CN110032960B - 一种机动车查验表电子档案拓印膜自动定位方法 - Google Patents
一种机动车查验表电子档案拓印膜自动定位方法 Download PDFInfo
- Publication number
- CN110032960B CN110032960B CN201910252775.0A CN201910252775A CN110032960B CN 110032960 B CN110032960 B CN 110032960B CN 201910252775 A CN201910252775 A CN 201910252775A CN 110032960 B CN110032960 B CN 110032960B
- Authority
- CN
- China
- Prior art keywords
- picture
- rubbing film
- rubbing
- coordinate
- coordinates
- 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
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template 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
- G06V20/63—Scene text, e.g. street names
-
- 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
- G06V30/40—Document-oriented image-based pattern recognition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种机动车查验表电子档案拓印膜自动定位方法。该方法利用相似度匹配和机器学习的方式对一辆车的发动机号的前后两次拓印膜进行比对,能直接从车辆查验表提取出不定张数拓印膜,用于后续识别出其是否被篡改,为拓印膜的进一步智能、自动化对比奠定基础。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种机动车查验表电子档案拓印膜自动定位方法。
背景技术
机动车出厂时在发动机和车架上均要打上识别号。在登记时,车管所要对其进行拓印并保存在机动车查验表中,机动车查验表以电子文档的形式保存。在以后的车辆年审、过户、改装等业务时,均要对发动机号和车架号进行再次拓印,并与车辆原始信息进行对比,从而检验是否偷换发动机或车架等违法行为。
目前传统的做法是由经验丰富的行业专家人工判断拓印膜中的发动机号或车架号是否被篡改过。然而由于机动车数据量巨大,人工难于处理大量的对比需求。另外,前后两次的拓印膜比对也需要较为资深的从业经验,能够完成人工比对的行业专家较少。
此外,在实际操作中,拓印膜定位难度较大,存在如下难点,①机动车查验表图像大小不一;②拓印膜颜色多样;③拓印膜图像噪声点多,人工涂抹,差异非常大,空白点大小、形态各异;④位置不固定;⑤一个机动车查验表图像文件中,贴有1到3张不等,且各不相同的拓印膜,而且长短不一;⑥拓印膜与机动车查验表的文字部分特征接近,自动定位时会造成误判;⑦不同拓印膜图片像素矩阵差别较大,导致目标定位相似系数不统一,适应一批机动车查验表的参数体系,在另外一批机动车查验表中有可能失效。利用机器学习的方式对一辆车的发动机号的前后两次拓印膜进行比对,识别出其是否被篡改是行业的迫切需求。
发明内容
为了克服上述现有技术的不足,本发明提供了一种机动车查验表电子档案拓印膜自动定位方法,可有效解决上述问题。本发明具体采用的技术方案如下:
一种机动车查验表电子档案拓印膜自动定位方法,它包括以下步骤:
(1)缩放机动车查验表电子文档的图像至统一的尺寸后得到图片M0;
(2)将图片M0进行色彩分离,生成灰度图H;
(3)裁去灰度图H中非拓印膜粘贴区域,剩余图像记为目标图片M1;
(4)使用滑动窗口对目标图片M1进行模糊处理后得到图片M2;
(5)利用拓印膜标准模型S与图片M2进行滑动窗口式相似度匹配,将标准模型S左上角在图片M2的坐标值(X,Y)作为拓印膜所在位置的特征坐标,计算图片M2在特征坐标(X,Y)处与标准模型S的相似度R(X,Y),公式如下:
其中,T'(i,j)为标准模型S在坐标点(i,j)的相似度中间值,I'(X+i,Y+j)为图片M2在其坐标点(X+i,Y+j)的相似度的中间值;n是图片M2中与标准模型S重叠部分横向的像素点个数,m是图片M2中与标准模型S重叠部分纵向的像素点个数,T(i,j)是标准模型S中在坐标(i,j)的像素值,I(X+i,Y+j)是图片M2在其坐标(X+i,Y+j)的像素值;
在模型S滑动过程中循环计算不同特征坐标对应的相似度R(X,Y),并将相似度高于阈值V的拓印膜特征坐标(X,Y)记录到备选拓印膜特征坐标集合A1中;
(6)对集合A1中的备选拓印膜特征坐标进行聚类分析,将特征坐标属于同一类的备选拓印膜视为一个疑似拓印膜,并以聚类中心M_X,M_Y作为每个疑似拓印膜的坐标;
(7)判断步骤(6)中疑似拓印膜坐标M_X,M_Y是否在信任区间内,如是则认为该坐标对应的疑似拓印膜是拓印膜,将其添加到最终拓印膜坐标A_f集合内,否则进入步骤(8)中的过滤器进行过滤;
(8)过滤器根据步骤(7)中不在信任区间内的坐标M_X,M_Y,在目标图片中截取以该坐标为左上角角点且大小与标准模型S相同的图片M3,进行文字数目检测,若图片M3中的中文文字数目超过字数阈值,则剔除该疑似拓印膜坐标,否则添加该拓印膜坐标到最终拓印膜坐标集合A_f内;
(9)当最终拓印膜坐标集合A_f为空时,降低步骤(5)中的阈值V,循环执行步骤(5)~(8),直到拓印膜坐标集合A_f不为空,或阈值V小于设定的阈值最小值V_min。
在上述方案的基础上,各步骤的具体参数和做法可采用如下优选方式实现。
作为优选,步骤(3)中,所述的图片M0的尺寸统一为720×1008像素。
作为优选,步骤(3)中,所述的非拓印膜粘贴区域为灰度图H中上部70%的区域。
作为优选,步骤(4)中所述的滑动窗口的大小为5×5。
作为优选,步骤(5)中所述的阈值V的初始值设为0.22,阈值最小值V_min设为0.15。
作为优选,步骤(5)中所述标准模型S的尺寸为200×32像素。
作为优选,步骤(7)中所述的信任区域是指在车辆查验表表格中用于粘贴拓印膜的位置区域。
作为优选,步骤(8)中,所述的字数阈值为80个。
本发明提出的一种机动车查验表电子档案拓印膜自动定位方法,利用相似度比较和机器学习的方法实现拓印膜的自动定位。相比于传统的人工定位方法,本法明具有如下有益效果:
1、利用机器学习的方式对一辆车的发动机号的前后两次拓印膜进行比对,为机动车拓印膜查验工作节省大量时间;2、对于数据量巨大、人工难以处理的巨大拓印膜对比需求提供了新的解决方案;3、为拓印膜自动识别提供了前提。
附图说明
图1为本发明中动车查验表电子档案拓印膜自动定位方法的流程图;
图2为机动车查验记录表的示例图(已脱敏);
图3为裁剪后的图片M1示例图;
图4为模糊处理后的图片M2示例图;
图5为标准模型S的示例图;
图6为常规拓印膜二值化后的图像;
图7为错误标的二值化后的图像;
图8为从原始图片中识别出的拓印膜区域;
图9为另一实施例中识别的拓印膜区域;
图10为另一实施例中识别的拓印膜区域。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
本发明技术方案的主要构思:(1)先将图片统一像素;(2)将图像进行灰度化处理;(3)截取图像下半部分的拓印膜可能粘贴区域,称为“目标图片”M1;(4)对“目标图片”M1进行模糊处理得到结果图片M2;(5)用事先准备好的模板图片S对结果图片M2进行相似度扫描计算,如果M2中某个子图与模板图片S的相似度R大于某个阈值参数V,则将该子图左上角的坐标值(X,Y)加入到备选拓印膜坐标集合A1中,并将(X,Y)称为备选拓印膜特征坐标;(6)因为一张拓印膜用模板S匹配会得到多个相近的备选拓印膜特征坐标,而并非只有一个,所以需要对备选拓印膜特征坐标集合A1进行聚类分析,判断其有几个疑似拓印膜;(7)判断疑似拓印膜纵坐标是否在置信区间。(8)对于疑似拓印膜纵坐标不在置信区间的疑似拓印膜纵坐标进行再过滤,判断其是否是文字区域。(9)如果步骤(5~(8)中没有找到拓印膜,则降低(5)中匹配相似度阈值参数V,重复(5)~(8),直到找到拓印膜,或(5)中的参数V低于预设最小值V_min时停止。
实施例
如图1所示,为本实施例中的机动车查验表电子档案拓印膜自动定位方法流程图。本实施例中,原始的机动车查验记录表如图2所示,该表格中上方区域用于填写相关信息,下部区域设有粘贴框,用于粘贴车辆照片和拓印膜。
下面详细描述本方法的具体实现步骤:
步骤(1):重新设置图片大小。由于原始图片可能存在尺寸不一的问题,因此先对原始图片进行图片缩放,缩放至统一的尺寸得到图片M0,后续步骤都在图片M0基础上操作。本实施例中,将图片M0统一至720×1008像素大小。
步骤(2):用OpenCV内含的方法,将图片M0进行色彩分离,生成灰度图H,H为一个数字矩阵,每个像素点数值在0到255之间,图片数字化解决了拓印膜颜色问题。
步骤(3):对灰度图H进行裁剪,裁去灰度图H中非拓印膜粘贴区域。在本实施例中,根据查验表自身的特点,选择裁去灰度图H上部70%的区域,剩下下半部30%的目标图片M1,如图3所示。因为拓印膜粘贴的位置都为查验表的下部,一般不会将拓印膜粘贴到上部区域,因此裁剪操作可去除上部对结果的干扰,节省计算处理时间。
步骤(4):使用一个5×5像素的滑动窗口对M1进行模糊处理,将滑动窗口中心位置的值设为窗口内25个像素值的均值,得到结果图片M2,如图4所示。模糊处理可以磨平图像,消除拓印膜部分内部空白。
步骤(5):用制作好的标准模型S,对结果图片M2进行模型匹配。拓印膜标准模型S采用自工整的拓印膜样本,经过步骤(3)相同的模糊处理。本实施例中的标准模型S如图5所示,尺寸为200×32像素。模型匹配的具体做法是:用标准模型S在图片M2的像素上进行滑动窗口式相似度匹配,按照公式1.1-1.3,计算模型S与图片M2中重叠部分的相似度,我们将模型S左上角在M2中的坐标值(X,Y)作为拓印膜所在位置的特征坐标。标准模型S在图片M2中滑动时,在每个特征坐标位置均需计算当前标准模型S与其在图片M2中重叠部分的相似度,并记录相似度高于阈值V的坐标值(X,Y)到备选拓印膜特征坐标集合A1。阈值V的初始值预设为0.22。
相似度计算如公式1.1-1.3所示,其中标准模型S的相似度中间值的计算公式如(1.1)所示:
其中,T(i,j)是标准模型S中在其坐标(i,j)的像素值。n是模型S横向的像素点个数,m是模型S纵向的像素点个数,n=200,m=32。T'(i,j)为标准模型S在坐标点(i,j)的相似度中间值。
标准模型S在滑动到图片M2的(X,Y)位置时,图片M2中与标准模型S重叠部分的相似度中间值计算如(1.2)所示,
其中,I(X+i,Y+j)是图片M2在其坐标(X+i,Y+j)的像素值。n是图片M2中与标准模型S重叠部分横向的像素点个数,m是图片M2中与标准模型S重叠部分纵向的像素点个数。I'(X+i,Y+j)为待匹配图片M2在其坐标点(X+i,Y+j)的相似度的中间值。
标准模型S与图片M2在其坐标(X,Y)中重叠部分的相似度计算公式如(1.3)所示,
其中,R(X,Y)为待匹配图片M2在特征坐标(X,Y)处与标准模型S的相似度。
步骤(6):经过步骤(5)后,得到了备选拓印膜特征坐标集合A1,但该集合中可能存在并非真正拓印膜的特征坐标,因此需要进行筛选。筛选过程为:对备选拓印膜特征坐标集合A1按照Y值进行聚类分析,聚类的目的是将一个拓印膜的多个特征坐标进行合并,因为在该拓印膜实际的左上角角点附近一定范围内的点,其相似度区别较小,均可能被加入备选拓印膜特征坐标集合A1中。因此,通过聚类分析,可以将特征坐标属于同一类的备选拓印膜视为一个疑似拓印膜,并以该类的聚类中心M_X,M_Y作为每个疑似拓印膜的坐标。而且同一张查验表中可能具有多个拓印膜,因此可以最终根据聚类结果,确定疑似拓印膜数目。
步骤(7):根据经验可知,在车辆查验表表格中,表格拓印膜预设粘贴位置绝大部分都贴有拓印膜,所以将这个区域设定为信任区间,如图2中的方框所示。判断步骤(6)中疑似拓印膜坐标M_X,M_Y是否在信任区间内,如果在信任区间内,则视为该疑似拓印膜为真的拓印膜,将其添加到最终坐标集合A_f内;如果疑似拓印膜坐标M_X,M_Y不在信任区间内,不能完全排出时粘贴位置偏离的可能性,因此否则需要通过步骤8作进一步判断。
步骤(8):由于拓印膜的文字中,主要是英文和数字,中文文字较少,如图6所示。而容易被识别为疑似拓印膜的标的可能是表格的文字区域,这些位置的中文文字较多,如图7所示。因此可以根据该特点剔除该疑似拓印膜坐标,具体做法为:根据步骤(7)中不在信任区间内的坐标M_X,M_Y,从步骤(2)灰度图H中截取以该坐标为左上角角点且大小与标准模型S相同的图片M3,并进行文字数目检测,若M3的字数检测结果中,中文文字数目超过某个字数阈值(本实施例中设为80),则剔除该疑似拓印膜坐标,否则添加该拓印膜坐标到最终拓印膜坐标集合A_f内。
步骤(9):因为车辆查验表中拓印膜各不相同,不能保证步骤5中同一个阈值V对所有图片都适用,所以可能导致最终拓印膜坐标集合A_f为空。当最终坐标集合A_f为空时,减小步骤(5)中的相似度阈值V,重复步骤5到步骤8,直到最终坐标集合A_f不为空或者相似度阈值V小于设定的最小值V_min。根据试验,相似度阈值V可以考虑以0.03为步长逐渐减小,V的最小值V_min可设置为0.15。
最终本实施例中,从图2的原始图片中识别出了一个拓印膜区域,即图8中矩形框示出区域,表面本发明实现了拓印膜的自动定位。
上述实施例中,原始图片中仅有一个拓印膜,但同一张表格上可能存在多个拓印膜。在其他实施例中,通过本发明的方法,可以同时在原始图片中识别出这些不通的拓印膜区域,如图9和10所示分别为具有两个拓印膜的案例,本发明均准确的识别出了两个矩形框示出区域为拓印膜。
由此可见,该方法利用相似度匹配和机器学习的方式对一辆车的发动机号的前后两次拓印膜进行比对,能直接从车辆查验表提取出不定张数拓印膜,用于后续识别出其是否被篡改,为拓印膜的进一步智能、自动化对比奠定基础。本发明的拓印膜自动定位方法具有准确、高效、适应性强等特点。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (7)
1.一种机动车查验表电子档案拓印膜自动定位方法,其特征在于包括以下步骤:
(1)缩放机动车查验表电子文档的图像至统一的尺寸后得到图片M0;
(2)将图片M0进行色彩分离,生成灰度图H;
(3)裁去灰度图H中非拓印膜粘贴区域,剩余图像记为目标图片M1;
(4)使用滑动窗口对目标图片M1进行模糊处理后得到图片M2;
(5)利用拓印膜标准模型S与图片M2进行滑动窗口式相似度匹配,将标准模型S左上角在图片M2的坐标值(X,Y)作为拓印膜所在位置的特征坐标,计算图片M2在特征坐标(X,Y)处与标准模型S的相似度R(X,Y),公式如下:
其中,T'(i,j)为标准模型S在坐标点(i,j)的相似度中间值,I'(X+i,Y+j)为图片M2在其坐标点(X+i,Y+j)的相似度的中间值;n是图片M2中与标准模型S重叠部分横向的像素点个数,m是图片M2中与标准模型S重叠部分纵向的像素点个数,T(i,j)是标准模型S中在坐标(i,j)的像素值,I(X+i,Y+j)是图片M2在其坐标(X+i,Y+j)的像素值;
在模型S滑动过程中循环计算不同特征坐标对应的相似度R(X,Y),并将相似度高于阈值V的拓印膜特征坐标(X,Y)记录到备选拓印膜特征坐标集合A1中;
(6)对集合A1中的备选拓印膜特征坐标进行聚类分析,将特征坐标属于同一类的备选拓印膜视为一个疑似拓印膜,并以聚类中心M_X,M_Y作为每个疑似拓印膜的坐标;
(7)判断步骤(6)中疑似拓印膜坐标M_X,M_Y是否在信任区间内,如是则认为该坐标对应的疑似拓印膜是拓印膜,将其添加到最终拓印膜坐标A_f集合内,否则进入步骤(8)中的过滤器进行过滤;
(8)过滤器根据步骤(7)中不在信任区间内的坐标M_X,M_Y,在目标图片中截取以该坐标为左上角角点且大小与标准模型S相同的图片M3,进行文字数目检测,若图片M3中的中文文字数目超过字数阈值,则剔除该疑似拓印膜坐标,否则添加该拓印膜坐标到最终拓印膜坐标集合A_f内;
(9)当最终拓印膜坐标集合A_f为空时,降低步骤(5)中的阈值V,循环执行步骤(5)~(8),直到拓印膜坐标集合A_f不为空,或阈值V小于设定的阈值最小值V_min;
所述的信任区间是指在车辆查验表表格中用于粘贴拓印膜的位置区域。
2.根据权利要求1所述的一种机动车查验表电子档案拓印膜自动定位方法,其特征在于步骤(3)中,所述的图片M0的尺寸统一为720×1008像素。
3.根据权利要求1所述的一种机动车查验表电子档案拓印膜自动定位方法,其特征在于步骤(3)中,所述的非拓印膜粘贴区域为灰度图H中上部70%的区域。
4.根据权利要求1所述的一种机动车查验表电子档案拓印膜自动定位方法,其特征在于步骤(4)中所述的滑动窗口的大小为5×5。
5.根据权利要求1所述的一种机动车查验表电子档案拓印膜自动定位方法,其特征在于步骤(5)中所述的阈值V的初始值设为0.22,阈值最小值V_min设为0.15。
6.根据权利要求1所述的一种机动车查验表电子档案拓印膜自动定位方法,其特征在于步骤(5)中所述标准模型S的尺寸为200×32像素。
7.根据权利要求1所述的一种机动车查验表电子档案拓印膜自动定位方法,其特征在于步骤(8)中,所述的字数阈值为80个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910252775.0A CN110032960B (zh) | 2019-03-29 | 2019-03-29 | 一种机动车查验表电子档案拓印膜自动定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910252775.0A CN110032960B (zh) | 2019-03-29 | 2019-03-29 | 一种机动车查验表电子档案拓印膜自动定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110032960A CN110032960A (zh) | 2019-07-19 |
CN110032960B true CN110032960B (zh) | 2020-11-17 |
Family
ID=67237041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910252775.0A Active CN110032960B (zh) | 2019-03-29 | 2019-03-29 | 一种机动车查验表电子档案拓印膜自动定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110032960B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100990672B1 (ko) * | 2008-07-01 | 2010-10-29 | 하이테콤시스템(주) | 교통정보 수집장치 |
CN105608660A (zh) * | 2015-12-18 | 2016-05-25 | 沈阳益中祥科技有限公司 | 机动车专门查验区管理系统所采用的查验方法 |
CN105913059A (zh) * | 2016-04-11 | 2016-08-31 | 吉林大学 | 一种车辆vin码的自动识别系统及其控制方法 |
CN108596177A (zh) * | 2018-05-09 | 2018-09-28 | 大连方盛科技有限公司 | 一种机动车vin码拓印膜的计算机辅助甄别方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101882338B (zh) * | 2009-05-08 | 2012-04-25 | 中国印钞造币总公司 | 一种钞票纸水印的检测方法和装置 |
US8805125B1 (en) * | 2013-06-28 | 2014-08-12 | Google Inc. | Comparing extracted card data using continuous scanning |
CN108548820B (zh) * | 2018-03-28 | 2023-08-15 | 浙江理工大学 | 化妆品纸质标签缺陷检测方法 |
-
2019
- 2019-03-29 CN CN201910252775.0A patent/CN110032960B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100990672B1 (ko) * | 2008-07-01 | 2010-10-29 | 하이테콤시스템(주) | 교통정보 수집장치 |
CN105608660A (zh) * | 2015-12-18 | 2016-05-25 | 沈阳益中祥科技有限公司 | 机动车专门查验区管理系统所采用的查验方法 |
CN105913059A (zh) * | 2016-04-11 | 2016-08-31 | 吉林大学 | 一种车辆vin码的自动识别系统及其控制方法 |
CN108596177A (zh) * | 2018-05-09 | 2018-09-28 | 大连方盛科技有限公司 | 一种机动车vin码拓印膜的计算机辅助甄别方法及系统 |
Non-Patent Citations (3)
Title |
---|
"Research on Vision-based Intelligent Vehicle Safety Inspection and Visual Surveillance";Weijun Dai et al.;《2012 Eighth International Conference on Computational Intelligence and Security》;20130111;第219-222页 * |
"智能终端在机动车查验中的应用";雍成明 等;《智能交通》;20161231(第4期);第81-84页 * |
"某市机动车/驾驶人档案影像化系统的设计与实现";周卓彦;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140815(第8期);第I138-469页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110032960A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009543B (zh) | 一种车牌识别方法及装置 | |
CN108171297B (zh) | 一种答题卡识别方法 | |
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
CN104392205B (zh) | 一种非正常车牌的识别方法和系统 | |
WO2019162970A1 (en) | A system for real-time automated segmentation and recognition of vehicle's license plates characters from vehicle's image and a method thereof. | |
CN111191611B (zh) | 基于深度学习的交通标志标号识别方法 | |
CN112767369A (zh) | 小五金的缺陷识别检测方法、装置及计算机可读存储介质 | |
US20180253852A1 (en) | Method and device for locating image edge in natural background | |
CN111325769A (zh) | 一种目标对象检测方法及装置 | |
CN108932449B (zh) | 一种基于聚类的条码二值化方法及系统 | |
CN110276295A (zh) | 车辆识别号码检测识别方法及设备 | |
CN110796669A (zh) | 一种垂直边框定位方法及设备 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN110909598A (zh) | 一种基于深度学习的非机动车道交通违法行驶识别方法 | |
CN116612292A (zh) | 一种基于深度学习的小目标检测方法 | |
CN112862832A (zh) | 一种基于同心圆分割定位的脏污检测方法 | |
CN111008554B (zh) | 一种基于深度学习的动态交通斑马线内不礼让行人识别方法 | |
CN111754502A (zh) | 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法 | |
CN111626145A (zh) | 一种简捷有效的残缺表格识别及跨页拼接方法 | |
CN113392819B (zh) | 一种批量化学术图像自动分割标注装置和方法 | |
CN112784675B (zh) | 目标检测方法及装置、存储介质、终端 | |
CN113486856A (zh) | 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法 | |
CN110032960B (zh) | 一种机动车查验表电子档案拓印膜自动定位方法 | |
US20170177968A1 (en) | Method for the optical detection of symbols | |
CN111402185B (zh) | 一种图像检测方法及装置 |
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 |