CN110659631B - 车牌识别方法和终端设备 - Google Patents
车牌识别方法和终端设备 Download PDFInfo
- Publication number
- CN110659631B CN110659631B CN201810703441.6A CN201810703441A CN110659631B CN 110659631 B CN110659631 B CN 110659631B CN 201810703441 A CN201810703441 A CN 201810703441A CN 110659631 B CN110659631 B CN 110659631B
- Authority
- CN
- China
- Prior art keywords
- license plate
- feature
- features
- convolution
- identified
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000000605 extraction Methods 0.000 claims abstract description 280
- 238000012545 processing Methods 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims description 57
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000005315 distribution function Methods 0.000 claims description 20
- 125000004122 cyclic group Chemical group 0.000 claims description 14
- 230000009469 supplementation Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 230000011218 segmentation Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005215 recombination Methods 0.000 description 3
- 230000006798 recombination Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/23—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on positionally close patterns or neighbourhood relationships
-
- 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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Character Discrimination (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种车牌识别方法及终端设备。该方法包括:获取待识别车牌数据。基于第一特征提取层对待识别数据进行特征提取和对提取到的特征进行特征加权处理,确定出待识别车牌数据的第一组图像特征。基于第一特征提取层之后的第二特征提取层对第一组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出待识别车牌数据的第二组图像特征。基于第二特征提取层之后的第三特征提取层对第一组图像特征和第二组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出待识别车牌数据的第三组图像特征。第三组图像特征用于待识别车牌数据的车牌属性的确定。采用本发明实施例,可提升车牌识别速度,也可提升车牌识别精度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种车牌识别方法和终端设备。
背景技术
随着科学技术的不断发展,图像处理技术的应用领域越来越广。例如,图像处理技术可应用于刑侦检测、智能监控等领域。其中,车牌图像的识别技术就一直是智能监控领域的研究热点和关键技术之一。智能监控技术可减少和避免交通违法行为和交通事故的发生,也可以为各类交通事故的处理提供有力的证据支撑。车牌作为机动车的固有身份特征,可准确定位到任何一辆机动车,在智能监控中起到了至关重要的作用。因而,人们对车牌识别技术的准确率的要求也越来越高。
现有技术中,车牌识别首先需要对定位出的车牌图像进行分割,以得到每个车牌号码对应的字符图像,然后对每个字符图像进行特征提取,再根据提取出的图像特征进行字符识别。现有技术中的车牌识别操作过程繁琐,识别精度受字符分割准确性的影响较大,而且当车牌图像质量较差时,识别精度低,适用性差。
发明内容
本发明实施例提供了一种车牌识别方法和终端设备,可降低车牌识别方法的复杂度,提升车牌识别速度,提高车牌识别精度。
第一方面,本发明实施例提供了一种车牌识别方法。首先,获取到待识别车牌数据。然后将该待识别车牌数据输入到训练好的特征提取模型。上述训练好的特征提取模型至少包括第一特征提取层、第二特征提取层和第三特征提取层。基于特征提取模型中的第一特征提取层对上述待识别数据进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌数据的第一组图像特征。这里,上述特征提取模型至少包括第一特征提取层、第二特征提取层和第三特征提取层。然后,基于上述第一特征提取层之后的上述第二特征提取层对上述第一组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌数据的第二组图像特征。然后,基于上述第二特征提取层之后的上述第三特征提取层对上述第一组图像特征和上述第二组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌数据的第三组图像特征。最后,将上述第三组图像特征用于上述待识别车牌数据的车牌属性的确定。这里,待识别车牌数据的车牌属性可包括车牌号码、车牌类型等,此处不作限定。这里,上述第一特征提取层、第二特征提取层和第三特征提取层仅为了区分不同的特征提取层,不具备限定作用。
在本发明实施例中,获取到待识别车牌数据后,可通过特征提取模型中的三个个特征提取层获取到待识别车牌数据的第三组图像特征。由于上述第三组图像特征融合了低层次图像特征和高层次图像特征,具有多层次的特征信息,这就使得根据上述第三组图像特征即可确定出待识别车牌属性对应的车牌属性或车牌置信度。这样可避免需要通过多组图像特征来确定出待识别车牌数据的多个车牌属性的情况,降低了车牌识别方法的复杂度。同时,通过特征加权处理使得特征的重要性得以区分,达到了特征增强的效果,可提升车牌识别的准确率。
在一些可行的实施方式中,上述第一特征提取层、上述第二特征提取层和上述第三特征提取层中任一特征提取层均包括卷积层和特征增强层。可基于上述第一特征提取层中的第一卷积层对上述待识别车牌数据进行卷积运算,以获取上述待识别车牌数据对应的第一组卷积特征。这里,上述第一组卷积特征中包括多个第一卷积特征。然后,可基于上述第一特征提取层中的第一特征增强层和上述多个第一卷积特征中各第一卷积特征,得到上述各第一卷积特征对应的权重值。最后,基于上述第一特征增强层,根据上述各第一卷积特征对应的权重值对上述各第一卷积特征进行加权处理以得到包括加权后的第一卷积特征的上述待识别车牌数据的第一组图像特征。通过卷积层对输入的待识别车牌数据进行特征提取,然后再对提取到的图像特征进行加权处理,这样可使得加权处理后的图像特征中包含有重要图像信息的图像特征得到增强,而包含有非重要图像信息的图像特征得到弱化,从而使得加权处理后的图像特征包含有更多的重要信息,使得后续的识别过程准确率得到提升。
在一些可行的实施方式中,上述第一增强层包括第一全连接子层和第一权重分配函数层。上述第一全连接子层与上述第一卷积层全连接。可基于上述第一全连接子层,根据上述第一组卷积特征中各第一卷积特征,确定出上述第一组卷积特征对应的第一卷积特征向量。然后,可基于上述第一权重分配函数层,根据上述第一卷积特征向量,确定出上述各第一卷积特征对应的权重值。通过训练后的权重分配函数层为上述各第一卷积特征进行权重分配,可使得分配后的权重值更符合第一卷积特征对应的重要程度,使得加权处理后的卷积特征能够更全面的保存图像的重要信息。
在一些可行的实施方式中,上述特征提取模型中的各特征提取层均包括卷积层和特征增强层。可基于上述第一特征提取层之后的第二特征提取层的第二卷积层对上述第一组图像特征进行卷积运算,以获取上述待识别车牌数据对应的第二组卷积特征。这里,上述第二组卷积特征中包括多个第二卷积特征。然后,可基于上述第二特征提取层中的第二特征增强层和上述多个第二卷积特征中各第二卷积特征,得到上述各第二卷积特征对应的权重值。然后,可基于上述第二特征增强层,根据上述各第二卷积特征对应的权重值对上述各第二卷积特征进行加权处理以得到包括加权后的第二卷积特征的上述待识别车牌数据的第二组图像特征。
在一些可行的实施方式中,上述第二特征增强层包括第二全连接子层和第二权重分配函数层。可基于上述第二全连接子层,根据上述第二组卷积特征中各第二卷积特征,确定出上述第二组卷积特征对应的第二卷积特征向量。然后,基于上述第二权重分配函数层,根据上述第二卷积特征向量,确定出上述各第二卷积特征对应的权重值。
在一些可行的实施方式中,上述卷积层完成的卷积操作为采样卷积操作。通过采样卷积进行特征提取,可扩大感受野,保证车牌有效信息的完整性,提升车牌识别的准确率。
在一些可行的实施方式中,当待识别车牌数据为图像时,可先获取源车牌图像,然后在源车牌图像中确定出车牌轮廓,并根据上述车牌轮廓对上述车牌图像进行图像裁剪,以得到车牌区域图像。然后,对上述车牌区域图像进行尺寸调整,以得到符合上述特征提取模型的输入要求的待识别车牌数据。对获取到的车牌图像进行背景去除和尺寸调整,可减少待识别车牌数据中的无效信息,提升后续车牌识别过程的数据处理速度。
在一些可行的实施方式中,可基于第一全连接网络,根据上述第三组图像特征,确定出上述待识别车牌数据的第一图像特征向量。其中,上述第一全连接网络至少包括一个第一全连接层,上述第一全连接层与特征提取模型中的各特征提取层全连接。然后,基于置信度分类器对上述第一图像特征向量进行分类,以确定出上述待识别车牌数据的车牌置信度。当确定上述车牌置信度等于或大于置信度阈值时,执行上述将上述第三组图像特征用于上述待识别车牌数据的车牌属性的确定的步骤。先通过车牌置信度判断获取到的车牌数据是否为真实车牌数据,在判断为真的情况下再继续根据第三组图像特征确定上述待识别车牌数据的车牌属性,这样可以避免对非车牌数据进行车牌识别的操作,可提升了车牌识别方法的识别效率。
在一些可行的实施方式中,上述车牌属性包括车牌号码。可对上述第三组图像特征中各图像特征进行重组,以得到上述第三组图像特征对应的第一组拼接特征。这里,上述第一组拼接特征中各拼接特征均由上述各图像特征的部分特征组成。然后,基于循环神经网络对上述各拼接特征进行学习,以确定出上述各拼接特征之间的相对位置信息。然后,基于上述循环神经网络对上述各拼接特征进行特征信息补充,以确定出特征信息补充后的各拼接特征。最后,基于号码分类器,根据上述相对位置信息和上述特征信息补充后的各拼接特征确定出上述待识别车牌数据对应的车牌号码。通过特征重组可使得重组后的各拼接特征包含更多层次的特征信息,使得获取到的拼接特征鲁棒性更强。通过循环神经网络获取到各拼接特征的之间的相对位置信息,并进行特征信息补充,可使得最终获取到的图像特征信息更丰富,识别出的车牌号码准确率更高。
在一些可行的实施方式中,将上述第三组图像特征中各目标图像特征按照预设的拼接方向进行拼接,以得到包含上述各目标图像特征的组合特征。这里,预设的拼接方向可包括水平拼接方向或垂直拼接方向。然后,按照预设的拼接方向对上述组合特征进行等距离切分,以得到第一组拼接特征。通过拼接和切分对特征进行重组,方法简单,易于实现,并且可使得重组后的特征具有多层次特性,有利于识别出车牌图像的多种属性。
在一些可行的实施方式中,将上述第三组图像特征输入训练好的特征权重分配层中,根据上述组合特征权重分配层对上述第三组图像特征中各目标图像特征进行权重分配以得到上述各目标图像特征对应的权重值。根据上述各目标图像特征对应的权重值对上述各目标图像特征进行加权处理,以得到上述各目标图像特征对应的加权图像特征。最后将上述各目标图像特征对应的加权图像特征按照预设的拼接方向进行拼接,即可得到组合特征。先对各目标图像特征进行加权处理,可使得重要特征和非重要特征得以区分,可提升后续的车牌属性识别的准确率。
在一些可行的实施方式中,上述车牌属性包括车牌类型。将上述第三组图像特征输入第二全连接网络,通过上述第二全连接网络确定后出上述第三组图像特征对应的第二图像特征向量。这里,上述第二全连接网络至少包括一个第二全连接层。然后将上述第二图像特征向量输入到车牌类型分类器中,通过该车牌类型分类器确定出上述待识别车牌数据的车牌类型。这里,车牌类型可以包括大型汽车号牌、小型汽车号牌、军用号牌、警用号牌等,此处不作限定。
在一些可行的实施方式中,上述车牌属性包括车牌号码。可基于第三全连接网络,根据上述第三组图像特征,确定出上述待识别车牌数据对应的第三图像特征向量。这里,上述第三全连接网络至少包括一个第三全连接层,上述第三全连接层与特征提取模型中的各特征提取层全连接。然后,基于字符个数分类器对上述第三图像特征向量进行分类,以确定出上述待识别车牌数据中包含的车牌号码的个数j。可基于j个单字符分类器中各单字符分类器对上述第三图像特征向量进行分类,以确定出上述待识别车牌数据的j个号码。这里,上述各单字符分类器分别关联一组位置信息,上述位置信息用于表述上述位置信息关联的单字符分类器确定出的号码在上述待识别车牌数据中的相对位置。根据上述各单字符分类器关联的上述位置信息对上述j个号码中的各号码进行排序,以得到上述待识别车牌数据的车牌号码通过多个单字符分类器并行识别车牌号码,可提升车牌识别的效率。
在一些可行的实施方式中,在通过由特征提取模型、全连接网络(指代上述第一全连接网络、第二全连接网络或第三全连接网络)、单字符分类器分类器、车牌类型分类器组成的识别网络1或由特征提取模型、循环神经网络、车牌号码分类器、车牌类型分类器组成的识别网络2对待识别车牌数据(假设待识别车牌数据为图像)进行识别之前,可根据获取到的多张样本车牌图像以及各样本车牌对应的一组样本标签再结合如反向传播算法等机器学习算法对上述识别网络1或识别网络2进行训练,以得到训练后的识别网络1或识别网络2。这里,上述训练后的识别网络1或识别网络2的模型参数都处于收敛状态。上述各样本车牌图像对应的一组样本标签中包含了多个样本标签,例如,各省份缩写对应的类别标签或0至9任意一个数字对应的类别标签等。
第二方面,本发明实施例提供了一种终端设备。该终端设备包括用于执行上述第一方面的任意一种可能的实现方式所提供的车牌识别方法的单元,因此也能是实现第一方面提供的车牌识别方法所具备的有益效果(或者优点)。
第三方面,本发明实施例提供了一种电子设备,该电子设备包括处理器、输入设备、存储器,上述处理器、输入设备和存储器相互连接,其中,上述存储器用于存储计算机程序,上述计算机程序包括程序指令,上述处理器被配置用于调用上述程序指令执行上述第一方面提供的车牌识别方法,也能实现上述第一方面提供的车牌识别方法所具备的有益效果。
第四方面,本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当该指令在计算机上运行时,使得计算机执行上述第一方面中任意一种可能的实现方式所提供的车牌识别方法,也能实现第一方面提供的车牌识别方法所具备的有益效果。
第五方面,本申请实施例提供了一种芯片,该芯片中包括与终端设备的收发器耦合,用于执行本申请实施例第一方面提供的技术方案。
第六方面,本申请实施例提供了一种芯片系统,该芯片系统包括处理器,用于支持终端设备实现上述第一方面中所涉及的功能,例如,生成或者处理上述第一方面提供的车牌识别方法中所涉及的信息。在一种可能的设计中,上述芯片系统还包括存储器,该存储器用于保存终端必需的程序指令和数据。该芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
第七方面,本申请实施例提供了一种包含指令的计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述第一方面提供的车牌识别方法,也能实现第一方面提供的车牌识别方法所具备的有益效果。
采用本发明实施例,可降低车牌识别方法的复杂度,提升车牌识别速度,提高车牌识别精度。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,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地介绍。
图1是本发明实施例提供的车牌识别方法的流程示意图;
图2是本发明实施例提供的特征提取模型的结构示意图;
图3是本发明实施例提供的特征组合示意图;
图4是本发明实施例提供的一种终端设备的一结构示意图;
图5是本发明实施例提供的一种终端设备的另一结构示意图;
图6是本发明实施例提供的一种终端设备的又一结构示意图;
图7是本发明实施例提供的一种电子设备的示意框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
具体实现中,本发明实施例所描述的车牌识别的方法可由手机、台式电脑、膝上计算机、可穿戴设备等具备图像处理功能的终端设备实现,此处不作限定。对本发明实施例以终端设备为执行主体进行描述。
实施例一
请参见图1,图1是本发明实施例提供的车牌识别方法的流程示意图。这里,请一并参见图2,图2是本发明实施例提供的一种特征提取模型的结构示意图。本发明实施例提供的车牌识别方法基于上述特征提取模型实现。上述特征提取模型中可包括有N个特征提取层,如第一特征提取层、第二特征提取层、第三特征提取层等。上述各个特征提取层中包含有卷积层和特征增强层。如上述第一特征提取层中包括第一卷积层和第一特征增强层。上述特征增强层可包括全连接子层和权重分配函数层,上述全连接子层与上述卷积层全连接。下文中,第一特征提取层中包括的卷积层为第一卷积层,第一特征提取层中包括的增强层为第一增强层。第一增强层中包括的全连接子层为第一全连接子层,第一增强层中包括的权重函数分配层为第一权重函数分配层。第二特征提取层和第三特征提取层中各功能单元的命名可参考第一特征提取层的命名规则,此处便不再赘述。下面以特征提取模型中的第一特征提取层、第二特征提取层和第三特征提取层为例,对本发明实施例提供的车牌识别方法进行描述。该车牌识别方法包括步骤:
S101,获取待识别车牌数据。
在一些可行的实施方式中,上述待识别车牌数据可为待识别车牌数据或者待识别车牌数据对应的一组图像特征。可选的,终端设备可通过其具备的摄像头等图像采集设备直接获取待识别车牌数据。或者,终端设备还可从与其相连接的外部存储设备中获取待识别车牌数据。其中,上述外部存储设备可包括软盘、移动硬盘、U盘等,此处不作限定。可选的,终端设备也可从与其相连接的外部存储设备中获取到待识别车牌数据对应的一组图像特征,作为待识别车牌数据。
在一些可行的实施方式中,终端设备可通过其具备的图像采集设备或者与其相连接的外部存储设备获取到源车牌图像。可选的,终端设备在获取到上述源车牌图像后,可先通过空间频域滤波方法或者变换域滤波算法对上述源车牌图像进行去噪处理。再通过图像识别在上述源车牌图像中确定出车牌轮廓。然后,终端设备可根据上述车牌轮廓对源车牌图像进行图像裁剪,以得到滤除背景后的车牌区域图像。其后,终端设备可获取预设的标准图像尺寸。其中,上述标准图像尺寸可根据特征提取模型的输入图像要求进行设定。终端设备根据上述标准图像尺寸对上述车牌轮廓图像进行尺寸调整,即可得到符合特征提取模型的输入要求的待识别车牌数据。对获取到的待识别车牌数据进行背景去除和尺寸调整,可减少待识别车牌数据中的无效信息,减少后续车牌识别过程的数据处理量。
S102,基于特征提取模型中的第一特征提取层对上述待识别数据进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌数据的第一组图像特征。
在一些可行的实施方式中,终端设备获取到上述待识别车牌数据后,可将上待识别车牌数据输入到第一特征提取层中的第一卷积层,通过上述第一卷积层包含的卷积核对上述待识别车牌数据进行卷积操作,以得到上述待识别车牌数据对应的第一组卷积特征。其中,上述第一组卷积特征中包括多个第一卷积特征,上述第一卷积特征的个数由第一卷积层中的卷积核的个数确定,一个卷积核对应一个第一卷积特征。上述各个第一卷积特征具体表现形式可为特征矩阵的形式。
然后,终端设备可将上述第一组卷积特征输入到上述第一特征增强层中的第一全连接子层。终端设备通过上述第一全连接层对上述各个第一卷积特征进行整合,以得到上述第一组卷积特征对应的第一卷积特征向量。然后,终端设备可将上述第一卷积特征向量输入到上述第一权重分配函数层,通过上述第一权重分配函数层为上述各个第一卷积特征分配相应的权重值。然后,终端设备可基于上述第一权重分配函数层,根据上述各个第一卷积特征对应的权重值对上述各个第一卷积特征进行加权处理,并将加权后的各第一卷积特征确定出待识别车牌数据对应的第一组图像特征。例如,假设上述第一组卷积特征中包括第一卷积特征A、第二卷积特征B和第三卷积特征C。上述第一权重分配层可为上述第一卷积特征A分配一个权重值a,为第一卷积特征B分配一个权重值b,为第一卷积特征C分配一个权重值c。其中,上述a+b+c=1。然后,终端设备可将第一卷积特征A对应的特征矩阵中包括的每个特征值均乘上系数a,以得到加权后的第一卷积特征A。同理,终端设备可通过第一权重函数分配层获取到可得到加权后的第一卷积特征B和加权后的第一卷积特征C。然后,终端设备可将加权后的第一卷积特征A、加权后的第一卷积特征B和加权后的第一卷积特征C上确定为待识别车牌数据的第一组图像特征。可选的,实际应用中,在上述第一全连接子层和第一权重分配函数层之间还可包括激活函数层。上述激活函数层用于为上述第一全连接子层输出的第一卷积特征向量引入非线性因素,以使得处理后的第一卷积特征向量更符合实际应用场景。
在本发明实施例中,通过第一卷积层对输入的待识别车牌数据进行特征提取,然后再通过第一增强层对提取到的第一组卷积特征进行加权处理。这样,可使得加权处理后得到的第一组图像特征中表征重要图像信息的图像特征得到增强,而表征非重要图像信息的图像特征得到弱化,使得第一组图像特征中有效特征信息比重大,从而提升后续的识别过程的准确率。
S103,基于上述第一特征提取层之后的上述第二特征提取层对上述第一组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌数据的第二组图像特征。
在一些可行的实施方式中,终端设备可将上述第一组图像特征输入到上述第一特征提取层后的第二特征提取层中。这里,上述第二特征提取层包括第二卷积层和第二特征增强层。上述第二特征增强层包括第二全连接子层和第二权重分配函数层。上述第二卷积层可通过其包括的卷积核对上述第一组图像特征中各目标图像特征进行卷积处理,以得到待识别车牌数据的第二组卷积特征。其中,上述第二组卷积特征组包括多个第二卷积特征,上述第二卷积特征的个数由上述第二卷积层中卷积核的个数确定。然后,终端设备可通过上述第二特征增强层对上述第二组卷积特征中各第二卷积特征进行加权处理,以得到待识别车牌数据的第二组图像特征。对上述第二组卷积特征中各第二卷积特征进行加权处理的过程可参见上文叙述的对第一组卷积特征中各第一卷积特征进行加权处理的过程,此处便不再赘述。同理,终端设备通过上述操作可使得得到的第二组图像特征中包含有重要图像信息的图像特征得到增强,而包含有非重要图像信息的图像特征得到弱化,使得第二组图像特征中有效特征信息比重大,从而提升后续的识别过程的准确率。
S104,基于上述第二特征提取层之后的上述第三特征提取层对上述第一组图像特征和上述第二组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌数据的第三组图像特征。
在一些可行的实施方式中,终端设备在获取到待识别车牌数据的第一组图像特征和第二组图像特征后,可将上述第一组图像特征和第二组图像特征均作为第二特征提取层后的第三特征层的输入。通过第三特征提取层获取到待识别车牌数据的第三组图像特征。终端设备基于上述第三特征提取层根据第一组图像特征和第二组图像特征获取到待识别车牌数据的第三组图像特征的过程可参见与步骤S102中所描述的基于第二特征提取层获取到待识别车牌数据的第二组图像特征的过程,此处便不再赘述。
在一些可行的实施方式中,上述特征提取模型中可包括上述第一特征提取层、上述第二特征提取层、上述第三特征提取层在内的N个特征提取层。终端设备在获取到上述第一组图像特征、第二组图像特征和第三组图像特征后,可将上述第一组图像特征、第二组图像特征和第三组图像特征作为特征提取模型中的第四特征提取层的输入,并根据上述第四特征提取层对上述第一组图像特征、第二组图像特征和第三组图像特征进行特征提取和特征加权处理以得到待识别车牌数据的第四组图像特征。同理,上述第四特征提取层之后的任一特征提取层i的输入均为特征提取层i之前的所有特征提取层的输出。重复上述操作,直至特征提取模型中第N特征提取层输出待识别车牌数据的第N组图像特征为止。其中,第四特征提取层及其之后的任一特征提取层i进行特征提取和对提取到的特征进行加权的过程可参见上述第二特征提取层根据第一组图像特征确定出待识别车牌数据的第二组图像特征的过程,此处便不再赘述。上述第N组图像特征中包括多个图像特征(为方便理解,下文以目标图像特征代替描述)。通过上述过程,可使得获取到的第N组图像特征中各目标图像特征结合了所有特征提取层获取到的有效特征信息,使得第N组图像特征具备多层次特性,即第N组图像特征中同时包含了颜色、边缘、纹理等低层次图像特征和字符位置、字符大小等高层次图像特征。这样可保证终端设备后续可根据上述第N组图像特征识别到车牌图像包括的多个车牌属性。这里,上述车牌属性可包括车牌号码、车牌类型等,此处不作限定。
在一些可行的实施方式中,上述各个特征提取层中的卷积层完成的卷积操作可为采样卷积操作。通过对输入的待识别车牌数据(即待识别车牌数据或待识别车牌数据对应的一组图像特征)进行采样卷积,可在保持图像分辨率的同时扩大感受野,保证了获取到的卷积特征能包含有完整的图像特征信息。可提升后续车牌属性确定过程的准确率。
S105,将上述第三组图像特征用于上述待识别车牌数据的车牌属性的确定。
在一些可行的实施方式中,终端设备在获取到上述待识别车牌数据的第三组图像特征后,可基于训练好的分类器根据上述第三组图像特征确定出待识别车牌数据对应的车牌属性。其中,上述车牌属性可包括车牌号码、车牌类型等,此处不作限定。
可选的,终端设备可将上述第三组图像特征输入到训练好的第三全连接网络,通过第三全连接网络对第三组图像特征中各目标图像特征进行整合处理,以获取到第N组图像特征对应的第三图像特征向量。上述第三全连接网络中至少包括一个第三全连接层,上述第三全连接层的个数可根据实际应用场景设定,此处不作限定。然后,终端设备可将上述第三图像特征向量输入到训练好的字符个数分类器中,基于上述字符个数分类器对上述第三图像特征向量进行分类,并根据字符个数分类器的输出确定出待识别车牌数据对应的车牌号码的个数j。然后,终端设备可在预设的多个单字符分类器中选择j个单字符分类器。将上述第三图像特征向量分别输入到j个单字符分类器中,根据上述j个单字符分类器的输出结果确定出上述待识别车牌数据的j个号码。最后,终端设备可根据上述j个单字符分类器中各单字符分类器关联的位置信息对上述j号码中的各个号码进行排序,以得到上述待识别车牌数据的车牌号码。其中,上述j个单字符分类器中的每个单字符分类器均关联有一组位置信息。上述位置信息用于表述与位置信息相关联的单字符分类器确定出的号码在上述待识别车牌数据中的相对位置。上述一组位置信息可包括水平位置信息和垂直位置信息,此处不作限定。上述单字符分类器仅用于对车牌号码中的单个号码或文字进行分类。例如,假设预先设定了8个单字符分类器,依次为单字符分类器1至单字符分类器8。上述8个单字符分类器中每个单字符分类器都关联有一组位置信息。设定单字符分类器1关联的位置信息对应于车牌号码的第一位,通常为文字。单字符分类器2关联的位置信息对应于车牌号码的第二位。同理,8个单字符分类器对应于8位车牌号码。若终端设备通过字符个数分类器确定出上述待识别车牌数据对应的车牌号码有7位,则分别将上述第三图像特征向量输入到8个单字符分类器中的7个单字符分类器中,通过这个7个单字符分类器确定出1个文字和6个数字或字母。然后,终端设备可根据各个单字符分类器关联的位置信息对上述1个文字和6个数字或字母进行排序,最终可得到待识别车牌数据对应的车牌号码。这里,通过多个单字符分类器并行识别车牌数据对应的车牌号码,可提升车牌识别方法的效率。
可选的,在终端设备通过第三组图像特征确定待识别车牌数据对应的车牌号码的场景下,终端设备在获取到上述第三组图像特征后,可先对上述第三组图像特征中各目标图像特征进行重组,以得到上述第三组图像特征对应的第一组拼接特征。这里,上述第一组拼接特征中各拼接特征均由上述各目标图像特征的部分特征组成。具体实现中,请一并参见图3,图3是本发明实施例提供的特征重组示意图。首先,终端设备可将上述第三组图像特征中各目标图像特征按照预设的拼接方向进行拼接,以得到包含有第三组图像特征中各目标图像特征的组合特征。其中,上述拼接方向可为水平方向或垂直方向,此处不作限定。可选的,终端设备在对上述第三组图像特征中各目标图像特征进行组合之前,可先对上述各个目标图像特征进行加权处理。具体实现中,终端设备可将上述各个目标图像特征输入到预设的组合特征权重分配层中,根据上述组合特征权重分配层对上述各个目标图像特征进行加权处理,以得到各目标图像特征对应的加权图像特征,再对上述多个加权图像特征按照预设的拼接方向进行拼接以得到第三组图像特征对应的组合特征。这里,对目标图像特征进行加权处理可使得处理后的特征中可包含更多有效图像信息,可提升后续车牌识别步骤的准确度。
然后,终端设备可获取到预设的切分份数,再根据上述切分份数按照预设的拼接方向对上述组合特征进行等距离切分,以得到第三组图像特征对应的第一组拼接特征。可选的,上述拼接方向和切分份数可由实际应用情况确定。如识别国内车牌,则可设定拼接方向为垂直方向,设定切分份数为7份。其中,上述第一组拼接特征中包含有多个拼接特征。例如,如图3所示,假设第三组图像特征中包括了3个目标图像特征,具体实现中,上述3个目标图像特征可以3个特征图的形式实现。终端设备可先将上述3个目标图像特征对应的3个特征图按照垂直方向进行拼接以得到组合特征。然后,终端设备可获取到预设的切分份数,再根据上述特征图的尺寸确定出切分间距。如,假设切分份数为7,特征图的宽度为14,则切分间距为2。然后,终端设备了根据上述切分间距对上述组合特征进行等距离切分,最终得到第三组图像特征对应的第一组拼接特征。上述第一组拼接特征中包含有7个拼接特征。终端设备通过拼接和切分对图像特征进行重组,方法简单,易于实现,并且可使得重组后的特征具有多层次特性,可提升后续车牌属性识别过程的准确率。
终端设备在获取到第三组图像特征对应的第一组拼接特征后,可将上述第一组拼接特征中的各拼接特征按照预定输入次序依次输入到训练好的循环神经网络中。然后,终端设备可根据循环神经网络输出确定出上述各拼接特征之间的相对位置信息。其中,上述相对位置信息用于确定各拼接特征对应的图像内容在待识别车牌数据所对应的待识别车牌数据中的具体位置。同时,由于循环神经网络的记忆特性,终端设备可通过上述循环神经网络对各拼接特征进行特征信息补全,以得到特征信息补充后的各拼接特征。例如,假设待识别车牌数据对应的车牌图像中的代表车辆所在省份的缩写的“粤”字仅有一半,另一半被遮挡,则“粤”字所对应的拼接特征P会出现信息不完整的情况。基于循环神经网络的记忆特性,拼接特征P经过循环神经网络处理会得到特征信息补充,即循环神经网络输出的是可完整表征“粤”字的特征信息补充后的拼接特征P。然后,终端设备可按照上述预定输入次序依次将上述多个特征信息补充后的拼接特征输入到训练好的车牌号码分类器中,根据车牌号码分类器的输出确定出多个车牌字符。其中,一个特征信息补充后的拼接特征对应输出一个车牌字符,车牌字符可为汉字、字母或数字。最后,终端设备可根据上述各拼接特征之间的相对位置信息对上述多个车牌字符进行排序,最终识别出待识别车牌数据对应的车牌号码。这里,若实际车牌号码的个数小于车牌号码分类器实际确定出的车牌号码的个数,可根据预设规则对车牌号码分类器实际确定出的车牌号码进行整合,以得到识别出待识别车牌数据对应的车牌号码。例如,若实际待识别车牌数据对应的车牌号码只有7位,但是车牌号码分类器确定出了10个车牌号码,则终端设备可将上述10个车牌号码中相同但不具备预设的重复标志的车牌号码合并成一个,从而最终确定出待识别车牌数据对应的7位车牌号码。
在本发明实施例中,终端设备通过特征重组可使得重组后的各拼接特征包含更多层特征信息,使得获取到的拼接特征鲁棒性更强。再通过循环神经网络获取到各拼接特征的之间的相对位置信息,并进行特征信息补充,可使得最终获取到的图像特征包含的图像信息更完整,可提高车牌号码识别的精度。
在一些可行的实施方式中,在终端设备通过第三组图像特征确定待识别车牌数据对应车牌置信度的场景下,终端设备可将上述第三组图像特征输入到训练好的第一全连接网络,通过上述第一全连接网络确定出上述第三组图像特征对应的第一图像特征向量。其中,上述第一全连接网络用于对输入的一组图像特征中的多个图像特征进行整合以得到对应的图像特征向量。上述第一全连接网络中至少包括一个第一全连接层,上述第一全连接层的个数可根据实际应用场景设定,此处不作限定。然后,终端设备可将上述第一图像特征向量输入到训练好的置信度分类器中,通过该置信度分类器对上述第一图像特征向量进行分类,以确定出上述待识别车牌数据对应的的车牌置信度。上述车牌置信度用于表征上述待识别车牌数据为真实车牌数据的可信度。当终端设备确定出车牌置信度大于预设的置信度阈值后,才继续执行根据第三组图像特征确定出上述待识别车牌数据的车牌属性的操作。这里,终端设备先通过车牌置信度判断获取到的车牌数据是否为真实车牌数据,在判断为真的情况下再继续根据第三组图像特征确定上述待识别车牌数据的车牌属性,这样可以避免对非车牌数据进行车牌识别的操作,可提升了车牌识别方法的识别效率。
在一些可行的方式中,终端设备可将上述第三组图像特征输入到预设的第二全连接网络,通过上述第二全连接网络对各个目标图像特征进行整合,以确定出上述第三组图像特征对应的第二图像特征向量。上述第二全连接网络中至少包括一个第二全连接层,上述第二全连接层的个数可根据实际应用场景设定,此处不作限定。然后,终端设备可将上述第二图像特征向量输入到训练好的车牌类型分类器中,根据该车牌类型分类器的输出确定出待识别车牌数据对应的车牌类型。这里,车牌类型可以包括大型汽车号牌、小型汽车号牌、军用号牌、警用号牌等,此处不作限定。这里,终端设备在识别出待识别车牌数据对应的车牌号码和车牌类型后,可判断识别出的车牌号码和车牌类型是否匹配。若终端设备确定识别出的车牌号码中用于表征车牌类型的字符和终端设备识别出的车牌类型相匹配,则表明识别出的车牌号码真实有效。若终端设备确定识别出的车牌号码中用于表征车牌类型的字符和终端设备识别出的车牌类型不匹配,则说明终端设备识别出车牌号码或/和车牌类型有误,可重新对上述待识别车牌数据进行识别操作。通过上述识别结果的匹配操作,可提升车牌识别方法的准确度。这里,需要说明的是,上述第一全连接网络、第二全连接网络和第三全连接网络可为同一个的全连接网络,也可为不同的全连接网络,此处不作限定。
在一些可行的实施方式中,由上文描述的内容可知,本发明实施例提供的车牌识别方法主要提供了两种识别网络结构,假设为识别网络1和识别网络2。识别网络1可由特征提取模型、全连接网络(指代上述第一全连接网络、第二全连接网络或第三全连接网络)、单字符分类器或车牌类型分类器组成。识别网络2可由特征提取模型、循环神经网络、车牌号码分类器或车牌类型分类器组成。在对待识车牌数据进行车牌识别操作之前,终端设备可预先对上述识别网络1和识别网络2进行训练。具体实现中,识别网络1和识别网络2的训练方法相同,下面以识别网络1的训练过程为例进行描述,其中,待识别车牌数据为图像数据。终端设备可获取到多张样本车牌图像以及各样本车牌图像对应的一组样本标签。其中,上述各样本车牌图像对应的一组样本标签中包含了多个样本标签,例如,各省份缩写对应的类别标签或0至9任意一个数字对应的类别标签等。下面以样本车牌图像I及其对应的一组样本标签s为例对训练过程进行描述。首先,终端设备可将样本车牌图像I输入到特征提取模型,以获取到样本车牌图像I对应的第N组样本特征,然后通过全连接层得到样本车牌图像I对应的图像特征向量,最后将该图像特征向量输入到各个单字符分类器中,根据各单字符分类器或车牌类型分类器输出的结果以及一组样本标签s再结合如反向传播算法等机器学习算法对特征提取模型、全连接层以及各类分类器的模型参数进行修正。重复上述操作,直至特征提取模型、全连接层以及各类分类器的模型参数达到收敛状态,即可获取到训练完成的识别网络1。
这里,需要说明的是,上述特征提取模型中可包括上述第一特征提取层、上述第二特征提取层、上述第三特征提取层在内的N个特征提取层。终端设备在获取特征提取模型中第N特征提取层输出的到待识别车牌数据的第N组图像特征后,可根据上述第N组图像特征识别到待识别车牌数据对应的车牌属性或车牌置信度。终端设备根据上述第N组图像特征识别到待识别车牌数据对应的车牌属性或车牌置信度的过程可参见上文上述根据上述第三组图像特征识别到待识别车牌数据对应的车牌属性或车牌置信度的过程,此处便不再赘述。上述特征提取模型中包含的特征提取层的个数可根据实际应用场景确定,此处不作限定。
在本发明实施例中,终端设备获取到待识别车牌数据后,可通过特征提取模型中的三个特征提取层获取到待识别车牌数据的第三组图像特征。由于上述第三组图像特征具有多层次的特征信息,这就使得终端设备根据上述第三组图像特征即可确定出待识别车牌数据包含的车牌属性或车牌置信度。这样可避免需要通过多组图像特征来确定出待识别车牌数据的多个车牌属性的情况,降低了车牌识别方法的复杂度。同时,终端设备通过特征加权处理使得特征的重要性得以区分,可提升车牌识别的精度。
实施例二
请参见图4,图4是本发明实施例提供的一种终端设备的一结构示意图。上述终端设备包括:
获取单元10,用于获取待识别数据,上述待识别数据包括待识别车牌图像或者上述待识别车牌对应的一组图像特征。
特征提取单元20,用于基于特征提取模型中的第一特征提取层对上述获取单元10获取的上述待识别数据进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌图像的第一组图像特征。其中,上述特征提取模型至少包括第一特征提取层、第二特征提取层和第三特征提取层。
上述特征提取单元20,还用于基于上述第一特征提取层之后的上述第二特征提取层对上述第一组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌图像的第二组图像特征。
上述特征提取单元20,还用于基于上述第二特征提取层之后的上述第三特征提取层对上述第一组图像特征和上述第二组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌图像的第三组图像特征。
识别单元30,用于将上述特征提取单元20获取的第三组图像特征用于上述待识别车牌数据的车牌属性的确定。
在一些可行的实施方式中,上述第一特征提取层、上述第二特征提取层和上述第三特征提取层中任一特征提取层均包括卷积层和特征增强层。上述特征提取单元20用于:
基于上述第一特征提取层中的第一卷积层对上述获取单元10获取的上述待识别车牌数据进行卷积运算,以获取上述待识别车牌数据对应的第一组卷积特征。其中,上述第一组卷积特征中包括多个第一卷积特征。基于上述第一特征提取层中的第一特征增强层和上述多个第一卷积特征中各第一卷积特征,得到上述各第一卷积特征对应的权重值。基于上述第一特征增强层,根据上述各第一卷积特征对应的权重值对上述各第一卷积特征进行加权处理以得到包括加权后的第一卷积特征的上述待识别数据的第一组图像特征。
在一些可行的实施方式中,上述第一特征增强层包括第一全连接子层和第一权重分配函数层,上述第一全连接子层与上述第一卷积层全连接。上述特征提取单元20用于:
基于上述第一全连接子层,根据上述第一组卷积特征中各第一卷积特征,确定出上述第一组卷积特征对应的第一卷积特征向量。基于上述第一权重分配函数层,根据上述第一卷积特征向量,确定出上述各第一卷积特征对应的权重值。
在一些可行的实施方式中,上述特征提取单元20还用于:
基于上述第一特征提取层之后的第二特征提取层的第二卷积层对上述第一组图像特征进行卷积运算,以获取上述待识别车牌数据对应的第二组卷积特征。其中,上述第二组卷积特征中包括多个第二卷积特征。基于上述第二特征提取层中的第二特征增强层和上述多个第二卷积特征中各第二卷积特征,得到上述各第二卷积特征对应的权重值。基于上述第二特征增强层,根据上述各第二卷积特征对应的权重值对上述各第二卷积特征进行加权处理以得到包括加权后的第二卷积特征的上述待识别车牌数据的第二组图像特征。
在一些可行的实施方式中,上述第二特征增强层包括第二全连接子层和第二权重分配函数层,上述特征提取单元20还用于:
基于上述第二全连接子层,根据上述第二组卷积特征中各第二卷积特征,确定出上述第二组卷积特征对应的第二卷积特征向量。基于上述第二权重分配函数层,根据上述第二卷积特征向量,确定出上述各第二卷积特征对应的权重值。
在一些可行的实施方式中,上述特征提取单元20中的卷积层完成的卷积操作为采样卷积操作。
在一些可行的实施方式中,上述获取单元10用于:
获取源车牌图像。在上述源车牌图像中确定出车牌轮廓,并根据上述车牌轮廓对上述源车牌图像进行图像裁剪,以得到车牌区域图像。对上述车牌区域图像进行尺寸调整,以得到符合上述特征提取模型的输入要求的待识别车牌数据。
在一些可行的实施方式中,请一并参见图5,图5是本发明实施例提供的一种终端设备的另一结构示意图。上述终端设备还包括:
车牌置信度确定单元40,用于基于第一全连接网络,根据上述特征提取单元30获取的上述第三组图像特征,确定出上述待识别车牌数据的第一图像特征向量。其中,上述第一全连接网络至少包括一个第一全连接层。上述第一全连接层与特征提取模型中的各特征提取层全连接。上述车牌置信度确认单元40,还用于基于置信度分类器对上述第一图像特征向量进行分类,以确定出上述待识别车牌数据的车牌置信度。
当上述车牌置信度确认单元40确定上述车牌置信度等于或大于置信度阈值时,上述识别单元30用于将上述第三组图像特征用于上述待识别车牌数据的车牌属性的确定的步骤。
在一些可行的实施方式中,上述车牌属性包括车牌号码。上述识别单元30用于:
对上述特征提取单元获取的上述第三组图像特征中各图像特征进行重组,以得到上述第三组图像特征对应的第一组拼接特征。其中,上述第一组拼接特征中各拼接特征均由上述各图像特征的部分特征组成。基于循环神经网络对上述各拼接特征进行学习,以确定出上述各拼接特征之间的相对位置信息。基于上述循环神经网络对上述各拼接特征进行特征信息补充,以确定出特征信息补充后的各拼接特征。基于号码分类器,根据上述相对位置信息和上述特征信息补充后的各拼接特征确定出上述待识别车牌数据对应的车牌号码。
在一些可行的实施方式中,上述识别单元30还用于:
将上述特征提取单元20获取的上述第三组图像特征中各图像特征按照预设的拼接方向进行拼接,以得到包含上述各图像特征的组合特征。其中,上述拼接方向包括水平方向或垂直方向。按照上述拼接方向将上述组合特征等距离切分,以得到第一组拼接特征。
在一些可行的实施方式中,上述识别单元30还用于:
将上述特征提取单元20获取的上述第三组图像特征输入组合特征权重分配层中,根据上述组合特征权重分配层对上述第三组图像特征中的各目标图像特征进行权重分配以得到上述各目标图像特征对应的权重值。根据上述各目标图像特征对应的权重值对上述各目标图像特征进行加权处理,以得到上述各目标图像特征对应的加权图像特征。将上述各目标图像特征对应的加权图像特征按照预设的拼接方向进行拼接。
在一些可行的实施方式中,上述车牌属性包括车牌类型。上述识别单元30用于:
将上述特征提取单元20获取的上述第三组图像特征输入第二全连接网络,通过上述第二全连接网络确定出上述第三组图像特征对应的第二图像特征向量。上述第二全连接网络至少包括一个第二全连接层。将上述第二图像特征向量输入到车牌类型分类器中,通过上述车牌类型分类器确定出上述待识别车牌数据的车牌类型。
在一些可行的实施方式中,上述车牌属性包括车牌号码。上述识别单元30用于:
基于第三全连接网络,根据上述特征提取单元20获取的第三组图像特征,确定出上述待识别车牌数据对应的第三图像特征向量。其中,上述第三全连接网络至少包括一个第三全连接层,上述第三全连接层与特征提取模型中的各特征提取层全连接。基于字符个数分类器对上述第三图像特征向量进行分类,以确定出上述待识别车牌数据中包含的车牌号码的个数j。基于j个单字符分类器中各单字符分类器对上述第三图像特征向量进行分类,以确定出上述待识别车牌数据的j个号码。其中,上述各单字符分类器分别关联一组位置信息,上述位置信息用于表述上述位置信息关联的单字符分类器确定出的号码在上述待识别车牌数据中的相对位置。根据上述各单字符分类器关联的上述位置信息对上述j个号码中的各号码进行排序,以得到上述待识别车牌数据的车牌号码。
在一些可行的实施方式中,上述待识别车牌数据可为待识别车牌数据或者待识别车牌数据对应的一组图像特征。获取单元10可通过其具备的摄像头等图像采集设备直接获取待识别车牌数据。或者,获取单元10还可从与其相连接的外部存储设备中获取待识别车牌数据。其中,上述外部存储设备可包括软盘、移动硬盘、U盘等,此处不作限定。可选的,获取单元10也可从与其相连接的外部存储设备中获取到待识别车牌数据对应的一组图像特征,作为待识别车牌数据。
可选的,获取单元10可通过其具备的图像采集设备或者与其相连接的外部存储设备获取到源车牌图像。可选的,获取单元10在获取到上述源车牌图像后,可先通过空间频域滤波方法或者变换域滤波算法对上述源车牌图像进行去噪处理。再通过图像识别在上述源车牌图像中确定出车牌轮廓。然后,获取单元10可根据上述车牌轮廓对源车牌图像进行图像裁剪,以得到滤除背景图像后的车牌区域图像。其后,获取单元10可获取预设的标准图像尺寸。其中,上述标准图像尺寸可根据特征提取模型的输入图像要求进行设定。获取单元10根据上述标准图像尺寸对上述车牌轮廓图像进行尺寸调整,以得到符合特征提取模型输入图像尺寸要求的待识别车牌数据。获取单元10对获取到的车牌图像进行背景去除和尺寸调整,可减少车牌图像中的无效信息,提升后续车牌识别过程的数据处理速度。
特征提取单元20可将获取单元10获取到的待识别车牌数据输入到训练好的特征提取模型中。并基于特征提取模型中的第一特征提取层、第二特征提取层和第三特征提取层对上述待识别数据进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌数据的第一组图像特征。特征提取单元20对待识别车牌数据进行图特征提取以得到第三组图像特征的过程可参见实施例一中步骤S102、步骤S103和步骤S104所描述的获取第三组图像特征的过程,此处便不再赘述。可选的,特征提取单元20还可通过包括上述第一特征提取层、上述第二特征提取层、上述第三特征提取层在内的N个特征提取层获取到待识别车牌数据对应的第N组图像特征。具体过程可参见特征提取单元20获取待识别车牌数据的第三组图像特征的过程。
特征提取单元20获取到待识别车牌数据的第三组图像特征后,识别单元30可根据上述特征提取单元20获取的第三组图像特征确定出待识别车牌数据对应的车牌属性或车牌置信度。具体过程可参见实施例一中步骤S105中所描述的根据第三组图像特征确定出待识别车牌数据的车牌属性或车牌置信度的过程,此处便不再赘述。
可选的,请一并参见图6,图6是本发明实施例提供的一种终端设备的又一结构示意图。该终端设备还包括训练单元50。在对获取单元10获取到的待识别车牌数据进行识别之前,训练单元50需要对由特征提取模型、全连接网络(指代上述第一全连接网络、第二全连接网络或第三全连接网络)、单字符分类器分类器、车牌类型分类器组成的识别网络1或由特征提取模型、循环神经网络、车牌号码分类器、车牌类型分类器组成的识别网络2进行训练。具体的训练过程可参见实施一中步骤S105中所描述的对识别网络1和识别网络2进行训练的过程,此处便不再赘述。
在本发明实施例中,获取单元10获取到待识别车牌数据后,特征提取单元20通过特征提取模型中的多个特征提取节点得到获取单元10获取到待识别车牌数据的第三组图像特征。这就使得识别单元30根据特征提取单元20获取的第三组图像特征即可确定出待识别车牌数据对应的车牌属性。这样就无需通过多组特征来确定出待识别车牌数据对应的车牌属性,降低了车牌识别方法的复杂度。同时,特征提取单元20通过特征加权处理使得特征的重要性得以区分,可提升车牌识别的精度。
请参见图7,图7是本发明实施例提供的一种电子设备的示意框图。如图7所示的本实施例中的电子设备可以包括:一个或多个处理器701、总线系统704、一个或多个输入设备703、存储器702。上述处理器701、输入设备703、和存储器702通过总线系统704连接。存储器702用于存储计算机程序,上述计算机程序包括程序指令,处理器701用于执行存储器702存储的程序指令。其中,处理器701被配置用于调用上述程序指令执行:
获取到待识别车牌数据。基于特征提取模型中的第一特征提取层对上述待识别数据进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌数据的第一组图像特征。这里,上述特征提取模型至少包括第一特征提取层、第二特征提取层和第三特征提取层。然后,基于上述第一特征提取层之后的上述第二特征提取层对上述第一组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌数据的第二组图像特征。然后,基于上述第二特征提取层之后的上述第三特征提取层对上述第一组图像特征和上述第二组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌数据的第三组图像特征。最后,将上述第三组图像特征用于上述待识别车牌数据的车牌属性的确定。
应当理解,在本发明实施例中,所称处理器701可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备703可以包括摄像头、摄影机等具备拍照功能的设备。
存储器702可以包括只读存储器和随机存取存储器,并向处理器701提供指令和数据。存储器702的一部分还可以包括非易失性随机存取存储器。例如,存储器702还可以存储设备类型的信息。
存储器702存储了如下的元素,可执行模块或者数据结构,或者它们的子集,或者它们的扩展集:
操作指令:包括各种操作指令,用于实现各种操作。
具体实现中,本发明实施例中所描述的处理器701、存储器702和输入设备703可执行本发明实施例提供的车牌识别方法所描述的实现方式,在此不再赘述。
本发明实施例中提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当该指令在计算机上运行时实现:获取到待识别车牌数据。基于特征提取模型中的第一特征提取层对上述待识别数据进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌数据的第一组图像特征。这里,上述特征提取模型至少包括第一特征提取层、第二特征提取层和第三特征提取层。然后,基于上述第一特征提取层之后的上述第二特征提取层对上述第一组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌数据的第二组图像特征。然后,基于上述第二特征提取层之后的上述第三特征提取层对上述第一组图像特征和上述第二组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出上述待识别车牌数据的第三组图像特征。最后,将上述第三组图像特征用于上述待识别车牌数据的车牌属性的确定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (19)
1.一种车牌识别方法,其特征在于,所述方法包括:
获取待识别车牌数据,所述待识别车牌数据包括待识别车牌图像或者待识别车牌对应的一组图像特征;
基于特征提取模型中的第一特征提取层对所述待识别车牌数据进行特征提取和对提取到的特征进行特征加权处理,以确定出所述待识别车牌数据的第一组图像特征,其中,所述特征提取模型至少包括第一特征提取层、第二特征提取层和第三特征提取层;
基于所述第一特征提取层之后的所述第二特征提取层对所述第一组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出所述待识别车牌数据的第二组图像特征;
基于所述第二特征提取层之后的所述第三特征提取层对所述第一组图像特征和所述第二组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出所述待识别车牌数据的第三组图像特征;
将所述第三组图像特征用于所述待识别车牌数据的车牌属性的确定,所述车牌属性包括车牌号码,
所述将所述第三组图像特征用于所述待识别车牌数据的车牌属性的确定包括:对所述第三组图像特征中各图像特征进行重组,以得到所述第三组图像特征对应的第一组拼接特征,其中,所述第一组拼接特征中各拼接特征均由所述各图像特征的部分特征组成,基于循环神经网络对所述各拼接特征进行学习,以确定出所述各拼接特征之间的相对位置信息,基于所述循环神经网络对所述各拼接特征进行特征信息补充,以确定出特征信息补充后的各拼接特征,基于号码分类器,根据所述相对位置信息和所述特征信息补充后的各拼接特征确定出所述待识别车牌数据对应的车牌号码。
2.根据权利要求1所述的方法,其特征在于,所述第一特征提取层、所述第二特征提取层和所述第三特征提取层中任一特征提取层均包括卷积层和特征增强层,所述基于特征提取模型中的第一特征提取层对所述待识别车牌数据进行特征提取和特征加权处理,以确定出所述待识别车牌数据的第一组图像特征包括:
基于所述第一特征提取层中的第一卷积层对所述待识别车牌数据进行卷积运算,以获取所述待识别车牌数据对应的第一组卷积特征,其中,所述第一组卷积特征中包括多个第一卷积特征;
基于所述第一特征提取层中的第一特征增强层和所述多个第一卷积特征中各第一卷积特征,得到所述各第一卷积特征对应的权重值;
基于所述第一特征增强层,根据所述各第一卷积特征对应的权重值对所述各第一卷积特征进行加权处理以得到包括加权后的第一卷积特征的所述待识别车牌数据的第一组图像特征。
3.根据权利要求2所述的方法,其特征在于,所述第一特征增强层包括第一全连接子层和第一权重分配函数层,所述第一全连接子层与所述第一卷积层全连接,所述基于所述第一特征提取层中的第一特征增强层和所述多个第一卷积特征中各第一卷积特征,得到所述各第一卷积特征对应的权重值包括:
基于所述第一全连接子层,根据所述第一组卷积特征中各第一卷积特征,确定出所述第一组卷积特征对应的第一卷积特征向量;
基于所述第一权重分配函数层,根据所述第一卷积特征向量,确定出所述各第一卷积特征对应的权重值。
4.根据权利要求3所述的方法,其特征在于,所述基于所述第一特征提取层之后的所述第二特征提取层对所述第一组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出所述待识别车牌数据的第二组图像特征包括:
基于所述第一特征提取层之后的第二特征提取层的第二卷积层对所述第一组图像特征进行卷积运算,以获取所述待识别车牌数据对应的第二组卷积特征,其中,所述第二组卷积特征中包括多个第二卷积特征;
基于所述第二特征提取层中的第二特征增强层和所述多个第二卷积特征中各第二卷积特征,得到所述各第二卷积特征对应的权重值;
基于所述第二特征增强层,根据所述各第二卷积特征对应的权重值对所述各第二卷积特征进行加权处理以得到包括加权后的第二卷积特征的所述待识别车牌数据的第二组图像特征。
5.根据权利要求4所述的方法,其特征在于,所述第二特征增强层包括第二全连接子层和第二权重分配函数层,所述基于所述第二特征提取层中的第二特征增强层和所述多个第二卷积特征中各第二卷积特征,得到所述各第二卷积特征对应的权重值包括:
基于所述第二全连接子层,根据所述第二组卷积特征中各第二卷积特征,确定出所述第二组卷积特征对应的第二卷积特征向量;
基于所述第二权重分配函数层,根据所述第二卷积特征向量,确定出所述各第二卷积特征对应的权重值。
6.根据权利要求2-5任一项所述的方法,其特征在于,所述卷积层完成的卷积操作为采样卷积操作。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
基于第一全连接网络,根据所述第三组图像特征,确定出所述待识别车牌数据的第一图像特征向量,其中,所述第一全连接网络至少包括一个第一全连接层,所述第一全连接层与特征提取模型中的各特征提取层全连接;
基于置信度分类器对所述第一图像特征向量进行分类,以确定出所述待识别车牌数据的车牌置信度;
当确定所述车牌置信度等于或大于置信度阈值时,执行所述将所述第三组图像特征用于所述待识别车牌数据的车牌属性的确定的步骤。
8.根据权利要求1所述的方法,其特征在于,所述对所述第三组图像特征中各图像特征进行重组,以得到第三组图像特征对应的第一组拼接特征包括:
将所述第三组图像特征中各图像特征按照预设的拼接方向进行拼接,以得到包含所述各图像特征的组合特征,其中,所述拼接方向包括水平方向或垂直方向;
按照所述拼接方向将所述组合特征等距离切分,以得到第一组拼接特征。
9.根据权利要求1所述的方法,其特征在于,所述车牌属性包括车牌号码,所述将所述第三组图像特征用于所述待识别车牌数据的车牌属性的确定包括:
基于第三全连接网络,根据所述第三组图像特征,确定出所述待识别车牌数据对应的第三图像特征向量,其中,所述第三全连接网络至少包括一个第三全连接层,所述第三全连接层与特征提取模型中的各特征提取层全连接;
基于字符个数分类器对所述第三图像特征向量进行分类,以确定出所述待识别车牌数据中包含的车牌号码的个数j;
基于j个单字符分类器中各单字符分类器对所述第三图像特征向量进行分类,以确定出所述待识别车牌数据的j个号码,其中,所述各单字符分类器分别关联一组位置信息,所述位置信息用于表述所述位置信息关联的单字符分类器确定出的号码在所述待识别车牌数据中的相对位置;
根据所述各单字符分类器关联的所述位置信息对所述j个号码中的各号码进行排序,以得到所述待识别车牌数据的车牌号码。
10.一种终端设备,其特征在于,所述终端设备包括:
获取单元,用于获取待识别车牌数据,所述待识别车牌数据包括待识别车牌图像或者待识别车牌对应的一组图像特征;
特征提取单元,用于基于特征提取模型中的第一特征提取层对所述获取单元获取的所述待识别车牌数据进行特征提取和对提取到的特征进行特征加权处理,以确定出所述待识别车牌图像的第一组图像特征,其中,所述特征提取模型至少包括第一特征提取层、第二特征提取层和第三特征提取层;
所述特征提取单元,还用于基于所述第一特征提取层之后的所述第二特征提取层对所述第一组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出所述待识别车牌图像的第二组图像特征;
所述特征提取单元,还用于基于所述第二特征提取层之后的所述第三特征提取层对所述第一组图像特征和所述第二组图像特征进行特征提取和对提取到的特征进行特征加权处理,以确定出所述待识别车牌图像的第三组图像特征;
识别单元,用于将所述第三组图像特征用于所述待识别车牌数据的车牌属性的确定,所述车牌属性包括车牌号码,所述识别单元还用于,对所述第三组图像特征中各图像特征进行重组,以得到所述第三组图像特征对应的第一组拼接特征,其中,所述第一组拼接特征中各拼接特征均由所述各图像特征的部分特征组成,基于循环神经网络对所述各拼接特征进行学习,以确定出所述各拼接特征之间的相对位置信息,基于所述循环神经网络对所述各拼接特征进行特征信息补充,以确定出特征信息补充后的各拼接特征,基于号码分类器,根据所述相对位置信息和所述特征信息补充后的各拼接特征确定出所述待识别车牌数据对应的车牌号码。
11.根据权利要求10所述的终端设备,其特征在于,所述第一特征提取层、所述第二特征提取层和所述第三特征提取层中任一特征提取层均包括卷积层和特征增强层,所述特征提取单元用于:
基于所述第一特征提取层中的第一卷积层对所述获取单元获取的所述待识别车牌数据进行卷积运算,以获取所述待识别车牌数据对应的第一组卷积特征,其中,所述第一组卷积特征中包括多个第一卷积特征;
基于所述第一特征提取层中的第一特征增强层和所述多个第一卷积特征中各第一卷积特征,得到所述各第一卷积特征对应的权重值;
基于所述第一特征增强层,根据所述各第一卷积特征对应的权重值对所述各第一卷积特征进行加权处理以得到包括加权后的第一卷积特征的所述待识别车牌数据的第一组图像特征。
12.根据权利要求11所述的终端设备,其特征在于,所述第一特征增强层包括第一全连接子层和第一权重分配函数层,所述第一全连接子层与所述第一卷积层全连接,所述特征提取单元用于:
基于所述第一全连接子层,根据所述第一组卷积特征中各第一卷积特征,确定出所述第一组卷积特征对应的第一卷积特征向量;
基于所述第一权重分配函数层,根据所述第一卷积特征向量,确定出所述各第一卷积特征对应的权重值。
13.根据权利要求12所述的终端设备,所述特征提取单元还用于:
基于所述第一特征提取层之后的第二特征提取层的第二卷积层对所述第一组图像特征进行卷积运算,以获取所述待识别车牌数据对应的第二组卷积特征,其中,所述第二组卷积特征中包括多个第二卷积特征;
基于所述第二特征提取层中的第二特征增强层和所述多个第二卷积特征中各第二卷积特征,得到所述各第二卷积特征对应的权重值;
基于所述第二特征增强层,根据所述各第二卷积特征对应的权重值对所述各第二卷积特征进行加权处理以得到包括加权后的第二卷积特征的所述待识别车牌数据的第二组图像特征。
14.根据权利要求13所述的终端设备,其特征在于,所述第二特征增强层包括第二全连接子层和第二权重分配函数层,所述特征提取单元还用于:
基于所述第二全连接子层,根据所述第二组卷积特征中各第二卷积特征,确定出所述第二组卷积特征对应的第二卷积特征向量;
基于所述第二权重分配函数层,根据所述第二卷积特征向量,确定出所述各第二卷积特征对应的权重值。
15.根据权利要求14所述的终端设备,其特征在于,所述特征提取单元完成的卷积操作为采样卷积操作。
16.根据权利要求10-15任一项所述的终端设备,其特征在于,所述终端设备还包括:
车牌置信度确认单元,用于基于第一全连接网络,根据所述特征提取单元获取的所述第三组图像特征,确定出所述待识别车牌数据的第一图像特征向量,其中,所述第一全连接网络至少包括一个第一全连接层,所述第一全连接层与特征提取模型中的各特征提取层全连接;
所述车牌置信度确认单元,还用于基于置信度分类器对所述第一图像特征向量进行分类,以确定出所述待识别车牌数据的车牌置信度;
当所述车牌置信度确认单元确定所述车牌置信度等于或大于置信度阈值时,所述识别单元用于将所述第三组图像特征用于所述待识别车牌数据的车牌属性的确定的步骤。
17.根据权利要求10所述的终端设备,其特征在于,所述识别单元还用于:
将所述特征提取单元获取的所述第三组图像特征中各图像特征按照预设的拼接方向进行拼接,以得到包含所述各图像特征的组合特征,其中,所述拼接方向包括水平方向或垂直方向;
按照所述拼接方向将所述组合特征等距离切分,以得到第一组拼接特征。
18.根据权利要求16所述的终端设备,其特征在于,所述车牌属性包括车牌号码,所述识别单元用于:
基于第三全连接网络,根据所述特征提取单元获取的第三组图像特征,确定出所述待识别车牌数据对应的第三图像特征向量,其中,所述第三全连接网络至少包括一个第三全连接层,所述第三全连接层与特征提取模型中的各特征提取层全连接;
基于字符个数分类器对所述第三图像特征向量进行分类,以确定出所述待识别车牌数据中包含的车牌号码的个数j;
基于j个单字符分类器中各单字符分类器对所述第三图像特征向量进行分类,以确定出所述待识别车牌数据的j个号码,其中,所述各单字符分类器分别关联一组位置信息,所述位置信息用于表述所述位置信息关联的单字符分类器确定出的号码在所述待识别车牌数据中的相对位置;
根据所述各单字符分类器关联的所述位置信息对所述j个号码中的各号码进行排序,以得到所述待识别车牌数据的车牌号码。
19.一种计算机可读存储介质,其特征在于,包括指令,所述指令在计算机上运行时,使得计算机执行如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810703441.6A CN110659631B (zh) | 2018-06-30 | 2018-06-30 | 车牌识别方法和终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810703441.6A CN110659631B (zh) | 2018-06-30 | 2018-06-30 | 车牌识别方法和终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110659631A CN110659631A (zh) | 2020-01-07 |
CN110659631B true CN110659631B (zh) | 2023-12-15 |
Family
ID=69026940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810703441.6A Active CN110659631B (zh) | 2018-06-30 | 2018-06-30 | 车牌识别方法和终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659631B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914854A (zh) * | 2020-07-21 | 2020-11-10 | 同济大学 | 一种基于神经网络的喷雾特征提取方法、设备及存储介质 |
CN113239931A (zh) * | 2021-05-17 | 2021-08-10 | 上海中通吉网络技术有限公司 | 一种物流站车牌识别的方法 |
CN116824151B (zh) * | 2023-05-08 | 2024-04-16 | 北京邮电大学 | 图像特征的识别方法、装置、电子设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008099664A1 (ja) * | 2007-02-15 | 2008-08-21 | Mitsubishi Heavy Industries, Ltd. | 車両番号認識装置 |
CN104809443A (zh) * | 2015-05-05 | 2015-07-29 | 上海交通大学 | 基于卷积神经网络的车牌检测方法及系统 |
CN106415594A (zh) * | 2014-06-16 | 2017-02-15 | 北京市商汤科技开发有限公司 | 用于面部验证的方法和系统 |
CN107301417A (zh) * | 2017-06-28 | 2017-10-27 | 广东工业大学 | 一种无监督多层神经网络的车辆品牌识别的方法及装置 |
CN107590449A (zh) * | 2017-08-31 | 2018-01-16 | 电子科技大学 | 一种基于加权特征谱融合的手势检测方法 |
CN107748858A (zh) * | 2017-06-15 | 2018-03-02 | 华南理工大学 | 一种基于级联卷积神经网络的多姿态眼睛定位方法 |
CN107977665A (zh) * | 2017-12-15 | 2018-05-01 | 北京科摩仕捷科技有限公司 | 一种发票中关键信息的识别方法及计算设备 |
-
2018
- 2018-06-30 CN CN201810703441.6A patent/CN110659631B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008099664A1 (ja) * | 2007-02-15 | 2008-08-21 | Mitsubishi Heavy Industries, Ltd. | 車両番号認識装置 |
CN106415594A (zh) * | 2014-06-16 | 2017-02-15 | 北京市商汤科技开发有限公司 | 用于面部验证的方法和系统 |
CN104809443A (zh) * | 2015-05-05 | 2015-07-29 | 上海交通大学 | 基于卷积神经网络的车牌检测方法及系统 |
CN107748858A (zh) * | 2017-06-15 | 2018-03-02 | 华南理工大学 | 一种基于级联卷积神经网络的多姿态眼睛定位方法 |
CN107301417A (zh) * | 2017-06-28 | 2017-10-27 | 广东工业大学 | 一种无监督多层神经网络的车辆品牌识别的方法及装置 |
CN107590449A (zh) * | 2017-08-31 | 2018-01-16 | 电子科技大学 | 一种基于加权特征谱融合的手势检测方法 |
CN107977665A (zh) * | 2017-12-15 | 2018-05-01 | 北京科摩仕捷科技有限公司 | 一种发票中关键信息的识别方法及计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110659631A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8582836B2 (en) | Face recognition in digital images by applying a selected set of coefficients from a decorrelated local binary pattern matrix | |
CN110781784A (zh) | 基于双路注意力机制的人脸识别方法、装置及设备 | |
CN108268867B (zh) | 一种车牌定位方法及装置 | |
CN110659631B (zh) | 车牌识别方法和终端设备 | |
CN104200228B (zh) | 一种安全带识别方法与系统 | |
CN110245573B (zh) | 一种基于人脸识别的签到方法、装置及终端设备 | |
CN110781770B (zh) | 基于人脸识别的活体检测方法、装置及设备 | |
CN112541448B (zh) | 一种行人重识别方法、装置、电子设备和存储介质 | |
CN112580643A (zh) | 一种基于深度学习的车牌识别方法、装置及存储介质 | |
CN107704797B (zh) | 基于安防视频中行人和车辆的实时检测方法和系统及设备 | |
CN111914668A (zh) | 一种基于图像增强技术的行人重识别方法、装置及系统 | |
CN114038004A (zh) | 一种证件信息提取方法、装置、设备及存储介质 | |
CN114581710A (zh) | 图像识别方法、装置、设备、可读存储介质及程序产品 | |
CN115578590A (zh) | 基于卷积神经网络模型的图像识别方法、装置及终端设备 | |
CN115731422A (zh) | 多标签分类模型的训练方法、分类方法及装置 | |
Latha et al. | Image understanding: semantic segmentation of graphics and text using faster-RCNN | |
CN111539341A (zh) | 目标定位方法、装置、电子设备和介质 | |
CN112488054B (zh) | 一种人脸识别方法、装置、终端设备及存储介质 | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
CN110210425B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN112419249B (zh) | 一种特殊服饰图片转化方法、终端设备及存储介质 | |
Amin et al. | An automatic number plate recognition of Bangladeshi vehicles | |
CN115713669A (zh) | 一种基于类间关系的图像分类方法、装置、存储介质及终端 | |
CN113313124B (zh) | 基于图像分割算法识别车牌号码的方法、装置和终端设备 | |
CN113887663A (zh) | 模型训练方法、图像识别方法、装置、设备及存储介质 |
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 |