CN113505790A - 一种车牌处理方法、装置、设备及计算机可读存储介质 - Google Patents

一种车牌处理方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN113505790A
CN113505790A CN202110801852.0A CN202110801852A CN113505790A CN 113505790 A CN113505790 A CN 113505790A CN 202110801852 A CN202110801852 A CN 202110801852A CN 113505790 A CN113505790 A CN 113505790A
Authority
CN
China
Prior art keywords
license plate
image
plate image
evaluation information
cosine value
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
Application number
CN202110801852.0A
Other languages
English (en)
Inventor
邱铭凯
张伟
谢思敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TP Link Technologies Co Ltd
Original Assignee
TP Link Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by TP Link Technologies Co Ltd filed Critical TP Link Technologies Co Ltd
Priority to CN202110801852.0A priority Critical patent/CN113505790A/zh
Publication of CN113505790A publication Critical patent/CN113505790A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)
  • Character Discrimination (AREA)

Abstract

本申请适用于图像处理技术领域，提供了车牌处理方法、装置、设备及计算机可读存储介质，所述方法包括：获取待识别车牌的车牌图像；对各个车牌图像进行处理，得到各个车牌图像对应的车牌评价信息；车牌评价信息包括所述待识别车牌的水平相似度；根据各个车牌图像对应的车牌评价信息确定各个车牌图像对应的分数，并将分数最高的车牌图像确定为目标车牌图像。上述方法，对车牌图像进行质量评价时，评价方法比较简单，无需大量的计算的过程，就可以准确的对车牌图像进行质量评价，可以快速的得到质量最高的目标车牌图像。

Description

一种车牌处理方法、装置、设备及计算机可读存储介质
技术领域
本申请属于图像处理技术领域，尤其涉及一种车牌处理方法、装置、设备及计算机可读存储介质。
背景技术
在进行车牌识别的过程中，一般会连续获取多张车牌图像，从多张车牌图像中选取质量最高的一张车牌图像进行识别，得到车牌识别结果。这样可以得到比较可靠的车牌识别结果，提高了车牌识别的效率。
但是，现有技术中，对车牌图像进行质量评价时，一般采用单一的评价信息，并且评价方法比较复杂，无法准确的对车牌图像进行质量评价，也无法快速的得到质量最高的车牌图像。
发明内容
本申请实施例提供了一种车牌处理方法、装置、设备及计算机可读存储介质，可以解决上述问题。
第一方面，本申请实施例提供了一种车牌处理方法，包括：
获取待识别车牌的车牌图像；
对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息；所述车牌评价信息包括所述待识别车牌的水平相似度；
根据各个所述车牌图像对应的车牌评价信息确定各个所述车牌图像对应的分数，并将分数最高的车牌图像确定为目标车牌图像。
进一步地，所述待识别车牌的水平相似度为所述待识别车牌的横向中心线的水平夹角余弦值；
所述对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息，包括：
对所述车牌图像进行关键点识别，得到所述车牌图像对应的车牌关键点；
根据所述车牌关键点确定所述待识别车牌的第一中心点的第一坐标和第二中心点的第二坐标；
根据所述第一坐标和所述第二坐标确定所述待识别车牌的横向中心线，并且计算所述横向中心线的水平夹角余弦值。
进一步地，所述车牌评价信息还包括车牌清晰度信息；
所述对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息，包括：
根据所述车牌图像确定所述待识别车牌的对比度信息和亮度信息；
根据所述对比度信息、所述亮度信息和预设清晰度计算策略，计算得到车牌清晰度信息。
进一步地，所述根据所述车牌图像确定所述待识别车牌的对比度信息和亮度信息，包括：
将所述车牌图像转换为车牌灰度图；
计算所述车牌灰度图的平均像素值，得到所述待识别车牌的亮度信息；
计算所述车牌灰度图的特征矩阵均值，得到所述待识别车牌的对比度信息。
进一步地，所述车牌评价信息还包括触发精准度；
所述对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息，包括：
根据所述车牌图像和预设检测算法得到车牌检测框，并且获取所述车牌检测框的中心点的第三坐标；
根据所述第三坐标获取所述中心点在预设触发线上的投影点的第四坐标；
根据所述第三坐标、所述第四坐标和所述车牌图像的画面高度，计算所述中心点与所述投影点之间的相对距离；
根据所述相对距离计算得到触发精准度。
进一步地，所述车牌评价信息还包括置信度系数；所述置信度系数包括截断置信度、车牌识别置信度或者分类置信度中的一种或者多种。
进一步地，所述置信度系数包括截断置信度；
所述对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息，包括：
对所述车牌图像进行识别，得到识别结果；
根据所述识别结果确定所述待识别车牌的车牌识别位数和车牌理论位数；
根据所述车牌识别位数和所述车牌理论位数计算截断置信度。
进一步地，所述置信度系数包括分类置信度；
所述对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息，包括：
将所述车牌图像输入至预设的车牌分类网络，得到所述车牌图像的分类置信度。
进一步地，所述置信度系数包括车牌识别置信度；
所述对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息，包括：
对所述车牌图像进行识别，得到识别结果；
根据识别结果得到所述待识别车牌的首字符的第一识别置信度和尾字符的第二识别置信度；
根据所述第一识别置信度和所述第二识别置信度得到车牌识别置信度。
进一步地，所述车牌评价信息还包括矩形相似度；
所述对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息，包括：
对所述车牌图像进行关键点识别，得到车牌关键点；所述车牌关键点包括第一关键点、第二关键点、第三关键点和第四关键点；
获取所述第一关键点对应的第一目标角的第一余弦值、所述第二关键点对应的第二目标角的第二余弦值、所述第三关键点对应的第三目标角的第三余弦值、以及所述第四关键点对应的第四目标角的第四余弦值；
从所述第一余弦值、所述第二余弦值、所述第三余弦值和所述第四余弦值中确定最大目标余弦值和最小目标余弦值；
根据所述最大目标余弦值和所述最小目标余弦值计算矩形相似度。
进一步地，所述根据各个所述车牌图像对应的车牌评价信息确定各个所述车牌图像对应的分数，包括：
根据所述车牌图像对应的车牌评价信息和预设评价信息权重，计算得到所述待识别车牌的分数。
第二方面，本申请实施例提供了一种车牌处理装置，包括：
获取单元，用于获取待识别车牌的车牌图像；
第一处理单元，用于对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息；所述车牌评价信息包括所述待识别车牌的水平相似度；
第二处理单元，用于根据各个所述车牌图像对应的车牌评价信息确定各个所述车牌图像对应的分数，并将分数最高的车牌图像确定为目标车牌图像。
进一步地，所述待识别车牌的水平相似度为所述待识别车牌的横向中心线的水平夹角余弦值；
所述第一处理单元，具体用于：
对所述车牌图像进行关键点识别，得到所述车牌图像对应的车牌关键点；
根据所述车牌关键点确定所述待识别车牌的第一中心点的第一坐标和第二中心点的第二坐标；
根据所述第一坐标和所述第二坐标确定所述待识别车牌的横向中心线，并且计算所述横向中心线的水平夹角余弦值。
进一步地，所述车牌评价信息还包括车牌清晰度信息；
所述第一处理单元，具体用于：
根据所述车牌图像确定所述待识别车牌的对比度信息和亮度信息；
根据所述对比度信息、所述亮度信息和预设清晰度计算策略，计算得到车牌清晰度信息。
进一步地，所述第一处理单元，具体用于：
将所述车牌图像转换为车牌灰度图；
计算所述车牌灰度图的平均像素值，得到所述待识别车牌的亮度信息；
计算所述车牌灰度图的特征矩阵均值，得到所述待识别车牌的对比度信息。
进一步地，所述车牌评价信息还包括触发精准度；
所述第一处理单元，具体用于：
根据所述车牌图像和预设检测算法得到车牌检测框，并且获取所述车牌检测框的中心点的第三坐标；
根据所述第三坐标获取所述中心点在预设触发线上的投影点的第四坐标；
根据所述第三坐标、所述第四坐标和所述车牌图像的画面高度，计算所述中心点与所述投影点之间的相对距离；
根据所述相对距离计算得到触发精准度。
进一步地，所述车牌评价信息还包括置信度系数；所述置信度系数包括截断置信度、车牌识别置信度或者分类置信度中的一种或者多种。
进一步地，所述置信度系数包括截断置信度；
所述第一处理单元，具体用于：
对所述车牌图像进行识别，得到识别结果；
根据所述识别结果确定所述待识别车牌的车牌识别位数和车牌理论位数；
根据所述车牌识别位数和所述车牌理论位数计算截断置信度。
进一步地，所述置信度系数包括分类置信度；
所述第一处理单元，具体用于：
将所述车牌图像输入至预设的车牌分类网络，得到所述车牌图像的分类置信度。
进一步地，所述置信度系数包括车牌识别置信度；
所述第一处理单元，具体用于：
对所述车牌图像进行识别，得到识别结果；
根据识别结果得到所述待识别车牌的首字符的第一识别置信度和尾字符的第二识别置信度；
根据所述第一识别置信度和所述第二识别置信度得到车牌识别置信度。
进一步地，所述车牌评价信息还包括矩形相似度；
所述第一处理单元，具体用于：
对所述车牌图像进行关键点识别，得到车牌关键点；所述车牌关键点包括第一关键点、第二关键点、第三关键点和第四关键点；
获取所述第一关键点对应的第一目标角的第一余弦值、所述第二关键点对应的第二目标角的第二余弦值、所述第三关键点对应的第三目标角的第三余弦值、以及所述第四关键点对应的第四目标角的第四余弦值；
从所述第一余弦值、所述第二余弦值、所述第三余弦值和所述第四余弦值中确定最大目标余弦值和最小目标余弦值；
根据所述最大目标余弦值和所述最小目标余弦值计算矩形相似度。
进一步地，所述第二处理单元，具体用于：
根据所述车牌图像对应的车牌评价信息和预设评价信息权重，计算得到所述待识别车牌的分数。
第三方面，本申请实施例提供了一种车牌处理设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的车牌处理方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的车牌处理方法。
本申请实施例中，获取待识别车牌的车牌图像；对各个车牌图像进行处理，得到各个车牌图像对应的车牌评价信息；车牌评价信息包括所述待识别车牌的水平相似度；根据各个车牌图像对应的车牌评价信息确定各个车牌图像对应的分数，并将分数最高的车牌图像确定为目标车牌图像。上述方法，对车牌图像进行质量评价时，评价方法比较简单，无需大量的计算的过程，就可以准确的对车牌图像进行质量评价，可以快速的得到质量最高的目标车牌图像。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请第一实施例提供的一种车牌处理方法的示意流程图；
图2是本申请第二实施例提供的车牌处理装置的示意图；
图3是本申请第三实施例提供的车牌处理设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”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。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
请参见图1，图1是本申请第一实施例提供的一种车牌处理方法的示意流程图。本实施例中一种车牌处理方法的执行主体为具有车牌处理功能的设备。
如图1所示的车牌处理方法可以包括：
S101：获取待识别车牌的车牌图像。
在进行车牌识别时，为了得到比较可靠的车牌识别结果，提高了车牌识别的效率，一般会连续获取待识别车牌的多张车牌图像，从多张车牌图像中选取质量最高的一张车牌图像进行识别，得到车牌识别结果。
本实施例中，设备需要获取待识别车牌的车牌图像，其中，为了可以选择质量最高的车牌图像进行识别，待识别车牌的车牌图像的数量至少为两个。多张待识别车牌的车牌图像在采集时，可以是由采集设备在一段时间内连续采集。
S102：对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息；所述车牌评价信息包括所述待识别车牌的水平相似度。
设备对各个车牌图像进行处理，本实施例中，对于处理的过程并不做具体的限定，可以对车牌图像进行图像分割处理、图像识别处理、关键点识别处理、关键参数计算等等。设备经过对车牌图像处理后，得到各个车牌图像对应的车牌评价信息。
其中，车牌评价信息是用于评价车牌图像的质量的信息，设备可以将车牌评价信息作为选择目标车牌图像的依据，例如，设备根据车牌评价信息可以判断车牌图像是否清晰、是否水平、是否便于识别等等。
车牌评价信息包括待识别车牌的水平相似度，水平相似度可以用于衡量车辆姿态角，当车辆正对摄像机行驶时，车牌基本保持水平，则水平相似度较高；当车辆行驶方向与摄像机拍摄角度形成一定夹角时，车牌图像会倾斜，水平相似度较低。姿态角越小，则车牌越容易识别。水平相似度衡量的是车辆行驶方向与摄像机拍摄方向所形成的角度，这个角度是在三维世界进行定义，也属于姿态角，是假设车辆只是绕z轴(重垂线方向)转动，而在其他轴角度保持不变的姿态角。
另外，利用水平相似度衡量车辆的姿态角，是因为在车牌择优的过程中，并不需要计算得到具体的角度，而是只要能够找到一个指标能够反映不同角度的变化即可。在这里选择的就是车牌的水平相似度，所以需要对水平相似度与姿态角区分，两者是不同的，但是车牌的水平相似度会随着姿态角的变化而变化，所以可以用来衡量。所以，本实施中没有用到任何关于计算姿态角的方法，而是采用另一个更加简单易算的水平相似度进行评价。
车牌评价信息还可以包括但是并不限于车牌清晰度信息、触发精准度、置信度系数、矩形相似度。不同的车牌评价信息的确定方法并不相同，下面会进行详细的说明。
具体来说，待识别车牌的水平相似度包括待识别车牌的横向中心线的水平夹角余弦值；设备在确定车牌评价信息中的水平相似度时，计算待识别车牌的横向中心线的水平夹角余弦值即可。具体的待识别车牌的横向中心线的水平夹角余弦值的确定方式如下：
设备对车牌图像进行关键点识别，得到车牌图像对应的车牌关键点。其中，设备可以通过关键点检测算法对车牌图像进行关键点检测，识别出车牌图像对应的车牌关键点。需要说明的是，这里的车牌图像对应的车牌关键点是指车牌图像中的车牌的关键点，这里的车牌指的是单纯的车牌本身，而不是车牌检测框，车牌检测框是一个水平的矩形，但是车牌本身则由于视角的关系，会是一个不规则的四边形，在车牌识别的过程中我们会对车牌这个不规则四边形的四个点(称为关键点)进行检测，用于矫正车牌。以车牌的正视图为参考，车牌关键点包括的四个点可以命名为左上关键点、左下关键点、右上关键点和右下关键点。
然后，设备根据车牌关键点确定待识别车牌的第一中心点的第一坐标和第二中心点的第二坐标；其中，第一中心点为左上关键点和左下关键点之间连线的中点，第二中心点为右上关键点和右下关键点之间连线的中点。
根据第一坐标和第二坐标确定待识别车牌的横向中心线，并且计算横向中心线的水平夹角余弦值。第一中心点和第二中心点之间的连线即为待识别车牌的横向中心线，一般来说，待识别车牌的横向中心线为一条倾斜的线，而计算横向中心线的水平夹角余弦值，则是计算横向中心线与水平线组成的夹角的余弦值。水平线就是以横向中心线的较低点出发作的一条水平的线，或者直接将横向中心线看成一个向量，这里的水平夹角余弦值就是该向量的角度。
一种实施方式中，车牌评价信息还可以包括车牌清晰度信息；车牌清晰度信息衡量车牌图片的清晰程度。在确定车牌清晰度信息时，设备可以根据车牌图像确定待识别车牌的对比度信息和亮度信息；根据对比度信息、亮度信息和预设清晰度计算策略，计算得到车牌清晰度信息。其中，亮度信息标识的亮度越强，对比度信息标识的对比度越强，表示车牌图像越清晰。得到亮度信息和对比度信息后，可以根据预设的清晰度计算公式，计算整体的车牌清晰度信息。例如，得到亮度信息L和对比度信息G后，进行综合得到车牌清晰度信息S＝a1*G/(b1+L/c1)，其中a1,b1,c1为预设的参数。
其中，在获取亮度信息和对比度信息时，设备可以将车牌图像转换为车牌灰度图。设备计算车牌灰度图的平均像素值，得到待识别车牌的亮度信息；亮度信息越大，表示亮度越低。设备计算车牌灰度图的特征矩阵均值，得到所述待识别车牌的对比度信息，设备计算车牌灰度图的Sobel特征矩阵，取特征矩阵的均值作为对比度信息G，对比度信息越大，表示对比度越高。
一种实施方式中，车牌评价信息还包括触发精准度；触发精准度用来衡量车牌与预设触发线的距离，距离预设触发线越近，则更有可能获取到清晰易辨识的车牌。
首先，设备在确定触发精准度时，设备根据车牌图像和预设检测算法得到车牌检测框，根据预设检测算法对车牌图像进行检测，得到车牌检测框。车牌检测框是一个水平的矩形框在车牌不是完美的水平矩形的情况下，车牌检测框一般是包含车牌本身，以及会有一部分的背景区域。以车牌检测框的正视图为参考，车牌检测框的四个顶点为左上顶点、左下顶点、右上顶点和右下顶点。
其次，设备获取车牌检测框的中心点的第三坐标，其中，车牌检测框的中心点可以是左上顶点和右下顶点之间的连线的中点，所以，设备根据左上顶点的坐标和右下顶点的坐标既可以确定车牌检测框的中心点的第三坐标。
其次，设备根据第三坐标获取中心点在预设触发线上的投影点的第四坐标。设备中存储预设触发线的位置信息，根据预设触发线的位置信息以及第三坐标既可以获取到中心点在预设触发线上的投影点的第四坐标。
其次，根据第三坐标、第四坐标和车牌图像的画面高度，计算中心点与投影点之间的相对距离；设备先计算投影点与中心点的绝对距离，投影点与中心点的绝对距离除以画面高度就可以得到相对距离d。
最后，根据相对距离计算得到触发精准度。设备中可以预先设置触发精准度的计算公式，举例来说，触发精准度D可以采用如下公式进行计算：
D＝a2*((1-d)2)
其中，d为相对距离，a2为预设参数，距离越近则触发精准度越大。
一种实施方式中，车牌评价信息还包括置信度系数；置信度系数包括截断置信度、车牌识别置信度或者分类置信度中的一种或者多种。
其中，截断置信度考虑车牌可能存在部分被遮挡的情况，置信度系数是作为对总分数的一个折减系数，是其它衡量指标的综合总值。当置信度系数包括截断置信度时，设备对车牌图像进行识别，得到识别结果；根据识别结果确定待识别车牌的车牌识别位数和车牌理论位数；其中，车牌识别位数即为设备从车牌图像中识别的位数，车牌理论位数为该类型的车牌未遮挡时的位数，例如，黄绿车牌和绿车牌的车牌理论位数为8位，其他车牌的车牌理论位数为7位。设备可以先识别出待识别车牌的类型，从而确定待识别车牌的车牌理论位数。然后，设备根据车牌识别位数和车牌理论位数计算截断置信度。例如，车牌识别位数为N1，车牌理论位数为N2，则截断置信度T＝(N2-|N2-N1|)/N2。
采用这种方式，在各种场合都能够给出可靠的截断置信度，适用面广，且计算简单，处理速度快。
其中，分类置信度考虑车牌可能存在误检的情况，当置信度系数包括分类置信度时，可以利用车牌分类网络给出车牌的分类结果以及分类置信度。具体来说，设备将车牌图像输入至预设的车牌分类网络，得到车牌图像的分类置信度。
其中，车牌识别置信度考虑模糊及部分截断情况下，车牌字符识别自信度较低，能够反映截断情况及文字清晰度。所以，当置信度系数包括车牌识别置信度时，设备对车牌图像进行识别，得到识别结果；根据识别结果得到待识别车牌的首字符的第一识别置信度和尾字符的第二识别置信度；根据第一识别置信度和第二识别置信度得到车牌识别置信度。例如，待识别车牌的首字符的第一识别置信度为R1，尾字符的第二识别置信度为R2，得到车牌识别置信度R＝min(R1,R2)。
可以理解的是，置信度系数包括截断置信度、车牌识别置信度或者分类置信度中的一种或者多种，但是并不限于以上三种。
一种实施方式中，车牌评价信息还可以包括矩形相似度；矩形相似度可以用于衡量车牌的完整度，车牌被部分遮挡时，车牌的矩形相似度会偏低。在获取矩形相似度时，设备对车牌图像进行关键点识别，得到车牌关键点；具体可以参阅上文中对于关键点识别，得到车牌关键点的相关描述，此处不再赘述。车牌关键点包括第一关键点、第二关键点、第三关键点和第四关键点；
设备利用第一关键点、第二关键点、第三关键点和第四关键点分别获取对应的车牌内角的余弦值。设备获取第一关键点对应的第一目标角的第一余弦值、第二关键点对应的第二目标角的第二余弦值、第三关键点对应的第三目标角的第三余弦值、以及第四关键点对应的第四目标角的第四余弦值；然后，从第一余弦值、第二余弦值、第三余弦值和所述第四余弦值中确定最大目标余弦值和最小目标余弦值；根据最大目标余弦值和最小目标余弦值计算矩形相似度。最大目标余弦值为max_cos，最小目标余弦值为min_cos，然后根据两个值计算得到矩形相似度R：
R＝a3*(1-(max_cos-min_cos)/b2)
其中，a3、b2为预设参数。
当车牌是完整的矩形的时候，max_cos等于min_cos，此时矩形相似度取得最大值。
需要说明的是，车牌评价信息可以包括但不限于待识别车牌的水平相似度、车牌清晰度信息、触发精准度、置信度系数、矩形相似度中的一种或者多种。其中，本申请中，最重要的车牌评价信息为待识别车牌的水平相似度，其他车牌评价信息的排序为车牌清晰度信息、触发精准度、置信度系数、矩形相似度。
S103：根据各个所述车牌图像对应的车牌评价信息确定各个所述车牌图像对应的分数，并将分数最高的车牌图像确定为目标车牌图像。
设备在获取到各个车牌图像对应的车牌评价信息后，获取设备中预存的评分策略，设备根据各个车牌图像对应的车牌评价信息和对应的评分策略确定各个车牌图像对应的分数。
具体来说，设备中的评分策略可以包括预设评价信息权重，本实施例中，车牌评价信息的种类为两个或者两个以上，不同的车牌评价信息对应了不同的预设评价信息权重。设备根据车牌图像对应的车牌评价信息和预设评价信息权重，计算得到待识别车牌的分数。例如，待识别车牌的分数final_score可以通过如下方式进行计算：
init_score＝(s1*S+l1*L+r1*R+d1*D)
final_score＝T*R*(a*init_score*C2+(1-a)*init_score)
其中，S为车牌清晰度信息，L为水平相似度，R为矩形相似度，D为触发精准度，C2为置信度系数，s1，l1，r1，d1及a表示各个评价指标的权重。
获取各个车牌图像中待识别车牌的分数后，将分数最高的车牌图像确定为目标车牌图像，即确定了多个车牌图像中，质量最优的车牌图像，对目标车牌图像进行识别可以提升车牌识别的效率。
本申请实施例中，获取待识别车牌的车牌图像；对各个车牌图像进行处理，得到各个车牌图像对应的车牌评价信息；车牌评价信息包括所述待识别车牌的水平相似度；根据各个车牌图像对应的车牌评价信息确定各个车牌图像对应的分数，并将分数最高的车牌图像确定为目标车牌图像。上述方法，对车牌图像进行质量评价时，评价方法比较简单，无需大量的计算的过程，就可以准确的对车牌图像进行质量评价，可以快速的得到质量最高的目标车牌图像。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
请参见图2，图2是本申请第二实施例提供的车牌处理装置的示意图。包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图2，车牌处理装置2包括：
获取单元210，用于获取待识别车牌的车牌图像；
第一处理单元220，用于对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息；所述车牌评价信息包括所述待识别车牌的水平相似度；
第二处理单元230，用于根据各个所述车牌图像对应的车牌评价信息确定各个所述车牌图像对应的分数，并将分数最高的车牌图像确定为目标车牌图像。
进一步地，所述待识别车牌的水平相似度为所述待识别车牌的横向中心线的水平夹角余弦值；
所述第一处理单元220，具体用于：
对所述车牌图像进行关键点识别，得到所述车牌图像对应的车牌关键点；
根据所述车牌关键点确定所述待识别车牌的第一中心点的第一坐标和第二中心点的第二坐标；
根据所述第一坐标和所述第二坐标确定所述待识别车牌的横向中心线，并且计算所述横向中心线的水平夹角余弦值。
进一步地，所述车牌评价信息还包括车牌清晰度信息；
所述第一处理单元220，具体用于：
根据所述车牌图像确定所述待识别车牌的对比度信息和亮度信息；
根据所述对比度信息、所述亮度信息和预设清晰度计算策略，计算得到车牌清晰度信息。
进一步地，所述第一处理单元220，具体用于：
将所述车牌图像转换为车牌灰度图；
计算所述车牌灰度图的平均像素值，得到所述待识别车牌的亮度信息；
计算所述车牌灰度图的特征矩阵均值，得到所述待识别车牌的对比度信息。
进一步地，所述车牌评价信息还包括触发精准度；
所述第一处理单元220，具体用于：
根据所述车牌图像和预设检测算法得到车牌检测框，并且获取所述车牌检测框的中心点的第三坐标；
根据所述第三坐标获取所述中心点在预设触发线上的投影点的第四坐标；
根据所述第三坐标、所述第四坐标和所述车牌图像的画面高度，计算所述中心点与所述投影点之间的相对距离；
根据所述相对距离计算得到触发精准度。
进一步地，所述车牌评价信息还包括置信度系数；所述置信度系数包括截断置信度、车牌识别置信度或者分类置信度中的一种或者多种。
进一步地，所述置信度系数包括截断置信度；
所述第一处理单元220，具体用于：
对所述车牌图像进行识别，得到识别结果；
根据所述识别结果确定所述待识别车牌的车牌识别位数和车牌理论位数；
根据所述车牌识别位数和所述车牌理论位数计算截断置信度。
进一步地，所述置信度系数包括分类置信度；
所述第一处理单元220，具体用于：
将所述车牌图像输入至预设的车牌分类网络，得到所述车牌图像的分类置信度。
进一步地，所述置信度系数包括车牌识别置信度；
所述第一处理单元220，具体用于：
对所述车牌图像进行识别，得到识别结果；
根据识别结果得到所述待识别车牌的首字符的第一识别置信度和尾字符的第二识别置信度；
根据所述第一识别置信度和所述第二识别置信度得到车牌识别置信度。
进一步地，所述车牌评价信息还包括矩形相似度；
所述第一处理单元220，具体用于：
对所述车牌图像进行关键点识别，得到车牌关键点；所述车牌关键点包括第一关键点、第二关键点、第三关键点和第四关键点；
获取所述第一关键点对应的第一目标角的第一余弦值、所述第二关键点对应的第二目标角的第二余弦值、所述第三关键点对应的第三目标角的第三余弦值、以及所述第四关键点对应的第四目标角的第四余弦值；
从所述第一余弦值、所述第二余弦值、所述第三余弦值和所述第四余弦值中确定最大目标余弦值和最小目标余弦值；
根据所述最大目标余弦值和所述最小目标余弦值计算矩形相似度。
进一步地，所述第二处理单元230，具体用于：
根据所述车牌图像对应的车牌评价信息和预设评价信息权重，计算得到所述待识别车牌的分数。
图3是本申请第三实施例提供的车牌处理设备的示意图。如图3所示，该实施例的车牌处理设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32，例如车牌处理程序。所述处理器30执行所述计算机程序32时实现上述各个车牌处理方法实施例中的步骤，例如图2所示的步骤101至103。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块210至230的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述车牌处理设备3中的执行过程。例如，所述计算机程序32可以被分割成获取单元、第一处理单元、第二处理单元，各单元具体功能如下：
获取单元，用于获取待识别车牌的车牌图像；
第一处理单元，用于对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息；所述车牌评价信息包括所述待识别车牌的水平相似度；
第二处理单元，用于根据各个所述车牌图像对应的车牌评价信息确定各个所述车牌图像对应的分数，并将分数最高的车牌图像确定为目标车牌图像。
所述车牌处理设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是车牌处理设备3的示例，并不构成对车牌处理设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述车牌处理设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述车牌处理设备3的内部存储单元，例如车牌处理设备3的硬盘或内存。所述存储器31也可以是所述车牌处理设备3的外部存储设备，例如所述车牌处理设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述车牌处理设备3还可以既包括所述车牌处理设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述车牌处理设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (14)

1.一种车牌处理方法，其特征在于，包括：
获取待识别车牌的车牌图像；
对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息；所述车牌评价信息包括所述待识别车牌的水平相似度；
根据各个所述车牌图像对应的车牌评价信息确定各个所述车牌图像对应的分数，并将分数最高的车牌图像确定为目标车牌图像。
2.如权利要求1所述的车牌处理方法，其特征在于，所述待识别车牌的水平相似度为所述待识别车牌的横向中心线的水平夹角余弦值；
所述对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息，包括：
对所述车牌图像进行关键点识别，得到所述车牌图像对应的车牌关键点；
根据所述车牌关键点确定所述待识别车牌的第一中心点的第一坐标和第二中心点的第二坐标；
根据所述第一坐标和所述第二坐标确定所述待识别车牌的横向中心线，并且计算所述横向中心线的水平夹角余弦值。
3.如权利要求1所述的车牌处理方法，其特征在于，所述车牌评价信息还包括车牌清晰度信息；
所述对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息，包括：
根据所述车牌图像确定所述待识别车牌的对比度信息和亮度信息；
根据所述对比度信息、所述亮度信息和预设清晰度计算策略，计算得到车牌清晰度信息。
4.如权利要求3所述的车牌处理方法，其特征在于，所述根据所述车牌图像确定所述待识别车牌的对比度信息和亮度信息，包括：
将所述车牌图像转换为车牌灰度图；
计算所述车牌灰度图的平均像素值，得到所述待识别车牌的亮度信息；
计算所述车牌灰度图的特征矩阵均值，得到所述待识别车牌的对比度信息。
5.如权利要求1所述的车牌处理方法，其特征在于，所述车牌评价信息还包括触发精准度；
所述对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息，包括：
根据所述车牌图像和预设检测算法得到车牌检测框，并且获取所述车牌检测框的中心点的第三坐标；
根据所述第三坐标获取所述中心点在预设触发线上的投影点的第四坐标；
根据所述第三坐标、所述第四坐标和所述车牌图像的画面高度，计算所述中心点与所述投影点之间的相对距离；
根据所述相对距离计算得到触发精准度。
6.如权利要求1所述的车牌处理方法，其特征在于，所述车牌评价信息还包括置信度系数；所述置信度系数包括截断置信度、车牌识别置信度或者分类置信度中的一种或者多种。
7.如权利要求6所述的车牌处理方法，其特征在于，所述置信度系数包括截断置信度；
所述对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息，包括：
对所述车牌图像进行识别，得到识别结果；
根据所述识别结果确定所述待识别车牌的车牌识别位数和车牌理论位数；
根据所述车牌识别位数和所述车牌理论位数计算截断置信度。
8.如权利要求6所述的车牌处理方法，其特征在于，所述置信度系数包括分类置信度；
所述对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息，包括：
将所述车牌图像输入至预设的车牌分类网络，得到所述车牌图像的分类置信度。
9.如权利要求6所述的车牌处理方法，其特征在于，所述置信度系数包括车牌识别置信度；
所述对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息，包括：
对所述车牌图像进行识别，得到识别结果；
根据识别结果得到所述待识别车牌的首字符的第一识别置信度和尾字符的第二识别置信度；
根据所述第一识别置信度和所述第二识别置信度得到车牌识别置信度。
10.如权利要求1所述的车牌处理方法，其特征在于，所述车牌评价信息还包括矩形相似度；
所述对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息，包括：
对所述车牌图像进行关键点识别，得到车牌关键点；所述车牌关键点包括第一关键点、第二关键点、第三关键点和第四关键点；
获取所述第一关键点对应的第一目标角的第一余弦值、所述第二关键点对应的第二目标角的第二余弦值、所述第三关键点对应的第三目标角的第三余弦值、以及所述第四关键点对应的第四目标角的第四余弦值；
从所述第一余弦值、所述第二余弦值、所述第三余弦值和所述第四余弦值中确定最大目标余弦值和最小目标余弦值；
根据所述最大目标余弦值和所述最小目标余弦值计算矩形相似度。
11.如权利要求1-10任一项所述的车牌处理方法，其特征在于，所述根据各个所述车牌图像对应的车牌评价信息确定各个所述车牌图像对应的分数，包括：
根据所述车牌图像对应的车牌评价信息和预设评价信息权重，计算得到所述待识别车牌的分数。
12.一种车牌处理装置，其特征在于，包括：
获取单元，用于获取待识别车牌的车牌图像；
第一处理单元，用于对各个所述车牌图像进行处理，得到各个所述车牌图像对应的车牌评价信息；所述车牌评价信息包括所述待识别车牌的水平相似度；
第二处理单元，用于根据各个所述车牌图像对应的车牌评价信息确定各个所述车牌图像对应的分数，并将分数最高的车牌图像确定为目标车牌图像。
13.一种车牌处理设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至11任一项所述的方法。
14.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至11任一项所述的方法。
CN202110801852.0A 2021-07-15 2021-07-15 一种车牌处理方法、装置、设备及计算机可读存储介质 Pending CN113505790A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110801852.0A CN113505790A (zh) 2021-07-15 2021-07-15 一种车牌处理方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110801852.0A CN113505790A (zh) 2021-07-15 2021-07-15 一种车牌处理方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN113505790A true CN113505790A (zh) 2021-10-15

Family

ID=78012954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110801852.0A Pending CN113505790A (zh) 2021-07-15 2021-07-15 一种车牌处理方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113505790A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956169A (zh) * 2018-09-27 2020-04-03 杭州海康威视数字技术股份有限公司 一种车牌识别方法、装置及电子设备
CN111611863A (zh) * 2020-04-22 2020-09-01 浙江大华技术股份有限公司 车牌图像质量评价方法、装置以及计算机设备
CN111932496A (zh) * 2020-07-01 2020-11-13 浙江大华技术股份有限公司 车牌图像质量的确定方法、装置、存储介质及电子装置
CN112651417A (zh) * 2019-10-12 2021-04-13 杭州海康威视数字技术股份有限公司 车牌识别方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956169A (zh) * 2018-09-27 2020-04-03 杭州海康威视数字技术股份有限公司 一种车牌识别方法、装置及电子设备
CN112651417A (zh) * 2019-10-12 2021-04-13 杭州海康威视数字技术股份有限公司 车牌识别方法、装置、设备及存储介质
CN111611863A (zh) * 2020-04-22 2020-09-01 浙江大华技术股份有限公司 车牌图像质量评价方法、装置以及计算机设备
CN111932496A (zh) * 2020-07-01 2020-11-13 浙江大华技术股份有限公司 车牌图像质量的确定方法、装置、存储介质及电子装置

Similar Documents

Publication Publication Date Title
US20090180663A1 (en) Detection of blobs in images
CN111325717B (zh) 手机缺陷位置识别方法及设备
CN110197185B (zh) 一种基于尺度不变特征变换算法监测桥下空间的方法和系统
CN112883955A (zh) 货架布局检测方法、装置及计算机可读存储介质
CN112556994B (zh) 一种光学信息检测方法、装置及设备
CN111898610B (zh) 卡片缺角检测方法、装置、计算机设备及存储介质
CN111386530A (zh) 车辆检测方法和设备
CN112861870B (zh) 指针式仪表图像矫正方法、系统及存储介质
CN114332014A (zh) 一种投射器质量评测方法、装置、设备及存储介质
US20210264612A1 (en) Hardware Accelerator for Histogram of Oriented Gradients Computation
WO2005096129A1 (ja) 撮像装置の指示位置検出方法および装置、撮像装置の指示位置検出用プログラム
JP2004126905A (ja) 画像処理装置
CN113505790A (zh) 一种车牌处理方法、装置、设备及计算机可读存储介质
CN112102378A (zh) 图像配准方法、装置、终端设备及计算机可读存储介质
CN111127494A (zh) 基于图像处理的高速公路货车限重识别方法
CN114509224B (zh) 一种桥梁挠度测试方法、系统、可读存储介质及设备
CN114842443A (zh) 一种基于机器视觉的目标物识别和测距方法、装置、设备及存储介质
CN110674817B (zh) 一种基于双目摄像头的车牌防伪的方法及装置
CN114638947A (zh) 数据标注方法、装置、电子设备及存储介质
JP3230111B2 (ja) 自動キャリブレーション装置
CN114359147A (zh) 裂缝检测方法、装置、服务器及存储介质
JP7040627B2 (ja) 算出装置、情報処理方法およびプログラム
CN114120343A (zh) 证件图像质量评估方法及终端
CN113989384A (zh) 相机标定方法、裁切数据生成方法、装置、设备及介质
CN107092912A (zh) 一种车牌的识别方法和装置

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