CN110728275A - 车牌识别方法、装置及存储介质 - Google Patents
车牌识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110728275A CN110728275A CN201810775835.2A CN201810775835A CN110728275A CN 110728275 A CN110728275 A CN 110728275A CN 201810775835 A CN201810775835 A CN 201810775835A CN 110728275 A CN110728275 A CN 110728275A
- Authority
- CN
- China
- Prior art keywords
- character
- license plate
- area
- frame
- determining
- 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.)
- Granted
Links
Images
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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
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)
- Traffic Control Systems (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种车牌识别方法、装置及存储介质,属于智能交通技术领域。所述方法包括:对目标车牌照片进行字符分割,得到多个字符区域,然后从多个字符区域中剔除边框字符区域,基于剔除边框字符区域之后的字符区域,确定目标车牌照片中的车牌。由于边框字符区域中的疑似字符是由车牌边框导致的,因此,相对于直接根据多个字符区域确定目标车牌照片中的车牌,本发明实施例提供的车牌识别方法可以提高车牌识别的准确性。
Description
技术领域
本发明涉及智能交通技术领域,特别涉及一种车牌识别方法、装置及存储介质。
背景技术
车牌识别,也即是,对采集到的车牌照片进行识别,以分析出车牌照片对应的车辆的车牌。由于车牌是车辆的身份标识,如果将某个车辆的车牌识别错误,将导致后续根据车牌确定出的其他信息也是错误的,因此,需要提高车牌识别的准确性。
相关技术中,当需要进行车牌识别时,将采集到的车牌照片进行字符分割,得到多个字符区域,每个字符区域中存在一个疑似字符。对于多个字符区域中的每个字符区域,从预设的多个字符图像中查找与该字符区域之间的相似度大于相似度阈值的字符图像,将查找到的字符图像对应的字符确定为该字符区域对应的字符。当确定出多个字符区域中的每个字符区域对应的字符时,将确定出的字符组合即可得到车牌。
在上述进行车牌识别的过程中,进行字符分割是将车牌照片中所有可能的疑似字符都进行分割,这样的话,如果某个字符区域中的疑似字符并不是由构成车牌的字符导致的,此时识别出的车牌将是错误的。比如,某个字符区域是车牌照片左小角位置处的字符区域,字符区域中存在疑似“L”的字符,通过上述车牌识别方法,将确定出该字符区域对应的字符为“L”,但是实际上,该疑似“L”的字符可能是由车牌的边框导致的,这种情况下,通过上述车牌识别方法识别出的车牌将是错误的。
发明内容
本发明实施例提供了一种车牌识别方法、装置及存储介质,用于提高车牌识别的准确性。所述技术方案如下:
第一方面,提供了一种车牌识别方法,所述方法包括:
确定目标车牌照片中的疑似字符,并根据确定的疑似字符对所述目标车牌照片进行字符分割,得到多个字符区域,每个字符区域中存在一个疑似字符;
确定所述多个字符区域中的边框字符区域,并从所述多个字符区域中剔除确定的边框字符区域,所述边框字符区域中的疑似字符是由车牌边框导致的;
基于剔除边框字符区域之后的字符区域,确定所述目标车牌照片中的车牌。
可选地,所述确定所述多个字符区域中的边框字符区域,包括:
从所述多个字符区域中选择处于所述目标车牌照片边缘位置处的字符区域;
对选择出的任一字符区域A,从所述目标车牌照片中获取所述字符区域A的扩展区域,所述扩展区域的中心与所述字符区域A的中心重合,且所述扩展区域的面积大于所述字符区域A的面积;
基于边框过滤网络对所述扩展区域进行处理,所述边框过滤网络用于识别所述扩展区域中的疑似字符是否是车牌边框;
如果所述边框过滤网络的输出结果为边框,则确定所述字符区域A为边框字符区域。
可选地,所述方法还包括:
获取至少一个样本边框字符区域,并基于每个样本边框字符区域对应的车牌照片,确定每个样本边框字符区域的扩展区域,得到至少一个第一类扩展区域;
获取至少一个样本真实字符区域,并基于每个样本真实字符区域对应的车牌照片,确定每个样本真实字符区域的扩展区域,得到至少一个第二类扩展区域,所述至少一个样本真实字符区域是根据所述至少一个样本边框字符区域确定的;
基于所述至少一个第一类扩展区域和所述至少一个第二类扩展区域,对初始化的边框过滤网络进行训练,得到所述边框过滤网络。
可选地,所述至少一个样本真实字符区域包括字符I对应的字符区域、字符1对应的字符区域、字符J对应的字符区域、字符L对应的字符区域和字符T对应的字符区域。
可选地,所述基于剔除边框字符区域之后的字符区域,确定所述目标车牌照片中的车牌,包括:
基于非正常字符过滤网络,确定所述剔除边框字符区域之后的字符区域中的非正常字符区域,所述非正常字符区域是指对应的字符区域中的字符是由用于固定车牌的零件导致的;
从所述剔除边框字符区域之后的字符区域中继续剔除确定的非正常字符区域;
基于剔除非正常字符区域之后的字符区域,确定所述目标车牌照片中的车牌。
可选地,所述用于固定车牌的零件包括车牌上的铆钉。
可选地,所述基于剔除非正常字符区域之后的字符区域,确定所述目标车牌照片中的车牌,包括:
基于字符识别网络确定剔除非正常字符区域之后的每个字符区域中的字符;
将识别出的字符进行组合,得到所述目标车牌照片中的车牌。
第二方面,提供了一种车牌识别装置,所述装置包括:
第一确定模块,用于确定目标车牌照片中的疑似字符,并根据确定的疑似字符对所述目标车牌照片进行字符分割,得到多个字符区域,每个字符区域中存在一个疑似字符;
第二确定模块,用于确定所述多个字符区域中的边框字符区域,并从所述多个字符区域中剔除确定的边框字符区域,所述边框字符区域中的疑似字符是由车牌边框导致的;
第三确定模块,用于基于剔除边框字符区域之后的字符区域,确定所述目标车牌照片中的车牌。
可选地,所述第二确定模块,具体用于:
从所述多个字符区域中选择处于所述目标车牌照片边缘位置处的字符区域;
对选择出的任一字符区域A,从所述目标车牌照片中获取所述字符区域A的扩展区域,所述扩展区域的中心与所述字符区域A的中心重合,且所述扩展区域的面积大于所述字符区域A的面积;
基于边框过滤网络对所述扩展区域进行处理,所述边框过滤网络用于识别所述扩展区域中的疑似字符是否是车牌边框;
如果所述边框过滤网络的输出结果为边框,则确定所述字符区域A为边框字符区域。
可选地,所述装置还包括:
第一获取模块,用于获取至少一个样本边框字符区域,并基于每个样本边框字符区域对应的车牌照片,确定每个样本边框字符区域的扩展区域,得到至少一个第一类扩展区域;
第二获取模块,用于获取至少一个样本真实字符区域,并基于每个样本真实字符区域对应的车牌照片,确定每个样本真实字符区域的扩展区域,得到至少一个第二类扩展区域,所述至少一个样本真实字符区域是根据所述至少一个样本边框字符区域确定的;
训练模块,用于基于所述至少一个第一类扩展区域和所述至少一个第二类扩展区域,对初始化的边框过滤网络进行训练,得到所述边框过滤网络。
可选地,所述至少一个样本真实字符区域包括字符I对应的字符区域、字符1对应的字符区域、字符J对应的字符区域、字符L对应的字符区域和字符T对应的字符区域。
可选地,所述第三确定模块包括:
第一确定单元,用于基于非正常字符过滤网络,确定所述剔除边框字符区域之后的字符区域中的非正常字符区域,所述非正常字符区域是指对应的字符区域中的字符是由用于固定车牌的零件导致的;
剔除单元,用于从所述剔除边框字符区域之后的字符区域中继续剔除确定的非正常字符区域;
第二确定单元,用于基于剔除非正常字符区域之后的字符区域,确定所述目标车牌照片中的车牌。
可选地,所述用于固定车牌的零件包括车牌上的铆钉。
可选地,所述第二确定单元,具体用于:
基于字符识别网络确定剔除非正常字符区域之后的每个字符区域中的字符;
将识别出的字符进行组合,得到所述目标车牌照片中的车牌。
第三方面,提供了一种车牌识别装置,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述第一方面所述的任一项方法的步骤。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,所述指令被处理器执行时实现上述第一方面所述的任一项方法的步骤。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面所述的任一方法的步骤。
本发明实施例提供的技术方案带来的有益效果是:
在本发明实施例中,对目标车牌照片进行字符分割,得到多个字符区域,然后从多个字符区域中剔除边框字符区域,基于剔除边框字符区域之后的字符区域,确定目标车牌照片中的车牌。由于边框字符区域中的疑似字符是由车牌边框导致的,因此,相对于直接根据多个字符区域确定目标车牌照片中的车牌,本发明实施例提供的车牌识别方法可以提高车牌识别的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是本发明实施例提供的一种道路监控系统示意图;
图2是本发明实施例提供的一种车牌识别方法流程图;
图3是本发明实施例提供的一种扩展区域示意图;
图4是本发明实施例提供的一种图像坐标系示意图;
图5是本发明实施例提供的一种车牌识别装置框图;
图6是本发明实施例提供的一种终端结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
在对本发明实施例进行解释说明之前,先对本发明实施例的应用场景进行解释说明。在智能交通技术领域,为了统计车辆的车辆信息,在道路的卡口设置有监控摄像机。监控摄像机用于采集经过该卡口的每个车辆的车牌照片,并将采集到的车牌照片上报给监控终端,由监控终端对车牌照片进行车牌识别,以确定经过该卡口的车辆的车牌。本发明实施例提供的车牌识别方法就应用于对车牌照片进行识别的场景中。当然也可由监控摄像机来执行车牌识别,并将识别结果提供给终端。
参见图1,本申请实施例提供了一种道路监控系统。如图1所示,该道路监控系统100包括:监控终端101和至少一个监控摄像机102。该至少一个监控摄像机102部署在道路上,该至少一个监控摄像机102中的每个监控摄像机102与监控终端101之间建立有网络连接,该网络连接可以为有线网络连接或无线网络连接。
对于该至少一个监控摄像机102中的任一个监控摄像机102,该监控摄像机102可以对道路上的车辆进行拍摄,得到包括车辆图像的视频图片。
其中,监控摄像机102可以在拍摄到包括车辆图像的视频图片时,检测该车辆图像对应的车牌,将检测到的车牌信息融合进该视频图片中作为目标图片,向监控终端101发送该目标图片。监控终端101可以接收该目标图片,并保存该目标图片。或者,
监控摄像机102可以在拍摄到包括车辆图像的视频图片时,直接向监控终端101发送该视频图片。监控终端101可以在接收到视频图片时,检测该视频图片包括车辆图像,以检测该车辆图像对应的车牌。
图2是本发明实施例提供的一种车牌识别方法流程图,如图2所示,该方法包括如下步骤:
步骤201:确定目标车牌照片中的疑似字符,并根据确定的疑似字符对目标车牌照片进行字符分割,得到多个字符区域,每个字符区域中存在一个疑似字符。
其中,疑似字符是指目标车牌照片中出现的任何形式的字符,这些疑似字符可能是由车牌中的车牌号码导致的,也可能是车牌的车牌边框导致的,也有可能是用于固定车牌的零件导致的。在本发明实施例中,可以将目标车牌照片中除车牌背景颜色部分的其他像素点组成的任何形式的字符称为疑似字符。
因此,在一种可能的实现方式,步骤201具体可以为:确定目标车牌照片中每个像素点的像素值,对目标车牌照片中每个像素点的像素值进行二值化,以使二值化之后的目标车牌照片中的像素点的像素值中只存在两个值,第一像素值和第二像素值,第一像素值大于第二像素值将像素值,第一像素值的像素点构成的图像即为目标车牌照片中的疑似字符。其中,第二像素值通常为0,这样的话,可以将二值化之后的目标车牌照片中的所有像素点投影到预先被栅格化的坐标系中,对于每一列栅格,统计落入该列栅格内的所有像素点的像素值的加和,如果统计的像素值的加和不为0,则确定该列栅格内存在疑似字符。当对所有列的栅格均执行上述操作时,即可确定出目标车牌照片中存在疑似字符横轴坐标范围。对于每一行栅格,统计落入该行栅格内的所有像素点的像素值的加和,如果统计的像素值的加和不为0,则确定该行栅格内存在疑似字符。当对所有行的栅格均执行上述操作时,即可确定出目标车牌照片中存在疑似字符纵轴坐标范围。根据确定出的横轴坐标范围和纵轴坐标范围对目标车牌照片进行字符分割,得到多个字符区域。
比如,对于目标车牌照片,当通过上述实现方式确定出横轴坐标范围为:1~10、15~20、20~23、25~30以及40~45,确定出的纵轴坐标范围为:1~10时,此时,按照这两个坐标范围对目标车牌照片进行分割,可以得到如下五个字符区域:第一个字符区域的横轴范围为1~10、纵轴范围也为1~10,第二个字符区域的横轴范围为15~20、纵轴范围也为1~10,第三个字符区域的横轴范围为20~23、纵轴范围也为1~10,第四个字符区域的横轴范围为25~30、纵轴范围也为1~10,第三个字符区域的横轴范围为40~45、纵轴范围也为1~10。由于上述横轴坐标范围和纵轴坐标范围是根据目标车牌照片中的像素点确定的,因此,划分得到的每个字符区域都存在一个疑似字符,比如,第一个字符区域中的疑似字符是类似字母L的字符,第二个字符区域中的疑似字符是类似数字0的字符,第三个字符区域中的疑似字符是类似数字8的字符,第四个字符区域中的疑似字符是类似字母M的字符,第五个字符区域中的疑似字符是类似数字1的字符。
另外,对目标车牌照片中每个像素点的像素值进行二值化,也即是,对于目标车牌照片中任一像素点的像素值,如果该像素点的像素值大于像素值阈值,则将该像素点的像素值设置为第一像素值,如果该像素点的像素值大小于或等像素值阈值,则将该像素点的像素值设置为第二像素值。
上述实现方式中是通过“投影法”确定目标车牌照片中的多个字符区域。当然,本发明实施例也可以通过其他方式来确定目标车牌照片中的多个字符区域,比如通过字符分割神经网络来确定目标车牌照片中的多个字符区域,本发明实施例在此不做具体限定。
在本发明实施例中,为了避免车牌边框在目标车牌照片中形成疑似字符,而导致根据多个字符区域确定出的车牌有误,在根据步骤201确定出多个字符区域之后,需要通过下述步骤202剔除多个字符区域中的边框字符区域,以提高识别车牌的准确性。
需要说明的是,对于由于车牌边框导致的边框字符区域,虽然边框字符区域内的疑似字符与某个真实字符很相似,但是如果将边框字符区域进行扩展,同时将该真实字符对应的字符区域进行扩展,后者扩展后的区域中的疑似字符的上下左右位置存在明显的背景区域,但是前者扩展后的区域中的疑似字符的上下左右位置则不存在明显的背景区域。本发明实施例正在基于这两者的区别来识别多个字符区域中哪些字符区域为边框字符区域。
比如,图3是本发明实施例提供的两种类型的扩展区域,第一种类型的扩展区域为真实字符对应的字符区域扩展后的区域,第二种类型的扩展区域为边框字符区域扩展后的区域。由于车牌边框导致的边框字符区域中的疑似字符通常与字符I、字符1、字符J、字符L和字符T比较相似,因此,如图3所示,第一种类型的扩展区域包括真是真实字符1的字符区域和真实字符I的字符区域扩展后的扩展区域,以及真实字符J的字符区域、真实字符L的字符区域和真实字符T的字符区域扩展后的扩展区域。如图3所示,无论是真实字符1的字符区域和真实字符I的字符区域扩展后的扩展区域,还是真实字符J的字符区域、真实字符L的字符区域和真实字符T的字符区域扩展后的扩展区域,扩展后的扩展区域中均存在连续的背景区域,但是真实边框的字符区域扩展后的扩展区域中则不存在连续的背景区域。
步骤202:确定多个字符区域中的边框字符区域,并从多个字符区域中剔除确定的边框字符区域,边框字符区域中的疑似字符是由车牌边框导致的。
由于真实字符的字符区域扩展后的扩展区域与真实边框的字符区域扩展后的扩展区域存在不同的特征,因此,在一种可能的实现方式中,步骤202具体可以包括以下几个步骤:
(1)从多个字符区域中选择处于目标车牌照片边缘位置处的字符区域。
目前车牌照片中的车牌通常有两种表现形式,一种为单行车牌,另一种为多行车牌,并且容易导致产生疑似字符的边框通常为四个顶角位置处的边框,因此,目标车牌照片边缘位置处包括目标车牌照片的左上角位置处、左下角位置处、右上角位置处以及右上角位置处。
另外,由于每个字符区域是目标车牌照片中的部分区域,因此,可以根据每个图像区域在目标车牌照片的图像坐标系中的位置来确定每个字符区域是否是目标车牌照片边缘位置处的字符区域。
比如,图4是本发明实施例提供的一种图像坐标系示意图,如图4所示,图像坐标系的原点为目标车牌照片的一个顶点,且目标车牌照片包括图4中的8个字符区域。此时,从多个字符区域中选择处于目标车牌照片边缘位置处的字符区域具体可以为:确定每个字符区域的中心坐标,根据每个区域的中心坐标,即可确定出字符区域1为处于目标车牌照片左上角位置处的字符区域、字符区域5为处于目标车牌照片左下角位置处的字符区域、字符区域4为处于目标车牌照片右上角位置处的字符区域、字符区域8为处于目标车牌照片右下角位置处的字符区域。
(2)对选择出的任一字符区域A,从目标车牌照片中获取字符区域A的扩展区域,扩展区域的中心与字符区域A的中心重合,且扩展区域的面积大于字符区域A的面积。
其中,字符区域A的扩展区域可以是将字符区域A的上下分别扩展一定像素点数量之后的区域,也可以是将字符区域A的上下左右分别扩展一定像素点数量之后的区域,也可以是将字符区域A的外接圆扩展一定像素点数量之后的区域,本发明实施例在此不做具体限定。
(3)基于边框过滤网络对扩展区域进行处理,边框过滤网络用于识别扩展区域中的疑似字符是否是车牌边框,如果边框过滤网络的输出结果为边框,则确定字符区域A为边框字符区域。也即是,本发明实施例是通过边框过滤网络识别多个字符区域中哪些字符区域为边框字符区域。
其中,边框过滤网络是预先训练的一种分类器,以用于识别扩展区域中的疑似字符是否是车牌边框。具体地,训练边框过滤网络的实现方式可以为:获取至少一个样本边框字符区域,并基于每个样本边框字符区域对应的车牌照片,确定每个样本边框字符区域的扩展区域,得到至少一个第一类扩展区域;获取至少一个样本真实字符区域,并基于每个样本真实字符区域对应的车牌照片,确定每个样本真实字符区域的扩展区域,得到至少一个第二类扩展区域,至少一个样本真实字符区域是根据至少一个样本边框字符区域确定的;基于至少一个第一类扩展区域和至少一个第二类扩展区域,对初始化的边框过滤网络进行训练,得到边框过滤网络。
由于第一类扩展区域和第二类扩展区域的特征不同,因此,当采用至少一个第一类扩展区域和至少一个第二类扩展区域对初始化的边框过滤网络进行训练时,边框过滤网络可以学习到第一类扩展区域的特征和第二类扩展区域的特征之间的不同,以便于后续在向边框过滤网络输入扩展区域时,边框过滤网络可以根据预先学习的信息确定输入的扩展区域属于第一类扩展区域还是第二类扩展区域,也即是确定扩展区域对应的字符区域是否属于边框字符区域。
其中,至少一个样本真实字符区域包括字符I对应的字符区域、字符1对应的字符区域、字符J对应的字符区域、字符L对应的字符区域和字符T对应的字符区域。另外,边框过滤网络可以为神经网络,也可以为SVM(support vector machine,支持向量机),还可以为其他类型的深度学习模型,本发明实施例对此不做限定。
另外,在一种实现方式中,可以将边框过滤网络设置为2类分类器,此时,训练样本也分为两类,一类为至少一个第一类扩展区域,具体包括图3中第一行的真实字符1的字符区域和真实字符I的字符区域扩展后的扩展区域,以及第二行真实字符J的字符区域、真实字符L的字符区域和真实字符T的字符区域扩展后的扩展区域。另一类为至少一个第二类类扩展区域,具体包括图3中第三行的真实边框扩展后的扩展区域。当对边框过滤网络训练之后,边框过滤网络的输入结果包括两个,一个为是边框字符区域,一个为不是边框字符区域。
在另一种实现方式中,可以将边框过滤网络设置为3类分类器,此时,训练样本也分为3类,一类为图3中第一行的真实字符1的字符区域和真实字符I的字符区域扩展后的扩展区域,一类为图3中第二行的真实字符J的字符区域、真实字符L的字符区域和真实字符T的字符区域扩展后的扩展区域,另一类为图3中第三行的真实边框扩展后的扩展区域。当对边框过滤网络训练之后,边框过滤网络的输入结果包括3个,一个为是边框字符区域,一个为真实字符1的字符区域或真实字符I的字符区域,另一个为真实字符J的字符区域、真实字符L的字符区域或真实字符T的字符区域。
在通过步骤202剔除多个字符区域中的边框字符区域之后,可以通过下述步骤203确定目标车牌照片中的车牌,提高了车牌识别的准确性。
步骤203:基于剔除边框字符区域之后的字符区域,确定目标车牌照片中的车牌。
在本发明实施例中,在一种可能的实现方式中,当从多个字符区域中剔除边框字符区域之后,可以直接根据剩下的字符区域确定目标车牌照片中的车牌。也即是,确定剩下的每个字符区域中的字符,将确定出的字符进行组合,即可得到目标车牌照片中的车牌。
可选地,目标车牌照片中除了车牌的边框可以导致疑似字符,用于固定车牌的零件也有可能导致疑似字符。比如,在对目标车牌照片进行字符分割时,车牌上的铆钉对应的成像区域也有可能被分割为字符区域。因此,在另一种可能的实现方式中,步骤203具体可以为:基于非正常字符过滤网络,确定剔除边框字符区域之后的字符区域中的非正常字符区域,非正常字符区域是指对应的字符区域中的字符是由用于固定车牌的零件导致的;从剔除边框字符区域之后的字符区域中继续剔除确定的非正常字符区域;基于剔除非正常字符区域之后的字符区域,确定目标车牌照片中的车牌。
其中,非正常字符过滤网络也是一种预先训练分类器,用于识别字符区域中的疑似字符是否是由用于固定车牌的零件导致的。具体地,训练非正常字符过滤网络的实现方式可以为:获取至少一个第一类字符区域和至少一个第二类字符区域,第一类字符区域是指非正常字符的字符区域,第二类字符区域是与第一类字符区域之间的相似度大于一定数值的真实字符的字符区域,通过至少一个第一类字符区域和至少一个第二类字符区域对初始化的非正常字符过滤网络进行训练,得到上述非正常字符过滤网络。
其中,非正常字符过滤网络可以为神经网络,也可以为SVM(support vectormachine,支持向量机),还可以为其他类型的深度学习模型,本发明实施例对此不做限定。另外,可以将非正常字符过滤网络设置为2类分类器,这样的话,非正常字符过滤网络的输出结果包括两个,一个为“是非正常字符”,另一个为“不是非正常字符”。
另外,基于剔除非正常字符区域之后的字符区域,确定目标车牌照片中的车牌的实现方式可以为:基于字符识别网络确定剔除非正常字符区域之后的每个字符区域中的字符;将识别出的字符进行组合,得到目标车牌照片中的车牌。
其中,字符识别网络也是一种预先训练分类器,用于识别字符区域中的疑似字符到底是哪个真实字符。具体地,训练字符识别网络的实现方式可以为:获取多个样本字符区域,并设置每个样本字符区域的标签,每个样本字符区域的标签用于指示每个样本字符区域中的真实字符,通过多个样本字符区域和每个样本字符区域的标签对初始化的非正常字符过滤网络进行训练,得到上述字符识别网络。也即是,字符识别网络是一个多类分类器,当向字符识别网络中输入一个字符区域时,字符识别网络可以根据预先学习到的标签的特征,确定该字符区域的标签,也即确定出该字符区域中的疑似字符具体是什么字符。
其中,字符识别网络可以为神经网络,也可以为SVM(support vector machine,支持向量机),还可以为其他类型的深度学习模型,本发明实施例对此不做限定。另外,上述是通过字符识别网络识别剩下的字符区域中的字符,当然也可以通过其他方式识别网络识别剩下的字符区域中的字符,本发明实施例在此不做具体限定。
由步骤201至步骤203可知,本发明实施例提供了三种不同的分类器,分别为边框过滤网络、非正常字符过滤网络和字符识别网络。其中,边框过滤网络用于识别字符区域中的疑似字符是否是由车牌边框导致的,非正常字符过滤网络用于识别字符区域中的疑似字符是否是由固定车牌的零件导致的,字符识别网络用于识别字符区域中的疑似字符具体是什么字符。当需要对目标车牌照片进行车牌识别时,在对目标车牌照片进行字符分割得到多个字符区域之后,可以根据上述步骤201至步骤203通过上述分别为边框过滤网络、非正常字符过滤网络和字符识别网络依次对该多个字符区域进行处理,以得到目标车牌照片中的车牌。
在本发明实施例中,对目标车牌照片进行字符分割,得到多个字符区域,然后从多个字符区域中剔除边框字符区域,基于剔除边框字符区域之后的字符区域,确定目标车牌照片中的车牌。由于边框字符区域是指字符区域中的疑似字符是由车牌边框导致的,因此,相对于直接根据多个字符区域确定目标车牌照片中的车牌,本发明实施例提供的车牌识别方法可以提高车牌识别的准确性。
参见图5,本发明实施例提供了一种车牌识别装置,该装置500包括:
第一确定模块501,用于确定目标车牌照片中的疑似字符,并根据确定的疑似字符对目标车牌照片进行字符分割,得到多个字符区域,每个字符区域中存在一个疑似字符;
第二确定模块502,用于确定多个字符区域中的边框字符区域,并从多个字符区域中剔除确定的边框字符区域,边框字符区域中的疑似字符是由车牌边框导致的;
第三确定模块503,用于基于剔除边框字符区域之后的字符区域,确定目标车牌照片中的车牌。
可选地,第二确定模块502,具体用于:
从多个字符区域中选择处于目标车牌照片边缘位置处的字符区域;
对选择出的任一字符区域A,从目标车牌照片中获取字符区域A的扩展区域,扩展区域的中心与字符区域A的中心重合,且扩展区域的面积大于字符区域A的面积;
基于边框过滤网络对扩展区域进行处理,边框过滤网络用于识别扩展区域中的疑似字符是否是车牌边框;
如果边框过滤网络的输出结果为边框,则确定字符区域A为边框字符区域。
可选地,装置800还包括:
第一获取模块,用于获取至少一个样本边框字符区域,并基于每个样本边框字符区域对应的车牌照片,确定每个样本边框字符区域的扩展区域,得到至少一个第一类扩展区域;
第二获取模块,用于获取至少一个样本真实字符区域,并基于每个样本真实字符区域对应的车牌照片,确定每个样本真实字符区域的扩展区域,得到至少一个第二类扩展区域,至少一个样本真实字符区域是根据至少一个样本边框字符区域确定的;
训练模块,用于基于至少一个第一类扩展区域和至少一个第二类扩展区域,对初始化的边框过滤网络进行训练,得到边框过滤网络。
可选地,至少一个样本真实字符区域包括字符I对应的字符区域、字符1对应的字符区域、字符J对应的字符区域、字符L对应的字符区域和字符T对应的字符区域。
可选地,第三确定模块包括:
第一确定单元,用于基于非正常字符过滤网络,确定剔除边框字符区域之后的字符区域中的非正常字符区域,非正常字符区域是指对应的字符区域中的字符是由用于固定车牌的零件导致的;
剔除单元,用于从剔除边框字符区域之后的字符区域中继续剔除确定的非正常字符区域;
第二确定单元,用于基于剔除非正常字符区域之后的字符区域,确定目标车牌照片中的车牌。
可选地,用于固定车牌的零件包括车牌上的铆钉。
可选地,第二确定单元,具体用于:
基于字符识别网络确定剔除非正常字符区域之后的每个字符区域中的字符;
将识别出的字符进行组合,得到目标车牌照片中的车牌。
在本发明实施例中,对目标车牌照片进行字符分割,得到多个字符区域,然后从多个字符区域中剔除边框字符区域,基于剔除边框字符区域之后的字符区域,确定目标车牌照片中的车牌。由于边框字符区域是指字符区域中的疑似字符是由车牌边框导致的,因此,相对于直接根据多个字符区域确定目标车牌照片中的车牌,本发明实施例提供的车牌识别方法可以提高车牌识别的准确性。
需要说明的是:上述实施例提供的车牌识别装置在进行车牌识别时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的车牌识别装置与车牌识别方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图6示出了本发明实施例提供的终端600的结构框图。该终端600可以是:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端600还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端600包括有:处理器601和存储器602。
处理器601可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器601可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器601可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器601还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器602中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器601所执行以实现本发明实施例提供的车牌识别方法。
在一些实施例中,终端600还可选包括有:外围设备接口603和至少一个外围设备。处理器601、存储器602和外围设备接口603之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口603相连。具体地,外围设备包括:射频电路604、触摸显示屏605、摄像头606、音频电路607、定位组件608和电源609中的至少一种。
外围设备接口603可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器601和存储器602。在一些实施例中,处理器601、存储器602和外围设备接口603被集成在同一芯片或电路板上;在一些其他实施例中,处理器601、存储器602和外围设备接口603中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路604用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路604将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路604包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路604可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路604还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本发明对此不加以限定。
显示屏605用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏605是触摸显示屏时,显示屏605还具有采集在显示屏605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器601进行处理。此时,显示屏605还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏605可以为一个,设置终端600的前面板;在另一些实施例中,显示屏605可以为至少两个,分别设置在终端600的不同表面或呈折叠设计;在再一些实施例中,显示屏605可以是柔性显示屏,设置在终端600的弯曲表面上或折叠面上。甚至,显示屏605还可以设置成非矩形的不规则图形,也即异形屏。显示屏605可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件606用于采集图像或视频。可选地,摄像头组件606包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件606还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路607可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器601进行处理,或者输入至射频电路604以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器601或射频电路604的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路607还可以包括耳机插孔。
定位组件608用于定位终端600的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件608可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源609用于为终端600中的各个组件进行供电。电源609可以是交流电、直流电、一次性电池或可充电电池。当电源609包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端600还包括有一个或多个传感器610。该一个或多个传感器610包括但不限于:加速度传感器611、陀螺仪传感器612、压力传感器613、指纹传感器614、光学传感器615以及接近传感器616。
加速度传感器611可以检测以终端600建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器611可以用于检测重力加速度在三个坐标轴上的分量。处理器601可以根据加速度传感器611采集的重力加速度信号,控制触摸显示屏605以横向视图或纵向视图进行用户界面的显示。加速度传感器611还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器612可以检测终端600的机体方向及转动角度,陀螺仪传感器612可以与加速度传感器611协同采集用户对终端600的3D动作。处理器601根据陀螺仪传感器612采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器613可以设置在终端600的侧边框和/或触摸显示屏605的下层。当压力传感器613设置在终端600的侧边框时,可以检测用户对终端600的握持信号,由处理器601根据压力传感器613采集的握持信号进行左右手识别或快捷操作。当压力传感器613设置在触摸显示屏605的下层时,由处理器601根据用户对触摸显示屏605的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器614用于采集用户的指纹,由处理器601根据指纹传感器614采集到的指纹识别用户的身份,或者,由指纹传感器614根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器601授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器614可以被设置终端600的正面、背面或侧面。当终端600上设置有物理按键或厂商Logo时,指纹传感器614可以与物理按键或厂商Logo集成在一起。
光学传感器615用于采集环境光强度。在一个实施例中,处理器601可以根据光学传感器615采集的环境光强度,控制触摸显示屏605的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏605的显示亮度;当环境光强度较低时,调低触摸显示屏605的显示亮度。在另一个实施例中,处理器601还可以根据光学传感器615采集的环境光强度,动态调整摄像头组件606的拍摄参数。
接近传感器616,也称距离传感器,通常设置在终端600的前面板。接近传感器616用于采集用户与终端600的正面之间的距离。在一个实施例中,当接近传感器616检测到用户与终端600的正面之间的距离逐渐变小时,由处理器601控制触摸显示屏605从亮屏状态切换为息屏状态;当接近传感器616检测到用户与终端600的正面之间的距离逐渐变大时,由处理器601控制触摸显示屏605从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图6中示出的结构并不构成对终端600的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本发明实施例还提供了一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行上述实施例提供的车牌识别方法。
本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例提供的车牌识别方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种车牌识别方法,其特征在于,所述方法包括:
确定目标车牌照片中的疑似字符,并根据确定的疑似字符对所述目标车牌照片进行字符分割,得到多个字符区域,每个字符区域中存在一个疑似字符;
确定所述多个字符区域中的边框字符区域,并从所述多个字符区域中剔除确定的边框字符区域,所述边框字符区域中的疑似字符是由车牌边框导致的;
基于剔除边框字符区域之后的字符区域,确定所述目标车牌照片中的车牌。
2.如权利要求1所述的方法,其特征在于,所述确定所述多个字符区域中的边框字符区域,包括:
从所述多个字符区域中选择处于所述目标车牌照片边缘位置处的字符区域;
对选择出的任一字符区域A,从所述目标车牌照片中获取所述字符区域A的扩展区域,所述扩展区域的中心与所述字符区域A的中心重合,且所述扩展区域的面积大于所述字符区域A的面积;
基于边框过滤网络对所述扩展区域进行处理,所述边框过滤网络用于识别所述扩展区域中的疑似字符是否是车牌边框;
如果所述边框过滤网络的输出结果为边框,则确定所述字符区域A为边框字符区域。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
获取至少一个样本边框字符区域,并基于每个样本边框字符区域对应的车牌照片,确定每个样本边框字符区域的扩展区域,得到至少一个第一类扩展区域;
获取至少一个样本真实字符区域,并基于每个样本真实字符区域对应的车牌照片,确定每个样本真实字符区域的扩展区域,得到至少一个第二类扩展区域,所述至少一个样本真实字符区域是根据所述至少一个样本边框字符区域确定的;
基于所述至少一个第一类扩展区域和所述至少一个第二类扩展区域,对初始化的边框过滤网络进行训练,得到所述边框过滤网络。
4.如权利要求2或3所述的方法,其特征在于,所述至少一个样本真实字符区域包括字符I对应的字符区域、字符1对应的字符区域、字符J对应的字符区域、字符L对应的字符区域和字符T对应的字符区域。
5.如权利要求1所述的方法,其特征在于,所述基于剔除边框字符区域之后的字符区域,确定所述目标车牌照片中的车牌,包括:
基于非正常字符过滤网络,确定所述剔除边框字符区域之后的字符区域中的非正常字符区域,所述非正常字符区域是指对应的字符区域中的字符是由用于固定车牌的零件导致的;
从所述剔除边框字符区域之后的字符区域中继续剔除确定的非正常字符区域;
基于剔除非正常字符区域之后的字符区域,确定所述目标车牌照片中的车牌。
6.如权利要求5所述的方法,其特征在于,所述用于固定车牌的零件包括车牌上的铆钉。
7.如权利要5或6所述的方法,其特征在于,所述基于剔除非正常字符区域之后的字符区域,确定所述目标车牌照片中的车牌,包括:
基于字符识别网络确定剔除非正常字符区域之后的每个字符区域中的字符;
将识别出的字符进行组合,得到所述目标车牌照片中的车牌。
8.一种车牌识别装置,其特征在于,所述装置包括:
第一确定模块,用于确定目标车牌照片中的疑似字符,并根据确定的疑似字符对所述目标车牌照片进行字符分割,得到多个字符区域,每个字符区域中存在一个疑似字符;
第二确定模块,用于确定所述多个字符区域中的边框字符区域,并从所述多个字符区域中剔除确定的边框字符区域,所述边框字符区中的疑似字符是由车牌边框导致的;
第三确定模块,用于基于剔除边框字符区域之后的字符区域,确定所述目标车牌照片中的车牌。
9.如权利要求8所述的装置,其特征在于,所述第二确定模块,具体用于:
从所述多个字符区域中选择处于所述目标车牌照片边缘位置处的字符区域;
对选择出的任一字符区域A,从所述目标车牌照片中获取所述字符区域A的扩展区域,所述扩展区域的中心与所述字符区域A的中心重合,且所述扩展区域的面积大于所述字符区域A的面积;
基于边框过滤网络对所述扩展区域进行处理,所述边框过滤网络用于识别所述扩展区域中的疑似字符是否是车牌边框;
如果所述边框过滤网络的输出结果为边框,则确定所述字符区域A为边框字符区域。
10.如权利要求9所述的装置,其特征在于,所述装置还包括:
第一获取模块,用于获取至少一个样本边框字符区域,并基于每个样本边框字符区域对应的车牌照片,确定每个样本边框字符区域的扩展区域,得到至少一个第一类扩展区域;
第二获取模块,用于获取至少一个样本真实字符区域,并基于每个样本真实字符区域对应的车牌照片,确定每个样本真实字符区域的扩展区域,得到至少一个第二类扩展区域,所述至少一个样本真实字符区域是根据所述至少一个样本边框字符区域确定的;
训练模块,用于基于所述至少一个第一类扩展区域和所述至少一个第二类扩展区域,对初始化的边框过滤网络进行训练,得到所述边框过滤网络。
11.如权利要求9或10所述的装置,其特征在于,所述至少一个样本真实字符区域包括字符I对应的字符区域、字符1对应的字符区域、字符J对应的字符区域、字符L对应的字符区域和字符T对应的字符区域。
12.如权利要求8所述的装置,其特征在于,所述第三确定模块包括:
第一确定单元,用于基于非正常字符过滤网络,确定所述剔除边框字符区域之后的字符区域中的非正常字符区域,所述非正常字符区域是指对应的字符区域中的字符是由用于固定车牌的零件导致的;
剔除单元,用于从所述剔除边框字符区域之后的字符区域中继续剔除确定的非正常字符区域;
第二确定单元,用于基于剔除非正常字符区域之后的字符区域,确定所述目标车牌照片中的车牌。
13.如权利要求12所述的装置,其特征在于,所述用于固定车牌的零件包括车牌上的铆钉。
14.如权利要12或13所述的装置,其特征在于,所述第二确定单元,具体用于:
基于字符识别网络确定剔除非正常字符区域之后的每个字符区域中的字符;
将识别出的字符进行组合,得到所述目标车牌照片中的车牌。
15.一种车牌识别装置,其特征在于,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述权利要求1至权利要求7中的任一项权利要求所述的方法的步骤。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指令,所述指令被处理器执行时实现上述权利要求1至权利要求7中的任一项权利要求所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810775835.2A CN110728275B (zh) | 2018-07-16 | 2018-07-16 | 车牌识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810775835.2A CN110728275B (zh) | 2018-07-16 | 2018-07-16 | 车牌识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728275A true CN110728275A (zh) | 2020-01-24 |
CN110728275B CN110728275B (zh) | 2023-07-07 |
Family
ID=69216823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810775835.2A Active CN110728275B (zh) | 2018-07-16 | 2018-07-16 | 车牌识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728275B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239854A (zh) * | 2021-05-27 | 2021-08-10 | 北京环境特性研究所 | 一种基于深度学习的船舶身份识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
CN102722711A (zh) * | 2012-05-31 | 2012-10-10 | 信帧电子技术(北京)有限公司 | 一种车牌类型识别中的车牌字符序列识别方法及装置 |
CN102722707A (zh) * | 2012-06-11 | 2012-10-10 | 复旦大学 | 基于连通区域和间隙模型的车牌字符分割方法 |
CN105320953A (zh) * | 2015-09-28 | 2016-02-10 | 万永秀 | 车牌识别方法 |
CN106295643A (zh) * | 2016-08-11 | 2017-01-04 | 万永秀 | 机动车车牌自动识别方法 |
-
2018
- 2018-07-16 CN CN201810775835.2A patent/CN110728275B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
CN102722711A (zh) * | 2012-05-31 | 2012-10-10 | 信帧电子技术(北京)有限公司 | 一种车牌类型识别中的车牌字符序列识别方法及装置 |
CN102722707A (zh) * | 2012-06-11 | 2012-10-10 | 复旦大学 | 基于连通区域和间隙模型的车牌字符分割方法 |
CN105320953A (zh) * | 2015-09-28 | 2016-02-10 | 万永秀 | 车牌识别方法 |
CN106295643A (zh) * | 2016-08-11 | 2017-01-04 | 万永秀 | 机动车车牌自动识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239854A (zh) * | 2021-05-27 | 2021-08-10 | 北京环境特性研究所 | 一种基于深度学习的船舶身份识别方法及系统 |
CN113239854B (zh) * | 2021-05-27 | 2023-12-19 | 北京环境特性研究所 | 一种基于深度学习的船舶身份识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110728275B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829456B (zh) | 图像识别方法、装置及终端 | |
CN110059685B (zh) | 文字区域检测方法、装置及存储介质 | |
CN110555839A (zh) | 缺陷检测识别方法、装置、计算机设备及存储介质 | |
CN110490179B (zh) | 车牌识别方法、装置及存储介质 | |
CN110650379B (zh) | 视频摘要生成方法、装置、电子设备及存储介质 | |
CN110839128B (zh) | 拍照行为检测方法、装置及存储介质 | |
CN109360222B (zh) | 图像分割方法、装置及存储介质 | |
CN112749613B (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
CN110570460A (zh) | 目标跟踪方法、装置、计算机设备及计算机可读存储介质 | |
US20210134022A1 (en) | Method and electronic device for adding virtual item | |
CN110647881A (zh) | 确定图像对应的卡片类型的方法、装置、设备及存储介质 | |
CN111754386A (zh) | 图像区域屏蔽方法、装置、设备及存储介质 | |
CN113627413A (zh) | 数据标注方法、图像比对方法及装置 | |
CN111586279B (zh) | 确定拍摄状态的方法、装置、设备及存储介质 | |
CN111325701A (zh) | 图像处理方法、装置及存储介质 | |
CN110728167A (zh) | 文本检测方法、装置及计算机可读存储介质 | |
CN111127541A (zh) | 车辆尺寸的确定方法、装置及存储介质 | |
CN112819103A (zh) | 基于图神经网络的特征识别方法、装置、存储介质及终端 | |
CN112818979A (zh) | 文本识别方法、装置、设备及存储介质 | |
CN111860064A (zh) | 基于视频的目标检测方法、装置、设备及存储介质 | |
CN110728275B (zh) | 车牌识别方法、装置及存储介质 | |
CN111444749A (zh) | 路面导向标志的识别方法、装置及存储介质 | |
CN111582184B (zh) | 页面检测方法、装置、设备及存储介质 | |
CN113936240A (zh) | 确定样本图像的方法、装置、设备及存储介质 | |
CN111444945A (zh) | 样本信息过滤方法、装置、计算机设备及存储介质 |
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 |