TWI765469B - 車牌辨識系統與方法及提取車牌中複數個字元段的方法 - Google Patents

車牌辨識系統與方法及提取車牌中複數個字元段的方法 Download PDF

Info

Publication number
TWI765469B
TWI765469B TW109144215A TW109144215A TWI765469B TW I765469 B TWI765469 B TW I765469B TW 109144215 A TW109144215 A TW 109144215A TW 109144215 A TW109144215 A TW 109144215A TW I765469 B TWI765469 B TW I765469B
Authority
TW
Taiwan
Prior art keywords
character
image
license plate
module
segments
Prior art date
Application number
TW109144215A
Other languages
English (en)
Other versions
TW202215296A (zh
Inventor
展鵬 蔡
郭朕逢
盧奇曼傑斯 漢那斯克
李崢宇
香善怡
Original Assignee
新加坡商瑞昱新加坡有限公司
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 新加坡商瑞昱新加坡有限公司 filed Critical 新加坡商瑞昱新加坡有限公司
Publication of TW202215296A publication Critical patent/TW202215296A/zh
Application granted granted Critical
Publication of TWI765469B publication Critical patent/TWI765469B/zh

Links

Images

Classifications

    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Character Discrimination (AREA)
  • Traffic Control Systems (AREA)
  • Character Input (AREA)
  • Vehicle Waterproofing, Decoration, And Sanitation Devices (AREA)

Abstract

一種車牌辨識系統，包括影像擷取模組，車牌偵測模組，字元段提取模組，字元分類模組及字元辨識模組。影像擷取模組用以擷取影像。車牌偵測模組用以接收該影像並偵測該影像中的車牌。字元段提取模組用以提取該車牌上的複數個字元段。字元分類模組用以計算該些字元段中字元段的每一可能字元的概率。字元辨識模組用以根據該些字元段的預定語法及該字元段之複數個可能字元(character)的概率以識別出該字元段的選定字元。

Description

車牌辨識系統與方法及提取車牌中複數個字元段的方法
本發明係關於影像處理，尤指一種車牌辨識系統和方法。
在影像處理的應用中，車牌辨識技術已廣為人知。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、污損、裝飾的情況，進而造成辨識準確率下降。此外，現有的車牌定位技術通常是基於邊緣密度值尋找車牌影像位置，若車牌有污損、裝飾等情況將可能破壞邊緣密度值的特徵，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，必須通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，必須要通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在固定硬體資源的情形下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，為目前必須解決的問題。
實施例提供一種車牌辨識系統，包括影像擷取模組，車牌偵測模組，字元段提取模組，字元分類模組及字元辨識模組。影像擷取模組用以擷取影像。車牌偵測模組用以接收該影像並偵測該影像中的車牌。字元段提取模組用以提取該車牌上的複數個字元段。字元分類模組用以計算該些字元段中一字元段的 每一可能字元的概率。字元辨識模組用以根據該些字元段的預定語法及該字元段之複數個可能字元(character)的概率以識別出該字元段的選定字元。
實施例另提供一種車牌辨識的方法，包括擷取影像，在該影像中識別車牌，在該車牌中提取複數個字元段，計算該些字元段中一字元段的每一可能字元的概率，根據該些字元段的預定語法及該字元段之複數個可能字元的概率以識別出該字元段的選定字元。
實施例另提供一種提取車牌中複數個字元段的方法，包括從影像中偵測該車牌，將該車牌轉換為灰階影像，該灰階影像進行二值化以產生二值化影像，對二值化影像進行二元分割以識別該車牌中的複數個字元段，若複數個字元的灰階值大於該車牌該背景的灰階值，則計算該些字元段的數量，及若該些字元段的數量實質上不等於期望值，則將該二值化影像進行二元反轉。
100:車牌辨識系統
105:影像擷取模組
110:車牌偵測模組
120:字元段提取模組
130:字元分類模組
140:字元辨識模組
150:校正模組
310:灰階影像
320:二值化影像
330:影像片段
710:參考字元資料庫
730:字元段
200,1100:方法
S202~S216,S1102~S1112:步驟
第1圖為實施例中車牌辨識系統的示意圖。
第2圖是第1圖的字元段提取模組用以從車牌提取字元段的方法流程圖。
第3圖是第1圖的字元段提取模組從車牌提取字元段的示意圖。
第4A圖和第4B圖是第2圖之方法中執行影像二值化和反向二值化的示意圖。
第5圖是實施例中車牌二值化影像的示意圖。
第6圖是實施例中以不同的標籤標識的字元和背景的示意圖。
第7圖是第1圖的字元分類模組使用模型匹配以取得相似度的示意圖。
第8圖是第1圖的字元分類模組計算字元概率的示意圖。
第9圖是第1圖的字元辨識模組根據預定語法規則識別字元的示意圖。
第10圖是第1圖的校正模組執行的校正處理的示意圖。
第11圖是第1圖的車牌辨識系統執行車牌辨識方法的流程圖。
第1圖為實施例中車牌辨識系統100的示意圖。車牌辨識系統100包括影像擷取模組105，車牌偵測模組110，字元段提取模組120，字元分類模組130及字元辨識模組140。車牌辨識系統100還可選擇性包含校正模組150。
如第1圖所示，該影像擷取模組105耦接該車牌偵測模組110，用以擷取影像，並輸出一影像序列至該車牌偵測模組110。該車牌偵測模組110用以接收該影像序列並偵測該影像序列中的車牌。該字元段提取模組120耦接該車牌偵測模組110，用以接收該車牌影像，並用以提取該車牌影像上的複數個字元段。該字元分類模組130耦接字元段提取模組120，用以計算複數個字元段其中一字元段的每一可能字元的概率。該字元辨識模組140分別耦接該字元分類模組130以及該字元段提取模組120，用以接收來自該字元段提取模組120的一字元數量及順序，及根據複數個字元段的預定語法及該字元段之複數個可能字元(character)的概率以來識別出該字元段的一選定字元以輸出一靜態影像辨識結果，舉例來說，該字元段之複數個可能字元可為預定語法對該字元段的複數個允許字元，並且字元辨識模組140可將允許字元中概率最高的字元識別為該字元段的選定字元。該校正模組150耦接該字元辨識模組140，用以根據該複數個車牌影像在相同位置出現字元最多的次數來校正該選定字元以輸出一動態影像辨識結果。
在實施例中，影像擷取模組105可以是相機或任何可以擷取影像的設備。車牌偵測模組110，字元段提取模組120，字元分類模組130，字元辨識模組140和校正模組150均可以包括針對上述功能而訓練過的神經網絡模型。
第2圖是字元段提取模組120用以從車牌提取字元段的方法200的流程圖。方法200包括以下步驟：S202：從影像中偵測車牌影像；S204：將車牌影像轉換為灰階影像；S206：對灰階影像進行二值化以產生二值化影像；S208：對二值化影像進行二元分割，以識別車牌影像中的複數個字元段；S210：假設複數個字元的灰階值大於車牌影像之背景的灰階值，計算複數個字元段的數量；S212：複數個字元段的數量是否等於期望值？若是，執行步驟S216；若否，執行步驟S214；S214：將二值化影像進行二元反轉，回到步驟S208；S216：結束流程。
首先，車牌偵測模組110根據影像中的位置資訊取出車牌。字元段提取模組120將車牌彩色圖像轉換為灰階圖像。灰階圖像藉由預設二值化閾值被字元段提取模組120轉換為二值化影像。然後，執行二元分割以產生每個字元及其邊界框的分段。接下來，字元段提取模組120根據字元段的尺寸及其邊界框的長寬比和車牌的長寬比來識別可能的字元段。再刪除其他部分，例如板框，螺栓 和螺母。如果獲得的字元段的數量與從規則語法得到的字元段數量的期望值匹配，則再由字元分類模組130進行字元分類處理。否則，將反向二值化閾值應用於灰階圖像以產生反轉的二值化影像。然後，對反轉後的二值化影像執行二元分割。
若可能的字元段的數量基本上不等於字元段數量的期望值，則可以確認車牌背景的灰階值比字元的灰階值高；若可能的字元段的數量基本上等於字元段數量的期望值，則可以確認車牌背景的灰階值比字元的灰階值低。這樣可確保字元段提取模組120正確識別任何一種車牌。
第3圖是字元段提取模組120從車牌提取字元段的示意圖。車牌310是車牌的灰階影像。可通過對灰階影像310執行二值化來產生二值化影像320。字元段提取模組120再從二值化影像320提取字元段。影像片段330包括提取的每個字元段，並且每個字元被其邊界框包圍。
第4A圖和第4B圖是方法200中執行影像二值化和反向二值化的示意圖。如圖所示，低像素值代表低灰階值，而高像素值代表高灰階值。第4A圖出示應用於將灰階圖像310轉換為二值化影像320的二值化閾值。如果灰階值高於閾值，例如，灰階值高於閾值120，則在二值化影像320將其轉換為高像素值。如果灰階值低於閾值，則在二值化影像320中將其轉換為低像素值。第4B圖出示應用於將灰階影像310轉換為二值化影像320的反向二值化閾值。如果灰階值低於閾值，則將其轉換為二值化影像中的高像素值；反之，如果灰階值高於閾值，則將其轉換為二值化影像中的低像素值。
第5圖是實施例中車牌二值化影像的示意圖。在實施例中，字元具有高灰階值，而背景具有低灰階值。當已知字元的二元像素值時，可以應用二元分割方法來產生與每個字元相對應的字元段。實施例可應用美國專利申請號16/655,212中所述的方法來產生字元段。
第6圖是實施例中以不同的標籤標識的字元和背景的示意圖。在快速二元分割過程中，每一像素將被標記一個標籤。具有相同標籤的像素被識別為屬於相同字元。例如，標籤為10的像素屬於字元“5”，而標籤為0的像素屬於背景。
第7圖是字元分類模組130使用模型匹配以取得相似度的示意圖。將字元段730與參考字元資料庫710中的字元進行比較以獲得相似度。例如，當與參考字元資料庫710中的所有字元進行比較時，字元分類模組130可以計算參考字元資料庫710中各個字元與字元段730中之字元的相似度，以產生參考字元資料庫710中各個字元與字元段730中之字元匹配的概率，並且則將具有最高概率的字元選為字元段730的選定字元。
第8圖是字元分類模組130計算字元概率的示意圖。在實施例中，字元分類模組130包括用於計算字元概率的神經網絡模型，包括神經網絡及權重參數。神經網絡模型使用示例性數據訓練模型後即可學習權重，並且影像片段330被調整為寬32像素和高24像素的影像。舉例而言，將32x24x1像素值輸入到神經網絡模型便可產生每個可能字元的概率。
第9圖是字元辨識模組140根據預定語法規則識別字元的示意圖。預 定語法可與管轄車牌之地區的法規有關。例如，根據新加坡的車牌法規，字元數範圍為4到8個字元。在此圖中，“A”表示該位置的字元必須是字母。“D”表示該位置的字元必須是數字。“A/D”表示該位置的字元可以是字母或數字。車牌號以字母開頭。車牌中不允許使用字母“I”和“O”。接下來的幾個字元可以是1到9999之間的數字，並且數字不能以0開頭。最後一個字元是字母作為校驗，可以是“F”、“I”、“N”、“O”，“Q”或“V”。因此，以上描述的語法規則可以幫助字元辨識模組140在適當位置正確辨識字元。
第10圖是校正模組150執行的校正處理的示意圖。校正模組150為選擇性模組，可以提高識別結果的準確性。影像擷取模組105所擷取的影像可以是動態影像的一個當前幀。動態影像中可能有先前幀經過車牌辨識過程並保存在校正模組150的資料庫中。因此，可當前幀的車牌辨識結果與先前幀的辨識結果進行比較，並在每個字元位置上執行校正。出現次數最多的字元可以被識別為正確的字元。如此可提高辨識的準確性。
第11圖是由車牌辨識系統100執行的車牌辨識方法1100的流程圖。方法1100包括以下步驟：S1102：擷取影像；S1104：在影像中識別車牌；S1106：在車牌中提取複數個字元段；S1108：計算複數個字元段中一字元段的每一可能字元的概率；S1110：根據複數個字元段的預定語法，及該字元段之複數個可能字元的概率以識別出該字元段的選定字元；及S1112：根據同一位置上出現最多次的字元來校正選定字元。
校正步驟S1112可選擇性實施，然而執行校正可以提高辨識結果的準確性。
綜上所述，實施例提供的車牌辨識系統和方法可以快速並準確地辨識車牌上的字元。因此，與現有技術相比，本系統及方法提供更佳的車牌辨識結果並提高車牌辨識對環境的容忍度且維持高準確率以及快的辨識速度。
以上所述僅為本發明之較佳實施例，凡依本發明申請專利範圍所做之均等變化與修飾，皆應屬本發明之涵蓋範圍。
100:車牌辨識系統
105:影像擷取模組
110:車牌偵測模組
120:字元段提取模組
130:字元分類模組
140:字元辨識模組
150:校正模組

Claims (15)

  1. 一種車牌辨識系統，包括：一影像擷取模組，用以擷取一影像；一車牌偵測模組，用以接收該影像並偵測該影像中的一車牌影像；一字元段提取模組，耦接該車牌偵測模組，用以：接收該車牌影像；將該車牌影像轉換為一灰階影像；對該灰階影像進行二值化以產生一二值化影像，其中該二值化影像具有複數個像素，每一像素被標記一個標籤；對該二值化影像的複數個像素進行二元分割，以提取該車牌影像上的複數個字元段，每一字元段具有相同標籤的一字元；計算該些字元段的一數量；及若該些字元段的該數量實質上不等於一期望值，則將該二值化影像進行二元反轉；一字元分類模組，耦接該字元段提取模組，用以計算該些字元段中一字元段的每一可能字元(character)的概率；及一字元辨識模組，耦接該字元分類模組及該字元段提取模組，用以根據該些字元段的一預定語法及該字元段之複數個可能字元(character)的概率以識別出該字元段的一選定字元。
  2. 如請求項1所述的系統，另包括：一校正模組，耦接該字元辨識模組，用以根據在相同位置出現字元最多的次數來校正該選定字元。
  3. 如請求項1所述的系統，其中該車牌影像的一背景具有一高像素值及一低像素值的一者，該複數個字元具有該高像素值及該低像素值的另一者。
  4. 如請求項1所述的系統，其中該車牌偵測模組包括一神經網絡模型。
  5. 如請求項1所述的系統，其中該字元識別模組通過將該字元段中的每一可能字元與一資料庫中的參考字元進行比較來計算該字元段的每一可能字元的概率。
  6. 如請求項1所述的系統，其中，該預定語法係對應於一車牌法規。
  7. 一種車牌辨識的方法，包括：擷取一影像；在該影像中識別一車牌影像；在該車牌影像中提取複數個字元段，包括：將該車牌影像轉換為一灰階影像；對該灰階影像進行二值化以產生一二值化影像，其中該二值化影像具有複數個像素，每一像素標記一個標籤；對該二值化影像的複數個像素進行二元分割，以識別該車牌中的複數個字元段，每一字元段具有相同標籤的一字元；計算該些字元段的一數量；計算該些字元段中一字元段的每一可能字元的概率； 根據該些字元段的一預定語法及該字元段之複數個可能字元的概率以識別出該字元段的一選定字元。
  8. 如請求項7所述的方法，另包括：根據同一位置上出現最多次的一字元來校正該選定字元。
  9. 如請求項7所述的方法，其中：該車牌影像的一背景具有一高像素值及一低像素值的一者，該複數個字元具有該高像素值及該低像素值的另一者。
  10. 如請求項7所述的方法，其中，該預定語法係對應於一車牌法規。
  11. 如請求項7所述的方法，其中在該影像中識別該車牌影像係使用一神經網絡模型識別該影像中的該車牌。
  12. 如請求項7所述的方法，其中計算該些字元段中該字元段中每一可能字元的概率係通過將該字元段中的每一可能字元與一資料庫中的參考字元進行比較來計算該字元段中的每一可能字元的概率。
  13. 一種提取一車牌影像中複數個字元段的方法，包括：將該車牌影像轉換為一灰階影像；對該灰階影像進行二值化以產生一二值化影像，其中該二值化影像具有複數個像素，每一像素被標記一個標籤； 對該二值化影像的複數個像素進行二元分割，以識別該車牌影像中的複數個字元段，每一字元段具有相同標籤的一字元；計算該些字元段的一數量；若該些字元段的數量實質上不等於一期望值，則將該二值化影像進行二元反轉；及對該二元反轉後的二值化影像再次進行二元分割以識別該車牌影像中的複數個字元段。
  14. 如請求項13所述的方法，另包括：通過將該些字元段的尺寸與車牌影像的尺寸進行比較以確認該些字元段為有效字元段。
  15. 如請求項13所述的方法，另包括：若該些字元段的該數量實質上不等於該期望值，則確認該車牌影像的該背景的灰階值比該些字元的灰階值更高；或若該些字元段的該數量實質等於該期望值，則確認該些字元的灰階值比該車牌影像的該背景的灰階值更高。
TW109144215A 2020-09-30 2020-12-15 車牌辨識系統與方法及提取車牌中複數個字元段的方法 TWI765469B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/037,705 2020-09-30
US17/037,705 US11527057B2 (en) 2020-09-30 2020-09-30 System and method for license plate recognition

Publications (2)

Publication Number Publication Date
TW202215296A TW202215296A (zh) 2022-04-16
TWI765469B true TWI765469B (zh) 2022-05-21

Family

ID=80821357

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109144215A TWI765469B (zh) 2020-09-30 2020-12-15 車牌辨識系統與方法及提取車牌中複數個字元段的方法

Country Status (3)

Country Link
US (1) US11527057B2 (zh)
CN (1) CN114333338A (zh)
TW (1) TWI765469B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210011787A1 (en) * 2020-09-25 2021-01-14 Francesc Guim Bernat Technologies for scaling inter-kernel technologies for accelerator device kernels
WO2022073016A1 (en) * 2020-09-30 2022-04-07 Rekor Systems, Inc. Systems and methods for efficient information extraction in traffic monitoring
US11615634B2 (en) * 2021-07-01 2023-03-28 International Business Machines Corporation Character recognition of license plate under complex background
US11978267B2 (en) 2022-04-22 2024-05-07 Verkada Inc. Automatic multi-plate recognition
US11557133B1 (en) * 2022-04-22 2023-01-17 Verkada Inc. Automatic license plate recognition

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200532586A (en) * 2004-03-24 2005-10-01 Univ Chung Yuan Christian Multiple recognition system and method for license plates
TWM397335U (en) * 2010-08-16 2011-02-01 Oriental Inst Technology Automobile identification warning device
TW201218129A (en) * 2010-10-29 2012-05-01 Univ Nat Chiao Tung A vehicle registration-plate detecting method and system thereof
US20190043207A1 (en) * 2018-04-30 2019-02-07 Marcos Emanuel Carranza Object tracking and identification using intelligent camera orchestration
TWM605360U (zh) * 2020-09-16 2020-12-11 和進電子股份有限公司 停車收費系統的車牌拍攝辨識裝置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4471202B2 (ja) * 2004-04-12 2010-06-02 株式会社リコー 画像処理装置、画像処理方法及び同方法に用いるプログラム
EP2064653A4 (en) * 2006-09-01 2012-09-05 Sensen Networks Pty Ltd METHOD AND SYSTEM FOR IDENTIFYING ONE OR MORE FEATURES REPRESENTED IN SEVERAL SENSOR-BASED DATA SETS
TWI431516B (zh) * 2011-06-21 2014-03-21 Quanta Comp Inc 觸覺回饋方法及其電子裝置
US8824797B2 (en) * 2011-10-03 2014-09-02 Xerox Corporation Graph-based segmentation integrating visible and NIR information
US20130279758A1 (en) * 2012-04-23 2013-10-24 Xerox Corporation Method and system for robust tilt adjustment and cropping of license plate images
WO2014107225A1 (en) * 2013-01-07 2014-07-10 Rotatori Dean Apparatus and method for tire sidewall crack analysis
US10540564B2 (en) * 2014-06-27 2020-01-21 Blinker, Inc. Method and apparatus for identifying vehicle information from an image
CN105528609A (zh) * 2014-09-28 2016-04-27 江苏省兴泽实业发展有限公司 一种基于字符位置的车牌定位方法
CN104715253A (zh) * 2015-04-02 2015-06-17 北京贞观雨科技有限公司 一种获取试题解析信息的方法及服务器
US11587327B2 (en) * 2015-10-01 2023-02-21 Intellivision Technologies Corp Methods and systems for accurately recognizing vehicle license plates
CN105354572B (zh) * 2015-12-10 2018-10-12 苏州大学 一种基于简化卷积神经网络的车牌自动识别系统
CN106709530A (zh) * 2017-01-17 2017-05-24 中国科学院上海高等研究院 基于视频的车牌识别方法
CN107403130A (zh) * 2017-04-19 2017-11-28 北京粉笔未来科技有限公司 一种字符识别方法及字符识别装置
WO2019162970A1 (en) * 2018-02-26 2019-08-29 Videonetics Technology Private Limited A system for real-time automated segmentation and recognition of vehicle's license plates characters from vehicle's image and a method thereof.
CN108830278B (zh) * 2018-05-17 2021-11-02 河南思维轨道交通技术研究院有限公司 一种字符串图像识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200532586A (en) * 2004-03-24 2005-10-01 Univ Chung Yuan Christian Multiple recognition system and method for license plates
TWM397335U (en) * 2010-08-16 2011-02-01 Oriental Inst Technology Automobile identification warning device
TW201218129A (en) * 2010-10-29 2012-05-01 Univ Nat Chiao Tung A vehicle registration-plate detecting method and system thereof
US20190043207A1 (en) * 2018-04-30 2019-02-07 Marcos Emanuel Carranza Object tracking and identification using intelligent camera orchestration
TWM605360U (zh) * 2020-09-16 2020-12-11 和進電子股份有限公司 停車收費系統的車牌拍攝辨識裝置

Also Published As

Publication number Publication date
US20220101037A1 (en) 2022-03-31
CN114333338A (zh) 2022-04-12
US11527057B2 (en) 2022-12-13
TW202215296A (zh) 2022-04-16

Similar Documents

Publication Publication Date Title
TWI765469B (zh) 車牌辨識系統與方法及提取車牌中複數個字元段的方法
US8867828B2 (en) Text region detection system and method
Raghunandan et al. Riesz fractional based model for enhancing license plate detection and recognition
CN105046196B (zh) 基于级联卷积神经网络的前车车辆信息结构化输出方法
US10198657B2 (en) All-weather thermal-image pedestrian detection method
CN103824091B (zh) 一种用于智能交通系统的车牌识别方法
US20060062460A1 (en) Character recognition apparatus and method for recognizing characters in an image
CN106372624B (zh) 人脸识别方法及系统
US20220147735A1 (en) Face-aware person re-identification system
CN106886778B (zh) 一种监控场景下车牌字符分割与识别方法
JP5176763B2 (ja) 低品質文字の識別方法及び装置
CN109582813B (zh) 一种文物展品的检索方法、装置、设备和存储介质
CN113989794B (zh) 一种车牌检测和识别方法
CN111814576A (zh) 一种基于深度学习的购物小票图片识别方法
CN115116074A (zh) 一种手写体文字识别、及模型训练方法和装置
CN114359088A (zh) 一种对视频特定目标人物进行打码处理的方法
CN114550268A (zh) 一种利用时空特征的深度伪造视频检测方法
CN111160107B (zh) 一种基于特征匹配的动态区域检测方法
US10217020B1 (en) Method and system for identifying multiple strings in an image based upon positions of model strings relative to one another
Shehu et al. Character recognition using correlation & hamming distance
CN111242829A (zh) 一种水印提取方法、装置、设备及存储介质
Karanje et al. Survey on text detection, segmentation and recognition from a natural scene images
US11087122B1 (en) Method and system for processing candidate strings detected in an image to identify a match of a model string in the image
Asif et al. A novel hybrid method for text detection and extraction from news videos
CN110969163A (zh) 一种检测图像中文本信息的方法