CN113283303A - 一种车牌识别方法及装置 - Google Patents
一种车牌识别方法及装置 Download PDFInfo
- Publication number
- CN113283303A CN113283303A CN202110470571.1A CN202110470571A CN113283303A CN 113283303 A CN113283303 A CN 113283303A CN 202110470571 A CN202110470571 A CN 202110470571A CN 113283303 A CN113283303 A CN 113283303A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- license plate
- information
- character
- recognition
- 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 29
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001156002 Anthonomus pomorum Species 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Discrimination (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车牌识别方法及装置,该方法包括:分别训练车辆识别模型、车牌检测模型和字符识别模型;当车辆进入监控识别区域,采集车辆图片,通过所述车辆识别模型判断是否为可识别车辆,并记录车辆特征;若为可识别车辆,则通过所述车牌检测模型判断是否可检测到车牌,若可以检测到完整车牌,则通过所述字符识别模型识别车牌上字符信息,若不能检测到完整车牌,则重新车辆图像进行车牌识别。通过该方案可以实现车牌的自动识别,并能提高车牌识别效率,避免对不完整车牌的无效识别。
Description
技术领域
本发明涉及深度学习领域,尤其涉及一种车牌识别方法及装置。
背景技术
近年来,随着车辆的不断增多,交通管理变得愈加复杂,智能交通管理***应运而生。车牌识别是智能交通管理***中重要的一环,在小区出入口、停车场出入口、高速公路、收费站等场景中得到广泛应用。目前车牌识别常用的两种方法有:基于传统的图像处理算法、基于深度学习的算法。
基于传统的图像处理算法流程包括车牌定位、字符分割和字符识别三步骤,其中车牌定位一般通过边缘、纹理、颜色、字符提取图片中车辆特征,从而检测出图片中的车辆。由于该算法人工选择特征,仅针对特定场景效果较好。传统的图像处理算法容易受到光照、拍摄角度、车牌模糊等条件的影响,在道路实际复杂多样的场景下鲁棒性较差。
基于深度学习的算法处理流程通常包括车牌定位和字符识别,在车牌定位中通过卷积神经网络提取图片中的有效特征,实现自动化识别。一般直接通过车牌识别模型进行车牌识别,需要在图片中直接定位到车牌,对于一些遮挡、不完整的车牌,或难以准确定位的车牌,容易导致车牌识别过程较长。
发明内容
有鉴于此,本发明实施例提供了一种车牌识别方法及装置,以解决现有车牌识别需要人工选择、识别时间较长的问题。
在本发明实施例的第一方面,提供了一种车牌识别方法,包括:
分别训练车辆识别模型、车牌检测模型和字符识别模型;
当车辆进入监控识别区域,采集车辆图片,通过所述车辆识别模型判断是否为可识别车辆,并记录车辆特征;
若为可识别车辆,则通过所述车牌检测模型判断是否可检测到车牌,若可以检测到完整车牌,则通过所述字符识别模型识别车牌上字符信息,若不能检测到完整车牌,则重新车辆图像进行车牌识别。
在本发明实施例的第二方面,提供了一种车牌识别装置,包括:
训练模块,用于分别训练车辆识别模型、车牌检测模型和字符识别模型;
图像采集模块,用于当车辆进入监控识别区域,通过监控摄像头采集车辆图片;
车辆识别模块,用于通过所述车辆识别模型判断是否为可识别车辆,并记录车辆特征;
车牌识别模块,用于若为可识别车辆,则通过所述车牌检测模型判断是否可检测到车牌,若可以检测到完整车牌,则通过所述字符识别模型识别车牌上字符信息,若不能检测到完整车牌,则重新车辆图像进行车牌识别。
在本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中,分别训练车辆识别模型、车牌检测模型和字符识别模型,通过模型对车辆图片进行依次识别,当判定为车辆且可以检测到完整车牌,则才通过字符识别模型识别车牌上字符信息,否则进行重新识别,由此,不仅可以实现车牌的自动化识别,而且可以缩短图片识别时间,减少对不清晰、不完整车牌识别时间的耗费。同时,避免对复杂车牌识别模型的训练,基于三个识别模型可以简化模型训练过程,识别效率高,当车牌检测不满足识别条件则不进行后续识别,可以缩短无效识别时间。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,下面描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他附图。
图1为本发明的一个实施例提供的一种车牌识别方法的流程示意图;
图2为本发明的一个实施例提供的一种车牌识别方法的另一流程示意图;
图3为本发明的一个实施例提供的一种车牌识别装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述,意指覆盖不排他的包含,如包含一系列步骤或单元的过程、方法或***、设备没有限定于已列出的步骤或单元。
请参阅图1,图1为本发明一个实施例提供的一种车牌识别方法的流程示意图,包括:
S101、分别训练车辆识别模型、车牌检测模型和字符识别模型;
收集车辆图片样本对车辆识别模型、车牌检测模型进行训练,并收集车牌字符图片对字符识别模型进行训练,通过测试集对训练后得到的车辆识别模型、车牌检测模型和字符识别模型进行测试,保障模型识别准确率达到预定标准。
S102、当车辆进入监控识别区域,采集车辆图片,通过所述车辆识别模型判断是否为可识别车辆,并记录车辆特征;
对于已进入监控识别区域的车辆,通过监控摄像头采集车辆图片,通过车辆识别模型判断是否为可识别车辆。对于未采集车辆图像或车辆主要特征不明显、不完整的车辆图像,可以判定为不可识别车辆,对于不属于常见四轮汽车等,也可以判定为不可识别车辆。当然,依据具体应用场景也可以对特定类型车辆判定为可识别,如客车、货车、校车或作业车等。
通过所述所述车辆识别模型提取可识别车辆车辆特征,并给定车辆ID,将车辆ID及对应的车辆特征存储至数据库。
S103、若为可识别车辆,则通过所述车牌检测模型判断是否可检测到车牌,若可以检测到完整车牌,则通过所述字符识别模型识别车牌上字符信息,若不能检测到完整车牌,则重新车辆图像进行车牌识别。
在所述车牌检测模型中提取车牌部分,对车牌的完整度(无遮挡)、模糊度进行检测判断,具体可根据车牌外包围框、边缘像素等对车牌完整度、灰度进行检测,或基于预定义的阈值,通过分类函数进行完整度、清晰度的判断。示例性的,如根据遮挡区域在车牌区域的占比判断是否完整,如根据Brenner函数或拉普拉斯算子判断图片是否清晰。
其中,若预定次数未检测到车牌信息,则将当前车辆标记为异常,并提示管理人员。对于异常的车牌信息,可以由管理人员手动记录,或手动控制调整摄像头方位对准车牌,以便重新采集车牌信息。
若提取到清晰完整的车牌图片,则可以通过字符识别模型直接进行字符读取,获取字符信息。若不能检测到清晰完整的车牌,则重新采集车辆图像,不必进行字符识别,减少无效识别的时间耗费。
优选的,将车辆ID、车辆特征信息、车牌位置坐标及车牌字符进行绑定,并存储至数据库中。对于已经采集并识别的车辆信息和车牌信息,将信息录入数据库,以便进行记录查询,以及对重复出入的同一车辆,进行检索匹配,避免重复识别。
优选的,对新采集的车辆图片,根据所述车辆识别模型提取的车辆特征信息,从数据库中检索匹配已记录的车辆信息和车牌信息,若检索到唯一对应的车辆信息和车牌信息,则对车辆不进行车牌识别。基于车辆特征的检索匹配,可以缩短识别时间,并能避免对同一车辆重复识别。
可以理解的是,所述车辆识别模型可以采用级联分类器,实现对不同车辆的准确检测,所述车牌检测模型可以采用two-stage的目标检测网络,能推荐车牌区域的同时,对车牌特征进行检测判断。
通过本实施例提供的方法,不仅可以实现自动化的车牌识别,适应能力强,而且能够提高车牌识别效率,缩短无效识别时间。
在另一实施例中,如图2所示,图2提供了一种车牌识别方法另一流程示意图。对于采集的车辆图片,先通过车辆识别模型判断图片中是否包含有车辆,若包含有车辆,则通过车牌检测模型判断车辆上是否包含有完整的车牌,若存在完整的车牌,则通过字符识别模型进行字符识别,将车辆信息及字符信息进行存储,完成车牌的自动识别。
当采集的图片中不包含车辆,或车辆上不包含完整的车牌,则停止后续的车牌字符识别,可重新采集图像进行车牌字符识别。
基于分层次的车牌识别,可以避免对不能识别的车牌进行字符信息获取,提高识别效率和准确率。同时,各模型训练过程简单,缩短训练时间。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图3为本发明实施例提供的一种车牌识别装置的结构示意图,包括:
训练模块310,用于分别训练车辆识别模型、车牌检测模型和字符识别模型;
图像采集模块320,用于当车辆进入监控识别区域,通过监控摄像头采集车辆图片;
车辆识别模块330,用于通过所述车辆识别模型判断是否为可识别车辆,并记录车辆特征;
车牌识别模块340,用于若为可识别车辆,则通过所述车牌检测模型判断是否可检测到车牌,若可以检测到完整车牌,则通过所述字符识别模型识别车牌上字符信息,若不能检测到完整车牌,则重新车辆图像进行车牌识别。
其中,所述车牌识别模块340包括:
预警提示单元,用于若预定次数未检测到车牌信息,则将当前车辆标记为异常,并提示管理人员。
优选的,将车辆ID、车辆特征信息、车牌位置坐标及车牌字符进行绑定,并存储至数据库中。
优选的,所述车辆识别模块340还包括:
检索匹配模块,用于对新采集的车辆图片,根据所述车辆识别模型提取的车辆特征信息,从数据库中检索匹配已记录的车辆信息和车牌信息,若检索到唯一对应的车辆信息和车牌信息,则对车辆不进行车牌识别。
可以理解的是,在一个实施例中,所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序执行如实施例一中步骤S101~S103,处理器执行所述计算机程序时实现车牌自动识别。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质包括如ROM/RAM等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种车牌识别方法,其特征在于,包括:
分别训练车辆识别模型、车牌检测模型和字符识别模型;
当车辆进入监控识别区域,采集车辆图片,通过所述车辆识别模型判断是否为可识别车辆,并记录车辆特征;
若为可识别车辆,则通过所述车牌检测模型判断是否可检测到车牌,若可以检测到完整车牌,则通过所述字符识别模型识别车牌上字符信息,若不能检测到完整车牌,则重新车辆图像进行车牌识别。
2.根据权利要求1所述的方法,其特征在于,所述重新车辆图像进行车牌识别包括:
若预定次数未检测到车牌信息,则将当前车辆标记为异常,并提示管理人员。
3.根据权利要求1所述的方法,其特征在于,所述若可以检测到完整车牌,则通过所述字符识别模型识别车牌上字符信息还包括:
将车辆ID、车辆特征信息、车牌位置坐标及车牌字符进行绑定,并存储至数据库中。
4.根据权利要求1所述的方法,其特征在于,所述若可以检测到完整车牌,则通过所述字符识别模型识别车牌上字符信息,若不能检测到完整车牌,则重新车辆图像进行车牌识别还包括:
对新采集的车辆图片,根据所述车辆识别模型提取的车辆特征信息,从数据库中检索匹配已记录的车辆信息和车牌信息,若检索到唯一对应的车辆信息和车牌信息,则对车辆不进行车牌识别。
5.一种车牌识别装置,其特征在于,包括:
训练模块,用于分别训练车辆识别模型、车牌检测模型和字符识别模型;
图像采集模块,用于当车辆进入监控识别区域,通过监控摄像头采集车辆图片;
车辆识别模块,用于通过所述车辆识别模型判断是否为可识别车辆,并记录车辆特征;
车牌识别模块,用于若为可识别车辆,则通过所述车牌检测模型判断是否可检测到车牌,若可以检测到完整车牌,则通过所述字符识别模型识别车牌上字符信息,若不能检测到完整车牌,则重新车辆图像进行车牌识别。
6.根据权利要求5所述的装置,其特征在于,所述车牌识别模块包括:
预警提示单元,用于若预定次数未检测到车牌信息,则将当前车辆标记为异常,并提示管理人员。
7.根据权利要求5所述的装置,其特征在于,所述所述若可以检测到完整车牌,则通过所述字符识别模型识别车牌上字符信息还包括:
将车辆ID、车辆特征信息、车牌位置坐标及车牌字符进行绑定,并存储至数据库中。
8.根据权利要求5所述的装置,其特征在于,所述车辆识别模块还包括:
检索匹配模块,用于对新采集的车辆图片,根据所述车辆识别模型提取的车辆特征信息,从数据库中检索匹配已记录的车辆信息和车牌信息,若检索到唯一对应的车辆信息和车牌信息,则对车辆不进行车牌识别。
9.一种电子设备,包括处理器、存储器以及存储在所述存储器中并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述车牌识别方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述车牌识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110470571.1A CN113283303A (zh) | 2021-04-28 | 2021-04-28 | 一种车牌识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110470571.1A CN113283303A (zh) | 2021-04-28 | 2021-04-28 | 一种车牌识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283303A true CN113283303A (zh) | 2021-08-20 |
Family
ID=77277727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110470571.1A Pending CN113283303A (zh) | 2021-04-28 | 2021-04-28 | 一种车牌识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283303A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909526A (zh) * | 2022-11-29 | 2023-04-04 | 广州柏瀚信息科技有限公司 | 一种高速公路收费方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527056A (zh) * | 2017-09-01 | 2017-12-29 | 南京邮电大学 | 一种基于粗定位车牌的字符分割方法 |
CN107864310A (zh) * | 2017-12-11 | 2018-03-30 | 同方威视技术股份有限公司 | 车辆底盘扫描***及扫描方法 |
CN109993138A (zh) * | 2019-04-08 | 2019-07-09 | 北京易华录信息技术股份有限公司 | 一种车牌检测与识别方法及装置 |
CN111191604A (zh) * | 2019-12-31 | 2020-05-22 | 上海眼控科技股份有限公司 | 检测车牌完整性的方法、设备和存储介质 |
-
2021
- 2021-04-28 CN CN202110470571.1A patent/CN113283303A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527056A (zh) * | 2017-09-01 | 2017-12-29 | 南京邮电大学 | 一种基于粗定位车牌的字符分割方法 |
CN107864310A (zh) * | 2017-12-11 | 2018-03-30 | 同方威视技术股份有限公司 | 车辆底盘扫描***及扫描方法 |
CN109993138A (zh) * | 2019-04-08 | 2019-07-09 | 北京易华录信息技术股份有限公司 | 一种车牌检测与识别方法及装置 |
CN111191604A (zh) * | 2019-12-31 | 2020-05-22 | 上海眼控科技股份有限公司 | 检测车牌完整性的方法、设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909526A (zh) * | 2022-11-29 | 2023-04-04 | 广州柏瀚信息科技有限公司 | 一种高速公路收费方法及装置 |
CN115909526B (zh) * | 2022-11-29 | 2023-10-20 | 广州柏瀚信息科技有限公司 | 一种高速公路收费方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600977B (zh) | 基于多特征识别的违停检测方法及*** | |
Rasheed et al. | Automated number plate recognition using hough lines and template matching | |
CN111815959B (zh) | 一种车辆违章的检测方法、装置以及计算机可读存储介质 | |
CN105321350B (zh) | ***检测方法及装置 | |
CN106991820B (zh) | 违规车辆处理方法及装置 | |
CN110909692A (zh) | 异常车牌识别方法、装置及计算机存储介质、电子设备 | |
CN109344886B (zh) | 基于卷积神经网络的遮挡号牌判别方法 | |
CN105320923A (zh) | 车型识别方法及装置 | |
CN112885108B (zh) | 一种基于深度学习算法的停车位上车辆换车检测方法及*** | |
CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN110826415A (zh) | 一种场景图像中车辆的重识别方法及设备 | |
Antar et al. | Automatic number plate recognition of Saudi license car plates | |
CN110909598A (zh) | 一种基于深度学习的非机动车道交通违法行驶识别方法 | |
CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别***及方法 | |
CN113408364B (zh) | 一种临时车牌识别方法、***、装置及存储介质 | |
CN114332781A (zh) | 一种基于深度学习的智能车牌识别方法及*** | |
CN113283303A (zh) | 一种车牌识别方法及装置 | |
CN104408431A (zh) | 交通监控下的车款识别方法 | |
Amin et al. | An automatic number plate recognition of Bangladeshi vehicles | |
CN115880632A (zh) | 超时停留检测方法、监控设备、计算机可读存储介质和芯片 | |
CN111161542B (zh) | 车辆识别方法及装置 | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN115546762A (zh) | 图像聚类方法、装置、存储介质及服务器 | |
Mohammad et al. | An Efficient Method for Vehicle theft and Parking rule Violators Detection using Automatic Number Plate Recognition | |
CN113870185A (zh) | 基于图像抓拍的图像处理方法、终端及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210820 |
|
RJ01 | Rejection of invention patent application after publication |