CN103824091A - 一种用于智能交通系统的车牌识别方法 - Google Patents
一种用于智能交通系统的车牌识别方法 Download PDFInfo
- Publication number
- CN103824091A CN103824091A CN201410069100.XA CN201410069100A CN103824091A CN 103824091 A CN103824091 A CN 103824091A CN 201410069100 A CN201410069100 A CN 201410069100A CN 103824091 A CN103824091 A CN 103824091A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- vehicle license
- recognition method
- transportation system
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000005286 illumination Methods 0.000 claims description 9
- 230000019771 cognition Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002386 leaching Methods 0.000 description 2
- 206010006895 Cachexia Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 208000016318 wasting Diseases 0.000 description 1
Images
Abstract
本发明公开了一种用于智能交通系统的车牌识别方法。该方法是在车牌图像提取的基础上,结合机器学习与模板匹配的思想:在车牌学习训练阶段,首先对车牌图像归一化操作、再进行LBP特征提取以及基于级联分类器的机器学习与训练,得到车牌图像的分类器识别模型;在车牌区域检测阶段对得到的车牌区域进行车牌校正、连通区域分割得到精确的车牌字符区域;最后在获得的每个字符区域上使用模板匹配算法进行字符识别,从而得出车牌号。本发明在图像特征提取的基础上,把图像处理领域中应用广泛的LBP特征和级联分类器有效地结合在一起。本发明在保障完成基本识别功能的前提下,具有结构简单、复杂度低、算法效率高的优点,尤其适合在智能交通系统中应用。
Description
技术领域
本发明属于智能交通领域,具体涉及一种于智能交通系统中的车牌识别方法。
背景技术
机器学习算法是一种自适应学习算法,它能够根据不同类别的输入训练样本特征值自动拟合出相应的分类面,从而为后续的识别与检测工作提供可靠的先验知识。这种方法的优点是,在样本特征表征全面且样本量充足的条件下能够进行很好的分类工作,同时对于不良数据的容忍力较强,可以适应多种不同的数据环境。因此机器学习算法广泛应用于图像分类、图像物体定位、图像检索、图像物体识别、视频对象跟踪等多个图像处理领域。近年来伴随机器学习算法,特别是级联分类器(Adaboost)技术的不断发展,该技术的应用极大的推动了计算机视觉技术的发展,并对人们的现实生活产生了深远的影响。
车牌识别是智能交通系统中的一项重要组成部分。一方面车牌识别可以为交通事件检测提供可靠的证据;另一方面通过车牌识别也可以减少公安系统人力的投入,从而避免一些不必要的资源浪费。
目前有很多有关车牌识别方面的研究,也出现了很多相应的方法,车牌定位部分大致可以分为两大类:基于边缘信息的车牌定位和基于机器学习结合车牌先验知识的车牌定位。
在不同的场景下拍摄的车牌图像往往包含较多的阴影、光照、移动背景等无关信息,这会给后续的一些边缘检测、图像二值化等操作带来很多意想不到的误差,从而直接导致车牌定位不准确,因此基于边缘信息类方法的识别率是较低的。相对来讲基于机器学习的方法准确率较高,分类器能够在训练样本足够大的情况下找到车牌和非车牌之间的分界线,此外,该类方法对于无关数据的干扰有较强的容忍度,能够适应较多的识别场景。
对于识别车牌字符的方法来讲,大致也可以分为两类:基于模型匹配的字符识别和基于神经网络的字符识别。
神经网络模型建模相对复杂且模型不能有效地满足各类识别情况等影响,使得该类方法的识别率较低,并且适应的环境也相对单一且不具有有效地抗干扰性。与神经网络类字符识别方法相比,模板匹配的识别效率更高,在普通的环境下能够很好的识别字符,而且不用进行复杂的参数设置,具有比较好的实用性。
伴随我国交通事业的不断发展,智能交通系统的功能会越来越完善,一方面对于车牌识别的要求越来越高,另一方面车牌识别的环境却越来越复杂。因此如何制定出一种可靠、鲁棒的车牌检测和识别算法是十分有必要的。
发明内容
本发明针对现有技术的不足,提出了一种用于智能交通系统的车牌识别方法。该方法以描述车牌的LBP特征为基础,融入了机器学习和模板匹配,充分提高了车牌检测和识别的效率,可以有效地对一定大小的车牌进行识别,对于完善智能交通系统是有积极意义的。
为了实现上述目的,本发明采用如下技术解决方案:
一种用于智能交通系统的车牌识别方法,包括以下步骤:
a在车牌学习训练阶段,首先对相应的样本车辆图像进行分辨率归一化操作,再提取描述图像整体纹理的LBP特征,然后利用得到的LBP特征通过基于级联分类器的学习算法对车牌进行归类学习训练,得到分类器识别模型;
b在车牌区域检测阶段,首先对获取的图像进行光照归一化处理,以降低光照对车牌检测的影响,再通过步骤a得到的识别模型进行类别判定获得车牌候选区域,然后对车牌候选区域进行颜色空间变换,判断候车牌选区域可能出现车牌的概率,根据车牌颜色占候选区域的比例去除伪车牌区域,得到最终检测出的车牌区域;
c在得到车牌区域之后对车牌进行校正,首先根据车牌先验知识寻找车牌区域最长的线段,根据这个线段校正车牌角度,然后根据区域联通算法结合车牌先验知识精确的分割出每一个字符区域;
d在获得的每个字符区域上进行二值化操作,并对得到的二值图像使用模板匹配算法进行字符识别,从而得出车牌号。
上述步骤a中,样本车牌图像在进行LBP特征提取时分辨率归一化为60*17。
上述步骤a中,对样本车牌图像进行LBP特征的提取,具体提取过程如下:首先将样本车牌图像的检测窗口划分为16×16的子区域,对于每个子区域中的一个像素,将其环形邻域内的8个点进行顺时针或逆时针的比较,如果中心像素值比该邻点大,则将邻点赋值为1,否则赋值为0,这样每个点都会获得一个8位二进制数;计算每个子区域的直方图,即每个数字出现的频率,然后对该直方图进行归一化处理;最后将得到的每个子区域的统计直方图进行级联,就得到了样本车牌图像的LBP特征。
上述步骤a中,样本车牌图像在进行LBP特征提取之前,首先采用灰度拉伸进行图像增强。
上述步骤b中,进行车牌区域检测之前,首先采用灰度拉伸进行图像增强。
其中,图像增强的具体做法如下:
首先获取图像的最大灰度值和最小灰度值,用最大灰度减去最小灰度值获得灰度差,用255除以灰度差获取变换因子,用每个点的灰度值减去最小灰度值,然后再乘以变换因子得到新的灰度值,经过上述运算,图像的对比度得到明显增强。
上述步骤b中,在得到车牌候选区域之后,将每个区域由RGB颜色空间变换到HSI颜色空间,遍历每一点的H值,若某个点的H值在238和242之间,将这个位置变为1,否则变为0,最后统计为1的像素所占的面积,若面积大于0.7,则判定该区域为车牌区域。
上述述步骤c中,首先使用区域联通算法生成连通区域,然后车牌字符分布先验知识指导连通区域进行合并,最终产生分隔好的单个字符区域。
本发明具有如下优点:
本发明针对智能交通系统中车牌识别的实际情况,将整个识别工作分为三个部分。在车牌学习训练阶段,首先对车牌图像归一化操作、再进行LBP特征提取以及基于级联分类器的机器学习与训练,得到车牌图像的分类器识别模型;在车牌区域检测阶段对得到的车牌区域进行车牌校正、连通区域分割得到精确的车牌字符区域;最后在获得的每个字符区域上使用模板匹配算法进行字符识别,从而得出车牌号,以上方法可以适应多种识别场景,并在相当的程度上提高了识别精度。本发明中,图像的特征描述子能够全面的描述图像的梯度、纹理和边缘信息,分类器级联算法能够对无关数据的干扰有较强的容忍度,并且能够适应多种识别场景。在获得初始结果后进行了车牌候选区域的筛选,有效提高了车牌识别准确率。本发明在图像特征提取的基础上,把图像处理领域中应用非常广泛的LBP特征和级联分类器有效地结合在一起。本发明在保障完成基本识别功能的前提下,具有结构简单、复杂度低、算法效率高的优点,尤其适合在智能交通系统中应用。
附图说明
图1为本发明中一种用于智能交通系统的车牌识别方法的流程框图:
图2为对车牌图像进行LBP特征提取的流程框图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
结合图1所示,一种用于智能交通系统的车牌识别方法,包括以下步骤:
a在车牌学习训练阶段,首先对相应的样本车牌图像进行分辨率归一化操作,以降低光照对车牌检测的影响,再提取描述图像整体纹理的LBP特征,然后利用得到的LBP特征通过基于级联分类器的学习算法对车牌进行归类学习训练,得到分类器识别模型;其中,样本车牌图像由正样本和负样本组成,正样本中包含车牌图像,负样本中不包含车牌图像,上述分辨率归一化操作只针对正样本进行;
b在车牌区域检测阶段,首先对获取的图像进行光照归一化处理,以降低光照对车牌检测的影响,然后通过步骤a得到的识别模型进行类别判定获得车牌候选区域,即将获取的图像缩放到5个尺度,在每个尺度的图像上均使用LBP提取特征,进行滑窗匹配,如果在图像的同一个区域的三个尺度上都能检测到车牌,就认为这个区域就是车牌候选区域,然后对车牌候选区域进行颜色空间变换,判断候车牌选区域可能出现车牌的概率,根据车牌颜色占候选区域的比例去除伪车牌区域,得到最终检测出的车牌区域;
c在得到车牌区域之后对车牌进行校正,首先根据车牌先验知识寻找车牌区域最长的线段,根据这个线段校正车牌角度,然后根据区域联通算法结合车牌先验知识精确的分割出每一个字符区域;
d在获得的每个字符区域上进行二值化操作,并对得到的二值图像使用模板匹配算法进行字符识别,从而得出车牌号。
其中,步骤a中,样本车牌图像在进行LBP特征提取时分辨率归一化为60*17。
步骤a中,对样本车牌图像进行LBP特征的提取,具体提取过程如下:首先将样本车牌图像的检测窗口划分为16×16的子区域,对于每个子区域中的一个像素,将其环形邻域内的8个点进行顺时针或逆时针的比较,如果中心像素值比该邻点大,则将邻点赋值为1,否则赋值为0,这样每个点都会获得一个8位二进制数,接着再转换为十进制数;然后计算每个子区域的直方图,即每个数字出现的频率,然后对该直方图进行归一化处理;最后将得到的每个子区域的统计直方图进行级联,就得到了样本车牌图像的LBP特征,如图2所示。
优选地,步骤a中,样本车牌图像在进行LBP特征提取之前,首先采用灰度拉伸进行图像增强,以提高图像的对比度,减少光照影响。
优选地,步骤b中,进行车牌区域检测之前,首先采用灰度拉伸进行图像增强,以提高图像的对比度,减少光照影响。
其中,图像增强的具体做法如下:
首先获取图像的最大灰度值和最小灰度值,用最大灰度减去最小灰度值获得灰度差,用255除以灰度差获取变换因子,用每个点的灰度值减去最小灰度值,然后再乘以变换因子得到新的灰度值,经过上述运算,图像的对比度得到明显增强。
步骤b中,在得到车牌候选区域之后,将每个区域由RGB颜色空间变换到HSI颜色空间,利用车牌在HSI颜色空间与周围物体有显著差异的特点去除伪车牌,在去噪部分取得满意的结果,其具体做法如下:遍历每一点的H值,若某个点的H值在238和242之间,将这个位置变为1,否则变为0,最后统计为1的像素所占的面积,若面积大于0.7,则判定该区域为车牌区域。
上述述步骤c中,首先使用区域联通算法生成连通区域,然后车牌字符分布先验知识指导连通区域进行合并,最终产生分隔好的单个字符区域。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、或明显变形形式均落在本说明书的实质范围之内,理应收到本发明的保护。
Claims (8)
1.一种用于智能交通系统的车牌识别方法,其特征在于,包括以下步骤:
a在车牌学习训练阶段,首先对相应的样本车辆图像进行分辨率归一化操作,再提取描述图像整体纹理的LBP特征,然后利用得到的LBP特征通过基于级联分类器的学习算法对车牌进行归类学习训练,得到分类器识别模型;
b在车牌区域检测阶段,首先对获取的图像进行光照归一化处理,再通过步骤a得到的识别模型进行类别判定获得车牌候选区域,然后对车牌候选区域进行颜色空间变换,判断候车牌选区域可能出现车牌的概率,根据车牌颜色占候选区域的比例去除伪车牌区域,得到最终检测出的车牌区域;
c在得到车牌区域之后对车牌进行校正,首先根据车牌先验知识寻找车牌区域最长的线段,根据这个线段校正车牌角度,然后根据区域联通算法结合车牌先验知识精确的分割出每一个字符区域;
d在获得的每个字符区域上进行二值化操作,并对得到的二值图像使用模板匹配算法进行字符识别,从而得出车牌号。
2.根据权利要求1所述的一种用于智能交通系统的车牌识别方法,其特征在于,所述步骤a中,样本车牌图像在进行LBP特征提取时分辨率归一化为60*17。
3.根据权利要求1所述的一种用于智能交通系统的车牌识别方法,其特征在于,所述步骤a中,对样本车牌图像进行LBP特征提取的具体过程如下:
首先将样本车牌图像的检测窗口划分为16×16的子区域,对于每个子区域中的一个像素,将其环形邻域内的8个点进行顺时针或逆时针的比较,如果中心像素值比该邻点大,则将邻点赋值为1,否则赋值为0,这样每个点都会获得一个8位二进制数;计算每个子区域的直方图,即每个数字出现的频率,然后对该直方图进行归一化处理;最后将得到的每个子区域的统计直方图进行级联,就得到了样本车牌图像的LBP特征。
4.根据权利要求1所述的一种用于智能交通系统的车牌识别方法,其特征在于,所述步骤a中,样本车牌图像在进行LBP特征提取之前,首先采用灰度拉伸进行图像增强。
5.根据权利要求1所述的一种用于智能交通系统的车牌识别方法,其特征在于,所述步骤b中,进行车牌区域检测之前,首先采用灰度拉伸进行图像增强。
6.根据权利要求1所述的一种用于智能交通系统的车牌识别方法,其特征在于,所述步骤b中,在得到车牌候选区域之后,将每个区域由RGB颜色空间变换到HSI颜色空间,遍历每一点的H值,若某个点的H值在238和242之间,将这个位置变为1,否则变为0,最后统计为1的像素所占的面积,若面积大于0.7,则判定该区域为车牌区域。
7.根据权利要求1所述的一种用于智能交通系统的车牌识别方法,其特征在于,所述步骤c中,首先使用区域联通算法生成连通区域,然后车牌字符分布先验知识指导连通区域进行合并,最终产生分隔好的单个字符区域。
8.根据权利要求4或5所述的一种用于智能交通系统的车牌识别方法,其特征在于,所述图像增强的具体做法如下:
首先获取图像的最大灰度值和最小灰度值,用最大灰度减去最小灰度值获得灰度差,用255除以灰度差获取变换因子,用每个点的灰度值减去最小灰度值,然后再乘以变换因子得到新的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410069100.XA CN103824091B (zh) | 2014-02-27 | 2014-02-27 | 一种用于智能交通系统的车牌识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410069100.XA CN103824091B (zh) | 2014-02-27 | 2014-02-27 | 一种用于智能交通系统的车牌识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103824091A true CN103824091A (zh) | 2014-05-28 |
CN103824091B CN103824091B (zh) | 2017-11-03 |
Family
ID=50759143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410069100.XA Expired - Fee Related CN103824091B (zh) | 2014-02-27 | 2014-02-27 | 一种用于智能交通系统的车牌识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103824091B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
CN104820831A (zh) * | 2015-05-13 | 2015-08-05 | 沈阳聚德视频技术有限公司 | 基于AdaBoost车牌定位的前车脸识别方法 |
CN104966047A (zh) * | 2015-05-22 | 2015-10-07 | 浪潮电子信息产业股份有限公司 | 一种车牌识别的方法及装置 |
CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
CN105279488A (zh) * | 2015-10-16 | 2016-01-27 | 西南交通大学 | 一种公路视频巡检的里程标识牌自动识别方法 |
CN107194393A (zh) * | 2016-03-15 | 2017-09-22 | 杭州海康威视数字技术股份有限公司 | 一种检测临时车牌的方法及装置 |
CN107273889A (zh) * | 2017-04-27 | 2017-10-20 | 浙江工业大学 | 一种基于统计的车牌识别方法 |
CN108288386A (zh) * | 2018-01-29 | 2018-07-17 | 深圳信路通智能技术有限公司 | 基于视频的路内停车跟踪方法 |
CN109552689A (zh) * | 2018-12-28 | 2019-04-02 | 浙江中烟工业有限责任公司 | 烟包税票在线检测系统及方法以及包含该在线检测系统的税票烟包输送系统 |
CN112380973A (zh) * | 2020-11-12 | 2021-02-19 | 深兰科技(上海)有限公司 | 交通信号灯的识别方法和系统 |
CN112733856A (zh) * | 2020-12-31 | 2021-04-30 | 成都福立盟环保大数据有限公司 | 一种大型车辆放大车牌的识别方法 |
CN112801093A (zh) * | 2021-01-11 | 2021-05-14 | 爱泊车美好科技有限公司 | 一种车牌信息的校准方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284757A (zh) * | 2018-08-31 | 2019-01-29 | 湖南星汉数智科技有限公司 | 一种车牌识别方法、装置、计算机装置及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408942A (zh) * | 2008-04-17 | 2009-04-15 | 浙江师范大学 | 一种复杂背景下的车牌定位方法 |
CN101794382A (zh) * | 2010-03-12 | 2010-08-04 | 华中科技大学 | 一种实时公交车客流量统计的方法 |
CN102129572A (zh) * | 2011-02-25 | 2011-07-20 | 杭州海康威视软件有限公司 | 采用级联分类器的人脸检测方法及其装置 |
-
2014
- 2014-02-27 CN CN201410069100.XA patent/CN103824091B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408942A (zh) * | 2008-04-17 | 2009-04-15 | 浙江师范大学 | 一种复杂背景下的车牌定位方法 |
CN101794382A (zh) * | 2010-03-12 | 2010-08-04 | 华中科技大学 | 一种实时公交车客流量统计的方法 |
CN102129572A (zh) * | 2011-02-25 | 2011-07-20 | 杭州海康威视软件有限公司 | 采用级联分类器的人脸检测方法及其装置 |
Non-Patent Citations (1)
Title |
---|
赵元兴: "用于车牌定位的分类器设计与相关算法研究", 《中国硕士学位论文全文数据库·信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298976B (zh) * | 2014-10-16 | 2017-09-26 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
CN104820831A (zh) * | 2015-05-13 | 2015-08-05 | 沈阳聚德视频技术有限公司 | 基于AdaBoost车牌定位的前车脸识别方法 |
CN104966047A (zh) * | 2015-05-22 | 2015-10-07 | 浪潮电子信息产业股份有限公司 | 一种车牌识别的方法及装置 |
CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
CN105046196B (zh) * | 2015-06-11 | 2018-04-17 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
CN105279488A (zh) * | 2015-10-16 | 2016-01-27 | 西南交通大学 | 一种公路视频巡检的里程标识牌自动识别方法 |
CN105279488B (zh) * | 2015-10-16 | 2018-12-25 | 西南交通大学 | 一种公路视频巡检的里程标识牌自动识别方法 |
CN107194393A (zh) * | 2016-03-15 | 2017-09-22 | 杭州海康威视数字技术股份有限公司 | 一种检测临时车牌的方法及装置 |
CN107194393B (zh) * | 2016-03-15 | 2020-02-18 | 杭州海康威视数字技术股份有限公司 | 一种检测临时车牌的方法及装置 |
CN107273889A (zh) * | 2017-04-27 | 2017-10-20 | 浙江工业大学 | 一种基于统计的车牌识别方法 |
CN108288386A (zh) * | 2018-01-29 | 2018-07-17 | 深圳信路通智能技术有限公司 | 基于视频的路内停车跟踪方法 |
CN109552689A (zh) * | 2018-12-28 | 2019-04-02 | 浙江中烟工业有限责任公司 | 烟包税票在线检测系统及方法以及包含该在线检测系统的税票烟包输送系统 |
CN112380973A (zh) * | 2020-11-12 | 2021-02-19 | 深兰科技(上海)有限公司 | 交通信号灯的识别方法和系统 |
CN112380973B (zh) * | 2020-11-12 | 2023-06-23 | 深兰科技(上海)有限公司 | 交通信号灯的识别方法和系统 |
CN112733856A (zh) * | 2020-12-31 | 2021-04-30 | 成都福立盟环保大数据有限公司 | 一种大型车辆放大车牌的识别方法 |
CN112801093A (zh) * | 2021-01-11 | 2021-05-14 | 爱泊车美好科技有限公司 | 一种车牌信息的校准方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103824091B (zh) | 2017-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103824091B (zh) | 一种用于智能交通系统的车牌识别方法 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
CN104715239B (zh) | 一种基于去雾处理和权重分块的车辆颜色识别方法 | |
CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
CN104156704A (zh) | 一种新的车牌识别方法及系统 | |
CN107016362B (zh) | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统 | |
CN105354533B (zh) | 一种基于词袋模型的卡口无牌车辆车型识别方法 | |
CN104966054B (zh) | 无人机可见光图像中的弱小目标检测方法 | |
CN106127193B (zh) | 一种人脸图像识别方法 | |
Prabhakar et al. | A novel design for vehicle license plate detection and recognition | |
CN111429376A (zh) | 高低精度融合的高效数字图像处理方法 | |
CN108764230A (zh) | 一种基于卷积神经网络的银行卡号自动识别方法 | |
Branch | A novel morphological method for detection and recognition of vehicle license plates | |
CN104361333A (zh) | 一种交通限速标志识别方法和装置 | |
CN106485234A (zh) | 一种基于智能交通系统中车辆识别方法 | |
Dai et al. | Improving the performance of vehicle detection system in bad weathers | |
Shi et al. | License plate localization in complex environments based on improved GrabCut algorithm | |
Goel et al. | Vehicle registration plate recognition system using template matching | |
CN110046618B (zh) | 基于机器学习和最大极值稳定区域的车牌识别方法 | |
CN104123553A (zh) | 一种基于级联形态学变换的车牌定位方法及系统 | |
TWI603268B (zh) | 車牌辨識之影像處理系統及方法 | |
CN104504384B (zh) | 车标识别方法及其识别系统 | |
CN103065137A (zh) | 一种车牌字符识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
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: 20171103 |