CN116168377A - 车牌识别方法、装置、计算机设备以及存储介质 - Google Patents
车牌识别方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN116168377A CN116168377A CN202211647569.8A CN202211647569A CN116168377A CN 116168377 A CN116168377 A CN 116168377A CN 202211647569 A CN202211647569 A CN 202211647569A CN 116168377 A CN116168377 A CN 116168377A
- Authority
- CN
- China
- Prior art keywords
- license plate
- detected
- determining
- region
- areas
- 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
- 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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及计算机视觉技术领域,特别是涉及一种车牌识别方法、装置、计算机设备以及存储介质。所述方法包括:对待检测图像进行区域划分,得到划分后的至少两个待检测区域;从至少两个待检测区域中确定车牌检测区域,并确定车牌检测区域对应的车牌边缘关键点和车牌类别;根据车牌检测区域对应的车牌边缘关键点和车牌类别,识别待检测图像中的目标车牌区域。本申请保证了在待检测图像中车牌存在弯折或者形变等情况时,依旧能够准确确定待检测图像中车牌对应的目标车牌区域,防止在车牌识别的过程中由于车牌角度问题而导致出现车牌漏检、误识别等情况发生。
Description
技术领域
本申请涉及计算机视觉技术领域,特别是涉及一种车牌识别方法、装置、计算机设备以及存储介质。
背景技术
近些年,随着社会经济的不断发展,越来越多的车辆完成生产并投入使用,很多个人和企业将车辆作为了首选的交通工具,但随着国内汽车保有量的不断增加,如何实现车辆的有效识别和管理成为了当前社会的重大难题。
现有技术中,通过车牌识别技术,对于车辆的车牌进行图像采集,并对采集得到的图像进行图像识别,从而获取图像内车牌的相关信息;通过相关信息,实现对车牌的种类和车牌的车牌号码的识别。
但是,现有技术中的车牌识别技术对车牌表面整洁程度和车牌弯折程度有着较高的要求,容易出现预测结果与实际车牌信息不符的情况。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确识别目标车牌区域的车牌识别方法、装置、计算机设备以及存储介质。
第一方面,本申请提供了一种车牌识别方法。该方法包括:
对待检测图像进行区域划分,得到划分后的至少两个待检测区域;
从至少两个待检测区域中确定车牌检测区域,并确定车牌检测区域对应的车牌边缘关键点和车牌类别;
根据车牌检测区域对应的车牌边缘关键点和车牌类别,识别待检测图像中的目标车牌区域。
在其中一个实施例中,从至少两个待检测区域中确定车牌检测区域,并确定车牌检测区域对应的车牌边缘关键点和车牌类别,包括:
通过车牌区域检测网络,从至少两个待检测区域中确定车牌检测区域;
通过车牌关键点检测网络,从车牌检测区域中识别车牌边缘关键点;
通过车辆类型预测网络,根据车牌检测区域,确定车牌检测区域对应的车牌类别。
在其中一个实施例中,通过车牌区域检测网络,从至少两个待检测区域中确定车牌检测区域,包括:
通过车牌区域检测网络,确定每一待检测区域内包含车牌边线的概率值,并根据每一待检测区域对应的概率值,从至少两个待检测区域中确定车牌检测区域。
在其中一个实施例中,通过车牌关键点检测网络,从车牌检测区域中识别车牌边缘关键点,包括:
通过车牌关键点检测网络,预测每一车牌检测区域对应的关键点偏差值,并根据关键点偏差值,确定车牌检测区域中的车牌边缘关键点;其中,关键点偏差值为车牌检测区域内包含的车牌边缘关键点相对于车牌检测区域中心的偏差值。
在其中一个实施例中,根据车牌检测区域对应的车牌边缘关键点和车牌类别,识别待检测图像中的目标车牌区域,包括:
根据车牌检测区域对应的车牌边缘关键点,确定车牌边缘线;
根据车牌边缘线,确定车牌角点;
根据车牌角点和车牌类别,确定待检测图像中的目标车牌区域。
在其中一个实施例中,根据车牌角点和车牌类别,确定待检测图像中的目标车牌区域,包括:
根据车牌角点,确定候选车牌区域;
确定车牌类型对应的车牌模板;
根据车牌模板,对候选车牌区域进行校正处理,确定待检测图像中的目标车牌区域。
第二方面,本申请还提供了一种车牌识别装置。该装置包括:
划分模块,用于对待检测图像进行区域划分,得到划分后的至少两个待检测区域;
确定模块,用于从至少两个待检测区域中确定车牌检测区域,并确定车牌检测区域对应的车牌边缘关键点和车牌类别;
识别模块,用于根据车牌检测区域对应的车牌边缘关键点和车牌类别,识别待检测图像中的目标车牌区域。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如上述第一方面任一实施例的车牌识别方法。
第四方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述第一方面任一实施例的车牌识别方法。
第五方面,本申请还提供了一种计算机程序产品。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如上述第一方面任一实施例的车牌识别方法。
根据本申请的技术方案,通过确定待检测区域,实现了对于待检测图像的区域划分,为后续确定车牌边缘关键点提供了判断基础,保证了后续流程的顺利进行;通过确定车牌检测区域,实现了对于待检测区域的筛选处理,初步确定目标车牌区域,保证了后续能针对车牌检测区域,确定车牌边缘关键点和车牌类别;通过确定车牌边缘关键点和车牌类别,保证了能够识别待检测图像中的目标车牌区域,提高了目标车牌区域的识别准确性,防止由于待检测图像中车牌表面存在污垢从而影响目标车牌区域的识别,并且,通过车牌边缘关键点和车牌类别确定目标车牌区域,保证了在待检测图像中车牌存在弯折或者形变等情况时,依旧能够准确确定待检测图像中车牌对应的目标车牌区域,防止在车牌识别的过程中由于车牌角度问题而导致出现车牌漏检、误识别等情况发生。
附图说明
图1为本申请实施例提供的一种车牌识别方法的应用环境图;
图2为本申请实施例提供的一种车牌识别方法的流程图;
图3为本申请实施例提供的一种确定车牌边缘关键点和车牌类别的步骤流程图;
图4为本申请实施例提供的一种确定目标车牌区域的步骤流程图;
图5为本申请实施例提供的另一种车牌识别方法的流程图;
图6为本申请实施例提供的第一种车牌识别装置的结构框图;
图7为本申请实施例提供的第二种车牌识别装置的结构框图;
图8为本申请实施例提供的第三种车牌识别装置的结构框图;
图9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。
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。在本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
近些年,随着社会经济的不断发展,越来越多的车辆完成生产并投入使用,很多个人和企业将车辆作为了首选的交通工具,但随着国内汽车保有量的不断增加,如何实现车辆的有效识别和管理成为了当前社会的重大难题。
现有技术中,通过车牌识别技术,对于车辆的车牌进行图像采集,并对采集得到的图像进行图像识别,从而获取图像内车牌的相关信息;通过相关信息,实现对车牌的种类和车牌的车牌号码的识别。但是,现有技术中的车牌识别技术对车牌表面整洁程度和车牌弯折程度有着较高的要求,容易出现预测结果与实际车牌信息不符的情况。
本申请实施例提供的车牌识别方法,可以应用于如图1所示的应用环境中。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1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识别的获取数据。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车牌识别方法。
本申请公开了一种车牌识别方法、装置、计算机设备以及存储介质。工作人员的计算机设备通过对待检测图像进行区域划分,得到至少两个待检测区域;根据至少两个待检测区域,确定车牌检测区域对应的车牌边缘关键点和车牌类别;并且,根据车牌检测区域对应的车牌边缘关键点和车牌类别,确定目标车牌区域。
在一个实施例中,如图2所示,图2为本申请实施例提供的一种车牌识别方法的流程图,提供了一种车牌识别方法,图1中的计算机设备执行的车牌识别方法可以包括以下步骤:
步骤201,对待检测图像进行区域划分,得到划分后的至少两个待检测区域。
在本申请的一种实施例中,当需要对待检测图像进行区域划分时,可根据待检测图像的尺寸,对待检测图像进行区域划分,得到至少两个待检测区域。具体的,可根据待检测图像的尺寸,对待检测图像的尺寸进行等比例缩小,缩小得到的尺寸即可作为待检测区域的尺寸,进而可按照待检测区域的尺寸对待检测图像进行区域划分。
在本申请的另一种实施例中,当需要对待检测图像进行区域划分时,可按照实际需求,对待检测图像的长度和宽度进行均等划分;长度和宽度划分得到的结果,即为待检测区域的尺寸;进一步的,实际需求可以为运行车牌识别方法的计算机设备的运算能力,若该计算机设备的运算能力较强,可将待检测图像的长度和宽度均等划分为较多的划分结果,若该计算机设备的运算能力较弱,可将待检测图像的长度和宽度均等划分为较少的划分结果,进而防止由于计算机设备的运算能力较弱而导致无法对较多的划分结果进行识别处理。
需要说明的是,为保证进一步提高确定目标车牌区域的准确性,可对待检测图像进行灰度处理,并将灰度处理后的待检测图像的分辨率压缩为128x80分辨率。进一步说明,通过对待检测图像进行灰度处理,并将灰度处理后的待检测图像的分辨率压缩为128x80分辨率,降低待检测图像的内存占比,保证在对待检测图像进行识别处理时,能够提高识别效率,保证识别的准确性。
步骤202,从至少两个待检测区域中确定车牌检测区域,并确定车牌检测区域对应的车牌边缘关键点和车牌类别。
其中,车牌检测区域指的是至少两个待检测区域中包含车牌的区域。
需要说明的是,当需要从至少两个待检测区域中确定车牌检测区域时,可通过判断待检测区域内是否包含车牌,从而实现车牌检测区域的确定;进一步的,判断待检测区域内是否包含车牌的方法有很多,例如:可通过图像识别技术,对待检测区域进行车牌识别,从而实现在待检测区域内确定车牌检测区域;或者,通过预先训练的车牌识别模型,对待检测图像进行车牌识别,从而实现在待检测区域内确定车牌检测区域;综上,从至少两个待检测区域中确定车牌检测区域的方法有很多在此不再一一赘述,下面将针对上述两种确定车牌检测区域的方法进行详细说明:
在本申请的一种实施例中,当通过图像识别技术,从至少两个待检测区域中确定车牌检测区域时,先对待检测区域进行预处理,其中,预处理可以包括但不限于:噪声过滤、对比度增强和图像缩放等处理;将预处理后的待检测区域进行车牌定位,判断待检测区域内是否存在车牌;若存在,则确定该待检测区域即为车牌检测区域;若不存在,则确定该待检测区域不是车牌检测区域。
在本申请的另一种实施例中,当通过车牌识别模型,从至少两个待检测区域中确定车牌检测区域时,将带有车牌标记的样本区域输入车牌识别模型,从而对车牌识别模型进行训练,得到训练完成后的车牌识别模型;将待检测区域输入至训练完成后的车牌识别模型中,根据车牌识别模型的输出结果,判断车牌检测区域;若车牌识别模型的输出结果为包含车牌,则该待检测区域即为车牌检测区域;若车牌识别模型的输出结果为不包含车牌,则该待检测区域不是车牌检测区域。
其中,车牌边缘关键点指的是车牌检测区域内车牌边缘上的点,该车牌边缘关键点可用于从车牌检测区域中确定车牌边缘,进一步的,车牌边缘关键点的确定规则可根据实际需求进行改变。
需要说明的是,当需要确定车牌检测区域内的车牌边缘关键点时,可通过对车牌检测区域进行车牌边缘识别,确定车牌检测区域内的车牌边缘;从车牌检测区域内的车牌边缘上选取关键点,该关键点即为车牌边缘关键点;进一步说明,当确定的该车牌边缘后,可按照预先设定的规则对车牌检测区域内的车牌边缘进行关键点选取;其中,预先设定的规则可以是:车牌检测区域内的车牌边缘的中点或者车牌检测区域内的车牌边缘距离车牌检测区域中心点最近的一点等。
在本申请的一种实施例中,当需要确定车牌检测区域内的车牌边缘时,可通过图像识别技术,对车牌检测区域进行车牌边缘的识别,具体的:先对车牌检测区域进行预处理;将预处理后的车牌检测区域进行车牌边缘的识别,确定车牌检测区域内车牌边缘的位置。
在本申请的另一种实施例中,当需要确定车牌检测区域内的车牌边缘时,可通过预先训练的车牌边缘识别模型,对车牌检测区域进行车牌边缘的识别,具体的:将带有车牌边缘标记的样本车牌检测区域输入车牌边缘识别模型,从而对车牌边缘识别模型进行训练,得到训练完成后的车牌边缘识别模型;将车牌检测区域输入至训练完成后的车牌边缘识别模型中,根据车牌边缘识别模型的输出结果,确定车牌检测区域内的车牌边缘。
其中,车牌类别可以包括但不限于:蓝牌、单层黄牌、双层黄牌、新能源牌(绿黄、绿白两种)、警牌、应急牌、使馆牌、领馆牌、农用牌、单层武警牌、双层武警牌、单层军牌、双层军牌和港澳牌等。
需要说明的是,当需要确定车牌类别时,可通过对车牌检测区域内包含的车牌进行信息提取,进而根据提取得到的车牌信息进行车牌类别分析,从而确定车牌类别;其中,提取得到的车牌信息可以包括:车牌号码的个数、车牌的颜色和车牌的长宽比等等。
在本申请的一种实施例中,当需要确定车牌类别时,可预先确定各种车牌类别与车牌信息的对应关系;进而获取车牌检测区域内包含车牌的车牌信息,根据车牌检测区域内包含车牌的车牌信息与各种车牌类别与车牌信息的对应关系,确定车牌检测区域内包含车牌的车牌信息对应的车牌类别。
在本申请的另一种实施例中,当需要确定车牌类别时,可通过预先训练的车牌类别识别模型,对车牌检测区域进行车牌类别的识别,具体的:将带有车牌类别标记的样本车牌检测区域输入车牌类别识别模型,从而对车牌类别识别模型进行训练,得到训练完成后的车牌类别识别模型;将车牌检测区域输入至训练完成后的车牌类别识别模型中,根据车牌类别识别模型的输出结果,确定车牌检测区域内的车牌类别。
步骤203,根据车牌检测区域对应的车牌边缘关键点和车牌类别,识别待检测图像中的目标车牌区域。
需要说明的是,可通过车牌边缘关键点,确定车牌边缘线,进而对车牌边缘线进行首尾相连,从而确定待检测图像中的目标车牌区域。
进一步说明,若待检测图像中的车牌发生了弯折或者形变,因此,需要对待检测图像中的目标车牌区域进行校正处理,从而保证校正处理后的待检测图像中的目标车牌区域与实际情况相互匹配;
在本申请的一种实施例中,当需要对待检测图像中的目标车牌区域进行校正处理时,可根据车牌类别确定该车牌对应的校正模板;进而根据校正模板对目标车牌区域进行校正处理,保证了校正处理后的目标车牌区域与实际车牌类别相对应。
根据本申请的车牌识别方法,通过确定待检测区域,实现了对于待检测图像的区域划分,为后续确定车牌边缘关键点提供了判断基础,保证了后续流程的顺利进行;通过确定车牌检测区域,实现了对于待检测区域的筛选处理,初步确定目标车牌区域,保证了后续能针对车牌检测区域,确定车牌边缘关键点和车牌类别;通过确定车牌边缘关键点和车牌类别,保证了能够识别待检测图像中的目标车牌区域,提高了目标车牌区域的识别准确性,防止由于待检测图像中车牌表面存在污垢从而影响目标车牌区域的识别,并且,通过车牌边缘关键点和车牌类别确定目标车牌区域,保证了在待检测图像中车牌存在弯折或者形变等情况时,依旧能够准确确定待检测图像中车牌对应的目标车牌区域,防止在车牌识别的过程中由于车牌角度问题而导致出现车牌漏检、误识别等情况发生。
需要说明的是,可通过车牌区域检测网络、关键点检测网络和车辆类型预测网络,确定车牌边缘关键点和车牌类别。可选地,如图3所示,图3为本申请实施例提供的一种确定车牌边缘关键点和车牌类别的步骤流程图。具体的,确定车牌边缘关键点和车牌类别可以包括以下步骤:
步骤301,通过车牌区域检测网络,从至少两个待检测区域中确定车牌检测区域。
需要说明的是,需要确定车牌检测区域时,具体可包括以下步骤:通过车牌区域检测网络,确定每一待检测区域内包含车牌边线的概率值,并根据每一待检测区域对应的概率值,从至少两个待检测区域中确定车牌检测区域。
在本申请的一种实施里中,预先设定待检测区域内包含车牌边线的概率阈值,当需要确定车牌检测区域时,可通过车牌区域检测网络,确定每一待检测区域内包含车牌边线的概率值,进而判断每一待检测区域内包含车牌边线的概率值与概率阈值的关系,若某一待检测区域内包含车牌边线的概率值大于概率阈值,则确定该待检测区域为车牌检测区域;若某一待检测区域内包含车牌边线的概率值小于或者等于概率阈值,则确定该待检测区域不是车牌检测区域。
步骤302,通过车牌关键点检测网络,从车牌检测区域中识别车牌边缘关键点。
需要说明的是,当需要确定车牌边缘关键点时,具体可包括以下步骤:通过车牌关键点检测网络,预测每一车牌检测区域对应的关键点偏差值,并根据关键点偏差值,确定车牌检测区域中的车牌边缘关键点;其中,关键点偏差值为车牌检测区域内包含的车牌边缘关键点相对于车牌检测区域中心的偏差值。
在本申请的一种实施例中,关键点偏差值中包含横坐标偏差值和纵坐标偏差值,因此,当确定关键点偏差值后,可通过建立平面直角坐标系,根据关键点偏差值实现车牌边缘关键点的确定;具体的,当通过车牌关键点检测网络,确定关键点偏差值后,可将该关键点偏差值对应的车牌检测区域的中心点作为原点,进而根据原点建立平面直角坐标系,将关键点偏差值中的横坐标偏差值作为该车牌边缘关键点的横坐标,将关键点偏差值中的纵坐标偏差值作为该车牌边缘关键点的纵坐标;根据车牌边缘关键点的横坐标和车牌边缘关键点的纵坐标,确定车牌边缘关键点。
举例说明,若关键点偏差值为横坐标偏差值a和纵坐标偏差值b;将该关键点偏差值对应的车牌检测区域的中心点作为原点,进而根据原点建立平面直角坐标系,将关键点偏差值中的横坐标偏差值a作为该车牌边缘关键点的横坐标,将关键点偏差值中的纵坐标偏差值b作为该车牌边缘关键点的纵坐标;根据车牌边缘关键点的横坐标和车牌边缘关键点的纵坐标,确定车牌边缘关键点的坐标为(a,b),因此,平面直角坐标系中点(a,b)即为该关键点偏差值对应的车牌边缘关键点。
步骤303,通过车辆类型预测网络,根据车牌检测区域,确定车牌检测区域对应的车牌类别。
需要说明的是,在根据车辆类型预测网络,确定车牌类别之前,需要获取带有车牌类别的训练样本,将带有车牌类别的训练样本输入至车辆类型预测网络,实现针对车辆类型预测网络的训练操作,保证了训练后的车辆类型预测网络能够准确获取车牌检测区域对应的车牌类别。
根据本申请的车牌识别方法,通过确定待检测区域中的车牌检测区域,保证了对于至少两个待检测区域的筛选处理,将至少两个待检测区域中不包含车牌的区域进行提取,降低了车牌识别过程中所需的计算量,保证了后续确定车牌边缘关键点和车牌类别的过程顺利进行;通过确定车牌边缘关键点,为后续确定目标车牌区域提供基础,保证了后续目标车牌区域确定的准确性;通过确定车牌类别,防止由于待检测图像中车牌表面存在污垢从而影响目标车牌区域的识别,保证了在待检测图像中车牌存在弯折或者形变等情况时,依旧能够准确确定待检测图像中车牌对应的目标车牌区域。
需要说明的是,可通过确定车牌角点,进而根据车牌角点和车牌类别,确定目标车牌区域。可选地,如图4所示,图4为本申请实施例提供的一种确定目标车牌区域的步骤流程图。具体的,确定目标车牌区域可以包括以下步骤:
步骤401,根据车牌检测区域对应的车牌边缘关键点,确定车牌边缘线。
需要说明的是,当需要确定车牌边缘线时,可根据车牌检测区域的位置信息,对车牌边缘关键点进行分类处理,得到上边线关键点集、下边线关键点集、左边线关键点集和右边线关键点集;进而根据每一车牌边缘关键点对应的车牌检测区域的位置信息;对同一集合中的车牌边缘关键点进行依次连接,得到上边线关键点集对应的上边线、下边线关键点集对应的下边线、左边线关键点集对应的左边线和右边线关键点集对应的右边线,其中,上边线、下边线、左边线和右边线即为车牌边缘线。
在本申请的一种实施例中,当需要确定车牌边缘线时,根据车牌检测区域的位置信息,确定车牌检测区域中包含上边线的车牌检测区域、包含下边线的车牌检测区域、包含左边线的车牌检测区域和包含右边线的车牌检测区域;将包含上边线的车牌检测区域的车牌边缘关键点存入上边线关键点集、将包含下边线的车牌检测区域的车牌边缘关键点存入下边线关键点集、将包含左边线的车牌检测区域的车牌边缘关键点存入左边线关键点集,以及将包含右边线的车牌检测区域的车牌边缘关键点存入右边线关键点集。按照车牌检测区域的位置信息,对同一集合中的车牌边缘关键点进行依次连接,得到上边线关键点集对应的上边线、下边线关键点集对应的下边线、左边线关键点集对应的左边线和右边线关键点集对应的右边线,上边线、下边线、左边线和右边线即为车牌边缘线。
步骤402,根据车牌边缘线,确定车牌角点。
需要说明的是,可根据两车牌边缘线的相交点作为车牌角点,具体的,当需要确定车牌角点时,确定车牌边缘线的相交位置,进而将车牌边缘线的相交位置作为车牌边缘线对应的车牌角点。
进一步说明,若车牌边缘线不存在相交位置是,或者,车牌边缘线存在的相交位置小于四个时,则可将每一车牌边缘线进行延长处理,直至车牌边缘线包含四个车牌角点为止。
步骤403,根据车牌角点和车牌类别,确定待检测图像中的目标车牌区域。
需要说明的是,当需要确定目标车牌区域时,具体可包括以下步骤:根据车牌角点,确定候选车牌区域;确定车牌类型对应的车牌模板;根据车牌模板,对候选车牌区域进行校正处理,确定待检测图像中的目标车牌区域。
在本申请的一种实施例中,当需要确定目标车牌区域时,将车牌角点作为候选车牌区域的四个边角,因此根据车牌角点,确定候选车牌区域;根据候选车牌区域的长宽比例和车牌类型对应的车牌模板的长宽比例,对候选车牌区域进行校正处理,确定目标车牌区域。
进一步说明,可通过建立车牌区域确定模型,并预先根据带有目标车牌区域的训练样本对车牌区域确定模型进行训练,从而得到训练完成的车牌区域确定模型;将车牌角点和车牌类别输入至训练完成的车牌区域确定模型,从而根据训练完成的车牌区域确定模型的输出,得到待检测图像中的目标车牌区域。
根据本申请的车牌识别方法,通过确定车牌角点,为后续确定目标车牌区域提供了确定基础,并且,通过车牌类型和车牌角点,进一步提高了确定目标车牌区域的准确性,防止由于待检测图像中车牌表面存在污垢从而影响目标车牌区域的识别,保证了在待检测图像中车牌存在弯折或者形变等情况时,依旧能够准确确定待检测图像中车牌对应的目标车牌区域,防止在车牌识别的过程中由于车牌角度问题而导致出现车牌漏检、误识别等情况发生。
在本申请的一种实施例中,如图5所示,图5为本申请实施例提供的另一种车牌识别方法的流程图,当需要对待检测图像进行车牌识别时,具体可包括以下步骤:
步骤501,对待检测图像进行区域划分,得到划分后的至少两个待检测区域。
步骤502,通过车牌区域检测网络,从至少两个待检测区域中确定车牌检测区域。
需要说明的是,通过车牌区域检测网络,确定每一待检测区域内包含车牌边线的概率值,并根据每一待检测区域对应的概率值,从至少两个待检测区域中确定车牌检测区域。
步骤503,通过车牌关键点检测网络,从车牌检测区域中识别车牌边缘关键点。
需要说明的是,通过车牌关键点检测网络,预测每一车牌检测区域对应的关键点偏差值,并根据关键点偏差值,确定车牌检测区域中的车牌边缘关键点;其中,关键点偏差值为车牌检测区域内包含的车牌边缘关键点相对于车牌检测区域中心的偏差值。
步骤504,通过车辆类型预测网络,根据车牌检测区域,确定车牌检测区域对应的车牌类别。
步骤505,根据车牌检测区域对应的车牌边缘关键点,确定车牌边缘线。
步骤506,根据车牌边缘线,确定车牌角点。
步骤507,根据车牌角点,确定候选车牌区域。
步骤508,确定车牌类型对应的车牌模板。
步骤509,根据车牌模板,对候选车牌区域进行校正处理,确定待检测图像中的目标车牌区域。
根据本申请的车牌识别方法,通过确定待检测区域,实现了对于待检测图像的区域划分,为后续确定车牌边缘关键点提供了判断基础,保证了后续流程的顺利进行;通过确定车牌检测区域,实现了对于待检测区域的筛选处理,初步确定目标车牌区域,保证了后续能针对车牌检测区域,确定车牌边缘关键点和车牌类别;通过确定车牌边缘关键点和车牌类别,保证了能够识别待检测图像中的目标车牌区域,提高了目标车牌区域的识别准确性,防止由于待检测图像中车牌表面存在污垢从而影响目标车牌区域的识别,并且,通过车牌边缘关键点和车牌类别确定目标车牌区域,保证了在待检测图像中车牌存在弯折或者形变等情况时,依旧能够准确确定待检测图像中车牌对应的目标车牌区域,防止在车牌识别的过程中由于车牌角度问题而导致出现车牌漏检、误识别等情况发生。
应该理解的是,虽然如上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车牌识别方法的车牌识别装置。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车牌识别装置实施例中的具体限定可以参见上文中对于车牌识别方法的限定,在此不再赘述。
在一个实施例中,如图6所示,图6为本申请实施例提供的第一种车牌识别装置的结构框图,提供了一种车牌识别装置,包括:划分模块10、确定模块20和识别模块30,其中:
划分模块10,用于对待检测图像进行区域划分,得到划分后的至少两个待检测区域。
确定模块20,用于从至少两个待检测区域中确定车牌检测区域,并确定车牌检测区域对应的车牌边缘关键点和车牌类别。
识别模块30,用于根据车牌检测区域对应的车牌边缘关键点和车牌类别,识别待检测图像中的目标车牌区域。
根据本申请的车牌识别装置,通过确定待检测区域,实现了对于待检测图像的区域划分,为后续确定车牌边缘关键点提供了判断基础,保证了后续流程的顺利进行;通过确定车牌检测区域,实现了对于待检测区域的筛选处理,初步确定目标车牌区域,保证了后续能针对车牌检测区域,确定车牌边缘关键点和车牌类别;通过确定车牌边缘关键点和车牌类别,保证了能够识别待检测图像中的目标车牌区域,提高了目标车牌区域的识别准确性,防止由于待检测图像中车牌表面存在污垢从而影响目标车牌区域的识别,并且,通过车牌边缘关键点和车牌类别确定目标车牌区域,保证了在待检测图像中车牌存在弯折或者形变等情况时,依旧能够准确确定待检测图像中车牌对应的目标车牌区域,防止在车牌识别的过程中由于车牌角度问题而导致出现车牌漏检、误识别等情况发生。
在一个实施例中,如图7所示,图7为本申请实施例提供的第二种车牌识别装置的结构框图,提供了一种车牌识别装置,该车牌识别装置中确定模块20包括:第一确定单元21、识别单元22和第二确定单元23,其中:
第一确定单元21,由于通过车牌区域检测网络,从至少两个待检测区域中确定车牌检测区域。
需要说明的是,通过车牌区域检测网络,确定每一待检测区域内包含车牌边线的概率值,并根据每一待检测区域对应的概率值,从至少两个待检测区域中确定车牌检测区域。
识别单元22,由于通过车牌关键点检测网络,从车牌检测区域中识别车牌边缘关键点。
需要说明的是,通过车牌关键点检测网络,预测每一车牌检测区域对应的关键点偏差值,并根据关键点偏差值,确定车牌检测区域中的车牌边缘关键点;其中,关键点偏差值为车牌检测区域内包含的车牌边缘关键点相对于车牌检测区域中心的偏差值。
第二确定单元23,由于通过车辆类型预测网络,根据车牌检测区域,确定车牌检测区域对应的车牌类别。
根据本申请的车牌识别装置,通过确定待检测区域中的车牌检测区域,保证了对于至少两个待检测区域的筛选处理,将至少两个待检测区域中不包含车牌的区域进行提取,降低了车牌识别过程中所需的计算量,保证了后续确定车牌边缘关键点和车牌类别的过程顺利进行;通过确定车牌边缘关键点,为后续确定目标车牌区域提供基础,保证了后续目标车牌区域确定的准确性;通过确定车牌类别,防止由于待检测图像中车牌表面存在污垢从而影响目标车牌区域的识别,保证了在待检测图像中车牌存在弯折或者形变等情况时,依旧能够准确确定待检测图像中车牌对应的目标车牌区域。
在一个实施例中,如图8所示,图8为本申请实施例提供的第三种车牌识别装置的结构框图,提供了一种车牌识别装置,该车牌识别装置中识别模块30包括:第三确定单元31、第四确定单元32和第五确定单元33,其中:
第三确定单元31,由于根据车牌检测区域对应的车牌边缘关键点,确定车牌边缘线。
第四确定单元32,由于根据车牌边缘线,确定车牌角点。
第五确定单元33,由于根据车牌角点和车牌类别,确定待检测图像中的目标车牌区域。
需要说明的是,根据车牌角点,确定候选车牌区域;确定车牌类型对应的车牌模板;根据车牌模板,对候选车牌区域进行校正处理,确定待检测图像中的目标车牌区域。
根据本申请的车牌识别装置,通过确定车牌角点,为后续确定目标车牌区域提供了确定基础,并且,通过车牌类型和车牌角点,进一步提高了确定目标车牌区域的准确性,防止由于待检测图像中车牌表面存在污垢从而影响目标车牌区域的识别,保证了在待检测图像中车牌存在弯折或者形变等情况时,依旧能够准确确定待检测图像中车牌对应的目标车牌区域,防止在车牌识别的过程中由于车牌角度问题而导致出现车牌漏检、误识别等情况发生。
上述车牌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终端,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。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和计算机程序。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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车牌识别方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9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,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以下步骤:
对待检测图像进行区域划分,得到划分后的至少两个待检测区域;
从至少两个待检测区域中确定车牌检测区域,并确定车牌检测区域对应的车牌边缘关键点和车牌类别;
根据车牌检测区域对应的车牌边缘关键点和车牌类别,识别待检测图像中的目标车牌区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过车牌区域检测网络,从至少两个待检测区域中确定车牌检测区域;
通过车牌关键点检测网络,从车牌检测区域中识别车牌边缘关键点;
通过车辆类型预测网络,根据车牌检测区域,确定车牌检测区域对应的车牌类别。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过车牌区域检测网络,确定每一待检测区域内包含车牌边线的概率值,并根据每一待检测区域对应的概率值,从至少两个待检测区域中确定车牌检测区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过车牌关键点检测网络,预测每一车牌检测区域对应的关键点偏差值,并根据关键点偏差值,确定车牌检测区域中的车牌边缘关键点;其中,关键点偏差值为车牌检测区域内包含的车牌边缘关键点相对于车牌检测区域中心的偏差值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据车牌检测区域对应的车牌边缘关键点,确定车牌边缘线;
根据车牌边缘线,确定车牌角点;
根据车牌角点和车牌类别,确定待检测图像中的目标车牌区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据车牌角点,确定候选车牌区域;
确定车牌类型对应的车牌模板;
根据车牌模板,对候选车牌区域进行校正处理,确定待检测图像中的目标车牌区域。
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,计算机程序被处理器执行时实现以下步骤:
对待检测图像进行区域划分,得到划分后的至少两个待检测区域;
从至少两个待检测区域中确定车牌检测区域,并确定车牌检测区域对应的车牌边缘关键点和车牌类别;
根据车牌检测区域对应的车牌边缘关键点和车牌类别,识别待检测图像中的目标车牌区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过车牌区域检测网络,从至少两个待检测区域中确定车牌检测区域;
通过车牌关键点检测网络,从车牌检测区域中识别车牌边缘关键点;
通过车辆类型预测网络,根据车牌检测区域,确定车牌检测区域对应的车牌类别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过车牌区域检测网络,确定每一待检测区域内包含车牌边线的概率值,并根据每一待检测区域对应的概率值,从至少两个待检测区域中确定车牌检测区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过车牌关键点检测网络,预测每一车牌检测区域对应的关键点偏差值,并根据关键点偏差值,确定车牌检测区域中的车牌边缘关键点;其中,关键点偏差值为车牌检测区域内包含的车牌边缘关键点相对于车牌检测区域中心的偏差值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据车牌检测区域对应的车牌边缘关键点,确定车牌边缘线;
根据车牌边缘线,确定车牌角点;
根据车牌角点和车牌类别,确定待检测图像中的目标车牌区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据车牌角点,确定候选车牌区域;
确定车牌类型对应的车牌模板;
根据车牌模板,对候选车牌区域进行校正处理,确定待检测图像中的目标车牌区域。
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以下步骤:
对待检测图像进行区域划分,得到划分后的至少两个待检测区域;
从至少两个待检测区域中确定车牌检测区域,并确定车牌检测区域对应的车牌边缘关键点和车牌类别;
根据车牌检测区域对应的车牌边缘关键点和车牌类别,识别待检测图像中的目标车牌区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过车牌区域检测网络,从至少两个待检测区域中确定车牌检测区域;
通过车牌关键点检测网络,从车牌检测区域中识别车牌边缘关键点;
通过车辆类型预测网络,根据车牌检测区域,确定车牌检测区域对应的车牌类别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过车牌区域检测网络,确定每一待检测区域内包含车牌边线的概率值,并根据每一待检测区域对应的概率值,从至少两个待检测区域中确定车牌检测区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过车牌关键点检测网络,预测每一车牌检测区域对应的关键点偏差值,并根据关键点偏差值,确定车牌检测区域中的车牌边缘关键点;其中,关键点偏差值为车牌检测区域内包含的车牌边缘关键点相对于车牌检测区域中心的偏差值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据车牌检测区域对应的车牌边缘关键点,确定车牌边缘线;
根据车牌边缘线,确定车牌角点;
根据车牌角点和车牌类别,确定待检测图像中的目标车牌区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据车牌角点,确定候选车牌区域;
确定车牌类型对应的车牌模板;
根据车牌模板,对候选车牌区域进行校正处理,确定待检测图像中的目标车牌区域。
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,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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,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)
1.一种车牌识别方法,其特征在于,所述方法包括:
对待检测图像进行区域划分,得到划分后的至少两个待检测区域;
从所述至少两个待检测区域中确定车牌检测区域,并确定所述车牌检测区域对应的车牌边缘关键点和车牌类别;
根据所述车牌检测区域对应的所述车牌边缘关键点和所述车牌类别,识别所述待检测图像中的目标车牌区域。
2.根据权利要求1所述的方法,其特征在于,所述从所述至少两个待检测区域中确定车牌检测区域,并确定所述车牌检测区域对应的车牌边缘关键点和车牌类别,包括:
通过车牌区域检测网络,从所述至少两个待检测区域中确定所述车牌检测区域;
通过车牌关键点检测网络,从所述车牌检测区域中识别所述车牌边缘关键点;
通过车辆类型预测网络,根据所述车牌检测区域,确定所述车牌检测区域对应的所述车牌类别。
3.根据权利要求2所述的方法,其特征在于,所述通过车牌区域检测网络,从所述至少两个待检测区域中确定所述车牌检测区域,包括:
通过所述车牌区域检测网络,确定每一待检测区域内包含车牌边线的概率值,并根据每一待检测区域对应的所述概率值,从至少两个所述待检测区域中确定所述车牌检测区域。
4.根据权利要求2所述的方法,其特征在于,所述通过车牌关键点检测网络,从所述车牌检测区域中识别所述车牌边缘关键点,包括:
通过所述车牌关键点检测网络,预测每一车牌检测区域对应的关键点偏差值,并根据所述关键点偏差值,确定所述车牌检测区域中的所述车牌边缘关键点;其中,所述关键点偏差值为所述车牌检测区域内包含的所述车牌边缘关键点相对于所述车牌检测区域中心的偏差值。
5.根据权利要求1所述的方法,其特征在于,所述根据所述车牌检测区域对应的所述车牌边缘关键点和所述车牌类别,识别所述待检测图像中的目标车牌区域,包括:
根据所述车牌检测区域对应的车牌边缘关键点,确定车牌边缘线;
根据所述车牌边缘线,确定车牌角点;
根据所述车牌角点和所述车牌类别,确定所述待检测图像中的所述目标车牌区域。
6.根据权利要求5所述的方法,其特征在于,所述根据所述车牌角点和所述车牌类别,确定所述待检测图像中的所述目标车牌区域,包括:
根据所述车牌角点,确定候选车牌区域;
确定所述车牌类型对应的车牌模板;
根据所述车牌模板,对所述候选车牌区域进行校正处理,确定所述待检测图像中的所述目标车牌区域。
7.一种车牌识别装置,其特征在于,所述装置包括:
划分模块,用于对待检测图像进行区域划分,得到划分后的至少两个待检测区域;
确定模块,用于从所述至少两个待检测区域中确定车牌检测区域,并确定所述车牌检测区域对应的车牌边缘关键点和车牌类别;
识别模块,用于根据所述车牌检测区域对应的所述车牌边缘关键点和所述车牌类别,识别所述待检测图像中的目标车牌区域。
8.一种计算机设备,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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211647569.8A CN116168377A (zh) | 2022-12-21 | 2022-12-21 | 车牌识别方法、装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211647569.8A CN116168377A (zh) | 2022-12-21 | 2022-12-21 | 车牌识别方法、装置、计算机设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116168377A true CN116168377A (zh) | 2023-05-26 |
Family
ID=86412359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211647569.8A Pending CN116168377A (zh) | 2022-12-21 | 2022-12-21 | 车牌识别方法、装置、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168377A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958954A (zh) * | 2023-07-27 | 2023-10-27 | 匀熵智能科技(无锡)有限公司 | 基于关键点与旁路矫正的车牌识别方法、装置及存储介质 |
-
2022
- 2022-12-21 CN CN202211647569.8A patent/CN116168377A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958954A (zh) * | 2023-07-27 | 2023-10-27 | 匀熵智能科技(无锡)有限公司 | 基于关键点与旁路矫正的车牌识别方法、装置及存储介质 |
CN116958954B (zh) * | 2023-07-27 | 2024-03-22 | 匀熵智能科技(无锡)有限公司 | 基于关键点与旁路矫正的车牌识别方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862340A (zh) | 一种车型识别方法及装置 | |
CN110163842B (zh) | 建筑裂缝检测方法、装置、计算机设备和存储介质 | |
DE102018008161A1 (de) | Detektieren von Objekten unter Nutzung eines schwach überwachten Modells | |
KR101896357B1 (ko) | 객체를 검출하는 방법, 디바이스 및 프로그램 | |
US11790499B2 (en) | Certificate image extraction method and terminal device | |
CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
CN111626295B (zh) | 车牌检测模型的训练方法和装置 | |
CN113673530B (zh) | 遥感图像语义分割方法、装置、计算机设备和存储介质 | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
WO2020258077A1 (zh) | 一种行人检测方法及装置 | |
CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
CN113436162B (zh) | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 | |
CN112418165B (zh) | 基于改进型级联神经网络的小尺寸目标检测方法与装置 | |
CN114067431A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN116168377A (zh) | 车牌识别方法、装置、计算机设备以及存储介质 | |
CN111951283A (zh) | 一种基于深度学习的医学图像识别方法及系统 | |
CN111539238A (zh) | 二维码图像修复方法、装置、计算机设备和存储介质 | |
CN115759148A (zh) | 图像处理方法、装置、计算机设备及计算机可读存储介质 | |
CN112651953A (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
CN112651333A (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
CN114155363A (zh) | 换流站车辆识别方法、装置、计算机设备和存储介质 | |
CN111382638B (zh) | 一种图像检测方法、装置、设备和存储介质 | |
CN115601283B (zh) | 图像增强方法、装置、计算机设备及计算机可读存储介质 | |
CN113792671A (zh) | 人脸合成图像的检测方法、装置、电子设备及介质 | |
CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、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 |