CN112926583B - 车牌识别方法与车牌识别*** - Google Patents

车牌识别方法与车牌识别*** Download PDF

Info

Publication number
CN112926583B
CN112926583B CN202110450373.9A CN202110450373A CN112926583B CN 112926583 B CN112926583 B CN 112926583B CN 202110450373 A CN202110450373 A CN 202110450373A CN 112926583 B CN112926583 B CN 112926583B
Authority
CN
China
Prior art keywords
license plate
image
recognition
coordinates
vertex
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
CN202110450373.9A
Other languages
English (en)
Other versions
CN112926583A (zh
Inventor
杨帆
陈凯琪
胡建国
白立群
王瀚洋
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.)
Xiaoshi Technology Jiangsu Co ltd
Original Assignee
Nanjing Zhenshi Intelligent 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 Zhenshi Intelligent Technology Co Ltd filed Critical Nanjing Zhenshi Intelligent Technology Co Ltd
Priority to CN202110450373.9A priority Critical patent/CN112926583B/zh
Publication of CN112926583A publication Critical patent/CN112926583A/zh
Application granted granted Critical
Publication of CN112926583B publication Critical patent/CN112926583B/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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Character Discrimination (AREA)
  • Character Input (AREA)

Abstract

本发明提供一种车牌识别方法与车牌识别***，包括：获取包含车牌的第一图像；通过第一检测模型检测出车牌大致位置，并裁剪出车牌图像；通过第二检测模型定位出所述车牌在车牌图像中的四个顶点坐标；以获得的顶点坐标作为原坐标点，以车牌被通过仿射变换成期望的平面视角下的四个顶点坐标作为变换点坐标，获取仿射变换的变换矩阵；根据所述变换矩阵将所述第一图像进行仿射变换，获得变换后的第二图像；最后通过第三检测模型识别出车牌信息。本发明基于车牌的坐标定位使用仿射变换的处理后，输入更易于进行车牌识别的车牌图片，提高车牌识别的准确率，避免车牌识别***因为拍摄角度过于倾斜而无法正确识别车牌的问题。

Description

车牌识别方法与车牌识别***
技术领域
本发明涉图像处理与识别技术领域，具体而言涉及一种车牌识别方法与***，尤其是在用于采集车牌图像的摄像头拍摄角度过大或者存在拍摄图像倾斜、角度偏转等问题时，通过本发明的识别处理来提升车牌识别率。
背景技术
车牌识别技术(Vehicle License Plate Recognition，VLPR)是一种将前端的车牌图像采集与后台的识别处理***融合的图像处理技术，利用现场的图像采集摄像设备采集车辆的车牌图像，传输至后台的识别***进行图像处理，利用视觉识别处理识别出车牌号码。车牌识别技术已经广泛应用到各个场景下，例如停车场的车牌识别与无人收费***、高速公路的电子不停车收费***(ETC)、基于交警用摄像头的超速违章识别***、道路流量监测与管理***、特殊区域或者单位(军管区、保密单位等)的自动号牌等级与放行控制等，随着计算机视频图像识别技术的进一步发展，车牌识别技术的准确性和效率也逐步提高，对于维护交通安全和城市治安，防止交通堵塞，实现交通自动化管理以及小区、停车场的科学效率管理起到重要的现实作用。
现有的车牌识别技术VLPR主要包括前端和后端，前端负责图像采集，需要部署到车辆经过的通道处，对准车辆入口方向并调试好角度和方向。后端负责图像处理与识别结果的处理，其中图像处理的目的在于识别出车牌，主要的识别算法包括车牌的检测和车牌的识别，车牌检测是指从前端采集的图像中定位出车牌所在的位置，可采用灰度检测、边缘检测或者对象检测算法(有锚或者无锚算法)，而车牌识别是其中的关键，现有的算法较多，例如基于CNN的神经网络识别、基于图像检索的识别。
然而，现有的车牌识别结果普遍基于非常理想的角度拍摄的图像而获得车牌图像识别，在部署过程以及后续的使用过程中，导致摄像头角度发生偏移或者变化后，使得拍摄车辆的车牌图像发生变形并且不是针对车牌拍摄。同时，传统的摄像头部署之后是不能变化的，所以会出现因为拍摄角度过于倾斜，使得***无法正确识别车牌，所以传统的车牌识别的模型，都会要求架设的摄像机离需要识别的车牌很近，且保持正对，但因为摄像头是固定的，而车辆是不固定，传统的车牌识别***会因为拍摄角度过于倾斜而难以正确识别车牌。
现有技术中提出在对车牌图像进行字符分割前，通过位置矫正来实现车牌图像的矫正处理，例如仿射变换或者透射变换，但前述矫正处理针对的是整个车牌图像，在通过仿射变换矫正处理后仍然难以获得清晰的车牌识别效果。
现有技术文献：
专利文献1：CN112434700A
发明内容
本发明目的在于提供一种车牌识别***与识别方法，基于车牌的坐标定位使用仿射变换的处理后，输入更易于进行车牌识别的车牌图片，提高车牌识别的准确率，避免车牌识别***因为拍摄角度过于倾斜而无法正确识别车牌的问题。
本发明的第一方面提出一种车牌识别方法，包括：
获取包含车牌的第一图像；
通过第一检测模型检测出所述第一图像中包含的车牌的最小矩形检测框的左上顶点和右下顶点坐标，获得车牌图像；
通过第二检测模型定位出所述车牌在车牌图像中的四个顶点坐标；
以获得的顶点坐标作为原坐标点，以车牌被通过仿射变换成期望的平面视角下的四个顶点坐标作为变换点坐标，获取仿射变换的变换矩阵；
根据所述变换矩阵将所述第一图像进行仿射变换，获得变换后的第二图像；以及
将变换后的第二图像作为输入，通过第三检测模型识别出车牌信息。
优选地，所述第三检测模型被设置成通过字符识别识别出车牌信息。
优选地，所述第一检测模型被设置为用于实现车牌检测的目标检测器，所述目标检测器用于检测出所述第一图像中车牌的大致位置，通过车牌的最小矩形检测框的左上顶点和右下顶点坐标，裁剪出车牌图像。
优选地，所述第二检测模型为基于关键点识别的车牌图像识别模型，所述基于关键点识别的车牌图像识别模型为预先训练获得，即以标注车牌的四个顶点坐标构造训练集而训练出的识别模型；
所述通过第二检测模型定位出所述车牌在车牌图像中的四个顶点坐标，包括：
以车牌图像作为输入，由所述基于关键点识别的车牌图像识别模型定位出所述车牌在车牌图像中的四个顶点坐标。
优选地，所述变换矩阵的获取被设置成通过以下公式得出：
Figure GDA0003735918190000021
其中，
Figure GDA0003735918190000031
表示原坐标点，
Figure GDA0003735918190000032
表示变换点坐标，
Figure GDA0003735918190000033
表示变换矩阵；
Figure GDA0003735918190000034
表示新的坐标原点；
Figure GDA0003735918190000035
表示新的基向量。
根据本发明的第二方面提出一种车牌识别***，包括：
用于获取包含车牌的第一图像的模块；
用于通过第一检测模型检测出所述第一图像中包含的车牌的最小矩形检测框的左上顶点和右下顶点坐标，获得车牌图像的模块；
用于通过第二检测模型定位出所述车牌在车牌图像中的四个顶点坐标的模块；
用于以获得的顶点坐标作为原坐标点，以车牌被通过仿射变换成期望的平面视角下的四个顶点坐标作为变换点坐标，获取仿射变换的变换矩阵的模块；
用于根据所述变换矩阵将所述第一图像进行仿射变换，获得变换后的第二图像的模块；以及
用于将变换后的第二图像作为输入，通过第三检测模型识别出车牌信息的模块。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
附图说明
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图并不在于按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是根据本发明第一实施例的车牌识别方法的流程示例图。
图2是根据本发明第一实施例中车牌检测的流程图。
图3是根据本发明第一实施例中车牌定位的流程图。
图4是车牌识别***在摄像头拍摄角度过于倾斜时所拍摄的图像的示例。
图5是以图4作为原图像，根据本发明第一实施例进行车牌识别过程中，以目标检测器的结果，先进行关键点定位后所获得的变换矩阵后，再对图像进行仿射变换所获得的用以输入到模型进行识别的图像示例。
图6是以图4作为原图像，根据现有技术中以目标检测器的结果再进行仿射变换后，获得的用以输入到模型进行识别的图像示例。
图7是根据本发明第一实施例的车牌识别方法对多个车牌进行处理，所获得的用以输入到第二模型进行识别的图像示例。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
根据本发明第一方面的实施例的一种车牌识别方法，其旨在实现对车牌识别***(例如停车场出入口位置的识别***、高速公路收费站的车牌识别***、高速公路/城市道路违章和/或测速***)中所拍摄的图像进行车牌识别时，在拍摄的角度不理想的情况下，如何提高车牌识别的准确性的问题。
在本发明的一个示例中，通过先检测出车牌在所采集的图像中的大致位置，进行裁剪后得到车牌图像，再对车牌图像进行关键点定位，例如通过预先训练好的关键点识别模型进行识别，从而可确定车牌的四个顶点的坐标，在此基础上，可以通过车牌的四个顶点的坐标以及期望将其变换处理到平面视角的坐标而计算出中间进行变换的变换矩阵，再根据这一变换矩阵对整个采集的图像进行仿射变换，从而得到更加利于进行车牌识别的输入图像，输入到车牌识别模型中，进行字符识别，从而获得车牌信息输出。
结合图1至3所示，本发明的一个具体的实现过程包括：
S101：获取包含车牌的第一图像，例如通过数据接口从车牌识别***的前端采集端(摄像头)获得原始图像；
S102：通过第一检测模型检测出所述第一图像中包含的车牌的最小矩形检测框的左上顶点和右下顶点坐标，获得车牌图像；
S103：通过第二检测模型定位出所述车牌在车牌图像中的四个顶点坐标；
S104：以获得的顶点坐标作为原坐标点，以车牌被通过仿射变换成期望的平面视角下的四个顶点坐标作为变换点坐标，获取仿射变换的变换矩阵；
S105：根据所述变换矩阵将所述第一图像进行仿射变换，获得变换后的第二图像；以及
S106：将变换后的第二图像作为输入，通过第三检测模型识别出车牌信息。
优选地，前述的第三检测模型被设置成通过字符识别识别出车牌信息，例如基于CNN网络的车牌识别模型，可通过预先训练生成。
作为可选的实施例，基于CNN网络的车牌识别模型在训练过程中，首先需要构造出训练使用的车牌数据，然后将车牌数据进行训练，获得识别模型。
车牌数据的构造，需要先构造字符集合，例如省份简称、大写因为字母与数字。然后生成中英文字符信息，再通过数据增广处理获得多样化的车牌数据信息后，通过多个场景图片作为背景，生成训练用的训练数据集合。
在另外的实施例中，第三检测模型还可基于其他方式生成或者训练，例如基于Open CV训练的SVM识别模型。
优选地，前述的第一检测模型被设置为用于实现车牌检测的目标检测器，所述目标检测器用于检测出所述第一图像中车牌的大致位置，例如通过传统的目标检测器进行检测，如SSD、centerNet等，通过车牌的最小矩形检测框的左上顶点和右下顶点坐标，裁剪出车牌图像。
在具体实现过程中，可使用车牌数据集训练一个可以检测出车牌的目标检测器，在实际使用时，输入一张图像，可输出车牌在图像中能包含车牌的最小矩形框的左上顶点和右下顶点坐标。
优选地，前述的第二检测模型为基于关键点识别的车牌图像识别模型。基于关键点识别的车牌图像识别模型可采用预先训练获得，即以标注车牌的四个顶点坐标构造训练集而训练出的识别模型；
所述通过第二检测模型定位出所述车牌在车牌图像中的四个顶点坐标，包括：
以车牌图像作为输入，由所述基于关键点识别的车牌图像识别模型定位出所述车牌在车牌图像中的四个顶点坐标。
在实际的拍摄场景中，因为角度等原因，车牌在图像中的坐标基本不是一个标注长方形，所以需要通过车牌定位来获取车牌更加详细的坐标信息(即四个顶点的)位置信息。其中车牌定位可采用关键点定位的practical facial landmark detector(PFLD)模型训练出来，通过标注车牌的四个顶点的坐标，然后构成训练集，训练出检测模型。由此，基于目标检测器检测出车牌的大致位置后，可通过车牌定位进一步得到车牌四个顶点的坐标。
然后，结合图1所示的流程，我们以获得的顶点坐标作为原坐标点，以车牌被通过仿射变换成期望的平面视角下的四个顶点坐标作为变换点坐标，获取仿射变换的变换矩阵。
优选地，所述变换矩阵的获取被设置成通过以下公式得出：
Figure GDA0003735918190000061
其中，
Figure GDA0003735918190000062
表示原坐标点，
Figure GDA0003735918190000063
表示变换点坐标，
Figure GDA0003735918190000064
表示变换矩阵；
Figure GDA0003735918190000065
表示新的坐标原点；
Figure GDA0003735918190000066
表示新的基向量。
基于此，进一步根据所得到的变换矩阵将第一图像(即原始获得的图像，如图4)进行仿射变换，获得变换后的第二图像，如图5。
最后，再将变换后的第二图像(例如图5)作为输入，通过第三检测模型识别出车牌信息。
结合图6所示，是以图4作为原图像，根据现有技术中以目标检测的结果再进行仿射变换后，获得的用以输入到第二模型进行识别的图像示例。而在传统的车牌定位-图像修正(例如仿射变化或者透射变换)-车牌字符识别的车牌识别逻辑中，由于针对车牌定位的结果(即从原始拍摄图像中直接裁剪出的包含车牌大概位置的图像)直接进行仿射变换修正，拉到平面视角的过程中，由于在仿射变化之前仅仅得到的车牌的大概位置，其边缘的位置信息不准确的话，在进行仿射变化后得到的图片的质量差异很大，而且非常容易出现模糊不清的问题，例如图6所示，不利于识别。
结合图5所示，本发明的车牌识别处理过程中，以目标检测器的结果，先进行关键点定位后所获得的变换矩阵后，再对图像进行仿射变换所获得的用以输入到第二模型进行识别的图像示例。
由此，针对每个原始获得具有车牌的第一图像，即从摄像头拍摄的包含车牌的图像中，均先通过目标检测器进行车牌检测，识别出车牌的大概位置并裁剪得到车牌图像，然后在此基础上，通过关键点识别的检测模型进行车牌定位，确定出车牌的四个顶点，即车牌的确切位置，并由此确定一个到平面视角的变换矩阵，也即每一个针对原始获得第一图像均对应一个变换矩阵，再据此将其对应的原始第一图像进行针对性的仿射变换，从而保证每一张图像修正的针对性，获得理想的车牌图像，以此作为车牌识别模型的输入，提高车牌识别的准确性。
以图4为基础，结合5、6可见，图5所示的图像肉眼可见地比图6所示的图像更加容易识别。
结合图7所示的采用本发明第一实施例的方式进行车牌处理和识别的示例。变换前的图是车牌检测器(目标检测器)检测出来的车牌图像，在角度倾斜过大的时候车牌识别的往往会很不准，而变换后的图像就是基于本发明第一实施例的方法中先通过车牌定位，再进行仿射变换后的图像。可见，采用本发明的方法处理的车牌图像的输出，由于每个图像的仿射变换具有高度的针对性，因为是针对每个车牌的关键点定位后实现的，对图像的处理质量，具有高度的一致性，更佳利于实现车牌的准确识别。
根据本发明的第二方面提出一种车牌识别***，包括：
用于获取包含车牌的第一图像的模块；
用于通过第一检测模型检测出所述第一图像中包含的车牌的最小矩形检测框的左上顶点和右下顶点坐标，获得车牌图像的模块；
用于通过第二检测模型定位出所述车牌在车牌图像中的四个顶点坐标的模块；
用于以获得的顶点坐标作为原坐标点，以车牌被通过仿射变换成期望的平面视角下的四个顶点坐标作为变换点坐标，获取仿射变换的变换矩阵的模块；
用于根据所述变换矩阵将所述第一图像进行仿射变换，获得变换后的第二图像的模块；以及
用于将变换后的第二图像作为输入，通过第二检测模型识别出车牌信息的模块。
其中，所述第三检测模型被设置成通过字符识别识别出车牌信息。
其中，所述第一检测模型被设置为用于实现车牌检测的目标检测器，所述目标检测器用于检测出所述第一图像中车牌的大致位置，通过所述车牌的最小矩形检测框的左上顶点和右下顶点坐标，裁剪出车牌图像。
其中，所述第二检测模型为基于关键点识别的车牌图像识别模型，所述基于关键点识别的车牌图像识别模型为预先训练获得，即以标注车牌的四个顶点坐标构造训练集而训练出的识别模型。
其中，所述变换矩阵的获取被设置成通过以上实施例的方式得到。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (8)

1.一种车牌识别方法，其特征在于，包括：
获取包含车牌的第一图像；
通过第一检测模型检测出所述第一图像中包含的车牌的最小矩形检测框的左上顶点和右下顶点坐标，获得车牌图像；
通过第二检测模型定位出所述车牌在车牌图像中的四个顶点坐标；
以获得的顶点坐标作为原坐标点，以车牌被通过仿射变换成期望的平面视角下的四个顶点坐标作为变换点坐标，获取仿射变换的变换矩阵；
根据所述变换矩阵将所述第一图像进行仿射变换，获得变换后的第二图像；以及
将变换后的第二图像作为输入，通过第三检测模型识别出车牌信息；
其中，所述变换矩阵的获取被设置成通过以下公式得出：
Figure FDA0003735918180000011
其中，
Figure FDA0003735918180000012
表示原坐标点，
Figure FDA0003735918180000013
表示变换点坐标，
Figure FDA0003735918180000014
表示变换矩阵；
Figure FDA0003735918180000015
表示新的坐标原点；
Figure FDA0003735918180000016
表示新的基向量。
2.根据权利要求1所述的车牌识别方法，其特征在于，所述第三检测模型被设置成通过字符识别识别出车牌信息。
3.根据权利要求1所述的车牌识别方法，其特征在于，所述第一检测模型被设置为用于实现车牌检测的目标检测器，所述目标检测器用于检测出所述第一图像中车牌的大致位置，通过车牌的最小矩形检测框的左上顶点和右下顶点坐标，裁剪出车牌图像。
4.根据权利要求1所述的车牌识别方法，其特征在于，所述第二检测模型为基于关键点识别的车牌图像识别模型，所述基于关键点识别的车牌图像识别模型为预先训练获得，即以标注车牌的四个顶点坐标构造训练集而训练出的识别模型；
所述通过第二检测模型定位出所述车牌在车牌图像中的四个顶点坐标，包括：
以车牌图像作为输入，由所述基于关键点识别的车牌图像识别模型定位出所述车牌在车牌图像中的四个顶点坐标。
5.一种车牌识别***，其特征在于，包括：
用于获取包含车牌的第一图像的模块；
用于通过第一检测模型检测出所述第一图像中包含的车牌的最小矩形检测框的左上顶点和右下顶点坐标，获得车牌图像的模块；
用于通过第二检测模型定位出所述车牌在车牌图像中的四个顶点坐标的模块；
用于以获得的顶点坐标作为原坐标点，以车牌被通过仿射变换成期望的平面视角下的四个顶点坐标作为变换点坐标，获取仿射变换的变换矩阵的模块；
用于根据所述变换矩阵将所述第一图像进行仿射变换，获得变换后的第二图像的模块；以及
用于将变换后的第二图像作为输入，通过第三检测模型识别出车牌信息的模块；
其中，所述变换矩阵的获取被设置成通过以下公式得出：
Figure FDA0003735918180000021
其中，
Figure FDA0003735918180000022
表示原坐标点，
Figure FDA0003735918180000023
表示变换点坐标，
Figure FDA0003735918180000024
表示变换矩阵；
Figure FDA0003735918180000025
表示新的坐标原点；
Figure FDA0003735918180000026
表示新的基向量。
6.根据权利要求5所述的车牌识别***，其特征在于，所述第三检测模型被设置成通过字符识别识别出车牌信息。
7.根据权利要求5所述的车牌识别***，其特征在于，所述第一检测模型被设置为用于实现车牌检测的目标检测器，所述目标检测器用于检测出所述第一图像中车牌的大致位置，通过所述车牌的最小矩形检测框的左上顶点和右下顶点坐标，裁剪出车牌图像。
8.根据权利要求5所述的车牌识别***，其特征在于，所述第二检测模型为基于关键点识别的车牌图像识别模型，所述基于关键点识别的车牌图像识别模型为预先训练获得，即以标注车牌的四个顶点坐标构造训练集而训练出的识别模型。
CN202110450373.9A 2021-04-25 2021-04-25 车牌识别方法与车牌识别*** Active CN112926583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110450373.9A CN112926583B (zh) 2021-04-25 2021-04-25 车牌识别方法与车牌识别***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110450373.9A CN112926583B (zh) 2021-04-25 2021-04-25 车牌识别方法与车牌识别***

Publications (2)

Publication Number Publication Date
CN112926583A CN112926583A (zh) 2021-06-08
CN112926583B true CN112926583B (zh) 2022-08-16

Family

ID=76174678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110450373.9A Active CN112926583B (zh) 2021-04-25 2021-04-25 车牌识别方法与车牌识别***

Country Status (1)

Country Link
CN (1) CN112926583B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642577A (zh) * 2021-10-14 2021-11-12 深圳市爱深盈通信息技术有限公司 一种低对比度的车牌识别方法、***、设备及存储介质
CN114049622A (zh) * 2021-10-29 2022-02-15 深圳市爱深盈通信息技术有限公司 车牌识别方法及***
CN114882489B (zh) * 2022-07-07 2022-12-16 浙江智慧视频安防创新中心有限公司 一种对旋转车牌进行水平校正方法、装置、设备及介质
CN116612459B (zh) * 2023-07-18 2023-11-17 小米汽车科技有限公司 目标检测方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414507A (zh) * 2019-07-11 2019-11-05 和昌未来科技（深圳）有限公司 车牌识别方法、装置、计算机设备和存储介质
JP2019207456A (ja) * 2018-05-28 2019-12-05 日本電信電話株式会社 幾何変換行列推定装置、幾何変換行列推定方法、及びプログラム
CN110969135A (zh) * 2019-12-05 2020-04-07 中南大学 自然场景中的车标识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019207456A (ja) * 2018-05-28 2019-12-05 日本電信電話株式会社 幾何変換行列推定装置、幾何変換行列推定方法、及びプログラム
CN110414507A (zh) * 2019-07-11 2019-11-05 和昌未来科技（深圳）有限公司 车牌识别方法、装置、计算机设备和存储介质
CN110969135A (zh) * 2019-12-05 2020-04-07 中南大学 自然场景中的车标识别方法

Also Published As

Publication number Publication date
CN112926583A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN112926583B (zh) 车牌识别方法与车牌识别***
CN106600977B (zh) 基于多特征识别的违停检测方法及***
CN105702048B (zh) 基于行车记录仪的高速公路前车违法占道识别***及方法
CN110619279B (zh) 一种基于跟踪的路面交通标志实例分割方法
Saha et al. License Plate localization from vehicle images: An edge based multi-stage approach
CN101339601B (zh) 一种基于sift算法的车牌汉字识别方法
CN101937508A (zh) 一种基于高清图像的车牌定位与识别方法
KR101788225B1 (ko) 건설현장 맞춤형 이미지 분석기술을 활용한 중장비/근로자 인식 및 추적 방법 및 시스템
Soomro et al. Vehicle number recognition system for automatic toll tax collection
CN103646544B (zh) 基于云台和相机设备的车辆行为分析识别方法
CN102867418A (zh) 一种判断车牌识别准确性的方法和装置
CN104463232A (zh) 一种基于hog特征和颜色直方图特征的密度人群计数的方法
CN107358236A (zh) 一种基于摄像装置的车牌号码识别***及方法
CN111091041A (zh) 一种车辆违法判别方法、装置、计算机设备和存储介质
Devi et al. An Efficient Hybrid Technique for Automatic License Plate Recognitions
Liu et al. Automatic pedestrian crossing detection and impairment analysis based on mobile mapping system
Moghassemi et al. Iranian License Plate Recognition using connected component and clustering techniques
KR100869139B1 (ko) 휴대용 단말기로 영상 입력되는 신호를 이용한 차량 번호판인식 시스템 및 그 인식 방법
Saha et al. License plate localization using vertical edge map and hough transform based technique
KR100538526B1 (ko) 불법 주정차 차량의 무인단속 시스템
CN112686956A (zh) 一种城市道路信号灯杆倾斜故障的检测方法
Garg et al. License Number Plate Recognition (LNPR)
KR20070044607A (ko) 휴대용 단말기로 영상 입력되는 신호를 이용한 차량 번호판 인식 시스템 및 그 인식 방법
CN111583341A (zh) 云台像机移位检测方法
Lajish et al. Mobile phone based vehicle license plate recognition for road policing

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: No.568 longmian Avenue, gaoxinyuan, Jiangning District, Nanjing City, Jiangsu Province, 211000

Patentee after: Xiaoshi Technology (Jiangsu) Co.,Ltd.

Address before: No.568 longmian Avenue, gaoxinyuan, Jiangning District, Nanjing City, Jiangsu Province, 211000

Patentee before: NANJING ZHENSHI INTELLIGENT TECHNOLOGY Co.,Ltd.