CN109271991B - 一种基于深度学习的车牌检测方法 - Google Patents

一种基于深度学习的车牌检测方法 Download PDF

Info

Publication number
CN109271991B
CN109271991B CN201811037178.8A CN201811037178A CN109271991B CN 109271991 B CN109271991 B CN 109271991B CN 201811037178 A CN201811037178 A CN 201811037178A CN 109271991 B CN109271991 B CN 109271991B
Authority
CN
China
Prior art keywords
license plate
region
deep learning
recognition method
input picture
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.)
Active
Application number
CN201811037178.8A
Other languages
English (en)
Other versions
CN109271991A (zh
Inventor
蔡岗
刘敏
张森
孙正良
黄淑兵
李小武
吴晓峰
缪新顿
孔晨晨
李�杰
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.)
Traffic Management Research Institute of Ministry of Public Security
Original Assignee
Traffic Management Research Institute of Ministry of Public Security
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 Traffic Management Research Institute of Ministry of Public Security filed Critical Traffic Management Research Institute of Ministry of Public Security
Priority to CN201811037178.8A priority Critical patent/CN109271991B/zh
Publication of CN109271991A publication Critical patent/CN109271991A/zh
Application granted granted Critical
Publication of CN109271991B publication Critical patent/CN109271991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Character Discrimination (AREA)

Abstract

本发明提供一种基于深度学习的车牌识别方法，其可以自适应地获得不同场景下的车牌特征信息，同时提高了车牌识别的准确率。本发明将车牌固有的颜色属性加入YOLO模型中构建一个具有泛化能力强、检测以及定位准确率高的车牌检测模型，对输入的卡口监控设备拍摄的过车图片进行检测，得到车牌的区域位置；接着使用Radon变换对倾斜的车牌区域进行校正，同时利用颜色和边缘等线索对车牌区域进行微调，最后将微调后的车牌区域送入加入车牌编码规则约束的CRNN网络对车牌号码进行识别。

Description

一种基于深度学习的车牌检测方法
技术领域
本发明涉及智能交通控制中图像识别技术领域，具体为一种基于深度学习的车牌识别方法。
背景技术
机动车车牌作为全国交通管理部门进行机动车管理的唯一标识符号，号牌号码的检测与识别在智能交通系统中起着极为重要的作用；现有的车牌识别方法，通常分为三步：第一步，利用车牌的特征性，通过颜色、边缘、纹理等线索对车牌位置快速定位，得到车牌目标的候选区域；第二步，通过SIFT((Scale-invariant feature transform，尺度不变特征转换)、LBP（Local Binary Patterns，局部二值模式）等算法提取图像特征，进一步使用SVM(Support Vector Machine，支持向量机）方法对候选车牌区域分类得到的车牌区域；第三步，对车牌区域切割得到分离的车牌字符，接着使用人工神经网络对分割后的字符进行识别。但是现有的方法大多适用于受控条件下或者需要复杂的图像捕获系统，在不受控制的真实环境中，因为高度复杂的背景、天气等外在因素的影响，检测机动车牌照仍然存在准确率较低的问题。
发明内容
为了解决现有车牌识别方法实时性较差、在真实环境中准确率较低的问题，本发明提供一种基于深度学习的车牌识别方法，其可以自适应地获得不同场景下的车牌特征信息，同时提高了车牌识别的准确率。
本发明的技术方案是这样的：一种基于深度学习的车牌识别方法，其包括以下步骤：
S1：获得需要识别的输入图片，在所述输入图片中对车牌位置进行分析，得到具体车牌区域；
S2：对所述车牌区域的信息进行识别，得到具体的车牌号码内容；
其特征在于：
所述步骤S1包括以下步骤：
S1-1：通过现有的卡口监控设备获得所述输入图片，将所述输入图片划分为S x S个网格，分别将每个网格映射到HSV颜色空间后，求出每个网格在HSV空间中蓝色、黄色、绿色所占的比例
Figure 423520DEST_PATH_IMAGE001
，其中i = 1，……,S x S；
S1-2：将每个网格在HSV空间中蓝色、黄色、绿色中所占的比例
Figure 664008DEST_PATH_IMAGE001
代入到YOLO框架中，得到的损失函数如下所示：
Figure 83488DEST_PATH_IMAGE002
Figure 434835DEST_PATH_IMAGE003
Figure 505428DEST_PATH_IMAGE004
Figure 651239DEST_PATH_IMAGE005
Figure 558015DEST_PATH_IMAGE006
式中：
i,j取值范围为1，……，S x S，
x,y,w,C,p为网络预测值，
Figure 699671DEST_PATH_IMAGE007
为标注值，
Figure 641082DEST_PATH_IMAGE008
表示有目标中心落在网格中，
Figure 223373DEST_PATH_IMAGE009
表示第i个网格中的第j个边框负责这个目标，
Figure 617445DEST_PATH_IMAGE010
表示第i个网格中的第j个边框不负责这个目标；
在所述损失函数中：
第一项
Figure 559862DEST_PATH_IMAGE002
和第二项
Figure 90201DEST_PATH_IMAGE011
用来表示坐标预测损失；
第三项
Figure 843393DEST_PATH_IMAGE012
是包含目标的区域可信度预测损失；
第四项
Figure 724761DEST_PATH_IMAGE013
是不含目标的区域可信度预测损失；
第五项
Figure 470869DEST_PATH_IMAGE014
为类别预测损失；
S1-3：收集车牌样本；
S1-4：使用所述车牌样本和所述损失函数，训练用于检验车牌位置的YOLO网络；其中训练、校验和测试的样本比例为6:2:2；
S1-5：将步骤S1-1中获得的所述输入图片送入在步骤S1-4中训练好的YOLO网络，获得所述车牌区域；
所述步骤S2中，通过CRNN网络对所述车牌区域的数据进行识别，经过卷积层、循环层和转录层对特征序列的处理，最后得到车牌号码的识别结果。
其进一步特征在于：
在实施所述步骤2之前，还需要对通过步骤S1获得的所述车牌区域进行校正操作，所述校正操作包括下面的步骤：
a,对检测到所述车牌区域进行二值化，得到所述车牌区域的二值化图像；
b, 对所述二值化图像进行边缘化处理，然后再进行Radon变化后，计算Radon变换矩阵中的峰值，通过寻找峰值，得到原图像的倾斜角度；
c,利用旋转算法，旋转检测到车牌区域位置，得到校正后的所述车牌区域；
在实施步骤b的时候，为了降低由于外在因素的干扰，将Radon变化矩阵中的所有峰值点从小到大排序，取前几个峰值相差不大的点角度平均作为最终的车牌倾斜角度；
在实施步骤S2之前，还需要根据机动车号牌号码编码规则、机动车号牌号码的固有属性来构建车牌号码识别用的约束条件，并且需要把所述约束条件添加到所述CRNN网络中之后，才实施步骤S2中的车牌号码识别操作；所述约束条件包括：
Ⅰ，车牌颜色为绿色，则为新能源号牌，号牌号码字符长度为8位；否则为普通号牌，号牌号码字符长度为7位；
Ⅱ，第一位为省、自治区、直辖市简称，只能为31个汉字之一；第二位为发牌机关代码，为24个大写英文字母之一；后面的序号部分由阿拉伯数字和英文大写字母组成；
Ⅲ，省、自治区、直辖市简称与发牌机关代号间的约束关系；
Ⅳ，序号中只能包含0-2位大写英文字母，其余为阿拉伯数字；
Ⅴ，序号长度为5位或者6位的时候为新能源号牌；
Ⅵ，新能源小型汽车号牌序号的第一位为D或者F，新能源号牌大型汽车号牌序号的最后一位为D或者F；
所述车牌颜色的判断方法是通过步骤S1-1中计算得到的
Figure 121293DEST_PATH_IMAGE001
的值，来对车牌的颜色进行判断；
在步骤S1-4中，训练、校验和测试的所述车牌样本的比例为6:2:2。
本发明提供的一种基于深度学习的车牌识别方法，技术方案中使用YOLO网络对车牌区域进行检测，通过CRNN网络对车牌号码进行识别；使用现有的卡口监控设备拍摄的实时图片作为输入图片，保证了技术方案的实时性；YOLO网络基于一个单独网络完成从原始图像的输入到物体位置和类别的输出，在YOLO网络中每个格子最多只预测出一个物体，所以即便输入图片中的背景很复杂，但是因为YOLO网络在训练和推理过程中，重点关注整张图像的整体信息的特点，因而保证了车牌位置检测的准确度；进行车牌号码识别的CRNN网络，与其他的技术相比，CRNN网络直接从图像数据学习信息表示，不需要手工特征也不需要预处理步骤，对类序列对象的长度无约束，只需要在训练阶段和测试阶段对高度进行归一化，使本发明的技术方案能够进一步脱离人工干预，而适用于实时的真实环境下；在真实环境下，卡口监控设备拍摄到的实时图片可能是倾斜的，本发明通过校正操作的设置进一步确保了车牌位置检测的准确度；本发明通过把约束条件加入到CRNN网络，确保了真实环境下对车牌号码识别的准确度；通过本发明的技术方案，可以自适应地获得不同场景下的车牌特征信息，避免人为设计车牌目标的特征，减少了主观因素对检测结果的影响。
附图说明
图1为本发明的整体流程示意图；
图2为具体实施例中车牌经过校正操作后的效果图。
具体实施方式
如图1~图2所示，本发明为一种基于深度学习的车牌识别方法，将车牌固有的颜色属性加入YOLO（J. Redmon, S. Divvala, R. Girshick, A. Farhadi. You Only LookOnce: Unified, Real-Time Object Detection. CVPR, 2016）模型中构建一个具有泛化能力强、检测以及定位准确率高的车牌检测模型，对输入的卡口监控设备拍摄的过车图片进行检测，得到车牌的区域位置；接着使用Radon（SR Deans, the Radon transform andsome of its application.John Wiley & Sons Inc New York,1983）变换对倾斜的车牌区域进行校正，同时利用颜色和边缘（E. R. Lee, P. K. Kim, and H. J. Kim,Automatic recognition of a car license plate using color image processing.ICIP, 1994）等线索对车牌区域进行微调，最后将微调后的车牌区域送入加入车牌编码规则约束的CRNN网络（卷积循环神经网络，B. Shi , X. Bai , C.Yao. An End-to-EndTrainable Neural Network for Image-based Sequence Recognition and ItsApplication to Scene Text Recognition. IEEE Transactions on Pattern Analysis& Machine Intelligence, 2017）对车牌号码进行识别；详细步骤如下所示。
S1：获得需要识别的输入图片，在输入图片中对车牌位置进行分析，得到具体车牌区域；包括如下步骤：
S1-1：通过现有的卡口监控设备获得输入图片，将输入图片划分为S x S个网格，分别将每个网格映射到HSV颜色空间后，求出每个网格在HSV空间中蓝色、黄色、绿色所占的比例
Figure 779808DEST_PATH_IMAGE001
，其中i = 1，……,S x S；HSV空间中取蓝色颜色分量范围为（100，43，46）~（124，255，255）、黄色颜色分量范围为（26，43，46）~（34，255，255）、绿色颜色分量范围为（35，43，46）~（77，255，255）；
S1-2：将每个网格在HSV空间中蓝色、黄色、绿色中所占的比例
Figure 148472DEST_PATH_IMAGE001
代入到YOLO框架中，得到的损失函数如下：
Figure 167113DEST_PATH_IMAGE002
Figure 203202DEST_PATH_IMAGE003
Figure 32618DEST_PATH_IMAGE004
Figure 888578DEST_PATH_IMAGE005
Figure 979419DEST_PATH_IMAGE006
式中：
i,j取值范围为1，……，S x S，
x,y,w,C,p为网络预测值，
Figure 338856DEST_PATH_IMAGE007
为标注值，
Figure 604752DEST_PATH_IMAGE008
表示有目标中心落在网格中，
Figure 682429DEST_PATH_IMAGE009
表示第i个网格中的第j个边框负责这个目标，
Figure 574031DEST_PATH_IMAGE010
表示第i个网格中的第j个边框不负责这个目标；
在损失函数中：
第一项
Figure 53554DEST_PATH_IMAGE002
和第二项
Figure 490351DEST_PATH_IMAGE011
用来表示坐标预测损失；
第三项
Figure 55325DEST_PATH_IMAGE012
是包含目标的区域可信度预测损失；
第四项
Figure 485038DEST_PATH_IMAGE013
是不含目标的区域可信度预测损失；
第五项
Figure 819067DEST_PATH_IMAGE014
为类别预测损失；
S1-3：收集车牌样本；
S1-4：使用车牌样本和损失函数，训练用于检验车牌位置的YOLO网络；其中训练、校验和测试的样本比例为6:2:2；
S1-5：将步骤S1-1中获得的输入图片送入在步骤S1-4中训练好的YOLO网络，获得车牌区域。
对通过步骤S1获得的车牌区域的位置信息进行校正操作，校正操作包括下面的步骤：
a,对检测到车牌区域进行二值化，得到车牌区域的二值化图像；
b, 对二值化图像进行边缘化处理，然后再进行Radon变化后，计算Radon变换矩阵中的峰值，通过寻找峰值，得到原图像的倾斜角度；为了降低由于外在因素的干扰，将Radon变化矩阵中的所有峰值点从小到大排序，取前几个峰值相差不大的点角度平均作为最终的车牌倾斜角度；为了减轻车牌由于污损或者背景复杂的干扰，将所有峰值点从小到大排序，取前几个峰值相差不大的点角度平均作为最终的车牌倾斜角度进一步的排除了真实环境下的复杂的外在因素的干扰，确保了车牌位置检测的准确度；
c,利用旋转算法，旋转检测到车牌区域位置，得到校正后的车牌区域。
根据机动车号牌号码编码规则、机动车号牌号码的固有属性来构建车牌号码识别用的约束条件，并且需要约束条件包括：
Ⅰ，通过步骤S1-1中计算得到的
Figure 426766DEST_PATH_IMAGE001
的值，来对车牌的颜色进行判断；车牌颜色为绿色，则为新能源号牌，号牌号码字符长度为8位；否则为普通号牌，号牌号码字符长度为7位；
Ⅱ，第一位为省、自治区、直辖市简称，只能为31个汉字之一，第二位为发牌机关代码，为24个大写英文字母之一，后面的序号部分由阿拉伯数字和英文大写字母组成；
Ⅲ，省、自治区、直辖市简称与发牌机关代号间的约束关系，如苏对应的发牌机关代码有A-N（除I），但是琼对应的发牌机关代号只有A、B、C、D、E；
Ⅳ，序号中只能包含0-2位大写英文字母，其余为阿拉伯数字；
Ⅴ，序号长度为5位或者6位的时候为新能源号牌；
Ⅵ，新能源小型汽车号牌序号的第一位为D或者F，新能源号牌大型汽车号牌序号的最后一位为D或者F。
S2：把约束条件添加到CRNN网络中之后，通过CRNN网络对车牌区域的数据进行识别，经过卷积层、循环层和转录层对特征序列的处理，最后得到车牌号码的识别结果。
使用本发明的技术方案后，不仅可以有效地提升车牌的检测和识别准确率，而且还可以满足实际环境下卡口的实时处理需求。

Claims (6)

1.一种基于深度学习的车牌识别方法，其包括以下步骤：
S1：获得需要识别的输入图片，在所述输入图片中对车牌位置进行分析，得到具体车牌区域；
S2：对所述车牌区域的信息进行识别，得到具体的车牌号码内容；
其特征在于：
所述步骤S1包括以下步骤：
S1-1：通过现有的卡口监控设备获得所述输入图片，将所述输入图片划分为S x S个网格，分别将每个网格映射到HSV颜色空间后，求出每个网格在HSV空间中蓝色、黄色、绿色所占的比例
Figure 135556DEST_PATH_IMAGE001
，其中i = 1，……,S x S；
S1-2：将每个网格在HSV空间中蓝色、黄色、绿色中所占的比例
Figure 579306DEST_PATH_IMAGE001
代入到YOLO框架中，得到的损失函数如下所示：
Figure 61103DEST_PATH_IMAGE002
Figure 867910DEST_PATH_IMAGE003
Figure 626918DEST_PATH_IMAGE004
Figure 366204DEST_PATH_IMAGE005
Figure 459931DEST_PATH_IMAGE006
式中：
i,j取值范围为1，……，S x S，
x,y,w,C,p为网络预测值，
Figure 552652DEST_PATH_IMAGE007
为标注值，
Figure 556380DEST_PATH_IMAGE008
表示有目标中心落在网格中，
Figure 325622DEST_PATH_IMAGE009
表示第i个网格中的第j个边框负责这个目标，
Figure 188536DEST_PATH_IMAGE010
表示第i个网格中的第j个边框不负责这个目标；
在所述损失函数中：
第一项
Figure 209581DEST_PATH_IMAGE002
和第二项
Figure 661291DEST_PATH_IMAGE011
用来表示坐标预测损失；
第三项
Figure 742380DEST_PATH_IMAGE012
是包含目标的区域可信度预测损失；
第四项
Figure 295852DEST_PATH_IMAGE013
是不含目标的区域可信度预测损失；
第五项
Figure 855009DEST_PATH_IMAGE014
为类别预测损失；
S1-3：收集车牌样本；
S1-4：使用所述车牌样本和所述损失函数，训练用于检验车牌位置的YOLO网络；
S1-5：将步骤S1-1中获得的所述输入图片送入在步骤S1-4中训练好的YOLO网络，获得所述车牌区域；
所述步骤S2中，通过CRNN网络对所述车牌区域的数据进行识别，经过卷积层、循环层和转录层对特征序列的处理，最后得到车牌号码的识别结果。
2.根据权利要求1所述一种基于深度学习的车牌识别方法，其特征在于：在实施所述步骤2之前，还需要对通过步骤S1获得的所述车牌区域进行校正操作，所述校正操作包括下面的步骤：
a,对检测到所述车牌区域进行二值化，得到所述车牌区域的二值化图像；
b, 对所述二值化图像进行边缘化处理，然后再进行Radon变化后，计算Radon变换矩阵中的峰值，通过寻找峰值，得到原图像的倾斜角度；
c,利用旋转算法，旋转检测到车牌区域位置，得到校正后的所述车牌区域。
3.根据权利要求2所述一种基于深度学习的车牌识别方法，其特征在于：在实施步骤b的时候，为了降低由于外在因素的干扰，将Radon变化矩阵中的所有峰值点从小到大排序，取前几个峰值相差不大的点角度平均作为最终的车牌倾斜角度。
4.根据权利要求1所述一种基于深度学习的车牌识别方法，其特征在于：在实施步骤S2之前，还需要根据机动车号牌号码编码规则、机动车号牌号码的固有属性来构建车牌号码识别用的约束条件，并且需要把所述约束条件添加到所述CRNN网络中之后，才实施步骤S2中的车牌号码识别操作；所述约束条件包括：
Ⅰ，车牌颜色为绿色，则为新能源号牌，号牌号码字符长度为8位；否则为普通号牌，号牌号码字符长度为7位；
Ⅱ，第一位为省、自治区、直辖市简称，只能为31个汉字之一；第二位为发牌机关代码，为24个大写英文字母之一；后面的序号部分由阿拉伯数字和英文大写字母组成；
Ⅲ，省、自治区、直辖市简称与发牌机关代号间的约束关系；
Ⅳ，序号中只能包含0-2位大写英文字母，其余为阿拉伯数字；
Ⅴ，序号长度为5位或者6位的时候为新能源号牌；
Ⅵ，新能源小型汽车号牌序号的第一位为D或者F，新能源号牌大型汽车号牌序号的最后一位为D或者F。
5.根据权利要求4所述一种基于深度学习的车牌识别方法，其特征在于：所述车牌颜色的判断方法是通过步骤S1-2中计算得到的
Figure 707033DEST_PATH_IMAGE001
的值，来对车牌的颜色进行判断。
6.根据权利要求1所述一种基于深度学习的车牌识别方法，其特征在于：在步骤S1-4中，训练、校验和测试的所述车牌样本的比例为6:2:2。
CN201811037178.8A 2018-09-06 2018-09-06 一种基于深度学习的车牌检测方法 Active CN109271991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811037178.8A CN109271991B (zh) 2018-09-06 2018-09-06 一种基于深度学习的车牌检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811037178.8A CN109271991B (zh) 2018-09-06 2018-09-06 一种基于深度学习的车牌检测方法

Publications (2)

Publication Number Publication Date
CN109271991A CN109271991A (zh) 2019-01-25
CN109271991B true CN109271991B (zh) 2022-03-22

Family

ID=65187395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811037178.8A Active CN109271991B (zh) 2018-09-06 2018-09-06 一种基于深度学习的车牌检测方法

Country Status (1)

Country Link
CN (1) CN109271991B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993172B (zh) * 2019-03-25 2022-12-06 西安电子科技大学 道路车流的车牌识别方法
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
CN110175648B (zh) * 2019-05-28 2024-01-05 东莞德福得精密五金制品有限公司 应用人工智能云计算对设备进行非侵入性的信息连通方法
CN110427937B (zh) * 2019-07-18 2022-03-22 浙江大学 一种基于深度学习的倾斜车牌矫正和不定长车牌识别方法
CN110414477B (zh) * 2019-08-06 2021-11-23 广东三维家信息科技有限公司 图像比例尺检测方法及装置
CN110659632B (zh) * 2019-09-29 2022-08-12 公安部交通管理科学研究所 基于图像块赋值的交通技术监控设备机动车号牌识别性能测试系统及方法
CN110969160B (zh) * 2019-11-21 2023-04-14 合肥工业大学 一种基于深度学习的车牌图像校正、识别方法及系统
CN111126383A (zh) * 2019-12-06 2020-05-08 广州烽火众智数字技术有限公司 车牌检测方法、系统、装置及存储介质
CN111209921A (zh) * 2020-01-07 2020-05-29 南京邮电大学 基于改进的YOLOv3网络的车牌检测模型及构建方法
CN111444916A (zh) * 2020-03-26 2020-07-24 中科海微(北京)科技有限公司 面向无约束条件下的车牌定位及识别方法、系统
CN111814783B (zh) * 2020-06-08 2024-05-24 深圳市富浩鹏电子有限公司 基于车牌顶点偏移估计的精准车牌定位方法
CN113095320A (zh) * 2021-04-01 2021-07-09 湖南大学 一种车牌识别方法、系统及计算设备
CN115131776B (zh) * 2022-04-12 2023-05-12 公安部交通管理科学研究所 一种融合新能源汽车特征的车牌图像字符分类识别方法
CN115394074A (zh) * 2022-07-04 2022-11-25 北方工业大学 公路监控车辆检测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104966066A (zh) * 2015-06-26 2015-10-07 武汉大学 一种面向交通卡口监控的车内人脸检测方法及系统
CN106126581A (zh) * 2016-06-20 2016-11-16 复旦大学 基于深度学习的手绘草图图像检索方法
CN107066559A (zh) * 2017-03-30 2017-08-18 天津大学 一种基于深度学习的三维模型检索方法
CN107316016A (zh) * 2017-06-19 2017-11-03 桂林电子科技大学 一种基于Hadoop和监控视频流的车辆轨迹统计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201702937A (zh) * 2015-07-02 2017-01-16 Alibaba Group Services Ltd 圖像預處理方法及裝置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104966066A (zh) * 2015-06-26 2015-10-07 武汉大学 一种面向交通卡口监控的车内人脸检测方法及系统
CN106126581A (zh) * 2016-06-20 2016-11-16 复旦大学 基于深度学习的手绘草图图像检索方法
CN107066559A (zh) * 2017-03-30 2017-08-18 天津大学 一种基于深度学习的三维模型检索方法
CN107316016A (zh) * 2017-06-19 2017-11-03 桂林电子科技大学 一种基于Hadoop和监控视频流的车辆轨迹统计方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A New CNN-Based Method for Multi-Directional Car License Plate Detection;Lele Xie 等;《IEEE Transactions on Intelligent Transportation Systems》;20180110;第19卷(第2期);507-517 *
An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition;Baoguang Shi 等;《arXiv》;20150721;1-9 *
You Only Look Once:Unified, Real-Time Object Detection;Joseph Redmon 等;《arXiv》;20160509;1-10 *
一种新的基于Radon变换的车牌倾斜校正方法;贾晓丹 等;《计算机工程与应用》;20080121;第44卷(第3期);245-248 *
基于深度属性学习的交通标志检测;王方石 等;《吉林大学学报（工学版）》;20170309;第48卷(第1期);319-329 *

Also Published As

Publication number Publication date
CN109271991A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN109271991B (zh) 一种基于深度学习的车牌检测方法
CN108108761B (zh) 一种基于深度特征学习的快速交通信号灯检测方法
CN106650731B (zh) 一种鲁棒的车牌、车标识别方法
CN106599792B (zh) 一种手部驾驶违规行为的检测方法
CN108564088A (zh) 车牌识别方法、装置、设备及可读存储介质
CN107316036B (zh) 一种基于级联分类器的害虫识别方法
CN109389163B (zh) 一种基于地形图的无人机影像分类系统及方法
CN103577838A (zh) 一种人脸识别方法和装置
CN110263635B (zh) 基于结构森林和PCANet的标志物检测与识别方法
Zhang et al. Road recognition from remote sensing imagery using incremental learning
CN107610114A (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN114998852A (zh) 一种基于深度学习的公路路面病害智能检测方法
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
CN107992856B (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN111027475A (zh) 一种基于视觉的实时交通信号灯识别方法
CN110781882A (zh) 一种基于yolo模型的车牌定位和识别方法
CN107590500A (zh) 一种基于色彩投影分类的车牌颜色识别方法及装置
CN105320970A (zh) 一种马铃薯病害诊断装置、诊断系统及诊断方法
CN105787475A (zh) 一种复杂环境下的交通标志检测与识别方法
CN109543753A (zh) 基于自适应模糊修复机制的车牌识别方法
CN110852207A (zh) 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法
Li et al. SDBD: A hierarchical region-of-interest detection approach in large-scale remote sensing image
CN110516666B (zh) 基于mser和isodata相结合的车牌定位方法
US9953238B2 (en) Image processing method and system for extracting distorted circular image elements
CN111046838A (zh) 一种湿地遥感信息的识别方法及装置

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
GR01 Patent grant
GR01 Patent grant