CN106326897A - 一种基于数据模型的车牌号识别方法 - Google Patents
一种基于数据模型的车牌号识别方法 Download PDFInfo
- Publication number
- CN106326897A CN106326897A CN201610715867.4A CN201610715867A CN106326897A CN 106326897 A CN106326897 A CN 106326897A CN 201610715867 A CN201610715867 A CN 201610715867A CN 106326897 A CN106326897 A CN 106326897A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- word bit
- recognition result
- license plate
- 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
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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- 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
Abstract
本发明提供了一种基于数据模型的车牌号识别方法,包括如下步骤:a.建立模型;b.获取数据;c.字位识别;d.可能性评估;e.得到结果。本发明通过取色范围筛选、字位识别、可能性评估的方式,能在很大程度上避免使用特殊材料的车牌固定钉,而且无需人工识别,可极大的降低人力成本。
Description
技术领域
本发明涉及一种基于数据模型的车牌号识别方法。
背景技术
现有技术中,车牌号识别一般是采用取点牌照,然后人工识别的方式进行,这种方式下,取点本身成为技术难点之一,现有技术的解决方式是采用特殊材料的车牌固定钉,但这种方式显然带来了过高的社会成本,而且在执行过程中具有过大的权力寻租空间,同时人工识别的方式也带来了过高的人力成本。
发明内容
为解决上述技术问题,本发明提供了一种基于数据模型的车牌号识别方法,该基于数据模型的车牌号识别方法通过取色范围筛选、字位识别、可能性评估的方式,能在很大程度上避免使用特殊材料的车牌固定钉,而且无需人工识别,可极大的降低人力成本。
本发明通过以下技术方案得以实现。
本发明提供的一种基于数据模型的车牌号识别方法,包括如下步骤:
a.建立模型:通过历史数据,建立点阵色差→字位识别和取色范围→识别结果的数据模型,并对每一可能识别结果建立可能性评估模型;
b.获取数据:从待识别缓存库中将当前需识别图像数据读取至内存,并根据取色范围→识别结果模型选取五种识别可能性最高的图像点阵数据,并将图像点阵数据按识别结果的识别可能性由高至低排序;
c.字位识别:对排序最高位的图像点阵数据,按照车牌字位比例划分多个字位,然后依次对每一字位用点阵色差→字位识别模型进行识别,得到字位识别结果,如排序最高位没有图像点阵数据,则直接退出当前过程并重新进入至步骤b并返回无法识别信息;
d.可能性评估:根据可能性评估模型,对步骤c中得到的字位识别结果进行可能性评估,如有任意字位的可能性评估结果小于90%,则将当前排序的图像点阵数据从排序中删除,并进入步骤c进行另外的字位识别;
e.得到结果:在步骤d通过后,将步骤c得到的字位识别结果返回,同时返回识别成功信息并将当前需识别图像数据和图像点阵数据排序列表从内存中清除。
所述点阵色差→字位识别的数据模型是由至少两个隐含层的BP神经网络算法经过2~5次训练所建立的判别模型。
所述取色范围→识别结果的数据模型是由Widrow-Hoff算法建立的线性神经网络模型。
所述可能性评估模型是对识别结果和标准结果的皮尔森相关性分析结果取绝对值的算法模型。
本发明的有益效果在于:通过取色范围筛选、字位识别、可能性评估的方式,能在很大程度上避免使用特殊材料的车牌固定钉,而且无需人工识别,可极大的降低人力成本。
附图说明
图1是本发明的流程示意图。
具体实施方式
下面进一步描述本发明的技术方案,但要求保护的范围并不局限于所述。
如图1所示的一种基于数据模型的车牌号识别方法,包括如下步骤:
a.建立模型:通过历史数据,建立点阵色差→字位识别和取色范围→识别结果的数据模型,并对每一可能识别结果建立可能性评估模型;
b.获取数据:从待识别缓存库中将当前需识别图像数据读取至内存,并根据取色范围→识别结果模型选取五种识别可能性最高的图像点阵数据,并将图像点阵数据按识别结果的识别可能性由高至低排序;
c.字位识别:对排序最高位的图像点阵数据,按照车牌字位比例划分多个字位,然后依次对每一字位用点阵色差→字位识别模型进行识别,得到字位识别结果,如排序最高位没有图像点阵数据,则直接退出当前过程并重新进入至步骤b并返回无法识别信息;
d.可能性评估:根据可能性评估模型,对步骤c中得到的字位识别结果进行可能性评估,如有任意字位的可能性评估结果小于90%,则将当前排序的图像点阵数据从排序中删除,并进入步骤c进行另外的字位识别;
e.得到结果:在步骤d通过后,将步骤c得到的字位识别结果返回,同时返回识别成功信息并将当前需识别图像数据和图像点阵数据排序列表从内存中清除。
所述点阵色差→字位识别的数据模型是由至少两个隐含层的BP神经网络算法经过2~5次训练所建立的判别模型。
所述取色范围→识别结果的数据模型是由Widrow-Hoff算法建立的线性神经网络模型。
所述可能性评估模型是对识别结果和标准结果的皮尔森相关性分析结果取绝对值的算法模型。
由此,采用本发明提供的方案,只需要用足够的数据样本来完成建立模型的过程,即可很好的实现车牌号的自动识别,基于取色范围→识别结果模型可避免使用特殊材料的车牌固定钉,只要车牌本身颜色易于辨认即可,即时在采集到的图像有变色的情况下,只要用于建模的数据样本足够,也能很好的完成取色,同理对于车牌号的自动识别,也只需要采用足够数量的样本建立点阵色差→字位识别模型即可,而可能性评估模型可以确保识别的准确度。
Claims (4)
1.一种基于数据模型的车牌号识别方法,其特征在于:包括如下步骤:
a.建立模型:通过历史数据,建立点阵色差→字位识别和取色范围→识别结果的数据模型,并对每一可能识别结果建立可能性评估模型;
b.获取数据:从待识别缓存库中将当前需识别图像数据读取至内存,并根据取色范围→识别结果模型选取五种识别可能性最高的图像点阵数据,并将图像点阵数据按识别结果的识别可能性由高至低排序;
c.字位识别:对排序最高位的图像点阵数据,按照车牌字位比例划分多个字位,然后依次对每一字位用点阵色差→字位识别模型进行识别,得到字位识别结果,如排序最高位没有图像点阵数据,则直接退出当前过程并重新进入至步骤b并返回无法识别信息;
d.可能性评估:根据可能性评估模型,对步骤c中得到的字位识别结果进行可能性评估,如有任意字位的可能性评估结果小于90%,则将当前排序的图像点阵数据从排序中删除,并进入步骤c进行另外的字位识别;
e.得到结果:在步骤d通过后,将步骤c得到的字位识别结果返回,同时返回识别成功信息并将当前需识别图像数据和图像点阵数据排序列表从内存中清除。
2.如权利要求1所述的基于数据模型的车牌号识别方法,其特征在于:所述点阵色差→字位识别的数据模型是由至少两个隐含层的BP神经网络算法经过2~5次训练所建立的判别模型。
3.如权利要求1所述的基于数据模型的车牌号识别方法,其特征在于:所述取色范围→识别结果的数据模型是由Widrow-Hoff算法建立的线性神经网络模型。
4.如权利要求1所述的基于数据模型的车牌号识别方法,其特征在于:所述可能性评估模型是对识别结果和标准结果的皮尔森相关性分析结果取绝对值的算法模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610715867.4A CN106326897A (zh) | 2016-08-24 | 2016-08-24 | 一种基于数据模型的车牌号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610715867.4A CN106326897A (zh) | 2016-08-24 | 2016-08-24 | 一种基于数据模型的车牌号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106326897A true CN106326897A (zh) | 2017-01-11 |
Family
ID=57790508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610715867.4A Pending CN106326897A (zh) | 2016-08-24 | 2016-08-24 | 一种基于数据模型的车牌号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106326897A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN101944174A (zh) * | 2009-07-08 | 2011-01-12 | 西安电子科技大学 | 车牌字符的识别方法 |
CN102708356A (zh) * | 2012-03-09 | 2012-10-03 | 沈阳工业大学 | 一种基于复杂背景下的车牌自动定位和识别方法 |
CN105631470A (zh) * | 2015-12-21 | 2016-06-01 | 深圳市捷顺科技实业股份有限公司 | 一种车牌类型验证的方法及系统 |
-
2016
- 2016-08-24 CN CN201610715867.4A patent/CN106326897A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN101944174A (zh) * | 2009-07-08 | 2011-01-12 | 西安电子科技大学 | 车牌字符的识别方法 |
CN102708356A (zh) * | 2012-03-09 | 2012-10-03 | 沈阳工业大学 | 一种基于复杂背景下的车牌自动定位和识别方法 |
CN105631470A (zh) * | 2015-12-21 | 2016-06-01 | 深圳市捷顺科技实业股份有限公司 | 一种车牌类型验证的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
US11605163B2 (en) | Automatic abnormal cell recognition method based on image splicing | |
DE102018113034A1 (de) | Stimmenerkennungssystem und stimmenerkennungsverfahren zum analysieren eines befehls, welcher mehrere absichten hat | |
CN112700325A (zh) | 一种基于Stacking集成学习的网贷回头客预测的方法 | |
CN104268552B (zh) | 一种基于部件多边形的精细类别分类方法 | |
CN110929746A (zh) | 一种基于深度神经网络的电子卷宗标题定位提取与分类方法 | |
CN109063983B (zh) | 一种基于社交媒体数据的自然灾害损失实时评估方法 | |
CN111815609B (zh) | 基于情境感知及多模型融合的病理图像分类方法及系统 | |
CN1367454A (zh) | 基于多类支持向量机的中医舌色、苔色、舌苔厚度分析方法 | |
CN106202274A (zh) | 一种基于贝叶斯网络的缺陷数据自动文摘分类方法 | |
CN100464693C (zh) | 基于像素的舌苔舌质颜色提取及分类方法 | |
CN110443303B (zh) | 基于图像分割和分类的煤岩显微组分智能识别方法 | |
CN113673618A (zh) | 一种融合注意力模型的烟虫目标检测方法 | |
CN109003259A (zh) | 基于纹线质量专家视觉认知机器学习的指纹质量评价方法 | |
CN112287836A (zh) | 一种基于人工智能图像识别系统以及图像识别装置 | |
CN106326897A (zh) | 一种基于数据模型的车牌号识别方法 | |
CN109064578A (zh) | 一种基于云服务的考勤系统及方法 | |
CN111199050A (zh) | 一种用于对病历进行自动脱敏的系统及应用 | |
CN114550170A (zh) | 基于分组信息辅助的r带染色体核型图像识别方法及系统 | |
CN111553209B (zh) | 一种基于卷积神经网络和时间序列图的司机行为识别方法 | |
CN115577897A (zh) | 一种基于智慧云平台的人才评选方法及装置 | |
CN113094567A (zh) | 一种基于文本聚类的恶意投诉识别方法及系统 | |
CN111860334A (zh) | 一种基于混淆度矩阵的级联车型分类方法及装置 | |
CN111598708A (zh) | 一种适用于大数据处理的健康保险核保规则编码方法 | |
CN111767945A (zh) | 基于CycleGAN网络模型的车牌样本生成方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170111 |