CN109190627A - 一种基于稀疏表示的车牌识别方法 - Google Patents
一种基于稀疏表示的车牌识别方法 Download PDFInfo
- Publication number
- CN109190627A CN109190627A CN201810883303.0A CN201810883303A CN109190627A CN 109190627 A CN109190627 A CN 109190627A CN 201810883303 A CN201810883303 A CN 201810883303A CN 109190627 A CN109190627 A CN 109190627A
- Authority
- CN
- China
- Prior art keywords
- character
- rarefaction representation
- license plate
- image
- recognition method
- 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.)
- Withdrawn
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Character Input (AREA)
Abstract
本发明涉及涉及车牌识别技术领域,更详细地说是一种基于稀疏表示的车牌识别方法,该识别方法首先要获取车辆图像,对获取的车辆图像进行预处理、定位出车牌的位置,然后对车牌的字符进行分割、对分割后的字符采用稀疏表示的方式与训练集中的字符进行匹配识别车牌中的字符。该识别方法识别的效率还有识别的准确度有了很大的提升,而且能够在一定程度上识别低光亮度条件下拍摄的车牌。
Description
技术领域
本发明涉及车牌识别技术领域,具体涉及一种基于稀疏表示的车牌识别方法。
背景技术
随着时代的发展,汽车的数量也在急速的增长,生活中见到的合法车辆都是有着自己独一无二的牌照,而这个牌照则包含了该车辆的一些基础信息;车牌识别技术可以通过识别车辆的牌照来获得车辆的有关信息,一旦掌握了车辆的基础信息,就会对车辆的监控带来极大的便利。所以车牌识别在我们的生活中的作用也是越来越重要。
然而在车牌的识别过程中还会遇到相当多的技术问题,例如,获取的图像中不光光有车牌,还有车牌以外的其他区域,有时候还会受到光照、附着物的影响,所以得到的车辆牌照并没有我们想象的那么完美,因而就要求识别技术的提升以及定位技术的改进,提高识别效率和降低识别难度;此外还需要具有较高的抗干扰性;除了上述的技术问题外,还会面临行驶中的车辆处于高速运动状态,抓拍的图片分辨率低的问题。
发明内容
有鉴于此,本发明的目的在于克服现有技术的不足,提供一种基于稀疏表示的车牌识别方法和方法,以解决现有技术中无法准确识别车牌的问题。
为实现以上目的,本发明采用如下技术方案:一种基于稀疏表示的车牌识别方法,该识别方法包括:
获取车辆图像;
对获取的车辆图像进行预处理以及定位车牌的位置;
根据车牌的位置对车牌的字符进行分割并对分割后的字符采用稀疏表示的方式与训练集中的字符进行匹配识别车牌中的字符。
上述的车牌识别方法中,其总的识别过程是,当车辆到达图像采集单元的时候,车辆检测单元触发图像采集单元,图像采集单元获取车辆图像,车辆识别单元进行车辆图像的预处理和车牌的定位,车辆识别单元还对定位好的车牌位置进行字符分割识别,然后进行牌照号码的输出。
进一步的,所述对获取的车辆图像进行预处理,包括,
采用rgb2gray函数对获取的车辆图像进行灰度化处理。
进一步的,所述定位车牌的位置之前还包括:
采用Roberts算子模型对车牌进行边缘提取。
上述的车牌识别方法中,当灰度化处理之后,如果车牌与其他部分没有产生合适的对比度(也就是区分不明显)时,就要采用边缘提取步骤,该边缘提取的步骤在车牌定位之前完成以边缘车牌定位,图像的边缘提取,指的是在对数字图像处理的时候对图像整体的一个处理,在整个图片中,灰度值变化的比较剧烈的地方通常被称为边缘。也就是通常提到的拐点,拐点通常是指函数发生剧烈性变化的地方,也就是二阶导数为零的地方。由于Roberts算子对边缘的检测十分敏感,能够提高工作效率,因此采用Roberts算子进行边缘提取。具体地,
设f(x,y)是图像灰度分布函数;s(x,y)是图像边缘的梯度值;是梯度的方向。则有
式(1-1)与式(1-2)可以得到图像在(x,y)点处的梯度大小和梯度方向。
将式(1-1)改写为:
上述的g(x,y)所代表的意思就是罗伯特算子,这个公示运用了计算平方根的算法,罗伯特算子还可以用数学中的偏导来代替,如下:
将Robert算子做成两个模型的格式(如图1-3),通过对这两个模型进行数学运算,就可以得到想要的数据,但是需要注意的是得到的数值必须是大于等于零的。
图1-3Robert算子模板
上述的车牌识别方法中,采用基于行扫描灰度跳变分析的车牌定位方法进行车牌位置的定位。
基于行扫描灰度跳变分析的车牌定位方法具有准确度高、效率高的特点。该定位方法可以对灰度图像进行二值化处理,从而得到最为合适的图像,在图片进行了二值化处理之后,图像本身和局部的构造都可以由二值化图像表达出来。根据图像在水平和竖直方向的扫描,然后通过对蓝色像素点的分析进而得到两个直方图。然后利用在这两个方向上函数发生变动的次数,对车牌的位置进行分析,最后得到车牌的位置。
进一步的,在结合边缘检测的结果和基于行扫描灰度跳变分析的结构基础上,对车牌区域进行分割,提取车牌区域图像。
进一步的,对提取的车牌区域图像进行滤波处理,该滤波方法为均值滤波。
上述的车牌识别方法中,对提取的车牌区域图像进行滤波处理,该滤波方法为均值滤波。均值滤波就是利用图片中的一个像素模板,通过它来替换之前牌照中有噪声的像素,从而达到滤波的效果。当图像经过了均值滤波之后就可以去除掉很多的噪声和干扰因素,在提升图片精准度上有很大的作用。
进一步的,所述对车牌的字符进行分割,包括:
采用设置阈值的方法先得到连续的字符串;
对所述连续的字符串进行归一化处理,得到单一的字符。
进一步的,在字符分割为单一的字符后、稀疏表示之前,还包括:
进行灰度图像的二值化处理;
使用阈值对目标图像进行分割,实现二值化图像的呈现;
对二值化处理后的黑白图像,在稀疏表示之前还要进行形态学滤波。
进一步的,所述形态学滤波,包括:
对二值化处理后的黑白图像进行先腐蚀后膨胀的运算,也要进行先膨胀后腐蚀的运算。
上述的车牌识别方法中,所述形态学滤波,要对二值化处理后的黑白图像进行先腐蚀后膨胀的运算,也要进行先膨胀后腐蚀的运算。经过上述先腐蚀后膨胀的运算、先膨胀后腐蚀的运算后黑白图像变得十分清晰、易于与非牌照位置区分,信息也没有产生丢失。
进一步的,所述稀疏表示的方式与训练集中的字符进行匹配识别车牌中的字符,包括:
采集样本,即获得训练样本跟测试样本;
对训练样本跟测试样本同时进行降维处理;
设定误差上界,依公式x2=argmin||x||1s.t.||Ax-y||2<=e求解x2;
根据公式min r(y)=||y-A*di(x2)||2进行分类,输出计算后的分类与识别率。
其中上述的公式推导过程如下:
稀疏表示就是对将要进行识别的图像首先制造一个训练集,通过足够多的训练就可以在一定程度上增加识别的成功率,众所周知系数本身是以一种稀疏的结构存在的,通过简单的分析,定义如下公式:
y=Ax
其中,x代表的是稀疏的系数向量,y则是需要识别的目标样本,而A构建出来的训练样本。如果要保证x是系数的,就有如下公式:
x0=argmin||x||o s.t.y=Ax;
其中,||x||o,指的是x的0范数,即x中非零元素存在的个数。而求解0范数是一个NP-hard问题,但是当x是足够稀疏时,就可以将上述问题转化为求解x的1范数,即||x||1,
x1=argmin||x||1s.t.y=Ax;
然而图片本身是具有一定程度的噪声的,为了使假设更加具有可信程度,就需要加一个常数项进去,从而代替图片中存在的噪声,即y=Ax+e,而所要求的结果也变成了如下公式:
x2=argmin||x||1s.t.||Ax-y||2<=e;
然而由于噪声等的影响,x的非零元素会散布于很多的类间。为了通过x2分类,就要采用以下分类函数:
min r(y)=||y-A*di(x2)||2;
此处di是与第i类相关的系数
稀疏表示是对数据进行稀疏化表示,稀疏后可以在很大程度上降低处理数据的成本,有效提高压缩感知的效率。相对于传统的识别方法来讲,稀疏表示具有更快的识别速度和鲁棒性强,实用性强的特点。稀疏表示则可以在不影响原始信号的情况对信号进行复原,从而得到信号源最初发出的信号,进而使生产可以高速进行。
基于稀疏表示的字符识别,只需建立一个数据库,将稀疏表示的单个字符与数据库中的字库进行对比就可以识别,不需要十分繁琐的操作;稀疏表示与NN,NS等方法相比,由于NN是一对一的进行匹配,计算欧氏距离,NS虽然利用分块的思想使我们增加了对图像局部特征的匹配,可是仍然不能从整体上进行把握整个的进程,对于图像本身只是一个距离上的相似度。而稀疏表示的方法则是对所有的训练样本集进行抽取,获得一个相关的系数,通过这个相关系数进而进行分类。
本发明使用的是稀疏表示的方法来识别字符的,具体地,将稀疏表示的字符与数据库中的字符进行对比,将稀疏表示的字符减掉数据库中的字符,如果两者相似度越高,得到的结果中“0”的数量就越多,当稀疏表示的字符与数据库中的字符相减结束后,通过对比“0”的数量就可以识别字符,“0”的数量最多的就是识别的最终结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于稀疏表示的车牌识别方法的步骤图;
图2为本发明一种基于稀疏表示的车牌识别方法的步骤图;
图3为本发明一种基于稀疏表示的车牌识别方法的另一种步骤图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
下面结合附图介绍本申请实施例中提供的一个具体的基于稀疏表示的车牌识别方法。
如图1所示,一种基于稀疏表示的车牌识别方法,该识别方法首先要获取车辆图像,对获取的车辆图像进行预处理、定位出车牌的位置,然后对车牌的字符进行分割、对分割后的字符采用稀疏表示的方式与训练集中的字符进行匹配识别车牌中的字符。
如图2所示,具体步骤为:
S1,获取车辆图像;
S2,对获取的车辆图像进行预处理以及定位车牌的位置;
S3,根据车牌的位置对车牌的字符进行分割并对分割后的字符采用稀疏表示的方式与训练集中的字符进行匹配识别车牌中的字符。
上述的车牌识别方法中,其总的识别过程是,当车辆到达图像采集单元的时候,车辆检测单元触发图像采集单元,图像采集单元获取车辆图像,车辆识别单元进行车辆图像的预处理和车牌的定位,车辆识别单元还对定位好的车牌位置进行字符分割识别,然后进行牌照号码的输出。
上述的车牌识别方法中,对获取的车辆图像进行预处理包括,对获取的车辆图像进行灰度化处理,采用rgb2gray函数。
上述的车牌识别方法中,当灰度化处理之后,如果车牌与其他部分没有产生合适的对比度(也就是区分不明显)时,就要采用边缘提取步骤,该边缘提取的步骤在车牌定位之前完成以边缘车牌定位,图像的边缘提取,指的是在对数字图像处理的时候对图像整体的一个处理,在整个图片中,灰度值变化的比较剧烈的地方通常被称为边缘。也就是通常提到的拐点,拐点通常是指函数发生剧烈性变化的地方,也就是二阶导数为零的地方。由于Roberts算子对边缘的检测十分敏感,能够提高工作效率,因此采用Roberts算子进行边缘提取。具体地,
设f(x,y)是图像灰度分布函数;s(x,y)是图像边缘的梯度值;是梯度的方向。则有
式(1-1)与式(1-2)可以得到图像在(x,y)点处的梯度大小和梯度方向。
将式(1-1)改写为:
上述的g(x,y)所代表的意思就是罗伯特算子,这个公示运用了计算平方根的算法,罗伯特算子还可以用数学中的偏导来代替,如下:
将Robert算子做成两个模型的格式(如图1-3),通过对这两个模型进行数学运算,就可以得到想要的数据,但是需要注意的是得到的数值必须是大于等于零的。
图1-3Robert算子模板
上述的车牌识别方法中,是采用基于行扫描灰度跳变分析的车牌定位方法进行车牌位置的定位。
基于行扫描灰度跳变分析的车牌定位方法具有准确度高、效率高的特点。该定位方法可以对灰度图像进行二值化处理,从而得到最为合适的图像,在图片进行了二值化处理之后,图像本身和局部的构造都可以由二值化图像表达出来。根据图像在水平和竖直方向的扫描,然后通过对蓝色像素点的分析进而得到两个直方图。然后利用在这两个方向上函数发生变动的次数,对车牌的位置进行分析,最后得到车牌的位置。
上述的车牌识别方法中,在结合边缘检测的结果和基于行扫描灰度跳变分析的结构基础上,对车牌区域进行分割,提取车牌区域图像。
上述的车牌识别方法中,对提取的车牌区域图像进行滤波处理,该滤波方法为均值滤波。均值滤波就是利用图片中的一个像素模板,通过它来替换之前牌照中有噪声的像素,从而达到滤波的效果。当图像经过了均值滤波之后就可以去除掉很多的噪声和干扰因素,在提升图片精准度上有很大的作用。
上述的车牌识别方法中,对车牌的字符进行分割采用设置阈值的方法先得到连续的字符串,然后进行字符串的归一化处理,得到单一的字符。
上述的车牌识别方法中,在字符分割为单一的字符后、稀疏表示之前,还要进行灰度图像的二值化处理,使用阈值对目标图像进行分割,实现二值化图像的呈现。
上述的车牌识别方法中,对二值化处理后的黑白图像,在稀疏表示之前还要进行形态学滤波。
上述的车牌识别方法中,所述形态学滤波,要对二值化处理后的黑白图像进行先腐蚀后膨胀的运算,也要进行先膨胀后腐蚀的运算。经过上述先腐蚀后膨胀的运算、先膨胀后腐蚀的运算后黑白图像变得十分清晰、易于与非牌照位置区分,信息也没有产生丢失。
上述的车牌识别方法中,如图3所示,稀疏表示的方式与训练集中的字符进行匹配识别车牌中的字符,包括的步骤是:
S31,采集样本,即获得训练样本跟测试样本;
S32,对训练样本跟测试样本同时进行降维处理;
S33,设定误差上界,依公式x2=argmin||x||1s.t.||Ax-y||2<=e求解x2;
S34,根据公式min r(y)=||y-A*di(x2)||2进行分类,输出计算后的分类与识别率。
其中上述的公式推导过程如下:
稀疏表示就是对将要进行识别的图像首先制造一个训练集,通过足够多的训练就可以在一定程度上增加识别的成功率,众所周知系数本身是以一种稀疏的结构存在的,通过简单的分析,定义如下公式:
y=Ax
其中,x代表的是稀疏的系数向量,y则是需要识别的目标样本,而A构建出来的训练样本。如果要保证x是系数的,就有如下公式:
x0=argmin||x||o s.t.y=Ax;
其中,||x||o,指的是x的0范数,即x中非零元素存在的个数。而求解0范数是一个NP-hard问题,但是当x是足够稀疏时,就可以将上述问题转化为求解x的1范数,即||x||1,
x1=argmin||x||1s.t.y=Ax;
然而图片本身是具有一定程度的噪声的,为了使假设更加具有可信程度,就需要加一个常数项进去,从而代替图片中存在的噪声,即y=Ax+e,而所要求的结果也变成了如下公式:
x2=argmin||x||1s.t.||Ax-y||2<=e;
然而由于噪声等的影响,x的非零元素会散布于很多的类间。为了通过x2分类,就要采用以下分类函数:
min r(y)=||y-A*di(x2)||2;
此处di是与第i类相关的系数
稀疏表示是对数据进行稀疏化表示,稀疏后可以在很大程度上降低处理数据的成本,有效提高压缩感知的效率。相对于传统的识别方法来讲,稀疏表示具有更快的识别速度和鲁棒性强,实用性强的特点。稀疏表示则可以在不影响原始信号的情况对信号进行复原,从而得到信号源最初发出的信号,进而使生产可以高速进行。
基于稀疏表示的字符识别,只需建立一个数据库,将稀疏表示的单个字符与数据库中的字库进行对比就可以识别,不需要十分繁琐的操作;稀疏表示与NN,NS等方法相比,由于NN是一对一的进行匹配,计算欧氏距离,NS虽然利用分块的思想使我们增加了对图像局部特征的匹配,可是仍然不能从整体上进行把握整个的进程,对于图像本身只是一个距离上的相似度。而稀疏表示的方法则是对所有的训练样本集进行抽取,获得一个相关的系数,通过这个相关系数进而进行分类。
本发明使用的是稀疏表示的方法来识别字符的,具体地,将稀疏表示的字符与数据库中的字符进行对比,将稀疏表示的字符减掉数据库中的字符,如果两者相似度越高,得到的结果中“0”的数量就越多,当稀疏表示的字符与数据库中的字符相减结束后,通过对比“0”的数量就可以识别字符,“0”的数量最多的就是识别的最终结果。
综上所述,本发明提供的一种基于稀疏表示的车牌识别方法,能够获取车辆图像,对获取的车辆图像进行预处理以及定位车牌的位置;根据车牌的位置对车牌的字符进行分割并对分割后的字符采用稀疏表示的方式与训练集中的字符进行匹配识别车牌中的字符,该方法提高了识别效率和识别准确率,而且能够在一定程度上是识别低光条件下拍摄的车牌。
可以理解的是,上述提供的方法实施例与上述的装置实施例对应,相应的具体内容可以相互参考,在此不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于稀疏表示的车牌识别方法,其特征在于,识别方法包括:
获取车辆图像;
对获取的车辆图像进行预处理以及定位车牌的位置;
根据车牌的位置对车牌的字符进行分割并对分割后的字符采用稀疏表示的方式与训练集中的字符进行匹配识别车牌中的字符。
2.根据权利要求1所述的基于稀疏表示的车牌识别方法,其特征在于,所述对获取的车辆图像进行预处理,包括,
采用rgb2gray函数对获取的车辆图像进行灰度化处理。
3.根据权利要求2所述的基于稀疏表示的车牌识别方法,其特征在于,所述定位车牌的位置之前还包括:
采用Roberts算子模型对车牌进行边缘提取。
4.根据权利要求3所述的基于稀疏表示的车牌识别方法,其特征在于,
采用基于行扫描灰度跳变分析的车牌定位方法进行车牌位置的定位。
5.根据权利要求4所述的基于稀疏表示的车牌识别方法,其特征在于,
在结合边缘检测的结果和基于行扫描灰度跳变分析的结构基础上,对车牌区域进行分割,提取车牌区域图像。
6.根据权利要求5所述的基于稀疏表示的车牌识别方法,其特征在于,
对提取的车牌区域图像进行滤波处理,该滤波方法为均值滤波。
7.根据权利要求1至6任一项所述的基于稀疏表示的车牌识别方法,其特征在于,所述对车牌的字符进行分割,包括:
采用设置阈值的方法先得到连续的字符串;
对所述连续的字符串进行归一化处理,得到单一的字符。
8.根据权利要求7所述的基于稀疏表示的车牌识别方法,其特征在于,在字符分割为单一的字符后、稀疏表示之前,还包括:
进行灰度图像的二值化处理;
使用阈值对目标图像进行分割,实现二值化图像的呈现;
对二值化处理后的黑白图像,在稀疏表示之前还要进行形态学滤波。
9.根据权利要求8所述的基于稀疏表示的车牌识别方法,其特征在于,所述形态学滤波,包括:
对二值化处理后的黑白图像进行先腐蚀后膨胀的运算,也要进行先膨胀后腐蚀的运算。
10.根据权利要求9所述的基于稀疏表示的车牌识别方法,其特征在于,所述稀疏表示的方式与训练集中的字符进行匹配识别车牌中的字符,包括:
采集样本,即获得训练样本跟测试样本;
对训练样本跟测试样本同时进行降维处理;
设定误差上界,依公式x2=argmin||x||1s.t.||Ax-y||2<=e求解x2;
根据公式min r(y)=||y-A*di(x2)||2进行分类,输出计算后的分类与识别率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810883303.0A CN109190627A (zh) | 2018-08-03 | 2018-08-03 | 一种基于稀疏表示的车牌识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810883303.0A CN109190627A (zh) | 2018-08-03 | 2018-08-03 | 一种基于稀疏表示的车牌识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109190627A true CN109190627A (zh) | 2019-01-11 |
Family
ID=64920177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810883303.0A Withdrawn CN109190627A (zh) | 2018-08-03 | 2018-08-03 | 一种基于稀疏表示的车牌识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190627A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110700A (zh) * | 2019-05-20 | 2019-08-09 | 上海海事大学 | 一种基于加权稀疏表示分类的手写汉字识别方法 |
-
2018
- 2018-08-03 CN CN201810883303.0A patent/CN109190627A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110700A (zh) * | 2019-05-20 | 2019-08-09 | 上海海事大学 | 一种基于加权稀疏表示分类的手写汉字识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117848B (zh) | 一种文本行字符识别方法、装置、介质和电子设备 | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
CN111461212B (zh) | 一种用于点云目标检测模型的压缩方法 | |
CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
CN108334881B (zh) | 一种基于深度学习的车牌识别方法 | |
CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
CN101673338B (zh) | 基于多角度投影的模糊车牌识别方法 | |
CN106297755B (zh) | 一种用于乐谱图像识别的电子设备及识别方法 | |
Nguyen et al. | Yolo based real-time human detection for smart video surveillance at the edge | |
CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
CN109886086B (zh) | 基于hog特征和线性svm级联分类器的行人检测方法 | |
Do et al. | Automatic license plate recognition using mobile device | |
CN112507924B (zh) | 一种3d手势识别方法、装置及系统 | |
CN114029943A (zh) | 一种基于图像数据处理的目标抓取定位方法及系统 | |
CN113963333B (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
CN112508000B (zh) | 一种用于ocr图像识别模型训练数据生成的方法及设备 | |
CN113487538A (zh) | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 | |
CN112434581A (zh) | 一种室外目标颜色识别方法、系统、电子设备及存储介质 | |
CN109190627A (zh) | 一种基于稀疏表示的车牌识别方法 | |
Suzuki et al. | An edge-based face detection algorithm robust against illumination, focus, and scale variations | |
CN108241869A (zh) | 一种基于快速可变形模型和机器学习的图像目标识别方法 | |
CN106056575A (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
Kaur et al. | Text Extraction from Natural Scene using PCA. | |
CN114792374A (zh) | 基于纹理分类的图像识别方法、电子装置及存储介质 | |
Fan et al. | Automatic IC character recognition system for IC test handler based on SVM |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190111 |