CN112348020B - 基于特征图的贝塞尔车牌对齐方法及装置 - Google Patents

基于特征图的贝塞尔车牌对齐方法及装置 Download PDF

Info

Publication number
CN112348020B
CN112348020B CN202011411738.9A CN202011411738A CN112348020B CN 112348020 B CN112348020 B CN 112348020B CN 202011411738 A CN202011411738 A CN 202011411738A CN 112348020 B CN112348020 B CN 112348020B
Authority
CN
China
Prior art keywords
license plate
feature map
points
output
edge points
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
CN202011411738.9A
Other languages
English (en)
Other versions
CN112348020A (zh
Inventor
李志国
班华忠
王正
崔凯
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.)
Beijing Icetech Science & Technology Co ltd
Original Assignee
Beijing Icetech Science & 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 Beijing Icetech Science & Technology Co ltd filed Critical Beijing Icetech Science & Technology Co ltd
Priority to CN202011411738.9A priority Critical patent/CN112348020B/zh
Publication of CN112348020A publication Critical patent/CN112348020A/zh
Application granted granted Critical
Publication of CN112348020B publication Critical patent/CN112348020B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了基于特征图的贝塞尔车牌对齐方法，该方法包括：输入图像，采用基于深度学习的车牌检测网络，从图像中获取最后一层特征图作为输入特征图，获取输入特征图上车牌区域；通过在车牌检测主干网络之后添加卷积层，以获得输入特征图上的车牌区域的边缘点；选取输出特征图的一点，对选取的点的坐标做归一化处理，获取归一化的坐标点；对于归一化的坐标点，根据贝塞尔曲线公式，获取边缘点的贝塞尔曲线；获取输出特征图在输入特征图上的映射点；根据映射点和输入特征图的特征值，获取输出特征图对应点的特征值；将输出特征图作为对齐后的车牌区域子图像并输出。本发明能处理车牌区域的任意形变，可直接在特征图上对车牌区域进行对齐。

Description

基于特征图的贝塞尔车牌对齐方法及装置
技术领域
本发明涉及图像处理、智慧停车、车牌识别，特别涉及基于特征图的贝塞尔车牌对齐方法及装置。
背景技术
目标随着城市的日益现代化，机动车的保有量持续增加，智能交通***发挥着越来越重要的作用。不论是当今各种交通场合，还是公共安全管理***，抑或未来无人汽车、无人驾驶领域，车牌识别技术都是一个不可或缺的过程，给城市健康有序管理带来了诸多便捷。
由于相机拍摄车辆角度不同，车牌区域在成像中有可能产生形变，现有的基于深度学习的车牌识别方法会先采用车牌矫正方法把车牌映射为标准的形状，然后进行车牌识别。
现有的车牌矫正对齐方法是根据车牌矩形的4个顶点利用仿射变化或者透视变换，把车牌图像映射到固定大小的子图像，再在子图像上进行车牌字符识别。该方法的缺点是只能处理基于4点的变换，不能处理多点的变换；另外在子图像上做车牌字符识别需要重新计算特征，增加了重复计算，此外车牌检测和车牌字符识别分开优化训练达不到最优识别效果。
综上所述，目前迫切需要提出一种减少计算量、节省运算资源的基于特征图的贝塞尔车牌对齐方法。
发明内容
有鉴于此，本发明的主要目的在于快速实现车牌检测，且检测准确率较高。
为达到上述目的，按照本发明的第一个方面，提供了基于特征图的贝塞尔车牌对齐方法，该方法包括：
第一步骤，输入图像，采用基于深度学习的车牌检测网络，从图像中获取最后一层特征图作为输入特征图，获取输入特征图上车牌区域；通过在车牌检测主干网络之后分别添加8个或者12个或者16个输出的卷积层，以获得输入特征图上的车牌区域的2个或者3个或者4个上边缘点和下边缘点；
第二步骤，针对每个通道的输出特征图，选取任意一点，对选取的点的坐标做归一化处理，获取归一化的坐标点；对于归一化的坐标点，根据贝塞尔曲线公式，分别获取上边缘点和下边缘点的贝塞尔曲线；获取输出特征图在输入特征图上的映射点；根据映射点和输入特征图的特征值，获取输出特征图对应点的特征值；
第三步骤，将输出特征图作为对齐后的车牌区域子图像并输出。
进一步地，所述第一步骤包括：输入图像，采用基于深度学习的车牌检测网络，从图像中获取最后一层特征图作为输入特征图Fin，获取每个通道的输入特征图Fin上的车牌区域，其中输入特征图Fin的通道(Channel)的个数为N，高度为Hin，宽度为Win；通过在车牌检测主干网络之后分别添加8个或者12个或者16个输出的卷积层，以获得输入特征图Fin上车牌区域的2个或者3个或者4个上边缘点和下边缘点。
其中，所述8个输出的卷积层包括：第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数4*2＝8；其中8表示4个边缘点的x坐标和y坐标。
所述12个输出的卷积层包括：第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数6*2＝12；其中12表示6个边缘点的x坐标和y坐标。
所述16个输出的卷积层包括：第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数8*2＝16；其中16表示8个边缘点的x坐标和y坐标。
对于获取的4个、12个、16个边缘点，根据y坐标进行排序，将y坐标值较小的2个、3个、4个边缘点作为上边缘点，将y坐标值较大的2个、3个、4个边缘点作为下边缘点。
进一步地，所述第二步骤包括：
输出特征图归一化步骤：对于第n个通道的输入特征图Fin，选取第n个通道的输出特征图Fout上的任意一点P(x,y)，对点P(x,y)的坐标进行归一化处理，获得归一化的坐标点(u,v)，其中u＝x/Wout，v＝y/Hout，Wout和Hout表示输出特征图的宽度和高度，n∈[1,N]，N为输入特征图Fin的通道的个数；
贝塞尔曲线计算步骤：对于归一化的坐标点(u,v)，将曲线长度比例t＝u，根据贝塞尔曲线公式，分别获得上边缘点在X坐标轴上的贝塞尔曲线B′x(t)和Y坐标轴上的贝塞尔曲线B′y(t)，获得下边缘点在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)；
输入特征图映射点获取步骤，根据获取的上边缘点在X坐标轴上的贝塞尔曲线B′x(t)和Y坐标轴上的贝塞尔曲线B′y(t)、下边缘点在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)，分别根据公式Pc(x)＝B″x(t)*v+B′x(t)*(1-v)和Pc(y)＝B″y(t)*v+B′y(t)*(1-v)，将Pc(x)和Pc(y)作为中心点Pc(x,y)的X和Y坐标；对Pc(x)和Pc(y)分别取整后得到xl和yl，获取中心点Pc(x,y)的四个邻近点Pc,0(xl,yl)、Pc,1(xl+1,yl)、Pc,2(xl,yl+1)、Pc,3(xl+1,yl+1)，将四个邻近点作为第n个通道的输出特征图Fout上的点P(x,y)在第n个通道的输入特征图上的映射点；
输出特征图特征值获取步骤，根据第n个通道的输入特征图Fin的特征值，根据公式fout(P)＝fin(Pc,0)*w0+fin(Pc,1)*w1+fin(Pc,2)*w2+fin(Pc,3)*w3，计算第n个通道的输出特征图Fout的特征值，其中fin(Pc,0)、fin(Pc,1)、fin(Pc,2)、fin(Pc,3)表示第n个通道的输入特征图上的映射点的特征值，w0、w1、w2、w3表示对应映射点Pc,0(xl,yl)、Pc,1(xl+1,yl)、Pc,2(xl,yl+1)、Pc,3(xl+1,yl+1)的权重，w0＝(1-Pc(y)+yl)*(1-Pc(x)+xl)，w1＝(1-Pc(y)+yl)*(Pc(x)-xl)，w2＝(Pc(y)-yl)*(1-Pc(x)+xl)，w3＝(Pc(y)-yl)*(Pc(x)-xl)；
输出特征图输出步骤，输出第n个通道的输入特征图Fin对应的第n个通道的输出特征图Fout。
其中，所述贝塞尔曲线计算步骤中如果车牌区域有2个上边缘点和2个下边缘点，采用1阶贝塞尔曲线公式B(t)＝P0(1-t)+P1t；如果车牌区域有3个上边缘点和3个下边缘点，采用2阶贝塞尔曲线公式B(t)＝P0(1-t)2+2P1t(1-t)+P2t2；如果车牌区域有4个上边缘点和4个下边缘点，采用3阶贝塞尔曲线公式B(t)＝P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3，t∈[0,1]。其中t表示曲线长度比例，P0、P1、P2、P3表示车牌区域上边缘点或者下边缘点。
按照本发明的另一个方面，提供了基于特征图的贝塞尔车牌对齐装置，该装置包括：
输入特征图和边缘点获取模块，用于输入图像，采用基于深度学习的车牌检测网络，从图像中获取最后一层特征图作为输入特征图，获取输入特征图上车牌区域；通过在车牌检测主干网络之后分别添加8个或者12个或者16个输出的卷积层，以获得输入特征图上的车牌区域的2个或者3个或者4个上边缘点和下边缘点；
输出特征图获取模块，用于针对每个通道的输出特征图，选取任意一点，对选取的点的坐标做归一化处理，获取归一化的坐标点；对于归一化的坐标点，根据贝塞尔曲线公式，分别获取上边缘点和下边缘点的贝塞尔曲线；获取输出特征图在输入特征图上的映射点；根据映射点和输入特征图的特征值，获取输出特征图对应点的特征值；
对齐车牌区域子图像输出模块，用于将输出特征图作为对齐后的车牌区域子图像并输出。
进一步地，所述输入特征图和边缘点获取模块包括：用于输入图像，采用基于深度学习的车牌检测网络，从图像中获取最后一层特征图作为输入特征图Fin，获取每个通道的输入特征图Fin上的车牌区域，其中输入特征图Fin的通道(Channel)的个数为N，高度为Hin，宽度为Win；通过在车牌检测主干网络之后分别添加8个或者12个或者16个输出的卷积层，以获得输入特征图Fin上车牌区域的2个或者3个或者4个上边缘点和下边缘点。
进一步地，所述输出特征图获取模块包括：
输出特征图归一化模块：用于对于第n个通道的输入特征图Fin，选取第n个通道的输出特征图Fout上的任意一点P(x,y)，对点P(x,y)的坐标进行归一化处理，获得归一化的坐标点(u,v)，其中u＝x/Wout，v＝y/Hout，Wout和Hout表示输出特征图的宽度和高度，n∈[1,N]，N为输入特征图Fin的通道的个数；
贝塞尔曲线计算模块：用于对于归一化的坐标点(u,v)，将曲线长度比例t＝u，根据贝塞尔曲线公式，分别获得上边缘点在X坐标轴上的贝塞尔曲线B′x(t)和Y坐标轴上的贝塞尔曲线B′y(t)，获得下边缘点在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)；
输入特征图映射点获取模块，用于根据获取的上边缘点在X坐标轴上的贝塞尔曲线B′x(t)和Y坐标轴上的贝塞尔曲线B′y(t)、下边缘点在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)，分别根据公式Pc(x)＝B″x(t)*v+B′x(t)*(1-v)和Pc(y)＝B″y(t)*v+B′y(t)*(1-v)，将Pc(x)和Pc(y)作为中心点Pc(x,y)的X和Y坐标；对Pc(x)和Pc(y)分别取整后得到xl和yl，获取中心点Pc(x,y)的四个邻近点Pc,0(xl,yl)、Pc,1(xl+1,yl)、Pc,2(xl,yl+1)、Pc,3(xl+1,yl+1)，将四个邻近点作为第n个通道的输出特征图Fout上的点P(x,y)在第n个通道的输入特征图上的映射点；
输出特征图特征值获取模块，用于根据第n个通道的输入特征图Fin的特征值，根据公式fout(P)＝fin(Pc,0)*w0+fin(Pc,1)*w1+fin(Pc,2)*w2+fin(Pc,3)*w3，计算第n个通道的输出特征图Fout的特征值，其中fin(Pc,0)、fin(Pc,1)、fin(Pc,2)、fin(Pc,3)表示第n个通道的输入特征图上的映射点的特征值，w0、w1、w2、w3表示对应映射点Pc,0(xl,yl)、Pc,1(xl+1,yl)、Pc,2(xl,yl+1)、Pc,3(xl+1,yl+1)的权重，w0＝(1-Pc(y)+yl)*(1-Pc(x)+xl)，w1＝(1-Pc(y)+yl)*(Pc(x)-xl)，w2＝(Pc(y)-yl)*(1-Pc(x)+xl)，w3＝(Pc(y)-yl)*(Pc(x)-xl)；
输出特征图输出模块，用于输出第n个通道的输入特征图Fin对应的第n个通道的输出特征图Fout。
其中，所述贝塞尔曲线计算模块中如果车牌区域有2个上边缘点和2个下边缘点，采用1阶贝塞尔曲线公式B(t)＝P0(1-t)+P1t；如果车牌区域有3个上边缘点和3个下边缘点，采用2阶贝塞尔曲线公式B(t)＝P0(1-t)2+2P1t(1-t)+P2t2；如果车牌区域有4个上边缘点和4个下边缘点，采用3阶贝塞尔曲线公式B(t)＝P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3，t∈[0,1]。其中t表示曲线长度比例，P0、P1、P2、P3表示车牌区域上边缘点或者下边缘点。
与现有的车牌检测技术相比，本发明的基于特征图的贝塞尔车牌对齐方法及装置根据车牌上下边缘点建模为贝塞尔曲线，直接在特征图上把车牌区域映射为固定大小特征子图，该方法可以处理车牌区域的任意形变，可以直接在检测网络特征图上对车牌区域进行矫正和对齐。
附图说明
图1示出了按照本发明的基于特征图的贝塞尔车牌对齐方法的流程图。
图2示出了按照本发明的基于特征图的贝塞尔车牌对齐装置的框架图。
具体实施方式
为使本领域的技术人员能进一步了解本发明的结构、特征及其他目的，现结合所附较佳实施例详细说明如下，所说明的较佳实施例仅用于说明本发明的技术方案，并非限定本发明。
图1给出了按照本发明的基于特征图的贝塞尔车牌对齐方法的流程图。如图1所示，按照本发明的基于特征图的贝塞尔车牌对齐方法包括：
第一步骤S1，输入图像，采用基于深度学习的车牌检测网络，从图像中获取最后一层特征图作为输入特征图，获取输入特征图上车牌区域；通过在车牌检测主干网络之后分别添加8个或者12个或者16个输出的卷积层，以获得输入特征图上的车牌区域的2个或者3个或者4个上边缘点和下边缘点；
第二步骤S2，针对每个通道的输出特征图，选取任意一点，对选取的点的坐标做归一化处理，获取归一化的坐标点；对于归一化的坐标点，根据贝塞尔曲线公式，分别获取上边缘点和下边缘点的贝塞尔曲线；获取输出特征图在输入特征图上的映射点；根据映射点和输入特征图的特征值，获取输出特征图对应点的特征值；
第三步骤S3，将输出特征图作为对齐后的车牌区域子图像并输出。
其中，所述第一步骤S1中基于深度学习的车牌检测网络为采用车牌样本图像，对基于深度学习网络进行训练，获得的能够输出车牌区域和最后一层特征图的车牌检测网络。
所述深度学习网络包括：卷积神经网络、深度信念网络、递归神经网络、或者生物神经网络，或其组合。
进一步地，所述第一步骤S1包括：输入图像，采用基于深度学习的车牌检测网络，从图像中获取最后一层特征图作为输入特征图Fin，获取每个通道的输入特征图Fin上的车牌区域，其中输入特征图Fin的通道(Channel)的个数为N，高度为Hin，宽度为Win；通过在车牌检测主干网络之后分别添加8个或者12个或者16个输出的卷积层，以获得输入特征图Fin上车牌区域的2个或者3个或者4个上边缘点和下边缘点。
其中，所述8个输出的卷积层包括：第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数4*2＝8；其中8表示4个边缘点的x坐标和y坐标。
所述12个输出的卷积层包括：第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数6*2＝12；其中12表示6个边缘点的x坐标和y坐标。
所述16个输出的卷积层包括：第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数8*2＝16；其中16表示8个边缘点的x坐标和y坐标。
对于获取的4个、12个、16个边缘点，根据y坐标进行排序，将y坐标值较小的2个、3个、4个边缘点作为上边缘点，将y坐标值较大的2个、3个、4个边缘点作为下边缘点。
进一步地，所述第二步骤S2包括：
输出特征图归一化步骤S21：对于第n个通道的输入特征图Fin，选取第n个通道的输出特征图Fout上的任意一点P(x,y)，对点P(x,y)的坐标进行归一化处理，获得归一化的坐标点(u,v)，其中u＝x/Wout，v＝y/Hout，Wout和Hout表示输出特征图的宽度和高度，n∈[1,N]，N为输入特征图Fin的通道的个数；
贝塞尔曲线计算步骤S22：对于归一化的坐标点(u,v)，将曲线长度比例t＝u，根据贝塞尔曲线公式，分别获得上边缘点在X坐标轴上的贝塞尔曲线B′x(t)和Y坐标轴上的贝塞尔曲线B′y(t)，获得下边缘点在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)；
输入特征图映射点获取步骤S23，根据获取的上边缘点在X坐标轴上的贝塞尔曲线B′x(t)和Y坐标轴上的贝塞尔曲线B′y(t)、下边缘点在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)，分别根据公式Pc(x)＝B″x(t)*v+B′x(t)*(1-v)和Pc(y)＝B″y(t)*v+B′y(t)*(1-v)，将Pc(x)和Pc(y)作为中心点Pc(x,y)的X和Y坐标；对Pc(x)和Pc(y)分别取整后得到xl和yl，获取中心点Pc(x,y)的四个邻近点Pc,0(xl,yl)、Pc,1(xl+1,yl)、Pc,2(xl,yl+1)、Pc,3(xl+1,yl+1)，将四个邻近点作为第n个通道的输出特征图Fout上的点P(x,y)在第n个通道的输入特征图上的映射点；
输出特征图特征值获取步骤S24，根据第n个通道的输入特征图Fin的特征值，根据公式fout(P)＝fin(Pc,0)*w0+fin(Pc,1)*w1+fin(Pc,2)*w2+fin(Pc,3)*w3，计算第n个通道的输出特征图Fout的特征值，其中fin(Pc,0)、fin(Pc,1)、fin(Pc,2)、fin(Pc,3)表示第n个通道的输入特征图上的映射点的特征值，w0、w1、w2、w3表示对应映射点Pc,0(xl,yl)、Pc,1(xl+1,yl)、Pc,2(xl,yl+1)、Pc,3(xl+1,yl+1)的权重，w0＝(1-Pc(y)+yl)*(1-Pc(x)+xl)，w1＝(1-Pc(y)+yl)*(Pc(x)-xl)，w2＝(Pc(y)-yl)*(1-Pc(x)+xl)，w3＝(Pc(y)-yl)*(Pc(x)-xl)；
输出特征图输出步骤S25，输出第n个通道的输入特征图Fin对应的第n个通道的输出特征图Fout。
其中，所述输出特征图的宽度Wout和高度Hout人为设置。示例性地，Wout设为24或者32，Hout设为8。
其中，所述贝塞尔曲线计算步骤S22中如果车牌区域有2个上边缘点和2个下边缘点，采用1阶贝塞尔曲线公式B(t)＝P0(1-t)+P1t；如果车牌区域有3个上边缘点和3个下边缘点，采用2阶贝塞尔曲线公式B(t)＝P0(1-t)2+2P1t(1-t)+P2t2；如果车牌区域有4个上边缘点和4个下边缘点，采用3阶贝塞尔曲线公式B(t)＝P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3，t∈[0,1]。其中t表示曲线长度比例，P0、P1、P2、P3表示车牌区域上边缘点或者下边缘点。
示例性地，所述贝塞尔曲线计算步骤S22包括：车牌区域有2个上边缘点和2个下边缘点，利用输入特征图Fin上车牌区域的2个上边缘点P0、P1，根据公式B′x(t)＝P0,x(1-t)+P1,xt和B′y(t)＝P0,y(1-t)+P1,yt，分别计算上边缘点P0、P1在X坐标轴上的贝塞尔曲线B′x(t)和Y坐标轴上的贝塞尔曲线B′y(t)；利用输入特征图Fin上车牌区域的2个下边缘点P2、P3，根据公式B″x(t)＝P2,x(1-t)+P3,xt和B″y(t)＝P2,y(1-t)+P3,yt，分别计算下边缘点P2、P3在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)。
示例性地，所述贝塞尔曲线计算步骤S22包括：车牌区域有3个上边缘点和3个下边缘点，利用输入特征图Fin上车牌区域的3个上边缘点P0、P1、P2，根据公式B′x(t)＝P0,x(1-t)2+2P1,xt(1-t)+P2,xt2和B′y(t)＝P0,y(1-t)2+2P1,yt(1-t)+P2,yt2，分别计算上边缘点P0、P1、P2在X坐标轴上的贝塞尔曲线Bx′(t)和Y坐标轴上的贝塞尔曲线B′y(t)；利用输入特征图Fin上车牌区域的3个下边缘点P3、P4、P5，根据公式B″x(t)＝P3,x(1-t)2+2P4,xt(1-t)+P5,xt2和，分别计算下边缘点P3、P4、P5在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)。
示例性地，所述贝塞尔曲线计算步骤S22包括：车牌区域有4个上边缘点和4个下边缘点，利用输入特征图Fin上车牌区域的4个上边缘点P0、P1、P2、P3，根据公式B′x(t)＝P0，x(1-t)3+3P1，xt(1-t)2+3P2，xt2(1-t)+P3，xt3和By′(t)＝P0,y(1-t)3+3P1,yt(1-t)2+3P2,yt2(1-t)+P3, yt3，分别计算上边缘点P0、P1、P2、P3在X坐标轴上的贝塞尔曲线B′x(t)和Y坐标轴上的贝塞尔曲线B′y(t)；利用输入特征图Fin上车牌区域的4个下边缘点P4、P5、P6、P7，根据公式B″x(t)＝P4，x(1-t)3+3P5，xt(1-t)2+3P6，xt2(1-t)+P7，xt3和B″y(t)＝P4,y(1-t)3+3P5,yt(1-t)2+3P6,yt2(1-t)+P7,yt3，分别计算下边缘点P4、P5、P6、P7在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)。
其中，所述P0,x、P1,x、P2,x、P3,x、P4,x、P5,x、P6,x、P7,x分别表示点P0、P1、P2、P3、P4、P5、P6、P7的X坐标，所述P0,y、P1,y、P2,y、P3,y、P4,y、P5,y、P6,y、P7,y分别表示点P0、P1、P2、P3、P4、P5、P6、P7的Y坐标。
所述第三步骤包括，将N个通道的输出特征图作为对齐后的车牌区域子图像并输出。
图2给出了按照本发明的基于特征图的贝塞尔车牌对齐装置的框架图。如图2所示，按照本发明的基于特征图的贝塞尔车牌对齐装置包括：
输入特征图和边缘点获取模块1，用于输入图像，采用基于深度学习的车牌检测网络，从图像中获取最后一层特征图作为输入特征图，获取输入特征图上车牌区域；通过在车牌检测主干网络之后分别添加8个或者12个或者16个输出的卷积层，以获得输入特征图上的车牌区域的2个或者3个或者4个上边缘点和下边缘点；
输出特征图获取模块2，用于针对每个通道的输出特征图，选取任意一点，对选取的点的坐标做归一化处理，获取归一化的坐标点；对于归一化的坐标点，根据贝塞尔曲线公式，分别获取上边缘点和下边缘点的贝塞尔曲线；获取输出特征图在输入特征图上的映射点；根据映射点和输入特征图的特征值，获取输出特征图对应点的特征值；
对齐车牌区域子图像输出模块3，用于将输出特征图作为对齐后的车牌区域子图像并输出。
其中，所述输入特征图和边缘点获取模块中基于深度学习的车牌检测网络为采用车牌样本图像，对基于深度学习网络进行训练，获得的能够输出车牌区域和最后一层特征图的车牌检测网络。
进一步地，所述输入特征图和边缘点获取模块1包括：用于输入图像，采用基于深度学习的车牌检测网络，从图像中获取最后一层特征图作为输入特征图Fin，获取每个通道的输入特征图Fin上的车牌区域，其中输入特征图Fin的通道(Channel)的个数为N，高度为Hin，宽度为Win；通过在车牌检测主干网络之后分别添加8个或者12个或者16个输出的卷积层，以获得输入特征图Fin上车牌区域的2个或者3个或者4个上边缘点和下边缘点。
其中，所述8个输出的卷积层包括：第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数4*2＝8；其中8表示4个边缘点的x坐标和y坐标。
所述12个输出的卷积层包括：第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数6*2＝12；其中12表示6个边缘点的x坐标和y坐标。
所述16个输出的卷积层包括：第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数8*2＝16；其中16表示8个边缘点的x坐标和y坐标。
对于获取的4个、12个、16个边缘点，根据y坐标进行排序，将y坐标值较小的2个、3个、4个边缘点作为上边缘点，将y坐标值较大的2个、3个、4个边缘点作为下边缘点。
进一步地，所述输出特征图获取模块2包括：
输出特征图归一化模块21：用于对于第n个通道的输入特征图Fin，选取第n个通道的输出特征图Fout上的任意一点P(x,y)，对点P(x,y)的坐标进行归一化处理，获得归一化的坐标点(u,v)，其中u＝x/Wout，v＝y/Hout，Wout和Hout表示输出特征图的宽度和高度，n∈[1,N]，N为输入特征图Fin的通道的个数；
贝塞尔曲线计算模块22：用于对于归一化的坐标点(u,v)，将曲线长度比例t＝u，根据贝塞尔曲线公式，分别获得上边缘点在X坐标轴上的贝塞尔曲线B′x(t)和Y坐标轴上的贝塞尔曲线B′y(t)，获得下边缘点在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)；
输入特征图映射点获取模块23，用于根据获取的上边缘点在X坐标轴上的贝塞尔曲线B′x(t)和Y坐标轴上的贝塞尔曲线B′y(t)、下边缘点在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)，分别根据公式Pc(x)＝B″x(t)*v+B′x(t)*(1-v)和Pc(y)＝B″y(t)*v+B′y(t)*(1-v)，将Pc(x)和Pc(y)作为中心点Pc(x,y)的X和Y坐标；对Pc(x)和Pc(y)分别取整后得到xl和yl，获取中心点Pc(x,y)的四个邻近点Pc,0(xl,yl)、Pc,1(xl+1,yl)、Pc,2(xl,yl+1)、Pc,3(xl+1,yl+1)，将四个邻近点作为第n个通道的输出特征图Fout上的点P(x,y)在第n个通道的输入特征图上的映射点；
输出特征图特征值获取模块24，用于根据第n个通道的输入特征图Fin的特征值，根据公式fout(P)＝fin(Pc,0)*w0+fin(Pc,1)*w1+fin(Pc,2)*w2+fin(Pc,3)*w3，计算第n个通道的输出特征图Fout的特征值，其中fin(Pc,0)、fin(Pc,1)、fin(Pc,2)、fin(Pc,3)表示第n个通道的输入特征图上的映射点的特征值，w0、w1、w2、w3表示对应映射点Pc,0(xl,yl)、Pc,1(xl+1,yl)、Pc,2(xl,yl+1)、Pc,3(xl+1,yl+1)的权重，w0＝(1-Pc(y)+yl)*(1-Pc(x)+xl)，w1＝(1-Pc(y)+yl)*(Pc(x)-xl)，w2＝(Pc(y)-yl)*(1-Pc(x)+xl)，w3＝(Pc(y)-yl)*(Pc(x)-xl)；
输出特征图输出模块25，用于输出第n个通道的输入特征图Fin对应的第n个通道的输出特征图Fout。
其中，所述输出特征图的宽度Wout和高度Hout人为设置。示例性地，Wout设为24或者32，Hout设为8。
其中，所述贝塞尔曲线计算模块22中如果车牌区域有2个上边缘点和2个下边缘点，采用1阶贝塞尔曲线公式B(t)＝P0(1-t)+P1t；如果车牌区域有3个上边缘点和3个下边缘点，采用2阶贝塞尔曲线公式B(t)＝P0(1-t)2+2P1t(1-t)+P2t2；如果车牌区域有4个上边缘点和4个下边缘点，采用3阶贝塞尔曲线公式B(t)＝P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3，t∈[0,1]。其中t表示曲线长度比例，P0、P1、P2、P3表示车牌区域上边缘点或者下边缘点。
与现有的车牌检测技术相比，本发明的基于特征图的贝塞尔车牌对齐方法及装置根据车牌上下边缘点建模为贝塞尔曲线，直接在特征图上把车牌区域映射为固定大小特征子图，该方法可以处理车牌区域的任意形变，可以直接在检测网络特征图上对车牌区域进行矫正和对齐。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。

Claims (9)

1.基于特征图的贝塞尔车牌对齐方法，其特征在于，该方法包括：
第一步骤，输入图像，采用基于深度学习的车牌检测网络，从图像中获取最后一层特征图作为输入特征图，获取输入特征图上车牌区域；通过在车牌检测主干网络之后分别添加8个或者12个或者16个输出的卷积层，以获得输入特征图上的车牌区域的2个或者3个或者4个上边缘点和下边缘点；
第二步骤，针对每个通道的输出特征图，选取任意一点，对选取的点的坐标做归一化处理，获取归一化的坐标点；对于归一化的坐标点，根据贝塞尔曲线公式，分别获取上边缘点和下边缘点的贝塞尔曲线；获取输出特征图在输入特征图上的映射点；根据映射点和输入特征图的特征值，获取输出特征图对应点的特征值；
第三步骤，将输出特征图作为对齐后的车牌区域子图像并输出。
2.如权利要求1所述的方法，其特征在于，所述第一步骤包括：输入图像，采用基于深度学习的车牌检测网络，从图像中获取最后一层特征图作为输入特征图Fin，获取每个通道的输入特征图Fin上的车牌区域，其中输入特征图Fin的通道的个数为N，高度为Hin，宽度为Win；通过在车牌检测主干网络之后分别添加8个或者12个或者16个输出的卷积层，以获得输入特征图Fin上车牌区域的2个或者3个或者4个上边缘点和下边缘点。
3.如权利要求2所述的方法，其特征在于，所述8个输出的卷积层包括：第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数4*2＝8；其中8表示4个边缘点的x坐标和y坐标；
所述12个输出的卷积层包括：第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数6*2＝12；其中12表示6个边缘点的x坐标和y坐标；
所述16个输出的卷积层包括：第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数8*2＝16；其中16表示8个边缘点的x坐标和y坐标；
对于获取的4个、12个、16个边缘点，根据y坐标进行排序，将y坐标值较小的2个、3个、4个边缘点作为上边缘点，将y坐标值较大的2个、3个、4个边缘点作为下边缘点。
4.如权利要求1所述的方法，其特征在于，所述第二步骤包括：
输出特征图归一化步骤：对于第n个通道的输入特征图Fin，选取第n个通道的输出特征图Fout上的任意一点P(x,y)，对点P(x,y)的坐标进行归一化处理，获得归一化的坐标点(u,v)，其中u＝x/Wout，v＝y/Hout，Wout和Hout表示输出特征图的宽度和高度，n∈[1,N]，N为输入特征图Fin的通道的个数；
贝塞尔曲线计算步骤：对于归一化的坐标点(u,v)，将曲线长度比例t＝u，根据贝塞尔曲线公式，分别获得上边缘点在X坐标轴上的贝塞尔曲线B′x(t)和Y坐标轴上的贝塞尔曲线B′y(t)，获得下边缘点在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)；
输入特征图映射点获取步骤，根据获取的上边缘点在X坐标轴上的贝塞尔曲线B′x(t)和Y坐标轴上的贝塞尔曲线B′y(t)、下边缘点在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)，分别根据公式Pc(x)＝B″x(t)*v+B′x(t)*(1-v)和Pc(y)＝B″y(t)*v+B′y(t)*(1-v)，将Pc(x)和Pc(y)作为中心点Pc(x,y)的X和Y坐标；对Pc(x)和Pc(y)分别取整后得到xl和yl，获取中心点Pc(x,y)的四个邻近点Pc,0(xl,yl)、Pc,1(xl+1,yl)、Pc,2(xl,yl+1)、Pc,3(xl+1,yl+1)，将四个邻近点作为第n个通道的输出特征图Fout上的点P(x,y)在第n个通道的输入特征图上的映射点；
输出特征图特征值获取步骤，根据第n个通道的输入特征图Fin的特征值，根据公式fout(P)＝fin(Pc,0)*w0+fin(Pc,1)*w1+fin(Pc,2)*w2+fin(Pc,3)*w3，计算第n个通道的输出特征图Fout的特征值，其中fin(Pc,0)、fin(Pc,1)、fin(Pc,2)、fin(Pc,3)表示第n个通道的输入特征图上的映射点的特征值，w0、w1、w2、w3表示对应映射点Pc,0(xl,yl)、Pc,1(xl+1,yl)、Pc,2(xl,yl+1)、Pc,3(xl+1,yl+1)的权重，w0＝(1-Pc(y)+yl)*(1-Pc(x)+xl)，w1＝(1-Pc(y)+yl)*(Pc(x)-xl)，w2＝(Pc(y)-yl)*(1-Pc(x)+xl)，w3＝(Pc(y)-yl)*(Pc(x)-xl)；
输出特征图输出步骤，输出第n个通道的输入特征图Fin对应的第n个通道的输出特征图Fout；
其中，所述贝塞尔曲线计算步骤中如果车牌区域有2个上边缘点和2个下边缘点，采用1阶贝塞尔曲线公式B(t)＝P0(1-t)+P1t；如果车牌区域有3个上边缘点和3个下边缘点，采用2阶贝塞尔曲线公式B(t)＝P0(1-t)2+2P1t(1-t)+P2t2；如果车牌区域有4个上边缘点和4个下边缘点，采用3阶贝塞尔曲线公式B(t)＝P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3，t∈[0,1]；其中t表示曲线长度比例，P0、P1、P2、P3表示车牌区域上边缘点或者下边缘点。
5.如权利要求4所述的方法，进一步地，所述Wout设为24或者32，Hout设为8。
6.基于特征图的贝塞尔车牌对齐装置，其特征在于，该装置包括：
输入特征图和边缘点获取模块，用于输入图像，采用基于深度学习的车牌检测网络，从图像中获取最后一层特征图作为输入特征图，获取输入特征图上车牌区域；通过在车牌检测主干网络之后分别添加8个或者12个或者16个输出的卷积层，以获得输入特征图上的车牌区域的2个或者3个或者4个上边缘点和下边缘点；
输出特征图获取模块，用于针对每个通道的输出特征图，选取任意一点，对选取的点的坐标做归一化处理，获取归一化的坐标点；对于归一化的坐标点，根据贝塞尔曲线公式，分别获取上边缘点和下边缘点的贝塞尔曲线；获取输出特征图在输入特征图上的映射点；根据映射点和输入特征图的特征值，获取输出特征图对应点的特征值；
对齐车牌区域子图像输出模块，用于将输出特征图作为对齐后的车牌区域子图像并输出。
7.如权利要求6所述的装置，其特征在于，所述输入特征图和边缘点获取模块包括：用于输入图像，采用基于深度学习的车牌检测网络，从图像中获取最后一层特征图作为输入特征图Fin，获取每个通道的输入特征图Fin上的车牌区域，其中输入特征图Fin的通道的个数为N，高度为Hin，宽度为Win；通过在车牌检测主干网络之后分别添加8个或者12个或者16个输出的卷积层，以获得输入特征图Fin上车牌区域的2个或者3个或者4个上边缘点和下边缘点。
8.如权利要求7所述的装置，其特征在于，所述所述8个输出的卷积层包括：
第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数4*2＝8；其中8表示4个边缘点的x坐标和y坐标；
所述12个输出的卷积层包括：第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数6*2＝12；其中12表示6个边缘点的x坐标和y坐标；
所述16个输出的卷积层包括：第一层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数128，激活函数为Relu；第二层：3*3卷积，步长stride＝1，填充pad＝1，滤波器个数8*2＝16；其中16表示8个边缘点的x坐标和y坐标；
对于获取的4个、12个、16个边缘点，根据y坐标进行排序，将y坐标值较小的2个、3个、4个边缘点作为上边缘点，将y坐标值较大的2个、3个、4个边缘点作为下边缘点。
9.如权利要求6所述的装置，其特征在于，所述输出特征图获取模块包括：
输出特征图归一化模块：用于对于第n个通道的输入特征图Fin，选取第n个通道的输出特征图Fout上的任意一点P(x,y)，对点P(x,y)的坐标进行归一化处理，获得归一化的坐标点(u,v)，其中u＝x/Wout，v＝y/Hout，Wout和Hout表示输出特征图的宽度和高度，n∈[1,N]，N为输入特征图Fin的通道的个数；
贝塞尔曲线计算模块：用于对于归一化的坐标点(u,v)，将曲线长度比例t＝u，根据贝塞尔曲线公式，分别获得上边缘点在X坐标轴上的贝塞尔曲线B′x(t)和Y坐标轴上的贝塞尔曲线B′y(t)，获得下边缘点在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)；
输入特征图映射点获取模块，用于根据获取的上边缘点在X坐标轴上的贝塞尔曲线B′x(t)和Y坐标轴上的贝塞尔曲线B′y(t)、下边缘点在X坐标轴上的贝塞尔曲线B″x(t)和Y坐标轴上的贝塞尔曲线B″y(t)，分别根据公式Pc(x)＝B″x(t)*v+B′x(t)*(1-v)和Pc(y)＝B″y(t)*v+B′y(t)*(1-v)，将Pc(x)和Pc(y)作为中心点Pc(x,y)的X和Y坐标；对Pc(x)和Pc(y)分别取整后得到xl和yl，获取中心点Pc(x,y)的四个邻近点Pc,0(xl,yl)、Pc,1(xl+1,yl)、Pc,2(xl,yl+1)、Pc,3(xl+1,yl+1)，将四个邻近点作为第n个通道的输出特征图Fout上的点P(x,y)在第n个通道的输入特征图上的映射点；
输出特征图特征值获取模块，用于根据第n个通道的输入特征图Fin的特征值，根据公式fout(P)＝fin(Pc,0)*w0+fin(Pc,1)*w1+fin(Pc,2)*w2+fin(Pc,3)*w3，计算第n个通道的输出特征图Fout的特征值，其中fin(Pc,0)、fin(Pc,1)、fin(Pc,2)、fin(Pc,3)表示第n个通道的输入特征图上的映射点的特征值，w0、w1、w2、w3表示对应映射点Pc,0(xl,yl)、Pc,1(xl+1,yl)、Pc,2(xl,yl+1)、Pc,3(xl+1,yl+1)的权重，w0＝(1-Pc(y)+yl)*(1-Pc(x)+xl)，w1＝(1-Pc(y)+yl)*(Pc(x)-xl)，w2＝(Pc(y)-yl)*(1-Pc(x)+xl)，w3＝(Pc(y)-yl)*(Pc(x)-xl)；
输出特征图输出模块，用于输出第n个通道的输入特征图Fin对应的第n个通道的输出特征图Fout；
其中，所述贝塞尔曲线计算模块中如果车牌区域有2个上边缘点和2个下边缘点，采用1阶贝塞尔曲线公式B(t)＝P0(1-t)+P1t；如果车牌区域有3个上边缘点和3个下边缘点，采用2阶贝塞尔曲线公式B(t)＝P0(1-t)2+2P1t(1-t)+P2t2；如果车牌区域有4个上边缘点和4个下边缘点，采用3阶贝塞尔曲线公式B(t)＝P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3，t∈[0,1]；其中t表示曲线长度比例，P0、P1、P2、P3表示车牌区域上边缘点或者下边缘点。
CN202011411738.9A 2020-12-03 2020-12-03 基于特征图的贝塞尔车牌对齐方法及装置 Active CN112348020B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011411738.9A CN112348020B (zh) 2020-12-03 2020-12-03 基于特征图的贝塞尔车牌对齐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011411738.9A CN112348020B (zh) 2020-12-03 2020-12-03 基于特征图的贝塞尔车牌对齐方法及装置

Publications (2)

Publication Number Publication Date
CN112348020A CN112348020A (zh) 2021-02-09
CN112348020B true CN112348020B (zh) 2023-10-20

Family

ID=74427384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011411738.9A Active CN112348020B (zh) 2020-12-03 2020-12-03 基于特征图的贝塞尔车牌对齐方法及装置

Country Status (1)

Country Link
CN (1) CN112348020B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971101A (zh) * 2014-05-21 2014-08-06 国家电网公司 一种基于贝塞尔控制点搜索的曲线识别方法
CN108268867A (zh) * 2016-12-30 2018-07-10 杭州海康威视数字技术股份有限公司 一种车牌定位方法及装置
CN110427937A (zh) * 2019-07-18 2019-11-08 浙江大学 一种基于深度学习的倾斜车牌矫正和不定长车牌识别方法
CN110598709A (zh) * 2019-08-12 2019-12-20 北京智芯原动科技有限公司 一种卷积神经网络训练方法以及车牌识别方法及装置
CN110648402A (zh) * 2019-09-29 2020-01-03 北京金山安全软件有限公司 虚拟物体沿曲线放置的方法、装置及设备
CN111062381A (zh) * 2019-10-17 2020-04-24 安徽清新互联信息科技有限公司 一种基于深度学习的车牌位置检测方法
CN111563412A (zh) * 2020-03-31 2020-08-21 武汉大学 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法
US10816993B1 (en) * 2019-11-23 2020-10-27 Ha Q Tran Smart vehicle

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140126779A1 (en) * 2012-11-03 2014-05-08 Greg Duda System for license plate identification in low-quality video

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971101A (zh) * 2014-05-21 2014-08-06 国家电网公司 一种基于贝塞尔控制点搜索的曲线识别方法
CN108268867A (zh) * 2016-12-30 2018-07-10 杭州海康威视数字技术股份有限公司 一种车牌定位方法及装置
CN110427937A (zh) * 2019-07-18 2019-11-08 浙江大学 一种基于深度学习的倾斜车牌矫正和不定长车牌识别方法
CN110598709A (zh) * 2019-08-12 2019-12-20 北京智芯原动科技有限公司 一种卷积神经网络训练方法以及车牌识别方法及装置
CN110648402A (zh) * 2019-09-29 2020-01-03 北京金山安全软件有限公司 虚拟物体沿曲线放置的方法、装置及设备
CN111062381A (zh) * 2019-10-17 2020-04-24 安徽清新互联信息科技有限公司 一种基于深度学习的车牌位置检测方法
US10816993B1 (en) * 2019-11-23 2020-10-27 Ha Q Tran Smart vehicle
CN111563412A (zh) * 2020-03-31 2020-08-21 武汉大学 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
视频和图像文本提取方法综述;蒋梦迪;程江华;陈明辉;库锡树;;计算机科学(第S2期);全文 *

Also Published As

Publication number Publication date
CN112348020A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN109919072B (zh) 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法
CN110427937B (zh) 一种基于深度学习的倾斜车牌矫正和不定长车牌识别方法
CN109145928B (zh) 一种基于图像的车头朝向识别方法及装置
CN105005771B (zh) 一种基于光流点轨迹统计的车道线实线的检测方法
CN101763734B (zh) 交通信号灯智能控制***及其控制方法
DE102019121785A1 (de) Wahrnehmungsvorrichtung für die Hindernisdetektion und Hindernisverfolgung und Wahrnehmungsverfahren für die Hindernisdetektion und Hindernisverfolgung
CN110031829B (zh) 一种基于单目视觉的目标精准测距方法
CN105956608A (zh) 一种基于深度学习的目标定位、分类算法
CN107067015B (zh) 一种基于多特征深度学习的车辆检测方法及装置
CN1323547C (zh) 一种车载摄像机外部参数三线标定方法
CN105354806A (zh) 基于暗通道的快速去雾方法及***
CN112488046B (zh) 一种基于无人机高分辨率影像的车道线提取方法
CN108416292A (zh) 一种基于深度学习的无人机航拍图像道路提取方法
Dong et al. Infrared image colorization using a s-shape network
CN109816040A (zh) 基于深度学习的城市内涝水深检测的方法
CN110956119B (zh) 一种图像中目标检测的方法
CN112329776A (zh) 基于改进CenterNet网络的车牌检测方法及装置
CN105741296A (zh) 一种360度全视角鸟瞰全景行车辅助标定方法
CN108960287B (zh) 一种实现地形和目标检测的盲人辅助眼镜
CN106295491A (zh) 车道直线检测方法及装置
CN112348020B (zh) 基于特征图的贝塞尔车牌对齐方法及装置
CN108008726A (zh) 一种智能无人驾驶汽车
CN114782949A (zh) 一种边界引导上下文聚合的交通场景语义分割方法
CN114842447A (zh) 一种基于卷积神经网络的车位快速识别方法
CN111881914B (zh) 一种基于自学习阈值的车牌字符分割方法及***

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