CN111553368A - 伪造车牌的识别方法、训练方法、装置、设备及存储介质 - Google Patents

伪造车牌的识别方法、训练方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111553368A
CN111553368A CN202010398087.8A CN202010398087A CN111553368A CN 111553368 A CN111553368 A CN 111553368A CN 202010398087 A CN202010398087 A CN 202010398087A CN 111553368 A CN111553368 A CN 111553368A
Authority
CN
China
Prior art keywords
character
license plate
picture
standard
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
Application number
CN202010398087.8A
Other languages
English (en)
Inventor
周康明
蒋章
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.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control 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 Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN202010398087.8A priority Critical patent/CN111553368A/zh
Publication of CN111553368A publication Critical patent/CN111553368A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Character Discrimination (AREA)

Abstract

本公开提供的伪造车牌的识别方法、训练方法、装置、设备及存储介质，包括：将包括车牌的原图片输入字符分割网络，通过字符分割网络输出原图片中包括的字符图片；将字符图片输入字符识别网络，通过字符识别网络输出字符图片对应的字符信息；根据字符信息确定原图片中的车牌是否为伪造车牌。本公开提供的车牌的识别方法、训练方法、装置、设备及存储介质中，可以直接对车牌中包括的各个字符进行识别，确定车牌中的字符是否符合真实车牌中的字符规则，若不符合，则可以将其认定为伪造车牌，本公开提供的车牌的识别方法、训练方法、装置、设备及存储介质不依赖于数据库，不需要在数据库中查询大量的数据，从而能够缩短识别时间，提高识别效率。

Description

伪造车牌的识别方法、训练方法、装置、设备及存储介质
技术领域
本公开涉及人工智能技术，尤其涉及一种伪造车牌的识别方法、训练方法、装置、设备及存储介质。
背景技术
目前的车辆上都设置有车牌，车牌可以被作为车辆的唯一标识。对于一辆车的责任认定也都基于车牌。但是，有很多司机为了逃避处罚，会篡改车牌，导致无法准确的对车辆进行追责。
现有技术中，可以识别车牌号，再与数据库中的车牌号以及车辆信息比对，通过确定是否匹配来确定一辆车的车牌号是否是伪造的。另外，还可以由工作人员通过肉眼识别来确定一辆车的车牌号是否是伪造的。
但是，通过数据库中的资源确定车辆号牌真伪需要大量的时间和资源，肉眼识别的方式效率太低，无法有效的查找伪造号牌。
发明内容
本公开提供一种伪造车牌的识别方法、训练方法、装置、设备及存储介质，以解决现有技术中识别车辆号牌真伪的方式效率低的问题。
本公开的第一个方面是提供一种伪造车牌的识别方法，包括：
将包括车牌的原图片输入字符分割网络，通过所述字符分割网络输出所述原图片中包括的字符图片；
将所述字符图片输入字符识别网络，通过所述字符识别网络输出所述字符图片对应的字符信息；
根据所述字符信息确定所述原图片中的车牌是否为伪造车牌。
本公开的第二个方面是提供一种模型训练方法，包括：
对包括车牌的训练图片进行分割，得到其中包括的字符图片，利用所述原图片及其对应的字符图片训练字符分割网络；
利用包括车牌的所述训练图片的车牌类别训练车牌分类网络，其中，预先标注有所述训练图片对应的所述车牌类别；
利用所述字符图片对应的字符信息训练字符识别网络，其中，预先标注有与所述字符图片对应的所述字符信息；
所述字符分割网络用于对包括车牌的原图片进行分割，得到所述原图片中的字符图片，所述车牌分类网络用于对所述原图片进行分类，确定所述原图片中的车牌类别，所述字符识别网络用于对字符图片进行识别，确定所述字符图片对应的字符信息。
本公开的第三个方面是提供一种伪造车牌的识别装置，包括：
分割模块，用于将包括车牌的原图片输入字符分割网络，通过所述字符分割网络输出所述原图片中包括的字符图片；
识别模块，用于将所述字符图片输入字符识别网络，通过所述字符识别网络输出所述字符图片对应的字符信息；
确定模块，用于根据所述字符信息确定所述原图片中的车牌是否为伪造车牌。
本公开的第四个方面是提供一种模型训练装置，包括：
分割网络训练模块，用于对包括车牌的训练图片进行分割，得到其中包括的字符图片，利用所述原图片及其对应的字符图片训练字符分割网络；
分类网络训练模块，用于利用包括车牌的所述训练图片的车牌类别训练车牌分类网络，其中，预先标注有所述训练图片对应的所述车牌类别；
识别网络训练模块，用于利用所述字符图片对应的字符信息训练字符识别网络，其中，预先标注有与所述字符图片对应的所述字符信息；
所述字符分割网络用于对包括车牌的原图片进行分割，得到所述原图片中的字符图片，所述车牌分类网络用于对所述原图片进行分类，确定所述原图片中的车牌类别，所述字符识别网络用于对字符图片进行识别，确定所述字符图片对应的字符信息。
本公开的第五个方面是提供一种电子设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如第一方面所述的伪造车牌的识别方法或如第二方面所述的模型训练方法。
本公开第六个方面是提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现如第一方面所述的伪造车牌的识别方法或如第二方面所述的模型训练方法。
本公开提供的伪造车牌的识别方法、训练方法、装置、设备及存储介质，包括：将包括车牌的原图片输入字符分割网络，通过字符分割网络输出原图片中包括的字符图片；将字符图片输入字符识别网络，通过字符识别网络输出字符图片对应的字符信息；根据字符信息确定原图片中的车牌是否为伪造车牌。本公开提供的车牌的识别方法、训练方法、装置、设备及存储介质中，可以直接对车牌中包括的各个字符进行识别，确定车牌中的字符是否符合真实车牌中的字符规则，若不符合，则可以将其认定为伪造车牌，本公开提供的车牌的识别方法、训练方法、装置、设备及存储介质不依赖于数据库，不需要在数据库中查询大量的数据，从而能够缩短识别时间，提高识别效率。
附图说明
图1为本申请一示例性实施例示出的应用场景示意图；
图2为本申请一示例性实施例示出的伪造车牌的识别方法的流程图；
图3为本申请一示例性实施例示出的原图片示意图；
图4为本申请另一示例性实施例示出的伪造车牌的识别方法的流程图；
图5为本申请一示例性实施例示出的模型训练方法的流程图；
图6为本申请一示例性实施例示出的伪造车牌的识别装置的结构图；
图7为本申请另一示例性实施例示出的伪造车牌的识别装置的结构图；
图8为本申请一示例性实施例示出的模型训练装置的结构图；
图9为本申请一示例性实施例示出的电子设备的结构图。
具体实施方式
目前，在查处司机的违章或违法行为时，主要是依靠车辆的车牌号进行追责。比如车牌号A对应的登记人是甲，那么在车牌号A对应的车辆违章时，应由甲负责。
有些司机为了逃避责任，会伪造号牌以躲避处罚。例如，在真实号牌基础上进行修改，再例如，直接给车辆悬挂假号牌。因此，需要识别伪造号牌，从而避免司机逃避处罚。
现有技术中，可以由交管部门的警官在道路中通过肉眼观察的方式识别伪造号牌，但是这种方式的效率太低，且需要耗费大量的人力资源。
现有技术中，还可以通过自动化的手段识别车牌号，再在数据库中查询是否存在该车牌号，若存在，再进一步的比对实际的车辆信息与数据库中的车辆信息，并根据比对结果确定该号牌是否是伪造的。但是，这种方式需要从数据库中读取数据并进行比对，需要大量的时间和资源。
因此，本申请提供一种伪造车牌的识别方案，能够高效的识别出车牌是否是伪造的。本申请的方案中，可以采集包括车牌的原图片，再通过字符分割网络对原图片进行分割，得到一个个的字符图片。将字符图片输入字符识别网络，从而利用字符识别网络识别每个字符图片对应的字符信息，从而可以根据字符信息确定原图片中的车牌是否是伪造的。这种方式可以直接对车牌图片进行处理并识别，无需从数据库中读取大量的数据，从而能够提高识别速度。
图1为本申请一示例性实施例示出的应用场景示意图。
如图1所示，在道路中可以设置摄像头11，通过摄像头拍摄图片。
可以在摄像头11中设置处理模块12，也可以通过网络连接摄像头11与处理模块12，即二者可以集成设置，也可以分体设置。
摄像头11可以将拍摄的待识别图片发送给处理模块12。处理模块12可以再基于现有技术中的方法，从待识别图片中截取包括车牌号的原图片，例如截取到车牌的外接矩形框。
处理模块12中还可以设置本实施例提供的方法，通过本实施例的方法对包括车牌号的原图片进行处理，识别该原图片中的车牌是否为伪造车牌。
上述摄像头可以设置在固定位置，例如龙门架上，还可以设置在移动设备上，例如设置在巡检车上，本实施例不对此进行限制。
图2为本申请一示例性实施例示出的伪造车牌的识别方法的流程图。
如图2所示，本实施例提供的伪造车牌的识别方法包括：
步骤201，将包括车牌的原图片输入字符分割网络，通过字符分割网络输出原图片中包括的字符图片。
本实施例提供的方法可以由具备计算能力的电子设备执行，例如可以是图1中所示出的处理模块。电子设备的具体形态可以是单台计算机，还可以是由多台计算机组成的集群服务器，电子设备还可以是云服务器，本实施例不对此进行限制。
其中，一种实施方式中，电子设备可以接收摄像头拍摄的待识别图片，并利用已有的方法对其进行处理，得到包括车牌的原图片。
在另一种实施方式中，可以由另一电子设备对摄像头拍摄的图片进行处理得到包括车牌的原图片，并将原图片发送给用于执行本实施例提供的方法的电子设备。
具体的，在电子设备中可以设置字符分割网络，该字符分割网络可以是预先训练得到的。字符分割网络能够对输入的图片进行分割，提取其中包括字符的图片。例如，可以在图片中扣取单个字符最小外接矩形框，并将扣取的部分作为一个字符图片。
进一步的，电子设备可以将包括车牌的原图片输入该字符分割网络，字符分割网络能够输出一个个包括字符的字符图片。
图3为本申请一示例性实施例示出的原图片示意图。
如图3所示，在原图片中包括车牌，可以将该原图片输入字符分割网络，字符分割网络能够分割出31、32等的字符图片。
实际应用时，可以预先收集包括车牌的训练图片，并在其中标注出包括字符的范围，比如框选出每个字符对应的最小边框。利用这些训练图片和标注数据对字符分割网络进行训练，以使其能够准确的对原图片进行处理，分割出字符图片。
其中，字符分割网络例如可以是CRAFT文本检测模型。
其中，通过字符分割网络还可以确定字符图片对应的信息，比如，一字符图片中字符的中心位置。从而通过字符图片中字符的中心位置，以及字符图片在整个图片中的位置，确定出各个字符在图片中的相对位置。比如第一个字符的中心位置是P1，第二个字符的中心位置是P2等。
具体的，在训练字符分割网络时，可以标注原图片中各个字符的角点坐标以及字符的长宽，通过这样的标注信息对字符分割网络进行训练，能够得到具有识别字符位置能力的字符分割网络。从而使字符分割网络对原图片进行处理时，不仅能够分割出字符图片，还能够确定各个字符图片对应的字符位置信息。
步骤202，将字符图片输入字符识别网络，通过字符识别网络输出字符图片对应的字符信息。
其中，电子设备中还可以预先设置字符识别网络。字符识别网络能够识别输入图片中包括的字符对应的信息。
进一步的，电子设备可以通过字符分割网络输出所述原图片中包括的字符图片，再将每个字符图片输入字符识别网络，从而通过字符识别网络输出每个字符图片对应的字符信息。
实际应用时，字符信息例如可以包括字符内容，即通过字符识别网络能够确定一个字符图片中包括的字符是什么，比如可以是1，还可以是字母B等。
其中，字符信息例如可以包括字符真伪信息。字符若为真，则说明字符图片中的字符符合真实车牌中的字符规则，若字符为伪，则说明该字符与真实车牌中的字符不符，该字符是伪造的。
其中，电子设备将字符图片输入字符识别网络时，还可以标注出字符识别网络对应的原图片标识，从而使字符识别网络确定哪些字符图片是属于一张原图片的。
进一步的，字符识别网络可以通过训练得到。可以对收集的车牌图片进行分割处理得到一个个的训练字符图片，并对其进行标注。具体的标注内容可以是“真”或“伪”，比如可以用1代表真，用0代表伪；例如，可以收集真实车牌的图片，从中获取的训练字符图片可以标记为1，还可以收集伪造车牌的图片，对于其中伪造的字符，可以将对应的训练字符图片标记为0。通过标注有这些信息的训练字符图片对字符识别网络进行训练，能够使其识别字符图片中的字符是否符合真实车牌的规则。
实际应用时，训练字符识别网络时，训练字符图片的标记信息还可以包括字符内容。比如一个训练字符图片的内容是1，另一个训练字符图片的内容是挂等。通过标注有这些信息的训练字符图片对字符识别网络进行训练，能够使其识别字符图片中具体是什么字符。
步骤203，根据字符信息确定原图片中的车牌是否为伪造车牌。
其中，可以根据字符信息，确定一个字符图片中的字符是否符合真实车牌的规则。从而确定包括该字符图片的原图片中的车牌是否是真实车牌。
具体的，若字符信息不符合真实车牌的规则，则可以确定包括该字符图片的原图片中是伪造车牌。
进一步的，当字符信息包括真伪信息时，若字符信息为伪，则说明字符图片中的字符不符合真实车牌要求，那么可以认为该字符图片所属的原图片中存在伪造号牌。
还可以设置一阈值，若一原图片中字符为伪的数量大于该阈值，则可以认为这些字符所属的原图片中存在伪造号牌。
实际应用时，当字符分割网络能够确定字符在车牌中的位置信息时，还可以判断各个字符之间的间距是否符合真实车牌的规则。可以根据国家规定确定车牌中各个字符的分布规则，例如第一个字符与第二个字符的间距是多大，第二个字符与第三个字符的间距是多大等。可以根据字符在车牌中的坐标信息，确定当前待识别图片中的车牌中，各个字符的分布情况，并与预先获取的分布规则进行比对，若二者一致或相近，则可以认为原图片中的车牌符合真实车牌规则，否则，认为其是伪造号牌。
其中，当字符信息包括字符内容时，还可以判断字符内容是否符合真实车牌的规则。可以根据国家规定确定车牌中规范的字符内容，比如可以包括31个省市简称以及“挂”，“警”，“学”字、24个英文字母(不包括I、O)、10个阿拉伯数字等内容，若识别字符内容时出现了其他结果，则可以认为原图片中的号牌是伪造号牌。
具体的，当字符信息中包括多种具体的信息时，可以通过每个字符信息确定原图片中的车牌是否是伪造号牌。任一个字符信息不符合真实号牌的规则时，就可以认为原图片中的车牌是伪造号牌。从而能够从多个角度检测车牌的真伪。
本实施例提供的方法用于识别伪造车牌，该方法由设置有本实施例提供的方法的设备执行，该设备通常以硬件和/或软件的方式来实现。
本实施例提供的伪造车牌的识别方法，包括：将包括车牌的原图片输入字符分割网络，通过字符分割网络输出原图片中包括的字符图片；将字符图片输入字符识别网络，通过字符识别网络输出字符图片对应的字符信息；根据字符信息确定原图片中的车牌是否为伪造车牌。本实施例提供的伪造车牌的识别方法中，可以直接对车牌中包括的各个字符进行识别，确定车牌中的字符是否符合真实车牌中的字符规则，若不符合，则可以将其认定为伪造车牌，本实施例提供的方法不依赖于数据库，不需要在数据库中查询大量的数据，从而能够缩短识别时间，提高识别效率。
图4为本申请另一示例性实施例示出的伪造车牌的识别方法的流程图。
如图4所示，本申请提供的伪造车牌的识别方法，包括：
步骤401，将包括车牌的原图片输入字符分割网络，通过字符分割网络输出原图片中包括的字符图片及对应的字符位置信息。
其中，本实施例提供的方法可以由具备计算能力的电子设备执行，例如可以是图1中所示出的处理模块。电子设备的具体形态可以是单台计算机，还可以是由多台计算机组成的集群服务器，电子设备还可以是云服务器，本实施例不对此进行限制。
本实施例提供的方法中，字符分割网络不仅能够对原图片进行分割，得到字符图片，还能够确定各个字符图片中的字符位置信息。
具体的，字符分割网络对原图片进行分割的方式与步骤201类似，不再赘述。
进一步的，字符分割网络还能够确定出字符图片中各个字符的中心位置，进而可以根据字符图片在原图片中的位置，确定出字符中心在整个原图片中的位置。
实际应用时，对字符分割网络进行训练时，可以在训练数据中标注各个字符的角点坐标和字符的长宽等信息，进而使得字符分割网络能够识别原图片中的字符位置。比如，可以标注字符的左上角坐标位置以及字符的长宽。
其中，字符分割网络对原图片进行处理时，可以将原图片分割为包括单个字符的字符图片，还可以输出每个字符图片中的字符中心坐标。该字符中心坐标可以是字符中心在原图中的坐标。
比如，共分割得到5个字符图片，可以确定每个字符图片对应的位置P1、P2、P3、P4、P5。
步骤402，将字符图片输入字符识别网络，通过字符识别网络输出字符图片对应的字符内容和/或字符真伪信息。
具体的，本实施例提供的方法中，还预先设置有字符识别网络，字符识别网络用于识别图片中包括的字符内容，还可以识别字符图片中的字符真伪信息。
进一步的，可以将步骤401中分割得到的字符图片作为输入数据输入字符识别网络，字符识别网络可以识别输入的字符图片，从而识别其中包括的字符内容。比如，字符内容可以是“京”，再比如，字符内容可以是“2”。
实际应用时，可以预先采集包括字符的图片对字符识别网络进行训练，比如，可以采集包括单个字符“京”的字符图片，并将其标注为“京”，并使用带有标注信息的字符图片对网络进行训练，使其具有识别字符内容的能力。比如，针对5个分割得到的字符图片，可以得到对应的5个字符内容。
其中，字符识别网络还可以输出字符图片对应的字符真伪信息，比如，若识别字符图片中的字符是伪造的，则可以输出结果为0，再比如，若识别字符图片中的字符不是伪造的，则可以输出结果为1。
具体的，可以预先采集真实车牌中的字符图片，并将其结果标注为1，再使用带有标注信息的图片对网络进行训练，使训练得到的网络具有识别字符真伪的能力。
由于车牌中的字符具有规范的标准，比如字体，再比如字形大小等。因此，可以使用真实的车牌得到包括真实字符的字符图片，再使用其对网络进行训练，该网络可以基于训练结果识别一个字符图片中的字符是否符合车牌规范中的字符标准。可选的，还可以采集一些伪造的车牌，并从中扣取包括伪造字符的字符图片，可以结合包括真实字符的字符图片、包括伪造字符的字符图片，共同对网络进行训练。
进一步的，在对字符识别网络进行训练时，针对一个训练用的字符图片，可以标注其内容信息，还可以标注其真伪信息，使用带有两种标注信息的图片对字符识别网络进行训练，能够得到具有识别字符内容以及字符真伪能力的网络。
步骤403，若原图片中包括的伪字符的数量大于预设阈值，则确定原图片中的车牌为伪造车牌。
在一种实施方式中，可以根据步骤402中确定的字符真伪信息，判断一个原图片中的车牌是否为伪造车牌。可以根据字符图片对应的字符真伪信息，确定一原图片中的车牌是否为伪造车牌。
比如，一个原图片被分割为5个字符图片，每个字符图片都对应一个字符真伪信息，即该原图片共对应5个字符真伪信息，则可以判断其中的伪字符数量是否大于预设阈值，若是，则可以认为原图片中的车牌是伪造车牌。
预设阈值可以根据需求进行设置，比如是1，再比如是2。例如，5个字符真伪信息中有3个字符伪的信息，则可以确定该原图片中包括的车牌是伪造的。
这种实施方式中，可以识别字本身不符合车牌标准的伪造车牌，比如对真实车牌中的部分内容进行修改的情况。
步骤404，将包括车牌的原图片输入车牌分类网络，通过车牌分类网络输出原图片对应的车牌类别。
具体的，本实施例提供的方法中，还预先设置有车牌分类网络，车牌分类网络用于原图片中包括的车牌的类别。
进一步的，车牌类别可以包括警牌、单黄牌、双黄牌、蓝牌、新能源牌等。可以将原图片输入车牌分类网络，使得车牌分类网络能够输出对应的车牌类别。
实际应用时，可以采集包括车牌的图片，并标注这些车牌的类别，利用标注有车牌类别信息的图片对网络继续训练，使得该网络具有识别原图片中包括的车牌的类别的能力。例如，可以使用公知resnet50分类网络，使用交叉熵损失，采用随机梯度下降法优化，最终训练得到5分类的分类模型，并将其作为车牌分类网络。
比如，将一包括车牌的原图片输入车牌分类网络，车牌分类网络能够输出车牌类别为“警牌”。
步骤405，根据字符内容、车牌类别确定原图片中的车牌是否为伪造车牌。
在一种实施方式中，可以结合字符内容和车牌类别，共同确定车牌是否为伪造车牌。
其中，真实的车牌具有标准规范，比如车牌中字符的排序、车牌中包括的字符内容等，可以获取车牌类别对应的车牌规范，并判断字符内容是否符合该车牌规范，若不符合，则确定原图片中的车牌为伪造车牌。
具体的，可以根据字符内容确定原图片中的车牌号。可以通过字符识别网络识别各个字符图片中包括的字符内容，再将这些内容拼接起来即可得到车牌号。在拼接时，可以根据字符图片的相对位置确定字符的顺序，进而得到原图片中包括的车牌号。
进一步的，还可以根据车牌类别确定该类别车牌号的标准字符特征。不同车牌类别具有对应的字符特征，比如一车牌类别对应的标注字符特征中应当包括的汉字数量、字母数量以及数字数量，再例如汉字、字母和数字之间的排序等。比如获取的车牌类别为警牌，则可以获取警牌对应的标准字符特征。
实际应用时，可以判断原图片中的车牌号是否符合标准字符特征，若不符合，则确定原图片中的车牌是伪造车牌。可以通过比对的方式，确定原图片中的车牌号是否符合标准字符特征，标准字符特征中可以包括多条标准，若车牌号不符合其中的任一条标准，则可以认为原图片中的车牌号是伪造的。
通过这样的实施方式，可以识别出在字符内容上不符合车牌标准的伪造号牌。
步骤406，根据字符位置信息、车牌类别确定原图片中的车牌是否为伪造车牌。
在一种实施方式中，还可以结合字符位置信息和车牌类别，共同确定车牌是否为伪造车牌。
其中，真实的车牌具有标准规范，比如车牌中字符之间的距离等，可以获取车牌类别对应的车牌规范，并判断原图片中的车牌中的字符位置信息是否符合该车牌规范，若不符合，则确定原图片中的车牌为伪造车牌。
具体的，可以根据车牌类别确定该类别车牌号的标准字符分布规则。不同车牌类别对应的字符分布特征也可能不同，因此，可以根据车牌类别获取相应的标准字符分布规则。比如，若识别原图片中的车牌是警牌，则可以获取警牌对应的标准字符分布规则。
标准字符分布规则例如可以是字符间的距离、字符是单行分布的还是多行分布的等信息。
进一步的，可以根据字符位置信息，确定原图片中的字符分布是否符合标准字符分布规则。
实际应用时，字符分割网络对原图片进行处理时，还可以确定原图片中各个字符的位置信息，可以基于字符位置信息，确定字符间的相对位置，再确定字符间的相对位置是否符合标准字符分布规则。例如，第一个字符和第二个字符的间距大于标准字符分布规则中第一字符和第二个字符的间距，则可以认为原图片中的车牌不符合标准字符分布规则。
其中，在确定原图片中的字符位置是否符合标准字符分布规则时，可以根据每个字符图片对应的字符位置信息，确定第一位置、第二位置。其中，字符位置信息可以是字符中心的位置，比如字符“京”的字符中心坐标是(x1，y1)。
具体的，针对每个字符都具有对应的位置信息，可以根据中心位置坐标确定第一位置、第二位置。比如，将字符位置中靠近左、右两端的两个字符位置确定为第一位置、第二位置。
进一步的，可以将第一位置的坐标映射为(0、0)，将第二位置坐标映射为(1,0)。
实际应用时，可以将除第一位置、第二位置外的其他字符位置信息归一化为第一位置、第二位置之间的归一位置。比如，原图片中共包括5个字符，则除了第一位置和第二位置以外，还包括三个字符位置信息，可以将这三个字符位置信息进行归一化处理，归一化到位于第一位置和第二位置之间的归一位置。比如，将剩下的三个位置映射到(0、0)与(1,0)之间的位置。
根据标准字符分布规则获取标准车牌中各个字符对应的标准位置信息，并在标准位置信息中确定与第一位置、第二位置对应的标准第一位置、标准第二位置。将标准位置信息中除标准第一位置、标准第二位置的其他标准位置信息归一化为标准第一位置、标准第二位置之间的标准归一位置
相应的，对于标准字符分布规则也可以进行上述处理，先找出多个位置中位于两端的两个标准第一位置、标准第二位置，可以将这两个位置也分别映射为(0、0)与(1,0)。再将其他位置归一化到标准第一位置、标准第二位置之间得到标准归一位置，比如归一化到(0、0)与(1,0)之间，得到多个标准归一位置。
其中，还可以确定归一位置与标准归一位置的对应关系，可以按照车牌号的顺序，确定相对位置相同的两个字符具有对应关系，进而这两个字符的归一位置具有对应关系，比如原图片中第二个字符对应的归一位置与标准字符分布中的第二个字符对应的标准归一位置具有对应关系。
可以计算每组对应的归一位置与标准归一位置之间的距离，并根据距离确定原图片中的字符分布是否符合标准字符分布规则。比如，可以计算各个组合的距离之和，若计算的总距离大于距离阈值，则认为原图片中的字符分布不符合标准字符分布规则，否则，可以认为原图片中的字符分布符合标准字符分布规则。
具体的，若原图片中的字符分布不符合标准字符分布规则，则可以确定原图片中的车牌是伪造车牌。
进一步的，本实施例提供的方法中，步骤403、步骤405、步骤406分别提供了三种判断原图片中的车牌是否为伪造车牌的方式，这三种方式可以同时存在，也可以选择其中的任一种或两者进行设置。若设置有两种或三组判断方式，则基于任一种方式确定原图片中包括伪造号牌，则认为该原图片中确定是伪造号牌。当基于多个方式均确定原图片中的号牌是真实号牌时，才认为该原图片中的号牌确实是真实号牌。
实际应用时，步骤401之前，还可以包括步骤：
将待识别图片输入车牌检测网络，通过车牌检测网络输出待识别图片中包括的原图片。
该待识别图片可以是通过摄像头采集的图片，可以预先设置车牌检测网络，该网络能够识别出图片中包括的车牌，并能够扣取包括车牌的部分得到原图片。
图5为本申请一示例性实施例示出的模型训练方法的流程图。
如图5所示，本实施例提供的模型训练方法，包括：
步骤501，对包括车牌的训练图片进行分割，得到其中包括的字符图片，利用原图片及其对应的字符图片训练字符分割网络。
本实施例提供的方法可以由具备计算能力的电子设备执行。
其中，可以预先收集包括车牌的训练图片，并在其中标注出包括字符的范围，比如框选出每个字符对应的最小边框。利用这些训练图片和标注数据对字符分割网络进行训练，以使其能够准确的对原图片进行处理，分割出字符图片。
在训练字符分割网络时，可以标注原图片中各个字符的角点坐标以及字符的长宽，通过这样的标注信息对字符分割网络进行训练，能够得到具有识别字符位置能力的字符分割网络。从而使字符分割网络具有分割出字符图片，还具有确定各个字符图片对应的字符位置信息的能力。
具体的，字符分割网络可以是carft文本检测模型。
步骤502，利用包括车牌的训练图片的车牌类别训练车牌分类网络，其中，预先标注有训练图片对应的车牌类别。
其中，车牌类别可以包括警牌、单黄牌、双黄牌、蓝牌、新能源牌等。
可以采集包括车牌的图片，并标注这些车牌的类别，利用标注有车牌类别信息的图片对网络继续训练，使得该网络具有识别原图片中包括的车牌的类别的能力。例如，可以使用公知resnet50分类网络，使用交叉熵损失，采用随机梯度下降法优化，最终训练得到5分类的分类模型，并将其作为车牌分类网络。
比如，将一包括车牌的原图片输入车牌分类网络，车牌分类网络能够输出车牌类别为“警牌”。
步骤503，利用字符图片对应的字符信息训练字符识别网络，其中，预先标注有与字符图片对应的字符信息。
可以对收集的车牌图片进行分割处理得到一个个的训练字符图片，并对其进行标注。具体的标注内容可以是“真”或“伪”，比如可以用1代表真，用0代表伪；例如，可以收集真实车牌的图片，从中获取的训练字符图片可以标记为1，还可以收集伪造车牌的图片，对于其中伪造的字符，可以将对应的训练字符图片标记为0。通过标注有这些信息的训练字符图片对字符识别网络进行训练，能够使其识别字符图片中的字符是否符合真实车牌的规则。
训练字符识别网络时，训练字符图片的标记信息还可以包括字符内容。比如一个训练字符图片的内容是1，另一个训练字符图片的内容是挂等。通过标注有这些信息的训练字符图片对字符识别网络进行训练，能够使其识别字符图片中具体是什么字符。
其中，字符分割网络用于对包括车牌的原图片进行分割，得到原图片中的字符图片，车牌分类网络用于对原图片进行分类，确定原图片中的车牌类别，字符识别网络用于对字符图片进行识别，确定字符图片对应的字符信息。
具体的，训练得到的字符分割网络、车牌分类网络、字符识别网络可以应用在图2或图4所示出的实施方式中。
图6为本申请一示例性实施例示出的伪造车牌的识别装置的结构图。
如图6所示，本实施例提供的伪造车牌的识别装置，包括：
分割模块61，用于将包括车牌的原图片输入字符分割网络，通过所述字符分割网络输出所述原图片中包括的字符图片；
识别模块62，用于将所述字符图片输入字符识别网络，通过所述字符识别网络输出所述字符图片对应的字符信息；
确定模块63，用于根据所述字符信息确定所述原图片中的车牌是否为伪造车牌。
本实施例提供的伪造车牌的识别装置，包括分割模块，用于将包括车牌的原图片输入字符分割网络，通过字符分割网络输出原图片中包括的字符图片；识别模块，用于将字符图片输入字符识别网络，通过字符识别网络输出字符图片对应的字符信息；确定模块，用于根据字符信息确定原图片中的车牌是否为伪造车牌。本实施例提供的伪造车牌的识别装置中，可以直接对车牌中包括的各个字符进行识别，确定车牌中的字符是否符合真实车牌中的字符规则，若不符合，则可以将其认定为伪造车牌，本实施例提供的装置不依赖于数据库，不需要在数据库中查询大量的数据，从而能够缩短识别时间，提高识别效率。
本实施例提供的伪造车牌的识别装置的具体原理和实现方式均与图2所示的实施例类似，此处不再赘述。
图7为本申请另一示例性实施例示出的伪造车牌的识别装置的结构图。
如图7所示，在上述实施例的基础上，本实施例提供的伪造车牌的识别装置，可选的，所述识别模块62具体用于：
通过所述字符识别网络输出所述字符图片对应的字符内容和/或字符真伪信息。
可选的，所述确定模块63包括：
第一确定单元631，用于若所述原图片中包括的伪字符的数量大于预设阈值，则确定所述原图片中的车牌为伪造车牌。
可选的，所述装置还包括分类模块64，用于：
将包括车牌的原图片输入车牌分类网络，通过所述车牌分类网络输出所述原图片对应的车牌类别；
所述确定模块63包括第二确定单元632，用于：
根据所述字符内容、所述车牌类别确定所述原图片中的车牌是否为伪造车牌。
可选的，所述第二确定单元632具体用于：
根据所述字符内容确定所述原图片中的车牌号，根据所述车牌类别确定该类别车牌号的标准字符特征；
判断所述车牌号是否符合所述标准字符特征，若不符合，则确定所述原图片中的车牌是伪造车牌。
可选的，所述字符分割网络还用于确定所述字符图片对应的字符位置信息；
所述确定模块63包括第三确定单元633，用于：
根据所述字符位置信息、所述车牌类别确定所述原图片中的车牌是否为伪造车牌。
可选的，所述第三确定单元633具体用于：
根据所述车牌类别确定该类别车牌号的标准字符分布规则；
根据所述字符位置信息，确定所述原图片中的字符分布是否符合所述标准字符分布规则；
若不符合，则确定所述原图片中的车牌是伪造车牌。
可选的，所述第三确定单元633具体用于：
根据每个所述字符图片对应的字符位置信息，确定第一位置、第二位置；
将除所述第一位置、所述第二位置外的其他字符位置信息归一化为所述第一位置、所述第二位置之间的归一位置；
根据所述标准字符分布规则获取标准车牌中各个字符对应的标准位置信息，并在所述标准位置信息中确定与所述第一位置、所述第二位置对应的标准第一位置、标准第二位置；
将所述标准位置信息中除所述标准第一位置、标准第二位置的其他标准位置信息归一化为所述标准第一位置、标准第二位置之间的标准归一位置；
计算对应的归一位置与标准归一位置之间的距离，并根据所述距离确定所述原图片中的字符分布是否符合所述标准字符分布规则。
可选的，所述字符分割网络为craft网络。
可选的，所述装置还包括检测模块65，用于：
将待识别图片输入车牌检测网络，通过所述车牌检测网络输出所述待识别图片中包括的所述原图片。
本实施例提供的伪造车牌的识别装置的具体原理和实现方式均与图4所示的实施例类似，此处不再赘述。
图8为本申请一示例性实施例示出的模型训练装置的结构图。
如图8所示，本实施例提供的模型训练装置，包括：
分割网络训练模块81，用于对包括车牌的训练图片进行分割，得到其中包括的字符图片，利用所述原图片及其对应的字符图片训练字符分割网络；
分类网络训练模块82，用于利用包括车牌的所述训练图片的车牌类别训练车牌分类网络，其中，预先标注有所述训练图片对应的所述车牌类别；
识别网络训练模块83，用于利用所述字符图片对应的字符信息训练字符识别网络，其中，预先标注有与所述字符图片对应的所述字符信息；
所述字符分割网络用于对包括车牌的原图片进行分割，得到所述原图片中的字符图片，所述车牌分类网络用于对所述原图片进行分类，确定所述原图片中的车牌类别，所述字符识别网络用于对字符图片进行识别，确定所述字符图片对应的字符信息。
可选的，所述字符信息包括以下任一种信息：
字符内容、字符真伪信息。
本实施例提供的模型训练装置的具体原理和实现方式均与图5所示的实施例类似，此处不再赘述。
图9为本申请一示例性实施例示出的电子设备的结构图。
如图9所示，本实施例提供的电子设备包括：
存储器91；
处理器92；以及
计算机程序；
其中，所述计算机程序存储在所述存储器91中，并配置为由所述处理器92执行以实现如图2或图4所示的任一种伪造车牌的识别方法，或者实现如图5所示出的任一种模型训练方法。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，
所述计算机程序被处理器执行以实现如图2或图4所示的任一种伪造车牌的识别方法，或者实现如图5所示出的任一种模型训练方法。
本实施例还提供一种计算机程序，包括程序代码，当计算机运行所述计算机程序时，所述程序代码执行如图2或图4所示的任一种伪造车牌的识别方法，或者实现如图5所示出的任一种模型训练方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (12)

1.一种伪造车牌的识别方法，其特征在于，包括：
将包括车牌的原图片输入字符分割网络，通过所述字符分割网络输出所述原图片中包括的字符图片；
将所述字符图片输入字符识别网络，通过所述字符识别网络输出所述字符图片对应的字符信息；
根据所述字符信息确定所述原图片中的车牌是否为伪造车牌。
2.根据权利要求1所述的方法，其特征在于，所述通过所述字符识别网络输出所述字符图片对应的字符信息，包括：
通过所述字符识别网络输出所述字符图片对应的字符内容和/或字符真伪信息。
3.根据权利要求2所述的方法，其特征在于，所述根据所述字符信息确定所述原图片中的车牌是否为伪造车牌，包括：
若所述原图片中包括的伪字符的数量大于预设阈值，则确定所述原图片中的车牌为伪造车牌。
4.根据权利要求2所述的方法，其特征在于，还包括：
将包括车牌的原图片输入车牌分类网络，通过所述车牌分类网络输出所述原图片对应的车牌类别；
所述根据所述字符信息确定所述原图片中的车牌是否为伪造车牌，包括：
根据所述字符内容、所述车牌类别确定所述原图片中的车牌是否为伪造车牌。
5.根据权利要求4所述的方法，其特征在于，所述根据所述字符内容、所述车牌类别确定所述原图片中的车牌是否为伪造车牌，包括：
根据所述字符内容确定所述原图片中的车牌号，根据所述车牌类别确定该类别车牌号的标准字符特征；
判断所述车牌号是否符合所述标准字符特征，若不符合，则确定所述原图片中的车牌是伪造车牌。
6.根据权利要求5所述的方法，其特征在于，所述字符分割网络还用于确定所述字符图片对应的字符位置信息；
所述方法还包括：
将包括车牌的原图片输入车牌分类网络，通过所述车牌分类网络输出所述原图片对应的车牌类别；
根据所述字符位置信息、所述车牌类别确定所述原图片中的车牌是否为伪造车牌。
7.根据权利要求4所述的方法，其特征在于，所述根据所述字符位置信息、所述车牌类别确定所述原图片中的车牌是否为伪造车牌，包括：
根据所述车牌类别确定该类别车牌号的标准字符分布规则；
根据所述字符位置信息，确定所述原图片中的字符分布是否符合所述标准字符分布规则；
若不符合，则确定所述原图片中的车牌是伪造车牌。
8.根据权利要求7所述的方法，其特征在于，所述根据所述字符位置信息，确定所述原图片中的字符分布是否符合所述标准字符分布规则，包括：
根据每个所述字符图片对应的字符位置信息，确定第一位置、第二位置；
将除所述第一位置、所述第二位置外的其他字符位置信息归一化为所述第一位置、所述第二位置之间的归一位置；
根据所述标准字符分布规则获取标准车牌中各个字符对应的标准位置信息，并在所述标准位置信息中确定与所述第一位置、所述第二位置对应的标准第一位置、标准第二位置；
将所述标准位置信息中除所述标准第一位置、标准第二位置的其他标准位置信息归一化为所述标准第一位置、标准第二位置之间的标准归一位置；
计算对应的归一位置与标准归一位置之间的距离，并根据所述距离确定所述原图片中的字符分布是否符合所述标准字符分布规则。
9.根据权利要求1-8任一项所述的方法，其特征在于，还包括：
将待识别图片输入车牌检测网络，通过所述车牌检测网络输出所述待识别图片中包括的所述原图片。
10.一种伪造车牌的识别装置，其特征在于，包括：
分割模块，用于将包括车牌的原图片输入字符分割网络，通过所述字符分割网络输出所述原图片中包括的字符图片；
识别模块，用于将所述字符图片输入字符识别网络，通过所述字符识别网络输出所述字符图片对应的字符信息；
确定模块，用于根据所述字符信息确定所述原图片中的车牌是否为伪造车牌。
11.一种电子设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1-9任一种所述的方法。
12.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，
所述计算机程序被处理器执行以实现如权利要求1-9任一种所述的方法。
CN202010398087.8A 2020-05-12 2020-05-12 伪造车牌的识别方法、训练方法、装置、设备及存储介质 Pending CN111553368A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010398087.8A CN111553368A (zh) 2020-05-12 2020-05-12 伪造车牌的识别方法、训练方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010398087.8A CN111553368A (zh) 2020-05-12 2020-05-12 伪造车牌的识别方法、训练方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111553368A true CN111553368A (zh) 2020-08-18

Family

ID=72006220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010398087.8A Pending CN111553368A (zh) 2020-05-12 2020-05-12 伪造车牌的识别方法、训练方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111553368A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232341A (zh) * 2020-12-10 2021-01-15 北京易真学思教育科技有限公司 文本检测方法、电子设备及计算机可读介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279475A (zh) * 2014-07-15 2016-01-27 贺江涛 一种基于车辆身份识别的套牌车识别的方法与装置
CN105574543A (zh) * 2015-12-16 2016-05-11 武汉烽火众智数字技术有限责任公司 一种基于深度学习的车辆品牌型号识别方法和系统
US20170132477A1 (en) * 2015-11-10 2017-05-11 Ford Global Technologies, Llc Inter-Vehicle Authentication Using Visual Contextual Information
CN106874902A (zh) * 2017-01-19 2017-06-20 博康智能信息技术有限公司北京海淀分公司 一种车牌信息识别方法及装置
CN110399880A (zh) * 2019-07-31 2019-11-01 深圳市捷顺科技实业股份有限公司 一种车牌字符及车牌类别的识别方法、装置及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279475A (zh) * 2014-07-15 2016-01-27 贺江涛 一种基于车辆身份识别的套牌车识别的方法与装置
US20170132477A1 (en) * 2015-11-10 2017-05-11 Ford Global Technologies, Llc Inter-Vehicle Authentication Using Visual Contextual Information
CN105574543A (zh) * 2015-12-16 2016-05-11 武汉烽火众智数字技术有限责任公司 一种基于深度学习的车辆品牌型号识别方法和系统
CN106874902A (zh) * 2017-01-19 2017-06-20 博康智能信息技术有限公司北京海淀分公司 一种车牌信息识别方法及装置
CN110399880A (zh) * 2019-07-31 2019-11-01 深圳市捷顺科技实业股份有限公司 一种车牌字符及车牌类别的识别方法、装置及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NAIGUO WANG ET AL.: "License Plate Segmentation and Recognition of Chinese Vehicle Based on BPNN" *
郑文光 等: "基于颜色特征的真假车牌识别方法研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232341A (zh) * 2020-12-10 2021-01-15 北京易真学思教育科技有限公司 文本检测方法、电子设备及计算机可读介质
CN112232341B (zh) * 2020-12-10 2021-04-09 北京易真学思教育科技有限公司 文本检测方法、电子设备及计算机可读介质

Similar Documents

Publication Publication Date Title
CN106156766B (zh) 文本行分类器的生成方法及装置
CN110532855B (zh) 基于深度学习的自然场景证件图像文字识别方法
EP3806064A1 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
Abdullah et al. YOLO-based three-stage network for Bangla license plate recognition in Dhaka metropolitan city
Sheikh et al. Traffic sign detection and classification using colour feature and neural network
CN106991820B (zh) 违规车辆处理方法及装置
CN104766042A (zh) 交通标志板识别方法及装置
CN107529659B (zh) 安全带佩戴检测方法、装置及电子设备
CN105224956A (zh) 一种基于多特征融合的车牌类别识别方法及系统
Azad et al. New method for optimization of license plate recognition system with use of edge detection and connected component
CN109657664A (zh) 一种车牌类型的识别方法、装置及电子设备
CN110956081A (zh) 车辆与交通标线位置关系的识别方法、装置及存储介质
CN115186303B (zh) 一种基于大数据云平台的金融签章安全管理方法及系统
Ravirathinam et al. Automatic license plate recognition for indian roads using faster-rcnn
CN111753592A (zh) 交通标志识别方法、装置、计算机设备和存储介质
CN112016545A (zh) 一种包含文本的图像生成方法及装置
CN112232336A (zh) 一种证件识别方法、装置、设备及存储介质
Balali et al. Video-based detection and classification of US traffic signs and mile markers using color candidate extraction and feature-based recognition
CN111553368A (zh) 伪造车牌的识别方法、训练方法、装置、设备及存储介质
Bichkar et al. Traffic sign classification and detection of Indian traffic signs using deep learning
CN115019263A (zh) 交通监管模型的建立方法、交通监管系统及方法
CN115131564A (zh) 基于人工智能的车辆部件损伤检测方法及相关设备
Vinay et al. Automatic Number Plate Recognition for Different Fonts and Non-Roman Script
CN113888760A (zh) 基于软件应用的违规信息监控方法、装置、设备及介质
CN113989780A (zh) 标志牌检测方法及装置

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