CN109670449B - 一种基于垂直抓拍方式的车辆违法判断方法 - Google Patents
一种基于垂直抓拍方式的车辆违法判断方法 Download PDFInfo
- Publication number
- CN109670449B CN109670449B CN201811564936.1A CN201811564936A CN109670449B CN 109670449 B CN109670449 B CN 109670449B CN 201811564936 A CN201811564936 A CN 201811564936A CN 109670449 B CN109670449 B CN 109670449B
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- vehicle
- neural network
- license
- 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.)
- Active
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation 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
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于垂直抓拍方式的车辆违法判断方法,包括步骤一:对左右两侧车牌检测区域进行图像旋转,获得水平车牌图像;步骤二:利用车牌识别技术,对车头和车尾牌照进行识别;步骤三:对步骤二的识别结果进行比对,字符有三位匹配不上,输出前后车牌照不一致违法行为;步骤四:提取车牌外扩区域特征,送入人工神经网络进行二分类,对故意遮挡号牌违法行为进行准确判断。本发明所述的基于垂直抓拍方式的车辆违法判断方法,包括垂直车牌图像旋转、前后车牌识别结果比对和异常车牌独立特征识别三部分,具有较高准确性和较强的场景适应性,能准确的识别前后悬挂不同号牌和故意遮挡号牌的违法行为。
Description
技术领域
本发明属于交通管理技术领域领域,尤其是涉及一种基于垂直抓拍方式的车辆违法判断方法。
背景技术
在智能交通系统中的核心功能是对过往的车辆进行前后悬挂不同号牌和故意遮挡号牌违法行为进行准确判断,近年来随着计算机多媒体技术和图像处理技术的发展,基于视频的车辆违法行为判断在智能交通中占据的分量也越来越大,社会各界投入的研究力量也越来越多。由于我国对道路监控的日益重视,视频检测技术已经成为智能交通领域最重要的信息采集手段,综合评比,将视频检测技术应用于高速公路和城市道路具有很大的可行性。基于垂直抓拍方式的车辆违法行为分析利用采集到的交通图像,对特定区域的的视频图像进行分析处理,完成车辆违法行为判断。该方方法可准确识别交通图像中的前后悬挂不同号牌,故意遮挡号牌进行准确判断。
发明内容
有鉴于此,本发明旨在提出一种基于垂直抓拍方式的车辆违法判断方法,以准确的识别前后悬挂不同号牌和故意遮挡号牌的违法行为。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于垂直抓拍方式的车辆违法判断方法,包括步骤一:对左右两侧车牌检测区域进行图像旋转,获得水平车牌图像;步骤二:利用车牌识别技术,对车头和车尾牌照进行识别;步骤三:对步骤二的识别结果进行比对,字符有三位匹配不上,输出前后车牌照不一致违法行为;步骤四:提取车牌外扩区域特征,送入人工神经网络进行二分类,对故意遮挡号牌违法行为进行准确判断。
进一步的,获得水平车牌图像的具体实现方法为:车辆行进轨迹为从左到右侧,左侧检测区域进行顺时针90度图像旋转,右侧检测区域进行顺时针270度图像旋转,图像旋转是指图像中心点为中心旋转一定的角度,形成一幅新的图像的过程。当然这个点通常就是图像的中心,且旋转前和旋转后的点离中心的位置不变,旋转后的点的坐标与原坐标的对应关系:(x0,y0)为原坐标内的一点,旋转的角度为a(左侧为90度,右侧为270度),旋转后的点为(x1,y1),按照如下关系进行图像坐标映射转换:
x1=x0cosa+y0sina;
y1=-x0sina+y0cosa;
图像旋转后可以得到水平车牌。
进一步的,步骤三的具体判断方法为:利用车牌识别技术可以获得前后车牌的识别结果,以国内7个字符车牌为例,将前后车牌识别结果的七个字符,按照顺序逐一对比,当出现3个或者3个以上字符不匹配时,输出前后车牌不一致违法。
进一步的,步骤四具有判断过程为:根据车牌识别算法获得车牌的精确区域坐标,将获取到的车牌矩形图像提取出来,并且归一化为72x72的图像大小,构建直方图的参数bin为9,block为16,cells为4,在该图像上提取梯度直方图特征。
进一步的,根据已知的梯度直方图特征,构建神经网络分类器,神经网络分类器加载预训练模型,其中输入层节点个位为576,隐藏层数量为1层,输出层节点个数为2,将提取的梯度直方图特征送入人工神经网络进行分类,在神经网络分类器输出的2个置信度中选择最大值对应的label作为最终的结果,正常车牌对应label=0,异常车牌对应label=1。
进一步的,所述神经网络分类器是由众多的神经元可调的连接权值连接而成。
相对于现有技术,本发明所述的基于垂直抓拍方式的车辆违法判断方法具有以下优势:
(1)本发明所述的基于垂直抓拍方式的车辆违法判断方法,包括垂直车牌图像旋转、前后车牌识别结果比对和异常车牌独立特征识别三部分,具有较高准确性和较强的场景适应性,能准确的识别前后悬挂不同号牌和故意遮挡号牌的违法行为。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的基于垂直抓拍方式的车辆违法判断方法的流程图;
图2为本发明实施例所述的旋转坐标示意图;
图3为本发明实施例所述的HOG特征提取框图;
图4为本发明实施例所述的神经网络训练和识别过程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
一种基于垂直抓拍方式的车辆违法判断方法,如图1至图4所示,包括
步骤一:对左右两侧车牌检测区域进行图像旋转,获得水平车牌图像;
步骤二:利用车牌识别技术,对车头和车尾牌照进行识别;
步骤三:对步骤二的识别结果进行比对,字符有三位匹配不上,输出前后车牌照不一致违法行为;
步骤四:提取车牌外扩区域特征,送入人工神经网络进行二分类,对故意遮挡号牌违法行为进行准确判断。
获得水平车牌图像的具体实现方法为:车辆行进轨迹为从左到右侧,左侧检测区域进行顺时针90度图像旋转,右侧检测区域进行顺时针270度图像旋转,图像旋转是指图像中心点为中心旋转一定的角度,形成一幅新的图像的过程。当然这个点通常就是图像的中心,且旋转前和旋转后的点离中心的位置不变,旋转后的点的坐标与原坐标的对应关系:(x0,y0)为原坐标内的一点,旋转的角度为a(左侧为90度,右侧为270度),旋转后的点为(x1,y1),按照如下关系进行图像坐标映射转换:
x1=x0cosa+y0sina;
y1=-x0sina+y0cosa;
图像旋转后可以得到水平车牌。
步骤三的具体判断方法为:利用车牌识别技术可以获得前后车牌的识别结果,以国内7个字符车牌为例,将前后车牌识别结果的七个字符,按照顺序逐一对比,当出现3个或者3个以上字符不匹配时,输出前后车牌不一致违法。
步骤四具有判断过程为:根据车牌识别算法获得车牌的精确区域坐标,将获取到的车牌矩形图像提取出来,并且归一化为72x72的图像大小,构建直方图的参数bin为9,block为16,cells为4,在该图像上提取梯度直方图特征。
根据已知的梯度直方图特征,构建神经网络分类器,神经网络分类器加载预训练模型,其中输入层节点个位为576,隐藏层数量为1层,输出层节点个数为2,将提取的梯度直方图特征送入人工神经网络进行分类,在神经网络分类器输出的2个置信度中选择最大值对应的label作为最终的结果,正常车牌对应label=0,异常车牌对应label=1。
一种基于垂直抓拍方式的车辆违法判断方法的实施例:
由于垂直抓拍相机安装较为特殊,其安装方式为垂直向下,可以看到车辆顶部,车辆从图像左侧进入检测区域,右侧驶离检测区,车辆在图像左右两侧的某一个瞬间是可以看到车辆前后牌照的,但是该牌照为垂直状态,借助车牌识别算法无法进行识别,所以第一步要进行车牌旋转,获得水平状态车牌图像,左侧检测区域进行顺时针90度旋转,右侧检测区域进行顺时针270度旋转,并且利用公式x1=x0cosa+y0sina;
y1=-x0sina+y0cosa;
进行对称旋转,可以得到水平车牌图像,由此可以利用车牌识别技术进行号牌识别,对于号牌三位不一致的车辆,予以输出前后车牌不一致违法。提取车牌区域梯度直方图特征,送入人工神经网络进行二分类,一类是正常号牌,一类是异常车牌,可以得到是否是异常车牌信息,对于异常车牌进行违法输出。整体算法流程如图1所示。
车辆行进轨迹为从左到右侧,左侧检测区域进行顺时针90度图像旋转,右侧检测区域进行顺时针270度图像旋转。图像旋转是指图像中心点为中心旋转一定的角度,形成一幅新的图像的过程。当然这个点通常就是图像的中心,且旋转前和旋转后的点离中心的位置不变,旋转后的点的坐标与原坐标的对应关系:以图像中心为原点,假设原图像的宽为w,高为h,(x0,y0)为原坐标内的一点,转换坐标后的点为(x1,y1),x1=x0-w/2;y1=-y0+h/2;在新的坐标系下,假设点(x0,y0)距离原点的距离为r,点与原点之间的连线与x轴的夹角为b,旋转的角度为a(左侧为90度,右侧为270度),旋转后的点为(x1,y1),按照如下关系进行图像坐标映射转换:
x0=rcosb;
y0=rsinb
x1=rcos(b-a)=rcosbcosa+rsinbsina=x0cosa+y0sina;
y1=rsin(b-a)=rsinbcosa-rcosbsina=-x0sina+y0cosa;
转换示意图如图2所示
梯度方向直方图(Histogram of Oriented Gradient,HOG)特征是一种在计算机视觉和图像处理领域常用的特征描述方法,它通过计算和统计图像局部区域的梯度方向直方图来构成特征,其在图像局部方格单元上进行操作,所以它对图像几何的和光学的形变都能保持很好的不变性。其提取特征过程如图3所示。在提取车牌区域区域梯度直方图特征后就可以送入神经网络进行分类。
在获取车辆区域直方图特征后,将其送入神经网络分类器。神经网络分类器是由众多的神经元可调的连接权值连接而成,具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。将提取的直方图特征送入神经网络分类器后,会自动计算各个类别的置信度,对置信度进行从大到小排序,选择置信度最大的类别,即为神经网络分类器的输出结果。神经网络模型系统的训练与识别如图4所示。其中训练预测过程可以分为训练阶段和识别阶段两部分:训练时,使用特征向量训练神经网络分类器。识别时,使用神经网络分类器对候选区域提取的特征向量进行判别。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于垂直抓拍方式的车辆违法判断方法,其特征在于:包括
步骤一:对左右两侧车牌检测区域的图像旋转,获得水平车牌图像;
步骤二:利用车牌识别技术,对车头和车尾牌照进行识别;
步骤三:对步骤二的识别结果进行比对,字符有三位匹配不上,输出前后车牌照不一致违法行为;
步骤四:提取车牌外扩区域特征,送入人工神经网络进行二分类,对故意遮挡号牌违法行为进行准确判断;具体过程为:根据车牌识别算法获得车牌的精确区域坐标,将获取到的车牌矩形图像提取出来,并且归一化为72x72的图像大小,构建直方图的参数bin为9,block为16,cells为4,在该图像上提取梯度直方图特征。
2.根据权利要求1所述的一种基于垂直抓拍方式的车辆违法判断方法,其特征在于:获得水平车牌图像的具体实现方法为:车辆行进轨迹为从左到右侧,左侧检测区域进行顺时针90度图像旋转,右侧检测区域进行顺时针270度图像旋转,图像旋转是指图像中心点为中心旋转一定的角度,形成一幅新的图像的过程;当然这个点通常就是图像的中心,且旋转前和旋转后的点离中心的位置不变,旋转后的点的坐标与原坐标的对应关系:(x0,y0)为原坐标内的一点,旋转的角度为a,左侧为90度,右侧为270度,旋转后的点为(x1,y1),按照如下关系进行图像坐标映射转换:
x1 = x0cosa+y0sina;
y1= -x0sina+y0cosa;
图像旋转后可以得到水平车牌。
3.根据权利要求1所述的一种基于垂直抓拍方式的车辆违法判断方法,其特征在于:步骤三的具体判断方法为:利用车牌识别技术可以获得前后车牌的识别结果,将前后车牌识别结果的七个字符,按照顺序逐一对比,当出现3个或者3个以上字符不匹配时,输出前后车牌不一致违法。
4.根据权利要求1所述的一种基于垂直抓拍方式的车辆违法判断方法,其特征在于:根据已知的梯度直方图特征,构建神经网络分类器,神经网络分类器加载预训练模型,其中输入层节点个位为576,隐藏层数量为1层,输出层节点个数为2,将提取的梯度直方图特征送入人工神经网络进行分类,在神经网络分类器输出的2个置信度中选择最大值对应的label作为最终的结果,正常车牌对应label=0,异常车牌对应label=1。
5.根据权利要求4所述的一种基于垂直抓拍方式的车辆违法判断方法,其特征在于:所述神经网络分类器是由众多的神经元可调的连接权值连接而成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811564936.1A CN109670449B (zh) | 2018-12-20 | 2018-12-20 | 一种基于垂直抓拍方式的车辆违法判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811564936.1A CN109670449B (zh) | 2018-12-20 | 2018-12-20 | 一种基于垂直抓拍方式的车辆违法判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109670449A CN109670449A (zh) | 2019-04-23 |
CN109670449B true CN109670449B (zh) | 2023-06-30 |
Family
ID=66144133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811564936.1A Active CN109670449B (zh) | 2018-12-20 | 2018-12-20 | 一种基于垂直抓拍方式的车辆违法判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670449B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339337A (zh) * | 2019-12-18 | 2020-06-26 | 贵州智诚科技有限公司 | 一种基于道路交通违法行为判罚标签化处理的方法 |
CN111274886B (zh) * | 2020-01-13 | 2023-09-19 | 天地伟业技术有限公司 | 一种基于深度学习的行人闯红灯违法行为分析方法及系统 |
CN112001319B (zh) * | 2020-08-25 | 2024-04-23 | 天地伟业技术有限公司 | 一种违停球机重复车牌过滤方法 |
CN112733856B (zh) * | 2020-12-31 | 2022-08-09 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010073051A (ja) * | 2008-09-19 | 2010-04-02 | Toshiba Corp | ナンバプレート認識方法およびナンバプレート認識装置 |
CN107301385A (zh) * | 2017-06-09 | 2017-10-27 | 浙江宇视科技有限公司 | 一种遮挡车牌识别方法及装置 |
CN107730905A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542806B (zh) * | 2010-12-28 | 2014-01-01 | 沈阳聚德视频技术有限公司 | 高速公路行驶车辆遮挡号牌实时监测系统及其控制方法 |
CN108021879A (zh) * | 2017-11-30 | 2018-05-11 | 天津天地基业科技有限公司 | 一种基于视频图像的交通车辆类型识别方法 |
-
2018
- 2018-12-20 CN CN201811564936.1A patent/CN109670449B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010073051A (ja) * | 2008-09-19 | 2010-04-02 | Toshiba Corp | ナンバプレート認識方法およびナンバプレート認識装置 |
CN107301385A (zh) * | 2017-06-09 | 2017-10-27 | 浙江宇视科技有限公司 | 一种遮挡车牌识别方法及装置 |
CN107730905A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109670449A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670449B (zh) | 一种基于垂直抓拍方式的车辆违法判断方法 | |
CN107066953B (zh) | 一种面向监控视频的车型识别、跟踪及矫正方法和装置 | |
CN103258432B (zh) | 基于视频的交通事故自动识别处理方法和系统 | |
CN102722704B (zh) | 一种融合视频动态跟踪的车牌识别方法和系统 | |
CN103034836B (zh) | 道路标志检测方法和道路标志检测设备 | |
CN109190444B (zh) | 一种基于视频的收费车道车辆特征识别系统的实现方法 | |
CN103258213B (zh) | 一种用于智能交通系统中的动态车辆车型识别方法 | |
CN103971097B (zh) | 一种基于多尺度笔画模型的车牌识别方法与系统 | |
CN107665603A (zh) | 一种判定车位占用的实时检测方法 | |
CN102867417B (zh) | 一种出租车防伪系统及方法 | |
CN108491797A (zh) | 一种基于大数据的车辆图像精确检索方法 | |
CN111325146B (zh) | 一种货车车型和轴型识别方法和系统 | |
CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
CN104778453A (zh) | 一种基于红外行人亮度统计特征的夜间行人检测方法 | |
CN103268471A (zh) | 一种车辆非法占道检测方法及装置 | |
CN103679214B (zh) | 基于在线面积估计和多特征决策融合的车辆检测方法 | |
CN109508731A (zh) | 一种基于融合特征的车辆重识别方法、系统及装置 | |
CN111274886B (zh) | 一种基于深度学习的行人闯红灯违法行为分析方法及系统 | |
CN103345842A (zh) | 一种道路车辆分型系统及方法 | |
CN106503748A (zh) | 一种基于s‑sift特征和svm训练器的车型识别算法 | |
CN109255279A (zh) | 一种交通标志检测识别的方法及系统 | |
Mammeri et al. | North-American speed limit sign detection and recognition for smart cars | |
CN112085018A (zh) | 基于神经网络的车牌识别系统 | |
CN105404858A (zh) | 一种基于深度费舍尔网络的车型识别方法 | |
CN106331615A (zh) | 一种智能交通信息采集系统及其静态信息采集方法 |
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 |