CN110543883A - 一种基于深度学习的车牌识别方法 - Google Patents

一种基于深度学习的车牌识别方法 Download PDF

Info

Publication number
CN110543883A
CN110543883A CN201910796213.2A CN201910796213A CN110543883A CN 110543883 A CN110543883 A CN 110543883A CN 201910796213 A CN201910796213 A CN 201910796213A CN 110543883 A CN110543883 A CN 110543883A
Authority
CN
China
Prior art keywords
license plate
character
image
deep learning
characters
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
CN201910796213.2A
Other languages
English (en)
Inventor
马贞立
朱敏
吴婕
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN201910796213.2A priority Critical patent/CN110543883A/zh
Publication of CN110543883A publication Critical patent/CN110543883A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Character Discrimination (AREA)
  • Character Input (AREA)

Abstract

本发明开发了一种基于深度学习的车牌识别方法，首先在Python环境下利用车牌颜色特征和Sobel算子对车牌进行区域检测定位，然后通过一种结合传统的垂直投影法和模板匹配法的字符分割算法将车牌区域进行字符分割，最后在Python环境下搭建出一个多层卷积神经网络模型，使用大量训练集字符样本图像对模型进行训练，得到了一个识别准确率较高的识别模型对车牌字符进行识别。

Description

一种基于深度学习的车牌识别方法
技术领域
本发明涉及一种车辆牌照的号码检测并识别的图像处理识别技术，具体为一种基于深度学习的车牌识别方法，属于图像处理识别技术领域。
背景技术
智能交通系统作为我国现代交通运输的主要方向，可以让交通管理不再成为难题。车牌识别技术作为智能交通系统的重要环节，在我国的普及率已经很高。例如高速公路收费站、商场停车场以及交通违章拍照处等都可以见到它的身影。车牌识别系统的运行效率对停车场的管理效率、高速公路收费站的流通效率有非常大影响，同时也对违章车辆的识别效率有着很大影响，所以提高车牌识别系统的处理效率以及准确率就变得非常重要。
而所谓的车牌识别其实就是对现实生活中的车辆牌照的号码进行检测并识别的一种图像处理识别技术。由于人工智能(Artificial Intelligence，AI)的发展，出现了深度学习这一种新兴的重要技术，在图像识别技术上取得了不小的成就，相比于传统的方法，深度学习有着更强的适应性，非常适合在车牌识别技术中加以运用。
早在2015年国外学者SP Peixoto等人就已经通过搭建卷积神经网络模型来实现对车牌的识别，随后又有国外学者基于深度学习提出了更多适应能力更强的识别方法，例如可以使用将字符特征和背景特征相结合的车牌识别方法，这种方法在考虑到了字符特征的同时，也将车牌的背景特征考虑在内，处理复杂背景的原始车牌图像时，也能顺利从中提取到目的车牌信息。
发明内容
发明目的：为了提高车牌识别(LPR)系统适应性，可以处理任意尺寸的图像，并降低LPR系统对图像质量的要求，适应于不同条件下拍摄出的车牌图像，对一些存在倾斜等情况的车牌区域进行倾斜校正并提高LPR系统的运行效率和对于字符识别环节的准确率。本发明提出了一种基于深度学习的车牌识别方法。
技术方案：本发明所述的基于深度学习的车牌识别方法，包括以下步骤：
S1：对车牌进行定位，得到车牌图像；
S2：对车牌图像进行字符分割；
S3：基于TensorFlow深度学习平台搭建一个具有8层结构的卷积神经网络模型，将收集到的训练集经过分类处理之后进行训练，利用ReLU函数来提高收敛速度，得到训练好的卷积神经网络模型，再利用训练好的卷积神经网络模型对步骤S2得到的字符分割结果进行字符识别。
进一步，所述步骤S1具体包括以下步骤：
S11：首基于颜色特征对原始车牌图像进行定位；
S12：通过SVM分类模型对候选车牌区域进行分类：如果分类结果为车牌，就作为车牌图像，结束；否则，进行步骤S13；
S13：重新利用sobel算子进行定位后，再返回步骤S12。
进一步，所述步骤S2具体包括以下步骤：
S21：对步骤S1得到的车牌图像进行处理，滤除噪声；
S22：对滤除噪声后的车牌图像进行垂直投影后计算峰值出现的次数：如果出现次数等于次数阈值，则计算各峰的峰宽比，峰宽比符合条件则利用垂直投影法进行字符分割；如果出现次数大于次数阈值，则利用模板匹配法进行字符分割；
S23：检测单个字符的宽度：如果单个字符的宽度小于阈值，则判定该字符为“1”，不对其进行归一化，直接从训练集中选取一个字符“1”来替代该字符；否则，则对该字符进行归一化。
进一步，所述次数阈值为7。
进一步，所述步骤S23中，对字符进行归一化是将字符的尺寸归一化为28*28的二值字符图像。
进一步，所述步骤S22中所利用的垂直投影法的具体内容为：先将输入图像二值化，去除车牌的边框、铆钉等再进行分割。对二值化去噪声后的车牌区域图像进行白色像素垂直方向上的统计，在垂直方向上，字符区域白色像素较多，字符间空隙白色像素很少，可以运用这一特点，通过检测垂直方向上的白色像素的数量来确定字符的边界，从而进行分割操作。由于字符的尺寸较为确定，可以利用这一点剔除车牌的左右边框。投影法简单且高效，可以对存在畸变的车牌成功进行分割，但是对于左右结构的汉字，例如“川”等，很容易将其分割为“丿”、“丨”和“丨”三个字符。
进一步，所述步骤S22中所利用的模板匹配法的具体内容为：这种方法要先确定车牌区域的上下边界，并设置一个字符大小的窗口，从车牌区域的左侧向右滑动，找到白色像素的最大差值，将字符分割出来。对于不连通汉字，例如“川”、“沪”等，它也可以成功分割，但其对车牌图像尺寸的要求非常严格，若存在畸变，很容易分割失败。
有益效果：本发明提出的一种基于深度学习的车牌识别方法，可以提高车牌识别(LPR)系统适应性，处理任意尺寸的图像，降低LPR系统对图像质量的要求，适应于不同条件下拍摄出的车牌图像，并对一些存在倾斜等情况的车牌区域进行倾斜校正并提高LPR系统的运行效率和对于字符识别环节的准确率。
附图说明
图1为本发明实施例的方法流程图；
图2为一个常见的卷积神经网络(CNN)整体结构图；
图3(a)为池化操作示意图；
图3(b)为卷积计算示意图；
图4为ReLU函数图像；
图5为失活层的基本原理图；
图6(a)为车牌定位算法定位结果；
图6(b)为畸变校正及归一化后车牌区域图像；
图7(a)为字符分割算法分割结果；
图7(b)为“川”、“沪”分割效果图；
图8(a)为Province模型训练准确率-迭代次数曲线；
图8(b)为Digits模型训练准确率-迭代次数曲线；
图8(c)为省份预测结果；
图8(d)为车牌编号预测结果；
图8(e)为部分车牌样本图；
图8(f)为部分字符分割结果。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，基于深度学习的车牌识别方法包括以下步骤：
S1：对车牌进行定位，得到车牌图像；
S2：对车牌图像进行字符分割；
S3：基于TensorFlow深度学习平台搭建一个具有8层结构的卷积神经网络模型，将收集到的训练集经过分类处理之后进行训练，利用ReLU函数来提高收敛速度，得到训练好的卷积神经网络模型，再利用训练好的卷积神经网络模型对步骤S2得到的字符分割结果进行字符识别。图2为卷积神经网络的结构图。图3(a)是卷积神经网络中池化操作的示意图，图3(b)是卷积神经网络中卷积计算示意图。图4为ReLU函数图像。图5为失活层的原理图。
步骤S1具体包括以下步骤：
S11：首基于颜色特征对原始车牌图像进行定位；
S12：通过SVM分类模型对候选车牌区域进行分类：如果分类结果为车牌，就作为车牌图像，结束；否则，进行步骤S13；
S13：重新利用sobel算子进行定位后，再返回步骤S12。
步骤S2具体包括以下步骤：
S21：对步骤S1得到的车牌图像进行处理，滤除噪声；
S22：对滤除噪声后的车牌图像进行垂直投影后计算峰值出现的次数：如果出现次数等于次数阈值，次数阈值为7，则计算各峰的峰宽比，峰宽比符合条件则利用垂直投影法进行字符分割；如果出现次数大于次数阈值，则利用模板匹配法进行字符分割；
S23：检测单个字符的宽度：如果单个字符的宽度小于阈值，则判定该字符为“1”，不对其进行归一化，直接从训练集中选取一个字符“1”来替代该字符；否则，则对该字符进行归一化。
步骤S23中，对字符进行归一化是将字符的尺寸归一化为28*28的二值字符图像。
步骤S22中所利用的垂直投影法的具体内容为：先将输入图像二值化，去除车牌的边框、铆钉等再进行分割。对二值化去噪声后的车牌区域图像进行白色像素垂直方向上的统计，在垂直方向上，字符区域白色像素较多，字符间空隙白色像素很少，可以运用这一特点，通过检测垂直方向上的白色像素的数量来确定字符的边界，从而进行分割操作。由于字符的尺寸较为确定，可以利用这一点剔除车牌的左右边框。投影法简单且高效，可以对存在畸变的车牌成功进行分割，但是对于左右结构的汉字，例如“川”等，很容易将其分割为“丿”、“丨”和“丨”三个字符。
步骤S22中所利用的模板匹配法的具体内容为：这种方法要先确定车牌区域的上下边界，并设置一个字符大小的窗口，从车牌区域的左侧向右滑动，找到白色像素的最大差值，将字符分割出来。对于不连通汉字，例如“川”、“沪”等，它也可以成功分割，但其对车牌图像尺寸的要求非常严格，若存在畸变，很容易分割失败。
仿真实验结果分析
1、车牌定位实验仿真与对比
为了检测本文基于颜色特征和Sobel算子结合的车牌定位算法对不同原始车牌图像定位的准确率，通过实验仿真基于颜色特征的定位算法和基于Sobel算子的定位算法以及本文定位算法对原始车牌图像样本集进行车牌定位，得出实验结果并对比分析从而验证结合算法的优越性。
表1不同车牌定位方法的定位准确率
从实验结果(见表1)来看，将颜色特征和sobel算子结合的定位方法比其中任意一种单一的算法定位准确率高很多，它有效避免了基于颜色特征定位时光照条件不同对定位结果的影响，也避免了基于边缘特征定位是复杂背景对定位结果的影响；对于不同场景的车牌图片，例如光照条件不同，图片背景复杂程度不同或图像拍摄角度不同都有很强的鲁棒性和适应性。因此可以对车牌进行较为精准的定位，且定位率很高，以便与后续环节的正常进行
2、字符分割实验仿真与对比
实验仿真本文字符分割方法，对300张车牌图像进行了字符分割测试，分割正确达到了95％以上，通过实现传统的垂直投影法和模板匹配法进行字符分割与本文的结合法进行对比，具体实验结果如表4.2所示。
表2不同字符分割方法分割准确率
实验结果表明：将两种分割方法结合在一起的方法，大大提高了分割的准确率，可以很好地吸收垂直投影法和模板匹配法的优势，并顺利地解决了对于存在变形的车牌或者存在断裂的字符时不能正确进行分割的问题，对上述车牌定位模块分割出的车牌区域图像进行了精准地切割，保证了后续字符识别模块的正常运行。
3、字符识别实验仿真与对比
车牌字符通常可以分为两部分，一部分为汉字区域，包含一个汉字，一部分为数字字母区域，共六位；基于以上原因，共训练两个模型，一个Province模型用来识别汉字(省份简称)，一个Digits模型用来识别车牌后六位数字字母组合。
将整理好的训练集样本导入本文卷积神经网络模型中加以迭代训练，两个模型均进行200次训练迭代，训练精度达到99.000％以上。。在Province模型的训练过程中，在第0次迭代训练时，训练的准确率为2.4732％，在前20次迭代训练时，模型的准确率近似呈直线增长，增长至94.0122％，在此之后模型的准确率曲线呈现出缓慢波动增长的趋势，在经过的近100次的迭代训练之后，模型的准确率稳定在了99.4000％附近，之后模型的准确率一直在这个值内上下小幅度的波动，可以由准确率—迭代次数的曲线图上看出，Province模型具有很好的收敛性
在Digits模型的训练过程中，第0次迭代训练时，训练的准确率为1.93476％，在前18次迭代训练时，模型的准确率近似呈直线增长，增长至93.8127％，在此之后模型的准确率曲线呈现出缓慢波动增长的趋势，在通过近85次的迭代训练之后，模型的准确率稳定在了99.52070％附近，之后模型的准确率一直在这个值内上下小幅度的波动，可以由准确率—迭代次数的曲线图上看出，Digits模型同Province模型一样具有很好的收敛性。由于两个模型的网络结构一样，训练集也类似，故二者的准确率—迭代次数的曲线图也十分类似。
在迭代训练结束后，将得到模型保存下来，并进行测试环节。在测试环节，加载测试集的图像对所得模型进行测试。测试集是收集到的训练样本中分割出来的一部分，用以测试模型的识别率。
根据测试结果可以看出，Province模型预测省份简称的准确度达到了99.99％，Digits模型预测车牌后六位的数字加字母组合的准确率达到了99％。最终识别结果显示，总识别率能够达到99％。
进行真实车牌样本的识别，试验车牌样本包含全国各地的车牌图片，合计200张。对随机选中的原始车牌图像进行识别，识别结果如表3所示：
表3车牌号码识别结果
由实验结果可以看出，本文所搭建出的卷积神经网络模型对车牌的字符识别有着较高的准确率，其中Province模型对汉字字符识别的平均准确率达到了99％以上，而Digits模型对大写英文字母和阿拉伯数字识别的平均准确率也达到了99％以上，正确本文所设计的卷积神经网络模型的识别准确率很高，有着较高的应用价值。
为了进一步验证本模型的准确性，故选择几种其他的车牌识别方法进行横向对比，但由于国外所涉及的车牌识别方法均针对于各自国家的车牌，而各个国家的车牌之间存在很多差异，故而选取几种国内的中文车牌字符识别方法进行对比分析：
(1)基于模板匹配的车牌字符识别：通过将模板与车牌字符重合去比较记录车牌字符与模板之间的相似度进行识别的一种方法。
(2)基于人工神经网络的字符识别方法：通过搭建前向反馈(Back—Progagation)网络，也就是BP网络，并对模型进行训练从而实现对车牌字符的识别。
(3)基于特征统计的车牌识别方法：通过统计待识别字符的分布特征对字符进行识别。
通过对以上三种车牌字符识别方法的研究与理解，并通过相同的实验对比得出下列实验数据：
表4不同字符识别方法识别率
识别方法名称 准确率(％)
基于模板匹配法的车牌字符识别方法 96.22％
基于人工神经网络的车牌字符识别方法 83.53％
基于特征统计的车牌字符识别方法 91.46％
基于深度学习的车牌字符识别方法 98.5％
通过表4所得实验数据可以看出，本文所使用的基于深度学习的车牌字符识别方法的识别准确率相较于部分其他识别方法更高，同时也验证了卷积神经网络在字符识别方面存在极大优势，和模板匹配法相比，对于字符的畸变以及形变有着更强的容忍度；和传统的神经网络相比，抗干扰性更强，识别率更高；和特征统计法直接显示的提取特征相比，它是隐式的从训练集样本中提取到对识别贡献较大的特征；综上，卷积神经网络十分适合运用在车牌的字符识别中。
实验过程中同时也发现了本文所设计的卷积神经网络模型在对字符“0”与“D”，“B”与“8”，“Z”与“2”等结构极其相似的字符时，识别准确率并没有达到平均水平。由于训练样本中对应字符图像的数量会影响到该字符的识别率，应进一步提高相似字符的训练样本数量从而提高识别准确率。图6(a)为车牌定位算法定位结果，图6(b)为畸变校正及归一化后车牌区域图像，图7(a)为字符分割算法分割结果，图7(b)为“川”、“沪”分割效果图，图8(a)为Province模型训练准确率-迭代次数曲线，图8(b)为Digits模型训练准确率-迭代次数曲线，图8(c)为省份预测结果，图8(d)为车牌编号预测结果，图8(e)为部分车牌样本，图8(f)为部分字符分割结果。

Claims (7)

1.一种基于深度学习的车牌识别方法，其特征在于：包括以下步骤：
S1：对车牌进行定位，得到车牌图像；
S2：对车牌图像进行字符分割；
S3：基于TensorFlow深度学习平台搭建一个具有8层结构的卷积神经网络模型，将收集到的训练集经过分类处理之后进行训练，利用ReLU函数来提高收敛速度，得到训练好的卷积神经网络模型，再利用训练好的卷积神经网络模型对步骤S2得到的字符分割结果进行字符识别。
2.根据权利要求1所述的基于深度学习的车牌识别方法，其特征在于：所述步骤S1具体包括以下步骤：
S11：首基于颜色特征对原始车牌图像进行定位；
S12：通过SVM分类模型对候选车牌区域进行分类：如果分类结果为车牌，就作为车牌图像，结束；否则，进行步骤S13；
S13：重新利用sobel算子进行定位后，再返回步骤S12。
3.根据权利要求1所述的基于深度学习的车牌识别方法，其特征在于：所述步骤S2具体包括以下步骤：
S21：对步骤S1得到的车牌图像进行处理，滤除噪声；
S22：对滤除噪声后的车牌图像进行垂直投影后计算峰值出现的次数：如果出现次数等于次数阈值，则计算各峰的峰宽比，峰宽比符合条件则利用垂直投影法进行字符分割；如果出现次数大于次数阈值，则利用模板匹配法进行字符分割；
S23：检测单个字符的宽度：如果单个字符的宽度小于阈值，则判定该字符为“1”，不对其进行归一化，直接从训练集中选取一个字符“1”来替代该字符；否则，则对该字符进行归一化。
4.根据权利要求3所述的基于深度学习的车牌识别方法，其特征在于：所述次数阈值为7。
5.根据权利要求3所述的基于深度学习的车牌识别方法，其特征在于：所述步骤S23中，对字符进行归一化是将字符的尺寸归一化为28*28的二值字符图像。
6.根据权利要求书3所述的基于深度学习的车牌识别方法，其特征在于：所述步骤S22中所利用的垂直投影法的具体内容为：先将输入图像二值化，去除车牌的边框、铆钉等再进行分割。对二值化去噪声后的车牌区域图像进行白色像素垂直方向上的统计，在垂直方向上，字符区域白色像素较多，字符间空隙白色像素很少，可以运用这一特点，通过检测垂直方向上的白色像素的数量来确定字符的边界，从而进行分割操作。由于字符的尺寸较为确定，可以利用这一点剔除车牌的左右边框。投影法简单且高效，可以对存在畸变的车牌成功进行分割，但是对于左右结构的汉字，例如“川”等，很容易将其分割为“丿”、“丨”和“丨”三个字符。
7.根据权利要求书3所述的基于深度学习的车牌识别方法，其特征在于：所述步骤S22中所利用的模板匹配法的具体内容为：这种方法要先确定车牌区域的上下边界，并设置一个字符大小的窗口，从车牌区域的左侧向右滑动，找到白色像素的最大差值，将字符分割出来。对于不连通汉字，例如“川”、“沪”等，它也可以成功分割，但其对车牌图像尺寸的要求非常严格，若存在畸变，很容易分割失败。
CN201910796213.2A 2019-08-27 2019-08-27 一种基于深度学习的车牌识别方法 Pending CN110543883A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910796213.2A CN110543883A (zh) 2019-08-27 2019-08-27 一种基于深度学习的车牌识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910796213.2A CN110543883A (zh) 2019-08-27 2019-08-27 一种基于深度学习的车牌识别方法

Publications (1)

Publication Number Publication Date
CN110543883A true CN110543883A (zh) 2019-12-06

Family

ID=68710638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910796213.2A Pending CN110543883A (zh) 2019-08-27 2019-08-27 一种基于深度学习的车牌识别方法

Country Status (1)

Country Link
CN (1) CN110543883A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110986778A (zh) * 2019-12-25 2020-04-10 电子科技大学 碳纤维复合材料铆钉孔尺寸检测系统及方法
CN111259886A (zh) * 2020-01-08 2020-06-09 上海眼控科技股份有限公司 车牌螺丝检测方法、电子装置、计算机设备和存储介质
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
CN112101343A (zh) * 2020-08-17 2020-12-18 广东工业大学 一种车牌字符分割与识别方法
CN112966678A (zh) * 2021-03-11 2021-06-15 南昌航空大学 一种文本检测方法及系统
CN114821078A (zh) * 2022-05-05 2022-07-29 北方工业大学 一种车牌识别方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156704A (zh) * 2014-08-04 2014-11-19 胡艳艳 一种新的车牌识别方法及系统
CN105303153A (zh) * 2014-07-23 2016-02-03 中兴通讯股份有限公司 一种车辆车牌识别方法及装置
CN105335743A (zh) * 2015-10-28 2016-02-17 重庆邮电大学 一种车牌识别方法
CN106503709A (zh) * 2016-10-20 2017-03-15 江苏商贸职业学院 一种渣土车车牌字符智能识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303153A (zh) * 2014-07-23 2016-02-03 中兴通讯股份有限公司 一种车辆车牌识别方法及装置
CN104156704A (zh) * 2014-08-04 2014-11-19 胡艳艳 一种新的车牌识别方法及系统
CN105335743A (zh) * 2015-10-28 2016-02-17 重庆邮电大学 一种车牌识别方法
CN106503709A (zh) * 2016-10-20 2017-03-15 江苏商贸职业学院 一种渣土车车牌字符智能识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
温伟: "运动模糊车牌识别系统关键技术的研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110986778A (zh) * 2019-12-25 2020-04-10 电子科技大学 碳纤维复合材料铆钉孔尺寸检测系统及方法
CN110986778B (zh) * 2019-12-25 2021-10-08 电子科技大学 碳纤维复合材料铆钉孔尺寸检测系统及方法
CN111259886A (zh) * 2020-01-08 2020-06-09 上海眼控科技股份有限公司 车牌螺丝检测方法、电子装置、计算机设备和存储介质
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
CN112101343A (zh) * 2020-08-17 2020-12-18 广东工业大学 一种车牌字符分割与识别方法
CN112966678A (zh) * 2021-03-11 2021-06-15 南昌航空大学 一种文本检测方法及系统
CN114821078A (zh) * 2022-05-05 2022-07-29 北方工业大学 一种车牌识别方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110543883A (zh) 一种基于深度学习的车牌识别方法
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN108596166B (zh) 一种基于卷积神经网络分类的集装箱箱号识别方法
Duan et al. Building an automatic vehicle license plate recognition system
US9014432B2 (en) License plate character segmentation using likelihood maximization
CN109886896B (zh) 一种蓝色车牌分割与矫正方法
Wen et al. An algorithm for license plate recognition applied to intelligent transportation system
US11417124B2 (en) System for real-time automated segmentation and recognition of vehicle's license plates characters from vehicle's image and a method thereof
Wang et al. Robust license plate recognition based on dynamic projection warping
Khalifa et al. Malaysian Vehicle License Plate Recognition.
CN111382704A (zh) 基于深度学习的车辆压线违章判断方法、装置及存储介质
CN105303153A (zh) 一种车辆车牌识别方法及装置
CN108229466B (zh) 一种车牌识别方法及装置
CN105760891A (zh) 一种中文字符验证码的识别方法
CN114387591A (zh) 车牌识别方法、系统、设备及存储介质
CN113591967A (zh) 一种图像处理方法、装置、设备及计算机存储介质
Azad et al. New method for optimization of license plate recognition system with use of edge detection and connected component
CN111259893A (zh) 一种基于深度学习的智能工具管理方法
Roy Chowdhury et al. Text detection of two major Indian scripts in natural scene images
CN113128507A (zh) 一种车牌识别方法、装置、电子设备及存储介质
CN110689003A (zh) 低照度成像车牌识别方法、系统、计算机设备及存储介质
Lee et al. Adaptive local binarization method for recognition of vehicle license plates
CN110516666B (zh) 基于mser和isodata相结合的车牌定位方法
Ahmed et al. On-road automobile license plate recognition using co-occurrence matrix
CN111178359A (zh) 车牌号码识别方法、装置和设备及计算机存储介质

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

Application publication date: 20191206