CN115063786A - 一种高位远景模糊车牌检测方法 - Google Patents
一种高位远景模糊车牌检测方法 Download PDFInfo
- Publication number
- CN115063786A CN115063786A CN202210988754.7A CN202210988754A CN115063786A CN 115063786 A CN115063786 A CN 115063786A CN 202210988754 A CN202210988754 A CN 202210988754A CN 115063786 A CN115063786 A CN 115063786A
- Authority
- CN
- China
- Prior art keywords
- license plate
- license
- convolution
- character
- network
- 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 49
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 230000015556 catabolic process Effects 0.000 abstract description 4
- 238000006731 degradation reaction Methods 0.000 abstract description 4
- 238000012800 visualization Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 241000083879 Polyommatus icarus Species 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect 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
- G06V10/40—Extraction of image or video features
-
- 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
-
- 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
- G06V30/1444—Selective acquisition, locating or processing of specific regions, e.g. highlighted text, fiducial marks or predetermined fields
-
- 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
- G06V30/18—Extraction of features or characteristics of the image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Character Discrimination (AREA)
Abstract
本发明属于车牌检测技术领域，涉及一种高位远景模糊车牌检测方法，针对高位远景中产生模糊车牌，通过使用可插拔的车牌增强模块，从特征层面实现对模糊车牌的增强，在增强车牌可视化效果的同时提高整体特征质量，以促进后续车牌识别任务；另外使用基于检测字符的方法对车牌进行识别，通过显式地建模车牌字符位置信息，能高效获取字符的位置信息进而利用位置信息进行字符识别，而无需按车牌类型分别处理，解决了同时识别多类别车牌的问题，不仅可以用来进行高位远景模糊车牌检测识别，还可以用于场景文本检测、人脸检测等多种退化场景的目标检测任务，精度高达98.5%，极大的提升了检测和分类效果。
Description
技术领域
本发明属于车牌检测技术领域，涉及一种高位远景模糊车牌检测方法。
背景技术
随着经济快速发展，城市交通拥堵等问题日趋严重，对智慧交通系统的建设提出了更高的要求，车牌检测识别作为智慧交通中一项关键信息处理技术，对城市车辆监管起着非常重要的作用，而且车牌的检测和识别的应用非常广泛，比如交通违章车牌追踪、停车场及小区出入口等，然而实际应用中由于光照、旋转畸变等场景条件的变化，场景文本识别仍然是一项具有挑战性的任务。
近年来，受强大的深度学习特征提取器的影响，如VGG、ResNet等深度卷积网络，非受限场景中车牌检测识别越来越受到关注，在高位远景场景中，现有的方法经常会出现车牌字符识别错误或者漏检的情况，其中一部分原因是由于远距离成像过程中图像受噪声、模糊和低分辨率的造成的，由于缺乏足够的细节，车牌特征等信息不易被提取，导致算法容易生成错误的结果；在面对低质量退化图像时，现有的车牌检测方法将车牌检测分为图像增强和车牌检测两个步骤，即先对图像进行图像增强，在对增强后图像进行车牌检测识别。该方法两个步骤需要分别对图像特征进行提取，因此不能实现端到端，影响计算的效率，并且尽管这种方法显示出比原图更好的视觉质量，但它在识别结果上的改进非常有限。
另外，针对退化图像增强，首先传统的增强算法存在增强效果不显著、恢复后的边缘不清晰等缺陷，并且传统方法从底层视觉任务出发，主要针对提升可视化效果，缺乏对场景视觉中高层特性知识的有效利用，并不能有效促进车牌识别等任务，在车牌检测时，面临车牌畸变旋转等场景的时候，很难有较强的鲁棒性，出现检测不准确甚至漏检的情况，这是由于卷积神经网络对空间旋转具有较差的表现能力；在车牌识别时，常用的检测框架时卷积神经网络加长短时记忆网络，但是这种框架更倾向于识别单行和固定长度的文本，但是在面对新能源车牌和双层车牌时需要使用额外的识别模型以及判别模型，严重的影响了识别效率。
由此可见，在高位远景场景中，针对图像模糊退化问题，现有的方法存在计算效率低以及对高层任务引导能力差的问题，另外车牌检测识别中存在车牌畸形、以及多类型车牌识别问题，因此急需更有效的方法多类型车牌的退化以及畸形问题。
发明内容
为了克服现有技术存在的不足，本发明设计提供一种高位远景模糊车牌识别方法，增强退化车牌信息并解决车牌畸形和多类型车牌识别问题，可用于高位远景场景的车牌检测识别任务中，能够高效的实现端到端车牌增强检测和识别。
为实现上述目的，本发明具体包括如下步骤：
（1）数据集构建：先收集高位远距离成像的交通监控、高位侧方位停车场中含有常规以及倾斜、畸变车牌的图像，并对车牌的位置和每一张车牌中的字符进行标注后构建数据集，再将数据集中的图像进行不同模糊核的模糊处理和下采样处理，得到原始图像和退化后的图像对，最后将数据集划分为训练集、验证集和测试集；
（2）共享主干网络特征提取：先对图像的尺寸和数值范围行初始化处理，再将处理后的图像输入到主干网络中进行卷积特征提取，然后将提取的卷积特征通过特征金字塔网络进行
强化利用得到多尺度车牌卷积特征图集合；
（3）车牌位置定位：根据步骤（2）得到的多尺度车牌卷积特征图集合，在不同的多尺度卷积层后连接两层卷积核为3*3的卷积层以及一层平均池化层，在特征图的每一个特征点设置一个锚框，再分别使用两个结构相同的但是不共享参数的全连接层子网络学习分类和位置偏差信息，位置偏差信息是车牌的紧致目标框与特征点对应的锚框的偏差，完成目标框类别分类和位置回归的任务，其中类别分类为是否是车牌，位置信息为车牌的最小外接矩（朝向框）；
（4）车牌增强：将步骤（3）得到的车牌位置对应的特征图区域输入车牌增强模块，先使用两个深度残差卷积进行深度特征提取，再使用最近邻上采样方法对特征图进行上采样，通过增加特征图的尺寸实现对图像的超分辨率，最后使用一个卷积层对图像进行重建，输出去模糊以及超分辨率的车牌图像；
（5）车牌识别：根据步骤（3）得到的车牌的位置对应的卷积特征，车牌识别模块在卷积特征后使用两个级联的卷积层，对车牌特征进行进一步提取，然后对车牌中字符位置进行定位，并使用Softmax函数对字符类别进行分类，字符类别主要包含省份、字母、数字以及特殊字符（军、警、学等），最后将识别出的字符按照位置关系输出，得到最终的车牌号；
（6）训练网络结构，得到训练好的模型参数；使用数据集中训练集的图像，图片尺寸为1280×1024×3，按照每次训练需要的图像张数B，依次输入到网络中，使用IOU阈值作为样本分配策略的衡量标准，输出车牌的分类置信度O∈RB×N×Class和回归坐标位置O∈RB ×N×4，其中Class为2，即是否是车牌，N是输出预测车牌目标的数量，4为车牌的水平框的中心点坐标和框的长宽，再采用Focal损失算预测类别和真实类别的误差，采用Smooth L1损失来计算预测车牌位置与真实车牌位置的误差，车牌增强模块使用原始清晰高分辨率车牌图像作为监督，使用L2损失函数来估计误差，车牌识别模块使用Focal损失算预测字符类别和真实类别的误差，采用Smooth L1损失来计算预测字符位置与真实字符位置的误差；最后通过反向传播更新参数，经过500轮完整训练集训练迭代后，保存验证集上结果最好的模型参数，作为最终模型训练好的参数，即得到训练好的车牌检测网络参数；
（7）测试网络输出车牌位置和类别：保持图片长短边比例不变的情况下将图像长边尺寸缩放到1280，并对图片的短边进行填充，使得图像尺寸为1280×1080，作为车牌检测网络的输入，即可输出车牌的分类置信度和车牌的坐标位置，并设置阈值过滤低置信度的车牌，使用非极大抑制（NMS）删除网络输出的冗余的框，将车牌检测框对应的车牌特征输入到车牌识别模块，得到车牌号。
作为本发明的进一步技术方案，步骤（1）收集的车牌图像包含普通蓝色车牌、双层车牌和新能源车牌，标注的车牌位置为车牌的四个角点，通过四个角点的位置计算出表示车牌位置的点集合，点集合包含车牌的中心点、四个角点以及四条边的中心点，每一张车牌中的字符的标注包含字符位置标注和字符类别标注，其中字符位置标注使用中心点和长宽四个参数来表示，字符类别标注包含省份、英文字母、数字以及特殊字符。
作为本发明的进一步技术方案，步骤（1）中所述模糊处理使用高斯模糊处理，下采样处理使用双三线性插值处理。
作为本发明的进一步技术方案，步骤（2）所述主干网络使用在ImageNet数据集中经过预训练的ResNet50作为特征提取网络，分别提取ResNet50中C3、C4和C5输出的特征。
与现有技术相比，本发明提供了一种高位远景模糊车牌识别方法，针对高位远景中产生模糊车牌，通过使用可插拔的车牌增强模块，从特征层面实现对模糊车牌的增强，在增强车牌可视化效果的同时提高整体特征质量，以促进后续车牌识别任务；另外使用基于检测字符的方法对车牌进行识别，通过显式地建模车牌字符位置信息，能高效获取字符的位置信息进而利用位置信息进行字符识别，而无需按车牌类型分别处理，解决了同时识别多类别车牌的问题，不仅可以用来进行高位远景模糊车牌检测识别，还可以用于场景文本检测、人脸检测等多种退化场景的目标检测任务，检测精度高达98.5%，极大的提升了检测和分类效果。
附图说明
图1为本发明所述高位远景模糊车牌检测网络的结构框架示意图。
图2为本发明所述高位远景模糊车牌检测的流程框图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
实施例：
本实施例采用如图1所示的网络结构和图2所示的流程实现高位远景模糊车牌检测，先设计简洁的主干网络以及一种由四顶点组成的锚框，避免任何繁琐的后处理步骤，定位模糊低分辨率车牌的位置；通过使用一种可插拔的车牌增强模块，从特征层面实现对低分辨率模糊的图像进行图像去模糊和超分辨率操作，在增强车牌可视化效果的同时提高整体特征质量，以促进后续车牌识别任务；另外使用基于检测字符的方法对车牌进行识别，通过建模车牌字符位置信息，可以高效获取字符的位置信息进而利用位置信息进行字符识别，如图1所示，采用本发明建立的高位远景模糊车牌识别方法，具体实施包括如下步骤：
（1）数据集构建：
收集高位远距离成像的交通监控、高位侧方位停车场等场景的含有常规以及倾斜、畸变车牌的图像构建车牌的数据集，图像中的车牌类别包含普通蓝色车牌、双层车牌和新能源车牌，标注出车牌的四个角点，通过四个角点的位置计算表示车牌位置的点集合，点集合包含车牌的中心点、四个角点以及四条边的中心点，并对每一张车牌中的字符进行标注，包含位置标注和字符类别标注，其中位置标注使用中心点和长宽四个参数来表示，类别主要包含省份、英文字母、数字以及特殊字符等，然后将数据集图像进行不同模糊核的模糊处理以及下采样处理，其中使用高斯模糊处理进行模糊处理，使用双三线性插值进行下采样处理，由此得到原始图像和退化后的图像对，并将数据集划分为训练集、验证集和测试集；
（2）共享主干网络特征提取：
网络以退化后的图像作为输入，先对图片的尺寸和数值范围行初始化处理，然后将处理后的图像输入到主干网络中进行卷积特征提取，其中主干网络使用在ImageNet数据集中经过预训练的ResNet50作为特征提取网络，分别提取C3、C4和C5输入到后续网络中；并在ResNet50之后添加特征金字塔网络，对ResNet50里面形成的多尺度特征进行强化利用获得表达力更强包含多尺度车牌信息的多尺度卷积特征图集合，从而更好的捕获近距离和远距离的不同尺寸车牌，多尺度卷积特征图中的特征作为共享特征应用于车牌位置定位、车牌增强和车牌检测；
（3）车牌位置定位：
根据步骤（2）得到的多尺度车牌卷积特征图集合，在不同的多尺度卷积层后连接两层卷积核为3*3的卷积层以及一层平均池化层，在特征图的每一个特征点设置一个锚框，然后分别使用两个结构相同的但是不共享参数的全连接层子网络学习分类和位置偏差信息，位置偏差信息是车牌的紧致目标框与特征点对应的锚框的偏差从而完成目标框类别分类和位置回归的任务，其中类别分类为是否是车牌，位置信息为车牌的最小外接矩（朝向框）；
（4）车牌增强：
使用步骤（3）获取的车牌位置对应的特征图区域作为车牌增强模块的输入，然后使用两个深度残差卷积进行深度特征提取，在使用最近邻上采样方法对特征图进行上采样，通过增加特征图的尺寸以达到对图像的超分辨率，最后使用一个卷积层对图像进行重建，最终输出去模糊以及超分辨率的车牌图像，车牌增强模块在训练时用于提升共享主干网路对退化的车牌图像特征的提取，在测试时被移除掉，以提升推理速度；
（5）车牌识别：
获取车牌的位置后，从步骤（3）中的多尺度特征中获取的车牌的位置对应的卷积特征，并在特征之后使用两个级联的卷积层，对车牌特征进行进一步提取，然后对车牌中字符位置进行定位，并使用Softmax函数对字符类别进行分类，字符类别主要包含省份、字母、数字以及特殊字符（军、警、学等），最后将识别出的字符按照位置关系输出，得到最终的车牌号；
（6）训练网络结构，得到训练好的模型参数；
使用数据集中训练集的图像，图片尺寸为1280
1024
3，按照每次训练需要的图
像张数B，依次输入到网络中，所以整个网络的输入
，并且使用IOU阈值作
为样本分配策略的衡量标准，高质量水平候选框模块输出车牌的分类置信度
和回归坐标位置
，其中Class为2，即是否是车牌，N是输出预测车牌目标的数量，4
为车牌的水平框的中心点坐标和框的长宽。采用Focal损失算预测类别和真实类别的误差，
采用Smooth L1损失来计算预测车牌位置与真实车牌位置的误差；车牌增强模块使用原始
清晰高分辨率车牌图像作为监督，使用L2损失函数来估计误差；车牌识别模块使用Focal损
失算预测字符类别和真实类别的误差，采用Smooth L1损失来计算预测字符位置与真实字
符位置的误差，通过反向传播更新参数，经过500轮完整训练集训练迭代后，保存验证集上
结果最好的模型参数，作为最终模型训练好的参数，即得到训练好的车牌检测网络参数；
（7）测试网络输出车牌位置和类别：
在测试过程中，保持图片长短边比例不变的情况下将图像长边缩放（resize）到
1280，然后对图片的短边进行填充，使得图像尺寸为1280
1080，作为网络的输入。即可输出
车牌的分类置信度和车牌的坐标位置，设置阈值过滤低置信度的车牌，并使用非极大抑制
（NMS）删除网络输出的冗余的框，最后将车牌检测框对应的车牌特征输入到车牌识别模块，
得到车牌号。
本文中未详细公开的算法、计算过程和网络结构均为本领域通用技术。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (5)
1.一种高位远景模糊车牌检测方法，其特征在于，具体包括如下步骤：
（1）数据集构建：先收集高位远距离成像的交通监控、高位侧方位停车场中含有常规以及倾斜、畸变车牌的图像，并对车牌的位置和每一张车牌中的字符进行标注后构建数据集，再将数据集中的图像进行不同模糊核的模糊处理和下采样处理，得到原始图像和退化后的图像对，最后将数据集划分为训练集、验证集和测试集；
（2）共享主干网络特征提取：先对图像的尺寸和数值范围行初始化处理，再将处理后的图像输入到主干网络中进行卷积特征提取，然后将提取的卷积特征通过特征金字塔网络进行
强化利用得到多尺度车牌卷积特征图集合；
（3）车牌位置定位：根据步骤（2）得到的多尺度车牌卷积特征图集合，在不同的多尺度卷积层后连接两层卷积核为3*3的卷积层以及一层平均池化层，在特征图的每一个特征点设置一个锚框，再分别使用两个结构相同的但是不共享参数的全连接层子网络学习分类和位置偏差信息，位置偏差信息是车牌的紧致目标框与特征点对应的锚框的偏差，完成目标框类别分类和位置回归的任务，其中类别分类为是否是车牌，位置信息为车牌的最小外接矩即朝向框；
（4）车牌增强：将步骤（3）得到的车牌位置对应的特征图区域输入车牌增强模块，先使用两个深度残差卷积进行深度特征提取，再使用最近邻上采样方法对特征图进行上采样，通过增加特征图的尺寸实现对图像的超分辨率，最后使用一个卷积层对图像进行重建，输出去模糊以及超分辨率的车牌图像；
（5）车牌识别：根据步骤（3）得到的车牌的位置对应的卷积特征，车牌识别模块在卷积特征后使用两个级联的卷积层，对车牌特征进行进一步提取，然后对车牌中字符位置进行定位，并使用Softmax函数对字符类别进行分类，字符类别主要包含省份、字母、数字以及特殊字符，最后将识别出的字符按照位置关系输出，得到最终的车牌号；
（6）训练网络结构，得到训练好的模型参数；
（7）测试网络输出车牌位置和类别：保持图片长短边比例不变的情况下将图像长边尺寸缩放到1280，并对图片的短边进行填充，使得图像尺寸为1280×1080，作为车牌检测网络的输入，即可输出车牌的分类置信度和车牌的坐标位置，并设置阈值过滤低置信度的车牌，使用非极大抑制（NMS）删除网络输出的冗余的框，将车牌检测框对应的车牌特征输入到车牌识别模块，得到车牌号。
2.根据权利要求1所述高位远景模糊车牌检测方法，其特征在于，步骤（1）收集的车牌图像包含普通蓝色车牌、双层车牌和新能源车牌，标注的车牌位置为车牌的四个角点，通过四个角点的位置计算出表示车牌位置的点集合，点集合包含车牌的中心点、四个角点以及四条边的中心点，每一张车牌中的字符的标注包含字符位置标注和字符类别标注，其中字符位置标注使用中心点和长宽四个参数来表示，字符类别标注包含省份、英文字母、数字以及特殊字符。
3.根据权利要求2所述高位远景模糊车牌检测方法，其特征在于，步骤（1）中所述模糊处理使用高斯模糊处理，下采样处理使用双三线性插值处理。
4.根据权利要求3所述高位远景模糊车牌检测方法，其特征在于，步骤（2）所述主干网络使用在ImageNet数据集中经过预训练的ResNet50作为特征提取网络，分别提取ResNet50中C3、C4和C5输出的特征。
5.根据权利要求4所述高位远景模糊车牌检测方法，其特征在于，步骤（6）的具体过程为：使用数据集中训练集的图像，图片尺寸为1280×1024×3，按照每次训练需要的图像张数B，依次输入到网络中，使用IOU阈值作为样本分配策略的衡量标准，输出车牌的分类置信度O∈RB×N×Class和回归坐标位置O∈RB×N×4，其中Class为2，即是否是车牌，N是输出预测车牌目标的数量，4为车牌的水平框的中心点坐标和框的长宽，再采用Focal损失算预测类别和真实类别的误差，采用Smooth L1损失来计算预测车牌位置与真实车牌位置的误差，车牌增强模块使用原始清晰高分辨率车牌图像作为监督，使用L2损失函数来估计误差，车牌识别模块使用Focal损失算预测字符类别和真实类别的误差，采用Smooth L1损失来计算预测字符位置与真实字符位置的误差；最后通过反向传播更新参数，经过500轮完整训练集训练迭代后，保存验证集上结果最好的模型参数，作为最终模型训练好的参数，即得到训练好的车牌检测网络参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210988754.7A CN115063786A (zh) | 2022-08-18 | 2022-08-18 | 一种高位远景模糊车牌检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210988754.7A CN115063786A (zh) | 2022-08-18 | 2022-08-18 | 一种高位远景模糊车牌检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115063786A true CN115063786A (zh) | 2022-09-16 |
Family
ID=83207496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210988754.7A Pending CN115063786A (zh) | 2022-08-18 | 2022-08-18 | 一种高位远景模糊车牌检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115063786A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115346206A (zh) * | 2022-10-20 | 2022-11-15 | 松立控股集团股份有限公司 | 基于改进超分辨的深度卷积特征识别的车牌检测方法 |
| CN115601742A (zh) * | 2022-11-21 | 2023-01-13 | 松立控股集团股份有限公司（Cn） | 一种基于图关系排名的尺度敏感车牌检测方法 |
| CN116386023A (zh) * | 2023-05-29 | 2023-07-04 | 松立控股集团股份有限公司 | 基于时空扩散的高位相机车牌识别方法、系统及电子设备 |
| CN116434234A (zh) * | 2023-05-25 | 2023-07-14 | 珠海亿智电子科技有限公司 | 一种铸坯字符的检测与识别方法、装置、设备及存储介质 |
| CN117475498A (zh) * | 2023-12-28 | 2024-01-30 | 苏州元脑智能科技有限公司 | 自适应目标检测方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704857A (zh) * | 2017-09-25 | 2018-02-16 | 北京邮电大学 | 一种端到端的轻量级车牌识别方法及装置 |
| CN110781882A (zh) * | 2019-09-11 | 2020-02-11 | 南京钰质智能科技有限公司 | 一种基于yolo模型的车牌定位和识别方法 |
| CN112906699A (zh) * | 2020-12-23 | 2021-06-04 | 深圳市信义科技有限公司 | 一种车牌放大号的检测识别方法 |
| CN112966709A (zh) * | 2021-01-27 | 2021-06-15 | 中国电子进出口有限公司 | 一种基于深度学习的精细车型识别方法及系统 |
| CN113822278A (zh) * | 2021-11-22 | 2021-12-21 | 松立控股集团股份有限公司 | 一种无受限场景车牌识别方法 |
| CN114283357A (zh) * | 2021-12-08 | 2022-04-05 | 北京三快在线科技有限公司 | 一种车辆检测方法、装置、存储介质及电子设备 |
| CN114677502A (zh) * | 2022-05-30 | 2022-06-28 | 松立控股集团股份有限公司 | 一种任意倾斜角度的车牌检测方法 |
| CN114677501A (zh) * | 2022-05-30 | 2022-06-28 | 松立控股集团股份有限公司 | 一种基于二维高斯边界框重叠度度量的车牌检测方法 |
| CN114898352A (zh) * | 2022-06-29 | 2022-08-12 | 松立控股集团股份有限公司 | 一种同时实现图像去雾与车牌检测的方法 |
-
2022
- 2022-08-18 CN CN202210988754.7A patent/CN115063786A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704857A (zh) * | 2017-09-25 | 2018-02-16 | 北京邮电大学 | 一种端到端的轻量级车牌识别方法及装置 |
| CN110781882A (zh) * | 2019-09-11 | 2020-02-11 | 南京钰质智能科技有限公司 | 一种基于yolo模型的车牌定位和识别方法 |
| CN112906699A (zh) * | 2020-12-23 | 2021-06-04 | 深圳市信义科技有限公司 | 一种车牌放大号的检测识别方法 |
| CN112966709A (zh) * | 2021-01-27 | 2021-06-15 | 中国电子进出口有限公司 | 一种基于深度学习的精细车型识别方法及系统 |
| CN113822278A (zh) * | 2021-11-22 | 2021-12-21 | 松立控股集团股份有限公司 | 一种无受限场景车牌识别方法 |
| CN114283357A (zh) * | 2021-12-08 | 2022-04-05 | 北京三快在线科技有限公司 | 一种车辆检测方法、装置、存储介质及电子设备 |
| CN114677502A (zh) * | 2022-05-30 | 2022-06-28 | 松立控股集团股份有限公司 | 一种任意倾斜角度的车牌检测方法 |
| CN114677501A (zh) * | 2022-05-30 | 2022-06-28 | 松立控股集团股份有限公司 | 一种基于二维高斯边界框重叠度度量的车牌检测方法 |
| CN114898352A (zh) * | 2022-06-29 | 2022-08-12 | 松立控股集团股份有限公司 | 一种同时实现图像去雾与车牌检测的方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115346206A (zh) * | 2022-10-20 | 2022-11-15 | 松立控股集团股份有限公司 | 基于改进超分辨的深度卷积特征识别的车牌检测方法 |
| CN115601742A (zh) * | 2022-11-21 | 2023-01-13 | 松立控股集团股份有限公司（Cn） | 一种基于图关系排名的尺度敏感车牌检测方法 |
| CN116434234A (zh) * | 2023-05-25 | 2023-07-14 | 珠海亿智电子科技有限公司 | 一种铸坯字符的检测与识别方法、装置、设备及存储介质 |
| CN116434234B (zh) * | 2023-05-25 | 2023-10-17 | 珠海亿智电子科技有限公司 | 一种铸坯字符的检测与识别方法、装置、设备及存储介质 |
| CN116386023A (zh) * | 2023-05-29 | 2023-07-04 | 松立控股集团股份有限公司 | 基于时空扩散的高位相机车牌识别方法、系统及电子设备 |
| CN116386023B (zh) * | 2023-05-29 | 2023-08-25 | 松立控股集团股份有限公司 | 基于时空扩散的高位相机车牌识别方法、系统及电子设备 |
| CN117475498A (zh) * | 2023-12-28 | 2024-01-30 | 苏州元脑智能科技有限公司 | 自适应目标检测方法及装置 |
| CN117475498B (zh) * | 2023-12-28 | 2024-03-15 | 苏州元脑智能科技有限公司 | 自适应目标检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232349B (zh) | 模型训练方法、图像分割方法及装置 | |
| CN115063786A (zh) | 一种高位远景模糊车牌检测方法 | |
| CN111612008B (zh) | 基于卷积网络的图像分割方法 | |
| CN111709416B (zh) | 车牌定位方法、装置、系统及存储介质 | |
| CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
| CN114677502B (zh) | 一种任意倾斜角度的车牌检测方法 | |
| CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
| CN113936256A (zh) | 一种图像目标检测方法、装置、设备以及存储介质 | |
| CN112488025B (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
| CN113343985B (zh) | 车牌识别方法和装置 | |
| CN112232351A (zh) | 一种基于深度神经网络的车牌识别系统 | |
| CN112308087B (zh) | 基于动态视觉传感器的一体化成像识别方法 | |
| CN114299383A (zh) | 基于密度图与注意力机制融合的遥感图像目标检测方法 | |
| CN115661611A (zh) | 一种基于改进Yolov5网络的红外小目标检测方法 | |
| CN113393385B (zh) | 基于多尺度融合的无监督去雨方法、系统、装置及介质 | |
| CN112597996B (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 | |
| Zhang et al. | Small target detection based on squared cross entropy and dense feature pyramid networks | |
| CN115346206B (zh) | 基于改进超分辨的深度卷积特征识别的车牌检测方法 | |
| CN111612803A (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
| CN116665153A (zh) | 一种基于改进型Deeplabv3+网络模型的道路场景分割方法 | |
| CN116363610A (zh) | 一种基于改进YOLOv5的航拍车辆旋转目标检测方法 | |
| CN115861595A (zh) | 一种基于深度学习的多尺度域自适应异源图像匹配方法 | |
| CN114882490A (zh) | 一种基于点引导定位的无受限场景车牌检测分类方法 | |
| CN115424250A (zh) | 一种车牌识别方法及装置 | |
| He et al. | Feature aggregation convolution network for haze removal |
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 |
Application publication date: 20220916 |
|
| RJ01 | Rejection of invention patent application after publication |