CN107273889B - 一种基于统计的车牌识别方法 - Google Patents
一种基于统计的车牌识别方法 Download PDFInfo
- Publication number
- CN107273889B CN107273889B CN201710290354.8A CN201710290354A CN107273889B CN 107273889 B CN107273889 B CN 107273889B CN 201710290354 A CN201710290354 A CN 201710290354A CN 107273889 B CN107273889 B CN 107273889B
- Authority
- CN
- China
- Prior art keywords
- license plate
- character
- image
- characters
- recognition
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种基于统计的车牌识别方法,应用于车牌识别系统,可以显著改善系统处理清晰度较差的车牌图像的能力。与已有的基于统计的方法相比,它的优点在于:(1)本发明引入了图像的重复帧数属性,既能保证该方法是基于连续多帧的图像样本的统计方法,又能避免相同图像的重复处理情况,提升了该方法对处理有静止状态的车辆的识别效率;(2)本发明不但改善了车牌字母和数字的识别率,同时通过使用改进的基于权重的统计方法,显著的提升了汉字的识别率。
Description
技术领域
本发明涉及智能交通领域,具体是一种基于统计的车牌识别方法。
技术背景
现有的车牌识别系统对于处理质量较好的车牌图像已能实现较高的准确率,但是对于处理交通监控相机拍摄的车牌图像,识别准确率并不乐观,主要是因为实际交通监控相机的清晰度不够高,同时由于拍摄的是运动中的车辆,因此车牌图像的可识别性比较差。通过实验分析发现,对于实际交通监控系统拍摄到的清晰度不高车牌图像,字母和数字的识别率较好,明显优于汉字的识别准确率。
对于清晰度较差的车牌图像,希望通过改善识别算法提升系统的识别率是较为困难的,同时因为基于单张车牌的识别方法可靠性比较低,因此基于统计的车牌识别方法成为改善识别率的可行方案,该方法通过一定的统计方法对车辆的多张车牌图像的识别结果进行统计分析,得出更为可靠的识别结果,从而提升识别的准确率。
目前对基于统计的车牌识别方法的研究较少,其中与本发明最接近的技术方案为:发明专利(申请号:201410794631,名称:一种基于多摄像头的车牌识别方法)提出了基于多摄像头的车牌识别方法,该方法对多个角度、位置上的车牌识别结果进行统计,统计方式为将所有车牌识别结果根据识别结果的相似度进行分组,然后计算出每组的某一特征值,从而根据特征值找到最佳分组,最后对最佳分组中每个车牌字符位置进行单字符统计,确定最佳车牌结果,这一方法能在一定程度上改善车牌识别的准确率。与本发明不同的地方在于:(1)该方法的图像获取是基于多摄像头的;(2)该方法对每个摄像头的每帧图像都进行了分析,对于处理存在静止状态的车辆,会出现图像重复处理的问题;(3)该方法的主要思路是筛选出质量较好的车牌进行单字符统计,从而改善每个字符的识别准确率,并没有给出针对改善汉字的识别率的方案。
综上所述,当前基于统计的车牌识别方法的存在不足之处包括:(1)存在相同车牌图像重复处理的情况;(2)汉字与其他字符的统计方式一致,不能显著的提升汉字的识别准确率。
发明内容
基于上述背景,本发明为改善实际交通监控中的车牌识别率,提出了一种基于统计的车牌识别方法。该方法首先通过单字符统计的方法得到识别准确率较高的车牌字符,然后根据已识别出来的字符进行车牌可靠性的判断,最后用带权重的单字符统计方法确定识别准确率较低的车牌字符。
本发明包括如下步骤:
步骤1:进行车辆跟踪,获取该车辆的多张视频图像,并得到所获取图像集所对应的重复帧数集N={(pi,ni)|i∈{0,1,…,A-1}},其中,pi表示该车辆的第i 张图像,ni表示该车辆第i张图像出现的次数,A表示最终获取的视频图像张数,具体图像获取步骤为:当车辆完全进入给定监控区域后,置i=0,A=1,保留第一帧视频图像为pi,置ni=1,将(pi,ni)加入集合N中;对于之后的每帧图像,需要先分析图像中该车辆与前一帧相比是否发生了位移,如果发生位移,则i=i+1 并保留该帧图像为pi,置ni=1,A=A+1,并将(pi,ni)加入集合N中,否则,将集合中(pi,ni)的ni更新为ni=ni+1,pi保持不变;当满足以下两个条件之一时,完成图像获取:(1)(2)车辆完全消失在给定监控区域之外;其中,L是事先设定的最大分析帧数;
步骤3:通过统计分析,确定车牌每个字符的识别结果,保存至识别结果集 C={c0,c1,…,c6}中,具体为:
步骤3.1:首先确定车牌后六个字符的识别结果{c1,c2,…,c6},具体为:
步骤3.1.2:对每个字符集Gk,k=1,2…,6,根据步骤(a)、(b)分别进行统计分析,得到车牌后六个字符的识别结果{c1,c2,…,c6}:
步骤3.2:确定第一个汉字字符的识别结果c0,具体为:
步骤3.2.1:如公式(2)所示,将集合R中每个车牌识别结果ri,i=0,1,…,A-1的后六位与已确定的车牌后六位识别结果c1c2c3c4c5c6进行字符匹配,根据字符匹配率对集合R进行聚类,可以得到满足式(2)的7个子集Pk,k=0,1,…,6;为集合Pk,k=0,1,…,6所对应的样本数集,其中,表示集合Pk中第i个元素的样本数,ok表示集合Pk中元素的个数;
步骤3.2.3:确定集合R对应的汉字类别集合H={hi|i=0,1,…,Nh-1},其中hi表示第i类对应的汉字,Nh表示集合R中汉字的类别数;根据公式(4),确定汉字类别集合H所对应的样本数集K:
其中,wk表示权重系数,{w0,w1,w2,w3,w4,w5,w6}={0.01,0.02,0.02,0.14,0.3,0.5};
步骤3.2.4:找到集合K中最大的元素,设为kx,则其对应的识别结果hx即为汉字识别结果,即c0=hx。
本发明的优点是:本发明应用于车牌识别系统,可以显著改善系统处理清晰度较差的车牌图像的能力。与已有的基于统计的方法相比,它的优点在于:(1) 本发明引入了图像的重复帧数属性,既能保证该方法是基于连续多帧的图像样本的统计方法,又能避免相同图像的重复处理情况,提升了该方法对处理有静止状态的车辆的识别效率;(2)本发明不但改善了车牌字母和数字的识别率,同时通过使用改进的基于权重的统计方法,显著的提升了汉字的识别率。
附图说明
图1是经过车牌定位操作后得到一组车牌二值化图。
具体实施方式
下面结合具体实例,对本发明的具体实施过程进行详细的说明。
本发明的基于统计的车牌识别方法,包括如下步骤:
步骤1:进行车辆跟踪,获取该车辆的多张视频图像,并得到所获取图像集所对应的重复帧数集N={(pi,ni)|i∈{0,1,…,A-1}},其中,pi表示该车辆的第i 张图像,ni表示该车辆第i张图像出现的次数,A表示最终获取的视频图像张数,具体图像获取步骤为:当车辆完全进入给定监控区域后,置i=0,A=1,保留第一帧视频图像为pi,置ni=1,将(pi,ni)加入集合N中;对于之后的每帧图像,需要先分析图像中该车辆与前一帧相比是否发生了位移,如果发生位移,则i=i+1 并保留该帧图像为pi,置ni=1,A=A+1,并将(pi,ni)加入集合N中,否则,将集合中(pi,ni)的ni更新为ni=ni+1,pi保持不变;当满足以下两个条件之一时,完成图像获取:(1)(2)车辆完全消失在给定监控区域之外;其中,L是事先设定的最大分析帧数。
通过车辆跟踪,确定的图像重复帧数集N={(p0,1),(p1,1),(p2,1),(p3,1),(p4,1), (p5,1),(p6,1),(p7,1),(p8,1),(p9,1)},图像总张数A=10。
经过车牌定位之后得到的10张车牌的二值化图像如图1所示,这些车牌的车牌识别结果集为R={“卢K8675B”,“相K8675B”,“素K8675B”,“素 UW88JU”,“哲K86750”,“穿K8675B”,“穿K8615B”,“穿K8675C”,“哲K8675B”, “哲K8675B”},上述车牌二值化图像和车牌识别结果只用于进行算法说明,并非真实结果。
步骤3:通过统计分析,确定车牌每个字符的识别结果,保存至识别结果集 C={c0,c1,…,c6}中,具体为:
步骤3.1:首先确定车牌后六个字符的识别结果{c1,c2,…,c6},具体为:
根据步骤3.1.1,对集合R进行分组,得到7个单字符集合G0,G1,…,G6,其中G0={卢,相,素,素,哲,穿,穿,穿,哲,哲},G1={K,K,K,U,K,K,K,K,K,K}, G2={8,8,8,W,8,8,8,8,8,8},G3={6,6,6,8,6,6,1,6,6,6},G4={7,7,7,8,7,7,7,7,7,7}, G5={5,5,5,J,5,5,5,5,5,5},G6={B,B,B,U,0,B,B,C,B,B}。
步骤3.1.2:对每个字符集Gk,k=1,2…,6,根据步骤(a)、(b)分别进行统计分析,得到车牌后六个字符的识别结果{c1,c2,…,c6}:
根据步骤(a),将集合G1归类可以得到两个类别的集合{{‘K’,9},{‘U’,1}},将集合G2归类可以得到两个类别的集合{{‘8’,9},{W,1}},将集合G3归类可以得到三个类别的集合{{‘6’,8},{‘8’,1},{‘1’,1}},将集合G4归类可以得到两个类别的集合{{‘7’,9},{‘8’,1}},将集合G5归类可以得到两个类别的集合{{‘5’,9},{‘J’,1}},将集合G6归类可以得到四个类别的集合{{‘B’,7},{‘U’,1},{‘0’,1},{‘C’,1}}。
根据步骤(b),可以确定车牌后六个字符{c1,c2,…,c6}为{K,8,6,7,5,B}。
步骤3.2:确定第一个汉字字符的识别结果c0,具体为:
步骤3.2.1:如公式(2)所示,将集合R中每个车牌识别结果ri,i=0,1,…,A-1的后六位与已确定的车牌后六位识别结果c1c2c3c4c5c6进行字符匹配,根据字符匹配率归对集合R进行聚类,可以得到满足式(2)的7个子集Pk,k=0,1,…,6;为集合Pk,k=0,1,…,6所对应的样本数集,其中,表示集合Pk中第i个元素的样本数,ok表示集合Pk中元素的个数。
根据步骤3.2.1,对集合R进行聚类,得到7个子集{P0,P2,…,P6},其中P0={“素UW88JU”},P0所对应的样本数集Z0={1};P5={“哲K86750”,“穿K8615B”,“穿 K8675C”},P5所对应的样本数集Z5={1,1,1,1};P6={“卢K8675B”,“相K8675B” ,“素K8675B”,“穿K8675B”,“哲K8675B”,“哲K8675B”},P6所对应的样本数集Z6={1,1,1,1,1,1};P1、P2、P3、P4为空。
根据步骤3.2.2,对{P0,P1,…,P6}中每个集合分别进行归类,P0对应的归类集合为{{‘素’,1}},P5对应的归类集合为{{‘哲’,1},{‘穿’,2}},P6对应的归类集合为 {{‘卢’,1},{‘相’,1},{‘素’,1},{‘穿’,1},{‘哲’,2}}。
步骤3.2.3:确定集合R对应的汉字类别集合H={hi|i=0,1,…,Nh-1},其中 hi表示第i类对应的汉字,Nh表示集合R中汉字的类别数;根据公式(4),确定汉字类别集合H所对应的样本数集K:
其中,wk表示权重系数,{w0,w1,w2,w3,w4,w5,w6}={0.01,0.02,0.02,0.14,0.3,0.5}。
根据步骤3.2.3,首先确定集合R对应的汉字类别集合H={‘素’,‘穿’,‘卢’,…相’, ‘哲’},然后根据公式(4),可以得到汉字类别集合H所对应的样本数集 K={0.51,1.1,0.5,0.5,1.3}。
步骤3.2.4:找到集合K中最大的元素,设为kx,则其对应的识别结果hx即为汉字识别结果,即c0=hx。
根据步骤3.2.4,可以确定最可能的汉字识别结果为“哲”,即c0=“哲”。
根据如上步骤可以确定该车牌为“哲K8675B”,结果正确。
Claims (2)
1.一种基于统计的车牌识别方法,包括如下步骤:
步骤1:进行车辆跟踪,获取该车辆的多张视频图像,并得到所获取图像集所对应的重复帧数集N={(pi,ni)|i∈{0,1,…,A-1}},其中,pi表示该车辆的第i张图像,ni表示该车辆第i张图像出现的次数,A表示最终获取的视频图像张数;
步骤2:对步骤1中获取的图像集进行车牌定位和车牌识别操作,得到一组车牌识别结果集R={ri|i=0,1,…,A-1},其中,ri=(ri 0,ri 1,…ri 6)表示第i张视频图像的车牌识别结果,ri 0,ri 1,…ri 6表示识别结果ri中的7个字符;
步骤3:通过统计分析,确定车牌每个字符的识别结果,保存至识别结果集C={c0,c1,…,c6}中,具体为:
步骤3.1:首先确定车牌后六个字符的识别结果{c1,c2,…,c6},具体为:
步骤3.1.1:将集合R中所有车牌的字符,根据字符在车牌中的位置进行分组,得到7个单字符集合G0,G1,…,G6,其中Gk={ri k|i∈{0,1,…,A-1}},k=0,1,…,6,ri k表示集合R中第i个识别结果的第k个字符;
步骤3.1.2:对每个单字符集合Gk,k=1,2…,6,根据步骤(a)、(b)分别进行统计分析,得到车牌后六个字符的识别结果{c1,c2,…,c6}:
步骤3.2:确定第一个汉字字符的识别结果c0,具体为:
步骤3.2.1:如公式(2)所示,将集合R中每个车牌识别结果ri,i=0,1,…,A-1的后六位ri 1ri 2ri 3ri 4ri 5ri 6与已确定的车牌后六位识别结果c1c2c3c4c5c6进行字符匹配,根据字符匹配率对集合R进行聚类,可以得到满足式(2)的7个子集Pk,k=0,1,…,6;为集合Pk,k=0,1,…,6所对应的样本数集,其中,表示集合Pk中第s个元素的样本数,ok表示集合Pk中元素的个数;
其中,PP(ri 1ri 2ri 3ri 4ri 5ri 6,c1c2c3c4c5c6)表示集合R中第i个车牌识别结果ri的后六位与c1c2c3c4c5c6的字符匹配数;
步骤3.2.2:将每个集合Pk,k=0,1,…,6根据相同汉字识别结果进行归类,可以得到dk个类别的归类集合 表示集合Pk中第i’类对应的汉字,表示集合Pk中第i’类汉字的对应的样本数,根据式(3)计算
步骤3.2.3:确定集合R对应的汉字类别集合H={hg'|g'=0,1,…,Nh-1},其中hg'表示第g’类对应的汉字,Nh表示集合R中汉字的类别数;根据公式(4),确定汉字类别集合H所对应的样本数集Q:
其中,wk表示权重系数,{w0,w1,w2,w3,w4,w5,w6}={0.01,0.02,0.02,0.14,0.3,0.5};
步骤3.2.4:找到集合Q中最大的元素,设为qt,则其对应的识别结果ht即为汉字识别结果,即c0=ht。
2.如权利要求1所述的基于统计的车牌识别方法,其特征在于:所述步骤1中具体图像获取步骤为:当车辆完全进入给定监控区域后,置i=0,A=1,保留第一帧视频图像为pi,置ni=1,将(pi,ni)加入集合N中;对于之后的每帧图像,需要先分析图像中该车辆与前一帧相比是否发生了位移,如果发生位移,则i=i+1并保留当前帧图像为pi,置ni=1,A=A+1,并将(pi,ni)加入集合N中,否则,将集合中(pi,ni)的ni更新为ni=ni+1,pi保持不变;当满足以下两个条件之一时,完成图像获取:(1)(2)车辆完全消失在给定监控区域之外;其中,L是事先设定的最大分析帧数;
通过车辆跟踪,确定的图像重复帧数集N={(pi,ni)|i∈{0,1,…,A-1}},其中,pi表示该车辆的第i张图像,ni表示该车辆第i张图像出现的次数,A表示最终获取的视频图像张数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710290354.8A CN107273889B (zh) | 2017-04-27 | 2017-04-27 | 一种基于统计的车牌识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710290354.8A CN107273889B (zh) | 2017-04-27 | 2017-04-27 | 一种基于统计的车牌识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107273889A CN107273889A (zh) | 2017-10-20 |
CN107273889B true CN107273889B (zh) | 2020-04-28 |
Family
ID=60073607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710290354.8A Active CN107273889B (zh) | 2017-04-27 | 2017-04-27 | 一种基于统计的车牌识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273889B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898137B (zh) * | 2018-05-25 | 2022-04-12 | 黄凯 | 一种基于深度神经网络的自然图像字符识别方法及系统 |
CN109241959B (zh) * | 2018-08-21 | 2022-05-06 | 浙江工业大学 | 一种车牌识别结果智能纠正方法 |
CN111523527B (zh) * | 2020-07-02 | 2020-10-27 | 平安国际智慧城市科技股份有限公司 | 特种运输车辆监控方法、装置、介质及电子设备 |
CN113256991B (zh) * | 2021-07-14 | 2021-09-24 | 智广海联(天津)大数据技术有限公司 | 基于车流量统计的汽车厂周边道路拥堵治理系统及方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509112A (zh) * | 2011-11-02 | 2012-06-20 | 珠海逸迩科技有限公司 | 车牌识别方法及其识别系统 |
US8582819B2 (en) * | 2011-11-18 | 2013-11-12 | Xerox Corporation | Methods and systems for improving yield in wanted vehicle searches |
US8934676B2 (en) * | 2012-05-04 | 2015-01-13 | Xerox Corporation | Robust character segmentation for license plate images |
US20140376778A1 (en) * | 2013-06-25 | 2014-12-25 | Zf Friedrichshafen Ag | License plate recognition system and location forecasting |
US9213910B2 (en) * | 2013-11-06 | 2015-12-15 | Xerox Corporation | Reinforcement learning approach to character level segmentation of license plate images |
CN103824091B (zh) * | 2014-02-27 | 2017-11-03 | 中国石油大学(华东) | 一种用于智能交通系统的车牌识别方法 |
CN103824066B (zh) * | 2014-03-18 | 2017-10-10 | 厦门翼歌软件科技有限公司 | 一种基于视频流的车牌识别方法 |
CN105303153A (zh) * | 2014-07-23 | 2016-02-03 | 中兴通讯股份有限公司 | 一种车辆车牌识别方法及装置 |
CN104156704A (zh) * | 2014-08-04 | 2014-11-19 | 胡艳艳 | 一种新的车牌识别方法及系统 |
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 |
CN104573637B (zh) * | 2014-12-18 | 2020-11-03 | 厦门翼歌软件科技有限公司 | 一种基于多摄像头的车牌识别方法 |
-
2017
- 2017-04-27 CN CN201710290354.8A patent/CN107273889B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107273889A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273889B (zh) | 一种基于统计的车牌识别方法 | |
CN106096561B (zh) | 基于图像块深度学习特征的红外行人检测方法 | |
CN108229523B (zh) | 图像检测、神经网络训练方法、装置和电子设备 | |
Dev et al. | Categorization of cloud image patches using an improved texton-based approach | |
CN108388927A (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN112380921A (zh) | 一种基于车联网的道路检测方法 | |
CN109325502B (zh) | 基于视频渐进区域提取的共享单车停放检测方法和系统 | |
CN111967313B (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
CN108171136A (zh) | 一种多任务卡口车辆以图搜图的系统及方法 | |
CN109977994B (zh) | 一种基于多示例主动学习的代表性图像选取方法 | |
CN106845341B (zh) | 一种基于虚拟号牌的无牌车辆识别方法 | |
CN107025440A (zh) | 一种基于新型卷积神经网络的遥感图像道路提取方法 | |
CN111860570B (zh) | 一种云微粒子图像提取及分类方法 | |
CN103366367A (zh) | 基于像素数聚类的模糊c-均值灰度图像分割方法 | |
CN113205026B (zh) | 一种基于Faster RCNN深度学习网络改进的车型识别方法 | |
CN106897681A (zh) | 一种遥感图像对比分析方法及系统 | |
CN111680705B (zh) | 适于目标检测的mb-ssd方法和mb-ssd特征提取网络 | |
CN111738114B (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN114241053A (zh) | 基于改进的注意力机制FairMOT多类别跟踪方法 | |
Islam et al. | Real-time bangla license plate recognition system using faster r-cnn and ssd: A deep learning application | |
CN106777350B (zh) | 一种基于卡口数据的以图搜图方法和装置 | |
CN111832580A (zh) | 结合少样本学习与目标属性特征的sar目标识别方法 | |
CN109145950B (zh) | 一种基于图信号采样的高光谱图像主动学习方法 | |
CN106570514A (zh) | 一种基于词袋模型和支持向量机的汽车轮毂分类方法 | |
CN108122000A (zh) | 一种基于特征学习的车标识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |