CN114639092A - 图像识别方法、装置、设备和存储介质 - Google Patents
图像识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114639092A CN114639092A CN202210243412.2A CN202210243412A CN114639092A CN 114639092 A CN114639092 A CN 114639092A CN 202210243412 A CN202210243412 A CN 202210243412A CN 114639092 A CN114639092 A CN 114639092A
- Authority
- CN
- China
- Prior art keywords
- license plate
- character
- image
- recognition model
- target
- 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
- 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
-
- 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
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Character Discrimination (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种图像识别方法、装置、设备和存储介质。该方法包括获取待识别图像,其中,待识别图像包括车牌字符;将待识别图像输入第一字符识别模型和第二字符识别模型,通过第一字符识别模型输出车牌字符中的第一目标车牌字符,并通过第二字符识别模型输出车牌字符中的第二目标车牌字符;根据第一目标车牌字符和第二目标车牌字符,确定待识别图像的车牌识别结果。根据本申请实施例提供的图像识别方法,能够有效识别不同样式的车牌,提高识别车牌的准确率。
Description
技术领域
本申请涉及图像识别技术领域,尤其涉及一种图像识别方法、装置、设备和存储介质。
背景技术
随着越来越多的车辆出现在人们的日常生活中,无论是机动车辆还是机动车辆逐步被安装车牌,车牌中的车牌字符作为车辆的标识,是区别不同车辆之间的一项重要信息。
由于车辆的类型越来越多,对应不同类型的车辆有不同样式的车牌。其中,不同样式的车牌中所包括的车牌字符的字符分布方式常常存在区别,当车牌字符的字符分布方式发生变化,就对准确的识别车牌字符带来了难度,因此,如何对不同字符分布方式的车牌字符进行准确识别,是亟需解决的技术问题。
发明内容
本申请实施例提供一种图像识别方法、装置、设备和存储介质,能够有效识别不同字符分布方式的车牌字符,提高识别车牌字符的准确率。
根据本申请实施例的第一方面,提供一种图像识别方法,包括:
获取待识别图像,其中,待识别图像包括车牌字符;
将待识别图像输入第一字符识别模型和第二字符识别模型,通过第一字符识别模型输出车牌字符中的第一目标车牌字符,并通过第二字符识别模型输出车牌字符中的第二目标车牌字符;
根据第一目标车牌字符和第二目标车牌字符,确定待识别图像的车牌识别结果。
根据本申请实施例的第二方面,提供一种图像识别方法,包括:
获取待识别图像,其中,待识别图像包括至少两行车牌字符;
将待识别图像输入第一字符识别模型和第二字符识别模型,分别得到第一字符识别模型输出的第一目标行对应的第一目标车牌字符和第二字符识别模型输出的第二目标行对应的第二目标车牌字符;
根据第一目标车牌字符和第二目标车牌字符,确定待识别图像的车牌识别结果。
根据本申请实施例的第三方面,提供一种图像识别装置,包括:
获取模块,用于获取待识别图像,其中,待识别图像包括车牌字符;
处理模块,用于将待识别图像输入第一字符识别模型和第二字符识别模型,通过第一字符识别模型输出车牌字符中的第一目标车牌字符,并通过第二字符识别模型输出车牌字符中的第二目标车牌字符;
确定模块,用于根据第一目标车牌字符和第二目标车牌字符,确定待识别图像的车牌识别结果。
根据本申请实施例的第四方面,提供一种图像识别装置,包括:
获取模块,用于获取待识别图像,其中,待识别图像包括至少两行车牌字符;
处理模块,用于将待识别图像输入第一字符识别模型和第二字符识别模型,分别得到第一字符识别模型输出的第一目标行对应的第一目标车牌字符和第二字符识别模型输出的第二目标行对应的第二目标车牌字符;
确定模块,用于根据第一目标车牌字符和第二目标车牌字符,确定待识别图像的车牌识别结果。
根据本申请实施例的第五方面,提供一种计算机设备,包括:存储器和处理器;
存储器,用于存储有计算机程序;
处理器,用于执行存储器中存储的计算机程序,计算机程序运行时使得处理器执行如第一方面所示的图像识别方法的步骤,或执行如第二方面所示的图像识别方法的步骤。
根据本申请实施例的第六方面,提供一种计算机可读存储介质,计算机可读存储介质上存储程序或指令,在程序或指令被计算机设备执行的情况下,使得计算机设备执行如第一方面所示的图像识别方法的步骤,或者执行如第二方面所示的图像识别方法的步骤。
根据本申请实施例的第七方面,提供一种计算机程序产品,包括计算机程序,在计算机程序被计算机设备执行的情况下,使得计算机设备执行如第一方面所示的图像识别方法的步骤,或者执行如第二方面所示的图像识别方法的步骤。
根据本申请实施例中的图像识别方法、装置、设备和存储介质,在获取到包括车牌字符的待识别图像后,基于第一字符识别模型和第二字符识别模型,可以分别得到第一字符识别模型输出的车牌字符中的第一目标车牌字符,并通过第二字符识别模型输出的车牌字符中的第二目标车牌字符,接下来,从第一目标车牌字符和第二目标车牌字符中,确定待识别图像的车牌识别结果,由于通过两个不同的字符识别模型对车牌图像进行识别,能够得到两个识别重点不同的第一目标车牌字符和第二目标车牌字符,由此,分别从第一目标车牌字符和第二目标车牌字符获取有效的车牌字符确定车牌识别结果,使得第一目标车牌字符和第二目标车牌字符之间的识别字符可以相互补充,从而可以有效的提高对车牌图像中车牌字符识别的准确率。
附图说明
从下面结合附图对本申请的具体实施方式的描述中可以更好地理解本申请其中,相同或相似的附图标记表示相同或相似的特征。
图1是示出根据一个实施例的一种图像识别架构的示意图;
图2是示出根据一个实施例的一种图像识别方法的流程图示意图;
图3是示出根据一个实施例的另一种图像识别方法的流程示意图;
图4是示出根据一个实施例的一种车牌示意图;
图5是示出根据一个实施例的一种图像识别的应用场景的示意图;
图6是示出根据一个实施例的一种图像识别装置的结构示意图;
图7是示出根据一个实施例的另一种图像识别装置的结构示意图;
图8是示出根据一个实施例的计算机设备的硬件结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本申请,并不被配置为限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
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……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
随着越来越多的车辆出现在人们的日常生活中,车牌中的车牌字符作为车辆的标识,是区别不同车辆之间的一项重要信息。然而,随着车辆的类型越来越多,对应不同类型的有不同样式的车牌。车辆的类型例如可以包括:大型货车、摩托车、电动自行车等等。
由于车辆的类型越来越多,对应不同类型的有不同样式的车牌。其中,不同样式的车牌中所包括的车牌字符的字符分布方式常常存在区别,当车牌字符的字符分布方式发生变化,就对准确的识别车牌字符带来了难度,因此,如何对不同字符分布方式的车牌字符进行准确识别,是亟需解决的技术问题。
例如,随着出行的汽车保有量的不断增长,停车场供需矛盾日渐加剧。而相比传统封闭停车场的建设,路内泊位智能化的规划设计,可以让城市有效解决路边乱停车的乱象,又能大量解决泊位的需求缺口。然而,在一些路段中常常有大型客车、大型货车等车辆,还有些道路中常常有摩托车、电动自行车等车辆,不同于小型汽车所安装的单行车牌字符,这些车辆的车牌字符往往至少排布有两行车牌字符,因此,在识别大型客车、大型货车等车辆的车牌字符时,存在识别准确率较低的问题。又例如,在一些道路中,电动自行车的乱停乱放的问题也极为严重,而电动自行车的车牌中大多数包括多行车牌字符,因此,有效的识别电动自行车车牌,有利于合理规划电动自行车的停车区域。再例如,目前,对于存在多行字符车牌对应的车辆,若出现违法或者违规行为时,若无法及时有效的识别车牌字符,则难以及时对违法或者违规车辆进行查处。如此可以看出,越来越多的场景需要对车牌进行准确的识别,提高多行车牌字符的识别准确率,以及识别效率成为急需解决的技术问题。
基于此,本申请实施例提供了一种图像识别方法,在获取到包括车牌字符的待识别图像后,基于第一字符识别模型和第二字符识别模型,可以分别得到第一字符识别模型输出的车牌字符中的第一目标车牌字符,并通过第二字符识别模型输出的车牌字符中的第二目标车牌字符,由于通过两个不同的字符识别模型对车牌图像进行识别,能够得到两个识别重点不同的第一目标车牌字符和第二目标车牌字符,由此,分别从第一目标车牌字符和第二目标车牌字符获取有效的车牌字符确定车牌识别结果,使得第一目标车牌字符和第二目标车牌字符之间的识别字符可以相互补充,,可以有效的提高对车牌识别的准确率。
基于此,下面结合附图1所示的本申请实施例提供的图像识别的架构,对本申请实施例提供的图像识别方法进行详细地说明。
在一种或者多种可能的实施例中,如图1所示,本申请实施例提出的图像识别架构可以包括用户端10和服务端20。示例性地,用户端10可以为带有图像采集器等设备,该设备中可以包括摄像头、设备传感器等图像采集硬件,用以提供拍摄或者录制视频(或者图像)功能;或者,该设备可以连接外接图像采集硬件如USB摄像头,以实现拍摄或者录制视频(或者图像)功能。在一个示例中,用户端10可以为带有图像采集器等设备可以拍摄车牌,从而得到包括车牌的图像。
服务端20可以为具有图像处理功能的实体计算机设备,也可以为具有图像处理功能的云平台如公有云平台、私有云平台、混合云平台。服务端20可以接收用户端10传输的视频(或者图像),并为用户端10提供本申请实施例中的图像处理服务,以提高对车牌图像中车牌字符识别的准确率。
下面基于上述架构,对本申请实施例提供的图像识别方法进行详细说明。
用户端10实时采集图像,该图像为包括车牌的图像,用户端10向服务端20发送带有车牌的图像。
服务端20基于从用户端10接收到的带有车牌的图像,接着,服务端20将待识别图像输入第一字符识别模型和第二字符识别模型,通过第一字符识别模型输出车牌字符中的第一目标车牌字符,并通过第二字符识别模型输出车牌字符中的第二目标车牌字符,接下来,服务端20可以根据第一目标车牌字符和第二目标车牌字符,确定待识别图像的车牌识别结果,车牌识别结果例如包括车牌图像中所有的车牌字符。
根据本申请实施例,对于带有车牌的图像,服务端20通过分别根据第一字符识别模型输出的车牌字符中的第一目标车牌字符,并通过第二字符识别模型输出的车牌字符中的第二目标车牌字符,由于通过两个不同的字符识别模型对车牌图像进行识别,能够得到两个识别重点不同的第一目标车牌字符和第二目标车牌字符,由此,分别从第一目标车牌字符和第二目标车牌字符获取有效的车牌字符确定车牌识别结果,使得第一目标车牌字符和第二目标车牌字符之间的识别字符可以相互补充,因此,可以有效的提高对车牌图像中车牌字符识别的准确率。
需要说明的是,例如,在交通安全系统场景,将服务端20识别得到的车牌字符发送的到交通管理部门,以便交通管理部门追踪车辆;又例如,在停车规划系统场景,将服务端20识别得到的车牌字符发送的到车辆规划部门,以便于车辆规划部门及时规划交通路线,避免发生道路拥堵。
在另一种或者多种可能的实施例中,继续参考图1所述的图像识别架构,本申请实施例提出的图像识别架构可以仅包括服务端20。此时,服务端20可以为用户端如手机、服务器可以提供数据处理的云平台等。服务端20可以执行本申请实施例提供的图像识别方法,在服务端20获取到包括车牌字符的图像数据后,可以对图像数据快速识别处理,并输出图像数据中车牌字符的识别结果。可选地,服务端20可以包括具有拍摄功能的拍摄装置,从而可以获取由内置拍摄装置拍摄得到的图像数据;服务端20也可以与外接拍摄装置连接,接收外置拍摄装置获取的图像数据。在本申请实施例不对服务端20作出具体限定。
需要说明的是,本申请实施例提供的图像识别方法可以应用于交通安全系统、停车规划系统等需要识别车牌内容的场景,在此仅对场景举例说明,不对场景的范围作具体限定。
图2是示出根据一个实施例的一种图像识别方法的流程图示意图。如图2所示,图像识别方法具体可以包括步骤210至步骤230。
步骤210,获取待识别图像,其中,待识别图像包括车牌字符;步骤220,将待识别图像输入第一字符识别模型和第二字符识别模型,通过第一字符识别模型输出车牌字符中的第一目标车牌字符,并通过第二字符识别模型输出车牌字符中的第二目标车牌字符;步骤230,根据第一目标车牌字符和第二目标车牌字符,确定待识别图像的车牌识别结果。
下面对上述步骤进行详细说明,具体如下所示。
涉及步骤210,在待识别图像中包括车牌字符。在一些实例中,不同样式的车牌中包括的字符有不同的排布方式,例如,包括一行字符车牌,例如,小型汽车车牌;包括至少两行字符车牌,例如,大型汽车车牌、挂车车牌、摩托车车牌、自行车车牌、农用车车牌等等,在此不对车牌做具体限定。
在一些实施例中,为了提高字符识别的准确率,作为一个具体的示例,对采集的车牌图像进行预处理,例如可以参考以下步骤:首先,获取实时采集的车牌图像;接下来,根据预设卷积神经网络对车牌图像进行特征增强处理,得到待识别图像。
其中,可以由摄像头等具有拍摄功能的装置采集得到包括车牌的车牌图像。对车牌图像进行特征增强处理,例如,可以对车牌中字符所在的区域进行色彩增强处理,以增加车牌字符所在的区域与车牌中其他部分的区域别,从而有利于提高字符识别的准确率。
示例性的,采集的车牌图像可以为拍摄装置实时采集得到的图像,可选地,通过预设卷积神经网络对采集图像进行特征增强处理,其中,预设的卷积神经网络(Convolutional Neural Network,CNN),可以包括一个或者多个卷积层和全连通层,还可以包括关联权重和池化层(PoolingLayer)。其中,卷积层、池化层、关联权重以及池化层的具体地数量值,可以根据图像特征增强处理的实际需求进行设置或者训练,可选地,训练后的预设卷积神经网络的特征提取维度例如可以是128*8*32,在此不做具体限制。
在一些实施例中,预设卷积神经网络还可以基于深度残差网络(Deep ResidualNetwork,ResNet)进行设置,从而可以提高网络训练速度,以及增加本申请实施例提供的图像识别方法的适应性。
如此一来,通过预设卷积神经网络对采集的车牌图像进行特征增强,能够使采集的车牌图像中车牌字符对应的特征信息与其余部分的图像信息的区别更加明显,有利于提高生成车牌识别结果的识别效率。
在一些实施例中,对采集的车牌图像进行预处理的过程,还可以包括以下步骤:
对车牌图像进行预设采样,得到预采样后的车牌图像,其中,预采样后的车牌图像的像素大小为目标像素;根据预设卷积神经网络对预采样后的车牌图像进行特征增强处理,得到待识别图像。
示例性的,由摄像头采集得到拍摄好的车牌图像后,接下来,可以将采集图像下采样到预设大小,从而得到预采样后的采集图像,其中,预采样后的采集图像的像素大小为目标像素。例如,将采集图像下采集到64*128像素。接下来,通过预设卷积神经网络对预采样后的采集的车牌图像进行特征增强处理,得到待识别图像。
由此,通过将采集到的图像预处理到预设大小,可以减少多余的图像数据,减少数据处理量,更便于在轻量化的设备中执行本申请实施例中提供的图像识别方法,例如,便于在物联网设备上实现高效数据处理,实现有效的图像识别。
对于步骤220,在得到待识别图像后,获取第一目标车牌字符和第二目标车牌字符,具体地可以是根据第一字符识别模型,确定待识别图像中车牌字符的第一识别结果;从而可以从第一识别结果中获取第一目标车牌字符;并根据第二字符识别模型,确定待识别图像中车牌字符的第二识别结果;从而可以从第二识别结果中获取第二目标车牌字符。
在一些实施例中,第一目标车牌字符可以包括地区字符和发牌方字符中的至少一种;第二目标车牌字符可以包括数字字符或者字母字符中的至少一种。
在本申请实施例中,在获取到包括车牌字符的待识别图像后,基于第一字符识别模型和第二字符识别模型,可以分别得到第一字符识别模型输出的车牌字符中的第一目标车牌字符,并通过第二字符识别模型输出的车牌字符中的第二目标车牌字符,接下来,从第一目标车牌字符和第二目标车牌字符中,确定待识别图像的车牌识别结果,由于通过两个不同的字符识别模型对车牌图像进行识别,能够得到两个识别重点不同的第一目标车牌字符和第二目标车牌字符,由此,分别从第一目标车牌字符和第二目标车牌字符获取有效的车牌字符确定车牌识别结果,使得第一目标车牌字符和第二目标车牌字符之间的识别字符可以相互补充,因此,可以有效的提高对车牌图像中车牌字符识别的准确率。
基于相同的发明构思,本申请实施例中基于上述可能车牌中的字符可能会分布在不同的行,例如,车牌字符可以以两行或者两行以上的方式进行排布,又例如,车牌中的字符还可以以列的方式进行排布,在此不对车牌字符的排布方式进行具体限定。需要说明的是,无论车牌字符行或者列的方式进行排布,均在本申请实施例发明构思之内。
基于此,根据上述图像识别架构以及应用场景,下面根据本申请实施例提供的基于车牌中包括多行车牌字符的图像识别方法进行详细说明。图3是示出根据一个实施例的另一种图像识别方法的流程图。如图3所示,图像识别方法具体可以包括:
步骤310,获取待识别图像,其中,待识别图像包括至少两行车牌字符。
在一些实施例中,车牌图像中包括车牌。可选地,可以由摄像头等拍摄装置实时采集得到包括车牌的车牌图像。采集的车牌图像可以直接输入至第一字符识别模型和第二字符识别模型中,以得到车牌对应的车牌识别结果。可选地,也在将采集的图像输入第一字符识别模型和第二字符识别模型之前,可以对采集图像进行预处理,以便于提高字符识别的准确率。
在一些实施例中,在将待识别图像输入车牌识别模型之前,还可以判断待识别图像中车牌的车牌类别;当待识别图像的车牌类别对应的车牌图像包括至少两行车牌字符时,将待识别图像输入车牌识别模型包括的第一字符识别模型和第二字符识别模型,以得到第一目标车牌字符和第二目标车牌字符。
示例性的,车牌类别例如可以根据单行车牌字符对应的车牌号、双行车牌字符对应的车牌号,还可以是三行及以上车牌字符对应的车牌号。
基于此,步骤320,将待识别图像输入第一字符识别模型和第二字符识别模型,分别得到第一字符识别模型输出的第一目标行对应的第一目标车牌字符和第二字符识别模型输出的第二目标行对应的第二目标车牌字符。
具体地,根据第一字符识别模型,确定待识别图像中至少两行车牌字符的第一识别结果,从而可以获取第一识别结果中第一目标行对应的第一目标车牌字符;同时,根据第二字符识别模型,确定待识别图像中至少两行车牌字符的第二识别结果;从而可以获取第二识别结果中第二目标行对应的第二目标车牌字符。
在一些实施例中,第一字符识别模型和第二字符识别模型可以为一个车牌识别模型的两个分支,为了提高车牌识别结果的获取速度,例如,当待识别图像的车牌类别对应的车牌图像包括至少两行车牌字符时,将待识别图像输入车牌识别模型包括的第一字符识别模型和第二字符识别模型,从而可以得到至少两行车牌字符的第一识别结果和第二识别结果。其中,第一字符识别模型例如可以包括基于自注意力机制与位置编码的预设网络,使得训练后的第一字符识别模型可以学习到车牌图像中二维特征到序列的映射关系,从而能够对应每行包括的字符,依次进行识别,从而得到字符识别结果,即,第一识别结果。作为一个具体的示例,第一字符识别模型可以是基于Transformer模型构建的识别的预设网络。
第二字符识别模型例如可以包括能够基于单行字符进行识别的预设网络,例如,可以基于时序分类算法(Connectionist Temporal Classification,CTC)进行搭建。在第二字符识别模型训练结束后,基于第二识别模型可以快速识别得到图像中单行字符对应的识别结果。根据待识别图像,确定待识别图像的车牌类别对应的车牌图像为单行车牌字符时,可以仅根据第二字符识别模型,获取车牌识别结果。
作为一个具体地实例,第一目标车牌字符包括地区字符和发牌方字符中的至少一种;第二目标车牌字符包括数字字符或者字母字符中的至少一种。
示例性的,图4是本申请实施例提供的一种车牌示意图,结合图4所示,车牌中包括两行字符“**”和“F1234”,当待识别图像的车牌类别对应的车牌图像包括至少两行车牌字符时,基于车牌识别模型包括的第一字符识别模型和第二字符识别模型,分别可以得到两个识别结果,从第一识别结果中,可以提取“**”,从第二识别结果中可以提取“F1234”。通过有针对性的设定识别对象,可以有效提高车牌识别模型的识别速度。
由此,对待识别图像,可以根据车牌识别模型包括的第一字符识别模型和第二字符识别模型进行识别,从而可以得到两个识别结果,例如,第一目标行可以作为第一字符识别模型的识别重点,第二目标行和作为第二字符识别模型的识别重点,由于两个识别结果中的字符可以相互补充,因此,可以有效的提高对车牌图像中多行车牌字符识别的准确率。
而当车牌类型对应的车牌图像包括单行字符时,可以选择第一字符识别模型和第二字符识别模型中的任一个识别模型获取车牌识别结果;也可以由两个识别模型分别进行识别,可以根据识别速度,将识别速度更快的识别模型生成的识别结果作为待识别图像的车牌识别结果,在此不做具体限定。
基于此,在步骤330中,可以根据第一目标车牌字符和第二目标车牌字符,确定待识别图像的车牌识别结果。
示例性的,在至少两行车牌字符中,可以将第一目标行和第二目标行可以预先设置。继续结合图4所示,可以将上方字符作为第一目标行,以及将下方字符作为第二目标行。可选地,当车牌中包括三行或者三行及以上的车牌字符时,可以根据行与行之间的位置关系,预先设定第一目标行和第二目标行;还可以根据每行包括的字符的数量,预先设定第一目标行和第二目标行,在此不做具体限制。
在一些实施例中,第二字符识别模型可以包括能够基于单行字符进行识别的预设网络,其中,基于第二字符识别模型可以快速、准确的识别至少两行车牌字符中的其中一行车牌字符,相应的,在本申请实施例,可以从第二字符识别模型的第二识别结果获取第二目标行对应的车牌字符;而对于第一目标行对应的车牌字符,可以从第一字符识别模型的第一识别结果获取。
根据本申请实施例,若第二字符识别模型的字符识别速度优于第一字符识别模型的字符识别速度,则在采集图像中包括至少两个行车牌字符的情况下,为了弥补第二字符识别模型对第一目标行识别准确率不高的问题,因此,可以从第一字符识别结果,提取第一目标行所在位置对应的第一目标车牌字符,与第二识别结果第二目标行所在位置对应的第二目标车牌字符进行组合,从而得到车牌识别结果。
可选地,由于车牌号对应的字符数量通常为固定数量,因此,可以设定第二字符识别模型可以从左到右依次识别,并输出识别结果,由此,可以根据第二识别结果字符的次序关系,确定与第二识别结果第二目标行所在位置对应的第二目标车牌字符。继续结合图4所示,第一目标行可以为省份和发牌方对应字符的所在行,第二目标行可以为剩余数字或者英文内容。
根据本申请实施例,由于车牌识别模型中包括第一字符识别模型和第二字符识别模型,通过充分发挥每个字符识别模型的识别优势,得到两个识别结果,尤其针对两行及以上的车牌字符,两个识别结果可以相互补充,从而可以提高获取车牌识别结果的效率,及获取车牌识别结果的速度。同时,由于使用两个字符识别模型分别对车牌图像进行识别,因此,针对两个字符识别模型中的任一模型均无需设计复杂的运算,使得基于本申请实施例提供的图像识别方法对应的图像识别架构,更便于在轻量化的设备上部署并使用。
基于此,涉及步骤310之前,本申请实施例中的图像识别的数据处理方法还可以包括:
首先,获取预设训练集,预设训练集包括多张车牌图像,以及每张车牌图像对应的字符标识;接下来,可以根据预设训练集,对预先构建的车牌识别模型进行训练,直至满足预设训练条件,得到训练后的第一字符识别模型和训练后的第二字符识别模型,其中,预先构建的车牌识模型包括预先构建的第一字符识别模型和预先构建的第二字符识别模型。
具体地,为了提高车牌识别模型的学习能力,可以在预设训练集中添加多张车牌图像,以及每张车牌图像对应的字符标识。在获取到预设训练集后,依据预设训练集可以分别对预先构建的第一字符识别模型和预先构建的第二字符识别模型分别进行训练,从而得到训练后的车牌识别模型。
可选地,可以分别设定每个字符识别模型参与模型训练的训练权重,如此一来,可以设定第一字符识别模型和第二字符识别模型的训练顺序,以便于提高车牌识别模型的训练速度。
基于此,通过构建包括两个字符识别模型的车牌识别模型,可以在构建过程中,使每个字符识别模型分别能够充分发挥各自的识别能力,无需对重新设定复杂的模型计算过程,简化模型内部的运算逻辑,一方面有利于提高训练速度,另一方面由于使训练后的车牌识别模型在轻量化的设备上大规模部署和实施。
在一些实施例中,上述获取到训练后的车牌识别模型步骤中,具体可以包括以下步骤:
首先,预设置预先构建的第二字符识别模型的损失值为第一目标损失值;接下来,预设置预先构建的第二字符识别模型的损失值为第一目标损失值;之后,调整初始车牌识别模型中的第二字符识别模型的损失值为第二目标损失值;最后根据预设训练集,对调整后的初始车牌识别模型进行训练,得到训练后的第一字符识别模型和训练后的第二字符识别模型。
具体地,可以通过设定每个字符识别模型对应的损失值,从而实现调整每个字符识别模型参与训练的训练权重。当预先构建的第二字符识别模型的损失值为第一目标损失值时,可以实现优先对第一字符识别模型进行训练,直到预先构建的第一字符识别模型完成训练,得到初始车牌识别模型。
可选地,判断第一字符识别模型是否训练后的预设训练条件,可以是第一字符识别模型的识别率达到目标识别率,具体例如,目标识别率可以为80%。判断第一字符识别模型是否完成训练的预设训练条件,还可以是对第一字符识别模型的训练次数达到预设的目标次数等,在此不对预设训练条件做具体限定。
在第一字符识别模型训练结束后,可以得到初始车牌识别模型,接下来,可以将初始车牌识别模型中的第二字符识别模型的损失值调整为第二目标损失值,接下来,继续对调整后的初始车牌识别模型训练的过程中,第二字符识别模型能够参与训练,直到获得训练后的车牌识别模型。
在本申请实施例中,通过调整字符识别模型的损失值,可以实现控制字符识别模型的训练顺序,以及训练时机,尤其,在第一字符识别模型训练结束后,再控制第二字符识别模型参与模型训练,从而可以提高车牌识别模型的训练速度。
综上,根据本申请实施例提供的图像识别方法,对包括车牌图像的待识别图像,通过获取车牌图像的图像特征信息,可以便于使用车牌识别模型进行识别,由于车牌图像包括至少两行车牌字符,且车牌识别模型包括更加轻量化的第一字符识别模型和第二字符识别模型,因此,可以得到待识别图像的第一识别结果和第二识别结果,接下来,通过第一识别结果和第二识别结果,确定待识别图像的车牌识别结果,由于两个识别结果可以相互补充,因此,可以有效的提高对车牌识别的准确率。
为了更好的解释本申请提供的图像识别方法,下面以停车场管理系统的场景为例,进行说明结合图5对本申请实施例提供的图像识别方法详细说明。
如图5所示,摄像头可以采集到停车区域内的图像,当停车区域内包括停放大型车辆或者大型车辆的挂车时,摄像头采集到的图像中可以包括大型车辆车牌的图像特征信息,以及挂车的车牌的图像特征信息。其中,在摄像头内部可以包括与停车场管理平台连接的数据处理设备,通过数据处理设备直接接收摄像头实时采集的图像。
在大型车辆车牌或者挂车车牌可以包括两行车牌字符,以大型车辆车牌为例,数据处理设备首先可以获取大型车辆车牌图像的图像特征信息,从而可以得到包括图像特征信息的大型车辆车牌的待识别图像。接着,数据处理设备可以将待识别图像输入车牌识别模型包括的第一字符识别模型和第二字符识别模型,得到第一识别结果和第二识别结果,第一识别结果例如可以包括车牌字符“AA BBBBB”,第二识别结果可以包括车牌字符“AYBBBBB”,这样可以基于第一识别结果和第二识别结果,确定大型车辆车牌的车牌识别结果,例如,第一识别结果包括大型车辆车牌字符的第一行字符“AA”,第二识别结果包括大型车辆车牌字符的第二行字符“BBBBB”,相应的,结合第一识别结果中的第一行字符“AA”,第二识别结果中的第二行字符“BBBBB”,得到车牌识别结果“AA BBBBB”。
在本申请实施例中,由于车牌识别模型包括轻量化的第一字符识别模型和第二字符识别模型,因此,对于包括两行车牌字符的大型车辆的车牌图像,可以分别得到待识别图像的第一识别结果和第二识别结果,接下来,通过第一识别结果和第二识别结果,确定待识别图像的车牌识别结果,由于两个识别结果可以相互补充,因此,可以有效的提高对车牌图像中车牌字符识别的准确率。
基于相同的发明构思,本申请提供了与上述图像识别方法对应的图像识别装置。具体结合图6进行详细说明。图6是示出根据一个实施例的一种图像识别装置的结构示意图。
如图6所示,图像识别装置600具体可以包括:
获取模块610,用于获取待识别图像,其中,待识别图像包括车牌字符;
处理模块620,用于将待识别图像输入第一字符识别模型和第二字符识别模型,通过第一字符识别模型输出车牌字符中的第一目标车牌字符,并通过第二字符识别模型输出车牌字符中的第二目标车牌字符;
确定模块630,用于根据第一目标车牌字符和第二目标车牌字符,确定待识别图像的车牌识别结果。
在本申请实施例中,在获取到包括车牌字符的待识别图像后,基于第一字符识别模型和第二字符识别模型,可以分别得到第一字符识别模型输出的车牌字符中的第一目标车牌字符,以及通过第二字符识别模型输出的车牌字符中的第二目标车牌字符,接下来,通过第一目标车牌字符和第二目标车牌字符,确定待识别图像的车牌识别结果,由于第一目标车牌字符和第二目标车牌字符可以相互补充,因此,可以有效的提高对车牌图像中车牌字符识别的准确率。
在一个实施例中,处理模块620,还用于根据第一字符识别模型,确定待识别图像中车牌字符的第一识别结果;
获取模块610,还用于获取第一识别结果中的第一目标车牌字符;
处理模块620,还用于根据第二字符识别模型,确定待识别图像中车牌字符的第二识别结果;
获取模块610,还用于获取第二识别结果中的第二目标车牌字符。
由此,对待识别图像,可以根据车牌识别模型包括的第一字符识别模型和第二字符识别模型进行识别,从而可以得到两个识别结果,由于两个识别结果可以相互补充,因此,可以有效的提高对车牌图像中多行车牌字符识别的准确率。
在一个实施例中,第一目标车牌字符包括地区字符和发牌方字符中的至少一种;第二目标车牌字符包括数字字符或者字母字符中的至少一种。
如此,通过有针对性的设定识别对象,可以有效提高车牌识别模型的识别速度。
在一个实施例中,获取模块610,还用于获取实时采集的车牌图像;
处理模块620,还用于根据预设卷积神经网络对车牌图像进行特征增强处理,得到待识别图像。
如此一来,通过预设卷积神经网络对采集的车牌图像进行特征增强,能够使采集的车牌图像中车牌字符对应的特征信息与其余部分的图像信息的区别更加明显,有利于提高生成车牌识别结果的识别效率。
在一个实施例中,处理模块620,还用于对车牌图像进行预设采样,得到预采样后的车牌图像,其中,预采样后的车牌图像的像素大小为目标像素;
处理模块620,还用于根据预设卷积神经网络对预采样后的车牌图像进行特征增强处理,得到待识别图像。
由此,通过将采集到的图像预处理到预设大小,可以减少多余的图像数据,减少数据处理量,更便于在轻量化的设备中执行本申请实施例中提供的图像识别方法,例如,便于在物联网设备上实现高效数据处理,实现有效的图像识别。
在一个实施例中,获取模块610,还用于获取预设训练集,预设训练集包括多张车牌图像,以及每张车牌图像对应的字符标识;
处理模块620,还用于根据预设训练集,对预先构建的车牌识别模型进行训练,直至满足预设训练条件,得到训练后的第一字符识别模型和训练后的第二字符识别模型,其中,预先构建的车牌识模型包括预先构建的第一字符识别模型和预先构建的第二字符识别模型。
基于此,通过构建包括两个字符识别模型的车牌识别模型,可以在构建过程中,使每个字符识别模型分别能够充分发挥各自的识别能力,无需对重新设定复杂的模型计算过程,简化模型内部的运算逻辑,一方面有利于提高训练速度,另一方面由于使训练后的车牌识别模型在轻量化的设备上大规模部署和实施。
在一个实施例中,处理模块620,还用于预设置预先构建的第二字符识别模型的损失值为第一目标损失值;
处理模块620,还用于根据预设训练集,对预先构建的车牌识模型进行训练,得到训练后的初始车牌识别模型,其中,初始车牌识别模型包括训练后的第一字符识别模型;
处理模块620,还用于调整初始车牌识别模型中的第二字符识别模型的损失值为第二目标损失值;
处理模块620,还用于根据预设训练集,对调整后的初始车牌识别模型进行训练,得到训练后的第一字符识别模型和训练后的第二字符识别模型。
在本申请实施例中,通过调整字符识别模型的损失值,可以实现控制字符识别模型的训练顺序,以及训练时机,尤其,在第一字符识别模型训练结束后,再控制第二字符识别模型参与模型训练,从而可以提高车牌识别模型的训练速度。
基于相同的发明构思,本申请还提供了与上述图像识别方法对应的图像识别装置700。具体结合图7进行详细说明。图7是示出根据一个实施例的另一种图像识别装置的结构示意图。
获取模块710,用于获取待识别图像,其中,待识别图像包括至少两行车牌字符;
处理模块720,用于将待识别图像输入第一字符识别模型和第二字符识别模型,分别得到第一字符识别模型输出的第一目标行对应的第一目标车牌字符和第二字符识别模型输出的第二目标行对应的第二目标车牌字符;
确定模块730,用于根据第一目标车牌字符和第二目标车牌字符,确定待识别图像的车牌识别结果。
根据本申请实施例,在获取到包括至少两行车牌字符的待识别图像,由于车牌识别模型包括轻量化的第一字符识别模型和第二字符识别模型,因此,对于包括至少两行车牌字符的车牌图像,可以基于第一字符识别模型和第二字符识别模型,分别得到至少两行车牌字符中第一目标行对应的第一车牌字符和至少两行车牌字符中第二目标行对应的第二车牌字符,接下来,通过第一车牌字符和第二车牌字符,确定待识别图像的车牌识别结果,由于第一车牌字符和第二车牌字符可以相互补充,因此,可以有效的提高对车牌图像中车牌字符识别的准确率。
图8是示出根据一个实施例的计算机设备的硬件结构示意图。
如图8所示,计算机设备800包括输入设备801、输入接口802、处理器803、存储器804、输出接口805、以及输出设备806。
输入接口802、处理器803、存储器804、以及输出接口805通过总线810相互连接,输入设备801和输出设备806分别通过输入接口802和输出接口805与总线810连接,进而与计算机设备800的其他组件连接。具体地,输入设备801接收来自外部的输入信息,并通过输入接口802将输入信息传送到处理器803;处理器803基于存储器804中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器804中,然后通过输出接口805将输出信息传送到输出设备806;输出设备806将输出信息输出到计算机设备800的外部供用户使用。
在一个实施例中,图8所示的计算机设备800可以被实现为一种数据处理设备,该数据处理设备可以包括:存储器,被配置为存储程序;处理器,被配置为运行存储器中存储的程序,以执行上述实施例描述的图像识别方法。
在一个实施例中,该存储器还可以用于存储本申请实施例描述的图像识别方法中每个步骤的识别结果,以及第一字符识别模型、第二字符识别模型。作为示例,该计算结果至少包括:第一目标车牌字符、第二目标车牌字符、第一识别结果和第二识别结果,以及待识别图像的车牌识别结果。
根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机可读存储介质。例如,本申请的实施例包括一种计算机可读存储介质,其包括在计算机可读存储介质上存储程序或指令,在程序或指令被计算机设备执行的情况下,使得计算机设备执行上述方法的步骤。
根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以从网络上被下载和安装,和/或从可拆卸存储介质被安装。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令,当其在计算机上运行时,使得计算机执行上述各个实施例中描述的方法。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘)等。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使对应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (13)
1.一种图像识别方法,包括:
获取待识别图像,其中,所述待识别图像包括车牌字符;
将所述待识别图像输入第一字符识别模型和第二字符识别模型,通过所述第一字符识别模型输出所述车牌字符中的第一目标车牌字符,并通过第二字符识别模型输出所述车牌字符中的第二目标车牌字符;
根据所述第一目标车牌字符和所述第二目标车牌字符,确定所述待识别图像的车牌识别结果。
2.根据权利要求1所述的方法,其中,所述将所述待识别图像输入第一字符识别模型和第二字符识别模型,通过所述第一字符识别模型输出所述车牌字符中的第一目标车牌字符,并通过第二字符识别模型输出所述车牌字符中的第二目标车牌字符,包括:
根据所述第一字符识别模型,确定所述待识别图像中所述车牌字符的第一识别结果;
获取所述第一识别结果中的所述第一目标车牌字符;
根据所述第二字符识别模型,确定所述待识别图像中所述车牌字符的第二识别结果;
获取所述第二识别结果中的所述第二目标车牌字符。
3.根据权利要求1所述的方法,其中,所述第一目标车牌字符包括地区字符和发牌方字符中的至少一种;所述第二目标车牌字符包括数字字符或者字母字符中的至少一种。
4.根据权利要求1所述的方法,其中,所述获取待识别图像,包括:
获取实时采集的车牌图像;
根据预设卷积神经网络对所述车牌图像进行特征增强处理,得到所述待识别图像。
5.根据权利要求4所述的方法,其中,所述根据预设卷积神经网络对所述车牌图像进行特征增强处理,得到所述待识别图像,包括:
对所述车牌图像进行预设采样,得到预采样后的车牌图像,其中,所述预采样后的车牌图像的像素大小为目标像素;
根据预设卷积神经网络对所述预采样后的车牌图像进行特征增强处理,得到所述待识别图像。
6.根据权利要求1所述的方法,其中,在所述将所述待识别图像输入第一字符识别模型和第二字符识别模型,通过所述第一字符识别模型输出所述车牌字符中的第一目标车牌字符,并通过第二字符识别模型输出所述车牌字符中的第二目标车牌字符之前,所述方法还包括:
获取预设训练集,所述预设训练集包括多张车牌图像,以及每张车牌图像对应的字符标识;
根据所述预设训练集,对预先构建的车牌识别模型进行训练,直至满足预设训练条件,得到训练后的第一字符识别模型和训练后的第二字符识别模型,其中,所述预先构建的车牌识模型包括预先构建的第一字符识别模型和预先构建的第二字符识别模型。
7.根据权利要求6所述的方法,其中,所述根据所述预设训练集,对预先构建的车牌识别模型进行训练,直至满足预设训练条件,得到训练后的第一字符识别模型和训练后的第二字符识别模型,包括:
预设置所述预先构建的第二字符识别模型的损失值为第一目标损失值;
根据所述预设训练集,对所述预先构建的车牌识模型进行训练,得到训练后的初始车牌识别模型,其中,所述初始车牌识别模型包括训练后的第一字符识别模型;
调整所述初始车牌识别模型中的第二字符识别模型的损失值为第二目标损失值;
根据所述预设训练集,对调整后的初始车牌识别模型进行训练,得到所述训练后的第一字符识别模型和所述训练后的第二字符识别模型。
8.一种图像识别方法,包括:
获取待识别图像,其中,所述待识别图像包括至少两行车牌字符;
将所述待识别图像输入第一字符识别模型和第二字符识别模型,分别得到所述第一字符识别模型输出的第一目标行对应的第一目标车牌字符和所述第二字符识别模型输出的第二目标行对应的第二目标车牌字符;
根据所述第一目标车牌字符和所述第二目标车牌字符,确定所述待识别图像的车牌识别结果。
9.一种图像识别装置,包括:
获取模块,用于获取待识别图像,其中,所述待识别图像包括车牌字符;
处理模块,用于将所述待识别图像输入第一字符识别模型和第二字符识别模型,通过所述第一字符识别模型输出所述车牌字符中的第一目标车牌字符,并通过第二字符识别模型输出所述车牌字符中的第二目标车牌字符;
确定模块,用于根据所述第一目标车牌字符和所述第二目标车牌字符,确定所述待识别图像的车牌识别结果。
10.一种图像识别装置,包括:
获取模块,用于获取待识别图像,其中,所述待识别图像包括至少两行车牌字符;
处理模块,用于将所述待识别图像输入第一字符识别模型和第二字符识别模型,分别得到所述第一字符识别模型输出的第一目标行对应的第一目标车牌字符和所述第二字符识别模型输出的第二目标行对应的第二目标车牌字符;
确定模块,用于根据所述第一目标车牌字符和所述第二目标车牌字符,确定所述待识别图像的车牌识别结果。
11.一种计算机设备,包括:存储器和处理器,
所述存储器,用于存储有计算机程序;
所述处理器,用于执行所述存储器中存储的计算机程序,所述计算机程序运行时使得所述处理器执行权利要求1至7中任意一项所述的图像识别方法的步骤,或者权利要求8所述的图像识别方法的步骤。
12.一种计算机可读存储介质,所述计算机可读存储介质上存储程序或指令,在所述程序或指令被计算机设备执行的情况下,使得所述计算机设备执行权利要求1至7中任意一项所述的图像识别方法的步骤,或者权利要求8所述的图像识别方法的步骤。
13.一种计算机程序产品,包括计算机程序,在所述计算机程序被计算机设备执行的情况下,使得所述计算机设备执行权利要求1至7中任意一项所述的图像识别方法的步骤,或者权利要求8所述的图像识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210243412.2A CN114639092A (zh) | 2022-03-11 | 2022-03-11 | 图像识别方法、装置、设备和存储介质 |
PCT/CN2023/078960 WO2023169273A1 (zh) | 2022-03-11 | 2023-03-01 | 图像识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210243412.2A CN114639092A (zh) | 2022-03-11 | 2022-03-11 | 图像识别方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114639092A true CN114639092A (zh) | 2022-06-17 |
Family
ID=81948870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210243412.2A Pending CN114639092A (zh) | 2022-03-11 | 2022-03-11 | 图像识别方法、装置、设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114639092A (zh) |
WO (1) | WO2023169273A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661807A (zh) * | 2022-12-28 | 2023-01-31 | 成都西物信安智能系统有限公司 | 一种获取车牌信息的方法 |
WO2023169273A1 (zh) * | 2022-03-11 | 2023-09-14 | 阿里巴巴(中国)有限公司 | 图像识别方法、装置、设备和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073928B (zh) * | 2016-11-16 | 2021-04-02 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
CN112651417B (zh) * | 2019-10-12 | 2024-06-14 | 杭州海康威视数字技术股份有限公司 | 车牌识别方法、装置、设备及存储介质 |
CN113515983A (zh) * | 2020-06-19 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 模型训练方法、移动对象识别方法、装置及设备 |
CN113392839B (zh) * | 2021-05-18 | 2023-07-28 | 浙江大华技术股份有限公司 | 非机动车车牌识别方法、装置、计算机设备和存储介质 |
CN114639092A (zh) * | 2022-03-11 | 2022-06-17 | 阿里巴巴(中国)有限公司 | 图像识别方法、装置、设备和存储介质 |
-
2022
- 2022-03-11 CN CN202210243412.2A patent/CN114639092A/zh active Pending
-
2023
- 2023-03-01 WO PCT/CN2023/078960 patent/WO2023169273A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023169273A1 (zh) * | 2022-03-11 | 2023-09-14 | 阿里巴巴(中国)有限公司 | 图像识别方法、装置、设备和存储介质 |
CN115661807A (zh) * | 2022-12-28 | 2023-01-31 | 成都西物信安智能系统有限公司 | 一种获取车牌信息的方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023169273A1 (zh) | 2023-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388888B (zh) | 一种车辆识别方法、装置和存储介质 | |
JP7402239B2 (ja) | 顔認識方法、ニューラルネットワークのトレーニング方法、顔認識装置、電子機器及びコンピュータ可読記憶媒体 | |
CN108596277B (zh) | 一种车辆身份识别方法、装置和存储介质 | |
CN114639092A (zh) | 图像识别方法、装置、设备和存储介质 | |
CN106776814B (zh) | 基于图像识别的移车系统和方法 | |
CN111062396B (zh) | 车牌号码识别方法、装置、电子设备及存储介质 | |
US10949687B2 (en) | Method and apparatus for outputting information | |
CN110047319B (zh) | 停车场车位导航方法、电子装置及存储介质 | |
CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
CN111291812B (zh) | 属性类别的获取方法及装置、存储介质、电子装置 | |
CN109389827A (zh) | 基于行车记录仪的举证方法、装置、设备和存储介质 | |
CN111444798A (zh) | 电动自行车驾驶行为的识别方法、装置和计算机设备 | |
CN111523489A (zh) | 年龄分类网络的生成方法、车载人员检测方法、装置 | |
CN112434566A (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN112597995B (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
CN113160272B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN113486885A (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
CN113723273A (zh) | 一种车辆轨迹信息确定方法、装置及计算机设备 | |
CN112699741A (zh) | 一种公交车内部拥挤度计算方法、系统及设备 | |
CN111368728A (zh) | 安全监测方法、装置、计算机设备和存储介质 | |
CN116740412A (zh) | 一种基于多尺度信息融合的小目标检测方法 | |
CN115512315A (zh) | 一种非机动车儿童搭乘检测方法、电子设备及存储介质 | |
CN113158852B (zh) | 一种基于人脸与非机动车协同识别的交通卡口监控系统 | |
CN112270232A (zh) | 对车辆周围的弱势交通参与者进行分类的方法和装置 | |
US20240054795A1 (en) | Automatic Vehicle Verification |
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 |