CN108805121B - 一种车牌检测定位方法、装置、设备及计算机可读介质 - Google Patents
一种车牌检测定位方法、装置、设备及计算机可读介质 Download PDFInfo
- Publication number
- CN108805121B CN108805121B CN201710300702.5A CN201710300702A CN108805121B CN 108805121 B CN108805121 B CN 108805121B CN 201710300702 A CN201710300702 A CN 201710300702A CN 108805121 B CN108805121 B CN 108805121B
- Authority
- CN
- China
- Prior art keywords
- license plate
- vehicle
- sample image
- detection model
- image
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000013135 deep learning Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 230000001629 suppression Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V20/63—Scene text, e.g. street names
-
- 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)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种车牌检测定位方法、装置、设备及计算机可读介质，该方法包括：样本图像获取步骤，获取车辆样本图像和车牌样本图像；样本图像训练步骤，对获取的车辆样本图像和车牌样本图像进行训练，得到车牌检测模型；车牌检测定位步骤，获取车辆图像，将所述车辆图像输入到车牌检测模型中得到车牌位置。其技术效果为提出了基于SSD模型构建了车辆及车牌检测模型，基于车辆信息标记车牌的外接矩形，进一步基于颜色及形状特征识别车牌的精确位置。
Description
技术领域
本发明涉及模式识别技术领域，特别是一种车牌检测定位方法、装置、设备及计算机可读介质。
背景技术
随着经济的发展，人民的生活水平日益提高，相应地机动车数量也逐年增加。无论是道路交通信息量，还是二手车买卖数量都迅猛增加。为了有效管理机动车信息，一个切实可行的车牌识别***显得尤为可贵。此外，车牌是用户的隐私，在图片中隐藏用户信息也是十分重要的。
但是现有技术大多依靠人工，枯燥且效率不高，造成了人力的浪费。现有车牌***主要基于背景进行检测，但是，例如，蓝色车牌对于蓝色车或者是蓝色背景将难以定位，造成车牌定位精度降低。
发明内容
本发明针对上述现有技术中的缺陷，提出了如下技术方案。
一种车牌检测定位方法，该方法包括：
样本图像获取步骤，获取车辆样本图像和车牌样本图像；
样本图像训练步骤，对获取的车辆样本图像和车牌样本图像进行训练，得到车牌检测模型；
车牌检测定位步骤，获取车辆图像，将所述车辆图像输入到车牌检测模型中得到车牌位置。
更进一步地，所述样本图像训练步骤具体包括：
车辆检测模型训练步骤，对车辆样本图像进行标记，使用深度学习算法基于标记的车辆样本图像进行训练，得到车辆检测模型；
车牌检测模型训练步骤，对车牌样本图像进行标记外接矩形，在车辆检测模型中使用深度学习算法基于标记外接矩形的车牌样本图像进行训练，得到车牌检测模型。
更进一步地，所述深度学习算法为单次检测器(SSD：The Single Shot Detector)算法。
更进一步地，所述单次检测器算法为视觉几何组(VGG)卷积神经网络。
更进一步地，所述车牌检测定位步骤具体包括：
车辆检测步骤，将获取的车辆图像输入到车辆检测模型中得到车辆信息；
标记步骤，基于所述车辆信息进行车牌的外接矩形的标记得到带有外接矩形的车牌图像；
车牌检测步骤，将带有外接矩形的车牌图像输入到车牌检测模型中，基于颜色和形状特征进行车牌的精确定位。
本发明还提出了一种车牌检测定位装置，该装置包括：
样本图像获取单元，获取车辆样本图像和车牌样本图像；
样本图像训练单元，对获取的车辆样本图像和车牌样本图像进行训练，得到车牌检测模型。
车牌检测定位单元，获取车辆图像，将所述车辆图像输入到车牌检测模型中得到车牌位置；
更进一步地，所述样本图像训练单元包括：
车辆检测模型训练单元，对车辆样本图像进行标记，使用深度学习算法基于标记的车辆样本图像进行训练，得到车辆检测模型；
车牌检测模型训练单元，对车牌样本图像进行标记外接矩形，在车辆检测模型中使用深度学习算法基于标记外接矩形的车牌样本图像进行训练，得到车牌检测模型。
更进一步地，所述深度学习算法为单次检测器(SSD：The Single Shot Detector)算法。
更进一步地，所述单次检测器算法为视觉几何组(VGG)卷积神经网络。
更进一步地，所述车牌检测定位单元具体包括：
车辆检测单元，将获取的车辆图像输入到车辆检测模型中得到车辆信息；
标记单元，基于所述车辆信息进行车牌的外接矩形的标记得到带有外接矩形的车牌图像；
车牌检测单元，将带有外接矩形的车牌图像输入到车牌检测模型中，基于颜色和形状特征进行车牌的精确定位。
本发明还提出了一种车牌检测定位设备，其特征在于，所述设备包括处理器、存储器，所述处理器与所述存储器通过总线相连接，所述存储器中存储机器可读代码，所述处理器执行存储器中的机器可读代码可执行上述之任一项的方法。
本发明还涉及一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时可执行上述之任一的方法。
本发明的技术效果为：基于SSD模型构建了车辆及车牌检测模型，基于车辆信息标记车牌的外接矩形，进一步基于颜色及形状特征识别车牌的精确位置。
附图说明
图1是本发明的一种车牌检测定位方法的流程图。
图2是本发明的一种车牌检测定位装置的结构示意图。
图3是本发明的一种车牌检测定位设备的结构示意图。
具体实施方式
下面结合附图1-3进行具体说明。
图1示出了本发明的一种车牌检测定位方法，该方法包括：
一种车牌检测定位方法，该方法包括：
S11样本图像获取步骤，获取车辆样本图像和车牌样本图像；
S12样本图像训练步骤，对获取的车辆样本图像和车牌样本图像进行训练，得到车牌检测模型；
S13车牌检测定位步骤，获取车辆图像，将所述车辆图像输入到车牌检测模型中得到车牌位置。
步骤S11中车辆样本图像和车牌样本图像获取可通过网络、拍摄的方式获得，特别是对于不同角度和不同位置图像中的车辆进行采集，构成车辆样本图像和车牌样本图像数据包，该数据包可以存储在存储介质上，可以存在服务器上等等。
所述样本图像训练步骤S12包括：
车辆检测模型训练步骤，对车辆样本图像进行标记，使用深度学习算法基于标记的车辆样本图像进行训练，得到车辆检测模型；
车牌检测模型训练步骤，对车牌样本图像进行标记外接矩形，在车辆检测模型中使用深度学习算法基于标记外接矩形的车牌样本图像进行训练，得到车牌检测模型。
在进行车辆检测模型训练时，利用标记的车辆样本进行车辆的检测，这里我们使用深度学习的算法，具体的通过SSD模型(SSD：The Single Shot Detector是基于一个前向传播CNN网络，产生一系列固定大小(fixed-size)的bounding boxes，以及每一个box中包含物体实例的可能性，即score。之后，进行一个非极大值抑制(Non-maximum suppression)得到最终的predictions；)，使用VGG网络进行初步训练，在训练的过程根据损失函数的输出和结果的收敛情况进行参数调整和样本调整通过训练数据训练模型，利用测试数据验证参数的准确性，同时利用反馈网络不断修改参数，达到最终的网络收敛，完成车辆检测模型的训练。上述模型的训练可以是在Linux的caffe框架下使用SSD进行训练。车牌检测模型的训练与之相同，不在赘述。
所述车牌检测定位步骤S13包括：
车辆检测步骤，将获取的车辆图像输入到车辆检测模型中得到车辆信息；
标记步骤，基于所述车辆信息进行车牌的外接矩形的标记得到带有外接矩形的车牌图像；
车牌检测步骤，将带有外接矩形的车牌图像输入到车牌检测模型中，基于颜色和形状特征进行车牌的精确定位。
在车辆检测步骤中，使用训练好的车辆检测模型对车辆中的车牌进行检测，检测使用的算法和车辆检测算法一样都是利用SSD，在车辆检测后为车牌的标记外接矩形，其准确度和速度都能够达到预期效果。
在车牌检测步骤，完成车牌的外接矩形标记后利用形状检测和颜色检测实现车牌的准确定位。通常现有的算法都是利用图像的底层特征完成车牌的定位，这样做法容易受到背景和车辆本身影响，准确性和泛化性都比较差，而我们在深度学习的模型检测下实现了车牌外接矩形的准确定位基础上，完成车牌的真实位置定位就排除了大多数背景因素影响，但是仍然存在一定的困难，为此设计了基于颜色和形状特征融合的算法。通过我们能够实现连通域的确定，对连通域进行边缘检测和Hough变换(Hough变换：霍夫变换(HoughTransform)是图像处理中的一种特征提取技术，它通过一种投票算法检测具有特定形状的物体。该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果。具体是运用两个坐标空间之间的变换将在一个空间中具有相同形状的曲线或直线映射到另一个坐标空间的一个点上形成峰值，从而把检测任意形状的问题转化为统计峰值问题)，这样实现了车牌真实边缘的检测，连接检测到的直线。但是对于边缘被遮盖的情况我们通过连通域推算出被遮盖边缘的位置，这里主要是利用外接矩形中点和车牌中点重合的特点进行处理，最终实现车牌准确定位。因此，基于颜色和形状特征进行车牌的精确定位的具体操作为：
基于颜色对带有外接矩形的车牌图像进行连通区域的识别，然后进行边缘检测和霍夫变换后确定车牌的边缘；
判断车牌的边缘是否被覆盖，如果没有被覆盖，基于车牌的边缘确定车牌的精确位置，如果被覆盖，则基于外接矩形的中点确定车牌边缘的中点，基于车牌边缘的中点确定车牌的精确位置。
本发明所称精确位置为误差小于0.2cm。
图2示出了本发明的本发明还提出了一种车牌检测定位装置，该装置包括：
样本图像获取单元21，获取车辆样本图像和车牌样本图像；
样本图像训练单元22，对获取的车辆样本图像和车牌样本图像进行训练，得到车牌检测模型；
车牌检测定位单元23，获取车辆图像，将所述车辆图像输入到车牌检测模型中得到车牌位置。
样本图像获取单元21可通过网络、拍摄的方式获得车辆样本图像和车牌样本图像，特别是对于不同角度和不同位置图像中的车辆进行采集，构成车辆样本图像和车牌样本图像数据包，该数据包可以存储在存储介质上，可以存在服务器上等等。
所述样本图像训练单元22包括：
车辆检测模型训练单元，对车辆样本图像进行标记，使用深度学习算法基于标记的车辆样本图像进行训练，得到车辆检测模型；
车牌检测模型训练单元，对车牌样本图像进行标记外接矩形，在车辆检测模型中使用深度学习算法基于标记外接矩形的车牌样本图像进行训练，得到车牌检测模型。
样本图像训练单元22在进行车辆检测模型训练时，利用标记的车辆样本进行车辆的检测，这里我们使用深度学习的算法，具体的通过SSD模型(SSD：The Single ShotDetector是基于一个前向传播CNN网络，产生一系列固定大小(fixed-size)的boundingboxes，以及每一个box中包含物体实例的可能性，即score。之后，进行一个非极大值抑制(Non-maximum suppression)得到最终的predictions；)，使用VGG网络进行初步训练，在训练的过程根据损失函数的输出和结果的收敛情况进行参数调整和样本调整通过训练数据训练模型，利用测试数据验证参数的准确性，同时利用反馈网络不断修改参数，达到最终的网络收敛，完成车辆检测模型的训练。车牌检测模型的训练与之相同，不在赘述。
所述车牌检测定位单元23包括：
车辆检测单元，将获取的车辆图像输入到车辆检测模型中得到车辆信息；
标记单元，基于所述车辆信息进行车牌的外接矩形的标记得到带有外接矩形的车牌图像；
车牌检测单元，将带有外接矩形的车牌图像输入到车牌检测模型中，基于颜色和形状特征进行车牌的精确定位。
车牌检测定位单元23在车牌检测时，完成车牌的外接矩形标记后利用形状检测和颜色检测实现车牌的准确定位。通常现有的算法都是利用图像的底层特征完成车牌的定位，这样做法容易受到背景和车辆本身影响，准确性和泛化性都比较差，而我们在深度学习的模型检测下实现了车牌外接矩形的准确定位基础上，完成车牌的真实位置定位就排除了大多数背景因素影响，但是仍然存在一定的困难，为此设计了基于颜色和形状特征融合的算法。通过我们能够实现连通域的确定，对连通域进行边缘检测和Hough变换(Hough变换：霍夫变换(Hough Transform)是图像处理中的一种特征提取技术，它通过一种投票算法检测具有特定形状的物体。该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果。具体是运用两个坐标空间之间的变换将在一个空间中具有相同形状的曲线或直线映射到另一个坐标空间的一个点上形成峰值，从而把检测任意形状的问题转化为统计峰值问题)，这样实现了车牌真实边缘的检测，连接检测到的直线。但是对于边缘被遮盖的情况我们通过连通域推算出被遮盖边缘的位置，这里主要是利用外接矩形中点和车牌中点重合的特点进行处理，最终实现车牌准确定位。因此，基于颜色和形状特征进行车牌的精确定位的算法为：
基于颜色对带有外接矩形的车牌图像进行连通区域的识别，然后进行边缘检测和霍夫变换后确定车牌的边缘；
判断车牌的边缘是否被覆盖，如果没有被覆盖，基于车牌的边缘确定车牌的精确位置，如果被覆盖，则基于外接矩形的中点确定车牌边缘的中点，基于车牌边缘的中点确定车牌的精确位置。
图3示出了本发明还提出了一种车牌检测定位设备，包括处理器31、存储器32和显示屏33，当然该设备还可以包括其他部件，如wifi模块、蓝牙模块、USB接口等等其他需要使用的接口，在此没有示出。处理器31分别与存储器32和显示屏33通过总线相连接，存储器32中可以存储该设备所执行的程序及数据等，处理器31可以执行存储器32中的程序，执行相应的操作，如上述图1中所示出的方法。本发明中的设备可以为服务器、台式主机、平板电脑、笔记本电脑等等，但不限于这些设备。
本发明还涉及一种计算机可读存储介质，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时可执行图1中的方法。
本发明所述的方法，可以通过计算机程序实现，也可以将计算机程序存储在存储介质上，处理器从存储介质上读取计算机程序，并执行相应的方法。
最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种车牌检测定位方法，其特征在于，该方法包括：
样本图像获取步骤，获取车辆样本图像和车牌样本图像；
样本图像训练步骤，对获取的车辆样本图像和车牌样本图像进行训练，得到车牌检测模型；
车牌检测定位步骤，获取车辆图像，将所述车辆图像输入到车牌检测模型中得到车牌位置；
所述样本图像训练步骤具体包括：
车辆检测模型训练步骤，对车辆样本图像进行标记，使用深度学习算法基于标记的车辆样本图像进行训练，得到车辆检测模型；
车牌检测模型训练步骤，对车牌样本图像进行标记外接矩形，在车辆检测模型中使用深度学习算法基于标记外接矩形的车牌样本图像进行训练，得到车牌检测模型；
所述车牌检测定位步骤具体包括：
车辆检测步骤，将获取的车辆图像输入到车辆检测模型中得到车辆信息；
标记步骤，基于所述车辆信息进行车牌的外接矩形的标记得到带有外接矩形的车牌图像；
车牌检测步骤，将带有外接矩形的车牌图像输入到车牌检测模型中，基于颜色和形状特征进行车牌的精确定位；
其中，基于颜色和形状特征进行车牌的精确定位的具体操作为：基于颜色对带有外接矩形的车牌图像进行连通区域的识别，然后进行边缘检测和霍夫变换后确定车牌的边缘；判断车牌的边缘是否被覆盖，如果没有被覆盖，基于车牌的边缘确定车牌的精确位置，如果被覆盖，则基于外接矩形的中点确定车牌边缘的中点，基于车牌边缘的中点确定车牌的精确位置。
2.根据权利要求1所述的方法，其特征在于，所述深度学习算法为单次检测器算法。
3.根据权利要求2所述的方法，其特征在于，所述单次检测器算法为视觉几何组卷积神经网络。
4.一种车牌检测定位装置，其特征在于，该装置包括：
样本图像获取单元，获取车辆样本图像和车牌样本图像；
样本图像训练单元，对获取的车辆样本图像和车牌样本图像进行训练，得到车牌检测模型；
车牌检测定位单元，获取车辆图像，将所述车辆图像输入到车牌检测模型中得到车牌位置；
所述样本图像训练单元包括：
车辆检测模型训练单元，对车辆样本图像进行标记，使用深度学习算法基于标记的车辆样本图像进行训练，得到车辆检测模型；
车牌检测模型训练单元，对车牌样本图像进行标记外接矩形，在车辆检测模型中使用深度学习算法基于标记外接矩形的车牌样本图像进行训练，得到车牌检测模型；
所述车牌检测定位单元具体包括：
车辆检测单元，将获取的车辆图像输入到车辆检测模型中得到车辆信息；
标记单元，基于所述车辆信息进行车牌的外接矩形的标记得到带有外接矩形的车牌图像；
车牌检测单元，将带有外接矩形的车牌图像输入到车牌检测模型中，基于颜色和形状特征进行车牌的精确定位；
其中，基于颜色和形状特征进行车牌的精确定位的具体操作为：基于颜色对带有外接矩形的车牌图像进行连通区域的识别，然后进行边缘检测和霍夫变换后确定车牌的边缘；判断车牌的边缘是否被覆盖，如果没有被覆盖，基于车牌的边缘确定车牌的精确位置，如果被覆盖，则基于外接矩形的中点确定车牌边缘的中点，基于车牌边缘的中点确定车牌的精确位置。
5.根据权利要求4所述的装置，其特征在于，所述深度学习算法为单次检测器算法。
6.根据权利要求5所述的装置，其特征在于，所述单次检测器算法为视觉几何组卷积神经网络。
7.一种车牌检测定位设备，其特征在于，所述设备包括处理器、存储器，所述处理器与所述存储器通过总线相连接，所述存储器中存储机器可读代码，所述处理器执行存储器中的机器可读代码可执行权利要求1-3之任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时可执行权利要求1-3任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710300702.5A CN108805121B (zh) | 2017-05-02 | 2017-05-02 | 一种车牌检测定位方法、装置、设备及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710300702.5A CN108805121B (zh) | 2017-05-02 | 2017-05-02 | 一种车牌检测定位方法、装置、设备及计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108805121A CN108805121A (zh) | 2018-11-13 |
| CN108805121B true CN108805121B (zh) | 2021-07-13 |
Family
ID=64054322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710300702.5A Active CN108805121B (zh) | 2017-05-02 | 2017-05-02 | 一种车牌检测定位方法、装置、设备及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108805121B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109726717B (zh) * | 2019-01-02 | 2022-03-01 | 西南石油大学 | 一种车辆综合信息检测*** |
| CN110909742A (zh) * | 2019-11-19 | 2020-03-24 | 上海眼控科技股份有限公司 | 车牌检测方法、***、平台和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103413147A (zh) * | 2013-08-28 | 2013-11-27 | 庄浩洋 | 一种车牌识别方法和*** |
| CN104751190A (zh) * | 2015-04-23 | 2015-07-01 | 武汉大学 | 一种面向车辆精细识别的车辆部件定位方法 |
| CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102043945B (zh) * | 2010-11-23 | 2013-01-30 | 聊城大学 | 基于车辆实时跟踪和二进指数分类车牌字符识别的方法 |
| CN106203433A (zh) * | 2016-07-13 | 2016-12-07 | 西安电子科技大学 | 一种车辆监控图像中车牌位置自动提取并透视校正的方法 |
| CN106446150B (zh) * | 2016-09-21 | 2019-10-29 | 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 |
-
2017
- 2017-05-02 CN CN201710300702.5A patent/CN108805121B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103413147A (zh) * | 2013-08-28 | 2013-11-27 | 庄浩洋 | 一种车牌识别方法和*** |
| CN104751190A (zh) * | 2015-04-23 | 2015-07-01 | 武汉大学 | 一种面向车辆精细识别的车辆部件定位方法 |
| CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
Non-Patent Citations (1)
| Title |
|---|
| SSD: Single Shot MultiBox Detector;Wei Liu et al.;《Computer Vision - ECCV 2016》;20161231;第21-37页、图2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108805121A (zh) | 2018-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11422261B2 (en) | Robot relocalization method and apparatus and robot using the same | |
| CN109285220B (zh) | 一种三维场景地图的生成方法、装置、设备及存储介质 | |
| CN110176078B (zh) | 一种训练集数据的标注方法及装置 | |
| CN106707293A (zh) | 用于车辆的障碍物识别方法和装置 | |
| CN108734058B (zh) | 障碍物类型识别方法、装置、设备及存储介质 | |
| CN109544629A (zh) | 摄像头位姿确定方法和装置以及电子设备 | |
| CN108428248B (zh) | 车窗定位方法、***、设备及存储介质 | |
| CN111402413B (zh) | 三维视觉定位方法、装置及计算设备、存储介质 | |
| KR20200136723A (ko) | 가상 도시 모델을 이용하여 객체 인식을 위한 학습 데이터 생성 방법 및 장치 | |
| CN112949366A (zh) | 障碍物识别方法和装置 | |
| CN112683169A (zh) | 物体尺寸测量方法、装置、设备及存储介质 | |
| CN111178170A (zh) | 一种手势识别方法和一种电子设备 | |
| CN113469000A (zh) | 区域地图的处理方法及装置、存储介质及电子装置 | |
| CN112115820A (zh) | 车载辅助驾驶方法及装置、计算机装置及可读存储介质 | |
| CN108805121B (zh) | 一种车牌检测定位方法、装置、设备及计算机可读介质 | |
| CN110007764B (zh) | 一种手势骨架识别方法、装置、***及存储介质 | |
| CN110942092B (zh) | 一种图形图像识别方法及识别*** | |
| CN111091104A (zh) | 一种目标物体的防护检测方法、装置、设备及存储介质 | |
| CN116778458B (zh) | 车位检测模型构建方法、车位检测方法、设备及存储介质 | |
| CN114219936A (zh) | 目标检测方法、电子设备、存储介质和计算机程序产品 | |
| CN111598033B (zh) | 货物的定位方法、装置、***及计算机可读存储介质 | |
| CN114627438A (zh) | 目标检测模型生成方法、目标检测方法、设备及介质 | |
| CN116665170A (zh) | 目标检测模型的训练及目标检测方法、装置、设备和介质 | |
| CN114419564A (zh) | 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆 | |
| CN114694257A (zh) | 多人实时三维动作识别评估方法、装置、设备及介质 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231218 Address after: 230012 In the factory building of Anhui Guogou Energy Co., Ltd., 100 meters east of the intersection of Guanjing Road and Luban Road in Xinzhan District, Hefei City, Anhui Province Patentee after: Hefei Youquan Information Technology Co.,Ltd. Address before: 100102 room 323701, building 5, yard 1, Futong East Street, Chaoyang District, Beijing Patentee before: YOUXINPAI (BEIJING) INFORMATION TECHNOLOGY Co.,Ltd. |