CN111563504B - 车牌识别方法及相关设备 - Google Patents

车牌识别方法及相关设备 Download PDF

Info

Publication number
CN111563504B
CN111563504B CN202010684176.9A CN202010684176A CN111563504B CN 111563504 B CN111563504 B CN 111563504B CN 202010684176 A CN202010684176 A CN 202010684176A CN 111563504 B CN111563504 B CN 111563504B
Authority
CN
China
Prior art keywords
license plate
character
probability
serial number
weight
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
CN202010684176.9A
Other languages
English (en)
Other versions
CN111563504A (zh
Inventor
陈庆伟
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 International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City 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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202010684176.9A priority Critical patent/CN111563504B/zh
Publication of CN111563504A publication Critical patent/CN111563504A/zh
Application granted granted Critical
Publication of CN111563504B publication Critical patent/CN111563504B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Character Discrimination (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及人工智能技术领域，提供了一种车牌识别方法，包括：获取待识别车牌图片；将待识别车牌图片输入至神经网络模型中，获得字符概率分布信息；根据字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式；按照车牌权重计算公式，根据字符概率分布信息，计算每个序号位置的权重修正系数；根据字符概率分布信息以及权重修正系数，计算字符修正概率分布信息；根据字符修正概率分布信息，确定序号位置修正后的目标字符；将所有目标字符进行组合，获得车牌字符。本发明还涉及区块链技术，可以将计算得到的权重修正系数以及字符修正概率分布信息上传至区块链。本发明还可以应用于智慧交通，从而可以推动智慧城市的发展建设。

Description

车牌识别方法及相关设备
技术领域
本发明涉及人工智能技术领域，尤其涉及一种车牌识别方法及相关设备。
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。
本申请发明人在研究中发现，可以通过字符分割+字符识别的方法来识别车牌，但是这种流程太复杂，分割错误将向后传递。如果一次性识别所有字符去除分割过程，减少误差传递，但需要大量的训练数据，且会出现不符合规定的车牌。可见，基于上述方式，车牌识别的准确率较低。
发明内容
鉴于以上内容，有必要提供一种车牌识别方法及相关设备，能够提高车牌识别的准确率。
本发明的第一方面提供一种车牌识别方法，所述车牌识别方法包括：
获取待识别车牌图片；
将所述待识别车牌图片输入至预设的神经网络模型中，获得每个序号位置的字符概率分布信息；
根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式；
按照所述车牌权重计算公式，根据所述字符概率分布信息，计算每个所述序号位置的权重修正系数；
根据所述序号位置的字符概率分布信息以及所述序号位置的权重修正系数，计算所述序号位置的字符修正概率分布信息；
根据所述字符修正概率分布信息，确定所述序号位置修正后的目标字符；
将所有所述序号位置的目标字符进行组合，获得所述待识别车牌图片对应的车牌字符。
在一种可选的实施方式中，所述根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式包括：
根据所述字符概率分布信息，判断目标序号位置为空字符的概率是否大于预设阈值；
若所述目标序号位置为空字符的概率大于预设阈值，确定所述待识别车牌图片对应的车牌属于预设的第一属性车牌；
将为所述第一属性车牌预设的权重计算公式确定为车牌权重计算公式。
在一种可选的实施方式中，所述为所述第一属性车牌预设的权重计算公式为：
WA=Top2Mean(P12345A)* P6N；
WD=1- WA；
WC=max(WA, WD)；
其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，P12345A为序号第1-5位为字母的概率，P6N为序号第6位为空字符NULL的概率，Top2Mean（P12345A）为P12345A中第1大值和第2大值的均值。
在一种可选的实施方式中，所述根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式包括：
根据所述字符概率分布信息，判断目标序号位置为空字符的概率是否大于预设阈值；
若所述目标序号位置为空字符的概率小于或等于预设阈值，确定所述待识别车牌图片对应的车牌属于预设的第二属性车牌；
判断两个预设序号位置为字母的概率的最大值是否大于所述目标序号位置为字母的概率；
若两个预设序号位置为字母的概率的最大值大于所述目标序号位置为字母的概率，将为所述第二属性车牌预设的第一权重计算公式确定为车牌权重计算公式。
在一种可选的实施方式中，所述车牌识别方法还包括：
若两个预设序号位置为字母的概率的最大值小于或等于所述目标序号位置为字母的概率，将为所述第二属性车牌预设的第二权重计算公式确定为车牌权重计算公式。
在一种可选的实施方式中，所述为所述第二属性车牌预设的第一权重计算公式为：
WA= max(P12A)*(1-P6A)*(1- P6N)；
WD=1–WA；
WC= max(WA, WD)；
其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，max(P12A)为序号第1~2位为字母的概率的最大值，P6A为序号第6位为字母的概率，P6N为序号第6位为空字符的概率；
所述为所述第二属性车牌预设的第二权重计算公式为：
WA = (1- max(P12A))*P6A *(1-P6N)；
WD =1–WA；
WC = max(WA,WD);
其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，max(P12A)为序号第1~2位为字母的概率的最大值，P6A为序号第6位为字母的概率，P6N为序号第6位为空字符的概率。
在一种可选的实施方式中，所述按照所述车牌权重计算公式，根据所述字符概率分布信息，计算每个所述序号位置的字符权重修正系数包括：
按照所述车牌权重计算公式，根据所述字符概率分布信息，分别计算字母修正权重、数字修正权重以及汉字修正权重；
根据所述字符概率分布信息、所述字母修正权重、所述数字修正权重以及所述汉字修正权重，分别确定每个所述序号位置的权重修正系数。
本发明的第二方面提供一种车牌识别装置，所述车牌识别装置包括：
获取模块，用于获取待识别车牌图片；
输入模块，用于将所述待识别车牌图片输入至预设的神经网络模型中，获得每个序号位置的字符概率分布信息；
确定模块，用于根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式；
计算模块，用于按照所述车牌权重计算公式，根据所述字符概率分布信息，计算每个所述序号位置的权重修正系数；
所述计算模块，还用于根据所述序号位置的字符概率分布信息以及所述序号位置的权重修正系数，计算所述序号位置的字符修正概率分布信息；
所述确定模块，还用于根据所述字符修正概率分布信息，确定所述序号位置修正后的目标字符；
组合模块，用于将所有所述序号位置的目标字符进行组合，获得所述待识别车牌图片对应的车牌字符。
本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的车牌识别方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的车牌识别方法。
本发明中，在通过现有的神经网络模型获得每个序号位置的字符概率分布信息之后，可以进一步根据字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式，计算每个序号位置的权重修正系数，计算所述序号位置的字符修正概率分布信息，最后根据字符概率分布信息，对模型得到的字符概率进行修正，并确定每个序号位置修正后的目标字符，从而实现了在现有模型得到字符概率分布信息的基础上，可以动态计算车牌每个序号位置各字符的概率，并修正字符概率分布信息，达到修正每个序号位置最终的目标字符的目的，以符合国家标准，从而可以进一步提高车牌识别的准确率。
附图说明
图1是本发明公开的一种车牌识别方法的较佳实施例的流程图。
图2是本发明公开的一种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、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
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(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、嵌入式设备等。
所述电子设备还可包括网络设备和/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(Cloud Computing)的由大量主机或网络服务器构成的云。所述用户设备包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式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PDA等。
请参见图1，图1是本发明公开的一种车牌识别方法的较佳实施例的流程图。其中，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。
S11、获取待识别车牌图片。
S12、将所述待识别车牌图片输入至预设的神经网络模型中，获得每个序号位置的字符概率分布信息。
其中，可选的，获取待识别车牌图片之后，还需要对待识别车牌图片预处理，如二值化、归一化、Resize等。
其中，训练好的神经网络模型可以对待识别车牌图片进行特征提取并识别特征，获得每个序号位置的字符概率分布信息。其中，神经网络模型的车牌识别算法属于现有技术，在此不再赘述。
其中，车牌号码最长为8位，分别为：省、自治区、直辖市简称，发牌机关代号，序号第1位，序号第2位，序号第3位，序号第4位，序号第5位，序号第6位。其中，若少于8位则用空字符补充。
S13、根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式。
其中，车牌类型可以分为普通车牌和新能源车牌，普通车牌比如：大型汽车号牌、挂车号牌、教练汽车号牌、临时行驶车号牌等等，新能源车牌比如：大型新能源汽车号牌、小型新能源汽车号牌。
不同类型的车牌需要符合不同的国家标准。比如：最新的机动车号牌国家标准《GA36-2018》中规定了号牌规则，部分规则如下：通车牌通常为4个序号位或5个序号位，需要满足：序号中使用1位英文字母，其他位为阿拉伯数字，或者，序号中使用2位英文字母，其他位为阿拉伯数字。新能源车牌通常为6个序号位，需要满足：序号中第1位或第1-2位为英文字母，其他位为阿拉伯数字，或者，序号中第6位为英文字母，其他位为阿拉伯数字。
不同的车牌适用的标准是不同的，因此，需要分别为不同的车牌确定车牌权重计算公式。
具体的，所述根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式包括：
根据所述字符概率分布信息，判断目标序号位置为空字符的概率是否大于预设阈值；
若所述目标序号位置为空字符的概率大于预设阈值，确定所述待识别车牌图片对应的车牌属于预设的第一属性车牌；
将为所述第一属性车牌预设的权重计算公式确定为车牌权重计算公式。
其中，车牌的属性可以分为多种，比如普通车牌，新能源车牌等。其中，第一属性车牌比如普通车牌。
其中，按照当前的车牌划分标准，可以设置目标序号位置为第6序号位，如果第6序号位为空的概率较大，表明很大可能为普通车牌，反之，如果第6序号位为空的概率较小，即第6序号位不为空的概率较大，表明很大可能为新能源车牌。
具体的，所述根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式包括：
根据所述字符概率分布信息，判断目标序号位置为空字符的概率是否大于预设阈值；
若所述目标序号位置为空字符的概率小于或等于预设阈值，确定所述待识别车牌图片对应的车牌属于预设的第二属性车牌；
判断两个预设序号位置为字母的概率的最大值是否大于所述目标序号位置为字母的概率；
若两个预设序号位置为字母的概率的最大值大于所述目标序号位置为字母的概率，将为所述第二属性车牌预设的第一权重计算公式确定为车牌权重计算公式；或
若两个预设序号位置为字母的概率的最大值小于或等于所述目标序号位置为字母的概率，将为所述第二属性车牌预设的第二权重计算公式确定为车牌权重计算公式。
其中，第二属性车牌比如新能源车牌。
其中，按照当前的车牌划分标准，如果第6序号位为空的概率较小，即第6序号位不为空的概率较大，表明很大可能为新能源车牌。由于新能源车牌的第1序号位和第2序号位有多种情况，还需要进一步判定。
其中，按照新能源车牌的国家标准，可以设置两个预设序号位置为第1序号位和第2序号位，如果两个预设序号位置为字母的概率的最大值大于所述目标序号位置为字母的概率。
S14、按照所述车牌权重计算公式，根据所述字符概率分布信息，计算每个所述序号位置的权重修正系数。
所述按照所述车牌权重计算公式，根据所述字符概率分布信息，计算每个所述序号位置的字符权重修正系数包括：
按照所述车牌权重计算公式，根据所述字符概率分布信息，分别计算字母修正权重、数字修正权重以及汉字修正权重；
根据所述字符概率分布信息、所述字母修正权重、所述数字修正权重以及所述汉字修正权重，分别确定每个所述序号位置的权重修正系数。
其中，为所述第一属性车牌预设的权重计算公式为：
WA=Top2Mean(P12345A)* P6N；
WD=1- WA；
WC=max(WA, WD)；
其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，P12345A为序号第1-5位为字母的概率，P6N为序号第6位为空字符NULL的概率，Top2Mean（P12345A）为P12345A中第1大值和第2大值的均值。
举例来说，如表1为识别出来的第一属性车牌的字符概率分布信息：
表1 第一属性车牌的字符概率分布信息
Figure 64770DEST_PATH_IMAGE002
从上表1可知，P6N=0.94>0.5，可以确定为第一属性车牌。根据为所述第一属性车牌预设的权重计算公式，可以得到：
WA=Top2Mean(0.98、0.01、0.51、0.97、0.01) *0.94
= ((0.98+0.97)/2)*0.94= 0.92；
WD= 1 - WA = 0.08；
WC= max(WA, WD)= 0.92；
由于字母出现概率TOP2在第1、4位序号，则这两位的权重修正系数为：
W14A = WA ，W14D = WD
第2、3、5位序号权重修正系数为：
W235A = WD ，W235D = WA，W5C = WC
其中，为新能源车牌预设的第一权重计算公式为：
WA= max(P12A)*(1-P6A)*(1- P6N)；
WD=1–WA；
WC= max(WA, WD)；
其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，max(P12A)为序号第1~2位为字母的概率的最大值，P6A为序号第6位为字母的概率，P6N为序号第6位为空字符的概率。
举例来说，如表2为识别出来的第二属性车牌的一种字符概率分布信息：
表2 第二属性车牌的一种字符概率分布信息
Figure 981910DEST_PATH_IMAGE003
从上表2可知，P6N=0.02<0.5，可以确定为第二属性车牌。
Max(P12A) = max(0.96, 0.02) = 0.96，P6A=0.05，Max(P12A) > P6A ，说明第1-2序号位很大概率为字母，需要采用为第二属性车牌预设的第一权重计算公式，可以得到：
WA= max(P12A)*(1-P6A)*(1-P6N) = 0.96*(1-0.05)*(1-0.02) = 0.89
WD= 1 – WA = 0.11
WC= max(WA, WD)= 0.89
第1位序号的权重修正系数为：
W1A = WA ，W1D = WD
第6位序号权重修正系数为：
W6A = WD ，W6D = WA，W6C = WC
因第3、4、5位序号只能为数字，则权重修正系数为：
W345A = P6N ，W345D = 1 - P6N，W345C = 1 - P6N
其中，第2位序号可以为字母，也可以为数字，无论是否修正，最终的结果是不变的，因此，可以默认第2位序号的权重修正系数为1。
其中，为所述第二属性车牌预设的第二权重计算公式为：
WA = (1- max(P12A))*P6A *(1-P6N)；
WD =1–WA；
WC = max(WA,WD);
其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，max(P12A)为序号第1~2位为字母的概率的最大值，P6A为序号第6位为字母的概率，P6N为序号第6位为空字符的概率。
举例来说，如表3为识别出来的第二属性车牌的另一种字符概率分布信息：
表3 第二属性车牌的另一种字符概率分布信息
Figure 433751DEST_PATH_IMAGE004
从上表3可知，P6N=0.02<0.5，可以确定为第二属性车牌。
Max(P12A) = max(0.08, 0.02) = 0.08，P6A=0.94，Max(P12A) <P6A ，说明第6序号位为字母，需要采用为所述第二属性车牌预设的第二权重计算公式，可以得到：
WA= (1-max(P12A))*P6A*(1-P6N) = (1-0.08)*0.94*(1-0.02) = 0.85
WD= 1 – WA = 0.15
WC= max(WA, WD)= 0.85
第1、2位序号权重修正系数为：
W12A = WD ，W12D = WA
第6位序号权重修正系数为：
W6A = WA ，W6D = WD，W6C = WC
因第3、4、5位序号只能为数字，则权重修正系数为：
W345A = P6N ，W345D = 1 - P6N，W345C = 1 - P6N
S15、根据所述序号位置的字符概率分布信息以及所述序号位置的权重修正系数，计算所述序号位置的字符修正概率分布信息。
在确定每个所述序号位置的权重修正系数，即可对每个序号位置的字符的概率进行修改，获得字符修正概率分布信息。
（1）以上述的第一属性车牌的举例来说：以序号第1位为例，如表1-1为第一属性车牌的序号第1位的字符概率修正信息，修正后结果如下：
表1-1 第一属性车牌的序号第1位的字符概率修正信息
Figure 828961DEST_PATH_IMAGE005
根据修正后的概率分布信息：第1序号位为C的概率为0.917，第1序号位为F的概率为0.082，第1序号位为5的概率为0.001，预测结果仍为C，即第1序号位的目标字符为C。
以序号第3位为例，如表1-2为第一属性车牌的序号第3位的字符概率修正信息，
修正后结果如下：
表1-2 第一属性车牌的序号第3位的字符概率修正信息
Figure 643333DEST_PATH_IMAGE006
根据修正后的概率分布信息：第3序号位为S的概率为0.081，第3序号位为5的概率为0.917，第3序号位为G的概率为0.002，预测结果由“S”变为“5”，即第3序号位的目标字符为5。
（2）以上述采用第二属性车牌的第一权重计算公式的举例来说，以序号第1位为例，如表2-1为第二属性车牌的序号第1位的字符概率修正信息，修正后结果如下：
表2-1 第二属性车牌的序号第1位的字符概率修正信息
Figure 465795DEST_PATH_IMAGE007
根据修正后的概率分布信息：第1序号位为D的概率为0.936，第1序号位为F的概率为0.062，第1序号位为5的概率为0.001，预测结果仍为D，即第1序号位的目标字符为D。
以序号第6位为例，如表2-2为第二属性车牌的序号第6位的字符概率修正信息，
修正后结果如下：
表2-2 第二属性车牌的序号第6位的字符概率修正信息
Figure 732829DEST_PATH_IMAGE008
根据修正后的概率分布信息：第6序号位为3的概率为0.975，第6序号位为G的概率为0.004，第6序号位为NULL的概率为0.021，预测结果为3，即第6序号位的目标字符为3。
以序号第3位为例，如表2-3为第二属性车牌的序号第3位的字符概率修正信息，
修正后结果如下：
表2-3 第二属性车牌的序号第3位的字符概率修正信息
Figure 931729DEST_PATH_IMAGE009
根据修正后的概率分布信息：第3序号位为S的概率为0.020，第3序号位为5的概率为0.976，第3序号位为G的概率为0.000，预测结果由“S”变为“5”，即第3序号位的目标字符为5。
（3）以上述采用第二属性车牌的第二权重计算公式的举例来说，以序号第1位为例，如表3-1为第二属性车牌的序号第1位的字符概率修正信息，修正后结果如下：
表3-1 第二属性车牌的序号第1位的字符概率修正信息
Figure 787558DEST_PATH_IMAGE010
根据修正后的概率分布信息：第1序号位为2的概率为0.974，第1序号位为F的概率为0.015，第1序号位为5的概率为0.011，预测结果仍为2，即第1序号位的目标字符为2。
以序号第6位为例，如表3-2为第二属性车牌的序号第6位的字符概率修正信息，
修正后结果如下：
表3-2 第二属性车牌的序号第6位的字符概率修正信息
Figure 780922DEST_PATH_IMAGE011
根据修正后的概率分布信息：第6序号位为M的概率为0.974，第6序号位为0的概率为0.005，第6序号位为NULL的概率为0.021，预测结果为M，即第6序号位的目标字符为M。
以序号第3位为例，如表3-3为第二属性车牌的序号第3位的字符概率修正信息，
修正后结果如下：
表3-3 第二属性车牌的序号第3位的字符概率修正信息
Figure 535251DEST_PATH_IMAGE012
根据修正后的概率分布信息：第3序号位为S的概率为0.020，第3序号位为5的概率为0.976，第3序号位为G的概率为0.000，预测结果由“S”变为“5”，即第3序号位的目标字符为5。
其中，通过上述方式，可以对不符合国家标准的字符的概率进行修正，动态计算车牌每个序号位置各字符的概率，在现有模型的基础上进一步提高车牌识别的准确率。
S16、根据所述字符修正概率分布信息，确定所述序号位置修正后的目标字符。
在确定字符修正概率分布信息后，针对每个序号位置，可以将修正后的概率最大的字符确定为目标字符。比如：序号第3位的字符以及概率分别为：S-0.020，5-0.976，G-0.000，可以得到序号第3位为5的概率最大，因此，序号第3位的目标字符为3。
S17、将所有所述序号位置的目标字符进行组合，获得所述待识别车牌图片对应的车牌字符。
其中，按照车牌的排列规则以及顺序，将所有所述序号位置的目标字符进行组合，即可获得所述待识别车牌图片对应的车牌字符。比如：可以得到车牌号码为：粤B27506M。
作为一种可选的实施方式，还可以将计算得到的权重修正系数以及字符修正概率分布信息上传至区块链，以确保数据的私密性和安全性。
在图1所描述的方法流程中，在现有模型的基础上，可以对模型得到的字符概率进行修正，动态计算车牌每个序号位置各字符的概率，以符合国家标准，从而可以进一步提高车牌识别的准确率。
以上所述，仅是本发明的具体实施方式，但本发明的保护范围并不局限于此，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出改进，但这些均属于本发明的保护范围。
请参见图2，图2是本发明公开的一种车牌识别装置的较佳实施例的功能模块图。
在一些实施例中，所述车牌识别装置运行于电子设备中。所述车牌识别装置可以包括多个由程序代码段所组成的功能模块。所述车牌识别装置中的各个程序段的程序代码可以存储于存储器中，并由至少一个处理器所执行，以执行图1所描述的车牌识别方法中的部分或全部步骤，具体请参见图1中的相关描述，在此不再赘述。
本实施例中，所述车牌识别装置根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块201、输入模块202、确定模块203、计算模块204及组合模块205。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在一些实施例中，关于各模块的功能将在本实施例中详述。
获取模块201，用于获取待识别车牌图片。
输入模块202，用于将所述待识别车牌图片输入至预设的神经网络模型中，获得每个序号位置的字符概率分布信息。
其中，可选的，获取待识别车牌图片之后，还需要对待识别车牌图片预处理，如二值化、归一化、Resize等。
其中，训练好的神经网络模型可以对待识别车牌图片进行特征提取并识别特征，获得每个序号位置的字符概率分布信息。其中，神经网络模型的车牌识别算法属于现有技术，在此不再赘述。
其中，车牌号码最长为8位，分别为：省、自治区、直辖市简称，发牌机关代号，序号第1位，序号第2位，序号第3位，序号第4位，序号第5位，序号第6位。其中，若少于8位则用空字符补充。
确定模块203，用于根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式。
其中，车牌类型可以分为普通车牌和新能源车牌，普通车牌比如：大型汽车号牌、挂车号牌、教练汽车号牌、临时行驶车号牌等等，新能源车牌比如：大型新能源汽车号牌、小型新能源汽车号牌。
不同类型的车牌需要符合不同的国家标准。比如：最新的机动车号牌国家标准《GA36-2018》中规定了号牌规则，部分规则如下：普通车牌通常为4个序号位或5个序号位，需要满足：序号中使用1位英文字母，其他位为阿拉伯数字，或者，序号中使用2位英文字母，其他位为阿拉伯数字。新能源车牌通常为6个序号位，需要满足：序号中第1位或第1-2位为英文字母，其他位为阿拉伯数字，或者，序号中第6位为英文字母，其他位为阿拉伯数字。
不同的车牌适用的标准是不同的，因此，需要分别为不同的车牌确定车牌权重计算公式。
具体的，所述根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式包括：
根据所述字符概率分布信息，判断目标序号位置为空字符的概率是否大于预设阈值；
若所述目标序号位置为空字符的概率大于预设阈值，确定所述待识别车牌图片对应的车牌属于预设的第一属性车牌；
将为所述第一属性车牌预设的权重计算公式确定为车牌权重计算公式。
其中，按照当前的车牌划分标准，可以设置目标序号位置为第6序号位，如果第6序号位为空的概率较大，表明很大可能为普通车牌，反之，如果第6序号位为空的概率较小，即第6序号位不为空的概率较大，表明很大可能为新能源车牌。
具体的，所述根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式包括：
根据所述字符概率分布信息，判断目标序号位置为空字符的概率是否大于预设阈值；
若所述目标序号位置为空字符的概率小于或等于预设阈值，确定所述待识别车牌图片对应的车牌属于预设的第二属性车牌；
判断两个预设序号位置为字母的概率的最大值是否大于所述目标序号位置为字母的概率；
若两个预设序号位置为字母的概率的最大值大于所述目标序号位置为字母的概率，将为所述第二属性车牌预设的第一权重计算公式确定为车牌权重计算公式；或
若两个预设序号位置为字母的概率的最大值小于或等于所述目标序号位置为字母的概率，将为所述第二属性车牌预设的第二权重计算公式确定为车牌权重计算公式。
其中，按照当前的车牌划分标准，可以设置目标序号位置为第6序号位，如果第6序号位为空的概率较小，即第6序号位不为空的概率较大，表明很大可能为新能源车牌。由于新能源车牌的第1序号位和第2序号位有多种情况，还需要进一步判定。
其中，按照新能源车牌的国家标准，可以设置两个预设序号位置为第1序号位和第2序号位，如果两个预设序号位置为字母的概率的最大值大于所述目标序号位置为字母的概率。
计算模块204，用于按照所述车牌权重计算公式，根据所述字符概率分布信息，计算每个所述序号位置的权重修正系数。
所述计算模块204，还用于根据所述序号位置的字符概率分布信息以及所述序号位置的权重修正系数，计算所述序号位置的字符修正概率分布信息。
所述按照所述车牌权重计算公式，根据所述字符概率分布信息，计算每个所述序号位置的字符权重修正系数包括：
按照所述车牌权重计算公式，根据所述字符概率分布信息，分别计算字母修正权重、数字修正权重以及汉字修正权重；
根据所述字符概率分布信息、所述字母修正权重、所述数字修正权重以及所述汉字修正权重，分别确定每个所述序号位置的权重修正系数。
其中，为所述第一属性车牌预设的权重计算公式为：
WA=Top2Mean(P12345A)* P6N；
WD=1- WA；
WC=max(WA, WD)；
其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，P12345A为序号第1-5位为字母的概率，P6N为序号第6位为空字符NULL的概率，Top2Mean（P12345A）为P12345A中第1大值和第2大值的均值。
其中，为新能源车牌预设的第一权重计算公式为：
WA= max(P12A)*(1-P6A)*(1- P6N)；
WD=1–WA；
WC= max(WA, WD)；
其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，max(P12A)为序号第1~2位为字母的概率的最大值，P6A为序号第6位为字母的概率，P6N为序号第6位为空字符的概率。
其中，为所述第二属性车牌预设的第二权重计算公式为：
WA = (1- max(P12A))*P6A *(1-P6N)；
WD =1–WA；
WC = max(WA,WD);
其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，max(P12A)为序号第1~2位为字母的概率的最大值，P6A为序号第6位为字母的概率，P6N为序号第6位为空字符的概率。
所述确定模块203，还用于根据所述字符修正概率分布信息，确定所述序号位置修正后的目标字符。
在确定字符修正概率分布信息后，针对每个序号位置，可以将修正后的概率最大的字符确定为目标字符。比如：序号第3位的字符以及概率分别为：S-0.020，5-0.976，G-0.000，可以得到序号第3位为5的概率最大，因此，序号第3位的目标字符为3。
组合模块205，用于将所有所述序号位置的目标字符进行组合，获得所述待识别车牌图片对应的车牌字符。
其中，按照车牌的排列规则以及顺序，将所有所述序号位置的目标字符进行组合，即可获得所述待识别车牌图片对应的车牌字符。比如：可以得到车牌号码为：粤B27506M。
在图2所描述的车牌识别装置中，可以对模型得到的字符概率进行修正，动态计算车牌每个序号位置各字符的概率，以符合国家标准，从而可以进一步提高车牌识别的准确率。
如图3所示，图3是本发明实现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3包括存储器31、至少一个处理器32、存储在所述存储器31中并可在所述至少一个处理器32上运行的计算机程序33及至少一条通讯总线34。
本领域技术人员可以理解，图3所示的示意图仅仅是所述电子设备3的示例，并不构成对所述电子设备3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，例如所述电子设备3还可以包括输入输出设备、网络接入设备等。
所述至少一个处理器32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）、现场可编程门阵列（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。该处理器32可以是微处理器或者该处理器32也可以是任何常规的处理器等，所述处理器32是所述电子设备3的控制中心，利用各种接口和线路连接整个电子设备3的各个部分。
所述存储器31可用于存储所述计算机程序33和/或模块/单元，所述处理器32通过运行或执行存储在所述存储器31内的计算机程序和/或模块/单元，以及调用存储在存储器31内的数据，实现所述电子设备3的各种功能。所述存储器31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（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据电子设备3的使用所创建的数据（比如音频数据）等。此外，存储器31可以包括非易失性存储器，例如硬盘、内存、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）、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
结合图1，所述电子设备3中的所述存储器31存储多个指令以实现一种车牌识别方法，所述处理器32可执行所述多个指令从而实现：
获取待识别车牌图片；
将所述待识别车牌图片输入至预设的神经网络模型中，获得每个序号位置的字符概率分布信息；
根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式；
按照所述车牌权重计算公式，根据所述字符概率分布信息，计算每个所述序号位置的权重修正系数；
根据所述序号位置的字符概率分布信息以及所述序号位置的权重修正系数，计算所述序号位置的字符修正概率分布信息；
根据所述字符修正概率分布信息，确定所述序号位置修正后的目标字符；
将所有所述序号位置的目标字符进行组合，获得所述待识别车牌图片对应的车牌字符。
具体地，所述处理器32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。
在图3所描述的电子设备3中，可以对模型得到的字符概率进行修正，动态计算车牌每个序号位置各字符的概率，以符合国家标准，从而可以进一步提高车牌识别的准确率。
所述电子设备3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、计算机存储器以及只读存储器（ROM，Read-Only Memory）。
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。系统权利要求中陈述的多个单元或装置也可以通过软件或者硬件来实现。
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 (5)

1.一种车牌识别方法，其特征在于，所述车牌识别方法包括：
获取待识别车牌图片；
将所述待识别车牌图片输入至预设的神经网络模型中，获得每个序号位置的字符概率分布信息；
根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式；
按照所述车牌权重计算公式，根据所述字符概率分布信息，计算每个所述序号位置的权重修正系数；
根据所述序号位置的字符概率分布信息以及所述序号位置的权重修正系数，计算所述序号位置的字符修正概率分布信息；
根据所述字符修正概率分布信息，确定所述序号位置修正后的目标字符；
将所有所述序号位置的目标字符进行组合，获得所述待识别车牌图片对应的车牌字符；
其中，所述根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式包括：
根据所述字符概率分布信息，判断目标序号位置为空字符的概率是否大于预设阈值；
若所述目标序号位置为空字符的概率大于预设阈值，确定所述待识别车牌图片对应的车牌属于预设的第一属性车牌；将为所述第一属性车牌预设的权重计算公式确定为车牌权重计算公式，其中，所述为所述第一属性车牌预设的权重计算公式为：WA=Top2Mean(P1A，P2A，P3A，P4A，P5A)*P6N；WD=1-WA；WC=max(WA,WD)；其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，P1A、P2A、P3A、P4A以及P5A依次为序号第1-5位为字母的概率，P6N为序号第6位为空字符NULL的概率，Top2Mean（P1A，P2A，P3A，P4A，P5A）为P1A、P2A、P3A、P4A以及P5A中第1大值和第2大值的均值；或，
若所述目标序号位置为空字符的概率小于或等于预设阈值，确定所述待识别车牌图片对应的车牌属于预设的第二属性车牌；判断两个预设序号位置为字母的概率的最大值是否大于所述目标序号位置为字母的概率；若两个预设序号位置为字母的概率的最大值大于所述目标序号位置为字母的概率，将为所述第二属性车牌预设的第一权重计算公式确定为车牌权重计算公式；或，若两个预设序号位置为字母的概率的最大值小于或等于所述目标序号位置为字母的概率，将为所述第二属性车牌预设的第二权重计算公式确定为车牌权重计算公式，其中，所述为所述第二属性车牌预设的第一权重计算公式为：WA=max(P12A)*(1-P6A)*(1-P6N)；WD=1–WA；WC=max(WA,WD)；其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，P6N为序号第6位为空字符NULL的概率，max(P12A)为序号第1~2位为字母的概率的最大值，P6A为序号第6位为字母的概率；所述为所述第二属性车牌预设的第二权重计算公式为：WA=(1-max(P12A))*P6A*(1-P6N)；WD=1–WA；WC=max(WA,WD)；其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，P6N为序号第6位为空字符NULL的概率，max(P12A)为序号第1~2位为字母的概率的最大值，P6A为序号第6位为字母的概率。
2.根据权利要求1所述的车牌识别方法，其特征在于，所述按照所述车牌权重计算公式，根据所述字符概率分布信息，计算每个所述序号位置的字符权重修正系数包括：
按照所述车牌权重计算公式，根据所述字符概率分布信息，分别计算字母修正权重、数字修正权重以及汉字修正权重；
根据所述字符概率分布信息、所述字母修正权重、所述数字修正权重以及所述汉字修正权重，分别确定每个所述序号位置的权重修正系数。
3.一种车牌识别装置，其特征在于，所述车牌识别装置包括：
获取模块，用于获取待识别车牌图片；
输入模块，用于将所述待识别车牌图片输入至预设的神经网络模型中，获得每个序号位置的字符概率分布信息；
确定模块，用于根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式；
计算模块，用于按照所述车牌权重计算公式，根据所述字符概率分布信息，计算每个所述序号位置的权重修正系数；
所述计算模块，还用于根据所述序号位置的字符概率分布信息以及所述序号位置的权重修正系数，计算所述序号位置的字符修正概率分布信息；
所述确定模块，还用于根据所述字符修正概率分布信息，确定所述序号位置修正后的目标字符；
组合模块，用于将所有所述序号位置的目标字符进行组合，获得所述待识别车牌图片对应的车牌字符；
其中，所述确定模块根据所述字符概率分布信息以及目标序号位置的字符概率，确定车牌权重计算公式，包括：
根据所述字符概率分布信息，判断目标序号位置为空字符的概率是否大于预设阈值；
若所述目标序号位置为空字符的概率大于预设阈值，确定所述待识别车牌图片对应的车牌属于预设的第一属性车牌；将为所述第一属性车牌预设的权重计算公式确定为车牌权重计算公式，其中，所述为所述第一属性车牌预设的权重计算公式为：WA=Top2Mean(P1A，P2A，P3A，P4A，P5A)*P6N；WD=1-WA；WC=max(WA,WD)；其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，P1A、P2A、P3A、P4A以及P5A依次为序号第1-5位为字母的概率，P6N为序号第6位为空字符NULL的概率，Top2Mean（ P1A，P2A，P3A，P4A，P5A）为P1A、P2A、P3A、P4A以及P5A中第1大值和第2大值的均值；或，
若所述目标序号位置为空字符的概率小于或等于预设阈值，确定所述待识别车牌图片对应的车牌属于预设的第二属性车牌；判断两个预设序号位置为字母的概率的最大值是否大于所述目标序号位置为字母的概率；若两个预设序号位置为字母的概率的最大值大于所述目标序号位置为字母的概率，将为所述第二属性车牌预设的第一权重计算公式确定为车牌权重计算公式；或，若两个预设序号位置为字母的概率的最大值小于或等于所述目标序号位置为字母的概率，将为所述第二属性车牌预设的第二权重计算公式确定为车牌权重计算公式，其中，所述为所述第二属性车牌预设的第一权重计算公式为：WA=max(P12A)*(1-P6A)*(1-P6N)；WD=1–WA；WC=max(WA,WD)；其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，P6N为序号第6位为空字符NULL的概率，max(P12A)为序号第1~2位为字母的概率的最大值，P6A为序号第6位为字母的概率；所述为所述第二属性车牌预设的第二权重计算公式为：WA=(1-max(P12A))*P6A*(1-P6N)；WD=1–WA；WC=max(WA,WD) ；其中，WA为字母修正权重，WD为数字修正权重，WC为汉字修正权重，P6N为序号第6位为空字符NULL的概率，max(P12A)为序号第1~2位为字母的概率的最大值，P6A为序号第6位为字母的概率。
4.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1或2所述的车牌识别方法。
5.一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存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1或2所述的车牌识别方法。
CN202010684176.9A 2020-07-16 2020-07-16 车牌识别方法及相关设备 Active CN111563504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010684176.9A CN111563504B (zh) 2020-07-16 2020-07-16 车牌识别方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010684176.9A CN111563504B (zh) 2020-07-16 2020-07-16 车牌识别方法及相关设备

Publications (2)

Publication Number Publication Date
CN111563504A CN111563504A (zh) 2020-08-21
CN111563504B true CN111563504B (zh) 2020-10-30

Family

ID=72072861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010684176.9A Active CN111563504B (zh) 2020-07-16 2020-07-16 车牌识别方法及相关设备

Country Status (1)

Country Link
CN (1) CN111563504B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446383B (zh) * 2020-11-30 2022-09-02 展讯通信（上海）有限公司 车牌识别方法及装置、存储介质、终端
CN112580643B (zh) * 2020-12-09 2024-07-16 浙江智慧视频安防创新中心有限公司 一种基于深度学习的车牌识别方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339697A (zh) * 2008-08-14 2009-01-07 北京中星微电子有限公司 车辆闯红灯的检测系统及方法
CN110490179A (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
CN111209905A (zh) * 2020-04-23 2020-05-29 北京慧智数据科技有限公司 一种基于深度学习与ocr技术相结合的污损遮挡号牌识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537223B (zh) * 2018-04-16 2022-02-15 广东工业大学 一种车牌检测方法、系统及设备和存储介质
CN109086722B (zh) * 2018-08-06 2021-04-13 汉王科技股份有限公司 混合车牌识别方法、装置、电子设备
CN109063702B (zh) * 2018-08-08 2022-05-17 北京旷视科技有限公司 车牌识别方法、装置、设备及存储介质
GB2576538B (en) * 2018-08-23 2020-09-02 Roadmetric Ltd Detection and documentation of speeding violations

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339697A (zh) * 2008-08-14 2009-01-07 北京中星微电子有限公司 车辆闯红灯的检测系统及方法
CN110490179A (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
CN111209905A (zh) * 2020-04-23 2020-05-29 北京慧智数据科技有限公司 一种基于深度学习与ocr技术相结合的污损遮挡号牌识别方法

Also Published As

Publication number Publication date
CN111563504A (zh) 2020-08-21

Similar Documents

Publication Publication Date Title
CN111783875B (zh) 基于聚类分析的异常用户检测方法、装置、设备及介质
CN111461168A (zh) 训练样本扩充方法、装置、电子设备及存储介质
CN111563504B (zh) 车牌识别方法及相关设备
CN111785384A (zh) 基于人工智能的异常数据识别方法及相关设备
CN111783767B (zh) 文字识别方法、装置、电子设备及存储介质
CN111784699B (zh) 一种对三维点云数据进行目标分割方法、装置及终端设备
CN112163637B (zh) 基于非平衡数据的图像分类模型训练方法、装置
CN113298152B (zh) 模型训练方法、装置、终端设备及计算机可读存储介质
CN112488297B (zh) 一种神经网络剪枝方法、模型生成方法及装置
CN113065609B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN112257413A (zh) 地址参数处理方法及相关设备
CN111931729B (zh) 基于人工智能的行人检测方法、装置、设备及介质
CN112132033A (zh) 车型识别方法、装置、电子设备及存储介质
CN118334353B (zh) 解码器输入增强的医学影像分割方法、系统、介质及设备
CN109597987A (zh) 一种文本还原方法、装置及电子设备
CN110472227B (zh) 一种词汇掌握程度评估方法、装置、终端设备及存储介质
CN117218622A (zh) 路况检测方法、电子设备及存储介质
CN111583215B (zh) 损伤图像智能定损方法、装置、电子设备及存储介质
CN111126501B (zh) 一种图像识别方法、终端设备及存储介质
CN111679959A (zh) 计算机性能数据确定方法、装置、计算机设备及存储介质
CN115618019A (zh) 知识图谱构建方法、装置及终端设备
CN115239958A (zh) 基于人工智能的轮毂损伤检测方法及相关设备
CN113239226A (zh) 一种图像检索方法、装置、设备及存储介质
CN112132031B (zh) 车款识别方法、装置、电子设备及存储介质
CN111199345B (zh) 海绵城市的设计降雨量的测算方法及终端设备

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