CN109344825A - 一种基于卷积神经网络的车牌识别方法 - Google Patents
一种基于卷积神经网络的车牌识别方法 Download PDFInfo
- Publication number
- CN109344825A CN109344825A CN201811111970.3A CN201811111970A CN109344825A CN 109344825 A CN109344825 A CN 109344825A CN 201811111970 A CN201811111970 A CN 201811111970A CN 109344825 A CN109344825 A CN 109344825A
- Authority
- CN
- China
- Prior art keywords
- layer
- license plate
- layers
- convolutional
- cnn
- 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
- 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
- G06V20/63—Scene text, e.g. street names
-
- 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
- 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
Abstract
本发明公开了一种基于卷积神经网络的车牌识别方法,首先对车牌图像进行预处理,构建车牌训练样本集;再构建由CNN卷积网络层、RPN候选区域提取层、ROI pooling层和判别层组成的Faster R‑CNN网络模型;通过多任务损失不断训练模型,生成一个准确率高的Faster R‑CNN网络模型;最后利用训练好的Faster R‑CNN网络模型进行车牌识别,获取车牌字符框位置信息与类别信息,再利用先验知识对字符位置进行判定,对识别的车牌字符进行排序整合,输出车牌识别结果。本发明所述的方法利用卷积神经网络完成车牌识别,能够更快速准确地完成车牌识别,避免了传统算法中过多的步骤造成的误差累计问题。
Description
技术领域
本发明涉及图像处理及计算机视觉识别技术领域,尤其涉及一种基于卷积神经网络的车牌识别方法。
背景技术
随着城市车辆的日益增多,交通管理的压力也逐年增大,车辆检测与识别技术依然是一个需要不断创新的热点。对于车牌检测与识别在特定场合已经可以做到准确识别,例如逐渐成熟的无人停车场,通过图像处理技术手段对出入的车辆进行车牌识别,进行计时和自助收费。在道路交通的现实环境中,车牌检测与识别的技术应用具有重要意义,如公路收费、交通流量管控、车辆定位与监测、汽车防盗、违法驾驶自动监管和电子警察等现实应用。
近些年来,图像处理技术的发展也让车牌识别的方法多种多样。传统的车牌识别技术主要有:基于SVM分类器的方法和基于模板匹配的方法。传统图像算法车牌识别步骤为:对车牌图片矫正,修正角度偏差过大的图片;对矫正后的车牌图片进行字符分割,提取单个的候选字符框;利用训练好的模型对分割后的候选字符框分类判别,组合识别结果,最终输出车牌信息。采用传统的算法有一定的缺陷,在车牌字符预处理时设定阈值不妥当就可能导致识别的精度不高;对于现代车牌的颜色类别多种多样,利用传统图像手段区分车牌颜色时存在相应的分类误差;车牌旋转调整、车牌字符分割和车牌字符识别等各个部分也一样存在误差,全部的误差累计起来很难做到一个通用性高、准确率高的技术方案。
本发明提出一种基于卷积神经网络的车牌识别方法,将Faster R-CNN网络中的目标检测方法应用于车牌识别。卷积神经网络中目标检测算法在最后区分的是待检测物体和背景的差别,将检测网络经过改进后,把原有的二分类问题变成一个多分类问题,可以实现车牌字符的分类检测,从而利用卷积神经网络完成对车牌的准确识别。
发明内容
针对上述的技术背景,为解决上述问题,本发明提出一种基于卷积神经网络的车牌识别方法,通过构建Faster R-CNN网络模型,利用CNN(Convolutional NeuralNetworks)卷积网络层对输入图像做特征提取,产生特征平面(Feature map);再利用RPN(Region Proposal Networks)候选区域提取网络对特征平面进行物体检测,形成相应的候选框信息(proposal rois);将提取的候选框信息与特征平面一起输入到ROI Pooling层进行crop、resize、Flatten操作后再通过判别层输出车牌中车牌字符的位置信息与类别信息,完成车牌字符检测;再通过先验知识组合检测出的车牌字符,即完成车牌识别目标。
利用卷积神经网络进行车牌识别的优点是:对输入车牌图像可直接识别,不需要旋转、分割等操作,没有繁多的图像处理步骤,误差的累积就会降低,准确率得到有效提高,使用起来更加快速方便,输入车牌图像直接送入网络检测即可完成车牌识别。
实现本发明之技术目的所采用的技术方案如下:
一种基于卷积神经网络的车牌识别方法,包括如下的实施步骤:
步骤S1、对车牌图像进行预处理,包括对车牌图像中的字符进行标注,标注车牌字符的位置信息与类别信息,构建车牌训练样本集;
步骤S2、构建Faster R-CNN网络模型,具体由CNN卷积网络层、RPN候选区域提取层、ROI pooling层和判别层组成;
步骤S3、训练网络模型,通过多任务损失不断训练模型,生成一个准确率高的Faster R-CNN网络模型;
步骤S4、利用训练好的Faster R-CNN网络模型进行车牌识别,获取车牌字符框位置信息与类别信息,再利用先验知识对字符位置进行判定,排序整合后输出车牌识别结果。
优选的,所述的对车牌图像进行预处理,包括对原始车牌图像做亮度变化调整,旋转角度变化调整、大小变换以及色道改变等操作,扩展数据集合,对扩展后的数据进行resize,图像大小变换为336*112,以便于CNN卷积网络层中卷积池化时的4次kernel size为2*2、stride=2的max pooling操作,所以把大小不一的图像resize到16的整数倍大小。
优选的,所述的CNN卷积网络层是基于VGG16网络进行改进,网络结构中包含13个Conv卷积网络、4个Max Pooling池化层,其中Conv卷积层链接的激活函数全部为ReLU激活函数,卷积层中的kernel size为3*3且stride=1、pad=1,保证输出大小不改变,池化层采用的都是kernel size为2*2、stride=2、pad=0的Max pooling层,池化后图像的大小缩小一半,即经过CNN卷积池化后,输出的长宽各缩小16倍,深度提升至512的特征平面。
优选的,所述的RPN候选区域提取层包含2个Conv卷积层、1个Softmax层、1个bbox层和1个proposal层。RPN网络对特征平面进行特征框提取,提取宽高比例为1∶1、1∶2、1∶3的3种尺寸的候选框,特征平面的每个特征点上提取3*3=9个候选框,对输出的特征平面先做3*3的卷积操作,后经过两个1*1的卷积,其中一个用来做类别属性分类的Softmax层,Softmax层尺寸为1*1*18,由于选定了9个候选框,每个候选框都区分2个类别前景或背景,所以深度为2*9=18;另一个用来做候选框回归的bbox层为1*1*36的卷积层,目的是对候选框位置坐标回归,输出每个候选中心点的横坐标x、纵坐标y、候选框的宽度w和高度h共4个坐标值,该卷积层有9*4=36的深度,最后通过一个proposal层汇总检出的候选框信息,利用NMS非极大值抑制的方法剔除重叠度过大、且置信率低的候选框。
优选的,所述的ROI pooling层包含1个crop层、1个resize层和1个Flatten层,通过crop操作提取特征平面上的候选框,再利用插值算法进行resize操作,全部resize为7*7,深度为512,再通过Flatten层把7*7的平面进行展平,为后续的全连接操作做准备。
优选的,所述的判别层由3个全连接层、1个Softmax层和1个bbox层构成,通过2个4096深度的全连接层,再经过1个深度为72的全连接网络,72深度的全连接层输出类别信息来实现车牌字符类别分类,1个深度为288的bbox层输出候选框的位置信息,最后将输出各字符类别和对应的候选框的位置信息,即x、y、w和h的坐标信息,整合完成对车牌字符的识别任务。
附图说明
图1是本发明技术方案实施步骤流程图;
图2是本发明Faster R-CNN网络结构图;
图3是本发明车牌字符标注示意图;
图4是本发明CNN卷积网络层结构图;
图5是本发明RPN候选区域提取层结构图;
图6是本发明ROI pooling层结构图;
图7是本发明判别层网络结构图;
图8是本发明车牌识别结果示意图。
具体实施方式
为了使本发明的目的、技术方案更加清楚明白,以下结合附图及实施例对本发明的技术方案进行详细阐述。
本发明公开了一种基于卷积神经网络的车牌识别方法,首先对车牌图像进行预处理,构建车牌训练样本集;再构建由CNN卷积网络层、RPN候选区域提取层、ROI pooling层和判别层组成的Faster R-CNN网络模型;通过多任务损失不断训练模型,生成一个准确率高的Faster R-CNN网络模型;最后利用训练好的Faster R-CNN网络模型进行车牌字符检测,获取车牌字符框位置信息与类别信息,再利用先验知识对字符位置进行判定,排序整合后输出车牌识别结果。
实施例1:参照图1所示,一种基于卷积神经网络的车牌识别方法,具体实施步骤如下:
步骤S1、对车牌图像进行预处理,包括对车牌图像中的字符进行标注,标注车牌字符的位置信息与类别信息,构建车牌训练样本集;
优选的,对车牌图像进行标注参照图3所示,对车牌的字符区域进行截取标注,所述的对车牌图像进行预处理,包括对原始车牌图像做亮度变化调整,旋转角度变化调整、大小变换以及色道改变等操作,扩展数据集合,对扩展后的数据进行resize,图像大小变换为336*112,以便于CNN卷积网络层中卷积池化时的4次kernel size为2*2、stride=2的maxpooling操作,所以把大小不一的图像resize到16的整数倍大小。
步骤S2、构建Faster R-CNN网络模型,具体由CNN卷积网络层、RPN候选区域提取层、ROI pooling层和判别层组成;
参照图2所示为Faster R-CNN网络结构图,Faster R-CNN网络模型包含CNN卷积网络层、RPN候选区域提取层、ROI pooling层和判别层。
参照图4所示,CNN卷积网络层是基于VGG16网络进行改进,网络结构中包含13个Conv卷积网络、4个Max Pooling池化层,其中Conv卷积层链接的激活函数全部为ReLU激活函数,卷积层中的kernel size为3*3且stride=1、pad=1,保证输出大小不改变,池化层采用的都是kernel size为2*2、stride=2、pad=0的Max pooling层,池化后图像的大小缩小一半,即经过CNN卷积池化后,输出的长宽各缩小16倍,深度提升至512的特征平面。
参照图5所示,RPN候选区域提取层包含2个Conv卷积层、1个Softmax层、1个bbox层和1个proposal层,RPN网络对特征平面进行特征框提取,提取宽高比例为1∶1、1∶2、1∶3的3种尺寸的候选框,特征平面的每个特征点上提取3*3=9个候选框,对输出的特征平面先做3*3的卷积操作,后经过两个1*1的卷积,其中一个用来做类别属性分类的Softmax层,Softmax层尺寸为1*1*18,由于选定了9个候选框,每个候选框都区分2个类别前景或背景,所以深度为2*9=18;另一个用来做候选框回归的bbox层为1*1*36的卷积层,目的是对候选框位置坐标回归,输出每个候选中心点的横坐标x、纵坐标y、候选框的宽度w和高度h共4个坐标值,该卷积层有9*4=36的深度,最后通过一个proposal层汇总检出的候选框信息,利用NMS非极大值抑制的方法剔除重叠度过大、且置信率低的候选框。
参照图6所示,ROI pooling层包含1个crop层、1个resize层和1个Flatten层,通过crop操作提取特征平面上的候选框,再利用插值算法进行resize操作,全部resize为7*7,深度为512,再通过Flatten层把7*7的平面进行展平,为后续的全连接操作做准备。
参照图7所示,判别层由3个全连接层、1个Softmax层和1个bbox层构成,通过2个4096深度的全连接层,再经过1个深度为72的全连接网络,72深度的全连接层输出类别信息来实现车牌字符类别分类,1个深度为288的bbox层输出候选框的位置信息,最后将输出各字符类别和对应的候选框的位置信息,即x、y、w和h的坐标信息,整合完成对车牌字符的识别任务。
步骤S3、训练网络模型,通过多任务损失不断训练模型,生成一个准确率高的Faster R-CNN网络模型;
具体的,初始化网络参数后,在训练样本数量足够大的情况下,网络的总体权重参数不进行迁移学习,直接利用大量的车牌图像进行网络训练,通过多任务损失(Multi-taskloss)不断训练模型,生成一个准确率高的Faster R-CNN网络模型进行车牌识别。
步骤S4、利用训练好的Faster R-CNN网络模型进行车牌识别,获取车牌字符框位置信息与类别信息,再利用先验知识对字符位置进行判定,排序整合后输出车牌识别结果;
参照图7所示,以“甘KW1918”的车牌图像为例,输入到训练好的Faster R-CNN网络模型中进行车牌识别,在判别层Softmax输出车牌每个字符的类别信息,即甘(甘肃gansu)、K、W等,bbox输出的是每个字符候选框的位置信息,包含候选框的4个坐标值x、y、w和h,再根据字符位置信息和类别信息进行排序整合,即可输出完整的车牌号识别结果。参照图8所示为车牌号“甘KW1918”的识别结果。
以上所述是对本发明的较佳实施进行具体说明,并不限于所述的实施例,熟悉本领域的技术人员在不违背本发明精神的前提下所作的等同变形或替换等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于卷积神经网络的车牌识别方法,其特征在于:所述的方法包括如下的实施步骤:
步骤S1、对车牌图像进行预处理,包括对车牌图像中的字符进行标注,标注车牌字符的位置信息与类别信息,构建车牌训练样本集;
步骤S2、构建Faster R-CNN网络模型,具体由CNN卷积网络层、RPN候选区域提取层、ROIpooling层和判别层组成;
步骤S3、训练网络模型,通过多任务损失不断训练模型,生成一个准确率高的FasterR-CNN网络模型;
步骤S4、利用训练好的Faster R-CNN网络模型进行车牌识别,获取车牌字符框位置信息与类别信息,再利用先验知识对字符位置进行判定,排序整合后输出车牌识别结果。
2.根据权利要求1所述的一种基于卷积神经网络的车牌识别方法,其特征在于:步骤S1中所述的对车牌图像进行预处理,包括对原始车牌图像做亮度变化调整,旋转角度变化调整、大小变换以及色道改变等操作,扩展数据集合,对扩展后的数据进行resize,图像大小变换为336*112,以便于CNN卷积网络层中卷积池化时的4次kernel size为2*2、stride=2的max pooling操作,所以把大小不一的图像resize到16的整数倍大小。
3.根据权利要求1所述的一种基于卷积神经网络的车牌识别方法,其特征在于:步骤S2中所述的CNN卷积网络层是基于VGG16网络进行改进,网络结构中包含13个Conv卷积网络、4个Max Pooling池化层,其中Conv卷积层链接的激活函数全部为ReLU激活函数,卷积层中的kernel size为3*3且stride=1、pad=1,保证输出大小不改变,池化层采用的都是kernelsize为2*2、stride=2、pad=0的Max pooling层,池化后图像的大小缩小一半,即经过CNN卷积池化后,输出的长宽各缩小16倍,深度提升至512的特征平面。
4.根据权利要求1所述的一种基于卷积神经网络的车牌识别方法,其特征在于:步骤S2中所述的RPN候选区域提取层包含2个Conv卷积层、1个Softmax层、1个bbox层和1个proposal层,RPN网络对特征平面进行特征框提取,提取宽高比例为1∶1、1∶2、1∶3的3种尺寸的候选框,特征平面的每个特征点上提取3*3=9个候选框,对输出的特征平面先做3*3的卷积操作,后经过两个1*1的卷积,其中一个用来做类别属性分类的Softmax层,Softmax层尺寸为1*1*18,由于选定了9个候选框,每个候选框都区分2个类别前景或背景,所以深度为2*9=18;另一个用来做候选框回归的bbox层为1*1*36的卷积层,目的是对候选框位置坐标回归,输出每个候选中心点的横坐标x、纵坐标y、候选框的宽度w和高度h共4个坐标值,该卷积层有9*4=36的深度,最后通过一个proposal层汇总检出的候选框信息,利用NMS非极大值抑制的方法剔除重叠度过大、且置信率低的候选框。
5.根据权利要求1所述的一种基于卷积神经网络的车牌识别方法,其特征在于:步骤S2中所述的ROI pooling层包含1个crop层、1个resize层和1个Flatten层,通过crop操作提取特征平面上的候选框,再利用插值算法进行resize操作,全部resize为7*7,深度为512,再通过Flatten层把7*7的平面进行展平,为后续的全连接操作做准备。
6.根据权利要求1所述的一种基于卷积神经网络的车牌识别方法,其特征在于:步骤S2中所述的判别层由3个全连接层、1个Softmax层和1个bbox层构成,通过2个4096深度的全连接层,再经过1个深度为72的全连接网络,72深度的全连接层输出类别信息来实现车牌字符类别分类,1个深度为288的bbox层输出候选框的位置信息,最后将输出各字符类别和对应的候选框的位置信息,即x、y、w和h的坐标信息,整合完成对车牌字符的识别任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811111970.3A CN109344825A (zh) | 2018-09-14 | 2018-09-14 | 一种基于卷积神经网络的车牌识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811111970.3A CN109344825A (zh) | 2018-09-14 | 2018-09-14 | 一种基于卷积神经网络的车牌识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109344825A true CN109344825A (zh) | 2019-02-15 |
Family
ID=65306108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811111970.3A Pending CN109344825A (zh) | 2018-09-14 | 2018-09-14 | 一种基于卷积神经网络的车牌识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344825A (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059771A (zh) * | 2019-05-10 | 2019-07-26 | 合肥工业大学 | 一种在排序支持下的交互车辆数据分类方法 |
CN110245663A (zh) * | 2019-06-26 | 2019-09-17 | 上海电器科学研究所(集团)有限公司 | 一种用于钢卷信息识别的方法 |
CN110390330A (zh) * | 2019-07-25 | 2019-10-29 | 网链科技集团有限公司 | 电动自行车车牌识别系统及方法 |
CN110458004A (zh) * | 2019-07-02 | 2019-11-15 | 浙江吉利控股集团有限公司 | 一种目标对象识别方法、装置、设备以及存储介质 |
CN110598693A (zh) * | 2019-08-12 | 2019-12-20 | 浙江工业大学 | 一种基于Faster-RCNN的船牌识别方法 |
CN110598703A (zh) * | 2019-09-24 | 2019-12-20 | 深圳大学 | 一种基于深度神经网络的ocr识别方法及装置 |
CN110610177A (zh) * | 2019-09-16 | 2019-12-24 | 卓尔智联(武汉)研究院有限公司 | 字符识别模型的训练方法、字符识别方法及装置 |
CN110677591A (zh) * | 2019-10-28 | 2020-01-10 | Oppo广东移动通信有限公司 | 样本集构建方法、图像成像方法、装置、介质及电子设备 |
CN111046746A (zh) * | 2019-11-22 | 2020-04-21 | 北京精英路通科技有限公司 | 一种车牌检测方法及装置 |
CN111401139A (zh) * | 2020-02-25 | 2020-07-10 | 云南昆钢电子信息科技有限公司 | 基于字符图像智能识别获得矿山井下设备位置的方法 |
CN111462120A (zh) * | 2020-06-17 | 2020-07-28 | 熵智科技(深圳)有限公司 | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 |
CN111488876A (zh) * | 2020-06-28 | 2020-08-04 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的车牌识别方法、装置、设备及介质 |
CN111507357A (zh) * | 2020-06-17 | 2020-08-07 | 熵智科技(深圳)有限公司 | 一种缺陷检测语义分割模型建模方法、装置、介质及设备 |
CN111508269A (zh) * | 2020-04-23 | 2020-08-07 | 深圳智优停科技有限公司 | 一种基于图像识别的开放式停车位车辆判别方法与装置 |
CN111767927A (zh) * | 2020-06-03 | 2020-10-13 | 上海交通大学 | 一种基于全卷积网络的轻量级车牌识别方法及系统 |
WO2020219664A1 (en) * | 2019-04-24 | 2020-10-29 | Crc R&D, Llc | Systems and methods for automatic recognition of vehicle information |
CN112163667A (zh) * | 2020-09-16 | 2021-01-01 | 闽江学院 | 新型Faster R-CNN网络模型及其训练方法 |
CN112200007A (zh) * | 2020-09-15 | 2021-01-08 | 青岛邃智信息科技有限公司 | 一种社区监控场景下车牌检测及识别方法 |
CN112329737A (zh) * | 2020-12-01 | 2021-02-05 | 哈尔滨理工大学 | 一种基于改进Faster RCNN的车辆检测方法 |
CN112464938A (zh) * | 2020-12-18 | 2021-03-09 | 深圳赛安特技术服务有限公司 | 车牌检测识别方法、装置、设备及存储介质 |
CN112634141A (zh) * | 2020-12-23 | 2021-04-09 | 浙江大华技术股份有限公司 | 一种车牌矫正方法、装置、设备及介质 |
CN112733857A (zh) * | 2021-01-08 | 2021-04-30 | 北京匠数科技有限公司 | 自动分割字符区域的图像文字检测模型训练方法及装置 |
CN113177552A (zh) * | 2021-05-27 | 2021-07-27 | 的卢技术有限公司 | 一种基于深度学习的车牌识别方法 |
CN113591835A (zh) * | 2020-04-30 | 2021-11-02 | 成都鼎桥通信技术有限公司 | 车牌关键信息的检测方法和装置 |
CN113989794A (zh) * | 2021-11-12 | 2022-01-28 | 珠海安联锐视科技股份有限公司 | 一种车牌检测和识别方法 |
CN114155523A (zh) * | 2021-12-13 | 2022-03-08 | 大连海事大学 | 一种端到端的高效精确车牌检测和识别方法 |
CN115376119A (zh) * | 2022-10-25 | 2022-11-22 | 珠海亿智电子科技有限公司 | 一种车牌识别方法、装置、车牌识别设备及存储介质 |
US11775892B2 (en) | 2013-10-03 | 2023-10-03 | Crc R&D, Llc | Apparatus and method for freight delivery and pick-up |
CN113177552B (zh) * | 2021-05-27 | 2024-04-26 | 的卢技术有限公司 | 一种基于深度学习的车牌识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN108399380A (zh) * | 2018-02-12 | 2018-08-14 | 北京工业大学 | 一种基于三维卷积和Faster RCNN的视频动作检测方法 |
-
2018
- 2018-09-14 CN CN201811111970.3A patent/CN109344825A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN108399380A (zh) * | 2018-02-12 | 2018-08-14 | 北京工业大学 | 一种基于三维卷积和Faster RCNN的视频动作检测方法 |
Non-Patent Citations (1)
Title |
---|
伍晓明: "基于Faster R-CNN的目标检测算法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11775892B2 (en) | 2013-10-03 | 2023-10-03 | Crc R&D, Llc | Apparatus and method for freight delivery and pick-up |
WO2020219664A1 (en) * | 2019-04-24 | 2020-10-29 | Crc R&D, Llc | Systems and methods for automatic recognition of vehicle information |
US11670098B2 (en) | 2019-04-24 | 2023-06-06 | Crc R&D, Llc | Systems and methods for automatic recognition of vehicle information |
CN110059771A (zh) * | 2019-05-10 | 2019-07-26 | 合肥工业大学 | 一种在排序支持下的交互车辆数据分类方法 |
CN110245663A (zh) * | 2019-06-26 | 2019-09-17 | 上海电器科学研究所(集团)有限公司 | 一种用于钢卷信息识别的方法 |
CN110245663B (zh) * | 2019-06-26 | 2024-02-02 | 上海电器科学研究所(集团)有限公司 | 一种用于钢卷信息识别的方法 |
CN110458004A (zh) * | 2019-07-02 | 2019-11-15 | 浙江吉利控股集团有限公司 | 一种目标对象识别方法、装置、设备以及存储介质 |
CN110390330A (zh) * | 2019-07-25 | 2019-10-29 | 网链科技集团有限公司 | 电动自行车车牌识别系统及方法 |
CN110598693A (zh) * | 2019-08-12 | 2019-12-20 | 浙江工业大学 | 一种基于Faster-RCNN的船牌识别方法 |
CN110610177A (zh) * | 2019-09-16 | 2019-12-24 | 卓尔智联(武汉)研究院有限公司 | 字符识别模型的训练方法、字符识别方法及装置 |
CN110598703A (zh) * | 2019-09-24 | 2019-12-20 | 深圳大学 | 一种基于深度神经网络的ocr识别方法及装置 |
CN110598703B (zh) * | 2019-09-24 | 2022-12-20 | 深圳大学 | 一种基于深度神经网络的ocr识别方法及装置 |
CN110677591B (zh) * | 2019-10-28 | 2021-03-23 | Oppo广东移动通信有限公司 | 样本集构建方法、图像成像方法、装置、介质及电子设备 |
CN110677591A (zh) * | 2019-10-28 | 2020-01-10 | Oppo广东移动通信有限公司 | 样本集构建方法、图像成像方法、装置、介质及电子设备 |
CN111046746A (zh) * | 2019-11-22 | 2020-04-21 | 北京精英路通科技有限公司 | 一种车牌检测方法及装置 |
CN111401139B (zh) * | 2020-02-25 | 2024-03-29 | 云南昆钢电子信息科技有限公司 | 基于字符图像智能识别获得矿山井下设备位置的方法 |
CN111401139A (zh) * | 2020-02-25 | 2020-07-10 | 云南昆钢电子信息科技有限公司 | 基于字符图像智能识别获得矿山井下设备位置的方法 |
CN111508269A (zh) * | 2020-04-23 | 2020-08-07 | 深圳智优停科技有限公司 | 一种基于图像识别的开放式停车位车辆判别方法与装置 |
CN111508269B (zh) * | 2020-04-23 | 2021-05-18 | 深圳智优停科技有限公司 | 一种基于图像识别的开放式停车位车辆判别方法与装置 |
CN113591835A (zh) * | 2020-04-30 | 2021-11-02 | 成都鼎桥通信技术有限公司 | 车牌关键信息的检测方法和装置 |
CN111767927A (zh) * | 2020-06-03 | 2020-10-13 | 上海交通大学 | 一种基于全卷积网络的轻量级车牌识别方法及系统 |
CN111507357A (zh) * | 2020-06-17 | 2020-08-07 | 熵智科技(深圳)有限公司 | 一种缺陷检测语义分割模型建模方法、装置、介质及设备 |
CN111462120A (zh) * | 2020-06-17 | 2020-07-28 | 熵智科技(深圳)有限公司 | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 |
CN111488876B (zh) * | 2020-06-28 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的车牌识别方法、装置、设备及介质 |
CN111488876A (zh) * | 2020-06-28 | 2020-08-04 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的车牌识别方法、装置、设备及介质 |
CN112200007A (zh) * | 2020-09-15 | 2021-01-08 | 青岛邃智信息科技有限公司 | 一种社区监控场景下车牌检测及识别方法 |
CN112163667A (zh) * | 2020-09-16 | 2021-01-01 | 闽江学院 | 新型Faster R-CNN网络模型及其训练方法 |
CN112163667B (zh) * | 2020-09-16 | 2024-01-12 | 闽江学院 | 新型Faster R-CNN网络模型及其训练方法 |
CN112329737A (zh) * | 2020-12-01 | 2021-02-05 | 哈尔滨理工大学 | 一种基于改进Faster RCNN的车辆检测方法 |
CN112464938A (zh) * | 2020-12-18 | 2021-03-09 | 深圳赛安特技术服务有限公司 | 车牌检测识别方法、装置、设备及存储介质 |
CN112464938B (zh) * | 2020-12-18 | 2024-04-12 | 深圳赛安特技术服务有限公司 | 车牌检测识别方法、装置、设备及存储介质 |
CN112634141B (zh) * | 2020-12-23 | 2024-03-29 | 浙江大华技术股份有限公司 | 一种车牌矫正方法、装置、设备及介质 |
CN112634141A (zh) * | 2020-12-23 | 2021-04-09 | 浙江大华技术股份有限公司 | 一种车牌矫正方法、装置、设备及介质 |
CN112733857B (zh) * | 2021-01-08 | 2021-10-15 | 北京匠数科技有限公司 | 自动分割字符区域的图像文字检测模型训练方法及装置 |
CN112733857A (zh) * | 2021-01-08 | 2021-04-30 | 北京匠数科技有限公司 | 自动分割字符区域的图像文字检测模型训练方法及装置 |
CN113177552A (zh) * | 2021-05-27 | 2021-07-27 | 的卢技术有限公司 | 一种基于深度学习的车牌识别方法 |
CN113177552B (zh) * | 2021-05-27 | 2024-04-26 | 的卢技术有限公司 | 一种基于深度学习的车牌识别方法 |
CN113989794A (zh) * | 2021-11-12 | 2022-01-28 | 珠海安联锐视科技股份有限公司 | 一种车牌检测和识别方法 |
CN114155523A (zh) * | 2021-12-13 | 2022-03-08 | 大连海事大学 | 一种端到端的高效精确车牌检测和识别方法 |
CN115376119A (zh) * | 2022-10-25 | 2022-11-22 | 珠海亿智电子科技有限公司 | 一种车牌识别方法、装置、车牌识别设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344825A (zh) | 一种基于卷积神经网络的车牌识别方法 | |
Jiao et al. | AF-RCNN: An anchor-free convolutional neural network for multi-categories agricultural pest detection | |
CN107610141B (zh) | 一种基于深度学习的遥感图像语义分割方法 | |
CN105488534B (zh) | 交通场景深度解析方法、装置及系统 | |
CN108171112A (zh) | 基于卷积神经网络的车辆识别与跟踪方法 | |
CN107341517A (zh) | 一种基于深度学习层级间特征融合的多尺度小物体检测方法 | |
CN110321967B (zh) | 基于卷积神经网络的图像分类改进方法 | |
CN107729801A (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 | |
CN110163069B (zh) | 用于辅助驾驶的车道线检测方法 | |
CN109636772A (zh) | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 | |
CN111553201B (zh) | 一种基于YOLOv3优化算法的交通灯检测方法 | |
CN109447033A (zh) | 基于yolo的车辆前方障碍物检测方法 | |
CN105354568A (zh) | 基于卷积神经网络的车标识别方法 | |
CN109508715A (zh) | 一种基于深度学习的车牌定位和识别方法 | |
CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
CN105117739A (zh) | 一种基于卷积神经网络的服装分类方法 | |
CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
CN110222767B (zh) | 基于嵌套神经网络和栅格地图的三维点云分类方法 | |
CN109271991A (zh) | 一种基于深度学习的车牌检测方法 | |
CN110032952B (zh) | 一种基于深度学习的道路边界点检测方法 | |
CN108230330B (zh) | 一种快速的高速公路路面分割和摄像机定位的方法 | |
CN107657281A (zh) | 一种基于改进的卷积神经网络的图像识别方法 | |
CN111126127B (zh) | 一种多级空间上下文特征指导的高分辨率遥感影像分类方法 | |
CN112418330A (zh) | 一种基于改进型ssd的小目标物体高精度检测方法 | |
CN108647700A (zh) | 基于深度学习的多任务车辆部件识别模型、方法和系统 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 510670 17 / F, building 3, Yunsheng Science Park, No. 11, puyuzhong Road, Huangpu District, Guangzhou City, Guangdong Province Applicant after: GUANGZHOU MELUX INFORMATION TECHNOLOGY Co.,Ltd. Address before: 510670 5th floor, building 5, No.8, science Avenue, Science City, Guangzhou high tech Industrial Development Zone, Guangzhou City, Guangdong Province Applicant before: GUANGZHOU MELUX INFORMATION TECHNOLOGY Co.,Ltd. |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190215 |