CN112446375A - 车牌识别方法、装置、设备及存储介质 - Google Patents

车牌识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112446375A
CN112446375A CN201910828156.1A CN201910828156A CN112446375A CN 112446375 A CN112446375 A CN 112446375A CN 201910828156 A CN201910828156 A CN 201910828156A CN 112446375 A CN112446375 A CN 112446375A
Authority
CN
China
Prior art keywords
license plate
image
characters
plate image
sub
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
Application number
CN201910828156.1A
Other languages
English (en)
Inventor
钱华
蔡晓蕙
程战战
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.)
Shanghai Goldway Intelligent Transportation System Co Ltd
Original Assignee
Shanghai Goldway Intelligent Transportation System 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 Shanghai Goldway Intelligent Transportation System Co Ltd filed Critical Shanghai Goldway Intelligent Transportation System Co Ltd
Priority to CN201910828156.1A priority Critical patent/CN112446375A/zh
Publication of CN112446375A publication Critical patent/CN112446375A/zh
Pending legal-status Critical Current

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/20—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
    • 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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Character Discrimination (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供一种车牌识别方法、装置、设备及存储介质，该方法包括：获取待识别的车牌图像，其中，所述车牌图像包含车牌；识别所述车牌图像中的车牌的车牌类型；在所述车牌图像中的车牌的车牌类型为多层车牌时，从所述车牌图像中提取组合字符特征向量，其中，所述组合字符特征向量中所述车牌图像的多行字符的特征向量排列在同一行，所述多层车牌包含多行字符；将所述组合字符特征向量输入第一连续时序分类CTC模型进行字符识别，得到所述车牌图像中车牌的字符识别结果。本发明实施例针对包含多层车牌的车牌图像，利用CTC模型对车牌图像的组合字符特征向量进行字符识别，能够提高对多层车牌的识别准确度。

Description

车牌识别方法、装置、设备及存储介质
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种车牌识别方法、装置、设备及存储介质。
背景技术
车牌用于标识车辆，是车辆区别于其他车辆的一项重要信息。车牌识别技术已被广泛应用在道路交通监测、高速公路自动收费系统、停车场管理系统等场景中，以获取场景内车辆的号牌信息，在治安管理等众多方面发挥着重要作用。车牌通常由多个字符排列组合而成。按照车牌中字符的行数可以将车牌划分为单层车牌和多层车牌，单层车牌的字符都位于同一行，多层车牌的字符排列为多行，如两行、三行等。如图1所示，图1(a)中车牌为单层车牌，图1(b)的两个车牌为多层车牌。
现有技术中，通常构建一个用于车牌识别的深度学习模型，然后通过单层车牌和多层车牌组合成的训练样本集对该深度学习模型进行训练。利用训练后的该深度学习模型进行车牌识别。
然而现有技术中，由于单层车牌的字符排列方式简单，通过深度学习模型进行识别的准确度较高，而多层车牌中的字符排列方式复杂，通过深度学习模型进行识别的准确度较低。
发明内容
本发明实施例提供一种车牌识别方法、装置、设备及存储介质，以解决对多层车牌进行车牌识别的准确度低的问题。
第一方面，本发明实施例提供一种车牌识别方法，包括：
获取待识别的车牌图像，其中，所述车牌图像包含车牌；
识别所述车牌图像中的车牌的车牌类型；
在所述车牌图像中的车牌的车牌类型为多层车牌时，从所述车牌图像中提取组合字符特征向量，其中，所述组合字符特征向量中所述车牌图像的多行字符的特征向量排列在同一行，所述多层车牌包含多行字符；
将所述组合字符特征向量输入第一连续时序分类CTC模型进行字符识别，得到所述车牌图像中车牌的字符识别结果。
在一种可能的实施方式中，所述从所述车牌图像中提取组合字符特征向量，包括：
将所述车牌图像输入第一卷积神经网络CNN模型进行特征提取，得到所述车牌图像的各行字符的特征向量；
将各行字符的特征向量重新排列到同一行，得到所述组合字符特征向量。
在一种可能的实施方式中，从所述车牌图像中提取组合字符特征向量，包括：
将所述车牌图像进行分割处理和拼接处理，得到所述车牌图像对应的组合图像，其中，所述组合图像中车牌的各行字符排列为同一行；
将所述组合图像输入到第二CNN模型进行特征提取，得到所述组合字符特征向量。
在一种可能的实施方式中，将所述车辆图像进行分割处理和拼接处理，得到所述车牌图像对应的组合图像，包括：
获取所述车牌图像中车牌的各行字符之间的边界信息；
根据所述边界信息将所述车牌图像分割为多个子图像，其中，每个子图像包含车牌的单行字符；
将所述多个子图像拼接为所述组合图像。
在一种可能的实施方式中，在识别所述车牌图像中的车牌的车牌类型之后，还包括：
在所述车牌图像中的车牌为单层车牌时，将所述车牌图像输入到第三CNN模型进行特征提取，并将提取到的特征向量输入第二CTC模型进行字符识别，得到所述车牌图像中车牌的字符识别结果，其中，所述单层车牌包含单行字符。
在一种可能的实施方式中，获取待识别的车牌图像，包括：
获取包含车牌和车身的车辆图像；
检测所述车辆图像中车牌所在区域的位置信息；
根据所述位置信息从所述车辆图像中提取车牌所在区域的图像，并通过空间变换网络STN模型对车牌所在区域的图像进行校正处理，得到所述车牌图像。
在一种可能的实施方式中，在获取待识别的车牌图像之前，还包括：
在保持所述第一CTC模型的网络参数不变时，对所述STN模型的网络参数进行训练；
在保持所述STN模型的网络参数不变时，对所述第一CTC模型的网络参数进行训练。
在一种可能的实施方式中，识别所述车牌图像中的车牌的车牌类型，包括：
通过分类模型确定第一子类别，其中，所述第一子类别为所述车牌图像中车牌所属的子类别；
获取所述第一子类别对应的属性信息；
根据所述第一子类别对应的属性信息，确定所述车牌图像中的车牌的车牌类型；
所述方法，还包括：
将所述第一子类别对应的属性信息与所述车牌图像中车牌的字符识别结果进行组合，生成所述车牌图像中车牌的整体识别信息，并输出所述整体识别信息。
第二方面，本发明实施例提供一种车牌识别装置，包括：
获取模块，用于获取待识别的车牌图像，其中，所述车牌图像包含车牌；
第一识别模块，用于识别所述车牌图像中的车牌的车牌类型；
提取模块，用于在所述车牌图像中的车牌的车牌类型为多层车牌时，从所述车牌图像中提取组合字符特征向量，其中，所述组合字符特征向量中所述车牌图像的多行字符的特征向量排列在同一行，所述多层车牌包含多行字符；
第二识别模块，用于将所述组合字符特征向量输入第一连续时序分类CTC模型进行字符识别，得到所述车牌图像中车牌的字符识别结果。
在一种可能的实施方式中，所述提取模块，用于：
将所述车牌图像输入第一卷积神经网络CNN模型进行特征提取，得到所述车牌图像的各行字符的特征向量；
将各行字符的特征向量重新排列到同一行，得到所述组合字符特征向量。
在一种可能的实施方式中，所述提取模块，用于：
将所述车牌图像进行分割处理和拼接处理，得到所述车牌图像对应的组合图像，其中，所述组合图像中车牌的各行字符排列为同一行；
将所述组合图像输入到第二CNN模型进行特征提取，得到所述组合字符特征向量。
在一种可能的实施方式中，所述提取模块，用于：
获取所述车牌图像中车牌的各行字符之间的边界信息；
根据所述边界信息将所述车牌图像分割为多个子图像，其中，每个子图像包含车牌的单行字符；
将所述多个子图像拼接为所述组合图像。
在一种可能的实施方式中，所述装置还包括第三识别模块，所述第三识别模块还包括：
在所述车牌图像中的车牌为单层车牌时，将所述车牌图像输入到第三CNN模型进行特征提取，并将提取到的特征向量输入第二CTC模型进行字符识别，得到所述车牌图像中车牌的字符识别结果，其中，所述单层车牌包含单行字符。
在一种可能的实施方式中，所述获取模块，用于：
获取包含车牌和车身的车辆图像；
检测所述车辆图像中车牌所在区域的位置信息；
根据所述位置信息从所述车辆图像中提取车牌所在区域的图像，并通过空间变换网络STN模型对车牌所在区域的图像进行校正处理，得到所述车牌图像。
在一种可能的实施方式中，所述装置还包括训练模块，所述训练模块用于：
在保持所述第一CTC模型的网络参数不变时，对所述STN模型的网络参数进行训练；
在保持所述STN模型的网络参数不变时，对所述第一CTC模型的网络参数进行训练。
在一种可能的实施方式中，所述第一识别模块，用于：
通过分类模型确定第一子类别，其中，所述第一子类别为所述车牌图像中车牌所属的子类别；
获取所述第一子类别对应的属性信息；
根据所述第一子类别对应的属性信息，确定所述车牌图像中的车牌的车牌类型；
所述第二识别模块，还用于：
将所述第一子类别对应的属性信息与所述车牌图像中车牌的字符识别结果进行组合，生成所述车牌图像中车牌的整体识别信息，并输出所述整体识别信息。
第三方面，本发明实施例提供一种车牌识别设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的实施方式所述的车牌识别方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的实施方式所述的车牌识别方法。
本实施例提供的车牌识别方法、装置、设备及存储介质，识别车牌图像中的车牌类型，对于车牌类型为多层车牌的车牌图像，从车牌图像中提取出组合字符特征向量，其中，组合字符特征向量中车牌图像的多行字符的特征向量排列在同一行，将组合字符特征向量输入第一CTC模型进行字符识别，得到车牌图像中车牌的字符识别结果，能够针对包含多层车牌的车牌图像，利用CTC模型对车牌图像的组合字符特征向量进行字符识别，提高对多层车牌的识别准确度。
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一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的单层车牌和多层车牌的示意图；
图2为本发明一实施例提供的车牌识别方法的流程示意图；
图3为本发明实施例提供的提取组合字符特征向量的一种实现方式的过程示意图；
图4为本发明实施例提供的提取组合字符特征向量的另一实现方式的过程示意图；
图5为本发明又一实施例提供的车牌识别方法的流程示意图；
图6为本发明另一实施例提供的车牌识别方法的流程示意图；
图7为本发明再一实施例提供的车牌识别方法的流程示意图；
图8为本发明一实施例提供的车牌识别装置的结构示意图；
图9为本发明又一实施例提供的车牌识别装置的结构示意图；
图10为本发明一实施例提供的车牌识别设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
现有技术中，通常构建一个用于车牌识别的深度学习模型，然后通过单层车牌和多层车牌组合成的训练样本集对该深度学习模型进行训练。利用训练后的该深度学习模型进行车牌识别。由于单层车牌的字符排列方式简单，通过该深度学习模型进行识别的准确度较高，而多层车牌中的字符排列方式复杂，通过该深度学习模型进行识别的准确度较低。
本实施例提出的车牌识别方法能够针对包含多层车牌的车牌图像，利用CTC模型对车牌图像的组合字符特征向量进行字符识别，提高对多层车牌的识别准确度。
图2为本发明一实施例提供的车牌识别方法的流程示意图。如图2所示，该方法包括：
S201、获取待识别的车牌图像，其中，所述车牌图像包含车牌。
在本实施例中，可以获取图像采集装置采集的车辆图像，或者从数据库提取车辆图像。车辆图像为包含车身和车牌的图像。从车辆图像中提取出车牌所在区域的图像作为待识别的车牌图像。其中，车牌图像可以为仅包含单个车牌的图像。另外，也可以直接从数据库中获取车牌图像，在此不作限定。
S202、识别所述车牌图像中的车牌的车牌类型。
其中，车牌类型可以包括单层车牌和多层车牌。单层车牌(如图1(a)所示)中车牌的字符都位于同一行，多层车牌(如图1(b)所示)中车牌的字符排列为多行，如可以为两行、三行等，在此不作限定。可选地，单层车牌可以进一步划分为多个子类别，例如，按照车牌颜色、车牌样式、国家、地区等对车牌进行分类，得到各个子类别。类似的，多层车牌还可以进一步划分为多个子类别。识别车牌类型可以是识别出车牌类型为单层车牌还是双层车牌，也可以是先识别出车牌所属的子类别，再根据子类别判断车牌是单层车牌和多层车牌，在此不作限定。
S203、在所述车牌图像中的车牌的车牌类型为多层车牌时，从所述车牌图像中提取组合字符特征向量，其中，所述组合字符特征向量中所述车牌图像的多行字符的特征向量排列在同一行，所述多层车牌包含多行字符。
本实施例采用连续时序分类(Connectionist Temporal Classification，CTC)模型进行字符识别，CTC模型是通过判断图像中每列图像特征属于某个字符的概率来进行字符识别。对于多层车牌，车牌图像中包含多行字符，图像中的某些列属于多行的不同字符，这些列采用CTC模型直接进行识别会被误识别为某个字符，因此无法直接使用CTC模型对多层车牌进行识别。
为使CTC模型能够准确识别多层车牌，首先提取出车牌图像的组合字符特征向量。在组合字符特征向量中，多行字符的特征向量排列在同一行，每列的特征向量仅对应于多层车牌中某行字符，不会对应多行字符，因此通过CTC模型对组合字符特征向量进行识别，能够识别出多层车牌的各行字符。具体地，从车牌图像中提取组合字符特征向量，可以是先将车牌图像中各行字符的图像拼接为一行图像，然后对拼接得到的图像进行特征提取，得到组合字符特征向量；也可以是从车牌图像中提取多行字符的特征向量，然后将多行字符的特征向量拼接为组合字符特征向量，在此不作限定。
S204、将所述组合字符特征向量输入第一连续时序分类CTC模型进行字符识别，得到所述车牌图像中车牌的字符识别结果。
在本实施例中，第一CTC模型为经过预先训练的CTC模型。字符识别结果为车牌上的字符。通过预先训练的CTC模型对组合字符特征向量进行识别，能够利用CTC模型的识别特性来识别多层车牌，提高多层车牌的识别准确度。
本实施例通过识别车牌图像中的车牌类型，对于车牌类型为多层车牌的车牌图像，从车牌图像中提取出组合字符特征向量，其中，组合字符特征向量中车牌图像的多行字符的特征向量排列在同一行，将组合字符特征向量输入第一CTC模型进行字符识别，得到车牌图像中车牌的字符识别结果，能够针对包含多层车牌的车牌图像，利用CTC模型对车牌图像的组合字符特征向量进行字符识别，提高对多层车牌的识别准确度。
在一种实现方式中，从车牌图像中提取组合字符特征向量可以包括：
将所述车牌图像输入第一卷积神经网络CNN模型进行特征提取，得到所述车牌图像的各行字符的特征向量；
将各行字符的特征向量重新排列到同一行，得到所述组合字符特征向量。
在该实现方式中，第一卷积神经网络(Convolutional Neural Networks,CNN)模型用于对包含多层车牌的车牌图像进行特征提取，提取得到车牌图像中各行字符的特征向量。然后按照次序将各行字符的特征向量沿字符行的延伸方向排列为一行，得到组合特征向量。
例如，第一CNN模型可以输出车牌图像的特征图，特征图包含M行N列的特征向量，其中，M大于或等于多层车牌中的字符的行数，N大于或等于多层车牌中字符数最多的一行的字符数的两倍。多层车牌中的不同行字符对应于特征图中的不同行。多层车牌中的一行字符对应特征图中的一行特征向量，一行中的某个字符可以对应特征图中的一列或多列特征向量，在此不作限定。可以将特征图的M行N列特征向量按行展开为1行M*N列的特征向量，从而实现将多层车牌中的多行字符进行特征分离，得到组合字符特征向量。如图3所示为以该实现方式得到组合字符特征向量的过程示意图。其中，车牌图像包含两行字符，第一行的字符为甲A，第二行的字符为BC123。将车牌图像输入第一CNN模型后，第一CNN模型输出的特征图包含3行11列的特征向量。然后将特征图排列为一行，得到的组合特征向量包含1行33列的特征向量。
在另一实现方式中，从车牌图像中提取组合字符特征向量可以包括：
将所述车牌图像进行分割处理和拼接处理，得到所述车牌图像对应的组合图像，其中，所述组合图像中车牌的各行字符排列为同一行；
将所述组合图像输入到第二CNN模型进行特征提取，得到所述组合字符特征向量。
在该实现方式中，可以通过分割处理将车牌图像分割成多个子图像，每个子图像包含多层车牌中的一行字符，然后将各个子图像按照字符行的延伸方向进行排列，拼接为一张组合图像。由于组合图像中仅包含一行字符，将组合图像输入到第二CNN模型进行特征提取，可以得到组合字符特征。
例如，将组合图像输入第二CNN模型后，第二CNN模型输出车牌图像的特征图，特征图包含1行N列的特征向量，其中，N大于或等于组合图像中所有字符的总个数的两倍。组合图像中的某个字符可以对应特征图中的一列或多列特征向量，在此不作限定。如图4所示为以该实现方式得到组合字符特征向量的过程示意图。其中，车牌图像包含两行字符，第一行的字符为甲A，第二行的字符为BC123。将车牌图像分割为两张子图像，每张子图像中包含一行字符，然后将两张子图像拼接为一张组合图像。将组合图像输入第二CNN模型后，得到1行N列的特征向量。
可选地，将车牌图像进行分割处理和拼接处理，得到所述车牌图像对应的组合图像，可以包括：
获取所述车牌图像中车牌的各行字符之间的边界信息；
根据所述边界信息将所述车牌图像分割为多个子图像，其中，每个子图像包含车牌的单行字符；
将所述多个子图像拼接为所述组合图像。
在本实施例中，可以通过图像处理提取车辆图像中各字符的轮廓信息，根据轮廓信息确定车牌图像中各行字符之间的边界信息；或者识别车牌图像中车牌所属的子类别，每个子类别对应一个车牌模板，车牌模板包含各行字符之间的边界信息，获取车牌所属子类别对应的车牌模板，根据该车牌模板确定车牌图像中各行字符之间的边界信息，此外，还可以有其他的边界信息获取方式，在此不作限定。
在获取车牌各行字符之间的边界信息后，可以根据边界信息将车牌图像分割为多个子图像，使每个子图像仅包含车牌的单行字符，然后将多个子图像沿字符行的延伸方向排列为一行，拼接得到组合图像。通过边界信息对图像进行分割，能够准确将车牌图像中各行字符所在区域的图像分割开，防止图像分割和拼接后出现字符残缺的问题，保证组合图像中每个字符的完整性。
图5为本发明又一实施例提供的车牌识别方法的流程示意图。本实施例对包含单层车牌的车牌图像进行识别的具体实现过程进行了详细说明。如图5所示，该方法包括：
S501、获取待识别的车牌图像，其中，所述车牌图像包含车牌。
在本实施例中，S501与图2实施例中的S201类似，此处不再赘述。
S502、识别所述车牌图像中的车牌的车牌类型。
在本实施例中，S502与图2实施例中的S202类似，此处不再赘述。
S503、在所述车牌图像中的车牌的车牌类型为多层车牌时，从所述车牌图像中提取组合字符特征向量，其中，所述组合字符特征向量中所述车牌图像的多行字符的特征向量排列在同一行，所述多层车牌包含多行字符。
在本实施例中，S503与图2实施例中的S203类似，此处不再赘述。
S504、将所述组合字符特征向量输入第一连续时序分类CTC模型进行字符识别，得到所述车牌图像中车牌的字符识别结果。
在本实施例中，S504与图2实施例中的S204类似，此处不再赘述。
S505、在所述车牌图像中的车牌为单层车牌时，将所述车牌图像输入到第三CNN模型进行特征提取，并将提取到的特征向量输入第二CTC模型进行字符识别，得到所述车牌图像中车牌的字符识别结果，其中，所述单层车牌包含单行字符。
在本实施例中，第三CNN模型和第二CTC模型均为预先经过训练的模型。第三CNN模型用于提取包含单层车牌的车牌图像的特征向量，第二CTC模型用于对第三CNN模型提取到的特征向量进行字符识别。单层车牌仅包含单行字符，因此通过CNN模型提取到的特征向量为单行字符对应的特征向量，直接使用CTC模型进行字符识别就能得到单层车牌的字符。
本实施例通过识别车辆图像中车牌的车牌类型，对于单层车牌和多层车牌分别通过不同的CNN模型和CTC模型进行识别，能够在保证单层车牌识别准确度的前提下，提高多层车牌的识别准确度，使车牌识别的整体识别准确度提高。
图6为本发明另一实施例提供的车牌识别方法的流程示意图。本实施例对获取待识别的车牌图像的具体实现过程进行了详细说明。如图6所示，该方法包括：
S601、获取包含车牌和车身的车辆图像。
S602、检测所述车辆图像中车牌所在区域的位置信息。
S603、根据所述位置信息从所述车辆图像中提取车牌所在区域的图像，并通过空间变换网络STN模型对车牌所在区域的图像进行校正处理，得到所述车牌图像。
在本实施例中，可以获取采集到的包含车牌和车身的车辆图像，然后通过深度学习检测算法检测出车辆图像中车牌所在区域的位置信息。其中，深度学习检测算法可以为Faster R-CNN算法、YOLO(You Only Look Once)检测算法等，在此不作限定。根据检测出的位置信息从车辆图像中提取车牌所在区域的图像。由于拍摄角度或者车辆位置等原因，车牌所在区域的图像通常是倾斜的，因此，可以对车牌所在区域的图像进行倾斜校正处理，得到最终的车牌图像。例如，可以通过空间变换网络(Spatial Transformer Network，STN)模型进行校正处理，还可以通过其他现有的图像校正方式，在此不作限定。
可选地，可以通过监督学习的方式对STN模型进行训练，以提高STN模型的校正效果。
S604、识别所述车牌图像中的车牌的车牌类型。
在本实施例中，S604与图2实施例中的S202类似，此处不再赘述。
S605、在所述车牌图像中的车牌的车牌类型为多层车牌时，从所述车牌图像中提取组合字符特征向量，其中，所述组合字符特征向量中所述车牌图像的多行字符的特征向量排列在同一行，所述多层车牌包含多行字符。
在本实施例中，S605与图2实施例中的S203类似，此处不再赘述。
S606、将所述组合字符特征向量输入第一连续时序分类CTC模型进行字符识别，得到所述车牌图像中车牌的字符识别结果。
在本实施例中，S606与图2实施例中的S204类似，此处不再赘述。
由于实际场景中通常采集到的图像为车辆图像，在进行车牌识别时需要进行处理得到车牌图像，本实施例通过对车辆图像中车牌所在区域的图像进行提取和校正，能够快速准确的得到车牌图像，以便于后续对车牌图像的车牌识别处理。
可选地，在获取待识别的车牌图像之前，所述方法还包括：
在保持所述第一CTC模型的网络参数不变时，对所述STN模型的网络参数进行训练；
在保持所述STN模型的网络参数不变时，对所述第一CTC模型的网络参数进行训练。
在本实施例中，第一CTC模型和STN模型在进行车牌识别之前，均需要预先进行训练。本实施例提出一种STN+CTC联合训练的方式。训练步骤如下：
步骤a，首先通过训练样本分别训练STN模型和第一CTC模型。在STN模型和第一CTC模型训练完成后，将STN模型和第一CTC模型组成用于车牌识别的整体识别模型。
步骤b，保持整体识别模型中第一CTC模型的网络参数不变，通过训练样本对STN模型进行训练，以使STN模型的网络参数去适应第一CTC模型，对STN模型的网络参数进行微调。
步骤c，保持整体识别模型中STN模型的网络参数不变，通过训练样本对第一CTC模型进行训练，以使第一CTC模型的网络参数去适应STN模型的图像校正，对第一CTC模型的网络参数进行微调。
步骤d，重复进行步骤b和c进行预设次数的训练，从而提高第一CTC模型和STN模型之间的耦合性。
其中，步骤b和c的先后顺序也可以调换，先执行步骤c，再执行步骤b，在此不作限定。该训练方式除了训练STN模型与第一CTC模型外，还可以将STN与其它CTC模型进行训练，在此不作限定。
现有技术中，通常是按照步骤a进行图像校正模型和字符识别模型的训练，导致组合后的两个模型存在兼容性问题，影响整体的识别效果。而本实施例提出了一种联合训练的方式，通过轮换的单独训练STN模型和第一CTC模型能够提高两个模型之间的耦合性，提高车牌识别的准确度。
图7为本发明再一实施例提供的车牌识别方法的流程示意图。本实施例对识别车牌图像中的车牌的车牌类型的具体实现过程进行了详细说明。如图7所示，该方法包括：
S701、获取待识别的车牌图像，其中，所述车牌图像包含车牌。
在本实施例中，S701与图2实施例中的S201类似，此处不再赘述。
S702、通过分类模型确定第一子类别，其中，所述第一子类别为所述车牌图像中车牌所属的子类别。
S703、获取所述第一子类别对应的属性信息。
S704、根据所述第一子类别对应的属性信息，确定所述车牌图像中的车牌的车牌类型。
在本实施例中，分类模型可以为现有用于分类的深度学习模型，如支持向量机(Support Vector Machine，SVM)，CNN模型等，在此不作限定。子类别可以为预先根据车牌的颜色、字符样式等特点进行划分得到的类别，每个子类别对应有该子类别的属性信息。属性信息至少包括用于表征该子类别的车牌为单层车牌还是多层车牌的标识信息，还可以包括车牌的颜色、样式样式等信息。
通过分类模型识别车辆图像中车牌所属的子类别，然后根据车牌所属的子类别对应的属性信息，能够准确确定车牌图像中车牌的车辆类型。
S705、在所述车牌图像中的车牌的车牌类型为多层车牌时，从所述车牌图像中提取组合字符特征向量，其中，所述组合字符特征向量中所述车牌图像的多行字符的特征向量排列在同一行，所述多层车牌包含多行字符。
在本实施例中，S705与图2实施例中的S203类似，此处不再赘述。
S706、将所述组合字符特征向量输入第一CTC模型进行字符识别，得到所述车牌图像中车牌的字符识别结果。
在本实施例中，S706与图2实施例中的S204类似，此处不再赘述。
可选地，在S706之后，上述方法还可以包括：
将所述第一子类别对应的属性信息与所述车牌图像中车牌的字符识别结果进行组合，生成所述车牌图像中车牌的整体识别信息，并输出所述整体识别信息。
其中，整体识别信息可以包括车牌的字符、颜色、字符样式等，在此不作限定。在得到车牌的字符识别结果后，可以将车牌所属子类别对应的属性信息与车牌的字符识别结果组合得到车牌的整体识别信息，将整体识别信息与车牌图像进行对应记录，并将整体识别信息输出给用户查看。
可选地，在识别出车牌图像中的车牌为异常车牌时，将该车牌图像进行丢弃处理，不进行车牌的字符识别。
可选地，上述实施例中的第一CTC模型和第二CTC模型都可以进行批量处理，模型可以同时对多个车牌的字符识别，而不一次只能对一张车牌图像进行字符识别，有效减少大量车牌图像进行识别的整体耗时，提高车牌识别的效率。
图8为本发明一实施例提供的车牌识别装置的结构示意图。如图8所示，该车牌识别装置80包括：获取模块801、第一识别模块802、提取模块803和第二识别模块804。
获取模块801，用于获取待识别的车牌图像，其中，所述车牌图像包含车牌。
第一识别模块802，用于识别所述车牌图像中的车牌的车牌类型。
提取模块803，用于在所述车牌图像中的车牌的车牌类型为多层车牌时，从所述车牌图像中提取组合字符特征向量，其中，所述组合字符特征向量中所述车牌图像的多行字符的特征向量排列在同一行，所述多层车牌包含多行字符。
第二识别模块804，用于将所述组合字符特征向量输入第一连续时序分类CTC模型进行字符识别，得到所述车牌图像中车牌的字符识别结果。
本实施例通过识别车牌图像中的车牌类型，对于车牌类型为多层车牌的车牌图像，从车牌图像中提取出多行字符的特征向量排列在同一行的组合字符特征向量，将组合字符特征向量输入第一CTC模型进行字符识别，得到车牌图像中车牌的字符识别结果，能够针对包含多层车牌的车牌图像，利用CTC模型对车牌图像的组合字符特征向量进行字符识别，提高对多层车牌的识别准确度。
图9为本发明又一实施例提供的车牌识别装置的结构示意图。如图9所示，本实施例提供的车牌识别装置80在图8所示实施例提供的车牌识别装置的基础上，还可以包括：第三识别模块805和训练模块806。
可选地，所述提取模块803，用于：
将所述车牌图像输入第一卷积神经网络CNN模型进行特征提取，得到所述车牌图像的各行字符的特征向量；
将各行字符的特征向量重新排列到同一行，得到所述组合字符特征向量。
可选地，所述提取模块803，用于：
将所述车牌图像进行分割处理和拼接处理，得到所述车牌图像对应的组合图像，其中，所述组合图像中车牌的各行字符排列为同一行；
将所述组合图像输入到第二CNN模型进行特征提取，得到所述组合字符特征向量。
可选地，所述提取模块803，用于：
获取所述车牌图像中车牌的各行字符之间的边界信息；
根据所述边界信息将所述车牌图像分割为多个子图像，其中，每个子图像包含车牌的单行字符；
将所述多个子图像拼接为所述组合图像。
可选地，所述第三识别模块805，用于：
在所述车牌图像中的车牌为单层车牌时，将所述车牌图像输入到第三CNN模型进行特征提取，并将提取到的特征向量输入第二CTC模型进行字符识别，得到所述车牌图像中车牌的字符识别结果，其中，所述单层车牌包含单行字符。
可选地，所述获取模块801，用于：
获取包含车牌和车身的车辆图像；
检测所述车辆图像中车牌所在区域的位置信息；
根据所述位置信息从所述车辆图像中提取车牌所在区域的图像，并通过空间变换网络STN模型对车牌所在区域的图像进行校正处理，得到所述车牌图像。
可选地，所述训练模块805，用于：
在保持所述第一CTC模型的网络参数不变时，对所述STN模型的网络参数进行训练；
在保持所述STN模型的网络参数不变时，对所述第一CTC模型的网络参数进行训练。
可选地，所述第一识别模块802，用于：
通过分类模型确定第一子类别，其中，所述第一子类别为所述车牌图像中车牌所属的子类别；
获取所述第一子类别对应的属性信息；
根据所述第一子类别对应的属性信息，确定所述车牌图像中的车牌的车牌类型；
所述第二识别模块804，还用于：
将所述第一子类别对应的属性信息与所述车牌图像中车牌的字符识别结果进行组合，生成所述车牌图像中车牌的整体识别信息，并输出所述整体识别信息。
本发明实施例提供的车牌识别装置，可用于执行上述的方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
图10为本发明一实施例提供的车牌识别设备的硬件结构示意图。如图10所示，本实施例提供的车牌识别设备100包括：至少一个处理器1001和存储器1002。该车牌识别设备100还包括通信部件1003。其中，处理器1001、存储器1002以及通信部件1003通过总线1004连接。
在具体实现过程中，至少一个处理器1001执行所述存储器1002存储的计算机执行指令，使得至少一个处理器1001执行如上的车牌识别方法。
处理器1001的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图10所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上的车牌识别方法。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
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程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。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。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (18)

1.一种车牌识别方法，其特征在于，包括：
获取待识别的车牌图像，其中，所述车牌图像包含车牌；
识别所述车牌图像中的车牌的车牌类型；
在所述车牌图像中的车牌的车牌类型为多层车牌时，从所述车牌图像中提取组合字符特征向量，其中，所述组合字符特征向量中所述车牌图像的多行字符的特征向量排列在同一行，所述多层车牌包含多行字符；
将所述组合字符特征向量输入第一连续时序分类模型进行字符识别，得到所述车牌图像中车牌的字符识别结果。
2.根据权利要求1所述的方法，其特征在于，所述从所述车牌图像中提取组合字符特征向量，包括：
将所述车牌图像输入第一卷积神经网络模型进行特征提取，得到所述车牌图像的各行字符的特征向量；
将各行字符的特征向量重新排列到同一行，得到所述组合字符特征向量。
3.根据权利要求1所述的方法，其特征在于，从所述车牌图像中提取组合字符特征向量，包括：
将所述车牌图像进行分割处理和拼接处理，得到所述车牌图像对应的组合图像，其中，所述组合图像中车牌的各行字符排列为同一行；
将所述组合图像输入到第二卷积神经网络模型进行特征提取，得到所述组合字符特征向量。
4.根据权利要求3所述的方法，其特征在于，将所述车辆图像进行分割处理和拼接处理，得到所述车牌图像对应的组合图像，包括：
获取所述车牌图像中车牌的各行字符之间的边界信息；
根据所述边界信息将所述车牌图像分割为多个子图像，其中，每个子图像包含车牌的单行字符；
将所述多个子图像拼接为所述组合图像。
5.根据权利要求1所述的方法，其特征在于，在识别所述车牌图像中的车牌的车牌类型之后，还包括：
在所述车牌图像中的车牌为单层车牌时，将所述车牌图像输入到第三卷积神经网络模型进行特征提取，并将提取到的特征向量输入第二连续时序分类模型进行字符识别，得到所述车牌图像中车牌的字符识别结果，其中，所述单层车牌包含单行字符。
6.根据权利要求1所述的方法，其特征在于，获取待识别的车牌图像，包括：
获取包含车牌和车身的车辆图像；
检测所述车辆图像中车牌所在区域的位置信息；
根据所述位置信息从所述车辆图像中提取车牌所在区域的图像，并通过空间变换网络模型对车牌所在区域的图像进行校正处理，得到所述车牌图像。
7.根据权利要求6所述的方法，其特征在于，在获取待识别的车牌图像之前，还包括：
在保持所述第一连续时序分类模型的网络参数不变时，对所述空间变换网络模型的网络参数进行训练；
在保持所述空间变换网络模型的网络参数不变时，对所述第一连续时序分类模型的网络参数进行训练。
8.根据权利要求1至7任一项所述的方法，其特征在于，识别所述车牌图像中的车牌的车牌类型，包括：
通过分类模型确定第一子类别，其中，所述第一子类别为所述车牌图像中车牌所属的子类别；
获取所述第一子类别对应的属性信息；
根据所述第一子类别对应的属性信息，确定所述车牌图像中的车牌的车牌类型；
在得到所述车牌图像中车牌的字符识别结果之后，所述方法还包括：
将所述第一子类别对应的属性信息与所述车牌图像中车牌的字符识别结果进行组合，生成所述车牌图像中车牌的整体识别信息，并输出所述整体识别信息。
9.一种车牌识别装置，其特征在于，包括：
获取模块，用于获取待识别的车牌图像，其中，所述车牌图像包含车牌；
第一识别模块，用于识别所述车牌图像中的车牌的车牌类型；
提取模块，用于在所述车牌图像中的车牌的车牌类型为多层车牌时，从所述车牌图像中提取组合字符特征向量，其中，所述组合字符特征向量中所述车牌图像的多行字符的特征向量排列在同一行，所述多层车牌包含多行字符；
第二识别模块，用于将所述组合字符特征向量输入第一连续时序分类连续时序分类模型进行字符识别，得到所述车牌图像中车牌的字符识别结果。
10.根据权利要求9所述的装置，其特征在于，所述提取模块，用于：
将所述车牌图像输入第一卷积神经网络模型进行特征提取，得到所述车牌图像的各行字符的特征向量；
将各行字符的特征向量重新排列到同一行，得到所述组合字符特征向量。
11.根据权利要求9所述的装置，其特征在于，所述提取模块，用于：
将所述车牌图像进行分割处理和拼接处理，得到所述车牌图像对应的组合图像，其中，所述组合图像中车牌的各行字符排列为同一行；
将所述组合图像输入到第二卷积神经网络模型进行特征提取，得到所述组合字符特征向量。
12.根据权利要求11所述的装置，其特征在于，所述提取模块，用于：
获取所述车牌图像中车牌的各行字符之间的边界信息；
根据所述边界信息将所述车牌图像分割为多个子图像，其中，每个子图像包含车牌的单行字符；
将所述多个子图像拼接为所述组合图像。
13.根据权利要求9所述的装置，其特征在于，所述装置还包括第三识别模块，所述第三识别模块用于：
在所述车牌图像中的车牌为单层车牌时，将所述车牌图像输入到第三卷积神经网络模型进行特征提取，并将提取到的特征向量输入第二连续时序分类模型进行字符识别，得到所述车牌图像中车牌的字符识别结果，其中，所述单层车牌包含单行字符。
14.根据权利要求9所述的装置，其特征在于，所述获取模块，用于：
获取包含车牌和车身的车辆图像；
检测所述车辆图像中车牌所在区域的位置信息；
根据所述位置信息从所述车辆图像中提取车牌所在区域的图像，并通过空间变换网络空间变换网络模型对车牌所在区域的图像进行校正处理，得到所述车牌图像。
15.根据权利要求14所述的装置，其特征在于，所述装置还包括训练模块，所述训练模块用于：
在保持所述第一连续时序分类模型的网络参数不变时，对所述空间变换网络模型的网络参数进行训练；
在保持所述空间变换网络模型的网络参数不变时，对所述第一连续时序分类模型的网络参数进行训练。
16.根据权利要求9至15任一项所述的装置，其特征在于，所述第一识别模块，用于：
通过分类模型确定第一子类别，其中，所述第一子类别为所述车牌图像中车牌所属的子类别；
获取所述第一子类别对应的属性信息；
根据所述第一子类别对应的属性信息，确定所述车牌图像中的车牌的车牌类型；
所述第二识别模块，还用于：
将所述第一子类别对应的属性信息与所述车牌图像中车牌的字符识别结果进行组合，生成所述车牌图像中车牌的整体识别信息，并输出所述整体识别信息。
17.一种车牌识别设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至8任一项所述的车牌识别方法。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至8任一项所述的车牌识别方法。
CN201910828156.1A 2019-09-03 2019-09-03 车牌识别方法、装置、设备及存储介质 Pending CN112446375A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910828156.1A CN112446375A (zh) 2019-09-03 2019-09-03 车牌识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910828156.1A CN112446375A (zh) 2019-09-03 2019-09-03 车牌识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112446375A true CN112446375A (zh) 2021-03-05

Family

ID=74735478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910828156.1A Pending CN112446375A (zh) 2019-09-03 2019-09-03 车牌识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112446375A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114067303A (zh) * 2021-11-01 2022-02-18 北京智芯原动科技有限公司 一种车牌识别方法及装置
CN114463537A (zh) * 2022-01-06 2022-05-10 深圳市景阳信息技术有限公司 一种车牌的识别方法、装置、终端及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170372161A1 (en) * 2016-06-24 2017-12-28 Accenture Global Solutions Limited Intelligent automatic license plate recognition for electronic tolling environments
US20180137349A1 (en) * 2016-11-14 2018-05-17 Kodak Alaris Inc. System and method of character recognition using fully convolutional neural networks
CN108701234A (zh) * 2018-03-05 2018-10-23 深圳前海达闼云端智能科技有限公司 车牌识别方法及云系统
CN109389122A (zh) * 2017-08-03 2019-02-26 杭州海康威视数字技术股份有限公司 一种车牌定位方法及装置
CN109804383A (zh) * 2016-08-04 2019-05-24 谷歌有限责任公司 使用神经网络编码和重构输入
CN110070085A (zh) * 2019-04-30 2019-07-30 北京百度网讯科技有限公司 车牌识别方法和装置
CN110163199A (zh) * 2018-09-30 2019-08-23 腾讯科技（深圳）有限公司 车牌识别方法、车牌识别装置、车牌识别设备及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170372161A1 (en) * 2016-06-24 2017-12-28 Accenture Global Solutions Limited Intelligent automatic license plate recognition for electronic tolling environments
CN109804383A (zh) * 2016-08-04 2019-05-24 谷歌有限责任公司 使用神经网络编码和重构输入
US20180137349A1 (en) * 2016-11-14 2018-05-17 Kodak Alaris Inc. System and method of character recognition using fully convolutional neural networks
CN109389122A (zh) * 2017-08-03 2019-02-26 杭州海康威视数字技术股份有限公司 一种车牌定位方法及装置
CN108701234A (zh) * 2018-03-05 2018-10-23 深圳前海达闼云端智能科技有限公司 车牌识别方法及云系统
CN110163199A (zh) * 2018-09-30 2019-08-23 腾讯科技（深圳）有限公司 车牌识别方法、车牌识别装置、车牌识别设备及介质
CN110070085A (zh) * 2019-04-30 2019-07-30 北京百度网讯科技有限公司 车牌识别方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIANLIN WANG等: "Sequence recognition of Chinese license plates", 《NEUROCOMPUTING》 *
杨彬: "图像中的文本检测与识别研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114067303A (zh) * 2021-11-01 2022-02-18 北京智芯原动科技有限公司 一种车牌识别方法及装置
CN114067303B (zh) * 2021-11-01 2024-05-07 北京智芯原动科技有限公司 一种车牌识别方法及装置
CN114463537A (zh) * 2022-01-06 2022-05-10 深圳市景阳信息技术有限公司 一种车牌的识别方法、装置、终端及可读存储介质

Similar Documents

Publication Publication Date Title
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
EP3806064A1 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN110097068B (zh) 相似车辆的识别方法和装置
CN105574550A (zh) 一种车辆识别方法及装置
CN106778757A (zh) 基于文本显著性的场景文本检测方法
CN106295502A (zh) 一种人脸检测方法及装置
CN111400533B (zh) 图像筛选方法、装置、电子设备和存储介质
CN111583180B (zh) 一种图像的篡改识别方法、装置、计算机设备及存储介质
CN104361359A (zh) 基于图像检测的车辆识别方法
CN104615986A (zh) 利用多检测器对场景变化的视频图像进行行人检测的方法
CN114387591A (zh) 车牌识别方法、系统、设备及存储介质
CN114038004A (zh) 一种证件信息提取方法、装置、设备及存储介质
CN111046971A (zh) 图像识别方法、装置、设备及计算机可读存储介质
CN113221750A (zh) 车辆追踪方法、装置、设备及存储介质
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
CN112446375A (zh) 车牌识别方法、装置、设备及存储介质
CN109508716B (zh) 一种图像文字的定位方法及装置
CN111417960A (zh) 信息处理装置、信息处理方法及程序
CN112651417A (zh) 车牌识别方法、装置、设备及存储介质
CN110084157B (zh) 图像重识别的数据处理方法及装置
CN112329886A (zh) 双车牌识别方法、模型训练方法、装置、设备及存储介质
CN116721396A (zh) 车道线检测方法、设备及存储介质
CN113869304A (zh) 视频的文字检测方法及装置
KR102026280B1 (ko) 딥 러닝을 이용한 씬 텍스트 검출 방법 및 시스템
CN105160300A (zh) 一种基于水平集分割的文本抽取方法

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