TW201939354A - 車牌辨識方法以及其系統 - Google Patents
車牌辨識方法以及其系統 Download PDFInfo
- Publication number
- TW201939354A TW201939354A TW107108613A TW107108613A TW201939354A TW 201939354 A TW201939354 A TW 201939354A TW 107108613 A TW107108613 A TW 107108613A TW 107108613 A TW107108613 A TW 107108613A TW 201939354 A TW201939354 A TW 201939354A
- Authority
- TW
- Taiwan
- Prior art keywords
- license plate
- image
- character
- mentioned
- plate recognition
- Prior art date
Links
Landscapes
- Character Discrimination (AREA)
- Traffic Control Systems (AREA)
Abstract
一種車牌辨識方法,包括以下步驟:取得包含所有車牌字元之一待處理影像;透過一特徵地圖提取模組強化提取對應於上述待處理影像之字元特徵之複數特徵地圖;透過基於神經網路的一字元辨識模型根據上述特徵地圖擷取對應於每個字元之區塊以及座標;以及根據每個字元之上述區塊以及上述座標取得一車牌辨識結果。
Description
本發明係有關於一種車牌辨識方法以及車牌辨識系統,特別係有關於一種利用神經網路辨識車牌之每個字元的車牌辨識方法以及車牌辨識系統。
在影像處理的應用中,車牌辨識技術已被廣為人知。而於現有的車牌辨識技術中,取得車牌資訊之常用技術手段為車牌定位、車牌字元切割以及車牌字元辨識。然而,於實際應用上,因為拍攝角度不同或是光源、日夜、晴雨等環境的干擾,將使得車牌影像將可能出現車牌特徵不明顯、車牌歪斜、車牌變形、光噪及車牌斷裂之情況,進而造成辨識準確率下降。此外,現有的車牌定位技術通常係基於邊緣密度值尋找車牌影像位置,若車牌有汙損、裝飾等情況將可能破壞邊緣密度值之特徵,導致車牌定位的正確率大幅度下降。再者,若取得的車牌過於歪斜或者變形亦會導致字元切割難以執行,必須透過額外的演算法對車牌進行校正。以上各種因素顯示現有的車牌辨識技術對於環境的容忍度低,必須要透過各種額外的影像處理技術以提高辨識率,然此舉亦會降低車牌辨識的速度。
因此,要如何提供更佳的車牌辨識方法以提高車牌辨識對環境的容忍度並維持高準確率以及快的辨識速度,為目前必須解決之問題。
本發明一實施例提供一種車牌辨識方法,包括以下步驟:取得包含所有車牌字元之一待處理影像;透過一特徵地圖提取模組提取具有上述待處理影像之字元特徵之複數特徵地圖;透過基於神經網路的一字元辨識模型根據上述特徵地圖擷取對應於每個字元之區塊以及座標;以及根據每個字元之上述區塊以及上述座標取得一車牌辨識結果。
本發明另一實施例更提供一種車牌辨識系統,包括一影像擷取單元以及一處理單元。影像擷取單元用以擷取至少一原始影像。處理單元用以:自影像擷取單元接收原始影像;根據原始影像取得包含所有車牌字元之一待處理影像;透過一特徵地圖提取模型提取具有待處理影像之字元特徵之複數特徵地圖;透過基於神經網路的一字元辨識模型根據特徵地圖擷取對應於每個字元之區塊以及座標;以及根據每個字元之區塊以及座標取得一車牌辨識結果。
本發明另一實施例更提供一種車牌辨識方法,包括以下步驟:取得一待處理影像;透過一特徵地圖提取模組取得具有複數目標特徵之複數特徵地圖;透過一目標位置提取模組取得每個特徵地圖中具有目標特徵之至少一區域,並給予每個特徵地圖之每個框對應於每個目標特徵之分數;透過一目標
候選分類模組根據分數對每個上述特徵地圖之每個框進行分類,並保留對應於文字特徵之至少一區域;以及透過一投票/統計模組根據對應於文字特徵之上述區域取得一車牌辨識結果。
100‧‧‧車牌辨識系統
110‧‧‧處理單元
120‧‧‧儲存單元
130‧‧‧影像擷取單元
140‧‧‧顯示單元
801~804‧‧‧對應於字元之區塊
810‧‧‧字元區塊之聯集
820‧‧‧經擴張的車牌影像
S201~S205、S901~S906‧‧‧步驟流程
第1圖係顯示根據本發明一實施例所述之車牌辨識系統之系統架構圖。
第2圖係顯示根據本發明一實施例所述之車牌辨識方法之流程圖。
第3A圖係顯示根據本發明一實施例所述之當前影像之示意圖。
第3B圖係顯示根據本發明一實施例所述之當前影像與歷史背景影像之影像變化之示意圖。
第4A~4D圖係顯示根據本發明一些實施例所述之用以產生特徵地圖之經訓練的矩陣之示意圖。
第5A、5B圖係顯示根據本發明一實施例所述之被判斷為具有字元之區塊之示意圖。
第6圖係顯示根據本發明一實施例所述之投票/統計模組之示意圖。
第7A圖係顯示根據本發明一實施例所述之當前影像之示意圖。
第7B圖係顯示根據本發明一實施例所述之車頭影像之示意
圖。
第8圖係顯示根據本發明一實施例所述之車牌文字區域之示意圖。
第9圖係顯示根據本發明另一實施例所述之車牌辨識方法之流程圖。
有關本發明之車牌辨識方法以及車牌辨識系統適用之其他範圍將於接下來所提供之詳述中清楚易見。必須了解的是下列之詳述以及具體之實施例,當提出有關車牌辨識方法以及車牌辨識系統之示範實施例時,僅作為描述之目的以及並非用以限制本發明之範圍。
第1圖係顯示根據本發明一實施例所述之車牌辨識系統之系統架構圖。車牌辨識系統100可實施於例如桌上型電腦、筆記型電腦或者平板電腦等的電子裝置中,且車牌辨識系統100至少包含一處理單元110。處理單元110可透過多種方式實施,例如以專用硬體電路或者通用硬體(例如,單一處理器、具平行處理能力之多處理器、圖形處理器或者其它具有運算能力之處理器),且於執行與本發明各個模型以及流程有關之程式碼或者軟體時,提供之後所描述的功能。車牌辨識系統100更包括儲存單元120,用以儲存所取得之影像、執行過程中所需要的資料以及各式各樣的電子檔案,例如各種演算法和/或各個模型等。車牌辨識系統100更可包括影像擷取單元130,例如監視器、攝影機和/或相機等,用以取得至少一影像或者
連續的視訊影像,並將其回傳至處理單元110。顯示單元140可為顯示面板(例如,薄膜液晶顯示面板、有機發光二極體面板或者其它具顯示能力的面板),用以顯示輸入的字元、數字、符號、拖曳鼠標的移動軌跡或者應用程式所提供的使用者介面,以提供給使用者觀看。車牌辨識系統100更可包括一輸入裝置(未顯示),例如滑鼠、觸控筆或者鍵盤等,用以供使用者執行對應之操作。
請參閱第2圖。第2圖係顯示根據本發明一實施例所述之車牌辨識系統之流程圖。於步驟S201,影像擷取單元130取得一待處理影像。其中,為了加快影像處理之速度,當影像擷取單元130為可擷取連續影像之監視器或者攝影機時,處理單元110更可透過事先將當前影像與歷史影像進行比對以判斷當前影像中是否有車輛或者其它物體進入拍攝範圍中。舉例來說,處理單元110可根據複數歷史影像透過一前後景提取(Background Subtract)模組取得一歷史背景影像,以供處理單元110快速地根據歷史背景影像以及當前影像進行判斷。當當前影像與歷史背景影像之間之影像變化的面積或者影像變化量大於既定值時,則處理單元110判斷有車輛或者其它物體進入當前影像所對應之拍攝範圍中,接著再對當前影像執行後續之動作。舉例來說,第3A圖係為一當前影像之示意圖,而第3B圖則為當前影像與歷史背景影像之間之影像變化之示意圖。其中,根據第3B圖之內容可得知影像變化的面積約為37%,若既定值設定為35%,則處理單元110即可判斷該當前影像中出現車輛或者其它物體。
於步驟S202,處理單元110接收到待處理影像,並透過一特徵地圖提取模組取得複數特徵地圖。其中,特徵地圖提取模組可透過強化字元特徵之矩陣進行訓練,其主要係用以凸顯影像中的英文字母或者數字等字元。第4A~4D圖係顯示根據本發明一些實施例所述之用以取得特徵地圖之複數經訓練的矩陣之示意圖。於步驟S203,於取得特徵地圖後,處理單元110透過一字元辨識模型根據特徵地圖擷取對應於每個字元之區塊以及對應之座標。其中,字元辨識模組係為基於神經網路之模組,其主要係以對應至各種不同字母(即A~Z)、數字(即0~9)之複數影像作為訓練資料,以準確地辨識出影像中每個字元之區塊以及其位置。舉例來說,第5A圖中所顯示之複數區塊為被判斷為具有字元之區塊。其中,字元辨識模組可直接找出每個字元所對應之區塊,而不需要事先對車牌中的字元進行分割。然而,如第5A圖所示,由於仍有一些不具有字元之區塊(例如周遭環境類似於字元之影像或者影像中的雜訊等)被誤判,因此處理單元110更透過選擇可信度較高的區域(例如透過選取具有較多重疊的區域)作為具有字元之區塊,並同時擷取區域之座標,以作為車牌字元排序之根據。舉例來說,如第5B圖所示,粗框線所選取之區域即為最後所擷取之具有字元之區域,而藉由上述之方法即可有效地過濾被誤判之區塊。
接著,進入步驟S204,處理單元110於取得所有字元以及其所對應之座標後,即根據每個字元以及座標之排序取得一車牌辨識結果。根據本發明一實施例,處理單元110更可透過一投票/統計模組對複數車牌影像進行投票以提高車牌辨
識結果之準確度。於取得車牌的各個字元以及排列順序後,處理單元110可透過車牌分群規則將車牌區分類為至少兩個分群。其中,車牌分群規則可包括一車牌命名分群規則、一英文字區與數字字區分群規則、一破折號分群規則以及一字元相對位置分群規則等。將車牌進行分群後,處理單元110接著對每個分群的辨識結果進行投票,當每個分群中皆出現投票分數大於門檻值之辨識結果時,即可產生一最終車牌辨識結果。舉例來說,第6圖係顯示根據本發明一實施例所述之投票/統計模組之示意圖。於此實施例中,處理單元110係採用破折號分群規則將車牌以破折號之位置為基準分為兩個分群(即破折號的左半部份以及右半部份)。接著,於取得兩個分群的辨識結果後,對每個分群中不同的辨識結果進行投票,若出現重複的辨識結果則累加投票分數。舉例來說,如第6圖所示,”2806”於第五組辨識結果出現第一次重複,則”2806”之投票分數累加為2,而”J3”則於第四組辨識結果出現第一次重複,則”J3”之投票分數則於第四組時即累加為2,以此類推。假設投票分數的門檻值已預先設定為4,則破折號右半部份的分群則在第六組辨識結果即可確定為”J3”,而破折號左半部份的分群則在第七組辨識結果才能確定為”2806”。接著,處理單元110於完成第七組之車牌辨識結果後,即可輸出”2806-J3”的最終車牌辨識結果。
根據本發明另一實施例,處理單元110更可根據辨識結果之時間排序賦予辨識結果不同的權重。舉例來說,較新的辨識結果賦予較大的權重,而較舊的辨識結果則賦予較小的權重,藉此以加快最終車牌辨識結果的收斂速度。
此外,根據本發明另一實施例,為了加速處理單元110對車牌資訊之處理速度,於取得具有車牌影像之當前影像後,處理單元110更可透過一車頭影像擷取模組或者一車尾影像擷取模組於當前影像中取得一車頭影像或者一車尾影像,以縮小欲處理的影像面積。其中,車頭影像擷取模組或者車尾影像擷取模組係透過複數圖像特徵(例如Haar Feature、HOG、LBP等)搭配分類器(Cascade Classifier、Ada boost或者SVM)來訓練各種車頭影像或者車尾影像,以從當前影像中取得車頭影像或者車尾影像。舉例來說,第6A圖係顯示一當前影像之示意圖,而第6B圖則顯示透過車頭影像擷取模組所取得之車頭影像之示意圖。
根據本發明另一實施例,於取得車頭影像或者車尾影像後,為了更進一步地縮小處理單元110欲處理的影像區域大小,處理單元110更可透過一車牌字元區域偵測模型自車頭影像或者車尾影像中取得車牌附近的區域。其中,車牌字元區域偵測模型亦透過複數圖像特徵(例如Haar Feature、HOG、LBP等)搭配分類器(Cascade Classifier、Ada boost或者SVM)來訓練各個字元影像,以從車頭影像或者車尾影像中找出各個字元。舉例來說,如第8圖中所示,處理單元110係透過車牌字元區域偵測模型係自車頭影像中找出四個具有字元的區域801~804。接著,處理單元110將區域801~804聯集以取得另一更大的區域810,並根據車牌的格式放大區域810進行擴張,以取得包含所有車牌字元之另一區域。舉例來說,車牌係具有六個字元,而車牌字元區域偵測模型僅自車頭影像中找出四個具
有字元的區域,因此為了確保待處理影像中包含車牌中的所有字元,處理單元110更可根據被找到的字元數目決定向外擴張之倍率。舉例來說,如第8圖所示,由於處理單元110已找到四個字元,因此處理單元110從區域810的四個邊向外擴張約一倍(如區域820所示),如此即可確保所有的字元皆被包括於待處理影像中。換言之,若處理單元110僅找到一個具有字元的區域,則處理單元110適應性地增加擴張的倍率(例如向左側以及右側擴張十倍),以確保所有的字元皆被包括於待處理影像中。其中,擴張之倍率可根據使用者之需求進行調整,前述之實施例僅用以作為說明之用途,本發明並不以此為限。相較於車頭影像或者車尾影像,透過車牌字元區域偵測模型所取得之待處理影像更精準地縮小影像的面積,以更進一步地提升運算之速度。值得注意的是,由於車牌字元區域偵測模型之主要功能僅用以找出可能具有字元之區域,並非用以精確地辨識字元,因此相較於字元辨識模型,車牌字元區域偵測模型係屬於弱分類器,即其檢測準確率較低但計算速度較快。此外,車牌字元區域偵測模型與車頭影像擷取模組或者車尾影像擷取模組係使用不同的圖像特徵以及分類器。
於步驟S205,為了進一步地提高字元辨識模型之準確率,處理單元110更將每個影像以及對應之辨識結果作為訓練資料以更新字元辨識模型。其中,上述辨識結果包含正確的車牌辨識結果以及不正確的車牌辨識結果,藉此以降低字元辨識模組的辨識誤差,並可間接地加快車牌辨識系統之處理速度。
第9圖係顯示根據本發明另一實施例所述之車牌辨識方法之流程圖。於步驟S901,影像擷取單元130取得至少一待處理影像。於步驟S902,處理單元110自影像擷取單元130接收所取得之待處理影像,並透過特徵地圖提取模組取得複數特徵地圖。其中,特徵地圖中所包含之資訊包括對應於不同空間頻率(例如自低頻至高頻)之複數目標特徵,而目標特徵可包含車牌上的字元特徵、車牌外型特徵、背景特徵、車輛資訊特徵(例如方向鏡、車型、車輪等代表汽車之特徵)。此外,特徵地圖提取模組可透過包含前述目標特徵的矩陣進行訓練。於步驟S903,於取得複數特徵地圖後,處理單元110根據特徵地圖透過一目標位置提取模組找出具有前述目標特徵之區域。
其中,根據本發明一實施例,處理單元110可透過類聚之方式或者自定義之尺寸於特徵地圖上每個既定像素提取一個框,並根據特徵地圖提取模組判斷每個框中可能包含之特徵,並給予每個框對應於每個目標特徵類型之分數。或者,根據本發明另一實施例,處理單元110先透過一簡易分類器取得特徵地圖之目標敏感分數圖,即於特徵地圖上找出具有目標特徵之複數目標特徵點或者目標特徵區域,接著利用具有不同大小之框圈選出位於該目標特徵點附近之複數區域,並給予該些區域對應於每個目標特徵之分數。
接著,處理單元110於取得對應於每個框之每個目標特徵類型之所有分數後,進入步驟S904,處理單元110透過一目標候選分類模組以非極大值抑制之方式僅保留具有最高
分數且分數大於既定值之目標特徵,以對每個框所對應之位置進行分類。舉例來說,某一個框對應於背景特徵之分數最大,且大於既定值,則處理單元110將該框分類為對應於背景特徵的框。此外,當某一特定框對應於每個目標特徵之分數皆未大於既定值時,將該區域分類為非目標特徵。此外,處理單元110更可透過目標候選分類模組將具有相同目標特徵且彼此相鄰的複數框集結為較大的區域,以利於後續之辨識流程。接著,處理單元110僅保留對應至字元特徵之區域,並進入步驟S905。於步驟S905,處理單元110根據每個字元以及座標之排序(例如由左至右、由上自下)取得一車牌辨識結果。如前所述,處理單元110可透過前述之投票/統計模組對複數車牌影像進行投票以提高車牌辨識結果之準確度。其中,步驟S905所述之車牌辨識方式係與步驟S204之車牌辨識方法類似,在此即不加以描述以精簡說明。
最後,於步驟S906,處理單元110更將每個待處理影像以及對應之辨識結果作為訓練資料以更新字元辨識模型。其中,上述辨識結果包含正確的車牌辨識結果以及不正確的車牌辨識結果,藉此以降低字元辨識模組的辨識誤差。
綜上所述,根據本發明一些實施例所提出之車牌辨識方法以及車牌辨識系統,透過前述之車牌影像擷取步驟以及車牌字元辨識步驟,在視角不佳或者變化複雜的環境下,仍可維持快速的辨識速度以及高準確率,且透過不斷地將辨識結果作為訓練資料,將可更進一步地降低車牌辨識的誤差並間接地加快車牌辨識系統的計算速度。
以上敘述許多實施例的特徵,使所屬技術領域中具有通常知識者能夠清楚理解本說明書的形態。所屬技術領域中具有通常知識者能夠理解其可利用本發明揭示內容為基礎以設計或更動其他製程及結構而完成相同於上述實施例的目的及/或達到相同於上述實施例的優點。所屬技術領域中具有通常知識者亦能夠理解不脫離本發明之精神和範圍的等效構造可在不脫離本發明之精神和範圍內作任意之更動、替代與潤飾。
Claims (25)
- 一種車牌辨識方法,包括以下步驟:取得包含所有車牌字元之一待處理影像;透過一特徵地圖提取模組提取具有上述待處理影像之字元特徵之複數特徵地圖;透過基於神經網路的一字元辨識模型根據上述特徵地圖擷取對應於每個字元之區塊以及座標;以及根據每個字元之上述區塊以及上述座標取得一車牌辨識結果。
- 如申請專利範圍第1項所述之車牌辨識方法,更包括以下步驟:接收一原始影像;比較上述原始影像與一歷史背景影像以取得影像變化量;以及判斷上述影像變化量是否大於一預設值;其中,當上述影像變化量大於上述預設值時,產生包含所有車牌字元之上述待處理影像。
- 如申請專利範圍第2項所述之車牌辨識方法,更包括一步驟:透過一前後景提取模組提取上述歷史背景影像。
- 如申請專利範圍第1項所述之車牌辨識方法,更包括以下步驟:接收一原始影像;透過一車頭影像擷取模組或者一車尾影像擷取模組利 用第一圖像特徵以及一第一分類器自上述原始影像中取得一車頭影像或者一車尾影像;以及透過一車牌字元區域偵測模型根據上述車頭影像或者上述車尾影像取得包含所有車牌字元之上述待處理影像。
- 如申請專利範圍第4項所述之車牌辨識方法,更包括以下步驟:透過上述車牌字元區域偵測模型利用第二圖像特徵以及一第二分類器於上述車頭影像或者上述車尾影像中取得至少一字元區塊;根據上述字元區塊之數量決定一放大倍率;以及基於上述字元區塊根據上述放大倍率取得上述待處理影像。
- 如申請專利範圍第1項所述之車牌辨識方法,更包括以下步驟:接收複數上述車牌辨識結果;根據一車牌分群規則將每個上述車牌辨識結果分類為至少兩個分群;對每個上述分群中的每個子辨識結果進行投票;以及當每個上述分群中的任一上述子辨識結果之一投票分數大於一門檻值時,根據上述子辨識結果產生一最終車牌辨識結果。
- 如申請專利範圍第6項所述之車牌辨識方法,更包括以下步驟:根據所有上述車牌辨識結果之時序排列賦予每個上述 車牌辨識結果一權重;以及當每個上述分群中的任一上述子辨識結果之一權重總和大於上述門檻值時,根據上述子辨識結果產生上述最終車牌辨識結果。
- 如申請專利範圍第6項所述之車牌辨識方法,其中上述車牌分群規則包括一車牌命名分群規則、一英文字區與數字字區分群規則、一破折號分群規則以及一字元相對位置分群規則。
- 如申請專利範圍第6項或第7項所述之車牌辨識方法,更包括一步驟:根據上述車牌辨識結果和/或上述最終車牌辨識結果更新上述字元辨識模型。
- 一種車牌辨識系統,包括:一影像擷取單元,用以擷取至少一原始影像;以及一處理單元,用以:自上述影像擷取單元接收上述原始影像;根據上述原始影像取得包含所有車牌字元之一待處理影像;透過一特徵地圖提取模組提取具有上述待處理影像之字元特徵之複數特徵地圖;透過基於神經網路的一字元辨識模型根據上述特徵地圖擷取對應於每個字元之區塊以及座標;以及根據每個字元之上述區塊以及上述座標取得一車牌辨識結果。
- 如申請專利範圍第10項所述之車牌辨識系統,其中上述處理單元更用以:比較上述原始影像與一歷史背景影像以取得影像變化量;以及判斷上述影像變化量是否大於一預設值;其中,當上述影像變化量大於上述預設值時,上述處理單元產生包含所有車牌字元之上述待處理影像。
- 如申請專利範圍第11項所述之車牌辨識系統,其中上述處理單元更透過一前後景提取模組提取上述歷史背景影像。
- 如申請專利範圍第10項所述之車牌辨識系統,其中上述處理單元更用以:透過一車頭影像擷取模組或者一車尾影像擷取模組利用第一圖像特徵以及一第一分類器自上述原始影像中取得一車頭影像或者一車尾影像;以及透過一車牌字元區域偵測模型根據上述車頭影像或者上述車尾影像取得包含所有車牌字元之上述待處理影像。
- 如申請專利範圍第13項所述之車牌辨識系統,其中上述處理單元更用以:透過上述車牌字元區域偵測模型利用第二圖像特徵以及一第二分類器於上述車頭影像或者上述車尾影像中取得至少一字元區塊;根據上述字元區塊之數量決定一放大倍率;以及基於上述字元區塊根據上述放大倍率取得上述待處理 影像。
- 如申請專利範圍第10項所述之車牌辨識系統,其中上述處理單元更用以:接收複數上述車牌辨識結果;根據一車牌分群規則將每個上述車牌辨識結果分類為至少兩個分群;對每個上述分群中的每個子辨識結果進行投票;以及當每個上述分群中的任一上述子辨識結果之一投票分數大於一門檻值時,根據上述子辨識結果產生一最終車牌辨識結果。
- 如申請專利範圍第15項所述之車牌辨識系統,其中上述處理器更用以:根據所有上述車牌辨識結果之時序排列賦予每個上述車牌辨識結果一權重;以及當每個上述分群中的任一上述子辨識結果之一權重總和大於上述門檻值時,根據上述子辨識結果產生上述最終車牌辨識結果。
- 如申請專利範圍第15項所述之車牌辨識系統,其中上述車牌分群規則包括一車牌命名分群規則、一英文字區與數字字區分群規則、一破折號分群規則以及一字元相對位置分群規則。
- 如申請專利範圍第15項或第16項所述之車牌辨識系統,其中上述處理器更用以:根據上述車牌辨識結果和/或上述最終車牌辨識結果更 新上述字元辨識模型。
- 一種車牌辨識方法,包括以下步驟:取得一待處理影像;透過一特徵地圖提取模組取得具有複數目標特徵之複數特徵地圖;透過一目標位置提取模組取得每個上述特徵地圖中具有上述目標特徵之至少一區域,並給予每個上述特徵地圖之每個上述框對應於每個上述目標特徵之分數;透過一目標候選分類模組根據上述分數對每個上述特徵地圖之每個上述框進行分類,並保留對應於文字特徵之至少一區域;以及透過一投票/統計模組根據對應於上述文字特徵之上述區域取得一車牌辨識結果。
- 如申請專利範圍第19項所述之車牌辨識方法,其中上述目標特徵包括對應於不同空間頻率之上述字元特徵、車牌外型特徵、背景特徵或者車輛特徵。
- 如申請專利範圍第19項所述之車牌辨識方法,更包括:透過類聚之方式或者自定義尺寸於上述特徵地圖上每隔既定像素提取上述框,以透過上述目標位置提取模組給予每個上述特徵地圖之每個上述框對應於每個上述目標特徵之上述分數。
- 如申請專利範圍第19項所述之車牌辨識方法,更包括: 透過一簡易分類器取得上述特徵地圖之至少一目標特徵點,利用具有不同大小之複數框圈選出位於上述目標特徵點附近之複數區域,以及透過上述特徵地圖提取模組給予每個上述特徵地圖之每個上述框對應於每個上述目標特徵之上述分數。
- 如申請專利範圍第19項所述之車牌辨識方法,更包括:透過上述目標候選分類模組以一非極大值抑制之方式保留具有最高分數且分數大於一既定值之上述文字特徵。
- 如申請專利範圍第19項所述之車牌辨識方法,更包括:接收複數上述車牌辨識結果;透過上述投票/統計模組根據一車牌分群規則將每個上述車牌辨識結果分類為至少兩個分群;透過上述投票/統計模組對每個上述分群中的每個子辨識結果進行投票;以及當每個上述分群中的任一上述子辨識結果之一投票分數大於一門檻值時,上述投票/統計模組根據上述子辨識結果產生一最終車牌辨識結果。
- 如申請專利範圍第19項所述之車牌辨識方法,更包括:根據上述車牌辨識結果更新上述特徵地圖提取模組。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107108613A TWI690857B (zh) | 2018-03-14 | 2018-03-14 | 車牌辨識方法以及其系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107108613A TWI690857B (zh) | 2018-03-14 | 2018-03-14 | 車牌辨識方法以及其系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201939354A true TW201939354A (zh) | 2019-10-01 |
TWI690857B TWI690857B (zh) | 2020-04-11 |
Family
ID=69023300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107108613A TWI690857B (zh) | 2018-03-14 | 2018-03-14 | 車牌辨識方法以及其系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI690857B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI818535B (zh) * | 2022-05-04 | 2023-10-11 | 博遠智能科技股份有限公司 | 車牌辨識系統及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI236638B (en) * | 2004-03-24 | 2005-07-21 | Univ Chung Yuan Christian | Multiple recognition system and method for license plates |
CN101303803A (zh) * | 2008-06-11 | 2008-11-12 | 北京中星微电子有限公司 | 一种车牌识别的方法和系统 |
US8036425B2 (en) * | 2008-06-26 | 2011-10-11 | Billy Hou | Neural network-controlled automatic tracking and recognizing system and method |
CN104239867B (zh) * | 2014-09-17 | 2017-12-01 | 深圳市捷顺科技实业股份有限公司 | 车牌定位方法及系统 |
-
2018
- 2018-03-14 TW TW107108613A patent/TWI690857B/zh active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI818535B (zh) * | 2022-05-04 | 2023-10-11 | 博遠智能科技股份有限公司 | 車牌辨識系統及方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI690857B (zh) | 2020-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276342B (zh) | 车牌辨识方法以及其系统 | |
US10853638B2 (en) | System and method for extracting structured information from image documents | |
CN110914834B (zh) | 用于图像变型和识别的神经风格迁移 | |
US10803357B2 (en) | Computer-readable recording medium, training method, and object detection device | |
JP6188400B2 (ja) | 画像処理装置、プログラム及び画像処理方法 | |
WO2017020723A1 (zh) | 一种字符分割方法、装置及电子设备 | |
CN111696128A (zh) | 一种高速多目标检测跟踪和目标图像优选方法及存储介质 | |
CN111209897B (zh) | 视频处理的方法、装置和存储介质 | |
CN109858327B (zh) | 一种基于深度学习的字符分割方法 | |
KR102197930B1 (ko) | 번호판 인식 방법 및 시스템 | |
CN111488732B (zh) | 一种变形关键词检测方法、系统及相关设备 | |
CN113239818B (zh) | 基于分割和图卷积神经网络的表格跨模态信息提取方法 | |
US11600088B2 (en) | Utilizing machine learning and image filtering techniques to detect and analyze handwritten text | |
US20200364517A1 (en) | Information processing device, information processing method, and recording medium | |
CN115461792A (zh) | 手写文本识别方法、装置和系统,手写文本搜索方法和系统,以及计算机可读存储介质 | |
CN116543261A (zh) | 用于图像识别的模型训练方法、图像识别方法设备及介质 | |
Juang et al. | Stereo-camera-based object detection using fuzzy color histograms and a fuzzy classifier with depth and shape estimations | |
TWI690857B (zh) | 車牌辨識方法以及其系統 | |
KR102026280B1 (ko) | 딥 러닝을 이용한 씬 텍스트 검출 방법 및 시스템 | |
CN113536951B (zh) | 表格识别方法及相关装置和电子设备、存储介质 | |
CN113657378B (zh) | 车辆跟踪方法、车辆跟踪系统和计算设备 | |
CN113762027B (zh) | 一种异常行为的识别方法、装置、设备及存储介质 | |
Nayan et al. | Real time multi-class object detection and recognition using vision augmentation algorithm | |
CN113807407A (zh) | 目标检测模型训练方法、模型性能检测方法及装置 | |
Jain | Unconstrained Arabic & Urdu text recognition using deep CNN-RNN hybrid networks |