CN112926591A - 一种用于公路治超的违法汽车特征识别方法 - Google Patents
一种用于公路治超的违法汽车特征识别方法 Download PDFInfo
- Publication number
- CN112926591A CN112926591A CN202110315669.XA CN202110315669A CN112926591A CN 112926591 A CN112926591 A CN 112926591A CN 202110315669 A CN202110315669 A CN 202110315669A CN 112926591 A CN112926591 A CN 112926591A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- license plate
- image
- neural network
- illegal
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种用于公路治超的违法汽车特征识别方法,涉及智慧交通技术领域。本发明包括如下步骤:步骤S1:高清摄像机对途经卡口的车辆进行拍摄;步骤S2:将采集到的车辆图像进行预处理;步骤S3:对预处理后的车辆进行形态学处理及车牌粗定位;步骤S4:对粗定位的车牌进行字符分割与识别;步骤S5:当车牌出现遮挡或造假时,对图片输入AlexNet卷积神经网络模型;步骤S6:卷积神经网络模型对车辆特征进行识别。本发明通过对过往车辆进行车牌以及车辆特征进行双重识别,对超重违法车辆进行确认,提高车辆特征识别的准确率。
Description
技术领域
本发明属于智慧交通技术领域,特别是涉及一种用于公路治超的违法汽车特征识别方法。
背景技术
智能交通系统(IntelligentTransportationSystem,ITS)是未来交通系统的发展方向,其应用非常广泛,而智能交通系统中一项重要的技术为车辆特征识别技术。车辆特征识别包括车牌识别、车色识别、车系识别、车标识别、车型识别等,其可应用于电子警察、电子收费等应用系统中。
而目前车辆特征识别通常采用道路上方的卡扣对途经的车辆进行拍摄,然后对采集到的视频数据进行车辆特征识别,获取车辆特征信息,由于城市中大货车、土方车等大型车辆大多夜晚出没,且车速较快经常乱闯红路灯,但由于本身大型车辆上运输水泥石土灰尘角度,容易造成车牌被灰尘遮挡或覆盖,导致交通系统无法确定违法车辆,从而导致大型车辆上路更加肆无忌惮不遵守交通法规,使得获取的车辆信息获取不到或者准确率不足,无法对涉案车辆追求责任。
发明内容
本发明的目的在于提供一种用于公路治超的违法汽车特征识别方法,通过对过往车辆进行车牌以及车辆特征进行双重识别,对超重违法车辆进行确认,解决了现有的车辆识别困难、精准度不足问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种用于公路治超的违法汽车特征识别方法,包括如下步骤:
步骤S1:高清摄像机对途经卡口的车辆进行拍摄;
步骤S2:将采集到的车辆图像进行预处理;
步骤S3:对预处理后的车辆进行形态学处理及车牌粗定位;
步骤S4:对粗定位的车牌进行字符分割与识别;
步骤S5:当车牌出现遮挡或造假时,对图片输入AlexNet卷积神经网络模型;
步骤S6:卷积神经网络模型对车辆特征进行识别。
优选地,所述步骤S2中,预处理是将彩色车牌图像转换成灰度图像,将灰度图像进行直方图均衡高斯平衡处理,在对其中值滤波处理,使用Sobel算子对图像进行边缘检测。
优选地,所述Sobel算用以运算图像高亮函数的灰度近似值,计算过程为:
式中,3*3矩阵为卷积因子;*为卷积;A为原始图像;Gx为横向边缘检测图像的灰度值;Gy为纵向边缘检测图像的灰度值;G为合并后的梯度;θ为梯度方向。
优选地,所述步骤S3中,车辆形态学处理包括二值腐蚀与膨胀和二值开闭运算;所述二值腐蚀与膨胀用于在开运算中消除照片中较小的区域,在闭运算便于轮廓的提取;高清摄像机拍摄的照片进行轮廓查找,根据国内车牌的面积和比例,从照片上提取出该车辆的车牌号码。
优选地,所述步骤S4中,车牌的字符分割与识别中,使用垂直投影来对字符宽高比进行限制来切割字符,使用神经网络来对车牌的字母和数字进行识别,使用二值化对汉字进行训练和识别。
优选地,所述AlexNet卷积神经网络模型有五层卷基层和三层全连接分类器构成;所述AlexNet卷积神经网络模型第一层输入3维RGB图像,使用96个3维的卷积过滤器进行特征提取,将每一层的输出作为下一层的输入,第五层池化后与4096个神经元进行全连接,第七层作为输出层。
本发明具有以下有益效果:
(1)本发明通过道路上方途经卡扣的车辆进行拍摄,对拍摄的图像进行预处理,实现对图片上车辆的形态学处理以及车牌粗定位,能够提高识别车牌号码的准确率;
(2)本发明当识别车牌出现遮挡或者造假时,将车辆图片输入AlexNet卷积神经网络模型,对目标车辆进行提取深度特征,通过KNN算法获取其他车辆与目标车辆的相似值,最终识别出涉案车辆,提高车辆特征识别的准确率。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为本发明的一种用于公路治超的违法汽车特征识别方法步骤图。
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作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。
请参阅图1所示,本发明为一种用于公路治超的违法汽车特征识别方法,包括如下步骤:
步骤S1:高清摄像机对途经卡口的车辆进行拍摄;
步骤S2:将采集到的车辆图像进行预处理;
步骤S3:对预处理后的车辆进行形态学处理及车牌粗定位;
步骤S4:对粗定位的车牌进行字符分割与识别;
步骤S5:当车牌出现遮挡或造假时,对图片输入AlexNet卷积神经网络模型;
步骤S6:卷积神经网络模型对车辆特征进行识别。
其中,步骤S2中,预处理是将彩色车牌图像转换成灰度图像,将灰度图像进行直方图均衡高斯平衡处理,在对其中值滤波处理,使用Sobel算子对图像进行边缘检测;通过对二值化的图像进行膨胀、腐蚀的形态学处理,对形态学变换后的图像进行轮廓查找,根据国内车牌的面积、长度比精确提取车牌。
其中,Sobel算用以运算图像高亮函数的灰度近似值,计算过程为:
式中,3*3矩阵为卷积因子;*为卷积;A为原始图像;Gx为横向边缘检测图像的灰度值;Gy为纵向边缘检测图像的灰度值;G为合并后的梯度;θ为梯度方向;
由公式可知,实用Sobel函数在x方向导数阶数设为1,y方向阶数设为0,求得x方向的梯度,即检测垂直边缘。
其中,步骤S3中,车辆形态学处理包括二值腐蚀与膨胀和二值开闭运算;二值腐蚀与膨胀用于在开运算中消除照片中较小的区域,在闭运算便于轮廓的提取;高清摄像机拍摄的照片进行轮廓查找,根据国内车牌的面积和比例,从照片上提取出该车辆的车牌号码。为了方便形态学处理,在基于边缘检测图像的梯度值进行二值化处理,使用threshold函数,设置阈值,大于阈值记为255,否则设置为0,将预处理后的单通道灰度值二值化。
其中,步骤S4中,车牌的字符分割与识别中,使用垂直投影来对字符宽高比进行限制来切割字符,使用神经网络来对车牌的字母和数字进行识别,使用二值化对汉字进行训练和识别。由于车牌的限制,只需对数字0-9,字母A-Z(I、O以外的其他24个字母)进行训练即可。
其中,AlexNet卷积神经网络模型有五层卷基层和三层全连接分类器构成;AlexNet卷积神经网络模型第一层输入3维RGB图像,使用96个3维的卷积过滤器进行特征提取,将每一层的输出作为下一层的输入,第五层池化后与4096个神经元进行全连接,第七层作为输出层。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种用于公路治超的违法汽车特征识别方法,其特征在于,包括如下步骤:
步骤S1:高清摄像机对途经卡口的车辆进行拍摄;
步骤S2:将采集到的车辆图像进行预处理;
步骤S3:对预处理后的车辆进行形态学处理及车牌粗定位;
步骤S4:对粗定位的车牌进行字符分割与识别;
步骤S5:当车牌出现遮挡或造假时,对图片输入AlexNet卷积神经网络模型;
步骤S6:卷积神经网络模型对车辆特征进行识别。
2.根据权利要求1所述的一种用于公路治超的违法汽车特征识别方法,其特征在于,所述步骤S2中,预处理是将彩色车牌图像转换成灰度图像,将灰度图像进行直方图均衡高斯平衡处理,在对其中值滤波处理,使用Sobel算子对图像进行边缘检测。
4.根据权利要求1所述的一种用于公路治超的违法汽车特征识别方法,其特征在于,所述步骤S3中,车辆形态学处理包括二值腐蚀与膨胀和二值开闭运算;所述二值腐蚀与膨胀用于在开运算中消除照片中较小的区域,在闭运算便于轮廓的提取;高清摄像机拍摄的照片进行轮廓查找,根据国内车牌的面积和比例,从照片上提取出该车辆的车牌号码。
5.根据权利要求1所述的一种用于公路治超的违法汽车特征识别方法,其特征在于,所述步骤S4中,车牌的字符分割与识别中,使用垂直投影来对字符宽高比进行限制来切割字符,使用神经网络来对车牌的字母和数字进行识别,使用二值化对汉字进行训练和识别。
6.根据权利要求1所述的一种用于公路治超的违法汽车特征识别方法,其特征在于,所述AlexNet卷积神经网络模型有五层卷基层和三层全连接分类器构成;所述AlexNet卷积神经网络模型第一层输入3维RGB图像,使用96个3维的卷积过滤器进行特征提取,将每一层的输出作为下一层的输入,第五层池化后与4096个神经元进行全连接,第七层作为输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110315669.XA CN112926591A (zh) | 2021-03-24 | 2021-03-24 | 一种用于公路治超的违法汽车特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110315669.XA CN112926591A (zh) | 2021-03-24 | 2021-03-24 | 一种用于公路治超的违法汽车特征识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112926591A true CN112926591A (zh) | 2021-06-08 |
Family
ID=76175858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110315669.XA Pending CN112926591A (zh) | 2021-03-24 | 2021-03-24 | 一种用于公路治超的违法汽车特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926591A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
CN107545239A (zh) * | 2017-07-06 | 2018-01-05 | 南京理工大学 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
CN108615034A (zh) * | 2017-12-14 | 2018-10-02 | 燕山大学 | 一种模板匹配与神经网络算法结合的车牌识别方法 |
CN111563402A (zh) * | 2019-02-14 | 2020-08-21 | 杭州海康威视数字技术股份有限公司 | 车牌识别方法、装置、终端及存储介质 |
CN111709417A (zh) * | 2020-05-28 | 2020-09-25 | 西安理工大学 | 一种矿车车牌识别方法 |
-
2021
- 2021-03-24 CN CN202110315669.XA patent/CN112926591A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
CN107545239A (zh) * | 2017-07-06 | 2018-01-05 | 南京理工大学 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
CN108615034A (zh) * | 2017-12-14 | 2018-10-02 | 燕山大学 | 一种模板匹配与神经网络算法结合的车牌识别方法 |
CN111563402A (zh) * | 2019-02-14 | 2020-08-21 | 杭州海康威视数字技术股份有限公司 | 车牌识别方法、装置、终端及存储介质 |
CN111709417A (zh) * | 2020-05-28 | 2020-09-25 | 西安理工大学 | 一种矿车车牌识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Selmi et al. | Deep learning system for automatic license plate detection and recognition | |
WO2020173022A1 (zh) | 一种识别车辆违章行为的方法、服务器及存储介质 | |
CN105373794B (zh) | 一种车牌识别方法 | |
Qadri et al. | Automatic number plate recognition system for vehicle identification using optical character recognition | |
CN110969160B (zh) | 一种基于深度学习的车牌图像校正、识别方法及系统 | |
CN106600977B (zh) | 基于多特征识别的违停检测方法及系统 | |
Puranic et al. | Vehicle number plate recognition system: a literature review and implementation using template matching | |
CN101937508B (zh) | 一种基于高清图像的车牌定位与识别方法 | |
CN101859382B (zh) | 一种基于最大稳定极值区域的车牌检测与识别的方法 | |
Abdullah et al. | YOLO-based three-stage network for Bangla license plate recognition in Dhaka metropolitan city | |
Roy et al. | License plate detection and character recognition system for commercial vehicles based on morphological approach and template matching | |
Hung et al. | A real-time mobile vehicle license plate detection and recognition | |
CN105335710A (zh) | 一种基于多级分类器的精细车辆型号识别方法 | |
CN107798335A (zh) | 一种融合滑动窗口与Faster R‑CNN卷积神经网络的车标识别方法 | |
CN107016362B (zh) | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统 | |
Wang et al. | Detection and classification of moving vehicle from video using multiple spatio-temporal features | |
KR102089298B1 (ko) | 범용 문자 시퀀스 검출을 통한 다국적 차량번호판 인식 시스템 및 그 방법 | |
CN103699880A (zh) | 基于物联网的交通违法车辆牌照检测与识别方法 | |
Yao et al. | Coupled multivehicle detection and classification with prior objectness measure | |
Elbamby et al. | Real-time automatic multi-style license plate detection in videos | |
CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别系统及方法 | |
Islam et al. | Bangla license plate detection, recognition and authentication with morphological process and template matching | |
Sharma et al. | Deep Learning and SVM-Based Approach for Indian Licence Plate Character Recognition. | |
KR100942409B1 (ko) | 고속 이동 차량 검지 방법 | |
Ilayarajaa et al. | Text recognition in moving vehicles using deep learning neural networks |
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 |