CN113159153A - 一种基于卷积神经网络的车牌识别方法 - Google Patents
一种基于卷积神经网络的车牌识别方法 Download PDFInfo
- Publication number
- CN113159153A CN113159153A CN202110393797.6A CN202110393797A CN113159153A CN 113159153 A CN113159153 A CN 113159153A CN 202110393797 A CN202110393797 A CN 202110393797A CN 113159153 A CN113159153 A CN 113159153A
- Authority
- CN
- China
- Prior art keywords
- license plate
- model
- detection
- plate recognition
- training
- 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
Images
Classifications
-
- 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
- G06F18/23—Clustering 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
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
- G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
-
- 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
Abstract
本发明涉及一种基于卷积神经网络的车牌识别方法,主要包括以下步骤:S1、通过获取车牌图片训练样本,制作车牌数据集,进行车牌检测定位模型设计及训练,并利用车牌检测定位模型进行车牌定位,从图片或者实时视频流中定位车牌位置及置信度,提取车牌矩形块图片;S2、通过获取车牌样本,制作车牌识别数据集,进行车牌识别模型设计及训练,并利用车牌识别模型进行车牌识别,通过将步骤S1中获取的车牌矩形块图片送入车牌识别模型,获取车牌号码及对应置信度并输出。本发明通过构建车牌检测定位模型及车牌识别模型,实现不同天气条件、恶劣光照、倾斜等常规及恶劣条件下对车牌的实时识别。
Description
技术领域
本发明涉及计算机视觉、数字图像处理和深度学习领域,尤其涉及一种基于卷积神经网络的车牌识别方法。
背景技术
车牌识别是现代智能交通网络的重要组成部分及智慧城市的重要基础构建,应用十分广泛,已经渗入生活的各个方面。它以数字图像处理、计算机视觉、深度学习等技术为基础,对拍摄的图片或者视频序列进行分析,得到车辆车牌号码,从而完成识别过程。
车牌识别技术可应用于停车场、道路监管、收费站等场景。对于构建智能交通网络、实现智能城市有着重要意义。
现有的车牌识别系统大多采用传统图像识别的方法,基于颜色或边缘检测、复杂一点的基于MSER文字定位的方法进行车牌定位、然后对车牌进一步处理,进行倾斜校正,文字分割,然后再进一步对分割出来的文字逐一进行识别,其弊端在于:识别场景单一,只能针对特定场景进行识别,应用于不同的场景需要对算法进行针对性的优化;识别准确率不高,在特定优化场景下识别率能达到98%以上,但是在其他场景下识别准确率低;无法处理复杂环境的识别,如雨天、雾天、夜间、光照不均匀、清晰度低等。
发明内容
为解决现有技术所存在的技术问题,本发明提供一种基于卷积神经网络的车牌识别方法,通过构建车牌检测定位模型及车牌识别模型,实现不同天气条件、恶劣光照、倾斜等常规及恶劣条件下对车牌的实时识别。
本发明采用以下技术方案来实现:一种基于卷积神经网络的车牌识别方法,主要包括以下步骤:
S1、通过获取车牌图片训练样本,制作车牌数据集,进行车牌检测定位模型设计及训练,并利用车牌检测定位模型进行车牌定位,从图片或者实时视频流中定位车牌位置及置信度,提取车牌矩形块图片;
S2、通过获取车牌样本,制作车牌识别数据集,进行车牌识别模型设计及训练,并利用车牌识别模型进行车牌识别,通过将步骤S1中获取的车牌矩形块图片送入车牌识别模型,获取车牌号码及对应置信度并输出。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明通过构建车牌检测定位模型及车牌识别模型,实现不同天气条件、恶劣光照、倾斜等常规及恶劣条件下对车牌的实时识别。
2、本发明实时性强,准确率极高,鲁棒性高,一幅图像存在多个车牌也可检测识别,同时车牌定位集车牌识别两部分均采用端对端模型,大大简化了处理步骤,避免负责的图像操作。
3、本发明可应用于智能驾驶、道路监管、收费站、停车场等场景,对构建智能交通网络、实现智能城市有着重要意义。
附图说明
图1是本发明的方法流程图;
图2是本发明车牌检测定位模型网络结构图;
图3是本发明车牌检测定位模型结构示意图;
图4是本发明车牌检测定位模型输出预处理示意图;
图5是本发明车牌识别模型网络结构图;
图6是本发明车牌识别模型结构示意图;
图7是本发明车牌识别模型输入预处理示意图;
图8是本发明在常规角度下的定位识别图;
图9是本发明在大角度、夜间、雨、雪及反光各条件下定位识别图;
图10(a)是本发明100次训练的F1性能变化曲线图;
图10(b)是本发明100次训练的mAP_0.5性能变化曲线图;
图10(c)是本发明100次训练的准确率变化曲线图;
图10(d)是本发明100次训练的召回率变化曲线图;
图10(e)是本发明100次训练的分类损失变化曲线图;
图10(f)是本发明100次训练的定位损失变化曲线图;
图10(g)是本发明100次训练的置信度损失变化曲线图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本实施例一种基于卷积神经网络的车牌识别方法,主要包括以下步骤:
S1、通过获取车牌图片训练样本,制作车牌数据集,进行车牌检测定位模型设计及训练,并利用车牌检测定位模型进行车牌定位,从图片或者实时视频流中定位车牌位置及置信度,提取车牌矩形块图片。
本实施例中,车牌检测定位模型的设计及训练,包括车牌检测定位图片预处理、车牌检测定位模型设计及训练,车牌检测定位模型结构如图2和图3所示,由于车牌检测定位模型输入为416x 416,因此,图像输入车牌检测定位模型之前,需要将图片等比例缩放为最长边416,其余部分采用灰色,即RGB 114、114、114填充,如图4所示。
本实施例中,车牌检测定位模型的设计及训练,采用目标检测模型YOLOv3-Tiny网络结构,其以Tiny-Darknet为基础,总共为24层网络结构,包括13个卷积层、6个池化层、2个route层、一个上采样层和2个yolo输出层,相比较Darknet53去掉了一些特征层,只保留了2个独立预测分支,在保证定位准确率的条件下,进一步提升其实时性。网络结构中,主干部分为一个7层卷积Convolutional与池化maxpool网络用以提取特征,yolo层前面是一个1x1xM的卷积层,其中,M与检测类别数目相关,计算公式为M=3*(classes+5),其中,classes为检测类别数,例如当检测类别数为4时,卷积输出为1*1*27。本实施例中,第0层到第17层yolo层构成一个完整的检测网络。其中,upsample层用以进行上采样,以便使深层特征与浅层特征具有相同大小,如将第19层特征图13x13x256与第9层特征图进行拼接融合;route层用于获取指定层的输出,然后对这些输出的特征进行处理,比如第18层route层用于获取第14层的输出,第21个route层获取第9层和第20层的输出,进行多尺度融合,将浅层特征图连接到深层特征图,通过叠加浅层特征图相邻特征到不同通道,与原生的深层特征图相连接,使模型有了细粒度特征,提升模型的性能。
本实施例中,车牌检测定位模型采用多尺度检测来进行预测,具体形式是在网络预测的最后某些层进行上采样及拼接不同层输出的操作来达到,如第21route层将第9层及第19层的上采样进行拼接;对于分辨率对预测的影响解释如下:分辨率信息直接反映的就是构成检测目标的像素的数量。一个检测目标,像素数量越多,它对目标的细节表现就越丰富越具体,即分辨率信息越丰富。通过不同尺度的检测,能够检测到更加细粒度的特征,第17层尺度为13x13可以检测到较大尺寸的车牌,第24层尺度为26x26可以检测小尺寸的车牌。
在本实施例中,车牌检测定位模型在两个尺度上各具有3个先验框,6个先验框通过对40万张车牌数据样本进行聚类分析得到。选择出最优的先验框尺寸,可以使模型的表示能力更强,特征学习更快。在聚类算法中,如果采用欧氏距离计算误差,当目标边界框尺寸较大时,其误差也更大。为了避免此问题,我们采用目标边界框与先验框的交并比IoU来定义目标边界框与先验框尺寸的误差。
本实施例中,车牌检测定位模型的输出为车牌位置信息及车牌类别,具体格式为(x,y,w,h,c);其中,(x,y)为车牌左上角在输入图像中坐标,(w,h)为车牌宽度及高度,c为车牌类别,本实施例中的车牌类别包含:无车牌、蓝牌、黄牌、双层黄牌、新能源、黑牌和警牌。
本实施例中,车牌检测定位模型数据集采用CCPD车牌数据集、脚本生成的车牌数据集、其他自己采集标定的车牌数据集。车牌数据集中包括各个省份的车牌,且包括蓝牌(小型汽车号牌)、黄牌(大型汽车号牌)及双层黄牌、绿牌(新能源汽车专用号牌)、黑牌(使、领馆汽车号牌及港澳入出境车号牌)、警牌。
本实施例中,共采用40万张车牌图片作为车牌检测定位模型数据集,采用yolo标注格式:(0 0.160938 0.541667 0.120312 0.386111)从前到后共5个数据,分别指所标注内容的类别、归一化后的中心点x坐标,归一化后的中心点y坐标,归一化后的目标框宽度w,归一化后的目标框高度h;本实施例中,归一化指的是图片中车牌的位置及宽高除以图片宽和高,将车牌检测定位模型数据集分为训练集和验证集,训练中采用小批量梯度下降法进行梯度更新,更新车牌检测定位模型权值,将全部训练集样本学习一遍为一次迭代,经过100次训练迭代,获取车牌检测定位模型。
本实施例中,车牌检测定位模型可检测定位及分类不同车牌,如蓝牌、黄牌、新能源、黑牌、警牌。
本实施例中,车牌检测定位既可以应用于单张图像,也可应用于视频流,并实时输出检测结果。
S2、通过获取车牌样本,制作车牌识别数据集,进行车牌识别模型设计及训练,并利用车牌识别模型进行车牌识别,通过将步骤S1中获取的车牌矩形块图片送入车牌识别模型,获取车牌号码及对应置信度并输出。
本实施例中,车牌识别模型的设计及训练,包括车牌识别图片预处理、车牌识别模型设计及训练。如图5和图6所示,车牌识别模型包括5个卷积层及池化层、1个SPP(SpatialPyramid Pooling)层以及2个全连接层;其中,卷积层及池化层用于提取车牌特征,SPP层将网络输入归一化到指定大小,再通过全连接层输出车牌信息。
具体地,将步骤S1中的车牌检测定位模型输出的车牌位置信息及车牌类别作为车牌识别数据集,标注格式采用车牌到数字的映射,将各个省份简称汉字、车牌字母、数字总共编码为0~64,总共65个类别,如:蓝牌皖K9C359标注格式为(0_40_64_33_58_50_64)、新能源粤BF58557标注格式为(19_32_37_60_63_60_60_62),并将车牌识别数据集分为训练集和验证集,采用小批量梯度下降法进行梯度更新,更新车牌识别模型权值,将全部训练集样本学习一遍为一次迭代,经历100次迭代,获取车牌识别模型。
由于输入图片尺寸不统一,车牌识别模型中加入SPP层,可适应任意尺寸输入,不管输入尺寸是怎样,SPP可以产生固定大小的输出,SPP层使用多个池化步长,获取更丰富的特征。
如图7所示,本实施例中,步骤S1中获得的车牌矩形块图片输入步骤S2中车牌识别模型之前,会检测其车牌倾斜角度,若输入车牌倾斜角度小于30度,在步骤S1中得到的车牌矩形块图片可直接作为步骤S2车牌识别模型输入,若大于30度,可对车牌矩形块图片进行旋转倾斜校正后,进行边缘检测裁剪,再作为步骤S2车牌识别模型输入。
本实施例中,车牌检测定位模型与车牌识别模型均采用PyTorch平台。
模型检测效果如图8、图9所示,由于无法直接在图中写入中文字体,因此用数字编码代替省份汉字,编码为CCPD省份编码规则,如皖对应的数字编码为0,京对应编码为12。由图8、图9可知,本发明对各个角度、雨、雪、反光、多车牌等条件下车牌的定位识别都非常准确。在100次训练过程中,F1性能、mAP_0.5、准确率、召回率、类别损失、定位损失、置信度损失分别如图10(a)-10(g)所示,在验证集上测试,车牌定位准确为在99.98%,mAP_0.5达到99.5%,常规车牌识别率可达到99.99%;复杂天气,如雨、雪、雾天定位识别率可达到97.12%,分辨率极低的车牌,识别率可达到85%以上。事实上模型仍然还有训练优化的空间,可增加训练迭代次数,进一步提高模型定位识别准确率。
本发明在RTX2080Ti GPU下,图片平均推理时间(仅包含模型运算,不包含模型加载、结果保存等耗时)为3.5毫秒,实时处理速度可达到100FPS。将其部署于ARM嵌入式linux环境下,整个检测过程小于500毫秒,可满足高速公路、停车场、治超站等场景的需要。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于卷积神经网络的车牌识别方法,其特征在于,包括以下步骤:
S1、通过获取车牌图片训练样本,制作车牌数据集,进行车牌检测定位模型设计及训练,并利用车牌检测定位模型进行车牌定位,从图片或者实时视频流中定位车牌位置及置信度,提取车牌矩形块图片;
S2、通过获取车牌样本,制作车牌识别数据集,进行车牌识别模型设计及训练,并利用车牌识别模型进行车牌识别,通过将步骤S1中获取的车牌矩形块图片送入车牌识别模型,获取车牌号码及对应置信度并输出。
2.根据权利要求1所述的一种基于卷积神经网络的车牌识别方法,其特征在于,步骤S1中车牌检测定位模型的设计及训练,包括车牌检测定位图片预处理、车牌检测定位模型设计及训练;其中,图片预处理的过程为:将图片等比例缩放为最长边416,其余部分采用灰色,即RGB 114、114、114填充。
3.根据权利要求2所述的一种基于卷积神经网络的车牌识别方法,其特征在于,步骤S1中车牌检测定位模型的设计及训练,采用目标检测模型YOLOv3-Tiny网络结构,其采用Tiny-Darknet结构,总共为24层网络结构,包括13个卷积层、6个池化层、2个route层、一个上采样层和2个yolo输出层。
4.根据权利要求3所述的一种基于卷积神经网络的车牌识别方法,其特征在于,车牌检测定位模型采用多尺度检测进行预测,具体形式是在网络预测中进行上采样及拼接不同层输出。
5.根据权利要求4所述的一种基于卷积神经网络的车牌识别方法,其特征在于,车牌检测定位模型的输出为车牌位置信息及车牌类别,具体格式为(x,y,w,h,c);其中,(x,y)为车牌左上角在输入图像中坐标,(w,h)为车牌宽度及高度,c为车牌类别;其中,车牌类别包含:无车牌、蓝牌、黄牌、双层黄牌、新能源、黑牌和警牌。
6.根据权利要求5所述的一种基于卷积神经网络的车牌识别方法,其特征在于,车牌检测定位模型数据集采用CCPD车牌数据集、脚本生成的车牌数据集、其他采集标定的车牌数据集;车牌数据集中包括各个省份的车牌以及各车牌类别。
7.根据权利要求6所述的一种基于卷积神经网络的车牌识别方法,其特征在于,车牌检测定位模型数据集由若干张车牌图片组成,采用yolo标注格式,并将车牌检测定位模型数据集分为训练集和验证集,训练中采用小批量梯度下降法进行梯度更新,更新车牌检测定位模型权值,将全部训练集样本学习一遍为一次迭代,经过若干次迭代,获取车牌检测定位模型。
8.根据权利要求1所述的一种基于卷积神经网络的车牌识别方法,其特征在于,车牌识别模型的设计及训练,包括车牌识别图片预处理、车牌识别模型设计及训练;车牌识别模型包括5个卷积层及池化层、1个SPP层以及2个全连接层;其中,卷积层及池化层用于提取车牌特征,SPP层将网络输入归一化到指定大小,全连接层用于输出车牌信息。
9.根据权利要求5所述的一种基于卷积神经网络的车牌识别方法,其特征在于,车牌检测定位模型输出的车牌位置信息及车牌类别作为车牌识别数据集,标注格式采用车牌到数字的映射,并将车牌识别数据集分为训练集和验证集,训练中采用小批量梯度下降法进行梯度更新,更新车牌识别模型权值,将全部训练集样本学习一遍为一次迭代,经过若干次迭代,获取车牌识别模型。
10.根据权利要求1所述的一种基于卷积神经网络的车牌识别方法,其特征在于,步骤S1中获得的车牌矩形块图片输入步骤S2中车牌识别模型之前,会检测其车牌倾斜角度,若输入车牌倾斜角度小于30度,在步骤S1中得到的车牌矩形块图片可直接作为步骤S2车牌识别模型输入,若大于30度,可对车牌矩形块图片进行旋转倾斜校正后,进行边缘检测裁剪,再作为步骤S2车牌识别模型输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110393797.6A CN113159153A (zh) | 2021-04-13 | 2021-04-13 | 一种基于卷积神经网络的车牌识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110393797.6A CN113159153A (zh) | 2021-04-13 | 2021-04-13 | 一种基于卷积神经网络的车牌识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113159153A true CN113159153A (zh) | 2021-07-23 |
Family
ID=76890102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110393797.6A Pending CN113159153A (zh) | 2021-04-13 | 2021-04-13 | 一种基于卷积神经网络的车牌识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159153A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115050028A (zh) * | 2022-06-15 | 2022-09-13 | 松立控股集团股份有限公司 | 一种恶劣天气下小样本车牌检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163108A (zh) * | 2019-04-23 | 2019-08-23 | 杭州电子科技大学 | 基于双路径特征融合网络的鲁棒声呐目标检测方法 |
KR102030628B1 (ko) * | 2019-04-04 | 2019-10-10 | (주)아이엠시티 | Cnn 기반 차량 번호판 인식 방법 및 시스템 |
CN110991444A (zh) * | 2019-11-19 | 2020-04-10 | 复旦大学 | 面向复杂场景的车牌识别方法及装置 |
CN111914839A (zh) * | 2020-07-28 | 2020-11-10 | 三峡大学 | 基于YOLOv3的同步端到端车牌定位与识别方法 |
CN112329881A (zh) * | 2020-11-20 | 2021-02-05 | 珠海大横琴科技发展有限公司 | 车牌识别模型训练方法、车牌识别方法及装置 |
CN112488213A (zh) * | 2020-12-03 | 2021-03-12 | 杭州电子科技大学 | 一种基于多尺度特征学习网络的火灾图片分类方法 |
-
2021
- 2021-04-13 CN CN202110393797.6A patent/CN113159153A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102030628B1 (ko) * | 2019-04-04 | 2019-10-10 | (주)아이엠시티 | Cnn 기반 차량 번호판 인식 방법 및 시스템 |
CN110163108A (zh) * | 2019-04-23 | 2019-08-23 | 杭州电子科技大学 | 基于双路径特征融合网络的鲁棒声呐目标检测方法 |
CN110991444A (zh) * | 2019-11-19 | 2020-04-10 | 复旦大学 | 面向复杂场景的车牌识别方法及装置 |
CN111914839A (zh) * | 2020-07-28 | 2020-11-10 | 三峡大学 | 基于YOLOv3的同步端到端车牌定位与识别方法 |
CN112329881A (zh) * | 2020-11-20 | 2021-02-05 | 珠海大横琴科技发展有限公司 | 车牌识别模型训练方法、车牌识别方法及装置 |
CN112488213A (zh) * | 2020-12-03 | 2021-03-12 | 杭州电子科技大学 | 一种基于多尺度特征学习网络的火灾图片分类方法 |
Non-Patent Citations (3)
Title |
---|
BBUF: "目标检测算法之YOLOv3及YOLOV3-Tiny", 《HTTPS://WWW.SOHU.COM/A/357906885_717210》 * |
牟少敏,时爱菊: "《模式识别与机器学习技术》", 30 June 2019, 冶金工业出版社 * |
韩九强,杨磊: "《数字图像处理基于XAVIS组态软件》", 30 September 2018, 西安交通大学出版 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115050028A (zh) * | 2022-06-15 | 2022-09-13 | 松立控股集团股份有限公司 | 一种恶劣天气下小样本车牌检测方法 |
CN115050028B (zh) * | 2022-06-15 | 2024-03-29 | 松立控股集团股份有限公司 | 一种恶劣天气下小样本车牌检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969160B (zh) | 一种基于深度学习的车牌图像校正、识别方法及系统 | |
CN113723377B (zh) | 一种基于ld-ssd网络的交通标志检测方法 | |
CN114495029B (zh) | 一种基于改进YOLOv4的交通目标检测方法及系统 | |
CN111582339B (zh) | 一种基于深度学习的车辆检测与识别的方法 | |
CN113762209A (zh) | 一种基于yolo的多尺度并行特征融合路标检测方法 | |
CN112766136B (zh) | 一种基于深度学习的空间车位检测方法 | |
CN112949633B (zh) | 一种基于改进YOLOv3的红外目标检测方法 | |
CN111178451A (zh) | 一种基于YOLOv3网络的车牌检测方法 | |
CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
CN112084890A (zh) | 基于gmm和cqfl的多尺度识别交通信号标志的方法 | |
CN111860509A (zh) | 一种由粗到精的两阶段非约束车牌区域精准提取方法 | |
CN116597326A (zh) | 一种基于改进YOLOv7算法的无人机航拍小目标检测方法 | |
CN112613392A (zh) | 基于语义分割的车道线检测方法、装置、系统及存储介质 | |
CN115273032A (zh) | 交通标志识别方法、装置、设备及介质 | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN113159153A (zh) | 一种基于卷积神经网络的车牌识别方法 | |
CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 | |
CN111160282A (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
CN114782915B (zh) | 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测系统及设备 | |
CN116363610A (zh) | 一种基于改进YOLOv5的航拍车辆旋转目标检测方法 | |
CN116129327A (zh) | 一种基于改进YOLOv7算法的红外车辆检测方法 | |
CN115909276A (zh) | 基于改进YOLOv5的复杂天气下小交通标志目标检测方法 | |
CN113033482B (zh) | 一种基于区域注意力的交通标志检测方法 | |
CN115223114A (zh) | 一种基于双向融合特征金字塔的端到端车辆姿态估计方法 | |
CN115761223A (zh) | 一种利用数据合成的遥感影像实例分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210723 |