CN101872416B - 对道路图像进行车牌识别的方法和*** - Google Patents
对道路图像进行车牌识别的方法和*** Download PDFInfo
- Publication number
- CN101872416B CN101872416B CN 201010166981 CN201010166981A CN101872416B CN 101872416 B CN101872416 B CN 101872416B CN 201010166981 CN201010166981 CN 201010166981 CN 201010166981 A CN201010166981 A CN 201010166981A CN 101872416 B CN101872416 B CN 101872416B
- Authority
- CN
- China
- Prior art keywords
- character
- car plate
- plate
- car
- license plate
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Character Input (AREA)
- Character Discrimination (AREA)
Abstract
描述了一种进行车牌识别的方法和***,该方法可以为智能交通***提供支持,并能广泛应用在停车场,收费卡口,刑事缉拿等方面。方法主要包括定位、字符分割、字符识别三个阶段。有较高的识别率,能够应对较复杂的环境并能达到实时处理的要求。***封装了上述方法,并提供了不同的参数,可灵活使用。便于分布,批量处理数据。
Description
技术领域
本发明属于数字图像处理及模式识别技术领域,具体涉及一种对道路图像进行车牌识别的方法和***。
背景技术
近年来,随着计算机及互联网技术的飞速发展,各种机动车数量的迅猛增长,各类信息包括与交通相关的信息呈现***式增长的态势,为了能够更加安全、高效的管理这些信息,智能交通***(Intelligence Transportation System)应运而生。智能交通***可以在收费卡口,停车场,刑事追踪等方面展现出强大的作用,而对车牌的检测和识别是其最为核心的组成部分。
目前,虽然现在已经有了很多相对成熟的车牌识别产品,但是更高的准确率,更少的耗时,依然吸引着人们去不断进行研究。实际上,随着相关领域的新发展,例如新的底层特征的发明,更好的分类算法的提出等,都为车牌识别算法的改进提供了新的机会。另外,现在商用的车牌识别***大多只对特定的条件下有比较好的效果,例如特定的光照,距离,角度,车牌制式(包括颜色、格式、文字),而在变化了的环境下***的准确率可能会大大降低甚至失效,还没有哪个***可以在各种不同的条件下做到健壮稳定(与人识别车牌的能力还有很大差距)。在本文的第三部分会对关于这方面的一篇文章进行专门讨论。再有,对于自然条件拍摄的图片和视频,例如手持或车载摄像机拍摄下来的,进行车牌检测与识别也是一个值得研究的方向。
目前存在的一些车牌识别技术中,大都将整个识别分为三个过程,如图1所示,为b车牌定位,c车牌字符分割,d车牌字符识别。
其中对于b,使用的技术种类繁多,虽然可以分成几类,但类之间的界限并不是很明显。大致有如下一些方法:A边缘检测后二值化,这个是使用的最多的一种方法,它在与数学形态学方法结合后,就已经能够得到比较好的就结果了。很常用的一个边缘检测算子是纵向sobel算子。它的计算式为而纵向边缘检测相较于横向,它的优势,而纵向边缘检测相较于横向,它的优势在于一个含有车牌的图像中车的横向边缘较多,而车牌上字符的纵向边缘较多。这种方法计算快速,效果较好,但是一个很大的缺点就是难以处理复杂的图像,如何有效地去除不相关的边缘信息,(例如车辆进气口,灯光区域,周围树木,粗糙的地面等),是一个非常关键的问题.B数学形态学操作,主要是腐蚀、膨胀,开闭运算等。C连通区域分析(CCA),最典型的是四连通和八连通方法以及各种聚类方法,与连通区域目的相同,分出一些候选区域。D分块分析。将图像分为若干块,分别计算其均值、方差、边缘信息等特征。滑动窗口。与分块思想类似,但是是逐点计算特征的。E彩色图像处理,依据RGB颜色信息。F各种分类器,包括Ada-Boost,SVM,ANN,GP,GA等。
对于c,现在的技术分为如下几类。A二值图像处理投影方法。是当前各种文献中使用最多的一种技术,通常的做法是先进行横向投影,剪切掉上下区域;然后进行纵向投影,切分出每一个字符。B局部自适应二值化。在很多文章中局部自适应二值化或者类似的方法,它通过分块、逐点或者分字符来计算某一区域内的均值,对比度等特征,然后分别进行二值化。出C倾斜校正方法。种类比较多,有利用HT定位车牌框的,也有使用颜色信息的,还有直方图分析的。D层次分割与合并、***方法。E数学形态学,腐蚀、膨胀运算。车牌字符分割这一步其实难度是比较大的,因为如果分割失误或者二值效果不好,后面的字符识别很有可能就会失效。而不同的光照条件,车牌周围的近似颜色或形状,不同的车牌制式,都会制约着车牌字符分割的方法,使得目前难以产生极其健壮的分割技术。多数方法都还只是在特定情况下表现出良好的性能。
对于d,OCR(光学字符识别)是模式识别领域的一个重要分支,它的目标是将图像形式的各种文字识别为文本形式下的。车牌字符识别便是OCR的一种特殊形式,车牌字符识别的过程可以简化为特征提取与特征匹配。针对字符图像的特征提取的方法多种多样,有逐像素特征提取法、骨架特征提取法、垂直方向数据统计特征提取法、基于网格的特征提取法、弧度梯度特征提取法等很多。另外不进行特征提取,或者说将字符图像的黑白值直接作为特征,依靠分类器的强大分类能力进行识别,也是一种可以采用的方式。而特征匹配的方法,主要分为以下三种A.基于统计/混合/分层次的分类器B.ANN.C.模板匹配法.其中ANN是最为常见的且性能较优的。
发明内容
本发明的目的在于提供一种对静态图像进行车牌识别的方法和***,旨在解决智能交通***(ATI)中的核心问题,获取监控图像中的车牌号码,为后面更深层次的应用做准备。
本发明提供的所述车牌识别的方法,包括车牌定位,车牌字符分割和车牌字符识别三个步骤;
所述车牌定位,是对输入的图像进行分割,得到一组车牌候选区。它的输入为一张图片,大小任意,然后进行预处理,基于DBSCAN的聚类两个步骤,输出一组车牌候选区;
所述预处理过程的任务是对原始彩色图像进行处理,生成一张包含边缘信息的二值图像。它包括图像灰度化,sobel纵向边缘检测+车牌颜色增强,图像二值化三个步骤。
所述的sobel纵向边缘检测+车牌颜色增强,是对全图进行sobel纵向检测,在检测过程中,对于边缘信息p(x,y),若>K,对其周围x*x邻域进行扫描,对其中每一行,如有车牌颜色出现,则增强p(x,y)10%;实施例中K=30,x=7;这里的车牌颜色只各种车牌中可能出现的颜色集合。
所述基于DBSCAN的聚类是使用DBSCAN密度聚类方法对二值图片进行聚类,将所有的点划分为几个高密度区,超过一定阈值T的区域称为候选区,阈值T根据实际的场景大小通过调试而确定。这里将临界半径分为RH和RW,表示长宽方向上的半径,一般RW=3*RH;实施例中取RH=10,RW=30,T=300;然后计算各个区域的属性,包括长、宽,长宽比等,删除区域两侧过少的点。最后对候选区的属性进行判断,排除不合形状的区域,输出可能的候选区。
所述的车牌字符分割,是对车牌候选区分别进行字符的分割,删除错误候选区,对每个其他候选得到一组字符块。它包含二次预处理和基于投影的分割两个步骤;
所述二次预处理过程,是先对区域图片进行灰度化,然后利用均值阈值将其二值化,最后通过水平投影,寻找投影图中上下低谷区域,认为其为无用区域,删除之。得到二值车牌局部图像。
所述基于投影的分割,它的输入为二值车牌局部图像,输出是一组图像字符块,通常为7个(车牌上的字符数)。首先进行垂直投影,认为波谷区为无用区,其它为字符区,以此划分出若干区域。然后对于区域进行分析判断,以排除非车牌区域。最后再对每一字符图像切除上下空白。生成一组字符区域。
所述车牌字符识别,是对每组字符块进行识别,排除错误候选区,生成识别出的车牌号码,车牌颜色以及车牌区域坐标。它的输入为单个二值区域,输入是识别出来的字符,包括汉字、数字和字母。首先如果区域的宽高比>4,其区域内点密度大于某一阈值,则直接识别该字符为1。然后将整个二值图像序列作为特征,带入各自分类器进行分类,输出结果。如果识别的字符不为7个,则认为其为非车牌区域。最终生成识别出的车牌号码,车牌颜色以及车牌区域坐标。
所述的分类器,其特征在于,预先分别对数字、字符和汉字建立二值模板,分类时采用模板匹配的方式进行识别,输出识别结果。
本发明还提供一种车牌识别的***,包括实现所述的车牌识别方法三个步骤的三个模块:车牌定位模块、车牌字符分割模块和车牌字符识别模块。输入是一张图片,输入是若干子区域图片和识别结果描述文档xml文件。可以有多种参数选择,具有动态配置参数的功能,具有动态定义输出的功能,可以输出车牌局部图片、驾驶员位置局部图片、车标局部图片、车身局部图片、缩略图等,可以方便替换车牌识别方法,易于进行批量处理。
所述多种参数选择是指在程序名后加参数,plate,other,all,可以分别只识别车牌输出号码及位置,只计算输出其他局部图片(由车牌位置推断)和进行全部处理。实现了关键过程(车牌识别)和其他过程的分离。
所述的计算输出驾驶员位置局部图片,依据车牌位置和车型大小,估算驾驶员位置,并与原图像进行比对,校正后输出驾驶员位置局部图片。
所述的计算输出车标局部图片,依据车牌位置,对车牌上方区域进行扫描,寻找车标,在分割后输出车牌位置局部图片。
所述的计算输出车身局部图片,依据车牌位置和车型大小,估算车身位置,并与原图像进行比对,校正后输出车身局部图片。
附图说明
图1是车牌识别流程图。
图2是车牌定位模块流程图。
图3是车牌字符分割模块流程图。
图4是对一张图片进行识别的实施例图。
图5是车牌识别***的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
图1示出了车牌识别方法的主要流程。包括车牌定位,车牌字符分割和车牌字符识别三个阶段。中间传递的值是1或多个车牌候选区域,在b、c、d依次的运行过程当中,错误的候选区被逐步抛弃。最终输出车牌号码。
图2示出了车牌定位模块流程。对于一张输入原始图片,例如图4左上角所示。首先对它进行灰度化,灰度化的公式为gray=0.299R+0.587G+0.114B,其中gray代表灰度值,R,G,B分别为图像的三个分量。其次进行纵向sobel边缘检测,在纵向检测过程当中,进行对车牌颜色的增强,具体的规则是(蓝色举例),对于边缘信息p(x,y),若>30,对其周围7*7邻域进行扫描,对其中每一行,如有蓝色点出现,则增强p(x,y)10%,这里蓝色指(G<150,R<150,B>G,B>R)。再次进行二值化,得到一幅黑白点图,如图4中右上角所示,不难看出,车牌附近的点比较密集,此为下一步聚类的基础。
之后采用DBSCAN密度聚类算法得到一组候选区,图2中虚线所示部分为聚类算法的具体步骤。它的大体思想就是对于密度比较高的区域,认为它们属于同一区域。在此实施例中,横向半径RH取值为10,纵向半径RW取值为30,密度阈值取250。之后进行后处理,删除两次空白区域,排除不合形状的区域,在此实施例中,认为车牌区域形状应满足:2.5<长宽比<7,80<长<220,20<宽<60。至此,定位阶段结束。图4中,右侧中部偏上的一张图可以看出,共分出了5个区域,这5个区域即为候选区。中部偏下的图片示出了车牌的那个候选区的局部图像。
图3示出了车牌字符分割模块流程。对于输入的每一个候选区,先进行一系列的预处理,包括灰度化,二值化和水平投影。图4中最下面中央的是二值化的结果,而它左边是其对应的水平投影图,它的上面是它在经过上下无用区间切割之后的结果。然后进行基于投影的分割,具体包括垂直投影、分出字符区和空白区;区域分析、淘汰错误候选;对单个字符细切分三个过程。结果如图4中央偏下的小图所示,由几条纵向白线切分出了各个字符。之后带入识别引擎进行文字的识别,输出车牌号码苏BPG016。如图4左侧中部小图所示。
图5示出了车牌识别***的大体流程。它支持三种不同的使用方式,分别为参数是all、无参数或参数other但无后续坐标的情况;参数plate的情况;参数other后面加上两组坐标的情况。在参数为all时,该***将进行全部操作,先定位并识别车牌,然后由其计算各种局部区域图片,最后输出。参数plate表示只识别车牌并输出,参数other表示只计算各种局部区域图片并输出。这里的局部区域包括,驾驶员区域,车标区域和车身区域。这些局部区域图片将会为智能交通***的其他后续应用提供一定的帮助。最后的输出中还包括一个xml文档,描述识别的结果。
Claims (3)
1.一种对道路图像进行车牌识别的方法,其特征在于,包括车牌定位,车牌字符分割和车牌字符识别三个步骤;
所述车牌定位,是对输入的图像进行分割,得到一组车牌候选区;
所述车牌字符分割,是对车牌候选区分别进行字符的分割,删除错误候选区,对每个其他候选得到一组字符块;
所述车牌字符识别,是对每组字符块进行识别,排除错误候选区,生成识别出的车牌号码,车牌颜色以及车牌区域坐标;
(1)所述车牌定位步骤中,输入为一张图片,大小任意,然后进行预处理、基于DBSCAN的聚类两个步骤;
所述预处理过程的任务是对原始彩色图像进行处理,生成一张包含边缘信息的二值图像;预处理过程包含图像灰度化,sobel纵向边缘检测+车牌颜色增强,图像二值化三个步骤;
所述基于DBSCAN的聚类的任务是对二值图像进行聚类处理,生成一组车牌候选区;其步骤为:使用DBSCAN密度聚类方法对二值图片进行聚类,将所有的点划分为几个高密度区,超过一定阈值T的区域称为候选区;这里将临界半径分为RH和RW,表示长宽方向上的半径,RW=3*RH;然后计算各个区域的属性,包括长、宽,长宽比,删除区域两侧过少的点;最后对候选区的属性进行判断,排除不合形状的区域,输出可能的候选区;
所述的sobel纵向边缘检测+车牌颜色增强,其步骤为:对全图进行sobel纵向检测,在检测过程中,对于边缘信息p(x,y),若大于K,对其周围x*x邻域进行扫描,对其中每一行,如有车牌颜色出现,则增强p(x,y)10%,这里的车牌颜色指各种车牌中可能出现的颜色集合;
(2)所述的车牌字符分割包含二次预处理和基于投影的分割两个步骤;
所述二次预处理过程是对每个候选区进行灰度化,局部二值化,水平投影操作,生成二值车牌图像;
所述基于投影的分割是对二值图像进行垂直投影,然后逐个字符切分,最后输出一组图像字符块;
所述的二次预处理,其步骤为:先对区域图片进行灰度化,然后利用均值阈值将其二值化,最后通过水平投影,寻找投影图中上下低谷区域,认为其为无用区域,删除之,得到二值车牌局部图像;
所述的基于投影的分割,其步骤为:首先进行垂直投影,认为波谷区为无用区,其它为字符区,以此划分出若干区域;然后对于区域进行分析判断,排除非车牌区域;最后再对每一字符图像切除上下空白;生成一组字符区域;
(3)所述的车牌字符识别,其步骤为:输入为单个二值区域,输出是识别出来的字符,包括汉字、数字和字母;首先如果区域的宽高比>4,其区域内点密度大于某一阈值,则直接识别该字符为1;然后将整个二值图像序列作为特征,带入各自分类器进行分类,输出结果;如果识别的字符不为7个,则认为其为非车牌区域;最终生成识别出的车牌号码,车牌颜色以及车牌区域坐标;
用所述分类器进行分类,是预先分别对数字、字符和汉字建立二值模板,分类时采用模板匹配的方式进行识别,输出识别结果。
2.一种车牌识别的***,其特征在于,包括:车牌定位模块、车牌字符分割模块、车牌字符识别模块三个部分,是基于权利要求1所述的车牌识别方法的;输入是一张图片,输出是若干子区域图片和识别结果描述文档xml文件;
有多种参数选择,具有动态配置参数的功能,具有动态定义输出的功能,输出车牌局部图片、驾驶员位置局部图片、车标局部图片、车身局部图片、缩略图;方便替换车牌识别方法,易于进行批量处理;
所述多种参数选择是指在程序名后加参数plate或other或all,分别只识别车牌输出号码及位置,只计算输出其他局部图片和进行全部处理,实现关键过程和其他过程的分离。
3.根据权利要求2所述的车牌识别***,其特征在于计算输出所述驾驶员位置局部图片,是依据车牌位置和车型大小,估算驾驶员位置,并与原图像进行比对,校正后输出驾驶员位置局部图片;计算输出所述车标局部图片,是依据车牌位置,对车牌上方区域进行扫描,寻找车标,在分割后输出车牌位置局部图片;计算输出所述车身局部图片,是依据车牌位置和车型大小,估算车身位置,并与原图像进行比对,校正后输出车身局部图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010166981 CN101872416B (zh) | 2010-05-06 | 2010-05-06 | 对道路图像进行车牌识别的方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010166981 CN101872416B (zh) | 2010-05-06 | 2010-05-06 | 对道路图像进行车牌识别的方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101872416A CN101872416A (zh) | 2010-10-27 |
CN101872416B true CN101872416B (zh) | 2013-05-01 |
Family
ID=42997271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010166981 Expired - Fee Related CN101872416B (zh) | 2010-05-06 | 2010-05-06 | 对道路图像进行车牌识别的方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101872416B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005757A (zh) * | 2015-03-12 | 2015-10-28 | 电子科技大学 | 一种基于Grassmann流行的车牌字符识别方法 |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102694978A (zh) * | 2011-03-25 | 2012-09-26 | 杨占昆 | 一种提取高清抓拍图像数据有效信息的方法 |
CN103000028B (zh) * | 2011-09-14 | 2015-12-09 | 上海宝康电子控制工程有限公司 | 车辆号牌识别***及识别方法 |
CN103020634A (zh) * | 2011-09-26 | 2013-04-03 | 北京大学 | 用于验证码识别的分割方法和装置 |
CN102610103A (zh) * | 2012-01-13 | 2012-07-25 | 深圳市黄河数字技术有限公司 | 智能压黄线分析识别方法 |
CN103632548A (zh) * | 2012-08-22 | 2014-03-12 | 上海工程技术大学 | 一种车牌识别控制***及其应用 |
CN102867418B (zh) * | 2012-09-14 | 2014-10-22 | 浙江宇视科技有限公司 | 一种判断车牌识别准确性的方法和装置 |
CN102915638A (zh) * | 2012-10-07 | 2013-02-06 | 复旦大学 | 基于监控视频的智能停车场管理*** |
CN103000029B (zh) * | 2012-11-20 | 2015-10-07 | 河南亚视软件技术有限公司 | 车辆视频识别方法及其应用 |
CN103093194B (zh) * | 2013-01-07 | 2017-04-26 | 信帧电子技术(北京)有限公司 | 一种基于视频的违章车辆检测方法及装置 |
CN103093201B (zh) * | 2013-01-21 | 2015-12-23 | 信帧电子技术(北京)有限公司 | 车标定位识别方法及*** |
CN103268703A (zh) * | 2013-05-23 | 2013-08-28 | 华录智达科技有限公司 | 公交专用道抓拍*** |
CN103544491A (zh) * | 2013-11-08 | 2014-01-29 | 广州广电运通金融电子股份有限公司 | 一种面向复杂背景的光学字符识别方法及装置 |
CN103559793B (zh) * | 2013-11-18 | 2015-12-09 | 哈尔滨工业大学 | 一种车内遮阳板检测方法及装置 |
CN103699876B (zh) * | 2013-11-26 | 2017-05-17 | 天津商业大学 | 一种基于线阵ccd图像识别车号的方法及装置 |
CN103617735B (zh) * | 2013-12-20 | 2016-07-06 | 深圳市捷顺科技实业股份有限公司 | 一种车辆识别方法及*** |
CN104361336A (zh) * | 2014-11-26 | 2015-02-18 | 河海大学 | 一种水下视频图像的文字识别方法 |
CN104573656B (zh) * | 2015-01-09 | 2018-02-02 | 安徽清新互联信息科技有限公司 | 一种基于连通区域信息的车牌颜色判断方法 |
CN105989589B (zh) * | 2015-02-09 | 2019-01-18 | 上海微电子装备(集团)股份有限公司 | 一种掩模图形灰度化方法 |
CN104966047A (zh) * | 2015-05-22 | 2015-10-07 | 浪潮电子信息产业股份有限公司 | 一种车牌识别的方法及装置 |
CN105447490B (zh) * | 2015-11-19 | 2019-04-30 | 浙江宇视科技有限公司 | 基于梯度回归树的车辆关键点检测方法及装置 |
CN107292302B (zh) * | 2016-03-31 | 2021-05-14 | 阿里巴巴(中国)有限公司 | 检测图片中兴趣点的方法和*** |
CN106257492A (zh) * | 2016-08-09 | 2016-12-28 | 成都联众智科技有限公司 | 基于双边缘检测的车牌识别方法 |
CN106251634A (zh) * | 2016-08-09 | 2016-12-21 | 成都联众智科技有限公司 | 嵌入式车牌识别*** |
CN106448185A (zh) * | 2016-12-16 | 2017-02-22 | 合肥寰景信息技术有限公司 | 一种基于动作识别的道路交通违规行为分析预警*** |
CN108319951B (zh) * | 2017-01-16 | 2020-10-02 | 杭州海康威视数字技术股份有限公司 | 一种识别车牌中字符的方法及装置 |
CN106971557B (zh) * | 2017-05-18 | 2019-10-15 | 北京宏恺安营停车管理有限公司 | 一种车辆识别方法及*** |
CN108510505B (zh) * | 2018-03-30 | 2022-04-01 | 南京工业大学 | 一种基于双边格的高分辨率图像的图切分图像分割方法 |
CN108805050B (zh) * | 2018-05-28 | 2021-01-01 | 上海交通大学 | 基于局部二值模式的电线检测方法 |
CN108960243A (zh) * | 2018-07-06 | 2018-12-07 | 蚌埠学院 | 车牌定位方法 |
CN110458167B (zh) * | 2019-08-20 | 2022-02-15 | 浙江工业大学 | 一种金属件表面弯曲文本行矫正方法 |
CN117173416B (zh) * | 2023-11-01 | 2024-01-05 | 山西阳光三极科技股份有限公司 | 基于图像处理的铁路货运车号图像清晰化处理方法 |
CN117523734A (zh) * | 2024-01-05 | 2024-02-06 | 深圳市喂车科技有限公司 | 一种基于车辆唯一标识识别的无感支付方法及服务器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6553131B1 (en) * | 1999-09-15 | 2003-04-22 | Siemens Corporate Research, Inc. | License plate recognition with an intelligent camera |
CN1851731A (zh) * | 2006-05-25 | 2006-10-25 | 电子科技大学 | 一种车牌字符分割方法 |
CN101154271A (zh) * | 2006-09-30 | 2008-04-02 | 电子科技大学中山学院 | 基于快速区域标号算法和车牌大间隔定位方法的车牌字符分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8131018B2 (en) * | 2008-02-08 | 2012-03-06 | Tk Holdings Inc. | Object detection and recognition system |
-
2010
- 2010-05-06 CN CN 201010166981 patent/CN101872416B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6553131B1 (en) * | 1999-09-15 | 2003-04-22 | Siemens Corporate Research, Inc. | License plate recognition with an intelligent camera |
CN1851731A (zh) * | 2006-05-25 | 2006-10-25 | 电子科技大学 | 一种车牌字符分割方法 |
CN101154271A (zh) * | 2006-09-30 | 2008-04-02 | 电子科技大学中山学院 | 基于快速区域标号算法和车牌大间隔定位方法的车牌字符分割方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005757A (zh) * | 2015-03-12 | 2015-10-28 | 电子科技大学 | 一种基于Grassmann流行的车牌字符识别方法 |
CN105005757B (zh) * | 2015-03-12 | 2018-04-06 | 电子科技大学 | 一种基于Grassmann流行的车牌字符识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101872416A (zh) | 2010-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101872416B (zh) | 对道路图像进行车牌识别的方法和*** | |
CN105373794B (zh) | 一种车牌识别方法 | |
CN104951784B (zh) | 一种车辆无牌及车牌遮挡实时检测方法 | |
CN109726717B (zh) | 一种车辆综合信息检测*** | |
CN102364496B (zh) | 一种基于图像分析的汽车车牌自动识别方法及*** | |
Wang et al. | An effective method for plate number recognition | |
Anishiya et al. | Number plate recognition for indian cars using morphological dilation and erosion with the aid of ocrs | |
CN102722707A (zh) | 基于连通区域和间隙模型的车牌字符分割方法 | |
CN106650553A (zh) | 车牌识别方法及*** | |
CN105160691A (zh) | 基于颜色直方图的车身颜色识别方法 | |
Le et al. | Real time traffic sign detection using color and shape-based features | |
Deb et al. | HSI color based vehicle license plate detection | |
CN103824081A (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
CN100385452C (zh) | 一种车牌字符分割方法 | |
Radha et al. | A novel approach to extract text from license plate of vehicles | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
Rashedi et al. | A hierarchical algorithm for vehicle license plate localization | |
Ingole et al. | Characters feature based Indian vehicle license plate detection and recognition | |
Do et al. | Speed limit traffic sign detection and recognition based on support vector machines | |
Mammeri et al. | North-American speed limit sign detection and recognition for smart cars | |
CN111401364A (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
Khoshki et al. | Improved Automatic License Plate Recognition (ALPR) system based on single pass Connected Component Labeling (CCL) and reign property function | |
Patel et al. | A novel approach for detecting number plate based on overlapping window and region clustering for Indian conditions | |
Feng et al. | Non-motor vehicle illegal behavior discrimination and license plate detection based on real-time video | |
Deb et al. | Statistical characteristics in HSI color model and position histogram based vehicle license plate detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130501 |