CN111461112B - 一种基于双循环转录网络的车牌字符识别方法 - Google Patents

一种基于双循环转录网络的车牌字符识别方法 Download PDF

Info

Publication number
CN111461112B
CN111461112B CN202010138872.XA CN202010138872A CN111461112B CN 111461112 B CN111461112 B CN 111461112B CN 202010138872 A CN202010138872 A CN 202010138872A CN 111461112 B CN111461112 B CN 111461112B
Authority
CN
China
Prior art keywords
license plate
sequence
character
lstm
characters
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
CN202010138872.XA
Other languages
English (en)
Other versions
CN111461112A (zh
Inventor
谢巍
王缙
潘春文
吴伟林
廉胤东
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010138872.XA priority Critical patent/CN111461112B/zh
Publication of CN111461112A publication Critical patent/CN111461112A/zh
Application granted granted Critical
Publication of CN111461112B publication Critical patent/CN111461112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了一种基于双循环转录网络的车牌字符识别方法，用于对车牌图像中样本失衡的汉字字符、英文字符、数字字符进行识别，包括以下步骤：首先通过卷积神经网络提取车牌图像特征，然后在双循环转录网络内搭建两个并行排列的Bi‑LSTM，两个并行排列的Bi‑LSTM分别对汉字字符和英文字符、数字字符进行特征计算，得到车牌字符置信度估计序列，最后通过转录层对车牌字符置信度估计序列进行映射，得到预测标签。该发明成功解决了在车牌字符识别中训练样本失衡问题，提升了车牌字符识别方法的准确率。另外，通过在实际场景应用该车牌字符识别方法，验证本发明的有效性。

Description

一种基于双循环转录网络的车牌字符识别方法
技术领域
本发明涉及计算机视觉和模式识别技术领域，具体涉及一种基于双循环转录网络的车牌字符识别方法。
背景技术
在很多深度学习任务中，训练集中存在某些类别下的样本数远大于另一些类别下的样本数，这就是样本失衡。样本失衡问题在车牌数据集上尤为明显。对于单排字符车牌，第一位的字符为省份字符，第二位至第七位字符为英文和数字字符，在车牌数据集中，数字和英文字符数量是汉字字符的数倍，因此存在严重的样本失衡问题，其中样本数目较少的类别被称为困难样本，样本数目较多的类别称为简单样本。样本失衡问题将导致车牌字符识别精度低的问题。
传统方法通过对困难样本增加权重来加强对困难样本的学习，但对于序列字符识别，该方法并不适用。因此本专利提出一种基于双循环转录网络的车牌字符识别方法来解决在车牌数据集中的样本失衡问题。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于双循环转录网络的车牌字符识别方法。
本发明的目的可以通过采取如下技术方案达到：
一种基于双循环转录网络的车牌字符识别方法，所述的车牌字符识别方法包括构建、训练双循环转录网络和应用双循环转录网络进行车牌识别，其中，所述的构建、训练双循环转录网络包括以下步骤：
S1、使用卷积层、池化层、Relu层构造深度卷积神经网络，对车牌图像进行特征提取，得到包含相对位置信息和时序信息的序列特征图x＝{x1,x2,…xi…,xT}，其中xi∈R256，xi表示序列特征图的第i帧序列，T表示序列特征图宽度；
S2、构建Bi-LSTM(Bi-directional Long Short-Term Memory)，将序列特征图全部输入到Bi-LSTM，得到车牌字符置信度估计序列p＝{p1,p2,…,pT}，其中T表示置信度估计序列p的长度，p和x长度相等，所述的Bi-LSTM由两个并行的循环层构成，两个循环层传播方向相反，每个循环层由T个LSTM单元链式连接而成，LSTM单元内含有输入门和输出门，将序列特征图的第i，i＝1,2,…,T帧序列xi对应输入到第i，i＝1,2,…,T个LSTM单元的输入门，然后用softmax激活函数对LSTM输出门输出的值进行转化，得到车牌字符置信度估计序列p；
S3、构建转录层，对车牌字符置信度估计序列p进行映射，得到预测标签序列；
S4、构建双循环转录网络，双循环转录网络由一个深度卷积神经网络和两个并行排列的Bi-LSTM构成，两个Bi-LSTM分别称为第一Bi-LSTM和第二Bi-LSTM，深度卷积神经网络输出的序列特征图x分别输入第一Bi-LSTM和第二Bi-LSTM，对第一Bi-LSTM输出的车牌字符置信度估计序列进行转录，得到汉字字符预测标签序列，对第二Bi-LSTM输出的车牌字符置信度估计序列进行转录，得到英文字符和数字字符的预测标签序列；
S5、用含有汉字字符的车牌图像对深度卷积神经网络和第一Bi-LSTM进行训练，得到深度卷积神经网络的参数和第一Bi-LSTM的参数，固定深度卷积神经网络的参数，用含有英文字符和数字字符的车牌图像对第二Bi-LSTM进行训练，得到第二Bi-LSTM的参数；
所述的应用双循环转录网络进行车牌识别，包括以下步骤：
T1、将待识别的车牌图像输入训练完成的双循环转录网络，对第一Bi-LSTM和第二Bi-LSTM输出的车牌字符置信度估计序列分别进行转录，得到第一预测标签序列和第二预测标签序列；
T2、合并第一预测标签序列和第二预测标签序列，得到最终的车牌字符识别结果。
进一步地，所述的转录层用于对车牌字符置信度估计序列p进行映射，得到预测标签序列，定义车牌字符类别集合L＝{0,1,2,3,4,5,6,7,8,9，A,B,C,D,E,F,G,H,J,K,L,M,N,P,Q,R,S,T,U,V,W,X,Y，京，津，晋，冀，蒙，辽，吉，黑，沪，苏，浙，皖，闽，赣，鲁，豫，鄂，湘，粤，桂，琼，渝，川，贵，云，藏，陕，甘，青，宁，新，学，挂，使，警，港，澳}，因为车牌图像中相邻两个车牌字符之间没有字符，所以字符类别集合L中***空白字符，其中空白字符用”-”符号表示，得到车牌字符类别集合L′，其中L′＝L∪{“-”}；对车牌置信度估计序列p做B变换，得到预测标签序列，定义B变换的输入为m序列，输出为n序列，m序列和n序列中的所有字符选自车牌字符类别集合L′，定义B变换规则如下：当输入的m序列中存在相邻的相同字符时，对相同字符进行合并，当输入的m序列中有”-”字符时，无论”-”字符的相邻字符是否为相同字符，直接将”-”字符删除，同时将”-”字符的相邻字符保留，最后m序列筛选后剩余的字符组合成输出的n序列，其中n序列的长度小于m序列的长度；
对车牌字符置信度估计序列p进行B变换，得到预测标签序列。
进一步地，合并第一预测标签序列和第二预测标签序列的方式包括以下三种情况：
情况(1)：第一预测标签序列为省份字符，第二预测标签序列为英文字符和数字字符，合并方式为省份字符在前，英文字符和数字字符在后；
情况(2)：第一预测标签序列为车牌类别字符和省份字符，第二预测标签序列为英文字符和数字字符，合并方式为省份字符在前，英文字符和数字字符在中，车牌类别字符在后；
情况(3)：第一预测标签序列和第二预测标签序列都为英文字符和数字字符，将第一预测标签序列作为最终的车牌字符识别结果；
其中，情况(1)对应普通车牌和新能源车牌，该普通车牌包括蓝牌和黄牌，情况(2)对应港澳车牌、教练车牌、拖挂车牌、使馆车牌，情况(3)对应警队车牌、军队车牌。
本发明相对于现有技术具有如下的优点及效果：
1、本发明提出的一种基于双循环转录网络的车牌字符识别方法，通过采用两个并行的Bi-LSTM对样本失衡类别分别进行预测，提高车牌字符识别准确率。
2、本发明提出的一种基于双循环转录网络的车牌字符识别方法，通过Bi-LSTM处理具有时序信息的特征图，提高车牌字符识别的准确率。
附图说明
图1是本发明实施例公开的一种基于双循环转录网络的车牌字符方法中双循环转录网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
本实施例公开了一种基于双循环转录网络的车牌字符识别方法，该车牌字符识别方法包括构建、训练双循环转录网络和应用双循环转录网络进行车牌识别。
本实施例中，构建、训练双循环转录网络包括以下步骤：
S1、使用卷积层、池化层、Relu层构造深度卷积神经网络，对车牌图像进行特征提取，得到包含相对位置信息和时序信息的序列特征图x＝{x1,x2,…xi…,xT},其中xi∈R256，xi表示序列特征图的第i帧序列，T表示序列特征图宽度；
S2、构建Bi-LSTM(Bi-directional Long Short-Term Memory)，将序列特征图全部输入到Bi-LSTM，得到车牌字符置信度估计序列p＝{p1,p2,…,pT}，其中T表示置信度估计序列p的长度，p和x长度相等，所述的Bi-LSTM由两个并行的循环层构成，两个循环层传播方向相反，每个循环层由T个LSTM单元链式连接而成，LSTM单元内含有输入门和输出门，将序列特征图的第i，i＝1,2,…,T帧序列xi对应输入到第i，i＝1,2,…,T个LSTM单元的输入门，然后用softmax激活函数对LSTM输出门输出的值进行转化，得到车牌字符置信度估计序列p；
这里通过采用LSTM单元，可以解决双循环转录网络在训练时出现梯度消失和梯度***的问题，同时可以捕获序列特征图内的时序信息，增强双循环转录网络的拟合能力。
S3、设计转录层，对车牌字符置信度估计序列p进行映射，得到预测标签序列。
定义车牌字符类别集合L＝{0,1,2,3,4,5,6,7,8,9，A,B,C,D,E,F,G,H,J,K,L,M,N,P,Q,R,S,T,U,V,W,X,Y，京，津，晋，冀，蒙，辽，吉，黑，沪，苏，浙，皖，闽，赣，鲁，豫，鄂，湘，粤，桂，琼，渝，川，贵，云，藏，陕，甘，青，宁，新，学，挂，使，警，港，澳}，因为车牌图像中相邻两个车牌字符之间没有字符，所以字符类别集合L中***空白字符，其中空白字符用”-”符号表示，得到车牌字符类别集合L′，其中L′＝L∪{“-”}；对车牌置信度估计序列p做B变换，得到预测标签序列，定义B变换的输入为m序列，输出为n序列，m序列和n序列中的所有字符选自车牌字符类别集合L′，定义B变换规则如下：当输入的m序列中存在相邻的相同字符时，对相同字符进行合并，当输入的m序列中有”-”字符时，无论”-”字符的相邻字符是否为相同字符，直接将”-”字符删除，同时将”-”字符的相邻字符保留，最后m序列筛选后剩余的字符组合成输出的n序列，其中n序列的长度小于m序列的长度；
假设π1和π2为车牌字符置信度估计序列,对π1做B变换：
B(π1)＝B(”-”“-”stta”-”t”-”“-”“-”e)＝state
对π2做B变化：
B(π2)＝B(”-”sta”-”atte”-”e”-”)＝staatee
对车牌字符置信度估计序列p进行B变换，得到预测标签序列。
S4、搭建双循环转录网络，双循环转录网络由一个深度卷积神经网络和两个并行排列的Bi-LSTM构成，两个Bi-LSTM分别称为第一Bi-LSTM和第二Bi-LSTM，深度卷积神经网络输出的序列特征图x分别输入第一Bi-LSTM和第二Bi-LSTM，对第一Bi-LSTM输出的车牌字符置信度估计序列进行转录，得到汉字字符预测标签序列，对第二Bi-LSTM输出的车牌字符置信度估计序列进行转录，得到英文字符和数字字符的预测标签序列。
S5、对含有汉字字符的车牌图像进行训练，得到深度卷积神经网络的参数和第一Bi-LSTM的参数。固定深度卷积神经网络的参数，用含有英文和数字字符的车牌图像对第二Bi-LSTM进行训练，得到第二Bi-LSTM的参数。
本实施例中，应用双循环转录网络进行车牌识别，包括以下步骤：
T1、将待识别的车牌图像输入训练完成的双循环转录网络，对第一Bi-LSTM和第二Bi-LSTM输出的车牌字符置信度估计序列分别进行转录，得到第一预测标签序列和第二预测标签序列；
T2、合并第一预测标签序列和第二预测标签序列，得到最终的车牌字符识别结果。
合并第一预测标签序列和第二预测标签序列的方式包括以下三种情况：
情况(1)：第一预测标签序列为省份字符，第二预测标签序列为英文字符和数字字符，合并方式为省份字符在前，英文字符和数字字符在后；
情况(2)：第一预测标签序列为车牌类别字符和省份字符，第二预测标签序列为英文字符和数字字符，合并方式为省份字符在前，英文字符和数字字符在中，车牌类别字符在后；
情况(3)：第一预测标签序列和第二预测标签序列都为英文字符和数字字符，将第一预测标签序列作为最终的车牌字符识别结果；
其中，情况(1)对应普通车牌(蓝牌、黄牌)和新能源车牌，情况(2)对应港澳车牌、教练车牌、拖挂车牌、使馆车牌，情况(3)对应警队车牌、军队车牌；
通过第一Bi-LSTM来对车牌图像中的汉字字符进行识别，第二Bi-LSTM来对车牌图像中的英文字符和数字字符进行识别，有效解决了在车牌字符识别中训练样本失衡问题。
仿真生成110万虚拟车牌数据集，其中100万张虚拟车牌图像用于训练集，10万张虚拟车牌图像用于测试集，对比双循环转录网络和工业界常用的CRNN网络在验证集和测试集上的识别准确率，CRNN网络在验证集上的准确率为98.7％，在测试集上为68％，双循环转录网络在验证集上的准确率为98.9％，在测试集上准确率为95％，本发明提出双循环转录网络在验证集和测试集上的识别准确率都更高，验证了本发明的有效性。
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 (3)

1.一种基于双循环转录网络的车牌字符识别方法，其特征在于，所述的车牌字符识别方法包括构建、训练双循环转录网络和应用双循环转录网络进行车牌识别，其中，所述的构建、训练双循环转录网络包括以下步骤：
S1、使用卷积层、池化层、Relu层构造深度卷积神经网络，对车牌图像进行特征提取，得到包含相对位置信息和时序信息的序列特征图x＝{x1,x2,…xi…,xT}，其中xi∈R256，xi表示序列特征图的第i帧序列，T表示序列特征图宽度；
S2、构建Bi-LSTM，将序列特征图全部输入到Bi-LSTM，得到车牌字符置信度估计序列p＝{p1,p2,…,pT}，其中T表示置信度估计序列p的长度，p和x长度相等，所述的Bi-LSTM由两个并行的循环层构成，两个循环层传播方向相反，每个循环层由T个LSTM单元链式连接而成，LSTM单元内含有输入门和输出门，将序列特征图的第i，i＝1,2,…,T帧序列xi对应输入到第i个LSTM单元的输入门，然后用softmax激活函数对LSTM输出门输出的值进行转化，得到车牌字符置信度估计序列p；
S3、构建转录层，对车牌字符置信度估计序列p进行映射，得到预测标签序列；
S4、构建双循环转录网络，双循环转录网络由一个深度卷积神经网络和两个并行排列的Bi-LSTM构成，两个Bi-LSTM分别称为第一Bi-LSTM和第二Bi-LSTM，深度卷积神经网络输出的序列特征图x分别输入第一Bi-LSTM和第二Bi-LSTM，对第一Bi-LSTM输出的车牌字符置信度估计序列进行转录，得到汉字字符预测标签序列，对第二Bi-LSTM输出的车牌字符置信度估计序列进行转录，得到英文字符和数字字符的预测标签序列；
S5、用含有汉字字符的车牌图像对深度卷积神经网络和第一Bi-LSTM进行训练，得到深度卷积神经网络的参数和第一Bi-LSTM的参数，固定深度卷积神经网络的参数，用含有英文字符和数字字符的车牌图像对第二Bi-LSTM进行训练，得到第二Bi-LSTM的参数；
所述的应用双循环转录网络进行车牌识别，包括以下步骤：
T1、将待识别的车牌图像输入训练完成的双循环转录网络，对第一Bi-LSTM和第二Bi-LSTM输出的车牌字符置信度估计序列分别进行转录，得到第一预测标签序列和第二预测标签序列；
T2、合并第一预测标签序列和第二预测标签序列，得到最终的车牌字符识别结果。
2.根据权利要求1所述的一种基于双循环转录网络的车牌字符识别方法，其特征在于，所述的转录层用于对车牌字符置信度估计序列p进行映射，得到预测标签序列，定义车牌字符类别集合L＝{0,1,2,3,4,5,6,7,8,9，A,B,C,D,E,F,G,H,J,K,L,M,N,P,Q,R,S,T,U,V,W,X,Y，京，津，晋，冀，蒙，辽，吉，黑，沪，苏，浙，皖，闽，赣，鲁，豫，鄂，湘，粤，桂，琼，渝，川，贵，云，藏，陕，甘，青，宁，新，学，挂，使，警，港，澳}，在字符类别集合L中***空白字符，其中空白字符用”-”符号表示，得到车牌字符类别集合L′，其中L′＝L∪{“-”}；对车牌置信度估计序列p做B变换，得到预测标签序列，定义B变换的输入为m序列，输出为n序列，m序列和n序列中的所有字符选自车牌字符类别集合L′，定义B变换规则如下：当输入的m序列中存在相邻的相同字符时，对相同字符进行合并，当输入的m序列中有”-”字符时，无论”-”字符的相邻字符是否为相同字符，直接将”-”字符删除，同时将”-”字符的相邻字符保留，最后m序列筛选后剩余的字符组合成输出的n序列，其中n序列的长度小于m序列的长度；
对车牌字符置信度估计序列p进行B变换，得到预测标签序列。
3.根据权利要求1所述的一种基于双循环转录网络的车牌字符识别方法，其特征在于，合并第一预测标签序列和第二预测标签序列的方式包括以下三种情况：
情况(1)：第一预测标签序列为省份字符，第二预测标签序列为英文字符和数字字符，合并方式为省份字符在前，英文字符和数字字符在后；
情况(2)：第一预测标签序列为车牌类别字符和省份字符，第二预测标签序列为英文字符和数字字符，合并方式为省份字符在前，英文字符和数字字符在中，车牌类别字符在后；
情况(3)：第一预测标签序列和第二预测标签序列都为英文字符和数字字符，将第一预测标签序列作为最终的车牌字符识别结果；
其中，情况(1)对应普通车牌和新能源车牌，该普通车牌包括蓝牌和黄牌，情况(2)对应港澳车牌、教练车牌、拖挂车牌、使馆车牌，情况(3)对应警队车牌、军队车牌。
CN202010138872.XA 2020-03-03 2020-03-03 一种基于双循环转录网络的车牌字符识别方法 Active CN111461112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010138872.XA CN111461112B (zh) 2020-03-03 2020-03-03 一种基于双循环转录网络的车牌字符识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010138872.XA CN111461112B (zh) 2020-03-03 2020-03-03 一种基于双循环转录网络的车牌字符识别方法

Publications (2)

Publication Number Publication Date
CN111461112A CN111461112A (zh) 2020-07-28
CN111461112B true CN111461112B (zh) 2023-02-14

Family

ID=71680006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010138872.XA Active CN111461112B (zh) 2020-03-03 2020-03-03 一种基于双循环转录网络的车牌字符识别方法

Country Status (1)

Country Link
CN (1) CN111461112B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232195B (zh) * 2020-10-15 2024-02-20 北京临近空间飞行器***工程研究所 一种手写汉字识别方法、装置及存储介质
CN112861840A (zh) * 2021-03-10 2021-05-28 上海交通大学 基于多特征融合卷积网络的复杂场景字符识别方法及***
CN113326843B (zh) * 2021-06-17 2022-11-18 讯飞智元信息科技有限公司 车牌识别方法、装置、电子设备和可读存储介质
CN113627297B (zh) * 2021-07-30 2024-06-11 平安科技（深圳）有限公司 图像识别方法、装置、设备及介质
CN114913515B (zh) * 2021-12-31 2024-04-02 北方工业大学 端到端的车牌识别网络构建方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165643A (zh) * 2018-08-21 2019-01-08 浙江工业大学 一种基于深度学习的车牌识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165643A (zh) * 2018-08-21 2019-01-08 浙江工业大学 一种基于深度学习的车牌识别方法

Also Published As

Publication number Publication date
CN111461112A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111461112B (zh) 一种基于双循环转录网络的车牌字符识别方法
CN111476284B (zh) 图像识别模型训练及图像识别方法、装置、电子设备
CN108108732B (zh) 字符辨识***及其字符辨识方法
CN111898538B (zh) 证件鉴伪方法、装置、电子设备及存储介质
CN110472652A (zh) 基于语义引导的少量样本分类方法
CN115578735B (zh) 文本检测方法和文本检测模型的训练方法、装置
CN109726718A (zh) 一种基于关系正则化的视觉场景图生成***及方法
CN112528934A (zh) 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法
CN113158656B (zh) 讽刺内容识别方法、装置、电子设备以及存储介质
CN111444905B (zh) 基于人工智能的图像识别方法和相关装置
CN112883968A (zh) 图像字符识别方法、装置、介质及电子设备
CN106897770B (zh) 一种建立车牌识别模型的方法及装置
CN111738290B (zh) 图像检测方法、模型构建和训练方法、装置、设备和介质
Bintoro et al. Lampung script recognition using convolutional neural network
CN111898570A (zh) 基于双向特征金字塔网络的图像中文本识别方法
CN112364198A (zh) 一种跨模态哈希检索方法、终端设备及存储介质
TWI810993B (zh) 模型產生裝置及方法
CN114998809A (zh) 一种基于albert和多模态循环融合的虚假新闻检测方法及***
CN114741697B (zh) 恶意代码分类方法、装置、电子设备和介质
CN115114408A (zh) 多模态情感分类方法、装置、设备及存储介质
Jia et al. Sample generation of semi‐automatic pavement crack labelling and robustness in detection of pavement diseases
CN115620342A (zh) 跨模态行人重识别方法、***及计算机
Singhal et al. Universal quantitative steganalysis using deep residual networks
CN109871835B (zh) 一种基于互斥正则化技术的人脸识别方法
CN114529908A (zh) 一种离线手写化学反应式图像识别技术

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