CN105956626A - 基于深度学习的对车牌位置不敏感的车牌识别方法 - Google Patents
基于深度学习的对车牌位置不敏感的车牌识别方法 Download PDFInfo
- Publication number
- CN105956626A CN105956626A CN201610313111.7A CN201610313111A CN105956626A CN 105956626 A CN105956626 A CN 105956626A CN 201610313111 A CN201610313111 A CN 201610313111A CN 105956626 A CN105956626 A CN 105956626A
- Authority
- CN
- China
- Prior art keywords
- license plate
- degree
- layer
- vehicle license
- car
- 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.)
- Pending
Links
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的对车牌位置不敏感的车牌识别方法,其特征在于:构建带有七位车牌字符标注的样本集,并对深度卷积神经网络进行训练,车牌识别方法包括下述步骤:将待检测的车牌图像进行预处理;将预处理后的车牌图像转换成与样本集中样本的尺寸相同的图像并输入已训练的深度卷积神经网络;在深度卷积神经网络中进行一次前向传播,并输出七个标签;通过查表获得标签对应的汉字和字符,获得七位车牌字符。本发明创造性地通过共享卷积层同时对七位车牌字符进行识别,同时通过有针对地进行样本处理,可以有效地识别车牌位置信息,提升在复杂环境下的识别率,最终达到较好的整体识别效果。
Description
技术领域
本发明涉及计算机视觉和机器学习技术领域,尤其涉及一种基于深度学习的对车牌位置不敏感的车牌识别方法。
背景技术
智能交通监控***是当今交通监控行业的一个重点发展方向,主要是依靠计算机视觉等技术对监控摄像头拍摄下的画面进行自动地分析,从而判断出超速、闯红灯等违章行为,并且可以自动地识别出违章车辆的车牌号等,从而极大地方便交通监管。
深度学习于2006年正式提出,是近年来机器学习里面的一个热门领域,起源于多层人工神经网络,目前已成功应用于计算机视觉、自然语言处理和智能搜索等领域。其中卷积神经网络在图像识别领域已经取得了令人瞩目的成就,在很多应用上都有所建树,相比传统方法有了很大的提升。而深度学习在字符识别领域也有非常高的准确率,在著名的MNIST手写字体数据集上达到了99%以上的准确率,所以很自然地可以考虑将深度学习应用在车牌识别领域。
在车牌识别领域,传统方法通常采用图像处理算法来对车牌进行定位后,再经过图像分割取出单个字符,然后采用基于字符笔画的识别方法进行字符识别,这种方法也能取得不错的效果,但是使用起来较为麻烦,且对于预处理和分割步骤要求较高,若图像质量较差或分割效果不好时,则识别效果也不能得到保障。
经过对现有技术的检索,也发现了一些开始使用卷积神经网络做车牌识别的方法,然而在多个字符的处理上,往往还是要借助于传统的图像分割算法,分割出单个字符过后再分别送入卷积神经网络分别进行识别,这样便无法避免对于分割效果的要求,只能取得有限的效果提升。另一方面,现有车牌识别方法往往是先通过检测算法,将车牌位置完全确定下来,然后仅将车牌部分的图像输入给识别算法进行车牌识别,这就对前级检测算法提出了较高的要求。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于深度学习的对车牌位置不敏感的车牌识别方法。
本发明通过以下技术方案来实现上述目的:
一种基于深度学习的对车牌位置不敏感的车牌识别方法,其特征在于:构建带有七位车牌字符标注的样本集,并对深度卷积神经网络进行训练,车牌识别方法包括下述步骤:
(1)将待检测的车牌图像进行预处理;
(2)将预处理后的车牌图像转换成与样本集中样本的尺寸相同的图像并输入已训练的深度卷积神经网络;
(3)在深度卷积神经网络中进行一次前向传播,并输出七个标签;
(4)通过查表获得标签对应的汉字和字符,获得七位车牌字符。
具体地,所述车牌图像包括所述车牌和其周边的背景区域,所述车牌的位置位于所述车牌图像的任意位置,且所述车牌图像包含完整的车牌区域。
具体地,构建所述样本集的方法包括:从路口监控或网络图像中截取包含车牌的多张车牌图像,以车牌的位置为中心并留存部分背景区域,将多张车牌图像拉伸到相同的大小,然后对车牌字符进行标注,获得七位字符对应的标签。
具体地,所述深度卷积神经网络包括5层卷积层、全连接层和softmax层,所述深度卷积神经网络的结构包括七个分支并行网络,七个所述分支并行网络均包括3层全连接层和1层softmax层,七个所述分支并行网络共享前5层卷积层;
所述卷积层用于特征提取,所述全连接层用于线性变换,所述softmax层用于分类,在第1、2、5层后加入用于降维和特征整合的池化层,在前两个卷积层后加入用于提高模型泛化能力的LRN层。
具体地,对深度卷积神经网络的训练过程包括:
(1)网络初始化:使用在imagenet数据集上训练过的Alexnet的卷积层及相关部分的参数作为深度卷积神经网络的初始值,全连接层的参数采用标准差为0.01的高斯随机初始化;
(2)开始训练:将样本集中的样本输入深度卷积神经网络进行前向传播,并将每个样本的七个标签输入值最后的loss层,采用softmax损失函数计算与目标类之间的差距,结合反相传播算法,进行迭代训练;
(3)结束训练:当损失下降到无法再下降时结束训练。
本发明的有益效果在于:
本发明所述基于深度学习的对车牌位置不敏感的车牌识别方法创造性地通过共享卷积层同时对七位车牌字符进行识别,同时通过有针对地进行样本处理,可以有效地识别车牌位置信息,提升在复杂环境下的识别率,最终达到较好的整体识别效果。
附图说明
图1是本发明所述基于深度学习的对车牌位置不敏感的车牌识别方法的流程图;
图2是本发明所述深度卷积神经网络的结构示意图。
具体实施方式
下面结合附图对本发明作进一步说明:
如图1所示,本发明一种基于深度学习的对车牌位置不敏感的车牌识别方法,构建带有七位车牌字符标注的样本集,并对深度卷积神经网络进行训练;
构建样本集的方法包括:从路口监控或网络图像中截取包含车牌的多张车牌图像,以车牌的位置为中心并留存部分背景区域,将多张车牌图像拉伸到相同的大小,然后对车牌字符进行标注,获得七位字符对应的标签。
通过网络下载和交通监控视频截图,获取在不同天气情况、不同场景下拍摄的含有完整车牌的图像,进行多次随机截取,确保在包含完整车牌的同时,车牌区域占总截取大小的比例适中。对车牌号进行标注,本实施例采用训练样本集为包含车牌的彩色图像30000张,测试样本集为5000张。
由于卷积神经网络参数量十分巨大,当训练样本集样本数量不够大时,极易发生过拟合,一种增大样本集的方式是,对每张图像随机多次旋转0到7度,即可以提高卷积神经网络对车牌旋转变形的识别能力,又可以增大样本集。并对样本图像的尺寸进行标准化,通过图像处理技术将所有的样本图像转换到227×227×3的尺寸。
深度卷积神经网络基本结构是根据Alexnet修改而来,Alexnet的主要组成部分是5个卷积层、3个全连接层和最后的1个softmax层。本发明中使用的网络结构则包括5层卷积层、全连接层和softmax层,深度卷积神经网络的结构包括七个分支并行网络,七个分支并行网络均包括3层全连接层和1层softmax层,本发明中使用的网络结构则是从全连接层开始,下面将分阶段介绍本发明中使用的网络模型结构,如图2所示:
Conv1阶段:输入数据维数为227×227×3,数据输入后,进行的第一个操作阶段就是Conv1阶段,这个阶段包含了1个卷积层、1个ReLU层、1个Pool层、1个LRN层,其中,conv1层的参数为:filters:96,kernel size:11,stride:4;ReLU为激活函数,为网络增加非线性性;LRN层参数为:local size:5,alpha:0.0001,beta:0.75;pool1层参数为:Max pooling,kernel size:3,stride:2。经过此阶段操作,输出数据维数为27×27×96。
Conv2阶段:这个阶段包含了1个卷积层、1个ReLU层、1个Pool层、1个LRN层,其中,conv2层的参数为:filters:256,kernel size:5,group:2,pad:2;ReLU为激活函数,为网络增加非线性性;LRN层参数为:local size:5,alpha:0.0001,beta:0.75;pool2层参数为:Max pooling,kernel size:3,stride:2。经过此阶段操作,输出数据维数为13×13×256。
Conv3阶段:这个阶段包含了1个卷积层、1个ReLU层,其中,conv3层的参数为:filters:384,kernel size:3,pad:1。经过此阶段操作,输出数据维数为13×13×384。
Conv4阶段:这个阶段包含了1个卷积层、1个ReLU层,其中,conv4层的参数为:filters:384,kernel size:3,pad:1。经过此阶段操作,输出数据维数为13×13×384。
Conv5阶段:这个阶段包含了1个卷积层、1个ReLU层、1个Pool层,其中,conv5层的参数为:filters:256,kernel size:3,pad:1;pool5层的参数为:Max pooling,kernel size:3,stride:2。经过此阶段操作,输出数据维数为6×6×256。
Fc6阶段:从这个阶段开始分成七个分支网络,七个分支网络仅fc8阶段的参数有区别。Fc6阶段包含了1个全连接层、1个ReLU层、1个Dropout层,其中,fc6层的参数为:num output:4096;drop6层参数为:dropout ratio:0.5。经过此阶段操作,输出数据维数为4096。
Fc7阶段:本阶段包含了1个全连接层、1个ReLU层、1个Dropout层,参数和fc6阶段一样。经过此阶段操作,输出数据维数为4096。
Fc8阶段:本阶段包含了1个全连接层、1个softmax层,第一个分支网络的fc8层的输出数目为31,用以识别31个表示地区的汉字,后六个分支网络的fc8层的输出数目则为36,用以识别10个数字和26个英文字母。Softmax层则根据fc8层的输出进行分类,输出概率分布,在训练阶段则同时计算loss通过反向传播调整网络参数。
具体地,对深度卷积神经网络的训练过程包括:首先对网络进行初始化,使用在imagenet数据集上训练过的Alexnet的卷积阶段参数作为本网络卷积部分的初始值,全连接层的参数则采用标准差为0.01的高斯随机初始化。然后将步骤一中获取的训练样本集中的样本输入到深度卷积神经网络中进行前向传播,同时将训练样本集每个样本的七个标签输入到最后的loss层,采用softmax损失函数计算与目标类之间的差距,结合反向传播算法,调整整个网络的参数。进行迭代训练,初始学习率设置为0.001,后面根据loss的下降效果适当降低学习率,当loss下降到一定程度不再下降时结束训练。
车牌识别方法包括下述步骤:直接将含有车牌的图像转换成227×227×3大小后输入训练好的网络模型中,进行一次前向传播,将输出的七个预测值按顺序查表即可得出车牌号。测试样本集包含了各种环境光照及变形的车牌图像,对5000个测试样本进行测试后,得到七位车牌识别准确率为97%。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的对车牌位置不敏感的车牌识别方法,其特征在于:构建带有七位车牌字符标注的样本集,并对深度卷积神经网络进行训练,车牌识别方法包括下述步骤:
(1)将待检测的车牌图像进行预处理;
(2)将预处理后的车牌图像转换成与样本集中样本的尺寸相同的图像并输入已训练的深度卷积神经网络;
(3)在深度卷积神经网络中进行一次前向传播,并输出七个标签;
(4)通过查表获得标签对应的汉字和字符,获得七位车牌字符。
2.根据权利要求1所述的基于深度学习的对车牌位置不敏感的车牌识别方法,其特征在于:所述车牌图像包括所述车牌和其周边的背景区域,所述车牌的位置位于所述车牌图像的任意位置,且所述车牌图像包含完整的车牌区域。
3.根据权利要求1所述的基于深度学习的对车牌位置不敏感的车牌识别方法,其特征在于:构建所述样本集的方法包括:从路口监控或网络图像中截取包含车牌的多张车牌图像,以车牌的位置为中心并留存部分背景区域,将多张车牌图像拉伸到相同的大小,然后对车牌字符进行标注,获得七位字符对应的标签。
4.根据权利要求3所述的基于深度学习的对车牌位置不敏感的车牌识别方法,其特征在于:所述深度卷积神经网络包括5层卷积层、全连接层和softmax层,所述深度卷积神经网络的结构包括七个分支并行网络,七个所述分支并行网络均包括3层全连接层和1层softmax层,七个所述分支并行网络共享前5层卷积层;
所述卷积层用于特征提取,所述全连接层用于线性变换,所述softmax层用于分类,在第1、2、5层后加入用于降维和特征整合的池化层,在前两个卷积层后加入用于提高模型泛化能力的LRN层。
5.根据权利要求4所述的基于深度学习的对车牌位置不敏感的车牌识别方法,其特征在于:对深度卷积神经网络的训练过程包括:
(1)网络初始化:使用在imagenet数据集上训练过的Alexnet的卷积层及相关部分的参数作为深度卷积神经网络的初始值,全连接层的参数采用标准差为0.01的高斯随机初始化;
(2)开始训练:将样本集中的样本输入深度卷积神经网络进行前向传播,并将每个样本的七个标签输入值最后的loss层,采用softmax损失函数计算与目标类之间的差距,结合反相传播算法,进行迭代训练;
(3)结束训练:当损失下降到无法再下降时结束训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610313111.7A CN105956626A (zh) | 2016-05-12 | 2016-05-12 | 基于深度学习的对车牌位置不敏感的车牌识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610313111.7A CN105956626A (zh) | 2016-05-12 | 2016-05-12 | 基于深度学习的对车牌位置不敏感的车牌识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105956626A true CN105956626A (zh) | 2016-09-21 |
Family
ID=56912721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610313111.7A Pending CN105956626A (zh) | 2016-05-12 | 2016-05-12 | 基于深度学习的对车牌位置不敏感的车牌识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956626A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106340205A (zh) * | 2016-09-30 | 2017-01-18 | 广东中星微电子有限公司 | 交通监控方法及交通监控装置 |
CN106407981A (zh) * | 2016-11-24 | 2017-02-15 | 北京文安智能技术股份有限公司 | 一种车牌识别方法、装置及*** |
CN106488313A (zh) * | 2016-10-31 | 2017-03-08 | Tcl集团股份有限公司 | 一种台标识别方法及*** |
CN106570521A (zh) * | 2016-10-24 | 2017-04-19 | 中国科学院自动化研究所 | 多语言场景字符识别方法及识别*** |
CN106599773A (zh) * | 2016-10-31 | 2017-04-26 | 清华大学 | 用于智能驾驶的深度学习图像识别方法、***及终端设备 |
CN106599832A (zh) * | 2016-12-09 | 2017-04-26 | 重庆邮电大学 | 一种基于卷积神经网络的多类障碍物检测与识别方法 |
CN106778852A (zh) * | 2016-12-07 | 2017-05-31 | 中国科学院信息工程研究所 | 一种修正误判的图像内容识别方法 |
CN106874902A (zh) * | 2017-01-19 | 2017-06-20 | 博康智能信息技术有限公司北京海淀分公司 | 一种车牌信息识别方法及装置 |
CN106897770A (zh) * | 2017-01-19 | 2017-06-27 | 博康智能信息技术有限公司北京海淀分公司 | 一种建立车牌识别模型的方法及装置 |
CN107038442A (zh) * | 2017-03-27 | 2017-08-11 | 新智认知数据服务有限公司 | 一种基于深度学习的车牌检测和整体识别方法 |
CN107085723A (zh) * | 2017-03-27 | 2017-08-22 | 新智认知数据服务有限公司 | 一种基于深度学习模型的车牌字符整体识别方法 |
CN107330480A (zh) * | 2017-07-03 | 2017-11-07 | 贵州大学 | 手写字符计算机识别方法 |
CN108133188A (zh) * | 2017-12-22 | 2018-06-08 | 武汉理工大学 | 一种基于运动历史图像与卷积神经网络的行为识别方法 |
CN108171127A (zh) * | 2017-12-13 | 2018-06-15 | 广东电网有限责任公司清远供电局 | 一种基于深度学习的***自动识别方法 |
CN108229497A (zh) * | 2017-07-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、存储介质、计算机程序和电子设备 |
CN108304814A (zh) * | 2018-02-08 | 2018-07-20 | 海南云江科技有限公司 | 一种文字类型检测模型的构建方法和计算设备 |
CN108564035A (zh) * | 2018-04-13 | 2018-09-21 | 杭州睿琪软件有限公司 | 识别单据上记载的信息的方法及*** |
CN108564088A (zh) * | 2018-04-17 | 2018-09-21 | 广东工业大学 | 车牌识别方法、装置、设备及可读存储介质 |
CN109033107A (zh) * | 2017-06-09 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 图像检索方法和装置、计算机设备和存储介质 |
CN109766805A (zh) * | 2018-12-28 | 2019-05-17 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的双层车牌字符识别方法 |
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 |
CN110097044A (zh) * | 2019-05-13 | 2019-08-06 | 苏州大学 | 基于深度学习的一阶段车牌检测识别方法 |
CN110598704A (zh) * | 2019-09-26 | 2019-12-20 | 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*** |
CN110688880A (zh) * | 2018-07-06 | 2020-01-14 | 山东华软金盾软件股份有限公司 | 一种基于精简ResNet残差网络的车牌识别方法 |
CN110781880A (zh) * | 2018-07-27 | 2020-02-11 | 业纳交通解决方案英国有限公司 | 用于识别车辆牌照的方法和装置 |
CN110991221A (zh) * | 2019-10-16 | 2020-04-10 | 合肥湛达智能科技有限公司 | 一种基于深度学习的动态交通闯红灯识别方法 |
CN111401360A (zh) * | 2020-03-02 | 2020-07-10 | 杭州雄迈集成电路技术股份有限公司 | 优化车牌检测模型的方法及***、车牌检测方法及*** |
CN112861845A (zh) * | 2021-04-23 | 2021-05-28 | 北京欣博电子科技有限公司 | 车牌识别方法、装置、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100894870B1 (ko) * | 2007-02-16 | 2009-04-24 | 하순호 | 해마 신경망 학습 알고리즘을 이용한 문자인식방법 및시스템 |
CN104517122A (zh) * | 2014-12-12 | 2015-04-15 | 浙江大学 | 一种基于优化卷积架构的图像目标识别方法 |
CN104809443A (zh) * | 2015-05-05 | 2015-07-29 | 上海交通大学 | 基于卷积神经网络的车牌检测方法及*** |
CN105069413A (zh) * | 2015-07-27 | 2015-11-18 | 电子科技大学 | 一种基于深度卷积神经网络的人体姿势识别方法 |
CN105279556A (zh) * | 2015-11-05 | 2016-01-27 | 国家卫星海洋应用中心 | 一种浒苔检测方法和装置 |
CN105550699A (zh) * | 2015-12-08 | 2016-05-04 | 北京工业大学 | 一种基于cnn融合时空显著信息的视频识别分类方法 |
-
2016
- 2016-05-12 CN CN201610313111.7A patent/CN105956626A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100894870B1 (ko) * | 2007-02-16 | 2009-04-24 | 하순호 | 해마 신경망 학습 알고리즘을 이용한 문자인식방법 및시스템 |
CN104517122A (zh) * | 2014-12-12 | 2015-04-15 | 浙江大学 | 一种基于优化卷积架构的图像目标识别方法 |
CN104809443A (zh) * | 2015-05-05 | 2015-07-29 | 上海交通大学 | 基于卷积神经网络的车牌检测方法及*** |
CN105069413A (zh) * | 2015-07-27 | 2015-11-18 | 电子科技大学 | 一种基于深度卷积神经网络的人体姿势识别方法 |
CN105279556A (zh) * | 2015-11-05 | 2016-01-27 | 国家卫星海洋应用中心 | 一种浒苔检测方法和装置 |
CN105550699A (zh) * | 2015-12-08 | 2016-05-04 | 北京工业大学 | 一种基于cnn融合时空显著信息的视频识别分类方法 |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106340205A (zh) * | 2016-09-30 | 2017-01-18 | 广东中星微电子有限公司 | 交通监控方法及交通监控装置 |
CN106570521A (zh) * | 2016-10-24 | 2017-04-19 | 中国科学院自动化研究所 | 多语言场景字符识别方法及识别*** |
CN106488313A (zh) * | 2016-10-31 | 2017-03-08 | Tcl集团股份有限公司 | 一种台标识别方法及*** |
CN106599773A (zh) * | 2016-10-31 | 2017-04-26 | 清华大学 | 用于智能驾驶的深度学习图像识别方法、***及终端设备 |
CN106599773B (zh) * | 2016-10-31 | 2019-12-24 | 清华大学 | 用于智能驾驶的深度学习图像识别方法、***及终端设备 |
CN106407981A (zh) * | 2016-11-24 | 2017-02-15 | 北京文安智能技术股份有限公司 | 一种车牌识别方法、装置及*** |
CN106778852A (zh) * | 2016-12-07 | 2017-05-31 | 中国科学院信息工程研究所 | 一种修正误判的图像内容识别方法 |
CN106599832A (zh) * | 2016-12-09 | 2017-04-26 | 重庆邮电大学 | 一种基于卷积神经网络的多类障碍物检测与识别方法 |
CN106874902A (zh) * | 2017-01-19 | 2017-06-20 | 博康智能信息技术有限公司北京海淀分公司 | 一种车牌信息识别方法及装置 |
CN106897770A (zh) * | 2017-01-19 | 2017-06-27 | 博康智能信息技术有限公司北京海淀分公司 | 一种建立车牌识别模型的方法及装置 |
CN106874902B (zh) * | 2017-01-19 | 2020-07-17 | 博康智能信息技术有限公司北京海淀分公司 | 一种车牌信息识别方法及装置 |
CN107085723A (zh) * | 2017-03-27 | 2017-08-22 | 新智认知数据服务有限公司 | 一种基于深度学习模型的车牌字符整体识别方法 |
CN107038442A (zh) * | 2017-03-27 | 2017-08-11 | 新智认知数据服务有限公司 | 一种基于深度学习的车牌检测和整体识别方法 |
CN109033107B (zh) * | 2017-06-09 | 2021-09-17 | 腾讯科技(深圳)有限公司 | 图像检索方法和装置、计算机设备和存储介质 |
CN109033107A (zh) * | 2017-06-09 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 图像检索方法和装置、计算机设备和存储介质 |
CN107330480B (zh) * | 2017-07-03 | 2020-10-13 | 贵州大学 | 手写字符计算机识别方法 |
CN107330480A (zh) * | 2017-07-03 | 2017-11-07 | 贵州大学 | 手写字符计算机识别方法 |
CN108229497A (zh) * | 2017-07-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、存储介质、计算机程序和电子设备 |
CN108171127A (zh) * | 2017-12-13 | 2018-06-15 | 广东电网有限责任公司清远供电局 | 一种基于深度学习的***自动识别方法 |
CN108133188A (zh) * | 2017-12-22 | 2018-06-08 | 武汉理工大学 | 一种基于运动历史图像与卷积神经网络的行为识别方法 |
CN108133188B (zh) * | 2017-12-22 | 2021-12-21 | 武汉理工大学 | 一种基于运动历史图像与卷积神经网络的行为识别方法 |
CN108304814A (zh) * | 2018-02-08 | 2018-07-20 | 海南云江科技有限公司 | 一种文字类型检测模型的构建方法和计算设备 |
CN108304814B (zh) * | 2018-02-08 | 2020-07-14 | 海南云江科技有限公司 | 一种文字类型检测模型的构建方法和计算设备 |
CN108564035B (zh) * | 2018-04-13 | 2020-09-25 | 杭州睿琪软件有限公司 | 识别单据上记载的信息的方法及*** |
US10977513B2 (en) | 2018-04-13 | 2021-04-13 | Hangzhou Glorify Software Limited | Method, system and computer readable storage medium for identifying information carried on sheet |
CN108564035A (zh) * | 2018-04-13 | 2018-09-21 | 杭州睿琪软件有限公司 | 识别单据上记载的信息的方法及*** |
CN108564088A (zh) * | 2018-04-17 | 2018-09-21 | 广东工业大学 | 车牌识别方法、装置、设备及可读存储介质 |
CN110688880A (zh) * | 2018-07-06 | 2020-01-14 | 山东华软金盾软件股份有限公司 | 一种基于精简ResNet残差网络的车牌识别方法 |
CN110781880A (zh) * | 2018-07-27 | 2020-02-11 | 业纳交通解决方案英国有限公司 | 用于识别车辆牌照的方法和装置 |
CN109766805B (zh) * | 2018-12-28 | 2022-12-09 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的双层车牌字符识别方法 |
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 |
CN109766805A (zh) * | 2018-12-28 | 2019-05-17 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的双层车牌字符识别方法 |
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 |
CN110097044A (zh) * | 2019-05-13 | 2019-08-06 | 苏州大学 | 基于深度学习的一阶段车牌检测识别方法 |
CN110598704A (zh) * | 2019-09-26 | 2019-12-20 | 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*** |
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*** |
CN110991221A (zh) * | 2019-10-16 | 2020-04-10 | 合肥湛达智能科技有限公司 | 一种基于深度学习的动态交通闯红灯识别方法 |
CN110991221B (zh) * | 2019-10-16 | 2024-02-27 | 合肥湛达智能科技有限公司 | 一种基于深度学习的动态交通闯红灯识别方法 |
CN111401360A (zh) * | 2020-03-02 | 2020-07-10 | 杭州雄迈集成电路技术股份有限公司 | 优化车牌检测模型的方法及***、车牌检测方法及*** |
CN111401360B (zh) * | 2020-03-02 | 2023-06-20 | 杭州雄迈集成电路技术股份有限公司 | 优化车牌检测模型的方法及***、车牌检测方法及*** |
CN112861845A (zh) * | 2021-04-23 | 2021-05-28 | 北京欣博电子科技有限公司 | 车牌识别方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956626A (zh) | 基于深度学习的对车牌位置不敏感的车牌识别方法 | |
Yang et al. | Deep detection network for real-life traffic sign in vehicular networks | |
Jung et al. | ResNet-based vehicle classification and localization in traffic surveillance systems | |
CN106599773B (zh) | 用于智能驾驶的深度学习图像识别方法、***及终端设备 | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
CN106096602A (zh) | 一种基于卷积神经网络的中文车牌识别方法 | |
CN107590489A (zh) | 基于级联卷积神经网络的目标检测方法 | |
CN107368787A (zh) | 一种面向深度智驾应用的交通标志识别算法 | |
Zhao et al. | Improved vision-based vehicle detection and classification by optimized YOLOv4 | |
CN106650721A (zh) | 一种基于卷积神经网络的工业字符识别方法 | |
CN107578091B (zh) | 一种基于轻量级深度网络的行人车辆实时检测方法 | |
CN104809443A (zh) | 基于卷积神经网络的车牌检测方法及*** | |
CN104517103A (zh) | 一种基于深度神经网络的交通标志分类方法 | |
CN109635784A (zh) | 基于改进的卷积神经网络的交通标志识别方法 | |
Sun et al. | Robust text detection in natural scene images by generalized color-enhanced contrasting extremal region and neural networks | |
Cai et al. | Night‐Time Vehicle Detection Algorithm Based on Visual Saliency and Deep Learning | |
US11481576B2 (en) | Subject-object interaction recognition model | |
CN111767831B (zh) | 用于处理图像的方法、装置、设备及存储介质 | |
CN106919939B (zh) | 一种交通标识牌跟踪识别方法及*** | |
Cui et al. | Vehicle re-identification by fusing multiple deep neural networks | |
Pei et al. | Localized traffic sign detection with multi-scale deconvolution networks | |
CN108491828B (zh) | 一种基于层次的成对相似性PVAnet的停车位检测***及方法 | |
CN109086778A (zh) | 一种基于卷积神经网络的车牌去模糊识别方法 | |
Wei et al. | Traffic sign detection and recognition using novel center-point estimation and local features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160921 |