CN117854052A - 基于图像识别的车牌号码提取方法及系统 - Google Patents
基于图像识别的车牌号码提取方法及系统 Download PDFInfo
- Publication number
- CN117854052A CN117854052A CN202311129642.7A CN202311129642A CN117854052A CN 117854052 A CN117854052 A CN 117854052A CN 202311129642 A CN202311129642 A CN 202311129642A CN 117854052 A CN117854052 A CN 117854052A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- vehicle
- recognition
- plate number
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims description 67
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 230000033001 locomotion Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013518 transcription Methods 0.000 description 4
- 230000035897 transcription Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
- Character Discrimination (AREA)
Abstract
本发明提供了基于图像识别的车牌号码提取方法及系统,涉及图像识别技术领域,所述方法包括:在停车场入口布设CMOS图像采集装置,对入场车辆进行图像采集,获取车辆图像,对所述车辆图像进行目标检测,获取车辆结构图像,对所述车辆结构图像进行车牌定位,获取车牌区域,在所述车牌区域内进行字符分割,获取检测字符,将所述检测字符输入车牌字符识别器进行字符识别,获取车牌号码存储至停车场管理系统。本申请解决了在运动过程中拍摄的图片,具有拍摄易抖动、角度易偏差使其效率或准确率达不到实际要求的技术问题。使用图像识别可以方便对车牌定位获得车牌号码,方便对于车辆的查找,达到了大大提高记录效率和记录的车牌准确率的技术效果。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及用于基于图像识别的号码提取方法及系统。
背景技术
近年来,随着我国居民消费水平的提高,人们对车辆的拥有量在不断地提升,车辆监控和车辆自动识别成为焦点问题,其中车牌识别技术作为智能交通中最重要的部分之一,各种道路卡口、停车场出入等场所都已应用了车牌识别技术,为城市交通智能化提供全方位信息化支撑。
现有技术是通过人为记录车牌号会出现记录失误、效率低且有些字迹也不清晰等问题,通过普通图像采集设备进行改革,改变传统人为抄录的技术。
现有技术还存在,字符与背景色反差较大,根据车型的不同,车牌具有多种颜色组合,如蓝底白字、黄底黑字、黑底白字,不能准确地提取车牌号,且在运动过程中拍摄的图片,具有拍摄易抖动、角度易偏差使其效率或准确率达不到实际要求的技术问题。
发明内容
本申请解决了通过人为记录车牌号会出现记录失误、效率低且有些字迹也不清晰等问题,通过普通图像采集设备进行改革,改变传统人为抄录的技术。还解决了字符与背景色反差较大,根据车型的不同,车牌具有多种颜色组合,如蓝底白字、黄底黑字、黑底白字,不能准确地提取车牌号,且在运动过程中拍摄的图片,具有拍摄易抖动、角度易偏差使其效率或准确率达不到实际要求的技术问题。使用图像识别可以方便对车牌定位获得车牌号码,方便对于车辆的查找,达到了大大提高记录效率和记录的车牌准确率的技术效果。
鉴于上述问题,本申请实施例提供了基于图像识别的号码提取方法及系统。
第一方面,本申请实施例提供了基于图像识别的号码提取方法,所述方法包括:在停车场入口布设CMOS图像采集装置,对入场车辆进行图像采集,获取车辆图像,对所述车辆图像进行目标检测,获取车辆结构图像,对所述车辆结构图像进行车牌定位,获取车牌区域,在所述车牌区域内进行字符分割,获取检测字符,将所述检测字符输入车牌字符识别器进行字符识别,获取车牌号码;将所述车牌号码与图像采集时间进行关联,存储至停车场管理系统,其中,所述图像采集时间作为入场时间。
第二方面,本申请实施例提供了基于图像识别的号码提取系统,所述系统包括:车辆图像获取模块,所述车辆图像获取模块用于在停车场入口布设CMOS图像采集装置,对入场车辆进行图像采集,获取车辆图像,车辆结构图像获取模块,所述车辆结构图像获取模块用于对所述车辆图像进行目标检测,获取车辆结构图像,车牌区域获取模块,所述车牌区域获取模块用于对所述车辆结构图像进行车牌定位,获取车牌区域,检测字符获取模块,所述检测字符获取模块用于在所述车牌区域内进行字符分割,获取检测字符,车牌号码获取模块,所述车牌号码获取模块用于将所述检测字符输入车牌字符识别器进行字符识别,获取车牌号码,入场时间获取模块,所述入场时间获取模块用于将来所述车牌号码与图像采集时间进行关联,存储至停车场管理系统,其中,所述图像采集时间作为入场时间。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明提供了基于图像识别的号码提取方法及系统,涉及图像识别技术领域,所述方法包括:首先,在停车场入口布设CMOS图像采集装置,对入场车辆进行图像采集,获取车辆图像,在停车场出口对出场车辆进行车牌识别,获取出场车牌号码,并记录出场时间,然后将所述出场车牌号在停车场管理系统进行遍历查询,获取匹配车牌号码,所述匹配车牌号码包括入场时间,根据所述出场时间和所述入场时间,计算获得停车时长,再根据停车时长进行停车费用计算使用边缘检测算法提取所述车辆图像中的边缘信息,随后根据所述边缘信息,结合车辆形状特征,进行连通区域分析,获取车辆位置,基于所述车辆位置进行图像裁剪,获取所述车辆结构图像的车辆灰度图像,对所述灰度图像进行灰度分布识别,得到车牌区域灰度空间,将所述车牌区域灰度空间作为目标区域,基于所述目标区域对所述车辆结构图像进行区域增强,得到目标车牌区域,对所述目标车牌区域进行直线拟合,根据直线拟合结果进行形态筛选,获取第一筛选结果,获取预设尺寸阈值,基于所述预设尺寸阈值对所述第一筛选结果进行尺寸筛选,获取第二筛选结果,获取车牌长宽比例,基于所述车牌长宽比例对所述第一筛选结果进长宽比例筛选,获取第三筛选结果,基于所述第一筛选结果、第二筛选结果、第三筛选结果,获取所述车牌区域,调取车牌检测记录数据,获取车牌号码图像集合,对所述车牌号码图像集合内的车牌号码图像进行字母标识,获取字母识别结果,对所述车牌号码图像集合内的车牌号码图像进行数字标识,获取数字识别结果,然后基于BP神经网络,采用所述车牌号码图像与字母识别结果构建字母识别通道,采用所述车牌号码图像与数字识别结果构建数字识别通道,最终将所述字母识别与所述数字识别通进行整合,获取车牌字符识别器。
本申请解决了通过人为记录车牌号会出现记录失误、效率低且有些字迹也不清晰等问题,通过普通图像采集设备进行改革,改变传统人为抄录的技术。还解决了字符与背景色反差较大,根据车型的不同,车牌具有多种颜色组合,如蓝底白字、黄底黑字、黑底白字,不能准确地提取车牌号,且在运动过程中拍摄的图片,具有拍摄易抖动、角度易偏差使其效率或准确率达不到实际要求的技术问题。使用图像识别可以方便对车牌定位获得车牌号码,方便对于车辆的查找,达到了大大提高记录效率和记录的车牌准确率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供了基于图像识别的车牌号码提取方法及系统流程示意图;
图2为本申请实施例提供了基于图像识别的车牌号码提取方法中基于所述目标车辆区域进行车牌定位标识,确定所述车牌区域方法流程示意图;
图3为本申请实施例提供了基于图像识别的车牌号码提取方法中基于所述第一筛选结果、第二筛选结果、第三筛选结果,获取所述车牌区域方法流程示意图;
图4为本申请实施例提供了基于图像识别的车牌号码提取方法中将所述字母识别与所述数字识别通进行整合,获取车牌字符识别器方法流程示意图;
图5为本申请实施例提供了基于图像识别的车牌号码提取方法及系统的结构示意图。
附图标记说明:车辆图像获取模块10,车辆结构图像获取模块20,车辆区域获取模块30,检测符号获取模块40,车牌号码获取模块50,入场时间获取模块60。
具体实施方式
本申请解决了通过人为记录车牌号会出现记录失误、效率低且有些字迹也不清晰等问题,通过普通图像采集设备进行改革,改变传统人为抄录的技术。还解决了字符与背景色反差较大,根据车型的不同,车牌具有多种颜色组合,如蓝底白字、黄底黑字、黑底白字,不能准确地提取车牌号,且在运动过程中拍摄的图片,具有拍摄易抖动、角度易偏差使其效率或准确率达不到实际要求的技术问题。使用图像识别可以同时获得车辆的车牌号码以及入场时间,方便对于车辆的查找,达到了大大提高记录效率和记录的车牌准确率的技术效果。
本申请实施例中的技术方案为解决上述问题,总体解决思路如下:
首先,在停车场入口布设CMOS图像采集装置,对入场车辆进行图像采集,获取车辆图像,在停车场出口对出场车辆进行车牌识别,获取出场车牌号码,并记录出场时间,然后将所述出场车牌号在停车场管理系统进行遍历查询,获取匹配车牌号码,所述匹配车牌号码包括入场时间,根据所述出场时间和所述入场时间,计算获得停车时长,再根据停车时长进行停车费用计算。
使用边缘检测算法提取所述车辆图像中的边缘信息,随后根据所述边缘信息,结合车辆形状特征,进行连通区域分析,获取车辆位置,基于所述车辆位置进行图像裁剪,获取所述车辆结构图像的车辆灰度图像,对所述灰度图像进行灰度分布识别,得到车牌区域灰度空间,将所述车牌区域灰度空间作为目标区域,基于所述目标区域对所述车辆结构图像进行区域增强,得到目标车牌区域,对所述目标车牌区域进行直线拟合,根据直线拟合结果进行形态筛选,获取第一筛选结果,获取预设尺寸阈值,基于所述预设尺寸阈值对所述第一筛选结果进行尺寸筛选,获取第二筛选结果,获取车牌长宽比例,基于所述车牌长宽比例对所述第一筛选结果进长宽比例筛选,获取第三筛选结果,基于所述第一筛选结果、第二筛选结果、第三筛选结果,获取所述车牌区域,调取车牌检测记录数据,获取车牌号码图像集合。
对所述车牌号码图像集合内的车牌号码图像进行字母标识,获取字母识别结果,对所述车牌号码图像集合内的车牌号码图像进行数字标识,获取数字识别结果,然后基于BP神经网络,采用所述车牌号码图像与字母识别结果构建字母识别通道,采用所述车牌号码图像与数字识别结果构建数字识别通道,最终将所述字母识别与所述数字识别通进行整合,获取车牌字符识别器。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍:
实施例一
如图1所示基于图像识别的车牌号码提取方法,其特征在于,所述方法包括:
在停车场入口布设CMOS图像采集装置,对入场车辆进行图像采集,获取车辆图像;
具体而言,CMOS图像采集设备就是一种典型的固体成像传感器,与CCD有着共同的历史渊源。CMOS图像传感器通常由像敏单元阵列、行驱动器、列驱动器、时序控制逻辑、AD转换器、数据总线输出接口、控制接口等几部分组成,这几部分通常都被集成在同一块硅片上。还可以集成其他数字信号处理电路,如AD转换器、自动曝光量控制、非均匀补偿、白平衡处理、黑电平控制、伽马校正等,为了进行快速计算甚至可以将具有可编程功能的DSP器件与CMOS器件集成在一起,从而组成单片数码相机及图像处理系统。可以布设在停车长的正前方,防止斜面有反光拍摄不清楚等情况,布设两个,前面靠左一点一个,前面靠右一个,设置一样的权值,最后加权运算,得到最终图像信息,根据入场车辆就是进入停车场内的车辆,此处停车就是已经布设CMOS图像采集装备的停车场,通过外界光照射像素阵列,发生光电效应,在像素单元内产生相应的电荷。行选择逻辑单元根据需要,选通相应的行像素单元。行像素单元内的图像信号通过各自所在列的信号总线传输到对应的模拟信号处理单元以及A/D转换器,转换成数字图像信号输出,进而获得车辆图像信息。
对所述车辆图像进行目标检测,获取车辆结构图像;
具体而言,目标检测就是找出图像中关注的物体,确定它们的类别和位置,主要分为分类问题,此处就是判别是摩托车还是汽车,定位问题就是判别此处车辆是在那个位置,已经进入停车场还是还在准备进入停车场,大小问题,就是判别是大型越野车还是小型小轿车,形状问题,有的车辆是低低的呈流线型,这种进行判别,可以使用Two stage和Onestage两种算法进行检测,根据这些获取该车辆的结构图像。
对所述车辆结构图像进行车牌定位,获取车牌区域;
具体而言,车牌定位是经过处理后的图像中确定拍照的具体位置,并且将含有字符的一块图像从整个图像中分割出来,供字符识别使用,分割的准确关系整个牌照的识别率,水平较高的横向近似长方形,它在原始图像中的相对位置比较集中,而且其灰度值与周边区域有明显的不同,因此在其边缘形成了灰度突变的边界,经过这些处理,牌照的区域已经十分明显,此时可进一步确定牌照在整幅图像中的准确位置,可以选用数学形态学的方法,根据一定形态的机构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的,数学形态学的应用可以简化图像数据,保持它们基本的形态特征,去除不相干的结构,可以使用膨胀和闭合两个运算,使用bwareaopen来去除对象中不相干的小对象。经过处理后可以对牌照的特征参数进行比较,根据车牌照的标准规定,车前牌长440mm,宽140mm,比例为440/140,根据图像像素的大小,初筛可宽为50-150,高在20-50,同时比例应该大于0.45,这样就可以获得比较准确的车牌大致位置。
在所述车牌区域内进行字符分割,获取检测字符;
具体而言,字符分割是在前期牌照定位的基础上进行字符的分割,然后再利用分割的结果进行字符识别,字符识别的算法有很多,目前用于车牌字符识别中的算法主要有模板匹配的OCR算法以及基于人工神经网络的OCR算法,其首先是与所有的模板进行匹配,最后选最佳匹配的作为输出结果,当字符规整时对字符图像的缺损、污渍干扰适应力强且识别率相当高。因为车牌字符间隔比较大,不会出现字符粘连情况,此处可以采用寻找连续有文字的块,若长度大于某阈值,则认为该块有两个字符组成,需要分割,根据这种方法获得检测字符。
将所述检测字符输入车牌字符识别器进行字符识别,获取车牌号码;
具体而言,车牌字符识别器就是将图片输入电脑,需要对它进行处理,就要将它转化为计算机可以识别的语言,由于每一个待识别的字符都是以数字图像的形式存在的,因此待识别的字符的图片可以经过MATLAB转化为矩阵,再通过矩阵进行一系列的数学运算,从而达到对图片进行识别的目的,MATLAB是将归一化的字符二值图像与模板库中的字符二值化图像逐个进行匹配,采用相似度的方法计算车牌字符与每个模板字符的匹配程度,去最相似的作为匹配后的值,以此方法获取车牌号码。
将所述车牌号码与图像采集时间进行关联,存储至停车场管理系统,其中,所述图像采集时间作为入场时间。
具体而言,停车场管理系统主推通过采用电动挡车器和车牌识别模块设备的组合,并进行对设备进行整合联动的方式,来对车辆的进出进行管制。结合管制空域车位数量,计算或限制停车时间,加强防盗/防作弊的功能,使系统更有效地辨识和管理进出场车辆,车辆进场时,通过视频检测、触发雷达或触发线圈,触发抓拍机,拍摄车牌图像,通过车牌识别系统从图像中获取车牌号码,并把这个号码输入数据库做比对。如果是临时用户车辆,将获取的车辆信息和进入时间存入系统数据库并抬杆放行。如果是固定用户车辆,核实信息无误,在系统数据库中存入进入时间后抬杆放行,要是信息核实失败或者固定停车已过期,将转入人工操作续费或转为临时用户车辆管理方式。另外,若场内已无余位,在出入口的信息显示屏上显示“车位已满”信息,引导车辆离开。车辆出场时,车辆信息、停车信息、收费信息等均会进行播报和在信息显示屏上显示。车位管理流程包括车位的分配和释放,通过将车辆出入信息实时传入系统数据库,来更新车位信息。车位管理流程包括两个阶段,一是车辆进入时的车位分配和车位信息更新,二是车辆离开时的车位信息更新。无牌车辆实现去介质化管理,通过将车主的微信/支付宝账号和车辆进行关联,车主通过用微信/支付宝扫一扫功能,在扫描车道二维码后可将微信/支付宝账号信息作为无牌车辆电子标签来实现自主入场。CMOS每次拍照记录的时候都会记录时间,实时拍照实时记录时间,并且存入数据库中,所以入场时间和出场时间可以通过系统内的数据库进行查询。从而可以得到在场内预留了多久。
进一步地,其特征在于,本申请方法还包括:
在停车场出口对出场车辆进行车牌识别,获取出场车牌号码,并记录出场时间;
将所述出场车牌号在停车场管理系统进行遍历查询,获取匹配车牌号码,所述匹配车牌号码包括入场时间;
根据所述出场时间和所述入场时间,计算获得停车时长,根据停车时长进行停车费用计算。
具体而言,在出口设置的图像采集设备,通过采集的图像经过图像结构处理和形态学处理以及符号处理得到具体的车牌号码,获取到此车牌号码,并且记录的出场时间,然后在管理系统中数据库中进行检索,比如有500辆车进入了,那么入场记录就会有500条,每条都对应一个时间,根据从到大的顺序0-499的顺序以此扫描一下数据,可以通过二分查找的方式缩短扫描时间,找到对应的车牌号码,记录入场时间,根据出入场的时间计算在场内待的时间,然后根据时长记录费用,比如一小时10元,超过一小时且不足两小时的按照两小时计算,如果入场时间是12点出场时间是15.35那么就为停车了3.35个小时,按照4小时计算停车费就为40元。
进一步地,本申请方法,其特征在于,对所述车辆图像进行目标检测,获取车辆结构图像,还包括:
使用边缘检测算法提取所述车辆图像中的边缘信息;
根据所述边缘信息,结合车辆形状特征,进行连通区域分析,获取车辆位置;
基于所述车辆位置进行图像裁剪,获取所述车辆结构图像。
具体而言,它的主要原理在于识别出数字图像中那些颜色变化或者亮度变化明显的像素点,这些像素点的显著性变化往往代表图像的这部分属性发生了重要变化,其中包括了深度上的不连续、方向上的不连续及亮度上的不连续等。边缘检测算法在对图像的边缘进行检测时,先大概检测出图像轮廓的一些像素点,然后通过一些连接规则将那些像素点连接起来,最后再检测并连接一些之前未被识别的边界点、去除检测到的虚假的像素点和边界点并形成一个整体的边缘。然而在实际的图像中,边缘往往是各种类型的东西或模糊的风景的边缘,同时实际图像中可能存在着噪声,噪声和边缘同属于高频率的信号信息,因此传统中使用的频带过滤方法去检测图像的边缘效果并不好。目前常用的边缘检测模型有很多,一阶的有Roberts算子,Prewitt算子,Sobel算子,Canny算子等;二阶的有Laplacian算子等。图像的边缘检测是基于图像的梯度来实现的,而获得图像的梯度就转化成使用各种算子对图像进行卷积运算来获得的,获得边缘信息,连通域分析中连通域是相同像素值的相邻像素组成的集合,将每个连通域设置一个标记,就完成了连通域分析。假设已经将图像二值化为0、1,也就是背景为0,前景为1。需要做的工作是给相连通的像素值(等于1)设置一个标记,这样得到车辆的具体位置,确定车辆的位置之后将含有车辆的分割出来。得到车辆结构图像。
进一步地,如图2所示,本申请方法,其特征在于,对所述车辆结构图像进行车牌定位,获取车牌区域,包括:
获取所述车辆结构图像的车辆灰度图像,对所述灰度图像进行灰度分布识别,得到车牌区域灰度空间;
将所述车牌区域灰度空间作为目标区域,基于所述目标区域对所述车辆结构图像进行区域增强,得到目标车牌区域;
基于所述目标车牌区域进行车牌定位标识,确定所述车牌区域。
具体而言,实际的车牌识别出由图片采集装置采集到的为原始图像是彩色图像,所有的彩色图像都是由红R、绿G、蓝B三个基色组合而成,在灰度图像中R=B=G,因此灰度图像中只有一种灰度颜色,一张彩色的图片所包含的信息远大于灰度图像,所以将图片灰度化,不需要系统操作太长时间,目标灰度区域就是车牌所在的图像区域,利用图像的局部信息,如局域均值、方差、梯度等信息,获取图像中不同区域的差异情况,从而对目标区域车牌所在区域及逆行增强。车牌确切地说是水平度较高的横向近似长方形,他在原始图像中的相对位置比较集中,而且灰度值与周边区域明显不同,因而在其边缘形成了灰度突变的边界,得到车牌区域的灰度空间。以此获得车牌区域。
进一步地,如图3所示,本申请方法,其特征在于,基于所述目标车牌区域进行车牌定位标识,确定所述车牌区域,还包括:
对所述目标车牌区域进行直线拟合,根据直线拟合结果进行形态筛选,获取第一筛选结果;
具体而言,标准的车牌字符应该为水平依次排列,但是由于放置不当或者车身前进方向于图像采集设备不在同一水平线,会使图像车牌倾斜、扭曲,一个倾斜的数字或者字符的识别和一个正常的数字或者字母识别是有很大的差别,所以需要进行直线拟合,对车牌定位之后要进行直线拟合,第一步找出倾斜的角度,第二步进行坐标交换,得到校正后的图像,作为第一是筛选结果。
获取预设尺寸阈值,基于所述预设尺寸阈值对所述第一筛选结果进行尺寸筛选,获取第二筛选结果;
获取车牌长宽比例,基于所述车牌长宽比例对所述第一筛选结果进行长宽比例筛选,获取第三筛选结果;
具体而言,每个区域图像特征参数区域中心、最小包含矩形,面积,最后计算出包含所标记区域的最小矩形的宽和高,车牌标准规定,车前牌为440mm,宽为140mm,得到二筛选结果,其比例为440/140,根据图像像素大小,筛选条件就为宽为50-150,高是20-50,同时宽高比例应该大于0.45作为第三筛选结果。
基于所述第一筛选结果、第二筛选结果、第三筛选结果,获取所述车牌区域。
具体而言,根据第一、第二、第三,筛选结果可以得到在图像中的宽和高还有直线,综合起来可以得到车牌区域。
进一步地,如图4所示,本申请方法,其特征在于,将所述检测字符输入车牌字符识别器进行字符识别,获取车牌号码,之前,还包括:
调取车牌检测记录数据,获取车牌号码图像集合;
对所述车牌号码图像集合内的车牌号码图像进行字母标识,获取字母识别结果;
具体而言,车牌号码集合为分割出来的字符,将字母进行标识为A-Z之间的字母进行标记,获取字母识别结果。
对所述车牌号码图像集合内的车牌号码图像进行数字标识,获取数字识别结果;
具体而言,对车牌号码中数字进行标识,数字字符在0-9之间的数字及逆行标记,作为数字识别结果。
基于BP神经网络,采用所述车牌号码图像与字母识别结果构建字母识别通道,采用所述车牌号码图像与数字识别结果构建数字识别通道;
将所述字母识别与所述数字识别通进行整合,获取车牌字符识别器。
具体而言,BP神经网络的过程主要分为两个阶段,第一阶段是信号的正向传播,从输入层经过隐含层,最后到达输出层;第二阶段是误差的反向传播,从输出层到隐含层,最后到输入层,依次调节隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置,BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程,可以根据得到的字母、数字标识输出相应的字母和数字,将两者的识别进行组合,得到完整的车牌号码,以此作为车牌字符识别器。
实施例二
基于与前述实施例基于图像识别的车牌号码提取方法相同的发明构思,如图5所示,本申请提供了基于图像识别的车牌号码提取系统,所述系统包括:
车辆图像获取模块10,所述车辆图像获取模块10用于在停车场入口布设CMOS图像采集装置,对入场车辆进行图像采集,获取车辆图像;
车辆结构图像获取模块20,所述车辆结构图像获取模块20用于对所述车辆图像进行目标检测,获取车辆结构图像;
车牌区域获取模块30,所述车牌区域获取模块30用于对所述车辆结构图像进行车牌定位,获取车牌区域;
检测字符获取模块40,所述检测字符获取模块40用于在所述车牌区域内进行字符分割,获取检测字符;
车牌号码获取模块50,所述车牌号码获取模块50用于将所述检测字符输入车牌字符识别器进行字符识别,获取车牌号码;
入场时间获取模块60,所述入场时间获取模块60用于将所述车牌号码与图像采集时间进行关联,存储至停车场管理系统,其中,所述图像采集时间作为入场时间。
进一步地,该系统还包括:
出场时间记录模块,所述出场时间记录模块用于在停车场出口对出场车辆进行车牌识别,获取出场车牌号码,并记录出场时间;
遍历查询模块,所述遍历查询模块用于将所述出场车牌号在停车场管理系统进行遍历查询,获取匹配车牌号码,所述匹配车牌号码包括入场时间;
费用计算模块,所述费用计算模块用于根据所述出场时间和所述入场时间,计算获得停车时长,根据停车时长进行停车费用计算。
进一步地,该系统还包括:
边缘信息获取模块,所述边缘信息获取模块用于使用边缘检测算法提取所述车辆图像中的边缘信息;
车辆位置获取模块,所述车辆位置获取模块用于根据所述边缘信息,结合车辆形状特征,进行连通区域分析,获取车辆位置;
车辆结构图像获取模块,所述车辆结构图像获取模块用于所述车辆位置进行图像裁剪,获取所述车辆结构图像。
进一步地,该系统还包括:
获取所述车辆结构图像的车辆灰度图像,对所述灰度图像进行灰度分布识别,得到车牌区域灰度空间;
目标车牌区域获取模块,所述目标车牌区域获取模块用于将所述车牌区域灰度空间作为目标区域,基于所述目标区域对所述车辆结构图像进行区域增强,得到目标车牌区域;
车牌区域确定模块,所述车牌区域确定模块是基于所述目标车牌区域进行车牌定位标识,确定所述车牌区域。
进一步地,该系统还包括:
第一筛选结果获取模块,所述第一筛选结果获取模块用于对所述目标车牌区域进行直线拟合,根据直线拟合结果进行形态筛选,获取第一筛选结果;
第二筛选结果获取模块,所述第二筛选结果获取模块用于获取预设尺寸阈值,基于所述预设尺寸阈值对所述第一筛选结果进行尺寸筛选,获取第二筛选结果;
第三筛选结果获取模块,所述第三筛选结果获取模块用于获取车牌长宽比例,基于所述车牌长宽比例对所述第一筛选结果进行长宽比例筛选,获取第三筛选结果;
车牌区域获取模块,所述车牌区域获取模块用于基于所述第一筛选结果、第二筛选结果、第三筛选结果,获取所述车牌区域。
进一步地,该系统还包括:
图像集合获取模块,所述图像集合获取模块用于调取车牌检测记录数据,获取车牌号码图像集合;
字母识别结果获取模块,所述字母识别结果获取模块用于对所述车牌号码图像集合内的车牌号码图像进行字母标识,获取字母识别结果;
数字识别结果获取模块,所述数字识别结果获取模块用于对所述车牌号码图像集合内的车牌号码图像进行数字标识,获取数字识别结果;
数字识别通道构建模块,所述数字识别通道构建模块是基于BP神经网络,采用所述车牌号码图像与字母识别结果构建字母识别通道,采用所述车牌号码图像与数字识别结果构建数字识别通道;
字符识别器获取模块,所述字符识别器获取模块用于将所述字母识别与所述数字识别通进行整合,获取车牌字符识别器。
说明书通过前述对基于图像识别的车牌号码提取方法的详细描述,本领域技术人员可以清楚地知识本实施例中基于图像识别的车牌号码提取系统,对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.基于图像识别的车牌号码提取方法,其特征在于,包括:
在停车场入口布设CMOS图像采集装置,对入场车辆进行图像采集,获取车辆图像;
对所述车辆图像进行目标检测,获取车辆结构图像;
对所述车辆结构图像进行车牌定位,获取车牌区域;
在所述车牌区域内进行字符分割,获取检测字符;
将所述检测字符输入车牌字符识别器进行字符识别,获取车牌号码;
将所述车牌号码与图像采集时间进行关联,存储至停车场管理系统,其中,所述图像采集时间作为入场时间。
2.如权利要求1所述的方法,其特征在于,还包括:
在停车场出口对出场车辆进行车牌识别,获取出场车牌号码,并记录出场时间;
将所述出场车牌号在停车场管理系统进行遍历查询,获取匹配车牌号码,所述匹配车牌号码包括入场时间;
根据所述出场时间和所述入场时间,计算获得停车时长,根据停车时长进行停车费用计算。
3.如权利要求1所述的方法,其特征在于,对所述车辆图像进行目标检测,获取车辆结构图像,包括:
使用边缘检测算法提取所述车辆图像中的边缘信息;
根据所述边缘信息,结合车辆形状特征,进行连通区域分析,获取车辆位置;
基于所述车辆位置进行图像裁剪,获取所述车辆结构图像。
4.如权利要求1所述的方法,其特征在于,对所述车辆结构图像进行车牌定位,获取车牌区域,包括:
获取所述车辆结构图像的车辆灰度图像,对所述灰度图像进行灰度分布识别,得到车牌区域灰度空间;
将所述车牌区域灰度空间作为目标区域,基于所述目标区域对所述车辆结构图像进行区域增强,得到目标车牌区域;
基于所述目标车牌区域进行车牌定位标识,确定所述车牌区域。
5.如权利要求3所述的方法,其特征在于,基于所述目标车牌区域进行车牌定位标识,确定所述车牌区域,还包括:
对所述目标车牌区域进行直线拟合,根据直线拟合结果进行形态筛选,获取第一筛选结果;
获取预设尺寸阈值,基于所述预设尺寸阈值对所述第一筛选结果进行尺寸筛选,获取第二筛选结果;
获取车牌长宽比例,基于所述车牌长宽比例对所述第一筛选结果进行长宽比例筛选,获取第三筛选结果;
基于所述第一筛选结果、第二筛选结果、第三筛选结果,获取所述车牌区域。
6.如权利要求1所述的方法,其特征在于,将所述检测字符输入车牌字符识别器进行字符识别,获取车牌号码,之前,还包括:
调取车牌检测记录数据,获取车牌号码图像集合;
对所述车牌号码图像集合内的车牌号码图像进行字母标识,获取字母识别结果;
对所述车牌号码图像集合内的车牌号码图像进行数字标识,获取数字识别结果;
基于BP神经网络,采用所述车牌号码图像与字母识别结果构建字母识别通道,采用所述车牌号码图像与数字识别结果构建数字识别通道;
将所述字母识别与所述数字识别通进行整合,获取车牌字符识别器。
7.基于图像识别的车牌号码提取系统,其特征在于,包括:
车辆图像获取模块,所述车辆图像获取模块用于在停车场入口布设CMOS图像采集装置,对入场车辆进行图像采集,获取车辆图像;
车辆结构图像获取模块,所述车辆结构图像获取模块用于对所述车辆图像进行目标检测,获取车辆结构图像;
车牌区域获取模块,所述车牌区域获取模块用于对所述车辆结构图像进行车牌定位,获取车牌区域;
检测字符获取模块,所述检测字符获取模块用于在所述车牌区域内进行字符分割,获取检测字符;
车牌号码获取模块,所述车牌号码获取模块用于将所述检测字符输入车牌字符识别器进行字符识别,获取车牌号码;
入场时间获取模块,所述入场时间获取模块用于将所述车牌号码与图像采集时间进行关联,存储至停车场管理系统,其中,所述图像采集时间作为入场时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311129642.7A CN117854052A (zh) | 2023-09-04 | 2023-09-04 | 基于图像识别的车牌号码提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311129642.7A CN117854052A (zh) | 2023-09-04 | 2023-09-04 | 基于图像识别的车牌号码提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117854052A true CN117854052A (zh) | 2024-04-09 |
Family
ID=90542333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311129642.7A Pending CN117854052A (zh) | 2023-09-04 | 2023-09-04 | 基于图像识别的车牌号码提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117854052A (zh) |
-
2023
- 2023-09-04 CN CN202311129642.7A patent/CN117854052A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
CN110136449B (zh) | 基于深度学习的交通视频车辆违停自动识别抓拍的方法 | |
CN103824066B (zh) | 一种基于视频流的车牌识别方法 | |
CN103824452B (zh) | 一种轻量级的基于全景视觉的违章停车检测装置 | |
CN110969160B (zh) | 一种基于深度学习的车牌图像校正、识别方法及系统 | |
CN102722704B (zh) | 一种融合视频动态跟踪的车牌识别方法和系统 | |
JP4930046B2 (ja) | 路面判別方法および路面判別装置 | |
CN108256521B (zh) | 用于车身颜色识别的有效区域定位方法 | |
CN110660222A (zh) | 一种智能环保道路黑烟车辆电子抓拍系统 | |
CN111967498A (zh) | 基于毫米波雷达和视觉融合的夜间目标检测和跟踪方法 | |
CN109785354A (zh) | 一种基于背景光照去除和联通区域的车位检测方法 | |
CN112465706A (zh) | 一种闸口集装箱自动验残方法 | |
Chandra et al. | Recognition of vehicle number plate using Matlab | |
CN108182691B (zh) | 识别限速标志的方法、装置及车辆 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN113128507A (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
CN111723805B (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
Tiwari et al. | Automatic vehicle number plate recognition system using matlab | |
CN107992788B (zh) | 识别交通灯的方法、装置及车辆 | |
WO2023241595A1 (zh) | 车位范围的处理方法及计算设备 | |
CN106340031A (zh) | 一种检测运动物体的方法和装置 | |
JP2001067599A (ja) | 駐車場の管理システム | |
CN117854052A (zh) | 基于图像识别的车牌号码提取方法及系统 | |
CN116342632A (zh) | 一种基于深度信息的抠图方法及抠图网络训练方法 | |
CN114882451A (zh) | 一种图像处理方法、装置、设备及介质 |
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 |