CN113221894A - 车辆的车牌号识别方法、装置、电子设备和存储介质 - Google Patents
车辆的车牌号识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113221894A CN113221894A CN202110598641.1A CN202110598641A CN113221894A CN 113221894 A CN113221894 A CN 113221894A CN 202110598641 A CN202110598641 A CN 202110598641A CN 113221894 A CN113221894 A CN 113221894A
- Authority
- CN
- China
- Prior art keywords
- license plate
- plate number
- image
- identification result
- detection 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims description 111
- 102100032202 Cornulin Human genes 0.000 claims description 18
- 101000920981 Homo sapiens Cornulin Proteins 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000005299 abrasion Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007592 spray painting technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06V20/63—Scene text, e.g. street names
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- 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
Abstract
本发明实施例公开了一种车辆的车牌号识别方法、装置、电子设备和存储介质,该车辆的车身上标有放大车牌号。该车辆的车牌号识别方法包括:获取包括车辆车牌区域的第一图像,以及包括车身放大车牌号区域的第二图像;根据所述第一图像确定第一车牌号识别结果;以及,根据所述第二图像确定第二车牌号识别结果;根据所述第一车牌号识别结果和所述第二车牌号识别结果的一致性判断结果确定最终车牌号识别结果。本发明实施例结合对车牌的车牌号识别结果和放大车牌号的识别结果,提高对车辆车牌号识别结果的准确性。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种车辆的车牌号识别方法、装置、电子设备和存储介质。
背景技术
车牌自动识别系统也叫做LPR(License Plate Recognition)系统,可应用于道路交通流监控、交通事故现场勘测、交通违章自动记录、高速公路自动收费系统、停车场自动安全管理、智能园区管理等方面,在现代交通监控和管理系统占有很重要的地位。同时,车牌识别的方法还可应用到其它识别领域,因此车辆车牌号的识别问题己成为现代交通工程领域中研究的重点和热点问题之一。
但是,关于车牌识别的研究仍然存在一些问题,例如,在车辆还比较新的时候,车牌上的字迹清晰,较容易识别,随着车龄越来越大,车子经过风吹雨淋,车牌难免受到一定程度的磨损,这样就会造成识别的难度。比如车牌图像的倾斜、车牌自身的磨损、光线的干扰都会影响到定位精度,因为难以保证车牌号最终识别结果的准确性。
发明内容
本发明实施例提供一种车辆的车牌号识别方法、装置、电子设备和存储介质,提高了对车辆的车牌号识别的准确性。
第一方面,本发明实施例提供了一种车辆的车牌号识别方法,所述车辆的车身上标有放大车牌号,包括:
获取包括车辆车牌区域的第一图像,以及包括车身放大车牌号区域的第二图像;
根据所述第一图像确定第一车牌号识别结果;以及,根据所述第二图像确定第二车牌号识别结果;
根据所述第一车牌号识别结果和所述第二车牌号识别结果的一致性判断结果确定最终车牌号识别结果。
第二方面,本发明实施例还提供了一种车辆的车牌号识别装置,所述车辆的车身上标有放大车牌号,包括:
图像获取模块,用于获取包括车辆车牌区域的第一图像,以及包括车身放大车牌号区域的第二图像;
车牌号识别模块,用于根据所述第一图像确定第一车牌号识别结果;以及,根据所述第二图像确定第二车牌号识别结果;
车牌号确定模块,用于根据所述第一车牌号识别结果和所述第二车牌号识别结果的一致性判断结果确定最终车牌号识别结果。
第三方面,本发明实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所述的车辆的车牌号识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的车辆的车牌号识别方法。
本发明实施例获取包括车辆车牌区域的第一图像,以及包括车身放大车牌号区域的第二图像;根据第一图像确定第一车牌号识别结果;以及,根据第二图像确定第二车牌号识别结果;根据第一车牌号识别结果和第二车牌号识别结果的一致性判断结果确定最终车牌号识别结果。本发明实施例通过同时对车牌区域和放大车牌号区域进行车牌号识别,并根据两个区域的车牌号识别结果的一致性判断结果确定最终车牌号识别结果,避免了当车牌磨损导致车牌识别结果不准确的问题,提高了对车辆车牌号识别的准确性。
附图说明
图1是本发明实施例一中的车辆的车牌号识别方法的流程图;
图2是本发明实施例二中的车辆的车牌号识别方法的流程图;
图3是本发明实施例二中的深度级可分离卷积的结构图;
图4是本发明实施例二中的MoblieNetV3网络的结构图;
图5是本发明实施例三中的车辆的车牌号识别装置的结构示意图;
图6是本发明实施例四中的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中的车辆的车牌号识别方法的流程图,本实施例可适用于对车身上标有放大车牌号的车辆进行车牌号识别的情况。该方法可以由车辆的车牌号识别装置来执行,该装置可以采用软件和/或硬件的方式实现,并可配置在电子设备中,例如电子设备可以是后台服务器等具有通信和计算能力的设备。如图1所示,该方法具体包括:
步骤101、获取包括车辆车牌区域的第一图像,以及包括车身放大车牌号区域的第二图像。
由于车辆的车牌受到外界因素影响会存在一定程度的磨损,因此给对车牌进行车牌号识别带来了一定的难度。在本发明实施例中,不仅需要对车辆的车牌区域进行获取图像,还包括对车辆车身标的放大车牌号区域进行获取图像。根据相关规定,大、中型货车及其挂车(包括小型货车、小货车、中型客车、公交车、10余辆小客车)应当在车身喷涂扩大的车牌号,例如在车辆尾部喷漆放大车牌号。因此对车身上标有放大车牌号的车辆可以同时获取到包括车牌区域的第一图像和包括车身放大车牌号区域的第二图像。
具体的,第一图像和第二图像可以通过同一图像采集装置进行获取,或者通过不同图像采集装置进行获取。示例性的,当车辆在车厢尾部有喷漆放大车牌号时,对车辆尾部进行图像采集,即可获取到第一图像和第二图像,此时第一图像和第二图像可以为同一幅图像。或者,由于喷漆放大车牌号和车牌所在位置存在一定的间距,因此根据车辆的高度分别设置两台图像采集装置,分别对车牌区域和放大车牌号区域进行图像采集,以得到第一图像和第二图像。或者,有些车辆的喷漆放大车牌号位于车辆的左右车身上,根据喷漆放大车牌号位于车辆的位置设置对应的图像采集装置,以保证第二图像获取的准确性。
步骤102、根据第一图像确定第一车牌号识别结果;以及,根据第二图像确定第二车牌号识别结果。
由于第一图像中包括车牌区域,则对第一图像中的车牌区域进行车牌号识别,得到车牌的车牌号识别结果,作为第一车牌号识别结果。同时,由于第二图像中包括车身放大车牌号区域,则对第二图像中的车身放大车牌号区域进行车牌号识别,得到车身放大车牌号的车牌号识别结果,作为第二车牌号识别结果。其中,在本发明实施例中对车牌号的具体识别方法并不作限定。
步骤103、根据第一车牌号识别结果和第二车牌号识别结果的一致性判断结果确定最终车牌号识别结果。
若第一车牌号识别结果和第二车牌号识别结果一致,则表示识别结果具有可信度,确定第一车牌号识别结果或第二车牌号识别结果为最终车牌号识别结果。但由于车牌会受到外界因素影响受损或者被遮挡,导致车牌区域定位不准确,则出现第一车牌号识别结果和第二车牌号识别结果不一致的情况,在该情况下,需要进一步确定最终车牌号识别结果。示例性的,若第一车牌号识别结果和第二车牌号识别结果不一致,则触发人工确定流程。因此根据第一车牌号识别结果和第二车牌号识别结果的一致性判断结果可以对车牌号识别结果的准确性进行进一步的保证。
在一个可行的实施例中,步骤103,包括:
若第一车牌号识别结果和第二车牌号识别结果不一致,则确定第二车牌号识别结果为最终车牌号识别结果。
由于根据相关规定,车辆上的放大车牌号区域必须保证清晰,因此对放大车牌区域的第二车牌号识别结果可以保证车牌号识别结果的准确性。因此,若第一车牌号识别结果和第二车牌号识别结果不一致,则确定放大车牌区域的第二车牌号识别结果为最终车牌号识别结果。可选的,若第一车牌号识别结果和第二车牌号识别结果不一致,在确定第二车牌号识别结果为最终车牌号识别结果的同时,对该车辆进行标记,以便进行进一步的核对以及后续复核。
本发明实施例通过同时对车牌区域和放大车牌号区域进行车牌号识别,并根据两个区域的车牌号识别结果的一致性判断结果确定最终车牌号识别结果,避免了当车牌磨损导致车牌识别结果不准确的问题,提高了对车辆车牌号识别的准确性。
实施例二
图2是本发明实施例二中的车辆的车牌号识别方法的流程图,本实施例在上述实施例的基础上进行进一步优化。如图2所示,该方法具体包括:
步骤201、获取包括车辆车牌区域的第一图像,以及包括车身放大车牌号区域的第二图像。
步骤202、对第一图像进行车牌位置定位得到第一检测区域;以及,对第二图像进行车牌号位置定位得到第二检测区域。
在本发明实施例中,将车牌号识别流程简化为车牌号位置定位以及车牌号文字识别两个过程,进而提高识别的准确性。
具体的,首先进行车牌号位置定位,在第一图像中包括车牌区域,则对车牌位置进行定位,得到第一检测区域。示例性的,由于车牌具有一定的特征性,例如车牌的颜色、形状或者反光性等特征,可以利用该特征对车牌位置进行定位,得到第一检测区域为车牌区域。在第二图像中包括放大车牌区域,则对放大车牌区域进行定位,得到第二检测区域。示例性的,由于放大车牌区域也具有其特征性,利用放大车牌区域的特征性对放大车牌区域进行定位,得到第二检测区域为放大车牌号区域。
在一个可行的实施例中,步骤202,包括:
基于预先训练的第一DBNet模型对第一图像进行车牌位置定位得到第一检测区域;
基于预先训练的第二DBNet模型对第二图像进行车牌号位置定位得到第二检测区域;
其中,第一DBNet模型和第二DBNet模型采用轻量化骨干网络MobileNetV3进行训练。
其中,DBNet模型是一种基于分割的方法,其处理流程是首先将图片经过特征金字塔,之后特征金字塔上采样到与原图相同尺寸并经过特征级联得到特征图F,特征图F用来同时预测概率图P和阈值图T,最后由P和F计算出近似二值图,推理时则从近似二值图和概率图中得到文本的包围框。并且为了降低模型计算复杂度,降低模型大小,节约存储空间,在DBNet模型中采用轻量化骨干网络MobileNetV3进行训练。MobileNetV3网络的参数量较少速度较快,且MoblieNetV3结合了MobileNetV1的深度可分离卷积、MobileNetV2的Inverted Residuals和Linear Bottleneck、SE模块,利用NAS(神经结构搜索)来搜索网络的配置和参数。其中,深度级可分离卷积的结构图如图3所示,MoblieNetV3网络的结构图如图4所示。
具体的,DBNet模型通过预先采集的标注数据进行训练得到。可选的,第一DBNet模型和第二DBNet模型可以为同一个模型,或者为不同的模型。示例性的,采集车牌图像数据和放大车牌号图像数据,对车牌图像数据和放大车牌号图像数据进行标准化预处理,例如对图像进行缩放处理,使得所有图像的最长边尺寸一致,以提高后续模型训练的效率和准确性。并利用标注工具对车牌区域和放大车牌号区域进行位置标注,采用车牌图像数据和放大车牌号图像数据的标注数据集对DBNet模型进行训练,得到的模型既可以实现对车牌位置进行定位,也可以实现对放大车牌号区域进行定位。示例性的,由于车牌的特征与车身上放大车牌号的特征具有一定的差异性,为了保证模型训练的准确性,采用车牌图像数据的标注数据集对DBNet模型进行训练,得到第一DBNet模型,通过第一DBNet模型可以实现对车牌位置的定位。采用放大车牌号图像数据的标注数据集对DBNet模型进行训练,得到第二DBNet模型,通过第二DBNet模型可以实现对放大车牌号位置的定位。
在得到第一DBNet模型和第二DBNet模型后,将第一图像输入到第一DBNet模型中,将第二图像输入到第二DBNet模型中,得到待检测区域文字的包围框,即第一检测区域和第二检测区域。示例性的,得到的第一检测区域和第二检测区域结果中包括区域的位置信息以及该区域的置信度,其中,位置信息包括检测区域的四个角的坐标点信息。
在一个可行的实施例中,步骤202,包括:
若对第一图像进行车牌位置定位得到至少两个第一检测区域,则根据至少两个第一检测区域在第一图像中的位置信息确定目标第一检测区域;
若对第二图像进行车牌号位置定位得到至少两个第二检测区域,则根据至少两个第二检测区域在第二图像中的位置信息确定目标第二检测区域。
由于DBNet模型在确定检测区域时,是根据得到的文本检测框的置信度进行筛选,筛选置信度大于固定阈值的文本检测框作为第一检测区域,小于该阈值的文本检测框则进行过滤。因此DBNet模型输出的检测结果中可能会包括至少两个第一检测区域,即在第一图像中存在至少两个车牌,或者在第二图像中存在至少两个放大车牌区域,这是由于第一图像和第二图像的采集过程中,由于无法保证该车辆附近车辆的停放位置,会出现第一图像和第二图像中同时存在至少两辆车辆,则会导致车牌位置定位的结果为至少两个第一检测区域,或者车牌号位置定位的结果为至少两个第二检测区域。在这种情况下,由于采集第一图像和第二图像的图像采集装置设置角度的针对性,保证了待检测车辆在画面中出现位置的固定性,因此根据至少两个第一检测区域在第一图像中的位置信息即可确定属于待检测车辆的目标第一检测区域,根据至少两个第二检测区域在第二图像中的位置信息即可确定属于待检测车辆的目标第二检测区域。示例性的,根据图像采集装置的设置角度,确定画面中第一检测区域的第一存在位置区域,和第二检测区域的第二存在位置区域,将位于第一存在位置区域中的第一检测区域确定为目标第一检测区域,将位于第二存在位置区域中的第二检测区域确定为目标第二检测区域。可选的,若对第一图像进行车牌位置定位得到一个第一检测区域,则直接确定该第一检测区域为目标第一检测区域;同理,若对第二图像进行放大车牌号位置定位得到一个第二检测区域,则直接确定该第二检测区域为目标第二检测区域。
步骤203、对第一检测区域进行文字识别得到第一车牌号识别结果;以及,对第二检测区域进行文字识别得到第二车牌号识别结果。
在进行位置定位得到车牌区域的第一检测区域和放大车牌号的第二检测区域后,采用文字识别方法分别对第一检测区域和第二检测区域进行文字识别,得到车牌的第一车牌号识别结果和放大车牌号的第二车牌号识别结果。其中,在本发明实施例中,对文字识别的方法并不限制,并且对第一检测区域和第二检测区域是否采用同一种文字识别方法也并不限制。
在一个可行的实施例中,步骤203,包括:
基于预先训练的第一CRNN模型对第一检测区域进行文字识别得到第一车牌号识别结果;
基于预先训练的第二CRNN模型对第二检测区域进行文字识别得到第二车牌号识别结果。
其中,CRNN模型采用的是一种基于CNN、CTC、Bi-LSTM(双向长短时记忆网络)组合在一起的文字识别算法,其对于特定场景的文字识别效果较好,整个处理过程中直接从序列标签中学习,不需要将图片分割就可以达到很好的识别效果。
具体的,基于标准的车牌格式,生成不同颜色包括黄底黑字牌照、蓝底白字牌照、绿底黑字牌照等图片,并随机添加噪声、旋转、光照等干扰因素,使其接近真实的车牌图片,基于生成的车牌图片训练得到第一CRNN模型;同时,基于标准的放大车牌号格式,生成放大车牌号图像,并随机添加噪声、旋转、光照等干扰因素,使其接近真实的放大车牌号图片,基于生成的放大车牌号图片训练得到第二CRNN模型。可选的,第一CRNN模型和第二CRNN模型可以为同一模型,即同时对生成的车牌图片和放大车牌号图片进行训练,得到CRNN模型,作为第一CRNN模型和第二CRNN模型。
训练得到第一CRNN模型和第二CRNN模型后,在将第一检测区域和第二检测区域输入到模型进行识别前,对检测区域进行统一的尺寸变换,以保证文字识别的准确性。将尺寸变换后的第一检测区域输入到第一CRNN模型提取文字序列特征,以及将尺寸变换后的第二检测区域输入到第二CRNN模型中提取文字序列特征,将整合好的特征序列送入Bi-LSTM网络中对字符序列特征进行识别并输出序列特征中每一帧的标签分布;最后将最高概率的标签序列作为最后的预测结果输出,即输出第一车牌号识别结果和第二车牌号识别结果。
在一个可行的实施例中,在步骤203之前,还包括:
对第一检测区域和第二检测区域进行方向校正。
由于图像采集装置拍摄角度的限制,可能会导致第一图像和第二图像中的车牌和放大车牌号存在一定角度的方向偏差,因此得到的第一检测区域和第二检测区域也会存在一定角度的方向偏差,因此需要对第一检测区域和第二检测区域进行方向校正,以保证后续文字识别的准确性。示例性的,基于检测区域的四个角的坐标点位置信息,通过仿射变换将检测区域文本框变为水平矩形格式。
步骤204、根据第一车牌号识别结果和第二车牌号识别结果的一致性判断结果确定最终车牌号识别结果。
本发明实施例简化了车牌号检测识别流程,将车牌号识别流程简化为位置定位和文字识别两个过程,并且使用深度学习技术实现了端到端的检测和识别,。在位置定位中应用轻量级网络,精简了网络层数,减少了生成模型的规模,节约了存储空间,同时保证识别结果的准确性和实时性,使得最终的模型可以更方便的部署在移动端或者嵌入式设备中。
实施例三
图5是本发明实施例三中的车辆的车牌号识别装置的结构示意图,本实施例可适用于对车身上标有放大车牌号的车辆进行车牌号识别的情况。如图5所示,该装置包括:
图像获取模块510,用于获取包括车辆车牌区域的第一图像,以及包括车身放大车牌号区域的第二图像;
车牌号识别模块520,用于根据所述第一图像确定第一车牌号识别结果;以及,根据所述第二图像确定第二车牌号识别结果;
车牌号确定模块530,用于根据所述第一车牌号识别结果和所述第二车牌号识别结果的一致性判断结果确定最终车牌号识别结果。
本发明实施例通过同时对车牌区域和放大车牌号区域进行车牌号识别,并根据两个区域的车牌号识别结果的一致性判断结果确定最终车牌号识别结果,避免了当车牌磨损导致车牌识别结果不准确的问题,提高了对车辆车牌号识别的准确性。
可选的,车牌号识别模块,包括:
位置定位单元,用于对所述第一图像进行车牌位置定位得到第一检测区域;以及,对所述第二图像进行车牌号位置定位得到第二检测区域;
文字识别单元,用于对所述第一检测区域进行文字识别得到第一车牌号识别结果;以及,对所述第二检测区域进行文字识别得到第二车牌号识别结果。
可选的,位置定位单元,具体用于:
基于预先训练的第一DBNet模型对所述第一图像进行车牌位置定位得到第一检测区域;
基于预先训练的第二DBNet模型对所述第二图像进行车牌号位置定位得到第二检测区域;
其中,所述第一DBNet模型和所述第二DBNet模型采用轻量化骨干网络MobileNetV3进行训练。
可选的,文字识别单元,包括:
基于预先训练的第一CRNN模型对所述第一检测区域进行文字识别得到第一车牌号识别结果;
基于预先训练的第二CRNN模型对所述第二检测区域进行文字识别得到第二车牌号识别结果。
可选的,位置定位单元,具体用于:
若对所述第一图像进行车牌位置定位得到至少两个第一检测区域,则根据所述至少两个第一检测区域在所述第一图像中的位置信息确定目标第一检测区域;
若对所述第二图像进行车牌号位置定位得到至少两个第二检测区域,则根据所述至少两个第二检测区域在所述第二图像中的位置信息确定目标第二检测区域。
可选的,车牌号识别模块中还包括方向校正单元,用于在对所述第一检测区域进行文字识别得到第一车牌号识别结果;以及,对所述第二检测区域进行文字识别得到第二车牌号识别结果之前,对所述第一检测区域和第二检测区域进行方向校正。
可选的,车牌号确定模块,具体用于:
若所述第一车牌号识别结果和所述第二车牌号识别结果不一致,则确定所述第二车牌号识别结果为最终车牌号识别结果。
本发明实施例所提供的车辆的车牌号识别装置可执行本发明任意实施例所提供的车辆的车牌号识别方法,具备执行车辆的车牌号识别方法相应的功能模块和有益效果。
实施例四
图6是本发明实施例四提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图6显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储装置28,连接不同系统组件(包括系统存储装置28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储装置总线或者存储装置控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储装置28可以包括易失性存储装置形式的计算机系统可读介质,例如随机存取存储装置(RAM)30和/或高速缓存存储装置32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储装置28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储装置28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图6所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图6中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储装置28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的车辆的车牌号识别方法,车辆的车身上标有放大车牌号,包括:
获取包括车辆车牌区域的第一图像,以及包括车身放大车牌号区域的第二图像;
根据所述第一图像确定第一车牌号识别结果;以及,根据所述第二图像确定第二车牌号识别结果;
根据所述第一车牌号识别结果和所述第二车牌号识别结果的一致性判断结果确定最终车牌号识别结果。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的车辆的车牌号识别方法,车辆的车身上标有放大车牌号,包括:
获取包括车辆车牌区域的第一图像,以及包括车身放大车牌号区域的第二图像;
根据所述第一图像确定第一车牌号识别结果;以及,根据所述第二图像确定第二车牌号识别结果;
根据所述第一车牌号识别结果和所述第二车牌号识别结果的一致性判断结果确定最终车牌号识别结果。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种车辆的车牌号识别方法,其特征在于,所述车辆的车身上标有放大车牌号,包括:
获取包括车辆车牌区域的第一图像,以及包括车身放大车牌号区域的第二图像;
根据所述第一图像确定第一车牌号识别结果;以及,根据所述第二图像确定第二车牌号识别结果;
根据所述第一车牌号识别结果和所述第二车牌号识别结果的一致性判断结果确定最终车牌号识别结果。
2.根据权利要求1所述的方法,其特征在于,根据所述第一图像确定第一车牌号识别结果;以及,根据所述第二图像确定第二车牌号识别结果,包括:
对所述第一图像进行车牌位置定位得到第一检测区域;以及,对所述第二图像进行车牌号位置定位得到第二检测区域;
对所述第一检测区域进行文字识别得到第一车牌号识别结果;以及,对所述第二检测区域进行文字识别得到第二车牌号识别结果。
3.根据权利要求2所述的方法,其特征在于,对所述第一图像进行车牌位置定位得到第一检测区域;以及,对所述第二图像进行车牌号位置定位得到第二检测区域,包括:
基于预先训练的第一DBNet模型对所述第一图像进行车牌位置定位得到第一检测区域;
基于预先训练的第二DBNet模型对所述第二图像进行车牌号位置定位得到第二检测区域;
其中,所述第一DBNet模型和所述第二DBNet模型采用轻量化骨干网络MobileNetV3进行训练。
4.根据权利要求2所述的方法,其特征在于,对所述第一检测区域进行文字识别得到第一车牌号识别结果;以及,对所述第二检测区域进行文字识别得到第二车牌号识别结果,包括:
基于预先训练的第一CRNN模型对所述第一检测区域进行文字识别得到第一车牌号识别结果;
基于预先训练的第二CRNN模型对所述第二检测区域进行文字识别得到第二车牌号识别结果。
5.根据权利要求2所述的方法,其特征在于,对所述第一图像进行车牌位置定位得到第一检测区域;以及,对所述第二图像进行车牌号位置定位得到第二检测区域,包括:
若对所述第一图像进行车牌位置定位得到至少两个第一检测区域,则根据所述至少两个第一检测区域在所述第一图像中的位置信息确定目标第一检测区域;
若对所述第二图像进行车牌号位置定位得到至少两个第二检测区域,则根据所述至少两个第二检测区域在所述第二图像中的位置信息确定目标第二检测区域。
6.根据权利要求2所述的方法,其特征在于,在对所述第一检测区域进行文字识别得到第一车牌号识别结果;以及,对所述第二检测区域进行文字识别得到第二车牌号识别结果之前,还包括:
对所述第一检测区域和第二检测区域进行方向校正。
7.根据权利要求1所述的方法,其特征在于,根据所述第一车牌号识别结果和所述第二车牌号识别结果的一致性判断结果确定最终车牌号识别结果,包括:
若所述第一车牌号识别结果和所述第二车牌号识别结果不一致,则确定所述第二车牌号识别结果为最终车牌号识别结果。
8.一种车辆的车牌号识别装置,其特征在于,所述车辆的车身上标有放大车牌号,包括:
图像获取模块,用于获取包括车辆车牌区域的第一图像,以及包括车身放大车牌号区域的第二图像;
车牌号识别模块,用于根据所述第一图像确定第一车牌号识别结果;以及,根据所述第二图像确定第二车牌号识别结果;
车牌号确定模块,用于根据所述第一车牌号识别结果和所述第二车牌号识别结果的一致性判断结果确定最终车牌号识别结果。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的车辆的车牌号识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的车辆的车牌号识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598641.1A CN113221894A (zh) | 2021-05-31 | 2021-05-31 | 车辆的车牌号识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598641.1A CN113221894A (zh) | 2021-05-31 | 2021-05-31 | 车辆的车牌号识别方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113221894A true CN113221894A (zh) | 2021-08-06 |
Family
ID=77081787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110598641.1A Pending CN113221894A (zh) | 2021-05-31 | 2021-05-31 | 车辆的车牌号识别方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221894A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299408A (zh) * | 2021-12-31 | 2022-04-08 | 哪吒港航智慧科技(上海)有限公司 | 轮胎吊车号箱号识别方法及系统、存储介质及终端 |
CN114708749A (zh) * | 2022-03-17 | 2022-07-05 | 重庆长安汽车股份有限公司 | 停车位记忆提醒方法及相关装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796052A (zh) * | 2019-10-21 | 2020-02-14 | 和昌未来科技(深圳)有限公司 | 车牌识别方法、装置、设备及可读介质 |
CN111582263A (zh) * | 2020-05-12 | 2020-08-25 | 上海眼控科技股份有限公司 | 车牌识别方法、装置、电子设备及存储介质 |
CN111639640A (zh) * | 2020-04-24 | 2020-09-08 | 深圳市金溢科技股份有限公司 | 基于人工智能的车牌识别方法、装置及设备 |
CN112052855A (zh) * | 2020-09-14 | 2020-12-08 | 北京易华录信息技术股份有限公司 | 一种基于深度学习的车牌识别方法及装置 |
CN112199545A (zh) * | 2020-11-23 | 2021-01-08 | 湖南蚁坊软件股份有限公司 | 基于图片文字定位的关键词显示方法、装置及存储介质 |
CN112257541A (zh) * | 2020-10-16 | 2021-01-22 | 浙江大华技术股份有限公司 | 车牌识别方法以及电子设备、计算机可读存储介质 |
CN112836683A (zh) * | 2021-03-04 | 2021-05-25 | 广东建邦计算机软件股份有限公司 | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 |
-
2021
- 2021-05-31 CN CN202110598641.1A patent/CN113221894A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796052A (zh) * | 2019-10-21 | 2020-02-14 | 和昌未来科技(深圳)有限公司 | 车牌识别方法、装置、设备及可读介质 |
CN111639640A (zh) * | 2020-04-24 | 2020-09-08 | 深圳市金溢科技股份有限公司 | 基于人工智能的车牌识别方法、装置及设备 |
CN111582263A (zh) * | 2020-05-12 | 2020-08-25 | 上海眼控科技股份有限公司 | 车牌识别方法、装置、电子设备及存储介质 |
CN112052855A (zh) * | 2020-09-14 | 2020-12-08 | 北京易华录信息技术股份有限公司 | 一种基于深度学习的车牌识别方法及装置 |
CN112257541A (zh) * | 2020-10-16 | 2021-01-22 | 浙江大华技术股份有限公司 | 车牌识别方法以及电子设备、计算机可读存储介质 |
CN112199545A (zh) * | 2020-11-23 | 2021-01-08 | 湖南蚁坊软件股份有限公司 | 基于图片文字定位的关键词显示方法、装置及存储介质 |
CN112836683A (zh) * | 2021-03-04 | 2021-05-25 | 广东建邦计算机软件股份有限公司 | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
刘树春: "深度实践OCR 基于深度学习的文字识别", vol. 1, 31 May 2020, 机械工业出版社, pages: 123 - 124 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299408A (zh) * | 2021-12-31 | 2022-04-08 | 哪吒港航智慧科技(上海)有限公司 | 轮胎吊车号箱号识别方法及系统、存储介质及终端 |
CN114708749A (zh) * | 2022-03-17 | 2022-07-05 | 重庆长安汽车股份有限公司 | 停车位记忆提醒方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109343061B (zh) | 传感器标定方法、装置、计算机设备、介质和车辆 | |
CN107153363B (zh) | 无人驾驶汽车的仿真测试方法及装置、设备与可读介质 | |
US20200364467A1 (en) | Method and device for detecting illegal parking, and electronic device | |
US20180240194A1 (en) | Visual analytics based vehicle insurance anti-fraud detection | |
CN111507989A (zh) | 语义分割模型的训练生成方法、车辆外观检测方法、装置 | |
CN105787524A (zh) | 基于OpenCV的车牌识别方法及系统 | |
CN110135396B (zh) | 地面标志的识别方法、装置、设备及介质 | |
CN110879950A (zh) | 多级目标分类及交通标志检测方法和装置、设备、介质 | |
CN111178357B (zh) | 车牌识别方法、系统、设备和存储介质 | |
CN113221894A (zh) | 车辆的车牌号识别方法、装置、电子设备和存储介质 | |
CN111931683B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN114399744A (zh) | 一种车型识别方法、装置、电子设备和存储介质 | |
CN111382735B (zh) | 夜间车辆检测方法、装置、设备及存储介质 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN115810134A (zh) | 一种车险反欺诈的图像采集质检方法、系统和装置 | |
Kiew et al. | Vehicle route tracking system based on vehicle registration number recognition using template matching algorithm | |
CN110909742A (zh) | 车牌检测方法、系统、平台和存储介质 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN112016432A (zh) | 基于深度学习的车牌字符识别方法、存储介质及电子设备 | |
CN116071557A (zh) | 一种长尾目标检测方法、计算机可读存储介质及驾驶设备 | |
CN111639640B (zh) | 基于人工智能的车牌识别方法、装置及设备 | |
CN115618602A (zh) | 一种车道级场景仿真方法及系统 | |
CN115359438A (zh) | 一种基于计算机视觉的车辆加塞的检测方法、系统和装置 | |
CN115311634A (zh) | 一种基于模板匹配的车道线跟踪方法、介质以及设备 | |
US11481881B2 (en) | Adaptive video subsampling for energy efficient object detection |
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 |