CN111914845A - 一种车牌中字符分层方法、装置及电子设备 - Google Patents
一种车牌中字符分层方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111914845A CN111914845A CN202010633195.9A CN202010633195A CN111914845A CN 111914845 A CN111914845 A CN 111914845A CN 202010633195 A CN202010633195 A CN 202010633195A CN 111914845 A CN111914845 A CN 111914845A
- Authority
- CN
- China
- Prior art keywords
- character
- characters
- coordinates
- determining
- license plate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000011218 segmentation Effects 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims description 60
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 8
- 239000010410 layer Substances 0.000 description 103
- 238000010586 diagram Methods 0.000 description 20
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000012163 sequencing technique Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000002356 single layer Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Character Input (AREA)
Abstract
本申请提供一种车牌中字符分层方法、装置及电子设备,用以区分倾斜的包含双层字符车牌中的上层字符和下层字符,提高未校正车牌的车牌识别准确率。本申请的基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标,其中,同一端点集合中端点的水平坐标值相同,且不同端点集合中端点的水平坐标值不同;根据所述备选分割线的两个端点集合,确定多个备选分割线,其中所述备选分割线的端点属于不同端点集合;根据所述基准点与备选分割线之间的距离,确定所述多个字符的目标分割线;基于所述目标分割线和所述基准点的位置关系,确定所述多个字符中的上层字符和下层字符。
Description
技术领域
本申请涉及信息处理领域,尤其涉及一种车牌中字符分层方法、装置及电子设备。
背景技术
车牌识别技术广泛应用于高速公路的收费站,停车场,以及小区的出入口处等车辆管理场景中。自动车牌识别能够实现对车辆的自动化管理,降低人力成本,提升车辆管理效率。可以通过识别安装在车辆上的智能IC卡或者条形码,将识别到的IC卡或条形码与车牌号码匹配,实现识别车牌的过程,这种方法识别准确率高,识别***运行平稳且可靠,但是需要安装额外的硬件装置,导致设备成本较高难以广泛应用。为避免安装额外的硬件装置,通常利用识别车辆图像中的车牌字符的方法实现车牌识别。
在车牌包含双层字符的场景中,需要识别出车牌中各字符位置,以便于根据字符的位置区分上层字符和下层字符。因采集车牌图像的角度存在倾斜,相关技术为提高字符位置确定的准确度,在车牌识别之前需要对车牌图像进行校正处理。由于图像中车牌倾斜角度各不相同,图像校正效果也不相同,若发生图像过度校正或校正效果较差,都会影响字符的识别以及确定字符位置,造成车牌识别错误率高,甚至无法识别。
发明内容
本申请提供一种车牌中字符分层方法、装置及电子设备,用以区分倾斜的包含双层字符车牌中的上层字符和下层字符,提高未校正车牌的车牌识别准确率。
本申请的技术方案如下:
根据本申请实施例的第一方面,提供一种对车牌中字符分层方法,包括:
基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标,其中,同一端点集合中端点的水平坐标值相同,且不同端点集合中端点的水平坐标值不同;
根据备选分割线的两个端点集合,确定多个备选分割线,其中备选分割线的端点属于不同端点集合;
根据基准点与备选分割线之间的距离,确定多个字符的目标分割线;
基于目标分割线和基准点的位置关系,确定多个字符中的上层字符和下层字符。
上述实施例中,利用未校正处理的车牌图像中各字符基准点的坐标,确定出能够区分车牌中上层字符和下层字符的分割线,根据确定出的分割线与字符基准点的位置关系,实现区分上层字符和下层字符,有效区分上层和下层字符,为无图形校正处理过程的双层字符车牌的识别提供字符区分方法,提升车牌识别的准确率。
一种可能的实施方式中,本申请提供的车牌中字符分层方法中,根据基准点与备选分割线之间的距离,确定多个字符的目标分割线,包括:
确定基准点与各备选分割线之间距离的最小距离值;
将最小距离值最大的备选分割线确定为目标分割线。
上述实施例中,计算多个字符的各字符基准点与任一条备选分割线之间距离的最小距离值,并将确定出的最小距离值中数值最大的最小距离只对应的备选分割线确定为目标分割线,实现从各备选分割线中选择出最能够区分双层字符中上层字符和下层字符的分割线,提升字符分层准确度。
一种可能的实施方式中,本申请提供的车牌中字符分层方法中,各端点的垂直坐标值不大于基准点的坐标中最大垂直坐标值,且不小于基准点的坐标中最小垂直坐标值。
上述实施例中,备选分割线的端点的垂直坐标值不大于多个字符基准点的最大垂直坐标值,且不小于最小垂直坐标值,使备选分割线分布在字符所在区域,减少备选分割线的数量,可以缩短确定目标分割线的时间。
一种可能的实施方式中,本申请提供的车牌中字符分层方法中,各端点集合中的端点按照垂直坐标值排序后,相邻两个端点之间的距离等于预设间隔值。
上述实施例中,通过预设间隔值,可以控制端点集合中端点的数量,实现控制备选分割线的数量。
一种可能的实施方式中,本申请提供的车牌中字符分层方法中,两个端点集合中的一个端点集合中端点的水平坐标值为基准点的坐标中的最小水平坐标值,另一个端点集合中端点的水平坐标值为基准点的坐标中的最大水平坐标值。
上述实施例中,各备选分割线的两个端点值分别为多个字符基准点坐标的最小水平坐标值和最大水平坐标值,使得确定出的目标分割线可以有效区分全部字符,提升字符分层的准确率。
一种可能的实施方式中,本申请提供的车牌中字符分层方法中,在基于目标分割线和基准点的位置关系,确定多个字符中的上层字符和下层字符之后,方法还包括:
根据上层字符基准点的水平坐标值,对上层字符进行排序;以及根据下层字符基准点的水平坐标值,对下层字符进行排序;
将排序后的下层字符拼接至排序后的上层字符后,得到的待识别图像的字符排序。
上述实施例中,确定出待识别图像中的上层字符和下层字符后,分别对各层字符进行排序,将上层字符和下层字符排序后的结构拼接在一起得到待识别图像的字符排序,实现未经校正处理的双层字符车牌的字符排序。
一种可能的实施方式中,本申请提供的车牌中字符分层方法中,在基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标之前,方法还包括:
利用已训练的字符检测网络确定各字符中心点在待识别图像对应的特征图中各位置的概率值;
对各位置的最大概率值组成的第一矩阵进行最大池化操作得到第二矩阵;
确定目标位置,目标位置在第一矩阵中的概率值与在第二矩阵中的概率值相同;
将目标位置的坐标确定为待识别图像所包含字符基准点的坐标。
上述实施例中,将字符检测网络确定出的各字符中心点在特征图中各位置的概率值中,由各位置的最大概率值组成的第一矩阵进行池化操作后的第二矩阵,与第一矩阵进行匹配,将第一矩阵和第二矩阵中位置相同并且概率值相同的位置确定为待识别图像所包含字符基准点的目标位置。将识别出的字符中心点的目标位置坐标作为字符分层时的字符基准点坐标,可以对通过应用目标检测方法进行车牌识别场景中确定的多个字符基准点进行字符分层。
一种可能的实施方式中,本申请提供的车牌中字符分层方法中,在基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标之前,方法还包括:
利用已训练的字符识别网络确定待识别图像包含字符的检测框顶点坐标;
将确定出的检测框顶点坐标中指定顶点坐标或者基于确定出的检测框顶点坐标计算得到的检测框中心坐标,作为所包含字符基准点的坐标。
上述实施例中,将字符识别网络中确定的包含字符的检测框顶点坐标中的指定顶点或计算得到的检测框中心坐标作为多个字符基准点的坐标,可以对通过应用字符分割方法进行车胚识别场景中确定的多个字符基准点进行字符分层。
根据本申请实施例的第二方面,提供一种车牌中字符分层装置,装置包括:
集合确定单元,用于基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标,其中,同一端点集合中端点的水平坐标值相同,且不同端点集合中端点的水平坐标值不同;
备选分割线确定单元,用于根据备选分割线的两个端点集合,确定多个备选分割线,其中备选分割线的端点属于不同端点集合;
处理单元,用于根据基准点与备选分割线之间的距离,确定多个字符的目标分割线;
字符分层单元,用于基于目标分割线和基准点的位置关系,确定多个字符中的上层字符和下层字符。
一种可能的实施方式中,本申请提供的车牌中字符分层装置中,处理单元具体用于:
确定基准点与各备选分割线之间距离的最小距离值;
将最小距离值最大的备选分割线确定为目标分割线。
一种可能的实施方式中,本申请提供的车牌中字符分层装置中,各端点的垂直坐标值不大于基准点的坐标中最大垂直坐标值,且不小于基准点的坐标中最小垂直坐标值。
一种可能的实施方式中,本申请提供的车牌中字符分层装置中,各端点集合中的端点按照垂直坐标值排序后,相邻两个端点之间的距离等于预设间隔值。
一种可能的实施方式中,本申请提供的车牌中字符分层装置中,两个端点集合中的一个端点集合中端点的水平坐标值为基准点的坐标中的最小水平坐标值,另一个端点集合中端点的水平坐标值为基准点的坐标中的最大水平坐标值。
一种可能的实施方式中,本申请提供的车牌中字符分层装置,还包括字符排序单元,用于:
在基于目标分割线和基准点的位置关系,确定多个字符中的上层字符和下层字符之后,根据上层字符基准点的水平坐标值,对上层字符进行排序;以及根据下层字符基准点的水平坐标值,对下层字符进行排序;
将排序后的下层字符拼接至排序后的上层字符后,得到的待识别图像的字符排序。
一种可能的实施方式中,本申请提供的车牌中字符分层装置,还包括第一坐标确定单元,用于:
在基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标之前,利用已训练的字符检测网络确定各字符中心点在待识别图像对应的特征图中各位置的概率值;
对各位置的最大概率值组成的第一矩阵进行最大池化操作得到第二矩阵;
确定目标位置,目标位置在第一矩阵中的概率值与在第二矩阵中的概率值相同;
将目标位置的坐标确定为待识别图像所包含字符基准点的坐标。
一种可能的实施方式中,本申请提供的车牌中字符分层装置中,第二坐标确定单元,用于:
在基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标之前,利用已训练的字符识别网络确定待识别图像包含字符的检测框顶点坐标;
将确定出的检测框顶点坐标中指定顶点坐标或者基于确定出的检测框顶点坐标计算得到的检测框中心坐标,作为所包含字符基准点的坐标。
根据本申请实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为执行指令以实现第一方面中任一项的车牌中字符分层方法。
根据本申请实施例的第四方面,提供一种存储介质,当存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行第一方面中任一项的车牌中字符分层方法。
另外,第二至四方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果,此处不再赘述。在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本申请各较佳实施例。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理,并不构成对本申请的不当限定。
图1是根据一示例性实施例示出的一种车牌中字符分层方法的示意流程图;
图2是根据一示例性实施例示出的分割线端点及分割线的示意图;
图3是根据一示例性实施例示出的一种车牌识别方法的示意流程图;
图4是根据一示例性实施例示出的一种车牌图像特征图的示意图;
图5是根据一示例性示出的一种车牌中字符分层装置的结构示意图;
图6是根据一示例性实施例示出的一种电子设备的结构框图;
图7是根据一示例性实施例示出的另一种电子设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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它实施例,都属于本申请保护的范围。
本申请实施例描述的应用场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。其中,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
为解决相关技术中存在的因对倾斜车牌图像校正过度或校正效果差造成车牌识别错误率高,甚至无法识别的问题。本申请提供一种车牌中字符分层方法,仅使用检测出字符基准点的坐标,通过设置不同斜率的分割线,确定出可以区分上层字符和下层字符的目标分割线。然后根据字符基准点与确定出的目标分割线的位置关系,检测出字符基准点在目标分割线的两侧,实现区分上层字符和下层字符。
本申请提供的车牌中字符分层方法,可以应用于无图像校正流程的车牌识别方法中,也可以应用于无字符分割流程的车牌识别方法中。本申请提供的车牌中字符分层方法仅利用字符基准点,而不是字符在车牌中的准确位置,因此也可以应用于包含简单的字符检测模型的车牌识别过程中。
在实际应用场景中本申请提供的车牌中字符分层方法中的字符基准点的坐标可以是车牌图像中字符中心点坐标或者字符指定点坐标(例如左下角的点、左上角的点、右下角的点或右上角的点等)。若车牌识别过程中采用基于深度学习的目标检测方法进行字符识别,字符基准点的坐标也可以是经过目标检测模型确定出车牌图像的特征图中字符中心点坐标。若采用目标检测算法进行字符检测,可以使用字符检测框的指定顶点的坐标或者检测框中心点的坐标作为本申请提供的车牌中字符分层方法中的字符基准点的坐标。
图1根据一示例性实施例示出了一种车牌中字符分层方法的流程示意图,如图1所示,车牌中字符分层方法包括如下步骤:
步骤S101,基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标,其中,同一端点集合中端点的水平坐标值相同,且不同端点集合中端点的水平坐标值不同。
具体实施时,多个字符从待识别图像中检测出来的用于组成车牌号的字符。利用待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合。分别从两个端点集合中任意选取一个端点,因不同端点集合中的端点的水平坐标值不同,可以确定出多条备选分割线。
在实际应用场景中,两个端点集合中的端点的水平坐标值和垂直坐标值可以根据多个字符基准点的坐标进行确定。
在区分上层字符和下层字符过程中能够有效区分全部字符,可以使两个端点集合中的一个端点集合中端点的水平坐标值为基准点的坐标中的最小水平坐标值,另一个端点集合中端点的水平坐标值为基准点的坐标中的最大水平坐标值。
具体实施时,假设字符数量为n个,各字符基准点坐标为(x1,y1),(x2,y2),…,(xn,yn),可以根据多个字符基准点坐标,确定所有基准点水平方向坐标的最小值xmin=min(x1,x2,…,xn)和最大值xmax=max(x1,x2,…,xn)。两个端点集合中的一个端点集合中端点的水平坐标值为全部基准点的坐标中的最小水平坐标值xmin,另一个端点集合中端点的水平坐标值为全部基准点的坐标中的最大水平坐标值xmax。
为缩短处理速度,通过控制备选分割线的数量,也可以使各端点的垂直坐标值不大于基准点的坐标中最大垂直坐标值,且不小于基准点的坐标中最小垂直坐标值。
具体实施时,确定所有基准点垂直方向坐标的最小值ymin=min(y1,y2,…,yn)和最大值ymax=max(y1,y2,…,yn)。使两个端点集合中的端点的垂直坐标值均不大于全部基准点的坐标中最大垂直坐标值ymax,不小于全部基准点的坐标中最小垂直坐标值ymin,可以使备选分割线均在字符所在区域中。
在实际应用场景中,减少字符区分错误,可以将两个端点集合中的端点的最大垂直坐标设置为ymax,以及将最小垂直坐标值设置为ymin。
进一步地,为减少备选分割线的数量,减少计算量,可以通过等间隔取点的方式,控制备选分割线两个端点集合中端点数量,以控制备选分割线的数量。可以使各端点集合中的端点按照垂直坐标值排序后,相邻两个端点之间的距离等于预设间隔值。
具体实施时,在最大垂直坐标ymax和最小垂直坐标数值ymin之间,根据预设间隔值,等间隔选取多个垂直坐标值,通过设置的间隔值,可以控制各端点集合中端点数量,以实现控制备选分割线的数量。需要说明的是,预设间隔值或者端点数量可以根据实际应用场景进行设置,并且每个端点集合可以的预设间隔值可以相同也可以不同。
一种可能的实施方式中,如图2所示,黑色圆点为字符基准点。确定备选分割线的两个端点集合时,可以先根据字符基准点的坐标中最小水平坐标值xmin、最大水平坐标值xmax、最小垂直坐标值ymin、最大垂直坐标值ymax,确定出四个点D1(xmin,ymin)、D2(xmin,ymax)、D3(xmax,ymin)、D4(xmax,ymax)。为便于描述,将备选分割线的两个端点集合中端点的水平坐标值为xmin的端点集合记为第一端点集合,端点的水平坐标值为xmax的端点集合记为第二端点集合。图2中,D1和D2属于第一端点集合,第一端点集合中端点用白色三角形标记,D3和D4属于第二端点集合,第二端点集合中的端点用白色矩形标记。在D1和D2之间按照预设间隔值选取第一端点集合中的其它端点,在D3和D4之间按照预设间隔值选取第二端点集合中的其它端点。
通过备选分割线的两个端点集合中的各端点水平坐标值、垂直坐标值的设置,以及预设间隔值的设置,可以控制两个端点集合中的数量,实现控制备选分割线的数量,以及使备选分割线均在字符所在区域中。
步骤S102,根据备选分割线的两个端点集合,确定多个备选分割线,其中备选分割线的端点属于不同端点集合。
具体实施时,从两个端点集合中分别选取任一端点,连接选取出的两个端点,生成一条备选分割线。若两个端点集合中均包含m各端点,可以最多组成m×m条备选分割线。如图2中示出了备选分割线L1、备选分割线L2、备选分割线L3。
步骤S103,根据基准点与备选分割线之间的距离,确定多个字符的目标分割线。
具体实施时,通过计算出的全部字符基准点与每条备选分割线之间的距离,确定能够区分上层字符和下层字符的目标分割线。
例如,确定基准点与各备选分割线之间距离的最小距离值,将最小距离值最大的备选分割线确定为目标分割线。
具体实施时,可以针对每条备选分割线,计算全部字符基准点(xi,yi),0<i≤n,(i为整数)与该备选分割线L(Ax+By+C=0)之间距离确定全部字符基准点与该备选分割线之间的距离{d1,d2,…,dn}中的最小值,记为dmin。
按照上述过程,遍历全部备选分割线Lj,0<j≤m,(j为整数)可以确定全部备选分割线Lj对应的dmin数值,全部字符基准点与各备选分割线之间距离的最小值集合可记为并将该集合中数值最大的对应的备选分割线Lk确定为目标分割线。因目标分割线为距离所有基准点的最短距离最大,是全部备选分割线中最能区分上层字符和下层字符的分割线。
在实际应用场景中,可以设置初始值为0的变量interval,全部字符基准点(xi,yi)与任一备选分割线Lj之间距离{d1,d2,…,dn}的最小值dmin大于变量interval,则更新变量interval的值为该最小值dmin,并记录该最小值dmin对应的备选分割线。在遍历全部备选分割线后,变量interval的值为全部字符基准点与各备选分割线之间距离的最小值集合中的最大的数值。将记录的变量interval对应的备选分割线确定为目标分割线。
步骤S104,基于目标分割线和基准点的位置关系,确定多个字符中的上层字符和下层字符。
具体实施时,可以通过目标分割线和基准点的位置关系,确定出多个字符中的上层字符和下层字符。假设图2中的备选分割线L2为目标分割线。根据L2的两个端点坐标值可以确定出L2的直线方程,例如Ax+By+C=0或者y=kx+b。若将每一个基准点的水平坐标值带入L2的直线方程中得到的y的数值大于该基准点的垂直坐标值的基准点为上层字符的基准点,反之,若小于该基准点的垂直坐标值的基准点为下层字符的基准点。
类似地,也可以将每一个基准点的垂直坐标带入L2的直线方程中得到的x的数值小于该基准点的水平坐标值的基准点为上层字符的基准点,反之,所大于该基准点的水平坐标值的基准点为下层字符的基准点。
在准确区分多个字符的上层字符和下层字符后,在车牌识别场景中,还需要确定多个字符的排列顺序,以得到车牌的号码。一种可能的实施方式中,根据上层字符基准点的水平坐标值,对上层字符进行排序;以及根据下层字符基准点的水平坐标值,对下层字符进行排序;
将排序后的下层字符拼接至排序后的上层字符后,得到的待识别图像的字符排序。
具体实施时,根据各层字符基准点的水平坐标值,以从小到大的顺序进行排序,可以得到各层字符的排序。将下层字符的排序结果拼接至上层字符排序结果后,可以得到待识别图像的字符排序。在车牌识别场景中,得到车牌中的车牌号码。
图3根据一示例性实施例示出了应用本申请提供的车牌中字符分层方法的车牌识别方法的流程示意图,如图3所示,车牌识别方法包括如下步骤:
步骤S301,通过车辆检测模型确定待识别图像中的车辆区域。
具体实施时,车辆检测模型可以采用目标检测算法You Only Look Once系列第三版Yolov3算法,也可以采用Single Shot MultiBox Detector目标检测算法等通用的目标检测算法实现。在训练车辆检测模型过程中的训练样本可以是被标注过的包含车辆的图像样本。将待识别图像输入训练后的车辆检测模型中,得到待识别图像中的车辆区域。
步骤S302,根据车辆区域,确定车辆图像。
具体实施时,根据检测出的车辆区域,从待识别图像中裁剪出包含车辆的图像。
步骤S303,利用车牌检测模型确定车辆图像中的车牌区域以及车牌类型。
具体实施时,在实际应用场景中,车牌类型包括单层字符和双层字符。车牌检测模型也可以采用和车辆检测模型相同的检测算法。在训练车牌检测模型过程中的训练样本可以是被标注过的包含单层车牌图像样本、包含双层车牌图像样本。将确定的车辆图像中输入车牌检测模型得到车辆图像中的车牌区域。
步骤S304,根据车牌区域,确定车牌图像。
具体实施时,根据检测出的车牌图像,从车辆图像中剪裁出车牌图像。裁剪时为了消除车牌检测的检测框不准确导致车牌图像不完整的影响,可以对车牌图像进行一定比例的扩裁。
步骤S305,利用字符检测网络,确定车牌图像的特征图以及各字符在特征图中各位置的概率值。
具体实施时,字符检测网络可以是下采样倍数为4的卷积神经网络,字符检测网络的最后一层卷积层通道数为需要分类的字符类别数C,对于输入分辨率为W*H的车牌图像,最终得到的特征图尺寸为W/4*H/4*C,也即得到的特征图为一个三维张量。利用字符检测算法检测车牌图像中的字符,无需精确检测字符的位置和目标的大小,仅判断字符中心点在特征图中的相对位置。
训练字符检测网络过程中,输入的车牌图像以及标签,标签的尺寸与特征图尺寸相同,标签中的值为字符真实的中心点在特征图上映射的位置为1,其余位置数值设置为0。
将车牌图像输入字符检测网络,得到车牌图像的特征图和各字符在特征图中每个位置的概率值。
步骤S306,确定字符类别以及字符的基准点坐标。
具体实施时,在实际应用场景中,可以利用已训练的字符检测网络确定各字符中心点在待识别图像对应的特征图中各位置的概率值。对各位置的最大概率值组成的第一矩阵进行最大池化操作得到第二矩阵。确定目标位置,目标位置在第一矩阵中的概率值与在第二矩阵中的概率值相同,将目标位置的坐标确定为车牌图像所包含字符基准点的坐标。
将确定出的特征图沿着类别方向的维度取最大值,得到一个二维张量,也即选取特征图同一位置在不同类别的概率值最大的概率值,组成一个二维张量,记为第一矩阵。同时,记录选取的各位置的最大概率值对应的字符分类类别。概率值较大的位置反映出该位置为字符中心点的可能性较大。如图4中示出了车牌图像,以及该车牌图像对应的特征图401沿着类别方向的维度取最大值得到的二维张量402。为抑制峰值点(概率值较大的位置)周围的点,可以将第一矩阵进行最大池化操作,例如进行步长为1、卷积核为3×3的最大池化操作,得到第二矩阵403。将第一矩阵和第二矩阵进行匹配,确定在第一矩阵中的概率值与第二矩阵中的概率值相等且位置相同的目标位置。
将目标位置的坐标确定为车牌图像中包含的字符基准点的坐标。还可以根据记录选取的各位置的最大概率值对应的字符类别,确定目标位置对应的字符类别。
步骤S307,判断车牌类型是否为双层字符,若是,下一步执行步骤S308,否则,下一步执行步骤S309。
具体实施时,根据步骤S303中检测出的车牌类型确定待识别图像中的车辆车牌为单层字符或者为双层字符。若车牌类型为双层字符,下一步执行步骤S308。若车牌类型为单层字符,下一步执行步骤S309。
步骤S308,对确定的字符进行字符分层。
具体实施时,基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标,其中,同一端点集合中端点的水平坐标值相同,且不同端点集合中端点的水平坐标值不同。根据备选分割线的两个端点集合,确定多个备选分割线,其中备选分割线的端点属于不同端点集合。根据基准点与备选分割线之间的距离,确定多个字符的目标分割线。基于目标分割线和基准点的位置关系,确定多个字符中的上层字符和下层字符。本步骤具体实施过程可以参照上述实施例中的车牌中字符分层方法。
步骤S309,根据确定的字符的基准点坐标,确定单层车牌的字符排序。
具体实施时,根据确定的字符的基准点的水平坐标值,对确定出的字符进行排序,得到待识别图像的字符排序。
步骤S310,根据上层字符的基准点坐标和下层字符的基准点坐标,确定双层车牌的字符排序。
具体实施时,根据上层字符基准点的水平坐标值,对上层字符进行排序,以及根据下层字符基准点的水平坐标值,对下层字符进行排序。将排序后的下层字符拼接至排序后的上层字符后,得到的待识别图像的字符排序。
本申请上述实施例中,通过确定字符在特征图中的位置(坐标),对双层字符进行字符分层,以区分上层字符和下层字符。根据上层字符和下层字符的分类,对字符进行重新排序后得到车牌号码。
在实际应用场景中,还利用已训练的字符识别网络确定车牌图像中包含字符的检测框的位置(坐标)。将检测框顶点坐标中指定顶点坐标(例如,左下角的点、左上角的点、右上角的点、右下角的点)作为检测框所包含字符的基准点坐标。也可以根据检测框顶点坐标计算出检测框中心点坐标,检测框的中心点坐标作为检测框所包含字符基准点的坐标。
图5是根据一示例性实施例示出的一种车牌中字符分层装置的结构示意图,车牌中字符分层装置包括:
集合确定单元501,用于基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标,其中,同一端点集合中端点的水平坐标值相同,且不同端点集合中端点的水平坐标值不同;
备选分割线确定单元502,用于根据备选分割线的两个端点集合,确定多个备选分割线,其中备选分割线的端点属于不同端点集合;
处理单元503,用于根据基准点与备选分割线之间的距离,确定多个字符的目标分割线;
字符分层单元504,用于基于目标分割线和基准点的位置关系,确定多个字符中的上层字符和下层字符。
一种可能的实施方式中,本申请提供的车牌中字符分层装置中,处理单元503具体用于:
确定基准点与各备选分割线之间距离的最小距离值;
将最小距离值最大的备选分割线确定为目标分割线。
一种可能的实施方式中,本申请提供的车牌中字符分层装置中,各端点的垂直坐标值不大于基准点的坐标中最大垂直坐标值,且不小于基准点的坐标中最小垂直坐标值。
一种可能的实施方式中,本申请提供的车牌中字符分层装置中,各端点集合中的端点按照垂直坐标值排序后,相邻两个端点之间的距离等于预设间隔值。
一种可能的实施方式中,本申请提供的车牌中字符分层装置中,两个端点集合中的一个端点集合中端点的水平坐标值为基准点的坐标中的最小水平坐标值,另一个端点集合中端点的水平坐标值为基准点的坐标中的最大水平坐标值。
一种可能的实施方式中,本申请提供的车牌中字符分层装置,还包括字符排序单元505,用于:
在基于目标分割线和基准点的位置关系,确定多个字符中的上层字符和下层字符之后,根据上层字符基准点的水平坐标值,对上层字符进行排序;以及根据下层字符基准点的水平坐标值,对下层字符进行排序;
将排序后的下层字符拼接至排序后的上层字符后,得到的待识别图像的字符排序。
一种可能的实施方式中,本申请提供的车牌中字符分层装置,还包括第一坐标确定单元506,用于:
在基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标之前,利用已训练的字符检测网络确定各字符中心点在待识别图像对应的特征图中各位置的概率值;
对各位置的最大概率值组成的第一矩阵进行最大池化操作得到第二矩阵;
确定目标位置,目标位置在第一矩阵中的概率值与在第二矩阵中的概率值相同;
将目标位置的坐标确定为待识别图像所包含字符基准点的坐标。
一种可能的实施方式中,本申请提供的车牌中字符分层装置中,还包括第二坐标确定单元507,用于:
在基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标之前,利用已训练的字符识别网络确定待识别图像包含字符的检测框顶点坐标;
将确定出的检测框顶点坐标中指定顶点坐标或者基于确定出的检测框顶点坐标计算得到的检测框中心坐标,作为所包含字符基准点的坐标。
另外,结合图1、2、5所描述的本申请实施例提供的车牌中字符分层方法及装置可以由电子设备来实现。图6是根据一示例性实施例示出的电子设备600的结构示意图,如图6所示,本申请实施例示出的电子设备600包括:
处理器610;
用于存储处理器610可执行指令的存储器620;
其中,处理器610被配置为执行指令,以实现本申请实施例中车牌中字符分层方法。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器620,上述指令可由车牌中字符分层装置的处理器610执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图7示出了本申请实施例提供的另一种电子设备结构示意图。该电子设备可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地,上述处理器701可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器702可以包括用于存储数据或指令的大容量存储器。举例来说而非限制,存储器702可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器702可在数据处理装置的内部或外部。在特定实施例中,存储器702是非易失性固态存储器。在特定实施例中,存储器702包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器701通过读取并执行存储器702中存储的计算机程序指令,以实现上述实施例中的车牌中字符分层方法。
在一个示例中,该电子设备还可包括通信接口703和总线710。其中,如图7所示,处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者,将该电子设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其它图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其它合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线710可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的车牌中字符分层方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一项车牌中字符分层方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上,使得在计算机或其它可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种车牌中字符分层方法,其特征在于,所述方法包括:
基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标,其中,同一端点集合中端点的水平坐标值相同,且不同端点集合中端点的水平坐标值不同;
根据所述备选分割线的两个端点集合,确定多个备选分割线,其中所述备选分割线的端点属于不同端点集合;
根据所述基准点与备选分割线之间的距离,确定所述多个字符的目标分割线;
基于所述目标分割线和所述基准点的位置关系,确定所述多个字符中的上层字符和下层字符。
2.根据权利要求1所述的方法,其特征在于,所述根据所述基准点与备选分割线之间的距离,确定所述多个字符的目标分割线,包括:
确定所述基准点与各备选分割线之间距离的最小距离值;
将最小距离值最大的备选分割线确定为所述目标分割线。
3.根据权利要求1所述的方法,其特征在于,各端点的垂直坐标值不大于所述基准点的坐标中最大垂直坐标值,且不小于所述基准点的坐标中最小垂直坐标值。
4.根据权利要求3所述的方法,其特征在于,各端点集合中的端点按照垂直坐标值排序后,相邻两个端点之间的距离等于预设间隔值。
5.根据权利要求1所述的方法,其特征在于,所述两个端点集合中的一个端点集合中端点的水平坐标值为所述基准点的坐标中的最小水平坐标值,另一个端点集合中端点的水平坐标值为所述基准点的坐标中的最大水平坐标值。
6.根据权利要求1-5中任一所述的方法,其特征在于,在所述基于所述目标分割线和所述基准点的位置关系,确定所述多个字符中的上层字符和下层字符之后,所述方法还包括:
根据所述上层字符基准点的水平坐标值,对所述上层字符进行排序;以及根据所述下层字符基准点的水平坐标值,对所述下层字符进行排序;
将排序后的下层字符拼接至排序后的上层字符后,得到的所述待识别图像的字符排序。
7.根据权利要求1所述的方法,其特征在于,在所述基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标之前,所述方法还包括:
利用已训练的字符检测网络确定各字符中心点在所述待识别图像对应的特征图中各位置的概率值;
对各位置的最大概率值组成的第一矩阵进行最大池化操作得到第二矩阵;
确定目标位置,所述目标位置在所述第一矩阵中的概率值与在所述第二矩阵中的概率值相同;
将所述目标位置的坐标确定为所述待识别图像所包含字符基准点的坐标。
8.根据权利要求1所述的方法,其特征在于,在所述基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标之前,所述方法还包括:
利用已训练的字符识别网络确定所述待识别图像包含字符的检测框顶点坐标;
将确定出的检测框顶点坐标中指定顶点坐标或者基于确定出的检测框顶点坐标计算得到的检测框中心点坐标,作为所包含字符基准点的坐标。
9.一种车牌中字符分层装置,其特征在于,所述装置包括:
集合确定单元,用于基于待识别图像中检测出的多个字符基准点的坐标,确定备选分割线的两个端点集合中各端点的坐标,其中,同一端点集合中端点的水平坐标值相同,且不同端点集合中端点的水平坐标值不同;
备选分割线确定单元,用于根据所述备选分割线的两个端点集合,确定多个备选分割线,其中所述备选分割线的端点属于不同端点集合;
处理单元,用于根据所述基准点与备选分割线之间的距离,确定所述多个字符的目标分割线;
字符分层单元,用于基于所述目标分割线和所述基准点的位置关系,确定所述多个字符中的上层字符和下层字符。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令以实现如权利要求1至8中任一项所述的车牌中字符分层方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010633195.9A CN111914845A (zh) | 2020-07-02 | 2020-07-02 | 一种车牌中字符分层方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010633195.9A CN111914845A (zh) | 2020-07-02 | 2020-07-02 | 一种车牌中字符分层方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111914845A true CN111914845A (zh) | 2020-11-10 |
Family
ID=73227277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010633195.9A Pending CN111914845A (zh) | 2020-07-02 | 2020-07-02 | 一种车牌中字符分层方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914845A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634141A (zh) * | 2020-12-23 | 2021-04-09 | 浙江大华技术股份有限公司 | 一种车牌矫正方法、装置、设备及介质 |
CN114241124A (zh) * | 2021-11-17 | 2022-03-25 | 埃洛克航空科技(北京)有限公司 | 三维模型中缝合边确定方法、装置和设备 |
WO2024011888A1 (zh) * | 2022-07-13 | 2024-01-18 | 北京京东乾石科技有限公司 | 一种车牌识别方法及装置、计算机可读存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819738A (zh) * | 2012-07-24 | 2012-12-12 | 东南大学 | 基于OpenMP多线程架构的车牌识别*** |
CN104094281A (zh) * | 2012-03-05 | 2014-10-08 | 欧姆龙株式会社 | 字符识别用的图像处理方法、使用该方法的字符识别装置及程序 |
CN105740909A (zh) * | 2016-02-02 | 2016-07-06 | 华中科技大学 | 一种基于空间变换的自然场景下文本识别方法 |
WO2018028306A1 (zh) * | 2016-08-11 | 2018-02-15 | 杭州海康威视数字技术股份有限公司 | 一种车牌号码识别方法及装置 |
CN108009543A (zh) * | 2017-11-29 | 2018-05-08 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及装置 |
CN108416346A (zh) * | 2017-02-09 | 2018-08-17 | 浙江宇视科技有限公司 | 车牌字符的定位方法及装置 |
CN109241975A (zh) * | 2018-08-27 | 2019-01-18 | 电子科技大学 | 一种基于字符中心点定位的车牌字符分割方法 |
CN109447064A (zh) * | 2018-10-09 | 2019-03-08 | 温州大学 | 一种基于cnn的双行车牌分割方法及*** |
KR101979654B1 (ko) * | 2018-01-15 | 2019-05-17 | 주식회사 비엔인더스트리 | 차량번호 인식 장치 및 그 방법 |
CN109993171A (zh) * | 2019-03-12 | 2019-07-09 | 电子科技大学 | 一种基于多模板和多比例的车牌字符分割方法 |
CN110163199A (zh) * | 2018-09-30 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 车牌识别方法、车牌识别装置、车牌识别设备及介质 |
CN110543882A (zh) * | 2018-05-29 | 2019-12-06 | 北京深鉴智能科技有限公司 | 一种字符串识别方法与装置 |
-
2020
- 2020-07-02 CN CN202010633195.9A patent/CN111914845A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104094281A (zh) * | 2012-03-05 | 2014-10-08 | 欧姆龙株式会社 | 字符识别用的图像处理方法、使用该方法的字符识别装置及程序 |
CN102819738A (zh) * | 2012-07-24 | 2012-12-12 | 东南大学 | 基于OpenMP多线程架构的车牌识别*** |
CN105740909A (zh) * | 2016-02-02 | 2016-07-06 | 华中科技大学 | 一种基于空间变换的自然场景下文本识别方法 |
WO2018028306A1 (zh) * | 2016-08-11 | 2018-02-15 | 杭州海康威视数字技术股份有限公司 | 一种车牌号码识别方法及装置 |
CN108416346A (zh) * | 2017-02-09 | 2018-08-17 | 浙江宇视科技有限公司 | 车牌字符的定位方法及装置 |
CN108009543A (zh) * | 2017-11-29 | 2018-05-08 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及装置 |
KR101979654B1 (ko) * | 2018-01-15 | 2019-05-17 | 주식회사 비엔인더스트리 | 차량번호 인식 장치 및 그 방법 |
CN110543882A (zh) * | 2018-05-29 | 2019-12-06 | 北京深鉴智能科技有限公司 | 一种字符串识别方法与装置 |
CN109241975A (zh) * | 2018-08-27 | 2019-01-18 | 电子科技大学 | 一种基于字符中心点定位的车牌字符分割方法 |
CN110163199A (zh) * | 2018-09-30 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 车牌识别方法、车牌识别装置、车牌识别设备及介质 |
CN109447064A (zh) * | 2018-10-09 | 2019-03-08 | 温州大学 | 一种基于cnn的双行车牌分割方法及*** |
CN109993171A (zh) * | 2019-03-12 | 2019-07-09 | 电子科技大学 | 一种基于多模板和多比例的车牌字符分割方法 |
Non-Patent Citations (1)
Title |
---|
周永章,张良均,张奥多,王俊: "《地球科学大数据挖掘与机器学习》", vol. 2018, 30 September 2018, 中山大学出版社, pages: 180 - 184 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634141A (zh) * | 2020-12-23 | 2021-04-09 | 浙江大华技术股份有限公司 | 一种车牌矫正方法、装置、设备及介质 |
CN112634141B (zh) * | 2020-12-23 | 2024-03-29 | 浙江大华技术股份有限公司 | 一种车牌矫正方法、装置、设备及介质 |
CN114241124A (zh) * | 2021-11-17 | 2022-03-25 | 埃洛克航空科技(北京)有限公司 | 三维模型中缝合边确定方法、装置和设备 |
WO2024011888A1 (zh) * | 2022-07-13 | 2024-01-18 | 北京京东乾石科技有限公司 | 一种车牌识别方法及装置、计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN106599792B (zh) | 一种手部驾驶违规行为的检测方法 | |
CN111914845A (zh) | 一种车牌中字符分层方法、装置及电子设备 | |
CN108182383B (zh) | 一种车窗检测的方法及设备 | |
CN112613344B (zh) | 车辆占道检测方法、装置、计算机设备和可读存储介质 | |
CN112200884B (zh) | 一种车道线的生成方法及装置 | |
CN110913243A (zh) | 一种视频审核的方法、装置和设备 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
CN109740609A (zh) | 一种轨距检测方法及装置 | |
CN113221750A (zh) | 车辆追踪方法、装置、设备及存储介质 | |
CN111626295A (zh) | 车牌检测模型的训练方法和装置 | |
CN109165654B (zh) | 一种目标定位模型的训练方法和目标定位方法及装置 | |
CN114038004A (zh) | 一种证件信息提取方法、装置、设备及存储介质 | |
CN111191482B (zh) | 一种刹车灯识别方法、装置及电子设备 | |
CN112329886A (zh) | 双车牌识别方法、模型训练方法、装置、设备及存储介质 | |
CN112651417B (zh) | 车牌识别方法、装置、设备及存储介质 | |
CN116721396A (zh) | 车道线检测方法、设备及存储介质 | |
CN111126286A (zh) | 车辆动态检测方法、装置、计算机设备及存储介质 | |
CN111178359A (zh) | 车牌号码识别方法、装置和设备及计算机存储介质 | |
CN113591543B (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN110942073A (zh) | 一种集装箱拖车编号识别方法、装置和计算机设备 | |
CN112634141B (zh) | 一种车牌矫正方法、装置、设备及介质 | |
CN114897987A (zh) | 一种确定车辆地面投影的方法、装置、设备及介质 | |
CN111639642B (zh) | 一种图像处理方法、设备及装置 | |
CN114359862A (zh) | 一种信号灯识别方法、装置、电子设备和存储介质 |
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 |