CN113642577A - 一种低对比度的车牌识别方法、系统、设备及存储介质 - Google Patents

一种低对比度的车牌识别方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN113642577A
CN113642577A CN202111195212.6A CN202111195212A CN113642577A CN 113642577 A CN113642577 A CN 113642577A CN 202111195212 A CN202111195212 A CN 202111195212A CN 113642577 A CN113642577 A CN 113642577A
Authority
CN
China
Prior art keywords
license plate
result
picture
gray
contrast
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
CN202111195212.6A
Other languages
English (en)
Inventor
刘成
周有喜
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.)
Shenzhen Aishen Yingtong Information Technology Co Ltd
Original Assignee
Shenzhen Aishen Yingtong Information Technology 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 Shenzhen Aishen Yingtong Information Technology Co Ltd filed Critical Shenzhen Aishen Yingtong Information Technology Co Ltd
Priority to CN202111195212.6A priority Critical patent/CN113642577A/zh
Publication of CN113642577A publication Critical patent/CN113642577A/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
    • G06F18/24—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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种低对比度的车牌识别方法、系统、设备及存储介质，涉及车牌识别技术领域。所述方法包括：获取检测图像，将获得的所述检测图像送入车牌检测模型中；使用车牌检测模型，采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；根据获得的所述车牌四个关键点位置信息对车牌进行透视变换，得到透视变换后的车牌图片；识别透视变换后的车牌图片，输出识别后的车牌结果；对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果。通过本发明的实施例，可以增强车牌上的字符与周围环境的对比度，提高车牌识别的准确率，降低车牌识别错误，提升用户体验。

Description

一种低对比度的车牌识别方法、系统、设备及存储介质
技术领域
本发明涉及车牌识别技术领域，尤其涉及一种低对比度的车牌识别方法、系统、设备及存储介质。
背景技术
目前，随着车牌识别技术的出现与发展，越来越多的封闭式停车场出现了无人值守，使得停车场的管理也朝着智能化管理的方向发展。
传统的车牌识别技术一般是采用深度学习与分割相结合的方法。首先用目标检测网络识别图片中车牌的具体位置，获得位置信息后将图片从原图中扣出。将扣出的图片放到关键点检测网络中识别车牌的四个直角点。然后将扣出的图片进行透视变换，将车牌图片校正。将校正后的车牌进行识别处理，最终获得具体的车牌号码。
传统的车牌识别技术，在识别清晰的车牌时，识别准确率比较高，基本能满足大部分场景，例如光线较好可以清晰地显示车牌的场景。
但是在有些特殊场景下，例如在光线明亮或者背光的场景下，车牌上的字符会过于明亮或者灰暗，使得车牌对比度较低，导致车牌识别准确率降低而出现识别错误，存在用户纠纷隐患，影响用户体验。
发明内容
本发明实施例旨在提供一种低对比度的车牌识别方法、系统、设备及存储介质，以解决现有技术中车牌识别准确率低而容易出现识别错误的技术问题。
为解决上述技术问题，本发明实施例提供以下技术方案：一种低对比度的车牌识别方法，所述方法包括：
获取检测图像，将获得的所述检测图像送入车牌检测模型中；
使用车牌检测模型，采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；
根据获得的所述车牌四个关键点位置信息对车牌进行透视变换，得到透视变换后的车牌图片；
识别透视变换后的车牌图片，输出识别后的车牌结果；
对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果。
可选地，所述使用车牌检测模型，采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；包括：
将获得的所述检测图像送入车牌检测模型中，使用车牌检测模型，采用深度学习RFSong-779目标检测网络检测所述检测图像中含有车牌的位置；
从所述检测图像中含有车牌的位置中扣出含有车牌的图片；
将扣出的所述含有车牌的图片送入车牌关键点检测模型中，所述车牌关键点检测模型使用深度学习LNet网络检测所述含有车牌的图片，获得车牌的四个关键点位置信息。
可选地，所述识别透视变换后的车牌图片，输出识别后的车牌结果；包括：
将透视变换后的车牌图片送入车牌颜色识别模型中，识别出车牌的颜色，输出车牌颜色识别结果；
识别透视变换后的车牌图片中的字符，输出车牌字符识别结果；
将所述车牌颜色识别结果和所述车牌字符识别结果进行合并，输出车牌结果。
可选地，所述识别透视变换后的车牌图片中的字符，输出车牌字符识别结果；包括：
将透视变换后的车牌图片进行灰度处理，将车牌图片转换成灰度图片；
对所述灰度图片进行对比度计算，得到所述灰度图片的对比度值，并将所述对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型；
字符检测模型对处理后的所述灰度图片上的车牌上的字符进行识别，检测识别所述灰度图片上的车牌每一个字符的位置，并按照从左到右的顺序将车牌的字符进行排序；
字符识别模型将排序好的车牌字符依次进行识别，输出车牌字符识别结果。
可选地，所述对所述灰度图片进行对比度计算，得到所述灰度图片的对比度值，并将所述对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型；包括：
对所述灰度图片进行对比度计算，得到所述灰度图片的对比度值；
将所述对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型。
可选地，采用以下对比度计算公式计算所述灰度图片的对比度：
Figure 753700DEST_PATH_IMAGE001
上式中，C代表对比度，δ(i,j)表示相邻像素间的灰度差，Pδ(i,j)表示相邻像素间灰度差为δ的像素分布概率，其中，所述相邻像素间的灰度差即为某个像素点与其周围八个像素点分别做差。
可选地，所述将所述对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型；包括：
设定一个预设对比度阈值；
将计算得到的所述灰度图片的对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型。
可选地，所述将计算得到的所述灰度图片的对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型；包括：
如果对比度值小于预设对比度阈值，则对所述灰度图片进行对比度拉伸操作，提高所述灰度图片的对比度，再将经过对比度拉伸操作处理后的所述灰度图片送入字符检测模型中；
如果对比度值大于等于预设对比度阈值，则直接将所述灰度图片送入字符检测模型中。
可选地，所述对比度拉伸操作是先确定灰度图片像素点的上下限灰度值，再将灰度图片中灰度值大于等于上限的灰度值设定为255，小于等于下限灰度值的灰度值设定为0，介于上下限之间的灰度值则进行归一化，将其重新映射到0到255之间。
可选地，所述对比度拉伸操作具体包括：
先确定灰度图片像素点的上下限灰度值，包括：将灰度值从小到大排列，灰度值最小的5%和灰度值最大的5%作为超出阈值的灰度值，即灰度值最小的5%中的最大值为下限灰度值，灰度值最大的5%中的最小值为上限灰度值；
剩余部分的介于上下限灰度值之间的灰度值进行归一化，将其重新映射到0到255之间。
可选地，所述字符识别模型将排序好的车牌字符依次进行识别，输出车牌字符识别结果；包括：
将排序好的车牌字符依次从所述灰度图片中扣出，并依次送入字符识别模块中；
字符识别模型对依次送来的字符进行识别，输出车牌字符识别结果。
可选地，所述预设车牌规则包括：车牌字符规则和车牌编码规则；所述车牌字符规则包括字母、数字和汉字；所述编码规则包括在车牌颜色识别结果的基础上，将车牌字符按照一定的规则顺序编排组成。
可选地，所述对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果；包括：
在车牌颜色识别结果的基础上，判断所述车牌结果中的车牌字符是否满足所述预设车牌规则中所述编码规则，输出所述车牌结果是否满足所述预设车牌规则的判断结果；
根据所述车牌结果是否满足所述预设车牌规则的判断结果，输出最终车牌结果。
可选地，所述在车牌颜色识别结果的基础上，判断所述车牌结果中的车牌字符是否满足所述预设车牌规则中所述编码规则，输出所述车牌结果是否满足所述预设车牌规则的判断结果；包括：
如果所述车牌结果中的车牌字符不满足所述预设车牌规则中的所述编码规则，则直接输出所述车牌结果中没有满足所述预设车牌规则的车牌的判断结果；
如果所述车牌结果中的车牌字符满足所述预设车牌规则中的所述编码规则，则输出所述车牌结果中存在有满足所述预设车牌规则的车牌的判断结果。
可选地，所述根据所述车牌结果是否满足所述预设车牌规则的判断结果，输出最终车牌结果，包括：
如果判断结果显示所述车牌结果中没有满足所述预设车牌规则的车牌，则不输出最终车牌结果；
如果判断结果显示所述车牌结果中只有一个满足所述预设车牌规则的车牌，则输出最终车牌结果；
如果判断结果显示所述车牌结果中有多个满足所述预设车牌规则的车牌，则将满足所述预设车牌规则的车牌且在车牌检测模型检测到的最大的那张车牌作为最终车牌结果。
为解决上述技术问题，本发明实施例还提供以下技术方案：一种低对比度的车牌识别系统，应用于本发明任一实施例所述的一种低对比度的车牌识别方法，所述系统包括：图像获取模块、车牌检测模块、车牌校正模块、车牌识别模块以及车牌规则判定模块；其中：
所述图像获取模块，用于获取检测图像，将获得的所述检测图像送入车牌检测模块中；
所述车牌检测模块，用于使用车牌检测模型，采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；
所述车牌校正模块，用于根据获得的所述车牌四个关键点位置信息对车牌进行透视变换，得到透视变换后的车牌图片；
所述车牌识别模块，用于识别透视变换后的车牌图片，输出识别后的车牌结果；
所述车牌规则判定模块，用于对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果。
为解决上述技术问题，本发明实施例还提供以下技术方案：一种低对比度的车牌识别设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现本发明任一实施例所述的一种低对比度的车牌识别方法的步骤。
为解决上述技术问题，本发明实施例还提供以下技术方案：一种存储介质，所述存储介质上存储有一种低对比度的车牌识别方法的程序，所述一种低对比度的车牌识别方法的程序被处理器执行时实现本发明任一实施例所述的一种低对比度的车牌识别方法的步骤。
与现有技术相比较，本发明实施例提供的一种低对比度的车牌识别方法、系统、设备及存储介质，通过获取检测图像，将获得的所述检测图像送入车牌检测模型中；车牌检测模型采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；根据获得的所述车牌四个关键点位置信息对车牌进行透视变换，得到透视变换后的车牌图片；识别透视变换后的车牌图片，输出识别后的车牌结果；对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果。从而可以增强车牌上的字符与周围环境的对比度，提高车牌识别的准确率，即使在光线明亮或者背光的场景下，车牌上的字符会过于明亮或者灰暗，使得车牌对比度较低时，也可以准确地识别车牌上的字符，提高车牌识别准确率，降低车牌识别错误，降低用户纠纷隐患，提升用户体验。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本发明提供的一种低对比度的车牌识别方法的流程示意图；
图2是本发明提供的一种低对比度的车牌识别系统的结构示意图；
图3是本发明提供的一种低对比度的车牌识别方法的具体流程示意图；
图4是本发明提供的一种低对比度的车牌识别设备的结构示意图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。需要说明的是，当元件被表述“固定于”另一个元件，它可以直接在另一个元件上、或者其间可以存在一个或多个居中的元件。当一个元件被表述“连接”另一个元件，它可以是直接连接到另一个元件、或者其间可以存在一个或多个居中的元件。本说明书所使用的术语“上”、“下”、“内”、“外”、“底部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
此外，下面所描述的本发明不同实施例中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
传统的车牌识别技术，在有些特殊场景下，例如在光线明亮或者背光的场景下，车牌上的字符会过于明亮或者灰暗，使得车牌对比度较低，导致车牌识别准确率降低而出现识别错误。
发明人通过对车牌识别技术所涉及每一步流程进行研究，发现：在光线明亮或者背光的场景下，车牌识别错误的主要原因是因为字符检测网络对于与周围环境对比度低的目标，检测准确率不高，字符识别网络识别抓取的字符也因为对比度低而出现识别错误。字符检测网络和字符识别网络二者的准确率低导致最终识别车牌的结果准确率低。
鉴于此，本发明设计了一种低对比度的车牌识别方案，在将车牌从检测图像扣出做透视变换后，先将透视变换后的图片转换为灰度图，再对灰度图做图片对比度计算，如果对比度过低，则对图片进行对比度增强操作。从而可以增强车牌上的字符与周围环境的对比度，提高车牌识别的准确率，即使在光线明亮或者背光的场景下，车牌上的字符会过于明亮或者灰暗，使得车牌对比度较低时，也可以准确地识别车牌上的字符，提高车牌识别准确率，降低车牌识别错误。
基于上述一种低对比度的车牌识别方案，本发明提出了以下各个实施例，需要说明的是，下面所描述的本发明不同实施例中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合，且并不仅仅局限以下提出的各个实施例。
在一个实施例中，如图1所示，本发明提供一种低对比度的车牌识别方法，所述方法包括：
S1、获取检测图像，将获得的所述检测图像送入车牌检测模型中；
S2、使用车牌检测模型，采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；
S3、根据获得的所述车牌四个关键点位置信息对车牌进行透视变换，得到透视变换后的车牌图片；
S4、识别透视变换后的车牌图片，输出识别后的车牌结果；
S5、对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果。
在本实施例中，通过获取检测图像，将获得的所述检测图像送入车牌检测模型中；车牌检测模型采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；根据获得的所述车牌四个关键点位置信息对车牌进行透视变换，得到透视变换后的车牌图片；识别透视变换后的车牌图片，输出识别后的车牌结果；对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果。从而可以增强车牌上的字符与周围环境的对比度，提高车牌识别的准确率，即使在光线明亮或者背光的场景下，车牌上的字符会过于明亮或者灰暗，使得车牌对比度较低时，也可以准确地识别车牌上的字符，提高车牌识别准确率，降低车牌识别错误，降低用户纠纷隐患，提升用户体验。
在一个实施例中，所述步骤S1中，所述获取检测图像，将获得的所述检测图像送入车牌检测模型中。
使用摄像头捕获含有车牌的检测图像，将获得的检测图像送入车牌检测模型中。
在一个实施例中，所述步骤S2中，所述使用车牌检测模型，采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；包括：
S21、将获得的所述检测图像送入车牌检测模型中，使用车牌检测模型，采用深度学习RFSong-779目标检测网络检测所述检测图像中含有车牌的位置。
在本实施例中，车牌检测模型使用深度学习RFSong-779目标检测网络检测所述检测图像中含有车牌的位置。所述深度学习RFSong-779目标检测网络在训练学习所述检测图像中车牌的特征，具体过程如下：
所述深度学习RFSong-779目标检测网络先对所述检测图像进行多次卷积操作（卷积操作是用卷积核对检测图像的像素点进行一定的运算操作，得到一张新的图片），将输入到车牌检测模型中大小为300×300的检测图像进行多次卷积操作，把检测图像转换成不同大小的特征图。这些不同大小的特征图用于识别不同大小的车牌。每张特征图都有各自预设的预选框，每个预选框对特征图的每一个像素点进行预测，输出可能存在车牌的位置信息和网络预测的置信度。
训练完成后，后续输入一张检测图像，所述深度学习RFSong-779目标检测网络会拟合出检测图像中车牌的位置信息和置信度。
所述置信度是深度学习RFSong-779目标检测网络认为从检测图像中检测出来的目标物体是车牌的概率。在本发明中，当所述置信度超过90%的目标物体，可以确定该目标物体为车牌。
S22、从所述检测图像中含有车牌的位置中扣出含有车牌的图片。
在本实施例中，从所述检测图像中含有车牌的位置中扣出含有所有车牌的图片，扣出含有车牌的图片是为了后续能够更精确地检测车牌的四个关键点位置信息并进行透视变换。
S23、将扣出的所述含有车牌的图片送入车牌关键点检测模型中，所述车牌关键点检测模型使用深度学习LNet网络检测所述含有车牌的图片，获得车牌的四个关键点位置信息。
在本实施例中，将扣出的所述含有车牌的图片送入车牌关键点检测模型中，所述车牌关键点检测模型使用深度学习LNet网络检测所述含有车牌的图片，获得车牌的四个关键点位置信息，即矩形车牌的四个直角顶点：左上角顶点、右上角顶点、右下角顶点和左下角顶点。
所述深度学习LNet网络在训练学习从含有车牌的图片中检测车牌四个关键点的特征，具体过程如下：
所述深度学习LNet网络先对所述含有车牌的图片进行多次卷积操作，输出车牌四个关键点的位置信息。
训练完成后，后续输入一张含有车牌的图片，所述深度学习LNet网络在识别时会拟合出四个关键点的位置信息。
因为输入的含有车牌的图片为所述检测图像中含有车牌的图片，所以，输入图片中只可能存在一个车牌，所述深度学习LNet网络也只会输出一组四个关键点的位置信息。
在一个实施例中，所述步骤S3中，所述根据获得的车牌四个关键点位置信息对车牌进行透视变换，得到透视变换后的车牌图片。
在本实施例中，根据获得的车牌四个关键点位置信息对车牌进行透视变换，目的是为了将所述含有车牌的图片中倾斜的车牌拉正，得到透视变换后的车牌图片，以便让后续的车牌字符检测和识别能够更加精确。
透视变换是把一个图像投影到一个新的视平面的过程。这个过程包括将一个二维坐标系转换成三维坐标系，再把这个三维坐标系重新投影到新的二维坐标系，是一个非线性变换过程。
Figure 2279DEST_PATH_IMAGE002
上面的变换是将二维坐标转换成三维坐标，中间的3×3矩阵则称为透视变换矩阵。可以得到如下关系：
Figure 663067DEST_PATH_IMAGE003
重新投影成二维坐标即将三维坐标中Z变为1，得到如下关系：
Figure 805335DEST_PATH_IMAGE004
Figure 96640DEST_PATH_IMAGE005
于是有八个未知数，因此需要四组变换前后的点八个方程，确定透视变换矩阵。变换前的点为关键点检测网络输出的结果，变换后的点则为想要变换的形状，即矩形根据输出图片大小设定矩形四个点的位置。
在一个实施例中，所述步骤S4中，所述识别透视变换后的车牌图片，输出识别后的车牌结果；包括：
S41、车牌颜色识别：将透视变换后的车牌图片送入车牌颜色识别模型中，识别出车牌的颜色，输出车牌颜色识别结果。
在本实施例中，所述车牌颜色识别模型使用深度学习VGG分类网络识别出所述透视变换后的车牌图片中的车牌的颜色并输出。所述深度学习VGG分类网络在训练学习透视变换后的车牌图片中识别不同颜色车牌的特征，具体过程如下：
所述深度学习VGG分类网络先对所述透视变换后的车牌图片进行多次卷积操作，将输入到车牌颜色识别模型中大小为160×40的所述透视变换后的车牌图片进行多次卷积操作，得到一个特征图，再对该特征图重新堆叠（比如把3×3堆叠成1×9），经过softmax函数得到每个类别的置信度，将置信度最大且超过0.5的类别作为结果输出。
训练完成后，后续输入一张透视变换后的车牌图片，所述深度学习VGG分类网络在识别时拟合出每种颜色的置信度，选择置信度最大的颜色作为车牌颜色输出。
S42、车牌字符识别：识别透视变换后的车牌图片中的字符，输出车牌字符识别结果；包括：
S421、灰度处理：将透视变换后的车牌图片进行灰度处理，将车牌图片转换成灰度图片。
在本实施例中，将透视变换后的车牌图片进行灰度处理，将车牌图片转换成灰度图片，可以减少颜色对车牌识别准确率的干扰。
S422、对比度计算：对所述灰度图片进行对比度计算，得到所述灰度图片的对比度值，并将所述对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型。包括：
S4221、对所述灰度图片进行对比度计算，得到所述灰度图片的对比度值；其中，采用以下对比度计算公式（1）计算所述灰度图片的对比度：
Figure 629252DEST_PATH_IMAGE001
其中，上式（1）和（2）中，C代表对比度，δ(i,j)表示相邻像素间的灰度差，Pδ(i,j)表示相邻像素间灰度差为δ的像素分布概率，其中，所述相邻像素间的灰度差即为某个像素点与其周围八个像素点分别做差。当图片在边缘或角落时，周围像素点的数量可以减少到5个和3个。
作为示例性的，以一个3×3大小的矩阵为例进行进一步说明。
Figure 156048DEST_PATH_IMAGE006
上述矩阵中，Pδ(i,j) 的像素分布概率为1/40，则对比度计算如下：
Figure 293769DEST_PATH_IMAGE007
计算出来的对比度越大，说明图片的黑白反差较大，更易于检测和识别。
如果设定一个预设对比度阈值，当计算出来的对比度大于该预设对比度阈值，则说明车牌图片黑白反差明显，没有太亮或太暗；当计算出来的对比度小于该预设对比度阈值，则说明车牌图片黑白反差较小，可能是太亮或太暗，此时，需要对车牌图片做对比度拉伸操作（即对比度增强操作），提高车牌图片的对比度，使得车牌图片黑白反差更加明显。
S4222、将所述对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型；包括：
S42221、设定一个预设对比度阈值；例如，设定预设对比度阈值为3000；
S42222、将计算得到的所述灰度图片的对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型；包括：
S422221、如果对比度值小于预设对比度阈值，则对所述灰度图片进行对比度拉伸操作，提高所述灰度图片的对比度，再将经过对比度拉伸操作处理后的所述灰度图片送入字符检测模型中；
其中，对比度拉伸操作是先确定灰度图片像素点的上下限灰度值，再将灰度图片中灰度值大于等于上限的灰度值设定为255，小于等于下限的灰度值设定为0，介于上下限灰度值之间的灰度值则进行归一化，将其重新映射到0到255之间。具体包括：
先确定灰度图片像素点的上下限灰度值，包括：将灰度值从小到大排列，灰度值最小的5%和灰度值最大的5%作为超出阈值的灰度值，即灰度值最小的5%中的最大值即为下限灰度值，灰度值最大的5%中的最小值即为上限灰度值；
剩余部分的介于上下限灰度值之间的灰度值进行归一化，将其重新映射到0到255之间。
上述过程可以用以下公式（3）来进行表述：
Figure 552712DEST_PATH_IMAGE008
上式（3）中，G为原来的灰度值，G’为对比度拉伸后的灰度值，Gmax为上限灰度值，Gmin为下限灰度值。当Gmin<G<Gmax时，按照公式（3）计算出的G’需要取整数。
作为示例性的，以一个5×5大小的矩阵为例进行进一步说明。
Figure 634937DEST_PATH_IMAGE009
先确定对比度拉伸的上下限灰度值，重新排列后得到下限灰度值为16，上限灰度值为211。具体包括：
将上述5×5大小的矩阵中的灰度值从小到大排列，如下：12、16、24、30、31、38、39、43、45、68、89、120、130、135、138、140、151、172、184、187、187、193、200、211、226。共25个。
所有灰度值的个数的5%为：25*5%=1.25，经取整为2个。
则灰度值最小的5%有2个：12和16，取其中的最大值16为下限灰度值；
灰度值最大的5%有2个：211和226，取其中的最小值211为上限灰度值。
将灰度值小于等于下限的灰度值替换为0，即将灰度值为16替换为0，大于等于上限的灰度值替换为255，即将灰度值为211替换为255；则有：
Figure 840791DEST_PATH_IMAGE010
剩余部分的灰度值则由上述公式（3）的中间公式进行计算，将重新映射到0到255之间。
以灰度值为184为例计算对比度拉伸后灰度值：
Figure 629755DEST_PATH_IMAGE011
最终得到的对比度拉伸后的结果为：
Figure 888960DEST_PATH_IMAGE012
S422222、如果对比度值大于等于预设对比度阈值，则直接将所述灰度图片送入字符检测模型中。
S423、字符检测：字符检测模型对处理后的所述灰度图片上的车牌上的字符进行识别，检测识别所述灰度图片上的车牌每一个字符的位置，并按照从左到右的顺序将车牌的字符进行排序。
在本实施例中，字符检测模型使用深度学习RFSong-779目标检测网络检测所述灰度图片上的车牌每一个字符的位置。
所述深度学习RFSong-779目标检测网络在训练学习灰度图片上的车牌每一个字符的位置的特征和所述深度学习RFSong-779目标检测网络在训练学习所述检测图像中车牌的特征的过程类似，所述深度学习RFSong-779目标检测网络在在训练学习灰度图片上的车牌每一个字符的位置的特征，具体过程如下：
所述深度学习RFSong-779目标检测网络先对所述灰度图片进行多次卷积操作，将输入到字符检测模型中大小为160×40的所述灰度图片进行多次卷积操作，把所述灰度图片转换成不同大小的特征图。这些不同大小的特征图用于识别不同大小的车牌每一个字符。每张特征图都有各自预设的预选框，每个预选框对特征图的每一个像素点进行预测，输出所述灰度图片中车牌每一个字符的可能存在的位置信息和网络预测的置信度。
训练完成后，后续输入一张灰度图片，所述深度学习RFSong-779目标检测网络会拟合出所述灰度图片中车牌每一个字符的位置信息和置信度。
S424、字符识别：字符识别模型将排序好的车牌字符依次进行识别，输出车牌字符识别结果；包括：
S4241、将排序好的车牌字符依次从所述灰度图片中扣出，并依次送入字符识别模块中，以便为了后续字符识别模块能够更精确地识别字符。
S4242、字符识别模型对依次送来的字符进行识别，输出车牌字符识别结果。
在本实施例中，将排序好的车牌字符依次从所述灰度图片中扣出后依次送入字符识别模块中，从而可以使字符识别模块能够更精确地识别字符。所述字符识别模型使用深度学习VGG分类网络对依次送来的字符进行识别，输出车牌字符识别结果。
所述深度学习VGG分类网络在训练学习从灰度图片中扣出的车牌字符中识别车牌字符，具体过程如下：
所述深度学习VGG分类网络先对所述从灰度图片中扣出的车牌字符进行多次卷积操作，将输入到字符识别模型中大小为16×32的所述从灰度图片中扣出的车牌字符进行多次卷积操作，得到一个特征图，再对该特征图重新堆叠（比如把3×3堆叠成1×9），经过softmax函数得到每个类别的置信度，将置信度最大且超过0.5的类别作为结果输出。
训练完成后，后续输入一张从灰度图片中扣出的车牌字符，所述深度学习VGG分类网络会拟合出每个车牌字符的置信度，选择置信度最高的字符作为车牌字符识别结果输出。
S43、将步骤S41输出的车牌颜色识别结果和步骤S42输出的车牌字符识别结果进行合并，输出车牌结果。
在一个实施例中，所述步骤S5中，所述预设车牌规则包括：车牌字符规则和车牌编码规则，所述车牌字符规则包括字母、数字和汉字；所述编码规则包括：在车牌颜色识别结果的基础上，将车牌字符按照一定的规则顺序编排组成，具体包括如下：
所述车牌颜色识别结果包括以下之一：蓝色、绿色、黄绿色、黄色、白色、黑色。
对于蓝色车牌：车牌字符总长度为7位，首字符为省份简称，为汉字字符，第二个字符为字母，其余字符为数字或字母。
对于绿色车牌：车牌字符总长度为8位，首字符为省份简称，第二个和第三个字符为字母，且第三个字符字母在A到K范围内，其余字符为数字或字母。
对于黄绿车牌：车牌号总字符长度为8位，首字符为省份简称，第二个字符为字母，最后一个字符为其母且在A到K范围内，其余字符为数字或字母。
对于黄色车牌：车牌号总字符长度为7位，首字符为省份简称，第二个字符为字母，最后一个字符为数字、字母、“学”或“挂”，其余字符为数字或字母。
对于白色车牌：车牌号总字符长度为7位，首字符为省份简称，第二个字符为字母，最后一个字符为“警”，其余字符为数字或字母。
对于白色特殊车牌：车牌号总字符长度为7或8位，第一个字符和第二字符为字母，其余为数字、字母或汉字。武警车牌、军队车牌等属于白色特殊车牌。例如车牌号：KA12345，WJ12345，WJ京12345。
对于黑色车牌：车牌号总字符长度为7位，首字符为省份简称，第二个字符为字母，最后一个字符为数字、字母、“港”或“澳”，其余字符为数字或字母。例如车牌号：粤ZF023港。
对于黑色特殊车牌：为领使馆车牌，车牌号总字符长度为7位，第一个字符为汉字“使”，其余为数字；或者，第一字符为省份简称，第二个字符为字母，最后一个字符为“使”或“领”，中间为5位数字。例如车牌号：使014578，粤12345使。
在一个实施例中，所述步骤S5中，所述对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果；包括：
S51、在车牌颜色识别结果的基础上，判断所述车牌结果中的车牌字符是否满足所述预设车牌规则中所述编码规则，输出所述车牌结果是否满足所述预设车牌规则的判断结果；包括：
如果所述车牌结果中的车牌字符不满足所述预设车牌规则中的所述编码规则，则直接输出所述车牌结果中没有满足所述预设车牌规则的车牌的判断结果；
如果所述车牌结果中的车牌字符满足所述预设车牌规则中的所述编码规则，则输出所述车牌结果中存在有满足所述预设车牌规则的车牌的判断结果。
S52、根据所述车牌结果是否满足所述预设车牌规则的判断结果，输出最终车牌结果，包括：
如果判断结果显示所述车牌结果中没有满足所述预设车牌规则的车牌，则不输出最终车牌结果；
如果判断结果显示所述车牌结果中只有一个满足所述预设车牌规则的车牌，则输出最终车牌结果；
如果判断结果显示所述车牌结果中有多个满足所述预设车牌规则的车牌，则将满足所述预设车牌规则的车牌且在步骤S2中车牌检测模型检测到的最大的那张车牌作为最终车牌结果。
基于同一构思，在一个实施例中，如图2所示，本发明提供一种低对比度的车牌识别系统，应用于上述任一实施例所述的一种低对比度的车牌识别方法，所述系统包括：图像获取模块10、车牌检测模块20、车牌校正模块30、车牌识别模块40以及车牌规则判定模块50；其中：
所述图像获取模块10，用于获取检测图像，将获得的所述检测图像送入车牌检测模块20中；
所述车牌检测模块20，用于使用车牌检测模型，采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；
所述车牌校正模块30，用于根据获得的所述车牌四个关键点位置信息对车牌进行透视变换，得到透视变换后的车牌图片；
所述车牌识别模块40，用于识别透视变换后的车牌图片，输出识别后的车牌结果；
所述车牌规则判定模块50，用于对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果。
在本实施例中，通过图像获取模块获取检测图像，将获得的所述检测图像送入车牌检测模块中；车牌检测模块使用车牌检测模型采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；车牌校正模块根据获得的所述车牌四个关键点位置信息对车牌进行透视变换，得到透视变换后的车牌图片；车牌识别模块识别透视变换后的车牌图片，输出识别后的车牌结果；车牌规则判定模块对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果。从而可以增强车牌上的字符与周围环境的对比度，提高车牌识别的准确率，即使在光线明亮或者背光的场景下，车牌上的字符会过于明亮或者灰暗，使得车牌对比度较低时，也可以准确地识别车牌上的字符，提高车牌识别准确率，降低车牌识别错误，降低用户纠纷隐患，提升用户体验。
需要说明的是，上述系统实施例与方法实施例属于同一构思，其具体实现过程详见方法实施例，且方法实施例中的技术特征在所述系统实施例中均对应适用，这里不再赘述。
以下以一个具体的实施方式来对本发明的技术方案作进一步的说明。
在一个实施例中，如图3所示，本发明提供一种低对比度的车牌识别方法，所述方法包括：
S601、获取检测图像：使用摄像头捕获含有车牌的检测图像，将获得的检测图像送入车牌检测模型中。
S602、检测含有车牌的位置：使用车牌检测模型，采用深度学习RFSong-779目标检测网络检测所述检测图像中含有车牌的位置。
S603、扣出含有车牌的图片：从所述检测图像中含有车牌的位置中扣出含有车牌的图片。
S604、获得车牌的四个关键点位置信息：将扣出的所述含有车牌的图片送入车牌关键点检测模型中，所述车牌关键点检测模型使用深度学习LNet网络检测所述含有车牌的图片，获得车牌的四个关键点位置信息。
S605、透视变换：根据获得的车牌四个关键点位置信息对车牌进行透视变换，得到透视变换后的车牌图片。
S606、车牌颜色识别：将透视变换后的车牌图片送入车牌颜色识别模型中，所述车牌颜色识别模型使用深度学习VGG分类网络识别出车牌的颜色，输出车牌颜色识别结果。转入步骤S615中。
S607、灰度处理：将透视变换后的车牌图片进行灰度处理，将车牌图片转换成灰度图片。
S608、对比度计算：对所述灰度图片进行对比度计算，得到图片的对比度值。
S609、对比度比较：将所述对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型。所述对比度值是否大于等于预设对比度阈值，如果是，转入步骤S611，否则转入步骤S610。
S610、对比度拉伸操作：对比度值小于预设对比度阈值，对所述灰度图片进行对比度拉伸操作，提高所述灰度图片的对比度，再将经过对比度拉伸操作处理后的所述灰度图片送入字符检测模型中。转入步骤S612。
S611、对比度值大于等于预设对比度阈值，直接将所述灰度图片送入字符检测模型中。转入步骤S612。
S612、车牌字符检测：字符检测模型使用深度学习RFSong-779目标检测网络对所述灰度图片上的车牌上的字符进行识别，检测识别所述灰度图片上的车牌每一个字符的位置，并按照从左到右的顺序将车牌的字符进行排序。
S613、扣出车牌字符：将排序好的车牌字符依次从所述灰度图片中扣出，并依次送入字符识别模块中。
S614、车牌字符识别：字符识别模型使用深度学习VGG分类网络对依次送来的字符进行识别，输出车牌字符识别结果。
S615、输出车牌结果：将步骤S606输出的车牌颜色识别结果和步骤S614输出的车牌字符识别结果进行合并，输出车牌结果。
S616、车牌规则判定，输出最终车牌结果：对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果；包括：
在车牌颜色识别结果的基础上，再判断所述车牌结果中的车牌字符是否满足所述预设车牌规则中所述编码规则，输出所述车牌结果是否满足所述预设车牌规则的判断结果；包括：
如果所述车牌结果中的车牌字符不满足所述预设车牌规则中的所述编码规则，则直接输出所述车牌结果中没有满足所述预设车牌规则的车牌的判断结果；
如果所述车牌结果中的车牌字符满足所述预设车牌规则中的所述编码规则，则输出所述车牌结果中存在有满足所述预设车牌规则的车牌的判断结果。
根据所述车牌结果是否满足所述预设车牌规则的判断结果，输出最终车牌结果，包括：
如果判断结果显示所述车牌结果中没有满足所述预设车牌规则的车牌，则不输出最终车牌结果；
如果判断结果显示所述车牌结果中只有一个满足所述预设车牌规则的车牌，则输出最终车牌结果；
如果判断结果显示所述车牌结果中有多个满足所述预设车牌规则的车牌，则将满足所述预设车牌规则的车牌且在步骤S602中车牌检测模型检测到的最大的那张车牌作为最终车牌结果。
基于同一构思，在一个实施例中，如图4所示，本发明提供一种低对比度的车牌识别设备，所述车牌识别设备900包括：存储器902、处理器901及存储在所述存储器902中并可在所述处理器901上运行的一个或者多个计算机程序，所述存储器902和所述处理器901通过总线系统903耦合在一起，所述一个或者多个计算机程序被所述处理器901执行时以实现本发明实施例提供的一种低对比度的车牌识别方法的以下步骤：
S1、获取检测图像，将获得的所述检测图像送入车牌检测模型中；
S2、使用车牌检测模型，采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；
S3、根据获得的所述车牌四个关键点位置信息对车牌进行透视变换，得到透视变换后的车牌图片；
S4、识别透视变换后的车牌图片，输出识别后的车牌结果；
S5、对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果。
上述本发明实施例揭示的方法可以应用于所述处理器901中，或者由所述处理器901实现。所述处理器901可能是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法的各步骤可以通过所述处理器901中的硬件的集成逻辑电路或软件形式的指令完成。所述处理器901可以是通用处理器、DSP、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。所述处理器901可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器902，所述处理器901读取存储器902中的信息，结合其硬件完成前述方法的步骤。
可以理解，本发明实施例的存储器902可以是易失性存储器或者非易失性存储器，也可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（ROM，Read-OnlyMemory）、可编程只读存储器（PROM，Programmable Read-Only Memory）、可擦除可编程只读存储器（EPROM，Erasable Read-Only Memory）、电可擦除只读存储器（EEPROM，Electrically Erasable Programmable Read-Only Memory）、磁性随机存取存储器（FRAM，Ferromagnetic Random Access Memory）、闪存（FlashMemory）或其他存储器技术、光盘只读存储器（CD-ROM，CompactDiskRead-OnlyMemory）、数字多功能盘（DVD，Digital VideoDisk）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置；易失性存储器可以是随机存取存储器（RAM，RandomAccessMemory），通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（SRAM，Static Random Access Memory）、静态随机存取存储器（SSRAM，Synchronous Static Random Access Memory）、动态随机存取存储器（DRAM，Dynamic Random Access Memory）、同步动态随机存取存储器（SDRAM，SynchronousDynamic Random Access Memory）、双倍数据速率同步动态随机存取存储器（DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory）、增强型同步动态随机存取存储器（ESDRAM，EnhancedSynchronous Dynamic Random Access Memory）、同步连接动态随机存取存储器（SLDRAM，SyncLink Dynamic Random Access Memory）、直接内存总线随机存取存储器（DRRAM，DirectRambus Random Access Memory）。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
需要说明的是，上述车牌识别设备实施例与方法实施例属于同一构思，其具体实现过程详见方法实施例，且方法实施例中的技术特征在所述车牌识别设备实施例中均对应适用，这里不再赘述。
另外，在示例性实施例中，本发明实施例还提供一种计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器902，所述计算机存储介质上存储有一种低对比度的车牌识别方法的一个或者多个程序，所述一种低对比度的车牌识别方法的一个或者多个程序被处理器901执行时以实现本发明实施例提供的一种低对比度的车牌识别方法的以下步骤：
S1、获取检测图像，将获得的所述检测图像送入车牌检测模型中；
S2、使用车牌检测模型，采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；
S3、根据获得的所述车牌四个关键点位置信息对车牌进行透视变换，得到透视变换后的车牌图片；
S4、识别透视变换后的车牌图片，输出识别后的车牌结果；
S5、对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果。
需要说明的是，上述计算机可读存储介质上的一种低对比度的车牌识别方法程序实施例与方法实施例属于同一构思，其具体实现过程详见方法实施例，且方法实施例中的技术特征在上述计算机可读存储介质的实施例中均对应适用，这里不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围。

Claims (18)

1.一种低对比度的车牌识别方法，其特征在于，所述方法包括：
获取检测图像，将获得的所述检测图像送入车牌检测模型中；
使用车牌检测模型，采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；
根据获得的所述车牌四个关键点位置信息对车牌进行透视变换，得到透视变换后的车牌图片；
识别透视变换后的车牌图片，输出识别后的车牌结果；
对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果。
2.根据权利要求1所述的方法，其特征在于，所述使用车牌检测模型，采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；包括：
将获得的所述检测图像送入车牌检测模型中，使用车牌检测模型，采用深度学习RFSong-779目标检测网络检测所述检测图像中含有车牌的位置；
从所述检测图像中含有车牌的位置中扣出含有车牌的图片；
将扣出的所述含有车牌的图片送入车牌关键点检测模型中，所述车牌关键点检测模型使用深度学习LNet网络检测所述含有车牌的图片，获得车牌的四个关键点位置信息。
3.根据权利要求1所述的方法，其特征在于，所述识别透视变换后的车牌图片，输出识别后的车牌结果；包括：
将透视变换后的车牌图片送入车牌颜色识别模型中，识别出车牌的颜色，输出车牌颜色识别结果；
识别透视变换后的车牌图片中的字符，输出车牌字符识别结果；
将所述车牌颜色识别结果和所述车牌字符识别结果进行合并，输出车牌结果。
4.根据权利要求3所述的方法，其特征在于，所述识别透视变换后的车牌图片中的字符，输出车牌字符识别结果；包括：
将透视变换后的车牌图片进行灰度处理，将车牌图片转换成灰度图片；
对所述灰度图片进行对比度计算，得到所述灰度图片的对比度值，并将所述对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型；
字符检测模型对处理后的所述灰度图片上的车牌上的字符进行识别，检测识别所述灰度图片上的车牌每一个字符的位置，并按照从左到右的顺序将车牌的字符进行排序；
字符识别模型将排序好的车牌字符依次进行识别，输出车牌字符识别结果。
5.根据权利要求4所述的方法，其特征在于，所述对所述灰度图片进行对比度计算，得到所述灰度图片的对比度值，并将所述对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型；包括：
对所述灰度图片进行对比度计算，得到所述灰度图片的对比度值；
将所述对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型。
6.根据权利要求5所述的方法，其特征在于，采用以下对比度计算公式计算所述灰度图片的对比度：
Figure 641476DEST_PATH_IMAGE002
上式中，C代表对比度，δ(i,j)表示相邻像素间的灰度差，Pδ(i,j)表示相邻像素间灰度差为δ的像素分布概率，其中，所述相邻像素间的灰度差即为某个像素点与其周围八个像素点分别做差。
7.根据权利要求5所述的方法，其特征在于，所述将所述对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型；包括：
设定一个预设对比度阈值；
将计算得到的所述灰度图片的对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型。
8.根据权利要求7所述的方法，其特征在于，所述将计算得到的所述灰度图片的对比度值与预设对比度阈值进行比较，并根据比较结果对所述灰度图片进行处理后送入字符检测模型；包括：
如果对比度值小于预设对比度阈值，则对所述灰度图片进行对比度拉伸操作，提高所述灰度图片的对比度，再将经过对比度拉伸操作处理后的所述灰度图片送入字符检测模型中；
如果对比度值大于等于预设对比度阈值，则直接将所述灰度图片送入字符检测模型中。
9.根据权利要求8所述的方法，其特征在于，所述对比度拉伸操作是先确定灰度图片像素点的上下限灰度值，再将灰度图片中灰度值大于等于上限的灰度值设定为255，小于等于下限灰度值的灰度值设定为0，介于上下限之间的灰度值则进行归一化，将其重新映射到0到255之间。
10.根据权利要求9所述的方法，其特征在于，所述对比度拉伸操作具体包括：
先确定灰度图片像素点的上下限灰度值，包括：将灰度值从小到大排列，灰度值最小的5%和灰度值最大的5%作为超出阈值的灰度值，即灰度值最小的5%中的最大值为下限灰度值，灰度值最大的5%中的最小值为上限灰度值；
剩余部分的介于上下限灰度值之间的灰度值进行归一化，将其重新映射到0到255之间。
11.根据权利要求4所述的方法，其特征在于，所述字符识别模型将排序好的车牌字符依次进行识别，输出车牌字符识别结果；包括：
将排序好的车牌字符依次从所述灰度图片中扣出，并依次送入字符识别模块中；
字符识别模型对依次送来的字符进行识别，输出车牌字符识别结果。
12.根据权利要求3所述的方法，其特征在于，所述预设车牌规则包括：车牌字符规则和车牌编码规则；所述车牌字符规则包括字母、数字和汉字；所述编码规则包括在车牌颜色识别结果的基础上，将车牌字符按照一定的规则顺序编排组成。
13.根据权利要求12所述的方法，其特征在于，所述对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果；包括：
在车牌颜色识别结果的基础上，判断所述车牌结果中的车牌字符是否满足所述预设车牌规则中所述编码规则，输出所述车牌结果是否满足所述预设车牌规则的判断结果；
根据所述车牌结果是否满足所述预设车牌规则的判断结果，输出最终车牌结果。
14.根据权利要求13所述的方法，其特征在于，所述在车牌颜色识别结果的基础上，判断所述车牌结果中的车牌字符是否满足所述预设车牌规则中所述编码规则，输出所述车牌结果是否满足所述预设车牌规则的判断结果；包括：
如果所述车牌结果中的车牌字符不满足所述预设车牌规则中的所述编码规则，则直接输出所述车牌结果中没有满足所述预设车牌规则的车牌的判断结果；
如果所述车牌结果中的车牌字符满足所述预设车牌规则中的所述编码规则，则输出所述车牌结果中存在有满足所述预设车牌规则的车牌的判断结果。
15.根据权利要求14所述的方法，其特征在于，所述根据所述车牌结果是否满足所述预设车牌规则的判断结果，输出最终车牌结果，包括：
如果判断结果显示所述车牌结果中没有满足所述预设车牌规则的车牌，则不输出最终车牌结果；
如果判断结果显示所述车牌结果中只有一个满足所述预设车牌规则的车牌，则输出最终车牌结果；
如果判断结果显示所述车牌结果中有多个满足所述预设车牌规则的车牌，则将满足所述预设车牌规则的车牌且在车牌检测模型检测到的最大的那张车牌作为最终车牌结果。
16.一种低对比度的车牌识别系统，其特征在于，应用于如权利要求1至15中任一项所述的一种低对比度的车牌识别方法，所述系统包括：图像获取模块、车牌检测模块、车牌校正模块、车牌识别模块以及车牌规则判定模块；其中：
所述图像获取模块，用于获取检测图像，将获得的所述检测图像送入车牌检测模块中；
所述车牌检测模块，用于使用车牌检测模型，采用深度学习算法检测所述检测图像中有车牌的位置，并获得车牌四个关键点位置信息；
所述车牌校正模块，用于根据获得的所述车牌四个关键点位置信息对车牌进行透视变换，得到透视变换后的车牌图片；
所述车牌识别模块，用于识别透视变换后的车牌图片，输出识别后的车牌结果；
所述车牌规则判定模块，用于对输出的所述车牌结果按照预设车牌规则进行判定，判断所述车牌结果是否满足所述预设车牌规则，输出最终车牌结果。
17.一种低对比度的车牌识别设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至15中任一项所述的一种低对比度的车牌识别方法的步骤。
18.一种存储介质，其特征在于，所述存储介质上存储有一种低对比度的车牌识别方法的程序，所述一种低对比度的车牌识别方法的程序被处理器执行时实现如权利要求1至15中任一项所述的一种低对比度的车牌识别方法的步骤。
CN202111195212.6A 2021-10-14 2021-10-14 一种低对比度的车牌识别方法、系统、设备及存储介质 Pending CN113642577A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111195212.6A CN113642577A (zh) 2021-10-14 2021-10-14 一种低对比度的车牌识别方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111195212.6A CN113642577A (zh) 2021-10-14 2021-10-14 一种低对比度的车牌识别方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113642577A true CN113642577A (zh) 2021-11-12

Family

ID=78426764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111195212.6A Pending CN113642577A (zh) 2021-10-14 2021-10-14 一种低对比度的车牌识别方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113642577A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116132527A (zh) * 2023-04-13 2023-05-16 深圳柯赛标识智能科技有限公司 管理指示牌的系统、方法及数据处理服务器
TWI818535B (zh) * 2022-05-04 2023-10-11 博遠智能科技股份有限公司 車牌辨識系統及方法
CN117593766A (zh) * 2023-12-28 2024-02-23 天科院环境科技发展（天津）有限公司 基于无人机拍摄图像处理的野生动物种群数量的调查方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110194733A1 (en) * 2010-02-11 2011-08-11 Tc License Ltd. System and method for optical license plate matching
KR101298684B1 (ko) * 2013-02-20 2013-08-21 임동현 무 감지센서 기반의 차량 번호 인식 시스템 및 그 동작방법
WO2018219054A1 (zh) * 2017-06-02 2018-12-06 杭州海康威视数字技术股份有限公司 一种车牌识别方法、装置及系统
CN111695561A (zh) * 2020-05-25 2020-09-22 南京博雅集智智能技术有限公司 基于ssd的车牌检测和矫正识别方法及识别系统
CN111860496A (zh) * 2020-06-22 2020-10-30 中国平安财产保险股份有限公司 车牌识别方法、装置、设备及计算机可读存储介质
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
CN112926583A (zh) * 2021-04-25 2021-06-08 南京甄视智能科技有限公司 车牌识别方法与车牌识别系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110194733A1 (en) * 2010-02-11 2011-08-11 Tc License Ltd. System and method for optical license plate matching
KR101298684B1 (ko) * 2013-02-20 2013-08-21 임동현 무 감지센서 기반의 차량 번호 인식 시스템 및 그 동작방법
WO2018219054A1 (zh) * 2017-06-02 2018-12-06 杭州海康威视数字技术股份有限公司 一种车牌识别方法、装置及系统
CN111695561A (zh) * 2020-05-25 2020-09-22 南京博雅集智智能技术有限公司 基于ssd的车牌检测和矫正识别方法及识别系统
CN111860496A (zh) * 2020-06-22 2020-10-30 中国平安财产保险股份有限公司 车牌识别方法、装置、设备及计算机可读存储介质
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
CN112926583A (zh) * 2021-04-25 2021-06-08 南京甄视智能科技有限公司 车牌识别方法与车牌识别系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI818535B (zh) * 2022-05-04 2023-10-11 博遠智能科技股份有限公司 車牌辨識系統及方法
CN116132527A (zh) * 2023-04-13 2023-05-16 深圳柯赛标识智能科技有限公司 管理指示牌的系统、方法及数据处理服务器
CN116132527B (zh) * 2023-04-13 2023-06-16 深圳柯赛标识智能科技有限公司 管理指示牌的系统、方法及数据处理服务器
CN117593766A (zh) * 2023-12-28 2024-02-23 天科院环境科技发展（天津）有限公司 基于无人机拍摄图像处理的野生动物种群数量的调查方法
CN117593766B (zh) * 2023-12-28 2024-04-02 天科院环境科技发展（天津）有限公司 基于无人机拍摄图像处理的野生动物种群数量的调查方法

Similar Documents

Publication Publication Date Title
CN113642577A (zh) 一种低对比度的车牌识别方法、系统、设备及存储介质
CN112686812B (zh) 银行卡倾斜矫正检测方法、装置、可读存储介质和终端
CN109993086B (zh) 人脸检测方法、装置、系统及终端设备
CN110348263B (zh) 一种基于图像识别的二维随机码图像识别与提取方法
CN110956169A (zh) 一种车牌识别方法、装置及电子设备
CN111325769B (zh) 一种目标对象检测方法及装置
US8655060B2 (en) Night-scene light source detecting device and night-scene light source detecting method
CN111178290A (zh) 一种签名验证方法和装置
CN110114781B (zh) 用于检测和识别远程高密度视觉标记的方法
CN112307786B (zh) 一种多个不规则二维码批量定位识别方法
CN113052170A (zh) 一种无约束场景下的小目标车牌识别方法
CN108182691B (zh) 识别限速标志的方法、装置及车辆
CN113642639A (zh) 活体检测方法、装置、设备和存储介质
KR20210058882A (ko) 안면 인식 방법 및 디바이스
CN114202775A (zh) 基于红外图像的变电站危险区域行人闯入检测方法及系统
CN113743378A (zh) 一种基于视频的火情监测方法和装置
CN111402185B (zh) 一种图像检测方法及装置
EP0651337A1 (en) Object recognizing method, its apparatus, and image processing method and its apparatus
US20130251202A1 (en) Facial Features Detection
JP2017174380A (ja) 認識装置、物体の認識方法、プログラム、及び、記憶媒体
US20110170774A1 (en) Image manipulating system and method
CN112070771B (zh) 基于hs通道的自适应阈值分割方法、装置和存储介质
CN114239635B (zh) 一种针对doi图像涂鸦的处理方法、装置及设备
CN111325194B (zh) 一种文字识别方法、装置及设备、存储介质
CN113344042A (zh) 基于辅助驾驶的路况图像模型训练方法、系统和智能终端

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