CN110399880A - 一种车牌字符及车牌类别的识别方法、装置及设备 - Google Patents

一种车牌字符及车牌类别的识别方法、装置及设备 Download PDF

Info

Publication number
CN110399880A
CN110399880A CN201910704016.3A CN201910704016A CN110399880A CN 110399880 A CN110399880 A CN 110399880A CN 201910704016 A CN201910704016 A CN 201910704016A CN 110399880 A CN110399880 A CN 110399880A
Authority
CN
China
Prior art keywords
license plate
identification
characters
layer
image
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
Application number
CN201910704016.3A
Other languages
English (en)
Inventor
唐健
李力
王浩
吴喆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Jieshun Science and Technology Industry Co Ltd
Original Assignee
Shenzhen Jieshun Science and Technology Industry Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Jieshun Science and Technology Industry Co Ltd filed Critical Shenzhen Jieshun Science and Technology Industry Co Ltd
Priority to CN201910704016.3A priority Critical patent/CN110399880A/zh
Publication of CN110399880A publication Critical patent/CN110399880A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V30/10—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Character Input (AREA)
  • Vehicle Waterproofing, Decoration, And Sanitation Devices (AREA)

Abstract

本申请公开了一种车牌字符及车牌类型的识别方法、装置、设备及可读存储介质，方案包括：获取车牌图像；将车牌图像输入预先经过训练的基于SqueezeNet的识别模型，得到车牌字符识别结果和车牌类型识别结果。该方案利用基于SqueezeNet的识别模型实现对车牌字符和车牌类型的识别，上述识别模型中设置有多个批标准化层，因此能够加快网络收敛，并提升模型的泛化能力；同时SqueezeNet中的Fire结构能够减少计算量，从而减少识别耗时。此外，识别模型包括两个输出分支，针对相对简单的车牌类型识别过程，通过第二输出层利用较低层的特征来进行车牌类型识别，减少了网络的复杂度，提升了识别效率。

Description

一种车牌字符及车牌类别的识别方法、装置及设备
技术领域
本申请涉及计算机技术领域，特别涉及一种车牌字符及车牌类型的识别方法、装置、设备及可读存储介质。
背景技术
随着汽车保有量的增加，由此带来的拥堵、停车难问题越发严重，目前车牌识别技术已经应用到城市道路、高速公路以及停车场等，由于环境影响、车牌破损以及车牌类型多等问题，如何快速准确的识别车牌也是目前的一大挑战。
传统车牌识别方法虽然具备一定的识别率，但是过程繁琐，需要经过车牌区域检测、车牌字符分割以及车牌字符识别等过程，识别过程需要考虑多种情况，车牌颜色不同，车牌字符个数不同，某些情况还需要车牌类型信息，同时导致识别过程耗时较长，识别效率较低。
可见，如何提高一种车牌识别方法，减少识别过程耗时，提升识别效率，是亟待本领域技术人员解决的问题。
发明内容
本申请的目的是提供一种车牌字符及车牌类型的识别方法、装置、设备及可读存储介质，用以解决传统车牌识别方案的识别过程耗时较长，识别效率较低的问题。具体方案如下：
第一方面，本申请提供了一种车牌字符及车牌类型的识别方法，包括：
获取车牌图像；
将所述车牌图像输入预先经过训练的基于SqueezeNet的识别模型，得到车牌字符识别结果和车牌类型识别结果；
其中，所述识别模型包括输入层、特征提取层和第一输出层和第二输出层；所述输入层包括顺次连接的卷积层、批标准化层和激活层；所述特征提取层包括多个预设模块，所述预设模块包括顺次连接的Fire结构、批标准化层和激活层；所述第一输出层用于输出所述车牌字符识别结果；所述第二输出层用于输出所述车牌类型识别结果。
优选的，所述获取车牌图像，包括：
获取原始图像；
对所述原始图像进行目标识别，得到所述原始图像中车牌图像的坐标数据；
根据所述坐标数据，对所述原始图像进行裁剪，得到所述车牌图像。
优选的，所述根据所述坐标数据，对所述原始图像进行裁剪，得到所述车牌图像，包括：
根据所述坐标数据，对所述原始图像进行裁剪；
将裁剪得到的图像转换为预设尺寸的RGB图像，以作为所述车牌图像。
优选的，所述第一输出层包括8个softmax层，所述第二分支包括全局平均池化层。
优选的，在所述车牌图像中的字符数量少于8时，与缺位字符对应的softmax层用于输出预设缺位符号。
优选的，在所述将所述车牌图像输入预先经过训练的基于SqueezeNet的识别模型之前，还包括：
将预设训练集中的训练样本输入所述识别模型，得到训练过程中的车牌字符识别结果和车牌类型识别结果；
根据所述训练过程中的车牌字符识别结果和车牌类型识别结果、预先设置的所述softmax层的第一损失权重和所述全局平均池化层的第二损失权重，确定损失值；
根据所述损失值对所述识别模型的模型参数进行调整，直至达到训练终止条件，以完成所述识别模型的训练。
优选的，所述第一损失权重大于所述第二损失权重。
第二方面，本申请提供了一种车牌字符及车牌类型的识别装置，包括：
图像获取模块：用于获取车牌图像；
识别模块：用于将所述车牌图像输入预先经过训练的基于SqueezeNet的识别模型，得到车牌字符识别结果和车牌类型识别结果；
其中，所述识别模型包括输入层、特征提取层和第一输出层和第二输出层；所述输入层包括顺次连接的卷积层、批标准化层和激活层；所述特征提取层包括多个预设模块，所述预设模块包括顺次连接的Fire结构、批标准化层和激活层；所述第一输出层用于输出所述车牌字符识别结果；所述第二输出层用于输出所述车牌类型识别结果。
第三方面，本申请提供了一种车牌字符及车牌类型的识别设备，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序，以实现如上所述的一种车牌字符及车牌类型的识别方法的步骤。
第四方面，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的一种车牌字符及车牌类型的识别方法的步骤。
本申请所提供的一种车牌字符及车牌类型的识别方法、装置、设备及可读存储介质，方案包括：获取车牌图像；将车牌图像输入预先经过训练的基于SqueezeNet的识别模型，得到车牌字符识别结果和车牌类型识别结果；其中，识别模型包括输入层、特征提取层和第一输出层和第二输出层；输入层包括顺次连接的卷积层、批标准化层和激活层；特征提取层包括多个预设模块，预设模块包括顺次连接的Fire结构、批标准化层和激活层；第一输出层用于输出所述车牌字符识别结果；第二输出层用于输出所述车牌类型识别结果。
可见，该方案利用基于SqueezeNet的识别模型实现对车牌字符和车牌类型的识别，该过程是一种完全的端到端识别过程，支持不同长度车牌字符的识别，避免了复杂传统字符分割、识别等繁琐过程，由于上述识别模型中设置有多个批标准化层，因此能够加快网络收敛，并提升模型的泛化能力；同时SqueezeNet中的Fire结构能够减少计算量，从而减少识别耗时，且支持复杂环境的车牌字符识别及车牌类型识别。此外，识别模型包括两个输出分支，针对相对简单的车牌类型识别过程，通过第二输出层利用较低层的特征来进行车牌类型识别，减少了网络的复杂度，提升了识别效率。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请所提供的一种车牌字符及车牌类型的识别方法实施例一的实现流程图；
图2为本申请所提供的一种车牌字符及车牌类型的识别方法实施例一中识别模型的结构示意图；
图3为本申请所提供的一种车牌字符及车牌类型的识别方法实施例一中Fire结构的示意图；
图4为本申请所提供的一种车牌字符及车牌类型的识别方法实施例二的实现流程图；
图5为本申请所提供的一种车牌字符及车牌类型的识别方法实施例二中S401的实现流程图；
图6为本申请所提供的一种车牌字符及车牌类型的识别装置实施例的功能框图；
图7为本申请所提供的一种车牌字符及车牌类型的识别设备实施例的结构示意图。
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，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅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。
目前，车牌识别技术已经越来越重要。传统车牌识别方法的过程繁琐，耗时较长，且在不同车牌颜色和不同车牌字符数量的情况下，易受环境影响而导致识别率较低。针对该问题，本申请提供一种车牌字符及车牌类型的识别方法、装置、设备及可读存储介质，实现了同时识别车牌字符和车牌类型的目的，减少了识别过程耗时，提升了识别效率。
下面对本申请提供的一种车牌字符及车牌类型的识别方法实施例一进行介绍，参见图1，实施例一包括：
S101、获取车牌图像；
S102、将所述车牌图像输入预先经过训练的基于SqueezeNet的识别模型，得到车牌字符识别结果和车牌类型识别结果；
其中，所述识别模型包括输入层、特征提取层和第一输出层和第二输出层；所述输入层包括顺次连接的卷积层、批标准化层和激活层；所述特征提取层包括多个预设模块，所述预设模块包括顺次连接的Fire结构、批标准化层和激活层；所述第一输出层用于输出所述车牌字符识别结果；所述第二输出层用于输出所述车牌类型识别结果。
上述识别模型为端到端的深度学习模型，即在输入车牌图像后，可以直接得到车牌字符识别结果和车牌类型识别结果，而不用去关心中间的结果。
参见图2，本实施例中识别模型的结构包括：网络输入为车牌图像，首先，经过输入层，输入层具体包括卷积层(Conv1)、批标准化(BN)、激活层(RELU)以及最大池化层(Pooling1)；然后，经过特征提取层，包括串联的9个预设模块和3个最大池化层(Pooling2、Pooling3、Pooling4)，预设模块具体包括顺次连接的Fire结构(Fire1至Fire9中的任意一个)、批标准化层和激活层；再然后，经过第一输出层，包括卷基层(Conv2)、激活层、8个卷积层(Conv4_i，i对应车牌字符的第几位)和8个softmax层；除此之外，还包括第二输出层，具体从第三个池化层(Pooling3)之后连接一个分支，该分支包括预设模块、一个卷基层、激活层、全局平均池化层(AVE Pooling)，预设模块包括顺次连接的Fire结构(Fire_t)、批标准化层和激活层。
由于车牌字符数量最大为8个字符，因此网络最后连接8个卷积层和8个softmax层，用于输出8个结果。具体的，8个卷积层中的每个卷积核大小都为1xN的卷积，N为第二卷积层(Conv2)和激活层输出的特征图宽的大小，因此能够考虑上下文信息，网络能够学到各个字符的相互关系。值得一提的是，当车牌字符数量为7时，设定最后一个softmax层输出的结果为空字符，在检测到8个结果中某一位结果为空字符时，则从识别结果中去掉，最终得到车牌字符识别结果。
上述全局平均池化层用于输出车牌类型识别结果，车牌类别识别结果包括但不限于：蓝牌、黄牌、新能源牌、粤港澳牌、警牌、武警牌、领事馆牌、大使馆牌、军牌。本实施例考虑到车牌类型识别过程并不是复杂的任务，因此第二输出层连接在第三个池化层后，运用较低层的特征来进行车牌类型识别，减少网络的复杂度。
上述Fire结构为SqueezeNet的基本单元，能够高效的提取特征，同时减少计算量。Fire结构的基本结构如图3所示，主要包含两层卷积操作：一是采用1x1卷积核的Squeeze层；二是混合使用1x1和3x3卷积核的expand层。
本实施例所提供一种车牌字符及车牌类型的识别方法包括：获取车牌图像；将车牌图像输入预先经过训练的基于SqueezeNet的识别模型，得到车牌字符识别结果和车牌类型识别结果。可见，本实施例利用基于SqueezeNet的识别模型实现对车牌字符和车牌类型的识别，该过程是一种完全的端到端识别过程，支持不同长度车牌字符的识别，避免了复杂传统字符分割、识别等繁琐过程，由于上述识别模型中设置有多个批标准化层，因此能够加快网络收敛，并提升模型的泛化能力；同时SqueezeNet中的Fire结构能够减少计算量，从而减少识别耗时，此外支持复杂环境的车牌字符识别及车牌类型识别。最后，识别模型包括两个输出分支，针对相对简单的车牌类型识别过程，通过第二输出层利用较低层的特征来进行车牌类型识别，减少了网络的复杂度，提升了识别效率。
下面开始详细介绍本申请提供的一种车牌字符及车牌类型的识别方法实施例二，实施例二基于上述实施例一实现，并在实施例一的基础上进行了一定程度上的拓展。
参见图4，实施例二具体包括：
S401、对基于SqueezeNet的识别模型进行训练；
S402、获取原始图像；
S403、对所述原始图像进行目标识别，得到所述原始图像中车牌图像的坐标数据；
S404、根据所述坐标数据，对所述原始图像进行裁剪；
S405、将裁剪得到的图像转换为预设尺寸的RGB图像，以作为所述车牌图像；
S406、将所述车牌图像输入训练完成的基于SqueezeNet的识别模型，得到车牌字符识别结果和车牌类型识别结果；
其中，所述识别模型包括输入层、特征提取层和第一输出层和第二输出层；所述输入层包括顺次连接的卷积层、批标准化层和激活层；所述特征提取层包括多个预设模块，所述预设模块包括顺次连接的Fire结构、批标准化层和激活层；所述第一输出层用于输出所述车牌字符识别结果；所述第二输出层用于输出所述车牌类型识别结果。
上述预设尺寸具体可以为预先设定的W和H，其中W和H分别为车牌区域的长和高。作为一种优选的实施方式，在确定车牌的坐标数据后，根据车牌坐标数据对车牌的左右边界按照零到车牌宽度的十分之一的范围内进行随机扩充，最终得到RGB格式的彩色图像，作为识别模型的输入，使识别模型能够更好的识别分析车牌图像。
具体的，参见图5，实施例二的S401具体包括以下步骤：
S501、将预设训练集中的训练样本输入所述识别模型，得到训练过程中的车牌字符识别结果和车牌类型识别结果；
S502、根据所述训练过程中的车牌字符识别结果和车牌类型识别结果、预先设置的所述softmax层的第一损失权重和所述全局平均池化层的第二损失权重，确定损失值；
S503、根据所述损失值对所述识别模型的模型参数进行调整，直至达到训练终止条件，以完成所述识别模型的训练。
具体的，为保证识别模型的泛化能力，采集不同环境、不同角度、不同模糊度的车牌样本作为训练样本。对于不同类型的车牌制作样本标签，由于目前车牌字符数数量最多为8，因此设置标签的过程包括以下两种情况：若样本车牌字符个数少于8个，则在最后加入特殊字符凑齐8个字符，并且再对应一个车牌类型标签；若样本车牌字符数量等于8个，则不需加入特殊字符，只对应一个车牌类型标签。
将训练样本输入识别模型，同时训练车牌识别任务以及车牌类型识别任务，车牌识别任务最后接8个softmax，因此对应8个loss；车牌类型识别只有一个loss，车牌类型识别任务相对车牌识别任务较容易，因此识别模型的总的loss中，为车牌类型识别的loss分配相对较小的权重，并未车牌识别loss分配相对较大的权重，以此方式进行训练。也就是说，作为一种优选的实施方式，上述第一损失权重大于上述第二损失权重。
本实施例提供一种车牌字符及车牌类型的识别方法，支持同时识别车牌字符和车牌类型，过程包括：基于车牌检测算法检测出车牌区域，然后将包含车牌区域的图像调整到预设尺寸且为RGB格式的彩色图像，然后将调整后的车牌图像输入基于SqueezeNet的识别模型，模型经过识别后直接输出车牌字符识别结果和车牌类型识别结果，识别准确率高，速度快。
下面对本申请实施例提供的一种车牌字符及车牌类型的识别装置进行介绍，下文描述的一种车牌字符及车牌类型的识别装置与上文描述的一种车牌字符及车牌类型的识别方法可相互对应参照。
参见图6，该装置包括：
图像获取模块601：用于获取车牌图像；
识别模块602：用于将所述车牌图像输入预先经过训练的基于SqueezeNet的识别模型，得到车牌字符识别结果和车牌类型识别结果；
其中，所述识别模型包括输入层、特征提取层和第一输出层和第二输出层；所述输入层包括顺次连接的卷积层、批标准化层和激活层；所述特征提取层包括多个预设模块，所述预设模块包括顺次连接的Fire结构、批标准化层和激活层；所述第一输出层用于输出所述车牌字符识别结果；所述第二输出层用于输出所述车牌类型识别结果。
本实施例的车牌字符及车牌类型的识别装置用于实现前述的车牌字符及车牌类型的识别方法，因此该装置中的具体实施方式可见前文中的车牌字符及车牌类型的识别方法的实施例部分，例如，图像获取模块601、识别模块602，分别用于实现上述车牌字符及车牌类型的识别方法中步骤S101，S102。所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的车牌字符及车牌类型的识别装置用于实现前述的车牌字符及车牌类型的识别方法，因此其作用与上述方法的作用相对应，这里不再赘述。
此外，本申请还提供了一种车牌字符及车牌类型的识别设备，如图7所示，包括：
存储器100：用于存储计算机程序；
处理器200：用于执行所述计算机程序，以实现如上所述的一种车牌字符及车牌类型的识别方法的步骤。
最后，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的一种车牌字符及车牌类型的识别方法的步骤。
本实施例的车牌字符及车牌类型的识别设备、可读存储介质用于实现前述的车牌字符及车牌类型的识别方法，因此该设备、可读存储介质的具体实施方式可见前文中的车牌字符及车牌类型的识别方法的实施例部分，且二者的作用与前述方法实施例的作用相对应，这里不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种车牌字符及车牌类型的识别方法，其特征在于，包括：
获取车牌图像；
将所述车牌图像输入预先经过训练的基于SqueezeNet的识别模型，得到车牌字符识别结果和车牌类型识别结果；
其中，所述识别模型包括输入层、特征提取层和第一输出层和第二输出层；所述输入层包括顺次连接的卷积层、批标准化层和激活层；所述特征提取层包括多个预设模块，所述预设模块包括顺次连接的Fire结构、批标准化层和激活层；所述第一输出层用于输出所述车牌字符识别结果；所述第二输出层用于输出所述车牌类型识别结果。
2.如权利要求1所述的方法，其特征在于，所述获取车牌图像，包括：
获取原始图像；
对所述原始图像进行目标识别，得到所述原始图像中车牌图像的坐标数据；
根据所述坐标数据，对所述原始图像进行裁剪，得到所述车牌图像。
3.如权利要求2所述的方法，其特征在于，所述根据所述坐标数据，对所述原始图像进行裁剪，得到所述车牌图像，包括：
根据所述坐标数据，对所述原始图像进行裁剪；
将裁剪得到的图像转换为预设尺寸的RGB图像，以作为所述车牌图像。
4.如权利要求1所述的方法，其特征在于，所述第一输出层包括8个softmax层，所述第二分支包括全局平均池化层。
5.如权利要求4所述的方法，其特征在于，在所述车牌图像中的字符数量少于8时，与缺位字符对应的softmax层用于输出预设缺位符号。
6.如权利要求4所述的方法，其特征在于，在所述将所述车牌图像输入预先经过训练的基于SqueezeNet的识别模型之前，还包括：
将预设训练集中的训练样本输入所述识别模型，得到训练过程中的车牌字符识别结果和车牌类型识别结果；
根据所述训练过程中的车牌字符识别结果和车牌类型识别结果、预先设置的所述softmax层的第一损失权重和所述全局平均池化层的第二损失权重，确定损失值；
根据所述损失值对所述识别模型的模型参数进行调整，直至达到训练终止条件，以完成所述识别模型的训练。
7.如权利要求6所述的方法，其特征在于，所述第一损失权重大于所述第二损失权重。
8.一种车牌字符及车牌类型的识别装置，其特征在于，包括：
图像获取模块：用于获取车牌图像；
识别模块：用于将所述车牌图像输入预先经过训练的基于SqueezeNet的识别模型，得到车牌字符识别结果和车牌类型识别结果；
其中，所述识别模型包括输入层、特征提取层和第一输出层和第二输出层；所述输入层包括顺次连接的卷积层、批标准化层和激活层；所述特征提取层包括多个预设模块，所述预设模块包括顺次连接的Fire结构、批标准化层和激活层；所述第一输出层用于输出所述车牌字符识别结果；所述第二输出层用于输出所述车牌类型识别结果。
9.一种车牌字符及车牌类型的识别设备，其特征在于，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序，以实现如权利要求1-7任意一项所述的一种车牌字符及车牌类型的识别方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如权利要求1-7任意一项所述的一种车牌字符及车牌类型的识别方法的步骤。
CN201910704016.3A 2019-07-31 2019-07-31 一种车牌字符及车牌类别的识别方法、装置及设备 Pending CN110399880A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910704016.3A CN110399880A (zh) 2019-07-31 2019-07-31 一种车牌字符及车牌类别的识别方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910704016.3A CN110399880A (zh) 2019-07-31 2019-07-31 一种车牌字符及车牌类别的识别方法、装置及设备

Publications (1)

Publication Number Publication Date
CN110399880A true CN110399880A (zh) 2019-11-01

Family

ID=68326975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910704016.3A Pending CN110399880A (zh) 2019-07-31 2019-07-31 一种车牌字符及车牌类别的识别方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110399880A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553368A (zh) * 2020-05-12 2020-08-18 上海眼控科技股份有限公司 伪造车牌的识别方法、训练方法、装置、设备及存储介质
CN111582261A (zh) * 2020-04-30 2020-08-25 浙江大华技术股份有限公司 一种非机动车的车牌识别方法和车牌识别装置
CN112101274A (zh) * 2020-09-24 2020-12-18 苏州科达科技股份有限公司 一种车牌识别方法、装置、设备及可读存储介质
CN112488105A (zh) * 2020-12-02 2021-03-12 深圳市芊熠智能硬件有限公司 车牌角度校正方法、装置、设备和介质
CN112529045A (zh) * 2020-11-20 2021-03-19 济南信通达电气科技有限公司 一种与电力系统有关的天气图像识别方法、设备及介质
WO2021103897A1 (zh) * 2019-11-29 2021-06-03 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
CN113159204A (zh) * 2021-04-28 2021-07-23 深圳市捷顺科技实业股份有限公司 车牌识别模型生成方法、车牌识别方法及相关组件
CN113642586A (zh) * 2021-07-29 2021-11-12 深圳市捷顺科技实业股份有限公司 一种车牌类型的识别方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930831A (zh) * 2016-05-19 2016-09-07 湖南博广信息科技有限公司 一种车牌智能识别方法
CN106650741A (zh) * 2016-12-30 2017-05-10 深圳市捷顺科技实业股份有限公司 一种车牌字符识别方法及装置
WO2018028230A1 (zh) * 2016-08-10 2018-02-15 东方网力科技股份有限公司 一种基于深度学习的车牌字符分割方法、装置及存储介质
CN107704857A (zh) * 2017-09-25 2018-02-16 北京邮电大学 一种端到端的轻量级车牌识别方法及装置
WO2018130216A1 (zh) * 2017-01-16 2018-07-19 杭州海康威视数字技术股份有限公司 一种识别车牌中字符的方法及装置
CN108537282A (zh) * 2018-04-13 2018-09-14 东北大学 一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法
CN108921007A (zh) * 2018-05-08 2018-11-30 河海大学常州校区 一种基于SqueezeNet的手写体数字识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930831A (zh) * 2016-05-19 2016-09-07 湖南博广信息科技有限公司 一种车牌智能识别方法
WO2018028230A1 (zh) * 2016-08-10 2018-02-15 东方网力科技股份有限公司 一种基于深度学习的车牌字符分割方法、装置及存储介质
CN106650741A (zh) * 2016-12-30 2017-05-10 深圳市捷顺科技实业股份有限公司 一种车牌字符识别方法及装置
WO2018130216A1 (zh) * 2017-01-16 2018-07-19 杭州海康威视数字技术股份有限公司 一种识别车牌中字符的方法及装置
CN107704857A (zh) * 2017-09-25 2018-02-16 北京邮电大学 一种端到端的轻量级车牌识别方法及装置
CN108537282A (zh) * 2018-04-13 2018-09-14 东北大学 一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法
CN108921007A (zh) * 2018-05-08 2018-11-30 河海大学常州校区 一种基于SqueezeNet的手写体数字识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
甘俊英等: "轻量化多特征融合的指纹分类算法研究", 《信号处理》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021103897A1 (zh) * 2019-11-29 2021-06-03 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
CN111582261A (zh) * 2020-04-30 2020-08-25 浙江大华技术股份有限公司 一种非机动车的车牌识别方法和车牌识别装置
CN111582261B (zh) * 2020-04-30 2024-01-19 浙江大华技术股份有限公司 一种非机动车的车牌识别方法和车牌识别装置
CN111553368A (zh) * 2020-05-12 2020-08-18 上海眼控科技股份有限公司 伪造车牌的识别方法、训练方法、装置、设备及存储介质
CN112101274A (zh) * 2020-09-24 2020-12-18 苏州科达科技股份有限公司 一种车牌识别方法、装置、设备及可读存储介质
CN112529045A (zh) * 2020-11-20 2021-03-19 济南信通达电气科技有限公司 一种与电力系统有关的天气图像识别方法、设备及介质
CN112488105A (zh) * 2020-12-02 2021-03-12 深圳市芊熠智能硬件有限公司 车牌角度校正方法、装置、设备和介质
CN113159204A (zh) * 2021-04-28 2021-07-23 深圳市捷顺科技实业股份有限公司 车牌识别模型生成方法、车牌识别方法及相关组件
CN113642586A (zh) * 2021-07-29 2021-11-12 深圳市捷顺科技实业股份有限公司 一种车牌类型的识别方法及装置

Similar Documents

Publication Publication Date Title
CN110399880A (zh) 一种车牌字符及车牌类别的识别方法、装置及设备
WO2019170012A1 (zh) 车道线数据处理方法、装置、计算机设备和存储介质
CN107944450B (zh) 一种车牌识别方法及装置
CN109063785B (zh) 充电桩故障检测方法及终端设备
CN108198145A (zh) 用于点云数据修复的方法和装置
CN109472262A (zh) 车牌识别方法、装置、计算机设备及存储介质
CN108021933A (zh) 神经网络识别模型及识别方法
CN111582104B (zh) 基于自注意特征聚合网络的遥感图像语义分割方法及装置
CN112733581B (zh) 车辆属性识别方法及系统
CN106295502A (zh) 一种人脸检测方法及装置
CN108960015A (zh) 一种基于深度学习的车系自动识别方法及装置
CN111191696B (zh) 一种基于深度学习算法的钢筋分层方法及系统
CN113076804B (zh) 基于YOLOv4改进算法的目标检测方法、装置及系统
CN109255181A (zh) 一种基于多模型的障碍物分布仿真方法、装置以及终端
CN109447117A (zh) 双层车牌识别方法、装置、计算机设备及存储介质
CN112132812A (zh) 证件校验方法、装置、电子设备及介质
CN112581522A (zh) 图像中目标物位置检测方法、装置、电子设备及存储介质
CN112348737A (zh) 模拟图像生成的方法、电子设备及存储介质
CN108921162A (zh) 基于深度学习的车牌识别方法及相关产品
CN111178153A (zh) 一种交通标志检测方法及系统
CN111091131A (zh) 基于多任务学习的自适应车牌字符识别系统及识别方法
CN110263836A (zh) 一种基于多特征卷积神经网络的不良驾驶状态识别方法
CN111047569B (zh) 图像处理方法及装置
CN116797830A (zh) 一种基于YOLOv7的图像风险分类方法及装置
CN106919762A (zh) 一种有限元网格阵列建模方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191101