CN111814786A - 一种结合车牌轮廓nms精修算法的车牌识别方法及装置 - Google Patents
一种结合车牌轮廓nms精修算法的车牌识别方法及装置 Download PDFInfo
- Publication number
- CN111814786A CN111814786A CN202010545746.6A CN202010545746A CN111814786A CN 111814786 A CN111814786 A CN 111814786A CN 202010545746 A CN202010545746 A CN 202010545746A CN 111814786 A CN111814786 A CN 111814786A
- Authority
- CN
- China
- Prior art keywords
- license plate
- nms
- contour
- algorithm
- image
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000001914 filtration Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000009966 trimming Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement 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
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
- G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种结合车牌轮廓NMS精修算法的车牌识别方法及装置。所述方法包括：车牌检测；基于NMS精修算法车牌精修；车牌矫正；车牌识别。所述装置包括：车牌检测模块、车牌精修模块、车牌矫正模块以及车牌识别模块。本申请既保留了有效轮廓，又减少了轮廓的重叠，从而使后续拟合出来的车牌号码边界更贴合实际情形，提高了识别车牌号码的准确率。进一步采用分块NMS算法，对车牌图像进行分块，并对分块后的图像分别进行NMS，最后再次合成一幅图像，提高了计算效率，节省了计算资源。
Description
技术领域
本申请涉及图像检测技术领域，具体而言，涉及一种结合车牌轮廓NMS精修算法的车牌识别方法及装置。
背景技术
目前，成熟的车牌识别方案大概需要经过4个步骤：(1).车牌检测；(2).车牌精修；(3).车牌矫正；(4).车牌识别。其中，车牌精修是比较关键的步骤，它需要对前一步车牌检测环节检出的车牌矩形框去粗取精即确定车牌号码的真实边界以剔除冗余信息，精修的结果会直接影响到后续车牌识别的效果。现有主流的精修方法先要对图像进行二值化处理，再进行轮廓检测，最后依据各分散的轮廓顶点坐标拟合出车牌号码部分的边界。
该方法在车牌号码清晰、车牌图像各部位亮度差异相对较小的情况下会有较好的效果，但是在车牌号码模糊、车牌各部位亮度差异较大的情况下精修效果会明显下降。究其原因，当检测出的有效轮廓过少时将导致覆盖的不到位，而轮廓过多容易引起分布不均匀，因此它们都有可能导致后续拟合出来的边界出现较大偏差，造成车牌号码文字截断等情况，影响识别准确率。
针对相关技术中，因车牌精修算法导致车牌识别准确率下降的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种结合车牌轮廓NMS精修算法的车牌识别方法及装置，以解决相关技术中，因车牌精修算法导致车牌识别准确率下降的问题。
为了实现上述目的，第一方面，本申请提供了一种结合车牌轮廓NMS精修算法的车牌识别方法，包括如下步骤：
车牌检测；
基于NMS精修算法车牌精修；
车牌矫正；
车牌识别。
所述车牌检测，采集待检测车牌图像；
所述基于NMS精修算法车牌精修，包括：
对所述待检测车牌图像进行灰度化，得到灰度图像；
对所述灰度图像，通过多组不同参数进行二值化操作，得到对应的多组二值化图像；
对所述多组二值化图像，通过轮廓检测算法，检测出多组二值图像的分散的轮廓；
对所述分散的轮廓进行初步筛选，得到筛选后的分散轮廓；
对所述筛选后的分散轮廓，进行NMS算法，得到多组目标轮廓；
对所述多组目标轮廓叠加在同一幅图像中，拟合车牌边界，得到精修后的车牌图像；
所述车牌矫正，对精修后的车牌图像，通过仿射变换进行矫正，得到矫正后车牌图像。
所述车牌识别，对所述矫正后的车牌图像进行号牌识别，得到识别后的车牌号码。
所述多组不同参数进行二值化操作，包括选择不同的阈值常数(C)以及邻域大小(B)对所述灰度图像进行多轮二值化操作。
所述步骤筛选，依据大小、纵横比设定大小阈值与和横纵比阈值，若大小与横纵比均在阈值之内的，输出为筛选后的分散轮廓，若大小与横纵比有其一或两者均在阈值外的，则过滤掉此时的分散轮廓。
所述NMS算法，包括如下步骤：
将所有筛选后的分散轮廓加入到候选列表；
从候选列表中选择第一个轮廓加入到输出列表，并将其从候选列表中删除。
依次计算当前选出轮廓与其它所有候选列表中轮廓的IOU，删除大于给定轮廓阈值的候选轮廓，重复上述过程直到候选列表为空。
输出列表中的候选轮廓即为最终的目标轮廓。
所述轮廓，采用同一置信度处理。
所述拟合车牌边界，对于车牌上下边界的拟合，分别选取各目标轮廓的左上角点和右下角点。
所述NMS算法，进一步采用分块NMS算法，提高计算效率，摒弃了计算资源浪费，流程如下：
将采集到的待检测车牌图像分成N个块，N<5，将每块使用所述基于NMS精修算法车牌精修流程进行处理，分别到每块的精修后的车牌图像，再将所有块合成起来得到一幅完整的精修后的车牌图像。
所述分块NMS算法中，将采集到的待检测车牌图像分成N个块，采用补边方法，消除因为分块而存在的误差，即每一分块在NMS操作时会向两边进行预定比例的图像扩充。
第二方面，本申请还提供了一种结合车牌轮廓NMS精修算法的车牌识别装置，包括：车牌检测模块、车牌精修模块、车牌矫正模块以及车牌识别模块。
所述车牌检测模块、车牌精修模块、车牌矫正模块以及车牌识别模块依次顺序连接；
所述车牌检测模块，采集待检测车牌图像；
所述车牌精修模块，采用NMS精修算法对车牌进行精修；
所述车牌矫模块正，对精修后的车牌图像，通过仿射变换进行矫正，得到矫正后车牌图像；
所述车牌识别模块，对所述矫正后的车牌图像进行号牌识别，得到识别后的车牌号码。
有益技术效果：
本申请提出一种结合轮廓NMS精修算法的车牌识别方法及装置，主要是在车牌精修阶段，在图像动态阈值二值化处理时通过调整阈值常数(C)以及邻块大小(B)进行多轮二值化操作以及轮廓框检测，然后综合所有已检出的轮廓经初步过滤后形成候选轮廓，再对候选轮廓进行NMS操作。本申请既保留了有效轮廓，又减少了轮廓的重叠，从而使后续拟合出来的车牌号码边界更贴合实际情形，提高了识别车牌号码的准确率。进一步采用分块NMS算法，对车牌图像进行分块，并对分块后的图像分别进行NMS，最后再次合成一幅图像，提高了计算效率，节省了计算资源。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的一种结合车牌轮廓NMS精修算法的车牌识别方法流程图；
图2是根据本申请实施例提供的基于NMS精修算法车牌精修流程图；
图3是根据本申请实施例提供的识别准确率低的车牌图像；
图4是根据本申请实施例提供的二值化仿真效果图；
图5是根据本申请实施例提供的初步筛选效果图；
图6是根据本申请实施例提供的重叠的轮廓示意图；
图7是根据本申请实施例提供的NMS算法处理后示意图；
图8是根据本申请实施例提供的补边方法示意图；
图9是根据本申请实施例提供的边界拟合示意图；
图10是根据本申请实施例提供的一种结合车牌轮廓NMS精修算法的车牌识别装置示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，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”等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，以便这里描述的本申请的实施例。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。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
另外，术语“多个”的含义应为两个以及两个以上。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
第一方面，本申请提供了一种结合车牌轮廓NMS精修算法的车牌识别方法，如图1所示，包括如下步骤：
步骤S100：车牌检测；
步骤S101：基于NMS精修算法车牌精修；
步骤S102：车牌矫正；
步骤S103车牌识别。
所述车牌检测，采集待检测车牌图像；
在车牌检测环节，受检出方式(矩形框)、车牌角度、车辆远近、车牌模糊程度等影响，检出的车牌图像通常带有不同程度的背景信息，如图3所示。
直接使用该类图像进行车牌识别会大大降低识别准确率，通过进一步的车牌精修来消除冗余信息，获取更准确的车牌边界，可以大幅优化识别效果。本申请中通过调整阈值常数(C)以及邻域大小(B)对车牌灰度图进行多轮二值化和轮廓检测，最后综合所有已检出的轮廓，在完成初步过滤后对剩余轮廓进行NMS操作，得到最终的目标轮廓。根据各分散目标轮廓的顶点坐标拟合出车牌边界。
所述基于NMS精修算法车牌精修，如图2所示，包括：
步骤S200：对所述待检测车牌图像进行灰度化，得到灰度图像；
步骤S201对所述灰度图像，通过多组不同参数进行二值化操作，得到对应的多组二值化图像；
步骤S202：对所述多组二值化图像，通过轮廓检测算法，检测出多组二值图像的分散的轮廓；
步骤S203：对所述分散的轮廓进行初步筛选，得到筛选后的分散轮廓；
步骤S204：对所述筛选后的分散轮廓，进行NMS算法，得到多组目标轮廓；
步骤S205：对所述多组目标轮廓叠加在同一幅图像中，拟合车牌边界，得到精修后的车牌图像；
所述车牌矫正，对精修后的车牌图像，通过仿射变换进行矫正，得到矫正后车牌图像。
所述车牌识别，对所述矫正后的车牌图像进行号牌识别，得到识别后的车牌号码。
所述多组不同参数进行二值化操作，包括选择不同的阈值常数(C)以及邻域大小(B)对所述灰度图像进行多轮二值化操作。
车牌图像上的不同部分通常明暗程度不同,在进行二值化处理采用自适应阈值的方式，此时的阈值是根据图像上的每一个小区域(B)计算与其对应的阈值。同时，还加入了阈值常数(C)进行微调。为了减少漏检，通过调整不同的阈值常数(C)和邻块大小(B)这两个参数进行二值化操作，产生多组二值化图像，再对每一幅图像进行轮廓检测，二值化仿真效果图如图4所示。
所述步骤筛选，依据大小、纵横比设定大小阈值与和横纵比阈值，若大小与横纵比均在阈值之内的，输出为筛选后的分散轮廓，若大小与横纵比有其一或两者均在阈值外的，则过滤掉此时的分散轮廓。
理想的轮廓应该是恰好包含车牌号码中的各个独立的字母或数字，但是受外部环境及车牌自身状况的影响，在二值化后检出的轮廓其形状、大小多种多样，其中存在不少明显不符合的轮廓。倘若不经处理直接送入一步操作，将严重增加计算负担，同时对最终的边界拟合产生影响。因此，依据大小、纵横比等要求，按经验值对所有检出的轮廓进行过滤，形成候选轮廓，初步筛选效果图如图5所示。
车牌不同部分亮度、清晰度不同，多组二值化及轮廓检测过程中，对于明亮、清晰的部位，大小、比例相似的轮廓会集中分布，而相对昏暗、模糊的部位，轮廓分布比较稀疏。分布集中的区域在边界拟合时权重占比更大，导致边界将向其倾斜，产生偏差。如何才能在尽可能地保留有效轮廓的同时，抑制重叠的轮廓正是需要解决的一大问题，重叠的轮廓示意图，如图6所示。
在本申请中，创造性地引入非极大值抑制算法(NMS，NonMaximumSuppression)对候选轮廓进行过滤。NMS算法处理后示意图，如图7所示。
所述NMS算法，包括如下步骤：
将所有筛选后的分散轮廓加入到候选列表；
从候选列表中选择第一个轮廓加入到输出列表，并将其从候选列表中删除。
依次计算当前选出轮廓与其它所有候选列表中轮廓的IOU(IOU Intersectionover Union，交并比)，删除大于给定轮廓阈值的候选轮廓，重复上述过程直到候选列表为空。
输出列表中的候选轮廓即为最终的目标轮廓。
所述轮廓，采用同一置信度处理。因为不涉及到各轮廓在置信度上的差异，在做NMS时统一按同一置信度处理即可。
所述拟合车牌边界，对于车牌上下边界的拟合，分别选取各目标轮廓的左上角点和右下角点，边界拟合示意图，如图9所示。
经典NMS需要对所有目标轮廓统一进行计算，并没有考虑到位置因素的影响，容易造成计算资源的浪费。例如：当两个轮廓框的位置相距较远时其实就没有必要进行排序和IOU计算了。同时，这种整体计算的方式也不便于并行执行，限制了计算效率。对于算力受限条件下的移动端或者嵌入设备而言，消除冗余计算，提高计算效率显得尤为重要。
所述NMS算法，进一步采用分块NMS算法，提高计算效率，摒弃了计算资源浪费，流程如下：
将采集到的待检测车牌图像分成N个块，N<5，将每块使用所述基于NMS精修算法车牌精修流程进行处理，分别到每块的精修后的车牌图像，再将所有块合成起来得到一幅完整的精修后的车牌图像。
分块NMS算法可能存在的误差来自于分块边界部分，由于边界部分的轮廓框在抑制的过程中可能受相邻轮廓框的影响
所述分块NMS算法中，将采集到的待检测车牌图像分成N个块，采用补边方法，消除因为分块而存在的误差，即每一分块在NMS操作时会向两边进行预定比例的图像扩充，补边方法示意图，如图8所示。
第二方面，本申请还提供了一种结合车牌轮廓NMS精修算法的车牌识别装置，包括：车牌检测模块、车牌精修模块、车牌矫正模块以及车牌识别模块。
所述车牌检测模块、车牌精修模块、车牌矫正模块以及车牌识别模块依次顺序连接，如图10所示；
所述车牌检测模块，采集待检测车牌图像；
所述车牌精修模块，采用NMS精修算法对车牌进行精修；
所述车牌矫模块正，对精修后的车牌图像，通过仿射变换进行矫正，得到矫正后车牌图像；
所述车牌识别模块，对所述矫正后的车牌图像进行号牌识别，得到识别后的车牌号码。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种结合车牌轮廓NMS精修算法的车牌识别方法，其特征在于，包括：
车牌检测；
基于NMS精修算法车牌精修；
车牌矫正；
车牌识别。
2.如权利要求1所述的结合车牌轮廓NMS精修算法的车牌识别方法，其特征在于，所述车牌检测，采集待检测车牌图像。
3.如权利要求1所述的结合车牌轮廓NMS精修算法的车牌识别方法，其特征在于，所述基于NMS精修算法车牌精修，包括：
对所述待检测车牌图像进行灰度化，得到灰度图像；
对所述灰度图像，通过多组不同参数进行二值化操作，得到对应的多组二值化图像；
对所述多组二值化图像，通过轮廓检测算法，检测出多组二值图像的分散的轮廓；
对所述分散的轮廓进行初步筛选，得到筛选后的分散轮廓；
对所述筛选后的分散轮廓，进行NMS算法，得到多组目标轮廓；
对所述多组目标轮廓叠加在同一幅图像中，拟合车牌边界，得到精修后的车牌图像。
4.如权利要求1所述的结合车牌轮廓NMS精修算法的车牌识别方法，其特征在于，所述车牌矫正，对精修后的车牌图像，通过仿射变换进行矫正，得到矫正后车牌图像。
5.如权利要求1所述的结合车牌轮廓NMS精修算法的车牌识别方法，其特征在于，所述车牌识别，对所述矫正后的车牌图像进行号牌识别，得到识别后的车牌号码。
6.如权利要求3所述的结合车牌轮廓NMS精修算法的车牌识别方法，其特征在于，所述多组不同参数进行二值化操作，包括选择不同的阈值常数以及邻域大小对所述灰度图像进行多轮二值化操作。
7.如权利要求3所述的结合车牌轮廓NMS精修算法的车牌识别方法，其特征在于，所述步骤筛选，依据大小、纵横比设定大小阈值与和横纵比阈值，若大小与横纵比均在阈值之内的，输出为筛选后的分散轮廓，若大小与横纵比有其一或两者均在阈值外的，则过滤掉此时的分散轮廓。
8.如权利要求3所述的结合车牌轮廓NMS精修算法的车牌识别方法，其特征在于，所述NMS算法，包括如下步骤：
将所有筛选后的分散轮廓加入到候选列表；
从候选列表中选择第一个轮廓加入到输出列表，并将其从候选列表中删除；
依次计算当前选出轮廓与其它所有候选列表中轮廓的IOU，删除大于给定轮廓阈值的候选轮廓，重复上述过程直到候选列表为空；
输出列表中的候选轮廓即为最终的目标轮廓。
9.如权利要求8所述的结合车牌轮廓NMS精修算法的车牌识别方法，其特征在于，所述NMS算法，进一步采用分块NMS算法，流程如下：
将采集到的待检测车牌图像分成N个块，将每块使用所述基于NMS精修算法车牌精修流程进行处理，分别到每块的精修后的车牌图像，再将所有块合成起来得到一幅完整的精修后的车牌图像；
所述分块NMS算法中，将采集到的待检测车牌图像分成N个块，采用补边方法，即每一分块在NMS操作时会向两边进行预定比例的图像扩充。
10.一种结合车牌轮廓NMS精修算法的车牌识别装置，其特征在于，使用如权利要求1-9任一项所述的结合车牌轮廓NMS精修算法的车牌识别方法实现，包括：车牌检测模块、车牌精修模块、车牌矫正模块以及车牌识别模块；
所述车牌检测模块、车牌精修模块、车牌矫正模块以及车牌识别模块依次顺序连接；
所述车牌检测模块，采集待检测车牌图像；
所述车牌精修模块，采用NMS精修算法对车牌进行精修；
所述车牌矫模块正，对精修后的车牌图像，通过仿射变换进行矫正，得到矫正后车牌图像；
所述车牌识别模块，对所述矫正后的车牌图像进行号牌识别，得到识别后的车牌号码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010545746.6A CN111814786A (zh) | 2020-06-15 | 2020-06-15 | 一种结合车牌轮廓nms精修算法的车牌识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010545746.6A CN111814786A (zh) | 2020-06-15 | 2020-06-15 | 一种结合车牌轮廓nms精修算法的车牌识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111814786A true CN111814786A (zh) | 2020-10-23 |
Family
ID=72846271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010545746.6A Pending CN111814786A (zh) | 2020-06-15 | 2020-06-15 | 一种结合车牌轮廓nms精修算法的车牌识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111814786A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464938A (zh) * | 2020-12-18 | 2021-03-09 | 深圳赛安特技术服务有限公司 | 车牌检测识别方法、装置、设备及存储介质 |
| CN113033540A (zh) * | 2021-04-14 | 2021-06-25 | 易视腾科技股份有限公司 | 场景文字的轮廓拟合和校正方法、电子设备及存储介质 |
| CN116580290A (zh) * | 2023-07-11 | 2023-08-11 | 成都庆龙航空科技有限公司 | 无人机的识别方法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200210A (zh) * | 2014-08-12 | 2014-12-10 | 合肥工业大学 | 一种基于部件的车牌字符分割方法 |
| CN107679531A (zh) * | 2017-06-23 | 2018-02-09 | 平安科技（深圳）有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
| CN110414507A (zh) * | 2019-07-11 | 2019-11-05 | 和昌未来科技（深圳）有限公司 | 车牌识别方法、装置、计算机设备和存储介质 |
-
2020
- 2020-06-15 CN CN202010545746.6A patent/CN111814786A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200210A (zh) * | 2014-08-12 | 2014-12-10 | 合肥工业大学 | 一种基于部件的车牌字符分割方法 |
| CN107679531A (zh) * | 2017-06-23 | 2018-02-09 | 平安科技（深圳）有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
| CN110414507A (zh) * | 2019-07-11 | 2019-11-05 | 和昌未来科技（深圳）有限公司 | 车牌识别方法、装置、计算机设备和存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464938A (zh) * | 2020-12-18 | 2021-03-09 | 深圳赛安特技术服务有限公司 | 车牌检测识别方法、装置、设备及存储介质 |
| CN112464938B (zh) * | 2020-12-18 | 2024-04-12 | 深圳赛安特技术服务有限公司 | 车牌检测识别方法、装置、设备及存储介质 |
| CN113033540A (zh) * | 2021-04-14 | 2021-06-25 | 易视腾科技股份有限公司 | 场景文字的轮廓拟合和校正方法、电子设备及存储介质 |
| CN116580290A (zh) * | 2023-07-11 | 2023-08-11 | 成都庆龙航空科技有限公司 | 无人机的识别方法、装置及存储介质 |
| CN116580290B (zh) * | 2023-07-11 | 2023-10-20 | 成都庆龙航空科技有限公司 | 无人机的识别方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111814786A (zh) | 一种结合车牌轮廓nms精修算法的车牌识别方法及装置 | |
| CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
| CN107657606B (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
| CN114723681B (zh) | 一种基于机器视觉的混凝土裂缝缺陷检测方法 | |
| CN112800986B (zh) | 车载摄像头外参标定方法、装置、车载终端和存储介质 | |
| CN102402686B (zh) | 一种基于连通域分析的车牌字符分割方法 | |
| CN102222226B (zh) | 一种基于先验分析的迭代式车牌字符分割方法 | |
| CN107909571A (zh) | 一种焊缝图像处理方法、系统、设备及计算机存储介质 | |
| CN112528868B (zh) | 一种基于改进Canny边缘检测算法的违章压线判别方法 | |
| CN105894004A (zh) | 一种针对车牌识别系统中定位不全车牌的补全技术 | |
| CN108537099A (zh) | 一种复杂背景的车牌识别方法 | |
| CN115830022B (zh) | 基于机器视觉的过滤机滤网缺陷检测方法 | |
| CN109325498B (zh) | 基于窗口动态阈值改进Canny算子的叶脉提取方法 | |
| CN102693535B (zh) | 一种检测dr图像中束光器区域的方法 | |
| CN107067375A (zh) | 一种基于暗通道先验和边缘信息的图像去雾方法 | |
| CN116310845A (zh) | 一种用于污水处理的智能监测系统 | |
| CN107274673B (zh) | 基于修正局部方差的车辆排队长度测量方法及测量系统 | |
| CN117314793A (zh) | 基于bim模型的建筑施工数据采集方法 | |
| CN112132215B (zh) | 一种识别物体类型的方法、装置及计算机可读存储介质 | |
| CN111160339B (zh) | 车牌矫正方法、图像处理设备及具有存储功能的装置 | |
| CN112634141A (zh) | 一种车牌矫正方法、装置、设备及介质 | |
| CN106326901B (zh) | 基于边缘点自相似性的水渍图像识别方法及teds系统 | |
| CN115984806B (zh) | 道路标线破损动态检测系统 | |
| CN112288765A (zh) | 一种用于车载红外行人检测跟踪的图像处理方法 | |
| CN117011243A (zh) | 矶花图像对比分析方法 |
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 |