CN113052174A - 车牌数据样本生成方法、装置、电子设备和存储介质 - Google Patents
车牌数据样本生成方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113052174A CN113052174A CN202110328241.9A CN202110328241A CN113052174A CN 113052174 A CN113052174 A CN 113052174A CN 202110328241 A CN202110328241 A CN 202110328241A CN 113052174 A CN113052174 A CN 113052174A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- region
- image content
- area
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种车牌数据样本生成方法,涉及人工智能领域,尤其涉及计算机视觉和深度学习技术,可应用于智慧城市场景下。实现方案为:检测原始图像中的车牌区域;修改所检测到的车牌区域的至少一部分区域的图像内容,以使得经修改的图像内容对识别车牌区域中的车牌信息形成干扰;以及至少部分地补全经修改的图像内容,以用于生成车牌数据样本。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及计算机视觉和深度学习技术,可应用于智慧城市场景下,具体涉及一种车牌数据样本生成的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
基于计算机视觉和深度学习技术对车牌进行识别是人工智能领域中的一个备受关注的研究方向。在包括智慧城市、智能交通等许多应用领域中,车牌的数据样本对于车牌的识别具有至关重要的作用。在相关技术中,获得车牌的数据样本的技术方案还有很大的提高空间。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种车牌数据样本生成的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种车牌数据样本生成方法,包括:检测原始图像中的车牌区域;修改所检测到的车牌区域的至少一部分区域的图像内容,以使得经修改的图像内容对识别车牌区域中的车牌信息形成干扰;以及至少部分地补全经修改的图像内容,以用于生成车牌数据样本。
根据本公开的另一方面,提供了一种车牌识别模型的训练方法,包括:获取多个异常车牌数据样本,每个异常车牌数据样本采用上述方法生成;以及基于多个异常车牌数据样本,训练神经网络以得到车牌识别模型。
根据本公开的另一方面,提供了一种车牌识别方法,包括:获取目标图像;以及利用车牌识别模型识别目标图像中的车牌信息,其中,车牌识别模型采用上述方法训练得到。
根据本公开的另一方面,提供了一种车牌数据生成装置,包括:检测模块,被配置为检测原始图像中的车牌区域;修改模块,被配置为修改所检测到的车牌区域的至少一部分区域的图像内容,以使得经修改的图像内容对识别车牌区域中的车牌信息形成干扰;以及补全模块,被配置为至少部分地补全经修改的图像内容,以用于生成车牌数据样本。
根据本公开的另一方面,提供了一种车牌识别模型训练装置,包括:获取模块,被配置为获取多个异常车牌数据样本,每个异常车牌数据样本采用上述方法生成;以及训练模块,被配置为基于多个异常车牌数据样本,训练神经网络以得到车牌识别模型。
根据本公开的另一方面,提供了一种车牌识别装置,包括:获取模块,被配置为获取目标图像;以及识别模块,被配置为利用车牌识别模型识别目标图像中的车牌信息,其中,车牌识别模型采用上述方法训练得到。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器以及与处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的命令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述方法的步骤。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行上述方法的步骤。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序。计算机程序被处理器执行时实现上述方法的步骤。
根据本公开的一个或多个实施例,可以利用车牌检测和图像补全的方法,生成异常车牌数据,从而丰富可用于后续识别模型的车牌数据样本。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的车牌数据样本生成方法的流程图;
图3示出了根据本公开的实施例的在图2的方法中检测车牌区域的示例操作的示意图;
图4示出了根据本公开的实施例的在图2的方法中修改车牌区域图像内容的示例操作的流程图;
图5示出了根据本公开的实施例的在图4的方法中修改车牌区域图像内容的示例操作的示意图;
图6A和6B示出了根据本公开实施例的针对一个示例场景的生成无车牌数据样本的示意图;
图7示出了根据本公开实施例的车牌识别模型的训练方法的流程图。
图8示出了根据本公开实施例的车牌识别方法的流程图。
图9示出了根据本公开的实施例的车牌数据生成装置的结构框图;
图10示出了根据本公开的实施例的车牌识别模型训练装置的结构框图;
图11示出了根据本公开的实施例的车牌识别装置的结构框图;
图12示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
在相关技术中,由于异常车牌的数据样本匮乏,车牌识别模型无法很好地识别异常车牌。然而在交通行驶领域,异常车牌的识别对于辅助交通违章处罚是十分重要的一部分。
为解决上述相关技术中的问题,本公开的实施例通过引入车牌检测和内容补全的思想,对图像中的车牌区域进行干扰并补全,生成无车牌、污损车牌、遮挡车牌等数据样本,从而辅助车牌识别模型识别违章行为。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行车牌数据样本生成、车牌识别模型训练和车牌识别的方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来生成车牌数据样本、训练车牌识别模型或识别车牌。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS);或包括各种移动操作系统,例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如,由服务器120使用的数据存储库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开的实施例的车牌数据样本生成方法200的流程图。如图2所示,车牌数据样本生成方法200包括步骤210至230。
在步骤210,可以检测原始图像中的车牌区域。示例性地,可以通过车牌检测模型检测输入到模型的原始图像中的车牌区域。车牌检测模型可以利用大规模车牌检测数据库训练获得,也可以使用相关技术中已有的车牌检测模型。
在步骤220,可以修改所检测到的车牌区域的至少一部分区域的图像内容,以使得经修改的图像内容对识别车牌区域中的车牌信息形成干扰。示例性地,可以基于期望生成的车牌数据样本的种类,对所检测到的车牌区域的图像内容进行干扰。示例性地,若期望生成无车牌数据样本、污损车牌数据样本、遮挡车牌数据样本等异常种类的样本,可以分别针对性地进行车牌内容擦除、污损物覆盖、遮挡物覆盖等图像内容的修改。
在步骤230,可以至少部分地补全经修改的图像内容,以用于生成车牌数据样本。示例性地,可以利用内容补全网络补全图像内容。可选地,内容补全网络可以采用普通的大规模图像数据库,通过L1损失函数训练生成,还可以使用相关技术中已有的内容补全网络。
在一些示范性实施例中,若期望生成无车牌数据,可以擦除车牌区域的全部区域的图像内容。示例性地,可以将车牌区域的图像内容全部置零或者使用黑色填充车牌区域。
在一些示范性实施例中,可以至少部分地基于原始图像中除车牌区域之外的图像内容,补全车牌区域的全部区域的经擦除的图像内容。由于车牌的图像区域被全部擦除,其与原始图像的周围内容不一致,因此利用内容补全技术对车牌的图像区域进行补全,从而可以生成车牌区域内容与周围区域内容自然一致的无车牌图像样本。
综上所述,方法200可以通过利用车牌检测模型来检测车牌所在位置并根据期望生成的车牌数据样本对车牌内容进行相应地干扰,最后通过内容补全网络进行相应地补全。由于直接对车牌内容进行的诸如擦除、覆盖等修改容易导致所修改的内容与原始图像中车牌区域周围的内容不协调,即修改后的车牌比较生硬,干扰痕迹较严重,从而影响车牌数据样本的质量。方法200利用内容补全网络对修改后的车牌进行补全。由于考虑了车牌周围的图像内容,因此补全后的车牌与周围图像内容更加协调一致,进而提高了车牌数据样本的质量。
图3示出了根据本公开的实施例的在图2的方法200中检测车牌区域的示例操作300的示意图。如图3所示,对于原始图像310,可以通过车牌检测模型检测车牌区域320。车牌区域320中包括车牌信息,例如“XCN****”。示例性地,可以修改图像320的内容以形成对车牌信息“XCN****”的信息干扰。例如可以擦除全部车牌区域320中的图像内容或者覆盖一部分图像内容到车牌区域320上。
图4示出了根据本公开的实施例的在图2的方法200中修改车牌区域图像内容的示例操作的流程图。如图4所示,若期望生成污损车牌数据样本或遮挡车牌数据样本,修改检测到的车牌区域的至少一部分区域的图像内容(步骤220)还可以包括步骤410至430。
在步骤410,可以在车牌区域内覆盖覆盖物图像,以使得车牌区域的一部分区域被覆盖物图像覆盖。
在一些示范性实施例中,覆盖物图像可以是污损物图像或者不同于污损物图像的遮挡物图像。示例性地,污损物图像可以诸如灰尘、渣土、油污等有可能透过污损物模糊观察/辨识车牌信息的物体图像。遮挡物图像可以是诸如光盘、纸板等无法透过遮挡物观察/辨识覆盖在遮挡物下的车牌信息的物体图像。
在一些示范性实施例中,可以利用已收集的一些污损物图像,例如渣土、油污的图像等,覆盖到车牌区域上。可选地,可以调整污损物图像的不透明度,以使得被污损物图像覆盖的车牌区域的一部分区域的图像内容至少部分地视觉可见,例如降低污损物图像的不透明度以使得被其覆盖的车牌信息还能够透过污损物图像辨识出。对不透明度的调整可以更加真实地模拟覆盖污损物的车牌图像,从而提高污损车牌样本的质量。
在步骤420,可以确定车牌区域中的随机区域,随机区域小于车牌区域并且包含车牌信息。
在一些示范性实施例中,可以在车牌区域中随机叠加任意数量的基本形状作为随机区域或通过获取随机定位在车牌区域中的多个点的外接区域以作为随机区域。示例性地,可以获取或构建基本形状数据库,从形状数据库中随机选取预定义好的例如三角形、圆形、正方形等基本形状,并将选取出来的所有基本形状进行叠加,从而生成随机区域。可选地,可以随机在车牌图像区域中抛洒一些点并依次对点进行连接,然后取所连接区域的外接区域作为随机区域。故而,通过随机形状或随机点连接可以保证所生成的区域的随机性,从而有助于后续内容补全的自然和真实。
在步骤430,可以擦除覆盖有覆盖物图像的车牌区域中除随机区域之外的剩余区域的图像内容。示例性地,可以将车牌区域与随机区域之间的剩余区域的图像内容置为零或者以黑色覆盖。
在一些示范性实施例中,可以至少部分地基于原始图像中除车牌区域之外的区域的图像内容,补全车牌区域的剩余区域的经擦除的图像内容。示例性地,可以通过内容补全网络补全其图像内容被修改置零的剩余区域的图像内容。
综上所述,在期望生成污损车牌数据样本、遮挡车牌数据样本等异常车牌样本时,若直接覆盖相应的干扰图像,则可能得到一些可能与车牌背景图像不协调的异常车牌图像。根据本公开的一些实施例,通过生成一个略小于车牌的随机区域并将随机区域以外的车牌区域中的内容擦除,再通过诸如内容补全网络等方式对擦除掉的图像区域进行补全,使得覆盖有污损物、遮挡物等车牌图像与车牌周围的图像更加协调自然,从而提高了异常车牌数据样本的质量。
图5示出了根据本公开的实施例的在图4的方法中修改车牌区域图像内容的示例操作500的示意图。如图5所示,对于期望生成污损、遮挡车牌数据样本,可以使用污损物512、污损物514和遮挡物516其中的一个或多个对例如图3中的车牌区域320进行覆盖物覆盖。在经覆盖后的车牌区域510中,可以调整污损物512和污损物514的透明度以使得经其覆盖的车牌信息“X”、“**”等在视觉上可见。遮挡物516可以是光盘并且经由其覆盖的车牌信息“CN”的一部分在视觉上不可见。
进一步地,可以在车牌区域520内确定随机区域540。随机区域540小于车牌区域520并且包括车牌信息“XCN****”。随机区域540与车牌区域520之间的区域为剩余区域550。
进一步地,可以擦除剩余区域550的图像内容,例如将剩余区域550中的内容置零,得到经擦除后的剩余区域560,从而得到根据图4所示的方法进行修改车牌区域的图像内容后的车牌区域530。
在一些示范性实施例中,可以将具有修改后的车牌区域530的原始图像,例如具有车牌区域530的原始图像310,输入到内容补全网络。补全网络可以基于车牌区域530以外的图像内容和随机区域540的图像内容,对已擦除图像内容的剩余区域560进行内容补全。由于在补全中考虑到了经擦除的剩余区域560周围的图像信息,因此补全后的车牌区域与原始图像周围的区域内容更为协调自然,从而提高了异常车牌样本的质量。
在一些示范性实施例中,可以将经补全的剩余区域的图像内容与车牌区域的至少一部分区域的图像内容经修改的原始图像进行融合。示例性地,若在补全经擦除的剩余区域560后,所得到的经补全的剩余区域(未示出)的图像内容与原始图像衔接的地方仍存在不自然的情况,或者期望在此基础上得到更加自然的车牌图像,则可以对经补全的剩余区域与具有经修改的车牌区域530的原始图像进行融合。可选地,可以使用泊松融合进行图像融合。综上所述,经融合后的车牌区域与其周围图像之间进一步自然一致。
图6A和6B示出了根据本公开实施例的针对一个示例场景的生成无车牌数据样本的示意图。如图6A所示,车牌检测模型检测出原始图像600A中的车牌区域610。在图6B中,通过本公开实施例的方法,例如方法200,对车牌区域610进行内容擦除及内容补全,得到与周围场景内容协调自然的车牌区域610’,从而生成无车牌数据样本600B。
图7示出了根据本公开实施例的车牌识别模型的训练方法700的流程图。如图7所示,车牌识别模型的训练方法700包括步骤710和720。
在步骤710,可以获取多个异常车牌数据样本,每个异常车牌数据样本采用本公开的任一实施例所述的车牌数据样本生成方法来生成。
在步骤720,可以基于多个异常车牌数据样本,训练神经网络以得到车牌识别模型。
综上所述,由于训练车牌识别模型所使用的数据样本为采用本公开实施例生成的车牌数据样本,其样本的图像内容自然协调并且可以具有多种诸如无车牌、污损车牌、遮挡车牌等的异常车牌样本,因此可以提高车牌识别模型识别出各类异常车牌的能力。
图8示出了根据本公开实施例的车牌识别方法800的流程图。如图8所示,车牌识别方法800包括步骤810和820。
在步骤810,可以获取目标图像。示例性地,目标图像可以是例如未悬挂车牌上路、涂抹/污损车牌、遮挡车牌等的交通违章图像。
在步骤820,可以利用车牌识别模型识别目标图像中的车牌信息,车牌识别模型可以采用车牌识别模型训练方法700训练得到。示例性地,车牌识别方法800可以识别出交通违章图像中的违章车牌信息或者分类出可能涉及交通违章的异常车牌,从而能够辅助交通违章处罚。
图9示出了根据本公开的实施例的车牌数据生成装置900的结构框图。如图9所示,车牌数据生成装置900包括检测模块910、修改模块920和补全模块930。
检测模块910被配置为检测原始图像中的车牌区域。
修改模块920被配置为修改所检测到的车牌区域的至少一部分区域的图像内容,以使得经修改的图像内容对识别车牌区域中的车牌信息形成干扰。在一些示范性实施例中,修改模块920还包括覆盖子模块922,确定子模块924和擦除子模块926。
覆盖子模块922被配置为在车牌区域内覆盖覆盖物图像,以使得车牌区域的一部分区域被覆盖物图像覆盖。
确定子模块924被配置为确定车牌区域中的随机区域,随机区域小于车牌区域并且包含车牌信息。
擦除子模块926被配置为擦除覆盖有覆盖物图像的车牌区域中除随机区域之外的剩余区域的图像内容。
补全模块930被配置为至少部分地补全经修改的图像内容,以用于生成车牌数据样本。
在一些示范性实施例中,车牌数据生成装置900还包括融合模块940,被配置为将经补全的剩余区域的图像内容与车牌区域的至少一部分区域的图像内容经修改的原始图像进行融合。
图10示出了根据本公开的实施例的车牌识别模型训练装置1000的结构框图。如图10所示,车牌识别模型训练装置1000包括获取模块1010和训练模块1020。
获取模块1010被配置为获取多个异常车牌数据样本,每个异常车牌数据样本可以由本公开的任一实施例所述的车牌数据生成装置生成。
训练模块1020被配置为基于多个异常车牌数据样本,训练神经网络以得到车牌识别模型。
图11示出了根据本公开的实施例的车牌识别装置1100的结构框图。如图11所示,车牌识别装置1100包括获取模块1110和识别模块1120。
获取模块1110被配置为获取目标图像。
识别模块1120被配置为利用车牌识别模型识别目标图像中的车牌信息,其中,车牌识别模型可以由车牌识别模型训练装置1000训练得到。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器以及与处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的命令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述方法的步骤。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行上述方法的步骤。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序。计算机程序被处理器执行时实现上述方法的步骤。
参考图12,现将描述可以作为本公开的服务器或客户端的电子设备1200的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206、输出单元1207、存储单元1208以及通信单元1209。输入单元1206可以是能向设备1200输入信息的任何类型的设备,输入单元1206可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1207可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1208可以包括但不限于磁盘、光盘。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理,例如方法200。例如,在一些实施例中,方法200可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
本公开所提供的车牌数据样本生成方法、装置、电子设备、计算机可读存储介质和计算机程序产品等实施例涉及人工智能技术领域,特别是涉及计算机视觉和深度学习技术,并且可应用于例如智慧城市等场景下。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (19)
1.一种车牌数据样本生成方法,包括:
检测原始图像中的车牌区域;
修改所检测到的车牌区域的至少一部分区域的图像内容,以使得经修改的所述图像内容对识别所述车牌区域中的车牌信息形成干扰;以及
至少部分地补全经修改的所述图像内容,以用于生成所述车牌数据样本。
2.如权利要求1所述的方法,其中,所述修改所检测到的车牌区域的至少一部分区域的图像内容包括:
在所述车牌区域内覆盖覆盖物图像,以使得所述车牌区域的一部分区域被所述覆盖物图像覆盖;
确定所述车牌区域中的随机区域,所述随机区域小于所述车牌区域并且包含所述车牌信息;以及
擦除覆盖有所述覆盖物图像的所述车牌区域中除所述随机区域之外的剩余区域的图像内容。
3.如权利要求2所述的方法,其中,所述确定所述车牌区域中的随机区域包括从以下各项组成的组中选择的一项:
在所述车牌区域中随机叠加任意数量的基本形状作为所述随机区域;和
获取随机定位在所述车牌区域中的多个点的外接区域作为所述随机区域。
4.如权利要求2或3所述的方法,其中,所述覆盖物图像包括从以下各项组成的组中选择的至少一项:
污损物图像;和
不同于所述污损物图像的遮挡物图像。
5.如权利要求2-4中任一项所述的方法,其中,所述覆盖物图像是污损物图像,并且所述修改所检测到的车牌区域的至少一部分区域的图像内容进一步包括:
调整所述污损物图像的不透明度,以使得被所述污损物图像覆盖的所述车牌区域的所述一部分区域的图像内容至少部分地视觉可见。
6.如权利要求2-5中任一项所述的方法,其中,所述至少部分地补全经修改的所述图像内容包括:
至少部分地基于所述原始图像中除所述车牌区域之外的区域的图像内容,补全所述车牌区域的所述剩余区域的经擦除的图像内容。
7.如权利要求6所述的方法,进一步包括:
将经补全的所述剩余区域的图像内容与所述车牌区域的所述至少一部分区域的所述图像内容经修改的原始图像进行融合。
8.如权利要求1所述的方法,其中,所述修改所检测到的车牌区域的至少一部分区域的图像内容包括:
擦除所述车牌区域的全部区域的图像内容。
9.如权利要求8所述的方法,其中,所述至少部分地补全经修改的所述图像内容包括:
至少部分地基于所述原始图像中除所述车牌区域之外的区域的图像内容,补全所述车牌区域的全部区域的经擦除的图像内容。
10.一种车牌识别模型的训练方法,包括:
获取多个异常车牌数据样本,每个异常车牌数据样本采用如权利要求1-9中任一所述的方法生成;以及
基于所述多个异常车牌数据样本,训练神经网络以得到所述车牌识别模型。
11.一种车牌识别方法,包括:
获取目标图像;以及
利用车牌识别模型识别所述目标图像中的车牌信息,其中,所述车牌识别模型采用如权利要求10所述的方法训练得到。
12.一种车牌数据生成装置,包括:
检测模块,被配置为检测原始图像中的车牌区域;
修改模块,被配置为修改所检测到的车牌区域的至少一部分区域的图像内容,以使得经修改的所述图像内容对识别所述车牌区域中的车牌信息形成干扰;以及
补全模块,被配置为至少部分地补全经修改的所述图像内容,以用于生成所述车牌数据样本。
13.如权利要求12所述的装置,其中,所述修改装置包括:
覆盖子模块,被配置为在所述车牌区域内覆盖覆盖物图像,以使得所述车牌区域的一部分区域被所述覆盖物图像覆盖;
确定子模块,被配置为确定所述车牌区域中的随机区域,所述随机区域小于所述车牌区域并且包含所述车牌信息;以及
擦除子模块,被配置为擦除覆盖有所述覆盖物图像的所述车牌区域中除所述随机区域之外的剩余区域的图像内容。
14.如权利要求13所述的装置,进一步包括:
融合模块,被配置为将经补全的所述剩余区域的图像内容与所述车牌区域的所述至少一部分区域的所述图像内容经修改的原始图像进行融合。
15.一种车牌识别模型训练装置,包括:
获取模块,被配置为获取多个异常车牌数据样本,每个异常车牌数据样本由权利要求12-14中的任一所述装置生成;以及
训练模块,被配置为基于所述多个异常车牌数据样本,训练神经网络以得到所述车牌识别模型。
16.一种车牌识别装置,包括:
获取模块,被配置为获取目标图像;以及
识别模块,被配置为利用车牌识别模型识别所述目标图像中的车牌信息,其中,所述车牌识别模型由权利要求15所述的装置训练得到。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110328241.9A CN113052174B (zh) | 2021-03-26 | 2021-03-26 | 车牌数据样本生成方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110328241.9A CN113052174B (zh) | 2021-03-26 | 2021-03-26 | 车牌数据样本生成方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052174A true CN113052174A (zh) | 2021-06-29 |
CN113052174B CN113052174B (zh) | 2023-08-11 |
Family
ID=76515816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110328241.9A Active CN113052174B (zh) | 2021-03-26 | 2021-03-26 | 车牌数据样本生成方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052174B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807302A (zh) * | 2021-09-26 | 2021-12-17 | 重庆紫光华山智安科技有限公司 | 车牌识别算法准确率测试方法、装置、电子设备及可读存储介质 |
CN114140784A (zh) * | 2021-12-01 | 2022-03-04 | 北京比特易湃信息技术有限公司 | 基于车牌关键点提取、色块校正的车牌替换系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3182334A1 (en) * | 2015-12-17 | 2017-06-21 | Xerox Corporation | License plate recognition using coarse-to-fine cascade adaptations of convolutional neural networks |
CN109598246A (zh) * | 2018-12-07 | 2019-04-09 | 广东亿迅科技有限公司 | 车辆出入检测方法、装置、计算机设备和存储介质 |
CN111191604A (zh) * | 2019-12-31 | 2020-05-22 | 上海眼控科技股份有限公司 | 检测车牌完整性的方法、设备和存储介质 |
CN111476234A (zh) * | 2020-03-17 | 2020-07-31 | 平安科技(深圳)有限公司 | 一种遮挡车牌字符识别方法、装置、存储介质和智能设备 |
CN111767927A (zh) * | 2020-06-03 | 2020-10-13 | 上海交通大学 | 一种基于全卷积网络的轻量级车牌识别方法及系统 |
WO2021027890A1 (zh) * | 2019-08-15 | 2021-02-18 | 杭州海康威视数字技术股份有限公司 | 车牌图像生成方法、装置及计算机存储介质 |
-
2021
- 2021-03-26 CN CN202110328241.9A patent/CN113052174B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3182334A1 (en) * | 2015-12-17 | 2017-06-21 | Xerox Corporation | License plate recognition using coarse-to-fine cascade adaptations of convolutional neural networks |
CN109598246A (zh) * | 2018-12-07 | 2019-04-09 | 广东亿迅科技有限公司 | 车辆出入检测方法、装置、计算机设备和存储介质 |
WO2021027890A1 (zh) * | 2019-08-15 | 2021-02-18 | 杭州海康威视数字技术股份有限公司 | 车牌图像生成方法、装置及计算机存储介质 |
CN111191604A (zh) * | 2019-12-31 | 2020-05-22 | 上海眼控科技股份有限公司 | 检测车牌完整性的方法、设备和存储介质 |
CN111476234A (zh) * | 2020-03-17 | 2020-07-31 | 平安科技(深圳)有限公司 | 一种遮挡车牌字符识别方法、装置、存储介质和智能设备 |
CN111767927A (zh) * | 2020-06-03 | 2020-10-13 | 上海交通大学 | 一种基于全卷积网络的轻量级车牌识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘建国;代芳;詹涛;: "基于卷积神经网络的车牌识别技术", 物流技术, no. 10 * |
张晓娜;何仁;陈士安;姚明;: "基于主动学习AdaBoost算法与颜色特征的车牌定位", 交通运输工程学报, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807302A (zh) * | 2021-09-26 | 2021-12-17 | 重庆紫光华山智安科技有限公司 | 车牌识别算法准确率测试方法、装置、电子设备及可读存储介质 |
CN114140784A (zh) * | 2021-12-01 | 2022-03-04 | 北京比特易湃信息技术有限公司 | 基于车牌关键点提取、色块校正的车牌替换系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113052174B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107666987A (zh) | 机器人过程自动化 | |
CN112857268B (zh) | 对象面积测量方法、装置、电子设备和存储介质 | |
CN113052174B (zh) | 车牌数据样本生成方法、装置、电子设备和存储介质 | |
CN113256583A (zh) | 图像质量检测方法及装置、计算机设备和介质 | |
US20220382841A1 (en) | Information authentication | |
CN112785714A (zh) | 点云实例标注方法及装置、电子设备和介质 | |
CN115953414A (zh) | 基于语义分割的低矮障碍物检测方法和自动驾驶车辆 | |
CN114495103B (zh) | 文本识别方法、装置、电子设备和介质 | |
CN113723305A (zh) | 图像和视频检测方法、装置、电子设备和介质 | |
CN116894317A (zh) | 数据处理方法、装置、电子设备和介质 | |
CN108920230B (zh) | 鼠标悬浮操作的响应方法、装置、设备和存储介质 | |
CN113139542B (zh) | 目标检测方法、装置、设备和计算机可读存储介质 | |
CN115797660A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN116152607A (zh) | 目标检测方法、训练目标检测模型的方法及装置 | |
CN112579587B (zh) | 数据清洗方法及装置、设备和存储介质 | |
CN114998963A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN115082757A (zh) | 伪标签生成方法、目标检测模型训练方法及装置 | |
CN114429678A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN115357500A (zh) | 自动驾驶系统的测试方法、装置、设备和介质 | |
CN114842476A (zh) | 水印检测方法及装置、模型训练方法及装置 | |
CN115620271B (zh) | 图像处理、模型训练方法和装置 | |
CN115100431B (zh) | 目标检测方法、神经网络及其训练方法、设备和介质 | |
CN114511694B (zh) | 图像识别方法、装置、电子设备和介质 | |
CN115512131B (zh) | 图像检测方法和图像检测模型的训练方法 | |
CN112270377B (zh) | 目标图像提取方法、神经网络训练方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |