CN110378317A - 一种车牌识别方法及装置 - Google Patents
一种车牌识别方法及装置 Download PDFInfo
- Publication number
- CN110378317A CN110378317A CN201910691307.3A CN201910691307A CN110378317A CN 110378317 A CN110378317 A CN 110378317A CN 201910691307 A CN201910691307 A CN 201910691307A CN 110378317 A CN110378317 A CN 110378317A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- subgraph
- vehicle image
- vehicle
- 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 35
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000013459 approach Methods 0.000 claims abstract description 11
- 238000004040 coloring Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
-
- 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
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Character Discrimination (AREA)
Abstract
本申请实施例公开了一种车牌识别方法及装置，通过对存在雾霾的车辆图像进行暗原色先验法进行去雾处理，并基于颜色信息和边缘信息对车牌图像中的车牌区域进行定位，再利用垂直投影分析法对车牌图像中的字符进行分割，最后利用神经网络模型进行字符识别，使得在复杂环境下拍摄的车辆图像也能够进行准确快速地识别，解决了摄像头清晰度不高，再加上恶劣天气的影响，对违法超限运输车辆的车牌识别的准确度将造成极大的影响，可能会出现误识别或不识别的情况出现的技术问题。
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及装置。
背景技术
现如今，城市化现象日益严重，智能交通发展迅速。目标识别作为计算机视觉的重要组成部分，带动了车辆检测和识别系统的发展，具有着很重要的现实意义。
随着智能交通管理信息化水平的提高，非现场执法系统已成为国内外研究和发展的热点。非现场执法系统主要需要实现根据技术监控设备记录资料，对违法超限运输车辆的当事人依法给予处罚。其中，准确地确定违法超限运输车辆的车牌是非现场执法的核心内容。
一般的车牌识别系统需要依靠高清的摄像头进行车辆图像的拍摄，一旦摄像头本身的清晰不够高，再加上恶劣天气的影响，对违法超限运输车辆的车牌识别的准确度将造成极大的影响，可能会出现误识别或不识别的情况出现。
发明内容
本申请实施例提供了一种车牌识别方法及装置，解决了摄像头清晰度不高，再加上恶劣天气的影响，对违法超限运输车辆的车牌识别的准确度将造成极大的影响，可能会出现误识别或不识别的情况出现的技术问题。
有鉴于此，本申请第一方面提供了一种车牌识别方法，所述方法包括：
获取包含车牌的车辆图像；
对存在雾霾的所述车辆图像通过暗原色先验法进行去雾处理；
基于颜色信息和边缘信息对所述车辆图像进行车牌定位，提取车牌图像；
利用垂直投影分析法对所述车牌图像进行字符分割，得到字符图像；
通过预置神经网络模型对所述字符图像进行字符识别，得到所述车牌的车牌号。
可选地，所述获取包含车牌的车辆图像之后，所述对存在雾霾的所述车辆图像通过暗原色先验法进行去雾处理之前还包括：
通过基于主成分分析和Fisher线性判别分析的分类器对所述车辆图像进行检测，判断所述车辆图像是否存在雾霾。
可选地，所述基于颜色信息和边缘信息对所述车辆图像进行车牌定位，提取车牌图像具体包括：
将所述车辆图像转换为HSV模型，并利用直方图均衡对所述车辆图像进行预处理；
将转换为HSV模型的所述车辆图像进行二值化和形态学处理，确定所述车辆图像的车牌区域。
可选地，所述利用垂直投影分析法对所述车牌图像进行字符分割，得到字符图像具体包括：
通过比对所述车牌图像中的子图像长度来获取最长子图像；
当所述最长子图像的长度大于预设阈值时，对所述最长子图像作投影；
采用二分法分割所述最长子图像，得到两个子图像；
将所述两个子图像与所述车牌图像的子图像结合重新排序后，返回重新比对所述车牌图像中的子图像长度，直到所述最长子图像的长度小于所述预设阈值。
可选地，所述通过预置神经网络模型对所述字符图像进行字符识别，得到所述车牌的车牌号具体包括：
将所述字符图像进行归一化处理，并计算所述字符图像的特征向量；
将所述特征向量作为预置神经网络模型的输入层，得到所述预置神经网络输出的所述字符图像对应的号码。
本申请第二方面提供一种车牌识别装置，所述装置包括：
获取单元，用于获取包含车牌的车辆图像；
去雾单元，用于对存在雾霾的所述车辆图像通过暗原色先验法进行去雾处理；
定位单元，用于基于颜色信息和边缘信息对所述车辆图像进行车牌定位，提取车牌图像；
分割单元，用于利用垂直投影分析法对所述车牌图像进行字符分割，得到字符图像；
识别单元，用于通过预置神经网络模型对所述字符图像进行字符识别，得到所述车牌的车牌号。
可选地，还包括：
判断单元，用于通过基于主成分分析和Fisher线性判别分析的分类器对所述车辆图像进行检测，判断所述车辆图像是否存在雾霾。
可选地，所述定位单元具体用于：
将所述车辆图像转换为HSV模型，并利用直方图均衡对所述车辆图像进行预处理；
将转换为HSV模型的所述车辆图像进行二值化和形态学处理，确定所述车辆图像的车牌区域。
可选地，所述分割单元具体具体用于：
通过比对所述车牌图像中的子图像长度来获取最长子图像；
当所述最长子图像的长度大于预设阈值时，对所述最长子图像作投影；
采用二分法分割所述最长子图像，得到两个子图像；
将所述两个子图像与所述车牌图像的子图像结合重新排序后，返回重新比对所述车牌图像中的子图像长度，直到所述最长子图像的长度小于所述预设阈值。
可选地，所述识别单元具体用于：
将所述字符图像进行归一化处理，并计算所述字符图像的特征向量；
将所述特征向量作为预置神经网络模型的输入层，得到所述预置神经网络输出的所述字符图像对应的号码。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例中，提供了一种车牌识别方法，通过对存在雾霾的车辆图像进行暗原色先验法进行去雾处理，并基于颜色信息和边缘信息对车牌图像中的车牌区域进行定位，再利用垂直投影分析法对车牌图像中的字符进行分割，最后利用神经网络模型进行字符识别，使得在复杂环境下拍摄的车辆图像也能够进行准确快速地识别，解决了摄像头清晰度不高，再加上恶劣天气的影响，对违法超限运输车辆的车牌识别的准确度将造成极大的影响，可能会出现误识别或不识别的情况出现的技术问题。
附图说明
图1为本申请实施例中一种车牌识别方法的一个方法流程图；
图2为本申请实施例中一种车牌识别方法的另一个方法流程图；
图3为本申请实施例中一种车牌识别装置的一个结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请设计了一种车牌识别方法及装置，解决了摄像头清晰度不高，再加上恶劣天气的影响，对违法超限运输车辆的车牌识别的准确度将造成极大的影响，可能会出现误识别或不识别的情况出现的技术问题。
为了便于理解，请参阅图1，图1为本申请实施例中一种车牌识别法的方法流程图，如图1所示，具体为：
101、获取包含车牌的车辆图像；
102、对存在雾霾的所述车辆图像通过暗原色先验法进行去雾处理；
103、基于颜色信息和边缘信息对所述车辆图像进行车牌定位，提取车牌图像；
104、利用垂直投影分析法对所述车牌图像进行字符分割，得到字符图像；
105、通过预置神经网络模型对所述字符图像进行字符识别，得到所述车牌的车牌号。
本申请实施例中，提供了一种车牌识别方法，通过对存在雾霾的车辆图像进行暗原色先验法进行去雾处理，并基于颜色信息和边缘信息对车牌图像中的车牌区域进行定位，再利用垂直投影分析法对车牌图像中的字符进行分割，最后利用神经网络模型进行字符识别，使得在复杂环境下拍摄的车辆图像也能够进行准确快速地识别，解决了摄像头清晰度不高，再加上恶劣天气的影响，对违法超限运输车辆的车牌识别的准确度将造成极大的影响，可能会出现误识别或不识别的情况出现的技术问题。
请参阅图2，图2为本申请实施例中XX方法的方法流程图，如图2所示，具体为：
201、获取包含车牌的车辆图像；
202、通过基于主成分分析和Fisher线性判别分析的分类器对所述车辆图像进行检测，判断所述车辆图像是否存在雾霾；
需要说明的是，基于主成分分析和Fisher线性判别分析的分类器常被用于人脸图像识别，在本申请实施例中用于雾霾检测。由于雾霾会使得车辆图像变得模糊，对车辆图像进行滤波处理，分析车辆图像的功率谱，存在雾霾的车辆图片的频谱在原点附近集中，也就是低频分量较多，而正常天气的车辆图像较为发散。
203、对存在雾霾的所述车辆图像通过暗原色先验法进行去雾处理；
需要说明的是，对存在雾霾的车辆图像将采取基于暗原色先验去雾处理，可以将车辆图像的清晰度得到有效提高。
204、将所述车辆图像转换为HSV模型，并利用直方图均衡对所述车辆图像进行预处理；
需要说明的是，拍摄的车辆图像的颜色空间为RGB，需要将车辆图像转换为HSV模型，并考虑到光照等环境因素，利用直方图均衡对车辆图像进行预处理。
205、将转换为HSV模型的所述车辆图像进行二值化和形态学处理，确定所述车辆图像的车牌区域；
需要说明的是，对转换为HSV模型的车辆图像的每个像素进行0、1标识，即二值化处理，当像素S值与V值在0.4～1.0之间，且H值在200～280之间则标记0，否则标记为1。
将得到的二值化图像通过形态学操作中的闭操作进行处理，将二值化后的图像中的小白块连接到一起，这样车牌上字符形成的小白块就会形成一个车牌的大致轮廓，确定车辆图像的车牌区域。
206、通过比对所述车牌图像中的子图像长度来获取最长子图像；
需要说明的是，将车牌图像分割出来的每部分图像成为车牌图像的子图像，长度最大的子图像为最长子图像，对最长子图像用投影的方法找到分割的阈值点后，再以这个点为分割点把车牌字符分割为两部分，即两个子图像。具体地，首先通过对每个子图像的长度对比，可以获得长度最长的最长子图像，并得到其长度。一开始将车牌图像作为最长子图像。
207、当所述最长子图像的长度大于预设阈值时，对所述最长子图像作投影；
需要说明的是，预设阈值是为了对确定最长子图像是否需要继续分割而设置的。
208、采用二分法分割所述最长子图像，得到两个子图像；
209、将所述两个子图像与所述车牌图像的子图像结合重新排序后，返回重新比对所述车牌图像中的子图像长度，直到所述最长子图像的长度小于所述预设阈值；
210、将所述字符图像进行归一化处理，并计算所述字符图像的特征向量；
211、将所述特征向量作为预置神经网络模型的输入层，得到所述预置神经网络输出的所述字符图像对应的号码。
请参阅图3，图3为本申请实施例中XX方法的方法流程图，如图3所示，具体为：
获取单元301，用于获取包含车牌的车辆图像；
判断单元302，用于通过基于主成分分析和Fisher线性判别分析的分类器对所述车辆图像进行检测，判断所述车辆图像是否存在雾霾；
去雾单元303，用于对存在雾霾的所述车辆图像通过暗原色先验法进行去雾处理；
定位单元304，用于基于颜色信息和边缘信息对所述车辆图像进行车牌定位，提取车牌图像；
所述定位单元304具体用于：
将所述车辆图像转换为HSV模型，并利用直方图均衡对所述车辆图像进行预处理；
将转换为HSV模型的所述车辆图像进行二值化和形态学处理，确定所述车辆图像的车牌区域；
分割单元305，用于利用垂直投影分析法对所述车牌图像进行字符分割，得到字符图像；
所述分割单元305具体具体用于：
通过比对所述车牌图像中的子图像长度来获取最长子图像；
当所述最长子图像的长度大于预设阈值时，对所述最长子图像作投影；
采用二分法分割所述最长子图像，得到两个子图像；
将所述两个子图像与所述车牌图像的子图像结合重新排序后，返回重新比对所述车牌图像中的子图像长度，直到所述最长子图像的长度小于所述预设阈值；
识别单元306，用于通过预置神经网络模型对所述字符图像进行字符识别，得到所述车牌的车牌号；
所述识别单元306具体用于：
将所述字符图像进行归一化处理，并计算所述字符图像的特征向量；
将所述特征向量作为预置神经网络模型的输入层，得到所述预置神经网络输出的所述字符图像对应的号码。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，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单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种车牌识别方法，其特征在于，包括：
获取包含车牌的车辆图像；
对存在雾霾的所述车辆图像通过暗原色先验法进行去雾处理；
基于颜色信息和边缘信息对所述车辆图像进行车牌定位，提取车牌图像；
利用垂直投影分析法对所述车牌图像进行字符分割，得到字符图像；
通过预置神经网络模型对所述字符图像进行字符识别，得到所述车牌的车牌号。
2.根据权利要求1所述的车牌识别方法，其特征在于，所述获取包含车牌的车辆图像之后，所述对存在雾霾的所述车辆图像通过暗原色先验法进行去雾处理之前还包括：
通过基于主成分分析和Fisher线性判别分析的分类器对所述车辆图像进行检测，判断所述车辆图像是否存在雾霾。
3.根据权利要求1所述的车牌识别方法，其特征在于，所述基于颜色信息和边缘信息对所述车辆图像进行车牌定位，提取车牌图像具体包括：
将所述车辆图像转换为HSV模型，并利用直方图均衡对所述车辆图像进行预处理；
将转换为HSV模型的所述车辆图像进行二值化和形态学处理，确定所述车辆图像的车牌区域。
4.根据权利要求1所述的车牌识别方法，其特征在于，所述利用垂直投影分析法对所述车牌图像进行字符分割，得到字符图像具体包括：
通过比对所述车牌图像中的子图像长度来获取最长子图像；
当所述最长子图像的长度大于预设阈值时，对所述最长子图像作投影；
采用二分法分割所述最长子图像，得到两个子图像；
将所述两个子图像与所述车牌图像的子图像结合重新排序后，返回重新比对所述车牌图像中的子图像长度，直到所述最长子图像的长度小于所述预设阈值。
5.根据权利要求1所述的车牌识别方法，其特征在于，所述通过预置神经网络模型对所述字符图像进行字符识别，得到所述车牌的车牌号具体包括：
将所述字符图像进行归一化处理，并计算所述字符图像的特征向量；
将所述特征向量作为预置神经网络模型的输入层，得到所述预置神经网络输出的所述字符图像对应的号码。
6.一种车牌识别装置，其特征在于，包括：
获取单元，用于获取包含车牌的车辆图像；
去雾单元，用于对存在雾霾的所述车辆图像通过暗原色先验法进行去雾处理；
定位单元，用于基于颜色信息和边缘信息对所述车辆图像进行车牌定位，提取车牌图像；
分割单元，用于利用垂直投影分析法对所述车牌图像进行字符分割，得到字符图像；
识别单元，用于通过预置神经网络模型对所述字符图像进行字符识别，得到所述车牌的车牌号。
7.根据权利要求6所述的车牌识别装置，其特征在于，还包括：
判断单元，用于通过基于主成分分析和Fisher线性判别分析的分类器对所述车辆图像进行检测，判断所述车辆图像是否存在雾霾。
8.根据权利要求6所述的车牌识别装置，其特征在于，所述定位单元具体用于：
将所述车辆图像转换为HSV模型，并利用直方图均衡对所述车辆图像进行预处理；
将转换为HSV模型的所述车辆图像进行二值化和形态学处理，确定所述车辆图像的车牌区域。
9.根据权利要求6所述的车牌识别装置，其特征在于，所述分割单元具体具体用于：
通过比对所述车牌图像中的子图像长度来获取最长子图像；
当所述最长子图像的长度大于预设阈值时，对所述最长子图像作投影；
采用二分法分割所述最长子图像，得到两个子图像；
将所述两个子图像与所述车牌图像的子图像结合重新排序后，返回重新比对所述车牌图像中的子图像长度，直到所述最长子图像的长度小于所述预设阈值。
10.根据权利要求6所述的车牌识别装置，其特征在于，所述识别单元具体用于：
将所述字符图像进行归一化处理，并计算所述字符图像的特征向量；
将所述特征向量作为预置神经网络模型的输入层，得到所述预置神经网络输出的所述字符图像对应的号码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910691307.3A CN110378317A (zh) | 2019-07-29 | 2019-07-29 | 一种车牌识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910691307.3A CN110378317A (zh) | 2019-07-29 | 2019-07-29 | 一种车牌识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110378317A true CN110378317A (zh) | 2019-10-25 |
Family
ID=68256946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910691307.3A Pending CN110378317A (zh) | 2019-07-29 | 2019-07-29 | 一种车牌识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378317A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582263A (zh) * | 2020-05-12 | 2020-08-25 | 上海眼控科技股份有限公司 | 车牌识别方法、装置、电子设备及存储介质 |
| CN111639645A (zh) * | 2020-06-03 | 2020-09-08 | 北京首汽智行科技有限公司 | 一种车牌号识别方法 |
| CN112085023A (zh) * | 2020-09-14 | 2020-12-15 | 重庆紫光华山智安科技有限公司 | 基于红外成像的机动车牌照识别方法、系统、介质及终端 |
| CN113723316A (zh) * | 2021-09-01 | 2021-11-30 | 杭州智诚惠通科技有限公司 | 一种车辆识别方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364010A (zh) * | 2018-03-08 | 2018-08-03 | 广东工业大学 | 一种车牌识别方法、装置、设备及计算机可读存储介质 |
| CN108734189A (zh) * | 2017-04-20 | 2018-11-02 | 天津工业大学 | 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 |
-
2019
- 2019-07-29 CN CN201910691307.3A patent/CN110378317A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734189A (zh) * | 2017-04-20 | 2018-11-02 | 天津工业大学 | 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 |
| CN108364010A (zh) * | 2018-03-08 | 2018-08-03 | 广东工业大学 | 一种车牌识别方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 沈庭芝: "《数字图像处理及模式识别 第2版》", 31 July 2007, 北京理工大学出版社 * |
| 郑顾平: "基于机器学习的多车牌识别算法应用研究", 《计算机技术与发展》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582263A (zh) * | 2020-05-12 | 2020-08-25 | 上海眼控科技股份有限公司 | 车牌识别方法、装置、电子设备及存储介质 |
| CN111639645A (zh) * | 2020-06-03 | 2020-09-08 | 北京首汽智行科技有限公司 | 一种车牌号识别方法 |
| CN112085023A (zh) * | 2020-09-14 | 2020-12-15 | 重庆紫光华山智安科技有限公司 | 基于红外成像的机动车牌照识别方法、系统、介质及终端 |
| CN113723316A (zh) * | 2021-09-01 | 2021-11-30 | 杭州智诚惠通科技有限公司 | 一种车辆识别方法、装置、设备及存储介质 |
| CN113723316B (zh) * | 2021-09-01 | 2024-04-16 | 杭州智诚惠通科技有限公司 | 一种车辆识别方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hsu et al. | Application-oriented license plate recognition | |
| CN110378317A (zh) | 一种车牌识别方法及装置 | |
| Gudigar et al. | A review on automatic detection and recognition of traffic sign | |
| Greenhalgh et al. | Real-time detection and recognition of road traffic signs | |
| US9245203B2 (en) | Collecting information relating to identity parameters of a vehicle | |
| CN104392205B (zh) | 一种非正常车牌的识别方法和系统 | |
| Abdullah et al. | YOLO-based three-stage network for Bangla license plate recognition in Dhaka metropolitan city | |
| Peng et al. | Vehicle type classification using PCA with self-clustering | |
| CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
| Chourasia et al. | Centroid based detection algorithm for hybrid traffic sign recognition system | |
| CN104899586A (zh) | 对图像中包含的文字内容进行识别方法及装置 | |
| Zhong et al. | Learning to tell brake lights with convolutional features | |
| Abedin et al. | Traffic sign recognition using surf: Speeded up robust feature descriptor and artificial neural network classifier | |
| Czyżewski et al. | Multi-stage video analysis framework | |
| CN108664969A (zh) | 基于条件随机场的路标识别方法 | |
| Zhang et al. | Automatic detection of road traffic signs from natural scene images based on pixel vector and central projected shape feature | |
| Gao et al. | On‐line vehicle detection at nighttime‐based tail‐light pairing with saliency detection in the multi‐lane intersection | |
| Elbamby et al. | Real-time automatic multi-style license plate detection in videos | |
| CN108537223A (zh) | 一种车牌检测方法、系统及设备和存储介质 | |
| CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别系统及方法 | |
| CN109255052B (zh) | 一种基于多特征的三阶段车辆检索方法 | |
| Agrawal et al. | Automatic traffic sign detection and recognition using moment invariants and support vector machine | |
| Chaturvedi et al. | Automatic license plate recognition system using surf features and rbf neural network | |
| CN111814562A (zh) | 车辆的识别方法、车辆识别模型的训练方法及相关装置 | |
| Lafuente-Arroyo et al. | Traffic sign classification invariant to rotations using support vector machines |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |