CN112257764A - 车牌分类方法、电子设备及存储介质 - Google Patents
车牌分类方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112257764A CN112257764A CN202011104716.8A CN202011104716A CN112257764A CN 112257764 A CN112257764 A CN 112257764A CN 202011104716 A CN202011104716 A CN 202011104716A CN 112257764 A CN112257764 A CN 112257764A
- Authority
- CN
- China
- Prior art keywords
- license plate
- plate image
- image
- character
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车牌分类方法、电子设备及存储介质。该方法包括:获取第一车牌图像;生成表示第一车牌图像的字符格式的第二车牌图像;利用分类网络对第一车牌图像和第二车牌图像进行处理,得到第一车牌图像对应的第一车牌分类结果。通过上述方式,能够提高车牌分类的准确度。
Description
技术领域
本申请涉及图像处理领域,特别是涉及一种车牌分类方法、电子设备及存储介质。
背景技术
车牌分类技术主要根据车牌的某种特征对车牌进行类别的划分,例如车牌的字符层数、车牌颜色、车牌所属区域等。通过车牌分类技术可以得知车牌类别进而可推理出此车牌对应车辆的有用信息。故车牌分类技术在交通、监控等领域被广泛应用。
当前车牌分类技术主要分为两大类,分别是基于传统图像处理方法的车牌分类方法和基于深度学习的车牌分类方法。但是现有的车牌分类的准确度仍然不够高。
发明内容
本申请提供一种车牌分类方法、电子设备及存储介质,能够解决现有的车牌分类的准确度不够高的问题。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种车牌分类方法。该方法包括:获取第一车牌图像;生成表示第一车牌图像的字符格式的第二车牌图像;利用分类网络对第一车牌图像和第二车牌图像进行处理,得到第一车牌图像对应的第一车牌分类结果。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种电子设备,该电子设备包括处理器、与处理器连接的存储器,其中,存储器存储有程序指令;处理器用于执行存储器存储的程序指令以实现上述方法。
为解决上述技术问题,本申请采用的又一个技术方案是:提供一种存储介质,存储有程序指令,该程序指令被执行时能够实现上述方法。
通过上述方式,本申请在利用分类网络对第一车牌图像进行车牌分类时考虑了第一车牌图像中的字符格式,故分类网络对第一车牌图像进行分类时考虑了第一车牌图像中车牌的字符格式,能够使得对车牌分类的结果更加准确。
附图说明
图1是本申请车牌分类方法第一实施例的流程示意图;
图2是瑞典的第一车牌图像示意图;
图3是爱沙尼亚的第一车牌图像示意图;
图4是比利时的第一车牌图像示意图;
图5是本申请车牌分类方法第二实施例的流程示意图;
图6是本申请车牌分类方法第三实施例的流程示意图;
图7是本申请图2对应的第二车牌图像示意图;
图8是本申请车牌分类方法第四实施例的流程示意图;
图9是本申请分类网络的训练方法的流程示意图;
图10是本申请分类网络的结构示意图;
图11是本申请电子设备一实施例的结构示意图;
图12是本申请存储介质一实施例的结构示意图。
具体实施方式
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,所描述的实施例仅是本申请的一部分实施例,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,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,在不冲突的情况下,本文所描述的实施例可以与其它实施例相结合。
图1是本申请车牌分类方法第一实施例的流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图1所示的流程顺序为限。如图1所示,本实施例可以包括:
S11:获取第一车牌图像。
第一车牌图像可以通过图像采集设备获取得到。图像采集设备可以为摄像头,也可以为具有摄像头的设备。图像采集设备可以设置于车辆上,也可以于车辆单独存在。
可以直接将图像采集设备获取得到的场景图像(视为包含具有车牌的车辆的图像)作为该第一车牌图像,也可以将场景图像中车牌对应的区域作为该第一车牌图像。将场景图像中车牌对应的区域作为第一车牌图像的方式,能够使得后续对第一车牌图像的处理更加有效。
其中,在将场景图像中车牌对应的区域作为第一车牌图像的方式下,可以直接对场景图像进行车牌检测,得到场景图像中车牌对应的区域。为提高检测得到的车牌对应的区域的精度,也可以先对场景图像进行车辆检测,得到场景图像中车辆对应的区域,再在车辆对应的区域的基础上进行车牌检测,得到场景图像中车牌对应的区域。具体描述可以参见后面的实施例说明。
S12:生成表示第一车牌图像的字符格式的第二车牌图像。
考虑到有些国家或者地区的第一车牌图像外在样式很相似,这里所指外在样式可以包括字符数量,车牌的字符层数、排列形式,车牌颜色,车牌所属区域等等。以瑞典、爱沙尼亚、比利时三国的车牌为例进行说明。其中图2为瑞典的第一车牌图像,图3为爱沙尼亚的第一车牌图像,图4为比利时的第一车牌图像。从图2-4可知,瑞典、爱沙尼亚、比利时的第一车牌图像(尤其是瑞典和爱沙尼亚车牌)外在样式的相似度很高。为增加后续利用分类网络得到的第一车牌分类结果的准确度,可以生成表示第一车牌图像的内在格式(字符格式)的第二车牌图像,以便对分类网络的第一车牌图像分类进行辅助。
第一车牌图像的字符格式可以包括第一车牌图像中每个字符所属的字符类型。因此第一车牌图像的字符格式可以用于反映第一车牌图像中包括的字符的类型的规律。在其他实施方式中,第一车牌图像的字符格式还可以包括第一车牌图像中每个字符的大小、字体等等。
字符的类型可以包括数字和字母。当然字符的类型也可以为其他,具体可根据实际情况而定。
为简化描述,本申请后文仅以字符格式包括字符的类型,并且字符的类型包括数字和字母进行说明。
S13:利用分类网络对第一车牌图像和第二车牌图像进行处理,得到第一车牌图像对应的第一车牌分类结果。
分类网络可以结合第二车牌图像对第一车牌图像进行分类,也即分类网络可以结合第一车牌图像中的字符格式和外在样式对第一车牌图像进行分类。换句话说,第一车牌图像中的字符格式对分类网络对第一车牌图像的分类起辅助作用。
第一车牌分类结果可以为第一车牌图像属于各预设的车牌类别的概率,并且第一车牌图像属于各预设的车牌类别的概率中最大的概率对应的车牌类别,即为该第一车牌图像对应的类别。
通过本实施例的实施,本申请在利用分类网络对第一车牌图像进行车牌分类时考虑了第一车牌图像中的字符格式,故分类网络对第一车牌图像进行分类时考虑了第一车牌图像中车牌的字符格式,能够使得对车牌分类的结果更加准确。
图5是本申请车牌分类方法第二实施例的流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图5所示的流程顺序为限。本实施例是对上述S11的进一步扩展,如图5所示,本实施例可以包括:
S111:获取场景图像。
场景图像即为图像采集设备直接获取到的图像。该场景图像为包含车辆的图像,并且本申请将其包含的车辆视为具有车牌的图像。
S112:对场景图像进行车辆检测,得到场景图像中的车辆区域。
可以通过车辆检测算法定位场景图像中车辆的位置,车辆的位置可以表示为(中心坐标,宽,高),或者可以表示为(左上角坐标、左下角坐标、右下角坐标、右上角坐标)等。此处车辆的位置表示方法仅为举例,并不意味着限定。
可以将场景图像中车辆的位置对应的区域作为车辆区域。其中,可以直接将场景图像中车辆的位置对应的区域作为车辆区域;也可以先对车辆的位置对应的区域进行扩边处理,再将经扩边处理的区域作为车辆区域,以减小对车辆定位不够准确导致的偏差。
S113:对车辆区域进行车牌检测,得到车辆区域中的车牌区域。
可以通过车牌检测算法对车辆区域中的车牌进行检测,以得到车辆区域中车牌的位置。同样地,可以直接将车辆区域中车牌的位置对应的区域作为车牌区域;也可以先对车牌的位置对应的区域进行扩边处理,再将经扩边处理的区域作为车牌区域,以减小对车牌定位不够准确导致的偏差。
S114:从场景图像中提取车牌区域,得到第一车牌图像。
可以将场景图像中的车牌区域截取出来,作为第一车牌图像。在其他实施方式中,也可以将场景图像中的车牌区域标记,然后将经标记的场景图像作为第一车牌图像。
需要说明的是,在将经标记的场景图像作为第一车牌图像的情况下,意味着这后续的处理针对标记的区域进行。
图6是本申请车牌分类方法第三实施例的流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图6所示的流程顺序为限。本实施例是对上述S12的进一步扩展,如图6所示,本实施例可以包括:
S121:对第一车牌图像中的字符进行识别,得到字符识别结果。
字符识别结果可以包括第一车牌图像中的字符行,该字符行包含了车牌中的各字符及各字符的排列顺序。
S122:利用字符识别结果,确定第一车牌图像中每个字符所属的字符类型。
例如,若字符为0~9,则确定该字符所属的字符类型为数字;若该字符为A~Z,则确定该字符所属的字符类型为字母。
S123:为每个字符确定与其所属的字符类型匹配的标识,生成包含每个字符对应的标识的第二车牌图像。
其中,不同字符类型所匹配的标识不同。
为了对第一车牌图像中不同字符的类型作区分,可以为字符行中每个字符确定与其所属的字符类型匹配的标识。可选地,数字所匹配的标识为第一标识,字母所匹配的标识为第二标识。
可以按照预设的映射规则,将字符行映射为对应的标识行,该标识行中的标识与字符行中的字符一一对应。该标识行可以用于反映第一车牌图像中的字符的类型的规律。具体采用的映射规则可以如下:
其中,ψ代表[0,9]和[A,Z]之外的字符组成的集合,xi代表第一车牌图像中的第i个字符,α代表[0,9]所属的字符类型匹配的标识,β代表[A,Z]或者ψ所属的字符类型匹配的标识。
其中,α,β可以设置为车牌中不会出现的字符对应的图案。例如:
α→&
β→#
可以初始化一个和第一车牌大小相同的单通道画布,在画布上生成包含该标识行的第二车牌图像。图7为图2中瑞典的第一车牌图像对应的第二车牌图像示例。
图8是本申请车牌分类方法第四实施例的流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图8所示的流程顺序为限。本实施例是对上述S13的进一步扩展,如图8所示,本实施例可以包括:
S131:利用分类网络分别提取第一车牌图像和第二车牌图像的特征。
分类网络可以包括第一卷积层和第二卷积层。第一卷积层和第二卷积层的数量均大于等于1,并且第一卷积层数量与第二卷积层数量相等。可以利用第一卷积层提取第一车牌图像的特征,利用第二卷积层提取第二车牌图像的特征。
其中,第一卷积层的卷积核个数大于第二卷积层的卷积核个数。在第一/二卷积层数量大于1的情况下,第一卷积层的卷积核个数大于第二卷积层的卷积核个数是指,第一卷积层的卷积核个数大于对应第二卷积层的卷积核个数。第一卷积层的卷积核个数大于第二卷积层的卷积核个数的情况下,能够使得提取到的第一车辆图像的特征数量大于第二车辆图像的数量。
在一具体实施方式中,第一卷积层的卷积核个数可以为预设因子与第二卷积层的卷积核个数之间的乘积,该预设因子大于1,例如该预设因子可以为2。具体可以表示为:
No=k*Nc
No表示第一卷积层的卷积核个数,Nc表示第二卷积层的卷积核个数,k表示预设因子。
其中,该预设因子为第一卷积层提取到的第一车辆图像的特征数量与通过第二卷积层提取到的第二车辆图像的特征数量的比值。该预设因子越大,第一车辆图像的特征数量相较于第二车辆图像的特征数量越多。换句话说,该预设因子可以用于平衡后续分类网络分类时对第一车牌图像的外在样式和内在字符格式的注意力,故该预设因子也可以被称为注意力因子。
S132:利用分类网络对第一车牌图像和第二车牌图像的特征进行融合,得到融合特征。
由于第一车牌图像的特征数量大于第二车牌图像的特征数量,故融合特征中第一车辆图像的特征占比大于第二车辆图像的特征占比。
S133:利用分类网络对融合特征进行分类,得到第一车牌分类结果。
由于融合特征中第一车辆图像的特征占比大于第二车辆图像的特征占比,故在利用分类网络对融合特征进行分类时,第一车辆图像的特征对第一车牌分类结果的影响大于第二车辆图像的特征。
在上述实施例的基础上,为进一步提高分类结果得到的第一车牌分类结果的准确度,还可以在S13使用分类网络之前,对分类网络进行训练。参阅图9,具体可以通过以下步骤以对所述分类网络进行训练:
S21:获取训练图像集。
训练图像集中包括多张第三车牌图像。第三车牌图像的获取方式可以与第一车牌图像的获取方式相同。
S22:生成表示第三车牌图像的字符格式的第四车牌图像。
S23:利用分类网络对第三车牌图像和第四车牌图像进行处理,得到第三车牌图像对应的第二车牌分类结果。
S24:基于第二车牌分类结果调整分类网络的参数。
本实施例的详细描述请参见前面的实施例,在此不再重复。
下面以一个例子的形式对分类网络的处理过程进行详细说明。如图10所示,依次利用第一卷积层1(Conv1/Nc1)、第一卷积层2(Conv2/Nc2)、最大池化层(Maxpooling)、第一卷积层3(Conv3/Nc3)对第一车牌图像(包含字符“ABD 507”)进行处理,得到第一车辆图像的特征;并依次利用第二卷积层1(Conv1/No1)、第二卷积层2(Conv2/No2)、最大池化层(Maxpooling)、第二卷积层3(Conv3/No3)对第二车牌图像(包含标识“###&&&”)进行处理,得到第二车辆图像的特征。
再对第一车辆图像的特征和第二车辆图像的特征进行融合(Concat),然后再依次利用第三卷积层(Conv4)、骨干网络(Backbone)、第四卷积层(Conv_final)、平均池化层(Average pooling)对融合特征进行处理,得到最终的第一车牌分类结果(Prob)。
图11是本申请电子设备一实施例的结构示意图。如图11所示,该电子设备包括处理器31、与处理器耦接的存储器32。
其中,存储器32存储有用于实现上述任一实施例的方法的程序指令;处理器31用于执行存储器32存储的程序指令以实现上述方法实施例的步骤。其中,处理器31还可以称为CPU(Central Processing Unit,中央处理单元)。处理器31可能是一种集成电路芯片,具有信号的处理能力。处理器31还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
图12是本申请存储介质一实施例的结构示意图。如图12所示,本申请实施例的计算机可读存储介质40存储有程序指令41,该程序指令41被执行时实现本申请上述实施例提供的方法。其中,该程序指令41可以形成程序文件以软件产品的形式存储在上述计算机可读存储介质40中,以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质40包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种车牌分类方法,其特征在于,包括:
获取第一车牌图像;
生成表示所述第一车牌图像的字符格式的第二车牌图像;
利用分类网络对所述第一车牌图像和所述第二车牌图像进行处理,得到所述第一车牌图像对应的第一车牌分类结果。
2.根据权利要求1所述的方法,其特征在于,所述第一车牌图像的字符格式包括所述第一车牌图像中每个字符所属的字符类型。
3.根据权利要求2所述的方法,其特征在于,所述生成表示所述第一车牌图像的字符格式的第二车牌图像,包括:
对所述第一车牌图像中的字符进行识别,得到字符识别结果;
利用所述字符识别结果,确定所述第一车牌图像中每个所述字符所属的字符类型;
为每个所述字符确定与其所属的字符类型匹配的标识,生成包含每个所述字符对应的标识的第二车牌图像,其中,不同所述字符类型所匹配的标识不同。
4.根据权利要求3所述的方法,其特征在于,所述字符类型包括数字和字母,所述数字所匹配的标识为第一标识,所述字母所匹配的标识为第二标识。
5.根据权利要求1所述的方法,其特征在于,所述利用分类网络对所述第一车牌图像和所述第二车牌图像进行处理,得到所述第一车牌图像对应的第一车牌分类结果,包括:
利用所述分类网络分别提取所述第一车牌图像和所述第二车牌图像的特征;
利用所述分类网络对所述第一车牌图像和所述第二车牌图像的特征进行融合,得到融合特征;
利用所述分类网络对所述融合特征进行分类,得到所述第一车牌分类结果。
6.根据权利要求5所述的方法,其特征在于,所述分类网络包括第一卷积层和第二卷积层,所述利用所述分类网络分别提取所述第一车牌图像和所述第二车牌图像的特征,包括:
利用所述第一卷积层提取所述第一车牌图像的特征,利用所述第二卷积层提取所述第二车牌图像的特征,其中,所述第一卷积层的卷积核个数大于所述第二卷积层的卷积核个数。
7.根据权利要求6所述的方法,其特征在于,所述第一卷积层的卷积核个数为预设因子与所述第二卷积层的卷积核个数之间的乘积,所述预设因子大于1。
8.根据权利要求1所述的方法,其特征在于,所述获取第一车牌图像,包括:
获取场景图像;
对所述场景图像进行车辆检测,得到所述场景图像中的车辆区域;
对所述车辆区域进行车牌检测,得到所述车辆区域中的车牌区域;
从所述场景图像中提取所述车牌区域,得到所述第一车牌图像。
9.根据权利要求1所述的方法,其特征在于,在所述利用分类网络对所述第一车牌图像和所述第二车牌图像进行处理,得到所述第一车牌图像对应的第一车牌分类结果之前,包括以下步骤以对所述分类网络进行训练:
获取训练图像集,所述训练图像集中包括多张第三车牌图像;
生成表示所述第三车牌图像的字符格式的第四车牌图像;
利用所述分类网络对所述第三车牌图像和所述第四车牌图像进行处理,得到所述第三车牌图像对应的第二车牌分类结果;
基于所述第二车牌分类结果调整所述分类网络的参数。
10.一种电子设备,其特征在于,包括处理器、与所述处理器连接的存储器,其中,
所述存储器存储有程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以实现权利要求1-9中任一项所述的方法。
11.一种存储介质,其特征在于,所述存储介质存储程序指令,所述程序指令被执行时实现如权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011104716.8A CN112257764A (zh) | 2020-10-15 | 2020-10-15 | 车牌分类方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011104716.8A CN112257764A (zh) | 2020-10-15 | 2020-10-15 | 车牌分类方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112257764A true CN112257764A (zh) | 2021-01-22 |
Family
ID=74243301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011104716.8A Pending CN112257764A (zh) | 2020-10-15 | 2020-10-15 | 车牌分类方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257764A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408574A (zh) * | 2021-05-11 | 2021-09-17 | 浙江大华技术股份有限公司 | 一种车牌分类方法、车牌分类装置和计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135421A (zh) * | 2019-05-17 | 2019-08-16 | 梧州学院 | 车牌识别方法、装置、计算机设备及计算机可读存储介质 |
CN110533039A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种车牌的真伪检测方法、装置及设备 |
CN110728283A (zh) * | 2019-10-11 | 2020-01-24 | 高新兴科技集团股份有限公司 | 一种车牌类型识别方法及设备 |
CN111582180A (zh) * | 2020-05-09 | 2020-08-25 | 浙江大华技术股份有限公司 | 车牌定位方法、图像处理装置及具有存储功能的装置 |
-
2020
- 2020-10-15 CN CN202011104716.8A patent/CN112257764A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135421A (zh) * | 2019-05-17 | 2019-08-16 | 梧州学院 | 车牌识别方法、装置、计算机设备及计算机可读存储介质 |
CN110533039A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种车牌的真伪检测方法、装置及设备 |
CN110728283A (zh) * | 2019-10-11 | 2020-01-24 | 高新兴科技集团股份有限公司 | 一种车牌类型识别方法及设备 |
CN111582180A (zh) * | 2020-05-09 | 2020-08-25 | 浙江大华技术股份有限公司 | 车牌定位方法、图像处理装置及具有存储功能的装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408574A (zh) * | 2021-05-11 | 2021-09-17 | 浙江大华技术股份有限公司 | 一种车牌分类方法、车牌分类装置和计算机可读存储介质 |
WO2022237027A1 (en) * | 2021-05-11 | 2022-11-17 | Zhejiang Dahua Technology Co., Ltd. | License plate classification method, license plate classification apparatus, and computer-readable storage medium |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909725B (zh) | 识别文本的方法、装置、设备及存储介质 | |
US10762376B2 (en) | Method and apparatus for detecting text | |
WO2020238054A1 (zh) | Pdf文档中图表的定位方法、装置及计算机设备 | |
WO2021072876A1 (zh) | 证件图像分类方法、装置、计算机设备及可读存储介质 | |
CN111209827B (zh) | 一种基于特征检测的ocr识别票据问题的方法及系统 | |
CN112381775A (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
CN111666907B (zh) | 一种视频中对象信息的识别方法、装置及服务器 | |
CN111563495A (zh) | 一种图像中字符的识别方法、装置及电子设备 | |
US7136526B2 (en) | Character string recognition apparatus, character string recognizing method, and storage medium therefor | |
CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
CN111652230A (zh) | 车牌识别方法、电子设备及存储介质 | |
US20090052786A1 (en) | Computer vision-based methods for enhanced jbig2 and generic bitonal compression | |
CN114038004A (zh) | 一种证件信息提取方法、装置、设备及存储介质 | |
CN111191582A (zh) | 三维目标检测方法、检测装置、终端设备及计算机可读存储介质 | |
WO2021218183A1 (zh) | 证件边沿检测方法、装置、设备及介质 | |
CN116403094A (zh) | 一种嵌入式图像识别方法及系统 | |
CN112580108A (zh) | 签名和印章完整性验证方法及计算机设备 | |
US10217020B1 (en) | Method and system for identifying multiple strings in an image based upon positions of model strings relative to one another | |
CN114925348A (zh) | 一种基于指纹识别的安全验证方法及系统 | |
CN108960246B (zh) | 一种用于图像识别的二值化处理装置及方法 | |
CN112257764A (zh) | 车牌分类方法、电子设备及存储介质 | |
CN112560856B (zh) | 车牌检测识别方法、装置、设备及存储介质 | |
CN112488012A (zh) | 行人属性识别方法、电子设备及存储介质 | |
CN112329666A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN116311276A (zh) | 文档图像矫正方法、装置、电子设备及可读介质 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210122 Assignee: ZHEJIANG DAHUA TECHNOLOGY Co.,Ltd. Assignor: ZHEJIANG DAHUA TECHNOLOGY Co.,Ltd. Contract record no.: X2021330000117 Denomination of invention: License plate classification method, electronic equipment and storage medium License type: Common License Record date: 20210823 |