一种适用于工地的车辆清洁度判断方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种适用于工地的车辆清洁度判断方法、装置及存储介质，其中方法包括：将车牌图像输入车牌分类器进行分类；若为有污秽遮挡车牌，则车牌不清洁；若为无污秽遮挡车牌，则分割车牌字符，利用图像清晰度判断指标计算各个车牌字符是否清晰，根据所有车牌字符清晰状态判断车牌是否清洁；利用hough算法从车轮图像中寻找椭圆，识别满足预设条件的椭圆；若椭圆数目不小于N个，则判断车轮为清洁；若数目小于N个，则将车轮图像输入车轮分类器进行分类，得到车轮清洁分类结果；基于车牌和车轮的清洁结果判断车辆清洁度。考虑了两个部位的清洁度，准确率更高；采用传统清晰度计算方法与深度学习相结合，实现解释性强的同时准确率高。

【技术实现步骤摘要】
一种适用于工地的车辆清洁度判断方法、装置及存储介质
本专利技术涉及车辆清洁度计算领域，尤其涉及一种适用于工地的车辆清洁度判断方法、装置及存储介质。
技术介绍
我国的经济发展过程中，随着建筑工地越来越多，监管难度逐渐增加，施工车辆的清洁度自动判断日益重要。判断车辆清洁度的难点在于如何寻找参考点，若对于整个车辆进行分析，由于污秽物出现位置的随机性，需要大量的样本和非常清晰的图片，这些在实际中有一定难度。若寻找某几种参考点，那么需要选择人工和AI分析都比较容易判断的位置，同时对于车辆清洁度有比较好的代表性。对于分析方法，目前已有一些相对传统的图像清晰度的判断方法，这些方法可解释性强，比较直观，但是适应性和准确性不是很好。
技术实现思路
本专利技术提供了一种适用于工地的车辆清洁度判断方法、装置及存储介质，以解决现有的清洁度判断方法适应性和准确度不佳的问题。第一方面，提供了一种适用于工地的车辆清洁度判断方法，包括：获取车牌图像；将获取的车牌图像输入预先训练好的车牌分类器进行分类，得到车牌分类结果；其中，所述车牌分类器通过若干车牌图像对深度神经网络模型进行训练得到；若车牌分类结果为有污秽遮挡车牌，则判断车牌不清洁；若车牌分类结果为无污秽遮挡车牌，则对车牌图像进行前景提取并分割车牌字符，利用图像清晰度判断指标计算各个车牌字符是否清晰，并根据所有车牌字符的清晰状态判断对应车牌是否清洁；获取车轮图像；利用hough算法从车轮图像中寻找椭圆，并识别出满足椭圆的长轴长度和短轴长度的平均值大于0.5倍车轮直径的椭圆；若找到的椭圆数目不小于N个，则判断车轮为清洁；其中，N为预设值；若找到的椭圆数目小于N个，则将车轮图像输入预先训练好的车轮分类器进行分类，得到车轮清洁或车轮不清洁的结果；其中，所述车轮分类器通过若干车轮图像对深度神经网络模型进行训练得到；基于识别的车牌清洁结果和车轮清洁结果判断车辆的清洁度，若车牌和车轮都清洁，则判断车辆清洁，否则判断车辆不清洁。综合了车牌和车轮的清洁度情况来判断整车的清洁度，准确率更高，误报率低；对于车牌，采用深度学习与传统清晰度计算方法结合的方式，进行两次判断综合得出车牌清洁度，实现解释性强的同时准确率高；对于车轮，采用hough算法与深度学习相结合的方式，通过两次识别判断得出车轮清洁度，保证了准确率。进一步地，所述车牌分类器通过若干车牌图像对深度神经网络模型进行训练得到，具体包括：采集若干有污秽遮挡的车牌图像和无污秽遮挡的车牌图像，并进行标注，构成车牌数据集；对采集的车牌图像进行预处理，构成车牌训练集和车牌测试集；利用车牌训练集和车牌测试集对基于ResNet网络结构的模型进行训练，得到有污秽遮挡车牌和无污秽遮挡车牌的车牌分类器。进一步地，所述对采集的车牌图像进行预处理，具体包括：对于每张车牌图像，将其尺寸调整为宽为W高为H的车牌图像；生成一个新的边长为W的正方形空白图像，并将尺寸调整后的车牌图像拷贝到空白图像的上半部分和下半部分；然后按车牌标准下字符出现的位置在空白图像的底部画出标记块，得到预处理后的车牌图像。预处理过程中，通过将车牌图像在空白图像上拷贝两次，并在对应字符出现的位置在画出标记块，从而使得后期训练过程中可以提取到更多、更准确的特征，提高最终车牌分类器的识别精度。进一步地，所述对车牌图像进行前景提取并分割车牌字符，具体包括：将车牌图像转换为灰度图，然后采用阈值分割的方法将其转化为二值化图像，建立前景区域和背景区域；基于前景区域采用投影法得到每个车牌字符的初始位置及字符间隔的初始位置；根据车牌图像的高度H确定车牌字符起点位置偏移量和字符间隔起点位置偏移量的搜索范围为[-1*H*r,H*r]；其中r为<1的系数；对于每个车牌字符起点位置偏移量和字符间隔起点位置偏移量，在搜索范围内进行M次随机采样，将每次的随机采样结果与各个车牌字符的初始位置及字符间隔的初始位置对应相加，得到M个采样值；其中，M为预设值；计算M个采样值对应的投影特征值，选取投影特征值最小时对应的采样值作为各个车牌字符及字符间隔的最优位置，进而分割出车牌字符。由于直接采用投影法得到的车牌字符位置及字符间隔位置不太精确，本方案中结合优化搜索方法来进一步优化，即在搜索范围内随机采样，生成若干采样值，并通过计算投影特征值来获取各个车牌字符及字符间隔的最优位置，从而获得更好的车牌字符分割效果，使得后期清洁度的判断更加准确。进一步地，所述基于前景区域采用投影法得到每个字符的初始位置及字符间隔的初始位置，包括：前景区域中前景点像素值为1，背景区域中背景点像素值为0；计算前景区域中每一列的像素值之和，形成一个数组；设置阈值Sv，若数组中元素值<Sv，则表示此元素对应字符间隔，将该元素转换为False；否则此元素表示车牌字符，将此元素转换为True；进而将上述数组转换为一个表示车牌字符或字符间隔的True-False数组；根据True-False数组判断车牌字符和字符间隔的位置，对于False变True的位置为车牌字符起点，True变False的位置为车牌字符终点，而车牌字符终点至车牌字符起点之间为字符间隔；所述计算M个采样值对应的投影特征值，包括：对于每一个采样值，先分别计算每个车牌字符宽度和字符间隔宽度范围内的像素值之和的列平均值，然后分别计算全部车牌字符宽度范围内的列平均值之和A及全部字符间隔宽度范围内的列平均值之和B，然后根据式-λ*A+B计算投影特征值；其中，权重系数λ<0.3。进一步地，所述利用图像清晰度判断指标计算各个车牌字符是否清晰，并根据所有车牌字符的清晰状态判断对应车牌是否清洁，具体包括：计算每个车牌字符的图像清晰度判断指标，若其超过预设阈值Tb，则判断该车牌字符为清洁，否则判断该车牌字符为不清洁；统计清洁的车牌字符数目，若其大于预设阈值Nb，则判断车牌为清洁，否则判断车牌为不清洁。进一步地，所述车轮分类器通过若干车轮图像对深度神经网络模型进行训练得到，具体包括：采集若干清洁的车轮图像和不清洁的车轮图像并进行标注，构成车轮数据集；计算每张车轮图像对应的图像清晰度判断指标，构建车轮清晰度指标数据集；构建分类网络模型，该分类网络模型包括基于ResNet网络结构构建的特征提取网络和SVM二分类器；所述特征提取网络的输入为车轮图像，其输出为车轮特征向量；所述SVM二分类器的输入为车轮特征向量和图像清晰度判断指标，其输出为车轮是否清洁分类结果；基于车轮数据集和车轮清晰度指标数据集对分类网络模型进行训练，得到车轮分类器。车轮分类器将传统的清晰度判断指标引入到深度学习方法中，即首先通过特征提取网络提取车轮特征向量，再与清晰度判断指标结合作为特征输入到SVM二分类器中以得到分类结果，提高了车轮清洁度分类的准确性可解释性。本文档来自技高网...

【技术保护点】
1.一种适用于工地的车辆清洁度判断方法，其特征在于，包括：/n获取车牌图像；/n将获取的车牌图像输入预先训练好的车牌分类器进行分类，得到车牌分类结果；其中，所述车牌分类器通过若干车牌图像对深度神经网络模型进行训练得到；/n若车牌分类结果为有污秽遮挡车牌，则判断车牌不清洁；/n若车牌分类结果为无污秽遮挡车牌，则对车牌图像进行前景提取并分割车牌字符，利用图像清晰度判断指标计算各个车牌字符是否清晰，并根据所有车牌字符的清晰状态判断对应车牌是否清洁；/n获取车轮图像；/n利用hough算法从车轮图像中寻找椭圆，并识别出满足椭圆的长轴长度和短轴长度的平均值大于0.5倍车轮直径的椭圆；/n若找到的椭圆数目不小于N个，则判断车轮为清洁；其中，N为预设值；/n若找到的椭圆数目小于N个，则将车轮图像输入预先训练好的车轮分类器进行分类，得到车轮清洁或车轮不清洁的结果；其中，所述车轮分类器通过若干车轮图像对深度神经网络模型进行训练得到；/n基于识别的车牌清洁结果和车轮清洁结果判断车辆的清洁度，若车牌和车轮都清洁，则判断车辆清洁，否则判断车辆不清洁。/n

【技术特征摘要】
1.一种适用于工地的车辆清洁度判断方法，其特征在于，包括：
获取车牌图像；
将获取的车牌图像输入预先训练好的车牌分类器进行分类，得到车牌分类结果；其中，所述车牌分类器通过若干车牌图像对深度神经网络模型进行训练得到；
若车牌分类结果为有污秽遮挡车牌，则判断车牌不清洁；
若车牌分类结果为无污秽遮挡车牌，则对车牌图像进行前景提取并分割车牌字符，利用图像清晰度判断指标计算各个车牌字符是否清晰，并根据所有车牌字符的清晰状态判断对应车牌是否清洁；
获取车轮图像；
利用hough算法从车轮图像中寻找椭圆，并识别出满足椭圆的长轴长度和短轴长度的平均值大于0.5倍车轮直径的椭圆；
若找到的椭圆数目不小于N个，则判断车轮为清洁；其中，N为预设值；
若找到的椭圆数目小于N个，则将车轮图像输入预先训练好的车轮分类器进行分类，得到车轮清洁或车轮不清洁的结果；其中，所述车轮分类器通过若干车轮图像对深度神经网络模型进行训练得到；
基于识别的车牌清洁结果和车轮清洁结果判断车辆的清洁度，若车牌和车轮都清洁，则判断车辆清洁，否则判断车辆不清洁。


2.根据权利要求1所述的适用于工地的车辆清洁度判断方法，其特征在于，所述车牌分类器通过若干车牌图像对深度神经网络模型进行训练得到，具体包括：
采集若干有污秽遮挡的车牌图像和无污秽遮挡的车牌图像，并进行标注，构成车牌数据集；
对采集的车牌图像进行预处理，构成车牌训练集和车牌测试集；
利用车牌训练集和车牌测试集对基于ResNet网络结构的模型进行训练，得到有污秽遮挡车牌和无污秽遮挡车牌的车牌分类器。


3.根据权利要求2所述的适用于工地的车辆清洁度判断方法，其特征在于，所述对采集的车牌图像进行预处理，具体包括：
对于每张车牌图像，将其尺寸调整为宽为W高为H的车牌图像；
生成一个新的边长为W的正方形空白图像，并将尺寸调整后的车牌图像拷贝到空白图像的上半部分和下半部分；
然后按车牌标准下字符出现的位置在空白图像的底部画出标记块，得到预处理后的车牌图像。


4.根据权利要求1所述的适用于工地的车辆清洁度判断方法，其特征在于，所述对车牌图像进行前景提取并分割车牌字符，具体包括：
将车牌图像转换为灰度图，然后采用阈值分割的方法将其转化为二值化图像，建立前景区域和背景区域；
基于前景区域采用投影法得到每个车牌字符的初始位置及字符间隔的初始位置；
根据车牌图像的高度H确定车牌字符起点位置偏移量和字符间隔起点位置偏移量的搜索范围为[-1*H*r,H*r]；其中r为<1的系数；
对于每个车牌字符起点位置偏移量和字符间隔起点位置偏移量，在搜索范围内进行M次随机采样，将每次的随机采样结果与各个车牌字符的初始位置及字符间隔的初始位置对应相加，得到M个采样值；其中，M为预设值；
计算M个采样值对应的投影特征值，选取投影特征值最小时对应的采样值作为各个车牌字符及字符间隔的最优位置，进而分割出车牌字符。


5.根据权利要求4所述的适用于工地的车辆清洁度判断方法，其特征在于，所述基于前景区域采用投影法得到每个字符的初始位置及字符间隔的初始位置，包括：
前景区域中前景点像素值为1，背景区域中背景点像素值为0；计算前景区域中每一列的像素值之和，形成一个数组；
设置阈值Sv，若数组中元素值<Sv，则表示此元素对应字符间隔，将该元素转换为False；否则此元素表示车牌字符，将此元素转换为True；进而将上述数组转换为一个表示车牌字符或字符间隔的True-False数组；
根据True-False数组判断车牌字符和字符间隔的位置，对于False变True的位置为车牌字符起点，True变False的位置为车牌字符终点，而车牌字符终点至车牌字符起点之间为字符间隔；

【专利技术属性】
技术研发人员：贺松波，
申请(专利权)人：湖南华辰悦科技有限公司，
类型：发明
国别省市：湖南;43