CN106778765A - 一种车牌识别的方法及装置 - Google Patents
一种车牌识别的方法及装置 Download PDFInfo
- Publication number
- CN106778765A CN106778765A CN201611030853.5A CN201611030853A CN106778765A CN 106778765 A CN106778765 A CN 106778765A CN 201611030853 A CN201611030853 A CN 201611030853A CN 106778765 A CN106778765 A CN 106778765A
- Authority
- CN
- China
- Prior art keywords
- license plate
- identified
- image
- point
- characteristic
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种车牌识别的方法及装置,获取待识别车牌图像;对待识别车牌图像进行预处理;提取经过预处理的待识别车牌图像中具有尺度不变特征变换的特征点,生成特征点矩阵;调用预先训练得到的包括车牌类别以及非车牌类别的分类模型,分类模型是基于训练多个车牌图像以及多个非车牌图像的尺度不变特征变换的特征点而获得的模型;利用分类模型,根据特征点矩阵判断待识别车牌所属的类别。基于尺度不变特征变换的特征点对车牌图片样本和非车牌图片样本进行训练,寻找出每一类样本中的公共特征点,进而获得分类模型,继而判断出待识别车牌图像所属类别。本申请可以在不增加漏车的基础上,有效地去除不是车牌的图像继而提高了识别的准确率。
Description
技术领域
本发明涉及图像处理领域,特别是涉及一种车牌识别的方法及装置。
背景技术
由于车辆的普及,车辆的通行监控管理方法已经不局限于传统的方法。使用图像处理技术来高效地管理车辆的通行是目前的一个趋势,其过程一般是对车辆的车牌进行抓拍,利用车牌识别设备对抓拍图片进行识别,进而可以有效地管理停车场或者是高速公路的车辆通行。
近年来,随着车牌识别设备广泛使用,车牌识别设备的识别准确率已经不能满足现有的车牌识别需求,而其车牌识别率的高低决定着管理***的有效性,虽然车牌的识别率由于现在图像识别算法、摄像机分辨率和对比度等各种相关技术的进步,已经可以达到较高的准确率,但是仍然存在着一定的缺陷。在识别准确率较高的基础上,现有车牌识别技术存在的缺陷主要是多车和漏车,漏车是指在车牌识别的过程中,为了减少非车牌进入车牌识别过程的可能性,漏掉一部分不清晰的车牌,而多车是指在车牌识别的过程中,将不是车牌的物体也识别成车牌,例如电动车牌照、排列有序的竖栏杆和广告上的数字等等。
现有的车牌识别过程中,使用的识别技术不同,存在的缺陷也不同,但一般情况下不能解决多车和漏车此消彼长的问题,即降低了多车的可能性,相应地漏车的可能性也会增加,而减少了漏车的可能性,相应地多车的可能性也会增加。为了解决多车的问题,现有技术中一般是识别车牌上的字符,并通过字符识别的置信度来判断车牌识别结果中的某一位或者是某几位字符的置信度是否低于预设的阈值,继而判断出识别结果中是否有非车牌。但是由于上述识别方法的判断标准为字符的置信度,故置信度的可信度决定着识别结果的准确率,且当前字符的置信度都不太靠谱。进一步地,不清楚车牌上的字符的识别置信度也不会高,所以会造成过滤掉本身是车牌的图像。故在不增加漏车的基础上,如何有效地去除不是车牌的图像继而提高识别准确率是本领域亟待解决的问题,基于此,本发明提出了一种车牌识别的方法及装置。
发明内容
本发明的目的是提供一种车牌识别的方法,目的在于在不增加漏车的基础上,有效地去除不是车牌的图像继而提高了识别的准确率;本发明的另一目的是提供一种车牌识别的装置,其车牌识别的准确率较高。
为解决上述技术问题,本发明提供一种车牌识别的方法,该方法包括:
获取待识别车牌图像;
对所述待识别车牌图像进行预处理;
提取经过预处理的所述待识别车牌图像中具有尺度不变特征变换的特征点,生成特征点矩阵;
调用预先训练得到的包括车牌类别以及非车牌类别的分类模型,所述分类模型是基于训练多个车牌图像以及多个非车牌图像的尺度不变特征变换的特征点而获得的模型;
利用所述分类模型,根据所述特征点矩阵判断所述待识别车牌所属的类别。
可选地,所述分类模型的训练过程包括:
获取第一预设数量的车牌图像以及第二预设数量的非车牌图像;
分别将所述车牌图像和所述非车牌图像作预处理操作;
分别提取经过预处理的所述车牌图像以及所述非车牌图像上具有尺度不变特征变换的特征点,分别组成车牌特征点矩阵以及非车牌特征点矩阵;
利用线性判别分析对所述车牌特征点矩阵以及所述非车牌特征点矩阵进行计算,得出用于降维的旋转矩阵;
根据所述旋转矩阵和所述车牌特征点矩阵,得出第一类中心坐标点;
根据所述旋转矩阵和所述非车牌特征点矩阵,得出第二类中心坐标点;
其中,所述第一类中心坐标点是所述车牌特征点矩阵降到预设维度空间上的中心坐标点,所述第二类中心坐标点是所述非车牌特征点降到所述预设维度空间上的中心坐标点。
可选地,所述对所述待识别车牌图像进行预处理包括:
获取所述待识别车牌图像的灰度图像;
将所述灰度图像调整为预设像素大小的图像。
可选地,所述提取经过预处理操作的所述待识别车牌图像中具有尺度不变特征变换的特征点,生成特征点矩阵包括:
构造经过预处理的所述待识别车牌图像的尺度空间;
检测所述尺度空间内的所有特征点;
去除所述特征点中不稳定的特征点;
确定剩余的所述特征点的主方向;
生成剩余的所述特征点的描述子;
将已确定所述主方向和已生成所述描述子的所述特征点组成所述特征点矩阵。
可选地,所述利用所述分类模型,根据所述特征点矩阵判断所述待识别车牌所属的类别包括:
利用所述旋转矩阵计算出所述特征点矩阵降到所述预设维度空间上的坐标点;
计算所述坐标点与所述第一类中心坐标点的第一距离,以及所述坐标点和所述第二类中心坐标点的第二距离;
比较所述第一距离和所述第二距离的大小;
当所述第一距离小于所述第二距离时,则将所述待识别车牌图像识别为车牌图像,反之,则将所述待识别车牌图像识别为非车牌图像。
此外,本发明还提供了一种车牌识别的装置,包括:
获取单元,用于获取待识别车牌图像;
预处理单元,用于对所述待识别车牌图像进行预处理;
提取单元,用于提取经过预处理的所述待识别车牌图像中具有尺度不变特征变换的特征点,生成特征点矩阵;
调用单元,用于调用预先训练得到的包括车牌类别以及非车牌类别的分类模型,所述分类模型是基于训练多个车牌图像以及多个非车牌图像的尺度不变特征变换的特征点而获得的模型;
分类单元,用于利用所述分类模型,根据所述特征点矩阵判断所述待识别车牌所属的类别。
可选地,所述调用单元包括:
获取子单元,用于获取第一预设数量的车牌图像以及第二预设数量的非车牌图像;
预处理操作子单元,分别将所述车牌图像和所述非车牌图像作预处理操作;
特征点提取子单元,用于分别提取经过预处理的所述车牌图像以及所述非车牌图像上具有尺度不变特征变换的特征点,分别组成车牌特征点矩阵以及非车牌特征点矩阵;
旋转矩阵计算子单元,用于利用线性判别分析对所述车牌特征点矩阵以及所述非车牌特征点矩阵进行计算,得出用于降维的旋转矩阵;
第一中心坐标点获取子单元,用于根据所述旋转矩阵和所述车牌特征点矩阵,得出第一类中心坐标点;
第二中心坐标点获取子单元,用于根据所述旋转矩阵和所述非车牌特征点矩阵,得出第二类中心坐标点;
其中,所述第一类中心坐标点是所述车牌特征点矩阵降到预设维度空间上的中心坐标点,所述第二类中心坐标点是所述非车牌特征点降到所述预设维度空间上的中心坐标点。
可选地,所述预处理单元包括:
灰度图获取子单元,用于获取所述待识别车牌图像的灰度图像;
调整子单元,用于将所述灰度图像调整为预设像素大小的图像。
可选地,所述提取单元包括:
构造子单元,用于构造经过预处理的所述待识别车牌图像的尺度空间;
检测子单元,用于检测所述尺度空间内的所有特征点;
去除子单元,用于去除所述特征点中不稳定的特征点;
确定主方向子单元,用于确定剩余的所述特征点的主方向;
描述子生成子单元,用于生成剩余的所述特征点的描述子;
生成子单元,用于将已确定所述主方向和已生成所述描述子的所述特征点组成所述特征点矩阵。
可选地,所述分类单元包括:
计算子单元,用于利用所述旋转矩阵计算出所述特征点矩阵降到所述预设维度空间上的坐标点;
距离计算子单元,用于计算所述坐标点与所述第一类中心坐标点的第一距离,以及所述坐标点和所述第二类中心坐标点的第二距离;
比较子单元,用于比较所述第一距离和所述第二距离的大小;
确定子单元,用于当所述第一距离小于所述第二距离时,则将所述待识别车牌图像识别为车牌图像,反之,则将所述待识别车牌图像识别为非车牌图像。
本发明实施例所提供的一种车牌识别的方法及装置,获取待识别车牌图像;对待识别车牌图像进行预处理;提取经过预处理的待识别车牌图像中具有尺度不变特征变换的特征点,生成特征点矩阵;调用预先训练得到的包括车牌类别以及非车牌类别的分类模型,分类模型是基于训练多个车牌图像以及多个非车牌图像的尺度不变特征变换的特征点而获得的模型;利用分类模型,根据特征点矩阵判断待识别车牌所属的类别。基于尺度不变特征变换的特征点对大量的车牌图片样本和非车牌图片样本进行训练,寻找出每一类样本中的公共特征点,进而获得分类模型,然后去寻找待识别车牌图像上的公共尺度不变特征变换特征点,判断待识别车牌图像上的尺度不变特征点与车牌图像样本上的公共尺度不变特征变换的特征点相似,还是与非车牌图像样本上的公共尺度不变特征变换的特征点相似,继而判断出待识别车牌图像的所属类别。可见,基于寻找尺度不变特征变换的特征点的思想训练得到分类器,根据分类器对待识别车牌图像上的尺度不变特征变换的特征点进行识别分类,可以在不增加漏车的基础上,有效地去除不是车牌的图像继而提高了识别的准确率。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,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的介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的车牌识别方法的一种具体实施方式的流程示意图;
图2为本发明实施例所提供的车牌识别方法的另一种具体实施方式的流程示意图;
图3为本发明实施例提供的车牌识别的装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,图1为本发明实施例所提供的车牌识别方法的一种具体实施方式的流程示意图。
步骤101:获取待识别车牌图像;
具体地,可以利用监控摄像设备或者是其它采集图像的设备拍摄车辆的车牌图像,拍摄图像的地点可以是高速公路上的进出口、停车场的进出口或者是其它车辆出入较频繁地区域。由于拍摄待识别车牌图像的地点环境不一样,拍摄到的待识别车牌图像有可能不是车牌,而是一些其它不是车牌的图像,其本身不是车牌的物体,由于车牌识别的精度很高,故有时会将一些容易被识别成车牌的物体错误识别成车牌。又或者是由于拍摄的地点的背景或者光照的影响,拍摄得到车牌图像比较模糊,即车牌上的字符不清晰。而模糊字符的本身置信度并不可靠,在识别不清晰车牌图像时会将该不清晰的车牌图像识别成非车牌图像,造成了漏车。显而易见地,获取待识别车牌图像的手段并不限于上述所提到的。
待识别车牌图像可能是车牌图像,也有可能不是车牌图像,那么需要对获取的待识别车牌图像进行识别分类,而在进行识别之前,需要对待识别车牌图像进行预处理操作。
步骤102:对所述待识别车牌图像进行预处理;
由于拍摄得到的待识别车牌图像是一幅普通的数字图像,而识别所用的图像是灰度图,故需要对待识别车牌图像进行预处理操作获得灰度图像。所谓灰度图是指图像没有彩色,只有黑色和白色。获取了待识别车牌图像的灰度图之后,还需要对待识别车牌灰度图像的像素大小进行调整,其调整之后的图像的像素大小是由实际需求决定的,需要考虑权衡识别的精度和识别的效率。当然,对待识别车牌图像进行的预处理操作不止上述提到的获取灰度图、调整像素大小这两项操作,还包括其它的有利于识别结果的预处理操作。在本发明的一些实施例中,其预处理可以具体为:获取所述待识别车牌图像的灰度图像;将所述灰度图像调整为预设像素大小的图像。其预设像素大小可以设定为58*16、68*16或者是其它的数值,而由于图像中的像素点的个数影响着识别处理时间,像素点个数较多,识别处理时间会较长,故考虑到识别的处理时间的可行性,可以适当地选择待识别车牌灰度图像的像素个数,例如,可以将待识别车牌灰度图像的像素大小调整为48*16。
在对待识别车牌图像进行了预处理操作后,则可以对待识别车牌图像进行识别。由于识别的过程是基于尺度不变特征变换的特征点的,故需要对待识别车牌灰度图像中的尺度不变特征变换的特征点进行提取。
步骤103:提取经过预处理的所述待识别车牌图像中具有尺度不变特征变换的特征点,生成特征点矩阵;
提取待识别车牌图像上的尺度不变特征变换(sift,Scale-invariant featuretransform)特征点,将这些特征点用矩阵来表示。其sift特征点的提取过程一般是先构造一个尺度空间,即先对图片进行尺度变化,将图片进行放大和缩小操作。然后再检测该尺度空间上的所有极值点,在获得极值点后,对这些极值点进行筛选,去除一些不稳定的极值点,将剩下的极值点作为特征点,确定特征点的主方向,再然后生成特征点的描述子。所选取出的sift特征点是图像上对尺度缩放、旋转和亮度变化无关的特征向量。sift特征点是图像的局部特征,对视角变化、仿射变换、噪声有一定程度上的稳定性,其一般有独特性、多量性、高速性和可扩展性等特点。需要指出的是,其特征点矩阵的维数是由待识别车牌图像的像素大小来决定的,例如,48*16像素大小的待识别车牌图像的特征点矩阵的维数是2176维。
在本发明的一些实施例中,其提取sift特征点的过程可以具体为:构造经过预处理的所述待识别车牌图像的尺度空间;检测所述尺度空间内的所有特征点;去除所述特征点中抗干扰性弱的特征点;确定剩余的所述特征点的主方向;生成剩余的所述特征点的描述子;将已确定所述主方向和已生成所述描述子的所述特征点组成所述特征点矩阵。显而易见地,其sift特征点的提取过程一般为上述过程,但不限于上述过程。其它基于sift特征点提取的思想的提取过程可能有细节上的不同,但也不会影响本发明实施例的实现。
对于预设像素大小的图像,在特征点提取过程中,可以采用滑动窗口为5,像素个数2的方法来对一幅图像进行检测特征点。显而易见地,其滑动窗口的大小以及每次检测的像素个数都可以根据实际需求来选择。
提取出了sift特征点之后,得到特征点矩阵,需要利用分类模型对待识别车牌图像的特征点进行分类。
步骤104:调用预先训练得到的包括车牌类别以及非车牌类别的分类模型,所述分类模型是基于训练多个车牌图像以及多个非车牌图像的尺度不变特征变换的特征点而获得的模型;
用于对待识别车牌图像进行分类的分类模型的建立可以是在获取待识别车牌图像之前就已经建立好的,也可以是在获取待识别车牌图像之后在进行建立的,即分类模型可以预先建立,也可以在识别的过程中建立。而分类模型无论是什么时间点建立的,其建立的过程大致相同。其过程可以是基于线性判别分析(LDA,Linear Discriminate Analysis)的思想,训练大量的车牌灰度图像样本和大量的非车牌灰度图像样本的sift特征点矩阵,寻找出每一类样本中的公共特征点,继而获得一个分类模型,其分类模型是一个两类分类器,一类为车牌,另一类为非车牌。
需要说明的是,此处的车牌灰度图像可以是外边框贴着字符边界的精定位车牌灰度图像,且车牌灰度图像包括了所有的车牌字符。一般情况下,车牌字符包括0、1、2、3、4、5、6、7、8、9十个***数字,以及A~Z的26个英文字母,还有各个省市区的汉字简称,例如京、粤、海、桂等。在一些特殊的军牌中,还包括甲、乙、丙等13汉字。不同的字符组成不同类型的车牌,现实生活中车牌的类型一般包括普通蓝黄牌、军牌、警牌、港澳牌、使馆牌、民航牌等。车牌除了有上述的类型之分,还有单层车牌和双层车牌之分,由于双层车牌的第一层字符很容易识别,故可以通过字符的置信度来进行区分是否为多识别车牌,而在本发明实施例中,只对单层车牌进行识别分类。
用于训练的车牌灰度图像是精定位车牌灰度图像,即通过车牌的定位技术来获得车牌上紧贴着字符的部分车牌区域。一般地,精定位车牌灰度图像上的字符的宽高比是10:1,但是,综合考虑到识别的效率和准确率,可以将精定位车牌上的宽高比设定为3:1,这样可以在保证识别准确率的基础上,提高识别的效率。当然,精定位车牌上的字符的宽高比设定可以根据实际情况的需要而进行设计,不会影响本发明实施例的实现。
而此处的非车牌图像可以是自然背景图像或者是容易被识别成车牌的灰度图像。例如可以为背景广告上的数字图片、摄像镜头范围内的排列有序的竖栏杆。由于一般汽车上的车牌是由7个字符组成的,而一般电动车的牌照为5个字符,故有时候也会把电动车的牌照误识别成汽车的车牌。一般情况下,用于训练的车牌灰度图像和非车牌灰度图像的像素面积大小应该尽量地相同,例如可以都为48*16。但是,在实际的操作中,可能由于各种的限制条件,会使车牌灰度图像和非车牌灰度图像不可能完全地相同,但是在允许的误差范围内都不会影响本发明实施例的实现。而车牌灰度图像和非车牌灰度图像的数量应尽可能地相同,但是在允许的误差范围之内也不影响本发明实施例的实现,例如,车牌灰度图像可以为10000张,而非车牌灰度图像可以为10000张,也可以为9998张。显而易见地,用于训练的样本图像的像素大小应该与调整像素大小之后的待识别车牌图像的像素大小一样,这样其识别结果才准确。
在本发明的一些实施例中,利用LDA思想进行训练分类模型的过程可以具体为:获取第一预设数量的车牌图像以及第二预设数量的非车牌图像;分别将所述车牌图像和所述非车牌图像作预处理操作;分别提取经过预处理的所述车牌图像以及所述非车牌图像上具有尺度不变特征变换的特征点,分别组成车牌特征点矩阵以及非车牌特征点矩阵;利用线性判别分析对所述车牌特征点矩阵以及所述非车牌特征点矩阵进行计算,得出用于降维的旋转矩阵;根据所述旋转矩阵和所述车牌特征点矩阵,得出第一类中心坐标点;根据所述旋转矩阵和所述非车牌特征点矩阵,得出第二类中心坐标点;其中,所述第一类中心坐标点是所述车牌特征点矩阵降到预设维度空间上的中心坐标点,所述第二类中心坐标点是所述非车牌特征点降到所述预设维度空间上的中心坐标点。使用LDA和尺度不变特征变换的特征点来对大量的训练样本进行分析,找出每一类图像对应的分类标准,在以后的识别过程中,可以用这些分类标准来对图像进行分类。实际上,训练模型的目的是为了找出用于降维的旋转矩阵,车牌灰度图像在预设维度空间上的投影点即第一类中心坐标点,非车牌灰度图像在预设维度空间上的投影点即第一类中心坐标点。
需要说明的是,可以利用线性判别分析LDA计算出旋转矩阵。在本发明的一些实施例中,计算的过程具体可以为:分别计算车牌特征点矩阵和非车牌特征点矩阵的类内方差,将两者的类内方差相加得出相加值;计算车牌特征点矩阵与非车牌特征点矩阵之间的类间方差;计算满足SbX=λSwX的最大特征值对应的特征向量,特征向量则为所述旋转矩阵,其中,Sw表示所述相加值,Sb表示所述类间方差。采用LDA降维的方式,来将sift特征点矩阵降维,即将原本是高维空间上的sift数据通过映射的方式降到低位空间上。由于在本发明实施例中,只有车牌和非车牌两个类别,可以将sift特征点矩阵降到1维空间上。然后分别计算车牌特征点矩阵和非车牌特征点的类内方差。将车牌特征点的类内方差和非车牌特征点的类内方差的相加,得到相加结果SW。再计算车牌特征点矩阵和非车牌特征点矩阵的类间方差Sb。通过计算最大特征向量来得到旋转矩阵,实现减小类内距离,增加类间距离,从而实现区分车牌图片和非车牌图片,使用LDA的方式来降维可以使降维后的特征点尽可能地容易被区分,即同类的特征点尽可能地接近,不同类的特征点尽可能地分离。
显而易见地,sift特征点矩阵的维数是由图像的像素大小决定的。例如,当用于训练的车牌灰度图像为10000张48*16的图像,则此时以每一张图像作为sift特征点矩阵的一行,每张图像的特征点个数作为sift特征点矩阵的列数,而48*16的图片上有2176个特征点。此时,车牌灰度图片对应的sift特征点矩阵是一个10000行,2176列的矩阵。
由于训练分类模型的目的除了获取旋转矩阵外,还需要获得第一类中心坐标点和第二类中心坐标点。故在本发明的一些实施例中,其计算获得两类中心坐标点的过程可以具体为:分别计算车牌特征点矩阵的均值向量E1和非车牌特征点矩阵的均值向量E2;将均值向量E1与旋转矩阵相乘,得出第一中心坐标点;将均值向量E2与旋转矩阵相乘,得出第二中心坐标点。利用旋转矩阵的降维作用,将sift特征点矩阵投影到1维空间上,则车牌特征点矩阵投影到1维空间上是一条直线上的点即第一类中心坐标点,而非车牌特征点矩阵投影到1维空间上也是一个点即第二类中心坐标点。
基于sift特征和LDA的思想进行训练样本,找出分类标准后,可以利用训练的结果对一幅待识别的图像进行分类,判断当前识别的图片是否为车牌图片,将不是车牌的图片去除。下面将对利用训练结果对未知的灰度图片进行识别分类介绍。
步骤105:利用所述分类模型,根据所述特征点矩阵判断所述待识别车牌所属的类别。
提取出了待识别车牌图像上的特征点,利用sift特征和LDA的思想进行训练得出分类模型,可以利用分类模型对待识别车牌图像进行分类,判断出当前识别的灰度图片是车牌图像,还是其它容易被识别为车牌的自然背景图像。训练的分类模型的目的是得到用于降维的选择矩阵,以及两类中心坐标点,故其利用分类模型识别当前待识别图像是否为车牌的过程实际上是将待识别灰度图像的sift特征点矩阵降到中心坐标点所在的维度空间后与两类中心坐标点进行比较,其降维的实现是利用旋转矩阵和待识别灰度图像的sift特征点矩阵相乘。由于只有车牌和非车牌两个类别,可以将sift特征点矩阵降维到1维空间上去比较。显而易见地,将sift特征点降到哪个维度空间上去比较是由有多少个类别来决定的。例如,当有11个类别时,则将所有的sift特征点矩阵降到10维空间上去比较大小。
在本发明的一些实施例中,其利用训练结果对待识别灰度图像进行识别分类的过程可以具体为:利用所述旋转矩阵计算出所述特征点矩阵降到所述预设维度空间上的坐标点;计算所述坐标点与所述第一类中心坐标点的第一距离,以及所述坐标点和所述第二类中心坐标点的第二距离;比较所述第一距离和所述第二距离的大小;当所述第一距离小于所述第二距离时,则将所述待识别车牌图像识别为车牌图像,反之,则将所述待识别车牌图像识别为非车牌图像。将训练得到的1维空间上的第一类中心坐标点和第二类中心坐标点,通过比较将待识别灰度图片的特征点矩阵降到1维空间上的点离哪一类的中心坐标点更近一些来判断其所属的类别。在1维空间上,待识别车牌图像投影到1维空间上对应的点和第一类中心坐标点以及第二类中心坐标点可以是处于同一条直线上的。例如,第一类中心坐标点的值为1,第二类中心坐标点的值为1.5,而待识别灰度图片的特征点矩阵投影的点为0.5,则0.5到1的距离为0.5,到1.5的距离为1。而1大于0.5,故认为待识别灰度图片的特征点矩阵投影点离第一类中心坐标点更近,则将待识别灰度图片归为第一类别即车牌图片。显而易见地,此处所举的例子让人形象地理解判别过程,实际操作中其数值不局限于上述所提到的。
可以理解的是,在识别是否为车牌的过程中,将车牌进行分割,对每一帧进行识别是常见手段,车牌分割是指提取车牌上的字符的灰度值和颜色等特征,可以通过对每帧车分割结果进行车牌过滤来得出结果。
本发明实施例所提供的车牌识别的方法,获取待识别车牌图像;对待识别车牌图像进行预处理;提取经过预处理的待识别车牌图像中具有尺度不变特征变换的特征点,生成特征点矩阵;调用预先训练得到的包括车牌类别以及非车牌类别的分类模型,分类模型是基于训练多个车牌图像以及多个非车牌图像的尺度不变特征变换的特征点而获得的模型;利用分类模型,根据特征点矩阵判断待识别车牌所属的类别。基于尺度不变特征变换的特征点对大量的车牌图片样本和非车牌图片样本进行训练,寻找出每一类样本中的公共特征点,进而获得分类模型,然后去寻找待识别车牌图像上的公共尺度不变特征变换特征点,判断待识别车牌图像上的尺度不变特征点与车牌图像样本上的公共尺度不变特征变换的特征点相似,还是与非车牌图像样本上的公共尺度不变特征变换的特征点相似,继而判断出待识别车牌图像的所属类别。基于寻找尺度不变特征变换的特征点的思想训练得到分类器,根据分类器对待识别车牌图像上的尺度不变特征变换的特征点进行识别分类,可以在不增加漏车的基础上,有效地去除不是车牌的图像继而提高了识别的准确率。
车牌识别的方法可以应用在各种不同的场景,例如可以用于停车场的车辆管理***,或者是高速公路上的车辆管理。故下面将对停车场的车辆管理***中的车牌识别的方法结合具体的参数进行介绍。
请参见图2,图2为本发明实施例所提供的车牌识别方法的另一种具体实施方式的流程示意图。
步骤201:收集10000张车牌灰度图片和10000张易被识别成车牌的非车牌灰度图片;
需要说明的是,车牌灰度图片可以是包括所有车牌字符的精定位车牌灰度图片。而车牌灰度图片和易被识别成车牌的非车牌灰度图片的数量可以不为1:1,实际上,两者的图片数量的比例可以接近1:1,但并不是严格的1:1。
步骤202:分别将车牌灰度图片和非车牌灰度图片重新调整为48*16像素大小的图片;
步骤203:分别提取调整之后的图片的sift特征点,分别组成对应的sift特征点矩阵;
sift特征点的提取过程可以是采用binsize为5,step为2方法来提取每张缩放到48*16的图片的sift特征点。将10000张车牌图片的sift特征点组成一个10000行,2176列的矩阵,同理,非车牌图片的sift特征点矩阵的获得也是如此。通过大量的样本来找出车牌图片中普遍存在的sift特征点和非车牌图片中普遍存在的sift特征点,在以后的识别过程中,判断其sift特征点为哪一类特征点,则可以认为是属于该特征点对应的类别。
步骤204:利用LDA训练车牌图片和非车牌图片两类的分类器,得出旋转矩阵和两类对应的1维特征中心坐标点;
利用LDA降维的方式将之前提取的sift特征点矩阵降到1维空间山。首先计算车牌图片的类内方差,非车牌图片的类内方差,将两者的类内方差相加得出结果Sw,再计算车牌图片和非车牌图片的类间方差Sb。为了尽量地增大类间距离,减少类内距离,令Jw=Sb÷Sw,将求最大化Jw的问题转换为满足Sbx=λSwx的最大特征值对应的特征向量的问题。其中,x即为最大特征值对应的特征向量,即为旋转矩阵。最后分别计算车牌特征点矩阵的均值向量E1以及非车牌特征点矩阵的均值向量E2,分别将E1和E2与计算得出的旋转矩阵相乘,将sift特征点矩阵降到1为空间,得出车牌和非车牌两类对应的1维特征中心坐标点Lcar和Lbg。
步骤205:获取待识别车牌图像,将待识别车牌图像重新调整为48*16像素大小的图片;
步骤206:提取调整之后的图片的sift特征点,组成sift特征点矩阵;
Sift特征点的提取的过程与步骤203中使用的方法类似,在此不再赘述。
步骤207:将待识别灰度图片的sift特征点矩阵降到1维空间,通过比较计算待识别灰度图片投影的点到两个1维特征中心坐标点的距离的大小,判断待识别灰度图片是否为车牌图片。
将得到的sift特征点矩阵和旋转矩阵相乘,得到一个在1维空间上的坐标点,计算比较上述坐标点到两类中心特征坐标点Lcar和Lbg的距离的大小,离那个中心特征坐标点近就判断待识别灰度图片为该中心特征坐标点对应的类别。当上述坐标点离Lcar更近时,则认为待识别灰度图片为车牌图片,而当上述坐标离Lbg更近时,则认为待识别灰度图片为非车牌图片。
需要说明的是,在本发明实施例中,识别和训练的过程中都用到了LDA和sift特征的思想。而识别和训练两个过程也可以单独地使用,即利用LDA和sift特征点的思想识别待识别车牌图像和利用LDA和sift特征点的思想训练得到分类模型也属于本发明实施例的保护范围。
本发明实施例所提供的车牌识别的方法,首先利用LDA对大量的车牌图片和非车牌图片进行训练,获得分类模型,由于分类器是通过统计大量的相似统计样本,找出在车牌图片上和非车牌图片上的sift特征点,sift特征点无论图片经过旋转或者是尺度变化等操作都不会改变。基于此,寻找待识别图片上sift特征点,通过判断待识别图片上的sift特征点与训练得到的车牌图片上对应的特征点和训练得到的非车牌图片上对应的特征点之间的关系,继而判断出待识别图片的所属类别。利用线性判别分析和寻找sift特征点的思想训练得到分类器,根据分类器对待识别图片上的sift特征点进行识别分类,可以在不增加漏车的基础上,有效地解决将类似电动车牌牌照和自然背景错误识别成车牌从而造成多识别的问题,提高了识别准确率,还解决了因多识别造成出入记录不一致的现象,继而提高停车场车辆管理***的性能。
下面对本发明实施例提供的车牌识别的装置进行介绍,下文描述的车牌识别的装置与上文描述的车牌识别的方法可相互对应参照。
图3为本发明实施例提供的车牌识别的装置的结构框图,参照图3车牌识别的装置可以包括:
获取单元301,用于获取待识别车牌图像;
预处理单元302,用于对所述待识别车牌图像进行预处理;
提取单元303,用于提取经过预处理的所述待识别车牌图像中具有尺度不变特征变换的特征点,生成特征点矩阵;
调用单元304,用于调用预先训练得到的包括车牌类别以及非车牌类别的分类模型,所述分类模型是基于训练多个车牌图像以及多个非车牌图像的尺度不变特征变换的特征点而获得的模型;
分类单元305,用于利用所述分类模型,根据所述特征点矩阵判断所述待识别车牌所属的类别。
可选地,所述调用单元包括:
获取子单元,用于获取第一预设数量的车牌图像以及第二预设数量的非车牌图像;
预处理操作子单元,分别将所述车牌图像和所述非车牌图像作预处理操作;
特征点提取子单元,用于分别提取经过预处理的所述车牌图像以及所述非车牌图像上具有尺度不变特征变换的特征点,分别组成车牌特征点矩阵以及非车牌特征点矩阵;
旋转矩阵计算子单元,用于利用线性判别分析对所述车牌特征点矩阵以及所述非车牌特征点矩阵进行计算,得出用于降维的旋转矩阵;
第一中心坐标点获取子单元,用于根据所述旋转矩阵和所述车牌特征点矩阵,得出第一类中心坐标点;
第二中心坐标点获取子单元,用于根据所述旋转矩阵和所述非车牌特征点矩阵,得出第二类中心坐标点;
其中,所述第一类中心坐标点是所述车牌特征点矩阵降到预设维度空间上的中心坐标点,所述第二类中心坐标点是所述非车牌特征点降到所述预设维度空间上的中心坐标点。
可选地,所述预处理单元包括:
灰度图获取子单元,用于获取所述待识别车牌图像的灰度图像;
调整子单元,用于将所述灰度图像调整为预设像素大小的图像。
可选地,所述提取单元包括:
构造子单元,用于构造经过预处理的所述待识别车牌图像的尺度空间;
检测子单元,用于检测所述尺度空间内的所有特征点;
去除子单元,用于去除所述特征点中不稳定的特征点;
确定主方向子单元,用于确定剩余的所述特征点的主方向;
描述子生成子单元,用于生成剩余的所述特征点的描述子;
生成子单元,用于将已确定所述主方向和已生成所述描述子的所述特征点组成所述特征点矩阵。
可选地,所述分类单元包括:
计算子单元,用于利用所述旋转矩阵计算出所述特征点矩阵降到所述预设维度空间上的坐标点;
距离计算子单元,用于计算所述坐标点与所述第一类中心坐标点的第一距离,以及所述坐标点和所述第二类中心坐标点的第二距离;
比较子单元,用于比较所述第一距离和所述第二距离的大小;
确定子单元,用于当所述第一距离小于所述第二距离时,则将所述待识别车牌图像识别为车牌图像,反之,则将所述待识别车牌图像识别为非车牌图像。
本发明实施例所提供的车牌识别的装置,基于尺度不变特征变换的特征点对大量的车牌图片样本和非车牌图片样本进行训练,寻找出每一类样本中的公共特征点,进而获得分类模型,然后去寻找待识别车牌图像上的公共尺度不变特征变换特征点,判断待识别车牌图像上的尺度不变特征点与车牌图像样本上的公共尺度不变特征变换的特征点相似,还是与非车牌图像样本上的公共尺度不变特征变换的特征点相似,继而判断出待识别车牌图像的所属类别,其装置可以在不增加漏车的基础上,有效地去除不是车牌的图像继而提高了识别的准确率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的车牌识别的方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种车牌识别的方法,其特征在于,包括:
获取待识别车牌图像;
对所述待识别车牌图像进行预处理;
提取经过预处理的所述待识别车牌图像中具有尺度不变特征变换的特征点,生成特征点矩阵;
调用预先训练得到的包括车牌类别以及非车牌类别的分类模型,所述分类模型是基于训练多个车牌图像以及多个非车牌图像的尺度不变特征变换的特征点而获得的模型;
利用所述分类模型,根据所述特征点矩阵判断所述待识别车牌所属的类别。
2.如权利要求1所述的方法,其特征在于,所述分类模型的训练过程包括:
获取第一预设数量的车牌图像以及第二预设数量的非车牌图像;
分别将所述车牌图像和所述非车牌图像作预处理操作;
分别提取经过预处理的所述车牌图像以及所述非车牌图像上具有尺度不变特征变换的特征点,分别组成车牌特征点矩阵以及非车牌特征点矩阵;
利用线性判别分析对所述车牌特征点矩阵以及所述非车牌特征点矩阵进行计算,得出用于降维的旋转矩阵;
根据所述旋转矩阵和所述车牌特征点矩阵,得出第一类中心坐标点;
根据所述旋转矩阵和所述非车牌特征点矩阵,得出第二类中心坐标点;
其中,所述第一类中心坐标点是所述车牌特征点矩阵降到预设维度空间上的中心坐标点,所述第二类中心坐标点是所述非车牌特征点降到所述预设维度空间上的中心坐标点。
3.如权利要求2所述的方法,其特征在于,所述对所述待识别车牌图像进行预处理包括:
获取所述待识别车牌图像的灰度图像;
将所述灰度图像调整为预设像素大小的图像。
4.如权利要求2所述的方法,其特征在于,所述提取经过预处理的所述待识别车牌图像中具有尺度不变特征变换的特征点,生成特征点矩阵包括:
构造经过预处理的所述待识别车牌图像的尺度空间;
检测所述尺度空间内的所有特征点;
去除所述特征点中不稳定的特征点;
确定剩余的所述特征点的主方向;
生成剩余的所述特征点的描述子;
将已确定所述主方向和已生成所述描述子的所述特征点组成所述特征点矩阵。
5.如权利要求2至4任一项所述的方法,其特征在于,所述利用所述分类模型,根据所述特征点矩阵判断所述待识别车牌所属的类别包括:
利用所述旋转矩阵计算出所述特征点矩阵降到所述预设维度空间上的坐标点;
计算所述坐标点与所述第一类中心坐标点的第一距离,以及所述坐标点和所述第二类中心坐标点的第二距离;
比较所述第一距离和所述第二距离的大小;
当所述第一距离小于所述第二距离时,则将所述待识别车牌图像识别为车牌图像,反之,则将所述待识别车牌图像识别为非车牌图像。
6.一种车牌识别的装置,其特征在于,包括:
获取单元,用于获取待识别车牌图像;
预处理单元,用于对所述待识别车牌图像进行预处理;
提取单元,用于提取经过预处理的所述待识别车牌图像中具有尺度不变特征变换的特征点,生成特征点矩阵;
调用单元,用于调用预先训练得到的包括车牌类别以及非车牌类别的分类模型,所述分类模型是基于训练多个车牌图像以及多个非车牌图像的尺度不变特征变换的特征点而获得的模型;
分类单元,用于利用所述分类模型,根据所述特征点矩阵判断所述待识别车牌所属的类别。
7.如权利要求6所述的装置,其特征在于,所述调用单元包括:
获取子单元,用于获取第一预设数量的车牌图像以及第二预设数量的非车牌图像;
预处理操作子单元,分别将所述车牌图像和所述非车牌图像作预处理操作;
特征点提取子单元,用于分别提取经过预处理的所述车牌图像以及所述非车牌图像上具有尺度不变特征变换的特征点,分别组成车牌特征点矩阵以及非车牌特征点矩阵;
旋转矩阵计算子单元,用于利用线性判别分析对所述车牌特征点矩阵以及所述非车牌特征点矩阵进行计算,得出用于降维的旋转矩阵;
第一中心坐标点获取子单元,用于根据所述旋转矩阵和所述车牌特征点矩阵,得出第一类中心坐标点;
第二中心坐标点获取子单元,用于根据所述旋转矩阵和所述非车牌特征点矩阵,得出第二类中心坐标点;
其中,所述第一类中心坐标点是所述车牌特征点矩阵降到预设维度空间上的中心坐标点,所述第二类中心坐标点是所述非车牌特征点降到所述预设维度空间上的中心坐标点。
8.如权利要求7所述的装置,其特征在于,所述预处理单元包括:
灰度图获取子单元,用于获取所述待识别车牌图像的灰度图像;
调整子单元,用于将所述灰度图像调整为预设像素大小的图像。
9.如权利要求7所述的方法,其特征在于,所述提取单元包括:
构造子单元,用于构造经过预处理的所述待识别车牌图像的尺度空间;
检测子单元,用于检测所述尺度空间内的所有特征点;
去除子单元,用于去除所述特征点中不稳定的特征点;
确定主方向子单元,用于确定剩余的所述特征点的主方向;
描述子生成子单元,用于生成剩余的所述特征点的描述子;
生成子单元,用于将已确定所述主方向和已生成所述描述子的所述特征点组成所述特征点矩阵。
10.如权利要求6至9任一项所述的装置,其特征在于,所述分类单元包括:
计算子单元,用于利用所述旋转矩阵计算出所述特征点矩阵降到所述预设维度空间上的坐标点;
距离计算子单元,用于计算所述坐标点与所述第一类中心坐标点的第一距离,以及所述坐标点和所述第二类中心坐标点的第二距离;
比较子单元,用于比较所述第一距离和所述第二距离的大小;
确定子单元,用于当所述第一距离小于所述第二距离时,则将所述待识别车牌图像识别为车牌图像,反之,则将所述待识别车牌图像识别为非车牌图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611030853.5A CN106778765B (zh) | 2016-11-22 | 2016-11-22 | 一种车牌识别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611030853.5A CN106778765B (zh) | 2016-11-22 | 2016-11-22 | 一种车牌识别的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106778765A true CN106778765A (zh) | 2017-05-31 |
CN106778765B CN106778765B (zh) | 2021-04-23 |
Family
ID=58970411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611030853.5A Expired - Fee Related CN106778765B (zh) | 2016-11-22 | 2016-11-22 | 一种车牌识别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778765B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533039A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种车牌的真伪检测方法、装置及设备 |
CN110689001A (zh) * | 2018-07-05 | 2020-01-14 | 山东华软金盾软件股份有限公司 | 一种生成复杂环境下车牌训练样本的方法 |
CN111340045A (zh) * | 2020-02-12 | 2020-06-26 | 浙江大华技术股份有限公司 | 车牌号码的识别方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561874A (zh) * | 2008-07-17 | 2009-10-21 | 清华大学 | 一种人脸图像识别的方法 |
CN101635027A (zh) * | 2009-09-03 | 2010-01-27 | 西安交通大学 | 一种基于En-ULLELDA的多视角车型识别方法 |
US20110243450A1 (en) * | 2010-04-01 | 2011-10-06 | Microsoft Corporation | Material recognition from an image |
CN104182769A (zh) * | 2014-09-17 | 2014-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法及*** |
CN104951781A (zh) * | 2014-03-25 | 2015-09-30 | 株式会社日立信息通信工程 | 字符辨识装置以及识别函数生成方法 |
CN106096602A (zh) * | 2016-06-21 | 2016-11-09 | 苏州大学 | 一种基于卷积神经网络的中文车牌识别方法 |
-
2016
- 2016-11-22 CN CN201611030853.5A patent/CN106778765B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561874A (zh) * | 2008-07-17 | 2009-10-21 | 清华大学 | 一种人脸图像识别的方法 |
CN101635027A (zh) * | 2009-09-03 | 2010-01-27 | 西安交通大学 | 一种基于En-ULLELDA的多视角车型识别方法 |
US20110243450A1 (en) * | 2010-04-01 | 2011-10-06 | Microsoft Corporation | Material recognition from an image |
CN104951781A (zh) * | 2014-03-25 | 2015-09-30 | 株式会社日立信息通信工程 | 字符辨识装置以及识别函数生成方法 |
CN104182769A (zh) * | 2014-09-17 | 2014-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法及*** |
CN106096602A (zh) * | 2016-06-21 | 2016-11-09 | 苏州大学 | 一种基于卷积神经网络的中文车牌识别方法 |
Non-Patent Citations (2)
Title |
---|
丁湘楠等: "基于LDA 的SIFT 算法在图像配准中的应用", 《电子设计工程》 * |
郭金芝: "基于SIFT算法的车牌识别***研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689001A (zh) * | 2018-07-05 | 2020-01-14 | 山东华软金盾软件股份有限公司 | 一种生成复杂环境下车牌训练样本的方法 |
CN110689001B (zh) * | 2018-07-05 | 2023-06-20 | 山东华软金盾软件股份有限公司 | 一种生成复杂环境下车牌训练样本的方法 |
CN110533039A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种车牌的真伪检测方法、装置及设备 |
CN111340045A (zh) * | 2020-02-12 | 2020-06-26 | 浙江大华技术股份有限公司 | 车牌号码的识别方法、装置及存储介质 |
CN111340045B (zh) * | 2020-02-12 | 2023-09-01 | 浙江大华技术股份有限公司 | 车牌号码的识别方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106778765B (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446700B (zh) | 一种基于对抗攻击的车牌攻击生成方法 | |
CN105205486B (zh) | 一种车标识别方法及装置 | |
CN105404886B (zh) | 特征模型生成方法和特征模型生成装置 | |
CN102289686B (zh) | 一种基于迁移学习的运动目标分类识别方法 | |
Peng et al. | Drone-based vacant parking space detection | |
Shan | Vehicle License Plate Recognition Based on Text-line Construction and Multilevel RBF Neural Network. | |
CN102799879B (zh) | 从自然场景图像中识别多言语、多字体文字的方法 | |
CN106682586A (zh) | 一种复杂光照条件下基于视觉的实时车道线检测的方法 | |
CN106650553A (zh) | 车牌识别方法及*** | |
CN105160330A (zh) | 一种车标识别方法及车标识别*** | |
CN105184291B (zh) | 一种多类型车牌检测方法及*** | |
CN103279738B (zh) | 车标自动识别方法及*** | |
CN103544480A (zh) | 车辆颜色识别方法 | |
CN107832762A (zh) | 一种基于多特征融合的车牌定位与识别方法 | |
CN106991419A (zh) | 基于轮胎内壁随机纹理的防伪方法 | |
CN111914911B (zh) | 一种基于改进深度相对距离学习模型的车辆再识别方法 | |
CN106250824A (zh) | 车窗定位方法和*** | |
CN106295645A (zh) | 一种车牌字符识别方法和装置 | |
CN105046948A (zh) | 一种黄色网格线区域内交通违章停车监测***和方法 | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN110245673A (zh) | 车位检测方法及装置 | |
CN110163109A (zh) | 一种车道线标注方法及装置 | |
CN106778765A (zh) | 一种车牌识别的方法及装置 | |
CN108537223A (zh) | 一种车牌检测方法、***及设备和存储介质 | |
CN103679209B (zh) | 基于稀疏理论的字符识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
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: 20210423 Termination date: 20211122 |