WO2018233038A1 - 基于深度学习的车牌识别方法、装置、设备及存储介质 - Google Patents
基于深度学习的车牌识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- WO2018233038A1 WO2018233038A1 PCT/CN2017/099840 CN2017099840W WO2018233038A1 WO 2018233038 A1 WO2018233038 A1 WO 2018233038A1 CN 2017099840 W CN2017099840 W CN 2017099840W WO 2018233038 A1 WO2018233038 A1 WO 2018233038A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- license plate
- image
- plate image
- target
- corrected
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000006403 short-term memory Effects 0.000 claims abstract description 25
- 230000007787 long-term memory Effects 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 10
- 238000013519 translation Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于深度学习的车牌识别方法、装置、设备及存储介质。该基于深度学习的车牌识别方法,包括:采用单次检测器对原始拍摄图像进行特征提取,获取目标车牌图像(S10);对所述目标车牌图像进行矫正处理,获取矫正车牌图像(S20);采用双向长短期记忆模型对所述矫正车牌图像进行识别,获取目标车牌信息(S30)。该基于深度学习的车牌识别方法进行车牌识别时,识别效率高且准确率更高。
Description
本专利申请以2017年6月23日提交的申请号为201710485881.4,名称为“基于深度学习的车牌识别方法、装置、设备及存储介质”的中国发明专利申请为基础,并要求其优先权。
本发明涉及图像处理技术领域,尤其涉及一种基于深度学习的车牌识别方法、装置、设备及存储介质。
随着经济的发展,图像获取及存储的成本越来越低,使得交通部门、停车场等需对车牌进行监管的部门均获取并存储有大量的车牌图像数据,这些车牌图像数据大部分是在自然的应用场景下获取的,具有多元化的数据特征。车牌识别系统作为图像信息处理和识别领域的一项重要研究课题,在车辆违章监控、停车场管理等方面具有巨大的应用价值。
传统车牌识别系统多基于固定的应用场景,其所获取的车牌图像数据是基于固定的摄像头、固定的拍摄角度、固定的光照条件甚至固定的车辆行驶方向获取到的,对所获取的车牌图像数据具有严格的约束条件。在自然的应用场景下,拍摄获取到的车牌图像数据具有不同的图像质量、不同的拍摄角度、不同的光照条件等,给传统车牌识别系统带来巨大的挑战,使得传统车牌识别系统无法对自然的应用场景下,即无法对自然的应用场景下拍摄到的车牌图像数据进行车牌识别。
发明内容
本发明实施例提供一种基于深度学习的车牌识别方法、装置、设备及存储介质,以解决现有车牌识别系统无法在自然的应用场景下进行车牌识别的问题。
第一方面,本发明实施例提供一种基于深度学习的车牌识别方法,包括:
采用单次检测器对原始拍摄图像进行特征提取,获取目标车牌图像;
对所述目标车牌图像进行矫正处理,获取矫正车牌图像;
采用双向长短期记忆模型对所述矫正车牌图像进行识别,获取目标车牌信息。
第二方面,本发明实施例提供一种基于深度学习的车牌识别装置,包括:
车牌检测模块,用于采用单次检测器对原始拍摄图像进行特征提取,获取目标车牌图像;
车牌矫正模块,用于对所述目标车牌图像进行矫正处理,获取矫正车牌图像;
车牌识别模块,用于采用双向长短期记忆模型对所述矫正车牌图像进行识别,获取目标车牌信息。
第三方面,本发明实施例提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
采用单次检测器对原始拍摄图像进行特征提取,获取目标车牌图像;
对所述目标车牌图像进行矫正处理,获取矫正车牌图像;
采用双向长短期记忆模型对所述矫正车牌图像进行识别,获取目标车牌信息。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
采用单次检测器对原始拍摄图像进行特征提取,获取目标车牌图像;
对所述目标车牌图像进行矫正处理,获取矫正车牌图像;
采用双向长短期记忆模型对所述矫正车牌图像进行识别,获取目标车牌信息。
本发明实施例与现有技术相比具有如下优点:本发明实施例所提供的基于深度学习的车牌识别方法、装置、设备及存储介质中,通过采用单次检测器对原始拍摄图像进行特征提取,以获取目标车牌图像,使其可对任意拍摄场景下获取的原始拍摄图像均可进行车牌检测;而无全连接层的单次检测器相比其他有全连接层的检测模型,可有效提高检测效率。再对目标车牌图像进行矫正处理,以获取矫正车牌图像,以避免因车牌图像倾斜而影响后续车牌识别的效率和准确率。再采用双向长短期记忆模型对矫正车牌图像进行识别,有利于提高车牌识别的效率和准确率,且可实现端到端识别,无需再进行人为处理。
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例1中基于深度学习的车牌识别方法的一流程图。
图2是图1中步骤S10的一具体流程图。
图3是图1中步骤S20的一具体流程图。
图4是图1中步骤S30的一具体流程图。
图5是本发明实施例2中基于深度学习的车牌识别装置的一原理框图。
图6是本发明实施例3中终端设备的一示意图。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明实施例。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明实施例的描述。
实施例1
图1示出本实施例中的基于深度学习的车牌识别方法的一流程图。该基于深度学习的车牌识别方法可应用在交通部门、停车场等需对车牌进行监管的部门的车牌识别系统中,用于对其采集到的车牌图像数据进行识别,获取对应的目标车牌信息,以实现监管车辆的目的。如图1所示,该基于深度学习的车牌识别方法包括如下步骤:
S10:采用单次检测器对原始拍摄图像进行特征提取,获取目标车牌图像。
其中,单次检测器(Single Shot MultiBox Detector,以下简称SSD模型)是采用单个深度神经网络模型实现目标检测和识别的模型。原始拍摄图像是采用拍摄设备拍摄后直接获取到的图像,可以是在固定的应用场景下拍摄到的图像,也可以是在自然的应用场景下拍摄到的图像。本实施例中,SSD模型采用VGG-16作为基础网络,加入辅助结构形成深度学习模型对原始拍摄图像进行车牌检测,采用矩形框标出原始拍摄图像中车牌所在的位置,以获取目标车牌图像,相比于其他深度学习模型,可保证车牌检测的效率和准确率。
相对于MultiBox模型和YOLO模型等具有全连接层的深度学习模型,全连接层之后每个输出都会映射到整幅图像,使其检测过程较慢。本实施例中,采用无全连接层的SSD模型进行图像检测时,每个输出只会感受到目标周围的信息(如上下文信息),从而加快图像检测速度并提高图像检测精度。此外,MultiBox模型和YOLO模型等深度学习模型中,全连接层会限制进入VGG-16网络结构的图像大小,即VGG-16网络结构预先配置其网络设计的输入大小,则进入VGG-16网络结构的图像的输入大小只能与网络设计的输入大小相同。而采用无全连接层的SSD模型进行图像检测时,由于无全连接层的限制,使输入VGG-16网络结构的图像大小而不受网络设计的输入大小的限制。本实施例中,SSD模型可根据具体任务和数据的分辨率设置合适的图像的输入大小来训练网络,如本实施例中设置图像的输入大小为512*512。
如图2所示,步骤S10中,采用单次检测器(即SSD模型)对原始拍摄图像进行特征提取,获取目标车牌图像,具体包括如下步骤:
S11:采用训练好的单次检测器对原始拍摄图像进行归一化处理,获取原始车牌图像。
本实施例中,在对任何拍摄场景(包括固定的应用场景和自然的应用场景)下拍摄的原始拍摄图像进行特征提取之前,需预先训练好用于进行车牌检测的SSD模型,以便在车牌检测时,直接调用训练好的SSD模型对原始拍摄图像进行归一化处理,以提高车牌检测的效率和精度。其中,归一化处理是指将输入SSD模型的所有原始拍摄图像归一化为统一的尺寸大小,以使获取到的原始车牌图像更易于被检测,提高车牌检测的效率和准确率。
可以理解地,该基于深度学习的车牌识别方法中,步骤S11之前,还包括:预先训练单次检测器,并存储训练好的单次检测器,以使步骤S11中可采用训练好的单次检测器对原始拍摄图像进行归一化处理,获取原始车牌图像。
SSD模型的训练的具体过程如下:首先,获取用于进行SSD模型训练的多个原始拍摄图像,并对每个原始拍摄图像中出现的所有车牌的真实信息(ground turth)进行标注,该真实信息(ground turth)包括蓝色车牌、黄色车牌、白色车牌、黑色车牌和绿色车牌等五种车牌类别信息,并采用矩形框标识出车牌位置,以获取真实框(ground turth box)。再找到每个真实框(ground true box)对应的默认框(default box)中重叠率(intersection-over-union,以下简称为IOU)最大的作为与该真实框(ground true box)相匹配的正样本。然后,在剩下的默认框(default box)找到与所有真实框(ground true box)的IOU大于预设值(本实施例中为0.5)的默认框(default box)作为与该真实框(ground true box)相匹配的正样本。在剩下的默认框(default box)中与所有真实框(ground true box)的IOU不大于预设值(本实施例中为0.5)的默认框(default box)作为与该真实框(ground true box)相匹配的负样本。采用正样本和负样本训练单次检测器,获取训练好的单次检测器,并将训练好的单次检测器存储在数据库中,以便后续直接采用该训练好的单次检测器。本实施例中,可为一个标注的车牌真实框(ground true box)找到对应的多个正样本的默认框(default box),有利提高训练效率,而不像MultiBox那样只取其中重叠率最大的作为正样本的默认框(default box),而其他作为负样本。其中,重叠率IOU是SSD模型产生的车牌位置的矩形框与默认框(default box)的重叠率,用于评价检测的准确性。其中,重叠率IOU是检测结果(detection Result)与真实信息(ground turth)的交集比两者的并集,即
在SSD模型的训练过程中,根据默认框(default box)和真实框(ground turth box)的重叠率来确定原始拍摄图像的正样本和负样本,然后通过裁剪、镜像、加噪声等操作扩充训练样本,从而获取更多训练样本,并基于获取到的所有训练样本对SSD模型进行训练,提高训练好的SSD模型进行检测车牌的准确性。进一步地,在SSD模型训练过程中,需对输入SSD模型的所有训练样本进行归一化处理,以将所有训练样本归一化为统一的尺寸大小,以提高SSD模型的训练效率。
对于SSD模型而言,根据VGG-16网络结构每层提取特征的粒度大小,确定与该层特征粒度相适应的默认框(default box)的尺度,使得SSD模型的默认框(default box)的提取策略可以覆盖到大部分原始拍摄图像的尺度及位置,再根据默认框(default box)和真实框(ground truth box)的重叠率可寻找正负样本进行训练即可获取训练好的SSD模型。因此,采用训练好的SSD模型对原始拍摄图像进行特征提取以检测车牌时,只需对原始拍摄图像进行一次特征提取即可获得所有训练样本的特征图,避免采用Faster-RCNN等模型需进行提取目标框(region proposals)的步骤,并避免在目标框(region proposals)重叠时需重复提取部分图像,因此,采用SSD模型进行车牌检测时,可有效提高检测效率。
S12:采用卷积层对原始车牌图像进行多尺度特征提取,获取若干层特征图,采用比例不同的若干个默认框分别对若干层特征图进行提取,获取每一默认框的分类结果。
本实施例中,VGG-16卷积层包括38*38*512卷积层、19*19*512卷积层、10*10*512卷积层、5*5*512卷积层、3*3*512卷积层、1*1*512卷积层等六层卷积层,每一卷积层对应一个检测器&分类器,将训练好的SDD模型输出的原始车牌图像依次进入每一卷积层进行多尺寸特征提取,获取六层特征图(feature map),采用1、1/2、1/3、1/4、2和3这六个比例的默认框(default box)对六层特征图(feature map)进行提取,使得每一层卷积层的检测器&分类器输出对应的分类结果。其中,每一检测器&分类器输出的分类结果包括类别和置信度两个量。可以理解地,比例不同的若干默认框(default box)是在对输入的原始车牌图像进行特征提取后的特征图(feature map)上进行的,使得特征提取时每一卷积层只需进行一次特征提取,有利于提高特征提取效率。
S13:采用非极大抑制准则选取对默认框的分类结果进行选取,获取目标车牌图像。
其中,非极大值抑制准则(non maximum suppression,以下简称NMS准则)是抑制不是极大值的元素,而搜索局部极大值的算法,即搜索领域范围内的最大值的算法。在车牌检测时,先创建分类器,分类器给定一固定尺寸图片,通过分类器判断原始图像中是否存在车牌。再将分类器转化为检测器,即在原始车牌图像上通过滑动窗口或其他方式产生
多个尺寸的框(即窗口),并调整尺寸(即Resize)到该固定尺寸,然后通过分类器进行检测,以输出目标车牌图像,该目标车牌图像为采用NMS准则从多个框中选取最优的框所对应的图像。采用滑动窗口方式产生多个框(每个框都带有分类器得分),采用NMS准则可抑制冗余的框的过程如下:将所有框的得分降序排列,选中最高分及其对应的框;遍历其余的框,如果和当前最高分的框的重叠率(IOU)大于一定阈值,则将该框删除;从未处理的框中继续选取一个得分最高的,重复上述过程。
本实施例中,在S12步骤获取每一默认框(default box)的特征图(feature map)之后,输入检测器&分类器使用Softmax计算每个默认框(default box)属于所有类别的概率值,该概率值为默认框的分类结果。使用NMS准则选取其中概率值最大的类别作为该默认框(default box)的类别,即从默认框的分类结果中选取分类结果最大的默认框作为目标框。遍历其他默认框(default box),若其他默认框(default box)与分类结果最大的目标框的重叠率大于一定阈值,就将对应的默认框(default box)删除,即将与目标框的重叠率大于一定阈值的默认框删除。重复上述过程,即在剩下的默认框中选取分类结果最大的默认框作为新的目标框,再遍历计算剩下的默认框与目标框的重叠率,与目标框的重叠率大于一定阈值,则删除对应的默认框,从而获取所有保留下来的目标框。基于保留下来的目标框获取目标车牌图像,即每一目标框对应的图像为目标车牌图像。
S20:对目标车牌图像进行矫正处理,获取矫正车牌图像。
步骤S10中,对原始拍摄图像进行车牌检测和特征提取后,获取到的目标车牌图像可能存在角度偏移,若直接进行车牌识别,可能使其识别过程因字符倾斜而难以识别,影响其识别的效率和准确率。因此,需对目标车牌图像进行矫正处理,以使输出的矫正车牌图像更易于识别,以提高车牌识别的效率和准确率。
如图3所示,步骤S20中,对目标车牌图像进行矫正处理,获取矫正车牌图像,具体包括如下步骤:
S21:获取目标车牌图像中的车牌轮廓。
采用SSD模型选取原始拍摄图像中矩形的默认框(default box),以确定对应的目标车牌图像,再对默认框(default box)内的车牌轮廓进行确定,以便基于车牌轮廓内的图像信息进行车牌识别。本实施例中,每一目标车牌图像中的车牌轮廓对应于一外接矩形,可根据该外接矩形确定车牌轮廓。
进一步地,步骤S21中,获取目标车牌图像中的车牌轮廓,具体包括如下步骤:
S211:获取目标车牌图像中车牌区域与边缘区域的颜色相似度。
当前车牌包括蓝色车牌、黄色车牌、白色车牌、黑色车牌和绿色车牌等五种颜色车牌,在每一种颜色的目标车牌图像中,车牌轮廓内的车牌区域的颜色和车牌轮廓外的边缘区域的颜色具有一定的区别,可通过获取车牌轮廓内外的颜色显著性确定车牌轮廓,从而提高车牌轮廓的获取效率。本实施例中,通过计算目标车牌图像中车牌区域与边缘区域的颜色相似度,以确定两者颜色显著性。
当前颜色特征可采用颜色直方图表示,主要有三个独立的一维直方图,分别为彩色图像RGB三个分量的直方图,基于该颜色直方图之间的距离或交来判断颜色相似度,如可采用绝对值距离(又称城区距离,city-block)、巴氏距离(Bhattacharyya)、欧式距离(Euclideandistance)、直方图相交法(Histogram intersection)、x2距离、参考颜色表和中心矩等。
S212:判断颜色相似度是否大于预设相似度。
其中,预设相似度是用于判定两者具有颜色显著性的标准值。本实施例中,若车牌区域与边缘区域的颜色相似度大于预设相似度,则认定车牌区域与边缘区域具有颜色显著性;若车牌区域与边缘区域的颜色相似度不大于预设相似度,则认定车牌区域与边缘区域不具有颜色显著性。
S213:若是,则取车牌区域作为车牌轮廓。
即在目标车牌图像中的车牌区域和边缘区域的颜色相似度大于预设相似度,即车牌区域内外具有颜色显著性(如白色车上的蓝色车牌)时,可直接将车牌区域作为车牌轮廓,无需进一步处理,有利于提高车牌轮廓的获取效率。
S214:若否,则对目标车牌图像进行灰度化、Sobel算子、二值化和闭操作,获取车牌轮廓。
即在目标车牌图像中的车牌区域和边缘区域的颜色相似度不大于预设相似度,即车牌区域内外不具有颜色显著性(如蓝色车上的蓝色车牌)时,需对目标车牌图像进行灰度化、Sobel算子、二值化和闭操作,以获取车牌轮廓。其中,灰度化是将各种格式的图像转变成灰度图像以使后续图像的计算量变少。Sobel算子用于检测垂直边缘,以检测出车牌上的字符的边缘,也会检测出目标车牌图像的其他边缘。二值化用于突出检测到的垂直边缘。闭操作用于膨胀垂直边缘,以使车牌上距离较近的字符的边缘连成一体,形成一个连通域,对连通域取轮廓即可获取车牌轮廓,而非车牌区域的边缘所形成的连通域绝大部分情况下不是矩形的。以便获取矩形的车牌轮廓。
S22:获取车牌轮廓的偏移角度,并判断偏移角度是否大于预设偏移值。
其中,车牌轮廓的偏移角度是指目标车牌图像中的车牌轮廓相对于目标车牌图像的边框(尤其是水平边框)的角度。预设偏移值是用于判断是否需对获取到的目标车牌图像进行角度矫正以便后续识别的标准值。当车牌轮廓的偏移角度大于预设偏移值,则需对车牌轮廓的外接矩形进行矫正处理;当车牌轮廓的偏移角度不大于预设偏移值,则无需对车牌轮廓的外接矩形进行矫正处理,以提高整个车牌识别过程的处理效率。
S23:若是,则对车牌轮廓进行旋转、仿射变换和统一尺寸处理,获取矫正车牌图像。
即当车牌轮廓的偏移角度大于预设偏移值时,需进行旋转、仿射变换和统一尺寸等矫正处理,以避免影响车牌识别的效率和准确率。其中,旋转是基于车牌轮廓的中心进行转动,以使其转动到车牌轮廓的偏移角度不大于预设偏移值的位置。仿射变换是使图像从二维坐标到二维坐标之间的线性变换,且保持二维图形的“平直性”和“平行性”,仿射变换通过一系列的原子变换的复合来实现,包括平移,缩放,翻转,旋转和剪切等操作,以避免对车牌轮廓进行旋转导致的形变,从而最终车牌识别的效率和准确率。统一尺寸处理是指将所有车牌轮廓转换成标准车牌尺寸,以便后续进行车牌识别,提高车牌识别效率。
S24:若否,则对车牌轮廓进行统一尺寸处理,获取矫正车牌图像。
即当车牌轮廓的偏移角度不大于预设偏移值,无需进行旋转和仿射变换等矫正处理,只需对车牌轮廓进行统一尺寸这种矫正处理,将车牌轮廓转换成标准车牌尺寸,以便后续进行车牌识别,提高车牌识别效率,避免获取到的矫正车牌图像尺寸大小不统一而影响识别效率。
S30:采用双向长短期记忆模型对矫正车牌图像进行识别,获取目标车牌信息。
其中,双向长短期记忆模型(Biddirectional Long Short-Term Memory,以下简称BLSTM模型)是在隐藏层同时有一个正向LSTM和反向LSTM,正向LSTM捕获上文的特征信息,而反向LSTM捕获下文的特征信息,使其相对于单向LSTM而言,能够捕获更多的特征信息,因此,BLSTM模型比单向LSTM模型或单向RNN模型识别效果更好。本实施例中,采用BLSTM模型和卷积层形成的深度学习模型对矫正车牌图像进行车牌识别,有利于提高车牌识别效率和准确率。
如图4所示,步骤S30中,采用双向长短期记忆模型对矫正车牌图像进行识别,获取目标车牌信息,具体包括如下步骤:
S31:对矫正车牌图像进行切割,获取多个条状特征图。
具体地,将矫正车牌图像输入,对矫正车牌图像沿纵向切换,以形成多个条状特征图。其中,条状特征图的数量取决于输入的矫正车牌图像的长度。本实施例中,依据像素宽度
为1为单位对矫正车牌图像进行切分,以获取多个条状特征图。
S32:采用卷积层对多个条状特征图进行特征提取,获取由多个条状特征图从左到右拼接而成的特征序列。
本实施例中,卷积层(Convolutional Layers)可以是VGG-16或者其他卷积层,采用卷积层对输入的多个条状特征图进行特征提取,在最后一层卷积层输出的所有通道上,从左到右逐列拼接以形成特征序列。本实施例中,采用的BLSTM模型进行识别时,无需将矫正车牌图像的每个字母、数字或文字先进行分离处理,而是直接将整个矫正车牌图像作为输入,即可识别出矫正车牌图像中所有的字符,其原理在于BLSTM模型的网络结构可以识别时序信息,使得输入具有时序信息的多个特征特征图时,可直接识别出其中的字符。因此,将多个条状特征图从左到右拼接形成特征序列,取决于BLSTM模型的网络结构识别字符的需求。
S33:采用双向长短期记忆模型对特征序列进行字符识别,获取字符特征。
本实施例中,采用双向长短期记忆模型(即BLSTM模型)作为循环网络层对特征序列进行字符识别,将特征序列中的多个特征组成一个个字符,相比于基于自然语言识别单词的循环网络层(如单向LSTM或单向RNN),其直接获取字符特征,可有效提高车牌识别的效率和准确性。
S34:采用转译层对字符特征进行处理,获取目标车牌信息。
本实施例中,转译层可对BLSTM识别出的字符特征进行处理,以删除其中的空格等非字符特征;然后根据车牌字符字典生成最后的目标车牌信息。其中,车牌字符字典是指所有可能出现在车牌上的字符,包括警、学、港、粤、领等汉字、以及大写字母和数字等字符。
当前单向LSTM模型或单向RNN模型等学习模型都是基于自然语言进行处理,只可用于识别单词;而本实施例采用的BLSTM模型可用于识别矫正车牌图像中的字符,以提高车牌识别的准确率。本实施例中,可通过将矫正车牌图像切换成多个条状特征图,再采用卷积层对多个条状特征图进行特征提取,以获取特征序列,然后采用BLSTM模型对特征序列进行字符识别,以获取字符特征,然后再采用转译层对字符特征进行处理,以获取目标车牌信息,可有效提高车牌识别的效率和准确率。相比于采用RNN模型进行识别时,需预处理图像,提前得到图像的特征序列,无法实现端对端处理;而本实施例中采用的BLSTM模型进行车牌识别时,只需输入矫正车牌图像,即可输出目标车牌信息,其过程无需再进行人为处理,可实现端对端,提高处理效率。
本实施例所提供的基于深度学习的车牌识别方法中,通过采用单次检测器对原始拍摄图像进行特征提取,以获取目标车牌图像,使其可对任意拍摄场景下获取的原始拍摄图像均可进行车牌检测;而无全连接层的单次检测器相比其他有全连接层的检测模型,可有效提高检测效率。再对目标车牌图像进行矫正处理,以获取矫正车牌图像,以避免因车牌图像倾斜而影响后续车牌识别的效率和准确率。再采用双向长短期记忆模型对矫正车牌图像进行识别,有利于提高车牌识别的效率和准确率,且可实现端到端识别,无需再进行人为处理。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例2
对应于实施例1中的基于深度学习的车牌识别方法,图5示出与实施例1所示的基于深度学习的车牌识别方法一一对应的基于深度学习的车牌识别装置。如图5所示,该基于深度学习的车牌识别装置包括车牌检测模块10、车牌矫正模块20和车牌识别模块30。其中,车牌检测模块10、车牌矫正模块20和车牌识别模块30的实现功能与实施例1中对应的步聚一一对应,为避免赘述,本实施例不一一详述。
车牌检测模块10,用于采用单次检测器对原始拍摄图像进行特征提取,获取目标车牌图像。
车牌矫正模块20,用于对目标车牌图像进行矫正处理,获取矫正车牌图像。
车牌识别模块30,用于采用双向长短期记忆模型对矫正车牌图像进行识别,获取目标车牌信息。
其中,车牌检测模块10包括归一化处理单元11、特征提取单元12和结果选取单元13。
归一化处理单元11,用于采用训练好的单次检测器对原始拍摄图像进行归一化处理,获取原始车牌图像。
特征提取单元12,用于采用卷积层对原始车牌图像进行多尺度特征提取,获取若干层特征图,采用比例不同的若干个默认框分别对若干层特征图进行提取,获取每一默认框的分类结果。
结果选取单元13,用于采用非极大值抑制准则对默认框的分类结果进行选取,获取目标车牌图像.
其中,车牌矫正模块20包括轮廓获取单元21、角度比较单元22、第一矫正单元23
和第二矫正单元24。
轮廓获取单元21,用于获取目标车牌图像中的车牌轮廓。
角度比较单元22,用于获取车牌轮廓的偏移角度,并判断偏移角度是否大于预设偏移值。
第一矫正单元23,用于在偏移角度大于预设偏移值时,对车牌轮廓进行旋转、仿射变换和统一尺寸处理,获取矫正车牌图像。
第二矫正单元24,用于在偏移角度不大于预设偏移值时,对车牌轮廓进行统一尺寸处理,获取矫正车牌图像。
其中,轮廓获取单元21包括相似度获取子单元211、相邻度比较单元212、第一轮廓获取子单元213和第二轮廓获取子单元214。
相似度获取子单元211,用于获取目标车牌图像中车牌区域与边缘区域的颜色相似度。
相邻度比较单元212,用于判断颜色相似度是否大于预设相似度。
第一轮廓获取子单元213,用于在颜色相似度大于预设相似度时,取车牌区域作为车牌轮廓。
第二轮廓获取子单元214,用于在颜色相似度不大于预设相似度时,对目标车牌图像进行灰度化、Sobel算子、二值化和闭操作,获取车牌轮廓。
其中,车牌识别模块30包括特征图获取单元31、特征序列获取单元32、字符特征获取单元33和车牌信息获取单元34。
特征图获取单元31,用于对矫正车牌图像进行切割,获取多个条状特征图。
特征序列获取单元32,用于采用卷积层对多个条状特征图进行特征提取,获取由多个条状特征图拼接而成的特征序列。
字符特征获取单元33,用于采用双向长短期记忆模型对特征序列进行字符识别,获取字符特征。
车牌信息获取单元34,用于采用转译层对字符特征进行处理,获取目标车牌信息。
本实施例所提供的基于深度学习的车牌识别装置中,车牌检测模块10采用单次检测器对原始拍摄图像进行特征提取,以获取目标车牌图像,使其可对任意拍摄场景下获取的原始拍摄图像均可进行车牌检测;而无全连接层的单次检测器相比其他有全连接层的检测模型,可有效提高检测效率。车牌矫正模块20对目标车牌图像进行矫正处理,以获取矫正车牌图像,以避免因车牌图像倾斜而影响后续车牌识别的效率和准确率。再车牌识别模块30采用双向长短期记忆模型对矫正车牌图像进行识别,有利于提高车牌识别的效率和准确率,且可实现端到端识别,无需再进行人为处理。
实施例3
本实施例提供一计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现实施例1中的基于深度学习的车牌识别方法,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现实施例2中基于深度学习的车牌识别装置中各模块/单元的功能,为避免重复,这里不再赘述。
实施例4
图6是本实施例中终端设备的示意图。如图6所示,终端设备6包括处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62。处理器60执行计算机程序62时实现实施例1中基于深度学习的车牌识别方法的各个步骤,例如图1所示的步骤S10、S20和S30。或者,处理器60执行计算机程序62时实现实施例2中基于深度学习的车牌识别装置各模块/单元的功能,如图5所示车牌检测模块10、车牌矫正模块20和车牌识别模块30的功能。
示例性的,计算机程序62可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器61中,并由处理器60执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序62在终端设备6中的执行过程。例如,计算机程序62可以被分割成车牌检测模块10、车牌矫正模块20和车牌识别模块30。
该终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端设备6的示例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器61可以是终端设备6的内部存储单元,例如终端设备6的硬盘或内存。存储器61也可以是终端设备6的外部存储设备,例如终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器61还可以既包括终端设备6的内部存储单元也包括外部存储设备。存储器61用于存储计算机程序以及终端设备所需的其他程序和数据。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例
方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (20)
- 一种基于深度学习的车牌识别方法,其特征在于,包括:采用单次检测器对原始拍摄图像进行特征提取,获取目标车牌图像;对所述目标车牌图像进行矫正处理,获取矫正车牌图像;采用双向长短期记忆模型对所述矫正车牌图像进行识别,获取目标车牌信息。
- 根据权利要求1所述的基于深度学习的车牌识别方法,其特征在于,所述采用单次检测器对原始拍摄图像进行特征提取,获取目标车牌图像,包括:采用训练好的所述单次检测器对所述原始拍摄图像进行归一化处理,获取原始车牌图像;采用卷积层对所述原始车牌图像进行多尺度特征提取,获取若干层特征图,采用比例不同的若干个默认框分别对若干层所述特征图进行提取,获取每一所述默认框的分类结果;采用非极大值抑制准则对所述默认框的分类结果进行选取,获取目标车牌图像。
- 根据权利要求2所述的基于深度学习的车牌识别方法,其特征在于,所述基于深度学习的车牌识别方法还包括:预先训练所述单次检测器,并存储训练好的所述单次检测器;所述预先训练所述单次检测器包括:获取用于进行所述单次检测器训练的原始拍摄图像;采用矩形框识别出车牌位置,获取真实框;基于默认框与所述真实框的重叠率确定正样本和负样本;采用所述正样本和所述负样本训练所述单次检测器,获取训练好的所述单次检测器。
- 根据权利要求2所述的基于深度学习的车牌识别方法,其特征在于,所述采用非极大值抑制准则对所述默认框的分类结果进行选取,获取目标车牌图像,包括:从所述默认框的分类结果中选取分类结果最大的默认框作为目标框;将与所述目标框的重叠率大于一定阈值的默认框删除,从与目标框的重叠率不大于一定阈值的默认框中选取分类结果最大的默认框更新为新的目标框;基于所述目标框获取目标车牌图像。
- 根据权利要求1所述的基于深度学习的车牌识别方法,其特征在于,所述对所述目标车牌图像进行矫正处理,获取矫正车牌图像,包括:获取所述目标车牌图像中的车牌轮廓;获取所述车牌轮廓的偏移角度,并判断所述偏移角度是否大于预设偏移值;若是,则对所述车牌轮廓进行旋转、仿射变换和统一尺寸处理,获取所述矫正车牌图像;若否,则对所述车牌轮廓进行统一尺寸处理,获取所述矫正车牌图像。
- 根据权利要求5所述的基于深度学习的车牌识别方法,其特征在于,所述获取所述目标车牌图像中的车牌轮廓,包括:获取所述目标车牌图像中车牌区域与边缘区域的颜色相似度;判断所述颜色相似度是否大于预设相似度;若是,则取所述车牌区域作为所述车牌轮廓;若否,则对所述目标车牌图像进行灰度化、Sobel算子、二值化和闭操作,获取所述车牌轮廓。
- 根据权利要求1所述的基于深度学习的车牌识别方法,其特征在于,所述采用双向长短期记忆模型对所述矫正车牌图像进行识别,获取目标车牌信息,包括:对所述矫正车牌图像进行切割,获取多个条状特征图;采用卷积层对多个所述条状特征图进行特征提取,获取由多个所述条状特征图拼接而成的特征序列;采用双向长短期记忆模型对所述特征序列进行字符识别,获取字符特征;采用转译层对所述字符特征进行处理,获取所述目标车牌信息。
- 一种基于深度学习的车牌识别装置,其特征在于,包括:车牌检测模块,用于采用单次检测器对原始拍摄图像进行特征提取,获取目标车牌图像;车牌矫正模块,用于对所述目标车牌图像进行矫正处理,获取矫正车牌图像;车牌识别模块,用于采用双向长短期记忆模型对所述矫正车牌图像进行识别,获取目标车牌信息。
- 根据权利要求8所述的基于深度学习的车牌识别装置,其特征在于,所述车牌检测模块包括:归一化处理单元,用于采用训练好的所述单次检测器对所述原始拍摄图像进行归一化处理,获取原始车牌图像;特征提取单元,用于采用卷积层对所述原始车牌图像进行多尺度特征提取,获取若干层特征图,采用比例不同的若干个默认框分别对若干层所述特征图进行提取,获取每一所 述默认框的分类结果;结果选取单元,用于采用非极大值抑制准则对所述默认框的分类结果进行选取,获取目标车牌图像;所述车牌矫正模块包括:轮廓获取单元,用于获取所述目标车牌图像中的车牌轮廓;角度比较单元,用于获取所述车牌轮廓的偏移角度,并判断所述偏移角度是否大于预设偏移值;第一矫正单元,用于在所述偏移角度大于预设偏移值时,对所述车牌轮廓进行旋转、仿射变换和统一尺寸处理,获取所述矫正车牌图像;第二矫正单元,用于在所述偏移角度不大于预设偏移值时,对所述车牌轮廓进行统一尺寸处理,获取所述矫正车牌图像。所述车牌识别模块包括:特征图获取单元,用于对所述矫正车牌图像进行切割,获取多个条状特征图;特征序列获取单元,用于采用卷积层对多个所述条状特征图进行特征提取,获取由多个所述条状特征图拼接而成的特征序列;字符特征获取单元,用于采用双向长短期记忆模型对所述特征序列进行字符识别,获取字符特征;车牌信息获取单元,用于采用转译层对所述字符特征进行处理,获取所述目标车牌信息。
- 根据权利要求9所述的基于深度学习的车牌识别装置,其特征在于,所述轮廓获取单元包括:相似度获取子单元,用于获取所述目标车牌图像中车牌区域与边缘区域的颜色相似度;相邻度比较单元,用于判断所述颜色相似度是否大于预设相似度;第一轮廓获取子单元,用于在所述颜色相似度大于所述预设相似度时,取所述车牌区域作为所述车牌轮廓;第二轮廓获取子单元,用于在所述颜色相似度不大于所述预设相似度时,对所述目标车牌图像进行灰度化、Sobel算子、二值化和闭操作,获取所述车牌轮廓。
- 一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如下步骤:采用单次检测器对原始拍摄图像进行特征提取,获取目标车牌图像;对所述目标车牌图像进行矫正处理,获取矫正车牌图像;采用双向长短期记忆模型对所述矫正车牌图像进行识别,获取目标车牌信息。
- 根据权利要求11所述的终端设备,其特征在于,所述采用单次检测器对原始拍摄图像进行特征提取,获取目标车牌图像,包括:采用训练好的所述单次检测器对所述原始拍摄图像进行归一化处理,获取原始车牌图像;采用卷积层对所述原始车牌图像进行多尺度特征提取,获取若干层特征图,采用比例不同的若干个默认框分别对若干层所述特征图进行提取,获取每一所述默认框的分类结果;采用非极大值抑制准则对所述默认框的分类结果进行选取,获取目标车牌图像。
- 根据权利要求11所述的终端设备,其特征在于,所述对所述目标车牌图像进行矫正处理,获取矫正车牌图像,包括:获取所述目标车牌图像中的车牌轮廓;获取所述车牌轮廓的偏移角度,并判断所述偏移角度是否大于预设偏移值;若是,则对所述车牌轮廓进行旋转、仿射变换和统一尺寸处理,获取所述矫正车牌图像;若否,则对所述车牌轮廓进行统一尺寸处理,获取所述矫正车牌图像。
- 根据权利要求13所述的终端设备,其特征在于,所述获取所述目标车牌图像中的车牌轮廓,包括:获取所述目标车牌图像中车牌区域与边缘区域的颜色相似度;判断所述颜色相似度是否大于预设相似度;若是,则取所述车牌区域作为所述车牌轮廓;若否,则对所述目标车牌图像进行灰度化、Sobel算子、二值化和闭操作,获取所述车牌轮廓。
- 根据权利要求11所述的终端设备,其特征在于,所述采用双向长短期记忆模型对所述矫正车牌图像进行识别,获取目标车牌信息,包括:对所述矫正车牌图像进行切割,获取多个条状特征图;采用卷积层对多个所述条状特征图进行特征提取,获取由多个所述条状特征图拼接而成的特征序列;采用双向长短期记忆模型对所述特征序列进行字符识别,获取字符特征;采用转译层对所述字符特征进行处理,获取所述目标车牌信息。
- 一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如下步骤:采用单次检测器对原始拍摄图像进行特征提取,获取目标车牌图像;对所述目标车牌图像进行矫正处理,获取矫正车牌图像;采用双向长短期记忆模型对所述矫正车牌图像进行识别,获取目标车牌信息。
- 根据权利要求16所述的计算机可读存储介质,其特征在于,所述采用单次检测器对原始拍摄图像进行特征提取,获取目标车牌图像,包括:采用训练好的所述单次检测器对所述原始拍摄图像进行归一化处理,获取原始车牌图像;采用卷积层对所述原始车牌图像进行多尺度特征提取,获取若干层特征图,采用比例不同的若干个默认框分别对若干层所述特征图进行提取,获取每一所述默认框的分类结果;采用非极大值抑制准则对所述默认框的分类结果进行选取,获取目标车牌图像。
- 根据权利要求16所述的计算机可读存储介质,其特征在于,所述对所述目标车牌图像进行矫正处理,获取矫正车牌图像,包括:获取所述目标车牌图像中的车牌轮廓;获取所述车牌轮廓的偏移角度,并判断所述偏移角度是否大于预设偏移值;若是,则对所述车牌轮廓进行旋转、仿射变换和统一尺寸处理,获取所述矫正车牌图像;若否,则对所述车牌轮廓进行统一尺寸处理,获取所述矫正车牌图像。
- 根据权利要求18所述的计算机可读存储介质,其特征在于,所述获取所述目标车牌图像中的车牌轮廓,包括:获取所述目标车牌图像中车牌区域与边缘区域的颜色相似度;判断所述颜色相似度是否大于预设相似度;若是,则取所述车牌区域作为所述车牌轮廓;若否,则对所述目标车牌图像进行灰度化、Sobel算子、二值化和闭操作,获取所述车牌轮廓。
- 根据权利要求16所述的计算机可读存储介质,其特征在于,所述采用双向长短期 记忆模型对所述矫正车牌图像进行识别,获取目标车牌信息,包括:对所述矫正车牌图像进行切割,获取多个条状特征图;采用卷积层对多个所述条状特征图进行特征提取,获取由多个所述条状特征图拼接而成的特征序列;采用双向长短期记忆模型对所述特征序列进行字符识别,获取字符特征;采用转译层对所述字符特征进行处理,获取所述目标车牌信息。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/097,291 US11164027B2 (en) | 2017-06-23 | 2017-08-31 | Deep learning based license plate identification method, device, equipment, and storage medium |
SG11201809550YA SG11201809550YA (en) | 2017-06-23 | 2017-08-31 | Deep learning based license plate identification method, device, equipment, and storage medium |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710485881.4A CN107679531A (zh) | 2017-06-23 | 2017-06-23 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
CN201710485881.4 | 2017-06-23 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2018233038A1 true WO2018233038A1 (zh) | 2018-12-27 |
Family
ID=61133555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2017/099840 WO2018233038A1 (zh) | 2017-06-23 | 2017-08-31 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11164027B2 (zh) |
CN (1) | CN107679531A (zh) |
SG (1) | SG11201809550YA (zh) |
WO (1) | WO2018233038A1 (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840521A (zh) * | 2018-12-28 | 2019-06-04 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的一体化车牌识别方法 |
CN109858409A (zh) * | 2019-01-18 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 手工图转换方法、装置、设备及介质 |
CN110363761A (zh) * | 2019-07-22 | 2019-10-22 | 上海眼控科技股份有限公司 | 一种车辆底盘动态检测的起止标志检测系统及方法 |
CN111191649A (zh) * | 2019-12-31 | 2020-05-22 | 上海眼控科技股份有限公司 | 一种识别弯曲多行文本图像的方法与设备 |
CN111340092A (zh) * | 2020-02-21 | 2020-06-26 | 浙江大华技术股份有限公司 | 一种目标关联处理方法及装置 |
CN111382704A (zh) * | 2020-03-10 | 2020-07-07 | 北京以萨技术股份有限公司 | 基于深度学习的车辆压线违章判断方法、装置及存储介质 |
CN111476086A (zh) * | 2020-03-02 | 2020-07-31 | 西安天和防务技术股份有限公司 | 烟火识别方法、装置、计算机设备和可读存储介质 |
CN111539426A (zh) * | 2020-04-27 | 2020-08-14 | 合肥工业大学 | 一个基于fpga的高精度车牌识别系统 |
CN111881741A (zh) * | 2020-06-22 | 2020-11-03 | 浙江大华技术股份有限公司 | 车牌识别方法、装置、计算机设备和计算机可读存储介质 |
CN112016432A (zh) * | 2020-08-24 | 2020-12-01 | 高新兴科技集团股份有限公司 | 基于深度学习的车牌字符识别方法、存储介质及电子设备 |
CN112052855A (zh) * | 2020-09-14 | 2020-12-08 | 北京易华录信息技术股份有限公司 | 一种基于深度学习的车牌识别方法及装置 |
CN112070087A (zh) * | 2020-09-14 | 2020-12-11 | 成都主导软件技术有限公司 | 带端位的列车车号识别方法、装置及可读存储介质 |
CN112613363A (zh) * | 2020-12-11 | 2021-04-06 | 浙江大华技术股份有限公司 | 一种车辆图像划分的方法、装置及存储介质 |
CN113095316A (zh) * | 2021-04-15 | 2021-07-09 | 西安电子科技大学 | 基于多级融合和角点偏移的图像旋转目标检测方法 |
CN113627526A (zh) * | 2021-08-10 | 2021-11-09 | 北京百度网讯科技有限公司 | 车辆标识的识别方法、装置、电子设备和介质 |
CN114155523A (zh) * | 2021-12-13 | 2022-03-08 | 大连海事大学 | 一种端到端的高效精确车牌检测和识别方法 |
CN114758363A (zh) * | 2022-06-16 | 2022-07-15 | 四川金信石信息技术有限公司 | 一种基于深度学习的绝缘手套佩戴检测方法和系统 |
CN115423783A (zh) * | 2022-09-13 | 2022-12-02 | 优层智能科技(上海)有限公司 | 一种用于光伏组件边框及接线盒灌胶的质检方法和装置 |
CN116612569A (zh) * | 2023-07-17 | 2023-08-18 | 南方电网调峰调频发电有限公司信息通信分公司 | 基于发电企业的车辆出入智能登记方法及装置 |
Families Citing this family (65)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416283A (zh) * | 2018-02-28 | 2018-08-17 | 华南理工大学 | 一种基于ssd的路面交通标志识别方法 |
CN108537115B (zh) * | 2018-03-02 | 2022-01-25 | 创新先进技术有限公司 | 图像识别方法、装置及电子设备 |
WO2019169532A1 (zh) * | 2018-03-05 | 2019-09-12 | 深圳前海达闼云端智能科技有限公司 | 车牌识别方法及云系统 |
CN108562811B (zh) * | 2018-03-12 | 2020-05-22 | 西安理工大学 | 基于双向长短期记忆的复杂电能质量扰动分析方法 |
CN108681693B (zh) * | 2018-04-12 | 2022-04-12 | 南昌大学 | 基于可信区域的车牌识别方法 |
CN108846826B (zh) * | 2018-04-24 | 2021-06-22 | 深圳大学 | 物体检测方法、装置、图像处理设备及存储介质 |
CN108921151B (zh) * | 2018-05-31 | 2022-07-12 | 四川物联亿达科技有限公司 | 一种基于深度学习的普通摄像头全车牌识别系统 |
CN110557527B (zh) * | 2018-06-04 | 2021-03-23 | 杭州海康威视数字技术股份有限公司 | 一种摄像机及抓拍图片融合方法 |
CN108921162A (zh) * | 2018-06-11 | 2018-11-30 | 厦门中控智慧信息技术有限公司 | 基于深度学习的车牌识别方法及相关产品 |
CN110619327A (zh) * | 2018-06-20 | 2019-12-27 | 湖南省瞬渺通信技术有限公司 | 一种复杂场景下基于深度学习的实时车牌识别方法 |
CN109214263A (zh) * | 2018-06-30 | 2019-01-15 | 东南大学 | 一种基于特征复用的人脸识别方法 |
CN110717486B (zh) * | 2018-07-13 | 2022-08-05 | 杭州海康威视数字技术股份有限公司 | 文本检测方法、装置、电子设备和存储介质 |
US20200019840A1 (en) * | 2018-07-13 | 2020-01-16 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for sequential event prediction with noise-contrastive estimation for marked temporal point process |
CN110738225B (zh) * | 2018-07-19 | 2023-01-24 | 杭州海康威视数字技术股份有限公司 | 图像识别方法及装置 |
US11820289B2 (en) * | 2018-07-31 | 2023-11-21 | Sony Semiconductor Solutions Corporation | Solid-state imaging device and electronic device |
CN109086716A (zh) * | 2018-08-01 | 2018-12-25 | 北京嘀嘀无限科技发展有限公司 | 一种安全带佩戴检测的方法及装置 |
CN109147340A (zh) * | 2018-08-30 | 2019-01-04 | 平安科技(深圳)有限公司 | 违法停车案件的鉴别方法、装置和计算机设备 |
CN109165648B (zh) * | 2018-08-30 | 2020-07-17 | Oppo广东移动通信有限公司 | 一种图像处理方法、图像处理装置及移动终端 |
CN109447074A (zh) * | 2018-09-03 | 2019-03-08 | 中国平安人寿保险股份有限公司 | 一种车牌识别方法及终端设备 |
CN110942057A (zh) * | 2018-09-25 | 2020-03-31 | 杭州海康威视数字技术股份有限公司 | 一种集装箱箱号识别方法、装置和计算机设备 |
CN109460765A (zh) * | 2018-09-25 | 2019-03-12 | 平安科技(深圳)有限公司 | 自然场景中行驶证拍照影像的识别方法、装置及电子设备 |
CN110942073A (zh) * | 2018-09-25 | 2020-03-31 | 杭州海康威视数字技术股份有限公司 | 一种集装箱拖车编号识别方法、装置和计算机设备 |
CN110956169A (zh) * | 2018-09-27 | 2020-04-03 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及电子设备 |
WO2020071286A1 (ja) * | 2018-10-03 | 2020-04-09 | パナソニックIpマネジメント株式会社 | 入力装置、入力方法および入力システム |
CN111027534B (zh) * | 2018-10-09 | 2023-05-26 | 杭州海康威视数字技术股份有限公司 | 一种紧凑双车牌检测方法及装置 |
CN109447069A (zh) * | 2018-10-31 | 2019-03-08 | 沈阳工业大学 | 面向智能终端的车辆信息采集识别方法及系统 |
CN109460758A (zh) * | 2018-11-23 | 2019-03-12 | 四川工大创兴大数据有限公司 | 一种自动智慧粮库单据识别方法及其系统 |
CN109583493A (zh) * | 2018-11-27 | 2019-04-05 | 上海交通大学 | 一种基于深度学习的信用卡检测和数字识别方法 |
CN111325209A (zh) * | 2018-12-14 | 2020-06-23 | 顺丰科技有限公司 | 一种车牌识别方法和系统 |
CN109635768B (zh) * | 2018-12-20 | 2023-02-28 | 深圳市捷顺科技实业股份有限公司 | 一种图像帧中停车位状态检测方法、系统及相关设备 |
CN111353517B (zh) * | 2018-12-24 | 2023-09-26 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及电子设备 |
CN109886268A (zh) * | 2019-02-26 | 2019-06-14 | 西安文理学院 | 一种基于深度学习的车牌识别系统 |
CN111723602B (zh) * | 2019-03-19 | 2023-08-08 | 杭州海康威视数字技术股份有限公司 | 驾驶员的行为识别方法、装置、设备及存储介质 |
CN109948696A (zh) * | 2019-03-19 | 2019-06-28 | 上海七牛信息技术有限公司 | 一种多语言场景字符识别方法及系统 |
CN109948612A (zh) * | 2019-03-19 | 2019-06-28 | 苏州怡林城信息科技有限公司 | 基于卷积网络的车牌检测方法、存储介质和检测设备 |
US11449755B2 (en) * | 2019-04-29 | 2022-09-20 | Microsoft Technology Licensing, Llc | Sensitivity classification neural network |
CN110119725B (zh) * | 2019-05-20 | 2021-05-25 | 百度在线网络技术(北京)有限公司 | 用于检测信号灯的方法及装置 |
CN110276418A (zh) * | 2019-06-26 | 2019-09-24 | 北京达佳互联信息技术有限公司 | 基于图片的字体识别方法、装置、电子设备及存储介质 |
CN110414507B (zh) * | 2019-07-11 | 2022-07-26 | 深圳智优停科技有限公司 | 车牌识别方法、装置、计算机设备和存储介质 |
CN110598704B (zh) * | 2019-09-26 | 2023-04-07 | 中电万维信息技术有限责任公司 | 基于深度学习的车牌识别无感支付系统 |
CN110705639B (zh) * | 2019-09-30 | 2022-03-15 | 吉林大学 | 一种基于深度学习的医学精子图像识别系统 |
CN110766002B (zh) * | 2019-10-08 | 2022-03-22 | 浙江大学 | 一种基于深度学习的船名字符区域检测方法 |
CN110866530A (zh) * | 2019-11-13 | 2020-03-06 | 云南大学 | 一种字符图像识别方法、装置及电子设备 |
CN110889404A (zh) * | 2019-11-21 | 2020-03-17 | 山东浪潮人工智能研究院有限公司 | 一种基于修正网络的不规则文本识别系统及方法 |
CN111275906A (zh) * | 2020-02-17 | 2020-06-12 | 重庆邮电大学 | 基于ssd算法的智能称重水果识别系统 |
CN111259908A (zh) * | 2020-03-24 | 2020-06-09 | 中冶赛迪重庆信息技术有限公司 | 基于机器视觉的钢卷号识别方法、系统、设备及存储介质 |
CN113627217A (zh) * | 2020-05-08 | 2021-11-09 | 山东理工大学 | 基于斜率差分布的全自动手势识别方法 |
CN111695561A (zh) * | 2020-05-25 | 2020-09-22 | 南京博雅集智智能技术有限公司 | 基于ssd的车牌检测和矫正识别方法及识别系统 |
CN111652143B (zh) * | 2020-06-03 | 2023-09-29 | 浙江大华技术股份有限公司 | 一种车辆检测方法、装置以及计算机存储介质 |
CN111695555B (zh) * | 2020-06-12 | 2023-05-23 | 广东小天才科技有限公司 | 一种基于题号的精准框题方法、装置、设备和介质 |
CN111832568B (zh) * | 2020-06-12 | 2024-01-12 | 北京百度网讯科技有限公司 | 车牌识别方法、车牌识别模型的训练方法和装置 |
CN111776905B (zh) * | 2020-08-13 | 2021-11-23 | 浙江新再灵科技股份有限公司 | 一种结合重识别的电瓶车入梯告警方法及系统 |
CN112036463A (zh) * | 2020-08-26 | 2020-12-04 | 国家电网有限公司 | 一种基于深度学习的电力设备缺陷检测识别方法 |
CN111950659B (zh) * | 2020-09-01 | 2022-12-09 | 湖南国科微电子股份有限公司 | 双层车牌图像处理方法、装置、电子设备及存储介质 |
WO2022048209A1 (zh) * | 2020-09-03 | 2022-03-10 | 平安科技(深圳)有限公司 | 车牌识别方法、装置、电子设备及存储介质 |
US20220108474A1 (en) * | 2020-10-05 | 2022-04-07 | Pied Parker, Inc. | Dynamic image-based parking management systems and methods of operation thereof |
CN112270244A (zh) * | 2020-10-23 | 2021-01-26 | 平安科技(深圳)有限公司 | 目标物违规监控方法、装置、电子设备及存储介质 |
CN112380933B (zh) * | 2020-11-02 | 2023-11-07 | 中国兵器工业计算机应用技术研究所 | 无人机识别目标的方法、装置及无人机 |
CN112434699A (zh) * | 2020-11-25 | 2021-03-02 | 杭州六品文化创意有限公司 | 手写汉字或偏旁、笔划的自动提取及智能评分系统 |
CN113546398A (zh) * | 2021-07-30 | 2021-10-26 | 重庆五诶科技有限公司 | 基于人工智能算法的棋牌游戏方法及系统 |
CN114463611A (zh) * | 2021-12-18 | 2022-05-10 | 北京工业大学 | 一种非可控环境下的鲁棒中文车牌检测与校正方法 |
CN114299408A (zh) * | 2021-12-31 | 2022-04-08 | 哪吒港航智慧科技(上海)有限公司 | 轮胎吊车号箱号识别方法及系统、存储介质及终端 |
CN114332447B (zh) * | 2022-03-14 | 2022-08-09 | 浙江大华技术股份有限公司 | 一种车牌矫正方法、车牌矫正装置和计算机可读存储介质 |
CN114639265A (zh) * | 2022-03-22 | 2022-06-17 | 杭州立方控股股份有限公司 | 一种基于视频识别和锁装置的车位保留方法及系统 |
CN115171092B (zh) * | 2022-09-08 | 2022-11-18 | 松立控股集团股份有限公司 | 一种基于语义增强的端到端车牌检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407971A (zh) * | 2016-09-14 | 2017-02-15 | 北京小米移动软件有限公司 | 文字识别方法及装置 |
CN106446150A (zh) * | 2016-09-21 | 2017-02-22 | 北京数字智通科技有限公司 | 一种车辆精确检索的方法及装置 |
US20170140240A1 (en) * | 2015-07-27 | 2017-05-18 | Salesforce.Com, Inc. | Neural network combined image and text evaluator and classifier |
CN106778659A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI431559B (zh) * | 2010-10-29 | 2014-03-21 | Univ Nat Chiao Tung | 車牌偵測辨識方法及其系統 |
US9760789B2 (en) * | 2012-04-17 | 2017-09-12 | Conduent Business Services, Llc | Robust cropping of license plate images |
TWI497422B (zh) * | 2012-12-25 | 2015-08-21 | Univ Nat Chiao Tung | 車牌影像辨識系統及方法 |
US9082038B2 (en) * | 2013-05-29 | 2015-07-14 | Xerox Corporation | Dram c adjustment of automatic license plate recognition processing based on vehicle class information |
CN103413147B (zh) * | 2013-08-28 | 2017-07-07 | 庄浩洋 | 一种车牌识别方法和系统 |
US10657364B2 (en) * | 2016-09-23 | 2020-05-19 | Samsung Electronics Co., Ltd | System and method for deep network fusion for fast and robust object detection |
-
2017
- 2017-06-23 CN CN201710485881.4A patent/CN107679531A/zh active Pending
- 2017-08-31 US US16/097,291 patent/US11164027B2/en active Active
- 2017-08-31 WO PCT/CN2017/099840 patent/WO2018233038A1/zh active Application Filing
- 2017-08-31 SG SG11201809550YA patent/SG11201809550YA/en unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170140240A1 (en) * | 2015-07-27 | 2017-05-18 | Salesforce.Com, Inc. | Neural network combined image and text evaluator and classifier |
CN106407971A (zh) * | 2016-09-14 | 2017-02-15 | 北京小米移动软件有限公司 | 文字识别方法及装置 |
CN106446150A (zh) * | 2016-09-21 | 2017-02-22 | 北京数字智通科技有限公司 | 一种车辆精确检索的方法及装置 |
CN106778659A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
ZHOU, KAILONG: "Research on Image Recognition Application Based on Deep Learning", ELECTRONIC TECHNOLOGY & INFORMATION SCIENCE , CHINA MASTER'S THESES FULL-TEXT DATABASE, 15 March 2017 (2017-03-15), ISSN: 1674-0246 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840521B (zh) * | 2018-12-28 | 2023-04-07 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的一体化车牌识别方法 |
CN109840521A (zh) * | 2018-12-28 | 2019-06-04 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的一体化车牌识别方法 |
CN109858409A (zh) * | 2019-01-18 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 手工图转换方法、装置、设备及介质 |
CN110363761A (zh) * | 2019-07-22 | 2019-10-22 | 上海眼控科技股份有限公司 | 一种车辆底盘动态检测的起止标志检测系统及方法 |
CN111191649A (zh) * | 2019-12-31 | 2020-05-22 | 上海眼控科技股份有限公司 | 一种识别弯曲多行文本图像的方法与设备 |
CN111340092A (zh) * | 2020-02-21 | 2020-06-26 | 浙江大华技术股份有限公司 | 一种目标关联处理方法及装置 |
CN111340092B (zh) * | 2020-02-21 | 2023-09-22 | 浙江大华技术股份有限公司 | 一种目标关联处理方法及装置 |
CN111476086A (zh) * | 2020-03-02 | 2020-07-31 | 西安天和防务技术股份有限公司 | 烟火识别方法、装置、计算机设备和可读存储介质 |
CN111476086B (zh) * | 2020-03-02 | 2023-05-02 | 西安天和防务技术股份有限公司 | 烟火识别方法、装置、计算机设备和可读存储介质 |
CN111382704A (zh) * | 2020-03-10 | 2020-07-07 | 北京以萨技术股份有限公司 | 基于深度学习的车辆压线违章判断方法、装置及存储介质 |
CN111382704B (zh) * | 2020-03-10 | 2023-12-15 | 以萨技术股份有限公司 | 基于深度学习的车辆压线违章判断方法、装置及存储介质 |
CN111539426A (zh) * | 2020-04-27 | 2020-08-14 | 合肥工业大学 | 一个基于fpga的高精度车牌识别系统 |
CN111539426B (zh) * | 2020-04-27 | 2023-03-14 | 合肥工业大学 | 一个基于fpga的高精度车牌识别系统 |
CN111881741A (zh) * | 2020-06-22 | 2020-11-03 | 浙江大华技术股份有限公司 | 车牌识别方法、装置、计算机设备和计算机可读存储介质 |
CN112016432A (zh) * | 2020-08-24 | 2020-12-01 | 高新兴科技集团股份有限公司 | 基于深度学习的车牌字符识别方法、存储介质及电子设备 |
CN112052855A (zh) * | 2020-09-14 | 2020-12-08 | 北京易华录信息技术股份有限公司 | 一种基于深度学习的车牌识别方法及装置 |
CN112070087B (zh) * | 2020-09-14 | 2023-06-02 | 成都主导软件技术有限公司 | 带端位的列车车号识别方法、装置及可读存储介质 |
CN112070087A (zh) * | 2020-09-14 | 2020-12-11 | 成都主导软件技术有限公司 | 带端位的列车车号识别方法、装置及可读存储介质 |
CN112613363B (zh) * | 2020-12-11 | 2024-04-05 | 浙江大华技术股份有限公司 | 一种车辆图像划分的方法、装置及存储介质 |
CN112613363A (zh) * | 2020-12-11 | 2021-04-06 | 浙江大华技术股份有限公司 | 一种车辆图像划分的方法、装置及存储介质 |
CN113095316A (zh) * | 2021-04-15 | 2021-07-09 | 西安电子科技大学 | 基于多级融合和角点偏移的图像旋转目标检测方法 |
CN113095316B (zh) * | 2021-04-15 | 2023-04-07 | 西安电子科技大学 | 基于多级融合和角点偏移的图像旋转目标检测方法 |
CN113627526B (zh) * | 2021-08-10 | 2023-07-25 | 北京百度网讯科技有限公司 | 车辆标识的识别方法、装置、电子设备和介质 |
CN113627526A (zh) * | 2021-08-10 | 2021-11-09 | 北京百度网讯科技有限公司 | 车辆标识的识别方法、装置、电子设备和介质 |
CN114155523A (zh) * | 2021-12-13 | 2022-03-08 | 大连海事大学 | 一种端到端的高效精确车牌检测和识别方法 |
CN114758363B (zh) * | 2022-06-16 | 2022-08-19 | 四川金信石信息技术有限公司 | 一种基于深度学习的绝缘手套佩戴检测方法和系统 |
CN114758363A (zh) * | 2022-06-16 | 2022-07-15 | 四川金信石信息技术有限公司 | 一种基于深度学习的绝缘手套佩戴检测方法和系统 |
CN115423783A (zh) * | 2022-09-13 | 2022-12-02 | 优层智能科技(上海)有限公司 | 一种用于光伏组件边框及接线盒灌胶的质检方法和装置 |
CN116612569A (zh) * | 2023-07-17 | 2023-08-18 | 南方电网调峰调频发电有限公司信息通信分公司 | 基于发电企业的车辆出入智能登记方法及装置 |
CN116612569B (zh) * | 2023-07-17 | 2024-02-20 | 南方电网调峰调频发电有限公司信息通信分公司 | 基于发电企业的车辆出入智能登记方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107679531A (zh) | 2018-02-09 |
SG11201809550YA (en) | 2019-01-30 |
US11164027B2 (en) | 2021-11-02 |
US20210224567A1 (en) | 2021-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018233038A1 (zh) | 基于深度学习的车牌识别方法、装置、设备及存储介质 | |
CN109492643B (zh) | 基于ocr的证件识别方法、装置、计算机设备及存储介质 | |
Kakani et al. | Improved OCR based automatic vehicle number plate recognition using features trained neural network | |
WO2020173022A1 (zh) | 一种识别车辆违章行为的方法、服务器及存储介质 | |
JP5775225B2 (ja) | マルチレイヤ連結成分をヒストグラムと共に用いるテキスト検出 | |
WO2019169532A1 (zh) | 车牌识别方法及云系统 | |
TWI497422B (zh) | 車牌影像辨識系統及方法 | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
WO2019169772A1 (zh) | 图片处理方法、电子装置及存储介质 | |
TWI431559B (zh) | 車牌偵測辨識方法及其系統 | |
CN109344727B (zh) | 身份证文本信息检测方法及装置、可读存储介质和终端 | |
US10445602B2 (en) | Apparatus and method for recognizing traffic signs | |
US20180285676A1 (en) | Method and apparatus for processing image information | |
WO2022121039A1 (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
TW201926140A (zh) | 影像標註方法、電子裝置及非暫態電腦可讀取儲存媒體 | |
CN110008909B (zh) | 一种基于ai的实名制业务实时稽核系统 | |
WO2023082784A1 (zh) | 一种基于局部特征注意力的行人重识别方法和装置 | |
CN111695392B (zh) | 基于级联的深层卷积神经网络的人脸识别方法及系统 | |
Molina-Moreno et al. | Efficient scale-adaptive license plate detection system | |
CN111259878A (zh) | 一种检测文本的方法和设备 | |
CN106778736B (zh) | 一种鲁棒的车牌识别方法及其系统 | |
CN113052170B (zh) | 一种无约束场景下的小目标车牌识别方法 | |
WO2022121021A1 (zh) | 一种身份证号码检测方法、装置、可读存储介质和终端 | |
WO2019140641A1 (zh) | 信息处理方法、系统、云处理设备以及计算机程序产品 | |
Priambada et al. | Levensthein distance as a post-process to improve the performance of ocr in written road signs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 17914200 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 14/05/2020) |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 17914200 Country of ref document: EP Kind code of ref document: A1 |