CN108960243A - 车牌定位方法 - Google Patents
车牌定位方法 Download PDFInfo
- Publication number
- CN108960243A CN108960243A CN201810739560.7A CN201810739560A CN108960243A CN 108960243 A CN108960243 A CN 108960243A CN 201810739560 A CN201810739560 A CN 201810739560A CN 108960243 A CN108960243 A CN 108960243A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- locating method
- threshold value
- profile diagram
- 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
- G06V30/153—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
- G06F18/24—Classification techniques
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种车牌定位方法,其包括步骤:对采集的原始车牌图像依次进行预处理、边缘提取,获得轮廓图;对所述轮廓图进行初步图像分割、特征提取以及特征分类,获得同一原始图像中包括文字和/或字母和/或数字的车牌特征以及特征种类数;将同一原始车牌图像的特征种类数与预存的车牌分类器中包括文字、字母以及数字的车牌特征种类数进行比对;若比对结果为相同,将所述轮廓图作为定位的车牌信息输出。本发明设置车牌分类器,并将同一原始车牌图像提取的特征种类数与预存的车牌分类器中包括文字、字母以及数字的车牌特征种类数进行比对,预存的车牌分类器的设置以及特征种类数的比对提高了车牌定位的鲁棒性和精确性。
Description
技术领域
本发明涉及车牌定位识别的技术领域,更具体地说,本发明涉及一种车牌定位方法。
背景技术
车牌自动识别是智能交通应用领域中重要的技术之一,其融合了图像处理和模式识别技术,在停车场、不停车收费站等场合有着广泛的应用。它可以分为车牌图像预处理、车牌定位、车牌分割和车牌识别四个过程,而车牌定位作为车牌识别中的重要前提和技术基础受到高度重视,它直接决定着后续的字符分割质量和识别效果。
车牌定位指的是从复杂的背景车辆图像中找到和提取相应的车牌区域,常见典型的定位方法有基于纹理特征分析的车牌定位、基于边缘特征的车牌定位、基于小波变换和数学形态学的车牌定位等,但是车牌所在区域提取受背景、破损和噪声等各方面因素的干扰,精确性、鲁棒性并不好。在科技迅速发展的现在,急需一种更精确的车牌定位方法,为后续车牌分割与精确识别提供良好基础。
发明内容
针对上述技术中存在的不足之处,本发明提供一种车牌定位方法,通过设置预存的车牌分类器以及特征种类数的比对,提高了车牌定位的鲁棒性和精确性。
为了实现根据本发明的这些目的和其它优点,本发明通过以下技术方案实现:
本发明提供一种车牌定位方法,其包括以下步骤:
对采集的原始车牌图像依次进行预处理、边缘提取,获得轮廓图;
对所述轮廓图进行初步图像分割、特征提取以及特征分类,获得同一原始图像中包括文字和/或字母和/或数字的车牌特征以及特征种类数;
将同一原始车牌图像的特征种类数与预存的车牌分类器中包括文字、字母以及数字的车牌特征种类数进行比对;
若比对结果为相同,将所述轮廓图作为定位的车牌信息输出。
优选的是,所述预处理,包括依次的灰度化处理、图像增强以及二值化处理;其中,所述二值化处理包括步骤:
假设原始车牌图像为白底黑字牌照,以T1为阈值对该图像二值化处理;
对T1为阈值的二值化处理后的图像进行包括判定字符笔划边缘以及计算黑点所占比例关系的纹理分析,确定以T1为阈值的二值化的假设是否正确;
若白底黑字牌照的假设错误,假设采集的原始图像为黑底白字牌照,以T2为阈值对该图像依次进行二值化处理、纹理分析,直至假设正确;
假设为正确时,根据所述纹理分析中笔划边缘的分析结果对T1和/或T2微调;
对纹理分析后的图像进行灰度最大值fmax和最小值fmin计算,输出双精度型数值;
通过公式level=(fmax1-(fmax1-fmin1)/3)/255计算最佳阈值,输出以最佳阈值为阈值的二值化图像。
优选的是,T1阈值和T2阈值的选取,包括步骤:
定义原始车牌图像中字符灰度为g1,背景灰度为g2,字符像素点所占比例为r1,背景像素点所占比例为r2,灰度图像的均值为N,灰度图像的方差为C,且满足:0≤g1,g2≤255;0<r1<r2<1,r1+r2=1;则:
N=r1g1+r2g2,g1<N<g2;C2=r1(g1-N)2+r2(g2-N)2;
对于白底黑字牌照,选取T1阈值把黑字从白底中分割出来:
对于黑底白字牌照,选取T2阈值把白字从黑底中分割出来:
优选的是,通过判定字符笔划边缘以及计算黑点所占比例关系的纹理分析确定二值化的假设是否准确,包括步骤:
二值化图象无笔划边缘且黑点比例远小于r1的,为黑底白字牌照;反之为白底黑字牌照。
优选的是,若比对结果为相同后,还包括步骤:
将比对的同一原始图像中的车牌特征存入车牌分类器进行分类,完成车牌分类器的更新。
优选的是,将比对的同一原始图像中的车牌特征存入所述车牌分类器进行分类,包括步骤:将同一原始图像中提取的文字、字母以及数字的车牌特征向量化,并依次标记为V1、V2、V3;
将特征向量V1、V2、V3分别输入所述预存的车牌分类器中进行分类。
优选的是,将所述轮廓图作为定位的车牌信息输出前,还包括步骤:
将所述轮廓图进行长宽比特征筛选,输出优化定位的车牌信息.
优选的是,所述长宽比特征的长宽比范围为2-4。
优选的是,边缘提取获得所述轮廓图后,还包括步骤:
对边缘提取后的轮廓图进行基于数学形态学运算的优化处理,所述数学形态学运算包括基于依次的一次闭运算和两次开运算。
优选的是,所述一次闭运算和两次开运算的结构元素大小依次选为[5,19]和[19,1]。
本发明至少包括以下有益效果:
1)本发明提供的车牌定位方法,对采集的原始车牌图像依次进行预处理、边缘提取,获得轮廓图后,再进行图像分割、特征提取以及特征分类,以获得同一原始图像中包括文字和/或字母和/或数字的特征种类数与预存的车牌分类器中包括文字、字母以及数字的车牌特征种类数进行比对,预存的车牌分类器的设置以及特征种类的比对,提高了车牌定位的鲁棒性和精确性,为后续车牌分割与精确识别提供良好基础;
2)原始车牌图像的预处理中,采用基于最佳阈值的二值化处理,提高精确性。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明所述的车牌定位方法的流程示意图;
图2为原始车牌图像的灰度图像;
图3为原始车牌图像的背景图像;
图4为原始车牌图像进行图像增强后的增强图像;
图5(a)为普通阈值的二值化处理获得的图像;
图5(b)为动态阈值的二值化处理获得的图像;
图6为边缘提取获得的轮廓图像;
图7为基于依次的一次闭运算和两次开运算的数学形态学运算后的轮廓图像;
图8为经过本发明提供的车牌定位方法获得的作为定位的车牌信息输出的车牌轮廓图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
如图1所示,本发明提供一种车牌定位方法,其包括以下步骤:
S10,对采集的原始车牌图像依次进行预处理、边缘提取,获得轮廓图;
S20,对轮廓图进行初步图像分割、特征提取以及特征分类,获得同一原始图像中包括文字和/或字母和/或数字的车牌特征以及特征种类数;
S30,将同一原始车牌图像的特征种类数与预存的车牌分类器中包括文字、字母以及数字的车牌特征种类数进行比对;
S40,若比对结果为相同,将轮廓图作为定位的车牌信息输出。
上述实施方式中,不同于普通车牌定位对原始车牌图像进行预处理以及边缘提取以获得轮廓图,本发明还设置有预存的车牌分类器进行分类和学习用于对轮廓图进行精确筛选。具体地,对轮廓图进行初步图像分割、特征提取以及特征分类,获得同一原始图像中包括文字和/或字母和/或数字的车牌特征以及特征种类数,而且进一步将同一原始车牌图像的特征种类数与车牌分类器中包括文字、字母以及数字的车牌特征种类数进行比对;比对结果为相同时,才将轮廓图作为定位的车牌信息输出。通过设置预存的车牌分类器以及特征种类数的比对,提高了车牌定位的鲁棒性和精确性。
需要说明的是,车牌分类器是预先通过机器学习获得的,具体地,是通过大量车牌图像进行分割和特征提取、分类、机器学习获得的,车牌分类器的车牌特征种类数具体包括车牌图像中的三种特征信息,即文字、字母以及数字,从而确保车牌定位筛选的精确性。
作为进一步地优选,步骤S10中的预处理,包括依次的灰度化处理、图像增强以及二值化处理;灰度化处理后的图像如图2所示,背景图像如图3所示,图像增强图像如图4所示。其中,二值化处理包括步骤:
S11,假设原始车牌图像为白底黑字牌照,以T1为阈值对该图像二值化处理;
S12,对T1为阈值的二值化处理后的图像进行包括判定字符笔划边缘以及计算黑点所占比例关系的纹理分析,确定以T1为阈值的二值化的假设是否正确;
S13,若白底黑字牌照的假设错误,假设采集的原始图像为黑底白字牌照,以T2为阈值对该图像依次进行二值化处理、纹理分析,直至假设正确;
S14,假设为正确时,根据纹理分析中笔划边缘的分析结果对T1和/或T2微调;
S15,对纹理分析后的图像进行灰度最大值fmax和最小值fmin计算,输出双精度型数值;
S16,通过公式level=(fmax1-(fmax1-fmin1)/3)/255计算最佳阈值,输出以最佳阈值为阈值的二值化图像。
上述实施方式中,不同于普通二值化处理的阈值选取,本发明采用动态阈值的方法以优化二值化;具体地,选取T1阈值把黑字从白底中分割出来,选取T2阈值把白字从黑底中分割出来,再将选取的T1阈值、T2阈值带入公式level=(fmax1-(fmax1-fmin1)/3)/255计算最佳阈值,以获得动态阈值。如图5(a)所示为普通二值化后获得的图像;图5(b)为动态阈值二值化后获得的图像,对比图5(a)和图5(b),可发现,动态阈值的二值化处理,可进一步提高二值化的精确性、自适应性。
上述实施方式中,作为更进一步的优选,步骤S11和步骤S13中T1阈值和T2阈值的选取,包括步骤:
定义原始车牌图像中字符灰度为g1,背景灰度为g2,字符像素点所占比例为r1,背景像素点所占比例为r2,灰度图像的均值为N,灰度图像的方差为C,且满足:0≤g1,g2≤255;0<r1<r2<1,r1+r2=1;则:
N=r1g1+r2g2,g1<N<g2;C2=r1(g1-N)2+r2(g2-N)2;
对于白底黑字牌照,选取T1阈值把黑字从白底中分割出来:
对于黑底白字牌照,选取T2阈值把白字从黑底中分割出来:
上述实施方式中,步骤S14,输出双精度型数值,可以具体标记为:fmax=double(max(max(增强的图像))),取其最大值并输出双精度型;fmin=double(min(min(增强的图像))),取其最小值并输出双精度型。
上述实施方式中,作为更进一步地优选,通过判定字符笔划边缘以及计算黑点所占比例关系的纹理分析确定二值化的假设是否准确,包括步骤:
二值化图象无笔划边缘且黑点比例远小于r1的,为黑底白字牌照;反之为白底黑字牌照。
需要说明的是,一方面,二值化处理的前提,是假设车牌图像为理想情况下无噪声、无干扰并且光照均匀,则图像中的灰度变化相对平缓的情况下。另一方面,虽然目前常见车牌主要分为黑底白字、蓝底白字和黄底黑字,而灰度图像主要有黑底白字和白底黑字两类,所以二值化处理时,阈值的选取,分两种情况,白底黑字牌照和黑底白字牌照,不影响二值化处理精确性。
作为本发明的另一种实施方式,若比对结果为相同后,还包括步骤:
S50,将比对的同一原始图像中的车牌特征存入车牌分类器进行分类,完成车牌分类器的更新。车牌分类器的更新,用于进一步提高特征比对和车牌定位识别的精确性。
该实施方式中,将比对的同一原始图像中的车牌特征存入车牌分类器进行分类,具体还包括步骤:
将同一原始图像中提取的文字、字母以及数字的车牌特征向量化,并依次标记为V1、V2、V3;
将特征向量V1、V2、V3分别输入预存的车牌分类器中进行分类。
作为本发明的另一种实施方式,将轮廓图作为定位的车牌信息输出前,还包括步骤:
S41,将轮廓图进行长宽比特征筛选,输出优化定位的车牌信息,如图8所示。作为进一步优选,为了模拟车牌的长宽比,将本发明长宽比特征的长宽比范围设为2-4。对轮廓图进行长宽比特征筛选,有利于进一步精确定位。
作为本发明的另一种实施方式,边缘提取获得轮廓图后,还包括步骤:
S17,对边缘提取后的轮廓图进行基于数学形态学运算的优化处理,数学形态学运算包括基于依次的一次闭运算和两次开运算。
上述实施方式中,开闭运算是以腐蚀、膨胀运算为基础的;开运算是先对图像进行腐蚀后做膨胀,其有助于消除小目标,光滑目标轮廓;闭运算是先对图像进行膨胀再做腐蚀,其有利于在保持原目标大小与形态的同时填充凹陷,弥合裂缝和孔洞。本发明实施方式在如图6所示的边缘提取后获得的轮廓图基础上,用基于依次的一次闭运算和两次开运算的数学形态学运算,如图7所示,有利于获得良好的区域提取效果。作为最优的实施方式,一次闭运算和两次开运算的结构元素大小依次选为[5,19]和[19,1]。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种车牌定位方法,其特征在于,其包括以下步骤:
对采集的原始车牌图像依次进行预处理、边缘提取,获得轮廓图;
对所述轮廓图进行初步图像分割、特征提取以及特征分类,获得同一原始图像中包括文字和/或字母和/或数字的车牌特征以及特征种类数;
将同一原始车牌图像的特征种类数与预存的车牌分类器中包括文字、字母以及数字的车牌特征种类数进行比对;
若比对结果为相同,将所述轮廓图作为定位的车牌信息输出。
2.如权利要求1所述的车牌定位方法,其特征在于,所述预处理,包括依次的灰度化处理、图像增强以及二值化处理;其中,所述二值化处理包括步骤:
假设原始车牌图像为白底黑字牌照,以T1为阈值对该图像二值化处理;
对T1为阈值的二值化处理后的图像进行包括判定字符笔划边缘以及计算黑点所占比例关系的纹理分析,确定以T1为阈值的二值化的假设是否正确;
若白底黑字牌照的假设错误,假设采集的原始图像为黑底白字牌照,以T2为阈值对该图像依次进行二值化处理、纹理分析,直至假设正确;
假设为正确时,根据所述纹理分析中笔划边缘的分析结果对T1和/或T2微调;
对纹理分析后的图像进行灰度最大值fmax和最小值fmin计算,输出双精度型数值;
通过公式level=(fmax1-(fmax1-fmin1)/3)/255计算最佳阈值,输出以最佳阈值为阈值的二值化图像。
3.如权利要求2所述的车牌定位方法,其特征在于,T1阈值和T2阈值的选取,包括步骤:
定义原始车牌图像中字符灰度为g1,背景灰度为g2,字符像素点所占比例为r1,背景像素点所占比例为r2,灰度图像的均值为N,灰度图像的方差为C,且满足:0≤g1,g2≤255;0<r1<r2<1,r1+r2=1;则:
N=r1g1+r2g2,g1<N<g2;C2=r1(g1-N)2+r2(g2-N)2;
对于白底黑字牌照,选取T1阈值把黑字从白底中分割出来:
对于黑底白字牌照,选取T2阈值把白字从黑底中分割出来:
4.如权利要求3所述的车牌定位方法,其特征在于,通过判定字符笔划边缘以及计算黑点所占比例关系的纹理分析确定二值化的假设是否准确,包括步骤:
二值化图象无笔划边缘且黑点比例远小于r1的,为黑底白字牌照;反之为白底黑字牌照。
5.如权利要求1所述的车牌定位方法,其特征在于,若比对结果为相同后,还包括步骤:
将比对的同一原始图像中的车牌特征存入所述车牌分类器进行分类,完成所述车牌分类器的更新。
6.如权利要求5所述的车牌定位方法,其特征在于,将比对的同一原始图像中的车牌特征存入所述车牌分类器进行分类,包括步骤:
将同一原始图像中提取的文字、字母以及数字的车牌特征向量化,并依次标记为V1、V2、V3;
将特征向量V1、V2、V3分别输入所述预存的车牌分类器中进行分类。
7.如权利要求1所述的车牌定位方法,其特征在于,将所述轮廓图作为定位的车牌信息输出前,还包括步骤:
将所述轮廓图进行长宽比特征筛选,输出优化定位的车牌信息。
8.如权利要求7所述的车牌定位方法,其特征在于,所述长宽比特征的长宽比范围为2-4。
9.如权利要求1所述的车牌定位方法,其特征在于,边缘提取获得所述轮廓图后,还包括步骤:
对边缘提取后的轮廓图进行基于数学形态学运算的优化处理,所述数学形态学运算包括基于依次的一次闭运算和两次开运算。
10.如权利要求9所述的车牌定位方法,其特征在于,所述一次闭运算和两次开运算的结构元素大小依次选为[5,19]和[19,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810739560.7A CN108960243A (zh) | 2018-07-06 | 2018-07-06 | 车牌定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810739560.7A CN108960243A (zh) | 2018-07-06 | 2018-07-06 | 车牌定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108960243A true CN108960243A (zh) | 2018-12-07 |
Family
ID=64482318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810739560.7A Pending CN108960243A (zh) | 2018-07-06 | 2018-07-06 | 车牌定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960243A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569833A (zh) * | 2019-09-06 | 2019-12-13 | 上海应用技术大学 | 车牌定位方法 |
CN112052768A (zh) * | 2020-08-28 | 2020-12-08 | 五邑大学 | 基于无人机的城市违章停车检测方法、装置及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
CN101872416A (zh) * | 2010-05-06 | 2010-10-27 | 复旦大学 | 对道路图像进行车牌识别的方法和系统 |
CN102375982A (zh) * | 2011-10-18 | 2012-03-14 | 华中科技大学 | 一种融合多字符特征的车牌定位方法 |
CN102682299A (zh) * | 2012-05-11 | 2012-09-19 | 中国科学院半导体研究所 | 一种基于字符整体特征的快速车牌验证方法 |
CN102799882A (zh) * | 2012-07-09 | 2012-11-28 | 武汉市科迅智能交通设备有限公司 | 基于视觉显著性的车牌定位方法 |
CN102831429A (zh) * | 2012-08-13 | 2012-12-19 | 深圳市捷顺科技实业股份有限公司 | 车牌定位方法 |
CN104200210A (zh) * | 2014-08-12 | 2014-12-10 | 合肥工业大学 | 一种基于部件的车牌字符分割方法 |
CN106650740A (zh) * | 2016-12-15 | 2017-05-10 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及终端 |
CN106845480A (zh) * | 2017-01-13 | 2017-06-13 | 河海大学 | 一种从图片中识别车牌的方法 |
-
2018
- 2018-07-06 CN CN201810739560.7A patent/CN108960243A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
CN101872416A (zh) * | 2010-05-06 | 2010-10-27 | 复旦大学 | 对道路图像进行车牌识别的方法和系统 |
CN102375982A (zh) * | 2011-10-18 | 2012-03-14 | 华中科技大学 | 一种融合多字符特征的车牌定位方法 |
CN102682299A (zh) * | 2012-05-11 | 2012-09-19 | 中国科学院半导体研究所 | 一种基于字符整体特征的快速车牌验证方法 |
CN102799882A (zh) * | 2012-07-09 | 2012-11-28 | 武汉市科迅智能交通设备有限公司 | 基于视觉显著性的车牌定位方法 |
CN102831429A (zh) * | 2012-08-13 | 2012-12-19 | 深圳市捷顺科技实业股份有限公司 | 车牌定位方法 |
CN104200210A (zh) * | 2014-08-12 | 2014-12-10 | 合肥工业大学 | 一种基于部件的车牌字符分割方法 |
CN106650740A (zh) * | 2016-12-15 | 2017-05-10 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及终端 |
CN106845480A (zh) * | 2017-01-13 | 2017-06-13 | 河海大学 | 一种从图片中识别车牌的方法 |
Non-Patent Citations (2)
Title |
---|
邓运生 等: ""基于MATLAB的车牌识别关键技术研究"", 《新技术新工艺》 * |
邓运生: ""车牌照识别若干技术研究和实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569833A (zh) * | 2019-09-06 | 2019-12-13 | 上海应用技术大学 | 车牌定位方法 |
CN112052768A (zh) * | 2020-08-28 | 2020-12-08 | 五邑大学 | 基于无人机的城市违章停车检测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729801B (zh) | 一种基于多任务深度卷积神经网络的车辆颜色识别系统 | |
CN108154102B (zh) | 一种道路交通标志识别方法 | |
US10445602B2 (en) | Apparatus and method for recognizing traffic signs | |
CN107273896A (zh) | 一种基于图像识别的车牌检测识别方法 | |
CN104361313B (zh) | 一种基于多核学习异构特征融合的手势识别方法 | |
CN109034145B (zh) | 基于OpenCV的银行卡号识别方法 | |
CN106022231A (zh) | 一种基于多特征融合的行人快速检测的技术方法 | |
CN105354568A (zh) | 基于卷积神经网络的车标识别方法 | |
CN109215364B (zh) | 交通信号识别方法、系统、设备和存储介质 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN106096610A (zh) | 一种基于支持向量机的文档图像二值化方法 | |
CN102542244A (zh) | 人脸检测方法与系统及计算机程序产品 | |
CN104766344B (zh) | 基于运动边缘提取器的车辆检测方法 | |
CN106503748A (zh) | 一种基于s‑sift特征和svm训练器的车型识别算法 | |
CN109766752B (zh) | 一种基于深度学习的目标匹配和定位方法及系统、计算机 | |
CN112101108B (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
CN105787475A (zh) | 一种复杂环境下的交通标志检测与识别方法 | |
CN107578039A (zh) | 基于数字图像处理技术的字迹轮廓比对方法 | |
CN108537223B (zh) | 一种车牌检测方法、系统及设备和存储介质 | |
CN108960243A (zh) | 车牌定位方法 | |
CN108764230A (zh) | 一种基于卷积神经网络的银行卡号自动识别方法 | |
CN105512662A (zh) | 一种无牌车辆检测方法及装置 | |
Shi et al. | License plate localization in complex environments based on improved GrabCut algorithm | |
Gil-Jiménez et al. | Shape classification algorithm using support vector machines for traffic sign recognition | |
CN110046618B (zh) | 基于机器学习和最大极值稳定区域的车牌识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181207 |