CN108470175A - 基于神经网络的车牌识别系统及识别方法 - Google Patents
基于神经网络的车牌识别系统及识别方法 Download PDFInfo
- Publication number
- CN108470175A CN108470175A CN201810260355.2A CN201810260355A CN108470175A CN 108470175 A CN108470175 A CN 108470175A CN 201810260355 A CN201810260355 A CN 201810260355A CN 108470175 A CN108470175 A CN 108470175A
- Authority
- CN
- China
- Prior art keywords
- character
- license plate
- image
- level
- instruction
- 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
- 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
- G06V30/158—Segmentation of character regions using character size, text spacings or pitch estimation
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及一种基于神经网络的车牌识别方法,所述方法包括如下步骤:学习模型搭建、车牌识别;所述学习模型搭建包括如下步骤:将预存的车牌号输入至系统中,生成的一级索引指令、二级索引指令及三级指令存至存储单元中;所述车牌识别包括如下步骤:对图像预处理后,通过神经网络处理单元进行一级索引、二级索引及三级索引后,对照片进行识别判断。本发明的有益效果为:本发明所提供的车辆识别系统及识别方法,能够实现快速的识别,其识别的时间一般维持在0.1s‑0.3s,大大缩短了等待的时间。
Description
技术领域
本发明涉及车牌技术领域,具体涉及一种基于神经网络的车牌识别系统及识别方法。
背景技术
随着我国经济的高速发展,人民生活水平的不断提高,私有车辆原来越多,交通需求量也越来越大,现有的交通基础设施建设速度远远跟不上机动车辆和其他交通工具的增长速度,传统的人工管理方式已经越来越不能满足实际工作的需求,如何将安全可靠快捷的车辆进行监控,为人类提供高科技带来的便捷、时尚、安全的现代生活,成为了一个全新的客体,在此背景下,智能交通的理念迎来了发展机遇。
智能交通前景十分广阔,随着我国城市化进程的加快和汽车销量的大幅攀升,城市堵车日趋严重,给人们生活带来了诸多不变,并产生大量的气体排放,交通事故频繁,在此背景下,政府加大力度投入智能交通迫在眉睫,智能交通行业规模也越来越大,从长期来看,智能交通的发展如汽车监控、车辆智能识别、实时路况等将成为智能交通的主要内容。
车辆拍照是全世界唯一对车辆身份识别的标记,尽管拍照的字符、颜色、格式内容和制作材料会多种多样,但是车辆拍照仍是全球范围内最为精准和特定的识别标志,因此,车牌识别技术在交通系统管理中有着十分重要的作用,然而目前的车辆识别技术的识别速度慢,仍然导致着在进入指定停车位的时候,需要较多的等待时间。
发明内容
为了有效解决上述问题,本发明提供一种基于神经网络的车牌识别系统及识别方法。
本发明的具体技术方案如下:基于神经网络的车牌识别方法,所述方法包括如下步骤:学习模型搭建、车牌识别;
所述学习模型搭建包括如下步骤:
A)将预存的车牌号输入至系统中,并将车牌号进行生成不同底色车牌照片,同时生成多角度的车牌照片形态;
B)将所有不同角度的车牌照片形态进行字符切割,将字符切割为前两位字符、及后五位或六位字符,将车牌照片的角度作为一级索引指令,将前两位字符作为及后面字符的数量作为二级索引指令,将每一个生成的照片进行生成峰群特点,将峰群特点作为三级索引指令;
C)将车牌号所生成的一级索引指令、二级索引指令及三级指令存至存储单元中;
所述车牌识别包括如下步骤:
A)将获得图像进行预处理,包括二值化、降噪、图像增强及边缘检测;
B)对车牌进行定位,提取车牌图像;
C)对提取的车牌图像进行二值化处理,查找倾斜的角度,将查找后的角度进行一级索引,索引后获得指定角度的一级索引指令下的照片库,
D)采用基于字符连通域宽度检测和先验知识相结合的方法进行车牌字符切割,将字符切割为前两位字符,及后五位或六位字符,切割后根据二级索引进行前两位字符的二级索引及匹配;
E)获取照片中字符的峰值特点进行三级索引,索引后进行匹配,匹配后,判断该图像是否在存储单元内,并执行相应的打开门禁的动作。
基于神经网络的车牌识别方法,学习模型搭建、车牌识别、学习模型优化;
所述学习模型搭建包括如下步骤:
A)将预存的车牌号输入至系统中,并将车牌号进行生成不同底色车牌照片,同时生成多角度的车牌照片形态;
B)将所有不同角度的车牌照片形态进行字符切割,将字符切割为前两位字符、及后五位或六位字符,将车牌照片的角度作为一级索引指令,将前两位字符作为及后面字符的数量作为二级索引指令,将每一个生成的照片进行生成峰群特点,将峰群特点作为三级索引指令;
C)将车牌号所生成的一级索引指令、二级索引指令及三级指令存至存储单元中;
所述学习模型优化包括如下步骤:
A)采集照片获取时间,并生成相应的识别初级索引指令,所述初级索引指令将进行二级索引指令及三级索引指令的优先权分配;
所述车牌识别包括如下步骤:
A)将获得图像进行预处理,包括二值化、降噪、图像增强及边缘检测;
B)对车牌进行定位,提取车牌图像;
C)对提取的车牌图像进行二值化处理,查找倾斜的角度,将查找后的角度进行一级索引,索引后获得指定角度的一级索引指令下的照片库,
D)采用基于字符连通域宽度检测和先验知识相结合的方法进行车牌字符切割,将字符切割为前两位字符,及后五位或六位字符,切割后根据二级索引进行前两位字符的二级索引及匹配;
E)获取照片中字符的峰值特点进行三级索引,索引后进行匹配,匹配后,判断该图像是否在存储单元内,并执行相应的打开门禁的动作。
进一步地,所述车牌识别的步骤B)中包括:
B1)对预处理后的图像进行小波变换,分级提取图像的边缘;
B2)形态化处理,对车牌轮廓进行初步定位;
B3)筛选车牌区域和伪车牌区域;
B4)采用投影法进行二次定位。
基于神经网络的车牌录入方法,A)将获得图像进行预处理,包括二值化、降噪、图像增强及边缘检测;
B)对车牌进行定位,提取车牌图像;
C)对提取的车牌图像进行二值化处理,查找倾斜的角度,采用改进坐标变换的方法对车牌进行倾斜扶正;
D)采用基于字符连通域宽度检测和先验知识相结合的方法进行车牌字符切割,将字符切割为前两位字符,及后五位或六位字符,将前两位字符存储为二级索引指令,将后五位或六位的字符进行峰值特点记录。
基于神经网络的车牌识别系统,所述识别系统包括:
一个用于采集图像数据的图像传感单元;
一个连接所述图像传感单元的神经网络处理单元,所述神经网络处理单元对图像传感单元所反馈的图像信号进行处理分析;
一个存储单元,所述存储单元连接所述神经网络处理单元;
一个芯片终端,所述图像传感单元及所述神经网络处理单元共同集成在所述芯片终端上。
进一步地,所述图像传感单元包括一个摄像单元及一个预处理单元;
所述摄像单元通过预处理单元连接所述神经网络处理单元。
进一步地,所述神经网络处理单元包括指令匹配模块及全局控制模块,所述指令匹配模块与所述全局控制模块连接;
所述全局控制模块包括译码电路、配置缓存模块,所述全局控制模块根据译码电路为其他模块提供控制逻辑;
所述全局控制模块根据指令信号实现对不同网络结构及配型的匹配。
进一步地,所述神经网络处理单元包括若干个神经处理单元,所述神经处理单元包括局部缓存单元、运算单元、控制单元,所述局部缓存单元为一个双叶存储器,所述双叶存储器用于进行乒乓操作交底读写;
所述运算单元包括乘累加器单元MAC、分段线性表和结果缓存器acc reg,用于对图像数据进行卷积运算、全连接运算、多层感知器运算、非线性函数运算、池化运算;
所述控制单元于接受全局控制模块发送的配置信息和指令信息,按照配置信息的指示设置为不同的工作状态,以使系统适应不同神经网络类型和网络结构。
进一步地,所述图像传感单元通过数据传输网络连接所述神经网络单元,所述的数据传输网络由多条直接存储器访问DMA通道构成,处理器运行时启动多个直接存储器访问DMA通道进行数据传输。
本发明的有益效果为:本发明所提供的车辆识别系统及识别方法,能够实现快速的识别,其识别的时间一般维持在0.1s-0.3s,大大缩短了等待的时间。
附图说明
图1为本发明所提供的系统示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
本发明所提供的一种基于神经网络的车牌识别方法,所述方法包括如下步骤:学习模型搭建、车牌识别;
所述学习模型搭建包括如下步骤:
A)将预存的车牌号输入至系统中,并将车牌号进行生成不同底色车牌照片,同时生成多角度的车牌照片形态;
B)将所有不同角度的车牌照片形态进行字符切割,将字符切割为前两位字符、及后五位或六位字符,将车牌照片的角度作为一级索引指令,将前两位字符作为及后面字符的数量作为二级索引指令,将每一个生成的照片进行生成峰群特点,将峰群特点作为三级索引指令;
C)将车牌号所生成的一级索引指令、二级索引指令及三级指令存至存储单元中;
所述车牌识别包括如下步骤:
A)将获得图像进行预处理,包括二值化、降噪、图像增强及边缘检测;
B)对车牌进行定位,提取车牌图像;
C)对提取的车牌图像进行二值化处理,查找倾斜的角度,将查找后的角度进行一级索引,索引后获得指定角度的一级索引指令下的照片库,
D)采用基于字符连通域宽度检测和先验知识相结合的方法进行车牌字符切割,将字符切割为前两位字符,及后五位或六位字符,切割后根据二级索引进行前两位字符的二级索引及匹配;
E)获取照片中字符的峰值特点进行三级索引,索引后进行匹配,匹配后,判断该图像是否在存储单元内,并执行相应的打开门禁的动作。
本发明还提供一个第二实施例,所述本实施例与上述实例内容部分相同,在此将不再赘述,唯不同之处在于,所述方法还包括如下步骤:学习模型优化;
所述学习模型搭建包括如下步骤:
A)将预存的车牌号输入至系统中,并将车牌号进行生成不同底色车牌照片,同时生成多角度的车牌照片形态;
B)将所有不同角度的车牌照片形态进行字符切割,将字符切割为前两位字符、及后五位或六位字符,将车牌照片的角度作为一级索引指令,将前两位字符作为及后面字符的数量作为二级索引指令,将每一个生成的照片进行生成峰群特点,将峰群特点作为三级索引指令;
C)将车牌号所生成的一级索引指令、二级索引指令及三级指令存至存储单元中;
所述学习模型优化包括如下步骤:
A)采集照片获取时间,并生成相应的识别初级索引指令,所述初级索引指令将进行二级索引指令及三级索引指令的优先权分配;
所述车牌识别包括如下步骤:
A)将获得图像进行预处理,包括二值化、降噪、图像增强及边缘检测;
B)对车牌进行定位,提取车牌图像;
C)对提取的车牌图像进行二值化处理,查找倾斜的角度,将查找后的角度进行一级索引,索引后获得指定角度的一级索引指令下的照片库,
D)采用基于字符连通域宽度检测和先验知识相结合的方法进行车牌字符切割,将字符切割为前两位字符,及后五位或六位字符,切割后根据二级索引进行前两位字符的二级索引及匹配;
E)获取照片中字符的峰值特点进行三级索引,索引后进行匹配,匹配后,判断该图像是否在存储单元内,并执行相应的打开门禁的动作。
所述车牌识别的步骤B)中包括:
B1)对预处理后的图像进行小波变换,分级提取图像的边缘;
B2)形态化处理,对车牌轮廓进行初步定位;
B3)筛选车牌区域和伪车牌区域;
B4)采用投影法进行二次定位。
本发明还提供一个第三实施例,本实施例与上述内容部分相同,在此将不再赘述,唯不同之处在于,还包括一个基于神经网络的车牌录入方法,所述方法包括如下步骤:
A)将获得图像进行预处理,包括二值化、降噪、图像增强及边缘检测;
B)对车牌进行定位,提取车牌图像;
C)对提取的车牌图像进行二值化处理,查找倾斜的角度,采用改进坐标变换的方法对车牌进行倾斜扶正;
D)采用基于字符连通域宽度检测和先验知识相结合的方法进行车牌字符切割,将字符切割为前两位字符,及后五位或六位字符,将前两位字符存储为二级索引指令,将后五位或六位的字符进行峰值特点记录。
如图1所示,为本发明所提供的一种基于神经网络的车牌识别系统,所述识别系统包括:
一个用于采集图像数据的图像传感单元2;
一个连接所述图像传感单元2的神经网络处理单元3,所述神经网络处理单元3对图像传感单元2所反馈的图像信号进行处理分析;
一个存储单元4,所述存储单元4连接所述神经网络处理单元3;
一个芯片终端1,所述图像传感单元2及所述神经网络处理单元3共同集成在所述芯片终端1上。
所述图像传感单元2包括一个摄像单元21及一个预处理单元22;
所述摄像单元21通过预处理单元22连接所述神经网络处理单元3。
所述神经网络处理单元3包括指令匹配模块及全局控制模块,所述指令匹配模块与所述全局控制模块连接;
所述全局控制模块包括译码电路、配置缓存模块,所述全局控制模块根据译码电路为其他模块提供控制逻辑;
所述全局控制模块根据指令信号实现对不同网络结构及配型的匹配。
所述神经网络处理单元3包括若干个神经处理单元,所述神经处理单元包括局部缓存单元、运算单元、控制单元,所述局部缓存单元为一个双叶存储器,所述双叶存储器用于进行乒乓操作交底读写;
所述运算单元包括乘累加器单元MAC、分段线性表和结果缓存器acc reg,用于对图像数据进行卷积运算、全连接运算、多层感知器运算、非线性函数运算、池化运算;
所述控制单元于接受全局控制模块发送的配置信息和指令信息,按照配置信息的指示设置为不同的工作状态,以使系统适应不同神经网络类型和网络结构。
所述图像传感单元2通过数据传输网络5连接所述神经网络单元,所述的数据传输网络5由多条直接存储器访问DMA通道构成,处理器运行时启动多个直接存储器访问DMA通道进行数据传输。
Claims (9)
1.基于神经网络的车牌识别方法,其特征在于,所述方法包括如下步骤:学习模型搭建、车牌识别;
所述学习模型搭建包括如下步骤:
A)将预存的车牌号输入至系统中,并将车牌号进行生成不同底色车牌照片,同时生成多角度的车牌照片形态;
B)将所有不同角度的车牌照片形态进行字符切割,将字符切割为前两位字符、及后五位或六位字符,将车牌照片的角度作为一级索引指令,将前两位字符作为及后面字符的数量作为二级索引指令,将每一个生成的照片进行生成峰群特点,将峰群特点作为三级索引指令;
C)将车牌号所生成的一级索引指令、二级索引指令及三级指令存至存储单元中;
所述车牌识别包括如下步骤:
A)将获得图像进行预处理,包括二值化、降噪、图像增强及边缘检测;
B)对车牌进行定位,提取车牌图像;
C)对提取的车牌图像进行二值化处理,查找倾斜的角度,将查找后的角度进行一级索引,索引后获得指定角度的一级索引指令下的照片库,
D)采用基于字符连通域宽度检测和先验知识相结合的方法进行车牌字符切割,将字符切割为前两位字符,及后五位或六位字符,切割后根据二级索引进行前两位字符的二级索引及匹配;
E)获取照片中字符的峰值特点进行三级索引,索引后进行匹配,匹配后,判断该图像是否在存储单元内,并执行相应的打开门禁的动作。
2.基于神经网络的车牌识别方法,其特征在于,学习模型搭建、车牌识别、学习模型优化;
所述学习模型搭建包括如下步骤:
A)将预存的车牌号输入至系统中,并将车牌号进行生成不同底色车牌照片,同时生成多角度的车牌照片形态;
B)将所有不同角度的车牌照片形态进行字符切割,将字符切割为前两位字符、及后五位或六位字符,将车牌照片的角度作为一级索引指令,将前两位字符作为及后面字符的数量作为二级索引指令,将每一个生成的照片进行生成峰群特点,将峰群特点作为三级索引指令;
C)将车牌号所生成的一级索引指令、二级索引指令及三级指令存至存储单元中;
所述学习模型优化包括如下步骤:
A)采集照片获取时间,并生成相应的识别初级索引指令,所述初级索引指令将进行二级索引指令及三级索引指令的优先权分配;
所述车牌识别包括如下步骤:
A)将获得图像进行预处理,包括二值化、降噪、图像增强及边缘检测;
B)对车牌进行定位,提取车牌图像;
C)对提取的车牌图像进行二值化处理,查找倾斜的角度,将查找后的角度进行一级索引,索引后获得指定角度的一级索引指令下的照片库,
D)采用基于字符连通域宽度检测和先验知识相结合的方法进行车牌字符切割,将字符切割为前两位字符,及后五位或六位字符,切割后根据二级索引进行前两位字符的二级索引及匹配;
E)获取照片中字符的峰值特点进行三级索引,索引后进行匹配,匹配后,判断该图像是否在存储单元内,并执行相应的打开门禁的动作。
3.根据权利要求1或2的基于神经网络的车牌识别方法,其特征在于,所述车牌识别的步骤B)中包括:
B1)对预处理后的图像进行小波变换,分级提取图像的边缘;
B2)形态化处理,对车牌轮廓进行初步定位;
B3)筛选车牌区域和伪车牌区域;
B4)采用投影法进行二次定位。
4.基于神经网络的车牌录入方法,其特征在于,
A)将获得图像进行预处理,包括二值化、降噪、图像增强及边缘检测;
B)对车牌进行定位,提取车牌图像;
C)对提取的车牌图像进行二值化处理,查找倾斜的角度,采用改进坐标变换的方法对车牌进行倾斜扶正;
D)采用基于字符连通域宽度检测和先验知识相结合的方法进行车牌字符切割,将字符切割为前两位字符,及后五位或六位字符,将前两位字符存储为二级索引指令,将后五位或六位的字符进行峰值特点记录。
5.基于神经网络的车牌识别系统,其特征在于,所述识别系统包括:
一个用于采集图像数据的图像传感单元;
一个连接所述图像传感单元的神经网络处理单元,所述神经网络处理单元对图像传感单元所反馈的图像信号进行处理分析;
一个存储单元,所述存储单元连接所述神经网络处理单元;
一个芯片终端,所述图像传感单元及所述神经网络处理单元共同集成在所述芯片终端上。
6.根据权利要求5所述的基于神经网络的车牌识别系统,其特征在于,所述图像传感单元包括一个摄像单元及一个预处理单元;
所述摄像单元通过预处理单元连接所述神经网络处理单元。
7.根据权利要求5所述的基于神经网络的车牌识别系统,其特征在于,所述神经网络处理单元包括指令匹配模块及全局控制模块,所述指令匹配模块与所述全局控制模块连接;
所述全局控制模块包括译码电路、配置缓存模块,所述全局控制模块根据译码电路为其他模块提供控制逻辑;
所述全局控制模块根据指令信号实现对不同网络结构及配型的匹配。
8.根据权利要求5所述的基于神经网络的车牌识别系统,其特征在于,所述神经网络处理单元包括若干个神经处理单元,所述神经处理单元包括局部缓存单元、运算单元、控制单元,所述局部缓存单元为一个双叶存储器,所述双叶存储器用于进行乒乓操作交底读写;
所述运算单元包括乘累加器单元MAC、分段线性表和结果缓存器acc reg,用于对图像数据进行卷积运算、全连接运算、多层感知器运算、非线性函数运算、池化运算;
所述控制单元于接受全局控制模块发送的配置信息和指令信息,按照配置信息的指示设置为不同的工作状态,以使系统适应不同神经网络类型和网络结构。
9.根据权利要求5所述的基于神经网络的车牌识别系统,其特征在于,所述图像传感单元通过数据传输网络连接所述神经网络单元,所述的数据传输网络由多条直接存储器访问DMA通道构成,处理器运行时启动多个直接存储器访问DMA通道进行数据传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810260355.2A CN108470175A (zh) | 2018-03-27 | 2018-03-27 | 基于神经网络的车牌识别系统及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810260355.2A CN108470175A (zh) | 2018-03-27 | 2018-03-27 | 基于神经网络的车牌识别系统及识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108470175A true CN108470175A (zh) | 2018-08-31 |
Family
ID=63264804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810260355.2A Pending CN108470175A (zh) | 2018-03-27 | 2018-03-27 | 基于神经网络的车牌识别系统及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470175A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596685A (zh) * | 2019-09-13 | 2019-12-20 | 福建工程学院 | 一种快速移动下随机场景的单目测距方法及装置 |
CN113065663A (zh) * | 2021-01-22 | 2021-07-02 | 腾讯科技(深圳)有限公司 | 一种数据访问方法、装置、设备和存储介质 |
CN115830726A (zh) * | 2022-11-02 | 2023-03-21 | 广州铭创通讯科技有限公司 | 基于etc与车牌识别的开放式停车场自动扣费系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070058856A1 (en) * | 2005-09-15 | 2007-03-15 | Honeywell International Inc. | Character recoginition in video data |
CN102496019A (zh) * | 2011-12-08 | 2012-06-13 | 银江股份有限公司 | 一种车牌字符分割方法 |
CN103093200A (zh) * | 2013-01-18 | 2013-05-08 | 金三立视频科技(深圳)有限公司 | 快速精准定位图像中车牌的算法 |
CN104156731A (zh) * | 2014-07-31 | 2014-11-19 | 成都易默生汽车技术有限公司 | 基于人工神经网络的车牌识别系统与方法 |
CN104679829A (zh) * | 2015-01-28 | 2015-06-03 | 北京易华录信息技术股份有限公司 | 对车牌号进行快速搜索的方法及装置 |
CN105589862A (zh) * | 2014-10-21 | 2016-05-18 | 杭州华为企业通信技术有限公司 | 车牌数据的索引结构建立方法、检索方法及装置 |
CN107305736A (zh) * | 2016-04-22 | 2017-10-31 | 贵州众成信息产业有限公司 | 一种基于车牌规则和时空可达性的车牌识别智能查错方法和系统 |
CN107590535A (zh) * | 2017-09-08 | 2018-01-16 | 西安电子科技大学 | 可编程神经网络处理器 |
CN108596037A (zh) * | 2018-03-27 | 2018-09-28 | 康体佳智能科技(深圳)有限公司 | 基于神经网络的人脸识别系统及识别方法 |
-
2018
- 2018-03-27 CN CN201810260355.2A patent/CN108470175A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070058856A1 (en) * | 2005-09-15 | 2007-03-15 | Honeywell International Inc. | Character recoginition in video data |
CN102496019A (zh) * | 2011-12-08 | 2012-06-13 | 银江股份有限公司 | 一种车牌字符分割方法 |
CN103093200A (zh) * | 2013-01-18 | 2013-05-08 | 金三立视频科技(深圳)有限公司 | 快速精准定位图像中车牌的算法 |
CN104156731A (zh) * | 2014-07-31 | 2014-11-19 | 成都易默生汽车技术有限公司 | 基于人工神经网络的车牌识别系统与方法 |
CN105589862A (zh) * | 2014-10-21 | 2016-05-18 | 杭州华为企业通信技术有限公司 | 车牌数据的索引结构建立方法、检索方法及装置 |
CN104679829A (zh) * | 2015-01-28 | 2015-06-03 | 北京易华录信息技术股份有限公司 | 对车牌号进行快速搜索的方法及装置 |
CN107305736A (zh) * | 2016-04-22 | 2017-10-31 | 贵州众成信息产业有限公司 | 一种基于车牌规则和时空可达性的车牌识别智能查错方法和系统 |
CN107590535A (zh) * | 2017-09-08 | 2018-01-16 | 西安电子科技大学 | 可编程神经网络处理器 |
CN108596037A (zh) * | 2018-03-27 | 2018-09-28 | 康体佳智能科技(深圳)有限公司 | 基于神经网络的人脸识别系统及识别方法 |
Non-Patent Citations (4)
Title |
---|
QIAN GAO 等: "License Plate Recognition Based on Prior Knowledge", 《2007 IEEE INTERNATIONAL CONFERENCE ON AUTOMATION AND LOGISTICS》 * |
王龙: "井下矿石运输矿车信息显示牌动态识别系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
肖晓 等: "基于二次模版库的车牌残缺字符识别", 《安徽建筑大学学报》 * |
邓婷: "基于特征统计的车牌非汉字字符识别方法", 《广西师范学院学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596685A (zh) * | 2019-09-13 | 2019-12-20 | 福建工程学院 | 一种快速移动下随机场景的单目测距方法及装置 |
CN113065663A (zh) * | 2021-01-22 | 2021-07-02 | 腾讯科技(深圳)有限公司 | 一种数据访问方法、装置、设备和存储介质 |
CN115830726A (zh) * | 2022-11-02 | 2023-03-21 | 广州铭创通讯科技有限公司 | 基于etc与车牌识别的开放式停车场自动扣费系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN103279756B (zh) | 基于集成分类器的车辆检测分析系统及其检测分析方法 | |
CN110837807A (zh) | 一种套牌车辆的识别方法及系统 | |
CN112712057B (zh) | 交通信号识别方法、装置、电子设备及存储介质 | |
CN106934374B (zh) | 一种雾霾场景中交通标识牌的识别方法及系统 | |
CN104050827A (zh) | 一种基于视觉的交通信号灯自动检测识别方法 | |
CN107016362B (zh) | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统 | |
CN113723377B (zh) | 一种基于ld-ssd网络的交通标志检测方法 | |
CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
CN108830254B (zh) | 一种基于数据均衡策略和密集注意网络的细粒度车型检测与识别方法 | |
CN109215364B (zh) | 交通信号识别方法、系统、设备和存储介质 | |
CN102254152A (zh) | 基于彩色跳变点和颜色密度的车牌定位方法 | |
CN108470175A (zh) | 基于神经网络的车牌识别系统及识别方法 | |
CN106919939B (zh) | 一种交通标识牌跟踪识别方法及系统 | |
CN106909923A (zh) | 一种违章车辆处理系统 | |
CN109325755B (zh) | 基于汽车轮毂的电子计费系统 | |
CN109800762A (zh) | 一种基于动态匹配因子的模糊车牌识别算法 | |
Yaseen et al. | Development of new Anpr dataset for automatic number plate detection and recognition in north of Iraq | |
CN115376082B (zh) | 一种融合传统特征提取与深度神经网络的车道线检测方法 | |
CN115424217A (zh) | 基于ai视觉的车辆智能识别方法、装置和电子设备 | |
Chowdhury et al. | An adaptive technique for computer vision based vehicles license plate detection system | |
Ishak et al. | A speed limit sign recognition system using artificial neural network | |
Ding et al. | A comprehensive approach for road marking detection and recognition | |
CN105005780A (zh) | 一种车牌识别方法 | |
CN114708560A (zh) | 一种基于yolox算法的违章停车检测方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180831 |