CN105787479A - 基于字符笔画结构的车牌二值化以及车牌字符提取方法 - Google Patents

基于字符笔画结构的车牌二值化以及车牌字符提取方法 Download PDF

Info

Publication number
CN105787479A
CN105787479A CN201610094185.6A CN201610094185A CN105787479A CN 105787479 A CN105787479 A CN 105787479A CN 201610094185 A CN201610094185 A CN 201610094185A CN 105787479 A CN105787479 A CN 105787479A
Authority
CN
China
Prior art keywords
license plate
image
character
point
len
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
Application number
CN201610094185.6A
Other languages
English (en)
Other versions
CN105787479B (zh
Inventor
彭莉
张如高
虞正华
郝明瑞
张彩红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOCOM SMART NETWORK TECHNOLOGIES Inc
Original Assignee
BOCOM SMART NETWORK TECHNOLOGIES Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOCOM SMART NETWORK TECHNOLOGIES Inc filed Critical BOCOM SMART NETWORK TECHNOLOGIES Inc
Priority to CN201610094185.6A priority Critical patent/CN105787479B/zh
Publication of CN105787479A publication Critical patent/CN105787479A/zh
Application granted granted Critical
Publication of CN105787479B publication Critical patent/CN105787479B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Character Input (AREA)
  • Vehicle Waterproofing, Decoration, And Sanitation Devices (AREA)

Abstract

本发明提供一种基于字符笔画结构的车牌二值化以及车牌字符提取方法，包括如下步骤：步骤a：获得车牌图像的梯度二值图像；步骤b：扫描所述梯度二值图像，记录所有满足匹配条件的点对；步骤c：获取车牌上的字符笔画的估计宽度范围；步骤d：统计两点之间的距离满足估计宽度范围的点对；步骤e：根据步骤d中获得的所有记录点对的距离长度获得字符笔画的精确宽度范围；步骤f：再次统计满足精确宽度范围的点对，并计算所述点对的夹角正负值数量，将所述正负符号中数量多者确定为车牌的颜色信息；步骤g：对车牌图像进行二值化，获得车牌二值化图像；以及步骤h：根据车牌二值化图像对车牌字符进行分割和提取。

Description

基于字符笔画结构的车牌二值化以及车牌字符提取方法
技术领域
本发明涉及智能交通技术领域，尤其涉及一种基于字符笔画结构的车牌二值化以及车牌字符提取方法。
背景技术
在智能交通领域，车牌识别是一项十分重要的技术。车牌识别技术一般包括车牌定位，车牌二值化，车牌字符切割，字符识别几个过程，其中车牌二值化效果，直接影响车牌识别技术的好坏，是整个车牌识别系统中的关键。
车牌二值化技术常用的方法有全局阈值法、局部阈值法、固定阈值法、自适应阈值法、以及联通区域法等方法，通过这些方法使得车牌字符区域和车牌底色区域能够分开，从而实现车牌字符的分割和提取。但常用的二值化方法不能适应各种车牌有污损或者有字符部分遮挡等复情况，通常会造成字符消失、严重粘连或严重噪声的情况出现，从而影响接下来的字符分割和提取的精度，造成字符边缘定位不精、字符不全、字符丢失、字符错位、假字符等问题，最终导致识别错误，影响整体的车牌识别率。
另外，车牌颜色可粗分为暗底亮字和亮底暗字两种，要正确的进行车牌图像二值化还必须要在二值化操作之前判断车牌的颜色属性，耗费更多的计算时间，同时判断正误也直接决定二值化过程的成功和失败，是一个不可忽视的步骤。
目前，车牌识别方法中车牌图像二值化步骤和字符切分步骤通常是串行运行的，大大影响了执行效率，时间效率低下。
以上因素严重影响了车牌二值化以及车牌字符定位和提取的速度和精度，因此，提出一种能够满足实际应用需要的、实现各种恶劣情况的实时车牌二值化以及字符切分技术显得十分必要，即一种更加鲁棒的车牌二值化方法以及基于该二值方法的高效字符切分技术，能够适应各种情况下车牌字符提取需求，从而提高车牌识别的整体性能。
发明内容
本发明实施例的目的是针对现有的车牌图像二值化和车牌字符切分的固有缺陷，即：
1、目前的车牌二值化方法不能适用于各种质量的车牌图像二值化需求；
2、必须花费步骤判断车牌的颜色属性；
3、不能将车牌二值化和车牌字符分割提取步骤进行并行处理，难以满足智能交通的实时性要求。
针对上述技术问题，本发明提供一种基于字符笔画结构的车牌二值化以及车牌字符提取方法，包括如下步骤：
步骤a：对车牌图像的每个像素点提取梯度信息以获得所述车牌图像的梯度二值图像；
步骤b：扫描所述梯度二值图像，记录所有满足匹配条件的点对；
步骤c：获取车牌上的字符笔画的估计宽度范围；
步骤d：统计两点之间的距离满足所述估计宽度范围的点对；
步骤e：根据步骤d中获得的所有记录点对的距离获得所述字符笔画的精确宽度范围；
步骤f：再次统计满足所述所述精确宽度范围的点对，并计算所述点对的夹角正负值数量，将所述正负符号中数量多者确定为车牌的颜色信息；
步骤g：根据所述字符笔画的精确宽度范围和所述车牌的颜色信息对所述车牌图像进行二值化，获得车牌二值化图像；以及
步骤h：根据车牌二值化图像对车牌字符进行分割和提取。
优选地，步骤a中，所述梯度信息包括所述梯度的幅值和方向值，依据车牌字符特点以及考虑计算效率，所述方向值离散到0°、180°、90°、270°、45°、135°、225°、315°八个值。
优选地，步骤a中，获得所述车牌图像的梯度二值图像的步骤进一步包括：
对所述梯度幅值使用常规二值化方法计算阈值；
扫描所述车牌图像的全图，对所述梯度幅值大于所述阈值的所有像素点进行标记，然后进行非极大值抑制，得到所述车牌图像的梯度二值图像。
优选地，步骤b中，所述匹配条件为
abs(Dif(AnglePi,AnglePj)＝180°，
其中，abs表示取绝对值，符号Angle表示向量的角度，Pi、Pj表示二维向量点，AnglePi表示二维向量点Pi的向量角度，Dif()表示数值差。
优选地，步骤b中，记录所有满足匹配条件的点对(Pi,Pj)是记录检测点与目标点之间的线段PiPj，所述检测点与目标点的存放顺序为：Pi’*Pi<Pj’*Pj，其中Pi’、Pj’表示Pi、Pj的转置，符号*表示矩阵乘积。
优选地，步骤c中，根据车牌图像宽度估计车牌字符的宽度Lchar＝k*PlateWidth，PlateWidth表示车牌图像宽度，k＝1/8，并计算出车牌字符笔画的估计宽度范围[0.2*Lchar,0.4*Lchar]。
优选地，步骤d中，遍历所有匹配点对(Pi,Pj)，记录所有两点之间距离满足Dis(Pi,Pj)∈[0.2*Lchar,0.4*Lchar]的点对，其中，Dis()表示取两点间距离。
优选地，步骤e中，计算满足条件的点对的距离均值，记为Len，用更为精准的范围[Len-20％*Len,Len+20％*Len]表示字符笔画的精确宽度范围。
优选地，步骤f中,统计字符精确宽度范围[Len-20％*Len,Len+20％*Len]的点对的夹角正负值，统计数量多者记录为车牌图像的Color，Color用于表征车牌的颜色信息。
优选地，步骤g中，建立车牌二值化图像的过程进一步包括：
初始化为全部黑色；
遍历所有匹配点对(Pi,Pj)，记录所有满足Dis(Pi,Pj)∈[Len-20％*Len,Len+20％*Len]且正负符号为Color的点，其中Color这一值表征车牌的颜色信息；以及
在车牌二值化图像上将Pi到Pj之间线段上的像素点标记为白色，表示字符区域。
优选地，步骤g中，在标记字符区域时即二值化的同时获取字符blob，所述blob即为字符连通区域。
优选地，步骤h中，对记录的所述blob进行合并和分割操作，使其满足车牌字符的分布关系，得到车牌字符的精确区域位置信息，根据所述区域位置信息分割和提取出车牌字符。
本发明的有益效果在于：
实现了一种新的不需要预先知道车牌颜色的车牌图像二值化方法；并且在上述二值化方法基础上，提出了与之匹配的车牌分割提取的方法，实现了车牌图像二值化和车牌字符分割提取的并行处理，提高了整体运行的效率和精度。
附图说明
图1是本发明的基于字符笔画结构的车牌二值化以及车牌字符提取方法的流程图。
图2(a)～图2(f)图解了基于笔画结构的单个字符的二值化过程。
图3(a)～图3(d)是示例了如何区分亮底暗字和暗底亮字两种颜色的图。
具体实施方式
以下结合附图对本发明进行详细说明。以下实施例并不是对本发明的限制。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中。
如图1所示，为本发明实施例的一种车牌二值化以及车牌字符提取方法的流程图。图2图解了基于笔画结构的单个字符的二值化过程。图3示例了如何区分亮底暗字和暗底亮字两种颜色的过程。下面结合图1～3详细说明本发明方法。
首先，对车牌图像的每个像素点提取梯度信息以获得所述车牌图像的梯度二值图像(步骤a)。这里，所述梯度信息包括所述梯度的幅值和方向值。依据车牌字符特点以及考虑计算效率，所述方向值离散到0°、180°、90°、270°、45°、135°、225°、315°八个值，其中，水平方向为0°，度数依次按逆时针方向递增。
这里，获得所述车牌图像的梯度二值图像的步骤进一步包括：
对前述获得的梯度幅值使用常规二值化方法计算阈值。扫描所述车牌图像的全图，对所述梯度幅值大于所述阈值的所有像素点进行标记，然后进行非极大值抑制，就得到所述车牌图像的梯度二值图像，如图2(b)。图2(a)是原始车牌图像。
接着，扫描所述梯度二值图像，记录所有满足匹配条件的点对(步骤b)。具体地，扫描梯度的二值图像，对于一个标记点，顺着其梯度方向的正反两个方向进行扫描，直到遇到另一个被标记点，若这个目标点(标记点)的梯度方向能与检测点(被标记点)的梯度方向差满足abs(Dif(AnglePi,AnglePj)为180°，则表示两个点互相匹配。
上述匹配条件abs(Dif(AnglePi,AnglePj)＝180°中，abs表示取绝对值，符号Angle表示向量的角度，Pi和Pi分别表示匹配的两个二维向量点，简称“点”，AnglePi表示点Pi的梯度方向，为如步骤a所示的八个角度之一，Dif()表示两个数值的差。记录检测点与目标点之间的线段PiPj，两个点的存放顺序满足要求：Pi’*Pi<Pj’*Pj，Pi’、Pj’分别表示点Pi、Pj的转置，*号表示矩阵相乘，也就是要满足点Pi比点Pj离原点更近，如图2(c)。通过该方法，记录了所有的匹配点对。
然后是获取车牌上的字符笔画的估计宽度范围(步骤c)。基于车牌字符的笔画宽度一致这一特性，在该步骤中，根据车牌图像宽度估计车牌字符的宽度Lchar＝k*PlateWidth，k＝1/8，PlateWidth表示车牌图像宽度，k为估计系数。并根据车牌字符的宽度计算出车牌字符笔画的估计宽度范围[0.2*Lchar,0.4*Lchar]。
接着统计两点之间的距离满足所述估计宽度范围的点对(步骤d)。该步骤中，遍历所有前述获得的匹配点对(Pi,Pj)，记录所有两点之间距离满足Dis(Pi,Pj)∈[0.2*Lchar,0.4*Lchar]的点对，其中，Dis()表示取两点间距离。
如图2(e)，白色线段表示距离在上述宽度范围内的匹配点对间的连线，将被保留；灰色虚线段表示距离在上述宽度范围以外的匹配点对间的连线，将被丢弃，不被记录。
接着，根据所有记录点对的距离获得所述字符笔画的精确宽度范围(步骤e)。计算满足条件的点对的距离均值，记为Len，用更为精准的范围[Len-20％*Len,Len+20％*Len]表示字符笔画的精确宽度范围。
下面介绍确定车牌颜色信息的步骤。本发明中，为了去除更多干扰，能更准确地确定车牌的颜色信息，根据上述得到的字符笔画精确宽度范围，再次统计距离满足该精确宽度范围的点对，并计算满足条件的所述点对的夹角正、负值的统计量，将正负符号中数量多者确定为车牌的Color，Color用于表征车牌的颜色信息(步骤f)。
本发明中，使用Val表示匹配点对间的正、负值信息，计算方法如下。
如图3分别例举了暗底亮字和亮底暗字中匹配点对的梯度方向和颜色信息的关系。图3(a)为暗底亮字的车牌字符，图3(b)为其梯度图。图3(b)中示例了两个匹配点对(Pi,Pj)和(Qi,Qj)，根据梯度方向定义，AnglePi＝＝0°、AnglePj＝＝180°，即(Pi,Pj)满足abs(Dif(AnglePi,AnglePj)等于180°，同时AnglePj-AnglePi>0°,记录点对(Pi,Pj)Val为正，同理点对(Qi,Qj)的Val也为正。图3(c)为亮底暗字的车牌字符，图3(d)为其梯度图。图3(d)中同样示例了两个匹配点对(Pi,Pj)和(Qi,Qj)，其位置与暗底车牌图例相对应。根据梯度方向定义，AnglePi＝＝180°、AnglePj＝＝0°，即(Pi,Pj)满足abs(Dif(AnglePi,AnglePj)等于180°，同时AnglePj-AnglePi<0°,记录点对(Pi,Pj)的夹角Val为负，同理点对(Qi,Qj)的Val也为负。从而显示了，车牌图像的Color为正，则表示该车牌图像为暗底亮字；车牌图像的Color为负，则表示该车牌图像为亮底暗字。
根据字符笔画的宽度和车牌的颜色信息对车牌图像进行二值化，获得车牌二值化图像(步骤g)。建立车牌二值化图像的过程进一步包括：
初始化为全部黑色；
遍历所有匹配点对(Pi,Pj)，记录所有满足Dis(Pi,Pj)∈[Len-20％*Len,Len+20％*Len]且正负符号为Color的点，如图2(c)；以及
在车牌二值化图像上将满足上述条件的匹配点对Pi到Pj之间线段上的像素点标记为白色，表示字符区域，如图2(d)所示那样。扫描完成，即二值化过程完成，如图2(d)-图2(f)。
如图2和图3所示，图3(a)和图3(c)所示的两种车牌字符的二值化图效果都会统一成相同图像，即图2(f)，从而实现了对各种车牌颜色的统一处理。
最后，根据前述得到的车牌二值化图像对车牌字符进行分割和提取(步骤h)。获得的车牌字符即可送入字符识别步骤，从而完成整个车牌的识别功能。
在另外的实施例中，在标记字符区域时即二值化的同时(步骤g)，可以获取字符blob。可以通过现有的方式获得字符blob。所述blob即为字符连通区域，如图2(f)为一个字符的完整联通区域。当二值化完成后形成多个字符blob。
接着，在提取字符步骤h中，根据车牌字符在车牌中的各个字符的宽度信息、相对位置等，对记录的所述blob进行合并和分割操作，使其满足车牌字符的分布关系(例如车牌一般是7个字符从左至右分布，包括汉字、字母和数字)，得到车牌字符的精确区域位置信息，再根据所述区域位置信息分割和提取出车牌字符。
显然，本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (12)

1.一种基于字符笔画结构的车牌二值化以及车牌字符提取方法，其特征在于，包括如下步骤：
步骤a：对车牌图像的每个像素点提取梯度信息以获得所述车牌图像的梯度二值图像；
步骤b：扫描所述梯度二值图像，记录所有满足匹配条件的点对；
步骤c：获取车牌上的字符笔画的估计宽度范围；
步骤d：统计两点之间的距离满足所述估计宽度范围的点对；
步骤e：根据步骤d中获得的所有记录点对的距离获得所述字符笔画的精确宽度范围；
步骤f：再次统计满足所述精确宽度范围的点对，并计算所述点对的夹角正负值数量，将所述正负符号中数量多者确定为车牌的颜色信息；
步骤g：根据所述字符笔画的精确宽度范围和所述车牌的颜色信息对所述车牌图像进行二值化，获得车牌二值化图像；以及
步骤h：根据车牌二值化图像对车牌字符进行分割和提取。
2.根据权利要求1所述的方法，其特征在于，步骤a中，所述梯度信息包括所述梯度的幅值和方向值，依据车牌字符特点以及考虑计算效率，所述方向值离散到0°、180°、90°、270°、45°、135°、225°、315°八个值。
3.根据权利要求2所述的方法，其特征在于，步骤a中，获得所述车牌图像的梯度二值图像的步骤进一步包括：
对所述梯度幅值使用常规二值化方法计算阈值；
扫描所述车牌图像的全图，对所述梯度幅值大于所述阈值的所有像素点进行标记，然后进行非极大值抑制，得到所述车牌图像的梯度二值图像。
4.根据权利要求3所述的方法，其特征在于，步骤b中，所述匹配条件为abs(Dif(AnglePi,AnglePj)＝180°，
其中，abs表示取绝对值，符号Angle表示向量的角度，Pi、Pj表示二维向量点，AnglePi表示二维向量点Pi的向量角度，Dif()表示数值差。
5.根据权利要求4所述的方法，其特征在于，步骤b中，记录所有满足匹配条件的点对(Pi,Pj)是记录检测点与目标点之间的线段PiPj，所述检测点与目标点的存放顺序为：Pi’*Pi<Pj’*Pj，其中Pi’、Pj’表示Pi、Pj的转置，符号*表示矩阵乘积。
6.根据权利要求5所述的方法，其特征在于，步骤c中，根据车牌图像宽度估计车牌字符的宽度Lchar＝k*PlateWidth，PlateWidth表示车牌图像宽度，k＝1/8，并计算出车牌字符笔画的估计宽度范围[0.2*Lchar,0.4*Lchar]。
7.根据权利要求6所述的方法，其特征在于，步骤d中，遍历所有匹配点对(Pi,Pj)，记录所有两点之间距离满足Dis(Pi,Pj)∈[0.2*Lchar,0.4*Lchar]的点对，其中，Dis()表示取两点间距离。
8.根据权利要求7所述的方法，其特征在于，步骤e中，计算满足条件的点对的距离均值，记为Len，用[Len-20％*Len,Len+20％*Len]表示字符笔画的精确宽度范围。
9.根据权利要求7所述的方法，其特征在于，步骤f中，统计字符精确宽度范围[Len-20％*Len,Len+20％*Len]内的点对的夹角正负值，将统计数量多者记录为车牌图像的Color，Color用于表征车牌的颜色信息。
10.根据权利要求9所述的方法，其特征在于，步骤g中，建立车牌二值化图像的过程进一步包括：
初始化为全部黑色；
遍历所有匹配点对(Pi,Pj)，记录所有满足Dis(Pi,Pj)∈[Len-20％*Len,Len+20％*Len]且正负符号为Color的点，其中Color这一值表征车牌的颜色信息；以及
在车牌二值化图像上将Pi到Pj之间线段上的像素点标记为白色，表示字符区域。
11.根据权利要求10所述的方法，其特征在于，步骤g中，在标记字符区域时即二值化的同时获取字符blob，所述blob即为字符连通区域。
12.根据权利要求11所述的方法，其特征在于，步骤h中，对记录的所述blob进行合并和分割操作，使其满足车牌字符的分布关系，得到车牌字符的精确区域位置信息，根据所述区域位置信息分割和提取出车牌字符。
CN201610094185.6A 2016-02-19 2016-02-19 基于字符笔画结构的车牌二值化以及车牌字符提取方法 Active CN105787479B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610094185.6A CN105787479B (zh) 2016-02-19 2016-02-19 基于字符笔画结构的车牌二值化以及车牌字符提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610094185.6A CN105787479B (zh) 2016-02-19 2016-02-19 基于字符笔画结构的车牌二值化以及车牌字符提取方法

Publications (2)

Publication Number Publication Date
CN105787479A true CN105787479A (zh) 2016-07-20
CN105787479B CN105787479B (zh) 2018-12-25

Family

ID=56402799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610094185.6A Active CN105787479B (zh) 2016-02-19 2016-02-19 基于字符笔画结构的车牌二值化以及车牌字符提取方法

Country Status (1)

Country Link
CN (1) CN105787479B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682665A (zh) * 2016-12-27 2017-05-17 陕西科技大学 一种基于计算机视觉的七段式数显仪表数字识别方法
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120106802A1 (en) * 2010-10-29 2012-05-03 National Chiao Tung University Vehicle license plate recognition method and system thereof
CN104794479A (zh) * 2014-01-20 2015-07-22 北京大学 基于局部笔画宽度变换的自然场景图片中文本检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120106802A1 (en) * 2010-10-29 2012-05-03 National Chiao Tung University Vehicle license plate recognition method and system thereof
CN104794479A (zh) * 2014-01-20 2015-07-22 北京大学 基于局部笔画宽度变换的自然场景图片中文本检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
百利波: "车牌检测与识别算法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682665A (zh) * 2016-12-27 2017-05-17 陕西科技大学 一种基于计算机视觉的七段式数显仪表数字识别方法
CN106682665B (zh) * 2016-12-27 2020-07-14 陕西科技大学 一种基于计算机视觉的七段式数显仪表数字识别方法
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

Also Published As

Publication number Publication date
CN105787479B (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
Roy et al. An approach towards detection of indian number plate from vehicle
CN101276461B (zh) 一种利用边缘特征的视频文本增强方法
CN102629322B (zh) 一种基于边界点笔画形状的字符特征提取方法及应用
CN104361336A (zh) 一种水下视频图像的文字识别方法
Yimyam et al. The automated parking fee calculation using license plate recognition system
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
CN110782409B (zh) 一种去除多运动物体阴影的方法
CN110309830B (zh) 基于数学形态学和区域连通性的甲骨文字自动分割方法
CN109635733B (zh) 基于视觉显著性和队列修正的停车场和车辆目标检测方法
CN109359576B (zh) 一种基于图像局部特征识别的动物数量估计方法
CN106529540A (zh) 一种基于灰度投影的车牌字符分割方法
CN111738256A (zh) 基于改进分水岭算法的复合材料ct图像分割方法
US8280157B2 (en) Methods and systems for refining text detection in a digital image
CN105787479A (zh) 基于字符笔画结构的车牌二值化以及车牌字符提取方法
CN104268509A (zh) 泥头车车牌检测的方法及系统
CN111241911B (zh) 一种自适应的车道线检测方法
CN107704864B (zh) 基于图像对象性语义检测的显著目标检测方法
CN109753880B (zh) 一种自然场景车载视频道路限速标志的检测与识别方法
CN105005757B (zh) 一种基于Grassmann流行的车牌字符识别方法
CN109635679B (zh) 一种实时的靶纸定位及环线识别方法
CN104616007A (zh) 一种基于显著性检测和颜色直方图模型的车辆识别方法
Kumar et al. Image processing based number plate detection using LabVIEW
CN111753842B (zh) 票据文本区域检测方法及装置
Tian et al. A new algorithm for license plate localization in open environment using color pair and stroke width features of character
Li et al. Traffic indication symbols recognition with shape context

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 201209 Chuansha Road, Shanghai, No. 221, room 11, building 955

Applicant after: Bocom Intelligent Network Technology Co. Ltd.

Address before: 201209 Chuansha Road, Shanghai, No. 221, room 11, building 955

Applicant before: BOCOM Smart Network Technologies Inc.

COR Change of bibliographic data
CB02 Change of applicant information

Address after: 201201 221, room 11, 955 Chuansha Road, Pudong New Area, Shanghai.

Applicant after: New wisdom cognition Marketing Data Services Ltd

Address before: 201209 221, room 11, 955 Chuansha Road, Pudong New Area, Shanghai.

Applicant before: Bocom Intelligent Network Technology Co. Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant