CN112085018A - 基于神经网络的车牌识别*** - Google Patents

基于神经网络的车牌识别*** Download PDF

Info

Publication number
CN112085018A
CN112085018A CN202010876999.1A CN202010876999A CN112085018A CN 112085018 A CN112085018 A CN 112085018A CN 202010876999 A CN202010876999 A CN 202010876999A CN 112085018 A CN112085018 A CN 112085018A
Authority
CN
China
Prior art keywords
license plate
vehicle
image
neural network
license
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
Application number
CN202010876999.1A
Other languages
English (en)
Inventor
季思文
刘国清
朱晓东
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.)
Nanjing Youjia Technology Co ltd
Original Assignee
Nanjing Youjia Technology Co ltd
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 Nanjing Youjia Technology Co ltd filed Critical Nanjing Youjia Technology Co ltd
Priority to CN202010876999.1A priority Critical patent/CN112085018A/zh
Publication of CN112085018A publication Critical patent/CN112085018A/zh
Pending legal-status Critical Current

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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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)
  • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了基于神经网络的车牌识别***，图像获取模块采集当前驾驶的车辆行驶过程中正前方视角的图像；车辆检测模块针对性检测图像中不同尺寸的车辆，确定车辆在图像中位置；车牌粗回归模块对检测到的车辆进行处理，利用残差网络学习车牌的大致位置信息，获得图像中每一辆汽车的车牌的大致位置信息；车牌精细分类回归模块对车牌进行精细分类回归，利用残差网络来学习车牌的类别信息以及车牌的精确位置信息，车牌识别模块根据车牌的类别信息以及车牌的精确位置信息，对车牌进行分割字符，然后利用神经网络对被分割的字符进行识别。在保证车牌识别精度前提下，提升了车牌识别的泛化能力，降低了车牌模块的计算复杂度。

Description

基于神经网络的车牌识别***
技术领域
本发明涉及基于神经网络的车牌识别***，属于车牌识别***技术领域。
背景技术
研究表明，车牌自动检测和识别是交通收费、车辆违规追踪处理等关键性工具之一，同时在车辆辅助驾驶中也有长足的作用，车辆辅助驾驶简写为ADAS。大多数现有的解决方案在性质上是有限制的，例如门禁***中的车牌识别收费***，采用静止状态的工作照相机，使用特定的视角，特定的分辨率，针对特定的车牌模板进行车牌识别处理。然而在更为广阔的现实场景中，由于道路的复杂多样性，车型的复杂多样性，以及车牌的遮挡形变从而造成车牌识别的困难。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于神经网络的车牌识别***，通过神经网络模型设计一套泛化能力更强，适用性更广的车牌识别***，能够获得车牌的精准信息，包括车牌的类型、车牌的精确回归框以及车牌的具体信息，从而提升车载ADAS的性能。
为达到上述目的，本发明提供基于神经网络的车牌识别***，包括以下步骤：
图像获取模块采集当前驾驶的车辆行驶过程中正前方视角的图像；
车辆检测模块基于FPN网络和anchor-free端到端的检测网络框架，针对性检测图像中不同尺寸的车辆；
车牌粗回归模块对图像中检测到的车辆进行处理，利用残差网络学习车牌在图像中的大致位置信息，从而获得图像中每一车辆的车牌的大致位置信息；
根据车牌粗回归模块获得的车牌的大致位置信息，车牌精细分类回归模块对车牌进行精细分类回归，利用残差网络来学习车牌的类别信息以及车牌的精确位置信息，
车牌识别模块根据车牌的类别信息以及车牌的精确位置信息，对图像中的车牌进行分割字符，然后利用神经网络对被分割的字符进行识别。
优先地，车牌精细分类回归模块采用车牌的4个角点作为确定车牌的精确位置信息的特征点。
优先地，图像获取模块包括摄像头，摄像头安装在汽车的前侧。
优先地，车牌精细分类回归模块将车牌分为类别一、类别二和类别三，类别一包括普通蓝牌、教练车黄牌、警车白牌和警车黑牌，类别一的车牌均为7位数；类别二包括新能源绿牌，类别二的车牌均为8位数；类别三包括黄牌。
优先地，采用FPN网络作为主干网络，采用FPN网络作为主干网络，将摄像头获取的图像进行缩放后输入主干网络得到图像中每一车辆的特征信息得到车辆特征，利用图像特征金字塔对车辆特征进行融合，并且使用融合后的车辆特征对图像中车辆的大致位置信息进行检测；
在车辆检测模块中，区分图像中的背景和图像中的车辆，判断图像中每一个像素点是否属于车辆，在神经网络的训练过程中，使用Focal Loss损失函数来学习区分每一个像素点属于车辆还是属于背景：
Figure BDA0002652893300000021
其中y＝1代表当前像素点属于车辆，y＝0代表当前像素点属于背景，y'代表神经网络分类节点的输出结果；Lfl代表当前像素点真实值与神经网络预测值之间的损失；
车辆检测模块中，为了获得车辆在图像中的大致位置信息，在神经网络的训练过程中使用的是IOU Loss损失函数：
Figure BDA0002652893300000022
其中A代表车辆的实际精确位置，B代表神经网络预测的车辆位置，Intersection(A,B)代表车辆的实际精确位置与预测的车辆位置的交集，Union(A,B)代表真实位置与预测位置的并集。
优先地，利用车牌精细分类回归模块精准的区分车牌属于蓝牌、绿牌、黄牌或背景中的一个，精确定位车牌的精确位置信息。
优先地，α＝0.25，γ＝2。
本发明所达到的有益效果：
在现实场景中，车牌占整个图像的比重很小，因此，第一步是使用基于卷积神经网络的车辆检测器检出图像中所有车辆的位置。第二步是根据已经获得的车辆的位置进行一次车牌的粗回归操作，这样就可以再一次缩小可能存在的车牌区域。第三步，对粗回归操作得到的车牌的粗略位置进行分类回归操作，得到车牌的精确位置和车牌类别。本发明算法主要分为四个部分：车辆检测、车牌粗回归、车牌精细分类回归、车牌识别。最后，对获得的车牌进行识别。本发明设计了一种基于卷积神经网络的车牌识别***，主要应用于车载ADAS识别场景中。本发明在保证车牌识别精度的前提下，有效的提升了车牌识别的泛化能力，同时尽可能的车牌模块的计算复杂度，满足应用需求。
附图说明
图1是本发明的框架图；
图2是本发明的流程图；
图3是本发明中FPN网络的结构图；
图4是本发明中残差网络的结构图。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
基于神经网络的车牌识别***，包括以下步骤：
图像获取模块采集当前驾驶的车辆行驶过程中正前方视角的图像；
车辆检测模块基于FPN网络和anchor-free端到端的检测网络框架，针对性检测图像中不同尺寸的车辆；
车牌粗回归模块对图像中检测到的车辆进行处理，利用残差网络学习车牌在图像中的大致位置信息，从而获得图像中每一车辆的车牌的大致位置信息；
根据车牌粗回归模块获得的车牌的大致位置信息，车牌精细分类回归模块对车牌进行精细分类回归，利用残差网络来学习车牌的类别信息以及车牌的精确位置信息，
车牌识别模块根据车牌的类别信息以及车牌的精确位置信息，对图像中的车牌进行分割字符，然后利用神经网络对被分割的字符进行识别。
进一步地，车牌精细分类回归模块采用车牌的4个角点作为确定车牌的精确位置信息的特征点。
进一步地，图像获取模块包括摄像头，摄像头安装在汽车的前侧。
进一步地，车牌精细分类回归模块将车牌分为类别一、类别二和类别三，类别一包括普通蓝牌、教练车黄牌、警车白牌和警车黑牌，类别一的车牌均为7位数；类别二包括新能源绿牌，类别二的车牌均为8位数；类别三包括黄牌。
进一步地，采用FPN网络作为主干网络，采用FPN网络作为主干网络，将摄像头获取的图像进行缩放后输入主干网络得到图像中每一车辆的特征信息得到车辆特征，利用图像特征金字塔对车辆特征进行融合，并且使用融合后的车辆特征对图像中车辆的大致位置信息进行检测；
在车辆检测模块中，区分图像中的背景和图像中的车辆，判断图像中每一个像素点是否属于车辆，在神经网络的训练过程中，使用Focal Loss损失函数来学习区分每一个像素点属于车辆还是属于背景：
Figure BDA0002652893300000041
其中y＝1代表当前像素点属于车辆，y＝0代表当前像素点属于背景，y'代表神经网络分类节点的输出结果；Lfl代表当前像素点真实值与神经网络预测值之间的损失；
车辆检测模块中，为了获得车辆在图像中的大致位置信息，在神经网络的训练过程中使用的是IOU Loss损失函数：
Figure BDA0002652893300000042
其中A代表车辆的实际精确位置，B代表神经网络预测的车辆位置，Intersection(A,B)代表车辆的实际精确位置与预测的车辆位置的交集，Union(A,B)代表真实位置与预测位置的并集。
进一步地，利用车牌精细分类回归模块精准的区分车牌属于蓝牌、绿牌、黄牌或背景中的一个，精确定位车牌的精确位置信息。
进一步地，α＝0.25，γ＝2。
通过公式可以看到当y与y'的值越接近，Lfl值越小，神经网络学***衡因子α＝0.25来均衡正负样本的比例。同时使用另一个因子γ＝2，来减少神经网络对简单样本的分类并更加关注困难样本的分类。IOUloss值越小代表真实位置和预测位置越接近。
FPN网络，网络结构原理如下图3所示，FPN主要解决的是物体检测中的多尺度问题，通过简单的网络连接改变，在基本不增加原有模型计算量的情况下，大幅度提升了小物体检测的性能，图3左边的称为“自底向上”，右边的称为“自上而下”。
自底向上的过程就是神经网络普通的正向传播过程，特征图经过卷积核计算，通常会越变越小。自上而下的过程是把更抽象、语义更强的高层特征图进行上采样，然后把该特征横向连接至前一层特征，因此，高层特征得到了增强，每一层预测所用的feature map都融合了不同分辨率、不同语义强度的特征，可以完成对应分辨率大小的物体进行检测，保证每一层都有合适的分辨率以及强语义特征。
值得注意的是：横向连接的两层特征在空间尺寸上要相同，这样做可以利用底层定位细节信息。
本发明方法的具体步骤如下：
(1)把车载单目摄像头安装在车窗玻璃上，采集车辆行驶过程中本车正前方的车况信息。采集图片的输入尺寸为1280*720P。
(2)车辆检测模型使用的是基于FPN网络并且anchor-free的端到端的检测网络框架，主要结构如下图3所示，其图像特征金字塔式的结构能够有效的针对不同尺寸目标的检测，能够尽可能的提升车辆检测的召回率。
将摄像头获取的图像进行缩放后输入主干网络得到图像中每一辆车的位置信息，利用图像特征金字塔对车辆特征进行融合，并且使用融合后的车辆特征对车牌图像中的车辆位置进行检测；在车辆检测模块，为了判断图像中每一个像素点是否是车辆，我们需要对图像中的背景和车辆进行区分，在神经网络的训练过程中，我们使用的Focal Loss损失函数来学习区分每一个像素点在车辆身上还是在背景图像之中：
Figure BDA0002652893300000051
其中y＝1代表当前像素点属于车辆，y＝0代表当前像素点属于背景。y'代表神经网络分类节点的输出结果。Lfl代表当前像素点真实值与神经网络预测值之间的损失。通过公式可以看到当y与y'的值越接近，Lfl值越小，神经网络学***衡因子α＝0.25来均衡正负样本的比例。同时使用另一个因子γ＝2，来减少神经网络对简单样本的分类并更加关注困难样本的分类。
在车辆检测模块中，为了获得车辆在图像中的位置信息，在神经网络的训练过程中我们使用的是IOU Loss损失函数：
Figure BDA0002652893300000052
其中A代表目标车辆的位置信息，B代表神经网络预测的位置信息，Inter section(A,B)代表真实位置与预测位置的交集，Union(A,B)代表真实位置与预测位置的并集。IOUloss值越小代表真实位置和预测位置越接近。
(3)车牌粗回归模块通过对检测到的车辆进行处理，利用残差网络学习车牌的大致位置信息，从而获得整张图像中，每一辆车的车牌的大致位置信息。残差网络结构图4。
车牌粗回归网络通过对检测网络获取的车辆位置信息进行粗略回归，从而得到图像中车牌的大致位置信息。
(4)车牌精细分类回归模块根据车牌粗回归模块获得的大致车牌位置信息来精细车牌的精细分类回归，同样是利用残差网络，来学习车牌的类别信息以及车牌精确位置信息。本发明根据车牌的宽度和高度把车牌分为三个类别：
类别1：普通蓝牌，教练车黄牌，警车白牌黑牌等，车牌7位数，车牌尺寸为440mm*140mm；类别2：新能源绿牌，车牌8位数，车牌尺寸480mm*140mm；类别3：黄牌，车牌尺寸440mm*220mm。
这样的分类有利于后续的车辆ADAS模块根据车牌的类别信息来确定车牌的真实宽度从而进行精确的测距。
考虑到因为成像造成的车牌形变等情况，我们采用车牌的4个角点来作为确定车牌位置信息的特征点。
(5)车牌识别模块根据之前的车牌类别以及车牌位置信息，对车牌进行字符分割得到一个一个单独的汉字或字母，然后利用神经网络对被分割的字符进行识别得到从左向右顺序排列的汉字和字母，最终得到车牌的详细信息，输出的详细信息包括车牌号码和车牌颜色。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.基于神经网络的车牌识别***，其特征在于，包括以下步骤：
图像获取模块采集当前驾驶的车辆行驶过程中正前方视角的图像；
车辆检测模块基于FPN网络和anchor-free端到端的检测网络框架，针对性检测图像中不同尺寸的车辆；
车牌粗回归模块对图像中检测到的车辆进行处理，利用残差网络学习车牌在图像中的大致位置信息，从而获得图像中每一车辆的车牌的大致位置信息；
根据车牌粗回归模块获得的车牌的大致位置信息，车牌精细分类回归模块对车牌进行精细分类回归，利用残差网络来学习车牌的类别信息以及车牌的精确位置信息，
车牌识别模块根据车牌的类别信息以及车牌的精确位置信息，对图像中的车牌进行分割字符，然后利用神经网络对被分割的字符进行识别。
2.根据权利要求1所述的基于神经网络的车牌识别***，其特征在于，车牌精细分类回归模块采用车牌的4个角点作为确定车牌的精确位置信息的特征点。
3.根据权利要求1所述的基于神经网络的车牌识别***，其特征在于，图像获取模块包括摄像头，摄像头安装在汽车的前侧。
4.根据权利要求1所述的基于神经网络的车牌识别***，其特征在于，车牌精细分类回归模块将车牌分为类别一、类别二和类别三，类别一包括普通蓝牌、教练车黄牌、警车白牌和警车黑牌，类别一的车牌均为7位数；类别二包括新能源绿牌，类别二的车牌均为8位数；类别三包括黄牌。
5.根据权利要求1所述的基于神经网络的车牌识别***，其特征在于，采用FPN网络作为主干网络，采用FPN网络作为主干网络，将摄像头获取的图像进行缩放后输入主干网络得到图像中每一车辆的特征信息得到车辆特征，利用图像特征金字塔对车辆特征进行融合，并且使用融合后的车辆特征对图像中车辆的大致位置信息进行检测；
在车辆检测模块中，区分图像中的背景和图像中的车辆，判断图像中每一个像素点是否属于车辆，在神经网络的训练过程中，使用FocalLoss损失函数来学习区分每一个像素点属于车辆还是属于背景：
Figure FDA0002652893290000011
其中y＝1代表当前像素点属于车辆，y＝0代表当前像素点属于背景，y'代表神经网络分类节点的输出结果；Lfl代表当前像素点真实值与神经网络预测值之间的损失；
车辆检测模块中，为了获得车辆在图像中的大致位置信息，在神经网络的训练过程中使用的是IOU Loss损失函数：
Figure FDA0002652893290000021
其中A代表车辆的实际精确位置，B代表神经网络预测的车辆位置，Intersection(A,B)代表车辆的实际精确位置与预测的车辆位置的交集，Union(A,B)代表真实位置与预测位置的并集。
6.根据权利要求4所述的基于神经网络的车牌识别***，其特征在于，利用车牌精细分类回归模块精准的区分车牌属于蓝牌、绿牌、黄牌或背景中的一个，精确定位车牌的精确位置信息。
7.根据权利要求5所述的基于神经网络的车牌识别***，其特征在于，α＝0.25，γ＝2。
CN202010876999.1A 2020-08-27 2020-08-27 基于神经网络的车牌识别*** Pending CN112085018A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010876999.1A CN112085018A (zh) 2020-08-27 2020-08-27 基于神经网络的车牌识别***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010876999.1A CN112085018A (zh) 2020-08-27 2020-08-27 基于神经网络的车牌识别***

Publications (1)

Publication Number Publication Date
CN112085018A true CN112085018A (zh) 2020-12-15

Family

ID=73729628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010876999.1A Pending CN112085018A (zh) 2020-08-27 2020-08-27 基于神经网络的车牌识别***

Country Status (1)

Country Link
CN (1) CN112085018A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177503A (zh) * 2021-05-13 2021-07-27 中国人民解放军陆军炮兵防空兵学院 基于yolov5的任意朝向目标十二参数检测方法
CN115376119A (zh) * 2022-10-25 2022-11-22 珠海亿智电子科技有限公司 一种车牌识别方法、装置、车牌识别设备及存储介质
CN117854055A (zh) * 2024-03-07 2024-04-09 河南百合特种光学研究院有限公司 一种车载摄像头下车牌识别与单目视觉的前车判距方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085696A (zh) * 2016-10-15 2017-08-22 安徽百诚慧通科技有限公司 一种基于卡口图像的车辆定位及型号识别方法
CN111126399A (zh) * 2019-12-28 2020-05-08 苏州科达科技股份有限公司 一种图像检测方法、装置、设备及可读存储介质
CN111582261A (zh) * 2020-04-30 2020-08-25 浙江大华技术股份有限公司 一种非机动车的车牌识别方法和车牌识别装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085696A (zh) * 2016-10-15 2017-08-22 安徽百诚慧通科技有限公司 一种基于卡口图像的车辆定位及型号识别方法
CN111126399A (zh) * 2019-12-28 2020-05-08 苏州科达科技股份有限公司 一种图像检测方法、装置、设备及可读存储介质
CN111582261A (zh) * 2020-04-30 2020-08-25 浙江大华技术股份有限公司 一种非机动车的车牌识别方法和车牌识别装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177503A (zh) * 2021-05-13 2021-07-27 中国人民解放军陆军炮兵防空兵学院 基于yolov5的任意朝向目标十二参数检测方法
CN115376119A (zh) * 2022-10-25 2022-11-22 珠海亿智电子科技有限公司 一种车牌识别方法、装置、车牌识别设备及存储介质
CN117854055A (zh) * 2024-03-07 2024-04-09 河南百合特种光学研究院有限公司 一种车载摄像头下车牌识别与单目视觉的前车判距方法

Similar Documents

Publication Publication Date Title
CN110969160B (zh) 一种基于深度学习的车牌图像校正、识别方法及***
CN111368687B (zh) 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN109977812B (zh) 一种基于深度学习的车载视频目标检测方法
CN111178291B (zh) 一种停车支付***以及停车支付方法
CN103279756B (zh) 基于集成分类器的车辆检测分析***及其检测分析方法
CN102722704B (zh) 一种融合视频动态跟踪的车牌识别方法和***
CN103824066B (zh) 一种基于视频流的车牌识别方法
CN103824452B (zh) 一种轻量级的基于全景视觉的违章停车检测装置
CA2885019C (en) Robust windshield detection via landmark localization
Abdullah et al. YOLO-based three-stage network for Bangla license plate recognition in Dhaka metropolitan city
CN112085018A (zh) 基于神经网络的车牌识别***
CN110619279B (zh) 一种基于跟踪的路面交通标志实例分割方法
CN110378236A (zh) 基于深度学习的车辆身份识别模型构建、识别方法和***
CN102880863B (zh) 一种基于可变形部件模型的车牌及驾驶员人脸定位方法
CN102915433B (zh) 基于字符组合的车牌定位和识别方法
CN103903018A (zh) 一种复杂场景中对车牌进行定位的方法和***
CN106709530A (zh) 基于视频的车牌识别方法
CN106128115A (zh) 一种基于双摄像机检测道路交通信息的融合方法
CN103065138A (zh) 一种机动车牌号的识别方法
CN111965636A (zh) 一种基于毫米波雷达和视觉融合的夜间目标检测方法
CN111898491B (zh) 一种车辆逆向行驶的识别方法、装置及电子设备
CN102902983B (zh) 一种基于支持向量机的出租车识别方法
CN106934374A (zh) 一种雾霾场景中交通标识牌的识别方法及***
CN115601717B (zh) 基于深度学习的交通违法行为分类检测方法及SoC芯片
CN115376082A (zh) 一种融合传统特征提取与深度神经网络的车道线检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201215

RJ01 Rejection of invention patent application after publication