CN111160338B - 一种模糊车牌识别方法 - Google Patents

一种模糊车牌识别方法 Download PDF

Info

Publication number
CN111160338B
CN111160338B CN201911346105.1A CN201911346105A CN111160338B CN 111160338 B CN111160338 B CN 111160338B CN 201911346105 A CN201911346105 A CN 201911346105A CN 111160338 B CN111160338 B CN 111160338B
Authority
CN
China
Prior art keywords
license plate
characters
fuzzy
character
image
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
CN201911346105.1A
Other languages
English (en)
Other versions
CN111160338A (zh
Inventor
王凤石
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.)
Beijing Aoyikesi Technology Co ltd
Original Assignee
Beijing Aoyikesi 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 Beijing Aoyikesi Technology Co ltd filed Critical Beijing Aoyikesi Technology Co ltd
Priority to CN201911346105.1A priority Critical patent/CN111160338B/zh
Publication of CN111160338A publication Critical patent/CN111160338A/zh
Application granted granted Critical
Publication of CN111160338B publication Critical patent/CN111160338B/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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • 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
    • 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
    • G06V10/30—Noise filtering
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Character Discrimination (AREA)

Abstract

本发明揭示了一种模糊车牌识别方法，包括如下步骤：S1、倾斜模糊车牌处理，采用透视变换的方式对所获取的车牌图像进行视觉校正；S2、车牌字符分割，依据车牌中字符位置和每个字符所占比例，对车牌进行盲分割，将车牌分为多个部分；S3、卷积神经网络识别，建立卷积神经网络进行车牌字符识别，通过结构上的局部相连、权值共享及下采样控制整个网络的规模，实现网络对所识别图像在形变方面的鲁棒性。本发明的方法处理时长较短，能够显著地提升对人眼所不能识别或者识别困难的模糊车牌的识别率，解决了交通执法过程中的难点，为执法者提供了有利的执法依据。

Description

一种模糊车牌识别方法
技术领域
本发明涉及一种识别方法，具体而言，涉及一种基于深度学习的模糊车牌识别方法，属于人工智能技术领域。
背景技术
随着汽车行业的不断发展，全世界范围内的车辆保有量不断增加。作为用于标识每台车辆唯一"身份"标识的车牌号码，其实用性和重要性也与日俱增。
在这样的时代背景下，车牌识别技术应运而生，作为交通、安防等领域内的一项重要技术，车牌识别可以在对车辆不作任何改动的情况下实现汽车"身份"的自动登记及验证，该技术已经被广泛地应用于公路收费、停车管理、 称重系统、交通诱导、交通执法、公路稽查、车辆调度、车辆检测等场合中。
近年来，国内外出现了很多关于车牌识别技术的深度研究、针对车牌上的字符提出了很多具有针对性的算法并取得了一定的研究成果。其中，莫林等人提出了一种基于评分模型的车牌字符识别方法，该方法首先对待识别字符进行区分，然后对分区的各个方格进行评分，采用类似模板匹配方式，最终得到高的字符模板作为识别结果；何兆成等人针对车牌字符识别中大部分单一特征提取方法在字符识别上的局限性，提出了一种字符多特征提取方法及其在车牌识别中的应用，该方法具备一定的鲁棒性；曾泉等人提出了一种基于SVM和BP神经网络的车牌识别系统，该系统采用SVM机器学习方法与HSV颜色空间和边缘特征结合的方式进行车牌位置进行精确定位，最终使用BP神经网络对车牌字符进行识别。除上述方法外，还出现了诸如李雅雯等人所提出的基于BP神经网络算法的车牌自动识别；王桂文等人所提出基于正交盖氏矩和SVM的车牌字符识别；以及陈利等人所提出的基于深度学习的车牌识别系统设计等等。
但是通过长期实践，技术人员发现，上述各类方法极易受到干扰，且对于车牌上单字符的识别时间较长，识别准确率方面也存在着一定的误差。再加上在实际的应用环境中，由于车辆的快速移动，很容易使得所采集的车辆图像出现模糊、重影等问题，从而进一步增加车牌识别的难度、导致无法获取准确的车牌信息。
综上所述，如何在现有技术的基础上提出一种全新的模糊车牌识别方法，以克服现有技术中的各种不足，也就成为了本领域内技术人员亟待解决的问题。
发明内容
鉴于现有技术存在上述缺陷，本发明的目的是提出一种基于深度学习的模糊车牌识别方法，具体如下。
一种模糊车牌识别方法，包括如下步骤：
S1、倾斜模糊车牌处理，采用透视变换的方式对所获取的车牌图像进行视觉校正；
S2、车牌字符分割，依据车牌中字符位置和每个字符所占比例，对车牌进行盲分割，将车牌分为多个部分；
S3、卷积神经网络识别，建立卷积神经网络进行车牌字符识别，通过结构上的局部相连、权值共享及下采样控制整个网络的规模，实现网络对所识别图像在形变方面的鲁棒性。
优选地，S1所述倾斜模糊车牌处理，包括如下步骤：
S11、通过人工干预的方式就车牌图像的顶点进行定位，得到对应角点的坐标信息，并得到同时满足限定条件的透明变换矩阵；
S12、通过灰度化的方式进行原图处理并与透视矩阵相乘，对车牌图像中的背景进行清除、得到校正后的车牌图像；
S13、采用OpenCV中的去运动模糊滤波器对校正后的车牌图像进行处理，所述去运动模糊滤波器由PSF生成、维纳滤波生成和频域滤波组成。
优选地，S11中所述限定条件包括：
所获取的原始车牌图像与转换后的车牌图像二者的左侧保持不变；
所获取的原始车牌图像与转换后的车牌图像二者在人为编订的左上角点上保持统一；
以所获取的原始车牌图像中左上角点相邻量两边边长为依据，确定转换后的车牌图像中的矩形长、宽。
优选地，S2所述车牌字符分割，包括如下步骤：
依据公共安全行业标准GA36-2007《中华人民共和国机动车号牌》中字符位置和每个字符所占的比例，对车牌进行盲分割，盲分割的车牌被分割为汉字、第二字符、点、第三字符、第四字符、第五字符、第六字符以及第七字符，共八个字符。
优选地，S2中所述每个字符所占的比例分别为：
汉字所占比例为15.7%，第二、五、六字符各自所占比例均为12.9%，点所占比例为5.6%，第三字符所占比例为11.6%，第四、七字符各自所占比例均为14.3%。
优选地，S3所述卷积神经网络识别，包括如下步骤：
S31、建立卷积神经网络；
S32、对所建立的卷积神经网络进行训练，总体误差采用交叉熵的定义，权值初始化采用Xavier方法，网络优化采用梯度下降算法，在训练过程中采用提前停止算法；
S33、将训练好的卷积神经网络应用于模糊车牌识别、得到模糊车牌识别结果。
优选地，S31中所述卷积神经网络包括：
按序连接的多组相连接的功能层组、一个全连接层以及一个分类层；
每组所述功能层组内均包括一个卷积层以及一个下采样层；
第一组所述功能层组中的所述卷积层为近卷积层。
优选地，S32中所述对所建立的卷积神经网络进行训练，还包括：
在目标函数中添加L2正则化项以及在所述卷积神经网络中增加Dropout层。
本发明的优点主要体现在以下几个方面：
本发明特别针对由于车辆快速移动而产生模糊的车辆图像、导致无法获取车牌信息的情况，提出了一种模糊车牌识别方法，首先对将图像中的车牌进行位置校正并对图像进行处理，然后对图像进行去模糊处理，最后通过卷积神经网络对车牌字符进行识别、最终输出识别结果。本发明的方法处理时长较短，能够显著地提升对人眼所不能识别或者识别困难的模糊车牌的识别率，解决了交通执法过程中的难点，并为执法者提供了有利的执法依据。
此外，本发明也为同领域内的其他相关问题提供了参考，可以以此为依据进行拓展延伸，运用于同领域内与车牌识别技术相关的其他方案中，具有十分广阔的应用前景。
以下便结合实施例附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明方法的流程示意图；
图2为本发明中卷积神经网络的整体结构示意图。
具体实施方式
本发明特别针对由于车辆快速移动而产生模糊的车辆图像、导致无法获取车牌信息的情况，提出了一种基于深度学习的模糊车牌识别方法，具体如下。
如图1所示，一种模糊车牌识别方法，包括如下步骤：
S1、倾斜模糊车牌处理，采用透视变换的方式对所获取的车牌图像进行视觉校正。通常，因监控探头是倾斜的，因此所拍摄的图像中的车牌区域往往也是倾斜的，因此需要进行视觉校正。
进一步而言，S1步骤包括如下操作。
S11、通过人工干预的方式就车牌图像的顶点进行定位，得到对应角点的坐标信息，并得到同时满足限定条件的透明变换矩阵。
S12、通过灰度化的方式进行原图处理并与透视矩阵相乘，对车牌图像中的背景进行清除、得到校正后的车牌图像；
所述限定条件共有三条，即，
所获取的原始车牌图像与转换后的车牌图像二者的左侧保持不变；
所获取的原始车牌图像与转换后的车牌图像二者在人为编订的左上角点上保持统一；
以所获取的原始车牌图像中左上角点相邻量两边边长为依据，确定转换后的车牌图像中的矩形长、宽。
S13、采用OpenCV中的去运动模糊滤波器对校正后的车牌图像进行处理，所述去运动模糊滤波器由PSF生成、维纳滤波生成和频域滤波组成，以减少图像去模糊时的振铃效果。
S2、车牌字符分割，依据车牌中字符位置和每个字符所占比例，对车牌进行盲分割，将车牌分为多个部分。
进一步而言，S2步骤包括如下操作，依据公共安全行业标准GA36-2007《中华人民共和国机动车号牌》中字符位置和每个字符所占的比例，对车牌进行盲分割，盲分割的车牌被分割为汉字、第二字符、点、第三字符、第四字符、第五字符、第六字符以及第七字符，共八个字符。每个字符所占的比例如下表所示。
表1车牌各字符所占比例
汉字 第二字符 点 第三字符 第四字符 第五字符 第六字符 第七字符
比例 15.7% 12.9% 5.6% 11.6% 14.3% 12.9% 12.9% 14.3%
由上表可以看出，汉字所占比例为15.7%，第二、五、六字符各自所占比例均为12.9%，点所占比例为5.6%，第三字符所占比例为11.6%，第四、七字符各自所占比例均为14.3%。
S3、卷积神经网络识别，建立卷积神经网络进行车牌字符识别，通过结构上的局部相连、权值共享及下采样控制整个网络的规模，实现网络对所识别图像在形变方面的鲁棒性。
进一步而言，S3步骤包括如下操作。
S31、建立卷积神经网络；所述的卷积神经网络如图2所示。
所述卷积神经网络包括按序连接的多组相连接的功能层组、一个全连接层以及一个分类层；每组所述功能层组内均包括一个卷积层以及一个下采样层；第一组所述功能层组中的所述卷积层为近卷积层C1。
S32、对所建立的卷积神经网络进行训练，具体过程如下。
先输入为一幅64*64像素的图像，近卷积层C1将20个5*5的卷积核与输入图像进行卷积，卷积步长为1，得到20个60*60的特征图。
经下采样层S1，下采样层S1由20个30*30大小的特征平面组成、它是由对近卷积层C1层抽样得到，特征平面中的每个神经元与一个大小为2*2的卷积核相连接，步长为2。通过对输入4个像素点（神经元）相加求和，乘以一个可训练权重参数w和一个可训练偏置b，最后在通过激活函数ReLU完成一系列的下采样操作。
经卷积层C2，卷积层C2输入60个卷积核大小为3*3，卷积步长为1，得到60个28*28的特征图。
经下采样层S2，下采样层S2由60个14*14大小的特征平面组成，特征平面的每个神经元与一个2*2大小的卷积核相连接且步长为2，过程同下采样层S1对近卷积层C1的下采样一致。
经卷积层C3，卷积层C3输入120个大小为3*3的卷积核得到120个特征平面大小为12*12的特征图。
经下采样层S3，与前序过程一样，卷积核为2*2可以得到120个特征平面大小为6*6的特征图。
以此往下，直到全连接层F。将下采样层S5 512个特征图变形转换成一个512*1的向量，包含512*1*1即512个神经元。因为识别对象共有31（汉字，即省份简称）+24（英文字母）+10（数字0-9）=65类，再向此向量与全连接层的参数转换得到一个65*1的向量。
全连接层F后面还连接有一个softmax层，所述Softmax为分类层。输入为65*1的向量同时输出也是65*1的向量，这个向量的每个值表示这个样本属于每个类的概率大小。
在上述的训练过程中，总体误差采用交叉熵的定义，权值初始化采用Xavier方法，网络优化采用梯度下降算法，采用提前停止算法。同时为了能够有效地抑制网络过拟合情况，还可以在目标函数中添加L2正则化项和增加Dropout层，以增加网络的抗噪性能。
S33、将训练好的卷积神经网络应用于模糊车牌识别、得到模糊车牌识别结果。
为了验证上述方法，研究人员进行了实验验证。使用五干车牌进行模拟实验将每个车牌进行运动模糊处理，得到每个车牌180种测试图像，实验结果如表2所示。
表2研究算法对车牌各字符识别结果
车牌号 汉字准确度 第二字符 第三字符 第四字符 第五字符 第六字符 第七字符 整车牌准确率 运行时间
苏K96077 99.44% 100.00% 100.00% 98.33% 90.56% 99.44% 99.44% 98.17% 913s
粤H8D077 100.00% 99.44% 89.44% 90.56% 90.00% 97.78% 98.33% 95.08% 931s
闽B8868G 98.89% 90.56% 90.56% 89.44% 96.11% 88.89% 97.78% 93.18% 934s
浙E81382 98.89% 99.44% 90.00% 98.89% 97.78% 90.56% 97.22% 96.11% 911s
沪PH6904 98.33% 98.33% 99.44% 97.22% 96.11% 91.11% 93.33% 97.27% 921s
由表2看出，本发明的方法具有较高的识别准确率，运行时间相对来说也不算很长。
下面本发明的方法与现有算法进行对比实验，选用260张模糊车牌作为实验数据集，对比结果如表3所示。
表3对比结果
名称 数量 正确率 识别时间
本发明的方法 260 94.62% 1179s
莫林等人的方法 260 91.15% 1437s
曾泉等人的方法 260 91.92% 1379s
陈利等人的方法 260 92.30% 1317s
由表3看出，本发明的方法在时间和准确率上都比其他方法表现较优秀，准确率较高，识别时间较短。
综上所述，本发明特别针对由于车辆快速移动而产生模糊的车辆图像、导致无法获取车牌信息的情况，提出了一种模糊车牌识别方法，首先对将图像中的车牌进行位置校正并对图像进行处理，然后对图像进行去模糊处理，最后通过卷积神经网络对车牌字符进行识别、最终输出识别结果。本发明的方法处理时长较短，能够显著地提升对人眼所不能识别或者识别困难的模糊车牌的识别率，解决了交通执法过程中的难点，并为执法者提供了有利的执法依据。
此外，本发明也为同领域内的其他相关问题提供了参考，可以以此为依据进行拓展延伸，运用于同领域内与车牌识别技术相关的其他方案中，具有十分广阔的应用前景。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种模糊车牌识别方法，其特征在于，包括如下步骤：
S1、倾斜模糊车牌处理，采用透视变换的方式对所获取的车牌图像进行视觉校正；
S2、车牌字符分割，依据车牌中字符位置和每个字符所占比例，对车牌进行盲分割，将车牌分为多个部分；
S3、卷积神经网络识别，建立卷积神经网络进行车牌字符识别，通过结构上的局部相连、权值共享及下采样控制整个网络的规模，实现网络对所识别图像在形变方面的鲁棒性；
其中，S1所述倾斜模糊车牌处理，包括如下步骤：
S11、通过人工干预的方式就车牌图像的顶点进行定位，得到对应角点的坐标信息，并得到同时满足限定条件的透明变换矩阵；
S12、通过灰度化的方式进行原图处理并与透视矩阵相乘，对车牌图像中的背景进行清除、得到校正后的车牌图像；
S13、采用OpenCV中的去运动模糊滤波器对校正后的车牌图像进行处理，所述去运动模糊滤波器由PSF生成、维纳滤波生成和频域滤波组成。
2.根据权利要求1所述的一种模糊车牌识别方法，其特征在于，S11中所述限定条件包括：
所获取的原始车牌图像与转换后的车牌图像二者的左侧保持不变；
所获取的原始车牌图像与转换后的车牌图像二者在人为编订的左上角点上保持统一；
以所获取的原始车牌图像中左上角点相邻量两边边长为依据，确定转换后的车牌图像中的矩形长、宽。
3.根据权利要求1所述的一种模糊车牌识别方法，其特征在于，S2所述车牌字符分割，包括如下步骤：
依据公共安全行业标准GA36-2007《中华人民共和国机动车号牌》中字符位置和每个字符所占的比例，对车牌进行盲分割，盲分割的车牌被分割为汉字、第二字符、点、第三字符、第四字符、第五字符、第六字符以及第七字符，共八个字符。
4.根据权利要求1所述的一种模糊车牌识别方法，其特征在于，S2中所述每个字符所占的比例分别为：
汉字所占比例为15.7％，第二、五、六字符各自所占比例均为12.9％，点所占比例为5.6％，第三字符所占比例为11.6％，第四、七字符各自所占比例均为14.3％。
5.根据权利要求1所述的一种模糊车牌识别方法，其特征在于，S3所述卷积神经网络识别，包括如下步骤：
S31、建立卷积神经网络；
S32、对所建立的卷积神经网络进行训练，总体误差采用交叉熵的定义，权值初始化采用Xavier方法，网络优化采用梯度下降算法，在训练过程中采用提前停止算法；
S33、将训练好的卷积神经网络应用于模糊车牌识别、得到模糊车牌识别结果。
6.根据权利要求5所述的一种模糊车牌识别方法，其特征在于，S31中所述卷积神经网络包括：
按序连接的多组相连接的功能层组、一个全连接层以及一个分类层；
每组所述功能层组内均包括一个卷积层以及一个下采样层；
第一组所述功能层组中的所述卷积层为近卷积层。
7.根据权利要求5所述的一种模糊车牌识别方法，其特征在于，S32中所述对所建立的卷积神经网络进行训练，还包括：
在目标函数中添加L2正则化项以及在所述卷积神经网络中增加Dropout层。
CN201911346105.1A 2019-12-24 2019-12-24 一种模糊车牌识别方法 Active CN111160338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911346105.1A CN111160338B (zh) 2019-12-24 2019-12-24 一种模糊车牌识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911346105.1A CN111160338B (zh) 2019-12-24 2019-12-24 一种模糊车牌识别方法

Publications (2)

Publication Number Publication Date
CN111160338A CN111160338A (zh) 2020-05-15
CN111160338B true CN111160338B (zh) 2023-08-01

Family

ID=70558351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911346105.1A Active CN111160338B (zh) 2019-12-24 2019-12-24 一种模糊车牌识别方法

Country Status (1)

Country Link
CN (1) CN111160338B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020650B (zh) * 2019-03-26 2021-08-03 武汉大学 一种基于深度学习识别模型的倾斜车牌的识别方法及装置
CN112861845A (zh) * 2021-04-23 2021-05-28 北京欣博电子科技有限公司 车牌识别方法、装置、计算机设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563385A (zh) * 2017-09-02 2018-01-09 西安电子科技大学 基于深度卷积生成式对抗网络的车牌字符识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298976B (zh) * 2014-10-16 2017-09-26 电子科技大学 基于卷积神经网络的车牌检测方法
CN110348448A (zh) * 2019-07-05 2019-10-18 黑龙江科技大学 一种基于卷积神经网络的车牌字符识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563385A (zh) * 2017-09-02 2018-01-09 西安电子科技大学 基于深度卷积生成式对抗网络的车牌字符识别方法

Also Published As

Publication number Publication date
CN111160338A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
WO2021003824A1 (zh) 基于图像识别的违章建筑识别方法、装置
CN108053419B (zh) 基于背景抑制和前景抗干扰的多尺度目标跟踪方法
CN109508715B (zh) 一种基于深度学习的车牌定位和识别方法
CN107564025B (zh) 一种基于深度神经网络的电力设备红外图像语义分割方法
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN108446700B (zh) 一种基于对抗攻击的车牌攻击生成方法
CN107230202B (zh) 路面病害图像的自动识别方法和系统
CN105740945B (zh) 一种基于视频分析的人群计数方法
CN107516316B (zh) 一种在fcn中引入聚焦机制对静态人体图像进行分割的方法
CN104299008B (zh) 基于多特征融合的车型分类方法
CN108334881B (zh) 一种基于深度学习的车牌识别方法
CN108108761A (zh) 一种基于深度特征学习的快速交通信号灯检测方法
CN108268867B (zh) 一种车牌定位方法及装置
CN109635656A (zh) 基于神经网络的车辆属性识别方法、装置、设备及介质
CN106845487A (zh) 一种端到端的车牌识别方法
CN107292311A (zh) 一种基于神经网络的字符粘连验证码的识别方法
CN108520212A (zh) 基于改进的卷积神经网络的交通标志检测方法
CN106600560A (zh) 一种适用于行车记录仪的图像去雾方法
CN108268871A (zh) 一种基于卷积神经网络的端到端的车牌识别方法和系统
CN111160338B (zh) 一种模糊车牌识别方法
CN108960185A (zh) 基于YOLOv2的车辆目标检测方法及系统
CN109544564A (zh) 一种医疗图像分割方法
Shaikh et al. A novel approach for automatic number plate recognition
CN110991444A (zh) 面向复杂场景的车牌识别方法及装置
CN108960079A (zh) 一种图像识别方法及装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210202

Address after: Room 518, 5th floor, building 4, yard 5, Liangshuihe 2nd Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Beijing aoyikesi Technology Co.,Ltd.

Address before: 215000 south of Lianyang Road, east of Shunfeng Road, Wujiang Economic and Technological Development Zone, Suzhou City, Jiangsu Province

Applicant before: SUZHOU AECS AUTOMOTIVE ELECTRONICS Co.,Ltd.

GR01 Patent grant
GR01 Patent grant