CN108009543B - 一种车牌识别方法及装置 - Google Patents
一种车牌识别方法及装置 Download PDFInfo
- Publication number
- CN108009543B CN108009543B CN201711223109.1A CN201711223109A CN108009543B CN 108009543 B CN108009543 B CN 108009543B CN 201711223109 A CN201711223109 A CN 201711223109A CN 108009543 B CN108009543 B CN 108009543B
- Authority
- CN
- China
- Prior art keywords
- license plate
- candidate frame
- target
- neural network
- image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 79
- 239000013598 vector Substances 0.000 claims abstract description 73
- 230000011218 segmentation Effects 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 65
- 238000010586 diagram Methods 0.000 claims description 37
- 230000007613 environmental effect Effects 0.000 claims description 20
- 230000005764 inhibitory process Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 18
- 239000010410 layer Substances 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 238000012549 training Methods 0.000 description 10
- 239000002356 single layer Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Character Discrimination (AREA)
- Character Input (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了车牌识别方法及装置，方法包括：获取待处理图像，将其输入到第一卷积神经网络，得到第一车牌候选框集和第一边界框回归向量，通过第一边界框回归向量对第一车牌候选框集校准，对第一车牌候选框集去重叠处理，得到第二车牌候选框集，将其输入到第二卷积神经网络，以排除错误的候选框，得到第一目标车牌候选框，同时得到目标车牌类型及对应的第二边界框回归向量，根据第二边界框回归向量对第一目标车牌候选框进行回归校准，得到第二目标候选框，即最终车牌区域，将目标车牌类型和最终车牌区域反馈到第二卷积神经网络进行字符分割，得到多个字符，并进行字符识别，得到目标车牌。本申请可提升车牌定位及识别精度。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种车牌识别方法及装置。
背景技术
随着交通运输业的快速发展，人们的出行日益便捷，但与此同时也伴随着频繁发生的交通事故、交通拥堵等现象，使得交通安全问题越来越成为人们重点关注的问题。在现代的科技背景下，引入了智能交通运输系统(Intelligent Transportation System，ITS)，车辆牌照作为目前唯一能外在的标记汽车的属性就显得十分重要，因此，车辆牌照识别技术(Vehicle License Plate Recognition，VLPR)对于如今的交通运输业来说是一个很关键技术，车牌识别系统(License Plate Recognition System,LPRS)的构建也就应运而生。
具体地，在现实的应用场景下，现有的车牌信息通常是来自于摄像头的拍照或者摄影，尤其是由于车辆是在行进的过程中、夜晚路灯或者车灯的影响以及天气气候等各种环境的影响，这都很可能造成拍摄的成像画面不清晰，这就使得车牌的定位、车牌字符的特征提取以及对车牌的识别工作会有很大的挑战，因此，如何提升车牌识别精度的问题亟待解决。
发明内容
本发明实施例提供了一种车牌识别方法及装置，可以提升车牌识别精度。
本发明实施例第一方面提供了一种车牌识别方法，包括：
获取待处理图像；
将所述待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量；
通过所述第一边界框回归向量对所述第一车牌候选框集进行校准，并对校准后的所述第一车牌候选框集进行去重叠处理，得到第二车牌候选框集；
将所述第二车牌候选框集输入到第二卷积神经网络进行处理，得到第一目标候选框、第二边界框回归向量以及目标车牌类型；
通过所述第二边界框回归向量对所述第一目标候选框进行校准，得到第二目标候选框；
将所述目标车牌类型和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割，得到多个字符，并对所述多个字符进行字符识别，得到目标车牌。
本发明实施例第二方面提供了车牌识别装置，包括:
第一获取单元，用于获取待处理图像；
第一处理单元，用于将所述待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量；
第一校准单元，用于通过所述第一边界框回归向量对所述第一车牌候选框集进行校准，并对校准后的所述第一车牌候选框集进行去重叠处理，得到第二车牌候选框集；
第二处理单元，用于将所述第二车牌候选框集输入到第二卷积神经网络进行处理，得到第一目标候选框、第二边界框回归向量以及目标车牌类型；
第二校准单元，用于通过所述第二边界框回归向量对所述第一目标候选框进行校准，得到第二目标候选框；
识别单元，用于将所述目标车牌类型和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割，得到多个字符，并对所述多个字符进行字符识别，得到目标车牌。
第三方面，本发明实施例提供了一种移动终端，包括：处理器和存储器；以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置成由所述处理器执行，所述程序包括用于如第一方面中所描述的部分或全部步骤的指令。
第四方面，本发明实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质用于存储计算机程序，其中，所述计算机程序使得计算机执行如本发明实施例第一方面中所描述的部分或全部步骤的指令。
第五方面，本发明实施例提供了一种计算机程序产品，其中，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如本发明实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本发明实施例，具有如下有益效果：
可以看出，通过本发明实施例，获取待处理图像，将待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量，通过第一边界框回归向量对第一车牌候选框集进行校准，并对校准后的第一车牌候选框集进行去重叠处理，得到第二车牌候选框集，将第二车牌候选框集输入到第二卷积神经网络进行处理，得到第一目标候选框、第二边界框回归向量以及目标车牌类型，通过第二边界框回归向量对所述第一目标候选框进行校准，得到第二目标候选框，将目标车牌类型和第二目标候选框反馈到第二卷积神经网络进行字符分割，得到多个字符，并对多个字符进行字符识别，得到目标车牌，从而，基于二级卷积神经网络进行车牌定位，分类，提升了车牌识别精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种车牌识别方法的第一实施例流程示意图；
图1a是本发明实施例提供的一种车牌识别方法的第一实施例另一流程示意图；
图2是本发明实施例提供的一种车牌识别方法的第二实施例流程示意图；
图3a是本发明实施例提供的一种车牌识别装置的实施例结构示意图；
图3b是本发明实施例提供的图3a所描述的车牌识别装置的第一处理单元的结构示意图；
图3c是本发明实施例提供的图3a所描述的车牌识别装置的又一结构示意图；
图4是本发明实施例提供的一种车牌识别装置的实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明实施例所描述车牌识别装置可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、视频矩阵、监控平台、车载设备、卫星、掌上电脑、笔记本电脑、移动互联网设备(MID，Mobile Internet Devices)或穿戴式设备等，上述仅是举例，而非穷举，包含但不限于上述装置，当然，上述车牌识别装置还可以为服务器。
需要说明的是，本发明实施例中的包括第一卷积神经网络和第二卷积神经网络，第一卷积神经网络可以是一个由4个卷积层组成的全卷积神经网络，主要任务是对输入图像进行滑窗，对滑窗区域进行粗分类(车牌/非车牌)，并对车牌候选框进行回归。第二卷积神经网络可以是一个二分支网络，并加入Batch Normalization做归一化处理，主要任务可以是对车牌候选框进行细分类(例如，蓝牌、单层黄牌、双层黄牌、黑牌、白牌、绿牌或非车牌)，根据车牌类型对候选框进一步回归，得到精准的车牌区域，还可以利用车牌类型对车牌区域进行字符分割。两个卷积神经网络都使用PReLU作为激活函数。在实施本发明实施例之前，可以通过大量车牌样本集训练两个卷积神经网络，得到第一卷积神经网络和第二卷积神经网络，训练过程中可以使用三种类型训练样本：车牌样本、非车牌样本和部分车牌样本(残缺车牌，例如，完整车牌渝ALN673，残缺车牌的话为渝ALN67)，三种训练样本可以由包含车牌的原始图像随机滑窗得到。其中，本发明实施例中，即在实施下述本发明实施例提供的方法之前，在训练过程中，车牌样本与真实车牌标签框的重叠度IOU大于0.7，非车牌样本与真实车牌标签框的重叠度IOU小于0.3，部分车牌与真实车牌标签框的重叠度IOU大于0.4小于0.7。
进一步地，在网络训练阶段，利用车牌和非车牌样本训练车牌分类任务，车牌分类采用softmax回归算法的损失函数：
其中，k为分类标记，
为样本i分类为类别j的概率，
为样本的真实标签，
为示性函数，当样本标签
等于类别j时，函数值为1，否则函数值为0。
由于第一卷积神经网络仅进行车牌/非车牌粗分类，因此类别j取值为0、1。而第二卷积神经网络需要将车牌候选框细分为蓝牌、单层黄牌、双层黄牌、黑牌、白牌、绿牌或非车牌等，因此类别j取值为0、1、2、3、4、5、6。
在训练车牌分类任务的同时，利用车牌和部分车牌样本训练车牌边框回归任务，通过Euclidean计算回归损失函数：
其中，
为通过网络预测得到车牌框坐标，y为真实车牌标签框的坐标，
和y是一个四元组(左上角x，左上角y，宽，高)。
在整个训练过程中，总的训练学习目标可以表述为最小化以下函数：
其中，N为训练样本数量，αj表示任务的重要性，
为样本类型指示，并且
αdet＝1，αbox＝0.5，Lj为对应的损失函数。
基于此，本发明实施例提供了一种车牌识别方法，包括如下步骤：
获取待处理图像；
将所述待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量；
通过所述第一边界框回归向量对所述第一车牌候选框集进行校准，并对校准后的所述第一车牌候选框集进行去重叠处理，得到第二车牌候选框集；
将所述第二车牌候选框集输入到第二卷积神经网络进行处理，得到第一目标候选框、第二边界框回归向量以及目标车牌类型；
通过所述第二边界框回归向量对所述第一目标候选框进行校准，得到第二目标候选框；
将所述目标车牌类型和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割，得到多个字符，并对所述多个字符进行字符识别，得到目标车牌。
可以看出，通过本发明实施例，获取待处理图像，将待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量，通过第一边界框回归向量对第一车牌候选框集进行校准，并对校准后的第一车牌候选框集进行去重叠处理，得到第二车牌候选框集，将第二车牌候选框集输入到第二卷积神经网络对进行处理，得到第一目标候选框、第二边界框回归向量以及目标车牌类型，通过第二边界框回归向量对第一目标候选框进行校准，得到第二目标候选框，将目标车牌类型和第二目标候选框反馈到第二卷积神经网络进行字符分割，得到多个字符，并对多个字符进行字符识别，得到目标车牌，从而，基于二级卷积神经网络进行车牌定位，分类，提升了车牌识别精度。
从而，本发明实施例的车牌识别装置，可以在车辆是在行进的过程中、夜晚路灯或者车灯的影响以及天气气候等各种环境下，实施本发明实施例提供的车牌识别方法，提升了车牌识别精度。
请参阅图1，为本发明实施例提供的一种车牌识别方法的第一实施例流程示意图。本实施例中所描述的车牌识别方法，包括以下步骤：
101、获取待处理图像。
其中，待处理图像可为包含车牌的图像，车牌可以为以下至少一种：蓝牌、单层黄牌、双车牌(例如，香港入内地车辆)、双层黄牌、黑牌、白牌、绿牌等等。
102、将所述待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量。
其中，上述第一卷积神经网络可以是一个由4个卷积层组成的全卷积神经网络，主要任务是对输入图像进行滑窗，对滑窗区域进行粗分类(车牌/非车牌)，并对车牌候选框进行回归。
可选地，上述步骤102中，将所述待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量，可包括如下步骤：
21、根据车牌的属性参数对所述待处理图像进行多尺度分解，得到多个子图像；
22、将所述多个子图像中的每一子图像分别输入到所述第一卷积神经网络，得到车牌置信度的多个热力图以及与所述热力图对应的第一边界框回归向量；
23、遍历所述多个热力图，并将所述多个热力图中大于置信度阈值的点对应的区域进行还原操作，得到所述第一车牌候选框集。
其中，上述属性参数可以包括以下至少一种：车牌尺寸比例、车牌位置、车牌形状和车牌颜色、车牌螺钉位置、车牌螺钉数目等等。
例如，在实施本发明实施例的过程中，可以利用最小车牌检测尺寸约束条件，对输入图像进行多尺度变换，得到金字塔图像(包含多个图像)，分别将金字塔图像的每一层输入到第一卷积神经网络，由于第一卷积神经网络只有4个卷积层，网格尺寸很小，因此，可以很快的得到车牌置信度的热力图和对应的边界框回归向量(lx，ly，rx，ry)，遍历车牌置信度的热力图，将热力图中大于置信度阈值的点对应的区域还原，即可得到对应的车牌候选框。
103、通过所述第一边界框回归向量对所述第一车牌候选框集进行校准，并对校准后的所述第一车牌候选框集进行去重叠处理，得到第二车牌候选框集。
其中，可以通过第一边界框回归向量对第一车牌候选框集进行校准，使得第一车牌候选框集的位置更加精准，另外，对校准后的第一车牌候选框集进行去重叠处理，一方面可以降低后期数据处理量，另一方面，也可以提升车牌定位精度。
可选地，上述步骤103中对校准后的所述第一车牌候选框集进行去重叠处理，具体包括如下步骤：
通过非极大值抑制消除所述第一车牌候选框集中重叠度大于重叠度阈值的候选框，再对所述消除后的所述第一车牌候选框集进行非极大值抑制
其中，对于每一层输入图像得到的候选框，先使用边界框回归向量对车牌候选框进行校正，校正后的车牌候选框坐标为：
new_x1＝x1+lx*w
new_y1＝y1+ly*h
new_x2＝x1+rx*w
new_y2＝y1+ry*h
其中，new_x1，new_y1，new_x2，new_y2为校正后的候选框的左上角和右下角坐标，x1，y1，w，h分别为候选框的左上角坐标、宽度和高度，然后可以通过非极大值抑制消除重叠度较高的候选框，得到邻域置信度最高的车牌候选框，最后对金字塔图像得到的所有候选框进行非极大值抑制，得到最有可能表征车牌的候选框。
104、将所述第二车牌候选框集输入到第二卷积神经网络进行处理，得到第一目标候选框、第二边界框回归向量以及目标车牌类型。
其中，第二卷积神经网络可以是一个二分支网络，并加入Batch Normalization做归一化处理，主要任务可以是对车牌候选框进行细分类(例如，蓝牌、单层黄牌、双层黄牌、黑牌、白牌、绿牌或非车牌)，根据车牌类型对候选框进一步回归，得到精准的车牌区域，还可以利用车牌类型对车牌区域进行字符分割。例如，将得到的车牌候选框resize到56*16大小，输入到第二卷积神经网络，得到车牌候选框7个类别(蓝牌、单层黄牌、双层黄牌、黑牌、白牌、绿牌或非车牌)的分类置信度和边界框回归向量，根据车牌类型对车牌候选框进行回归校正和字符分割。
105、通过所述第二边界框回归向量对所述第一目标候选框进行校准，得到第二目标候选框。
其中，可以采用第二边界框回归向量对第一目标候选框进行校准，有利于提升第一目标候选框的精度。
106、将所述目标车牌类型和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割，得到多个字符，并对所述多个字符进行字符识别，得到目标车牌。
其中，根据目标车牌类型对第二目标候选框进行字符识别，可以得到目标车牌，由于不同的目标车牌类型对应不同的字符分割方式。
可选地，上述步骤106中，将所述目标车牌类型和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割，可按照如下方式实施，具体如下：
获取所述目标车牌类型对应的字符分割方式，将所述字符分割方式和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割。
其中，本发明实施例中可以预先存储字符分割方式与车牌类型之间的映射关系，进而，可以根据该映射关系确定目标车牌类型对应的字符分割方式，将与目标车牌类型对应的字符分割方式以及第二目标候选框反馈(回溯)到第二卷积神经网络进行字符分割，得到多个字符，并对多个字符进行字符识别，得到目标车牌。可根据车牌类型(最大分类置信度对应的车牌类型)对车牌进行字符分割。
例如，若车牌是蓝牌、单层黄牌、黑牌、白牌或绿牌等类型的单层车牌时，则直接利用形态学变换和垂直投影方法对车牌进行字符分割，再进行字符识别；若车牌是双层黄牌类型时，则先对车牌进行水平投影，将双层车牌切分为上下两层，然后将双层车牌的上下两层进行左右等高拼接得到“单层车牌”，再利用单层车牌分割方法进行字符分割，最后再进行字符识别。
举例说明下，如图1a，可以输入一张待处理图像，该待处理图像中包含一个车牌，可以对该待处理图像进行金字塔变换，得到金字塔图像，将金字塔图像输入到第一卷积神经网络进行处理，并对处理结果进行边界框回归和非极大值抑制，并将结果输入到第二卷积神经网络，得到目标车牌类型，以及候选框，可以将目标车牌类型以及候选框反馈到第二卷积神经网络，并对结果进行车牌边框回归以及字符分割，以及字符识别，得到车牌。
可以看出，通过本发明实施例，获取待处理图像，将待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量，通过第一边界框回归向量对第一车牌候选框集进行校准，并对校准后的第一车牌候选框集进行去重叠处理，得到第二车牌候选框集，将第二车牌候选框集输入到第二卷积神经网络进行处理，得到第一目标候选框、第二边界框回归向量以及目标车牌类型，通过第二边界框回归向量对所述第一目标候选框进行校准，得到第二目标候选框，将目标车牌类型和第二目标候选框反馈到第二卷积神经网络进行字符分割，得到多个字符，并对多个字符进行字符识别，得到目标车牌，从而，基于二级卷积神经网络进行车牌定位，分类，提升了车牌识别精度。
与上述一致地，请参阅图2，为本发明实施例提供的一种车牌识别方法的第二实施例流程示意图。本实施例中所描述的车牌识别方法，包括以下步骤：
201、获取环境参数。
其中，上述环境参数可以包括但不仅限于：环境亮度、天气情况、地理位置、摄像头的污渍情况、拍摄距离、行车速度、分辨率、温度、气压等等。
202、判断环境参数是否满足预设条件。
其中，上述预设条件可以由用户自行设置，例如，环境亮度大于50。
203、在所述环境参数满足所述预设条件时，进行拍摄，得到拍摄图像。
其中，可以在环境参数满足预设条件时，进行拍摄，得到拍摄图像。
204、对所述拍摄图像进行图像增强处理，并对所述图像增强处理后的所述拍摄图像进行图像分割，得到待处理图像。
其中，上述图像增强处理可以为：直方图均衡化，灰度拉伸，图像去噪，局部增强等等。
205、将所述待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量。
206、通过所述第一边界框回归向量对所述第一车牌候选框集进行校准，并对校准后的所述第一车牌候选框集进行去重叠处理，得到第二车牌候选框集。
207、将所述第二车牌候选框集输入到第二卷积神经网络进行处理，得到第一目标候选框、第二边界框回归向量以及目标车牌类型。
208、通过所述第二边界框回归向量对所述第一目标候选框进行校准，得到第二目标候选框。
209、将所述目标车牌类型和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割，得到多个字符，并对所述多个字符进行字符识别，得到目标车牌。
其中，上述步骤205-步骤209的具体描述可参照图1所描述的车牌识别方法的对应步骤101-步骤106，在此不再赘述。
可以看出，通过本发明实施例，获取环境参数，判断环境参数是否满足预设条件，在环境参数满足预设条件时，进行拍摄，得到拍摄图像，对拍摄图像进行图像增强处理，并对图像增强处理后的所述拍摄图像进行图像分割，得到待处理图像，将待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量，通过第一边界框回归向量对第一车牌候选框集进行校准，并对校准后的第一车牌候选框集进行去重叠处理，得到第二车牌候选框集，将第二车牌候选框集输入到第二卷积神经网络进行处理，得到第一目标候选框、第二边界框回归向量以及目标车牌类型，通过第二边界框回归向量对所述第一目标候选框进行校准，得到第二目标候选框，将目标车牌类型和第二目标候选框反馈到第二卷积神经网络进行字符分割，得到多个字符，并对多个字符进行字符识别，得到目标车牌，从而，基于二级卷积神经网络进行车牌定位，分类，提升了车牌识别精度。
与上述一致地，以下为实施上述车牌识别方法的装置，具体如下：
请参阅图3a，为本发明实施例提供的一种车牌识别装置的实施例结构示意图。本实施例中所描述的车牌识别装置，包括：第一获取单元301、第一处理单元302、第一校准单元303、第二处理单元304、第二校准单元305和识别单元306，具体如下：
第一获取单元301，用于获取待处理图像；
第一处理单元302，用于将所述待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量；
第一校准单元303，用于通过所述第一边界框回归向量对所述第一车牌候选框集进行校准，并对校准后的所述第一车牌候选框集进行去重叠处理，得到第二车牌候选框集；
第二处理单元304，用于将所述第二车牌候选框集输入到第二卷积神经网络进行处理，得到第一目标候选框、第二边界框回归向量以及目标车牌类型；
第二校准单元305，用于通过所述第二边界框回归向量对所述第一目标候选框进行校准，得到第二目标候选框；
识别单元306，用于将所述目标车牌类型和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割，得到多个字符，并对所述多个字符进行字符识别，得到目标车牌。
可选地，如图3b，图3b为图3a中所描述的车牌识别装置中的第一处理单元302的具体细化结构，所述第一处理单元302可包括：分解模块3021、输入模块3022和还原单元3023，具体如下：
分解模块3021，用于根据车牌的属性参数对所述待处理图像进行多尺度分解，得到多个子图像；
输入模块3022，用于将所述多个子图像中的每一子图像分别输入到所述第一卷积神经网络，得到车牌置信度的多个热力图以及与所述热力图对应的第一边界框回归向量；
还原模块3023，用于遍历所述多个热力图，并将所述多个热力图中大于置信度阈值的点对应的区域进行还原操作，得到所述第一车牌候选框集。
可选地，在所述对校准后的所述第一车牌候选框集进行去重叠处理方面，所述第一校准单元303具体用于：
通过非极大值抑制消除所述第一车牌候选框集中重叠度大于重叠度阈值的候选框，再对所述消除后的所述第一车牌候选框集进行非极大值抑制。
可选地，所述识别单元306具体用于：
获取所述目标车牌类型对应的字符分割方式，将所述字符分割方式和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割。
可选地，如图3c，图3c为图3a中所描述的车牌识别装置的又一变型结构，图3c与图3a相比较，其还包括：第二获取单元307、判断单元308、拍摄单元309和处理单元310，具体如下：
第二获取单元307，用于获取环境参数；
判断单元308，用于判断环境参数是否满足预设条件；
拍摄单元309，用于在所述环境参数满足所述预设条件时，进行拍摄，得到拍摄图像；
处理单元310，用于对所述拍摄图像进行图像增强处理，并对所述图像增强处理后的所述拍摄图像进行图像分割，得到所述待处理图像。
可以看出，通过本发明实施例所描述的车牌识别装置，获取待处理图像，将待处理图像输入到第一卷积神经网络对待处理图像进行处理，得到第一车牌候选框集和第一边界框回归向量，通过第一边界框回归向量对第一车牌候选框集进行校准，并对校准后的第一车牌候选框集进行去重叠处理，得到第二车牌候选框集，将第二车牌候选框集输入到第二卷积神经网络进行处理，得到第一目标候选框、第二边界框回归向量以及目标车牌类型，通过第二边界框回归向量对所述第一目标候选框进行校准，得到第二目标候选框，将目标车牌类型和第二目标候选框反馈到第二卷积神经网络进行字符分割，得到多个字符，并对多个字符进行字符识别，得到目标车牌，从而，基于二级卷积神经网络进行车牌定位，分类，提升了车牌识别精度。
与上述一致地，请参阅图4，为本发明实施例提供的一种车牌识别装置的实施例结构示意图。本实施例中所描述的车牌识别装置，包括：至少一个输入设备1000；至少一个输出设备2000；至少一个处理器3000，例如CPU；和存储器4000，上述输入设备1000、输出设备2000、处理器3000和存储器4000通过总线5000连接。
其中，上述输入设备1000具体可为触控面板、物理按键或者鼠标。
上述输出设备2000具体可为显示屏。
上述存储器4000可以是高速RAM存储器，也可为非易失存储器(non-volatilememory)，例如磁盘存储器。上述存储器4000用于存储一组程序代码，上述输入设备1000、输出设备2000和处理器3000用于调用存储器4000中存储的程序代码，执行如下操作：
上述处理器3000，用于：
获取待处理图像；
将所述待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量；
通过所述第一边界框回归向量对所述第一车牌候选框集进行校准，并对校准后的所述第一车牌候选框集进行去重叠处理，得到第二车牌候选框集；
将所述第二车牌候选框集输入到第二卷积神经网络进行处理，得到第一目标候选框和第二边界框回归向量；
通过所述第二边界框回归向量对所述第一目标候选框进行校准，得到第二目标候选框；
将所述目标车牌类型和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割，得到多个字符，并对所述多个字符进行字符识别，得到目标车牌。
可选地，上述处理器3000将所述待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量，包括：
根据车牌的属性参数对所述待处理图像进行多尺度分解，得到多个子图像；
将所述多个子图像中的每一子图像分别输入到所述第一卷积神经网络，得到车牌置信度的多个热力图以及与所述热力图对应的第一边界框回归向量；
遍历所述多个热力图，并将所述多个热力图中大于置信度阈值的点对应的区域进行还原操作，得到所述第一车牌候选框集。
可选地，上述处理器3000对校准后的所述第一车牌候选框集进行去重叠处理，包括：
通过非极大值抑制消除所述第一车牌候选框集中重叠度大于重叠度阈值的候选框，再对所述消除后的所述第一车牌候选框集进行非极大值抑制。
可选地，上述处理器3000将所述目标车牌类型和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割，包括：
获取所述目标车牌类型对应的字符分割方式，将所述字符分割方式和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割。
可选地，上述处理器3000还具体用于：
获取环境参数；
判断环境参数是否满足预设条件；
在所述环境参数满足所述预设条件时，进行拍摄，得到拍摄图像；
对所述拍摄图像进行图像增强处理，并对所述图像增强处理后的所述拍摄图像进行图像分割，得到所述待处理图像。
本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种车牌识别方法的部分或全部步骤。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种车牌识别方法的部分或全部步骤。
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
本领域技术人员应明白，本发明的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机程序存储/分布在合适的介质中，与其它硬件一起提供或作为硬件的一部分，也可以采用其他分布形式，如通过Internet或其它有线或无线电信系统。
本发明是参照本发明实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程车牌定位设备的处理器以产生一个机器，使得通过计算机或其他可编程车牌定位设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程车牌定位设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程车牌定位设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种车牌识别方法，其特征在于，包括：
获取待处理图像；
将所述待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量，所述第一卷积神经网络是一个由4个卷积层组成的全卷积神经网络，其任务是对输入图像进行滑窗且对滑窗区域进行粗分类，并对车牌候选框进行回归；
通过所述第一边界框回归向量对所述第一车牌候选框集进行校准，并对校准后的所述第一车牌候选框集进行去重叠处理，得到第二车牌候选框集；
将所述第二车牌候选框集输入到第二卷积神经网络进行处理，得到第一目标候选框、第二边界框回归向量以及目标车牌类型，所述第二卷积神经网络是一个二分支网络，并加入Batch Normalization做归一化处理，其任务是对车牌候选框进行细分类，以及根据车牌类型对候选框进一步回归，得到精准的车牌区域，并利用车牌类型对车牌区域进行字符分割；
通过所述第二边界框回归向量对所述第一目标候选框进行校准，得到第二目标候选框；
将所述目标车牌类型和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割，得到多个字符，并对所述多个字符进行字符识别，得到目标车牌；
其中，所述将所述目标车牌类型和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割，包括：
获取所述目标车牌类型对应的字符分割方式，将所述字符分割方式和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割。
2.根据权利要求1所述的方法，其特征在于，所述将所述待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量，包括：
根据车牌的属性参数对所述待处理图像进行多尺度分解，得到多个子图像；
将所述多个子图像中的每一子图像分别输入到所述第一卷积神经网络，得到车牌置信度的多个热力图以及与所述热力图对应的第一边界框回归向量；
遍历所述多个热力图，并将所述多个热力图中大于置信度阈值的点对应的区域进行还原操作，得到所述第一车牌候选框集。
3.根据权利要求1或2所述的方法，其特征在于，所述对校准后的所述第一车牌候选框集进行去重叠处理，包括：
通过非极大值抑制消除所述第一车牌候选框集中重叠度大于重叠度阈值的候选框，再对所述消除后的所述第一车牌候选框集进行非极大值抑制。
4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取环境参数；
判断环境参数是否满足预设条件；
在所述环境参数满足所述预设条件时，进行拍摄，得到拍摄图像；
对所述拍摄图像进行图像增强处理，并对所述图像增强处理后的所述拍摄图像进行图像分割，得到所述待处理图像。
5.一种车牌识别装置，其特征在于，包括:
第一获取单元，用于获取待处理图像；
第一处理单元，用于将所述待处理图像输入到第一卷积神经网络进行处理，得到第一车牌候选框集和第一边界框回归向量，所述第一卷积神经网络是一个由4个卷积层组成的全卷积神经网络，其任务是对输入图像进行滑窗且对滑窗区域进行粗分类，并对车牌候选框进行回归；
第一校准单元，用于通过所述第一边界框回归向量对所述第一车牌候选框集进行校准，并对校准后的所述第一车牌候选框集进行去重叠处理，得到第二车牌候选框集；
第二处理单元，用于将所述第二车牌候选框集输入到第二卷积神经网络进行处理，得到第一目标候选框、第二边界框回归向量以及目标车牌类型，所述第二卷积神经网络是一个二分支网络，并加入Batch Normalization做归一化处理，其任务是对车牌候选框进行细分类，以及根据车牌类型对候选框进一步回归，得到精准的车牌区域，并利用车牌类型对车牌区域进行字符分割；
第二校准单元，用于通过所述第二边界框回归向量对所述第一目标候选框进行校准，得到第二目标候选框；
识别单元，用于将所述目标车牌类型和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割，得到多个字符，并对所述多个字符进行字符识别，得到目标车牌；
其中，在所述将所述目标车牌类型和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割方面，所述识别单元具体用于：
获取所述目标车牌类型对应的字符分割方式，将所述字符分割方式和所述第二目标候选框反馈到所述第二卷积神经网络进行字符分割。
6.根据权利要求5所述的装置，其特征在于，所述第一处理单元，包括：
分解模块，用于根据车牌的属性参数对所述待处理图像进行多尺度分解，得到多个子图像；
输入模块，用于将所述多个子图像中的每一子图像分别输入到所述第一卷积神经网络，得到车牌置信度的多个热力图以及与所述热力图对应的第一边界框回归向量；
还原模块，用于遍历所述多个热力图，并将所述多个热力图中大于置信度阈值的点对应的区域进行还原操作，得到所述第一车牌候选框集。
7.根据权利要求5或6所述的装置，其特征在于，在所述对校准后的所述第一车牌候选框集进行去重叠处理方面，所述第一校准单元具体用于：
通过非极大值抑制消除所述第一车牌候选框集中重叠度大于重叠度阈值的候选框，再对所述消除后的所述第一车牌候选框集进行非极大值抑制。
8.根据权利要求5或6所述的装置，其特征在于，所述装置还包括：
第二获取单元，用于获取环境参数；
判断单元，用于判断环境参数是否满足预设条件；
拍摄单元，用于在所述环境参数满足所述预设条件时，进行拍摄，得到拍摄图像；
处理单元，用于对所述拍摄图像进行图像增强处理，并对所述图像增强处理后的所述拍摄图像进行图像分割，得到所述待处理图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711223109.1A CN108009543B (zh) | 2017-11-29 | 2017-11-29 | 一种车牌识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711223109.1A CN108009543B (zh) | 2017-11-29 | 2017-11-29 | 一种车牌识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108009543A CN108009543A (zh) | 2018-05-08 |
| CN108009543B true CN108009543B (zh) | 2020-05-26 |
Family
ID=62054447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711223109.1A Active CN108009543B (zh) | 2017-11-29 | 2017-11-29 | 一种车牌识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108009543B (zh) |
Families Citing this family (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490186B (zh) * | 2018-05-15 | 2022-03-25 | 杭州海康威视数字技术股份有限公司 | 车牌识别方法、装置及存储介质 |
| CN110490179B (zh) * | 2018-05-15 | 2022-08-05 | 杭州海康威视数字技术股份有限公司 | 车牌识别方法、装置及存储介质 |
| CN108764134A (zh) * | 2018-05-28 | 2018-11-06 | 江苏迪伦智能科技有限公司 | 一种适用于巡检机器人的多类型仪表自动定位与识别方法 |
| CN110543882A (zh) * | 2018-05-29 | 2019-12-06 | 北京深鉴智能科技有限公司 | 一种字符串识别方法与装置 |
| US10726555B2 (en) * | 2018-06-06 | 2020-07-28 | International Business Machines Corporation | Joint registration and segmentation of images using deep learning |
| CN110827558B (zh) * | 2018-06-19 | 2020-12-22 | 嘉兴觅特电子商务有限公司 | 基于车速、高亮区域高度和图像的交通信号灯识别装置 |
| CN110659643B (zh) * | 2018-06-29 | 2022-08-26 | 杭州海康威视数字技术股份有限公司 | 一种集装箱号的识别方法和装置 |
| CN110738225B (zh) * | 2018-07-19 | 2023-01-24 | 杭州海康威视数字技术股份有限公司 | 图像识别方法及装置 |
| CN109190687A (zh) * | 2018-08-16 | 2019-01-11 | 新智数字科技有限公司 | 一种神经网络系统及其识别车辆属性的方法 |
| CN109255350B (zh) * | 2018-08-29 | 2021-12-10 | 南京邮电大学 | 一种基于视频监控的新能源车牌检测方法 |
| CN109214386B (zh) * | 2018-09-14 | 2020-11-24 | 京东数字科技控股有限公司 | 用于生成图像识别模型的方法和装置 |
| CN110942073A (zh) * | 2018-09-25 | 2020-03-31 | 杭州海康威视数字技术股份有限公司 | 一种集装箱拖车编号识别方法、装置和计算机设备 |
| CN110956169B (zh) * | 2018-09-27 | 2024-09-06 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及电子设备 |
| CN110163199A (zh) * | 2018-09-30 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 车牌识别方法、车牌识别装置、车牌识别设备及介质 |
| CN111027555B (zh) * | 2018-10-09 | 2023-09-26 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及电子设备 |
| CN111027534B (zh) * | 2018-10-09 | 2023-05-26 | 杭州海康威视数字技术股份有限公司 | 一种紧凑双车牌检测方法及装置 |
| CN109784327B (zh) * | 2018-12-04 | 2021-04-16 | 北京达佳互联信息技术有限公司 | 边界框确定方法、装置、电子设备及存储介质 |
| CN109637153A (zh) * | 2019-01-25 | 2019-04-16 | 合肥市智信汽车科技有限公司 | 一种基于机器视觉的车载移动违法抓拍系统 |
| SG10201905273VA (en) * | 2019-06-10 | 2019-08-27 | Alibaba Group Holding Ltd | Method and system for evaluating an object detection model |
| CN110717493B (zh) * | 2019-09-16 | 2022-04-01 | 浙江大学 | 一种基于深度学习的含堆叠字符的车牌识别方法 |
| CN112651417B (zh) * | 2019-10-12 | 2024-06-14 | 杭州海康威视数字技术股份有限公司 | 车牌识别方法、装置、设备及存储介质 |
| CN110766017B (zh) * | 2019-10-22 | 2023-08-04 | 国网新疆电力有限公司信息通信公司 | 基于深度学习的移动终端文字识别方法及系统 |
| CN110807459B (zh) * | 2019-10-31 | 2022-06-17 | 深圳市捷顺科技实业股份有限公司 | 车牌矫正方法、装置以及可读存储介质 |
| CN110796144B (zh) * | 2019-11-08 | 2023-04-25 | 北京字节跳动网络技术有限公司 | 车牌检测方法、装置、设备及存储介质 |
| CN111046923B (zh) * | 2019-11-26 | 2023-02-28 | 佛山科学技术学院 | 一种基于边界框的图像目标检测方法、装置及存储介质 |
| CN111126383A (zh) * | 2019-12-06 | 2020-05-08 | 广州烽火众智数字技术有限公司 | 车牌检测方法、系统、装置及存储介质 |
| CN111444911B (zh) * | 2019-12-13 | 2021-02-26 | 珠海大横琴科技发展有限公司 | 车牌识别模型的训练方法及装置、车牌识别方法及装置 |
| CN110929727A (zh) * | 2020-02-12 | 2020-03-27 | 成都数联铭品科技有限公司 | 图像标注方法及装置、文字检测方法及系统、电子设备 |
| CN111310850B (zh) * | 2020-03-02 | 2023-06-16 | 杭州雄迈集成电路技术股份有限公司 | 车牌检测模型的构建方法及系统、车牌检测方法及系统 |
| CN111401360B (zh) * | 2020-03-02 | 2023-06-20 | 杭州雄迈集成电路技术股份有限公司 | 优化车牌检测模型的方法及系统、车牌检测方法及系统 |
| CN111914845A (zh) * | 2020-07-02 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种车牌中字符分层方法、装置及电子设备 |
| CN112560856B (zh) * | 2020-12-18 | 2024-04-12 | 深圳赛安特技术服务有限公司 | 车牌检测识别方法、装置、设备及存储介质 |
| CN113627526B (zh) * | 2021-08-10 | 2023-07-25 | 北京百度网讯科技有限公司 | 车辆标识的识别方法、装置、电子设备和介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650740A (zh) * | 2016-12-15 | 2017-05-10 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及终端 |
| CN106845487A (zh) * | 2016-12-30 | 2017-06-13 | 佳都新太科技股份有限公司 | 一种端到端的车牌识别方法 |
-
2017
- 2017-11-29 CN CN201711223109.1A patent/CN108009543B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650740A (zh) * | 2016-12-15 | 2017-05-10 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及终端 |
| CN106845487A (zh) * | 2016-12-30 | 2017-06-13 | 佳都新太科技股份有限公司 | 一种端到端的车牌识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks;Kaipeng Zhang et al.;《IEEE》;20151231;第1-5页 * |
| 基于SVM和排列模型的白色车牌分类;张旭光 等;《计算机工程与应用》;20101231;第207-210页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108009543A (zh) | 2018-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108009543B (zh) | 一种车牌识别方法及装置 | |
| CN109815997B (zh) | 基于深度学习的识别车辆损伤的方法和相关装置 | |
| CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
| CN109657533B (zh) | 行人重识别方法及相关产品 | |
| CN110738125B (zh) | 利用Mask R-CNN选择检测框的方法、装置及存储介质 | |
| CN107944450B (zh) | 一种车牌识别方法及装置 | |
| CN109815843B (zh) | 图像处理方法及相关产品 | |
| CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
| US8792722B2 (en) | Hand gesture detection | |
| US8750573B2 (en) | Hand gesture detection | |
| CN111027504A (zh) | 人脸关键点检测方法、装置、设备及存储介质 | |
| CN110084299B (zh) | 基于多头融合注意力的目标检测方法和装置 | |
| CN106971185B (zh) | 一种基于全卷积网络的车牌定位方法及装置 | |
| CN108154149B (zh) | 基于深度学习网络共享的车牌识别方法 | |
| CN112997190A (zh) | 车牌识别方法、装置及电子设备 | |
| CN112257692A (zh) | 一种行人目标的检测方法、电子设备及存储介质 | |
| CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
| CN111127358B (zh) | 图像处理方法、装置及存储介质 | |
| CN112991349B (zh) | 图像处理方法、装置、设备和存储介质 | |
| CN111709377B (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
| CN112926426A (zh) | 基于监控视频的船舶识别方法、系统、设备及存储介质 | |
| CN110826364B (zh) | 一种库位识别方法及装置 | |
| WO2024174726A1 (zh) | 基于深度学习的手写及打印文本检测方法和装置 | |
| CN114255493A (zh) | 图像检测方法、人脸检测方法及装置、设备及存储介质 | |
| CN108470326B (zh) | 图像补全方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |