CN113591835A - 车牌关键信息的检测方法和装置 - Google Patents

车牌关键信息的检测方法和装置 Download PDF

Info

Publication number
CN113591835A
CN113591835A CN202010360895.5A CN202010360895A CN113591835A CN 113591835 A CN113591835 A CN 113591835A CN 202010360895 A CN202010360895 A CN 202010360895A CN 113591835 A CN113591835 A CN 113591835A
Authority
CN
China
Prior art keywords
license plate
neural network
predicted value
image
value
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
Application number
CN202010360895.5A
Other languages
English (en)
Inventor
熊兵
徐绍君
李�燮
佟学俭
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.)
TD Tech Chengdu Co Ltd
Chengdu TD Tech Ltd
Original Assignee
Chengdu TD Tech 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 Chengdu TD Tech Ltd filed Critical Chengdu TD Tech Ltd
Priority to CN202010360895.5A priority Critical patent/CN113591835A/zh
Publication of CN113591835A publication Critical patent/CN113591835A/zh
Pending legal-status Critical Current

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种车牌关键信息的检测方法和装置，其中方法包括：利用第一卷积神经网络，确定待检测车牌图像的矩形框；根据所述矩形框，确定用于信息检测的图像；将用于信息检测的图像，调整为预设尺寸规格的图像；将经过所述调整的图像，输入到第二卷积神经网络中进行信息检测，得到相应车牌信息的预测值；其中，第二卷积神经网络包括L个卷积层、M个全连接层和N个池化层；L≥4；M≥2；N≥3；且所述第二卷积神经网络在宽度方向的卷积步长大于在高度方向的卷积步长；所述预测值包括车牌置信度预测值和车牌关键点位置预测值，以及车牌分类预测值和/或车牌底色预测值。采用本申请，可以有效降低车牌关键信息检测的运算开销小、且易于实现。

Description

车牌关键信息的检测方法和装置
技术领域
本发明涉及人工智能技术，特别是涉及一种车牌关键信息的检测方法和装置。
背景技术
随着人工智能技术的广泛应用，基于深度学习的卷积神经网络(ConvolutionalNeural Network，CNN)在计算机视觉中应用越来越广。对于车牌检测和识别，其中比较重要的一个环节是车牌关键点检测和车牌类型识别。
针对车牌关键点检测和车牌类型识别，目前通常采用两个过程分别执行关键点和类型的检测。发明人在实现本发明的过程中发现：上述方案需要引入两个独立的CNN，分别应用于关键点检测和类型的识别过程，如此，会使得整个方案的实现过程复杂，运算量大，尤其是在车牌类型识别时甚至会用原始图片来进行CNN处理，从而会导致车牌类型识别运算量极大。
发明内容
有鉴于此，本发明的主要目的在于提供一种车牌关键信息的检测方法和装置，运算开销小、易于实现。
为了达到上述目的，本发明提出的技术方案为：
一种车牌关键信息的检测方法，包括：
利用预先训练的第一卷积神经网络，确定待检测车牌图像的矩形框；根据所述矩形框，确定用于信息检测的图像；
将所述用于信息检测的图像，调整为预设尺寸规格的图像；
将经过所述调整的图像，输入到预先训练的第二卷积神经网络中进行信息检测，得到相应车牌信息的预测值；其中，所述第二卷积神经网络包括L个卷积层、M个全连接层和N个池化层；L≥4；M≥2；N≥3；且所述第二卷积神经网络在宽度方向的卷积步长大于在高度方向的卷积步长；所述预测值包括车牌置信度预测值和车牌关键点位置预测值，以及车牌分类预测值和/或车牌底色预测值。
较佳地，所述车牌分类预测值包括：单行车牌预测值和双行车牌预测值。
较佳地，所述车牌底色预测值包括：
蓝色预测值、绿色预测值、黄色预测值、黑色预测值和/或白色预测值。
较佳地，所述车牌关键点位置预测值包括：
车牌四个角点的几何位置对应的八个坐标值的预测值。
较佳地，所述方法进一步包括：
在预先对所述第二卷积神经网络进行训练的过程中，对sigmoid函数输出的车牌关键点位置坐标值进行偏置补偿，得到相应车牌关键点位置的真实坐标值；所述sigmoid函数用于将所述第二卷积神经网络输出的预测值限定在0至1范围内。
一种车牌关键信息的检测装置，包括：处理器，所述处理器用于：
利用预先训练的第一卷积神经网络，确定待检测车牌图像的矩形框；根据所述矩形框，确定用于信息检测的图像；
将所述用于信息检测的图像，调整为预设尺寸规格的图像；
将经过所述调整的图像，输入到预先训练的第二卷积神经网络中进行信息检测，得到相应车牌信息的预测值；其中，所述第二卷积神经网络包括L个卷积层、M个全连接层和N个池化层；L≥4；M≥2；N≥3；且所述第二卷积神经网络在宽度方向的卷积步长大于在高度方向的卷积步长；所述预测值包括车牌置信度预测值和车牌关键点位置预测值，以及车牌分类预测值和/或车牌底色预测值。
较佳地，所述车牌分类预测值包括：单行车牌预测值和双行车牌预测值。
较佳地，所述车牌底色预测值包括：
蓝色预测值、绿色预测值、黄色预测值、黑色预测值和/或白色预测值。
较佳地，所述车牌关键点位置预测值包括：
车牌四个角点的几何位置对应的八个坐标值的预测值。
较佳地，所述处理器进一步用于：
在预先对所述第二卷积神经网络进行训练的过程中，对sigmoid函数输出的车牌关键点位置坐标值进行偏置补偿，得到相应车牌关键点位置的真实坐标值；所述sigmoid函数用于将所述第二卷积神经网络输出的预测值限定在0至1范围内。
本申请还公开了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如前所述的车牌关键信息的检测方法的步骤。
本申请还公开了一种电子设备，包括如前所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。
由上述技术方案可见，本发明提出的车牌关键信息的检测方法和装置，在确定出用于信息检测的图像后，仅是利用一个具有特定结构特征的卷积神经网络，即第二卷积神经网络，对该图像中的多种车牌信息进行检测。如此，相比于需要利用两个卷积神经网络分别对不同种车牌信息检测的现有实现方案，本发明的车牌关键信息检测过程简单、运算量小，更易于实现。
附图说明
图1为本发明实施例的车牌关键信息检测方法流程示意图；
图2为基于本发明实施例实现的车牌识别流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明作进一步地详细描述。
图1为本发明实施例的方法流程示意图，如图1所示，该实施例实现的车牌关键信息的检测方法主要包括：
步骤101利用预先训练的第一卷积神经网络，确定待检测车牌图像的矩形框；根据所述矩形框，确定用于信息检测的图像。
这里，利用卷积神经网络，来确定待检测车牌图像的矩形框，具体可以采用现有方法实现，不再赘述。本步骤中所得到的矩形框可以与车牌的真实框不完全重合，比如，本步骤所确定出的矩形框和真实框的交并比(IoU)可以为50％。
本步骤中，得到所述矩形框后，可以进一步基于该矩形框，从待检测车牌图像中选取出部分图像用于此后的车辆信息检测，具体可采用现有方法实现。例如，可以将用于信息检测的图像的边界设置在所述矩形框附近，具体设置策略可由本领域技术人员根据实际需要设计。
步骤102、将所述用于信息检测的图像，调整为预设尺寸规格的图像。
本步骤用于按照的预设尺寸规格，对步骤101中得到的用于信息检测的图像，进行尺寸大小的调整。所述预设尺寸规格和预先对第二卷积神经网络进行训练时输入的图像尺寸规格相同，从而可以确保此后利用第二卷积神经网络对该图像进行信息检测的准确性。所述预设尺寸规格具体可由本领域技术人员设置。例如，可以为49×175大小的RGB图像，表示为(49，175，3)，但不限于此。
步骤103、将经过所述调整的图像，输入到预先训练的第二卷积神经网络中进行信息检测，得到相应车牌信息的预测值。
其中，所述第二卷积神经网络包括L个卷积层、M个全连接层和N个池化层；L≥4；M≥2；N≥3；且所述第二卷积神经网络在宽度方向的卷积步长大于在高度方向的卷积步长；所述预测值包括车牌置信度预测值和车牌关键点位置预测值，以及车牌分类预测值和/或车牌底色预测值。
在实际应用中，本领域技术人员可以根据实际需要设置第二卷积神经网络需要输出哪些预测值。
较佳地，所述车牌分类预测值具体可以包括：单行车牌预测值和双行车牌预测值。
较佳地，所述车牌底色预测值具体可以包括：
蓝色预测值、绿色预测值、黄色预测值、黑色预测值和/或白色预测值。
较佳地，所述车牌关键点位置预测值具体可以包括：
车牌四个角点的几何位置对应的八个坐标值的预测值。
上述步骤103中，为了同时输出多种车牌信息，即：不仅输出车牌置信度预测值和车牌关键点位置预测值，还可以输出车牌分类预测值和/或车牌底色预测值，所述第二卷积神经网络需要满足上述结构要求。其中，针对车牌的矩形特征，这里需要满足：第二卷积神经网络在宽度方向的卷积步长大于在高度方向的卷积步长，如此，可以提高收缩性，减小网络运算量。下面对第二卷积神经网络的框架进行示例性说明：
假设，输入图形调整到(49，175，3)大小，通过第二卷积神经网络，输出维度为16个预测值，具体的第二卷积神经网络的框架可以如下表1所示：
网络类型 网络参数 Output(特征图)
输入 (49,175,3)
conv2d+LRelu #32,3*3,stride(1,2),pad＝0 (47,87,32)
maxpool #32,3*3,stride(2,2) (23,43,32)
conv2d+LRelu #64,3*3,stride(1,2),pad＝0 (21,21,64)
maxpool #64,3*3,stride(2,2) (10,10,64)
conv2d+LRelu #64,3*3,stride(1,1),pad＝0 (8,8,64)
maxpool #64,2*2,stride(2,2) (4,4,64)
conv2d+LRelu #128,2*2,stride(1,1),pad＝0 (3,3,128)
全连接层 输出通道256 256
全连接层 输出通道16 16
表1
表1中网络参数pad＝0表示不填充边，stride()表示卷积步幅。
表1所示的第二卷积神经网络输入的16个预测值分别如下：
o 1个车牌置信度预测值
o 2个车牌分类预测值，表示是单行车牌或双行车牌
o 8个车牌关键点位置预测值，表示车牌四个角点的几何位置对应的八个坐标值
o 5个车牌底色预测值，分别对应蓝色、绿色、黄色、黑色和白色
表1所示的第二卷积神经网络由4个二维卷积层、2个全连接层、3个最大池化层组成，在实际应用中不限于此，只要满足步骤103限定的上述条件即可。
基于具有上述结构特点的CNN，具体如何得到上述车牌信息的预测值，为本领域技术人员所掌握，在此不再赘述。
较佳地，为了有利于车牌4个角点的几何位置的训练收敛，可以进一步采用下述优化处理：
在预先对所述第二卷积神经网络进行训练的过程中，对sigmoid函数输出的车牌关键点位置坐标值进行偏置补偿，得到相应车牌关键点位置的真实坐标值。
需要说明的是，所述sigmoid函数用于将所述第二卷积神经网络输出的预测值限定在0至1范围内，采用sigmoid函数会将车牌关键点位置的坐标值收缩到0至1范围内。
这里，考虑到将第二卷积神经网络输出坐标经过sigmoid函数处理后输出的期望值会在0.5附近，这样为了得到真实值，还需要再利用预设的偏置对其进行偏置补偿。具体的，可以按照下表2对车牌的真实坐标进行预定偏置，让车牌的关键点位置在归一化坐标的0.5附近。
CNN网络输出 CNN预测值 真实值预设偏置
左上角坐标 (x1,y1) sigmoid (0.5,0.5)
右上角坐标 (x2,y2) sigmoid (-0.5,0.5)
右下角坐标 (x3,y3) sigmoid (0.5,-0.5)
左下角坐标 (x4,y4) sigmoid (-0.5,-0.5)
表2
采用上述优化处理方法，可以让目标值在sigmoid函数的最大梯度处，从而可以让网络训练尽快收敛。
在实际应用中，车牌目标损失可以定义为坐标的距离损失(L1损失)，归类损失可以定义为交叉熵损失。
图2给出了基于上述实施例的车牌关键信息检测方法实现的车牌识别流程示意图。如图2所示，在利用一个CNN网络(即第二卷积神经网络)进行车牌关键信息检测时，可以同时检测出车牌关键点位置信息、车牌类型以及车牌颜色，之后，将CNN网络输出的车牌关键点位置信息用于后续的车牌透视变换校正，将CNN网络输出的车牌类型用于车牌识别的输入，如此，可以有效简化车牌识别的整体流程，大幅度降低了计算量。
与上述方法相对应，本申请还提供了一种车牌关键信息的检测装置，包括：处理器，所述处理器用于：
利用预先训练的第一卷积神经网络，确定待检测车牌图像的矩形框；根据所述矩形框，确定用于信息检测的图像；
将所述用于信息检测的图像，调整为预设尺寸规格的图像；
将经过所述调整的图像，输入到预先训练的第二卷积神经网络中进行信息检测，得到相应车牌信息的预测值；其中，所述第二卷积神经网络包括L个卷积层、M个全连接层和N个池化层；L≥4；M≥2；N≥3；且所述第二卷积神经网络在宽度方向的卷积步长大于在高度方向的卷积步长；所述预测值包括车牌置信度预测值和车牌关键点位置预测值，以及车牌分类预测值和/或车牌底色预测值。
较佳地，所述车牌分类预测值包括：单行车牌预测值和双行车牌预测值。
较佳地，所述车牌底色预测值包括：
蓝色预测值、绿色预测值、黄色预测值、黑色预测值和/或白色预测值。
较佳地，所述车牌关键点位置预测值包括：
车牌四个角点的几何位置对应的八个坐标值的预测值。
较佳地，所述处理器进一步用于：
在预先对所述第二卷积神经网络进行训练的过程中，对sigmoid函数输出的车牌关键点位置坐标值进行偏置补偿，得到相应车牌关键点位置的真实坐标值；所述sigmoid函数用于将所述第二卷积神经网络输出的预测值限定在0至1范围内。
此外，本申请还提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如前所述的车牌关键信息检测方法的步骤。
此外，本申请还提供了一种电子设备，包括如上所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种车牌关键信息的检测方法，其特征在于，包括：
利用预先训练的第一卷积神经网络，确定待检测车牌图像的矩形框；根据所述矩形框，确定用于信息检测的图像；
将所述用于信息检测的图像，调整为预设尺寸规格的图像；
将经过所述调整的图像，输入到预先训练的第二卷积神经网络中进行信息检测，得到相应车牌信息的预测值；其中，所述第二卷积神经网络包括L个卷积层、M个全连接层和N个池化层；L≥4；M≥2；N≥3；且所述第二卷积神经网络在宽度方向的卷积步长大于在高度方向的卷积步长；所述预测值包括车牌置信度预测值和车牌关键点位置预测值，以及车牌分类预测值和/或车牌底色预测值。
2.根据权利要求1所述的方法，其特征在于，所述车牌分类预测值包括：单行车牌预测值和双行车牌预测值。
3.根据权利要求1所述的方法，其特征在于，所述车牌底色预测值包括：
蓝色预测值、绿色预测值、黄色预测值、黑色预测值和/或白色预测值。
4.根据权利要求1所述的方法，其特征在于，所述车牌关键点位置预测值包括：
车牌四个角点的几何位置对应的八个坐标值的预测值。
5.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
在预先对所述第二卷积神经网络进行训练的过程中，对sigmoid函数输出的车牌关键点位置坐标值进行偏置补偿，得到相应车牌关键点位置的真实坐标值；所述sigmoid函数用于将所述第二卷积神经网络输出的预测值限定在0至1范围内。
6.一种车牌关键信息的检测装置，其特征在于，包括：处理器，所述处理器用于：
利用预先训练的第一卷积神经网络，确定待检测车牌图像的矩形框；根据所述矩形框，确定用于信息检测的图像；
将所述用于信息检测的图像，调整为预设尺寸规格的图像；
将经过所述调整的图像，输入到预先训练的第二卷积神经网络中进行信息检测，得到相应车牌信息的预测值；其中，所述第二卷积神经网络包括L个卷积层、M个全连接层和N个池化层；L≥4；M≥2；N≥3；且所述第二卷积神经网络在宽度方向的卷积步长大于在高度方向的卷积步长；所述预测值包括车牌置信度预测值和车牌关键点位置预测值，以及车牌分类预测值和/或车牌底色预测值。
7.根据权利要求6所述的装置，其特征在于，所述车牌分类预测值包括：单行车牌预测值和双行车牌预测值。
8.根据权利要求6所述的装置，其特征在于，所述车牌底色预测值包括：
蓝色预测值、绿色预测值、黄色预测值、黑色预测值和/或白色预测值。
9.根据权利要求6所述的装置，其特征在于，所述车牌关键点位置预测值包括：
车牌四个角点的几何位置对应的八个坐标值的预测值。
10.根据权利要求6所述的装置，其特征在于，所述处理器进一步用于：
在预先对所述第二卷积神经网络进行训练的过程中，对sigmoid函数输出的车牌关键点位置坐标值进行偏置补偿，得到相应车牌关键点位置的真实坐标值；所述sigmoid函数用于将所述第二卷积神经网络输出的预测值限定在0至1范围内。
11.一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储指令，其特征在于，所述指令在由处理器执行时使得所述处理器执行如权利要求1至5中任一项所述的车牌关键信息的检测方法的步骤。
12.一种电子设备，其特征在于，包括如权利要求11所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。
CN202010360895.5A 2020-04-30 2020-04-30 车牌关键信息的检测方法和装置 Pending CN113591835A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010360895.5A CN113591835A (zh) 2020-04-30 2020-04-30 车牌关键信息的检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010360895.5A CN113591835A (zh) 2020-04-30 2020-04-30 车牌关键信息的检测方法和装置

Publications (1)

Publication Number Publication Date
CN113591835A true CN113591835A (zh) 2021-11-02

Family

ID=78236953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010360895.5A Pending CN113591835A (zh) 2020-04-30 2020-04-30 车牌关键信息的检测方法和装置

Country Status (1)

Country Link
CN (1) CN113591835A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018112900A1 (zh) * 2016-12-23 2018-06-28 深圳先进技术研究院 一种车牌识别方法及装置、用户设备
CN109344825A (zh) * 2018-09-14 2019-02-15 广州麦仑信息科技有限公司 一种基于卷积神经网络的车牌识别方法
CN109472262A (zh) * 2018-09-25 2019-03-15 平安科技（深圳）有限公司 车牌识别方法、装置、计算机设备及存储介质
CN110020651A (zh) * 2019-04-19 2019-07-16 福州大学 基于深度学习网络的车牌检测定位方法
CN110598709A (zh) * 2019-08-12 2019-12-20 北京智芯原动科技有限公司 一种卷积神经网络训练方法以及车牌识别方法及装置
CN110634159A (zh) * 2018-06-21 2019-12-31 北京京东尚科信息技术有限公司 一种目标检测方法和装置
CN110798808A (zh) * 2018-08-02 2020-02-14 成都鼎桥通信技术有限公司 多播终端解调的定时方法和装置
CN110956169A (zh) * 2018-09-27 2020-04-03 杭州海康威视数字技术股份有限公司 一种车牌识别方法、装置及电子设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018112900A1 (zh) * 2016-12-23 2018-06-28 深圳先进技术研究院 一种车牌识别方法及装置、用户设备
CN110634159A (zh) * 2018-06-21 2019-12-31 北京京东尚科信息技术有限公司 一种目标检测方法和装置
CN110798808A (zh) * 2018-08-02 2020-02-14 成都鼎桥通信技术有限公司 多播终端解调的定时方法和装置
CN109344825A (zh) * 2018-09-14 2019-02-15 广州麦仑信息科技有限公司 一种基于卷积神经网络的车牌识别方法
CN109472262A (zh) * 2018-09-25 2019-03-15 平安科技（深圳）有限公司 车牌识别方法、装置、计算机设备及存储介质
CN110956169A (zh) * 2018-09-27 2020-04-03 杭州海康威视数字技术股份有限公司 一种车牌识别方法、装置及电子设备
CN110020651A (zh) * 2019-04-19 2019-07-16 福州大学 基于深度学习网络的车牌检测定位方法
CN110598709A (zh) * 2019-08-12 2019-12-20 北京智芯原动科技有限公司 一种卷积神经网络训练方法以及车牌识别方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HENDRY 等: "Automatic License Plate Recognition via sliding-window darknet-YOLO deep learning" *
姜策;胡岸明;何为;: "基于卷积神经网络的车牌定位算法" *
陈强，吴锴柏，云涛: "基于深度学习的车牌识别系统开发研究" *

Similar Documents

Publication Publication Date Title
CN111640157B (zh) 一种基于神经网络的棋盘格角点检测方法及其应用
CN108009524B (zh) 一种基于全卷积网络的车道线检测方法
CN106845487B (zh) 一种端到端的车牌识别方法
Hager et al. Multiple kernel tracking with SSD
CN110400278B (zh) 一种图像颜色和几何畸变的全自动校正方法、装置及设备
US8209172B2 (en) Pattern identification method, apparatus, and program
CN111242954B (zh) 一种带有双向连接和遮挡处理的全景分割方法
CN110852233A (zh) 手部脱离方向盘的检测和训练方法、终端、装置、介质、系统
CN111461036B (zh) 一种利用背景建模增强数据的实时行人检测方法
US5774584A (en) Method and apparatus for identifying table areas in documents
CN111259710B (zh) 采用停车位框线、端点的停车位结构检测模型训练方法
CN110443245A (zh) 一种非限制场景下的车牌区域的定位方法、装置及设备
CN116091823A (zh) 一种基于快速分组残差模块的单特征无锚框目标检测方法
US11588955B2 (en) Apparatus, method, and computer program for image conversion
CN109523015B (zh) 一种神经网络中图像处理方法
CN113191281B (zh) 基于感兴趣区域及自适应半径的orb特征提取方法
CN112102379B (zh) 一种无人机多光谱影像配准方法
CN113591835A (zh) 车牌关键信息的检测方法和装置
CN111079744B (zh) 适用于复杂光照环境的车辆车牌智能识别方法及装置
CN114882492B (zh) 一种车牌识别方法、装置、终端及计算机可读存储介质
CN114612333B (zh) 一种基于显微镜图像的微囊藻类细胞统计方法
CN112950621B (zh) 图像处理方法、装置、设备及介质
CN116206101A (zh) 用于混合尺寸卸垛的算法
CN111881732B (zh) 一种基于svm的人脸质量评价方法
CN115410184A (zh) 一种基于深度神经网络的目标检测车牌识别方法

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