CN101944174B - 车牌字符的识别方法 - Google Patents
车牌字符的识别方法 Download PDFInfo
- Publication number
- CN101944174B CN101944174B CN2009100232525A CN200910023252A CN101944174B CN 101944174 B CN101944174 B CN 101944174B CN 2009100232525 A CN2009100232525 A CN 2009100232525A CN 200910023252 A CN200910023252 A CN 200910023252A CN 101944174 B CN101944174 B CN 101944174B
- Authority
- CN
- China
- Prior art keywords
- character
- similarity
- value vector
- identification
- scanning
- 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 Discrimination (AREA)
Abstract
本发明提供了一种车牌字符的识别方法,主要解决现有技术识别速度慢,实现复杂的问题,其识别过程是:将车牌预处理后的字符单个取出,进行归一化,并进行垂直和水平方向的扫描,记录其水平和垂直特征向量,并分别与已经存储好的标准字符库的特征向量计算相似度;经过相似度大小比对,找出最大相似度的字符库的某一字符,该字符就是待识别字符的第一次识别结果;将第一次识别结果中的部分相近字符分成上下或者左右部分,分别扫描其特征向量,然后与字符的特征向量库做相似度计算,找出最大相似度的字符库的某一字符,作为最终识别的结果。本发明具有识别速度快,识别准确率高的优点,可用于对高速行驶车辆的车牌的实时检测。
Description
技术领域
本发明属于图像处理技术领域,特别是涉及一种字符识别方法,可用于对车牌字符的识别。
背景技术
近年以来,我国在基础设施的建设上加快了步伐,相比之下,道路管理监控以及科学收费软件等设施建设却相对滞后,针对这种情况,管理部门已着手进行诸如交通信号自适应控制***、智能交通监控***、GPS车辆管理及导航***、不停车自动收费***等智能化交通***ITS的研制。其中车辆牌照识别***在多个领域处于关键一环,因此,车牌识别***要具有较高的识别率,同时对环境光照条件,拍摄位置和车辆行驶速度等因素影响也应有较大的鲁棒性,并能满足实时性的要求。
通过牌照对车辆进行管理是交通实现现代化和智能化的基础,车牌识别技术是计算机智能化应用的一个分支,是计算机视觉与模式识别技术在智能交通领域应用的重要研究课题,属于图像处理的一个非常重要的领域。其用途非常广泛,大体包括:
(1)高速公路收费、监控管理。
(2)小区、停车场管理。
(3)城市道路监控、违章管理。
(4)车牌登陆、验证。
(5)车流统计、安全管理。
随着计算机性能的提高和计算机视觉技术的发展,汽车牌照自动识别技术已经日趋成熟。目前的牌照识别***已经达到了一定的识别率,但是,在天气条件差或者夜晚的情况下,识别率会有明显的降低。现有的牌照识别***要达到完全的实用化仍然有很长的路要走。就汽车牌照识别技术的发展趋势来看,主要的目标是提高识别***的识别率和鲁棒性,以便在各种条件下工作。这里所说的各种条件包括;晴天、阴天、雨雪天不同天气,白天、夜晚不同时间、公路边或者停车场不同场合等等。对识别***的另一个要求是时间上的,处理速度要尽量快,达到实时。
现有的车牌字符识别方法主要是神经网络识别方法,神经网络识别方法是近些年兴起的模式识别领域的一个新的研究方向。由于神经网络的高速并行处理、分布存贮信息等特性符合人类视觉***的基本工作原则,具有很强自学习性、自组织性、容错性、高度非线性、高的鲁棒性、联想记忆功能和推理意识功能等,能够实现目前基于计算理论层次上的模式识别理论所无法完成的模式信息处理工作。
传统的基于光学的车牌识别***一般都选取BP神经网络,即误差后向传播神经网络,作为字符识别模块的主要方法。神经网络的图像分类器网络共分为3层,层与层之间多采用全互连方式。同一层单元之间不存在相互连接。网络的每个输入节点表示图像特征向量的一个分量数据即灰度值,输出节点表示分类序号,分类判决采用输出最大值法。
BP网络模型实现了多层网络学习的设想。当给定网络的一个输入模式时,它由输入层单元送到隐层单元,经隐层单元逐层处理后再送到输出层单元。由输出层单元处理后产生一个输出模式,故称为前向传播。如果输出响应与期望输出模式有误差,且不满足要求,那就传入误差后向传播,即将误差值沿连接通路逐层向后传送,并修正各层连接权值。
BP网络学习是典型的有导师学习。训练集包含M个样本,对第p个训练样本(p=1,2,...,M),单元j的实际输出为OPj,它的第i个输入,也即第i个神经元的输出为OPi,则:
BP算法中大多选用S型函数作为输出函数,即:
定义网络误差函数为:
式中,dPj表示对p个训练样本,单元j的期望输出。训练网络的目的是找到一组权重,使误差函数极小化。
利用梯度快速下降法,使权值沿误差函数的负梯度方向改变。若权值的变化量记为ΔWij,即:
令 则:
得到:
ΔWji=ηδpjOpj,η>0 (7)
式中η为学习因子。
一般,BP网络学习算法步骤描述如下:
(1)设置变量和参数,其中包括训练样本,权值矩阵,学习速率;
(2)初始化,给定各个权值矩阵一个较小的随机非零向量;
(3)输入随机样本;
(4)对输入样本,前向计算BP网络每层神经元的输入信号和输出信号;
(5)由实际输出和期望输出球的误差。判断是否满足要求,若满足转第8步;不满足转第6步;
(6)判断是否已经达到了最大迭代次数,若到,转第8步,否则反向计算每层神经元的局部梯度;
(7)根据局部梯度修正各个矩阵得权值:
Wji(t+1)=Wji(t)+ηδpjOpj (8)
误差项δpj有两种情况:
(8)判断是否学习完所有的样本,是则结束,否则转到第3步;
通常为了是学习因子η取值足够打,又不至于产生振荡,在权值修正公式(8)中再加上一个事态项,即:
Wji(t+1)=Wji(t)+ηδpjOpj+a[Wji(t)-Wji(t+1)] (10)
其中0<a<1。
但是神经网络识别方法作为一种识别准确率较高的字符识别方法也有其不足之处:
1.神经网络字符识别的软件实现十分复杂。由于神经网络自身的学习功能,包括训练样本,计算权值矩阵等,中间要经过大量的复杂的数学运算,用软件编程实现并不容易,比如BP神经网所涉及到的最终待识别字符图像大小都是20×35个像素,所以在神经网络输入端每个字符的输入特征值多达700个,再用这700个特征值再与它自己的转置矩阵相乘得到一个700×700的矩阵,然后再计算这个700×700矩阵的特征值,仅这个步骤的实现就已经需要较大的运算复杂度,而这个步骤只是神经网络的训练过程的一小部分。另外神经网络识别方法,必须通过大量的学习,不断修正权值,才能使每个输入都能得到期望的结果,在实现上也有不小的复杂度。
2.由于神经网络识别字符的过程比较复杂,对车牌字符识别的处理速度造成了影响,神经网络识别字符需要较长的的时间,当把神经网络识别方法集成到车牌检测识别***中后,由于它的实时性不好,影响车牌字符识别的效率,导致整个车牌检测***的误识别和漏识别。
发明内容
本发明目的在于克服上述应用方法的不足,提出了一种易于实现的车牌字符识别方法,以提高车牌字符识别的效率和准确率。
为实现上述目的,本发明的车牌字符识别方法包括如下步骤:
1.选取车牌字符,数字,字母,汉字各一个,并对其分别进行归一化;
2.对归一化后的字符分别进行垂直和水平方向的扫描,记录其扫描黑白跳变次数的序列,即特征值向量VTD和HTD,并将这些特征向量做成标准的特征向量库存储,选择一些容易造成误识别的相近字符建立相近字符集;
3.对待识别的车牌进行二值化和字符分割,并取出的单个字符进行归一化;
4.对归一化后的单个字符分别进行垂直和水平方向的扫描,分别记录垂直特征值向量VTD和水平特征向量HTD;
5.通过以下相似度公式,分别计算字符的垂直特征向量和水平特征向量与特征向量库的垂直相似度和水平相似度;
式中,Xm和Xn分别为字符m和字符n的特征向量,J为特征向量的维度,xmj表示字符m特征向量的第j个特征值,xnj表示字符n特征向量的第j个特征值,Similarity(Xm,Xn)表示字符m和字符n的相似度;
6.计算每一个字符对应的水平相似度和垂直相似度的加权和,得到一组最终的相似度:
Simimn=αSimiVTD(Xm,Xn)+βSimiHTD(Xm,Xn)
式中,SimiVTD(Xm,Xn)为垂直方向的相似度,SimiHTD(Xm,Xn)为水平方向的相似度,α和β分别为VTD和HTD所占权重,在应用中选取α为0.4,β为0.6,Simimn为水平相似度和垂直相似度的加权和;
7.对得到的相似度进行大小比对,找出最大相似度,并取出最大相似度所对应的字符结果;
8.将取出最大相似度所对应的字符结果与容易造成误识别的相近字符集进行对比,如果字符结果不在相近字符集中,则识别结束,如果字符结果在相近字符集中,则进行步骤9的二次识别;
9.将字符分为上下或者左右两部分扫描其特征向量,取其中一部分作为部分特征向量,重新计算相似度,对得到的相似度进行大小比对,找出最大相似度,并取出最大相似度所对应的字符结果,得到识别结果。
所述的相近字符集包括:A和4;P和9;B和8;D和O;T和L;7和1.
所述的对归一化后的单个字符进行垂直扫描,是从上至下,记录每一列白色像素和黑色像素交替的次数。
所述的对归一化后的单个字符进行水平扫描,是从左至右,记录每一行白色像素和黑色像素交替的次数。
本发明相对于神经网络识别方法有以下优点:
1)本发明由于只扫描字符的水平与垂直特征向量,经过简单的数学计算,就可以得到识别结果,因而识别速度快,实时性好。
2)本发明由于具有二次识别功能,能有效的识别相近字符,可以较好的解决其他识别方法识别相近字符准确率不高的问题,因而能够达到较高的识别准确率。
附图说明
图1是本发明识别方法流程图;
图2是本发明对字符“4”的预处理及特征向量提取过程;
图3是本发明对字符“1”和字符“7”归一化图;
图4是本发明的二次识别实现图;
图5是本发明对完整车牌识别实例图;
图6是实验所选的20张车牌;
具体实施方式
参照图1,本发明的具体实施方式如下:
步骤1,待识别字符的预处理。
在得到待识别字符后,需要对待识别字符进行二值化处理,并且根据字符的水平和垂直方向上的投影,进行归一化处理。如图2所示,读入的待识别字符“4”为彩色图像,该字符“4”先处理为二值化图像,再根据投影得到归一化后的字符图像“4”。
步骤2,提取特征向量。
每一个字符对象的特征包括两个特征向量,即垂直特征向量VTD和水平特征向量HTD。如图2所示,本方法提取图像特征的方法为:以一列或者一行像素为单位,对图片进行扫描,记录白色像素和黑色像素交替的次数,以字符“4”的列扫描为例,从上至下,第一列白黑交替为一次,所以特征值记为1。通过图像可明显看到,最多时白色像素与黑色像素交替次数为两次,而最少为一次。将图片按列依次扫描,可得到一系列特征值,将这一组特征值记为VTD,同理,将字符对象“4”从左至右,按行扫描,得到一组特征值,记为HTD,VTD和HTD就是进行字符识别所需要的特征向量,它们完整准确地记录了目标字符的图像特征。在本方法中,设定待识别字符的大小为20×35个像素,所以扫描得到特征向量HTD为35维,VTD为20维,如图2所示,字符“4”的水平特征向量HTD为:1111111111111112222222222111111111,垂直特征向量VTD为:11111222222222222211。
步骤3,建立特征向量库。
提取一组标准字符的特征向量,建立特征向量库。我国采用的普通汽车牌照中的字符共包括31个中文汉字,24个大写英文字母以及10个***数字,共65个字符。选取清晰的车牌字符,每个字符只选一个,在对选取的字符按照前面所述的预处理方法处理后,分别扫描字符的水平特征向量HTD和垂直特征向量VTD,总共可以得到130个特征向量,将这些向量按照字符的序列一一对应并存储下来,就生成了标准字符的特征向量库。
步骤4,建立相近字符集。
在车牌识别***中,一些相近字符的识别是一个难点,在本方法中需要建立一个相近字符集,用于后面的二次识别,字符集中的相近字符都是成对出现的。这些相近字符集包括:A和4;P和9;B和8;D和O;T和L;7和1.
步骤5,扫描待识别字符的特征向量。
在得到一个待识别字符后,按照前面所提到的方法进行预处理,提取待识别字符的水平特征向量HTD和垂直特征向量VTD。
步骤6,计算相似度。
在得到待识别字符的垂直特征向量VTD和水平特征向量HTD之后,需要计算待识别字符的特征向量与特征向量库的相似度。
两个向量的相似度定义为:它们的数量积除以它们的长度,其相似度公式具体为:
式中,Xm和Xn分别为字符m和字符n的特征向量,J为特征向量的维度,xmj表示字符m特征向量的第j个特征值,xnj表示字符n特征向量的第j个特征值,Similarity(Xm,Xn)表示字符m和字符n的特征相似度。
相似度对特征矢量的差异性体现的非常明显,在相近字符的识别以及抗噪音干扰这两个性能上,有显著改善。目前的车牌识别***几乎都是对车牌中单一字符分别进行识别的,本发明字符识别中用到的特征向量包括垂直特征向量VTD和水平特征向量HTD,它们的维数分别为20和35,说明这两个特征向量所包含的信息量是不同的,HTD的维数多于VTD的维数。根据VTD和HTD所占的权重,相似度加权计算公式为
Simimn=αSimiVTD(Xm,Xn)+βSimiHTD(Xm,Xn) (2)
其中SimiVTD(Xm,Xn)表示将字符m和字符n的垂直特征向量VTD代入公式(1)所计算出来的垂直相似度分量,SimiHTD(Xm,Xn)表示将字符m和字符n的水平特征向量HTD代入公式(1)所计算出来的水平相似度分量。式中,α和β分别为垂直特征向量VTD和水平特征向量HTD所占权重,在应用中选取α为0.4,β为0.6,Simimn为水平相似度和垂直相似度的加权和;
当二值化图像有明显噪声干扰时,字符的归一化效果不理想,且字符断裂严重。但是由于在加权公式中水平特征向量HTD权值比垂直特征向量的VTD权值大,因此噪声干扰并未影响字符的识别,可见引入权值α和β是合理的。
步骤7,排列相似度。
将得到的加权和Simimn按大小排序,最大相似度的所对应的字符即为识别结果。
步骤8,判断识别结果。
将识别出的字符结果与容易造成误识别的相近字符集进行对比,如果字符结果不在相近字符集中,则识别结束,如果字符结果在相近字符集中,则进行二次识别;
步骤9,二次识别。
二次识别是在先前识别的结果的基础上,进行更细致的识别,用以区分那些结果很接近的字符。如图4中字符“A”所示,字符“A”第一次识别结果为字符“4”。经判断识别结果字符“4”属于相似字符集,需要进行二次识别。仔细观察这两个字符,容易发现,虽然它们上半部分很相似,但是下半部分差异性却比较大,可以将待识别字符的特征向量HTD进行划分,HTD是35维的向量,将前20维记为HTD1,将后15维记为HTD2,它们分别代表的是目标字符上半部分和下半部分的水平特征向量。同样的,标准字符特征向量库中字符“A”和字符“4”的水平特征向量HTD也可以做相同的划分。这样就可计算出一个最终的水平相似度:
Simi′HTD=SimiHTD1+SimiHTD2 (4)
SimiHTD1是字符的上半部分水平相似度,SimiHTD2是字符的下半部分水平相似度,以字符“A”和字符“4”为例,虽然它们的上半部分水平相似度SimiHTD1大小几乎一样,但是它们的下半部分水平相似度SimiHTD2却有明显不同。因此,根据最终的水平相似度Simi′HTD得出相似度最大的字符,该字符就是最终识别结果。而相似字符D和O也需要同样的二次识别方法。
对于相似字符如P和9,B和8,需要对它们垂直特征向量VTD进行划分,VTD是20维,可以划分为前10维记为VTD1,后10维记为VTD2,它们分别代表的是目标字符左半部分和右半部分的垂直特征向量,标准字符特征向量库中相应字符的垂直特征向量VTD也做相同的划分,用下面的相似度公式来得到新的垂直相似度。
Simi′VTD=SimiVTD1+SimiVTD2 (5)
SimiVTD1是字符的左半部分垂直相似度,SimiVTD2是字符右半部分垂直相似度,它们的右半部分垂直相似度SimiVTD2大小几乎一样,但是它们的左半部分水平相似度SimiVTD1区别很大。根据最终的垂直相似度Simi′VTD得出相似度最大的字符,该字符就是最终识别结果。
对于相似字符T和L,7和1,因为它们采用左右划分或者上下划分方法进行二次识别,均不能达到理想效果。在这样种情况下,需要用部分字符的面积大小来判断区分,图4所示为字符“1”和字符“7”经过预处理以及字符归一化之后的效果图。从图3中可以看到,经过归一化后,从下半部分的白色区域面积来看,字符“1”远大于字符“7”,以此为判别准则,对两个字符进行区分识别。
实验结果及数据:
如图5所示,读入一张完整的车牌,经过二值化,字符分割处理后,用本发明进行识别,得到全部字符的的识别结果。为了做到对比的客观性,在同样的计算机硬件条件下,选取20张车牌照片,如图6所示,在这些车牌照片中包括一些清楚的,倾斜的,模糊的车牌,用本发明的方法进行车牌的预处理,也就是说,除了字符识别模块不同之外,实验过程中所有的条件是一样的,这样得到实验结果是准确的。实验主要结论数据分别为识别准确率以及识别所需时间。
实验数据:车牌的第一个字符是汉字,没有做统计,剩下的数字和字母字符总数为120个,本发明识别正确108个,准确率为90%,神经网络识别正确112个,准确率为93.3%。识别所用平均时间,本方法为4.39毫秒,神经网络为91.38毫秒,如表1所示。
表1 本发明与神经网络的识别准确率及识别时间对比
图像编号 | 本发明识别正确字符数 | 本发明识别时间单位:毫秒 | 神经网络识别正确字符数 | 神经网络识别时间单位:毫秒 |
1 | 5 | 4.33 | 5 | 70.67 |
2 | 5 | 4.42 | 5 | 65.76 |
3 | 6 | 4.38 | 6 | 80.28 |
4 | 5 | 4.40 | 5 | 74.89 |
5 | 6 | 4.49 | 6 | 97.52 |
6 | 5 | 4.39 | 6 | 95.58 |
7 | 6 | 4.33 | 6 | 86.45 |
8 | 5 | 4.31 | 5 | 92.71 |
9 | 6 | 4.32 | 6 | 96.27 |
10 | 5 | 4.35 | 6 | 98.38 |
11 | 5 | 4.38 | 6 | 94.16 |
12 | 6 | 4.64 | 5 | 96.50 |
13 | 6 | 4.40 | 5 | 93.43 |
14 | 6 | 4.36 | 6 | 96.12 |
15 | 6 | 4.36 | 6 | 98.45 |
16 | 5 | 4.63 | 5 | 97.91 |
17 | 5 | 4.33 | 5 | 97.38 |
18 | 5 | 4.35 | 6 | 98.15 |
19 | 5 | 4.37 | 6 | 99.03 |
20 | 6 | 4.31 | 6 | 98.12 |
从表1可以看出,基于特征向量扫描的字符识别方法在准确率上比传统的神经网络方法略低一点,但是,从识别的速度看,前者要远远优于后者。也就是说在方法的实时性方面,本发明提出的方法具有很大的优越性。此外,实验过程中还发现,在各种条件的目标车牌中,大部分字符的正确识别率,尤其是数字字符的识别,两个方法是不相上下的,只是在一些相近字中,由于神经网络方法特有的学习过程,其表现较为良好,造成了最终识别准确率比本方法略高。
Claims (5)
1.一种车牌字符识别方法,包括如下步骤:
(1)选取车牌字符,数字,字母,汉字各一个,并对其分别进行归一化;
(2)对归一化后的字符分别进行垂直和水平方向的扫描,记录其扫描黑白跳变次数的序列,即特征值向量VTD和HTD,并将这些特征值向量做成标准的特征值向量库存储,选择一些容易造成误识别的相近字符建立相近字符集;
(3)对待识别的车牌进行二值化和字符分割,并取出单个字符进行归一化;
(4)对归一化后的单个字符分别进行垂直和水平方向的扫描,分别记录垂直特征值向量VTD和水平特征值向量HTD;
(5)通过以下相似度公式,分别计算字符的垂直特征值向量和水平特征值向量与特征值向量库的垂直相似度和水平相似度;
式中,Xm和Xn分别为字符m和字符n的特征值向量,J为特征值向量的维度,xmj表示字符m特征值向量的第j个特征值,xnj表示字符n特征值向量的第j个特征值,Similarity(Xm,Xn)表示字符m和字符n的相似度;
(6)计算每一个字符对应的水平相似度和垂直相似度的加权和,得到一组最终的相似度:
Simimn=αSimiVTD(Xm,Xn)+βSimiHTD(Xm,Xn)
式中,SimiVTD(Xm,Xn)为垂直方向的相似度,SimiHTD(Xm,Xn)为水平方向的相似度,α和β分别为VTD和HTD所占权重,在应用中选取α为0.4,β为0.6,Simimn为水平相似度和垂直相似度的加权和;
(7)对得到的相似度进行大小比对,找出最大相似度,并取出最大相似度所对应的字符结果;
(8)将取出最大相似度所对应的字符结果与容易造成误识别的相近字符集进行对比,如果字符结果不在相近字符集中,则识别结束,如果字符结果在相近字符集中,则进行步骤(9)的二次识别;
(9)将字符分为上下或者左右两部分扫描其特征值向量,取分成的两部分作为部分特征值向量,重新计算相似度,对得到的相似度进行大小比对,找出最大相似度,并取出最大相似度所对应的字符结果,得到识别结果。
2.根据权利要求1所述的识别方法,其中步骤(2)所述的相近字符集,包括A和4、P和9、B和8、D和O、T和L以及7和1。
3.根据权利要求1所述的识别方法,其中步骤(9)所述的将字符分为上下或者左右两部分扫描其特征值向量,是将相近字符集中的A和4、D和0分为上下两部分进行水平特征值向量扫描,将P和9、B和8分为左右两部分进行垂直特征分量扫描。
4.根据权利要求1所述的识别方法,其中步骤(4)所述的对归一化后的单个字符进行垂直扫描,是从上至下,记录每一列白色像素和黑色像素交替的次数。
5.根据权利要求1所述的识别方法,其中步骤(4)所述的对归一化后的单个字符进行水平扫描,是从左至右,记录每一行白色像素和黑色像素交替的次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100232525A CN101944174B (zh) | 2009-07-08 | 2009-07-08 | 车牌字符的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100232525A CN101944174B (zh) | 2009-07-08 | 2009-07-08 | 车牌字符的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101944174A CN101944174A (zh) | 2011-01-12 |
CN101944174B true CN101944174B (zh) | 2012-06-27 |
Family
ID=43436161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100232525A Expired - Fee Related CN101944174B (zh) | 2009-07-08 | 2009-07-08 | 车牌字符的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101944174B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194132B (zh) * | 2011-04-07 | 2012-11-28 | 国通道路交通管理工程技术研究中心有限公司 | 一种伴随车检测识别***及其方法 |
CN102289659B (zh) * | 2011-06-23 | 2013-01-02 | 杭州诚道科技有限公司 | 伴随车检测方法 |
CN104050450A (zh) * | 2014-06-16 | 2014-09-17 | 西安通瑞新材料开发有限公司 | 一种基于视频的车牌识别方法 |
CN105224962B (zh) * | 2014-07-03 | 2019-02-15 | 浙江宇视科技有限公司 | 一种相似车牌提取方法及装置 |
CN104156701A (zh) * | 2014-07-26 | 2014-11-19 | 佳都新太科技股份有限公司 | 一种基于决策树和svm的车牌相似字符识别方法 |
CN104392239B (zh) * | 2014-09-25 | 2017-12-01 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别方法及*** |
CN105261109B (zh) * | 2015-07-24 | 2017-10-31 | 广州广电运通金融电子股份有限公司 | 一种钞票冠字号识别方法 |
CN105118300B (zh) * | 2015-08-28 | 2017-05-10 | 浙江工业大学 | 交通抓拍自动识别车牌号码的纠错方法 |
CN106203625B (zh) * | 2016-06-29 | 2019-08-02 | 中国电子科技集团公司第二十八研究所 | 一种基于多重预训练的深层神经网络训练方法 |
CN106295645B (zh) * | 2016-08-17 | 2019-11-29 | 东方网力科技股份有限公司 | 一种车牌字符识别方法和装置 |
CN106340138B (zh) * | 2016-08-23 | 2019-08-27 | 深圳怡化电脑股份有限公司 | 一种交易行为检测方法及装置 |
CN106326897A (zh) * | 2016-08-24 | 2017-01-11 | 王小兰 | 一种基于数据模型的车牌号识别方法 |
CN108229466B (zh) * | 2016-12-15 | 2020-12-11 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
CN108205670B (zh) * | 2016-12-16 | 2020-10-27 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
CN109685058B (zh) | 2017-10-18 | 2021-07-09 | 杭州海康威视数字技术股份有限公司 | 一种图像目标识别方法、装置及计算机设备 |
CN109325487B (zh) * | 2018-08-27 | 2021-12-03 | 电子科技大学 | 一种基于目标检测的全种类车牌识别方法 |
CN109800762A (zh) * | 2019-01-28 | 2019-05-24 | 安阳工学院 | 一种基于动态匹配因子的模糊车牌识别算法 |
CN110020655B (zh) * | 2019-04-19 | 2021-08-20 | 厦门商集网络科技有限责任公司 | 一种基于二值化的字符去噪方法及终端 |
CN110097019B (zh) * | 2019-05-10 | 2023-01-10 | 腾讯科技(深圳)有限公司 | 字符识别方法、装置、计算机设备以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5081685A (en) * | 1988-11-29 | 1992-01-14 | Westinghouse Electric Corp. | Apparatus and method for reading a license plate |
CN1221927A (zh) * | 1997-12-19 | 1999-07-07 | 松下电器产业株式会社 | 字符识别装置及其方法和计算机能读取的记录媒体 |
CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
-
2009
- 2009-07-08 CN CN2009100232525A patent/CN101944174B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5081685A (en) * | 1988-11-29 | 1992-01-14 | Westinghouse Electric Corp. | Apparatus and method for reading a license plate |
CN1221927A (zh) * | 1997-12-19 | 1999-07-07 | 松下电器产业株式会社 | 字符识别装置及其方法和计算机能读取的记录媒体 |
CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
Non-Patent Citations (1)
Title |
---|
JP特开2008-234291A 2008.10.02 |
Also Published As
Publication number | Publication date |
---|---|
CN101944174A (zh) | 2011-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101944174B (zh) | 车牌字符的识别方法 | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN107609601B (zh) | 一种基于多层卷积神经网络的舰船目标识别方法 | |
Huttunen et al. | Car type recognition with deep neural networks | |
KR102224253B1 (ko) | 심층 네트워크와 랜덤 포레스트가 결합된 앙상블 분류기의 경량화를 위한 교사-학생 프레임워크 및 이를 기반으로 하는 분류 방법 | |
CN100380396C (zh) | 目标检测装置、学习装置、目标检测***及目标检测方法 | |
CN103366602B (zh) | 从数字摄像头图像确定停车场占用情况的方法 | |
Pamula | Road traffic conditions classification based on multilevel filtering of image content using convolutional neural networks | |
CN102722712B (zh) | 基于连续度的多尺度高分辨图像目标检测方法 | |
CN103679191B (zh) | 基于静态图片的自动***检测方法 | |
CN110796168A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN105354568A (zh) | 基于卷积神经网络的车标识别方法 | |
CN106991382A (zh) | 一种遥感场景分类方法 | |
CN102831427B (zh) | 一种融合视觉显著性和灰度共生矩的纹理特征提取方法 | |
CN106096602A (zh) | 一种基于卷积神经网络的中文车牌识别方法 | |
CN104463209A (zh) | 一种基于bp神经网络的pcb板上数字代码识别方法 | |
CN107133974A (zh) | 高斯背景建模与循环神经网络相结合的车型分类方法 | |
CN102915453B (zh) | 一种实时反馈更新的车辆检测方法 | |
CN105930794A (zh) | 一种基于云计算的室内场景识别方法 | |
CN108268865A (zh) | 一种基于级联卷积网络的自然场景下车牌识别方法及*** | |
CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
CN106372658A (zh) | 车辆分类器的训练方法 | |
CN110929746A (zh) | 一种基于深度神经网络的电子卷宗标题定位提取与分类方法 | |
CN111382690A (zh) | 基于多损失融合模型的车辆再识别方法 | |
CN111242046A (zh) | 一种基于图像检索的地面交通标志识别方法 |
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: 20120627 Termination date: 20180708 |