CN106803087A - 一种车号自动识别方法及系统 - Google Patents
一种车号自动识别方法及系统 Download PDFInfo
- Publication number
- CN106803087A CN106803087A CN201710043613.7A CN201710043613A CN106803087A CN 106803087 A CN106803087 A CN 106803087A CN 201710043613 A CN201710043613 A CN 201710043613A CN 106803087 A CN106803087 A CN 106803087A
- Authority
- CN
- China
- Prior art keywords
- license number
- image
- camera
- license
- light source
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000012546 transfer Methods 0.000 claims abstract description 3
- 238000007689 inspection Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 13
- 238000005286 illumination Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract 1
- 238000009434 installation Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- 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
- G06V10/443—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 by matching or 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
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- 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
- G06V2201/09—Recognition of logos
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种车号自动识别方法及识别系统，系统包括相机、光源、车轮传感器和处理单元，车轮传感器传递触发信号至相机和光源，相机将图像信息传递给处理单元。本发明的方法包括：步骤一、图像采集：当进线以后，车轮触发传感器产生信号，相机和光源接收信号完成图像采集；步骤二、车号定位：对采集的图像进行预处理，对车号进行粗定位、精确定位，完成车号定位；步骤三、车号识别：车号字符分割，同时记录分割数目number，实现车号识别；步骤四、数据传输：将车号定位与识别结果传输到终端设备上存储和显示。本发明能动态识别行进中的车号，极大地减小了人工作业量和所带来的测量误差，提高车号识别的准确率和效率。
Description
技术领域
本发明涉及图像识别领域，更确切的说，涉及轨道交通中一种车号自动识别系统及其方法。
背景技术
目前我国铁路运营里程不断扩大，铁路交通日益发达，我国已经成为铁路运营大国，保有量位居世界前列。车号是的重要标志，在调度、检修、车辆编组、车辆追踪等方面有重要的作用。车型车号涂装在车身上，形成车号标记，用以对车型车号进行人工识别。进行日常检修时，各个部件运行状态的提取与存储过程都需要以车型车号作为索引，来达到对整体情况的准确掌握；与此同时，还需要能够迅速将同一辆以往的检测情况从数据库中调出来进行比较。传统的车号识别方法是人工识别，人工识别不仅存在效率低、精度低、劳动强度高等缺点，而且识别过程不可避免地掺杂人为因素，直接影响识别的准确率，因此迫切需要车号自动识别设备，实现对车号的动态识别。目前国内外针对车号识别的算法很多，大多是按照图像预处理、车号定位、车号识别等算法步骤进行。
虽然车号的图像处理不太受重视，但这方面的研究还是一直在进行。铁道部于上世纪90年代开展了车号自动识别系统(ATIS)工程建设。在此期间，哈尔滨铁路局科研所于1997年自主研制出了一套HTK196型铁路车号自动识别系统，该系统是基于射频识别(RFID)技术来实现车号的自动识别。一般情况下该系统能自动抄录列车车号，但其准确性依赖于列车上安装的RFID电子标签，安装电子标签虽然保证了车号读取速度，识别率高，但配套设备复杂，造价较高，电子标签容易损坏、丢失，对其运行环境及设备维护要求较高。如图1所示。
1998年，清华大学的王少杰等人为解决车号字符断裂、粘连、缺损等问题，提出以车型车号的编制规则为判断的准则，通过建立分割搜索树来实现以识别指导分割，获得了较好的效果，最终系统的识别准确率在90％左右。但该文对车号字符明暗程度不一的情况，未作研究和分析。
2000年，上海交通大学的赵雪春等人研究货车车号的识别，提出以识别结果为指导的智能字符分割方案。对字符大小一致、二值化质量较好，只出现字符粘连和断裂、没有出现字符笔画缺失的情况下，车号区域定位正确率大于99.8％，字符识别正确率大于96.5％。这种方法主要是以识别结果判定分割正误，解决的是粘连、断裂字符的分割问题。
北京科技大学的王志明等人利用单程分裂与归并的图像分割算法对集装箱号进行了识别，提出了一种基于图像分割和区域性分析的集装箱号字符定位和识别方法。该方法首先基于灰度相似性运用改进的单程分裂与归并算法对图像进行自适应阈值分割，同时统计各个区域的灰度、形状、边缘强度等特征；然后根据字符区域特征，利用一定规则来滤除非字符区域；最后定位出字符区域，再根据字符的区域性进行二值化，并采用神经网络与模板匹配相结合的方法进行了识别。主要解决的是多行字符的定位问题，对于同一字符灰度不一致的情况，没有分析处理。
发明内容
针对现有技术中存在的问题，本发明的目的是提供一种车号自动识别方法及系统，具有识别效率高、识别正确率高、信息化程度高、人工依赖程度低等特点。
为了实现本发明的目的，本发明的技术方案如下：
一种车号自动识别方法，包括以下步骤：
步骤一、图像采集：当进线以后，车轮触发传感器产生信号，相机和光源接收外触发信号完成车号图像的采集；
步骤二、车号定位：对采集的图像进行预处理，获得包含车号的RIO区域，再消除光斑或光照过暗的一些干扰，对车号进行粗定位、精确定位，完成车号定位；
步骤三、车号识别：车号字符分割，同时记录分割数目number，检验分割数目number是否满足实际车号字符数目；实现车号识别；检验识别结果是否满足车型先验知识；
步骤四、数据传输：将车号定位与识别结果传输到终端设备上存储和显示。
进一步的，步骤一中，通常一组图像为30至60张，完整车号图像为1至3张；
步骤二进一步包括以下步骤：
第2.1步：图像预处理，根据先验知识裁剪采集的图像，得到包含车号的RIO区域，根据车号的颜色与车身背景的差异性，提取颜色分量，将彩色图像变为单通道图像；
第2.2步：消除光斑或光照过暗的一些干扰；
第2.3步：将得到的图像进行数学形态学处理，根据车号的高度、宽度以及高宽比等先验知识对车号进行粗定位；
第2.4步：倾斜校正，得到倾斜校正后的粗定位图像；
第2.5步：去除粗定位图像中的噪点，得到精确定位的车号图像。
步骤2.2中消除光斑或光照过暗的一些干扰的方法为采用基于单通道图像的均值和方差的二值化方法：
对图像中的的每一个点，在它的R×R邻域内，计算邻域里的均值和方差，然后用下式计算阈值，进行二值化：
T(x,y)＝m(x,y)+K×s(x,y)
上式中m(x,y)表示邻域里的均值，s(x,y)表示邻域里的方差，K为修正系数。
步骤2.4中倾斜校正为：将粗定位得到的车号图像再次进行数学形态学处理，进行边缘检测，然后采用霍夫变换检测最长线段，得到车号倾斜角度θ，进行仿射变换对粗定位图像进行倾斜校正。
对图像进行数学形态学处理，采用先膨胀运算，后腐蚀运算的方法。
步骤三进一步包括以下步骤：
第3.1步：车号字符分割，将精确定位的车号图像采用最小外接矩形进行字符分割，设定先验知识，即车号字符的高度h、宽度w和高宽比ratio，将满足先验知识的分割字符保存至数组中，同时记录分割数目number；
第3.2步：检验分割数目number是否满足实际车号字符数目，如不满足，则为残缺车号，返回步骤二，对下一张图像重新进行车号定位，直到发现完整车号；
第3.3步：字符归一化处理；
第3.4步：遍历分割字符数组，采用图像模板匹配和特征提取算法实现车号自动识别；
第3.5步：检验识别结果是否满足车型先验知识，不满足则返回步骤二和步骤三，对下一张图像重新进行车号定位和识别。
一种车号自动识别系统，包括车轮传感器、相机、光源和处理单元，所述处理单元包括：
车号定位模块：用于对采集的图像进行预处理，获得包含车号的RIO区域，再消除光斑或光照过暗的一些干扰，对车号进行粗定位、精确定位，完成车号定位；
车号识别模块：用于车号字符分割，同时记录分割数目number；检验分割数目number是否满足实际车号字符数目；实现车号识别；检验识别结果是否满足车型先验知识；
所述相机和光源安装在轨道的一侧，所述车轮传感器传递触发信号至所述相机和所述光源，所述相机将图像信息传递给所述处理单元。
进一步的，所述相机采用工业CCD相机，所述光源采用LED闪光光源，或者区域光源。
进一步的，所述相机和所述光源各设多个，所述相机和所述光源与轨道间的距离是等距离或不等距离；所述光源与地面的距离是等距离，所述相机与地面的距离是不等距离。
进一步的，所述相机和所述光源各设1个或多个，所述光源和所述相机密闭在一个盒子里，安装在轨道的一侧，盒子底部距离地面高度2～3m，距离轨道中心的距离为2～4m。
进一步的，所述处理单元还包括先验知识模块，用于根据先验知识裁剪采集的图像，得到包含车号的RIO区域；设定车号字符的高度h、宽度w和高宽比ratio先验知识，对车号进行粗定位，并在车号字符分割时，将满足先验知识的分割字符保存至数组中；检验车号识别结果是否满足车型先验知识。
本发明的有益效果为：(1)本发明的车号自动识别系统结构紧凑，安装方便；识别正确率高，识别速率快；系统集成程度较高，智能程度较高，从而降低了人工依赖程度。(2)本发明的车号自动识别方法克服了复杂光照条件下的识别问题；RIO区域是车号出现的大致区域，经过对采集图像的裁剪得到，节省算法处理时间。本发明解决了图像采集时光斑对于车号区域的影响，实现了复杂光照条件下车号字符明暗程度不一的二值化问题；实现了较高的识别正确率；
附图说明
图1是现有的一种加装电子标签的车号识别系统结构示意图。
图2是本发明实施例的相机和光源的安装示意图。
图3是本发明实施例的车号自动识别系统的安装示意图。
图4是本发明实施例的处理单元的工作流程图。
图5是本发明实施例的处理单元中车号定位原理流程图。
图6是本发明实施例的处理单元中车号识别原理流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和具体实施例对本发明作进一步详细说明。
实施例1：
本实施例的车号自动识别系统，包括相机2、光源3、车轮传感器1和处理单元，相机2和光源3的安装示意图如图2所示，相机2为500万像素工业CCD相机，延迟时间1500μS，曝光时间2000μS。光源3为LED闪光光源，光源3单个功率250W，相机2和光源3各设2个，相机2和光源3封装在密闭的盒子4里，相机2和光源3与轨道间的距离是等距离，光源3与地面的距离是等距离，两相机2与地面的距离是不等距离，上下摆放，盒子4宽为30cm，高为40cm，盒子4底部距离地面高度2.6m，盒子4由一根支柱5支撑，处理单元为车号定位识别系统。
实施例2：
本实施例的车号自动识别系统现场安装示意图如图3所示，所述拍摄装置安装在轨道的一侧，相机2和光源3封装在密闭的盒子4里，盒子4由一根支柱5支撑，所述支柱5距离轨道中心的距离为2.8m，所述车轮传感器1传递触发信号至相机2和光源3，相机2将图像信息传递给处理单元。
实施例3：
所述处理单元，即车号定位识别系统工作流程如图4所示，主要分为图像预处理、车号图像粗定位、车号图像精确定位、车号图像倾斜校正、车号图像分割和车号图像识别。
具体的，所述处理单元中定位系统的原理流程图如图5所示，步骤包括：
步骤1：图像预处理，根据车号出现的大致区域将图像进行裁剪，得到ROI区域，根据车号的颜色与车身背景的差异性，提取颜色分量，将彩色图像变为单通道图像；
步骤2：采用基于均值和方差的局部二值化方法，消除光斑等一些干扰，原理如下：
一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化。图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。
二值化是进行识别前非常重要的一步，二值化的结果将直接影响到车号的定位与识别。通常二值化的方法分为全局二值化和局部自适应二值化。全局二值化方法对于光照均匀，拍摄良好的图像具有很好地效果。在实际应用中，如在复杂光照条件下，在应对光斑或局部光照过暗时，全局二值化，在表现图像细节方面存在很大缺陷。为了弥补这个缺陷，本发明实例中，对步骤1得到的单通道图像采用基于局部均值和方差的自适应二值化算法，算法原理如下：对图像中的的每一个点，在它的R×R邻域内，计算邻域里的均值和方差，然后用下式计算阈值，进行二值化：
T(x,y)＝m(x,y)+K×s(x,y)
上式中m(x,y)表示邻域里的均值，s(x,y)表示邻域里的方差，K为修正系数。在本发明实施例中，取31×31的邻域，修正系数K＝1.0。
步骤3：将二值图像进行数学形态学处理，根据车号的高度、宽度以及高宽比等先验知识对车号进行粗定位；
步骤4：将粗定位得到的车号图像再次进行数学形态学处理，进行边缘检测，然后采用霍夫变换检测最长线段，并计算其倾斜角度θ，根据倾斜角度θ对粗定位图像进行仿射变换，这样就得到了倾斜校正后的粗定位图像；
形态学处理：
膨胀运算是在二值图像中“加粗”或“加长”操作，将二值图像边界处的背景点并入前景点。主要用于填补图像中的小“空洞”和图像边界的凹陷区域，使图像边界向周围扩张。
腐蚀运算是在二值图像中“收缩”及“变细”操作，为了消除二值图像的边界点，使图像的边界向内收缩。
本发明实施例当中采用先膨胀，后腐蚀，对图像进行形态学处理。
步骤5：去除粗定位图像中的噪点，这样就得到了精确定位的车号图像；
具体的，所述处理单元中识别系统的原理流程图如图6所示，步骤包括：
步骤1：车号字符分割，将精确定位的车号图像采用最小外接矩形进行字符分割，设定先验知识，即字符的高度h、宽度w和高宽比ratio，将满足先验知识的分割字符保存至数组中，同时记录分割数目number；
步骤2：检验分割数目number是否满足实际车号字符数目，如不满足，则为残缺车号，对下一张图像重新进行车号定位，直到发现完整车号；
步骤3：字符归一化处理，将分割得到的字符归一化为高度40行，宽度30列；
步骤4：遍历分割字符数组，采用图像模板匹配和特征提取算法实现车号自动识别；
步骤5：检验识别结果是否满足车型先验知识，如HX系列，对下一张图像重新进行车号定位和识别。
以上的实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (11)
1.一种车号自动识别方法，其特征在于：步骤包括：
步骤一、图像采集：当进线以后，车轮触发车轮传感器产生信号，相机和光源接收信号完成车号图像的采集；
步骤二、车号定位：对采集的图像进行预处理，获得包含车号的RIO区域，再消除光斑或光照过暗的一些干扰，对车号进行粗定位、精确定位，完成车号定位；
步骤三、车号识别：车号字符分割，同时记录分割数目number，检验分割数目number是否满足实际车号字符数目；实现车号识别；检验识别结果是否满足车型先验知识；
步骤四、数据传输：将车号定位与识别结果传输到终端设备上存储和显示。
2.根据权利要求1所述的车号自动识别方法，其特征在于，步骤二进一步包括以下步骤：
第2.1步：图像预处理，根据先验知识裁剪采集的图像，得到包含车号的RIO区域，根据车号的颜色与车身背景的差异性，提取颜色分量，将彩色图像变为单通道图像；
第2.2步：消除光斑或光照过暗的一些干扰；
第2.3步：将得到的图像进行数学形态学处理，根据车号的高度、宽度以及高宽比等先验知识对车号进行粗定位；
第2.4步：倾斜校正，得到倾斜校正后的粗定位图像；
第2.5步：去除粗定位图像中的噪点，得到精确定位的车号图像。
3.根据权利要求2所述的车号自动识别方法，其特征在于，步骤2.2中消除光斑或光照过暗的一些干扰的方法为采用基于单通道图像的均值和方差的二值化方法：
对图像中的的每一个点，在它的R×R邻域内，计算邻域里的均值和方差，然后用下式计算阈值，进行二值化：
T(x,y)＝m(x,y)+K×s(x,y)
上式中m(x,y)表示邻域里的均值，s(x,y)表示邻域里的方差，K为修正系数。
4.根据权利要求2所述的车号自动识别方法，其特征在于：步骤2.4中倾斜校正为：将粗定位得到的车号图像再次进行数学形态学处理，进行边缘检测，然后采用霍夫变换检测最长线段，得到车号倾斜角度θ，进行仿射变换对粗定位图像进行倾斜校正。
5.根据权利要求2至4之一所述的车号自动识别方法，其特征在于：对图像进行数学形态学处理，采用先膨胀运算，后腐蚀运算的方法。
6.根据权利要求1所述的车号自动识别方法，其特征在于，步骤三进一步包括以下步骤：
第3.1步：车号字符分割，将精确定位的车号图像采用最小外接矩形进行字符分割，设定先验知识，即车号字符的高度h、宽度w和高宽比ratio，将满足先验知识的分割字符保存至数组中，同时记录分割数目number；
第3.2步：检验分割数目number是否满足实际车号字符数目，如不满足，则为残缺车号，返回步骤二，对下一张图像重新进行车号定位，直到发现完整车号；
第3.3步：字符归一化处理；
第3.4步：遍历分割字符数组，采用图像模板匹配和特征提取算法实现车号自动识别；
第3.5步：检验识别结果是否满足车型先验知识，不满足则返回步骤二和步骤三，对下一张图像重新进行车号定位和识别。
7.一种车号自动识别系统，包括车轮传感器、相机、光源和处理单元，其特征在于，所述处理单元包括：
车号定位模块：用于对采集的图像进行预处理，获得包含车号的RIO区域，再消除光斑或光照过暗的一些干扰，对车号进行粗定位、精确定位，完成车号定位；
车号识别模块：用于车号字符分割，同时记录分割数目number；检验分割数目number是否满足实际车号字符数目；实现车号识别；检验识别结果是否满足车型先验知识；
所述相机和光源安装在轨道的一侧，所述车轮传感器传递触发信号至所述相机和所述光源，所述相机将图像信息传递给所述处理单元。
8.根据权利要求7所述的车号自动识别系统，其特征在于：所述相机采用工业CCD相机，所述光源采用LED闪光光源，或者区域光源。
9.根据权利要求7或8所述的车号自动识别系统，其特征在于：所述相机和所述光源各设多个，所述相机和所述光源与轨道间的距离是等距离或不等距离；所述光源与地面的距离是等距离，所述相机与地面的距离是不等距离。
10.根据权利要求7所述的车号自动识别系统，其特征在于：所述相机和所述光源各设1个或多个，所述光源和所述相机密闭在一个盒子里，安装在轨道的一侧，盒子底部距离地面高度2～3m，距离轨道中心的距离为2～4m。
11.根据权利要求7所述的车号自动识别系统，其特征在于，所述处理单元还包括先验知识模块，用于根据先验知识裁剪采集的图像，得到包含车号的RIO区域；设定车号字符的高度h、宽度w和高宽比ratio先验知识，对车号进行粗定位，并在车号字符分割时，将满足先验知识的分割字符保存至数组中；检验车号识别结果是否满足车型先验知识。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710043613.7A CN106803087A (zh) | 2017-01-19 | 2017-01-19 | 一种车号自动识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710043613.7A CN106803087A (zh) | 2017-01-19 | 2017-01-19 | 一种车号自动识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106803087A true CN106803087A (zh) | 2017-06-06 |
Family
ID=58987041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710043613.7A Pending CN106803087A (zh) | 2017-01-19 | 2017-01-19 | 一种车号自动识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106803087A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108108710A (zh) * | 2017-12-29 | 2018-06-01 | 重庆微标科技股份有限公司 | 通过获取有效过车图像来快速识别过车机车上的车号 |
| CN109840523A (zh) * | 2018-12-29 | 2019-06-04 | 南京睿速轨道交通科技有限公司 | 一种基于图像处理的城轨列车车号识别算法 |
| CN110095296A (zh) * | 2019-03-22 | 2019-08-06 | 南宁中车轨道交通装备有限公司 | 一种用于城轨车辆动调试验防冲的控制系统和方法 |
| CN111046753A (zh) * | 2019-11-26 | 2020-04-21 | 深圳猛犸电动科技有限公司 | 电动车电源适配器参数识别方法和装置 |
| CN111951563A (zh) * | 2020-07-20 | 2020-11-17 | 苏州第四度信息科技有限公司 | 一种车辆识别号码检测识别方法及设备 |
| CN114273235A (zh) * | 2020-09-27 | 2022-04-05 | 菜鸟智能物流控股有限公司 | 拣选方法、装置、设备、电子设备和存储介质 |
| CN115593473A (zh) * | 2022-10-25 | 2023-01-13 | 哈尔滨市科佳通用机电股份有限公司（Cn） | 一种车轮模拟器远近端自动识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102024144A (zh) * | 2010-11-23 | 2011-04-20 | 上海海事大学 | 集装箱箱号自动识别方法 |
| CN203799388U (zh) * | 2014-01-24 | 2014-08-27 | 苏州华兴致远电子科技有限公司 | 列车车号识别系统 |
| CN105059327A (zh) * | 2015-07-30 | 2015-11-18 | 苏州华兴致远电子科技有限公司 | 一种车号识别方法及装置 |
| CN105203552A (zh) * | 2015-09-18 | 2015-12-30 | 南京拓控信息科技有限公司 | 一种360°踏面图像检测系统及其检测方法 |
| CN105701487A (zh) * | 2014-11-26 | 2016-06-22 | 王云 | 一种车标定位的方法 |
-
2017
- 2017-01-19 CN CN201710043613.7A patent/CN106803087A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102024144A (zh) * | 2010-11-23 | 2011-04-20 | 上海海事大学 | 集装箱箱号自动识别方法 |
| CN203799388U (zh) * | 2014-01-24 | 2014-08-27 | 苏州华兴致远电子科技有限公司 | 列车车号识别系统 |
| CN105701487A (zh) * | 2014-11-26 | 2016-06-22 | 王云 | 一种车标定位的方法 |
| CN105059327A (zh) * | 2015-07-30 | 2015-11-18 | 苏州华兴致远电子科技有限公司 | 一种车号识别方法及装置 |
| CN105203552A (zh) * | 2015-09-18 | 2015-12-30 | 南京拓控信息科技有限公司 | 一种360°踏面图像检测系统及其检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 程璐: "基于图像处理的机车车号自动识别系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108108710A (zh) * | 2017-12-29 | 2018-06-01 | 重庆微标科技股份有限公司 | 通过获取有效过车图像来快速识别过车机车上的车号 |
| CN109840523A (zh) * | 2018-12-29 | 2019-06-04 | 南京睿速轨道交通科技有限公司 | 一种基于图像处理的城轨列车车号识别算法 |
| CN109840523B (zh) * | 2018-12-29 | 2023-08-22 | 南京睿速轨道交通科技有限公司 | 一种基于图像处理的城轨列车车号识别方法 |
| CN110095296A (zh) * | 2019-03-22 | 2019-08-06 | 南宁中车轨道交通装备有限公司 | 一种用于城轨车辆动调试验防冲的控制系统和方法 |
| CN111046753A (zh) * | 2019-11-26 | 2020-04-21 | 深圳猛犸电动科技有限公司 | 电动车电源适配器参数识别方法和装置 |
| CN111951563A (zh) * | 2020-07-20 | 2020-11-17 | 苏州第四度信息科技有限公司 | 一种车辆识别号码检测识别方法及设备 |
| CN114273235A (zh) * | 2020-09-27 | 2022-04-05 | 菜鸟智能物流控股有限公司 | 拣选方法、装置、设备、电子设备和存储介质 |
| CN114273235B (zh) * | 2020-09-27 | 2023-12-26 | 菜鸟智能物流控股有限公司 | 拣选方法、装置、设备、电子设备和存储介质 |
| CN115593473A (zh) * | 2022-10-25 | 2023-01-13 | 哈尔滨市科佳通用机电股份有限公司（Cn） | 一种车轮模拟器远近端自动识别方法及系统 |
| CN115593473B (zh) * | 2022-10-25 | 2023-09-08 | 哈尔滨市科佳通用机电股份有限公司 | 一种车轮模拟器远近端自动识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106803087A (zh) | 一种车号自动识别方法及系统 | |
| CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
| CN107516077B (zh) | 基于激光点云和影像数据融合的交通标牌信息提取方法 | |
| CN109657632B (zh) | 一种车道线检测识别方法 | |
| CN103208185B (zh) | 一种基于车灯识别的夜间车辆检测方法及系统 | |
| CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
| CN109816024A (zh) | 一种基于多尺度特征融合与dcnn的实时车标检测方法 | |
| CN104021574A (zh) | 路面病害自动识别方法 | |
| CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
| CN109543753A (zh) | 基于自适应模糊修复机制的车牌识别方法 | |
| CN110532961A (zh) | 一种基于多尺度注意机制网络模型的语义交通信号灯检测方法 | |
| CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
| CN111160328A (zh) | 一种基于语义分割技术的交通标线自动提取的方法 | |
| CN107133588A (zh) | 基于车窗特征提取的车辆识别方法 | |
| CN113657339A (zh) | 一种基于机器视觉的仪表指针计数读取方法及介质 | |
| CN114638835B (zh) | 一种基于深度相机的轨枕异物检测方法 | |
| CN111383286B (zh) | 定位方法、装置、电子设备及可读存储介质 | |
| CN112330961A (zh) | 一种基于时序规律的交通指示红黄绿灯的图像识别方法 | |
| CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
| CN113673614B (zh) | 基于机器视觉的地铁隧道异物入侵检测装置及方法 | |
| CN118196683A (zh) | 基于显著性前景匹配的高速公路抛洒物检测方法 | |
| Gao et al. | Intelligent crack damage detection system in shield tunnel using combination of retinanet and optimal adaptive selection | |
| Priambada et al. | Levensthein distance as a post-process to improve the performance of ocr in written road signs | |
| CN116363655A (zh) | 一种财务票据识别方法及系统 | |
| CN103559492A (zh) | 一种车标识别装置及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170606 |
|
| RJ01 | Rejection of invention patent application after publication |