CN113313115B - 车牌属性识别方法及装置、电子设备和存储介质 - Google Patents
车牌属性识别方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113313115B CN113313115B CN202110653880.2A CN202110653880A CN113313115B CN 113313115 B CN113313115 B CN 113313115B CN 202110653880 A CN202110653880 A CN 202110653880A CN 113313115 B CN113313115 B CN 113313115B
- Authority
- CN
- China
- Prior art keywords
- license plate
- attribute
- network
- image
- images
- 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.)
- Active
Links
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本公开涉及一种车牌属性识别方法及装置、电子设备和存储介质,所述方法包括:获取待处理的车辆图像;对车辆图像中的车牌图像进行特征提取,得到车牌图像的车牌特征图;按照与车牌的属性类型对应的识别方式,对车牌特征图进行属性识别,得到车牌图像中车牌的属性识别结果。本公开实施例可实现提高不同车牌属性的识别精度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种车牌属性识别方法及装置、电子设备和存储介质。
背景技术
随着车辆的普及,智能交通监控系统应用的越来越广泛,比如:应用于卡口的车辆监控和检索、公安刑侦调查、交警指挥调度等场景。其中,车牌的属性检测是智能交通监控系统的关键环节,该环节能够对采集到的车辆图像中的车牌进行属性识别,得到车牌类型、车牌号码、车牌颜色等信息。
相关技术中,多任务卷积神经网络(Multi-Task Convolution Neural Net,MTCNN)常用于解决车牌属性的识别问题,这种方法基于多分支网络共享特征,可简单有效地对车牌的各个独立属性进行识别。但不同属性的识别难度不同,针对多个分支网络,基于同样的共享特征进行识别,可能会出现由于特征不明显而造成分支网络的识别结果不精确的问题。
发明内容
本公开提出了一种车牌属性识别技术方案。
根据本公开的一方面,提供了一种车牌属性识别方法,包括:获取待处理的车辆图像;对所述车辆图像中的车牌图像进行特征提取,得到所述车牌图像的车牌特征图;按照与车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果。
在一种可能的实现方式中,所述属性类型包括车牌类型,所述按照与所述车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果,包括:根据预设的尺寸比例,对所述车牌特征图进行分割,得到分割后的至少两个局部特征图;对所述至少两个局部特征图进行加权及融合处理,得到处理后的融合特征图;对所述融合特征图进行分类处理,确定所述车牌图像中车牌的车牌类型,所述属性识别结果包括所述车牌图像中车牌的车牌类型。
在一种可能的实现方式中,所述对所述至少两个局部特征图进行加权及融合处理,得到处理后的融合特征图,包括:对所述至少两个局部特征图进行卷积处理,得到每一所述局部特征图的权重图,所述权重图的尺度与所述局部特征图的尺度相同;将所述权重图与对应的局部特征图相乘,得到至少两个注意力图;对所述至少两个注意力图进行加权及融合处理,得到所述融合特征图。
在一种可能的实现方式中,所述对所述至少两个注意力图进行加权及融合处理,得到所述融合特征图,包括:根据所述至少两个局部特征图相对于所述车牌特征图的位置,确定所述至少两个局部特征图的权重值;基于所述权重值,对所述至少两个注意力图进行加权处理,得到至少两个加权后的注意力图;对所述至少两个加权后的注意力图进行融合处理,得到所述融合特征图。
在一种可能的实现方式中,所述属性类型包括车牌颜色,所述按照与所述车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果,包括:对所述车牌特征图进行分类处理,确定所述车牌图像中车牌的车牌颜色,所述属性识别结果包括所述车牌图像中车牌的车牌颜色。
在一种可能的实现方式中,所述属性类型包括车牌号,所述按照与所述车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果,包括:对所述车牌特征图进行文本识别,得到车牌图像中车牌的车牌号,所述属性识别结果包括所述车牌图像中车牌的车牌号。
在一种可能的实现方式中,所述方法通过属性识别网络对所述车辆图像中的车牌图像进行特征提取,得到所述车牌图像的车牌特征图,以及按照与车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果,所述方法还包括:将已标注的样本图像输入至所述属性识别网络中,得到所述属性识别网络的输出结果;根据所述输出结果以及所述样本图像的标注信息,确定所述属性识别的网络损失;根据所述属性识别网络的网络损失,训练所述属性识别网络。
在一种可能的实现方式中,所述属性识别网络包括主干网络以及多个分支网络,所述主干网络用于对所述车辆图像中的车牌图像进行特征提取,得到所述车牌图像的车牌特征图,所述多个分支网络用于按照与车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果;其中,所述属性识别网络的网络损失包括:所述多个分支网络中至少一个分支网络对应的子网络损失;所述根据所述属性识别网络的网络损失,训练所述属性识别网络,包括:在所述多个分支网络中至少一个分支网络的子网络损失已收敛的情况下,根据未收敛的分支网络的子网络损失,更新所述未收敛的分支网络的网络参数。
根据本公开的一方面,提供了一种车牌属性识别装置,包括:获取模块,用于获取待处理的车辆图像;提取模块,用于对所述车辆图像中的车牌图像进行特征提取,得到所述车牌图像的车牌特征图;识别模块,用于按照与车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果。
在一种可能的实现方式中,所述属性类型包括车牌类型,所述识别模块,包括:分割子模块,用于根据预设的尺寸比例,对所述车牌特征图进行分割,得到分割后的至少两个局部特征图;融合子模块,用于对所述至少两个局部特征图进行加权及融合处理,得到处理后的融合特征图;分类子模块,用于对所述融合特征图进行分类处理,确定所述车牌图像中车牌的车牌类型,所述属性识别结果包括所述车牌图像中车牌的车牌类型。
在一种可能的实现方式中,所述对所述至少两个局部特征图进行加权及融合处理,得到处理后的融合特征图,包括:对所述至少两个局部特征图进行卷积处理,得到每一所述局部特征图的权重图,所述权重图的尺度与所述局部特征图的尺度相同;将所述权重图与对应的局部特征图相乘,得到至少两个注意力图;对所述至少两个注意力图进行加权及融合处理,得到所述融合特征图。
在一种可能的实现方式中,所述对所述至少两个注意力图进行加权及融合处理,得到所述融合特征图,包括:根据所述至少两个局部特征图相对于所述车牌特征图的位置,确定所述至少两个局部特征图的权重值;基于所述权重值,对所述至少两个注意力图进行加权处理,得到至少两个加权后的注意力图;对所述至少两个加权后的注意力图进行融合处理,得到所述融合特征图。
在一种可能的实现方式中,所述属性类型包括车牌颜色,所述识别模块,包括:颜色识别子模块,用于对所述车牌特征图进行分类处理,确定所述车牌图像中车牌的车牌颜色,所述属性识别结果包括所述车牌图像中车牌的车牌颜色。
在一种可能的实现方式中,所述属性类型包括车牌号,所述识别模块,包括:文本识别子模块,用于对所述车牌特征图进行文本识别,得到车牌图像中车牌的车牌号,所述属性识别结果包括所述车牌图像中车牌的车牌号。
在一种可能的实现方式中,所述装置通过属性识别网络对所述车辆图像中的车牌图像进行特征提取,得到所述车牌图像的车牌特征图,以及按照与车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果,所述装置还包括:输入模块,用于将已标注的样本图像输入至所述属性识别网络中,得到所述属性识别网络的输出结果;损失确定模块,用于根据所述输出结果以及所述样本图像的标注信息,确定所述属性识别的网络损失;训练模块,用于根据所述属性识别网络的网络损失,训练所述属性识别网络。
在一种可能的实现方式中,所述属性识别网络包括主干网络以及多个分支网络,所述主干网络用于对所述车辆图像中的车牌图像进行特征提取,得到所述车牌图像的车牌特征图,所述多个分支网络用于按照与车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果;其中,所述属性识别网络的网络损失包括:所述多个分支网络中至少一个分支网络的对应的子网络损失;所述根据所述属性识别网络的网络损失,训练所述属性识别网络,包括:在所述多个分支网络中至少一个分支网络的子网络损失已收敛的情况下,根据未收敛的分支网络的子网络损失,更新所述未收敛的分支网络的网络参数。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,通过提取车牌图像的车牌特征图,进而按照与车牌的属性类型对应的识别方式,对车牌特征图进行属性识别,这样能够实现针对不同的车牌属性,尤其针对识别难度不同的属性,采取更有针对性的属性识别方式,解决基于同样的共享特征进行不同属性识别的识别精度低的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的车牌属性识别方法的流程图。
图2示出根据本公开实施例的车牌图像的示意图。
图3示出根据本公开实施例的车牌属性识别方法的示意图。
图4示出根据本公开实施例的车牌属性识别装置的框图。
图5示出根据本公开实施例的一种电子设备的框图。
图6示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
应当理解,本公开的权利要求、说明书及附图中的术语“第一”、“第二”及“第三”等是用于区别不同对象,而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的车牌属性识别方法的流程图,所述车牌属性识别方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal DigitalAssistant, PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行所述方法。如图1所示,所述属性识别方法包括:
在步骤S11中,获取待处理的车辆图像;
在步骤S12中,对所述车辆图像中的车牌图像进行特征提取,得到车牌图像的车牌特征图;
在步骤S13中,按照与车牌的属性类型对应的识别方式,对车牌特征图进行属性识别,得到车牌图像中车牌的属性识别结果。
在一种可能的实现方式中,在步骤S11中,待处理的车辆图像可以为图像采集设备(例如卡口相机、电子眼等)所采集的图像或视频帧等,也可以是其它电子设备传输的图像,或从本地存储中调用的图像,对此本公开实施例不作限制。
在一种可能的实现方式中,可以通过车牌检测网络对车牌图像进行车牌检测,得到车辆图像中的车牌所在的区域。其中,车牌检测网络例如可以采用RetinaNet网络(一种残差网络Resnet+特征金字塔网络FPN构成的网络),当然也可以根据实际需求,采用其他类型的神经网络。对于车牌检测网络的网络结构,本公开实施例不作限制。通过该方式,可以将车辆图像中车牌所在的区域检测出来,以便于较为精准地针对车牌图像中的车牌进行属性识别。
其中,车牌检测网络包括主干网络(可称为骨干backbone网络,或编码器),用于进行特征提取(也即特征编码),该主干网络可以采用Resnet+FPN的网络结构;再使用多层特征层(如卷积层)进行特征解码及边界框回归(Bounding Box Regression,又称为边框回归)。可以采用非极大值抑制NMS,以及设置锚框重叠率阈值的方式,得到车牌的锚框,也即得到车牌所在的区域。
在一种可能的实现方式中,为提高车牌检测的速度,可以根据实际需求将车牌检测网络的主干网络中各网络层的输出通道数目按比例缩小,例如,可以缩小为初始通道数的1/n,n=2\4\8\16……,对此本公开实施例不作限制。通过该方式,不仅可以确保车牌检测的高精度,还可以显著减小车牌检测网络的大小,提高车牌检测的速度。
在一种可能的实现方式中,在对车牌检测网络进行训练的过程中,可以通过现有的方式(例如:自动聚类锚框或手动设计锚框),得到用于指示车牌所在的区域的锚框(anchor,又称为参考框、矩形框、边界框等),对此本公开实施例不作限制。
应理解的是,车牌图像也即车辆图像中车牌所在区域的图像。其中,可按照锚框指示的区域,对车牌图像进行剪裁,得到车辆图像中的车牌图像。
在一种可能的实现方式中,在步骤S12中,可以通过属性识别网络中的主干网络对车牌图像进行特征提取,得到车牌图像的车牌特征图,该属性识别网络的主干网络例如可采用残差网络Resnet18;以及,在步骤S13中,通过属性识别网络中的多个分支网络按照与车牌的属性类型对应的识别方式,对车牌特征图进行属性识别,得到车牌的属性识别结果。
其中,车牌的属性类型可至少包括以下中的一种:车牌类型、车牌颜色、车牌号等。通过该方式,可以实现对车牌的多种属性类型的识别。
其中,车牌类型例如可以至少包括:小型新能源汽车车牌、大型新能源汽车车牌、大型汽车车牌、挂车车牌、小型汽车车牌、使馆汽车车牌、领馆汽车车牌、教练车车牌、警车车牌、消防救援车牌、武警车牌、军用车牌以及非正常车牌等类型。车牌颜色例如可以至少包括:黑色、蓝色、绿色、黄色、黄绿、白色以及非车牌颜色等类型。
在一种可能的实现方式中,还可以对车牌图像进行图像预处理,例如:对车牌图像进行插值采样处理、归一化处理等。经过插值采样处理及归一化处理可以将车牌图像,处理为指定尺寸(例如长*宽为96*96)的图像,该指定尺寸可是属性识别网络所需的输入数据的尺寸。通过该方式,不仅可以加快属性识别网络的训练速度,还可以确保属性识别网络具有较高的识别精度。
在一种可能的实现方式中,属性识别网络的主干网络可以包括5组网络层。其中,第一组网络层可以设置7×7大小的滤波器(也即7×7个卷积核),用于对输入的3通道的车牌图像进行卷积处理,得到64通道的输出图,并将车牌图像的尺度下采样到原尺度的1/2;第二组至第五组网络层中,每组网络层中可以包括1-3层卷积层,每层卷积层的卷积核尺寸为3*3,每组网络层的输出图的通道数依次为64、128、256及512,每组网络层的输出图的尺度下采样为车牌图像的1/4、1/8、1/16及1/32。应理解的是,每组网络层的输入图为上组网络层的输出图,本公开中的输入图及输出图可以均指特征图。通过该方式,可以使得特征图的尺寸逐渐缩小,通道数逐渐加深,特征信息表达的语义更加精准。
其中,下采样可以通过最大池化处理的方式实现,例如,针对输入图,每四个特征点中选取特征值最大的一个点,这样下采样后的输出图为输入图尺度的1/2。
在一种可能的实现方式中,属性识别网络可以采用大量人工标注的样本图像(例如车牌样本图像)训练得到。训练时每个分支网络输出结果的损失可以对应使用交叉熵损失函数确定;可以基于各分支网络的损失分量之和,对属性识别网络进行训练,例如:基于用于识别车牌类型的分支网络的损失分量、与用于识别车牌颜色的分支网络的损失分量的和,所确定的损失来优化属性识别网络的网络参数,以实现对属性识别网络的训练。
其中,可以依据各分支网络的精度、准确率等,确定属性识别网络是否训练完成,例如,可以选取各分支网络的精度之和最优时的属性识别网络,作为训练后的属性识别网络。对于样本图像的标注方式及属性识别网络的训练方式,本公开实施例不作限制。
需要说明的是,以上车牌检测网络及属性识别网络的网络结构等是本公开实施例公开的一种实现方式,本领域技术人员应理解,本公开应不限于于此。实际上,本领域技术人员可根据实际需求设计网络结构,只要可实现车牌检测及属性识别即可,本公开实施例对此不作限制。
在一种可能的实现方式中,属性识别网络中的多个分支网络可以用于分别对车牌的多个属性进行识别。应理解的是,不同的属性识别的难度不同,例如,对于车牌颜色的识别要比车牌类型的识别容易,不同分支网络对于主干网络提取的车牌特征图的处理方式可以不同。这样可以按照与车牌的属性类型对应的识别方式,对车牌特征图进行属性识别,不仅可以实现基于车牌的整体特征同时对车牌的多种属性进行识别,还可以解决基于同样的共享特征进行不同属性识别的识别精度低的问题。
在本公开实施例中,通过提取车牌图像的车牌特征图,进而按照与车牌的属性类型对应的识别方式,对车牌特征图进行属性识别,能够针对不同的属性,尤其针对识别难度不同的属性,采取更有针对性的属性识别方式,解决基于同样的共享特征进行不同属性识别的识别精度低的问题。
如上所述,车牌的属性类型包括车牌类型。在一种可能的实现方式中,在步骤S13中,按照与车牌的属性类型对应的识别方式,对车牌特征图进行属性识别,得到车牌图像中车牌的属性识别结果,包括:
步骤S131:根据预设的尺寸比例,对车牌特征图进行分割,得到分割后的至少两个局部特征图;
步骤S132:对至少两个局部特征图进行加权及融合处理,得到处理后的融合特征图;
步骤S133:对融合特征图进行分类处理,确定车牌图像中车牌的车牌类型,属性识别结果包括车牌图像中车牌的车牌类型。
其中,预设的尺寸比例,可根据实际需求设定,例如,可以是1:1:1或1:2:1的尺寸比例,对此本公开实施例不作限制。
在一种可能的实现方式中,对至少两个局部特征图进行加权及融合处理,得到融合后的融合特征图,可以包括:对至少两个局部特征图进行加权处理;对加权处理后的至少两个局部特征图进行融合处理,得到融合后的融合特征图。
其中,融合处理可以包括特征图之间的拼接处理。特征图之间的拼接处理,可包括:按照分割后的特征图相对于分割前的特征图的位置进行拼接,也即根据至少两个局部特征图相对于车牌特征图的位置,对加权处理后的局部特征图进行拼接。通过该方式,使得拼接后的特征图与分割前的特征图的尺度一致。
在一种可能的实现方式中,特征图之间的拼接处理,还可包括:按照分割后的特征图相对于分割前的特征图的位置以及分割前特征图的通道顺序,拼接分割后特征图,也即根据至少两个局部特征图相对于车牌特征图的位置,以及该车牌特征图的通道顺序,对加权处理后的局部特征图进行拼接。通过该方式,不仅可使得拼接后的特征图与分割前的特征图的尺度一致,还可保证通道维度上的拼接是对应正确的,也即拼接后的特征图与分割前特征图的通道维度一致。
在一种可能的实现方式中,对融合特征图进行分类处理,确定车牌图像中车牌的车牌类型,可以包括:对融合特征图进行全局平均池化、全连接和/或归一化等处理,输出该分支网络对车牌类型的识别结果。
在本公开实施例中,可以实现对车牌特征图添加注意力机制,从而能够使分支网络更多的关注重要的区域,或者说更加关注车牌类型中更显著的特征,使得该分支网络输出的属性识别结果更精准。
在一种可能的实现方式中,在步骤S132中,对至少两个局部特征图进行加权及融合处理,得到处理后的融合特征图,包括:
对至少两个局部特征图进行卷积处理,得到每一局部特征图的权重图,权重图的尺度与局部特征图的尺度相同;
将权重图与对应的局部特征图相乘,得到至少两个注意力图;
对至少两个注意力图进行加权及融合处理,得到融合特征图。
其中,权重图可以指示局部特征图中每个特征点的权重,注意力图可以指示对局部特征图中的每个特征点进行加权后的特征。
在一种可能的实现方式中,可以通过至少一层卷积层对局部特征图进行卷积处理,其中,卷积核的尺度及移动的步长可以根据实际需求设定,只要使得卷积处理后的权重图的尺度与局部特征图的尺度相同即可,对此本公开实施例不作限制。
在一种可能的实现方式中,由于权重图与局部特征图的尺度相同,将权重图与局部特征图相乘得到的注意力图,与局部特征图的尺度也相同,从而可以使融合特征图的尺度与车牌特征图的尺度相同。其中,权重图与局部特征图相乘,可以是两个图中对应的特征值相乘。通过该方式,可以使得各分支网络进行分类处理的特征图尺度相同,提升属性识别网络的网络结构的稳定性。
在本公开实施例中,可以实现针对局部特征图的局部特征的加权,也即对局部特征添加注意力机制,这样在对融合特征图进行属性识别时,可以使得分支网络更加关注局部细节特征,提高属性识别的精度。
在一种可能的实现方式中,所述对至少两个注意力图进行加权及融合处理,得到融合特征图,包括:
根据至少两个局部特征图相对于车牌特征图的位置,确定至少两个局部特征图的权重值;基于权重值,对注意力图进行加权处理,得到至少两个加权后的注意力图;对至少两个加权后的注意力图进行融合处理,得到融合特征图。
应理解的是,在对车牌图像中的车牌进行属性识别时,车牌图像的不同区域所能提供的特征信息不同,不同区域的特征信息对于属性识别的贡献不同。举例来说,图2示出根据本公开实施例的车牌图像的示意图,对于图2车牌的车牌类型的识别,显然通过右侧区域的“学”字可以容易识别出车牌类型为教练车车牌,而中间区域的字符对于车牌类型的识别作用不大。也就是说,可以对车牌图像的不同区域添加不同的权重(也即关注度),以让属性识别网络更多的关注对属性识别贡献大的区域的特征,或者说更多的关注具有显著特征的区域。
其中,由于车牌特征图对应于车牌图像的整体特征,并且所述局部特征图是由车牌特征图分割来的,那么根据局部特征图相对于车牌特征图的位置确定出的权重值,可以反映车牌图像中不同位置的关注度;进而基于局部特征图的权重值,对注意力图进行加权处理;并对加权后的注意力图进行融合处理,使得在基于融合特征图进行属性识别时,不仅可以关注到车牌特征图的区域特征(即局部特征图)内的局部细节特征,还可以更加关注对于属性识别贡献较大的区域特征,从而大幅度提高属性识别的精度。
在一种可能的实现方式中,可以是通过识别车牌类型的分支网络的至少一层网络层对至少两个局部特征图进行卷积、池化、批标准化等处理,实现根据至少两个局部特征图相对于车牌特征图的位置,得到局部特征图的权重值;也可以是根据历史经验、特征图的分割尺寸、车牌的显著特征在车牌图像中的位置(例如教练车车牌的“学”字所在的位置)等设定局部特征图的权重值。对于局部特征图的权重值的具体数值及确定方式,本公开实施例不作限制。
在一种可能的实现方式中,基于权重值,对至少两个注意力图进行加权处理,可以是将权重值与对应的注意力图中的每个特征值相乘,以实现对注意力图进行加权处理,也即实现对不同区域特征间的增强和削弱。例如,针对车牌图像,确定出的与右侧区域对应的局部特征图的权重值可以为1.5,中间区域可以对应为0.5,左侧区域可以对应为0.8,再将各权重值与对应的注意力图相乘,得到加权后的注意力图。
如上所述,融合处理可以包括特征图之间的拼接处理。其中,特征图之间的拼接处理,可以是按照分割后的特征图相对于分割前的特征图的位置进行拼接,从而使得拼接后的特征图与分割前的特征图的尺度一致。在一种可能的实现方式中,对至少两个加权后的注意力图进行融合处理,可以是根据至少两个局部特征图相对于车牌特征图的位置,对至少两个加权后的注意力图进行拼接,得到融合特征图。
在本公开实施例中,能够基于局部特征图的权重值,对注意力图进行加权处理,使得在基于融合特征图进行属性识别时,不仅可以关注到车牌特征图的区域特征(即局部特征图)内的局部细节特征,还可以更加关注对于属性识别贡献较大的区域特征,从而大幅度提高属性识别的精度。
如上所述,车牌的属性类型包括车牌颜色。在一种可能的实现方式中,在步骤S13中,按照与车牌的属性类型对应的识别方式,对车牌特征图进行属性识别,得到车牌图像中车牌的属性识别结果,包括:对车牌特征图进行分类处理,确定车牌图像中车牌的车牌颜色,属性识别结果包括车牌图像中车牌的车牌颜色。
在一种可能的实现方式中,对车牌特征图进行分类处理,确定车牌图像中车牌的车牌类型,可以包括:对车牌特征图进行全局平均池化、全连接和/或归一化等处理,输出该分支网络对车牌颜色的识别结果。
可以理解的是,车牌颜色相较于车牌类型来说更容易识别,在本公开实施例中,通过直接将车牌特征图输入至识别车牌颜色的分支网络,得到车牌图像中车牌的车牌颜色,不仅可以快速得到对车牌颜色的识别结果,还可以节省计算资源。
如上所述,车牌的属性类型还可包括车牌号。在一种可能的实现方式中,在步骤S13 中,按照与车牌的属性类型对应的识别方式,对车牌特征图进行属性识别,得到车牌图像中车牌的属性识别结果,还可包括:对车牌特征图进行文本识别,得到车牌图像中车牌的车牌号,属性识别结果包括车牌图像中车牌的车牌号。
在一种可能的实现方式中,可通过属性识别网络中用于识别车牌号的分支网络,实现对车牌特征图进行文本识别,得到车牌图像中车牌的车牌号;其中,该用于识别车牌号的分支网络中可包括至少一层全连接层,用于对车牌特征进行全连接处理,得到车牌特征的字符概率分布向量,也即,得到车牌特征图中每列特征的字符概率分布向量。
其中,该用于识别车牌号的分支网络中还可包括解码器,以通过解码器对上述字符概率分布向量进行解码,得到车牌图像中车牌的车牌号。其中,解码器可以采用CTC(Connectionist Temporal Classification,连接时间分类)解码器。通过CTC解码器对全连接层输出的字符概率分布向量进行解码,可得到车牌图像的文本序列,也即得到车牌号。
在本公开实施例中,可以基于车牌图像的整体车牌特征,有效实现车牌号的识别。
如上所述,可通过属性网络识别车牌图像中车牌的车牌属性,所述属性识别网络包括主干网络以及多个分支网络,主干网络用于对车辆图像中的车牌图像进行特征提取,得到车牌图像的车牌特征图,多个分支网络用于按照与车牌的属性类型对应的识别方式,对车牌特征图进行属性识别,得到车牌图像中车牌的属性识别结果。在部署该属性识别网络之前,可对该属性识别网络进行训练。
在一种可能的实现方式中,所述方法还包括:
将已标注的样本图像输入至属性识别网络中,得到属性识别网络的输出结果;根据输出结果以及样本图像的标注信息,确定属性识别网络的网络损失;根据属性识别网络的网络损失,训练属性识别网络。通过该方式,可以得到用于精准识别车牌的多个属性类型的属性识别网络。
如上所述,属性识别网络包括多个分支网络,其中,根据输出结果以及样本图像的标注信息,确定属性识别网络的网络损失,可包括:基于已知的损失函数,根据样本图像的标注信息及输出结果,分别确定各分支网络的子网络损失;将多个分支网络的子网络损失的和,作为属性识别网络的网络损失。可理解的是,属性识别网络的网络损失可包括:多个分支网络中至少一个分支网络对应的子网络损失。
其中,已知的损失函数,例如可以包括:交叉熵损失函数、焦点损失函数Focalloss 等,对此本公开实施例不作限制。
在一种可能的实现方式中,根据属性识别网络的网络损失,训练属性识别网络,可以包括:根据多个分支网络的子网络损失的和,通过梯度下降、反向传播等方式,更新属性识别网络的网络参数,至损失收敛、属性识别网络的精度达到要求等,得到训练后的属性识别网络。其中,训练后的属性识别网络可以对车牌的多个属性类型进行精准地识别,提高属性识别的准确率。
在属性识别网络的训练过程中,考虑到分支网络的网络结构存在不同,各分支网络的收敛速度不同,为提高属性识别网络的训练速度,在一种可能的实现方式中,所述根据属性识别网络的网络损失,训练属性识别网络,包括:
在多个分支网络中至少一个分支网络的子网络损失已收敛的情况下,根据未收敛的分支网络的子网络损失,更新未收敛的分支网络的网络参数。
在一种可能的实现方式中,在多个分支网络中至少一个分支网络的子网络损失已收敛的情况下,可以固定主干网络及损失已收敛的分支网络的网络参数,并根据多个分支网络中损失未收敛的分支网络的子网络损失,更新未收敛的分支网络的网络参数。
也就是说,在多个分支网络中至少一个分支网络的子网络损失已收敛的情况下,不再对主干网络及该损失已收敛的分支网络的网络参数进行更新,而根据未收敛的分支网络的子网络损失,更新该未收敛的分支网络的网络参数。
例如,用于识别车牌颜色的分支网络已收敛,用于识别车牌类型的分支网络未收敛,用于识别车牌号的分网络未收敛,则主干网络及该用于识别车牌颜色的分支网络的网络参数固定,继续根据用于识别车牌类型的分支网络的损失,更新用于识别车牌类型的分支网络的网络参数,以及,根据用于识别车牌号的分支网络的损失,更新用于识别车牌号的分支网络的网络参数。
相较于在某个分支网络的子网络损失已收敛的情况下,仍基于各分支网络的网络损失对整个属性识别网络进行参数更新的方式来说,根据本公开实施例,可以减小已收敛的分支网络对未收敛的分支网络的参数更新的影响,并着重于更新未收敛的分支网络的网络参数,提高未收敛的分支网络的收敛速度,进而提高整个属性识别网络的训练速度。
图3示出根据本公开实施例的车牌属性识别方法的示意图。如图3所示,车牌属性识别方法可以包括:
通过车牌检测网络对车辆图像进行车牌检测,提取车牌图像。其中,在输入至车牌检测网络前,可以对车牌图像进行插值采样及归一化等图像预处理。
将车牌图像输入至属性识别网络中,输出该车牌的车牌颜色及车牌类型。其中,属性识别网络包括主干网络,用于对车牌图像进行特征提取,以及两个分支网络,用于分别对车牌颜色及车牌类型进行识别。
在一种可能的实现方式中,本公开实施例的属性识别网络可以应用于智慧城市、安防监控及停车场等领域及场景中。
在一种可能的实现方式中,车牌检测网络及属性识别网络,可以采用上述本公开实施例中的网络结构及训练方式得到,对此本公开实施例不作限制。
根据本公开的实施例,能够利用深度学习神经网络提取车牌的深度特征,然后通过两个分支网络分别学习车牌类型和车牌颜色,可以更好的表征车牌属性,对光线、设备、天气等条件更加鲁棒。两个分支网络同时优化,做到两个分支网络同时达到最优。
根据本公开实施例,能够利用车辆图像作为输入,经过车牌检测网络,提取车牌位置,通过车牌的属性识别网络对车牌分类,也即输出车牌属性识别结果,不限于硬件设备,方便大规模应用。能够快速精准识别所有的车牌类型以及车牌颜色,同时如果需要增加新的类型或者属性,可以在此基础上继续扩展。
根据本公开实施例,能够识别15种不同的类型车牌,其中一类为非正常车牌;以及7 种不同的车牌颜色,其中一类为非车牌颜色,覆盖城市道路所有机动车,不受地域限制、做到类型、颜色全覆盖,同时支持扩展。
根据本公开实施例,可以利用车牌的属性识别网络,提取一个总体特征,一个属性一个分支,多个属性同时优化。可以根据车牌的属性识别网络得到的车牌属性、车牌颜色展开应用,例如,辅助检索车辆、辅助保险理赔、辅助停车场车辆管理等。可以利用不同分支网络,解决不同属性在一个网络中的训练问题,同时识别车牌类型和车牌颜色。
根据本公开实施例,可以直接使用监控设备采集的图像,利用车牌的车牌检测模型得到车牌图像,便于在现有硬件基础上大规模应用。
相关技术中,主要基于伽柏特征等传统方法,分析图片浅层特征,难以有效表征车牌。根据本公开实施例,能够利用深度学习对图片提取全局深层次特征。
相关技术中,多采用局部特征,易受局部光线、模糊、天气变化等影响。根据本公开实施例,能够使用全局平均池化特征进行分类,抑制局部扰动。
相关技术中,通常是根据实际需求对车牌进行不同的属性分类,无法实现通用的车牌属性识别。根据本公开实施例,车牌属性分为车牌类型和车牌颜色,车牌类型包括15种,颜色包括7种。可以在此基础上进一步扩展,或者增加新的属性。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了车牌属性识别装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种车牌属性识别方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图4示出根据本公开实施例的车牌属性识别装置的框图,如图4所示,所述装置包括:
获取模块101,用于获取待处理的车辆图像;
提取模块102,用于对所述车辆图像中的车牌图像进行特征提取,得到所述车牌图像的车牌特征图;
识别模块103,用于按照与车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果。
在一种可能的实现方式中,所述属性类型包括车牌类型,所述识别模块103,包括:分割子模块,用于根据预设的尺寸比例,对所述车牌特征图进行分割,得到分割后的至少两个局部特征图;融合子模块,用于对所述至少两个局部特征图进行加权及融合处理,得到处理后的融合特征图;分类子模块,用于对所述融合特征图进行分类处理,确定所述车牌图像中车牌的车牌类型,所述属性识别结果包括所述车牌图像中车牌的车牌类型。
在一种可能的实现方式中,所述对所述至少两个局部特征图进行加权及融合处理,得到处理后的融合特征图,包括:对所述至少两个局部特征图进行卷积处理,得到每一所述局部特征图的权重图,所述权重图的尺度与所述局部特征图的尺度相同;将所述权重图与对应的局部特征图相乘,得到至少两个注意力图;对所述至少两个注意力图进行加权及融合处理,得到所述融合特征图。
在一种可能的实现方式中,所述对所述至少两个注意力图进行加权及融合处理,得到所述融合特征图,包括:根据所述至少两个局部特征图相对于所述车牌特征图的位置,确定所述至少两个局部特征图的权重值;基于所述权重值,对所述至少两个注意力图进行加权处理,得到至少两个加权后的注意力图;对所述至少两个加权后的注意力图进行融合处理,得到所述融合特征图。
在一种可能的实现方式中,所述属性类型包括车牌颜色,所述识别模块103,包括:颜色识别子模块,用于对所述车牌特征图进行分类处理,确定所述车牌图像中车牌的车牌颜色,所述属性识别结果包括所述车牌图像中车牌的车牌颜色。
在一种可能的实现方式中,所述属性类型包括车牌号,所述识别模块103,包括:文本识别子模块,用于对所述车牌特征图进行文本识别,得到车牌图像中车牌的车牌号,所述属性识别结果包括所述车牌图像中车牌的车牌号。
在一种可能的实现方式中,所述装置通过属性识别网络对所述车辆图像中的车牌图像进行特征提取,得到所述车牌图像的车牌特征图,以及按照与车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果,所述装置还包括:输入模块,用于将已标注的样本图像输入至所述属性识别网络中,得到所述属性识别网络的输出结果;损失确定模块,用于根据所述输出结果以及所述样本图像的标注信息,确定所述属性识别的网络损失;训练模块,用于根据所述属性识别网络的网络损失,训练所述属性识别网络。
在一种可能的实现方式中,所述属性识别网络包括主干网络以及多个分支网络,所述主干网络用于对所述车辆图像中的车牌图像进行特征提取,得到所述车牌图像的车牌特征图,所述多个分支网络用于按照与车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果;其中,所述属性识别网络的网络损失包括:所述多个分支网络中至少一个分支网络对应的子网络损失;所述根据所述属性识别网络的网络损失,训练所述属性识别网络,包括:在所述多个分支网络中至少一个分支网络的子网络损失已收敛的情况下,根据未收敛的分支网络的子网络损失,更新所述未收敛的分支网络的网络参数。
在本公开实施例中,通过提取车牌图像的车牌特征图,进而按照与车牌的属性类型对应的识别方式,对车牌特征图进行属性识别,这样能够实现针对不同的车牌属性,尤其针对识别难度不同的属性,采取更有针对性的属性识别方式,解决基于同样的共享特征进行不同属性识别的识别精度低的问题。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的车牌属性识别方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的车牌属性识别方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图5,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器 (EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风 (MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800 或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(3G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB) 技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图6,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出 (I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OSXTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器 (SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或车牌代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种车牌属性识别方法,其特征在于,包括:
获取待处理的车辆图像;
对所述车辆图像中的车牌图像进行特征提取,得到所述车牌图像的车牌特征图;
按照与车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果;
其中,所述属性类型包括车牌类型,所述按照与所述车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果,包括:
根据预设的尺寸比例,对所述车牌特征图进行分割,得到分割后的至少两个局部特征图,所述至少两个局部特征图之间的尺寸比例与所述预设的尺寸比例相同;
对所述至少两个局部特征图进行卷积处理,得到每一所述局部特征图的权重图,所述权重图的尺度与所述局部特征图的尺度相同;
将所述权重图与对应的局部特征图相乘,得到至少两个注意力图;
根据所述至少两个局部特征图相对于所述车牌特征图的位置,确定所述至少两个局部特征图的权重值,其中,不同局部特征图的权重值表征所述车牌图像中不同位置的关注度;
基于所述权重值,对所述至少两个注意力图进行加权处理,得到至少两个加权后的注意力图;
对所述至少两个加权后的注意力图进行融合处理,得到融合特征图;
对所述融合特征图进行分类处理,确定所述车牌图像中车牌的车牌类型,所述属性识别结果包括所述车牌图像中车牌的车牌类型。
2.根据权利要求1所述的方法,其特征在于,所述属性类型包括车牌颜色,所述按照与所述车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果,包括:
对所述车牌特征图进行分类处理,确定所述车牌图像中车牌的车牌颜色,所述属性识别结果包括所述车牌图像中车牌的车牌颜色。
3.根据权利要求1所述的方法,其特征在于,所述属性类型包括车牌号,所述按照与所述车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果,包括:
对所述车牌特征图进行文本识别,得到车牌图像中车牌的车牌号,所述属性识别结果包括所述车牌图像中车牌的车牌号。
4.根据权利要求1所述的方法,其特征在于,所述方法通过属性识别网络对所述车辆图像中的车牌图像进行特征提取,得到所述车牌图像的车牌特征图,以及按照与车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果,
所述方法还包括:
将已标注的样本图像输入至所述属性识别网络中,得到所述属性识别网络的输出结果;
根据所述输出结果以及所述样本图像的标注信息,确定所述属性识别网络的网络损失;
根据所述属性识别网络的网络损失,训练所述属性识别网络。
5.根据权利要求4所述的方法,其特征在于,所述属性识别网络包括主干网络以及多个分支网络,所述主干网络用于对所述车辆图像中的车牌图像进行特征提取,得到所述车牌图像的车牌特征图,所述多个分支网络用于按照与车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果;
其中,所述属性识别网络的网络损失包括:所述多个分支网络中至少一个分支网络对应的子网络损失,所述根据所述属性识别网络的网络损失,训练所述属性识别网络,包括:
在所述多个分支网络中至少一个分支网络的子网络损失已收敛的情况下,根据未收敛的分支网络的子网络损失,更新所述未收敛的分支网络的网络参数。
6.一种车牌属性识别装置,其特征在于,包括:
获取模块,用于获取待处理的车辆图像;
提取模块,用于对所述车辆图像中的车牌图像进行特征提取,得到所述车牌图像的车牌特征图;
识别模块,用于按照与车牌的属性类型对应的识别方式,对所述车牌特征图进行属性识别,得到所述车牌图像中车牌的属性识别结果;
其中,所述属性类型包括车牌类型,所述识别模块,包括:
分割子模块,用于根据预设的尺寸比例,对所述车牌特征图进行分割,得到分割后的至少两个局部特征图,所述至少两个局部特征图之间的尺寸比例与所述预设的尺寸比例相同;
融合子模块,用于对所述至少两个局部特征图进行卷积处理,得到每一所述局部特征图的权重图,所述权重图的尺度与所述局部特征图的尺度相同;将所述权重图与对应的局部特征图相乘,得到至少两个注意力图;根据所述至少两个局部特征图相对于所述车牌特征图的位置,确定所述至少两个局部特征图的权重值,其中,不同局部特征图的权重值表征所述车牌图像中不同位置的关注度;基于所述权重值,对所述至少两个注意力图进行加权处理,得到至少两个加权后的注意力图;对所述至少两个加权后的注意力图进行融合处理,得到融合特征图;
分类子模块,用于对所述融合特征图进行分类处理,确定所述车牌图像中车牌的车牌类型,所述属性识别结果包括所述车牌图像中车牌的车牌类型。
7.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至5中任意一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653880.2A CN113313115B (zh) | 2021-06-11 | 2021-06-11 | 车牌属性识别方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653880.2A CN113313115B (zh) | 2021-06-11 | 2021-06-11 | 车牌属性识别方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313115A CN113313115A (zh) | 2021-08-27 |
CN113313115B true CN113313115B (zh) | 2023-08-04 |
Family
ID=77378549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110653880.2A Active CN113313115B (zh) | 2021-06-11 | 2021-06-11 | 车牌属性识别方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313115B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115171092B (zh) * | 2022-09-08 | 2022-11-18 | 松立控股集团股份有限公司 | 一种基于语义增强的端到端车牌检测方法 |
CN116994246B (zh) * | 2023-09-20 | 2024-02-13 | 深圳赛陆医疗科技有限公司 | 基于多任务联合的碱基识别方法及装置、基因测序仪及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038442A (zh) * | 2017-03-27 | 2017-08-11 | 新智认知数据服务有限公司 | 一种基于深度学习的车牌检测和整体识别方法 |
CN109635656A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于神经网络的车辆属性识别方法、装置、设备及介质 |
CN112016556A (zh) * | 2020-08-21 | 2020-12-01 | 中国科学技术大学 | 多类型车牌识别方法 |
CN112200193A (zh) * | 2020-12-03 | 2021-01-08 | 中国科学院自动化研究所 | 基于多属性融合的分布式车牌识别方法、系统、装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9014432B2 (en) * | 2012-05-04 | 2015-04-21 | Xerox Corporation | License plate character segmentation using likelihood maximization |
-
2021
- 2021-06-11 CN CN202110653880.2A patent/CN113313115B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038442A (zh) * | 2017-03-27 | 2017-08-11 | 新智认知数据服务有限公司 | 一种基于深度学习的车牌检测和整体识别方法 |
CN109635656A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于神经网络的车辆属性识别方法、装置、设备及介质 |
CN112016556A (zh) * | 2020-08-21 | 2020-12-01 | 中国科学技术大学 | 多类型车牌识别方法 |
CN112200193A (zh) * | 2020-12-03 | 2021-01-08 | 中国科学院自动化研究所 | 基于多属性融合的分布式车牌识别方法、系统、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113313115A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348537B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109829501B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112419328B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110889469B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110009090B (zh) | 神经网络训练与图像处理方法及装置 | |
US20200250495A1 (en) | Anchor determination method and apparatus, electronic device, and storage medium | |
US20210042567A1 (en) | Text recognition | |
EP3855360A1 (en) | Method and device for training image recognition model, and storage medium | |
CN112149740B (zh) | 目标重识别方法、装置、存储介质及设备 | |
CN111931844B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109934275B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
JP2022522551A (ja) | 画像処理方法及び装置、電子機器並びに記憶媒体 | |
CN113326768B (zh) | 训练方法、图像特征提取方法、图像识别方法及装置 | |
CN113313115B (zh) | 车牌属性识别方法及装置、电子设备和存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US20210326649A1 (en) | Configuration method and apparatus for detector, storage medium | |
JP7394147B2 (ja) | 画像生成方法及び装置、電子機器並びに記憶媒体 | |
CN114332503A (zh) | 对象重识别方法及装置、电子设备和存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN113269307B (zh) | 神经网络训练方法以及目标重识别方法 | |
WO2022141969A1 (zh) | 图像分割方法及装置、电子设备、存储介质和程序 | |
CN110781842A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111523599B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN110781975B (zh) | 图像处理方法及装置、电子设备和存储介质 |
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 |