CN108268871A - 一种基于卷积神经网络的端到端的车牌识别方法和系统 - Google Patents

一种基于卷积神经网络的端到端的车牌识别方法和系统 Download PDF

Info

Publication number
CN108268871A
CN108268871A CN201810103520.3A CN201810103520A CN108268871A CN 108268871 A CN108268871 A CN 108268871A CN 201810103520 A CN201810103520 A CN 201810103520A CN 108268871 A CN108268871 A CN 108268871A
Authority
CN
China
Prior art keywords
image
license plate
license
plate image
car
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
Application number
CN201810103520.3A
Other languages
English (en)
Inventor
姚剑
曾启飞
赵娇
涂静敏
李礼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201810103520.3A priority Critical patent/CN108268871A/zh
Publication of CN108268871A publication Critical patent/CN108268871A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于卷积神经网络的端到端的车牌识别方法和系统，包括步骤一，利用模拟算法获得自然场景中相对真实的车牌图像；步骤二，以步骤一的车牌图像作为训练样本，利用VGG16的卷积架构来提取训练样本的特征，基于第2、3、4个池化层得到的特征，使用7个全连接层分别预测7个车牌字符，训练时间为10个周期，获得训练好的车牌识别模型；步骤三，将待识别的车牌图像缩放到训练图像大小，并输入到训练好的车牌识别模型中，得到图像中的车牌号码。本发明通过大量的样本训练了端到端的车牌识别模型，不仅能识别这些场景下的车牌，而且避免了传统方法由于字符分割效果不好导致的识别错误情况。

Description

一种基于卷积神经网络的端到端的车牌识别方法和系统
技术领域
本发明属于模式识别与计算机视觉领域，尤其涉及车牌合成和端到端的车牌识别方法和系统。
背景技术
车牌识别技术是智能交通领域的重要研究课题之一，它被广泛应用于道路交通监测、高速公路自动收费系统、停车场管理系统等许多交通管理系统，因此更高效、鲁棒的车牌识别技术成为了热点研究课题。
在传统方法中，车牌识别分为字符分割和字符识别两个部分。字符分割常用的方法有垂直投影法、模板匹配法和连通域分析法。车牌字符识别常用的方法是模板匹配法和机器学习的方法。
垂直投影法的主要步骤是：图像灰度化后进行图像二值化，二值化图像经过噪声过滤等处理得到质量较好的二值化图像，然后在车牌垂直方向统计二值化图像列方向的像素值得到垂直投影图，最后找到垂直投影图中波谷区域，这些区域就是字符分割位置，在分割时去掉字符间的间隙，得到单个字符图。垂直投影法在处理清晰图像的时候，能达到很好的分割效果，但是在很多时候车牌图像的质量不好，分割效果会很差，比如灰尘污泥覆盖、图像模糊和对比度不明显等，这些情况会导致字符粘连，采用这种方法无法实现分割。
为了克服垂直投影法的缺点，研究工作者提出了模板匹配法。模板匹配就是根据车牌字符的一些先验知识，比如车牌字符的位置关系和字符大小，把车牌图像中的区域与标准车牌模板中的区域一一进行匹配，这些信息将会用作后续的车牌字符验证。与垂直投影法一样，模板匹配也需要这一步，垂直投影法得到图像的波谷位置，两波谷之间的区域就是可能是字符的区域，通过前一步得到的验证信息来剔除掉不合要求的区域，最终得到分割的字符。连通域分析法将车牌中所有的字符看一个整体的连通域，之后根据车牌的知识，过滤或者合并连通域。一般而言，数字和字母的分割相对容易，因此，可以先把车牌的后六个字符分割出来，最后再确定车牌中第一个字符的位置。
车牌字符识别常用的方法是模板匹配法，模板匹配的判断变量是欧拉距离或者相关系数。模板匹配的方法鲁棒性不强，如果图像比较模糊无法得到正确的识别结果，模板匹配另外一个缺点就是速度慢。为了加快字符识别的速度和准确率，可以使用一些机器学习的方法进行字符识别，比如BP神经网络、支持向量机、聚类分析、贝叶斯分类器和径向基神经网络等。其中SVM和BP神经网络识别效果较好，具有较强的泛化能力。机器学习的方法进行车牌字符识别，除了要设计分类器，还需要设计特征提取器，好的特征提取器是字符识别的关键，其中常用字符特征提取方法有这几种：内外轮廓法、小波变换法、伪zemike矩、投影法和网格法等。
在传统场景下，车牌图像成像质量好，很容易分割车牌字符，但是在自然场景下由于拍摄时间、天气、车牌污染和拍摄角度不同等原因，会导致车牌图像出现欠曝光、过曝、模糊和车牌畸变等问题，传统的方法很难正确识别车牌。同时，由于实际生活中车牌具有一定的隐私性，没有大量公开的数据集。因此，本发明要解决的问题就是利用车牌合成和卷积神经网络技术，在自然场景下对车牌进行端到端的车牌识别。
发明内容
为了解决上述技术问题，能快速、稳定、准确地识别车牌，本发明使用深度学习的方法进行端到端的车牌识别，提高了自然场景下的车牌识别正确率和鲁棒性，避免了字符分割效果不好带来的问题，同时本发明使用模拟自然场景中的车牌成像的方法进行车牌图像合成，为车牌识别训练和测试提供了充足的样本。
本发明所采用的技术方案是：一种基于卷积神经网络的端到端的车牌识别方法，包括如下步骤：
步骤一，利用模拟算法获得自然场景中相对真实的车牌图像，包括以下子步骤；
步骤1.1，在空白的车牌底板中插入车牌号码，生成高质量的车牌图像；
步骤1.2，对于生成的高质量的车牌图像，通过模拟算法模拟自然场景下车牌图像的拍摄，得到相对真实的车牌图像；
步骤1.3，将得到的车牌图像插入一张随机背景中，获得自然场景中车牌图像；
步骤二，以步骤一的车牌图像作为训练样本，训练样本个数为n，利用VGG16的卷积架构来提取训练样本的特征，基于第2、3、4个池化层得到的特征，使用7个全连接层分别预测7个车牌字符，训练时间为10个周期，获得训练好的车牌识别模型；
步骤三，将待识别的车牌图像缩放到训练图像大小，并输入到训练好的车牌识别模型中，得到图像中的车牌号码。
进一步的，步骤1.2中所述模拟算法为高斯模糊、运动模糊、亮度对比度调节、透视变换中的一种或多种的组合。
进一步的，通过高斯模糊模拟自然场景下车牌图像的拍摄，具体实现步骤如下，
(a1)、设置高斯模糊半径R；
(a2)、根据半径R，对于处于半径R内的每一个像素点，计算高斯函数得到权重，二维高斯函数的表达式如下：
其中，x为像素点的横坐标，y为像素点的纵坐标，σ为高斯函数的标准差，G(x,y)为计算得到的权重；
(a3)、以一个像素作为中心点，按照模糊半径计算半径范围内像素的权重，最后对半径范围内所有像素加权求和，得到值代替中心点的像素值；
(a4)、对车牌图像上所有像素遍历执行a2和a3。
进一步的，通过运动模糊模拟自然场景下车牌图像的拍摄，具体实现步骤如下，
(b1)、设置运动模糊长度N；
(b2)、根据长度设计运动模糊核，对于N＝3时，运动模糊核表示如下：
(b3)、使用运动模糊核对车牌图像进行滑动窗口滤波。
进一步的，通过亮度对比度调节模拟自然场景下车牌图像的拍摄，具体实现步骤如下，
(c1)、设置对比度参数α和亮度参数β；
(c2)、使用以下公式调节输入车牌图像的亮度和对比度，获得：
Iout＝αIin+β
其中，α控制图像的对比度，β控制图像的亮度，Iin表示输入的图像，Iout表示输出图像。
进一步的，通过透视变换调节模拟自然场景下车牌图像的拍摄，具体实现步骤如下，
(d1)、输入原始图像中车牌区域的4个点和车牌区域4个点的变化值，获得4对原始图像和变换图像的匹配点；
在原始图像中选择车牌区域的4个点，车牌区域的4个点在原始位置移动一定范围就是变换后的车牌区域，移动的大小一般在10-50个像素之间，移动方向包括水平和垂直方向；
(d2)、计算透视变换矩阵；
透视变换的通用公式表示如下：
其中，u，v表示原始图像的坐标，w为常量，经过透视变换后的图像坐标为 表示透视变换矩阵，基于(d1)中的4对原始图像和变换图像的匹配点，求解出透视变换矩阵；
(d3)、根据透视变换矩阵计算变换后的图像。
本发明还提供一种基于卷积神经网络的端到端的车牌识别系统，包括如下模块：
真实车牌图像获取模块，利用模拟算法获得自然场景中相对真实的车牌图像，包括以下子模块；
车牌图像生成子模块，用于在空白的车牌底板中插入车牌号码，生成高质量的车牌图像；
真实车牌图像模拟子模块，对于生成的高质量的车牌图像，通过模拟算法模拟自然场景下车牌图像的拍摄，得到相对真实的车牌图像；
背景添加子模块，用于将得到的车牌图像插入一张随机背景中，获得自然场景中车牌图像；
车牌识别模型获取模块，用于以步骤一的车牌图像作为训练样本，利用VGG16的卷积架构来提取训练样本的特征，基于第2、3、4个池化层得到的特征，使用7个全连接层分别预测7个车牌字符，训练时间为10个周期，获得训练好的车牌识别模型；
车牌识别模块，用于将待识别的车牌图像缩放到训练图像大小，并输入到训练好的车牌识别模型中，得到图像中的车牌号码。
进一步的，真实车牌图像模拟子模块中所述模拟算法为高斯模糊、运动模糊、亮度对比度调节、透视变换中的一种或多种的组合。
相对于现有技术，本发明的有益效果是：对于自然场下的车牌，由于拍摄时间、天气、车牌污染和拍摄角度不同等原因，会导致车牌图像出现欠曝光、过曝、模糊和车牌畸变等问题，传统方法很难识别，本发明通过大量的样本训练了端到端的车牌识别模型，不仅能识别这些场景下的车牌，而且避免了传统方法由于字符分割效果不好导致的识别错误情况；同时本发明使用模拟自然场景中的车牌成像的方法进行车牌图像合成，为车牌识别训练和测试提供了充足的样本。
附图说明
图1为本发明实施例的车牌合成操作示意图。
图2为本发明实施例的车牌识别网络示意图。
图3为本发明实施例的车牌识别流程示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
详见图1、图2和图3，本发明所采用的技术方案是：一种基于卷积神经网络的端到端的车牌识别方法，包括以下步骤：
步骤1：在空白的车牌底板中插入车牌号码，生成高质量的车牌图像；
步骤2：对于生成的高质量的车牌图像，模拟自然场景下车牌图像的拍摄，得到比较真实的车牌图像；
通过模拟算法，基于生成的高质量车牌图像模拟自然场景下的车牌拍摄情况，其具体实现包括以下子步骤：
步骤2.1：随机选择一种模拟算法模拟车牌拍摄过程，这些模拟算法包括：高斯模糊、运动模糊、亮度对比度调节、透视变换和高斯噪声。
对于高斯模糊，其具体实现包括以下子步骤：
(a1)、设置高斯模糊半径R，一般设置为20；
(a2)、根据半径R对于处于半径R内的每一个像素点，计算高斯函数得到权重，二维高斯函数的表达式如下：
其中，x为像素点的横坐标，y为像素点的纵坐标，σ为高斯函数的标准差，G(x,y)为计算得到的权重。
(a3)、以一个像素作为中心点，按照模糊半径计算半径范围内像素的权重，最后对半径范围内所有像素加权求和，得到值代替中心点的像素值；
(a4)、对车牌图像上所有像素遍历执行2和3，即以车牌图像上的每一个像素都看作中心点，并用加权值代替该像素的像素值。
对于运动模糊，其具体实现包括以下子步骤：
(b1)、设置运动模糊长度N；
(b2)、根据长度设计运动模糊核，对于N＝3时，运动模糊核表示如下：
(b3)、使用运动模糊核对图像进行滑动窗口滤波。
对于亮度对比度调节，其具体实现包括以下子步骤：
(c1)、设置对比度参数α(一般设置为5)和亮度参数β(一般设置为100)；
(c2)、使用以下公式调节亮度和对比度：
Iout＝αIin+β
其中α控制图像的对比度，β控制图像的亮度，Iin表示输入图像，Iout表示输出图像。
对于透视变换，其具体实现包括以下子步骤：
(d1)、输入原始图像中车牌区域的四个点和车牌区域四个点的变化值；
在原始图像中选择车牌区域的4个点，车牌区域的四个点在原始位置移动一定范围就是变换后的车牌区域，移动的大小一般在10-50个像素之间，它的值随机选择，移动方向包括水平和垂直方向；
(d2)、计算透视变换矩阵；
透视变换的通用公式可以表示如下：
其中u，v表示原始图像的坐标，w为常量，默认是1，经过透视变换后的图像坐标为在平面图像中设置w＝1，a33＝1，基于4对原始图像和变换图像的匹配点，便可以求解出透视变换矩阵。
(d3)、根据透视变换矩阵计算变换后的图像。
步骤3：将得到的车牌图像插入一张随机背景中，背景图像可以是任何一张图像，模拟车牌背景；
步骤4：输出待识别车牌图像。
步骤5：使用VGG16前四层用于提取车牌特征，并且取pool2、pool3和pool4的特征，使用7个全连接层预测7个车牌字符。
VGG16是在ImageNet数据集上训练得到网络模型，包含5个卷积层和3个全连接层，且前4个卷积层后均设置有1个池化层。利用VGG16的卷积架构来提取车牌特征，基于第2、3、4个池化层得到的特征使用7个全连接层分别预测7个车牌字符。
步骤6：将人工合成的待识别车牌图像作为训练样本，训练样本为100万张，训练时间为10个周期，保存训练的模型。
步骤7：将待识别车牌图像缩放到训练图像大小，输入到训练好的车牌识别网络中，得到图像中的车牌号码。
本发明实施例还提供一种基于卷积神经网络的端到端的车牌识别系统，包括如下模块：
真实车牌图像获取模块，利用模拟算法获得自然场景中相对真实的车牌图像，包括以下子模块；
车牌图像生成子模块，用于在空白的车牌底板中插入车牌号码，生成高质量的车牌图像；
真实车牌图像模拟子模块，对于生成的高质量的车牌图像，通过模拟算法模拟自然场景下车牌图像的拍摄，得到相对真实的车牌图像；
背景添加子模块，用于将得到的车牌图像插入一张随机背景中，获得自然场景中车牌图像；
车牌识别模型获取模块，用于以步骤一的车牌图像作为训练样本，利用VGG16的卷积架构来提取训练样本的特征，基于第2、3、4个池化层得到的特征，使用7个全连接层分别预测7个车牌字符，训练时间为10个周期，获得训练好的车牌识别模型；
车牌识别模块，用于将待识别的车牌图像缩放到训练图像大小，并输入到训练好的车牌识别模型中，得到图像中的车牌号码。
其中，真实车牌图像模拟子模块中所述模拟算法为高斯模糊、运动模糊、亮度对比度调节、透视变换中的一种或多种的组合。
各模块具体实现和各步骤相应，本发明不予赘述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (8)

1.一种基于卷积神经网络的端到端的车牌识别方法，其特征在于，包括如下步骤：
步骤一，利用模拟算法获得自然场景中相对真实的车牌图像，包括以下子步骤；
步骤1.1，在空白的车牌底板中插入车牌号码，生成高质量的车牌图像；
步骤1.2，对于生成的高质量的车牌图像，通过模拟算法模拟自然场景下车牌图像的拍摄，得到相对真实的车牌图像；
步骤1.3，将得到的车牌图像插入一张随机背景中，获得自然场景中车牌图像；
步骤二，以步骤一的车牌图像作为训练样本，训练样本个数为n，利用VGG16的卷积架构来提取训练样本的特征，基于第2、3、4个池化层得到的特征，使用7个全连接层分别预测7个车牌字符，训练时间为10个周期，获得训练好的车牌识别模型；
步骤三，将待识别的车牌图像缩放到训练图像大小，并输入到训练好的车牌识别模型中，得到图像中的车牌号码。
2.如权利要求1所述的一种基于卷积神经网络的端到端的车牌识别方法，其特征在于：步骤1.2中所述模拟算法为高斯模糊、运动模糊、亮度对比度调节、透视变换中的一种或多种的组合。
3.如权利要求2所述的一种基于卷积神经网络的端到端的车牌识别方法，其特征在于：通过高斯模糊模拟自然场景下车牌图像的拍摄，具体实现步骤如下，
(a1)、设置高斯模糊半径R；
(a2)、根据半径R，对于处于半径R内的每一个像素点，计算高斯函数得到权重，二维高斯函数的表达式如下：
其中，x为像素点的横坐标，y为像素点的纵坐标，σ为高斯函数的标准差，G(x,y)为计算得到的权重；
(a3)、以一个像素作为中心点，按照模糊半径计算半径范围内像素的权重，最后对半径范围内所有像素加权求和，得到值代替中心点的像素值；
(a4)、对车牌图像上所有像素遍历执行a2和a3。
4.如权利要求2所述的一种基于卷积神经网络的端到端的车牌识别方法，其特征在于：通过运动模糊模拟自然场景下车牌图像的拍摄，具体实现步骤如下，
(b1)、设置运动模糊长度N；
(b2)、根据长度设计运动模糊核，对于N＝3时，运动模糊核表示如下：
(b3)、使用运动模糊核对车牌图像进行滑动窗口滤波。
5.如权利要求2所述的一种基于卷积神经网络的端到端的车牌识别方法，其特征在于：通过亮度对比度调节模拟自然场景下车牌图像的拍摄，具体实现步骤如下，
(c1)、设置对比度参数α和亮度参数β；
(c2)、使用以下公式调节输入车牌图像的亮度和对比度，获得：
Iout＝αIin+β
其中，α控制图像的对比度，β控制图像的亮度，Iin表示输入的图像，Iout表示输出图像。
6.如权利要求2所述的一种基于卷积神经网络的端到端的车牌识别方法，其特征在于：通过透视变换调节模拟自然场景下车牌图像的拍摄，具体实现步骤如下，
(d1)、输入原始图像中车牌区域的4个点和车牌区域4个点的变化值，获得4对原始图像和变换图像的匹配点；
在原始图像中选择车牌区域的4个点，车牌区域的4个点在原始位置移动一定范围就是变换后的车牌区域，移动的大小一般在10-50个像素之间，移动方向包括水平和垂直方向；
(d2)、计算透视变换矩阵；
透视变换的通用公式表示如下：
其中，u，v表示原始图像的坐标，w为常量，经过透视变换后的图像坐标为 表示透视变换矩阵，基于(d1)中的4对原始图像和变换图像的匹配点，求解出透视变换矩阵；
(d3)、根据透视变换矩阵计算变换后的图像。
7.一种基于卷积神经网络的端到端的车牌识别系统，其特征在于，包括如下模块：
真实车牌图像获取模块，利用模拟算法获得自然场景中相对真实的车牌图像，包括以下子模块；
车牌图像生成子模块，用于在空白的车牌底板中插入车牌号码，生成高质量的车牌图像；
真实车牌图像模拟子模块，对于生成的高质量的车牌图像，通过模拟算法模拟自然场景下车牌图像的拍摄，得到相对真实的车牌图像；
背景添加子模块，用于将得到的车牌图像插入一张随机背景中，获得自然场景中车牌图像；
车牌识别模型获取模块，用于以步骤一的车牌图像作为训练样本，利用VGG16的卷积架构来提取训练样本的特征，基于第2、3、4个池化层得到的特征，使用7个全连接层分别预测7个车牌字符，训练时间为10个周期，获得训练好的车牌识别模型；
车牌识别模块，用于将待识别的车牌图像缩放到训练图像大小，并输入到训练好的车牌识别模型中，得到图像中的车牌号码。
8.如权利要求7所述的一种基于卷积神经网络的端到端的车牌识别方法，其特征在于：真实车牌图像模拟子模块中所述模拟算法为高斯模糊、运动模糊、亮度对比度调节、透视变换中的一种或多种的组合。
CN201810103520.3A 2018-02-01 2018-02-01 一种基于卷积神经网络的端到端的车牌识别方法和系统 Pending CN108268871A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810103520.3A CN108268871A (zh) 2018-02-01 2018-02-01 一种基于卷积神经网络的端到端的车牌识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810103520.3A CN108268871A (zh) 2018-02-01 2018-02-01 一种基于卷积神经网络的端到端的车牌识别方法和系统

Publications (1)

Publication Number Publication Date
CN108268871A true CN108268871A (zh) 2018-07-10

Family

ID=62777322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810103520.3A Pending CN108268871A (zh) 2018-02-01 2018-02-01 一种基于卷积神经网络的端到端的车牌识别方法和系统

Country Status (1)

Country Link
CN (1) CN108268871A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086765A (zh) * 2018-08-01 2018-12-25 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
CN109117848A (zh) * 2018-09-07 2019-01-01 泰康保险集团股份有限公司 一种文本行字符识别方法、装置、介质和电子设备
CN109658706A (zh) * 2018-12-18 2019-04-19 深圳市捷顺科技实业股份有限公司 一种车辆数据处理方法及相关设备
CN109740597A (zh) * 2018-12-29 2019-05-10 口碑(上海)信息技术有限公司 菜单信息的识别方法及装置
CN109993138A (zh) * 2019-04-08 2019-07-09 北京易华录信息技术股份有限公司 一种车牌检测与识别方法及装置
CN111209783A (zh) * 2018-11-22 2020-05-29 台达电子工业股份有限公司 使用模拟物件影像的物件识别系统及其方法
CN111414844A (zh) * 2020-03-17 2020-07-14 北京航天自动控制研究所 一种基于卷积循环神经网络的集装箱箱号识别方法
CN112528988A (zh) * 2020-11-03 2021-03-19 创泽智能机器人集团股份有限公司 一种车牌角度矫正方法
CN112967213A (zh) * 2021-02-05 2021-06-15 深圳市宏电技术股份有限公司 车牌图像增强方法、装置、设备及存储介质
CN114049622A (zh) * 2021-10-29 2022-02-15 深圳市爱深盈通信息技术有限公司 车牌识别方法及系统
CN117253233A (zh) * 2023-09-05 2023-12-19 广东奥普特科技股份有限公司 一种字符擦除方法、装置和设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521587A (zh) * 2011-11-24 2012-06-27 华中科技大学 一种车牌定位方法
KR20130015085A (ko) * 2011-08-02 2013-02-13 이성균 자동차 반사 번호판
CN103049891A (zh) * 2013-01-25 2013-04-17 西安电子科技大学 基于自适应窗口选择的视频图像去模糊方法
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
CN106709486A (zh) * 2016-11-11 2017-05-24 南京理工大学 基于深度卷积神经网络的自动车牌识别方法
CN106920229A (zh) * 2017-01-22 2017-07-04 北京奇艺世纪科技有限公司 图像模糊区域自动检测方法及系统
CN107424136A (zh) * 2017-07-31 2017-12-01 北京酷我科技有限公司 一种Mac下图片高斯模糊的处理算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130015085A (ko) * 2011-08-02 2013-02-13 이성균 자동차 반사 번호판
CN102521587A (zh) * 2011-11-24 2012-06-27 华中科技大学 一种车牌定位方法
CN103049891A (zh) * 2013-01-25 2013-04-17 西安电子科技大学 基于自适应窗口选择的视频图像去模糊方法
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
CN106709486A (zh) * 2016-11-11 2017-05-24 南京理工大学 基于深度卷积神经网络的自动车牌识别方法
CN106920229A (zh) * 2017-01-22 2017-07-04 北京奇艺世纪科技有限公司 图像模糊区域自动检测方法及系统
CN107424136A (zh) * 2017-07-31 2017-12-01 北京酷我科技有限公司 一种Mac下图片高斯模糊的处理算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何东健: "《数字图像处理》", 28 February 2015 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086765A (zh) * 2018-08-01 2018-12-25 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
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
CN109117848A (zh) * 2018-09-07 2019-01-01 泰康保险集团股份有限公司 一种文本行字符识别方法、装置、介质和电子设备
CN109117848B (zh) * 2018-09-07 2022-11-18 泰康保险集团股份有限公司 一种文本行字符识别方法、装置、介质和电子设备
CN111209783A (zh) * 2018-11-22 2020-05-29 台达电子工业股份有限公司 使用模拟物件影像的物件识别系统及其方法
CN109658706A (zh) * 2018-12-18 2019-04-19 深圳市捷顺科技实业股份有限公司 一种车辆数据处理方法及相关设备
CN109740597A (zh) * 2018-12-29 2019-05-10 口碑(上海)信息技术有限公司 菜单信息的识别方法及装置
CN109993138A (zh) * 2019-04-08 2019-07-09 北京易华录信息技术股份有限公司 一种车牌检测与识别方法及装置
CN111414844A (zh) * 2020-03-17 2020-07-14 北京航天自动控制研究所 一种基于卷积循环神经网络的集装箱箱号识别方法
CN111414844B (zh) * 2020-03-17 2023-08-29 北京航天自动控制研究所 一种基于卷积循环神经网络的集装箱箱号识别方法
CN112528988A (zh) * 2020-11-03 2021-03-19 创泽智能机器人集团股份有限公司 一种车牌角度矫正方法
CN112967213A (zh) * 2021-02-05 2021-06-15 深圳市宏电技术股份有限公司 车牌图像增强方法、装置、设备及存储介质
CN114049622A (zh) * 2021-10-29 2022-02-15 深圳市爱深盈通信息技术有限公司 车牌识别方法及系统
CN117253233A (zh) * 2023-09-05 2023-12-19 广东奥普特科技股份有限公司 一种字符擦除方法、装置和设备
CN117253233B (zh) * 2023-09-05 2024-05-17 广东奥普特科技股份有限公司 一种字符擦除方法、装置和设备

Similar Documents

Publication Publication Date Title
CN108268871A (zh) 一种基于卷积神经网络的端到端的车牌识别方法和系统
CN105046196B (zh) 基于级联卷积神经网络的前车车辆信息结构化输出方法
CN112686812B (zh) 银行卡倾斜矫正检测方法、装置、可读存储介质和终端
CN108304787A (zh) 基于卷积神经网络的道路目标检测方法
CN111339839B (zh) 一种密集型目标检测计量方法
CN108830252A (zh) 一种融合全局时空特征的卷积神经网络人体动作识别方法
CN104299008B (zh) 基于多特征融合的车型分类方法
CN108334881B (zh) 一种基于深度学习的车牌识别方法
CN106845487A (zh) 一种端到端的车牌识别方法
CN109359603A (zh) 一种基于级联卷积神经网络的车辆驾驶员人脸检测方法
CN106886778B (zh) 一种监控场景下车牌字符分割与识别方法
CN113128507B (zh) 一种车牌识别方法、装置、电子设备及存储介质
CN106778659B (zh) 一种车牌识别方法及装置
CN112232351B (zh) 一种基于深度神经网络的车牌识别系统
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
CN104484672B (zh) 基于多帧图片和自主学习的快速车牌识别方法
CN107644221A (zh) 基于参数压缩的卷积神经网络交通标志识别方法
CN110689000B (zh) 一种基于生成复杂环境下车牌样本的车辆车牌识别方法
CN108009548A (zh) 一种智能路牌识别方法及系统
CN104299009A (zh) 基于多特征融合的车牌字符识别方法
CN109961013A (zh) 车道线的识别方法、装置、设备及计算机可读存储介质
CN107944354A (zh) 一种基于深度学习的车辆检测方法
CN106874825A (zh) 人脸检测的训练方法、检测方法和装置
CN116052222A (zh) 自然采集牛脸图像的牛脸识别方法
CN112836573A (zh) 一种基于对抗生成网络的车道线图像增强与补全方法

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

Application publication date: 20180710

RJ01 Rejection of invention patent application after publication