CN109344886B - 基于卷积神经网络的遮挡号牌判别方法 - Google Patents

基于卷积神经网络的遮挡号牌判别方法 Download PDF

Info

Publication number
CN109344886B
CN109344886B CN201811081354.8A CN201811081354A CN109344886B CN 109344886 B CN109344886 B CN 109344886B CN 201811081354 A CN201811081354 A CN 201811081354A CN 109344886 B CN109344886 B CN 109344886B
Authority
CN
China
Prior art keywords
vehicle
license plate
classification
shielding
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.)
Active
Application number
CN201811081354.8A
Other languages
English (en)
Other versions
CN109344886A (zh
Inventor
孙正良
张慧辰
黄淑兵
蔡岗
张森
孔晨晨
李小武
缪新顿
吴晓峰
杨卓敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Traffic Management Research Institute of Ministry of Public Security
Original Assignee
Traffic Management Research Institute of Ministry of Public Security
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Traffic Management Research Institute of Ministry of Public Security filed Critical Traffic Management Research Institute of Ministry of Public Security
Priority to CN201811081354.8A priority Critical patent/CN109344886B/zh
Publication of CN109344886A publication Critical patent/CN109344886A/zh
Application granted granted Critical
Publication of CN109344886B publication Critical patent/CN109344886B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供基于卷积神经网络的遮挡号牌判别方法，其可以持续不断的提升识别能力，确保能够维持较高的识别准确率。其包括：S1通过图像识别技术，从道路监控设备中提取数据，输出车辆区域图片；S2进行车辆号牌检测，将没有检测到号牌的车辆标记为嫌疑车辆；S3获取遮挡号牌判别用的候选区域图片；S4定时的循环收集车牌样本；S5通过图像识别技术对所有的车牌样本进行提取，输出样本的车辆区域图片；S6获取遮挡号牌判别用的候选区域图片；S7每次收集新的车牌样本后，训练卷积神经网络；S8把得到的嫌疑车辆的候选区域图片，输入到训练好的卷积神经网络中，判定是否遮挡号牌，如果判定嫌疑车辆存在遮挡号牌的行为，则针对嫌疑车辆进入后续程序。

Description

基于卷积神经网络的遮挡号牌判别方法
技术领域
本发明涉及智能交通控制中图像识别技术领域，具体为基于卷积神经网络的遮挡号牌判别方法。
背景技术
遮挡号牌是指使用布套、纸巾等遮挡物将车辆号牌进行遮挡的行为，使现有监控设备无法识别到其真实号牌信息。遮挡号牌作为车辆的涉牌违法行为中的一种，违法成本较低，但影响恶劣；遮挡号牌由于其肉眼易察觉性，并不是一种长期的违法行为，一经发现，通过轨迹关联分析、以图搜车等技术可以查证到真实号牌信息；但是现有的号牌识别方法多数依赖于号牌检测算法以及字符分割算法，因为现有号牌检测算法中，对于被检测物的定义大多数是固定的、不易变更，由于遮挡物的形态各异、大小不一、且可能随时发生变化，当遮挡物与算法中的定义不一致的时候，经常发生判断失误的问题。
发明内容
为了解决当车牌遮挡状态发生变化时，车牌检测结果容易出错的问题，本发明提供基于卷积神经网络的遮挡号牌判别方法，其可以持续不断的提升识别能力，确保能够维持较高的识别准确率。
本发明的技术方案是这样的：基于卷积神经网络的遮挡号牌判别方法，其包括以下步骤：
S1：通过图像识别技术，从道路监控设备中提取监控图片或者视频数据，并从图片或者视频中获取车辆信息，检出车辆区域，输出车辆区域图片；
S2：在所述车辆区域图片内进行车辆号牌检测，将没有检测到号牌的车辆标记为嫌疑车辆；
其特征在于，其还包括以下步骤：
S3：针对所述嫌疑车辆的所述车辆区域图片，获取遮挡号牌判别用的所述候选区域图片；
S4：定时的循环收集车牌样本；
S5：通过图像识别技术对所有的所述车牌样本进行提取，检出车辆区域，输出所述车牌样本的所述车辆区域图片；
S6：针对所有的所述车牌样本的所述车辆区域图片，获取遮挡号牌判别用的所述候选区域图片；
S7：每次收集新的所述车牌样本后，把所述车牌样本的所述候选区域图片输入卷积神经网络，训练卷积神经网络；
S8：把步骤S3中得到的所述嫌疑车辆的所述候选区域图片，输入到步骤S7中获得的所述训练好的卷积神经网络中，判定是否遮挡号牌，如果所述嫌疑车辆不存在遮挡号牌的行为，则本次判别结束；如果判定所述嫌疑车辆存在遮挡号牌的行为，则针对所述嫌疑车辆进入后续程序。
其进一步特征在于：
在步骤S3和S6中，获取遮挡号牌判别用的所述候选区域图片的方法，包括如下步骤：
a:把所述车辆区域的图片上半部分去掉；
b: 把剩余的所述车辆区域的下半部分，从左右边界起始各去除10%的面积；
将剩余的区域定义为候选区域，所述候选区域内的图片为遮挡号牌判别用的所述候选区域图片；
在步骤S7中，训练卷积神经网络的方法包括如下步骤：
S7a：对所述车牌样本的所述候选区域图片进行一次分类，所述一次分类的类型包括: 部分遮挡号牌、无牌、其他；
所述部分遮挡号牌分类指车辆的号码牌被遮挡了一部分的情况；
所述无牌分类包括车辆未悬挂号牌、以及车辆的号码牌被完全遮挡两种情况；
所述其他分类指车辆的号码牌处于上述所述部分遮挡号牌分类、所述无牌分类两种情况以外的其他情况；
S7b：将所述部分遮挡号牌分类、所述无牌分类、所述其他分类的三种分类的所述候选区域图片输入到卷积神经网络中，利用卷积神经网络训练出一个3分类算法模型，训练好的模型记作模型X；
S7c：将所述无牌分类中包括的车牌样本的所述候选区域图片进行二次分类，所述二次分类包括的类型为：未悬挂号牌、完全遮挡号牌；
S7d：将所述未悬挂号牌分类和所述完全遮挡号牌分类的所述候选区域图片输入到卷积神经网络中，利用卷积神经网络训练出一个2分类算法模型，训练好的模型记为模型Y；
在步骤8中，所述判定是否遮挡号码牌的方法，包括如下步骤：
S8a：把步骤S3中得到的遮挡号牌判别用的所述嫌疑车辆的所述候选区域图片，输入到训练好的所述模型X进行初步判别，标准如下：
若部分遮挡的概率最大、且概率大于等于阈值，则认定存在遮挡行为，则认定存在遮挡行为；
若部分遮挡的概率最大、但概率小于阈值，则认定不存在遮挡行为，退出判定；
若其他的概率最大，则认定不存在遮挡号牌行为, 退出判定；
若无牌的概率最大、且概率大于等于阈值，则进行二次判别；
无牌的概率最大、且概率小于阈值则认定不存在遮挡行为，退出判定；
S8b：把步骤S8a中无牌的概率最大、且概率大于等于阈值的所述嫌疑车辆的所述候选区域图片作为目标图片，进行所述二次判别，所述二次判别的方法为：
把所述目标图片输入到所述模型Y中进行分类，分类标准如下：
若完全遮挡的概率最大，且概率大于等于阈值，则认定存在遮挡行为；
否则一律认定不存在遮挡号牌行为。
本发明提供的基于卷积神经网络的遮挡号牌判别方法，其通过基于卷积神经网络对嫌疑车辆的候选区域图片进行图像分类，最终判断目标车辆是否存在遮挡行为；基于卷积神经网络的算法模型泛化能力强，对于不在训练集内的数据拟合效果也非常好，应用基于卷积神经网络图像分类方法来进行遮挡车牌行为的识别，使本发明的判别方法在针对各种类型的遮挡行为时，也具有很高的正确性；在应用过程中持续的收集车牌的正负样本，输入到卷积神经网络中，持续的对卷积神经网络进行训练，得到与实际情况变化同步更新的训练好的卷积神经网络模型，进一步的确保了本发明技术方案中的判别方法的识别准确率。
附图说明
图1为本方法的整体流程示意图；
图2为获取遮挡号牌判别用的候选区域图片的流程示意图；
图3为通过训练好的卷积神经网络结构进行二次图像分类的流程示意图。
具体实施方式
如图1~图3所示，本发明为基于卷积神经网络的遮挡号牌判别方法，其包括以下步骤：
S1：通过图像识别技术，从道路监控设备，如高速公路的卡口***中提取监控图片或者视频数据，并从图片或者视频中获取车辆信息，检出车辆区域，输出车辆区域图片；
S2：在车辆区域图片内进行车辆号牌检测，将没有检测到号牌的车辆标记为嫌疑车辆；
S3：针对嫌疑车辆的车辆区域图片，获取遮挡号牌判别用的候选区域图片；
S4：定期的循环的从各地高速公路卡口***收集大量图片素材，作为车牌样本；通过定期的循环的收集车牌样本，持续的对卷积神经网络进行训练，得到与实际情况变化同步更新的训练好的卷积神经网络，进一步的确保了本发明技术方案中的判别方法的识别准确率；
S5：通过图像识别技术对所有的车牌样本进行提取，检出车辆区域，输出车牌样本的车辆区域图片；
S6：针对所有的车牌样本的车辆区域图片，获取遮挡号牌判别用的候选区域图片；
S7：每次收集新的所属车牌本后，把车牌样本的候选区域图片输入卷积神经网络，训练卷积神经网络；
S8：把步骤S3中得到的嫌疑车辆的候选区域图片，输入到训练好的卷积神经网络中，判定是否遮挡号牌，如果嫌疑车辆不存在遮挡号牌的行为，则本次判别结束；如果判定嫌疑车辆存在遮挡号牌的行为，则针对嫌疑车辆进入后续程序。
在步骤S3和S6中，获取遮挡号牌判别用的候选区域图片的方法，包括如下步骤：
a:把车辆区域的图片上半部分去掉；
b: 把剩余的车辆区域的下半部分，从左右边界起始各去除10%的面积；
将剩余的区域定义为候选区域，候选区域内的图片为遮挡号牌判别用的候选区域图片；
通过对候选区域的定义，统一划定了做图像识别技术的目标区域，无论车牌遮挡物的形状、大小，都只在统一的候选区域范围内做图像识别，超出候选区域的部分都不作为目标对象；避免了图像识别运算受车牌遮挡物形状、大小的干扰而导致的识别结果误差较大的问题的发生；通过对候选区域的划定，降低了常规号牌检测算法无法有效检测带来的影响，不但降低了运算难度，而且提高了识别的准确度。
在步骤S7中，训练卷积神经网络的方法包括如下步骤：
S7a：对车牌样本的候选区域图片进行一次分类，一次分类的类型包括: 部分遮挡号牌、无牌、其他；其中所述无牌分类包括未悬挂号牌、完全遮挡号牌两种情况；
部分遮挡号牌分类指车辆的号码牌被遮挡了一部分的情况；
无牌分类包括车辆未悬挂号牌、以及车辆的号码牌被完全遮挡两种情况；
其他分类指车辆的号码牌处于上述两种情况以外的其他情况；
S7b：将部分遮挡号牌、无牌、其他三种分类的图片输入到卷积神经网络中，利用卷积神经网络训练出一个3分类算法模型，训练好的模型记作模型X；
S7c：将无牌分类中包括的车牌样本的候选区域图片进行二次分类，二次分类的类型包括：未悬挂号牌、完全遮挡号牌；
S7d：将未悬挂号牌、完全遮挡号牌两个种类的图片输入到卷积神经网络中，利用卷积神经网络训练出一个2分类算法模型，训练好的模型记为模型Y。
在步骤8中，判定是否遮挡号码牌的方法，包括如下步骤：
S8a：把步骤S3中得到的遮挡号牌判别用的嫌疑车辆的候选区域图片，输入到训练好的模型X进行初步判别，标准如下：
若部分遮挡的概率最大、且概率大于等于阈值，则认定存在遮挡行为，则认定存在遮挡行为；
若部分遮挡的概率最大、但概率小于阈值，则认定不存在遮挡行为，退出判定；
若其他的概率最大，则认定不存在遮挡号牌行为, 退出判定；
若无牌的概率最大、且概率大于等于阈值，则进行二次判别；
无牌的概率最大、且概率小于阈值则认定不存在遮挡行为，退出判定；
S8b：把步骤S8a中无牌的概率最大、且概率大于等于阈值的嫌疑车辆的候选区域图片作为目标图片，进行二次判别，二次判别的方法为：把目标图片输入到模型Y中进行分类，分类标准如下：
若完全遮挡的概率最大，且概率大于等于阈值，则认定存在遮挡行为；
否则认定不存在遮挡号牌行为，退出判定；
通过模型X和模型Y分为两次对图片进行分类判别，把相似特征较多的分类“未悬挂号牌”和“全遮挡号牌”先合并成一个分类，与其他的两个分类通过初步分类进行区分，然后通过二次分类对“未悬挂号牌”和“全遮挡号牌”两种情况进行区分；这样的二级分类方法，与“一次分类运算内完成四种分类的区分”的分类方法相比，具有更高的正确率，进一步的保证了本发明的甄别方法的准确度。
使用本发明的技术方案后，通过现有的道路监控设备中提取监控用数据，进行后续的图像分析，无需增加新的图像设备，成本相对较低；通过道路监控设备主动识别分析路面上行驶的嫌疑故意遮挡号牌车辆，极大提高了交通管理部门对此类违法行为的主动发现能力；本发明中定期地收集车牌样本、循环地训练分类用神经网络模型，使图像分类模型的分类标准更贴近现实情况，保持了对遮挡车牌行为辨别的准确率。

Claims (1)

1.基于卷积神经网络的遮挡号牌判别方法，其包括以下步骤：
S1：通过图像识别技术，从道路监控设备中提取监控图片或者视频数据，并从图片或者视频中获取车辆信息，检出车辆区域，输出车辆区域图片；
S2：在所述车辆区域图片内进行车辆号牌检测，将没有检测到号牌的车辆标记为嫌疑车辆；
其特征在于，其还包括以下步骤：
S3：针对所述嫌疑车辆的所述车辆区域图片，获取遮挡号牌判别用的候选区域图片；
S4：定时的循环收集车牌样本；
S5：通过图像识别技术对所有的所述车牌样本进行提取，检出车辆区域，输出所述车牌样本的所述车辆区域图片；
S6：针对所有的所述车牌样本的所述车辆区域图片，获取遮挡号牌判别用的所述候选区域图片；
S7：每次收集新的所述车牌样本后，把所述车牌样本的所述候选区域图片输入卷积神经网络，训练卷积神经网络；
S8：把步骤S3中得到的所述嫌疑车辆的所述候选区域图片，输入到步骤S7中获得的所述训练好的卷积神经网络中，判定是否遮挡号牌，如果所述嫌疑车辆不存在遮挡号牌的行为，则本次判别结束；如果判定所述嫌疑车辆存在遮挡号牌的行为，则针对所述嫌疑车辆进入后续程序；
在步骤S3和S6中，获取遮挡号牌判别用的所述候选区域图片的方法，包括如下步骤：
a:把所述车辆区域的图片上半部分去掉；
b: 把剩余的所述车辆区域的下半部分，从左右边界起始各去除10%的面积；
将剩余的区域定义为候选区域，所述候选区域内的图片为遮挡号牌判别用的所述候选区域图片；
在步骤S7中，训练卷积神经网络的方法包括如下步骤：
S7a：对所述车牌样本的所述候选区域图片进行一次分类，所述一次分类的类型包括:部分遮挡号牌、无牌、其他；
所述部分遮挡号牌分类指车辆的号码牌被遮挡了一部分的情况；
所述无牌分类包括车辆未悬挂号牌、以及车辆的号码牌被完全遮挡两种情况；
所述其他分类指车辆的号码牌处于上述所述部分遮挡号牌分类、所述无牌分类两种情况以外的其他情况；
S7b：将所述部分遮挡号牌分类、所述无牌分类、所述其他分类的三种分类的所述候选区域图片输入到卷积神经网络中，利用卷积神经网络训练出一个3分类算法模型，训练好的模型记作模型X；
S7c：将所述无牌分类中包括的车牌样本的所述候选区域图片进行二次分类，所述二次分类包括的类型为：未悬挂号牌、完全遮挡号牌；
S7d：将所述未悬挂号牌分类和所述完全遮挡号牌分类的所述候选区域图片输入到卷积神经网络中，利用卷积神经网络训练出一个2分类算法模型，训练好的模型记为模型Y；
在步骤8中，所述判定是否遮挡号码牌的方法，包括如下步骤：
S8a：把步骤S3中得到的遮挡号牌判别用的所述嫌疑车辆的所述候选区域图片，输入到训练好的所述模型X进行初步判别，标准如下：
若部分遮挡的概率最大、且概率大于等于阈值，则认定存在遮挡行为；
若部分遮挡的概率最大、但概率小于阈值，则认定不存在遮挡行为，退出判定；
若其他的概率最大，则认定不存在遮挡号牌行为, 退出判定；
若无牌的概率最大、且概率大于等于阈值，则进行二次判别；
无牌的概率最大、且概率小于阈值则认定不存在遮挡行为，退出判定；
S8b：把步骤S8a中无牌的概率最大、且概率大于等于阈值的所述嫌疑车辆的所述候选区域图片作为目标图片，进行所述二次判别，所述二次判别的方法为：
把所述目标图片输入到所述模型Y中进行分类，分类标准如下：
若完全遮挡的概率最大，且概率大于等于阈值，则认定存在遮挡行为；
否则一律认定不存在遮挡号牌行为。
CN201811081354.8A 2018-09-17 2018-09-17 基于卷积神经网络的遮挡号牌判别方法 Active CN109344886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811081354.8A CN109344886B (zh) 2018-09-17 2018-09-17 基于卷积神经网络的遮挡号牌判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811081354.8A CN109344886B (zh) 2018-09-17 2018-09-17 基于卷积神经网络的遮挡号牌判别方法

Publications (2)

Publication Number Publication Date
CN109344886A CN109344886A (zh) 2019-02-15
CN109344886B true CN109344886B (zh) 2022-05-13

Family

ID=65305219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811081354.8A Active CN109344886B (zh) 2018-09-17 2018-09-17 基于卷积神经网络的遮挡号牌判别方法

Country Status (1)

Country Link
CN (1) CN109344886B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919069A (zh) * 2019-02-27 2019-06-21 浙江浩腾电子科技股份有限公司 基于深度学习的大型车辆分析***
CN110533042A (zh) * 2019-09-06 2019-12-03 北京慧智数据科技有限公司 一种基于yolo-v3的货车车尾放大号识别方法
CN110909692A (zh) * 2019-11-27 2020-03-24 北京格灵深瞳信息技术有限公司 异常车牌识别方法、装置及计算机存储介质、电子设备
CN111046956A (zh) * 2019-12-13 2020-04-21 苏州科达科技股份有限公司 遮挡图像检测方法、装置、电子设备及存储介质
CN111191604A (zh) * 2019-12-31 2020-05-22 上海眼控科技股份有限公司 检测车牌完整性的方法、设备和存储介质
CN115083169B (zh) * 2022-06-14 2023-07-18 公安部交通管理科学研究所 一种假冒救护车的嫌疑车辆的发现方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301385A (zh) * 2017-06-09 2017-10-27 浙江宇视科技有限公司 一种遮挡车牌识别方法及装置
CN107341490A (zh) * 2017-07-17 2017-11-10 华中科技大学 一种基于凸包分析的遮挡车辆检测方法和***
CN107977596A (zh) * 2016-10-25 2018-05-01 杭州海康威视数字技术股份有限公司 一种车牌状态识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977596A (zh) * 2016-10-25 2018-05-01 杭州海康威视数字技术股份有限公司 一种车牌状态识别方法及装置
CN107301385A (zh) * 2017-06-09 2017-10-27 浙江宇视科技有限公司 一种遮挡车牌识别方法及装置
CN107341490A (zh) * 2017-07-17 2017-11-10 华中科技大学 一种基于凸包分析的遮挡车辆检测方法和***

Also Published As

Publication number Publication date
CN109344886A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109344886B (zh) 基于卷积神经网络的遮挡号牌判别方法
TWI497422B (zh) 車牌影像辨識系統及方法
CN106600977B (zh) 基于多特征识别的违停检测方法及***
TWI430212B (zh) 利用多特徵自動集群法之異常行為偵測系統與方法
CN110909692A (zh) 异常车牌识别方法、装置及计算机存储介质、电子设备
WO2017125063A1 (zh) 违规车辆处理方法及装置
CN108694399B (zh) 车牌识别方法、装置及***
CN111274926B (zh) 图像数据筛选方法、装置、计算机设备和存储介质
CN104951784A (zh) 一种车辆无牌及车牌遮挡实时检测方法
CN104766042A (zh) 交通标志板识别方法及装置
CN107194393B (zh) 一种检测临时车牌的方法及装置
CN111898491B (zh) 一种车辆逆向行驶的识别方法、装置及电子设备
JP5931662B2 (ja) 道路状況監視装置、及び道路状況監視方法
CN103390151A (zh) 人脸检测方法及装置
CN111209905B (zh) 一种基于深度学习与ocr技术相结合的污损遮挡号牌识别方法
CN112115800A (zh) 一种基于深度学习目标检测的车辆组合识别***及方法
Ghoreyshi et al. Simultaneous vehicle detection and classification model based on deep YOLO networks
Al Nasim et al. An automated approach for the recognition of bengali license plates
CN111091041A (zh) 一种车辆违法判别方法、装置、计算机设备和存储介质
KR100942409B1 (ko) 고속 이동 차량 검지 방법
CN116863711B (zh) 基于公路监控的车道流量检测方法、装置、设备及介质
Kodwani et al. Automatic license plate recognition in real time videos using visual surveillance techniques
CN111402185A (zh) 一种图像检测方法及装置
CN108960181A (zh) 基于多尺度分块lbp和隐马尔科夫模型的黑烟车检测方法
CN107993446A (zh) 一种交通禁停区域违章停车监测装置

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