CN114495031A - 一种车牌信息校正方法、设备及装置 - Google Patents
一种车牌信息校正方法、设备及装置 Download PDFInfo
- Publication number
- CN114495031A CN114495031A CN202210327920.9A CN202210327920A CN114495031A CN 114495031 A CN114495031 A CN 114495031A CN 202210327920 A CN202210327920 A CN 202210327920A CN 114495031 A CN114495031 A CN 114495031A
- Authority
- CN
- China
- Prior art keywords
- license plate
- abnormal
- similar
- image acquisition
- similarity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012937 correction Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 335
- 238000012216 screening Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000010606 normalization Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 abstract description 10
- 230000000875 corresponding effect Effects 0.000 description 43
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 description 1
- 101100511466 Caenorhabditis elegans lon-1 gene Proteins 0.000 description 1
- 101150090997 DLAT gene Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例涉及图像处理技术领域,特别涉及一种车牌信息校正方法、设备及装置,用以在识别到异常车牌后对异常车牌进行校正以得到正确的车牌,提高交通数据分析的可靠性。获取多个图像采集设备在预设时长内拍摄到的多个车牌,并根据预设的筛选规则从多个车牌中筛选出异常车牌;根据源图像采集设备的位置信息确定与异常车牌对应的候选车牌集合;根据异常车牌与候选车牌集合中各个候选车牌之间的相似度,从候选车牌集合中筛选出第一相似车牌集合;从第一相似车牌集合中筛选出第二相似车牌集合;根据异常车牌与第二相似车牌集合中各个相似车牌之间的相似可信度,从第二相似车牌集合中筛选出目标车牌;并根据目标车牌对异常车牌进行车牌信息校正。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种车牌信息校正方法、设备及装置。
背景技术
智能交通系统中实施车辆态势感知、大数据分析预测以及对车辆动态闭环管理,均需要依赖于获取可靠的车辆行驶数据。目前车牌识别是智能交通的重要技术之一,在交通管理、治安防控和嫌疑车辆追踪定位等领域发挥着重要的作用,具有广泛的应用前景。例如,卡口/电警的过车抓拍数据仍然是交通行业领域的重要数据源,表现为过车数据经前端卡口设备抓拍上传至数据库及大数据中心,供算法、业务查询分析使用。
在交通数据分析应用中需要依赖于对车辆车牌的正确识别(例如出行链分析、溯源、出行规律分析等应用);然而,可能由于交通摄像设备老旧、车辆车牌污损等原因导致车辆车牌识别异常,基于异常识别的车牌进行交通数据分析会影响数据分析结果。
发明内容
本申请实施例提供一种车牌信息校正方法、设备及装置,用以在识别到异常车牌后对异常车牌进行校正以得到正确的车牌,提高交通数据分析的可靠性。
第一方面,本申请实施例提供一种车牌信息校正方法,该方法包括:
获取沿道路设置的多个图像采集设备在预设时长内拍摄到的多个车牌,并根据预设的筛选规则从所述多个车牌中筛选出异常车牌;其中所述异常车牌为对所述图像采集设备拍摄到的车牌进行识别过程中发生异常识别的车牌;
根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,确定与所述异常车牌对应的候选车牌集合;
根据所述异常车牌与所述候选车牌集合中各个候选车牌之间的相似度,从所述候选车牌集合中筛选出第一相似车牌集合;其中所述第一相似车牌集合中包含的各个相似车牌与所述异常车牌之间的相似度不小于预设相似度阈值;
根据所述源图像采集设备所在的位置信息以及所述源图像采集设备拍摄到所述异常车牌的时间信息,和拍摄到各个所述相似车牌的目标图像采集设备所在的位置信息以及各个源图像采集设备分别拍摄到相似车牌的时间信息,从所述第一相似车牌集合中筛选出第二相似车牌集合;
根据所述异常车牌与所述第二相似车牌集合中各个相似车牌之间的相似可信度,从所述第二相似车牌集合中筛选出目标车牌;并根据所述目标车牌对所述异常车牌进行车牌信息校正。
由于本申请实施例沿道路设置的多个图像采集设备在预设时长内拍摄到多个车牌,并确定在对各个车牌识别过程中发生异常识别的异常车牌;针对异常车牌,根据拍摄到该异常车辆的源图像采集设备所在的位置信息,确定出与该异常车牌对应的候选车牌集合;然后计算异常车牌和候选车牌集合中各个候选车牌之间的相似度,根据相似度从候选车牌集合中筛选出与异常车牌相似的第一相似车牌集合;进一步的,基于源图像采集设备所在的位置信息以及源图像采集设备拍摄到所述异常车牌的时间信息,和拍摄到各个相似车牌的目标图像采集设备所在的位置信息以及各个目标图像采集设备分别拍摄到相似车牌的时间信息,从第一相似车牌集合进一步筛选出第二相似车牌集合,经过第二次筛选过程,可以过滤掉不符合车辆行驶逻辑的相似车牌;在得到与异常车牌对应的第二相似车牌集合之后,针对第二相似车牌集合中的任意一个相似车牌,计算异常车牌与各个相似车牌之间的相似可信度,进而筛选出与异常车牌相似可信度较高的目标车牌。在得到目标车牌之后,根据目标车牌对异常车牌的车牌信息进行校正。基于本申请实施例的方案,在获取到识别异常的车牌后,可以确定出与异常车牌相似可信度较高的目标车牌对异常车牌的车牌信息进行校正,从而得到正确的车牌信息,这样在利用识别到的车牌进行交通数据分析时,可以提高交通数据分析的可靠性。
可选的,所述预设的筛选规则为:异常车牌在所述多个图像采集设备在预设时长内拍摄到的多个车牌中的出现次数不小于预设次数阈值。
由于本申请实施例在获取多个图像采集设备拍摄到的异常车牌时,是基于预设的筛选规则进行筛选,预设的筛选规则为异常车牌在多个图像采集设备在预设时长内拍摄到的多个车牌中的出现次数不小于预设次数阈值;由于若识别正确的车牌,随着车辆的正常行驶,在预设时长内往往会被多个图像采集设备拍摄到,而针对多个图像采集设备在预设时长内拍摄到的多个车牌中出现次数较少的车牌,很有可能是异常识别的车牌。因此,本申请实施例基于该预设的筛选规则,可以从多个图像采集设备在预设时长内拍摄到的多个车牌中准确筛选出识别异常的车牌。
可选的,所述根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,确定与所述异常车牌对应的候选车牌集合,具体包括:
根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,确定与所述源图像采集设备在预设距离范围内的多个其它图像采集设备;
将所述多个其它图像采集设备在所述预设时长内拍摄到的车牌,组成与所述异常车牌对应的候选车牌集合。
由于本申请实施例在确定出异常车牌之后,根据摄到异常车牌的源图像采集设备所在的位置信息,确定与源图像采集设备在预设距离范围内的多个其它图像采集设备;并将多个其它图像采集设备在预设时长内拍摄到的车牌,组成与异常车牌对应的候选车牌集合;由于与异常车牌对应的候选车牌集合中的各个候选车牌均是与源图像采集设备在预设距离范围内的其它图像采集设备在预设时长内拍摄到的。在当前源图像采集设备拍摄到该车辆的车牌后,则随着车辆的移动,源图像采集设备附近的其它图像设备也会拍摄到该车辆的车牌;因此采用这种方式获取到的候选车牌集合中会有与该异常车牌属于同一车辆的车牌,从而便于对异常车牌的车牌信息进行校正。
可选的,根据下列方式从所述第一相似车牌集合中筛选出第二相似车牌集合:
针对所述第一相似车牌集合中的任意一个相似车牌:
根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,和拍摄到所述相似车牌的目标图像采集设备所在的位置信息,确定所述源图像采集设备与所述目标图像采集设备之间的最短通行路径;以及,确定所述源图像采集设备拍摄到所述异常车牌的时间信息,和所述目标图像采集设备拍摄到所述相似车牌的时间信息之间的时间间隔;
根据所述最短通信路径与所述时间间隔,确定所述异常车牌与所述相似车牌对应于同一车辆时的车辆行驶速度;
若确定出的所述车辆行驶速度不大于所述源图像采集设备与所述目标图像采集设备所在道路的最大行驶速度阈值,则将所述相似车牌筛选出存至所述第二相似车牌集合。
由于本申请实施例在得到异常车牌对应的第一相似车牌集合之后,依次对第一相似车牌集合中的各个相似车牌进行判断,进一步从第一相似车牌集合中过滤掉不可能与异常车牌对应同一车辆的相似车牌;具体实施中,根据拍摄到异常车牌的源图像采集设备所在的位置信息以及拍摄到相似车牌的目标图像采集设备所在的位置信息,确定从源图像采集设备到目标图像采集设备之间的最短通行路径,以及确定拍摄到异常车牌的时间信息与拍摄到相似车牌的时间信息之间的时间间隔;若相似车牌和异常车牌对应于同一个车辆,则可以根据最短通行路径和时间间隔确定该车辆在源图像采集设备与目标图像采集设备之间的车辆行驶速度,若车辆行驶速度大于源图像采集设备与目标图像采集设备所在道路的最大行驶速度阈值,则该相似车牌和异常车牌不会对应于同一个车辆,否则,若车辆行驶速度不大于源图像采集设备与目标图像采集设备所在道路的最大行驶速度阈值,则该相似车牌和异常车牌可能对应于同一个车辆,则将该相似车牌筛选出存至第二相似车牌集合。基于上述方式,可以从第一相似车牌集合中进一步筛选出可能与异常车牌对应与相同车辆的相似车牌组成第二相似车牌集合。
可选的,根据下列方式确定所述异常车牌与所述第二相似车牌集合中各个相似车牌之间的相似可信度:
针对所述第二相似车牌集合中任意一个相似车牌:
根据所述异常车牌和所述相似车牌之间的相似度、所述相似车牌对应的字符长度和所述异常车牌对应的字符串长度,确定所述异常车牌和所述相似车牌之间的目标相似度;以及,确定所述相似车牌在所述多个图像采集设备在所述预设时长内拍摄到的多个车牌中的目标出现次数;
根据所述目标相似度与所述目标出现次数,确定所述异常车牌与所述相似车牌之间的相似可信度。
由于本申请实施例在得到第二相似车牌集合之后,针对第二相似车牌集合中的各个相似车牌,计算各个相似车牌分别与异常车牌之间的相似可信度;在计算相似车牌和异常车牌之间的相似可信度时,根据异常车牌和相似车牌之间的相似度、相似车牌对应的字符长度和异常车牌对应的字符串长度,确定异常车牌和相似车牌之间的目标相似度;以及确定相似车牌在多个图像采集设备在预设时长内拍摄到的多个车牌中的目标出现次数;由于目标出现次数与目标相似度与相似车牌的相似可信度具有相关性;例如,异常车牌和相似车牌之间的目标相似度越大、相似车牌的目标出现次数越大,则相似车牌与异常车牌为同一车辆对应的车牌的可信度越高。
第二方面,本申请实施例提供一种车牌信息校正设备,该设备包括至少一个处理器、以及至少一个存储器;其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行下列过程:
获取沿道路设置的多个图像采集设备在预设时长内拍摄到的多个车牌,并根据预设的筛选规则从所述多个车牌中筛选出异常车牌;其中所述异常车牌为对所述图像采集设备拍摄到的车牌进行识别过程中发生异常识别的车牌;
根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,确定与所述异常车牌对应的候选车牌集合;
根据所述异常车牌与所述候选车牌集合中各个候选车牌之间的相似度,从所述候选车牌集合中筛选出第一相似车牌集合;其中所述第一相似车牌集合中包含的各个相似车牌与所述异常车牌之间的相似度不小于预设相似度阈值;
根据所述源图像采集设备所在的位置信息以及所述源图像采集设备拍摄到所述异常车牌的时间信息,和拍摄到各个所述相似车牌的目标图像采集设备所在的位置信息以及各个目标图像采集设备分别拍摄到相似车牌的时间信息,从所述第一相似车牌集合中筛选出第二相似车牌集合;
根据所述异常车牌与所述第二相似车牌集合中各个相似车牌之间的相似可信度,从所述第二相似车牌集合中筛选出目标车牌;并根据所述目标车牌对所述异常车牌进行车牌信息校正。
第三方面,本申请实施例提供一种车牌信息校正装置,该装置包括:
获取模块,用于获取沿道路设置的多个图像采集设备在预设时长内拍摄到的多个车牌,并根据预设的筛选规则从所述多个车牌中筛选出异常车牌;其中所述异常车牌为对所述图像采集设备拍摄到的车牌进行识别过程中发生异常识别的车牌;
确定模块,用于根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,确定与所述异常车牌对应的候选车牌集合;
第一筛选模块,用于根据所述异常车牌与所述候选车牌集合中各个候选车牌之间的相似度,从所述候选车牌集合中筛选出第一相似车牌集合;其中所述第一相似车牌集合中包含的各个相似车牌与所述异常车牌之间的相似度不小于预设相似度阈值;
第二筛选模块,用于根据所述源图像采集设备所在的位置信息以及所述源图像采集设备拍摄到所述异常车牌的时间信息,和拍摄到各个所述相似车牌的目标图像采集设备所在的位置信息以及各个目标图像采集设备分别拍摄到相似车牌的时间信息,从所述第一相似车牌集合中筛选出第二相似车牌集合;
校正模块,用于根据所述异常车牌与所述第二相似车牌集合中各个相似车牌之间的相似可信度,从所述第二相似车牌集合中筛选出目标车牌;并根据所述目标车牌对所述异常车牌进行车牌信息校正。
第四方面,本申请实施例提供一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行本申请提供的车牌信息校正方法。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例一种可选的车牌信息校正应用场景示意图;
图2为本申请实施例一种车牌信息校正方法的流程图;
图3为本申请实施例对字符串进行编辑操作的示意图;
图4为本申请实施例一种车牌信息校正方法的整体流程图;
图5为本申请实施例一种车牌信息校正设备的结构示意图;
图6为本申请实施例一种车牌信息校正装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及有益效果更加清楚明白,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,此处所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。
如图1所示,本申请实施例一种可选的车牌信息校正应用场景,包括沿道路设置的多个图像采集设备10、在道路中行驶的车辆11、以及服务器12;
其中,本申请实施例的图像采集设备10可以为道路上的交通摄像头;本申请实施例的服务器21可以为一个独立服务器,或者可以是由多个服务器组成的服务器集群。
多个图像采集设备10分别用于对道路中行驶的车辆11进行拍摄,得到包含车辆11的车辆的待识别图像;多个图像采集设备10分别将拍摄到的待识别图像发送给服务器12。
服务器12在接收到多个图像采集设备10拍摄到的待识别图像之后,分别识别每个待识别图像中包含的车牌;获取多个图像采集设备10在预设时长内拍摄到的多个车牌,并根据预设的筛选规则从多个车牌中筛选出异常车牌;其中异常车牌为对图像采集设备10拍摄到的车牌进行识别过程中发生异常识别的车牌;根据拍摄到异常车牌的源图像采集设备所在的位置信息,确定与异常车牌对应的候选车牌集合;根据异常车牌与候选车牌集合中各个候选车牌之间的相似度,从候选车牌集合中筛选出第一相似车牌集合;其中第一相似车牌集合中包含的各个相似车牌与异常车牌之间的相似度不小于预设相似度阈值;根据源图像采集设备所在的位置信息以及源图像采集设备拍摄到异常车牌的时间信息,和拍摄到各个相似车牌的目标图像采集设备所在的位置信息以及各个目标图像采集设备分别拍摄到相似车牌的时间信息,从第一相似车牌集合中筛选出第二相似车牌集合;根据异常车牌与第二相似车牌集合中各个相似车牌之间的相似可信度,从第二相似车牌集合中筛选出目标车牌;并根据目标车牌对异常车牌进行车牌信息校正。
由于本申请实施例沿道路设置的多个图像采集设备在预设时长内拍摄到多个车牌,并确定在对各个车牌识别过程中发生异常识别的异常车牌;针对异常车牌,根据拍摄到该异常车辆的源图像采集设备所在的位置信息,确定出与该异常车牌对应的候选车牌集合;然后计算异常车牌和候选车牌集合中各个候选车牌之间的相似度,根据相似度从候选车牌集合中筛选出与异常车牌相似的第一相似车牌集合;进一步的,基于源图像采集设备所在的位置信息以及源图像采集设备拍摄到所述异常车牌的时间信息,和拍摄到各个相似车牌的目标图像采集设备所在的位置信息以及各个目标图像采集设备分别拍摄到相似车牌的时间信息,从第一相似车牌集合进一步筛选出第二相似车牌集合,经过第二次筛选过程,可以过滤掉不符合车辆行驶逻辑的相似车牌;在得到与异常车牌对应的第二相似车牌集合之后,针对第二相似车牌集合中的任意一个相似车牌,计算异常车牌与各个相似车牌之间的相似可信度,进而筛选出与异常车牌相似可信度较高的目标车牌。在得到目标车牌之后,根据目标车牌对异常车牌的车牌信息进行校正。基于本申请实施例的方案,在获取到识别异常的车牌后,可以确定出与异常车牌相似可信度较高的目标车牌对异常车牌的车牌信息进行校正,从而得到正确的车牌信息,这样在利用识别到的车牌进行交通数据分析时,可以提高交通数据分析的可靠性。
如图2所示,本申请实施例一种车牌信息校正方法的流程图,具体可以包括如下步骤:
步骤S201、获取沿道路设置的多个图像采集设备在预设时长内拍摄到的多个车牌,并根据预设的筛选规则从多个车牌中筛选出异常车牌;其中异常车牌为对图像采集设备拍摄到的车牌进行识别过程中发生异常识别的车牌;
步骤S202、根据拍摄到异常车牌的源图像采集设备所在的位置信息,确定与异常车牌对应的候选车牌集合;
步骤S203、根据异常车牌与候选车牌集合中各个候选车牌之间的相似度,从候选车牌集合中筛选出第一相似车牌集合;其中第一相似车牌集合中包含的各个相似车牌与异常车牌之间的相似度不小于预设相似度阈值;
步骤S204、根据源图像采集设备所在的位置信息以及源图像采集设备拍摄到异常车牌的时间信息,和拍摄到各个相似车牌的目标图像采集设备所在的位置信息以及各个源图像采集设备分别拍摄到相似车牌的时间信息,从第一相似车牌集合中筛选出第二相似车牌集合;
步骤S205、根据异常车牌与所述第二相似车牌集合中各个相似车牌之间的相似可信度,从第二相似车牌集合中筛选出目标车牌;并根据目标车牌对异常车牌进行车牌信息校正。
本申请实施例沿道路设置的多个图像采集设备对道路中行驶的车辆进行拍摄,拍摄得到包含车辆的车牌的待识别图像;图像采集设备在拍摄得到包含车辆的车牌的待识别图像之后,将拍摄得到的待识别图像发送给服务器,由服务器对异常车牌的车牌信息进行校正。
实施中,服务器可以周期性的识别图像采集设备拍摄到的异常车牌;例如,服务器在接收到图像采集设备发送的待识别图像之后,汇总在预设时长内多个图像采集设备上报的待识别图像,对预设时长内多个图像采集设备上报的待识别图像中的车牌进行识别,得到识别后的多个车牌;并根据预设的筛选规则从识别到的多个车牌中筛选出异常车牌。
需要说明的是,本申请实施例在识别得到多个图像采集设备在预设时长内拍摄到的多个车牌后,可以对识别到的多个车牌进行过滤处理;
例如可以过滤掉不符合车牌命名规则的车牌,这样直接将不符合车牌命名规则的车牌过滤掉可以有效减少数据处理量,提高数据处理效率。
针对过滤处理后的多个车牌,根据预设的筛选规则,从多个车牌中筛选出异常车牌;
可选的,预设的筛选规则可以为:异常车牌在多个图像采集设备在预设时长内拍摄到的多个车牌中的出现次数不小于预设次数阈值。
例如,预设次数阈值可以为1次;这样,本申请实施例筛选出的异常车牌为在多个图像采集设备在预设时长内只拍摄到1次的车牌;
由于若识别正确的车牌,随着车辆的正常行驶,在预设时长内往往会被多个图像采集设备拍摄到,而针对多个图像采集设备在预设时长内拍摄到的多个车牌中出现次数较少的车牌,很有可能是异常识别的车牌。因此基于该预设的筛选规则,可以从多个图像采集设备在预设时长内拍摄到的多个车牌中准确筛选出识别异常的车牌。
需要说明的是,本申请实施例从多个图像采集设备在预设时长内拍摄到的多个车牌中可以确定出一个或多个异常车牌,在确定出多个异常车牌时,针对每一个异常车牌均需要进行车牌信息的校正。并且,针对每个异常车牌的车牌信息的校正方式均相同,下文介绍中以对一个异常车牌的车牌信息进行校正进行说明。
在步骤S202中,本申请实施例根据拍摄到异常车牌的源图像采集设备所在的位置信息,确定与异常车牌对应的候选车牌集合;
可选的,根据拍摄到异常车牌的源图像采集设备所在的位置信息,确定与源图像采集设备在预设距离范围内的多个其它图像采集设备;将多个其它图像采集设备在预设时长内拍摄到的车牌,组成与异常车牌对应的候选车牌集合。
由于在当前源图像采集设备拍摄到该车辆的车牌后,则随着车辆的移动,源图像采集设备附近的其它图像设备也会拍摄到该车辆的车牌;因此在确定出异常车牌之后,采用上述方式确定与异常车牌对应的候选车牌集合,确定出的候选车牌集合中会有与该异常车牌属于同一车辆的车牌,从而便于对异常车牌的车牌信息进行校正。
本申请实施例在得到与异常车牌对应的候选车牌集合之后,针对候选车牌集合中的每个候选车牌,分别计算候选车牌与异常车牌之间的相似度,将候选车牌集合中与异常车牌之间的相似度不小于预设相似度阈值的候选车牌组成第一相似车牌集合;
实施中,本申请实施分别计算每个候选车牌与异常车牌之间的相似度;
可选的,本申请实施例可以基于编辑距离计算候选车牌的字符串和异常车牌的字符串之间的相似度。
实施中,本申请实施例候选车牌的字符串的获取方式与异常车牌的字符串的获取方式相同;下面详细介绍下车牌的字符串的获取方式:
获取图像采集设备拍摄的包含车牌的待检测图像,对该待检测图像进行预处理;其中,预处理的操作包括但不限于对待检测图像进行灰度化处理、去除待检测图像的边框区域。
在得到预处理后的待检测图像之后,从预处理后的待检测图像中识别车牌所在的区域;其中,本申请实施例可以采用形态学滤波的方式,识别预处理后的待检测图像中车牌所在的区域。
在识别出车牌所在的区域之后,对车牌所在区域进行字符分割,将车牌所在区域中的各个字符分割出来;其中,本申请实施例可以采用水平垂直投影算法对车牌所在区域进行字符分割。
在将车辆所在区域中的各个字符分割出来之后,对分割后的各个字符进行识别,识别出车牌中的每一个字符;其中,本申请实施例可以采用模板匹配算法识别出车辆中的每个字符。
最后,将识别出的各个字符组成车牌的字符串。
本申请实施例中编辑距离可以表示两个字符串的相似程度,即从一个字符串到另一个字符串所需要的编辑操作的次数;
编辑操作包括插入字符、删除字符及替换字符。
例如,如图3所示,假设原车牌字符串为“某QE5351”,经插入字符的编辑操作,可以得到“某QE55351”的车牌字符串;经删除字符的编辑操作,可以得到“QE5351”的车牌字符串;经替换字符的编辑操作,可以得到“某DE5351”的车牌字符串。
本申请实施例中最小编辑距离可以看作是一种操作路径的搜索,即从一个车牌字符串转变为另一个车牌字符串的最短搜索路径;采用动态规划的方法,每一种状态都记录下来最短的路径,然后从最终状态进行回溯,得到两个车牌字符串之间的最小编辑距离。
例如,异常车牌的字符串为X,候选车牌的字符串为Y;其中X的字符串长度为n,Y的字符串长度为m。
定义ED[i,…,j]为X[1,…,i]到Y[1,…,j]的最小编辑距离;X[1,…,i]表示字符串X的前i个字符,Y[1,…,j]表示字符串Y的前j个字符;ED[n,m]为字符串X和字符串Y的最小编辑距离。
本申请实施例在计算异常车牌的字符串与候选车牌的字符串之间的最小编辑距离之前,对异常车牌的字符串与候选车牌的字符串分别进行预处理;其中预处理的方式可以为在异常车牌的字符串与候选车牌的字符串前分别增加预设字符;然后计算每个ED[i,j],其中i的取值为0~n,j的取值为0~m。
需要说明的是,针对字符串长度为n的异常车牌和字符串长度为m的候选车牌,需要计算(n+1)*(m+1)个ED。
若min(i,j)=0,则可以采用下列公式计算ED[i,j]:
ED[i,j]=max(i,j);
其中,min(i,j)表示取i和j中的最小值,max(i,j)表示取i和j中的最大值。
若min(i,j)≠0,则可以采用下列公式计算ED[i,j]:
例如,异常车牌为“某QE5351”,候选车牌为“某DE5351”;假设删除字符操作的代价值为1,插入字符操作的代价值为1,替换字符操作的代价值为1;则ED[i,j]的计算方式为:
若min(i,j)=0,ED[i,j]=max(i,j);
若min(i,j)≠0,
则异常车牌为“某QE5351”与候选车牌为“某DE5351”的编辑距离ED[i,j]如表1所示:
表1
则ED[7,7]表示异常车牌为“某QE5351”与候选车牌为“某DE5351”之间的编辑距离,如表1所示,异常车牌为“某QE5351”与候选车牌为“某DE5351”之间的编辑距离为1。
本申请实施例在基于上述方式,计算的到候选车牌集合中每个候选车牌与异常车牌之间的编辑距离之后,根据编辑距离从候选车牌集合中筛选出第一相似车牌集合;
实施中,可以将预设相似度阈值设置为编辑距离2,若候选车牌与异常车牌之间的编辑距离不大于2,则确定该候选车牌为与异常车牌相似的车牌,将该候选车牌存至第一相似车牌集合中。
本申请实施例在确定出与异常车牌对应的第一相似车牌集合之后,基于道路的最大行驶速度阈值,对第一相似车牌集合中的相似车牌进一步过滤,获取满足道路的最大行驶速度阈值的相似车牌组成第二相似车牌集合;
可选的,针对第一相似车牌集合中的任意一个相似车牌,根据拍摄到异常车牌的源图像采集设备所在的位置信息,和拍摄到相似车牌的目标图像采集设备所在的位置信息,确定源图像采集设备与目标图像采集设备之间的最短通行路径;以及确定源图像采集设备拍摄到异常车牌的时间信息,和目标图像采集设备拍摄到相似车牌的时间信息之间的时间间隔;根据最短通信路径与时间间隔,确定异常车牌与相似车牌对应于同一车辆时的车辆行驶速度;若确定出的车辆行驶速度不大于源图像采集设备与目标图像采集设备所在道路的最大行驶速度阈值,则将相似车牌筛选出存至第二相似车牌集合。
其中,本申请实施例图像采集设备所在的位置信息为图像采集设备所在的位置的经纬度坐标。
实施中,本申请实施例针对第一相似车牌集合中的每个相似车牌,获取拍摄到异常车牌的源图像采集设备所在位置的经纬度坐标,以及获取拍摄到相似车牌的目标图像采集设备所在位置的经纬度坐标;根据源图像采集设备所在位置的经纬度坐标和目标图像采集设备所在位置的经纬度坐标,确定源图像采集设备与目标图像采集设备之间的最短通行路径;
例如,拍摄到异常车牌的源图像采集设备所在位置的经纬度坐标为(lat1,lon1),
拍摄到相似车牌的目标图像采集设备所在位置的经纬度坐标为(lat2,lon2),则源图像采
集设备与目标图像采集设备之间的最短通行路径为:
其中,dlon=abs(lon2-lon1);
dlat=abs(lat2-lat1);
abs( )表示取绝对值运算,sqrt( )表示取平方根运算,R表示地球半径。
另外,本申请实施例确定源图像采集设备拍摄到异常车牌的时间信息,和目标图像采集设备拍摄到相似车牌的时间信息之间的时间间隔Δt。
若异常车牌与相似车牌对应于同一车辆,则该车辆行驶速度v=Δs/Δt。
在确定出异常车牌与相似车牌对应于同一车辆时的车辆行驶速度之后,若确定出的车辆行驶速度不大于源图像采集设备与目标图像采集设备所在道路的最大行驶速度阈值,则将相似车牌筛选出存至第二相似车牌集合。
本申请实施例在基于上述方式得到第二相似车牌集合之后,该第二相似车牌集合中的相似车牌与异常车牌可能对应于同一个车辆;进一步的,本申请实施例针对第二相似车牌集合中的任意一个相似车辆,确定相似车牌与异常车牌之间的相似可信度,基于确定出的各个相似车牌与异常车牌之间的相似可信度从第二相似车牌集合中筛选出目标车牌;
实施中,本申请实施例可以根据下列方式确定第二相似车牌集合中的各个相似车牌与异常车牌之间的相似可信度:
针对所述第二相似车牌集合中任意一个相似车牌:
根据异常车牌和相似车牌之间的相似度、相似车牌对应的字符长度和异常车牌对应的字符串长度,确定异常车牌和相似车牌之间的目标相似度;以及,确定相似车牌在多个图像采集设备在预设时长内拍摄到的多个车牌中的目标出现次数;根据目标相似度与目标出现次数,确定异常车牌与相似车牌之间的相似可信度。
实施中,本申请实施例首先计算异常车牌和相似车牌之间的目标相似度,然后根据目标相似度以及相似车牌在多个图像采集设备在预设时长内拍摄到的多个车牌中的目标出现次数,计算异常车牌与相似车牌之间的相似可信度;
可选的,本申请实施例根据下列公式确定异常车牌和相似车牌之间的目标相似度:
其中,sim为相似车牌和异常车牌之间的目标相似度,car1表示异常车牌,car2表
示相似车牌,表示异常车牌和所述相似车牌之间的相似度,表示
异常车牌对应的字符串长度,表示相似车牌对应的字符串长度,max( )表示取最
大值运算。
另外,本申请实施例中相似车牌和异常车牌之间的目标相似度,以及相似车牌在多个图像采集设备在预设时长内拍摄到的多个车牌中出现的次数均与相似车牌和异常车牌之间的相似可信度正相关;例如,异常车牌和相似车牌之间的目标相似度越大、相似车牌的目标出现次数越大,则相似车牌和异常车牌之间的相似可信度越大,相似车牌与异常车牌为同一车辆对应的车牌的可信度越高。
可选的,本申请实施例根据下列方式确定异常车牌与相似车牌之间的相似可信度:
将目标相似度和目标出现次数分别进行标准归一化处理;根据对目标相似度进行标准归一化处理后的处理结果和相似度权重系数,以及对目标出现次数进行标准归一化处理后的处理结果和次数权重系数,确定异常车牌与相似车牌之间的相似可信度。
需要说明的是,本申请实施例可以预先定义目标相似度对应的相似度权重系数,以及目标出现次数对应的次数权重系数;
在将目标相似度和目标出现次数分别进行标准归一化处理后,将标准归一化处理后目标相似度和目标出现次数进行加权求和运算,得到异常车牌与相似车牌之间的相似可信度。
例如,本申请实施例可以根据下列公式确定异常车牌与相似车牌之间的相似可信度:
confidence=norm(sim)*w1+ norm(p)*w2;
其中,confidence为异常车牌与相似车牌之间的相似可信度,norm( )表示做标准归一化运算,sim为相似车牌和异常车牌之间的目标相似度,p为相似车牌在多个图像采集设备在预设时长内拍摄到的多个车牌中的目标出现次数,w1为相似度权重系数,w2为次数权重系数。
例如如表2所示各个异常车牌与相似车牌之间的相似可信度:
表2
本申请实施例在确定出第二相似车牌集合中各个相似车牌与异常车牌之间的相似可信度之后,从第二相似车牌集合中筛选出目标车牌;
实施中,可以将第二相似车牌集合中与异常车牌之间的相似可信度最高的相似车牌作为目标车牌。
本申请实施例在确定出目标车牌后,可以根据目标车牌对异常车牌进行车牌信息校正;
由于经过上述多次筛选,确定出的目标车牌与异常车牌很有可能对应于同一个车辆,因此,可以根据目标车牌对异常车牌进行车牌信息校正;
实施中,可以将目标车牌的车牌信息作为异常车牌的车牌信息。
如图4所示,本申请实施例车牌信息校正方法的整体流程图,具体可以包括以下步骤:
步骤S401、获取沿道路设置的多个图像采集设备在预设时长内拍摄到的多个车牌,并根据预设的筛选规则从多个车牌中筛选出异常车牌;
其中,异常车牌为对图像采集设备拍摄到的车牌进行识别过程中发生异常识别的车牌;
步骤S402、根据拍摄到异常车牌的源图像采集设备所在的位置信息,确定与源图像采集设备在预设距离范围内的多个其它图像采集设备;
步骤S403、将多个其它图像采集设备在预设时长内拍摄到的车牌,组成与异常车牌对应的候选车牌集合;
步骤S404、根据异常车牌与候选车牌集合中各个候选车牌之间的相似度,从候选车牌集合中筛选出第一相似车牌集合;
其中,第一相似车牌集合中包含的各个相似车牌与异常车牌之间的相似度不小于预设相似度阈值;
需要说明的是,下列步骤S405~步骤S408是针对第一相似车牌集合中的任意一个相似车牌:
步骤S405、根据拍摄到异常车牌的源图像采集设备所在的位置信息,和拍摄到相似车牌的目标图像采集设备所在的位置信息,确定源图像采集设备与目标图像采集设备之间的最短通行路径;
步骤S406、确定源图像采集设备拍摄到异常车牌的时间信息,和目标图像采集设备拍摄到相似车牌的时间信息之间的时间间隔;
步骤S407、根据最短通信路径与时间间隔,确定异常车牌与相似车牌对应于同一车辆时的车辆行驶速度;
步骤S408、若确定出的车辆行驶速度不大于源图像采集设备与目标图像采集设备所在道路的最大行驶速度阈值,则将相似车牌筛选出存至第二相似车牌集合;
从而通过步骤S405~步骤S408得到第二相似车牌集合;
需要说明的是,下列步骤S409~步骤S412是针对第二相似车牌集合中任意一个相似车牌:
步骤S409、根据异常车牌和相似车牌之间的相似度、相似车牌对应的字符长度和异常车牌对应的字符串长度,确定异常车牌和相似车牌之间的目标相似度;
步骤S410、确定相似车牌在所述多个图像采集设备在预设时长内拍摄到的多个车牌中的目标出现次数;
步骤S411、将目标相似度和目标出现次数分别进行标准归一化处理;
步骤S412、根据对目标相似度进行标准归一化处理后的处理结果和相似度权重系数,以及对目标出现次数进行标准归一化处理后的处理结果和次数权重系数,确定异常车牌与相似车牌之间的相似可信度;
步骤S413、根据异常车牌与第二相似车牌集合中各个相似车牌之间的相似可信度,从第二相似车牌集合中筛选出目标车牌;
步骤S414、根据目标车牌对异常车牌进行车牌信息校正。
基于同一发明构思,在一些可能的实施方式中,本申请实施例还提供一种车牌信息校正设备,可以至少包括至少一个处理器、以及至少一个存储器。其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的车牌信息校正方法中的步骤。
下面参照图5来描述根据本申请的这种实施方式的车牌信息校正设备500。图5的车牌信息校正设备500仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,车牌信息校正设备500以通用计算装置的形式表现。车牌信息校正设备500的组件可以包括但不限于:上述至少一个处理器501、上述至少一个存储器502、连接不同系统组件(包括存储器502和处理器501)的总线503。
总线503表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器502可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)521或高速缓存存储器522,还可以进一步包括只读存储器(ROM)523。
存储器502还可以包括具有一组(至少一个)程序模块524的程序/实用工具525,这样的程序模块524包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
车牌信息校正设备500也可以与一个或多个外部设备504(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与车牌信息校正设备500交互的设备通信,或与使得该车牌信息校正设备500能与一个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口505进行。并且,车牌信息校正设备500还可以通过网络适配器506与一个或者多个网络(例如局域网(LAN),广域网(WAN)或公共网络,例如因特网)通信。如图5所示,网络适配器506通过总线503与用于车牌信息校正设备500的其它模块通信。应当理解,尽管图中未示出,可以结合车牌信息校正设备500使用其它硬件或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器501具体用于执行下列过程:
获取沿道路设置的多个图像采集设备在预设时长内拍摄到的多个车牌,并根据预设的筛选规则从所述多个车牌中筛选出异常车牌;其中所述异常车牌为对所述图像采集设备拍摄到的车牌进行识别过程中发生异常识别的车牌;
根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,确定与所述异常车牌对应的候选车牌集合;
根据所述异常车牌与所述候选车牌集合中各个候选车牌之间的相似度,从所述候选车牌集合中筛选出第一相似车牌集合;其中所述第一相似车牌集合中包含的各个相似车牌与所述异常车牌之间的相似度不小于预设相似度阈值;
根据所述源图像采集设备所在的位置信息以及所述源图像采集设备拍摄到所述异常车牌的时间信息,和拍摄到各个所述相似车牌的目标图像采集设备所在的位置信息以及各个目标图像采集设备分别拍摄到相似车牌的时间信息,从所述第一相似车牌集合中筛选出第二相似车牌集合;
根据所述异常车牌与所述第二相似车牌集合中各个相似车牌之间的相似可信度,从所述第二相似车牌集合中筛选出目标车牌;并根据所述目标车牌对所述异常车牌进行车牌信息校正。
可选的,所述预设的筛选规则为:异常车牌在所述多个图像采集设备在预设时长内拍摄到的多个车牌中的出现次数不小于预设次数阈值。
可选的,所述处理器501具体用于:
根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,确定与所述源图像采集设备在预设距离范围内的多个其它图像采集设备;
将所述多个其它图像采集设备在所述预设时长内拍摄到的车牌,组成与所述异常车牌对应的候选车牌集合。
可选的,所述处理器501具体用于根据下列方式从所述第一相似车牌集合中筛选出第二相似车牌集合:
针对所述第一相似车牌集合中的任意一个相似车牌:
根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,和拍摄到所述相似车牌的目标图像采集设备所在的位置信息,确定所述源图像采集设备与所述目标图像采集设备之间的最短通行路径;以及,确定所述源图像采集设备拍摄到所述异常车牌的时间信息,和所述目标图像采集设备拍摄到所述相似车牌的时间信息之间的时间间隔;
根据所述最短通信路径与所述时间间隔,确定所述异常车牌与所述相似车牌对应于同一车辆时的车辆行驶速度;
若确定出的所述车辆行驶速度不大于所述源图像采集设备与所述目标图像采集设备所在道路的最大行驶速度阈值,则将所述相似车牌筛选出存至所述第二相似车牌集合。
可选的,所述处理器501具体用于根据下列方式确定所述异常车牌与所述第二相似车牌集合中各个相似车牌之间的相似可信度:
针对所述第二相似车牌集合中任意一个相似车牌:
根据所述异常车牌和所述相似车牌之间的相似度、所述相似车牌对应的字符长度和所述异常车牌对应的字符串长度,确定所述异常车牌和所述相似车牌之间的目标相似度;以及,确定所述相似车牌在所述多个图像采集设备在所述预设时长内拍摄到的多个车牌中的目标出现次数;
根据所述目标相似度与所述目标出现次数,确定所述异常车牌与所述相似车牌之间的相似可信度。
可选的,所述处理器501具体用于根据下列公式确定所述异常车牌和所述相似车牌之间的目标相似度:
其中,sim为所述相似车牌和所述异常车牌之间的目标相似度,car1表示所述异常
车牌,car2表示所述相似车牌,表示所述异常车牌和所述相似车牌之间的相
似度,表示所述异常车牌对应的字符串长度,表示所述相似车牌对
应的字符串长度,max( )表示取最大值运算。
可选的,所述处理器501具体用于:
将所述目标相似度和所述目标出现次数分别进行标准归一化处理;
根据对所述目标相似度进行标准归一化处理后的处理结果和相似度权重系数,以及对所述目标出现次数进行标准归一化处理后的处理结果和次数权重系数,确定所述异常车牌与所述相似车牌之间的相似可信度。
如图6所示,本申请实施例一种车牌信息校正装置600,该装置600包括:
获取模块601,用于获取沿道路设置的多个图像采集设备在预设时长内拍摄到的多个车牌,并根据预设的筛选规则从所述多个车牌中筛选出异常车牌;其中所述异常车牌为对所述图像采集设备拍摄到的车牌进行识别过程中发生异常识别的车牌;
确定模块602,用于根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,确定与所述异常车牌对应的候选车牌集合;
第一筛选模块603,用于根据所述异常车牌与所述候选车牌集合中各个候选车牌之间的相似度,从所述候选车牌集合中筛选出第一相似车牌集合;其中所述第一相似车牌集合中包含的各个相似车牌与所述异常车牌之间的相似度不小于预设相似度阈值;
第二筛选模块604,用于根据所述源图像采集设备所在的位置信息以及所述源图像采集设备拍摄到所述异常车牌的时间信息,和拍摄到各个所述相似车牌的目标图像采集设备所在的位置信息以及各个目标图像采集设备分别拍摄到相似车牌的时间信息,从所述第一相似车牌集合中筛选出第二相似车牌集合;
校正模块605,用于根据所述异常车牌与所述第二相似车牌集合中各个相似车牌之间的相似可信度,从所述第二相似车牌集合中筛选出目标车牌;并根据所述目标车牌对所述异常车牌进行车牌信息校正。
可选的,所述预设的筛选规则为:异常车牌在所述多个图像采集设备在预设时长内拍摄到的多个车牌中的出现次数不小于预设次数阈值。
可选的,所述确定模块602具体用于:
根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,确定与所述源图像采集设备在预设距离范围内的多个其它图像采集设备;
将所述多个其它图像采集设备在所述预设时长内拍摄到的车牌,组成与所述异常车牌对应的候选车牌集合。
可选的,所述第二筛选模块604具体用于根据下列方式从所述第一相似车牌集合中筛选出第二相似车牌集合:
针对所述第一相似车牌集合中的任意一个相似车牌:
根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,和拍摄到所述相似车牌的目标图像采集设备所在的位置信息,确定所述源图像采集设备与所述目标图像采集设备之间的最短通行路径;以及,确定所述源图像采集设备拍摄到所述异常车牌的时间信息,和所述目标图像采集设备拍摄到所述相似车牌的时间信息之间的时间间隔;
根据所述最短通信路径与所述时间间隔,确定所述异常车牌与所述相似车牌对应于同一车辆时的车辆行驶速度;
若确定出的所述车辆行驶速度不大于所述源图像采集设备与所述目标图像采集设备所在道路的最大行驶速度阈值,则将所述相似车牌筛选出存至所述第二相似车牌集合。
可选的,所述校正模块605具体用于根据下列方式确定所述异常车牌与所述第二相似车牌集合中各个相似车牌之间的相似可信度:
针对所述第二相似车牌集合中任意一个相似车牌:
根据所述异常车牌和所述相似车牌之间的相似度、所述相似车牌对应的字符长度和所述异常车牌对应的字符串长度,确定所述异常车牌和所述相似车牌之间的目标相似度;以及,确定所述相似车牌在所述多个图像采集设备在预设时长内拍摄到的多个车牌中的目标出现次数;
根据所述目标相似度与所述目标出现次数,确定所述异常车牌与所述相似车牌之间的相似可信度。
可选的,所述校正模块605具体用于根据下列公式确定所述异常车牌和所述相似车牌之间的目标相似度:
其中,sim为所述相似车牌和所述异常车牌之间的目标相似度,car1表示所述异常
车牌,car2表示所述相似车牌,表示所述异常车牌和所述相似车牌之间的相
似度,表示所述异常车牌对应的字符串长度,表示所述相似车牌对
应的字符串长度,max( )表示取最大值运算。
可选的,所述校正模块605具体用于:
将所述目标相似度和所述目标出现次数分别进行标准归一化处理;
根据对所述目标相似度进行标准归一化处理后的处理结果和相似度权重系数,以及对所述目标出现次数进行标准归一化处理后的处理结果和次数权重系数,确定所述异常车牌与所述相似车牌之间的相似可信度。
所属技术领域的技术人员能够理解,本申请的每个方面可以实现为系统、方法或程序产品。因此,本申请的每个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,本申请提供的车牌信息校正方法的每个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的车牌信息校正方法中的步骤,例如,计算机设备可以执行如图2或图4所示的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种车牌信息校正方法,其特征在于,该方法包括:
获取沿道路设置的多个图像采集设备在预设时长内拍摄到的多个车牌,并根据预设的筛选规则从所述多个车牌中筛选出异常车牌;其中所述异常车牌为对所述图像采集设备拍摄到的车牌进行识别过程中发生异常识别的车牌;
根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,确定与所述异常车牌对应的候选车牌集合;
根据所述异常车牌与所述候选车牌集合中各个候选车牌之间的相似度,从所述候选车牌集合中筛选出第一相似车牌集合;其中所述第一相似车牌集合中包含的各个相似车牌与所述异常车牌之间的相似度不小于预设相似度阈值;
根据所述源图像采集设备所在的位置信息以及所述源图像采集设备拍摄到所述异常车牌的时间信息,和拍摄到各个所述相似车牌的目标图像采集设备所在的位置信息以及各个目标图像采集设备分别拍摄到相似车牌的时间信息,从所述第一相似车牌集合中筛选出第二相似车牌集合;
根据所述异常车牌与所述第二相似车牌集合中各个相似车牌之间的相似可信度,从所述第二相似车牌集合中筛选出目标车牌;并根据所述目标车牌对所述异常车牌进行车牌信息校正。
2.如权利要求1所述的方法,其特征在于,所述预设的筛选规则为:所述异常车牌在所述多个图像采集设备在预设时长内拍摄到的多个车牌中的出现次数不小于预设次数阈值。
3.如权利要求1所述的方法,其特征在于,所述根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,确定与所述异常车牌对应的候选车牌集合,具体包括:
根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,确定与所述源图像采集设备在预设距离范围内的多个其它图像采集设备;
将所述多个其它图像采集设备在所述预设时长内拍摄到的车牌,组成与所述异常车牌对应的候选车牌集合。
4.如权利要求1所述的方法,其特征在于,根据下列方式从所述第一相似车牌集合中筛选出第二相似车牌集合:
针对所述第一相似车牌集合中的任意一个相似车牌:
根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,和拍摄到所述相似车牌的目标图像采集设备所在的位置信息,确定所述源图像采集设备与所述目标图像采集设备之间的最短通行路径;以及,确定所述源图像采集设备拍摄到所述异常车牌的时间信息,和所述目标图像采集设备拍摄到所述相似车牌的时间信息之间的时间间隔;
根据所述最短通信路径与所述时间间隔,确定所述异常车牌与所述相似车牌对应于同一车辆时的车辆行驶速度;
若确定出的所述车辆行驶速度不大于所述源图像采集设备与所述目标图像采集设备所在道路的最大行驶速度阈值,则将所述相似车牌筛选出存至所述第二相似车牌集合。
5.如权利要求1所述的方法,其特征在于,根据下列方式确定所述异常车牌与所述第二相似车牌集合中各个相似车牌之间的相似可信度:
针对所述第二相似车牌集合中任意一个相似车牌:
根据所述异常车牌和所述相似车牌之间的相似度、所述相似车牌对应的字符长度和所述异常车牌对应的字符串长度,确定所述异常车牌和所述相似车牌之间的目标相似度;以及,确定所述相似车牌在所述多个图像采集设备在预设时长内拍摄到的多个车牌中的目标出现次数;
根据所述目标相似度与所述目标出现次数,确定所述异常车牌与所述相似车牌之间的相似可信度。
7.如权利要求5所述的方法,其特征在于,所述根据所述目标相似度与所述目标出现次数,确定所述异常车牌与所述相似车牌之间的相似可信度,具体包括:
将所述目标相似度和所述目标出现次数分别进行标准归一化处理;
根据对所述目标相似度进行标准归一化处理后的处理结果和相似度权重系数,以及对所述目标出现次数进行标准归一化处理后的处理结果和次数权重系数,确定所述异常车牌与所述相似车牌之间的相似可信度。
8.一种车牌信息校正设备,其特征在于,该设备包括至少一个处理器、以及至少一个存储器;其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行下列过程:
获取沿道路设置的多个图像采集设备在预设时长内拍摄到的多个车牌,并根据预设的筛选规则从所述多个车牌中筛选出异常车牌;其中所述异常车牌为对所述图像采集设备拍摄到的车牌进行识别过程中发生异常识别的车牌;
根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,确定与所述异常车牌对应的候选车牌集合;
根据所述异常车牌与所述候选车牌集合中各个候选车牌之间的相似度,从所述候选车牌集合中筛选出第一相似车牌集合;其中所述第一相似车牌集合中包含的各个相似车牌与所述异常车牌之间的相似度不小于预设相似度阈值;
根据所述源图像采集设备所在的位置信息以及所述源图像采集设备拍摄到所述异常车牌的时间信息,和拍摄到各个所述相似车牌的目标图像采集设备所在的位置信息以及各个目标图像采集设备分别拍摄到相似车牌的时间信息,从所述第一相似车牌集合中筛选出第二相似车牌集合;
根据所述异常车牌与所述第二相似车牌集合中各个相似车牌之间的相似可信度,从所述第二相似车牌集合中筛选出目标车牌;并根据所述目标车牌对所述异常车牌进行车牌信息校正。
9.如权利要求8所述的设备,其特征在于,所述处理器具体用于根据下列方式确定所述异常车牌与所述第二相似车牌集合中各个相似车牌之间的相似可信度:
针对所述第二相似车牌集合中任意一个相似车牌:
根据所述异常车牌和所述相似车牌之间的相似度、所述相似车牌对应的字符长度和所述异常车牌对应的字符串长度,确定所述异常车牌和所述相似车牌之间的目标相似度;以及,确定所述相似车牌在所述多个图像采集设备在所述预设时长内拍摄到的多个车牌中的目标出现次数;
根据所述目标相似度与所述目标出现次数,确定所述异常车牌与所述相似车牌之间的相似可信度。
10.一种车牌信息校正装置,其特征在于,该装置包括:
获取模块,用于获取沿道路设置的多个图像采集设备在预设时长内拍摄到的多个车牌,并根据预设的筛选规则从所述多个车牌中筛选出的异常车牌;其中所述异常车牌为对所述图像采集设备拍摄到的车牌进行识别过程中发生异常识别的车牌;
确定模块,用于根据拍摄到所述异常车牌的源图像采集设备所在的位置信息,确定与所述异常车牌对应的候选车牌集合;
第一筛选模块,用于根据所述异常车牌与所述候选车牌集合中各个候选车牌之间的相似度,从所述候选车牌集合中筛选出第一相似车牌集合;其中所述第一相似车牌集合中包含的各个相似车牌与所述异常车牌之间的相似度不小于预设相似度阈值;
第二筛选模块,用于根据所述源图像采集设备所在的位置信息以及所述源图像采集设备拍摄到所述异常车牌的时间信息,和拍摄到各个所述相似车牌的目标图像采集设备所在的位置信息以及各个目标图像采集设备分别拍摄到相似车牌的时间信息,从所述第一相似车牌集合中筛选出第二相似车牌集合;
校正模块,用于根据所述异常车牌与所述第二相似车牌集合中各个相似车牌之间的相似可信度,从所述第二相似车牌集合中筛选出目标车牌;并根据所述目标车牌对所述异常车牌进行车牌信息校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327920.9A CN114495031A (zh) | 2022-03-31 | 2022-03-31 | 一种车牌信息校正方法、设备及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327920.9A CN114495031A (zh) | 2022-03-31 | 2022-03-31 | 一种车牌信息校正方法、设备及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114495031A true CN114495031A (zh) | 2022-05-13 |
Family
ID=81487259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210327920.9A Pending CN114495031A (zh) | 2022-03-31 | 2022-03-31 | 一种车牌信息校正方法、设备及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114495031A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009134591A (ja) * | 2007-11-30 | 2009-06-18 | Sumitomo Electric Ind Ltd | 車色判定装置、車色判定システム及び車色判定方法 |
CN102945261A (zh) * | 2012-10-20 | 2013-02-27 | 江苏大学 | 智能车载信息服务终端一键式目标搜索优化方法 |
CN105139659A (zh) * | 2015-10-09 | 2015-12-09 | 东方网力科技股份有限公司 | 车牌识别方法与装置 |
CN105629976A (zh) * | 2016-02-22 | 2016-06-01 | 江苏大学 | 一种水产养殖作业船自动导航路径跟踪方法 |
US20190272437A1 (en) * | 2016-11-09 | 2019-09-05 | Hangzhou Hikvision Digital Technology Co., Ltd. | Method and device for correcting license plate |
CN110688998A (zh) * | 2019-09-27 | 2020-01-14 | 中国银行股份有限公司 | 票据识别方法及装置 |
CN111047870A (zh) * | 2018-10-12 | 2020-04-21 | 丰田自动车株式会社 | 交通违规车辆识别系统、服务器及存储有车辆控制程序的非易失性存储介质 |
CN111178292A (zh) * | 2019-12-31 | 2020-05-19 | 东软集团(北京)有限公司 | 一种车型识别方法、装置及设备 |
CN112036273A (zh) * | 2020-08-19 | 2020-12-04 | 泰康保险集团股份有限公司 | 一种图像识别方法及装置 |
CN113312508A (zh) * | 2021-06-24 | 2021-08-27 | 深圳市商汤科技有限公司 | 一种车辆图像检索方法及装置 |
CN114067326A (zh) * | 2021-11-18 | 2022-02-18 | 青岛海信网络科技股份有限公司 | 一种车牌号码补齐方法及装置 |
CN114140780A (zh) * | 2021-11-19 | 2022-03-04 | 杭州海康威视数字技术股份有限公司 | 一种异常车辆的检测方法、装置及设备 |
-
2022
- 2022-03-31 CN CN202210327920.9A patent/CN114495031A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009134591A (ja) * | 2007-11-30 | 2009-06-18 | Sumitomo Electric Ind Ltd | 車色判定装置、車色判定システム及び車色判定方法 |
CN102945261A (zh) * | 2012-10-20 | 2013-02-27 | 江苏大学 | 智能车载信息服务终端一键式目标搜索优化方法 |
CN105139659A (zh) * | 2015-10-09 | 2015-12-09 | 东方网力科技股份有限公司 | 车牌识别方法与装置 |
CN105629976A (zh) * | 2016-02-22 | 2016-06-01 | 江苏大学 | 一种水产养殖作业船自动导航路径跟踪方法 |
US20190272437A1 (en) * | 2016-11-09 | 2019-09-05 | Hangzhou Hikvision Digital Technology Co., Ltd. | Method and device for correcting license plate |
CN111047870A (zh) * | 2018-10-12 | 2020-04-21 | 丰田自动车株式会社 | 交通违规车辆识别系统、服务器及存储有车辆控制程序的非易失性存储介质 |
CN110688998A (zh) * | 2019-09-27 | 2020-01-14 | 中国银行股份有限公司 | 票据识别方法及装置 |
CN111178292A (zh) * | 2019-12-31 | 2020-05-19 | 东软集团(北京)有限公司 | 一种车型识别方法、装置及设备 |
CN112036273A (zh) * | 2020-08-19 | 2020-12-04 | 泰康保险集团股份有限公司 | 一种图像识别方法及装置 |
CN113312508A (zh) * | 2021-06-24 | 2021-08-27 | 深圳市商汤科技有限公司 | 一种车辆图像检索方法及装置 |
CN114067326A (zh) * | 2021-11-18 | 2022-02-18 | 青岛海信网络科技股份有限公司 | 一种车牌号码补齐方法及装置 |
CN114140780A (zh) * | 2021-11-19 | 2022-03-04 | 杭州海康威视数字技术股份有限公司 | 一种异常车辆的检测方法、装置及设备 |
Non-Patent Citations (4)
Title |
---|
ROBERT P. LOCE ET AL: "Automated License Plate Recognition", 《 COMPUTER VISION AND IMAGING IN INTELLIGENT TRANSPORTATION SYSTEMS》 * |
刘满芝著: "《国家煤炭应急储备规模和布局研究》" * |
赵作鹏著: "《面向煤矿应急管理的数据处理关键技术研究》", 30 November 2013 * |
陶旭: "支持智能交通的数据分析技术及其应用研发", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109558823B (zh) | 一种以图搜图的车辆识别方法及系统 | |
Rios-Cabrera et al. | Efficient multi-camera vehicle detection, tracking, and identification in a tunnel surveillance application | |
WO2006073647A2 (en) | Method and apparatus for unsupervised learning of discriminative edge measures for vehicle matching between non-overlapping cameras | |
US20200293794A1 (en) | Methods and systems for accurately recognizing vehicle license plates | |
CN110378360B (zh) | 目标标定方法、装置、电子设备及可读存储介质 | |
CN112132130B (zh) | 一种面向全场景的实时性车牌检测方法及系统 | |
CN112309126B (zh) | 车牌检测方法、装置、电子设备及计算机可读存储介质 | |
CN111121797B (zh) | 道路筛选方法、装置、服务器及存储介质 | |
CN111881322B (zh) | 一种目标搜索方法、装置、电子设备及存储介质 | |
CN116311063A (zh) | 监控视频下基于人脸识别的人员细粒度跟踪方法及系统 | |
CN115965657A (zh) | 目标跟踪方法、电子设备、存储介质及车辆 | |
CN107944352B (zh) | 一种基于图片检索方法的车牌识别系统和方法 | |
CN116704490B (zh) | 车牌识别方法、装置和计算机设备 | |
CN111724607B (zh) | 转向灯使用检测方法、装置、计算机设备和存储介质 | |
CN114495031A (zh) | 一种车牌信息校正方法、设备及装置 | |
CN116258748A (zh) | 轨迹跟踪方法 | |
CN112906495B (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
CN116330658A (zh) | 基于深度图像的目标跟踪方法、装置、系统及摄像设备 | |
CN114445787A (zh) | 非机动车重识别方法及相关设备 | |
CN109740518B (zh) | 一种视频中对象的确定方法及装置 | |
CN111597980B (zh) | 一种目标对象聚类方法及装置 | |
CN111368624A (zh) | 基于生成对抗网络的回环检测方法和装置 | |
CN111639640A (zh) | 基于人工智能的车牌识别方法、装置及设备 | |
Li et al. | On traffic density estimation with a boosted SVM classifier | |
CN110765940A (zh) | 目标对象统计方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220513 |