CN113627526A - 车辆标识的识别方法、装置、电子设备和介质 - Google Patents
车辆标识的识别方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113627526A CN113627526A CN202110916811.6A CN202110916811A CN113627526A CN 113627526 A CN113627526 A CN 113627526A CN 202110916811 A CN202110916811 A CN 202110916811A CN 113627526 A CN113627526 A CN 113627526A
- Authority
- CN
- China
- Prior art keywords
- target area
- image
- target
- area images
- category
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 63
- 230000011218 segmentation Effects 0.000 claims abstract description 43
- 230000004044 response Effects 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- DWKNOLCXIFYNFV-HSZRJFAPSA-N 2-[[(2r)-1-[1-[(4-chloro-3-methylphenyl)methyl]piperidin-4-yl]-5-oxopyrrolidine-2-carbonyl]amino]-n,n,6-trimethylpyridine-4-carboxamide Chemical compound CN(C)C(=O)C1=CC(C)=NC(NC(=O)[C@@H]2N(C(=O)CC2)C2CCN(CC=3C=C(C)C(Cl)=CC=3)CC2)=C1 DWKNOLCXIFYNFV-HSZRJFAPSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10004—Still image; Photographic image
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)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开公开了一种车辆标识的识别方法、装置、设备、介质和产品，涉及智能交通、图像处理、云服务等领域。车辆标识的识别方法包括：响应于获取到针对车辆标识的目标图像，对目标图像进行识别处理，得到针对目标图像的分割信息；基于分割信息处理目标图像，得到多个目标区域图像，其中，多个目标区域图像被划分为多个类别；利用与多个类别一一对应的多个图像识别模型分别处理多个类别的目标区域图像，得到车辆标识。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及智能交通、图像处理、云服务等领域，更具体地，涉及一种车辆标识的识别方法、装置、电子设备、介质和程序产品。
背景技术
在一些场景下，需要识别车辆的标识，以便基于所识别的标识执行相关操作，车辆的标识例如包括车牌。但是，相关技术在识别车辆的标识时，识别成本较大、识别效果不佳、识别效率较低。
发明内容
本公开提供了一种车辆标识的识别方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面，提供了一种车辆标识的识别方法，包括：响应于获取到针对所述车辆标识的目标图像，对所述目标图像进行识别处理，得到针对所述目标图像的分割信息；基于所述分割信息处理所述目标图像，得到多个目标区域图像，其中，所述多个目标区域图像被划分为多个类别；利用与所述多个类别一一对应的多个图像识别模型分别处理所述多个类别的目标区域图像，得到所述车辆标识。
根据本公开的另一方面，提供了一种车辆标识的识别装置，包括：第一处理模块、第二处理模块以及第三处理模块。第一处理模块，用于响应于获取到针对所述车辆标识的目标图像，对所述目标图像进行识别处理，得到针对所述目标图像的分割信息；第二处理模块，用于基于所述分割信息处理所述目标图像，得到多个目标区域图像，其中，所述多个目标区域图像被划分为多个类别；第三处理模块，用于利用与所述多个类别一一对应的多个图像识别模型分别处理所述多个类别的目标区域图像，得到所述车辆标识。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和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上述的车辆标识的识别方法。
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，所述计算机指令用于使所述计算机执行上述的车辆标识的识别方法。
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上述的车辆标识的识别方法。
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示意性示出了根据本公开一实施例的车辆标识的识别方法和装置的应用场景；
图2示意性示出了根据本公开一实施例的车辆标识的识别方法的流程图；
图3示意性示出了根据本公开另一实施例的车辆标识的识别方法的流程图；
图4示意性示出了根据本公开另一实施例的车辆标识的识别方法的流程图；
图5示意性示出了根据本公开一实施例的车辆标识的识别方法的示意图；
图6示意性示出了根据本公开另一实施例的车辆标识的识别方法的示意图；
图7示意性示出了根据本公开另一实施例的车辆标识的识别方法的示意图；
图8示意性示出了根据本公开一实施例的车辆标识的识别装置的框图；以及
图9是用来实现本公开实施例的用于执行车辆标识的识别的电子设备的框图。
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。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种车辆标识的识别方法。车辆标识的识别方法包括：响应于获取到针对车辆标识的目标图像，对目标图像进行识别处理，得到针对目标图像的分割信息。然后，基于分割信息处理目标图像，得到多个目标区域图像，其中，多个目标区域图像被划分为多个类别。接下来，利用与多个类别一一对应的多个图像识别模型分别处理多个类别的目标区域图像，得到车辆标识。
图1示意性示出了根据本公开一实施例的车辆标识的识别方法和装置的应用场景。需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的应用场景100可以包括车辆110、图像采集装置120和电子设备130。
车辆110例如具有车辆标识111，车辆标识111包括车牌。当车辆110在行驶的过程中，可以通过图像采集装置120获取针对车辆的图像，该图像中例如包括车辆标识111。
在图像采集装置120采集到图像之后，可以将所采集到的图像发送给电子设备130进行处理。电子设备130包括但不仅限于计算机、服务器、智能手机等。
在电子设备130接收到图像之后，可以对图像进行识别处理，以便得到车辆标识111。
本公开实施例提供了一种车辆标识的识别方法，下面结合图1的应用场景，参考图2～图7来描述根据本公开示例性实施方式的车辆标识的识别方法。
图2示意性示出了根据本公开一实施例的车辆标识的识别方法的流程图。本公开实施例的车辆标识的识别方法例如可以由图1所示的电子设备来执行。
如图2所示，本公开实施例的车辆标识的识别方法200例如可以包括操作S210～操作S230。
在操作S210，响应于获取到针对车辆标识的目标图像，对目标图像进行识别处理，得到针对目标图像的分割信息。
在操作S220，基于分割信息处理目标图像，得到多个目标区域图像，多个目标区域图像被划分为多个类别。
在操作S230，利用与多个类别一一对应的多个图像识别模型分别处理多个类别的目标区域图像，得到车辆标识。
示例性地，车辆标识例如包括车牌，车牌具有多个子标识，子标识例如可以是文字、字母、数字等等。在获得目标图像之后，可以对目标图像进行识别处理，得到针对每个子标识的分割信息。接下来，基于分割信息处理目标图像，以便将目标图像分割为多个目标区域图像。每个目标区域图像可以包括至少一个子标识，本公开市实施例以每个目标区域图像包括一个子标识为例进行说明。多个目标区域图像被划分为多个类别，每个分类包括至少一个目标区域图像。
接下来，利用与多个类别一一对应的多个图像识别模型分别识别多个类别中的目标区域图像。例如，以三个类别为例，利用第一图像识别模型处理第一类别中的目标区域图像，利用第二图像识别模型处理第二类别中的目标区域图像，利用第三图像识别模型处理第三类别中的目标区域图像。将每个图像识别模型识别得到的结果进行组合，得到车辆标识。
根据本公开的实施例，首先对目标图像进行分割处理得到多个类别的目标区域图像，针对不同类别的目标区域图像，利用不同的图像识别模型对目标区域图像进行图像识别得到车辆标识。可见，通过图像分割方式结合多个图像识别模型进行识别的方式，提高了识别准确性，降低了识别成本。
图3示意性示出了根据本公开另一实施例的车辆标识的识别方法的流程图。
如图3所示，本公开实施例的车辆标识的识别方法300例如可以包括操作S310、S321和S330。操作S310例如与上述操作S210相同或类似。操作S321例如为操作S220的一种实现方式。操作S330例如与上述操作S230相同或类似。
在操作S310，响应于获取到针对车辆标识的目标图像，对目标图像进行识别处理，得到针对目标图像的分割信息。
示例性地，分割信息包括掩码图像，掩码图像包括多个基准区域图像。
在操作S321，基于目标图像中各像素和掩码图像中各像素之间的对应关系，从目标图像中分别确定与多个基准区域图像一一对应的多个目标区域图像。
在操作S330，利用与多个类别一一对应的多个图像识别模型分别处理多个类别的目标区域图像，得到车辆标识。
图4示意性示出了根据本公开另一实施例的车辆标识的识别方法的流程图。
如图4所示，本公开实施例的车辆标识的识别方法400例如可以包括操作S410、S421和S430。操作S410例如与上述操作S210相同或类似。操作S421例如为操作S220的另一种实现方式，或者，操作S421也可以是操作S321的一种实现方式。操作S430例如与上述操作S230相同或类似。
在操作S410，响应于获取到针对车辆标识的目标图像，对目标图像进行识别处理，得到针对目标图像的分割信息。
在操作S421，利用实例分割模型基于分割信息处理目标图像，得到多个目标区域图像和针对每个目标区域图像的类别标识。
在操作S430，利用与多个类别一一对应的多个图像识别模型分别处理多个类别的目标区域图像，得到车辆标识。
以下将结合图5来描述图3和图4的实施例。
图5示意性示出了根据本公开一实施例的车辆标识的识别方法的示意图。
如图5所示，例如利用实例分割模型对目标图像510进行处理，得到针对目标图像510的分割信息。分割信息例如包括掩码图像520，掩码图像520也称为mask图像，掩码图像520中的像素例如与目标图像510的像素一一对应。掩码图像520包括多个基准区域图像，每个基准区域图像的像素值例如相同。例如，多个基准区域图像包括7个，7个基准区域图像521～527中的像素值分别用a0～a6表示。图中的“*”例如表示文字，例如为车牌所在省的简称。
接下来，利用实例分割模型基于分割信息处理目标图像510，得到多个目标区域图像531～537和针对每个目标区域图像的类别标识。类别标识例如表示为0～6，其中，类别标识为0例如表示第一类别，类别标识为1～6例如表示第二类别。或者，类别标识为0表示第一类别，类别标识为1例如表示第二类别，类别标识为2～6例如表示第三类别。在利用实例分割模型对目标图像510进行处理之前，可以首先利用样本图像训练实例分割模型时，训练时可以将每个样本图像划分为多个目标区域图像，并利用0～6标记目标区域图像的类别标识，以便利用标记的样本图像训练实例分割模型。
示例性地，可以基于目标图像510中各像素和掩码图像520中各像素之间的对应关系，从目标图像510中分别确定与多个基准区域图像521～527一一对应的多个目标区域图像531～537。例如，目标区域图像531与基准区域图像521对应，目标区域图像532与基准区域图像522对应。
在一示例中，针对目标区域图像531，掩码图像520中的基准区域图像521中各像素的像素值例如均为a0＝1，其他基准区域图像的各像素值(a1～a6)例如均为0。然后，将目标图像510和掩码图像520进行逻辑运算，例如将目标图像510的对应像素和掩码图像520的对应像素相乘得到处理结果，处理结果包括图像，处理结果的像素和目标图像510的像素对应，将处理结果中像素值为非0的连续区域作为目标区域图像531。
类似的，针对目标区域图像532，掩码图像520中的基准区域图像522中各像素的像素值例如均为a1＝1，其他基准区域图像的各像素值(a0和a2～a6)例如均为0。然后，将目标图像510和掩码图像520进行逻辑运算，例如将目标图像510的对应像素和掩码图像520的对应像素相乘得到处理结果，处理结果包括图像，处理结果的像素和目标图像510的像素对应，将处理结果中像素值为非0的连续区域作为目标区域图像532。确定其他目标区域图像的过程类似，在此不再赘述。
在本公开的实施例中，实例分割模型包括YOLACT(You Only Look AtCoefficienTs)模型，YOLACT模型例如是一种基于卷积神经网络的模型。
根据本公开的实施例，基于实例分割模型来对目标图像进行处理，不仅可以输出针对目标图像的多个目标区域图像，还可以输出表征每个目标区域图像的类别标识，便于后续基于目标区域图像和其对应的类别标识确定对应的图像识别模型进行图像识别。
图6示意性示出了根据本公开另一实施例的车辆标识的识别方法的示意图。
如图6所示，多个类别例如包括第一类别600A和第二类别600B。属于第一类别600A的目标区域图像631例如包括文字，文字以“*”表示，“*”为车牌所在省的简称。属于第二类别600B的目标区域图像632～637例如包括数字和字母中的至少一个。
将属于第一类别600A的目标区域图像631输入至第一图像识别模型641中进行识别，得到第一识别结果651，第一识别结果651例如包括“*”。将属于第二类别600B的目标区域图像632～637输入至第二图像识别模型642中进行识别，得到第二识别结果652，第二识别结果652例如包括“A”、“9”、“9”、“9”、“U”、“9”。第二图像识别模型642可以分别对多个目标区域图像632～637进行识别，例如对目标区域图像632进行识别得到“A”，对目标区域图像633进行识别得到“9”。
根据本公开的实施例，利用不同的图像识别模型对不同类别的目标区域图像进行识别，提高了图像识别的准确性。在训练针对不同类别的图像识别模型时，利用不同类别的目标区域图像进行训练，以便提高每个图像识别模型针对对应类别的目标区域图像的准确性。即，第一图像识别模型在识别文字时具有针对性，识别精度较高。第二图像识别模型在识别数字或字母时具有针对性，识别精度较高。
图7示意性示出了根据本公开另一实施例的车辆标识的识别方法的示意图。
如图7所示，多个类别例如包括第一类别700A、第二类别700B和第三类别700C。属于第一类别700A的目标区域图像731例如包括文字，文字以“*”表示。属于第二类别700B的目标区域图像732例如包括字母。属于第三类别700C的目标区域图像733～737例如包括数字，或者包括数字和字母。
将属于第一类别700A的目标区域图像731输入至第一图像识别模型741中进行识别，得到第一识别结果751，第一识别结果751例如包括“*”。将属于第二类别700B的目标区域图像732输入至第二图像识别模型742中进行识别，得到第二识别结果752，第二识别结果752例如包括“A”。将属于第三类别700C的目标区域图像733～737输入至第三图像识别模型743中进行识别，得到第三识别结果753，第三识别结果753例如包括“9”、“9”、“9”、“U”、“9”。第三图像识别模型743可以分别对多个目标区域图像733～737进行识别，例如对目标区域图像733进行识别得到“9”，对目标区域图像736进行识别得到“U”。
根据本公开的实施例，利用不同的图像识别模型对不同类别的目标区域图像进行识别，提高了图像识别的准确性。在训练针对不同类别的图像识别模型时，利用不同类别的目标区域图像进行训练，以便提高每个图像识别模型针对对应类别的目标区域图像的准确性。在通常情况下，车辆标识的第一个子标识为文字，第二个子标识为字母，其他子标识为数字或字母，因此通过相应的三个图像识别模型来进行识别，提高了识别准确性。即，第一图像识别模型在识别文字时具有针对性，识别精度较高。第二图像识别模型在识别字母时具有针对性，识别精度较高。第三图像识别模型在识别数字和字母时具有针对性，识别精度较高。
图8示意性示出了根据本公开一实施例的车辆标识的识别装置的框图。
如图8所示，本公开实施例的车辆标识的识别装置800例如包括第一处理模块810、第二处理模块820以及第三处理模块830。
第一处理模块810可以用于响应于获取到针对车辆标识的目标图像，对目标图像进行识别处理，得到针对目标图像的分割信息。根据本公开实施例，第一处理模块810例如可以执行上文参考图2描述的操作S210，在此不再赘述。
第二处理模块820可以用于基于分割信息处理目标图像，得到多个目标区域图像，其中，多个目标区域图像被划分为多个类别。根据本公开实施例，第二处理模块820例如可以执行上文参考图2描述的操作S220，在此不再赘述。
第三处理模块830可以用于利用与多个类别一一对应的多个图像识别模型分别处理多个类别的目标区域图像，得到车辆标识。根据本公开实施例，第三处理模块830例如可以执行上文参考图2描述的操作S230，在此不再赘述。
根据本公开的实施例，分割信息包括掩码图像，掩码图像包括多个基准区域图像；其中，第二处理模块820还用于：基于目标图像中各像素和掩码图像中各像素之间的对应关系，从目标图像中分别确定与多个基准区域图像一一对应的多个目标区域图像。
根据本公开的实施例，第二处理模块820还用于：利用实例分割模型基于分割信息处理目标图像，得到多个目标区域图像和针对每个目标区域图像的类别标识。
根据本公开的实施例，多个类别包括第一类别和第二类别；属于第一类别的目标区域图像包括文字，属于第二类别的目标区域图像包括数字和字母中的至少一个。
根据本公开的实施例，属于第二类别的目标区域图像包括字母；多个类别还包括第三类别，属于第三类别的目标区域图像包括数字。
根据本公开的实施例，属于第三类别的目标区域图像还包括字母。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，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9是用来实现本公开实施例的用于执行车辆标识的识别的电子设备的框图。
图9示出了可以用来实施本公开实施例的示例电子设备900的示意性框图。电子设备900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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如车辆标识的识别方法。例如，在一些实施例中，车辆标识的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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的车辆标识的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901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车辆标识的识别方法。
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、现场可编程门阵列(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车辆标识的识别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公开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 (15)
1.一种车辆标识的识别方法，包括：
响应于获取到针对所述车辆标识的目标图像，对所述目标图像进行识别处理，得到针对所述目标图像的分割信息；
基于所述分割信息处理所述目标图像，得到多个目标区域图像，其中，所述多个目标区域图像被划分为多个类别；以及
利用与所述多个类别一一对应的多个图像识别模型分别处理所述多个类别的目标区域图像，得到所述车辆标识。
2.根据权利要求1所述的方法，其中，所述分割信息包括掩码图像，所述掩码图像包括多个基准区域图像；
其中，所述基于所述分割信息处理所述目标图像，得到多个目标区域图像包括：
基于所述目标图像中各像素和所述掩码图像中各像素之间的对应关系，从所述目标图像中分别确定与所述多个基准区域图像一一对应的多个目标区域图像。
3.根据权利要求1或2所述的方法，其中，所述基于所述分割信息处理所述目标图像，得到多个目标区域图像包括：
利用实例分割模型基于所述分割信息处理所述目标图像，得到所述多个目标区域图像和针对每个目标区域图像的类别标识。
4.根据权利要求1-3中任意一项所述的方法，其中，所述多个类别包括第一类别和第二类别；属于所述第一类别的目标区域图像包括文字，属于所述第二类别的目标区域图像包括数字和字母中的至少一个。
5.根据权利要求4所述的方法，其中，属于所述第二类别的目标区域图像包括字母；所述多个类别还包括第三类别，属于所述第三类别的目标区域图像包括数字。
6.根据权利要求5所述的方法，其中，属于所述第三类别的目标区域图像还包括字母。
7.一种车辆标识的识别装置，包括：
第一处理模块，用于响应于获取到针对所述车辆标识的目标图像，对所述目标图像进行识别处理，得到针对所述目标图像的分割信息；
第二处理模块，用于基于所述分割信息处理所述目标图像，得到多个目标区域图像，其中，所述多个目标区域图像被划分为多个类别；以及
第三处理模块，用于利用与所述多个类别一一对应的多个图像识别模型分别处理所述多个类别的目标区域图像，得到所述车辆标识。
8.根据权利要求7所述的装置，其中，所述分割信息包括掩码图像，所述掩码图像包括多个基准区域图像；
其中，所述第二处理模块还用于：
基于所述目标图像中各像素和所述掩码图像中各像素之间的对应关系，从所述目标图像中分别确定与所述多个基准区域图像一一对应的多个目标区域图像。
9.根据权利要求7或8所述的装置，其中，所述第二处理模块还用于：
利用实例分割模型基于所述分割信息处理所述目标图像，得到所述多个目标区域图像和针对每个目标区域图像的类别标识。
10.根据权利要求7-9中任意一项所述的装置，其中，所述多个类别包括第一类别和第二类别；属于所述第一类别的目标区域图像包括文字，属于所述第二类别的目标区域图像包括数字和字母中的至少一个。
11.根据权利要求10所述的装置，其中，属于所述第二类别的目标区域图像包括字母；所述多个类别还包括第三类别，属于所述第三类别的目标区域图像包括数字。
12.根据权利要求11所述的装置，其中，属于所述第三类别的目标区域图像还包括字母。
13.一种电子设备，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1-6中任意一项所述的方法。
14.一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权利要求1-6中任意一项所述的方法。
15.一种计算机程序产品，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1-6中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110916811.6A CN113627526B (zh) | 2021-08-10 | 2021-08-10 | 车辆标识的识别方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110916811.6A CN113627526B (zh) | 2021-08-10 | 2021-08-10 | 车辆标识的识别方法、装置、电子设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113627526A true CN113627526A (zh) | 2021-11-09 |
| CN113627526B CN113627526B (zh) | 2023-07-25 |
Family
ID=78384251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110916811.6A Active CN113627526B (zh) | 2021-08-10 | 2021-08-10 | 车辆标识的识别方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113627526B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114789555A (zh) * | 2022-05-13 | 2022-07-26 | 上海轮廓科技有限公司 | 用于3d打印机的方法、装置、3d打印机和存储介质 |
| CN114842441A (zh) * | 2022-06-30 | 2022-08-02 | 小米汽车科技有限公司 | 模型性能的确定方法、装置、电子设备及可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009543A (zh) * | 2017-11-29 | 2018-05-08 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及装置 |
| WO2018233038A1 (zh) * | 2017-06-23 | 2018-12-27 | 平安科技（深圳）有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
| CN112418214A (zh) * | 2020-11-06 | 2021-02-26 | 北京五八信息技术有限公司 | 一种车辆识别码识别方法、装置、电子设备及存储介质 |
| CN112580643A (zh) * | 2020-12-09 | 2021-03-30 | 浙江智慧视频安防创新中心有限公司 | 一种基于深度学习的车牌识别方法、装置及存储介质 |
| CN112633384A (zh) * | 2020-12-25 | 2021-04-09 | 北京百度网讯科技有限公司 | 基于图像识别模型的对象识别方法、装置和电子设备 |
| CN112990217A (zh) * | 2021-03-24 | 2021-06-18 | 北京百度网讯科技有限公司 | 针对车辆的图像识别方法、装置、电子设备和介质 |
-
2021
- 2021-08-10 CN CN202110916811.6A patent/CN113627526B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018233038A1 (zh) * | 2017-06-23 | 2018-12-27 | 平安科技（深圳）有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
| CN108009543A (zh) * | 2017-11-29 | 2018-05-08 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及装置 |
| CN112418214A (zh) * | 2020-11-06 | 2021-02-26 | 北京五八信息技术有限公司 | 一种车辆识别码识别方法、装置、电子设备及存储介质 |
| CN112580643A (zh) * | 2020-12-09 | 2021-03-30 | 浙江智慧视频安防创新中心有限公司 | 一种基于深度学习的车牌识别方法、装置及存储介质 |
| CN112633384A (zh) * | 2020-12-25 | 2021-04-09 | 北京百度网讯科技有限公司 | 基于图像识别模型的对象识别方法、装置和电子设备 |
| CN112990217A (zh) * | 2021-03-24 | 2021-06-18 | 北京百度网讯科技有限公司 | 针对车辆的图像识别方法、装置、电子设备和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张松兰: ""车牌识别系统算法综述"", 《电子技术与软件工程》, vol. 2021, no. 4, pages 128 - 130 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114789555A (zh) * | 2022-05-13 | 2022-07-26 | 上海轮廓科技有限公司 | 用于3d打印机的方法、装置、3d打印机和存储介质 |
| CN114842441A (zh) * | 2022-06-30 | 2022-08-02 | 小米汽车科技有限公司 | 模型性能的确定方法、装置、电子设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113627526B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112966742A (zh) | 模型训练方法、目标检测方法、装置和电子设备 | |
| CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
| CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
| CN113627526B (zh) | 车辆标识的识别方法、装置、电子设备和介质 | |
| CN113436100A (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
| CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
| CN113657289A (zh) | 阈值估计模型的训练方法、装置和电子设备 | |
| CN113963186A (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
| CN113642583A (zh) | 用于文本检测的深度学习模型训练方法及文本检测方法 | |
| CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
| CN115358392A (zh) | 深度学习网络的训练方法、文本检测方法及装置 | |
| CN114445682A (zh) | 训练模型的方法、装置、电子设备、存储介质及产品 | |
| CN113591709B (zh) | 动作识别方法、装置、设备、介质和产品 | |
| CN114495101A (zh) | 文本检测方法、文本检测网络的训练方法及装置 | |
| CN113904943A (zh) | 账号检测方法、装置、电子设备和存储介质 | |
| CN112528610A (zh) | 一种数据标注方法、装置、电子设备及存储介质 | |
| CN114677566B (zh) | 深度学习模型的训练方法、对象识别方法和装置 | |
| CN113032251B (zh) | 应用程序服务质量的确定方法、设备和存储介质 | |
| CN111553283B (zh) | 用于生成模型的方法及装置 | |
| CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
| CN114329164A (zh) | 用于处理数据的方法、装置、设备、介质和产品 | |
| CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
| CN113379592A (zh) | 图片中敏感区域的处理方法、装置和电子设备 | |
| CN113903071A (zh) | 人脸识别方法、装置、电子设备和存储介质 | |
| CN113360672A (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 |
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 |