CN116665197A - 一种基于双目视觉的停车场防逃费车牌识别方法及系统 - Google Patents
一种基于双目视觉的停车场防逃费车牌识别方法及系统 Download PDFInfo
- Publication number
- CN116665197A CN116665197A CN202310629622.XA CN202310629622A CN116665197A CN 116665197 A CN116665197 A CN 116665197A CN 202310629622 A CN202310629622 A CN 202310629622A CN 116665197 A CN116665197 A CN 116665197A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- area
- binocular vision
- vertexes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000002265 prevention Effects 0.000 title claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 13
- 230000004888 barrier function Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于双目视觉的停车场防逃费车牌识别方法及系统,该方法包括:构建双目视觉系统拍摄车辆图像并进行图像识别分割处理,获取车牌图像;根据相似三角形定理对车牌图像进行空间坐标识别计算处理,获取车牌四个顶点对应的空间坐标;根据车牌四个顶点对应的空间坐标获取车牌区域的面积;引入容忍误差构建正常车牌的判定条件,对所述车牌区域的面积进行判定识别处理,输出车牌识别结果。本发明通过采用双目视觉的技术识别车牌,从根本上避免“照片开启道闸”现象,保障停车场与车主权益。本发明作为一种基于双目视觉的停车场防逃费车牌识别方法及系统,可广泛应用于车牌识别技术领域。
Description
技术领域
本发明涉及车牌识别技术领域,尤其涉及一种基于双目视觉的停车场防逃费车牌识别方法及系统。
背景技术
城市各类停车场普遍使用无人值守收费管理方案,凭借视频采集技术智能识别车牌并完成缴费,使得车辆进出停车场高效便捷,目前停车场采用的主要技术为静态图像识别技术,通过摄像头拍摄照片,利用照片来定位相应的车牌,然后再将车牌文字、数字进行分割、识别,然而,该项技术存在较大安全漏洞,导致了用照片就能打开停车场闸门的现象,媒体平台也出现多个“车牌照片骗过小区闸机”的新闻、视频,车主通过事先用手机拍好的车牌号照片对着车牌识别系统的摄像头,道闸便随之抬起,所谓的道闸形同虚设,若车辆随意进入无人收费停车场,车场与正常缴费的车主权益均难以得到保障;
而现有的技术中,有通过防逃费处理模块依次将同一辆车不同位置识别的车牌信息与ETC交易成功的车牌信息进行匹配,识别信息匹配成功判断为缴费车辆,否则判定为未缴费车辆,但是其场景平台不适用城市无人停车场,同时其单元模块需要一个或多个激光雷达、超声波雷达、摄像头、红外光栅装置等,成本过高,也有通过将车牌快速识别与定位技术融合,时空同步实现车牌和地理位置和时间的精准同步,达到防逃费的效果,但是高准确度的车辆定位与车牌识别结合的防逃费方法技术复杂,设备复杂,成本高,实施难度过大,再者还有通过获取出场车辆的车牌号码、且没有获取人员滞留报警信号的情况下开启出口道闸,但是其适用场景是理想化条件,实际的城市停车场出入口出现人员的情况是常态,部分停车场人员出入口与人员出入口并行,当有人员持续出现则道闸无法抬起,该技术并不适用于复杂车况与大人流的停车场,且该技术人员图像分析边缘算法算力开销大,对计算机设备成本要求高,因此,需要一种停车场防逃费车牌识别系统填补车牌识别漏洞。
发明内容
为了解决上述技术问题,本发明的目的是提供一种基于双目视觉的停车场防逃费车牌识别方法及系统,通过采用双目视觉的技术识别车牌,从根本上避免“照片开启道闸”现象,保障停车场与车主权益。
本发明所采用的第一技术方案是:一种基于双目视觉的停车场防逃费车牌识别方法,包括以下步骤:
构建双目视觉系统拍摄车辆图像并进行图像识别分割处理,获取车牌图像;
根据相似三角形定理对车牌图像进行空间坐标识别计算处理,获取车牌四个顶点对应的空间坐标;
根据车牌四个顶点对应的空间坐标获取车牌区域的面积;
引入容忍误差构建正常车牌的判定条件,对所述车牌区域的面积进行判定识别处理,输出车牌识别结果,所述车牌识别结果包括正常车牌与异常车牌。
进一步,所述构建双目视觉系统拍摄车辆图像并进行图像识别分割处理,获取车牌图像这一步骤,其具体包括:
构建双目识别系统,所述双目识别系统包括第一摄像头和第二摄像头,其中所述双目识别系统为同面同向安装,之间距离为b,焦距为f;
通过第一摄像头和第二摄像头分别拍摄第一车辆图像和第二车辆图像;
通过图像识别分割对第一车辆图像和第二车辆图像进行识别处理,得到第一车牌图像和第二车牌图像。
进一步,所述根据相似三角形定理对车牌图像进行空间坐标识别计算处理,获取车牌四个顶点对应的空间坐标这一步骤,其具体包括:
对第一车牌图像和第二车牌图像进行空间变换处理;
基于空间变换后的车牌图像,以车牌图像的正中点为原点,获取第一车牌图像顶点在x轴上的坐标值和第二车牌图像顶点在x轴上的坐标值;
根据相似三角形定理,获取第一车辆图像和第二车辆图像对应的四个顶点对应的空间坐标。
进一步,所述根据车牌四个顶点对应的空间坐标获取车牌区域的面积这一步骤,其具体包括:
基于车牌四个顶点对应的空间坐标,计算对应的空间坐标向量;
根据车牌四个顶点的空间坐标向量获取车牌区域的面积。
进一步,所述车牌区域的面积的计算公式具体如下所示:
上式中,P1、P2、P3和P4表示车牌的四个顶点,和/>表示车牌四个顶点的空间坐标向量,S1234表示车牌区域的面积,X1、Y1和Z1表示车牌第一顶点的空间坐标,X2、Y2和Z2表示车牌第二顶点的空间坐标,X3、Y3和Z3表示车牌第三顶点的空间坐标,X4、Y4和Z4表示车牌第四顶点的空间坐标。
进一步,所述引入容忍误差构建正常车牌的判定条件,对所述车牌区域的面积进行判定识别处理,输出车牌识别结果这一步骤,其具体包括:
引入容忍误差构建正常车牌的判定条件,对所述车牌区域的面积进行判定识别处理,获取识别结果;
对识别结果进行判断,所述识别结果不满足正常车牌的判定条件,则为异常车牌;
所述识别结果满足正常车牌的判定条件,则为正常车牌。
进一步,所述正常车牌的判定条件的表达式为:
上式中,61600表示正常车牌的大小,ε表示容忍误差。
进一步,还包括根据统计学,推理容忍误差的计算公式为:
ε=3σ
上式中,μ表示均值,σ表示标准差,mi表示第i次采集的车辆车牌面积。
本发明所采用的第二技术方案是:一种基于双目视觉的停车场防逃费车牌识别系统,包括:
获取模块,用于构建双目视觉系统拍摄车辆图像并进行图像识别分割处理,获取车牌图像;
识别模块,用于根据相似三角形定理对车牌图像进行空间坐标识别计算处理,获取车牌四个顶点对应的空间坐标;
计算模块,用于根据车牌四个顶点对应的空间坐标获取车牌区域的面积;
判定模块,用于引入容忍误差构建正常车牌的判定条件,对所述车牌区域的面积进行判定识别处理,输出车牌识别结果,所述车牌识别结果包括正常车牌与异常车牌。
本发明方法及系统的有益效果是:本发明构建双目视觉系统拍摄车辆图像并进行图像识别分割处理,获取车牌图像,通过采用双目视觉的技术识别车牌,从根本上避免“照片开启道闸”现象,保障停车场与车主权益,进一步根据相似三角形定理获取车牌区域的面积,再引入容忍误差构建正常车牌的判定条件,对所述车牌区域的面积进行判定识别处理,通过对车牌面积进行判定进行识别出异常的车牌,能精确识别车牌实物,效率高且不需要太大的算力支持。
附图说明
图1是本发明一种基于双目视觉的停车场防逃费车牌识别方法的步骤流程图;
图2是本发明一种基于双目视觉的停车场防逃费车牌识别系统的结构框图;
图3是本发明具体实施例拍摄摄像机获取车牌的示意图;
图4是本发明具体实施例双目摄像机获取空间中单个顶点图例的示意图;
图5是本发明停车场防逃费车牌识别系统空间结构上的俯视图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1,本发明提供了一种基于双目视觉的停车场防逃费车牌识别方法,该方法包括以下步骤:
S1、构建双目视觉系统拍摄车辆图像并进行图像识别分割处理,获取车牌图像;
具体地,本发明使用两个摄像头CL和CR同面同向安装,两个摄像头之间的距离为b,焦距为f,如图3所示,对摄像机所获取的图像中使用常规的图像分割技术识别出车牌位置,即基于边缘的图像识别分割方法是指通过边缘检测,即检测灰度级或者结构具有突变的地方,确定一个区域的终结,即另一个区域开始的地方。不同的图像灰度不同,边界处一般有明显的边缘,利用此特征可以分割图像,紧接着,根据两个摄像头分别获取的图像,计算车牌的四个顶点三维坐标。
S2、根据相似三角形定理对车牌图像进行空间坐标识别计算处理,获取车牌四个顶点对应的空间坐标;
具体地,将车牌的四个顶点分别表示为{Pi|i=1,2,3,4},针对每一个顶点,抽象为如图4所示,根据摄像头参数CL和CR之间的距离为b,和x轴的距离为f,为了方便计算上的理解,对上图做一个俯视图,如图5所示,在图像上,其中以图片的正中点为原点,xL为Pi点在摄像机CL获取的图像上在x轴上的坐标值,xR为Pi点在摄像机CR获取的图像上在x轴上的坐标值,在三维空间上,以摄像机CL所在点为空间原点,三轴方向于图4三轴方向平行。
根据相似三角形定理有:
对于y轴上,同理有:
联立三角形相似公式,可以得到:
根据摄像头CL和CR所获取的图像,通过三角形相似推导结果公式分别计算出车牌四个顶点{Pi|i=1,2,3,4}的空间坐标,分别表示为:
P1(X1,Y1,Z1)
P2(X2,Y2,Z2)
P3(X3,Y3,Z3)
P4(X4,Y4,Z4)
上式中,P1、P2、P3和P4表示车牌的四个顶点,X1、Y1和Z1表示车牌第一顶点的空间坐标,X2、Y2和Z2表示车牌第二顶点的空间坐标,X3、Y3和Z3表示车牌第三顶点的空间坐标,X4、Y4和Z4表示车牌第四顶点的空间坐标。
S3、根据车牌四个顶点对应的空间坐标获取车牌区域的面积;
具体地,根据车牌顶点空间坐标公式,计算出向量如下:
根据车牌顶点空间坐标公式推导的空间车牌三边向量公式,计算出识别出的车牌区域的面积为:
S4、引入容忍误差构建正常车牌的判定条件,对所述车牌区域的面积进行判定识别处理,输出车牌识别结果,所述车牌识别结果包括正常车牌与异常车牌。
具体地,已知正常车牌大小为440mm×140mm,即面积为61600mm2,由于摄像头和计算机存在精度丢失问题,判定是否为正常车牌的判定条件应该存在一个容忍误差ε,即判断条件如下:
由于不同的摄像头和计算机存在的精度丢失问题不同,所以容忍误差ε可以通过大量的相似样本通过本技术识别后得出;
进一步,所述容忍误差的推理过程为:
利用本发明中的双目识别装置将大量该停车场经常出入的车的牌照进行采集(同一辆车可以多次采集,采集的为正常这牌而不存在有人拿着手机拍的照片对着双目识别装置进行虚假采集),并利用本技术中车牌面积计算步骤进行车牌面积计算,得到一份车牌面积样本数据M={m1,m2,...,mn}。其中mi为第i次采集的车辆车牌面积,i=1,2,...,n;
根据均值公式和标准差公式计算M的均值μ和标准差σ如下:
根据统计学上的3σ准则,在正态分布中σ代表标准差,μ代表均值,数值分布在(μ-3σ,μ+3σ)中的概率为0.9974,在统计学上一般认为落在(μ-3σ,μ+3σ)此区间的数据为正常数据,而落在此区间外的数据为异常数据,由于已知正确车牌大小为61600mm2,所以为了修正模型,本技术直接将均值μ定为61600,容忍误差即ε=3σ。
参照图2,一种基于双目视觉的停车场防逃费车牌识别系统,包括:
获取模块,用于构建双目视觉系统拍摄车辆图像并进行图像识别分割处理,获取车牌图像;
识别模块,用于根据相似三角形定理对车牌图像进行空间坐标识别计算处理,获取车牌四个顶点对应的空间坐标;
计算模块,用于根据车牌四个顶点对应的空间坐标获取车牌区域的面积;
判定模块,用于引入容忍误差构建正常车牌的判定条件,对所述车牌区域的面积进行判定识别处理,输出车牌识别结果,所述车牌识别结果包括正常车牌与异常车牌。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种基于双目视觉的停车场防逃费车牌识别方法,其特征在于,包括以下步骤:
构建双目视觉系统拍摄车辆图像并进行图像识别分割处理,获取车牌图像;
根据相似三角形定理对车牌图像进行空间坐标识别计算处理,获取车牌四个顶点对应的空间坐标;
根据车牌四个顶点对应的空间坐标获取车牌区域的面积;
引入容忍误差构建正常车牌的判定条件,对所述车牌区域的面积进行判定识别处理,输出车牌识别结果,所述车牌识别结果包括正常车牌与异常车牌。
2.根据权利要求1所述一种基于双目视觉的停车场防逃费车牌识别方法,其特征在于,所述构建双目视觉系统拍摄车辆图像并进行图像识别分割处理,获取车牌图像这一步骤,其具体包括:
构建双目识别系统,所述双目识别系统包括第一摄像头和第二摄像头,其中所述双目识别系统为同面同向安装,之间距离为b,焦距为f;
通过第一摄像头和第二摄像头分别拍摄第一车辆图像和第二车辆图像,所述第一车辆图像和第二车辆图像代指同一车辆在不同摄像头下的获取图像;
通过图像识别分割对第一车辆图像和第二车辆图像进行识别处理,得到第一车牌图像和第二车牌图像。
3.根据权利要求2所述一种基于双目视觉的停车场防逃费车牌识别方法,其特征在于,所述根据相似三角形定理对车牌图像进行空间坐标识别计算处理,获取车牌四个顶点对应的空间坐标这一步骤,其具体包括:
对第一车牌图像和第二车牌图像进行空间变换处理;
基于空间变换后的车牌图像,以车牌图像的正中点为原点,获取第一车牌图像顶点在x轴上的坐标值和第二车牌图像顶点在x轴上的坐标值;
根据相似三角形定理,获取第一车辆图像和第二车辆图像对应的四个顶点对应的空间坐标。
4.根据权利要求3所述一种基于双目视觉的停车场防逃费车牌识别方法,其特征在于,所述根据车牌四个顶点对应的空间坐标获取车牌区域的面积这一步骤,其具体包括:
基于车牌四个顶点对应的空间坐标,计算对应的空间坐标向量;
根据车牌四个顶点的空间坐标向量获取车牌区域的面积。
5.根据权利要求4所述一种基于双目视觉的停车场防逃费车牌识别方法,其特征在于,所述车牌区域的面积的计算公式具体如下所示:
上式中,P1、P2、P3和P4表示车牌的四个顶点,和/>表示车牌四个顶点的空间坐标向量,S1234表示车牌区域的面积,X1、Y1和Z1表示车牌第一顶点的空间坐标,X2、Y2和Z2表示车牌第二顶点的空间坐标,X3、Y3和Z3表示车牌第三顶点的空间坐标,X4、Y4和Z4表示车牌第四顶点的空间坐标。
6.根据权利要求5所述一种基于双目视觉的停车场防逃费车牌识别方法,其特征在于,所述引入容忍误差构建正常车牌的判定条件,对所述车牌区域的面积进行判定识别处理,输出车牌识别结果这一步骤,其具体包括:
引入容忍误差构建正常车牌的判定条件,对所述车牌区域的面积进行判定识别处理,获取识别结果;
对识别结果进行判断,所述识别结果不满足正常车牌的判定条件,则为异常车牌;
所述识别结果满足正常车牌的判定条件,则为正常车牌。
7.根据权利要求6所述一种基于双目视觉的停车场防逃费车牌识别方法,其特征在于,所述正常车牌的判定条件的表达式为:
上式中,61600表示正常车牌的大小,ε表示容忍误差。
8.根据权利要求7所述一种基于双目视觉的停车场防逃费车牌识别方法,其特征在于,还包括根据统计学,推理容忍误差的计算公式为:
ε=30
上式中,μ表示均值,σ表示标准差,mi表示第i次采集的车辆车牌面积。
9.一种基于双目视觉的停车场防逃费车牌识别系统,其特征在于,包括以下模块:
获取模块,用于构建双目视觉系统拍摄车辆图像并进行图像识别分割处理,获取车牌图像;
识别模块,用于根据相似三角形定理对车牌图像进行空间坐标识别计算处理,获取车牌四个顶点对应的空间坐标;
计算模块,用于根据车牌四个顶点对应的空间坐标获取车牌区域的面积;
判定模块,用于引入容忍误差构建正常车牌的判定条件,对所述车牌区域的面积进行判定识别处理,输出车牌识别结果,所述车牌识别结果包括正常车牌与异常车牌。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310629622.XA CN116665197A (zh) | 2023-05-31 | 2023-05-31 | 一种基于双目视觉的停车场防逃费车牌识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310629622.XA CN116665197A (zh) | 2023-05-31 | 2023-05-31 | 一种基于双目视觉的停车场防逃费车牌识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116665197A true CN116665197A (zh) | 2023-08-29 |
Family
ID=87723681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310629622.XA Pending CN116665197A (zh) | 2023-05-31 | 2023-05-31 | 一种基于双目视觉的停车场防逃费车牌识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116665197A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746220A (zh) * | 2023-12-18 | 2024-03-22 | 广东安快智能科技有限公司 | 智能道闸真伪车牌的识别检测方法、装置、设备以及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022334A (zh) * | 2016-05-04 | 2016-10-12 | 安凯 | 基于立体视觉系统的倾斜车牌图像精确矫正方法 |
CN110096995A (zh) * | 2019-04-28 | 2019-08-06 | 中控智慧科技股份有限公司 | 一种多光谱多目摄像头防伪识别方法及装置 |
CN110674817A (zh) * | 2019-11-21 | 2020-01-10 | 深圳市芊熠智能硬件有限公司 | 一种基于双目摄像头的车牌防伪的方法及装置 |
CN112597144A (zh) * | 2020-12-29 | 2021-04-02 | 农业农村部环境保护科研监测所 | 一种产地环境监测数据的自动化清洗方法 |
-
2023
- 2023-05-31 CN CN202310629622.XA patent/CN116665197A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022334A (zh) * | 2016-05-04 | 2016-10-12 | 安凯 | 基于立体视觉系统的倾斜车牌图像精确矫正方法 |
CN110096995A (zh) * | 2019-04-28 | 2019-08-06 | 中控智慧科技股份有限公司 | 一种多光谱多目摄像头防伪识别方法及装置 |
CN110674817A (zh) * | 2019-11-21 | 2020-01-10 | 深圳市芊熠智能硬件有限公司 | 一种基于双目摄像头的车牌防伪的方法及装置 |
CN112597144A (zh) * | 2020-12-29 | 2021-04-02 | 农业农村部环境保护科研监测所 | 一种产地环境监测数据的自动化清洗方法 |
Non-Patent Citations (1)
Title |
---|
焦伟超 等: "一种基于SVM 的真伪车牌分类算法", 西华师范大学学报(自然科学版), vol. 37, no. 2, pages 233 - 236 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746220A (zh) * | 2023-12-18 | 2024-03-22 | 广东安快智能科技有限公司 | 智能道闸真伪车牌的识别检测方法、装置、设备以及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111429484B (zh) | 一种基于交通监控视频的多目标车辆轨迹实时构建方法 | |
CN113447923A (zh) | 目标检测方法、装置、系统、电子设备及存储介质 | |
CN115359021A (zh) | 一种基于激光雷达和相机信息融合的目标定位检测方法 | |
CN115063454B (zh) | 多目标跟踪匹配方法、装置、终端及存储介质 | |
CN112699267B (zh) | 车辆车型的识别方法 | |
CN113034586B (zh) | 道路倾角检测方法和检测系统 | |
CN116665197A (zh) | 一种基于双目视觉的停车场防逃费车牌识别方法及系统 | |
CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN111950370B (zh) | 动态环境下线拓展视觉里程计方法 | |
CN112634368A (zh) | 场景目标的空间与或图模型生成方法、装置及电子设备 | |
CN112198878B (zh) | 一种即时地图构建方法、装置、机器人及存储介质 | |
CN116844147A (zh) | 一种基于深度学习的指针式仪表识别和异常警报方法 | |
CN110619280B (zh) | 一种基于深度联合判别学习的车辆重识别方法及装置 | |
CN115546705A (zh) | 目标识别方法、终端设备及存储介质 | |
CN114067287A (zh) | 一种基于车侧路侧数据感知融合的异物识别及预警系统 | |
CN113256731A (zh) | 基于单目视觉的目标检测方法及装置 | |
CN116912517B (zh) | 相机视野边界的检测方法及装置 | |
CN117314986A (zh) | 基于语义分割的无人机跨模态配电设备巡检图像配准方法 | |
Revaud et al. | Robust automatic monocular vehicle speed estimation for traffic surveillance | |
CN112488022A (zh) | 一种环视全景监控方法、装置及系统 | |
CN111693998A (zh) | 一种基于雷达和图像数据检测车辆位置的方法及装置 | |
Khosravi et al. | Vehicle speed and dimensions estimation using on-road cameras by identifying popular vehicles | |
CN114758318A (zh) | 一种基于全景视图的任意角度车位检测方法 | |
CN116958195A (zh) | 物件追踪整合方法及整合装置 | |
CN112800806B (zh) | 物体位姿检测追踪方法、装置、电子设备及存储介质 |
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 |