CN105825218A - 汽车车辆识别码的识别方法及装置 - Google Patents

汽车车辆识别码的识别方法及装置 Download PDF

Info

Publication number
CN105825218A
CN105825218A CN201610203206.3A CN201610203206A CN105825218A CN 105825218 A CN105825218 A CN 105825218A CN 201610203206 A CN201610203206 A CN 201610203206A CN 105825218 A CN105825218 A CN 105825218A
Authority
CN
China
Prior art keywords
character
slope
identification code
image
picture
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.)
Pending
Application number
CN201610203206.3A
Other languages
English (en)
Inventor
刘均
谢飞虹
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.)
Shenzhen Launch Technology Co Ltd
Original Assignee
Shenzhen Launch Technology Co Ltd
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 Shenzhen Launch Technology Co Ltd filed Critical Shenzhen Launch Technology Co Ltd
Priority to CN201610203206.3A priority Critical patent/CN105825218A/zh
Publication of CN105825218A publication Critical patent/CN105825218A/zh
Pending legal-status Critical Current

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Character Discrimination (AREA)

Abstract

本发明公开了一种汽车车辆识别码的识别方法，所述汽车车辆识别码的识别方法包括以下步骤：对采集到的汽车车辆识别码图像进行图像预处理，以从所述车辆识别码图像中获取所述车辆识别码的字符区域；对获取的所述车辆识别码的字符区域进行字符分割处理，以得到单个字符区域；对每个字符图像进行归一化处理，并提取归一化处理后的各个所述字符图像的特征信息，所述字符图像的特征信息包括笔画斜率累计值、拐点累计值、字符轮廓深度及字符跳跃点个数；将提取的特征信息与预设的字符库进行匹配以识别出各个所述字符图像。本发明还公开了一种汽车车辆识别码的识别装置。本发明提高了车辆识别码的识别准确率。

Description

汽车车辆识别码的识别方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种识别车辆识别码的方法及装置。
背景技术
VIN(VehicleIdentificationNumber，车辆识别码)由17位字符组成，所以俗称十七位码，它包含了车辆的生产厂家、年代、车型、车身型式及代码、发动机代码及组装地点等信息，正确解读车辆识别码，对于我们正确地识别车型，以致进行正确地诊断和维修都是十分重要的。
现有技术通常通过车牌识别技术对车辆识别码进行识别，比如，通过提取车牌的字体特征，而字体特征与字符的字体有关，然而由于车牌与车辆识别码的不同特点，车牌的字体特征统一，而不同厂家生产的汽车的车辆识别码的字体特征可能不一样，比如字体不一样，因此，在使用车牌识别技术提取不同厂家生产的汽车车辆识别码的相同字符的字体特征时差异比较大，进而导致在将提取到的车辆识别码的字符特征与字符库中的各个字符的字体特征进行匹配时，可能匹配不成功，从而使得对车辆识别码的识别准确率低。
发明内容
本发明的主要目的在于提供一种汽车车辆识别码的识别方法及装置，旨在解决通过车牌识别技术识别车辆识别码时准确率较低的问题。
为实现上述目的，本发明提供的一种汽车车辆识别码的识别方法，所述汽车车辆识别码的识别方法包括以下步骤：
对采集到的汽车车辆识别码图像进行图像预处理，以从所述车辆识别码图像中获取所述车辆识别码的字符区域；
对获取的所述车辆识别码的字符区域进行字符分割处理，以得到单个字符区域；
对每个字符图像进行归一化处理，并提取归一化处理后的各个所述字符图像的特征信息，所述字符图像的特征信息包括笔画斜率累计值、拐点累计值、字符轮廓深度及字符跳跃点个数；
将提取的特征信息与预设的字符库进行匹配以识别出各个所述字符图像。
可选地，
所述笔画斜率包括零斜率、正斜率及负斜率，所述提取归一化处理后的各个所述字符图像的笔画斜率累计值的步骤包括：
从预设扫描方向对归一化处理后的各个所述字符图像进行扫描；
若扫描到目标像素点，则将所述目标像素点作为斜率统计点，其中，所述目标像素点为扫描行或扫描列时检测到的第一个字符像素点；
依次计算相邻的两个斜率统计点的斜率，并统计所述斜率中的零斜率、正斜率及负斜率累计值。
可选地，所述提取归一化处理后的各个所述字符图像的字符轮廓深度的步骤包括：
从预设扫描方向对归一化处理后的各个所述字符图像进行扫描；
若扫描到目标像素点，则将所述目标像素点作为轮廓深度统计点，其中，所述目标像素点为扫描行或扫描列时检测到的第一个字符像素点；
依次计算各个轮廓深度统计点到所述预设扫描方向的扫描边界的距离，并将计算得到的各个所述距离之和作为所述字符图像的字符轮廓深度。
可选地，所述提取归一化处理后的各个所述字符图像的字符跳跃点个数的步骤包括：
对归一化处理后的各个所述字符图像进行水平及垂直扫描；
分别统计在对所述字符图像进行水平及垂直扫描时像素点的像素值发生变化的总次数，并将统计的所述总次数作为所述字符图像的字符跳跃点个数。
可选地，所述对采集到的汽车车辆识别码图像进行图像预处理的步骤具体包括：
对采集到的汽车车辆识别码图像进行灰度化处理、降噪处理、图像增强处理、图像边缘处理及二值化处理。
此外，为实现上述目的，本发明还提供一种汽车车辆识别码的识别装置，所述汽车车辆识别码的识别装置包括：
图像处理模块，用于对采集到的汽车车辆识别码图像进行图像预处理，以从所述车辆识别码图像中获取所述车辆识别码的字符区域；
图像分割模块，用于对获取的所述车辆识别码的字符区域进行字符分割处理，以得到单个字符区域；
特征提取模块，用于对每个字符图像进行归一化处理，并提取归一化处理后的各个所述字符图像的特征信息，所述字符图像的特征信息包括笔画斜率累计值、拐点累计值、字符轮廓深度及字符跳跃点个数；
识别模块，用于将提取的特征信息与预设的字符库进行匹配以识别出各个所述字符图像。
可选地，所述笔画斜率包括零斜率、正斜率及负斜率，所述特征提取模块包括：
第一扫描单元，用于从预设扫描方向对归一化处理后的各个所述字符图像进行扫描；
斜率统计点获取单元，用于若扫描到目标像素点，则将所述目标像素点作为斜率统计点，其中，所述目标像素点为扫描行或扫描列时检测到的第一个字符像素点；
笔画斜率统计单元，用于依次计算相邻的两个斜率统计点的斜率，并统计所述斜率中的零斜率、正斜率及负斜率累计值。
可选地，所述特征提取模块包括：
第二扫描单元，用于从预设扫描方向对归一化处理后的各个所述字符图像进行扫描；
轮廓深度统计点获取单元，用于若扫描到目标像素点，则将所述目标像素点作为轮廓深度统计点，其中，所述目标像素点为扫描行或扫描列时检测到的第一个字符像素点；
字符轮廓深度提取单元，用于依次计算各个轮廓深度统计点到所述预设扫描方向的扫描边界的距离，并将计算得到的各个所述距离之和作为所述字符图像的字符轮廓深度。
可选地，所述特征提取模块包括：
第三扫描单元，用于对归一化处理后的各个所述字符图像进行水平及垂直扫描；
跳跃点提取单元，用于分别统计在对所述字符图像进行水平及垂直扫描时像素点的像素值发生变化的总次数，并将统计的所述总次数作为所述字符图像的字符跳跃点个数。
可选地，所述图像处理模块，还用于对采集到的汽车车辆识别码图像进行灰度化处理、降噪处理、图像增强处理、图像边缘处理及二值化处理。
本发明针对各个厂家生产的车辆识别码的相同特征，即字符的笔画特征是一样的，而字符的笔画特征与字体无关，不同字体的相同子符的笔画特征一致，因此，通过提取所述车辆识别码的各个字符的特征信息，所述字符的特征信息包括笔画斜率累计值、拐点累计值、字符轮廓深度及字符跳跃点个数，并在提取到所述车辆识别码的字符特征信息后，与预设的字符库进行匹配以识别出所述车辆识别码，从而有效解决了现有技术中使用车牌识别技术识别车辆识别码造成的准确率低的问题，提高了车辆识别码的识别准确率。
附图说明
图1为本发明汽车车辆识别码的识别方法的第一实施例的流程示意图；
图2为本发明提取归一化处理后的各个所述字符图像的笔画斜率累计值的步骤细化流程示意图；
图3为本发明提取归一化处理后的各个所述字符图像的字符轮廓深度的步骤细化流程示意图；
图4为本发明一实施例中获取字符笔画斜率累计值及字符轮廓深度的示意图；
图5为本发明提取归一化处理后的各个所述字符图像的字符跳跃点个数的步骤
图6为本发明汽车车辆识别码的识别装置的第一实施例的功能模块示意图；
图7为本发明一实施例的特征提取模块的细化功能模块示意图；
图8为本发明另一实施例的特征提取模块的细化功能模块示意图；
图9为本发明另一实施例的特征提取模块的细化功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
基于上述问题，本发明提供一种汽车车辆识别码的识别方法。
参照图1，图1为本发明汽车车辆识别码的识别方法的第一实施例的流程示意图。
在本实施例中，所述汽车车辆识别码的识别方法包括：
步骤S10，对采集到的汽车车辆识别码图像进行图像预处理，以从所述车辆识别码图像中获取所述车辆识别码的字符区域；
VIN(VehicleIdentificationNumber，车辆识别码)码由17位字符组成，所以俗称十七位码，它包含了车辆的生产厂家、年代、车型、车身型式及代码、发动机代码及组装地点等信息。
所述汽车车辆识别码图像可以通过摄像设备拍照获取，比如通过手机拍照获取所述车辆识别码，或者通过车辆识别码装置内的摄像设备获取。由于通过摄像设备采集到的车辆识别码图像会受到诸多因素影响，比如光照不平衡，导致图像质量无法直接用于系统处理，因此，首先需要对所述车辆识别码图像进行图像预处理，以从所述车辆识别码图像中获取所述车辆识别码的字符区域。在本实施例中，对所述车辆识别码图像进行图像预处理具体可以包括灰度化处理、降噪处理、图像增强处理、图像边缘处理及二值化处理等。
所述灰度化处理为将所述车辆识别码的彩色图像转换为灰度图像，灰度值通常可以通过如下公式计算：
Gray(x,y)＝0.11*Blue+0.59*Green+0.30*Red；
其中，Blue，Green，Red，分别为像素点的蓝、绿、红色的强度值，Gray(x,y)为像素点经灰度化后的灰度值。
所述降噪处理为滤除所述车辆识别码图像中的噪声，由于车辆识别码一般放置在车窗左下角，摄像头隔着玻璃拍摄车辆识别码图像随着光照，灰尘易产生不规则噪声，故可以对所述车辆识别码图像进行降噪处理，针对车辆识别码拍摄后的噪声形成机制，可以采用中值滤波的方式进行降噪处理。
所述图像增强处理为提升图像对比度的处理过程，在获取车辆识别码图像的过程中，由于光照的不平衡，获取的各个字符图像的清晰度可能不同，故可以对所述车辆识别码图像进行图像增强处理，在本实施例中，可以采用自适应直方图均衡化(AHE)算法对所述车辆识别码图像进行图像增强处理，当然，也可以采用其他算法，比如，限制对比度直方图均衡(CLAHE)算法对所述车辆识别码图像进行图像增强处理，在本实施例中，不做限制。
所述图像边缘处理为将字符图像与背景图像进行区分的处理过程，可以通过Sobel边缘检测算法对所述车辆识别码图像进行处理，当然，也可以采用其他边缘算法进行处理，在本实施例中，不做限制。
所述二值化处理为将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像，可以采用全局阈值法进行二值化处理，比如大津法、最大熵方法等，或者采用局部阈值法进行二值化处理，比如，多阈值的梯度强度法、基于纹理图像的方法、最大方差法等，具体采用的方法在本实施例中不做限定，可以根据具体情况进行选择。
进一步地，在对所述车辆识别码进行二值化处理后，由于二值化处理过程中因为噪声还会存在一些明显不属于字符特征的区域，可以采用标记连通区域，然后去掉其中明显不属于字符特征的区域，比如连通区域像素少于某个阀值，确定为不属于字符区域。进一步地，由于摄像设备角度的问题，在获取到的所述车辆识别码可能是倾斜的，为了便于字符分割，需要对所述车辆识别码图像进行校正。
通过上述各个处理过程，即可获取到所述车辆识别码的字符区域。
步骤S20，对获取的所述车辆识别码的字符区域进行字符分割处理，以得到单个字符区域；
在获取到所述车辆识别码的字符区域后，对所述字符区域进行字符分割处理，以获取单个字符区域，便于对每个字符的识别。在本实施例中进行字符分割时，由于经过二值化处理后的所述车辆识别码图像中的背景点的像素与字符点的像素不一样，而相邻字符之间存在的空隙都为背景像素点，因此，可以将整列的背景像素点作为字符分割的分界处。
步骤S30，对每个字符图像进行归一化处理，并提取归一化处理后的各个所述字符图像的特征信息，所述字符图像的特征信息包括笔画斜率累计值、拐点累计值、字符轮廓深度及字符跳跃点个数；
所述归一化处理为对各个字符图像的尺寸归一化到标准字符模板的尺寸，便于统一提取字符的特征信息。所述字符图像的特征信息为针对所述车辆识别码的而提取的能够区分各个不同字符的信息，包括笔画斜率累计值、拐点累计值、字符轮廓深度及字符跳跃点个数。所述笔画斜率累计值包括正斜率累计值、负斜率累计值及零斜率累计值，其中正斜率表示字符笔画与水平方向的夹角为0～90度之间(不包括0度和90度)，负斜率表示字符笔画与水平方向的夹角为90～180度之间(不包括90度和180度)，零斜率表示字符笔画与水平方向的夹角为0度或者180度，所述正斜率累计值即为所述字符中斜率为正值的各个字符笔画的出现次数，所述负斜率累计值即为所述字符中斜率为负的各个字符笔画的出现次数，所述零斜率累计值即为所述字符中斜率为零的各个字符笔画的出现次数；所述拐点累计值为所述字符中拐点的出现次数，其中，所述拐点为所述字符中斜率发生正负变化的点，即所述字符的笔画斜率在该点从正斜率变为负斜率，或者所述字符的笔画斜率在该点从负斜率变为正斜率。所述字符轮廓深度为在对所述字符图像进行扫描时第一次扫到的目标像素点与扫描边界的距离，其中，所述目标像素点为字符像素点，所述扫描边界为对所述字符图像进行扫描的起始点。所述字符跳跃点个数为在对二值化字符图像进行扫描时，黑像素点变白像素点与白像素点变黑像素点的总次数。
进一步地，在对所述字符图像进行归一化处理后及特征提取前还可以对所述字符图像进行细化处理，以获取到所述字符的轮廓，用于根据所述字符轮廓识别车辆识别码的字体，便于需要打印车辆识别码的字体时可以正确输出该车辆识别码的字体。
步骤S40，将提取的特征信息与预设的字符库进行匹配以识别出各个所述字符图像。
所述预设的字符库中预存有所有字符的字符特征信息，在提取到所述字符特征信息后，将所述字符特征信息与预设的字符库中的各个字符的特征信息进行匹配，从而识别出所述字符图像。具体地，在进行匹配过程中，可以将所述字符图像的特征信息与所述字符库中的各个字符的特征信息进行一一匹配，从而找出匹配率最高的字符，并将所述匹配率最高的字符作为所述字符图像中的字符。
本实施例针对各个厂家生产的车辆识别码的相同特征，即字符的笔画特征是一样的，而字符的笔画特征与字体无关，不同字体的相同子符的笔画特征一致，因此，通过提取所述车辆识别码的各个字符的特征信息，所述字符的特征信息包括笔画斜率累计值、拐点累计值、字符轮廓深度及字符跳跃点个数，并在提取到所述车辆识别码的字符特征信息后，与预设的字符库进行匹配以识别出所述车辆识别码，从而有效解决了现有技术中使用车牌识别技术识别车辆识别码造成的准确率低的问题，提高了车辆识别码的识别准确率。
进一步地，基于上述第一实施例提出本发明汽车车辆识别码的识别方法的第二实施例，参照图2，在本实施例中，所述笔画斜率包括零斜率、正斜率及负斜率，所述提取归一化处理后的所述字符图像的笔画斜率累计值及拐点累计值的步骤包括：
步骤S31，从预设扫描方向对归一化处理后的各个所述字符图像进行扫描；
步骤S32，若扫描到目标像素点，则将所述目标像素点作为斜率统计点，其中，所述目标像素点为扫描行或扫描列时检测到的第一个字符像素点；
步骤S33，依次计算相邻的两个斜率统计点的斜率，并统计所述斜率中的零斜率、正斜率及负斜率累计值。
字符最具代表性的特征是笔画，不同的字符有不同的笔画数量，形态，长度等，因此，可将笔画的斜率累计值(该斜率出现次数)作为特征信息进行特征值提取。在对所述字符图像进行笔画斜率累计值提取时，可以通过从预设扫描方向对归一化处理后的所述字符图像进行扫描，所述预设扫描方向包括左至右、从右至左、从上至下及从下至上进行扫描。在对所述字符图像进行扫描时，若扫描到目标像素点，则将该扫描到的目标像素点作为斜率统计点，所述目标像素点为在扫描行或扫描列时检测到的第一个字符像素点，需要说明的是，当所述预设扫描方向为从左至右或从右至左进行扫描时，是以扫描行的方式进行的，当所述预设扫描方向为从上至下或从下至上进行扫描时，是以扫描列的方式进行的，具体的，如图4(A)所示，图4(A)为对字符“S”进行从右至左进行扫描的示意图，图中的a、b、c点即为所述斜率统计点，在扫描获得所有的斜率统计点后，依次计算相邻的两个斜率统计点的斜率，若计算得出的斜率值为正，则将正斜率的累计值加1，若计算出的斜率值为负，则将负斜率的累计值加1，若计算出的斜率值为零，则将零斜率的累计值加1，在将各个斜率统计点的斜率都计算出来后，统计所述斜率中的正斜率累计值、负斜率累计值及零斜率累计值，在本实施例中由于通过4个方向对所述字符图像进行扫描，故可以获取到12个斜率累计值，即12个特征信息。进一步地，在统计所述斜率累计值时，也可以同时统计所述字符图像的拐点累计值，所述拐点为斜率值发生变化的斜率统计点，例如，a、b、c点为依次相邻的三个斜率统计点，若a、b两个斜率统计点的斜率为正值，而b、c两个斜率统计点的斜率为负值，则将所述b点作为一个拐点，拐点累计值即为在对所述字符图像进行扫描时扫描到的拐点的总个数，同理，可以获取到4个斜率累计值。
本实施例通过提取所述字符图像的在各个扫描方向的零斜率、正斜率、负斜率的累计值，从而提高了字符识别的准确性。
进一步地，基于上述第一或第二实施例提出本发明汽车车辆识别码的识别方法的第三实施例，参照图3，在本实施例中，所述提取归一化处理后的各个所述字符图像的字符轮廓深度的步骤包括：
步骤S34，从预设扫描方向对归一化处理后的各个所述字符图像进行扫描；
步骤S35，若扫描到目标像素点，则将所述目标像素点作为轮廓深度统计点，其中，所述目标像素点为扫描行或扫描列时检测到的第一个字符像素点；
步骤S36，依次计算各个轮廓深度统计点到所述预设扫描方向的扫描边界的距离，并将计算得到的各个所述距离之和作为所述字符图像的字符轮廓深度。
不同的字符在轮廓上有着明显差异，比如“S”和“C”，“S”字符从右侧扫描深度的时候有着有很多的凹凸信息，而字符“C”从右侧扫描的过程中，字符的中间凹陷比较明显。因此，在区分不同的字符时，也可以通过从预设扫描向对归一化处理后的字符图像进行扫描，所述预设扫描方向包括左至右、从右至左、从上至下及从下至上进行扫描。在对所述字符图像进行扫描时，若扫描到目标像素点，则将该扫描到的目标像素点作为轮廓深度统计点，所述目标像素点为在扫描行或扫描列时检测到的第一个字符像素点。以图4(B)所示对字符“C”进行从右至左进行扫描为例，图中所示的d(n)即表示各个轮廓深度统计点到预设扫描方向的扫描边界的距离，图中的虚线代表扫描边界，所述预设扫描方向的扫描边界为预设扫描方向的扫描起始点。在扫描获得所有的轮廓深度统计点后，依次计算各个轮廓深度统计点到扫描边界的距离，然后将各个距离之和作为所述字符图像的字符轮廓深度，在本实施例中由于通过4个方向对所述字符图像进行扫描，因此，对于所述字符图像的字符轮廓深度可以提取到4个字符轮廓深度，即4个特征信息。在提取到所述字符图像的字符轮廓深度后，由于字符轮廓深度的计算方法明显不同于斜率或拐点累计值的计算方法，因此，需要对所述字符轮廓深度进行归一化处理，归一化方法可以为将轮廓深度累加值除以同方向上的长度或高度值，其中所述同方向上的长度值或者高度值为在扫描时的两个扫描边界之间的距离，比如上边界与下边界之间的距离，左边界与右边界之间的距离。
本实施例通过提取所述字符图像的在各个扫描方向的字符轮廓深度，从而提高了字符识别的准确性。
进一步地，基于上述任一实施例提出本发明汽车车辆识别码的识别方法的第四实施例，参照图5，在本实施例中，所述归一化处理后的各个所述字符图像的字符跳跃点个数的步骤包括：
步骤S37，对归一化处理后的各个所述字符图像进行水平及垂直扫描；
步骤S38，分别统计在对所述字符图像进行水平及垂直扫描时像素点的像素值发生变化的总次数，并将统计的所述总次数作为所述字符图像的字符跳跃点个数。
在对所述字符图像进行字符跳跃点个数提取时，由于不同的字符在相同的扫描方向时，提取的跳跃点个数可能一样，因此，为了区分不同的字符可以对所述字符图像进行不同方向的扫描，然后获取各个扫描方向上的字符跳跃点个数，比如，可以对归一化的字符图像进行水平扫描及垂直扫描，然后统计所述字符图像在水平和垂直方向的字符跳跃点个数，即在进行扫描时，像素点发生变化的次数，所述像素点发生变化指的是在进行扫描时黑像素变白像素或者白像素变黑像素。在本实施例中由于通过水平及垂直方向对所述字符图像进行扫描，因此，对于所述字符图像的字符跳跃点个数可以提取到2个特征信息。
本实施例通过提取所述字符图像的在水平及垂直扫描方向的字符跳跃点个数，从而提高了字符识别的准确性。
本发明进一步提供一种汽车车辆识别码的识别装置。
参照图6，图6为本发明汽车车辆识别码的识别装置的第一实施例的功能模块示意图。
在本实施例中，所述汽车车辆识别码的识别装置包括：图像处理模块10、图像分割模块20、特征提取模块30及识别模块40。
所述图像处理模块10，用于对采集到的汽车车辆识别码图像进行图像预处理，以从所述车辆识别码图像中获取所述车辆识别码的字符区域；
VIN(VehicleIdentificationNumber，车辆识别码)码由17位字符组成，所以俗称十七位码，它包含了车辆的生产厂家、年代、车型、车身型式及代码、发动机代码及组装地点等信息。
所述汽车车辆识别码图像可以通过摄像设备拍照获取，比如通过手机拍照获取所述车辆识别码，或者通过车辆识别码装置内的摄像设备获取。由于通过摄像设备采集到的车辆识别码图像会受到诸多因素影响，比如光照不平衡，导致图像质量无法直接用于系统处理，因此，首先需要对所述车辆识别码图像进行图像预处理，以从所述车辆识别码图像中获取所述车辆识别码的字符区域。在本实施例中，对所述车辆识别码图像进行图像预处理具体可以包括灰度化处理、降噪处理、图像增强处理、图像边缘处理及二值化处理等。
所述灰度化处理为将所述车辆识别码的彩色图像转换为灰度图像，通常可以通过如下公式计算：
Gray(x,y)＝0.11*Blue+0.59*Green+0.30*Red；
其中，Blue，Green，Red，分别为像素点的蓝、绿、红色的强度值，Gray(x,y)为像素点经灰度化后的灰度值。
所述降噪处理为滤除所述车辆识别码图像中的噪声，由于车辆识别码一般放置在车窗左下角，摄像头隔着玻璃拍摄车辆识别码图像随着光照，灰尘易产生不规则噪声，故可以对所述车辆识别码图像进行降噪处理，针对车辆识别码拍摄后的噪声形成机制，可以采用中值滤波的方式进行降噪处理。
所述图像增强处理为提升图像对比度的处理过程，在获取车辆识别码图像的过程中，由于光照的不平衡，获取的各个字符图像的清晰度可能不同，故可以对所述车辆识别码图像进行图像增强处理，在本实施例中，可以采用自适应直方图均衡化(AHE)算法对所述车辆识别码图像进行图像增强处理，当然，也可以采用其他算法，比如，限制对比度直方图均衡(CLAHE)算法对所述车辆识别码图像进行图像增强处理，在本实施例中，不做限制。
所述图像边缘处理为将字符图像与背景图像进行区分的处理过程，可以通过Sobel边缘检测算法对所述车辆识别码图像进行处理，当然，也可以采用其他边缘算法进行处理，在本实施例中，不做限制。
所述二值化处理为将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像，可以采用全局阈值法进行二值化处理，比如大津法、最大熵方法等，或者采用局部阈值法进行二值化处理，比如，多阈值的梯度强度法、基于纹理图像的方法、最大方差法等，具体采用的方法在本实施例中不做限定，可以根据具体情况进行选择。
进一步地，在对所述车辆识别码进行二值化处理后，由于二值化处理过程中因为噪声还会存在一些明显不属于字符特征的区域，可以采用标记连通区域，然后去掉其中明显不属于字符特征的区域，比如连通区域像素少于某个阀值，确定为不属于字符区域。进一步地，由于摄像设备角度的问题，在获取到的所述车辆识别码可能是倾斜的，为了便于字符分割，需要对所述车辆识别码图像进行校正。
通过上述各个处理过程，即可获取到所述车辆识别码的字符区域。
所述图像分割模块20，用于对获取的所述车辆识别码的字符区域进行字符分割处理，以得到单个字符区域；
在获取到所述车辆识别码的字符区域后，对所述字符区域进行字符分割处理，以获取单个字符区域，便于对每个字符的识别。在本实施例中进行字符分割时，由于经过二值化处理后的所述车辆识别码图像中的背景点的像素与字符点的像素不一样，而相邻字符之间存在的空隙都为背景像素点，因此，可以将整列的背景像素点作为字符分割的分界处。
所述特征提取模块30，用于对每个字符图像进行归一化处理，并提取归一化处理后的各个所述字符图像的特征信息，所述字符图像的特征信息包括笔画斜率累计值、拐点累计值、字符轮廓深度及字符跳跃点个数；
所述归一化处理为对各个字符图像的尺寸归一化到标准字符模板的尺寸，便于统一提取字符的特征信息。所述字符图像的特征信息为针对所述车辆识别码的而提取的能够区分各个不同字符的信息，包括笔画斜率累计值、拐点累计值、字符轮廓深度及字符跳跃点个数。所述笔画斜率累计值包括正斜率累计值、负斜率累计值及零斜率累计值，其中正斜率表示字符笔画与水平方向的夹角为0～90度之间(不包括0度和90度)，负斜率表示字符笔画与水平方向的夹角为90～180度之间(不包括90度和180度)，零斜率表示字符笔画与水平方向的夹角为0度或者180度，所述正斜率累计值即为所述字符中斜率为正值的各个字符笔画的出现次数，所述负斜率累计值即为所述字符中斜率为负的各个字符笔画的出现次数，所述零斜率累计值即为所述字符中斜率为零的各个字符笔画的出现次数；所述拐点累计值为所述字符中拐点的出现次数，其中，所述拐点为所述字符中斜率发生正负变化的点，即所述字符的笔画斜率在该点从正斜率变为负斜率，或者所述字符的笔画斜率在该点从负斜率变为正斜率。所述字符轮廓深度为在对所述字符图像进行扫描时第一次扫到的目标像素点与扫描边界的距离，其中，所述目标像素点为字符像素点，所述扫描边界为对所述字符图像进行扫描的起始点。所述字符跳跃点个数为在对二值化字符图像进行扫描时，黑像素点变白像素点与白像素点变黑像素点的总次数。
进一步地，在对所述字符图像进行归一化处理后及特征提取前还可以对所述字符图像进行细化处理，以获取到所述字符的轮廓，用于根据所述字符轮廓识别车辆识别码的字体，便于需要打印车辆识别码的字体时可以正确输出该车辆识别码的字体。
所述识别模块40，用于将提取的特征信息与预设的字符库进行匹配以识别出各个所述字符图像。
所述预设的字符库中预存有所有字符的字符特征信息，在提取到所述字符特征信息后，将所述字符特征信息与预设的字符库中的各个字符的特征信息进行匹配，从而识别出所述字符图像。具体地，在进行匹配过程中，可以将所述字符图像的特征信息与所述字符库中的各个字符的特征信息进行一一匹配，从而找出匹配率最高的字符，并将所述匹配率最高的字符作为所述字符图像中的字符。
本实施例针对各个厂家生产的车辆识别码的相同特征，即字符的笔画特征是一样的，而字符的笔画特征与字体无关，不同字体的相同子符的笔画特征一致，因此，通过提取所述车辆识别码的各个字符的特征信息，所述字符的特征信息包括笔画斜率累计值、拐点累计值、字符轮廓深度及字符跳跃点个数，并在提取到所述车辆识别码的字符特征信息后，与预设的字符库进行匹配以识别出所述车辆识别码，从而有效解决了现有技术中使用车牌识别技术识别车辆识别码造成的准确率低的问题，提高了车辆识别码的识别准确率。
进一步地，基于上述第一实施例提出本发明汽车车辆识别码的识别装置的第二实施例，参照图7，在本实施例中，所述笔画斜率包括零斜率、正斜率及负斜率，所述特征提取模块30包括：第一扫描单元31、斜率统计点获取单元32及笔画斜率统计单元33。
第一扫描单元31，用于从预设扫描方向对归一化处理后的各个所述字符图像进行扫描；
斜率统计点获取单元32，用于若扫描到目标像素点，则将所述目标像素点作为斜率统计点，其中，所述目标像素点为扫描行或扫描列时检测到的第一个字符像素点；
笔画斜率统计单元33，用于依次计算相邻的两个斜率统计点的斜率，并统计所述斜率中的零斜率、正斜率及负斜率累计值。
字符最具代表性的特征是笔画，不同的字符有不同的笔画数量，形态，长度等，因此，可将笔画的斜率累计值(该斜率出现次数)作为特征信息进行特征值提取。在对所述字符图像进行笔画斜率累计值提取时，可以通过从预设扫描方向对归一化处理后的所述字符图像进行扫描，所述预设扫描方向包括左至右、从右至左、从上至下及从下至上进行扫描。在对所述字符图像进行扫描时，若扫描到目标像素点，则将该扫描到的目标像素点作为斜率统计点，所述目标像素点为在扫描行或扫描列时检测到的第一个字符像素点，需要说明的是，当所述预设扫描方向为从左至右或从右至左进行扫描时，是以扫描行的方式进行的，当所述预设扫描方向为从上至下或从下至上进行扫描时，是以扫描列的方式进行的，具体的，如图4(A)所示，图4(A)为对字符“S”进行从右至左进行扫描的示意图，图中的a、b、c点即为所述斜率统计点，在扫描获得所有的斜率统计点后，依次计算相邻的两个斜率统计点的斜率，若计算得出的斜率值为正，则将正斜率的累计值加1，若计算出的斜率值为负，则将负斜率的累计值加1，若计算出的斜率值为零，则将零斜率的累计值加1，在将各个斜率统计点的斜率都计算出来后，统计所述斜率中的正斜率累计值、负斜率累计值及零斜率累计值，在本实施例中由于通过4个方向对所述字符图像进行扫描，故可以获取到12个斜率累计值，即12个特征信息。进一步地，在统计所述斜率累计值时，也可以同时统计所述字符图像的拐点累计值，所述拐点为斜率值发生变化的斜率统计点，例如，a、b、c点为依次相邻的三个斜率统计点，若a、b两个斜率统计点的斜率为正值，而b、c两个斜率统计点的斜率为负值，则将所述b点作为一个拐点，拐点累计值即为在对所述字符图像进行扫描时扫描到的拐点的总个数，同理，可以获取到4个斜率累计值。
本实施例通过提取所述字符图像的在各个扫描方向的零斜率、正斜率、负斜率的累计值及拐点累计值，从而提高了字符识别的准确性。
进一步地，基于上述第一或第二实施例提出本发明汽车车辆识别码的识别装置的第三实施例，参照图8，在本实施例中，所述特征提取模块30包括：第二扫描单元34、轮廓深度统计点获取单元35及字符轮廓深度提取单元36。
第二扫描单元34，用于从预设扫描方向对归一化处理后的各个所述字符图像进行扫描；
轮廓深度统计点获取单元35，用于若扫描到目标像素点，则将所述目标像素点作为轮廓深度统计点，其中，所述目标像素点为扫描行或扫描列时检测到的第一个字符像素点；
字符轮廓深度提取单元36，用于依次计算各个轮廓深度统计点到所述预设扫描方向的扫描边界的距离，并将计算得到的各个所述距离之和作为所述字符图像的字符轮廓深度。
不同的字符在轮廓上有着明显差异，比如“S”和“C”，“S”字符从右侧扫描深度的时候有着有很多的凹凸信息，而字符“C”从右侧扫描的过程中，字符的中间凹陷比较明显。因此，在区分不同的字符时，也可以通过从预设扫描向对归一化处理后的字符图像进行扫描，所述预设扫描方向包括左至右、从右至左、从上至下及从下至上进行扫描。在对所述字符图像进行扫描时，若扫描到目标像素点，则将该扫描到的目标像素点作为轮廓深度统计点，所述目标像素点为在扫描行或扫描列时检测到的第一个字符像素点。以图4(B)所示对字符“C”进行从右至左进行扫描为例，图中所示的d(n)即表示各个轮廓深度统计点到预设扫描方向的扫描边界的距离，图中的虚线代表扫描边界，所述预设扫描方向的扫描边界为预设扫描方向的扫描起始点。在扫描获得所有的轮廓深度统计点后，依次计算各个轮廓深度统计点到扫描边界的距离，然后将各个距离之和作为所述字符图像的字符轮廓深度，在本实施例中由于通过4个方向对所述字符图像进行扫描，因此，对于所述字符图像的字符轮廓深度可以提取到4个字符轮廓深度，即4个特征信息。在提取到所述字符图像的字符轮廓深度后，由于字符轮廓深度的计算方法明显不同于斜率或拐点累计值的计算方法，因此，需要对所述字符轮廓深度进行归一化处理，归一化方法可以为将轮廓深度累加值除以同方向上的长度或高度值，其中所述同方向上的长度值或者高度值为在扫描时的两个扫描边界之间的距离，比如上边界与下边界之间的距离，左边界与右边界之间的距离。
本实施例通过提取所述字符图像的在各个扫描方向的字符轮廓深度，从而提高了字符识别的准确性。
进一步地，基于上述任一实施例提出本发明汽车车辆识别码的识别装置的第四实施例，参照图9，在本实施例中，所述特征提取模块30包括：第三扫描单元37及跳跃点提取单元38。
所述第三扫描单元37，用于对归一化处理后的所述字符图像进行水平及垂直扫描；
所述跳跃点提取单元38，用于分别统计在对所述字符图像进行水平及垂直扫描时像素点的像素值发生变化的总次数，并将统计的所述总次数作为所述字符图像的字符跳跃点个数。
在对所述字符图像进行字符跳跃点个数提取时，由于不同的字符在相同的扫描方向时，提取的跳跃点个数可能一样，因此，为了区分不同的字符可以对所述字符图像进行不同方向的扫描，然后获取各个扫描方向上的字符跳跃点个数，比如，可以对归一化的字符图像进行水平扫描及垂直扫描，然后统计所述字符图像在水平和垂直方向的字符跳跃点个数，即在进行扫描时，像素点发生变化的次数，所述像素点发生变化指的是在进行扫描时黑像素变白像素或者白像素变黑像素。在本实施例中由于通过水平及垂直方向对所述字符图像进行扫描，因此，对于所述字符图像的字符跳跃点个数可以提取到2个特征信息。
本实施例通过提取所述字符图像的在水平及垂直扫描方向的字符跳跃点个数，从而提高了字符识别的准确性。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种汽车车辆识别码的识别方法，其特征在于，所述汽车车辆识别码的识别方法包括以下步骤：
对采集到的汽车车辆识别码图像进行图像预处理，以从所述车辆识别码图像中获取所述车辆识别码的字符区域；
对获取的所述车辆识别码的字符区域进行字符分割处理，以得到单个字符区域；
对每个字符图像进行归一化处理，并提取归一化处理后的各个所述字符图像的特征信息，所述字符图像的特征信息包括笔画斜率累计值、拐点累计值、字符轮廓深度及字符跳跃点个数；
将提取的特征信息与预设的字符库进行匹配以识别出各个所述字符图像。
2.如权利要求1所述的汽车车辆识别码的识别方法，其特征在于，所述笔画斜率包括零斜率、正斜率及负斜率，所述提取归一化处理后的各个所述字符图像的笔画斜率累计值的步骤包括：
从预设扫描方向对归一化处理后的各个所述字符图像进行扫描；
若扫描到目标像素点，则将所述目标像素点作为斜率统计点，其中，所述目标像素点为扫描行或扫描列时检测到的第一个字符像素点；
依次计算相邻的两个斜率统计点的斜率，并统计所述斜率中的零斜率、正斜率及负斜率累计值。
3.如权利要求1所述的汽车车辆识别码的识别方法，其特征在于，所述提取归一化处理后的各个所述字符图像的字符轮廓深度的步骤包括：
从预设扫描方向对归一化处理后的各个所述字符图像进行扫描；
若扫描到目标像素点，则将所述目标像素点作为轮廓深度统计点，其中，所述目标像素点为扫描行或扫描列时检测到的第一个字符像素点；
依次计算各个轮廓深度统计点到所述预设扫描方向的扫描边界的距离，并将计算得到的各个所述距离之和作为所述字符图像的字符轮廓深度。
4.如权利要求1所述的汽车车辆识别码的识别方法，其特征在于，所述提取归一化处理后的各个所述字符图像的字符跳跃点个数的步骤包括：
对归一化处理后的各个所述字符图像进行水平及垂直扫描；
分别统计在对所述字符图像进行水平及垂直扫描时像素点的像素值发生变化的总次数，并将统计的所述总次数作为所述字符图像的字符跳跃点个数。
5.如权利要求1至4任一项所述的汽车车辆识别码的识别方法，其特征在于，所述对采集到的汽车车辆识别码图像进行图像预处理的步骤具体包括：
对采集到的汽车车辆识别码图像依次进行灰度化处理、降噪处理、图像增强处理、图像边缘处理及二值化处理。
6.一种汽车车辆识别码的识别装置，其特征在于，所述汽车车辆识别码的识别装置包括：
图像处理模块，用于对采集到的汽车车辆识别码图像进行图像预处理，以从所述车辆识别码图像中获取所述车辆识别码的字符区域；
图像分割模块，用于对获取的所述车辆识别码的字符区域进行字符分割处理，以得到单个字符区域；
特征提取模块，用于对每个字符图像进行归一化处理，并提取归一化处理后的各个所述字符图像的特征信息，所述字符图像的特征信息包括笔画斜率累计值、拐点累计值、字符轮廓深度及字符跳跃点个数；
识别模块，用于将提取的特征信息与预设的字符库进行匹配以识别出各个所述字符图像。
7.如权利要求6所述的汽车车辆识别码的识别装置，其特征在于，所述笔画斜率包括零斜率、正斜率及负斜率，所述特征提取模块包括：
第一扫描单元，用于从预设扫描方向对归一化处理后的各个所述字符图像进行扫描；
斜率统计点获取单元，用于若扫描到目标像素点，则将所述目标像素点作为斜率统计点，其中，所述目标像素点为扫描行或扫描列时检测到的第一个字符像素点；
笔画斜率统计单元，用于依次计算相邻的两个斜率统计点的斜率，并统计所述斜率中的零斜率、正斜率及负斜率累计值。
8.如权利要求6所述的汽车车辆识别码的识别装置，其特征在于，所述特征提取模块包括：
第二扫描单元，用于从预设扫描方向对归一化处理后的各个所述字符图像进行扫描；
轮廓深度统计点获取单元，用于若扫描到目标像素点，则将所述目标像素点作为轮廓深度统计点，其中，所述目标像素点为扫描行或扫描列时检测到的第一个字符像素点；
字符轮廓深度提取单元，用于依次计算各个轮廓深度统计点到所述预设扫描方向的扫描边界的距离，并将计算得到的各个所述距离之和作为所述字符图像的字符轮廓深度。
9.如权利要求6所述的汽车车辆识别码的识别装置，其特征在于，所述特征提取模块包括：
第三扫描单元，用于对归一化处理后的各个所述字符图像进行水平及垂直扫描；
跳跃点提取单元，用于分别统计在对所述字符图像进行水平及垂直扫描时像素点的像素值发生变化的总次数，并将统计的所述总次数作为所述字符图像的字符跳跃点个数。
10.如权利要求6至9任一项所述的汽车车辆识别码的识别装置，其特征在于，所述图像处理模块，还用于对采集到的汽车车辆识别码图像进行灰度化处理、降噪处理、图像增强处理、图像边缘处理及二值化处理。
CN201610203206.3A 2016-04-01 2016-04-01 汽车车辆识别码的识别方法及装置 Pending CN105825218A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610203206.3A CN105825218A (zh) 2016-04-01 2016-04-01 汽车车辆识别码的识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610203206.3A CN105825218A (zh) 2016-04-01 2016-04-01 汽车车辆识别码的识别方法及装置

Publications (1)

Publication Number Publication Date
CN105825218A true CN105825218A (zh) 2016-08-03

Family

ID=56525699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610203206.3A Pending CN105825218A (zh) 2016-04-01 2016-04-01 汽车车辆识别码的识别方法及装置

Country Status (1)

Country Link
CN (1) CN105825218A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423732A (zh) * 2017-07-26 2017-12-01 大连交通大学 基于Android平台的车辆VIN识别方法
CN109389099A (zh) * 2018-10-31 2019-02-26 广汽丰田汽车有限公司 车辆检测方法、装置和可读存储介质
CN109858383A (zh) * 2019-01-04 2019-06-07 广东智媒云图科技股份有限公司 笔画识别方法及装置
CN109959096A (zh) * 2018-08-01 2019-07-02 永康市缘匠贸易有限公司 智能化冷暖式温控设备
CN110059705A (zh) * 2019-04-22 2019-07-26 厦门商集网络科技有限责任公司 一种基于建模的ocr识别结果判决方法和设备
CN110826551A (zh) * 2019-11-04 2020-02-21 大连交通大学 一种机动车vin码拓印模图像的智能甄别方法
WO2020186790A1 (zh) * 2019-03-15 2020-09-24 平安科技（深圳）有限公司 车型识别方法、装置、计算机设备及存储介质
CN113610083A (zh) * 2021-08-13 2021-11-05 天津大学 车辆vin码的字符识别和字符打刻深度检测系统及检测方法
CN113642556A (zh) * 2021-08-04 2021-11-12 五八有限公司 一种图像处理方法、装置、电子设备及存储介质
CN113705561A (zh) * 2021-09-02 2021-11-26 北京云蝶智学科技有限公司 特殊符号的识别方法及装置
CN115499251A (zh) * 2022-11-18 2022-12-20 广州信泽信息科技有限公司 一种边缘IoT设备的异常流量及攻击检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295009A (zh) * 2013-06-20 2013-09-11 电子科技大学 基于笔画分解的车牌字符识别方法
CN104200207A (zh) * 2014-09-16 2014-12-10 宁波熵联信息技术有限公司 一种基于隐马尔可夫模型的车牌识别方法
CN104751097A (zh) * 2015-03-30 2015-07-01 深圳市道通科技股份有限公司 一种车辆识别码的检测处理方法及装置
CN104778450A (zh) * 2015-03-30 2015-07-15 深圳市道通科技股份有限公司 一种车辆识别码图像的预处理方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295009A (zh) * 2013-06-20 2013-09-11 电子科技大学 基于笔画分解的车牌字符识别方法
CN104200207A (zh) * 2014-09-16 2014-12-10 宁波熵联信息技术有限公司 一种基于隐马尔可夫模型的车牌识别方法
CN104751097A (zh) * 2015-03-30 2015-07-01 深圳市道通科技股份有限公司 一种车辆识别码的检测处理方法及装置
CN104778450A (zh) * 2015-03-30 2015-07-15 深圳市道通科技股份有限公司 一种车辆识别码图像的预处理方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何兆成，佘锡伟等: "字符多特征提取方法及其在车牌识别中的应用", 《计算机工程与应用》 *
李志敏等: "基于权系数标识符矩阵的车牌字符识别方法", 《现代电子技术》 *
郭文强等: "《数字图像处理》", 31 May 2009 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423732A (zh) * 2017-07-26 2017-12-01 大连交通大学 基于Android平台的车辆VIN识别方法
CN109959096A (zh) * 2018-08-01 2019-07-02 永康市缘匠贸易有限公司 智能化冷暖式温控设备
CN109959096B (zh) * 2018-08-01 2020-12-11 安徽省华腾农业科技有限公司经开区分公司 智能化冷暖式温控设备
CN109389099A (zh) * 2018-10-31 2019-02-26 广汽丰田汽车有限公司 车辆检测方法、装置和可读存储介质
CN109858383A (zh) * 2019-01-04 2019-06-07 广东智媒云图科技股份有限公司 笔画识别方法及装置
WO2020186790A1 (zh) * 2019-03-15 2020-09-24 平安科技（深圳）有限公司 车型识别方法、装置、计算机设备及存储介质
CN110059705A (zh) * 2019-04-22 2019-07-26 厦门商集网络科技有限责任公司 一种基于建模的ocr识别结果判决方法和设备
CN110059705B (zh) * 2019-04-22 2021-11-09 厦门商集网络科技有限责任公司 一种基于建模的ocr识别结果判决方法和设备
CN110826551A (zh) * 2019-11-04 2020-02-21 大连交通大学 一种机动车vin码拓印模图像的智能甄别方法
CN110826551B (zh) * 2019-11-04 2023-04-28 大连交通大学 一种机动车vin码拓印模图像的智能甄别方法
CN113642556A (zh) * 2021-08-04 2021-11-12 五八有限公司 一种图像处理方法、装置、电子设备及存储介质
CN113610083A (zh) * 2021-08-13 2021-11-05 天津大学 车辆vin码的字符识别和字符打刻深度检测系统及检测方法
CN113610083B (zh) * 2021-08-13 2023-07-25 天津大学 车辆vin码的字符识别和字符打刻深度检测系统及检测方法
CN113705561A (zh) * 2021-09-02 2021-11-26 北京云蝶智学科技有限公司 特殊符号的识别方法及装置
CN115499251A (zh) * 2022-11-18 2022-12-20 广州信泽信息科技有限公司 一种边缘IoT设备的异常流量及攻击检测方法及系统

Similar Documents

Publication Publication Date Title
CN105825218A (zh) 汽车车辆识别码的识别方法及装置
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
US8009928B1 (en) Method and system for detecting and recognizing text in images
US7613328B2 (en) Label detection
US9292759B2 (en) Methods and systems for optimized parameter selection in automated license plate recognition
KR101452562B1 (ko) 비디오 이미지에서 텍스트를 검출하는 방법
CN110348451B (zh) 铁路集装箱装卸过程中的箱号自动采集及识别方法
WO2018018788A1 (zh) 一种基于图像识别的计量表抄表装置及其方法
CN110348264B (zh) 一种qr二维码图像校正方法及系统
CN109919160B (zh) 验证码识别方法、装置、终端及存储介质
CN101593276B (zh) 一种视频ocr图文分离方法及系统
CN115063421B (zh) 极片区域检测方法及系统及装置及介质及缺陷检测方法
CN112686858A (zh) 一种手机充电器视觉缺陷检测方法、装置、介质及设备
JP4558232B2 (ja) 画像処理方法、画像処理装置および画像処理方法をコンピュータに実行させるプログラムを記録したコンピュータ読み取り可能な記録媒体
CN111461131B (zh) 身份证号码信息识别方法、装置、设备及存储介质
CN101697196A (zh) 摄像机铭牌序列号数字识别系统及方法
CN111144413A (zh) 虹膜定位方法及计算机可读存储介质
CN111353324A (zh) 玻璃内部点阵二维码读取方法
CN1275191C (zh) 用于扩展在图象中的字符区域的设备及方法
JP6580201B2 (ja) 被写体検出装置、被写体検出方法及びプログラム
US20130051681A1 (en) System and method for script and orientation detection of images
CN112785550B (zh) 图像质量值确定方法、装置、存储介质及电子装置
JPH05342412A (ja) グラディエントベクトルの抽出方式及び文字認識用特徴抽出方式
CN113743218B (zh) 一种车牌识别方法、车牌识别装置和计算机可读存储介质
CN117291888A (zh) 图形边缘轮廓的识别方法、装置、设备及存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160803

RJ01 Rejection of invention patent application after publication