CN112528988A - 一种车牌角度矫正方法 - Google Patents
一种车牌角度矫正方法 Download PDFInfo
- Publication number
- CN112528988A CN112528988A CN202011211453.0A CN202011211453A CN112528988A CN 112528988 A CN112528988 A CN 112528988A CN 202011211453 A CN202011211453 A CN 202011211453A CN 112528988 A CN112528988 A CN 112528988A
- Authority
- CN
- China
- Prior art keywords
- license plate
- training
- vertex coordinates
- data
- training model
- 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 35
- 238000012937 correction Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000004913 activation Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 29
- 238000010606 normalization Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian 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
- G06N3/045—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
- G06V10/30—Noise filtering
Abstract
一种车牌角度矫正方法,属于车牌矫正领域。本发明针对现有的车牌角度矫正需要依赖于二值图像、不能适应多种拍摄图像、因图像差异导致角度矫正的准确度低的缺陷,提供一种不依赖于二值图像、适应性广、准确度高的车牌角度矫正方法。本发明中,根据当前采集到的车牌图片制作训练数据和测试数据;建立车牌角度矫正的训练模型,采用训练数据对训练模型进行训练,直至模型的鲁棒性和运算速度达到预设阈值;将测试数据输入训练模型,训练模型自动识别测试数据中车牌的顶点坐标,训练模型将当前的顶点坐标进行处理,从而获取变换后的车牌平面矩形图。本发明主要用于识别车牌时对车牌角度的矫正。
Description
技术领域
本发明属于车牌矫正领域,具体涉及一种车牌角度矫正方法。
背景技术
随着城市交通建设的不断进步,车牌识别在人们日常生活中经常见到,目前已成为智慧交通的重要组成部分。近年来车牌识别技术虽然发展迅速,但是受限于车辆的使用环境(光线较强或者较弱、车牌污染、雨雪大雾天气等)使得车牌识别的各个环节中始终存在一些问题,导致识别精度有限,其中车牌倾斜角度矫正可以在很大程度上提升车牌字符识别的准确率。
在车牌识别中,因为拍摄设备不可能一直垂直于车牌拍摄,因此采集到的车牌经常会是带有一定的倾斜角度。对于倾斜角度较小的情况,可以使用传统的也是目前市场最多使用的方法,例如直线拟合(Hough)、random变换等。但是这些方法都比较依赖车牌的二值化数据。对于不同环境(雨雪天气、光线明亮、黑暗)影响下,对于车牌处理得到的二值图会有较大的差异。这种差异会直接影响车牌后续的识别。
因此,就需要一种不依赖于二值图像、适应性广、准确度高的车牌角度矫正方法。
发明内容
本发明针对现有的车牌角度矫正需要依赖于二值图像、不能适应多种拍摄图像、因图像差异导致角度矫正的准确度低的缺陷,提供一种不依赖于二值图像、适应性广、准确度高的车牌角度矫正方法。
本发明的技术方案如下:
本发明所涉及的一种车牌角度矫正方法,它包括以下步骤:
S1、根据当前采集到的车牌图片制作训练数据和测试数据;
S2、建立车牌角度矫正的训练模型,采用所述训练数据对所述训练模型进行训练,直至所述模型的鲁棒性和运算速度达到预设阈值;
S3、将所述测试数据输入所述训练模型,所述训练模型自动识别所述测试数据中车牌的顶点坐标,所述训练模型将当前的顶点坐标进行处理,从而获取变换后的车牌平面矩形图。
进一步地:所述S1包括以下步骤:
S11、将当前采集到的车牌图片进行定位,获取当前车牌的外接矩形,并得到所述外接矩形的高度、宽度和中心点的坐标;
S12、对所述外接矩形以中心点向外扩展,得到扩展矩形;
S13、对所述扩展矩形中的车牌的顶点进行标注,并定义顶点坐标;
S14、将上述标注好的车牌图片随机分成训练数据和测试数据。
进一步地:所述S2包括以下步骤:
S21、使用卷积神经网络建立车牌角度矫正的训练模型,形成网络结构;
S22、对所述训练数据进行预处理,生成标准数据;
S23、将所述标准数据进行灰度处理和高斯模糊处理后输入所述训练模型,所述网络结构的最后一层经激活函数输出结果;
S24、根据所述训练模型的预设值与所述激活函数的预测值计算损失函数。
进一步地:在所述S21中,所述卷积神经网络中的过滤器使用正态分布初始化器进行参数初始化。
进一步地:在所述S22中,所述预处理包括将所述训练数据统一更改为预设尺寸,并同步变换所述训练数据的顶点坐标,将变换后的顶点坐标进行归一化处理,从而生成标准数据。
进一步地:在所述S23中,所述激活函数采用sigmoid函数。
进一步地:在所述S24中,所述损失函数采用MSE均方方差。
进一步地:所述S3包括以下步骤:
S31、将所述测试数据输入训练模型,所述训练模型自动识别所述测试数据中的车牌顶点坐标;
S32、将所述车牌顶点坐标转换成实际车牌顶点坐标;
S33、根据所述实际车牌顶点坐标进行投影映射,生成映射坐标;
S34、对所述映射坐标进行矩阵变换,从而获得变换后的车牌顶点坐标;
S35、根据已知的所述测试数据中的车牌顶点坐标和变换后的车牌顶点坐标得到变换矩阵的值,通过插值计算求得变换后的车牌平面矩形图。
进一步地:所述顶点坐标包括4个,分别为车牌的左上角、左下角、右下角和右上角。
本发明的有益效果是:
本发明所涉及的一种车牌角度矫正方法,该方法不依赖车牌的二值图像,同时对车牌清晰度要求不高,具有矫正准确且受车牌图像中的噪声影响较小的特点。使用降维后的单通道的灰度图然后进行高斯模糊处理,可以降低图像包含的噪声以及细节层次对于神经网络提取角点特征的干扰,降低对图像清晰度的要求,提升网络模型的鲁棒性和运算速度。模型中最后一层经过sigmoid激活函数后输出最终结果,sigmoid函数的值域与训练数据归一化后的label值的区间相相同,也可以降低图像中的噪声对结果产生的影响,从而在一定程度上提升模型的精度。
附图说明
图1为本发明的训练数据中的车牌定位的外接矩形示意图;
图2为图1中的矩形区域以矩形中心点向外扩展后的矩形示意图;
图3为图2中的矩形标注顶点坐标后的示意图;
图4为激活函数的曲线图;
图中,H表示矩形的高度、W表示矩形的宽度。
具体实施方式
下面结合实施例对本发明的技术方案做进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
实施例1
结合图1、图2、图3和图4说明本实施例,在本实施例中,本实施例所涉及的一种车牌角度矫正方法,它包括以下步骤:
S1、根据当前采集到的车牌图片制作训练数据和测试数据;
S2、建立车牌角度矫正的训练模型,采用所述训练数据对所述训练模型进行训练,直至所述模型的鲁棒性和运算速度达到预设阈值;其阈值根据客户的需求而设定;
S3、将所述测试数据输入所述训练模型,所述训练模型自动识别所述测试数据中车牌的顶点坐标,所述训练模型将当前的顶点坐标进行处理,从而获取变换后的车牌平面矩形图。
实施例2
结合实施例1说明本实施例,在本实施例中,本实施例所涉及的一种车牌角度矫正方法,所述S1包括以下步骤:
S11、将当前采集到的车牌图片进行定位,获取当前车牌的外接矩形,并得到所述外接矩形的高度、宽度和中心点的坐标;将训练数据中的车牌进行定位(车牌检测定位可以使用目标检测算法例如SSD(Single Shot MultiBox Detector)、YOLO(You Only LookOnce)等)如图1。定位结果可以用(x,y)、W、H表示,其中灰色区域表示车牌实际区域,边框表示车牌定位的外接矩形,外接矩形的高度为H,宽度为W,中心点的坐标为(x,y)。
S12、对所述外接矩形以中心点向外扩展,得到扩展矩形;对图1中的矩形区域以矩形中心点向外扩展,得到扩展区域;如图2所示,扩展后的中心点仍为(x,y),宽度为2W,高度为2H。
S13、对所述扩展矩形中的车牌的顶点进行标注,并定义顶点坐标;将图2作为车牌角度矫正模型的训练数据,并在图2中用标注软件按照左上角、左下角、右下角、右上角逆时针顺序对车牌4个顶点进行标注。标记的结果分别为用(x1,y1),(x2,y2),(x3,y3),(x4,y4)表示,如图3所示。
S14、将上述标注好的车牌图片随机分成训练数据和测试数据。把上述标注好的数据经过随机选取按照3:1的比例分出训练数据和测试数据。
实施例3
结合实施例1说明本实施例,在本实施例中,本实施例所涉及的一种车牌角度矫正方法,所述S2包括以下步骤:
S21、使用卷积神经网络进行建立车牌角度矫正的训练模型,形成网络结构;卷积神经网络增加了若干个卷积层,卷积层分为卷积(CONV)和池化(POOL)两部分操作,然后是全连接层(FC),可与神经网络的隐藏层相对应;最后一层使用sigmoid函数预测输出值y_hat;卷积神经网络的前向传播过程包括:填充(padding)、卷积操作(conv)、激活函数(Relu)、池化(pooling)、全连接(FC)、sigmoid回归,其中激活函数、全连接、sigmoid与深层神经网络中的计算方法一致;
在卷积操作中,首先需要明确的一个概念是过滤器(核),它是一个通道数与输入图像相同,但高度和宽度为较小奇数(通常为1,3,5,7等,我们可将这个超参数用f表示)的多维数组(f,f,n_c)。例如过滤器是(3,3)的数组np.array([[1,0,1],[0,1,0],[1,0,1]]),其中这9个数字可以事先设定,也可以通过反向传播来学习。设定好过滤器后还需设置步长stride(s),步长即每次移动的像素数,s=1时,通过过滤器依次计算得到一个卷积后的特征矩阵;池化层的作用是缩减网络的大小,提高计算速度,同时可提高所提取特征的鲁棒性;本实施例中使用的卷积核大小为(3,3),stride为1。
S22、对所述训练数据进行预处理,生成标准数据;
S23、将所述标准数据进行灰度处理和高斯模糊处理后输入所述训练模型,所述网络结构的最后一层经激活函数输出结果;将变换后的64*64大小的车牌数据转成灰度图并且进行高斯模糊处理。其中高斯模糊参数ksize=(5,5),sigmaX=0,经过测试,使用降维后的单通道的灰度图然后进行高斯模糊处理,可以降低图像包含的噪声以及细节层次对于神经网络提取角点特征的干扰,降低对图像清晰度的要求,提升网络模型的鲁棒性和运算速度。
高斯模糊原理:将正态分布(又名"高斯分布")用于图像处理。可以理解成每一个像素都取周边K个像素的平均值(本实施例中k取5),K取值越大,数值上越平滑,对应效果为图像越模糊。
S24、根据所述训练模型的预设值与所述激活函数的预测值计算损失函数。
实施例4
结合实施例3说明本实施例,在本实施例中,本实施例所涉及的一种车牌角度矫正方法,所述卷积神经网络中的过滤器参数初始化使用He正态分布初始化器(he_normal)。整个model分如下几部:
(1)创建placeholders:此时不用给定训练集的样本数,因此使用None作为batch的大小,所以X的维度是[None,n_H0,n_W0,n_C0],Y的维度是[None,n_y]。
(2)初始化参数:假设我们要初始一个参数,其shape为[1,2,3,4],在TensorFlow中初始方式如下:
W=tf.get_variable('W',[1,2,3,4],initializer=...)
我们只需要初始化权重或过滤器的参数W1,W2即可,而偏差b、全连接层的参数学习框架会自动帮我们处理,不用在意。
(3)前向传播:使用深度学习框架我们只要处理好前向传播过程,框架会自动帮助我们处理反向传播的过程;而在框架中内置了很多函数可以为我们执行卷积步骤,比如:
(1)tf.nn.conv2d(X,W1,strides=[1,s,s,1],padding='SAME'):这个函数将输入X和W1进行卷积计算,第三个输入strides规定了在X(shape为(m,n_H_prev,n_W_prev,n_C_prev))各维度上的步长s,第四个输入padding规定padding的方式;
(2)tf.nn.max_pool(A,ksize=[1,f,f,1],strides=[1,s,s,1],padding='SAME'):这个函数是以ksize和strides规定的方式对输入A进行max-pooling操作;
(3)tf.nn.relu(Z1):Relu作为激活函数;
(4)tf.contrib.layers.flatten(P):将P中每个样本flatten成一维向量,最后返回一个flatten的shape为[batch_size,k]的图;
(5)tf.contrib.layers.fully_connected(F,num_outputs):给定flatten的输入F,返回一个经全连接层计算的值num_outputs。使用此函数时,可以自动的初始化全连接层的权重系统并且在训练网络时训练权重。
前向传播过程包括如下步骤:CONV2D>RELU>MAXPOOL>CONV2D>RELU>MAXPOOL>FLATTEN>FULLCONNECTED。
(4)计算cost:在计算cost时我们需要用到如下内置函数:
tf.reduce_mean(tf.square(y_pred-y_real)):通过此函数计算真实值和预测值的均方误差(MSE)其中y_pred为模型的预测值,y_real为真实值。
(5)创建optimizer;
(6)运行Session。
实施例5
结合实施例3说明本实施例,在本实施例中,本实施例所涉及的一种车牌角度矫正方法,在所述S22中,所述预处理包括将所述训练数据统一更改为预设尺寸,并同步变换所述训练数据的顶点坐标,将变换后的顶点坐标进行归一化处理,从而生成标准数据。将训练数据统一改为64*64pix大小,同时训练数据标注的4个顶点坐标也做出相应的变换,其坐标等比例变换后的结果为(64*x1/2W,64*y1/2H),(64*x2/2W,64*y2/2H),(64*x3/2W,64*y3/2H),(64*x4/2W,64*y4/2H)。(注:其中2W、2H为训练数据图像的宽度和高度,(x1,y1),(x2,y2),(x3,y3),(x4,y4)为手工标记的车牌顶点坐标)将变换后4个顶点坐标做最后的归一化操作,即4个点的坐标同时除以64。归一化之后的坐标值分别为(x1/2W,y1/2H),(x2/2W,y2/2H),(x3/2W,y3/2H),(x4/2W,y4/2H)用作训练时的label值(注:归一化后的坐标值在(0,1)区间)。
实施例6
结合实施例3说明本实施例,在本实施例中,本实施例所涉及的一种车牌角度矫正方法,在所述S23中,所述激活函数采用sigmoid函数。网络最后一层输出激活函数使用sigmoid即:其图像对应为图4所示。sigmoid函数也叫Logistic函数,用于隐层神经元输出,取值范围为(0,1),它可以将一个实数映射到(0,1)的区间,可以用来做二分类。
实施例7
结合实施例3说明本实施例,在本实施例中,本实施例所涉及的一种车牌角度矫正方法,在所述S24中,所述损失函数采用MSE均方方差。损失函数使用MSE(均方方差),其公式为:
其中n为训练时的样本数,observde为训练数据的label值,predicted为模型预测值。
实施例8
结合实施例1说明本实施例,在本实施例中,本实施例所涉及的一种车牌角度矫正方法,所述S3包括以下步骤:
S31、将所述测试数据输入训练模型,所述训练模型自动识别所述测试数据中的车牌顶点坐标;将待测图像(大小2W*2H)输入训练模型,经过一次前向传播得到的输出结果(X1,Y1),(X2,Y2),(X3,Y3),(X4,Y4)(注:这里的坐标为归一化后的0-1之间的坐标值),
S32、将所述车牌顶点坐标转换成实际车牌顶点坐标;转换成实际的坐标为(X1*2W,Y2*2H),(X2*2W,Y2*2H),(X3*2W,Y3*2H),(X4*2W,Y4*2H)。
S33、根据所述实际车牌顶点坐标进行投影映射,生成映射坐标;根据实际的坐标值进行投影映射,映射后的新坐标设定为(0,0),(0,48),(164,48),(164,0)其变换计算公式为:
S34、对所述映射坐标进行矩阵变换,从而获得变换后的车牌顶点坐标;公式中(u,v,w)为原始图像像素坐标,(x',y',w')为变换之后的图像像素坐标。
S35、根据已知的所述测试数据中的车牌顶点坐标和变换后的车牌顶点坐标得到变换矩阵的值,通过插值计算求得变换后的车牌平面矩形图。根据已知的原始图像四个点坐标和变换后的四个坐标得到变换矩阵的值进而通过插值计算求得变换后的平面。
Claims (9)
1.一种车牌角度矫正方法,其特征在于,它包括以下步骤:
S1、根据当前采集到的车牌图片制作训练数据和测试数据;
S2、建立车牌角度矫正的训练模型,采用所述训练数据对所述训练模型进行训练,直至所述模型的鲁棒性和运算速度达到预设阈值;
S3、将所述测试数据输入所述训练模型,所述训练模型自动识别所述测试数据中车牌的顶点坐标,所述训练模型将当前的顶点坐标进行处理,从而获取变换后的车牌平面矩形图。
2.根据权利要求1所述的一种车牌角度矫正方法,其特征在于,所述S1包括以下步骤:
S11、将当前采集到的车牌图片进行定位,获取当前车牌的外接矩形,并得到所述外接矩形的高度、宽度和中心点的坐标;
S12、对所述外接矩形以中心点向外扩展,得到扩展矩形;
S13、对所述扩展矩形中的车牌的顶点进行标注,并定义顶点坐标;
S14、将上述标注好的车牌图片随机分成训练数据和测试数据。
3.根据权利要求1所述的一种车牌角度矫正方法,其特征在于,所述S2包括以下步骤:
S21、使用卷积神经网络建立车牌角度矫正的训练模型,形成网络结构;
S22、对所述训练数据进行预处理,生成标准数据;
S23、将所述标准数据进行灰度处理和高斯模糊处理后输入所述训练模型,所述网络结构的最后一层经激活函数输出结果;
S24、根据所述训练模型的预设值与所述激活函数的预测值计算损失函数。
4.根据权利要求3所述的一种车牌角度矫正方法,其特征在于,在所述S21中,所述卷积神经网络中的过滤器使用正态分布初始化器进行参数初始化。
5.根据权利要求3所述的一种车牌角度矫正方法,其特征在于,在所述S22中,所述预处理包括将所述训练数据统一更改为预设尺寸,并同步变换所述训练数据的顶点坐标,将变换后的顶点坐标进行归一化处理,从而生成标准数据。
6.根据权利要求3所述的一种车牌角度矫正方法,其特征在于,在所述S23中,所述激活函数采用sigmoid函数。
7.根据权利要求3所述的一种车牌角度矫正方法,其特征在于,在所述S24中,所述损失函数采用MSE均方方差。
8.根据权利要求1所述的一种车牌角度矫正方法,其特征在于,所述S3包括以下步骤:
S31、将所述测试数据输入训练模型,所述训练模型自动识别所述测试数据中的车牌顶点坐标;
S32、将所述车牌顶点坐标转换成实际车牌顶点坐标;
S33、根据所述实际车牌顶点坐标进行投影映射,生成映射坐标;
S34、对所述映射坐标进行矩阵变换,从而获得变换后的车牌顶点坐标;
S35、根据已知的所述测试数据中的车牌顶点坐标和变换后的车牌顶点坐标得到变换矩阵的值,通过插值计算求得变换后的车牌平面矩形图。
9.根据权利要求1-8任一项所述的一种车牌角度矫正方法,其特征在于,所述顶点坐标包括4个,分别为车牌的左上角、左下角、右下角和右上角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211453.0A CN112528988A (zh) | 2020-11-03 | 2020-11-03 | 一种车牌角度矫正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211453.0A CN112528988A (zh) | 2020-11-03 | 2020-11-03 | 一种车牌角度矫正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112528988A true CN112528988A (zh) | 2021-03-19 |
Family
ID=74979453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011211453.0A Pending CN112528988A (zh) | 2020-11-03 | 2020-11-03 | 一种车牌角度矫正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528988A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882489A (zh) * | 2022-07-07 | 2022-08-09 | 浙江智慧视频安防创新中心有限公司 | 一种对旋转车牌进行水平校正方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200731144A (en) * | 2006-02-10 | 2007-08-16 | Univ Chung Yuan Christian | License plate recognition method and system for moving vehicles |
CN108268871A (zh) * | 2018-02-01 | 2018-07-10 | 武汉大学 | 一种基于卷积神经网络的端到端的车牌识别方法和系统 |
CN108830213A (zh) * | 2018-06-12 | 2018-11-16 | 北京理工大学 | 基于深度学习的车牌检测与识别方法和装置 |
CN110059683A (zh) * | 2019-04-15 | 2019-07-26 | 广州广电银通金融电子科技有限公司 | 一种基于端到端神经网络的大角度车牌倾斜矫正方法 |
-
2020
- 2020-11-03 CN CN202011211453.0A patent/CN112528988A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200731144A (en) * | 2006-02-10 | 2007-08-16 | Univ Chung Yuan Christian | License plate recognition method and system for moving vehicles |
CN108268871A (zh) * | 2018-02-01 | 2018-07-10 | 武汉大学 | 一种基于卷积神经网络的端到端的车牌识别方法和系统 |
CN108830213A (zh) * | 2018-06-12 | 2018-11-16 | 北京理工大学 | 基于深度学习的车牌检测与识别方法和装置 |
CN110059683A (zh) * | 2019-04-15 | 2019-07-26 | 广州广电银通金融电子科技有限公司 | 一种基于端到端神经网络的大角度车牌倾斜矫正方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882489A (zh) * | 2022-07-07 | 2022-08-09 | 浙江智慧视频安防创新中心有限公司 | 一种对旋转车牌进行水平校正方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020651B (zh) | 基于深度学习网络的车牌检测定位方法 | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN110136154B (zh) | 基于全卷积网络与形态学处理的遥感图像语义分割方法 | |
CN108416307B (zh) | 一种航拍图像路面裂缝检测方法、装置及设备 | |
CN108416266B (zh) | 一种利用光流提取运动目标的视频行为快速识别方法 | |
CN111310861A (zh) | 一种基于深度神经网络的车牌识别和定位方法 | |
CN109903331B (zh) | 一种基于rgb-d相机的卷积神经网络目标检测方法 | |
CN109977757B (zh) | 一种基于混合深度回归网络的多模态的头部姿态估计方法 | |
CN110059586B (zh) | 一种基于空洞残差注意力结构的虹膜定位分割系统 | |
CN113160192A (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN111723829B (zh) | 一种基于注意力掩模融合的全卷积目标检测方法 | |
CN111191583A (zh) | 基于卷积神经网络的空间目标识别系统及方法 | |
CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
CN111553949A (zh) | 基于单帧rgb-d图像深度学习对不规则工件的定位抓取方法 | |
CN110991444A (zh) | 面向复杂场景的车牌识别方法及装置 | |
CN111563915A (zh) | 一种融合运动信息检测和Radon变换的KCF目标跟踪方法 | |
CN113592911B (zh) | 表观增强深度目标跟踪方法 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN114758288A (zh) | 一种配电网工程安全管控检测方法及装置 | |
CN111553438A (zh) | 一种基于卷积神经网络的图像识别方法 | |
CN114399533B (zh) | 一种基于多层次注意力机制的单目标追踪方法 | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、系统及设备 | |
CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN114596500A (zh) | 一种基于通道-空间注意力和DeeplabV3plus的遥感影像语义分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |
|
RJ01 | Rejection of invention patent application after publication |