CN113378837A - 车牌遮挡识别方法、装置、电子设备和存储介质 - Google Patents
车牌遮挡识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113378837A CN113378837A CN202110721879.9A CN202110721879A CN113378837A CN 113378837 A CN113378837 A CN 113378837A CN 202110721879 A CN202110721879 A CN 202110721879A CN 113378837 A CN113378837 A CN 113378837A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- similarity
- feature
- standard
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本公开提供了车牌遮挡识别方法、装置、电子设备和存储介质,涉及人工智能领域,尤其涉及具体涉及计算机视觉和深度学习技术,具体可用于智慧城市和智能交通场景下。具体实现方案为:获取待检测车牌图像的图像特征;获取未遮挡车牌图像的第一标准特征和遮挡车牌图像的第二标准特征;将所述第一标准特征和所述第二标准特征与所述图像特征进行比较,检测所述图像特征的类型,并确定所述待检测车牌图像的遮挡识别结果。本公开实施例可以提高车牌遮挡检测的效率。
Description
技术领域
本公开涉及人工智能领域,尤其涉及具体涉及计算机视觉和深度学习技术,具体可用于智慧城市和智能交通场景下,具体涉及一种车牌遮挡识别方法、装置、电子设备和存储介质。
背景技术
车牌识别和检测算法广泛应用于智能交通领域中。
目前,车辆遮挡的情况直接影响到车牌的识别和检测等功能的实现。
发明内容
本公开提供了一种车牌遮挡识别方法、装置、电子设备和存储介质。
根据本公开的一方面,提供了一种车牌遮挡识别方法,包括:
获取待检测车牌图像的图像特征;
获取未遮挡车牌图像的第一标准特征和遮挡车牌图像的第二标准特征;
将所述第一标准特征和所述第二标准特征与所述图像特征进行比较,检测所述图像特征的类型,并确定所述待检测车牌图像的遮挡识别结果。
根据本公开的另一方面,提供了一种车牌遮挡识别装置,包括:
图像特征检测模块,用于获取待检测车牌图像的图像特征;
标准特征检测模块,用于获取未遮挡车牌图像的第一标准特征和遮挡车牌图像的第二标准特征;
遮挡识别模块,用于将所述第一标准特征和所述第二标准特征与所述图像特征进行比较,检测所述图像特征的类型,并确定所述待检测车牌图像的遮挡识别结果。
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本公开任一实施例所述的车牌遮挡识别方法。
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,其中,所述计算机指令用于使所述计算机执行本公开任一实施例所述的车牌遮挡识别方法。
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,所述计算机程序在被处理器执行时实现本公开任一实施例所述的车牌遮挡识别方法。
本公开实施例可以提高车牌遮挡检测的效率。
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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的一种车牌遮挡识别方法的示意图;
图2是根据本公开实施例的一种车牌遮挡识别方法的示意图;
图3是根据本公开实施例的一种车牌遮挡识别方法的示意图;
图4是可以实现本公开实施例的车牌遮挡识别方法的场景图
图5是根据本公开实施例的一种车牌遮挡识别装置的示意图;
图6是用来实现本公开实施例的车牌遮挡识别方法的电子设备的框图。
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和精神。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。
图1是根据本公开实施例公开的一种车牌遮挡识别方法的流程图,本实施例可以适用于在检测车牌图像中的车牌是否存在遮挡的情况。本实施例方法可以由车牌遮挡识别装置来执行,该装置可采用软件和/或硬件的方式实现,并具体配置于具有一定数据运算能力的电子设备中,该电子设备可以是客户端或服务器,其中,客户端可以是手机、平板电脑、车载终端和台式电脑等。
S101,获取待检测车牌图像的图像特征。
待检测车牌图像为包括车牌的图像,具体可以是仅包括车牌的图像。示例性的,可以获取车辆图像,并在车辆图像中检测车牌,将检测到的车牌区域进行截取,形成车牌图像。其中,可以采用预先训练的神经网络模型实现车牌检测。
图像特征用于确定待检测车牌图像的类型,即确定未遮挡车牌类型或遮挡车牌类型。图像特征可以是描述车牌是否被遮挡的图像信息。示例性的,图像特征可以从颜色维度、纹理维度、形状维度和空间关系维度等维度描述车牌是否被遮挡的信息。其中,颜色维度的信息用于描述车牌中各物体的颜色信息;纹理维度的信息用于描述车牌中各物体的表面性质;形状维度的信息用于描述车牌中各物体的外边界和轮廓等;空间关系维度的信息用于描述车牌中各物体之间的空间位置关系。其中,车牌中物体可以包括字符和背景。示例性的,图像特征包括用于分割车牌字符和车牌背景,具体是指描述车牌字符和车牌背景区别的向量。其中,图像特征的提取可以通过预先训练的网络模型中的特征提取结构进行提取,还可以通过尺度不变特征变换算法(Scale-invariant features transform,SIFT)、加速稳健特征算法(Speeded Up Robust Features,SURF)、方向梯度直方图(Histogram ofOriented Gradient,HOG)或高斯函数的差分(Difference of Gaussian,DOG)等算法实现。
S102,获取未遮挡车牌图像的第一标准特征和遮挡车牌图像的第二标准特征。
未遮挡车牌图像为车牌中未存在遮挡情况的图像。遮挡车牌图像为车牌中存在遮挡情况的图像。第一标准特征和第二标准特征用于确定待检测车牌图像的类型。第一标准特征可以是描述未遮挡车牌图像的信息。第二标准特征可以是描述遮挡车牌图像的信息。其中,图像特征、第一标准特征和第二标准特征采用相同算法获取。
S103,将所述第一标准特征和所述第二标准特征与所述图像特征进行比较,检测所述图像特征的类型,并确定所述待检测车牌图像的遮挡识别结果。
第一标准特征对应未遮挡车牌类型,第二标准特征对应遮挡车牌类型。将图像特征与第一标准特征和第二标准特征进行比较,确定与图像特征最相似的标准特征,并根据标准特征对应的车牌类型,确定为图像特征的类型,并确定待检测车牌图像的遮挡识别结果。
其中,将图像特征与第一标准特征和第二标准特征进行比较,可以是将第一标准特征作为一类,第二标准特征作为一类,根据第一标准特征和第二标准特征对图像特征进行聚类分析,根据图像特征的聚类结果,确定图像特征所在类的标准特征对应的车牌类型,确定图像特征的类型。图像特征的类型为未遮挡车牌类型,待检测车牌图像的遮挡识别结果为未遮挡结果;图像特征的类型为遮挡车牌类型,待检测车牌图像的遮挡识别结果为遮挡结果。
现有技术中,渣土车由于承载物(如泥土)经常掉落,其车牌存在多样的遮挡形式。通过预先训练模型检测车牌是否存在遮挡,需要人为遮挡车牌并采集图像作为训练样本,而样本数据收集难度大,难以覆盖全部的遮挡形式,对训练样本之外的遮挡形式的识别能力差,鲁棒性弱。
根据本公开的技术方案,通过获取待检测车牌图像的图像特征以及未遮挡车牌图像的第一标准特征和遮挡车牌图像的第二标准特征,并将第一标准特征和第二标准特征与图像特征进行比较,确定图像特征的类型,以检测待检测车牌图像的遮挡识别结果,可以避免增加新样本重新训练神经网络模型以实现对新样式的遮挡车牌进行识别,可以减少对标注遮挡车牌图像的依赖,降低车牌遮挡样本的获取难度,减少遮挡样本数据的标注成本,从而降低车牌遮挡识别的成本,简化车牌遮挡的识别操作,提高车牌遮挡的识别效率,并且,减少对训练数据的依赖,可以提高对新遮挡形式的车牌图像的识别准确率,从而兼顾识别遮挡车牌的实现成本和遮挡车牌的识别准确率。
图2是根据本公开实施例公开的另一种车牌遮挡识别方法的流程图,基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。所述获取待检测车牌图像的图像特征,具体为:采用预先训练的目标模型中编码器对所述待检测车牌图像进行处理,获取所述待检测车牌图像的图像特征。
S201,采用预先训练的目标模型中编码器对所述待检测车牌图像进行处理,获取所述待检测车牌图像的图像特征。
目标模型用于对车牌图像进行处理,例如,检测车牌图像的遮挡类型、或分割车牌图像等。目标模型的结构包括编码器和解码器。其中,编码器还可以作为特征提取层,解码器还可以作为分类层。除了编码器和解码器之外,目标模型还可以包括其他结构,例如,注意力结构,对此不作限制。
采用训练样本预先训练得到目标模型。训练得到的目标模型中编码器可以更好的学习到图像中车牌的特征,丰富特征中内容,同时提高车牌特征的代表性,基于更具有代表性的特征,确定图像特征的类型,可以提高车牌遮挡识别的准确率。需要说明的是,采用训练样本对目标模型进行训练,仅要求目标模型中的编码器可以准确提取车牌图像的图像特征,并且满足相应的训练条件,无需收集多样的人为遮挡车牌的图像,降低目标模型的样本收集难度和成本。相对于直接训练用于识别车牌遮挡的模型,样本收集难度、成本和数量极大程度降低,同时,缩短模型的训练时间,提高模型的训练效率,从而提高图像特征的提取效率。
S202,获取未遮挡车牌图像的第一标准特征和遮挡车牌图像的第二标准特征。
采用目标模型中的编码器,确定第一标准特征和第二标准特征。获取第一标准特征和第二标准特征,可以是在通过编码器确定之后进行存储,从存储位置处获取。
S203,将所述第一标准特征和所述第二标准特征与所述图像特征进行比较,检测所述图像特征的类型,并确定所述待检测车牌图像的遮挡识别结果。
可选的,车牌遮挡识别方法,还包括:采用训练样本对初始网络模型进行训练,得到车牌字符分割模型,作为所述目标模型,其中,所述初始网络模型包括编码器和解码器,所述训练样本包括标注有字符和背景的车牌图像。
车牌字符分割模型,用于在车牌图像中将字符和背景进行分割。实际上车牌图像包括字符和背景,字符可以是车牌标识,也即车牌号码;背景为除了车牌标识之外的区域,例如,方形框区域。其中,车牌字符分割模型的训练样本包括区分字符和背景的车牌图像,该车牌图像为未遮挡的车牌图像,可以降低遮挡车牌图像的收集成本和难度,提高车牌字符分割模型的训练效率,提高编码器的训练效率,并降低编码器的训练成本,从而降低识别车牌遮挡的实现成本。
车牌字符分割模型可以实现分割车牌图像中的字符和背景,其中编码器提取的特征可以包括字符的自身特征,背景自身特征以及字符和背景之间的关系特征等。在车牌被遮挡时,遮挡的对象为字符,并且车牌图像中有效信息包括字符,检测车牌是否被遮挡实际是检测字符是否被遮挡,从而可以根据描述字符的特征,检测字符是否被遮挡,从而检测车牌是否被遮挡。通过提取出字符的自身特征,背景自身特征以及字符和背景之间的关系特征,组成图像特征,并与第一标准特征和第二标准特征进行比较,可以准确检测出字符是否被遮挡,从而,确定车牌图像的遮挡识别结果。其中,自身特征,可以是前述的颜色维度、纹理维度和形状维度等特征;关系特征可以是空间关系维度特征。相应的,第一标准特征可以是未遮挡车牌中字符的自身特征,背景自身特征以及字符和背景之间的关系特征,第二标准特征可以是遮挡车牌中字符的自身特征,背景自身特征以及字符和背景之间的关系特征。
在一个具体的例子中,车牌字符分割模型包括DeepLabv3+网络结构。车牌字符分割模型的输入为正常车牌图像,即未遮挡车牌图像,输出为车牌经过阈值分割之后的二值图像,一种像素值表示字符,第二种像素值表示背景。也即训练样本为二值图像,通过一种像素值表示字符,第二种像素值表示背景的方式标注以及区分字符和背景。通过让模型学习这种由正常图像生成二值图像的方法,可以显著区分字符和背景,使得编码器结构可以学习到车牌图像的关键特征,从而提高编码器提取到的字符特征的代表性,从而提高车牌遮挡识别的准确率。
通过采用车牌字符分割模型,使编码器学习准确提取字符的自身特征,背景自身特征以及字符和背景之间的关系特征等,以组成图像特征,可以准确描述车牌中的字符,通过检测字符是否被遮挡,从而检测车牌是否被遮挡,可以提高车牌遮挡识别的准确率。
可选的,所述获取未遮挡车牌图像的第一标准特征,包括:获取未遮挡车牌图像,并形成未遮挡车牌图像集合;采用所述编码器对所述未遮挡车牌图像集合进行处理,得到未遮挡图像特征集合;计算所述未遮挡图像特征集合中未遮挡图像特征的均值,并确定为第一标准特征。
未遮挡车牌图像集合由多张未遮挡车牌图像组成。未遮挡图像特征集合由未遮挡车牌图像集合中提取得到的特征组成。第一标准特征是指对未遮挡车牌图像进行统计得到的一般性通用性的描述未遮挡车牌的信息。
通过预先训练的目标模型中的编码器,对未遮挡车牌图像集合中每张图像进行特征提取,并将提取的相同数量的特征,形成未遮挡图像特征集合。提取的特征的格式可以是向量或者矩阵。可以直接将向量或矩阵中相应位置的数值进行加和求取平均值,计算得到的向量或矩阵,确定为第一标准特征。其中,第一标准特征可以理解为未遮挡车牌图像集合的特征中心。
在一个具体的例子中,未遮挡车牌图像集合包括100张未遮挡车牌图像,每张图像分别提取特征,形成未遮挡图像特征集合,包括100个未遮挡图像特征,其中,每个特征是指一个特征图,即矩阵。若矩阵包括300*200的数值,将100个矩阵中相同位置的数值相加,并将累加和除以100,得到的结果,作为该同一位置处的数值,最终仍形成300*200的矩阵,作为第一标准特征。
相应的,所述获取遮挡车牌图像的第二标准特征,包括:获取遮挡车牌图像的第二标准特征,并形成遮挡车牌图像集合;采用所述编码器对所述遮挡车牌图像集合进行处理,得到遮挡图像特征集合;计算所述遮挡图像特征集合中遮挡图像特征的均值,并确定为第二标准特征。其中,第二标准特征是指对遮挡车牌图像进行统计得到的一般性通用性的描述遮挡车牌的信息。第二标准特征的计算方法,同第一标准特征的计算方法,不在赘述。第二标准特征可以理解为遮挡车牌图像集合的特征中心。
通过收集多个未遮挡车牌图像,并分别提取特征,对提取到的多个特征进行统计,得到第一标准特征,相对于模型训练不需要大量的数据,并且通过统计和比较可以识别出遮挡车牌,减少识别遮挡车牌所需的数据量,并简化遮挡车牌的操作,降低遮挡车牌的识别成本和复杂度,提高遮挡车牌的识别效率,同时,获取多个未遮挡车牌图像,统计得到第一标准特征,可以提高第一标准特征的代表性,从而提高遮挡车牌的识别准确率。
可选的,所述车牌图像包括渣土车车牌图像。
渣土车由于承载物经常掉落,其车牌存在多样的遮挡形式。通过将车牌遮挡识别应用于渣土车车牌图像的应用场景,可以降低渣土车车牌遮挡的识别成本和难度,以及提高渣土车车牌遮挡的识别准确率和效率。
根据本公开的技术方案,通过预先训练的目标模型中的编码器从待检测车牌图像中提取特征,可以丰富提取的特征信息,提高特征代表性,从而提高车牌检测的准确率,并且无需收集多样的人为遮挡车牌的图像,以训练用于车牌遮挡识别的模型,降低目标模型的样本收集难度、成本和数量极大程度降低,缩短模型的训练时间,提高模型的训练效率,从而提高图像特征的提取效率。
图3是根据本公开实施例公开的另一种车牌遮挡识别方法的流程图,基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。所述将所述第一标准特征和所述第二标准特征与所述图像特征进行比较,检测所述图像特征的类型,具体为:计算所述第一标准特征与所述图像特征之间的第一相似度;计算所述第二标准特征与所述图像特征之间的第二相似度;根据所述第一相似度和所述第二相似度,确定所述图像特征的类型。
S301,获取待检测车牌图像的图像特征。
S302,获取未遮挡车牌图像的第一标准特征和遮挡车牌图像的第二标准特征。
S303,计算所述第一标准特征与所述图像特征之间的第一相似度。
第一相似度用于确定未遮挡车牌图像与待检测车牌图像之间的相似程度。
S304,计算所述第二标准特征与所述图像特征之间的第二相似度。
第二相似度用于确定遮挡车牌图像与待检测车牌图像之间的相似程度。
S305,根据所述第一相似度和所述第二相似度,确定所述图像特征的类型,并确定所述待检测车牌图像的遮挡识别结果。
根据第一相似度和第二相似度,确定图像特征的类型,可以是检测未遮挡车牌图像与待检测车牌图像之间的相似程度,与遮挡车牌图像与待检测车牌图像之间的相似程度,之间的差异,并根据该差异确定图像特征的类型。
示例性的,第一相似度大于第二相似度,确定图像特征与未遮挡车牌图像更加相似,图像特征的类型为未遮挡车牌类型;第一相似度小于第二相似度,确定图像特征与遮挡车牌图像更加相似,图像特征的类型为遮挡车牌类型。此外,第一相似度等于第二相似度,未遮挡车牌图像与待检测车牌图像之间的相似程度,与遮挡车牌图像与待检测车牌图像之间的相似程度相同,可以配置图像特征的类型为未遮挡车牌类型或遮挡车牌类型。
在一个具体的例子中,将图像特征和两个标准特征分别计算欧式距离d,则相似度s可以表示为s=1-d。如果图像特征和第一标准特征之间的第一相似度大于图像特征和第二标准特征之间的第二相似度,则待检测车牌图像没有被遮挡,如果图像特征和第一标准特征之间的第一相似度小于图像特征和第二标准特征之间的第二相似度,则待检测车牌图像被遮挡。
此外,还可以是:如果图像特征和第一标准特征之间的第一相似度大于图像特征和第二标准特征之间的第二相似度的两倍,则待检测车牌图像没有被遮挡,如果图像特征和第一标准特征之间的第一相似度小于图像特征和第二标准特征之间的第二相似度的两倍,则待检测车牌图像被遮挡。从而,根据第一相似度和第二相似度,确定图像特征的类型可以根据需要进行设定,对此不作限制。
可选的,所述根据所述第一相似度和所述第二相似度,确定所述图像特征的类型,包括:对所述第一相似度和所述第二相似度进行比较,确定最高相似度;根据所述最高相似度的标准特征对应的车牌图像,确定所述图像特征的类型。
最高相似度为第一相似度与第二相似度中最大的相似度。最高相似度的标准特征实际上是与图像特征最相似的标准特征,将该标准特征对应的车牌图像,确定图像特征的类型。示例性的,最高相似度为第一相似度,第一标准特征与图像特征最相似,根据第一标准特征对应的未遮挡车牌图像,确定图像特征的类型为未遮挡车牌类型。最高相似度为第二相似度,第二标准特征与图像特征最相似,根据第二标准特征对应的遮挡车牌图像,确定图像特征的类型为遮挡车牌类型。最高相似度为第一相似度和第二相似度,即两个相似度相等,可以配置图像特征的类型为未遮挡车牌类型或遮挡车牌类型。
通过确定最高相似度,最高相似度的标准特征对应的车牌图像确定图像特征的类型,可以简化遮挡车牌的识别操作,提高遮挡车牌的识别效率。
根据本公开的技术方案,通过计算第一相似度和第二相似度,并比较,确定未遮挡车牌图像与待检测车牌图像之间的相似程度,与遮挡车牌图像与待检测车牌图像之间的相似程度之间的差异,以确定图像特征的类型,可以在待检测车牌的遮挡样式不属于训练样本中,也可以通过提取的图像特征与第一标准特征和第二标准特征比较识别出类型,能够支持更多样式的遮挡车牌图像的识别,提高车牌遮挡识别的准确率,同时无需重新训练识别出新样式遮挡情况的模型,降低新样式遮挡车牌的识别成本和难度,提高遮挡车牌的识别效率。
图4是根据本公开实施例公开的一种车牌遮挡识别方法的场景图,车牌遮挡识别方法包括:
S401,获取待检测车牌图像。
S402,将待检测车牌图像输入至编码器进行处理。
S403,获取编码器处理得到的图像特征。
S404,将图像特征输入至解码器进行处理。
编码器和解码器构成目标模型。
S405,获取解码器处理得到的车牌二值图像。
S406,获取未遮挡车牌图像的第一标准特征。
S407,获取遮挡车牌图像的第二标准特征。
S408,将第一标准特征与图像特征之间的第一相似度,与第二标准特征与图像特征之间的第二相似度,进行比较。
S409,根据比较结果,获取遮挡识别结果。
根据本公开的技术方案,不依赖于大量经过标注的未遮挡车牌图像和遮挡车牌图像,可以在很少的车牌图像数据上达到较好的效果,同时基于相似度的比较,虽然真实场景下车牌遮挡的方式不同,但是检测存在遮挡情况的车牌图像与遮挡车牌图像,相对于未遮挡车牌图像更相似,可以提高对于不同车牌遮挡方式的泛化性,不易受到异常数据的干扰,提高车牌遮挡识别系统的稳定性。
根据本公开的实施例,图5是本公开实施例中的车牌遮挡识别装置的结构图,本公开实施例适用于在设备抖动的情况下,对该设备的界面进行移动显示的情况。该装置采用软件和/或硬件实现,并具体配置于具备一定数据运算能力的电子设备中。
如图5所示的一种车牌遮挡识别装置500,包括:图像特征检测模块501、标准特征检测模块502和遮挡识别模块503;其中,
图像特征检测模块501,用于获取待检测车牌图像的图像特征;
标准特征检测模块502,用于获取未遮挡车牌图像的第一标准特征和遮挡车牌图像的第二标准特征;
遮挡识别模块503,用于将所述第一标准特征和所述第二标准特征与所述图像特征进行比较,检测所述图像特征的类型,并确定所述待检测车牌图像的遮挡识别结果。
根据本公开的技术方案,通过获取待检测车牌图像的图像特征以及未遮挡车牌图像的第一标准特征和遮挡车牌图像的第二标准特征,并将第一标准特征和第二标准特征与图像特征进行比较,确定图像特征的类型,以检测待检测车牌图像的遮挡识别结果,可以避免增加新样本重新训练神经网络模型以实现对新样式的遮挡车牌进行识别,可以减少对标注遮挡车牌图像的依赖,降低车牌遮挡样本的获取难度,减少遮挡样本数据的标注成本,从而降低车牌遮挡识别的成本,简化车牌遮挡的识别操作,提高车牌遮挡的识别效率,并且,减少对训练数据的依赖,可以提高对新遮挡形式的车牌图像的识别准确率,从而兼顾识别遮挡车牌的实现成本和遮挡车牌的识别准确率。
进一步的,所述图像特征检测模块,包括:图像编码单元,用于采用预先训练车牌字符分割模型中编码器对所述待检测车牌图像进行处理,获取所述待检测车牌图像的图像特征。
进一步的,车牌遮挡识别装置,还包括:模型训练模块,用于采用训练样本对初始网络模型进行训练,得到车牌字符分割模型,其中,所述初始网络模型包括编码器和解码器,所述训练样本包括标注有字体和背景的车牌图像。
进一步的,所述标准特征检测模块,包括:未遮挡车牌图像集合获取单元,用于获取未遮挡车牌图像,并形成未遮挡车牌图像集合;未遮挡车牌图像编码单元,用于采用所述车牌字符分割模型中编码器对所述未遮挡车牌图像集合进行处理,得到未遮挡图像特征集合;第一标准特征统计单元,用于计算所述未遮挡图像特征集合中未遮挡图像特征的均值,并确定为第一标准特征。
进一步的,所述遮挡识别模块,包括:第一相似度计算单元,用于计算所述第一标准特征与所述图像特征之间的第一相似度;第二相似度计算单元,用于计算所述第二标准特征与所述图像特征之间的第二相似度;类识别单元,用于根据所述第一相似度和所述第二相似度,确定所述图像特征的类型。
进一步的,所述类识别单元,包括:相似度比较子单元,用于对所述第一相似度和所述第二相似度进行比较,确定最高相似度;遮挡类确定子单元,用于根据所述最高相似度的标准特征对应的车牌图像,确定所述图像特征的类型。
进一步的,所述车牌图像包括渣土车车牌图像。
上述车牌遮挡识别装置可执行本公开任意实施例所提供的车牌遮挡识别方法,具备执行车牌遮挡识别方法相应的功能模块和有益效果。
本公开的技术方案中,所涉及的用户个人信息或车辆信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,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6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。
计算单元601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601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601执行上文所描述的各个方法和处理,例如车牌遮挡识别方法。例如,在一些实施例中,车牌遮挡识别方法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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的车牌遮挡识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车牌遮挡识别方法。
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。服务器可以是云服务器,也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。
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,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种车牌遮挡识别方法,包括:
获取待检测车牌图像的图像特征;
获取未遮挡车牌图像的第一标准特征和遮挡车牌图像的第二标准特征;
将所述第一标准特征和所述第二标准特征与所述图像特征进行比较,检测所述图像特征的类型,并确定所述待检测车牌图像的遮挡识别结果。
2.根据权利要求1所述的方法,其中,所述获取待检测车牌图像的图像特征,包括:
采用预先训练的目标模型中编码器对所述待检测车牌图像进行处理,获取所述待检测车牌图像的图像特征。
3.根据权利要求2所述的方法,还包括:
采用训练样本对初始网络模型进行训练,得到车牌字符分割模型,作为所述目标模型,其中,所述初始网络模型包括编码器和解码器,所述训练样本包括标注有字符和背景的车牌图像。
4.根据权利要求2所述的方法,其中,所述获取未遮挡车牌图像的第一标准特征,包括:
获取未遮挡车牌图像,并形成未遮挡车牌图像集合;
采用所述编码器对所述未遮挡车牌图像集合进行处理,得到未遮挡图像特征集合;
计算所述未遮挡图像特征集合中未遮挡图像特征的均值,并确定为第一标准特征。
5.根据权利要求1所述的方法,其中,所述将所述第一标准特征和所述第二标准特征与所述图像特征进行比较,检测所述图像特征的类型,包括:
计算所述第一标准特征与所述图像特征之间的第一相似度;
计算所述第二标准特征与所述图像特征之间的第二相似度;
根据所述第一相似度和所述第二相似度,确定所述图像特征的类型。
6.根据权利要求5所述的方法,其中,所述根据所述第一相似度和所述第二相似度,确定所述图像特征的类型,包括:
对所述第一相似度和所述第二相似度进行比较,确定最高相似度;
根据所述最高相似度的标准特征对应的车牌图像,确定所述图像特征的类型。
7.根据权利要求1所述的方法,其中,所述车牌图像包括渣土车车牌图像。
8.一种车牌遮挡识别装置,包括:
图像特征检测模块,用于获取待检测车牌图像的图像特征;
标准特征检测模块,用于获取未遮挡车牌图像的第一标准特征和遮挡车牌图像的第二标准特征;
遮挡识别模块,用于将所述第一标准特征和所述第二标准特征与所述图像特征进行比较,检测所述图像特征的类型,并确定所述待检测车牌图像的遮挡识别结果。
9.根据权利要求8所述的装置,其中,所述图像特征检测模块,包括:
图像编码单元,用于采用预先训练车牌字符分割模型中编码器对所述待检测车牌图像进行处理,获取所述待检测车牌图像的图像特征。
10.根据权利要求9所述的装置,还包括:
模型训练模块,用于采用训练样本对初始网络模型进行训练,得到车牌字符分割模型,其中,所述初始网络模型包括编码器和解码器,所述训练样本包括标注有字体和背景的车牌图像。
11.根据权利要求9所述的装置,其中,所述标准特征检测模块,包括:
未遮挡车牌图像集合获取单元,用于获取未遮挡车牌图像,并形成未遮挡车牌图像集合;
未遮挡车牌图像编码单元,用于采用所述车牌字符分割模型中编码器对所述未遮挡车牌图像集合进行处理,得到未遮挡图像特征集合;
第一标准特征统计单元,用于计算所述未遮挡图像特征集合中未遮挡图像特征的均值,并确定为第一标准特征。
12.根据权利要求8所述的装置,其中,所述遮挡识别模块,包括:
第一相似度计算单元,用于计算所述第一标准特征与所述图像特征之间的第一相似度;
第二相似度计算单元,用于计算所述第二标准特征与所述图像特征之间的第二相似度;
类识别单元,用于根据所述第一相似度和所述第二相似度,确定所述图像特征的类型。
13.根据权利要求12所述的装置,其中,所述类识别单元,包括:
相似度比较子单元,用于对所述第一相似度和所述第二相似度进行比较,确定最高相似度;
遮挡类确定子单元,用于根据所述最高相似度的标准特征对应的车牌图像,确定所述图像特征的类型。
14.根据权利要求8所述的装置,其中,所述车牌图像包括渣土车车牌图像。
15.一种电子设备,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1-7中任一项所述的车牌遮挡识别方法。
16.一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1-7中任一项所述的车牌遮挡识别方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的车牌遮挡识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721879.9A CN113378837A (zh) | 2021-06-28 | 2021-06-28 | 车牌遮挡识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721879.9A CN113378837A (zh) | 2021-06-28 | 2021-06-28 | 车牌遮挡识别方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113378837A true CN113378837A (zh) | 2021-09-10 |
Family
ID=77579533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110721879.9A Pending CN113378837A (zh) | 2021-06-28 | 2021-06-28 | 车牌遮挡识别方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378837A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114120062A (zh) * | 2021-11-26 | 2022-03-01 | 北京百度网讯科技有限公司 | 样本生成方法及装置 |
CN114612893A (zh) * | 2022-03-31 | 2022-06-10 | 重庆紫光华山智安科技有限公司 | 车牌遮挡检测方法、系统、电子设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446895A (zh) * | 2016-10-28 | 2017-02-22 | 安徽四创电子股份有限公司 | 一种基于深度卷积神经网络的车牌识别方法 |
CN109241868A (zh) * | 2018-08-16 | 2019-01-18 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
CN110458234A (zh) * | 2019-08-14 | 2019-11-15 | 广州广电银通金融电子科技有限公司 | 一种基于深度学习的以图搜车方法 |
CN112749701A (zh) * | 2021-01-22 | 2021-05-04 | 北京百度网讯科技有限公司 | 车牌污损分类模型的生成方法和车牌污损分类方法 |
-
2021
- 2021-06-28 CN CN202110721879.9A patent/CN113378837A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446895A (zh) * | 2016-10-28 | 2017-02-22 | 安徽四创电子股份有限公司 | 一种基于深度卷积神经网络的车牌识别方法 |
CN109241868A (zh) * | 2018-08-16 | 2019-01-18 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
CN110458234A (zh) * | 2019-08-14 | 2019-11-15 | 广州广电银通金融电子科技有限公司 | 一种基于深度学习的以图搜车方法 |
CN112749701A (zh) * | 2021-01-22 | 2021-05-04 | 北京百度网讯科技有限公司 | 车牌污损分类模型的生成方法和车牌污损分类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114120062A (zh) * | 2021-11-26 | 2022-03-01 | 北京百度网讯科技有限公司 | 样本生成方法及装置 |
CN114612893A (zh) * | 2022-03-31 | 2022-06-10 | 重庆紫光华山智安科技有限公司 | 车牌遮挡检测方法、系统、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657390B (zh) | 文本检测模型的训练方法和检测文本方法、装置和设备 | |
CN110378297B (zh) | 基于深度学习的遥感图像目标检测方法、装置、及存储介质 | |
CN114119676B (zh) | 基于多特征信息融合的目标检测跟踪识别方法和系统 | |
CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
CN111652869B (zh) | 基于深度学习的板坯空洞识别方法、系统、介质及终端 | |
CN111079785A (zh) | 一种图像识别方法、装置及终端设备 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN113378837A (zh) | 车牌遮挡识别方法、装置、电子设备和存储介质 | |
CN112528858A (zh) | 人体姿态估计模型的训练方法、装置、设备、介质及产品 | |
CN108960246B (zh) | 一种用于图像识别的二值化处理装置及方法 | |
CN111709377B (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
CN113378857A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN115345895B (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
CN112241736A (zh) | 一种文本检测的方法及装置 | |
CN113762027B (zh) | 一种异常行为的识别方法、装置、设备及存储介质 | |
Kumar et al. | An efficient algorithm for text localization and extraction in complex video text images | |
CN112101139B (zh) | 人形检测方法、装置、设备及存储介质 | |
CN114511862A (zh) | 表格识别方法、装置及电子设备 | |
CN113989300A (zh) | 车道线分割的方法、装置、电子设备和存储介质 | |
Naz et al. | Challenges in baseline detection of cursive script languages | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN113780278A (zh) | 一种识别车牌内容的方法、装置、电子设备以及存储介质 | |
Sun et al. | Contextual models for automatic building extraction in high resolution remote sensing image using object-based boosting method | |
CN111814865A (zh) | 一种图像识别方法、装置、设备及存储介质 | |
CN113365027B (zh) | 视频处理方法及装置、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 |