CN109670498A - 一种车牌定位方法 - Google Patents
一种车牌定位方法 Download PDFInfo
- Publication number
- CN109670498A CN109670498A CN201811334969.7A CN201811334969A CN109670498A CN 109670498 A CN109670498 A CN 109670498A CN 201811334969 A CN201811334969 A CN 201811334969A CN 109670498 A CN109670498 A CN 109670498A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- carries out
- locating method
- picture
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种车牌定位方法,包括以下步骤:步骤S1,获取车辆图片;步骤S2,根据所述车辆图片中车辆的颜色信息进行车牌定位,并输出第一图像块;步骤S3,依次判断所述输出的第一图像块是否为车牌;步骤S4,判断车牌数量是否大于预设的车牌数,若否,则执行步骤S5,若是,则执行步骤S7;步骤S5,根据边缘的车牌定位法进行车牌定位,并输出第二图像块;步骤S6,依次判断所述输出第二图像块是否为车牌;步骤S7,根据目标检测的定位法进行精确的车牌定位。本发明采用车牌的颜色特性、形状特性、基于目标检测的方法将其结合起来对车牌定位,提高车牌定位的效率与精确度。
Description
技术领域
本发明涉及图像处理领域,具体的涉及到一种颜色,边缘和目标检测相结合的车牌检测方法。
背景技术
随着现代交通的快速发展,对车辆的现代化管理日益趋于自动化,对车辆自动检测、识别***的需求日益增加,例如,高速路口收费口,小区自动停车场管理等。为了适应现代交通的发展,智能化的交通管理***应运而生,其中一个重要环节就是基于车牌的识别方法。车牌的识别技术是现代智能交通领域中一项非常重要的研究课题,针对复杂的车牌图像,如何正确,快速,有效地进行车牌定位,是当前车牌识别的最重要任务之一。
在一张含有车辆的图片中检测到车牌的位置并将其分割出来基于灰度图像的车牌定位方法。基于灰度图像的车牌定位方法主要采用边缘检测算子对灰度图像进行边缘检测,从而获取候选车牌。例如中国专利CN102999753一种基于复杂全景图的车牌定位方法,应用范围广,抗干扰小,但是,由于国内车牌主要有黄底黑字以及蓝底白字两种,这样就可以直接检测车牌的颜色来进行定位,但是有些蓝色车辆是蓝色车牌,黄色车辆是黄色车牌等,这样颜色检测会将整辆车都检测出来,检测效果不准确。
发明内容
基于上述问题,本发明的目的旨在至少解决所述技术缺陷之一。提出一种车牌定位方法,充分利用车牌的颜色特性以及形状特性将其结合起来对车牌定位的方法,提高了检测的准确性。为实现上述目的,本发明采用如下技术方案:
一种车牌定位方法,包括以下步骤:
步骤S1,获取车辆图片;
步骤S2,根据所述车辆图片中车辆的颜色信息进行车牌定位,并输出第一图像块;
步骤S3,依次判断所述输出的第一图像块是否为车牌;
步骤S4,判断车牌数量是否大于预设的车牌数,若否,则执行步骤S5,若是,则执行步骤S7;
步骤S5,根据边缘的车牌定位法进行车牌定位,并输出第二图像块;
步骤S6,依次判断所述输出第二图像块是否为车牌;
步骤S7,根据目标检测的定位法进行精确的车牌定位。
优选的,所述步骤S2包括:
步骤S21,将获取的车辆图片进行滤波,将滤波后的图片的色彩空间由RGB转换成HSV;
步骤S22,将转换到HSV的图片进行直方图均衡化处理;
步骤S23,对处理后的图片进行二值化处理,生成对应的二值图像;
步骤S24,对所述二值图像进行形态学闭操作,然后提取该图像的所有轮廓;
步骤S25,对每个轮廓取最小外接矩形,然后根据车牌的倾斜角度和长宽比初步过滤一些不合格的候选车牌,最后对车牌的大小进行标准化处理,获取车牌。
优选的,所述对所述二值图像进行形态学闭操作,以联通相近的区域的步骤是将所述全景图分成多个区域,其中不同的区域分别采用不同的闭操作参数以分别进行形态学闭操作。
优选的,所述步骤S5包括:
步骤S51,对获取的车牌图片进行高斯模糊化处理过滤干扰噪声;
步骤S52,对过滤后的图片进行灰度处理;
步骤S53,通过Sobel算子对灰度处理的图像分别提取水平与垂直边缘,获取车牌的边缘图像;
步骤S54,对获取的车牌边缘图像依次进行二值化、闭操作处理,然后提取所有轮廓;
步骤S55,对每个轮廓取最小外接矩形,同时根据车牌的倾斜角度和长宽比初步过滤一些不合格的候选车牌,然后对剩余候选车牌的大小进行标准化,获取车牌。
优选的,步骤S25和步骤S55分别包括:
对标准化后的图像进行仿射变换以保证得到的矩形是水平的,减小后续车牌判断与字符识别的难度。
优选的,所述步骤S7包括:
步骤S71,对获取的车牌图片进行灰度化,得到灰度图像;
步骤S72,对所述灰度图像进行多级二值化,并对联通区域进行分析;
步骤S73,对联通区域取最小外接矩形,画出矩形的角点;
步骤S74,通过RANSAC算法进行拟合;
步骤S75,对拟合后的区域进行裁剪,获取车牌。
优选的,所述步骤S74包括:
随机选取一些角点,建立一模型,根据该模型测试剩余的点,如果测试的数据点在误差允许的范围内,则将该数据点判为有效点,否则判为噪点;
当有效点的数目如果达到了某个设定的阈值,则说明此次选取的这些数据点集达到了可以接受的程度,否则继续前面的随机选取点集后所有的步骤,不断重复此过程,直到找到选取的这些数据点集达到了可以接受的程度为止,此时得到的模型便可认为是对数据点的最优模型构建;
使用RANSAC算法对步骤S73中生成的角点进行拟合,找到上边界和下边界。
相对于现有技术中的方案,本发明的优点:
本发明实施例提出的车牌定位方法,采用车牌的颜色特性、形状特性、基于目标检测的方法将其结合起来对车牌定位,提高车牌定位的效率与精确度。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1为本发明一种车牌定位方法的流程示意图。
图2为本发明图1中步骤S2的具体流程示意图。
图3为本发明图1中步骤S5的具体流程示意图。
图4为本发明图1中步骤S7的具体流程示意图.
具体实施方式
以下结合具体实施例对上述方案做进一步说明。应理解,这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以如具体厂家的条件做进一步调整,未注明的实施条件通常为常规实验中的条件。
本申请公开了一种车牌定位方法,请参考图1所示为本发明一种车牌定位方法的流程示意图,包括以下步骤:
步骤S1,获取车辆图片,在本发明的其中一实施例中,通过摄像头采集车辆的图片。
步骤S2,根据所述车辆图片中车辆的颜色信息进行车牌定位,并输出第一图像块,本发明采用颜色信息对车牌进行粗略定位。
在本发明的其中一实施例中,请参考图2所示为本发明步骤S2包括的步骤:
步骤S21,将获取的车辆图片进行滤波,将滤波后的图片的色彩空间由RGB转换成HSV。
对图片进行滤波,其目的是在处理图像之前尽量抑制图像中的噪音,以提高后续图像处理的有效性和可靠性。具体的,本发明实施例使用的是中值滤波,中值滤波的特性是能有效的去除孤立的噪点,并且可以很好的保持图像的边缘信息。
将图片由RGB三基色图片转换成HSV,其中,H代表色度,S代表饱和度,值越大,代表越饱和,V代表明度,值越大,色彩越明亮。本发明将RGB格式图片转换成HSV格式图片,可以减少光照对车牌的影响。
步骤S22,将转换到HSV的图片进行直方图均衡化处理。通过直方图均衡化处理,减少光照对图片造成的阴影、明暗影响。
步骤S23,对处理后的图片进行二值化处理,生成对应的二值图像。
具体的,通过设置H分量的分布范围以及为S,V设定阈值来确定图片中的像素是否属于蓝色车牌或者黄色车牌,并使其二值化。
1)正二值化计算公式:if x<t then x=0;if x>=t then x=1
反二值化计算公式:if x<t then x=1;if x>=t then x=0
2)正二值化意味着像素的值越接近0,越可能被赋值为0,反之则为1。蓝色车牌字符颜色为白色,背景较字符颜色深,背景的灰度值大于字符的灰度值,所以可对蓝牌使用正二值化方法,灰度值较大的背景二值化后颜色为1(白色),灰度值较小的字符二值化后颜色为0(黑色)。
3)反二值化,其含义是像素的值越接近0,越可能被赋值1。黄色车牌字符颜色为黑色,背景较字符颜色浅,背景的灰度值小于字符的灰度值,所以可对黄牌使用反二值化方法,灰度值较大的字符二值化后颜色为0(黑色),灰度值较小的背景二值化后颜色为1(白色)。
4)经二值化后,黄牌与蓝牌的背景均为1(白色),字符均为0(黑色),方便统一处理。
步骤S24,对所述二值图像进行形态学闭操作,然后提取该图像的所有轮廓。
本发明中,闭操作:将车牌字母连接成一个完成的矩形局域,方便接下来的取轮廓操作,闭操作会使图像的形态发生改变,通过使二值图像先膨胀再腐蚀,可使许多靠近的图块相连成无突起的连通域。本发明中取轮廓的目的是勾画连通域的***,形成外接矩形。
步骤S25,对每个轮廓取最小外接矩形,然后根据车牌的倾斜角度和长宽比初步过滤一些不合格的候选车牌,最后对车牌的大小进行标准化处理,获取车牌。
本发明根据车牌的倾斜角度初步过滤的目的是进一步排除不可能是车牌的区域,设定一个角度阈值,如果该区域旋转角度大于该阈值则舍弃该区域。倾斜角度过滤之后,再进行仿射变换,目的是将小于角度阈值的矩形调整到水平范围,便于统一尺寸。统一尺寸:在导入机器学习模型中之前,需要将车牌尺寸进行统一,否则该图片无法被机器学习模型处理。中国车牌的大小一般为440mm*140mm,宽高比为3.14。设置一个最大宽高比Rmax和最小宽高比Rmin,判断矩形区域是否在该宽高比之内即可判断该区域是否有可能是车牌。
本发明对二值图像进行形态学闭操作,以联通相近的区域的步骤是将所述图像分成多个区域,其中不同的区域分别采用不同的闭操作参数以分别进行形态学闭操作。
步骤S3,依次判断所述输出的第一图像块是否为车牌。
步骤S4,判断车牌数量是否大于预设的车牌数,若否,这执行步骤S5,若是,则执行步骤S7。
步骤S5,根据边缘的车牌定位法进行车牌定位,并输出第二图像块。
在本发明的其中一实施例中,请参考图3所示为本发明步骤S5包括的步骤:
步骤S51,对获取的车牌图片进行高斯模糊化处理过滤干扰噪声。
本发明高斯模糊化处理的目的是对图像进行去噪处理,可以让图像在后期处理中更容易的检测到边缘点,经过对比使用高斯和未使用高斯模糊,***定位出“车牌”数量是不一样的,使用高斯模糊,车牌定位准确,不易产生多余定位结果,而未使用高斯模糊,则会定位出大量的无关矩形框。
步骤S52,对过滤后的图片进行灰度处理。其中,灰度化处理的目的是边缘检测算法要求采用灰度化的环境,这一步的作用就是将彩色图片处理成灰度图片。
步骤S53,通过Sobel算子对灰度处理的图像分别提取水平与垂直边缘,获取车牌的边缘图像。
本发明Sobel算子的目的是检测灰度图片中的垂直边缘,以便区分车牌。Sobel算子的算法是对灰度图像求垂直与水平方向的导数,以此来判断是否是垂直边缘。检测垂直边缘时,并未直接对图像求垂直与水平方向导数,而是使用了周边值得加权和方法,即“卷积”。
步骤S54,对获取的车牌边缘图像依次进行二值化、闭操作处理,然后提取所有轮廓。
本发明二值化对Sobel算子生成的灰度图像中的每一个像素进行阈值处理,生成二值化图像。使用threshold(设定一个阈值T,规定像素的值x满足如下条件时则:if x<tthen x=0;if x>=t then x=1)函数对图像的每一个像素做自适应阈值处理,使得像素值仅有{0,1}两种取值,以便后来对图像做形态学操作。
本发明闭操作是将车牌字母连接成一个完成的矩形局域,方便接下来的取轮廓操作,闭操作会使图像的形态发生改变,通过使二值图像先膨胀再腐蚀,可使许多靠近的图块相连成无突起的连通域。具体包括:先建立矩形模板,矩形的宽和高设置为奇数;调用形态学操作函数,参数设置为MOP_CLOSE代表闭操作。
步骤S55,对每个轮廓取最小外接矩形,同时根据车牌的倾斜角度和长宽比初步过滤一些不合格的候选车牌,然后对剩余候选车牌的大小进行标准化,获取车牌。
在本发明的其中一实施例中,设定一个角度阈值,如果该区域旋转角度大于该阈值则舍弃该区域。倾斜角度过滤之后,再进行仿射变换,目的是将小于角度阈值的矩形调整到水平范围,便于统一尺寸。在进行尺寸判断中,设立一个偏差率error,根据这个偏差率计算最大和最小的宽高比rmax、rmin。判断矩形的r是否满足在rmax、rmin之间。
设定一个面积最大值max与面积最小值min。判断矩形的面积area是否满足在max与min之间。
对图像中所有的轮廓的外接矩形进行遍历,同时满足上述两个条件的即为车牌。中国车牌的一般大小是440*140(单位:mm),面积为440*140,宽高比为3.14。设置一个最大宽高比Rmax和最小宽高比Rmin,判断矩形区域是否在该宽高比之内即可判断该区域是否有可能是车牌。
上述步骤还包括将获得的可能是车牌的图像块进行仿射变换以保证得到的矩形是水平的,减小后续车牌判断与字符识别的难度。
步骤S6,依次判断所述输出第二图像块是否为车牌。
步骤S7,根据目标检测的定位法进行精确的车牌定位。
本发明的其中一实施例中,请参考图4所示为本发明步骤S7包括的步骤:
步骤S71,对获取的车牌图片进行灰度化,得到灰度图像。
步骤S72,对所述灰度图像进行多级二值化,并对联通区域进行分析。
步骤S73,对联通区域取最小外接矩形,画出矩形的角点。
步骤S74,通过RANSAC算法进行拟合。具体的,由于在做连通域分析的时候,我们仅仅使用满足长宽比例的图形快作为判断条件,所以会带来一定的噪声,RANSAC算法能帮助我们剔除这些噪声点。
在本发明的其中一实施例中,RANSAC(随机抽样一致)算法的步骤包括:
先随机的选取一些角点,用这些点去建立一个模型,然后用此模型去测试剩余的点,如果测试的数据点在误差允许的范围内,则将该数据点判为有效点,否则判为噪点。
有效点的数目如果达到了某个设定的阈值,则说明此次选取的这些数据点集达到了可以接受的程度,否则继续前面的随机选取点集后所有的步骤,不断重复此过程,直到找到选取的这些数据点集达到了可以接受的程度为止,此时得到的模型便可认为是对数据点的最优模型构建。
使用RANSAC算法对生成的角点进行拟合,找到上边界和下边界
步骤S75,对拟合后的区域进行裁剪,获取车牌。
本发明采用车牌的颜色特性、形状特性、基于目标检测的方法将其结合起来对车牌定位,提高车牌定位的效率与精确度。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡如本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种车牌定位方法,其特征在于,包括以下步骤:
步骤S1,获取车辆图片;
步骤S2,根据所述车辆图片中车辆的颜色信息进行车牌定位,并输出第一图像块;
步骤S3,依次判断所述输出的第一图像块是否为车牌;
步骤S4,判断车牌数量是否大于预设的车牌数,若否,则执行步骤S5,若是,则执行步骤S7;
步骤S5,根据边缘的车牌定位法进行车牌定位,并输出第二图像块;
步骤S6,依次判断所述输出第二图像块是否为车牌;
步骤S7,根据目标检测的定位法进行精确的车牌定位。
2.根据权利要求1所述的车牌定位方法,其特征在于,所述步骤S2包括:
步骤S21,将获取的车辆图片进行滤波,将滤波后的图片的色彩空间由RGB转换成HSV;
步骤S22,将转换到HSV的图片进行直方图均衡化处理;
步骤S23,对处理后的图片进行二值化处理,生成对应的二值图像;
步骤S24,对所述二值图像进行形态学闭操作,然后提取该图像的所有轮廓;
步骤S25,对每个轮廓取最小外接矩形,然后根据车牌的倾斜角度和长宽比初步过滤一些不合格的候选车牌,最后对车牌的大小进行标准化处理,获取车牌。
3.根据权利要求2所述的车牌定位方法,其特征在于,所述对所述二值图像进行形态学闭操作,以联通相近的区域的步骤是将所述图像分成多个区域,其中不同的区域分别采用不同的闭操作参数以分别进行形态学闭操作。
4.根据权利要求1所述的车牌定位方法,其特征在于,所述步骤S5包括:
步骤S51,对获取的车牌图片进行高斯模糊化处理过滤干扰噪声;
步骤S52,对过滤后的图片进行灰度处理;
步骤S53,通过Sobel算子对灰度处理的图像分别提取水平与垂直边缘,获取车牌的边缘图像;
步骤S54,对获取的车牌边缘图像依次进行二值化、闭操作处理,然后提取所有轮廓;
步骤S55,对每个轮廓取最小外接矩形,同时根据车牌的倾斜角度和长宽比初步过滤一些不合格的候选车牌,然后对剩余候选车牌的大小进行标准化,获取车牌。
5.根据权利要求2所述的车牌定位方法,其特征在于,步骤S25包括:
对标准化后的图像进行仿射变换以保证得到的矩形是水平的,减小后续车牌判断与字符识别的难度。
6.根据权利要求4所述的车牌定位方法,其特征在于,步骤S55分别包括:
对标准化后的图像进行仿射变换以保证得到的矩形是水平的,减小后续车牌判断与字符识别的难度。
7.根据权利要求1所述的车牌定位方法,其特征在于,所述步骤S7包括:
步骤S71,对获取的车牌图片进行灰度化,得到灰度图像;
步骤S72,对所述灰度图像进行多级二值化,并对联通区域进行分析;
步骤S73,对联通区域取最小外接矩形,画出矩形的角点;
步骤S74,通过RANSAC算法进行拟合;
步骤S75,对拟合后的区域进行裁剪,获取车牌。
8.根据权利要求7所述的车牌定位方法,其特征在于,所述步骤S74包括:
随机选取一些角点,建立一模型,根据该模型测试剩余的点,如果测试的数据点在误差允许的范围内,则将该数据点判为有效点,否则判为噪点;
当有效点的数目如果达到了某个设定的阈值,则说明此次选取的这些数据点集达到了可以接受的程度,否则继续前面的随机选取点集后所有的步骤,不断重复此过程,直到找到选取的这些数据点集达到了可以接受的程度为止,此时得到的模型便可认为是对数据点的最优模型构建;
使用RANSAC算法对步骤S73中生成的角点进行拟合,找到上边界和下边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811334969.7A CN109670498A (zh) | 2018-11-10 | 2018-11-10 | 一种车牌定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811334969.7A CN109670498A (zh) | 2018-11-10 | 2018-11-10 | 一种车牌定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109670498A true CN109670498A (zh) | 2019-04-23 |
Family
ID=66142723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811334969.7A Pending CN109670498A (zh) | 2018-11-10 | 2018-11-10 | 一种车牌定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670498A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079744A (zh) * | 2019-12-06 | 2020-04-28 | 鲁东大学 | 适用于复杂光照环境的车辆车牌智能识别方法及装置 |
CN111382704A (zh) * | 2020-03-10 | 2020-07-07 | 北京以萨技术股份有限公司 | 基于深度学习的车辆压线违章判断方法、装置及存储介质 |
CN111401364A (zh) * | 2020-03-18 | 2020-07-10 | 深圳市市政设计研究院有限公司 | 一种基于颜色特征和模板匹配相结合的车牌定位算法 |
CN113095320A (zh) * | 2021-04-01 | 2021-07-09 | 湖南大学 | 一种车牌识别方法、***及计算设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999753A (zh) * | 2012-05-07 | 2013-03-27 | 腾讯科技(深圳)有限公司 | 车牌定位方法 |
CN106650553A (zh) * | 2015-10-30 | 2017-05-10 | 比亚迪股份有限公司 | 车牌识别方法及*** |
CN108537099A (zh) * | 2017-05-26 | 2018-09-14 | 华南理工大学 | 一种复杂背景的车牌识别方法 |
-
2018
- 2018-11-10 CN CN201811334969.7A patent/CN109670498A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999753A (zh) * | 2012-05-07 | 2013-03-27 | 腾讯科技(深圳)有限公司 | 车牌定位方法 |
CN106650553A (zh) * | 2015-10-30 | 2017-05-10 | 比亚迪股份有限公司 | 车牌识别方法及*** |
CN108537099A (zh) * | 2017-05-26 | 2018-09-14 | 华南理工大学 | 一种复杂背景的车牌识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079744A (zh) * | 2019-12-06 | 2020-04-28 | 鲁东大学 | 适用于复杂光照环境的车辆车牌智能识别方法及装置 |
CN111079744B (zh) * | 2019-12-06 | 2020-09-01 | 鲁东大学 | 适用于复杂光照环境的车辆车牌智能识别方法及装置 |
CN111382704A (zh) * | 2020-03-10 | 2020-07-07 | 北京以萨技术股份有限公司 | 基于深度学习的车辆压线违章判断方法、装置及存储介质 |
CN111382704B (zh) * | 2020-03-10 | 2023-12-15 | 以萨技术股份有限公司 | 基于深度学习的车辆压线违章判断方法、装置及存储介质 |
CN111401364A (zh) * | 2020-03-18 | 2020-07-10 | 深圳市市政设计研究院有限公司 | 一种基于颜色特征和模板匹配相结合的车牌定位算法 |
CN111401364B (zh) * | 2020-03-18 | 2023-07-25 | 深圳市市政设计研究院有限公司 | 一种基于颜色特征和模板匹配相结合的车牌定位算法 |
CN113095320A (zh) * | 2021-04-01 | 2021-07-09 | 湖南大学 | 一种车牌识别方法、***及计算设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670498A (zh) | 一种车牌定位方法 | |
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
CN109657632B (zh) | 一种车道线检测识别方法 | |
CN108564814B (zh) | 一种基于图像的停车场车位检测方法及装置 | |
CN112487898B (zh) | 搅拌站搅拌车进、卸料口对齐自动判定方法、设备及*** | |
CN110766016B (zh) | 一种基于概率神经网络的喷码字符识别方法 | |
CN107423735B (zh) | 一种利用水平梯度和饱和度的车牌定位方法 | |
CN111695373B (zh) | 斑马线的定位方法、***、介质及设备 | |
CN106650611B (zh) | 一种识别车身颜色的方法及装置 | |
CN103093229B (zh) | 车标定位方法及装置 | |
CN117611590B (zh) | 一种缺陷轮廓复合检测方法、装置、设备及存储介质 | |
CN114387591A (zh) | 车牌识别方法、***、设备及存储介质 | |
CN115272199A (zh) | 一种pcb载板缺陷检测方法、***、电子设备及介质 | |
CN116310845A (zh) | 一种用于污水处理的智能监测*** | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN111667509B (zh) | 目标与背景颜色相似下的运动目标自动跟踪方法及*** | |
CN113533372A (zh) | 一种纸张缺陷检测方法、***、装置及计算机存储介质 | |
CN107066929B (zh) | 一种融合多种特征的高速公路隧道停车事件分级识别方法 | |
CN113569859B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及*** | |
Ishizuka et al. | Segmentation of road sign symbols using opponent-color filters | |
CN112991284B (zh) | 一种温控器导向架缺陷检测方法及*** | |
CN111626180B (zh) | 基于偏振成像的车道线检测方法及其装置 | |
CN114359597A (zh) | 一种基于视觉的油箱内盖识别及位姿参数感知方法 | |
CN110321973B (zh) | 一种基于视觉的组合车辆检测方法 |
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 |