CN111860610B - 一种车牌过曝及有无牌车识别的方法、设备及计算机存储介质 - Google Patents

一种车牌过曝及有无牌车识别的方法、设备及计算机存储介质 Download PDF

Info

Publication number
CN111860610B
CN111860610B CN202010603989.0A CN202010603989A CN111860610B CN 111860610 B CN111860610 B CN 111860610B CN 202010603989 A CN202010603989 A CN 202010603989A CN 111860610 B CN111860610 B CN 111860610B
Authority
CN
China
Prior art keywords
license plate
vehicle
layer
overexposure
classification
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
CN202010603989.0A
Other languages
English (en)
Other versions
CN111860610A (zh
Inventor
麦志恒
贺迪龙
林焕凯
王祥雪
刘双广
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.)
Gosuncn Technology Group Co Ltd
Original Assignee
Gosuncn Technology Group 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 Gosuncn Technology Group Co Ltd filed Critical Gosuncn Technology Group Co Ltd
Priority to CN202010603989.0A priority Critical patent/CN111860610B/zh
Publication of CN111860610A publication Critical patent/CN111860610A/zh
Application granted granted Critical
Publication of CN111860610B publication Critical patent/CN111860610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于车牌识别技术领域，具体涉及一种车牌过曝及有无车牌识别的方法，利用共享的权值特征，同时进行车辆图像的是否过曝识别和有无车牌识别，然后融合两个分类任务的结果，得到模型识别的四种情况，分别是：不过曝有牌车、不过曝无牌车、过曝有牌车和过曝无牌车。其中真正的无牌车类别标签为“不过曝无牌车”，其余都归类为有牌车，从而降低车牌识别系统在夜间对“过曝有牌车”的误识别。本发明可在降低“过曝有牌车”误识别的前提下提高无牌车识别精确度，并且保证无牌车识别的召回率。

Description

一种车牌过曝及有无牌车识别的方法、设备及计算机存储介质
技术领域
本发明属于车牌识别技术领域，具体涉及一种车牌过曝及有无车牌识别的方法、设备及计算机存储介质。
背景技术
在夜间卡口过车检测场景下，摄像头需要采集过往车辆信息进行识别，由于夜间环境黑暗，通常会使用闪光灯进行拍摄补光，但车辆尤其车牌区域对强光的漫反射，会导致采集到的图像车牌区域过曝，丢失车牌原本的特征，现有的车牌识别系统会因为检测不到车牌区域，或者无法识别车牌特征而误识别该车为无牌车。本发明针对此问题，开发一个高精度的夜间无牌车识别算法，旨在降低夜间车牌识别系统对无牌车的误检率。
目前并没有有效的针对夜间无牌车识别方法，无牌车的识别作为车牌识别的一种负样本，依托于鲁棒性足够强的车牌识别系统中进行甄别，例如车牌区域固有的颜色、纹理、字符和形状等特征可被图像处理算法识别，从而判定为有牌车，对于无牌车则不存在上述特征，因此当图像处理算法无法检测到特征时，则判定为无牌车，这种方案在图像质量好，车牌特征明显时对有无牌车分类效果好，但是在夜间图像质量差，车牌区域过曝的条件下，无法有效区分有无牌车。
基于传统的图像处理方法的车牌识别，例如：公开号为“CN201710549177.0”的发明专利，提出了一种基于改进的OSTU算法的夜间车牌二值化的方法，主要采用改进的阈值自适应微调的OSTU算法来进行二值化，根据图像平均灰度值对传统方法得出的阈值进行微调，并把该方法运用到夜间车牌的二值化阶段。该方法针对夜间环境光变化大的特点，改进OSTU算法进行车牌特征的检测，要求车牌区域特征明确，因此过曝、边缘特征、字符特征不明显的有牌车容易被误识别为无牌车。论文《用于卡口系统的车牌遮挡检测方法》中提出一种基于多特征和 SVM 训练结合的字符识别方法，使用该方法得到的字符识别置信度可以有效区分遮挡字符和正常字符。该方案要求车牌区域应具有字符特征，在夜间有牌车的车牌区域过曝情况下，字符特征很难被检测到，也容易识别为无牌车。
基于深度学习方法的，通常利用目标检测手段定位车牌区域，例如：公开号为“CN201410831421.9”的发明专利，提出从视频中检测车辆目标，定位车辆目标的矩形车身区域，在所述的矩形区域中检测车牌，若未检测到车牌，则相应的车辆目标为无牌车目标。该方法主要利用目标检测定位车身位置，然后进一步对车身区域识别车牌，对于车牌特征不明显的夜间车辆图像，容易被误识别为无牌车。
现有的车牌识别系统，绝大多数只对有牌车的检测与识别进行设计，没有针对无牌车识别或车牌质量进行判断，在白天光线充足或关照稳定的环境中无牌车识别效果不错，但在夜间卡口过车检测场景中，因为闪光灯或过往车辆灯光照射导致的车牌区域过曝，丢失大部分车牌颜色、车牌字符和车牌边缘等特征，现有的车牌识别系统很容易把车牌区域过曝的有牌车误判为无牌车，从而导致误检率大增。
发明内容
针对现有的卡口车牌识别系统夜间会对过曝的有牌车误识别为无牌车的问题，本发明设计了一种车牌过曝及有无车牌识别的方法。融合两个任务结果进行最终无牌车识别，从而提高无牌车识别准确率。
本发明通过以下技术方案实现：
一种车牌过曝及有无牌车识别的方法，其包括步骤：S1：数据集建立，所述数据集包括训练集和测试集，输入样本图像； S2：图像预处理；
S3：网络模型训练，包括数据输入层、隐藏层、第一全连接层、第二全连接层、第一输出层、第二输出层和图像标签处理；其中，多任务卷积神经网络模型包括1个数据输入层input，7个卷积层，分别为conv1~conv7，3个批量归一化层norm1~norm3，4个池化层pool1~pool4和5个全连接层fc8、fc9_1、fc9_2、fc10_1、fc10_2；
S3.1所述的数据输入层input，用于输入预处理后的图像，控制图像输入尺寸和批量大小；
S3.2：所述的隐藏层是多任务卷积神经网络的权值共享层，用于提供图像权值特征的共享；
S3.3：所述的第一全连接层和第一输出层执行过曝分类任务部分，其中第一输出层输出的是Softmax计算的概率分布，分类0表示不过曝，分类置信度prob1_0；分类1为过曝，分类置信度prob1_1；
S3.4：所述的第二全连接层和第二输出层执行有无牌车分类任务部分，其中第二输出层输出的是Softmax计算的概率分布，分类0表示无牌车，分类置信度prob2_0；分类1为有牌车，分类置信度prob2_1；
S3.5：所述的图像标签处理，对数据集建立图像的多属性标签，对所述的多属性标签进行切片并转换成独热码形式；
S3.6：在网络模型训练阶段，先对传入的数据进行前向计算，然后采用反向梯度传播对隐藏层和第一、第二全连接层的权值进行更新；
S4：网络模型完成训练后，进行离线识别，对样本图像再次进行前向计算，由两个分类任务识别出最终类别与分类置信度。
进一步地，在步骤S2中，所述图像预处理，包括步骤：
S2.1：对上述样本图像进行了随机裁剪、0~5°的旋转和/或增加随机噪声操作；
S2.2：根据网络模型输入需求把样本图像压缩为128*128或64*64分辨率。
进一步地，所述的隐藏层由7个卷积层，分别为conv1~conv7，3个批量归一化层norm1~norm3，4个池化层pool1~pool4和1个全连接层fc8和8个激活函数层relu1~relu8构成。
进一步地，所述的第一全连接层由1个全连接层fc9_1，1个激活函数层relu9_1构成，第一输出层为一个二分类全连接层层fc10_1。
进一步地，所述的第二全连接层由1个全连接层fc9_2，1个激活函数层relu9_2构成，第二输出层为一个二分类全连接层层fc10_2。
进一步地，所述多属性标签，包括“过曝-有牌车”、“过曝-无牌车”、“不过曝-有牌车”、“不过曝-无牌车”四种。
进一步地，在步骤S1中，还包括：
S1.1：预先经车辆关键点回归模型处理，并输出结果，包括：一张分辨率为64*128的车脸区域图像和一张分辨率为64*128的车牌区域图像。
S1.2：将车脸区域图像和车牌区域图像垂直拼接成所述的样本图像，所述的样本图像的分辨率为128*128。
进一步地，在步骤S4中，还包括：
S4.1：根据步骤S3.5、S3.6多分类任务结果，可组合得到网络模型的四种分类结果，其中最终分类置信度由两个分类任务的联合概率表示：f = prob_1*prob_2；
S4.2：将网络模型识别结果分为两类“有牌车”和“无牌车”，分类为无牌车有两种情况：“不过曝无牌车”的联合概率f大于阈值T或“过曝无牌车”的联合概率f大于阈值T；其余情况都分类为有牌车。
一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现车牌过曝及有无车牌识别的方法的步骤。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中所述处理器执行所述程序时实现车牌过曝及有无车牌识别的方法的步骤。
与现有技术相比，本发明至少具有下述的有益效果或优点：
1、多任务卷积神经网络可同时对两类任务进行分类，提高模型检测效率；2、融合两个任务的分类结果和置信度进行有无牌车判断，提高无牌车识别精度，有效降低有牌车被误识别为无牌车。
3、在车牌识别系统中增加本模型，有利于加强车牌识别系统的鲁棒性。
附图说明
以下将结合附图对本发明做进一步详细说明；
图1为车牌过曝及有无车牌识别模型训练流程图；
图2为多任务卷积神经网络结构图；
图3为模型识别出的四种结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
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。
多任务的图像卷积特征提取阶段可以共享权值，分类阶段能够适应多个不同但相关的目标，具有很好的泛化能力，本方案将利用共享的权值特征，同时进行车辆图像的是否过曝识别和有无车牌识别，然后融合两个分类任务的结果，得到模型识别的四种情况，分别是：过曝有牌车（a）、过曝无牌车（b）、不过曝有牌车（c）和不过曝无牌车（d），如图3所示，其中真正的无牌车类别标签为“不过曝无牌车”，其余都归类为有牌车，从而降低车牌识别系统在夜间对“过曝有牌车”的误识别。由于无牌车上牌区域没有车牌特征，一般对光照的反射强度较弱，“过曝无牌车”类别的占比非常小，因此本算法可在降低“过曝有牌车”误识别的前提下提高无牌车识别精确度，并且保证无牌车识别的召回率。
考虑运行内存消耗和时间消耗的平衡，本方案将搭建一个具有1个数据输入层input，7个卷积层，分别为conv1~conv7，3个批量归一化层（BN: Batch Normalization）norm1~norm3，4个池化层pool1~pool4和5个全连接层fc8、fc9_1、fc9_2、fc10_1、fc10_2的多任务卷积神经网络，如图2所示，该网络所有卷积层和全连接层采用relu激活函数，其中fc10_1、fc10_2输出softmax分类概率置信度prob1、prob2，输入图像为车脸局部区域与车牌区域拼接图像，尺寸为128*128，如图3所示。
本发明的模型训练流程图如图1所示，具体通过以下技术方案来实现：
S1：数据集建立包括训练集和测试集，模型输入的图片是预先经过车辆关键点回归模型输出的结果拼接成一张样本图像。
S1.1：所述的车辆关键点回归模型输出结果包括：一张分辨率为64*128的车脸区域图像，一张分辨率为64*128的车牌区域图像。
S1.2：所述的拼接成一张样本图片，由S1.1中两张图片垂直拼接而成，其中车牌图片在车脸图片上方，形成一张分辨率为128*128的样本图像，如图3所示。
S2：图像预处理，首先对图像进行了随机裁剪、0~5°的旋转、增加随机噪声等操作，增加样本多样性以及提高模型训练的鲁棒性，然后可根据模型输入需求把图片压缩为128*128、64*64等分辨率，提高模型训练速度和识别速度。
S3：模型训练包括数据输入层、隐藏层、全连接层、输出层和图像标签处理。
S3.1所述的数据输入层input，如图2所示，用于输入预处理后的图像，控制图像输入尺寸和批量大小。
S3.2：所述的隐藏层是多任务卷积神经网络的权值共享层，为本发明两个任务提供图像权值特征的共享。由7个卷积层，分别为conv1~conv7，3个批量归一化层norm1~norm3，4个池化层pool1~pool4和1个全连接层fc8和8个激活函数层relu1~relu8构成，如图2所示。
S3.3：所述的全连接层1和输出1是曝光分类任务部分，由1个全连接层fc9_1，1个激活函数层relu9_1和一个二分类（0和1）输出层fc10_1构成，如图2所示，其中输出层输出的是Softmax计算的概率分布，其中分类0表示不过曝，分类置信度prob1_0；分类1为过曝，分类置信度prob1_1。
S3.4：所述的全连接层2和输出2是有无牌车分类任务部分，由1个全连接层fc9_2，1个激活函数层relu9_2和一个二分类（0和1）输出层fc10_2构成，如图2所示，其中输出层输出的是Softmax计算的概率分布，其中分类0表示无牌车，分类置信度prob2_0；分类1为有牌车，分类置信度prob2_1。
S3.5：所述的图像标签处理，对数据集建立图像的多属性标签，包括“过曝-有牌车”、“过曝-无牌车”、“不过曝-有牌车”、“不过曝-无牌车”四种多属性标签，分别对应于图3（a）~（d）。标签预处理阶段对多属性标签进行切片并转换成独热码形式，例如，0表示不过曝，1表示过曝；0表示无牌车，1表示有牌车。产生的标签1和标签2，分别对应分类任务1和分类任务2。
S3.6：所述模型训练阶段，模型首先对传入数据进行前向计算，然后采用反向梯度传播对隐藏层和全连接层权值进行更新。
S4：模型识别，模型完成训练后，可进行离线识别。识别阶段不用传入图像多属性标签，也不需要对网络反向传播计算更新权值，只需要把图像经过一次前向计算，由两个分类任务识别出最终类别与置信度。
S4.1：根据S5、S6多分类任务结果，可组合得到模型的四种分类结果，由S5输出1和S6输出6的分类标签共同决定：“00 -不过曝无牌车”、“01 -不过曝有牌车”、“10 -过曝无牌车”、“11 -过曝有牌车”。其中分类置信度由两个分类任务的联合概率表示：f = prob1*prob2。
S4.2：模型识别结果将分为两类“有牌车”和“无牌车”，根据S4.1，分类为无牌车有两种情况：“不过曝无牌车”的联合概率f大于阈值T和“过曝无牌车”的联合概率f大于阈值T；其余情况都分类为有牌车。
本发明提出了一种降低夜间无牌车误识别的方法流程，并搭建多任务卷积神经网络实现精准的有无牌车识别。
与现有技术相比，本发明为车牌识别系统中无牌车的识别提供了一套基于深度学习的完整思路，提高无牌车识别精度，尤其降低夜间卡口过车检测中无牌车误识别概率。
搭建的多任务卷积神经网络可以同时对两个独立任务进行权值共享，提高模型检测效率。
同时融合两个任务的分类结果，精确地识别出无牌车，降低过曝有牌车的误识别概率。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现车牌过曝及有无车牌识别的方法的步骤。
本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中所述处理器执行所述程序时实现车牌过曝及有无车牌识别的方法的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。
在不脱离本发明之精神和范围内，所做的任何修改、等同替换、改进等，同样属于本发明的保护范围之内。

Claims (9)

1.一种车牌过曝及有无牌车识别的方法，其特征在于，包括步骤：
S1：数据集建立，所述数据集包括训练集和测试集，输入样本图像；
S2：图像预处理；
S3：网络模型训练，包括数据输入层、隐藏层、第一全连接层、第二全连接层、第一输出层、第二输出层和图像标签处理；其中，多任务卷积神经网络模型包括1个数据输入层input，7个卷积层，分别为conv1~conv7，3个批量归一化层norm1~norm3，4个池化层pool1~pool4和5个全连接层fc8、fc9_1、fc9_2、fc10_1、fc10_2；
S3.1所述的数据输入层input，用于输入预处理后的图像，控制图像输入尺寸和批量大小；
S3.2：所述的隐藏层是多任务卷积神经网络的权值共享层，用于提供图像权值特征的共享；
S3.3：所述的第一全连接层和第一输出层执行过曝分类任务部分，其中第一输出层输出的是Softmax计算的概率分布，分类0表示不过曝，分类置信度prob1_0；分类1为过曝，分类置信度prob1_1；
S3.4：所述的第二全连接层和第二输出层执行有无牌车分类任务部分，其中第二输出层输出的是Softmax计算的概率分布，分类0表示无牌车，分类置信度prob2_0；分类1为有牌车，分类置信度prob2_1；
S3.5：所述的图像标签处理，对数据集建立图像的多属性标签，对所述的多属性标签进行切片并转换成独热码形式；
S3.6：在网络模型训练阶段，先对传入的数据进行前向计算，然后采用反向梯度传播对隐藏层和第一、第二全连接层的权值进行更新；
S4：网络模型完成训练后，进行离线识别，对样本图像再次进行前向计算，由两个分类任务识别出最终类别与分类置信度；
所述的隐藏层由7个卷积层，分别为conv1~conv7，3个批量归一化层norm1~norm3，4个池化层pool1~pool4和1个全连接层fc8和8个激活函数层relu1~relu8构成。
2.根据权利要求1所述的一种车牌过曝及有无牌车识别的方法，其特征在于，在步骤S2中，所述图像预处理，包括步骤：
S2.1：对上述样本图像进行了随机裁剪、0~5°的旋转和/或增加随机噪声操作；
S2.2：根据网络模型输入需求把样本图像压缩为128*128或64*64分辨率。
3.根据权利要求1所述的一种车牌过曝及有无牌车识别的方法，其特征在于，所述的第一全连接层由1个全连接层fc9_1，1个激活函数层relu9_1构成，第一输出层为一个二分类全连接层fc10_1。
4.根据权利要求1所述的一种车牌过曝及有无牌车识别的方法，其特征在于，所述的第二全连接层由1个全连接层fc9_2，1个激活函数层relu9_2构成，第二输出层为一个二分类全连接层fc10_2。
5.根据权利要求1所述的一种车牌过曝及有无牌车识别的方法，其特征在于，所述多属性标签，包括“过曝-有牌车”、“过曝-无牌车”、“不过曝-有牌车”、“不过曝-无牌车”四种。
6.根据权利要求1所述的一种车牌过曝及有无牌车识别的方法，其特征在于，在步骤S1中，还包括：
S1.1：预先经车辆关键点回归模型处理，并输出结果，包括：一张分辨率为64*128的车脸区域图像和一张分辨率为64*128的车牌区域图像；
S1.2：将车脸区域图像和车牌区域图像垂直拼接成所述的样本图像，所述的样本图像的分辨率为128*128。
7.根据权利要求1所述的一种车牌过曝及有无牌车识别的方法，其特征在于，在步骤S4中，还包括：
S4.1：根据步骤S3.5、S3.6多分类任务结果，可组合得到网络模型的四种分类结果，其中最终分类置信度由两个分类任务的联合概率表示：f = prob_1*prob_2；
S4.2：将网络模型识别结果分为两类“有牌车”和“无牌车”，分类为无牌车有两种情况：“不过曝无牌车”的联合概率f大于阈值T或“过曝无牌车”的联合概率f大于阈值T；其余情况都分类为有牌车。
8.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现权利要求1-7任一所述的车牌过曝及有无牌车识别的方法的步骤。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中所述处理器执行所述程序时实现权利要求1-7任一所述的车牌过曝及有无牌车识别的方法的步骤。
CN202010603989.0A 2020-06-29 2020-06-29 一种车牌过曝及有无牌车识别的方法、设备及计算机存储介质 Active CN111860610B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010603989.0A CN111860610B (zh) 2020-06-29 2020-06-29 一种车牌过曝及有无牌车识别的方法、设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010603989.0A CN111860610B (zh) 2020-06-29 2020-06-29 一种车牌过曝及有无牌车识别的方法、设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN111860610A CN111860610A (zh) 2020-10-30
CN111860610B true CN111860610B (zh) 2023-04-14

Family

ID=72989369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010603989.0A Active CN111860610B (zh) 2020-06-29 2020-06-29 一种车牌过曝及有无牌车识别的方法、设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN111860610B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200148B (zh) * 2020-11-06 2024-01-26 中国计量大学 一种去中心化的交通诚信评价系统
CN112883911A (zh) * 2021-03-17 2021-06-01 高新兴科技集团股份有限公司 一种无牌车辆判别方法、装置以及电子设备
CN115861974B (zh) * 2023-02-24 2023-05-09 成都宜泊信息科技有限公司 停车场无牌车通行管理方法、系统、电子设备及存储介质
CN117232097B (zh) * 2023-11-09 2024-02-20 上海轻环能源科技有限公司 基于自学习融合模型中央空调制冷站优化控制方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127248A (zh) * 2016-06-24 2016-11-16 平安科技（深圳）有限公司 基于深度学习的车牌分类方法及系统
US10984289B2 (en) * 2016-12-23 2021-04-20 Shenzhen Institute Of Advanced Technology License plate recognition method, device thereof, and user equipment
CN110837807A (zh) * 2019-11-11 2020-02-25 内蒙古大学 一种套牌车辆的识别方法及系统

Also Published As

Publication number Publication date
CN111860610A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111860610B (zh) 一种车牌过曝及有无牌车识别的方法、设备及计算机存储介质
Anagnostopoulos et al. A license plate-recognition algorithm for intelligent transportation system applications
US7724962B2 (en) Context adaptive approach in vehicle detection under various visibility conditions
JP5127392B2 (ja) 分類境界確定方法及び分類境界確定装置
CN102682301B (zh) 使用附加分类器来调节畅通路径检测
CN101887518B (zh) 人体检测装置与方法
Vitas et al. Traffic light detection in autonomous driving systems
CN111325769A (zh) 一种目标对象检测方法及装置
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法
CN110490171B (zh) 一种危险姿态识别方法、装置、计算机设备及存储介质
CN110458093B (zh) 一种基于驾驶员监控系统的安全带检测方法以及相应的设备
CN111881741A (zh) 车牌识别方法、装置、计算机设备和计算机可读存储介质
CN112613387A (zh) 一种基于YOLOv3的交通标志检测方法
Gao et al. On‐line vehicle detection at nighttime‐based tail‐light pairing with saliency detection in the multi‐lane intersection
CN116977257A (zh) 缺陷检测方法、装置、电子设备、存储介质及程序产品
CN115937596A (zh) 目标检测方法及其模型的训练方法、设备以及存储介质
CN115620090A (zh) 模型训练方法、低照度目标重识别方法和装置、终端设备
CN116071294A (zh) 一种光纤表面缺陷检测方法和装置
US7106896B2 (en) ID recognition apparatus and ID recognition sorter system for semiconductor wafer
CN111402185B (zh) 一种图像检测方法及装置
CN110969173B (zh) 目标分类方法及装置
CN112949423B (zh) 物体识别方法、物体识别装置及机器人
CN113065454B (zh) 一种高空抛物目标识别比较的方法及装置
CN113454649A (zh) 目标检测方法、装置、电子设备和计算机可读存储介质
CN112861676A (zh) 一种烟火识别标记方法、系统、终端及存储介质

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
GR01 Patent grant
GR01 Patent grant