CN110991442B - 一种高速公路车牌云端高精准识别方法 - Google Patents

一种高速公路车牌云端高精准识别方法 Download PDF

Info

Publication number
CN110991442B
CN110991442B CN201910822694.XA CN201910822694A CN110991442B CN 110991442 B CN110991442 B CN 110991442B CN 201910822694 A CN201910822694 A CN 201910822694A CN 110991442 B CN110991442 B CN 110991442B
Authority
CN
China
Prior art keywords
identification
result
module
license plate
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910822694.XA
Other languages
English (en)
Other versions
CN110991442A (zh
Inventor
周宏�
尹蔚峰
王栋
刘贵强
陶金
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Microvideo Technology Co ltd
Original Assignee
Nanjing Microvideo Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Microvideo Technology Co ltd filed Critical Nanjing Microvideo Technology Co ltd
Priority to CN201910822694.XA priority Critical patent/CN110991442B/zh
Publication of CN110991442A publication Critical patent/CN110991442A/zh
Application granted granted Critical
Publication of CN110991442B publication Critical patent/CN110991442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Character Discrimination (AREA)
  • Traffic Control Systems (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)

Abstract

本发明涉及一种高速公路车牌云端高精准识别方法，设置前端站点、云端储存库、结果汇集数据集、识别结果判断模块和识别结果输出模块，前端站点通过采集设备收集入口车辆信息、入口车牌图片和车道监控图像，将其通过有线或无线网络传输到云端储存库，经过车辆数据筛分模块进行筛取分类处理后传输给车辆数据调取模块，然后分别将车辆数据同时传输给多个不同厂商识别模块，经过各自识别并均进入到结果汇集数据集，所述结果汇集数据集经过识别结果判断模块进行分析判断后，最后通过识别结果输出模块输出；本发明能够提供一种设计合理、参数更新快速及时、提高识别正确率且有效提升道路通行效率的高速公路车牌云端高精准识别方法。

Description

一种高速公路车牌云端高精准识别方法
技术领域
本发明涉及交通技术领域，尤其涉及一种高速公路车牌云端高精准识别方法。
背景技术
随着人们对便捷出行需求的不断增长，汽车及高速公路发展也相当迅速，为提高高速通行效率及收费便捷性，现有车牌识别必不可少的，但是对于车牌识别的正确率是至关重要的，否则会影响正常的收费次序，特别是节假日通行高峰期时会严重可能会导致拥堵，影响高速通行效率。
车牌识别已经成为现有智能交通系统的一个重要组成部分，车牌识别技术要求能够将运动中的汽车牌照从复杂背景中提取并识别出来，然后使用识别算法对进行车牌进行识别，并将该识别到的车牌号作为车辆缴费或电子取证的依据。
识别算法中的车牌定位即实现把车牌区域完整的从一副具有复杂背景的车辆图像中分割出来，它是解决图像处理中的实际问题，其方法就包括多种多样，当前最常见的定位技术主要有：基于边缘检测的方法、基于彩色分割的方法、基于小波变换的方法、遗传算法和人工神经网络技术等；识别算法中的字符分割方法，字符分割的任务是把多行或多字符图像中的每个字符从整个图像中切割出来成为单个字符，字符分割的算法包括很多，通常根据处理对象的不同采用不同的算法，常见的方法主要有：模板匹配法、水平投影法、聚类分析法、基于自适应退化形态特征的图像分割法等，不同的识别算法采用的识别逻辑方法是不尽相同，各自有各自算法的优势，上述各个环节组合的算法种类及数量较多，但目前各种不同的识别算法均存在些错误识别的情况，为此尽可能去提高整体车牌识别正确率对于实际应用显得尤为重要。
发明内容
本发明目的是为了克服现有技术的不足而提供一种设计合理、参数更新快速及时、提高识别正确率且有效提升道路通行效率的高速公路车牌云端高精准识别方法。
为达到上述目的，本发明采用了如下技术方案。
一种高速公路车牌云端高精准识别方法，包括前端站点、入口车辆信息、入口车牌图片、车道监控图像、云端储存库、车辆数据筛分模块、车辆数据调取模块、结果汇集数据集、识别结果判断模块和识别结果输出模块，具体包括以下步骤：
步骤一：前端站点通过采集设备收集入口车辆信息、入口车牌图片和车道监控图像，将其通过有线或无线网络传输到云端储存库；
步骤二：所述云端储存库中的车辆相关数据信息经过车辆数据筛分模块进行筛取分类处理后传输给车辆数据调取模块，然后分别将车辆数据同时传输给两个及以上不同厂商识别模块，包括A厂商识别模块、B厂商识别模块、C厂商识别模块和D厂商识别模块；
步骤三：所述两个及以上不同厂商识别模块经过各自识别并均进入到结果汇集数据集，所述结果汇集数据集经过识别结果判断模块进行分析判断后，最后通过识别结果输出模块输出；
步骤四：所述步骤三中的识别结果判断模块的识别判断过程，具体通过如下实现，所述步骤三中的两个及以上不同厂商识别模块分别自己输出两个及以上的算法识别结果，包括A厂商识别模块输出A算法识别结果、B厂商识别模块输出B算法识别结果、C厂商识别模块输出C算法识别结果、D厂商识别模块输出D算法识别结果；
步骤五：先对所述步骤四中的两个及以上的算法识别结果分别判断其是否属于无法识别的情形，如判断均属于无法识别，则转到到人工判断；如判断存在有一个或以上能够识别的结果，则将其汇集输出到有效识别结果集进行有效性判断；
步骤六：若所述步骤五的有效识别结果集为空集，则输出无法识别结果并转到人工判断；若所述步骤五的有效识别结果集为非空集，则进行下一步的识别一致性判断；
若所述识别一致性判断结果为“是”，则输出一致识别结果；若所述识别一致性判断结果为“否”，则再进行字符权重比较，对当前所有字符是否一致进行判断；
步骤七：若当前所有字符判断为一致时，则也输出一致识别结果；若出现当前所有字符判断为不一致时，进行逐个字符比较后，分别取当前权重值最大对应字符，所述权重值取自于预先设置的权重值数据库，所述权重值数据库是统计基于设定周期内的两个及以上不同算法平均识别率，且根据当天识别正确率实时更新变化，然后对各输出字符按顺序拼接，并输出最终识别结果，至此识别结束。
作为本发明的进一步改进，所述步骤七中的输出最终识别结果还同时用于收集统计当天各算法识别率，并分别将其传输运用到各个算法平均识别率的统计更新中，包括A算法平均识别率、B算法平均识别率、C算法平均识别率和D算法平均识别率，并实时更新存储到所述权重值数据库。
作为本发明的进一步改进，所述前端站点具体包括有虚拟站、收费站和服务区，所述虚拟站、收费站和服务区为分别至少设置有图像采集设备、图片采集设备和通行卡识别设备中的一种或多种。
作为本发明的进一步改进，所述云端储存库还调取并导入公路收费历史数据，结合公路收费历史数据结合当前采集的入口车辆信息、入口车牌图片和车道监控图像共同传输到所述车辆数据筛分模块用于车辆的后续进一步筛分及识别判断。
作为本发明的进一步改进，所述车辆数据调取模块调取的数据包括车辆车牌图片信息、监控图像数据、车辆车型信息以及信息采集时间节点信息以及车辆历史收费信息。
由于上述技术方案的运用，本发明的技术方案带来的有益技术效果：本技术方案通过利用前端站点采集的车辆相关信息后，并设置云端储存库对采集信息数据进行实时保存管理以供后续识别判断时调取，具有解决原有常规单一直接存储在识别硬件设备中，识别图像来源单一且无法充分利用采集数据，实现数据调取使用及时方便，实现数据云存储管理的有益技术效果；本技术方案还设置了多个厂商识别模块，并利用他们的各自识别结果，并建立的权重数据库，通过合理的筛分处理后得到最终的识别结果，具有多因素结合兼顾，充分利用各个不同算法的优势以及实现有效提高车牌识别正确率的有益技术效果；本技术方案通过对识别结果集、一致性以及权重的设置比较，具有可实现先整体筛分后再单字符权重筛分，多层级筛分可提高识别准确率的有益技术效果；本技术方案还通过对各个算法模块当天实际车牌识别率在线反馈并更新到权重值数据库，实现了对权重数据库的快速迭代更新，有效提高了数据的更新频率，保证了识别参数的有效性及合理性的有益技术效果。
附图说明
附图1为本发明的整体应用结构示意图。
附图2为本发明的识别判断分析过程示意图。
附图3为本发明的实施例中识别比较判断示例图。
附图4为本发明的实施例中识别正确判断示例图。
图中：1.前端站点；2.入口车辆信息；3.入口车牌图片；4.车道监控图像；5.云端储存库；6.车辆数据筛分模块；7.车辆数据调取模块；8.A厂商识别模块；9.B厂商识别模块；10.C厂商识别模块；11.D厂商识别模块；12.结果汇集数据集；13.识别结果判断模块；14.识别结果输出模块；15.A算法识别结果；16.B算法识别结果；17.C算法识别结果；18.D算法识别结果；19.有效识别结果集；20.是否为空集；21.输出无法识别结果；22.人工判断；23.识别一致性；24.输出一致识别结果；25.字符权重比较；26.当前所有字符是否一致；27.输出一致识别结果；28.逐个字符比较后，分别取当前权重值最大对应字符；29.权重值数据库；30.A算法平均识别率；31.B算法平均识别率；32.C算法平均识别率；33.D算法平均识别率；34.各输出字符按顺序拼接；35.输出最终识别结果；36.识别结束。
具体实施方式
下面结合反应路线及具体实施例对本发明作进一步的详细说明。
如图1-4所示，一种高速公路车牌云端高精准识别方法，包括前端站点1、入口车辆信息2、入口车牌图片3、车道监控图像4、云端储存库5、车辆数据筛分模块6、车辆数据调取模块7、结果汇集数据集12、识别结果判断模块13和识别结果输出模块14，包括：前端站点1通过采集设备收集入口车辆信息2、入口车牌图片3和车道监控图像4，将其通过有线或无线网络传输到云端储存库5；所述云端储存库5中的车辆相关数据信息经过车辆数据筛分模块6进行筛取分类处理后传输给车辆数据调取模块7，然后分别将车辆数据同时传输给两个及以上不同厂商识别模块，包括A厂商识别模块8、B厂商识别模块9、C厂商识别模块10和D厂商识别模块11；所述两个及以上不同厂商识别模块经过各自识别并均进入到结果汇集数据集12，所述结果汇集数据集12经过识别结果判断模块13进行分析判断后，最后通过识别结果输出模块14输出；所述步骤三中的识别结果判断模块13的识别判断过程，具体通过如下实现，所述步骤三中的两个及以上不同厂商识别模块分别自己输出两个及以上的算法识别结果，包括A厂商识别模块8输出A算法识别结果15、B厂商识别模块9输出B算法识别结果16、C厂商识别模块10输出C算法识别结果17、D厂商识别模块11输出D算法识别结果18；先对所述步骤四中的两个及以上的算法识别结果分别判断其是否属于无法识别的情形，如判断均属于无法识别，则转到到人工判断22；如判断存在有一个或以上能够识别的结果，则将其汇集输出到有效识别结果集19进行有效性判断；继续判断有效识别结果集19是否为空集20，若所述步骤五的有效识别结果集19为空集，则输出无法识别结果21并转到人工判断22；若所述步骤五的有效识别结果集19为非空集，则进行下一步的识别一致性23判断；若所述识别一致性23判断结果为“是”，则输出一致识别结果24；若所述识别一致性23判断结果为“否”，则再进行字符权重比较25，对当前所有字符是否一致26进行判断；若当前所有字符判断为一致时，则也输出一致识别结果27；若出现当前所有字符判断为不一致时，进行逐个字符比较后，分别取当前权重值最大对应字符28，所述权重值取自于预先设置的权重值数据库29，所述权重值数据库29是统计基于设定周期内的两个及以上不同算法平均识别率，且根据当天识别正确率实时更新变化，然后对各输出字符按顺序拼接34，并输出最终识别结果35，至此识别结束36。
所述步骤七中的输出最终识别结果35还同时用于收集统计当天各算法识别率，并分别将其传输运用到各个算法平均识别率的统计更新中，包括A算法平均识别率30、B算法平均识别率31、C算法平均识别率32和D算法平均识别率33，并实时更新存储到所述权重值数据库29。所述前端站点1具体包括有虚拟站101、收费站102和服务区103，所述虚拟站101、收费站102和服务区103为分别至少设置有图像采集设备、图片采集设备和通行卡识别设备中的一种或多种。
所述云端储存库5还调取并导入公路收费历史数据38，结合公路收费历史数据38结合当前采集的入口车辆信息2、入口车牌图片3和车道监控图像4共同传输到所述车辆数据筛分模块6用于车辆的后续进一步筛分及识别判断。所述车辆数据调取模块7调取的数据包括车辆车牌图片信息、监控图像数据、车辆车型信息以及信息采集时间节点信息以及车辆历史收费信息。
以下通过列取的实际案例进行再次说明，具体如下：
1、识别流程
对于同一车辆识别信息，收集了六家识别引擎算法的识别结果，并判断各家引擎识别结果是否为无法识别，如果不是无法识别的，将识别结果加入有效识别结果集；收集完毕后，判断识别结果集是否为空，为空说明车辆图片中无有效车牌，导致识别引擎算法均无法识别，若不为空，则判断各引擎算法识别结果是否一致，一致则将各引擎算法的一致识别结果作为平台识别输出结果；若不一致，则将有效识别结果集中各识别引擎的识别结果按位拆分后再按字符比较分析，每一位字符按照不同引擎算法进行分组，取各个字符权重最高的对应字符作为帅选后该位的识别判断结果，在所有位数判断完成后，将每一位字符再进行拼接，将拼接之后的结果作为平台的输出结果。
2、识别比较判断示例，为防止涉及车牌号隐私信息被公开，避免说明书及说明书附图中出现具体的某个车牌号，故在说明书及说明书附图中均采用“X”替代车牌号中某个相同数字或字母，此处的“X”符号均不特指某个具体数字或字母。
1)原始数据
算法Ⅰ 算法Ⅱ 算法Ⅲ 算法Ⅳ 算法Ⅴ 算法Ⅵ
冀EJXX7X 无法识别 皖JXX7XX 黑FJXX7X 无法识别 川FJXX7X
2)有效识别结果集
算法Ⅰ 算法Ⅲ 算法Ⅳ 算法Ⅵ
冀EJXX7X 皖JXX7XX 黑FJXX7X 川FJXX7X
3)按位拆分表
4)计算流程
第一位：示例中每个字符都不一致，按照权重计算，得出该位值为“冀”；
第二位：示例中有E、J、F三种字符，F权重最高，得出该位值为“F”；
第三位：示例中有J、X两种字符，J权重最高，得出该位值为“J”；
第四位：示例中均为X，得出该位值为“X”；
第五位：示例中均为X，得出该位值为“X”；
第六位：示例中均为7，得出该位值为“7”；
第七位：示例中均为X，得出该位值为“X”。
5)输出结果
根据第4)步计算结果，得出识别结果为“冀FJXX7X”
3、权重计算
上文中的算法权限配额，根据对应算法前一天的识别率得出，该数据每天都会发生变化。
1)算法识别率公式如下：
识别率＝算法识别正确数/图片总数
2)算法识别正确判断依据
本识别方法的平台输出结果，与各个识别引擎算法结果相比较，若有超过一半的识别引擎算法识别结果与本方法输出结果一致，则判定本方法输出结果正确，同时，与本方法输出结果一致的识别引擎算法结果也正确；否则，进行人工判定，若人工判定结果与本方法输出结果一致，则与平台输出结果一致的识别引擎算法结果也判定为正确，对应各个识别引擎算法的识别率通过该引擎算法正数量与当天图片总数相除即可得出。
以上仅是本发明的具体应用范例，对本发明的保护范围不构成任何限制。凡采用等同变换或者等效替换而形成的技术方案，均落在本发明权利保护范围之内。

Claims (5)

1.一种高速公路车牌云端高精准识别方法，其特征在于,包括前端站点(1)、入口车辆信息(2)、入口车牌图片(3)、车道监控图像(4)、云端储存库(5)、车辆数据筛分模块(6)、车辆数据调取模块(7)、结果汇集数据集(12)、识别结果判断模块(13)和识别结果输出模块(14)，具体包括以下步骤：
步骤一：前端站点(1)通过采集设备收集入口车辆信息(2)、入口车牌图片(3)和车道监控图像(4)，将其通过有线或无线网络传输到云端储存库(5)；
步骤二：所述云端储存库(5)中的车辆相关数据信息经过车辆数据筛分模块(6)进行筛取分类处理后传输给车辆数据调取模块(7)，然后分别将车辆数据同时传输给两个及以上不同厂商识别模块，包括A厂商识别模块(8)、B厂商识别模块(9)、C厂商识别模块(10)和D厂商识别模块(11)；
步骤三：所述两个及以上不同厂商识别模块经过各自识别并均进入到结果汇集数据集(12)，所述结果汇集数据集(12)经过识别结果判断模块(13)进行分析判断后，最后通过识别结果输出模块(14)输出；
步骤四：所述步骤三中的识别结果判断模块(13)的识别判断过程，具体通过如下实现，所述步骤三中的两个及以上不同厂商识别模块分别自己输出两个及以上的算法识别结果，包括A厂商识别模块(8)输出A算法识别结果(15)、B厂商识别模块(9)输出B算法识别结果(16)、C厂商识别模块(10)输出C算法识别结果(17)、D厂商识别模块(11)输出D算法识别结果(18)；
步骤五：先对所述步骤四中的两个及以上的算法识别结果分别判断其是否属于无法识别的情形，如判断均属于无法识别，则转到到人工判断(22)；如判断存在有一个或以上能够识别的结果，则将其汇集输出到有效识别结果集(19)进行有效性判断；
步骤六：若所述步骤五的有效识别结果集(19)为空集，则输出无法识别结果(21)并转到人工判断(22)；若所述步骤五的有效识别结果集(19)为非空集，则进行下一步的识别一致性(23)判断；
若所述识别一致性(23)判断结果为“是”，则输出一致识别结果(24)；若所述识别一致性(23)判断结果为“否”，则再进行字符权重比较(25)，对当前所有字符是否一致进行判断；
步骤七：若当前所有字符判断为一致时，则也输出一致识别结果(27)；若出现当前所有字符判断为不一致时，进行逐个字符比较后，分别取当前权重值最大对应字符(28)，所述权重值取自于预先设置的权重值数据库(29)，所述权重值数据库(29)是统计基于设定周期内的两个及以上不同算法平均识别率，且根据当天识别正确率实时更新变化，然后对各输出字符按顺序拼接(34)，并输出最终识别结果(35)，至此识别结束(36)。
2.根据权利要求1所述的一种高速公路车牌云端高精准识别方法，其特征在于：所述步骤七中的输出最终识别结果(35)还同时用于收集统计当天各算法识别率，并分别将其传输运用到各个算法平均识别率的统计更新中，包括A算法平均识别率(30)、B算法平均识别率(31)、C算法平均识别率(32)和D算法平均识别率(33)，并实时更新存储到所述权重值数据库(29)。
3.根据权利要求1所述的一种高速公路车牌云端高精准识别方法，其特征在于：所述前端站点(1)具体包括有虚拟站(101)、收费站(102)和服务区(103)，所述虚拟站(101)、收费站(102)和服务区(103)为分别至少设置有图像采集设备、图片采集设备和通行卡识别设备中的一种或多种。
4.根据权利要求1所述的一种高速公路车牌云端高精准识别方法，其特征在于：所述云端储存库(5)还调取并导入公路收费历史数据(38)，结合公路收费历史数据(38)结合当前采集的入口车辆信息(2)、入口车牌图片(3)和车道监控图像(4)共同传输到所述车辆数据筛分模块(6)用于车辆的后续进一步筛分及识别判断。
5.根据权利要求1所述的一种高速公路车牌云端高精准识别方法，其特征在于：所述车辆数据调取模块(7)调取的数据包括车辆车牌图片信息、监控图像数据、车辆车型信息以及信息采集时间节点信息以及车辆历史收费信息。
CN201910822694.XA 2019-09-02 2019-09-02 一种高速公路车牌云端高精准识别方法 Active CN110991442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910822694.XA CN110991442B (zh) 2019-09-02 2019-09-02 一种高速公路车牌云端高精准识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910822694.XA CN110991442B (zh) 2019-09-02 2019-09-02 一种高速公路车牌云端高精准识别方法

Publications (2)

Publication Number Publication Date
CN110991442A CN110991442A (zh) 2020-04-10
CN110991442B true CN110991442B (zh) 2023-09-22

Family

ID=70081672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910822694.XA Active CN110991442B (zh) 2019-09-02 2019-09-02 一种高速公路车牌云端高精准识别方法

Country Status (1)

Country Link
CN (1) CN110991442B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184931B (zh) * 2020-09-28 2022-09-13 广西信路威科技发展有限公司 基于高速公路路网的车辆计费路径优选系统及分析方法
CN113178032A (zh) * 2021-03-03 2021-07-27 北京迈格威科技有限公司 一种视频处理方法、系统及存储介质
CN115001992B (zh) * 2022-05-16 2024-04-05 成都华迈通信技术有限公司 道闸数据采集方法、系统、可读存储介质、电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778743A (zh) * 2016-12-12 2017-05-31 深圳市捷顺科技实业股份有限公司 一种改进的车牌投票方法及装置
CN107657669A (zh) * 2017-10-25 2018-02-02 南京感动科技有限公司 一种基于云端的高速公路无卡通行收费方法
CN109447074A (zh) * 2018-09-03 2019-03-08 中国平安人寿保险股份有限公司 一种车牌识别方法及终端设备
CN109493611A (zh) * 2018-12-28 2019-03-19 西安艾润物联网技术服务有限责任公司 一种车牌识别方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10019640B2 (en) * 2016-06-24 2018-07-10 Accenture Global Solutions Limited Intelligent automatic license plate recognition for electronic tolling environments

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778743A (zh) * 2016-12-12 2017-05-31 深圳市捷顺科技实业股份有限公司 一种改进的车牌投票方法及装置
CN107657669A (zh) * 2017-10-25 2018-02-02 南京感动科技有限公司 一种基于云端的高速公路无卡通行收费方法
CN109447074A (zh) * 2018-09-03 2019-03-08 中国平安人寿保险股份有限公司 一种车牌识别方法及终端设备
CN109493611A (zh) * 2018-12-28 2019-03-19 西安艾润物联网技术服务有限责任公司 一种车牌识别方法及装置

Also Published As

Publication number Publication date
CN110991442A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN110991442B (zh) 一种高速公路车牌云端高精准识别方法
EP3261022B1 (en) Intelligent automatic license plate recognition for electronic tolling environments
CN104732205B (zh) 一种高速公路逃费稽查的系统
CN111444848A (zh) 一种基于联邦学习的特定场景模型升级方法和系统
CN105160871B (zh) 一种高速公路客车临时上下人识别的方法
CN111159243B (zh) 用户类型识别方法、装置、设备及存储介质
CN105512660A (zh) 车牌号码识别方法及装置
CN104731879A (zh) 一种高速公路车辆逃费行为数据分析方法
AU2017261601B2 (en) Intelligent automatic license plate recognition for electronic tolling environments
CN113283634B (zh) 一种基于梯度提升树模型的高速公路事故预测方法及系统
CN108764302A (zh) 一种基于颜色特征和词袋特征的票据图像分类方法
CN112784834A (zh) 一种自然场景下的车牌自动识别方法
CN103310199A (zh) 基于高分辨率遥感数据的车辆型号识别方法
CN116168356A (zh) 一种基于计算机视觉的车辆损伤判别方法
CN110598758A (zh) 训练建模方法、车辆收费方法、管理系统及存储介质
CN110826449A (zh) 基于轻量型卷积神经网络的非机动车再识别目标检索方法
CN116524725B (zh) 一种智能驾驶的交通标志图像数据识别系统
CN116721552B (zh) 一种非机动车超速识别记录方法、装置、设备及存储介质
CN113033363A (zh) 一种基于深度学习的车辆稠密目标检测方法
CN109190451B (zh) 基于lfp特征的遥感图像车辆检测方法
CN112164229A (zh) 基于车辆多维特征的车型识别匹配系统和方法
CN111369790B (zh) 过车记录校正方法、装置、设备及存储介质
CN107403162A (zh) 车辆公告号数据采集和分类的系统及方法
CN115546776A (zh) 基于卷积神经网络模型的字符分割模式车牌识别方法
CN116796024A (zh) 一种逃费车辆证据链处理方法及系统

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