CN110009058A - 一种停车场车牌识别系统及方法 - Google Patents
一种停车场车牌识别系统及方法 Download PDFInfo
- Publication number
- CN110009058A CN110009058A CN201910304684.7A CN201910304684A CN110009058A CN 110009058 A CN110009058 A CN 110009058A CN 201910304684 A CN201910304684 A CN 201910304684A CN 110009058 A CN110009058 A CN 110009058A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- license plate
- module
- license
- parking lot
- 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 21
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009514 concussion Effects 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 241000282693 Cercopithecidae Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000083879 Polyommatus icarus Species 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种停车场车牌识别系统及方法。包括车牌检测模块、车牌定位模块、特征抽取模块、特征分类模块，所述车牌检测模块用于检测车牌在输入图像中的位置，车牌定位模块用于定位图像中的车牌，特征抽取模块用于输出车脸信息，特征分类模块用于分类车牌信息；特征抽取模块通过pcnn模型抽取车脸信息；特征分类模块通过ResNet‑100分类器分类车牌信息。本发明加入视频跟踪识别，可支持远距离快速抬杆，最远可达十米,且车牌识别类型多。加入车辆品牌、车辆子型号、车身颜色作为验证依据，彻底解决无车牌、伪车牌、污损车牌导致的漏识别问题。
Description
技术领域：
本发明涉及车牌识别技术领域，尤其涉及一种停车场车牌识别系统及方法。
背景技术：
现有的停车场车牌识别系统，在车辆进出停车场的时候，只能输出车牌号，这造成了伪造车牌就能进出停车场的问题；无牌车进出停车场时，因无法自动识别，需要进行登记，过程繁琐。并且一般采用远距离缩进识别，支持最远距离6米，识别距离相对较短。
目前，对于车身颜色的识别方法是直接利用统计学的方法统计大量样本的颜色特征分布图，然后将想要识别的目标车的车身颜色与统计出的颜色特征分布图进行对比，从而可以对目标车的车身进行颜色识别。但是由于对目标车的车身颜色进行识别时，会由于目标车的车身受到的光照的强度以及光照的方向的不同，导致识别出的颜色与目标车的车身实际的颜色不同，进而使得车身颜色的识别准确率较低。例如，当目标车的车身颜色为灰色，但是由于不同光照环境下的颜色信息重叠的原因，识别出的目标车的车身颜色为银色。
车标识别通过对交通视频或交通图像中车体上的车标进行分类得到车辆品牌信息。该方法存在两个问题：1)它要求视频或图像的清晰度高，车标清晰可见，但现阶段的交通视频/图像质量满足不了要求；2)车标分类的前提是车标检测，即检测车标在图像中的位置。目前车标检测技术还不成熟，检测率低同时误报较多，所以车标识别还无法在现实中得到应用。此处，误报是指误认为车标的非车标位置。
发明内容：
本发明的目的在于提供一种停车场车牌识别系统及方法，以解决现有技术的不足。
本发明由如下技术方案实施：一种停车场车牌识别系统，包括车牌检测模块、车牌定位模块、特征抽取模块、特征分类模块，所述车牌检测模块用于检测车牌在输入图像中的位置，车牌定位模块用于定位图像中的车牌，特征抽取模块用于输出车脸信息，特征分类模块用于分类车牌信息，其中：
车牌定位模块的步骤为：滤波，使用高斯滤波去掉车牌彩色图中一些干扰的元素；将高斯滤波后的车牌彩色图转换成灰度图；灰度图像对比度增强；灰度图像边缘提取，突出车牌信息的突变；灰度图像二值化；利用水平扫描与垂直扫描的方法定位出车牌的区域；
特征抽取模块通过pcnn模型抽取车脸信息；
特征分类模块通过ResNet-100分类器分类车牌信息。
优选的，所述车牌检测模块通过视频跟踪识别技术识别车牌信息。
优选的，所述车牌检测模块识别车牌信息时进行图像滤波、图像增强、图像预处理。
优选的，所述车脸信息包括车牌号、车辆品牌、车辆子型号、车身颜色。
优选的，所述ResNet-100分类器分类的车牌信息包括但不限于普通蓝牌、黄牌、新能源、双层黄牌、教练车、警车、新武警、新军牌、港澳。
一种停车场车牌识别方法，包括以下步骤：
步骤1、依据VOC数据集格式制作车脸数据集，将制作的车脸数据集转换为lmdb格式，以ResNet-100残差网络作为基础网络；
步骤2、添加辅助的网络结构作为caffe框架特征提取层和分类层，搭建caffe框架，训练pcnn模型；
步骤3、输入车辆图片，经过车牌识别系统处理后输出该车的车脸信息，建立停车场所有在册车辆的车脸信息表；
步骤4、当车辆进出时，不仅和已有车脸信息表比对车牌号，还要比对车辆品牌、车辆子型号、车身颜色，当这四者中有三项符合时，才放行车辆。
优选的，所述步骤3通过pcnn模型抽取车脸信息。
优选的，所述ResNet-100残差网络分类出包括但不限于普通蓝牌、黄牌、新能源、双层黄牌、教练车、警车、新武警、新军牌、港澳的车牌信息。
本发明的优点：
1)加入视频跟踪识别，可支持远距离快速抬杆，最远可达十米。
2)车牌识别类型多，包括普通蓝牌、黄牌、新能源、双层黄牌、教练车、警车、新武警、新军牌、港澳以及特殊车牌。利用车牌定位技术，定位车牌之后，扣取车牌，送入ResNet-100分类器，进行分类。
3)加入车辆品牌、车辆子型号、车身颜色作为验证依据，彻底解决无车牌、伪车牌、污损车牌导致的漏识别问题。
4)环境适应性强，无论白天夜晚，光线强弱，均有较高的识别率。采集图像进行滤波、增强、预处理等操作，解决光线强弱造成的识别问题。
附图说明：
为了更清楚地说明本发明实施例或现有技术中的技术方案，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为本发明的系统框图。
图2为本发明的方法流程图。
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作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。
如图1所示，一种停车场车牌识别系统，包括车牌检测模块、车牌定位模块、特征抽取模块、特征分类模块，所述车牌检测模块用于检测车牌在输入图像中的位置，车牌定位模块用于定位图像中的车牌，特征抽取模块用于输出车脸信息，特征分类模块用于分类车牌信息，其中：
车牌定位模块的步骤为：滤波，使用高斯滤波去掉车牌彩色图中一些干扰的元素；将高斯滤波后的车牌彩色图转换成灰度图；灰度图像对比度增强；灰度图像边缘提取，边缘检测的目的就是为了突出车牌信息的突变，为了防止周围有和车牌底色相同颜色的物体干扰，尤其是车辆颜色，因为经过边缘检测后车体颜色没有那么多跳变干扰或者与车牌跳变规律不一样，这样就可以滤去车体颜色，去除干扰；灰度图像二值化；利用水平扫描与垂直扫描的方法定位出车牌的区域；
特征抽取模块通过pcnn模型抽取车脸信息，车脸信息包括车牌号、车辆品牌、车辆子型号、车身颜色。
特征分类模块通过ResNet-100分类器分类车牌信息，车牌信息包括但不限于普通蓝牌、黄牌、新能源、双层黄牌、教练车、警车、新武警、新军牌、港澳。
其中，所述车牌检测模块通过视频跟踪识别技术识别车牌信息，可支持远距离快速抬杆，最远可达十米。车牌检测模块识别车牌信息时进行图像滤波、图像增强、图像预处理，解决光线强弱造成的识别问题。
如图2所示，一种停车场车牌识别方法，包括以下步骤：
步骤1、依据VOC数据集格式制作车脸数据集，将制作的车脸数据集转换为lmdb格式，以ResNet-100残差网络作为基础网络；
步骤2、添加辅助的网络结构作为caffe框架特征提取层和分类层，搭建caffe框架，训练pcnn模型；
步骤3、输入车辆图片，经过车牌识别系统处理后输出该车的车脸信息，建立停车场所有在册车辆的车脸信息表；
步骤4、当车辆进出时，不仅和已有车脸信息表比对车牌号，还要比对车辆品牌、车辆子型号、车身颜色，当这四者中有三项符合时，才放行车辆，这使伪造车牌进出者很难再自由进出停车场。本装置可实时，实时识别车脸信息并将识别信息上传到云端。
其中，ResNet-100残差网络和pcnn模型简介如下：
1)ResNet-100残差网络
基于之前的实践经验，我们知道：网络并不是越深越好，一方面过多的参数容易导致过拟合(当然样本足够多可以一定程度上解决这个问题)；另一方面，训练结果会在真值周围变化，导致网络震荡。借鉴之前的经验，我们在训练分类器的时候，用到的GBDT和xgBoost的思维，借助残差来解决震荡问题。
ResNet全称是Residual Network，每一个节点学到的不再是参数本身，而是残差，这就决定了网络有可能无限加深，基线不变，后面的节点学到的是对前面节点的补充，虽然有震荡，但震荡范围越来越小，直到趋于0。
ResNet的网络结构添加一条从input到output的路径，也就是shortcut连接，这是关键之处。
该模块用公式描述为：
对于输入x，通过中间函数F(x，w)进行参数学习，F也就是我们说的残差函数。
2)pcnn模型
PCNN(PCNN-Pulse Coupled Neural Network),也即脉冲耦合神经网络。与传统神经网络相比，有着根本的不同。PCNN有生物学的背景，它是依据猫、猴等动物的大脑皮层上的同步脉冲发放现象提出的。PCNN有着广泛的应用，可应用于图像分割，边缘检测、细化、识别等方面。PCNN是Eckhorn于20世纪90年代开始提出的一种基于猫的视觉原理构建的简化神经网络模型，与BP神经网络和Kohonen神经网络相比，PCNN不需要学习或者训练，能从复杂背景下提取有效信息，具有同步脉冲发放和全局耦合等特性，其信号形式和处理机制更符合人类视觉神经系统的生理学基础。PCNN用于特征提取时，具体平移、旋转、尺度、扭曲等不变性，这正是许多年来基于内容的图像检索系统追求的目标，同时PCNN用于特征提取时，有很好的抗噪性。而且PCNN直接来自于哺乳动物视觉皮层神经的研究，具有提取图像形状、纹理、边缘的属性。
综上，本发明具有以下优势：
1)加入视频跟踪识别，可支持远距离快速抬杆，最远可达十米。
2)车牌识别类型多，包括普通蓝牌、黄牌、新能源、双层黄牌、教练车、警车、新武警、新军牌、港澳以及特殊车牌。利用车牌定位技术，定位车牌之后，扣取车牌，送入ResNet-100分类器，进行分类，确定是普通蓝牌、黄牌、新能源、双层黄牌、教练车、警车、新武警、新军牌、港澳以及特殊车牌中的哪一类。
3)加入车辆品牌、车辆子型号、车身颜色作为验证依据，彻底解决无车牌、伪车牌、污损车牌导致的漏识别问题。对于无车牌、伪车牌、污损车牌，只通过车牌定位检测技术，无法确认车牌具体位置。通过提取车身的特征(车身颜色、车标等)，送入pcnn模型，输出该车的车辆品牌、车辆子型号、车身颜色等车脸信息。
4)环境适应性强，无论白天夜晚，光线强弱，均有较高的识别率。采集图像进行滤波、增强、预处理等操作，解决光线强弱造成的识别问题。
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 (8)
1.一种停车场车牌识别系统，其特征在于，包括车牌检测模块、车牌定位模块、特征抽取模块、特征分类模块，所述车牌检测模块用于检测车牌在输入图像中的位置，车牌定位模块用于定位图像中的车牌，特征抽取模块用于输出车脸信息，特征分类模块用于分类车牌信息，其中：
车牌定位模块的步骤为：滤波，使用高斯滤波去掉车牌彩色图中一些干扰的元素；将高斯滤波后的车牌彩色图转换成灰度图；灰度图像对比度增强；灰度图像边缘提取，突出车牌信息的突变；灰度图像二值化；利用水平扫描与垂直扫描的方法定位出车牌的区域；
特征抽取模块通过pcnn模型抽取车脸信息；
特征分类模块通过ResNet-100分类器分类车牌信息。
2.根据权利要求1所述的一种停车场车牌识别系统，其特征在于，所述车牌检测模块通过视频跟踪识别技术识别车牌信息。
3.根据权利要求1所述的一种停车场车牌识别系统，其特征在于，所述车牌检测模块识别车牌信息时进行图像滤波、图像增强、图像预处理。
4.根据权利要求1所述的一种停车场车牌识别系统，其特征在于，所述车脸信息包括车牌号、车辆品牌、车辆子型号、车身颜色。
5.根据权利要求1所述的一种停车场车牌识别系统，其特征在于，所述ResNet-100分类器分类的车牌信息包括但不限于普通蓝牌、黄牌、新能源、双层黄牌、教练车、警车、新武警、新军牌、港澳。
6.一种停车场车牌识别方法，其特征在于，包括以下步骤：
步骤1、依据VOC数据集格式制作车脸数据集，将制作的车脸数据集转换为lmdb格式，以ResNet-100残差网络作为基础网络；
步骤2、添加辅助的网络结构作为caffe框架特征提取层和分类层，搭建caffe框架，训练pcnn模型；
步骤3、输入车辆图片，经过车牌识别系统处理后输出该车的车脸信息，建立停车场所有在册车辆的车脸信息表；
步骤4、当车辆进出时，不仅和已有车脸信息表比对车牌号，还要比对车辆品牌、车辆子型号、车身颜色，当这四者中有三项符合时，才放行车辆。
7.根据权利要求6所述的一种停车场车牌识别方法，其特征在于，所述步骤3通过pcnn模型抽取车脸信息。
8.根据权利要求6所述的一种停车场车牌识别方法，其特征在于，所述ResNet-100残差网络分类出包括但不限于普通蓝牌、黄牌、新能源、双层黄牌、教练车、警车、新武警、新军牌、港澳的车牌信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910304684.7A CN110009058A (zh) | 2019-04-16 | 2019-04-16 | 一种停车场车牌识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910304684.7A CN110009058A (zh) | 2019-04-16 | 2019-04-16 | 一种停车场车牌识别系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110009058A true CN110009058A (zh) | 2019-07-12 |
Family
ID=67172249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910304684.7A Pending CN110009058A (zh) | 2019-04-16 | 2019-04-16 | 一种停车场车牌识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110009058A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110533039A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种车牌的真伪检测方法、装置及设备 |
| CN110738209A (zh) * | 2019-10-09 | 2020-01-31 | 中山安信通机器人制造有限公司 | 一种基于深度学习的车牌侦测方法 |
| CN111860505A (zh) * | 2020-07-23 | 2020-10-30 | 北京以萨技术股份有限公司 | 一种车牌颜色识别精准度的测试方法、系统、终端及介质 |
| CN112418126A (zh) * | 2020-11-30 | 2021-02-26 | 五邑大学 | 一种基于无人机的车辆违停检测方法、装置及存储介质 |
| CN112465053A (zh) * | 2020-12-07 | 2021-03-09 | 深圳市彬讯科技有限公司 | 基于家具图像的物体识别方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102043945A (zh) * | 2010-11-23 | 2011-05-04 | 聊城大学 | 基于车辆实时跟踪和二进指数分类车牌字符识别的方法 |
| CN104463104A (zh) * | 2014-11-14 | 2015-03-25 | 武汉工程大学 | 一种静态车辆目标快速检测方法及装置 |
| CN105160691A (zh) * | 2015-08-29 | 2015-12-16 | 电子科技大学 | 基于颜色直方图的车身颜色识别方法 |
| CN105448103A (zh) * | 2015-12-24 | 2016-03-30 | 北京旷视科技有限公司 | 车辆套牌检测方法与系统 |
| CN105631470A (zh) * | 2015-12-21 | 2016-06-01 | 深圳市捷顺科技实业股份有限公司 | 一种车牌类型验证的方法及系统 |
| CN107563372A (zh) * | 2017-07-20 | 2018-01-09 | 济南中维世纪科技有限公司 | 一种基于深度学习ssd框架的车牌定位方法 |
| CN108921151A (zh) * | 2018-05-31 | 2018-11-30 | 四川物联亿达科技有限公司 | 一种基于深度学习的普通摄像头全车牌识别系统 |
-
2019
- 2019-04-16 CN CN201910304684.7A patent/CN110009058A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102043945A (zh) * | 2010-11-23 | 2011-05-04 | 聊城大学 | 基于车辆实时跟踪和二进指数分类车牌字符识别的方法 |
| CN104463104A (zh) * | 2014-11-14 | 2015-03-25 | 武汉工程大学 | 一种静态车辆目标快速检测方法及装置 |
| CN105160691A (zh) * | 2015-08-29 | 2015-12-16 | 电子科技大学 | 基于颜色直方图的车身颜色识别方法 |
| CN105631470A (zh) * | 2015-12-21 | 2016-06-01 | 深圳市捷顺科技实业股份有限公司 | 一种车牌类型验证的方法及系统 |
| CN105448103A (zh) * | 2015-12-24 | 2016-03-30 | 北京旷视科技有限公司 | 车辆套牌检测方法与系统 |
| CN107563372A (zh) * | 2017-07-20 | 2018-01-09 | 济南中维世纪科技有限公司 | 一种基于深度学习ssd框架的车牌定位方法 |
| CN108921151A (zh) * | 2018-05-31 | 2018-11-30 | 四川物联亿达科技有限公司 | 一种基于深度学习的普通摄像头全车牌识别系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110533039A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种车牌的真伪检测方法、装置及设备 |
| CN110533039B (zh) * | 2019-09-04 | 2022-05-24 | 深圳市捷顺科技实业股份有限公司 | 一种车牌的真伪检测方法、装置及设备 |
| CN110738209A (zh) * | 2019-10-09 | 2020-01-31 | 中山安信通机器人制造有限公司 | 一种基于深度学习的车牌侦测方法 |
| CN110738209B (zh) * | 2019-10-09 | 2023-06-02 | 珠海全信通科技有限公司 | 一种基于深度学习的车牌侦测方法 |
| CN111860505A (zh) * | 2020-07-23 | 2020-10-30 | 北京以萨技术股份有限公司 | 一种车牌颜色识别精准度的测试方法、系统、终端及介质 |
| CN112418126A (zh) * | 2020-11-30 | 2021-02-26 | 五邑大学 | 一种基于无人机的车辆违停检测方法、装置及存储介质 |
| CN112465053A (zh) * | 2020-12-07 | 2021-03-09 | 深圳市彬讯科技有限公司 | 基于家具图像的物体识别方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009058A (zh) | 一种停车场车牌识别系统及方法 | |
| CN102637257B (zh) | 一种基于视频的交通车辆检测识别系统和方法 | |
| CN101859382B (zh) | 一种基于最大稳定极值区域的车牌检测与识别的方法 | |
| CN110378236A (zh) | 基于深度学习的车辆身份识别模型构建、识别方法和系统 | |
| CN109871799B (zh) | 一种基于深度学习的驾驶员玩手机行为的检测方法 | |
| CN104134079B (zh) | 一种基于极值区域和极限学习机的车牌识别方法 | |
| CN109816024A (zh) | 一种基于多尺度特征融合与dcnn的实时车标检测方法 | |
| Sulaiman et al. | Development of automatic vehicle plate detection system | |
| CN108734189A (zh) | 浓雾天气下基于大气散射模型和深度学习的车牌识别系统 | |
| CN107506763A (zh) | 一种基于卷积神经网络的多尺度车牌精准定位方法 | |
| CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
| CN105574550A (zh) | 一种车辆识别方法及装置 | |
| CN106384100A (zh) | 一种基于部件的精细车型识别方法 | |
| CN109101924A (zh) | 一种基于机器学习的路面交通标志识别方法 | |
| Saha et al. | License Plate localization from vehicle images: An edge based multi-stage approach | |
| CN202563526U (zh) | 一种基于视频的交通车辆检测识别系统 | |
| 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 | |
| CN106709530A (zh) | 基于视频的车牌识别方法 | |
| CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
| CN104268528A (zh) | 一种人群聚集区域检测方法和装置 | |
| Aggarwal et al. | A robust method to authenticate car license plates using segmentation and ROI based approach | |
| CN109033175A (zh) | 一种以图搜车的方法及系统 | |
| 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 | |
| CN105893971A (zh) | 一种基于Gabor和稀疏表示的交通信号灯识别方法 | |
| CN105551261A (zh) | 换牌车辆检测方法及其系统 |
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: 20190712 |
|
| RJ01 | Rejection of invention patent application after publication |