基于车辆号牌号码的高速公路基础信息识别方法及系统与流程

1.本发明涉及智能交通控制技术领域，更具体地，涉及一种基于车辆号牌号码的高速公路基础信息识别方法及系统。


背景技术：

2.高速公路性质包括国家高速公路和省级高速公路。由于深度学习、视频分析等技术的研究和发展，基于高速公路视频识别的车距判断、车速判断、高速行人奔跑等应用越来越多，这些应用的数据基础需要基于高速公路的长度、宽度、像素与现实尺寸映射关系等进行判断。然而由于摄像机拍摄成像角度和道路建设图纸绘制角度不一致，难以在摄像机内预设准确的道路基础信息，进而导致基础信息缺失或不准确，实际应用中产生的偏差较大。


技术实现要素：

3.针对现有技术中的缺陷和不足，本发明提供了一种基于车辆号牌号码的高速公路基础信息识别方法及系统，以解决现有技术中存在的由于摄像机拍摄成像角度和道路建设图纸绘制角度不一致，难以在摄像机内预设准确的道路基础信息，进而导致基础信息缺失或不准确，实际应用中产生的偏差较大的问题。
4.作为本发明的第一个方面，提供一种基于车辆号牌号码的高速公路基础信息识别方法，包括：
5.步骤s1：获取道路监控视频，并从所述道路监控视频中提取出目标车辆图像；
6.步骤s2：检测出所述目标车辆图像中的原始号牌区域，并确定出所述原始号牌区域中目标号牌号码的种类和所述原始号牌区域的最小外接四边形；
7.步骤s3：根据所述原始号牌区域的最小外接四边形对所述目标车辆图像中的原始号牌区域进行矫正，以得到矫正后的号牌区域；
8.步骤s4：根据所述原始号牌区域中目标号牌号码的种类判定出所述原始号牌区域的长边实际长度值，同时计算出所述矫正后的号牌区域的长边像素值，以得到所述矫正后的号牌区域的长边像素值与所述原始号牌区域的长边实际长度值之间的映射关系；
9.步骤s5：从所述道路监控视频中获取目标车辆两侧车道线区域，在所述目标车辆两侧车道线区域中做所述原始号牌区域短边的垂线，并对所述目标车辆两侧车道线区域中所述原始号牌区域短边的垂线进行矫正，以得到矫正后的垂线；
10.步骤s6：计算出所述矫正后的垂线的像素值，并根据所述矫正后的垂线的像素值以及所述矫正后的号牌区域的长边像素值与所述原始号牌区域的长边实际长度值之间的映射关系，计算出所述目标车辆两侧车道线区域的实际宽度值。
11.进一步地，所述检测出所述目标车辆图像中的原始号牌区域，并确定出所述原始号牌区域中目标号牌号码的种类，还包括:
12.获取损失函数和基于目标号牌号码颜色信息的车辆号牌检测算法；
13.根据所述损失函数，训练所述基于目标号牌号码颜色信息的车辆号牌检测算法，
以得到训练后的车辆号牌检测算法；
14.通过所述训练后的车辆号牌号码检测算法检测出所述原始号牌区域中目标号牌号码的种类。
15.进一步地，所述损失函数的计算公式如下：
[0016][0017]
其中，将所述原始号牌区域的图像分为s*s个网格，每个网格产生b个候选框，b表示识别的目标类别总数，i表示第i个网格，j表示目标类别总数b中的第j个类别，obj表示用于预测该目标，noobj表示不用于预测该目标；表示第i个网格中的j类别预测这个目标，此时是常数1，否则就是0；表示第i个网格中的j类别不预测该目标，此时是常数0，否则是1；为控制函数，表示预测目标的坐标中心是否在第i个网格内，在第i个网格内就是常数1，否则就是0；
[0018]
xi,yi,ωi,hi表示预测框的坐标信息，分别为第i个预测框的左上角顶点的横坐标、纵坐标、框宽、框高；代表人工标注框的坐标信息，分别为第i个网格内人工标注框的左上角顶点的横坐标、纵坐标、框宽、框高；
[0019]ci
表示第i个网格内预测该类别的置信度，如果有该类别目标，则c为1，反之为0；表示第i个网格内标注该类别的置信度，如果此处有标注该类别目标，则为1，反之为0；
[0020]
pi(c)表示第i个网格内预测c类别目标是否存在，如果有该类别的目标，则pi(c)为1，反之为0；表示第i个网格内人工标注c类别目标是否存在，如存在则为1，反之则为0；c∈classses表示c属于该类别；
[0021]
φk表示号牌检测框中蓝色、黄色和绿色所占的比例；λ
coord
与λ
noobj
分别为常数5与常数0.5。
[0022]
进一步地，所述获取损失函数和基于目标号牌号码颜色信息的车辆号牌检测算法，还包括：
[0023]
所述基于目标号牌号码颜色信息的车辆号牌检测算法，其使用的颜色空间信息为蓝色颜色分量范围(100，43，46)～(124，255，255)、黄色颜色分量范围(26，43，46)～(34，255，255)和绿色颜色分量范围(35，43，46)～(77，255，255)。
[0024]
进一步地，所述检测出所述目标车辆图像中的原始号牌区域之后，还包括：
[0025]
将检测出的所述原始号牌区域输入到号牌完整度检测模型中，以确认所述原始号牌区域是否完整；
[0026]
若所述原始号牌区域的完整度满足预设号牌完整度阈值，则确定出所述原始号牌区域中目标号牌号码的种类和所述原始号牌区域的最小外接四边形；
[0027]
若所述原始号牌区域的完整度不满足所述预设号牌完整度阈值，则认为该原始号牌区域不完整，放弃本张目标车辆图像，重新从所述道路监控视频中提取出下一张目标车辆图像。
[0028]
进一步地，所述将检测出的所述原始号牌区域输入到号牌完整度检测模型中，以确认所述原始号牌区域是否完整，还包括：
[0029]
根据号牌颜色对检测出的所述原始号牌区域进行二值化，并通过形态学操作获取完整干净的号牌区域，并输出所述完整干净的号牌区域的像素大小；
[0030]
查找所述原始号牌区域的最小外接四边形，输出该最小外接四边形的像素大小；
[0031]
将所述完整干净的号牌区域的像素大小值除以所述最小外接四边形的像素大小值之后的值作为所述原始号牌区域的完整度。
[0032]
进一步地，所述根据所述原始号牌区域的最小外接四边形对所述目标车辆图像中的原始号牌区域进行矫正，以得到矫正后的号牌区域，还包括：
[0033]
获取所述原始号牌区域的矩形边框和所述矩形边框的长宽比；
[0034]
基于所述原始号牌区域的矩形边框和所述矩形边框的长宽比，确认出所述原始号牌区域最小外接四边形的长边和短边；
[0035]
通过将所述原始号牌区域最小外接四边形旋转至水平的方式，计算获得所述最小外接四边形的倾斜角度和旋转矩阵。
[0036]
进一步地，所述计算出所述矫正后的号牌区域的长边像素值，还包括：
[0037]
根据所述原始号牌区域最小外接四边形的2条长边平均长度，通过骨架提取算法计算获得所述矫正后的号牌区域的长边像素值。
[0038]
进一步地，所述从所述道路监控视频中获取目标车辆两侧车道线区域，在所述目标车辆两侧车道线区域中做所述原始号牌区域短边的垂线，并对所述目标车辆两侧车道线区域中所述原始号牌区域短边的垂线进行矫正，以得到矫正后的垂线，还包括：
[0039]
通过车道线分割算法从所述道路监控视频中获取目标车辆两侧车道线区域；
[0040]
根据所述最小外接四边形的倾斜角度和旋转矩阵对所述原始号牌区域短边的垂线进行矫正，以得到矫正后的垂线。
[0041]
作为本发明的第二个方面，提供一种基于车辆号牌号码的高速公路基础信息识别系统，包括：
[0042]
获取模块，用于获取道路监控视频，并从所述道路监控视频中提取出目标车辆图像；
[0043]
检测模块，用于检测出所述目标车辆图像中的原始号牌区域，并确定出所述原始号牌区域中目标号牌号码的种类和所述原始号牌区域的最小外接四边形；
[0044]
第一矫正模块，用于根据所述原始号牌区域的最小外接四边形对所述目标车辆图像中的原始号牌区域进行矫正，以得到矫正后的号牌区域；
[0045]
第一计算模块，用于根据所述原始号牌区域中目标号牌号码的种类判定出所述原
始号牌区域的长边实际长度值，同时计算出所述矫正后的号牌区域的长边像素值，以得到所述矫正后的号牌区域的长边像素值与所述原始号牌区域的长边实际长度值之间的映射关系；
[0046]
第二矫正模块，用于从所述道路监控视频中获取目标车辆两侧车道线区域，在所述目标车辆两侧车道线区域中做所述原始号牌区域短边的垂线，并对所述目标车辆两侧车道线区域中所述原始号牌区域短边的垂线进行矫正，以得到矫正后的垂线；
[0047]
第二计算模块，用于计算出所述矫正后的垂线的像素值，并根据所述矫正后的垂线的像素值以及所述矫正后的号牌区域的长边像素值与所述原始号牌区域的长边实际长度值之间的映射关系，计算出所述目标车辆两侧车道线区域的实际宽度值。
[0048]
本发明提供的一种基于车辆号牌号码的高速公路基础信息识别方法具有以下优点：可以解决高速公路基础信息缺失或不准确的问题，可以检测识别高速公路的宽度、像素和现实尺寸的映射关系、仿射关系等，且全流程都是自动执行，极大的提高了视频图像中高速道路信息的准确率，有利于其他高速场景技术应用的落地。
附图说明
[0049]
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。
[0050]
图1为本发明提供的基于车辆号牌号码的高速公路基础信息识别方法的流程图。
[0051]
图2为本发明提供的基于车辆号牌号码的高速公路基础信息识别方法的具体实施方式流程图。
[0052]
图3a为本发明提供的原始号牌区域的示意图。
[0053]
图3b为本发明提供的原始号牌区域最小外接四边形的示意图。
[0054]
图4为本发明提供的原始号牌区域矫正前后的对比示意图。
具体实施方式
[0055]
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种基于车辆号牌号码的高速公路基础信息识别方法及系统其具体实施方式、结构、特征及其功效，详细说明如后。显然，所描述的实施例为本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，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，都属于本发明的保护范围。
[0056]
在本实施例中提供了一种基于车辆号牌号码的高速公路基础信息识别方法，如图1所示，请同时参照图2，所述基于车辆号牌号码的高速公路基础信息识别方法包括：
[0057]
步骤s1：获取道路监控视频，并基于图像识别方法从所述道路监控视频中提取出目标车辆图像；
[0058]
具体地，通过交通监控设备不间断的采集道路监控视频。
[0059]
步骤s2：检测出所述目标车辆图像中的原始号牌区域，并确定出所述原始号牌区域中目标号牌号码的种类和所述原始号牌区域的最小外接四边形；
[0060]
优选地，所述检测出所述目标车辆图像中的原始号牌区域，并确定出所述原始号牌区域中目标号牌号码的种类，还包括:
[0061]
获取损失函数和基于目标号牌号码颜色信息的车辆号牌检测算法；其中，损失函数中添加了颜色信息，号牌号码颜色有国家标准规定(常见的颜色主要为蓝色、黄色、绿色)；
[0062]
具体地，所述获取损失函数和基于目标号牌号码颜色信息的车辆号牌检测算法，还包括：
[0063]
将号牌颜色空间映射到hsv空间后，参考标准中的规定，所述基于目标号牌号码颜色信息的车辆号牌检测算法，其使用的颜色空间信息为蓝色颜色分量范围(100，43，46)～(124，255，255)、黄色颜色分量范围(26，43，46)～(34，255，255)和绿色颜色分量范围(35，43，46)～(77，255，255)。
[0064]
根据所述损失函数，训练所述基于目标号牌号码颜色信息的车辆号牌检测算法，以得到训练后的车辆号牌检测算法；其中，车辆号牌检测算法为加入颜色检索信息的yolo深度学习算法。
[0065]
通过所述训练后的车辆号牌号码检测算法检测出所述原始号牌区域中目标号牌号码的种类。
[0066]
具体地，所述损失函数的计算公式如下：
[0067][0068]
yolo在识别时，会对整张图片调整大小，如调整到416*416。其中，将调整后的所述原始号牌区域的图像分为s*s个网格，每个网格产生b个候选框，b表示识别的目标类别总数，i表示第i个网格，j表示目标类别总数b中的第j个类别，obj表示用于预测该目标，noobj表示不用于预测该目标；表示第i个网格中的j类别预测这个目标，此时是常数1，否则就是0；表示第i个网格中的j类别不预测该目标，此时是常数0，否则是1；为控制函数，表示预测目标的坐标中心是否在第i个网格内，在第i个网格内就是常数1，否则就是0；
[0069]
xi,yi,ωi,hi表示预测框的坐标信息，分别为第i个预测框的左上角顶点的横坐标、纵坐标、框宽、框高；代表人工标注框的坐标信息，分别为第i个网格内人工标注框的左上角顶点的横坐标、纵坐标、框宽、框高；
[0070]ci
表示第i个网格内预测该类别的置信度，如果有该类别目标，则c为1，反之为0；表示第i个网格内标注该类别的置信度，如果此处有标注该类别目标，则为1，反之为0；
[0071]
pi(c)表示第i个网格内预测c类别目标是否存在，如果有该类别的目标，则pi(c)为1，反之为0；表示第i个网格内人工标注c类别目标是否存在，如存在则为1，反之则为0；c∈classses表示c属于该类别；
[0072]
φk表示号牌检测框中蓝色、黄色和绿色所占的比例；λ
coord
与λ
noobj
分别为常数5与常数0.5。
[0073]
应当理解的是，损失函数是用来判断训练出来的模型预测能力与人工标注之间的差值，损失函数计算得到的数值越小，说明模型预测能力越强，与实际结果越接近；反之，说明模型预测能力越弱。
[0074]
优选地，所述检测出所述目标车辆图像中的原始号牌区域之后，还包括：
[0075]
如图3a所示，将检测出的所述原始号牌区域输入到号牌完整度检测模型中，以确认所述原始号牌区域是否完整；
[0076]
若所述原始号牌区域的完整度满足预设号牌完整度阈值，则确定出所述原始号牌区域中目标号牌号码的种类和所述原始号牌区域的最小外接四边形，如图3b所示；
[0077]
若所述原始号牌区域的完整度不满足所述预设号牌完整度阈值，则认为该原始号牌区域不完整，放弃本张目标车辆图像，重新通过步骤s1从所述道路监控视频中提取出下一张目标车辆图像。例如，满足设定阈值90％的完整号牌进行下一步测量，不满足设定阈值的号牌放弃本次测量。
[0078]
具体地，所述将检测出的所述原始号牌区域输入到号牌完整度检测模型中，以确认所述原始号牌区域是否完整，还包括：
[0079]
根据号牌颜色对检测出的所述原始号牌区域进行二值化，并通过形态学操作获取完整干净的号牌区域，并输出所述完整干净的号牌区域的像素大小；
[0080]
查找所述原始号牌区域的最小外接四边形，输出该最小外接四边形的像素大小；
[0081]
将所述完整干净的号牌区域的像素大小值除以所述最小外接四边形的像素大小值之后的值作为所述原始号牌区域的完整度，即完整度＝号牌区域像素/最小外接四边形像素；
[0082]
若完整度大于等于设定的阈值(90％)，则认为该号牌完整，进入下一步；
[0083]
若完整度小于设定阈值，则放弃本次识别，重新开始步骤s1获取监控图片。
[0084]
步骤s3：根据所述原始号牌区域的最小外接四边形对所述目标车辆图像中的原始号牌区域进行矫正，以得到矫正后的号牌区域；
[0085]
优选地，如图4所示，所述根据所述原始号牌区域的最小外接四边形对所述目标车辆图像中的原始号牌区域进行矫正，以得到矫正后的号牌区域，还包括：
[0086]
获取所述原始号牌区域的矩形边框和所述矩形边框的长宽比(长度和宽度比)；
[0087]
基于所述原始号牌区域的矩形边框和所述矩形边框的长宽比，确认出所述原始号牌区域最小外接四边形的长边和短边；
[0088]
通过将所述原始号牌区域最小外接四边形旋转至水平的方式，计算获得所述最小外接四边形的倾斜角度和旋转矩阵。
[0089]
步骤s4：根据国家标准《中华人民共和国机动车号牌》(ga36-2018)规定，通过所述原始号牌区域中目标号牌号码的种类判定出所述原始号牌区域的长边实际长度值，同时计算出所述矫正后的号牌区域的长边像素值，以得到所述矫正后的号牌区域的长边像素值与
所述原始号牌区域的长边实际长度值之间的映射关系；
[0090]
具体地，所述计算出所述矫正后的号牌区域的长边像素值，还包括：
[0091]
根据所述原始号牌区域最小外接四边形的2条长边平均长度，通过骨架提取算法计算获得所述矫正后的号牌区域的长边像素值。
[0092]
步骤s5：从所述道路监控视频中获取目标车辆两侧车道线区域，在所述目标车辆两侧车道线区域中做所述原始号牌区域短边的垂线，并对所述目标车辆两侧车道线区域中所述原始号牌区域短边的垂线进行矫正，以得到矫正后的垂线；
[0093]
具体地，所述从所述道路监控视频中获取目标车辆两侧车道线区域，在所述目标车辆两侧车道线区域中做所述原始号牌区域短边的垂线，并对所述目标车辆两侧车道线区域中所述原始号牌区域短边的垂线进行矫正，以得到矫正后的垂线，还包括：
[0094]
通过车道线分割算法从所述道路监控视频中获取目标车辆两侧车道线区域；
[0095]
根据所述最小外接四边形的倾斜角度和旋转矩阵对所述原始号牌区域短边的垂线进行矫正，以得到矫正后的垂线。
[0096]
步骤s6：计算出所述矫正后的垂线的像素值，并根据所述矫正后的垂线的像素值以及所述矫正后的号牌区域的长边像素值与所述原始号牌区域的长边实际长度值之间的映射关系，计算出所述目标车辆两侧车道线区域的实际宽度值。
[0097]
在本发明实施例中，按特定的取帧频率，从道路监控视频中获取图片，重复步骤s1-s6，进而获得详细完整的高速道路参数信息。
[0098]
需要说明的是，通过对号牌区域短边做垂线的方式，获取平行于号牌区域短边的车道线，输出该车道线区域，并利用已获得的矫正信息计算得到该段道路的宽度等基础信息。
[0099]
在本发明实施例中，首先通过检测定位车牌位置，其次做相应的二值化、形态学操作，获取最小外接四边形等，通过利用车辆号牌国际标准相关先验知识，计算得到号牌所在区域对应的倾斜角度、旋转矩阵、像素与实际尺寸的映射等，然后利用上述获得的图像信息，进一步计算获得图像中该区域的道路宽度等信息，最后利用特定频率的图片，获得完整道路的相关参数信息。
[0100]
本发明提供的一种基于车辆号牌号码的高速公路基础信息识别方法，可以解决高速公路基础信息缺失或不准确的问题，可以检测识别高速公路的宽度、像素和现实尺寸的映射关系、仿射关系等，且全流程都是自动执行，极大的提高了视频图像中高速道路信息的准确率，有利于其他高速场景技术应用的落地。
[0101]
作为本发明的另一实施例，提供一种基于车辆号牌号码的高速公路基础信息识别系统，其中，所述一种基于车辆号牌号码的高速公路基础信息识别系统包括：
[0102]
获取模块，用于获取道路监控视频，并从所述道路监控视频中提取出目标车辆图像；
[0103]
检测模块，用于检测出所述目标车辆图像中的原始号牌区域，并确定出所述原始号牌区域中目标号牌号码的种类和所述原始号牌区域的最小外接四边形；
[0104]
第一矫正模块，用于根据所述原始号牌区域的最小外接四边形对所述目标车辆图像中的原始号牌区域进行矫正，以得到矫正后的号牌区域；
[0105]
第一计算模块，用于根据所述原始号牌区域中目标号牌号码的种类判定出所述原
始号牌区域的长边实际长度值，同时计算出所述矫正后的号牌区域的长边像素值，以得到所述矫正后的号牌区域的长边像素值与所述原始号牌区域的长边实际长度值之间的映射关系；
[0106]
第二矫正模块，用于从所述道路监控视频中获取目标车辆两侧车道线区域，在所述目标车辆两侧车道线区域中做所述原始号牌区域短边的垂线，并对所述目标车辆两侧车道线区域中所述原始号牌区域短边的垂线进行矫正，以得到矫正后的垂线；
[0107]
第二计算模块，用于计算出所述矫正后的垂线的像素值，并根据所述矫正后的垂线的像素值以及所述矫正后的号牌区域的长边像素值与所述原始号牌区域的长边实际长度值之间的映射关系，计算出所述目标车辆两侧车道线区域的实际宽度值。
[0108]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

技术特征：
1.一种基于车辆号牌号码的高速公路基础信息识别方法，其特征在于，包括：步骤s1：获取道路监控视频，并从所述道路监控视频中提取出目标车辆图像；步骤s2：检测出所述目标车辆图像中的原始号牌区域，并确定出所述原始号牌区域中目标号牌号码的种类和所述原始号牌区域的最小外接四边形；步骤s3：根据所述原始号牌区域的最小外接四边形对所述目标车辆图像中的原始号牌区域进行矫正，以得到矫正后的号牌区域；步骤s4：根据所述原始号牌区域中目标号牌号码的种类判定出所述原始号牌区域的长边实际长度值，同时计算出所述矫正后的号牌区域的长边像素值，以得到所述矫正后的号牌区域的长边像素值与所述原始号牌区域的长边实际长度值之间的映射关系；步骤s5：从所述道路监控视频中获取目标车辆两侧车道线区域，在所述目标车辆两侧车道线区域中做所述原始号牌区域短边的垂线，并对所述目标车辆两侧车道线区域中所述原始号牌区域短边的垂线进行矫正，以得到矫正后的垂线；步骤s6：计算出所述矫正后的垂线的像素值，并根据所述矫正后的垂线的像素值以及所述矫正后的号牌区域的长边像素值与所述原始号牌区域的长边实际长度值之间的映射关系，计算出所述目标车辆两侧车道线区域的实际宽度值。2.根据权利要求1所述的一种基于车辆号牌号码的高速公路基础信息识别方法，其特征在于，所述检测出所述目标车辆图像中的原始号牌区域，并确定出所述原始号牌区域中目标号牌号码的种类，还包括:获取损失函数和基于目标号牌号码颜色信息的车辆号牌检测算法；根据所述损失函数，训练所述基于目标号牌号码颜色信息的车辆号牌检测算法，以得到训练后的车辆号牌检测算法；通过所述训练后的车辆号牌号码检测算法检测出所述原始号牌区域中目标号牌号码的种类。3.根据权利要求2所述的一种基于车辆号牌号码的高速公路基础信息识别方法，其特征在于，所述损失函数的计算公式如下：其中，将所述原始号牌区域的图像分为s*s个网格，每个网格产生b个候选框，b表示识别的目标类别总数，i表示第i个网格，j表示目标类别总数b中的第j个类别，obj表示用于预测该目标，noobj表示不用于预测该目标；表示第i个网格中的j类别预测这个目标，此时
是常数1，否则就是0；表示第i个网格中的j类别不预测该目标，此时是常数0，否则是1；为控制函数，表示预测目标的坐标中心是否在第i个网格内，在第i个网格内就是常数1，否则就是0；x
i
,y
i
,ω
i
,h
i
表示预测框的坐标信息，分别为第i个预测框的左上角顶点的横坐标、纵坐标、框宽、框高；代表人工标注框的坐标信息，分别为第i个网格内人工标注框的左上角顶点的横坐标、纵坐标、框宽、框高；c
i
表示第i个网格内预测该类别的置信度，如果有该类别目标，则c为1，反之为0；表示第i个网格内标注该类别的置信度，如果此处有标注该类别目标，则为1，反之为0；p
i
(c)表示第i个网格内预测c类别目标是否存在，如果有该类别的目标，则p
i
(c)为1，反之为0；表示第i个网格内人工标注c类别目标是否存在，如存在则为1，反之则为0；c∈classses表示c属于该类别；φ
k
表示号牌检测框中蓝色、黄色和绿色所占的比例；λ
coord
与λ
noobj
分别为常数5与常数0.5。4.根据权利要求2所述的一种基于车辆号牌号码的高速公路基础信息识别方法，其特征在于，所述获取损失函数和基于目标号牌号码颜色信息的车辆号牌检测算法，还包括：所述基于目标号牌号码颜色信息的车辆号牌检测算法，其使用的颜色空间信息为蓝色颜色分量范围(100，43，46)～(124，255，255)、黄色颜色分量范围(26，43，46)～(34，255，255)和绿色颜色分量范围(35，43，46)～(77，255，255)。5.根据权利要求1所述的一种基于车辆号牌号码的高速公路基础信息识别方法，其特征在于，所述检测出所述目标车辆图像中的原始号牌区域之后，还包括：将检测出的所述原始号牌区域输入到号牌完整度检测模型中，以确认所述原始号牌区域是否完整；若所述原始号牌区域的完整度满足预设号牌完整度阈值，则确定出所述原始号牌区域中目标号牌号码的种类和所述原始号牌区域的最小外接四边形；若所述原始号牌区域的完整度不满足所述预设号牌完整度阈值，则认为该原始号牌区域不完整，放弃本张目标车辆图像，重新从所述道路监控视频中提取出下一张目标车辆图像。6.根据权利要求5所述的一种基于车辆号牌号码的高速公路基础信息识别方法，其特征在于，所述将检测出的所述原始号牌区域输入到号牌完整度检测模型中，以确认所述原始号牌区域是否完整，还包括：根据号牌颜色对检测出的所述原始号牌区域进行二值化，并通过形态学操作获取完整干净的号牌区域，并输出所述完整干净的号牌区域的像素大小；查找所述原始号牌区域的最小外接四边形，输出该最小外接四边形的像素大小；将所述完整干净的号牌区域的像素大小值除以所述最小外接四边形的像素大小值之后的值作为所述原始号牌区域的完整度。7.根据权利要求1所述的一种基于车辆号牌号码的高速公路基础信息识别方法，其特征在于，所述根据所述原始号牌区域的最小外接四边形对所述目标车辆图像中的原始号牌
区域进行矫正，以得到矫正后的号牌区域，还包括：获取所述原始号牌区域的矩形边框和所述矩形边框的长宽比；基于所述原始号牌区域的矩形边框和所述矩形边框的长宽比，确认出所述原始号牌区域最小外接四边形的长边和短边；通过将所述原始号牌区域最小外接四边形旋转至水平的方式，计算获得所述最小外接四边形的倾斜角度和旋转矩阵。8.根据权利要求7所述的一种基于车辆号牌号码的高速公路基础信息识别方法，其特征在于，所述计算出所述矫正后的号牌区域的长边像素值，还包括：根据所述原始号牌区域最小外接四边形的2条长边平均长度，通过骨架提取算法计算获得所述矫正后的号牌区域的长边像素值。9.根据权利要求7所述的一种基于车辆号牌号码的高速公路基础信息识别方法，其特征在于，所述从所述道路监控视频中获取目标车辆两侧车道线区域，在所述目标车辆两侧车道线区域中做所述原始号牌区域短边的垂线，并对所述目标车辆两侧车道线区域中所述原始号牌区域短边的垂线进行矫正，以得到矫正后的垂线，还包括：通过车道线分割算法从所述道路监控视频中获取目标车辆两侧车道线区域；根据所述最小外接四边形的倾斜角度和旋转矩阵对所述原始号牌区域短边的垂线进行矫正，以得到矫正后的垂线。10.一种基于车辆号牌号码的高速公路基础信息识别系统，用于实现权利要求1-9中任意一项所述的基于车辆号牌号码的高速公路基础信息识别方法，其特征在于，所述基于车辆号牌号码的高速公路基础信息识别系统包括：获取模块，用于获取道路监控视频，并从所述道路监控视频中提取出目标车辆图像；检测模块，用于检测出所述目标车辆图像中的原始号牌区域，并确定出所述原始号牌区域中目标号牌号码的种类和所述原始号牌区域的最小外接四边形；第一矫正模块，用于根据所述原始号牌区域的最小外接四边形对所述目标车辆图像中的原始号牌区域进行矫正，以得到矫正后的号牌区域；第一计算模块，用于根据所述原始号牌区域中目标号牌号码的种类判定出所述原始号牌区域的长边实际长度值，同时计算出所述矫正后的号牌区域的长边像素值，以得到所述矫正后的号牌区域的长边像素值与所述原始号牌区域的长边实际长度值之间的映射关系；第二矫正模块，用于从所述道路监控视频中获取目标车辆两侧车道线区域，在所述目标车辆两侧车道线区域中做所述原始号牌区域短边的垂线，并对所述目标车辆两侧车道线区域中所述原始号牌区域短边的垂线进行矫正，以得到矫正后的垂线；第二计算模块，用于计算出所述矫正后的垂线的像素值，并根据所述矫正后的垂线的像素值以及所述矫正后的号牌区域的长边像素值与所述原始号牌区域的长边实际长度值之间的映射关系，计算出所述目标车辆两侧车道线区域的实际宽度值。

技术总结
本发明涉及智能交通控制技术领域，具体公开了一种基于车辆号牌号码的高速公路基础信息识别方法，首先通过检测定位车牌位置，其次做相应的二值化、形态学操作，获取最小外接四边形等，通过利用车辆号牌国际标准相关先验知识，计算得到号牌所在区域对应的倾斜角度、旋转矩阵、像素与实际尺寸的映射等，然后利用上述获得的图像信息，进一步计算获得图像中该区域的道路宽度等信息，最后利用特定频率的图片，获得完整道路的相关参数信息。本发明还公开了一种基于车辆号牌号码的高速公路基础信息识别系统。本发明提供的基于车辆号牌号码的高速公路基础信息识别方法，可以解决高速公路基础信息缺失或不准确的问题。基础信息缺失或不准确的问题。基础信息缺失或不准确的问题。


技术研发人员：李杰 吴晓峰 赵北辰 郑煜 马兆有 尤勇 何瑞华
受保护的技术使用者：公安部交通管理科学研究所
技术研发日：2023.05.24
技术公布日：2023/8/16