CN110569801B - 一种行驶证关键内容识别方法 - Google Patents

一种行驶证关键内容识别方法 Download PDF

Info

Publication number
CN110569801B
CN110569801B CN201910853200.4A CN201910853200A CN110569801B CN 110569801 B CN110569801 B CN 110569801B CN 201910853200 A CN201910853200 A CN 201910853200A CN 110569801 B CN110569801 B CN 110569801B
Authority
CN
China
Prior art keywords
image
driving license
key
license
page
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
Application number
CN201910853200.4A
Other languages
English (en)
Other versions
CN110569801A (zh
Inventor
张洪斌
陈代斌
刘伟
黄子言
刘辉
李�学
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.)
Sichuan Stardon Technology Co ltd
Original Assignee
Sichuan Stardon Technology 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 Sichuan Stardon Technology Co ltd filed Critical Sichuan Stardon Technology Co ltd
Priority to CN201910853200.4A priority Critical patent/CN110569801B/zh
Publication of CN110569801A publication Critical patent/CN110569801A/zh
Application granted granted Critical
Publication of CN110569801B publication Critical patent/CN110569801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/414—Extracting the geometrical structure, e.g. layout tree; Block segmentation, e.g. bounding boxes for graphics or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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
    • G06V30/28—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet
    • G06V30/287—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet of Kanji, Hiragana or Katakana characters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Character Input (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种行驶证关键内容识别方法，包括：获取待识别的行驶证图像；从待识别的行驶证图像中检测行驶证正页、副页图像区域；对行驶证正页、副页图像区域进行朝向校正、倾斜校正、倒立校正；检测关键字段图像区域；以关键字段图像区域为参照，分割出每个关键字段对应的关键内容的待识别区域图像；从关键内容的待识别区域图像中识别关键内容的具体信息；返回行驶证中所有检测到的关键字段和对应的关键内容识别结果。本发明通过实现行驶证关键内容的自动化识别，可以提高业务办理和管理等应用的效率，确保信息准确性，节省人力和时间。

Description

一种行驶证关键内容识别方法
技术领域
本发明涉及交通领域信息识别，尤其是一种行驶证关键内容识别方法。
背景技术
机动车行驶证是准予机动车在我国境内道路上行驶的法定证件。行驶证由证夹、正页、副页三部分组成。其中正页正面是已签注的证芯，背面是机动车相片，并用塑封套塑封；副页是已签注的证芯。行驶证正页正面文字颜色为黑色。包括：“中华人民共和国机动车行驶证”字体为12pt黑体，位置居中；“号牌号码”、“车辆类型”、“使用性质”、“所有人”、“住址”、“品牌型号”、“发动机号码”、“车辆识别代号”、“注册日期”、“发证日期”等文字。副页正面文字颜色为黑色，包括：“号牌号码”、“核定载人数”、“档案编号”、“整备质量”、“总质量”、“核定载质量”、“外廓尺寸”、“准牵引总质量”、“备注”、“检验记录”等文字。
在机动车查验、年检、保险等业务办理，以及机动车档案的电子化归档时，传统方法采用人工对行驶证繁多的各种关键内容信息进行逐一识别，并与机动车基本信息进行比对匹配，效率低下，浪费人力和时间，同时不能保证信息准确性。
发明内容
本发明所要解决的技术问题是：针对上述存在的问题，提供一种行驶证关键内容识别方法。
本发明提供的一种行驶证关键内容识别方法，包括如下步骤：
S1，获取待识别的行驶证图像；
S2，从待识别的行驶证图像中检测行驶证正页、副页图像区域；
S3，对行驶证正页、副页图像区域进行朝向校正；
S4，对行驶证正页、副页图像区域进行倾斜校正；
S5，对行驶证正页、副页图像区域进行倒立校正；
S6，从经步骤S3～S5处理后的行驶证正页、副页图像区域中，检测关键字段图像区域；
S7，以关键字段图像区域为参照，分割出每个关键字段对应的关键内容的待识别区域图像；
S8，从关键内容的待识别区域图像中识别关键内容的具体信息；
S9，返回行驶证中所有检测到的关键字段和对应的关键内容识别结果。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明通过实现行驶证关键内容的自动化识别，可以提高业务办理和管理等应用的效率，确保信息准确性，节省人力和时间。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明的行驶证关键内容识别方法的流程框图。
具体实施方式
以下结合实施例对本发明的特征和性能作进一步的详细描述。
本发明的实施例提供的一种行驶证关键内容识别方法，包括如下步骤：
S1，获取待识别的行驶证图像；其中，
所述待识别的行驶证图像可以通过扫描仪、高拍仪等影像化设备获取；获取的所述待识别的行驶证图像为彩色图像。
S2，从待识别的行驶证图像中检测行驶证正页、副页图像区域；具体地，
采用第一深度学习算法模型，从待识别的行驶证图像中检测行驶证正页、副页图像区域；所述第一深度学习算法模型，为通过使用大量不同光照、距离、分辨率、方向角度、噪声水平、压缩率以及是否置于证夹内的带位置和类别标注的图像，对图像目标检测模型进行深度学习训练，得到的能有效检测行驶证正页、副页图像区域这两类目标的深度神经网络模型。其中，图像目标检测模型可以采用YOLOv3目标检测模型，还可以采用其他目标检测模型实现。
S3，对行驶证正页、副页图像区域进行朝向校正；具体地，
如果行驶证正页、副页图像区域的宽高比小于1.01，则把该图像顺时针旋转90°，使行驶证正页、副页图像区域中的文字方向偏向水平。
S4，对行驶证正页、副页图像区域进行倾斜校正；具体包括：
S4.1，对行驶证正页、副页图像区域依次进行灰度化、自适应二值化和亮度反转，得到正页、副页图像区域的二值图像；
S4.2，采用中值滤波器对二值图像进行滤波，去除二值图像中的孤立噪点；
S4.3，通过数学形态学膨胀操作将水平方向文字串进行连通，构造水平结构单元；
S4.4，采用Sobel水平边缘检测算法从水平结构单元中提取水平边缘图像；
S4.5，采用霍夫算法从水平边缘图像中提取第一直线集合；
S4.6，从第一直线集合中筛选出极角在[45°,135°]范围内的偏水平方向的第二直线集合；
S4.7，统计第二直线集合的极角均值，然后筛选出极角均值在(0.8,1.2)倍率之间的第三直线集合，从而去除干扰直线；
S4.8，计算第三直线集合与水平方向夹角的均值，将计算出的均值作为校正参考角度，把行驶证正页、副页图像区域校正到水平。
S5，对行驶证正页、副页图像区域进行倒立校正；具体地，
S5.1，采用第二深度学习算法模型从行驶证正页图像区域中检测出印章，以及从行驶证副页图像区域中检测出证芯编号条形码；所述第二深度学习算法模型，为通过使用大量不同光照、距离、分辨率、方向角度、噪声水平、压缩率以及是否置于证夹内的带位置和类别标注的图像，对图像目标检测模型进行深度学习训练，得到的具有能有效从行驶证正页图像区域中检测出印章，以及从行驶证副页图像区域中检测出证芯编号条形码的深度神经网络模型。其中，图像目标检测模型可以采用YOLOv3目标检测模型，还可以采用其他目标检测模型实现。
S5.2，判断印章和证芯编号条形码的位置，若印章出现在右上角，则将行驶证正页图像区域旋转180°，实现正页倒立校正；若证芯编号条形码出现在左上角，则将行驶证副页图像区域旋转180°，实现副页倒立校正。需要说明的是，在本实施例中，印章和证芯编号条形码的位置判定，是根据当前国家统一颁发的行驶证中规定的位置进行设定的，应当理解，若国家对统一颁发的行驶证中规定的印章和证芯编号条形码的位置进行了调整，本发明的方法中应当随之调整。
应当理解的是，步骤S3～S5没有先后顺序。
S6，从经步骤S3～S5处理后的行驶证正页、副页图像区域中，检测关键字段图像区域；具体地，
采用第三深度学习算法模型，从经步骤S3～S5处理后的行驶证正页、副页图像区域中，检测关键字段图像区域，所述关键字段图像区域为以关键字段的外接矩形形式[left,top,width,height]表示的图像区域；所述第三深度学习算法模型，通过使用大量不同光照、距离、分辨率、方向角度、噪声水平、压缩率以及是否置于证夹内的带位置和类别标注的图像，对图像目标检测模型进行深度学习训练，得到的具有能有效从行驶证正页、副页图像区域中检测各种关键字段图像区域的深度神经网络模型。其中，图像目标检测模型可以采用YOLOv3目标检测模型，还可以采用其他目标检测模型实现。
所述关键字段图像区域中的关键字段，包括：
行驶证正页中的“中华人民共和国机动车行驶证”、“号牌号码”、“车辆类型”、“使用性质”、“所有人”、“住址”、“品牌型号”、“车辆识别代号”、“发动机号码”、“注册日期”、“发证日期”等文字。
副页正面中的“号牌号码”、“核定载人数”、“档案编号”、“整备质量”、“总质量”、“核定载质量”、“外廓尺寸”、“准牵引总质量”、“备注”、“检验记录”等文字。
进一步地，对于具有上排中文和下排英文的关键字段，将上排中文和下排英文作为同一个整体进行检测。
S7，从关键字段图像区域中，分割出每个关键字段对应的关键内容的待识别区域图像；可以通过从关键字段图像区域中，检测出的各个关键字段的图像区域位置范围，分割出各个关键字段对应的关键内容的待识别区域图像。具体包括：
S7.1，对于不同的关键字段，通过查找图像分割经验值表，取得对应的关键内容分割参数；所述图像分割经验值表，用于关键内容的图像分割的经验值参数列表，不同的关键字段对应的关键内容的经验值参数不同，其中的关键内容图像分割经验值包括：行高系数KH，行长系数KL,水平结构单元长度系数SL，竖直结构单元高度系数SH，有效投影的高度系数PH、允许间断跨度系数PG和最小水平长度系数PL；
S7.2，提取出关键字段图像区域右边高度为height*KH，长度为width*KL的图像块作为关键内容粗略图像区域；
S7.3，对关键内容粗略图像区域依次进行灰度化、自适应二值化、亮度反转和滤波，得到内容图像粗略区域的二值图像；
S7.4，构造长度为width*SL的水平结构单元对二值图像进行数学形态学闭操作，实现同一连续字符串内字符的左右连通；
S7.5，构造高度为height*SH的竖直结构单元再对二值图像进行数学形态学闭操作，实现同一字符笔画的上下连通；
S7.6，沿着图像列方向对图像像素值进行累加，得到竖直投影；
S7.7，对竖直投影，以有效投影高度height*PH、允许间断跨度width*PG和有效水平长度width*PL为阈值，统计得到关键内容粗略图像区域内左端的连续字符串水平范围[X0，X1]；
S7.8，按照连续字符串水平范围[X0，X1]和高度height*KH，确定出关键内容的待识别区域图像；
S8，从关键内容的待识别区域图像中识别关键内容的具体信息；具体地，
采用end-to-end的深度学习文字识别模型从关键内容的待识别区域图像中识别关键内容的具体信息，得到具体的关键内容字符串结果。所述文字识别算法模型，为通过使用大量从不同光照、距离、分辨率、方向角度、噪声水平、压缩率以及是否置于证夹内的行驶证正副页图像中人工分割出的带文字内容信息标签的文本区域图像，对文字识别模型进行深度学习训练，得到的具有能有效从关键内容的待识别区域图像中识别关键内容的具体信息的深度神经网络模型。其中，文字识别模型可以采用CRNN文字识别模型，还可以采用其他目标检测模型实现。
S9，返回行驶证中所有检测到的关键字段和对应的关键内容识别结果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种行驶证关键内容识别方法，其特征在于，包括如下步骤：
S1，获取待识别的行驶证图像；
S2，从待识别的行驶证图像中检测行驶证正页、副页图像区域；
S3，对行驶证正页、副页图像区域进行朝向校正；
S4，对行驶证正页、副页图像区域进行倾斜校正；
S5，对行驶证正页、副页图像区域进行倒立校正；
S6，从经步骤S3～S5处理后的行驶证正页、副页图像区域中，检测关键字段图像区域；
S7，以关键字段图像区域为参照，分割出每个关键字段对应的关键内容的待识别区域图像；
S8，从关键内容的待识别区域图像中识别关键内容的具体信息；
S9，返回行驶证中所有检测到的关键字段和对应的关键内容识别结果；
如果行驶证正页、副页图像区域的宽高比小于1.01，则把该图像顺时针旋转90°，使行驶证正页、副页图像区域中的文本行方向偏向水平；
步骤S5的方法，包括：
S5.1，采用第二深度学习算法模型从行驶证正页图像区域中检测出印章，以及从行驶证副页图像区域中检测出证芯编号条形码；所述第二深度学习算法模型，为通过使用大量不同光照、距离、分辨率、方向角度、噪声水平、压缩率以及是否置于证夹内的带位置和类别标注的图像，对图像目标检测模型进行深度学习训练，得到的具有能有效从行驶证正页图像区域中检测出印章，以及从行驶证副页图像区域中检测出证芯编号条形码的深度神经网络模型；
S5.2，判断印章和证芯编号条形码的位置，若印章出现在右上角，则将行驶证正页图像区域旋转180°；若证芯编号条形码出现在左上角，则将行驶证副页图像区域旋转180°；
步骤S7的方法，包括：
S7.1，对于不同的关键字段，通过查找图像分割经验值表，取得对应的关键内容分割参数；所述图像分割经验值表中的关键内容图像分割经验值包括：行高系数KH，行长系数KL,水平结构单元长度系数SL，竖直结构单元高度系数SH，有效投影的高度系数PH、允许间断跨度系数PG和最小水平长度系数PL；
S7.2，提取出关键字段图像区域右边高度为height*KH，长度为width*KL的图像块作为关键内容粗略图像区域；其中，所述关键字段图像区域为以关键字段的外接矩形形式[left, top, width, height]表示的图像区域；
S7.3，对关键内容粗略图像区域依次进行灰度化、自适应二值化、亮度反转和滤波，得到内容图像粗略区域的二值图像；
S7.4，构造长度为width*SL的水平结构单元对二值图像进行数学形态学闭操作，实现同一连续字符串内字符的左右连通；
S7.5，构造高度为height*SH的竖直结构单元再对二值图像进行数学形态学闭操作，实现同一字符笔画的上下连通；
S7.6，沿着图像列方向对图像像素值进行累加，得到竖直投影；
S7.7，对竖直投影，以有效投影高度height*PH、允许间断跨度width*PG和有效水平长度width*PL为阈值，统计得到关键内容粗略图像区域内左端的连续字符串水平范围[X0，X1]；
S7.8，按照连续字符串水平范围[X0，X1]和高度height*KH，确定出关键内容的待识别区域图像。
2.根据权利要求1所述的行驶证关键内容识别方法，其特征在于，步骤S2的方法为：采用第一深度学习算法模型，从待识别的行驶证图像中检测行驶证正页、副页图像区域；所述第一深度学习算法模型，为通过使用大量不同光照、距离、分辨率、方向角度、噪声水平、压缩率以及是否置于证夹内的带位置和类别标注的图像，对图像目标检测模型进行深度学习训练，得到的能有效检测行驶证正页、副页图像区域这两类目标的深度神经网络模型。
3.根据权利要求1所述的行驶证关键内容识别方法，其特征在于，步骤S4的方法，包括：
S4.1，对行驶证正页、副页图像区域依次进行灰度化、自适应二值化和亮度反转，得到正页、副页图像区域的二值图像；
S4.2，采用中值滤波器对二值图像进行滤波，去除二值图像中的孤立噪点；
S4.3，通过数学形态学膨胀操作将水平方向文字串进行连通，构造水平结构单元；
S4.4，采用Sobel水平边缘检测算法从水平结构单元中提取水平边缘图像；
S4.5，采用霍夫算法从水平边缘图像中提取第一直线集合；
S4.6，从第一直线集合中筛选出极角在[45°,135°]范围内的偏水平方向的第二直线集合；
S4.7，统计第二直线集合的极角均值，然后筛选出极角度数在0.8～1.2倍极角均值之内的第三直线集合；
S4.8，计算第三直线集合与水平方向夹角的均值，将计算出的均值作为校正参考角度，把行驶证正页、副页图像区域校正到水平。
4.根据权利要求1所述的行驶证关键内容识别方法，其特征在于，步骤S6的方法为：
采用第三深度学习算法模型，从经步骤S3～S5处理后的行驶证正页、副页图像区域中，检测关键字段图像区域，所述关键字段图像区域为以关键字段的外接矩形形式[left,top, width, height]表示的图像区域；所述第三深度学习算法模型，通过使用大量不同光照、距离、分辨率、方向角度、噪声水平、压缩率以及是否置于证夹内的带位置和类别标注的图像，对图像目标检测模型进行深度学习训练，得到的具有能有效从行驶证正页、副页图像区域中检测各种关键字段图像区域的深度神经网络模型。
5.根据权利要求4所述的行驶证关键内容识别方法，其特征在于，步骤S6中，对于具有上排中文和下排英文的关键字段，将上排中文和下排英文作为同一个整体进行检测。
6.根据权利要求1所述的行驶证关键内容识别方法，其特征在于，步骤S9的方法为：
采用end-to-end的深度学习文字识别模型从关键内容的待识别区域图像中识别关键内容的具体信息，得到具体的关键内容字符串结果；所述文字识别算法模型，为通过使用大量从不同光照、距离、分辨率、方向角度、噪声水平、压缩率以及是否置于证夹内的行驶证正副页图像中人工分割出的带文字内容信息标签的文本区域图像，对文字识别模型进行深度学习训练，得到的具有能有效从关键内容的待识别区域图像中识别关键内容的具体信息的深度神经网络模型。
7.根据权利要求1-6任一项所述的行驶证关键内容识别方法，其特征在于，所述待识别的行驶证图像通过扫描仪、高拍仪等影像化设备获取；获取的所述待识别的行驶证图像为彩色图像。
CN201910853200.4A 2019-09-10 2019-09-10 一种行驶证关键内容识别方法 Active CN110569801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910853200.4A CN110569801B (zh) 2019-09-10 2019-09-10 一种行驶证关键内容识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910853200.4A CN110569801B (zh) 2019-09-10 2019-09-10 一种行驶证关键内容识别方法

Publications (2)

Publication Number Publication Date
CN110569801A CN110569801A (zh) 2019-12-13
CN110569801B true CN110569801B (zh) 2023-06-30

Family

ID=68778782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910853200.4A Active CN110569801B (zh) 2019-09-10 2019-09-10 一种行驶证关键内容识别方法

Country Status (1)

Country Link
CN (1) CN110569801B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111339998A (zh) * 2020-03-23 2020-06-26 福建好运联联信息科技有限公司 一种运单承运质量合理性自动检测的方法及终端
CN112001318A (zh) * 2020-08-25 2020-11-27 广东光速智能设备有限公司 一种身份证件信息采集方法及其系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184398B (zh) * 2011-06-17 2012-07-18 电子科技大学 一种基于边缘检测的集装箱号码定位方法
CN103839058A (zh) * 2012-11-21 2014-06-04 方正国际软件(北京)有限公司 一种基于标准模版的文档图像的信息定位方法
CN104036241B (zh) * 2014-05-30 2018-11-09 宁波海视智能系统有限公司 一种车牌识别方法
CN106874901B (zh) * 2017-01-17 2020-07-03 北京智元未来科技有限公司 一种行驶证识别方法及装置
CN109034050B (zh) * 2018-07-23 2022-05-03 顺丰科技有限公司 基于深度学习的身份证图像文本识别方法及装置
CN109271980A (zh) * 2018-08-28 2019-01-25 上海萃舟智能科技有限公司 一种车辆铭牌全信息识别方法、系统、终端及介质
CN109460765A (zh) * 2018-09-25 2019-03-12 平安科技（深圳）有限公司 自然场景中行驶证拍照影像的识别方法、装置及电子设备
CN109829453B (zh) * 2018-12-29 2021-10-12 天津车之家数据信息技术有限公司 一种卡证中文字的识别方法、装置以及计算设备

Also Published As

Publication number Publication date
CN110569801A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN109886896B (zh) 一种蓝色车牌分割与矫正方法
CN109657632B (zh) 一种车道线检测识别方法
CN101334836B (zh) 一种融合色彩、尺寸和纹理特征的车牌定位方法
Shi et al. Automatic license plate recognition system based on color image processing
CN111382704B (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
CN103824066B (zh) 一种基于视频流的车牌识别方法
US8059868B2 (en) License plate recognition apparatus, license plate recognition method, and computer-readable storage medium
CN106156768B (zh) 基于视觉的机动车行驶证检测方法
TWI384408B (zh) 影像辨識以及輸出方法與其系統
CN104200210B (zh) 一种基于部件的车牌字符分割方法
CN109255350B (zh) 一种基于视频监控的新能源车牌检测方法
CN104050450A (zh) 一种基于视频的车牌识别方法
CN108985305B (zh) 一种激光蚀刻工业雷管编码图像定位及校正方法
CN104899554A (zh) 一种基于单目视觉的车辆测距方法
CN107563330B (zh) 一种监控视频中的水平倾斜车牌矫正方法
CN107194393B (zh) 一种检测临时车牌的方法及装置
CN107423735B (zh) 一种利用水平梯度和饱和度的车牌定位方法
WO2023279966A1 (zh) 一种多车道线检测方法、装置及检测设备
CN109409158B (zh) 一种基于二维码边缘粗糙度的防伪方法
CN108319958A (zh) 一种基于特征融合匹配的行驶证检测和识别方法
CN109886168B (zh) 一种基于层阶的地面交通标志识别方法
CN110569801B (zh) 一种行驶证关键内容识别方法
CN108304749A (zh) 道路减速线识别方法、装置及车辆
CN112906583A (zh) 一种车道线检测方法及装置
KR101794632B1 (ko) 전기차 번호판 로고 패턴 인식 방법

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