CN111476234B - 一种遮挡车牌字符识别方法、装置、存储介质和智能设备 - Google Patents

一种遮挡车牌字符识别方法、装置、存储介质和智能设备 Download PDF

Info

Publication number
CN111476234B
CN111476234B CN202010185281.8A CN202010185281A CN111476234B CN 111476234 B CN111476234 B CN 111476234B CN 202010185281 A CN202010185281 A CN 202010185281A CN 111476234 B CN111476234 B CN 111476234B
Authority
CN
China
Prior art keywords
license plate
sample
image
shielding
images
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
CN202010185281.8A
Other languages
English (en)
Other versions
CN111476234A (zh
Inventor
林春伟
王健宗
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010185281.8A priority Critical patent/CN111476234B/zh
Publication of CN111476234A publication Critical patent/CN111476234A/zh
Priority to PCT/CN2020/135510 priority patent/WO2021184847A1/zh
Application granted granted Critical
Publication of CN111476234B publication Critical patent/CN111476234B/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
    • G06V20/63—Scene text, e.g. street names
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Character Discrimination (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请适用于信息处理技术领域，提出一种遮挡车牌字符识别方法、装置、存储介质和智能设备。该方法包括：获取样本车牌图像以及样本扩充策略；基于所述样本扩充策略，从预设的样本遮挡掩码图像集中抽取遮挡样本掩码图像；利用抽取的样本遮挡掩码图像对所述样本车牌图像进行遮挡，构建样本遮挡车牌图像集；基于所述样本遮挡车牌图像集与所述样本车牌图像构成的样本车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练；利用训练好的所述深度学习网络模型进行遮挡车牌字符识别。本方案可提高遮挡车牌字符识别的精度和效率。

Description

一种遮挡车牌字符识别方法、装置、存储介质和智能设备
技术领域
本申请属于信息处理技术领域，尤其涉及一种遮挡车牌字符识别方法、装置、存储介质和智能设备。
背景技术
车牌是车辆特定的编号，具有字符排列特征，车牌颜色以及车牌字符颜色、内容、位置蕴含有所属车辆的信息。在交通管理中，通过抓拍车辆的视频图像，识别出车牌，已经成为目前最为常用的一种交通管理手段。
现有技术中，采用深度学习技术可识别遮挡车牌。然而，使用深度学习技术进行遮挡车牌字符识别时，需要大量的包含遮挡样本图像的样本数据作为支撑，然而样本数据有限，导致遮挡车牌的效率和识别的精度不够高。
发明内容
有鉴于此，本申请实施例提供了一种遮挡车牌字符识别方法、装置、存储介质和智能设备，以解决现有技术中，样本数据有限，导致遮挡车牌的效率和识别的精度不够高的问题。
第一方面，本申请实施例提供了一种遮挡车牌字符识别方法，包括：
获取样本车牌图像以及样本扩充策略；
基于所述样本扩充策略，从预设的样本遮挡掩码图像集中抽取遮挡样本掩码图像；
利用抽取的样本遮挡掩码图像对所述样本车牌图像进行遮挡，构建样本遮挡车牌图像集；
基于所述样本遮挡车牌图像集与所述样本车牌图像构成的样本车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练；
利用训练好的所述深度学习网络模型进行遮挡车牌字符识别。
在第一方面的一种可能的实现方式中，所述获取用于构造遮挡样本车牌图像的样本车牌图像的步骤，包括：
从车辆图像集合中，随机抽取车辆图像；
从抽取的所述车辆图像中提取车牌图像作为样本车牌图像；
和/或，
从获取的道路监控视频中提取车辆图像；
利用预先训练好的车牌检测模型对所述车辆图像进行检测，获取车牌图像；
将获取的所述车牌图像作为样本车牌图像。
在第一方面的一种可能的实现方式中，所述车牌数据包括车牌坐标，在所述利用抽取的样本遮挡掩码图像对所述样本车牌图像进行遮挡，构建样本遮挡车牌图像集的步骤之前，还包括：
根据所述车牌坐标与预设校正算法，对所述样本车牌图像进行图像校正，获取校正后的标准样本车牌图像；
此时，所述利用抽取的样本遮挡掩码图像对所述样本车牌图像进行遮挡，构建样本遮挡车牌图像集的步骤，包括：
利用抽取的样本遮挡掩码图像对所述标准样本车牌图像进行遮挡，构建样本遮挡车牌图像集。
在第一方面的一种可能的实现方式中，所述利用抽取的样本遮挡掩码图像对所述样本车牌图像进行遮挡，构建样本遮挡车牌图像集的步骤，包括：
将所述样本车牌图像与所述样本遮挡掩码图像进行随机组合；
将每一组合中的样本车牌图像与样本遮挡掩码图像进行图像融合，生成多个样本遮挡车牌图像；
基于构建的样本遮挡车牌图像，生成样本遮挡车牌图像集。
在第一方面的一种可能的实现方式中，在所述基于所述样本遮挡车牌图像集与包括样本车牌图像的车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练的步骤之前，还包括：
将所述样本遮挡车牌图像集中的样本遮挡车牌图像作为预先训练好的车牌遮挡识别模型的输入，所述车牌遮挡识别模型用于识别车牌是否被遮挡；
根据所述车牌遮挡识别模型的输出结果，验证所述样本遮挡车牌图像是否为有效遮挡的样本车牌图像；
根据验证为有效遮挡的样本车牌图像，构建目标样本遮挡车牌图像集；
所述基于所述样本遮挡车牌图像集与包括样本车牌图像的车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练的步骤，包括：
基于所述目标样本遮挡车牌图像集与包括样本车牌图像的车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练。
在第一方面的一种可能的实现方式中，所述车牌遮挡识别模型的训练步骤，包括：
构建车牌遮挡识别模型，所述车牌遮挡识别模型包括卷积层、循环神经网络层；
将已标注的正负样本车牌图像作为所述车牌遮挡识别模型的输入，其中，正样本车牌图像为未遮挡的正常车牌图像，负样本车牌图像为遮挡车牌图像；
在所述卷积层中进行特征提取，得到特征序列；
将所述特征序列输入至所述循环神经网络层中进行遮挡识别，输出遮挡识别结果；
根据识别结果与误差函数，调整所述车牌遮挡识别模型的模型参数至最优。
第二方面，本申请实施例提供了一种遮挡车牌字符识别装置，包括：
图像及策略获取单元，用于获取样本车牌图像以及样本扩充策略；
掩码图像抽取单元，用于基于所述样本扩充策略，从预设的样本遮挡掩码图像集中抽取遮挡样本掩码图像；
遮挡图像构建单元，用于利用抽取的样本遮挡掩码图像对所述样本车牌图像进行遮挡，构建样本遮挡车牌图像集；
深度学习模型训练单元，用于基于所述样本遮挡车牌图像集与所述样本车牌图像构成的样本车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练；
遮挡识别单元，用于利用训练好的所述深度学习网络模型进行遮挡车牌字符识别。
第三方面，本申请实施例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本申请实施例第一方面提出的遮挡车牌字符识别方法。
第四方面，本申请实施例提供了一种智能设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例第一方面提出的遮挡车牌字符识别方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面所述的遮挡车牌字符识别方法。
本申请实施例中，通过获取样本车牌图像以及样本扩充策略，基于所述样本扩充策略，从预设的样本遮挡掩码图像集中抽取遮挡样本掩码图像，然后利用抽取的样本遮挡掩码图像对所述样本车牌图像进行遮挡，构建样本遮挡车牌图像集，实现对已有的样本遮挡图像进行扩充，有效增加样本遮挡图像的数量和种类，再基于所述样本遮挡车牌图像集与所述样本车牌图像构成的样本车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练，丰富的样本车牌图像集可增强用于遮挡车牌字符识别的深度学习网络模型的训练效果，最后利用训练好的所述深度学习网络模型进行遮挡车牌字符识别，从而可提高遮挡车牌字符识别的精度和效率。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，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遮挡车牌字符识别方法的实现流程图；
图2是本发明实施例提供的遮挡车牌字符识别方法S101的具体实现流程图；
图3是本发明实施例提供的遮挡车牌字符识别方法S103的具体实现流程图；
图4是本发明实施例提供的遮挡车牌字符识别方法中对样本遮挡车牌图像的验证的具体实现流程图；
图5是本发明实施例提供的遮挡车牌字符识别装置的结构框图；
图6是本发明实施例提供的智能设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的一种遮挡车牌字符识别方法可以应用于服务器、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、等智能设备上，本申请实施例对智能设备的具体类型不作任何限制。
本申请提出一种遮挡车牌字符识别方法，能够在利用丰富的训练样本对深度学习模型进行训练，从而提高该深度学习模型对遮挡车牌字符识别的精度和效率。
图1示出了本申请实施例提供的遮挡车牌字符识别方法的实现流程，该方法流程包括步骤S101至S105。各步骤的具体实现原理如下：
S101：获取样本车牌图像以及样本扩充策略。
在本申请实施例中，所述样本扩充策略为预设的用于构造遮挡样本车牌图像的策略，用户可自行选择已有的样本扩充策略或者修改已有的样本扩充策略。所述车样本扩充策略包括样本遮挡车牌的遮挡类型及该遮挡类型的遮挡样本图像的比例数据。所述遮挡类型是指车牌图像上被遮挡的类型，包括全遮挡、半遮挡以及叠加遮挡。
可选地，作为本申请的一个实施例，图2示出了本申请实施例提供的遮挡车牌字符识别方法S101的具体实现流程，详述如下：
A1：从车辆图像集合中，随机抽取车辆图像。利用随机抽取算法，从所述车辆图像集合中抽取指定数量的车辆图像。所述车辆图像集合为已有的存储有车辆图像的集合。
A2：从抽取的所述车辆图像中提取车牌图像作为样本车牌图像。具体地，所述车牌图像集合中包括已经标注的车牌数据，所述车牌数据包括JPEG图片以及JSON文件。在本申请实施例中，通过解析JSON文件获取车牌位置信息，提取JSON文件中的第一指定字段，如finename字段，即可获取对应的车辆图片名称，提取JSON文件中的第二指定字段，如annotation字段，获取车牌图像的坐标信息，所述车牌图像的坐标信息用于标识所述车牌图像在所述车辆图片中的位置。根据所述车辆图片名称，查找车辆图片，根据所述车牌图像的坐标信息从所述车辆图片中提取车牌图像。
和/或，
A3：从获取的道路监控视频中提取车辆图像。具体地，实时或者周期连接道路监控系统，获取道路监控视频，从获取的道路监控视频中提取车辆图像。
A4：利用预先训练好的车牌检测模型对所述车辆图像进行检测，获取车牌图像。所述车牌检测模型为用于检测车辆图像中车牌图像的模型。在本申请实施例中，采用TextBoxes++模型作为所述车牌检测模型的基础模型，所述TextBoxes++模型为基于ssd框架的图文检测模型。原始的TextBoxes++模型采用VGG16网络作为基础网络，在本实施例，采用Resnet作为所述TextBoxes++模型的基础网络，并增加多层卷积层，构建包括多个卷积层、采样层的车牌检测模型。具体地，获取一定数量的已标注车牌坐标的样本车辆图像，使用样本车辆图像对所述车牌检测模型的训练，利用Resnet-34基础网络卷积层对输入的所述样本车辆图像进行特征提取，采样层采用多尺度特征采样，针对不同大小粒度的特征图提取目标候选框，也即定位检测所述车辆图像中的样本车牌图像，使用极大抑制提取样本车牌图像的坐标，直到输出的样本车牌图像及其车牌坐标与所述样本车辆数据标注的样本车牌图像及其车牌坐标的误差在指定误差范围内，得到训练好的车牌检测模型，利用预先训练好的车牌检测模型对所述车牌图像进行定位检测，获取车牌图像。
A5：将获取的所述车牌图像作为样本车牌图像。在本申请实施例中，交通系统中每日都可以产生许多的车辆图像，获取交通系统监控道路的车辆视频之中的车辆图像，对所述车辆图像进行去噪后输入至所述车牌检测模型，输出得到车牌图像以及车牌坐标，从而可获取大量的车牌图像作为样本车牌图像。
S102：基于所述样本扩充策略，从预设的样本遮挡掩码图像集中抽取遮挡样本掩码图像。
具体地，在本申请实施例中，所述预设的遮挡样本掩码图像是用于遮挡的图像，种类有多种，例如，光盘图像、手套图像、抹布图像以及纸巾图像。所述预设的遮挡样本掩码图像可从数据库中已有的遮挡样本图像进行分离提取的到。所述样本扩充策略包括遮挡类型以及所述遮挡类型对应的样本遮挡车牌图像的比例数据，基于所遮挡类型以及所述遮挡类型对应的样本遮挡车牌图像的比例数据，从所述遮挡类型对应的样本遮挡掩码图像集中，抽取与所述比例数据对应数量的遮挡样本掩码图像。
S103：利用抽取的样本遮挡掩码图像对所述样本车牌图像进行遮挡，构建样本遮挡车牌图像集。
具体地，构建的样本遮挡车牌图像集中包括利用抽取的样本遮挡掩码图像对所述样本车牌图像进行遮挡构造的遮挡样本车牌图像。其中，采用随机算法抽取样本遮挡掩码图像。
可选地，由于用于提取车牌图像的车辆图像是在自然场景下拍摄的车辆图像，拍摄的车牌是经过投影变换后的形变四边形，如果直接对该车牌图像进行遮挡，容易造成遮挡不准确，构造的遮挡车牌的车牌数据质量较差。
为提高遮挡样本图像的质量，在本申请实施例中还包括对样本车牌图像进行校正，具体包括：根据所述车牌坐标与预设校正算法，对所述样本车牌图像进行图像校正，获取校正后的标准样本车牌图像。具体地，利用如下变换公式(1)，获取校正后的矩形样本车牌图像的车牌坐标：
其中，为变换矩阵，变换矩阵可分为4个部分，/>表示线性变换，[a31 a32]用于平移，[a13 a23]T产生透视变换，a33为恒定值1，[x′,y′,w＇]为进行校正转换之后的车牌坐标，[u,v,w]为进行校正之前的样本车牌图像的车牌坐标，所述样本车牌图像为二维图像，w＇为恒定值，再根据下式(2)、(3)得到所述样本车牌图像进行校正之后的车牌坐标：
在本申请实施例中，通过对样本车牌图像进行校正，将形变四边形的样本车牌图像校正为矩形的样本车牌图像，方便之后构造遮挡样本图像，提高遮挡样本图像的构造效率和质量。
在对所述样本车牌图像进行校正之后，上述步骤S103具体包括：利用抽取的样本遮挡掩码图像对所述标准样本车牌图像进行遮挡，构建样本遮挡车牌图像集。
作为本申请的一个实施例，图3示出了本申请实施例提供的遮挡车牌字符识别方法S103的具体实现流程，详述如下：
B1：将所述样本车牌图像与所述样本遮挡掩码图像进行随机组合。具体地，将样本车牌图像与随机选择的样本遮挡样图像进行组合，同一组合中包括一个样本车牌图像和至少一个样本遮挡掩码图像，即在一个组合中，一个样本车牌图像与一个样本遮挡掩码图像组合，或者一个样本车牌图像与多个样本遮挡掩码图像组合。
B2：将每一组合中的样本车牌图像与样本遮挡掩码图像进行图像融合，生成多个样本遮挡车牌图像。具体地，根据所述样本车牌图像的车牌坐标以及遮挡类型，生成遮挡图像坐标，根据所述遮挡图像坐标将所述遮挡掩码图像的像素覆盖至所述样本车牌图像，进行图像像素覆盖操作，实现车牌遮挡效果。进一步地，若所述遮挡类型为半遮挡，选择一个校正后的样本车牌图像与一个样本遮挡掩码图像进行组合；若所述遮挡类型为叠加遮挡，则选择一个校正的样本车牌图像与至少两个样本遮挡掩码图像进行组合。
B3：基于构建的样本遮挡车牌图像，生成样本遮挡车牌图像集。
本申请实施例中，通过图像像素覆盖操作，利用样本遮挡掩码图像对样本车牌图进行遮挡，构造样本遮挡车牌图像，由于样本遮挡掩码图像、样本车牌图像以及遮挡类型可以任意组合，从而可自动构造大量的样本遮挡车牌图像。
S104：基于所述样本遮挡车牌图像集与所述样本车牌图像构成的样本车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练。
在本申请实施例中，在上述步骤S103中，将样本遮挡掩码图像、样本车牌图像以及遮挡类型任意组合，构建了包括大量的样本遮挡车牌图像的样本遮挡车牌图像集，将所述样本遮挡车牌图像集与所述样本车牌图像构成的样本车牌图像集作为输入，对用于遮挡车牌字符识别的深度学习网络模型进行训练，大大丰富了所述深度学习网络模型的训练样本，从而可增强所述深度学习网络模型的训练效果。
作为本申请的一个实施例，在上述步骤S104之前，所述遮挡车牌字符识别方法还包括对构建的所述样本遮挡车牌图像集中的样本遮挡车牌图像进行验证。图4示出了本申请实施例提供的遮挡车牌字符识别方法中对样本遮挡车牌图像的验证的具体实现流程，详述如下：
C1：将所述述样本遮挡车牌图像集中的样本遮挡车牌图像作为预先训练好的车牌遮挡识别模型的输入，所述车牌遮挡识别模型用于识别车牌是否被遮挡。具体地，所述车牌遮挡识别模型是指用于识别车牌的模型，在本申请实施例中，所述车牌遮挡识别模型的训练步骤，包括：
c1：构建车牌遮挡识别模型，所述车牌遮挡识别模型包括卷积层、循环神经网络层；
c2：将已标注的正负样本车牌图像作为所述车牌遮挡识别模型的输入，其中，正样本车牌图像为未遮挡的正常车牌图像，负样本车牌图像为遮挡车牌图像；
c3：在所述卷积层中进行特征提取，得到特征序列；
c4：将所述特征序列输入至所述循环神经网络层中进行遮挡识别，输出遮挡识别结果；
c5：根据识别结果与误差函数，调整所述车牌遮挡识别模型的模型参数至最优，直至所述识别结果与所述样本遮挡车牌图像的标注一致。
具体地，在本申请实施例中，所述车牌遮挡识别模型采用CRNN卷积循环神经网络算法，所述车牌遮挡识别模型的训练过程包括将已标注的正负样本车牌图像作为输入，其中，正样本车牌图像为未遮挡的正常车牌图像，负样本车牌图像为遮挡车牌图像，经过卷积层进行特征提取，在最后一层逐列拼接，得到特征序列，把得到的特征序列放入循环神经网络层中进行遮挡识别，最后通过转译层将各重复字符进行合并后输出遮挡识别结果，根据识别结果与误差函数，调整所述车牌遮挡识别模型的模型参数至最优。
C2：根据所述车牌遮挡识别模型的输出结果，验证所述样本遮挡车牌图像是否为有效遮挡的样本车牌图像。在验证过程中，将所述述样本遮挡车牌图像集中的样本遮挡车牌图像作为所述车牌遮挡识别模型的输入，根据所述车牌遮挡识别模型的识别结果，验证所述样本遮挡车牌图像是否遮挡有效。本实施例中，由于遮挡车牌存在字符缺失，可根据识别的字符字段是否完整判断车牌遮挡是否有效，若识别的字符字段完整，则确定该车牌遮挡图像中的车牌遮挡无效；若识别的字符字段不完整，则确定该车牌遮挡图像中的车牌遮挡有效；
C3：根据验证为有效遮挡的样本车牌图像，构建目标样本遮挡车牌图像集。具体地，标记验证为遮挡无效的样本遮挡车牌图像，将遮挡无效的样本遮挡车牌图像从所述样本遮挡车牌图像集中删除，进而构建包含验证为遮挡有效的样本遮挡车牌图像的目标样本遮挡车牌图像集。
此时，所述基于所述样本遮挡车牌图像集与包括样本车牌图像的车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练的步骤，包括：
基于所述目标样本遮挡车牌图像集与包括样本车牌图像的车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练。
在本申请实施例中，为了保证所述样本遮挡车牌图像的中的遮挡车牌样本被遮挡的部分缺失遮挡有效，对所述样本遮挡车牌图像集中的样本遮挡车牌图像进行验证，将覆盖了样本遮挡掩码图像但依然能识别出车牌字符的遮挡车牌样本剔除，从而提高构造的样本数据的有效性。
S105：利用训练好的所述深度学习网络模型进行遮挡车牌字符识别。
在本申请实施例中，具体地，将待识别的遮挡车牌图像作为训练好的所述深度学习网络模型中进行遮挡车牌字符识别。
本申请实施例中，通过获取样本车牌图像以及样本扩充策略，基于所述样本扩充策略，从预设的样本遮挡掩码图像集中抽取遮挡样本掩码图像，然后利用抽取的样本遮挡掩码图像对所述样本车牌图像进行遮挡，构建样本遮挡车牌图像集，实现对已有的样本遮挡图像进行扩充，有效增加样本遮挡图像的数量和种类，再基于所述样本遮挡车牌图像集与所述样本车牌图像构成的样本车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练，丰富的样本车牌图像集可增强用于遮挡车牌字符识别的深度学习网络模型的训练效果，最后利用训练好的所述深度学习网络模型进行遮挡车牌字符识别，从而可提高遮挡车牌字符识别的精度和效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的遮挡车牌字符识别方法，图5示出了本申请实施例提供的遮挡车牌字符识别装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，该遮挡车牌字符识别装置包括：图像及策略获取单元51，掩码图像抽取单元52，遮挡图像构建单元53，深度学习模型训练单元54，遮挡识别单元55，其中：
图像及策略获取单元51，用于获取样本车牌图像以及样本扩充策略；
掩码图像抽取单元52，用于基于所述样本扩充策略，从预设的样本遮挡掩码图像集中抽取遮挡样本掩码图像；
遮挡图像构建单元53，用于利用抽取的样本遮挡掩码图像对所述样本车牌图像进行遮挡，构建样本遮挡车牌图像集；
深度学习模型训练单元54，用于基于所述样本遮挡车牌图像集与所述样本车牌图像构成的样本车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练；
遮挡识别单元55，用于利用训练好的所述深度学习网络模型进行遮挡车牌字符识别。
可选地，所述图像及策略获取单元包括：
车辆图像抽取模块，用于从车辆图像集合中，随机抽取车辆图像；
第一样本车牌图像获取模块，用于从抽取的所述车辆图像中提取车牌图像作为样本车牌图像；
车辆图像提取模块，用于从获取的道路监控视频中提取车辆图像；
车牌图像检测模块，用于利用预先训练好的车牌检测模型对所述车辆图像进行检测，获取车牌图像；
第二样本车牌图像获取模块，用于将获取的所述车牌图像作为样本车牌图像。
可选地，所述遮挡车牌字符识别装置还包括：
图像校正单元，用于根据所述车牌坐标与预设校正算法，对所述样本车牌图像进行图像校正，获取校正后的标准样本车牌图像；
此时，所述遮挡图像构建单元还用于：
利用抽取的样本遮挡掩码图像对所述标准样本车牌图像进行遮挡，构建样本遮挡车牌图像集。
可选地，所述遮挡图像构建单元包括：
图像组合模块，用于将所述样本车牌图像与所述样本遮挡掩码图像进行随机组合；
图像融合模块，用于将每一组合中的样本车牌图像与样本遮挡掩码图像进行图像融合，生成多个样本遮挡车牌图像；
遮挡图像构建模块，用于基于构建的样本遮挡车牌图像，生成样本遮挡车牌图像集。
可选地，所述遮挡车牌字符识别装置还包括：
验证模型输入确定单元，用于将所述述样本遮挡车牌图像集中的样本遮挡车牌图像作为预先训练好的车牌遮挡识别模型的输入，所述车牌遮挡识别模型用于识别车牌是否被遮挡；
遮挡验证单元，用于根据所述车牌遮挡识别模型的输出结果，验证所述样本遮挡车牌图像是否为有效遮挡的样本车牌图像；
目标图像集构建单元，用于根据验证为有效遮挡的样本车牌图像，构建目标样本遮挡车牌图像集；
所述深度学习模型训练单元54，还用于基于所述目标样本遮挡车牌图像集与包括样本车牌图像的车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练。
可选地，所述遮挡车牌字符识别装置还包括：
遮挡识别模型构建单元，用于构建车牌遮挡识别模型，所述车牌遮挡识别模型包括卷积层、循环神经网络层；
样本输入确定单元，用于将已标注的正负样本车牌图像作为所述车牌遮挡识别模型的输入，其中，正样本车牌图像为未遮挡的正常车牌图像，负样本车牌图像为遮挡车牌图像；
特征提取单元，用于在所述卷积层中进行特征提取，得到特征序列；
字符识别单元，用于将所述特征序列输入至所述循环神经网络层中进行遮挡识别，输出遮挡识别结果；
模型优化单元，用于根据识别结果与误差函数，调整所述车牌遮挡识别模型的模型参数至最优。
本申请实施例中，通过获取样本车牌图像以及样本扩充策略，基于所述样本扩充策略，从预设的样本遮挡掩码图像集中抽取遮挡样本掩码图像，然后利用抽取的样本遮挡掩码图像对所述样本车牌图像进行遮挡，构建样本遮挡车牌图像集，实现对已有的样本遮挡图像进行扩充，有效增加样本遮挡图像的数量和种类，再基于所述样本遮挡车牌图像集与所述样本车牌图像构成的样本车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练，丰富的样本车牌图像集可增强用于遮挡车牌字符识别的深度学习网络模型的训练效果，最后利用训练好的所述深度学习网络模型进行遮挡车牌字符识别，从而可提高遮挡车牌字符识别的精度和效率。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如图1至图4表示的任意一种遮挡车牌字符识别方法的步骤。
本申请实施例还提供一种计算机程序产品，当该计算机程序产品在智能设备上运行时，使得智能设备执行实现如图1至图4表示的任意一种遮挡车牌字符识别方法的步骤。
本申请实施例还提供一种智能设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如图1至图4表示的任意一种遮挡车牌字符识别方法的步骤。
图6是本申请一实施例提供的智能设备的示意图。如图6所示，该实施例的智能设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机可读指令62。所述处理器60执行所述计算机可读指令62时实现上述各个遮挡车牌字符识别方法实施例中的步骤，例如图1所示的步骤101至105。或者，所述处理器60执行所述计算机可读指令62时实现上述各装置实施例中各模块/单元的功能，例如图5所示单元51至55的功能。
示例性的，所述计算机可读指令62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令62在所述智能设备6中的执行过程。
所述智能设备6可以是服务器及云端智能设备等计算设备。所述智能设备6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是智能设备6的示例，并不构成对智能设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述智能设备6还可以包括输入输出设备、网络接入设备、总线等。
所述处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述智能设备6的内部存储单元，例如智能设备6的硬盘或内存。所述存储器61也可以是所述智能设备6的外部存储设备，例如所述智能设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述智能设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机可读指令以及所述智能设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种遮挡车牌字符识别方法，其特征在于，包括：
获取样本车牌图像以及样本扩充策略；所述获取用于构造遮挡样本车牌图像的样本车牌图像的步骤，包括：
从车辆图像集合中，随机抽取车辆图像；从抽取的所述车辆图像中提取车牌图像作为样本车牌图像；和/或，
从获取的道路监控视频中提取车辆图像；利用预先训练好的车牌检测模型对所述车牌图像进行定位检测，获取车牌图像；其中，所述车牌检测模型为用于检测车辆图像中车牌图像的模型，采用TextBoxes++模型作为所述车牌检测模型的基础模型，所述TextBoxes++模型为基于ssd框架的图文检测模型，采用Resnet作为所述TextBoxes++模型的基础网络，并增加多层卷积层，构建包括多个卷积层、采样层的车牌检测模型；获取一定数量的已标注车牌坐标的样本车辆图像，使用样本车辆图像对所述车牌检测模型的训练，利用Resnet-34基础网络卷积层对输入的所述样本车辆图像进行特征提取，采样层采用多尺度特征采样，针对不同大小粒度的特征图提取目标候选框，也即定位检测所述车辆图像中的样本车牌图像，使用极大抑制提取样本车牌图像的坐标，直到输出的样本车牌图像及其车牌坐标与样本车辆数据标注的样本车牌图像及其车牌坐标的误差在指定误差范围内，得到训练好的车牌检测模型；将获取的所述车牌图像作为样本车牌图像；
基于所述样本扩充策略，从预设的样本遮挡掩码图像集中抽取遮挡样本掩码图像；
车牌数据包括车牌坐标，根据所述车牌坐标与预设校正算法，对所述样本车牌图像进行图像校正，获取校正后的标准样本车牌图像；
利用抽取的样本遮挡掩码图像对所述标准样本车牌图像进行遮挡，构建样本遮挡车牌图像集；
基于所述样本遮挡车牌图像集与所述样本车牌图像构成的样本车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练；
利用训练好的所述深度学习网络模型进行遮挡车牌字符识别。
2.根据权利要求1所述的遮挡车牌字符识别方法，其特征在于，所述利用抽取的样本遮挡掩码图像对所述样本车牌图像进行遮挡，构建样本遮挡车牌图像集的步骤，包括：
将所述样本车牌图像与所述样本遮挡掩码图像进行随机组合；
将每一组合中的样本车牌图像与样本遮挡掩码图像进行图像融合，生成多个样本遮挡车牌图像；
基于构建的样本遮挡车牌图像，生成样本遮挡车牌图像集。
3.根据权利要求1所述的遮挡车牌字符识别方法，其特征在于，在所述基于所述样本遮挡车牌图像集与包括样本车牌图像的车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练的步骤之前，还包括：
将所述样本遮挡车牌图像集中的样本遮挡车牌图像作为预先训练好的车牌遮挡识别模型的输入，所述车牌遮挡识别模型用于识别车牌是否被遮挡；
根据所述车牌遮挡识别模型的输出结果，验证所述样本遮挡车牌图像是否为有效遮挡的样本车牌图像；
根据验证为有效遮挡的样本车牌图像，构建目标样本遮挡车牌图像集；
所述基于所述样本遮挡车牌图像集与包括样本车牌图像的车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练的步骤，包括：
基于所述目标样本遮挡车牌图像集与包括样本车牌图像的车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练。
4.根据权利要求3所述的遮挡车牌字符识别方法，其特征在于，所述车牌遮挡识别模型的训练步骤，包括：
构建车牌遮挡识别模型，所述车牌遮挡识别模型包括卷积层、循环神经网络层；
将已标注的正负样本车牌图像作为所述车牌遮挡识别模型的输入，其中，正样本车牌图像为未遮挡的正常车牌图像，负样本车牌图像为遮挡车牌图像；
在所述卷积层中进行特征提取，得到特征序列；
将所述特征序列输入至所述循环神经网络层中进行遮挡识别，输出遮挡识别结果；
根据识别结果与误差函数，调整所述车牌遮挡识别模型的模型参数至最优。
5.一种遮挡车牌字符识别装置，其特征在于，包括：
图像及策略获取单元，用于获取样本车牌图像以及样本扩充策略；
车辆图像抽取模块，用于从车辆图像集合中，随机抽取车辆图像；
第一样本车牌图像获取模块，用于从抽取的所述车辆图像中提取车牌图像作为样本车牌图像；
车辆图像提取模块，用于从获取的道路监控视频中提取车辆图像；
车牌图像检测模块，用于利用预先训练好的车牌检测模型对所述车辆图像进行检测，获取车牌图像；其中，所述车牌检测模型为用于检测车辆图像中车牌图像的模型，采用TextBoxes++模型作为所述车牌检测模型的基础模型，所述TextBoxes++模型为基于ssd框架的图文检测模型，采用Resnet作为所述TextBoxes++模型的基础网络，并增加多层卷积层，构建包括多个卷积层、采样层的车牌检测模型；获取一定数量的已标注车牌坐标的样本车辆图像，使用样本车辆图像对所述车牌检测模型的训练，利用Resnet-34基础网络卷积层对输入的所述样本车辆图像进行特征提取，采样层采用多尺度特征采样，针对不同大小粒度的特征图提取目标候选框，也即定位检测所述车辆图像中的样本车牌图像，使用极大抑制提取样本车牌图像的坐标，直到输出的样本车牌图像及其车牌坐标与所述样本车辆数据标注的样本车牌图像及其车牌坐标的误差在指定误差范围内，得到训练好的车牌检测模型；
第二样本车牌图像获取模块，用于将获取的所述车牌图像作为样本车牌图像；
掩码图像抽取单元，用于基于所述样本扩充策略，从预设的样本遮挡掩码图像集中抽取遮挡样本掩码图像；
图像校正单元，用于根据所述车牌坐标与预设校正算法，对所述样本车牌图像进行图像校正，获取校正后的标准样本车牌图像；
遮挡图像构建单元，用于利用抽取的样本遮挡掩码图像对所述标准样本车牌图像进行遮挡，构建样本遮挡车牌图像集；
深度学习模型训练单元，用于基于所述样本遮挡车牌图像集与所述样本车牌图像构成的样本车牌图像集，对用于遮挡车牌字符识别的深度学习网络模型进行训练；
遮挡识别单元，用于利用训练好的所述深度学习网络模型进行遮挡车牌字符识别。
6.根据权利要求5所述的遮挡车牌字符识别装置，其特征在于，所述遮挡图像构建单元包括：
图像组合模块，用于将所述样本车牌图像与所述样本遮挡掩码图像进行随机组合；
图像融合模块，用于将每一组合中的样本车牌图像与样本遮挡掩码图像进行图像融合，生成多个样本遮挡车牌图像；
遮挡图像构建模块，用于基于构建的样本遮挡车牌图像，生成样本遮挡车牌图像集。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1至5任一项所述的遮挡车牌字符识别方法。
8.一种智能设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现根据权利要求1至5任一项所述的遮挡车牌字符识别方法。
CN202010185281.8A 2020-03-17 2020-03-17 一种遮挡车牌字符识别方法、装置、存储介质和智能设备 Active CN111476234B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010185281.8A CN111476234B (zh) 2020-03-17 2020-03-17 一种遮挡车牌字符识别方法、装置、存储介质和智能设备
PCT/CN2020/135510 WO2021184847A1 (zh) 2020-03-17 2020-12-11 一种遮挡车牌字符识别方法、装置、存储介质和智能设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010185281.8A CN111476234B (zh) 2020-03-17 2020-03-17 一种遮挡车牌字符识别方法、装置、存储介质和智能设备

Publications (2)

Publication Number Publication Date
CN111476234A CN111476234A (zh) 2020-07-31
CN111476234B true CN111476234B (zh) 2024-05-24

Family

ID=71747630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010185281.8A Active CN111476234B (zh) 2020-03-17 2020-03-17 一种遮挡车牌字符识别方法、装置、存储介质和智能设备

Country Status (2)

Country Link
CN (1) CN111476234B (zh)
WO (1) WO2021184847A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476234B (zh) * 2020-03-17 2024-05-24 平安科技（深圳）有限公司 一种遮挡车牌字符识别方法、装置、存储介质和智能设备
CN112149542A (zh) * 2020-09-15 2020-12-29 北京字节跳动网络技术有限公司 训练样本生成方法、图像分类方法、装置、设备和介质
CN112488204A (zh) * 2020-11-30 2021-03-12 北京字跳网络技术有限公司 训练样本生成方法、图像分割方法、装置、设备和介质
CN113052174B (zh) * 2021-03-26 2023-08-11 北京百度网讯科技有限公司 车牌数据样本生成方法、装置、电子设备和存储介质
CN113657354B (zh) * 2021-10-19 2022-01-25 深圳市菁优智慧教育股份有限公司 基于深度学习的答题卡识别方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108108746A (zh) * 2017-09-13 2018-06-01 湖南理工学院 基于Caffe深度学习框架的车牌字符识别方法
CN109670528A (zh) * 2018-11-14 2019-04-23 中国矿业大学 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法
CN109753914A (zh) * 2018-12-28 2019-05-14 安徽清新互联信息科技有限公司 一种基于深度学习的车牌字符识别方法
WO2019169532A1 (zh) * 2018-03-05 2019-09-12 深圳前海达闼云端智能科技有限公司 车牌识别方法及云系统
CN110287960A (zh) * 2019-07-02 2019-09-27 中国科学院信息工程研究所 自然场景图像中曲线文字的检测识别方法
JP2019220116A (ja) * 2018-06-22 2019-12-26 日立造船株式会社 情報処理装置、判定方法、および対象物判定プログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10068146B2 (en) * 2016-02-25 2018-09-04 Conduent Business Services, Llc Method and system for detection-based segmentation-free license plate recognition
CN109902577A (zh) * 2019-01-25 2019-06-18 华中科技大学 一种轻量级手势检测卷积神经网络模型的构建方法及应用
CN111476234B (zh) * 2020-03-17 2024-05-24 平安科技（深圳）有限公司 一种遮挡车牌字符识别方法、装置、存储介质和智能设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108108746A (zh) * 2017-09-13 2018-06-01 湖南理工学院 基于Caffe深度学习框架的车牌字符识别方法
WO2019169532A1 (zh) * 2018-03-05 2019-09-12 深圳前海达闼云端智能科技有限公司 车牌识别方法及云系统
JP2019220116A (ja) * 2018-06-22 2019-12-26 日立造船株式会社 情報処理装置、判定方法、および対象物判定プログラム
CN109670528A (zh) * 2018-11-14 2019-04-23 中国矿业大学 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法
CN109753914A (zh) * 2018-12-28 2019-05-14 安徽清新互联信息科技有限公司 一种基于深度学习的车牌字符识别方法
CN110287960A (zh) * 2019-07-02 2019-09-27 中国科学院信息工程研究所 自然场景图像中曲线文字的检测识别方法

Also Published As

Publication number Publication date
WO2021184847A1 (zh) 2021-09-23
CN111476234A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN111476234B (zh) 一种遮挡车牌字符识别方法、装置、存储介质和智能设备
CN110705405B (zh) 目标标注的方法及装置
EP3410351B1 (en) Learning program, learning method, and object detection device
CN111860398B (zh) 遥感图像目标检测方法、系统及终端设备
CN111104925B (zh) 图像处理方法、装置、存储介质和电子设备
CN110866466A (zh) 一种人脸识别方法、装置、存储介质和服务器
CN110837580A (zh) 一种行人图片标注方法、装置、存储介质和智能设备
CN111369801B (zh) 车辆识别方法、装置、设备和存储介质
CN115409638B (zh) 基于人工智能的牲畜保险承保和理赔方法及相关设备
CN104573680A (zh) 图像检测方法、图像检测装置以及交通违法检测系统
CN113191293A (zh) 广告检测方法、装置、电子设备、系统及可读存储介质
CN108229281B (zh) 神经网络的生成方法和人脸检测方法、装置及电子设备
CN112329602A (zh) 人脸标注图像的获取方法及装置、电子设备、存储介质
CN113191189A (zh) 人脸活体检测方法、终端设备及计算机可读存储介质
CN112446361A (zh) 一种训练数据的清洗方法及设备
CN110210425B (zh) 人脸识别方法、装置、电子设备及存储介质
CN113239738B (zh) 一种图像的模糊检测方法及模糊检测装置
CN113284137A (zh) 纸张褶皱检测方法、装置、设备及存储介质
CN112907206A (zh) 一种基于视频对象识别的业务审核方法、装置及设备
CN115346143A (zh) 行为检测方法、电子设备、计算机可读介质
CN112270257A (zh) 一种运动轨迹确定方法、装置及计算机可读存储介质
CN114764814A (zh) 植物高度确定方法、装置、电子设备及介质
CN116503695B (zh) 目标检测模型的训练方法、目标检测方法及设备
CN111383155B (zh) 水印的识别方法、装置、设备及存储介质
CN116912634B (zh) 目标追踪模型的训练方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40032345

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant