CN110059683A - 一种基于端到端神经网络的大角度车牌倾斜矫正方法 - Google Patents
一种基于端到端神经网络的大角度车牌倾斜矫正方法 Download PDFInfo
- Publication number
- CN110059683A CN110059683A CN201910299244.7A CN201910299244A CN110059683A CN 110059683 A CN110059683 A CN 110059683A CN 201910299244 A CN201910299244 A CN 201910299244A CN 110059683 A CN110059683 A CN 110059683A
- Authority
- CN
- China
- Prior art keywords
- license plate
- area
- vertex
- antidote
- sloped
- 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.)
- Withdrawn
Links
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明属于车牌智能识别领域,为基于端到端神经网络的大角度车牌倾斜矫正方法,包括以下步骤:利用车牌检测技术得到大致的车牌区域,并对车牌区域进行扩展,得到扩展后的车牌区域,作为输入区域;利用全卷积深度神经网络,对输入区域提取高维特征,获得特征图;解析特征图,得到候选车牌区域四个顶点的绝对坐标;根据候选车牌区域四个顶点的绝对坐标对车牌倾斜矫正。本发明利用全卷积深度神经网络提取高维特征,确定车牌候选区域,回归车牌的仿射变换系数,分别利用仿射变换原理逆向计算四个顶点位置,最后通过仿射变换得到校正后的车牌图像;整个矫正过程不依赖其他硬件设备或算法,具有较高的鲁棒性。
Description
技术领域
本发明涉及车牌智能识别技术,具体为一种车牌倾斜矫正方法。
背景技术
随着平安城市建设的不断进步以及各行各业监控***的不断完善,每秒都有海量的视频图像数据被采集,车辆智能分析是视频智能分析最重要应用方向之一。车牌是每辆车唯一的标示,因此精准的自动车牌识别算法显得至关重要。
车牌识别算法一般分为车牌检测、车牌矫正、车牌分割、字符识别四大模块。每个模块间相互关联、相互影响。车牌矫正作为重要模块之一,直接决定了后续车牌分割的成功率。在车牌识别过程中,经常会遇到大角度车牌;大角度车牌一般指水平倾斜角度大于30度而小于60度的车牌,大角度车牌矫正方法是困扰业内很长时间的难点问题。传统的车牌倾斜矫正方法,例如直线拟合、水平投影、radon变换等通常最多只能解决30度以内的车牌倾斜,并且很依赖车牌准确定位与车牌二值化算法。近些年随着深度学习的发展,也出现了不少基于深度学习的车牌矫正方法,最典型的是借鉴人脸特征点定位思想定位车牌四个顶点,最后利用透视变换进行车牌复原;这种深度学习的矫正方法对图像质量要求高,没有充分利用车牌先验知识,对于高噪声或者模糊样本等复杂场景处理能力弱。也有些人通过硬件与算法相结合解决车牌倾斜矫正问题,这种方法成本高,不易部署。
可见,传统的车牌矫正方法逻辑复杂,场景依赖性强,对车牌准确定位和二值化等其它算法的依赖性强,通常处理不了大于30度的倾斜车牌。而基于深度学习回归的四点定位方法鲁棒性差,对复杂场景兼容性不强。业内没有一种有效、场景鲁棒性高、逻辑简单的端到端大角度车牌矫正算法。
发明内容
为解决现有技术所存在的技术问题,本发明提供一种基于端到端神经网络的大角度车牌倾斜矫正方法,不依赖其他硬件设备或算法,具有较高的鲁棒性。
本发明采用以下技术方案来实现:一种基于端到端神经网络的大角度车牌倾斜矫正方法,包括以下步骤:
步骤1、利用车牌检测技术得到大致的车牌区域,并对车牌区域进行扩展,得到扩展后的车牌区域,作为输入区域;
步骤2、利用全卷积深度神经网络,对输入区域提取高维特征,获得特征图;
步骤3、解析特征图,得到候选车牌区域四个顶点的绝对坐标;
步骤4、根据候选车牌区域四个顶点的绝对坐标对车牌倾斜矫正。
在优选的实施例中,在全卷积深度神经网络的最后设有两个平行的卷积层,一个卷积层后面连接Softmax函数,用于得到车牌/非车牌概率;另一个卷积层后面连接线性激活函数,用于得到仿射变换的参数;
所述步骤2对输入区域的高维特征进行提取,将Softmax函数得到的车牌/非车牌概率识别结果与线性激活函数的处理结果拼接,得到所提取的特征图。
在优选的实施例中,假设扩展后车牌区域所在的全图的高度为H,宽度为W,全卷积深度神经网络的卷积步长为Ns,则所提取的特征图的维度为M*N*8,其中:
M=H/Ns,N=W/Ns
假设特征图上的每个像素点表示为(m,n),每个特征点都对应一个维度为8的特征向量V=[v1,v2,v3,v4,v5,v6,v7,v8];其中v1表示车牌区域的概率,v2表示非车牌区域的概率,v1和v2由Softmax函数求取;v3~v8表示仿射变换的6个参数,通过线性激活函数求取。
本发明与现有技术相比,具有如下优点和有益效果:将输入的车牌检测区域按照长宽比例扩展作为输入图像,利用全卷积深度神经网络提取高维特征,确定车牌候选区域,回归车牌的仿射变换系数,预置车牌四个顶点,分别利用仿射变换原理逆向计算四个顶点位置。最后通过仿射变换得到校正后的车牌图像;整个矫正过程不依赖其他硬件设备或算法,具有较高的鲁棒性。
附图说明
图1是本发明的矫正流程图;
图2是全卷积深度神经网络的结构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本发明基于端到端神经网络的大角度车牌倾斜矫正方法,包括以下步骤:
步骤1、生成输入区域
利用车牌检测技术得到大致的车牌区域,并对车牌区域进行扩展,得到扩展后的车牌区域,作为输入区域。假设输入的原始车牌区域为(x,y,w,h),其中(x,y)表示车牌区域左顶点在全图的坐标,w、h分别表示车牌区域的宽和高;扩展后的车牌区域为(x_t,y_t,w_t,h_t),横向扩展系数为a_w,纵向扩展系数为a_h,通常a_w=0.3,a_h=0.2,则:
w_t=(1+2*a_w)*w
h_t=(1+2*a_h)*h
x_t=(x+(w–w_t)/2)
y_t=(y+(h–y_t)/2)
最终,得到扩展后车牌在全图的区域,作为输入区域。
步骤2、利用全卷积深度神经网络,对输入区域提取高维特征
(1)设计神经网络结构
采用全卷积深度神经网络作为高维特征提取网络,如图2所示,高维特征提取网络包括27个卷积层,27个卷积层具有四种大小的卷积核,分别为3*3、1*3、3*1、1*1。卷积层后面设有ReLU激活层。全卷积深度神经网络总共有4个最大池化层(Max Pooling),池化核的大小为2*2,卷积步长stride为2。在特征提取网络的最后设有两个平行的卷积层,一个卷积层后面连接Softmax函数,用于得到车牌/非车牌概率;另一个卷积层后面连接线性激活函数,用于得到仿射变换的6个参数。
(2)训练神经网络模型
训练时,输入样本为按照比例将长宽各扩大一倍的车牌区域(即步骤1所生成的输入区域),标签为精确标定的车牌四个顶点的精确位置。
训练过程中进行在线数据扩展,通过角度变换、长宽比变换、尺寸变换、随机区域截取、颜色分布及对比度变换等数据扩展手段,得到变换后的样本与坐标,输入深度神经网络。变换后的样本统一变换尺度到208*208大小,标签为车牌在扩展后样本中的四个顶点精确位置相对坐标。
训练的损失函数如下式:
包括两个部分,其中lossloc表示每个顶点与标签的L2损失函数,losscls表示softmax分类损失函数。公式中flag_p表示是否是车牌区域的标签,值为0或1。实际训练过程中当候选区域与标定区域的重叠大于0.45的时候作为正样本,flag_p=1;反之作为负样本,flag_p=0。
(3)特征提取
利用训练好的深度神经网络,对输入区域的高维特征进行提取,将Softmax函数得到的车牌/非车牌概率识别结果与线性激活函数的处理结果拼接,得到所提取的特征图。
假设扩展后车牌区域所在的全图的高度为H,宽度为W,卷积步长stride为Ns,则所提取的特征图的维度为M*N*8,其中:
M=H/Ns,N=W/Ns
假设特征图上的每个像素点表示为(m,n),每个特征点都对应一个维度为8的特征向量V=[v1,v2,v3,v4,v5,v6,v7,v8]。其中v1表示车牌区域的概率,v2表示非车牌区域的概率,v1和v2的求取是一个分类问题,由Softmax函数求取;v3~v8表示仿射变换的6个参数,是一个回归问题,通过线性激活函数求取。
步骤3、解析特征图,得到候选车牌区域四个顶点的绝对坐标。
(1)求仿射变换矩阵
设仿射变换矩阵为M_Affine,则:
这里将v3与v6的最小值限制为0,避免出现车牌左右或者上下翻转的情况。矩阵M_Affine为相对于假设点的仿射变换矩阵,在本实施例中通过深度神经网络求得。
(2)求车牌顶点坐标
假设pi=[xi,yi]T,i=1,…,4,表示车牌四个顶点的相对坐标,依次从左上顶点顺时针分布。仿射变换车牌四个顶点在特征图映射原图区域的相对坐标为qi,i=1,2,3,4,本实施例中q1=[-0.5,-0.5],q2=[0.5,-0.5],q3=[0.5,0.5],q4=[-0.5,0.5]。将相对坐标与仿射变换矩阵点乘,可以得到车牌四个顶点的相对坐标pi:
pi=[qi,1]*MAffine T
得到相对坐标后,根据步骤2中深度神经网络的步长stride,将每一个相对坐标pi恢复成绝对坐标Tmn(p),如下式:
这里α表示相对坐标恢复到绝对坐标(原始坐标)的尺度,是从训练数据中根据不同大小车牌统计出的车牌宽度实际平均值。α作为车牌尺寸基准值,使得回归仿射变换系数更接近零,降低了回归任务的难度。
步骤4、车牌倾斜矫正
利用步骤3中输出的候选车牌区域四个顶点的绝对坐标,将左右顶点的横坐标相减得到校正后的车牌宽度w_adjust,利用车牌长宽比的先验知识求得校正后的车牌高度h_adjust,以(0,0)作为左上顶点,求得仿射变换矩阵M_adjust。最后进行仿射变换得到最终矫正后的车牌图像。矩阵M_adjust是根据仿射变换原理,用于计算结果的仿射矩阵,求得的是一个固定尺寸大小的矫正后的车牌图片。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于端到端神经网络的大角度车牌倾斜矫正方法,其特征在于,包括以下步骤:
步骤1、利用车牌检测技术得到大致的车牌区域,并对车牌区域进行扩展,得到扩展后的车牌区域,作为输入区域;
步骤2、利用全卷积深度神经网络,对输入区域提取高维特征,获得特征图;
步骤3、解析特征图,得到候选车牌区域四个顶点的绝对坐标;
步骤4、根据候选车牌区域四个顶点的绝对坐标对车牌倾斜矫正。
2.根据权利要求1所述的大角度车牌倾斜矫正方法,其特征在于,在全卷积深度神经网络的最后设有两个平行的卷积层,一个卷积层后面连接Softmax函数,用于得到车牌/非车牌概率;另一个卷积层后面连接线性激活函数,用于得到仿射变换的参数;
所述步骤2对输入区域的高维特征进行提取,将Softmax函数得到的车牌/非车牌概率识别结果与线性激活函数的处理结果拼接,得到所提取的特征图。
3.根据权利要求2所述的大角度车牌倾斜矫正方法,其特征在于,假设扩展后车牌区域所在的全图的高度为H,宽度为W,全卷积深度神经网络的卷积步长为Ns,则所提取的特征图的维度为M*N*8,其中:
M=H/Ns,N=W/Ns
假设特征图上的每个像素点表示为(m,n),每个特征点都对应一个维度为8的特征向量V=[v1,v2,v3,v4,v5,v6,v7,v8];其中v1表示车牌区域的概率,v2表示非车牌区域的概率,v1和v2由Softmax函数求取;v3~v8表示仿射变换的6个参数,通过线性激活函数求取。
4.根据权利要求3所述的大角度车牌倾斜矫正方法,其特征在于,步骤3包括:
(1)求仿射变换矩阵M_Affine:
其中将v3与v6的最小值限制为0;
(2)求车牌顶点坐标
假设pi=[xi,yi]T,i=1,…,4,表示车牌四个顶点的相对坐标,依次从左上顶点顺时针分布;仿射变换车牌四个顶点在特征图映射原图区域的相对坐标为qi,i=1,2,3,4;将相对坐标与仿射变换矩阵点乘,得到车牌四个顶点的相对坐标pi:
pi=[qi,1]*MAffine T
根据全卷积深度神经网络的步长,将每一个相对坐标pi恢复成绝对坐标Tmn(p):
α表示相对坐标恢复到绝对坐标的尺度,是从训练数据中根据不同大小车牌统计出的车牌宽度实际平均值。
5.根据权利要求4所述的大角度车牌倾斜矫正方法,其特征在于,在相对坐标qi中,q1=[-0.5,-0.5],q2=[0.5,-0.5],q3=[0.5,0.5],q4=[-0.5,0.5]。
6.根据权利要求1所述的大角度车牌倾斜矫正方法,其特征在于,步骤4为:利用候选车牌区域四个顶点的绝对坐标,将左右顶点的横坐标相减得到校正后的车牌宽度,利用车牌长宽比的先验知识求得校正后的车牌高度,以(0,0)作为左上顶点,求得仿射变换矩阵M_adjust,最后进行仿射变换得到最终矫正后的车牌图像。
7.根据权利要求1所述的大角度车牌倾斜矫正方法,其特征在于,步骤1中假设输入的原始车牌区域为(x,y,w,h),其中(x,y)表示车牌区域左顶点在全图的坐标,w、h分别表示车牌区域的宽和高;扩展后的车牌区域为(x_t,y_t,w_t,h_t),横向扩展系数为a_w,纵向扩展系数为a_h,则:
w_t=(1+2*a_w)*w;
h_t=(1+2*a_h)*h;
x_t=(x+(w–w_t)/2);
y_t=(y+(h–y_t)/2)。
8.根据权利要求7所述的大角度车牌倾斜矫正方法,其特征在于,横向扩展系数a_w=0.3,纵向扩展系数a_h=0.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910299244.7A CN110059683A (zh) | 2019-04-15 | 2019-04-15 | 一种基于端到端神经网络的大角度车牌倾斜矫正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910299244.7A CN110059683A (zh) | 2019-04-15 | 2019-04-15 | 一种基于端到端神经网络的大角度车牌倾斜矫正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059683A true CN110059683A (zh) | 2019-07-26 |
Family
ID=67319006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910299244.7A Withdrawn CN110059683A (zh) | 2019-04-15 | 2019-04-15 | 一种基于端到端神经网络的大角度车牌倾斜矫正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059683A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443245A (zh) * | 2019-08-14 | 2019-11-12 | 上海世茂物联网科技有限公司 | 一种非限制场景下的车牌区域的定位方法、装置及设备 |
CN111063199A (zh) * | 2019-12-19 | 2020-04-24 | 深圳市捷顺科技实业股份有限公司 | 车辆与车牌的关联方法、装置及终端设备 |
CN111178357A (zh) * | 2019-12-31 | 2020-05-19 | 松立控股集团股份有限公司 | 车牌识别方法、***、设备和存储介质 |
CN111709884A (zh) * | 2020-04-29 | 2020-09-25 | 高新兴科技集团股份有限公司 | 车牌关键点矫正方法、***、设备和存储介质 |
CN111950659A (zh) * | 2020-09-01 | 2020-11-17 | 湖南国科微电子股份有限公司 | 双层车牌图像处理方法、装置、电子设备及存储介质 |
CN112200192A (zh) * | 2020-12-03 | 2021-01-08 | 南京风兴科技有限公司 | 一种车牌识别方法及装置 |
CN112528988A (zh) * | 2020-11-03 | 2021-03-19 | 创泽智能机器人集团股份有限公司 | 一种车牌角度矫正方法 |
CN114332447A (zh) * | 2022-03-14 | 2022-04-12 | 浙江大华技术股份有限公司 | 一种车牌矫正方法、车牌矫正装置和计算机可读存储介质 |
CN114463611A (zh) * | 2021-12-18 | 2022-05-10 | 北京工业大学 | 一种非可控环境下的鲁棒中文车牌检测与校正方法 |
CN114677502A (zh) * | 2022-05-30 | 2022-06-28 | 松立控股集团股份有限公司 | 一种任意倾斜角度的车牌检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006080568A1 (ja) * | 2005-01-31 | 2006-08-03 | Nec Corporation | 文字読取り装置、文字読取り方法及び該文字読取り装置に用いられる文字読取り制御プログラム |
CN105426888A (zh) * | 2015-11-12 | 2016-03-23 | 四川浩特通信有限公司 | 一种基于Radon变换的车牌倾斜角度矫正方法 |
CN106022333A (zh) * | 2016-04-26 | 2016-10-12 | 安凯 | 一种车牌倾斜图像的矫正方法 |
CN106203418A (zh) * | 2016-07-14 | 2016-12-07 | 北京精英智通科技股份有限公司 | 一种车牌检测的方法及装置 |
CN106709486A (zh) * | 2016-11-11 | 2017-05-24 | 南京理工大学 | 基于深度卷积神经网络的自动车牌识别方法 |
CN106897677A (zh) * | 2017-02-06 | 2017-06-27 | 桂林电子科技大学 | 一种车辆特征分类检索***和方法 |
CN109145900A (zh) * | 2018-07-30 | 2019-01-04 | 中国科学技术大学苏州研究院 | 一种基于深度学习的车牌识别方法 |
CN109583305A (zh) * | 2018-10-30 | 2019-04-05 | 南昌大学 | 一种基于关键部件识别和细粒度分类的车辆重识别的先进方法 |
-
2019
- 2019-04-15 CN CN201910299244.7A patent/CN110059683A/zh not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006080568A1 (ja) * | 2005-01-31 | 2006-08-03 | Nec Corporation | 文字読取り装置、文字読取り方法及び該文字読取り装置に用いられる文字読取り制御プログラム |
CN105426888A (zh) * | 2015-11-12 | 2016-03-23 | 四川浩特通信有限公司 | 一种基于Radon变换的车牌倾斜角度矫正方法 |
CN106022333A (zh) * | 2016-04-26 | 2016-10-12 | 安凯 | 一种车牌倾斜图像的矫正方法 |
CN106203418A (zh) * | 2016-07-14 | 2016-12-07 | 北京精英智通科技股份有限公司 | 一种车牌检测的方法及装置 |
CN106709486A (zh) * | 2016-11-11 | 2017-05-24 | 南京理工大学 | 基于深度卷积神经网络的自动车牌识别方法 |
CN106897677A (zh) * | 2017-02-06 | 2017-06-27 | 桂林电子科技大学 | 一种车辆特征分类检索***和方法 |
CN109145900A (zh) * | 2018-07-30 | 2019-01-04 | 中国科学技术大学苏州研究院 | 一种基于深度学习的车牌识别方法 |
CN109583305A (zh) * | 2018-10-30 | 2019-04-05 | 南昌大学 | 一种基于关键部件识别和细粒度分类的车辆重识别的先进方法 |
Non-Patent Citations (2)
Title |
---|
SÉRGIO MONTAZZOLLI SILVA等: "License Plate Detection and Recognition in Unconstrained Scenarios", 《ECCV 2018》 * |
王抒昂: "大角度车牌识别技术的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443245A (zh) * | 2019-08-14 | 2019-11-12 | 上海世茂物联网科技有限公司 | 一种非限制场景下的车牌区域的定位方法、装置及设备 |
CN110443245B (zh) * | 2019-08-14 | 2022-02-15 | 上海世茂物联网科技有限公司 | 一种非限制场景下的车牌区域的定位方法、装置及设备 |
CN111063199B (zh) * | 2019-12-19 | 2021-08-06 | 深圳市捷顺科技实业股份有限公司 | 车辆与车牌的关联方法、装置及终端设备 |
CN111063199A (zh) * | 2019-12-19 | 2020-04-24 | 深圳市捷顺科技实业股份有限公司 | 车辆与车牌的关联方法、装置及终端设备 |
CN111178357A (zh) * | 2019-12-31 | 2020-05-19 | 松立控股集团股份有限公司 | 车牌识别方法、***、设备和存储介质 |
CN111178357B (zh) * | 2019-12-31 | 2023-09-29 | 松立控股集团股份有限公司 | 车牌识别方法、***、设备和存储介质 |
CN111709884A (zh) * | 2020-04-29 | 2020-09-25 | 高新兴科技集团股份有限公司 | 车牌关键点矫正方法、***、设备和存储介质 |
CN111950659A (zh) * | 2020-09-01 | 2020-11-17 | 湖南国科微电子股份有限公司 | 双层车牌图像处理方法、装置、电子设备及存储介质 |
CN112528988A (zh) * | 2020-11-03 | 2021-03-19 | 创泽智能机器人集团股份有限公司 | 一种车牌角度矫正方法 |
CN112200192B (zh) * | 2020-12-03 | 2021-09-14 | 南京风兴科技有限公司 | 一种车牌识别方法及装置 |
CN112200192A (zh) * | 2020-12-03 | 2021-01-08 | 南京风兴科技有限公司 | 一种车牌识别方法及装置 |
CN114463611A (zh) * | 2021-12-18 | 2022-05-10 | 北京工业大学 | 一种非可控环境下的鲁棒中文车牌检测与校正方法 |
CN114332447A (zh) * | 2022-03-14 | 2022-04-12 | 浙江大华技术股份有限公司 | 一种车牌矫正方法、车牌矫正装置和计算机可读存储介质 |
CN114332447B (zh) * | 2022-03-14 | 2022-08-09 | 浙江大华技术股份有限公司 | 一种车牌矫正方法、车牌矫正装置和计算机可读存储介质 |
CN114677502A (zh) * | 2022-05-30 | 2022-06-28 | 松立控股集团股份有限公司 | 一种任意倾斜角度的车牌检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059683A (zh) | 一种基于端到端神经网络的大角度车牌倾斜矫正方法 | |
CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN111145228B (zh) | 基于局部轮廓点与形状特征融合的异源图像配准方法 | |
CN107590438A (zh) | 一种智能辅助驾驶方法及*** | |
CN107577996A (zh) | 一种车辆驾驶路径偏移的识别方法及*** | |
CN107609486A (zh) | 一种车辆前向防撞预警方法及*** | |
CN108122256A (zh) | 一种逼近状态下旋转目标位姿测量的方法 | |
Ming et al. | Vehicle detection using tail light segmentation | |
CN106156723A (zh) | 一种基于视觉的路口精定位方法 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN108416292A (zh) | 一种基于深度学习的无人机航拍图像道路提取方法 | |
CN113516853B (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
Wang et al. | Map-enhanced ego-lane detection in the missing feature scenarios | |
CN112801021B (zh) | 基于多级语义信息的车道线检测方法及*** | |
CN113221739B (zh) | 基于单目视觉的车距测量方法 | |
CN107301371A (zh) | 一种基于图像信息融合的非结构化道路检测方法及*** | |
Takahashi et al. | A robust lane detection using real-time voting processor | |
Jin et al. | Road curvature estimation using a new lane detection method | |
CN111881878A (zh) | 一种环视复用的车道线识别方法 | |
CN106023270A (zh) | 一种基于局部对称特征的视频车辆检测方法 | |
CN111353481A (zh) | 基于激光点云与视频图像的道路障碍物识别方法 | |
CN111191694A (zh) | 图像立体匹配方法 | |
CN116665097A (zh) | 一种结合上下文感知的自适应目标跟踪方法 | |
Chen et al. | A new adaptive region of interest extraction method for two-lane detection | |
Komori et al. | Driving lane detection based on recognition of road boundary situation |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190726 |