CN115116047A - 一种基于车牌字符区域热力图的车牌检测方法 - Google Patents

一种基于车牌字符区域热力图的车牌检测方法 Download PDF

Info

Publication number
CN115116047A
CN115116047A CN202211036437.1A CN202211036437A CN115116047A CN 115116047 A CN115116047 A CN 115116047A CN 202211036437 A CN202211036437 A CN 202211036437A CN 115116047 A CN115116047 A CN 115116047A
Authority
CN
China
Prior art keywords
license plate
convolution
convolution module
characters
character
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
CN202211036437.1A
Other languages
English (en)
Inventor
刘寒松
王永
王国强
刘瑞
翟贵乾
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.)
Sonli Holdings Group Co Ltd
Original Assignee
Sonli Holdings Group Co Ltd
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 Sonli Holdings Group Co Ltd filed Critical Sonli Holdings Group Co Ltd
Priority to CN202211036437.1A priority Critical patent/CN115116047A/zh
Publication of CN115116047A publication Critical patent/CN115116047A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • 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
    • G06V30/148—Segmentation of character regions

Abstract

本发明属于车牌检测技术领域，涉及一种基于车牌字符区域热力图的车牌检测方法，通过构建车牌字符热力图数据集，训练卷积神经网络来提取车牌字符热力图，构造的卷积神经网络利用了不同特征层上的图像信息实现特征的充分提取，可以使用更少的训练样本得到准确的结果；利用得到的热力图进行二值化分割得到分割后的字符图像外切矩形，利用外切矩形包含的原始字符图像进行图像分类操作即可输出字符的识别结果，如果字符为一行就是单行车牌则所有字符从左往右连续输出即为车牌识别结果，如果是字符为两行就是双层车牌，则所有字符经过识别后依次从上到下，从左到右连续输出即可得到最终的车牌检测结果，提高车牌检测速度。

Description

一种基于车牌字符区域热力图的车牌检测方法
技术领域
本发明属于车牌检测技术领域，涉及一种基于车牌字符区域热力图的车牌检测方法。
背景技术
随着人工智能与计算机视觉等技术的迅速发展，智慧交通在智慧城市中发挥了重要作用，而车牌识别技术在智慧交通体系中扮演了重要角色，正向的车牌检测与识别技术已经比较成熟，而侧方位的车牌检测技术由于受到车牌畸变、旋转以及光线不足等复杂场景的时候表现的较差。
现有的侧方位车牌识别的方法都是基于检测的方法，即先检测出整个车，然后再检测车牌，对车牌进行校正，然后再通过检测的方法来检测车上单个字符，最后达到车牌识别的目的，这种车牌识别的方法最大的缺点是速度慢，由于要执行多次车牌检测，多次物体检测的识别放到嵌入式设备上会造成识别效率较低，因此亟需一种新型的车牌检测方法，加快车牌检测效率。
发明内容
本发明的目的在于克服现有侧方位停车场景下，车牌识别速度慢的问题，设计提供一种基于车牌字符区域热力图的车牌检测方法，通过回归的方法实现侧方位停车场景下的快速车牌识别。
为了实现上述目的，本发明具体包括如下步骤：
（1）数据集构建：收集不同侧方位视频桩采集的含有倾斜、畸变车牌的图像，对车牌图像进行校正，通过车牌校正前后的几何关系，反算出每个字符在原图像中的热力图，构建车牌数据集，并将数据集划分为训练集、验证集和测试集；
（2）设计卷积神经网络用来建立原始图像与车牌字符热力图像的映射：先对图像的尺寸和数值范围进行初始化处理，再将处理后的图像输入到卷积神经网络中生成车牌字符热力图；
（3）训练卷积神经网络：将数据集中训练集的图像尺寸由1920
Figure 956295DEST_PATH_IMAGE001
1024
Figure 359595DEST_PATH_IMAGE001
3缩放成512
Figure 87380DEST_PATH_IMAGE001
512
Figure 576130DEST_PATH_IMAGE001
3，按照每次训练需要的图像张数依次输入到卷积神经网络中，输出车牌字符的热力 图，车牌字符热力图的回归图与原始图像大小一致，采用L2损失计算预测热力图和真实热 力图之间的误差，并通过反向传播更新参数，经过500次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字符热力图 网络参数；
（4）通过网络生成热力图：将需要进行车牌检测的图像输入至步骤（3）得到车牌中每个字符的热力图；
（5）利用热力图的结果得到车牌检测结果：将步骤（5）得到的车牌字符的热力图进行二值化分割，其中分割阈值取为0.5，大于0.5的为字符，小于0.5的为背景，计算分割后的字符图像外切矩形，利用外切矩形包含的原始字符图像采用Mobilenet网络进行图像分类，得到字符的检测结果，如果字符为一行就是单行车牌则所有字符从左往右连续输出即为车牌检测结果，如果是字符为两行就是双层车牌，则所有字符经过检测后依次从上到下，从左到右连续输出得到最终的车牌检测结果。
作为本发明的进一步技术方案，步骤（1）所述车牌图像校正的过程为：先标注车牌每个字符中心点的位置，标注每个车牌四个顶点的位置，通过四个顶点的位置可以校正出对应车牌的水平矩形框的坐标，在校正后的车牌里面标注每个字符的外框矩形，利用每个字符外框矩形的高和宽生成二维高斯图，二维高斯图的高和宽就是字符外框矩形的高和宽，这个二维高斯图就是每个字符对应的热力图。
作为本发明的进一步技术方案，步骤（2）所述卷积神经网络依次包括第一卷积模块、第二卷积模块、第一空洞卷积、第三卷积模块、第二空洞卷积，第四卷积模块、第三空洞卷积、第五卷积模块、第六卷积模块、第一上卷积模块、第二上卷积模块、第三上卷积模块和第七卷积模块，第三空洞卷积与第六卷积模块输出的图像进行通道融合后输入第一上卷积模块，第一上卷积模块与第二空洞卷积输出的图像进行通道融合后输入第二上卷积模块，第二上卷积模块与第一空洞卷积输出的图像进行通道融合后输入第三上卷积模块，第三上卷积模块与第一卷积模块进行通道融合后输入第七卷积模块，第七卷积模块输出热力图像。
作为本发明的进一步技术方案，第一卷积模块、第二卷积模块和第七卷积模块均包含64个3×3卷积核的卷积层和Relu层，第三卷积模块包含128个3×3卷积核的卷积层和Relu层，第四卷积模块包含256个3×3卷积核的卷积层和Relu层，第五卷积模块和第六卷积模块均包含512个3×3卷积核的卷积层和Relu层，第一空洞卷积、第二空洞卷积和第三空洞卷积分别为包含128、256和512个3×3空洞卷积核的卷积层以及Relu层，每个空洞卷积的扩张率均取2，第一上卷积模块、第二上卷积模块、第三上卷积模块均包含反卷积层、PRelu层、卷积层和PRelu层。
与现有技术相比，本发明提供了一种通过计算车牌字符区域热力图的车牌识别方法，通过构建车牌字符热力图数据集，训练卷积神经网络来提取车牌字符热力图，构造的卷积神经网络利用了不同特征层上的图像信息，可以实现特征的充分提取，可以使用更少的训练样本得到准确的结果；利用得到的热力图进行二值化分割得到分割后的字符图像外切矩形，利用外切矩形包含的原始字符图像进行图像分类操作即可输出字符的识别结果，如果字符为一行就是单行车牌则所有字符从左往右连续输出即为车牌识别结果，如果是字符为两行就是双层车牌，则所有字符经过识别后依次从上到下，从左到右连续输出即可得到最终的车牌检测结果，提高车牌检测速度。
附图说明
图1为本发明所述卷积神经网络的详细结构图。
图2为本发明所述上卷积模块的详细结构图。
图3为本发明进行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3所示的流程进行车牌检测，具体实施包括如下步骤：
（1）数据集构建：
收集不同侧方位视频桩采集的含有倾斜、畸变等车牌的图像，构建车牌数据集，标注车牌每个字符中心点的位置，标注每个车牌四个顶点的位置，通过四个顶点的位置校正出对应车牌的水平矩形框的坐标，在校正后的车牌里面标注每个字符的外框矩形，利用每个字符外框矩形的高和宽生成二维高斯图，二维高斯图的高和宽就是字符外框矩形的高和宽，这个二维高斯图就是每个字符对应的热力图，再通过车牌校正前后的几何关系，反算出每个字符的热力图在原图像中的热力图，得到车牌热力图数据集，并将车牌热力图数据集划分为训练集、验证集和测试集；
（2）设计卷积神经网络用来建立原始图像与车牌字符热力图像的映射：
首先对车牌热力图数据集中的图像尺寸和数值范围进行初始化操作，然后将处理后的图像输入到卷积神经网络中进行新的车牌字符热力图的生成，卷积神经网络如图1所示，第一卷积模块、第二卷积模块、第一空洞卷积、第三卷积模块、第二空洞卷积，第四卷积模块、第三空洞卷积、第五卷积模块、第六卷积模块、第一上卷积模块、第二上卷积模块、第三上卷积模块和第七卷积模块，第三空洞卷积与第六卷积模块输出的图像进行通道融合后输入第一上卷积模块，第一上卷积模块与第二空洞卷积输出的图像进行通道融合后输入第二上卷积模块，第二上卷积模块与第一空洞卷积输出的图像进行通道融合后输入第三上卷积模块，第三上卷积模块与第一卷积模块进行通道融合后输入第七卷积模块，第七卷积模块输出热力图像；第一卷积模块、第二卷积模块和第七卷积模块均包含64个3×3卷积核的卷积层和Relu层，第三卷积模块包含128个3×3卷积核的卷积层和Relu层，第四卷积模块包含256个3×3卷积核的卷积层和Relu层，第五卷积模块和第六卷积模块均包含512个3×3卷积核的卷积层和Relu层，第一空洞卷积、第二空洞卷积和第三空洞卷积分别为包含128、256和512个3×3空洞卷积核的卷积层以及Relu层，每个空洞卷积的扩张率均取2，第一上卷积模块、第二上卷积模块、第三上卷积模块的结构如图2所示，均包含反卷积层、PRelu层、卷积层和PRelu层，其中N为反卷积层和卷积层中卷积核的个数；空洞卷积有缩小图像特征尺寸的作用，反卷积层有增大图像特征尺寸的作用，设计的卷积网络利用不同特征层上的图像信息实现特征的充分提取，使用更少的训练样本得到准确的结果；
（3）训练卷积神经网络：
将数据集中训练集的图像尺寸由1920
Figure 516404DEST_PATH_IMAGE001
1024
Figure 774210DEST_PATH_IMAGE001
3缩放成512
Figure 938475DEST_PATH_IMAGE001
512
Figure 648942DEST_PATH_IMAGE001
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
Figure 658486DEST_PATH_IMAGE002
，输出为车 牌字符的热力图
Figure 36378DEST_PATH_IMAGE003
，车牌字符热力图的回归图跟原始图像大小一致，采用L2 损失计算预测热力图和真实热力图之间的误差，通过反向传播更新参数；经过设定次数 （500次）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字符热力图网络参数；
（4）通过网络生成热力图：
将要进行车牌检测的图像输入到步骤（3）得到车牌中每个字符的热力图，没有车牌字符的地方不输出值，越像车牌字符的地方输出热力图的概率就越高；
（5）利用热力图的结果得到车牌检测的结果：
将步骤（4）得到的车牌字符的热力图进行二值化分割，分割阈值取为0.5，大于0.5的为字符，小于0.5的为背景，计算分割后的字符图像外切矩形，利用外切矩形包含的原始字符图像进行图像分类（利用Mobilenet网络）操作即可输出字符的检测结果，如果字符为一行就是单行车牌则所有字符从左往右连续输出即为车牌检测结果，如果是字符为两行就是双层车牌，则所有字符经过检测后依次从上到下，从左到右连续输出即可得到最终的车牌检测结果。
本实施例利用图像回归的方法来进行车牌检测，从而提升车牌检测的速度。
本文中为详细说明的网络结构和计算过程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 (4)

1.一种基于车牌字符区域热力图的车牌检测方法，其特征在于，具体包括如下步骤：
（1）数据集构建：收集不同侧方位视频桩采集的含有倾斜、畸变车牌的图像，对车牌图像进行校正，通过车牌校正前后的几何关系，反算出每个字符在原图像中的热力图，构建车牌数据集，并将数据集划分为训练集、验证集和测试集；
（2）设计卷积神经网络用来建立原始图像与车牌字符热力图像的映射：先对图像的尺寸和数值范围进行初始化处理，再将处理后的图像输入到卷积神经网络中生成车牌字符热力图；
（3）训练卷积神经网络：将数据集中训练集的图像尺寸由1920
Figure DEST_PATH_IMAGE002
1024
Figure 786709DEST_PATH_IMAGE002
3缩放成512
Figure 703849DEST_PATH_IMAGE002
512
Figure 749166DEST_PATH_IMAGE002
3，按照每次训练需要的图像张数依次输入到卷积神经网络中，输出车牌字符的热力图，车牌字符热力图的回归图与原始图像大小一致，采用L2损失计算预测热力图和真实热力图之间的误差，并通过反向传播更新参数，经过500次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字符热力图网络参数；
（4）通过网络生成热力图：将需要进行车牌检测的图像输入至步骤（3）得到车牌中每个字符的热力图；
（5）利用热力图的结果得到车牌检测结果：将步骤（5）得到的车牌字符的热力图进行二值化分割，其中分割阈值取为0.5，大于0.5的为字符，小于0.5的为背景，计算分割后的字符图像外切矩形，利用外切矩形包含的原始字符图像采用Mobilenet网络进行图像分类，得到字符的检测结果，如果字符为一行就是单行车牌则所有字符从左往右连续输出即为车牌检测结果，如果是字符为两行就是双层车牌，则所有字符经过检测后依次从上到下，从左到右连续输出得到最终的车牌检测结果。
2.根据权利要求1所述基于车牌字符区域热力图的车牌检测方法，其特征在于，步骤（1）对车牌图像矫正的过程为：先标注车牌每个字符中心点的位置，标注每个车牌四个顶点的位置，通过四个顶点的位置校正出对应车牌的水平矩形框的坐标，在校正后的车牌里面标注每个字符的外框矩形，利用每个字符外框矩形的高和宽生成二维高斯图，二维高斯图的高和宽就是字符外框矩形的高和宽，二维高斯图就是每个字符对应的热力图。
3.根据权利要求2所述基于车牌字符区域热力图的车牌检测方法，其特征在于，步骤（2）所述卷积神经网络依次包括第一卷积模块、第二卷积模块、第一空洞卷积、第三卷积模块、第二空洞卷积，第四卷积模块、第三空洞卷积、第五卷积模块、第六卷积模块、第一上卷积模块、第二上卷积模块、第三上卷积模块和第七卷积模块，第三空洞卷积与第六卷积模块输出的图像进行通道融合后输入第一上卷积模块，第一上卷积模块与第二空洞卷积输出的图像进行通道融合后输入第二上卷积模块，第二上卷积模块与第一空洞卷积输出的图像进行通道融合后输入第三上卷积模块，第三上卷积模块与第一卷积模块进行通道融合后输入第七卷积模块，第七卷积模块输出热力图像。
4.根据权利要求3所述基于车牌字符区域热力图的车牌检测方法，其特征在于，所述第一卷积模块、第二卷积模块和第七卷积模块均包含64个3×3卷积核的卷积层和Relu层，第三卷积模块包含128个3×3卷积核的卷积层和Relu层，第四卷积模块包含256个3×3卷积核的卷积层和Relu层，第五卷积模块和第六卷积模块均包含512个3×3卷积核的卷积层和Relu层，第一空洞卷积、第二空洞卷积和第三空洞卷积分别为包含128、256和512个3×3空洞卷积核的卷积层以及Relu层，每个空洞卷积的扩张率均取2，第一上卷积模块、第二上卷积模块、第三上卷积模块均包含反卷积层、PRelu层、卷积层和PRelu层。
CN202211036437.1A 2022-08-29 2022-08-29 一种基于车牌字符区域热力图的车牌检测方法 Pending CN115116047A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211036437.1A CN115116047A (zh) 2022-08-29 2022-08-29 一种基于车牌字符区域热力图的车牌检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211036437.1A CN115116047A (zh) 2022-08-29 2022-08-29 一种基于车牌字符区域热力图的车牌检测方法

Publications (1)

Publication Number Publication Date
CN115116047A true CN115116047A (zh) 2022-09-27

Family

ID=83335970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211036437.1A Pending CN115116047A (zh) 2022-08-29 2022-08-29 一种基于车牌字符区域热力图的车牌检测方法

Country Status (1)

Country Link
CN (1) CN115116047A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845487A (zh) * 2016-12-30 2017-06-13 佳都新太科技股份有限公司 一种端到端的车牌识别方法
CN108090423A (zh) * 2017-12-01 2018-05-29 上海工程技术大学 一种基于热力图和关键点回归的深度车牌检测方法
CN109740603A (zh) * 2019-01-21 2019-05-10 闽江学院 基于cnn卷积神经网络下的车辆字符识别方法
CN109840521A (zh) * 2018-12-28 2019-06-04 安徽清新互联信息科技有限公司 一种基于深度学习的一体化车牌识别方法
US10460602B1 (en) * 2016-12-28 2019-10-29 Palantir Technologies Inc. Interactive vehicle information mapping system
CN110427937A (zh) * 2019-07-18 2019-11-08 浙江大学 一种基于深度学习的倾斜车牌矫正和不定长车牌识别方法
CN110490256A (zh) * 2019-08-20 2019-11-22 中国计量大学 一种基于关键点热图的车辆检测方法
CN110969160A (zh) * 2019-11-21 2020-04-07 合肥工业大学 一种基于深度学习的车牌图像校正、识别方法及系统
CN111178357A (zh) * 2019-12-31 2020-05-19 松立控股集团股份有限公司 车牌识别方法、系统、设备和存储介质
CN112287941A (zh) * 2020-11-26 2021-01-29 国际关系学院 一种基于自动字符区域感知的车牌识别方法
CN112580629A (zh) * 2020-12-23 2021-03-30 深圳市捷顺科技实业股份有限公司 一种基于深度学习的车牌字符识别方法以及相关装置
CN113221867A (zh) * 2021-05-11 2021-08-06 北京邮电大学 一种基于深度学习的pcb图像字符检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10460602B1 (en) * 2016-12-28 2019-10-29 Palantir Technologies Inc. Interactive vehicle information mapping system
CN106845487A (zh) * 2016-12-30 2017-06-13 佳都新太科技股份有限公司 一种端到端的车牌识别方法
CN108090423A (zh) * 2017-12-01 2018-05-29 上海工程技术大学 一种基于热力图和关键点回归的深度车牌检测方法
CN109840521A (zh) * 2018-12-28 2019-06-04 安徽清新互联信息科技有限公司 一种基于深度学习的一体化车牌识别方法
CN109740603A (zh) * 2019-01-21 2019-05-10 闽江学院 基于cnn卷积神经网络下的车辆字符识别方法
CN110427937A (zh) * 2019-07-18 2019-11-08 浙江大学 一种基于深度学习的倾斜车牌矫正和不定长车牌识别方法
CN110490256A (zh) * 2019-08-20 2019-11-22 中国计量大学 一种基于关键点热图的车辆检测方法
CN110969160A (zh) * 2019-11-21 2020-04-07 合肥工业大学 一种基于深度学习的车牌图像校正、识别方法及系统
CN111178357A (zh) * 2019-12-31 2020-05-19 松立控股集团股份有限公司 车牌识别方法、系统、设备和存储介质
CN112287941A (zh) * 2020-11-26 2021-01-29 国际关系学院 一种基于自动字符区域感知的车牌识别方法
CN112580629A (zh) * 2020-12-23 2021-03-30 深圳市捷顺科技实业股份有限公司 一种基于深度学习的车牌字符识别方法以及相关装置
CN113221867A (zh) * 2021-05-11 2021-08-06 北京邮电大学 一种基于深度学习的pcb图像字符检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KHANH NGUYEN QUOC等: "《An efficient method to improve the accuracy of Vietnamese vehicle license platerecognition in unconstrained environment》", 《2021 INTERNATIONAL CONFERENCE ON MULTIMEDIA ANALYSIS AND PATTERN RECOGNITION (MAPR)》 *
周兴杰等: "《一种改进型卷积神经网络文本识别方法》", 《江苏理工学院学报》 *

Similar Documents

Publication Publication Date Title
CN111640159B (zh) 一种基于孪生卷积神经网络的遥感影像变化检测方法
CN111640125B (zh) 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置
CN114677502B (zh) 一种任意倾斜角度的车牌检测方法
CN111914795A (zh) 一种航拍图像中旋转目标检测方法
CN111612008A (zh) 基于卷积网络的图像分割方法
CN112287941B (zh) 一种基于自动字符区域感知的车牌识别方法
CN110032952B (zh) 一种基于深度学习的道路边界点检测方法
CN110991444A (zh) 面向复杂场景的车牌识别方法及装置
CN112528845B (zh) 一种基于深度学习的物理电路图识别方法及其应用
CN112200117A (zh) 表格识别方法及装置
CN113822278A (zh) 一种无受限场景车牌识别方法
CN112364699A (zh) 基于加权损失融合网络的遥感图像分割方法、装置及介质
CN107944354A (zh) 一种基于深度学习的车辆检测方法
CN114898353B (zh) 一种基于视频序列图像特征与信息的车牌识别方法
CN116645696B (zh) 一种用于多模态行人检测的轮廓信息引导特征检测方法
CN112784834A (zh) 一种自然场景下的车牌自动识别方法
CN111882620A (zh) 一种基于多尺度信息道路可行驶区域分割方法
CN115410189A (zh) 一种复杂场景车牌检测方法
CN111881914B (zh) 一种基于自学习阈值的车牌字符分割方法及系统
CN114882490B (zh) 一种基于点引导定位的无受限场景车牌检测分类方法
CN115116047A (zh) 一种基于车牌字符区域热力图的车牌检测方法
CN113128461B (zh) 基于人体关键点挖掘全尺度特征的行人重识别性能提升方法
CN115171074A (zh) 一种基于多尺度yolo算法的车辆目标识别方法
CN115100639B (zh) 一种利用单个字符矫正的车牌识别方法
CN113888505A (zh) 一种基于语义分割的自然场景文本检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220927

RJ01 Rejection of invention patent application after publication