CN113420764A - 一种确保车辆入场车牌识别率100%正确的方法 - Google Patents
一种确保车辆入场车牌识别率100%正确的方法 Download PDFInfo
- Publication number
- CN113420764A CN113420764A CN202110685299.9A CN202110685299A CN113420764A CN 113420764 A CN113420764 A CN 113420764A CN 202110685299 A CN202110685299 A CN 202110685299A CN 113420764 A CN113420764 A CN 113420764A
- Authority
- CN
- China
- Prior art keywords
- license plate
- recognition
- images
- image
- ensuring
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 33
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及车牌识别技术领域,尤其为一种确保车辆入场车牌识别率100%正确的方法,其方法包括如下步骤:拍摄监控范围内的车辆,采集车辆图像,首先对获取的车牌图像进行预处理,随后对图像中的车牌进行定位,得到车牌图像,同时对车牌图像进行帧测处理,随后将车牌区域分割成车牌字符;本发明方法采用不同的算法对车牌进行二次识别,并能够对两次识别的结果进行对比,在结果不一致时进行人工识别,确保车牌识别的准确率,减少车场的经济损失,解决了目前在停车收费管理时,如果车牌角度比较大或出现其他物品影响的时候,易导致识别系统得出错误的识别结果,进而给车场带来经济损失和不便的问题。
Description
技术领域
本发明涉及车牌识别技术领域,具体为一种确保车辆入场车牌识别率 100%正确的方法。
背景技术
随着人民生活水平的提高和经济的发展,机动车的数量逐年增多,道路交通成为人们日益关注的问题。为了解决道路交通问题,车牌识别作为智能交通系统的基础部分,已广泛应用于交通管理、交通监控、治安监控、停车管理等场景,而车牌自动识别方法作为其关键技术则发挥着举足轻重的作用。
目前在停车收费管理时,如果车牌角度比较大,或者车牌上有脏污,或者光线和其他和车牌字符相似的物品影响的时候,导致系统得出错误的识别结果,进而给车场带来经济损失和不便,为此我们提出一种采用不同的算法对车牌进行二次识别,并能够对两次识别的结果进行对比,在结果不一致时进行人工识别,确保车牌识别准确率的方法来解决此问题。
发明内容
本发明的目的在于提供一种确保车辆入场车牌识别率100%正确的方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种确保车辆入场车牌识别率100%正确的方法,其方法包括如下步骤:
(S1):拍摄监控范围内的车辆,采集车辆图像,首先对获取的车牌图像进行预处理,随后对图像中的车牌进行定位,得到车牌图像,同时对车牌图像进行帧测处理,随后将车牌区域分割成车牌字符,定位好后把车牌区域中的每个车牌字符提取出来成为单个的车牌字符;
(S2):基于深度学习平台搭建一个卷积神经网络模型,从互联网中收集不同的车牌图像,将这些图像制成训练集,并使用训练集对卷积神经网络模型进行训练,得到训练好的卷积神经网络模型,使用该卷积神经网络模型对步骤(S1)中得到单个车牌字符进行识别,获得车牌的识别结果;
(S3):在第一次识别完成后,从采集到车牌的图像中,识别呈现车牌的图像区域,采用分割算法将车牌图像区域分割成多个待识别图像块;
(S4):构建FasterRCNN网络模型,并利用FasterRCNN网络模型来构建Back-bone共享卷积网络,采用Back-bone共享卷积网络对图像区域进行特征提取,得到图像区域的特征矩阵,将特征矩阵输入循环神经网络,以顺序识别出不同图像块的文本信息,同时将多个文本信息合并,得出车牌的识别结果;
(S5):将步骤(S2)和步骤(S4)中的车牌识别结果放在一起进行对比,两次识别的结果一致,则说明识别结果正确,如果两次识别的结果不一致,则将待识别的车牌图像上传,并由车场相关人员进行人工识别。
优选的,所述步骤(S1)中,对车牌图像进行预处理时,去除图像中的噪声,增强图像关键信息,同时减少图像处理的复杂度。
优选的,所述步骤(S1)中,帧测处理通过背景建模提取车辆目标,将车牌形框的顶点坐标、宽度和高度映射到监控视频采集的图像中,而且对待识别车牌图像进行标识检测和跟踪区域,并确保每个目标在该区域内只进行一次车牌识别。
优选的,所述步骤(S2)中,在训练时,利用ReLU函数来提高收敛速度。
优选的,所述步骤(S2)中,训练卷积神经网络模型并构建车牌区域检测模型、车牌颜色识别模型、车牌字符检测模型及车牌字符识别模型。
优选的,所述步骤(S2),深度学习平台为TensorFlow学习平台、PyTorch 学习平台或MXNe学习平台中的任意一种。
优选的,所述步骤(S3)中,对于倾斜模糊的车牌,采用透视变换的方式对所获取的车牌图像进行视觉校正。
优选的,所述步骤(S4)中,在训练Back-bone共享卷积网络时,总体误差采用交叉熵的定义,权值初始化采用Xavier方法,并使用多组训练集进行训练,对Back-bone共享卷积网络进行误差修正。
优选的,所述步骤(S4)中,Back-bone共享卷积网络对图片信息进行卷积和池化,得到共享特征层。
与现有技术相比,本发明的有益效果如下:
本发明方法采用不同的算法对车牌进行二次识别,并能够对两次识别的结果进行对比,在结果不一致时进行人工识别,确保车牌识别的准确率,减少车场的经济损失,解决了目前在停车收费管理时,如果车牌角度比较大或出现其他物品影响的时候,易导致识别系统得出错误的识别结果,进而给车场带来经济损失和不便的问题。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
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,所描述的实施例仅仅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做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。
实施例一:
一种确保车辆入场车牌识别率100%正确的方法,其方法包括如下步骤:
(S1):拍摄监控范围内的车辆,采集车辆图像,首先对获取的车牌图像进行预处理,随后对图像中的车牌进行定位,得到车牌图像,同时对车牌图像进行帧测处理,随后将车牌区域分割成车牌字符,定位好后把车牌区域中的每个车牌字符提取出来成为单个的车牌字符,其中对车牌图像进行预处理时,去除图像中的噪声,增强图像关键信息,同时减少图像处理的复杂度;
(S2):基于深度学习平台搭建一个卷积神经网络模型,从互联网中收集不同的车牌图像,将这些图像制成训练集,并使用训练集对卷积神经网络模型进行训练,得到训练好的卷积神经网络模型,使用该卷积神经网络模型对步骤(S1)中得到单个车牌字符进行识别,获得车牌的识别结果,而在训练时,利用ReLU函数来提高收敛速度;
(S3):在第一次识别完成后,从采集到车牌的图像中,识别呈现车牌的图像区域,采用分割算法将车牌图像区域分割成多个待识别图像块,其中对于倾斜模糊的车牌,采用透视变换的方式对所获取的车牌图像进行视觉校正;
(S4):构建FasterRCNN网络模型,并利用FasterRCNN网络模型来构建Back-bone共享卷积网络,采用Back-bone共享卷积网络对图像区域进行特征提取,得到图像区域的特征矩阵,将特征矩阵输入循环神经网络,以顺序识别出不同图像块的文本信息,同时将多个文本信息合并,得出车牌的识别结果,其中在训练Back-bone共享卷积网络时,总体误差采用交叉熵的定义,权值初始化采用Xavier方法,并使用多组训练集进行训练,对Back-bone 共享卷积网络进行误差修正;
(S5):将步骤(S2)和步骤(S4)中的车牌识别结果放在一起进行对比,两次识别的结果一致,则说明识别结果正确,如果两次识别的结果不一致,则将待识别的车牌图像上传,并由车场相关人员进行人工识别。
实施例二:
一种确保车辆入场车牌识别率100%正确的方法,其方法包括如下步骤:
(S1):拍摄监控范围内的车辆,采集车辆图像,首先对获取的车牌图像进行预处理,随后对图像中的车牌进行定位,得到车牌图像,同时对车牌图像进行帧测处理,随后将车牌区域分割成车牌字符,定位好后把车牌区域中的每个车牌字符提取出来成为单个的车牌字符,其中对车牌图像进行预处理时,去除图像中的噪声,增强图像关键信息,同时减少图像处理的复杂度,而帧测处理通过背景建模提取车辆目标,将车牌形框的顶点坐标、宽度和高度映射到监控视频采集的图像中,而且对待识别车牌图像进行标识检测和跟踪区域,并确保每个目标在该区域内只进行一次车牌识别;
(S2):基于深度学习平台搭建一个卷积神经网络模型,从互联网中收集不同的车牌图像,将这些图像制成训练集,并使用训练集对卷积神经网络模型进行训练,得到训练好的卷积神经网络模型,使用该卷积神经网络模型对步骤(S1)中得到单个车牌字符进行识别,获得车牌的识别结果,而在训练时,利用ReLU函数来提高收敛速度,同时训练卷积神经网络模型并构建车牌区域检测模型、车牌颜色识别模型、车牌字符检测模型及车牌字符识别模型;
(S3):在第一次识别完成后,从采集到车牌的图像中,识别呈现车牌的图像区域,采用分割算法将车牌图像区域分割成多个待识别图像块,其中对于倾斜模糊的车牌,采用透视变换的方式对所获取的车牌图像进行视觉校正,而对于倾斜模糊的车牌,采用透视变换的方式对所获取的车牌图像进行视觉校正;
(S4):构建FasterRCNN网络模型,并利用FasterRCNN网络模型来构建Back-bone共享卷积网络,采用Back-bone共享卷积网络对图像区域进行特征提取,得到图像区域的特征矩阵,将特征矩阵输入循环神经网络,以顺序识别出不同图像块的文本信息,同时将多个文本信息合并,得出车牌的识别结果,其中在训练Back-bone共享卷积网络时,总体误差采用交叉熵的定义,权值初始化采用Xavier方法,并使用多组训练集进行训练,对Back-bone 共享卷积网络进行误差修正;
(S5):将步骤(S2)和步骤(S4)中的车牌识别结果放在一起进行对比,两次识别的结果一致,则说明识别结果正确,如果两次识别的结果不一致,则将待识别的车牌图像上传,并由车场相关人员进行人工识别。
实施例三:
一种确保车辆入场车牌识别率100%正确的方法,其方法包括如下步骤:
(S1):拍摄监控范围内的车辆,采集车辆图像,首先对获取的车牌图像进行预处理,随后对图像中的车牌进行定位,得到车牌图像,同时对车牌图像进行帧测处理,随后将车牌区域分割成车牌字符,定位好后把车牌区域中的每个车牌字符提取出来成为单个的车牌字符,其中对车牌图像进行预处理时,去除图像中的噪声,增强图像关键信息,同时减少图像处理的复杂度,而帧测处理通过背景建模提取车辆目标,将车牌形框的顶点坐标、宽度和高度映射到监控视频采集的图像中,而且对待识别车牌图像进行标识检测和跟踪区域,并确保每个目标在该区域内只进行一次车牌识别;
(S2):基于深度学习平台搭建一个卷积神经网络模型,从互联网中收集不同的车牌图像,将这些图像制成训练集,并使用训练集对卷积神经网络模型进行训练,得到训练好的卷积神经网络模型,使用该卷积神经网络模型对步骤(S1)中得到单个车牌字符进行识别,获得车牌的识别结果,而在训练时,利用ReLU函数来提高收敛速度,同时训练卷积神经网络模型并构建车牌区域检测模型、车牌颜色识别模型、车牌字符检测模型及车牌字符识别模型,且深度学习平台为TensorFlow学习平台、PyTorch学习平台或MXNe学习平台中的任意一种;
(S3):在第一次识别完成后,从采集到车牌的图像中,识别呈现车牌的图像区域,采用分割算法将车牌图像区域分割成多个待识别图像块,其中对于倾斜模糊的车牌,采用透视变换的方式对所获取的车牌图像进行视觉校正,而对于倾斜模糊的车牌,采用透视变换的方式对所获取的车牌图像进行视觉校正;
(S4):构建FasterRCNN网络模型,并利用FasterRCNN网络模型来构建Back-bone共享卷积网络,采用Back-bone共享卷积网络对图像区域进行特征提取,得到图像区域的特征矩阵,将特征矩阵输入循环神经网络,以顺序识别出不同图像块的文本信息,同时将多个文本信息合并,得出车牌的识别结果,其中在训练Back-bone共享卷积网络时,总体误差采用交叉熵的定义,权值初始化采用Xavier方法,并使用多组训练集进行训练,对Back-bone 共享卷积网络进行误差修正,且Back-bone共享卷积网络对图片信息进行卷积和池化,得到共享特征层;
(S5):将步骤(S2)和步骤(S4)中的车牌识别结果放在一起进行对比,两次识别的结果一致,则说明识别结果正确,如果两次识别的结果不一致,则将待识别的车牌图像上传,并由车场相关人员进行人工识别。
本方案采用不同的算法对在场记录做二次识别,当识别结果和第一次识别的不一致时,系统自动触发告警并推送抓取的车牌实际图片给相关人员核对,相关人员可根据车牌图片核对修改成正确的车牌。由于采用的是不同算法(如果采用同一套算法去做二次识别的话,由于算法的特性,很大概率会和第一次识别结果一致),若碰到识别错误的话,一般识别的结果会和第一套算法不一致,当两次识别的结果不一致时,触发告警修改成正确的车牌,以此保障对车牌识别的准确性,使该车在出场时能正常匹配到对应的车牌,提高车辆的通行效率和车场管理方的经济收益,为车场无人值守创造良好空间。
本发明方法采用不同的算法对车牌进行二次识别,并能够对两次识别的结果进行对比,在结果不一致时进行人工识别,确保车牌识别的准确率,减少车场的经济损失,解决了目前在停车收费管理时,如果车牌角度比较大或出现其他物品影响的时候,易导致识别系统得出错误的识别结果,进而给车场带来经济损失和不便的问题。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种确保车辆入场车牌识别率100%正确的方法,其特征在于:其方法包括如下步骤:
(S1):拍摄监控范围内的车辆,采集车辆图像,首先对获取的车牌图像进行预处理,随后对图像中的车牌进行定位,得到车牌图像,同时对车牌图像进行帧测处理,随后将车牌区域分割成车牌字符,定位好后把车牌区域中的每个车牌字符提取出来成为单个的车牌字符;
(S2):基于深度学习平台搭建一个卷积神经网络模型,从互联网中收集不同的车牌图像,将这些图像制成训练集,并使用训练集对卷积神经网络模型进行训练,得到训练好的卷积神经网络模型,使用该卷积神经网络模型对步骤(S1)中得到单个车牌字符进行识别,获得车牌的识别结果;
(S3):在第一次识别完成后,从采集到车牌的图像中,识别呈现车牌的图像区域,采用分割算法将车牌图像区域分割成多个待识别图像块;
(S4):构建FasterRCNN网络模型,并利用FasterRCNN网络模型来构建Back-bone共享卷积网络,采用Back-bone共享卷积网络对图像区域进行特征提取,得到图像区域的特征矩阵,将特征矩阵输入循环神经网络,以顺序识别出不同图像块的文本信息,同时将多个文本信息合并,得出车牌的识别结果;
(S5):将步骤(S2)和步骤(S4)中的车牌识别结果放在一起进行对比,两次识别的结果一致,则说明识别结果正确,如果两次识别的结果不一致,则将待识别的车牌图像上传,并由车场相关人员进行人工识别。
2.根据权利要求1所述的一种确保车辆入场车牌识别率100%正确的方法,其特征在于:所述步骤(S1)中,对车牌图像进行预处理时,去除图像中的噪声,增强图像关键信息,同时减少图像处理的复杂度。
3.根据权利要求1所述的一种确保车辆入场车牌识别率100%正确的方法,其特征在于:所述步骤(S1)中,帧测处理通过背景建模提取车辆目标,将车牌形框的顶点坐标、宽度和高度映射到监控视频采集的图像中,而且对待识别车牌图像进行标识检测和跟踪区域,并确保每个目标在该区域内只进行一次车牌识别。
4.根据权利要求1所述的一种确保车辆入场车牌识别率100%正确的方法,其特征在于:所述步骤(S2)中,在训练时,利用ReLU函数来提高收敛速度。
5.根据权利要求1所述的一种确保车辆入场车牌识别率100%正确的方法,其特征在于:所述步骤(S2)中,训练卷积神经网络模型并构建车牌区域检测模型、车牌颜色识别模型、车牌字符检测模型及车牌字符识别模型。
6.根据权利要求1所述的一种确保车辆入场车牌识别率100%正确的方法,其特征在于:所述步骤(S2),深度学习平台为TensorFlow学习平台、PyTorch学习平台或MXNe学习平台中的任意一种。
7.根据权利要求1所述的一种确保车辆入场车牌识别率100%正确的方法,其特征在于:所述步骤(S3)中,对于倾斜模糊的车牌,采用透视变换的方式对所获取的车牌图像进行视觉校正。
8.根据权利要求1所述的一种确保车辆入场车牌识别率100%正确的方法,其特征在于:所述步骤(S4)中,在训练Back-bone共享卷积网络时,总体误差采用交叉熵的定义,权值初始化采用Xavier方法,并使用多组训练集进行训练,对Back-bone共享卷积网络进行误差修正。
9.根据权利要求1所述的一种确保车辆入场车牌识别率100%正确的方法,其特征在于:所述步骤(S4)中,Back-bone共享卷积网络对图片信息进行卷积和池化,得到共享特征层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110685299.9A CN113420764A (zh) | 2021-06-21 | 2021-06-21 | 一种确保车辆入场车牌识别率100%正确的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110685299.9A CN113420764A (zh) | 2021-06-21 | 2021-06-21 | 一种确保车辆入场车牌识别率100%正确的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113420764A true CN113420764A (zh) | 2021-09-21 |
Family
ID=77789461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110685299.9A Withdrawn CN113420764A (zh) | 2021-06-21 | 2021-06-21 | 一种确保车辆入场车牌识别率100%正确的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420764A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155361A (zh) * | 2021-12-11 | 2022-03-08 | 浙江正泰中自控制工程有限公司 | 一种摄像直读表抄表方法及系统 |
-
2021
- 2021-06-21 CN CN202110685299.9A patent/CN113420764A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155361A (zh) * | 2021-12-11 | 2022-03-08 | 浙江正泰中自控制工程有限公司 | 一种摄像直读表抄表方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921068B (zh) | 一种基于深度神经网络的汽车外观自动定损方法及系统 | |
CN106203274B (zh) | 一种视频监控中行人实时检测系统及方法 | |
CN103473950B (zh) | 一种停车场车位监控方法 | |
Qadri et al. | Automatic number plate recognition system for vehicle identification using optical character recognition | |
CN109902628B (zh) | 一种基于视觉物联网的图书馆座位管理系统 | |
CN108268867B (zh) | 一种车牌定位方法及装置 | |
WO2004042673A2 (en) | Automatic, real time and complete identification of vehicles | |
CN102419819A (zh) | 人脸图像识别方法和系统 | |
CN110751018A (zh) | 一种基于混合注意力机制的群组行人重识别方法 | |
CN113947766B (zh) | 一种基于卷积神经网络的实时车牌检测方法 | |
CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
CN110765841A (zh) | 基于混合注意力机制的群组行人重识别系统及终端 | |
CN109635722B (zh) | 一种高分辨率遥感影像路口自动识别方法 | |
CN113792606A (zh) | 基于多目标追踪的低成本自监督行人重识别模型构建方法 | |
CN112132048A (zh) | 一种基于计算机视觉的社区巡更分析方法及系统 | |
CN113627339A (zh) | 一种隐私保护的方法、装置及设备 | |
CN113420764A (zh) | 一种确保车辆入场车牌识别率100%正确的方法 | |
CN110598550B (zh) | 一种基于多层信息智能分析的车辆联网识别系统 | |
CN112084892A (zh) | 一种道路异常事件检测管理装置及其方法 | |
CN111046822A (zh) | 一种基于人工智能视频识别的大型车辆防盗方法 | |
CN116524725B (zh) | 一种智能驾驶的交通标志图像数据识别系统 | |
CN111950518B (zh) | 一种用于暴力行为识别的视频图像增强方法 | |
CN110348386B (zh) | 一种基于模糊理论的人脸图像识别方法、装置及设备 | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN110516547B (zh) | 一种基于加权非负矩阵分解的套牌车辆检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210921 |