CN110942071A - 一种基于车牌分类和lstm的车牌识别方法 - Google Patents
一种基于车牌分类和lstm的车牌识别方法 Download PDFInfo
- Publication number
- CN110942071A CN110942071A CN201911250175.7A CN201911250175A CN110942071A CN 110942071 A CN110942071 A CN 110942071A CN 201911250175 A CN201911250175 A CN 201911250175A CN 110942071 A CN110942071 A CN 110942071A
- Authority
- CN
- China
- Prior art keywords
- license plate
- pictures
- lstm
- row
- classification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 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
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
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
- 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
- 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
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Discrimination (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车牌分类和LSTM的车牌识别方法,涉及车辆识别领域,解决了传统车辆识别算法复杂、精准度低,识别速度慢,其技术方案要点是获取待识别的车辆不同尺寸大小的图片,并对图像进行预处理和矫正调整;将调整后的图片输入分类网络中对车辆的车牌图片进行分类,根据图片中车牌类别分为单行车牌和双行车牌;将分类后的图片送入卷积神经网络,采样获得所需尺寸的特征图;若为双行车牌则进行分割并合并以获得新的特征图;将获得的特征图送入LSTM网络进行字符识别及预测,取概率最大的结果作为输出,检测获得整个车牌的字符,本发明的一种基于车牌分类和LSTM的车牌识别方法,实现了车牌的自动识别,实现端对端的识别,识别简便效果优良。
Description
技术领域
本发明涉及车牌识别领域,特别涉及一种基于车牌分类和LSTM的车牌识别方法。
背景技术
随着社会经济的不断发展和人民生活水平的持续提高,城市机动车保有量迅猛增长。机动车车牌识别的工作量也随之迅速增大。传统的车牌识别主要是通过传统算法进行识别,在算法的复杂度以及算法的准确度方面都有不足,如何准确、快速地对车牌进行识别,是急需解决的技术问题。
发明内容
本发明的目的是提供一种基于车牌分类和LSTM的车牌识别方法,实现了车牌的自动识别,实现端对端的识别,识别简单、高效、精准。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种基于车牌分类和LSTM的车牌识别方法,包括有以下步骤:
获取待识别的车辆不同尺寸大小的图片,并对图像进行预处理和矫正调整;
将调整后的图片输入分类网络中对车辆的车牌图片进行分类,根据图片中车牌类别分为单行车牌和双行车牌;
将分类后的图片送入卷积神经网络,采样获得所需尺寸的特征图;
若为双行车牌则进行分割并合并以获得新的特征图;
将获得的特征图送入LSTM网络进行字符识别及预测,取概率最大的结果作为输出,检测获得整个车牌的字符。
作为优选,所述预处理和矫正的具体步骤如下:
对获取的不同尺寸的图片根据长宽比例缩放到设定的尺寸;
对于不能缩放到设定尺寸的部分则进行补黑边,剔除图片的宽像素低于设定值的图片;
将缩放后的图片送入STN矫正网络模块进行矫正。
作为优选,对于双行车牌的分割具体步骤如下:
对获取的双行车牌的图片于宽度上一分为二,获得与原图片长相等,宽呈一半的两张分割图片;
将分割后的图片沿长度方向按照宽一侧进行连接合并,得到双行车牌用于送入LSTM网络的特征图。
作为优选,LSTM网络进行字符识别及预测具体为:对若干个slices进行预测,取概率最大的字符进行输出,并且采用去重和去空格后输出最终识别的字符。
一种基于车牌分类和LSTM的车牌识别系统,包括有图片预处理单元、车牌矫正单元、车牌分类单元及LSTM识别单元;
通过图片预处理单元和车牌矫正单元对获取的车辆不同尺寸大小的图片进行预处理和矫正;
通过车牌分类单元对预处理及矫正后的图片进行分类,根据图片中车牌的类别分为单行车牌和双行车牌;
将分类后的图片进行采样获得所需尺寸的特征图;
通过LSTM识别单元对输入的特征图进行字符识别及预测,取概率最大的结果作为输出,检测获得整个车牌的字符一种基于车牌分类和LSTM的车牌识别装置,所述识别装置包括有存储器,以及
耦合到所述存储器的处理器,该处理器被配置为执行存储在所述存储器中的指令,所述处理器执行以下步骤:
获取待识别的车辆不同尺寸大小的图片,并对图像进行预处理和矫正调整;
将调整后的图片输入分类网络中对车辆的车牌图片进行分类,根据图片中车牌类别分为单行车牌和双行车牌;
将分类后的图片送入卷积神经网络,采样获得所需尺寸的特征图;
若为双行车牌则进行分割并重新合并以获得新的特征图;
将获得的特征图送入LSTM网络进行字符识别及预测,取概率最大的结果作为输出,检测获得整个车牌的字符。
一种基于车牌分类和LSTM的车牌识别移动终端,所述移动终端包括存储器;以及
耦合到所述存储器的处理器,该处理器被配置为执行存储在所述存储器中的指令,所述处理器执行以下操作:
获取待识别的车辆不同尺寸大小的图片,并对图像进行预处理和矫正调整;
将调整后的图片输入分类网络中对车辆的车牌图片进行分类,根据图片中车牌类别分为单行车牌和双行车牌;
将分类后的图片送入卷积神经网络,采样获得所需尺寸的特征图;
若为双行车牌则进行分割并重新合并以获得新的特征图;
将获得的特征图送入LSTM网络进行字符识别及预测,取概率最大的结果作为输出,检测获得整个车牌的字符。
综上所述,本发明具有以下有益效果:
通过获取车牌的图片,对车牌自动进行分类、识别,实现端对端的识别,该算法模型比传统算法模型更简洁和易于理解,对清晰可见的车牌识别率高,性能优于传统算法,对提高城市的安防有极大的作用。
附图说明
图1为本发明车牌识别流程图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
根据一个或多个实施例,如图1所示,公开了一种基于车牌分类和LSTM的车牌识别方法,如下:
获取待识别的车辆不同尺寸大小的图片,并对图像进行预处理和矫正调整;将获取的不同尺寸的图片根据长宽比例缩放到设定的尺寸,并且对于不能缩放到设定尺寸的部分则进行补黑边,剔除图片的宽像素低于设定值的图片;
将调整后的图片输入分类网络中对车辆的车牌图片进行分类,根据图片中车牌类别分为单行车牌和双行车牌;
将分类后的图片送入卷积神经网络,采样获得所需尺寸的特征图;
若为双行车牌则将采样获得的特征图进行分割并合并以获得新的特征图;对获取的双行车牌的图片于宽度上一分为二,获得与原图片长相等,宽呈一半的两张分割图片;将分割后的图片沿长度方向按照宽一侧进行连接合并,得到双行车牌用于送入LSTM网络的特征图;
将获得的特征图送入LSTM网络进行字符识别及预测,取概率最大的结果作为输出,检测获得整个车牌的字符。
具体的:
S1、获取待识别的车牌图片,对图片进行预处理并缩放到240×112的尺寸;
对图片进行预处理步骤如下:
S11、获取不同尺寸大小的车牌图片;
S12、根据长宽比例将图片缩放至240×112尺寸,如果不能缩放到此尺寸,需要对图片补黑边,使尺寸达到240×112尺寸;
S13、若图片的宽低于50个像素则丢掉这张图片,因为图片像素过小,字符很难看清楚。
S2、将缩放后的图片送入STN矫正网络模块进行矫正;
对图片进行矫正处理步骤如下:
S21、首先把图片输入本地网络(Localisation Network),本地网络是一个用来回归变换参数θ的网络,它的输入是缩放后的图片,然后经过一系列的隐藏网络层(全连接或者卷积网,再加一个回归层)输出空间变换参数θ。θ的形式可以多样,如需实现2D仿射变换,θ就是一个6维(2x3)向量的输出。θ的尺寸大小依赖于变换的类型;
S22、网格生成器(Grid Generator)是为了生成输出的图像在输入图像上的映射网格,网格生成器的输入是预测得到的6维变换向量和输出图像的坐标网格,对于不同的输入图像,须先预设好输出图像的网格坐标不变,输出图像的每一个像素点坐标映射到输入图像的一个像素点坐标,输出映射网格后,可用于接下来的像素采样。
S23、由于计算得到的映射网格每个像素点的坐标可能不是整数,而输入图像的像素点坐标值都为整数,所以为了将输入图像像素点的像素值对应到输出图像上,需要进行采样。采样器使用双线性插值算法获得映射网格每个点对应的像素值,并赋予输出图像,完成图像的矫正。
S3、把矫正后的图片进行车牌分类;利用cnn分类网络对车牌按单行车牌和双行车牌进行分类。
S4、将分类后的图片送入卷积神经网络,经过八倍下采样后得到尺寸为30×14的特征图;
S5、若为双层车牌,将30×14的特征图从高度上进行分割,最终分割成上下两个部分的特征图,其中上半部分特征图大小为30×7,下半部分特征图大小也为30×7;
S6、对于双层车牌,为了预测整张车牌,需要将分割后的上下部分特征图进行合并,最终concat后的特征图大小为60×7;
S61、获取两块特征图,其大小为30×7;
S62、将两块特征图按照宽进行合并,合并后的特征图大小为60×7。
S6、对于双层车牌,将合并后的60×7特征图送入LSTM1网络进行字符识别;对于单层车牌,将30×14的特征图送入LSTM2网络进行字符识别;采用CTC(ConnectionistTemporal Classification)算法对LSTM网络输出的长度为60的特征序列(此处保证LSTM输出的序列长度大于最大序列长度即可)进行预测,取概率最大的字符进行输出,并采用去重和去空格输出最终识别的字符。
根据一个或多个实施例,本发明本开了一种基于车牌分类和LSTM的车牌识别系统,识别系统由图片预处理、车牌矫正、车牌分类、特征图分割、特征图合并和LSTM识别单元组成。
获取待识别的车牌图片,对图片进行预处理并缩放到240×112的尺寸;将缩放后的图片送入STN矫正网络模块,STN的作用类似于传统的矫正的作用;把矫正后的车牌图片送入分类网络对车牌进行分类,分为单行车牌和双行车牌;把单行车牌和双行车牌都经过cnn卷积神经网络,八倍下采样后得到尺寸为30×14的特征图,若为双行车牌,将30×14的特征图从高度上进行分割,最终分割成上下两个部分的子特征图,其中上半部分子特征图大小为30×7,下半部分子特征图大小也为30×7;为了预测整张车牌,需要将分割后的上下部分子特征图进行合并,最终合并后的特征图大小为60×7;将合并后的特征图入LSTM1网络进行字符识别;然后再对60个sclices进行预测,取概率最大的结果作为输出,最终检测整个车牌的字符。若为单行车牌,则直接通过LSTM2网络进行字符识别,同理对60个sclices进行预测,取概率最大的结果作为输出。
根据一个或多个实施例,本发明公开了一种基于车牌分类和LSTM的车牌识别装置,识别装置包括有存储器,以及
耦合到存储器的处理器,该处理器被配置为执行存储在存储器中的指令,处理器执行以下步骤:
获取待识别的车辆不同尺寸大小的图片,并对图像进行预处理和矫正调整;
将调整后的图片输入分类网络中对车辆的车牌图片进行分类,根据图片中车牌类别分为单行车牌和双行车牌;
将分类后的图片送入卷积神经网络,采样获得所需尺寸的特征图;
若为双行车牌则进行分割并重新合并以获得新的特征图;
将获得的特征图送入LSTM网络进行字符识别及预测,取概率最大的结果作为输出,检测获得整个车牌的字符。
根据一个或多个实施例,本发明公开了一种基于车牌分类和LSTM的车牌识别移动终端,移动终端包括存储器;以及
耦合到存储器的处理器,该处理器被配置为执行存储在存储器中的指令,处理器执行以下操作:
获取待识别的车辆不同尺寸大小的图片,并对图像进行预处理和矫正调整;
将调整后的图片输入分类网络中对车辆的车牌图片进行分类,根据图片中车牌类别分为单行车牌和双行车牌;
将分类后的图片送入卷积神经网络,采样获得所需尺寸的特征图;
若为双行车牌则进行分割并重新合并以获得新的特征图;
将获得的特征图送入LSTM网络进行字符识别及预测,取概率最大的结果作为输出,检测获得整个车牌的字符。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (8)
1.一种基于车牌分类和LSTM的车牌识别方法,其特征是,包括有以下步骤:
获取待识别的车辆不同尺寸大小的图片,并对图像进行预处理和矫正调整;
将调整后的图片输入分类网络中对车辆的车牌图片进行分类,根据图片中车牌类别分为单行车牌和双行车牌;
将分类后的图片送入卷积神经网络,采样获得所需尺寸的特征图;
若为双行车牌则进行分割并合并以获得新的特征图;
将获得的特征图送入LSTM网络进行字符识别及预测,取概率最大的结果作为输出,检测获得整个车牌的字符。
2.根据权利要求1所述的基于车牌分类和LSTM的车牌识别方法,其特征是,所述预处理和矫正的具体步骤如下:
对获取的不同尺寸的图片根据长宽比例缩放到设定的尺寸;
对于不能缩放到设定尺寸的部分则进行补黑边,剔除图片的宽像素低于设定值的图片;
将缩放后的图片送入STN矫正网络模块进行矫正。
3.根据权利要求2所述的基于车牌分类和LSTM的车牌识别方法,其特征是,对于双行车牌的分割具体步骤如下:
对获取的双行车牌的图片于宽度上一分为二,获得与原图片长相等,宽呈一半的两张分割图片;
将分割后的图片沿长度方向按照宽一侧进行连接合并,得到双行车牌用于送入LSTM网络的特征图。
4.根据权利要求3所述的基于车牌分类和LSTM的车牌识别方法,其特征是LSTM网络进行字符识别及预测具体为:对LSTM网络输出的一定长度的特征序列进行预测,取概率最大的字符进行输出,并且采用去重和去空格后输出最终识别的字符。
5.一种基于车牌分类和LSTM的车牌识别系统,其特征是,包括有图片预处理单元、车牌矫正单元、车牌分类单元及LSTM识别单元;
通过图片预处理单元和车牌矫正单元对获取的车辆不同尺寸大小的图片进行预处理和矫正;
通过车牌分类单元对预处理及矫正后的图片进行分类,根据图片中车牌的类别分为单行车牌和双行车牌;
将分类后的图片进行采样获得所需尺寸的特征图;
通过LSTM识别单元对输入的特征图进行字符识别及预测,取概率最大的结果作为输出,检测获得整个车牌的字符。
6.一种基于车牌分类和LSTM的车牌识别装置,其特征是,所述识别装置包括有存储器,以及
耦合到所述存储器的处理器,该处理器被配置为执行存储在所述存储器中的指令,所述处理器执行以下步骤:
获取待识别的车辆不同尺寸大小的图片,并对图像进行预处理和矫正调整;
将调整后的图片输入分类网络中对车辆的车牌图片进行分类,根据图片中车牌类别分为单行车牌和双行车牌;
将分类后的图片送入卷积神经网络,采样获得所需尺寸的特征图;
若为双行车牌则进行分割并重新合并以获得新的特征图;
将获得的特征图送入LSTM网络进行字符识别及预测,取概率最大的结果作为输出,检测获得整个车牌的字符。
7.一种基于车牌分类和LSTM的车牌识别移动终端,其特征是,所述移动终端包括存储器;以及
耦合到所述存储器的处理器,该处理器被配置为执行存储在所述存储器中的指令,所述处理器执行以下操作:
获取待识别的车辆不同尺寸大小的图片,并对图像进行预处理和矫正调整;
将调整后的图片输入分类网络中对车辆的车牌图片进行分类,根据图片中车牌类别分为单行车牌和双行车牌;
将分类后的图片送入卷积神经网络,采样获得所需尺寸的特征图;
若为双行车牌则进行分割并重新合并以获得新的特征图;
将获得的特征图送入LSTM网络进行字符识别及预测,取概率最大的结果作为输出,检测获得整个车牌的字符。
8.一种存储介质,其上存储有计算机程序,其特征是:该程序被处理起执行时,实现权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911250175.7A CN110942071A (zh) | 2019-12-09 | 2019-12-09 | 一种基于车牌分类和lstm的车牌识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911250175.7A CN110942071A (zh) | 2019-12-09 | 2019-12-09 | 一种基于车牌分类和lstm的车牌识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110942071A true CN110942071A (zh) | 2020-03-31 |
Family
ID=69910161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911250175.7A Pending CN110942071A (zh) | 2019-12-09 | 2019-12-09 | 一种基于车牌分类和lstm的车牌识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942071A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582261A (zh) * | 2020-04-30 | 2020-08-25 | 浙江大华技术股份有限公司 | 一种非机动车的车牌识别方法和车牌识别装置 |
CN112132139A (zh) * | 2020-09-22 | 2020-12-25 | 深兰科技(上海)有限公司 | 字符识别方法和装置 |
CN112215224A (zh) * | 2020-10-22 | 2021-01-12 | 深圳市平方科技股份有限公司 | 基于深度学习的挂车号码识别方法和装置 |
CN112560608A (zh) * | 2020-12-05 | 2021-03-26 | 江苏爱科赛尔云数据科技有限公司 | 一种车辆车牌识别方法 |
CN112966631A (zh) * | 2021-03-19 | 2021-06-15 | 浪潮云信息技术股份公司 | 一种无限制安防场景下的车牌检测识别系统及其方法 |
CN113486885A (zh) * | 2021-06-17 | 2021-10-08 | 杭州鸿泉物联网技术股份有限公司 | 一种车牌识别方法、装置、电子设备及存储介质 |
CN113569844A (zh) * | 2021-06-29 | 2021-10-29 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测的方法及装置 |
WO2021218164A1 (zh) * | 2020-04-30 | 2021-11-04 | 平安科技(深圳)有限公司 | 双行车牌识别方法、装置、设备及计算机可读存储介质 |
CN113850253A (zh) * | 2021-08-24 | 2021-12-28 | 中国船舶重工集团公司第七0九研究所 | 基于深度学习的车牌识别方法及系统、服务器及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784340A (zh) * | 2018-12-14 | 2019-05-21 | 北京市首都公路发展集团有限公司 | 一种车牌识别方法及装置 |
CN109800753A (zh) * | 2018-11-27 | 2019-05-24 | 上海眼控科技股份有限公司 | 一种基于lstm网络的车牌识别方法 |
CN110163199A (zh) * | 2018-09-30 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 车牌识别方法、车牌识别装置、车牌识别设备及介质 |
CN110288031A (zh) * | 2019-06-27 | 2019-09-27 | 浙江工业大学 | 一种基于序列学习的车牌识别方法 |
CN110414451A (zh) * | 2019-07-31 | 2019-11-05 | 深圳市捷顺科技实业股份有限公司 | 一种基于端对端的车牌识别方法、装置、设备及存储介质 |
-
2019
- 2019-12-09 CN CN201911250175.7A patent/CN110942071A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163199A (zh) * | 2018-09-30 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 车牌识别方法、车牌识别装置、车牌识别设备及介质 |
CN109800753A (zh) * | 2018-11-27 | 2019-05-24 | 上海眼控科技股份有限公司 | 一种基于lstm网络的车牌识别方法 |
CN109784340A (zh) * | 2018-12-14 | 2019-05-21 | 北京市首都公路发展集团有限公司 | 一种车牌识别方法及装置 |
CN110288031A (zh) * | 2019-06-27 | 2019-09-27 | 浙江工业大学 | 一种基于序列学习的车牌识别方法 |
CN110414451A (zh) * | 2019-07-31 | 2019-11-05 | 深圳市捷顺科技实业股份有限公司 | 一种基于端对端的车牌识别方法、装置、设备及存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582261A (zh) * | 2020-04-30 | 2020-08-25 | 浙江大华技术股份有限公司 | 一种非机动车的车牌识别方法和车牌识别装置 |
WO2021218164A1 (zh) * | 2020-04-30 | 2021-11-04 | 平安科技(深圳)有限公司 | 双行车牌识别方法、装置、设备及计算机可读存储介质 |
CN111582261B (zh) * | 2020-04-30 | 2024-01-19 | 浙江大华技术股份有限公司 | 一种非机动车的车牌识别方法和车牌识别装置 |
CN112132139A (zh) * | 2020-09-22 | 2020-12-25 | 深兰科技(上海)有限公司 | 字符识别方法和装置 |
CN112215224A (zh) * | 2020-10-22 | 2021-01-12 | 深圳市平方科技股份有限公司 | 基于深度学习的挂车号码识别方法和装置 |
CN112560608A (zh) * | 2020-12-05 | 2021-03-26 | 江苏爱科赛尔云数据科技有限公司 | 一种车辆车牌识别方法 |
CN112560608B (zh) * | 2020-12-05 | 2024-05-24 | 江苏爱科赛尔云数据科技有限公司 | 一种车辆车牌识别方法 |
CN112966631A (zh) * | 2021-03-19 | 2021-06-15 | 浪潮云信息技术股份公司 | 一种无限制安防场景下的车牌检测识别系统及其方法 |
CN113486885A (zh) * | 2021-06-17 | 2021-10-08 | 杭州鸿泉物联网技术股份有限公司 | 一种车牌识别方法、装置、电子设备及存储介质 |
CN113569844A (zh) * | 2021-06-29 | 2021-10-29 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测的方法及装置 |
CN113850253A (zh) * | 2021-08-24 | 2021-12-28 | 中国船舶重工集团公司第七0九研究所 | 基于深度学习的车牌识别方法及系统、服务器及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110942071A (zh) | 一种基于车牌分类和lstm的车牌识别方法 | |
CN111179177B (zh) | 图像重建模型训练方法、图像重建方法、设备及介质 | |
US11651477B2 (en) | Generating an image mask for a digital image by utilizing a multi-branch masking pipeline with neural networks | |
US11393100B2 (en) | Automatically generating a trimap segmentation for a digital image by utilizing a trimap generation neural network | |
CN107564009B (zh) | 基于深度卷积神经网络的室外场景多目标分割方法 | |
CN108961180B (zh) | 红外图像增强方法及系统 | |
CN112329702B (zh) | 一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质 | |
CN110163866A (zh) | 一种图像处理方法、电子设备及计算机可读存储介质 | |
CN113344110B (zh) | 一种基于超分辨率重建的模糊图像分类方法 | |
CN112149526A (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
CN116342519A (zh) | 一种基于机器学习的图像处理方法 | |
CN113688839B (zh) | 视频处理方法及装置、电子设备、计算机可读存储介质 | |
CN117315406B (zh) | 一种样本图像处理方法、装置及设备 | |
CN113033715B (zh) | 目标检测模型训练方法和目标车辆检测信息生成方法 | |
CN114581664A (zh) | 一种道路场景分割方法、装置、电子设备及存储介质 | |
CN104616035B (zh) | 基于图像全局特征及SURF算法的Visual Map快速匹配方法 | |
CN113643173A (zh) | 水印去除方法、装置、终端设备及可读存储介质 | |
CN111178192A (zh) | 一种图像中目标对象的位置识别方法及装置 | |
CN114463685B (zh) | 行为识别方法、装置、电子设备及存储介质 | |
CN116188587A (zh) | 定位方法、装置及车辆 | |
CN113792671A (zh) | 人脸合成图像的检测方法、装置、电子设备及介质 | |
CN113971763A (zh) | 一种基于目标检测和超分重建的小目标分割方法和装置 | |
CN112633158A (zh) | 一种输电线路走廊车辆识别方法、装置、设备和存储介质 | |
CN117376977B (zh) | 一种手机5g无线信号测试系统、方法、设备及介质 | |
CN115984583B (zh) | 数据处理方法、装置、计算机设备、存储介质和程序产品 |
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: 20200331 |
|
RJ01 | Rejection of invention patent application after publication |