路侧泊位号码识别方法以及装置与流程

1.本技术涉及图像处理技术领域，特别是涉及一种路侧泊位号码识别方法以及装置。


背景技术：

2.随着“互联网+停车”的发展，智慧停车通过对停车大数据的掌握，依托其高频、刚需的优势，实现停车智慧化、管理可视化和运营高效化，能够为车主提供电子支付、车位查询、车位预订、车位导航、周边信息推送等价值体验。运用互联网技术和大数据、云计算打造的智慧停车凭借诸多优势，成为快速解决停车难与停车乱等难题的可行性方案，对整个城市停车以及出行带来改变。
3.在解决停车难与停车乱等难题的过程中，对路侧泊位号码的识别起到了关键性作用。传统识别方法基于关键点检测定位模型对待测图像的关键点进行检测，根据关键点进行图像矫正，获得矫正后图像，并基于深度学习算法对矫正后图像进行识别。然而，关键点的检测误差较高，使得传统识别方法的识别准确率低，不利于路侧停车收费管理。
4.申请内容
5.本技术的目的是解决传统识别方法的识别准确率低，不利于路侧停车收费管理的技术问题。为实现上述目的，本技术提供一种
6.本技术提供一种路侧泊位号码识别方法，包括：
7.获取多个路侧泊位号码图像，每个所述路侧泊位号码图像包括多个泊位号码字符的真实字符检测框坐标信息与真实字符类别信息；
8.根据所述多个路侧泊位号码图像对目标检测模型进行训练优化，获得训练完成的目标检测模型；
9.根据所述训练完成的目标检测模型，对待测路侧泊位号码图像进行检测，获得多个泊位号码字符的字符检测框坐标信息与字符类别信息；
10.根据每个所述泊位号码字符的字符检测框坐标信息，获得每个所述字符检测框的中心点坐标，并根据每个所述中心点坐标进行直线拟合，获得每个所述泊位号码字符的拟合直线方程；
11.根据每个所述中心点坐标与每个所述拟合直线方程，获取每个所述中心点坐标到每个所述拟合直线方程的分组距离，并根据每个所述分组距离对每个所述中心点坐标进行分组，获得多个泊位号码组；
12.根据每个所述泊位号码组中每个所述泊位号码字符的所述字符类别信息与所述中心点坐标进行排序，获得路侧泊位号码序列。
13.在一个实施例中，所述根据每个所述泊位号码字符的字符检测框坐标信息，获得每个所述字符检测框的中心点坐标，并根据每个所述中心点坐标进行直线拟合，获得每个所述泊位号码字符的拟合直线方程之后，所述根据每个所述中心点坐标与每个所述拟合直线方程，获取每个所述中心点坐标与每个所述拟合直线方程的分组距离，并根据每个所述
分组距离对每个所述中心点坐标进行分组，获得多个泊位号码组之前，所述方法还包括：
14.根据任意两个所述拟合直线方程的斜率计算斜率差值，并判断所述斜率差值是否小于第一阈值；
15.若所述斜率差值小于所述第一阈值，则根据两个所述拟合直线方程的截距计算截距差值，并判断所述截距差值是否小于第二阈值；
16.若所述截距差值小于所述第二阈值，则计算两个所述拟合直线方程的斜率平均值与截距平均值；
17.根据所述斜率平均值与所述截距平均值，获取新拟合直线方程，并将两个所述拟合直线方程替换为所述新拟合直线方程，获得所述泊位号码字符对应的所述新拟合直线方程。
18.在一个实施例中，所述方法还包括：
19.若所述斜率差值大于所述第一阈值，则两个所述拟合直线方程为两个独立直线；
20.若所述截距差值大于所述第二阈值，则两个所述拟合直线方程为两个独立直线；
21.其中，所述第一阈值的范围为3至7，所述第二阈值的范围为17至24。
22.在一个实施例中，所述根据每个所述分组距离对每个所述中心点坐标进行分组，获得多个泊位号码组，包括：
23.判断每个所述分组距离是否小于第三阈值；
24.若所述分组距离小于所述第三阈值，则将所述分组距离对应的所述中心点坐标划分为同一组；
25.根据同一组中每个所述中心点坐标对应的所述泊位号码字符，形成每个所述泊位号码组；
26.其中，所述第三阈值的范围为75至85。
27.在一个实施例中，所述根据每个所述泊位号码组中每个所述泊位号码字符的所述字符类别信息与所述中心点坐标进行排序，获得路侧泊位号码序列，包括：
28.根据每个所述泊位号码组中每个所述泊位号码字符的所述字符类别信息与所述中心点坐标的x轴坐标进行升序排列，获得所述路侧泊位号码序列。
29.在一个实施例中，所述根据所述多个路侧泊位号码图像对目标检测模型进行训练优化，获得训练完成的目标检测模型，包括：
30.将所述多个路侧泊位号码图像输入至目标检测模型，输出每个所述泊位号码字符的预测字符检测框坐标信息与预测字符类别信息；
31.根据所述真实字符检测框坐标信息、所述真实字符类别信息、所述预测字符位置信息以及所述预测字符类别信息，构建损失函数，并根据所述损失函数对所述目标检测模型进行训练优化，获得训练完成的目标检测模型。
32.在一个实施例中，本技术提供一种路侧泊位号码识别装置，包括：
33.数据获取模块，用于获取多个路侧泊位号码图像，每个所述路侧泊位号码图像包括多个泊位号码字符的真实字符检测框坐标信息与真实字符类别信息；
34.模型生成模块，用于根据所述多个路侧泊位号码图像对目标检测模型进行训练优化，获得训练完成的目标检测模型；
35.字符信息获取模块，用于根据所述训练完成的目标检测模型，对待测路侧泊位号
码图像进行检测，获得多个泊位号码字符的字符检测框坐标信息与字符类别信息；
36.拟合直线方程获取模块，用于根据每个所述泊位号码字符的字符检测框坐标信息，获得每个所述字符检测框的中心点坐标，并根据每个所述中心点坐标进行直线拟合，获得每个所述泊位号码字符的拟合直线方程；
37.分组模块，用于根据每个所述中心点坐标与每个所述拟合直线方程，获取每个所述中心点坐标到每个所述拟合直线方程的分组距离，并根据每个所述分组距离对每个所述中心点坐标进行分组，获得多个泊位号码组；
38.路侧泊位号码序列生成模块，用于根据每个所述泊位号码组中每个所述泊位号码字符的所述字符类别信息与所述中心点坐标进行排序，获得路侧泊位号码序列。
39.在一个实施例中，所述路侧泊位号码识别装置还包括：
40.第一判断模块，用于根据任意两个所述拟合直线方程的斜率计算斜率差值，并判断所述斜率差值是否小于第一阈值；
41.第二判断模块，用于若所述斜率差值小于所述第一阈值，则根据两个所述拟合直线方程的截距计算截距差值，并判断所述截距差值是否小于第二阈值；
42.平均值获取模块，用于若所述截距差值小于所述第二阈值，则计算两个所述拟合直线方程的斜率平均值与截距平均值；
43.新拟合直线方程获取模块，用于根据所述斜率平均值与所述截距平均值，获取新拟合直线方程，并将两个所述拟合直线方程替换为所述新拟合直线方程，获得所述泊位号码字符对应的所述新拟合直线方程。
44.在一个实施例中，所述路侧泊位号码识别装置还包括：
45.第三判断模块，用于若所述斜率差值大于所述第一阈值，则两个所述拟合直线方程为两个独立直线；
46.第四判断模块，用于若所述截距差值大于所述第二阈值，则两个所述拟合直线方程为两个独立直线；
47.其中，所述第一阈值的范围为3至7，所述第二阈值的范围为17至24。
48.在一个实施例中，所述分组模块包括：
49.第五判断模块，用于判断每个所述分组距离是否小于第三阈值；
50.中心点坐标划分模块，用于若所述分组距离小于所述第三阈值，则将所述分组距离对应的所述中心点坐标划分为同一组；
51.泊位号码组形成模块，用于根据同一组中每个所述中心点坐标对应的所述泊位号码字符，形成每个所述泊位号码组；
52.其中，所述第三阈值的范围为75至85。
53.在一个实施例中，所述路侧泊位号码序列生成模块，包括：
54.排序模块，用于根据每个所述泊位号码组中每个所述泊位号码字符的所述字符类别信息与所述中心点坐标的x轴坐标进行升序排列，获得所述路侧泊位号码序列。
55.在一个实施例中，所述模型生成模块，包括：
56.目标检测模型构建模块，用于将所述多个路侧泊位号码图像输入至目标检测模型，输出每个所述泊位号码字符的预测字符检测框坐标信息与预测字符类别信息；
57.训练优化模块，用于根据所述真实字符检测框坐标信息、所述真实字符类别信息、
所述预测字符位置信息以及所述预测字符类别信息，构建损失函数，并根据所述损失函数对所述目标检测模型进行训练优化，获得训练完成的目标检测模型。
58.上述路侧泊位号码识别方法以及装置中，基于多个路侧泊位号码图像进行目标检测模型训练优化，获得训练完成的目标检测模型。根据训练完成的目标检测模型对待测路侧泊位号码图像进行检测，获得对应的多个泊位号码字符的字符检测框坐标信息与字符类别信息。进而，根据字符检测框坐标信息依次获得中心点坐标、拟合直线方程以及分组距离。从而，根据中心点坐标、拟合直线方程以及分组距离之间的一一对应关系进行分组，划分成多个泊位号码组。在每个泊位号码组中，根据泊位号码字符的字符类别信息与中心点坐标，获得对应的路侧泊位号码序列。通过本技术提供的路侧泊位号码识别方法，对目标检测模型进行模型训练和参数优化，获得训练完成的目标检测模型，并基于训练完成的目标检测模型的输出结果进行直线拟合、泊位号码分组、泊位序列生成，得到最终的泊位号码序列。通过路侧泊位号码识别方法，可以对训练完成的目标检测模型的输出结果进行多层次识别筛选，提高了识别准确率低，且能够进行实时准确识别，提高了利用移动巡检车进行路侧停车收费管理的准确率。
附图说明
59.图1是本技术提供的路侧泊位号码识别方法的步骤流程示意图。
60.图2是本技术提供的路侧泊位号码识别装置的结构示意图。
具体实施方式
61.下面通过附图和实施例，对本技术的技术方案做进一步的详细描述。
62.请参见图1，本技术提供一种路侧泊位号码识别方法，包括：
63.s10，获取多个路侧泊位号码图像，每个路侧泊位号码图像包括多个泊位号码字符的真实字符检测框坐标信息与真实字符类别信息；
64.s20，根据多个路侧泊位号码图像对目标检测模型进行训练优化，获得训练完成的目标检测模型；
65.s30，根据训练完成的目标检测模型，对待测路侧泊位号码图像进行检测，获得多个泊位号码字符的字符检测框坐标信息与字符类别信息；
66.s40，根据每个泊位号码字符的字符检测框坐标信息，获得每个字符检测框的中心点坐标，并根据每个中心点坐标进行直线拟合，获得每个泊位号码字符的拟合直线方程；
67.s50，根据每个中心点坐标与每个拟合直线方程，获取每个中心点坐标到每个拟合直线方程的分组距离，并根据每个分组距离对每个中心点坐标进行分组，获得多个泊位号码组；
68.s60，根据每个泊位号码组中每个泊位号码字符的字符类别信息与中心点坐标进行排序，获得路侧泊位号码序列。
69.在s10中，每个路侧泊位号码图像包括路侧泊位号码。每个路侧泊位号码包括多个泊位号码字符。路侧泊位号码可以理解为印刷于泊位旁边的代表泊位位置的号码。多个路侧泊位号码图像可以利用移动巡检设备上的摄像头进行路侧泊位号码数据采集获得。移动巡检设备通常包括三个摄像头，分别朝向巡检设备行驶方向的前侧、右侧、后侧。移动巡检
设备的三个摄像头分别用于采集行进方向前侧视频数据、右侧车位视频信息以及行进方向的后侧视频数据。移动巡检设备中朝向右侧的摄像头会拍摄到较清晰及完整的路侧泊位号码，收集右侧摄像头拍摄的视频数据，提取其中含有路侧泊位号码的图像帧作为路侧泊位号码图像。
70.每个路侧泊位号码图像包括多个泊位号码字符的真实字符检测框坐标信息与真实字符类别信息。每个泊位号码字符的真实字符检测框坐标信息与真实字符类别信息可以通过数据标注获取。在一个实施例中，对每个路侧泊位号码图像中的所有泊位号码字符使用矩形框标注工具进行目标检测标注。字符检测框坐标信息包括泊位号码字符的左上角与右下角坐标位置信息。字符类别信息包括阿拉伯数字0-9以及字符
“‑”
共11个类别。
71.在s20中，多个路侧泊位号码图像形成目标检测模型的训练集。将多个路侧泊位号码图像输入目标检测模型进行泊位号码字符目标检测，获得每个路侧泊位号码图像的所有泊位号码字符的目标检测结果。通过多个路侧泊位号码图像形成的数据训练集对目标检测模型进行训练优化，形成训练完成的目标检测模型，用于对待测路侧泊位号码图像进行预测。目标检测模型可以为卷积神经网络、两阶段或单阶段的目标检测方法形成。
72.在s30中，待测路侧泊位号码图像可以理解为需要进行检测的待测路侧泊位号码图像。将待测路侧泊位号码图像输入至训练完成的目标检测模型，可以对应输出每个泊位号码字符的字符检测框坐标信息与字符类别信息。
73.在s40中，字符检测框坐标信息可以表示出字符轮廓的坐标信息，具体地可以为泊位号码字符的左上角与右下角坐标位置信息。根据字符检测框坐标信息可以计算获得每个字符检测框的中心点坐标。中心点坐标可以表示为(x，y)。根据中心点坐标可以拟合出对应的拟合直线方程。拟合方法可以为霍夫变换算法、最小二乘法或者ransac算法等。根据霍夫变换算法、最小二乘法或者ransac算法，对每个中心点坐标进行直线拟合，获得拟合后的表示直线的两点坐标(x1，y1，x2，y2)。根据两点坐标(x1，y1，x2，y2)可以获得对应的拟合直线方程y＝kx+b。
74.在s50中，分组距离可以理解为每个中心点坐标到每个拟合直线方程的距离，可以通过点到直线的距离计算公式计算获得。一个分组距离对应一个中心点坐标，对应一个拟合直线方程，对应一个泊位号码字符。通过对分组距离进行划分，可以实现对中心点坐标的划分，进而可以实现对拟合直线方程的划分，从而可以实现对泊位号码字符的划分，形成多个泊位号码组。
75.在s60中，通过多个路侧泊位号码图像中标注的字符类别信息数据集进行目标检测模型训练后，获得训练完成的目标检测模型。通过训练完成的目标检测模型，对待测路侧泊位号码图像进行检测后，获得字符类别信息。中心点坐标包括x轴坐标信息与y轴坐标信息。根据x轴坐标信息与y轴坐标信息可以实现对每个泊位号码字符的排序。每个泊位号码组中根据泊位号码字符的排序可以获得对应的路侧泊位号码序列。
76.本技术提供的路侧泊位号码识别方法，基于多个路侧泊位号码图像进行目标检测模型训练优化，获得训练完成的目标检测模型。根据训练完成的目标检测模型对待测路侧泊位号码图像进行检测，获得对应的多个泊位号码字符的字符检测框坐标信息与字符类别信息。进而，根据字符检测框坐标信息依次获得中心点坐标、拟合直线方程以及分组距离。从而，根据中心点坐标、拟合直线方程以及分组距离之间的一一对应关系进行分组，划分成
多个泊位号码组。在每个泊位号码组中，根据泊位号码字符的字符类别信息与中心点坐标，获得对应的路侧泊位号码序列。通过本技术提供的路侧泊位号码识别方法，对目标检测模型进行模型训练和参数优化，获得训练完成的目标检测模型，并基于训练完成的目标检测模型的输出结果进行直线拟合、泊位号码分组、泊位序列生成，得到最终的泊位号码序列。通过路侧泊位号码识别方法，可以对训练完成的目标检测模型的输出结果进行多层次识别筛选，提高了识别准确率低，且能够进行实时准确识别，提高了利用移动巡检车进行路侧停车收费管理的准确率。
77.在一个实施例中，s10，获取多个路侧泊位号码图像，每个路侧泊位号码图像包括多个泊位号码字符的真实字符检测框坐标信息与真实字符类别信息之后，s20，根据多个路侧泊位号码图像对目标检测模型进行训练优化，获得训练完成的目标检测模型之前，路侧泊位号码识别方法还包括：
78.s101，对多个路侧泊位号码图像进行数据增强。
79.本实施例中，对多个路侧泊位号码图像进行数据增强包括对多个路侧泊位号码图像进行旋转变换、亮度变换、裁剪变换等数据增强。对多个路侧泊位号码图像进行旋转变换，获得多个不同旋转角度的路侧泊位号码图像，可以增加图像数据集的图像数量，模拟出真实拍摄场景中倾斜的路侧泊位号码图像数据。
80.对多个不同旋转角度的路侧泊位号码图像进行亮度变换，获得多个不同亮度的路侧泊位号码图像，可以增加图像数据集的图像数量，模拟出真实路侧泊位场景下早中晚不同亮度条件时的路侧泊位号码图像数据。
81.对多个不同亮度的路侧泊位号码图像进行随机裁剪处理，获得多个不同遮挡程度的路侧泊位号码图像，可以增加图像数据集的图像数量，模拟出真实路侧泊位场景下车辆遮挡泊位号等情况的路侧泊位号码图像数据。
82.在一个实施例中，s20，根据多个路侧泊位号码图像对目标检测模型进行训练优化，获得训练完成的目标检测模型，包括：
83.s210，将多个路侧泊位号码图像输入至目标检测模型，输出每个泊位号码字符的预测字符检测框坐标信息与预测字符类别信息；
84.s220，根据真实字符检测框坐标信息、真实字符类别信息、预测字符检测框坐标信息以及预测字符类别信息，构建损失函数，并根据损失函数对目标检测模型进行训练优化，获得训练完成的目标检测模型。
85.本实施例中，每个路侧泊位号码图像包括了多个泊位号码字符的真实字符位置信息与真实字符类别信息。根据真实字符检测框坐标信息、真实字符类别信息、预测字符检测框坐标信息以及预测字符类别信息，对目标检测模型进行模型训练，获得稳定的目标检测模型。
86.在一个实施例中，目标检测模型包括主干网络、特征金字塔网络以及目标检测网络。主干网络包括但不限于resnet、vgg等卷积神经网络。目标检测网络包括但不限于faster-rcnn、yolo、ssd等两阶段或单阶段的目标检测方法。
87.将特征金字塔网络融入至主干网络中对多个路侧泊位号码图像进行特征提取与融合，获得多个特征融合号码图像。将多个特征融合号码图像输入至目标检测网络进行目标检测，输出每个泊位号码字符的预测字符检测框坐标信息与预测字符类别信息。在主干
网络结构中增加特征金字塔网络结构，能够从不同尺度上来提取高层语义特征，并将提取的特征进行特征融合。特征金字塔网络(feature pyramid networks，fpn)能够解决多尺度问题。
88.多个特征融合号码图像包括了融合后的特征。融合后的特征为经过特征金字塔网络得到的融合了不同分辨率特征图的特征。通过增加特征金字塔网络的网络连接，可以在不增加卷积神经网络的模型计算量的情况下，提升检测的性能。特征金字塔网络通过从上而下的路径和横向连接，可以将多个路侧泊位号码图像中分辨率较低但语义特征较强的特征和分辨率较高但语义特征较弱的特征融合起来，实现不同特征的融合，进而能够提高检测的准确率。
89.将特征金字塔网络融入至主干网络中，能够实现特征的提取与融合，解决移动巡检设备采集数据时由距离泊位的位置不同与拍摄角度不同导致的拍摄号码大小不同的问题，从而提高了路侧泊位号码识别方法的识别准确率。
90.在一个实施例中，将每个特征融合号码图像输入至目标检测网络的分类分支与回归分支，输出每个泊位号码字符的预测字符检测框坐标信息与预测字符类别信息。根据每个泊位号码字符的预测字符检测框坐标信息与真实字符检测框坐标信息，构建位置回归损失函数。根据每个泊位号码字符的预测字符类别信息与真实字符类别信息，构建类别分类损失函数。
91.本实施例中，通过目标检测网络可以对每个泊位号码字符进行识别，更具有针对性，能够提高识别准确率。目标检测网络的分类分支用于输出每个泊位号码字符的预测字符类别信息。目标检测网络的回归分支用于输出每个泊位号码字符的预测字符检测框坐标信息。根据位置回归损失函数与类别分类损失函数构建目标检测模型的损失函数，对目标检测模型进行训练和参数优化。目标检测模型的损失函数为l
det
＝λ1l
reg
+λ2l
cls
。
92.其中，l
reg
表示位置回归损失函数，l
cls
表示类别分类损失函数，λ1与λ2表示模型损失函数的权重系数，可以设置为1或者根据实际应用情况设置权重系数比例。
93.在一个实施例中，位置回归损失函数包括但不限于使用平均绝对误差损失函数l1loss、均方误差损失函数l2loss、交并比损失函数iou loss等位置回归损失函数。类别分类损失函数包括但不限于使用cross entropy交叉熵损失函数、focal loss损失函数等分类损失函数。通过位置回归损失函数与类别分类损失函数对目标检测模型进行训练和参数优化。
94.在一个实施例中，路侧泊位号码识别方法还包括通过非极大抑制(non-maximum suppression，nms)算法去除部分余检测框，可以进一步提高识别检测精度，获得最终的每个泊位号码区域的类别和位置。
95.在一个实施例中，s40，根据每个泊位号码字符的字符检测框坐标信息，获得每个字符检测框的中心点坐标，并根据每个中心点坐标进行直线拟合，获得每个泊位号码字符的拟合直线方程之后，s50，根据每个中心点坐标与每个拟合直线方程，获取每个中心点坐标与每个拟合直线方程的分组距离，并根据每个分组距离对每个中心点坐标进行分组，获得多个泊位号码组之前，路侧泊位号码识别方法还包括：
96.s401，根据任意两个拟合直线方程的斜率计算斜率差值，并判断斜率差值是否小于第一阈值；
97.s402，若斜率差值小于第一阈值，则根据两个拟合直线方程的截距计算截距差值，并判断截距差值是否小于第二阈值；
98.s403，若截距差值小于第二阈值，则计算两个拟合直线方程的斜率平均值与截距平均值；
99.s404，根据斜率平均值与截距平均值，获取新拟合直线方程，并将两个拟合直线方程替换为新拟合直线方程，获得泊位号码字符对应的新拟合直线方程。
100.本实施例中，第一阈值与第二阈值的数值范围可以根据实际情况进行限定。从多个拟合直线方程中任意选取两个拟合直线方程的斜率进行差值计算，获得斜率差值。每个斜率代表了每个拟合直线方程的特性。通过对比两个拟合直线方程的斜率，可以判断两个拟合直线方程是否独立，也可以理解为判断两个拟合直线方程是否为同一个拟合直线方程。通过计算两个拟合直线方程的截距，可以排除两个拟合直线方程平行的情况，进一步判断两个拟合直线方程是否独立。当斜率差值小于第一阈值且截距差值小于第二阈值，则判断两个拟合直线方程为一条直线。进而，对两个拟合直线方程的斜率与截距分别计算均值，作为新拟合直线方程的斜率与截距，并将两个拟合直线方程替换为新拟合直线方程，对多个拟合直线方程进行了筛选。将新拟合直线方程应用于s50步骤中进行分组距离计算。
101.通过本实施例中斜率差值与截距差值的计算及判断，可以对多个拟合直线方程进行筛选，进而将距离相近的两个拟合直线方程筛选出来，并获取新拟合直线方程进行替换，从而获得每个泊位号码字符对应的拟合直线方程。通过本实施例中s401至s404，对冗余的拟合直线方程进行了筛选，提高了路侧泊位号码识别的准确率，更有利于进行路侧停车收费管理。
102.在一个实施例中，路侧泊位号码识别方法还包括：
103.s405，若斜率差值大于第一阈值，则两个拟合直线方程为两个独立直线；
104.s406，若截距差值大于第二阈值，则两个拟合直线方程为两个独立直线；
105.其中，第一阈值的范围为3至7，第二阈值的范围为17至24。
106.本实施例中，两个独立直线可以理解为是两个独立的直线，不是同一个拟合直线方程。若斜率差值小于第一阈值且截距差值大于第二阈值，则认为两个拟合直线方程为两个独立的直线，不是同一个拟合直线方程。通过设置第一阈值的范围与第二阈值的范围，能够更好地适合于喷涂式泊位号码中每个号码字符的大小及相邻号码字符之间的间距，使得路侧泊位号码识别方法更具有实用性，提高了识别准确率。
107.在一个实施例中，在s50中，根据每个分组距离对每个中心点坐标进行分组，获得多个泊位号码组，包括：
108.s510，判断每个分组距离是否小于第三阈值；
109.s520，若分组距离小于第三阈值，则将分组距离对应的中心点坐标划分为同一组；
110.s530，根据同一组中每个中心点坐标对应的泊位号码字符，形成每个泊位号码组；
111.其中，第三阈值的范围为75至85。
112.本实施例中，分组距离可以理解为中心点到拟合直线方程的距离，能够计算获取所有中心点坐标到每个拟合直线方程的距离。第三阈值可以根据实际情况进行限定。每个分组距离对应一个中心点坐标，通过对分组距离进行筛选，可以实现不同泊位号码组的分组，对泊位号码字符进一步进行筛选。并且，本实施例中设置第三阈值的范围为75至85，能
够给更好地对分组距离进行划分，进而更好地将所有中心点坐标进行分组。通过对第一阈值、第二阈值以及第三阈值的设定，可以对识别过程进行三次筛选，提高了识别准确率。
113.在一个实施例中，s60，根据每个泊位号码组中每个泊位号码字符的字符类别信息与中心点坐标进行排序，获得路侧泊位号码序列，包括：
114.s610，根据每个泊位号码组中每个泊位号码字符的字符类别信息与中心点坐标的x轴坐标进行升序排列，获得路侧泊位号码序列。
115.本实施例中，根据每个泊位号码字符的字符类别信息包括阿拉伯数字0-9以及字符
“‑”
共11个类别。根据字符类别信息可以获知每个泊位号码组中每个泊位号码字符具体类别。中心点坐标表示为(x，y)，根据x轴坐标大小可以进行升序排列，形成对应的路侧泊位号码序列。
116.请参见图2，在一个实施例中，本技术提供一种路侧泊位号码识别装100。路侧泊位号码识别装100包括数据获取模块10、模型生成模块20、字符信息获取模块30、拟合直线方程获取模块40、分组模块50以及路侧泊位号码序列生成模块60。数据获取模块10用于获取多个路侧泊位号码图像，每个路侧泊位号码图像包括多个泊位号码字符的真实字符检测框坐标信息与真实字符类别信息。模型生成模块20用于根据多个路侧泊位号码图像对目标检测模型进行训练优化，获得训练完成的目标检测模型。字符信息获取模块30用于根据训练完成的目标检测模型，对待测路侧泊位号码图像进行检测，获得多个泊位号码字符的字符检测框坐标信息与字符类别信息。
117.拟合直线方程获取模块40用于根据每个泊位号码字符的字符检测框坐标信息，获得每个字符检测框的中心点坐标，并根据每个中心点坐标进行直线拟合，获得每个泊位号码字符的拟合直线方程。分组模块50用于根据每个中心点坐标与每个拟合直线方程，获取每个中心点坐标到每个拟合直线方程的分组距离，并根据每个分组距离对每个中心点坐标进行分组，获得多个泊位号码组。路侧泊位号码序列生成模块60用于根据每个泊位号码组中每个泊位号码字符的字符类别信息与中心点坐标进行排序，获得路侧泊位号码序列。
118.本实施例中，数据获取模块10的相关描述可参考上述实施例中s10的相关描述。模型生成模块20的相关描述可参考上述实施例中s20的相关描述。字符信息获取模块30的相关描述可参考上述实施例中s30的相关描述。拟合直线方程获取模块40的相关描述可参考上述实施例中s40的相关描述。分组模块50的相关描述可参考上述实施例中s50的相关描述。路侧泊位号码序列生成模块60的相关描述可参考上述实施例中s60的相关描述。
119.在一个实施例中，路侧泊位号码识别装置100还包括第一判断模块(图中未标注)、第二判断模块(图中未标注)、平均值获取模块(图中未标注)以及新拟合直线方程获取模块(图中未标注)。第一判断模块用于根据任意两个拟合直线方程的斜率计算斜率差值，并判断斜率差值是否小于第一阈值。第二判断模块用于若斜率差值小于第一阈值，则根据两个拟合直线方程的截距计算截距差值，并判断截距差值是否小于第二阈值。平均值获取模块用于若截距差值小于第二阈值，则计算两个拟合直线方程的斜率平均值与截距平均值。新拟合直线方程获取模块用于根据斜率平均值与截距平均值，获取新拟合直线方程，并将两个拟合直线方程替换为新拟合直线方程，获得泊位号码字符对应的新拟合直线方程。
120.本实施例中，第一判断模块的相关描述可参考上述实施例中s401的相关描述。第二判断模块的相关描述可参考上述实施例中s402的相关描述。平均值获取模块的相关描述
可参考上述实施例中s403的相关描述。新拟合直线方程获取模块的相关描述可参考上述实施例中s404的相关描述。
121.在一个实施例中，路侧泊位号码识别装置100还包括第三判断模块(图中未标注)与第四判断模块(图中未标注)。第三判断模块用于若斜率差值大于第一阈值，则两个拟合直线方程为两个独立直线。第四判断模块(图中未标注)用于若截距差值大于第二阈值，则两个拟合直线方程为两个独立直线。其中，第一阈值的范围为3至7，第二阈值的范围为17至24。
122.本实施例中，第三判断模块的相关描述可参考上述实施例中s405的相关描述。第四判断模块的相关描述可参考上述实施例中s406的相关描述。
123.在一个实施例中，分组模块50包括第五判断模块(图中未标注)、中心点坐标划分模块(图中未标注)以及泊位号码组形成模块(图中未标注)。第五判断模块用于判断每个分组距离是否小于第三阈值。中心点坐标划分模块用于若分组距离小于第三阈值，则将分组距离对应的中心点坐标划分为同一组。泊位号码组形成模块用于根据同一组中每个中心点坐标对应的泊位号码字符，形成每个泊位号码组。其中，第三阈值的范围为75至85。
124.本实施例中，第五判断模块的相关描述可参考上述实施例中s510的相关描述。中心点坐标划分模块的相关描述可参考上述实施例中s520的相关描述。泊位号码组形成模块的相关描述可参考上述实施例中s530的相关描述。
125.在一个实施例中，路侧泊位号码序列生成模块60包括排序模块(图中未标注)。排序模块用于根据每个泊位号码组中每个泊位号码字符的字符类别信息与中心点坐标的x轴坐标进行升序排列，获得路侧泊位号码序列。
126.本实施例中，排序模块的相关描述可参考上述实施例中s610的相关描述。
127.在一个实施例中，模型生成模块20包括目标检测模型构建模块(图中未标注)与训练优化模块(图中未标注)。目标检测模型构建模块用于将多个路侧泊位号码图像输入至目标检测模型，输出每个泊位号码字符的预测字符检测框坐标信息与预测字符类别信息。训练优化模块，用于根据真实字符检测框坐标信息、真实字符类别信息、预测字符位置信息以及预测字符类别信息，构建损失函数，并根据损失函数对目标检测模型进行训练优化，获得训练完成的目标检测模型。
128.本实施例中，目标检测模型构建模块的相关描述可参考上述实施例中s210的相关描述。训练优化模块的相关描述可参考上述实施例中s220的相关描述。
129.上述各个实施例中，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
130.本领域技术人员还可以了解到本技术实施例列出的各种说明性逻辑块(illustrative logical block)，模块和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，模块和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超
出本技术实施例保护的范围。
131.本技术实施例中所描述的各种说明性的逻辑块，或模块都可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
132.本技术实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
133.以上所述的具体实施方式，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本技术的具体实施方式而已，并不用于限定本技术的保护范围，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。