CN106022232A - 基于深度学习的车牌检测方法 - Google Patents

基于深度学习的车牌检测方法 Download PDF

Info

Publication number
CN106022232A
CN106022232A CN201610312822.2A CN201610312822A CN106022232A CN 106022232 A CN106022232 A CN 106022232A CN 201610312822 A CN201610312822 A CN 201610312822A CN 106022232 A CN106022232 A CN 106022232A
Authority
CN
China
Prior art keywords
neural networks
convolutional neural
fast
rcnn
rpn
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
CN201610312822.2A
Other languages
English (en)
Inventor
邹刚
蒋涛
李鸿升
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.)
CHENGDU XINZHOU RUISHI TECHNOLOGY Co Ltd
Original Assignee
CHENGDU XINZHOU RUISHI 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 CHENGDU XINZHOU RUISHI TECHNOLOGY Co Ltd filed Critical CHENGDU XINZHOU RUISHI TECHNOLOGY Co Ltd
Priority to CN201610312822.2A priority Critical patent/CN106022232A/zh
Publication of CN106022232A publication Critical patent/CN106022232A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的车牌检测方法，采用faster‑rcnn算法，分别训练一个RPN卷积神经网络和一个fast‑rcnn卷积神经网络，通过构建带有标注和标签的图片库作为样本集，并采用训练好的RPN卷积神经网络处理样本集中的图片，得到车牌粗选区域，然后将车牌粗选框送入训练好的fast‑rcnn卷积神经网络做判别，根据fast‑rcnn卷积神经网络的输出向量判断车牌粗选区域是否为最佳车牌区域，如果是最佳车牌区域，则得到车牌最终区域。本发明在RPN卷积神经网络训练时，采用了多个尺度和多个比例基准框，能够有效提升非常规尺度和比例的车牌的检测，RPN卷积神经网络和fast‑rcnn卷积神经网络通过共享卷积层参数，使整个系统更加简单，计算量较小，而且漏检率较低，能满足系统实时性要求。

Description

基于深度学习的车牌检测方法
技术领域
本发明属于计算机视觉识别技术领域，尤其涉及一种基于深度学习的车牌检测方法。
背景技术
计算机视觉是人工智能和图像处理领域的一个重要交叉学科。早期的计算机视觉任务的解决方法主要含有两个步骤，一个是手动设计特征，另一个是构建一个浅层学习系统。随着人工智能的发展，深度学习于2006年正式提出。深度学习起源于多层人工神经网络，目前已成功应用于计算机视觉、自然语言处理和智能搜索等领域。当前已有的深度学习网络主要包括卷积神经网络、深度置信网和堆叠自动编码机。卷积神经网络由于其层间联系和空域信息的紧密关系，使其广泛运用在图像处理中。
图像中的车牌检测流程一般包括构建训练样本集，提取特征，训练分类器，利用训练好的分类器进行目标检测。在图像特征提取方面，传统方法通常使用方向梯度直方图(HOG)、局部二值模式(LBP)及SIFT等特征提取方法。然而，不同的特征提取方法都有其适用范围，HOG适合于描述边缘特性，LBP适合描述纹理特性。若脱离其适用范围，则会导致错误的分类结果，不具有普适性。而卷积神经网络替代了以上特征提取方法，其深层结构使其能够自动提取图像的特征信息，利于分类器的训练和最终的目标检测。
经过对现有技术的检索发现，中国专利文献号CN104298976A公开(公告)日2015.01.21，公开了一种基于卷积神经网络的车牌检测方法：具体包括构建基于Haar特征和Adaboost分类器的车牌粗选区域获取模块，然后通过卷积神经网络进行车牌粗选区域的筛选，获得车牌的最佳位置，然后通过多阈值分割算法对车牌最终候选区域进行分割，获取车牌每一个字符，通过卷积神经网络识别模型对车牌字符进行识别，得到车牌识别结果，在工程应用具有良好效果。但该技术中获取车牌最终候选区域完全依赖于其通过基于Haar特征的Adaboost车牌检测器获取的车牌粗选区域，与后面的判别和识别网络没有任何联系，使整个算法的复杂度较高和计算量较大。
中国专利文献号CN104809443A公开(公告)日2015.07.29，公开了一种基于卷积神经网络的车牌检测方法和系统：训练样本获取模块的正负样本输入卷积神经网络模块，把卷积神经网络训练成一个能够识别车牌和非车牌图片的二分类器，车牌区域检测模块创建图片金字塔并利用训练好的卷积神经网络模块来检测金字塔中图片的车牌区域，该方法运用图像金字塔和滑窗的方法，成功避免了粗选区域不太准确的问题。但是这种方法仍然存在较大问题，如果图像金字塔层数太少，则计算量较小，但是漏检率较高，如果图像金字塔层数太多，则漏检率较低，但是计算量较大，不能满足系统实时性要求，而且这种方法固定了滑窗大小和比例，对于某些非常规尺度和长宽比的车牌，容易出现漏检。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于深度学习的车牌检测方法。
本发明通过以下技术方案来实现上述目的：
一种基于深度学习的车牌检测方法，通过构建带有标注和标签的图片库作为训练样本集，采用faster-rcnn算法，分别训练一个基于多个基准框的RPN卷积神经网络和一个fast-rcnn卷积神经网络，其中RPN卷积神经网络和fast-rcnn卷积神经网络前五个卷积层共享参数，采用训练好的RPN卷积神经网络处理训练样本集中的图片，得到车牌粗选区域，然后将车牌粗选框送入训练好的fast-rcnn卷积神经网络做判别，根据fast-rcnn卷积神经网络的输出向量判断车牌粗选区域是否为最佳车牌区域，如果是最佳车牌区域，则得到车牌最终区域。
进一步地，所述标注是指记录车牌在一整张图像中的左上角点和右下角点的坐标，所述标签是指判断每个给定的车牌位置是否为车牌区域的标记。
更进一步地，训练RPN卷积神经网络和fast-rcnn卷积神经网络的具体步骤如下：
A1：构建RPN卷积神经网络和fast-rcnn卷积神经网络，所述RPN卷积神经网络由八个卷积层和一个Softmax层构成，所述fast-rcnn卷积神经网络由五个卷积层、一个ROIpooling层、四个全连接层和一个Softmax层构成；
A2：对RPN卷积神经网络进行初始化，用不同的小随机数初始化网络中待训练参数；
A3：对输入的样本图像每一点都赋予多个尺度和多个比例的基准框，通过向初始化后的RPN卷积神经网络中输入训练样本的基准框来训练CNN，使用反向传播BP算法，调整RPN卷积神经网络参数，使损失函数值最小；
A4：在训练样本上运用训练好的RPN卷积神经网络模型，得到样本集的车牌粗选框；
A5：对fast-rcnn卷积神经网络采用与RPN卷积神经网络一样的初始化方式和训练方式，输入训练样本和步骤A4中获得的车牌粗选框，结合样本集的标注和标签，进行训练，得到fast-rcnn卷积神经网络模型；
A6：重新训练RPN卷积神经网络，将RPN卷积神经网络的前五层卷积层学习率设为0，参数finetune来自步骤A5的fast-rcnn卷积神经网络模型，训练得到新的RPN卷积神经网络模型；
A7：在训练样本上运用新训练好的RPN卷积神经网络模型，重新得到训练样本的车牌粗选框；
A8：重新训练fast-rcnn卷积神经网络，将fast-rcnn卷积神经网络的前五层卷积层学习率设为0，参数finetune步骤A7中的RPN卷积神经网络模型，使用样本集和步骤A7中的车牌粗选框标注，重新训练得到新的fast-rcnn卷积神经网络模型。
更进一步地，所述RPN卷积神经网络的前六个卷积层直接依次级联，第七个卷积层和第八个卷积层均直接连接到第六个所述卷积层上，所述RPN卷积神经网络的Softmax层连接到第七个卷积层上，其中，RPN卷积神经网络的前五个卷积层作为特征提取层，第六个卷积层作为特征映射层，第七个卷积层输出回归框包含车牌的置信度，第八个卷积层输出回归框的位置参数，Softmax层负责对置信度进行归一化调整。
更进一步地，所述fast-rcnn卷积神经网络的五个卷积层、ROIpooling层、第一个全连接层和第二个全连接层直接依次级联，第三个全连接层和第四个全连接层均直接连接到第二个全连接层上，所述fast-rcnn卷积神经网络的Softmax层连接到第三个全连接层，其中fast-rcnn卷积神经网络的五个卷积层与RPN卷积神经网络的前五个卷积层共享参数，fast-rcnn卷积神经网络的第一个全连接层和第二个全连接层对特征做非线性变换，fast-rcnn卷积神经网络的第三个全连接层输出判别类的置信度，fast-rcnn卷积神经网络的第四个全连接层输出粗选框的位置修正参数。
本发明的有益效果在于：
本发明通过训练样本获取模块、RPN卷积神经网络以及fast-rcnn卷积神经网络，其中将训练样本获取模块的样本集输入RPN卷积神经网络，将RPN卷积神经网络训练成一个能够回归车牌大概位置的回归器，fast-rcnn卷积神经网络通过获取的车牌的粗选区域来进行车牌筛选，判别车牌最佳位置，与现有技术相比，这种方法对车牌尺度和比例不敏感，能够有效提升非常规尺度和比例的车牌的检测，并且更加简单，通过共享卷积层参数，使计算量较小，而且漏检率较低，能满足系统实时性要求。
附图说明
图1是本发明所述车牌检测方法的流程图；
图2为本发明所述RPN卷积神经网络的示意图；
图3为本发明所述fast-rcnn卷积神经网络的示意图。
具体实施方式
下面结合附图对本发明作进一步说明：
下面结合附图对本发明作进一步说明：
本发明中的一些术语解释如下：
术语1：faster-rcnn算法
faster-rcnn算法包含一个RPN卷积神经网络和一个fast-rcnn卷积神经网络：RPN卷积神经网络针对的是回归问题，在本发明中负责获取车牌的粗选区域；fast-rcnn卷积神经网络针对的是判别问题，在本发明中负责对获得的车牌的粗选区域做进一步筛选。
术语2：BP算法
BP算法是一种反向传播算法，分为前向过程、反向过程两部分，其中前向过程是指将数据输入到网络中得到最终结果的过程，反向过程是指将前向过程和样本实际数值的差值作为误差，对网络权重进行更新的过程。
如图1所示，本发明采用faster-rcnn算法，通过构建带有标注和标签的图片库作为样本集，分别训练一个RPN卷积神经网络和一个fast-rcnn卷积神经网络，并采用训练好的RPN卷积神经网络处理样本集中的图片，得到车牌粗选区域，然后将车牌粗选框送入训练好的fast-rcnn卷积神经网络做判别，根据fast-rcnn卷积神经网络的输出向量判断车牌粗选区域是否为最佳车牌区域，如果是最佳车牌区域，则得到车牌最终区域。
其中，标注是指记录下车牌在一整张图像中的左上角点和右下角点的坐标，标签是指判断每个给定的车牌位置是否为车牌区域的标记。
在具体操作中，同天气情况、不同场景下拍摄车辆照片(包括背景)，从拍摄照片中标出车牌位置，得到包含车牌彩色图片50000张,把所得到的图像长边尺寸归一化为1000，之后构建RPN卷积神经网络和fast-rcnn卷积神经网络，采用的RPN卷积神经网络和fast-rcnn卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，每个平面由多个独立神经元组成。本实施例中RPN卷积神经网络由八个卷积层和一个Softmax层构成，fast-rcnn卷积神经网络由五个卷积层、一个ROIpooling层、四个全连接层和一个Softmax层构成，然后开始训练RPN卷积神经网络和fast-rcnn卷积神经网络。
如图2所示，RPN卷积神经网络中的卷积层1到卷积层6串联，即Conv1、Conv2、Conv3、Conv4、Conv5和Conv6依次串联，卷积层7和卷积层8直接连接到卷积层6上，即将Conv7和Conv8均直接与Conv6相连接，Softmax层直接连接到卷积层7上，8个卷积层中，前5个卷积层(Conv1、Conv2、Conv3、Conv4、Conv5)作为特征提取，第6个卷积层(Conv6)作为特征映射，剩余2个卷积层(Conv7和Conv8)分别输出回归框包含车牌的置信度和回归框的位置参数,Softmax层负责对置信度进行归一化调整，第1-2个卷积层(Conv1和Conv2))后面跟了ReLU，LRN和pool操作，第3-6个卷积层(Conv3、Conv4、Conv5和Conv6)后面跟了ReLU操作，其中pool操作的核大小为3，偏移量为2，填充为1。RPN卷积神经网络参数如表1所示。
表1
如图3所示，fast-rcnn卷积神经网络的卷积层(图3中的Conv1、Conv2、Conv3、Conv4和Conv5)、ROIpooling层和全连接层1-2(fc6、fc7)串联，全连接层3(fc8)和全连接层4(fc9)直接连接到全连接层2(fc7)上，Softmax层直接连接到全连接层3(fc8)上，其中fast-rcnn卷积神经网络中的卷积层与RPN卷积神经网络前5个卷积(图2中的Conv1、Conv2、Conv3、Conv4、Conv5)层共享参数，2个全连接层对特征做非线性变换，剩余的2个全连接层输出判别的类的置信度和粗选框的位置修正参数,第1-2个卷积层后面跟了ReLU、LRN和pool操作，第3-5个卷积层和非线性变换后面跟了ReLU操作，其中pool操作的核大小为3，偏移量为2，填充为1。fast-rcnn卷积神经网络参数如表2所示。
表2
构建基准框，基础尺度选用16个像素，共采用4个尺度(32,48,64,80)和3个长宽比例(0.5,1,2)基准框，共12个基准框，基础框大小参数如表3所示，
表3
x1 y1 x2 y2
1 -53 -7 70 24
2 -115 -23 132 40
3 -239 -55 256 72
4 -487 -119 504 136
5 -47 -9 64 26
6 -103 -27 120 44
7 -215 -63 232 80
8 -439 -135 456 152
9 -43 -11 60 28
10 -95 -31 112 48
11 -199 -71 216 88
12 -407 -151 424 168
RPN卷积神经网络和fast-rcnn卷积神经网络的训练步骤：
1、对RPN卷积神经网络进行初始化，用标注差为0.01的高斯分布随机初始化网络中待训练参数；
2、向初始化后的RPN卷积神经网络中输入50000个训练样本来进行训练，先对样本图像的每一个像素点赋予12个基本框，然后进行前向传播，计算预测的置信度和标签的Softmax损失值，计算预测的框和标注框的SmoothL1损失值，使用反向传播BP算法，调整RPN卷积神经网络参数，使SmoothL1和Softmax损失函数值和最小；
3、在训练样本上运用训练好的RPN卷积神经网络模型，得到样本集的车牌粗选框；
4、对fast-rcnn卷积神经网络采用RPN卷积神经网络类似的高斯分布随机初始化方式，将上一步样本上的车牌粗选框，进行前向传播，计算判别的类别和标签的softmax损失值，计算预测的框修正参数和标注框的SmoothL1损失值，使用反向传播算法BP调整参数，使损失值之和最小，得到fast-rcnn卷积神经网络模型；
5、重新训练RPN卷积神经网络，将RPN卷积神经网络的前五层卷积层学习率设为0，参数finetune来自步骤4的fast-rcnn卷积神经网络模型，训练得到新的RPN卷积神经网络模型；
6、在训练样本上运用新训练好的RPN卷积神经网络模型，重新得到训练样本的车牌粗选框；
7、重新训练fast-rcnn卷积神经网络，将fast-rcnn卷积神经网络的前五层卷积层学习率设为0，参数finetune步骤6中的RPN卷积神经网络模型，使用样本集和步骤6中的车牌粗选框标注，重新训练得到新的fast-rcnn卷积神经网络模型。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围内。

Claims (5)

1.一种基于深度学习的车牌检测方法，其特征在于：通过构建带有标注和标签的图片库作为训练样本集，采用faster-rcnn算法，分别训练一个基于多个基准框的RPN卷积神经网络和一个fast-rcnn卷积神经网络，其中RPN卷积神经网络和fast-rcnn卷积神经网络前五个卷积层共享参数，采用训练好的RPN卷积神经网络处理训练样本集中的图片，得到车牌粗选区域，然后将车牌粗选框送入训练好的fast-rcnn卷积神经网络做判别，根据fast-rcnn卷积神经网络的输出向量判断车牌粗选区域是否为最佳车牌区域，如果是最佳车牌区域，则得到车牌最终区域。
2.根据权利要求1所述的基于深度学习的车牌检测方法，其特征在于：所述标注是指记录车牌在一整张图像中的左上角点和右下角点的坐标，所述标签是指判断每个给定的车牌位置是否为车牌区域的标记。
3.根据权利要求1所述的基于深度学习的车牌检测方法，其特征在于，训练RPN卷积神经网络和fast-rcnn卷积神经网络的具体步骤如下：
A1：构建RPN卷积神经网络和fast-rcnn卷积神经网络，所述RPN卷积神经网络由八个卷积层和一个Softmax层构成，所述fast-rcnn卷积神经网络由五个卷积层、一个ROIpooling层、四个全连接层和一个Softmax层构成；
A2：对RPN卷积神经网络进行初始化，用不同的小随机数初始化网络中待训练参数；
A3：对输入的样本图像每一点都赋予多个尺度和多个比例的基准框，通过向初始化后的RPN卷积神经网络中输入训练样本的基准框来训练CNN，使用反向传播BP算法，调整RPN卷积神经网络参数，使损失函数值最小；
A4：在训练样本上运用训练好的RPN卷积神经网络模型，得到样本集的车牌粗选框；
A5：对fast-rcnn卷积神经网络采用与RPN卷积神经网络一样的初始化方式和训练方式，输入训练样本和步骤A4中获得的车牌粗选框，结合样本集的标注和标签，进行训练，得到fast-rcnn卷积神经网络模型；
A6：重新训练RPN卷积神经网络，将RPN卷积神经网络的前五层卷积层学习率设为0，参数finetune来自步骤A5的fast-rcnn卷积神经网络模型，训练得到新的RPN卷积神经网络模型；
A7：在训练样本上运用新训练好的RPN卷积神经网络模型，重新得到训练样本的车牌粗选框；
A8：重新训练fast-rcnn卷积神经网络，将fast-rcnn卷积神经网络的前五层卷积层学习率设为0，参数finetune步骤A7中的RPN卷积神经网络模型，使用样本集和步骤A7中的车牌粗选框标注，重新训练得到新的fast-rcnn卷积神经网络模型。
4.根据权利要求3所述的基于深度学习的车牌检测方法，其特征在于：所述RPN卷积神经网络的前六个卷积层直接依次级联，第七个卷积层和第八个卷积层均直接连接到第六个所述卷积层上，所述RPN卷积神经网络的Softmax层连接到第七个卷积层上，其中，RPN卷积神经网络的前五个卷积层作为特征提取层，第六个卷积层作为特征映射层，第七个卷积层输出回归框包含车牌的置信度，第八个卷积层输出回归框的位置参数，Softmax层负责对置信度进行归一化调整。
5.根据权利要求3所述的基于深度学习的车牌检测方法，其特征在于：所述fast-rcnn卷积神经网络的五个卷积层、ROIpooling层、第一个全连接层和第二个全连接层直接依次级联，第三个全连接层和第四个全连接层均直接连接到第二个全连接层上，所述fast-rcnn卷积神经网络的Softmax层连接到第三个全连接层，其中fast-rcnn卷积神经网络的五个卷积层与RPN卷积神经网络的前五个卷积层共享参数，fast-rcnn卷积神经网络的第一个全连接层和第二个全连接层对特征做非线性变换，fast-rcnn卷积神经网络的第三个全连接层输出判别类的置信度，fast-rcnn卷积神经网络的第四个全连接层输出粗选框的位置修正参数。
CN201610312822.2A 2016-05-12 2016-05-12 基于深度学习的车牌检测方法 Pending CN106022232A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610312822.2A CN106022232A (zh) 2016-05-12 2016-05-12 基于深度学习的车牌检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610312822.2A CN106022232A (zh) 2016-05-12 2016-05-12 基于深度学习的车牌检测方法

Publications (1)

Publication Number Publication Date
CN106022232A true CN106022232A (zh) 2016-10-12

Family

ID=57100131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610312822.2A Pending CN106022232A (zh) 2016-05-12 2016-05-12 基于深度学习的车牌检测方法

Country Status (1)

Country Link
CN (1) CN106022232A (zh)

Cited By (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407981A (zh) * 2016-11-24 2017-02-15 北京文安智能技术股份有限公司 一种车牌识别方法、装置及系统
CN106529578A (zh) * 2016-10-20 2017-03-22 中山大学 一种基于深度学习的车辆品牌型号精细识别方法与系统
CN106557768A (zh) * 2016-11-25 2017-04-05 北京小米移动软件有限公司 对图片中的文字进行识别的方法及装置
CN106599773A (zh) * 2016-10-31 2017-04-26 清华大学 用于智能驾驶的深度学习图像识别方法、系统及终端设备
CN106778745A (zh) * 2016-12-23 2017-05-31 深圳先进技术研究院 一种车牌识别方法及装置、用户设备
CN106845373A (zh) * 2017-01-04 2017-06-13 天津大学 面向监控视频的行人属性预测方法
CN106845482A (zh) * 2017-01-23 2017-06-13 南京邮电大学盐城大数据研究院有限公司 一种车牌定位方法
CN106910188A (zh) * 2017-02-16 2017-06-30 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像中机场跑道的检测方法
CN106909901A (zh) * 2017-02-28 2017-06-30 北京京东尚科信息技术有限公司 从图像中检测物体的方法及装置
CN106960195A (zh) * 2017-03-27 2017-07-18 深圳市丰巨泰科电子有限公司 一种基于深度学习的人群计数方法及装置
CN106971152A (zh) * 2017-03-16 2017-07-21 天津大学 一种基于航拍图像的检测输电线路中鸟巢的方法
CN106971185A (zh) * 2017-03-27 2017-07-21 深圳市丰巨泰科电子有限公司 一种基于全卷积网络的车牌定位方法及装置
CN106991420A (zh) * 2017-03-27 2017-07-28 新智认知数据服务有限公司 一种基于分块的车牌区域回归技术的车牌检测方法
CN107203754A (zh) * 2017-05-26 2017-09-26 北京邮电大学 一种基于深度学习的车牌定位方法及装置
CN107229929A (zh) * 2017-04-12 2017-10-03 西安电子科技大学 一种基于r‑cnn的车牌定位方法
CN107229904A (zh) * 2017-04-24 2017-10-03 东北大学 一种基于深度学习的目标检测与识别方法
CN107273894A (zh) * 2017-06-15 2017-10-20 珠海习悦信息技术有限公司 车牌的识别方法、装置、存储介质及处理器
CN107368845A (zh) * 2017-06-15 2017-11-21 华南理工大学 一种基于优化候选区域的Faster R‑CNN目标检测方法
CN107451607A (zh) * 2017-07-13 2017-12-08 山东中磁视讯股份有限公司 一种基于深度学习的典型人物的身份识别方法
CN107481188A (zh) * 2017-06-23 2017-12-15 珠海经济特区远宏科技有限公司 一种图像超分辨率重构方法
CN107578439A (zh) * 2017-07-19 2018-01-12 阿里巴巴集团控股有限公司 生成目标图像的方法、装置及设备
CN107657603A (zh) * 2017-08-21 2018-02-02 北京精密机电控制设备研究所 一种基于智能视觉的工业外观检测方法
CN107665351A (zh) * 2017-05-06 2018-02-06 北京航空航天大学 基于难样本挖掘的机场检测方法
CN107862314A (zh) * 2017-10-25 2018-03-30 武汉楚锐视觉检测科技有限公司 一种喷码识别方法和识别装置
CN108021848A (zh) * 2016-11-03 2018-05-11 浙江宇视科技有限公司 客流量统计方法及装置
CN108154136A (zh) * 2018-01-15 2018-06-12 众安信息技术服务有限公司 用于识别字迹的方法、装置及计算机可读介质
CN108171233A (zh) * 2016-12-07 2018-06-15 三星电子株式会社 使用基于区域的深度学习模型的对象检测的方法和设备
CN108182413A (zh) * 2017-12-29 2018-06-19 中国矿业大学(北京) 一种矿井移动目标检测与跟踪识别方法
CN108268865A (zh) * 2016-12-30 2018-07-10 航天信息股份有限公司 一种基于级联卷积网络的自然场景下车牌识别方法及系统
CN108320296A (zh) * 2017-12-28 2018-07-24 新智数字科技有限公司 一种视频中目标对象的检测跟踪方法、装置及设备
CN108446696A (zh) * 2018-02-09 2018-08-24 杭州雄迈集成电路技术有限公司 一种基于深度学习的端到端车牌识别方法
CN108805210A (zh) * 2018-06-14 2018-11-13 深圳深知未来智能有限公司 一种基于深度学习的弹孔识别方法
CN109145900A (zh) * 2018-07-30 2019-01-04 中国科学技术大学苏州研究院 一种基于深度学习的车牌识别方法
CN109165648A (zh) * 2018-08-30 2019-01-08 Oppo广东移动通信有限公司 一种图像处理方法、图像处理装置及移动终端
CN109191429A (zh) * 2018-07-26 2019-01-11 中国科学院福建物质结构研究所 一种基于机器视觉的3d打印喷嘴检测方法
CN109255350A (zh) * 2018-08-29 2019-01-22 南京邮电大学 一种基于视频监控的新能源车牌检测方法
CN109285139A (zh) * 2018-07-23 2019-01-29 同济大学 一种基于深度学习的x射线成像焊缝检测方法
CN109325385A (zh) * 2017-07-31 2019-02-12 株式会社理光 目标检测和区域分割方法、装置和计算机可读存储介质
CN109508580A (zh) * 2017-09-15 2019-03-22 百度在线网络技术（北京）有限公司 交通信号灯识别方法和装置
CN109522938A (zh) * 2018-10-26 2019-03-26 华南理工大学 一种基于深度学习的图像中目标的识别方法
CN109543753A (zh) * 2018-11-23 2019-03-29 中山大学 基于自适应模糊修复机制的车牌识别方法
CN109948612A (zh) * 2019-03-19 2019-06-28 苏州怡林城信息科技有限公司 基于卷积网络的车牌检测方法、存储介质和检测设备
CN110033002A (zh) * 2019-04-19 2019-07-19 福州大学 基于多任务级联卷积神经网络的车牌检测方法
US10360247B2 (en) 2017-03-24 2019-07-23 Tata Consultancy Services Limited System and method for telecom inventory management
WO2019140957A1 (zh) * 2018-01-17 2019-07-25 慧影医疗科技（北京）有限公司 一种骨折识别模型的构建方法及应用
CN110210413A (zh) * 2019-06-04 2019-09-06 哈尔滨工业大学 一种基于深度学习的多学科试卷内容检测与识别系统及方法
CN110288082A (zh) * 2019-06-05 2019-09-27 北京字节跳动网络技术有限公司 卷积神经网络模型训练方法、装置和计算机可读存储介质
CN110598693A (zh) * 2019-08-12 2019-12-20 浙江工业大学 一种基于Faster-RCNN的船牌识别方法
CN111508269A (zh) * 2020-04-23 2020-08-07 深圳智优停科技有限公司 一种基于图像识别的开放式停车位车辆判别方法与装置
CN111523416A (zh) * 2020-04-13 2020-08-11 北京巨视科技有限公司 一种基于高速公路etc门架的车辆预警方法和装置
CN112613401A (zh) * 2020-12-22 2021-04-06 贝壳技术有限公司 一种人脸检测的方法、装置、电子设备及存储介质
CN114155631A (zh) * 2021-11-29 2022-03-08 哈尔滨工程大学 一种具备身份验证与无线互联功能的智能车位锁
US11345985B2 (en) 2017-12-22 2022-05-31 Posco High-strength steel sheet with excellent crashworthiness characteristics and formability and method of manufacturing the same

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140376819A1 (en) * 2013-06-21 2014-12-25 Microsoft Corporation Image recognition by image search
CN105069413A (zh) * 2015-07-27 2015-11-18 电子科技大学 一种基于深度卷积神经网络的人体姿势识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140376819A1 (en) * 2013-06-21 2014-12-25 Microsoft Corporation Image recognition by image search
CN105069413A (zh) * 2015-07-27 2015-11-18 电子科技大学 一种基于深度卷积神经网络的人体姿势识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHAOQING REN ET AL: "Faster R-CNN: Towards Real-Time Object", 《NIPS》 *

Cited By (74)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529578A (zh) * 2016-10-20 2017-03-22 中山大学 一种基于深度学习的车辆品牌型号精细识别方法与系统
CN106599773A (zh) * 2016-10-31 2017-04-26 清华大学 用于智能驾驶的深度学习图像识别方法、系统及终端设备
CN106599773B (zh) * 2016-10-31 2019-12-24 清华大学 用于智能驾驶的深度学习图像识别方法、系统及终端设备
CN108021848B (zh) * 2016-11-03 2021-06-01 浙江宇视科技有限公司 客流量统计方法及装置
CN108021848A (zh) * 2016-11-03 2018-05-11 浙江宇视科技有限公司 客流量统计方法及装置
CN106407981A (zh) * 2016-11-24 2017-02-15 北京文安智能技术股份有限公司 一种车牌识别方法、装置及系统
CN106557768A (zh) * 2016-11-25 2017-04-05 北京小米移动软件有限公司 对图片中的文字进行识别的方法及装置
CN108171233A (zh) * 2016-12-07 2018-06-15 三星电子株式会社 使用基于区域的深度学习模型的对象检测的方法和设备
CN106778745A (zh) * 2016-12-23 2017-05-31 深圳先进技术研究院 一种车牌识别方法及装置、用户设备
CN108268865A (zh) * 2016-12-30 2018-07-10 航天信息股份有限公司 一种基于级联卷积网络的自然场景下车牌识别方法及系统
CN106845373A (zh) * 2017-01-04 2017-06-13 天津大学 面向监控视频的行人属性预测方法
CN106845482A (zh) * 2017-01-23 2017-06-13 南京邮电大学盐城大数据研究院有限公司 一种车牌定位方法
CN106910188A (zh) * 2017-02-16 2017-06-30 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像中机场跑道的检测方法
CN106909901A (zh) * 2017-02-28 2017-06-30 北京京东尚科信息技术有限公司 从图像中检测物体的方法及装置
CN106909901B (zh) * 2017-02-28 2020-06-05 北京京东尚科信息技术有限公司 从图像中检测物体的方法及装置
CN106971152A (zh) * 2017-03-16 2017-07-21 天津大学 一种基于航拍图像的检测输电线路中鸟巢的方法
CN106971152B (zh) * 2017-03-16 2020-04-17 天津大学 一种基于航拍图像的检测输电线路中鸟巢的方法
US10360247B2 (en) 2017-03-24 2019-07-23 Tata Consultancy Services Limited System and method for telecom inventory management
CN106991420A (zh) * 2017-03-27 2017-07-28 新智认知数据服务有限公司 一种基于分块的车牌区域回归技术的车牌检测方法
CN106971185B (zh) * 2017-03-27 2020-03-13 张东森 一种基于全卷积网络的车牌定位方法及装置
CN106960195A (zh) * 2017-03-27 2017-07-18 深圳市丰巨泰科电子有限公司 一种基于深度学习的人群计数方法及装置
CN106971185A (zh) * 2017-03-27 2017-07-21 深圳市丰巨泰科电子有限公司 一种基于全卷积网络的车牌定位方法及装置
CN107229929A (zh) * 2017-04-12 2017-10-03 西安电子科技大学 一种基于r‑cnn的车牌定位方法
CN107229904A (zh) * 2017-04-24 2017-10-03 东北大学 一种基于深度学习的目标检测与识别方法
CN107665351A (zh) * 2017-05-06 2018-02-06 北京航空航天大学 基于难样本挖掘的机场检测方法
CN107665351B (zh) * 2017-05-06 2022-07-26 北京航空航天大学 基于难样本挖掘的机场检测方法
CN107203754A (zh) * 2017-05-26 2017-09-26 北京邮电大学 一种基于深度学习的车牌定位方法及装置
CN107203754B (zh) * 2017-05-26 2019-04-12 北京邮电大学 一种基于深度学习的车牌定位方法及装置
CN107368845A (zh) * 2017-06-15 2017-11-21 华南理工大学 一种基于优化候选区域的Faster R‑CNN目标检测方法
CN107273894A (zh) * 2017-06-15 2017-10-20 珠海习悦信息技术有限公司 车牌的识别方法、装置、存储介质及处理器
CN107481188A (zh) * 2017-06-23 2017-12-15 珠海经济特区远宏科技有限公司 一种图像超分辨率重构方法
CN107451607A (zh) * 2017-07-13 2017-12-08 山东中磁视讯股份有限公司 一种基于深度学习的典型人物的身份识别方法
CN107578439B (zh) * 2017-07-19 2020-04-28 创新先进技术有限公司 生成目标图像的方法、装置及设备
CN107578439A (zh) * 2017-07-19 2018-01-12 阿里巴巴集团控股有限公司 生成目标图像的方法、装置及设备
CN109325385A (zh) * 2017-07-31 2019-02-12 株式会社理光 目标检测和区域分割方法、装置和计算机可读存储介质
CN107657603B (zh) * 2017-08-21 2020-07-14 北京精密机电控制设备研究所 一种基于智能视觉的工业外观检测方法
CN107657603A (zh) * 2017-08-21 2018-02-02 北京精密机电控制设备研究所 一种基于智能视觉的工业外观检测方法
CN109508580A (zh) * 2017-09-15 2019-03-22 百度在线网络技术（北京）有限公司 交通信号灯识别方法和装置
CN109508580B (zh) * 2017-09-15 2022-02-25 阿波罗智能技术(北京)有限公司 交通信号灯识别方法和装置
US11037005B2 (en) 2017-09-15 2021-06-15 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for identifying traffic light
CN107862314A (zh) * 2017-10-25 2018-03-30 武汉楚锐视觉检测科技有限公司 一种喷码识别方法和识别装置
CN107862314B (zh) * 2017-10-25 2021-04-20 武汉楚锐视觉检测科技有限公司 一种喷码识别方法和识别装置
US11345985B2 (en) 2017-12-22 2022-05-31 Posco High-strength steel sheet with excellent crashworthiness characteristics and formability and method of manufacturing the same
CN108320296A (zh) * 2017-12-28 2018-07-24 新智数字科技有限公司 一种视频中目标对象的检测跟踪方法、装置及设备
CN108320296B (zh) * 2017-12-28 2020-08-21 新智数字科技有限公司 一种视频中目标对象的检测跟踪方法、装置及设备
CN108182413A (zh) * 2017-12-29 2018-06-19 中国矿业大学(北京) 一种矿井移动目标检测与跟踪识别方法
CN108154136B (zh) * 2018-01-15 2022-04-05 众安信息技术服务有限公司 用于识别字迹的方法、装置及计算机可读介质
CN108154136A (zh) * 2018-01-15 2018-06-12 众安信息技术服务有限公司 用于识别字迹的方法、装置及计算机可读介质
WO2019140957A1 (zh) * 2018-01-17 2019-07-25 慧影医疗科技（北京）有限公司 一种骨折识别模型的构建方法及应用
CN108446696A (zh) * 2018-02-09 2018-08-24 杭州雄迈集成电路技术有限公司 一种基于深度学习的端到端车牌识别方法
CN108805210A (zh) * 2018-06-14 2018-11-13 深圳深知未来智能有限公司 一种基于深度学习的弹孔识别方法
CN108805210B (zh) * 2018-06-14 2022-03-04 深圳深知未来智能有限公司 一种基于深度学习的弹孔识别方法
CN109285139A (zh) * 2018-07-23 2019-01-29 同济大学 一种基于深度学习的x射线成像焊缝检测方法
CN109191429B (zh) * 2018-07-26 2022-06-14 中国科学院福建物质结构研究所 一种基于机器视觉的3d打印喷嘴检测方法
CN109191429A (zh) * 2018-07-26 2019-01-11 中国科学院福建物质结构研究所 一种基于机器视觉的3d打印喷嘴检测方法
CN109145900A (zh) * 2018-07-30 2019-01-04 中国科学技术大学苏州研究院 一种基于深度学习的车牌识别方法
CN109255350A (zh) * 2018-08-29 2019-01-22 南京邮电大学 一种基于视频监控的新能源车牌检测方法
CN109255350B (zh) * 2018-08-29 2021-12-10 南京邮电大学 一种基于视频监控的新能源车牌检测方法
CN109165648A (zh) * 2018-08-30 2019-01-08 Oppo广东移动通信有限公司 一种图像处理方法、图像处理装置及移动终端
CN109522938A (zh) * 2018-10-26 2019-03-26 华南理工大学 一种基于深度学习的图像中目标的识别方法
CN109543753A (zh) * 2018-11-23 2019-03-29 中山大学 基于自适应模糊修复机制的车牌识别方法
CN109543753B (zh) * 2018-11-23 2024-01-05 中山大学 基于自适应模糊修复机制的车牌识别方法
CN109948612A (zh) * 2019-03-19 2019-06-28 苏州怡林城信息科技有限公司 基于卷积网络的车牌检测方法、存储介质和检测设备
CN110033002A (zh) * 2019-04-19 2019-07-19 福州大学 基于多任务级联卷积神经网络的车牌检测方法
CN110033002B (zh) * 2019-04-19 2022-07-08 福州大学 基于多任务级联卷积神经网络的车牌检测方法
CN110210413A (zh) * 2019-06-04 2019-09-06 哈尔滨工业大学 一种基于深度学习的多学科试卷内容检测与识别系统及方法
CN110210413B (zh) * 2019-06-04 2022-12-16 哈尔滨工业大学 一种基于深度学习的多学科试卷内容检测与识别系统及方法
CN110288082A (zh) * 2019-06-05 2019-09-27 北京字节跳动网络技术有限公司 卷积神经网络模型训练方法、装置和计算机可读存储介质
CN110598693A (zh) * 2019-08-12 2019-12-20 浙江工业大学 一种基于Faster-RCNN的船牌识别方法
CN111523416A (zh) * 2020-04-13 2020-08-11 北京巨视科技有限公司 一种基于高速公路etc门架的车辆预警方法和装置
CN111508269B (zh) * 2020-04-23 2021-05-18 深圳智优停科技有限公司 一种基于图像识别的开放式停车位车辆判别方法与装置
CN111508269A (zh) * 2020-04-23 2020-08-07 深圳智优停科技有限公司 一种基于图像识别的开放式停车位车辆判别方法与装置
CN112613401A (zh) * 2020-12-22 2021-04-06 贝壳技术有限公司 一种人脸检测的方法、装置、电子设备及存储介质
CN114155631A (zh) * 2021-11-29 2022-03-08 哈尔滨工程大学 一种具备身份验证与无线互联功能的智能车位锁

Similar Documents

Publication Publication Date Title
CN106022232A (zh) 基于深度学习的车牌检测方法
CN106778835B (zh) 融合场景信息和深度特征的遥感图像机场目标识别方法
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN106909902B (zh) 一种基于改进的层次化显著模型的遥感目标检测方法
CN106127204B (zh) 一种全卷积神经网络的多方向水表读数区域检测算法
CN106845487A (zh) 一种端到端的车牌识别方法
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN111444821A (zh) 一种城市道路标志自动识别方法
CN108154102B (zh) 一种道路交通标志识别方法
CN109902806A (zh) 基于卷积神经网络的噪声图像目标边界框确定方法
CN110619327A (zh) 一种复杂场景下基于深度学习的实时车牌识别方法
CN108388896A (zh) 一种基于动态时序卷积神经网络的车牌识别方法
CN106845408A (zh) 一种复杂环境下的街道垃圾识别方法
CN107545239A (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN105022990A (zh) 一种基于无人艇应用的水面目标快速检测方法
CN109543632A (zh) 一种基于浅层特征融合引导的深层网络行人检测方法
CN104809443A (zh) 基于卷积神经网络的车牌检测方法及系统
CN104809481A (zh) 一种基于自适应色彩聚类的自然场景文本检测的方法
CN112560675B (zh) Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法
CN108021890B (zh) 一种基于plsa和bow的高分遥感影像港口检测方法
CN111914761A (zh) 一种热红外人脸识别的方法及系统
CN112818905B (zh) 一种基于注意力和时空信息的有限像素车辆目标检测方法
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
CN112417931A (zh) 一种基于视觉显著性的水面物体检测和分类的方法
CN110599463A (zh) 一种基于轻量级联神经网络的舌像检测及定位算法

Legal Events

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

Application publication date: 20161012

RJ01 Rejection of invention patent application after publication