前待识别车辆至少一个第二特征点对比数值;判断各第二特征点数值与计算得到的第二特征点对比数值是否一致,若一致,则认为识别得到的第二特征点与计算得到的第二特征点匹配,信息一致;若不一致,根据当前待识别车辆的车牌信息,在车辆数据库中检索当前待识别车辆的近似车牌,并根据检索得到当前待识别车辆的近似车牌以及当前待识别车辆的第一特征点信息,分析确定与第一特征点信息相匹配的车牌信息;若在车辆数据库中检索当前待识别车辆的近似车牌,无法分析得到与第一特征点信息相匹配的车牌信息时,还可将识别结果再次进行人工确认,以得到正确的车牌信息。
通过本实施例,实现了基于车辆车牌识别和车型识别相结合以实现精确、快速地确定待识别车辆的车牌信息,进一步地,极大地提高了车辆管理的效率。
在一可能的实现方式中,在上例人工确认环节即可手动触发比对逻辑,也可以切换回溯图片反复触发比对逻辑,根据实时上报的回溯图挑选光线、角度较优,能够突出显示车牌信息及车辆特征的图片进入到对比逻辑。大多数情况人工确认能能够通过回溯图片确认准确的车牌信息,例如,以图3中的车辆为例,车辆在倒车过程中受到后车车身物体遮挡导致车牌位数缺失,如果使用手动查询的方法,输入“京ADJ?030”和车牌颜色信息,可以给出满足模糊搜索条件的结果有:京ADJ3030、京ADJ9030、京ADJ2030。根据该结果可以人工选择对应的车牌。在停车管理系统中还提供可查询操作,详细结果的图片可以放大显示,以验证给出结果是否准确。
通过本实施例,通过人工主动对“车牌字符+车牌颜色”字符信息在车辆库中进行快速检索,从而能够得出多个结果提供参考,为系统自动应用的结果检测及有目的性的数据查询提供了极大的便利。
在一具体应用场景中,在车辆管理系统中,在识别过程中,通过车牌识别方法确定车辆车牌号为“闽ULY638”前两位字符无法判断时,如图4所示,车辆管理系统会对车牌“闽ULY638”及识别图片数据进行检索,检索过程中,首先对车牌信息进行补充完善,将“闽ULY638”转化为“??LY638”并完善车牌可能存在多个结果,例如:冀ALY638、京QLY638、湘CLY638等,同时还会通过车型识别方法对识别图片进行分析,通过定位车牌周围的第一预定扩展区域进行分析,通常车牌上方为车辆品牌,如果能够确认车辆品牌,将继续定位第一预定扩展区域信息,向车辆右侧或向车辆左侧进行车辆型号信息分析,同时也会判断图片中大块面积的颜色,经过一系列的计算得出本田、雅阁、灰色等特征点,最后对车牌识别和车型识别结果进行对比,即可得出实际车辆为“京NLY638”,并可在系统记录中查询到比对的过程及给出的结果。在实际应用中我们发现,系统分析给出相似的车辆是蓝色的奥迪车,车牌号为京QLY638,其车牌相似度较高,但车型相似度不一致,所以系统分析得出结果实际车辆为“京NLY638”。
在另一具体应用场景中,以图5中的车辆为例。由于车辆倒车角度的问题,车辆管理系统通过车牌识别方法无法判断出车牌缺失的位数,系统车牌识别方法取得车牌号为“京N6EM50”,此时倒数第位二字符不能100%有效确认时,系统会将拆分出车牌“京N6EM5?”和“京N6EM??”进行车牌信息的补充完善,并对识别图片数据进行检索,随后可获取车牌识别、车型识别方法的信息,计算车辆的视频图像中的第二特征点对比数值,分析得到两种结果:“京N6EM55”大众、银灰和“京N6EM59”宝马、银灰;判断第二特征点数值与第二特征点对比数值是不一致,比对车型信息和第一特征点信息,最终判断车牌号为京N6EM59。
本发明实施例提供了一种车牌信息的校准装置,可以实现上述提供的方法实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明,上面对所公开实施例进行了描述。对于本领域技术人员来说;这些实施例的各种修改方式都是显而易见的,并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此,本公开并不限于本文给出的实施例,而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种车牌信息的校准方法,其特征在于,包括:
获取预定监控区域内车辆的视频信息,根据所述视频信息识别各车辆的车牌信息,确定所述各车辆中的待识别车辆;
针对所述各车辆中的待识别车辆,确定当前待识别车辆的车型信息;
根据所述视频信息识别当前待识别车辆的第一特征点和第二特征点,并确定所述第二特征点数值;
计算当前待识别车辆的视频图像中的第二特征点对比数值,判断所述第二特征点数值与所述第二特征点对比数值是否一致;
若不一致,比对所述车型信息和所述第一特征点信息,确定当前待识别车辆的车牌信息。
2.根据权利要求1所述的方法,其特征在于,所述获取预定监控区域内车辆的视频信息,根据所述视频信息识别各车辆的车牌信息,确定所述各车辆中的待识别车辆,包括:
根据所述视频信息识别各车辆的车牌信息中的车牌颜色及车牌字符长度,判断各车辆中车牌颜色与车牌字符长度是否匹配;
若不匹配,确定当前车辆为待识别车辆。
3.根据权利要求2所述的方法,其特征在于,所述根据所述视频信息识别各车辆的车牌信息中的车牌颜色及车牌字符长度,判断各车辆中车牌颜色与车牌字符长度是否匹配,包括:
若匹配,根据所述视频信息识别各车辆的车牌信息中的字符信息,对当前车辆中车牌信息中的字符进行近似字符判断;
若当前车辆中车牌信息中的近似字符无法确定,将当前车辆确定为待识别车辆。
4.根据权利要求3所述的方法,其特征在于,所述针对所述各车辆中的待识别车辆,确定当前待识别车辆的车型信息,包括:
根据所述视频信息,识别当前待识别车辆的车牌,并确定当前待识别车辆的第一预定扩展区域图像;
根据已识别出的当前待识别车辆的车牌以及所述第一预定扩展区域图像,分析确定当前待识别车辆的车型信息。
5.根据权利要求4所述的方法,其特征在于,所述计算当前待识别车辆的视频图像中的第二特征点对比数值,判断所述第二特征点数值与所述第二特征点对比数值是否一致,包括:
通过卷积神经网络算法分析当前待识别车辆的视频图像,并基于当前待识别车辆的车牌信息扩展当前待识别车辆的第二预定扩展区域图像;
根据所述第二预定扩展区域图像,计算得到第二特征点对比数值;
判断所述第二特征点数值与计算得到的所述第二特征点对比数值是否一致;
其中,所述第一特征点信息包括车辆颜色、车辆品牌、车辆型号标识、车辆头部特征和车辆尾部特征中的至少一项;所述第二特征点数值为车辆细节特征点数值。
6.根据权利要求5所述的方法,其特征在于,所述若不一致,比对所述车型信息和所述第一特征点信息,确定当前待识别车辆的车牌信息,包括:
根据当前待识别车辆的车牌信息,在车辆数据库中检索当前待识别车辆的近似车牌;
根据检索得到当前待识别车辆的近似车牌以及当前待识别车辆的第一特征点信息,分析确定与所述第一特征点信息相匹配的车牌信息。
7.一种车牌信息的校准装置,其特征在于,包括:
获取及确定模块,用于获取预定监控区域内车辆的视频信息,根据所述视频信息识别各车辆的车牌信息,确定所述各车辆中的待识别车辆;
确定模块,用于针对所述各车辆中的待识别车辆,确定当前待识别车辆的车型信息;
识别模块,用于根据所述视频信息识别当前待识别车辆的第一特征点和第二特征点,并确定所述第二特征点数值;
判断模块,用于计算当前待识别车辆的视频图像中的第二特征点对比数值,判断所述第二特征点数值与所述第二特征点对比数值是否一致;
比对及确定模块,用于若不一致,比对所述车型信息和所述第一特征点信息,确定当前待识别车辆的车牌信息。
8.根据权利要求7所述的装置,其特征在于,所述获取及确定模块,包括:
第一判断单元,用于根据所述视频信息识别各车辆的车牌信息中的车牌颜色及车牌字符长度,判断各车辆中车牌颜色与车牌字符长度是否匹配;
确定单元,用于若不匹配,确定当前车辆为待识别车辆。
9.根据权利要求8所述的装置,其特征在于,所述第一判断单元,具体用于
若匹配,根据所述视频信息识别各车辆的车牌信息中的字符信息,对当前车辆中车牌信息中的字符进行近似字符判断;
若当前车辆中车牌信息中的近似字符无法确定,将当前车辆确定为待识别车辆。
10.根据权利要求9所述的装置,其特征在于,所述确定模块,包括:
识别及确定单元,用于根据所述视频信息,识别当前待识别车辆的车牌,并确定当前待识别车辆的第一预定扩展区域图像;
分析确定单元,用于根据已识别出的当前待识别车辆的车牌以及所述第一预定扩展区域图像,分析确定当前待识别车辆的车型信息。
11.根据权利要求10所述的装置,其特征在于,所述判断模块,包括:
分析及扩展单元,用于通过卷积神经网络算法分析当前待识别车辆的视频图像,并基于当前待识别车辆的车牌信息扩展当前待识别车辆的第二预定扩展区域图像;
计算单元,用于根据所述第二预定扩展区域图像,计算得到第二特征点对比数值;
第二判断单元,用于判断所述第二特征点数值与计算得到的所述第二特征点对比数值是否一致;
其中,所述第一特征点信息包括车辆颜色、车辆品牌、车辆型号标识、车辆头部特征和车辆尾部特征中的至少一项;所述第二特征点数值为车辆细节特征点数值。
12.根据权利要求11所述的装置,其特征在于,所述比对及确定模块,具体用于
根据当前待识别车辆的车牌信息,在车辆数据库中检索当前待识别车辆的近似车牌;
根据检索得到当前待识别车辆的近似车牌以及当前待识别车辆的第一特征点信息,分析确定与所述第一特征点信息相匹配的车牌信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110029514 | 2021-01-11 | ||
CN202110029514X | 2021-01-11 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801093A true CN112801093A (zh) | 2021-05-14 |
CN112801093B CN112801093B (zh) | 2024-06-28 |
Family
ID=75813281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110134724.5A Active CN112801093B (zh) | 2021-01-11 | 2021-01-29 | 一种车牌信息的校准方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801093B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004280713A (ja) * | 2003-03-18 | 2004-10-07 | Hitachi Ltd | 車番認識装置 |
CN101630361A (zh) * | 2008-12-30 | 2010-01-20 | 北京邮电大学 | 一种基于车牌、车身颜色和车标识别的套牌车辆识别设备及方法 |
CN103824091A (zh) * | 2014-02-27 | 2014-05-28 | 中国石油大学(华东) | 一种用于智能交通系统的车牌识别方法 |
JP2015114983A (ja) * | 2013-12-13 | 2015-06-22 | 住友電工システムソリューション株式会社 | ナンバープレート検出装置、コンピュータプログラム及びナンバープレート検出方法 |
CN106874907A (zh) * | 2017-01-19 | 2017-06-20 | 博康智能信息技术有限公司北京海淀分公司 | 一种建立车牌识别模型的方法及装置 |
CN107203754A (zh) * | 2017-05-26 | 2017-09-26 | 北京邮电大学 | 一种基于深度学习的车牌定位方法及装置 |
CN108073925A (zh) * | 2016-11-17 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
CN111178359A (zh) * | 2018-11-09 | 2020-05-19 | 中移(杭州)信息技术有限公司 | 车牌号码识别方法、装置和设备及计算机存储介质 |
CN111444901A (zh) * | 2020-06-17 | 2020-07-24 | 爱保科技有限公司 | 车险案件中从图片区分多车的处理方法、装置及电子设备 |
CN111709416A (zh) * | 2020-05-15 | 2020-09-25 | 珠海亿智电子科技有限公司 | 车牌定位方法、装置、系统及存储介质 |
-
2021
- 2021-01-29 CN CN202110134724.5A patent/CN112801093B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004280713A (ja) * | 2003-03-18 | 2004-10-07 | Hitachi Ltd | 車番認識装置 |
CN101630361A (zh) * | 2008-12-30 | 2010-01-20 | 北京邮电大学 | 一种基于车牌、车身颜色和车标识别的套牌车辆识别设备及方法 |
JP2015114983A (ja) * | 2013-12-13 | 2015-06-22 | 住友電工システムソリューション株式会社 | ナンバープレート検出装置、コンピュータプログラム及びナンバープレート検出方法 |
CN103824091A (zh) * | 2014-02-27 | 2014-05-28 | 中国石油大学(华东) | 一种用于智能交通系统的车牌识别方法 |
CN108073925A (zh) * | 2016-11-17 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
CN106874907A (zh) * | 2017-01-19 | 2017-06-20 | 博康智能信息技术有限公司北京海淀分公司 | 一种建立车牌识别模型的方法及装置 |
CN107203754A (zh) * | 2017-05-26 | 2017-09-26 | 北京邮电大学 | 一种基于深度学习的车牌定位方法及装置 |
CN111178359A (zh) * | 2018-11-09 | 2020-05-19 | 中移(杭州)信息技术有限公司 | 车牌号码识别方法、装置和设备及计算机存储介质 |
CN111709416A (zh) * | 2020-05-15 | 2020-09-25 | 珠海亿智电子科技有限公司 | 车牌定位方法、装置、系统及存储介质 |
CN111444901A (zh) * | 2020-06-17 | 2020-07-24 | 爱保科技有限公司 | 车险案件中从图片区分多车的处理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112801093B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063768B (zh) | 车辆重识别方法、装置及系统 | |
EP2863338B1 (en) | Delayed vehicle identification for privacy enforcement | |
US20180268238A1 (en) | System and methods for enhancing license plate and vehicle recognition | |
CN108694399B (zh) | 车牌识别方法、装置及系统 | |
CN111931627A (zh) | 一种基于多模态信息融合的车辆再识别方法及装置 | |
US8266174B2 (en) | Behavior history retrieval apparatus and behavior history retrieval method | |
CN111612104B (zh) | 车辆定损图像获取方法、装置、介质和电子设备 | |
CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
Yousef et al. | SIFT based automatic number plate recognition | |
US20210097306A1 (en) | Automatic license plate recognition (alpr) and vehicle identification profile methods and systems | |
CN111222409A (zh) | 车辆品牌的标注方法、装置及系统 | |
US20210089790A1 (en) | Bidirectional statistical consolidation of multi-modal grouped observations | |
CN110826415A (zh) | 一种场景图像中车辆的重识别方法及设备 | |
CN114782997A (zh) | 基于多损失注意力自适应网络的行人重识别方法及系统 | |
CN111310844A (zh) | 车辆识别模型构建方法及装置、识别方法及装置 | |
CN116524725B (zh) | 一种智能驾驶的交通标志图像数据识别系统 | |
CN106327876A (zh) | 一种基于行车记录仪的套牌车捕捉系统及方法 | |
CN112801093B (zh) | 一种车牌信息的校准方法及装置 | |
CN112131997A (zh) | 一种基于深度学习的人脸识别系统和方法 | |
CN115880632A (zh) | 超时停留检测方法、监控设备、计算机可读存储介质和芯片 | |
CN112712626A (zh) | 基于车牌信息的车辆验证方法、装置、计算机设备及存储介质 | |
CN114220074A (zh) | 一种车辆异常行为状态的识别方法及系统 | |
CN113283303A (zh) | 一种车牌识别方法及装置 | |
CN114283361A (zh) | 状态信息的确定方法和装置、存储介质及电子装置 | |
CN113449624A (zh) | 一种基于行人重识别确定车辆行为的方法及装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100080 1202-03, 12 / F, 27 Zhongguancun Street, Haidian District, Beijing Applicant after: Love parking Technology Co.,Ltd. Address before: 100080 1202-03, 12 / F, 27 Zhongguancun Street, Haidian District, Beijing Applicant before: Aipark Meihao Technology Co.,Ltd. |
|
GR01 | Patent grant |