CN113435446B - 一种基于深度学习的倾斜车牌矫正方法 - Google Patents

一种基于深度学习的倾斜车牌矫正方法 Download PDF

Info

Publication number
CN113435446B
CN113435446B CN202110767061.0A CN202110767061A CN113435446B CN 113435446 B CN113435446 B CN 113435446B CN 202110767061 A CN202110767061 A CN 202110767061A CN 113435446 B CN113435446 B CN 113435446B
Authority
CN
China
Prior art keywords
license plate
layer
size
network
convolution
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
CN202110767061.0A
Other languages
English (en)
Other versions
CN113435446A (zh
Inventor
刘鹏
张真
秦恩泉
唐甜甜
曹骝
张海天
顾焜
袁高峰
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 Innovative Data Technologies Inc
Original Assignee
Nanjing Innovative Data Technologies Inc
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 Innovative Data Technologies Inc filed Critical Nanjing Innovative Data Technologies Inc
Priority to CN202110767061.0A priority Critical patent/CN113435446B/zh
Publication of CN113435446A publication Critical patent/CN113435446A/zh
Application granted granted Critical
Publication of CN113435446B publication Critical patent/CN113435446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的倾斜车牌矫正方法，包括如下步骤：步骤1，获取车牌局部图像，构建标注车牌角点的可视化工具；步骤2，构建基于深度学习的目标检测网络模型，训练该模型；步骤3，构建全卷积车牌类型分类网络，训练该模型；步骤4，进行车牌检测，获取车牌的局部图像，使用步骤2得到的模型检测局部图像中的车牌角点进行定位；步骤5，利用步骤3得到的车牌类型分类网络判断车牌类型；步骤6，按车牌类型进行相应的透视变换，将检测到的角点坐标调整到固定的值，并调整其长宽比与标准情况相接近。本发明在复杂场景拥有更好的鲁棒性，能够更精确地计算矫正后的坐标值，提高字符识别率，使车牌识别更为准确。

Description

一种基于深度学习的倾斜车牌矫正方法
技术领域
本发明属于智能交通技术领域，具体涉及一种基于深度学习的倾斜车牌矫正方法。
背景技术
车牌识别是智慧交通的一个重要组成部分，该技术已在多种场景下得到了广泛的应用，对传统的三阶段车牌识别和最新的基于深度学习的车牌识别技术而言，倾斜车牌矫正仍有待优化。寻求一种高效准确的倾斜车牌矫正方法是该领域迫切解决的问题。自然场景中的车牌图像会由于拍摄角度问题(光线、环境问题)，往往采集到的车牌图像是一个不规则四边形，而车牌的倾斜容易影响到后续识别的精度。由于我国车牌存在颜色不一和单双层字符的车牌，使得识别更为困难。而传统的预处理检测和矫正方法，无法较好地应对各种复杂场景，容易影响到车牌识别率。因此，对车牌进行准确的矫正具有重要的现实意义。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于深度学习的倾斜车牌矫正方法。为了方便精确标注角点位置，设计了一个基于MFC的车牌角点标注的可视化工具，该工具在标注框大小及形状方面做了相关约束；为了实现效果更好的车牌定位，设计了一个基于YOLO算法下的车牌角点检测的模型；最后设计一个全卷积网络，使用该网络判别车牌类型。将车牌检测获取的车牌局部图像进行角点检测，然后根据车牌类型做对应的透视变换，矫正后的车牌其长宽比更接近标准值。
为实现上述目的，本发明采用以下技术方案：
一种基于深度学习的倾斜车牌矫正方法，包括如下步骤：
步骤1，获取车牌局部图像，构建标注车牌角点的可视化工具；
步骤2，构建基于深度学习的目标检测网络模型，训练该模型；
步骤3，构建全卷积车牌类型分类网络，训练该模型；
步骤4，进行车牌检测，获取车牌的局部图像，使用步骤2得到的模型检测局部图像中的车牌角点进行定位；
步骤5，利用步骤3得到的车牌类型分类网络判断车牌类型；
步骤6，按车牌类型进行相应的透视变换，将检测到的角点坐标调整到固定的值，并调整其长宽比与标准情况相接近。
为优化上述技术方案，采取的具体措施还包括：
进一步地，步骤1中的标注车牌角点的可视化工具内置一个传统车牌检测器，每个角点的标注框是正方形；根据车牌局部图像的坐标自动计算标注框的大小。
进一步地，车牌局部图像的大小固定为500×500，标注框大小为车牌高度的三分之二，为每幅训练图像标注4个角点。
进一步地，步骤2中的目标检测网络是一个全卷积的神经网络，并在两种不同尺寸的特征图上进行检测角点。
进一步地，步骤2中构建的基于深度学习的目标检测网络模型为于YOLOv3的角点检测模型。
进一步地，基于深度学习的目标检测网络共有20层；网络的输入是224×224的3通道图像，第1至11层是卷积核大小为3×3的卷积层；第13层为yolo层，在7×7大小的特征图上检测目标；第14层为route层，用于获取第11层特征图；第15层为卷积核大小1×1的卷积层；第16层是上采样层，将特征图大小变为14×14；第17层为route层，用于拼接第7、16两层的特征图；第18层是卷积核大小为3×3的卷积层；第20层为yolo层，在14×14大小的特征图上检测目标。
进一步地，步骤3中训练的车牌类型分类网络用于把车牌类型分为三类：
a)包含8个字符的单层新能源车牌；
b)包含7个字符的单层车牌，包括车头普通的蓝牌、黄牌、警车车牌；
c)双层字符车牌，包括黄牌、挂车车牌。
进一步地，车牌类型分类网络，包含8个卷积层、一个全局平均池化层、一个全连接层以及一个概率输出层的全卷积网络；网络输入大小为96×96×3，每一个卷积层均使用大小为3×3的卷积核，激活函数均为Relu。
进一步地，在步骤6中根据检测到的角点坐标分车牌类别进行透视变换，将角点坐标变换为固定的坐标点、长宽比调整到与标准情况相接近。
进一步地，步骤6中透视变换过程方法如下：
根据4对车牌角点坐标计算3×3的变换矩阵M：
其中，dst(i)＝(x′i，y′i)，src(i)＝(xi，yi)，i＝0，1，2，3，ti是线性变换参数；
矫正后的车牌局部图像的计算方式：
其中，src为矫正之前的车牌局部图像；dst为矫正之后的车牌局部图像；M11...M33为变换矩阵M对应位置的元素。
本发明的有益效果是：传统的矫正方法如霍夫变换、Randon变换等难以应付各种复杂场景，比如阴阳车牌、磨损车牌等，而本发明的基于深度学习目标检测的角点定位方法在复杂场景拥有更好的鲁棒性。
传统的部分矫正算法没有考虑到单双层及字符个数问题，也就是如何更精确地计算矫正后的坐标值，双层车牌及新能源车牌在实际场景中也很常见，新的坐标值会影响车牌的长宽比，也会影响后期的字符识别率，基于此我们设计的车牌类型判别网络能够更精确地计算矫正后的坐标值，提高字符识别率，使车牌识别更为准确。
附图说明
图1是本发明倾斜车牌矫正方法中的车牌局部图像示意图；
图2是本发明倾斜车牌矫正方法中的角点标注示意图；
图3是本发明倾斜车牌矫正方法中的矫正后的车牌局部图像示意图；
图4是本发明的具体实施例流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
本发明提供了一种基于深度学习的倾斜车牌矫正方法，包括如下步骤：
步骤1，获取车牌局部图像，构建一个基于MFC标注车牌角点的可视化工具，可视化工具内置一个传统车牌检测器，每个角点的标注框是正方形；根据车牌局部图像的坐标自动计算标注框的大小并显示标注框的几何中心点。其中，车牌局部图像的大小固定为500×500，标注框大小为车牌高度的三分之二，利用该工具，为每幅训练图像标注4个角点。
步骤2，构建基于深度学习的目标检测网络模型，训练该模型；
设计YOLOv3的角点检测模型，使用10万个标注好的样本训练。其中，初始学习率设定为0.0075，迭代次数设为56万次。整个网络的计算量为0.035BFlops，在英伟达RTX2080上做一次推理，耗时约为1.4毫秒。
基于深度学习的目标检测网络共有20层(包括两个yolo层)，网络的输入是224×224的3通道图像，第1至11层是卷积核大小为3×3的卷积层，其中，第1，2，4，6，8层的步长为2，其余层步长为1。第13层为yolo层，在7×7大小的特征图上检测目标。第14层为route层，用于获取第11层特征图。第15层为卷积核大小1×1的卷积层，该层将输出特征图的通道数变为16，目的是降低计算量。第16层是上采样层，将特征图大小变为14×14。第17层为route层，用于拼接第7、16两层的特征图。第18层是卷积核大小为3×3的卷积层。第20层为yolo层，在14×14大小的特征图上检测目标。第1层至第11层的卷积核个数依次为4、8、16、16、24、24、32、32、48、48、48，另外，第12、19层是卷积核大小1×1的卷积层，由于该网络只检测一类目标(车牌角点)，故这两层的卷积核个数设为18。
步骤3，构建全卷积车牌类型分类网络，训练该模型。
设计了一个全卷积车牌类型分类器，对含单双层字符及单层不定长字符的车牌进行分类，将车牌图像分为双层字符车牌、包含7个字符的单层车牌、包含8个字符的单层新能源车牌。每一类别的训练样本数目为20万个，初始学习率设定为0.003，权重衰减设定为0.0005，动量为0.9，最大迭代次数为100万次，在英伟达RTX2080上做一次推理，即完成车牌类型的识别工作，耗时约为1.3毫秒。
车牌类型分类网络，是一个包含8个卷积层，一个全局平均池化层，一个全连接层以及一个概率输出层的全卷积网络。网络输入大小为96×96×3，每一个卷积层均使用大小为3×3的卷积核，激活函数均为Relu。其中，第1，2，4，6层的步长设定为2，其余层的步长设定为1。第1层至第8层的卷积核个数依次为4、8、16、16、24、24、32、32。
步骤4，进行车牌检测，获取车牌的局部图像，如图1所示，使用步骤2得到的模型检测局部图像中的车牌角点进行定位。检测到的车牌角点图像如图2所示，其中，检测到角点的框是普通矩形，但几何中心基本是在角点的位置。
步骤5，利用步骤3得到的车牌类型分类网络判断车牌类型。
步骤6，按车牌类型进行相应的透视变换，将检测到的角点坐标调整到固定的值，并调整其长宽比与标准情况相接近。
公式如下：
根据4对车牌角点坐标计算3×3的变换矩阵M：
其中，dst(i)＝(x′i，y′i)，src(i)＝(xi，yi)，i＝0，1，2，3，ti是线性变换参数；
矫正后的车牌局部图像的计算方式：
其中，src为矫正之前的车牌局部图像；dst为矫正之后的车牌局部图像；M11...M33为变换矩阵M对应位置的元素。
由于未经过矫正的车牌局部图像其大小已归一化至500×500，且车牌大致处于图像的几何中心，故可以将透视变换后的坐标点设定为同样处于几何中心的固定值，矫正后的车牌局部图像如图3所示。其中，在CPU上做透视变换耗时约为2.8毫秒。CPU的型号为Intel(R)Xeon(R)Gold 6148 2.40GHz。具体的矫正过程如下：
(a)在步骤2中，检测得到四个角点的坐标(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)，使用车牌分类器做一次推理，得到车牌类型。将大小为500×500的车牌局部图像按类型进行坐标变换。
(b)车牌类型为包含8个字符的单层新能源车牌：坐标依次固定调整为(70，198)、(429，198)、(70，302)、(429，302)；
(c)车牌类型为包含7个字符的单层车牌如单蓝、单黄、警车的车牌：坐标依次固定调整为(80，196)、(419，196)、(80，303)、(419，303)；
(d)车牌类型为双层车牌如黄牌、挂牌的车牌：坐标依次固定调整为(80，165)、(419，165)、(80，334)、(419，334)。
传统的矫正方法如霍夫变换、Randon变换等难以应付各种复杂场景，比如阴阳车牌、磨损车牌等，而本发明的基于深度学习目标检测的角点定位方法在复杂场景拥有更好的鲁棒性。
传统的部分矫正算法没有考虑到单双层及字符个数问题，也就是如何更精确地计算矫正后的坐标值，双层车牌及新能源车牌在实际场景中也很常见，新的坐标值会影响车牌的长宽比，也会影响后期的字符识别率，基于此我们设计了车牌类型判别网络。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种基于深度学习的倾斜车牌矫正方法，其特征在于，包括如下步骤：
步骤1，获取车牌局部图像，构建标注车牌角点的可视化工具；
步骤2，构建基于深度学习的目标检测网络模型，训练该模型；所述基于深度学习的目标检测网络模型为YOLOv3的角点检测模型；基于深度学习的目标检测网络共有20层；网络的输入是224×224的3通道图像，第1至11层是卷积核大小为3×3的卷积层；第13层为yolo层，在7×7大小的特征图上检测目标；第14层为route层，用于获取第11层特征图；第15层为卷积核大小1×1的卷积层；第16层是上采样层，将特征图大小变为14×14；第17层为route层，用于拼接第7、16两层的特征图；第18层是卷积核大小为3×3的卷积层；第20层为yolo层，在14×14大小的特征图上检测目标；
步骤3，构建全卷积车牌类型分类网络，训练该模型；所述车牌类型分类网络包含8个卷积层、一个全局平均池化层、一个全连接层以及一个概率输出层的全卷积网络；网络输入大小为96×96×3，每一个卷积层均使用大小为3×3的卷积核，激活函数均为Relu；
步骤4，进行车牌检测，获取车牌的局部图像，使用步骤2得到的模型检测局部图像中的车牌角点进行定位；
步骤5，利用步骤3得到的车牌类型分类网络判断车牌类型；
步骤6，按车牌类型进行相应的透视变换，将检测到的角点坐标调整到固定的值，并调整其长宽比与标准情况相接近。
2.根据权利要求1所述的倾斜车牌矫正方法，其特征在于，步骤1中的标注车牌角点的可视化工具内置一个传统车牌检测器，每个角点的标注框是正方形；根据车牌局部图像的坐标自动计算标注框的大小。
3.根据权利要求2所述的倾斜车牌矫正方法，其特征在于，车牌局部图像的大小固定为500×500，标注框大小为车牌高度的三分之二，为每幅训练图像标注4个角点。
4.根据权利要求1所述的倾斜车牌矫正方法，其特征在于，步骤2中的目标检测网络是一个全卷积的神经网络，并在两种不同尺寸的特征图上进行检测角点。
5.根据权利要求1所述的倾斜车牌矫正方法，其特征在于，步骤3中训练的车牌类型分类网络用于把车牌类型分为三类：
a）包含8个字符的单层新能源车牌；
b）包含7个字符的单层车牌，包括车头普通的蓝牌、黄牌、警车车牌；
c）双层字符车牌，包括黄牌、挂车车牌。
6.根据权利要求1所述的倾斜车牌矫正方法，其特征在于，在步骤6中根据检测到的角点坐标分车牌类别进行透视变换，将角点坐标变换为固定的坐标点、长宽比调整到与标准情况相接近。
7.根据权利要求1所述的倾斜车牌矫正方法，其特征在于，步骤6中透视变换过程方法如下：
根据4对车牌角点坐标计算3×3的变换矩阵M：
；
其中，，t i 是线性变换参数；
矫正后的车牌局部图像的计算方式：
；
其中，src为矫正之前的车牌局部图像；dst为矫正之后的车牌局部图像；M 11…M 33为变换矩阵M对应位置的元素。
CN202110767061.0A 2021-07-07 2021-07-07 一种基于深度学习的倾斜车牌矫正方法 Active CN113435446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110767061.0A CN113435446B (zh) 2021-07-07 2021-07-07 一种基于深度学习的倾斜车牌矫正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110767061.0A CN113435446B (zh) 2021-07-07 2021-07-07 一种基于深度学习的倾斜车牌矫正方法

Publications (2)

Publication Number Publication Date
CN113435446A CN113435446A (zh) 2021-09-24
CN113435446B true CN113435446B (zh) 2023-10-31

Family

ID=77759343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110767061.0A Active CN113435446B (zh) 2021-07-07 2021-07-07 一种基于深度学习的倾斜车牌矫正方法

Country Status (1)

Country Link
CN (1) CN113435446B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114882492B (zh) * 2022-07-11 2022-11-22 浙江大华技术股份有限公司 一种车牌识别方法、装置、终端及计算机可读存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563385A (zh) * 2017-09-02 2018-01-09 西安电子科技大学 基于深度卷积生成式对抗网络的车牌字符识别方法
CN110020651A (zh) * 2019-04-19 2019-07-16 福州大学 基于深度学习网络的车牌检测定位方法
CN110309828A (zh) * 2019-06-27 2019-10-08 浙江工业大学 一种倾斜车牌矫正方法
CN111191611A (zh) * 2019-12-31 2020-05-22 同济大学 基于深度学习的交通标志标号识别方法
CN111461113A (zh) * 2020-03-03 2020-07-28 华南理工大学 一种基于变形平面物体检测网络的大角度车牌检测方法
CN111598089A (zh) * 2020-05-16 2020-08-28 湖南大学 一种基于深度学习的车牌矫正与识别方法
CN111666938A (zh) * 2020-05-21 2020-09-15 珠海大横琴科技发展有限公司 一种基于深度学习的两地双车牌检测识别方法及***
CN111860509A (zh) * 2020-07-28 2020-10-30 湖北九感科技有限公司 一种由粗到精的两阶段非约束车牌区域精准提取方法
CN112132130A (zh) * 2020-09-22 2020-12-25 福州大学 一种面向全场景的实时性车牌检测方法及***
KR20200145174A (ko) * 2019-06-21 2020-12-30 인하대학교 산학협력단 번호판 인식 방법 및 시스템
CN112232371A (zh) * 2020-09-17 2021-01-15 福州大学 一种基于YOLOv3与文本识别的美式车牌识别方法
CN112528994A (zh) * 2020-12-18 2021-03-19 南京师范大学 一种自由角度车牌检测方法、车牌识别方法和识别***
CN112668663A (zh) * 2021-01-05 2021-04-16 南京航空航天大学 一种基于YOLOv4的航拍小汽车检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563385A (zh) * 2017-09-02 2018-01-09 西安电子科技大学 基于深度卷积生成式对抗网络的车牌字符识别方法
CN110020651A (zh) * 2019-04-19 2019-07-16 福州大学 基于深度学习网络的车牌检测定位方法
KR20200145174A (ko) * 2019-06-21 2020-12-30 인하대학교 산학협력단 번호판 인식 방법 및 시스템
CN110309828A (zh) * 2019-06-27 2019-10-08 浙江工业大学 一种倾斜车牌矫正方法
CN111191611A (zh) * 2019-12-31 2020-05-22 同济大学 基于深度学习的交通标志标号识别方法
CN111461113A (zh) * 2020-03-03 2020-07-28 华南理工大学 一种基于变形平面物体检测网络的大角度车牌检测方法
CN111598089A (zh) * 2020-05-16 2020-08-28 湖南大学 一种基于深度学习的车牌矫正与识别方法
CN111666938A (zh) * 2020-05-21 2020-09-15 珠海大横琴科技发展有限公司 一种基于深度学习的两地双车牌检测识别方法及***
CN111860509A (zh) * 2020-07-28 2020-10-30 湖北九感科技有限公司 一种由粗到精的两阶段非约束车牌区域精准提取方法
CN112232371A (zh) * 2020-09-17 2021-01-15 福州大学 一种基于YOLOv3与文本识别的美式车牌识别方法
CN112132130A (zh) * 2020-09-22 2020-12-25 福州大学 一种面向全场景的实时性车牌检测方法及***
CN112528994A (zh) * 2020-12-18 2021-03-19 南京师范大学 一种自由角度车牌检测方法、车牌识别方法和识别***
CN112668663A (zh) * 2021-01-05 2021-04-16 南京航空航天大学 一种基于YOLOv4的航拍小汽车检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An embedded automatic license plate recognition system using deep learning;Izidio, DMF等;DESIGN AUTOMATION FOR EMBEDDED SYSTEMS;第24卷(第1期);第23-43页 *
轻量级车牌识别卷积网络;贺智龙;肖中俊;严志国;;齐鲁工业大学学报(第04期);第39-45页 *

Also Published As

Publication number Publication date
CN113435446A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN111666938B (zh) 一种基于深度学习的两地双车牌检测识别方法及***
CN107729801A (zh) 一种基于多任务深度卷积神经网络的车辆颜色识别***
CN109190444B (zh) 一种基于视频的收费车道车辆特征识别***的实现方法
CN108830188B (zh) 基于深度学习的车辆检测方法
CN109344825A (zh) 一种基于卷积神经网络的车牌识别方法
CN110097044B (zh) 基于深度学习的一阶段车牌检测识别方法
CN111553201A (zh) 一种基于YOLOv3优化算法的交通灯检测方法
WO2021238019A1 (zh) 基于Ghost卷积特征融合神经网络实时车流量检测***及方法
CN104021375B (zh) 一种基于机器学习的车型识别方法
CN107563372A (zh) 一种基于深度学习ssd框架的车牌定位方法
CN111325146B (zh) 一种货车车型和轴型识别方法和***
CN107122776A (zh) 一种基于卷积神经网络的交通标志检测与识别方法
CN105354568A (zh) 基于卷积神经网络的车标识别方法
CN111242002B (zh) 基于计算机视觉的共享单车规范化停放判定方法
CN106469304A (zh) 基于深度卷积神经网络的票据中手写签名位置定位方法
CN108334881A (zh) 一种基于深度学习的车牌识别方法
CN110866430A (zh) 一种车牌识别方法及装置
CN112508857B (zh) 基于改进型Cascade R-CNN的铝材表面缺陷检测方法
CN113435446B (zh) 一种基于深度学习的倾斜车牌矫正方法
CN110796131A (zh) 一种汉字书写评价***
CN112488083B (zh) 基于heatmap提取关键点的交通信号灯的识别方法、装置、介质
CN110287798B (zh) 基于特征模块化和上下文融合的矢量网络行人检测方法
CN106503748A (zh) 一种基于s‑sift特征和svm训练器的车型识别算法
WO2020093624A1 (zh) 一种基于多尺度检测算法的天线下倾角测量方法
CN106886757B (zh) 一种基于先验概率图的多类交通灯检测方法及***

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