CN112149661A - 车牌识别方法、装置及介质 - Google Patents
车牌识别方法、装置及介质 Download PDFInfo
- Publication number
- CN112149661A CN112149661A CN202010789651.9A CN202010789651A CN112149661A CN 112149661 A CN112149661 A CN 112149661A CN 202010789651 A CN202010789651 A CN 202010789651A CN 112149661 A CN112149661 A CN 112149661A
- Authority
- CN
- China
- Prior art keywords
- license plate
- recognition
- features
- network
- license
- 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
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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
Abstract
本发明涉及一种车牌识别方法、装置及介质的技术方案,包括车牌定位,通过YOLOV3算法,对采集的车辆图像和/或视频检测,得到车牌的位置坐标及置信度,使用PIL模块截取车牌,截取的车牌为识别网络的输入数据;车牌识别,对车牌检测模块截取的车牌进行去燥,使用OpenCV转化为灰度图,利用CNN提取车牌特征,通过类空间注意力机制使卷积神级网络注意车牌空间位置信息,以及,通过编解码网络实现车牌字符定位,并通过mask掩膜分割车牌字符特征的方案对车牌进行识别,输出车牌的正确字符。本发明的有益效果为:去除复杂场景中车牌的噪音污染;提高了车牌识别的准确率。
Description
技术领域
本发明涉及图像识别及神经网络算法领域,具体涉及了一种车牌识别方法、装置及介质。
背景技术
车牌检测及车牌识别在智慧城市中起着非常重要的作用,例如小区停车场出入口车牌检测及交通监控闯红灯的违章车辆等场景应用广泛。
传统方法将车牌检测及识别分为三个阶段即车牌检测、分割字符、字符识别。字符分割不准确,容易造成字符识别误差较大,导致识别不准,并且效率低。随着深度学习的发展,车牌检测及识别分为两个阶段即车牌检测、车牌识别,不用分割字符,能够避免字符分割不准、准确率不高的情况。传统车牌识别对雪或雾天气、不均匀照明、旋转、扭曲、和模糊等复杂自然场景下存在定位不准、无法有效分割车牌字符,导致车牌字符识别精度不高,因而,限制了车牌识别在复杂场景下的应用。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供了一种车牌识别方法、装置及介质,实现车牌的准确识别。
本发明的技术方案包括一种车牌识别方法,其特征在于:车牌定位,通过YOLOV3算法,对采集的车辆图像和/或视频检测,得到车牌的位置坐标及置信度,使用PIL模块截取车牌,截取的车牌为识别网络的输入数据;车牌识别,对车牌检测模块截取的车牌进行去燥,使用OpenCV转化为灰度图,利用CNN提取车牌特征,通过类空间注意力机制使卷积神级网络注意车牌空间位置信息,以及,通过编解码网络实现车牌字符定位,并通过mask掩膜分割车牌字符特征的方案对车牌进行识别,输出车牌的正确字符。
根据所述车牌识别方法,其中车牌定位包括:S110,通过开源数据集CCPD、AOLP获取训练数据LPdata;S120,将数据集格式转化为VOC2007或VOC2012标准数据集格式,并划分数据集比,生成对应的训练集、验证集及测试集;S130,修改YOLOV3卷积神级网络参数,采用学习衰减率策略;S140,第一阶段冻住YOLOV3的所有层,更新权重参数,第二阶段释放所有层,对更新的权重进行微调;S150,遍历训练集损失与验证集损失图,直至卷积神级网络达到收敛,停止训练,得到车牌定位的检测模型;S160,获取车牌的位置信息、置信度,截取目标车牌,输入识别卷积神级网络的检测模型。
根据所述车牌识别方法,其中车牌识别包括:S210,对CCPD、AOLP公开车牌数据集中车牌进行截取,采用OpenCV对截取的车牌添加高斯噪音及旋转角度处理,并执行扩充数据集;S220,划分成训练集、验证集和测试集,以车牌真实字符及编号作为车牌名字;S230,以车牌去燥、CNN提取车牌特征、类空间域机制使网络关注车牌空间位置信息,编解码网络字符定位,mask掩膜分割车牌字符特征的联合方案构建车牌识别模型;S240,设置模型训练参数,每迭代一次保存一次模型;S250,采用学习衰减率策略,执行车牌识别模型的训练;S260,网络训练达到收敛时,得到车牌识别模型文件;S270,将车牌检测模型输出与车牌识别模型输入对接,检测模型检测出车牌,截取车牌,车牌识别模型去燥车牌、识别车牌,实现自动检测车牌及识别车牌;S280,通过开源数据集CCPD、AOLP测试车牌识别算法性能,输出车牌定位的置信度,车牌位置坐标,车牌识别字符信息。
根据所述车牌识别方法,其中划分数据集比包括:将训练集、验证集及测试集的比值设置为8:1:1。
根据所述车牌识别方法,其中学习衰减率策略被配置为:每迭代3次,若性能没有提升,则学习率降为上一次学习率的百分之十。
根据所述车牌识别方法,其中利用CNN提取车牌特征包括:使用两分支的卷积神经网络结构提取车牌特征,右分支采用残差结构提取车牌特征,左分支采用残差和空洞卷积结构提取车牌特征,增大卷积神经网络感受野,但没有增加计算量,能够充分提取车牌特征
根据所述车牌识别方法,其中通过类空间注意力机制使卷积神级网络注意车牌空间位置信息包括:通过类空间域机制方法将CNN提取的车牌特征采用最大池化和平均池化压缩通道信息,并将最大池化和平均池化压缩通道信的两个特征融合,使得卷积神经网络注意车牌字符空间位置信信息。
本发明的技术方案还包括一种车牌识别装置,该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一方法步骤。
本发明的技术方案还包括一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述任一方法步骤。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:(1)本发明提出的车牌识别模型融合了超分辨率去燥算法,可以去除复杂场景中车牌的噪音污染。(2)设计了一种类似空间域机制算法,不断压缩车牌的通道信息,使车牌识别网络更加注意车牌字符的空间位置信息;设计了编解码算法,不断压缩车牌空间维度,使得网络具有车牌的全局感受野,能够准确定位车牌字符位置信息,得到7个mask三维特征图;使用mask掩膜分割提取的车牌特征,将7个字符特征准确的分割出来,提高了车牌识别的准确率。
附图说明
下面结合附图和实施例对本发明进一步地说明;
图1所示为根据本发明实施方式的总体流程图。
图2为根据本发明实施方式的架构示意图。
图3为根据本发明实施方式的车牌去燥模型图。
图4为根据本发明实施方式的车牌特征提取、定位、分割、识别模型图。
图5为根据本发明实施方式的编解码车牌定位模型图。
图6为根据本发明实施方式的车牌字符特征分割图。
图7所示为根据本发明实施方式的介质装置图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。
在本发明的描述中,对方法步骤的连续标号是为了方便审查和理解,结合本发明的整体技术方案以及各个步骤之间的逻辑关系,调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。
图1所示为根据本发明实施方式的总体流程图。该流程包括:
车牌定位,通过YOLOV3算法,对采集的车辆图像和/或视频检测,得到车牌的位置坐标及置信度,使用PIL模块截取车牌,截取的车牌为识别网络的输入数据;
车牌识别,对车牌检测模块截取的车牌进行去燥,使用OpenCV转化为灰度图,利用CNN提取车牌特征,通过类空间注意力机制使卷积神级网络注意车牌空间位置信息,以及,通过编解码网络实现车牌字符定位,并通过mask掩膜分割车牌字符特征的方案对车牌进行识别,输出车牌的正确字符。
参考图2,其包括以下步骤:
步骤1:使用开源数据集CCPD、AOLP数据集,制作成VOC2007或VOC2012标准数据集格式,利用python脚本划分数据集为8:1:1的训练集、验证集和测试集,生成相应的train.txt、val.txt、test.txt,生成车牌检测数据集;
步骤2:利用python脚本将VOC标准车牌数据集格式转化为YOLOV3数据标签格式使用;
步骤3:利用K-Means聚类程序,生成YOLOV3的三个尺度的9个anchor;
步骤4:配置YOLOV3网络参数,修改voc_class类别为lp,设置输入尺度为(736,736,3),第一阶段冻住YOLOV3的darknet53 body,batch_size=16,steps_per_epoch=200,initial_epoch=0,epochs=128,使用动态学习率策略,monitor=’val_loss’,factor=0.1,patience=3,verbose=1。第二阶段微调模型,释放动作的darknet53body,batch_size=4,steps_per_epoch=200,initial_epoch=128,epochs=256,使用动态学习率策略,monitor=’val_loss’,factor=0.1,patience=3,verbose=1,开启网络训练模式;
步骤5:查看训练集损失与验证集损失图,网络达到收敛时,停止训练,得到车牌定位的检测模型trained_weights_final.h5;
步骤6:设置模型路径,运行YOLOV3检测网络,检测目标车牌的位置信息及置信度,截取车牌,将截取的车牌输入车牌识别网络。
车牌识别模块包括以下步骤:
步骤1:利用python脚本,对CCPD、AOLP公开车牌数据集中的车牌进行截取,采用OpenCV对截取的车牌添加高斯噪音、在角度区间-15度到15度内随机旋转扩充5倍数据集;
步骤2:利用python脚本,按照8:1:1的比例随机划分成训练集、验证集和测试集,以车牌真实字符及编号作为车牌名字标签;
步骤3:根据附图3车牌去燥模型图,使用两分支的网络结构提取车牌特征,右分支采用残差结构提取车牌特征,左分支采用残差和空洞卷积结构提取车牌特征,增大网络感受野,但没有增加计算量,能够充分提取车牌特征。使用原图特征分别减去两个分支提取的车牌特征,经由Concat组合并经Conv得到噪声,最后采用原图特征减去该噪声得到去燥后的车牌。
步骤4:如附图4车牌特征提取、定位、分割、识别模型图所示,采用CNN提取车牌特征,加入BatchNormalization避免梯度消失,relu增强网络非线性能力。总共包含5个卷积层和3个池化层,为增强车牌字符语义信息,将第3层和第4层特征融合,为了避免过拟合,在池化层最后加入dropout层,使得网络能够充分提取到去燥后的车牌特征。车牌定位、分割在下一步骤中详细讲解。最后是识别,由于CCPD车牌特征为7个字符,第1个字符为汉字,第2到7字符为字母、数字。为防止汉字和字母、数字的检测结果出现混乱,减轻网络训练的负担,采用1+6分支处理。第1个分支处理汉字,后面6个分支处理字母和数字。中国车牌共有31个省份,第一个分支最后的卷积核为31,后六个分支处理数据和字母混合体,包含10个阿拉伯数字和24个英文字母(O和I不计算在内),故最后一个卷积核为34。经全局池化得到一个压缩后的特征向量为(1,1,31)和6个压缩后的特征向量为(1,1,34),利用Softmax层做分类输出7位对应网络的识别结果;
步骤5:附图4编解码定位模型图,采用类空间域机制方法,将CNN提取的车牌特征采用最大池化和平均池化压缩通道信息,并将两个特征融合,使得网络注意车牌字符空间位置信息。将融合后的特征与池化后的特征Concatenate,使用4个conv_block及4个deConv_block编解码车牌位置信息,目的是将Concatenate后的特征图编码为(1,1,N)的向量,N代表附图5中的256,保证网络具有全局感受野,能够准确定位到车牌特征,此时字符的位置信息将编码到向量中,使用对称的反卷积恢复到原尺寸。由于CCPD车牌是7个字符,则最后一层卷积核数量则为7,得到与原尺寸相同的7个特征图。最后解码层使用值域在0~1之间的sigmoid函数,目的是为了构造7个字符的三维特征mask图,mask中感兴趣的区域接近1,其他位置为接近0,与提取的车牌特征矩阵相乘,分割7个字符特征。使用编解码模块,主要让网络知道每个字符属于什么位置,因此不断压缩空间维度到(1,1,N)的向量,这样保证网络有全局的感受野。如附图6车牌字符特征分割图所示,编解码得到7个mask掩膜与CNN提取的特征相乘,得到分割后的7个字符位置的特征。
步骤6:设置模型训练参数,img_w=152,img_h=56,省份数量为31,字母和数字数量为34,车牌长度为7,batch_size=32,epochs=20,采用动态学习策略monitor=’val_loss’,factor=0.5,patience=3,verbose=1,每迭代一次保存一次模型;
步骤7:查看训练损失与验证损失图,网络达到收敛,即可停止训练,得到车牌识别模型;
步骤8:将车牌检测模型输出与车牌识别模型输入对接,检测模型检测出车牌,截取车牌,车牌识别模型去燥车牌、识别车牌,实现自动检测车牌及识别车牌;
步骤9:利用开源数据集CCPD、AOLP测试车牌识别算法性能,输出车牌定位的置信度,车牌位置坐标,车牌识别字符信息。
实验结果表明,该算法在中国车牌数据集CCPD和面向应用的车牌AOLP中表现良好,特别是CCPD-base、CCPD-rotate、CCPD-weather、AOLP-LE和AOLP-RP子集上的识别率分别为99.6%、95.3%、99.1%、97.9%和94.96%。与未融合去噪算法相比,整体精度有一定提高。
综上所述,本发明针对现有车牌在雪或雾天气、不均匀照明、旋转、扭曲、和模糊等复杂自然场景下存在定位不准且车牌字符识别精度不高的问题,本发明提供了一种高效精准的车牌识别算法,采用超分辨率重建算法去燥,CNN提取车牌特征,类空间注意力机制使网络注意车牌空间位置信息,编解码网络实现车牌字符定位,mask掩膜分割车牌字符特征的方案对车牌进行识别,加快了网络训练的收敛速度,提升了识别准确率。
图7所示为根据本发明实施方式的介质装置图。包括存储器100,处理器200。所述存储器100用于存储处理器200运行时的各项数据,处理器用于执行:车牌定位,通过YOLOV3算法,对采集的车辆图像和/或视频检测,得到车牌的位置坐标及置信度,使用PIL模块截取车牌,截取的车牌为识别网络的输入数据;车牌识别,对车牌检测模块截取的车牌进行去燥,使用OpenCV转化为灰度图,利用CNN提取车牌特征,通过类空间注意力机制使卷积神级网络注意车牌空间位置信息,以及,通过编解码网络实现车牌字符定位,并通过mask掩膜分割车牌字符特征的方案对车牌进行识别,输出车牌的正确字符。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (9)
1.一种车牌识别方法,其特征在于:
车牌定位,通过YOLOV3算法,对采集的车辆图像和/或视频检测,得到车牌的位置坐标及置信度,使用PIL模块截取车牌,截取的车牌为识别网络的输入数据;
车牌识别,对车牌检测模块截取的车牌进行去燥,使用OpenCV转化为灰度图,利用CNN提取车牌特征,通过类空间注意力机制使卷积神级网络注意车牌空间位置信息,以及,通过编解码网络实现车牌字符定位,并通过mask掩膜分割车牌字符特征的方案对车牌进行识别,输出车牌的正确字符。
2.根据权利要求1所述车牌识别方法,其特征在于,所述车牌定位包括:
S110,通过开源数据集CCPD、AOLP获取训练数据LPdata;
S120,将数据集格式转化为VOC2007或VOC2012标准数据集格式,并划分数据集比,生成对应的训练集、验证集及测试集;
S130,修改YOLOV3卷积神级网络参数,采用学习衰减率策略;
S140,第一阶段冻住YOLOV3的所有层,更新权重参数,第二阶段释放所有层,对更新的权重进行微调;
S150,遍历训练集损失与验证集损失图,直至卷积神级网络达到收敛,停止训练,得到车牌定位的检测模型;
S160,获取车牌的位置信息、置信度,截取目标车牌,输入识别卷积神级网络的检测模型。
3.根据权利要求1所述的车牌识别方法,其特征在于,所述车牌识别包括:
S210,对CCPD、AOLP公开车牌数据集中车牌进行截取,采用OpenCV对截取的车牌添加高斯噪音及旋转角度处理,并执行扩充数据集;
S220,划分成训练集、验证集和测试集,以车牌真实字符及编号作为车牌名字;
S230,以车牌去燥、CNN提取车牌特征、类空间域机制使网络关注车牌空间位置信息,编解码网络字符定位,mask掩膜分割车牌字符特征的联合方案构建车牌识别模型;
S240,设置模型训练参数,每迭代一次保存一次模型;
S250,采用学习衰减率策略,执行车牌识别模型的训练;
S260,网络训练达到收敛时,得到车牌识别模型文件;
S270,将车牌检测模型输出与车牌识别模型输入对接,检测模型检测出车牌,截取车牌,车牌识别模型去燥车牌、识别车牌,实现自动检测车牌及识别车牌;
S280,通过开源数据集CCPD、AOLP测试车牌识别算法性能,输出车牌定位的置信度,车牌位置坐标,车牌识别字符信息。
4.根据权利要求2或3任一所述的车牌识别方法,其特征在于,所述划分数据集比包括:将训练集、验证集及测试集的比值设置为8:1:1。
5.根据权利要求2或3任一所述的车牌识别方法,其特征在于,所述学习衰减率策略被配置为:每迭代3次,若性能没有提升,则学习率降为上一次学习率的百分之十。
6.根据权利要求1所述的车牌识别方法,其特征在于,所述利用CNN提取车牌特征包括:
使用两分支的卷积神经网络结构提取车牌特征,右分支采用残差结构提取车牌特征,左分支采用残差和空洞卷积结构提取车牌特征,增大卷积神经网络感受野,但没有增加计算量,能够充分提取车牌特征。
7.根据权利要求1所述的车牌识别方法,其特征在于,所述通过类空间注意力机制使卷积神级网络注意车牌空间位置信息包括:
通过类空间域机制方法将CNN提取的车牌特征采用最大池化和平均池化压缩通道信息,并将最大池化和平均池化压缩通道信的两个特征融合,使得卷积神经网络注意车牌字符空间位置信信息。
8.一种车牌识别装置,该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7任一所述的方法步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010789651.9A CN112149661A (zh) | 2020-08-07 | 2020-08-07 | 车牌识别方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010789651.9A CN112149661A (zh) | 2020-08-07 | 2020-08-07 | 车牌识别方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112149661A true CN112149661A (zh) | 2020-12-29 |
Family
ID=73887797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010789651.9A Pending CN112149661A (zh) | 2020-08-07 | 2020-08-07 | 车牌识别方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149661A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239931A (zh) * | 2021-05-17 | 2021-08-10 | 上海中通吉网络技术有限公司 | 一种物流站车牌识别的方法 |
CN113642410A (zh) * | 2021-07-15 | 2021-11-12 | 南京航空航天大学 | 一种基于多尺度特征融合及动态卷积的福寿螺卵检测方法 |
CN114155523A (zh) * | 2021-12-13 | 2022-03-08 | 大连海事大学 | 一种端到端的高效精确车牌检测和识别方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787524A (zh) * | 2014-12-26 | 2016-07-20 | 中国科学院沈阳自动化研究所 | 基于OpenCV的车牌识别方法及系统 |
CN108830192A (zh) * | 2018-05-31 | 2018-11-16 | 珠海亿智电子科技有限公司 | 车载环境下基于深度学习的车辆与车牌检测方法 |
CN109492638A (zh) * | 2018-11-07 | 2019-03-19 | 北京旷视科技有限公司 | 文本检测方法、装置及电子设备 |
CN109543667A (zh) * | 2018-11-14 | 2019-03-29 | 北京工业大学 | 一种基于注意力机制的文本识别方法 |
CN110263790A (zh) * | 2019-04-18 | 2019-09-20 | 汕头大学 | 一种基于卷积神经网络的电厂电表字符定位和识别方法 |
CN110363104A (zh) * | 2019-06-24 | 2019-10-22 | 中国科学技术大学 | 一种柴油黑烟车的检测方法 |
CN110378331A (zh) * | 2019-06-10 | 2019-10-25 | 南京邮电大学 | 一种基于深度学习的端到端车牌识别系统及其方法 |
CN110929652A (zh) * | 2019-11-26 | 2020-03-27 | 天津大学 | 基于LeNet-5网络模型的手写体中文字符识别方法 |
CN110991444A (zh) * | 2019-11-19 | 2020-04-10 | 复旦大学 | 面向复杂场景的车牌识别方法及装置 |
CN111008632A (zh) * | 2019-10-17 | 2020-04-14 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的车牌字符分割方法 |
CN111062381A (zh) * | 2019-10-17 | 2020-04-24 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的车牌位置检测方法 |
CN111079584A (zh) * | 2019-12-03 | 2020-04-28 | 东华大学 | 基于改进YOLOv3的快速车辆检测方法 |
CN111160276A (zh) * | 2019-12-31 | 2020-05-15 | 重庆大学 | 基于遥感影像的u型空洞全卷积分割网络识别模型 |
CN111191663A (zh) * | 2019-12-31 | 2020-05-22 | 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 |
CN111222513A (zh) * | 2019-12-31 | 2020-06-02 | 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 |
CN111310766A (zh) * | 2020-03-13 | 2020-06-19 | 西北工业大学 | 基于编解码和二维注意力机制的车牌识别方法 |
CN111310861A (zh) * | 2020-03-27 | 2020-06-19 | 西安电子科技大学 | 一种基于深度神经网络的车牌识别和定位方法 |
CN111310862A (zh) * | 2020-03-27 | 2020-06-19 | 西安电子科技大学 | 复杂环境下基于图像增强的深度神经网络车牌定位方法 |
CN111368830A (zh) * | 2020-03-03 | 2020-07-03 | 西北工业大学 | 基于多视频帧信息和核相光滤波算法的车牌检测识别方法 |
CN111444917A (zh) * | 2020-03-30 | 2020-07-24 | 合肥京东方显示技术有限公司 | 车牌字符识别方法、装置、电子设备和存储介质 |
-
2020
- 2020-08-07 CN CN202010789651.9A patent/CN112149661A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787524A (zh) * | 2014-12-26 | 2016-07-20 | 中国科学院沈阳自动化研究所 | 基于OpenCV的车牌识别方法及系统 |
CN108830192A (zh) * | 2018-05-31 | 2018-11-16 | 珠海亿智电子科技有限公司 | 车载环境下基于深度学习的车辆与车牌检测方法 |
CN109492638A (zh) * | 2018-11-07 | 2019-03-19 | 北京旷视科技有限公司 | 文本检测方法、装置及电子设备 |
CN109543667A (zh) * | 2018-11-14 | 2019-03-29 | 北京工业大学 | 一种基于注意力机制的文本识别方法 |
CN110263790A (zh) * | 2019-04-18 | 2019-09-20 | 汕头大学 | 一种基于卷积神经网络的电厂电表字符定位和识别方法 |
CN110378331A (zh) * | 2019-06-10 | 2019-10-25 | 南京邮电大学 | 一种基于深度学习的端到端车牌识别系统及其方法 |
CN110363104A (zh) * | 2019-06-24 | 2019-10-22 | 中国科学技术大学 | 一种柴油黑烟车的检测方法 |
CN111062381A (zh) * | 2019-10-17 | 2020-04-24 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的车牌位置检测方法 |
CN111008632A (zh) * | 2019-10-17 | 2020-04-14 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的车牌字符分割方法 |
CN110991444A (zh) * | 2019-11-19 | 2020-04-10 | 复旦大学 | 面向复杂场景的车牌识别方法及装置 |
CN110929652A (zh) * | 2019-11-26 | 2020-03-27 | 天津大学 | 基于LeNet-5网络模型的手写体中文字符识别方法 |
CN111079584A (zh) * | 2019-12-03 | 2020-04-28 | 东华大学 | 基于改进YOLOv3的快速车辆检测方法 |
CN111160276A (zh) * | 2019-12-31 | 2020-05-15 | 重庆大学 | 基于遥感影像的u型空洞全卷积分割网络识别模型 |
CN111191663A (zh) * | 2019-12-31 | 2020-05-22 | 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 |
CN111222513A (zh) * | 2019-12-31 | 2020-06-02 | 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 |
CN111368830A (zh) * | 2020-03-03 | 2020-07-03 | 西北工业大学 | 基于多视频帧信息和核相光滤波算法的车牌检测识别方法 |
CN111310766A (zh) * | 2020-03-13 | 2020-06-19 | 西北工业大学 | 基于编解码和二维注意力机制的车牌识别方法 |
CN111310861A (zh) * | 2020-03-27 | 2020-06-19 | 西安电子科技大学 | 一种基于深度神经网络的车牌识别和定位方法 |
CN111310862A (zh) * | 2020-03-27 | 2020-06-19 | 西安电子科技大学 | 复杂环境下基于图像增强的深度神经网络车牌定位方法 |
CN111444917A (zh) * | 2020-03-30 | 2020-07-24 | 合肥京东方显示技术有限公司 | 车牌字符识别方法、装置、电子设备和存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239931A (zh) * | 2021-05-17 | 2021-08-10 | 上海中通吉网络技术有限公司 | 一种物流站车牌识别的方法 |
CN113642410A (zh) * | 2021-07-15 | 2021-11-12 | 南京航空航天大学 | 一种基于多尺度特征融合及动态卷积的福寿螺卵检测方法 |
CN113642410B (zh) * | 2021-07-15 | 2024-03-29 | 南京航空航天大学 | 一种基于多尺度特征融合及动态卷积的福寿螺卵检测方法 |
CN114155523A (zh) * | 2021-12-13 | 2022-03-08 | 大连海事大学 | 一种端到端的高效精确车牌检测和识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149661A (zh) | 车牌识别方法、装置及介质 | |
CN111680706B (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
CN112132119B (zh) | 客流统计方法、装置、电子设备和存储介质 | |
CN111401384B (zh) | 一种变电设备缺陷图像匹配方法 | |
CN111079683B (zh) | 基于卷积神经网络的遥感图像云雪检测方法 | |
CN113642390B (zh) | 一种基于局部注意力网络的街景图像语义分割方法 | |
CN112800876B (zh) | 一种用于重识别的超球面特征嵌入方法及系统 | |
CN111950453A (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
CN113486886B (zh) | 一种自然场景下的车牌识别方法和装置 | |
CN111008608B (zh) | 一种基于深度学习的夜间车辆检测方法 | |
CN111191649A (zh) | 一种识别弯曲多行文本图像的方法与设备 | |
CN115063786A (zh) | 一种高位远景模糊车牌检测方法 | |
CN112232351A (zh) | 一种基于深度神经网络的车牌识别系统 | |
CN110717863A (zh) | 一种基于生成对抗网络的单图像去雪方法 | |
CN115035418A (zh) | 一种基于改进DeepLabV3+网络的遥感图像语义分割方法及系统 | |
CN113837956A (zh) | 无配对监督云检测以及大区域厚云去除方法 | |
CN110991374B (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
CN115393698A (zh) | 一种基于改进dpn网络的数字图像篡改检测方法 | |
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 | |
CN114332075A (zh) | 基于轻量化深度学习模型的结构缺陷快速识别与分类方法 | |
CN112861840A (zh) | 基于多特征融合卷积网络的复杂场景字符识别方法及系统 | |
US20240013368A1 (en) | Pavement nondestructive detection and identification method based on small samples | |
CN116665153A (zh) | 一种基于改进型Deeplabv3+网络模型的道路场景分割方法 | |
CN116977725A (zh) | 一种基于改进卷积神经网络的异常行为识别方法及装置 | |
CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 |
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 |