CN117334053A - 一种智能扫描识别车牌app系统及方法 - Google Patents
一种智能扫描识别车牌app系统及方法 Download PDFInfo
- Publication number
- CN117334053A CN117334053A CN202311489828.3A CN202311489828A CN117334053A CN 117334053 A CN117334053 A CN 117334053A CN 202311489828 A CN202311489828 A CN 202311489828A CN 117334053 A CN117334053 A CN 117334053A
- Authority
- CN
- China
- Prior art keywords
- license plate
- module
- information
- recognition
- parking
- 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 41
- 238000012545 processing Methods 0.000 claims description 47
- 238000004458 analytical method Methods 0.000 claims description 44
- 230000006399 behavior Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 27
- 238000007726 management method Methods 0.000 claims description 25
- 238000010191 image analysis Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 11
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012015 optical character recognition Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000005055 memory storage Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 10
- 230000009466 transformation Effects 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/02—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points taking into account a variable factor such as distance or time, e.g. for passenger transport, parking systems or car rental systems
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及自动识别技术领域,尤其涉及一种智能扫描识别车牌APP系统及方法,该智能扫描识别车牌APP系统,通过移动终端获取车牌视频,可以解决现有的系统在光照不足或摄像角度不理想时难以对车牌进行识别的问题。
Description
技术领域
本发明涉及自动识别技术领域,尤其涉及一种智能扫描识别车牌APP系统及方法。
背景技术
在城市中心繁华商业区、医院、学校、商业写字楼、住宅小区等各个场景,每一天都有成千上万的车辆进出。随着人们生活质量水平的提高,人们的汽车数量不断增加,停车难、车辆管理难等问题也日益突出。在现代的城市管理中,各场景已经基本安装了停车车辆识别系统以及停车收费系统。当前的车辆识别系统设备扫描车牌时,在光照不足或摄像角度不理想的情况下,识别精度容易受到影响,会出现大量汽车车牌识别错误或者没有识别汽车车牌情况。还是需要人工对车牌进行更正以及补录车牌。操作员操作和查询更正补录车牌过程繁琐,需要大量时间,造成车辆拥堵情况。
现有的停车收费系统针对地下停车场网络情况不稳定、车流量较大地区会自动删除或者过滤掉识别错误车牌。但当违法事故发生时或是预警调研时,工作人员均无法按照一套严格的操作逻辑提供线索图片和车辆记录进行筛查。目前,通常采用两种方法解决,方法1,全面按照拍摄的时间顺序,完整的对所有车牌照片内容进行车牌比对,对车牌识别内容进行人工观察,这样,无法预判和筛选车辆信息,且费时费力,属于没有规律进行搜索。方法2,针对停车地点加装录像摄像机,对应地点的人工排查,筛选可疑车牌信息。但是,这样增加了安装成本以及排查时间。需要大量的时间去人工排查、筛选车辆信息。无法对于事件提供有利的证据,无法从根本上预防和防止事故的发生。可见,现有的停车收费系统在光照不足或摄像角度不理想时难以对车牌进行识别,当违法事故发生时或是预警调研时,工作人员均无法按照一套严格的操作逻辑提供线索图片和车辆记录进行筛查。
发明内容
本发明提供了一种智能扫描识别车牌APP系统及方法,以解决现有的停车收费系统在光照不足或摄像角度不理想时难以对车牌进行识别,当违法事故发生时或是预警调研时,工作人员均无法按照一套严格的操作逻辑提供线索图片和车辆记录进行筛查。
为了实现上述目的,本发明通过如下的技术方案来实现:
第一方面,本发明提供一种智能扫描识别车牌APP系统,包括:数据采集模块和系统应用模块,所述数据采集模块包括移动终端,所述系统应用模块包括图像分析处理模块和数据库;
所述移动终端用于获取车牌视频,并将所述车牌视频发送至所述分析处理模块;
所述图像分析处理模块用于根据所述车牌视频生成车牌信息,并将车牌信息存储至所述数据库中形成停车记录信息,还用于调用所述数据库中的停车记录信息对应的费用信息。
第二方面,本申请提供一种智能扫描识别车牌的方法,应用于上述第一方面所述的智能扫描识别车牌APP系统,所述方法包括:
S1:采用移动终端获取车牌视频,并将所述车牌视频发送至所述分析处理模块;
S2:采用图像分析处理模块根据所述车牌视频生成车牌信息,并将车牌信息存储至所述数据库中形成停车记录信息,采用图像分析处理模块调用所述数据库中的停车记录信息对应的费用信息。
有益效果:
本发明提供的智能扫描识别车牌APP系统,通过移动终端获取车牌视频,可以解决现有的系统在光照不足或摄像角度不理想时难以对车牌进行识别的问题。
在进一步的方案中,通过车牌行为轨迹分析模块记录和存储车牌信息的历史位置信息,通过分析历史轨迹,揭示车牌的活动模式、常驻区域的行为特征,应用轨迹分析算法,对车牌的轨迹进行聚类和异常检测以识别出重要行为模式和异常行为。可以解决现有的当违法事故发生时或是预警调研时,工作人员均无法按照一套严格的操作逻辑提供线索图片和车辆记录进行筛查的问题。
附图说明
图1为本发明优选实施例的一种智能扫描识别车牌APP系统的模块架构图;
图2为本发明优选实施例的业务对象ER设计图;
图3为本发明优选实施例的APP扫描识别车牌设计图;
图4为本发明优选实施例的APP收费过程示意图。
具体实施方式
下面对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
除非另作定义,本发明中使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”或者“一”等类似词语也不表示数量限制,而是表示存在至少一个。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也相应地改变。
应理解,本申请提供的智能扫描分析车牌APP系统可以应用于城市的交通管理系统中。通过手机相机扫描车牌上传车牌图片,该软件能够迅速精准地识别车牌号码并与后台数据库进行匹配验证。同时,软件还能够自动记录车辆进出时间和位置等信息,并将此信息上报给交通管理系统,帮助交警有效监管车辆的通行情况。在产品构造方面,该APP软件由前端界面、图像处理算法和后台数据库三部分组成。前端界面提供用户操作界面以及图像采集和显示功能;图像处理算法负责对车牌图片进行预处理、特征提取、分类和识别等操作;后台数据库用于存储和管理车牌信息。在制造过程方面,开发前端界面:采用Java语言开发前端UI界面,并集成手机相机API,实现图像采集和显示功能。设计图像处理算法:采用深度学习算法,利用卷积神经网络(CNN)模型进行车牌图像的预处理、特征提取、分类和识别等操作。开发后台数据库:使用MongoDB数据库,设计车牌信息的存储结构和访问接口,并实现数据的增删改查等操作。测试和调试:对软件进行功能测试和性能优化,确保软件能够正确地识别车牌并快速响应用户请求。
综上,本申请的APP系统通过深度学习算法和卷积神经网络模型,能够迅速、准确地识别车牌并记录车辆的通行情况,为城市交通管理工作提供了有力支持。
下面,对本申请的一种智能扫描识别车牌APP系统的各模块进行详细介绍。
请参见图1,本申请提供的一种智能扫描识别车牌APP系统,包括:数据采集模块和系统应用模块,所述数据采集模块包括移动终端,所述系统应用模块包括图像分析处理模块和数据库;
所述移动终端用于获取车牌视频,并将所述车牌视频发送至所述分析处理模块;
所述图像分析处理模块用于根据所述车牌视频生成车牌信息,并将车牌信息存储至所述数据库中形成停车记录信息,还用于调用所述数据库中的停车记录信息对应的费用信息。
在该实施方式中,移动终端可以是移动手机或者是便于携带的其余的移动设备。获取车牌视频的方式可以是手机摄像头对车辆的车牌进行扫描和捕捉。软件能够实时获取车牌图像并进行识别处理,提高用户的操作便捷性和识别准确性。
上述的智能扫描识别车牌APP系统,通过移动终端获取车牌视频,可以解决现有的系统在光照不足或摄像角度不理想时难以对车牌进行识别的问题。
可选地,所述图像分析处理模块包括车牌识别模块,所述车牌识别模块用于采用深度学习算法,利用卷积神经网络模型对车牌视频进行预处理、车牌定位和字符分割操作以识别车牌视频得到车牌信息。
可选地,所述图像分析处理模块还包括车牌行为轨迹分析模块,所述车牌行为轨迹分析模块与所述车牌识别模块相连,用于记录和存储车牌信息的历史位置信息,通过分析历史轨迹,揭示车牌的活动模式、常驻区域的行为特征,应用轨迹分析算法,对车牌的轨迹进行聚类和异常检测以识别出重要行为模式和异常行为。
在具体实现中,车牌行为轨迹分析模块在分析历史轨迹时,利用聚类算法对车牌的轨迹进行聚类,首先,将车牌轨迹表示为一个包含经度和纬度的二维数组,该数组中每个元素均为一个包含经度和纬度的二元组,然后,使用K-Means算法对所述二维数组进行聚类,引用算法函数满足如下关系式:
式中,xi表示第i个样本,Ci是xi所属的族,μci是族对应的中心点,M是样本总数;
所述车牌行为轨迹分析模块在对车牌的轨迹进行异常检测时,设置一个阈值,当车辆的行为超出了该阈值时,就认为这是异常的车辆行为,首先,导入numpy库,然后,定义了一个名为LicensePlateBehavior的类,在类的初始化函数init中,定义一个名为history_positions的字典,该字典用于存储车牌号码及其历史位置和时间信息,然后,定义一个方法detect_anomalies用于检测异常行为,方法detect_anomalies接受两个参数,一个是车牌号码,另一个是阈值,在detect_anomalies方法中,首先检查给定的车牌号码是否存在于history_positions字典中,如果不存在,则返回空;如果存在,则获取该车牌号码的所有位置信息并存储在positions列表中;然后计算每两个连续位置之间的距离,并将这些距离存储在distances列表中,检索distances列表,如果找到任何距离大于阈值的元素,就将该元素的索引添加到anomalies列表中,最后,返回anomalies列表,该列表包含了所有检测到的异常行为的索引。
在该实施方式中,通过车牌行为轨迹分析模块记录和存储车牌信息的历史位置信息,通过分析历史轨迹,揭示车牌的活动模式、常驻区域的行为特征,应用轨迹分析算法,对车牌的轨迹进行聚类和异常检测以识别出重要行为模式和异常行为。可以解决现有的当违法事故发生时或是预警调研时,工作人员均无法按照一套严格的操作逻辑提供线索图片和车辆记录进行筛查的问题。
可选地,所述图像分析处理模块还包括车牌信息管理模块,所述车牌信息管理模块与所述车牌行为轨迹分析模块和所述车牌识别模块相连,所述车牌信息管理模块用于记录所述车牌识别模块识别出的车牌信息和所述车牌行为轨迹分析模块识别的重要行为模式和异常行为,并供用户根据时间、地点查询记录的信息。
在该实施方式中,用户可以将识别出的车牌和相关信息进行记录和管理。用户可以根据时间、地点等条件进行查询和检索,方便车辆管理和查询历史记录。
可选地,所述图像分析处理模块还包括备份模块,所述备份模块与所述车牌信息管理模块连接,用于将所述车牌信息管理模块记录的信息同步到云端服务器或其他设备进行备份。
在该实施方式中,通过备份和共享。这样,即使用户更换设备或丢失手机,也能够轻松恢复和访问车牌信息。
可选地,所述数据库包括费用规划模块和信息存储模块,所述费用规划模块用于根据收费规则生成停车记录信息对应的费用信息,所述信息存储模块用于存储停车记录信息;所述停车记录信息包括车牌号码、卡片类型、停车入场时间、停车出场时间。
在该实施方式中,费用规划模块一共设计了四种收费方案以满足多元化的停车收费需求。这四种方案分别是临停车计费方案、月租车计费方案、时段计费方案和车型计费方案。在临停车计费方案中,本实施例创建了停车计时收费和停车计次收费两种方式。停车计时收费是根据当地市场停车收费标准设置的,按照时间收取车主停车费;停车计次收费是每辆车进入停车场都会被收取一定的停车费用。
月租车计费方案则是按月份收取车主停车费。对于时段计费方案,本实施例将停车收费区间按照一天24小时划分,并为不同时间段设置了不同的计费规则,以便更精准地收取停车费。
而车型计费方案则是通过识别车牌的颜色来自动设置停车收费规则并收取停车费。需要注意的是,除了月租车计费方案外,这四种收费方案全天只能采用同一个收费规则,以防止停车费用计算错误。
通过这些收费方案的设计,本实施例可以为停车场管理方提供高效、准确的停车计费功能,满足车主多样化的停车需求,同时也提升了停车场管理的效率和服务质量。
其中,实现APP扫描车牌计费有两种,一种是HTTP对接模式停车计费后台模式,一种是直接调用封装好的SDK。
在APP中,用户扫描车牌后,APP将通过HTTP请求向泊链服务器发送请求,(上传泊链对接涉及接口有:1.1,1.3,2.1,2.2,2.18,3.1,3.2,3.3,3.4,3.12、4.2。)计算停车费用。组织上行数据时,根据接口文档要求组织的SDK参数,将union_id、park_id、local_id进行MD5加密,然后进行签名,签名方式为data数据串+key=8403A41ED5EF20BC,对整串进行MD5加密,得到sign。
将service_name、sign、token、data组成最终的上行JSON格式数据上传到平台请求特定地址中。泊链服务器收到请求后,根据车牌号码、进入时间和离开时间计算停车时长和停车费用,并将计算结果封装成JSON格式的数据返回给APP。APP接收到泊链服务器返回的JSON格式数据后,解析数据并显示给用户。
在停车收费系统中,需要提供实现函数(方法),SDK调用,将数据传输给收费系统。定义接口,收费系统集成时,实现接口,提供实例对象给SDK,可以完成数据传输。在收费系统中,需要根据泊链服务器返回的数据,计算停车费用,并返回给APP。
当泊链服务器有需要推送给车场的消息时,车场发一个HTTP长轮询请求到泊链,泊链会暂时不返回这个请求,等待30秒后返回无消息,如30秒内有消息会及时返回。车场收到HTTP的返回后应及时再次发起一次请求,确保有且仅有一个HTTP长轮询请求存在,如果发生断开要车场端主动发起新的连接。通过上述实现方法,用户可以方便地使用APP进行停车计费,而停车收费系统也可以通过webservice接口方便地与泊链服务器进行交互,实现停车计费的自动化管理。详细APP收费过程请参考图4,车牌计费设计图。
本申请还提供一种智能扫描识别车牌的方法,应用于上述的智能扫描识别车牌APP系统,所述方法包括:
S1:采用移动终端获取车牌视频,并将所述车牌视频发送至所述分析处理模块;
S2:采用图像分析处理模块根据所述车牌视频生成车牌信息,并将车牌信息存储至所述数据库中形成停车记录信息,采用图像分析处理模块调用所述数据库中的停车记录信息对应的费用信息。
具体地,所述S2包括:
图像分析处理模块做实时视频流处理,使用图像处理库,获取移动终端实时采集的视频流,并对视频流进行预处理、车牌定位和字符分割的操作,以得到单个车牌号码;
调用OpenALPR API,使用OpenALPR提供的API接口,将经过预处理的车牌号码传递给OpenALPR算法,进行OCR识别和车牌号码验证的操作,得到识别结果;
对账号权限进行访问控制机制和车牌模糊处理,判断特定授权人员才能访问车牌图像和展示完整车牌号码;
将识别车牌结果展示到车牌识别APP界面。
可选地,上述方法还包括:
操作员查看车牌识别结果,判断车牌识别是否有误,在有错误车牌的情况下手动修改;
对人工处理有误车牌进行二次模拟加工识别训练,针对标记识别有误车牌进行记忆存储设置;
再次识别同一车牌,APP界面展示比对车牌数据,操作员自行选择车牌识别结果。
在一具体示例中,智能扫描识别车牌APP软件架构包括数据采集模块和系统应用两大模块。数据采集模块由车牌录入、参数配置、检查结果采集与车牌分析报表组成。其中车牌录入功能分为车牌扫描与车牌录入。系统应用模块包括首页、远程呼叫中心、用户管理、系统设置模块组成。首页模块包括车位管理和收费管理。远程呼叫中心包括控制中心以及呼叫记录。用户管理包括收费记录以及考勤打卡。系统设置包括消息通知、系统算法配置以及登录/退出功能。软件架构图如图1所示。
智能扫描识别车牌APP软件基于Android系统移动终端研发,用户可根据自身企业的需求选择相应的手机硬件或者移动终端。
2.数据库结构设计
该软件要持久储存和管理停车收费规则、系统用户信息和停车记录信息。业务对象ER设计图如图2所示。停车收费规则信息包括车牌号码、卡片类型、停车入场时间、停车出场时间。系统用户信息包括手机号码、账户、密码、车场名称。停车记录信息包括订单号、车牌号、停车场、停车时长、卡片类型、车型、优惠金额、停车费用、支付方式以及停车出场时间。
3.APP扫扫描识别车牌设计
当车牌识别应用于室外环境时,需要面对多种复杂情况,例如光照、天气、阴影和遮挡等干扰因素车牌识别面临巨大挑战。为了使APP扫描车牌识别准确度提高,我们在开源车牌识别算法库Open ALPR基础上,在对图像采集、图像预处理和图像矫正三个方面进行了基于SVM模型车牌神经网络的车牌识别算法训练。该APP扫描识别车牌设计图如图3所示。识别车牌过程如下:
步骤1:启动Android移动智能手机摄像头,并测试摄像头是否正常工作。
步骤2:利用OIS光学防抖技术,消除手抖对图像稳定性的影响。当操作员使用移动智能手机对准车牌时,屏幕上会出现一个可调节的聚焦识别框,这个框可以帮助操作员更准确地定位和聚焦车牌。同时,屏幕上会有相应的提示或声音来提醒操作员将车牌稳定地固定在识别框中。一旦车牌被成功识别,系统将自动处理并显示出车牌号码信息。
步骤3:系统后台做实时视频流处理,使用OpenCV库或其他类似的图像处理库,获取摄像头实时采集的视频流。使用灰度化算法,对视频进行灰度化视频流进行预处理。在预处理阶段,我们首先使用灰度化算法将彩色视频流转换为灰度图像。灰度图像只有一个颜色通道,这使得处理速度更快,同时也能减少噪声和干扰。然后针对彩色视频流转换成的灰度图像提取车牌。在灰度图像上应用车牌识别算法,这个算法通常包含一个或多个可调整的神经网络模型,这些模型被训练用来识别车牌的形状和尺寸。一旦检测到车牌,算法会将其在视频帧中的位置标注出来。下一步就是对车牌进行字符分割。字符分割是通过将车牌上的字符逐个分割出来,以供后续识别。这个过程通常使用边缘检测、阈值分割、形态学处理等图像处理技术来实现。针对分割出来的字符我们会进行二值化和去噪处理,以进一步减少干扰和提高识别准确性。最后,利用深度学习算法对二值化的字符进行识别得到单个的车牌。
步骤4:根据提取出单个识别车牌,会出现因为图片清晰度不高,模糊,像素等原因车牌不完整情况。在识别判断识别车牌不完整的情况下。将对识别车牌图像进行二次矫正。针对不同的畸变图片我们采取了不同矫正车牌方式。对于轻微畸变的车牌,我们采用了基于线性变换的方法来进行矫正。该方法简单易行,能够有效地改善车牌的畸变程度,并且对字符的识别率影响较小。具体实现方式如下:
使用OpenCV库处理完车牌识别图像后,需要导入python里面cv2和numpy两个库。cv2是一个用于处理图像和视频的开源库,numpy是Python的一个用于数值计算的库。然后,使用cv2.imread()函数读取了一张名为'distorted_license_plate.jpg'的图像,图像的颜色模式被设置为彩色模式(cv2.IMREAD_COLOR)。
接下来,设置了源图像和目标图像上的四个点([x1,y1],[x2,y2],[x3,y3],[x4,y4]。这些点通常由用户手动选择,或者使用其他算法确定。在这里,这四个点在源图像(src)中被设定为src_pts,这四个点一般是畸变车牌的四个角。然后在目标图像(dst)中,也设定了四个点dst_pts,这四个点是纠正后应该出现的车牌的四个角。然后,使用cv2.getPerspectiveTransform()函数计算了从源图像到目标图像的透视变换矩阵M。接着,使用cv2.warpPerspective()函数对源图像进行透视变换,得到纠正后的图像。最后,使用cv2.imshow()函数分别展示了原始图像和纠正后的图像,并使用cv2.waitKey(0)使得窗口等待用户按键操作,cv2.destroyAllWindows()则会关闭所有已打开的窗口。
对于中度和重度畸变的车牌,本实施方式采用基于非线性变换的方法来进行矫正。该方法可以根据车牌的实际情况,设计出更加精确的非线性变换模型,从而更好地改善车牌的畸变程度。具体实现方式如下:
导入了pytohon里面cv2和numpy两个库。cv2是一个用于处理图像和视频的开源库,numpy是Python的一个用于数值计算的库。然后,使用cv2.imread()函数读取了一张名为distorted_license_plate.jpg的畸变图像。接下来,定义了畸变系数和相机矩阵。这两个参数需要通过摄像头标定得到。在示例中,给出了一个示例值,但实际上需要根据具体情况进行标定。然后,使用cv2.getOptimalNewCameraMatrix()函数计算最佳相机矩阵。该函数根据原始相机矩阵、畸变系数、图像大小和缩放因子等参数计算最佳相机矩阵。接着,使用cv2.undistort()函数对图像进行去畸变处理。该函数根据原始图像、相机矩阵、畸变系数、新相机矩阵等参数返回去畸变后的图像。最后,使用cv2.imshow()函数分别展示原始图像和去畸变后的图像,并使用cv2.waitKey(0)使得窗口等待用户按键操作,cv2.destroyAllWindows()则会关闭所有已打开的窗口。
对于倾斜的车牌,本实施方式采用了基于旋转和平移的方法来进行矫正。该方法可以根据车牌的实际倾斜程度,设计出相应的旋转和平移参数,从而将车牌摆正,提高字符的识别率。对于字符密集或重叠的车牌,我们采用了基于字符分割的方法来进行矫正。该方法可以根据字符的密度和位置关系,将字符逐个分割开来,从而提高了字符的识别率。具体实现方式如下:对于倾斜的车牌,我们可以通过affine变换(仿射变换)或者使用旋转矩阵来纠正其倾斜。为了实现这个操作,我们需要知道车牌倾斜的角度,这个通常可以通过边缘检测或者Hough变换等技术来计算。
对于字符密集或重叠的问题,我们可以使用图像分割技术如连通组件或者watershed算法来分割字符。导入了Python两个库:opencv(cv2)和numpy(np)。然后,读取一张名为"tilted_license_plate.jpg"的图片,该图片是倾斜的车牌。对于倾斜的车牌,我们可以使用仿射变换来纠正其倾斜。这里假设已知车牌的倾斜角度为rotate_angle。根据这个角度,我们可以计算出仿射变换矩阵M,然后使用cv2.warpAffine函数对图像进行仿射变换,得到纠正后的车牌图像dst。
对于字符密集或重叠的车牌,我们可以使用阈值化和连通组件来分割字符。首先,使用cv2.threshold函数对图像进行阈值化,将图像转换为二值图像。然后,使用cv2.connectedComponents函数找出图像中的连通组件。
对于每个连通组件(即每个字符),提取其边界框并在图像中画出。首先,找到当前连通组件的像素点。然后,使用cv2.findContours函数计算边界框。最后,使用cv2.boundingRect函数计算边界框的位置和大小,并在图像中画出边界框。
最后,使用cv2.imshow函数显示纠正和分割后的车牌图像。使用cv2.waitKey函数等待用户按键操作,然后使用cv2.destroyAllWindows函数关闭所有打开的窗口。
步骤5:调用OpenALPR API,使用OpenALPR提供的API接口,将经过预处理的车牌号码传递给OpenALPR算法,进行OCR识别和车牌号码验证等操作,得到识别结果。
步骤6:对使用账号权限进行访问控制机制和车牌模糊处理,判断特定授权人员才能访问车牌图像和展示完整车牌号码。保护车牌数据安全和隐私安全。
步骤7:将识别车牌结果展示到车牌识别APP界面上。
步骤8:操作员查看车牌识别结果,判断车牌识别是否有误。有错误车牌可手动修改。
步骤9:系统对人工处理有误车牌进行二次模拟加工识别训练,针对标记识别有误车牌进行记忆存储设置。
步骤10:系统再次识别同一车牌,APP界面展示比对车牌数据,操作员可自行选择车牌识别结果。
综上,上述的智能扫描识别车牌的方法采用先进的车牌识别技术,能够快速、准确地识别车牌信息,避免了人工计时或手动输入车牌号码可能出现的错误。通过使用智能扫描分析车牌APP软件,车主只需在进出停车场时通过手机拍摄车牌图片上传即可完成停车计费,无需关注计费员或支付现金,大大提高了停车体验的便捷性。智能扫描分析车牌APP软件的数据录入和计费过程是实时的,车主可以随时查看当前停车费用和历史记录,并进行在线缴费,无需到达收费口或其他地方缴费。智能扫描分析车牌APP软件实现了自动化计费,根据预设的计费标准,系统可以自动计算车辆停留时间并按照标准进行计费,无需手动干预,从而节省了人力成本。智能扫描分析车牌APP软件可以实现精细化停车管理,包括车位占用统计、车流量分析、停车时长分布等功能,为停车场管理者提供了更多的数据支持和决策依据,有助于提高停车场的管理水平。智能扫描分析车牌APP软件实现了多重安全保护机制,包括用户身份验证、数据加密传输、支付安全等措施,保障了用户数据的安全和隐私。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种智能扫描识别车牌APP系统,其特征在于,包括:数据采集模块和系统应用模块,所述数据采集模块包括移动终端,所述系统应用模块包括图像分析处理模块和数据库;
所述移动终端用于获取车牌视频,并将所述车牌视频发送至所述图像分析处理模块;
所述图像分析处理模块用于根据所述车牌视频生成车牌信息,并将车牌信息存储至所述数据库中形成停车记录信息,还用于调用所述数据库中的停车记录信息对应的费用信息。
2.根据权利要求1所述的智能扫描识别车牌APP系统,其特征在于,所述图像分析处理模块包括车牌识别模块,所述车牌识别模块用于采用深度学习算法,利用卷积神经网络模型对车牌视频进行预处理、车牌定位和字符分割操作以识别车牌视频得到车牌信息。
3.根据权利要求2所述的智能扫描识别车牌APP系统,其特征在于,所述图像分析处理模块还包括车牌行为轨迹分析模块,所述车牌行为轨迹分析模块与所述车牌识别模块相连,用于记录和存储车牌信息的历史位置信息,通过分析历史轨迹,揭示车牌的活动模式、常驻区域的行为特征,应用轨迹分析算法,对车牌的轨迹进行聚类和异常检测以识别出重要行为模式和异常行为。
4.根据权利要求3所述的智能扫描识别车牌APP系统,其特征在于,所述车牌行为轨迹分析模块在分析历史轨迹时,利用聚类算法对车牌的轨迹进行聚类,首先,将车牌轨迹表示为一个包含经度和纬度的二维数组,该数组中每个元素均为一个包含经度和纬度的二元组,然后,使用K-Means算法对所述二维数组进行聚类,引用算法函数满足如下关系式:
式中,xi表示第i个样本,Ci是xi所属的族,是族对应的中心点,M是样本总数;
所述车牌行为轨迹分析模块在对车牌的轨迹进行异常检测时,设置一个阈值,当车辆的行为超出了该阈值时,就认为这是异常的车辆行为,首先,导入numpy库,然后,定义了一个名为LicensePlateBehavior的类,在类的初始化函数init中,定义一个名为history_positions的字典,该字典用于存储车牌号码及其历史位置和时间信息,然后,定义一个方法detect_anomalies用于检测异常行为,方法detect_anomalies接受两个参数,一个是车牌号码,另一个是阈值,在detect_anomalies方法中,首先检查给定的车牌号码是否存在于history_positions字典中,如果不存在,则返回空;如果存在,则获取该车牌号码的所有位置信息并存储在positions列表中;然后计算每两个连续位置之间的距离,并将这些距离存储在distances列表中,检索distances列表,如果找到任何距离大于阈值的元素,就将该元素的索引添加到anomalies列表中,最后,返回anomalies列表,该列表包含了所有检测到的异常行为的索引。
5.根据权利要求3所述的智能扫描识别车牌APP系统,其特征在于,所述图像分析处理模块还包括车牌信息管理模块,所述车牌信息管理模块与所述车牌行为轨迹分析模块和所述车牌识别模块相连,所述车牌信息管理模块用于记录所述车牌识别模块识别出的车牌信息和所述车牌行为轨迹分析模块识别的重要行为模式和异常行为,并供用户根据时间、地点查询记录的信息。
6.根据权利要求5所述的智能扫描识别车牌APP系统,其特征在于,所述图像分析处理模块还包括备份模块,所述备份模块与所述车牌信息管理模块连接,用于将所述车牌信息管理模块记录的信息同步到云端服务器或其他设备进行备份。
7.根据权利要求1所述的智能扫描识别车牌APP系统,其特征在于,所述数据库包括费用规划模块和信息存储模块,所述费用规划模块用于根据收费规则生成停车记录信息对应的费用信息,所述信息存储模块用于存储停车记录信息;所述停车记录信息包括车牌号码、卡片类型、停车入场时间、停车出场时间。
8.一种智能扫描识别车牌的方法,应用于上述权利要求1-7中任一项所述的智能扫描识别车牌APP系统,其特征在于,所述方法包括:
S1:采用移动终端获取车牌视频,并将所述车牌视频发送至所述分析处理模块;
S2:采用图像分析处理模块根据所述车牌视频生成车牌信息,并将车牌信息存储至所述数据库中形成停车记录信息,采用图像分析处理模块调用所述数据库中的停车记录信息对应的费用信息。
9.根据权利要求8所述的智能扫描识别车牌的方法,其特征在于,所述S2包括:
图像分析处理模块做实时视频流处理,使用图像处理库,获取移动终端实时采集的视频流,并对视频流进行预处理、车牌定位和字符分割的操作,以得到单个车牌号码;
调用OpenALPR API,使用OpenALPR提供的API接口,将经过预处理的车牌号码传递给OpenALPR算法,进行OCR识别和车牌号码验证的操作,得到识别结果;
对账号权限进行访问控制机制和车牌模糊处理,判断特定授权人员才能访问车牌图像和展示完整车牌号码;
将识别车牌结果展示到车牌识别APP界面。
10.根据权利要求8所述的智能扫描识别车牌的方法,其特征在于,还包括:
操作员查看车牌识别结果,判断车牌识别是否有误,在有错误车牌的情况下手动修改;
对人工处理有误车牌进行二次模拟加工识别训练,针对标记识别有误车牌进行记忆存储设置;
再次识别同一车牌,APP界面展示比对车牌数据,操作员自行选择车牌识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311489828.3A CN117334053A (zh) | 2023-11-09 | 2023-11-09 | 一种智能扫描识别车牌app系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311489828.3A CN117334053A (zh) | 2023-11-09 | 2023-11-09 | 一种智能扫描识别车牌app系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117334053A true CN117334053A (zh) | 2024-01-02 |
Family
ID=89275730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311489828.3A Pending CN117334053A (zh) | 2023-11-09 | 2023-11-09 | 一种智能扫描识别车牌app系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117334053A (zh) |
-
2023
- 2023-11-09 CN CN202311489828.3A patent/CN117334053A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10950124B2 (en) | License plate recognition | |
US10706330B2 (en) | Methods and systems for accurately recognizing vehicle license plates | |
WO2021047187A1 (zh) | 基于人脸识别进行车辆缴费的方法、相关设备及存储介质 | |
KR101937833B1 (ko) | 영상처리 기반의 주차관리 시스템 및 방법 | |
US11587327B2 (en) | Methods and systems for accurately recognizing vehicle license plates | |
CN108765975B (zh) | 路侧垂直停车场管理系统及方法 | |
CN111613088A (zh) | 停车计费管理系统及方法 | |
CN111784498A (zh) | 身份认证方法、装置、电子设备及存储介质 | |
CN111696364A (zh) | 一种路侧停车管理方法 | |
KR20200109154A (ko) | 이미지 인식 장치를 이용한 주차면 관리 시스템 | |
KR102090907B1 (ko) | 영상개선 및 딥러닝 기술을 접목한 차량검출 및 번호인식 방법과 이를 이용한 주차시스템 | |
KR20210066081A (ko) | 태국 자동차 번호 인식이 가능한 주차 관제 시스템 및 그 방법 | |
CN117334053A (zh) | 一种智能扫描识别车牌app系统及方法 | |
KR20200126743A (ko) | 차량 출입 통제 시스템 및 그 방법 | |
Prasetyo et al. | Optimization of image processing techniques in developing of smart parking system | |
Łubkowski et al. | Assessment of quality of identification of data in systems of automatic licence plate recognition | |
KR20160043197A (ko) | 에지에 바운더리 코드를 포함하는 차량 번호판, 번호판의 에지에 제공되는 바운더리 코드를 이용한 차량 번호 인식 장치, 시스템, 및 그 방법 | |
KR102138378B1 (ko) | 대사작업 통합 관리 및 처리 방법 | |
KR102435435B1 (ko) | 인공지능 기반 차량번호 및 보행자 검색 시스템 및 방법 | |
KR20220072316A (ko) | 다객체의 이벤트 검출을 위한 영상분석장치 및 그 장치의 구동방법 | |
KR102511971B1 (ko) | Ai 기반 실시간 영상에서 차량번호 객체인식을 이용한 차주 간 소통 서비스 및 운전 평가 시스템 | |
KR102667443B1 (ko) | 주거지용 주차 관리 방법 | |
KR102650518B1 (ko) | 차량번호를 이용한 입주자 확인 서비스 제공 시스템 | |
KR20010070744A (ko) | 교통통제와 범죄차량 자동색출을 위한 차량자원 관리방법및 장치 | |
TWI759974B (zh) | 車輛辨識系統及方法 |
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 |