CN110909692A - 异常车牌识别方法、装置及计算机存储介质、电子设备 - Google Patents
异常车牌识别方法、装置及计算机存储介质、电子设备 Download PDFInfo
- Publication number
- CN110909692A CN110909692A CN201911177832.XA CN201911177832A CN110909692A CN 110909692 A CN110909692 A CN 110909692A CN 201911177832 A CN201911177832 A CN 201911177832A CN 110909692 A CN110909692 A CN 110909692A
- Authority
- CN
- China
- Prior art keywords
- license plate
- vehicle
- confidence coefficient
- image
- threshold value
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
异常车牌识别方法、装置及计算机存储介质、电子设备,包括:获取车辆图像;在所述车辆图像中定位车辆区域图像;将所述车辆区域图像输入至预先训练好的卷积神经网络目标检测模型,得到车牌遮挡候选区及其置信度和类别;根据车牌遮挡候选区及其置信度和类别,识别异常车牌。采用本申请中的方案,对车牌区域进行全面的,细粒化定义分类,通过卷积神经网络模型直接在车辆区域图像中自主学习车牌区域及其上下文信息,其避免了现有技术中通过车牌特征定位失败导致车牌检测不准确及异常车牌无法后续识别的问题。
Description
技术领域
本申请涉及智能交通技术,具体地,涉及一种异常车牌识别方法、装置及计算机存储介质、电子设备。
背景技术
人工智能正在全球迅速崛起,已经影响了我们生活的方方面面。在智能交通系统中,城市道路或高速公路治安卡口及重点治安地段,结合高清摄像机,依靠视频图像处理技术,实时地对经过卡口的车辆进行全天候检测、抓拍与记录,但某些驾驶者会采用车牌遮挡、污损、涂抹、反光甚至不挂车牌、使用假牌、套用车牌等涉及车牌的各类违法手段来逃避各类电子设备的跟踪。
现有的异常号牌识别方法多数依赖于车牌检测算法再进行车牌区域分类以及字符分割和识别算法,有以下两种:
1、车牌区域分类,先检测车牌,再对车牌区域进行分类,判断是否为异常车牌。
2、车牌字符分割和识别,先进行车牌定位和字符分割和识别,通过有效区分遮挡字符和正常字符,判断是否存在遮挡。
由于遮挡物大小不一,形态各异,尤其很多是非人为遮挡物体且可能随时发生变化,当遮挡物与算法中的定义不一致的时候,经常发生定位失败的问题,导致后处理工作无法进行,识别过程复杂且耗时较大。
现有技术中存在的问题:
当车牌遮挡状态发生变化时,车牌检测和识别结果容易出错。
发明内容
本申请实施例中提供了一种异常车牌识别方法、装置及计算机存储介质、电子设备,以解决上述技术问题。
根据本申请实施例的第一个方面,提供了一种异常车牌识别方法,包括如下步骤:
获取车辆图像;
在所述车辆图像中定位车辆区域图像;
将所述车辆区域图像输入至预先训练好的卷积神经网络目标检测模型,得到车牌遮挡候选区及其置信度和类别;
根据车牌遮挡候选区及其置信度和类别,识别异常车牌。
根据本申请实施例的第二个方面,提供了一种异常车牌识别装置,包括:
获取模块,用于获取车辆图像;
定位模块,用于在所述车辆图像中定位车辆区域图像;
检测模块,用于将所述车辆区域图像输入至预先训练好的卷积神经网络目标检测模型,得到车牌遮挡候选区及其置信度和类别;
识别模块,用于根据车牌遮挡候选区及其置信度和类别,识别异常车牌。
根据本申请实施例的第三个方面,提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述异常车牌识别方法的步骤。
根据本申请实施例的第四个方面,提供了一种电子设备,包括存储器、以及一个或多个处理器,所述存储器用于存储一个或多个程序;所述一个或多个程序被所述一个或多个处理器执行时,实现如上所述的异常车牌识别方法。
采用本申请实施例中提供的异常车牌识别方法、装置及计算机存储介质、电子设备,对车牌区域进行全面的,细粒化定义分类,通过卷积神经网络模型直接在在车辆区域图像中自主学习车牌区域及其上下文信息,其避免了现有技术中通过车牌特征定位失败导致车牌检测不准确及异常车牌无法后续识别的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例一中异常车牌识别方法实施的流程示意图;
图2示出了本申请实施例二中异常车牌识别装置的结构示意图;
图3示出了本申请实施例四中电子设备的结构示意图。
具体实施方式
在实现本申请的过程中,发明人发现:
目前技术只判断车牌是否为遮挡,没有考虑实际场景中其他非人为故意因素遮挡、成像模糊、曝光过度导致的反光而误判为车牌遮挡,而且字符遮挡状态形态各异,导致存在字符部分被遮挡仍能预测错误字符的情况,因此通过统计识别字符个数来判断是否存在遮挡,其准确度不高。
目前系统不能区分恶意遮挡和非故意遮挡。对于车牌被前后车辆或者行人遮挡的情况,一方面由于对车牌轮廓被遮挡可能导致车牌定位失败,最后出现无法识别的情况;另一方面即使车牌定位成功,由于遮挡缺失了字符也会导致遮挡号码的判断不够准确且存在统计错误,而对于一些破损脏污和曝光车牌,导致其字符特征不明显而无法分割出车牌字符也被误判为故意遮挡。
针对上述问题,本申请实施例中提供了一种异常车牌高精度自动识别方法,其不需要进行额外的后处理,可以持续不断的提升识别能力,并且能快速识别同时能够维持较高的识别准确率。
本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一
图1示出了本申请实施例一中异常车牌识别方法实施的流程示意图。
如图所示,所述异常车牌识别方法包括:
步骤101、获取车辆图像;
步骤102、在所述车辆图像中定位车辆区域图像;
步骤103、将所述车辆区域图像输入至预先训练好的卷积神经网络目标检测模型,得到车牌遮挡候选区及其置信度和类别;
步骤104、根据车牌遮挡候选区及其置信度和类别,识别异常车牌。
具体实施时,所述获取车辆图像,包括:提取监控图像或视频数据,并从图像或视频中截取车辆图像。所述车辆图像可以指包括有车辆的全部或部分结构的图像。
所述在车辆图像中定位车辆区域图像可以采用现有的图像识别技术,本申请在此不做赘述。
所述车牌遮挡候选区的置信度,可以为该车牌遮挡候选区对应的类别的概率。
现有技术是先利用神经网络模型检测出车牌候选区域,然后再对该车牌候选区域进行相关的后处理,才能判断异常车牌类型。而本申请实施例则是直接通过卷积神经网络目标检测模型一次性得到车牌候选区域以及该车牌候选区域的类别,不需要进行后处理,检测精度更高、处理更简单,同时对车牌区域进行全面的,细粒化定义分类,增强了车牌的识别能力。
采用本申请实施例中提供的异常车牌识别方法,通过卷积神经网络模型直接在在车辆区域图像中自主学习车牌区域及其上下文信息,其避免了现有技术中通过车牌特征定位失败导致车牌检测不准确及异常车牌无法后续识别的问题。
在一种实施方式中,所述在车辆图像中定位车辆区域图像,包括:
在车辆图像中检测车辆轮廓;
根据车辆轮廓定位所述车辆所在区域;
根据所述车辆所在区域确定车辆区域图像。
具体实施时,所述在车辆图像中检测车辆轮廓可以通过预先训练卷积神经网络模型进行检测,对车辆图像中的车辆轮廓以最小的矩阵框包围车辆,即实现从车辆图像大图中截取出车辆区域小图。
在一种实施方式中,所述卷积神经网络目标检测模型的训练过程,包括:
收集车辆区域样本图像;
对所述车辆区域样本图像中的车牌区域进行标框分类;
将标识分类后的车辆区域样本图像输入卷积神经网络进行训练,得到卷积神经网络目标检测模型。
在一种实施方式中,所述车牌遮挡候选区,包括:部分遮挡车牌、全部遮挡车牌、正常车牌、无牌、污损车牌、反光车牌、模糊车牌、和其他遮挡车牌八个类别,所述异常车牌为置信度最大的车牌遮挡候选区,最大置信度对应的类别为所述异常车牌的识别结果。
具体实施时,可以进行以下定义:
部分遮挡车牌:被人为故意放置遮挡物(比如:毛巾,布,胶带等物品)在车牌区域上或者折叠和截断车牌导致部分车牌字符无法识别。
全部遮挡车牌:被人为故意放置遮挡物(比如:毛巾,布,胶带等物品)在车牌区域导致车牌所有字符无法识别。
正常车牌:车牌所有字符都可以识别。
无牌:车辆图中有车牌区域且未悬挂车牌。
污损车牌:由于泥浆、油渍、腐蚀等导致字符无法识别。
反光车牌是指由于曝光过度形成高亮区域块出现反光现象且不能作为处罚依据的车牌。
模糊车牌是指存在字母或者数字肉眼看不清的字符的车牌。
具体实施时,本申请实施例可以首先对不同的车牌的状态进行上述定义,然后根据上述定义对若干不同的车牌区域图像进行分类,利用标识分类后的车辆区域样本图像像进行模型训练。
在一种实施方式中,所述方法进一步包括:
若识别结果为部分遮挡,且置信度大于等于预设阈值,则认定存在恶意遮挡行为;置信度小于预设阈值,则认定不存在遮挡行为;
若识别结果为全部遮挡,且置信度大于等于预设阈值,则认定存在恶意遮挡行为;置信度小于预设阈值,则认定不存在遮挡行为;
若识别结果为正常车牌,且置信度大于等于预设阈值,则认定为正常车牌;置信度小于预设阈值,则认定为其他;
若识别结果为无牌,且置信度大于等于预设阈值,则认定为未悬挂车牌;置信度小于预设阈值,则认定为其他;
若识别结果为污损车牌,且置信度大于等于预设阈值,则认定为污损车牌;置信度小于预设阈值,则认定为其他;
若识别结果为其他遮挡车牌,且置信度大于等于预设阈值,则认定为车牌被其他非人为因素导致遮挡;置信度小于预设阈值,则认定为其他;
若识别结果为反光车牌,且置信度大于等于预设阈值,则认定为车牌由于存在高亮斑块而导致字符无法识别;置信度小于预设阈值,则认定为其他;
若识别结果为模糊车牌,且置信度大于等于预设阈值,则认定为车牌存在模糊字符导致无法识别;置信度小于预设阈值,则认定为其他。
本申请实施例对车牌区域进行更全面的、更细的定义和分类,让其学到的纹理信息更丰富,排除其他遮挡、污损、字符曝光过度误判为遮挡车牌。并且,本申请实施例通过模型学习自动分析车牌区域处的纹理信息,纹理信息与遮挡物的纹理特征相近,则基本可以判定该车牌可能存在恶意遮挡的行为。
在一种实施方式中,所述方法进一步包括:
对存在恶意遮挡行为的情况进行报警。
在一种实施方式中,在将车辆区域图像输入至预先训练好的卷积神经网络目标检测模型之前,进一步包括:
将所述车辆区域图像缩放到宽高为320*256,减均值(104,117,123)。
具体实施时,输入的车辆图像可以为三通道图像(b、g、r三通道),本申请实施例可以将每个通道减去相应的均值,例如:b通道数据都减去104。
本申请实施例只需要一次前向传输且不需要额外的分割和识别等后处理操作,避免了现有技术中的不足,本申请实施例所提供的异常号牌自动识别在判断恶意遮挡方面相比于现有技术更加快速、准确。
实施例二
基于同一发明构思,本申请实施例提供了一种异常车牌识别装置,该装置解决技术问题的原理与一种异常车牌识别方法相似,重复之处不再赘述。
图2示出了本申请实施例二中异常车牌识别装置的结构示意图。
如图所示,所述异常车牌识别装置包括:
获取模块201,用于获取车辆图像;
定位模块202,用于在所述车辆图像中定位车辆区域图像;
检测模块203,用于将所述车辆区域图像输入至预先训练好的卷积神经网络目标检测模型,得到车牌遮挡候选区及其置信度和类别;
识别模块204,用于根据车牌遮挡候选区及其置信度和类别,识别异常车牌。
采用本申请实施例中提供的异常车牌识别装置,通过卷积神经网络模型直接在在车辆区域图像中自主学习车牌区域及其上下文信息,其避免了现有技术中通过车牌特征定位失败导致车牌检测不准确及异常车牌无法后续识别的问题。
在一种实施方式中,所述定位模块,包括:
检测单元,用于在车辆图像中检测车辆轮廓;
定位单元,用于根据车辆轮廓定位所述车辆所在区域;
确定单元,用于根据所述车辆所在区域确定车辆区域图像。
在一种实施方式中,所述卷积神经网络目标检测模型的训练过程,包括:
收集车辆区域样本图像;
对所述车辆区域样本图像中的车牌区域进行标框分类;
将标识分类后的车辆区域样本图像输入卷积神经网络进行训练,得到卷积神经网络目标检测模型。
在一种实施方式中,所述车牌遮挡候选区,包括:部分遮挡车牌、全部遮挡车牌、正常车牌、无牌、污损车牌、反光车牌、模糊车牌、和其他遮挡车牌八个类别,所述异常车牌为置信度最大的车牌遮挡候选区,最大置信度对应的类别为所述异常车牌的判定结果。
在一种实施方式中,进一步包括:
判定模块,用于执行以下判定过程:
若识别结果为部分遮挡,且置信度大于等于预设阈值,则认定存在恶意遮挡行为;置信度小于预设阈值,则认定不存在遮挡行为;
若识别结果为全部遮挡,且置信度大于等于预设阈值,则认定存在恶意遮挡行为;置信度小于预设阈值,则认定不存在遮挡行为;
若识别结果为正常车牌,且置信度大于等于预设阈值,则认定为正常车牌;置信度小于预设阈值,则认定为其他;
若识别结果为无牌,且置信度大于等于预设阈值,则认定为未悬挂车牌;置信度小于预设阈值,则认定为其他;
若识别结果为污损车牌,且置信度大于等于预设阈值,则认定为污损车牌;置信度小于预设阈值,则认定为其他;
若识别结果为其他遮挡车牌,且置信度大于等于预设阈值,则认定为车牌被其他非人为因素导致遮挡;置信度小于预设阈值,则认定为其他;
若识别结果为反光车牌,且置信度大于等于预设阈值,则认定为车牌由于存在高亮斑块而导致字符无法识别;置信度小于预设阈值,则认定为其他;
若识别结果为模糊车牌,且置信度大于等于预设阈值,则认定为车牌存在模糊字符导致无法识别;置信度小于预设阈值,则认定为其他。
在一种实施方式中,所述装置进一步包括:
报警模块,用于对存在恶意遮挡行为的情况进行报警。
在一种实施方式中,在将车辆区域图像输入至预先训练好的卷积神经网络目标检测模型之前,进一步包括:
预处理模块,用于将所述车辆区域图像缩放到宽高为320*256,减均值(104,117,123)。
实施例三
基于同一发明构思,本申请实施例还提供一种计算机存储介质,下面进行说明。
所述计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如实施例一所述异常车牌识别方法的步骤。
采用本申请实施例中提供的计算机存储介质,通过卷积神经网络模型直接在在车辆区域图像中自主学习车牌区域及其上下文信息,其避免了现有技术中通过车牌特征定位失败导致车牌检测不准确及异常车牌无法后续识别的问题。
实施例四
基于同一发明构思,本申请实施例还提供一种电子设备,下面进行说明。
图3示出了本申请实施例四中电子设备的结构示意图。
如图所示,所述电子设备包括存储器301、以及一个或多个处理器302,所述存储器用于存储一个或多个程序;所述一个或多个程序被所述一个或多个处理器执行时,实现如实施例一所述的异常车牌识别方法。
采用本申请实施例中提供的电子设备,通过卷积神经网络模型直接在在车辆区域图像中自主学习车牌区域及其上下文信息,其避免了现有技术中通过车牌特征定位失败导致车牌检测不准确及异常车牌无法后续识别的问题。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种异常车牌识别方法,其特征在于,包括:
获取车辆图像;
在所述车辆图像中定位车辆区域图像;
将所述车辆区域图像输入至预先训练好的卷积神经网络目标检测模型,得到车牌遮挡候选区及其置信度和类别;
根据车牌遮挡候选区及其置信度和类别,识别异常车牌。
2.根据权利要求1所述的方法,其特征在于,所述在车辆图像中定位车辆区域图像,包括:
在车辆图像中检测车辆轮廓;
根据车辆轮廓定位所述车辆所在区域;
根据所述车辆所在区域确定车辆区域图像。
3.根据权利要求1所述的方法,其特征在于,所述卷积神经网络目标检测模型的训练过程,包括:
收集车辆区域样本图像;
对所述车辆区域样本图像中的车牌区域进行标框分类;
将标识分类后的车辆区域样本图像输入卷积神经网络进行训练,得到卷积神经网络目标检测模型。
4.根据权利要求1所述的方法,其特征在于,所述车牌遮挡候选区,包括:部分遮挡车牌、全部遮挡车牌、正常车牌、无牌、污损车牌、反光车牌、模糊车牌、和其他遮挡车牌八个类别,所述异常车牌为置信度最大的车牌遮挡候选区,最大置信度对应的类别为所述异常车牌的识别结果。
5.根据权利要求4所述的方法,其特征在于,进一步包括:
若识别结果为部分遮挡,且置信度大于等于预设阈值,则认定存在恶意遮挡行为;置信度小于预设阈值,则认定不存在遮挡行为;
若识别结果为全部遮挡,且置信度大于等于预设阈值,则认定存在恶意遮挡行为;置信度小于预设阈值,则认定不存在遮挡行为;
若识别结果为正常车牌,且置信度大于等于预设阈值,则认定为正常车牌;置信度小于预设阈值,则认定为其他;
若识别结果为无牌,且置信度大于等于预设阈值,则认定为未悬挂车牌;置信度小于预设阈值,则认定为其他;
若识别结果为污损车牌,且置信度大于等于预设阈值,则认定为污损车牌;置信度小于预设阈值,则认定为其他;
若识别结果为其他遮挡车牌,且置信度大于等于预设阈值,则认定为车牌被其他非人为因素导致遮挡;置信度小于预设阈值,则认定为其他;
若识别结果为反光车牌,且置信度大于等于预设阈值,则认定为车牌由于存在高亮斑块而导致字符无法识别;置信度小于预设阈值,则认定为其他;
若识别结果为模糊车牌,且置信度大于等于预设阈值,则认定为车牌存在模糊字符导致无法识别;置信度小于预设阈值,则认定为其他。
6.根据权利要求5所述的方法,其特征在于,进一步包括:
对存在恶意遮挡行为的情况进行报警。
7.根据权利要求1所述的方法,其特征在于,在将车辆区域图像输入至预先训练好的卷积神经网络目标检测模型之前,进一步包括:
将所述车辆区域图像缩放到宽高为320*256,减均值(104,117,123)。
8.一种异常车牌识别装置,其特征在于,包括:
获取模块,用于获取车辆图像;
定位模块,用于在所述车辆图像中定位车辆区域图像;
检测模块,用于将所述车辆区域图像输入至预先训练好的卷积神经网络目标检测模型,得到车牌遮挡候选区及其置信度和类别;
识别模块,用于根据车牌遮挡候选区及其置信度和类别,识别异常车牌。
9.一种计算机存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一所述方法的步骤。
10.一种电子设备,其特征在于,包括存储器、以及一个或多个处理器,所述存储器用于存储一个或多个程序;所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911177832.XA CN110909692A (zh) | 2019-11-27 | 2019-11-27 | 异常车牌识别方法、装置及计算机存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911177832.XA CN110909692A (zh) | 2019-11-27 | 2019-11-27 | 异常车牌识别方法、装置及计算机存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110909692A true CN110909692A (zh) | 2020-03-24 |
Family
ID=69819884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911177832.XA Pending CN110909692A (zh) | 2019-11-27 | 2019-11-27 | 异常车牌识别方法、装置及计算机存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909692A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523544A (zh) * | 2020-04-23 | 2020-08-11 | 上海眼控科技股份有限公司 | 车牌类型检测方法、系统、计算机设备及可读存储介质 |
CN111652234A (zh) * | 2020-06-04 | 2020-09-11 | 上海眼控科技股份有限公司 | 车牌识别方法、系统、计算机设备及可读存储介质 |
CN111797713A (zh) * | 2020-06-16 | 2020-10-20 | 浙江大华技术股份有限公司 | 车牌识别方法及拍照设备 |
CN112287875A (zh) * | 2020-11-16 | 2021-01-29 | 北京百度网讯科技有限公司 | 异常车牌识别方法、装置、设备及可读存储介质 |
CN112465807A (zh) * | 2020-12-14 | 2021-03-09 | 深圳市芊熠智能硬件有限公司 | 车牌图像真伪识别方法、装置、设备和介质 |
CN112597854A (zh) * | 2020-12-15 | 2021-04-02 | 重庆电子工程职业学院 | 无配合式人脸识别系统及方法 |
CN113221888A (zh) * | 2021-05-25 | 2021-08-06 | 平安国际智慧城市科技股份有限公司 | 车牌号管理系统测试方法、装置、电子设备及存储介质 |
CN113610770A (zh) * | 2021-07-15 | 2021-11-05 | 浙江大华技术股份有限公司 | 一种车牌识别方法和装置及设备 |
CN113657277A (zh) * | 2021-08-18 | 2021-11-16 | 南京佑驾科技有限公司 | 一种车辆被遮挡状态判断系统及方法 |
CN113688805A (zh) * | 2021-10-25 | 2021-11-23 | 深圳联和智慧科技有限公司 | 一种基于无人机的无牌渣土车识别方法及系统 |
EP3958219A3 (en) * | 2021-01-22 | 2022-06-22 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for generating a license plate defacement classification model, license plate defacement classification method and apparatus, electronic device, storage medium, and computer program product |
CN114724128A (zh) * | 2022-03-21 | 2022-07-08 | 北京卓视智通科技有限责任公司 | 一种车牌识别方法、装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301385A (zh) * | 2017-06-09 | 2017-10-27 | 浙江宇视科技有限公司 | 一种遮挡车牌识别方法及装置 |
CN107977596A (zh) * | 2016-10-25 | 2018-05-01 | 杭州海康威视数字技术股份有限公司 | 一种车牌状态识别方法及装置 |
CN109344886A (zh) * | 2018-09-17 | 2019-02-15 | 公安部交通管理科学研究所 | 基于卷积神经网络的遮挡号牌判别方法 |
US20190251369A1 (en) * | 2018-02-11 | 2019-08-15 | Ilya Popov | License plate detection and recognition system |
-
2019
- 2019-11-27 CN CN201911177832.XA patent/CN110909692A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977596A (zh) * | 2016-10-25 | 2018-05-01 | 杭州海康威视数字技术股份有限公司 | 一种车牌状态识别方法及装置 |
CN107301385A (zh) * | 2017-06-09 | 2017-10-27 | 浙江宇视科技有限公司 | 一种遮挡车牌识别方法及装置 |
US20190251369A1 (en) * | 2018-02-11 | 2019-08-15 | Ilya Popov | License plate detection and recognition system |
CN109344886A (zh) * | 2018-09-17 | 2019-02-15 | 公安部交通管理科学研究所 | 基于卷积神经网络的遮挡号牌判别方法 |
Non-Patent Citations (1)
Title |
---|
庆隆阳: "复杂环境下车牌识别的算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523544A (zh) * | 2020-04-23 | 2020-08-11 | 上海眼控科技股份有限公司 | 车牌类型检测方法、系统、计算机设备及可读存储介质 |
CN111652234A (zh) * | 2020-06-04 | 2020-09-11 | 上海眼控科技股份有限公司 | 车牌识别方法、系统、计算机设备及可读存储介质 |
CN111797713A (zh) * | 2020-06-16 | 2020-10-20 | 浙江大华技术股份有限公司 | 车牌识别方法及拍照设备 |
CN112287875B (zh) * | 2020-11-16 | 2023-07-25 | 北京百度网讯科技有限公司 | 异常车牌识别方法、装置、设备及可读存储介质 |
CN112287875A (zh) * | 2020-11-16 | 2021-01-29 | 北京百度网讯科技有限公司 | 异常车牌识别方法、装置、设备及可读存储介质 |
CN112465807A (zh) * | 2020-12-14 | 2021-03-09 | 深圳市芊熠智能硬件有限公司 | 车牌图像真伪识别方法、装置、设备和介质 |
CN112597854A (zh) * | 2020-12-15 | 2021-04-02 | 重庆电子工程职业学院 | 无配合式人脸识别系统及方法 |
US11830242B2 (en) | 2021-01-22 | 2023-11-28 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for generating a license plate defacement classification model, license plate defacement classification method, electronic device and storage medium |
EP3958219A3 (en) * | 2021-01-22 | 2022-06-22 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for generating a license plate defacement classification model, license plate defacement classification method and apparatus, electronic device, storage medium, and computer program product |
CN113221888A (zh) * | 2021-05-25 | 2021-08-06 | 平安国际智慧城市科技股份有限公司 | 车牌号管理系统测试方法、装置、电子设备及存储介质 |
CN113221888B (zh) * | 2021-05-25 | 2023-10-10 | 平安国际智慧城市科技股份有限公司 | 车牌号管理系统测试方法、装置、电子设备及存储介质 |
CN113610770A (zh) * | 2021-07-15 | 2021-11-05 | 浙江大华技术股份有限公司 | 一种车牌识别方法和装置及设备 |
CN113657277A (zh) * | 2021-08-18 | 2021-11-16 | 南京佑驾科技有限公司 | 一种车辆被遮挡状态判断系统及方法 |
CN113688805B (zh) * | 2021-10-25 | 2022-02-15 | 深圳联和智慧科技有限公司 | 一种基于无人机的无牌渣土车识别方法及系统 |
CN113688805A (zh) * | 2021-10-25 | 2021-11-23 | 深圳联和智慧科技有限公司 | 一种基于无人机的无牌渣土车识别方法及系统 |
CN114724128A (zh) * | 2022-03-21 | 2022-07-08 | 北京卓视智通科技有限责任公司 | 一种车牌识别方法、装置、设备和介质 |
CN114724128B (zh) * | 2022-03-21 | 2023-10-10 | 北京卓视智通科技有限责任公司 | 一种车牌识别方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909692A (zh) | 异常车牌识别方法、装置及计算机存储介质、电子设备 | |
US10212397B2 (en) | Abandoned object detection apparatus and method and system | |
EP3806064A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
KR101848019B1 (ko) | 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치 | |
CN102289686B (zh) | 一种基于迁移学习的运动目标分类识别方法 | |
CN109344886B (zh) | 基于卷积神经网络的遮挡号牌判别方法 | |
CN106991820B (zh) | 违规车辆处理方法及装置 | |
CN111325769A (zh) | 一种目标对象检测方法及装置 | |
CN107194393B (zh) | 一种检测临时车牌的方法及装置 | |
CN112633255B (zh) | 目标检测方法、装置及设备 | |
CN111488808A (zh) | 基于交通违法图像数据的车道线检测方法 | |
CN114387591A (zh) | 车牌识别方法、系统、设备及存储介质 | |
Antar et al. | Automatic number plate recognition of Saudi license car plates | |
CN112307840A (zh) | 指示灯检测方法、装置、设备及计算机可读存储介质 | |
CN110866428B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别系统及方法 | |
CN116824135A (zh) | 基于机器视觉的大气自然环境试验工业产品识别分割方法 | |
CN109948436B (zh) | 一种监控道路上车辆的方法及装置 | |
CN111768630A (zh) | 一种违章废图检测方法、装置及电子设备 | |
Ganapathy et al. | A Malaysian vehicle license plate localization and recognition system | |
CN114332781A (zh) | 一种基于深度学习的智能车牌识别方法及系统 | |
CN112784675B (zh) | 目标检测方法及装置、存储介质、终端 | |
CN113283303A (zh) | 一种车牌识别方法及装置 | |
US20200394802A1 (en) | Real-time object detection method for multiple camera images using frame segmentation and intelligent detection pool | |
CN110817674B (zh) | 一种扶梯的缺级检测方法、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |
|
RJ01 | Rejection of invention patent application after publication |