CN112001386B - 一种基于车牌字符识别方法、系统、介质及终端 - Google Patents

一种基于车牌字符识别方法、系统、介质及终端 Download PDF

Info

Publication number
CN112001386B
CN112001386B CN202010896094.0A CN202010896094A CN112001386B CN 112001386 B CN112001386 B CN 112001386B CN 202010896094 A CN202010896094 A CN 202010896094A CN 112001386 B CN112001386 B CN 112001386B
Authority
CN
China
Prior art keywords
license plate
result
row
whole
character recognition
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
CN202010896094.0A
Other languages
English (en)
Other versions
CN112001386A (zh
Inventor
李�杰
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.)
Chongqing Unisinsight Technology Co Ltd
Original Assignee
Chongqing Unisinsight 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 Chongqing Unisinsight Technology Co Ltd filed Critical Chongqing Unisinsight Technology Co Ltd
Priority to CN202010896094.0A priority Critical patent/CN112001386B/zh
Publication of CN112001386A publication Critical patent/CN112001386A/zh
Application granted granted Critical
Publication of CN112001386B publication Critical patent/CN112001386B/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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/768—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using context analysis, e.g. recognition aided by known co-occurring patterns
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Character Discrimination (AREA)

Abstract

本发明提供一种基于车牌字符识别方法、系统、介质及终端，其方法包括：获取车牌图像信息；根据所述车牌图像信息，建立车牌识别网络，网络包括车牌整排识别模型和车牌汉字识别模型；将待识别车牌图像信息分别输入至训练后的模型，获取车牌整排结果和车牌汉字结果；根据车牌整排识别模型和车牌汉字识别模型的置信度，以及车牌整排结果和车牌汉字结果，获取最终车牌字符识别结果；本发明针对车牌识别任务，通过同时提取车牌整排特征和车牌汉字区域特征，能够对车牌字符识别中汉字识别这一难点提取两次特征，并得到两次车牌汉字结果，通过配置默认省份汉字，对识别结果进行汉字纠正，进一步提升了车牌识别率。

Description

一种基于车牌字符识别方法、系统、介质及终端
技术领域
本发明涉及计算机应用领域，尤其涉及一种基于车牌字符识别方法、系统、介质及终端。
背景技术
随着计算机视觉的不断发展，通过字符识别技术实现对交通中车辆的车牌号进行识别已经在智能交通领域获得了广泛的应用。但是，由于天气、污损、遮挡、大角度等识别场景，对车牌字符识别提出了极大的挑战。车牌字符识别一般采用四种方法，即基于模板匹配方法、基于神经网络方法、基于支持向量机的方法以及基于深度学习的方法。前三种方法被称为传统方法，传统方法需手动选取特征，传统方法的鲁棒性较差，深度学习是最近几年流行起来的，基于深度学习的方法会自动提取特征，当训练样本较为丰富时，网络的识别结果往往会较好。
但是，目前的识别方式，要么将车牌字符分割后将每一位字符单独识别，要么用深度学习网络对车牌字符进行自动分割识别，要么用多个网络对车牌字符识别，没有考虑对车牌字符中难点字符进行着重学习。
发明内容
鉴于以上所述现有技术的缺点，本发明提供一种基于车牌字符识别方法、系统、介质及终端，以解决上述技术问题。
本发明提供的基于车牌字符识别方法，包括：
获取车牌图像信息；
根据所述车牌图像信息，建立车牌识别网络，所述车牌识别网络包括车牌整排识别模型和车牌汉字识别模型，分别对二者进行训练；
将待识别车牌图像信息同时输入至训练后的车牌整排识别模型和车牌汉字识别模型，获取车牌整排结果和车牌汉字结果；
根据所述车牌整排识别模型和车牌汉字识别模型的置信度，以及车牌整排结果和车牌汉字结果，获取最终车牌字符识别结果。
可选的，根据所述车牌整排识别模型和车牌汉字识别模型的置信度，车牌整排结果中的汉字、车牌汉字中的汉字和预先设置的默认车牌省份汉字，对所述车牌汉字结果进行纠正，获取所述最终车牌字符识别结果。
可选的，所述车牌识别网络为一体化网络，通过所述车牌识别网络同时提取车牌整排特征和车牌汉字特征。
可选的，通过多种度量损失对所述车牌整排识别模型和车牌汉字识别模型进行训练。
可选的，度量损失函数为：
l＝λ1lsoftmax+λ2CTC
其中，λ1和λ2分别为softmax loss和CTC loss的权重。
可选的，当车牌整排结果中的汉字与所述车牌汉字结果不相同时，则判断是否满足第一条件，所述第一条件包括判断所述车牌汉字结果与默认省份汉字是否相同，且是否同时满足车牌汉字结果的置信度大于预设的第一阈值；
若满足所述第一条件，则将所述车牌汉字结果，以及车牌整排结果中除汉字外的部分进行拼接，作为最终车牌字符识别结果。
可选的，若不满足所述第一条件，则判断是否满足第二条件，所述第二条件包括判断整排识别结果中车牌汉字与默认省份汉字是否相同，且同时满足车牌整排中汉字置信度大于预设的第二阈值；
若满足所述第二条件，则将车牌整排结果作为最终车牌字符识别结果。
可选的，若不满足所述第二条件，则判断是否满足第三条件，所述第三条件包括判断车牌汉字结果的置信度是否大于预设的第三阈值，若满足所述第三条件，则将所述车牌汉字结果，以及车牌整排结果中除汉字外的部分进行拼接，作为最终车牌字符识别结果。
可选的，若不满足所述第三条件，则判断是否满足第四条件，所述第四条件包括判断整排识别结果中车牌汉字的置信度是否大于预设的第四阈值；
若满足第四条件，则将车牌整排结果作为最终车牌字符识别结果；
若不满足第四条件，则将默认省份汉字，以及车牌整排结果中除汉字外的部分进行拼接，作为最终车牌字符识别结果。
本发明还提供一种基于车牌字符识别系统，包括：
图像采集模块，用于获取车牌图像信息；
车牌识别网络，用于根据所述车牌图像信息建立车牌整排识别模型和车牌汉字识别模型，分别对二者进行训练；
输入输出模块，用于将待识别车牌图像信息同时输入至训练后的车牌整排识别模型和车牌汉字识别模型，获取车牌整排结果和车牌汉字结果；
所述车牌识别网络根据所述车牌整排识别模型和车牌汉字识别模型的置信度，以及车牌整排结果和车牌汉字结果，获取最终车牌字符识别结果。
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，所述计算机程序被处理器执行时实现如上述中任一项所述方法。
本发明还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上述中任一项所述方法。
本发明的有益效果：本发明中的基于车牌字符识别方法及系统，针对车牌识别任务，通过同时提取车牌整排特征和车牌汉字区域特征，能够对车牌字符识别中汉字识别这一难点提取两次特征，并得到两次车牌汉字结果，有利于提高整体的车牌识别率，再通过配置默认省份汉字，将车牌整排识别结果中的汉字、车牌汉字结果与默认省份汉字相结合，综合对车牌汉字进行纠正，进一步提升了车牌识别率。
附图说明
图1是本发明实施例中基于车牌字符识别方法的流程示意图。
图2是本发明实施例中基于车牌字符识别方法的车牌识别网络的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。
如图1所示，本实施例中的基于车牌字符识别方法，包括：
S1.获取车牌图像信息；
S2.根据车牌图像信息，建立车牌识别网络，车牌识别网络包括车牌整排识别模型和车牌汉字识别模型，分别对二者进行训练；
S3.将待识别车牌图像信息同时输入至训练后的车牌整排识别模型和车牌汉字识别模型，获取车牌整排结果和车牌汉字结果；
S4.根据所述车牌整排识别模型和车牌汉字识别模型的置信度，以及车牌整排结果和车牌汉字结果，获取最终车牌字符识别结果。
在本实施例中，获取车牌图像信息，通过多种度量损失训练车牌整排识别模型和车牌汉字识别模型，待损失收敛后对车牌识别网络的参数进行固定。可选的，需要对车牌图像信息进行预处理，通过预处理将车牌图像信息缩放到网络固定输入尺寸，再将缩放后的车牌图片送入到车牌识别网络中。再结合车牌整排识别模型和车牌汉字识别模型的置信度，对车牌整排识别中的汉字、车牌汉字识别结果与默认省份汉字来纠正车牌汉字结果，得到最终车牌字符识别结果。
在本实施例中，通过车牌识别网络同时提取车牌整排特征和车牌汉字特征，在步骤S2中，通过多种度量损失对所述车牌整排识别模型和车牌汉字识别模型进行训练，本实施例中使用的度量损失函数为
l＝λ1lsoftmax+λ2CTC
其中，λ1和λ2分别为softmax loss和CTC loss的权重。
在本实施例中，车牌识别网络为整排识别网络和汉字分类网络的一体化训练网络，对车牌汉字识别这一难点提取两次特征并得到两次车牌汉字结果。具体地：
对输入车牌提取车牌特征图；
在车牌特征图上拉一个分支在垂直方向上对车牌特征图切割；
将车牌特征图送入到车牌整排识别模型中做车牌整排识别，将垂直方向切割的汉字区域特征图送入到车牌汉字识别模型做车牌汉字识别。
在本实施例中，利用车牌汉字纠正策略，通过整排网络的结果、汉字分类的结果与配置的默认省份汉字来纠正输出最终的车牌识别结果，提高车牌的整体识别率，其具体算法实现为以下几个步骤：
当车牌整排结果中的汉字与车牌汉字结果不相同时，则判断是否满足第一条件，第一条件包括判断车牌汉字结果与默认省份汉字是否相同，且是否同时满足车牌汉字结果的置信度大于预设的第一阈值τ1；
若满足第一条件，则将车牌汉字结果，以及车牌整排结果中除汉字外的部分进行拼接，作为最终车牌字符识别结果。
若不满足所述第一条件，则判断是否满足第二条件，第二条件包括判断整排识别结果中车牌汉字与默认省份汉字是否相同，且同时满足车牌整排中汉字置信度大于预设的第二阈值τ2；
若满足第二条件，则将车牌整排结果作为最终车牌字符识别结果。
若不满足所述第二条件，则判断是否满足第三条件，第三条件包括判断车牌汉字结果的置信度是否大于预设的第三阈值τ3，若满足所述第三条件，则将车牌汉字结果，以及车牌整排结果中除汉字外的部分进行拼接，作为最终车牌字符识别结果。
若不满足第三条件，则判断是否满足第四条件，第四条件包括判断整排识别结果中车牌汉字的置信度是否大于预设的第四阈值τ4；
若满足第四条件，则将车牌整排结果作为最终车牌字符识别结果；
若不满足第四条件，则将默认省份汉字，以及车牌整排结果中除汉字外的部分进行拼接，作为最终车牌字符识别结果。
下面以一个具体实施例做进一步说明：
首先，获取车牌图像信息，且车牌图像信息的车牌场景足够丰富和车牌号数量足够多；
S101.将车牌数据按照随机采样N张图片组成一个batch输入到卷积神经网络，即一个batch含有N张车牌图片
S102.本实施例中采用的车牌识别网络，其基础模块如附图2所示，基础模块采用通用网络结构来提取车牌整排和车牌汉字一体化特征。通过交叉熵损失和CTC损失训练卷积神经网络，在训练过程中可以采用小范围随机crop，随机加噪，色彩增强，色调变换，对比度变化，随机模糊等对图片进行数据增强，提高网络的泛化能力。可选的，本实施例中的优化器选择SGD，学习率调整可以使用余弦退火策略。
S103.当网络训练完毕并获得初步不错的效果后固定卷积层和全连接层参数，不参与后面阶段的训练，卷积层和全连接层参数不再更新。
S104.将车牌图片送入前面训练好的卷积神经网络，即车牌识别网络，经过前向计算得到特征图F，该特征图形状为H*W*C，H为特征图的高，W为特征图的宽，C为特征图的通道数。
S105.将特征图F同时送入到MaxPool层和Slice层，分别得到车牌的全局特征图Ff和车牌汉字特征图Fc，其中MaxPool的池化核大小为(H，1)，其作用为将全局输入特征图进行垂直方向最大池化，其中Slice层将输入特征图在水平方向做切割，得到汉字区域特征图。
S106.将全局特征图Ff经过permute层后人到axis为2的全连接层，再经过CTC后处理得到车牌整排结果Rf。
S107.将车牌汉字特征图Fc送入到axis为1的全连接层，得到车牌汉字结果Rc。
S108.根据配置的默认车牌汉字，对车牌整排结果Rf、车牌汉字结果Rc以及车牌默认汉字配置，结合三者的汉字结果及其汉字置信度得到最终的车牌结果。其具体实现为以下几个步骤：
(1)判断车牌整排识别结果中汉字与汉字分类器结果(车牌汉字结果)是否相同，若相同，车牌识别结果为整排识别结果，若不相同，进入步骤(2)。
(2)判断车牌汉字分类器结果是否与默认省份相同且同时满足车牌汉字分类器置信度大于设定阈值τ1，若同时满足，则车牌最终输出结果为汉字分类器结果与整排(除汉字字符)拼接的结果，若不满足，则进入步骤(3)。
(3)判断整排识别中车牌汉字与默认省份汉字是否相同且同时满足车牌整排中汉字置信度大于设置阈值τ2，若同时满足，则车牌最终输出结果为整排网识别结果，若不满足，则进入步骤(4)。
(4)判断车牌汉字分类器置信度是否大于设定阈值τ3，若满足，则车牌最终输出结果为汉字分类器结果与整排(除汉字字符)拼接的结果，若不满足，则进入步骤(5)。
(5)判断整排识别中车牌汉字置信度是否大于设置阈值τ4，若满足，则车牌最终输出结果为整排识别结果，若不满足，则进入步骤(6)。
(6)则车牌最终输出结果为默认省份与整排(除汉字字符)拼接的结果。
相应的，本实施例还提供一种基于车牌字符识别系统，包括
图像采集模块，用于获取车牌图像信息；
车牌识别网络，用于根据所述车牌图像信息建立车牌整排识别模型和车牌汉字识别模型，分别对二者进行训练；
输入输出模块，用于将待识别车牌图像信息分别输入至训练后的车牌整排识别模型和车牌汉字识别模型，获取车牌整排结果和车牌汉字结果；
车牌识别网络根据车牌整排识别模型和车牌汉字识别模型的置信度，以及车牌整排结果和车牌汉字结果，获取最终车牌字符识别结果。
本实施例中的基于车牌字符识别系统通过上述方法，利用车牌汉字纠正策略，通过整排网络的结果、汉字分类器的结果与配置的默认省份汉字来纠正输出最终的车牌识别结果，通过对特定字符的双重学习来达到提升车牌字符的识别率。
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，该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质，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计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。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。
本实施例提供的电子终端，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子终端执行如上方法的各个步骤。
在本实施例中，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称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。
在上述实施例中，除非另外规定，否则通过使用“第一”、“第二”等序号对共同的对象进行描述，只表示其指代相同对象的不同实例，而非是采用表示被描述的对象必须采用给定的顺序，无论是时间地、空间地、排序地或任何其他方式。在上述实施例中，说明书对“本实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中，但不必是全部实施例。“本实施例”的多次出现不一定全部都指代相同的实施例。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于车牌字符识别方法，其特征在于，包括：
获取车牌图像信息；
根据所述车牌图像信息，建立车牌识别网络，所述车牌识别网络包括车牌整排识别模型和车牌汉字识别模型，分别对二者进行训练；
将待识别车牌图像信息同时输入至训练后的车牌整排识别模型和车牌汉字识别模型，获取车牌整排结果和车牌汉字结果；
根据所述车牌整排识别模型和车牌汉字识别模型的置信度，以及车牌整排结果和车牌汉字结果，获取最终车牌字符识别结果；
当车牌整排结果中的汉字与所述车牌汉字结果不相同时，则判断是否满足第一条件，所述第一条件包括判断所述车牌汉字结果与默认省份汉字是否相同，且是否同时满足车牌汉字结果的置信度大于预设的第一阈值；
若满足所述第一条件，则将所述车牌汉字结果，以及车牌整排结果中除汉字外的部分进行拼接，作为最终车牌字符识别结果；
若不满足所述第一条件，则判断是否满足第二条件，所述第二条件包括判断整排识别结果中车牌汉字与默认省份汉字是否相同，且同时满足车牌整排中汉字置信度大于预设的第二阈值；
若满足所述第二条件，则将车牌整排结果作为最终车牌字符识别结果。
2.根据权利要求1所述的基于车牌字符识别方法，其特征在于，根据所述车牌整排识别模型和车牌汉字识别模型的置信度，车牌整排结果中的汉字、车牌汉字中的汉字和预先设置的默认车牌省份汉字，对所述车牌汉字结果进行纠正，获取所述最终车牌字符识别结果。
3.根据权利要求1所述的基于车牌字符识别方法，其特征在于，所述车牌识别网络为一体化网络，通过所述车牌识别网络同时提取车牌整排特征和车牌汉字特征。
4.根据权利要求1所述的基于车牌字符识别方法，其特征在于，通过多种度量损失对所述车牌整排识别模型和车牌汉字识别模型进行训练。
5.根据权利要求4所述的基于车牌字符识别方法，其特征在于，度量损失函数为：
l＝λ1lsoftmax+λ2CTC
其中，λ1和λ2分别为softmax loss和CTC loss的权重。
6.根据权利要求1所述的基于车牌字符识别方法，其特征在于，若不满足所述第二条件，则判断是否满足第三条件，所述第三条件包括判断车牌汉字结果的置信度是否大于预设的第三阈值，若满足所述第三条件，则将所述车牌汉字结果，以及车牌整排结果中除汉字外的部分进行拼接，作为最终车牌字符识别结果。
7.根据权利要求6所述的基于车牌字符识别方法，其特征在于，若不满足所述第三条件，则判断是否满足第四条件，所述第四条件包括判断整排识别结果中车牌汉字的置信度是否大于预设的第四阈值；
若满足第四条件，则将车牌整排结果作为最终车牌字符识别结果；
若不满足第四条件，则将默认省份汉字，以及车牌整排结果中除汉字外的部分进行拼接，作为最终车牌字符识别结果。
8.一种基于车牌字符识别系统，其特征在于，包括
图像采集模块，用于获取车牌图像信息；
车牌识别网络，用于根据所述车牌图像信息建立车牌整排识别模型和车牌汉字识别模型，分别对二者进行训练；
输入输出模块，用于将待识别车牌图像信息分别输入至训练后的车牌整排识别模型和车牌汉字识别模型，获取车牌整排结果和车牌汉字结果；
所述车牌识别网络根据所述车牌整排识别模型和车牌汉字识别模型的置信度，以及车牌整排结果和车牌汉字结果，获取最终车牌字符识别结果；
当车牌整排结果中的汉字与所述车牌汉字结果不相同时，则判断是否满足第一条件，所述第一条件包括判断所述车牌汉字结果与默认省份汉字是否相同，且是否同时满足车牌汉字结果的置信度大于预设的第一阈值；
若满足所述第一条件，则将所述车牌汉字结果，以及车牌整排结果中除汉字外的部分进行拼接，作为最终车牌字符识别结果；
若不满足所述第一条件，则判断是否满足第二条件，所述第二条件包括判断整排识别结果中车牌汉字与默认省份汉字是否相同，且同时满足车牌整排中汉字置信度大于预设的第二阈值；
若满足所述第二条件，则将车牌整排结果作为最终车牌字符识别结果。
9.一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：该程序被处理器执行时实现权利要求1至7中任一项所述方法。
10.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至7中任一项所述方法。
CN202010896094.0A 2020-08-31 2020-08-31 一种基于车牌字符识别方法、系统、介质及终端 Active CN112001386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010896094.0A CN112001386B (zh) 2020-08-31 2020-08-31 一种基于车牌字符识别方法、系统、介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010896094.0A CN112001386B (zh) 2020-08-31 2020-08-31 一种基于车牌字符识别方法、系统、介质及终端

Publications (2)

Publication Number Publication Date
CN112001386A CN112001386A (zh) 2020-11-27
CN112001386B true CN112001386B (zh) 2021-06-15

Family

ID=73465705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010896094.0A Active CN112001386B (zh) 2020-08-31 2020-08-31 一种基于车牌字符识别方法、系统、介质及终端

Country Status (1)

Country Link
CN (1) CN112001386B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673527B (zh) * 2021-07-28 2023-08-08 成都恒创新星科技有限公司 一种车牌识别方法及系统
CN113723422B (zh) * 2021-09-08 2023-10-17 重庆紫光华山智安科技有限公司 车牌信息确定方法、系统、设备及介质
CN114612893A (zh) * 2022-03-31 2022-06-10 重庆紫光华山智安科技有限公司 车牌遮挡检测方法、系统、电子设备及可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117725A (zh) * 2015-07-29 2015-12-02 安徽四创电子股份有限公司 一种基于车牌可信度的车牌自纠正识别方法
CN107085723A (zh) * 2017-03-27 2017-08-22 新智认知数据服务有限公司 一种基于深度学习模型的车牌字符整体识别方法
CN108446696A (zh) * 2018-02-09 2018-08-24 杭州雄迈集成电路技术有限公司 一种基于深度学习的端到端车牌识别方法
CN110032999A (zh) * 2019-03-18 2019-07-19 西安理工大学 一种汉字结构退化的低分辨率车牌识别方法
CN110866530A (zh) * 2019-11-13 2020-03-06 云南大学 一种字符图像识别方法、装置及电子设备
CN111062396A (zh) * 2019-11-29 2020-04-24 深圳云天励飞技术有限公司 车牌号码识别方法、装置、电子设备及存储介质
CN111104826A (zh) * 2018-10-26 2020-05-05 浙江宇视科技有限公司 一种车牌字符识别方法、装置及电子设备
US10719743B2 (en) * 2018-01-19 2020-07-21 Arcus Holding A/S License plate reader using optical character recognition on plural detected regions

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102157588B1 (ko) * 2018-12-17 2020-09-18 한림대학교 산학협력단 차량의 번호판 인식을 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117725A (zh) * 2015-07-29 2015-12-02 安徽四创电子股份有限公司 一种基于车牌可信度的车牌自纠正识别方法
CN107085723A (zh) * 2017-03-27 2017-08-22 新智认知数据服务有限公司 一种基于深度学习模型的车牌字符整体识别方法
US10719743B2 (en) * 2018-01-19 2020-07-21 Arcus Holding A/S License plate reader using optical character recognition on plural detected regions
CN108446696A (zh) * 2018-02-09 2018-08-24 杭州雄迈集成电路技术有限公司 一种基于深度学习的端到端车牌识别方法
CN111104826A (zh) * 2018-10-26 2020-05-05 浙江宇视科技有限公司 一种车牌字符识别方法、装置及电子设备
CN110032999A (zh) * 2019-03-18 2019-07-19 西安理工大学 一种汉字结构退化的低分辨率车牌识别方法
CN110866530A (zh) * 2019-11-13 2020-03-06 云南大学 一种字符图像识别方法、装置及电子设备
CN111062396A (zh) * 2019-11-29 2020-04-24 深圳云天励飞技术有限公司 车牌号码识别方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
License Plate Recognition Model Based on CNN+LSTM+CTC;Hangming Zhang 等;《SpringerLink》;20190913;第657-678页 *
基于残差连接的场景文本识别端到端网络结构优化;黄金星 等;《计算机科学》;20200415;第221-226页 *

Also Published As

Publication number Publication date
CN112001386A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN112001386B (zh) 一种基于车牌字符识别方法、系统、介质及终端
CN110532878B (zh) 一种基于轻量化卷积神经网络的驾驶员行为识别方法
Kang et al. Simultaneous estimation of image quality and distortion via multi-task convolutional neural networks
KR101183391B1 (ko) 메트릭 임베딩에 의한 이미지 비교
CN108197669B (zh) 卷积神经网络的特征训练方法及装置
CN113822314B (zh) 图像数据处理方法、装置、设备以及介质
CN110458084B (zh) 一种基于倒置残差网络的人脸年龄估计方法
CN112088393B (zh) 图像处理方法、装置及设备
CN116681636B (zh) 基于卷积神经网络的轻量化红外与可见光图像融合方法
CN112149526B (zh) 一种基于长距离信息融合的车道线检测方法及系统
CN112749578A (zh) 一种基于深度卷积神经网络的遥感图像自动道路提取方法
CN113887494A (zh) 用于嵌入式平台的实时高精度人脸检测识别系统
CN113658091A (zh) 一种图像评价方法、存储介质及终端设备
CN113537119B (zh) 基于改进Yolov4-tiny的输电线路连接部件检测方法
CN111144407A (zh) 一种目标检测方法、系统、装置及可读存储介质
CN114419490A (zh) 一种基于注意力金字塔的sar船只目标检测方法
CN107564013B (zh) 融合局部信息的场景分割修正方法与系统
CN112926552A (zh) 基于深度神经网络的遥感影像车辆目标识别模型及方法
CN112348008A (zh) 证件信息的识别方法、装置、终端设备及存储介质
CN110120009B (zh) 基于显著物体检测和深度估计算法的背景虚化实现方法
CN108665455B (zh) 图像显著性预测结果的评价方法和装置
CN116645268A (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN114494284A (zh) 一种基于显式监督区域关系的场景解析模型及方法
CN112084874A (zh) 一种物体检测方法、装置及终端设备
CN118279153A (zh) 视频超分辨率方法、网络、计算机设备及可读存储介质

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