CN107545239A - 一种基于车牌识别与车辆特征匹配的套牌检测方法 - Google Patents
一种基于车牌识别与车辆特征匹配的套牌检测方法 Download PDFInfo
- Publication number
- CN107545239A CN107545239A CN201710544552.2A CN201710544552A CN107545239A CN 107545239 A CN107545239 A CN 107545239A CN 201710544552 A CN201710544552 A CN 201710544552A CN 107545239 A CN107545239 A CN 107545239A
- Authority
- CN
- China
- Prior art keywords
- car
- image
- layer
- vehicle
- license 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.)
- Granted
Links
Abstract
本发明公布了一种基于车牌识别与车辆特征匹配的套牌检测方法，包括以下步骤：提取监控设备帧图，将源图灰度化；采用Sobel边缘检测对车牌进行定位；运用形态学处理图像使得区域连通便于车牌轮廓提取；设置宽高比、面积精确提取；通过hough变化和垂直投影进行车牌矫正与字符分割；使用神经网络识别分割字符获取车牌信息；迁移AlexNet神经网络框架，通过识别颜色的深度特征进行分类；运用KNN算法结合数据库系统信息检测套牌情况。本发明保证了车辆识别的精度；直接迁移高精度的卷积神经网络作为基础框架，代价小花费小；能快速在计算机平台上实现，所以车牌识别及车辆识别系统进行大范围布置代价小，可行性高。
Description
技术领域
本发明涉及基于车牌识别与车辆特征匹配的套牌检测方法，在车牌识别的基础上结合迁移学习共同作用更有效的识别车辆信息，结合数据库完成异常套牌检测。
背景技术
车牌识别与车辆识别是智能交通领域运用极为广泛的一部分，如收费站、停车场管理、违章车辆查处等。国内车牌由汉字、字母、数字组成，由于汉字的复杂性，其识别难度远大于字母和数字。车牌颜色种类、格式、悬挂方式的多样化的自身特性，光照的强弱、车牌的反光程度、背景中出现与车牌类似的长方形区域等外部因素和拍摄的角度也导致车牌识别难度增大。目前车牌识别的主要方式有纹理特征和颜色匹配，其增强了系统的可靠性，但算法较为复杂。神经网络等在车牌与车身颜色相近；车牌有污渍时，车牌域句法特征改变，要精确定位车牌存在困难，鲁棒性不强。传统边缘检测由于引入微分运算，致使对噪声敏感，抗噪性能差。直接利用高斯函数对原始图像进行处理计算量很大。而车辆的识别主要采用SIFT特征向量采集的方式，该方法实时性不高、有时特征点较少、对边缘光滑的目标无法准确提取特征点。
发明内容
本发明目的在于提供一种基于车牌识别与车辆特征匹配的套牌检测方法，可实现对车辆更有效的监管，能快速发现套牌等违章情况。
为达成上述目的，本发明所采用的技术方案如下：一种基于车牌识别与车辆特征匹配的套牌检测方法，包括以下步骤：步骤一、车牌识别；步骤二、车辆特征匹配；步骤三、综合所述步骤一和步骤二进行套牌检测；所述步骤一的车牌识别包括以下步骤：
步骤1、视频监控设备识别到车辆在监控内时，提取视频中的某一帧图像作为源图。
步骤2、对步骤1获得的源图进行归一化和灰度化，为了反映图像的形态特征将图像灰度化，而图像归一化使得图像可以抵抗几何变换的攻击，它能够找出图像中的那些不变量，从而得知这些图像原本就是一样的或者一个系列的。
步骤3、对灰度图进行直方图均衡化处理使得图片的对比度增大，使图像细节清晰，以达到增强的目的。通过高斯平滑分配权重，客观上减轻了与周围像素的差异。在现实生活中，车辆往往因环境因素导致车身布满灰尘、车牌字符不是特别清晰，图像会带有噪声，采用中值滤波用邻域中值代替该点像素值，由于提取车牌位置在图像中心，形成的边缘模糊不会影响结果。
步骤4、车身的纹理为水平边缘，车牌字符的纹理为垂直边缘。依据此特性采用sobel算法实现边缘垂直检测可以对车牌进行定位sobel算法是一离散型差分算子，用以运算图像高亮函数的灰度近似值,为便于后续形态学处理，基于边缘检测图像的梯度值进行二值化处理。
步骤5、上述图像预处理后，由于车牌字符的存在会形成众多孔洞，可以通过数学形态学的方法来去除噪声和填补孔洞。数学形态学主要包括二值腐蚀与膨胀、二值开闭运算等，形态学操作是基于形状的一系列图像操作。膨胀和腐蚀均作用于高亮部分，膨胀是指与矩形核进行卷积，并将最大值赋予给指定的像素，使得图像高亮区域增长，可以获得比原图更大的白色区域，腐蚀取最小值得到更小的白色区域。开运算为先腐蚀后膨胀过程，用以消去较小区域。闭运算为先膨胀后腐蚀的过程，用于区域连通便于轮廓的提取。本发明采用闭运算。
步骤6、基于前述步骤图片将变成以黑色为底包含一块块白色区域，而矩形形状的白色区域可能是车牌的候选区域，进行轮廓的筛选，获取候选车牌区域，opencv通过限制外接矩形的宽高比、外接矩形的面积，筛选同时满足条件的矩形框。筛选后的矩形框就是算法认为车牌的具体位置。
步骤7、将车牌的具体位置提取出来，通常车牌图片会有部分倾斜的情况，这个时候可以使用hough变换来矫正车牌。
步骤8、将矫正后的车牌使用垂直投影，并在opencv中对字符宽高比进行限制来切割字符。
步骤9、使用大量的车牌字符集训练BP神经网络，将训练好后神经网络用于步骤8获得的图像，获得车牌具体的字符，这一部分就是车牌识别部分。
部分车辆识别直接使用车牌识别结果作为车辆的标识，当出现套牌或者识别错误的情况将造成不可逆的影响，基于此提出使用深度卷积网络来识别车辆信息，结合车牌信息共同作为车辆识别的依据。
深度神经网络学习需要大量的训练集，在没有大量训练集和测试集的状态下学习的模型精度会很低。即便拥有足够的数据用以训练参数也需要消耗大量的时间。为了保证模型的泛化能力，不能全部使用车辆图片集作为训练集，这有为训练模型收集数据增加了难度，通过研究训练成功的深度神经网络，发现神经网络前大部分卷积层的参数很相近，比如初始层代表着颜色、角落、边缘、圆等一些特征。而在后几个卷积层目的非常特定，学习更高级的组合特征。最后的全连层是针对数据集特征进行参数调整。基于此可以将卷积层参数保持不变，对训练出的深度特征进行分类来提高识别精度。因此本发明将ImageNet竞赛中共8层6000万参数AlexNet卷积神经网络作为迁移模块。
所述步骤二的车辆特征匹配具体步骤如下：
步骤a、提取彩色图片的三维数组，放置AlexNet神经网络训练获取深度特征，用深度特征代替原始图片。
步骤b、将深度特征用于分类模型，首先识别是否是机动车辆，再识别车辆是哪种品牌、型号。
步骤c、再将深度特征通过KNN算法，看提取出来的相片是不是颜色型号相近的车辆。
所述步骤一车牌识别结合步骤二车辆特征识别可进行车辆套牌识别。
更进一步的，步骤4中的所述sobel算法是一离散型差分算子，用以运算图像高亮函数的灰度近似值；A代表原始图像，GX代表横向边缘检测图像的灰度值；为便于后续形态学处理，基于边缘检测图像的梯度值进行二值化处理，并设置阈值，大于阈值记为255，否则设置为0，将预处理后的单通道灰度图二值化。
更进一步的，步骤a中所述的提取彩色图片的三维数组，放置AlexNet神经网络训练获取深度特征，用深度特征代替原始图片特征，所述AlexNet神经网络模型由5层卷积层和3层全连接分类器构成；在第一层输入三维RGB图像，使用96个三维的卷积过滤器进行特征提取，采用非饱和激活函数RELU，使用有重叠的池化和局部归一化来减少过拟合提升模型的泛化能力，将每一层的输出作为下一层的输入，第三、四层不进行池化和局部归一化处理；第五层池化后与4096个神经元进行全连接，第七层与第六层类似，最后一层作为输出层；通过AlexNet模型前七层训练出图像的深度特征。
更进一步的，所述步骤c中的车辆识别方式中，对深度特征使用加Ridge的logistic回归算法完成不同图片的分类任务，KNN算法基于相似度匹配数据库车牌对应车辆信息，用于检测套牌情况，其中Wik和Wjk均为图形特征向量，Xi和Xj均由AlexNet神经网络模型获得。
更进一步的，所述步骤6中的外接矩形的宽高比范围为2.7-5；所述外接矩形的面积小于1000mm2。
更进一步的，所述步骤8中的的字符宽高比范围为1.2-2.6。
有益效果：本发明的方案中针对现代车辆识别系统，采用区别传统的车牌作为识别车辆的凭证，结合卷积神经网络综合识别车辆，在统计学层面上保证了车辆识别的精度；不需要重新收集数据、花费计算机性能来获得识别模型，直接迁移高精度的卷积神经网络作为基础框架，代价小花费小；能快速在计算机平台上实现，所以车牌识别及车辆识别系统进行大范围布置代价小，可行性高。
附图说明
图1为本发明车牌识别的流程示意图；
图2为本发明车辆套牌检测的流程示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1和图2所示，一种基于车牌识别与车辆特征匹配的套牌检测方法，包括以下步骤：步骤一、车牌识别；步骤二、车辆特征匹配；步骤三、综合所述步骤一和步骤二进行套牌检测；所述步骤一的车牌识别包括以下步骤：
步骤1、视频监控设备识别到车辆在监控内时，提取视频中的某一帧图像作为源图。
步骤2、对步骤1获得的源图进行归一化和灰度化，为了反映图像的形态特征将图像灰度化，而图像归一化使得图像可以抵抗几何变换的攻击，它能够找出图像中的那些不变量，从而得知这些图像原本就是一样的或者一个系列的。
步骤3、对灰度图进行直方图均衡化处理使得图片的对比度增大，使图像细节清晰，以达到增强的目的。通过高斯平滑分配权重，客观上减轻了与周围像素的差异。在现实生活中，车辆往往因环境因素导致车身布满灰尘、车牌字符不是特别清晰，图像会带有噪声，采用中值滤波用邻域中值代替该点像素值，由于提取车牌位置在图像中心，形成的边缘模糊不会影响结果。
步骤4、车身的纹理为水平边缘，车牌字符的纹理为垂直边缘。依据此特性采用sobel算法实现边缘垂直检测可以对车牌进行定位。sobel算法是一离散型差分算子，用以运算图像高亮函数的灰度近似值,为便于后续形态学处理，基于边缘检测图像的梯度值进行二值化处理。
步骤5、上述图像预处理后，由于车牌字符的存在会形成众多孔洞，可以通过数学形态学的方法来去除噪声和填补孔洞。数学形态学主要包括二值腐蚀与膨胀、二值开闭运算等，形态学操作是基于形状的一系列图像操作。膨胀和腐蚀均作用于高亮部分，膨胀是指与矩形核进行卷积，并将最大值赋予给指定的像素，使得图像高亮区域增长，可以获得比原图更大的白色区域，腐蚀取最小值得到更小的白色区域。开运算为先腐蚀后膨胀过程，用以消去较小区域。闭运算为先膨胀后腐蚀的过程，用于区域连通便于轮廓的提取。本发明采用闭运算。
步骤6、基于前述步骤图片将变成以黑色为底包含一块块白色区域，而矩形形状的白色区域可能是车牌的候选区域，进行轮廓的筛选，获取候选车牌区域，opencv通过限制外接矩形的宽高比、外接矩形的面积，筛选同时满足条件的矩形框。筛选后的矩形框就是算法认为车牌的具体位置。
步骤7、将车牌的具体位置提取出来，通常车牌图片会有部分倾斜的情况，这个时候可以使用hough变换来矫正车牌。
步骤8、将矫正后的车牌使用垂直投影，并在opencv中对字符宽高比进行限制来切割字符。
步骤9、使用大量的车牌字符集训练BP神经网络，将训练好后神经网络用于步骤8获得的图像，获得车牌具体的字符，这一部分就是车牌识别部分。
部分车辆识别直接使用车牌识别结果作为车辆的标识，当出现套牌或者识别错误的情况将造成不可逆的影响，基于此提出使用深度卷积网络来识别车辆信息，结合车牌信息共同作为车辆识别的依据。
深度神经网络学习需要大量的训练集，在没有大量训练集和测试集的状态下学习的模型精度会很低。即便拥有足够的数据用以训练参数也需要消耗大量的时间。为了保证模型的泛化能力，不能全部使用车辆图片集作为训练集，这有为训练模型收集数据增加了难度，通过研究训练成功的深度神经网络，发现神经网络前大部分卷积层的参数很相近，比如初始层代表着颜色、角落、边缘、圆等一些特征。而在后几个卷积层目的非常特定，学习更高级的组合特征。最后的全连层是针对数据集特征进行参数调整。基于此可以将卷积层参数保持不变，对训练出的深度特征进行分类来提高识别精度。因此本发明将ImageNet竞赛中共8层6000万参数AlexNet卷积神经网络作为迁移模块。
所述步骤二的车辆特征匹配具体步骤如下：
步骤a、提取彩色图片的三维数组，放置AlexNet神经网络训练获取深度特征，用深度特征代替原始图片。
步骤b、将深度特征用于分类模型，首先识别是否是机动车辆，再识别车辆是哪种品牌、型号。
步骤c、再将深度特征通过KNN算法，看提取出来的相片是不是颜色型号相近的车辆。
所述步骤一车牌识别结合步骤二车辆特征识别可进行车辆套牌识别。
更进一步的，步骤4中的所述sobel算法是一离散型差分算子，用以运算图像高亮函数的灰度近似值；A代表原始图像，GX代表横向边缘检测图像的灰度值；为便于后续形态学处理，基于边缘检测图像的梯度值进行二值化处理，并设置阈值，大于阈值记为255，否则设置为0，将预处理后的单通道灰度图二值化。
步骤a中所述的提取彩色图片的三维数组，放置AlexNet神经网络训练获取深度特征，用深度特征代替原始图片特征，所述AlexNet神经网络模型由5层卷积层和3层全连接分类器构成；在第一层输入三维RGB图像，使用96个三维的卷积过滤器进行特征提取，采用非饱和激活函数RELU，使用有重叠的池化和局部归一化来减少过拟合提升模型的泛化能力，将每一层的输出作为下一层的输入，第三、四层不进行池化和局部归一化处理；第五层池化后与4096个神经元进行全连接，第七层与第六层类似，最后一层作为输出层；通过AlexNet模型前七层训练出图像的深度特征。
所述步骤c中的车辆识别方式中，对深度特征使用加Ridge的logistic回归算法完成不同图片的分类任务，KNN算法基于相似度匹配数据库车牌对应车辆信息，用于检测套牌情况，其中Wik和Wjk均为图形特征向量，Xi和Xj均由AlexNet神经网络模型获得。
所述步骤6中的外接矩形的宽高比范围为2.7-5；所述外接矩形的面积小于1000mm2。所述步骤8中的的字符宽高比范围为1.2-2.6。
本发明的方案中针对现代车辆识别系统，采用区别传统的车牌作为识别车辆的凭证，结合卷积神经网络综合识别车辆，在统计学层面上保证了车辆识别的精度；不需要重新收集数据、花费计算机性能来获得识别模型，直接迁移高精度的卷积神经网络作为基础框架，代价小花费小；能快速在计算机平台上实现，所以车牌识别及车辆识别系统进行大范围布置代价小，可行性高。
Claims (7)
1.一种基于车牌识别与车辆特征匹配的套牌检测方法，期特征在于：包括以下步骤：
步骤一、车牌识别；
步骤二、车辆特征匹配；
步骤三、综合所述步骤一和步骤二进行套牌检测；
所述步骤一的车牌识别包括以下步骤：
步骤1、视频监控设备识别到车辆在监控内时，提取视频中的一帧图像作为源图；
步骤2、对步骤1获得的源图进行归一化和灰度化；
步骤3、对步骤2得到的图使用直方图均衡化处理，同时使用非线性的中值滤波与线性的高斯滤波处理；
步骤4、采用sobel算法实现边缘垂直检测对步骤3得到的图像中的车牌进行定位；
步骤5、对步骤4中得到图像使用数学形态学的闭运算来处理，消除图像噪声填补图像孔洞；
步骤6、在opencv限制外接矩形的宽高比和外接矩形的面积，获得车牌位置；
步骤7、将车牌的位置提取出来，使用hough变换矫正车牌位置；
步骤8、将矫正后的车牌使用垂直投影，并在opencv中对字符宽高比中限制来切割字符；
步骤9、使用车牌字符集训练BP神经网络，将训练好后神经网络用于步骤8得到图像，获得车牌字符；
所述步骤二的车辆特征匹配，包括如下步骤：
步骤a、提取彩色图片的三维数组，放置AlexNet神经网络训练获取深度特征，用深度特征代替原始图片特征；
步骤b、将深度特征用于分类模型，首先识别是否是机动车辆，再识别车辆的品牌和型号；
步骤c、将深度特征通过KNN算法，结合车辆系统数据库，计算车辆特征相似度，并设置最小特征匹配阈值。
2.根据权利要求1所述的基于车牌识别与车辆特征匹配的套牌检测方法，其特征在于，步骤4中的所述sobel算法是一离散型差分算子，用以运算图像高亮函数的灰度近似值；A代表原始图像，GX代表横向边缘检测图像的灰度值；基于边缘检测图像的梯度值进行二值化处理，并设置阈值，大于阈值记为255，否则设置为0，将预处理后的单通道灰度图二值化。
3.根据权利要求1所述的基于车牌识别与车辆特征匹配的套牌检测方法，其特征在于，步骤5中所述的数学形态学，包括二值腐蚀与膨胀、二值开闭运算，膨胀和腐蚀均作用于高亮部分，膨胀是指与矩形核进行卷积，并将最大值赋予给指定的像素，使得图像高亮区域增长，获得比原图更大的白色区域；腐蚀取最小值得到更小的白色区域，最后通过设置外接矩形的宽高比和外接矩形的面积，筛选同时满足条件的矩形框。
4.根据权利要求1所述的基于车牌识别与车辆特征匹配的套牌检测方法，其特征在于，步骤a中所述的提取彩色图片的三维数组，放置AlexNet神经网络训练获取深度特征，用深度特征代替原始图片特征：所述AlexNet神经网络模型由5层卷积层和3层全连接分类器构成；在第一层输入三维RGB图像，使用96个三维的卷积过滤器进行特征提取，采用非饱和激活函数RELU，使用有重叠的池化和局部归一化来减少过拟合提升模型的泛化能力，将每一层的输出作为下一层的输入，第三、四层不进行池化和局部归一化处理；第五层池化后与4096个神经元进行全连接，第七层与第六层类似，最后一层作为输出层；通过AlexNet模型前七层训练出图像的深度特征。
5.根据权利要求1所述的基于车牌识别与车辆特征匹配的套牌检测方法，其特征在于，所述步骤c中的车辆识别方式中，对深度特征使用加Ridge的logistic回归算法完成不同图片的分类任务，KNN算法基于相似度匹配数据库车牌对应车辆信息，用于检测套牌情况，其中其中Wik和Wjk均为图形特征向量，Xi和Xj均由AlexNet卷积神经网络模型获得。
6.根据权利要求1所述的基于车牌识别与车辆特征匹配的套牌检测方法，其特征在于：所述步骤6中的外接矩形的宽高比范围为2.7-5；所述外接矩形的面积小于1000mm2。
7.根据权利要求1所述的基于车牌识别与车辆特征匹配的套牌检测方法，其特征在于：所述步骤8中的的字符宽高比范围为1.2-2.6。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710544552.2A CN107545239B (zh) | 2017-07-06 | 2017-07-06 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710544552.2A CN107545239B (zh) | 2017-07-06 | 2017-07-06 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107545239A true CN107545239A (zh) | 2018-01-05 |
| CN107545239B CN107545239B (zh) | 2021-01-12 |
Family
ID=60970368
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710544552.2A Expired - Fee Related CN107545239B (zh) | 2017-07-06 | 2017-07-06 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107545239B (zh) |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108323209A (zh) * | 2018-01-29 | 2018-07-24 | 深圳前海达闼云端智能科技有限公司 | 信息处理方法、系统、云处理设备以及计算机程序产品 |
| CN108694393A (zh) * | 2018-05-30 | 2018-10-23 | 深圳市思迪信息技术股份有限公司 | 一种基于深度卷积的证件图像文本区域提取方法 |
| CN108806003A (zh) * | 2018-05-25 | 2018-11-13 | 西南交通大学 | 一种基于机器学习的收费公路绿通车检测方法 |
| CN108921095A (zh) * | 2018-07-03 | 2018-11-30 | 安徽灵图壹智能科技有限公司 | 一种基于神经网络的停车位管理系统、方法及停车位 |
| CN108986453A (zh) * | 2018-06-15 | 2018-12-11 | 华南师范大学 | 一种基于情境信息的交通状况预测方法、系统及装置 |
| CN109087298A (zh) * | 2018-08-17 | 2018-12-25 | 电子科技大学 | 一种阿尔兹海默病mri图像分类方法 |
| CN109299729A (zh) * | 2018-08-24 | 2019-02-01 | 四川大学 | 车辆检测方法及装置 |
| CN109376617A (zh) * | 2018-09-30 | 2019-02-22 | 佳都新太科技股份有限公司 | 车辆套牌识别方法、装置、识别设备及存储介质 |
| CN109522834A (zh) * | 2018-11-10 | 2019-03-26 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种电力设备的铭牌识别方法 |
| CN109657676A (zh) * | 2018-12-06 | 2019-04-19 | 河池学院 | 基于卷积神经网络的车牌识别方法及系统 |
| CN109657665A (zh) * | 2018-10-31 | 2019-04-19 | 广东工业大学 | 一种基于深度学习的发票批量自动识别系统 |
| CN110263864A (zh) * | 2019-06-24 | 2019-09-20 | 北京精英路通科技有限公司 | 车辆的匹配方法、装置、计算机设备及存储介质 |
| CN110598704A (zh) * | 2019-09-26 | 2019-12-20 | 中电万维信息技术有限责任公司 | 基于深度学习的车牌识别无感支付系统 |
| CN110738139A (zh) * | 2019-09-26 | 2020-01-31 | 西安工程大学 | 一种融合Min-Max目标的NIN车牌识别方法 |
| CN111145365A (zh) * | 2019-12-17 | 2020-05-12 | 北京明略软件系统有限公司 | 一种实现分类处理的方法、装置、计算机存储介质及终端 |
| CN111275979A (zh) * | 2020-01-20 | 2020-06-12 | 杨洁 | 基于智慧城市数据仓库和识别规则库的套牌车识别方法 |
| CN111488876A (zh) * | 2020-06-28 | 2020-08-04 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的车牌识别方法、装置、设备及介质 |
| CN111523583A (zh) * | 2020-04-16 | 2020-08-11 | 国网河北省电力有限公司石家庄市栾城区供电分公司 | 一种利用无人机对设备铭牌照片自动识别分类的方法 |
| CN111523416A (zh) * | 2020-04-13 | 2020-08-11 | 北京巨视科技有限公司 | 一种基于高速公路etc门架的车辆预警方法和装置 |
| CN111612013A (zh) * | 2019-02-26 | 2020-09-01 | 浙江远图互联科技股份有限公司 | 一种基于深度神经网络的停车系统及其工作流程 |
| CN111666824A (zh) * | 2020-05-14 | 2020-09-15 | 浙江工业大学 | 移动机器人的基于颜色属性和机器学习的指示灯识别方法 |
| CN111856441A (zh) * | 2020-06-09 | 2020-10-30 | 北京航空航天大学 | 一种基于视觉与毫米波雷达融合的列车定位方法 |
| CN112801096A (zh) * | 2021-03-29 | 2021-05-14 | 常州三点零智能制造有限公司 | 一种车牌自动检测算法 |
| CN112926591A (zh) * | 2021-03-24 | 2021-06-08 | 安徽超视野智能科技有限公司 | 一种用于公路治超的违法汽车特征识别方法 |
| WO2023155483A1 (zh) * | 2022-02-17 | 2023-08-24 | 广州广电运通金融电子股份有限公司 | 一种车型识别方法、装置和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103679191A (zh) * | 2013-09-04 | 2014-03-26 | 西交利物浦大学 | 基于静态图片的自动套牌车检测方法 |
| CN105046255A (zh) * | 2015-07-16 | 2015-11-11 | 北京交通大学 | 一种基于车尾文字识别的车型鉴定方法及系统 |
| CN105279475A (zh) * | 2014-07-15 | 2016-01-27 | 贺江涛 | 一种基于车辆身份识别的套牌车识别的方法与装置 |
| CN105354273A (zh) * | 2015-10-29 | 2016-02-24 | 浙江高速信息工程技术有限公司 | 一种快速检索高速公路逃费车辆高相似度图像的方法 |
-
2017
- 2017-07-06 CN CN201710544552.2A patent/CN107545239B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103679191A (zh) * | 2013-09-04 | 2014-03-26 | 西交利物浦大学 | 基于静态图片的自动套牌车检测方法 |
| CN105279475A (zh) * | 2014-07-15 | 2016-01-27 | 贺江涛 | 一种基于车辆身份识别的套牌车识别的方法与装置 |
| CN105046255A (zh) * | 2015-07-16 | 2015-11-11 | 北京交通大学 | 一种基于车尾文字识别的车型鉴定方法及系统 |
| CN105354273A (zh) * | 2015-10-29 | 2016-02-24 | 浙江高速信息工程技术有限公司 | 一种快速检索高速公路逃费车辆高相似度图像的方法 |
Non-Patent Citations (2)
| Title |
|---|
| FARHAD MOHAMAD KAZEMI 等: "Vehicle Recognition Using Curvelet Transform and SVM", 《FOURTH INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY》 * |
| 张鼎: "基于卷积神经网络和K邻近算法的车标识别", 《万方数据知识服务平台》 * |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108323209A (zh) * | 2018-01-29 | 2018-07-24 | 深圳前海达闼云端智能科技有限公司 | 信息处理方法、系统、云处理设备以及计算机程序产品 |
| CN108323209B (zh) * | 2018-01-29 | 2023-10-31 | 达闼机器人股份有限公司 | 信息处理方法、系统、云处理设备以及计算机存储介质 |
| CN108806003A (zh) * | 2018-05-25 | 2018-11-13 | 西南交通大学 | 一种基于机器学习的收费公路绿通车检测方法 |
| CN108694393A (zh) * | 2018-05-30 | 2018-10-23 | 深圳市思迪信息技术股份有限公司 | 一种基于深度卷积的证件图像文本区域提取方法 |
| CN108986453A (zh) * | 2018-06-15 | 2018-12-11 | 华南师范大学 | 一种基于情境信息的交通状况预测方法、系统及装置 |
| CN108921095A (zh) * | 2018-07-03 | 2018-11-30 | 安徽灵图壹智能科技有限公司 | 一种基于神经网络的停车位管理系统、方法及停车位 |
| CN109087298B (zh) * | 2018-08-17 | 2020-07-28 | 电子科技大学 | 一种阿尔兹海默病mri图像分类方法 |
| CN109087298A (zh) * | 2018-08-17 | 2018-12-25 | 电子科技大学 | 一种阿尔兹海默病mri图像分类方法 |
| CN109299729A (zh) * | 2018-08-24 | 2019-02-01 | 四川大学 | 车辆检测方法及装置 |
| CN109299729B (zh) * | 2018-08-24 | 2021-02-23 | 四川大学 | 车辆检测方法及装置 |
| CN109376617A (zh) * | 2018-09-30 | 2019-02-22 | 佳都新太科技股份有限公司 | 车辆套牌识别方法、装置、识别设备及存储介质 |
| CN109657665A (zh) * | 2018-10-31 | 2019-04-19 | 广东工业大学 | 一种基于深度学习的发票批量自动识别系统 |
| CN109522834A (zh) * | 2018-11-10 | 2019-03-26 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种电力设备的铭牌识别方法 |
| CN109657676A (zh) * | 2018-12-06 | 2019-04-19 | 河池学院 | 基于卷积神经网络的车牌识别方法及系统 |
| CN111612013A (zh) * | 2019-02-26 | 2020-09-01 | 浙江远图互联科技股份有限公司 | 一种基于深度神经网络的停车系统及其工作流程 |
| CN110263864A (zh) * | 2019-06-24 | 2019-09-20 | 北京精英路通科技有限公司 | 车辆的匹配方法、装置、计算机设备及存储介质 |
| CN110598704A (zh) * | 2019-09-26 | 2019-12-20 | 中电万维信息技术有限责任公司 | 基于深度学习的车牌识别无感支付系统 |
| CN110738139A (zh) * | 2019-09-26 | 2020-01-31 | 西安工程大学 | 一种融合Min-Max目标的NIN车牌识别方法 |
| CN110738139B (zh) * | 2019-09-26 | 2023-04-07 | 西安工程大学 | 一种融合Min-Max目标的NIN车牌识别方法 |
| CN110598704B (zh) * | 2019-09-26 | 2023-04-07 | 中电万维信息技术有限责任公司 | 基于深度学习的车牌识别无感支付系统 |
| CN111145365A (zh) * | 2019-12-17 | 2020-05-12 | 北京明略软件系统有限公司 | 一种实现分类处理的方法、装置、计算机存储介质及终端 |
| CN111275979A (zh) * | 2020-01-20 | 2020-06-12 | 杨洁 | 基于智慧城市数据仓库和识别规则库的套牌车识别方法 |
| CN111275979B (zh) * | 2020-01-20 | 2021-04-06 | 宝链慧飞科技(浙江)有限公司 | 基于智慧城市数据仓库和识别规则库的套牌车识别方法 |
| CN111523416A (zh) * | 2020-04-13 | 2020-08-11 | 北京巨视科技有限公司 | 一种基于高速公路etc门架的车辆预警方法和装置 |
| CN111523583A (zh) * | 2020-04-16 | 2020-08-11 | 国网河北省电力有限公司石家庄市栾城区供电分公司 | 一种利用无人机对设备铭牌照片自动识别分类的方法 |
| CN111523583B (zh) * | 2020-04-16 | 2022-06-24 | 国网河北省电力有限公司石家庄市栾城区供电分公司 | 一种利用无人机对设备铭牌照片自动识别分类的方法 |
| CN111666824A (zh) * | 2020-05-14 | 2020-09-15 | 浙江工业大学 | 移动机器人的基于颜色属性和机器学习的指示灯识别方法 |
| CN111666824B (zh) * | 2020-05-14 | 2023-12-15 | 浙江工业大学 | 移动机器人的基于颜色属性和机器学习的指示灯识别方法 |
| CN111856441A (zh) * | 2020-06-09 | 2020-10-30 | 北京航空航天大学 | 一种基于视觉与毫米波雷达融合的列车定位方法 |
| CN111856441B (zh) * | 2020-06-09 | 2023-04-25 | 北京航空航天大学 | 一种基于视觉与毫米波雷达融合的列车定位方法 |
| CN111488876B (zh) * | 2020-06-28 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的车牌识别方法、装置、设备及介质 |
| CN111488876A (zh) * | 2020-06-28 | 2020-08-04 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的车牌识别方法、装置、设备及介质 |
| CN112926591A (zh) * | 2021-03-24 | 2021-06-08 | 安徽超视野智能科技有限公司 | 一种用于公路治超的违法汽车特征识别方法 |
| CN112801096A (zh) * | 2021-03-29 | 2021-05-14 | 常州三点零智能制造有限公司 | 一种车牌自动检测算法 |
| CN112801096B (zh) * | 2021-03-29 | 2021-06-29 | 常州三点零智能制造有限公司 | 一种车牌自动检测算法 |
| WO2023155483A1 (zh) * | 2022-02-17 | 2023-08-24 | 广州广电运通金融电子股份有限公司 | 一种车型识别方法、装置和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107545239B (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107545239A (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
| CN109800824B (zh) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 | |
| CN102043945B (zh) | 基于车辆实时跟踪和二进指数分类车牌字符识别的方法 | |
| CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
| CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
| CN105447503B (zh) | 基于稀疏表示lbp和hog融合的行人检测方法 | |
| CN109657632B (zh) | 一种车道线检测识别方法 | |
| CN102509091B (zh) | 一种飞机尾号识别方法 | |
| CN106022232A (zh) | 基于深度学习的车牌检测方法 | |
| CN108734189A (zh) | 浓雾天气下基于大气散射模型和深度学习的车牌识别系统 | |
| CN104299008B (zh) | 基于多特征融合的车型分类方法 | |
| CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
| CN106845408A (zh) | 一种复杂环境下的街道垃圾识别方法 | |
| CN104392205A (zh) | 一种非正常车牌的识别方法和系统 | |
| CN105354568A (zh) | 基于卷积神经网络的车标识别方法 | |
| CN107229929A (zh) | 一种基于r‑cnn的车牌定位方法 | |
| CN104751142A (zh) | 一种基于笔划特征的自然场景文本检测算法 | |
| CN107798335A (zh) | 一种融合滑动窗口与Faster R‑CNN卷积神经网络的车标识别方法 | |
| CN101980245B (zh) | 一种基于自适应模板匹配的客流统计方法 | |
| CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
| CN106650731A (zh) | 一种鲁棒的车牌、车标识别方法 | |
| CN106355180B (zh) | 一种基于颜色与边缘特征相结合的车牌定位方法 | |
| CN109635784A (zh) | 基于改进的卷积神经网络的交通标志识别方法 | |
| CN106203237A (zh) | 集装箱拖车编号的识别方法和装置 | |
| CN107092876A (zh) | 基于Retinex与S‑SIFT特征结合的低照度车型识别方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210112 Termination date: 20210706 |