CN115410189A - 一种复杂场景车牌检测方法 - Google Patents

一种复杂场景车牌检测方法 Download PDF

Info

Publication number
CN115410189A
CN115410189A CN202211341525.2A CN202211341525A CN115410189A CN 115410189 A CN115410189 A CN 115410189A CN 202211341525 A CN202211341525 A CN 202211341525A CN 115410189 A CN115410189 A CN 115410189A
Authority
CN
China
Prior art keywords
license plate
network
plate detection
features
semantic
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
Application number
CN202211341525.2A
Other languages
English (en)
Other versions
CN115410189B (zh
Inventor
刘寒松
王永
王国强
刘瑞
董玉超
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 CN202211341525.2A priority Critical patent/CN115410189B/zh
Publication of CN115410189A publication Critical patent/CN115410189A/zh
Application granted granted Critical
Publication of CN115410189B publication Critical patent/CN115410189B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06V10/77—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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于车牌检测技术领域，涉及一种复杂场景车牌检测方法，先基于深度学习网络生成多尺度特征，在多尺度特征中嵌入语义特征从而极大的缩小问题域，利用多尺度特征弥补语义特征对于细节信息的缺失，为充分糅合语义特征与细节特征之间的互补优势，提出了语义特征与多尺度特征关系建模网络，通过图卷积网络GCN建模二者之间的特征关系，提升了复杂场景下车牌检测的精度，同时针对车牌检测网络采用单一分支优化难的问题，将车牌检测网络拆解为双流网络，不仅可以用来进行复杂场景下的车牌检测，还可用于复杂场景下的物体分割等复杂场景下的检测，在CCPD数据集中精度达到97.9%。

Description

一种复杂场景车牌检测方法
技术领域
本发明属于车牌检测技术领域，涉及一种复杂场景车牌检测方法，尤其涉及一种基于语义特征引导的多尺度关系建模的复杂场景车牌检测方法。
背景技术
随着社会的快速发展，在各行各业，机器以及代替人类从事各项活动，尤其是人工智能的出现，为机器提供了智能化的基础，尤其是智能交通领域的车牌检测，已经基本上代替人类，然而，在复杂场景下的车牌检测方面仍然存在精度不高的问题。
传统的车牌检测方法往往基于手工设计特征采集的方式对车牌检测，因为提取特征的能力有限，其精度没有较大提升。随着车牌检测大规模数据集的提出，基于数据驱动的深度学习方式逐渐成为主流，尤其是基于深度学习的物体检测领域，如，Faster rcnn，yolo等。虽然一些方法尝试将物体检测的算法迁入到车牌检测领域来提升车牌检测精度，取得了非常好的效果，但是，其算法并不是针对车牌检测问题设计，尤其是在困难场景下的车牌检测往往效果差强人意。
由于车牌拍摄条件的复杂性，导致拍摄的车牌图片并不是理想，现有基于深度学习的方式通过融合不同尺度的特征达到检测不同大小车牌的目的，然而，其融合的方式并不能充分发挥车牌检测尺度的优势，尤其是针对复杂场景下的车牌检测，如车牌倾斜、低对比度、雨雪天气等，导致检测精度低。现有方法针对这种困难场景下的车牌检测方法，往往通过在网络中嵌入针对特定问题的处理模块，从而提升车牌检测的精度，针对车牌形变问题引入变形卷积，针对低对比度问题引入图像增强算法，这种方式仅仅在一种困难场景下起作用，在新的困难场景下，仍然存在精度低的问题。
由此可见，针对不同场景下的车牌检测技术，亟需一种新的车牌检测方法，提升不同场景下车牌检测的精度。
发明内容
本发明的目的在于克服现有技术存在的缺点，设计提出一种复杂场景车牌检测方法，解决传统车牌检测方法对于多尺度特征蕴含的深层信息挖掘不充分、问题域大的问题，提高复杂场景下车牌检测的鲁棒性。
为实现上述目的，本发明具体包括如下步骤：
（1）构建车牌检测数据集
采用复杂场景下的车牌图像构建车牌检测数据集，并对车牌图像进行标注，将车牌检测数据集划分为训练集、验证集和测试集；
（2）多尺度特征提取
将车牌图像依次经过归一化和去均值预处理后输入到深度学习Backbone网络，将深度学习Backbone网络不同层的侧输出Conv_0、Conv_1、Conv_2、Conv_3和Conv_4作为不同尺度特征；
（3）语义特征粗定位
在深度学习Backbone网络的语义分支最后一层引入不同膨胀因子的膨胀卷积以及类别分支和回归分支，并计算与水平矩形框之间的位置敏感loss_1；
（4）多尺度特征自适应融合
将深度学习Backbone网络不同层的侧输出通过卷积层以及下采样层和上采样层转变为统一大小的多尺度特征层；
（5）语义特征引导多尺度特征增强
将多尺度特征层输入语义引导的特征增强模块进行多尺度特征增强；
（6）基于图结构的车牌区域细化
将步骤（5）增强后的多尺度特征输入图卷积网络，基于图结构对车牌区域细化，在精细化分支输出层后引入类别分支和回归分支，并计算与畸变框之间的精细化loss_2；
（7）训练网络
使用步骤（1）训练集作为网络的拟合数据，将批量车牌检测图像数据输入到网络中，语义分支的输出结果为车牌类别置信度和回归坐标位置；精细化分支的输出结果为车牌类别置信度和回归坐标位置，采用FocalLoss计算车牌Class 损失，Smooth L1 Loss计算车牌位置误差；经过设定56次完整训练集训练迭代后，保存精度最高的模型参数；
（8）测试网络
使用步骤（1）测试集作为网络的拟合数据，以长宽比例为基准将车牌图像填充后将批量车牌检测图像数据输入网络中，并加载步骤（7）训练好的模型参数，网络输出车牌类别置信度和回归坐标位置，设置阈值过滤掉低置信度的车牌，最后使用非极大抑制删除网络输出的冗余的框，实现复杂场景车牌检测。
作为本发明的进一步技术方案，步骤（1）对车牌图像标注的内容包含车牌的四个顶点位置坐标，对车牌图像标注采用倾斜矩形框坐标和水平矩形框坐标两种标注。
作为本发明的进一步技术方案，步骤（4）所述卷积层的卷积核为
Figure 959298DEST_PATH_IMAGE001
，得到的特征 层为：
Figure 947983DEST_PATH_IMAGE002
，其中
Figure 965618DEST_PATH_IMAGE003
为卷积操作，
Figure 397867DEST_PATH_IMAGE004
为上采样或下采 样操作，
Figure 930480DEST_PATH_IMAGE005
为深度学习Backbone网络不同层的侧输出。
作为本发明的进一步技术方案，步骤（5）所述语义引导的特征增强模块为：
Figure 332642DEST_PATH_IMAGE006
，
其中
Figure 1521DEST_PATH_IMAGE007
为经过膨胀卷积后的特征，T代表转置操作，
Figure 260464DEST_PATH_IMAGE008
代表矩阵点乘法，
Figure 342689DEST_PATH_IMAGE009
代表矩 阵叉乘。
作为本发明的进一步技术方案，步骤（6）的具体过程为：
先构建图卷积网络的节点（i，j）之间的相似性度量为：
Figure 345280DEST_PATH_IMAGE010
，
再构建网络图：
Figure 71928DEST_PATH_IMAGE011
其中，i和j分别为
Figure 767352DEST_PATH_IMAGE012
中层特征的索引。
与现有技术相比，本发明先基于深度学习网络生成多尺度特征，在多尺度特征中嵌入语义特征从而极大的缩小问题域，利用多尺度特征弥补语义特征对于细节信息的缺失，在语义特征引导的基础上，为充分糅合语义特征与细节特征之间的互补优势，提出了语义特征与多尺度特征关系建模网络，通过图卷积网络（GCN）建模二者之间的特征关系，凭借GCN对于非规则物体的建模的优势，极大的提升了复杂场景下车牌检测的精度，同时针对车牌检测网络采用单一分支优化难的问题，将车牌检测网络拆解为双流网络，不仅可以用来进行复杂场景下的车牌检测，还可用于复杂场景下的物体分割等复杂场景下的检测，在CCPD数据集中精度达到97.9%。
附图说明
图1为本发明所述语义引导的特征增强模块结果结构框架示意图。
图2为本发明实现复杂场景车牌检测所采用的整个网络结构图。
图3为本发明实现复杂场景车牌检测的流程框图。
图4为本发明提供的车牌检测结果一，其中（a）为baseline方法，（b）为本发明方法。
图5为本发明提供的车牌检测结果二，其中（a）为baseline方法，（b）为本发明方法。
图6为本发明提供的车牌检测结果三，其中（a）为baseline方法，（b）为本发明方法。
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：
本实施例通过主干网络提取不同层侧输出特征作为多尺度特征，而网络最后一层的特征富含高层语义信息，且对位置敏感，能够精确的定位车牌，而底层多尺度信息富含细节信息，辅助车牌精细化检测（如，尺度变化大，低对比度等复杂场景），为充分糅合语义与底层细节之间的互补优势，通过在多尺度信息中引入语义信息能够极大的缩小问题域，同时，多尺度信息能够弥补语义特征对于细节信息的缺失，本实施例在语义引导的多尺度信息融合的基础上，将二者进行关系建模以精细化车牌检测，首先将二者映射到高纬度空间，然后，凭借GCN对于非规则物体的建模的优势，引入图卷积网络（GCN）建模二者之间的特征关系。针对车牌检测单一网络优化难的问题，将车牌检测网络拆解为两个子网络，即位置敏感loss_1，精细化loss_2，如图1、图2和图3所示，具体实施包括如下步骤：
（1）构建车牌检测数据集
为解决复杂场景下车牌检测的问题，数据集采用复杂场景下的车牌图像构建了包含20000张图像的数据集，车牌标注包含，车牌的四个顶点位置坐标，同时，为了兼顾位置敏感loss_1，本实施例提供两种标注，即倾斜矩形框坐标（主要用于精细化loss_2）和水平矩形框坐标（主要用于位置敏感loss_1），其中数据集划分为训练集，验证集，测试集；
（2）多尺度特征提取
将大小为512
Figure 822026DEST_PATH_IMAGE013
512的车牌图像经过归一化和去均值预处理后输入到Backbone网络 （ResNet），将ResNet的侧输出（Conv_0，Conv_1，Conv_2，Conv_3，Conv_4）作为不同尺度特 征；
（3）语义特征粗定位（loss粗定位坐标框）
因深度学习网络随着层数加深（Conv_0->4），层中蕴含的特征（F）越来越抽象，最 后一层（Conv_4）的特征
Figure 628308DEST_PATH_IMAGE007
富含语义特征，且其对车牌位置敏感，能够提供精确的车牌位置 信息，同时，为增大语义信息的感受野，在语义分支输出层引入不同膨胀因子的膨胀卷积以 及类别分支和回归分支，并计算与车牌图像水平框之间的位置敏感loss_1；
（4）多尺度特征自适应融合（resize到大小相同）
由于最后一层特征对于细节不敏感，如车牌倾斜、不同大小的车牌，为弥补最后一 层特征的细节丢失，本实施例将网络不同层的侧输出（Conv_0->4）通过卷积层Conv（
Figure 475042DEST_PATH_IMAGE001
） 以及下采样层（Down）和上采样层（Up）转变为统一大小（64
Figure 75787DEST_PATH_IMAGE013
64
Figure 132605DEST_PATH_IMAGE013
512）的特征层：
Figure 476999DEST_PATH_IMAGE002
；
（5）语义特征引导多尺度特征增强
为缩小多尺度特征引入导致的问题域过大导致网络不好收敛问题，在多尺度特征层后面引入语义特征作为特征引导，同时，二者存在强互补性，因此，需要设计网络为既能够建模语义特征和多尺度特征之间的互补性，语义特征在其中又要起到引导作用，设计的模块为：
Figure 443818DEST_PATH_IMAGE006
，
其中，T代表转置操作，
Figure 25584DEST_PATH_IMAGE008
代表矩阵点乘法，
Figure 507381DEST_PATH_IMAGE009
代表矩阵叉乘；
（6）基于图结构的车牌区域细化
为克服复杂场景下车牌的畸变、形变等问题，需要将高层语义关系中蕴含的特征建模，本实施例引入图网络来应对复杂场景下不规则车牌的检测，先构建图网络的节点（i，j）之间的相似性度量为：
Figure 593149DEST_PATH_IMAGE010
，
则，网络图的构建为：
Figure 211212DEST_PATH_IMAGE014
其中，i和j分别为
Figure 153760DEST_PATH_IMAGE012
中特征层的索引；
在精细化分支输出层之后引入类别分支和回归分支，并计算与畸变框之间的loss_2；
（7）训练网络
使用步骤（1）中训练集作为网络的拟合数据，将批量车牌检测图片数据
Figure 919591DEST_PATH_IMAGE015
输入到本实施例采用的网络中，分别得到语义分支的输出结果：车 牌类别置信度
Figure 605787DEST_PATH_IMAGE016
和回归坐标位置
Figure 281619DEST_PATH_IMAGE017
；多尺度分支的输出结 果：车牌类别置信度
Figure 395069DEST_PATH_IMAGE018
和回归坐标位置
Figure 398928DEST_PATH_IMAGE019
，其中Class
Figure 888815DEST_PATH_IMAGE020
(0, 1)，代表车牌是否出现，P是输出车牌推荐（proposal）的数量，
Figure 419153DEST_PATH_IMAGE021
为车牌的四个顶点（4
Figure 969083DEST_PATH_IMAGE013
2=8）的坐标；采用FocalLoss计算车牌 Class 损失，Smooth L1 Loss计算车牌Location误差，经过设定56次完整训练集训练迭代 后，保存精度最高的模型参数；
（8）测试网络
使用步骤（1）测试集作为网络的拟合数据，为适应网络输入尺寸，本实施例以长宽比例为基准，将图像填充，然后将批量车牌检测图像数据
Figure 709506DEST_PATH_IMAGE023
输入到网络中，并加载训练好的模型参数，网络输出车牌类别置信度
Figure 737505DEST_PATH_IMAGE025
和回归坐标位置
Figure 122350DEST_PATH_IMAGE027
，设置置信度阈值（0.1）过滤掉低置信度的车牌，最后使用非极大抑制（NMS）删除网络输出的冗余的框。
本实施例通过在多尺度信息中引入语义信息极大的缩小问题域，同时，利用多尺度信息够弥补语义特征对于细节信息的缺失，能够高效的实现车牌检测矫正。
实施例2：
本实施例采用实施例1所述技术方案，利用CCPD数据集对车牌检测效果进行验证，并与现有baseline方法进行对比，检测结果图如图4、图5和图6所示。
本文中未详细说明的网络结构、算法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)

1.一种复杂场景车牌检测方法，其特征在于，具体包括如下步骤：
（1）构建车牌检测数据集
采用复杂场景下的车牌图像构建车牌检测数据集，并对车牌图像进行标注，将车牌检测数据集划分为训练集、验证集和测试集；
（2）多尺度特征提取
将车牌图像依次经过归一化和去均值预处理后输入到深度学习Backbone网络，将深度学习Backbone网络不同层的侧输出作为不同尺度特征；
（3）语义特征粗定位
在深度学习Backbone网络的语义分支最后一层引入不同膨胀因子的膨胀卷积以及类别分支和回归分支，并计算与水平矩形框之间的位置敏感loss_1；
（4）多尺度特征自适应融合
将深度学习Backbone网络不同层的侧输出通过卷积层以及下采样层和上采样层转变为统一大小的多尺度特征层；
（5）语义特征引导多尺度特征增强
将多尺度特征层输入语义引导的特征增强模块进行多尺度特征增强；
（6）基于图结构的车牌区域细化
将步骤（5）增强后的多尺度特征输入图卷积网络，基于图结构对车牌区域细化，在精细化分支输出层后引入类别分支和回归分支，并计算与畸变框之间的精细化loss_2；
（7）训练网络
使用步骤（1）训练集作为网络的拟合数据，将批量车牌检测图像数据输入到网络中，语义分支的输出结果为车牌类别置信度和回归坐标位置；精细化分支的输出结果为车牌类别置信度和回归坐标位置，采用FocalLoss计算车牌Class 损失，Smooth L1 Loss计算车牌位置误差；经过设定56次完整训练集训练迭代后，保存精度最高的模型参数；
（8）测试网络
使用步骤（1）测试集作为网络的拟合数据，以长宽比例为基准将车牌图像填充后将批量车牌检测图像数据输入网络中，并加载步骤（7）训练好的模型参数，网络输出车牌类别置信度和回归坐标位置，设置阈值过滤掉低置信度的车牌，最后使用非极大抑制删除网络输出的冗余的框，实现复杂场景车牌检测。
2.根据权利要求1所述复杂场景车牌检测方法，其特征在于，步骤（1）对车牌图像标注的内容包含车牌的四个顶点位置坐标，对车牌图像标注采用倾斜矩形框坐标和水平矩形框坐标两种标注。
3.根据权利要求2所述复杂场景车牌检测方法，其特征在于，步骤（4）所述卷积层的卷 积核为
Figure 159754DEST_PATH_IMAGE001
，得到的特征层为：
Figure 624234DEST_PATH_IMAGE002
，其中
Figure 558692DEST_PATH_IMAGE003
为卷积操作，
Figure 552055DEST_PATH_IMAGE004
为上采样或下采样操作，
Figure 571964DEST_PATH_IMAGE005
为深度学习Backbone网络不同层的侧输出。
4.根据权利要求3所述复杂场景车牌检测方法，其特征在于，步骤（5）所述语义引导的特征增强模块为：
Figure 574555DEST_PATH_IMAGE006
，
其中
Figure 363520DEST_PATH_IMAGE007
为经过膨胀卷积后的特征，T代表转置操作，
Figure 481779DEST_PATH_IMAGE008
代表矩阵点乘法，
Figure 861421DEST_PATH_IMAGE009
代表矩阵叉 乘。
5.根据权利要求4所述复杂场景车牌检测方法，其特征在于，步骤（6）的具体过程为：
先构建图卷积网络的节点（i，j）之间的相似性度量为：
Figure 402123DEST_PATH_IMAGE010
，
再构建网络图：
Figure DEST_PATH_IMAGE011
其中，i和j分别为
Figure 576753DEST_PATH_IMAGE012
中层特征的索引。
CN202211341525.2A 2022-10-31 2022-10-31 一种复杂场景车牌检测方法 Active CN115410189B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211341525.2A CN115410189B (zh) 2022-10-31 2022-10-31 一种复杂场景车牌检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211341525.2A CN115410189B (zh) 2022-10-31 2022-10-31 一种复杂场景车牌检测方法

Publications (2)

Publication Number Publication Date
CN115410189A true CN115410189A (zh) 2022-11-29
CN115410189B CN115410189B (zh) 2023-01-24

Family

ID=84167982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211341525.2A Active CN115410189B (zh) 2022-10-31 2022-10-31 一种复杂场景车牌检测方法

Country Status (1)

Country Link
CN (1) CN115410189B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601744A (zh) * 2022-12-14 2023-01-13 松立控股集团股份有限公司（Cn） 一种车身与车牌颜色相近的车牌检测方法
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

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209921A (zh) * 2020-01-07 2020-05-29 南京邮电大学 基于改进的YOLOv3网络的车牌检测模型及构建方法
CN111553282A (zh) * 2020-04-29 2020-08-18 北京百度网讯科技有限公司 用于检测车辆的方法和装置
CN112308092A (zh) * 2020-11-20 2021-02-02 福州大学 一种基于多尺度注意力机制的轻量型车牌检测与识别方法
CN112365501A (zh) * 2021-01-13 2021-02-12 南京理工大学 一种基于卷积神经网络的焊件轮廓检测算法
CN112699889A (zh) * 2021-01-07 2021-04-23 浙江科技学院 基于多任务监督的无人驾驶实时道路场景语义分割方法
CN113505634A (zh) * 2021-05-24 2021-10-15 安徽大学 一种双流解码跨任务交互网络的光学遥感图像显著目标检测方法
CN113901897A (zh) * 2021-09-22 2022-01-07 华东理工大学 基于DARFNet模型的停车场车辆检测方法
CN114639171A (zh) * 2022-05-18 2022-06-17 松立控股集团股份有限公司 一种停车场全景安全监控方法
WO2022205018A1 (zh) * 2021-03-30 2022-10-06 广州视源电子科技股份有限公司 车牌字符识别方法、装置、设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209921A (zh) * 2020-01-07 2020-05-29 南京邮电大学 基于改进的YOLOv3网络的车牌检测模型及构建方法
CN111553282A (zh) * 2020-04-29 2020-08-18 北京百度网讯科技有限公司 用于检测车辆的方法和装置
CN112308092A (zh) * 2020-11-20 2021-02-02 福州大学 一种基于多尺度注意力机制的轻量型车牌检测与识别方法
CN112699889A (zh) * 2021-01-07 2021-04-23 浙江科技学院 基于多任务监督的无人驾驶实时道路场景语义分割方法
CN112365501A (zh) * 2021-01-13 2021-02-12 南京理工大学 一种基于卷积神经网络的焊件轮廓检测算法
WO2022205018A1 (zh) * 2021-03-30 2022-10-06 广州视源电子科技股份有限公司 车牌字符识别方法、装置、设备及存储介质
CN113505634A (zh) * 2021-05-24 2021-10-15 安徽大学 一种双流解码跨任务交互网络的光学遥感图像显著目标检测方法
CN113901897A (zh) * 2021-09-22 2022-01-07 华东理工大学 基于DARFNet模型的停车场车辆检测方法
CN114639171A (zh) * 2022-05-18 2022-06-17 松立控股集团股份有限公司 一种停车场全景安全监控方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DEKANG LIU 等: "SLPR: A Deep Learning Based Chinese Ship License Plate Recognition Framework", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
史建伟 等: "基于改进YOLOv3和BGRU的车牌识别系统", 《计算机工程与设计》 *
陆志香 等: "基于卷积神经网络的复杂光照变化车牌图像识别", 《激光杂志》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601744A (zh) * 2022-12-14 2023-01-13 松立控股集团股份有限公司（Cn） 一种车身与车牌颜色相近的车牌检测方法
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
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

Also Published As

Publication number Publication date
CN115410189B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN115410189B (zh) 一种复杂场景车牌检测方法
CN108428229B (zh) 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法
CN113850825B (zh) 基于上下文信息和多尺度特征融合的遥感图像道路分割方法
WO2023077816A1 (zh) 边界优化的遥感图像语义分割方法、装置、设备及介质
CN113065594B (zh) 一种基于北斗数据与遥感影像融合的路网提取方法及装置
CN112651289B (zh) 一种增值税普通发票智能识别与校验系统及其方法
CN111640159A (zh) 一种基于孪生卷积神经网络的遥感影像变化检测方法
CN111652892A (zh) 一种基于深度学习的遥感影像建筑物矢量提取及优化方法
CN114898352A (zh) 一种同时实现图像去雾与车牌检测的方法
CN113420619A (zh) 一种遥感影像建筑物提取方法
CN111738295B (zh) 图像的分割方法及存储介质
CN113822278A (zh) 一种无受限场景车牌识别方法
CN116052094B (zh) 一种船舶检测方法、系统及计算机存储介质
CN111709929A (zh) 一种肺部癌变区域分割与分类检测系统
CN114897738A (zh) 一种基于语义不一致性检测的图像盲修复方法
CN111325697B (zh) 一种基于张量本征变换的彩色图像修复方法
Franken et al. Rebuilding the cadastral map of The Netherlands, the artificial intelligence solution
CN113313031A (zh) 一种基于深度学习的车道线检测和车辆横向定位方法
CN115984894A (zh) 2d图纸特征识别方法、系统、设备及介质
CN115512169A (zh) 基于梯度和区域亲和力优化的弱监督语义分割方法及装置
CN102800078A (zh) 非局部均值图像细节修复方法
CN111768385B (zh) Usb表面缺陷检测的神经网络检测方法
Gao et al. OBM-CNN: a new double-stream convolutional neural network for shield pattern segmentation in ancient oracle bones
CN116778164A (zh) 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法
CN117197449A (zh) 一种基于rgb-d语义分割的slam构建方法及系统

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