CN112651417A - 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 PDFInfo
- Publication number
- CN112651417A CN112651417A CN201910967901.0A CN201910967901A CN112651417A CN 112651417 A CN112651417 A CN 112651417A CN 201910967901 A CN201910967901 A CN 201910967901A CN 112651417 A CN112651417 A CN 112651417A
- Authority
- CN
- China
- Prior art keywords
- license plate
- recognition
- image
- character
- layer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000013136 deep learning model Methods 0.000 claims abstract description 26
- 239000002356 single layer Substances 0.000 claims description 119
- 238000013527 convolutional neural network Methods 0.000 claims description 57
- 230000004927 fusion Effects 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 239000010410 layer Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 101100041128 Schizosaccharomyces pombe (strain 972 / ATCC 24843) rst2 gene Proteins 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003702 image correction 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06F18/25—Fusion techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (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；通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，其中，所述多个识别模型为多个不同类型的深度学习模型；将各个识别模型对应的车牌识别结果进行融合，得到所述车牌图像的车牌识别结果。本发明实施例能够利用多个类型的深度学习模型的不同网络特性，从而在各种复杂场景下都具有较高的车牌识别准确度。
Description
技术领域
本发明实施例涉及图像识别技术领域，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。实际应用中，由于光照、拍摄角度、污损等原因，可能导致采集到的车牌图像清晰度较差，并且有的车牌样式存在边框与字符粘连、字符与字符粘连、字符间内嵌、特殊字体形态等问题，这些都导致车牌识别的准确度较差。
现有技术中，对于基于深度学习模型的车牌识别，通常通过增加训练样本数量的方式来提高深度学习模型的识别准确度。
然而，由于深度学习模型的网络特性的限制，当训练样本的数量达到一定程度后，继续增加训练样本难以进一步提高识别准确度，因此无法进一步提高复杂场景下的车牌识别的准确度。
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，以解决在复杂场景下车辆识别的准确度差的问题。
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；
通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，其中，所述多个识别模型为多个不同类型的深度学习模型；
将各个识别模型对应的车牌识别结果进行融合，得到所述车牌图像的车牌识别结果。
在一种可能的实施方式中，所述多个识别模型中包括由第一卷积神经网络CNN和第一注意力模型AM组成的识别模型；
所述通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，包括：
通过所述第一CNN提取所述车牌图像的字符特征；
将所述车牌图像的字符特征输入所述第一AM进行字符识别，得到第一车牌识别结果。
在一种可能的实施方式中，所述多个识别模型中包括由第二CNN和连续时序分类CTC模型组成的识别模型；
所述通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，包括：
识别所述车牌图像中车牌的类型是否为单层车牌，并在所述车牌的类型不是单层车牌时，将所述车牌图像拼接为单层车牌图像；在所述车牌的类型是单层车牌时，将所述车牌图像作为所述单层车牌图像；
通过所述第二CNN提取所述单层车牌图像的字符特征；
将所述单层车牌图像的字符特征输入所述CTC模型进行字符识别，得到第二车牌识别结果。
在一种可能的实施方式中，所述识别所述车牌图像中车牌的类型是否为单层车牌，并在所述车牌的类型不是单层车牌时，将所述车牌图像拼接为单层车牌图像，包括：
识别所述车牌图像中车牌的类型；
在所述车牌的类型不是单层车牌时，从预置的多个车牌模板中获取所述车牌所属类型对应的车牌模板，其中，每个类型对应于一个车牌模板；
根据所述车牌所属类型对应的车牌模板，对所述车牌图像进行裁剪处理和拼接处理，得到所述车牌图像对应的单层车牌图像。
在一种可能的实施方式中，在所述通过所述第二CNN提取所述单层车牌图像的字符特征之后，所述方法还包括：
将所述单层车牌图像的字符特征输入第二AM进行字符识别，得到第三车牌识别结果。
在一种可能的实施方式中，在所述将所述单层车牌图像的字符特征输入所述CTC模型之后，所述方法还包括：
获取所述CTC模型输出的所述单层车牌图像中车牌各个字符的左右边界信息；
根据各个字符的左右边界信息将所述单层车牌图像分割成多个单字符图像；
通过单字符识别模型分别对各个单字符图像进行字符识别，得到各个单字符图像的识别结果；
将各个单字符图像的识别结果组合生成第四车牌识别结果。
在一种可能的实施方式中，在所述根据各个字符的左右边界信息将所述单层车牌图像分割成多个单字符图像之前，所述方法还包括：
获取所述单层车牌图像中车牌所属类型对应的车牌模板；
根据所述单层车牌图像中车牌所属类型对应的车牌模板对各个字符的左右边界信息进行校正。
在一种可能的实施方式中，所述将各个识别模型对应的车牌识别结果进行融合，得到所述车牌图像的车牌识别结果，包括：
针对所述车牌图像中车牌的每个字符，根据各个车牌识别结果中该字符对应的识别结果及识别结果的置信度，确定该字符的识别结果；
将确定出的所述车牌图像中车牌的各个字符的识别结果，组合生成所述车牌图像的车牌识别结果。
在一种可能的实施方式中，所述根据各个车牌识别结果中该字符对应的识别结果及识别结果的置信度，确定该字符的识别结果，包括：
对各个车牌识别结果中该字符对应的识别结果进行投票统计；
在得票最多的识别结果为一个时，将该得票最多的识别结果作为该字符的识别结果；
在得票最多的识别结果为多个时，分别计算得票最多的各个识别结果对应的置信度总和，将置信度总和最大的识别结果作为该字符的识别结果。
在一种可能的实施方式中，所述获取待识别的车牌图像，包括：
获取包含车牌的车辆图像；
通过深度学习检测算法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，并对车牌所在区域的图像进行校正处理，得到所述车牌图像。
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；
识别模块，用于通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，其中，所述多个识别模型为多个不同类型的深度学习模型；
融合模块，用于将各个识别模型对应的车牌识别结果进行融合，得到所述车牌图像的车牌识别结果。
在一种可能的实施方式中，所述多个识别模型中包括由第一卷积神经网络CNN和第一注意力模型AM组成的识别模型；
所述识别模块，用于：
通过所述第一CNN提取所述车牌图像的字符特征；
将所述车牌图像的字符特征输入所述第一AM进行字符识别，得到第一车牌识别结果。
在一种可能的实施方式中，所述多个识别模型中包括由第二CNN和连续时序分类CTC模型组成的识别模型；
所述识别模块，用于：
识别所述车牌图像中车牌的类型是否为单层车牌，并在所述车牌的类型不是单层车牌时，将所述车牌图像拼接为单层车牌图像；在所述车牌的类型是单层车牌时，将所述车牌图像作为所述单层车牌图像；
通过所述第二CNN提取所述单层车牌图像的字符特征；
将所述单层车牌图像的字符特征输入所述CTC模型进行字符识别，得到第二车牌识别结果。
在一种可能的实施方式中，所述识别模块，用于：
识别所述车牌图像中车牌的类型；
在所述车牌的类型不是单层车牌时，从预置的多个车牌模板中获取所述车牌所属类型对应的车牌模板，其中，每个类型对应于一个车牌模板；
根据所述车牌所属类型对应的车牌模板，对所述车牌图像进行裁剪处理和拼接处理，得到所述车牌图像对应的单层车牌图像。
在一种可能的实施方式中，所述识别模块，还用于：
在通过所述第二CNN提取所述单层车牌图像的字符特征之后，将所述单层车牌图像的字符特征输入第二AM进行字符识别，得到第三车牌识别结果。
在一种可能的实施方式中，所述识别模块还用于：
在将所述单层车牌图像的字符特征输入所述CTC模型之后，获取所述CTC模型输出的所述单层车牌图像中车牌各个字符的左右边界信息；
根据各个字符的左右边界信息将所述单层车牌图像分割成多个单字符图像；
通过单字符识别模型分别对各个单字符图像进行字符识别，得到各个单字符图像的识别结果；
将各个单字符图像的识别结果组合生成第四车牌识别结果。
在一种可能的实施方式中，所述识别模块，还用于：
在根据各个字符的左右边界信息将所述单层车牌图像分割成多个单字符图像之前，获取所述单层车牌图像中车牌所属类型对应的车牌模板；
根据所述单层车牌图像中车牌所属类型对应的车牌模板对各个字符的左右边界信息进行校正。
在一种可能的实施方式中，所述融合模块，用于：
针对所述车牌图像中车牌的每个字符，根据各个车牌识别结果中该字符对应的识别结果及识别结果的置信度，确定该字符的识别结果；
将确定出的所述车牌图像中车牌的各个字符的识别结果，组合生成所述车牌图像的车牌识别结果。
在一种可能的实施方式中，所述融合模块，用于：
对各个车牌识别结果中该字符对应的识别结果进行投票统计；
在得票最多的识别结果为一个时，将该得票最多的识别结果作为该字符的识别结果；
在得票最多的识别结果为多个时，分别计算得票最多的各个识别结果对应的置信度总和，将置信度总和最大的识别结果作为该字符的识别结果。
在一种可能的实施方式中，所述获取模块，用于：
获取包含车牌的车辆图像；
通过深度学习检测算法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，并对车牌所在区域的图像进行校正处理，得到所述车牌图像。
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，将多个不同类型的深度学习模型作为多个识别模型，通过多个识别模型分别对待识别的车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，再将各个识别模型对应的车牌识别结果进行融合，得到车牌图像的车牌识别结果，能够利用多个类型的深度学习模型的不同网络特性，从而在各种复杂场景下都具有较高的车牌识别准确度。
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车牌识别方法的流程示意图；
图2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3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4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5为本发明再一实施例提供的的车牌识别示例的示意图；
图6为本发明一实施例提供的车牌识别装置的结构示意图；
图7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。
复杂场景中，由于光照、拍摄角度、污损等原因，可能导致采集到的车牌图像清晰度较差，并且有的车牌样式存在边框与字符粘连、字符与字符粘连、字符间内嵌、特殊字体形态等问题，这些都导致车牌识别的准确度较差。而本发明提出的车牌识别方法，将多个不同类型的深度学习模型作为多个识别模型，通过多个识别模型分别对待识别的车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，再将各个识别模型对应的车牌识别结果进行融合，得到车牌图像的车牌识别结果，能够利用多个类型的深度学习模型的不同网络特性，从而在各种复杂场景下都具有较高的车牌识别准确度。下面进行具体说明。
图1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1所示，该方法包括：
S101、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。车辆图像为包含车辆和车牌的图像。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。也可以直接从数据库中获取车牌图像，在此不作限定。
S102、通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，其中，所述多个识别模型为多个不同类型的深度学习模型。
在本实施例中，深度学习模型的类型可以包括但不限于卷积神经网络(Convolutional Neural Networks,CNN)、连续时序分类模型(Connectionist TemporalClassification，CTC)、注意力模型(Attention Model，AM)中的至少一个。一个识别模型可以为一个深度学习模型组成，也可以由多个不同类型的深度学习模型组成，在此不作限定。例如，识别模型A可以由CNN模型和AM模型组成，识别模型B可以由CNN模型和CTC模型组成，识别模型C可以仅由CNN模型组成。本实施例提供的车牌识别方法中通过至少两个识别模型对车牌图像进行识别。每个识别模型均为经过样本进行训练后的模型。
可以将车牌图像分别输入各个识别模型，通过各个识别模型分别进行字符识别得到各个车牌识别结果。车牌识别结果可以为车牌图像中车牌上的车牌号的字符串，如A12345，AB123456等，字符串的具体形式由车牌样式决定，在此不作限定。不同地区或不同国家可以有不同的车牌样式。
S103、将各个识别模型对应的车牌识别结果进行融合，得到所述车牌图像的车牌识别结果。
在本实施例中，车牌图像的车牌识别结果包括车牌图像中车牌上的字符串，此外还可以包括但不限于车牌上各字符的置信度、车牌样式、车牌颜色等车牌信息中的至少一个，在此不作限定。可以对多个识别模型识别出的车牌识别结果进行融合处理，得到车牌图像的车牌识别结果。具体的融合处理方式可以根据实际需求确定，例如可以根据投票原则进行融合，或者按照各个车牌识别结果的置信度进行融合等，在此不作限定。
由于不同识别模型所包含的深度学习模型的类型不同，通过对车牌识别结果进行融合可以综合多种不同类型的深度学习模型的识别结果，从而提高车牌识别的准确度。
本发明实施例将多个不同类型的深度学习模型作为多个识别模型，通过多个识别模型分别对待识别的车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，再将各个识别模型对应的车牌识别结果进行融合，得到车牌图像的车牌识别结果，能够利用多个类型的深度学习模型的不同网络特性，从而在各种复杂场景下都具有较高的车牌识别准确度。
可选地，所述多个识别模型中包括由第一卷积神经网络CNN和第一注意力模型AM组成的识别模型。S102可以包括：
通过所述第一CNN提取所述车牌图像的字符特征；
将所述车牌图像的字符特征输入所述第一AM进行字符识别，得到第一车牌识别结果。
在本实施例中，多个识别模型中的一个识别模型是由第一CNN和第一AM组成的。通过该识别模型对车牌图像进行字符识别的过程为：首先将车牌图像输入第一CNN进行字符特征提取，然后将第一CNN输出的字符特征输入到第一AM进行字符识别，第一AM输出第一车牌识别结果。其中，第一CNN和第一AM均为预先训练的模型。通过第一AM进行字符特征进行解码处理，能够利用AM对字符全局信息的识别优势得到第一车牌识别结果。
可选地，所述多个识别模型中包括由第二CNN和连续时序分类CTC模型组成的识别模型。如图2所示为本发明又一实施例提供的车牌识别方法中第二CNN和CTC模型进行字符识别的流程示意图。本实施例对由第二CNN和CTC模型组成的识别模型进行字符识别的具体实现过程进行了详细说明。
S102可以包括：
S201、识别所述车牌图像中车牌的类型是否为单层车牌，并在所述车牌的类型不是单层车牌时，将所述车牌图像拼接为单层车牌图像；在所述车牌的类型是单层车牌时，将所述车牌图像作为所述单层车牌图像。
在本实施例中，车牌样式有单层、双层或三层等样式，另外按照不同的地区或国家划分，还可以进一步的将单层车牌、双层车牌等细分为不同的样式，不同样式之间的字符间距、字符排列、空格设置有所区别。其中，单层车牌是指车牌中的车牌号字符串为单行的车牌，如单层车牌的车牌号仅有一行字符串为A12345；双层车牌是指车牌中的字符串为两行的车牌，如双层车牌的车牌号有两行字符串，第一行为ABC，第二行为1234；双层以上的车牌相应的车牌号由相应行数的字符串组成。
本实施例中，多个识别模型中的一个识别模型是由第二CNN和CTC模型组成的。由于CTC模型是对单行字符进行识别，对于单层车牌以外的多层车牌需要进行图像处理，将多层车牌的车牌图像中的各行字符图像拼接为字符串都在同一行的单层车牌图像。
识别车牌图像中车牌类型的方式可以根据实际确定，例如，可以采用基于卷积神经网络的车牌分类模型进行识别，或者通过将车牌图像与预置的车牌类型模板进行匹配进行识别，另外还可以有其他类型识别方式，在此不作限定。可以识别车牌图像中车牌类型是否为单层车牌，对于单层车牌不需要进行拼接，直接对该车牌图像进行后续的车牌识别；对于非单层车牌需要进行拼接处理，将非单层车牌的图像拼接为单层车牌图像，将拼接后的单层车牌图像进行后续的车牌识别。
可选地，S201可以包括：
识别所述车牌图像中车牌的类型；
在所述车牌的类型不是单层车牌时，从预置的多个车牌模板中获取所述车牌所属类型对应的车牌模板，其中，每个类型对应于一个车牌模板；
根据所述车牌所属类型对应的车牌模板，对所述车牌图像进行裁剪处理和拼接处理，得到所述车牌图像对应的单层车牌图像。
在本实施例中，可以按照车牌样式预先设置多个车牌类型，每个车牌样式对应一个车牌类型。其中，在所有预先确定的车牌类型中有的车牌类型为单层车牌，有的车牌类型为非单层车牌。对于一个车牌类型，其是单层车牌还是非单层车牌预先进行标记。例如，可以预先建立数据库，数据库记录有每个车牌类型的标识、是单层车牌还是非单层车牌、以及每个车牌类型的车牌模板。车牌模板为车牌类型相应的车牌样式参数，如可以包括字符间距、字符排列、空格设置、车牌尺寸、字符行设置参数等，在此不作限定。
在确定出车牌的类型后可以得到该类型的标识，根据标识和预先标记的信息可以确定该类型是否为单层车牌。在该类型不是单层车牌时，获取该类型对应的车牌模板，然后根据车牌模板将该车牌图像裁剪成多个包含单行字符的图像，然后将多个包含单行字符的图像拼接为一副图像，形成该车牌图像对应的单层车牌图像。
S202、通过所述第二CNN提取所述单层车牌图像的字符特征。
S203、将所述单层车牌图像的字符特征输入所述CTC模型进行字符识别，得到第二车牌识别结果。
在本实施例中，首先将单层车牌图像输入第二CNN进行字符特征提取，然后将第二CNN输出的字符特征输入到CTC模型进行字符识别，CTC模型输出第二车牌识别结果。其中，第二CNN和CTC模型均为预先训练的模型。CTC模型相对于AM的优点在于可以提供编辑距离的监督信息，从而减少车牌丢字漏字的情况，识别出车牌的所有字符。
可选地，在S202之后，上述方法还可以包括：
将所述单层车牌图像的字符特征输入第二AM进行字符识别，得到第三车牌识别结果。
在本实施例中，在通过第二CNN提取到单层车牌图像的字符特征之后，一方面将该字符特征输入到CTC模型进行字符识别，得到第二车牌识别结果；另一方面还将该字符特征输入到第二AM进行字符识别，得到第三车牌识别结果。其中，第三车牌识别结果是由第二CNN和第二AM组成的识别模型所得到的结果，与第二车牌识别结果形成互补作用。
相比于单个AM，CTC模型可以提供编辑距离的监督信息，从而减少车牌丢字漏字的情况；相比于单个CTC模型，AM可以更好的关注字符全局信息，对车牌图像的全局信息表达会更加充分。本实施例通过将第二AM和CTC模型作为第二CNN的两个分支，共享第二CNN网络提取到的特征，在不会额外增加网络资源消耗的情况下，通过后续的结果融合处理将AM和CTC两个模型的网络特性进行互补，发挥两者各自的网络特性优势，从而提升复杂情况下车牌识别方法的准度度。
可选地，在S203之后，上述方法还可以包括：
获取所述CTC模型输出的所述单层车牌图像中车牌各个字符的左右边界信息；
根据各个字符的左右边界信息将所述单层车牌图像分割成多个单字符图像；
通过单字符识别模型分别对各个单字符图像进行字符识别，得到各个单字符图像的识别结果；
将各个单字符图像的识别结果组合生成第四车牌识别结果。
在本实施例中，CTC模型在字符识别过程中，字符中心位置的概率最大，其他位置的概率偏小，因此单层车牌图像的字符特征在输入CTC模型后，CTC模型一方面可以输出识别的车牌的字符，另一方面还可以输出识别的车牌图像中字符与字符之间的左右边界信息。可以根据各个字符的左右边界信息对单层车牌图像进行分割，分割成多个仅包含一个字符的单字符图像。例如，一个车牌图像的车牌号包括六个字符，则通过分割可以得到六个单字符图像。可以通过预先训练好的单字符识别模型分别对各个字符图像进行字符识别。其中，单字符识别模型的具体形式在此不作限定，如可以为CNN模型、AM、长短期记忆网络(Long Short-Term Memory，LSTM)等。在获得各个单字符图像识别结果后，可以将所有单字符图像的识别结果按照次序排列生成第四车牌识别结果。
本实施例中，按照CTC模型得到的字符间的边界信息将车牌图像切割成多个单字符图像，然后利用单字符识别结果分别进行识别，再将识别结果进行组合得到第四识别结果，由于是利用第二CNN和CTC模型得到的字符边界信息，不会因为对图像分割而额外占用网络资源，并且通过单字符识别模型对各个单字符图像进行识别，能够通过单字符的识别来补充其他识别模型仅对车牌图像的整体识别的缺陷，使最后的融合结果既包含车牌图像的整体信息，又包含单个字符的信息，从而提高车牌识别的准确度。
可选地，在步骤“根据各个字符的左右边界信息将所述单层车牌图像分割成多个单字符图像”之前，还可以包括：
获取所述单层车牌图像中车牌所属类型对应的车牌模板；
根据所述单层车牌图像中车牌所属类型对应的车牌模板对各个字符的左右边界信息进行校正。
在本实施例中，可以识别单层车牌图像对应的初始的车牌图像的车牌类型，然后从预设的车牌模板中确定出车牌所属类型对应的车牌模板。每个车牌类型对应一个车牌模板。车牌模板包括车牌号字符的字符间距信息。可以根据车牌模板对CTC模型输出的各个字符的左右边界信息进行校正，使单层车牌图像中各字符的左右边界信息更加精准，从而提高单字符图像分割的精准度。另外，还可以结合车牌模版的上下边界信息和车牌图像的上下边界信息，在分割单字符图像时，除了对左右边界进行分割外，同时对上下边界也进行分割，使得到的单字符图像为包含字符的最小图像，消除多余的其他区域对单字符识别的干扰，提高单字符模型的识别准确度。
图3为本发明另一实施例提供的车牌识别方法的流程示意图。本实施例对将各个车牌识别结果进行融合的具体实现过程进行了详细说明。如图3所示，该方法包括：
S301、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，S301与图1实施例中的S101类似，此处不再赘述。
S302、通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，其中，所述多个识别模型为多个不同类型的深度学习模型。
在本实施例中，S302与图1实施例中的S102类似，此处不再赘述。
S303、针对所述车牌图像中车牌的每个字符，根据各个车牌识别结果中该字符对应的识别结果及识别结果的置信度，确定该字符的识别结果。
在本实施例中，车牌图像中的车牌号由多个字符组成。相应的每个车牌识别结果包含多个字符的识别结果以及各个字符的识别结果的置信度。可以针对车牌图像中车牌的每个字符，根据各个车牌识别结果中该字符对应的识别结果及识别结果的置信度，确定该字符的最终的识别结果。例如，可以将置信度最高的识别结果作为该字符的识别结果，或者将相同识别结果的置信度相加，将置信度之和最高的识别结果作为该字符的识别结果，还可以有其他的确定方式，在此不作限定。
可选地，S303可以包括：
对各个车牌识别结果中该字符对应的识别结果进行投票统计；
在得票最多的识别结果为一个时，将该得票最多的识别结果作为该字符的识别结果；
在得票最多的识别结果为多个时，分别计算得票最多的各个识别结果对应的置信度总和，将置信度总和最大的识别结果作为该字符的识别结果。
例如，假设共有4个车牌识别结果，对于车牌中的某个字符，4个车牌识别结果分别为5，5，5，S，则将车牌中的该字符的最终识别结果确定为5。对于车牌中的某个字符，4个车牌识别结果分别为5(置信度为85％)，5(置信度为90％)，S(置信度为92％)，S(置信度为87％)，由于5和S各得两票，则需计算5对应的置信度之和为(85％+90％)/2＝87.5％，S对应的置信度之和为(92％+87％)/2＝89.5％，因此将车牌中的该字符的最终识别结果确定为S。
本实施例通过结合投票机制和置信度比较的方式对多个车牌识别结果进行融合，能够提升融合效果。
S304、将确定出的所述车牌图像中车牌的各个字符的识别结果，组合生成所述车牌图像的车牌识别结果。
在本实施例中，在确定出车牌图像中车牌的各个字符的识别结果后，将各个字符的识别结果按照字符在车牌图像中的位置次序进行组合，最终生成车牌图像的车牌识别结果，通过将多个车牌识别结果进行融合，利用多个类型的深度学习模型的不同网络特性，从而在各种复杂场景下都具有较高的车牌识别准确度。
图4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4所示，该方法包括：
S401、获取包含车牌的车辆图像。
S402、通过深度学习检测算法检测所述车辆图像中车牌所在区域的位置信息。
S403、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STN(Spatial Transformer Network，空间变换网络)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。
S404、通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，其中，所述多个识别模型为多个不同类型的深度学习模型。
在本实施例中，S404与图1实施例中的S102类似，此处不再赘述。
S405、将各个识别模型对应的车牌识别结果进行融合，得到所述车牌图像的车牌识别结果。
在本实施例中，S405与图1实施例中的S103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。
如图5所示为本发明实施例提供的车牌识别示例的示意图。车牌图像输入STN模型进行校正。校正后的图像一方面输入到第一CNN模型，第一CNN模型对校正后的图像进行特征提取后输出给第一AM，得到第一车牌识别结果rst1。校正后的图像另一方面进行单双层识别，若识别出为单层则直接输入到第二CNN模型，若识别出为双层，则经过拼接处理为单层车牌图像后输入到第二CNN模型。第二CNN模型对输入的图像进行特征提取后一方面输出给第二AM，得到第二车牌识别结果rst2；另一方面输出给CTC模型，得到第二车牌识别结果rst3。CTC模型还输出字符的左右边界信息，根据左右边界信息和车牌模板将车牌图像切割为单字符的图像，然后输入到单字符模型，得到第四车牌识别结果。最后将rst1、rst2、rst3、rst4按照投票机制进行融合，得到最终识别结果。
本实施例提供一种基于多模型融合的端到端车牌识别方法，具有以下优点：1)所有模块都完全基于深度学习的方法，有效缓解自然场景对车牌识别带来的干扰；2)多个识别模型的网络形式完全不同，解决网络完全非同源问题，从而有效避免因网络形式差异小带来的同源问题，使不同模型的识别结果能够有效互补；3)AM和CTC共享主干CNN模型，通过不同的loss训练双模型网络，可以有效提升AM和CTC各自的效果，在发挥两者相互之间的优势外，通过融合弥补两者之间的弱势；4)利用CTC在卷积特征提取后，不需要使用LSTM网络，直接利用CTC进行解码，可以有效获取每个字符的边界，从而实现单个字符的截取，利于单字网络实现单字识别；5)通过多种不同的字符识别模型相结合的方法，可以最大程度的提升车牌字符整体识别效果。
图6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6所示，该车牌识别装置60包括：获取模块601、识别模块602和融合模块603。
获取模块601，用于获取待识别的车牌图像，其中，所述车牌图像包含车牌。
识别模块602，用于通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，其中，所述多个识别模型为多个不同类型的深度学习模型。
融合模块603，用于将各个识别模型对应的车牌识别结果进行融合，得到所述车牌图像的车牌识别结果。
本实施例将多个不同类型的深度学习模型作为多个识别模型，通过多个识别模型分别对待识别的车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，再将各个识别模型对应的车牌识别结果进行融合，得到车牌图像的车牌识别结果，能够利用多个类型的深度学习模型的不同网络特性，从而在各种复杂场景下都具有较高的车牌识别准确度。
可选地，所述多个识别模型中包括由第一卷积神经网络CNN和第一注意力模型AM组成的识别模型；
所述识别模块602，用于：
通过所述第一CNN提取所述车牌图像的字符特征；
将所述车牌图像的字符特征输入所述第一AM进行字符识别，得到第一车牌识别结果。
可选地，所述多个识别模型中包括由第二CNN和连续时序分类CTC模型组成的识别模型；
所述识别模块602，用于：
识别所述车牌图像中车牌的类型是否为单层车牌，并在所述车牌的类型不是单层车牌时，将所述车牌图像拼接为单层车牌图像；在所述车牌的类型是单层车牌时，将所述车牌图像作为所述单层车牌图像；
通过所述第二CNN提取所述单层车牌图像的字符特征；
将所述单层车牌图像的字符特征输入所述CTC模型进行字符识别，得到第二车牌识别结果。
可选地，所述识别模块602，用于：
识别所述车牌图像中车牌的类型；
在所述车牌的类型不是单层车牌时，从预置的多个车牌模板中获取所述车牌所属类型对应的车牌模板，其中，每个类型对应于一个车牌模板；
根据所述车牌所属类型对应的车牌模板，对所述车牌图像进行裁剪处理和拼接处理，得到所述车牌图像对应的单层车牌图像。
可选地，所述识别模块602，还用于：
在通过所述第二CNN提取所述单层车牌图像的字符特征之后，将所述单层车牌图像的字符特征输入第二AM进行字符识别，得到第三车牌识别结果。
可选地，所述识别模块602还用于：
在将所述单层车牌图像的字符特征输入所述CTC模型之后，获取所述CTC模型输出的所述单层车牌图像中车牌各个字符的左右边界信息；
根据各个字符的左右边界信息将所述单层车牌图像分割成多个单字符图像；
通过单字符识别模型分别对各个单字符图像进行字符识别，得到各个单字符图像的识别结果；
将各个单字符图像的识别结果组合生成第四车牌识别结果。
可选地，所述识别模块602，还用于：
在根据各个字符的左右边界信息将所述单层车牌图像分割成多个单字符图像之前，获取所述单层车牌图像中车牌所属类型对应的车牌模板；
根据所述单层车牌图像中车牌所属类型对应的车牌模板对各个字符的左右边界信息进行校正。
可选地，所述融合模块603，用于：
针对所述车牌图像中车牌的每个字符，根据各个车牌识别结果中该字符对应的识别结果及识别结果的置信度，确定该字符的识别结果；
将确定出的所述车牌图像中车牌的各个字符的识别结果，组合生成所述车牌图像的车牌识别结果。
可选地，所述融合模块603，用于：
对各个车牌识别结果中该字符对应的识别结果进行投票统计；
在得票最多的识别结果为一个时，将该得票最多的识别结果作为该字符的识别结果；
在得票最多的识别结果为多个时，分别计算得票最多的各个识别结果对应的置信度总和，将置信度总和最大的识别结果作为该字符的识别结果。
可选地，所述获取模块601，用于：
获取包含车牌的车辆图像；
通过深度学习检测算法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，并对车牌所在区域的图像进行校正处理，得到所述车牌图像。
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7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7所示，本实施例提供的车牌识别设备70包括：至少一个处理器701和存储器702。该车牌识别设备70还包括通信部件703。其中，处理器701、存储器702以及通信部件703通过总线704连接。
在具体实现过程中，至少一个处理器701执行所述存储器702存储的计算机执行指令，使得至少一个处理器701执行如上的车牌识别方法。
处理器701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7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 (13)
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；
通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，其中，所述多个识别模型为多个不同类型的深度学习模型；
将各个识别模型对应的车牌识别结果进行融合，得到所述车牌图像的车牌识别结果。
2.根据权利要求1所述的方法，其特征在于，所述多个识别模型中包括由第一卷积神经网络CNN和第一注意力模型AM组成的识别模型；
所述通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，包括：
通过所述第一CNN提取所述车牌图像的字符特征；
将所述车牌图像的字符特征输入所述第一AM进行字符识别，得到第一车牌识别结果。
3.根据权利要求1所述的方法，其特征在于，所述多个识别模型中包括由第二CNN和连续时序分类CTC模型组成的识别模型；
所述通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，包括：
识别所述车牌图像中车牌的类型是否为单层车牌，并在所述车牌的类型不是单层车牌时，将所述车牌图像拼接为单层车牌图像；在所述车牌的类型是单层车牌时，将所述车牌图像作为所述单层车牌图像；
通过所述第二CNN提取所述单层车牌图像的字符特征；
将所述单层车牌图像的字符特征输入所述CTC模型进行字符识别，得到第二车牌识别结果。
4.根据权利要求3所述的方法，其特征在于，所述识别所述车牌图像中车牌的类型是否为单层车牌，并在所述车牌的类型不是单层车牌时，将所述车牌图像拼接为单层车牌图像，包括：
识别所述车牌图像中车牌的类型；
在所述车牌的类型不是单层车牌时，从预置的多个车牌模板中获取所述车牌所属类型对应的车牌模板，其中，每个类型对应于一个车牌模板；
根据所述车牌所属类型对应的车牌模板，对所述车牌图像进行裁剪处理和拼接处理，得到所述车牌图像对应的单层车牌图像。
5.根据权利要求3所述的方法，其特征在于，在所述通过所述第二CNN提取所述单层车牌图像的字符特征之后，所述方法还包括：
将所述单层车牌图像的字符特征输入第二AM进行字符识别，得到第三车牌识别结果。
6.根据权利要求3所述的方法，其特征在于，在所述将所述单层车牌图像的字符特征输入所述CTC模型之后，所述方法还包括：
获取所述CTC模型输出的所述单层车牌图像中车牌各个字符的左右边界信息；
根据各个字符的左右边界信息将所述单层车牌图像分割成多个单字符图像；
通过单字符识别模型分别对各个单字符图像进行字符识别，得到各个单字符图像的识别结果；
将各个单字符图像的识别结果组合生成第四车牌识别结果。
7.根据权利要求6所述的方法，其特征在于，在所述根据各个字符的左右边界信息将所述单层车牌图像分割成多个单字符图像之前，所述方法还包括：
获取所述单层车牌图像中车牌所属类型对应的车牌模板；
根据所述单层车牌图像中车牌所属类型对应的车牌模板对各个字符的左右边界信息进行校正。
8.根据权利要求1所述的方法，其特征在于，所述将各个识别模型对应的车牌识别结果进行融合，得到所述车牌图像的车牌识别结果，包括：
针对所述车牌图像中车牌的每个字符，根据各个车牌识别结果中该字符对应的识别结果及识别结果的置信度，确定该字符的识别结果；
将确定出的所述车牌图像中车牌的各个字符的识别结果，组合生成所述车牌图像的车牌识别结果。
9.根据权利要求1所述的方法，其特征在于，所述根据各个车牌识别结果中该字符对应的识别结果及识别结果的置信度，确定该字符的识别结果，包括：
对各个车牌识别结果中该字符对应的识别结果进行投票统计；
在得票最多的识别结果为一个时，将该得票最多的识别结果作为该字符的识别结果；
在得票最多的识别结果为多个时，分别计算得票最多的各个识别结果对应的置信度总和，将置信度总和最大的识别结果作为该字符的识别结果。
10.根据权利要求1至9任一项所述的方法，其特征在于，所述获取待识别的车牌图像，包括：
获取包含车牌的车辆图像；
通过深度学习检测算法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，并对车牌所在区域的图像进行校正处理，得到所述车牌图像。
11.一种车牌识别装置，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；
识别模块，用于通过多个识别模型分别对所述车牌图像进行字符识别，得到各个识别模型对应的车牌识别结果，其中，所述多个识别模型为多个不同类型的深度学习模型；
融合模块，用于将各个识别模型对应的车牌识别结果进行融合，得到所述车牌图像的车牌识别结果。
12.一种车牌识别设备，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10任一项所述的车牌识别方法。
13.一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10任一项所述的车牌识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910967901.0A CN112651417B (zh) | 2019-10-12 | 2019-10-12 | 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 |
|---|---|---|---|
| CN201910967901.0A CN112651417B (zh) | 2019-10-12 | 2019-10-12 | 车牌识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112651417A true CN112651417A (zh) | 2021-04-13 |
| CN112651417B CN112651417B (zh) | 2024-06-14 |
Family
ID=75343692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910967901.0A Active CN112651417B (zh) | 2019-10-12 | 2019-10-12 | 车牌识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112651417B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505790A (zh) * | 2021-07-15 | 2021-10-15 | 普联技术有限公司 | 一种车牌处理方法、装置、设备及计算机可读存储介质 |
| CN113657386A (zh) * | 2021-06-30 | 2021-11-16 | 浙江大华技术股份有限公司 | 车牌属性的识别方法、设备及存储介质 |
| WO2023169273A1 (zh) * | 2022-03-11 | 2023-09-14 | 阿里巴巴（中国）有限公司 | 图像识别方法、装置、设备和存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107688811A (zh) * | 2017-09-12 | 2018-02-13 | 北京文安智能技术股份有限公司 | 车牌识别方法及装置 |
| US20180121744A1 (en) * | 2016-10-31 | 2018-05-03 | Electronics And Telecommunications Research Institute | System and method for recognizing vehicle license plate information |
| CN108009543A (zh) * | 2017-11-29 | 2018-05-08 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及装置 |
| US20180189572A1 (en) * | 2016-12-30 | 2018-07-05 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Multi-Modal Fusion Model |
| 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 |
| CN108921002A (zh) * | 2018-04-23 | 2018-11-30 | 中国科学院自动化研究所 | 基于多线索融合的暴恐音视频识别方法及装置 |
| CN108918536A (zh) * | 2018-07-13 | 2018-11-30 | 广东工业大学 | 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质 |
| 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 |
| CN109766805A (zh) * | 2018-12-28 | 2019-05-17 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的双层车牌字符识别方法 |
| 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 |
| CN109919147A (zh) * | 2019-03-04 | 2019-06-21 | 上海宝尊电子商务有限公司 | 服装吊牌图像中文本识别的方法 |
| 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 |
-
2019
- 2019-10-12 CN CN201910967901.0A patent/CN112651417B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180121744A1 (en) * | 2016-10-31 | 2018-05-03 | Electronics And Telecommunications Research Institute | System and method for recognizing vehicle license plate information |
| US20180189572A1 (en) * | 2016-12-30 | 2018-07-05 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Multi-Modal Fusion Model |
| 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 |
| CN107688811A (zh) * | 2017-09-12 | 2018-02-13 | 北京文安智能技术股份有限公司 | 车牌识别方法及装置 |
| CN108009543A (zh) * | 2017-11-29 | 2018-05-08 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及装置 |
| 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 |
| CN108921002A (zh) * | 2018-04-23 | 2018-11-30 | 中国科学院自动化研究所 | 基于多线索融合的暴恐音视频识别方法及装置 |
| CN108918536A (zh) * | 2018-07-13 | 2018-11-30 | 广东工业大学 | 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质 |
| CN109766805A (zh) * | 2018-12-28 | 2019-05-17 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的双层车牌字符识别方法 |
| 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 |
| CN109919147A (zh) * | 2019-03-04 | 2019-06-21 | 上海宝尊电子商务有限公司 | 服装吊牌图像中文本识别的方法 |
| 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 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657386A (zh) * | 2021-06-30 | 2021-11-16 | 浙江大华技术股份有限公司 | 车牌属性的识别方法、设备及存储介质 |
| CN113505790A (zh) * | 2021-07-15 | 2021-10-15 | 普联技术有限公司 | 一种车牌处理方法、装置、设备及计算机可读存储介质 |
| WO2023169273A1 (zh) * | 2022-03-11 | 2023-09-14 | 阿里巴巴（中国）有限公司 | 图像识别方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112651417B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705405B (zh) | 目标标注的方法及装置 | |
| CN110163176B (zh) | 车道线变化位置识别方法、装置、设备和介质 | |
| CN112651417B (zh) | 车牌识别方法、装置、设备及存储介质 | |
| CN111626123A (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
| CN111353549B (zh) | 图像标签的核验方法及装置、电子设备、存储介质 | |
| CN112257413B (zh) | 地址参数处理方法及相关设备 | |
| CN114038004A (zh) | 一种证件信息提取方法、装置、设备及存储介质 | |
| CN113033543B (zh) | 曲形文本识别方法、装置、设备及介质 | |
| CN112200193B (zh) | 基于多属性融合的分布式车牌识别方法、系统、装置 | |
| CN113221750A (zh) | 车辆追踪方法、装置、设备及存储介质 | |
| CN114387591A (zh) | 车牌识别方法、系统、设备及存储介质 | |
| CN112712005B (zh) | 识别模型的训练方法、目标识别方法及终端设备 | |
| CN111400533A (zh) | 图像筛选方法、装置、电子设备和存储介质 | |
| CN113205047A (zh) | 药名识别方法、装置、计算机设备和存储介质 | |
| CN112446375A (zh) | 车牌识别方法、装置、设备及存储介质 | |
| CN113780243A (zh) | 行人图像识别模型的训练方法、装置、设备以及存储介质 | |
| CN116612417A (zh) | 利用视频时序信息的特殊场景车道线检测方法及装置 | |
| CN111753812A (zh) | 文本识别方法及设备 | |
| CN111914845A (zh) | 一种车牌中字符分层方法、装置及电子设备 | |
| CN113486848B (zh) | 文档表格识别方法、装置、设备及存储介质 | |
| CN113537207B (zh) | 视频处理方法、模型的训练方法、装置以及电子设备 | |
| CN110084157B (zh) | 图像重识别的数据处理方法及装置 | |
| KR102026280B1 (ko) | 딥 러닝을 이용한 씬 텍스트 검출 방법 및 시스템 | |
| CN116311157A (zh) | 障碍物识别方法、障碍物识别模型训练方法 | |
| CN112541505B (zh) | 文本识别方法、装置以及计算机可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |