CN113642570A - 一种昏暗环境下矿车车牌识别的方法 - Google Patents

一种昏暗环境下矿车车牌识别的方法 Download PDF

Info

Publication number
CN113642570A
CN113642570A CN202110747585.3A CN202110747585A CN113642570A CN 113642570 A CN113642570 A CN 113642570A CN 202110747585 A CN202110747585 A CN 202110747585A CN 113642570 A CN113642570 A CN 113642570A
Authority
CN
China
Prior art keywords
license plate
image
mine car
characters
steps
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
CN202110747585.3A
Other languages
English (en)
Inventor
曲伟霞
侯成录
张汉阔
潘伟
郑飞
许芝光
徐婧
王秋玲
邓帅
冯瑞军
侯令超
李佳伦
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.)
Shandong Gold Mining Laizhou Co Ltd Sanshandao Gold Mine
Original Assignee
Shandong Gold Mining Laizhou Co Ltd Sanshandao Gold Mine
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 Shandong Gold Mining Laizhou Co Ltd Sanshandao Gold Mine filed Critical Shandong Gold Mining Laizhou Co Ltd Sanshandao Gold Mine
Priority to CN202110747585.3A priority Critical patent/CN113642570A/zh
Publication of CN113642570A publication Critical patent/CN113642570A/zh
Pending legal-status Critical Current

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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Character Input (AREA)
  • Image Analysis (AREA)
  • Character Discrimination (AREA)

Abstract

本发明公开了一种昏暗环境下矿车车牌识别的方法，包括以下步骤：第一步：图像采集；第二步：预处理；第三步：车牌定位；第四步：字符分割；第五步：字符识别；第六步：结果输出。本发明中通过预处理，解决了昏暗光线下的亮度过低、图像噪声过多的问题，并采用多种算法结合定位车牌的方式，避免了昏暗环境下车牌的错误定位，最终再结合多种分割、识别算法，解决了井下无法准确识别车牌的问题。

Description

一种昏暗环境下矿车车牌识别的方法
技术领域
本发明涉及一种车牌识别方法，尤其是一种井下昏暗环境下的识别矿车车牌的方法。
背景技术
传统的井下矿车的管理，主要依赖人工记录车牌，然后根据权限决定是否放行。这种方式管理效率低下，人力成本高昂，已经无法满足矿山对车辆运输量、车辆运输规模的管理要求。
随着人工智能视觉领域的发展，车牌的视觉方法逐步得到应用。然而，目前的车牌识别方法都是针对光线较好的条件下的识别，而井下溜井入料口灯光昏暗，且车牌常有灰等杂物的遮挡，采用现有的识别方式无法准确识别车辆尾部的车牌。
发明内容
本发明提出了一种昏暗环境下矿车车牌识别的方法，其目的是：在昏暗环境下完成车牌的识别。
本发明技术方案如下：
一种昏暗环境下矿车车牌识别的方法，包括步骤：
第一步、图像采集：
第二步：预处理，包括对采集到的图形进行逆光、过曝以及有噪声图像处理；
第三步：车牌定位；
第四步：字符分割；
第五步：字符识别；
第六步：结果输出。
作为本识别方法的进一步改进：第一步中，通过视频模式采集图像，并且在采集时利用RCNN模型检测车头或车尾，当检测到车头或车尾时，截取图像。
作为本识别方法的进一步改进：第二步中的具体步骤为，根据现场环境和第一步中获取的图像，进行自动曝光处理、自动白平衡处理、自动逆光处理和自动过曝处理，并对图像进行噪声过滤、对比度增强和图像缩放处理。
作为本识别方法的进一步改进：所述噪声过滤的方法为均值滤波、中值滤波或高斯滤波；所述对比度增强的方法为对比度线性拉伸、直方图均衡或使用同态滤波器；所述图像缩放处理的方法为最近邻插值法、双线性插值法或立方卷积插值法。
作为本识别方法的进一步改进：第三步中，分别采用投影分析法、连通域分析法和机器学习算法检测车牌在图像中的位置，如果三种方法均在当前图像中检测到车牌且三个获取到的车牌位置坐标相互间的差值都在预设的阈值之内，则判定当前图像中存在车牌，并将该车牌从图像中切割出来。
作为本识别方法的进一步改进：所述投影分析方法是根据车牌字符与背景交替出现的次数，通过图像在水平和垂直方向的投影分析来定位车牌；
所述连通域分析法是根据车牌中的每个字符都是一个连通域且这些连通域的结构和颜色都一致的特征，通过检测并合并这些连通域来定位车牌；
所述机器学习算法是先使用从很多个车牌样本中提取出来的特征把一个弱分类器训练成一个强分类器，再使用这个强分类器对图像进行扫描检测，从而定位到车牌。
作为本识别方法的进一步改进：第三步中，将车牌从图像中切割出来之后，还要对切割出来的车牌图像进行校正处理。
作为本识别方法的进一步改进：对车牌图像进行校正处理采用Hough变换法、旋转投影法、方差最小法、透视变换法或主成分分析法；
所述Hough变换法是通过检测车牌上下和左右边框直线来计算倾斜角度；
所述旋转投影法是通过按不同角度将图像在水平轴上进行垂直投影，将投影值为0的点数之和最大时的角度作为垂直倾斜角度；
所述方差最小法是根据字符在垂直方向投影点的坐标方差最小导出垂直倾斜角的闭合表达式，从而确定垂直倾斜角度；
所述透视变换法是利用检测到的车牌的四个顶点经过相关矩阵变换后实现车牌的畸变校正；
所述主成分分析法是根据车牌背景与字符交界处的颜色具有固定搭配这一特征，求出颜色对特征点的主成分方向，进而得到车牌的水平倾斜角度。
作为本识别方法的进一步改进：第四步中，所述字符分割的步骤为：基于车牌的二值化结果或边缘提取的结果，利用字符的结构特征、字符间的相似性以及字符间间隔信息，一方面把单个字符分别提取出来，提取时处理粘连和断裂字符，另一方面把宽、高相似的字符归为一类，从而去除车牌边框以及噪声。
作为本识别方法的进一步改进：第五步中，字符识别的算法采用模板匹配法、人工神经网络法、支持向量机法或者是Adaboost分类法。
相对于现有技术，本发明具有以下有益效果：
（1）本方法通过优化预处理，根据对现场环境和已经拍摄到的图像的分析，进行相机的自动曝光处理、自动白平衡处理、自动逆光处理、自动过曝处理等，并对图像进行噪声过滤、对比度增强、图像缩放等处理，为车牌在昏暗环境下的准确识别奠定了基础。
（2）本发明采用投影分析法、连通域分析法和机器学习算法三重不同的算法检测车牌在图像中的位置，只有当三种方法均在当前图像中检测到车牌且三个获取到的车牌位置坐标相互间的差值都在预设的阈值之内，才判定当前图像中存在车牌，并基于得到的坐标将该车牌从图像中切割出来，这种方式可以避免由于前面预处理过程中对图像产生了较大的影响，导致对车牌的错误定位。
（3）字符识别算法可选范围大，搭配灵活，其中模板匹配法可以达到识别速度快、方法简单的效果，人工神经网络法具有学习能力强、适应性强、分类能力强等优点，支持向量机法对于未见过的测试样本具有更好的识别能力且需要较少的训练样本，而Adaboost分类法能侧重于比较重要的训练数据，识别速度快、实时性较高。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图详细说明本发明的技术方案：
如图1，一种昏暗环境下矿车车牌识别的方法，步骤如下：
第一步、图像采集。在矿车通过的关卡处安装相机，通过视频模式采集图像，并且在采集时利用预先训练好的RCNN模型检测车头或车尾，当检测到车头或车尾时，截取图像等待进一步处理。
第二步：预处理。由于图像质量容易受光照、天气、相机位置等因素的影响，所以在识别车牌之前需要先对相机和图像做一些预处理，以保证得到车牌最清晰的图像。
本步骤包括对采集到的图形进行逆光、过曝以及有噪声图像处理，为车牌在昏暗环境下的准确识别奠定基础。具体的，根据现场环境和第一步中获取的图像，进行自动曝光处理、自动白平衡处理、自动逆光处理和自动过曝处理，并对图像进行噪声过滤、对比度增强和图像缩放处理。
所述噪声过滤的方法为均值滤波、中值滤波或高斯滤波；所述对比度增强的方法为对比度线性拉伸、直方图均衡或使用同态滤波器；所述图像缩放处理的方法为最近邻插值法、双线性插值法或立方卷积插值法。
第三步：车牌定位。
本步骤中，依据纹理特征、颜色特征和形状特征信息，分别采用投影分析法、连通域分析法和机器学习算法检测车牌在图像中的位置，如果三种方法均在当前图像中检测到车牌且三个获取到的车牌位置坐标相互间的差值都在预设的阈值之内，则判定当前图像中存在车牌，并将该车牌从图像中切割出来。
这种方式可以避免由于前面预处理过程中对图像产生了较大的影响，导致对车牌的错误定位。
具体的：
所述投影分析方法是根据车牌字符与背景交替出现的次数，通过图像在水平和垂直方向的投影分析来定位车牌；
所述连通域分析法是根据车牌中的每个字符都是一个连通域且这些连通域的结构和颜色都一致的特征，通过检测并合并这些连通域来定位车牌；
所述机器学习算法是先使用从很多个车牌样本中提取出来的特征把一个弱分类器训练成一个强分类器，再使用这个强分类器对图像进行扫描检测，从而定位到车牌。
进一步的，由于受拍摄角度、镜头等因素的影响，图像中的车牌存在水平倾斜、垂直倾斜或梯形畸变等变形，这给后续的识别处理带来了困难。在定位到车牌后先进行车牌校正处理，这样做有利于去除车牌边框等噪声，更有利于字符识别。因此，将车牌从图像中切割出来之后，再对切割出来的车牌图像进行校正处理。
对车牌图像进行校正处理采用Hough变换法、旋转投影法、方差最小法、透视变换法或主成分分析法：
所述Hough变换法是通过检测车牌上下和左右边框直线来计算倾斜角度；
所述旋转投影法是通过按不同角度将图像在水平轴上进行垂直投影，将投影值为0的点数之和最大时的角度作为垂直倾斜角度；
所述方差最小法是根据字符在垂直方向投影点的坐标方差最小导出垂直倾斜角的闭合表达式，从而确定垂直倾斜角度；
所述透视变换法是利用检测到的车牌的四个顶点经过相关矩阵变换后实现车牌的畸变校正；
所述主成分分析法是根据车牌背景与字符交界处的颜色具有固定搭配这一特征，求出颜色对特征点的主成分方向，进而得到车牌的水平倾斜角度。
第四步：字符分割。定位出车牌区域后，由于并不知道车牌中总共有几个字符、字符间的位置关系、每个字符的宽高等信息，所以，为了保证车牌类型匹配和字符识别正确，字符分割是必不可少的一步。
具体步骤为：基于车牌的二值化结果或边缘提取的结果，利用字符的结构特征、字符间的相似性以及字符间间隔信息，一方面把单个字符分别提取出来，提取时处理粘连和断裂字符，另一方面把宽、高相似的字符归为一类，从而去除车牌边框以及噪声。
所述字符分割具体可采用连通域分析法、投影分析法、字符聚类或者模板匹配法。
第五步：字符识别，本步骤采用模板匹配法、人工神经网络法、支持向量机法或者是Adaboost分类法。
其中，模板匹配法的优点是识别速度快、方法简单，缺点是对断裂、污损等情况的处理有一些困难；人工神经网络法学习能力强、适应性强、分类能力强但比较耗时；支持向量机法对于未见过的测试样本具有更好的识别能力且需要较少的训练样本；Adaboost分类法能侧重于比较重要的训练数据，识别速度快、实时性较高。我国车牌由汉字、英文字母和阿拉伯数字3种字符组成，且具有统一的样式，这也是识别过程的方便之处。但由于车牌很容易受外在环境的影响，出现模糊、断裂、污损字符的情况，如何提高这类字符和易混淆字符的识别率，也是字符识别的难点之一。易混淆字符包括：0与D、0与Q、2与Z、8与B、5与S、6与G、4与A等。
第六步：结果输出。
进一步的，由于现场复杂的图像背景，且要考虑不清晰车牌的定位，所以很容易把栅栏、广告牌等噪声当成车牌。为了提高定位的准确率和提高识别速度，车牌识别系统设计了外部接口，让用户自己根据现场环境设置不同的识别区域。

Claims (10)

1.一种昏暗环境下矿车车牌识别的方法，包括步骤：第一步、图像采集，其特征在于还包括以下步骤：
第二步：预处理，包括对采集到的图形进行逆光、过曝以及有噪声图像处理；
第三步：车牌定位；
第四步：字符分割；
第五步：字符识别；
第六步：结果输出。
2.如权利要求1所述的昏暗环境下矿车车牌识别的方法，其特征在于：第一步中，通过视频模式采集图像，并且在采集时利用RCNN模型检测车头或车尾，当检测到车头或车尾时，截取图像。
3.如权利要求1所述的昏暗环境下矿车车牌识别的方法，其特征在于：第二步中的具体步骤为，根据现场环境和第一步中获取的图像，进行自动曝光处理、自动白平衡处理、自动逆光处理和自动过曝处理，并对图像进行噪声过滤、对比度增强和图像缩放处理。
4.如权利要求3所述的昏暗环境下矿车车牌识别的方法，其特征在于：所述噪声过滤的方法为均值滤波、中值滤波或高斯滤波；所述对比度增强的方法为对比度线性拉伸、直方图均衡或使用同态滤波器；所述图像缩放处理的方法为最近邻插值法、双线性插值法或立方卷积插值法。
5.如权利要求1所述的昏暗环境下矿车车牌识别的方法，其特征在于：第三步中，分别采用投影分析法、连通域分析法和机器学习算法检测车牌在图像中的位置，如果三种方法均在当前图像中检测到车牌且三个获取到的车牌位置坐标相互间的差值都在预设的阈值之内，则判定当前图像中存在车牌，并将该车牌从图像中切割出来。
6.如权利要求5所述的昏暗环境下矿车车牌识别的方法，其特征在于：
所述投影分析方法是根据车牌字符与背景交替出现的次数，通过图像在水平和垂直方向的投影分析来定位车牌；
所述连通域分析法是根据车牌中的每个字符都是一个连通域且这些连通域的结构和颜色都一致的特征，通过检测并合并这些连通域来定位车牌；
所述机器学习算法是先使用从很多个车牌样本中提取出来的特征把一个弱分类器训练成一个强分类器，再使用这个强分类器对图像进行扫描检测，从而定位到车牌。
7.如权利要求5所述的昏暗环境下矿车车牌识别的方法，其特征在于：第三步中，将车牌从图像中切割出来之后，还要对切割出来的车牌图像进行校正处理。
8.如权利要求7所述的昏暗环境下矿车车牌识别的方法，其特征在于：对车牌图像进行校正处理采用Hough变换法、旋转投影法、方差最小法、透视变换法或主成分分析法；
所述Hough变换法是通过检测车牌上下和左右边框直线来计算倾斜角度；
所述旋转投影法是通过按不同角度将图像在水平轴上进行垂直投影，将投影值为0的点数之和最大时的角度作为垂直倾斜角度；
所述方差最小法是根据字符在垂直方向投影点的坐标方差最小导出垂直倾斜角的闭合表达式，从而确定垂直倾斜角度；
所述透视变换法是利用检测到的车牌的四个顶点经过相关矩阵变换后实现车牌的畸变校正；
所述主成分分析法是根据车牌背景与字符交界处的颜色具有固定搭配这一特征，求出颜色对特征点的主成分方向，进而得到车牌的水平倾斜角度。
9.如权利要求1所述的昏暗环境下矿车车牌识别的方法，其特征在于：第四步中，所述字符分割的步骤为：基于车牌的二值化结果或边缘提取的结果，利用字符的结构特征、字符间的相似性以及字符间间隔信息，一方面把单个字符分别提取出来，提取时处理粘连和断裂字符，另一方面把宽、高相似的字符归为一类，从而去除车牌边框以及噪声。
10.如权利要求1至9任一所述的昏暗环境下矿车车牌识别的方法，其特征在于：第五步中，字符识别的算法采用模板匹配法、人工神经网络法、支持向量机法或者是Adaboost分类法。
CN202110747585.3A 2021-07-02 2021-07-02 一种昏暗环境下矿车车牌识别的方法 Pending CN113642570A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110747585.3A CN113642570A (zh) 2021-07-02 2021-07-02 一种昏暗环境下矿车车牌识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110747585.3A CN113642570A (zh) 2021-07-02 2021-07-02 一种昏暗环境下矿车车牌识别的方法

Publications (1)

Publication Number Publication Date
CN113642570A true CN113642570A (zh) 2021-11-12

Family

ID=78416443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110747585.3A Pending CN113642570A (zh) 2021-07-02 2021-07-02 一种昏暗环境下矿车车牌识别的方法

Country Status (1)

Country Link
CN (1) CN113642570A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114838711A (zh) * 2022-03-16 2022-08-02 东北大学秦皇岛分校 一种海冰综合监测系统及方法
CN116485678A (zh) * 2023-04-28 2023-07-25 深圳联安通达科技有限公司 基于嵌入式操作系统的图像处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130105952A (ko) * 2012-03-19 2013-09-27 한밭대학교 산학협력단 차량 번호판 인식 방법과 그 장치
CN108537099A (zh) * 2017-05-26 2018-09-14 华南理工大学 一种复杂背景的车牌识别方法
CN108985137A (zh) * 2017-06-02 2018-12-11 杭州海康威视数字技术股份有限公司 一种车牌识别方法、装置及系统
CN110021172A (zh) * 2019-05-06 2019-07-16 北京英泰智科技股份有限公司 一种车辆全要素特征采集方法和系统
CN110689003A (zh) * 2019-08-22 2020-01-14 长沙千视通智能科技有限公司 低照度成像车牌识别方法、系统、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130105952A (ko) * 2012-03-19 2013-09-27 한밭대학교 산학협력단 차량 번호판 인식 방법과 그 장치
CN108537099A (zh) * 2017-05-26 2018-09-14 华南理工大学 一种复杂背景的车牌识别方法
CN108985137A (zh) * 2017-06-02 2018-12-11 杭州海康威视数字技术股份有限公司 一种车牌识别方法、装置及系统
CN110021172A (zh) * 2019-05-06 2019-07-16 北京英泰智科技股份有限公司 一种车辆全要素特征采集方法和系统
CN110689003A (zh) * 2019-08-22 2020-01-14 长沙千视通智能科技有限公司 低照度成像车牌识别方法、系统、计算机设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李源波;宫清华;: "车牌识别系统的设计与实现", 科技创新导报, vol. 13, no. 25, pages 2 *
莫玲;: "图像处理技术在车牌识别中的研究", 轻工科技, no. 08 *
马晶;雷勇;涂国强;杨健熙;穆巍;: "基于DSP的图像处理在车牌识别中的应用", 微计算机信息, no. 29 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114838711A (zh) * 2022-03-16 2022-08-02 东北大学秦皇岛分校 一种海冰综合监测系统及方法
CN116485678A (zh) * 2023-04-28 2023-07-25 深圳联安通达科技有限公司 基于嵌入式操作系统的图像处理方法
CN116485678B (zh) * 2023-04-28 2024-02-09 深圳联安通达科技有限公司 基于嵌入式操作系统的图像处理方法

Similar Documents

Publication Publication Date Title
CN109785316B (zh) 一种芯片表观缺陷检测方法
CN109443480B (zh) 基于图像处理的水位标尺定位及水位测量方法
CN103258198B (zh) 一种表格文档图像中字符提取方法
WO2022205525A1 (zh) 基于双目视觉自主式水下机器人回收导引伪光源去除方法
CN110866903B (zh) 基于霍夫圆变换技术的乒乓球识别方法
CN109409355B (zh) 一种新型变压器铭牌识别的方法及装置
CN108694393A (zh) 一种基于深度卷积的证件图像文本区域提取方法
CN109993099A (zh) 一种基于机器视觉的车道线提取识别方法
CN108133216B (zh) 基于机器视觉的可实现小数点读取的数码管读数识别方法
CN108985170A (zh) 基于三帧差分法及深度学习的输电线路悬挂物识别方法
CN114299275A (zh) 一种基于霍夫变换的车牌倾斜校正方法
CN113642570A (zh) 一种昏暗环境下矿车车牌识别的方法
CN105809166A (zh) 车牌识别方法、装置及系统
CN109460722B (zh) 一种车牌智能识别方法
CN112861654B (zh) 一种基于机器视觉的名优茶采摘点位置信息获取方法
CN108146093A (zh) 一种去除票据印章的方法
CN110348461A (zh) 一种工件表面缺陷特征提取方法
CN110689003A (zh) 低照度成像车牌识别方法、系统、计算机设备及存储介质
CN106778736A (zh) 一种鲁棒的车牌识别方法及其系统
CN103699876B (zh) 一种基于线阵ccd图像识别车号的方法及装置
CN112348018A (zh) 基于巡检机器人的数显式仪表读数识别方法
CN114359538A (zh) 一种水表读数定位与识别方法
CN113139535A (zh) 一种ocr文档识别方法
CN111768455A (zh) 一种基于图像的木材区域和主色提取方法
CN117523521B (zh) 一种基于Haar特征和改进HOG特征的车辆检测方法

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