CN109389014A - 套用车牌车辆的检测方法、装置及电子设备 - Google Patents
套用车牌车辆的检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109389014A CN109389014A CN201710679456.9A CN201710679456A CN109389014A CN 109389014 A CN109389014 A CN 109389014A CN 201710679456 A CN201710679456 A CN 201710679456A CN 109389014 A CN109389014 A CN 109389014A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- license plate
- determines
- frame image
- scanning
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06V10/443—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 by matching or filtering
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种套用车牌车辆的检测方法、装置及电子设备,方法包括:获取包含车辆的帧图像;扫描帧图像,确定车辆的品牌信息;扫描帧图像,确定车辆的车牌类型信息;判断车辆的品牌信息是否在预先存储的车辆目录中,并判断车辆的车牌类型信息是否与预定种类的车辆的车牌类型信息匹配,预先存储的车辆目录包括准许上牌的预定种类的车辆的品牌信息;若车辆的品牌信息不在车辆目录中,并且车辆的车牌类型信息与预定种类的车辆的车牌类型信息匹配,则确定车辆为套用车牌车辆。应用本发明实施例,能够提高套用车牌车辆的检测效率。
Description
技术领域
本发明涉及智能交通技术领域,特别是涉及一种套用车牌车辆的检测方 法、装置及电子设备。
背景技术
目前,套用车牌的车辆的检测方法为:采用人工设计的特征,结合机器学 习算法,识别图像中的车辆品牌和车辆车牌的号码;从预先建立的车辆登记注 册信息的数据库中,查找与识别到的车辆车牌的号码对应的车辆品牌信息,该 车辆登记注册信息包括车辆的品牌信息与车牌的号码的对应关系;对比查找到 的车辆品牌信息和识别到的车辆品牌信息,确定图像中的车辆是否为套用车牌 的车辆。
随着车辆的越来越多,不同种类的车辆也越来越多,例如非新能源车辆, 如燃油汽车等;再例如新能源车辆,如电动汽车等,车辆登记注册信息的数据 库中存储的信息也越来越多。基于上述套用车牌的车辆的检测方法,检测套用 车牌的车辆,需要从这存储着大量车辆登记注册信息的数据库中查找到车牌号 码对应的车辆品牌信息,查找速度较慢,这直接导致的结果就是套用车牌的车 辆的检测效率较低。
发明内容
本发明实施例的目的在于提供一种套用车牌车辆的检测方法、装置及电子 设备,以提高套用车牌车辆的检测效率。具体技术方案如下:
一方面,本发明实施例公开了一种套用车牌车辆的检测方法,所述方法包 括:
获取包含车辆的帧图像;
扫描所述帧图像,确定所述车辆的品牌信息;
扫描所述帧图像,确定所述车辆的车牌类型信息;
判断所述车辆的品牌信息是否在预先存储的车辆目录中,并判断所述车辆 的车牌类型信息是否与预定种类的车辆的车牌类型信息匹配;预先存储的车辆 目录包括准许上牌的所述预定种类的车辆的品牌信息;
若所述车辆的品牌信息不在所述车辆目录中,并且所述车辆的车牌类型信 息与所述预定种类的车辆的车牌类型信息匹配,则确定所述车辆为套用车牌车 辆。
可选的,所述扫描所述帧图像,确定所述车辆的品牌信息的步骤,包括:
扫描所述帧图像,确定所述车辆所在的第一目标区域;
截取所述第一目标区域作为目标区域图像;
利用卷积神经网络对所述目标区域图像进行识别,确定所述车辆的品牌信 息;所述卷积神经网络用于对图像进行识别确定车辆的品牌信息。
可选的,所述卷积神经网络通过以下方式获得:
获取非预定种类的车辆的图像和标记品牌信息的预定种类的车辆的图像;
利用所述非预定种类的车辆的图像和所述标记车辆品牌的预定种类的车 辆的图像,对初始的卷积神经网络进行训练。
可选的,所述扫描所述帧图像,确定所述车辆所在的第一目标区域的步骤, 包括:
基于滑动窗口对所述帧图像进行多尺度扫描,确定疑似包含所述车辆的待 选车辆区域;
对所述待选车辆区域进行特征提取;
若提取的特征与车辆特征匹配,则确定所述待选车辆区域为所述车辆所在 的第一目标区域。
可选的,所述基于滑动窗口对所述帧图像进行多尺度扫描,确定疑似包含 所述车辆的待选车辆区域的步骤,包括:
基于滑动窗口对所述帧图像进行多尺度扫描,确定疑似包含所述车辆的检 测区域;
若确定多个重叠的检测区域,采用非极大值抑制算法融合所述多个重叠的 检测区域,将融合后的区域作为疑似包含所述车辆的待选车辆区域。
可选的,所述车牌类型信息包括车牌颜色和车牌号位数;
所述扫描所述帧图像,确定所述车辆的车牌类型信息的步骤,包括:
扫描所述帧图像,确定所述车辆的车牌所在的第二目标区域;
在颜色空间上对所述第二目标区域的颜色进行分类,确定所述车辆的车牌 颜色;
对所述第二目标区域进行二值化处理,确定所述车辆的车牌号位数;
所述判断所述车辆的车牌类型信息是否与预定种类的车辆的车牌类型信 息匹配的步骤,包括:
判断所述车辆的车牌颜色和/或车牌号位数是否与预定种类的车辆的车牌 颜色和/或车牌号位数匹配;
如果是,判定所述车辆的车牌类型信息与所述预定种类的车辆的车牌类型 信息匹配。
可选的,所述扫描所述帧图像,确定所述车辆的车牌所在的第二目标区域 的步骤,包括:
对所述帧图像进行横向扫描,确定疑似包含所述车辆的车牌的待选车牌 行;
连接相邻的待选车牌行,获得疑似包含所述车辆的车牌的待选车牌区域;
对所述待选车牌区域进行特征提取;
若提取的特征与车牌特征匹配,则确定所述待选车牌区域为所述车辆的车 牌所在的第二目标区域。
二方面,本发明实施例公开了一种套用车牌车辆的检测装置,所述装置包 括:
第一获取单元,用于获取包含车辆的帧图像;
第一扫描单元,用于扫描所述帧图像,确定所述车辆的品牌信息;
第二扫描单元,用于扫描所述帧图像,确定所述车辆的车牌类型信息;
判断单元,用于判断所述车辆的品牌信息是否在预先存储的车辆目录中, 并判断所述车辆的车牌类型信息是否与预定种类的车辆的车牌类型信息匹配; 预先存储的车辆目录包括准许上牌的预定种类的车辆的品牌信息;
确定单元,用于若所述车辆的品牌信息不在所述车辆目录中,并且所述车 辆的车牌类型信息与所述预定种类的车辆的车牌类型信息匹配,则确定所述车 辆为套用车牌车辆。
可选的,所述第一扫描单元,具体用于:
扫描所述帧图像,确定所述车辆所在的第一区域;截取所述第一区域作为 区域图像;利用卷积神经网络对所述区域图像进行识别,确定所述车辆的品牌 信息;所述卷积神经网络用于对图像进行识别确定车辆的品牌信息。
可选的,所述装置还包括:获得单元,用于获得所述卷积神经网络;
所述获得单元,具体用于:
获取非预定种类的车辆的图像和标记品牌信息的预定种类的车辆的图像; 利用所述非预定种类的车辆的图像和所述标记车辆品牌的预定种类的车辆的 图像,对初始的卷积神经网络进行训练。
可选的,所述第一扫描单元,包括:
第一扫描子单元,用于基于滑动窗口对所述帧图像进行多尺度扫描,确定 疑似包含所述车辆的待选车辆区域;
第一提取子单元,用于对所述待选车辆区域进行特征提取;
第一确定子单元,用于若提取的特征与车辆特征匹配,则确定所述待选车 辆区域为所述车辆所在的第一目标区域。
可选的,所述第一扫描子单元,具体用于:
基于滑动窗口对所述帧图像进行多尺度扫描,确定疑似包含所述车辆的检 测区域;若确定多个重叠的检测区域,采用非极大值抑制算法融合所述多个重 叠的检测区域,将融合后的区域作为疑似包含所述车辆的待选车辆区域。
可选的,所述车牌类型信息包括车牌颜色和车牌号位数;
所述第二扫描单元,具体用于:
扫描所述帧图像,确定所述车辆的车牌所在的第二目标区域;在颜色空间 上对所述第二目标区域的颜色进行分类,确定所述车辆的车牌颜色;对所述第 二目标区域进行二值化处理,确定所述车辆的车牌号位数;
所述判断单元,具体用于:
判断所述车辆的车牌颜色和/或车牌号位数是否与预定种类的车辆的车牌 颜色和/或车牌号位数匹配;如果是,判定所述车辆的车牌类型信息与所述预定 种类的车辆的车牌类型信息匹配。
可选的,所述第二扫描单元,包括:
第二扫描子单元,用于对所述帧图像进行横向扫描,确定疑似包含所述车 辆的车牌的待选车牌行;
连接子单元,用于连接相邻的待选车牌行,获得疑似包含所述车辆的车牌 的待选车牌区域;
第二提取子单元,用于对所述待选车牌区域进行特征提取;
第二确定子单元,用于若提取的特征与车牌特征匹配,则确定所述待选车 牌区域为所述车辆的车牌所在的第二目标区域。
三方面,本发明实施例公开了一种电子设备,所述电子设备包括:处理器、 存储器、通信接口和通信总线;所述处理器、所述存储器和所述通信接口通过 所述通信总线连接并完成相互间的通信;
所述存储器,用于存放应用程序;
所述处理器,用于执行所述存储器上所存放的应用程序,实现上述套用车 牌车辆的检测方法。
四方面,本发明实施例公开了一种存储介质,所述存储介质用于存储应用 程序,所述应用程序被运行实现上述套用车牌车辆的检测方法。
本发明实施例中,预先存储的车辆目录包括准许上牌的预定种类的车辆的 品牌信息,基于某些种类车辆只能使用该种类车牌,例如,非新能源车辆的能 使用非新能源车牌,不能使用新能源车牌,获取包含车辆的帧图像,扫描帧图 像,确定车辆的品牌信息及车牌类型信息;若车辆的品牌信息不在预先存储的 车辆目录中,并且该车辆的车牌类型信息与预定种类车牌的车牌类型信息匹 配,则说明该车辆不是预定种类的车辆,但该车辆使用了预定种类的车牌,因 此可以确定该车辆为套用车牌的车辆。本发明实施例中,车辆目录中存储的信 息远远少于车辆登记注册信息的数据库中存储的信息,这使得查找车辆目录中 是否存在识别出的品牌信息的速度远远大于查找车辆登记注册信息的数据库 中车牌号码对应的品牌信息的速度,并且不需要识别车辆的车牌号码,进而提 高了套用车牌车辆的检测效率。当然,实施本发明的任一产品或方法必不一定 需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施 例或相关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为本发明实施例提供的套用车牌车辆的检测方法的第一种流程示意 图;
图2为本发明实施例提供的套用车牌车辆的检测方法的第二种流程示意 图;
图3为本发明实施例使用的帧图像的示意图;
图4为本发明实施例使用的帧图像中第一目标区域的一种示意图;
图5为本发明实施例中帧图像中截取目标区域图像的一种示意图;
图6为新能源车牌和非新能源车牌的一种示意图;
图7为本发明实施例提供的套用车牌车辆的检测装置的一种结构示意图;
图8为本发明实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清 楚、完整地描述,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 性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参考图1,图1为本发明实施例提供的套用车牌车辆的检测方法的第一种 流程示意图,该方法包括:
S101:获取包含车辆的帧图像;
这里,帧图像可以为交通设施中监控摄像机实时抓拍到的一帧图像,也可 以为从存储监控摄像头抓拍到的图像的数据库中获取的一帧图像,本发明实施 例对此不进行限定。
S102:扫描帧图像,确定车辆的品牌信息;
这里,品牌信息可以包括:主品牌、子品牌和年款,比如比亚迪-唐-2015, 其中,比亚迪为主品牌,唐为子品牌,2015为年款。
在本发明的一个实施例中,参考图2,基于图1,该方法中S102可以包括:
S1021:扫描帧图像,确定车辆所在的第一目标区域;
在本发明的其他实施例中,可以基于滑动窗口对帧图像进行多尺度扫描, 确定可能存在车辆的区域,即确定疑似包含车辆的待选车辆区域;对待选车辆 区域进行特征提取,确定提取的特征是否与车辆特征匹配,例如,提取待选车 辆区域中物体的轮廓信息、纹理信息等,以确定待选车辆区域是否存在车辆; 如果提取的特征与车辆特征匹配,确定该待选车辆区域为车辆所在的第一目标 区域。
这里,帧图像中可能包括多个车辆,在扫描帧图像时,确定的车辆所在的 第一目标区域可以为一个或多个,本发明实施例对此不进行限定。
另外,在本发明的其他实施例中,基于滑动窗口对帧图像进行多尺度扫描, 确定疑似包含车辆的检测区域,对于同一物体可能会确定出多个重叠的检测区 域,若确定出多个重叠的疑似包含车辆的检测区域,则采用非极大值抑制算法 融合这多个重叠的检测区域,将融合后的区域作为疑似包含车辆的待选车辆区 域。这样,就可以提供一个最有可能表征车辆的区域,提高了检测车辆品牌信 息的准确性。
S1022:截取第一目标区域作为目标区域图像;
如图3所示的一帧图像,对该帧图像进行扫描,确定第一目标区域,如图 4所示方框框住的部分为第一目标区域;截取图4所示方框框住的第一目标区 域,确定目标区域图像,如图5所示的一个目标区域图像。
S1023:利用卷积神经网络对目标区域图像进行识别,确定车辆的品牌信 息。
其中,卷积神经网络用于对图像进行识别确定车辆的品牌信息。
这里,卷积神经网络包括:卷积层、池化层和全连接输出层。其中,卷积 层的节点由一定层数的特征图组成,每一层的特征图通过卷积核连接到上一层 的特征图的局部区域,通过卷积运算,再通过加权和激活函数激活所得到的; 池化层以卷积层的输出特征作为输入特征,降低卷积层的输出特征的维度,使 特征具有小的平移和干扰不变性;全连接输出层以品牌信息为节点,每个节点 与池化层的节点连接,对池化层的节点的输出特征进行分类,确定属于每一节 点的概率,也就是,确定属于每一品牌信息的概率,将概率最大的节点对应的 品牌信息确定为车辆的品牌信息。
在本发明的其他实施例中,上述卷积神经网络可通过以下方式获得:
S1、获取非预定种类的车辆的图像和标记品牌信息的预定种类的车辆的图 像;
获得大量的非预定种类的车辆的图像和预定种类的车辆的图像。其中,预 定种类的车辆的图像按照不同品牌信息标记出,非预定种类的车辆的图像可以 不区分品牌信息,直接作为一类“非预定种类车辆”。
在本发明的一个实施例中,预定种类为新能源,预定种类的车辆为新能源 车辆,新能源车辆可以理解为电动汽车;非预定种类的车辆为非新能源车辆, 非新能源车辆可以理解为非电动汽车,如燃油汽车等。
在本发明的一个实施例中,为了保证训练后获得卷积神经网络的可靠性, 每种品牌的预定种类的车辆图像不少于50张。
S2、利用非预定种类的车辆的图像和标记车辆品牌的预定种类的车辆的图 像,对初始的卷积神经网络进行训练。
在本发明的其他实施例中,可以采用CE(Cross Entropy,交叉熵)函数、 HingeLoss(铰链损失)函数等对初始的卷积神经网络进行训练。
以预定种类的车辆为新能源车辆、采用CE对初始的卷积神经网络进行训 练为例,将获取的非新能源车辆图像和新能源车辆图像输入初始的卷积神经网 络,计算卷积神经网络的输出每种品牌信息的概率和真实标记的品牌信息的差 异,利用CE函数来度量差异,以最小化CE为目标函数,通过反向传播等等 算法,对卷积神经网络的参数进行调整。
在本发明的一个实施例中,为了进一步加快对卷积神经网络的训练速度, 在对卷积神经网络进行训练前,可以随机初始化卷积神经网络的参数,或根据 经验设置卷积神经网络的初始参数。
需要说明的是,与采用人工设计的特征识别品牌信息相比,采用卷积神经 网络获取特征识别品牌信息,使得获取的特征的表达能力更好,能够有效的提 高品牌信息识别的准确率。
S103:扫描帧图像,确定车辆的车牌类型信息;
其中,车牌类型信息可以包括车牌颜色和车牌号位数等。
在本发明的一个实施例中,可以对整张帧图像进行横向扫描,逐一分析每 一行,确定可能存在车牌的行,即确定疑似包含车辆的车牌的待选车牌行;连 接相邻的待选车牌行,形成若干个可能存在车牌的块状区域,即疑似包含车辆 的车牌的待选车牌区域;对待选车牌区域进行特征提取,例如,提取待选车牌 区域中物体的轮廓信息、纹理信息等,分析每一待选车牌区域,如果提取的特 征与车牌特征匹配,确定该待选车牌区域为车辆的车牌所在的第二目标区域。
这里,在一帧图像中可以确定出多个第一目标区域和多个第二目标区域, 此时,可以将重叠的第一目标区域和第二目标区域,确定为对应同一车辆。
在本发明的另一个实施例中,为了加快扫描的速度,可以对上述截取的目 标区域图像进行扫描,确定对应同一车辆的第二目标区域。
在本发明的一个实施例中,预定种类为新能源,预定种类的车牌即为新能 源车牌;非预定种类的车牌即为非新能源车牌。实际应用中,新能源车牌的车 牌颜色为绿色,非新能源车牌的车牌颜色为蓝色、黄色、白色等;新能源车牌 的车牌号位数为6位,比非新能源车牌的车牌号位数多一位,如图6所示的车 牌,图6(a)为新能源车牌,车牌号位数为6位,图6(b)为非新能源车牌, 车牌号位数为5位。
基于上述情况,可以在颜色空间上对第二目标区域的颜色进行分类,确定 车辆的车牌颜色;
对第二目标区域进行二值化处理,再进行字符切割,逐一对每个字符进行 匹配识别,确定车牌号,进而确定车牌号位数。
这里,若第二目标区域有倾斜角度,可以对第二目标区域进行旋转校正。
需要说的是,S103可以在S102之前执行,也可以在S102之后执行,还 可以与S102同时执行,本发明实施例对此不进行限定。
S104:判断车辆的品牌信息是否在预先存储的车辆目录中;如果否,执行 S105;
这里,预先存储的车辆目录包括准许上牌的预定种类的车辆的品牌信息。 若扫描获得的车辆的品牌信息在预先存储的车辆目录中,则可以确定该车辆为 预定种类的车辆;若扫描获得的车辆的品牌信息不在预先存储的车辆目录中, 则可以确定该车辆为非预定种类的车辆。
S105:判断车辆的车牌类型信息是否与预定种类的车辆的车牌类型信息匹 配;如果是,则执行S106;
在本发明的一个实施例中,可以根据车牌颜色,判断扫描获得的车辆的车 牌类型信息是否与预定种类的车辆的车牌类型信息匹配,也就是,判断扫描获 得的车辆的车牌颜色是否与预定种类的车辆的车牌颜色匹配;如果是,则判定 该车辆的车牌类型信息与预定种类的车辆的车牌类型信息匹配,确定该车辆的 车牌为预定种类的车牌;如果否,则判定该车辆的车牌类型信息与预定种类的 车辆的车牌类型信息不匹配,确定该车辆的车牌为非预定种类的车牌。
在本发明的另一个实施例中,可以根据车牌号位数,判断扫描获得的车辆 的车牌类型信息是否与预定种类的车辆的车牌类型信息匹配,也就是,判断扫 描获得的车辆的车牌号位数是否与预定种类的车辆的车牌号位数匹配;如果 是,则判定该车辆的车牌类型信息与预定种类的车辆的车牌类型信息匹配,确 定该车辆的车牌为预定种类的车牌;如果否,则判定该车辆的车牌类型信息与 预定种类的车辆的车牌类型信息不匹配,确定该车辆的车牌为非预定种类的车 牌。
在本发明的另一个实施例中,为了提高车牌检测的准确性,可以综合考虑 车牌颜色和车牌号位数。当扫描获得的车辆的车牌颜色和车牌号位数均与预定 种类的车辆的车牌颜色和车牌号位数匹配,则可以确定该车辆的车牌为预定种 类的车牌;否则,确定该车辆的车牌为非预定种类的车牌。
需要说明的是,本发明实施例并不限定S104和S105的执行顺序,S105 可以在S104之前执行,也就是,在S105判断结果为是时执行S104;S105也 可以与S104同时执行;S105也可以与S104之后执行。
S106:确定车辆为套用车牌车辆。
实际应用中,预定类型的车辆可悬挂预定类型的车牌和非预定类型的车 牌,而非预定类型的车辆只能悬挂非预定类型的车牌,例如,新能源车辆可悬 挂新能源车牌和非新能源车牌,非新能源车辆只能悬挂非新能源车牌。若扫描 获得的车辆的品牌信息不在预先存储的车辆目录中,并且该车辆的车牌类型与 预定类型的车牌的车牌类型匹配,则说明该车辆为非预定类型的车辆,该车辆 的车牌为预定类型的车牌,可以确定该车辆为套用车牌的车辆。
在本发明一个实施例中,若确定扫描获得的车辆为预定类型的车辆,且该 车辆的车牌为预定类型的车牌,或确定扫描获得的车辆为预定类型的车辆,且 该车辆的车牌为非预定类型的车牌,或确定扫描获得的车辆为非预定类型的车 辆,且该车辆的车牌为非预定类型的车牌,为了更好的确定是否为套用车牌的 车辆,可以输出提示信息,该提示信息用于指示进一步检测扫描获得的车辆是 否为套用车牌的车辆,该提示信息中可以包括:扫描获得的车辆的品牌信息和 车牌类型信息等。
应用上述实施例,预先存储的车辆目录包括准许上牌的预定种类的车辆的 品牌信息,基于一种类车辆只能使用该种类车牌,例如,非新能源车辆的能使 用非新能源车牌,不能使用新能源车牌,获取包含车辆的帧图像,扫描帧图像, 确定车辆的品牌信息及车牌类型信息;若车辆的品牌信息不在预先存储的车辆 目录中,并且该车辆的车牌类型信息与预定种类车牌的车牌类型信息匹配,则 说明该车辆不是预定种类的车辆,但该车辆使用了预定种类的车牌,因此可以 确定该车辆为套用车牌的车辆。本发明实施例中,车辆目录中存储的信息远远 少于车辆登记注册信息的数据库中存储的信息,这使得查找车辆目录中是否存 在识别出的品牌信息的速度远远大于查找车辆登记注册信息的数据库中车牌 号码对应的品牌信息的速度,进而提高了套用车牌车辆的检测效率。
参考图7,图7为本发明实施例提供的套用车牌车辆的检测装置的一种结 构示意图,该装置包括:
获取单元701,用于获取包含车辆的帧图像;
第一扫描单元702,用于扫描帧图像,确定车辆的品牌信息;
第二扫描单元703,用于扫描帧图像,确定车辆的车牌类型信息;
判断单元704,用于判断车辆的品牌信息是否在预先存储的车辆目录中, 并判断车辆的车牌类型信息是否与预定种类的车辆的车牌类型信息匹配;预先 存储的车辆目录包括准许上牌的预定种类的车辆的品牌信息;
确定单元705,用于若车辆的品牌信息不在车辆目录中,并且车辆的车牌 类型信息与预定种类的车辆的车牌类型信息匹配,则确定车辆为套用车牌车 辆。
在本发明的一个实施例中,第一扫描单元702,具体可以用于:
扫描帧图像,确定车辆所在的第一目标区域;截取第一目标区域作为目标 区域图像;利用卷积神经网络对目标区域图像进行识别,确定车辆的品牌信息; 卷积神经网络用于对图像进行识别确定车辆的品牌信息。
在本发明的一个实施例中,上述检测装置还可以包括:获得单元(图7中 未示出),用于获得卷积神经网络;
这里,获得单元,具体可以用于:
获取非预定种类的车辆的图像和标记品牌信息的预定种类的车辆的图像; 利用非预定种类的车辆的图像和标记车辆品牌的预定种类的车辆的图像,对初 始的卷积神经网络进行训练。
在本发明的一个实施例中,第一扫描单元702,可以包括:
第一扫描子单元,用于基于滑动窗口对帧图像进行多尺度扫描,确定疑似 包含车辆的待选车辆区域;
第一提取子单元,用于对待选车辆区域进行特征提取;
第一确定子单元,用于若提取的特征与车辆特征匹配,则确定待选车辆区 域为车辆所在的第一目标区域。
在本发明的一个实施例中,第一扫描子单元,具体可以用于:
基于滑动窗口对帧图像进行多尺度扫描,确定疑似包含车辆的检测区域; 若确定多个重叠的检测区域,采用非极大值抑制算法融合多个重叠的检测区 域,将融合后的区域作为疑似包含车辆的待选车辆区域。
在本发明的一个实施例中,车牌类型信息可以包括车牌颜色和车牌号位 数;
这种情况下,第二扫描单元703,具体可以用于:
扫描帧图像,确定车辆的车牌所在的第二目标区域;在颜色空间上对第二 目标区域的颜色进行分类,确定车辆的车牌颜色;对第二目标区域进行二值化 处理,确定车辆的车牌号位数;
判断单元704,具体可以用于:
判断车辆的车牌颜色和/或车牌号位数是否与预定种类的车辆的车牌颜色 和/或车牌号位数匹配;如果是,判定车辆的车牌类型信息与预定种类的车辆的 车牌类型信息匹配。
在本发明的一个实施例中,第二扫描单元703,可以包括:
第二扫描子单元,用于对帧图像进行横向扫描,确定疑似包含车辆的车牌 的待选车牌行;
连接子单元,用于连接相邻的待选车牌行,获得疑似包含车辆的车牌的待 选车牌区域;
第二提取子单元,用于对待选车牌区域进行特征提取;
第二确定子单元,用于若提取的特征与车牌特征匹配,则确定待选车牌区 域为车辆的车牌所在的第二目标区域。
应用上述实施例,预先存储的车辆目录包括准许上牌的预定种类的车辆的 品牌信息,基于某些种类车辆只能使用该种类车牌,例如,非新能源车辆的能 使用非新能源车牌,不能使用新能源车牌,获取包含车辆的帧图像,扫描帧图 像,确定车辆的品牌信息及车牌类型信息;若车辆的品牌信息不在预先存储的 车辆目录中,并且该车辆的车牌类型信息与预定种类车牌的车牌类型信息匹 配,则说明该车辆不是预定种类的车辆,但该车辆使用了预定种类的车牌,因 此可以确定该车辆为套用车牌的车辆。本发明实施例中,车辆目录中存储的信 息远远少于车辆登记注册信息的数据库中存储的信息,这使得查找车辆目录中 是否存在识别出的品牌信息的速度远远大于查找车辆登记注册信息的数据库 中车牌号码对应的品牌信息的速度,并且不需要识别车辆的车牌号码,进而提 高了套用车牌车辆的检测效率。
参考图8,图8为本发明实施例提供的电子设备的一种结构示意图,该电 子设备包括:处理器801、存储器802、通信接口803和通信总线804;处理器 801、存储器802和通信接口803通过通信总线804连接并完成相互间的通信;
存储器802,用于存放应用程序;
处理器801,用于执行存储器802上所存放的应用程序,实现套用车牌车 辆的检测方法。其中,套用车牌车辆的检测方法包括:
获取包含车辆的帧图像;
扫描帧图像,确定车辆的品牌信息;
扫描帧图像,确定车辆的车牌类型信息;
判断车辆的品牌信息是否在预先存储的车辆目录中,并判断车辆的车牌类 型信息是否与预定种类的车辆的车牌类型信息匹配;预先存储的车辆目录包括 准许上牌的预定种类的车辆的品牌信息;
若车辆的品牌信息不在车辆目录中,并且车辆的车牌类型信息与预定种类 的车辆的车牌类型信息匹配,则确定车辆为套用车牌车辆。
应用上述实施例,预先存储的车辆目录包括准许上牌的预定种类的车辆的 品牌信息,基于某些种类车辆只能使用该种类车牌,例如,非新能源车辆的能 使用非新能源车牌,不能使用新能源车牌,获取包含车辆的帧图像,扫描帧图 像,确定车辆的品牌信息及车牌类型信息;若车辆的品牌信息不在预先存储的 车辆目录中,并且该车辆的车牌类型信息与预定种类车牌的车牌类型信息匹 配,则说明该车辆不是预定种类的车辆,但该车辆使用了预定种类的车牌,因 此可以确定该车辆为套用车牌的车辆。本发明实施例中,车辆目录中存储的信 息远远少于车辆登记注册信息的数据库中存储的信息,这使得查找车辆目录中 是否存在识别出的品牌信息的速度远远大于查找车辆登记注册信息的数据库 中车牌号码对应的品牌信息的速度,并且不需要识别车辆的车牌号码,进而提 高了套用车牌车辆的检测效率。
上述通信总线804可以是PCI(Peripheral Component Interconnect,外设部 件互连标准)总线或EISA(Extended Industry Standard Architecture,扩展工业 标准结构)总线等。该通信总线804可以分为地址总线、数据总线、控制总线 等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种 类型的总线。
存储器802可以包括RAM(Random Access Memory,随机存取存储器), 也可以包括NVM(Non-Volatile Memory,非易失性存储器),例如至少一个磁 盘存储器。另外,存储器802还可以是至少一个位于远离前述处理器的存储 装置。
上述处理器801可以是通用处理器,包括CPU(Central Processing Unit, 中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(Digital SignalProcessing,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程 门阵列)或其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例还提供了一种存储介质,该存储介质用于存储应用程序,所 述应用程序被运行实现套用车牌车辆的检测方法。其中,套用车牌车辆的检测 方法包括:
获取包含车辆的帧图像;
扫描帧图像,确定车辆的品牌信息;
扫描帧图像,确定车辆的车牌类型信息;
判断车辆的品牌信息是否在预先存储的车辆目录中,并判断车辆的车牌类 型信息是否与预定种类的车辆的车牌类型信息匹配;预先存储的车辆目录包括 准许上牌的预定种类的车辆的品牌信息;
若车辆的品牌信息不在车辆目录中,并且车辆的车牌类型信息与预定种类 的车辆的车牌类型信息匹配,则确定车辆为套用车牌车辆。
应用上述实施例,预先存储的车辆目录包括准许上牌的预定种类的车辆的 品牌信息,基于某些种类车辆只能使用该种类车牌,例如,非新能源车辆的能 使用非新能源车牌,不能使用新能源车牌,获取包含车辆的帧图像,扫描帧图 像,确定车辆的品牌信息及车牌类型信息;若车辆的品牌信息不在预先存储的 车辆目录中,并且该车辆的车牌类型信息与预定种类车牌的车牌类型信息匹 配,则说明该车辆不是预定种类的车辆,但该车辆使用了预定种类的车牌,因 此可以确定该车辆为套用车牌的车辆。本发明实施例中,车辆目录中存储的信 息远远少于车辆登记注册信息的数据库中存储的信息,这使得查找车辆目录中 是否存在识别出的品牌信息的速度远远大于查找车辆登记注册信息的数据库 中车牌号码对应的品牌信息的速度,并且不需要识别车辆的车牌号码,进而提 高了套用车牌车辆的检测效率。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将 一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些 实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包 含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素 的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的 其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在 没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括 所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相 似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之 处。尤其,对于套用车牌车辆的检测装置、电子设备和存储介质实施例而言, 由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施 例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范 围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包 含在本发明的保护范围内。
Claims (15)
1.一种套用车牌车辆的检测方法,其特征在于,所述方法包括:
获取包含车辆的帧图像;
扫描所述帧图像,确定所述车辆的品牌信息;
扫描所述帧图像,确定所述车辆的车牌类型信息;
判断所述车辆的品牌信息是否在预先存储的车辆目录中,并判断所述车辆的车牌类型信息是否与预定种类的车辆的车牌类型信息匹配;预先存储的车辆目录包括准许上牌的所述预定种类的车辆的品牌信息;
若所述车辆的品牌信息不在所述车辆目录中,并且所述车辆的车牌类型信息与所述预定种类的车辆的车牌类型信息匹配,则确定所述车辆为套用车牌车辆。
2.根据权利要求1所述的方法,其特征在于,所述扫描所述帧图像,确定所述车辆的品牌信息的步骤,包括:
扫描所述帧图像,确定所述车辆所在的第一目标区域;
截取所述第一目标区域作为目标区域图像;
利用卷积神经网络对所述目标区域图像进行识别,确定所述车辆的品牌信息;所述卷积神经网络用于对图像进行识别确定车辆的品牌信息。
3.根据权利要求2所述的方法,其特征在于,所述卷积神经网络通过以下方式获得:
获取非预定种类的车辆的图像和标记品牌信息的预定种类的车辆的图像;
利用所述非预定种类的车辆的图像和所述标记车辆品牌的预定种类的车辆的图像,对初始的卷积神经网络进行训练。
4.根据权利要求2所述的方法,其特征在于,所述扫描所述帧图像,确定所述车辆所在的第一目标区域的步骤,包括:
基于滑动窗口对所述帧图像进行多尺度扫描,确定疑似包含所述车辆的待选车辆区域;
对所述待选车辆区域进行特征提取;
若提取的特征与车辆特征匹配,则确定所述待选车辆区域为所述车辆所在的第一目标区域。
5.根据权利要求4所述的方法,其特征在于,所述基于滑动窗口对所述帧图像进行多尺度扫描,确定疑似包含所述车辆的待选车辆区域的步骤,包括:
基于滑动窗口对所述帧图像进行多尺度扫描,确定疑似包含所述车辆的检测区域;
若确定多个重叠的检测区域,采用非极大值抑制算法融合所述多个重叠的检测区域,将融合后的区域作为疑似包含所述车辆的待选车辆区域。
6.根据权利要求1所述的方法,其特征在于,所述车牌类型信息包括车牌颜色和车牌号位数;
所述扫描所述帧图像,确定所述车辆的车牌类型信息的步骤,包括:
扫描所述帧图像,确定所述车辆的车牌所在的第二目标区域;
在颜色空间上对所述第二目标区域的颜色进行分类,确定所述车辆的车牌颜色;
对所述第二目标区域进行二值化处理,确定所述车辆的车牌号位数;
所述判断所述车辆的车牌类型信息是否与预定种类的车辆的车牌类型信息匹配的步骤,包括:
判断所述车辆的车牌颜色和/或车牌号位数是否与预定种类的车辆的车牌颜色和/或车牌号位数匹配;
如果是,判定所述车辆的车牌类型信息与所述预定种类的车辆的车牌类型信息匹配。
7.根据权利要求6所述的方法,其特征在于,所述扫描所述帧图像,确定所述车辆的车牌所在的第二目标区域的步骤,包括:
对所述帧图像进行横向扫描,确定疑似包含所述车辆的车牌的待选车牌行;
连接相邻的待选车牌行,获得疑似包含所述车辆的车牌的待选车牌区域;
对所述待选车牌区域进行特征提取;
若提取的特征与车牌特征匹配,则确定所述待选车牌区域为所述车辆的车牌所在的第二目标区域。
8.一种套用车牌车辆的检测装置,其特征在于,所述装置包括:
第一获取单元,用于获取包含车辆的帧图像;
第一扫描单元,用于扫描所述帧图像,确定所述车辆的品牌信息;
第二扫描单元,用于扫描所述帧图像,确定所述车辆的车牌类型信息;
判断单元,用于判断所述车辆的品牌信息是否在预先存储的车辆目录中,并判断所述车辆的车牌类型信息是否与预定种类的车辆的车牌类型信息匹配;预先存储的车辆目录包括准许上牌的预定种类的车辆的品牌信息;
确定单元,用于若所述车辆的品牌信息不在所述车辆目录中,并且所述车辆的车牌类型信息与所述预定种类的车辆的车牌类型信息匹配,则确定所述车辆为套用车牌车辆。
9.根据权利要求8所述的装置,其特征在于,所述第一扫描单元,具体用于:
扫描所述帧图像,确定所述车辆所在的第一目标区域;截取所述第一目标区域作为目标区域图像;利用卷积神经网络对所述目标区域图像进行识别,确定所述车辆的品牌信息;所述卷积神经网络用于对图像进行识别确定车辆的品牌信息。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:获得单元,用于获得所述卷积神经网络;
所述获得单元,具体用于:
获取非预定种类的车辆的图像和标记品牌信息的预定种类的车辆的图像;利用所述非预定种类的车辆的图像和所述标记车辆品牌的预定种类的车辆的图像,对初始的卷积神经网络进行训练。
11.根据权利要求9所述的装置,其特征在于,所述第一扫描单元,包括:
第一扫描子单元,用于基于滑动窗口对所述帧图像进行多尺度扫描,确定疑似包含所述车辆的待选车辆区域;
第一提取子单元,用于对所述待选车辆区域进行特征提取;
第一确定子单元,用于若提取的特征与车辆特征匹配,则确定所述待选车辆区域为所述车辆所在的第一目标区域。
12.根据权利要求11所述的装置,其特征在于,所述第一扫描子单元,具体用于:
基于滑动窗口对所述帧图像进行多尺度扫描,确定疑似包含所述车辆的检测区域;若确定多个重叠的检测区域,采用非极大值抑制算法融合所述多个重叠的检测区域,将融合后的区域作为疑似包含所述车辆的待选车辆区域。
13.根据权利要求8所述的装置,其特征在于,所述车牌类型信息包括车牌颜色和车牌号位数;
所述第二扫描单元,具体用于:
扫描所述帧图像,确定所述车辆的车牌所在的第二目标区域;在颜色空间上对所述第二目标区域的颜色进行分类,确定所述车辆的车牌颜色;对所述第二目标区域进行二值化处理,确定所述车辆的车牌号位数;
所述判断单元,具体用于:
判断所述车辆的车牌颜色和/或车牌号位数是否与预定种类的车辆的车牌颜色和/或车牌号位数匹配;如果是,判定所述车辆的车牌类型信息与所述预定种类的车辆的车牌类型信息匹配。
14.根据权利要求13所述的装置,其特征在于,所述第二扫描单元,包括:
第二扫描子单元,用于对所述帧图像进行横向扫描,确定疑似包含所述车辆的车牌的待选车牌行;
连接子单元,用于连接相邻的待选车牌行,获得疑似包含所述车辆的车牌的待选车牌区域;
第二提取子单元,用于对所述待选车牌区域进行特征提取;
第二确定子单元,用于若提取的特征与车牌特征匹配,则确定所述待选车牌区域为所述车辆的车牌所在的第二目标区域。
15.一种电子设备,其特征在于,所述电子设备包括:处理器、存储器、通信接口和通信总线;所述处理器、所述存储器和所述通信接口通过所述通信总线连接并完成相互间的通信;
所述存储器,用于存放应用程序;
所述处理器,用于执行所述存储器上所存放的应用程序,实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710679456.9A CN109389014B (zh) | 2017-08-10 | 2017-08-10 | 套用车牌车辆的检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710679456.9A CN109389014B (zh) | 2017-08-10 | 2017-08-10 | 套用车牌车辆的检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389014A true CN109389014A (zh) | 2019-02-26 |
CN109389014B CN109389014B (zh) | 2021-05-28 |
Family
ID=65415007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710679456.9A Active CN109389014B (zh) | 2017-08-10 | 2017-08-10 | 套用车牌车辆的检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389014B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079751A (zh) * | 2019-12-16 | 2020-04-28 | 深圳市芊熠智能硬件有限公司 | 识别车牌真伪的方法、装置、计算机设备及存储介质 |
CN112633251A (zh) * | 2021-01-07 | 2021-04-09 | 南方电网深圳数字电网研究院有限公司 | 基于文本识别的目标单据获取方法、装置及存储介质 |
CN113459854A (zh) * | 2020-03-30 | 2021-10-01 | 北京新能源汽车股份有限公司 | 一种充电故障处理方法、装置和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778787A (zh) * | 2014-02-19 | 2014-05-07 | 陈昊 | 汽车假套牌识别逻辑判断方法 |
CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
CN105279475A (zh) * | 2014-07-15 | 2016-01-27 | 贺江涛 | 一种基于车辆身份识别的套牌车识别的方法与装置 |
CN105321350A (zh) * | 2014-08-05 | 2016-02-10 | 北京大学 | 套牌车检测方法及装置 |
CN105335702A (zh) * | 2015-10-15 | 2016-02-17 | 浙江捷尚视觉科技股份有限公司 | 一种基于统计学习的卡口车型识别方法 |
CN105354568A (zh) * | 2015-08-24 | 2016-02-24 | 西安电子科技大学 | 基于卷积神经网络的车标识别方法 |
-
2017
- 2017-08-10 CN CN201710679456.9A patent/CN109389014B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778787A (zh) * | 2014-02-19 | 2014-05-07 | 陈昊 | 汽车假套牌识别逻辑判断方法 |
CN105279475A (zh) * | 2014-07-15 | 2016-01-27 | 贺江涛 | 一种基于车辆身份识别的套牌车识别的方法与装置 |
CN105321350A (zh) * | 2014-08-05 | 2016-02-10 | 北京大学 | 套牌车检测方法及装置 |
CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
CN105354568A (zh) * | 2015-08-24 | 2016-02-24 | 西安电子科技大学 | 基于卷积神经网络的车标识别方法 |
CN105335702A (zh) * | 2015-10-15 | 2016-02-17 | 浙江捷尚视觉科技股份有限公司 | 一种基于统计学习的卡口车型识别方法 |
Non-Patent Citations (5)
Title |
---|
GENGXIAN ZHU等: "Study and Application of Path Ambiguity Based on SVM and License Plate Recognition", 《2010 SECOND PACIFI-ASIA CONFERENCE ON CIRCUITS, COMMUNICATIONS AND SYSTEM 》 * |
张亚峰等: "基于聚类分析的公路车牌识别系统的设计", 《精密制造与自动化》 * |
查志强: "复杂背景下的快速车牌识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
胡峰松等: "基于HSI颜色空间和行扫描的车牌定位算法", 《计算机工程与设计》 * |
许永存等: "基于车牌的高速公路路径识别技术应用研究", 《中国交通信息化》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079751A (zh) * | 2019-12-16 | 2020-04-28 | 深圳市芊熠智能硬件有限公司 | 识别车牌真伪的方法、装置、计算机设备及存储介质 |
CN113459854A (zh) * | 2020-03-30 | 2021-10-01 | 北京新能源汽车股份有限公司 | 一种充电故障处理方法、装置和设备 |
CN113459854B (zh) * | 2020-03-30 | 2023-10-03 | 北京新能源汽车股份有限公司 | 一种充电故障处理方法、装置和设备 |
CN112633251A (zh) * | 2021-01-07 | 2021-04-09 | 南方电网深圳数字电网研究院有限公司 | 基于文本识别的目标单据获取方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109389014B (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10878283B2 (en) | Data generation apparatus, data generation method, and data generation program | |
CN109145901B (zh) | 物品识别方法、装置、计算机可读存储介质和计算机设备 | |
CN109447169B (zh) | 图像处理方法及其模型的训练方法、装置和电子系统 | |
CN104700099B (zh) | 识别交通标志的方法和装置 | |
CN106886774A (zh) | 识别身份证信息的方法和装置 | |
CN109740547A (zh) | 一种图像处理方法、设备及计算机可读存储介质 | |
EA019627B1 (ru) | Система и способ идентификации единицы продукции | |
CN109685528A (zh) | 基于深度学习检测仿冒产品的系统和方法 | |
CN109389014A (zh) | 套用车牌车辆的检测方法、装置及电子设备 | |
CN109002820A (zh) | 一种车牌识别方法、装置及相关设备 | |
CN110428028A (zh) | 基于准动态镭射标签的识别验伪方法、装置、设备及介质 | |
CN111666800A (zh) | 一种行人重识别模型训练方法及行人重识别方法 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN109427062A (zh) | 道路特征标记方法、装置、计算机设备以及可读存储介质 | |
CN109389105A (zh) | 一种基于多任务的虹膜检测和视角分类方法 | |
CN110543823A (zh) | 基于残差网络的行人再识别方法、装置和计算机设备 | |
CN112052907A (zh) | 基于图像边缘信息的目标检测方法、装置及存储介质 | |
CN113989626B (zh) | 一种基于目标检测模型的多类别垃圾场景区分方法 | |
CN112164030A (zh) | 水稻穗粒快速检测方法、装置、计算机设备及存储介质 | |
CN109784384B (zh) | 一种自动辨别商标真伪的方法及装置 | |
CN108171229A (zh) | 一种空心粘连验证码的识别方法及系统 | |
Dahia et al. | Improving fingerprint pore detection with a small FCN | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN110443328A (zh) | 基于led防伪标签的识别验伪方法、装置、设备及介质 | |
CN108985249A (zh) | 人脸检测方法、装置、电子设备以及存储介质 |
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 |