CN116778467A - 远距离车牌识别方法、系统、摄像头及可读存储介质 - Google Patents

远距离车牌识别方法、系统、摄像头及可读存储介质 Download PDF

Info

Publication number
CN116778467A
CN116778467A CN202310931439.5A CN202310931439A CN116778467A CN 116778467 A CN116778467 A CN 116778467A CN 202310931439 A CN202310931439 A CN 202310931439A CN 116778467 A CN116778467 A CN 116778467A
Authority
CN
China
Prior art keywords
vehicle
license plate
image
camera
information
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
CN202310931439.5A
Other languages
English (en)
Inventor
余伟
王怡刚
周霜
冯剑锋
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.)
Shanghai Fullhan Microelectronics Co ltd
Original Assignee
Shanghai Fullhan Microelectronics 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 Shanghai Fullhan Microelectronics Co ltd filed Critical Shanghai Fullhan Microelectronics Co ltd
Priority to CN202310931439.5A priority Critical patent/CN116778467A/zh
Publication of CN116778467A publication Critical patent/CN116778467A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及车牌识别技术领域，尤其涉及一种远距离车牌识别方法、系统、摄像头及可读存储介质，方法包括：对摄像头拍摄的原始图像进行压缩得到压缩图像；将压缩图像输入训练好的深度学习检测网络中，获取车辆在压缩图像中的第一位置信息；通过位置映射的方式得到车辆在原始图像中的第二位置信息；根据第二位置信息在原始图像中截取车辆图像；将截取到的车辆图像进行压缩并送入深度学习检测网络，获取车辆的车牌信息。本发明利用原始图像和压缩图像的位置映射来获取车辆在原始图像中的位置并截取出车辆图像，然后再将车辆图像送入深度学习检测网络以获取车辆的车牌信息，进而在不改变摄像头硬件的情况下，提升了摄像头远距离的车牌识别性能。

Description

远距离车牌识别方法、系统、摄像头及可读存储介质
技术领域
本发明涉及车牌识别技术领域，尤其涉及一种远距离车牌识别方法、系统、摄像头及可读存储介质。
背景技术
现目前，对于轻度智能化(AI算力在0.5TOP左右)的网络监控摄像头，车牌识别功能是在摄像头端完成的。在识别过程中，摄像头会将拍摄到的图像使用VPU硬件进行压缩，以适应深度学习神经网络进行车牌位置检测。经过图像校正后，这些图像会被用于图像识别。
在同一个场景下，对于远距离的车牌识别，如用一款400万的摄像机来识别30米开外的车牌识别，摄像头拍摄的原始图像中的车辆信息经过压缩后会变得模糊导致车牌无法识别。针对该问题，可以考虑更换镜头或者使用动态变焦相机等方法来解决，但这些方法都会显著增加硬件成本，并且视场角局限性也较高，对于同一张图像中较偏远的车牌依旧无法识别。因此，需要提供一种方法在不改变摄像头的前提下完成更远距离的车牌识别。
发明内容
本发明的目的在于提供一种远距离车牌识别方法、系统、摄像头及可读存储介质，解决了现有摄像头在进行远距离的车牌识别时，拍摄的原始图像中的车辆信息经过压缩后会变得模糊导致车牌无法识别的问题。
为达到上述目的，第一方面，本发明提供一种远距离车牌识别方法，包括：
对摄像头拍摄的原始图像进行压缩得到压缩图像；
将所述压缩图像输入训练好的深度学习检测网络中，获取车辆在所述压缩图像中的第一位置信息；
通过位置映射的方式得到所述车辆在所述原始图像中的第二位置信息；
根据所述第二位置信息在所述原始图像中截取车辆图像；
将所述截取到的车辆图像进行压缩并送入所述深度学习检测网络，获取所述车辆的车牌信息。
可选的，所述第一位置信息及所述第二位置信息包括所述车辆所处的位置信息以及所述车辆的宽度和高度。
可选的，所述原始图像与所述车辆图像的数据帧同步。
可选的，将所述截取到的车辆图像进行压缩并送入所述深度学习检测网络之后，所述远距离车牌识别方法还包括：
获取所述车辆的车牌位置；
根据所述车牌位置对车牌进行矫正与识别，以获取所述车牌信息。
基于同一技术构思，第二方面，本发明还提供了一种远距离车牌识别系统，包括：
压缩模块，被配置为对摄像头拍摄的原始图像进行压缩得到压缩图像；
深度学习检测网络，被配置为接收所述压缩图像，并获取车辆在所述压缩图像中的第一位置信息；
位置映射模块，被配置为通过位置映射的方式得到所述车辆在所述原始图像中的第二位置信息；
截取模块，被配置为根据所述第二位置信息在所述原始图像中截取车辆图像；
所述压缩模块还被配置为将所述截取到的车辆图像进行压缩并送入所述深度学习检测网络，以获取所述车辆的车牌信息。
可选的，所述第一位置信息及所述第二位置信息包括所述车辆所处的位置信息以及所述车辆的宽度和高度。
可选的，所述原始图像与所述车辆图像的数据帧同步。
可选的，所述深度学习检测网络还被配置为获取所述车辆的车牌位置，所述远距离车牌识别系统还包括：
矫正与识别模块，被配置为根据所述车牌位置对车牌进行矫正与识别，以获取所述车牌信息。
基于同一技术构思，第三方面，本发明还提供了一种摄像头，所述摄像头内置有如上所述的远距离车牌识别系统，所述摄像头在离线状态下获取所述车辆的车牌信息。
基于同一技术构思，第四方面，本发明还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被执行时能实现如上所述的远距离车牌识别方法。
在本发明提供的一种远距离车牌识别方法、系统、摄像头及可读存储介质中，通过将压缩图像送入深度学习检测网络来获取车辆位置，然后利用原始图像和压缩图像的位置映射来获取车辆在原始图像中的位置并截取出车辆图像，然后再将车辆图像送入深度学习检测网络以获取车辆的车牌信息，进而在不改变摄像头硬件的情况下，提升了摄像头远距离的车牌识别性能。
附图说明
本领域的普通技术人员将会理解，提供的附图用于更好地理解本发明，而不对本发明的范围构成任何限定。其中：
图1为本发明一实施例提供的远距离车牌识别方法的步骤图；
图2为本发明一实施例提供的远距离车牌识别系统的结构框图。
附图中：
1-压缩模块；2-深度学习检测网络；3-位置映射模块；4-截取模块；5-矫正与识别模块。
具体实施方式
为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作进一步详细说明。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，任何结构的修饰、比例关系的改变或大小的调整，在与本发明所能产生的功效及所能达成的目的相同或近似的情况下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
如在本发明中所使用的，单数形式“一”、“一个”以及“该”包括复数对象，除非内容另外明确指出外。如在本发明中所使用的，术语“或”通常是以包括“和/或”的含义而进行使用的，除非内容另外明确指出外。如在本发明中所使用的，术语“若干”通常是以包括“至少一个”的含义而进行使用的，除非内容另外明确指出外。如在本发明中所使用的，术语“至少两个”通常是以包括“两个或两个以上”的含义而进行使用的，除非内容另外明确指出外。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者至少两个该特征。
在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
请参照图1，图1为本发明一实施例提供的远距离车牌识别方法的步骤图，本发明实施例提供了一种远距离车牌识别方法，包括以下步骤：
S1、对摄像头拍摄的原始图像进行压缩得到压缩图像；
S2、将压缩图像输入训练好的深度学习检测网络中，获取车辆在压缩图像中的第一位置信息；
S3、通过位置映射的方式得到车辆在原始图像中的第二位置信息；
S4、根据第二位置信息在原始图像中截取车辆图像；
S5、将截取到的车辆图像进行压缩并送入深度学习检测网络，获取车辆的车牌信息。
本发明通过将压缩图像送入深度学习检测网络来获取车辆位置，然后利用原始图像和压缩图像的位置映射来获取车辆在原始图像中的位置并截取出车辆图像，然后再将车辆图像送入深度学习检测网络以获取车辆的车牌信息，进而在不改变摄像头硬件的情况下，提升了摄像头远距离的车牌识别性能。
本实施例中，远距离车牌识别方法主要适用于轻度智能化的网络监控摄像头，车牌识别功能是在摄像头端完成的。即使摄像头处于离线状态下，也可以完成车牌的识别。
具体的，先执行步骤S1，对摄像头拍摄的原始图像进行压缩得到压缩图像，以使压缩后的图像分辨率能够适用于深度学习检测网络的处理要求。
然后执行步骤S2，将压缩图像输入训练好的深度学习检测网络中，获取车辆在压缩图像中的第一位置信息。需要理解的是，深度学习检测网络可以基于本领域熟知的SSD/Faster R-CNN等检测网络进行建立和训练，本申请对此不作额外限制。
接着执行步骤S3，通过位置映射的方式得到车辆在原始图像中的第二位置信息。本实施例中，第一位置信息及第二位置信息包括车辆所处的位置信息以及车辆的宽度和高度。
具体的，假设压缩图像中车辆的位置信息和宽高信息分别记为(x0，y0，w0，h0)，经过位置映射得到车辆在原始图像中的位置信息和宽高信息记为(x1，y1，w1，h1)，则车辆在原始图像和压缩图像中的位置映射关系为：
x1＝x0*Ratx
y1＝y0*Raty
w1＝w0*Ratw
h1＝h0*Rath
其中，Ratx和Raty为原始图像与压缩图像的位置缩放比例，Ratw为原始图像与压缩图像的宽缩放比例，Rath为原始图像与压缩图像的高缩放比例。
接着执行步骤S4，根据第二位置信息在原始图像中截取车辆图像。实际上，S1-S3主要是用于车形检测来获取车辆的位置，以便于截取车辆在原始图像中的车辆图像。需要理解的是，摄像头拍摄的原始图像为全景图像，其包含了车辆以及车辆周边的环境，此步骤的目的在于从原始图像中截取出只包含车辆的图像，以便于后续进行车牌的识别。
最后执行步骤S5，将截取到的车辆图像进行压缩并送入深度学习检测网络，获取车辆的车牌信息。利用深度学习检测网络对截取到的车辆图像进行推理，进而能够获取到更为清晰的车牌信息，避免了采用传统的全局压缩的方式导致的图像模糊的问题，大幅提升了对车牌的识别率。
优选的，原始图像与车辆图像的数据帧同步。主要是为了避免车辆发生移动后，前后帧的图像不一致，使得车形位置异常，导致无法准确获取之前检测时的车牌信息。
优选的，将截取到的车辆图像进行压缩并送入深度学习检测网络之后，远距离车牌识别方法还包括：
获取车辆的车牌位置；
根据车牌位置对车牌进行矫正与识别，以获取车牌信息。例如，当得到的车辆图像并非竖直放置，而是倾斜放置时，导致车牌也是倾斜的，故可以通过对车牌进行矫正，以获取正确的车牌信息
基于同一发明构思，请参照图2，本发明实施例还提出一种远距离车牌识别系统，包括：
压缩模块1，被配置为对摄像头拍摄的原始图像进行压缩得到压缩图像；
深度学习检测网络2，被配置为接收压缩图像，并获取车辆在压缩图像中的第一位置信息；
位置映射模块3，被配置为通过位置映射的方式得到车辆在原始图像中的第二位置信息；
截取模块4，被配置为根据第二位置信息在原始图像中截取车辆图像；
压缩模块1还被配置为将截取到的车辆图像进行压缩并送入深度学习检测网络2，以获取车辆的车牌信息。
优选的，第一位置信息及第二位置信息包括车辆所处的位置信息以及车辆的宽度和高度。
优选的，原始图像与车辆图像的数据帧同步。
优选的，深度学习检测网络2还被配置为获取车辆的车牌位置，远距离车牌识别系统还包括：
矫正与识别模块5，被配置为根据车牌位置对车牌进行矫正与识别，以获取车牌信息。
基于同一发明构思，本发明实施例还提出一种摄像头，该摄像头内置有如上的远距离车牌识别系统，摄像头可在离线状态下获取车辆的车牌信息。
基于同一发明构思，本发明实施例还提出一种可读存储介质，其上存储有计算机程序，计算机程序被执行时能实现如上的远距离车牌识别方法。
可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备，例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所描述的计算机程序可以从可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机程序，并转发该计算机程序，以供存储在各个计算/处理设备中的可读存储介质中。用于执行本发明操作的计算机程序可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机程序的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、系统和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机程序实现。这些计算机程序可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些程序在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机程序存储在可读存储介质中，这些计算机程序使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有该计算机程序的可读存储介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机程序加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的计算机程序实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
综上，本发明实施例提供了一种远距离车牌识别方法、系统、摄像头及可读存储介质，通过将压缩图像送入深度学习检测网络来获取车辆位置，然后利用原始图像和压缩图像的位置映射来获取车辆在原始图像中的位置并截取出车辆图像，然后再将车辆图像送入深度学习检测网络以获取车辆的车牌信息，进而在不改变摄像头硬件的情况下，提升了摄像头远距离的车牌识别性能。
上述描述仅是对本发明较佳实施方式的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于本发明的保护范围。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种远距离车牌识别方法，其特征在于，包括：
对摄像头拍摄的原始图像进行压缩得到压缩图像；
将所述压缩图像输入训练好的深度学习检测网络中，获取车辆在所述压缩图像中的第一位置信息；
通过位置映射的方式得到所述车辆在所述原始图像中的第二位置信息；
根据所述第二位置信息在所述原始图像中截取车辆图像；
将所述截取到的车辆图像进行压缩并送入所述深度学习检测网络，获取所述车辆的车牌信息。
2.根据权利要求1所述的远距离车牌识别方法，其特征在于，所述第一位置信息及所述第二位置信息包括所述车辆所处的位置信息以及所述车辆的宽度和高度。
3.根据权利要求1所述的远距离车牌识别方法，其特征在于，所述原始图像与所述车辆图像的数据帧同步。
4.根据权利要求1所述的远距离车牌识别方法，其特征在于，将所述截取到的车辆图像进行压缩并送入所述深度学习检测网络之后，所述远距离车牌识别方法还包括：
获取所述车辆的车牌位置；
根据所述车牌位置对车牌进行矫正与识别，以获取所述车牌信息。
5.一种远距离车牌识别系统，其特征在于，包括：
压缩模块，被配置为对摄像头拍摄的原始图像进行压缩得到压缩图像；
深度学习检测网络，被配置为接收所述压缩图像，并获取车辆在所述压缩图像中的第一位置信息；
位置映射模块，被配置为通过位置映射的方式得到所述车辆在所述原始图像中的第二位置信息；
截取模块，被配置为根据所述第二位置信息在所述原始图像中截取车辆图像；
所述压缩模块还被配置为将所述截取到的车辆图像进行压缩并送入所述深度学习检测网络，以获取所述车辆的车牌信息。
6.根据权利要求5所述的远距离车牌识别系统，其特征在于，所述第一位置信息及所述第二位置信息包括所述车辆所处的位置信息以及所述车辆的宽度和高度。
7.根据权利要求5所述的远距离车牌识别系统，其特征在于，所述原始图像与所述车辆图像的数据帧同步。
8.根据权利要求5所述的远距离车牌识别系统，其特征在于，所述深度学习检测网络还被配置为获取所述车辆的车牌位置，所述远距离车牌识别系统还包括：
矫正与识别模块，被配置为根据所述车牌位置对车牌进行矫正与识别，以获取所述车牌信息。
9.一种摄像头，其特征在于，所述摄像头内置有根据权利要求5-8中任一项所述的远距离车牌识别系统，所述摄像头在离线状态下获取所述车辆的车牌信息。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时能实现根据权利要求1-4中任一项所述的远距离车牌识别方法。
CN202310931439.5A 2023-07-26 2023-07-26 远距离车牌识别方法、系统、摄像头及可读存储介质 Pending CN116778467A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310931439.5A CN116778467A (zh) 2023-07-26 2023-07-26 远距离车牌识别方法、系统、摄像头及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310931439.5A CN116778467A (zh) 2023-07-26 2023-07-26 远距离车牌识别方法、系统、摄像头及可读存储介质

Publications (1)

Publication Number Publication Date
CN116778467A true CN116778467A (zh) 2023-09-19

Family

ID=87994696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310931439.5A Pending CN116778467A (zh) 2023-07-26 2023-07-26 远距离车牌识别方法、系统、摄像头及可读存储介质

Country Status (1)

Country Link
CN (1) CN116778467A (zh)

Similar Documents

Publication Publication Date Title
US10540806B2 (en) Systems and methods for depth-assisted perspective distortion correction
CN110569721B (zh) 识别模型训练方法、图像识别方法、装置、设备及介质
US10210415B2 (en) Method and system for recognizing information on a card
WO2019100608A1 (zh) 摄像装置、人脸识别的方法、系统及计算机可读存储介质
CN111369545A (zh) 边缘缺陷检测方法、装置、模型、设备及可读存储介质
CN110348393B (zh) 车辆特征提取模型训练方法、车辆识别方法及设备
CN112511767B (zh) 一种视频拼接方法及设备、存储介质
CN110765799B (zh) 客户端扫码识别方法、装置、设备及存储介质
CN109859104B (zh) 一种视频生成图片的方法、计算机可读介质及转换系统
US20230127009A1 (en) Joint objects image signal processing in temporal domain
CN112435223B (zh) 目标检测方法、装置及存储介质
CN108322658B (zh) 一种拍照的方法和装置
CN114049499A (zh) 用于连续轮廓的目标对象检测方法、设备及存储介质
CN112052702A (zh) 一种识别二维码的方法和装置
CN111932462B (zh) 图像降质模型的训练方法、装置和电子设备、存储介质
CN110610178A (zh) 图像识别方法、装置、终端及计算机可读存储介质
CN112991419B (zh) 视差数据生成方法、装置、计算机设备及存储介质
CN116778467A (zh) 远距离车牌识别方法、系统、摄像头及可读存储介质
CN112288817B (zh) 基于图像的三维重建处理方法及装置
CN112487943A (zh) 关键帧去重的方法、装置和电子设备
CN112733565A (zh) 二维码粗定位方法、设备及存储介质
CN112036342A (zh) 单证抓拍方法、设备及计算机存储介质
CN112634460B (zh) 基于Haar-like特征的户外全景图生成方法及装置
CN113343870B (zh) 一种基于Android系统移动设备的识别赋能方法
CN112927142B (zh) 一种基于时域插值的高速高分辨率视频生成方法和装置

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