CN108268865A - 一种基于级联卷积网络的自然场景下车牌识别方法及系统 - Google Patents
一种基于级联卷积网络的自然场景下车牌识别方法及系统 Download PDFInfo
- Publication number
- CN108268865A CN108268865A CN201611251025.4A CN201611251025A CN108268865A CN 108268865 A CN108268865 A CN 108268865A CN 201611251025 A CN201611251025 A CN 201611251025A CN 108268865 A CN108268865 A CN 108268865A
- Authority
- CN
- China
- Prior art keywords
- car plate
- convolutional network
- carried out
- cromogram
- concatenated convolutional
- 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
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
- G06V20/63—Scene text, e.g. street names
-
- 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
- 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
Abstract
本发明公开了一种基于级联卷积网络的自然场景下车牌识别方法,所述方法包括:获取待处理的图像数据;对所述待处理的图像数据进行预处理,以获得经过处理的图像数据;根据颜色和纹理特征对经过处理的图像数据进行分割,以确定车辆区域;将颜色模板匹配算法和轮廓查找算法相结合,定位出车牌并且对车牌进行灰度化;将灰度化后的车牌矩形块进行取轮廓后,得到外接矩形;利用级联卷积网络对所述外接矩形进行图像处理,以获取字符特征;利用结构特征进行字符分割;基于改进的模板匹配方法进行字符识别。
Description
技术领域
本发明涉及图像处理领域,并且更具体地,涉及一种基于级联卷积网络进行车牌识别的方法及系统。
背景技术
随着经济的发展,智能交通在各个城市中被普遍应用。在智能交通领域,图像获取及图像存储所付出的成本越来越低。在社会生活中,各个行业都积累了大量的历史车牌图像数据。这些车牌图像在自然场景下获得的特定情况,决定了这些图像表现出高清化、多元化和大数据的特质。在现实生产环境中,如何在短时间内准确检测出车牌区域,是提高这些车牌图像利用率的基础。然而,现有车牌检测系统通常仅应对于特定的应用场景,对获取到的车牌图像都有严格的约束。
车牌检测是利用计算机相关技术,其在图形图像中寻找出车牌所在位置区域。此项技术广泛应用于车牌识别系统以及车牌隐私信息的保护。伴随这人们生活质量的日益提高,车辆逐渐走进千家万户,各个城市车辆成爆炸式增长已成常态。在我国法律法规条款规定下,车牌是车辆的唯一识别代号,含有车牌的图像存在于各个行业中,例如在城市交通系统、地图街景等数据池中,都存在大量包含车牌信息的历史图片。如何准确定位车牌,对车牌做进一步的处理,车牌检测技术起着至关重要的作用,这对人们的自动化办公、隐私保护等工作,起着重要的影响。
通常,自然场景下获得的车牌图像数据很难满足这些约束条件,使这些现有的车牌检测系统失去了有效性。
因此,基于对自然场景下的车牌检测技术的研究,在满足一定的检测率和检测效率的情况下,开发出适应于自然场景的车牌检测技术,具有重要的实践意义。
发明内容
本发明提出了一种基于级联卷积网络的自然场景下车牌识别方法及系统,以解决对自然场景下的车牌进行检测。
为解决上述问题,本发明提供了一种基于级联卷积网络的自然场景下车牌识别方法,所述方法包括
获取待处理的图像数据;
对所述待处理的图像数据进行预处理,以获得经过处理的图像数据;
根据颜色和纹理特征对经过处理的图像数据进行分割,以确定车辆区域;
将颜色模板匹配算法和轮廓查找算法相结合,定位出车牌并且对车牌进行灰度化;
将灰度化后的车牌矩形块进行取轮廓后,得到外接矩形;
利用级联卷积网络对所述外接矩形进行图像处理,以获取字符特征;
利用结构特征进行字符分割;
基于改进的模板匹配方法进行字符识别。
优选地,所述级联卷积网络包括1个输入层、1个输出层、2个用于特征提取的卷积层、2个用于特征优化选取的子采样层以及2个用于表示特征的全连接层;
优选地,利用预先分割的车牌区域图像作为训练和检测的原子数据,并且使用基于卷积网络的检测器构建级联卷积网络,从而基于历史数据进行训练。
优选地,其中级联卷积网络中的每个卷积网络作为基本的学习子单元。
优选地,所述级联的多个卷积网络包括多个分类器,以整个车牌作为训练样本,使用逐层训练过的基本网络,对输入的图像信息进行逐步的检测筛选。
优选地,所述预处理包括获取所采集的原始彩色道路交通图像,建立Adaboost分类器的训练数据集,所述训练数据集其中包括车牌正样本彩色图以及场景负样本彩色图,对所述训练数据集中的所有样本彩色图进行预处理,将车牌正样本彩色图大小归一化到128*40像素,不对场景负样本彩色图进行归一化处理,但保证场景负样本彩色图的尺寸大于车牌正样本彩色图。
基于本发明的另一方面,本发明提供一种基于级联卷积网络的自然场景下车牌识别系统,所述系统包括
获取单元,获取待处理的图像数据;
预处理单元,对所述待处理的图像数据进行预处理,以获得经过处理的图像数据;
分割单元,根据颜色和纹理特征对经过处理的图像数据进行分割,以确定车辆区域;
定位单元,将颜色模板匹配算法和轮廓查找算法相结合,定位出车牌并且对车牌进行灰度化;将灰度化后的车牌矩形块进行取轮廓后,得到外接矩形;
图像处理单元,利用级联卷积网络对所述外接矩形进行图像处理,以获取字符特征;
字符分割单元,利用结构特征进行字符分割;
识别单元,基于改进的模板匹配方法进行字符识别。
优选地,所述级联卷积网络包括1个输入层、1个输出层、2个用于特征提取的卷积层、2个用于特征优化选取的子采样层以及2个用于表示特征的全连接层。
优选地,利用预先分割的车牌区域图像作为训练和检测的原子数据,并且使用基于卷积网络的检测器构建级联卷积网络,从而基于历史数据进行训练。
优选地,其中级联卷积网络中的每个卷积网络作为基本的学习子单元。
优选地,所述级联的多个卷积网络包括多个分类器,以整个车牌作为训练样本,使用逐层训练过的基本网络,对输入的图像信息进行逐步的检测筛选。
优选地,所述预处理包括获取所采集的原始彩色道路交通图像,建立Adaboost分类器的训练数据集,所述训练数据集其中包括车牌正样本彩色图以及场景负样本彩色图,对所述训练数据集中的所有样本彩色图进行预处理,将车牌正样本彩色图大小归一化到128*40像素,不对场景负样本彩色图进行归一化处理,但保证场景负样本彩色图的尺寸大于车牌正样本彩色图。
为了提高自然场景下车牌的检测效率的同时提高车牌检测的准确率,本发明提出了一种新的鲁棒的快速车牌检测方法,前期使用手动分割的车牌区域图像作为训练和检测的原子数据,并且直接使用基于卷积网络的检测器,设计出级联多个卷积网络模型,基于历史数据对模型进行训练,使之适应自然场景。通过引入卷积网络作为基本的学习子单元,并进一步把多个子单元组织成级联结构,有效的满足了自然场景下的车牌检测对检测准确率和检测效率的要求。通过对算法的可行性及有效性进行验证,实验结果表明,级联卷积网络在保证较低误报率的同时具有较高的检测率和检测效率。
本发明考虑使用级联卷积网络(Cascade Convolutional Networks)来构建车牌检测系统模型,结合历史车牌数据对模型训练,最终完成在自然场景下的车牌检测。在卷积网络结构中,权值共享的特性降低了网络模型的复杂度,减少了权值的数量。卷积网络作为识别二维形状进行了特殊的设计,具有一个多层感知机,这种特殊的结构属性使卷积网络对等比例缩放、角度倾斜、位移变换或其他形式的二维图形形变具有了高度不变性。一般情况下,单个卷积网络通过减少神经元个数来降低计算量,从而可以达到提高检测效率的目的,但这样同时也降低了准确率。本发明通过级联多个分类器,建立由粗到精的逐步筛选过程,以此来提高分类准确率和效率是一种简单且有效的方法。在本发明提出的级联卷积网络结构,级联多个分类器,使用逐层训练过的基本网络,对输入的图像信息进行逐步的检测筛选,从而取得较高的检测效率和较好的准确率。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明实施方式的一种基于级联卷积网络的自然场景下车牌识别方法流程图;
图2为根据本发明实施方式的一种基于级联卷积网络的自然场景下车牌识别系统结构图;以及
图3为根据本发明实施方式的一种级联卷积网络结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的一种基于级联卷积网络的自然场景下车牌识别方法流程图。车牌检测(License Plate Detection)是利用计算机相关技术,在图形图像中寻找出车牌所在位置区域,此项技术广泛应用于车牌识别系统、车牌隐私信息的保护领域。由于车辆逐渐走进千家万户,各个城市车辆成爆炸式增长已成常态,在我国法律法规条款规定下,车牌是车辆的唯一识别代号,含有车牌的图像存在于各个行业中,例如在城市交通系统、地图街景等数据池中,都存在大量包含车牌信息的历史图片。如何准确定位车牌,对车牌做进一步的处理,车牌检测技术起着至关重要的作用,这对人们的自动化办公、隐私保护等工作,起着重要的影响。按照目前的技术和发展趋势,在对包含车牌信息的图片进行车牌检测时,业界统一的标准为检测框包含车牌全部字符为有效检测。本发明提出的方法100也依据当前的车牌检测标准,对车牌检测结果的判定,以车牌字符完全在检测框内为准确有效的检测数据。如图1所示,方法100从步骤101开始。
优选地,在步骤101:获取待处理的图像数据。本发明获取自然场景下的车牌图片,通过自然场景下的车牌图片,对车牌做进一步的处理。
优选地,在步骤102:对待处理的图像数据进行预处理,以获得经过处理的图像数据。本发明实施方式中,预处理包括获取所采集的原始彩色道路交通图像,建立Adaboost分类器的训练数据集,训练数据集其中包括车牌正样本彩色图以及场景负样本彩色图,对训练数据集中的所有样本彩色图进行预处理,将车牌正样本彩色图大小归一化到128*40像素,不对场景负样本彩色图进行归一化处理,但保证场景负样本彩色图的尺寸大于车牌正样本彩色图。
优选地,在步骤103:根据颜色和纹理特征对经过处理的图像数据进行分割,以确定车辆区域。
优选地,在步骤104:将颜色模板匹配算法和轮廓查找算法相结合,定位出车牌并且对车牌进行灰度化。
优选地,在步骤105:将灰度化后的车牌矩形块进行取轮廓后,得到外接矩形。
优选地,在步骤106:利用级联卷积网络对外接矩形进行图像处理,以获取字符特征。
优选地,级联卷积网络包括1个输入层、1个输出层、2个用于特征提取的卷积层、2个用于特征优化选取的子采样层以及2个用于表示特征的全连接层。
优选地,在利用级联卷积网络对外接矩形进行图像处理之前,利用预先分割的车牌区域图像作为训练和检测的原子数据,并且使用基于卷积网络的检测器构建级联卷积网络,从而基于历史数据进行训练。
优选地,其中级联卷积网络中的每个卷积网络作为基本的学习子单元。
优选地,级联的多个卷积网络包括多个分类器,以整个车牌作为训练样本,使用逐层训练过的基本网络,对输入的图像信息进行逐步的检测筛选。
优选地,在步骤107:利用结构特征进行字符分割;
优选地,在步骤108:基于改进的模板匹配方法进行字符识别。
现对方法100的实施方式进行举例说明:
对于自然场景下的车牌图片由于受到光照、几何形变、位移等诸多条件限制,本发明实施方式考虑使用一种基于级联卷积网络的自然场景下车牌识别方法,本发明实施方式的车牌识别方法具有较好的鲁棒性。典型的卷积神经网络包括两种神经元:对特征图进行特征提取的卷积神经元。这一层的神经元和前一层的每一个神经元连接,并对特征图进行卷积运算。和典型的Gobbar滤波器类似,卷积神经元可以从特征图中提取显著的特征。由于卷积神经元具有权值共享特性,因此大大减少了神经网络中权值的数量,并加快了计算的速度。由卷积神经元和下采样神经元共同作用,卷积神经网络具有较好的几何不变性和仿射不变性,并且有一定的光照不变性。实践表明,卷积网络对于图像的几何变换、光照和形变等具有一定的不变性。
卷积网络在手写体字符识别、物体识别和人脸检测等方面都有成功的应用。本发明实施方式使用两阶段卷积网络进行车牌识别检测,结合滑动窗技术进行识别检测车牌。卷积网络虽然可以取得较好的鲁棒性,但造成分类效率较低。针对自然场景下的车牌图像质量普遍不高,两个字符包含的判别信息特征太少,且类Harr(Haar-like)特征鲁棒性较差,本发明实施方式提出级联卷积网络结构,级联多个卷积网络分类器,并以整个车牌作为训练样本,使用逐层训练过的基本网络,对输入的图像信息进行逐步的识别检测筛选,从而取得较高的检测效率和较好的准确率。
考虑到自然场景下的诸多不利于车牌检测的因素,针对自然场景下车牌图像的质量较差,判别信息特征不足造成检测效果鲁棒性较差,本发明实施方式直接使用卷积网络进行车牌识别检测,并以完整车牌作为训练样本,级联多个卷积网络,保证车牌检测系统取得较好鲁棒性的同时保持较高的识别检测效率。本发明实施方式考虑使用级联卷积网络来构建车牌检测器,完成适用于自然场景下的车牌检测系统。如图3所示,本发明实施方式提出的级联卷积网络结构,级联多个分类器,使用逐层训练过的基本网络,由粗到精的对输入的车牌图像进行检测,从而可以提高车牌识别检测效率和准确性。
基于级联卷积网络的车牌识别检测模型的训练决定了其鲁棒性,通过利用历史车牌数据对模型进行大量的训练,可以取得较好的鲁棒性。本发明实施方式对级联卷积网络进行监督训练,采取基于梯度学习方法进行训练。数据的质量在机器学习模型训练中,是影响模型学习效果的关键,下面介绍准备训练的车牌数据及训练法则。
对于历史车牌数据,在训练之前需要做预处理,以达到更好的训练效果。首先我们基于历史车牌数据,选出粗略的分割出车牌之后,全部转换成灰度图像。从中仔细挑选出具有代表性的粗略分割的车牌来构建验证集中的车牌样本,剩余的车牌用来构建训练集中的车牌样本。
在训练基分类器时,针对车牌和非车牌样本数目高度不平衡,本发明引入自助法平衡ConvNet 1的训练数据,此方法适用高效的图片检测系统,在没有进行图像区域分类之前不需要任何昂贵的本地预处理。对于前一阶段被分类器错分的车牌数据和非车牌数据P,自助平衡法借助此P训练ConvNet i(i=2,…,K)。训练基分类器的算法如下表1:
表1训练基分类器算法
对于基分类器训练完成后,后续进行阈值的调节,优化级联卷积网络的性能,以取得更高的效果。在验证集VSet上依次调节阈值的过程,即设置阈值时,平衡检测率、误报率和单个窗口的平均计算量之间的矛盾,取得最优结果。
级联卷积网络训练完成后,检测131幅图像平均共需时间460秒,每幅约3.5秒,与单个卷积网络相比,分类效率平均是其5.9倍,检测结果见表2和表3。此外,由表2可以看出,级联卷积网络与单个卷积网络检测率在同一水平时,误报率随基分类器个数的增加单调不增,级联卷积网络的误报窗口个数却相对很少,由于车牌样本相对稀少,训练单个卷积网络时,直接使用全部样本会使得分类器偏向于把候选窗口判为非车牌,容易漏检,可以通过减低阈值来保证较高的检测率,但常常也提高了误报率,级联卷积网络与单个卷积网络选择训练样本较为困难相比,级联卷积网络的训练过程则较好的解决了车牌和非车牌样本数目高度不平衡的问题。由表3可以看出,即使采用两阶段定位方法,即先以漏检率较低的方式进行粗定位,再二次精确定位,级联卷积网络仍具有较好的检测效果。
表2不同检测率下(稍大矩形框当作漏检)误报个数的比较测试集是131幅自然场景下图像,包含132个车牌
表3稍大矩形框分别当作漏检和成功检测时的检测率比较。测试集是131幅自然场景下图像,包含132个车牌
图2为根据本发明实施方式的一种基于级联卷积网络的自然场景下车牌识别系统结构图。如图2所示,系统200包括:获取单元201,预处理单元202,分割单元203,定位单位204,图像处理单元205,字符分割单元206,识别单元207。
优选地,获取单元201,获取待处理的图像数据。
优选地,预处理单元202,对待处理的图像数据进行预处理,以获得经过处理的图像数据;
优选地,分割单元203,根据颜色和纹理特征对经过处理的图像数据进行分割,以确定车辆区域;
优选地,定位单元204,将颜色模板匹配算法和轮廓查找算法相结合,定位出车牌并且对车牌进行灰度化;将灰度化后的车牌矩形块进行取轮廓后,得到外接矩形;
优选地,图像处理单元205,利用级联卷积网络对外接矩形进行图像处理,以获取字符特征。
优选地,级联卷积网络包括1个输入层、1个输出层、2个用于特征提取的卷积层、2个用于特征优化选取的子采样层以及2个用于表示特征的全连接层;
优选地,字符分割单元206,利用结构特征进行字符分割;
优选地,识别单元207,基于改进的模板匹配方法进行字符识别。
优选地,利用预先分割的车牌区域图像作为训练和检测的原子数据,并且使用基于卷积网络的检测器构建级联卷积网络,从而基于历史数据进行训练。
优选地,其中级联卷积网络中的每个卷积网络作为基本的学习子单元。
优选地,级联的多个卷积网络包括多个分类器,以整个车牌作为训练样本,使用逐层训练过的基本网络,对输入的图像信息进行逐步的检测筛选。
优选地,预处理包括获取所采集的原始彩色道路交通图像,建立Adaboost分类器的训练数据集,训练数据集其中包括车牌正样本彩色图以及场景负样本彩色图,对训练数据集中的所有样本彩色图进行预处理,将车牌正样本彩色图大小归一化到128*40像素,不对场景负样本彩色图进行归一化处理,但保证场景负样本彩色图的尺寸大于车牌正样本彩色图。
本发明实施方式的一种基于级联卷积网络的自然场景下车牌识别系统200与本发明另一实施方式的一种基于级联卷积网络的自然场景下车牌识别方法100相对应,在此不再进行赘述。
图3为根据本发明实施方式的一种级联卷积网络结构图。如图3所示,本发明实施方式提出的级联卷积网络结构,级联多个分类器,使用逐层训练过的基本网络,由粗到精的对输入的车牌图像进行检测,从而可以提高车牌识别检测效率和准确性。级联卷积网络的具体实施方式如图1实施方式所述。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (12)
1.一种基于级联卷积网络的自然场景下车牌识别方法,所述方法包括
获取待处理的图像数据;
对所述待处理的图像数据进行预处理,以获得经过处理的图像数据;
根据颜色和纹理特征对经过处理的图像数据进行分割,以确定车辆区域;
将颜色模板匹配算法和轮廓查找算法相结合,定位出车牌并且对车牌进行灰度化;
将灰度化后的车牌矩形块进行取轮廓后,得到外接矩形;
利用级联卷积网络对所述外接矩形进行图像处理,以获取字符特征;
利用结构特征进行字符分割;
基于改进的模板匹配方法进行字符识别。
2.根据权利要求1所述的方法,所述级联卷积网络包括1个输入层、1个输出层、至少2个用于特征提取的卷积层、至少2个用于特征优化选取的子采样层以及至少2个用于表示特征的全连接层。
3.根据权利要求1所述的方法,利用预先分割的车牌区域图像作为训练和检测的原子数据,并且使用基于卷积网络的检测器构建级联卷积网络,从而基于历史数据进行训练。
4.根据权利要求3所述的方法,其中级联卷积网络中的每个卷积网络作为基本的学习子单元。
5.根据权利要求1所述的方法,所述级联的多个卷积网络包括多个分类器,以整个车牌作为训练样本,使用逐层训练过的基本网络,对输入的图像信息进行逐步的检测筛选。
6.根据权利要求3所述的方法,所述预处理包括获取所采集的原始彩色道路交通图像,建立Adaboost分类器的训练数据集,所述训练数据集其中包括车牌正样本彩色图以及场景负样本彩色图,对所述训练数据集中的所有样本彩色图进行预处理,将车牌正样本彩色图大小归一化到128*40像素,不对场景负样本彩色图进行归一化处理,但保证场景负样本彩色图的尺寸大于车牌正样本彩色图。
7.一种基于级联卷积网络的自然场景下车牌识别系统,所述系统包括
获取单元,获取待处理的图像数据;
预处理单元,对所述待处理的图像数据进行预处理,以获得经过处理的图像数据;
分割单元,根据颜色和纹理特征对经过处理的图像数据进行分割,以确定车辆区域;
定位单元,将颜色模板匹配算法和轮廓查找算法相结合,定位出车牌并且对车牌进行灰度化;将灰度化后的车牌矩形块进行取轮廓后,得到外接矩形;
图像处理单元,利用级联卷积网络对所述外接矩形进行图像处理,以获取字符特征;
字符分割单元,利用结构特征进行字符分割;
识别单元,基于改进的模板匹配方法进行字符识别。
8.根据权利要求7所述的系统,所述级联卷积网络包括1个输入层、1个输出层、至少2个用于特征提取的卷积层、至少2个用于特征优化选取的子采样层以及至少2个用于表示特征的全连接层。
9.根据权利要求7所述的系统,利用预先分割的车牌区域图像作为训练和检测的原子数据,并且使用基于卷积网络的检测器构建级联卷积网络,从而基于历史数据进行训练。
10.根据权利要求8所述的系统,其中级联卷积网络中的每个卷积网络作为基本的学习子单元。
11.根据权利要求7所述的系统,所述级联的多个卷积网络包括多个分类器,以整个车牌作为训练样本,使用逐层训练过的基本网络,对输入的图像信息进行逐步的检测筛选。
12.根据权利要求8所述的系统,所述预处理包括获取所采集的原始彩色道路交通图像,建立Adaboost分类器的训练数据集,所述训练数据集其中包括车牌正样本彩色图以及场景负样本彩色图,对所述训练数据集中的所有样本彩色图进行预处理,将车牌正样本彩色图大小归一化到128*40像素,不对场景负样本彩色图进行归一化处理,但保证场景负样本彩色图的尺寸大于车牌正样本彩色图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611251025.4A CN108268865A (zh) | 2016-12-30 | 2016-12-30 | 一种基于级联卷积网络的自然场景下车牌识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611251025.4A CN108268865A (zh) | 2016-12-30 | 2016-12-30 | 一种基于级联卷积网络的自然场景下车牌识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108268865A true CN108268865A (zh) | 2018-07-10 |
Family
ID=62754129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611251025.4A Pending CN108268865A (zh) | 2016-12-30 | 2016-12-30 | 一种基于级联卷积网络的自然场景下车牌识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108268865A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359574A (zh) * | 2018-09-30 | 2019-02-19 | 宁波工程学院 | 基于信道级联的广域视场行人检测方法 |
CN109460722A (zh) * | 2018-10-26 | 2019-03-12 | 华南理工大学 | 一种车牌智能识别方法 |
CN109670458A (zh) * | 2018-12-21 | 2019-04-23 | 北京市商汤科技开发有限公司 | 一种车牌识别方法及装置 |
CN110033002A (zh) * | 2019-04-19 | 2019-07-19 | 福州大学 | 基于多任务级联卷积神经网络的车牌检测方法 |
CN110314854A (zh) * | 2019-06-06 | 2019-10-11 | 苏州市职业大学 | 一种基于视觉机器人的工件检测分拣的装置及方法 |
CN111199228A (zh) * | 2019-12-26 | 2020-05-26 | 深圳市芊熠智能硬件有限公司 | 一种车牌定位的方法及装置 |
CN111582263A (zh) * | 2020-05-12 | 2020-08-25 | 上海眼控科技股份有限公司 | 车牌识别方法、装置、电子设备及存储介质 |
CN111652834A (zh) * | 2019-03-02 | 2020-09-11 | 周口师范学院 | 一种基于支持向量机的钢卷捆扎带识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150254520A1 (en) * | 2011-01-31 | 2015-09-10 | Yahoo! Inc. | Techniques including url recognition and applications |
CN105373794A (zh) * | 2015-12-14 | 2016-03-02 | 河北工业大学 | 一种车牌识别方法 |
CN106022232A (zh) * | 2016-05-12 | 2016-10-12 | 成都新舟锐视科技有限公司 | 基于深度学习的车牌检测方法 |
-
2016
- 2016-12-30 CN CN201611251025.4A patent/CN108268865A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150254520A1 (en) * | 2011-01-31 | 2015-09-10 | Yahoo! Inc. | Techniques including url recognition and applications |
CN105373794A (zh) * | 2015-12-14 | 2016-03-02 | 河北工业大学 | 一种车牌识别方法 |
CN106022232A (zh) * | 2016-05-12 | 2016-10-12 | 成都新舟锐视科技有限公司 | 基于深度学习的车牌检测方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359574A (zh) * | 2018-09-30 | 2019-02-19 | 宁波工程学院 | 基于信道级联的广域视场行人检测方法 |
CN109359574B (zh) * | 2018-09-30 | 2021-05-14 | 宁波工程学院 | 基于信道级联的广域视场行人检测方法 |
CN109460722A (zh) * | 2018-10-26 | 2019-03-12 | 华南理工大学 | 一种车牌智能识别方法 |
CN109460722B (zh) * | 2018-10-26 | 2021-11-23 | 华南理工大学 | 一种车牌智能识别方法 |
CN109670458A (zh) * | 2018-12-21 | 2019-04-23 | 北京市商汤科技开发有限公司 | 一种车牌识别方法及装置 |
CN111652834A (zh) * | 2019-03-02 | 2020-09-11 | 周口师范学院 | 一种基于支持向量机的钢卷捆扎带识别方法 |
CN110033002A (zh) * | 2019-04-19 | 2019-07-19 | 福州大学 | 基于多任务级联卷积神经网络的车牌检测方法 |
CN110033002B (zh) * | 2019-04-19 | 2022-07-08 | 福州大学 | 基于多任务级联卷积神经网络的车牌检测方法 |
CN110314854A (zh) * | 2019-06-06 | 2019-10-11 | 苏州市职业大学 | 一种基于视觉机器人的工件检测分拣的装置及方法 |
CN111199228A (zh) * | 2019-12-26 | 2020-05-26 | 深圳市芊熠智能硬件有限公司 | 一种车牌定位的方法及装置 |
CN111199228B (zh) * | 2019-12-26 | 2023-03-28 | 深圳市芊熠智能硬件有限公司 | 一种车牌定位的方法及装置 |
CN111582263A (zh) * | 2020-05-12 | 2020-08-25 | 上海眼控科技股份有限公司 | 车牌识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268865A (zh) | 一种基于级联卷积网络的自然场景下车牌识别方法及系统 | |
CN1894703B (zh) | 模式识别方法和设备 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN106599854B (zh) | 基于多特征融合的人脸表情自动识别方法 | |
CN109711288A (zh) | 基于特征金字塔和距离约束fcn的遥感船舶检测方法 | |
CN101944174B (zh) | 车牌字符的识别方法 | |
CN101630363B (zh) | 复杂背景下彩色图像人脸的快速检测方法 | |
CN105069774B (zh) | 基于多示例学习与图割优化的目标分割方法 | |
CN108509954A (zh) | 一种实时交通场景的多车牌动态识别方法 | |
CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
CN106650786A (zh) | 基于多列卷积神经网络模糊评判的图像识别方法 | |
CN104598885B (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN108491797A (zh) | 一种基于大数据的车辆图像精确检索方法 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN106415594A (zh) | 用于面部验证的方法和系统 | |
CN107506765B (zh) | 一种基于神经网络的车牌倾斜校正的方法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN104182763A (zh) | 一种基于花朵特征的植物种类识别系统 | |
CN104240256A (zh) | 一种基于层次化稀疏建模的图像显著性检测方法 | |
CN111382690B (zh) | 基于多损失融合模型的车辆再识别方法 | |
CN109886147A (zh) | 一种基于单网络多任务学习的车辆多属性检测方法 | |
CN103679191A (zh) | 基于静态图片的自动套牌车检测方法 | |
CN106503748A (zh) | 一种基于s‑sift特征和svm训练器的车型识别算法 | |
CN110264454A (zh) | 基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180710 |