CN109460722A - 一种车牌智能识别方法 - Google Patents

一种车牌智能识别方法 Download PDF

Info

Publication number
CN109460722A
CN109460722A CN201811255214.8A CN201811255214A CN109460722A CN 109460722 A CN109460722 A CN 109460722A CN 201811255214 A CN201811255214 A CN 201811255214A CN 109460722 A CN109460722 A CN 109460722A
Authority
CN
China
Prior art keywords
license plate
image
carries out
characters
coarse positioning
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
Application number
CN201811255214.8A
Other languages
English (en)
Other versions
CN109460722B (zh
Inventor
游峰
初鑫男
李小龙
黄玲
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201811255214.8A priority Critical patent/CN109460722B/zh
Publication of CN109460722A publication Critical patent/CN109460722A/zh
Application granted granted Critical
Publication of CN109460722B publication Critical patent/CN109460722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/50Context or environment of the image
    • G06V20/56Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584Recognition 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10Character recognition
    • G06V30/14Image acquisition
    • G06V30/148Segmentation of character regions
    • G06V30/153Segmentation of character regions using recognition of characters or words

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Character Input (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种车牌智能识别方法,包括如下步骤:S1获取包含车牌的车辆图像,对图像进行预处理;S2对预处理后的图像进行车牌区域粗定位;S3对车牌区域粗定位后的图像进行车牌精定位;S4对精定位所得车牌图像进行字符裁剪处理;S5对裁剪所得字符图像归一化和特征提取处理;S6采用模板匹配算法进行车牌字符自动识别。本发明解决了倾斜车牌定位不准确的问题,具有识别准确度高、对倾斜车牌识别效果好的优点。

Description

一种车牌智能识别方法
技术领域
本发明涉及车牌的智能识别领域,具体涉及一种车牌智能识别方法。
背景技术
随着科学技术的发展,数字图像处理的应用愈加广泛,除了对视觉效果的增强之外,图像识别的应用场景也越来越多,随着科技数字化、智能化,图像识别技术越来越多地应用于军事、智能交通领域中。随着智能交通系统(Intelligent Transport System,ITS)的迅速发展,车牌自动识别技术早已成为图像处理与模式识别技术在智能交通领域重要的研究课题之一,是实现交通管理智能化的重要环节。车牌识别技术可运用于道路交通监控、交通事故现场勘查、交通违章自动记录、停车场自动安全管理、高速公路自动收费系统等方面。
目前车牌自动识别方式包括以下步骤:1)车牌获取;2)车牌字符分割;3)字符识别。调研发现,目前车牌自动识别方式存在以下弊端:1、对系统安装要求较高,车牌识别系统不具有普适性;2、车牌识别准确率易受环境影响,如车牌污损、光照不足等;3、传统方法对于倾斜车牌的定位不准确,容易导致倾斜车牌的识别准确率低。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种车牌智能识别方法。本发明解决了倾斜车牌的定位不准确的问题,本算法具有识别准确率高、对倾斜车牌识别效果好等优点。
本发明采用如下技术方案:
一种车牌智能识别方法,包括如下步骤:
S1获取包含车牌的车辆图像,对图像进行预处理;
S2对预处理后的图像进行车牌区域粗定位;
S3对车牌区域粗定位后的图像进行车牌精定位;
S4对精定位所得车牌图像进行字符裁剪处理;
S5对裁剪所得字符图像归一化和特征提取处理;
S6采用模板匹配算法进行车牌字符自动识别。
所述对预处理后的图像进行车牌区域粗定位,具体如下:
S2.1采用基于Haar特征的Adaboost分类器算法进行车牌定位;
S2.2在分类器算法定位的基础上进行区域扩展完成车牌区域粗定位。
所述在分类器算法定位的基础上进行区域扩展完成车牌区域粗定位,具体为:
设区域扩展后粗定位图像的高H和宽W分别为:
H=H1+2*offsetH
W=W1+2*offsetW
其中,H1、W1为分类器算法定位图像的高和宽,offsetH和offsetW为区域扩展偏置量;
其中,
所述对车牌区域粗定位后的图像进行车牌精定位,具体为:
S3.1采用随机抽样一致性算法对粗定位后的车牌进行上下边界拟合;
S3.2基于纹理方向场对车牌字符矫正;
S3.3采用垂直Sobel算子进行边缘检测;
S3.4采用垂直投影法进行左右边界定位。
所述S3.1采用随机抽样一致性算法对粗定位后的车牌进行上下边界拟合,具体为:
S3.1.1将粗定位后的车牌图像进行多阈值的自适应二值化;
S3.1.2对每个二值图像进行连通域分析以寻找满足宽高比的轮廓,轮廓的判定条件为:
其中Wk、Hk为第k个连通域的宽和高;μ、η为连通域判定阈值。
寻找出所有满足条件的矩形轮廓,记录矩形的上下边界点的位置,记所有上边界点的集合为Ωup,所有边界点的集合为Ωdown
S3.1.3采用随机抽样一致性算法分别对上下边界点Ωup和Ωdown进行直线拟合。
所述S4对精定位所得车牌图像进行字符裁剪处理,具体为:
S4.1采用最大类间方差法分离出车牌的字符与背景;
S4.2确定垂直方向上图像开始裁剪位置SIi和图像结束裁剪位置EIi
S4.3根据SIi和EIi对图像进行裁剪。
所述S5对裁剪所得字符图像归一化和特征提取处理,具体为:
S5.1对车牌字符图像进行归一化处理;
S5.2对车牌字符图像进行特征提取。
所述S5.2对车牌字符图像进行特征提取,其特征为:
将车牌字符图像在宽度方向均分为两部分,在高度方向上均分为三部分,分别计算每部分像素之和,并以此作为车牌字符图像的特征向量;
所述S5对裁剪所得字符图像归一化和特征提取处理,具体为:
首先对模板图像进行特征提取,获得模板图像的特征向量,然后求得模板图像特征向量与车牌字符图像特征向量的欧拉距离,取最小距离的模板字符作为待识别的车牌字符;
欧拉公式表示方式为:
本发明的有益效果:
1、本发明具有识别准确度高、算法简单等优点。
2、本发明显著提高了车牌智能识别的能力,提供了一种解决倾斜车牌识别的方法,有效的减少了拍摄仪器角度带来的车牌倾斜,避免了倾斜车牌的识别不准确问题。
附图说明
图1是本发明的框图;
图2(a)为非倾斜车牌粗定位效果图;
图2(b)为倾斜车牌粗定位图;
图3(a)为本实施例自适应阈值二值化图像;
图3(b)为本实施例连通域分析示意图;
图3(c)为本实施例随机抽样一致性算法上下边界拟合效果图;
图4(a)为本实施例矫正前图像;
图4(b)为本实施例矫正后图像;
图5(a)为车牌图像灰度分布值方图;
图5(b)为垂直sobel算子边缘检测效果图;
图5(c)为左右边界定位后效果图;
图6是本发明的车牌字符裁剪流程图。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1所示,一种车牌智能识别方法,包括如下步骤:
S1获取包含车牌的车辆图像,对图像进行预处理,具体为:
S1.1将获取的包含车牌的车辆图像转换为灰度图像;本实施例可以通过监控摄像头或者智能手机摄像头获取,获取图像后转为RGB图像,将RGB图像转换为灰度图的转换公式为:
Gray=R*0.299+G*0.587+B*0.114 (1)
S1.2对灰度图像进行滤波处理,具体采用高斯滤波器进行滤波,一个二维高斯函数表示为:
其中,(x,y)为点坐标,σ为标准差;
高斯滤波器窗口模板一般为奇数大小,对于窗口大小为(2k+1)×(2k+1)的模板,模板中各元素值的计算公式为:
其中,k∈N,(i,j)表示点在图像中的位置,i表示第i行,j表示第j列;
S1.3对滤波后所得包含车牌的车辆图像进行直方图均衡化处理;
设变量r为包含车牌的图像中像素灰度级,对灰度级进行归一化处理,则0≤r≤1,其中r=0表示黑,r=1表示白。对于包含车牌的车辆图像,每个像素值在[0,1]的灰度级是随机的,则图像灰度级分布的概率密度函数pr(r)为:
其中,0≤rk≤1,k=0,1,2,...,n-1;nk为图像中出现rk灰度的像素数量;n为图像中的像素总数。
图像直方图均衡化的函数表达式为:
其中k为灰度级数。
如图2(a)及图2(b)所示,S2对预处理后的图像进行车牌区域粗定位,具体为:
S2.1采用基于Haar特征的Adaboost分类器算法进行车牌定位;
S2.2在分类器算法定位的基础上进行区域扩展完整车牌区域粗定位;
具体地,所述S2.1中,采用基于Haar特征的Adaboost分类器算法进行车牌定位,需要从车牌图像中抽取大量的以为简单特征,对每个特征fi训练一个弱分类器hi(x),弱分类器的数学结构公式为:
其中x表示图像子窗口,fj是特征参数,θj为阈值,pj为偏置位;
为提高式(6)中被误判的样本权重,将新的样本和上次错分的样本放在一起进行新一轮训练,经过T轮训练之后得到T个最优弱分类器,弱分类器的组合公式为:
其中ht(x)为弱分类器,αt为各分类器权重;
S2.1在分类器算法定位的基础上进行区域扩展完成车牌区域粗定位,区域扩展后粗定位图像的高H和宽W分别为:
H=H1+2*offsetH (8)
W=W1+2*offsetW (9)
其中H1、W1为分类器算法定位图像的高和宽,offsetH和offsetW为区域扩展偏置量。作为优选,offsetH和offsetW分别可取:
如图3(a)、图3(b)及图3(c)所示,S3对车牌区域粗定位后的图像进行车牌精定位,具体包括:
S3.1采用随机抽样一致性算法对粗定位后的车牌进行上下边界拟合;
所述上下边界拟合方法为:
S3.1.1将经过步骤(2)的车牌区域粗定位图像进行多阈值的自适应二值化。对一幅车牌区域粗定位图像I(i,j),分别设置阈值T对图像进行自适应二值化处理,自适应二值化公式如式(12)所示,
其中Tk(i,j)为第k轮二值化图像(i,j)位置的像素值,i表示第i行,j表示第j列;Tk为第k轮二值化的阈值。
S3-1-2对每个二值图像进行连通域分析以寻找满足宽高比的轮廓。轮廓判定条件为:
其中Wk、Hk为第k个连通域的宽和高;μ、η为连通域判定阈值;作为优选,μ、η分别可取μ=0.7、η=1。
寻找出所有满足条件的矩形轮廓,记录矩形的上下边界点的位置,记所有上边界点的集合为Ωup,所有边界点的集合为Ωdown
S3-1-3采用随机抽样一致性算法分别对上下边界点Ωup和Ωdown进行直线拟合。
S3.2基于纹理方向场对车牌字符矫正,如图4(a)及图4(b)所示;
首先将S3.1所得到的图像划分为w×w不重叠的子块;每个子块的像素点梯度值利用Sobel算子计算得到;计算中心像素点(i,j)的方向O(i,j)公式为:
其中,Gx和Gy分别为水平和垂直方向梯度。
S3.3采用垂直Sobel算子进行边缘检测;
一个3x3的Sobel算子在垂直方向上的边缘检测算子公式为:
S3.4采用垂直投影法进行左右边界定位,具体是:经过垂直Sobel算子进行边缘检测后的图像通过垂直方向投影,得到图像各列的像素之和,表示为:
其中,W表示图像宽度,H表示图像高度,I(i,j)表示位置(i,j)的像素;
记SIi为图像开始裁剪位置,EIi为图像结束裁剪位置,T为判定背景与目标的阈值,对各列像素之和Ni进行依次扫描:
若Ni≤T且Ni+1>T,则表示图像开始由背景进入目标区域,SIi=i;若Ni>T且Ni+1≤T,则表示图像开始由目标区域进行背景,EIi=i;根据第一个SIi与最后一个EIi定位车牌左右边界,如图5(a)、图5(b)及图5(c)所示。
如图6所示,S4对精定位所得车牌图像进行字符裁剪处理,具体为:
S4.1采用最大类间方差法分离出车牌的字符与背景,具体为:
对于图像I(x,y),T表示前景和背景的分割阈值,ω0表示属于前景的像素点数目占整幅图像的比例,μ0表示其平均灰度;ω1表示属于背景的像素点数目占整幅图像的比例,μ1表示其平均灰度;μ表示图像的总平均灰度,g表示类间方差;
假设图像大小为M×N,图像中像素的灰度值小于阈值T的像素个数为N0,像素灰度大于阈值T的像素个数为N1,则最大类间方差g的计算方法如下:
N0+N1=M×N (21)
ω01=1 (22)
μ=ω0 *μ01 *μ1 (23)
g=ω00-μ)211-μ)2 (24)
g=ω0ω101)2 (25)
S4.2确定垂直方向上图像开始裁剪位置SIi和图像结束裁剪位置EIi
将S4.1中处理后的图像通过垂直方向投影,得到图像各列的像素之和,表示为:
其中,W表示图像宽度,H表示图像高度,I(i,j)表示位置(i,j)的像素;
记SIi为图像开始裁剪位置,EIi为图像结束裁剪位置,T为判定背景与目标的阈值,对各列像素之和Ni进行依次扫描:
若Ni≤T且Ni+1>T,则表示图像开始由背景进入目标区域,SIi=i;若Ni>T且Ni+1≤T,则表示图像开始由目标区域进行背景,EIi=i;
S4.3根据SIi和EIi对图像进行裁剪,根据SIi和EIi对车牌图像进行裁剪,得到车牌中的字符图像。
S5对裁剪所得字符图像归一化和特征提取处理,具体为:
S5.1对车牌字符图像进行归一化处理,具体为:
将S4裁剪得到的图像大小归一化为Hnorm×Wnorm,其中Hnorm表示归一化的图像高度,Wnorm表示归一化的图像宽度;作为优选,Hnorm和Wnorm分别可取Hnorm=90、Wnorm=50。
S5.2对车牌字符图像进行特征提取,具体为:
将车牌字符图像在宽度方向均分为两部分,在高度方向上均分为三部分,分别计算每部分像素之和,并以此作为车牌字符图像的特征向量;
S6采用模板匹配算法进行车牌字符自动识别,具体为:
首先对模板图像进行特征提取,获得模板图像的特征向量,然后求得模板图像特征向量与车牌字符图像特征向量的欧拉距离,取最小距离的模板字符作为待识别的车牌字符;
欧拉公式表示方式为:
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。

Claims (9)

1.一种车牌智能识别方法,其特征在于,包括如下步骤:
S1获取包含车牌的车辆图像,对图像进行预处理;
S2对预处理后的图像进行车牌区域粗定位;
S3对车牌区域粗定位后的图像进行车牌精定位;
S4对精定位所得车牌图像进行字符裁剪处理;
S5对裁剪所得字符图像归一化和特征提取处理;
S6采用模板匹配算法进行车牌字符自动识别。
2.根据权利要求1所述的一种车牌智能识别方法,其特征在于,所述对预处理后的图像进行车牌区域粗定位,具体如下:
S2.1采用基于Haar特征的Adaboost分类器算法进行车牌定位;
S2.2在分类器算法定位的基础上进行区域扩展完成车牌区域粗定位。
3.根据权利要求2所述的一种车牌智能识别方法,其特征在于,所述在分类器算法定位的基础上进行区域扩展完成车牌区域粗定位,具体为:
设区域扩展后粗定位图像的高H和宽W分别为:
H=H1+2*offsetH
W=W1+2*offsetW
其中,H1、W1为分类器算法定位图像的高和宽,offsetH和offsetW为区域扩展偏置量;
其中,
4.根据权利要求1所述的一种车牌智能识别方法,其特征在于,所述对车牌区域粗定位后的图像进行车牌精定位,具体为:
S3.1采用随机抽样一致性算法对粗定位后的车牌进行上下边界拟合;
S3.2基于纹理方向场对车牌字符矫正;
S3.3采用垂直Sobel算子进行边缘检测;
S3.4采用垂直投影法进行左右边界定位。
5.根据权利要求2所述的一种车牌智能识别方法,其特征在于,所述S3.1采用随机抽样一致性算法对粗定位后的车牌进行上下边界拟合,具体为:
S3.1.1将粗定位后的车牌图像进行多阈值的自适应二值化;
S3.1.2对每个二值图像进行连通域分析以寻找满足宽高比的轮廓,轮廓的判定条件为:
其中Wk、Hk为第k个连通域的宽和高;μ、η为连通域判定阈值;
寻找出所有满足条件的矩形轮廓,记录矩形的上下边界点的位置,记所有上边界点的集合为Ωup,所有边界点的集合为Ωdown
S3.1.3采用随机抽样一致性算法分别对上下边界点Ωup和Ωdown进行直线拟合。
6.根据权利要求1所述的一种车牌智能识别方法,其特征在于,所述S4对精定位所得车牌图像进行字符裁剪处理,具体为:
S4.1采用最大类间方差法分离出车牌的字符与背景;
S4.2确定垂直方向上图像开始裁剪位置SIi和图像结束裁剪位置EIi
S4.3根据SIi和EIi对图像进行裁剪。
7.根据权利要求1所述的一种车牌智能识别方法,其特征在于,所述S5对裁剪所得字符图像归一化和特征提取处理,具体为:
S5.1对车牌字符图像进行归一化处理;
S5.2对车牌字符图像进行特征提取。
8.根据权利要求7所述的一种车牌智能识别方法,其特征在于,所述S5.2对车牌字符图像进行特征提取,其特征为:
将车牌字符图像在宽度方向均分为两部分,在高度方向上均分为三部分,分别计算每部分像素之和,并以此作为车牌字符图像的特征向量。
9.根据权利要求1所述的一种车牌智能识别方法,其特征在于,所述S5对裁剪所得字符图像归一化和特征提取处理,具体为:
首先对模板图像进行特征提取,获得模板图像的特征向量,然后求得模板图像特征向量与车牌字符图像特征向量的欧拉距离,取最小距离的模板字符作为待识别的车牌字符;
欧拉公式表示方式为:
CN201811255214.8A 2018-10-26 2018-10-26 一种车牌智能识别方法 Active CN109460722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811255214.8A CN109460722B (zh) 2018-10-26 2018-10-26 一种车牌智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811255214.8A CN109460722B (zh) 2018-10-26 2018-10-26 一种车牌智能识别方法

Publications (2)

Publication Number Publication Date
CN109460722A true CN109460722A (zh) 2019-03-12
CN109460722B CN109460722B (zh) 2021-11-23

Family

ID=65608414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811255214.8A Active CN109460722B (zh) 2018-10-26 2018-10-26 一种车牌智能识别方法

Country Status (1)

Country Link
CN (1) CN109460722B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414595A (zh) * 2019-07-25 2019-11-05 广西科技大学 具有方向一致性的纹理图像的方向场估计方法
CN111160147A (zh) * 2019-12-16 2020-05-15 华南理工大学 一种书法作品图像的裁剪和识别方法
CN112052859A (zh) * 2020-09-11 2020-12-08 广东工业大学 一种自由场景下的车牌精准定位方法及装置
CN114677502A (zh) * 2022-05-30 2022-06-28 松立控股集团股份有限公司 一种任意倾斜角度的车牌检测方法
CN117496496A (zh) * 2024-01-02 2024-02-02 安能集(成都)新能源有限公司 一种智能充电桩用车牌识别系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870803A (zh) * 2013-10-21 2014-06-18 北京邮电大学 一种基于粗定位与精定位融合的车牌识别方法和系统
KR20150093453A (ko) * 2014-02-07 2015-08-18 전북대학교산학협력단 차량 번호판 이중 검출 방법 및 장치
CN106485248A (zh) * 2016-10-20 2017-03-08 江苏商贸职业学院 一种渣土车车牌倾斜校正方法
CN108268865A (zh) * 2016-12-30 2018-07-10 航天信息股份有限公司 一种基于级联卷积网络的自然场景下车牌识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870803A (zh) * 2013-10-21 2014-06-18 北京邮电大学 一种基于粗定位与精定位融合的车牌识别方法和系统
KR20150093453A (ko) * 2014-02-07 2015-08-18 전북대학교산학협력단 차량 번호판 이중 검출 방법 및 장치
CN106485248A (zh) * 2016-10-20 2017-03-08 江苏商贸职业学院 一种渣土车车牌倾斜校正方法
CN108268865A (zh) * 2016-12-30 2018-07-10 航天信息股份有限公司 一种基于级联卷积网络的自然场景下车牌识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FUJIAN FENG,ET AL: "《Approach for License Plate Location Using Texture Direction and Edge Feature》", 《IGTA 2015》 *
刘锤: "《车牌定位与车牌字符识别技术研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
潘仁龙,等: "《基于方向场的车牌倾斜校正方法》", 《贵州科学》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414595A (zh) * 2019-07-25 2019-11-05 广西科技大学 具有方向一致性的纹理图像的方向场估计方法
CN110414595B (zh) * 2019-07-25 2022-04-08 广西科技大学 具有方向一致性的纹理图像的方向场估计方法
CN111160147A (zh) * 2019-12-16 2020-05-15 华南理工大学 一种书法作品图像的裁剪和识别方法
CN112052859A (zh) * 2020-09-11 2020-12-08 广东工业大学 一种自由场景下的车牌精准定位方法及装置
CN112052859B (zh) * 2020-09-11 2023-07-28 广东工业大学 一种自由场景下的车牌精准定位方法及装置
CN114677502A (zh) * 2022-05-30 2022-06-28 松立控股集团股份有限公司 一种任意倾斜角度的车牌检测方法
CN117496496A (zh) * 2024-01-02 2024-02-02 安能集(成都)新能源有限公司 一种智能充电桩用车牌识别系统及方法
CN117496496B (zh) * 2024-01-02 2024-03-22 安能集(成都)新能源有限公司 一种智能充电桩用车牌识别系统及方法

Also Published As

Publication number Publication date
CN109460722B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN109460722A (zh) 一种车牌智能识别方法
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
Wen et al. An algorithm for license plate recognition applied to intelligent transportation system
Davis et al. A two-stage template approach to person detection in thermal imagery
US10198657B2 (en) All-weather thermal-image pedestrian detection method
CN102163284B (zh) 面向中文环境的复杂场景文本定位方法
TWI431559B (zh) 車牌偵測辨識方法及其系統
WO2018018788A1 (zh) 一种基于图像识别的计量表抄表装置及其方法
CN103034848B (zh) 一种表单类型的识别方法
US20150086135A1 (en) Method for Image Recombination of a Plurality of Images and Image Identification and System for Image Acquiring and Identification
CN105447503A (zh) 基于稀疏表示lbp和hog融合的行人检测方法
CN109740595A (zh) 一种基于机器视觉的斜向车辆检测与跟踪系统及方法
CN103824091B (zh) 一种用于智能交通系统的车牌识别方法
CN108734235A (zh) 一种用于电子处方的身份识别方法及系统
CN103116751A (zh) 一种车牌字符自动识别方法
CN102024144A (zh) 集装箱箱号自动识别方法
CN106529532A (zh) 一种基于积分特征通道与灰度投影的车牌识别系统
CN111382704A (zh) 基于深度学习的车辆压线违章判断方法、装置及存储介质
CN106529461A (zh) 一种基于积分特征通道和svm训练器的车型识别算法
CN106503748A (zh) 一种基于s‑sift特征和svm训练器的车型识别算法
CN110706235A (zh) 一种基于双级级联分割的远红外行人检测方法
CN110689003A (zh) 低照度成像车牌识别方法、系统、计算机设备及存储介质
Ingole et al. Characters feature based Indian vehicle license plate detection and recognition
CN110969164A (zh) 基于深度学习端对端的低照度成像车牌识别方法及装置
CN106548195A (zh) 一种基于改进型hog‑ulbp特征算子的目标检测方法

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
GR01 Patent grant
GR01 Patent grant