CN101604381A - 基于多分类支持向量机的车牌字符识别方法 - Google Patents
基于多分类支持向量机的车牌字符识别方法 Download PDFInfo
- Publication number
- CN101604381A CN101604381A CNA2009100593608A CN200910059360A CN101604381A CN 101604381 A CN101604381 A CN 101604381A CN A2009100593608 A CNA2009100593608 A CN A2009100593608A CN 200910059360 A CN200910059360 A CN 200910059360A CN 101604381 A CN101604381 A CN 101604381A
- Authority
- CN
- China
- Prior art keywords
- vector
- character
- characters
- license plate
- support vector
- 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.)
- Granted
Links
Images
Abstract
基于多分类支持向量机的车牌字符识别方法,属于图像处理技术领域,涉及车牌字符识别方法。本发明包括多分类支持向量机的训练过程和使用多分类支持向量机进行车牌识别的过程。本发明区别对待车牌各位置的字符,将车牌字符二值化图像特征向量分成四个集合,分别构造四个多分类支持向量机以计算四个集合的支持向量集,并在车牌识别过程中采用不同的支持向量集对待识别车牌的字符进行逐一识别,大大减少了计算量。相比与其他同领域的方案,本发明具有兼容公安部最新机动车号牌标准GA 36-2007、识别准确率更高,对成像质量要求更低的特点。
Description
技术领域
本发明属于图像处理技术领域,涉及模式识别技术,特别涉及车牌字符识别方法。
背景技术
机动车号牌识别简称车牌识别,在智能交通系统里面起着关键的作用,无论是在路桥收费、小区管理、停车场管理,还是在交通监控系统中,车牌识别都是最为基础也最为关键的部分。通常,车牌识别算法可以分为三个部分:车牌定位、字符分割和字符识别。在前两部分的基础上如何进行精确的字符识别,就成为最终影响系统识别率的重要问题。
相对于目前的OCR系统,车牌字符识别具有自身的特点:小字符集(数字、字母、数十个汉字)、成像环境复杂、干扰和几何变形较多。而且车牌字符识别要求更高的识别率,上下文字符也没有语义和概率上的相关性。同时,具体到中国现行的机动车号牌标准(GA36-1992,GA 36-2007),该技术还必须解决具体的问题,即:中国车牌含有汉字字符,汉字字符通常结构复杂,成像质量不及简单的数字、字母字符。
当前的车牌字符识别主要有一下几种方法:
1.模板匹配的方法,利用字符轮廓、骨干、网络或者投影等特征,与标准车牌字符比对分类。由于车牌字符有标准的字符集,这种方法具有一定意义。但是,由于实际应用中存在的干扰和变形,实用中常常没有很高的识别率。详见:魏武,张起森,王明俊,等.一种基于模板匹配的车牌识别方法.中国公路学报,2001,14(1):104-106.
2.按字符特征分类的方法,找出能够区别字符集中字符的特征集,如:字符像素比例、孔洞数、字形结构、笔画特征等。由于特征算法的实现困难,而且同样由于噪声干扰的问题,这一方法的识别率不高,特别是对于字形复杂的汉字。详见:宋加涛,刘济林.车辆牌照上英文和数字字符的结构特征分析及提取.中国图象图形学报(A版),2002,7(9):945-949.
3.神经网络的方法是目前比较成功的方法。但是存在输入数据选择和网络结构设计等问题。
发明内容
本发明的目的是提供一种基于多分类支持向量机的车牌字符识别方法。本发明基于多分类支持向量机,利用其良好的分类能力,直接对提取出来的字符分类,取得了良好的识别率。相比与其他同领域的方案,本发明具有兼容公安部最新机动车号牌标准GA 36-2007、识别准确率更高,对成像质量要求更低的特点。
为方便描述本发明内容,这里首先对一些术语进行必要的定义:
定义1.机动车号牌。准予机动车在中华人民共和国境内道路上行驶的法定标志,其号码是机动车登记编号。
定义2.现行机动车号牌标准。《中华人民共和国公共安全行业标准-中华人民共和国机动车号牌》(GA36-2007),2007年09月28日发布,2007-11-01实施,代替GA36-1992。
定义3.车牌字符。GA36-2007规定的用于给机动车登记的编号字符。包括:省、自治区、直辖市简称及号牌分类用汉字简称;发牌机关代号和序号用英文字母;序号用数码三类。
定义4.省、自治区、直辖市简称及号牌分类用汉字简称。共37个汉字,分别是:京津冀晋蒙辽吉黑沪苏浙皖闽赣鲁豫鄂湘粤桂琼渝川贵云藏陕甘青宁新港澳使领学警。
定义5.发牌机关代号和序号用英文字母。共26个大写英文字母,其中用于发牌机关代号的字母(车牌第二个字符)可以使用A-Z的所有字符;用于序号编码(第3至7个字符)的字母不能使用字母O、I。
定义6.灰度图像的二值化。在灰度图像中,常采用一个字节表示一个像素点,其灰度级为0~255,其二值化方法为构造用一个二进制位表示一个像素点的图像,设置二值化阈值T,将大于T的像素点设置为1,小于等于T的点设为0。
本发明技术方案如下:
基于支持向量机的车牌字符识别方法,如图1所示,包括多分类支持向量机的训练过程和使用多分类支持向量机进行车牌识别的过程:
一、多分类向量机的训练过程,具体包括以下步骤:
步骤1:制作标准车牌字符二值化图像。
首先根据《中华人民共和国公共安全行业标准:中华人民共和国机动车号牌》(GA36-2007)附录B所述的字样制作归一化字样图像,每张归一化字样图像宽为16像素,高为32像素;然后对所有归一化字样图像进行二值化处理,二值化处理时,归一化字样图像灰度等级按255级灰度计算,灰度二值化阈值取[95,130]之间的某个特定值;最终得到由37个汉字、26个英文大写字母和10个数字组成的共73个标准车牌字符二值化图像。
步骤2:制作采集样本车牌字符二值化图像。
首先采集足够的车牌照片,使得《中华人民共和国公共安全行业标准:中华人民共和国机动车号牌》(GA36-2007)附录B中定义的所有字符至少出现三次;然后对采集的车牌照片经定位、分割处理后得到分离的车牌字符图像;再对所有分离的字符图像采取步骤1所述的归一化和二值化处理,得到采集样本车牌字符二值化图像。
步骤3:将步骤1所得的标准车牌字符二值化图像和步骤2所得的采集样本车牌字符二值化图像转换成特征向量,具体转换方法是:将每个二值化图像的像素值按行依次排列,得到一个512维的行向量。
步骤4:对步骤3所得的所有二值化图像的特征向量,将同一字符的所有字符图像的特征向量归于一个特征向量子集,共得到73个特征向量子集;给予每个特征向量子集一个唯一的编号,使得73个字符与编号之间一一对应;同时,每个特征向量子集中的所有特征向量均采用与该特征向量子集相同的编号。
步骤5:采用步骤3所得的所有二值化图像的特征向量,组合出以下四个特征向量集合:1)代表省/直辖市/自治区简称的特征向量集A,特征向量集A包括汉字“京津冀晋蒙辽吉黑沪苏浙皖闽赣鲁豫鄂湘粤桂琼渝川贵云藏陕甘青宁新港澳使”共34个字符的标准车牌字符二值化图像的特征向量和采集样本车牌字符二值化图像的特征向量,每个特征向量与车牌中的第一个字符相对应;2)代表发牌机关代号的特征向量集B,特征向量集B包括A~Z的26个英文大写字母的标准车牌字符二值化图像的特征向量和采集样本车牌字符二值化图像的特征向量,每个特征向量与车牌中的第二个字符相对应;3)代表车牌编号的特征向量集C,特征向量集C包括0~9的数字以及除“O”和“I”之外的英文大写字母共34个字符的标准车牌字符二值化图像的特征向量和采集样本车牌字符二值化图像的特征向量,每个特征向量与车牌中的第三至第六字符中的一个字符相对应;4)代表车牌末尾字符的特征向量集D,特征向量D集包括0~9的数字、除“O”和“I”之外的英文大写字母以及汉字“挂”、“领”、“港”、“澳”、“学”、“警”、“试”、“超”和“临”共43个字符的标准车牌字符二值化图像的特征向量和采集样本车牌字符二值化图像的特征向量,每个特征向量与车牌末尾字符相对应。
步骤5:分别构造步骤4所得的四个特征向量集合的特征向量矩阵MA、MB、MC和MD,同时构造与特征向量矩阵MA、MB、MC和MD对应的四个编号向量VA、VB、VC和VD。其中,每个特征向量矩阵的行向量就是对应特征向量集合的具体特征向量,每个特征向量矩阵的行数就是对应特征向量集合的特征向量数;编号向量为一个列向量,其中每一行的元素值就是对应特征向量矩阵相同行号下特征向量所采用的编号。
步骤6:分别构造四个多分类支持向量机,将步骤5所得的特征向量矩阵MA与对应的编号向量VA、特征向量矩阵MB与对应的编号向量VB、特征向量矩阵MC与对应的编号向量VC、特征向量矩阵MD与对应的编号向量VD分别输入到四个多分类支持向量机中进行训练,得到四个支持向量集SVA、SVB、SVC、SVD。
二、使用多分类支持向量机进行车牌识别的过程,具体包括以下步骤:
步骤7:采集待识别车牌图像,经定位、分割处理后得到分离的待识别车牌字符图像;再对所有分离的待识别字符图像采取步骤1所述的归一化和二值化处理,得到待识别车牌字符二值化图像。
步骤8:将步骤7所得的待识别车牌字符二值化图像转换成特征向量,具体转换方法是:将每个二值化图像的像素值按行依次排列,得到一个512维的行向量,共得到7个特征向量,按待识别字符图像在待识别车牌中从左至右的位置顺序依次定义为X1、X2、…、X7。
步骤9:采用支持向量集SVA对特征向量X1进行分类,得到特征向量X1对应的编号,即得到该编号对应的字符,并将该字符作为待识别车牌第一字符的识别结果;采用支持向量集SVB对特征向量X1进行分类,得到特征向量X2对应的编号,即得到该编号对应的字符,并将该字符作为待识别车牌第二字符的识别结果;采用支持向量集SVC对特征向量X2~X6进行分类,得到特征向量X2~X6各自对应的编号,即得到各自对应编号所对应的字符,并将各自所对应的字符作为待识别车牌第二至第六字符的识别结果;采用支持向量集SVD对特征向量X7进行分类,得到特征向量X7对应的编号,即得到该编号对应的字符,并将该字符作为待识别车牌第七字符的识别结果。
需要说明的是,本发明所述的多分类支持向量机,可以采用基于线性核的多分类支持向量机,也可以采用基于非线性核的多分类支持向量机。另外,考虑到支持向量机的特性,本发明在多分类向量机的训练过程制作采集样本车牌字符二值化图像时,所采集的各样本车牌字符数量相差不应过大,以保证各字符平等地参与训练,从而减少由于训练次数差异带来的识别偏差。
本发明的有益效果是:
本发明创新性地将支持向量机的方法应用于车牌字符识别中。本发明区别对待车牌各位置的字符,将车牌字符二值化图像特征向量分成四个集合,分别构造四个多分类支持向量机以计算四个集合的支持向量集,并在车牌识别过程中采用不同的支持向量集对待识别车牌的字符进行逐一识别,大大减少了计算量。
附图说明
图1:本发明提供的基于多分类支持向量机的车牌字符识别方法的流程示意图。
图2:《中华人民共和国公共安全行业标准:中华人民共和国机动车号牌》(GA36-2007)附录B所述的汉字字样。
图3:《中华人民共和国公共安全行业标准:中华人民共和国机动车号牌》(GA36-2007)附录B所述的英文字母字样。
图4:《中华人民共和国公共安全行业标准:中华人民共和国机动车号牌》(GA36-2007)附录B所述的数字字样。
具体实施方式
本发明技术内容部分,所提供的技术方案已经足够详细,在此不再赘述。
总之,本发明的方法充分考察GA 36-2007标准,创新性地将支持向量机的方法应用于车牌字符识别中。本发明区别对待车牌各位置的字符,将车牌字符二值化图像特征向量分成四个集合,分别构造四个多分类支持向量机以计算四个集合的支持向量集,并在车牌识别过程中采用不同的支持向量集对待识别车牌的字符进行逐一识别,大大减少了计算量。经试验验证,本发明对汉字字符识别率达到93.33%,对英文字母字符识别率达到98.98%,对数字字符识别率达到99.57%,各字符统计平均识别率98.60%。
Claims (3)
1、基于多分类支持向量机的车牌字符识别方法,包括多分类支持向量机的训练过程和使用多分类支持向量机进行车牌识别的过程:
一、多分类向量机的训练过程,具体包括以下步骤:
步骤1:制作标准车牌字符二值化图像;
首先根据《中华人民共和国公共安全行业标准:中华人民共和国机动车号牌》(GA36-2007)附录B所述的字样制作归一化字样图像,每张归一化字样图像宽为16像素,高为32像素;然后对所有归一化字样图像进行二值化处理,二值化处理时,归一化字样图像灰度等级按255级灰度计算,灰度二值化阈值取[95,130]之间的某个特定值;最终得到由37个汉字、26个英文大写字母和10个数字组成的共73个标准车牌字符二值化图像;
步骤2:制作采集样本车牌字符二值化图像;
首先采集足够的车牌照片,使得《中华人民共和国公共安全行业标准:中华人民共和国机动车号牌》(GA36-2007)附录B中定义的所有字符至少出现三次;然后对采集的车牌照片经定位、分割处理后得到分离的车牌字符图像;再对所有分离的字符图像采取步骤1所述的归一化和二值化处理,得到采集样本车牌字符二值化图像;
步骤3:根据步骤1所得的标准车牌字符二值化图像和步骤2所得的采集样本车牌字符二值化图像,获取每个二值化图像的特征向量,具体方法是:将每个二值化图像的像素值按行依次排列,得到一个512维的行向量;
步骤4:对步骤3所得的所有二值化图像的特征向量,将同一字符的所有字符图像的特征向量归于一个特征向量子集,共得到73个特征向量子集;给予每个特征向量子集一个唯一的编号,使得73个字符与编号之间一一对应;同时,每个特征向量子集中的所有特征向量均采用与该特征向量子集相同的编号;
步骤5:采用步骤3所得的所有二值化图像的特征向量,组合出以下四个特征向量集合:1)代表省/直辖市/自治区简称的特征向量集A,特征向量集A包括汉字“京津冀晋蒙辽吉黑沪苏浙皖闽赣鲁豫鄂湘粤桂琼渝川贵云藏陕甘青宁新港澳使”共34个字符的标准车牌字符二值化图像的特征向量和采集样本车牌字符二值化图像的特征向量,每个特征向量与车牌中的第一个字符相对应;2)代表发牌机关代号的特征向量集B,特征向量集B包括A~Z的26个英文大写字母的标准车牌字符二值化图像的特征向量和采集样本车牌字符二值化图像的特征向量,每个特征向量与车牌中的第二个字符相对应;3)代表车牌编号的特征向量集C,特征向量集C包括0~9的数字以及除“O”和“I”之外的英文大写字母共34个字符的标准车牌字符二值化图像的特征向量和采集样本车牌字符二值化图像的特征向量,每个特征向量与车牌中的第三至第六字符中的一个字符相对应;4)代表车牌末尾字符的特征向量集D,特征向量D集包括0~9的数字、除“O”和“I”之外的英文大写字母以及汉字“挂”、“领”、“港”、“澳”、“学”、“警”、“试”、“超”和“临”共43个字符的标准车牌字符二值化图像的特征向量和采集样本车牌字符二值化图像的特征向量,每个特征向量与车牌末尾字符相对应;
步骤5:分别构造步骤4所得的四个特征向量集合的特征向量矩阵MA、MB、MC和MD,同时构造与特征向量矩阵MA、MB、MC和MD对应的四个编号向量VA、VB、VC和VD;其中,每个特征向量矩阵的行向量就是对应特征向量集合的具体特征向量,每个特征向量矩阵的行数就是对应特征向量集合的特征向量数;编号向量为一个列向量,其中每一行的元素值就是对应特征向量矩阵相同行号下特征向量所采用的编号;
步骤6:分别构造四个多分类支持向量机,将步骤5所得的特征向量矩阵MA与对应的编号向量VA、特征向量矩阵MB与对应的编号向量VB、特征向量矩阵MC与对应的编号向量VC、特征向量矩阵MD与对应的编号向量VD分别输入到四个多分类支持向量机中进行训练,得到四个支持向量集SVA、SVB、SVC、SVD;
二、使用多分类支持向量机进行车牌识别的过程,具体包括以下步骤:
步骤7:采集待识别车牌图像,经定位、分割处理后得到分离的待识别车牌字符图像;再对所有分离的待识别字符图像采取步骤1所述的归一化和二值化处理,得到待识别车牌字符二值化图像;
步骤8:将步骤7所得的待识别车牌字符二值化图像转换成特征向量,具体转换方法是:将每个二值化图像的像素值按行依次排列,得到一个512维的行向量,共得到7个特征向量,按待识别字符图像在待识别车牌中从左至右的位置顺序依次定义为X1、X2、...、X7;
步骤9:采用支持向量集SVA对特征向量X1进行分类,得到特征向量X1对应的编号,即得到该编号对应的字符,并将该字符作为待识别车牌第一字符的识别结果;采用支持向量集SVB对特征向量X2进行分类,得到特征向量X2对应的编号,即得到该编号对应的字符,并将该字符作为待识别车牌第二字符的识别结果;采用支持向量集SVC对特征向量X2~X6进行分类,得到特征向量X2~X6各自对应的编号,即得到各自对应编号所对应的字符,并将各自所对应的字符作为待识别车牌第二至第六字符的识别结果;采用支持向量集SVD对特征向量X7进行分类,得到特征向量X7对应的编号,即得到该编号对应的字符,并将该字符作为待识别车牌第七字符的识别结果。
2、根据权利要求1所述的基于多分类支持向量机的车牌字符识别方法,其特征在于,所述多分类支持向量机为基于线性核的多分类支持向量机。
3、根据权利要求1所述的基于多分类支持向量机的车牌字符识别方法,其特征在于,所述多分类支持向量机为基于非线性核的多分类支持向量机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100593608A CN101604381B (zh) | 2009-05-20 | 2009-05-20 | 基于多分类支持向量机的车牌字符识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100593608A CN101604381B (zh) | 2009-05-20 | 2009-05-20 | 基于多分类支持向量机的车牌字符识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101604381A true CN101604381A (zh) | 2009-12-16 |
CN101604381B CN101604381B (zh) | 2012-01-11 |
Family
ID=41470104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100593608A Expired - Fee Related CN101604381B (zh) | 2009-05-20 | 2009-05-20 | 基于多分类支持向量机的车牌字符识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101604381B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894277A (zh) * | 2010-06-13 | 2010-11-24 | 电子科技大学 | 基于多分类支持向量机的集装箱箱号识别方法 |
CN102043945A (zh) * | 2010-11-23 | 2011-05-04 | 聊城大学 | 基于车辆实时跟踪和二进指数分类车牌字符识别的方法 |
CN102289683A (zh) * | 2011-06-22 | 2011-12-21 | 电子科技大学 | 一种基于多分类支持向量机的集装箱箱号识别方法 |
CN102346847A (zh) * | 2011-09-26 | 2012-02-08 | 青岛海信网络科技股份有限公司 | 一种支持向量机的车牌字符识别方法 |
CN102982349A (zh) * | 2012-11-09 | 2013-03-20 | 深圳市捷顺科技实业股份有限公司 | 一种图像识别方法及装置 |
CN104156701A (zh) * | 2014-07-26 | 2014-11-19 | 佳都新太科技股份有限公司 | 一种基于决策树和svm的车牌相似字符识别方法 |
CN105139010A (zh) * | 2015-08-14 | 2015-12-09 | 安徽创世科技有限公司 | 一种基于细化字符分类器的车牌字符识别方法 |
CN105631445A (zh) * | 2014-11-06 | 2016-06-01 | 通号通信信息集团有限公司 | 中文车牌字符识别方法及系统 |
CN106251634A (zh) * | 2016-08-09 | 2016-12-21 | 成都联众智科技有限公司 | 嵌入式车牌识别系统 |
CN108073926A (zh) * | 2016-11-17 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
CN108090484A (zh) * | 2016-11-23 | 2018-05-29 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
CN108242179A (zh) * | 2018-03-01 | 2018-07-03 | 苏州科技大学 | 一种基于车牌识别的智能车库门的监控与报警装置及方法 |
CN108256516A (zh) * | 2017-12-01 | 2018-07-06 | 桂林远望智能通信科技有限公司 | 一种区域车牌识别方法及系统 |
CN108573253A (zh) * | 2017-03-13 | 2018-09-25 | 北京君正集成电路股份有限公司 | 车牌字符二值图的生成方法 |
CN109447074A (zh) * | 2018-09-03 | 2019-03-08 | 中国平安人寿保险股份有限公司 | 一种车牌识别方法及终端设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11306283A (ja) * | 1998-04-24 | 1999-11-05 | Chuo Spring Co Ltd | ナンバープレート情報読取装置 |
CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
CN101329734B (zh) * | 2008-07-31 | 2010-08-25 | 重庆大学 | 基于k-l变换和ls-svm的车牌字符识别方法 |
-
2009
- 2009-05-20 CN CN2009100593608A patent/CN101604381B/zh not_active Expired - Fee Related
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894277A (zh) * | 2010-06-13 | 2010-11-24 | 电子科技大学 | 基于多分类支持向量机的集装箱箱号识别方法 |
CN102043945A (zh) * | 2010-11-23 | 2011-05-04 | 聊城大学 | 基于车辆实时跟踪和二进指数分类车牌字符识别的方法 |
CN102043945B (zh) * | 2010-11-23 | 2013-01-30 | 聊城大学 | 基于车辆实时跟踪和二进指数分类车牌字符识别的方法 |
CN102289683A (zh) * | 2011-06-22 | 2011-12-21 | 电子科技大学 | 一种基于多分类支持向量机的集装箱箱号识别方法 |
CN102346847A (zh) * | 2011-09-26 | 2012-02-08 | 青岛海信网络科技股份有限公司 | 一种支持向量机的车牌字符识别方法 |
CN102982349A (zh) * | 2012-11-09 | 2013-03-20 | 深圳市捷顺科技实业股份有限公司 | 一种图像识别方法及装置 |
CN102982349B (zh) * | 2012-11-09 | 2016-12-07 | 深圳市捷顺科技实业股份有限公司 | 一种图像识别方法及装置 |
CN104156701A (zh) * | 2014-07-26 | 2014-11-19 | 佳都新太科技股份有限公司 | 一种基于决策树和svm的车牌相似字符识别方法 |
CN105631445A (zh) * | 2014-11-06 | 2016-06-01 | 通号通信信息集团有限公司 | 中文车牌字符识别方法及系统 |
CN105139010A (zh) * | 2015-08-14 | 2015-12-09 | 安徽创世科技有限公司 | 一种基于细化字符分类器的车牌字符识别方法 |
CN106251634A (zh) * | 2016-08-09 | 2016-12-21 | 成都联众智科技有限公司 | 嵌入式车牌识别系统 |
CN108073926A (zh) * | 2016-11-17 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
CN108090484A (zh) * | 2016-11-23 | 2018-05-29 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
CN108573253A (zh) * | 2017-03-13 | 2018-09-25 | 北京君正集成电路股份有限公司 | 车牌字符二值图的生成方法 |
CN108573253B (zh) * | 2017-03-13 | 2021-09-07 | 北京君正集成电路股份有限公司 | 车牌字符二值图的生成方法 |
CN108256516A (zh) * | 2017-12-01 | 2018-07-06 | 桂林远望智能通信科技有限公司 | 一种区域车牌识别方法及系统 |
CN108242179A (zh) * | 2018-03-01 | 2018-07-03 | 苏州科技大学 | 一种基于车牌识别的智能车库门的监控与报警装置及方法 |
CN109447074A (zh) * | 2018-09-03 | 2019-03-08 | 中国平安人寿保险股份有限公司 | 一种车牌识别方法及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN101604381B (zh) | 2012-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101604381B (zh) | 基于多分类支持向量机的车牌字符识别方法 | |
CN110969160B (zh) | 一种基于深度学习的车牌图像校正、识别方法及系统 | |
CN108509881A (zh) | 一种无切分的脱机手写汉字文本识别方法 | |
CN107194400A (zh) | 一种财务报销全票据图片识别处理方法 | |
CN108777021B (zh) | 一种基于扫描仪混扫的票据识别方法及系统 | |
CN107067044A (zh) | 一种财务报销全票据智能审核系统 | |
CN102880859A (zh) | 一种车牌识别方法 | |
CN112508011A (zh) | 一种基于神经网络的ocr识别方法及设备 | |
CN104834891A (zh) | 一种中文图像型垃圾邮件过滤方法及系统 | |
CN103186762A (zh) | 基于surf特征匹配算法的车牌字符识别方法 | |
Chaabouni et al. | Combining of off-line and on-line feature extraction approaches for writer identification | |
CN109241959A (zh) | 一种车牌识别结果智能纠正方法 | |
CN105938547A (zh) | 一种纸质水文年鉴数字化方法 | |
CN110032999B (zh) | 一种汉字结构退化的低分辨率车牌识别方法 | |
Chowdhury et al. | Identification of unauthorized vehicles by license plate recognition through image processing | |
CN101894277A (zh) | 基于多分类支持向量机的集装箱箱号识别方法 | |
CN115546776A (zh) | 基于卷积神经网络模型的字符分割模式车牌识别方法 | |
CN113283299A (zh) | 基于cgan网络增强局部放电信号prpd图谱数据的方法 | |
Li et al. | Notice of Retraction: Research on the recognition algorithm of the license plate character based on the multi-resolution template matching | |
Zhao et al. | License plate recognition system based on morphology and LS-SVM | |
CN109344834A (zh) | 一种基于图像处理的残缺汉字识别方法 | |
Joseph et al. | A Study on Localization Techniques for Automatic License Plate Recognition System | |
CN109447058B (zh) | 一种基于矩阵分块的残缺汉字识别方法 | |
CN110287840B (zh) | 手写图像识别方法 | |
Silva et al. | Isolated Sinhala handwritten character recognition using part Based Matching Techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120111 Termination date: 20180520 |
|
CF01 | Termination of patent right due to non-payment of annual fee |