CN114155363A - 换流站车辆识别方法、装置、计算机设备和存储介质 - Google Patents

换流站车辆识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114155363A
CN114155363A CN202111459271.XA CN202111459271A CN114155363A CN 114155363 A CN114155363 A CN 114155363A CN 202111459271 A CN202111459271 A CN 202111459271A CN 114155363 A CN114155363 A CN 114155363A
Authority
CN
China
Prior art keywords
image
license plate
character
vehicle
region
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
CN202111459271.XA
Other languages
English (en)
Inventor
包威
陈奕海
石健
谌军
熊双成
曾海涛
陈稚华
黄俊波
叶林
吕茵
何海欢
赖桂森
杨洋
郑权
李建勋
祝克伟
廖名洋
廖毅
熊杭
谭明
周春阳
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.)
Guangzhou Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Guangzhou Bureau of Extra High Voltage Power Transmission Co
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 Guangzhou Bureau of Extra High Voltage Power Transmission Co filed Critical Guangzhou Bureau of Extra High Voltage Power Transmission Co
Priority to CN202111459271.XA priority Critical patent/CN114155363A/zh
Publication of CN114155363A publication Critical patent/CN114155363A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Character Input (AREA)

Abstract

本申请涉及一种换流站车辆识别方法、装置、计算机设备、存储介质和计算机程序产品,应用于电力技术领域,用于提高换流站车辆识别的准确率。所述方法包括:获取换流站车辆的车辆图像,对车辆图像进行形态学图像处理,得到车辆图像中的感兴趣区域图像;对感兴趣区域图像进行过滤,得到车辆图像中的车牌候选区域图像;从车牌候选区域图像中,筛选出置信度最高的车牌候选区域图像,作为车牌目标区域图像;对车牌目标区域图像进行纹理特征分析,确定车牌目标区域图像中的噪声区域,根据噪声区域生成车牌目标区域图像去噪后的车牌字符图像;对车牌字符图像进行字符提取处理,得到换流站车辆的车牌号,将车牌号作为换流站车辆的识别结果。

Description

换流站车辆识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及电力技术领域,特别是涉及一种换流站车辆识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
换流站是电力工业产业中的重要安保单位之一,承担着输送电力的重要责任,因此,需要格外注意换流站的来往人员和进出车辆,以保障换流站的设施安全。由于公路上汽车尾气中的粒子粒径极小,且带电部分较多,因此换流站周围的空气容易受到换流站中的恒定电场影响,使得汽车尾气、尘土等污染源附着在进出换流站的车辆的车牌上,容易造成车牌的错误辨别。
传统技术中,一般通过门卫保安人工记录的方式登记进出换流站的车辆的车牌,保安人员不在时,可以通过ID卡读写器打开车辆路闸,然后进出换流站,但是通过人工和ID卡读写识别车辆的方式局限性较大,需要消耗较多时间在路闸处,若采用自动识别的方式,容易被附着的污染物影响车辆识别的准确率。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高换流站车辆识别准确率的换流站车辆识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种换流站车辆识别方法。所述方法包括:
获取换流站车辆的车辆图像,对所述车辆图像进行形态学图像处理,得到所述车辆图像中的感兴趣区域图像;对所述感兴趣区域图像进行过滤,得到所述车辆图像中的车牌候选区域图像;
从所述车牌候选区域图像中,筛选出置信度最高的车牌候选区域图像,作为车牌目标区域图像;
对所述车牌目标区域图像进行纹理特征分析,确定所述车牌目标区域图像中的噪声区域,根据所述噪声区域生成所述车牌目标区域图像去噪后的车牌字符图像;
对所述车牌字符图像进行字符提取处理,得到所述换流站车辆的车牌号,将所述车牌号作为所述换流站车辆的识别结果。
在其中一个实施例中,对所述车辆图像进行形态学图像处理,得到所述车辆图像中的感兴趣区域图像,包括:
对所述车辆图像进行二值化处理,得到所述车辆图像中的像素的灰度值;
根据所述灰度值和预设的灰度阈值,生成所述车辆图像的轮廓图像,作为所述感兴趣区域图像。
在其中一个实施例中,对所述感兴趣区域图像进行过滤,得到所述车辆图像中的车牌候选区域图像,包括:
获取所述感兴趣区域图像中的最小外接矩形的长和宽;
当所述最小外接矩形中包含的图像的长和宽同时满足车牌过滤条件时,对所述最小外接矩形中包含的图像进行图像分割处理,得到所述车辆图像中的车牌候选区域图像;
其中,所述车牌过滤条件为N<(L/W)<J;其中,L为所述感兴趣区域图像中的最小外接矩形的长;W为所述感兴趣区域图像中的最小外接矩形的宽;N和J分别为根据所述车辆图像中的车牌的长和宽设定的第一阈值和第二阈值。
在其中一个实施例中,在对所述车牌目标区域图像进行纹理特征分析之后,还包括:
确定所述车牌目标区域图像中的车牌字符位置,计算得到所述车牌字符位置的图像面积和所述车牌目标区域图像的面积;
当所述车牌字符位置的图像面积与所述车牌目标区域图像的面积之间的比值大于预设比值阈值时,确认所述车牌目标区域图像为所述换流站车辆的车牌图像,并检测所述车牌目标区域图像中是否包含噪声区域。
在其中一个实施例中,确定所述车牌目标区域图像中的噪声区域,根据所述噪声区域生成所述车牌目标区域图像去噪后的车牌字符图像,包括:
获取所述车牌目标区域图像中的像素点,根据所述像素点的相邻像素点,生成像素点云;
当所述像素点的灰度值与所述像素点云的灰度均值之间的差值大于预设差值阈值时,将所述像素点识别为目标像素点;
根据所述车牌目标区域图像中的目标像素点,确认所述像素点为所述车牌目标区域图像中的噪声区域;
将所述目标像素点的灰度值修改为所述像素点云的灰度均值,根据修改后的目标像素点的灰度值,生成所述车牌目标区域图像去噪后的车牌字符图像。
在其中一个实施例中,对所述车牌字符图像进行字符提取处理,得到所述换流站车辆的车牌号,包括:
对所述车牌字符图像进行字符分割处理,得到所述车牌字符图像中的目标字符图像;
对所述目标字符图像进行特征提取处理,得到目标字符特征;
获取所述目标字符特征与标准字符库中的各个字符特征的向量距离,从所述标准字符库中筛选出所述向量距离最小的字符特征所对应的字符,作为所述换流站车辆的车牌号。
在其中一个实施例中,对所述目标字符图像进行特征提取处理,得到目标字符特征,包括:
通过边缘检测算法,确定所述目标字符图像中的字符特征的边缘点;
根据所述边缘点的特征向量,生成所述字符特征的特征向量矩阵;
将所述特征向量矩阵投影为目标向量矩阵,作为所述目标字符特征;所述目标向量矩阵中包括的各个特征向量的维度均相同。
第二方面,本申请还提供了一种换流站车辆识别装置。所述装置包括:
采集模块,用于获取换流站车辆的车辆图像,对所述车辆图像进行形态学图像处理,得到所述车辆图像中的感兴趣区域图像;对所述感兴趣区域图像进行过滤,得到所述车辆图像中的车牌候选区域图像;
筛选模块,用于从所述车牌候选区域图像中,筛选出置信度最高的车牌候选区域图像,作为车牌目标区域图像;
去噪模块,用于对所述车牌目标区域图像进行纹理特征分析,确定所述车牌目标区域图像中的噪声区域,根据所述噪声区域生成所述车牌目标区域图像去噪后的车牌字符图像;
识别模块,用于对所述车牌字符图像进行字符提取处理,得到所述换流站车辆的车牌号,将所述车牌号作为所述换流站车辆的识别结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取换流站车辆的车辆图像,对所述车辆图像进行形态学图像处理,得到所述车辆图像中的感兴趣区域图像;对所述感兴趣区域图像进行过滤,得到所述车辆图像中的车牌候选区域图像;
从所述车牌候选区域图像中,筛选出置信度最高的车牌候选区域图像,作为车牌目标区域图像;
对所述车牌目标区域图像进行纹理特征分析,确定所述车牌目标区域图像中的噪声区域,根据所述噪声区域生成所述车牌目标区域图像去噪后的车牌字符图像;
对所述车牌字符图像进行字符提取处理,得到所述换流站车辆的车牌号,将所述车牌号作为所述换流站车辆的识别结果。
第四方面,本申请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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取换流站车辆的车辆图像,对所述车辆图像进行形态学图像处理,得到所述车辆图像中的感兴趣区域图像;对所述感兴趣区域图像进行过滤,得到所述车辆图像中的车牌候选区域图像;
从所述车牌候选区域图像中,筛选出置信度最高的车牌候选区域图像,作为车牌目标区域图像;
对所述车牌目标区域图像进行纹理特征分析,确定所述车牌目标区域图像中的噪声区域,根据所述噪声区域生成所述车牌目标区域图像去噪后的车牌字符图像;
对所述车牌字符图像进行字符提取处理,得到所述换流站车辆的车牌号,将所述车牌号作为所述换流站车辆的识别结果。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取换流站车辆的车辆图像,对所述车辆图像进行形态学图像处理,得到所述车辆图像中的感兴趣区域图像;对所述感兴趣区域图像进行过滤,得到所述车辆图像中的车牌候选区域图像;
从所述车牌候选区域图像中,筛选出置信度最高的车牌候选区域图像,作为车牌目标区域图像;
对所述车牌目标区域图像进行纹理特征分析,确定所述车牌目标区域图像中的噪声区域,根据所述噪声区域生成所述车牌目标区域图像去噪后的车牌字符图像;
对所述车牌字符图像进行字符提取处理,得到所述换流站车辆的车牌号,将所述车牌号作为所述换流站车辆的识别结果。
上述换流站车辆识别方法、装置、计算机设备、存储介质和计算机程序产品,通过对获取的换流站车辆的车牌图像进行形态学图像处理,得到车辆图像中的感兴趣区域图像,对感兴趣区域图像进行过滤,得到车辆图像中的车牌候选区域图像,然后从车牌候选区域图像中,筛选出置信度最高的车牌候选区域图像,作为车牌目标区域图像,对车牌目标区域图像进行纹理特征分析,确定车牌目标区域图像中的噪声区域,根据噪声区域生成车牌目标区域图像去噪后的车牌字符图像,对车牌字符图像进行字符提取处理,得到换流站车辆的车牌号,并将车牌号作为换流站车辆的识别结果。采用本方法,通过形态学图像处理后,能够识别车辆不同底色的牌照,通过对感兴趣区域图像进行过滤、筛选和纹理分析,能够精准的确定图像中的车牌位置,通过对车牌目标区域图像进行去噪,能够避免换流站环境的噪声对车牌识别的影响,能够提高车牌字符识别的准确率,从而提高换流站车辆识别的准确率。
附图说明
图1为一个实施例中换流站车辆识别方法的应用环境图;
图2为一个实施例中换流站车辆识别方法的流程示意图;
图3另一个实施例中换流站车辆识别方法的流程示意图;
图4为一个实施例中换流站车辆识别装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的换流站车辆识别方法,可以应用于如图1所示的应用环境中。其中,终端101通过网络与服务器102进行通信。数据存储系统可以存储服务器102需要处理的数据。数据存储系统可以集成在服务器102上,也可以放在云上或其他网络服务器上。服务器102获取换流站车辆的车牌图像,对车牌图像进行形态学图像处理,得到车辆图像中的感兴趣区域图像,对感兴趣区域图像进行过滤,得到车辆图像中的车牌候选区域图像,然后从车牌候选区域图像中,筛选出置信度最高的车牌候选区域图像,作为车牌目标区域图像,对车牌目标区域图像进行纹理特征分析,确定车牌目标区域图像中的噪声区域,根据噪声区域生成车牌目标区域图像去噪后的车牌字符图像,对车牌字符图像进行字符提取处理,得到换流站车辆的车牌号,并将车牌号作为所述换流站车辆的识别结果,服务器102将识别结果发送至终端101,以供用户查看。其中,终端101可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种换流站车辆识别方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S201,获取换流站车辆的车辆图像,对车辆图像进行形态学图像处理,得到车辆图像中的感兴趣区域图像;对感兴趣区域图像进行过滤,得到车辆图像中的车牌候选区域图像。
其中,感兴趣区域图像是指获取的车辆图像中与换流站车辆相关的图像区域,例如,车辆图像中包含换流站的环境区域图像和换流站的车辆区域图像,则该车辆图像中的车辆区域图像为换流站车辆识别任务的感兴趣区域图像。
具体地,通过部署在换流站的监控摄像装置拍摄进出换流站的车辆的视频,对该监控视频进行解析,从该监控视频中提取出携带有进出换流站车辆的车辆图像,然后服务器通过多种形态学操作,对车辆图像进行图像形状特征处理,例如膨胀、腐蚀、形态学梯度、开运算、闭运算、顶帽运算等等;进而得到车辆图像中的感兴趣区域图像,通过设置的车牌过滤条件,对感兴趣区域图像进行过滤处理,得到车辆图像中所有的车牌候选区域图像。
步骤S202,从车牌候选区域图像中,筛选出置信度最高的车牌候选区域图像,作为车牌目标区域图像。
其中,置信度是指车牌候选区域图像进行图像分类处理后得到的类别概率。
具体地,将所有的车牌候选区域图像输入至图像分类器中,通过图像分类器对车牌候选图像进行分类,并输出所有车牌候选图像属于车牌类别的概率,将分类结果为车牌类别的概率最高的那个车牌候选区域图像,作为车牌目标区域图像;其中图像分类器包括但不限于随机森林,支持向量机,K近邻分类器等。
步骤S203,对车牌目标区域图像进行纹理特征分析,确定车牌目标区域图像中的噪声区域,根据噪声区域生成车牌目标区域图像去噪后的车牌字符图像。
其中,车牌目标区域图像的噪声区域包括环境噪声和车牌噪声。
其中,车牌噪声是指换流站车辆的车牌的边框,由于边框会干扰字符提取处理的准确度,所以需要预先将车牌的边框进行剔除;环境噪声是指换流站车牌上附着的污染物,去除车牌目标区域图像中的污染物噪声,得到字符图像更清晰的车牌字符图像。
具体地,通过分析车牌目标区域图像的纹理特征,确认出车牌目标区域图像中的不同的物体,进而得到车牌目标区域图像中的噪声区域和字符区域,并通过对字符区域的面积进行检测,确认车牌目标区域图像为所需的换流站车辆的车牌图像,当确认车牌目标区域图像为所需的换流站车辆的车牌图像时,将车牌目标区域图像中的污染物噪声图像数据进行去除,并将污染物噪声图像数据修改为正确的图像数据,得到去噪后字符像素的清晰度更高的车牌字符图像;由此,服务器在获取车牌字符图像之后,将车牌字符图像作为处理依据执行后续的字符提取任务。
步骤S204,对车牌字符图像进行字符提取处理,得到换流站车辆的车牌号,将车牌号作为换流站车辆的识别结果。
具体地,从车牌字符图像中提取出目标字符特征,查询标准字符库,得到与目标字符特征匹配的字符,作为换流站车辆的车牌号码,将多个车牌号码组成的车牌号作为换流站车辆的识别结果。
上述换流站车辆识别方法中,通过对获取的换流站车辆的车牌图像进行形态学图像处理,得到车辆图像中的感兴趣区域图像,对感兴趣区域图像进行过滤,得到车辆图像中的车牌候选区域图像,然后从车牌候选区域图像中,筛选出置信度最高的车牌候选区域图像,作为车牌目标区域图像,对车牌目标区域图像进行纹理特征分析,确定车牌目标区域图像中的噪声区域,根据噪声区域生成车牌目标区域图像去噪后的车牌字符图像,对车牌字符图像进行字符提取处理,得到换流站车辆的车牌号,并将车牌号作为换流站车辆的识别结果。采用本方法,通过形态学图像处理后,能够识别车辆不同底色的牌照,通过对感兴趣区域图像进行过滤、筛选和纹理分析,能够精准的确定图像中的车牌位置,通过对车牌目标区域图像进行去噪,能够避免换流站环境的噪声对车牌识别的影响,能够提高车牌字符识别的准确率,从而提高换流站车辆识别的准确率。
在一个实施例中,上述步骤S201,对车辆图像进行形态学图像处理,得到车辆图像中的感兴趣区域图像,具体包括如下内容:对车辆图像进行二值化处理,得到车辆图像中的像素的灰度值;根据灰度值和预设的灰度阈值,生成车辆图像的轮廓图像,作为感兴趣区域图像。
其中,灰度阈值用于控制生成的轮廓图像的清晰度。轮廓图像是指去除了部分关联换流站的环境的像素后,能够凸显换流站车辆及其车牌轮廓的图像。
具体地,通过对车辆图像进行二值化处理,计算得到车辆图像中每个像素的灰度值,通过调节灰度阈值,将车辆图像转变多种清晰度的黑白图像,根据换流站车辆识别任务的需求,设置适当的灰度阈值,得到车辆图像中的车牌区域较为清晰的轮廓图像,将轮廓图像作为感兴趣区域图像。
本实施例中,通过形态学图像处理后,能够识别车辆不同底色的牌照,并且通过形态学图像处理后,能够更容易地从车辆图像中识别出感兴趣区域图像,进而通过对感兴趣区域图像进行过滤、筛选和纹理分析,能够精准的确定图像中的车牌位置,从而提高换流站车辆识别的准确率。
在一个实施例中,上述步骤S201,对感兴趣区域图像进行过滤,得到车辆图像中的车牌候选区域图像,具体包括如下内容:获取感兴趣区域图像中的最小外接矩形的长和宽;当最小外接矩形中包含的图像的长和宽同时满足车牌过滤条件时,对最小外接矩形中包含的图像进行图像分割处理,得到车辆图像中的车牌候选区域图像;其中,车牌过滤条件为N<(L/W)<J;其中,L为感兴趣区域图像中的最小外接矩形的长;W为感兴趣区域图像中的最小外接矩形的宽;N和J分别为根据车辆图像中的车牌的长和宽设定的第一阈值和第二阈值。
其中,最小外接矩形是指以二维坐标表示的二维矩形形状的范围。
具体地,设置最小外接矩形的长和宽的最大范围,对感兴趣区域图像中的凸多边形进行外接矩形计算,当凸多边形的外接矩形与设置的最小外接矩形相符合时,从该外接矩形中查询出矩形图像,计算得到该矩形图像的物体的长和宽,判断该长和宽是否满足设置的车牌过滤条件,当该长和宽满足设置的车牌过滤条件时,对该外接矩形进行图像分割处理,得到车牌候选区域图像;按照上述步骤,将感兴趣区域图像中,所有满足车牌过滤条件的图像分割出来,得到多个车牌候选区域图像。
需要说明的是,车牌过滤条件为N<(L/W)<J;其中,L为感兴趣区域图像中的最小外接矩形的长;W为感兴趣区域图像中的最小外接矩形的宽;N和J分别为根据车辆图像中的车牌的长和宽设定的第一阈值和第二阈值;即根据车牌的长和宽来调整最小外接矩形的范围。
本实施例中,通过对感兴趣区域图像进行过滤,能够筛选出多个车牌候选区域,并进一步确定图像中的车牌位置,同时排除掉与车牌字符无关的图像数据,提高车牌字符识别的准确率,从而提高换流站车辆识别的准确率。
在一个实施例中,在对车牌目标区域图像进行纹理特征分析之后,还包括:确定车牌目标区域图像中的车牌字符位置,计算得到车牌字符位置的图像面积和车牌目标区域图像的面积;当车牌字符位置的图像面积与车牌目标区域图像的面积之间的比值大于预设比值阈值时,确认车牌目标区域图像为换流站车辆的车牌图像,并检测车牌目标区域图像中是否包含噪声区域。
其中,车牌目标区域图像中的噪声区域包括环境噪声和车牌噪声;车牌噪声是指换流站车辆的车牌的边框,因为边框会影响字符提取处理的准确度,所以需要预先将车牌的边框图像进行剔除;环境噪声是指换流站车牌上附着的污染物,去除车牌目标区域图像中的污染物噪声,得到字符图像更清晰的车牌字符图像。
具体地,通过分析车牌目标区域图像的纹理特征,确认出车牌目标区域图像中的不同的物体,进而得到车牌目标区域图像中的噪声区域和车牌字符区域,将计算得到的车牌字符区域的图像尺寸,作为车牌字符位置的图像面积,将计算得到的车牌目标区域图像的尺寸,作为车牌目标区域图像的图像面积,然后计算车牌字符位置的图像尺寸与车牌目标区域的图像尺寸之间的比值,当该比值大于预设的比值阈值时,则确认该车牌目标区域图像为换流站车辆的车牌图像,当该车牌目标区域存在噪声区域时,对噪声区域进行滤波去噪处理;当该比值小于预设的比值阈值时,则确认该车牌目标区域图像中不包含换流站车辆的车牌图像,需要重新筛选置信度最高的车牌候选区域图像,作为新的车牌目标区域图像。
举例说明,假设车牌字符位置的图像尺寸为a,车牌目标区域的图像尺寸为b,比值阈值设置为0.8,而a/b=c,则当c>0.8时,确认该车牌目标区域图像为换流站车辆的车牌图像,将该车牌目标区域图像作为处理依据执行后续的滤波去噪步骤和字符提取步骤。
本实施例中,通过对感兴趣区域图像进行纹理分析,能够识别出图像中的车牌字符和噪声,在字符提取处理之前确认车牌目标区域图像的选择正确性,能够减少错误处理图像的次数,通过对车牌目标区域图像进行去噪,能够避免换流站环境的噪声对车牌识别的影响,能够提高车牌字符识别的准确率,从而提高换流站车辆识别的准确率。
在一个实施例中,上述步骤S203,确定车牌目标区域图像中的噪声区域,根据噪声区域生成车牌目标区域图像去噪后的车牌字符图像,具体包括如下内容:获取车牌目标区域图像中的像素点,根据像素点的相邻像素点,生成像素点云;当像素点的灰度值与像素点云的灰度均值之间的差值大于预设差值阈值时,将像素点识别为目标像素点;根据车牌目标区域图像中的目标像素点,确认像素点为车牌目标区域图像中的噪声区域;将目标像素点的灰度值修改为像素点云的灰度均值,根据修改后的目标像素点的灰度值,生成车牌目标区域图像去噪后的车牌字符图像。
其中,像素点云是指由多个像素点组成的像素点集合。
具体地,从车牌目标区域图像中随机选取一个像素点,并随机获取该像素点的多个相邻像素点,根据该像素点和多个相邻像素点,生成像素点云,计算得到选取的像素点的灰度值,以及根据像素点云中的所有像素点的灰度值计算灰度均值,计算该灰度值与灰度均值之间的差值,当差值大于或等于预设差值阈值时,将像素点标记为目标像素点,将车牌目标区域图像中所有标记为目标像素点的像素点,确认为车牌目标区域图像中的噪声区域;将目标像素点的灰度值修改为对应的像素点云的灰度均值;当差值小于预设差值阈值时,确认该像素点为正常数据,则该像素点的灰度值不变;根据修改后的目标像素点的灰度值,生成车牌目标区域去噪后的去噪车牌图像,将该去噪车牌图像的车牌边框图像去除,得到车牌字符图像。
本实施例中,通过去除车牌目标区域图像中的环境噪声和车牌噪声,能够避免车牌目标区域图像中的噪声区域对车牌识别的影响,使得车牌字符识别的准确率提高了,从而提高换流站车辆识别的准确率。
在一个实施例中,上述步骤S204,对车牌字符图像进行字符提取处理,得到换流站车辆的车牌号,具体包括如下内容:对车牌字符图像进行字符分割处理,得到车牌字符图像中的目标字符图像;对目标字符图像进行特征提取处理,得到目标字符特征;获取目标字符特征与标准字符库中的各个字符特征的向量距离,从标准字符库中筛选出向量距离最小的字符特征所对应的字符,作为换流站车辆的车牌号。
具体地,先将车牌字符图像中的字符进行图像分割处理,得到多个局部字符图像,然后对局部字符图像进行识别,得到局部字符图像中的目标字符特征,从标准字符库中,查询到与目标字符特征匹配的字符,作为换流站车辆的车牌号码,将多个车牌号码按顺序组成的车牌号作为换流站车辆的识别结果。
本实施例中,通过对车辆图像进行形态学图像处理、过滤、筛选、纹理分析和图像去噪之后,再从车牌字符图像中提取出车牌号码,能够过滤掉原始的车辆图像中的大量噪声图像数据,避免噪声数据对车牌识别的影响,能够提高车牌字符识别的准确率,从而提高换流站车辆识别的准确率。
在一个实施例中,对目标字符图像进行特征提取处理,得到目标字符特征,包括:通过边缘检测算法,确定目标字符图像中的字符特征的边缘点;根据边缘点的特征向量,生成字符特征的特征向量矩阵;将特征向量矩阵投影为目标向量矩阵,作为目标字符特征;目标向量矩阵中包括的各个特征向量的维度均相同。
具体地,通过边缘检测算法,识别得到目标字符图像中的字符特征的多个边缘点,通过每个字符特征的每一个边缘点到同一字符特征的其他边缘点的距离,来表示边缘点的特征向量,例如特征向量可以表示为:
(P1k,P2k,…PMk)
其中,K表示字符特征中的边缘点的序号,M表示字符特征中的边缘点的数量;特征向量的下标1K表示第K个边缘点到第1个边缘点的距离,下标2K表示第K个边缘点到第2个边缘点的距离,其余下标同理。根据字符特征中所有边缘点的特征向量,可以得到该字符特征的特征向量矩阵。其中,特征向量矩阵可以表示为:
Figure BDA0003387568670000121
按照相同的维度,对每个字符特征的特征向量进行维度处理,使所有的字符特征的特征向量维度相同,得到各字符特征维度处理后的特征向量,根据字符特征维度处理后的特征向量,得到目标向量矩阵T,将目标向量矩阵T作为目标字符特征。
本实施例中,通过对车辆图像进行形态学图像处理、过滤、筛选、纹理分析和图像去噪之后,再从车牌字符图像中提取出车牌号码,能够过滤掉原始的车辆图像中的大量噪声图像数据,避免噪声数据对车牌识别的影响,能够提高车牌字符识别的准确率,从而提高换流站车辆识别的准确率。
在一个实施例中,如图3所示,提供了另一种换流站车辆识别方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S301,对车辆图像进行二值化处理,得到车辆图像中的像素的灰度值;根据灰度值和预设的灰度阈值,生成车辆图像的轮廓图像,作为感兴趣区域图像。
步骤S302,获取感兴趣区域图像中的最小外接矩形的长和宽;当最小外接矩形中包含的图像的长和宽同时满足车牌过滤条件时,对最小外接矩形中包含的图像进行图像分割处理,得到车辆图像中的车牌候选区域图像。
步骤S303,从车牌候选区域图像中,筛选出置信度最高的车牌候选区域图像,作为车牌目标区域图像。
步骤S304,对车牌目标区域图像进行纹理特征分析,确定车牌目标区域图像中的车牌字符位置,计算得到车牌字符位置的图像面积和车牌目标区域图像的面积。
步骤S305,当车牌字符位置的图像面积与车牌目标区域图像的面积之间的比值大于预设比值阈值时,确认车牌目标区域图像为换流站车辆的车牌图像,并检测车牌目标区域图像中是否包含噪声区域。
步骤S306,获取车牌目标区域图像中的像素点,根据像素点的相邻像素点,生成像素点云;当像素点的灰度值与像素点云的灰度均值之间的差值大于预设差值阈值时,将像素点识别为目标像素点。
步骤S307,根据车牌目标区域图像中的目标像素点,确认像素点为车牌目标区域图像中的噪声区域。
步骤S308,将目标像素点的灰度值修改为像素点云的灰度均值,根据修改后的目标像素点的灰度值,生成车牌目标区域图像去噪后的车牌字符图像。
步骤S309,对车牌字符图像进行字符分割处理,得到车牌字符图像中的目标字符图像;通过边缘检测算法,确定目标字符图像中的字符特征的边缘点。
步骤S310,根据边缘点的特征向量,生成字符特征的特征向量矩阵;将特征向量矩阵投影为目标向量矩阵,作为目标字符特征。
步骤S311,获取目标字符特征与标准字符库中的各个字符特征的向量距离,从标准字符库中筛选出向量距离最小的字符特征所对应的字符,作为换流站车辆的车牌号。
上述换流站车辆识别方法,能够提供以下有益效果:通过形态学图像处理后,能够识别车辆不同底色的牌照,通过对感兴趣区域图像进行过滤、筛选和纹理分析,能够精准的确定图像中的车牌位置,通过对车牌目标区域图像进行去噪,能够避免换流站环境的噪声对车牌识别的影响,能够提高车牌字符识别的准确率,从而提高换流站车辆识别的准确率。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的换流站车辆识别方法的换流站车辆识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个换流站车辆识别装置实施例中的具体限定可以参见上文中对于换流站车辆识别方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种换流站车辆识别装置400,包括:采集模块401、筛选模块402、去噪模块403和识别模块,其中:
采集模块401,用于获取换流站车辆的车辆图像,对车辆图像进行形态学图像处理,得到车辆图像中的感兴趣区域图像;对感兴趣区域图像进行过滤,得到车辆图像中的车牌候选区域图像。
筛选模块402,用于从车牌候选区域图像中,筛选出置信度最高的车牌候选区域图像,作为车牌目标区域图像。
去噪模块403,用于对车牌目标区域图像进行纹理特征分析,确定车牌目标区域图像中的噪声区域,根据噪声区域生成车牌目标区域图像去噪后的车牌字符图像。
识别模块404,用于对车牌字符图像进行字符提取处理,得到换流站车辆的车牌号,将车牌号作为换流站车辆的识别结果。
在一个实施例中,采集模块401,还用于对车辆图像进行二值化处理,得到车辆图像中的像素的灰度值;根据灰度值和预设的灰度阈值,生成车辆图像的轮廓图像,作为感兴趣区域图像。
在一个实施例中,采集模块401,还用于获取感兴趣区域图像中的最小外接矩形的长和宽;当最小外接矩形中包含的图像的长和宽同时满足车牌过滤条件时,对最小外接矩形中包含的图像进行图像分割处理,得到车辆图像中的车牌候选区域图像;其中,车牌过滤条件为N<(L/W)<J;其中,L为感兴趣区域图像中的最小外接矩形的长;W为感兴趣区域图像中的最小外接矩形的宽;N和J分别为根据车辆图像中的车牌的长和宽设定的第一阈值和第二阈值。
在一个实施例中,换流站车辆识别装置400还包括图像确认模块,用于确定车牌目标区域图像中的车牌字符位置,计算得到车牌字符位置的图像面积和车牌目标区域图像的面积;当车牌字符位置的图像面积与车牌目标区域图像的面积之间的比值大于预设比值阈值时,确认车牌目标区域图像为换流站车辆的车牌图像,并检测车牌目标区域图像中是否包含噪声区域。
在一个实施例中,去噪模块403,还用于获取车牌目标区域图像中的像素点,根据像素点的相邻像素点,生成像素点云;当像素点的灰度值与像素点云的灰度均值之间的差值大于预设差值阈值时,将像素点识别为目标像素点;根据车牌目标区域图像中的目标像素点,确认像素点为车牌目标区域图像中的噪声区域;将目标像素点的灰度值修改为像素点云的灰度均值,根据修改后的目标像素点的灰度值,生成车牌目标区域图像去噪后的车牌字符图像。
在一个实施例中,识别模块404,还用于对车牌字符图像进行字符分割处理,得到车牌字符图像中的目标字符图像;对目标字符图像进行特征提取处理,得到目标字符特征;获取目标字符特征与标准字符库中的各个字符特征的向量距离,从标准字符库中筛选出向量距离最小的字符特征所对应的字符,作为换流站车辆的车牌号。
在一个实施例中,换流站车辆识别装置400还包括特征提取模块,用于通过边缘检测算法,确定目标字符图像中的字符特征的边缘点;根据边缘点的特征向量,生成字符特征的特征向量矩阵;将特征向量矩阵投影为目标向量矩阵,作为目标字符特征;目标向量矩阵中包括的各个特征向量的维度均相同。
上述换流站车辆识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储车牌图像、车牌字符图像等图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种换流站车辆识别方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种换流站车辆识别方法,其特征在于,所述方法包括:
获取换流站车辆的车辆图像,对所述车辆图像进行形态学图像处理,得到所述车辆图像中的感兴趣区域图像;对所述感兴趣区域图像进行过滤,得到所述车辆图像中的车牌候选区域图像;
从所述车牌候选区域图像中,筛选出置信度最高的车牌候选区域图像,作为车牌目标区域图像;
对所述车牌目标区域图像进行纹理特征分析,确定所述车牌目标区域图像中的噪声区域,根据所述噪声区域生成所述车牌目标区域图像去噪后的车牌字符图像;
对所述车牌字符图像进行字符提取处理,得到所述换流站车辆的车牌号,将所述车牌号作为所述换流站车辆的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述车辆图像进行形态学图像处理,得到所述车辆图像中的感兴趣区域图像,包括:
对所述车辆图像进行二值化处理,得到所述车辆图像中的像素的灰度值;
根据所述灰度值和预设的灰度阈值,生成所述车辆图像的轮廓图像,作为所述感兴趣区域图像。
3.根据权利要求1所述的方法,其特征在于,所述对所述感兴趣区域图像进行过滤,得到所述车辆图像中的车牌候选区域图像,包括:
获取所述感兴趣区域图像中的最小外接矩形的长和宽;
当所述最小外接矩形中包含的图像的长和宽同时满足车牌过滤条件时,对所述最小外接矩形中包含的图像进行图像分割处理,得到所述车辆图像中的车牌候选区域图像;
其中,所述车牌过滤条件为N<(L/W)<J;其中,L为所述感兴趣区域图像中的最小外接矩形的长;W为所述感兴趣区域图像中的最小外接矩形的宽;N和J分别为根据所述车辆图像中的车牌的长和宽设定的第一阈值和第二阈值。
4.根据权利要求1所述的方法,其特征在于,在对所述车牌目标区域图像进行纹理特征分析之后,还包括:
确定所述车牌目标区域图像中的车牌字符位置,计算得到所述车牌字符位置的图像面积和所述车牌目标区域图像的面积;
当所述车牌字符位置的图像面积与所述车牌目标区域图像的面积之间的比值大于预设比值阈值时,确认所述车牌目标区域图像为所述换流站车辆的车牌图像,并检测所述车牌目标区域图像中是否包含噪声区域。
5.根据权利要求1所述的方法,其特征在于,所述确定所述车牌目标区域图像中的噪声区域,根据所述噪声区域生成所述车牌目标区域图像去噪后的车牌字符图像,包括:
获取所述车牌目标区域图像中的像素点,根据所述像素点的相邻像素点,生成像素点云;
当所述像素点的灰度值与所述像素点云的灰度均值之间的差值大于预设差值阈值时,将所述像素点识别为目标像素点;
根据所述车牌目标区域图像中的目标像素点,确认所述像素点为所述车牌目标区域图像中的噪声区域;
将所述目标像素点的灰度值修改为所述像素点云的灰度均值,根据修改后的目标像素点的灰度值,生成所述车牌目标区域图像去噪后的车牌字符图像。
6.根据权利要求1所述的方法,其特征在于,所述对所述车牌字符图像进行字符提取处理,得到所述换流站车辆的车牌号,包括:
对所述车牌字符图像进行字符分割处理,得到所述车牌字符图像中的目标字符图像;
对所述目标字符图像进行特征提取处理,得到目标字符特征;
获取所述目标字符特征与标准字符库中的各个字符特征的向量距离,从所述标准字符库中筛选出所述向量距离最小的字符特征所对应的字符,作为所述换流站车辆的车牌号。
7.根据权利要求6所述的方法,其特征在于,所述对所述目标字符图像进行特征提取处理,得到目标字符特征,包括:
通过边缘检测算法,确定所述目标字符图像中的字符特征的边缘点;
根据所述边缘点的特征向量,生成所述字符特征的特征向量矩阵;
将所述特征向量矩阵投影为目标向量矩阵,作为所述目标字符特征;所述目标向量矩阵中包括的各个特征向量的维度均相同。
8.一种换流站车辆识别装置,其特征在于,所述装置包括:
采集模块,用于获取换流站车辆的车辆图像,对所述车辆图像进行形态学图像处理,得到所述车辆图像中的感兴趣区域图像;对所述感兴趣区域图像进行过滤,得到所述车辆图像中的车牌候选区域图像;
筛选模块,用于从所述车牌候选区域图像中,筛选出置信度最高的车牌候选区域图像,作为车牌目标区域图像;
去噪模块,用于对所述车牌目标区域图像进行纹理特征分析,确定所述车牌目标区域图像中的噪声区域,根据所述噪声区域生成所述车牌目标区域图像去噪后的车牌字符图像;
识别模块,用于对所述车牌字符图像进行字符提取处理,得到所述换流站车辆的车牌号,将所述车牌号作为所述换流站车辆的识别结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202111459271.XA 2021-12-01 2021-12-01 换流站车辆识别方法、装置、计算机设备和存储介质 Pending CN114155363A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111459271.XA CN114155363A (zh) 2021-12-01 2021-12-01 换流站车辆识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111459271.XA CN114155363A (zh) 2021-12-01 2021-12-01 换流站车辆识别方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN114155363A true CN114155363A (zh) 2022-03-08

Family

ID=80455722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111459271.XA Pending CN114155363A (zh) 2021-12-01 2021-12-01 换流站车辆识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN114155363A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114821830A (zh) * 2022-07-01 2022-07-29 成都宜泊信息科技有限公司 一种路内停车管理方法、系统、设备和存储介质
CN117351438A (zh) * 2023-10-24 2024-01-05 武汉无线飞翔科技有限公司 一种基于图像识别的车辆实时位置跟踪方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114821830A (zh) * 2022-07-01 2022-07-29 成都宜泊信息科技有限公司 一种路内停车管理方法、系统、设备和存储介质
CN114821830B (zh) * 2022-07-01 2022-09-06 成都宜泊信息科技有限公司 一种路内停车管理方法、系统、设备和存储介质
CN117351438A (zh) * 2023-10-24 2024-01-05 武汉无线飞翔科技有限公司 一种基于图像识别的车辆实时位置跟踪方法及系统
CN117351438B (zh) * 2023-10-24 2024-06-04 武汉无线飞翔科技有限公司 一种基于图像识别的车辆实时位置跟踪方法及系统

Similar Documents

Publication Publication Date Title
CN111080628B (zh) 图像篡改检测方法、装置、计算机设备和存储介质
CN107358596B (zh) 一种基于图像的车辆定损方法、装置、电子设备及系统
CN108009543B (zh) 一种车牌识别方法及装置
Asghar et al. Copy-move and splicing image forgery detection and localization techniques: a review
JP4479478B2 (ja) パターン認識方法および装置
Wang et al. An effective method for plate number recognition
EP4091109A1 (en) Systems for multiclass object detection and alerting and methods therefor
CN107862340A (zh) 一种车型识别方法及装置
CN114155363A (zh) 换流站车辆识别方法、装置、计算机设备和存储介质
CN107784288A (zh) 一种基于深度神经网络的迭代定位式人脸检测方法
US20200104940A1 (en) Artificial intelligence enabled assessment of damage to automobiles
CN111160395A (zh) 图像识别方法、装置、电子设备和存储介质
US20230147685A1 (en) Generalized anomaly detection
CN113971821A (zh) 驾驶员信息确定方法、装置、终端设备及存储介质
CN114663871A (zh) 图像识别方法、训练方法、装置、系统及存储介质
Liu et al. Identification of smartphone-image source and manipulation
Al-Shemarry et al. Developing learning-based preprocessing methods for detecting complicated vehicle licence plates
Jwaid et al. Study and analysis of copy-move & splicing image forgery detection techniques
Matiolański et al. CCTV object detection with fuzzy classification and image enhancement
Muchtar et al. Convolutional network and moving object analysis for vehicle detection in highway surveillance videos
CN114494994A (zh) 车辆异常聚集监控方法、装置、计算机设备及存储介质
CN111401415A (zh) 计算机视觉任务模型的训练方法、装置、设备和存储介质
US20230069960A1 (en) Generalized anomaly detection
CN111178398A (zh) 检测身份证图像信息篡改的方法、系统、存储介质及装置
CN116168377A (zh) 车牌识别方法、装置、计算机设备以及存储介质

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