CN112733846A - 一种车牌检测方法、装置和系统 - Google Patents

一种车牌检测方法、装置和系统 Download PDF

Info

Publication number
CN112733846A
CN112733846A CN202011636549.1A CN202011636549A CN112733846A CN 112733846 A CN112733846 A CN 112733846A CN 202011636549 A CN202011636549 A CN 202011636549A CN 112733846 A CN112733846 A CN 112733846A
Authority
CN
China
Prior art keywords
license plate
image
region
area
frame1
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
Application number
CN202011636549.1A
Other languages
English (en)
Other versions
CN112733846B (zh
Inventor
朱晓宁
汤旭东
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.)
Jingying Digital Technology Co Ltd
Original Assignee
Jingying Digital Technology 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 Jingying Digital Technology Co Ltd filed Critical Jingying Digital Technology Co Ltd
Priority to CN202011636549.1A priority Critical patent/CN112733846B/zh
Publication of CN112733846A publication Critical patent/CN112733846A/zh
Application granted granted Critical
Publication of CN112733846B publication Critical patent/CN112733846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种车牌检测方法、装置和系统，通过获取目标区域的图像；并根据所述图像中预先划定的感兴趣区域和车牌区域的变化，判定是否有车牌出现在所述图像中，若是则识别所述图像中的车牌号码；本申请通过以上方法、装置及系统，实现自动车牌检测及识别，不但可以将人力从繁琐的人工观察、检测中解放出来，而且能够大大提高其精确度，且达到对汽车牌照的精确定位并最终完成对汽车牌照的识别，极大提高对车辆动态的分析能力。

Description

一种车牌检测方法、装置和系统
技术领域
本发明属于车牌检测领域，具体涉及一种车牌检测方法、装置和系统。
背景技术
在地下矿井的日常工作中，会有大量形式不同的车辆来往，如何通过采集到复杂的车辆运动信息，快速地了解到车辆的实时动态，是提高井下工作效率和安全管理的重要途径。
现如今最常用、最有效的方法依然是人工观察车辆，并实时记录，依据经验进行适当调整调度。
但是，现存的人工识别方法工作较为繁琐，且错误率较高，无法对车辆识别信息进行及时、准确的传输，从而无法对识别数据形成系统化管理，管理效率较低。
发明内容
本申请提供一种车牌检测方法、装置和系统，能够对车辆车牌信息进行检测识别。
本申请提供了一种车牌检测方法，包括：
获取目标区域的图像；
根据所述图像中预先划定的感兴趣区域和车牌区域的变化，判定是否有车牌出现在所述图像中，若是则识别所述图像中的车牌号码。
上述方法中，所述判定是否有车牌出现在所述图像中，具体为：设置
RROI(framex)＝f(x,y)
其中，ROI为所述目标区域内设定的感兴趣区域，RROI(framex)为framex帧中的感兴趣区域内的点的集合，(x,y)∈ROIframex；
D(frame1,frame2)＝∑RROI(frame1)-RROI(frame2)
其中，D为frame1和frame2两帧间感兴趣区域的差值；
Rplate(framex)＝g(x,y)
其中，plate为所述感兴趣区域内设定的车牌区域，Rplate(framex)为framex帧中车牌区域内的点的集合，(x,y)∈plateframex；
D'(frame1,frame2)＝∑Rplate(frame1)-Rplate(frame2)
其中，D'为frame1和frame2两帧间车牌区域的差值；
设μ、θ≥0，且μ、θ均为常数，设定阈值T，其中，T>0，
若T≤μD(frame1,frame2)+θD'(frame1,frame2)，则判定有车牌出现在所述图像中；否则判定无车牌出现在所述图像中。
上述方法中，所述目标区域为长方形区域，所述感兴趣区域为等边梯形区域且面积小于所述目标区域的面积，且所述等边梯形区域位于所述目标区域正中心。
上述方法中，所述等边梯形区域两个腰分别沿车道边沿设置。
上述方法中，所述车牌区域为所述等边梯形区域内正中心的长方形区域。
上述方法中，所述识别所述图像中的车牌号码，具体为：
通过UNET搭建的图像分割网络，获取所述图像中包含车牌位置信息的遮罩，并利用所述遮罩截取只包含车牌的图像数组；
通过卷积神经网络搭建的字符识别模块识别所述只包含车牌的图像数组中的车牌号码。
上述方法中，所述获取目标区域的图像，具体为：获取摄像头采集并通过rtsp协议回传的目标区域图像。
本申请还提供一种车牌检测装置，包括：
图像获取模块，用于获取目标区域的图像；
车牌判定模块，用于根据所述图像中预先划定的感兴趣区域和车牌区域的变化，判定是否有车牌出现在所述图像中；
车牌识别模块，用于若所述车牌判定模块判定有车牌出现在所述图像中，则识别所述图像中的车牌号码。
本申请还提供一种车牌检测系统，包括：
处理器；以及，
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果：通过获取目标区域的图像；并根据所述图像中预先划定的感兴趣区域和车牌区域的变化，判定是否有车牌出现在所述图像中，若是则识别所述图像中的车牌号码；本申请通过以上方法、装置及系统，实现自动车牌检测及识别，不但可以将人力从繁琐的人工观察、检测中解放出来，而且能够大大提高其精确度，且达到对汽车牌照的精确定位并最终完成对汽车牌照的识别，极大提高对车辆动态的分析能力。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本申请实施例示出的一种车牌检测方法流程图；
图2是本申请实施例示出的帧frame1的感兴趣区域示意图；
图3是本申请实施例示出的帧frame2的感兴趣区域示意图；
图4是本申请实施例示出的车辆的车牌区域示意图；
图5是本申请又一实施例示出的一种车牌检测方法流程图。
具体实施方式
下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
一种车牌检测方法、装置和系统，通过获取目标区域的图像；并根据所述图像中预先划定的感兴趣区域和车牌区域的变化，即根据图像中像素点的数量变化，判定是否有车牌出现在所述图像中，若是则识别所述图像中的车牌号码；本申请通过以上方法及系统，实现自动车牌检测及识别，不但可以将人力从繁琐的人工观察、检测中解放出来，而且能够大大提高其精确度，且达到对汽车牌照的精确定位并最终完成对汽车牌照的识别，极大提高对车辆动态的分析能力。
下面结合附图详细描述本申请的一个优先技术方案，如图1所示，也可参照图5。
本申请提供了一种车牌检测方法，包括：
S1，获取目标区域的图像；
具体的，一般通过摄像头等图像采集设备获取目标区域图像，并通过rtsp协议回传运算设备，运算设备用于处理回传的图像数据，首先通过检测模块确定图像中是否存在车牌，然后将包含车牌的图像输入到车牌位置检测模块，该模块返回一个车牌图像数组，最后把车牌数组传入字符识别模块进行最终的车牌识别，运算设备将识别到的车牌信息以JSON流和JPEG流的形式返回到特定端口，及用户界面显示。
本实施例中，也可先通过运算设备获取结果的情况确定图像采集设备是否正常运行，如果正常，则可以正常进行采集目标区域图像，并回传运算设备。
S2，根据所述图像中预先划定的感兴趣区域和车牌区域的变化，判定是否有车牌出现在所述图像中，若是则识别所述图像中的车牌号码。
所述判定是否有车牌出现在所述图像中，即根据图像中像素点的数量变化，进行判断；具体的，如图2-5所示，设置
RROI(framex)＝f(x,y)
其中，ROI为所述目标区域内设定的感兴趣区域，RROI(framex)为framex帧中的感兴趣区域内的点的集合，(x,y)∈ROIframex；
D(frame1,frame2)＝∑RROI(frame1)-RROI(frame2)
其中，D为frame1和frame2两帧间感兴趣区域的差值；
Rplate(framex)＝g(x,y)
其中，plate为所述感兴趣区域内设定的车牌区域，Rplate为(framex)为framex帧中车牌区域内的点的集合，(x,y)∈plateframex；
D'(frame1,frame2)＝∑Rplate(frame1)-Rplate(frame2)
其中，D'为frame1和frame2两帧间车牌区域的差值；
设μ、θ≥0，且μ、θ均为常数，设定阈值T，其中，T>0，
若T≤μD(frame1,frame2)+θD'(frame1,frame2)时，则判定有车牌出现在所述图像中；否则判定无车牌出现在所述图像中，则重复上述步骤，重新采集目标区域的图像。
具体的，具体目标区域通过人为设置，本实施例中，目标区域沿车流方向，在摄像头等图像采集设备之前可采集到的地方截取一个长方形区域，在目标区域内截取感兴趣区域ROI，本实施例中，ROI设置为等边梯形区域且面积小于等于所述目标区域的面积，且所述等边梯形区域位于所述目标区域正中心。
如图2-4所示，本实施例中，所述等边梯形区域两个腰分别沿车道边沿设置，且所述等边梯形区域两个底边分别沿车流方向(即车道方向)设置，且所述等边梯形区域的沿车流方向的两个底边分别距离所述长方形区域的沿车流方向的两个边缘的宽度，为所述长方形区域的沿车流方向的两个边缘之间距离的5％-10％；所述plate为所述等边梯形区域内正中心的长方形区域，且所述plate的长度为所述等边梯形区域的沿车流方向的两个底边中较短的一个底边的1/2-1/3。
其中，本实施例中，图中前后方向为宽度，左右方向为长度，等边梯形区域前后两短进行掐头去尾，保留中间部分区域使得获取的数据更为准确，因此，等边梯形区域的前部底边到目标区域的前部边缘的距离，为目标区域的前后两个边缘之间距离的5％-10％，同理，等边梯形区域的后部底边到目标区域的后部边缘的距离，为目标区域的前后两个边缘之间距离的5％-10％，如此，中间剩下的等边梯形区域保留；而车牌区域plate同样人为设置，本实施例中，在等边梯形区域内部截取，车牌区域的前后部的边缘长度为等边梯形区域的两个底边中较短的一个底边的1/2-1/3，如此设置，各个区域的设置，使得得到的数据更为准确，便于后期判定使用。
若判定车牌出现在所述图像中，则识别所述图像中的车牌号码，若判定无车牌出现在所述图像中，则重复上述步骤，并重新获取目标区域的图像；
具体的，若判定车牌出现在所述图像中，第一，通过UNET搭建的图像分割网络，获取所述图像中包含车牌位置信息的遮罩，并利用所述遮罩截取只包含车牌的图像数组。
即，当判定有车牌出现时开始执行车牌位置检测，位置检测主要使用UNET搭建的图像分割网络，包含车牌的原始图像输入到UNET后经过神经网络的运算输出一个包含车牌位置信息的遮罩，接着根据它来截取只包含车牌的图像数组。
第二，识别车牌位置处的车牌号码。
具体的，通过卷积神经网络搭建的字符识别模块识别只包含车牌的图像数组中的车牌号码，并通过JSON流和JPEG流的形式由推流服务器返回至用户界面展示。
本申请还提供一种车牌检测装置，包括：
图像获取模块，用于获取目标区域的图像；
车牌判定模块，用于根据所述图像中预先划定的感兴趣区域和车牌区域的变化，判定是否有车牌出现在所述图像中；
车牌识别模块，用于若所述车牌判定模块判定有车牌出现在所述图像中，则识别所述图像中的车牌号码。
其中，本实施例中的车牌检测装置具体使用的方法同上，此处不做赘述。
本申请还提供一种车牌检测系统，包括：
处理器；以及，存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
本申请提供的一种车牌检测方法、装置及系统，不但可以将人力从繁琐的人工观察、检测中解放出来，而且能够大大提高其精确度，对摄像头采集到的图像进行平滑、二值化、图像分割、区域标识等多种手段以提取车牌区域,进而达到对汽车牌照的精确定位并最终完成对汽车牌照的识别。同时对检测性能做了优化已达到能够更灵活部署的目的，从而极大提高监控系统对车辆动态的分析能力。在真实矿井环境中，本申请可有效解决环境和性能的平衡问题，可以有效应用于生产环境中。
上文中已经参考附图详细描述了本申请的方案。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和步骤并不一定是本申请所必须的。另外，可以理解，本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (9)

1.一种车牌检测方法，其特征在于，包括：
获取目标区域的图像；
根据所述图像中预先划定的感兴趣区域和车牌区域的变化，判定是否有车牌出现在所述图像中，若是则识别所述图像中的车牌号码。
2.根据权利要求1所述的方法，其特征在于，所述判定是否有车牌出现在所述图像中，具体为：设置
RROI(framex)＝f(x,y)
其中，ROI为所述目标区域内设定的感兴趣区域，RROI(framex)为framex帧中的感兴趣区域内的点的集合，(x,y)∈ROIframex；
D(frame1,frame2)＝∑RROI(frame1)-RROI(frame2)
其中，D为frame1和frame2两帧间感兴趣区域的差值；
Rplate(framex)＝g(x,y)
其中，plate为所述感兴趣区域内设定的车牌区域，Rplate(framex)为framex帧中车牌区域内的点的集合，(x,y)∈plateframex；
D'(frame1,frame2)＝∑Rplate(frame1)-Rplate(frame2)
其中，D'为frame1和frame2两帧间车牌区域的差值；
设μ、θ≥0，且μ、θ均为常数，设定阈值T，其中，T>0，
若T≤μD(frame1,frame2)+θD'(frame1,frame2)，则判定有车牌出现在所述图像中；否则判定无车牌出现在所述图像中。
3.根据权利要求2所述方法，其特征在于，所述目标区域为长方形区域，所述感兴趣区域为等边梯形区域且面积小于所述目标区域的面积，且所述等边梯形区域位于所述目标区域正中心。
4.根据权利要求3所述的方法，其特征在于，所述等边梯形区域两个腰分别沿车道边沿设置。
5.根据权利要求4所述的方法，其特征在于，所述车牌区域为所述等边梯形区域内正中心的长方形区域。
6.根据权利要求1所述的方法，其特征在于，所述识别所述图像中的车牌号码，具体为：
通过UNET搭建的图像分割网络，获取所述图像中包含车牌位置信息的遮罩，并利用所述遮罩截取只包含车牌的图像数组；
通过卷积神经网络搭建的字符识别模块识别所述只包含车牌的图像数组中的车牌号码。
7.根据权利要求1所述的方法，其特征在于，所述获取目标区域的图像，具体为：获取摄像头采集并通过rtsp协议回传的目标区域图像。
8.一种车牌检测装置，其特征在于，包括：
图像获取模块，用于获取目标区域的图像；
车牌判定模块，用于根据所述图像中预先划定的感兴趣区域和车牌区域的变化，判定是否有车牌出现在所述图像中；
车牌识别模块，用于若所述车牌判定模块判定有车牌出现在所述图像中，则识别所述图像中的车牌号码。
9.一种车牌检测系统，其特征在于，包括：
处理器；以及，
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-7中任一项所述的方法。
CN202011636549.1A 2020-12-31 2020-12-31 一种车牌检测方法、装置和系统 Active CN112733846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011636549.1A CN112733846B (zh) 2020-12-31 2020-12-31 一种车牌检测方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011636549.1A CN112733846B (zh) 2020-12-31 2020-12-31 一种车牌检测方法、装置和系统

Publications (2)

Publication Number Publication Date
CN112733846A true CN112733846A (zh) 2021-04-30
CN112733846B CN112733846B (zh) 2024-01-12

Family

ID=75608694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011636549.1A Active CN112733846B (zh) 2020-12-31 2020-12-31 一种车牌检测方法、装置和系统

Country Status (1)

Country Link
CN (1) CN112733846B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5434927A (en) * 1993-12-08 1995-07-18 Minnesota Mining And Manufacturing Company Method and apparatus for machine vision classification and tracking
CN103116987A (zh) * 2013-01-22 2013-05-22 华中科技大学 一种基于监控视频处理的车流统计和违规检测的方法
CN109711264A (zh) * 2018-11-30 2019-05-03 武汉烽火众智智慧之星科技有限公司 一种公交车道占道检测方法及装置
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5434927A (en) * 1993-12-08 1995-07-18 Minnesota Mining And Manufacturing Company Method and apparatus for machine vision classification and tracking
CN103116987A (zh) * 2013-01-22 2013-05-22 华中科技大学 一种基于监控视频处理的车流统计和违规检测的方法
CN109711264A (zh) * 2018-11-30 2019-05-03 武汉烽火众智智慧之星科技有限公司 一种公交车道占道检测方法及装置
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHINMAYA KUMAR SAHU ET.AL.: ""A Comparative Analysis of Deep Learning Approach for Automatic Number Plate Recognition"", 《2020 FOURTH INTERNATIONAL CONFERENCE ON I-SMAC (IOT IN SOCIAL, MOBILE, ANALYTICS AND CLOUD) (I-SMAC)》 *
石贵民;余文森;肖钟捷;: "基于Gabor特征和协同神经网络的车牌识别方法", 河北大学学报(自然科学版), no. 02, pages 103 - 110 *
褚洪君: ""基于视觉的交通违章停车检测方法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》, vol. 2011, no. 2, pages 138 - 1411 *
韩昆: ""车载的占用公交车道电子警察系统的研究与实现"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2014, no. 03, pages 034 - 612 *

Also Published As

Publication number Publication date
CN112733846B (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
CN112528878B (zh) 检测车道线的方法、装置、终端设备及可读存储介质
CN108898044B (zh) 装载率获取方法、装置、系统及存储介质
CN110705405B (zh) 目标标注的方法及装置
CN104573637B (zh) 一种基于多摄像头的车牌识别方法
WO2022126377A1 (zh) 检测车道线的方法、装置、终端设备及可读存储介质
US9875405B2 (en) Video monitoring method, video monitoring system and computer program product
US8660350B2 (en) Image segmentation devices and methods based on sequential frame image of static scene
CN110570435B (zh) 用于对车辆损伤图像进行损伤分割的方法及装置
CN102156985A (zh) 基于虚拟卡口的行人及车辆数目计数方法
CN115049700A (zh) 一种目标检测方法及装置
CN111444808A (zh) 基于图像的事故定责方法、装置、计算机设备和存储介质
CN112149471B (zh) 一种基于语义点云的回环检测方法及装置
CN111753610A (zh) 天气识别方法及装置
CN109241893B (zh) 基于人工智能技术的道路选择方法、装置及可读存储介质
CN114067282A (zh) 一种端到端的车辆位姿检测方法及装置
CN111339834B (zh) 车辆行驶方向的识别方法、计算机设备及存储介质
CN113591643A (zh) 一种基于计算机视觉的地下交通工具进出站检测系统及方法
CN112733846A (zh) 一种车牌检测方法、装置和系统
CN112489018A (zh) 一种电力线智能巡线方法及巡线
CN112241963A (zh) 基于车载视频的车道线识别方法、系统和电子设备
CN116363628A (zh) 标志检测方法、装置、非易失性存储介质及计算机设备
CN111556362A (zh) 一种车身广告植入方法、装置、电子设备及存储介质
CN115619873A (zh) 一种基于轨迹溯源的雷视自动标定方法
CN112016514B (zh) 一种交通标志识别方法、装置、设备及储存介质
JP2019087166A (ja) 撮影画像に含まれる境界線を検出するための装置、方法、及びプログラム

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