CN106845487B - 一种端到端的车牌识别方法 - Google Patents
一种端到端的车牌识别方法 Download PDFInfo
- Publication number
- CN106845487B CN106845487B CN201611252131.4A CN201611252131A CN106845487B CN 106845487 B CN106845487 B CN 106845487B CN 201611252131 A CN201611252131 A CN 201611252131A CN 106845487 B CN106845487 B CN 106845487B
- Authority
- CN
- China
- Prior art keywords
- license plate
- character
- characters
- network
- candidate
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种端到端的车牌识别方法,首先根据车牌定位的结果,切割车牌区域作为输入,然后采用一种设计的三层全卷积神经网络预测车牌字符热力图,根据热力图得到候选字符区域,其次采用一种设计的七层深度卷积神经网络模型来对候选字符区域进行分类与位置校正,得到字符序列及其位置序列,最后采用一种基于模板的最优路径算法,挑选出符合中国大陆车牌规范的字符序列,即为识别结果。整个网络采用多任务联合训练的方式,输入为车牌彩色图像,输出即为车牌号码,该方法避免了传统车牌识别方法,需要对车牌进行精确切分的弊端,能有效地提高复杂场景下的车牌识别率。
Description
技术领域
本发明涉及车牌识别技术领域,具体为一种端到端的车牌识别方法。
背景技术
随着计算机技术和信息处理技术的发展,计算机的信息处理能力不断提高,计算机视觉技术在基于多媒体和模式识别与人工智能技术的智能交通及电子警察系统在世界范围内得到了广泛的应用。这些应用中,有96%的自动化系统使用了车牌自动识别技术,75%以上的系统是以车牌识别为核心的应用。
传统的车牌识别方法,通常包括车牌检测、车牌校正、车牌切分和字符识别等流程,对于车牌像素大于120个像素,且车牌无污损、车牌偏角小于30度情、车牌无逆光情况下,车牌识别率大于95%,但对于小车牌(小于100个像素)且车牌逆光或污损或偏角过大时,车牌识别率往往急剧下降,主要原因在于传统的基于联通域、水平投影或垂直投影等车牌切分方法,无法有效地处理这种脏污或大偏角车牌,因为这种情况下,车牌字符和背景往往相互融合,想要精确地进行切分非常困难,而切分的精度往往影响字符识别的精度。
由于深度学习技术的飞速发展,深度学习在众多领域均取得突破,如目标分类、目标检测、语义分割等,由于深度学习是从海量数据中自动学习到有用的特征,而不需要过多的先验知识,经过精心设计的网络结构,往往能做到端到端的处理,即输入网络的为摄相机捕获的原始数据,输出即为需要的结果。基于此,本发明将深度学习引入到车牌识别中来,并非简单地用深度学习训练字符识别模型,从而取代传统的SVM方法,而是取代整个车牌校正、车牌切分和字符识别三个模块,即本发明车牌识别的流程精简为:车牌检测、深度车牌识别两个模块,从而避免了传统方法需要对车牌进行精确切分的弊端,经过试验证明,该方法对于小车牌、脏污车牌、逆光车牌以及大偏角车牌具有非常好的效果。
发明内容
本发明的目的在于提供一种端到端的车牌识别方法,设计了一种3层全卷积神经网络来快速预测字符的热力图,从而得到候选字符区域,该网络具体结构的设计与训练方法如下所示:
1)网络结构:第一层:3x3卷积,stride=1,pad=1,滤波器个数128,激活函数AFM,接2x2的池化,stride=2,pad=0;第二层:3x3卷积,stride=1,pad=1,滤波器个数256,激活函数AFM;第三层:3x3卷积核,stride=1,pad=1,滤波器个数512,激活函数AFM;用第三层的特征图编码热力图,该网络结构有两个优势,一是热力图从高分辨率的特征图映射而来,得到的候选字符区域较精确,二是激活函数AFM,通过计算两组特征图的均值,减少字符噪声带来的干扰,并克服了传统激活函数RELU梯度饱和的问题;
2)训练方法:将网络输出的特征图拉升为一维向量,计算其与热力图的欧氏距离作为损失函数,通过批量随机梯度下降算法训练网络。
优选的,还可以设计一种7层深度卷积神经网络模型来对候选字符区域进行分类与位置校正,该网络结构的设计与训练方法如下所示:
1)网络结构:该网络包括3个卷积层与4个全连接层,前3个卷积层与权利要求1中的网络结构相同,并与之共享参数来减少计算量,卷积层后接2个256维的全连接层,作为字符区域分类与位置校正的特征,车牌字符共70种,特征后接71维,包括非字符的全连接层,用来识别字符,特征后接284维,即71X4,每个位置4个坐标的全连接层,用来预测字符位置;
2)训练方法:本网络的训练采用三任务同时学习的方式,第一任务,采用Softmax方法对候选字符区域进行分类,权重系数设为1;第二任务,采用双端平滑L1距离方法对候选字符区域进行位置校正,权重系数设为10;第三任务,采用重叠率loss,即直接计算预测矩形框与真实矩形框的重叠率作为损失值,也用于候选字符区域进行位置校正,权利系数设为10,该训练方式有两个优势,一是多任务的训练方式,能有效地提高候选区域的识别精度,二是对位置采用双端平滑L1和重叠率双重loss,能有效地保证小字符的位置回归精度。
优选的,提出了一种基于模板的最优路径算法,该算法基于权利要求2中的分类与定位结果,结合模板信息,自动选择最优车牌字符序列,其具体算法步骤如下:
S1:将所有候选字符基于识别置信度和位置用K均值聚类算法进行聚类,k取7,因为普通车牌均为7个字符,对每一类取置信度最高的字符作为最优字符,对周围重叠率大于某个阈值,经验值取0.5的字符位置,按置信度加权计算位置坐标的平均值,以进一步校正最优字符的位置;
S2:依次假设最优字符为车牌的第i个字符,根据车牌的模板信息,以最优字符为中心分别向左和向右计算出剩余车牌字符的位置,并与所有候选字符的位置进行匹配,若有多个候选字符匹配,则取置信度高的作为匹配结果,对所有的识别结果按整体平均置信度排序,取最大的作为最终识别结果。
与现有技术相比,本发明的有益效果是:本方法能有效地处理小车牌、脏污车牌、逆光车牌以及大偏角车牌,能够适应停车场、标准卡口、电警、治安摄相机等各种环境下车牌的识别,整个网络采用多任务联合训练的方式,输入为车牌彩色图像,输出即为车牌号码,该方法避免了传统车牌识别方法,需要对车牌进行精确切分的弊端,能有效地提高复杂场景下的车牌识别率。
附图说明
图1为本发明流程图;
图2为本发明热力图预测全卷积网络(三层)结构图;
图3为本发明字符序列及位置序列预测卷积神经网络(七层)结构图。
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,以下结合具体实施例,对本发明进行进一步详细说明。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。
实施例1
一种端到端的车牌识别方法,设计了一种3层全卷积神经网络来快速预测字符的热力图,从而得到候选字符区域,该网络具体结构的设计与训练方法如下所示:
1)网络结构:第一层:3x3卷积,stride=1,pad=1,滤波器个数128,激活函数AFM,接2x2的池化,stride=2,pad=0;第二层:3x3卷积,stride=1,pad=1,滤波器个数256,激活函数AFM;第三层:3x3卷积核,stride=1,pad=1,滤波器个数512,激活函数AFM;用第三层的特征图编码热力图,该网络结构有两个优势,一是热力图从高分辨率的特征图映射而来,得到的候选字符区域较精确,二是激活函数AFM,通过计算两组特征图的均值,减少字符噪声带来的干扰,并克服了传统激活函数RELU梯度饱和的问题;
2)训练方法:将网络输出的特征图拉升为一维向量,计算其与热力图的欧氏距离作为损失函数,通过批量随机梯度下降算法训练网络。
还可以设计一种7层深度卷积神经网络模型来对候选字符区域进行分类与位置校正,该网络结构的设计与训练方法如下所示:
1)网络结构:该网络包括3个卷积层与4个全连接层,前3个卷积层与权利要求1中的网络结构相同,并与之共享参数来减少计算量,卷积层后接2个256维的全连接层,作为字符区域分类与位置校正的特征,车牌字符共70种,特征后接71维,包括非字符,的全连接层,用来识别字符,特征后接284维,即71X4,每个位置4个坐标,的全连接层,用来预测字符位置;
2)训练方法:本网络的训练采用三任务同时学习的方式,第一任务,采用Softmax方法对候选字符区域进行分类,权重系数设为1;第二任务,采用双端平滑L1距离方法对候选字符区域进行位置校正,权重系数设为10;第三任务,采用重叠率loss,即直接计算预测矩形框与真实矩形框的重叠率作为损失值,也用于候选字符区域进行位置校正,权利系数设为10,该训练方式有两个优势,一是多任务的训练方式,能有效地提高候选区域的识别精度,二是对位置采用双端平滑L1和重叠率双重loss,能有效地保证小字符的位置回归精度。
提出了一种基于模板的最优路径算法,该算法基于权利要求2中的分类与定位结果,结合模板信息,自动选择最优车牌字符序列,其具体算法步骤如下:
S1:将所有候选字符基于识别置信度和位置用K均值聚类算法进行聚类,k取7,因为普通车牌均为7个字符,对每一类取置信度最高的字符作为最优字符,对周围重叠率大于某个阈值,经验值取0.5的字符位置,按置信度加权计算位置坐标的平均值,以进一步校正最优字符的位置;
S2:依次假设最优字符为车牌的第i个字符,根据车牌的模板信息,以最优字符为中心分别向左和向右计算出剩余车牌字符的位置,并与所有候选字符的位置进行匹配,若有多个候选字符匹配,则取置信度高的作为匹配结果。对所有的识别结果按整体平均置信度排序,取最大的作为最终识别结果。
本方法能有效地处理小车牌、脏污车牌、逆光车牌以及大偏角车牌,能够适应停车场、标准卡口、电警、治安摄相机等各种环境下车牌的识别,整个网络采用多任务联合训练的方式,输入为车牌彩色图像,输出即为车牌号码,该方法避免了传统车牌识别方法,需要对车牌进行精确切分的弊端,能有效地提高复杂场景下的车牌识别率。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种端到端的车牌识别方法,其特征在于:设计了一种3层全卷积神经网络来快速预测字符的热力图,从而得到候选字符区域,该网络具体结构的设计与训练方法如下所示:
1)网络结构:第一层:3x3卷积,stride=1,pad=1,滤波器个数128,激活函数AFM,接2x2的池化,stride=2,pad=0;第二层:3x3卷积,stride=1,pad=1,滤波器个数256,激活函数AFM;第三层:3x3卷积,stride=1,pad=1,滤波器个数512,激活函数AFM;用第三层的特征图编码热力图,该网络结构有两个优势,一是热力图从高分辨率的特征图映射而来,得到的候选字符区域较精确,二是激活函数AFM,通过计算两组特征图的均值,减少字符噪声带来的干扰,并克服了传统激活函数RELU梯度饱和的问题;
2)训练方法:将网络输出的特征图拉升为一维向量,计算其与热力图的欧氏距离作为损失函数,通过批量随机梯度下降算法训练网络;
所述端到端的车牌识别方法还包括:
设计一种7层深度卷积神经网络模型来对候选字符区域进行分类与位置校正,其网络结构的设计与训练方法如下所示:
1)网络结构:该网络包括3个卷积层与4个全连接层,前3个卷积层与所述3层全卷积神经网络中的网络结构相同,并与之共享参数来减少计算量,卷积层后接2个256维的全连接层,作为字符区域分类与位置校正的特征,车牌字符共70种,特征后接71维,包括非字符的全连接层,用来识别字符,特征后接284维,即71X4,每个位置4个坐标的全连接层,用来预测字符位置;
2)训练方法:本网络的训练采用三任务同时学习的方式,第一任务,采用Softmax方法对候选字符区域进行分类,权重系数设为1;第二任务,采用双端平滑L1距离方法对候选字符区域进行位置校正,权重系数设为10;第三任务,采用重叠率loss,即直接计算预测矩形框与真实矩形框的重叠率作为损失值,用于对候选字符区域进行位置校正,权重系数设为10,该训练方式有两个优势,一是多任务的训练方式,能有效地提高候选区域的识别精度,二是对位置采用双端平滑L1和重叠率双重loss,能有效地保证小字符的位置回归精度;
还提出了一种基于模板的最优路径算法,该算法基于分类与位置校正结果,结合模板信息,自动选择最优车牌字符序列,其具体算法步骤如下:
S1:将所有候选字符基于识别置信度和位置用K均值聚类算法进行聚类,K取7,因为普通车牌均为7个字符,对每一类取置信度最高的字符作为最优字符,对周围重叠率大于阈值0.5的字符位置,按置信度加权计算位置坐标的平均值,以进一步校正最优字符的位置;
S2:依次假设最优字符为车牌的第i个字符,根据车牌的模板信息,以最优字符为中心分别向左和向右计算出剩余车牌字符的位置,并与所有候选字符的位置进行匹配,若有多个候选字符匹配,则取置信度高的作为匹配结果,对所有的识别结果按整体平均置信度排序,取最大的作为最终识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611252131.4A CN106845487B (zh) | 2016-12-30 | 2016-12-30 | 一种端到端的车牌识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611252131.4A CN106845487B (zh) | 2016-12-30 | 2016-12-30 | 一种端到端的车牌识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845487A CN106845487A (zh) | 2017-06-13 |
CN106845487B true CN106845487B (zh) | 2020-04-17 |
Family
ID=59113824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611252131.4A Active CN106845487B (zh) | 2016-12-30 | 2016-12-30 | 一种端到端的车牌识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845487B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3767530A4 (en) * | 2018-03-14 | 2021-05-19 | Delta Electronics, Inc. | PROCEDURE FOR IDENTIFICATION OF LICENSE PLATES AND THE SYSTEM THEREFORE |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145927A (zh) | 2017-06-16 | 2019-01-04 | 杭州海康威视数字技术股份有限公司 | 一种对形变图像的目标识别方法及装置 |
CN108009543B (zh) * | 2017-11-29 | 2020-05-26 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及装置 |
CN108090423B (zh) * | 2017-12-01 | 2021-06-29 | 上海工程技术大学 | 一种基于热力图和关键点回归的深度车牌检测方法 |
CN109993032B (zh) * | 2017-12-29 | 2021-09-17 | 杭州海康威视数字技术股份有限公司 | 一种共享单车目标识别方法、装置及相机 |
CN108229474B (zh) * | 2017-12-29 | 2019-10-01 | 北京旷视科技有限公司 | 车牌识别方法、装置及电子设备 |
CN108416348A (zh) * | 2018-01-29 | 2018-08-17 | 重庆邮电大学 | 基于支持向量机和卷积神经网络的车牌定位识别方法 |
CN110135416B (zh) * | 2018-02-09 | 2021-06-04 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
DE102018203092A1 (de) * | 2018-03-01 | 2019-09-05 | Robert Bosch Gmbh | Verfahren, Vorrichtung und Computerprogramm zum Anlernen eines maschinellen Lernsystems |
CN108681693B (zh) * | 2018-04-12 | 2022-04-12 | 南昌大学 | 基于可信区域的车牌识别方法 |
CN108564088A (zh) * | 2018-04-17 | 2018-09-21 | 广东工业大学 | 车牌识别方法、装置、设备及可读存储介质 |
CN108596193B (zh) * | 2018-04-27 | 2021-11-02 | 东南大学 | 一种搭建针对人耳识别的深度学习网络结构的方法及系统 |
CN110543882A (zh) * | 2018-05-29 | 2019-12-06 | 北京深鉴智能科技有限公司 | 一种字符串识别方法与装置 |
CN108830192A (zh) * | 2018-05-31 | 2018-11-16 | 珠海亿智电子科技有限公司 | 车载环境下基于深度学习的车辆与车牌检测方法 |
CN110619327A (zh) * | 2018-06-20 | 2019-12-27 | 湖南省瞬渺通信技术有限公司 | 一种复杂场景下基于深度学习的实时车牌识别方法 |
CN109086765B (zh) * | 2018-08-01 | 2019-09-17 | 北京嘀嘀无限科技发展有限公司 | 车牌识别方法、装置、介质、服务器和行车记录仪 |
CN109460761A (zh) * | 2018-10-17 | 2019-03-12 | 福州大学 | 基于维度聚类和多尺度预测的银行卡卡号检测与识别方法 |
CN109492672A (zh) * | 2018-10-17 | 2019-03-19 | 福州大学 | 一种自然场景下快速、鲁棒的银行卡定位与分类方法 |
CN109543687A (zh) * | 2018-11-13 | 2019-03-29 | 南京赤狐智能科技有限公司 | 一种流水线快餐盒自动识别方法 |
CN109753914B (zh) * | 2018-12-28 | 2023-05-30 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的车牌字符识别方法 |
CN110210475B (zh) * | 2019-05-06 | 2021-05-18 | 浙江大学 | 一种非二值化和边缘检测的车牌字符图像分割方法 |
CN110097044B (zh) * | 2019-05-13 | 2020-12-01 | 苏州大学 | 基于深度学习的一阶段车牌检测识别方法 |
CN110991444B (zh) * | 2019-11-19 | 2023-08-29 | 复旦大学 | 面向复杂场景的车牌识别方法及装置 |
DE102019008513A1 (de) * | 2019-12-06 | 2021-06-10 | Giesecke+Devrient Currency Technology Gmbh | Vorrichtung und Verfahren zur Bearbeitung von Wertdokumenten, insbesondere Banknoten, sowie Wertdokumentbearbeitungssystem |
CN111027564A (zh) * | 2019-12-20 | 2020-04-17 | 长沙千视通智能科技有限公司 | 基于深度学习一体化的低照度成像车牌识别方法及装置 |
CN110929727A (zh) * | 2020-02-12 | 2020-03-27 | 成都数联铭品科技有限公司 | 图像标注方法及装置、文字检测方法及系统、电子设备 |
CN111291692B (zh) * | 2020-02-17 | 2023-10-20 | 咪咕文化科技有限公司 | 视频场景识别方法、装置、电子设备及存储介质 |
CN111353500B (zh) * | 2020-02-25 | 2023-07-28 | 上海其高电子科技有限公司 | 双行车牌的自动识别方法 |
CN111310850B (zh) * | 2020-03-02 | 2023-06-16 | 杭州雄迈集成电路技术股份有限公司 | 车牌检测模型的构建方法及系统、车牌检测方法及系统 |
CN111401360B (zh) * | 2020-03-02 | 2023-06-20 | 杭州雄迈集成电路技术股份有限公司 | 优化车牌检测模型的方法及系统、车牌检测方法及系统 |
CN111860525B (zh) * | 2020-08-06 | 2022-10-21 | 宁夏宁电电力设计有限公司 | 一种适用于端子排的自底向上光学字符识别方法 |
CN112541500B (zh) * | 2020-12-03 | 2023-07-25 | 北京智芯原动科技有限公司 | 一种端到端的车牌识别方法及装置 |
CN113191348B (zh) * | 2021-05-31 | 2023-02-03 | 山东新一代信息产业技术研究院有限公司 | 一种基于模板的文本结构化提取方法及工具 |
CN115116047A (zh) * | 2022-08-29 | 2022-09-27 | 松立控股集团股份有限公司 | 一种基于车牌字符区域热力图的车牌检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299006A (zh) * | 2014-07-23 | 2015-01-21 | 中国传媒大学 | 一种基于深度神经网络的车牌识别方法 |
CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
CN104657748A (zh) * | 2015-02-06 | 2015-05-27 | 中国石油大学(华东) | 一种基于卷积神经网络的车型识别方法 |
CN105335743A (zh) * | 2015-10-28 | 2016-02-17 | 重庆邮电大学 | 一种车牌识别方法 |
CN105354572A (zh) * | 2015-12-10 | 2016-02-24 | 苏州大学 | 一种基于简化卷积神经网络的车牌自动识别系统 |
-
2016
- 2016-12-30 CN CN201611252131.4A patent/CN106845487B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299006A (zh) * | 2014-07-23 | 2015-01-21 | 中国传媒大学 | 一种基于深度神经网络的车牌识别方法 |
CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
CN104657748A (zh) * | 2015-02-06 | 2015-05-27 | 中国石油大学(华东) | 一种基于卷积神经网络的车型识别方法 |
CN105335743A (zh) * | 2015-10-28 | 2016-02-17 | 重庆邮电大学 | 一种车牌识别方法 |
CN105354572A (zh) * | 2015-12-10 | 2016-02-24 | 苏州大学 | 一种基于简化卷积神经网络的车牌自动识别系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3767530A4 (en) * | 2018-03-14 | 2021-05-19 | Delta Electronics, Inc. | PROCEDURE FOR IDENTIFICATION OF LICENSE PLATES AND THE SYSTEM THEREFORE |
Also Published As
Publication number | Publication date |
---|---|
CN106845487A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845487B (zh) | 一种端到端的车牌识别方法 | |
CN108509859B (zh) | 一种基于深度神经网络的无重叠区域行人跟踪方法 | |
CN107529650B (zh) | 闭环检测方法、装置及计算机设备 | |
WO2019144575A1 (zh) | 一种快速行人检测方法及装置 | |
CN107545263B (zh) | 一种物体检测方法及装置 | |
CN111767882A (zh) | 一种基于改进yolo模型的多模态行人检测方法 | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN110688987A (zh) | 一种行人位置检测与跟踪方法及系统 | |
CN111639564B (zh) | 一种基于多注意力异构网络的视频行人重识别方法 | |
Chen et al. | Research on recognition of fly species based on improved RetinaNet and CBAM | |
CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
TWI441096B (zh) | 適用複雜場景的移動偵測方法 | |
CN107301376B (zh) | 一种基于深度学习多层刺激的行人检测方法 | |
CN109858327B (zh) | 一种基于深度学习的字符分割方法 | |
US20220262093A1 (en) | Object detection method and system, and non-transitory computer-readable medium | |
CN107247952B (zh) | 基于深层监督的循环卷积神经网络的视觉显著性检测方法 | |
CN113326735B (zh) | 一种基于YOLOv5的多模态小目标检测方法 | |
JP2010157118A (ja) | パターン識別装置及びパターン識別装置の学習方法ならびにコンピュータプログラム | |
Munir et al. | LDNet: End-to-end lane marking detection approach using a dynamic vision sensor | |
CN110827304A (zh) | 一种基于深度卷积网络与水平集方法的中医舌像定位方法和系统 | |
Fan | Research and realization of video target detection system based on deep learning | |
Wang et al. | License plate recognition system | |
Zhang et al. | New mixed adaptive detection algorithm for moving target with big data | |
Usmani et al. | Particle swarm optimization with deep learning for human action recognition | |
JP2005032250A (ja) | 顔を検出する処理方法及び画像中の顔の検出装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: Room 306, zone 2, building 1, Fanshan entrepreneurship center, Panyu energy saving technology park, No. 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou City, Guangdong Province Patentee after: Jiadu Technology Group Co.,Ltd. Address before: Room 306, area 2, building 1, Fanshan Venture Center, Panyu energy saving science and Technology Park, 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou, Guangdong 510000 Patentee before: PCI-SUNTEKTECH Co.,Ltd. |
|
CP03 | Change of name, title or address |