CN104484655B - 一种基于视频图像的车牌区域定位方法及系统 - Google Patents
一种基于视频图像的车牌区域定位方法及系统 Download PDFInfo
- Publication number
- CN104484655B CN104484655B CN201410799504.4A CN201410799504A CN104484655B CN 104484655 B CN104484655 B CN 104484655B CN 201410799504 A CN201410799504 A CN 201410799504A CN 104484655 B CN104484655 B CN 104484655B
- Authority
- CN
- China
- Prior art keywords
- image
- block
- height
- license plate
- module
- 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
Landscapes
- Traffic Control Systems (AREA)
- Vehicle Waterproofing, Decoration, And Sanitation Devices (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频图像的车牌区域定位方法及系统,所述方法包括图像纵向特征检测、图像二值化、连通图像的横向相邻区域、纵向切割图像、合并相关子区域以及区块选取;所述系统包括图像纵向特征检测模块、图像二值化模块、横向相邻区域连通模块、纵向切割模块、合并相关子区域模块和区块选取模块。本发明方法及系统采用的边缘检测算法对车牌颜色、图像背景、图像质量的兼容性都非常好,对于不同颜色的车牌及严重模糊的图像,都能有效地提取出车牌区域的特征,可以处理具有复杂背景的车辆视频图像,能够稳定、高效地完成图像中的车牌区域定位,解决了现有算法计算复杂度较高,需要的计算时间过长的问题,有效提升车牌定位识别的准确率。
Description
技术领域
本发明涉及一种车牌定位方法,尤其是一种基于视频图像的车牌区域定位方法及系统。属于车牌识别领域。
背景技术
随着生产力水平的不断提高,各城市的汽车保有量不断增加,传统的交通管理模式正面临着极大的挑战。近年来计算机技术在交通领域开始得到广泛的应用。如交通系统、车辆年检系统、小区自动收费系统、路面卡口管理系统。都向自动化管理转型,车牌自动识别技术开始得到了社会各界的认可。所以视频图像车牌自动识别技术是交通管理领域中不可替代的重要功能,它具有术高的经济保监会和实用价值。
视频图像的车牌自动识别技术,主要分为三大模块,车牌区域定位算法、车牌图像字符切割算法、车牌字符识别算法。
由于在实际的应用环境中,原始图像的灰度变化、车牌区域与车身区域的对比强度的大小、复杂背景的干扰对车牌区域定位都有很大的影响。兼容性强的车牌区域定位算法是整个车牌识别过程的核心。
车牌区域定位的算法分为三类,第一类是基于边缘的算法,第二类是基于颜色的算法,第三类是基于机器学习的算法。基于边缘和基于颜色的车牌区域定位算法都过分依赖于车牌边缘与车牌的对比程度,如果图像的边比模糊不清将严重影响车牌定位的效果,另外基于边缘检测的算法过分依懒于图像的清淅度;而基于颜色的算法对图像是的色彩对比如、色彩的准确度要求太高,在强光照射的环影与昏暗的环景定位参数偏差太大,适应性不强;而基于机器学习的算法的主要利用人工神经网络技术实现,这类算法基本可以达到85%以上的车牌区域检测率。但是这些算法的计算复杂度较高,需要的计算时间过长,难以适应在高速功能这类对计算时间要求苛刻的应用环境。
发明内容
本发明的目的是为了解决上述现有技术的缺陷,提供一种基于视频图像的车牌区域定位方法,该方法可以处理具有复杂背景的车辆视频图像,能够稳定、高效地完成图像中的车牌区域定位。
本发明的另一目的在于提供一种基于视频图像的车牌区域定位系统。
本发明的目的可以通过采取如下技术方案达到:
一种基于视频图像的车牌区域定位方法,其特征在于所述方法包括:
图像纵向特征检测:利用边缘检测算子对显示有车牌的车辆视频图像进行处理,保留原图像的纵向纹理特征;
图像二值化:先对仅保留了纵向纹理特征的图像信息进行高斯模糊处理,使各种纵向纹理与相邻的其它纵向纹理相连通,再横向将图像分割成多个大小相同的区块,分别对每个区块进行单独的二值化;
连通图像的横向相邻区域:将二值化后的图像横向方向上任意两个间隔不超过图像中车牌字符间距2倍的像素进行连通,即填充这两个像素之间的所有像素;
纵向切割图像:每间隔不超过图像中车牌字符间距2倍的距离纵向切割一次图像,生成接近于图像中车牌字符宽度而高度不一的存在图像元素的区块;
合并相关子区域:将高度条件满足图像中车牌字符特征的区块保留,然后将这些区块与高度相近,并且在图像中所处的位置顶部、底部纵坐标相近的相邻区块合并在一起;
区块选取:在合并后的区块中选取宽高比例接近于车牌宽高比例标准的区块,即选取宽度与高度的比值在3.2~4.9之间的区块,完成车牌区域定位。
作为一种优选方案,在图像纵向特征检测过程中,采用的边缘检测算子为
作为一种优选方案,在图像二值化过程中,所述多个大小相同的区块是多个高度不超过图像中车牌所在区域高度的2倍、宽度为整幅图像宽度的区块。
作为一种优选方案,在合并相关子区域过程中,所述高度相近是指两个区块之间的高度之差小于这两个区块中的高度最大值的二分之一;在图像中所处的位置顶部纵坐标相近是指两个区块的顶部纵坐标之间的高度之差小于这两个区块中的高度最大值的二分之一;在图像中所处的位置底部纵坐标相近是指两个区块的底部纵坐标之间的高度之差小于这两个区块中的高度最大值的二分之一。
作为一种优选方案,在图像二值化过程中,所述每个区块二值化时的阈值采用大津法计算得到。
本发明的另一目的可以通过采取如下技术方案达到:
一种基于视频图像的车牌区域定位系统,其特征在于所述系统包括:
图像纵向特征检测模块,用于利用边缘检测算子对显示有车牌的车辆视频图像进行处理,保留原图像纵向纹理特征;
图像二值化模块,用于先对仅保留了纵向纹理特征的图像信息进行高斯模糊处理,使各种纵向纹理与相邻的其它纵向纹理相连通,再横向将图像分割成多个大小相同的区块,分别对每个区块进行单独的二值化;
横向相邻区域连通模块,用于将二值化后的图像横向方向上任意两个间隔不超过图像中车牌字符间距2倍的像素进行连通,,即填充这两个像素之间的所有像素;
纵向切割模块,用于每间隔不超过图像中车牌字符间距2倍的距离纵向切割一次图像,生成接近于图像中车牌字符宽度而高度不一的存在图像元素的区块;
合并相关子区域模块,用于将高度条件满足图像中车牌字符特征的区块保留,然后将这些区块与高度相近,并且在图像中所处的位置顶部、底部纵坐标相近的相邻区块合并在一起;
区块选取模块,用于在合并后的区块中选取宽高比例接近于车牌宽高比例标准的区块,即选取宽度与高度的比值在3.2~4.9之间的区块,完成车牌区域定位。
作为一种优选方案,在图像纵向特征检测模块中,采用的边缘检测算子为
作为一种优选方案,在图像二值化模块中,所述多个大小相同的区块是多个高度不超过图像中车牌所在区域高度的2倍、宽度为整幅图像宽度的区块。
作为一种优选方案,在合并相关子区域模块中,所述高度相近是指两个区块之间的高度之差小于这两个区块中的高度最大值的二分之一;在图像中所处的位置顶部纵坐标相近是指两个区块的顶部纵坐标之间的高度之差小于这两个区块中的高度最大值的二分之一;在图像中所处的位置底部纵坐标相近是指两个区块的底部纵坐标之间的高度之差小于这两个区块中的高度最大值的二分之一。
作为一种优选方案,在图像二值化模块中,所述每个区块二值化时的阈值采用大津法计算得到。
本发明相对于现有技术具有如下的有益效果:
1、本发明方法及系统选择合适的边缘检测算子可以将图像的大部背景区域及图像干扰区域过滤掉,从而检测出车辆视频图像(该图像显示有车牌)中的纵向特征,这种边缘检测算法对车牌颜色、图像背景、图像质量的兼容性都非常好,对于不同颜色的车牌及严重模糊的图像,都能有效地提取出车牌区域的特征。
2、本发明方法及系统通过图像纵向特征检测、图像二值化、连通图像的横向相邻区域、纵向切割图像、合并相关子区域以及区块选取这几个步骤,可以处理具有复杂背景的车辆视频图像,能够稳定、高效地完成图像中的车牌区域定位,解决了现有算法计算复杂度较高,需要的计算时间过长的问题,能够适应在高速功能这类对计算时间要求苛刻的应用环境。
附图说明
图1为本发明实施例1的车牌区域定位方法流程示意图。
图2为本发明实施例1的车牌区域定位方法中经过图像纵向特征检测后的图像示意图。
图3为本发明实施例1的车牌区域定位方法中经过图像二值化后的图像示意图。
图4为本发明实施例1的车牌区域定位方法中经过连通图像的横向相邻区域后的图像示意图。
图5为本发明实施例1的车牌区域定位方法中经过纵向切割后的图像示意图。
图6为本发明实施例1的车牌区域定位方法中经过合并相关子区域后的图像示意图。
图7为本发明实施例2的车牌区域定位系统的结构图。
具体实施方式
实施例1:
如图1所示,本实施例的车牌区域定位方法包括以下步骤:
S1、图像纵向特征检测:经过观察,可以发现大部份显示有车牌的车辆视频图像,车牌区域与其它区域相比有一个明显的特征——车牌区域中因为包含7个左右的字符,这些字符颜色与车牌背景颜色有明显的反差,而对这些字符模糊化处理以后,整张图像的车牌区域就有了明显的纵向纹理特征,因此选择合适的边缘检测算子就可以检测出这些纵向的纹理特征;
本实施例在拍摄到显示有车牌的车辆视频图像后,利用边缘检测算子对车辆视频图像进行处理,可以过滤掉图像的大部背景区域及图像干扰区域,从而有效保留原图像的纵向纹理特征;而边缘检测算法经过修改后突出了纵向线条的特征,其代码片段如下:
经过该步骤处理的图像如图2所示,可看到车牌所在区域的纹理特征已比较明显,这种边缘检测算法对车牌颜色、图像背景、图像质量的兼容性都非常好,对于不同颜色的车牌及严重模糊的图像,都能有效地提取出车牌区域的特征;
S2、图像二值化:先对仅保留了纵向纹理特征的图像信息进行高斯模糊处理,使各种纵向纹理与相邻的其它纵向纹理相连通,再横向将图像分割成多个高度不超过图像中车牌所在区域高度的2倍(高度优选为17像素,经过测试选取这个高度能兼容不同像素拍摄的车辆视频图像的值)、宽度为整幅图像宽度的区块,分别对每个区块进行单独的二值化,每个区块二值化时的阈值采用大津法(OTSU)计算得到,经过该步骤处理的图像如图3所示;
图像二值化主要用到的图像处理算法有高斯模糊算法、OTSU二值化算法,这些都是现有的成熟算法理论,以下是把经过高期模糊后的灰度图像分块进行OTSU二值化的代码片段:
S3、连通图像的横向相邻区域:将二值化后的图像横向方向(X轴)上任意两个间隔不超过图像中车牌字符间距2倍(间隔优选为10像素,经过测试选取这个间隔能兼容不同像素拍摄的车辆视频图像的值)的像素进行连通,即填充这两个像素之间的所有像素;
经过该步骤处理的图像如图4所示,图像中车牌所在的区域基本已经连通在一起,形成一个包含车牌所有区域的大区块,但在这个步骤中有可能会使车牌附近其它的干扰物与车牌相连,这样会影响车牌区域的精确定位。连通图像横向相邻区域的过程中还要同时删除宽度过窄的图形元素(即宽度小于字符宽度二分之一的图形元素),因为车牌区域中字符密集,经过连通横向相邻区域后一定会具有较宽的连通区域,所以过窄的图形元素一定在车牌区域外。代码片段如下:
S4、纵向切割图像:每间隔不超过图像中车牌字符间距2倍的距离(间隔优选为5像素,经过测试选取这个间隔能兼容不同像素拍摄的车辆视频图像的值)纵向切割一次图像(即删除该位置纵向方向上的所有像素点),以便分离出图像中与车牌连通的干扰物;
经过该步骤处理的图像如图5所示,生成接近于图像中车牌字符宽度而高度不一的存在图像元素的区块,代码片段如下:
S5、合并相关子区域:将高度条件满足图像中车牌字符特征的区块保留,然后将这些区块(以下称为自身区块)与高度相近,并且在图像中所处的位置顶部、底部接近的相邻区块合并在一起;
该步骤中,自身区块与相邻区块高度相近,是指自身区块与相邻区块之间的高度之差小于这两个区块中的高度最大值的二分之一;自身区块与相邻区块在图像中所处的位置顶部接近,是指自身区块的顶部与相邻区块的顶部纵坐标之间的高度之差小于这两个区块中的高度最大值的二分之一;自身区块与相邻区块在图像中所处的位置底部接近,是指自身区块的底部与相邻区块的底部纵坐标之间的高度之差小于这两个区块中的高度最大值的二分之一。
S6、区块选取:经过步骤S5处理的图像如图6所示,合并后的区块中如果宽高比例接近于国家的车牌长宽比例标准,那么这个区块就是车牌的候选区域了,其它的区块都是不符合的(太宽或太高),因此在合并后的区块中选取宽高比例接近于车牌宽高比例标准的区块,即选取宽度与高度的比值在3.2~4.9之间的区块,完成车牌区域定位。
实施例2:
如图7所示,本实施例的车牌区域定位系统包括:
图像纵向特征检测模块,用于利用边缘检测算子对显示有车牌的原图像进行处理,保留原图像纵向纹理特征;
图像二值化模块,用于先对仅保留了纵向纹理特征的图像信息进行高斯模糊处理,使各种纵向纹理与相邻的其它纵向纹理相连通,再将图像分割成多个大小相同的区块,分别对每个区块进行单独的二值化,每个区块二值化时的阈值采用大津法计算得到;
横向相邻区域连通模块,用于将二值化后的图像横向方向上任意两个间隔不超过图像中车牌字符间距2倍的像素进行连通,即填充这两个像素之间的所有像素;
纵向切割模块,用于每间隔不超过图像中车牌字符间距2倍的距离纵向切割一次图像,生成接近于图像中车牌字符宽度而高度不一的存在图像元素的区块;
合并相关子区域模块,用于将高度条件满足图像中车牌字符特征的区块保留,然后将这些区块与高度相近,并且在图像中所处的位置顶部、底部纵坐标相近的相邻区块合并在一起;
区块选取模块,用于在合并后的区块中选取宽高比例接近于车牌宽高比例标准的区块,即选取宽度与高度的比值在3.2~4.9之间的区块,完成车牌区域定位。
上述模块的具体处理过程同实施例1的车牌区域定位方法。
综上所述,本发明方法及系统可以处理具有复杂背景的车辆视频图像,能够稳定高效地完成图像中的车牌区域定位,解决了现有算法计算复杂度较高,需要的计算时间过长的问题,能够适应在高速功能这类对计算时间要求苛刻的应用环境。
以上所述,仅为本发明专利可选的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (8)
1.一种基于视频图像的车牌区域定位方法,其特征在于所述方法包括:
图像纵向特征检测:利用边缘检测算子对显示有车牌的车辆视频图像进行处理,保留原图像的纵向纹理特征;
图像二值化:先对仅保留了纵向纹理特征的图像信息进行高斯模糊处理,使各种纵向纹理与相邻的其它纵向纹理相连通,再横向将图像分割成多个大小相同的区块,分别对每个区块进行单独的二值化;
连通图像的横向相邻区域:将二值化后的图像横向方向上任意两个间隔不超过图像中车牌字符间距2倍的像素进行连通,即填充这两个像素之间的所有像素;
纵向切割图像:每间隔不超过图像中车牌字符间距2倍的距离纵向切割一次图像,生成接近于图像中车牌字符宽度而高度不一的存在图像元素的区块;
合并相关子区域:将高度条件满足图像中车牌字符特征的区块保留,然后将这些区块与高度相近,并且在图像中所处的位置顶部、底部纵坐标相近的相邻区块合并在一起;其中,所述高度相近是指两个区块之间的高度之差小于这两个区块中的高度最大值的二分之一;在图像中所处的位置顶部纵坐标相近是指两个区块的顶部纵坐标之间的高度之差小于这两个区块中的高度最大值的二分之一;在图像中所处的位置底部纵坐标相近是指两个区块的底部纵坐标之间的高度之差小于这两个区块中的高度最大值的二分之一;
区块选取:在合并后的区块中选取宽高比例接近于车牌宽高比例标准的区块,即选取宽度与高度的比值在3.2~4.9之间的区块,完成车牌区域定位。
2.根据权利要求1所述的一种基于视频图像的车牌区域定位方法,其特征在于:在图像纵向特征检测过程中,采用的边缘检测算子为
3.根据权利要求1所述的一种基于视频图像的车牌区域定位方法,其特征在于:在图像二值化过程中,所述多个大小相同的区块是多个高度不超过图像中车牌所在区域高度的2倍、宽度为整幅图像宽度的区块。
4.根据权利要求1所述的一种基于视频图像的车牌区域定位方法,其特征在于:在图像二值化过程中,所述每个区块二值化时的阈值采用大津法计算得到。
5.一种基于视频图像的车牌区域定位系统,其特征在于所述系统包括:
图像纵向特征检测模块,用于利用边缘检测算子对显示有车牌的车辆视频图像进行处理,保留原图像纵向纹理特征;
图像二值化模块,用于先对仅保留了纵向纹理特征的图像信息进行高斯模糊处理,使各种纵向纹理与相邻的其它纵向纹理相连通,再横向将图像分割成多个大小相同的区块,分别对每个区块进行单独的二值化;
横向相邻区域连通模块,用于将二值化后的图像横向方向上任意两个间隔不超过图像中车牌字符间距2倍的像素进行连通,即填充这两个像素之间的所有像素;
纵向切割模块,用于每间隔不超过图像中车牌字符间距2倍的距离纵向切割一次图像,生成接近于图像中车牌字符宽度而高度不一的存在图像元素的区块;
合并相关子区域模块,用于将高度条件满足图像中车牌字符特征的区块保留,然后将这些区块与高度相近,并且在图像中所处的位置顶部、底部纵坐标相近的相邻区块合并在一起;其中,所述高度相近是指两个区块之间的高度之差小于这两个区块中的高度最大值的二分之一;在图像中所处的位置顶部纵坐标相近是指两个区块的顶部纵坐标之间的高度之差小于这两个区块中的高度最大值的二分之一;在图像中所处的位置底部纵坐标相近是指两个区块的底部纵坐标之间的高度之差小于这两个区块中的高度最大值的二分之一;
区块选取模块,用于在合并后的区块中选取宽高比例接近于车牌宽高比例标准的区块,即选取宽度与高度的比值在3.2~4.9之间的区块,完成车牌区域定位。
6.根据权利要求5所述的一种基于视频图像的车牌区域定位系统,其特征在于:在图像纵向特征检测模块中,采用的边缘检测算子为
7.根据权利要求5所述的一种基于视频图像的车牌区域定位系统,其特征在于:在图像二值化模块中,所述多个大小相同的区块是多个高度不超过图像中车牌所在区域高度的2倍、宽度为整幅图像宽度的区块。
8.根据权利要求5所述的一种基于视频图像的车牌区域定位系统,其特征在于:在图像二值化模块中,所述每个区块二值化时的阈值采用大津法计算得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410799504.4A CN104484655B (zh) | 2014-12-18 | 2014-12-18 | 一种基于视频图像的车牌区域定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410799504.4A CN104484655B (zh) | 2014-12-18 | 2014-12-18 | 一种基于视频图像的车牌区域定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104484655A CN104484655A (zh) | 2015-04-01 |
CN104484655B true CN104484655B (zh) | 2018-07-06 |
Family
ID=52759196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410799504.4A Active CN104484655B (zh) | 2014-12-18 | 2014-12-18 | 一种基于视频图像的车牌区域定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104484655B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270309A (zh) * | 2020-11-20 | 2021-01-26 | 罗普特科技集团股份有限公司 | 一种车辆卡口设备抓拍质量评估方法、装置及可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183425A (zh) * | 2007-12-20 | 2008-05-21 | 四川川大智胜软件股份有限公司 | 粤港两地车牌定位方法 |
CN101246551A (zh) * | 2008-03-07 | 2008-08-20 | 北京航空航天大学 | 一种快速的车牌定位方法 |
CN101334837A (zh) * | 2008-07-31 | 2008-12-31 | 重庆大学 | 一种多方法融合的车牌图像定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040234105A1 (en) * | 2003-05-19 | 2004-11-25 | Quen-Zong Wu | Method of automatic vehicle licence plate recognition by color discrimination and reorganization |
-
2014
- 2014-12-18 CN CN201410799504.4A patent/CN104484655B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183425A (zh) * | 2007-12-20 | 2008-05-21 | 四川川大智胜软件股份有限公司 | 粤港两地车牌定位方法 |
CN101246551A (zh) * | 2008-03-07 | 2008-08-20 | 北京航空航天大学 | 一种快速的车牌定位方法 |
CN101334837A (zh) * | 2008-07-31 | 2008-12-31 | 重庆大学 | 一种多方法融合的车牌图像定位方法 |
Non-Patent Citations (5)
Title |
---|
《OpenCV在车牌识别中的应用》;姜莉莉 等;《软件》;20140619;第35卷(第4期);第45-47页 * |
《基于大津法的图像分块二值化算法》;李了了 等;《微计算机信息》;20051231;第21卷(第8-3期);第76-77页 * |
《复杂背景下快速车牌定位算法》;方万元 等;《计算机工程与应用》;20121231;第160-163页 * |
《自然环境下的车牌定位与字符分割方法的研究》;于深洋;《中国优秀硕士学位论文全文数据库 信息科技辑》;20061215(第12期);论文第2、3章 * |
《车牌识别系统的相关算法研究与实现》;刘同焰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130115(第1期);论文第2.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104484655A (zh) | 2015-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106296666B (zh) | 一种彩色图像去阴影方法和应用 | |
CN104915963B (zh) | 一种用于plcc元件的检测与定位方法 | |
CN105761308B (zh) | 一种地面LiDAR和影像数据融合的遮挡区域建筑物立面重建方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN107636727A (zh) | 一种目标检测的方法及装置 | |
CN107784301A (zh) | 用于识别图像中文字区域的方法和装置 | |
CN103020970A (zh) | 玉米果穗图像籽粒分割方法 | |
CN102999886A (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN109726717A (zh) | 一种车辆综合信息检测系统 | |
CN110544300B (zh) | 一种基于二维手绘图像特征自动生成三维模型的方法 | |
CN109886935A (zh) | 一种基于深度学习的道面异物检测方法 | |
CN108241859B (zh) | 车牌的校正方法及装置 | |
CN103544489A (zh) | 一种车标定位装置及方法 | |
CN106296773A (zh) | 一种生成多层次矢量图的方法与装置 | |
CN110298821A (zh) | 一种基于Faster R-CNN的钢筋检测方法 | |
CN109766892A (zh) | 一种基于边缘检测的射线检测图像标记信息字符分割方法 | |
CN103942756A (zh) | 一种深度图后处理滤波的方法 | |
CN103236056B (zh) | 基于模板匹配的图像分割方法 | |
CN102831419B (zh) | 一种快速的街景图像中车牌的检测模糊方法 | |
CN104484655B (zh) | 一种基于视频图像的车牌区域定位方法及系统 | |
CN109410233A (zh) | 一种边缘特征约束的高分辨率图像道路精准提取方法 | |
CN107945190A (zh) | 二值图像快速连通区域计算方法 | |
CN105046264B (zh) | 一种基于可见光与激光雷达图像的稀疏地物分类与标示方法 | |
CN108416346B (zh) | 车牌字符的定位方法及装置 | |
CN106815580A (zh) | 一种车牌定位方法 |
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 |