CN114445606A - 捕获车牌图像的方法、装置、电子设备及存储介质 - Google Patents
捕获车牌图像的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114445606A CN114445606A CN202210112806.4A CN202210112806A CN114445606A CN 114445606 A CN114445606 A CN 114445606A CN 202210112806 A CN202210112806 A CN 202210112806A CN 114445606 A CN114445606 A CN 114445606A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- license plate
- image
- frame
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种捕获车牌图像的方法、装置、电子设备及存储介质,涉及人工智能技术领域,尤其涉及智能交通领域。实现方案为:一种捕获车牌图像的方法,包括:基于用于跟踪目标车辆的实时视频流,确定用于捕获目标车辆的车牌图像的起始视频帧和目标车辆在起始视频帧处的第一运动位置;基于实时视频流,确定目标车辆的速度属性;基于目标车辆的第一运动位置和速度属性,确定目标车辆在起始视频帧经过帧间间隔后的下一视频帧处的第二运动位置;以及在第二运动位置上捕获目标车辆的车牌图像。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及智能交通领域,具体涉及一种捕获车牌图像的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
车牌信息作为一种与车辆相关联的重要身份信息,在交通管理中起到了标识车辆的重要作用。车牌信息的识别与车牌图像的捕获密切相关,车牌图像的清晰捕获能够有利于车牌信息的识别。
近年来,用于自动化管理城市路内停车的高位视频采集系统已被广泛使用。在这种系统中保证车牌图像的捕获率也成为保障自动化管理能够良好运行的关键因素。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种捕获车牌图像的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种捕获车牌图像的方法。所述方法包括基于用于跟踪目标车辆的实时视频流,确定用于捕获目标车辆的车牌图像的起始视频帧和目标车辆在起始视频帧处的第一运动位置。所述方法还包括基于实时视频流,确定目标车辆的速度属性。所述方法还包括基于目标车辆的第一运动位置和速度属性,确定目标车辆在起始视频帧经过帧间间隔后的下一视频帧处的第二运动位置。所述方法还包括在第二运动位置上捕获目标车辆的车牌图像。
根据本公开的另一方面,提供了一种捕获车牌图像的装置。所述装置包括第一确定模块,被配置为基于用于跟踪目标车辆的实时视频流,确定用于捕获目标车辆的车牌图像的起始视频帧和目标车辆在起始视频帧处的第一运动位置。所述装置还包括第二确定模块,被配置为基于实时视频流,确定目标车辆的速度属性。所述装置还包括第三确定模块,被配置为基于目标车辆的第一运动位置和速度属性,确定目标车辆在起始视频帧经过帧间间隔后的下一视频帧处的第二运动位置。所述装置还包括捕获模块,被配置为在第二运动位置上捕获目标车辆的车牌图像。
根据本公开的另一方面,提供了一种电子设备。所述电子设备包括: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能够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根据如上所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据如上所述的方法。
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,其中,所述计算机程序在被处理器执行时实现根据如上所述的方法。
根据本公开的一个或多个实施例,可以提高车牌图像的捕获率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图。
图2示出了根据本公开实施例的捕获车牌图像的方法的流程图。
图3示出了在示例性停车入位场景中应用根据本公开实施例的方法的流程图。
图4示出了根据本公开一个实施例的捕获车牌图像的装置的框图。
图5示出了根据本公开另一个实施例的捕获车牌图像的装置的框图。
图6示出了能够用于实现本公开实施例的示例性电子设备的结构框图。
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。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
在相关技术中,用于自动化管理城市路内停车的高位视频采集系统一般可以包括具有不同监控及拍摄功能的两路监控设备。这样的监控设备例如市场上常见的枪式摄像机(在下文中也称为“枪机”)和球式摄像机(在下文中也称为“球机”)。
然而,在这种高位视频采集系统中仍然存在关于车牌图像捕获的诸多问题。例如,在目标车辆进入车位以后可能会出现前后车辆遮挡,由此造成无法捕获车牌图像,进而无法识别车牌信息。另外,在车辆进入车位以前经常会出现目标捕获区域中存在运动模糊的问题,这也可能导致无法清晰捕获车牌图像,进而无法识别车牌信息。因此,如何确保车牌图像的高捕获率是车牌信息识别过程中亟待解决的问题。
至少针对以上技术问题,根据本公开的一方面,提出了一种捕获车牌图像的方法。下面将结合附图详细描述本公开的实施例。
在详细描述本公开实施例的方法之前,首先结合图1描述可以在其中实施本公开实施例的方法的示例性系统。
图1示出了根据本公开实施例的可以将本文描述的各种方法在其中实施的示例性系统100的示意图。参考图1,该系统100包括第一监控设备101(诸如枪式摄像机)和第二监控设备102(诸如球式摄像机)、服务器120、以及将第一监控设备101和第二监控设备102耦接到服务器120的一个或多个通信网络110。第一监控设备101和第二监控设备102可以单独地或组合地构成用于自动化管理城市路内停车的高位视频采集系统。
在本公开的实施例中,服务器120可以运行使得能够执行根据本公开的捕获车牌图像的方法的一个或多个服务或软件应用。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
第一监控设备101和第二监控设备102可以用于拍摄关于道路和/或车辆的实时视频流。本领域技术人员将能够理解,第一监控设备101和第二监控设备102中每一者的数量可以变化。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析从第一监控设备101和第二监控设备102接收的实时视频流。
在一些实施方式中,服务器120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。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法。
图2示出了根据本公开实施例的捕获车牌图像的方法的流程图。如图2所示,方法200可以包括如下步骤:
在步骤S202,基于用于跟踪目标车辆的实时视频流,确定用于捕获目标车辆的车牌图像的起始视频帧和目标车辆在起始视频帧处的第一运动位置。
在步骤S204,基于实时视频流,确定目标车辆的速度属性。
在步骤S206,基于目标车辆的第一运动位置和速度属性,确定目标车辆在起始视频帧经过帧间间隔后的下一视频帧处的第二运动位置。
在步骤S208,在第二运动位置上捕获目标车辆的车牌图像。
根据本公开实施例的捕获车牌图像的方法,可以利用目标车辆在一视频帧处的当前位置,借助于其速度属性预测出其在连续的下一视频帧处的下一位置,并且在该预测出的下一位置上执行用于识别车牌信息的车牌图像捕获,由此,可以有针对性地提供再次尝试捕获车牌图像的机会,从而有利于提高车牌图像的捕获率。
本公开的技术方案中,所涉及的车辆信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
以下将对根据本公开实施例的捕获车牌图像的方法的各步骤的一个或多个方面进行详细描述。
在步骤S202,根据一些实施例,用于跟踪目标车辆的实时视频流可以通过监控设备获取。在示例中,监控设备可以例如是结合图1描述的第一监控设备101(诸如枪式摄像机)和/或第二监控设备102(诸如球式摄像机)。
另外,在获取到实时视频流时,可以对该实时视频流执行实时算法分析,以用于捕获目标车辆的车牌图像,进而识别车牌信息(如车牌号)。该实时算法分析可以包括检测目标车辆和/或跟踪目标车辆。目标车辆可以是进入监控设备的监控视野的一个或多个车辆。
在示例中,目标车辆的跟踪也可以是基于卡尔曼滤波的单目标跟踪。在此情况下,可以从第一运动位置初始化单目标跟踪以提供更具针对性的跟踪方式。
这里,考虑到目标检测和跟踪本身是本领域中已知的,在本文中不再过多赘述其细节。
根据一些实施例,可以将执行实时算法分析过程中的任一视频帧确定为用于捕获目标车辆的车牌图像的起始视频帧。
根据一些实施例,确定用于捕获目标车辆的车牌图像的起始视频帧可以包括:
确定在实时视频流中的当前视频帧是否捕获到目标车辆的车牌图像;以及响应于在当前视频帧未捕获到目标车辆的车牌图像,确定当前视频帧作为起始视频帧。
通过本实施例的方式,可以在未成功捕获车牌图像的情况下提供进一步尝试捕获车牌图像的机会,从而有利于提高车牌图像的捕获率。
根据一些实施例,确定在实时视频流中的当前视频帧是否捕获到目标车辆的车牌图像可以包括:
检查与目标车辆对应的区域位置的第一图像捕获状态和与车牌对应的车牌位置的第二图像捕获状态之中的至少一者是否满足相应的图像捕获条件;以及响应于第一图像捕获状态和第二图像捕获状态中的至少一者不满足图像捕获条件,确定在当前视频帧未捕获到目标车辆的车牌图像。
通过本实施例的方式,可以通过针对目标车辆的大范围和车牌的小范围两者的图像捕获状态来准确判断是否捕获到车牌图像,从而有利于在未成功捕获车牌图像的情况下提供进一步尝试捕获车牌图像的机会。
在示例中,与目标车辆对应的区域位置的第一图像捕获状态可以指该区域位置的图像上的模糊程度。即,第一图像捕获状态满足图像捕获条件意味着不存在图像上的模糊;反之,不满足图像捕获条件意味着存在图像上的模糊。该图像上的模糊可能是由于目标车辆的运动所造成的运动模糊。
在示例中,与车牌对应的车牌位置的第二图像捕获状态可以指该车牌位置的图像上的曝光程度(或亮度)。即,第二图像捕获状态满足图像捕获条件意味着不存在曝光程度上的问题;反之,不满足图像捕获条件意味着存在曝光程度上的问题,例如存在亮度过低(即太暗)或者曝光过度。
这里,可以理解的是,针对第一图像捕获状态和第二图像捕获状态的相应的图像捕获条件可以在实际应用中根据需要具体设定。
根据一些实施例,目标车辆在起始视频帧处的第一运动位置可以包括目标车辆的物理位置信息。在示例中,该物理位置信息可以是相对于生成实时视频流的监控设备的坐标系而言的。替代地,该物理位置信息可以是相对于实际的物理坐标系而言的。
在将未捕获到目标车辆的车牌图像的当前视频帧确定为起始视频帧的实施例中,对应的第一运动位置相应地记录了在该起始视频帧处目标车辆的位置信息。
在步骤S204,确定目标车辆的速度属性可以用于对目标车辆的运动进行预测。由此,可以通过在预测出的下一运动位置上再次尝试图像捕获来提高车牌图像的捕获率。
根据一些实施例,确定目标车辆的速度属性可以包括:
确定实时视频流中的多个连续视频帧;确定目标车辆在多个连续视频帧处的多个中间运动位置;以及基于所述多个连续视频帧和所述多个中间运动位置,确定目标车辆的瞬时速度。
通过本实施例的方式,可以通过在被采样的多个视频帧上求取平均的方式准确计算目标车辆的瞬时速度,从而有利于对目标车辆的运动进行准确预测。
在示例中,可以通过如下的公式1计算目标车辆的瞬时速度:
其中,v表示目标车辆的瞬时速度;xi、yi表示目标车辆在ti时刻(即第i视频帧)在坐标系下(例如,相对于监控设备而言的坐标系)的横、纵坐标;xn+i、yn+i表示目标车辆在tn+i时刻(即第n+i视频帧)在坐标系下的横、纵坐标,其中视频帧的数量n是大于0的自然数。
在根据本实施例的通过多个连续视频帧计算目标车辆的瞬时速度时,公式1中的视频帧的数量n可以适当选取以通过平均的方式准确计算该瞬时速度。
根据一些实施例,确定目标车辆的速度属性还可以包括:
确定目标车辆的多个瞬时速度;以及确定所述多个瞬时速度的平均值作为目标车辆的平均速度。
通过本实施例的方式,可以通过将计算出的多个瞬时速度作为采样值进一步求取平均值来提供更为准确的速度计算,从而有利于对目标车辆的运动进行更为准确的预测。
在示例中,可以通过如下的公式2计算目标车辆的平均速度:
在根据本实施例的通过多个瞬时速度计算目标车辆的平均速度时,公式2中的瞬时速度的数量N可以适当选取以通过平均的方式准确计算该平均速度。
在步骤S206,确定目标车辆在起始视频帧经过帧间间隔后的下一视频帧处的第二运动位置意味着对目标车辆的运动进行预测。由此,可以通过在预测出的下一运动位置上再次尝试图像捕获来提高车牌图像的捕获率。
可以理解的是,在时间很短、即帧间间隔很短的情况下(例如实际情况中两个连续视频帧之间的帧间间隔约为200毫秒),可以认为车辆的运动是直线的,如平移。因此,可以利用距离与时间和速度的关系来预测目标车辆的运动。在示例中,从第一运动位置起的位移可以通过帧间间隔与目标车辆的速度属性的乘积来获得。之后,在第一运动位置上加入该位移即可获得下一运动位置,即第二运动位置。
根据一些实施例,帧间间隔可以是在考虑每次用于调节监控设备所消耗的单位调节时间的基础上所得的经修正的帧间间隔。
通过本实施例的方式,可以在预测目标车辆的运动时对相应的时间参数进行修正,以消除由于调节监控设备进行图像捕获的耗时所产生的时间误差,从而有利于对目标车辆的运动进行更为准确的预测。
帧间间隔可以是指对应于两个连续视频帧的时刻之间的时间间隔。换言之,帧间间隔可以表示每个视频帧的持续时间。即,某一视频帧与经过该帧间间隔后的下一视频帧为两个连续视频帧。
为了准确预测目标车辆的运动,需要消除调节监控设备进行图像捕获的耗时,即获取经修正的帧间间隔。
根据一些实施例,经修正的帧间间隔可以被计算为每个实际帧间间隔与单位调节时间之和。实际帧间间隔可以被计算为:多个连续视频帧的总时间减去在所述多个连续视频帧上用于调节监控设备所消耗的总调节时间所得的结果在所述多个连续视频帧上的平均值。
通过本实施例的方式,可以准确计算目标车辆从起始视频帧到下一视频帧所实际经过的帧间间隔时间,且可以在此基础上加入每次用于调节监控设备所消耗的单位调节时间,从而准确预测在经过帧间间隔时间之后调节监控设备进行图像捕获的时刻处目标车辆的运动位置。
在示例中,可以通过如下的公式3计算实际帧间间隔:
T3=(T1-m*T2)/n 公式3
其中,T3表示实际帧间间隔;T1表示n个连续视频帧的总时间,其中n是大于0的自然数;T2表示每次用于调节监控设备所消耗的单位调节时间,且m表示在n个连续视频帧期间调节监控设备的次数。相应地,m*T2表示在n个连续视频帧上用于调节监控设备所消耗的总调节时间。
在示例中,用于调节监控设备所消耗的单位调节时间可以是与监控设备本身相关联的属性,其可以预先通过统计方法被计算和记录,以在使用时通过诸如查表等方式获取。
在示例中,可以通过如下的公式4计算经修正的帧间间隔:
T4=T3+T2 公式4
其中,T4表示经修正的帧间间隔;T3表示实际帧间间隔;T2表示每次用于调节监控设备所消耗的单位调节时间。
以此方式,经修正的帧间间隔可以表示目标车辆从起始视频帧到下一视频帧所实际经过的帧间间隔时间(即实际帧间间隔)与每次调节监控设备所消耗的单位调节时间(即单位调节时间)之和。在此情况下,可以准确预测在经过帧间间隔时间之后调节监控设备进行图像捕获的时刻处目标车辆的运动位置。
在步骤S208,由于第二运动位置是提前预测出的关于目标车辆在下一视频帧处的运动位置,因此在该第二运动位置上以适当的方式再次尝试捕获目标车辆的车牌图像可以有利于提高捕获率。
根据一些实施例,在第二运动位置上捕获目标车辆的车牌图像可以包括:调节监控设备以针对第二运动位置执行用于识别车牌图像的图像处理。
通过本实施例的方式,由于第二运动位置已经被提前预测出来,因此可以有针对性地在该位置上执行特定图像处理以再次尝试捕获车牌图像,从而有利于提高捕获率。
在示例中,针对第二运动位置执行的图像处理可以包括区域对焦、白平衡或ISP(Image Signal Processor,图像信号处理器)算法调节等。
如上所述,根据本公开实施例的捕获车牌图像的方法,可以通过目标车辆在一视频帧处的当前位置,借助于其速度属性预测出其在连续的下一视频帧处的下一位置,并且在该预测出的下一位置上执行用于识别车牌信息的车牌图像捕获,由此,可以有针对性地提供再次尝试捕获车牌图像的机会,从而有利于提高车牌图像的捕获率。
图3示出了在示例性停车入位场景中应用根据本公开实施例的方法的流程图。
对于城市路内停车而言,往往需要在车辆停车入位时捕获车牌图像以识别车牌信息。图3示例性地以这种停车入位场景作为示例对应用根据本公开实施例的方法进行具体描述。然而,可以理解的是,本公开并不意在对任何应用场景进行具体或特定限制,而是,任何能够实施本公开实施例的方法的应用场景均应被理解为落入本公开的范围。
如图3所示,在步骤301,可以从监控设备获取拍摄道路和/或车辆的实时视频流,并且可以对该实时视频流执行实时算法分析以检测目标车辆和/或跟踪目标车辆。监控设备例如可以是结合图1描述的第一监控设备101(诸如枪式摄像机)和/或第二监控设备102(诸如球式摄像机)。
随着目标车辆在行驶过程中逐渐开始靠近车位以进行停车入位,可以启动对目标车位的车牌信息的识别。为此,可以进行车牌图像的捕获。
在步骤302,可以确定在当前视频帧是否捕获到车牌图像。根据一些实施例,如上所述,可以检查与目标车辆对应的区域位置和与车牌对应的车牌位置两者的图像捕获状态。
如果这两者中的至少一者不满足所要求的图像捕获条件,例如区域位置上存在运动模糊和/或车牌位置上亮度太暗或曝光过度,则可以确定在当前视频帧未捕获到车牌图像。因此,进程可以前进到步骤303,在该步骤303,可以对目标车辆的下一运动位置进行预测,并在该预测出的下一运动位置上再次尝试捕获车牌图像。
反之,如果这两者均满足图像捕获条件,例如区域位置上不存在运动模糊且车牌位置上不存在亮度太暗或曝光过度,则可以确定在当前视频帧捕获到车牌图像。因此,进程可以前进到步骤304,在步骤304,可以根据捕获到的车牌图像进行车牌信息的识别。接着,在步骤305,可以将识别出的车牌信息关联到目标车辆,由此可以获取到该目标车辆在停车入位时的入位事件记录。
步骤303可以进一步包括子步骤303-1至303-4。
在子步骤303-1,由于在之前的步骤302确定在当前视频帧未捕获到车牌图像,因此此时可以确定当前视频帧作为起始视频帧,并且可以确定目标车辆在起始视频帧处的第一运动位置。
在子步骤303-2,可以确定目标车辆的速度属性。根据一些实施例,速度属性可以是瞬时速度或平均速度。
在子步骤303-3,可以确定目标车辆在起始视频帧经过帧间间隔后的下一视频帧处的第二运动位置。即,可以根据目标车辆的第一运动位置和速度属性,预测目标车辆的下一运动位置。根据一些实施例,帧间间隔可以是考虑监控设备的单位调节时间所得的经修正的帧间间隔。
在子步骤303-4,可以在预测出的第二运动位置上再次尝试捕获目标车辆的车牌图像。根据一些实施例,可以执行诸如区域对焦、白平衡或ISP算法调节等图像处理。
上述子步骤303-1至303-4可以与结合图2描述的步骤S202至S208相对应,因此这里不再过多赘述其各个方面的细节。
在子步骤303-4执行车牌图像的捕获之后,进程再次返回步骤302以确定在当前视频帧是否成功捕获到车牌图像。此时,当前视频帧即对应于从起始视频帧经过了帧间间隔的下一视频帧。换言之,可以在步骤302确定在预测出的第二运动位置上是否成功捕获车牌图像。如果成功捕获,则进程可以进行到步骤304和305以识别车牌信息并将识别出的车牌信息关联到目标车辆。反之,如果仍然未成功捕获,则可以继续进行下一次重复操作,直到能够成功捕获车牌图像。
根据本公开的另一方面,还提供了一种捕获车牌图像的装置。
图4示出了根据本公开一个实施例的捕获车牌图像的装置400的框图。
如图4所示,装置400包括第一确定模块402、第二确定模块404、第三确定模块406和捕获模块408。
第一确定模块402被配置为基于用于跟踪目标车辆的实时视频流,确定用于捕获目标车辆的车牌图像的起始视频帧和目标车辆在起始视频帧处的第一运动位置。
第二确定模块404被配置为基于实时视频流,确定目标车辆的速度属性。
第三确定模块406被配置为基于目标车辆的第一运动位置和速度属性,确定目标车辆在起始视频帧经过帧间间隔后的下一视频帧处的第二运动位置。
捕获模块408被配置为在第二运动位置上捕获目标车辆的车牌图像。
上述模块402至408所执行的操作可以与结合图2描述的步骤S202至S208相对应,因此这里不再过多赘述其各个方面的细节。
图5示出了根据本公开另一个实施例的捕获车牌图像的装置500的框图。图5所示的模块502至508可以分别对应于图4所示的模块402至408。除此之外,模块502至508中的一个或多个还可以包括进一步的子功能模块,如下将具体说明。
根据一些实施例,第一确定模块502可以包括:第一确定单元5020,被配置为确定在实时视频流中的当前视频帧是否捕获到目标车辆的车牌图像;以及第二确定单元5022,被配置为响应于在当前视频帧未捕获到目标车辆的车牌图像,确定当前视频帧作为起始帧。
根据一些实施例,第一确定单元5020可以包括:检查单元5020-1,被配置为检查与目标车辆对应的区域位置的第一图像捕获状态和与车牌对应的车牌位置的第二图像捕获状态之中的至少一者是否满足相应的图像捕获条件;以及反馈单元5020-2,被配置为响应于第一图像捕获状态和第二图像捕获状态中的至少一者不满足图像捕获条件,确定在当前视频帧未捕获到目标车辆的车牌图像。
根据一些实施例,第二确定模块504可以包括:第三确定单元5040,被配置为确定实时视频流中的多个连续视频帧;第四确定单元5042,被配置为确定目标车辆在多个连续视频帧处的多个中间运动位置;以及第五确定单元5044,被配置为基于所述多个连续视频帧和所述多个中间运动位置,确定目标车辆的瞬时速度。
根据一些实施例,第二确定模块504还可以包括:第六确定单元5046,被配置为确定目标车辆的多个瞬时速度;以及第七确定单元5048,被配置为确定所述多个瞬时速度的平均值作为目标车辆的平均速度。
根据一些实施例,帧间间隔可以是在考虑每次用于调节监控设备所消耗的单位调节时间的基础上所得的经修正的帧间间隔。
根据一些实施例,经修正的帧间间隔可以被计算为每个实际帧间间隔与所述单位调节时间之和。实际帧间间隔可以被计算为:多个连续视频帧的总时间减去在所述多个连续视频帧上用于调节所述监控设备所消耗的总调节时间所得的结果在所述多个连续视频帧上的平均值。
根据一些实施例,捕获模块508可以包括:图像处理模块5080,被配置为调节监控设备以针对第二运动位置执行用于识别车牌图像的图像处理。
根据本公开的另一方面,还提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中存储器存储有能够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根据本公开实施例所述的方法。
根据本公开的另一方面,还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行根据本公开实施例所述的方法。
根据本公开的另一方面,还提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现根据本公开实施例所述的方法。
参考图6,现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,电子设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM603中,还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备,输入单元606可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如结合图2描述的捕获车牌图像的方法200。例如,在一些实施例中,该方法200可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,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。
本公开的技术方案中,所涉及的车辆信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (19)
1.一种捕获车牌图像的方法,包括:
基于用于跟踪目标车辆的实时视频流,确定用于捕获所述目标车辆的车牌图像的起始视频帧和所述目标车辆在所述起始视频帧处的第一运动位置;
基于所述实时视频流,确定所述目标车辆的速度属性;
基于所述目标车辆的所述第一运动位置和所述速度属性,确定所述目标车辆在所述起始视频帧经过帧间间隔后的下一视频帧处的第二运动位置;以及
在所述第二运动位置上捕获所述目标车辆的车牌图像。
2.根据权利要求1所述的方法,其中,确定用于捕获目标车辆的车牌图像的起始视频帧包括:
确定在所述实时视频流中的当前视频帧是否捕获到所述目标车辆的车牌图像;以及
响应于在所述当前视频帧未捕获到所述目标车辆的车牌图像,确定所述当前视频帧作为所述起始视频帧。
3.根据权利要求2所述的方法,其中,确定在所述实时视频流中的当前视频帧是否捕获到所述目标车辆的车牌图像包括:
检查与所述目标车辆对应的区域位置的第一图像捕获状态和与车牌对应的车牌位置的第二图像捕获状态之中的至少一者是否满足相应的图像捕获条件;以及
响应于所述第一图像捕获状态和所述第二图像捕获状态中的至少一者不满足所述图像捕获条件,确定在所述当前视频帧未捕获到所述目标车辆的车牌图像。
4.根据权利要求1至3中任一项所述的方法,其中,确定所述目标车辆的速度属性包括:
确定所述实时视频流中的多个连续视频帧;
确定所述目标车辆在所述多个连续视频帧处的多个中间运动位置;以及
基于所述多个连续视频帧和所述多个中间运动位置,确定所述目标车辆的瞬时速度。
5.根据权利要求4所述的方法,其中,确定所述目标车辆的速度属性还包括:
确定所述目标车辆的多个瞬时速度;以及
确定所述多个瞬时速度的平均值作为所述目标车辆的平均速度。
6.根据权利要求1至5中任一项所述的方法,其中,所述帧间间隔是在考虑每次用于调节监控设备所消耗的单位调节时间的基础上所得的经修正的帧间间隔。
7.根据权利要求6所述的方法,其中,所述经修正的帧间间隔被计算为每个实际帧间间隔与所述单位调节时间之和,并且
其中,所述实际帧间间隔被计算为:多个连续视频帧的总时间减去在所述多个连续视频帧上用于调节所述监控设备所消耗的总调节时间所得的结果在所述多个连续视频帧上的平均值。
8.根据权利要求1至7中任一项所述的方法,其中,在所述第二运动位置上捕获所述目标车辆的车牌图像包括:
调节监控设备以针对所述第二运动位置执行用于识别所述车牌图像的图像处理。
9.一种捕获车牌图像的装置,包括:
第一确定模块,被配置为基于用于跟踪目标车辆的实时视频流,确定用于捕获所述目标车辆的车牌图像的起始视频帧和所述目标车辆在所述起始视频帧处的第一运动位置;
第二确定模块,被配置为基于所述实时视频流,确定所述目标车辆的速度属性;
第三确定模块,被配置为基于所述目标车辆的所述第一运动位置和所述速度属性,确定所述目标车辆在所述起始视频帧经过帧间间隔后的下一视频帧处的第二运动位置;以及
捕获模块,被配置为在所述第二运动位置上捕获所述目标车辆的车牌图像。
10.根据权利要求9所述的装置,其中,所述第一确定模块包括:
第一确定单元,被配置为确定在所述实时视频流中的当前视频帧是否捕获到所述目标车辆的车牌图像;以及
第二确定单元,被配置为响应于在所述当前视频帧未捕获到所述目标车辆的车牌图像,确定所述当前视频帧作为所述起始帧。
11.根据权利要求10所述的装置,其中,所述第一确定单元包括:
检查单元,被配置为检查与所述目标车辆对应的区域位置的第一图像捕获状态和与车牌对应的车牌位置的第二图像捕获状态之中的至少一者是否满足相应的图像捕获条件;以及
反馈单元,被配置为响应于所述第一图像捕获状态和所述第二图像捕获状态中的至少一者不满足所述图像捕获条件,确定在所述当前视频帧未捕获到所述目标车辆的车牌图像。
12.根据权利要求9至11中任一项所述的装置,其中,所述第二确定模块包括:
第三确定单元,被配置为确定所述实时视频流中的多个连续视频帧;
第四确定单元,被配置为确定所述目标车辆在所述多个连续视频帧处的多个中间运动位置;以及
第五确定单元,被配置为基于所述多个连续视频帧和所述多个中间运动位置,确定所述目标车辆的瞬时速度。
13.根据权利要求12所述的装置,其中,所述第二确定模块还包括:
第六确定单元,被配置为确定所述目标车辆的多个瞬时速度;以及
第七确定单元,被配置为确定所述多个瞬时速度的平均值作为所述目标车辆的平均速度。
14.根据权利要求9至13中任一项所述的装置,其中,所述帧间间隔是在考虑每次用于调节监控设备所消耗的单位调节时间的基础上所得的经修正的帧间间隔。
15.根据权利要求14所述的装置,其中,所述经修正的帧间间隔被计算为每个实际帧间间隔与所述单位调节时间之和,并且
其中,所述实际帧间间隔被计算为:多个连续视频帧的总时间减去在所述多个连续视频帧上用于调节所述监控设备所消耗的总调节时间所得的结果在所述多个连续视频帧上的平均值。
16.根据权利要求9至15中任一项所述的装置,其中,所述捕获模块包括:
图像处理模块,被配置为调节监控设备以针对所述第二运动位置执行用于识别所述车牌图像的图像处理。
17.一种电子设备,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
所述存储器存储有能够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1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210112806.4A CN114445606A (zh) | 2022-01-29 | 2022-01-29 | 捕获车牌图像的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210112806.4A CN114445606A (zh) | 2022-01-29 | 2022-01-29 | 捕获车牌图像的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445606A true CN114445606A (zh) | 2022-05-06 |
Family
ID=81372323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210112806.4A Pending CN114445606A (zh) | 2022-01-29 | 2022-01-29 | 捕获车牌图像的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445606A (zh) |
-
2022
- 2022-01-29 CN CN202210112806.4A patent/CN114445606A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910665B (zh) | 信号灯控制方法、装置以及计算机设备 | |
CN110910658A (zh) | 交通信号控制方法、装置、计算机设备和存储介质 | |
CN113691733B (zh) | 视频抖动检测方法、装置、电子设备和存储介质 | |
US11688078B2 (en) | Video object detection | |
CN113011323B (zh) | 通行状态的获取方法、相关装置、路侧设备及云控平台 | |
CN111814746A (zh) | 一种识别车道线的方法、装置、设备及存储介质 | |
CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
CN112597895A (zh) | 基于偏移量检测的置信度确定方法、路侧设备及云控平台 | |
CN112712498A (zh) | 移动终端执行的车辆定损方法、装置、移动终端、介质 | |
CN112528927B (zh) | 基于轨迹分析的置信度确定方法、路侧设备及云控平台 | |
CN110647818A (zh) | 一种遮挡目标物体的识别方法及装置 | |
JP2022043214A (ja) | 信号灯の位置判定方法、装置、記憶媒体、プログラム、路側機器 | |
CN113052047B (zh) | 交通事件的检测方法、路侧设备、云控平台及系统 | |
CN113438468B (zh) | 视频质量的动态控制方法、装置、存储介质及电子设备 | |
CN116794619A (zh) | 雷达调试处理方法、装置、电子设备以及存储介质 | |
CN114445606A (zh) | 捕获车牌图像的方法、装置、电子设备及存储介质 | |
CN114429610A (zh) | 获取车牌信息的方法、装置、电子设备及存储介质 | |
CN113807209A (zh) | 车位检测方法、装置、电子设备及存储介质 | |
CN112437274B (zh) | 一种抓拍图片的传输方法及抓拍机 | |
CN112560726B (zh) | 目标检测置信度确定方法、路侧设备及云控平台 | |
CN114627096A (zh) | 一种图像频闪检测方法及相关装置 | |
CN114333409A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN110849327B (zh) | 拍摄盲区的长度确定方法、装置以及计算机设备 | |
CN114071024A (zh) | 图像拍摄方法、神经网络训练方法、装置、设备和介质 | |
CN112507957A (zh) | 一种车辆关联方法、装置、路侧设备及云控平台 |
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 |