CN109447074A - 一种车牌识别方法及终端设备 - Google Patents
一种车牌识别方法及终端设备 Download PDFInfo
- Publication number
- CN109447074A CN109447074A CN201811020612.1A CN201811020612A CN109447074A CN 109447074 A CN109447074 A CN 109447074A CN 201811020612 A CN201811020612 A CN 201811020612A CN 109447074 A CN109447074 A CN 109447074A
- Authority
- CN
- China
- Prior art keywords
- character
- license plate
- chinese character
- image
- recognition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 21
- 230000007613 environmental effect Effects 0.000 abstract description 18
- 238000010586 diagram Methods 0.000 description 9
- 238000012216 screening Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 235000019082 Osmanthus Nutrition 0.000 description 1
- 241000333181 Osmanthus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
Abstract
本发明提供了一种车牌识别方法及终端设备,适用于数据处理技术领域,该方法包括:对获取到的拍摄时间间隔小于预设时间阈值的两张目标图片进行灰度化处理,并计算灰度化处理后的两张目标图片的像素点灰度值差值的均值;基于像素点灰度值差值以及均值,从两张目标图片中截取出包含车辆的车辆图片;对车辆图片进行灰度二值化处理并进行边缘提取,查找出其中边界封闭后为矩形,且矩形宽高比处于预设宽高比范围内的矩形图像;对矩形图像进行字符识别,得到车牌识别结果。本发明实施例保证了在恶劣拍摄环境下车牌识别时车辆检测和车牌定位的准确性,提高了对车牌识别的准确度。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及车牌识别方法及终端设备。
背景技术
车牌识别是现代智能交通中的重要组成部分之一,应用十分广泛,它以数字图像处理、模式识别以及计算机视觉等技术为基础,对拍摄的车辆图案或者视频进行分析,以确定出车辆的车牌号。
车牌识别通常包括三个步骤:对拍摄图片或视频的车辆检测、车牌定位以及车牌字符识别。现有技术在拍摄环境较好时对车辆的车牌识别准确率已经较高,但对于一些恶劣拍摄环境下的车牌识别,如雾霾、大雨、下雪等恶劣天气下,由于可采集到的车辆图像/视频质量会因为天气等因素急速下降,使得对车辆的检测困难极大难以从车辆图像中查找出车辆,无法准确定位出车牌位置,更难以准确进行车牌识别。因此现有技术中,难以在恶劣拍摄环境下保证车牌识别的准确有效。
发明内容
有鉴于此,本发明实施例提供了一种车牌识别方法及终端设备,以解决现有技术中在恶劣拍摄环境进行车牌识别时准确率低的问题。
本发明实施例的第一方面提供了一种车牌识别方法,包括:
对获取到的拍摄时间间隔小于预设时间阈值的两张目标图片进行灰度化处理,并计算灰度化处理后的所述两张目标图片的像素点灰度值差值的均值;
基于所述像素点灰度值差值以及所述均值,从所述两张目标图片中截取出包含车辆的车辆图片;
对所述车辆图片进行灰度二值化处理并进行边缘提取,查找出其中边界封闭后为矩形,且矩形宽高比处于预设宽高比范围内的矩形图像;
对所述矩形图像进行字符识别得到车牌识别结果。
本发明实施例的第二方面提供了一种终端设备,所述终端设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤。
对获取到的拍摄时间间隔小于预设时间阈值的两张目标图片进行灰度化处理,并计算灰度化处理后的所述两张目标图片的像素点灰度值差值的均值;
基于所述像素点灰度值差值以及所述均值,从所述两张目标图片中截取出包含车辆的车辆图片;
对所述车辆图片进行灰度二值化处理并进行边缘提取,查找出其中边界封闭后为矩形,且矩形宽高比处于预设宽高比范围内的矩形图像;
对所述矩形图像进行字符识别得到车牌识别结果。
本发明实施例的第三方面提供了一种计算机可读存储介质,包括:存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述的车牌识别方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例中,通过对车辆运动时连续拍摄的目标图片进行灰度化处理,并求两张目标图片的像素点灰度值差值和对应的均值,再根据差值均值来从对两张目标图片中像素点灰度值差值进行划分处理的方式,来识别出灰度值变化较大的像素点,从而实现了对恶劣拍摄环境下运动的车辆的准确识别,保证了车辆检测的准确性,再对截取出的车辆图片进行灰度二值化边缘提取,并结合实际情况中车牌宽高比情况对提取出的矩形图像进行筛选,从而实现了对车牌的准确定位,进而保证了在恶劣拍摄环境下车牌识别时车辆检测和车牌定位的准确性,提高了对车牌识别的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的车牌识别方法的实现流程示意图;
图2是本发明实施例二提供的车牌识别方法的实现流程示意图;
图3是本发明实施例三提供的车牌识别方法的实现流程示意图;
图4是本发明实施例四提供的车牌识别方法的实现流程示意图;
图5是本发明实施例五提供的车牌识别方法的实现流程示意图;
图6是本发明实施例六提供的车牌识别装置的结构示意图;
图7是本发明实施例七提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1示出了本发明实施例一提供的车牌识别方法的实现流程图,详述如下:
S101,对获取到的拍摄时间间隔小于预设时间阈值的两张目标图片进行灰度化处理,并计算灰度化处理后的两张目标图片的像素点灰度值差值的均值。
其中,目标图片是指对运动的车辆进行拍摄时获取到的包含车辆的图片,其既可以是直接拍摄的照片,也可以是从录制的视频中提取出的图片帧。同时,这些目标图片既可以是由用户使用手机等智能终端手动拍摄的,也可以是通过设置好的固定摄像头进行拍摄的,如通过收费站等设置的固定摄像机进行拍摄得到。
由于拍摄环境较为恶劣时,拍摄获取到的目标图片容易产生像素丢失等问题,因此质量往往都较差,如大雨情况下摄像头能见度低获取到的图片清晰度都较低,此时直接对目标图片进行车辆检测识别的难度较大。而考虑到实际情况中运动物体在被连续拍摄的图片中,运动物体对应的像素位置会发生变化,从而使得这些像素点的灰度值相对静止的物体而言变化量较大,因此,为了能从这些质量较差的目标图片中实现对车辆的准确检测识别,本发明实施例中采用了对运动的车辆进行连续拍摄,并计算得到的两张目标图片每个像素点的灰度值,再计算两张目标图片中每个位置对应的像素点的灰度值差值以及对应的灰度值差值的均值等方式,来对获取到的包含运动中车辆的目标图片进行处理,以为后续对目标图片的车辆检测提供基础。
其中,具体的拍摄时间间隔值可由技术人员根据实际需求进行设定,但考虑到拍摄间隔时间过久时拍摄环境可能会产生较大的变化,如天气可能会发生改变,此时可能会导致两张目标图片中即使是静止的物体的像素点灰度值也会发生较大变化,从而导致后续的灰度值差值和对应均值计算以及车辆检测难以实现,因此,为了保证获取到的两张目标图片的有效性,以保证后续对车辆检测的有效性,本发明实施例中会由研发人员预先对两张目标图片的拍摄时间间隔最大值进行限定,如将拍摄时间间隔最大值设置为8秒或10秒,此时技术人员设置的拍摄时间间隔值应当小于或等于预先设定的拍摄时间间隔最大值。
S102,基于像素点灰度值差值以及均值,从两张目标图片中截取出包含车辆的车辆图片。
在得到两张目标图片所有像素点的像素灰度值差值以及对应的均值之后,只需筛选出其中像素灰度值差值大于均值的像素点,再确定出由这些像素灰度值差值大于均值的像素点构成的连续封闭图像并截取出来,即可实现对车辆的检测。其中,在进行车辆图片截取时,既可以以任意一张目标图片为对象进行车辆的检测,也可以同时两张目标图片为对象进行车辆的检测,具体可由技术人员自行选定,此处不予限定。
S103,对车辆图片进行灰度二值化处理并进行边缘提取,查找出其中边界封闭后为矩形,且矩形宽高比处于预设宽高比范围内的矩形图像。
在完成车辆检测得到所需的车辆图片之后,开始对车辆图片进行车牌定位。由于实际情况中车牌都是统一标准制作的,都是矩形且具有明显的矩形边框特征,如具有白色边框,因此在截取到的车辆图片中通过灰度二值化处理并进行边缘提取的方式,可以很容易地将车辆图片中的矩形图像查找出来,但考虑到实际情况中车辆上的矩形图像可能不止车牌,如一些车辆上经常会有一些矩形标语贴纸等,因此查找出的矩形图像可能是车牌图像或者类似车牌的具体图像,因此在识别出这些矩形图像之后,还需要对其进行进一步地筛选,以提高对车牌图像定位的准确性,减少后续车牌识别的工作量,提高识别结果的准确性。
考虑到实际情况中车牌的宽高比是固定的,且实际应用中在对车辆进行拍摄时若拍摄角度太偏,车牌中的字符会出现重叠从而使得车牌号无法被识别,因此为了保证拍摄到的车辆图片可正常进行车牌识别,实际应用中对车辆拍摄的角度都是根据车辆情况设定的,不会存在极端偏置的拍摄角度的情况,因此实际应用中拍摄到的车牌的图片其宽高比都是具有一定比例范围的。因此为了从查找出的矩形图像中筛选出车牌的图像,本发明实施例会由技术人员根据实际应用中的车牌矩形宽高比值情况设置对应的宽高比范围,并依此对矩形图像的宽高比进行筛选。其中宽高比范围,优选地,可设置为3.5~5。
S104,对矩形图像进行字符识别,得到车牌识别结果。
在完成对车牌的定位之后开始对车牌进行字符识别,以确定出最终的车牌识别结果。其中具体的识别方法此处不予限定,包括但不限于使用现有的一些图像字符识别法进行识别,或者使用技术人员自行设计的识别方法进行识别,具体可参考本发明实施例二至本发明实施例五。
应当说明地,由于在步骤S102中既可以选取单张目标图片进行车辆图片截取,也可以对两张目标图片都进行车辆图片截取,当使用单张目标图片时,直接对矩形图像进行字符识别并确定出车牌识别结果即可,而在对两张目标图片都进行车辆图片截取时,此时步骤S104中至少会需要对两张矩形图像进行字符识别,并得到至少两个对应的字符识别结果,因此此时需要从这些字符识别结果中确定出最终的车牌识别结果。其中,具体从多个字符识别结果中确定出最终的车牌识别结果的方法此处不予限定,可有技术人员自行设定,包括但不限于如从满足车牌字符格式要求的字符识别结果中随机选取出一个作为车牌识别结果,或者将满足车牌字符格式要求的字符识别结果筛选出来,并识别出这些满足车牌字符格式要求的字符识别结果中存在的差异字符,再从矩形图像中切割出差异字符的字符图像,并对字符图像进行字符识别确定出匹配概率最大的字符后,再对差异字符进行替换,从而确定出最终的字符识别结果并得到车牌识别结果。
本发明实施例结合恶劣拍摄环境对拍摄时的影响因素特点,对恶劣拍摄环境下获取到的目标图片进行车牌识别时的车辆检测和车牌定位均进行了优化,保证了在恶劣拍摄环境进行车牌识别时的准确率。由于恶劣拍摄环境下获得的目标图片容易产生像素丢失质量较差,因此难以直接从中识别出车辆所在之处。为了从这些质量较差的目标图片中确定出车辆,考虑到实际情况中运动的物体在被连续拍摄的图片中,对应的像素位置会发生变化,从而使得这些像素点的灰度值相对短时间内静止不动的事物的像素点的灰度值而言,变化量较大,因此本发明实施例采用了对运动的车辆进行连续拍摄,并根据连续拍摄得到的目标图片进行灰度化差值计算,再根据差值均值来从对两张目标图片中像素点灰度值差值进行划分处理的方式,来识别出灰度值变化较大的像素点,从而实现了对恶劣拍摄环境下运动的车辆的准确识别,保证了车牌识别第一步车辆检测的准确性。在确定出车辆后基于灰度二值化边缘提取,使得车辆中矩形的图案得以识别,再结合实际情况中车牌宽高比是固定的,且实际应用中拍摄位置角度也是根据车辆情况设定的,再对提取出的矩形进行宽高比的筛选,剔除了一些非车牌的矩形图像的干扰,从而提高了对车牌的定位的准确性。最后再对定位出的车牌矩形图像进行字符识别,保证了最终车牌识别结果的准确有效。因此,本发明实施例能保证在恶劣拍摄环境进行车牌识别时的准确有效。
作为本发明的一个实施例,由于S102在对车辆图片进行截取时,由于移动的物体可能不止有车辆,因此可能会出现存在多个满足像素灰度值差值大于均值的像素点构成的连续封闭图像,从而会使得后续的矩形图像的提取以及字符识别增加额外的工作量,使得识别工作效率变低且干扰变大,容易降低最终识别的准确率。因此,为了减小后续矩形图像提取以及字符识别的干扰,提升识别的效率以及准确性,本发明实施例中会在得到多张满足要求的车辆图片后,对这些车辆图像进行车辆特征检测和识别,并仅保留其中保证车辆识别要求的车辆图片进行后续的矩形图像提取等操作。其中,具体的车辆特征检测和识别方法此处不予限定,可有技术人员自行设定,包括但不限于使用如常见的YOLO算法或HOG特征+线性SVM方法处理。
作为本发明实施例一中对矩形图像进行字符识别的一种具体实现方式,由于恶劣拍摄环境下拍摄的车牌图片质量往往也较差,如可能会被遮挡或者拍摄模糊,因此直接对其进行字符识别时识别的准确率往往难以得到保障,但考虑到车牌中的中文字符是已知且有限的,如川、赣、粤等,即实际的识别得到的中文字符结果应当是这些车牌中文字符中的一种,因此为了提高对车牌识别的准确率,本发明实施例中会针对字符识别结果中的中文字符进行识别的优化处理,如图2所示,本发明实施例二,包括:
S201,对矩形图像进行字符识别,并基于得到的字符识别结果中的中文字符对预设的中文字符库进行匹配,确定出字符匹配度最高的至少一个中文字符。
其中,中文字符库是指由技术人员根据车牌号码中可能存在的所有中文字符设置的字符库,如川、赣、粤等。在得到对矩形图像初步的识别结果以后,确定出其中所包含的中文字符,其中对中文字符的识别方法,可以采用现有的一些识别方法进行处理,考虑到实际车牌号码中中文字符都是首位固定的,因此也可以直接将其中首位字符作为中文字符进行处理。
在确定出其中的中文字符后再对中文字符库进行匹配,确定出匹配度最高的一个或多个中文字符作为待处理字符,其中具体确定出的中文字符数量,可由技术人员根据需求自行设定。
S202,基于从矩形图像中分割出的中文字符对应的字符图像,对预设的中文字符图像库进行匹配,并确定出图像匹配度最高的至少一个中文字符图像对应的中文字符集,中文字符图像库中每个中文字符图像都唯一对应着一个预设的中文字符。
其中中文字符图像库,是指根据公安部提供的车牌号码中所有中文字符标准图像组成的图像库,其中每张中文字符图像都与一个中文字符唯一对应,以使得本发明实施例在匹配出中文字符图像后即可确定出对应的中文字符。由于实际情况中车牌号码所使用的并非是标准字体,而是由公安部设定的特殊字体,因此为了保证图像匹配的准确可靠,本发明实施例中会根据公安部提供的中文字符标准图像来构建所需的中文字符库。其中,同样也可以通过对实际车牌进行拍照后,提取出每个中文字符的标准图像,并以之构建出所需的中文字符图像库。
在确定出中文字符后,考虑到车牌图片质量较差时字符识别的准确性往往较低,且字符识别后还需要再次对中文字符库进行匹配,从而使得最终的仅通过字符识别得到的识别结果准确率难以得到很好的保障。实际情况中由于每个中文字符对应的中文字符标准图像是已知的,而拍摄到的中文字符的图像整体图像特征是可以直接获取到的,因此直接通过图像匹配的方式可以在整体字符图像特征上对中文字符进行筛选,实现图像特征维度的字符匹配。因此为了提高对中文字符识别的准确性,本发明实施例还会继续对中文字符对应的字符图像进行分割,并利用得到的字符图像对中文字符图像库进行匹配,以确定出对应的相似度较高的中文字符,以在整体字符图像特征上匹配出相似度较高的中文字符识别结果。其中具体确定出的中文字符图像,可由技术人员根据需求自行设定。
S203,基于至少一个中文字符与中文字符集中相同的中文字符,确定出字符图像对应的字符识别结果,并对矩形图像的字符识别结果进行更新。
由于当两种维度的匹配都认为某个字符具有较大可能性是字符图像的字符识别结果时,说明其识别准确率较高,因此在得到两种通过不同维度进行匹配确定出的中文字符识别结果后本发明实施例会查找出其中相同的中文字符,并基于其中相同的中文字符进一步地来确定出最终字符图像的字符识别结果,再对矩形图像字符识别结果中的中文字符进行更新,以提升对车牌识别的准确性。
其中,由于相同的中文字符数可能不止一个,因此当相同的中文字符数大于1时,需要从中确定出一个字符图像最终的字符识别结果,本发明实施例中并未对具体的确定方法进行限定,可由技术人员根据实际需求进行设定,如若实际需求中技术人员对字符图像匹配较为看重,则可以根据图像匹配度的高低顺序,将相同的中文字符中对应的中文字符图像匹配度最高的中文字符作为字符图像最终的字符识别结果。
作为本发明实施例二中从多个相同的中文字符中确定出一个字符图像最终的字符识别结果的具体实现方法,本发明实施例,包括:
若相同的中文字符的数量大于1,基于预设的权重系数对相同的中文字符对应的字符匹配度以及图像匹配度进行权重计算,并将其中对应的权重值最大的中文字符提取为字符图像对应的字符识别结果。
在本发明实施例中,会综合中文字符图像识别匹配以及字符图像匹配两个维度进行中文字符识别结果的筛选,通过将相同的中文字符中每个中文字符进行字符匹配度和图像匹配度的权重计算,确定出其中每个中文字符重要程度的权重值,再将其中最大权重值的中文字符确定为字符图像对应的字符识别结果即可。其中,字符匹配度和图像匹匹配度具体对应的权重系数值,可由技术人员根据需求设定。
在本发明实施例中,为用户提供了同时通过字符匹配度和图像匹配度两个维度权重计算的方式来对相同中文字符进行筛选,用户只需要根据自己实际对文字符图像识别匹配和字符图像匹配的需求情况来设置对应的权重系数,即可根据实现对字符图像识别结果的筛选,既提高了对字符图像的识别准确性,又充分满足用户的实际需求。
作为上述本发明实施例中对矩形图像进行字符识别并得到车牌识别结果的一种具体实现方法,如图3所示,本发明实施例三,包括:
S105,若矩形图像的字符识别结果中的中文字符数量等于1,从矩形图像的字符识别结果中筛选出满足预设的车牌正则表达式要求的字符识别结果,得到车牌识别结果。
其中,车牌正则表达式为根据民用车牌号码固定格式设置生成的表达式,如:[京津沪渝冀豫云辽黑湘皖鲁新苏浙赣鄂桂甘晋蒙陕吉闽贵粤青藏川宁琼使领]{1}[A-Z0-9]{5}。实际生活中车牌包含民用车牌和特殊车牌,其中民用车牌号码固定格式为:1位中文字符+6位大写英文字母和数字的组合,如粤B12345,而特殊车牌没有统一格式,不同的使用机构/组织对应的格式一般不同,但大多数都包含至少两个中文字符,且满足格式要求可使用的车牌号码数量均有限且已知,如机场专用的摆渡车或作业车,其格式为:民航+5位大写英文字母和数字的组合。
本发明实施例中,为了实现对民用车牌以及特殊车牌中与民用车牌格式相同的车牌号码的快速准确识别,会在得到矩阵图像的字符识别结果后,判断其中包含的中文字符的数量,并在数量为1的时候,使用预设的民用车牌号码固定格式对应的车牌正则表达式对字符识别结果进行筛选,确定出其中满足格式要求的字符识别结果来作为最终的车牌识别结果。其中,由于具体的中文字符识别方法并非本申请发明点所在,此处不予详述和限定,具体可选用一些现有的中文字符识别法来进行处理。
作为上述本发明实施例中对矩形图像进行字符识别并得到车牌识别结果的一种具体实现方法,如图4所示,本发明实施例四,包括:
S106,若矩形图像的字符识别结果中的中文字符数量大于1,基于矩形图像的字符识别结果对预设的车牌字符串库进行匹配,确定出车牌识别结果。
其中,车牌字符串库中包含所有具有的中文字符数量大于1的车牌号码。由于大多数特殊车牌中都包含有至少两个中文字符,如:特别通行,其与民用车牌的固定格式存在较大的差异,且实际情况中包含多个中文字符的特殊车牌的数量较为有限且已知,因此相对仅知道格式而对应可能的车牌号码结果无法预知的民用车牌而言,这些特殊车牌较为容易区分识别。因此,为了提高对车牌识别的准确性和有效性,本发明实施例针对这些特殊车牌的格式特点进行处理,在得到矩形图像的识别结果后判断其中是否包含有多个中文字符,若包含,说明其可能属于特殊车牌,此时再基于字符识别结果对设定的车牌字符串库进行匹配,若其中存在匹配成功的结果,则可确定出车牌识别结果。
作为上述本发明实施例中对矩形图像进行字符识别并得到车牌识别结果的一种具体实现方法,如图5所示,本发明实施例五,包括:
S107,若矩形图像的字符识别结果中的中文字符数量大于1,基于矩形图像对预设的车牌图像库进行匹配,并确定出其中匹配度最高的车牌图像对应的车牌字符串,得到车牌识别结果,其中,车牌图像库中每个车牌图像都唯一对应着一个预设的车牌字符串。
其中,车牌图像库中包含所有具有的中文字符数量大于1的车牌号码的车牌图像,且本发明实施例中为了在车牌图像确定后能得到对应的车牌号码,还会将每个车牌图像对应的车牌字符串(即车牌号码)一并进行存储。本发明实施例四中虽然可以实现对中文字符数量大于1的车牌号码的识别,但实际应用中发现,由于拍摄的环境较为恶劣,在对矩形图像进行字符识别时其识别的准确率难以得到保障,而字符识别结果的不准确导致后续对车牌字符串库进行匹配时其匹配效果也不理想。因此为了保证恶劣拍摄环境下对中文字符数量大于1的车牌号码的准确识别,本发明实施例中采用了在确定出矩形图像中包含多个中文字符后对矩形图像整体进行车牌图像匹配的方式,来实现对矩形图像车牌识别结果的确定。
一方面来说,由于本发明实施例中对具体单个字符的识别结果准确率要求不高,只要识别出是中文字符即可,相对根据字符识别结果来进行字符匹配而言,其抗干扰性更强准确率更高。另一方面来说,本发明实施例中对比的是整个矩形图像,因此图像匹配时参考的是整个矩形图像的特征,相对单个字符识别而言,其具有的可参考特征点更多,因此在车牌图像库已知的情况下,其识别时准确率必然更高。因此,本发明实施例可以实现对具有的中文字符数量大于1的车牌号码的准确识别。
应当特别说明地,由于步骤S102中既可以选取单张目标图片进行车辆图片截取,也可以对两张目标图片都进行车辆图片截取,因此对于本发明实施例三至本发明实施例五而言,当使用单张目标图片时,直接将得到的最终识别结果作为车牌识别结果即可,但当使用两张目标图片时,由于此时无论是字符识别匹配还是车牌图像匹配,都会存在至少两个识别结果。当两个识别结果相同时,即筛选出的满足车牌正则表达式要求的字符识别结果相同/匹配出的车牌字符串相同/匹配出来的车牌图像相同时,直接将其作为车牌识别结果即可。当两个识别结果不同时,即筛选出的满足车牌正则表达式要求的字符识别结果不同/匹配出的车牌字符串不同/匹配出来的车牌图像不同时,此时需从不同的识别结果中确定出最终的车牌识别结果,本发明实施例中并未对具体的从不同的识别结果中确定出最终的车牌识别结果的方法进行限定,具体可由技术人员自行设定,包括但不限于如从中随机选取一个作为车牌识别结果,或者对于本发明实施例三:筛选出的满足车牌正则表达式要求的多个字符识别结果而言,识别出这些字符识别结果中存在的差异字符,再从矩形图像中切割出差异字符的字符图像,并对字符图像进行字符识别确定出匹配概率最大的字符后,再对差异字符进行替换,从而确定出最终的字符识别结果并得到车牌识别结果,对于本发明实施例四/本发明实施例五:车牌字符串库/车牌图像库匹配而言,识别出这些字符识别结果中存在的差异字符,将两种目标图片中差异字符对应的字符图像进行对比,确定出其中包含字符特征更多(即差异字符更清晰)的字符图像,并将该字符图像所处的矩形图像的字符识别结果作为最终的车牌识别结果。
在本发明实施例中,对车牌识别中的车辆检测、车牌定位以及车牌字符识别分别进行了对应的优化处理,从而使得本发明实施例可以适应于各种恶劣拍摄环境,并保证车牌识别的准确有效。具体而言,利用运动车辆前后像素点灰度值变化较大的特点对车辆进行检测,从而使得即使目标图片质量较差,也可以准确检测出其中所包含的车辆。再对截取出的车辆图像进行灰度二值化边缘提取,并对提取出的矩形图像进行宽高比筛选,从而使得其中车牌对应的矩形图像得以准确筛选定位出来。最后针对不同车牌的格式特点,针对性的提出了多种识别处理方案,使得即使矩形图像中存在非车牌图像的干扰,也可以准确高效定从中确定出满足实际车牌号码格式和内容要求的识别结果,保证了本发明实施例对恶劣拍摄环境下车牌识别的准确有效。
对应于上文实施例的方法,图6示出了本发明实施例提供的车牌识别装置的结构框图,为了便于说明,仅示出了与本发明实施例相关的部分。图6示例的车牌识别装置可以是前述实施例一提供的车牌识别方法的执行主体。
参照图6,该车牌识别装置包括:
灰度处理模块61,用于对获取到的拍摄时间间隔小于预设时间阈值的两张目标图片进行灰度化处理,并计算灰度化处理后的所述两张目标图片的像素点灰度值差值的均值。
车辆检测模块62,用于基于所述像素点灰度值差值以及所述均值,从所述两张目标图片中截取出包含车辆的车辆图片。
车牌定位模块63,用于对所述车辆图片进行灰度二值化处理并进行边缘提取,查找出其中边界封闭后为矩形,且矩形宽高比处于预设宽高比范围内的矩形图像。
车牌识别模块64,用于对所述矩形图像进行字符识别,得到车牌识别结果。
进一步地,车牌识别模块64,包括:
字符识别模块,用于对所述矩形图像进行字符识别,并基于得到的字符识别结果中的中文字符对预设的中文字符库进行匹配,确定出字符匹配度最高的至少一个中文字符。
图像匹配模块,用于基于从所述矩形图像中分割出的所述中文字符对应的字符图像,对预设的中文字符图像库进行匹配,并确定出图像匹配度最高的至少一个中文字符图像对应的中文字符集,所述中文字符图像库中每个中文字符图像都唯一对应着一个预设的中文字符。
字符确定模块,用于基于所述至少一个中文字符与所述中文字符集中相同的中文字符,确定出所述字符图像对应的字符识别结果,并对所述矩形图像的字符识别结果进行更新。
进一步地,字符确定模块,包括:
若所述相同的中文字符的数量大于1,基于预设的权重系数对所述相同的中文字符对应的所述字符匹配度以及所述图像匹配度进行权重计算,并将其中对应的权重值最大的中文字符提取为所述字符图像对应的字符识别结果。
进一步地,车牌识别模块64,还包括:
若所述矩形图像的字符识别结果中的中文字符数量等于1,从所述矩形图像的字符识别结果中筛选出满足预设的车牌正则表达式要求的字符识别结果,得到所述车牌识别结果。
进一步地,车牌识别模块64,还包括:
若所述矩形图像的字符识别结果中的中文字符数量大于1,基于所述矩形图像的字符识别结果对预设的车牌字符串库进行匹配,确定出所述车牌识别结果。
进一步地,车牌识别模块64,还包括:
若所述矩形图像的字符识别结果中的中文字符数量大于1,基于所述矩形图像对预设的车牌图像库进行匹配,并确定出其中匹配度最高的车牌图像对应的车牌字符串,得到所述车牌识别结果,其中,所述车牌图像库中每个车牌图像都唯一对应着一个预设的车牌字符串。
本发明实施例提供的车牌识别装置中各模块实现各自功能的过程,具体可参考前述图1所示实施例一的描述,此处不再赘述。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
还应理解的是,虽然术语“第一”、“第二”等在文本中在一些本发明实施例中用来描述各种元素,但是这些元素不应该受到这些术语的限制。这些术语只是用来将一个元素与另一元素区分开。例如,第一接触可以被命名为第二接触,并且类似地,第二接触可以被命名为第一接触,而不背离各种所描述的实施例的范围。第一接触和第二接触都是接触,但是它们不是同一接触。
图7是本发明一实施例提供的终端设备的示意图。如图7所示,该实施例的终端设备7包括:处理器70、存储器71,所述存储器71中存储有可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个车牌识别方法实施例中的步骤,例如图1所示的步骤101至106。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图6所示模块61至66的功能。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是终端设备7的示例,并不构成对终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入发送设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经发送或者将要发送的数据。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使对应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车牌识别方法,其特征在于,包括:
对获取到的拍摄时间间隔小于预设时间阈值的两张目标图片进行灰度化处理,并计算灰度化处理后的所述两张目标图片的像素点灰度值差值的均值;
基于所述像素点灰度值差值以及所述均值,从所述两张目标图片中截取出包含车辆的车辆图片;
对所述车辆图片进行灰度二值化处理并进行边缘提取,查找出其中边界封闭后为矩形,且矩形宽高比处于预设宽高比范围内的矩形图像;
对所述矩形图像进行字符识别,得到车牌识别结果。
2.如权利要求1所述的车牌识别方法,其特征在于,所述对所述矩形图像进行字符识别,包括:
对所述矩形图像进行字符识别,并基于得到的字符识别结果中的中文字符对预设的中文字符库进行匹配,确定出字符匹配度最高的至少一个中文字符;
基于从所述矩形图像中分割出的所述中文字符对应的字符图像,对预设的中文字符图像库进行匹配,并确定出图像匹配度最高的至少一个中文字符图像对应的中文字符集,所述中文字符图像库中每个中文字符图像都唯一对应着一个预设的中文字符;
基于所述至少一个中文字符与所述中文字符集中相同的中文字符,确定出所述字符图像对应的字符识别结果,并对所述矩形图像的字符识别结果进行更新。
3.如权利要求2所述的车牌识别方法,其特征在于,所述基于所述至少一个中文字符与所述中文字符集中相同的中文字符,确定出所述字符图像对应的字符识别结果,包括:
若所述相同的中文字符的数量大于1,基于预设的权重系数对所述相同的中文字符对应的所述字符匹配度以及所述图像匹配度进行权重计算,并将其中对应的权重值最大的中文字符提取为所述字符图像对应的字符识别结果。
4.如权利要求1任意一项所述的车牌识别方法,其特征在于,所述对所述矩形图像进行字符识别,得到车牌识别结果,包括:
若所述矩形图像的字符识别结果中的中文字符数量等于1,从所述矩形图像的字符识别结果中筛选出满足预设的车牌正则表达式要求的字符识别结果,得到所述车牌识别结果。
5.如权利要求1至4任意一项所述的车牌识别方法,其特征在于,所述对所述矩形图像进行字符识别,得到车牌识别结果,还包括:
若所述矩形图像的字符识别结果中的中文字符数量大于1,基于所述矩形图像的字符识别结果对预设的车牌字符串库进行匹配,确定出所述车牌识别结果。
6.如权利要求1至4任意一项所述的车牌识别方法,其特征在于,所述对所述矩形图像进行字符识别,得到车牌识别结果,还包括:
若所述矩形图像的字符识别结果中的中文字符数量大于1,基于所述矩形图像对预设的车牌图像库进行匹配,并确定出其中匹配度最高的车牌图像对应的车牌字符串,得到所述车牌识别结果,其中,所述车牌图像库中每个车牌图像都唯一对应着一个预设的车牌字符串。
7.一种终端设备,其特征在于,所述终端设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
对获取到的拍摄时间间隔小于预设时间阈值的两张目标图片进行灰度化处理,并计算灰度化处理后的所述两张目标图片的像素点灰度值差值的均值;
基于所述像素点灰度值差值以及所述均值,从所述两张目标图片中截取出包含车辆的车辆图片;
对所述车辆图片进行灰度二值化处理并进行边缘提取,查找出其中边界封闭后为矩形,且矩形宽高比处于预设宽高比范围内的矩形图像;
对所述矩形图像进行字符识别,得到车牌识别结果。
8.如权利要求7所述的终端设备,其特征在于,所述对所述矩形图像进行字符识别,包括:
对所述矩形图像进行字符识别,并基于得到的字符识别结果中的中文字符对预设的中文字符库进行匹配,确定出字符匹配度最高的至少一个中文字符;
基于从所述矩形图像中分割出的所述中文字符对应的字符图像,对预设的中文字符图像库进行匹配,并确定出图像匹配度最高的至少一个中文字符图像对应的中文字符集,所述中文字符图像库中每个中文字符图像都唯一对应着一个预设的中文字符;
基于所述至少一个中文字符与所述中文字符集中相同的中文字符,确定出所述字符图像对应的字符识别结果,并对所述矩形图像的字符识别结果进行更新。
9.如权利要求7至8所述的终端设备,其特征在于,所述对所述矩形图像进行字符识别,得到车牌识别结果,包括:
若所述矩形图像的字符识别结果中的中文字符数量大于1,基于所述矩形图像对预设的车牌图像库进行匹配,并确定出其中匹配度最高的车牌图像对应的车牌字符串,得到所述车牌识别结果,其中,所述车牌图像库中每个车牌图像都唯一对应着一个预设的车牌字符串。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020612.1A CN109447074A (zh) | 2018-09-03 | 2018-09-03 | 一种车牌识别方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020612.1A CN109447074A (zh) | 2018-09-03 | 2018-09-03 | 一种车牌识别方法及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447074A true CN109447074A (zh) | 2019-03-08 |
Family
ID=65533340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811020612.1A Pending CN109447074A (zh) | 2018-09-03 | 2018-09-03 | 一种车牌识别方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447074A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991442A (zh) * | 2019-09-02 | 2020-04-10 | 南京感动科技有限公司 | 一种高速公路车牌云端高精准识别方法 |
CN111429376A (zh) * | 2020-03-30 | 2020-07-17 | 北京芯龙德大数据科技有限公司 | 高低精度融合的高效数字图像处理方法 |
CN111611863A (zh) * | 2020-04-22 | 2020-09-01 | 浙江大华技术股份有限公司 | 车牌图像质量评价方法、装置以及计算机设备 |
CN112733856A (zh) * | 2020-12-31 | 2021-04-30 | 成都福立盟环保大数据有限公司 | 一种大型车辆放大车牌的识别方法 |
CN113723422A (zh) * | 2021-09-08 | 2021-11-30 | 重庆紫光华山智安科技有限公司 | 车牌信息确定方法、系统、设备及介质 |
WO2022111355A1 (zh) * | 2020-11-30 | 2022-06-02 | 展讯通信(上海)有限公司 | 车牌识别方法及装置、存储介质、终端 |
US20220207889A1 (en) * | 2020-12-29 | 2022-06-30 | Streamax Technology Co., Ltd. | Method for recognizing vehicle license plate, electronic device and computer readable storage medium |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005149395A (ja) * | 2003-11-19 | 2005-06-09 | Mitsubishi Heavy Ind Ltd | 文字認識装置、ナンバープレート認識システム |
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN101567042A (zh) * | 2009-05-25 | 2009-10-28 | 公安部交通管理科学研究所 | 武警汽车号牌图像的字符识别方法 |
CN101604381A (zh) * | 2009-05-20 | 2009-12-16 | 电子科技大学 | 基于多分类支持向量机的车牌字符识别方法 |
CN102096821A (zh) * | 2010-04-15 | 2011-06-15 | 西安理工大学 | 基于复杂网络理论的强干扰环境下的车牌识别方法 |
CN106446889A (zh) * | 2015-08-10 | 2017-02-22 | Tcl集团股份有限公司 | 一种台标的本地识别方法和装置 |
CN106650732A (zh) * | 2016-12-27 | 2017-05-10 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别方法及装置 |
CN107679531A (zh) * | 2017-06-23 | 2018-02-09 | 平安科技(深圳)有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
CN108364010A (zh) * | 2018-03-08 | 2018-08-03 | 广东工业大学 | 一种车牌识别方法、装置、设备及计算机可读存储介质 |
-
2018
- 2018-09-03 CN CN201811020612.1A patent/CN109447074A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005149395A (ja) * | 2003-11-19 | 2005-06-09 | Mitsubishi Heavy Ind Ltd | 文字認識装置、ナンバープレート認識システム |
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN101604381A (zh) * | 2009-05-20 | 2009-12-16 | 电子科技大学 | 基于多分类支持向量机的车牌字符识别方法 |
CN101567042A (zh) * | 2009-05-25 | 2009-10-28 | 公安部交通管理科学研究所 | 武警汽车号牌图像的字符识别方法 |
CN102096821A (zh) * | 2010-04-15 | 2011-06-15 | 西安理工大学 | 基于复杂网络理论的强干扰环境下的车牌识别方法 |
CN106446889A (zh) * | 2015-08-10 | 2017-02-22 | Tcl集团股份有限公司 | 一种台标的本地识别方法和装置 |
CN106650732A (zh) * | 2016-12-27 | 2017-05-10 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别方法及装置 |
CN107679531A (zh) * | 2017-06-23 | 2018-02-09 | 平安科技(深圳)有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
CN108364010A (zh) * | 2018-03-08 | 2018-08-03 | 广东工业大学 | 一种车牌识别方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
何铁军;张宁;黄卫;: "车牌识别算法的研究与实现", 公路交通科技, vol. 23, no. 08, 15 August 2006 (2006-08-15), pages 147 - 149 * |
周志颖;: "MATLAB在汽车牌照识别系统中的应用", 考试周刊, no. 09, 26 February 2010 (2010-02-26), pages 157 - 158 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991442A (zh) * | 2019-09-02 | 2020-04-10 | 南京感动科技有限公司 | 一种高速公路车牌云端高精准识别方法 |
CN110991442B (zh) * | 2019-09-02 | 2023-09-22 | 南京感动科技有限公司 | 一种高速公路车牌云端高精准识别方法 |
CN111429376A (zh) * | 2020-03-30 | 2020-07-17 | 北京芯龙德大数据科技有限公司 | 高低精度融合的高效数字图像处理方法 |
CN111611863A (zh) * | 2020-04-22 | 2020-09-01 | 浙江大华技术股份有限公司 | 车牌图像质量评价方法、装置以及计算机设备 |
WO2022111355A1 (zh) * | 2020-11-30 | 2022-06-02 | 展讯通信(上海)有限公司 | 车牌识别方法及装置、存储介质、终端 |
US20220207889A1 (en) * | 2020-12-29 | 2022-06-30 | Streamax Technology Co., Ltd. | Method for recognizing vehicle license plate, electronic device and computer readable storage medium |
WO2022141073A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳市锐明技术股份有限公司 | 车牌识别方法、装置及电子设备 |
CN112733856A (zh) * | 2020-12-31 | 2021-04-30 | 成都福立盟环保大数据有限公司 | 一种大型车辆放大车牌的识别方法 |
CN113723422A (zh) * | 2021-09-08 | 2021-11-30 | 重庆紫光华山智安科技有限公司 | 车牌信息确定方法、系统、设备及介质 |
CN113723422B (zh) * | 2021-09-08 | 2023-10-17 | 重庆紫光华山智安科技有限公司 | 车牌信息确定方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447074A (zh) | 一种车牌识别方法及终端设备 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN110378297B (zh) | 基于深度学习的遥感图像目标检测方法、装置、及存储介质 | |
US8488881B2 (en) | Object segmentation at a self-checkout | |
CN105608455B (zh) | 一种车牌倾斜校正方法及装置 | |
CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
CN110796048A (zh) | 一种基于深度神经网络的船舰目标实时检测方法 | |
CN104751147A (zh) | 一种图像识别方法 | |
CN111612820A (zh) | 多目标跟踪方法、特征提取模型的训练方法和装置 | |
US20220058422A1 (en) | Character recognition method and terminal device | |
CN111950355A (zh) | 印章识别方法、装置及电子设备 | |
CN110377670B (zh) | 一种确定道路要素信息的方法、装置、介质及设备 | |
CN104766095A (zh) | 一种移动终端图像识别方法 | |
Tian et al. | An algorithm combined with color differential models for license-plate location | |
Zhang et al. | Counting vehicles in urban traffic scenes using foreground time‐spatial images | |
CN105184294A (zh) | 一种基于像素追踪的倾斜文字判断识别方法 | |
CN110033425B (zh) | 干扰区域检测装置及方法、电子设备 | |
CN111767908A (zh) | 字符检测方法、装置、检测设备及存储介质 | |
CN113298042A (zh) | 遥感影像数据的处理方法及装置、存储介质、计算机设备 | |
CN110765875B (zh) | 交通目标的边界检测方法、设备及装置 | |
CN111178153A (zh) | 一种交通标志检测方法及系统 | |
CN116883866A (zh) | 输电线路异物检测方法、电子设备及计算机可读存储介质 | |
CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN115731422A (zh) | 多标签分类模型的训练方法、分类方法及装置 | |
CN105005780A (zh) | 一种车牌识别方法 |
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 |