CN109726717B - 一种车辆综合信息检测*** - Google Patents
一种车辆综合信息检测*** Download PDFInfo
- Publication number
- CN109726717B CN109726717B CN201910002648.5A CN201910002648A CN109726717B CN 109726717 B CN109726717 B CN 109726717B CN 201910002648 A CN201910002648 A CN 201910002648A CN 109726717 B CN109726717 B CN 109726717B
- Authority
- CN
- China
- Prior art keywords
- license plate
- vehicle
- detection
- image
- network
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 48
- 230000011218 segmentation Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 description 7
- 229910052704 radon Inorganic materials 0.000 description 7
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000009191 jumping Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Character Discrimination (AREA)
- Traffic Control Systems (AREA)
Abstract
一种车辆综合信息检测***，可对车辆的车型型号以及车牌信息进行检测识别，具有较高的准确性和较快的检测速度。传统检测方法只能对车辆的车牌信息进行检测，无法得到车辆的整体信息，在实际应用中无法有效的解决***、肇事逃逸等交通问题，同时传统检测方法只能解决较为简单场景下的车牌识别问题，在复杂的实际应用中不具有鲁棒性。而本发明结合了深度学习等理论，能快速、准确地实现车辆定位和车牌识别，可适用于各种环境下的检测对象，同时在车型识别的应用中也表现出了高效性和准确性。将该***与现有交通***结合可有效地解决各种交通问题，同时提高整个交通***的车辆检测效率。
Description
技术领域
本发明基于深度学习理论，设计一种高精度车辆综合信息检测***，可用于智能交通***中，对车辆信息进行检测查询。
背景技术
我国早在2012年就已步入汽车社会，在汽车保有量持续快速增加的情况下，对我国的交通、能源以及生态环境等都形成了巨大的挑战，例如各大城市普遍存在的交通阻塞、停车困难、交通事故等一系列问题。智能交通***在整个交通运输管理体系中起着核心支柱的作用，是一种准确、实时、高效并且能在广大范围以及各个方面发挥至关重要作用的综合运输和管理***。智能交通***能有效的减少交通阻塞，节省能源，降低事故发生率以及尾气排放量。因此，智能交通***对于目前中国的发展有着非常重要的促进作用。自然场景图像的车辆检测与是智能交通***的重要组成部分，同时也是当前的重要研究内容，有着广泛的应用前景，比如高速公路收费、社会安全、肇事逃逸、违章占道以及有目的性的车辆精确检索等。车辆检测的实时性和准确性是智能交通***发挥作用的前提，而车牌对于汽车而言就相当于我们中国人民的身份证一样，其具有唯一识别标志功能，通过与车牌检测结合，车管所能够进一步挖掘汽车以及车主的相关信息，因而准确、快速地识别出复杂现实场景中的车牌信息就显得尤为重要。因此，在车辆定位以及车型识别的基础上再融合车牌识别技术，最终形成车型识别***则能够处理更加复杂的情况，比如能快速解决假牌车、***、交通分流等问题。本发明提出的基于深度学习理论、计算机视觉、神经网络实现的车辆检测只需要与现有的交通录像、监控***进行融合，即可实现在线高精度的快速车辆检测。同时，该***不需要破坏路面，成本比较低，只需要在交通路口安装好摄像头及相应的数据采集与传输***就可运行，并且收集到的车辆图像数据可用于其他交通监管或大数据普查等各个方面。
发明内容
本发明设计出一种车辆综合信息检测***，该***能直接通过检测包含车辆的照片或者视频信息来快速、准确得出车辆的综合信息。具体特点如下：
1.采用基于SSD目标检测的车辆检测算法来快速、准确的实现车辆定位；采用卷积神经网络结构Inception-AB-Full对车型类别进行识别分类。以上方法解决了判定图像是否包含车辆以及对车辆进行定位两大问题，能够对自然场景图像中任意大小、位置的多个车辆目标实现精确定位，且对于光照变化等噪声具有很好的鲁棒性。
2.采用基于SSD目标检测的车牌定位方法对车牌进行定位，利用Radon算法对车牌进行倾斜校正，同时在检测车牌的过程中去除了因车牌校正带来的噪声背景以及车牌边框，实现对车牌信息的准确定位。在对车牌信息的识别中，依旧采用SSD目标检测方法直接对整块车牌进行识别，在此基础上本***结合了传统方法来识别车牌，可适用于不同的检测环境。
本发明将车辆定位功能、车型识别功能以及车牌识别功能结合在一起形成一个车辆综合信息检测***。本发明能结合于现有的交通***中，可有效的减少因人为因素带来的错误信息识别，同时提高整个交通***的车辆检测效率。
附图说明
图1***图像处理流程图2SSD_VGG的网络结构图图3车辆检测示意图图4Inception-AB-Net深度学习模型图5Inception-A结构图图6Inception-B结构图图7车牌识别流程图图8车牌检测网络结构图图9去边框以及背景效果图10车牌识别网络结构图图11基于形态学与颜色特征的车牌定位算法流程图12竖直投影卷积前后折线图图13轮廓检测定位图14车牌字符分割效果图15Inception-Small-Net部分单元结构图图16车型识别***软件界面
具体实施方式
为使本发明目的、技术方案和优点更加清楚明了，下面通过附图说明，分别以车辆定位、车型识别、车牌识别三个模块来描述本发明的各项功能实现。***总流程如图1所示，具体说明如下：
1车辆定位
如图2所示，本发明以卷积神经网络VGG-16结构为基础构造了SSD目标检测网络，记为SSD_VGG。图3为SSD_VGG网络对车辆进行识别定位的流程，在检测车辆时，网络对照片进行特征提取，从具有复杂背景的图像中判断并且定位出车辆位置。
2车型识别
在车型识别中，本发明采用以卷积神经网络Inception-v2结构为核心构建的Inception-AB-Net深度学习模型，图4为其网络结构。Inception-AB-Net主要由Inception-A网络以及Inception-B网络构成。卷积层部分由13个混合层组成，其中Inception-A结构如图5所示，Inception-A中所有卷积核的步长均为1。Inception-B结构如图6所示，其所有卷积核的步长为2。Inception-AB-Net的具体参数配置如表1所示，该网络模型的第一阶段的第一个卷积层的卷积核为7×7，步长为2，其作用在于去掉车辆图像的边缘背景，剩下的卷积混合层和池化层的卷积核均为3×3或1×1。全局池化层的卷积核大小为7×7，步长为1，其目的是为下一阶段的分类器提供一维的特征向量。以上特征提取方法能实现对汽车图像特征的充分提取，以实现对多种车型子类的准确分类。
本发明在Inception-AB-Net网络的基础上依然使用Inception-A以及Inception-B的网络结构，在不改变整体结构的情况下增加了Inception-A和Inception-B卷积核的数量，进一步挖掘该结构的潜力从而得到了Inception-AB-Full模型，具体参数配置如表2所示。Inception-AB-Full模型相较于Inception-AB-Net模型收敛速度更快更稳，同时拥有更高的准确率。
3车牌识别
图7为车牌检测流程，本发明采用基于SSD目标检测方法来实现车牌识别，同时结合传统的车牌识别方法。本发明在传统方法的基础上做出了相应的优化改进。
3.1基于SSD目标检测方法
3.1.1车牌定位
本发明同样使用SSD_VGG网络来进行车牌检测网络的构建。由于待检测的图像是经过车辆检测定位的，所以一般只有一张车牌或者没车牌。同时将待检测图像大小归一化为300×300，此时车牌的尺寸在48×25-79×36之间，因此依据这一尺寸范围对原本的SSD网络结构进行修改优化。图8为调整优化后的网络结构，主要调整为在原SSD网络结构上去掉了Conv9、Conv10以及Conv11等卷积层，因为从这些层的特征图上预测出的default box一般都比较大，适用于检测较大目标，不适用于车牌检测任务。
3.1.2车牌校正
采用Radon变换法进行车牌校正，该方法不仅能同时获取车牌水平和竖直方向的倾斜角度，而且计算速度快。
对于一般情况下的Radon变换来说就是将原本的函数进行一次空间变换，比如将原来在M-N平面上的点映射到C-D平面上，则本来在M-N平面上且属于同一条直线的所有点在C-D平面上都对应于同一个点。那么只需要在C-D平面上统计每一个点的累积程度，就可以通过这个信息判断其在M-N平面上是否存在直线。对于图像来说就是在一个平面内沿着不同的直线进行线积分即可得到Radon变换。对于二维图像f(x,y)其Radon变换形式如式(1)所示：
其中
Radon(f(x-x',y-y'))＝Rf((λ-x'cosθ-y'sinθ),θ) (2)
式(2)是Radon的平移性，其中坐标系x'-y'与坐标系x-y的变换公式为：
3.1.3去除车牌背景与边框
(1)首先去除水平边框。对于车牌的二值图像而言，若某一行某一像素点的值为0(或255)，而其下一个像素点的值为255(或0)，则称这种情况为一次跳变，又由于一般完整的车牌有7个字符，因此理论来说车牌字符区域的每一行至少存在14次跳变，而车牌字符以外的部分的跳变次数较少。若车牌宽度为width，高度为height，则利用跳变这一信息，从车牌二值图像的height/2高处向上进行扫描，若连续三行的跳变次数均小于设定的阈值threshold，则确定首行跳变次数小于threshold的行所对应的图像高度为上边界，同理从车牌二值图像其height/2处向下进行扫描即可得到车牌图像的下边界。
(2)接着去除左右两侧背景边框。由于研究的对象是蓝底白字的车牌，因此利用其颜色特征进行其两侧背景的去除。将已经去除水平边框的车牌RGB图像转换为HSV图像，接着提取HSV图像中的蓝色分量，得到车牌蓝色底板的二值图，然后进行形态学操作使其形成连通域，接着进行轮廓检测，然后利用车牌面积占比、车牌的矩形外形、长宽比以及车牌字符区域中必然含有白色分量等先验知识筛选出车牌区域，最后对筛选出的区域从左往右按列进行扫描，统计每一列像素值为255(白色)的像素点个数，若其中连续三列小于设定的阈值threshold_2，则确定首列白色像素点个数小于threshold_2的列为车牌左边界，同理从右往左进行扫描便可获得车牌的右边界。同时去除水平边框后，图像的高度基本为字符的高度，则可利用标准车牌宽度与字符的比值来对已经完成左右分界的图像进行验证，确保去除左右背景后的车牌区域完整。
车牌去除边框以及背景的效果如图9所示。
3.1.4车牌字符检测
基于SSD目标检测建立的车牌识别方法可以直接对整张车牌进行识别，图10为其网络结构，检测主要过程与之前的车辆检测、车牌检测类似，只是此时不再是二分类目标检测，训练数据的标注与车牌检测时所用方法基本一致，只需在每张车牌图像中标注出所有车牌字符的位置并填上相应类别即可。
3.2传统方法
3.2.1车牌定位
本发明在结合传统方法的基础上提出一种基于形态学与HSV颜色特征的车牌定位方法，图11为该算法的流程图。首先对图像进行预处理将其转换灰度图，其目的是降低数据量，同时便于后续进行边缘检测；接着，使用sobel算子进行竖直方向的边缘检测，然后将得到的竖直边缘图像进行滤波、二值化处理；接着对图像进行连续两次的形态学闭操作使得车牌区域形成一个连通域，这样后续就能根据轮廓检测以及车牌的颜色、长宽比等先验知识进行细致的筛选。
本发明采用计算机视觉库Opencv中的轮廓检测函数对二值化图像的连通域中的各个轮廓进行检测，同时可以计算每个轮廓的面积以及包裹该轮廓的最小矩形框。因此利用车牌的长宽比等先验信息对检测出的轮廓进行筛选以得到车牌的候选区。候选区一般会在1～5个之间，接下来利用候选区域的坐标在原彩色图像上通过HSV颜色特征一一对比确认，最后确定车牌的位置。
3.2.2车牌校正和去除车牌背景与边框
车牌校正和去除车牌背景与边框方法同上。
3.2.3字符分割
在基于连通域车牌字符分割方法的基础上结合投影法以及模板匹配法对车牌字符进行分割，具体步骤如下：
(1)查找分割点“·”位置。只要找到车牌中第二和第三个字符的分割点就可以向右分割出5个字符，向左分割出2个字符，从而降低分割难度。首先对车牌图像进行竖直方向的投影，接着对该投影结果进行卷积计算，卷积核中的数值全为1，对于宽度为Width的车牌图像来说，卷积核的尺寸为1*N，且N＝Width*(34/440)，其中参数34/440是根据标准车牌中第二字符与第三字符的间隔来确定的，如图11所示，a为原始二值车牌图像，b为竖直投影结果，c为卷积后的结果。取图c中车牌左边一半的最小值对应的横坐标X-left为第二字符与第三字符的左边界，则分割符“·”的坐标为:X＝X-left+N/2。
(2)确定分割点后，先对其左侧的两个字符进行分割。根据分割点对原车牌的二值图进行裁切，得到前两个字符的二值图像，接着对其进行形态学开操作避免两个字符粘连在一起，同时让第二个英文字符形成连通域，然后利用轮廓检测，以及包含该轮廓的最小矩形框确定出第二个英文字符的左边界。若轮廓检测失效，则使用投影法从右往左按列扫描，若某一列的白色像素点个数首次大于设定的阈值threshold_3，则记为第二字符的右边界，之后若出现某一列的白色像素点小于设定的阈值threshold_3，则记为第二字符的左边界。其效果如图13所示。
(3)进行右侧5个字符的分割。对剩下5个字符区域同样在进行形态学开操作后使用轮廓检测，若有符合要求的轮廓，则记录其左右边界便于后续的字符排序，接着对图像进行裁切，根据剩下的图像的宽度判断是否还需要再进行分割，重复之前的过程直到最后共有5个字符块为止。若在轮廓检测中没有符合要求的轮廓，则根据标准车牌后5个字符的大小以及间隔，按比例进行预分割，然后使用投影法根据预分割线邻域(-ω，ω)范围内的连续零值或者极小值进行分割线的校正。
图14为字符分割效果。
3.2.4车牌字符识别
字符识别的工作就是对分割出来的单个字符图像进行处理和分析，辨认出其中的车牌号码。一般情况，分割后得到的车牌字符均较小，因此之前中采用的大型网络结构不适用。本发明基于Inception-AB-Net的结构设计出Inception-Small-Net网络，表3为Inception-Small-Net的参数配置，该网络接收的输入数据大小为28×28，使其便于处理车牌字符。
表3中Simple A、Simple B以及其基本卷积单元的结构如图15所示。其中基本卷积单元Conv由卷积层、Batch Norm层以及Relu激活层组成；Simple A主要用于提取特征，其由一个1×1大小的卷积核以及一个3×3大小的卷积核并联而成；Simple B可称为下采样层，由一个3×3大小的卷积核与一个3×3大小的Pooling并联组成。
表1 Inception-AB-Net模型网络参数
表2 Inception-AB-Full模型网络参数
表3 Inception-Small-Net参数配置
Claims (8)
1.一种车辆综合信息检测***，拥有车辆定位、车辆分类、车牌识别三个功能，可根据图像或者视频信息对车辆的车辆型号以及车牌信息进行检测识别，其特征在于：
a.采用基于深度学习的车辆检测算法来定位图片中车辆的位置；
b.采用卷积神经网络结构Inception-AB-Full对车型类别进行识别分类；
通过如下任一方法对车牌进行定位和识别：
方法一：
c.采用基于深度学习的车牌检测方法对车牌进行定位；
d.采用基于深度学习的车牌识别方法对车牌进行识别；
方法二：
e.提出一种基于形态学与HSV颜色特征的车牌定位方法；
f.在基于连通域车牌字符分割方法的基础上，结合投影法以及模板匹配法对车牌字符进行分割；
g.在传统检测中利用Inception-Small-Net网络识别分割后的车牌字符；
其中，Inception-AB-Full模型，是在Inception-AB-Net网络的基础上依然使用Inception-A以及Inception-B的网络结构，在不改变整体结构的情况下增加了Inception-A和Inception-B卷积核的数量而得到；
其中，Inception-AB-Net网络由Inception-A网络以及Inception-B网络构成，卷积层部分由13个混合层组成，Inception-A中所有卷积核的步长均为1，Inception-B中所有卷积核的步长为2；Inception-AB-Net网络模型的第一阶段的第一个卷积层的卷积核为7×7，步长为2，其作用在于去掉车辆图像的边缘背景，剩下的卷积混合层和池化层的卷积核均为3×3或1×1，全局池化层的卷积核大小为7×7，步长为1；
其中，Inception-Small-Net网络基于Inception-AB-Net的结构设计，该网络接收的输入数据大小为28×28，网络包括Simple A、Simple B以及基本卷积单元；其中基本卷积单元由卷积层、Batch Norm层以及Relu激活层组成；Simple A用于提取特征，其由一个1×1大小的卷积核以及一个3×3大小的卷积核并联而成；Simple B称为下采样层，由一个3×3大小的卷积核与一个3×3大小的Pooling并联组成。
2.根据权利要求1所述的一种车辆综合信息检测***，其特征在于：采用基于深度学习的车辆检测算法来定位图片中车辆的位置：
以卷积神经网络VGG-16结构为基础构建了SSD目标检测网络，用其对照片进行特征提取，就能从具有复杂背景的图像中判断并且定位出车辆的位置。
3.根据权利要求1所述的一种车辆综合信息检测***，其特征在于：采用卷积神经网络结构Inception-AB-Full对车型类别进行识别分类的方法包括：在卷积神经网络Inception-AB-Net网络的基础上构建出Inception-AB-Full网络。
4.根据权利要求2所述的一种车辆综合信息检测***，其特征在于：采用基于深度学习的车牌检测方法对车牌进行定位：
以SSD目标检测网络为基础构建出车牌检测网络，车牌检测网络在原SSD目标检测网络结构上去掉了Conv9、Conv10以及Conv11卷积层，因为从这些层的特征图上预测出的default box一般都比较大，适用于检测较大目标，不适用于车牌检测任务。
5.根据权利要求1所述的一种车辆综合信息检测***，其特征在于：采用基于深度学习的车牌识别方法对车牌进行识别：
车牌识别是多分类目标检测，只需在每张车牌图像中标注出所有车牌字符的位置并填上相应类别即可进行模型训练。
6.根据权利要求1所述的一种车辆综合信息检测***，其特征在于：
基于形态学与HSV颜色特征的车牌定位方法包括如下步骤：
步骤一：对图像进行预处理，将其转换为灰度图；
步骤二：使用sobel算子进行竖直方向的边缘检测；
步骤三：将得到的竖直边缘图像进行滤波、二值化处理；
步骤四：对图像进行连续两次的形态学闭操作使得车牌区域形成一个连通域；
步骤五：采用计算机视觉库Opencv中的轮廓检测函数对二值化图像的连通域中的各个轮廓进行检测，利用车牌的长宽比先验信息可对检测出的轮廓进行筛选以得到车牌的候选区；
步骤六：利用候选区的坐标，在原彩色图像上通过HSV颜色特征一一对比确认，最后确定车牌的位置。
7.根据权利要求1所述的一种车辆综合信息检测***，其特征在于：
在基于连通域车牌字符分割方法的基础上，结合投影法以及模板匹配法对车牌字符进行分割，包含如下步骤：
步骤一：对车牌图像进行竖直方向的投影，接着对该投影结果进行卷积计算，利用计算结果来找出分割点“·”位置；
步骤二：根据分割点对原车牌的二值图进行裁切，得到前两个字符的二值图像，接着对其进行形态学开操作避免两个字符粘连在一起，同时让第二个英文字符形成连通域，然后利用轮廓检测，以及包含该轮廓的最小矩形框确定出第二个英文字符的左边界，若轮廓检测失效，则使用投影法从右往左按列扫描，若某一列的白色像素点个数首次大于设定的阈值，则记为第二字符的右边界，之后若出现某一列的白色像素点小于设定的阈值，则记为第二字符的左边界；
步骤三：进行右侧5个字符的分割，对剩下5个字符区域同样在进行形态学开操作后使用轮廓检测，若有符合要求的轮廓，则记录其左右边界便于后续的字符排序，接着对图像进行裁切，根据剩下的图像的宽度判断是否还需要再进行分割，重复之前的过程直到最后共有5个字符块为止，若在轮廓检测中没有符合要求的轮廓，则根据标准车牌后5个字符的大小以及间隔，按比例进行预分割，然后使用投影法根据预分割线邻域(-ω，ω)范围内的连续零值或者极小值进行分割线的校正。
8.根据权利要求1所述的一种车辆综合信息检测***，其特征在于：在传统检测中利用Inception-Small-Net网络识别分割后的车牌字符，基于卷积神经网络Inception-AB-Net结构设计出Inception-Small-Net网络来处理分割后的车牌字符。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910002648.5A CN109726717B (zh) | 2019-01-02 | 2019-01-02 | 一种车辆综合信息检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910002648.5A CN109726717B (zh) | 2019-01-02 | 2019-01-02 | 一种车辆综合信息检测*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109726717A CN109726717A (zh) | 2019-05-07 |
| CN109726717B true CN109726717B (zh) | 2022-03-01 |
Family
ID=66298021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910002648.5A Expired - Fee Related CN109726717B (zh) | 2019-01-02 | 2019-01-02 | 一种车辆综合信息检测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109726717B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334709B (zh) * | 2019-07-09 | 2022-11-11 | 西北工业大学 | 基于端到端多任务深度学习的车牌检测方法 |
| CN110503831A (zh) * | 2019-08-28 | 2019-11-26 | 上海眼控科技股份有限公司 | 一种识别驾驶员违法行为的方法及设备 |
| CN110765861A (zh) * | 2019-09-17 | 2020-02-07 | 中控智慧科技股份有限公司 | 无牌车车型识别方法、装置及终端设备 |
| CN111027558A (zh) * | 2019-10-23 | 2020-04-17 | 中电科新型智慧城市研究院有限公司 | 一种违章车辆车型及车牌识别的方法 |
| KR20220139292A (ko) * | 2019-12-05 | 2022-10-14 | 차나안 브라이트 사이트 컴퍼니 리미티드 | 문자 분할 방법, 장치 및 컴퓨터 판독 가능 저장 매체 |
| CN111860317A (zh) * | 2020-07-20 | 2020-10-30 | 青岛特利尔环保集团股份有限公司 | 一种锅炉运行数据采集方法、***、设备及计算机介质 |
| CN113642412B (zh) * | 2021-07-16 | 2023-12-26 | 盛视科技股份有限公司 | 占用公交车道的车辆检测方法、装置及设备 |
| CN113869196B (zh) * | 2021-09-27 | 2022-04-19 | 中远海运科技股份有限公司 | 一种基于激光点云数据多特征分析的车型分类方法及装置 |
| CN114999167A (zh) * | 2021-11-19 | 2022-09-02 | 深圳市智泊云科技有限公司 | 一种基于人工智能的高清车牌识别*** |
| CN114999051A (zh) * | 2022-06-16 | 2022-09-02 | 广州市懒人时代信息科技有限公司 | 一种智慧社区平台安防监控*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975941A (zh) * | 2016-05-31 | 2016-09-28 | 电子科技大学 | 一种基于深度学习的多方向车型检测识别*** |
| CN106650553A (zh) * | 2015-10-30 | 2017-05-10 | 比亚迪股份有限公司 | 车牌识别方法及*** |
| KR101888683B1 (ko) * | 2017-07-28 | 2018-08-14 | 펜타시큐리티시스템 주식회사 | 비정상 트래픽을 탐지하는 방법 및 장치 |
| CN108734189A (zh) * | 2017-04-20 | 2018-11-02 | 天津工业大学 | 浓雾天气下基于大气散射模型和深度学习的车牌识别*** |
| CN108805121A (zh) * | 2017-05-02 | 2018-11-13 | 优信拍（北京）信息科技有限公司 | 一种车牌检测定位方法、装置、设备及计算机可读介质 |
| CN108921083A (zh) * | 2018-06-28 | 2018-11-30 | 浙江工业大学 | 基于深度学习目标检测的非法流动摊贩识别方法 |
-
2019
- 2019-01-02 CN CN201910002648.5A patent/CN109726717B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650553A (zh) * | 2015-10-30 | 2017-05-10 | 比亚迪股份有限公司 | 车牌识别方法及*** |
| CN105975941A (zh) * | 2016-05-31 | 2016-09-28 | 电子科技大学 | 一种基于深度学习的多方向车型检测识别*** |
| CN108734189A (zh) * | 2017-04-20 | 2018-11-02 | 天津工业大学 | 浓雾天气下基于大气散射模型和深度学习的车牌识别*** |
| CN108805121A (zh) * | 2017-05-02 | 2018-11-13 | 优信拍（北京）信息科技有限公司 | 一种车牌检测定位方法、装置、设备及计算机可读介质 |
| KR101888683B1 (ko) * | 2017-07-28 | 2018-08-14 | 펜타시큐리티시스템 주식회사 | 비정상 트래픽을 탐지하는 방법 및 장치 |
| CN108921083A (zh) * | 2018-06-28 | 2018-11-30 | 浙江工业大学 | 基于深度学习目标检测的非法流动摊贩识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| Christian Szegedy ; Vincent Vanhoucke ; Sergey Ioffe ; Jon Shlens.Rethinking the Inception Architecture for Computer Vision.《2016 IEEE Conference on Computer Vision and Pattern Recognition》.2016, * |
| Looking beyond appearances: Synthetic training data for deep CNNs in reidentification;Igor Barros Barbosa,Marco Cristani,Barbara Caputo,Aleksander Rog;《Computer Vision and Image Understanding》;20171212;50-62 * |
| 基于深度学习的车牌识别研究;江永爱;《中国优秀硕士论文全文数据库工程科技Ⅱ辑》;20180715;C034-380 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109726717A (zh) | 2019-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109726717B (zh) | 一种车辆综合信息检测*** | |
| Wei et al. | Multi-vehicle detection algorithm through combining Harr and HOG features | |
| CN105373794B (zh) | 一种车牌识别方法 | |
| CN101334836B (zh) | 一种融合色彩、尺寸和纹理特征的车牌定位方法 | |
| CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
| CN101872416B (zh) | 对道路图像进行车牌识别的方法和*** | |
| CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
| CN107516077B (zh) | 基于激光点云和影像数据融合的交通标牌信息提取方法 | |
| CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
| CN109190444B (zh) | 一种基于视频的收费车道车辆特征识别***的实现方法 | |
| Yan et al. | A method of lane edge detection based on Canny algorithm | |
| Zhang et al. | A multi-feature fusion based traffic light recognition algorithm for intelligent vehicles | |
| CN101154271A (zh) | 基于快速区域标号算法和车牌大间隔定位方法的车牌字符分割方法 | |
| CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
| Bansal et al. | A real-time pedestrian detection system based on structure and appearance classification | |
| CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
| CN112101108B (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
| CN111860509A (zh) | 一种由粗到精的两阶段非约束车牌区域精准提取方法 | |
| CN107563301A (zh) | 基于图像处理技术的红灯信号检测方法 | |
| 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 | |
| Xu et al. | Convolutional neural network based traffic sign recognition system | |
| CN110516666B (zh) | 基于mser和isodata相结合的车牌定位方法 | |
| CN111666811A (zh) | 一种提取交通场景图像中交通标志牌区域方法及*** | |
| CN111401364A (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
| CN112053407B (zh) | 一种交通执法影像中基于ai技术的车道线自动检测方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xu Haiying Inventor after: Wan Min Inventor after: Bao Hailong Inventor after: Zhang Qiang Inventor after: Li Zhonglin Inventor after: Zeng Tao Inventor after: Binzechuan Inventor after: Ning Yuhan Inventor after: Chen Yunsheng Inventor before: Wan Min Inventor before: Bao Hailong Inventor before: Zhang Qiang Inventor before: Li Zhonglin Inventor before: Zeng Tao Inventor before: Binzechuan Inventor before: Ning Yuhan Inventor before: Chen Yunsheng |
|
| 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: 20220301 |