CN115457532A - 违停车辆车牌检测方法、装置、存储介质和计算机设备 - Google Patents

违停车辆车牌检测方法、装置、存储介质和计算机设备 Download PDF

Info

Publication number
CN115457532A
CN115457532A CN202210915967.7A CN202210915967A CN115457532A CN 115457532 A CN115457532 A CN 115457532A CN 202210915967 A CN202210915967 A CN 202210915967A CN 115457532 A CN115457532 A CN 115457532A
Authority
CN
China
Prior art keywords
license plate
vehicle
image
illegal parking
area
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
CN202210915967.7A
Other languages
English (en)
Inventor
潘屹峰
李勇
黄吴蒙
赵晓丹
邓广宏
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.)
Foshan Zhongke Yuntu Intelligent Technology Co ltd
Original Assignee
Foshan Zhongke Yuntu Intelligent 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 Foshan Zhongke Yuntu Intelligent Technology Co ltd filed Critical Foshan Zhongke Yuntu Intelligent Technology Co ltd
Priority to CN202210915967.7A priority Critical patent/CN115457532A/zh
Publication of CN115457532A publication Critical patent/CN115457532A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供一种违停车辆车牌检测方法、装置、存储介质和计算机设备，所述违停车辆车牌检测方法包括：获取无人机拍摄的违停区域的区域图像；通过预训练的车辆识别模型对所述区域图像进行车辆识别，得到停在违停区域的若干个违停车辆图像；通过预训练的车牌图像识别模型对各个所述车辆图像进行识别，从各个所述车辆图像中得到对应的违停车牌图像；通过预训练的车牌号码识别模型对各个所述车牌图像进行识别，得到各个所述车牌图像的违停车牌号。本申请的违停车辆车牌检测方法、装置、存储介质和计算机设备，可以增加违停区域的巡检效率，提高获取违停车辆的车牌号码的准确性。

Description

违停车辆车牌检测方法、装置、存储介质和计算机设备
技术领域
本申请涉及未停车辆的检测技术领域，具体涉及一种违停车辆车牌检测方法、装置、存储介质和计算机设备。
背景技术
随着城市的建设发展，为了保障人们用车的便捷性，以及防止车辆乱停乱放的现象，城市的许多道路都会设有车辆违停区域。然而，目前对于车辆违停区域的巡检还是采用人工巡检的方式执行，具体是有巡检人员注意对车辆违停区域进行巡检，并对停放在车辆违停区域的车辆进行车牌记录和拍照取证，因此十分浪费人力资源，且巡检效率十分低下，当车牌记录的数量较大时，还容易出现车牌记录错误的情况，降低了获取别违停车辆的车牌号码的准确性。
发明内容
本申请的目的在于克服现有技术中的缺点与不足，提供一种违停车辆车牌检测方法、装置、存储介质和计算机设备，可以增加违停区域的巡检效率，提高获取违停车辆的车牌号码的准确性。
本申请的第一方面提供了一种违停车辆车牌检测方法，包括：
获取无人机拍摄的违停区域的区域图像；
通过预训练的车辆识别模型对所述区域图像进行车辆识别，得到停在违停区域的若干个违停车辆图像；
通过预训练的车牌图像识别模型对各个所述车辆图像进行识别，从各个所述车辆图像中得到对应的违停车牌图像；
通过预训练的车牌号码识别模型对各个所述车牌图像进行识别，得到各个所述车牌图像的违停车牌号。
本申请的第二方面提供了一种违停车辆车牌检测装置，包括：
区域图像获取模块，用于获取无人机拍摄的违停区域的区域图像；
车辆图像识别模块，通过预训练的车辆识别模型对所述区域图像进行车辆识别，得到停在违停区域的若干个违停车辆图像；
车牌图像识别模块，通过预训练的车牌图像识别模型对各个所述车辆图像进行识别，从各个所述车辆图像中得到对应的违停车牌图像；
车牌号识别模块，通过预训练的车牌号码识别模型对各个所述车牌图像进行识别，得到各个所述车牌图像的违停车牌号。
本申请的第三方面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存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的违停车辆车牌检测方法的步骤。
本申请的第四方面提供了一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的违停车辆车牌检测方法的步骤。
相对于相关技术，本申请通过无人机拍摄违停区域的区域图像，通过预训练的车辆识别模型对违停区域的区域图像进行车辆识别，以得到违停车辆图像，接着通过预训练的车牌图像识别模型对违停车辆图像进行车牌区域识别，以得到违停车牌图像，然后通过预训练的车牌号码识别模型对违停车牌图像进行车牌号识别，以得到违停车辆的违停车牌号，可以节省巡检违停区域的人力，增加违停区域的巡检效率，并且通过三个识别模型依次对区域图像进行对应图像内容的识别，可以大大提高获取违停车辆的车牌号码的准确性。
为了能更清晰的理解本申请，以下将结合附图说明阐述本申请的具体实施方式。
附图说明
图1为本申请一个实施例的违停车辆车牌检测方法的流程图。
图2为本申请一个实施例的违停车辆车牌检测方法的步骤S1的流程图。
图3为本申请一个实施例的违停车辆车牌检测装置的模块连接示意图。
100、违停车辆车牌检测装置；101、区域图像获取模块；102、车辆图像识别模块；103、车牌图像识别模块；104、车牌号识别模块。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在 A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，其是本申请一个实施例的违停车辆车牌检测方法的流程图，包括：
S1：获取无人机拍摄的违停区域的区域图像。
无人机是指无人驾驶飞机，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞行器。在本申请中，无人机安装有云台和摄像头，云台安装于无人机的底部，摄像头安装于云台的底部，无人机在飞行过程中，通过云台调整摄像头的拍摄方向，通过摄像头获取对应的拍摄方向的区域图像。
违停区域是城市道路规划设定的禁止停放车辆的区域。
获取无人机拍摄的违停区域的区域图像可以是通过无人机巡检时自动推送回传到对应的控制平台，也可以在无人机巡检完成后从无人机的数据存储模块中下载数据，以得到区域图像。
S2：通过预训练的车辆识别模型对所述区域图像进行车辆识别，得到停在违停区域的若干个违停车辆图像。
预训练的车辆识别模型是采用YOLOv5模型训练得到的，YOLOv5模型是一种单阶段目标检测算法，是一种可以将图像划分为网格系统的对象检测算法。可以通过将标注有违停车辆的区域图像作为训练样本，对YOLOv5模型进行学习训练以得到预训练的车辆识别模型。
S3：通过预训练的车牌图像识别模型对各个所述车辆图像进行识别，从各个所述车辆图像中得到对应的违停车牌图像。
预训练的车牌图像识别模型也是采用YOLOv5模型训练得到的。可以通过将标注有车牌区域的车辆图像作为训练样本，对YOLOv5模型进行学习训练以得到预训练的车牌图像识别模型。
S4：通过预训练的车牌号码识别模型对各个所述车牌图像进行识别，得到各个所述车牌图像的违停车牌号。
预训练的车牌号码识别模型采用端到端的车牌字符识别模型(即LPRnet字符识别模型) 训练得到，其中，端到端的车牌字符识别模型采用的是OCR算法(光学字符识别算法)，可以准确地从车牌图像中识别出车牌号。
相对于相关技术，本实施例通过无人机拍摄违停区域的区域图像，通过预训练的车辆识别模型对违停区域的区域图像进行车辆识别，以得到违停车辆图像，接着通过预训练的车牌图像识别模型对违停车辆图像进行车牌区域识别，以得到违停车牌图像，然后通过预训练的车牌号码识别模型对违停车牌图像进行车牌号识别，以得到违停车辆的违停车牌号，可以节省巡检违停区域的人力，增加违停区域的巡检效率，并且通过三个识别模型依次对区域图像进行对应图像内容的识别，可以大大提高获取违停车辆的车牌号码的准确性。
请参阅图2，在一个可行的实施例中，所述步骤S1：获取无人机拍摄的违停区域的区域图像的步骤，包括：
S101：获取多个违停区域的区域范围和区域分布，根据所述区域范围和所述区域分布生成涵盖各个违停区域的航线规划。
S102：将航线规划输入到无人机，使所述无人机根据所述航线规划进行巡检，并对各个违停区域进行图像采集，以得到所述区域图像。
可以使无人机根据航线规划进行巡检，以获取计划中的违停区域的区域图像。
区域范围包括各个违停区域的起始位置、结束位置，以及起始位置和结束位置之间的宽度范围。
区域分布是指各个违停区域在巡检区域中的位置分布情况，巡检区域可以是由若干条街道组成，也可以是直接根据城区、村、镇划分巡检区域。
航线规划与无人机的云台安装的摄像头数量，以及违停区域的区域分布相关，例如，一条街道的两侧分别设有一个违停区域，即一个街道设有两个违停区域，若无人机的云台安装的摄像头数量至少为2个，该街道对应的航线规划可以是单程或双程，若无人机的云台安装的摄像头数量为1个，该街道对应的航线规划为双程，以确保无人机在巡检该街道时可以完全获取两个违停区域的区域图像。
优选地，无人机的云台安装的摄像头以摄像头组的形式安装，一个摄像头组包括至少2 个摄像头，工作时，属于同一个摄像头组的摄像头从不同的拍摄角度拍摄同一个违停区域的区域图像，以得到更多角度更全面的区域图像。
在一个可行的实施例中，所述航线规划还包括所述无人机巡检各个违停区域巡检参数，所述巡检参数包括无人机的飞行高度、云台相机的拍摄角度、云台相机的变焦倍数。
通过为每个违停区域设置对应的违停区域巡检参数，可以使无人机更安全地进行巡检，并且可以在违停区域巡检参数的作用下使无人机拍摄到清晰且全面的区域图像。
在一个可行的实施例中，车辆识别模型的学习训练过程包括以下步骤：
获取区域图像训练样本集，所述区域图像训练样本集包括多个不同时间段和不同天气拍摄的违停区域的区域图像样本，且各个区域图像样本都对停在违停区域的车辆进行了标注；
将所述区域图像训练样本集输入到车辆初始识别模型进行训练，得到预训练的车辆识别模型。
通过区域图像训练样本集对车辆初始识别模型进行训练，可以得到用于从区域图像中识别出车辆图像的预训练的车辆识别模型。
在一个可行的实施例中，车牌图像识别模型的学习训练过程包括以下步骤：
获取车辆图像训练样本集，所述车辆图像训练样本集包括多个不同时间段和不同天气拍摄的车辆图像样本，且各个车辆图像样本都对车牌区域进行了标注；
将所述车辆图像训练样本集输入到车牌图像初始识别模型进行训练，得到预训练的车牌图像识别模型。
通过车辆图像训练样本集对车牌图像初始识别模型进行训练，可以得到用于从车辆图像中识别出车牌区域的预训练的车牌图像识别模型。
优选地，车辆图像训练样本集中的车辆图像样本属于区域图像训练样本集中的违停区域的区域图像样本的一部分，即车辆图像样本是从区域图像样本中截取的，车辆图像样本与区域图像样本存在关联关系，可以提高获得的预训练的车辆识别模型和预训练的车牌图像识别模型的关联性，以提高整体识别准确性。
在一个可行的实施例中，车牌号码识别模型的学习训练过程包括以下步骤：
获取车牌图像训练样本集，所述车牌图像训练样本集包括多个不同时间段和不同天气拍摄的车牌图像样本，且各个车牌图像样本都进行了区域代码、数字和字母的标注；
将所述车牌图像训练样本集输入到车牌号码初始识别模型进行训练，得到预训练的车牌号码识别模型。
通过车牌图像训练样本集对车牌号码初始识别模型进行训练，可以得到用于从车牌图像中识别出违停车辆的车牌号的预训练的车牌号码识别模型。
优选地，车牌图像训练样本集中的车牌图像样本属于车辆图像训练样本集中的车辆图像样本的一部分，即车牌图像样本是从车辆图像样本中截取的，车牌图像样本与车辆图像样本存在关联关系，可以提高获得的预训练的车牌号码识别模型与预训练的车牌图像识别模型的关联性，以提高整体识别准确性。
请参阅图3，本申请还提供了一种违停车辆车牌检测装置100，包括：
区域图像获取模块101，用于获取无人机拍摄的违停区域的区域图像；
车辆图像识别模块102，通过预训练的车辆识别模型对所述区域图像进行车辆识别，得到停在违停区域的若干个违停车辆图像；
车牌图像识别模块103，通过预训练的车牌图像识别模型对各个所述车辆图像进行识别，从各个所述车辆图像中得到对应的违停车牌图像；
车牌号识别模块104，通过预训练的车牌号码识别模型对各个所述车牌图像进行识别，得到各个所述车牌图像的违停车牌号。
相对于相关技术，本实施例通过无人机拍摄违停区域的区域图像，通过预训练的车辆识别模型对违停区域的区域图像进行车辆识别，以得到违停车辆图像，接着通过预训练的车牌图像识别模型对违停车辆图像进行车牌区域识别，以得到违停车牌图像，然后通过预训练的车牌号码识别模型对违停车牌图像进行车牌号识别，以得到违停车辆的违停车牌号，可以节省巡检违停区域的人力，增加违停区域的巡检效率，并且通过三个识别模型依次对区域图像进行对应图像内容的识别，可以大大提高获取违停车辆的车牌号码的准确性。
在一个可行的实施例中，所述区域图像获取模块101包括：
航线规划模块，获取多个违停区域的区域范围和区域分布，根据所述区域范围和所述区域分布生成涵盖各个违停区域的航线规划。
区域图像采集模块，将航线规划输入到无人机，使所述无人机根据所述航线规划进行巡检，并对各个违停区域进行图像采集，以得到所述区域图像。
可以使无人机根据航线规划进行巡检，以获取计划中的违停区域的区域图像。
区域范围包括各个违停区域的起始位置、结束位置，以及起始位置和结束位置之间的宽度范围。
区域分布是指各个违停区域在巡检区域中的位置分布情况，巡检区域可以是由若干条街道组成，也可以是直接根据城区、村、镇划分巡检区域。
航线规划与无人机的云台安装的摄像头数量，以及违停区域的区域分布相关，例如，一条街道的两侧分别设有一个违停区域，即一个街道设有两个违停区域，若无人机的云台安装的摄像头数量至少为2个，该街道对应的航线规划可以是单程或双程，若无人机的云台安装的摄像头数量为1个，该街道对应的航线规划为双程，以确保无人机在巡检该街道时可以完全获取两个违停区域的区域图像。
优选地，无人机的云台安装的摄像头以摄像头组的形式安装，一个摄像头组包括至少2 个摄像头，工作时，属于同一个摄像头组的摄像头从不同的拍摄角度拍摄同一个违停区域的区域图像，以得到更多角度更全面的区域图像。
本申请的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存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的违停车辆车牌检测方法的步骤。
本申请的还提供了一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的违停车辆车牌检测方法的步骤。
以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
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。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和 /或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和 /或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种违停车辆车牌检测方法，其特征在于，包括：
获取无人机拍摄的违停区域的区域图像；
通过预训练的车辆识别模型对所述区域图像进行车辆识别，得到停在违停区域的若干个违停车辆图像；
通过预训练的车牌图像识别模型对各个所述车辆图像进行识别，从各个所述车辆图像中得到对应的违停车牌图像；
通过预训练的车牌号码识别模型对各个所述车牌图像进行识别，得到各个所述车牌图像的违停车牌号。
2.根据权利要求1所述的违停车辆车牌检测方法，其特征在于，所述获取无人机拍摄的违停区域的区域图像的步骤，包括：
获取多个违停区域的区域范围和区域分布，根据所述区域范围和所述区域分布生成涵盖各个违停区域的航线规划；
将航线规划输入到无人机，使所述无人机根据所述航线规划进行巡检，并对各个违停区域进行图像采集，以得到所述区域图像。
3.根据权利要求2所述的违停车辆车牌检测方法，其特征在于：所述航线规划还包括所述无人机巡检各个违停区域巡检参数，所述巡检参数包括无人机的飞行高度、云台相机的拍摄角度、云台相机的变焦倍数。
4.根据权利要求1所述的违停车辆车牌检测方法，其特征在于，车辆识别模型的学习训练过程包括以下步骤：
获取区域图像训练样本集，所述区域图像训练样本集包括多个不同时间段和不同天气拍摄的违停区域的区域图像样本，且各个区域图像样本都对停在违停区域的车辆进行了标注；
将所述区域图像训练样本集输入到车辆初始识别模型进行训练，得到预训练的车辆识别模型。
5.根据权利要求1所述的违停车辆车牌检测方法，其特征在于，车牌图像识别模型的学习训练过程包括以下步骤：
获取车辆图像训练样本集，所述车辆图像训练样本集包括多个不同时间段和不同天气拍摄的车辆图像样本，且各个车辆图像样本都对车牌区域进行了标注；
将所述车辆图像训练样本集输入到车牌图像初始识别模型进行训练，得到预训练的车牌图像识别模型。
6.根据权利要求1所述的违停车辆车牌检测方法，其特征在于，车牌号码识别模型的学习训练过程包括以下步骤：
获取车牌图像训练样本集，所述车牌图像训练样本集包括多个不同时间段和不同天气拍摄的车牌图像样本，且各个车牌图像样本都进行了区域代码、数字和字母的标注；
将所述车牌图像训练样本集输入到车牌号码初始识别模型进行训练，得到预训练的车牌号码识别模型。
7.根据权利要求1所述的违停车辆车牌检测方法，其特征在于，所述预训练的车辆识别模型和所述预训练的车牌图像识别模型都采用YOLOv5模型，所述预训练的车牌号码识别模型采用端到端的车牌字符识别模型。
8.一种违停车辆车牌检测装置，其特征在于，包括：
区域图像获取模块，用于获取无人机拍摄的违停区域的区域图像；
车辆图像识别模块，通过预训练的车辆识别模型对所述区域图像进行车辆识别，得到停在违停区域的若干个违停车辆图像；
车牌图像识别模块，通过预训练的车牌图像识别模型对各个所述车辆图像进行识别，从各个所述车辆图像中得到对应的违停车牌图像；
车牌号识别模块，通过预训练的车牌号码识别模型对各个所述车牌图像进行识别，得到各个所述车牌图像的违停车牌号。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的违停车辆车牌检测方法的步骤。
10.一种计算机设备，其特征在于：包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的违停车辆车牌检测方法的步骤。
CN202210915967.7A 2022-08-01 2022-08-01 违停车辆车牌检测方法、装置、存储介质和计算机设备 Pending CN115457532A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210915967.7A CN115457532A (zh) 2022-08-01 2022-08-01 违停车辆车牌检测方法、装置、存储介质和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210915967.7A CN115457532A (zh) 2022-08-01 2022-08-01 违停车辆车牌检测方法、装置、存储介质和计算机设备

Publications (1)

Publication Number Publication Date
CN115457532A true CN115457532A (zh) 2022-12-09

Family

ID=84297248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210915967.7A Pending CN115457532A (zh) 2022-08-01 2022-08-01 违停车辆车牌检测方法、装置、存储介质和计算机设备

Country Status (1)

Country Link
CN (1) CN115457532A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117612115A (zh) * 2024-01-24 2024-02-27 山东高速信息集团有限公司 一种基于高速公路的车辆识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117612115A (zh) * 2024-01-24 2024-02-27 山东高速信息集团有限公司 一种基于高速公路的车辆识别方法
CN117612115B (zh) * 2024-01-24 2024-05-03 山东高速信息集团有限公司 一种基于高速公路的车辆识别方法

Similar Documents

Publication Publication Date Title
CN111179585B (zh) 自动驾驶车辆的场地测试方法及装置
US11380104B2 (en) Method and device for detecting illegal parking, and electronic device
CN109817014B (zh) 一种基于移动视频和高精度定位的路侧巡检停车收费方法
Hinz Detection and counting of cars in aerial images
CN106023622B (zh) 一种确定红绿灯识别系统识别性能的方法和装置
CN107591005A (zh) 动静态检测相结合的停车区域管理方法、服务器及系统
CN111508269B (zh) 一种基于图像识别的开放式停车位车辆判别方法与装置
KR20220112590A (ko) 인공지능 기반 수계오염원 모니터링 시스템 및 방법
CN111369801B (zh) 车辆识别方法、装置、设备和存储介质
CN113313716B (zh) 一种自动驾驶语义分割模型的训练方法及装置
CN115457532A (zh) 违停车辆车牌检测方法、装置、存储介质和计算机设备
Bu et al. A UAV photography–based detection method for defective road marking
CN113112813B (zh) 违章停车检测方法及装置
CN111064924B (zh) 一种基于人工智能的视频监控方法及系统
CN111951328A (zh) 一种物体位置检测方法、装置、设备和存储介质
CN114550129B (zh) 一种基于数据集的机器学习模型处理方法和系统
Rosende et al. Dataset: Traffic images captured from UAVs for use in training machine vision algorithms for traffic management
Majumder An Approach to Counting Vehicles from Pre-Recorded Video Using Computer Algorithms
CN113535863B (zh) 一种移动轨迹渲染方法、设备及存储介质
CN111368752B (zh) 车辆损伤的分析方法和装置
CN111488771B (zh) Ocr挂接方法、装置与设备
CN113658275A (zh) 能见度值的检测方法、装置、设备及存储介质
JP2022045032A (ja) 道路周辺物監視装置、道路周辺物監視プログラム
Dufek et al. Analysis of the approach of the municipalities to the Smart City conception and selected examples of its applications
Musthafa et al. Centralized Road Infrastructure Information Collection and Processing System for Sri Lanka

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