CN116311215A - 一种车牌识别方法 - Google Patents
一种车牌识别方法 Download PDFInfo
- Publication number
- CN116311215A CN116311215A CN202310574868.1A CN202310574868A CN116311215A CN 116311215 A CN116311215 A CN 116311215A CN 202310574868 A CN202310574868 A CN 202310574868A CN 116311215 A CN116311215 A CN 116311215A
- Authority
- CN
- China
- Prior art keywords
- license plate
- identified
- character
- centroid
- photo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- 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
- G06V30/15—Cutting or merging image elements, e.g. region growing, watershed or clustering-based techniques
-
- 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
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Character Input (AREA)
Abstract
本发明公开了一种车牌识别方法,属于车牌识别技术领域,包括以下步骤:S1:采集待识别车辆照片,并在待识别车辆照片中确定车牌所在区域,生成待识别车牌照片;S2:确定待识别车牌照片的颜色;S3:划分待识别车牌照片的文字区域和非文字区域;S4:提取待识别车牌照片中文字区域的文字信息以及非文字区域的非文字信息;S5:将待识别车牌的文字信息、非文字信息和颜色作为车牌识别结果。该车牌识别方法通过构建图像区域分割模型提取文字区域和非文字区域,其分割领域准确;同时,针对文字区域和非文字区域的字符复杂程度,采用不同的识别方法,构建不同的匹配分类器,从而达到对车牌的精确识别,减少车牌识别设备的误检率。
Description
技术领域
本发明属于车牌识别技术领域,具体涉及一种车牌识别方法。
背景技术
在停车场中,为了加强对停放车辆的管理,通常需要识别停放的机动车的车牌号。现有车牌识别方法是利用照相机进行闪光拍照,并将拍摄的照片传输至后台服务器处理。为了获取清晰的车牌照片,通常都是通过手动调节照相机的参数后保持拍摄状态,但是当环境变化,例如车辆类型改变、车灯亮度变化时,某些车牌照片就变得不清楚,满足不了监控的需求。另外,现有技术中通常对整个车牌图像进行矫正处理,例如仿射变换或者透射变换,再进行字符识别,没有进行有效的区域分割,因此难以获得准确且清晰的车牌识别效果。
发明内容
本发明为了解决上述问题,提出了一种车牌识别方法。
本发明的技术方案是:一种车牌识别方法包括以下步骤:
S1:采集待识别车辆照片,并在待识别车辆照片中确定车牌所在区域,生成待识别车牌照片;
S2:确定待识别车牌照片的颜色;
S3:划分待识别车牌照片的文字区域和非文字区域;
S4:提取待识别车牌照片中文字区域的文字信息以及非文字区域的非文字信息;
S5:将待识别车牌的文字信息、非文字信息和颜色作为车牌识别结果。
进一步地,S1包括以下子步骤:
S11:将待识别车辆照片均匀划分为若干个矩形块,计算各个矩形块的质心权重,得到质心权重集合;
S12:从质心权重集合中选择四个质心权重,分别为第一质心权重、第二质心权重、第三质心权重和第四质心权重;
S13:根据第一质心权重、第二质心权重、第三质心权重和第四质心权重,确定车牌所在区域,生成待识别车牌照片。
进一步地,S11中,第l个矩形块的质心权重μl的计算公式为:;式中,A表示待识别车辆照片的长,B表示待识别车辆照片的宽,L表示待识别车辆照片矩形块个数,xl表示第l个矩形块的长,yl表示第l个矩形块的宽。
进一步地,S12中,确定第一质心权重、第二质心权重、第三质心权重和第四质心权重的具体方法为:将质心权重集合的各个质心权重从大到小依次排序,将最大的质心权重作为第一质心权重,将除第一质心权重外最大的质心权重作为第二质心权重,将最小的质心权重作为第三质心权重,将除第三质心权重外最小的质心权重作为第四质心权重。
进一步地,S13包括以下子步骤:
S131:将第一质心权重所在矩形块的中心与将第二质心权重所在矩形块的中心连接,作为第一连接线,
S132:将第二质心权重所在矩形块的中心与将第三质心权重所在矩形块的中心连接,作为第二连接线,
S133:将第三质心权重所在矩形块的中心与将第四质心权重所在矩形块的中心连接,作为第三连接线,
S134:将第四质心权重所在矩形块的中心与将第一质心权重所在矩形块的中心连接,作为第四连接线,
S135:将第一连接线、第二连接线、第三连接线、第四连接线的首尾依次顺时针连接,作为车牌所在区域,将车牌所在区域的照片作为待识别车牌照片。
进一步地,S3中,划分待识别车牌照片的文字区域和非文字区域的具体方法为:设定区域标签阈值,构建图像区域分割模型,将待识别车牌照片输入至图像区域分割模型中,生成各个像素点的区域标签值,将小于或等于区域标签阈值的区域标签值所对应的所有像素点作为非文字区域,将大于区域标签阈值的区域标签值所对应的所有像素点作为文字区域。
进一步地,图像区域分割模型F的表达式为:
;式中,hm表示待识别车牌照片中第m个像素点的灰度值,h'表示待识别车牌照片中所有像素点的灰度值的标准差,have表示待识别车牌照片中所有像素点的灰度值的均值,max(·)表示最大值运算,min(·)表示最小值运算。
进一步地,S4中,提取待识别车牌照片中文字区域的文字信息包括以下子步骤:
S41:提取文字区域中各个文字字符所占像素点的亮度值,生成各个文字字符对应的亮度矩阵;
S42:对待识别车牌照片进行小波变换,得到小波系数;
S43:将待识别车牌照片的小波系数与各个文字字符的亮度矩阵的秩相乘,生成各个文字字符的特征向量值;
S44:构建文字匹配分类器,将各个文字字符的特征向量值输入至文字匹配分类器中,生成对应的文字信息。
进一步地,S44中,文字匹配分类器的损失函数J的表达式为:
,式中,j表示待识别车牌照片的小波系数,Xn表示第n个文字字符的亮度矩阵的迹,ρn表示第n个文字字符的特征向量值,s1表示文字匹配分类器的惩罚系数,D1表示文字字符与数据库中标准文字字符的欧式距离,N表示文字字符个数。
进一步地,S4中,提取待识别车牌照片中非文字区域的非文字信息的具体方法为:构建非文字匹配分类器,将各个非文字字符输入至非文字匹配分类器中,生成对应的非文字信息;其中,非文字匹配分类器的损失函数K的表达式为:,式中,s2表示非文字匹配分类器的惩罚系数,D2表示非文字字符与数据库中标准非文字字符的欧式距离。
本发明的有益效果是:
(1)该车牌识别方法通过采集车辆照片,进行区域分割,确定车牌照片,后续步骤只对车牌照片进行处理,可以有效克服各种干扰因素,减少图像处理流程复杂度,提高识别效率;
(2)该车牌识别方法通过构建图像区域分割模型提取文字区域和非文字区域,其分割领域准确;同时,针对文字区域和非文字区域的字符复杂程度,采用不同的识别方法,构建不同的匹配分类器,从而达到对车牌的精确识别,减少车牌识别设备的误检率。
附图说明
图1为车牌识别方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示,本发明提供了一种车牌识别方法,包括以下步骤:
S1:采集待识别车辆照片,并在待识别车辆照片中确定车牌所在区域,生成待识别车牌照片;
S2:确定待识别车牌照片的颜色;
S3:划分待识别车牌照片的文字区域和非文字区域;
S4:提取待识别车牌照片中文字区域的文字信息以及非文字区域的非文字信息;
S5:将待识别车牌的文字信息、非文字信息和颜色作为车牌识别结果。
在本发明实施例中,S1包括以下子步骤:
S11:将待识别车辆照片均匀划分为若干个矩形块,计算各个矩形块的质心权重,得到质心权重集合;
S12:从质心权重集合中选择四个质心权重,分别为第一质心权重、第二质心权重、第三质心权重和第四质心权重;
S13:根据第一质心权重、第二质心权重、第三质心权重和第四质心权重,确定车牌所在区域,生成待识别车牌照片。
在确定待识别车牌照片时,先把待识别车辆照片划分个多个矩形块,通过计算质心权重,确定合适的四个矩形块,其中,第一质心权重所在矩形块的中心应和第二质心权重所在矩形块的中心一列,第三质心权重所在矩形块的中心应和第四质心权重所在矩形块的中心一列,第一质心权重所在矩形块的中心应和第四质心权重所在矩形块的中心一行,第二质心权重所在矩形块的中心应和第三质心权重所在矩形块的中心一行。
在本发明实施例中,S11中,第l个矩形块的质心权重μl的计算公式为:;式中,A表示待识别车辆照片的长,B表示待识别车辆照片的宽,L表示待识别车辆照片矩形块个数,xl表示第l个矩形块的长,yl表示第l个矩形块的宽。
在本发明实施例中,S12中,确定第一质心权重、第二质心权重、第三质心权重和第四质心权重的具体方法为:将质心权重集合的各个质心权重从大到小依次排序,将最大的质心权重作为第一质心权重,将除第一质心权重外最大的质心权重作为第二质心权重,将最小的质心权重作为第三质心权重,将除第三质心权重外最小的质心权重作为第四质心权重。
在本发明实施例中,S13包括以下子步骤:
S131:将第一质心权重所在矩形块的中心与将第二质心权重所在矩形块的中心连接,作为第一连接线,
S132:将第二质心权重所在矩形块的中心与将第三质心权重所在矩形块的中心连接,作为第二连接线,
S133:将第三质心权重所在矩形块的中心与将第四质心权重所在矩形块的中心连接,作为第三连接线,
S134:将第四质心权重所在矩形块的中心与将第一质心权重所在矩形块的中心连接,作为第四连接线,
S135:将第一连接线、第二连接线、第三连接线、第四连接线的首尾依次顺时针连接,作为车牌所在区域,将车牌所在区域的照片作为待识别车牌照片。
车牌照片所在区域实质上是一个矩形,而第一质心权重、第二质心权重、第三质心权重和第四质心权重分别是这个矩形的四个顶点,第一连接线和第三连接线是这个矩形的长,第二连接线和第四连接线是这个矩形的宽。
在本发明实施例中,S3中,划分待识别车牌照片的文字区域和非文字区域的具体方法为:设定区域标签阈值,构建图像区域分割模型,将待识别车牌照片输入至图像区域分割模型中,生成各个像素点的区域标签值,将小于或等于区域标签阈值的区域标签值所对应的所有像素点作为非文字区域,将大于区域标签阈值的区域标签值所对应的所有像素点作为文字区域。
区域标签阈值根据历史车牌数据的经验设定的,其起到划分非文字区域的文字区域的作用。
在本发明实施例中,图像区域分割模型F的表达式为:
;式中,hm表示待识别车牌照片中第m个像素点的灰度值,h'表示待识别车牌照片中所有像素点的灰度值的标准差,have表示待识别车牌照片中所有像素点的灰度值的均值,max(·)表示最大值运算,min(·)表示最小值运算。
在本发明实施例中,S4中,提取待识别车牌照片中文字区域的文字信息包括以下子步骤:
S41:提取文字区域中各个文字字符所占像素点的亮度值,生成各个文字字符对应的亮度矩阵;
S42:对待识别车牌照片进行小波变换,得到小波系数;
S43:将待识别车牌照片的小波系数与各个文字字符的亮度矩阵的秩相乘,生成各个文字字符的特征向量值;
S44:构建文字匹配分类器,将各个文字字符的特征向量值输入至文字匹配分类器中,生成对应的文字信息。
在本发明实施例中,S44中,文字匹配分类器的损失函数J的表达式为:,式中,j表示待识别车牌照片的小波系数,Xn表示第n个文字字符的亮度矩阵的迹,ρn表示第n个文字字符的特征向量值,s1表示文字匹配分类器的惩罚系数,D1表示文字字符与数据库中标准文字字符的欧式距离,N表示文字字符个数。
在本发明实施例中,S4中,提取待识别车牌照片中非文字区域的非文字信息的具体方法为:构建非文字匹配分类器,将各个非文字字符输入至非文字匹配分类器中,生成对应的非文字信息;其中,非文字匹配分类器的损失函数K的表达式为:,式中,s2表示非文字匹配分类器的惩罚系数,D2表示非文字字符与数据库中标准非文字字符的欧式距离。
数据库中包括若干个标准字符,根据当前车牌命名规则决定,具体为阿拉伯数字(0-9)、英文字母(A-Z)、京、沪、津、渝、鲁、冀、晋、蒙、辽、吉、黑、苏、浙、皖、闽、赣、豫、湘、鄂、粤、桂、琼、川、贵、云、藏、陕、甘、青、宁、新、港、澳、台和警等字符信息。其中,阿拉伯数字和英文字母属于标准非文字字符,其余属于标准文字字符。
待识别车牌照片的非文字信息包括阿拉伯数字(0-9)和英文字母(A-Z),其结构较简单,因此将非文字信息直接输入至非文字匹配分类器中,得到非文字字符与数据库中各个标准非文字的相似度,将相似度最高的标准非文字字符作为最终识别结果。
待识别车牌照片的文字信息包括京、沪、津、渝、鲁、冀、晋、蒙、辽、吉、黑、苏、浙、皖、闽、赣、豫、湘、鄂、粤、桂、琼、川、贵、云、藏、陕、甘、青、宁、新、港、澳、台和警等,相对非文字信息其更加复杂,因此需要对文字信息进行矩阵处理,再输入至文字匹配分类器中进行匹配,能够提高识别精度。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种车牌识别方法,其特征在于,包括以下步骤:
S1:采集待识别车辆照片,并在待识别车辆照片中确定车牌所在区域,生成待识别车牌照片;
S2:确定待识别车牌照片的颜色;
S3:划分待识别车牌照片的文字区域和非文字区域;
S4:提取待识别车牌照片中文字区域的文字信息以及非文字区域的非文字信息;
S5:将待识别车牌的文字信息、非文字信息和颜色作为车牌识别结果。
2.根据权利要求1所述的车牌识别方法,其特征在于,所述S1包括以下子步骤:
S11:将待识别车辆照片均匀划分为若干个矩形块,计算各个矩形块的质心权重,得到质心权重集合;
S12:从质心权重集合中选择四个质心权重,分别为第一质心权重、第二质心权重、第三质心权重和第四质心权重;
S13:根据第一质心权重、第二质心权重、第三质心权重和第四质心权重,确定车牌所在区域,生成待识别车牌照片。
4.根据权利要求1所述的车牌识别方法,其特征在于,所述S12中,确定第一质心权重、第二质心权重、第三质心权重和第四质心权重的具体方法为:将质心权重集合的各个质心权重从大到小依次排序,将最大的质心权重作为第一质心权重,将除第一质心权重外最大的质心权重作为第二质心权重,将最小的质心权重作为第三质心权重,将除第三质心权重外最小的质心权重作为第四质心权重。
5.根据权利要求2所述的车牌识别方法,其特征在于,所述S13包括以下子步骤:
S131:将第一质心权重所在矩形块的中心与将第二质心权重所在矩形块的中心连接,作为第一连接线,
S132:将第二质心权重所在矩形块的中心与将第三质心权重所在矩形块的中心连接,作为第二连接线,
S133:将第三质心权重所在矩形块的中心与将第四质心权重所在矩形块的中心连接,作为第三连接线,
S134:将第四质心权重所在矩形块的中心与将第一质心权重所在矩形块的中心连接,作为第四连接线,
S135:将第一连接线、第二连接线、第三连接线、第四连接线的首尾依次顺时针连接,作为车牌所在区域,将车牌所在区域的照片作为待识别车牌照片。
6.根据权利要求1所述的车牌识别方法,其特征在于,所述S3中,划分待识别车牌照片的文字区域和非文字区域的具体方法为:设定区域标签阈值,构建图像区域分割模型,将待识别车牌照片输入至图像区域分割模型中,生成各个像素点的区域标签值,将小于或等于区域标签阈值的区域标签值所对应的所有像素点作为非文字区域,将大于区域标签阈值的区域标签值所对应的所有像素点作为文字区域。
8.根据权利要求1所述的车牌识别方法,其特征在于,所述S4中,提取待识别车牌照片中文字区域的文字信息包括以下子步骤:
S41:提取文字区域中各个文字字符所占像素点的亮度值,生成各个文字字符对应的亮度矩阵;
S42:对待识别车牌照片进行小波变换,得到小波系数;
S43:将待识别车牌照片的小波系数与各个文字字符的亮度矩阵的秩相乘,生成各个文字字符的特征向量值;
S44:构建文字匹配分类器,将各个文字字符的特征向量值输入至文字匹配分类器中,生成对应的文字信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310574868.1A CN116311215B (zh) | 2023-05-22 | 2023-05-22 | 一种车牌识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310574868.1A CN116311215B (zh) | 2023-05-22 | 2023-05-22 | 一种车牌识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116311215A true CN116311215A (zh) | 2023-06-23 |
CN116311215B CN116311215B (zh) | 2023-11-17 |
Family
ID=86820777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310574868.1A Active CN116311215B (zh) | 2023-05-22 | 2023-05-22 | 一种车牌识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311215B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116775849A (zh) * | 2023-08-23 | 2023-09-19 | 成都运荔枝科技有限公司 | 一种线上问题处理系统及方法 |
CN117523734A (zh) * | 2024-01-05 | 2024-02-06 | 深圳市喂车科技有限公司 | 一种基于车辆唯一标识识别的无感支付方法及服务器 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN101859382A (zh) * | 2010-06-03 | 2010-10-13 | 复旦大学 | 一种基于最大稳定极值区域的车牌检测与识别的方法 |
CN102509112A (zh) * | 2011-11-02 | 2012-06-20 | 珠海逸迩科技有限公司 | 车牌识别方法及其识别系统 |
CN103065138A (zh) * | 2012-12-06 | 2013-04-24 | 新疆公众信息产业股份有限公司 | 一种机动车牌号的识别方法 |
CN104200210A (zh) * | 2014-08-12 | 2014-12-10 | 合肥工业大学 | 一种基于部件的车牌字符分割方法 |
CN105760856A (zh) * | 2016-03-18 | 2016-07-13 | 中山大学 | 一种基于无向图分割的车牌定位方法及系统 |
CN106650553A (zh) * | 2015-10-30 | 2017-05-10 | 比亚迪股份有限公司 | 车牌识别方法及系统 |
WO2018072233A1 (zh) * | 2016-10-20 | 2018-04-26 | 中山大学 | 一种基于选择性搜索算法的车标检测识别方法及系统 |
CN108364010A (zh) * | 2018-03-08 | 2018-08-03 | 广东工业大学 | 一种车牌识别方法、装置、设备及计算机可读存储介质 |
CN113128507A (zh) * | 2021-05-12 | 2021-07-16 | 锐捷网络股份有限公司 | 一种车牌识别方法、装置、电子设备及存储介质 |
WO2022141073A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳市锐明技术股份有限公司 | 车牌识别方法、装置及电子设备 |
-
2023
- 2023-05-22 CN CN202310574868.1A patent/CN116311215B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN101859382A (zh) * | 2010-06-03 | 2010-10-13 | 复旦大学 | 一种基于最大稳定极值区域的车牌检测与识别的方法 |
CN102509112A (zh) * | 2011-11-02 | 2012-06-20 | 珠海逸迩科技有限公司 | 车牌识别方法及其识别系统 |
CN103065138A (zh) * | 2012-12-06 | 2013-04-24 | 新疆公众信息产业股份有限公司 | 一种机动车牌号的识别方法 |
CN104200210A (zh) * | 2014-08-12 | 2014-12-10 | 合肥工业大学 | 一种基于部件的车牌字符分割方法 |
CN106650553A (zh) * | 2015-10-30 | 2017-05-10 | 比亚迪股份有限公司 | 车牌识别方法及系统 |
CN105760856A (zh) * | 2016-03-18 | 2016-07-13 | 中山大学 | 一种基于无向图分割的车牌定位方法及系统 |
WO2018072233A1 (zh) * | 2016-10-20 | 2018-04-26 | 中山大学 | 一种基于选择性搜索算法的车标检测识别方法及系统 |
CN108364010A (zh) * | 2018-03-08 | 2018-08-03 | 广东工业大学 | 一种车牌识别方法、装置、设备及计算机可读存储介质 |
WO2022141073A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳市锐明技术股份有限公司 | 车牌识别方法、装置及电子设备 |
CN113128507A (zh) * | 2021-05-12 | 2021-07-16 | 锐捷网络股份有限公司 | 一种车牌识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
ZIED SELMI 等: "Deep Learning System for Automatic License Plate Detection and Recognition", 《2017 14TH IAPR INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION》, pages 1132 - 1138 * |
朱伟: "车辆牌照识别系统的算法研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 03, pages 138 - 6451 * |
杨飞: "车牌识别的关键技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 12, pages 138 - 298 * |
白小明: "基于Blob分析联合特征提取的车牌识别的技术实现", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 06, pages 034 - 796 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116775849A (zh) * | 2023-08-23 | 2023-09-19 | 成都运荔枝科技有限公司 | 一种线上问题处理系统及方法 |
CN116775849B (zh) * | 2023-08-23 | 2023-10-24 | 成都运荔枝科技有限公司 | 一种线上问题处理系统及方法 |
CN117523734A (zh) * | 2024-01-05 | 2024-02-06 | 深圳市喂车科技有限公司 | 一种基于车辆唯一标识识别的无感支付方法及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN116311215B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116311215B (zh) | 一种车牌识别方法 | |
CN107153817B (zh) | 行人重识别数据标注方法和装置 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN111340123A (zh) | 一种基于深度卷积神经网络的图像分数标签预测方法 | |
Kaur et al. | Number plate recognition using OCR technique | |
CN111461238A (zh) | 模型训练方法、字符识别方法、装置、设备及存储介质 | |
Iwamura et al. | Memory-based recognition of camera-captured characters | |
CN111160107B (zh) | 一种基于特征匹配的动态区域检测方法 | |
CN113989794B (zh) | 一种车牌检测和识别方法 | |
CN111414938B (zh) | 一种板式换热器内气泡的目标检测方法 | |
CN113569968A (zh) | 模型训练方法、目标检测方法、装置、设备及存储介质 | |
CN112784754A (zh) | 一种车辆再识别方法、装置、设备及存储介质 | |
CN111126303A (zh) | 一种面向智能停车的多车位检测方法 | |
CN116704490B (zh) | 车牌识别方法、装置和计算机设备 | |
CN113840135A (zh) | 色偏检测方法、装置、设备及存储介质 | |
CN110032999B (zh) | 一种汉字结构退化的低分辨率车牌识别方法 | |
CN113111888B (zh) | 一种图片判别方法及装置 | |
CN115798004A (zh) | 基于局部区域的人脸打卡方法、装置、电子设备及介质 | |
CN110197184A (zh) | 一种基于傅里叶变换的快速图像sift提取方法 | |
CN113112531B (zh) | 一种图像匹配方法及装置 | |
CN112861800B (zh) | 基于改进的Faster R-CNN模型的快递识别方法 | |
CN106408021B (zh) | 一种基于笔画粗细的手写体与印刷体的鉴别方法 | |
CN110555792A (zh) | 基于归一化直方图综合特征向量的图像篡改盲检测方法 | |
CN117409275B (zh) | 一种多角度雷达图像处理方法 | |
CN114627486B (zh) | 电力图纸组成分析方法及系统 |
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 |