CN107491752B - 一种基于深度学习的自然场景中船牌文字识别方法、装置 - Google Patents
一种基于深度学习的自然场景中船牌文字识别方法、装置 Download PDFInfo
- Publication number
- CN107491752B CN107491752B CN201710690911.5A CN201710690911A CN107491752B CN 107491752 B CN107491752 B CN 107491752B CN 201710690911 A CN201710690911 A CN 201710690911A CN 107491752 B CN107491752 B CN 107491752B
- Authority
- CN
- China
- Prior art keywords
- ship
- plate
- model
- detection
- characters
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及一种基于深度学习的自然场景中船牌文字识别方法、装置,方法包括:获取港口进出船舶的视频;将所述视频分解成由船舶图像帧组成的视频流,采用训练完成的船舶分类模型对视频流进行分类,获取指定类型的船舶图像;采用训练完成的船牌检测模型对所述指定类型的船舶图像进行船牌检测,获取船牌检测结果;对所述船牌检测的结果进行文字识别,得到自然场景中的船牌文字。
Description
技术领域
本发明涉及视频处理、人工智能、深度学习,具体涉及到一种基于深度学习的自然场景中船牌文字识别方法、装置。
背景技术
船牌识别是复杂场景中目标识别研究领域中的一个研究问题,常见的文字识别方法应用到船牌识别领域具有一定的难度。与此同时,随着深度学习的兴起,复杂场景中的目标识别得到了很大程度上的发展,识别精度和效率也越来越高,然而船牌识别领域尚未取得突破性的进展,尤其是面临港口环境复杂的挑战下。深度学习在近几年发展十分迅速,应用领域也越来越广泛,卷积神经网络作为深度学习的一种方法,在目标检测、文字识别等领域有着十分显著的效果。通过自动学习提取图像中的信息特征,大大减少了人工干预,并且可以提取出高质量的有效信息特征,从而为提高物体检测分类、目标识别的准确率打下了坚实的基础。近年来对自然场景中的文字识别研究越来越多,主要可以分为两类:基于字符的识别和整个单词的识别。Alsharif和Bissacco等人用采用对字符进行分类并排序的方法最终生成识别结果,Jaderberg采用结合固定词典的方法得到图像中的整个单词。基于深度学习的船牌文字识别大致可以分为以下几步,首先对港口进出船舶视频进行处理,制作图像数据集,用神经网络对数据集进行训练,从而得到船牌文字识别模型,用该模型对来往船舶进行船牌文字识别,获取船舶信息,从而达到监控识别港口船舶的目的。然而,自然环境下的船舶文字识别面临许多困难和挑战:没有统一的船牌标志、字体规范不统一、船牌位置不统一、复杂的天气和文字遮挡等等为船牌文字识别带来了很大的挑战,因此仅仅依靠船牌文字识别并不能达到期望的识别效果。
近年来,随着经济的全球化,我国海上进出口贸易迅速发展,港口进出船舶的数量也与之剧增,然而港口的监控和管理水平却跟不上港口经济的快速发展,无法对港口和船舶进行有效的管理,容易出现船只非法停泊现象,引发船舶碰撞事故,不仅会造成人员伤亡、财产损失,而且会对海洋环境造成严重的污染,影响港口的运作效率并造成严重的经济损失。为了确保航行安全,船舶与海岸之间的通信和目标识别等技术越来越重要。船舶的及时通信和船牌识别可以很大程度上规避上述风险,帮助港口实现有效的管理。因此,需要一种有效的船牌识别系统,监测和识别进出港口的船只,提高港口管理水平,避免出现船舶碰撞事故,当发生非法停泊现象时可以及时检测和报警。
发明内容
针对现有技术中存在的不足,本发明提供了一种基于深度学习的自然场景中船牌文字识别方法,用深度学习的方法对船牌文字进行识别,提高了船牌识别的速度和精度。
本发明的技术方案为:
一种基于深度学习的自然场景中船牌文字识别方法,包括:
获取港口进出船舶的视频;
将所述视频分解成由船舶图像帧组成的视频流,采用训练完成的船舶分类模型对视频流进行分类,获取指定类型的船舶图像;
采用训练完成的船牌检测模型对所述指定类型的船舶图像进行船牌检测,获取船牌检测结果;
对所述船牌检测的结果进行文字识别,得到自然场景中的船牌文字。
进一步的,所述船牌检测结果包括:船牌图像和时间戳。
进一步的,对所述船牌检测的结果进行文字识别包括:首先采用CNN船牌分类模型对船牌图像进行分类匹配,若匹配成功,则视为得到了自然场景中的船牌文字;若匹配失败,则采用AIS区域检测方法分析相邻船牌图像的时间戳,判断两个时间戳的误差是否超过预定值,如果不超过预定值则识别成功,返回当前AIS中的船牌文字;如果超过预定值则重新请求操作AIS区域检测。
进一步的,所述如果超过预定值则重新请求操作AIS区域检测包括:
进一步判断相邻请求操作AIS区域检测的时间间隔是否超过预定值,若超过则视为船牌识别失败,若不超过则重新请求操作AIS区域检测。
其中,所述船舶分类模型的训练过程包括:
通过挖掘历史船舶视频数据库,提取有效视频数据信息并进行图像预处理构建SSD船舶分类数据库;
利用SSD网络模型和模型参数对船舶分类数据库进行训练,根据中间结果,对初始值、训练速率和迭代次数不断进行调整,获得最的SSD船舶分类网络模型作为船舶分类模型。
其中,所述船牌检测模型的训练过程包括:
通过挖掘历史船舶视频数据库,提取有效船牌视频数据信息并进行图像预处理构建SSD船牌检测数据库;
利用SSD网络模型和模型参数对船牌检测数据库进行训练,根据中间结果,对初始值、训练速率和迭代次数不断进行调整,获得最优的SSD船牌检测网络模型作为船牌检测模型。
其中,所述船牌分类模型,其模型训练过程包括:
通过挖掘历史船舶视频数据库,提取有效船牌图像信息并进行图像预处理构建CNN船牌分类数据库;
利用CNN网络模型和模型参数对船牌分类数据库进行训练,根据中间结果,对初始值、训练速率和迭代次数不断进行调整,获得最优的CNN船牌分类网络模型作为船牌分类模型。
进一步的,所述预定值不少于60s。
本发明还提供了一种存储装置,其中存储有多条指令,所述指令由处理器加载并执行以下处理:
获取港口进出船舶的视频;
将所述视频分解成由船舶图像帧组成的视频流,采用训练完成的船舶分类模型对视频流进行分类,获取指定类型的船舶图像;
采用训练完成的船牌检测模型对所述指定类型的船舶图像进行船牌检测,获取船牌检测结果;
对所述船牌检测的结果进行文字识别,得到自然场景中的船牌文字。
本发明还提供了一种基于深度学习的自然场景中船牌文字识别装置,包括处理器和存储装置,处理器用于实现各指令;存储装置用于存储多条指令,所述指令由处理器加载并执行以下处理:
获取港口进出船舶的视频;
将所述视频分解成由船舶图像帧组成的视频流,采用训练完成的船舶分类模型对视频流进行分类,获取指定类型的船舶图像;
采用训练完成的船牌检测模型对所述指定类型的船舶图像进行船牌检测,获取船牌检测结果;
对所述船牌检测的结果进行文字识别,得到自然场景中的船牌文字。
本发明的有益效果:
(1)将深度学习技术和视频处理技术相结合,用深度学习的方法对船牌文字进行识别,提高了船牌识别的速度和精度;
(2)将基于深度学习的船牌文字识别技术和AIS区域检测相结合,弥补了深度学习模型的不足,提高了船牌文字识别的准确率。
附图说明
图1为本发明中基于深度学习的自然场景中船牌文字识别的总体流程图;
图2为本发明中船牌分类模型与AIS区域检测的结合算法模型
具体实施方式:
下面结合附图与实施例对本发明作进一步说明:
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的一种典型实施例如图1所示,是一种基于深度学习的自然场景中船牌文字识别方法,包括以下几个基本步骤:采集船舶视频流;对船舶视频流进行船舶检测分类;对提取到的船舶图像进行船牌检测;对船牌检测的结果进行船牌文字识别。
下面对基于深度学习的自然场景中船牌文字识别方法进行详细说明:
如图1所示,
步骤1:通过港口摄像头采集港口进出船舶的视频;
步骤2:获取摄像头视频流并用训练好的船舶分类模型对视频中的船舶进行分类获取指定类型的船舶图像;
步骤3:用训练好的船牌检测模型对提取的图像进行船牌检测,获取船牌图像和时间戳;
步骤4:用AIS区域检测与船牌分类结合的船牌文字识别模型对对船牌检测的结果进行文字识别,得到最终结果并返回结果信息。
其中船舶分类模型和船牌检测模型的训练过程相似,具体包括:
通过挖掘历史船舶视频数据库,提取有效视频数据信息并进行图像预处理构建SSD船舶分类数据库;
利用SSD网络模型和默认的参数对船舶分类数据库进行训练,根据中间结果,对初始值、训练速率和迭代次数不断进行调整,获得较优的SSD船舶分类网络模型。
和
通过挖掘历史船舶视频数据库,提取有效船牌视频数据信息并进行图像预处理构建SSD船牌检测数据库;
利用SSD网络模型和默认的参数对船牌检测数据库进行训练,根据中间结果,对初始值、训练速率和迭代次数不断进行调整,获得较优的SSD船牌检测网络模型。
另外,本实施例中还提到了船牌文字识别模型,与上面提到的深度学习网络模型不同,这里的船牌文字识别模型采用CNN网络模型,其模型训练过程包括:
通过挖掘历史船舶视频数据库,提取有效船牌图像信息并进行图像预处理构建CNN船牌分类数据库;
利用CNN网络模型和默认的参数对船牌分类数据库进行训练,根据中间结果,对初始值、训练速率和迭代次数不断进行调整,获得较优的CNN船牌分类网络模型。
如图2所示,对本发明中AIS区域检测与CNN船牌分类相结合的船牌文字识别模型进行详细说明:首先使用CNN船牌分类模型对船牌检测的结果进行分类匹配,如果匹配成功,返回最终结果,如果匹配失败,采用AIS区域检测的方法获取进出港口的船舶信息。
下面对AIS区域检测流程进行详细说明:
当船牌文字识别系统获得船牌检测图像结果时,首先用CNN船牌分类匹配模型进行船牌匹配,获取船牌匹配结果和当前时间戳信息;
如果匹配成功,返回最终的检测结果;
如果匹配失败,进行AIS区域检测,检测流程包括:请求AIS区域监测系统的最新船舶数据,判断两个时间戳的误差是否超过预定值,如果不超过预定值则识别成功,返回当前AIS中的船牌信息;否则判断请求时间是否超过预定值(这里设置为60秒),如果相邻两时间戳且超过预定值且,相邻两请求时间也超过预定值,则重新请求AIS区域监测系统的最新数据,如果只有相邻两时间戳超过预定值则船牌识别失败。
采用AIS区域检测的方法获取船舶船牌信息,主要通过AIS区域检测计算船舶过港的时间戳,并依据时间戳判断过港时间与检测到船舶的时间差是否超过预定值。
本发明的再一实施例是一种存储装置,其中存储有多条指令,所述指令由处理器加载并执行以下处理:
获取港口进出船舶的视频;
将所述视频分解成由船舶图像帧组成的视频流,采用训练完成的船舶分类模型对视频流进行分类,获取指定类型的船舶图像;
采用训练完成的船牌检测模型对所述指定类型的船舶图像进行船牌检测,获取船牌检测结果;
对所述船牌检测的结果进行文字识别,得到自然场景中的船牌文字。
本发明提供的又一实施例是一种基于深度学习的自然场景中船牌文字识别装置,包括处理器和存储装置,处理器用于实现各指令;存储装置用于存储多条指令,所述指令由处理器加载并执行以下处理:
获取港口进出船舶的视频;
将所述视频分解成由船舶图像帧组成的视频流,采用训练完成的船舶分类模型对视频流进行分类,获取指定类型的船舶图像;
采用训练完成的船牌检测模型对所述指定类型的船舶图像进行船牌检测,获取船牌检测结果;
对所述船牌检测的结果进行文字识别,得到自然场景中的船牌文字。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (6)
1.一种基于深度学习的自然场景中船牌文字识别方法,其特征在于,包括:
获取港口进出船舶的视频;
将所述视频分解成由船舶图像帧组成的视频流,采用训练完成的船舶分类模型对视频流进行分类,获取指定类型的船舶图像;
采用训练完成的船牌检测模型对所述指定类型的船舶图像进行船牌检测,获取船牌检测结果;
对所述船牌检测的结果进行文字识别,得到自然场景中的船牌文字;
所述船牌检测结果包括:船牌图像和时间戳;
对所述船牌检测的结果进行文字识别包括:首先采用CNN船牌分类模型对船牌图像进行分类匹配,若匹配成功,则视为得到了自然场景中的船牌文字;若匹配失败,则采用AIS区域检测方法分析相邻船牌图像的时间戳,判断两个时间戳的误差是否超过预定值,如果不超过预定值则识别成功,返回当前AIS中的船牌文字;如果超过预定值则重新请求操作AIS区域检测;
所述如果超过预定值则重新请求操作AIS区域检测包括:
进一步判断相邻请求操作AIS区域检测的时间间隔是否超过预定值,若超过则视为船牌识别失败,若不超过则重新请求操作AIS区域检测;所述预定值不少于60s。
2.根据权利要求1所述的一种基于深度学习的自然场景中船牌文字识别方法,其特征在于:所述船舶分类模型的训练过程包括:
通过挖掘历史船舶视频数据库,提取有效视频数据信息并进行图像预处理构建SSD船舶分类数据库;
利用SSD网络模型和模型参数对船舶分类数据库进行训练,根据中间结果,对初始值、训练速率和迭代次数不断进行调整,获得最优的SSD船舶分类网络模型作为船舶分类模型。
3.根据权利要求1所述的一种基于深度学习的自然场景中船牌文字识别方法,其特征在于,所述船牌检测模型的训练过程包括:
通过挖掘历史船舶视频数据库,提取有效船牌视频数据信息并进行图像预处理构建SSD船牌检测数据库;
利用SSD网络模型和模型参数对船牌检测数据库进行训练,根据中间结果,对初始值、训练速率和迭代次数不断进行调整,获得最优的SSD船牌检测网络模型作为船牌检测模型。
4.根据权利要求1所述的一种基于深度学习的自然场景中船牌文字识别方法,其特征在于,所述船牌分类模型,其模型训练过程包括:
通过挖掘历史船舶视频数据库,提取有效船牌图像信息并进行图像预处理构建CNN船牌分类数据库;
利用CNN网络模型和模型参数对船牌分类数据库进行训练,根据中间结果,对初始值、训练速率和迭代次数不断进行调整,获得最优的CNN船牌分类网络模型作为船牌分类模型。
5.一种存储装置,其中存储有多条指令,其特征在于:该存储装置基于权利要求1-4任一项所述的一种基于深度学习的自然场景中船牌文字识别方法,所述指令由处理器加载并执行以下处理:
获取港口进出船舶的视频;
将所述视频分解成由船舶图像帧组成的视频流,采用训练完成的船舶分类模型对视频流进行分类,获取指定类型的船舶图像;
采用训练完成的船牌检测模型对所述指定类型的船舶图像进行船牌检测,获取船牌检测结果;
对所述船牌检测的结果进行文字识别,得到自然场景中的船牌文字。
6.一种基于深度学习的自然场景中船牌文字识别装置,包括处理器和权利要求5所述的存储装置,其特征在于:处理器用于实现各指令;存储装置用于存储多条指令,所述指令由处理器加载并执行以下处理:
获取港口进出船舶的视频;
将所述视频分解成由船舶图像帧组成的视频流,采用训练完成的船舶分类模型对视频流进行分类,获取指定类型的船舶图像;
采用训练完成的船牌检测模型对所述指定类型的船舶图像进行船牌检测,获取船牌检测结果;
对所述船牌检测的结果进行文字识别,得到自然场景中的船牌文字。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710690911.5A CN107491752B (zh) | 2017-08-14 | 2017-08-14 | 一种基于深度学习的自然场景中船牌文字识别方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710690911.5A CN107491752B (zh) | 2017-08-14 | 2017-08-14 | 一种基于深度学习的自然场景中船牌文字识别方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107491752A CN107491752A (zh) | 2017-12-19 |
CN107491752B true CN107491752B (zh) | 2020-11-06 |
Family
ID=60645388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710690911.5A Active CN107491752B (zh) | 2017-08-14 | 2017-08-14 | 一种基于深度学习的自然场景中船牌文字识别方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107491752B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960175A (zh) * | 2018-07-12 | 2018-12-07 | 天津艾思科尔科技有限公司 | 一种基于深度学习的车牌识别方法 |
CN109255826B (zh) * | 2018-10-11 | 2023-11-21 | 平安科技(深圳)有限公司 | 中文训练图像生成方法、装置、计算机设备及存储介质 |
CN111027557B (zh) * | 2019-03-11 | 2024-03-19 | 广东小天才科技有限公司 | 一种基于题目图像的科目识别方法及电子设备 |
CN109993163B (zh) * | 2019-03-19 | 2023-09-05 | 苏州大学 | 一种基于人工智能的非标铭牌识别系统及其识别方法 |
CN110245613B (zh) * | 2019-06-17 | 2023-01-20 | 珠海华园信息技术有限公司 | 基于深度学习特征对比的船牌识别方法 |
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 |
CN110766002B (zh) * | 2019-10-08 | 2022-03-22 | 浙江大学 | 一种基于深度学习的船名字符区域检测方法 |
CN110889414A (zh) * | 2019-11-27 | 2020-03-17 | 中国银行股份有限公司 | 光学字符识别方法及装置 |
CN111291684A (zh) * | 2020-02-10 | 2020-06-16 | 浙江工业大学 | 一种自然场景下的船牌检测方法 |
CN111461116B (zh) * | 2020-03-25 | 2024-02-02 | 深圳市云恩科技有限公司 | 一种船牌文本识别模型结构、其建模方法及其训练方法 |
CN111507247B (zh) * | 2020-04-16 | 2023-04-18 | 华南理工大学 | 一种基于强化学习的古籍文字精准检测方法 |
CN111832556A (zh) * | 2020-06-04 | 2020-10-27 | 国家海洋局南海调查技术中心(国家海洋局南海浮标中心) | 一种基于深度学习的船舷字符精准检测方法 |
CN111985470A (zh) * | 2020-07-09 | 2020-11-24 | 浙江工业大学 | 一种自然场景下的船牌矫正识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145200A (zh) * | 2007-10-26 | 2008-03-19 | 浙江工业大学 | 多视觉传感器信息融合的内河船舶自动识别系统 |
CN104660994A (zh) * | 2015-02-09 | 2015-05-27 | 武汉理工大学 | 海事专用摄像机及海事智能监控方法 |
CN205992306U (zh) * | 2016-08-30 | 2017-03-01 | 浙江华是科技股份有限公司 | 航道智能截面管理系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7876865B2 (en) * | 2007-06-08 | 2011-01-25 | COM DEV International Ltd | System and method for decoding automatic identification system signals |
FR2979736B1 (fr) * | 2011-09-05 | 2013-08-30 | Centre Nat Etd Spatiales | Procede de detection de messages sia |
CN103631148B (zh) * | 2013-08-28 | 2017-03-15 | 中国人民解放军海军大连舰艇学院 | 一种基于ais的船舶驾驶实时虚拟增强仿真系统及方法 |
CN105975927A (zh) * | 2016-04-29 | 2016-09-28 | 中国舰船研究设计中心 | 一种公务船目标识别系统与方法 |
-
2017
- 2017-08-14 CN CN201710690911.5A patent/CN107491752B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145200A (zh) * | 2007-10-26 | 2008-03-19 | 浙江工业大学 | 多视觉传感器信息融合的内河船舶自动识别系统 |
CN104660994A (zh) * | 2015-02-09 | 2015-05-27 | 武汉理工大学 | 海事专用摄像机及海事智能监控方法 |
CN205992306U (zh) * | 2016-08-30 | 2017-03-01 | 浙江华是科技股份有限公司 | 航道智能截面管理系统 |
Non-Patent Citations (2)
Title |
---|
Deep learning for anomaly detection in maritime vessels using AIS-cued camera imagery;Zang yi等;《8th Conference on Ground/Air Multi-sensor Interoperability, Integration, and Networking for Persistent ISR》;20170413;引言第2段、第2.2节第2段 * |
Ship Detection Using Transfer Learned Single Shot Multi-box Detector;Gu-hong Nie等;《4th Annual International Conference on Information Technology and Applications(ITA)》;20170528;第1页摘要、第2页图2、第3页第3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107491752A (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491752B (zh) | 一种基于深度学习的自然场景中船牌文字识别方法、装置 | |
CN108053427B (zh) | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 | |
US11010905B2 (en) | Efficient object detection and tracking | |
CN107122751B (zh) | 一种基于人脸对齐的人脸跟踪和人脸图像捕获方法 | |
CN108052859B (zh) | 一种基于聚类光流特征的异常行为检测方法、系统及装置 | |
CN106683073B (zh) | 一种车牌的检测方法及摄像机和服务器 | |
KR101824446B1 (ko) | 강화 학습 기반 cctv용 차량 번호 인식 방법 | |
CN103988232A (zh) | 使用运动流形来改进图像匹配 | |
CN105303153A (zh) | 一种车辆车牌识别方法及装置 | |
CN106095104A (zh) | 基于目标模型信息的连续手势轨迹分割方法及系统 | |
CN110781844B (zh) | 保安巡察监测方法及装置 | |
CN112464951B (zh) | 一种基于物联网的渔业安全应急处置系统及方法 | |
CN114119676A (zh) | 基于多特征信息融合的目标检测跟踪识别方法和系统 | |
CN108830204B (zh) | 面对目标的监控视频中异常检测方法 | |
CN114719767A (zh) | 距离检测方法、装置、存储介质及电子设备 | |
CN110688873A (zh) | 多目标追踪方法及人脸识别方法 | |
CN117152156A (zh) | 一种基于多模态数据融合的铁路异常检测方法及系统 | |
CN113470017A (zh) | 基于人工智能的输电线安全预警检测方法、装置及设备 | |
CN109711372A (zh) | 一种车道线的识别方法和系统、存储介质、服务器 | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
CN116778673A (zh) | 水域安全监控方法、系统、终端及存储介质 | |
CN111027558A (zh) | 一种违章车辆车型及车牌识别的方法 | |
CN106683086A (zh) | 一种智能视频监控的背景建模方法和装置 | |
CN115953872A (zh) | 基于视频监控的行人越界预警方法、设备及存储介质 | |
CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 |
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 |