CN115937837B - 一种基于位置编码的车牌检测方法、装置及计算机可读存储介质 - Google Patents
一种基于位置编码的车牌检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115937837B CN115937837B CN202211400233.1A CN202211400233A CN115937837B CN 115937837 B CN115937837 B CN 115937837B CN 202211400233 A CN202211400233 A CN 202211400233A CN 115937837 B CN115937837 B CN 115937837B
- Authority
- CN
- China
- Prior art keywords
- map
- license plate
- gaussian distribution
- image
- feature
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 230000001131 transforming effect Effects 0.000 claims abstract description 9
- 101150064138 MAP1 gene Proteins 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 10
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于位置编码的车牌检测方法,通过构建深度学习网络模型获取第一特征图和置信度图;根据二维高斯分布公式对置信度图进行变换,得到以置信度图极值点为中心的椭圆形位置编码图;用拼接的方式融合第一特征图和椭圆形位置编码图得到第二特征图并输入到LPNet模型的第二主干网络进一步提取车牌号码的图像特征并输入到分类器,分类器将车牌号码在不同位置的字符分类出来并生成车牌号码分类图;在置信度图上提取数值超过阈值的极值点,利用高斯分布规律可算出车牌的车框的坐标,再根据所述坐标换算到车牌号码分类图上,提取对应的车牌号码分类结果。
Description
技术领域
本发明涉及信息处理技术领域,具体涉及一种基于位置编码的车牌检测方法、装置及计算机可读存储介质。
背景技术
近年来,随着国内汽车保有量的猛增,给城市交通运输和管理提出了更大的挑战,为了实现高效、精确、稳定的智慧交通管理,车牌自动识别技术成为不可或缺的一部分。国际上发达国家在这方面的研究和应用起步早,技术相对比较成熟,车牌格式也比较统一,而国内起步晚,车牌的款式和位置多样,如今仍然存在一些待攻克的难题。传统方法中,采用车牌定位、字符切分、特征提取以及字符区分(分类或匹配)等步骤,然而,上述传统方法基于手工设计的图像特征算法在真实而多样的场景中鲁棒性较差,而多环节串联导致每个环节的误差累积且难以调试和优化等缺陷,进而提出了基于深度学习模型进行车牌检测的方法,但现有基于深度学习模型进行车牌检测的技术中,准确的字符分类仍然依赖于字符分割技术,而现有端到端的车牌算法存在字符顺序错误或相邻字符重复等问题,原因是无法准确感知车牌字符相对位置。现有端到端的车牌算法存在字符顺序错误或相邻字符重复等问题,原因是无法准确感知车牌字符相对位置。
发明内容
本发明目的在于提供一种基于位置编码的车牌检测方法、装置及计算机可读存储介质,提出一种自动化编码车牌字符位置的深度学习网络模型,并基于此单体模型进行一阶段车牌检测与车牌号识别的方法,解决了现有深度学习字符识别算法中,性能误差累积和车牌号顺序错误、重复等问题。
为了解决上述技术问题,本申请有如下技术方案:
第一方面,本申请提供了一种基于位置编码的车牌检测方法,其包括:
步骤S1,获取车牌图像;
步骤S2,构建深度学习网络模型,所述深度学习网络模型是LPNet模型,将获取的所述车牌图像输入所述深度学习网络模型模型的第一主干网络(backbone 1)进行图像特征提取并得到图像的第一特征图feature map1,将得到的所述feature map1输入到回归器regression 1中,并输出符合高斯分布规律的置信图gaussian score map、中心位置偏移图offset map和窗口尺寸图win map;
步骤S3,根据二维高斯分布公式对置信度图gaussian score map进行变换,得到以置信度图极值点为中心的椭圆形位置编码图Coord-Encoded Map;
步骤S4,用拼接的方式融合feature map 1和coord-encoded map得到第二特征图feature map 2,输入到LPNet模型的第二主干网络(backbone 2)进一步提取车牌号码的图像特征并输入到分类器,所述分类器将车牌号码在不同位置的字符分类出来并生成车牌号码分类图plate number classification map,所述分类器具有8个分支输出对应车牌号按顺序8个不同位置的字符;
步骤S5,在gaussian score map上提取数值超过阈值thresh的极值点,利用高斯分布规律算出车牌的边框bounding box的坐标,再根据所述坐标换算到plate numberclassification map上,提取所述坐标对应的车牌号码分类结果。
进一步地,所述feature map1是通过所述第一主干网络对图像的每一个特征进行卷积操作,得到一个新的二维数组。
进一步地,所述Coord-Encoded Map是旋转和尺度归一的,对于不同旋转角、仿射角、尺寸的车牌字符位置有相近而不变的值,用于辅助区分字符在车牌号中的顺序位置。
第二方面,本申请提供了一种基于位置编码的车牌检测装置,其包括:
图像获取模块,用于获取车牌图像;
网络模型构建模块,用于构建深度学习网络模型,所述深度学习网络模型是LPNet模型,将获取的所述车牌图像输入所述深度学习网络模型的第一主干网络(backbone 1)进行图像特征提取并得到图像的feature map1,将得到的所述feature map1输入到回归器regression 1中,并输出符合高斯分布规律的置信图gaussian score map、中心位置偏移图offset map和窗口尺寸图win map;
变换模块,用于根据二维高斯分布公式对置信度图gaussian score map进行变换,得到以置信度图极值点为中心的椭圆形位置编码图Coord-Encoded Map;
分类模块,用于使用拼接的方式融合feature map 1和coord-encoded map得到feature map 2,在用LPNet模型的第二主干网络(backbone 2)进一步提取车牌号码的图像特征并输入到分类器,所述分类器将车牌号码在不同位置的字符分类出来并生成车牌号码分类图plate number classification map,所述分类器具有8个分支输出对应车牌号按顺序8个不同位置的字符;
提取模块,用于在gaussian score map上提取数值超过阈值thresh的极值点,利用高斯分布规律算出车牌的边框bounding box的坐标,再根据所述坐标换算到platenumber classification map上,提取所述坐标对应的车牌号码分类结果。
进一步地,所述feature map1是通过所述第一主干网络对图像的每一个特征进行卷积操作,得到一个新的二维数组。
进一步地,所述Coord-Encoded Map是旋转和尺度归一的,对于不同旋转角、仿射角、尺寸的车牌字符位置有相近而不变的值,用于辅助区分字符在车牌号中的顺序位置。
进一步地,根据二维高斯分布公式对置信度图gaussian score map进行变换,得到以置信度图极值点为中心的椭圆形位置编码图Coord-Encoded Map。
第三方面,本申请提供了一种计算机可读存储介质,存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时可以实现如前面实施例所述的一种基于位置编码的车牌检测方法。
现有技术的车牌识别检测方法中,包围框有时不能完整地囊括车牌,且因包围框大小不稳定而导致车牌图像的尺度变化大,导致车牌号识别不准确。然而在本发明的方法中,车牌号识别快速准确,识别结果不依赖于包围框的检测结果。
附图说明
图1为本发明一实施例提供的一种基于位置编码的车牌检测方法的流程示意图;
图2为本发明一实施例提供的一种基于位置编码的车牌检测装置的结构示意图。
具体实施方式
以下结合具体实施例对上述方案做进一步说明。应理解,这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以如具体厂家的条件做进一步调整,未注明的实施条件通常为常规实验中的条件。
本申请公开了一种基于位置编码的车牌检测方法,请参考图1所示为本发明一种基于位置编码的车牌检测方法的流程示意图,包括以下步骤:
步骤S1,获取车牌图像。
具体地,获取车牌图像的过程包括通过车牌摄像头获取车牌图像。
步骤S2,构建深度学习网络模型,所述深度学习网络模型是LPNet模型,将获取的所述车牌图像输入所述深度学习网络模型的第一主干网络(backbone 1)进行图像特征提取并得到图像的feature map1,将得到的所述feature map1输入到回归器regression 1中,并输出符合高斯分布规律的置信图gaussian score map、中心位置偏移图offset map和窗口尺寸图win map。具体地,所述feature map1是通过所述第一主干网络对图像的每一个特征进行卷积操作,得到一个新的二维数组。
步骤S3,根据二维高斯分布公式对置信度图gaussian score map进行变换,得到以置信度图极值点为中心的椭圆形位置编码图Coord-Encoded Map。具体地,所述置信图极值点为遍历置信度图寻找数值超过阈值的极值点,预先设置阈值,在置信度图中进行遍历筛选,获得所述极值点以及相应的坐标值。具体地,所述根据二维高斯分布公式对置信度图gaussian score map进行变换,得到以置信度图极值点为中心的椭圆形位置编码图Coord-Encoded Map具体包括:
构建二维高斯分布公式:
其中a为高斯分布强度,默认为1,xo、yo置信度图中极值点的中心坐标,σx、σy为二维高斯分布标准差,x、y分别表示车牌图像中字符像素点在直角坐标系中的横坐标和纵坐标。
对上述二维高斯分布公式进行编码变换得到归一化的椭形分布公式g(x,y),所述编码变换具体包括,对所述二维高斯分布公式取对数和负数得到:
令g(x,y)=-lnf(x,y),得到归一化的椭形分布公式
根据所述归一化的椭形分布公式生成椭圆形位置编码图Coord-Encoded Map。具体地,所述Coord-Encoded Map是旋转和尺度归一的,对于不同旋转角、仿射角、尺寸的车牌字符位置有相近而不变的值,用于辅助区分字符在车牌号中的顺序位置。
步骤S4,用拼接的方式融合feature map 1和coord-encoded map得到featuremap 2,在用LPNet模型的第二主干网络(backbone 2)进一步提取车牌号码的图像特征并输入到分类器,所述分类器将车牌号码在不同位置的字符分类出来并生成车牌号码分类图plate number classification map,所述分类器具有8个分支输出对应车牌号按顺序8个不同位置的字符。
步骤S5,在gaussian score map上提取数值超过阈值thresh的极值点,利用高斯分布规律算出车牌的边框bounding box的坐标,再根据所述坐标换算到plate numberclassification map上,提取所述坐标对应的车牌号码分类结果。
图2为本发明一实施例提供的一种基于位置编码的车牌检测装置的结构示意图。
如图2所示,所述基于位置编码的车牌检测装置包括:
图像获取模块,用于获取车牌图像;
网络模型构建模块,用于构建深度学习网络模型,所述深度学习网络模型是LPNet模型,将获取的所述车牌图像输入所述深度学习网络模型的第一主干网络(backbone 1)进行图像特征提取并得到图像的feature map1,将得到的所述feature map1输入到回归器regression 1中,并输出符合高斯分布规律的置信图gaussian score map、中心位置偏移图offset map和窗口尺寸图win map。
具体地,所述feature map1是通过所述第一主干网络对图像的每一个特征进行卷积操作,得到一个新的二维数组。
变换模块,用于根据二维高斯分布公式对置信度图gaussian score map进行变换,得到以置信度图极值点为中心的椭圆形位置编码图Coord-Encoded Map。
具体地,所述置信图极值点为遍历置信度图寻找数值超过阈值的极值点,预先设置阈值,在置信度图中进行遍历筛选,获得所述极值点以及相应的坐标值。
具体地,所述根据二维高斯分布公式对置信度图gaussian score map进行变换,得到以置信度图极值点为中心的椭圆形位置编码图Coord-Encoded Map具体包括:
构建二维高斯分布公式:
其中a为高斯分布强度,默认为1,xo、yo表示置信度图中极值点的中心坐标,σx、σy为二维高斯分布标准差,x、y分别表示车牌图像中字符像素点在直角坐标系中的横坐标和纵坐标。
对上述二维高斯分布公式进行编码变换得到归一化的椭形分布公式g(x,y),所述编码变换具体包括,对所述二维高斯分布公式取对数和负数得到:
令g(x,y)=-lnf(x,y),得到归一化的椭形分布公式
根据所述归一化的椭形分布公式生成椭圆形位置编码图Coord-Encoded Map。
分类模块,用于通过拼接的方式融合feature map 1和coord-encoded map得到feature map 2,在用LPNet模型的第二主干网络(backbone 2)进一步提取车牌号码的图像特征并输入到分类器,所述分类器将车牌号码在不同位置的字符分类出来并生成车牌号码分类图plate number classification map,所述分类器具有8个分支输出对应车牌号按顺序8个不同位置的字符。
具体地,所述Coord-Encoded Map是旋转和尺度归一的,对于不同旋转角、仿射角、尺寸的车牌字符位置有相近而不变的值,用于辅助区分字符在车牌号中的顺序位置。
号码提取模块,在gaussian score map上提取数值超过阈值thresh的极值点,利用高斯分布规律算出车牌的bounding box的坐标,再根据所述坐标换算到plate numberclassification map上,提取所述坐标对应的车牌号码分类结果。
利用目标检测中符合高斯分布规律的置信度响应这一特点,深度学习网络模型能自动编码车牌字符位置,并基于此单体模型成功实现一阶段车牌检测与车牌号识别,以解决现有深度学习字符识别算法中,性能误差累积和车牌号顺序错误、重复、长度不对等问题。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,所述计算机程序被设置为运行时可以实现如前面实施例所述的一种基于位置编码的车牌检测方法。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (7)
1.一种基于位置编码的车牌检测方法,其特征在于,包括以下步骤:步骤S1,获取车牌图像;
步骤S2,构建深度学习网络模型,所述深度学习网络模型是LPNet模型,将获取的所述车牌图像输入所述深度学习网络模型的第一主干网络进行图像特征提取并得到图像的第一特征图featuremap1,将得到的所述featuremap1输入到回归器regression 1中,并输出符合高斯分布规律的置信图gaussian score map、中心位置偏移图offset map和窗口尺寸图win map;
步骤S3,根据二维高斯分布公式对置信度图gaussian score map进行变换,得到以置信度图极值点为中心的椭圆形位置编码图coord-encoded Map;具体包括:构建二维高斯分布公式:
其中a为高斯分布强度,默认为1,表示置信度图中极值点的中心坐标,/>、/>为二维高斯分布标准差,/>分别表示车牌图像中字符像素点在直角坐标系中的横坐标和纵坐标;
对上述二维高斯分布公式进行编码变换得到归一化的椭形分布公式g(x,y),所述编码变换具体包括,对所述二维高斯分布公式取对数和负数得到:
令g(x,y)=,得到归一化的椭形分布公式g(x,y)=/>,
根据所述归一化的椭形分布公式生成椭圆形位置编码图coord-encoded Map;
步骤S4, 用拼接的方式融合feature map 1和coord-encoded map得到第二特征图feature map 2,输入到LPNet模型的第二主干网络进一步提取车牌号码的图像特征并输入到分类器,所述分类器将车牌号码在不同位置的字符分类出来并生成车牌号码分类图plate number classification map,所述分类器具有8个分支输出对应车牌号按顺序8个不同位置的字符;
步骤S5,在gaussian score map上提取数值超过阈值thresh的极值点,利用高斯分布规律算出车牌的边框bounding box的坐标,再根据所述坐标换算到plate numberclassification map上,提取所述坐标对应的车牌号码分类结果。
2.根据权利要求1所述的一种基于位置编码的车牌检测方法,其特征在于,所述featuremap1是通过所述第一主干网络对图像的每一个特征进行卷积操作,得到一个新的二维数组。
3.根据权利要求1所述的一种基于位置编码的车牌检测方法,其特征在于,所述Coord-Encoded Map是旋转和尺度归一的,对于不同旋转角、仿射角、尺寸的车牌字符位置有相近而不变的值,用于辅助区分字符在车牌号中的顺序位置。
4.一种基于位置编码的车牌检测装置,其特征在于,其包括:图像获取模块,用于获取车牌图像;
网络模型构建模块,用于构建深度学习网络模型,所述深度学习网络模型是LPNet模型,将获取的所述车牌图像输入所述深度学习网络模型的第一主干网络进行图像特征提取并得到图像的第一特征图featuremap1,将得到的所述featuremap1输入到回归器regression 1中,并输出符合高斯分布规律的置信图gaussian score map、中心位置偏移图offset map和窗口尺寸图win map;
变换模块,用于根据二维高斯分布公式对置信度图gaussian score map进行变换,得到以置信度图极值点为中心的椭圆形位置编码图coord-encoded Map;具体包括:构建二维高斯分布公式:
其中a为高斯分布强度,默认为1,表示置信度图中极值点的中心坐标,/>、/>为二维高斯分布标准差,/>分别表示车牌图像中字符像素点在直角坐标系中的横坐标和纵坐标;
对上述二维高斯分布公式进行编码变换得到归一化的椭形分布公式g(x,y),所述编码变换具体包括,对所述二维高斯分布公式取对数和负数得到:
令g(x,y)=,得到归一化的椭形分布公式g(x,y)=/>,
根据所述归一化的椭形分布公式生成椭圆形位置编码图coord-encoded Map;
分类模块,用于使用拼接的方式融合feature map 1和coord-encoded map得到第二特征图feature map 2,输入到LPNet模型的第二主干网络进一步提取车牌号码的图像特征并输入到分类器,所述分类器将车牌号码在不同位置的字符分类出来并生成车牌号码分类图plate number classification map,所述分类器具有8个分支输出对应车牌号按顺序8个不同位置的字符;
分类模块,用于在gaussian score map上提取数值超过阈值thresh的极值点,利用高斯分布规律可算出车牌的bounding box,再根据坐标换算到plate numberclassification map上,提取对应的车牌号码分类结果;
提取模块,用于在gaussian score map上提取数值超过阈值thresh的极值点,利用高斯分布规律算出车牌的边框bounding box的坐标,再根据所述坐标换算到plate numberclassification map上,提取所述坐标对应的车牌号码分类结果。
5.根据权利要求4所述的一种基于位置编码的车牌检测装置,其特征在于,所述featuremap1是通过所述第一主干网络对图像的每一个特征进行卷积操作,得到一个新的二维数组。
6.根据权利要求4所述的一种基于位置编码的车牌检测装置,其特征在于,所述Coord-Encoded Map是旋转和尺度归一的,对于不同旋转角、仿射角、尺寸的车牌字符位置有相近而不变的值,用于辅助区分字符在车牌号中的顺序位置。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1-3任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211400233.1A CN115937837B (zh) | 2022-11-09 | 2022-11-09 | 一种基于位置编码的车牌检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211400233.1A CN115937837B (zh) | 2022-11-09 | 2022-11-09 | 一种基于位置编码的车牌检测方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937837A CN115937837A (zh) | 2023-04-07 |
CN115937837B true CN115937837B (zh) | 2023-10-27 |
Family
ID=86696745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211400233.1A Active CN115937837B (zh) | 2022-11-09 | 2022-11-09 | 一种基于位置编码的车牌检测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937837B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102375991A (zh) * | 2010-08-24 | 2012-03-14 | 北京中星微电子有限公司 | 分类器训练方法和装置以及字符识别方法和装置 |
KR101738129B1 (ko) * | 2017-01-18 | 2017-05-22 | 주식회사 엠제이비전테크 | 단일 카메라를 이용한 원거리 영상에서의 차량 번호판 인식 장치 및 그 방법 |
CN109086722A (zh) * | 2018-08-06 | 2018-12-25 | 汉王科技股份有限公司 | 混合车牌识别方法、装置、电子设备 |
CN110705338A (zh) * | 2018-07-10 | 2020-01-17 | 浙江宇视科技有限公司 | 车辆检测方法、装置及监控设备 |
CN112215229A (zh) * | 2020-08-27 | 2021-01-12 | 北京英泰智科技股份有限公司 | 基于轻量网络端到端的车牌识别方法及装置 |
JP2021119506A (ja) * | 2020-06-12 | 2021-08-12 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | ナンバープレート認識方法、ナンバープレート認識モデルの訓練方法及び装置 |
CN114913515A (zh) * | 2021-12-31 | 2022-08-16 | 北方工业大学 | 端到端的车牌识别网络构建方法 |
CN217279844U (zh) * | 2022-01-07 | 2022-08-23 | 粤丰科盈智能投资(广东)有限公司 | 一种路内泊车位巡检装置 |
CN115063807A (zh) * | 2022-05-31 | 2022-09-16 | 北京开拓鸿业高科技有限公司 | 图像处理方法、装置、可读存储介质及电子设备 |
-
2022
- 2022-11-09 CN CN202211400233.1A patent/CN115937837B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102375991A (zh) * | 2010-08-24 | 2012-03-14 | 北京中星微电子有限公司 | 分类器训练方法和装置以及字符识别方法和装置 |
KR101738129B1 (ko) * | 2017-01-18 | 2017-05-22 | 주식회사 엠제이비전테크 | 단일 카메라를 이용한 원거리 영상에서의 차량 번호판 인식 장치 및 그 방법 |
CN110705338A (zh) * | 2018-07-10 | 2020-01-17 | 浙江宇视科技有限公司 | 车辆检测方法、装置及监控设备 |
CN109086722A (zh) * | 2018-08-06 | 2018-12-25 | 汉王科技股份有限公司 | 混合车牌识别方法、装置、电子设备 |
JP2021119506A (ja) * | 2020-06-12 | 2021-08-12 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | ナンバープレート認識方法、ナンバープレート認識モデルの訓練方法及び装置 |
CN112215229A (zh) * | 2020-08-27 | 2021-01-12 | 北京英泰智科技股份有限公司 | 基于轻量网络端到端的车牌识别方法及装置 |
CN114913515A (zh) * | 2021-12-31 | 2022-08-16 | 北方工业大学 | 端到端的车牌识别网络构建方法 |
CN217279844U (zh) * | 2022-01-07 | 2022-08-23 | 粤丰科盈智能投资(广东)有限公司 | 一种路内泊车位巡检装置 |
CN115063807A (zh) * | 2022-05-31 | 2022-09-16 | 北京开拓鸿业高科技有限公司 | 图像处理方法、装置、可读存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的端到端车牌检测识别系统;曹正凤;李少丁;王栋梁;徐建波;刘晗;卓晴;;中国交通信息化(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115937837A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020221298A1 (zh) | 文本检测模型训练方法、文本区域、内容确定方法和装置 | |
CN111582339B (zh) | 一种基于深度学习的车辆检测与识别的方法 | |
CN110956081B (zh) | 车辆与交通标线位置关系的识别方法、装置及存储介质 | |
CN112287941B (zh) | 一种基于自动字符区域感知的车牌识别方法 | |
CN113269224B (zh) | 一种场景图像分类方法、系统及存储介质 | |
CN112132145B (zh) | 一种基于模型扩展卷积神经网络的图像分类方法及系统 | |
CN114693924A (zh) | 一种基于多模型融合的道路场景语义分割方法 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111950583B (zh) | 一种基于gmm聚类的多尺度识别交通信号标志的方法 | |
CN112819000A (zh) | 街景图像语义分割系统及分割方法、电子设备及计算机可读介质 | |
CN116453121B (zh) | 一种车道线识别模型的训练方法及装置 | |
CN116524189A (zh) | 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法 | |
CN112183542A (zh) | 基于文本图像的识别方法、装置、设备和介质 | |
CN112052819A (zh) | 一种行人重识别方法、装置、设备及存储介质 | |
CN111160282B (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
CN115937837B (zh) | 一种基于位置编码的车牌检测方法、装置及计算机可读存储介质 | |
CN113096133A (zh) | 一种基于注意力机制的语义分割网络的构建方法 | |
CN116229406B (zh) | 车道线检测方法、系统、电子设备及存储介质 | |
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 | |
CN111738069A (zh) | 人脸检测方法、装置、电子设备及存储介质 | |
CN116071557A (zh) | 一种长尾目标检测方法、计算机可读存储介质及驾驶设备 | |
CN115294368A (zh) | 数据筛选方法、装置、电子设备及计算机存储介质 | |
CN115424250A (zh) | 一种车牌识别方法及装置 | |
CN109299652B (zh) | 一种用于图像定位的模型训练方法、图像定位方法及装置 | |
Amon et al. | Philippine license plate character recognition using faster R-CNN with InceptionV2 |
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 |