CN111488883A - 车架号识别方法、装置、计算机设备和存储介质 - Google Patents
车架号识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111488883A CN111488883A CN202010289725.2A CN202010289725A CN111488883A CN 111488883 A CN111488883 A CN 111488883A CN 202010289725 A CN202010289725 A CN 202010289725A CN 111488883 A CN111488883 A CN 111488883A
- Authority
- CN
- China
- Prior art keywords
- frame number
- recognition result
- image
- recognition
- network
- 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 84
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 27
- 230000011218 segmentation Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012805 post-processing Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003550 marker Substances 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
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Character Discrimination (AREA)
Abstract
本申请涉及一种车架号识别方法、装置、计算机设备和存储介质。该方法包括：获取待检测的车架号图像；将车架号图像输入车架号检测模型，得到车架号的区域图像；采用车架号识别模型对区域图像进行识别，得到第一识别结果和第二识别结果；车架号识别模型为根据带有像素标记标签和字符串标签的训练样本进行训练所得到的；根据第一识别结果和第二识别结果，确定车架号图像的车架号识别结果。该方法能够大大提高车架号识别结果的准确性。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种车架号识别方法、装置、计算机设备和存储介质。
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，城市机动车持有量迅速增长，机动车车辆的年检工作量也随之增加。根据车辆年检工作的要求，需要识别并判断待检车辆当前的车架号是否与监管系统中的信息一致，若由年检工作人员对待检车辆的车架号进行一一识别，无疑是非常耗时耗力的。
目前，计算机技术的发展也非常迅速，传统技术中已有采用计算机技术对待检车辆的车架号进行识别的方法。通常为基于场景分割的识别方法，通过对车架号字符进行像素级的分割，得到每个像素的字符类别，再将每个像素的类别进行划分后处理，进而得到车架号字符的识别结果。
但是，传统技术中需要对每个像素点的类别进行划分后处理，若车架号前后两个(或多个)字符为同一种时，像素的类别也是同一种，在后处理时一般无法将其进行准确划分，导致识别结果误差较大。
发明内容
基于此，有必要针对传统技术中车架号识别结果误差较大的问题，提供一种车架号识别方法、装置、计算机设备和存储介质。
一种车架号识别方法，该方法包括：
获取待检测的车架号图像；
将车架号图像输入车架号检测模型，得到车架号的区域图像；
采用车架号识别模型对区域图像进行识别，得到第一识别结果和第二识别结果；车架号识别模型为根据带有像素标记标签和字符串标签的训练样本进行训练所得到的；
根据第一识别结果和第二识别结果，确定车架号图像的车架号识别结果。
在其中一个实施例中，车架号识别模型包括基网络、反卷积网络和长短记忆LSTM网络；反卷积网络和LSTM网络分别与基网络连接。
在其中一个实施例中，采用车架号识别模型对区域图像进行识别，得到第一识别结果和第二识别结果，包括：
将区域图像输入车架号识别模型，通过反卷积网络输出区域图像中每个像素点的字符类别，通过LSTM网络输出区域图像中车架号字符串的第二识别结果；
对每个像素点的字符类别进行统计划分，得到车架号字符串的第一识别结果。
在其中一个实施例中，训练样本还包括样本区域图像；上述车架号识别模型的训练方法包括：
将样本区域图像输入初始车架号识别模型，得到预测字符串识别结果和每个像素点的预测字符类别；
计算预测字符类别和像素标记标签之间的第一损失，以及预测字符串识别结果和字符串标签之间的第二损失；
根据第一损失调整初始车架号识别模型中反卷积网络的网络参数，根据第二损失调整初始车架号识别模型中LSTM网络的网络参数，根据第一损失和第二损失调整初始车架号识别模型中基网络的网络参数；以此迭代训练，得到车架号识别模型。
在其中一个实施例中，根据第一识别结果和第二识别结果，确定车架号图像的车架号识别结果，包括：
计算第一识别结果和第二识别结果之间的编辑距离；
若编辑距离小于预设阈值，则将第二识别结果确定为车架号识别结果。
在其中一个实施例中，上述方法还包括：
若编辑距离大于或者等于预设阈值，将区域图像旋转180°，得到旋转区域图像；
采用车架号识别模型对旋转区域图像进行识别，得到第三识别结果和第四识别结果；
根据第三识别结果和第四识别结果，确定车架号图像的车架号识别结果。
在其中一个实施例中，在得到车架号的区域图像之后，采用车架号识别模型对区域图像进行识别之前，上述方法还包括：
获取区域图像中车架号的最上边缘直线和最下边缘直线；
计算最上边缘直线与水平线的第一夹角，以及最下边缘直线与水平线的第二夹角；
根据第一夹角与第二夹角，对区域图像进行旋转矫正。
一种车架号识别装置，该装置包括：
获取模块，用于获取待检测的车架号图像；
检测模块，用于将车架号图像输入车架号检测模型，得到车架号的区域图像；
识别模块，用于采用车架号识别模型对区域图像进行识别，得到第一识别结果和第二识别结果；车架号识别模型为根据带有像素标记标签和字符串标签的训练样本进行训练所得到的；
确定模块，用于根据第一识别结果和第二识别结果，确定车架号图像的车架号识别结果。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行该计算机程序时实现以下步骤：
获取待检测的车架号图像；
将车架号图像输入车架号检测模型，得到车架号的区域图像；
采用车架号识别模型对区域图像进行识别，得到第一识别结果和第二识别结果；车架号识别模型为根据带有像素标记标签和字符串标签的训练样本进行训练所得到的；
根据第一识别结果和第二识别结果，确定车架号图像的车架号识别结果。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待检测的车架号图像；
将车架号图像输入车架号检测模型，得到车架号的区域图像；
采用车架号识别模型对区域图像进行识别，得到第一识别结果和第二识别结果；车架号识别模型为根据带有像素标记标签和字符串标签的训练样本进行训练所得到的；
根据第一识别结果和第二识别结果，确定车架号图像的车架号识别结果。
上述车架号识别方法、装置、计算机设备和存储介质，能够首先将获取的车架号图像输入车架号检测模型，得到车架号的区域图像，然后采用车架号识别模型对区域图像进行识别，得到第一识别结果和第二识别结果，并根据第一识别结果和第二识别结果确定最终的车架号识别结果。该方法中，车架号识别模型为根据带有像素标记标签和字符串标签的训练样本进行训练所得到的，则得到的第一识别结果和第二识别结果为从不同识别角度对车架号进行识别得到的结果；通过将第一识别结果和第二识别结果进行比对判断两者是否相同(或相似)，即判断从不同识别角度得到的结果是否相同(或相似)，这样可以避免仅从某一识别角度对车架号进行识别时，因识别过程存在误差而导致的车架号识别结果不准确的问题，从而大大提高了车架号识别结果的准确性。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中车架号识别方法的流程示意图；
图2a为一个实施例中ResNet-18网络的结构示意图；
图2b为一个实施例中车架号识别模型的结构示意图；
图3为另一个实施例中车架号识别方法的流程示意图；
图3a为一个实施例中车架号识别模型的处理流程示意图；
图4为一个实施例中车架号识别模型的训练过程示意图；
图5为又一个实施例中车架号识别方法的流程示意图；
图6为又一个实施例中车架号识别方法的流程示意图；
图7为又一个实施例中车架号识别方法的流程示意图；
图8为一个实施例中车架号识别装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的车架号识别方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选地，该计算机设备还可以包括通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端通过网络连接通信。可选地，该计算机设备可以是个人计算机(personal computer，简称PC)，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑(portable android device，简称PAD)、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
在一个实施例中，如图2所示，提供了一种车架号识别方法，以该方法应用于图1中的计算机设备为例进行说明，本实施例涉及的是对待检测的车架号图像进行检测识别，以得到车架号识别结果的具体过程，该方法包括以下步骤：
S101，获取待检测的车架号图像。
具体地，车辆的车架号可以位于在驾驶员侧的仪表盘上、或位于驾驶员侧车门内的不干胶或铭牌上、或位于车门的框基上，执勤交警或车辆年检人员(统称为用户)可以从待检测车辆上拍摄到车架号图像，然后通过客户端将车架号图像发送至目标服务站，计算机设备便可以从该目标服务站获取待检测的车架号图像。
可选地，计算机设备可以实时从目标服务站获取待检测的车架号图像，也可以以固定的时间间隔从目标服务站获取待检测的车架号图像，本实施例对此不做限制。
S102，将车架号图像输入车架号检测模型，得到车架号的区域图像。
具体地，计算机设备将获取的车架号图像输入训练完成的车架号检测模型中，在本实施例中，车架号检测模型用于检测车架号图像中的车架号区域，若车架号图像中不存在车架号区域，则可以停止本次识别过程，并确定该待检测的车架号图像为异常图像，可以输出此异常结果；若存在车架号区域，则计算机设备可以从车架号图像中截图对应的车架号的区域图像。可选地，若该车架号图像中存在车架号区域，计算机设备还可以对该区域进行矩形框标记，然后根据标记的矩形框截取车架号的区域图像。
可选地，上述车架号检测模型可以为神经网络模型，如卷积神经网络、循环神经网络等。可选地，该车架号检测模型可以为CTD文本检测网络，该CTD网络可以包括基网络、区域生成网络(Region Proposal Network，RPN)和回归模块；因为车架号的特征比较明显，所以基网络可以采用ResNet-18网络，RPN网络和回归模块分别连接到基网络上，RPN网络用于产生粗略车架号的候选框，回归模块对粗略结果进行精调，使检测结果更加准确。计算机设备将车架号图像输入CTD网络后，经过一系列的卷积层、池化层和全连接层等的处理操作，可以得到该车架号图像中的车架号区域。可选地，本实施例中，车架号检测模型的训练方式可以包括：获取不同拍摄条件(如光照、角度)的车架号图像(使得训练准备的数据更贴合实际的应用场景)；用描点的方式将完整的车架号区域在图像中标出；基于标注好的训练数据，训练车架号检测模型直至达到收敛。
S103，采用车架号识别模型对区域图像进行识别，得到第一识别结果和第二识别结果；车架号识别模型为根据带有像素标记标签和字符串标签的训练样本进行训练所得到的。
具体地，在得到车架号的区域图像后，计算机设备可以采用车架号识别模型对该区域图像进行识别，本实施例中，车架号识别模型是根据带有像素标记标签和字符串标签的训练样本进行训练所得到的，即车架号识别模型可以同时对区域图像进行基于像素点的识别以及整个字符串的识别，进而得到第一识别结果和第二识别结果。其中，基于像素点的识别可以理解为基于场景分割的识别过程，基于整个字符串的识别可以理解为基于文本识别的过程。
可选地，上述车架号识别模型可以为神经网络模型，如卷积神经网络、循环神经网络等。可选地，该车架号识别模型可以包括基网络、反卷积网络和长短记忆LSTM网络，基网络的最后一层特征图分别与反卷积网络和LSTM网络连接。可选地，车架号识别模型的基网络可以采用ResNet-18网络，其网络结构可以参见图2a所示的示意图，车架号识别模型的网络结构可以参见图2b所示的示意图。
S104，根据第一识别结果和第二识别结果，确定车架号图像的车架号识别结果。
具体地，计算机设备可以计算第一识别结果和第二识别结果的相似度，判断第一识别结果和第二识别结果是否相同或相似；若相同或相似，则表征本次识别过程通过，计算机设备可以将上述基于整个字符串的第二识别结果作为车架号图像的车架号识别结果。若第一识别结果与第二识别结果不相同也不相似，则表征本次识别过程不通过，即识别的车架号有异常，可以输出此异常结果。
不难发现，传统技术中包括仅使用场景分割或仅使用文本识别的方法对车架号字符进行识别。其中，仅使用场景分割即通过对车架号字符进行像素级的分割，从而确定每个像素的字符类别，再将这些像素进行组合，得到识别结果；仅使用文本识别即使用循环神经网络直接得到车架号的识别结果。但是，本领域技术人员可以知晓，仅使用场景分割的方案时，因为是基于像素级的分割，当车架号前后字符为同一种时，像素的类别也是同一种，需要额外的后处理来进行划分，若后处理出错，则识别结果也会出错；仅使用文本识别的方案时，循环神经网络容易过拟合，在很多情况下对于倒着的车架号图像也会识别出字符，从而影响判断。本实施例中，在事先不知道车架号图像正反的情况下，利用场景分割不容易过拟合的特点和文本识别输出准确不需要后处理的特点，而针对性地提出的技术方案。具体的，若场景分割的结果和文本识别的结果“相近”，则认为图像是正的，输出文本识别的结果；若结果“相差很大”，则认为图像是反的或者不正确的，且若图像是反的，还可以做进一步的判断。因此可以提升识别的准确率，以满足如今对车辆年检工作效率、准确率的需求。
也即是说，本实施例提供的车架号识别方法，计算机设备首先将获取的车架号图像输入车架号检测模型，得到车架号的区域图像，然后采用车架号识别模型对区域图像进行识别，得到第一识别结果和第二识别结果，并根据第一识别结果和第二识别结果确定最终的车架号识别结果。该方法中，车架号识别模型为根据带有像素标记标签和字符串标签的训练样本进行训练所得到的，则得到的第一识别结果和第二识别结果为从不同识别角度对车架号进行识别得到的结果；通过将第一识别结果和第二识别结果进行比对判断两者是否相同(或相似)，即判断从不同识别角度得到的结果是否相同(或相似)，这样可以避免仅从某一识别角度对车架号进行识别时，因识别过程存在误差而导致的车架号识别结果不准确的问题，从而大大提高了车架号识别结果的准确性。
可选地，在一个实施例中，如图3所示，涉及的是在上述车架号识别模型的网络结构基础上，采用车架号识别模型对区域图像进行识别得到第一识别结果和第二识别结果的具体过程，则S103可以包括：
S201，将区域图像输入车架号识别模型，通过反卷积网络输出区域图像中每个像素点的字符类别，通过LSTM网络输出区域图像中车架号字符串的第二识别结果。
具体地，如图2b所示，计算机设备将区域图像输入车架号识别模型后，经过基网络的特征提取操作后，一方面，经由反卷积网络中的上采样、卷积等操作，可以输出区域图像中每个像素点的字符类别，可选地，全部像素点的字符类别可以以类别标签图进行展示。另一方面，还经由LSTM网络中的反转、合并、全连接等操作，输出区域图像中整个车架号字符串的识别结果，作为第二识别结果。
可选地，针对每个像素点，反卷积网络可以先输出其属于不同字符类别的概率，然后将概率中的最大值所对应的字符类别作为该像素点的类别。
S202，对每个像素点的字符类别进行统计划分，得到车架号字符串的第一识别结果。
具体地，对于反卷积网络输出的每个像素点的字符类别，计算机设备可以先对其进行预处理，比如去除零散噪声，即在某块像素点范围内，大多数像素点的类别都为“L”，只有个别几个像素点的类别为“1”，则将这个别像素点去除。然后计算机设备对每个像素点的字符类别进行统计划分，先统计各像素点的字符类别，如统计哪些像素点的类别为“A”，哪些像素点的类别为“L”等；再对统计后像素点的字符类别进行划分，如某块像素点范围内，像素点的类别都为“A”，则计算机设备将这些像素点合并起来作为字符“A”；另一块像素点范围内，像素点的类别都为“W”，则计算机将这些像素点合并起来作为字符“W”。当计算机设备将所有像素点都划分完后，即得到了一串字符结果，作为第一识别结果。
可选地，在将所有像素点都划分完后，计算机设备可以对其在位置或大小指标上进行后处理，比如去除不合格字符，即标准的车架号字符中，字符“A”的宽度为x，而本次识别得到的字符“A”的宽度为y，则可以将该字符去除。本实施例结合上述车架号识别模型的处理流程可以参见图3a所示的示意图。
本实施例提供的车架号识别方法，计算机设备通过反卷积网络输出区域图像中每个像素点的字符类别，通过LSTM网络输出区域图像中车架号字符串的第二识别结果，然后对每个像素点的字符类别进行统计划分，得到第一识别结果。由此从不同识别角度对车架号进行识别，得到对应的识别结果，为后续能够准确得到车架号识别结果提供良好的数据基础。
可选地，在一个实施例中，上述车架号识别模型在应用之前，还需进行模型训练过程，其中，上述训练样本还包括样本区域图像，如图4所示，该车架号识别模型的训练方法包括：
S301，将样本区域图像输入初始车架号识别模型，得到预测字符串识别结果和每个像素点的预测字符类别。
具体地，计算机设备首先获取大量不同拍摄条件(如光照、角度)的样本区域图像，并对同一张图像进行两种标注，一种是将样本区域图像中的每个字符按类别进行逐像素标记，另一种是将样本区域图像中的完整字符串进行标记。然后计算机设备将样本区域图像输入初始车架号识别模型中，通过模型中的LSTM网络输出预测字符串识别结果，通过模型中的反卷积网络输出每个像素点的预测字符类别，而关于模型的数据处理过程可以参见上述实施例的描述，在此不再赘述。
S302，计算预测字符类别和像素标记标签之间的第一损失，以及预测字符串识别结果和字符串标签之间的第二损失。
具体地，计算机设备可以计算上述每个像素点的预测字符类别与像素标记标签之间的第一损失，以及预测字符串识别结果与字符串标签之间的第二损失。可选地，可以采用交叉熵损失函数计算第一损失，采用CTC损失函数计算第二损失，当然，也可以采用其他类型的损失函数进行计算，本实施例对此不做限制。
S303，根据第一损失调整初始车架号识别模型中反卷积网络的网络参数，根据第二损失调整初始车架号识别模型中LSTM网络的网络参数，根据第一损失和第二损失调整初始车架号识别模型中基网络的网络参数；以此迭代训练，得到车架号识别模型。
具体地，通过上述图2b可知，反卷积网络和LSTM网络都与基网络连接，第一损失为反卷积网络输出结果对应的损失，第二损失为LSTM网络输出结果对应的损失，则计算机设备可以根据第一损失调整反卷积网络分支的网络参数，根据第二损失调整LSTM网络分支的网络参数，并根据第一损失和第二损失同时对基网络的网络参数进行调整。可选地，在对基网络的网络参数进行调整时，还可以设置第一损失和第二损失的权重比，根据不同权重进行调参；可选地，本实施例可以设置权重比为10：1，当然也可以根据需要设置其他的权重比，本实施例对此不做限制。以此迭代训练，直至得到收敛的车架号识别模型。
本实施例提供的车架号识别方法，计算机设备采用样本区域图像、像素标记标签和字符串标签对初始车架号识别模型进行迭代训练，直至得到收敛的车架号识别模型。即通过不断迭代训练，来提高车架号识别模型的精度，以提高得到的车架号识别结果的准确性。
可选地，在一个实施例中，如图5所示，涉及的是根据第一识别结果和第二识别结果确定车架号识别结果的具体过程，则上述S104可以包括：
S401，计算第一识别结果和第二识别结果之间的编辑距离。
S402，若编辑距离小于预设阈值，则将第二识别结果确定为车架号识别结果。
具体地，上述第一识别结果和第二识别结果为从不同识别角度得到的车架号字符串识别结果，计算机设备可以计算两者之间编辑距离。其中，编辑距离是针对二个字符串的差异程度的量化量测，量测方式可以为至少需要多少次的处理才能将一个字符串变成另一个字符串，例如一个字符串为“LA55”，另一个字符串为“LA56”，则其编辑距离为1；一个字符串为“LA55”，另一个字符串为“LA5”，则其编辑距离也为1。若编辑距离小于预设阈值，说明两个识别结果比较接近，识别过程没有异常，则可以将第二识别结果直接作为车架号识别结果。
可选地，若编辑距离大于或者等于预设阈值，则说明第一识别结果和第二识别结果之间的差距比较大，可能某一识别过程具有异常，如车架号图像可能是倒着的，导致车架号识别模型的识别结果有误。则此时计算机设备可以将上述得到的区域图像旋转180°，然后再采用车架号识别模型对旋转区域图像进行识别，得到第三识别结果和第四识别结果，并根据第三识别结果和第四识别结果确定车架号识别结果。其中，关于得到第三识别结果和第四识别结果的过程，以及根据第三识别结果和第四识别结果确定车架号识别结果的过程，可以参见上述实施例中关于第一识别结果和第二识别结果的相关描述，其实现过程类似，在此不再赘述。
进一步地，若根据旋转区域图像进行识别可以得到最终的车架号识别结果，则表示本次识别过程通过；若仍没有得到最终的车架号识别结果，则表示本次识别过程不通过，可以输出此异常结果。
本实施例提供的车架号识别方法，计算机设备首先计算第一识别结果和第二识别结果之间的编辑距离，若编辑距离小于预设阈值，则将第二识别结果确定为车架号识别结果；若编辑距离不小于预设阈值，则将区域图像旋转180°，再次执行车架号识别过程。该方法可以充分考虑到车架号图像存在正放和倒放的情况，当第一次识别不通过时，通过旋转图像再次执行识别过程，可进一步提高车架号识别结果的准确性。
可选地，在一个实施例中，因用户拍摄角度的影响，上述得到的区域图像可能会发生偏转，进而影响识别结果，则本实施例还可以对发生偏转的区域图像进行旋转校正。如图6所示，上述方法还包括：
S501，获取区域图像中车架号的最上边缘直线和最下边缘直线。
具体地，计算机设备可以从区域图像的车架号中取每个字符的最上边缘的一个像素点，由于车架号有17个字符，则共得到17个像素点，将17个点进行直线拟合，得到一条直线，即最上边缘直线。同时，从区域图像的车架号中取每个字符的最下边缘的一个像素点，将17个点进行直线拟合，得到一条直线，即最下边缘直线。
S502，计算最上边缘直线与水平线的第一夹角，以及最下边缘直线与水平线的第二夹角。
S503，根据第一夹角与第二夹角，对区域图像进行旋转矫正。
具体地，计算机设备分别计算上述最上边缘直线与水平线的第一夹角，记为角度A，以及最下边缘直线与水平线的第二夹角，记为角度B。然后根据角度A和角度B确定区域图像的旋转角度；可选地，可以对角度A和角度B求平均值，得到角度C，将角度C作为区域图像的旋转角度。可选地，计算机设备还可以对角度A或角度B加权求值，得到角度C。然后，计算机设备根据上述得到的旋转角度对区域图像进行旋转，使得区域图像中的车架号字符处于与水平线近似平行的位置。可选地，计算机设备可以根据旋转角度对区域图像中像素点的位置坐标进行转换，得到新的位置坐标，并将每个像素点变换到新的位置坐标处，即完成旋转过程。
本实施例提供的车架号识别方法，计算机设备首先获取区域图像中车架号的最上边缘直线和最下边缘直线，然后根据最上边缘直线与水平线的第一夹角、和最下边缘直线与水平线的第二夹角，对区域图像进行旋转矫正。通过将区域图像进行矫正，可以进一步提高后续对车架号字符识别的准确性。
为更好的理解上述车架号识别方法的过程，下面以一个完整实施例方式描述整个处理流程，如图7所示，该方法包括：
S601，获取待检测的车架号图像；
S602，将车架号图像输入车架号检测模型，得到车架号的区域图像；
S603，对区域图像进行旋转矫正；
S604，采用车架号识别模型对区域图像进行识别，得到第一识别结果和第二识别结果；
S605，计算第一识别结果和第二识别结果之间的编辑距离；
S606，判断编辑距离是否小于预设阈值；
S607，若是，则将第二识别结果确定为车架号识别结果；
S608，若否，将区域图像旋转180°，得到旋转区域图像；
S609，采用车架号识别模型对旋转区域图像进行识别，得到第三识别结果和第四识别结果；
S610，根据第三识别结果和第四识别结果，确定车架号图像的车架号识别结果。
关于本实施例中各步骤的实现过程，可以参见上述实施例的描述，其实现原理和技术效果类似，在此不再赘述。
应该理解的是，虽然图2-图7的流程图中各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种车架号识别装置，包括：获取模块11、检测模块12、识别模块13和确定模块14。
具体地，获取模块11，用于获取待检测的车架号图像；
检测模块12，用于将车架号图像输入车架号检测模型，得到车架号的区域图像；
识别模块13，用于采用车架号识别模型对区域图像进行识别，得到第一识别结果和第二识别结果；车架号识别模型为根据带有像素标记标签和字符串标签的训练样本进行训练所得到的；
确定模块14，用于根据第一识别结果和第二识别结果，确定车架号图像的车架号识别结果。
本实施例提供的车架号识别装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，车架号识别模型包括基网络、反卷积网络和长短记忆LSTM网络；反卷积网络和LSTM网络分别与基网络连接。
在一个实施例中，识别模块13，具体用于将区域图像输入车架号识别模型，通过反卷积网络输出区域图像中每个像素点的字符类别，通过LSTM网络输出区域图像中车架号字符串的第二识别结果；对每个像素点的字符类别进行统计划分，得到车架号字符串的第一识别结果。
在一个实施例中，训练样本还包括样本区域图像；上述装置还包括训练模块，用于将样本区域图像输入初始车架号识别模型，得到预测字符串识别结果和每个像素点的预测字符类别；计算预测字符类别和像素标记标签之间的第一损失，以及预测字符串识别结果和字符串标签之间的第二损失；根据第一损失调整初始车架号识别模型中反卷积网络的网络参数，根据第二损失调整初始车架号识别模型中LSTM网络的网络参数，根据第一损失和第二损失调整初始车架号识别模型中基网络的网络参数；以此迭代训练，得到车架号识别模型。
在一个实施例中，上述确定模块14，具体用于计算第一识别结果和第二识别结果之间的编辑距离；若编辑距离小于预设阈值，则将第二识别结果确定为车架号识别结果。
在一个实施例中，上述装置还包括旋转模块，用于若编辑距离大于或者等于预设阈值，将区域图像旋转180°，得到旋转区域图像；识别模块13，还用于采用车架号识别模型对旋转区域图像进行识别，得到第三识别结果和第四识别结果；确定模块14，还用于根据第三识别结果和第四识别结果，确定车架号图像的车架号识别结果。
在一个实施例中，获取模块11，还用于获取区域图像中车架号的最上边缘直线和最下边缘直线；确定模块14，还用于计算最上边缘直线与水平线的第一夹角，以及最下边缘直线与水平线的第二夹角；旋转模块，还用于根据第一夹角与第二夹角，对区域图像进行旋转矫正。
关于车架号识别装置的具体限定可以参见上文中对于车架号识别方法的限定，在此不再赘述。上述车架号识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车架号识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待检测的车架号图像；
将车架号图像输入车架号检测模型，得到车架号的区域图像；
采用车架号识别模型对区域图像进行识别，得到第一识别结果和第二识别结果；车架号识别模型为根据带有像素标记标签和字符串标签的训练样本进行训练所得到的；
根据第一识别结果和第二识别结果，确定车架号图像的车架号识别结果。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，车架号识别模型包括基网络、反卷积网络和长短记忆LSTM网络；反卷积网络和LSTM网络分别与基网络连接。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将区域图像输入车架号识别模型，通过反卷积网络输出区域图像中每个像素点的字符类别，通过LSTM网络输出区域图像中车架号字符串的第二识别结果；
对每个像素点的字符类别进行统计划分，得到车架号字符串的第一识别结果。
在一个实施例中，训练样本还包括样本区域图像；处理器执行计算机程序时还实现以下步骤：
将样本区域图像输入初始车架号识别模型，得到预测字符串识别结果和每个像素点的预测字符类别；
计算预测字符类别和像素标记标签之间的第一损失，以及预测字符串识别结果和字符串标签之间的第二损失；
根据第一损失调整初始车架号识别模型中反卷积网络的网络参数，根据第二损失调整初始车架号识别模型中LSTM网络的网络参数，根据第一损失和第二损失调整初始车架号识别模型中基网络的网络参数；以此迭代训练，得到车架号识别模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
计算第一识别结果和第二识别结果之间的编辑距离；
若编辑距离小于预设阈值，则将第二识别结果确定为车架号识别结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
若编辑距离大于或者等于预设阈值，将区域图像旋转180°，得到旋转区域图像；
采用车架号识别模型对旋转区域图像进行识别，得到第三识别结果和第四识别结果；
根据第三识别结果和第四识别结果，确定车架号图像的车架号识别结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取区域图像中车架号的最上边缘直线和最下边缘直线；
计算最上边缘直线与水平线的第一夹角，以及最下边缘直线与水平线的第二夹角；
根据第一夹角与第二夹角，对区域图像进行旋转矫正。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待检测的车架号图像；
将车架号图像输入车架号检测模型，得到车架号的区域图像；
采用车架号识别模型对区域图像进行识别，得到第一识别结果和第二识别结果；车架号识别模型为根据带有像素标记标签和字符串标签的训练样本进行训练所得到的；
根据第一识别结果和第二识别结果，确定车架号图像的车架号识别结果。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，车架号识别模型包括基网络、反卷积网络和长短记忆LSTM网络；反卷积网络和LSTM网络分别与基网络连接。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将区域图像输入车架号识别模型，通过反卷积网络输出区域图像中每个像素点的字符类别，通过LSTM网络输出区域图像中车架号字符串的第二识别结果；
对每个像素点的字符类别进行统计划分，得到车架号字符串的第一识别结果。
在一个实施例中，训练样本还包括样本区域图像；计算机程序被处理器执行时还实现以下步骤：
将样本区域图像输入初始车架号识别模型，得到预测字符串识别结果和每个像素点的预测字符类别；
计算预测字符类别和像素标记标签之间的第一损失，以及预测字符串识别结果和字符串标签之间的第二损失；
根据第一损失调整初始车架号识别模型中反卷积网络的网络参数，根据第二损失调整初始车架号识别模型中LSTM网络的网络参数，根据第一损失和第二损失调整初始车架号识别模型中基网络的网络参数；以此迭代训练，得到车架号识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
计算第一识别结果和第二识别结果之间的编辑距离；
若编辑距离小于预设阈值，则将第二识别结果确定为车架号识别结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若编辑距离大于或者等于预设阈值，将区域图像旋转180°，得到旋转区域图像；
采用车架号识别模型对旋转区域图像进行识别，得到第三识别结果和第四识别结果；
根据第三识别结果和第四识别结果，确定车架号图像的车架号识别结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取区域图像中车架号的最上边缘直线和最下边缘直线；
计算最上边缘直线与水平线的第一夹角，以及最下边缘直线与水平线的第二夹角；
根据第一夹角与第二夹角，对区域图像进行旋转矫正。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车架号识别方法，其特征在于，所述方法包括：
获取待检测的车架号图像；
将所述车架号图像输入车架号检测模型，得到车架号的区域图像；
采用车架号识别模型对所述区域图像进行识别，得到第一识别结果和第二识别结果；所述车架号识别模型为根据带有像素标记标签和字符串标签的训练样本进行训练所得到的；
根据所述第一识别结果和所述第二识别结果，确定所述车架号图像的车架号识别结果。
2.根据权利要求1所述的方法，其特征在于，所述车架号识别模型包括基网络、反卷积网络和长短记忆LSTM网络；所述反卷积网络和所述LSTM网络分别与所述基网络连接。
3.根据权利要求2所述的方法，其特征在于，所述采用车架号识别模型对所述区域图像进行识别，得到第一识别结果和第二识别结果，包括：
将所述区域图像输入所述车架号识别模型，通过所述反卷积网络输出所述区域图像中每个像素点的字符类别，通过所述LSTM网络输出所述区域图像中车架号字符串的第二识别结果；
对所述每个像素点的字符类别进行统计划分，得到所述车架号字符串的第一识别结果。
4.根据权利要求2所述的方法，其特征在于，所述训练样本还包括样本区域图像；所述车架号识别模型的训练方法包括：
将所述样本区域图像输入初始车架号识别模型，得到预测字符串识别结果和每个像素点的预测字符类别；
计算所述预测字符类别和所述像素标记标签之间的第一损失，以及所述预测字符串识别结果和所述字符串标签之间的第二损失；
根据所述第一损失调整所述初始车架号识别模型中反卷积网络的网络参数，根据所述第二损失调整所述初始车架号识别模型中LSTM网络的网络参数，根据所述第一损失和所述第二损失调整所述初始车架号识别模型中基网络的网络参数；以此迭代训练，得到所述车架号识别模型。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述第一识别结果和所述第二识别结果，确定所述车架号图像的车架号识别结果，包括：
计算所述第一识别结果和所述第二识别结果之间的编辑距离；
若所述编辑距离小于预设阈值，则将所述第二识别结果确定为所述车架号识别结果。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
若所述编辑距离大于或者等于所述预设阈值，将所述区域图像旋转180°，得到旋转区域图像；
采用所述车架号识别模型对所述旋转区域图像进行识别，得到第三识别结果和第四识别结果；
根据所述第三识别结果和所述第四识别结果，确定所述车架号图像的车架号识别结果。
7.根据权利要求1所述的方法，其特征在于，在所述得到车架号的区域图像之后，采用车架号识别模型对所述区域图像进行识别之前，所述方法还包括：
获取所述区域图像中车架号的最上边缘直线和最下边缘直线；
计算所述最上边缘直线与水平线的第一夹角，以及所述最下边缘直线与水平线的第二夹角；
根据所述第一夹角与所述第二夹角，对所述区域图像进行旋转矫正。
8.一种车架号识别装置，其特征在于，所述装置包括：
获取模块，用于获取待检测的车架号图像；
检测模块，用于将所述车架号图像输入车架号检测模型，得到车架号的区域图像；
识别模块，用于采用车架号识别模型对所述区域图像进行识别，得到第一识别结果和第二识别结果；所述车架号识别模型为根据带有像素标记标签和字符串标签的训练样本进行训练所得到的；
确定模块，用于根据所述第一识别结果和所述第二识别结果，确定所述车架号图像的车架号识别结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010289725.2A CN111488883A (zh) | 2020-04-14 | 2020-04-14 | 车架号识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010289725.2A CN111488883A (zh) | 2020-04-14 | 2020-04-14 | 车架号识别方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111488883A true CN111488883A (zh) | 2020-08-04 |
Family
ID=71811750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010289725.2A Pending CN111488883A (zh) | 2020-04-14 | 2020-04-14 | 车架号识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111488883A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215221A (zh) * | 2020-09-22 | 2021-01-12 | 国交空间信息技术（北京）有限公司 | 一种车架号自动识别方法 |
| CN112541910A (zh) * | 2020-12-23 | 2021-03-23 | 中国工程物理研究院机械制造工艺研究所 | 基于深度学习的端面间隙检测方法、装置、设备及介质 |
| CN112743993A (zh) * | 2020-09-16 | 2021-05-04 | 哈尔滨工业大学（深圳） | 打印信息的安全输出方法、装置、终端设备及介质 |
| CN113569710A (zh) * | 2021-07-23 | 2021-10-29 | 北京声智科技有限公司 | 电梯阻车方法、装置、摄像设备、存储介质及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018028230A1 (zh) * | 2016-08-10 | 2018-02-15 | 东方网力科技股份有限公司 | 一种基于深度学习的车牌字符分割方法、装置及存储介质 |
| CN107977353A (zh) * | 2017-10-12 | 2018-05-01 | 北京知道未来信息技术有限公司 | 一种基于lstm-cnn的混合语料命名实体识别方法 |
| CN109117848A (zh) * | 2018-09-07 | 2019-01-01 | 泰康保险集团股份有限公司 | 一种文本行字符识别方法、装置、介质和电子设备 |
| CN109271967A (zh) * | 2018-10-16 | 2019-01-25 | 腾讯科技（深圳）有限公司 | 图像中文本的识别方法及装置、电子设备、存储介质 |
| WO2019192397A1 (zh) * | 2018-04-04 | 2019-10-10 | 华中科技大学 | 一种任意形状的场景文本端到端识别方法 |
| CN110503204A (zh) * | 2018-05-17 | 2019-11-26 | 国际商业机器公司 | 识别用于机器学习任务的迁移模型 |
| CN110619330A (zh) * | 2019-09-18 | 2019-12-27 | 上海眼控科技股份有限公司 | 识别模型的训练方法、装置、计算机设备及识别方法 |
-
2020
- 2020-04-14 CN CN202010289725.2A patent/CN111488883A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018028230A1 (zh) * | 2016-08-10 | 2018-02-15 | 东方网力科技股份有限公司 | 一种基于深度学习的车牌字符分割方法、装置及存储介质 |
| CN107977353A (zh) * | 2017-10-12 | 2018-05-01 | 北京知道未来信息技术有限公司 | 一种基于lstm-cnn的混合语料命名实体识别方法 |
| WO2019192397A1 (zh) * | 2018-04-04 | 2019-10-10 | 华中科技大学 | 一种任意形状的场景文本端到端识别方法 |
| CN110503204A (zh) * | 2018-05-17 | 2019-11-26 | 国际商业机器公司 | 识别用于机器学习任务的迁移模型 |
| CN109117848A (zh) * | 2018-09-07 | 2019-01-01 | 泰康保险集团股份有限公司 | 一种文本行字符识别方法、装置、介质和电子设备 |
| CN109271967A (zh) * | 2018-10-16 | 2019-01-25 | 腾讯科技（深圳）有限公司 | 图像中文本的识别方法及装置、电子设备、存储介质 |
| CN110619330A (zh) * | 2019-09-18 | 2019-12-27 | 上海眼控科技股份有限公司 | 识别模型的训练方法、装置、计算机设备及识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZHENGWEI BAI 等: "Deep Learning Based Motion Planning For Autonomous Vehicle Using Spatiotemporal LSTM Network" * |
| 廖健: "基于深度卷积神经网络的货车车号识别研究" * |
| 蔡梦倩 等: "基于全卷积网络的数字仪表字符识别方法" * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112743993A (zh) * | 2020-09-16 | 2021-05-04 | 哈尔滨工业大学（深圳） | 打印信息的安全输出方法、装置、终端设备及介质 |
| CN112743993B (zh) * | 2020-09-16 | 2021-10-01 | 哈尔滨工业大学（深圳） | 打印信息的安全输出方法、装置、终端设备及介质 |
| CN112215221A (zh) * | 2020-09-22 | 2021-01-12 | 国交空间信息技术（北京）有限公司 | 一种车架号自动识别方法 |
| CN112541910A (zh) * | 2020-12-23 | 2021-03-23 | 中国工程物理研究院机械制造工艺研究所 | 基于深度学习的端面间隙检测方法、装置、设备及介质 |
| CN112541910B (zh) * | 2020-12-23 | 2023-07-11 | 中国工程物理研究院机械制造工艺研究所 | 基于深度学习的端面间隙检测方法、装置、设备及介质 |
| CN113569710A (zh) * | 2021-07-23 | 2021-10-29 | 北京声智科技有限公司 | 电梯阻车方法、装置、摄像设备、存储介质及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111488883A (zh) | 车架号识别方法、装置、计算机设备和存储介质 | |
| CN111860319B (zh) | 车道线的确定方法、定位精度的评测方法、装置、设备 | |
| CN110163248B (zh) | 模型评估的可视化方法、装置、计算机设备和存储介质 | |
| CN110751149A (zh) | 目标对象标注方法、装置、计算机设备和存储介质 | |
| CN110569856A (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
| CN113091757B (zh) | 地图生成方法和装置 | |
| CN109858327B (zh) | 一种基于深度学习的字符分割方法 | |
| CN110516559B (zh) | 适用于精准监控的目标跟踪方法及装置、计算机设备 | |
| CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
| CN111814716A (zh) | 印章去除方法、计算机设备和可读存储介质 | |
| CN110807409A (zh) | 人群密度检测模型训练方法和人群密度检测方法 | |
| CN114092903A (zh) | 车道线标注、检测模型确定、车道线检测方法及相关设备 | |
| CN111832561B (zh) | 基于计算机视觉的字符序列识别方法、装置、设备和介质 | |
| CN113034514A (zh) | 天空区域分割方法、装置、计算机设备和存储介质 | |
| CN110717449A (zh) | 车辆年检人员的行为检测方法、装置和计算机设备 | |
| CN111241974B (zh) | 票据信息获取方法、装置、计算机设备和存储介质 | |
| CN112241705A (zh) | 基于分类回归的目标检测模型训练方法和目标检测方法 | |
| CN111401362A (zh) | 车辆vin码的篡改检测方法、装置、设备和存储介质 | |
| CN111259971A (zh) | 车辆信息检测方法、装置、计算机设备及可读存储介质 | |
| CN111583264A (zh) | 图像分割网络的训练方法、图像分割方法和存储介质 | |
| CN111368728A (zh) | 安全监测方法、装置、计算机设备和存储介质 | |
| US9946918B2 (en) | Symbol detection for desired image reconstruction | |
| CN112444251A (zh) | 车辆行车位置确定方法、装置、存储介质及计算机设备 | |
| CN113538291A (zh) | 卡证图像倾斜校正方法、装置、计算机设备和存储介质 | |
| CN111161303A (zh) | 标记方法、装置、计算机设备和存储介质 |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240920 |