CN114937269A - 一种基于英文和汉字联合的船舶号牌识别方法及系统 - Google Patents
一种基于英文和汉字联合的船舶号牌识别方法及系统 Download PDFInfo
- Publication number
- CN114937269A CN114937269A CN202210480344.1A CN202210480344A CN114937269A CN 114937269 A CN114937269 A CN 114937269A CN 202210480344 A CN202210480344 A CN 202210480344A CN 114937269 A CN114937269 A CN 114937269A
- Authority
- CN
- China
- Prior art keywords
- english
- chinese character
- ship
- plate
- number plate
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种基于英文和汉字联合的船舶号牌识别方法及系统,所述方法包括:步骤1)对采集的船舶号牌图片进行预处理;步骤2)对预处理后的图片进行特征检索得到包括号牌的二维检测框,并分割得到汉字检测框和英文检测框;步骤3)将汉字检测框和英文检测框分别输入预先建立和训练好的汉字识别模型和英文识别模型,分别得到汉字识别结果和英文识别结果;步骤4)基于预先建立的英文汉字映射船牌库,对汉字识别结果和英文识别结果进行联合判别,从而完成船舶号牌的识别。本发明显著提升了船舶号牌识别精度,提升了识别鲁棒性。
Description
技术领域
本发明涉及船舶识别技术领域,尤其涉及一种基于英文和汉字联合的船舶号牌识别方法及系统。
背景技术
在船舶识别领域中,船舶号牌的识别非常重要,是船舶的唯一身份标识。船舶一般有唯一ID,船舶领域内称为MMSI;同时有中文名称,方便在中国领海内航行;还有英文名称,方便在国际海域内航行。英文名称和中文名称一一对应,即同一条船有三个能保证身份的信息{ID(即MMSI),中文名称,英文名称},三个信息中的任何一个都能对应唯一的一艘船舶。
目前通用的船舶号牌的识别方法是:国内用OCR方法识别船舶名称中的汉字,国外则一般采用英文识别来识别英文。但单一的汉字或英文识别容易受到光线、距离、天气等环境因素的影响。研究现状为在受限的环境下,放弃做船舶号牌识别。
而汽车号牌虽然也有汉字和英文,但汉字和英文没有关系,不具备船舶的英文名称和中文名称的一一对应关系。
发明内容
本发明的目的在于克服现有技术缺陷,提出了一种基于英文和汉字联合的船舶号牌识别方法及系统。
为了实现上述目的,本发明提出了一种基于英文和汉字联合的船舶号牌识别方法,所述方法包括:
步骤1)对采集的船舶号牌图片进行预处理;
步骤2)对预处理后的图片进行特征检索得到包括号牌的二维检测框,并分割得到汉字检测框和英文检测框;
步骤3)将汉字检测框和英文检测框分别输入预先建立和训练好的汉字识别模型和英文识别模型,分别得到汉字识别结果和英文识别结果;
步骤4)基于预先建立的英文汉字映射船牌库,对汉字识别结果和英文识别结果进行联合判别,从而完成船舶号牌的识别。作为上述方法的一种改进,所述步骤1)之前还包括:从视频采集得到的关于船舶号牌的图像帧序列中选取第i帧图像。
作为上述方法的一种改进,所述步骤1)的预处理包括对图像帧进行图片剪裁和位置角度调整。
作为上述方法的一种改进,所述步骤3)的汉字识别模型的输入为汉字检测框,输出为识别得到的汉字,采用GoogleNet、VGG或ResNet结构网络。
作为上述方法的一种改进,所述步骤3)英文识别模型的输入为英文检测框,输出为识别得到的英文,采用GoogleNet、VGG或ResNet结构网络。
作为上述方法的一种改进,所述步骤4)的英文汉字映射船牌库具体包括:包括若干条映射记录,每条映射记录的格式为:{ID编号;汉字船牌;英文船牌},其中ID编号唯一。
作为上述方法的一种改进,所述步骤4)具体包括:
步骤4-0)设置查找标志为true;
步骤4-1)将汉字结果输入到英文汉字映射船牌库中进行查找,得到第一ID编号;
步骤4-2)将英文结果输入到英文汉字映射船牌库中进行查找,得到第二ID编号;
步骤4-3)判断第一ID编号与第二ID编号是否相同,判断为是,将第一ID编号赋值给ID编号,将汉字结果赋值给汉字船牌,将英文结果赋值给英文船牌,转至步骤4-7);判断为否,转至步骤4-4);
步骤4-4)读取第i帧图像在图像帧序列中的前后N帧的汉字结果和英文结果,重复执行步骤4-1)和步骤4-2)直至得到2N帧中每帧的第一ID编号和第二ID编号,结合第i帧的第一ID编号和第二ID编号,按照ID编号出现频次进行排序,将最高频次数记录为Top1_Frequency,对应的ID编号记为Top1_ID;
步骤4-5)若Top1_Frequency≥N,根据Top1_ID,查找英文汉字映射船牌库,得到对应的汉字船牌和英文船牌,将Top1_ID赋值给ID编号,并转至步骤4-7);
步骤4-6)若Top1_Frequency<N,判断图像帧序列未读完,则将N+1赋值给N,转至步骤4-4),否则,设置查找标志为false;
步骤4-7)当查找标志为flase,输出:库中无对应船牌;否则输出:{ID编号;汉字船牌;英文船牌}。
一种基于英文和汉字联合的船舶号牌识别系统,所述系统包括:预处理模块、检测分割模块、汉字识别模型、英文识别模型和联合判别模块;其中,
所述预处理模块,用于对采集的船舶号牌图片进行预处理;
所述检测分割模块,用于对预处理后的图片进行特征检索得到包括号牌的二维检测框,并分割得到汉字检测框和英文检测框;
所述识别模块,用于将汉字检测框和英文检测框分别输入预先建立和训练好的汉字识别模型和英文识别模型,分别得到汉字识别结果和英文识别结果;
所述联合判别模块,用于基于预先建立的英文汉字映射船牌库,对汉字识别结果和英文识别结果进行联合判别,从而完成船舶号牌的识别。
作为上述系统的一种改进,所述系统还包括:图像选取模块,用于从视频采集得到的关于船舶号牌的图像帧序列中选取第i帧图像。
与现有技术相比,本发明的优势在于:
本发明采用汉字和英文分别检测及识别的方法,采用了人工智能中的CNN卷积神经网络,建立船舶英文汉字映射库,根据汉字和英文的联合识别结果进行匹配,进而融合得到最终的船舶号牌识别结果,本发明在船舶名称英文或汉字部分被遮挡、截断、模糊时显著提升了船舶号牌识别精度,提升船舶号牌识别能力的鲁棒性。
附图说明
图1是本发明的基于英文和汉字联合的船舶号牌识别方法流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例1
如图1所示,本发明的实施例1提出了一种基于英文和汉字联合的船舶号牌识别方法,具体步骤如下:
步骤S1:将视频中的每帧图像输入到检测特征提取器中,得到船舶牌照的位置;
步骤S2:将检测得到的区域,进行矫正
步骤S3:输入到号牌分割模块,切分成汉字和英文部分
步骤S4:将汉字船牌输入到深度卷积神经网络中提取信息,并进行识别。卷积神经网络是目前图像识别、视频分析中常用的一种网络,由若干个卷积单元组成,每个卷积单元提取不同的特征。对于一张图像,先将其输入到基础卷积神经网络中,该卷积神经网络的参数用已经训练好的基础模型初始化,如:GoogleNet,VGG,ResNet等。
步骤S5:将英文船牌输入到深度卷积神经网络中提取信息,并进行识别。卷积神经网络是目前图像识别、视频分析中常用的一种网络,由若干个卷积单元组成,每个卷积单元提取不同的特征。对于一张图像,先将其输入到基础卷积神经网络中,该卷积神经网络的参数用已经训练好的基础模型初始化,如:GoogleNet,VGG,ResNet等。
步骤S5:汉字英文联合判别模块,包括建库和判别两部分。
建立英文汉字映射船牌库,格式为:{ID编号;汉字船牌;英文船牌},例如:{ID:001;汉字船牌:XXX...;英文船牌:ABC...},英文汉字映射船牌库是联合判别模块的基础,需提前建立。
逻辑判别模块在步骤包括:将汉字和英文结果分别输入到英文汉字映射船牌库中进行查找。具体包括:
步骤4-1)将汉字结果输入到英文汉字映射船牌库中进行查找,得到第一ID编号;
步骤4-2)将英文结果输入到英文汉字映射船牌库中进行查找,得到第二ID编号;
步骤4-3)判断第一ID编号与第二ID编号是否相同,判断为是,转至步骤4-4);判断为否,读取第i帧图像在图像帧序列中的前后N帧的汉字结果和英文结果,重复执行步骤4-1)和步骤4-2)直至得到2N帧中每帧的第一ID编号和第二ID编号,结合第i帧的第一ID编号和第二ID编号,按照ID编号按出现频次进行排序,记录最高频次数为Top1_Frequency,选取出现频次最多的ID编号,记为Top1_ID,得到对应的{ID编号;汉字船牌;英文船牌};
步骤4-4)判断Top1_Frequency≥N,输出{ID编号;汉字船牌;英文船牌}
步骤4-5)若Top1_Frequency<N,则向前向后分别拓展一帧继续查找映射船牌,进而得到2(N+1)+1个结果,类似步骤4-3)按频次排序,记录最高频次数为Top1_Frequency+1
步骤4-6)若Top1_Frequency+1≥N+1,则输出对应的{ID编号;汉字船牌;英文船牌};
步骤4-7)若Top1_Frequency+1<N+1,则继续向前向后分别拓展一帧继续查找映射船牌,进而得到2(N+2)+1个结果,类似步骤4-3)按频次排序,记录最高频次数为Top1_Frequency+2
步骤4-8)若Top1_Frequency+2≥N+2,则输出对应的{ID编号;汉字船牌;英文船牌};
步骤4-9)若Top1_Frequency+1<N+2,则继续向前向后分别拓展递归查找映射船牌,以此类推,进而得到2(N+M)+1个结果,类似步骤4-3)按频次排序,记录最高频次数为Top1_Frequency+M
步骤4-10)若Top1_Frequency+M≥N+M,则输出对应的{ID编号;汉字船牌;英文船牌};
步骤4-11)若Top1_Frequency+M<N+M,且全部视频已经遍历完,则输出:库中无对应船牌。
实施例2
本发明的实施例2提出了一种基于英文和汉字联合的船舶号牌识别系统,基于实施例1的方法实现,所述系统包括:图像选取模块、预处理模块、检测分割模块、汉字识别模型、英文识别模型和联合判别模块;其中,
图像选取模块,用于从视频采集得到的关于船舶号牌的图像帧序列中选取第i帧图像。
所述预处理模块,用于对采集的船舶号牌图片进行预处理;
所述检测分割模块,用于对预处理后的图片进行特征检索得到包括号牌的二维检测框,并分割得到汉字检测框和英文检测框;
所述识别模块,用于将汉字检测框和英文检测框分别输入预先建立和训练好的汉字识别模型和英文识别模型,分别得到汉字识别结果和英文识别结果;
所述联合判别模块,用于基于预先建立的英文汉字映射船牌库,对汉字识别结果和英文识别结果进行联合判别,从而完成船舶号牌的识别。
本发明的方法在船舶名称英文或汉字部分被遮挡、截断、模糊时,识别效果显著提升,在自建船舶测试集合上进行测试,本方法accuary提升13.7%。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于英文和汉字联合的船舶号牌识别方法,所述方法包括:
步骤1)对采集的船舶号牌图片进行预处理;
步骤2)对预处理后的图片进行特征检索得到包括号牌的二维检测框,并分割得到汉字检测框和英文检测框;
步骤3)将汉字检测框和英文检测框分别输入预先建立和训练好的汉字识别模型和英文识别模型,分别得到汉字识别结果和英文识别结果;
步骤4)基于预先建立的英文汉字映射船牌库,对汉字识别结果和英文识别结果进行联合判别,从而完成船舶号牌的识别。
2.根据权利要求1所述的基于英文和汉字联合的船舶号牌识别方法,其特征在于,所述步骤1)之前还包括:从视频采集得到的关于船舶号牌的图像帧序列中选取第i帧图像。
3.根据权利要求2所述的基于英文和汉字联合的船舶号牌识别方法,其特征在于,所述步骤1)的预处理包括对图像帧进行图片剪裁和位置角度调整。
4.根据权利要求1所述的基于英文和汉字联合的船舶号牌识别方法,其特征在于,所述步骤3)的汉字识别模型的输入为汉字检测框,输出为识别得到的汉字,采用GoogleNet、VGG或ResNet结构网络。
5.根据权利要求1所述的基于英文和汉字联合的船舶号牌识别方法,其特征在于,所述步骤3)英文识别模型的输入为英文检测框,输出为识别得到的英文,采用GoogleNet、VGG或ResNet结构网络。
6.根据权利要求1所述的基于英文和汉字联合的船舶号牌识别方法,其特征在于,所述步骤4)的英文汉字映射船牌库具体包括:包括若干条映射记录,每条映射记录的格式为:{ID编号;汉字船牌;英文船牌},其中ID编号唯一。
7.根据权利要求2所述的基于英文和汉字联合的船舶号牌识别方法,其特征在于,所述步骤4)具体包括:
步骤4-0)设置查找标志为true;
步骤4-1)将汉字结果输入到英文汉字映射船牌库中进行查找,得到第一ID编号;
步骤4-2)将英文结果输入到英文汉字映射船牌库中进行查找,得到第二ID编号;
步骤4-3)判断第一ID编号与第二ID编号是否相同,判断为是,将第一ID编号赋值给ID编号,将汉字结果赋值给汉字船牌,将英文结果赋值给英文船牌,转至步骤4-7);判断为否,转至步骤4-4);
步骤4-4)读取第i帧图像在图像帧序列中的前后N帧的汉字结果和英文结果,重复执行步骤4-1)和步骤4-2)直至得到2N帧中每帧的第一ID编号和第二ID编号,结合第i帧的第一ID编号和第二ID编号,按照ID编号出现频次进行排序,将最高频次数记录为Top1_Frequency,对应的ID编号记为Top1_ID;
步骤4-5)若Top1_Frequency≥N,根据Top1_ID,查找英文汉字映射船牌库,得到对应的汉字船牌和英文船牌,将Top1_ID赋值给ID编号,并转至步骤4-7);
步骤4-6)若Top1_Frequency<N,判断图像帧序列未读完,则将N+1赋值给N,转至步骤4-4),否则,设置查找标志为false;
步骤4-7)当查找标志为flase,输出:库中无对应船牌;否则输出:{ID编号;汉字船牌;英文船牌}。
8.一种基于英文和汉字联合的船舶号牌识别系统,其特征在于,所述系统包括:预处理模块、检测分割模块、汉字识别模型、英文识别模型和联合判别模块;其中,
所述预处理模块,用于对采集的船舶号牌图片进行预处理;
所述检测分割模块,用于对预处理后的图片进行特征检索得到包括号牌的二维检测框,并分割得到汉字检测框和英文检测框;
所述识别模块,用于将汉字检测框和英文检测框分别输入预先建立和训练好的汉字识别模型和英文识别模型,分别得到汉字识别结果和英文识别结果;
所述联合判别模块,用于基于预先建立的英文汉字映射船牌库,对汉字识别结果和英文识别结果进行联合判别,从而完成船舶号牌的识别。
9.根据权利要求8所述的基于英文和汉字联合的船舶号牌识别系统,其特征在于,所述系统还包括:图像选取模块,用于从视频采集得到的关于船舶号牌的图像帧序列中选取第i帧图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210480344.1A CN114937269B (zh) | 2022-05-05 | 2022-05-05 | 一种基于英文和汉字联合的船舶号牌识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210480344.1A CN114937269B (zh) | 2022-05-05 | 2022-05-05 | 一种基于英文和汉字联合的船舶号牌识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114937269A true CN114937269A (zh) | 2022-08-23 |
CN114937269B CN114937269B (zh) | 2023-01-24 |
Family
ID=82864653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210480344.1A Active CN114937269B (zh) | 2022-05-05 | 2022-05-05 | 一种基于英文和汉字联合的船舶号牌识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114937269B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592466A (zh) * | 2024-01-17 | 2024-02-23 | 亿海蓝(北京)数据技术股份公司 | 字典库的更新方法及装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1573662A (zh) * | 2003-06-13 | 2005-02-02 | 柳春荣 | 汉字输入输出方法及装置 |
CN102346847A (zh) * | 2011-09-26 | 2012-02-08 | 青岛海信网络科技股份有限公司 | 一种支持向量机的车牌字符识别方法 |
US20150213333A1 (en) * | 2014-01-28 | 2015-07-30 | Samsung Electronics Co., Ltd. | Method and device for realizing chinese character input based on uncertainty information |
CN108874956A (zh) * | 2018-06-05 | 2018-11-23 | 中国平安人寿保险股份有限公司 | 海量文件检索方法、装置、计算机设备及存储介质 |
CN109086765A (zh) * | 2018-08-01 | 2018-12-25 | 北京嘀嘀无限科技发展有限公司 | 车牌识别方法、装置、介质、服务器和行车记录仪 |
CN109657676A (zh) * | 2018-12-06 | 2019-04-19 | 河池学院 | 基于卷积神经网络的车牌识别方法及系统 |
CN110245613A (zh) * | 2019-06-17 | 2019-09-17 | 珠海华园信息技术有限公司 | 基于深度学习特征对比的船牌识别方法 |
US20200034647A1 (en) * | 2018-07-27 | 2020-01-30 | JENOPTIK Traffic Solutions UK Ltd | Method and apparatus for recognizing a license plate of a vehicle |
CN111709417A (zh) * | 2020-05-28 | 2020-09-25 | 西安理工大学 | 一种矿车车牌识别方法 |
-
2022
- 2022-05-05 CN CN202210480344.1A patent/CN114937269B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1573662A (zh) * | 2003-06-13 | 2005-02-02 | 柳春荣 | 汉字输入输出方法及装置 |
CN102346847A (zh) * | 2011-09-26 | 2012-02-08 | 青岛海信网络科技股份有限公司 | 一种支持向量机的车牌字符识别方法 |
US20150213333A1 (en) * | 2014-01-28 | 2015-07-30 | Samsung Electronics Co., Ltd. | Method and device for realizing chinese character input based on uncertainty information |
CN108874956A (zh) * | 2018-06-05 | 2018-11-23 | 中国平安人寿保险股份有限公司 | 海量文件检索方法、装置、计算机设备及存储介质 |
US20200034647A1 (en) * | 2018-07-27 | 2020-01-30 | JENOPTIK Traffic Solutions UK Ltd | Method and apparatus for recognizing a license plate of a vehicle |
CN109086765A (zh) * | 2018-08-01 | 2018-12-25 | 北京嘀嘀无限科技发展有限公司 | 车牌识别方法、装置、介质、服务器和行车记录仪 |
CN109657676A (zh) * | 2018-12-06 | 2019-04-19 | 河池学院 | 基于卷积神经网络的车牌识别方法及系统 |
CN110245613A (zh) * | 2019-06-17 | 2019-09-17 | 珠海华园信息技术有限公司 | 基于深度学习特征对比的船牌识别方法 |
CN111709417A (zh) * | 2020-05-28 | 2020-09-25 | 西安理工大学 | 一种矿车车牌识别方法 |
Non-Patent Citations (6)
Title |
---|
SILVA S M等: "License plate detection and recognition in unconstrained scenarios", 《PROCEEDINGS OF THE EUROPEAN CONFERENCE ON COMPUTER VISION (ECCV)》 * |
刘华春: "卷积神经网络在车牌识别中的应用研究", 《计算机技术与发展》 * |
张兴会等: "基于自组织特征映射网络的车牌照汉字识别", 《仪器仪表学报》 * |
张戎秋: "基于卷积神经网络的车牌识别技术研究", 《滁州学院学报》 * |
楚天鸿等: "基于MATLAB平台下的车牌识别系统设计", 《科技与创新》 * |
陆小川等: "含噪文本图像的中英文文种识别研究", 《计算机工程与设计》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592466A (zh) * | 2024-01-17 | 2024-02-23 | 亿海蓝(北京)数据技术股份公司 | 字典库的更新方法及装置、电子设备及存储介质 |
CN117592466B (zh) * | 2024-01-17 | 2024-04-19 | 亿海蓝(北京)数据技术股份公司 | 字典库的更新方法及装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114937269B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shahab et al. | ICDAR 2011 robust reading competition challenge 2: Reading text in scene images | |
CN110705405B (zh) | 目标标注的方法及装置 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN109918987B (zh) | 一种视频字幕关键词识别方法及装置 | |
US4817171A (en) | Pattern recognition system | |
Yang et al. | Lecture video indexing and analysis using video ocr technology | |
CN111860348A (zh) | 基于深度学习的弱监督电力图纸ocr识别方法 | |
CN101520783B (zh) | 基于图像内容的关键词搜索方法和装置 | |
Sidhwa et al. | Text extraction from bills and invoices | |
CN115994230A (zh) | 一种融合人工智能和知识图谱技术的智慧档案构建方法 | |
CN113963147B (zh) | 一种基于语义分割的关键信息提取方法及系统 | |
CN114937269B (zh) | 一种基于英文和汉字联合的船舶号牌识别方法及系统 | |
CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
CN115775246A (zh) | 一种pcb元器件缺陷检测的方法 | |
CN111626145A (zh) | 一种简捷有效的残缺表格识别及跨页拼接方法 | |
CN114882204A (zh) | 船名自动识别方法 | |
CN114445843A (zh) | 固定版式的卡证图像文字识别方法和装置 | |
Karanje et al. | Survey on text detection, segmentation and recognition from a natural scene images | |
Mi et al. | A novel video text extraction approach based on multiple frames | |
Sambyal et al. | Automatic text extraction and character segmentation using maximally stable extremal regions | |
CN116363655A (zh) | 一种财务票据识别方法及系统 | |
Jain et al. | Number plate detection using drone surveillance | |
CN115565193A (zh) | 问卷信息录入方法、装置、电子设备及存储介质 | |
CN111680691B (zh) | 文字检测方法、装置、电子设备和计算机可读存储介质 | |
Mita et al. | Improvement of video text recognition by character selection |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |