CN110738139B - 一种融合Min-Max目标的NIN车牌识别方法 - Google Patents
一种融合Min-Max目标的NIN车牌识别方法 Download PDFInfo
- Publication number
- CN110738139B CN110738139B CN201910917960.7A CN201910917960A CN110738139B CN 110738139 B CN110738139 B CN 110738139B CN 201910917960 A CN201910917960 A CN 201910917960A CN 110738139 B CN110738139 B CN 110738139B
- Authority
- CN
- China
- Prior art keywords
- license plate
- size
- convolution kernel
- layer
- nin
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
-
- 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
- G06N3/08—Learning 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种融合Min‑Max目标的NIN车牌识别方法,首先采用平均值法对彩色原始图像进行灰度化处理及去噪;然后使用Sobel算子检测经处理后的去噪图像边缘,计算每个像素点的灰度值,得到多个单连通区域;计算单连通区域的长度、宽度,根据车牌的特征设定长、宽范围,删除不在此范围的单连通区域,再计算单连通区域的长宽比,删除不符合比例设定的单连通区域,得到车牌区域;对得到的车牌区域使用纵向和横向投影相结合的方法,确定字符边界,对确定边界的字符进行归一化处理,通过融合Min‑Max目标的NIN模型得到车牌识别结果。本发明解决了现有技术中存在的在复杂背景、车牌脏污等情况下,识别率不理想的问题。
Description
技术领域
本发明属于车牌识别技术领域,具体涉及一种融合Min-Max目标的NIN车牌识别方法。
背景技术
无论是现在居多的燃油车辆还是未来将要出现的新能源车辆,车牌必不可少,其中车牌识别技术是识别车辆身份的主要手段。虽然车牌识别技术已得到广泛应用,但现有识别技术在复杂背景、车牌脏污等情况下,识别率不理想。针对这些问题,本发明提出融合Min-Max目标的NIN车牌识别方法,其目的是融合Min-Max目标的NIN模型增加网络卷积层的非线性能力、加快训练速度、实现特征的不变性,进而提高复杂场景下车牌识别的准确率。
Network in Network(NIN)模型,首先将传统卷积神经网络(ConvolutionalNeural Network,CNN)中卷积层的单层感知机替换成多层感知机(MultilayerPerceptron,MLP),增加了网络卷积层的非线性能力;其次将全连接层替换成全局平均池化层,防止过拟合、减小网络的参数数量、加快训练速度。
目标识别的关键是不变的特征,但是当物***置变换、光照变化、形状变化、视角变化时,描述目标的特征向量也会发生相应的改变。然而,若把这些特征向量投影到一个高维特征空间(与特征向量的维数相同),在空间中会形成一个低维流形。如果当属于每个特定对象的流形变得紧凑,并且两个流形之间的边界变大时,则实现了不变性。融合Min-Max目标的模型训练的特征具有如下两个优点:1)每个目标的流形尽可能紧凑;2)不同目标的流形之间的边界尽可能大。
发明内容
本发明的目的是提供一种融合Min-Max目标的NIN车牌识别方法,解决了现有技术中存在的在复杂背景、车牌脏污等情况下,识别率不理想的问题。
本发明所采用的技术方案是,一种融合Min-Max目标的NIN车牌识别方法,具体按照以下步骤实施:
步骤1、首先采用平均值法对彩色原始图像进行灰度化处理,再利用3*3的高斯平滑与中值滤波进行去噪;
步骤2、首先使用Sobel算子检测经步骤1处理后的去噪图像边缘,其次,计算每个像素点的灰度值,如果灰度大于阈值ε,则认为该像素点为边缘点;采用最大阈值法对检测边缘后的图像进行二值化,并进行形态学处理,得到多个单连通区域;
步骤3、计算单连通区域的长度、宽度,根据车牌的特征设定长、宽范围,删除不在此范围的单连通区域,再计算单连通区域的长宽比,删除不符合比例设定的单连通区域,得到车牌区域;
步骤4、对得到的车牌区域使用纵向和横向投影相结合的方法,确定字符边界,对确定边界的字符进行归一化处理,得到像素大小为32*40大小的字符;
步骤5、通过融合Min-Max目标的NIN模型得到车牌识别结果。
本发明的特点还在于,
步骤2具体如下:
步骤2.3、进行形态学处理,即先通过膨胀,使其中部分轮廓突出,再腐蚀去掉部分细节,最后再膨胀使轮廓更加明显,得到多个单连通区域。
步骤3具体如下:
步骤3.1、先进行轮廓查找,接着通过计算轮廓面积,按照车牌的长宽比3:1确定图中最有可能是车牌的区域;
步骤3.2、利用霍夫变换检测直线,矫正倾斜的车牌图像;
步骤3.3、对车牌进一步裁剪,通过坐标改变裁剪区域大小,去除边框线及上下铆钉等干扰项,只保留车牌部分;
步骤3.4、对车牌灰度化、二值化处理,设定二值化阈值为170,保留黑底白字的图片。
步骤4具体如下:
步骤4.1、对得到的车牌区域进行纵向投影,计算字符宽度,确定字符中间位置,并计算相邻两个字符间距,取其最大值定为第二个字符和第三个字符之间的距离,以此为分界线,分别向前、后方向进行切分,定位出字符的左右边界;
步骤4.2、对切分后的字符进行横向投影,确定字符具体的上下边界;
步骤4.3、对确定边界的字符进行归一化处理,得到像素大小为32*40大小的字符。
步骤5中融合Min-Max目标的NIN模型具体结构为:包括3个MLP卷积层,1个全局平均池化层,1个Min-Max目标层,1个softmax层,3个MLP卷积层结构相同,每个MLP卷积层共有6层:依次为1个5*5卷积层、1个Relu非线性层、1个1*1的卷积层、1个Relu非线性层、1个1*1的卷积层、1个Relu非线性层,其中,5*5卷积层可以提取图像的局部特征,1*1卷积层有跨通道交互和信息整合作用,同时还能进行卷积核通道数的降维和升维,减少参数。
步骤5中融合Min-Max目标的NIN模型参数设置如下:
第一个MLP卷积层:
卷积核大小为5*5,卷积核数量192,扩充像素为2,卷积核的步长为1;
卷积核大小为1*1,卷积核数量160,扩充像素为0,卷积核的步长为1;
卷积核大小为1*1,卷积核数量96,扩充像素为0,卷积核的步长为1;
第二个MLP卷积层:
卷积核大小为5*5,卷积核数量192,扩充像素为2,卷积核的步长为1;
卷积核大小为1*1,卷积核数量192,充像素为0,积核的步长为1;
卷积核大小为1*1,卷积核数量192,扩充像素为0,卷积核的步长为1;
第三个MLP卷积层:
卷积核大小为5*5,卷积核数量192,扩充像素为1,卷积核的步长为1;
卷积核大小为1*1,卷积核数量192,扩充像素为0,卷积核的步长为1;
卷积核大小为1*1,卷积核数量10,扩充像素为0,卷积核的步长为1;
Min-Max目标层:
λ=4×10-6
k=5。
步骤5中Min-Max目标的全局平均池化层的损失函数如下:
其中,I(W,Xi,ci)为样本Xi分类误差,k是指将Min-Max目标嵌入到第k层,φ(Ak,c)为Min-Max目标函数,表示所有训练样本在第k层生成的特征图集合,表示对应的标签集合,λ表示调整权值的超参数,其中,φ(Ak,c)计算公式如下:
其中,S(B)为目标流形间的距离,S(W)为目标流形内的距离,
S(W)=tr(S(w)) (3)
S(B)=tr(S(B)) (4)
tr()表示矩阵的迹,其中S(W)和S(B)计算公式分别为:
本发明的有益效果是,一种融合Min-Max目标的NIN车牌识别方法,通过对原始图像进行预处理、检测边缘并二值化、定位车牌区域、分割字符和数字、训练融合Min-Max目标的NIN模型并输出识别结果,可以有效减少噪声干扰、加快训练速度、提高识别的准确率。
附图说明
图1为本发明车牌识别流程图;
图2为本发明中融合Min-Max目标的NIN模型图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种融合Min-Max目标的NIN车牌识别方法,流程图如图1所示,具体按照以下步骤实施:
步骤1、首先采用平均值法对彩色原始图像进行灰度化处理,再利用3*3的高斯平滑与中值滤波进行去噪;
步骤2、首先使用Sobel算子检测经步骤1处理后的去噪图像边缘,其次,计算每个像素点的灰度值,如果灰度大于阈值ε,则认为该像素点为边缘点;采用最大阈值法对检测边缘后的图像进行二值化,并进行形态学处理,得到多个单连通区域,具体如下:
步骤2.3、进行形态学处理,即先通过膨胀,使其中部分轮廓突出,再腐蚀去掉部分细节,最后再膨胀使轮廓更加明显,得到多个单连通区域。
步骤3、计算单连通区域的长度、宽度,根据车牌的特征设定长、宽范围,删除不在此范围的单连通区域,再计算单连通区域的长宽比,删除不符合比例设定的单连通区域,得到车牌区域,具体如下:
步骤3.1、先进行轮廓查找,接着通过计算轮廓面积,按照车牌的长宽比3:1确定图中最有可能是车牌的区域;
步骤3.2、利用霍夫变换检测直线,矫正倾斜的车牌图像;
步骤3.3、对车牌进一步裁剪,通过坐标改变裁剪区域大小,去除边框线及上下铆钉等干扰项,只保留车牌部分;
步骤3.4、对车牌灰度化、二值化处理,设定二值化阈值为170,保留黑底白字的图片。
步骤4、对得到的车牌区域使用纵向和横向投影相结合的方法,确定字符边界,对确定边界的字符进行归一化处理,得到像素大小为32*40大小的字符,具体如下:
步骤4.1、对得到的车牌区域进行纵向投影,计算字符宽度,确定字符中间位置,并计算相邻两个字符间距,取其最大值定为第二个字符和第三个字符之间的距离,以此为分界线,分别向前、后方向进行切分,定位出字符的左右边界;
步骤4.2、对切分后的字符进行横向投影,确定字符具体的上下边界;
步骤4.3、对确定边界的字符进行归一化处理,得到像素大小为32*40大小的字符。
如图2所示,步骤5、通过融合Min-Max目标的NIN模型得到车牌识别结果,其中融合Min-Max目标的NIN模型具体结构为:包括3个MLP卷积层,1个全局平均池化层,1个Min-Max目标层,1个softmax层,3个MLP卷积层结构相同,每个MLP卷积层共有6层:依次为1个5*5卷积层、1个Relu非线性层、1个1*1的卷积层、1个Relu非线性层、1个1*1的卷积层、1个Relu非线性层,其中,5*5卷积层可以提取图像的局部特征,1*1卷积层有跨通道交互和信息整合作用,同时还能进行卷积核通道数的降维和升维,减少参数。
步骤5中融合Min-Max目标的NIN模型参数设置如下:
第一个MLP卷积层:
卷积核大小为5*5,卷积核数量192,扩充像素为2,卷积核的步长为1;
卷积核大小为1*1,卷积核数量160,扩充像素为0,卷积核的步长为1;
卷积核大小为1*1,卷积核数量96,扩充像素为0,卷积核的步长为1;
第二个MLP卷积层:
卷积核大小为5*5,卷积核数量192,扩充像素为2,卷积核的步长为1;
卷积核大小为1*1,卷积核数量192,充像素为0,积核的步长为1;
卷积核大小为1*1,卷积核数量192,扩充像素为0,卷积核的步长为1;
第三个MLP卷积层:
卷积核大小为5*5,卷积核数量192,扩充像素为1,卷积核的步长为1;
卷积核大小为1*1,卷积核数量192,扩充像素为0,卷积核的步长为1;
卷积核大小为1*1,卷积核数量10,扩充像素为0,卷积核的步长为1;
Min-Max目标层:
λ=4×10-6
k=5。
步骤5中Min-Max目标的全局平均池化层的损失函数如下:
其中,I(W,Xi,ci)为样本Xi分类误差,k是指将Min-Max目标嵌入到第k层,φ(Ak,c)为Min-Max目标函数,表示所有训练样本在第k层生成的特征图集合,表示对应的标签集合,λ表示调整权值的超参数,其中,φ(Ak,c)计算公式如下:
其中,S(B)为目标流形间的距离,S(W)为目标流形内的距离,
S(W)=tr(S(w)) (3)
S(B)=tr(S(B)) (4)
tr()表示矩阵的迹,其中S(W)和S(B)计算公式分别为:
本发明一种融合Min-Max目标的NIN车牌识别方法,检测边缘过程中,通过最大阈值法产生二值图像,设定阈值为170,像素大于170的部分转换为255,小于的转换为0。形态学操作主要是先通过膨胀,使其中部分轮廓突出,再腐蚀去掉部分细节,最后再膨胀使轮廓更加明显,得到的图像上会分成几个区域。在车牌区域定位时,先进行轮廓查找,接着通过计算轮廓面积,按照车牌的长宽比(3:1)确定图中最有可能是车牌的区域。利用霍夫变换检测直线,矫正倾斜的车牌图像。之后对车牌进一步裁剪,通过坐标改变裁剪区域大小,去除边框线及上下铆钉等干扰项,只保留车牌部分。对车牌灰度化、二值化处理,设定二值化阈值为170,保留黑底白字的图片。
本发明一种融合Min-Max目标的NIN车牌识别方法,运用融合Min-Max目标的NIN模型增加网络卷积层的非线性能力、加快训练速度、实现特征的不变性,进而提高复杂场景下车牌识别的准确率。在开源的车牌数据集CCPD(Chinese City Parking Dataset,其中包含正样本约20万张,负样本约3万张)进行实验,识别率达到97.14%。
Claims (6)
1.一种融合Min-Max目标的NIN车牌识别方法,其特征在于,具体按照以下步骤实施:
步骤1、首先采用平均值法对彩色原始图像进行灰度化处理,再利用3*3的高斯平滑与中值滤波进行去噪;
步骤2、首先使用Sobel算子检测经步骤1处理后的去噪图像边缘,其次,计算每个像素点的灰度值,如果灰度大于阈值ε,则认为该像素点为边缘点;采用最大阈值法对检测边缘后的图像进行二值化,并进行形态学处理,得到多个单连通区域;
步骤3、计算单连通区域的长度、宽度,根据车牌的特征设定长、宽范围,删除不在此范围的单连通区域,再计算单连通区域的长宽比,删除不符合比例设定的单连通区域,得到车牌区域;
步骤4、对得到的车牌区域使用纵向和横向投影相结合的方法,确定字符边界,对确定边界的字符进行归一化处理,得到像素大小为32*40大小的字符;
步骤5、通过融合Min-Max目标的NIN模型得到车牌识别结果,融合Min-Max目标的NIN模型具体结构为:包括3个MLP卷积层,1个全局平均池化层,1个Min-Max目标层,1个softmax层,3个MLP卷积层结构相同,每个MLP卷积层共有6层:依次为1个5*5卷积层、1个Relu非线性层、1个1*1的卷积层、1个Relu非线性层、1个1*1的卷积层、1个Relu非线性层,其中,5*5卷积层可以提取图像的局部特征,1*1卷积层有跨通道交互和信息整合作用,同时还能进行卷积核通道数的降维和升维,减少参数。
3.根据权利要求2所述的一种融合Min-Max目标的NIN车牌识别方法,其特征在于,所述步骤3具体如下:
步骤3.1、先进行轮廓查找,接着通过计算轮廓面积,按照车牌的长宽比3:1确定图中最有可能是车牌的区域;
步骤3.2、利用霍夫变换检测直线,矫正倾斜的车牌图像;
步骤3.3、对车牌进一步裁剪,通过坐标改变裁剪区域大小,去除边框线及上下铆钉等干扰项,只保留车牌部分;
步骤3.4、对车牌灰度化、二值化处理,设定二值化阈值为170,保留黑底白字的图片。
4.根据权利要求3所述的一种融合Min-Max目标的NIN车牌识别方法,其特征在于,所述步骤4具体如下:
步骤4.1、对得到的车牌区域进行纵向投影,计算字符宽度,确定字符中间位置,并计算相邻两个字符间距,取其最大值定为第二个字符和第三个字符之间的距离,以此为分界线,分别向前、后方向进行切分,定位出字符的左右边界;
步骤4.2、对切分后的字符进行横向投影,确定字符具体的上下边界;
步骤4.3、对确定边界的字符进行归一化处理,得到像素大小为32*40大小的字符。
5.根据权利要求4所述的一种融合Min-Max目标的NIN车牌识别方法,其特征在于,所述步骤5中融合Min-Max目标的NIN模型参数设置如下:
第一个MLP卷积层:
卷积核大小为5*5,卷积核数量192,扩充像素为2,卷积核的步长为1;
卷积核大小为1*1,卷积核数量160,扩充像素为0,卷积核的步长为1;
卷积核大小为1*1,卷积核数量96,扩充像素为0,卷积核的步长为1;
第二个MLP卷积层:
卷积核大小为5*5,卷积核数量192,扩充像素为2,卷积核的步长为1;
卷积核大小为1*1,卷积核数量192,充像素为0,积核的步长为1;
卷积核大小为1*1,卷积核数量192,扩充像素为0,卷积核的步长为1;
第三个MLP卷积层:
卷积核大小为5*5,卷积核数量192,扩充像素为1,卷积核的步长为1;
卷积核大小为1*1,卷积核数量192,扩充像素为0,卷积核的步长为1;
卷积核大小为1*1,卷积核数量10,扩充像素为0,卷积核的步长为1;
Min-Max目标层:
λ=4×10-6
k=5。
6.根据权利要求5所述的一种融合Min-Max目标的NIN车牌识别方法,其特征在于,所述步骤5中Min-Max目标的全局平均池化层的损失函数如下:
其中,I(W,Xi,ci)为样本Xi分类误差,k是指将Min-Max目标嵌入到第k层,φ(Ak,c)为Min-Max目标函数,表示所有训练样本在第k层生成的特征图集合,表示对应的标签集合,λ表示调整权值的超参数,其中,φ(Ak,c)计算公式如下:
其中,S(B)为目标流形间的距离,S(W)为目标流形内的距离,
S(W)=tr(S(w)) (3)
S(B)=tr(S(B)) (4)
tr()表示矩阵的迹,其中S(W)和S(B)计算公式分别为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910917960.7A CN110738139B (zh) | 2019-09-26 | 2019-09-26 | 一种融合Min-Max目标的NIN车牌识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910917960.7A CN110738139B (zh) | 2019-09-26 | 2019-09-26 | 一种融合Min-Max目标的NIN车牌识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738139A CN110738139A (zh) | 2020-01-31 |
CN110738139B true CN110738139B (zh) | 2023-04-07 |
Family
ID=69268221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910917960.7A Active CN110738139B (zh) | 2019-09-26 | 2019-09-26 | 一种融合Min-Max目标的NIN车牌识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738139B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291806A (zh) * | 2020-02-02 | 2020-06-16 | 西南交通大学 | 一种基于卷积神经网络工业产品标签号的识别方法 |
CN113139921B (zh) * | 2021-05-12 | 2024-03-15 | 北京京东方光电科技有限公司 | 图像处理方法、显示装置、电子设备及存储介质 |
CN113361473B (zh) * | 2021-06-30 | 2023-12-08 | 北京百度网讯科技有限公司 | 图像处理、模型训练方法、装置、设备、存储介质及程序 |
CN115131776B (zh) * | 2022-04-12 | 2023-05-12 | 公安部交通管理科学研究所 | 一种融合新能源汽车特征的车牌图像字符分类识别方法 |
CN116311212B (zh) * | 2023-05-15 | 2023-08-18 | 青岛恒天翼信息科技有限公司 | 基于高速摄像机实现运动状态下的船号识别方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545239A (zh) * | 2017-07-06 | 2018-01-05 | 南京理工大学 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
CN108416348A (zh) * | 2018-01-29 | 2018-08-17 | 重庆邮电大学 | 基于支持向量机和卷积神经网络的车牌定位识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011074078A1 (ja) * | 2009-12-15 | 2011-06-23 | キヤノン株式会社 | 画像処理装置、画像処理方法、撮像システム及びプログラム |
-
2019
- 2019-09-26 CN CN201910917960.7A patent/CN110738139B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545239A (zh) * | 2017-07-06 | 2018-01-05 | 南京理工大学 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
CN108416348A (zh) * | 2018-01-29 | 2018-08-17 | 重庆邮电大学 | 基于支持向量机和卷积神经网络的车牌定位识别方法 |
Non-Patent Citations (1)
Title |
---|
陈虹 ; 陈蕾 ; 蒋毅 ; .基于边缘检测及数学形态学的快速汽车车牌定位.交通与运输.(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110738139A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738139B (zh) | 一种融合Min-Max目标的NIN车牌识别方法 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
CN106815583B (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
CN105989334B (zh) | 基于单目视觉的道路检测方法 | |
CN102509112A (zh) | 车牌识别方法及其识别*** | |
CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
CN111368742B (zh) | 基于视频分析的双黄交通标线的重建识别方法及*** | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
Mei et al. | A novel framework for container code-character recognition based on deep learning and template matching | |
CN114387592B (zh) | 一种复杂背景下字符定位和识别方法 | |
CN116934762B (zh) | 锂电池极片表面缺陷的检测***及方法 | |
Gu et al. | Vision-based multi-scaled vehicle detection and distance relevant mix tracking for driver assistance system | |
Qin et al. | Robust and accurate text stroke segmentation | |
Qian et al. | A digit recognition system for paper currency identification based on virtual instruments | |
Aung et al. | Study for license plate detection | |
CN113128500A (zh) | 一种基于Mask-RCNN的非机动车车牌识别方法及*** | |
CN115147823A (zh) | 一种高效准确的车牌识别方法 | |
CN111104885A (zh) | 基于视频深度学习的车辆识别方法 | |
Shuaishuai et al. | Research on License Plate Recognition Algorithm Based on OpenCV | |
Kim | Minimizing Illumination Effect in License Plate Recognition | |
Wang et al. | Improved Object Detection in Forward-Looking Sonar Images with Attention-YOLOv8 and Denoising Algorithms | |
CN117315702B (zh) | 基于集合预测的文本检测方法、***及介质 | |
Martyshkin et al. | Research of the Handwriting Recognition Methods |
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 |