CN112200007A - 一种社区监控场景下车牌检测及识别方法 - Google Patents
一种社区监控场景下车牌检测及识别方法 Download PDFInfo
- Publication number
- CN112200007A CN112200007A CN202010966083.5A CN202010966083A CN112200007A CN 112200007 A CN112200007 A CN 112200007A CN 202010966083 A CN202010966083 A CN 202010966083A CN 112200007 A CN112200007 A CN 112200007A
- Authority
- CN
- China
- Prior art keywords
- license plate
- community
- recognition
- detection
- training
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 41
- 230000000694 effects Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 7
- 238000003706 image smoothing Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 19
- 238000013461 design Methods 0.000 abstract description 15
- 238000013135 deep learning Methods 0.000 abstract description 8
- 230000002401 inhibitory effect Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/955—Hardware or software architectures specially adapted for image or video understanding using specific electronic processors
-
- 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
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及目标检测、目标识别、深度学习技术领域，具体公开了一种社区监控场景下车牌检测及识别方法，包括采集社区环境下车牌数据集、颜色辨识机制识别车辆种类、图像预处理、LPD‑CNN网络模型检测车牌、LPR‑CNN网络模型识别车牌、GPU资源调度，检测与识别过程具体包括：首先对待检测车牌图像灰度化等操作进行预处理，抑制非车牌区域的噪声，随后对预处理的车牌进行定位检测。本发明结合卷积神经网络学习能力强的特点，设计基于卷积神经网络的多标签车牌识别网络模型LPR‑CNN，以增加车牌字符识别的准确率，丰富了社区物业端车辆信息，提高了社区环境下车辆车牌检测与识别的准确率与效率，提高了社区居民的体验度，进一步推动了智慧社区的建设。
Description
技术领域
本发明涉及目标检测、目标识别、深度学习技术领域，特别涉及一种社区监控场景下车牌检测及识别方法。
背景技术
近几年来，随着科学技术、网络技术的快速崛起，人们的生活水平不断提高，社区、城市网络化、数字化、智能化已成为不可阻挡的趋势。我国的经济已进入高速发展阶段，私家车的数量与日俱增，车牌识别技术的研究能有效缓解因为车辆拥堵而引起的交通问题。深度学习的发展带动了计算机视觉、图像处理等领域的巨大改变，在物体检测与分类方面的效用尤为显著，深度学习的应用将人们的生活带到了新的高度。如何将深度学习与车牌识别技术相结合已成为当今研究的热点。
基于深度学习的目标检测技术已经非常成熟，Faster R-CNN是目标识别领域最有效的方法之一，其优势不仅在于把候选框提起部分放在GPU上运行，还把区域候选框的提取部分从网络嵌入到网络里边，经过卷积后的特征图可以用来获取区域候选框。类似的目标识别网络还有Mask-RCNN、YOLO、SSD等，虽然众多技术上在实验效果上准确度已达96％以上，但是其适用性严重依赖检测环境，由于天气、光照等客观原因，以及车牌本身的污损、形变，这些外界因素影响了目标检测，从而降低了众多检测模型的准确度。这些算法并不能适应各种复杂环境的要求，车牌识别仍没有完整的体系，因此如何设计出针对特定环境提高车牌识别准确度的算法依然是目前的研究重点。
车辆作为社区监控环境下的重要目标之一，车牌识别技术应用在社区领域，既可以在完成对车辆出入的快速登记节省了车主时间，也同时对社区起到了安全保障的作用。社区环境下对车牌的拍照获取较为容易，并不需要复杂的网络对其处理，但是对车牌识别的效率有了明确的要求，如何从确保识别准确率的基础上提高识别效率是本发明研究的重点。
社区监控环境下的车牌检测与识别对智慧社区的发展有重要的应用价值与研究意义，进一步提高社区居民的生活体验度与满意度。
发明内容
为了解决社区监控场景中车辆车牌检测准确率和效率较低的问题，针对目前社区中对车牌识别准确率、识别效率要求越来越高的情况提出了解决方案。本方法还设计了车牌颜色辨识机制对社区中车辆类型进行识别。检测与识别过程具体包括：首先对待检测车牌图像灰度化等操作进行预处理，抑制非车牌区域的噪声，随后对预处理的车牌进行定位检测，本方法设计了基于卷积神经网络的车牌检测网络模型LPD-CNN，为了提高模型的实用性与适用性，采集社区环境下的车辆图像作为数据集对该网络模型进行训练测试。本发明结合卷积神经网络学习能力强的特点，设计基于卷积神经网络的多标签车牌识别网络模型LPR-CNN，以增加车牌字符识别的准确率。由实验表明，在社区环境下本方法在车牌检测及字符识别方面都具有良好的性能。
为了解决上述技术问题，本发明的技术方案是：
一种社区监控场景下车牌检测及识别方法，采集社区环境下车牌数据集、颜色辨识机制识别车辆种类、图像预处理、LPD-CNN网络模型检测车牌、LPR-CNN网络模型识别车牌、GPU资源调度；包括以下步骤：
步骤1：社区监控场景下获取视频流，解码得到车辆图像，标定车辆车牌区域框，获取车牌数据集；
步骤2：将数据集输入LPD-CNN车牌检测网络模型进行训练，直至得到最优的网络参数；
步骤3：下载车牌数据集输入LPR-CNN车牌识别网络模型进行训练，直至得到最优的网络参数；
步骤4：使用颜色辨识机制对待检测车牌图像进行颜色识别，根据颜色-种类对应关系，输出车辆类型；
步骤5：对待检测车牌图像进行灰度值等操作进行预处理，抑制非车牌区域噪声；
步骤6：利用参数最优的LPD-CNN车牌检测模型对处理后的车牌图像进行检测；
步骤7：利用参数最优的LPR-CNN车牌识别模型对检测后的车牌图像进行识别；
步骤8：采用GPU调度策略进行GPU调度。
优选地，所述步骤1中获取监控区域下的视频流，包括：在社区各处安装高清摄像头或者视频采集装置，选择需要监测的区域，获取该区域下所有的车辆视频流，对视频流进行解码处理分离出车辆图像数据。为了提高车牌检测网络模型适用性与实用性，对社区中的车辆图像数据进行车牌标注制作数据集。
优选地，所述步骤2中，针对对社区环境下的车牌检测模型较少并且检测准确率较低的情况，本发明结合社区中车牌拍摄角度、光照等复杂环境设计了LPD-CNN(LicensePlate Detection-Convolution Nerual Network)车牌检测网络模型，LPD-CNN网络模型结构，网络结构：第1，2层均包含conv、pool、norm，3层conv3，然后接连conv4、pool4，第5个是fc，损失层采用softmax损失函数计算。利用步骤1获取的社区环境下车牌数据集对该网络模型进行训练，训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述网络以预设的效率达到预设的检测效果。
优选地，所述步骤3中，目前常用的车牌字符技术大多经过字符分割再对单个字符进行识别，为了减少识别率对分割图像质量的依赖，本发明结合卷积神经网络学习能力强的特点，设计基于卷积神经网络的多标签车牌识别网络模型LPR-CNN(License PlateRecognition-Convolution Nerual Network)，以增加车牌字符识别的准确率，网络结构：第1，2层均包含conv、pool、norm，3、4层用了相同的conv，然后接连conv5、pool5，第6个是fc，第7、8层采用了并列的7个fc，损失层采用softmax+交叉熵损失函数计算。网络获取车牌数据集对该网络进行训练，训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述网络以预设的效率达到预设的识别效果。训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述网络以预设的效率达到预设的识别的效果。
优选地，所述步骤4中，因为新能源汽车越来越普及，针对社区中出先车牌种类如白色警车等情况，本发明设计了颜色辨识机制对车牌进行种类判断，原理图如图4，使用TCS230传感器利用颜色滤波器实现色彩辨识机制，该机制对输入图片进行信号处理，识别待测图像颜色分量值。判断标准为：白色-军牌、警牌；蓝色-普通车牌；黄色-大型车牌、教练车；黑色-外交车牌。
优选地，所述步骤5中，为了减少因为外界环境因素的影响比如光照、天气等，在车牌检测与识别之前对车牌进行了预处理操作，通过分量法将图像灰度化处理、灰度拉伸、图像平滑减少倾斜、光照不均现象，有利于后续的检测与识别。
优选地，所述步骤6中，利用步骤2中训练好的参数最优的LPD-CNN车牌检测网络模型对处理后的车牌进行检测。
优选地，所述步骤7中，利用步骤3中训练好的参数最优的LPR-CNN车牌识别网络模型对步骤6中检测后的车牌进行识别，输出车牌字符序列。
优选地，所述步骤7中实时监控GPU处理集群中的GPU使用情况，采取适当的调度策略对GPU进行实时调度。
采用上述技术方案，本发明提供的一种社区监控场景下车牌检测及识别方法，具有以下有益效果：
(1)针对社区环境中车辆种类问题，本发明设计了颜色辨识机制通过对车牌颜色识别判断车辆种类，丰富了社区物业端车辆信息。
(2)针对对社区环境下的车牌检测模型较少并且检测准确率较低的情况，本发明结合社区中车牌拍摄角度、光照等复杂环境设计了LPD-CNN车牌检测网络模型，使用社区中的车辆图像作为数据集对其进行训练，提高了本方法的实用性与适用性。
(3)目前常用的车牌字符技术大多经过字符分割再对单个字符进行识别，识别率对分割图像质量的过度依赖，本发明结合卷积神经网络学习能力强的特点，设计基于卷积神经网络的多标签车牌识别网络模型LPR-CNN，减少了分割操作提高了识别效率，实验证明，本发明的车牌字符识别的准确率为98％。
(4)本发明的提出提高了社区环境下车辆车牌检测与识别的准确率与效率，提高了社区居民的体验度，进一步推动了智慧社区的建设。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明中社区监控场景下车牌检测及识别方法总流程图；
图2为本发明中LPD-CNN车牌检测网络模型结构图；
图3为本发明中LPR-CNN车牌识别网络模型结构；
图4为本发明中颜色辨识机制原理结构图；
图5为本发明中GPU调度策略原理图。
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，所描述的实施例仅仅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。
如图1所示，本发明社区监控场景下车牌检测及识别方法，包括以下几个基本步骤：采集社区环境下车牌数据集、颜色辨识机制识别车辆种类、图像预处理、LPD-CNN网络模型检测车牌、LPR-CNN网络模型识别车牌、GPU资源调度下面对基于深度学习的实时的铁路口多摄像头行人检测方法进行详细说明：
如图1所示，社区监控场景下获取视频流，解码得到车辆图像，标定车辆车牌区域框，获取车牌数据集；将数据集输入LPD-CNN车牌检测网络模型进行训练，直至得到最优的网络参数；下载车牌数据集输入LPR-CNN车牌识别网络模型进行训练，直至得到最优的网络参数；使用颜色辨识机制对待检测车牌图像进行颜色识别，根据颜色-种类对应关系，输出车辆类型；对待检测车牌图像进行灰度值等操作进行预处理，抑制非车牌区域噪声；利用参数最优的LPD-CNN车牌检测模型对处理后的车牌图像进行检测；利用参数最优的LPR-CNN车牌识别模型对检测后的车牌图像进行识别；采用GPU调度策略进行GPU调度。
针对对社区环境下的车牌检测模型较少并且检测准确率较低的情况，本发明结合社区中车牌拍摄角度、光照等复杂环境设计了LPD-CNN(License Plate Detection-Convolution Nerual Network)车牌检测网络模型，LPD-CNN网络模型结构如图2所示，网络结构：第1，2层均包含conv、pool、norm，3层conv3，然后接连conv4、pool4，第5个是fc，损失层采用softmax损失函数计算。利用步骤1获取的社区环境下车牌数据集对该网络模型进行训练，训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述网络以预设的效率达到预设的检测效果。
GPU资源调度层根据调度策略如图3所示，实时监控当前GPU资源使用情况，在GPU处理器集群分配任务之前，首先检查当前GPU消耗是否过大，如果消耗过大，则查看GPU使用情况列表和GPU计算能力列表，重新选择GPU接收任务。目前常用的车牌字符技术大多经过字符分割再对单个字符进行识别，为了减少识别率对分割图像质量的依赖，本发明结合卷积神经网络学习能力强的特点，设计基于卷积神经网络的多标签车牌识别网络模型LPR-CNN(License Plate Recognition-Convolution Nerual Network)，以增加车牌字符识别的准确率，网络模型结构如图3所示，网络结构：第1，2层均包含conv、pool、norm，3、4层用了相同的conv，然后接连conv5、pool5，第6个是fc，第7、8层采用了并列的7个fc，损失层采用softmax+交叉熵损失函数计算。网络获取车牌数据集对该网络进行训练，训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述网络以预设的效率达到预设的识别效果。训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述网络以预设的效率达到预设的识别的效果。
具体地，因为新能源汽车越来越普及，针对社区中出先车牌种类如白色警车等情况，本发明设计了颜色辨识机制对车牌进行种类判断，原理图如图4，使用TCS230传感器利用颜色滤波器实现色彩辨识机制，该机制对输入图片进行信号处理，识别待测图像颜色分量值。判断标准为：白色-军牌、警牌；蓝色-普通车牌；黄色-大型车牌、教练车；黑色-外交车牌。
本发明的社区监控场景下车牌检测及识别方法，将目标检测技术和目标识别技术相结合，用深度学习的方法对社区场景下的车牌进行检测与识别，结合卷积神经网络学习能力强的特点，设计了LPD-CNN车牌检测网络模型和LPR-CNN车牌识别网络模型，采用社区环境下的车牌图为数据集对检测网络模型进行训练，为后续的车牌识别提供了基础；LPR-CNN车牌识别网络模型，利用并列7个fc层对车牌7个字符提取特征向量，该方法避免了字符分割的繁琐，提高了车牌识别效率。
可以理解的，针对目前社区中对车牌识别准确率、识别效率要求越来越高的情况提出了解决方案。本方法还设计了车牌颜色辨识机制对社区中出现的新能源汽车、白色警车等其他颜色车牌的情况进行车辆类型识别。检测与识别过程具体包括：首先对待检测车牌图像灰度化等操作进行预处理，抑制非车牌区域的噪声，随后对预处理的车牌进行定位检测，当前对社区环境下对车牌检测的网络模型较少并且识别率不高，所以本方法设计了基于卷积神经网络的车牌检测网络模型LPD-CNN(License Plate Detection-ConvolutionNerual Network)，为了提高模型的实用性与适用性，采集社区环境下的车辆图像作为数据集对该网络模型进行训练测试。目前常用的车牌字符技术大多经过字符分割再对单个字符进行识别，为了减少识别率对分割图像质量的依赖，本发明结合卷积神经网络学习能力强的特点，设计基于卷积神经网络的多标签车牌识别网络模型LPR-CNN(License PlateRecognition-Convolution Nerual Network)，以增加车牌字符识别的准确率。由实验表明，在社区环境下本方法在车牌检测及字符识别方面都具有良好的性能。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种社区监控场景下车牌检测及识别方法，其特征在于：包括以下步骤：
步骤1：社区监控场景下获取视频流，解码得到车辆图像，标定车辆车牌区域框，获取车牌数据集；
步骤2：将数据集输入LPD-CNN车牌检测网络模型进行训练，直至得到最优的网络参数；
步骤3：下载车牌数据集输入LPR-CNN车牌识别网络模型进行训练，直至得到最优的网络参数；
步骤4：使用颜色辨识机制对待检测车牌图像进行颜色识别，根据颜色-种类对应关系，输出车辆类型；
步骤5：对待检测车牌图像进行灰度值等操作进行预处理，抑制非车牌区域噪声；
步骤6：利用参数最优的LPD-CNN车牌检测模型对处理后的车牌图像进行检测；
步骤7：利用参数最优的LPR-CNN车牌识别模型对检测后的车牌图像进行识别；
步骤8：采用GPU调度策略进行GPU调度。
2.根据权利要求1所述的社区监控场景下车牌检测及识别方法，其特征在于：在所述步骤1中，还包括：在社区各处安装高清摄像头或者视频采集装置，选择需要监测的区域，获取该区域下所有的车辆视频流，对视频流进行解码处理分离出车辆图像数据；为了提高车牌检测网络模型适用性与实用性，对社区中的车辆图像数据进行车牌标注制作数据集。
3.根据权利要求1所述的社区监控场景下车牌检测及识别方法，其特征在于：在所述步骤1中，还包括：利用步骤1获取的社区环境下车牌数据集对该网络模型进行训练，训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述网络以预设的效率达到预设的检测效果。
4.根据权利要求1所述的社区监控场景下车牌检测及识别方法，其特征在于：在所述步骤3中，还包括：网络获取车牌数据集对该网络进行训练，训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述网络以预设的效率达到预设的识别效果。
5.根据权利要求1所述的社区监控场景下车牌检测及识别方法，其特征在于：在所述步骤4中，还包括：使用TCS230传感器利用颜色滤波器实现色彩辨识机制，该机制对输入图片进行信号处理，识别待测图像颜色分量值；判断标准为：白色-军牌、警牌；蓝色-普通车牌；黄色-大型车牌、教练车；黑色-外交车牌。
6.根据权利要求1所述的社区监控场景下车牌检测及识别方法，其特征在于：在所述步骤5中，还包括：在车牌检测与识别之前对车牌进行了预处理操作，通过分量法将图像灰度化处理、灰度拉伸、图像平滑减少倾斜、光照不均现象，有利于后续的检测与识别。
7.根据权利要求1所述的社区监控场景下车牌检测及识别方法，其特征在于：在所述步骤6中，还包括：利用步骤2中训练好的参数最优的LPD-CNN车牌检测网络模型对处理后的车牌进行检测。
8.根据权利要求1所述的社区监控场景下车牌检测及识别方法，其特征在于：在所述步骤7中，还包括：利用步骤3中训练好的参数最优的LPR-CNN车牌识别网络模型对步骤6中检测后的车牌进行识别，输出车牌字符序列。
9.根据权利要求1所述的社区监控场景下车牌检测及识别方法，其特征在于：在所述步骤7中，还包括：实时监控GPU处理集群中的GPU使用情况，采取适当的调度策略对GPU进行实时调度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010966083.5A CN112200007A (zh) | 2020-09-15 | 2020-09-15 | 一种社区监控场景下车牌检测及识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010966083.5A CN112200007A (zh) | 2020-09-15 | 2020-09-15 | 一种社区监控场景下车牌检测及识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112200007A true CN112200007A (zh) | 2021-01-08 |
Family
ID=74014933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010966083.5A Pending CN112200007A (zh) | 2020-09-15 | 2020-09-15 | 一种社区监控场景下车牌检测及识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200007A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065545A (zh) * | 2021-02-24 | 2021-07-02 | 上海辛玮智能科技有限公司 | 基于深度学习的快速车牌识别方法 |
| CN113177552A (zh) * | 2021-05-27 | 2021-07-27 | 的卢技术有限公司 | 一种基于深度学习的车牌识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107067365A (zh) * | 2017-04-25 | 2017-08-18 | 中国石油大学(华东) | 基于深度学习的分布嵌入式实时视频流处理系统及方法 |
| CN108549882A (zh) * | 2018-05-14 | 2018-09-18 | 中国石油大学(华东) | 一种基于深度学习的实时的铁路口多摄像头行人检测方法 |
| CN109344825A (zh) * | 2018-09-14 | 2019-02-15 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的车牌识别方法 |
| CN109508715A (zh) * | 2018-10-30 | 2019-03-22 | 南昌大学 | 一种基于深度学习的车牌定位和识别方法 |
| CN109840521A (zh) * | 2018-12-28 | 2019-06-04 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的一体化车牌识别方法 |
| CN110619327A (zh) * | 2018-06-20 | 2019-12-27 | 湖南省瞬渺通信技术有限公司 | 一种复杂场景下基于深度学习的实时车牌识别方法 |
-
2020
- 2020-09-15 CN CN202010966083.5A patent/CN112200007A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107067365A (zh) * | 2017-04-25 | 2017-08-18 | 中国石油大学(华东) | 基于深度学习的分布嵌入式实时视频流处理系统及方法 |
| CN108549882A (zh) * | 2018-05-14 | 2018-09-18 | 中国石油大学(华东) | 一种基于深度学习的实时的铁路口多摄像头行人检测方法 |
| CN110619327A (zh) * | 2018-06-20 | 2019-12-27 | 湖南省瞬渺通信技术有限公司 | 一种复杂场景下基于深度学习的实时车牌识别方法 |
| CN109344825A (zh) * | 2018-09-14 | 2019-02-15 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的车牌识别方法 |
| CN109508715A (zh) * | 2018-10-30 | 2019-03-22 | 南昌大学 | 一种基于深度学习的车牌定位和识别方法 |
| CN109840521A (zh) * | 2018-12-28 | 2019-06-04 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的一体化车牌识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 彭波，等.: "TCS230颜色传感器结合BP神经网络在颜色识别系统上的研究", 《食品与机械》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065545A (zh) * | 2021-02-24 | 2021-07-02 | 上海辛玮智能科技有限公司 | 基于深度学习的快速车牌识别方法 |
| CN113177552A (zh) * | 2021-05-27 | 2021-07-27 | 的卢技术有限公司 | 一种基于深度学习的车牌识别方法 |
| CN113177552B (zh) * | 2021-05-27 | 2024-04-26 | 的卢技术有限公司 | 一种基于深度学习的车牌识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829443B (zh) | 基于图像增强与3d卷积神经网络的视频行为识别方法 | |
| WO2018130016A1 (zh) | 一种基于监控视频的停车检测方法及装置 | |
| CN101739827B (zh) | 一种车辆检测跟踪方法和装置 | |
| CN106886778B (zh) | 一种监控场景下车牌字符分割与识别方法 | |
| CN106339657B (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
| CN111047874B (zh) | 智能交通违章管理方法及相关产品 | |
| CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
| CN112200007A (zh) | 一种社区监控场景下车牌检测及识别方法 | |
| CN106919939B (zh) | 一种交通标识牌跟踪识别方法及系统 | |
| CN113205107A (zh) | 一种基于改进高效率网络的车型识别方法 | |
| CN112668560B (zh) | 一种人流密集区域行人检测方法及系统 | |
| CN106845387A (zh) | 基于自学习的行人检测方法 | |
| CN105046218A (zh) | 一种基于串并行处理的多特征交通视频烟雾检测方法 | |
| CN111414861A (zh) | 基于深度学习实现行人及非机动车辆检测处理的方法 | |
| CN109858459A (zh) | 基于警用车载视频要素信息实现智能解析处理的系统及其方法 | |
| Jin et al. | A deep-learning-based scheme for detecting driver cell-phone use | |
| CN114926456A (zh) | 一种半自动标注和改进深度学习的铁轨异物检测方法 | |
| CN113486712B (zh) | 一种基于深度学习的多人脸识别方法、系统和介质 | |
| CN112200008A (zh) | 一种社区监控场景下人脸属性识别方法 | |
| Dong et al. | Nighttime pedestrian detection with near infrared using cascaded classifiers | |
| CN112270207A (zh) | 一种社区监控场景下烟火检测方法 | |
| CN102842025B (zh) | 视频图像的检测场景判断方法及装置 | |
| CN114495160A (zh) | 一种基于改进RFBNet算法的行人检测方法及系统 | |
| CN114565597A (zh) | 一种基于YOLOv3-tiny-DB和迁移学习的夜间道路行人检测方法 | |
| Ren et al. | Implementation of vehicle and license plate detection on embedded platform |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210108 |