CN109359656A - 一种基于粒子群算法优化神经网络的车牌识别方法 - Google Patents
一种基于粒子群算法优化神经网络的车牌识别方法 Download PDFInfo
- Publication number
- CN109359656A CN109359656A CN201811176588.0A CN201811176588A CN109359656A CN 109359656 A CN109359656 A CN 109359656A CN 201811176588 A CN201811176588 A CN 201811176588A CN 109359656 A CN109359656 A CN 109359656A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- character
- gray
- characters
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
- G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
-
- 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
- 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)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
一种基于粒子群算法优化神经网络的车牌识别方法,本发明根据车牌每位字符的特征值,通过三个神经网络分别对车牌字符中的文字、字母和数字进行学习和识别,从而判断是否识别成功;本发明通过对车牌字符进行分类,改变传统的一个神经网络进行识别车牌,采用三个神经网络来识别车牌,精简网络结构,提高了车牌识别精度和识别速度,同时避免了人工干预的过程,降低车牌识别过程中的成本;本发明还通过将车牌图像统一转换为蓝底白字的车牌图像,然后再获取颜色分量值,最后再转换为第二灰度数字图像,更加全面的涵盖市面上所有车牌种类,进一步提高车牌识别的效率和准确率。
Description
技术领域
本发明涉及人脸识别领域,具体涉及一种基于粒子群算法优化神经网络的车牌识别方法。
背景技术
随着社会经济的发展,人民生活水平的不断提高,私人拥有机动车辆的数量迅速增加,车辆普及成为必然的趋势。在此情况下,仅仅依靠大力发展交通设施己不能解决交通拥挤、交通事故频发、环境污染加剧等问题。车辆牌照识别技术是智能交通系统中的一个重要环节,它在交通监视和控制中占有很重要的地位,车辆牌照识别技术作为交通信息服务系统的重要手段,其任务是分析处理车辆图像,自动识别汽车牌号码。
但在现有技术中,在交通管理环节中需要增加需要人工干预的工作量,例如车牌图像不清晰,无法识别车牌等,导致车牌识别的效率低,交通管理效率低,成本高。
发明内容
本发明要解决的技术问题在于,解决现有技术中在进行车牌识别过程中需要人工干预,工作效率低,识别正确率低,管理成本高的问题。
本发明实施例的目的在于提出一种基于粒子群算法优化神经网络的车牌识别方法,所述方法包括步骤:
获取第二车牌图像;
将所述第二车牌图像转为第二灰度数字图像;
获取所述第二灰度数字图像的车牌背景尺寸和整体车牌字符尺寸;
将所述第二灰度数字图像转换为第二二值化图像,根据所述车牌背景尺寸和整体车牌字符尺寸将所述第二二值化图像分为10*70的矩阵,并将所述矩阵均分成7份,从而获得车牌每位字符的尺寸为10*10的矩阵;
根据车牌每位字符的尺寸获取车牌每位字符的特征值,并获取所述特征值对应的学习后的三个神经网络;
根据所述学习后的三个神经网络获取识别输出值;
根据所述识别输出值确定所述第二车牌图像是否识别成功。
优选的,所述步骤“将所述第二车牌图像转为第二灰度数字图像”具体为:
将所述第二车牌图像转换为蓝底白字的车牌图像;
获取所述蓝底白字的车牌图像的颜色分量值;
根据所述颜色分量值将所述蓝底白字的车牌图像转换为第二灰度数字图像。
优选的,当所述第二车牌图像为蓝底白字或黑底白字的车牌图像时,直接获取所述蓝底白字或黑底白字的车牌图像的颜色分量值,并根据所述颜色分量值将所述蓝底白字或黑底白字的车牌图像转换为第二灰度数字图像:
0.299*r+0.587*g+0.114*b
当所述第二车牌图像为黄底黑字的车牌图像时,首先将所述黄底黑字的车牌图像转换为蓝底白字的车牌图像,再获取所述蓝底白字的车牌图像的颜色分量值:
然后根据所述颜色分量值将所述蓝底白字的车牌图像转换为第二灰度数字图像:
其中分别为图像的红、绿、蓝的三色分类;r、g、b为所述第二车牌图像的原始的颜色分量,为所述第二车牌图像为黄底黑字时转换为蓝底白字后的车牌图像的颜色分量。
优选的,如果所述第二灰度数字图像中存在车牌铆钉,则步骤“获取所述第二灰度数字图像的车牌背景尺寸和整体车牌字符尺寸”之后还包括步骤:
调整带有铆钉的车牌字符的高度坐标:带有铆钉的车牌字符的高度/1.115。
优选的,如果所述第二灰度数字图像存在倾斜的情况,那么步骤“获取所述第二灰度数字图像的车牌背景尺寸和整体车牌字符尺寸”之后还包括步骤:
获取车牌字符的字符轴线;
根据所述字符轴线获取车牌字符间的斜宽、斜高和倾角;
根据所述车牌字符间的斜宽和斜高获取车牌字符的倾斜间距;
根据所述倾角和倾斜间距调整车牌背景尺寸和整体车牌字符尺寸。
优选的,所述字符轴线为:
其中,x、y为车牌第一位字符对应的底部最左边坐标,x1、y1为车牌第一位字符对应的底部最右边坐标;
x2、y2为车牌第二位字符对应的底部最左边坐标;
所述斜宽为x2-x1;
所述斜高为y2-y1;
所述倾角为(y2-y1)/(x2-x1);
所述倾斜间距为(x2,y2)和(x1,y1)两点之间的距离。
根据所述斜宽、斜高、倾斜间距以及车牌字符之间的位置关系,将预置好的车牌模板套上去,从而调整车牌背景尺寸和整体车牌字符尺寸。
优选的,所述步骤“将所述第二灰度数字图像转换为第二二值化图像”具体为:
所述第二灰度数字图像中的灰度级范围是0~255,设阈值为128,则:
其中,g(x,y)表示第二二值化图像中各个像素点的值,若g(x,y)=255则说明该像素点是车牌字符的颜色,反之,则是车牌背景的颜色。
优选的,如果所述第二二值化图像存在倾斜的情况,则步骤“将所述第二灰度数字图像转换为第二二值化图像,根据所述车牌背景尺寸和整体车牌字符尺寸将所述第二二值化图像分为10*70的矩阵,并将所述矩阵均分成7份,从而获得车牌每位字符的尺寸为10*10的矩阵”具体为:
将所述第二灰度数字图像转换为第二二值化图像,根据车牌字符间的倾角,对所述第二二值化图像进行倾斜纠正,将倾斜纠正后的第二二值化图像归一化为10*70的矩阵,并将所述矩阵均分成7份,从而获得每个车牌字符的尺寸为10*10的矩阵。
优选的,倾斜纠正的过程为:
首先,要确定校正变换前后图像的坐标关系:
相应的由图像旋转后图坐标反算回的图像旋转前图坐标为
其中(i,j)是图像旋转前f(x,y)中的像素点的坐标;(i,j)是对应像素点(i,j)经过旋转变换后的图像g(i,j)的像素点的坐标;
经旋转变换后的坐标位置如为非整数,则使用双线性插值法进行空穴进行填充,令f(x,y)为两个变量的函数,其在单位正方形顶点的位置已知,分别令a,b,c,d点的灰度值为f(0,0),f(0,1),f(1,0),f(1,1),以上4个已知像素点组成一个单位正方形,点(x0,y0)的灰度值为f(x0,y0),利用双线性插值法计算点(x0,y0)的灰度值的过程为:
首先,对于上端的两个顶点进行线下插值可得:
f(x0,0)=f(0,0)+x0[f(1,0)-f(0,0)]
类似的,对于低端两个顶点进行线性插值,有:
f(x0,1)=f(0,1)+x0[f(1,1)-f(0,1)]
最后,做垂直方向的线性插值得:
f(x0,y0)=f(x0,1)+x0[f(x0,1)-f(x0,1)]
优选的,归一化的过程为:
设f(x,y)为原图像,g(x0,y0)为归一化后的图像,设(x0,y0)为g中的任意一点,对应与f(x,y)中的点(a,b),根据(a,b)的具体情况来表示g(x0,y0)中各像素点的值;
归一化后图像的像素点和原图像中的像素点的映射公式为:
其中,w是原图像的宽度,是归一化以后的宽度;d是原图像的高度,d是归一化以后的高度;
归一化的图像中的点(x0,y0)映射到原图像中的点(a,b)可能存在非整数的情况,当(a,b)不是整数时要进行像素内插变换;
如果(a,b)是整数,表明(x0,y0)对应在原图像的网络点上,不必进行内插变换,直接令(x0,y0)的灰度值等于(a,b)位置处的灰度值:
g(x0,y0)=f(a,b)
如果(a,b)不是整数,则采取内插变换方法来决定g(x0,y0)的值;
邻近插值法中归一化的图像g(x0,y0)的灰度值是用f(x,y)邻接的四个网络点(i,j),(i+1,j),(i,j+1),(i+1,j+1)中几何距离最接近它的灰度值来近似。
优选的,所述学习后的三个神经网络的生成过程为:
获取第一车牌图像;
将所述第一车牌图像转为第一灰度数字图像;
获取所述第一灰度数字图像的车牌背景尺寸和整体车牌字符尺寸;
将所述第一灰度数字图像转换为第一二值化图像,根据所述车牌背景尺寸和整体车牌字符尺寸将所述第一二值化图像分为10*70的矩阵,并将所述矩阵均分成7份,从而获得车牌每位字符的尺寸为10*10的矩阵;
根据车牌每位字符的尺寸获取车牌每位字符的特征值,根据所述特征值创建第一神经网络、第二神经网络和第三神经网络;
将所述第一神经网络、第二神经网络和第三神经网络各随机初始化40个粒子,根据每个粒子的识别率获得所述第一二值化图像进行车牌字符识别的学习后的第一神经网络、学习后的第二神经网络和学习后的第三神经网络及其对应的学习输出值。
优选的,所述第一神经网络的输入值为字符10*10的矩阵对应的0,1编码,输入层神经元的个数为100,输出层神经元的个数为6,隐含层神经元的个数为25;
所述第二神经网络对应的输入值为字符10*10的矩阵对应的0,1编码,输入层神经元的个数为100,输出层神经元的个数为5,隐含层神经元的个数为22;
所述第三神经网络的输入值为字符10*10的矩阵对应的0,1编码,输入层神经元的个数为100,输出层神经元的个数为6,隐含层神经元的个数为25。
实施本发明的有益效果在于,与现有技术相比,本发明通过将第二车牌图像转为第二灰度数字图像,获取所述第二灰度数字图像的车牌背景尺寸和整体车牌字符尺寸,再将所述第二灰度数字图像转换为第二二值化图像,再将所述第二二值化图像分为10*70的矩阵,并将所述矩阵均分成7份,从而获得车牌每位字符的尺寸为10*10的矩阵,根据车牌每位字符的尺寸获取车牌每位字符的特征值,并获取所述特征值对应的学习后的三个神经网络,根据所述三个神经网络获取识别输出值,根据所述识别输出值确定所述第二车牌图像是否识别成功;本发明通过对车牌字符进行分类,改变传统的一个神经网络进行识别车牌,采用三个神经网络来识别车牌,精简网络结构,提高了车牌识别精度和识别速度,同时避免了人工干预的过程,降低车牌识别过程中的成本;本发明还通过将第二车牌图像转换为蓝底白字的车牌图像,然后再获取颜色分量值,最后再转换为第二灰度数字图像,更加全面的涵盖市面上所有车牌种类;同时本发明还明确了获取各种颜色分量值及其转换为第二灰度数字图像的过程,更加简单、方便、快捷、准确的转换为第二灰度数字图像,进一步提高车牌识别的效率和准确率;本发明还明确了铆钉的去除过程,进一步提高车牌识别的准确率;本发明还详细明确了车牌图像倾斜纠正、转换为第二二值化图像以及归一化的过程,进一步提高车牌识别的效率和准确率;本发明还通过粒子群优化神经网络,避免了传统神经网络学习易于陷入局部极值,加速了算法优化速度;同时,在神经网络学习阶段,采用网上公开的车牌图像,可方便收集各种各样的车牌图像,避免传统数据库里面由于图像质量过于优秀,导致虽然学习率很高,但存在识别率不高的技术问题,网络公开的车牌图像的特征各式各样,更有利于神经网络学习,并且,在车牌识别的过程中,不管什么角度的车牌图像,由于在学习过程中对应了多种多样的特点都已经学习过了,所以车牌识别率更高、更有效;本发明还明确了三个神经网络的输入层、隐含层和输出层的具体信息,进一步提高神经网络学习和识别的效率;本发明中的车牌识别方法可以用于停车场自动识别车牌,还可以用于违章罚款等等多种场合,应用场景广泛。
附图说明
图1是本发明实施例一种基于粒子群算法优化神经网络的车牌识别方法的流程图;
图2是本发明实施例中车牌倾斜时字符间的坐标关系图;
图3是为第二灰度数字图像中在一个单位范围内的整数坐标点的示意图;
图4是当图3中(a,b)非整数时g(x0,y0)的取值示意图;
图5是神经网络的基本结构示意图;
图6是基本神经元模型;
图7是为神经网络的粒子的编码示意图。
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,以下结合附图和实施例,对本发明进行进一步详细说明,为了便于说明,仅示出了与本发明实施例相关的部分。应当理解,此处所描写的具体实施例,仅仅用于解释本发明,并不用以限制本发明。
现结合附图,对本发明的较佳实施例作详细说明。
实施例一
图1所示为本发明实施例一种基于粒子群算法优化神经网络的车牌识别方法的流程图,所述方法包括步骤:
S101,获取第二车牌图像;
所述第二车牌图像指通过各类终端设备拍摄的各种角度、不同画质的车牌图像;
S102,将所述第二车牌图像转为第二灰度数字图像,具体为:
本发明以蓝底白字的车牌为研究对象,所以需要对可能涉及到的红色、白色、黄色和蓝色四种颜色进行处理;
首先,将所述第二车牌图像转换为蓝底白字的车牌图像;
获取所述蓝底白字的车牌图像的颜色分量值;
根据所述颜色分量值将所述蓝底白字的车牌图像转换为第二灰度数字图像;
进一步详细说明,当所述第二车牌图像为蓝底白字或黑底白字的车牌图像时,可直接获取所述蓝底白字或黑底白字的车牌图像的颜色分量值,并根据所述颜色分量值将所述蓝底白字或黑底白字的车牌图像转换为第二灰度数字图像:
0.299*r+0.587*g+0.114*b
当所述第二车牌图像为黄底黑字的车牌图像时,首先将所述黄底黑字的车牌图像转换为蓝底白字的车牌图像,再获取所述蓝底白字的车牌图像的颜色分量值:
然后根据所述颜色分量值将所述蓝底白字的车牌图像转换为第二灰度数字图像:
其中分别为图像的红、绿、蓝的三色分类;r、g、b为所述第二车牌图像的原始的颜色分量,为所述第二车牌图像为黄底黑字时转换为蓝底白字后的车牌图像的颜色分量;
所述第二车牌图像灰度化后,即转换为第二灰度数字图像后,在所述第二灰度数字图像中,整体车牌字符部分是亮色,车牌背景部分是暗色;
所述整体车牌字符部分指车牌图像中7位车牌字符作为整体的部分;所述车牌背景部分指车牌图像中除了7位车牌字符整体部分的其他部分;
S103,获取所述第二灰度数字图像的车牌背景尺寸和整体车牌字符尺寸;
为了更准确的进行车牌识别,经过大量的实验证实,车牌字符在整个车牌图像中所占的比例是固定的,首先蓝色背景(即第二灰度数字图像的背景部分)尺寸为一个矩形图像,其次整体车牌字符(即第二灰度数字图像的整体字符部分)处于蓝色背景的正中间位置,蓝色背景的高度是整体车牌字符高度的1.5倍,蓝色背景的宽度约为整体车牌字符宽度的1.1倍,从而可以在多块蓝底白色区域里面获取到真实的整体车牌字符位置,从而还可以确定所述第二灰度数字图像中每个字符大致位置;
如果所述第二灰度数字图像中存在车牌铆钉,则,步骤S103之后还可以包括步骤:
调整带有铆钉的车牌字符的高度坐标,即去除所述第二灰度数字图像中的车牌铆钉;
根据多次试验数据可知,所述第二灰度数字图像中的带有铆钉的字符的高度大于所有字符平均高度的1.115倍,从而当发现其中一个字符的高度大于所有字符平均高度的1.115倍时,就调整所述字符的高度坐标为:带有铆钉的字符的高度/1.115,公式如下:
High=high/1.115
其中high为所述字符的最初的高度坐标,High为所述字符调整后的高度坐标;
如果所述第二灰度数字图像存在倾斜的情况,那么,上述步骤之后或者步骤S103之后,还可以进一步包括步骤:
获取车牌字符的字符轴线;
根据所述字符轴线获取车牌字符间的斜宽、斜高和倾角;
根据所述车牌字符间的斜宽和斜高获取车牌字符的倾斜间距;
根据所述倾角和倾斜间距调整车牌背景尺寸和整体车牌字符尺寸;
具体如下:
步骤S103之后,所述第二灰度数字图像中车牌字符大致位置已经确定,可根据车牌字符间的相对位置和两点直线公式确定车牌字符所在的轴线:
其中,x、y为车牌第一位字符对应的底部最左边坐标,x1、y1为车牌第一位字符对应的底部最右边坐标;
x2、y2为车牌第二位字符对应的底部最左边坐标;
由于y2不同于y1,说明有倾斜,再根据(y2-y1)/(x2-x1)就知道倾斜的倾角(即斜宽除以斜高),再根据(x2,y2)和(x1,y1)两点之间的距离就知道车牌字符之间倾斜间距;
将车牌字符的矩形包络的坐标带进上述公式,求出车牌字符所在字符轴线,进一步得出车牌字符的水平倾斜角度值,也就是车牌字符偏离水平方向的角度(即倾角),根据车牌字符偏离水平方向的角度得到车牌字符偏离竖直方向的角度,并保存该矩形左上角和右下角的坐标,从而获取车牌字符的范围;
利用己经找到的现有的字符的倾斜包络,初步得到倾斜字符的倾角:斜宽除以斜高,即公式:
(y2-y1)/(x2-x1)
根据现有字符的斜宽和斜高,推出车牌倾斜字符之间的倾斜间距:
车牌第二位字符的最左边坐标(x2,y2)与车牌第一位字符的最右边坐标的间距,即为所述车牌字符间的倾斜间距;
举例说明,如图2所示为本发明实施例中车牌倾斜时字符间的坐标关系图,其中(x10,y10)和(x11,y11)分别为车牌第一位字符对应的底部最左边坐标和最右边坐标,(x20,y20)和(x21,y21)分别为车牌第二位字符对应的底部最左边坐标和最右边坐标,由于y20不同于y10,说明有倾斜,再根据(y20-y10)/(x20-x10)就知道倾斜的倾角(即斜宽除以斜高),再根据(x20,y20)和(x11,y11)两点之间的距离就知道车牌字符之间倾斜间距;
由于在寻找字符的过程中,并不一定能完全寻找到所有的车牌字符,但是已经找到了车牌字符中的一部分字符,并得到了它们的斜宽、斜高和车牌字符间的倾斜间距,根据车牌字符之间的位置关系,将预置好的车牌模板套上去,当车牌模板完整的将已经找到的字符嵌入进去,车牌上的所有字符位置就都找到了,也就是确定了车牌背景尺寸和整体车牌字符尺寸,同样可以确定每个车牌字符大概的位置;
首尾车牌字符由于背景部分的差异性是很容易区别出来的,所以只要知道了首尾字符的位置,把中间的范围筛选出来,就是所有车牌字符的位置;同时根据车牌字符间的斜宽、斜高和车牌字符间的倾斜间距这些信息就可以把各个字符进行区别了;
S104,将所述第二灰度数字图像转换为第二二值化图像,根据所述车牌背景尺寸和整体车牌字符尺寸将所述第二二值化图像分为10*70的矩阵,并将所述矩阵均分成7份,从而获得车牌每位字符的尺寸为10*10的矩阵;
把所述第二灰度数字图像的像素点仅用两个灰度值来表示所述第二灰度数字图像的整体车牌字符和车牌背景的颜色,从而产生相应的第二二值化图像;
所述第二灰度数字图像中的灰度级范围是0~255,设阈值为128,则:
其中,g(x,y)表示第二二值化图像中各个像素点的值,若g(x,y)=255则说明该像素点是车牌字符的颜色,反之,则是车牌背景的颜色;
如果所述第二二值化图像存在倾斜的情况,就需要在步骤S104之后增加如下步骤:
根据车牌字符间的倾角,对所述第二二值化图像进行倾斜纠正,具体:
首先要确定校正变换前后图像的坐标关系:
相应的由图像旋转后图坐标反算回的图像旋转前图坐标为
其中(i,j)是图像旋转前f(x,y)中的像素点的坐标;(i,j)是对应像素点(i,j)经过旋转变换后的图像g(i,j)的像素点的坐标;
经变换后的坐标位置可能不是整数,这样,在旋转后的图像中就会出现空穴,本发明使用双线性插值法进行空穴进行填充,如图3所示为第二灰度数字图像中(x0,y0)在一个单位范围内的4个整数坐标点a,b,c,d的示意图;
令f(x,y)为两个变量的函数,其在单位正方形顶点的位置已知;
分别令图中a,b,c,d点的灰度值为f(0,0),f(0,1),f(1,0),f(1,1),以上4个已知像素点组成一个单位正方形,点(x0,y0)的灰度值为f(x0,y0),利用双线性插值法计算点(x0,y0)的灰度值的过程为:
首先,对于上端的两个顶点进行线下插值可得:
f(x0,0)=f(0,0)+x0[f(1,0)-f(0,0)]
类似的,对于低端两个顶点进行线性插值,有:
f(x0,1)=f(0,1)+x0[f(1,1)-f(0,1)]
最后,做垂直方向的线性插值得:
f(x0,y0)=f(x0,1)+x0[f(x0,1)-f(x0,1)]
从而实现对空穴的赋值;
然后,将倾斜纠正后的第二二值化图像归一化为10*70的矩阵,并将所述矩阵均分成7份,从而获得每个车牌字符的尺寸为10*10的矩阵;
将待识别的车牌字符进行大小统一,以便于进行字符特征提取,本文采用插值变化的归一化方式:
设f(x,y)为原图像,g(x0,y0)为归一化后的图像,设(x0,y0)为g中的任意一点,对应与f(x,y)中的点(a,b),根据(a,b)的具体情况来表示g(x0,y0)中各像素点的值;
归一化后图像的像素点和原图像中的像素点的映射公式为:
上式中的w是原图像的宽度,是归一化以后的宽度;d是原图像的高度,d是归一化以后的高度;
归一化的图像中的点(x0,y0)映射到原图像中的点(a,b)可能存在非整数的情况,当(a,b)不是整数时要进行像素内插变换;
如果(a,b)是整数,表明(x0,y0)对应在原图像的网络点上,不必进行内插变换,直接令(x0,y0)的灰度值等于(a,b)位置处的灰度值:
g(x0,y0)=f(a,b)
如果(a,b)不是整数,则采取内插变换方法来决定g(x0,y0)的值,如图4所示为图3中(a,b)非整数时g(x0,y0)的取值示意图;
邻近插值法中归一化的图像g(x0,y0)的灰度值是用f(x,y)邻接的四个网络点(i,j),(i+1,j),(i,j+1),(i+1,j+1)中几何距离最接近它的灰度值来近似;
考虑到车牌识别的要求,对车牌背景统一归一化为10*70的矩阵,考虑到车牌是按7个字符进行识别的,其中车牌第一位字符为31个汉字,车牌第二位字符为字母,车牌后五位字符为字母和数字的组合,本文将归一化的图像再均分成7份,从而每个字符的尺寸为10*10的矩阵;
S105,根据车牌每位字符的尺寸获取车牌每位字符的特征值,并获取所述特征值对应的学习后的三个神经网络;
所述学习后的三个神经网络的生成过程为:
S1051,获取第一车牌图像;
所述第一车牌图像包括从各类搜索引擎上(例如百度)下载全国各地车牌图像5000个作为学习样本,为保证各省汉字都能识别到,每省车牌图像不少于100个;
所述第一车牌图像还包括已有的、公开的、用于区分车主信息的车牌数据库中的所有车牌图像;
S1052,将所述第一车牌图像转为第一灰度数字图像;
步骤S1052的过程与步骤S102类似,不再赘述;
S1053,获取所述第一灰度数字图像的车牌背景尺寸和整体车牌字符尺寸;
步骤S1053的过程与步骤S103类似,不再赘述;
S1054,将所述第一灰度数字图像转换为第一二值化图像,根据所述车牌背景尺寸和整体车牌字符尺寸将所述第一二值化图像分为10*70的矩阵,并将所述矩阵均分成7份,从而获得车牌每位字符的尺寸为10*10的矩阵;
步骤S1054的过程与步骤S104类似,不再赘述;
S1055,根据车牌每位字符的尺寸获取车牌每位字符的特征值,根据所述特征值创建第一神经网络、第二神经网络和第三神经网络;
由于车牌每位字符均为一个10*10的矩阵,对应这个矩阵里面被灰度化的0和1就是每位字符的特征值,从而每位字符的特征值为10*10的0,1编码;
如图5所示为神经网络的基本结构示意图,包括输入层,隐含层和输出层;
作为人工神经网络的基本单元的神经元模型,它有三个基本要素,如图6所示为基本神经元模型,对应的数学公式为:
vk=netk=uk-θk
公式(2)
yk=S(vk)
公式(3)
其中x1,x2,…,xn为输入信号,wk1,wk2,…,wkp为神经元k的权值,uk为线性组合权值,θk为阈值,S(·)为激活函数,yk为神经元k的实际输出;
公式(1)为求和函数,用于获得各神经元输入值的连接权值之和(线性组合),其中x1,x2,…,xp为神经元k的输入值,在本实施例中所述神经元的输入值为二进制1或0(也可以是其他进制,不再赘述),wk1,wk2,…,wkp为神经元k的连接权值,连接权值和阈值的初始值为[-1,1]之间的随机数,这是考虑到每一个神经元的输入值(即特征向量)都能提供贡献,如果把范围设置的太多,有些神经元的输入值(即特指向量)体现不出来,容易陷入局部极值;
连接权值和阈值的初始值经学习或优化后就有可能变为任何数;
利用遗传算法优化所述神经网络就是优化所述连接权值和阈值;
uk为线性组合权值,是个随机值,可以为小数点十进制的值;
公式(2)中θk为阈值,(还可以用偏值bk代替θk,即bk=-θk);vk表示uk与θk的差值;
公式(3)中,S(·)为激活函数,是一个非线性激活函数,用于非线性映射作用并将输出层的输出值限制在一定范围内;
yk为神经元k的输出值;
激活函数S(·)设为Sigmoid函数:
公式(4)中S(v)的值是(-1,1)范围内的值,当小于0的时候,输出值为0,当大于等于0的时候,输出值为1;
此外,在公式(2)中,若把输入层神经元的输入值的维数增加一维,则可把阈值θk包括进去,则公式(2)变为:
此处增加了一个新的连接,其输入为x0=-1,权值为wk0=θk(或bk);
一般情况下,神经网络的输入值就是特征向量的值,但由于现有神经元的计算公式里面,有一个阈值的概率,相当于多了特征向量默认为-1的一个输入值,也就是多了一个连接,所以这里就需要用到公式(5);
公式(5)是求和函数,uk是随机值,可以为小数点十进制的值;
所述维数是根据神经网络的输入值来确定的,神经网络有多少输入值,就默认有多少维数;
由于S(v)的值是(-1,1)范围内的值,当小与0的时候,输出值为0,当大于等于0的时候,输出值为1;
粒子群算法是粒子向自身经验Pi和群体经验Pg不断学习,实现在解空间内寻优;
假设粒子群第i个粒子在d维空间中的位置为xi=(xi1,xi2,…,xid),飞行速度为vi=(vi1,vi2,…,vid),其经历过的最好位置为Pi=(pi1,pi2,…,pid),所有粒子经历过的最好位置为Pg=(pg1,pg2,…,pgd),粒子按下式更新:
公式(6)中,vid表示第i个粒子第d维速度分量,t为迭代次数,惯性权重w为0.98,学习因子c1=c2=2,r1和r2为(0,1)之间均匀分布的随机数;
已知,车牌的第一位字符和第二位字符为汉字和字母,本发明对车牌字符识别分别采用三个神经网络进行学习;
对车牌的第一位字符我们以23个省,5个自治区,4个直辖市的简称和军队车牌涉及到的“军”、“警”及军区简称等字符,不过涉及到汉字总共不超过64个,从而创建所述第一位字符对应的第一神经网络,所述第一神经网络的输出值根据二进制规则,可以设计为6个输出值,输入值为字符10*10的矩阵对应的0,1编码,则输入层神经元的个数为100,输出层神经元的个数为6,隐含层神经元的个数为取整确定为25;
车牌的第二位字符涉及到26个英文字母,则对应的输出值根据二进制规则可以设计成5个,从而创建所述第二位字符对应的第二神经网络,所述第二神经网络对应的输入值为字符10*10的矩阵对应的0,1编码,输入层神经元的个数为100,输出层神经元的个数为5,隐含层神经元的个数为取整确定为22;
车牌的后五位字符涉及到26个英文字母和10个数字,则创建所述后五位字符对应的第三神经网络,所述第三神经网络的输出值根据二进制规则可以设计成6个,输入值为字符10*10的矩阵对应的0,1编码,则输入层神经元的个数为100,输出层神经元的个数为6,隐含层神经元的个数为取整确定为25;
这种方式即方便的对车牌进行识别,也进一步简化了网络,提高了算法的运算效率;
所述第一神经网络、第二神经网络和第三神经网络的结构确定后,对神经网络的所有权值和阈值赋予(-1,1)范围内的随机值;
如图7所示为神经网络的粒子的编码示意图,u为输入层与隐含层之间的连接权值,v为隐含层与输出层之间的连接权值;
粒子的目标函数:由于神经元的激活函数为输出为(-1,1)之间的随机值,采用作为粒子的目标函数,其中num为学习样本数,Yi为隐含层神经元的实际输出,Oi为隐含层神经元的期望输出;
S1056,将所述第一神经网络、第二神经网络和第三神经网络各随机初始化40个粒子,根据每个粒子的识别率获得所述第一二值化图像进行车牌字符识别的学习后的第一神经网络、学习后的第二神经网络和学习后的第三神经网络及其对应的学习输出值;
三个神经网络分别对车牌字符中的文字、字母和数字进行学习;
通过学习后的三个神经网络分别对车牌字符中的文字、字母和数字进行识别,提高了识别效率和准确率;
本发明从百度上下载全国各地车牌5000作为学习样本,为保证各省汉子都能识别到,每省车牌图像不少于100个,通过所述第一神经网络、第二神经网络和第三神经网络进行学习,每个神经网络都随机初始化40个粒子,每个粒子代表一个神经网络,对每个神经网络赋予权值和阈值后,再分别对40个粒子根据神经网络学习算法获取每个粒子初始识别率,初始识别率也作为当前粒子的最初粒子最优值,再从中选择识别率最高的作为当前最优粒子;
三个神经网络都学习5000代,每代中比较每个粒子历史最优值和所有粒子历史最优值,分别作为粒子自身最优值和全局历史最优值;
三个神经网络都学习5000代后,全局历史最优值就是全局最优粒子,所述全局最优粒子就为所述第一二值化图像学习后的第一神经网络、学习后的第二神经网络和学习后的第三神经网络及其对应的学习输出值;
所述学习输出值为二进制数值,采用公式(1)至(5)进行优化和学习后即可获得学习输出值;
S106,根据所述学习后的三个神经网络获取识别输出值;
所述识别输出值为二进制数值,根据公式(1)至(5)即可获得识别输出值;
根据所述学习后的第一神经网络、学习后的第二神经网络和学习后的第三神经网络获取识别输出值;
S107,根据所述识别输出值确定所述第二车牌图像是否识别成功,具体为:
判断所述识别输出值与学习输出值是否相等,若是,则所述第二车牌图像识别成功;若否,则所述第二车牌图像识别失败;
所述第二车牌图像识别成功,表示认定所述第二车牌图像与第一车牌图像为同一车牌;
所述第二车牌图像识别失败,表示认定所述第二车牌图像与所述第一车牌图像并非同一车牌;
所述学习后的第一神经网络、学习后的第二神经网络和学习后的第三神经网络分别为经多次循环迭代选取的最优遗传因子的编码对应的神经网络,识别过程中只需要直接选取学习后的第一神经网络、学习后的第二神经网络和学习后的第三神经网络获得对应的识别输出值即可,不需要再进行学习,识别效率高;
本发明通过将第二车牌图像转为第二灰度数字图像,获取所述第二灰度数字图像的车牌背景尺寸和整体车牌字符尺寸,再将所述第二灰度数字图像转换为第二二值化图像,再将所述第二二值化图像分为10*70的矩阵,并将所述矩阵均分成7份,从而获得车牌每位字符的尺寸为10*10的矩阵,根据车牌每位字符的尺寸获取车牌每位字符的特征值,并获取所述特征值对应的学习后的三个神经网络,根据所述三个神经网络获取识别输出值,根据所述识别输出值确定所述第二车牌图像是否识别成功;本发明通过对车牌字符进行分类,改变传统的一个神经网络进行识别车牌,采用三个神经网络来识别车牌,精简网络结构,提高了车牌识别精度和识别速度,同时避免了人工干预的过程,降低车牌识别过程中的成本;本发明还通过将第二车牌图像转换为蓝底白字的车牌图像,然后再获取颜色分量值,最后再转换为第二灰度数字图像,更加全面的涵盖市面上所有车牌种类;同时本发明还明确了获取各种颜色分量值及其转换为第二灰度数字图像的过程,更加简单、方便、快捷、准确的转换为第二灰度数字图像,进一步提高车牌识别的效率和准确率;本发明还明确了铆钉的去除过程,进一步提高车牌识别的准确率;本发明还详细明确了车牌图像倾斜纠正、转换为第二二值化图像以及归一化的过程,进一步提高车牌识别的效率和准确率;本发明还通过粒子群优化神经网络,避免了传统神经网络学习易于陷入局部极值,加速了算法优化速度;同时,在神经网络学习阶段,采用网上公开的车牌图像,可方便收集各种各样的车牌图像,避免传统数据库里面由于图像质量过于优秀,导致虽然学习率很高,但存在识别率不高的技术问题,网络公开的车牌图像的特征各式各样,更有利于神经网络学习,并且,在车牌识别的过程中,不管什么角度的车牌图像,由于在学习过程中对应了多种多样的特点都已经学习过了,所以车牌识别率更高、更有效;本发明还明确了三个神经网络的输入层、隐含层和输出层的具体信息,进一步提高神经网络学习和识别的效率;本发明中的车牌识别方法可以用于停车场自动识别车牌,还可以用于违章罚款等等多种场合,应用场景广泛。
以上所述者,仅为本发明最佳实施例而已,并非用于限制本发明的范围,凡依本发明申请专利范围所作的等效变化或修饰,皆为本发明所涵盖。
Claims (12)
1.一种基于粒子群算法优化神经网络的车牌识别方法,其特征在于,所述方法包括步骤:
获取第二车牌图像;
将所述第二车牌图像转为第二灰度数字图像;
获取所述第二灰度数字图像的车牌背景尺寸和整体车牌字符尺寸;
将所述第二灰度数字图像转换为第二二值化图像,根据所述车牌背景尺寸和整体车牌字符尺寸将所述第二二值化图像分为10*70的矩阵,并将所述矩阵均分成7份,从而获得车牌每位字符的尺寸为10*10的矩阵;
根据车牌每位字符的尺寸获取车牌每位字符的特征值,并获取所述特征值对应的学习后的三个神经网络;
根据所述学习后的三个神经网络获取识别输出值;
根据所述识别输出值确定所述第二车牌图像是否识别成功。
2.如权利要求1所述的基于粒子群算法优化神经网络的车牌识别方法,其特征在于,所述步骤“将所述第二车牌图像转为第二灰度数字图像”具体为:
将所述第二车牌图像转换为蓝底白字的车牌图像;
获取所述蓝底白字的车牌图像的颜色分量值;
根据所述颜色分量值将所述蓝底白字的车牌图像转换为第二灰度数字图像。
3.如权利要求2所述的基于粒子群算法优化神经网络的车牌识别方法,其特征在于,当所述第二车牌图像为蓝底白字或黑底白字的车牌图像时,直接获取所述蓝底白字或黑底白字的车牌图像的颜色分量值,并根据所述颜色分量值将所述蓝底白字或黑底白字的车牌图像转换为第二灰度数字图像:
0.299*r+0.587*g+0.114*b
当所述第二车牌图像为黄底黑字的车牌图像时,首先将所述黄底黑字的车牌图像转换为蓝底白字的车牌图像,再获取所述蓝底白字的车牌图像的颜色分量值:
然后根据所述颜色分量值将所述蓝底白字的车牌图像转换为第二灰度数字图像:
其中r,g,b分别为图像的红、绿、蓝的三色分类;r、g、b为所述第二车牌图像的原始的颜色分量,为所述第二车牌图像为黄底黑字时转换为蓝底白字后的车牌图像的颜色分量。
4.如权利要求1所述的基于粒子群算法优化神经网络的车牌识别方法,其特征在于,如果所述第二灰度数字图像中存在车牌铆钉,则步骤“获取所述第二灰度数字图像的车牌背景尺寸和整体车牌字符尺寸”之后还包括步骤:
调整带有铆钉的车牌字符的高度坐标:带有铆钉的车牌字符的高度/1.115。
5.如权利要求1或4所述的基于粒子群算法优化神经网络的车牌识别方法,其特征在于,如果所述第二灰度数字图像存在倾斜的情况,那么步骤“获取所述第二灰度数字图像的车牌背景尺寸和整体车牌字符尺寸”之后还包括步骤:
获取车牌字符的字符轴线;
根据所述字符轴线获取车牌字符间的斜宽、斜高和倾角;
根据所述车牌字符间的斜宽和斜高获取车牌字符的倾斜间距;
根据所述倾角和倾斜间距调整车牌背景尺寸和整体车牌字符尺寸。
6.如权利要求5所述的基于粒子群算法优化神经网络的车牌识别方法,其特征在于,所述字符轴线为:
其中,x、y为车牌第一位字符对应的底部最左边坐标,x1、y1为车牌第一位字符对应的底部最右边坐标;
x2、y2为车牌第二位字符对应的底部最左边坐标;
所述斜宽为x2-x1;
所述斜高为y2-y1;
所述倾角为(y2-y1)/(x2-x1);
所述倾斜间距为(x2,y2)和(x1,y1)两点之间的距离。
根据所述斜宽、斜高、倾斜间距以及车牌字符之间的位置关系,将预置好的车牌模板套上去,从而调整车牌背景尺寸和整体车牌字符尺寸。
7.如权利要求1所述的基于粒子群算法优化神经网络的车牌识别方法,其特征在于,所述步骤“将所述第二灰度数字图像转换为第二二值化图像”具体为:
所述第二灰度数字图像中的灰度级范围是0~255,设阈值为128,则:
其中,g(x,y)表示第二二值化图像中各个像素点的值,若g(x,y)=255则说明该像素点是车牌字符的颜色,反之,则是车牌背景的颜色。
8.如权利要求7所述的基于粒子群算法优化神经网络的车牌识别方法,其特征在于,如果所述第二二值化图像存在倾斜的情况,则步骤“将所述第二灰度数字图像转换为第二二值化图像,根据所述车牌背景尺寸和整体车牌字符尺寸将所述第二二值化图像分为10*70的矩阵,并将所述矩阵均分成7份,从而获得车牌每位字符的尺寸为10*10的矩阵”具体为:
将所述第二灰度数字图像转换为第二二值化图像,根据车牌字符间的倾角,对所述第二二值化图像进行倾斜纠正,将倾斜纠正后的第二二值化图像归一化为10*70的矩阵,并将所述矩阵均分成7份,从而获得每个车牌字符的尺寸为10*10的矩阵。
9.如权利要求8所述的基于粒子群算法优化神经网络的车牌识别方法,其特征在于,倾斜纠正的过程为:
首先,要确定校正变换前后图像的坐标关系:
相应的由图像旋转后图坐标反算回的图像旋转前图坐标为
其中(i,j)是图像旋转前f(x,y)中的像素点的坐标;(i,j)是对应像素点(i,j)经过旋转变换后的图像g(i,j)的像素点的坐标;
经旋转变换后的坐标位置如为非整数,则使用双线性插值法进行空穴进行填充,令f(x,y)为两个变量的函数,其在单位正方形顶点的位置已知,分别令a,b,c,d点的灰度值为f(0,0),f(0,1),f(1,0),f(1,1),以上4个已知像素点组成一个单位正方形,点(x0,y0)的灰度值为f(x0,y0),利用双线性插值法计算点(x0,y0)的灰度值的过程为:
首先,对于上端的两个顶点进行线下插值可得:
f(x0,0)=f(0,0)+x0[f(1,0)-f(0,0)]
类似的,对于低端两个顶点进行线性插值,有:
f(x0,1)=f(0,1)+x0[f(1,1)-f(0,1)]
最后,做垂直方向的线性插值得:
f(x0,y0)=f(x0,1)+x0[f(x0,1)-f(x0,1)]
10.如权利要求9所述的基于粒子群算法优化神经网络的车牌识别方法,其特征在于,归一化的过程为:
设f(x,y)为原图像,g(x0,y0)为归一化后的图像,设(x0,y0)为g中的任意一点,对应与f(x,y)中的点(a,b),根据(a,b)的具体情况来表示g(x0,y0)中各像素点的值;
归一化后图像的像素点和原图像中的像素点的映射公式为:
其中,w是原图像的宽度,是归一化以后的宽度;d是原图像的高度,d是归一化以后的高度;
归一化的图像中的点(x0,y0)映射到原图像中的点(a,b)可能存在非整数的情况,当(a,b)不是整数时要进行像素内插变换;
如果(a,b)是整数,表明(x0,y0)对应在原图像的网络点上,不必进行内插变换,直接令(x0,y0)的灰度值等于(a,b)位置处的灰度值:
g(x0,y0)=f(a,b)
如果(a,b)不是整数,则采取内插变换方法来决定g(x0,y0)的值;邻近插值法中归一化的图像g(x0,y0)的灰度值是用f(x,y)邻接的四个网络点(i,j),(i+1,j),(i,j+1),(i+1,j+1)中几何距离最接近它的灰度值来近似。
11.如权利要求1所述的基于粒子群算法优化神经网络的车牌识别方法,其特征在于,所述学习后的三个神经网络的生成过程为:
获取第一车牌图像;
将所述第一车牌图像转为第一灰度数字图像;
获取所述第一灰度数字图像的车牌背景尺寸和整体车牌字符尺寸;
将所述第一灰度数字图像转换为第一二值化图像,根据所述车牌背景尺寸和整体车牌字符尺寸将所述第一二值化图像分为10*70的矩阵,并将所述矩阵均分成7份,从而获得车牌每位字符的尺寸为10*10的矩阵;
根据车牌每位字符的尺寸获取车牌每位字符的特征值,根据所述特征值创建第一神经网络、第二神经网络和第三神经网络;
将所述第一神经网络、第二神经网络和第三神经网络各随机初始化40个粒子,根据每个粒子的识别率获得所述第一二值化图像进行车牌字符识别的学习后的第一神经网络、学习后的第二神经网络和学习后的第三神经网络及其对应的学习输出值。
12.如权利要求11所述的基于粒子群算法优化神经网络的车牌识别方法,其特征在于,所述第一神经网络的输入值为字符10*10的矩阵对应的0,1编码,输入层神经元的个数为100,输出层神经元的个数为6,隐含层神经元的个数为25;
所述第二神经网络对应的输入值为字符10*10的矩阵对应的0,1编码,输入层神经元的个数为100,输出层神经元的个数为5,隐含层神经元的个数为22;
所述第三神经网络的输入值为字符10*10的矩阵对应的0,1编码,输入层神经元的个数为100,输出层神经元的个数为6,隐含层神经元的个数为25。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811176588.0A CN109359656A (zh) | 2018-10-10 | 2018-10-10 | 一种基于粒子群算法优化神经网络的车牌识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811176588.0A CN109359656A (zh) | 2018-10-10 | 2018-10-10 | 一种基于粒子群算法优化神经网络的车牌识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359656A true CN109359656A (zh) | 2019-02-19 |
Family
ID=65348837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811176588.0A Pending CN109359656A (zh) | 2018-10-10 | 2018-10-10 | 一种基于粒子群算法优化神经网络的车牌识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359656A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598832A (zh) * | 2019-08-22 | 2019-12-20 | 西安理工大学 | 一种基于遗传优化算法的文字透视矫正方法 |
Citations (1)
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 |
-
2018
- 2018-10-10 CN CN201811176588.0A patent/CN109359656A/zh active Pending
Patent Citations (1)
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 |
Non-Patent Citations (1)
Title |
---|
张军: "车牌识别技术的研究与实现", 《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 |
---|---|---|---|---|
CN110598832A (zh) * | 2019-08-22 | 2019-12-20 | 西安理工大学 | 一种基于遗传优化算法的文字透视矫正方法 |
CN110598832B (zh) * | 2019-08-22 | 2022-05-03 | 北京青藤文化股份有限公司 | 一种基于遗传优化算法的文字透视矫正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599792B (zh) | 一种手部驾驶违规行为的检测方法 | |
CN110807465B (zh) | 一种基于通道损失函数的细粒度图像识别方法 | |
CN110175611B (zh) | 面向车牌识别系统黑盒物理攻击模型的防御方法及装置 | |
CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
CN101944174B (zh) | 车牌字符的识别方法 | |
CN110619369A (zh) | 基于特征金字塔与全局平均池化的细粒度图像分类方法 | |
CN108805125B (zh) | 基于粒子群算法优化神经网络的车牌识别系统及方法 | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
CN109977994A (zh) | 一种基于多示例主动学习的代表性图像选取方法 | |
CN108764358A (zh) | 一种太赫兹图像识别方法、装置、设备及可读存储介质 | |
WO2013106984A1 (en) | Learning painting styles for painterly rendering | |
CN111008639B (zh) | 一种基于注意力机制的车牌字符识别方法 | |
CN109325484A (zh) | 基于背景先验显著性的花卉图像分类方法 | |
CN107516103A (zh) | 一种影像分类方法和系统 | |
CN108009548A (zh) | 一种智能路牌识别方法及系统 | |
CN108268871A (zh) | 一种基于卷积神经网络的端到端的车牌识别方法和系统 | |
CN101615244A (zh) | 手写板坯号自动识别方法及识别装置 | |
CN103679191A (zh) | 基于静态图片的自动套牌车检测方法 | |
CN111242046B (zh) | 一种基于图像检索的地面交通标志识别方法 | |
CN113128507B (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
CN110222767A (zh) | 基于嵌套神经网络和栅格地图的三维点云分类方法 | |
CN108960055A (zh) | 一种基于局部线段模式特征的车道线检测方法 | |
Krešo et al. | Robust semantic segmentation with ladder-densenet models | |
CN115908930A (zh) | 一种基于改进cfwpso-svm的前视声呐图像识别分类方法 | |
JP4275866B2 (ja) | カラー画像から文字列パターンを抽出する装置および方法 |
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 |
Application publication date: 20190219 |
|
RJ01 | Rejection of invention patent application after publication |