CN118135551A - 一种车位号识别方法及装置、设备、存储介质 - Google Patents
一种车位号识别方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN118135551A CN118135551A CN202410161094.4A CN202410161094A CN118135551A CN 118135551 A CN118135551 A CN 118135551A CN 202410161094 A CN202410161094 A CN 202410161094A CN 118135551 A CN118135551 A CN 118135551A
- Authority
- CN
- China
- Prior art keywords
- parking space
- parking
- recognition result
- vehicle
- target
- 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 95
- 238000012015 optical character recognition Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004048 modification Effects 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 description 33
- 230000004927 fusion Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 18
- 238000001514 detection method Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种车位号识别方法及装置、设备、存储介质,包括:在车辆的速度低于预设速度阈值时,通过车载摄像头获取包括停车位的多张第一图像,对多张第一图像进行图像识别,得到包括车位号以及停车位的位置信息的车位号模板库,在车辆处于倒车状态时,通过车载摄像头获取包括目标停车位的多张第二图像,对多张第二图像进行图像识别,得到目标停车位的初始识别结果,初始识别结果中包括车位号识别结果,根据车位号模板库和初始识别结果,得到目标识别结果。能够准确、高效地识别停车位的车位号,帮助驾驶员快速找到目标停车位,提高寻车的效率和准确性。
Description
技术领域
本申请实施例涉及图像识别技术,涉及但不限于一种车位号识别方法及装置、设备、存储介质。
背景技术
随着城市规模的不断扩大,越来越多的大型或超大型停车场出现。然而,这些停车场往往非常复杂,车主在停车后离开时有可能会忘记自己停车的位置,导致后续花费大量时间去寻找自己的车位,甚至失去了自己的车位。为了解决这个问题,需要通过对车位进行准确的识别和获取车位信息。
目前的方法通常使用数字图像处理技术来识别车位号码。这种方法通常需要手动提取图像的特征,并将这些特征输入到分类器中进行字符识别。然而,在极端条件下,这种方法的覆盖性较差,容易出现字符识别错误,从而导致车位号码识别的准确性降低。
因此,如何快速的识别车位号,提高车位号码的识别准确性,是一个亟待解决的问题。
发明内容
有鉴于此,本申请实施例提供的一种车位号识别方法及装置、设备、存储介质,能够快速的识别车位号,提高车位号码的识别准确性。本申请实施例提供的一种车位号识别方法及装置、设备、存储介质是这样实现的:
本申请实施例提供的一种车位号识别方法,包括:
在车辆的速度低于预设速度阈值时,通过车载摄像头获取包括停车位的多张第一图像;
对所述多张第一图像进行图像识别,得到包括车位号以及停车位的位置信息的车位号模板库;
在所述车辆处于倒车状态时,通过所述车载摄像头获取包括目标停车位的多张第二图像;
对所述多张第二图像进行图像识别,得到所述目标停车位的初始识别结果,所述初始识别结果中包括车位号识别结果;
根据所述车位号模板库和所述初始识别结果,得到目标识别结果。
在一些实施例中,所述对所述多张第一图像进行图像识别,得到包括车位号以及停车位的位置信息的车位号模板库,包括:
对每张第一图像进行光学字符识别,得到与所述多张第一图像对应的多个车位号;
根据与所述多个车位号对应的多个第一图像中停车位的图像位置,以及所述车辆在世界坐标系下的车辆位置,得到所述多个车位号对应的各个停车位在世界坐标系下的位置信息;
根据所述各个停车位在世界坐标系下的位置信息,对所述多个车位号进行聚类,得到多个聚类结果;
根据所述聚类结果,得到所述车位号模板库。
在一些实施例中,所述对每张第一图像进行光学字符识别,得到与所述多张第一图像对应的多个车位号,包括:
对每张第一图像进行光学字符识别,得到多个初始车位号识别结果;
根据每个初始车位号识别结果在对应的第一图像的目标区域以及所述对应的第一图像的尺寸,从所述多个初始车位号识别结果中筛选满足条件的多个目标车位号识别结果,所述多个目标车位号识别结果,即为所述多个车位号;
所述满足条件包括:
初始车位号识别结果在对应的第一图像的目标区域的各个顶点以及扩展后的目标区域的各个顶点在所述世界坐标系的Y轴的最大值小于或等于所述第一图像的宽度,以及,所述目标区域的各个顶点以及所述扩展后的目标区域的各个顶点在所述世界坐标系的X轴的最大值小于或等于所述第一图像的长度;所述第一图像的尺寸包括所述长度和所述宽度;
所述扩展后的目标区域为按照字符的书写方向将所述目标区域向左以及向右各延伸预设距离后得到的。
在一些实施例中,所述世界坐标系的原点会随着所述车辆与所述原点的距离以及获取所述车辆与所述车位号的距离发生变化;
在所述车辆与所述原点的距离大于第一预设阈值,以及所述车辆与所述多个车位号中任一车位号对应的停车位的距离小于第二预设阈值的情况下,将所述车辆当前所在位置设置为所述原点。
在一些实施例中,所述车位号识别结果还包括置信度,所述根据所述聚类结果,得到所述车位号模板库,包括:
在所述各个停车位中的第一停车位存在多个目标车位号识别结果的情况下,根据字符串的编辑距离,对多个目标车位号识别结果进行对齐,所述字符串的编辑距离包括两个不同字符串通过修改字符变成相同的字符串所需的修改字符的位数;
根据每个对齐后的识别结果包括的置信度、每个对齐后的识别结果在所述第一停车位出现的概率,以及所述多个目标车位号识别结果,获取所述第一停车位的准确车位号识别结果;
根据所述第一停车位的准确车位号识别结果以及第二停车位的车位号识别结果,得到所述车位号模板库,所述第二停车位为所述各个停车位中除所述第一停车位之外的停车位。
在一些实施例中,所述根据所述车位号模板库和所述初始识别结果,得到目标识别结果,包括:
根据所述车位号模板库中多个车位号以及多个停车位的位置信息得到车位号的编码方式;
判断所述初始识别结果是否满足所述编码方式,在所述初始识别结果满足所述编码方式的情况下,输出所述初始识别结果,得到所述目标识别结果;
和/或,
获取所述初始识别结果分别与所述车位号模板库中跟所述初始识别结果对应的停车位的位置相邻的多个相邻停车位对应的多个车位号的编辑距离;
判断与每个相邻停车位的编辑距离是否小于等于预设的编辑距离阈值,在所述初始识别结果与所述每个相邻停车位的编辑距离均小于或等于所述预设的编辑距离阈值的情况下,输出所述初始识别结果,得到所述目标识别结果。
在一些实施例中,所述方法还包括:
在所述初始识别结果不满足所述编码方式的情况下,或,所述初始识别结果与所述多个相邻停车位中的其中一个停车位的编辑距离大于所述预设的编辑距离阈值的情况下,将所述多个相邻停车位中的其中一个相邻停车位的车位号,作为所述目标识别结果。
本申请实施例提供的一种车位号识别装置,包括:
获取模块,用于在车辆的速度低于预设速度阈值时,通过车载摄像头获取包括停车位的多张第一图像;
识别模块,用于对所述多张第一图像进行图像识别,得到包括车位号以及停车位的位置信息的车位号模板库;
获取模块,还用于在所述车辆处于倒车状态时,通过所述车载摄像头获取包括目标停车位的多张第二图像;
识别模块,还用于对所述多张第二图像进行图像识别,得到所述目标停车位的初始识别结果,所述初始识别结果中包括车位号识别结果;
获取模块,还用于根据所述车位号模板库和所述初始识别结果,得到目标识别结果。
本申请实施例提供的计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本申请实施例所述的方法。
本申请实施例提供的计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本申请实施例提供的所述的方法。
本申请实施例所提供的一种车位号识别方法、装置、计算机设备和计算机可读存储介质,通过在车辆的速度低于预设速度阈值时,通过车载摄像头获取包括停车位的多张第一图像,对多张第一图像进行图像识别,得到包括车位号以及停车位的位置信息的车位号模板库,在车辆处于倒车状态时,通过车载摄像头获取包括目标停车位的多张第二图像,对多张第二图像进行图像识别,得到目标停车位的初始识别结果,初始识别结果中包括车位号识别结果,根据车位号模板库和初始识别结果,得到目标识别结果。这样,能够快速的识别车位号,提高车位号码的识别准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1是本申请实施例公开的一种车位号识别方法的应用场景图;
图2是本申请实施例公开的一种车位号识别方法的实现流程示意图;
图3是本申请实施例公开的一种车位号识别方法的总体流程图;
图4是本申请实施例公开的一种车位号识别系统的功能模块示意图;
图5是本申请实施例公开的一种车位号识别方法的车位号字符串外接矩形示意图;
图6是本申请实施例公开的一种车位号识别方法的融合工作示意图;
图7是本申请实施例公开的一种车位号识别方法的车位预测原理示意图;
图8是本申请实施例公开的一种车位号识别方法的防错抑制示意图;
图9是本申请实施例公开的一种车位号识别方法的结构示意图;
图10是本申请实施例公开的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请的具体技术方案做进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
需要指出,本申请实施例所涉及的术语“第一\第二\第三”用以区别类似或不同的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
有鉴于此,本申请实施例提供一种车位号识别方法,该方法应用于智能电子设备。图1为一个实施例中通过的一种车位号识别方法的应用场景图。如图1所示,用户可驾驶车辆10,该车辆10可通过车载摄像头对行驶路径上的停车位进行车位拍照,获取停车位的信息,将获取到的车位照片通过车载计算机进行计算,得到车位号模板库,在车辆10倒车时,获取目标停车位的车位号识别结果,与车位号模板库进行对比后,输出对比后的车辆识别结果。该方法所实现的功能可以通过车辆10中的处理器调用程序代码来实现,当然程序代码可以保存在计算机存储介质中,可见,车辆10至少包括处理器和存储介质。
图2为本申请实施例提供的一种车位号识别方法的实现流程示意图。应用在图1所示一种车位号识别方法的应用场景当中,如图2所示,该方法可以包括以下步骤201至步骤205:
步骤201,在车辆的速度低于预设速度阈值时,通过车载摄像头获取包括停车位的多张第一图像。
在本申请实施例中,根据实际情况和需求,确定车辆速度低于该阈值时开始进行车位识别的条件。在车辆速度低于预设速度阈值时,车载摄像头开始捕捉多张第一图像。可以在连续的时间内使用连续拍摄的方式获取多张图像,以增加准确性和鲁棒性。
步骤202,对所述多张第一图像进行图像识别,得到包括车位号以及停车位的位置信息的车位号模板库。
在本申请实施例中,对这些第一图像进行图像识别,提取出包括停车位号和停车位位置信息的车位号模板库。图像识别可以采用计算机视觉技术,如目标检测和字符识别等算法。
作为一种示例,所述对所述多张第一图像进行图像识别,得到包括车位号以及停车位的位置信息的车位号模板库,包括:对每张第一图像进行光学字符识别,得到与所述多张第一图像对应的多个车位号。可选的,对每张第一图像进行光学字符识别(OCR,OpticalCharacter Recognition),可以对图像进行预处理,包括去噪、灰度化、二值化等操作,以提高字符的清晰度和可识别性。
使用图像处理技术,如边缘检测、形态学操作等,检测图像中的字符区域。
对检测到的字符区域应用OCR算法,如基于模板匹配、深度学习的方法等,将字符转换为文本。
作为一种示例,所述对每张第一图像进行光学字符识别,得到与所述多张第一图像对应的多个车位号,包括:对每张第一图像进行光学字符识别,得到多个初始车位号识别结果。可选的,将每张第一图像转换为灰度图像,将彩色图像转换为单通道灰度图像。
对灰度图像进行二值化处理,将车位号区域与背景进行明显的分离。对二值化后的图像进行去噪处理,可以使用滤波器或形态学运算来消除图像中的噪点和干扰线。使用图像处理算法,如边缘检测、连通区域分析等,对预处理后的图像进行字符分割。根据字符之间的间隔和连通性,将图像中的字符分割成独立的单个字符图像区域。使用OCR引擎,如Tesseract等,调用其API或使用相关SDK,对每个字符图像区域进行光学字符识别。配置OCR引擎的参数,如字符集、语言模型等,以提高识别准确性。将识别结果按照字符的顺序组合起来,得到初始的车位号识别结果。进行后处理,如去除非法字符、修正错误识别等,以提高车位号识别的精度和准确性。
可选的,可以使用图像处理库(如OpenCV)进行图像预处理和字符分割。同时,选择合适的OCR引擎,并根据具体需求进行参数配置和优化,以获得最佳的识别效果。最后,结合后处理算法对识别结果进行校正和修正,得到准确的初始车位号识别结果。
进一步的,根据每个初始车位号识别结果在对应的第一图像的目标区域以及所述对应的第一图像的尺寸,从所述多个初始车位号识别结果中筛选满足条件的多个目标车位号识别结果,所述多个目标车位号识别结果,即为所述多个车位号。满足条件包括:初始车位号识别结果在对应的第一图像的目标区域的各个顶点以及扩展后的目标区域的各个顶点在所述世界坐标系的Y轴的最大值小于或等于所述第一图像的宽度,以及,所述目标区域的各个顶点以及所述扩展后的目标区域的各个顶点在所述世界坐标系的X轴的最大值小于或等于所述第一图像的长度;所述第一图像的尺寸包括所述长度和所述宽度。可选的,针对每个初始车位号识别结果,在对应的第一图像的目标区域以及对应的第一图像的尺寸进行筛选,得到满足条件的多个目标车位号识别结果。具体的,包括:根据OCR识别出的车位号所在矩形框,计算出目标区域的各个顶点在世界坐标系下的坐标。
计算目标区域的各个顶点在世界坐标系下的Y轴的最大值,如果小于或等于第一图像的宽度,则符合第一个筛选条件。计算目标区域的各个顶点在世界坐标系下的X轴的最大值,如果小于或等于第一图像的长度,则符合第二个筛选条件。判断第一图像的尺寸是否满足条件。
按照字符的书写方向,将目标区域向左和向右各延伸预设距离后,判断扩展后的目标区域是否满足条件。
如果以上所有条件均满足,则将该目标车位号识别结果加入到满足条件的结果集合中。
得到满足条件的多个目标车位号识别结果,即为所述多个车位号。
进一步的,所述扩展后的目标区域为按照字符的书写方向将所述目标区域向左以及向右各延伸预设距离后得到的。可选的,根据字符的书写方向确定扩展方向。例如,对于从左到右书写的车位号,可以将目标区域向左右两侧分别扩展一个预设距离。
作为一种示例,所述世界坐标系的原点会随着所述车辆与所述原点的距离以及获取所述车辆与所述车位号的距离发生变化。
在所述车辆与所述原点的距离大于第一预设阈值,以及所述车辆与所述多个车位号中任一车位号对应的停车位的距离小于第二预设阈值的情况下,将所述车辆当前所在位置设置为所述原点。可选的,初始状态下,世界坐标系的原点设置在停车场的中心位置。
当车辆与原点的距离超过第一预设阈值时,获取车辆当前位置的坐标信息。将车辆当前位置作为新的世界坐标系的原点。更新车位号模板库中停车位的位置信息,将其转换为新的世界坐标系下的位置信息。
检查车辆与车位号对应的停车位的距离,如果小于第二预设阈值,获取该停车位的位置信息。将该停车位的位置信息作为新的世界坐标系的原点。更新车位号模板库中所有停车位的位置信息,将其转换为新的世界坐标系下的位置信息。
作为一种示例,所述车位号识别结果还包括置信度,所述根据所述聚类结果,得到所述车位号模板库,包括:在所述各个停车位中的第一停车位存在多个目标车位号识别结果的情况下,根据字符串的编辑距离,对多个目标车位号识别结果进行对齐,所述字符串的编辑距离包括两个不同字符串通过修改字符变成相同的字符串所需的修改字符的位数。可选的,对于每一对目标车位号识别结果,使用动态规划算法计算它们之间的编辑距离。动态规划算法可以通过填充一个二维矩阵来逐步计算编辑距离。通过对比每对目标车位号识别结果的编辑距离,选取最小编辑距离的对齐结果作为最佳对齐。
对于选定的最佳对齐结果,对两个字符串进行扫描,并考虑以下情况:如果两个字符相同,则它们保持在对齐后的位置。如果存在不匹配字符,则需要进行操作(插入、删除或替换)以使它们匹配。选择操作的目标是使编辑距离最小化。
进一步的,根据每个对齐后的识别结果包括的置信度、每个对齐后的识别结果在所述第一停车位出现的概率,以及所述多个目标车位号识别结果,获取所述第一停车位的准确车位号识别结果。可选的,对每个对齐后的识别结果,考虑置信度和出现概率。置信度可以由OCR系统提供,表示每个识别结果的准确性。出现概率可以根据第一停车位中出现的次数统计得到。
综合考虑置信度和出现概率,可以选择具有最高置信度或最高出现概率的对齐后识别结果作为第一停车位的准确车位号识别结果。
所述根据所述车位号模板库和所述初始识别结果,得到目标识别结果,包括:根据所述车位号模板库中多个车位号以及多个停车位的位置信息得到车位号的编码方式。可选的,根据车位号模板库中的多个车位号和停车位的位置信息,确定车位号的编码方式。这可以通过分析车位号的特征和排列规律来确定。例如,如果车位号是按照从左到右、从上到下的顺序排列的,那么编码方式可以是将车位号逐个字符地读取出来。
进一步的,判断所述初始识别结果是否满足所述编码方式,在所述初始识别结果满足所述编码方式的情况下,输出所述初始识别结果,得到所述目标识别结果。可选的,判断初始识别结果是否满足编码方式。这可以通过比对初始识别结果与车位号模板库中对应停车位位置上的车位号来确定。如果初始识别结果与模板库中的车位号一致,那么初始识别结果符合编码方式,将其输出为目标识别结果。
进一步的,获取所述初始识别结果分别与所述车位号模板库中跟所述初始识别结果对应的停车位的位置相邻的多个相邻停车位对应的多个车位号的编辑距离。可选的,对于每个相邻停车位,计算其车位号与初始识别结果的编辑距离。编辑距离是通过比较两个字符串之间的差异而计算出来的,可以使用Levenshtein距离等算法进行计算。
进一步的,判断与每个相邻停车位的编辑距离是否小于等于预设的编辑距离阈值,在所述初始识别结果与所述每个相邻停车位的编辑距离均小于或等于所述预设的编辑距离阈值的情况下,输出所述初始识别结果,得到所述目标识别结果。可选的,判断初始识别结果与每个相邻停车位的编辑距离是否小于等于预设的编辑距离阈值。如果初始识别结果与每个相邻停车位的编辑距离都小于等于阈值,那么初始识别结果被认为是正确的车位号,并将其输出为目标识别结果。
作为一种示例,方法还包括:在所述初始识别结果不满足所述编码方式的情况下,或,所述初始识别结果与所述多个相邻停车位中的其中一个停车位的编辑距离大于所述预设的编辑距离阈值的情况下,将所述多个相邻停车位中的其中一个相邻停车位的车位号,作为所述目标识别结果。可选的,当初始识别结果不满足编码方式或者与多个相邻停车位中的其中一个停车位的编辑距离大于预设的编辑距离阈值时,从中选择一个相邻停车位的车位号作为目标识别结果。
可以选择距离初始识别结果最近的相邻停车位,或者根据其他策略进行选择,如编辑距离最小的相邻停车位。
进一步的,根据所述第一停车位的准确车位号识别结果以及第二停车位的车位号识别结果,得到所述车位号模板库,所述第二停车位为所述各个停车位中除所述第一停车位之外的停车位。结合第一停车位的准确车位号识别结果和其他停车位的识别结果,构建车位号模板库。
需要将每个停车位的识别结果与其在世界坐标系下的位置信息关联起来,以便后续使用。
进一步的,根据与所述多个车位号对应的多个第一图像中停车位的图像位置,以及所述车辆在世界坐标系下的车辆位置,得到所述多个车位号对应的各个停车位在世界坐标系下的位置信息。可选的,获取停车位的图像位置和车辆位置信息:
使用目标检测算法,如YOLO、Faster R-CNN等,检测并定位每个停车位在第一图像中的位置。
通过车载定位系统(如GPS)、惯性导航系统或其他传感器获取车辆在世界坐标系下的位置信息。
根据摄像头的标定参数、车辆姿态(如方位角、俯仰角、旋转角等)和车辆相对于摄像头的位置关系,将停车位图像位置转换为相对于摄像头的坐标。
将相对于摄像头的坐标转换为世界坐标系下的坐标,可以使用车辆的位置信息和坐标变换公式进行计算。
进一步的,根据所述各个停车位在世界坐标系下的位置信息,对所述多个车位号进行聚类,得到多个聚类结果。可选的,选择适合场景的聚类算法,如K-means、DBSCAN等。考虑到车位号的特性(如数字、字母、长度等),可以采用基于字符串相似度的聚类方法,如Levenshtein距离等。
根据停车位号的特点,提取适当的特征向量,如字符的位置、形状、颜色等。
应用选择的聚类算法对停车位号进行聚类分析,将相似的停车位号划分为同一类别。
进一步的,根据所述聚类结果,得到所述车位号模板库。可选的,根据聚类结果,将同一类别的停车位号整理和归类到一个模板中,形成车位号模板集合。
使用合适的数据结构(如哈希表、数据库)存储和管理车位号模板库,以便后续的识别和匹配操作。
步骤203,在所述车辆处于倒车状态时,通过所述车载摄像头获取包括目标停车位的多张第二图像。
在本申请实施例中,当车辆处于倒车状态时,车载摄像头继续获取多张第二图像,其中包括目标停车位的图像。可以根据倒车雷达或倒车影像辅助系统判断目标停车位的位置,并确保摄像头能够正确捕捉到目标停车位的图像。
步骤204,对所述多张第二图像进行图像识别,得到所述目标停车位的初始识别结果,所述初始识别结果中包括车位号识别结果。
在本申请实施例中,对这些第二图像进行图像识别,得到初始的识别结果,其中包括车位号的识别结果。同样地,可以使用计算机视觉技术对图像进行处理和分析,提取出车位号信息。
步骤205,根据所述车位号模板库和所述初始识别结果,得到目标识别结果。
在本申请实施例中,将初始的识别结果与车位号模板库进行匹配,通过比对和匹配的方式,得到最终的目标识别结果。可以采用模板匹配、相似度计算或机器学习等方法来进行匹配和决策。
本申请通过图像识别和车位号模板库的结合,能够实现对停车位车位号的准确识别。这样可以确保车主能够准确获取停车位的信息,避免因错误的车位号导致停车混乱。本申请在车载摄像头捕捉到图像后,可以即时进行图像识别和车位号识别。这样,车主可以快速获取到可用的停车位信息,并做出相应的行动。本申请通过车载摄像头和图像识别技术,实现对停车位车位号的自动识别。这种自动化的识别过程不仅简化了车主的操作步骤,还减少了停车过程中的人为错误。本申请中的车位号模板库可以根据需要进行更新和扩展,以适应不同停车场和车位号的变化。这种适应性使得本申请能够应用于各种停车场场景,包括室内停车场、室外停车场、私人停车场等。无论是小型停车场还是大型停车场,都可以使用该方法进行车位号识别,实现精确和可靠的停车位管理。
下面将说明本申请实施例在一个实际的应用场景中的示例性应用。
图3为本申请实施例提供的一种车位号识别方法的总体流程。应用在图1所示的一种车位号识别方法的应用场景当中,如图3所示,该方法包括如下步骤301至步骤309:
步骤301,进入泊车状态或者低速状态时自动启动寻库功能,环视摄像头获取若干帧含库位图像,并经OCR识别图像中库位号信息,通过巡库融合功能模块实现。
作为一种示例,图4为本申请实施例提供的一种车位号识别系统的功能模块示意图,该车位号识别系统可以设置在车辆中,也可以设置在其他设备上,在此不做限制,如图4所示,车位号识别系统包括DR(Dead Reckoning Algorithm,导航推测算法)关联与更新功能模块、巡库融合功能模块和泊车融合功能模块,下面结合图4所示的系统来对本申请实施例中的车位号识别方法进行介绍。
在本申请实施例中,通过车辆的传感器或其他设备,检测车辆是否进入了泊车状态或者低速状态。这可以根据车辆的速度、加速度等参数进行判断。一旦检测到车辆进入泊车状态或者低速状态,系统会自动启动寻库功能。这可以通过车载系统或其他控制装置来实现。
系统会使用车辆上安装的环视摄像头或其他摄像设备,获取若干帧含库位图像。这些图像可以是车辆周围的全景图像,或者是特定方向的图像。
获取的图像需要进行预处理,以提高后续OCR识别的准确性。预处理包括图像去噪、增强对比度、图像矫正等操作,以确保图像清晰并且库位信息易于识别。
对预处理后的图像中的库位号信息进行OCR识别。OCR识别技术可以通过训练模型或使用现有的OCR库实现,以识别出图像中的文字信息。
通过OCR识别结果,提取图像中的库位号信息。这可以是数字、字母或符号组成的字符串,表示具体的停车位号码。
对提取出的库位号信息进行处理和存储。
步骤302,筛除OCR识别的库位号信息中不完整的信息,留下完整的库位号信息,通过巡库融合功能模块实现。
在本申请实施例中,输出的识别结果进行初筛,抑制一些截断车位号的输出,确保输出结果的完整性,车位号从进入图像到从图像中消失的过程中,会有部分遮挡的情况,这部分的结果将会干扰正常结果的输出,为了得到完整的识别结果,需要对识别结果进行初筛,识别结果的输出通过下述公式可以表示:(PND,confidence,x1,y1,x2,y2,x3,y3,x4,y4)。
其中,PND为识别的车位号字符串,confidence为置信度,x1,y1,x2,y2,x3,y3,x4,y4分别为字符书写方向从左上角顺时针旋转,围绕字符的最小外接矩形的四个顶点。
计算单个字符的长度:
计算单个字符的高度:
沿着识别结果的最小外接矩形的书写方向左右各外延一个字符的尺度,形成新的外接矩形(x1′,y1′,x2′,y2′,x3′,y3′,x4′,y4′),如图5所示,图5为本申请提供的一种车位号识别方法的车位号字符串外接矩形示意图,如图所示,过滤准则如下述公式所示:0<(x1′,y1′,x2′,y2′,x3′,y3′,x4′,y4′)<(W,H),其中,W为图像的宽度,H为图像的高度,也即,新的外接矩形各顶点位置全部位于图像内部才输出。
步骤303,在筛选后的库位号信息增加位置标签,通过巡库融合功能模块实现。
在本申请实施例中,增加DR信息,给每一次的识别结果打上位置标签,方便后续的融合处理,具体实现包括:首先设定世界坐标系W,DR会不断输出自身的运动信息,运动信息分为位移信息和角度信息,分别记为Δs(Δx,Δy)和计算步骤如下:
首先计算当前帧与上一帧图像间隔之间位移与角度差值:
Δx=Stx-S(t-1)x
Δy=Sty-S(t-1)y
当前帧车身位置的计算如下:
XW=XW(t-1)+Δx
YW=YW(t-1)+Δy
基于DR就能准确计算车身在世界坐标系中的位置,记作
接着设定车身坐标系V,通过相机标定信息我们就能够将图像中的目标像素位置转换到车身坐标系中的位置信息,具体步骤如下:
(VX,VY)=Calib(xpixel,ypixel)
然后再将(VX,VY)转到世界坐标系下,最终结果记为:(ObjX,ObjY),表示车位号的中心位置。如此,就统一了所有识别结果的位置坐标信息。
步骤304,通过预设的策略更新位置标签信息,通过DR关联与更新功能模块实现。
在本申请实施例中,由于DR存在误差,该累计误差会随着车身的运动而不断增加,从而造成目标位置信息不准,导致基于位置信息的融合策略失效。另外远处的车位号位置信息对当前的车位号检测作用不大,所以需要设计一个更新策略,通过判断自车位置到世界坐标系原点距离以及自车位置到车位号的距离,持续更新世界坐标系的坐标原点,使累计误差不叠加到新的检测结果中来,保证近距离的检测结果位置的准确性,其中更新策略可以是自车位置距离坐标系原点大于阈值且自车位置距离车位号距离小于阈值。此处只说明一种更新策略,不在赘述其他可以实现本申请实施例目的更新策略。
步骤305,对处理后的库位号信息进行聚类,通过巡库融合功能模块实现。
在本申请实施例中,聚类模块,实际场景中不同的车位号在空间上是彼此独立的,因此携带了位置信息的车位号检测结果采用距离聚类即可进行快速的区分,具体策略如下:
车位号识别结果记为:PRi=(PND,confidence,ObjX,ObjY)i
聚类模块的输入为一系列的车位号计算结果,记为:
当i=1时,计算i=2一直到i=N的车位号位置到i=1的车位号之间的距离,并与设计的聚类距离阈值(D_cluster)进行判断,保留最终的聚类结果,记为:
完成一次聚类后,大于D_cluster的结果组成新的聚类模块输入,不断迭代上述的聚类过程,直至所有的车位号计算结果均被聚类。
步骤306,将聚类后的库位号信息进行字符对齐处理,引入投票机制筛除不正确的库位结果,通过巡库融合功能模块实现。
在本申请实施例中,基于编辑距离的融合对齐模块,理论上一个位置只会有一个正确的车位号,但是实际的识别过程中,车身镜头会多次识别到相同位置的结果,这样聚类模块在同一位置上就会输出一组检测结果,这些结果由于受到不同角度的反光、图像模糊以及识别模型误检等影响,需要做进一步的纠错处理。
首先定义字符串a和字符串b之间的编辑距离如下:
其中1(ai≠bj)表示ai=bj时为0,其他情况下等于1,meda,b(i,j)代表a的前i个字节到b的前j个字节的距离。
其中相对于a变化到b字符串来说:meda,b(i-1,j)+1,代表a删除一个字节去匹配b;meda,b(i,j-1)+1代表a添加一个字节去匹配b;meda,b(i-1,j-1)+1(ai≠bj)代表匹配或者不匹配,这取决于各个符号是否相同。
通过编辑距离算法,能够确定各字符串之间通过增加、删除以及替换所需的最少次数和位置,用@来表示,假设现有融合模块计算得到的一组车位号识别数据,分别为:B1-F-168,B-F-16,1-F-168,B1-F-,A1-F-16,B1-F-18。上述字符串经过编辑距离和融合对齐后的结果如下:
B1-F-168
B@-F-16@
@1-F-168
A1-F-@@@
@1-F-16@
B1-F-1@8。
完成字符对齐后,还需要确定最终每个位置上的字符类别,由于检测结果存在漏检和误检,而真实的车位号目标位置具有唯一性,需要通过融合手段抑制虚假目标的输出,本申请设计了一种投票机制,通过权衡目标置信度和出现频率,来保证输出结果的准确性。上述聚类后的结果统计可以得到相同位置上不同目标出现的频率F和置信度Confidence,频率以概率的形式进行表示:F=fn/fN,其中,fN表示特定位置上总的检测次数,fn表示特定目标在特定位置上出现的次数。通过加权求和可得综合判证指标C,完整的数学建模如下:
C=w1*F+w2*Confidence
w1+w2=1
考虑到置信度在检测模型中的关键影响,根据经验值,w2设置为0.7,w1=0.3,也可以依据实际情况进行动态调整。
步骤307,将正确的库位号载入模板库,并更新类别、位置和频次信息,通过巡库融合功能模块实现,图6为本申请实施例提供的一种车位号识别方法的融合工作示意图,如图6所示,车辆按照自车行驶轨迹从左至右行驶,如图6中的虚线所示,时间轴用于表征车辆在行驶时的时间先后如图6中的箭头实线所示,自车行驶轨迹与时间轴正相关。
车辆在寻库融合阶段,按照自车行驶轨迹依次录入行驶轨迹上停车位的车位号,在车辆处于行驶状态时,录入的车位号保存至模板库中,在车辆处于倒车状态时,寻库融合结束,开始泊车融合,泊车融合过程中,需要获取倒车目标车位的车位号,将获取到的倒车目标车位的车位号与模板库中的车位号进行揉库融合,揉库融合用于将获取到的倒车目标车位的车位号与模板库中的车位号进行对比,将倒车目标车位的车位号模板库中的结果进行进一步的确认,得到最终的检测结果,车辆在停车过程中,可能涉及多次调整、更换停放的车位的情况,因此,在一次泊车融合过程中,对每一次的不同倒车目标车位的车位号与模板库进行揉库融合,以保证车位号的正确性。
在本申请实施例中,生成模板库并更新类别、位置和频次信息,基于编辑距离的融合车位号会进入模板库,在寻库阶段,自车会经过多个附近的车位号并被识别到,这样会有多个融合的车位号被放到模板库中,构成车位号识别模板,同时模板库中的车位号计算结果会随着世界坐标系原点和车位号与自车的距离的变化而不断更新。
步骤308,进入倒车阶段,识别出目标车位的车位号,将目标车位的车位号与模板库进行对比,通过泊车融合功能模块实现。
在本申请实施例中,泊车融合,识别出目标车位的车位号,该阶段的目标就是要把目标车位号上报出来,在倒车过程中,车载相机会多次识别到目标车位号,经过距离聚类模块,生成一组检测结果,进行上述步骤306的融合对齐模块,输出该位置的最终结果。
步骤309,基于模板库对于目标车位号进行确认,得到最终的车位号,通过泊车融合功能模块实现。
在本申请实施例中,基于模板的融合输出模块,该模块的作用主要是基于模板库中的结果对目标车位号进行进一步的确认,因为在一些磨损、反光以及遮挡的情况下,目标车位号已经无法给出正确的结果,通过与模板库中的结果进行比对,主要涉及位置比对和编码规律比对,从而给出最终的检测结果,达到为用户正确定位车辆的目的,包括:
位置比对,因为自车附近检测到的车位号均带有位置信息,如图7所示,图7为本申请实施例提供的一种车位号识别方法的车位预测原理示意图,如图7所示,B0236是目标车位,B0234、B0235、B0237是算法获得的其他车位号信息,停车位角点检测结果以圆圈表示,车位号与停车位存在一一对应的位置关系,且车位号具有连续编码的特征。若检测结果出现如图所示的A、B两种位置结果,通过位置判断则可以认定B为虚假目标。
编码规律比对,采用基于编辑距离的防错处理,车位号具有严格的编码规律,不难看出,相邻的车位号之间编码距离大部分情况只需要修改最后一位,也即距离为1,只有涉及到进位操作才有可能大于2,而且进位操作不可能同时发生在目标车位的左右两侧,如图8所示,图8为本申请实施例提供的一种车位号识别方法的防错抑制示意图,将目标车位与模板库中的相邻车位号进行编码距离计算,结合上述判定规则,能够对目标车位计算结果做进一步的评估,最终决定释放目标车位结果还是附近车位的结果,此举有效抑制误报。
本申请通过自动启动寻库功能,无需人工干预即可实现对停车位的查找和识别,通过图像预处理和OCR识别技术,可以提高对图像中库位号信息的准确性,避免因图像质量或其他因素引起的识别错误。通过给库位号信息增加位置标签,可以使得用户更方便地查找到目标车位。通过聚类和字符对齐处理,可以对相似的库位号信息进行分类和整理,提高系统对多个相似车位号的区分能力,并减少识别错误。通过引入投票机制,可以对识别结果进行多次验证和比对,筛除不正确的库位结果,提高最终结果的准确性。通过将正确的库位号信息载入模板库,可以不断更新和完善停车场的库位信息,提高后续识别的准确性和效率。通过基于模板库对目标车位号进行确认,可以得到最终的车位号,帮助用户准确找到目标车位。
应该理解的是,虽然上述各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,上述各流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于前述的实施例,本申请实施例提供一种车位号识别装置,该装置包括所包括的各模块、以及各模块所包括的各单元,可以通过处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。
图9为本申请实施例提供的一种车位号识别装置的结构示意图,如图9所示,所述装置900包括获取模块901和识别模块902,其中:
获取模块901,用于在车辆的速度低于预设速度阈值时,通过车载摄像头获取包括停车位的多张第一图像;
识别模块902,用于对所述多张第一图像进行图像识别,得到包括车位号以及停车位的位置信息的车位号模板库;
获取模块901,还用于在所述车辆处于倒车状态时,通过所述车载摄像头获取包括目标停车位的多张第二图像;
识别模块902,还用于对所述多张第二图像进行图像识别,得到所述目标停车位的初始识别结果,所述初始识别结果中包括车位号识别结果;
获取模块901,还用于根据所述车位号模板库和所述初始识别结果,得到目标识别结果。
在一些实施例中,获取模块901,还用于对每张第一图像进行光学字符识别,得到与所述多张第一图像对应的多个车位号;
获取模块901,还用于根据与所述多个车位号对应的多个第一图像中停车位的图像位置,以及所述车辆在世界坐标系下的车辆位置,得到所述多个车位号对应的各个停车位在世界坐标系下的位置信息;
获取模块901,还用于根据所述各个停车位在世界坐标系下的位置信息,对所述多个车位号进行聚类,得到多个聚类结果;
获取模块901,还用于根据所述聚类结果,得到所述车位号模板库。
在一些实施例中,识别模块902,还用于对每张第一图像进行光学字符识别,得到多个初始车位号识别结果;
识别模块902,还用于的第一图像的尺寸,从所述多个初始车位号识别结果中筛选满足条件的多个目标车位号识别结果,所述多个目标车位号识别结果,即为所述多个车位号;
所述满足条件包括:
初始车位号识别结果在对应的第一图像的目标区域的各个顶点以及扩展后的目标区域的各个顶点在所述世界坐标系的Y轴的最大值小于或等于所述第一图像的宽度,以及,所述目标区域的各个顶点以及所述扩展后的目标区域的各个顶点在所述世界坐标系的X轴的最大值小于或等于所述第一图像的长度;所述第一图像的尺寸包括所述长度和所述宽度;
所述扩展后的目标区域为按照字符的书写方向将所述目标区域向左以及向右各延伸预设距离后得到的。
在一些实施例中,所述世界坐标系的原点会随着所述车辆与所述原点的距离以及获取所述车辆与所述车位号的距离发生变化,获取模块901,还用于在所述车辆与所述原点的距离大于第一预设阈值,以及所述车辆与所述多个车位号中任一车位号对应的停车位的距离小于第二预设阈值的情况下,将所述车辆当前所在位置设置为所述原点。
在一些实施例中,识别模块902,还用于在所述各个停车位中的第一停车位存在多个目标车位号识别结果的情况下,根据字符串的编辑距离,对多个目标车位号识别结果进行对齐,所述字符串的编辑距离包括两个不同字符串通过修改字符变成相同的字符串所需的修改字符的位数;
获取模块901,还用于根据每个对齐后的识别结果包括的置信度、每个对齐后的识别结果在所述第一停车位出现的概率,以及所述多个目标车位号识别结果,获取所述第一停车位的准确车位号识别结果;
获取模块901,还用于根据所述第一停车位的准确车位号识别结果以及第二停车位的车位号识别结果,得到所述车位号模板库,所述第二停车位为所述各个停车位中除所述第一停车位之外的停车位。
在一些实施例中,获取模块901,还用于根据所述车位号模板库中多个车位号以及多个停车位的位置信息得到车位号的编码方式;
获取模块901,还用于判断所述初始识别结果是否满足所述编码方式,在所述初始识别结果满足所述编码方式的情况下,输出所述初始识别结果,得到所述目标识别结果;
获取模块901,还用于获取所述初始识别结果分别与所述车位号模板库中跟所述初始识别结果对应的停车位的位置相邻的多个相邻停车位对应的多个车位号的编辑距离;
获取模块901,还用于判断与每个相邻停车位的编辑距离是否小于等于预设的编辑距离阈值,在所述初始识别结果与所述每个相邻停车位的编辑距离均小于或等于所述预设的编辑距离阈值的情况下,输出所述初始识别结果,得到所述目标识别结果。
在一些实施例中,获取模块901,还用于在所述初始识别结果不满足所述编码方式的情况下,或,所述初始识别结果与所述多个相邻停车位中的其中一个停车位的编辑距离大于所述预设的编辑距离阈值的情况下,将所述多个相邻停车位中的其中一个相邻停车位的车位号,作为所述目标识别结果。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中图9所示的一种车位号识别装置对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。也可以采用软件和硬件结合的形式实现。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得电子设备执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
本申请实施例提供一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10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、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上述方法。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中提供的方法中的步骤。
本申请实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述方法实施例提供的方法中的步骤。
本领域技术人员可以理解,图10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,本申请提供的一种车位号识别装置可以实现为一种计算机程序的形式,计算机程序可在如图10所示的计算机设备上运行。计算机设备的存储器中可存储组成上述装置的各个程序模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的方法中的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质、存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”或“一些实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”或“在一些实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如对象A和/或对象B,可以表示:单独存在对象A,同时存在对象A和对象B,单独存在对象B这三种情况。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物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,并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个模块或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或模块的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的模块可以是、或也可以不是物理上分开的,作为模块显示的部件可以是、或也可以不是物理模块;既可以位于一个地方,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全部模块来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能模块可以全部集成在一个处理单元中,也可以是各模块分别单独作为一个单元,也可以两个或两个以上模块集成在一个单元中;上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得电子设备执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本申请的实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种车位号识别方法,其特征在于,所述方法包括:
在车辆的速度低于预设速度阈值时,通过车载摄像头获取包括停车位的多张第一图像;
对所述多张第一图像进行图像识别,得到包括车位号以及停车位的位置信息的车位号模板库;
在所述车辆处于倒车状态时,通过所述车载摄像头获取包括目标停车位的多张第二图像;
对所述多张第二图像进行图像识别,得到所述目标停车位的初始识别结果,所述初始识别结果中包括车位号识别结果;
根据所述车位号模板库和所述初始识别结果,得到目标识别结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述多张第一图像进行图像识别,得到包括车位号以及停车位的位置信息的车位号模板库,包括:
对每张第一图像进行光学字符识别,得到与所述多张第一图像对应的多个车位号;
根据与所述多个车位号对应的多个第一图像中停车位的图像位置,以及所述车辆在世界坐标系下的车辆位置,得到所述多个车位号对应的各个停车位在世界坐标系下的位置信息;
根据所述各个停车位在世界坐标系下的位置信息,对所述多个车位号进行聚类,得到多个聚类结果;
根据所述聚类结果,得到所述车位号模板库。
3.根据权利要求2所述的方法,其特征在于,所述对每张第一图像进行光学字符识别,得到与所述多张第一图像对应的多个车位号,包括:
对每张第一图像进行光学字符识别,得到多个初始车位号识别结果;
根据每个初始车位号识别结果在对应的第一图像的目标区域以及所述对应的第一图像的尺寸,从所述多个初始车位号识别结果中筛选满足条件的多个目标车位号识别结果,所述多个目标车位号识别结果,即为所述多个车位号;
所述满足条件包括:
初始车位号识别结果在对应的第一图像的目标区域的各个顶点以及扩展后的目标区域的各个顶点在所述世界坐标系的Y轴的最大值小于或等于所述第一图像的宽度,以及,所述目标区域的各个顶点以及所述扩展后的目标区域的各个顶点在所述世界坐标系的X轴的最大值小于或等于所述第一图像的长度;所述第一图像的尺寸包括所述长度和所述宽度;
所述扩展后的目标区域为按照字符的书写方向将所述目标区域向左以及向右各延伸预设距离后得到的。
4.根据权利要求2或3所述的方法,其特征在于,所述世界坐标系的原点会随着所述车辆与所述原点的距离以及获取所述车辆与所述车位号的距离发生变化;
在所述车辆与所述原点的距离大于第一预设阈值,以及所述车辆与所述多个车位号中任一车位号对应的停车位的距离小于第二预设阈值的情况下,将所述车辆当前所在位置设置为所述原点。
5.根据权利要求3所述的方法,其特征在于,所述车位号识别结果还包括置信度,所述根据所述聚类结果,得到所述车位号模板库,包括:
在所述各个停车位中的第一停车位存在多个目标车位号识别结果的情况下,根据字符串的编辑距离,对多个目标车位号识别结果进行对齐,所述字符串的编辑距离包括两个不同字符串通过修改字符变成相同的字符串所需的修改字符的位数;
根据每个对齐后的识别结果包括的置信度、每个对齐后的识别结果在所述第一停车位出现的概率,以及所述多个目标车位号识别结果,获取所述第一停车位的准确车位号识别结果;
根据所述第一停车位的准确车位号识别结果以及第二停车位的车位号识别结果,得到所述车位号模板库,所述第二停车位为所述各个停车位中除所述第一停车位之外的停车位。
6.根据权利要求5所述的方法,其特征在于,所述根据所述车位号模板库和所述初始识别结果,得到目标识别结果,包括:
根据所述车位号模板库中多个车位号以及多个停车位的位置信息得到车位号的编码方式;
判断所述初始识别结果是否满足所述编码方式,在所述初始识别结果满足所述编码方式的情况下,输出所述初始识别结果,得到所述目标识别结果;
和/或,
获取所述初始识别结果分别与所述车位号模板库中跟所述初始识别结果对应的停车位的位置相邻的多个相邻停车位对应的多个车位号的编辑距离;
判断与每个相邻停车位的编辑距离是否小于等于预设的编辑距离阈值,在所述初始识别结果与所述每个相邻停车位的编辑距离均小于或等于所述预设的编辑距离阈值的情况下,输出所述初始识别结果,得到所述目标识别结果。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在所述初始识别结果不满足所述编码方式的情况下,或,所述初始识别结果与所述多个相邻停车位中的其中一个停车位的编辑距离大于所述预设的编辑距离阈值的情况下,将所述多个相邻停车位中的其中一个相邻停车位的车位号,作为所述目标识别结果。
8.一种车位号识别装置,其特征在于,包括:
获取模块,用于在车辆的速度低于预设速度阈值时,通过车载摄像头获取包括停车位的多张第一图像;
识别模块,用于对所述多张第一图像进行图像识别,得到包括车位号以及停车位的位置信息的车位号模板库;
获取模块,还用于在所述车辆处于倒车状态时,通过所述车载摄像头获取包括目标停车位的多张第二图像;
识别模块,还用于对所述多张第二图像进行图像识别,得到所述目标停车位的初始识别结果,所述初始识别结果中包括车位号识别结果;
获取模块,还用于根据所述车位号模板库和所述初始识别结果,得到目标识别结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7任一项所述方法的步骤。
10.一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,该计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161094.4A CN118135551A (zh) | 2024-02-04 | 2024-02-04 | 一种车位号识别方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161094.4A CN118135551A (zh) | 2024-02-04 | 2024-02-04 | 一种车位号识别方法及装置、设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118135551A true CN118135551A (zh) | 2024-06-04 |
Family
ID=91232875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410161094.4A Pending CN118135551A (zh) | 2024-02-04 | 2024-02-04 | 一种车位号识别方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118135551A (zh) |
-
2024
- 2024-02-04 CN CN202410161094.4A patent/CN118135551A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108364010B (zh) | 一种车牌识别方法、装置、设备及计算机可读存储介质 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
JP5775225B2 (ja) | マルチレイヤ連結成分をヒストグラムと共に用いるテキスト検出 | |
US9014432B2 (en) | License plate character segmentation using likelihood maximization | |
JP4380838B2 (ja) | ビデオ画像の道路標識自動認識方法及び道路標識自動認識装置並びに道路標識自動認識プログラム | |
JP2007508633A (ja) | 物体輪郭画像を解析する方法および画像処理装置、物体を検出する方法および画像処理装置、産業用視覚装置、スマートカメラ、画像ディスプレイ、セキュリティシステム、ならびにコンピュータプログラム製品 | |
CN110263635B (zh) | 基于结构森林和PCANet的标志物检测与识别方法 | |
CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
US8929664B2 (en) | Shape detection using chain code states | |
KR102383377B1 (ko) | 차량용 번호판을 인식하기 위한 전자 장치 | |
CN114038004A (zh) | 一种证件信息提取方法、装置、设备及存储介质 | |
CN111898428A (zh) | 一种基于orb的无人机特征点匹配方法 | |
CN115830359A (zh) | 复杂场景下基于目标检测和模板匹配的工件识别计数方法 | |
CN113793413A (zh) | 三维重建方法、装置、电子设备及存储介质 | |
JP2008251029A (ja) | 文字認識装置、ナンバープレート認識システム | |
CN110378337B (zh) | 金属切削刀具图纸标识信息视觉输入方法及系统 | |
CN117195928A (zh) | 一种基于深度学习的条码定位检测方法 | |
CN112784675A (zh) | 目标检测方法及装置、存储介质、终端 | |
JP2898562B2 (ja) | ナンバープレート決定方法 | |
CN113449629B (zh) | 基于行车视频的车道线虚实识别装置、方法、设备及介质 | |
CN118135551A (zh) | 一种车位号识别方法及装置、设备、存储介质 | |
KR102492230B1 (ko) | 영상 워핑을 이용한 번호판 검출 장치 및 방법 | |
JP2005250786A (ja) | 画像認識方法 | |
CN114332814A (zh) | 一种停车框识别方法、装置、电子设备及存储介质 | |
CN114120309A (zh) | 一种仪表读数识别方法、装置及计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |