CN112052855A - 一种基于深度学习的车牌识别方法及装置 - Google Patents
一种基于深度学习的车牌识别方法及装置 Download PDFInfo
- Publication number
- CN112052855A CN112052855A CN202010964914.5A CN202010964914A CN112052855A CN 112052855 A CN112052855 A CN 112052855A CN 202010964914 A CN202010964914 A CN 202010964914A CN 112052855 A CN112052855 A CN 112052855A
- Authority
- CN
- China
- Prior art keywords
- license plate
- key point
- image
- data set
- deep learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013135 deep learning Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 230000015654 memory Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 102100032202 Cornulin Human genes 0.000 description 1
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 1
- 241000083879 Polyommatus icarus Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
- G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的车牌识别方法及装置，涉及图像识别技术领域，所述方法包括：建立车牌关键点图像数据集；根据所述车牌关键点图像数据集，得到关键点检测定位模型；利用所述关键点检测定位模型，检测并识别待测图像中的车牌关键点；根据检测到的车牌关键点进行图片校正，得到校正后的车牌图片；对所述校正后的车牌图片进行车牌字符识别。本发明实施例能够解决现有车牌识别方法受车辆角度影响，导致车牌识别效率不高的问题，能够满足各种场景下对车牌的识别，具有检测快速、高效，识别准确率高的优点。
Description
技术领域
本发明涉及图像识别技术领域，具体涉及一种基于深度学习的车牌识别方法及装置。
背景技术
在智能交通应用场景中，车牌识别技术能够增加交通管理的便捷度，在电警、卡口等高清晰无偏转的地理位置处，车牌识别具有较高的准确率，能够满足车牌识别需求，但是对于水平或垂直偏转角度大于15度等车牌偏转角度较大的情况下，车牌识别的准确率急剧下降，影响智慧交通的管理效率。
发明内容
有鉴于此，本发明实施例提供了一种基于深度学习的车牌识别方法及装置，以解决现有车牌识别方法受车辆角度影响，导致车牌识别效率不高的问题。
根据第一方面，本发明实施例提供了一种基于深度学习的车牌识别方法，所述方法包括：建立车牌关键点图像数据集；根据所述车牌关键点图像数据集，得到关键点检测定位模型；利用所述关键点检测定位模型，检测并识别待测图像中的车牌关键点；根据检测到的车牌关键点进行图片校正，得到校正后的车牌图片；对所述校正后的车牌图片进行车牌字符识别。
可选地，所述建立车牌关键点图像数据集，具体包括：获取样本图像，并对样本图像进行关键点标定，组成基础数据集；根据所述基础数据集选取背景，合成车牌关键点图像数据集。
可选地，在对样本图像进行关键点标定之前，所述方法还包括对样本图像进行数据增强。
可选地，所述关键点包括所述车牌图像的四个顶点，根据所述四个顶点对图像进行裁剪，并调整所述四个顶点的坐标；利用裁剪后的图像和调整好的四个顶点的坐标对关键点检测定位模型进行训练；对训练完成的关键点检测定位模型进行优化。
可选地，在利用所述关键点检测定位模型，检测并识别待测图像中的车牌关键点时，所述方法还包括：采用模型推理对检测过程进行加速。
可选地，所述根据检测到的车牌关键点进行图片校正，包括：根据车牌关键点的坐标，分别求取车牌图片在水平和垂直方向的偏转角度，根据偏转角度对车牌图片进行旋转校正。
可选地，在检测并识别待测图像中的车牌关键点之前，所述方法还包括：对待测图像进行预处理，截取车辆图片再输入关键点检测定位模型。
根据第二方面，本发明实施例提供了一种基于深度学习的车牌识别装置，所述装置包括：数据集创建模块，用于建立车牌关键点图像数据集；模型训练模块，用于根据所述车牌关键点图像数据集，得到关键点检测定位模型；关键点检测模块，用于利用所述关键点检测定位模型，检测并识别待测图像中的车牌关键点；车牌校正模块，用于根据检测到的车牌关键点进行图片校正，得到校正后的车牌图片；车牌识别模块，用于对校正后的车牌图片进行车牌字符识别。
根据第三方面，本发明实施例提供了一种电子设备，所述电子设备包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行一种基于深度学习的车牌识别方法。
根据第四方面，本发明实施例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存储有计算机指令，所述计算机指令用于所述计算机执行一种基于深度学习的车牌识别方法。
本发明实施例提供的技术方案至少具有如下优点：
本发明实施例提供的一种基于深度学习的车牌识别装置，通过采集实际场景车辆图像作为基础数据集，并采用多种数据增强方式进一步扩大数据集，且以这些图像的非车牌区域作为背景合成新的图像，建立大规模车牌关键点图像数据集；再采用深度学习在车牌关键点图像数据集上训练一个关键点检测定位模型，并采用模型推理，加快检测速度；实际使用时，截取待测图片中的车辆图片送入关键点检测定位模型得到关键点，然后结合关键点对车牌进行水平和垂直校正，最终获得较正后车牌图片，并对较正后车牌图片内容进行识别，具有快速、高效、识别准确率高的优点。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术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方式，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示出了本发明实施例提供的一种基于深度学习的车牌识别方法的流程图；
图2是根据本发明实施例提供的建立车牌关键点图像数据集的具体方法流程图；
图3是根据本发明实施例提供的训练关键点检测定位模型的具体方法流程图；
图4是根据本发明实施例提供的一种基于深度学习的车牌识别装置的结构示意图；
图5是根据本发明优选实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本发明实施例提供一种基于深度学习的车牌识别方法，用于对车牌号码进行识别，参考图1，该方法包括：
步骤S1：建立车牌关键点图像数据集；
在实际应用中，深度学习需要对大量的样本数据进行关键点提取特征值，从而对关键点检测定位模型进行训练，本实施例中采集实际场景车辆图像作为基础数据集，再利用基础数据集来建立大规模训练数据集，参考图2，具体的步骤包括：
步骤S11：获取样本图像，并对样本图像进行关键点标定，组成基础数据集；
具体地，样本图像采集实际电警、卡口、收费站等应用场景内的车辆图片图像，从多个场景、多时间段、采集不同类型车牌的多角度样本，每个样本图像要求车牌清晰人眼容易分辨，从而提高样本精度。
在采集到的样本图像中，虽然车牌的数字和颜色会有不同，但是车牌的边框都是矩形框，对样本图像进行关键点标定时，关键点选择样本图像中车牌图像的四个顶点，通过对关键点进行人工标定或图像识别标定，找到关键点，对关键点进行标注，从而可以检测定位普通蓝牌、普通黄牌、警用白牌、新能源等各种常见车牌，找到车牌中的四个顶点。
其中，考虑到现实场景中的图像数据受到环境等因素的影响，具有一定的局限性，本实施例采用水平或垂直小角度旋转变换、加噪声、色度变化等多种数据增强方式，来扩大样本数据集。
在具体的例子中，采用人工标定的方式对样本图像进行关键点标定，作为机器学习的特征学习点，所有标定的样本数据组成基础数据集。
步骤S12：根据基础数据集选取背景，合成车牌关键点图像数据集。
具体地，基础数据集中包括的是车牌顶点位置的关键点信息，以关键点为基础，识别出关键点所在的区域作为目标区域，利用图片裁剪技术随机裁取基础数据集中的非车牌区域作为背景，将背景区域与目标区域随机合成，进一步扩大数据集，形成大规模的具有车牌关键点图像的数据集。
步骤S2：根据所述车牌关键点图像数据集，得到关键点检测定位模型；
具体地，车牌目标属于细粒度目标，利用深度学习在车牌关键点图像数据集上训练关键点检测定位模型时，若采用YOLO、SSD、VGG等网络会导致检测精度较低定位偏差较大。因此，本实施例采用Focal Loss损失函数，以MobileNet网络为主干创建关键点检测定位模型，该模型的输入采用三通道320＊320分辨率图像，并使用ReLU激活函数和FocalLoss损失函数来进行模型创建，网络输出数据包括关键点坐标、最小外界矩形和可信度。
在对关键点检测定位模型进行训练时，参考图3，具体包括：
步骤S21：提取车牌关键点图像数据集中车牌图像的关键点特征信息，根据关键点特征信息进行图片裁剪，并调整关键点坐标；
详细地，关键点包括车牌图像的四个顶点，提取车牌关键点图像数据集中车牌图像的关键点特征信息，关键点特征信息包括关键点在图片中的坐标，也就是说获取车牌图像的四个顶点，根据关键点特征信息进行图片裁剪，即根据四个顶点的坐标识别出车牌关键点图像数据集图片中具有车牌内容的目标区域，并对图片进行二次裁剪，以提高车牌图片的识别精度，且根据裁剪后的车牌图片的四个顶点坐标对关键点的坐标进行调整。
步骤S22：利用裁剪后的图像和调整好的关键点坐标信息对关键点检测定位模型进行训练；
具体地，将裁剪后的图像和调整好的关键点坐标信息输入训练网络，也就是将调整好的四个顶点的坐标输入训练网络，此网络如上述的以MobileNet网络为主干创建的关键点检测定位模型，输出数据包括关键点坐标、最小外界矩形和可信度，同时计算损失率loss，并调整学习率，迭代循环，直至得到可信度较高的网络模型。
步骤S23：对训练完成的关键点检测定位模型进行优化。
为了使关键点检测定位模型具有更强的适应场景，先将模型转化为ONNX(OpenNeural Network Exchange)开放神经网络交换格式，ONNX是一个用于表示深度学习模型的标准，用于存储训练好的模型，可使模型在不同框架之间进行转移。ONNX是一种针对机器学习所设计的开放式的文件格式，它使得不同的人工智能框架(如Pytorch，MXNet)可以采用相同格式存储模型数据并交互。
本发明实施例利用决策树等方式对模型进行剪枝优化，从而简化模型。
步骤S3：利用关键点检测定位模型，检测并识别待测图像中的车牌关键点；
其中，在检测并识别待测图像中的车牌关键点之前，需要对待测图像进行预处理，筛选出具有车辆的图片，再截取车辆图片并输入关键点检测定位模型。
需要说明的是，为了提高关键点检测定位模型对未知图像的检测精度，本实施例采用c++/c、cada语言等计算机语言设计程序进行模型推理，对检测过程进行加速，提高模型的学习能力和图片处理能力，在加快检测速度的同时，占用较少的内存。
步骤S4：根据检测到的车牌关键点进行图片校正，得到校正后的车牌图片；
详细地，训练过程中根据车牌关键点的坐标信息分析各关键点的坐标关系来分别求取车牌在水平和垂直方向的偏转角度，若车牌无偏转，则直接输出车牌图片；若车牌在水平或垂直方向存在偏转，可以将相邻的关键点进行两两组合，判断其是否在同一水平和垂直方向，若否，则获取相邻两关键点的坐标，根据二者坐标值建立三角形，根据三角函数求取三角形的夹角，以此得到偏转角度，根据对应的偏转角度对车牌图片进行旋转，得到校正后的车牌图片，再输出校正后的车牌图片，从而提高对车牌图片上车牌信息的识别准确率。
步骤S5：对校正后的车牌图片进行车牌字符识别。
车牌字符识别可以利用图像识别技术，如采用CRNN网络+CTC Loss训练出字符识别模型，对校正后的车牌图片上的字符信息进行识别，得到车牌信息文本，并输出。
本发明实施例提供的一种基于深度学习的车牌识别方法，通过采集实际场景车辆图像作为基础数据集，并采用多种数据增强方式进一步扩大数据集，且以这些图像的非车牌区域作为背景合成新的图像，建立大规模车牌关键点图像数据集；再采用深度学习在车牌关键点图像数据集上训练一个关键点检测定位模型，并采用模型推理，加快检测速度；实际使用时，截取待测图片中的车辆图片送入关键点检测定位模型得到关键点，然后结合关键点对车牌进行水平和垂直校正，最终获得较正后车牌图片，并对较正后车牌图片内容进行识别，具有快速、高效、识别准确率高的优点。
与上述实施例对应的，本发明实施例提供一种基于深度学习的车牌识别装置，参考图4，该装置包括：
数据集创建模块01，用于建立车牌关键点图像数据集，所述关键点包括车牌图片的四个顶点；此模块执行上述实施例中的步骤S1所描述的方法，在此不再赘述。
模型训练模块02，用于根据所述车牌关键点图像数据集，得到关键点检测定位模型；此模块执行上述实施例中的步骤S2所描述的方法，在此不再赘述。
关键点检测模块03，用于利用所述关键点检测定位模型，检测并识别待测图像中的车牌关键点；
车牌校正模块04，用于根据检测到的车牌关键点进行图片校正，得到校正后的车牌图片；
车牌识别模块05，用于对校正后的车牌图片进行车牌字符识别，此模块执行上述实施例中的步骤S3所描述的方法，在此不再赘述。
本发明实施例提供的一种基于深度学习的车牌识别装置，通过采集实际场景车辆图像作为基础数据集，并采用多种数据增强方式进一步扩大数据集，且以这些图像的非车牌区域作为背景合成新的图像，建立大规模车牌关键点图像数据集；再采用深度学习在车牌关键点图像数据集上训练一个关键点检测定位模型，并采用模型推理，加快检测速度；实际使用时，截取待测图片中的车辆图片送入关键点检测定位模型得到关键点，然后结合关键点对车牌进行水平和垂直校正，最终获得较正后车牌图片，本发明能够满足各种场景下对车牌关键点定位的模型训练和快速、高效检测，提高识别准确率。
与上述实施例对应的，本发明实施例还提供一种电子设备，参考图5，该电子设备包括：存储器06和处理器07，存储器06和处理器07之间互相通信连接，存储器06中存储有计算机指令，处理器07通过执行计算机指令，从而执行一种基于深度学习的车牌识别方法。其中，存储器06和处理器07可以通过总线或者其他方式连接，图5中以通过总线连接为例。
处理器和存储器，处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的车载显示装置按键屏蔽方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的一种基于深度学习的车牌识别方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行一种基于深度学习的车牌识别方法。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于深度学习的车牌识别方法，其特征在于，所述方法包括：
建立车牌关键点图像数据集；
根据所述车牌关键点图像数据集，得到关键点检测定位模型；
利用所述关键点检测定位模型，检测并识别待测图像中的车牌关键点；
根据检测到的车牌关键点进行图片校正，得到校正后的车牌图片；
对所述校正后的车牌图片进行车牌字符识别。
2.如权利要求1所述的基于深度学习的车牌识别方法，其特征在于，所述建立车牌关键点图像数据集，具体包括：
获取样本图像，并对样本图像进行关键点标定，组成基础数据集；
根据所述基础数据集选取背景，合成车牌关键点图像数据集。
3.如权利要求2所述的基于深度学习的车牌识别方法，其特征在于，在对样本图像进行关键点标定之前，所述方法还包括对样本图像进行数据增强。
4.如权利要求1所述的基于深度学习的车牌识别方法，其特征在于，根据所述车牌关键点图像数据集，得到关键点检测定位模型，包括：
所述关键点包括所述车牌图像的四个顶点，根据所述四个顶点对图像进行裁剪，并调整所述四个顶点的坐标；
利用裁剪后的图像和调整好的四个顶点的坐标对关键点检测定位模型进行训练；
对训练完成的关键点检测定位模型进行优化。
5.如权利要求1所述的基于深度学习的车牌识别方法，其特征在于，在利用所述关键点检测定位模型，检测并识别待测图像中的车牌关键点时，所述方法还包括：采用模型推理对检测过程进行加速。
6.如权利要求1所述的基于深度学习的车牌识别方法，其特征在于，所述根据检测到的车牌关键点进行图片校正，包括：
根据车牌关键点的坐标，分别求取车牌图片在水平和垂直方向的偏转角度，根据偏转角度对车牌图片进行旋转校正。
7.如权利要求1所述的基于深度学习的车牌识别方法，其特征在于，在检测并识别待测图像中的车牌关键点之前，所述方法还包括：
对待测图像进行预处理，截取车辆图片再输入关键点检测定位模型。
8.一种基于深度学习的车牌识别装置，其特征在于，所述装置包括：
数据集创建模块，用于建立车牌关键点图像数据集；
模型训练模块，用于根据所述车牌关键点图像数据集，得到关键点检测定位模型；
关键点检测模块，用于利用所述关键点检测定位模型，检测并识别待测图像中的车牌关键点；
车牌校正模块，用于根据检测到的车牌关键点进行图片校正，得到校正后的车牌图片；
车牌识别模块，用于对校正后的车牌图片进行车牌字符识别。
9.一种电子设备，其特征在于，所述电子设备包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1－7任一项所述的一种基于深度学习的车牌识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1－7任一项所述的一种基于深度学习的车牌识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010964914.5A CN112052855A (zh) | 2020-09-14 | 2020-09-14 | 一种基于深度学习的车牌识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010964914.5A CN112052855A (zh) | 2020-09-14 | 2020-09-14 | 一种基于深度学习的车牌识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112052855A true CN112052855A (zh) | 2020-12-08 |
Family
ID=73610886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010964914.5A Pending CN112052855A (zh) | 2020-09-14 | 2020-09-14 | 一种基于深度学习的车牌识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112052855A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111191653A (zh) * | 2019-12-25 | 2020-05-22 | 北京精英路通科技有限公司 | 车牌识别方法、装置、计算机设备及存储介质 |
| CN112883911A (zh) * | 2021-03-17 | 2021-06-01 | 高新兴科技集团股份有限公司 | 一种无牌车辆判别方法、装置以及电子设备 |
| CN112990197A (zh) * | 2021-03-17 | 2021-06-18 | 浙江商汤科技开发有限公司 | 车牌识别方法及装置、电子设备和存储介质 |
| CN113221894A (zh) * | 2021-05-31 | 2021-08-06 | 中邮信息科技(北京)有限公司 | 车辆的车牌号识别方法、装置、电子设备和存储介质 |
| CN113435437A (zh) * | 2021-06-24 | 2021-09-24 | 随锐科技集团股份有限公司 | 开关分合指示牌状态的识别方法、识别装置及存储介质 |
| CN113723187A (zh) * | 2021-07-27 | 2021-11-30 | 武汉光庭信息技术股份有限公司 | 手势关键点的半自动标注方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170300786A1 (en) * | 2015-10-01 | 2017-10-19 | Intelli-Vision | Methods and systems for accurately recognizing vehicle license plates |
| US20180121744A1 (en) * | 2016-10-31 | 2018-05-03 | Electronics And Telecommunications Research Institute | System and method for recognizing vehicle license plate information |
| CN108830213A (zh) * | 2018-06-12 | 2018-11-16 | 北京理工大学 | 基于深度学习的车牌检测与识别方法和装置 |
| WO2018219054A1 (zh) * | 2017-06-02 | 2018-12-06 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及系统 |
| WO2018233038A1 (zh) * | 2017-06-23 | 2018-12-27 | 平安科技（深圳）有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
| CN111275796A (zh) * | 2020-01-17 | 2020-06-12 | 北京迈格威科技有限公司 | 车牌合成方法、装置、计算机设备和存储介质 |
-
2020
- 2020-09-14 CN CN202010964914.5A patent/CN112052855A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170300786A1 (en) * | 2015-10-01 | 2017-10-19 | Intelli-Vision | Methods and systems for accurately recognizing vehicle license plates |
| US20180121744A1 (en) * | 2016-10-31 | 2018-05-03 | Electronics And Telecommunications Research Institute | System and method for recognizing vehicle license plate information |
| WO2018219054A1 (zh) * | 2017-06-02 | 2018-12-06 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及系统 |
| WO2018233038A1 (zh) * | 2017-06-23 | 2018-12-27 | 平安科技（深圳）有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
| CN108830213A (zh) * | 2018-06-12 | 2018-11-16 | 北京理工大学 | 基于深度学习的车牌检测与识别方法和装置 |
| CN111275796A (zh) * | 2020-01-17 | 2020-06-12 | 北京迈格威科技有限公司 | 车牌合成方法、装置、计算机设备和存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111191653A (zh) * | 2019-12-25 | 2020-05-22 | 北京精英路通科技有限公司 | 车牌识别方法、装置、计算机设备及存储介质 |
| CN112883911A (zh) * | 2021-03-17 | 2021-06-01 | 高新兴科技集团股份有限公司 | 一种无牌车辆判别方法、装置以及电子设备 |
| CN112990197A (zh) * | 2021-03-17 | 2021-06-18 | 浙江商汤科技开发有限公司 | 车牌识别方法及装置、电子设备和存储介质 |
| CN113221894A (zh) * | 2021-05-31 | 2021-08-06 | 中邮信息科技(北京)有限公司 | 车辆的车牌号识别方法、装置、电子设备和存储介质 |
| CN113435437A (zh) * | 2021-06-24 | 2021-09-24 | 随锐科技集团股份有限公司 | 开关分合指示牌状态的识别方法、识别装置及存储介质 |
| CN113723187A (zh) * | 2021-07-27 | 2021-11-30 | 武汉光庭信息技术股份有限公司 | 手势关键点的半自动标注方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112052855A (zh) | 一种基于深度学习的车牌识别方法及装置 | |
| CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| US11164027B2 (en) | Deep learning based license plate identification method, device, equipment, and storage medium | |
| CN109145759B (zh) | 车辆属性识别方法、装置、服务器及存储介质 | |
| CN110705583B (zh) | 细胞检测模型训练方法、装置、计算机设备及存储介质 | |
| US20180240194A1 (en) | Visual analytics based vehicle insurance anti-fraud detection | |
| CN110728277B (zh) | 一种印章智能检测与识别的方法及系统 | |
| CN112949507A (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
| CN111460967A (zh) | 一种违法建筑识别方法、装置、设备及存储介质 | |
| CN111931581A (zh) | 一种基于卷积神经网络农业害虫识别方法、终端及可读存储介质 | |
| CN112052845A (zh) | 图像识别方法、装置、设备及存储介质 | |
| CN110909656B (zh) | 一种雷达与摄像机融合的行人检测方法和系统 | |
| CN110321969B (zh) | 一种基于mtcnn的车脸对齐方法 | |
| WO2024093641A1 (zh) | 多模态融合的高精地图要素识别方法、装置、设备及介质 | |
| CN113537017A (zh) | 基于级联型回归修正的光学遥感图像飞机检测方法和装置 | |
| CN113743434A (zh) | 一种目标检测网络的训练方法、图像增广方法及装置 | |
| CN114283431B (zh) | 一种基于可微分二值化的文本检测方法 | |
| CN115861922A (zh) | 一种稀疏烟火检测方法、装置、计算机设备及存储介质 | |
| CN114549628A (zh) | 一种电力杆倾斜检测方法、装置、设备及存储介质 | |
| CN114359352A (zh) | 图像处理方法、装置、设备、存储介质及计算机程序产品 | |
| CN113902927A (zh) | 一种融合了图像与点云信息的综合信息处理方法 | |
| CN113808142A (zh) | 一种地面标识的识别方法、装置、电子设备 | |
| CN113159204A (zh) | 车牌识别模型生成方法、车牌识别方法及相关组件 | |
| CN113239931A (zh) | 一种物流站车牌识别的方法 | |
| CN111797782A (zh) | 基于图像特征的车辆检测方法和系统 |
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 |