CN115019296A - 一种基于级联的车牌检测识别方法和装置 - Google Patents
一种基于级联的车牌检测识别方法和装置 Download PDFInfo
- Publication number
- CN115019296A CN115019296A CN202210930782.3A CN202210930782A CN115019296A CN 115019296 A CN115019296 A CN 115019296A CN 202210930782 A CN202210930782 A CN 202210930782A CN 115019296 A CN115019296 A CN 115019296A
- Authority
- CN
- China
- Prior art keywords
- license plate
- detection
- image
- cascade
- plate detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06V20/625—License plates
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉领域,尤其涉及一种基于级联的车牌检测识别方法和装置,该方法包括:步骤一,通过摄像头获取视频图像,使用车牌检测模型,输出每张图像中检测到的车牌矩形边界框和包络框的位置;步骤二,基于步骤一车牌检测的结果,采用仿射变换以得到车牌的正面视角图;步骤三,将所述车牌的正面视角图输入到基于深度卷积神经网络的二分类器中,判断车牌是否为真正的车牌,是则保留,否则移除;步骤四:将步骤三去除假样例后的车牌,通过车牌识别技术实现车牌号码识别,获取检测图像中的所有车牌位置及号码。本发明实现方法简单,可移植性强,能够实现不限于移动摄像头拍摄的公路上、停车场、小区出入口等场所中车牌的精准识别。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种基于级联的车牌检测识别方法和装置。
背景技术
一些与交通相关的应用,如车辆违停、高速路收费和停车场出入,都涉及到车辆识别,车牌作为汽车的标志具有唯一性,获取了车牌号码,车辆的所有信息(如车种、 车主等)便一目了然,自动车牌识别方法是城市交通治理的关键技术。
近些年来,利用数字图像处理和深度学习等相关技术开发出来的自动车牌识别系统,取得了很大进步,已在高速路收费站,小区出入口,停车场出入口等地方广泛投入使用,但大多数自动车牌识别系统都是采集车辆和车牌的正面视图,且每次只对一辆车的车牌进行识别,场景单一,效率低下。对于更宽松的图像采集场景,如摄像头监控范围内限定区域违停,采集的图像可能存在着倾斜视图,多辆车辆及光照变化等极具挑战性的问题,这使得现有的车牌检测识别方法难以取得较高的准确率。此外,现有的自动车牌识别系统方案为了提高检测准确率,都是先检测车辆,再在检测出的车辆范围内进行车牌检测,串行使用了两个检测系统,效率低下。
发明内容
为了解决现有技术中存在的上述技术问题,本发明提出了一种基于级联的车牌检测识别方法和装置,其具体技术方案如下:
一种基于级联的车牌检测识别方法,包括以下步骤:
步骤一,通过摄像头获取视频图像,使用基于深度卷积神经网络的车牌检测模型,输出每张图像中检测到的车牌矩形边界框和包络框的位置;
步骤二,基于步骤一车牌检测的结果,采用仿射变换以得到车牌的正面视角图;
步骤三,将所述车牌的正面视角图输入到基于深度卷积神经网络的二分类器中,判断车牌是否为真正的车牌,是则保留,否则移除;
步骤四:将步骤三去除假样例后的车牌,通过车牌识别技术实现车牌号码识别,获取检测图像中的所有车牌位置及号码。
进一步的,所述步骤一中的车牌检测模型为YOLOv5深度卷积神经网络,使用CCPD数据集进行预训练,采用车牌四个角点和边界框联合的方式对摄像头获取的图像进行车牌检测,得到输出车牌矩形边界框和四个角点的坐标,所述角点连接形成包络框。
进一步的,所述步骤二,具体包括以下子步骤:
步骤2.1,采用OpenCV的getPerspectiveTransform函数根据源图像和目标图像上的四对点坐标来计算从源图像透视变换到目标图像的透视变换矩阵M;
M = getPerspectiveTransform(points1, points2)
其中,源图像points1为检测到的车牌四个角点的坐标;设定车牌的尺寸固定,则目标图像points2为([0,0],[94,0],[0,24],[94,24]);
步骤2.2,采用OpenCV的warpPerspective函数对步骤一检测到的车牌矩形边界框内的图像进行透视变换得到正面视角的图像,所述透视变换操作的表达式为:
Output = warpPerspective(img_box, M, (94, 24))
其中img_box为步骤一检测到的车牌矩形边界框内的图像,M为getPerspectiveTransform函数得到的透视变换矩阵。
进一步的,所述步骤三,具体包括以下子步骤:
步骤3.1,构建二分类器的训练数据集;
步骤3.2,采用训练数据集对二分类器进行分批次训练,直至收敛;
步骤3.3,利用训练好的二分类器,判断出真实车牌并保留。
进一步的,所述步骤3.1,具体为:在训练阶段,使用车牌检测模型,对车牌检测模型的检测目标置信度设置为低值,将检测结果经过步骤二进行视图矫正后,人工对得到的检测结果进行分类,得到假样例数据集,假样例数据集为非车牌类别的图片组成,再联合真实车牌图像的数据集组成训练数据集。
进一步的,所述步骤3.2,具体为:选择在ImageNet 数据库上预训练的 ResNet50深度卷积神经网络模型作为二分类器,分批次读取训练数据集中的车牌数据图像,将车牌数据图像缩放到 (94×24)的固定尺寸,并进行归一化操作,每一张输入图像在经过网络前向计算以及最后的全连接层之后,输出预测结果为一个2维的向量x,x={x[1],x[2]},其中x[1]、x[2]分别代表车牌和非车牌的概率值;最后,计算预测结果x与真值class之间的交叉熵损失,基于计算得到的交叉熵损失,进行网络反向传播操作,通过梯度下降算法来不断更新网络参数,从而最终让网络的预测值逼近真实值。
进一步的,所述步骤3.3,具体为:对于步骤二输出的车牌的正面视角图,输入到训练好的基于 ResNet50 深度卷积神经网络的二分类器中,最终输出是否车牌的预测结果,是则保留,否则移除。
一种基于级联的车牌检测识别装置,包括一个或多个处理器,用于实现所述的基于级联的车牌检测识别方法。
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现所述的基于级联的车牌检测识别方法。
根据以上技术方案,本发明的有益效果如下:
本发明将车牌检测识别分解为四个级联的步骤,使各步骤可以针对性地达成各自的目标,实现方法简单,且各步骤中对应所采用的模块的选择更加灵活,可移植性强;
本发明不需要进行车辆检测,因此能够实现不限于移动摄像头拍摄的公路上、停车场、小区出入口等场所中车牌的精准识别,在车牌检测矫正后加入车牌分类模块,可以最大限度的去除误检,分类相较检测运行时间更短,可显著提高车牌检测准确性同时提高整个车牌检测识别的效率;
本发明所采用的级联预测方法,能够更好地适应复杂多变的作业场所,具有实际的应用价值。
附图说明
图1为本发明的一种基于级联的车牌检测识别方法流程示意图;
图2为本发明实施例提供的一种基于级联的车牌检测识别方法的具体流程框图;
图3为本发明实施例提供的车牌检测识别流程示例;
图4为本发明实施例提供的一种基于级联的车牌检测识别装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白,以下结合说明书附图和实施例,对本发明作进一步详细说明。
如图1至图3所示,本发明的一种基于级联的车牌检测识别方法,包括以下步骤:
步骤一,通过摄像头获取视频图像,使用基于深度卷积神经网络的车牌检测模型,输出每张图像中检测到的车牌矩形边界框和包络框的位置,即检测到目标车牌。
所述车牌检测模型可同时检测车牌矩形边界框和包络框,选择YOLOv5深度卷积神经网络作为车牌检测模型,并对模型进行修改,采用车牌四个角点和边界框联合的方式进行车牌检测,最后取输出车牌矩形边界框和四个角点的坐标,将角点连接形成包络框。模型准备好后,在CCPD数据集上进行预训练,接着在摄像头拍摄场景数据上进行再训练以得到最终的车牌检测模型。针对监控摄像头拍摄的视频,抽取图片输入到基于角点和边界框联合检测的YOLOv5车牌检测模型中,输出图像中检测到的车牌的位置。
YOLOv5是Ultralytics公司开源的一款目标检测算法架构,是YOLO(You OnlyLook Once)系列的最新框架,是一款结合了在数千小时的研究和开发中获得的经验教训和最佳实践。YOLOv5是目前单阶段目标检测算法中综合表现最优秀的算法,其可直接完成车牌矩形边界框的检测,对车牌包络特征的识别存在一定的局限性。
步骤二,基于步骤一车牌检测的结果,采用仿射变换以得到车牌的正面视角图。
具体地,由于监控摄像头,手持拍摄设备采集到的包含汽车车牌的图像可能是倾斜的,不方便直接进行车牌识别,所以需要对步骤一得到的目标车牌进行一个视图的矫正变换,以得到正面视角图,具体包括以下步骤:
步骤2.1,采用OpenCV的getPerspectiveTransform函数根据源图像和目标图像上的四对点坐标来计算从源图像透视变换到目标图像的透视变换矩阵M;
M = getPerspectiveTransform(points1, points2)
其中,源图像points1为步骤一检测到的车牌四个角点的坐标;由于车牌的尺寸固定,本发明设定目标图像points2为([0,0],[94,0],[0,24],[94,24]);
步骤2.2,采用OpenCV的warpPerspective函数对输入图像进行透视变换得到正面视角的图像,所述透视变换操作的表达式为:
Output = warpPerspective(img_box, M, (94, 24))
其中img_box为步骤一检测到的车牌矩形边界框内的图像,M为getPerspectiveTransform函数得到的透视变换矩阵。
步骤三,将所述车牌的正面视角图输入到基于深度卷积神经网络的二分类器中,判断车牌是否为真正的车牌,是则保留,否则移除;具体包括以下子步骤:
步骤3.1,构建二分类器的训练数据集:在训练阶段,使用步骤一的车牌检测模型,将检测目标置信度设置为0.05,将检测结果经过步骤二进行视图矫正后,人工对得到的检测结果进行分类;由于目标置信度设置较低,必然会出现诸多误检,本发明将这些误检作为假样例数据集,表示非车牌类别;共收集1万张假样例图片,再联合1万张真实车牌图像组成分类器的训练数据集。
步骤3.2,采用训练数据集对二分类器进行分批次训练,直至收敛,具体的:选择ResNet50 深度卷积神经网络作为判断车牌的二分类器,首先,导入在ImageNet 数据库上预训练的 ResNet50 深度卷积神经网络模型;接着,分批次读取训练数据集中的车牌数据图像,将其缩放到 (94×24)的固定尺寸,并对数据进行归一化操作,以使得每一个批次的训练数据有相同的分布,从而加快模型的收敛速度。每一张输入图像在经过网络前向计算以及最后的全连接层之后,将输出一个2维的向量x,x={x[1],x[2]},其中x[1]、x[2]分别代表车牌和非车牌的概率值;最后,计算该预测结果x与真值class之间的交叉熵损失,基于计算得到的交叉熵损失,进行网络反向传播操作,通过梯度下降算法来不断更新网络参数,从而最终让网络的预测值逼近真实值。
步骤3.3,利用训练好的二分类器,判断出真实车牌并保留:对于步骤二输出的每一个目标框即车牌的正面视角图,输入到训练好的基于 ResNet50 深度卷积神经网络的二分类器中,最终输出是否车牌的预测结果,是则保留,否则移除,从而消除误检。
步骤四:将步骤三去除假样例后的车牌,通过车牌识别技术实现车牌号码识别,获取检测图像中的所有车牌位置及号码。
本发明采用目前非常成熟的LPRNet车牌识别网络完成最后的车牌号码识别,获取待测图像的车牌号码,再加上步骤一检测到的车牌位置完成待检图像的车牌检测与识别任务。
LPRNet是Intel于2018年发表的一种非常高效的用于车牌识别的神经网络。LPRNet不需要字符预先分割,车牌识别的准确率高、算法实时性强、支持可变长字符车牌识别。对于字符差异比较大的各国不同车牌均能够端到端进行训练。LPRNet是第一个没使用RNN的实时轻量级算法,能够在包括嵌入式设备在内的各式设备上运行。LPRNet在实际交通监控视频中的应用表明,该算法在视角和摄像畸变、光照条件恶劣、视角变化等复杂的情况下仍表现出很好的识别效果。
与前述一种基于级联的车牌检测识别方法的实施例相对应,本发明还提供了一种基于级联的车牌检测识别装置的实施例。
参见图4,本发明实施例提供的一种基于级联的车牌检测识别装置,包括一个或多个处理器,用于实现上述实施例中的基于级联的车牌检测识别方法。
本发明基于级联的车牌检测识别装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图4所示,为本发明基于级联的车牌检测识别装置所在任意具备数据处理能力的设备的一种硬件结构图,除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述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发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的基于级联的车牌检测识别方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述,仅为本发明的优选实施案例,并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明,对于熟悉本领域的人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于级联的车牌检测识别方法,其特征在于,包括以下步骤:
步骤一,通过摄像头获取视频图像,使用基于深度卷积神经网络的车牌检测模型,输出每张图像中检测到的车牌矩形边界框和包络框的位置;
步骤二,基于步骤一车牌检测的结果,采用仿射变换以得到车牌的正面视角图;
步骤三,将所述车牌的正面视角图输入到基于深度卷积神经网络的二分类器中,判断车牌是否为真正的车牌,是则保留,否则移除;
步骤四:将步骤三去除假样例后的车牌,通过车牌识别技术实现车牌号码识别,获取检测图像中的所有车牌位置及号码。
2.如权利要求1所述的一种基于级联的车牌检测识别方法,其特征在于,所述步骤一中的车牌检测模型为YOLOv5深度卷积神经网络,使用CCPD数据集进行预训练,采用车牌四个角点和边界框联合的方式对摄像头获取的图像进行车牌检测,得到输出车牌矩形边界框和四个角点的坐标,所述角点连接形成包络框。
3.如权利要求2所述的一种基于级联的车牌检测识别方法,其特征在于,所述步骤二,具体包括以下子步骤:
步骤2.1,采用OpenCV的getPerspectiveTransform函数根据源图像和目标图像上的四对点坐标来计算从源图像透视变换到目标图像的透视变换矩阵M;
M = getPerspectiveTransform(points1, points2)
其中,源图像points1为检测到的车牌四个角点的坐标;设定车牌的尺寸固定,则目标图像points2为([0,0],[94,0],[0,24],[94,24]);
步骤2.2,采用OpenCV的warpPerspective函数对步骤一检测到的车牌矩形边界框内的图像进行透视变换得到正面视角的图像,所述透视变换操作的表达式为:
Output = warpPerspective(img_box, M, (94, 24))
其中img_box为步骤一检测到的车牌矩形边界框内的图像,M为getPerspectiveTransform函数得到的透视变换矩阵。
4.如权利要求3所述的一种基于级联的车牌检测识别方法,其特征在于,所述步骤三,具体包括以下子步骤:
步骤3.1,构建二分类器的训练数据集;
步骤3.2,采用训练数据集对二分类器进行分批次训练,直至收敛;
步骤3.3,利用训练好的二分类器,判断出真实车牌并保留。
5.如权利要求4所述的一种基于级联的车牌检测识别方法,其特征在于,所述步骤3.1,具体为:在训练阶段,使用车牌检测模型,对车牌检测模型的检测目标置信度设置为低值,将检测结果经过步骤二进行视图矫正后,人工对得到的检测结果进行分类,得到假样例数据集,假样例数据集为非车牌类别的图片组成,再联合真实车牌图像的数据集组成训练数据集。
6. 如权利要求4所述的一种基于级联的车牌检测识别方法,其特征在于,所述步骤3.2,具体为:选择在ImageNet 数据库上预训练的 ResNet50 深度卷积神经网络模型作为二分类器,分批次读取训练数据集中的车牌数据图像,将车牌数据图像缩放到 (94×24)的固定尺寸,并进行归一化操作,每一张输入图像在经过网络前向计算以及最后的全连接层之后,输出预测结果为一个2维的向量x,x={x[1],x[2]},其中x[1]、x[2]分别代表车牌和非车牌的概率值;最后,计算预测结果x与真值class之间的交叉熵损失,基于计算得到的交叉熵损失,进行网络反向传播操作,通过梯度下降算法来不断更新网络参数,从而最终让网络的预测值逼近真实值。
7. 如权利要求6所述的一种基于级联的车牌检测识别方法,其特征在于,所述步骤3.3,具体为:对于步骤二输出的车牌的正面视角图,输入到训练好的基于 ResNet50 深度卷积神经网络的二分类器中,最终输出是否车牌的预测结果,是则保留,否则移除。
8.一种基于级联的车牌检测识别装置,其特征在于,包括一个或多个处理器,用于实现权利要求1~7中任一项所述的基于级联的车牌检测识别方法。
9.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时,实现权利要求1~7中任一项所述的基于级联的车牌检测识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210930782.3A CN115019296A (zh) | 2022-08-04 | 2022-08-04 | 一种基于级联的车牌检测识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210930782.3A CN115019296A (zh) | 2022-08-04 | 2022-08-04 | 一种基于级联的车牌检测识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115019296A true CN115019296A (zh) | 2022-09-06 |
Family
ID=83066062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210930782.3A Pending CN115019296A (zh) | 2022-08-04 | 2022-08-04 | 一种基于级联的车牌检测识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115019296A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704487A (zh) * | 2023-06-12 | 2023-09-05 | 三峡大学 | 一种基于Yolov5s网络和CRNN的车牌检测与识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190251369A1 (en) * | 2018-02-11 | 2019-08-15 | Ilya Popov | License plate detection and recognition system |
CN111508269A (zh) * | 2020-04-23 | 2020-08-07 | 深圳智优停科技有限公司 | 一种基于图像识别的开放式停车位车辆判别方法与装置 |
CN113610770A (zh) * | 2021-07-15 | 2021-11-05 | 浙江大华技术股份有限公司 | 一种车牌识别方法和装置及设备 |
CN113947766A (zh) * | 2021-12-21 | 2022-01-18 | 之江实验室 | 一种基于卷积神经网络的实时车牌检测方法 |
CN114332781A (zh) * | 2021-12-28 | 2022-04-12 | 南京交通职业技术学院 | 一种基于深度学习的智能车牌识别方法及系统 |
CN114782770A (zh) * | 2022-03-15 | 2022-07-22 | 合肥科大立安安全技术有限责任公司 | 一种基于深度学习的车牌检测与车牌识别方法及系统 |
-
2022
- 2022-08-04 CN CN202210930782.3A patent/CN115019296A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190251369A1 (en) * | 2018-02-11 | 2019-08-15 | Ilya Popov | License plate detection and recognition system |
CN111508269A (zh) * | 2020-04-23 | 2020-08-07 | 深圳智优停科技有限公司 | 一种基于图像识别的开放式停车位车辆判别方法与装置 |
CN113610770A (zh) * | 2021-07-15 | 2021-11-05 | 浙江大华技术股份有限公司 | 一种车牌识别方法和装置及设备 |
CN113947766A (zh) * | 2021-12-21 | 2022-01-18 | 之江实验室 | 一种基于卷积神经网络的实时车牌检测方法 |
CN114332781A (zh) * | 2021-12-28 | 2022-04-12 | 南京交通职业技术学院 | 一种基于深度学习的智能车牌识别方法及系统 |
CN114782770A (zh) * | 2022-03-15 | 2022-07-22 | 合肥科大立安安全技术有限责任公司 | 一种基于深度学习的车牌检测与车牌识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
卡蒂克·雷迪·博卡,等: "《基于深度学习的自然语言处理》", 31 May 2020, 机械工业出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704487A (zh) * | 2023-06-12 | 2023-09-05 | 三峡大学 | 一种基于Yolov5s网络和CRNN的车牌检测与识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mithun et al. | Detection and classification of vehicles from video using multiple time-spatial images | |
CN111539370A (zh) | 一种基于多注意力联合学习的图像行人重识别方法和系统 | |
Lin et al. | A license plate recognition system for severe tilt angles using mask R-CNN | |
CN104700099A (zh) | 识别交通标志的方法和装置 | |
CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
CN113947766B (zh) | 一种基于卷积神经网络的实时车牌检测方法 | |
CN111078946A (zh) | 一种基于多目标区域特征聚合的卡口车辆检索方法及系统 | |
CN111274942A (zh) | 一种基于级联网络的交通锥识别方法及装置 | |
CN110147707B (zh) | 一种高精度车辆识别方法及系统 | |
CN114155284A (zh) | 基于多目标行人场景的行人跟踪方法、装置、设备及介质 | |
Xiang et al. | Lightweight fully convolutional network for license plate detection | |
Shujuan et al. | Real-time vehicle detection using Haar-SURF mixed features and gentle AdaBoost classifier | |
Chao et al. | Multi-lane detection based on deep convolutional neural network | |
CN112784834A (zh) | 一种自然场景下的车牌自动识别方法 | |
Yang et al. | Effective contexts for UAV vehicle detection | |
CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
CN115620090A (zh) | 模型训练方法、低照度目标重识别方法和装置、终端设备 | |
CN115019296A (zh) | 一种基于级联的车牌检测识别方法和装置 | |
CN110619280A (zh) | 一种基于深度联合判别学习的车辆重识别方法及装置 | |
CN113160272B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN116704490B (zh) | 车牌识别方法、装置和计算机设备 | |
CN116229406B (zh) | 车道线检测方法、系统、电子设备及存储介质 | |
CN112861840A (zh) | 基于多特征融合卷积网络的复杂场景字符识别方法及系统 | |
Siddique et al. | Deep learning-based trajectory estimation of vehicles in crowded and crossroad scenarios | |
CN113673332A (zh) | 对象识别方法、装置以及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220906 |