CN111488876A - 基于人工智能的车牌识别方法、装置、设备及介质 - Google Patents
基于人工智能的车牌识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111488876A CN111488876A CN202010594467.9A CN202010594467A CN111488876A CN 111488876 A CN111488876 A CN 111488876A CN 202010594467 A CN202010594467 A CN 202010594467A CN 111488876 A CN111488876 A CN 111488876A
- Authority
- CN
- China
- Prior art keywords
- feature
- license plate
- mask
- extraction model
- position information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 90
- 230000007246 mechanism Effects 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000005260 corrosion Methods 0.000 claims description 33
- 230000007797 corrosion Effects 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000010339 dilation Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 4
- 230000001737 promoting effect Effects 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 230000003628 erosive effect Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能及图像处理技术领域,提供一种基于人工智能的车牌识别方法、装置、设备及介质,其方法包括:通过特征提取模型提取目标图像的至少一个特征;利用位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板,其中,位置信息提取模型由Mask网络结合Attention机制训练而得到;将每个掩板反馈至特征提取模型,输出每个特征的字符信息;拼接字符信息作为识别结果并保存至区块链中。利用本发明能够加入位置信息提取模型识别每个特征的位置信息,且只保留掩板中的有效信息,使提取出的字符信息更加专注于识别到的位置上的特征,实现了对车牌的自动识别,不仅高效,且准确。本发明还可应用于智慧交通场景中,从而推动智慧城市的建设。
Description
技术领域
本发明涉及人工智能、图像处理及智慧交通技术领域,尤其涉及一种基于人工智能的车牌识别方法、装置、设备及介质。
背景技术
随着现代科技的进步,道路交通、停车场所等相关车辆管理系统都朝着智能化和数字化的方向发展,作为这些系统智能化的一个重要核心,车牌自动识别系统起着至关重要的作用。
按符号分布来看,机动车号牌主要有两种形式,包括:单行车牌、双行车牌。双行车牌涉及到上下两行,其识别算法相比难度更大。针对双行字符这一特性,目前主要使用的技术方案如下:
(1)字符分割法。将双行车牌中各个字符分割出来,逐个识别,再拼接起来。这种方式过程复杂,分割错误将向后传递。
(2)将两行字符切割,再拼在同一行。即人为将其转换成单行车牌,再通过单行车牌识别方式进行识别。这种方式虽然比方式(1)简单,但仍需分割,分割错误也将继续向后传递。
(3)直接忽略双行字符特性,将双行车牌视为单行车牌。通过特征提取网络自动提取两行各自的特征进行识别,但是,随着算法、算力的发展,由于该方案不对双行字符进行分割,而是直接通过模型识别提取,既需要庞大的数据进行训练,又非常容易造成过拟合,导致模型鲁棒性不好。
发明内容
鉴于以上内容,有必要提供一种基于人工智能的车牌识别方法、装置、设备及介质,能够基于人工智能,加入位置信息提取模型来识别每个特征的位置信息,且只保留了掩板中的有效信息,使提取出的字符信息更加专注于识别到的位置上的特征,进一步保证了车牌识别的准确度,实现了对车牌的自动识别,不仅高效,且准确。
一种基于人工智能的车牌识别方法,所述基于人工智能的车牌识别方法包括:
响应于接收到的待识别车牌图像,对所述待识别车牌图像进行预处理,得到目标图像;
通过预先训练的特征提取模型提取所述目标图像的至少一个特征;
利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板,其中,所述位置信息提取模型由Mask网络结合Attention机制训练而得到;
将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息;
拼接所述字符信息作为所述待识别车牌图像的识别结果,并保存所述识别结果至区块链中。
根据本发明优选实施例,所述对所述待识别车牌图像进行预处理,得到目标图像包括:
对所述待识别车牌图像进行二值化处理,得到第一图像;
对所述第一图像进行归一化处理,得到第二图像;
对所述第二图像进行resize处理,得到所述目标图像。
根据本发明优选实施例,所述基于人工智能的车牌识别方法还包括:
采用Attention机制训练Mask网络,所述Mask网络包括全连接层、卷积层及池化层;
利用清洗机制优化训练的Mask网络,直至所述Mask网络的准确度小于或者等于预设准确度,停止训练,得到所述位置信息提取模型。
根据本发明优选实施例,所述利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板包括:
利用基于Attention机制训练的Mask网络识别每个特征的位置信息,输出每个特征的预测位置;
确定所述位置信息提取模型的清洗机制中腐蚀机制及膨胀机制的组合方式;
根据所述组合方式,以所述腐蚀机制删除每个特征的预测位置中的噪点,并以所述膨胀机制填充每个特征的预测位置中的特征点,输出与每个特征对应的掩板。
根据本发明优选实施例,所述以所述腐蚀机制删除每个特征的预测位置中的噪点包括:
获取所述腐蚀机制对应的腐蚀次数,及每次腐蚀对应的第一阈值;
对于每次腐蚀,以第一滑动窗口遍历所述目标图像的每个特征,当遍历到的点的占比低于所述第一阈值时,将遍历到的点确定为噪点,启动所述腐蚀机制,并删除所述噪点。
根据本发明优选实施例,所述以所述膨胀机制填充每个特征的预测位置中的特征点包括:
获取所述膨胀机制对应的膨胀次数,及每次膨胀对应的第二阈值;
对于每次膨胀,以第二滑动窗口遍历所述目标图像的每个特征,当遍历到的点的占比高于所述第二阈值时,将遍历到的点确定为特征点,启动所述膨胀机制,并填充所述特征点。
根据本发明优选实施例,所述将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息包括:
当将每个掩板反馈至所述特征提取模型时,确定每个掩板中的True值及False值;
保留每个掩板中的True值对应的特征,并删除每个掩板中的False值对应的特征,得到与每个掩板对应的特征的字符信息。
一种基于人工智能的车牌识别装置,所述基于人工智能的车牌识别装置包括:
预处理单元,用于响应于接收到的待识别车牌图像,对所述待识别车牌图像进行预处理,得到目标图像;
提取单元,用于通过预先训练的特征提取模型提取所述目标图像的至少一个特征;
识别单元,用于利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板,其中,所述位置信息提取模型由Mask网络结合Attention机制训练而得到;
反馈单元,用于将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息;
拼接单元,用于拼接所述字符信息作为所述待识别车牌图像的识别结果,并保存所述识别结果至区块链中。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述基于人工智能的车牌识别方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述基于人工智能的车牌识别方法。
由以上技术方案可以看出,本发明能够响应于接收到的待识别车牌图像,对所述待识别车牌图像进行预处理,得到目标图像,通过预先训练的特征提取模型提取所述目标图像的至少一个特征,并利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板,其中,所述位置信息提取模型由Mask网络结合Attention机制训练而得到,加入位置信息提取模型来识别每个特征的位置信息,进一步保证了车牌识别的准确度,将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息,只保留了掩板中的有效信息,使提取出的字符信息更加专注于识别到的位置上的特征,准确度更高,进一步拼接所述字符信息作为所述待识别车牌图像的识别结果,并保存所述识别结果至区块链中,以提高数据的安全性,进而基于人工智能技术实现了对车牌的自动识别,不仅高效,且准确。本发明还可应用于智慧交通场景中,从而推动智慧城市的建设。
附图说明
图1是本发明基于人工智能的车牌识别方法的较佳实施例的流程图。
图2是本发明基于人工智能的车牌识别装置的较佳实施例的功能模块图。
图3是本发明实现基于人工智能的车牌识别方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明基于人工智能的车牌识别方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述基于人工智能的车牌识别方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(DigitalSignal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,响应于接收到的待识别车牌图像,对所述待识别车牌图像进行预处理,得到目标图像。
优选地,所述电子设备对所述待识别车牌图像进行预处理,得到目标图像包括:
对所述待识别车牌图像进行二值化处理,得到第一图像;
对所述第一图像进行归一化处理,得到第二图像;
对所述第二图像进行resize处理,得到所述目标图像。
通过对所述待识别车牌图像进行二值化处理,将所述待识别车牌图像黑白化,有效降低了多种色彩对识别产生的影响,减少了所述待识别车牌图像的噪声。
进一步地,通过归一化处理,统一了所述待识别车牌图像中特征数据的形式,便于计算。
更进一步地,通过resize处理,使所述待识别车牌图像满足模型对于图像大小的需求,便于后续利用模型进行自动识别。
S11,通过预先训练的特征提取模型提取所述目标图像的至少一个特征。
其中,所述预先训练的特征提取模型可以是任意神经网络模型,例如:ResNet(Residual Neural Network,残差神经网络)、DenseNet(Densely ConnectedConvolutional Networks,密集连接卷积网络)等,本发明在此不赘述。
S12,利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板,其中,所述位置信息提取模型由Mask网络结合Attention机制训练而得到。
在本实施例中,每个特征对应一个掩板,每个掩板可以是一个二维数组,并且,每个二维数组与特征个数可以进一步形成一个三维数组。
在本实施例中,在利用所述位置信息提取模型识别每个特征的位置信息前,所述方法还包括:
训练所述位置信息提取模型。
具体地,所述基于人工智能的车牌识别方法还包括:
采用Attention机制训练Mask网络,所述Mask网络包括全连接层、卷积层及池化层;
利用清洗机制优化训练的Mask网络,直至所述Mask网络的准确度小于或者等于预设准确度,停止训练,得到所述位置信息提取模型。
需要说明的是,传统的车牌识别只利用神经网络,本案还额外加入了位置信息提取模型来识别每个特征的位置信息,进一步保证了车牌识别的准确度。
也就是说,在本实施方式中,通过基于Attention机制的Mask网络能够更好地学习到每个特征的位置信息,有效地提取到各个特征的相关信息,避免了特征信息间的干扰,尤其是上下层特征信息的串扰,提高了模型的准确率。
另外,在本实施方式中,无需如现有技术中对车牌进行切分,再对切分后的图像分别进行识别,进一步提升了车牌识别的速度,并降低了模型的复杂度。
并且,对于所述位置信息提取模型,本案还增加了清洗机制对识别的位置信息进行清洗,再次确保了识别的准确度。
进一步地,所述利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板包括:
利用基于Attention机制训练的Mask网络识别每个特征的位置信息,输出每个特征的预测位置;
确定所述位置信息提取模型的清洗机制中腐蚀机制及膨胀机制的组合方式;
根据所述组合方式,以所述腐蚀机制删除每个特征的预测位置中的噪点,并以所述膨胀机制填充每个特征的预测位置中的特征点,输出与每个特征对应的掩板。
例如:所述清洗机制中腐蚀机制及膨胀机制的组合方式可以是只执行指定次数的腐蚀机制,也可以是只执行指定次数的膨胀机制,或者是将所述腐蚀机制及所述膨胀机制结合起来执行,具体地,所述组合方式在所述位置信息提取模型训练完成后自动确定。
具体地,所述电子设备以所述腐蚀机制删除每个特征的预测位置中的噪点包括:
所述电子设备获取所述腐蚀机制对应的腐蚀次数,及每次腐蚀对应的第一阈值;
对于每次腐蚀,以第一滑动窗口遍历所述目标图像的每个特征,当遍历到的点的占比低于所述第一阈值时,将遍历到的点确定为噪点,启动所述腐蚀机制,并删除所述噪点。
其中,每次腐蚀所对应的第一阈值可以不同。
例如:一次腐蚀以1/3为所述第一阈值,而另一次以1/5作为所述第一阈值。
通过上述腐蚀机制,能够删除噪点,使最终得到的掩板效果更佳。
具体地,所述电子设备以所述膨胀机制填充每个特征的预测位置中的特征点包括:
所述电子设备获取所述膨胀机制对应的膨胀次数,及每次膨胀对应的第二阈值;
对于每次膨胀,以第二滑动窗口遍历所述目标图像的每个特征,当遍历到的点的占比高于所述第二阈值时,将遍历到的点确定为特征点,启动所述膨胀机制,并填充所述特征点。
其中,每次膨胀所对应的第二阈值也可以不同。
例如:一次膨胀以1/4为所述第二阈值,而另一次以1/6作为所述第二阈值。
通过上述膨胀机制,能够充实并完善特征点,使最终得到的掩板效果更佳。
S13,将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息。
在本实施例中,所述将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息包括:
当将每个掩板反馈至所述特征提取模型时,确定每个掩板中的True值及False值;
进一步地,所述电子设备保留每个掩板中的True值对应的特征,并删除每个掩板中的False值对应的特征,进而得到与每个掩板对应的特征的字符信息。
通过上述实施方式,只保留了掩板中的有效信息,以便更加专注于位置信息,进而减少了特征间的串扰,提高了模型的鲁棒性,同时减少了模型的过拟合,使提取出的字符信息更加专注于识别到的位置上的特征,准确度更高。
S14,拼接所述字符信息作为所述待识别车牌图像的识别结果拼接单元,并保存所述识别结果至区块链中。
本实施例通过将所述识别结果保存至区块链中,能够提高数据的安全性及隐私性。
进一步地,可以根据识别到的每个特征的位置信息拼接所述字符信息,得到所述待识别车牌图像的识别结果。
由以上技术方案可以看出,本发明能够响应于接收到的待识别车牌图像,对所述待识别车牌图像进行预处理,得到目标图像,通过预先训练的特征提取模型提取所述目标图像的至少一个特征,并利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板,其中,所述位置信息提取模型由Mask网络结合Attention机制训练而得到,加入位置信息提取模型来识别每个特征的位置信息,进一步保证了车牌识别的准确度,将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息,只保留了掩板中的有效信息,使提取出的字符信息更加专注于识别到的位置上的特征,准确度更高,进一步拼接所述字符信息作为所述待识别车牌图像的识别结果,并保存所述识别结果至区块链中,以提高数据的安全性,进而基于人工智能技术实现了对车牌的自动识别,不仅高效,且准确。本发明还可应用于智慧交通场景中,从而推动智慧城市的建设。
如图2所示,是本发明基于人工智能的车牌识别装置的较佳实施例的功能模块图。所述基于人工智能的车牌识别装置11包括预处理单元110、提取单元111、识别单元112、反馈单元113、拼接单元114、训练单元115。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
预处理单元110响应于接收到的待识别车牌图像,对所述待识别车牌图像进行预处理,得到目标图像。
优选地,所述预处理单元110对所述待识别车牌图像进行预处理,得到目标图像包括:
对所述待识别车牌图像进行二值化处理,得到第一图像;
对所述第一图像进行归一化处理,得到第二图像;
对所述第二图像进行resize处理,得到所述目标图像。
通过对所述待识别车牌图像进行二值化处理,将所述待识别车牌图像黑白化,有效降低了多种色彩对识别产生的影响,减少了所述待识别车牌图像的噪声。
进一步地,通过归一化处理,统一了所述待识别车牌图像中特征数据的形式,便于计算。
更进一步地,通过resize处理,使所述待识别车牌图像满足模型对于图像大小的需求,便于后续利用模型进行自动识别。
提取单元111通过预先训练的特征提取模型提取所述目标图像的至少一个特征。
其中,所述预先训练的特征提取模型可以是任意神经网络模型,例如:ResNet(Residual Neural Network,残差神经网络)、DenseNet(Densely ConnectedConvolutional Networks,密集连接卷积网络)等,本发明在此不赘述。
识别单元112利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板,其中,所述位置信息提取模型由Mask网络结合Attention机制训练而得到。
在本实施例中,每个特征对应一个掩板,每个掩板可以是一个二维数组,并且,每个二维数组与特征个数可以进一步形成一个三维数组。
在本实施例中,在利用所述位置信息提取模型识别每个特征的位置信息前,训练单元115训练所述位置信息提取模型。
具体地,所述训练单元115采用Attention机制训练Mask网络,所述Mask网络包括全连接层、卷积层及池化层;
所述训练单元115利用清洗机制优化训练的Mask网络,直至所述Mask网络的准确度小于或者等于预设准确度,停止训练,得到所述位置信息提取模型。
需要说明的是,传统的车牌识别只利用神经网络,本案还额外加入了位置信息提取模型来识别每个特征的位置信息,进一步保证了车牌识别的准确度。
也就是说,在本实施方式中,通过基于Attention机制的Mask网络能够更好地学习到每个特征的位置信息,有效地提取到各个特征的相关信息,避免了特征信息间的干扰,尤其是上下层特征信息的串扰,提高了模型的准确率。
另外,在本实施方式中,无需如现有技术中对车牌进行切分,再对切分后的图像分别进行识别,进一步提升了车牌识别的速度,并降低了模型的复杂度。
并且,对于所述位置信息提取模型,本案还增加了清洗机制对识别的位置信息进行清洗,再次确保了识别的准确度。
进一步地,所述识别单元112利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板包括:
利用基于Attention机制训练的Mask网络识别每个特征的位置信息,输出每个特征的预测位置;
确定所述位置信息提取模型的清洗机制中腐蚀机制及膨胀机制的组合方式;
根据所述组合方式,以所述腐蚀机制删除每个特征的预测位置中的噪点,并以所述膨胀机制填充每个特征的预测位置中的特征点,输出与每个特征对应的掩板。
例如:所述清洗机制中腐蚀机制及膨胀机制的组合方式可以是只执行指定次数的腐蚀机制,也可以是只执行指定次数的膨胀机制,或者是将所述腐蚀机制及所述膨胀机制结合起来执行,具体地,所述组合方式在所述位置信息提取模型训练完成后自动确定。
具体地,所述识别单元112以所述腐蚀机制删除每个特征的预测位置中的噪点包括:
所述识别单元112获取所述腐蚀机制对应的腐蚀次数,及每次腐蚀对应的第一阈值;
对于每次腐蚀,以第一滑动窗口遍历所述目标图像的每个特征,当遍历到的点的占比低于所述第一阈值时,将遍历到的点确定为噪点,启动所述腐蚀机制,并删除所述噪点。
其中,每次腐蚀所对应的第一阈值可以不同。
例如:一次腐蚀以1/3为所述第一阈值,而另一次以1/5作为所述第一阈值。
通过上述腐蚀机制,能够删除噪点,使最终得到的掩板效果更佳。
具体地,所述识别单元112以所述膨胀机制填充每个特征的预测位置中的特征点包括:
所述识别单元112获取所述膨胀机制对应的膨胀次数,及每次膨胀对应的第二阈值;
对于每次膨胀,以第二滑动窗口遍历所述目标图像的每个特征,当遍历到的点的占比高于所述第二阈值时,将遍历到的点确定为特征点,启动所述膨胀机制,并填充所述特征点。
其中,每次膨胀所对应的第二阈值也可以不同。
例如:一次膨胀以1/4为所述第二阈值,而另一次以1/6作为所述第二阈值。
通过上述膨胀机制,能够充实并完善特征点,使最终得到的掩板效果更佳。
反馈单元113将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息。
在本实施例中,所述反馈单元113将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息包括:
当将每个掩板反馈至所述特征提取模型时,确定每个掩板中的True值及False值;
进一步地,所述反馈单元113保留每个掩板中的True值对应的特征,并删除每个掩板中的False值对应的特征,得到与每个掩板对应的特征的字符信息。
通过上述实施方式,只保留了掩板中的有效信息,以便更加专注于位置信息,进而减少了特征间的串扰,提高了模型的鲁棒性,同时减少了模型的过拟合,使提取出的字符信息更加专注于识别到的位置上的特征,准确度更高。
拼接单元114拼接所述字符信息作为所述待识别车牌图像的识别结果,并保存所述识别结果至区块链中。
本实施例通过将所述识别结果保存至区块链中,能够提高数据的安全性及隐私性。
进一步地,可以根据识别到的每个特征的位置信息拼接所述字符信息,得到所述待识别车牌图像的识别结果。
由以上技术方案可以看出,本发明能够响应于接收到的待识别车牌图像,对所述待识别车牌图像进行预处理,得到目标图像,通过预先训练的特征提取模型提取所述目标图像的至少一个特征,并利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板,其中,所述位置信息提取模型由Mask网络结合Attention机制训练而得到,加入位置信息提取模型来识别每个特征的位置信息,进一步保证了车牌识别的准确度,将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息,只保留了掩板中的有效信息,使提取出的字符信息更加专注于识别到的位置上的特征,准确度更高,进一步拼接所述字符信息作为所述待识别车牌图像的识别结果,并保存所述识别结果至区块链中,以提高数据的安全性,进而基于人工智能技术实现了对车牌的自动识别,不仅高效,且准确。本发明还可应用于智慧交通场景中,从而推动智慧城市的建设。
如图3所示,是本发明实现基于人工智能的车牌识别方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如基于人工智能的车牌识别程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,所述电子设备1既可以是总线型结构,也可以是星形结构,所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、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,存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于人工智能的车牌识别程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的车牌识别程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的车牌识别方法实施例中的步骤,例如图1所示的步骤S10、S11、S12、S13、S14。
或者,所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如:
响应于接收到的待识别车牌图像,对所述待识别车牌图像进行预处理,得到目标图像;
通过预先训练的特征提取模型提取所述目标图像的至少一个特征;
利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板,其中,所述位置信息提取模型由Mask网络结合Attention机制训练而得到;
将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息;
拼接所述字符信息作为所述待识别车牌图像的识别结果,并保存所述识别结果至区块链中。
示例性的,所述计算机程序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12中,并由所述处理器13执行,以完成本发明。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程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成预处理单元110、提取单元111、识别单元112、反馈单元113、拼接单元114、训练单元115。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于人工智能的车牌识别方法的部分。
所述电子设备1集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,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可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种基于人工智能的车牌识别方法,所述处理器13可执行所述多个指令从而实现:
响应于接收到的待识别车牌图像,对所述待识别车牌图像进行预处理,得到目标图像;
通过预先训练的特征提取模型提取所述目标图像的至少一个特征;
利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板,其中,所述位置信息提取模型由Mask网络结合Attention机制训练而得到;
将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息;
拼接所述字符信息作为所述待识别车牌图像的识别结果,并保存所述识别结果至区块链中。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明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,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能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,也可以采用硬件加软件功能模块的形式实现。
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或基本特征的情况下,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涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的车牌识别方法,其特征在于,所述基于人工智能的车牌识别方法包括:
响应于接收到的待识别车牌图像,对所述待识别车牌图像进行预处理,得到目标图像;
通过预先训练的特征提取模型提取所述目标图像的至少一个特征;
利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板,其中,所述位置信息提取模型由Mask网络结合Attention机制训练而得到;
将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息;
拼接所述字符信息作为所述待识别车牌图像的识别结果,并保存所述识别结果至区块链中。
2.如权利要求1所述的基于人工智能的车牌识别方法,其特征在于,所述对所述待识别车牌图像进行预处理,得到目标图像包括:
对所述待识别车牌图像进行二值化处理,得到第一图像;
对所述第一图像进行归一化处理,得到第二图像;
对所述第二图像进行resize处理,得到所述目标图像。
3.如权利要求1所述的基于人工智能的车牌识别方法,其特征在于,所述基于人工智能的车牌识别方法还包括:
采用Attention机制训练Mask网络,所述Mask网络包括全连接层、卷积层及池化层;
利用清洗机制优化训练的Mask网络,直至所述Mask网络的准确度小于或者等于预设准确度,停止训练,得到所述位置信息提取模型。
4.如权利要求1所述的基于人工智能的车牌识别方法,其特征在于,所述利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板包括:
利用基于Attention机制训练的Mask网络识别每个特征的位置信息,输出每个特征的预测位置;
确定所述位置信息提取模型的清洗机制中腐蚀机制及膨胀机制的组合方式;
根据所述组合方式,以所述腐蚀机制删除每个特征的预测位置中的噪点,并以所述膨胀机制填充每个特征的预测位置中的特征点,输出与每个特征对应的掩板。
5.如权利要求4所述的基于人工智能的车牌识别方法,其特征在于,所述以所述腐蚀机制删除每个特征的预测位置中的噪点包括:
获取所述腐蚀机制对应的腐蚀次数,及每次腐蚀对应的第一阈值;
对于每次腐蚀,以第一滑动窗口遍历所述目标图像的每个特征,当遍历到的点的占比低于所述第一阈值时,将遍历到的点确定为噪点,启动所述腐蚀机制,并删除所述噪点。
6.如权利要求4所述的基于人工智能的车牌识别方法,其特征在于,所述以所述膨胀机制填充每个特征的预测位置中的特征点包括:
获取所述膨胀机制对应的膨胀次数,及每次膨胀对应的第二阈值;
对于每次膨胀,以第二滑动窗口遍历所述目标图像的每个特征,当遍历到的点的占比高于所述第二阈值时,将遍历到的点确定为特征点,启动所述膨胀机制,并填充所述特征点。
7.如权利要求1所述的基于人工智能的车牌识别方法,其特征在于,所述将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息包括:
当将每个掩板反馈至所述特征提取模型时,确定每个掩板中的True值及False值;
保留每个掩板中的True值对应的特征,并删除每个掩板中的False值对应的特征,得到与每个掩板对应的特征的字符信息。
8.一种基于人工智能的车牌识别装置,其特征在于,所述基于人工智能的车牌识别装置包括:
预处理单元,用于响应于接收到的待识别车牌图像,对所述待识别车牌图像进行预处理,得到目标图像;
提取单元,用于通过预先训练的特征提取模型提取所述目标图像的至少一个特征;
识别单元,用于利用预先训练的位置信息提取模型识别每个特征的位置信息,输出与每个特征对应的掩板,其中,所述位置信息提取模型由Mask网络结合Attention机制训练而得到;
反馈单元,用于将每个掩板反馈至所述特征提取模型,输出每个特征的字符信息;
拼接单元,用于拼接所述字符信息作为所述待识别车牌图像的识别结果,并保存所述识别结果至区块链中。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的基于人工智能的车牌识别方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于人工智能的车牌识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594467.9A CN111488876B (zh) | 2020-06-28 | 2020-06-28 | 基于人工智能的车牌识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594467.9A CN111488876B (zh) | 2020-06-28 | 2020-06-28 | 基于人工智能的车牌识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111488876A true CN111488876A (zh) | 2020-08-04 |
CN111488876B CN111488876B (zh) | 2020-10-23 |
Family
ID=71812082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010594467.9A Active CN111488876B (zh) | 2020-06-28 | 2020-06-28 | 基于人工智能的车牌识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111488876B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784569A (zh) * | 2020-09-04 | 2020-10-16 | 平安国际智慧城市科技股份有限公司 | 成对车牌图像及车辆图像的生成方法、装置、介质及设备 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1932837A (zh) * | 2005-09-12 | 2007-03-21 | 电子科技大学 | 基于小波变换和雷登变换的车牌提取方法 |
CN102226907A (zh) * | 2011-05-24 | 2011-10-26 | 武汉嘉业恒科技有限公司 | 基于多特征的车牌定位方法及装置 |
CN104766057A (zh) * | 2015-03-31 | 2015-07-08 | 安徽畅视信息科技有限公司 | 一种基于三值图像的字符识别方法 |
CN107545239A (zh) * | 2017-07-06 | 2018-01-05 | 南京理工大学 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
CN109344825A (zh) * | 2018-09-14 | 2019-02-15 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的车牌识别方法 |
CN109472262A (zh) * | 2018-09-25 | 2019-03-15 | 平安科技(深圳)有限公司 | 车牌识别方法、装置、计算机设备及存储介质 |
CN109492640A (zh) * | 2017-09-12 | 2019-03-19 | 中国移动通信有限公司研究院 | 车牌识别方法、装置及计算机可读存储介质 |
CN109740603A (zh) * | 2019-01-21 | 2019-05-10 | 闽江学院 | 基于cnn卷积神经网络下的车辆字符识别方法 |
CN109815874A (zh) * | 2019-01-17 | 2019-05-28 | 苏州科达科技股份有限公司 | 一种人员身份识别方法、装置、设备及可读存储介质 |
CN109871792A (zh) * | 2019-01-31 | 2019-06-11 | 清华大学 | 行人检测方法和装置 |
CN110163808A (zh) * | 2019-03-28 | 2019-08-23 | 西安电子科技大学 | 一种基于卷积神经网络的单帧高动态成像方法 |
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 |
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 |
CN110490186A (zh) * | 2018-05-15 | 2019-11-22 | 杭州海康威视数字技术股份有限公司 | 车牌识别方法、装置及存储介质 |
US20190362183A1 (en) * | 2018-05-23 | 2019-11-28 | Idemia Identity & Security France | Method for processing a stream of video images |
CN110660066A (zh) * | 2019-09-29 | 2020-01-07 | Oppo广东移动通信有限公司 | 网络的训练方法、图像处理方法、网络、终端设备及介质 |
CN111008632A (zh) * | 2019-10-17 | 2020-04-14 | 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分割方法 |
CN111062381A (zh) * | 2019-10-17 | 2020-04-24 | 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位置检测方法 |
CN111325209A (zh) * | 2018-12-14 | 2020-06-23 | 顺丰科技有限公司 | 一种车牌识别方法和系统 |
-
2020
- 2020-06-28 CN CN202010594467.9A patent/CN111488876B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1932837A (zh) * | 2005-09-12 | 2007-03-21 | 电子科技大学 | 基于小波变换和雷登变换的车牌提取方法 |
CN102226907A (zh) * | 2011-05-24 | 2011-10-26 | 武汉嘉业恒科技有限公司 | 基于多特征的车牌定位方法及装置 |
CN104766057A (zh) * | 2015-03-31 | 2015-07-08 | 安徽畅视信息科技有限公司 | 一种基于三值图像的字符识别方法 |
CN107545239A (zh) * | 2017-07-06 | 2018-01-05 | 南京理工大学 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
CN109492640A (zh) * | 2017-09-12 | 2019-03-19 | 中国移动通信有限公司研究院 | 车牌识别方法、装置及计算机可读存储介质 |
CN110490186A (zh) * | 2018-05-15 | 2019-11-22 | 杭州海康威视数字技术股份有限公司 | 车牌识别方法、装置及存储介质 |
US20190362183A1 (en) * | 2018-05-23 | 2019-11-28 | Idemia Identity & Security France | Method for processing a stream of video images |
CN109344825A (zh) * | 2018-09-14 | 2019-02-15 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的车牌识别方法 |
CN109472262A (zh) * | 2018-09-25 | 2019-03-15 | 平安科技(深圳)有限公司 | 车牌识别方法、装置、计算机设备及存储介质 |
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 |
CN111325209A (zh) * | 2018-12-14 | 2020-06-23 | 顺丰科技有限公司 | 一种车牌识别方法和系统 |
CN109815874A (zh) * | 2019-01-17 | 2019-05-28 | 苏州科达科技股份有限公司 | 一种人员身份识别方法、装置、设备及可读存储介质 |
CN109740603A (zh) * | 2019-01-21 | 2019-05-10 | 闽江学院 | 基于cnn卷积神经网络下的车辆字符识别方法 |
CN109871792A (zh) * | 2019-01-31 | 2019-06-11 | 清华大学 | 行人检测方法和装置 |
CN110163808A (zh) * | 2019-03-28 | 2019-08-23 | 西安电子科技大学 | 一种基于卷积神经网络的单帧高动态成像方法 |
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 |
CN110660066A (zh) * | 2019-09-29 | 2020-01-07 | Oppo广东移动通信有限公司 | 网络的训练方法、图像处理方法、网络、终端设备及介质 |
CN111008632A (zh) * | 2019-10-17 | 2020-04-14 | 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分割方法 |
CN111062381A (zh) * | 2019-10-17 | 2020-04-24 | 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位置检测方法 |
Non-Patent Citations (2)
Title |
---|
包 健等: "神经网络反锐化掩模算法在车牌识别中的应用", 《仪器仪表学报》 * |
陶军: "车牌识别技术研究与实现", 《硕士:论文》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784569A (zh) * | 2020-09-04 | 2020-10-16 | 平安国际智慧城市科技股份有限公司 | 成对车牌图像及车辆图像的生成方法、装置、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111488876B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738212B (zh) | 基于人工智能的交通信号灯识别方法、装置、设备及介质 | |
CN111931729B (zh) | 基于人工智能的行人检测方法、装置、设备及介质 | |
CN112052850A (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
CN111476225B (zh) | 基于人工智能的车内人脸识别方法、装置、设备及介质 | |
CN112447189A (zh) | 语音事件检测方法、装置、电子设备及计算机存储介质 | |
CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
CN111476324A (zh) | 基于人工智能的交通数据标注方法、装置、设备及介质 | |
CN111860377A (zh) | 基于人工智能的直播方法、装置、电子设备及存储介质 | |
CN112446207A (zh) | 标题生成方法、装置、电子设备及存储介质 | |
CN111666415A (zh) | 话题聚类方法、装置、电子设备及存储介质 | |
CN112270244A (zh) | 目标物违规监控方法、装置、电子设备及存储介质 | |
CN111950621A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN113705462A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN113033543A (zh) | 曲形文本识别方法、装置、设备及介质 | |
CN114511038A (zh) | 虚假新闻检测方法、装置、电子设备及可读存储介质 | |
CN114677650B (zh) | 地铁乘客行人违法行为智能分析方法及装置 | |
CN115063589A (zh) | 基于知识蒸馏的车辆部件分割方法及相关设备 | |
CN114550076A (zh) | 区域异常行为监控方法、装置、设备及存储介质 | |
CN111488876B (zh) | 基于人工智能的车牌识别方法、装置、设备及介质 | |
CN112132037A (zh) | 基于人工智能的人行道检测方法、装置、设备及介质 | |
CN113704474A (zh) | 银行网点设备操作指引生成方法、装置、设备及存储介质 | |
CN112115890A (zh) | 基于人工智能的酒驾识别方法、装置、设备及介质 | |
CN113205814A (zh) | 语音数据标注方法、装置、电子设备及存储介质 | |
CN112101191A (zh) | 基于边框注意力网络的表情识别方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |