CN101937508B - 一种基于高清图像的车牌定位与识别方法 - Google Patents
一种基于高清图像的车牌定位与识别方法 Download PDFInfo
- Publication number
- CN101937508B CN101937508B CN2010102979174A CN201010297917A CN101937508B CN 101937508 B CN101937508 B CN 101937508B CN 2010102979174 A CN2010102979174 A CN 2010102979174A CN 201010297917 A CN201010297917 A CN 201010297917A CN 101937508 B CN101937508 B CN 101937508B
- Authority
- CN
- China
- Prior art keywords
- character
- license plate
- template
- result
- pixels
- 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.)
- Expired - Fee Related
Links
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
-
- 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
Abstract
本发明公开了一种基于高清图像的车牌定位与识别方法,包括如下步骤:(1)对原始彩色图像进行一次下采样,对下采样后的图像灰度化并进行垂直边缘检测和二值化,利用垂直边缘信息进行车牌粗定位,得到所有的候选车牌区域;(2)将所有的候选车牌区域映射回原图像并送入训练好的级联Adaboost分类器,去除非车牌区域;(3)将经过步骤(2)得到的车牌区域进行倾斜矫正;(4)将经过步骤(3)得到的车牌区域进行字符分割;(5)对分割出的字符进行识别。本发明能快速有效的从复杂场景中提取出多个大小不同的车牌并能有效的提高字符识别的准确率,其在智能交通、停车场管理和小区管理等方面有广泛的应用前景。
Description
技术领域
本发明涉及一种车牌定位与识别方法,具体涉及一种基于高清图像的车牌定位与识别方法。
背景技术
随着经济的发展,汽车保有量急剧增长,对交通、治安的管理要求也日益提高,采用高清摄像机成像技术,不仅可以清晰抓拍车牌,还可以提供高质量的前排司乘人员的面貌图像,并且可以记录车辆全貌及车载情况等信息,从而满足了刑侦、治安、交警等多个业务部门的需求。此外,采用200万或者更高像素的摄像机,一个摄像机可以抓拍2-3车道,系统建设效率也明显提高。因此,高清晰的车牌识别系统,包括治安卡口系统、电子警察系统等,已成为当前发展的一个热点。
而现有的基于标清图像的车牌识别技术很难直接用于高清图像,原因在于高清图像取景范围大,需要处理的数据量很大,背景也更复杂,而且一般监控几个车道,需要同时识别几个车牌,不同车道的车牌大小也不一样,现有的基于标清图像的车牌识别系统一般背景简单且只识别单一车道的单一车牌,另外相似字符和退化字符的识别一直是影响车牌字符识别准确率的重要因素,因此如何快速有效的从复杂场景中提取出多个大小不同的车牌以及提高对相似字符和退化字符的识别率是现有车牌识别技术待解决的一个重要问题。
发明内容
为了解决现有车牌定位与识别存在的上述技术问题,本发明提供一种基于高清图像的车牌定位与识别方法。本发明利用基于边缘的车牌定位方法速度快、准确率高的特点和级联Adaboost分类器虚警率低的特点,对车牌区域进行快速准确定位,采用模板匹配和SVM融合的字符识别方法,综合两类方法各自的优点,打破单一字符识别方法识别率难以提高的局限,提高了对相似字符和退化字符的识别准确率。
本发明解决上述技术问题的技术方案包括以下步骤:
(1)对原始彩色图像进行一次下采样,对下采样后的图像灰度化并进行垂直边缘检测和二值化,利用垂直边缘信息进行车牌粗定位,得到所有的候选车牌区域;
(2)将所有的候选车牌区域映射回原图像并送入训练好的级联Adaboost分类器,去除非车牌区域;
(3)将经过步骤(2)得到的车牌区域进行倾斜矫正;
(4)将经过步骤(3)得到的车牌区域进行字符分割;
(5)对分割出的字符进行识别,采用支持向量机和模板匹配的融合方法对字符进行识别,其步骤为:
第一步:制作字符二值化模板;
第二步:模板匹配算法所用模板库的制作,把第一步得到字符二值化模板归一化到宽度为18个像素,高度为36个像素,作为模板匹配算法的模板库;
第三步:支持向量机分类器的训练,对第一步得到字符模板归一化为宽度为18个像素,高度为36个像素,作为支持向量机分类器的训练集,把二值化的字符按列展开就得到一个648维的行向量,分别训练汉字分类器、字母分类器、数字分类器和字母数字分类器四个多分类的支持向量机;
第四步:把分割得到字符归一化为宽度为18个像素,高度为36个像素,用模板匹配方法进行识别,如果识别的可信度大于0.6就直接输出结果,如果可信度低于0.6且识别结果不是0,Q,8,B这些相似字符时,转到第六步;
第五步:根据相似字符的特点,提取字符的一部分归一化为宽度为18个像素,高度为36个像素,以8和B为例,提取字符的左半部分并归一化,利用SVM精分类器对相似字符进行识别,输出结果;
第六步:根据字符在车牌中的位置选择四个支持向量机分类器中的一个对字符进行分类,并输出相应的置信度,然后对SVM的识别结果和模板匹配的结果进行比较,如果两种分类方法得到的结果一样则直接输出结果,否则转到第七步;
第七步:利用证据理论融合支持向量机和模板匹配的结果,判断是输出模板匹配的结果还是SVM的识别结果,识别结果按照下式融合:
由于采用上述技术方案,本发明的技术效果是:本发明对图像进行一次下采样后再进行垂直边缘检测,利用基于边缘的定位方法准确率高、速度快的特点进行快速粗定位,然后利用级联Adaboost分类器对非车牌区域进行去除,解决了基于边缘的检测方法虚警率高的缺点,由于对图像进行了下采样,因此能大大提高处理速度,Adaboost算法的引入也提高了方法的鲁棒性和去除误检的能力。最后利用融合支持向量机分类器和模板匹配的方法对提取出来的车牌字符进行识别,通过综合两类识别方法各自的优点,打破单一字符识别方法识别率难以提高的局限,提高了对相似字符和退化字符的识别准确率。
下面结合附图和具体实施方式对本发明作进一步详细的说明:
附图说明
图1为本发明实施例的流程示意图;
图2为本发明实施例所用到的Haar特征类型;
图3为本发明实施例所用到的一些Adaboost训练用的车牌图片;
图4为本发明实施例字符识别部分的流程示意图;
图5为本发明实施例所用到的一些字符模板和SVM训练字符。
具体实施方式
如图1-5所示,其具体实施步骤如下:
1、候选车牌区域的提取
在实际车牌识别系统中,车牌在图像中的大小受摄像头的安装位置、采集的场景大小和车速等的影响,为了快速有效的提取大小不同的车牌候选车牌区域,实施例中采用基于边缘的方法进行车牌候选区域的提取。本发明中只有两个阈值输入,最小车牌高度和最大车牌高度,其它阈值都通过这两个阈值来确定,高度范围一般取15-45个像素就能解决大部分的场景应用问题,如果有更小的车牌或者更大的车牌需要检测,只需要修改这两个高度阈值即可,方法本身无须任何修改,使得本发明具有很强的鲁棒性和通用性。
提取候选车牌区域的步骤如下:
第一步:对输入图像进行一次下采样,对下采样之后的图像进行灰度化。
第二步:对第一步得到的灰度图像进行Sobel垂直边缘检测,并利用0tsu算法对边缘图像进行二值化,得到二值化后的垂直边缘图像。
第三步:假定车牌高度在原图中的范围为15-45个像素,则由于下采样之后图像大小变为原来的1/4,则下采样之后图像中车牌高度范围为8-23个像素,根据车牌的高度范围确定车牌的最大车牌高度、最小车牌高度、最大车牌长度、最小车牌长度、最小车牌面积和最大车牌字符间距这几个阈值。利用车牌区域垂直边缘比较密集的特点,对二值垂直边缘图像进行连线,找出所有的车牌候选区域。
第四步:把所有的车牌候选区域映射回原图。
2、级联Adaboost去除非车牌区域
上述基于灰度边缘图像的车牌候选区域提取算法的检测率很高且速度很快,但虚警率也相对较高,我们引入Adaboost对候选车牌区域进行筛选,去除非车牌区域。Adaboost去除非车牌区域算法主要分为训练部分和判别部分。具体训练和判别步骤描述如下:
训练部分的步骤如下:
第一步:对训练用的车牌图片和非车牌图片进行归一化,包括灰度归一化和尺度归一化。
第二步:通过Haar特征来描述车牌,采用Adaboost算法,选择Haar特征生成具有区分车牌与非车牌的Adaboost级联分类器。所述Adaboost算法步骤是:
1)给定n个训练样本(x1,y1),...(xn,yn),yi=0,1分别表示xi为负样本或正样本。
3)t从1到T,T为特征个数,循环执行以下步骤:
a)归一化权重
b)对每一个特征fj,训练一个弱分类器hj,记此分类器错误率为εj=∑iωt,j|hj(xi-yi)|;
c)从上一步训练出的所有弱分类器中,找出具有最低错误率ωt的分类器ht;
d)更新权重ωt+1,j=ωt,iβt,其中βt=εt/(1-εt),εt为第t次循环时分类器的错误率,如果xi被分类正确,ei=0,否则ei=1。
判别部分的步骤如下:
利用训练好的级联Adaboost遍历每一个车牌候选区域,若该候选区域里能检测出车牌,则保留该候选区域,否则删除该候选区域。
3、倾斜矫正
对车牌区域进行差分垂直边缘检测,得到车牌区域的的垂直边缘图,并利用Otsu算法对垂直边缘图进行二值化,对图像进行旋转,旋转角度从-30°到+30°之间变化,每次角度增加0.1°,找到一个角度使得垂直边缘二值化图的水平投影宽度最小,此角度即为图像的倾斜角度;然后利用双线性插值法对车牌图像进行校正。
4、字符分割
采用模板法进行字符分割,首先利用边缘和颜色信息对倾斜矫正后的图像进行一次精定位,包括上下精定位和左右精定位,再对倾斜矫正后的图像利用Bernsen局部二值化方法进行二值化,解决光照不均所造成的影响;根据先验知识制作车牌分割模板,按照倾斜校正后的车牌区域高度缩放模板;利用此模板在车牌区域上从左至右滑动并计算中间12个分割处的二值化垂直投影值之和,选取投影和最小的分割位置即字符左右边界得到字符。这用方法能有效的解决相连字符和破损字符的分割问题。
5、字符识别
模板匹配是将分割好的字符图像与字符库中的字符模板进行匹配,优点是简单易行,粗分类效果好,如果特别加入一些经常可能出现的退化字符模板,会提高对退化字符的识别准确率,但对相似字符的识别效果差。支持向量机(SVM)方法是建立在统计学习理论及结构风险最小原来基础上的,该算法具有良好的推广能力,从理论上讲,该算法得到的将是全局最优解,而且对相似字符识别准确率较高。但由于该算法最终的分类只依赖于支持向量,所以对退化字符的识别准确率不是很高。
为了提高字符识别的准确率,本发明采用融合模板匹配和SVM分类的方法进行字符识别,综合两类方法各自的优点,打破单一字符识别方法识别率难以提高的局限,提高了对相似字符和退化字符的识别准确率。
字符识别算法分为分类器构造和识别两个过程,具体描述如下:
分类器构造的步骤如下:
第一步:制作字符二值化模板,字符二值化模板包括标准字符字符二值化模板和实际车牌字符二值化模板,标准字符模板从《中华人民共和国公关安全行业标准:中华人民共和国机动车号牌》(GA36-2007)附录B的字样图像获得,经过二值化和归一化后直接作为标准字符模板。实际车牌字符二值化模板通过对实际车牌图片进行前面步骤所述的定位、分割和二值化处理得到。再经过归一化处理即可以作为车牌字符模板。最后可以得到73个字符二值化模板库,包括37个汉字库、26个英文大写字母库和10个数字库。
第二步:模板匹配算法所用模板库的制作,把第一步得到字符二值化模板库归一化到宽度为18个像素,高度为36个像素,作为模板匹配算法的模板库,为了增加模板匹配对退化字符的识别率,经过对现实车牌图片分割结果的大量统计,我们特别的加入一些常见的退化字符模板。
第三步:SVM分类器的训练,对第一步得到字符模板库归一化为宽度为18个像素,高度为36个像素,作为SVM分类器的训练集,把二值化的字符按列展开就得到一个648维的行向量,分别训练汉字分类器、字母分类器、数字分类器和字母数字分类器四个多分类的支持向量机(SVM),针对8和B、4和A和0和Q等相似字符特别训练精分类的分类器,以8和B为例,取8字符和B字符的左半部分另外训练一个用于精分类的支持向量机,以提高对相似字符的识别准确率,其它相似字符类似。
识别过程步骤如下:
第一步:把分割得到字符归一化为宽度为18个像素,高度为36个像素,用模板匹配方法进行识别,如果识别的可信度大于0.6就直接输出结果,如果可信度低于0.6且识别结果不是0,Q,8,B等相似字符时,转到第三步。
第二步:根据相似字符的特点,提取字符的一部分归一化为宽度为18个像素,高度为36个像素,以8和B为例,提取字符的左半部分并归一化,利用SVM精分类器对相似字符进行识别,输出结果
第三步:根据字符在车牌中的位置选择四个SVM分类器中的一个对字符进行分类,并输出相应的置信度,然后对SVM的识别结果和模板匹配的结果进行比较,如果两种分类方法得到的结果一样则直接输出结果,否则转到第四步。
第四步:利用证据理论融合SVM和模板匹配的结果,大量的实验表明模板匹配和SVM同时分类错误的概率是极低的,所以我们只需判断是输出模板匹配的结果还是SVM的识别结果,识别结果按照下式融合:
Claims (1)
1.一种基于高清图像的车牌定位与识别方法,包括如下步骤:
(1)对原始彩色图像进行一次下采样,对下采样后的图像灰度化并进行垂直边缘检测和二值化,利用垂直边缘信息进行车牌粗定位,得到所有的候选车牌区域;
(2)将所有的候选车牌区域映射回原图像并送入训练好的级联Adaboost分类器,去除非车牌区域;
(3)将经过步骤(2)得到的车牌区域进行倾斜矫正;
(4)将经过步骤(3)得到的车牌区域进行字符分割;
(5)对分割出的字符进行识别,采用支持向量机和模板匹配的融合方法对字符进行识别,其步骤为:
第一步:制作字符二值化模板;
第二步:模板匹配算法所用模板库的制作,把第一步得到字符二值化模板归一化到宽度为18个像素,高度为36个像素,作为模板匹配算法的模板库;
第三步:支持向量机分类器的训练,对第一步得到字符模板归一化为宽度为18个像素,高度为36个像素,作为支持向量机分类器的训练集,把二值化的字符按列展开就得到一个648维的行向量,分别训练汉字分类器、字母分类器、数字分类器和字母数字分类器四个多分类的支持向量机;
第四步:把分割得到字符归一化为宽度为18个像素,高度为36个像素,用模板匹配方法进行识别,如果识别的可信度大于0.6就直接输出结果,如果可信度低于0.6且识别结果不是0,Q,8,B这些相似字符时,转到第六步;
第五步:根据相似字符的特点,提取字符的一部分归一化为宽度为18个像 素,高度为36个像素,以8和B为例,提取字符的左半部分并归一化,利用SVM精分类器对相似字符进行识别,输出结果;
第六步:根据字符在车牌中的位置选择四个支持向量机分类器中的一个对字符进行分类,并输出相应的置信度,然后对SVM的识别结果和模板匹配的结果进行比较,如果两种分类方法得到的结果一样则直接输出结果,否则转到第七步;
第七步:利用证据理论融合支持向量机和模板匹配的结果,判断是输出模板匹配的结果还是SVM的识别结果,识别结果按照下式融合:
A的可信度,mi代表证据i的信度分配函数,wi代表该证据的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102979174A CN101937508B (zh) | 2010-09-30 | 2010-09-30 | 一种基于高清图像的车牌定位与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102979174A CN101937508B (zh) | 2010-09-30 | 2010-09-30 | 一种基于高清图像的车牌定位与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101937508A CN101937508A (zh) | 2011-01-05 |
CN101937508B true CN101937508B (zh) | 2012-07-04 |
Family
ID=43390829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102979174A Expired - Fee Related CN101937508B (zh) | 2010-09-30 | 2010-09-30 | 一种基于高清图像的车牌定位与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101937508B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407980A (zh) * | 2016-11-03 | 2017-02-15 | 贺江涛 | 一种基于图像处理的银行卡号码识别方法 |
Families Citing this family (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2501648C2 (en) * | 2011-01-12 | 2018-09-26 | Videonetics Tech Private Limited | An integrated intelligent server based system and systems adapted to facilitate fail-safe integration and/or optimised utilisation of various sensory inputs |
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 |
CN102402686B (zh) * | 2011-12-07 | 2016-04-27 | 北京云星宇交通科技股份有限公司 | 一种基于连通域分析的车牌字符分割方法 |
CN103186762A (zh) * | 2011-12-28 | 2013-07-03 | 天津市亚安科技股份有限公司 | 基于surf特征匹配算法的车牌字符识别方法 |
CN103295219B (zh) * | 2012-03-02 | 2017-05-10 | 北京数码视讯科技股份有限公司 | 图像分割的方法与装置 |
CN102999753B (zh) * | 2012-05-07 | 2016-09-14 | 深圳市腾讯计算机系统有限公司 | 车牌定位方法 |
CN102693424B (zh) * | 2012-05-28 | 2014-07-02 | 上海交通大学 | 基于Harr-like特征的文档倾斜校正方法 |
CN102722736A (zh) * | 2012-06-13 | 2012-10-10 | 合肥工业大学 | 复杂干扰下字符串的分割与识别方法 |
CN102799850B (zh) * | 2012-06-30 | 2016-03-30 | 北京百度网讯科技有限公司 | 一种条形码识别方法和装置 |
CN103632548A (zh) * | 2012-08-22 | 2014-03-12 | 上海工程技术大学 | 一种车牌识别控制系统及其应用 |
CN102968646B (zh) * | 2012-10-25 | 2015-11-04 | 华中科技大学 | 一种基于机器学习的车牌检测方法 |
CN103065473A (zh) * | 2012-11-29 | 2013-04-24 | 太原理工大学 | 一种违法停车车辆管理系统及方法 |
CN103034843B (zh) * | 2012-12-07 | 2015-06-17 | 电子科技大学 | 一种基于单目视觉的夜间车辆检测方法 |
CN103077407B (zh) * | 2013-01-21 | 2017-05-17 | 信帧电子技术(北京)有限公司 | 车标定位识别方法及系统 |
CN103886320A (zh) * | 2014-01-10 | 2014-06-25 | 北京环境特性研究所 | 基于并行支持向量机加权的标号自动识别方法 |
CN103886313A (zh) * | 2014-04-03 | 2014-06-25 | 哈尔滨天源石化装备制造有限责任公司 | 一种加油站车牌定位方法 |
CN104182728A (zh) * | 2014-07-26 | 2014-12-03 | 佳都新太科技股份有限公司 | 一种基于模式识别的车标自动定位与识别方法 |
CN104408932B (zh) * | 2014-11-03 | 2016-08-24 | 河海大学常州校区 | 一种基于视频监控的酒驾车辆检测系统 |
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 |
CN104463134B (zh) * | 2014-12-19 | 2019-02-12 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法和系统 |
CN106257494B (zh) * | 2015-06-19 | 2019-11-05 | 浙江宇视科技有限公司 | 复杂场景下的车牌检测方法及装置 |
CN106326821B (zh) * | 2015-07-07 | 2019-08-30 | 北京易车互联信息技术有限公司 | 车牌定位的方法及装置 |
CN105096604B (zh) * | 2015-07-24 | 2017-11-03 | 浙江宇视科技有限公司 | 一种车牌识别的方法和装置 |
CN105117724B (zh) * | 2015-07-30 | 2018-04-20 | 北京邮电大学 | 一种车牌定位方法及装置 |
US11587327B2 (en) * | 2015-10-01 | 2023-02-21 | Intellivision Technologies Corp | Methods and systems for accurately recognizing vehicle license plates |
CN106599890B (zh) * | 2015-10-14 | 2019-12-10 | 国网智能科技股份有限公司 | 变电站巡检机器人数字式仪表识别算法 |
CN105335743A (zh) * | 2015-10-28 | 2016-02-17 | 重庆邮电大学 | 一种车牌识别方法 |
CN106650553A (zh) * | 2015-10-30 | 2017-05-10 | 比亚迪股份有限公司 | 车牌识别方法及系统 |
CN106683073B (zh) * | 2015-11-11 | 2020-02-18 | 杭州海康威视数字技术股份有限公司 | 一种车牌的检测方法及摄像机和服务器 |
CN105373794B (zh) * | 2015-12-14 | 2018-02-06 | 河北工业大学 | 一种车牌识别方法 |
CN106022336B (zh) * | 2016-05-17 | 2019-05-07 | 英飞拓(杭州)信息系统技术有限公司 | 一种基于高速公路抓拍图像的车牌检测方法 |
CN106485234A (zh) * | 2016-10-21 | 2017-03-08 | 合肥哦走信息技术有限公司 | 一种基于智能交通系统中车辆识别方法 |
CN106778736B (zh) * | 2016-11-25 | 2020-06-26 | 四川九洲电器集团有限责任公司 | 一种鲁棒的车牌识别方法及其系统 |
CN106778742B (zh) * | 2016-12-09 | 2020-03-31 | 东南大学 | 一种基于Gabor滤波器背景纹理抑制的车标检测方法 |
CN106778731B (zh) * | 2017-01-13 | 2019-09-06 | 深圳市华尊科技股份有限公司 | 一种车牌定位方法及终端 |
CN107451589A (zh) * | 2017-07-07 | 2017-12-08 | 南京邮电大学 | 一种基于改进的ostu算法的夜间车牌二值化的方法 |
CN107301778A (zh) * | 2017-07-11 | 2017-10-27 | 深圳市丰巨泰科电子有限公司 | 一种基于车牌识别的停车位管理系统 |
CN108875612B (zh) * | 2018-06-06 | 2021-11-23 | 成都理工大学 | 一种足迹图像的处理方法 |
CN109002820B (zh) * | 2018-06-27 | 2022-05-27 | 迪蒙智慧交通(深圳)有限公司 | 一种车牌识别方法、装置及相关设备 |
CN109086722B (zh) * | 2018-08-06 | 2021-04-13 | 汉王科技股份有限公司 | 混合车牌识别方法、装置、电子设备 |
CN109241807B (zh) * | 2018-08-17 | 2021-04-20 | 湖南大学 | 一种远距离二维码定位方法 |
CN109407080A (zh) * | 2018-11-27 | 2019-03-01 | 东风商用车有限公司 | 一种基于双目摄像头的车辆测距系统及其测距方法 |
CN111739333B (zh) * | 2019-03-25 | 2022-09-23 | 大陆泰密克汽车系统(上海)有限公司 | 一种空车位识别方法 |
CN110443147B (zh) * | 2019-07-10 | 2022-03-18 | 广州市讯码通讯科技有限公司 | 一种坐姿识别方法、系统和存储介质 |
CN110619626B (zh) * | 2019-08-30 | 2023-04-07 | 北京都是科技有限公司 | 图像处理设备、系统、方法以及装置 |
CN111126377A (zh) * | 2019-10-25 | 2020-05-08 | 深圳羚羊极速科技有限公司 | 一种提高检测目标检测效率的方法 |
CN111027526B (zh) * | 2019-10-25 | 2023-06-13 | 江西省云眼大视界科技有限公司 | 一种提高车辆目标检测识别效率的方法 |
CN110991434B (zh) * | 2019-11-19 | 2023-07-14 | 国网浙江省电力有限公司宁波供电公司 | 自助终端证件识别方法及装置 |
CN111598089B (zh) * | 2020-05-16 | 2023-04-14 | 湖南大学 | 一种基于深度学习的车牌矫正与识别方法 |
CN111950546A (zh) * | 2020-08-06 | 2020-11-17 | 广东飞翔云计算有限公司 | 一种车牌识别方法、装置、计算机设备和存储介质 |
CN112116723B (zh) * | 2020-08-10 | 2021-06-22 | 中标慧安信息技术股份有限公司 | 一种基于车牌识别的无感收费方法及装置 |
CN112418221A (zh) * | 2020-12-02 | 2021-02-26 | 福建亿安智能技术有限公司 | 一种实现非机动车牌识别和定位的方法 |
CN113255663A (zh) * | 2021-05-25 | 2021-08-13 | 世邦通信股份有限公司 | 一种基于垂直梯度的车牌区域提取方法、系统、终端及可读存储介质 |
CN114882492B (zh) * | 2022-07-11 | 2022-11-22 | 浙江大华技术股份有限公司 | 一种车牌识别方法、装置、终端及计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488942B (zh) * | 2008-01-18 | 2013-03-13 | 财团法人工业技术研究院 | 车载媒体导向系统传输网络中多媒体数据分享系统与方法 |
CN101630360B (zh) * | 2008-07-14 | 2012-12-19 | 上海分维智能科技有限公司 | 一种在高清晰图像中识别车牌的方法 |
CN101751785B (zh) * | 2010-01-12 | 2012-01-25 | 杭州电子科技大学 | 基于图像处理的车牌自动识别方法 |
-
2010
- 2010-09-30 CN CN2010102979174A patent/CN101937508B/zh not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407980A (zh) * | 2016-11-03 | 2017-02-15 | 贺江涛 | 一种基于图像处理的银行卡号码识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101937508A (zh) | 2011-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101937508B (zh) | 一种基于高清图像的车牌定位与识别方法 | |
WO2020173022A1 (zh) | 一种识别车辆违章行为的方法、服务器及存储介质 | |
Balali et al. | Evaluation of multiclass traffic sign detection and classification methods for US roadway asset inventory management | |
Huang et al. | An intelligent strategy for checking the annual inspection status of motorcycles based on license plate recognition | |
Abdullah et al. | YOLO-based three-stage network for Bangla license plate recognition in Dhaka metropolitan city | |
Saha et al. | i LPR: An indian license plate recognition system | |
Parvin et al. | Vehicle number plate detection and recognition techniques: a review | |
Lin et al. | Automatic vehicle license plate recognition system for smart transportation | |
Habeeb et al. | Deep-learning-based approach for Iraqi and Malaysian vehicle license plate recognition | |
Islam et al. | Bangla license plate detection, recognition and authentication with morphological process and template matching | |
Salahshoor et al. | Application of intelligent systems for iranian license plate recognition | |
CN107392115B (zh) | 一种基于分层特征提取的交通标志识别方法 | |
Ashtari et al. | A new reliable approach for Persian license plate detection on colour images | |
Chowdhury et al. | Identification of unauthorized vehicles by license plate recognition through image processing | |
Rokonuzzaman et al. | Automatic vehicle identification system using machine learning and robot operating system (ROS) | |
Kodwani et al. | Automatic license plate recognition in real time videos using visual surveillance techniques | |
Ahmed et al. | Developing an algorithm for sequential sorting of discrete and connected characters using image processing of multi-line license plates | |
Al Awaimri et al. | Vehicles Number Plate Recognition Systems A Systematic Review | |
Alaidi et al. | Plate detection and recognition of Iraqi license plate using KNN algorithm | |
Bhardwaj et al. | Comparison of ML algorithms for identification of Automated Number Plate Recognition | |
Biswas et al. | An enhancement of number plate recognition based on artificial neural network | |
M Aziz | Ishik university gate control based on Kurdistan license plate | |
KR102595910B1 (ko) | 차량 번호 자동인식 시스템 및 그 방법 | |
Sharma et al. | Performance comparison of various techniques for automatic licence plate recognition systems | |
Mounica et al. | Image Processing based RTO Number Plate Recognizer |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120704 Termination date: 20190930 |