本申请涉及一种车辆抓拍事件中的车牌选取方法、装置、计算机设备和存储介质。所述方法包括：基于稠密光流算法获取各帧图像中车辆和车牌的关联度系数；及基于各帧图像中前帧车牌区域和当前帧车牌区域的光流一致性，确定各帧图像中车牌的车牌优选系数；基于所述关联度系数及车牌优选系数，确定各帧图像中车牌的车牌选取参数；基于各所述车牌选取参数，确定对应帧的图像，并以该帧图像中的车牌作为目标车牌。采用本方法解决了在车牌大角度、模糊、易遮挡场景下的车牌前后帧的延续性突变消失从而丧失车牌关联判断依据的问题，提升了优选车牌的可靠度和准确性。的可靠度和准确性。的可靠度和准确性。
【技术实现步骤摘要】
车辆抓拍事件中的车牌选取方法、装置、设备和存储介质
[0001]本申请涉及图像处理
，特别是涉及一种车辆抓拍事件中的车牌选取方法、装置、计算机设备和存储介质。
技术介绍
[0002]近年来，为了解决城市停车难的交通问题，智慧停车越来越普及。为了满足在少量人力的条件下就能维持停车场的日常管理运行，智慧停车通常采用视频监控和智能算法相结合，尤其在停车场的日常管理收费项目中，主要依赖车辆和与车辆对应的车牌作为证据链来实现自动化收费。因此车牌的选取作为停车算法的关键部分直接影响算法指标，其稳定性、准确性直接影响着停车产品的质量和用户体验。
[0003]而目前停车场景的车牌普遍存在部分遮挡、部分模糊、大角度等情况，容易导致车牌框字符检测结果可信度不高或者车牌框和字符检测结果可信度极端不一致的情况，降低了车牌检测识别的可靠度和准确性。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够解决因车牌大角度、部分被遮挡以及模糊等情况导致车牌优选准确性降低问题的车辆抓拍事件中的车牌选取方法、装置、计算机设备和计算机可读存储介质。
[0005]第一方面，本申请提供了一种车辆抓拍事件中的车牌选取方法，所述方法包括：
[0006]基于稠密光流算法获取各帧图像中车辆和车牌的关联度系数；及
[0007]基于各帧图像中前帧车牌区域和当前帧车牌区域的光流一致性，确定各帧图像中车牌的车牌优选系数；
[0008]基于所述关联度系数及车牌优选系数，确定各帧图像中车牌的车牌选取参数；
[0009]基于各所述车牌选取参数，确定对应帧的图像，并以该帧图像中的车牌作为目标车牌。
[0010]在其中一个实施例中，所述基于稠密光流算法获取各帧图像中车辆和车牌的关联度系数包括：
[0011]基于所述稠密光流算法，获取所述前帧车牌区域在当前帧中对应的第一光流向量以及所述前帧车牌区域在所述车辆的前帧车辆选取区域上对应的第二光流向量；
[0012]基于深度学习算法，获取所述前帧车辆选取区域的第一目标置信度；
[0013]基于所述第一光流向量、所述第二光流向量以及第一目标置信度，获取各帧图像中车辆与车牌的关联度系数。
[0014]在其中一个实施例中，所述前帧车辆选取区域包括车头、车尾以及车身中的一个，所述获取所述车辆的前帧车辆选取区域包括：
[0015]将所述车辆的车辆检测框分成多个区域，其中各个所述区域的交点为所述车辆检测框的中心点；
[0016]当所述前帧车牌区域落在所述车辆检测框的区域内，将所述前帧车牌区域平移至所述中心点，平移后的所述前帧车牌区域为所述车辆的前帧车辆选取区域。
[0017]在其中一个实施例中，所述基于各帧图像中前帧车牌区域和当前帧车牌区域的光流一致性，确定各帧图像中车牌的车牌优选系数包括：
[0018]基于各帧图像中前帧车牌区域和当前帧车牌区域的光流一致性，获取所述前帧车牌区域在当前帧的光流坐标以及所述光流坐标对应的稠密光流点集；
[0019]基于深度学习算法，获取各帧所述当前帧车牌区域的第二目标置信度以及所述当前帧车牌区域对应的区域像素点集；
[0020]基于所述稠密光流点集、区域像素点集以及第二目标置信度，确定各帧图像中车牌的车牌优选系数。
[0021]在其中一个实施例中，所述基于所述稠密光流点集、区域像素点集以及第二目标置信度，确定各帧图像中车牌的车牌优选系数之前还包括：
[0022]基于各帧图像中前帧车牌区域和当前帧车牌区域的光流一致性，获取所述前帧车牌区域中所述光流坐标的第一数量以及所述当前帧车牌区域中所述光流坐标的第二数量；
[0023]基于所述前帧车牌区域和所述当前帧车牌区域的位置关系，获取所述前帧车牌区域中心点和所述当前帧车牌区域中心点的位移值；
[0024]基于所述第一数量、第二数量以及位移值，获取各帧所述前帧车牌区域和当前帧车牌区域的帧关联权重；
[0025]基于所述稠密光流点集、区域像素点集、第二目标置信度以及帧关联权重，确定各帧图像中车牌的车牌优选系数。
[0026]在其中一个实施例中，所述基于所述关联度系数及车牌优选系数，确定各帧图像中车牌的车牌选取参数包括：
[0027]将所述关联度系数与所述车牌优选系数相乘，确定各帧图像中车牌的车牌选取参数。
[0028]在其中一个实施例中，所述基于各所述车牌选取参数，确定对应帧的图像，并以该帧图像中的车牌作为目标车牌包括：
[0029]基于各所述车牌选取参数，获取所述车牌选取参数最大值的对应帧的图像，并以该帧图像中的车牌作为目标车牌。
[0030]第二方面，本申请还提供了一种车辆抓拍事件中的车牌选取装置，所述装置包括：
[0031]第一获取模块，用于基于稠密光流算法获取各帧图像中车辆和车牌的关联度系数；及
[0032]第二确定模块，用于基于各帧图像中前帧车牌区域和当前帧车牌区域的光流一致性，确定各帧图像中车牌的车牌优选系数；
[0033]联合计算模块，用于基于所述关联度系数及车牌优选系数，确定各帧图像中车牌的车牌选取参数；
[0034]车牌选择模块，用于基于各所述车牌选取参数，确定对应帧的图像，并以该帧图像中的车牌作为目标车牌。
[0035]第三方面，本申请还提供了一种计算机设备，所述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，所述处理器执行所述计算机程序时实现上述第一方面
的内容。
[0036]第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面的内容。
[0037]上述车辆抓拍事件中的车牌选取方法、装置、计算机设备和存储介质，通过基于稠密光流算法获取各帧图像中车辆和车牌的关联度系数；及基于各帧图像中前帧车牌区域和当前帧车牌区域的光流一致性，确定各帧图像中车牌的车牌优选系数；基于所述关联度系数及车牌优选系数，确定各帧图像中车牌的车牌选取参数；基于各所述车牌选取参数，确定对应帧的图像，并以该帧图像中的车牌作为目标车牌，实现了在车牌大角度、模糊、易遮挡场景下的车牌优选，并提升了优选车牌的可靠度和准确性。
附图说明
[0038]图1为一个实施例中车辆抓拍事件中的车牌选取方法的应用环境图；
[0039]图2为一个实施例中车辆抓拍事件中的车牌选取方法的流程示意图；
[0040]图3为一个实施例中S202的流程示意图；
[0041]图4为一个实施例中S202中获取前帧车辆选取区域的流程示意图；
[0042]图5为一个实施例中获取车辆选取区域的结构图；
[0043]图6为一个实施例中S204的流程示意图；
[0044]图7为一个实施例中计算帧关联权重的流程示意图；
[0045]图8为一个实施例中车辆抓拍事件中的车牌选取装置的结构框图；
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车辆抓拍事件中的车牌选取方法，其特征在于，所述方法包括：基于稠密光流算法获取各帧图像中车辆和车牌的关联度系数；及基于各帧图像中前帧车牌区域和当前帧车牌区域的光流一致性，确定各帧图像中车牌的车牌优选系数；基于所述关联度系数及车牌优选系数，确定各帧图像中车牌的车牌选取参数；基于各所述车牌选取参数，确定对应帧的图像，并以该帧图像中的车牌作为目标车牌。2.根据权利要求1所述的车辆抓拍事件中的车牌选取方法，其特征在于，所述基于稠密光流算法获取各帧图像中车辆和车牌的关联度系数包括：基于所述稠密光流算法，获取所述前帧车牌区域在当前帧中对应的第一光流向量以及所述前帧车牌区域在所述车辆的前帧车辆选取区域上对应的第二光流向量；基于深度学习算法，获取所述前帧车辆选取区域的第一目标置信度；基于所述第一光流向量、所述第二光流向量以及第一目标置信度，获取各帧图像中车辆与车牌的关联度系数。3.根据权利要求2所述的车辆抓拍事件中的车牌选取方法，其特征在于，所述前帧车辆选取区域包括车头、车尾以及车身中的一个，所述获取所述车辆的前帧车辆选取区域包括：将所述车辆的车辆检测框分成多个区域，其中各个所述区域的交点为所述车辆检测框的中心点；当所述前帧车牌区域落在所述车辆检测框的区域内，将所述前帧车牌区域平移至所述中心点，平移后的所述前帧车牌区域为所述车辆的前帧车辆选取区域。4.根据权利要求1所述的车辆抓拍事件中的车牌选取方法，其特征在于，所述基于各帧图像中前帧车牌区域和当前帧车牌区域的光流一致性，确定各帧图像中车牌的车牌优选系数包括：基于各帧图像中前帧车牌区域和当前帧车牌区域的光流一致性，获取所述前帧车牌区域在当前帧的光流坐标以及所述光流坐标对应的稠密光流点集；基于深度学习算法，获取各帧所述当前帧车牌区域的第二目标置信度以及所述当前帧车牌区域对应的区域像素点集；基于所述稠密光流点集、区域像素点集以及第二目标置信度，确定各帧图像中车牌的车牌优选系数。5.根据权利要求4所述的车辆抓拍事件中的车牌选取方法，其特征在于，所述基于所述稠密光流点集、区...
【专利技术属性】
技术研发人员：朱梦超，王利升，王亚运，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。