CN110070085B - 车牌识别方法和装置 - Google Patents
车牌识别方法和装置 Download PDFInfo
- Publication number
- CN110070085B CN110070085B CN201910359065.8A CN201910359065A CN110070085B CN 110070085 B CN110070085 B CN 110070085B CN 201910359065 A CN201910359065 A CN 201910359065A CN 110070085 B CN110070085 B CN 110070085B
- Authority
- CN
- China
- Prior art keywords
- license plate
- feature matrix
- matrix
- text
- neural network
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
-
- 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
Abstract
本申请提出一种车牌识别方法和装置,其中,方法包括:从采集到的图像中,识别呈现车牌的图像区域;采用卷积神经网络对图像区域进行特征提取,得到图像区域的特征矩阵;将特征矩阵输入循环神经网络,以顺序识别出车牌各文本位置上的文本信息;其中,循环神经网络,用于根据特征矩阵中各元素对相应文本位置的注意力权重进行文本识别。该方法既能够实现对单行车牌进行识别,又能够实现对双行车牌进行识别,可以提升该方法的适用性。并且,无需对图像区域进行切分,再进行单字分割识别,可以减少算法的步骤,能够实现提升车牌识别的效率和准确性。
Description
技术领域
本申请涉及图像识别技术领域,尤其涉及一种车牌识别方法和装置。
背景技术
车牌是车辆的身份凭证,能够唯一确定车辆身份,快速且准确地识别车牌号码,有利于提高车辆的管理效率,缓解道路上的交通压力。目前,单行车牌(例如)的识别算法已较为成熟,在卡口、监控、小区门禁管理等场景下已达使用需求。
但是,对于双行车牌(例如货车尾部牌照)的识别,目前多采用规则式的行切分,再进行单字分割识别,操作步骤较为繁琐,识别效率较低,并且,识别效果不佳。
发明内容
本申请提出一种车牌识别方法和装置,以实现对单行车牌和双行车牌进行识别,提升该方法的适用性,并且,由循环神经网络根据特征矩阵中各元素对相应文本位置的注意力权重,对车牌进行文本识别,无需对图像区域进行切分,再进行单字分割识别,可以减少算法的步骤,提升车牌识别的效率和准确性,用于解决现有技术中双行车牌识别的操作步骤较为繁琐,识别效率和准确性较低的技术问题。
本申请第一方面实施例提出了一种车牌识别方法,包括:
从采集到的图像中,识别呈现车牌的图像区域;
采用卷积神经网络对所述图像区域进行特征提取,得到所述图像区域的特征矩阵;
将所述特征矩阵输入循环神经网络,以顺序识别出车牌各文本位置上的文本信息;其中,所述循环神经网络,用于根据所述特征矩阵中各元素对相应文本位置的注意力权重,进行文本识别。
本申请实施例的车牌识别方法,通过从采集到的图像中,识别呈现车牌的图像区域,之后,采用卷积神经网络对图像区域进行特征提取,得到图像区域的特征矩阵,最后,将特征矩阵输入循环神经网络,以顺序识别出车牌各文本位置上的文本信息;其中,循环神经网络,用于根据特征矩阵中各元素对相应文本位置的注意力权重,进行文本识别。本申请中,由于特征矩阵为二维的,保留了车牌文字固有的空间结构信息,因此,既可以实现对单行车牌进行识别,又可以实现对双行车牌进行识别,可以提升该方法的适用性。此外,由循环神经网络根据特征矩阵中各元素对相应文本位置的注意力权重,对车牌进行文本识别,无需对图像区域进行切分,再进行单字分割识别,可以减少算法的步骤,提升车牌识别效率。并且,基于深度学习技术,对车牌进行识别,可以提升识别结果的准确性。
本申请第二方面实施例提出了一种车牌识别装置,包括:
第一识别模块,用于从采集到的图像中,识别呈现车牌的图像区域;
提取模块,用于采用卷积神经网络对所述图像区域进行特征提取,得到所述图像区域的特征矩阵;
第二识别模块,用于将所述特征矩阵输入循环神经网络,以顺序识别出车牌各文本位置上的文本信息;其中,所述循环神经网络,用于根据所述特征矩阵中各元素对相应文本位置的注意力权重,进行文本识别。
本申请实施例的车牌识别装置,通过从采集到的图像中,识别呈现车牌的图像区域,之后,采用卷积神经网络对图像区域进行特征提取,得到图像区域的特征矩阵,最后,将特征矩阵输入循环神经网络,以顺序识别出车牌各文本位置上的文本信息;其中,循环神经网络,用于根据特征矩阵中各元素对相应文本位置的注意力权重,进行文本识别。本申请中,由于特征矩阵为二维的,保留了车牌文字固有的空间结构信息,因此,既可以实现对单行车牌进行识别,又可以实现对双行车牌进行识别,可以提升该方法的适用性。此外,由循环神经网络根据特征矩阵中各元素对相应文本位置的注意力权重,对车牌进行文本识别,无需对图像区域进行切分,再进行单字分割识别,可以减少算法的步骤,提升车牌识别效率。并且,基于深度学习技术,对车牌进行识别,可以提升识别结果的准确性。
本申请第三方面实施例提出了一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本申请第一方面实施例提出的车牌识别方法。
本申请第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请第一方面实施例提出的车牌识别方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例一所提供的车牌识别方法的流程示意图;
图2为本申请实施例中识别得到的图像区域示意图;
图3为本申请实施例二所提供的车牌识别方法的流程示意图;
图4为本申请实施例三所提供的车牌识别方法的流程示意图;
图5为本申请实施例的应用场景示意图;
图6为本申请实施例四所提供的车牌识别装置的结构示意图;
图7为本申请实施例五所提供的车牌识别装置的结构示意图;
图8示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
传统的车牌识别方法,首先,利用车牌颜色,边缘等先验信息提取车牌的候选框,之后,裁切候选框,利用边缘信息转正车牌,接着,对转正好的车牌进行单字分割,并利用支持向量机(support vector machine,简称SVM)、朴素贝叶斯等分类器,确定单字类别,最后,整合单字识别结果,输出车牌号码。
然而,上述传统的车牌识别方法路径较长,对于每个细节步骤均需要人工调参,更换场景则需要二次调参,耗费大量精力。并且,对于双行车牌,多采用规则式的行切分,再进行单字分割识别,方法不够鲁棒,识别效果不佳。
本申请主要针对现有技术中双行车牌识别流程繁琐的技术问题,提出一种端到端的车牌识别方法。
本申请实施例的车牌识别方法,通过从采集到的图像中,识别呈现车牌的图像区域,之后,采用卷积神经网络对图像区域进行特征提取,得到图像区域的特征矩阵,最后,将特征矩阵输入循环神经网络,以顺序识别出车牌各文本位置上的文本信息;其中,循环神经网络,用于根据特征矩阵中各元素对相应文本位置的注意力权重,进行文本识别。本申请中,由于特征矩阵为二维的,保留了多行文字的空间结构信息,因此,既可以实现对单行车牌进行识别,又可以实现对双行车牌进行识别,可以提升该方法的适用性。此外,由循环神经网络根据特征矩阵中各元素对相应文本位置的注意力权重,对车牌进行文本识别,无需对图像区域进行切分,再进行单字分割识别,可以减少算法的步骤,提升车牌识别效率。并且,基于深度学习技术,对车牌进行识别,可以提升识别结果的准确性。
下面参考附图描述本申请实施例的车牌识别方法和装置。
图1为本申请实施例一所提供的车牌识别方法的流程示意图。
本申请实施例以车牌识别方法被配置于车牌识别装置中来举例说明,该车牌识别装置可以应用于任一计算机设备中,以使该计算机设备可以执行车牌识别功能。
其中,计算机设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备、服务器等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该车牌识别方法包括以下步骤:
步骤101,从采集到的图像中,识别呈现车牌的图像区域。
本申请实施例中,可以采用目标检测算法,对采集到的图像进行识别,确定呈现车牌的图像区域。例如,可以基于单发多框检测(Single Shot MultiBox Detector,简称SSD)、你只看一眼(You Only Look Once,简称YOLO)、Faster-RCNN等目标检测算法,对采集到的图像进行识别,确定呈现车牌的图像区域,本申请对此并不做限制。
作为一种示例,参见图2,利用SSD可以准确识别呈现车牌的图像区域21,满足大部分场景的车牌检测需求。
需要说明的是,还可以由用户对采集到的图像中呈现车牌的图像区域进行标注,本申请对此并不做限制。
步骤102,采用卷积神经网络对图像区域进行特征提取,得到图像区域的特征矩阵。
本申请实施例中,在识别得到呈现车牌的图像区域后,可以采用卷积神经网络(Convolutional Neural Network,简称CNN),对上述图像区域进行特征提取,得到图像区域的特征矩阵。其中,特征矩阵为二维的,可以在特征层面保留了图像及文字自身的空间结构关系,即特征矩阵保留了图像区域中各文本信息之间的空间结构关系。
可选地,标记该特征矩阵为f。
步骤103,将特征矩阵输入循环神经网络,以顺序识别出车牌各文本位置上的文本信息;其中,循环神经网络,用于根据特征矩阵中各元素对相应文本位置的注意力权重,进行文本识别。
本申请实施例中,文本信息可以包括文字信息、字符信息和数字信息。
本申请实施例中,特征矩阵中每个元素均对应一个注意力权重,不同元素对应的注意力权重可以相同,或者也可以不同。在CNN提取得到特征矩阵后,可以将特征矩阵输入至循环神经网络(Recurrent Neural Network,简称RNN),由RNN根据特征矩阵中各元素对相应文本位置的注意力权重,进行文本识别。本申请中,根据特征矩阵中各元素对相应文本位置的注意力权重,进行文本识别,无需对图像区域进行切分,再进行单字分割识别,可以提升识别效率。并且,基于深度学习技术,对车牌进行识别,可以提升识别结果的准确性。
具体地,将特征矩阵输入RNN后,RNN需顺序执行多个循环过程,每个循环过程用于识别一个文本位置上的文本信息。针对每个循环过程,可以根据特征矩阵中各元素对本次循环过程对应文本位置的注意力权重,对特征矩阵进行加权处理,将加权后的特征矩阵输入至RNN的输入层,以得到本次循环过程对应文本位置的文本信息。从而根据每个循环过程输出的文本信息,可以确定车牌各文本位置上的文本信息,即确定车牌号码。
作为一种示例,当车牌号码为“闵HJYK5X”时,第一次循环过程对应文本位置的文本信息为“闵”,第二次循环过程对应文本位置的文本信息为“H”,…,最后一次循环过程对应文本位置上的文本信息为“X”,顺序连接各循环过程输出的文本信息,可以确定车牌号码为“闵HJYK5X”。
需要说明的是,还可以基于其他深度学习的车牌检测算法,识别车牌号码。例如,可以利用SSD、YOLO、Faster-RCNN等目标检测算法,检测呈现车牌的图像区域,采用CNN+RNN+连接时序分类(Connectionist Temporal Classification,简称CTC)(或卷积递归神经网络(Convolutional Recurrent Neural Network,简称CRNN))等序列识别算法,识别车牌号码并输出。
然而,上述主要采用CRNN序列模型作为识别器,这种方法假定输入的特征向量为一维的,只能识别单行车牌,而无法识别双行车牌,适用性较低。
而本申请中基于RNN识别车牌号码,由于特征矩阵为二维的,保留了车牌上多行文字固有的空间结构信息,因此,既可以实现对单行车牌进行识别,又可以实现对双行车牌进行识别,可以提升该方法的适用性。
本申请实施例的车牌识别方法,通过从采集到的图像中,识别呈现车牌的图像区域,之后,采用卷积神经网络对图像区域进行特征提取,得到图像区域的特征矩阵,最后,将特征矩阵输入循环神经网络,以顺序识别出车牌各文本位置上的文本信息;其中,循环神经网络,用于根据特征矩阵中各元素对相应文本位置的注意力权重,进行文本识别。本申请中,由于特征矩阵为二维的,保留了车牌文字固有的空间结构信息,因此,既可以实现对单行车牌进行识别,又可以实现对双行车牌进行识别,可以提升该方法的适用性。此外,由循环神经网络根据特征矩阵中各元素对相应文本位置的注意力权重,对车牌进行文本识别,无需对图像区域进行切分,再进行单字分割识别,可以减少算法的步骤,提升车牌识别效率。并且,基于深度学习技术,对车牌进行识别,可以提升识别结果的准确性。
作为一种可能的实现方式,针对每一个训练过程,具体是将加权后的特征矩阵、前次循环过程中隐藏层输出的隐状态矩阵,以及将前次循环过程中输出层输出的文本信息输入至输入层,以得到本次循环过程对应文本位置的文本信息。下面结合实施例二,对上述过程进行详细说明。
图3为本申请实施例二所提供的车牌识别方法的流程示意图。
如图3所示,该车牌识别方法可以包括以下步骤:
步骤201,从采集到的图像中,识别呈现车牌的图像区域。
步骤202,采用卷积神经网络对图像区域进行特征提取,得到图像区域的特征矩阵。
步骤201至202的执行过程可以参见上述实施例中步骤101至102的执行过程,在此不做赘述。
步骤203,顺序执行多个循环过程;其中,每一个循环过程,用于识别一个文本位置上的文本信息。
本申请实施例中,将特征矩阵输入RNN后,RNN需顺序执行多个循环过程,其中,每个循环过程用于识别一个文本位置上的文本信息。
步骤204,在每一个循环过程中,根据特征矩阵中各元素对本次循环过程对应文本位置的注意力权重,对特征矩阵进行加权得到加权后的特征矩阵,将加权后的特征矩阵、前次循环过程中隐藏层输出的隐状态矩阵,以及将前次循环过程中输出层输出的文本信息输入输入层,以得到本次循环过程对应文本位置的文本信息。
本申请实施例中,在RNN中,每一个循环过程的预测结果依赖于三个输入:前次循环过程中隐藏层输出的隐状态矩阵、前次循环过程中输出层输出的文本信息、本次加权得到的加权后的特征矩阵。在已知上述信息的情况下,可以得到本次循环过程的预测结果,即本次循环过程对应文本位置的文本信息。
例如,标记本次循环过程的预测结果为Ot,前次循环过程中隐藏层输出的隐状态矩阵为ht-1,前次循环过程中输出层输出的文本信息为Ot-1,根据特征矩阵中各元素对本次循环过程对应文本位置的注意力权重,对特征矩阵进行加权得到加权后的特征矩阵为Ct,则可以得到:
Ot=RNN(Ot-1,ht-1,Ct);
其中,Ct=at,i,j*fi,j,i表示特征矩阵中的第i行,j表示特征矩阵中的第j列,fi,j表示特征矩阵中第i行第j列元素,at,i,j表示本次循环过程中,特征矩阵中第i行第j列元素对应文本位置的注意力权重,则Ct表示根据特征矩阵f中各元素对应的注意力权重,对特征矩阵f中相应元素进行加权处理后,得到的加权矩阵。
需要说明的是,针对第一次循环过程,本申请中记为首个循环过程,由于没有前次循环过程中隐藏层输出的隐状态矩阵以及前次循环过程中输出层输出的文本信息,因此,本申请中,为了实现车牌识别的成功率,可以利用初始化的隐状态矩阵(例如为H0)和初始化的文本信息,计算得到首个循环过程对应文本位置的文本信息。
具体地,可以根据特征矩阵中各元素对首个循环过程对应文本位置的注意力权重,对特征矩阵进行加权得到加权后的特征矩阵,可以将加权后的特征矩阵、初始化的隐状态矩阵(例如H0)、初始化的文本信息,输入至输入层,以得到首个循环过程对应文本位置的文本信息。
本申请实施例的车牌识别方法,在每一个循环过程中,根据特征矩阵中各元素对本次循环过程对应文本位置的注意力权重,对特征矩阵进行加权得到加权后的特征矩阵,将加权后的特征矩阵、前次循环过程中隐藏层输出的隐状态矩阵,以及将前次循环过程中输出层输出的文本信息输入输入层,以得到本次循环过程对应文本位置的文本信息,无需对图像区域进行切分,再进行单字分割识别,可以减少算法的步骤,提升识别效率。并且,由于特征矩阵为二维的,保留了车牌文字固有的空间结构信息,因此,既可以实现对单行车牌进行识别,又可以实现对双行车牌进行识别,可以提升该方法的适用性。此外,基于深度学习技术,对车牌进行识别,可以提升识别结果的准确性。
作为一种可能的实现方式,每一次循环过程中,特征矩阵中相应元素的注意力权重at,i,j是根据前次循环过程中隐藏层输出的隐状态矩阵和特征矩阵之间的相似度确定的。下面结合实施例三,对上述过程进行详细说明。
图4为本申请实施例三所提供的车牌识别方法的流程示意图。
如图4所示,在图3所示实施例的基础上,在步骤204之前,该车牌识别方法还可以包括以下步骤:
步骤301,对前次循环过程中隐藏层输出的隐状态矩阵,计算与特征矩阵之间对应元素的相似度。
本申请实施例中,可以根据相关技术中矩阵的相似度计算方法,对前次循环过程中隐藏层输出的隐状态矩阵ht-1,计算与特征矩阵f之间对应元素的相似度,本申请对此并不作限制。
步骤302,根据与特征矩阵之间对应元素的相似度,确定特征矩阵中相应元素的注意力权重。
本申请实施例中,在确定前次循环过程中隐藏层输出的隐状态矩阵与特征矩阵之间对应元素的相似度后,可以根据上述相似度,确定本次循环过程中,特征矩阵中相应元素的注意力权重at,i,j。
具体地,可以根据与特征矩阵之间对应元素的相似度,生成注意力矩阵中对应元素。由于注意力矩阵中各元素之和可能并非为1,因此,可以对注意力矩阵的各元素进行归一化,将注意力矩阵归一化后各元素的取值作为特征矩阵中相应元素的注意力权重。
需要说明的是,针对首个循环过程,可以计算初始化的隐状态矩阵与特征矩阵之间对应元素的相似度,根据对应元素的相似度,确定首个循环过程中特征矩阵中相应元素的注意力权重。
本申请实施例中,at,i,j表示在本次循环过程中,RNN预测所关注的区域的权重。例如,参见图5,首次循环过程,例如t0时刻,RNN关注了特征层的区域1,则区域1的权重at,i,j会较大,而区域1正好为“闽”所对应的图像区域,因此,这部分区域的Ct可以作为本次循环过程中RNN对文本信息预测的依据。
同理,对于第二个循环过程(例如t1时刻,RNN关注了特征层的区域2)、第n个循环过程(例如tn-1时刻,RNN关注了特征层的区域3)、第n+1个循环过程(例如tn时刻,RNN关注了特征层的区域4)等循环过程,RNN也可以根据前次循环过程中隐藏层输出的隐状态矩阵来计算对应的at,i,j和Ct,之后根据Ct,预测对应循环过程中的文本信息。
本申请实施例的车牌识别方法,由于特征矩阵为二维的,保留了车牌文字固有的空间结构信息,因此,既可以实现对单行车牌进行识别,又可以实现对双行车牌进行识别,可以提升该方法的适用性。并且,代替了现有技术中四角点转正+CRNN序列识别的算法流程,减少了算法步骤,提高了计算速度,进而提高了车牌的识别效率。
一般情况下,当RNN顺序识别出车牌各文本位置上的文本信息后,会输出End标记,若实际应用过程中,若RNN一直未输出End标记,则可以停止执行循环过程。
可以理解的是,不同类型的车牌,包含的文字、字符和数字的个数可能不同,例如,新能源汽车为:一个汉字+一个字母+六位数字和/或字母,普通汽车为:一个汉字+一个字母+五位数字和/或字母,拖拉机为:一个汉字+两位数字+五位数字和/或汉字,军用汽车为:两个字母+一个汉字+五位数字和/或字母,等等,然而,无论车牌的类型具体为何种,其包含的文字、字符和数字的个数是有限的,因此,RNN执行的循环过程也应为有限的。
因此,作为本申请实施例的一种可能的实现方式,可以判断RNN输出的文本信息的文本位置数量是否达到设定阈值,若是,则停止执行循环过程,若否,则继续执行循环过程。其中,设定阈值是根据车牌包含的文字、字符和数字的个数确定的,即根据车牌包含的最大字符长度确定的。例如,设定阈值可以为8。
作为本申请实施例的另一种可能的实现方式,还可以判断循环过程得到的文本信息,是否为设定的终止文本信息,若是,则停止执行循环过程,若否,则根据需执行循环过程。
作为一种示例,参见图5,设定的终止文本信息可以为X,当判断RNN输出的文本信息为“X”时,则可以停止执行循环过程。
为了实现上述实施例,本申请还提出一种车牌识别装置。
图6为本申请实施例四所提供的车牌识别装置的结构示意图。
如图6所示,该车牌识别装置包括:第一识别模块110、提取模块120以及第二识别模块130。
其中,第一识别模块110,用于从采集到的图像中,识别呈现车牌的图像区域。
提取模块120,用于采用卷积神经网络对图像区域进行特征提取,得到图像区域的特征矩阵。
第二识别模块130,用于将特征矩阵输入循环神经网络,以顺序识别出车牌各文本位置上的文本信息;其中,循环神经网络,用于根据特征矩阵中各元素对相应文本位置的注意力权重进行文本识别。
进一步地,在本申请实施例的一种可能的实现方式中,参见图7,在图6所示实施例的基础上,该车牌识别装置还可以包括:
作为一种可能的实现方式,循环神经网络包括顺序设置的输入层、隐藏层和输出层。
第二识别模块130,包括:
执行单元131,用于顺序执行多个循环过程;其中,每一个循环过程,用于识别一个文本位置上的文本信息。
处理单元132,用于在每一个循环过程中,根据特征矩阵中各元素对本次循环过程对应文本位置的注意力权重,对特征矩阵进行加权得到加权后的特征矩阵,将加权后的特征矩阵、前次循环过程中隐藏层输出的隐状态矩阵,以及将前次循环过程中输出层输出的文本信息输入输入层,以得到本次循环过程对应文本位置的文本信息。
作为一种可能的实现方式,处理单元132,还用于:在首个循环过程中,根据特征矩阵中各元素对本次循环过程对应文本位置的注意力权重,对特征矩阵进行加权得到加权后的特征矩阵,将加权后的特征矩阵、初始化的隐状态矩阵以及初始化的文本信息输入输入层。
计算单元133,用于在根据特征矩阵中各元素对本次循环过程对应文本位置的注意力权重,对特征矩阵进行加权得到加权后的特征矩阵之前,对前次循环过程中隐藏层输出的隐状态矩阵,计算与特征矩阵之间对应元素的相似度。
确定单元134,用于根据与特征矩阵之间对应元素的相似度,确定特征矩阵中相应元素的注意力权重。
作为一种可能的实现方式,确定单元134,具体用于:根据与特征矩阵之间对应元素的相似度,生成注意力矩阵中对应元素;对注意力矩阵的各元素进行归一化;将注意力矩阵归一化后各元素的取值作为特征矩阵中相应元素的注意力权重。
停止单元135,用于在顺序执行多个循环过程之后,若得到文本信息的文本位置数量达到设定阈值,停止执行循环过程;或者,当循环过程得到的文本信息为设定的终止文本信息,停止执行循环过程。
作为一种可能的实现方式,第一识别模块110,具体用于:采用目标检测算法对采集到的图像识别呈现车牌的图像区域。
需要说明的是,前述对车牌识别方法实施例的解释说明也适用于该实施例的车牌识别装置,此处不再赘述。
本申请实施例的车牌识别装置,通过从采集到的图像中,识别呈现车牌的图像区域,之后,采用卷积神经网络对图像区域进行特征提取,得到图像区域的特征矩阵,最后,将特征矩阵输入循环神经网络,以顺序识别出车牌各文本位置上的文本信息;其中,循环神经网络,用于根据特征矩阵中各元素对相应文本位置的注意力权重,进行文本识别。本申请中,由于特征矩阵为二维的,保留了车牌文字固有的空间结构信息,因此,既可以实现对单行车牌进行识别,又可以实现对双行车牌进行识别,可以提升该方法的适用性。此外,由循环神经网络根据特征矩阵中各元素对相应文本位置的注意力权重,对车牌进行文本识别,无需对图像区域进行切分,再进行单字分割识别,可以减少算法的步骤,提升车牌识别效率。并且,基于深度学习技术,对车牌进行识别,可以提升识别结果的准确性。
为了实现上述实施例,本申请还提出一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现如本申请前述实施例提出的车牌识别方法。
为了实现上述实施例,本申请还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请第一方面实施例提出的车牌识别方法。
图8示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图8显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的车牌识别方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”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”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (16)
1.一种车牌识别方法,其特征在于,所述方法包括以下步骤:
从采集到的图像中,识别呈现车牌的图像区域;
采用卷积神经网络对所述图像区域进行特征提取,得到所述图像区域的特征矩阵;
将所述特征矩阵输入循环神经网络,以顺序识别出车牌各文本位置上的文本信息;其中,所述循环神经网络,用于根据所述特征矩阵中各元素对相应文本位置的注意力权重,进行文本识别;其中,所述注意力权重是基于所述循环神经网络的网络参数,确定所述循环神经网络的隐藏层输出的隐状态矩阵以及所述特征矩阵之间的相似度,根据所述相似度确定的。
2.根据权利要求1所述的车牌识别方法,其特征在于,所述循环神经网络包括顺序设置的输入层、隐藏层和输出层;
所述将所述特征矩阵输入循环神经网络,以顺序识别出各文本位置上的文本信息,包括:
顺序执行多个循环过程;其中,每一个循环过程,用于识别一个文本位置上的文本信息;
在每一个循环过程中,根据所述特征矩阵中各元素对本次循环过程对应文本位置的注意力权重,对特征矩阵进行加权得到加权后的特征矩阵,将所述加权后的特征矩阵、前次循环过程中隐藏层输出的隐状态矩阵,以及将前次循环过程中输出层输出的文本信息输入所述输入层,以得到本次循环过程对应文本位置的文本信息。
3.根据权利要求2所述的车牌识别方法,其特征在于,所述根据所述特征矩阵中各元素对本次循环过程对应文本位置的注意力权重,对特征矩阵进行加权得到加权后的特征矩阵之前,还包括:
对前次循环过程中隐藏层输出的隐状态矩阵,计算与所述特征矩阵之间对应元素的相似度;
根据与所述特征矩阵之间对应元素的相似度,确定所述特征矩阵中相应元素的注意力权重。
4.根据权利要求3所述的车牌识别方法,其特征在于,所述根据与所述特征矩阵之间对应元素的相似度,确定所述特征矩阵中相应元素的注意力权重,包括:
根据与所述特征矩阵之间对应元素的相似度,生成注意力矩阵中对应元素;
对所述注意力矩阵的各元素进行归一化;
将所述注意力矩阵归一化后各元素的取值作为所述特征矩阵中相应元素的注意力权重。
5.根据权利要求2所述的车牌识别方法,其特征在于,
在首个循环过程中,根据所述特征矩阵中各元素对本次循环过程对应文本位置的注意力权重,对特征矩阵进行加权得到加权后的特征矩阵,将所述加权后的特征矩阵、初始化的隐状态矩阵以及初始化的文本信息输入所述输入层。
6.根据权利要求2所述的车牌识别方法,其特征在于,所述顺序执行多个循环过程之后,还包括:
若得到文本信息的文本位置数量达到设定阈值,停止执行循环过程;
或者,当循环过程得到的文本信息为设定的终止文本信息,停止执行循环过程。
7.根据权利要求1-6任一项所述的车牌识别方法,其特征在于,所述从采集到的图像中,识别呈现车牌的图像区域,包括:
采用目标检测算法对采集到的图像识别呈现车牌的图像区域。
8.一种车牌识别装置,其特征在于,所述装置:
第一识别模块,用于从采集到的图像中,识别呈现车牌的图像区域;
提取模块,用于采用卷积神经网络对所述图像区域进行特征提取,得到所述图像区域的特征矩阵;
第二识别模块,用于将所述特征矩阵输入循环神经网络,以顺序识别出车牌各文本位置上的文本信息;其中,所述循环神经网络,用于根据所述特征矩阵中各元素对相应文本位置的注意力权重,进行文本识别;其中,所述注意力权重是基于所述循环神经网络的网络参数,确定所述循环神经网络的隐藏层输出的隐状态矩阵以及所述特征矩阵之间的相似度,根据所述相似度确定的。
9.根据权利要求8所述的车牌识别装置,其特征在于,所述循环神经网络包括顺序设置的输入层、隐藏层和输出层;
所述第二识别模块,包括:
执行单元,用于顺序执行多个循环过程;其中,每一个循环过程,用于识别一个文本位置上的文本信息;
处理单元,用于在每一个循环过程中,根据所述特征矩阵中各元素对本次循环过程对应文本位置的注意力权重,对特征矩阵进行加权得到加权后的特征矩阵,将所述加权后的特征矩阵、前次循环过程中隐藏层输出的隐状态矩阵,以及将前次循环过程中输出层输出的文本信息输入所述输入层,以得到本次循环过程对应文本位置的文本信息。
10.根据权利要求9所述的车牌识别装置,其特征在于,所述第二识别模块,还包括:
计算单元,用于在根据所述特征矩阵中各元素对本次循环过程对应文本位置的注意力权重,对特征矩阵进行加权得到加权后的特征矩阵之前,对前次循环过程中隐藏层输出的隐状态矩阵,计算与所述特征矩阵之间对应元素的相似度;
确定单元,用于根据与所述特征矩阵之间对应元素的相似度,确定所述特征矩阵中相应元素的注意力权重。
11.根据权利要求10所述的车牌识别装置,其特征在于,所述确定单元,具体用于:
根据与所述特征矩阵之间对应元素的相似度,生成注意力矩阵中对应元素;
对所述注意力矩阵的各元素进行归一化;
将所述注意力矩阵归一化后各元素的取值作为所述特征矩阵中相应元素的注意力权重。
12.根据权利要求9所述的车牌识别装置,其特征在于,所述处理单元,还用于:
在首个循环过程中,根据所述特征矩阵中各元素对本次循环过程对应文本位置的注意力权重,对特征矩阵进行加权得到加权后的特征矩阵,将所述加权后的特征矩阵、初始化的隐状态矩阵以及初始化的文本信息输入所述输入层。
13.根据权利要求9所述的车牌识别装置,其特征在于,所述第二识别模块,还包括:
停止单元,用于在所述顺序执行多个循环过程之后,若得到文本信息的文本位置数量达到设定阈值,停止执行循环过程;或者,当循环过程得到的文本信息为设定的终止文本信息,停止执行循环过程。
14.根据权利要求8-13任一项所述的车牌识别装置,其特征在于,所述第一识别模块,具体用于:
采用目标检测算法对采集到的图像识别呈现车牌的图像区域。
15.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-7中任一所述的车牌识别方法。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的车牌识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910359065.8A CN110070085B (zh) | 2019-04-30 | 2019-04-30 | 车牌识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910359065.8A CN110070085B (zh) | 2019-04-30 | 2019-04-30 | 车牌识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070085A CN110070085A (zh) | 2019-07-30 |
CN110070085B true CN110070085B (zh) | 2021-11-02 |
Family
ID=67369740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910359065.8A Active CN110070085B (zh) | 2019-04-30 | 2019-04-30 | 车牌识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070085B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446375A (zh) * | 2019-09-03 | 2021-03-05 | 上海高德威智能交通系统有限公司 | 车牌识别方法、装置、设备及存储介质 |
CN110543877A (zh) * | 2019-09-04 | 2019-12-06 | 北京迈格威科技有限公司 | 标识识别方法及其模型的训练方法、装置和电子系统 |
EP3800088B1 (en) * | 2019-10-01 | 2022-12-21 | Foviatech GmbH | Smart vehicle seat |
CN112651417A (zh) * | 2019-10-12 | 2021-04-13 | 杭州海康威视数字技术股份有限公司 | 车牌识别方法、装置、设备及存储介质 |
CN111008633B (zh) * | 2019-10-17 | 2023-03-10 | 安徽清新互联信息科技有限公司 | 一种基于注意力机制的车牌字符分割方法 |
CN111062258B (zh) * | 2019-11-22 | 2023-10-24 | 华为技术有限公司 | 文本区域识别方法、装置、终端设备及可读存储介质 |
CN111191663B (zh) * | 2019-12-31 | 2022-01-11 | 深圳云天励飞技术股份有限公司 | 车牌号码识别方法、装置、电子设备及存储介质 |
CN111222513B (zh) * | 2019-12-31 | 2023-06-13 | 深圳云天励飞技术有限公司 | 车牌号码识别方法、装置、电子设备及存储介质 |
CN111353500B (zh) * | 2020-02-25 | 2023-07-28 | 上海其高电子科技有限公司 | 双行车牌的自动识别方法 |
CN111310766A (zh) * | 2020-03-13 | 2020-06-19 | 西北工业大学 | 基于编解码和二维注意力机制的车牌识别方法 |
CN111582272A (zh) * | 2020-04-30 | 2020-08-25 | 平安科技(深圳)有限公司 | 双行车牌识别方法、装置、设备及计算机可读存储介质 |
CN111832568B (zh) * | 2020-06-12 | 2024-01-12 | 北京百度网讯科技有限公司 | 车牌识别方法、车牌识别模型的训练方法和装置 |
CN112686252A (zh) * | 2020-12-28 | 2021-04-20 | 中国联合网络通信集团有限公司 | 一种车牌检测方法和装置 |
CN113158776B (zh) * | 2021-03-08 | 2022-11-11 | 国网河北省电力有限公司 | 基于编解码结构的发票文本识别方法及装置 |
CN113065406B (zh) * | 2021-03-08 | 2022-11-11 | 国网河北省电力有限公司 | 一种基于编解码结构识别发票文本的报账智能平台 |
CN113591983B (zh) * | 2021-07-30 | 2024-03-19 | 金地(集团)股份有限公司 | 图像识别方法和装置 |
CN114882448B (zh) * | 2022-04-01 | 2023-10-31 | 北京卓视智通科技有限责任公司 | 一种车辆监控方法和电子设备 |
CN117198093B (zh) * | 2023-11-07 | 2024-01-26 | 成都工业学院 | 一种复杂地下空间智能寻车系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229474A (zh) * | 2017-12-29 | 2018-06-29 | 北京旷视科技有限公司 | 车牌识别方法、装置及电子设备 |
CN108319980A (zh) * | 2018-02-05 | 2018-07-24 | 哈工大机器人(合肥)国际创新研究院 | 一种基于gru的递归神经网络多标签学习方法 |
CN109389091A (zh) * | 2018-10-22 | 2019-02-26 | 重庆邮电大学 | 基于神经网络和注意力机制结合的文字识别系统及方法 |
CN109492679A (zh) * | 2018-10-24 | 2019-03-19 | 杭州电子科技大学 | 基于注意力机制与联结时间分类损失的文字识别方法 |
CN109543667A (zh) * | 2018-11-14 | 2019-03-29 | 北京工业大学 | 一种基于注意力机制的文本识别方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073928B (zh) * | 2016-11-16 | 2021-04-02 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
CN107784303A (zh) * | 2016-12-15 | 2018-03-09 | 平安科技(深圳)有限公司 | 车牌识别方法及装置 |
CN108229466B (zh) * | 2016-12-15 | 2020-12-11 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
CN107798327A (zh) * | 2017-10-31 | 2018-03-13 | 北京小米移动软件有限公司 | 字符识别方法及装置 |
CN107766894B (zh) * | 2017-11-03 | 2021-01-22 | 吉林大学 | 基于注意力机制和深度学习的遥感图像自然语言生成方法 |
CN107944450B (zh) * | 2017-11-16 | 2020-04-24 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及装置 |
CN108537226A (zh) * | 2018-03-06 | 2018-09-14 | 北京邮电大学 | 一种车牌识别方法和装置 |
-
2019
- 2019-04-30 CN CN201910359065.8A patent/CN110070085B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229474A (zh) * | 2017-12-29 | 2018-06-29 | 北京旷视科技有限公司 | 车牌识别方法、装置及电子设备 |
CN108319980A (zh) * | 2018-02-05 | 2018-07-24 | 哈工大机器人(合肥)国际创新研究院 | 一种基于gru的递归神经网络多标签学习方法 |
CN109389091A (zh) * | 2018-10-22 | 2019-02-26 | 重庆邮电大学 | 基于神经网络和注意力机制结合的文字识别系统及方法 |
CN109492679A (zh) * | 2018-10-24 | 2019-03-19 | 杭州电子科技大学 | 基于注意力机制与联结时间分类损失的文字识别方法 |
CN109543667A (zh) * | 2018-11-14 | 2019-03-29 | 北京工业大学 | 一种基于注意力机制的文本识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110070085A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070085B (zh) | 车牌识别方法和装置 | |
Shivakumara et al. | CNN‐RNN based method for license plate recognition | |
US9965719B2 (en) | Subcategory-aware convolutional neural networks for object detection | |
CN110020592B (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
Pham et al. | Count forest: Co-voting uncertain number of targets using random forest for crowd density estimation | |
CN111178245B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN111814584A (zh) | 基于多中心度量损失的多视角环境下车辆重识别方法 | |
CN108733778B (zh) | 对象的行业类型识别方法和装置 | |
CN110580499B (zh) | 基于众包重复标签的深度学习目标检测方法及系统 | |
CN108460098B (zh) | 信息推荐方法、装置和计算机设备 | |
US11915500B2 (en) | Neural network based scene text recognition | |
CN111400528B (zh) | 一种图像压缩方法、装置、服务器及存储介质 | |
Dong et al. | Better region proposals for pedestrian detection with R-CNN | |
CN110188766B (zh) | 基于卷积神经网络的图像主目标检测方法及装置 | |
CN116311214B (zh) | 车牌识别方法和装置 | |
Trigueiros et al. | A Comparative Study of different image features for hand gesture machine learning | |
Karthika et al. | A novel convolutional neural network based architecture for object detection and recognition with an application to traffic sign recognition from road scenes | |
CN110175500B (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
CN111105436B (zh) | 目标跟踪方法、计算机设备及存储介质 | |
CN112560856B (zh) | 车牌检测识别方法、装置、设备及存储介质 | |
Soon et al. | Malaysian car number plate detection and recognition system | |
JP5759124B2 (ja) | カメラ・システムから得られた画像の中のオブジェクトを分析するためのコンピュータ化方法及びシステム | |
CN111738194B (zh) | 一种用于人脸图像相似性的评价方法和装置 | |
Satsangi et al. | License plate recognition: A comparative study on thresholding, ocr and machine learning approaches | |
CN111950546A (zh) | 一种车牌识别方法、装置、计算机设备和存储介质 |
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 |