CN114898352A - 一种同时实现图像去雾与车牌检测的方法 - Google Patents

一种同时实现图像去雾与车牌检测的方法 Download PDF

Info

Publication number
CN114898352A
CN114898352A CN202210743909.0A CN202210743909A CN114898352A CN 114898352 A CN114898352 A CN 114898352A CN 202210743909 A CN202210743909 A CN 202210743909A CN 114898352 A CN114898352 A CN 114898352A
Authority
CN
China
Prior art keywords
license plate
image
detection
plate detection
defogging
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
CN202210743909.0A
Other languages
English (en)
Inventor
刘寒松
王国强
王永
翟贵乾
刘瑞
焦安健
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.)
Sonli Holdings Group Co Ltd
Original Assignee
Sonli Holdings Group 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 Sonli Holdings Group Co Ltd filed Critical Sonli Holdings Group Co Ltd
Priority to CN202210743909.0A priority Critical patent/CN114898352A/zh
Publication of CN114898352A publication Critical patent/CN114898352A/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
    • G06V20/625—License plates
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于车牌检测技术领域，涉及一种同时实现图像去雾与车牌检测的方法，将图像去雾和车牌检测两个任务结合同时训练，通过使用相同的主干网络提取特征，分别用于提取图像去雾的图像结构信息和车牌检测的车牌语义信息，然后使用不同的分支来对图像进行去雾和对车牌进行检测，训练时以不同的损失函数作为监督，一方面通过提取图像去雾网络的底层纹理结构特征，增强车牌检测任务的特征判别性，另一方面提取车牌检测网络的语义特征为图像去雾任务提供区域自适应能力，实现任务与特征层面的双重融合促进，不仅可以用来进行雾天场景的车牌检测，还可以用于雨、霾等其他恶劣天气的目标检测任务，检测精度高。

Description

一种同时实现图像去雾与车牌检测的方法
技术领域
本发明属于车牌检测技术领域，涉及一种同时实现图像去雾与车牌检测的方法。
背景技术
随着大数据、深度学习技术的发展，新一轮的人工智能浪潮席全球。交通行业作为整个国家经济的命脉近几年也迅速发展，与日俱增的车辆在给人民生活带来便捷的同时也带来了隐患，为了解决车辆的有效管理已经开始研究车牌检测问题，而雾天等极端天气导致能见度急剧下降、车牌与背景的反差大幅降低，严重影响了车牌检测算法，现有解决方法已经远远不能满足应用要求。
大雾天气下，城市交通受到严重影响，车牌检测极易出现错检和漏检情况，这是由于雾天情况下整体图案模糊，细节特征丢失严重，车牌特征等信息不易被提取。现有的雾天场景下车牌检测方法将车牌检测分为图像去雾和车牌检测两个阶段，即先对图像进行去雾复原，在对复原增强后图像进行车牌检测，该方法两个阶段需要分别对图像特征进行提取，因此不能实现端到端，并且增加了计算的复杂度。
另外，传统的去雾算法存在去雾效果不彻底、恢复后的无雾图普遍发暗等缺陷，并且传统方法从底层视觉任务出发，主要针对提升可视化效果，缺乏对场景视觉中高层特性知识的有效利用，并不能有效促进车牌识别等任务；传统的车辆检测算法依靠手工算子对车辆图像进行特征提取，其复杂的计算性和对环境的高要求使得传统方法不仅费时费力而且泛化能力较差。近年来，随着大数据时代的到来和人工智能的发展，基于深度学习在车牌检测方法取得了重大突破，Faster R-CNN、YOLO等深度学习算法的提出使得车牌的检测与识别得到了新的发展，该类方法对环境要求低，检测精度更高，但是面对车牌旋转、形变等复杂场景的时候难以表现较强的鲁棒性，其检测效果较差。
综上所述，针对雾天场景，现有的车牌检测技术中存在错检和漏检的技术问题，以及车牌畸变导致的检测精度低的问题，急需更有效的方法进行车牌鉴别性特征建模和识别。
发明内容
本发明的目的在于克服述现有技术的不足，提供一种同时实现图像去雾与车牌检测的方法，用来解决车牌检测算法对雾天场景鲁棒性较差的问题，可同时用于雾天场景的图像去雾和畸变车牌检测任务，能够高效的实现车牌检测。
为实现上述目的，本发明将图像去雾和车牌检测两个任务结合同时训练，通过使用相同的主干网络提取特征，分别用于提取图像去雾的图像结构信息和车牌检测的车牌语义信息，然后使用不同的分支来对图像进行去雾和对车牌进行检测，并以不同的损失函数作为监督。其中主干网络为了更好的获取不同尺度的纹理特征以及适应不同尺度的车牌，使用了不增加计算量并能获取多尺度特征的多尺度空洞卷积，并使用朝向框来表示车牌，解决车牌旋转、形变的问题，具体过程为：
（1）收集车牌数据集并进行加雾处理用以模拟雾天场景，将数据集划分为训练集、验证集和测试集；
（2）对步骤（1）数据集中的图片的尺寸和数值范围进行初始化处理，然后将处理后的图像输入到主干网络中进行深度卷积特征提取，输出包含多尺度场景纹理信息和车牌信息的卷积特征图；
（3）将步骤（2）得到的卷积特征图分别输入图像去雾重建分支和车牌检测分支，其中图像去雾重建分支用于恢复清晰图像，车牌检测分支实现车牌的类别分类和位置回归；
（4）使用数据集中训练集的图像，图片尺寸为512
Figure DEST_PATH_IMAGE002
512
Figure 182614DEST_PATH_IMAGE002
3，将图像依次输入到网络中得到整个网络的输入
Figure DEST_PATH_IMAGE004
，目标检测分支使用IOU阈值作为样本分配策略的衡量标准，输出车牌的分类置信度
Figure DEST_PATH_IMAGE006
和回归坐标位置
Figure DEST_PATH_IMAGE008
，其中B为一次训练所选取的样本数，Class为2，即是否是车牌，N是输出预测车牌目标的数量，5为车牌朝向框的中心点坐标、框的长宽和角度，并采用Focal损失算预测类别和真实类别，得到误差，采用Smooth L1损失来计算预测车牌位置与真实车牌位置的误差；图像去雾分支使用L2损失函数来计算生成的去雾图像与真实的清晰图像之间的误差，两个分支最终使用反向传播更新参数，经过设定次数的完整训练集训练迭代后，保存验证集上结果最好的模型参数，作为最终模型训练好的参数，得到训练好的雾天场景车牌检测模型；
（6）加载步骤（5）训练好的模型参数，保持图片长短边比例不变的情况下将图像长边缩放（resize）到512，并对图片的短边进行填充，使得图像尺寸为512
Figure 240699DEST_PATH_IMAGE002
512后作为网络的输入，最终输出车牌的分类置信度和车牌的坐标位置，设置阈值过滤掉低置信度的车牌，最后使用非极大抑制（NMS）删除冗余的框，得到准确的车牌检测框，实现图像去雾与车牌检测联合的雾天场景高精度检测与矫正。
作为本发明的进一步技术方案，步骤（1）收集车牌数据集并进行加雾处理的过程为：先收集交通监控、侧方位停车场中含有常规以及倾斜、形变车牌的干净无雾图像，构建无雾的车牌数据集，再标注车牌车牌朝向框的位置
Figure DEST_PATH_IMAGE010
用于车牌检测，其中
Figure DEST_PATH_IMAGE012
表示车牌的中心点，
Figure DEST_PATH_IMAGE014
表示车牌的长宽，
Figure DEST_PATH_IMAGE016
表示车牌长边相较于水平方向的夹角；原始干净无雾图像车牌数据集构建好后，通过自然原理对图像进行加雾，生成清晰和加雾图像对用于图像去雾。
作为本发明的进一步技术方案，步骤（1）所述训练集、验证集和测试集合的数量比为6：2：2。
作为本发明的进一步技术方案，步骤（2）对图片的尺寸和数值范围进行初始化处理的过程为：保持图片长短边比例不变的情况下，将图像长边缩放到512，并对图片的短边进行填充，使得图像尺寸为512
Figure 833486DEST_PATH_IMAGE002
512，并对图像像素进行归一化处理，使得像素范围在0-1之间。
作为本发明的进一步技术方案，步骤（2）所述主干网络使用普通卷积层与多尺度空洞卷积模块连接作为特征提取网络，并在使用两到三个卷积层/多尺度空洞卷积模块后使用下采样模块，其中多尺度空洞卷积模块使用多个不同空洞因子的卷积层，在不增加计算量的基础上获取并融合多尺度特征，经过多层空洞卷积模块的串行连接，最终输出包含多尺度场景纹理信息和车牌信息的卷积特征图。
作为本发明的进一步技术方案，步骤（3）所述图像去雾重建分支在每两到三个连续的普通卷积层后使用上采样模块，每个普通卷积之后是ReLU激活函数操作；并采用局部连接的方式将深度卷积特征提取的对应尺度的特征传输给去雾重建分支进行特征重建，将两种特征进行相加操作，减少对于原始特征的遗忘，最终输出通道数为3的RGB清晰图像。
作为本发明的进一步技术方案，步骤（3）所述车牌检测分支分别使用两个结构相同的但是不共享参数的全连接层子网络学习分类和位置信息，从而完成目标框类别分类和位置回归的任务，其中分类为是否是车牌，位置信息为车牌的五个朝向框参数
Figure 494274DEST_PATH_IMAGE010
，至此获得车牌的准确坐标位置，卷积特征图中的每个特征点只设置一个锚框用来学习车牌的位置，以提高训练和测试的速度。
与现有技术相比，本发明将图像去雾和车牌检测两个任务结合同时训练，通过使用相同的主干网络提取特征，分别用于提取图像去雾的图像结构信息和车牌检测的车牌语义信息，然后使用不同的分支来对图像进行去雾和对车牌进行检测，训练时以不同的损失函数作为监督，一方面通过提取图像去雾网络的底层纹理结构特征，增强车牌检测任务的特征判别性，另一方面提取车牌检测网络的语义特征为图像去雾任务提供区域自适应能力，实现任务与特征层面的双重融合促进，不仅可以用来进行雾天场景的车牌检测，还可以用于雨、霾等其他恶劣天气的目标检测任务，在加雾的测试集中，相比现有YoloV3方法，检测精度从94.7%提高到98.2%，同时没有增加测试的时间。
附图说明
图1为本发明所采用的整个网络结构框架示意图。
图2为本发明所述多尺度空洞卷积模块的结构图。
图3为本发明的工作流程框图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
实施例1：
本实施例将图像去雾和车牌检测两个任务结合同时训练，通过使用相同的主干网络（如图1所示）提取特征，分别用于提取图像去雾的图像结构信息和车牌检测的车牌语义信息，然后使用不同的分支来对图像进行去雾和对车牌进行检测，并以不同的损失函数作为监督，实现了端到端的雾天场景车牌检测任务，具体流程如图3所示，包括如下步骤：
（1）数据集构建：
收集交通监控、侧方位停车场等场景的含有常规以及倾斜、形变车牌的干净无雾图像，构建无雾的车牌数据集，并标注车牌的位置用于车牌检测，主要是车牌朝向框的标注
Figure 308647DEST_PATH_IMAGE010
，其中
Figure 334371DEST_PATH_IMAGE012
表示车牌的中心点，
Figure 866984DEST_PATH_IMAGE014
表示车牌的长宽，
Figure 393780DEST_PATH_IMAGE016
表示车牌长边相较于水平方向的夹角；原始干净无雾图像车牌数据集构建好后，通过自然原理对图像进行加雾，生成清晰和加雾图像对，用于图像去雾，并将加雾处理后的数据集划分为训练集、验证集和测试集，其中训练集、验证集和测试集合的比例为6：2：2；
（2）深度卷积特征提取：
先对步骤（1）构建的数据集中图片的尺寸和数值范围行初始化处理，保持图片长短边比例不变的情况下将图像长边缩放（resize）到512，并对图片的短边进行填充，使得图像尺寸为512
Figure 328238DEST_PATH_IMAGE002
512，并对图像像素进行归一化处理，使得像素范围在0-1之间；再将处理后的图像输入到主干网络中进行卷积特征提取，其中主干网络使用普通卷积层与多尺度空洞卷积模块连接作为特征提取网络，并在使用两到三个卷积层/多尺度空洞卷积模块后使用下采样模块，多尺度空洞卷积模块使用多个不同空洞因子的卷积层，在不增加计算量的基础上获取并融合多尺度特征，经过多层空洞卷积模块的串行连接，最终输出包含多尺度场景纹理信息和车牌信息的卷积特征图；
（3）图像去雾重建分支：
图像去雾重建分支用于恢复清晰图像，通过输入卷积特征图，在每两到三个连续的普通卷积层后使用上采样模块，每个普通卷积之后是ReLU激活函数操作；并采用局部连接的方式将深度卷积特征提取的对应尺度的特征传输给去雾重建分支进行特征重建，将两种特征进行相加操作，减少对于原始特征的遗忘，最终输出通道数为3的RGB清晰图像；
（4）车牌检测分支：
根据步骤（2）得到的卷积特征图，分别使用两个结构相同的但是不共享参数的全连接层子网络学习分类和位置信息，从而完成目标框类别分类和位置回归的任务，其中分类为是否是车牌，位置信息为车牌的五个朝向框参数
Figure 321602DEST_PATH_IMAGE010
，至此获得车牌的准确坐标位置，其中，特征图中的每个特征点只设置一个锚框用来学习车牌的位置，以提高训练和测试的速度；
（5）训练网络结构，得到训练好的模型参数；
使用数据集中训练集的图像，图片尺寸为512
Figure 279194DEST_PATH_IMAGE002
512
Figure 281785DEST_PATH_IMAGE002
3，将图像依次输入到网络中得到整个网络的输入
Figure 883799DEST_PATH_IMAGE004
，目标检测分支使用IOU阈值作为样本分配策略的衡量标准，输出车牌的分类置信度
Figure 579222DEST_PATH_IMAGE006
和回归坐标位置
Figure 24110DEST_PATH_IMAGE008
，其中B为一次训练所选取的样本数，Class为2，即是否是车牌，N是输出预测车牌目标的数量，5为车牌的朝向框的五个参数；采用Focal损失算预测类别和真实类别，得到误差，采用Smooth L1损失来计算预测车牌位置与真实车牌位置的误差；图像去雾分支使用L2损失函数来计算生成的去雾图像与真实的清晰图像之间的误差，两个分支最终使用反向传播更新参数；经过50次完整训练集训练迭代后，保存验证集上结果最好的模型参数，作为最终模型训练好的参数，得到训练好的雾天场景车牌检测网络参数；
（6）测试网络，输出车牌位置：
加载步骤（5）训练好的模型参数，保持图片长短边比例不变的情况下将图像长边缩放（resize）到512，然后对图片的短边进行填充，使得图像尺寸为512
Figure 564813DEST_PATH_IMAGE002
512，作为网络的输入；由于本方法主要目的是对车牌进行检测，因此在测试时去雾分支将不进行前向推理，即只在车牌检测分支进行前向推理，最终输出车牌的分类置信度和车牌的坐标位置，设置阈值过滤掉低置信度的车牌，使用非极大抑制（NMS）删除冗余的框，由此得到准确的车牌检测框。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
实施例2：
本实施例收集2000张图像作为车牌数据集，其中1200张训练集，400张验证集，400张测试记，采用实施例1的技术方案进行车牌检测，统计测试集中所有的图像结果，并使用精度作为评价指标，得到最终的测试精度为98.2%。

Claims (7)

1.一种同时实现图像去雾与车牌检测的方法，其特征在于，包括如下步骤：
（1）收集车牌数据集并进行加雾处理用以模拟雾天场景，将数据集划分为训练集、验证集和测试集；
（2）对步骤（1）数据集中的图片的尺寸和数值范围进行初始化处理，然后将处理后的图像输入到主干网络中进行深度卷积特征提取，输出包含多尺度场景纹理信息和车牌信息的卷积特征图；
（3）将步骤（2）得到的卷积特征图分别输入图像去雾重建分支和车牌检测分支，其中图像去雾重建分支用于恢复清晰图像，车牌检测分支实现车牌的类别分类和位置回归；
（4）使用数据集中训练集的图像，图片尺寸为512
Figure 663767DEST_PATH_IMAGE001
512
Figure 375502DEST_PATH_IMAGE001
3，将图像依次输入到网络中得 到整个网络的输入
Figure 413865DEST_PATH_IMAGE002
，目标检测分支使用IOU阈值作为样本分配策略的衡量标 准，输出车牌的分类置信度
Figure 688989DEST_PATH_IMAGE003
和回归坐标位置
Figure 332460DEST_PATH_IMAGE004
，其中B为一次训练所 选取的样本数，Class为2，即是否是车牌，N是输出预测车牌目标的数量，5为车牌朝向框的 中心点坐标、框的长宽和角度，并采用Focal损失算预测类别和真实类别，得到误差，采用 Smooth L1损失来计算预测车牌位置与真实车牌位置的误差；图像去雾分支使用L2损失函 数来计算生成的去雾图像与真实的清晰图像之间的误差，两个分支最终使用反向传播更新 参数，经过设定次数的完整训练集训练迭代后，保存验证集上结果最好的模型参数，作为最 终模型训练好的参数，得到训练好的雾天场景车牌检测模型；
（6）加载步骤（5）训练好的模型参数，保持图片长短边比例不变的情况下将图像长边缩 放到512，并对图片的短边进行填充，使得图像尺寸为512
Figure 667626DEST_PATH_IMAGE001
512后作为网络的输入，最终输出 车牌的分类置信度和车牌的坐标位置，设置阈值过滤掉低置信度的车牌，最后使用非极大 抑制删除冗余的框，得到准确的车牌检测框，实现图像去雾与车牌检测联合的雾天场景高 精度检测与矫正。
2.根据权利要求1所述同时实现图像去雾与车牌检测的方法，其特征在于，步骤（1）收 集车牌数据集并进行加雾处理的过程为：先收集交通监控、侧方位停车场中含有常规以及 倾斜、形变车牌的干净无雾图像，构建无雾的车牌数据集，再标注车牌车牌朝向框的位置
Figure 396548DEST_PATH_IMAGE005
用于车牌检测，其中
Figure 475362DEST_PATH_IMAGE006
表示车牌的中心点，
Figure 848706DEST_PATH_IMAGE007
表示车牌的长宽，
Figure 620353DEST_PATH_IMAGE008
表示车牌 长边相较于水平方向的夹角；原始干净无雾图像车牌数据集构建好后，通过自然原理对图 像进行加雾，生成清晰和加雾图像对用于图像去雾。
3.根据权利要求2所述同时实现图像去雾与车牌检测的方法，其特征在于，步骤（1）所述训练集、验证集和测试集合的数量比为6：2：2。
4.根据权利要求3所述同时实现图像去雾与车牌检测的方法，其特征在于，步骤（2）对 图片的尺寸和数值范围进行初始化处理的过程为：保持图片长短边比例不变的情况下，将 图像长边缩放到512，并对图片的短边进行填充，使得图像尺寸为512
Figure 570991DEST_PATH_IMAGE001
512，并对图像像素进 行归一化处理，使得像素范围在0-1之间。
5.根据权利要求4所述同时实现图像去雾与车牌检测的方法，其特征在于，步骤（2）所述主干网络使用普通卷积层与多尺度空洞卷积模块连接作为特征提取网络，并在使用两到三个卷积层/多尺度空洞卷积模块后使用下采样模块，其中多尺度空洞卷积模块使用多个不同空洞因子的卷积层，在不增加计算量的基础上获取并融合多尺度特征，经过多层空洞卷积模块的串行连接，最终输出包含多尺度场景纹理信息和车牌信息的卷积特征图。
6.根据权利要求5所述同时实现图像去雾与车牌检测的方法，其特征在于，步骤（3）所述图像去雾重建分支在每两到三个连续的普通卷积层后使用上采样模块，每个普通卷积之后是ReLU激活函数操作；并采用局部连接的方式将深度卷积特征提取的对应尺度的特征传输给去雾重建分支进行特征重建，将两种特征进行相加操作，减少对于原始特征的遗忘，最终输出通道数为3的RGB清晰图像。
7.根据权利要求6所述同时实现图像去雾与车牌检测的方法，其特征在于，步骤（3）所 述车牌检测分支分别使用两个结构相同的但是不共享参数的全连接层子网络学习分类和 位置信息，从而完成目标框类别分类和位置回归的任务，其中分类为是否是车牌，位置信息 为车牌的五个朝向框参数
Figure 453496DEST_PATH_IMAGE005
，至此获得车牌的准确坐标位置。
CN202210743909.0A 2022-06-29 2022-06-29 一种同时实现图像去雾与车牌检测的方法 Pending CN114898352A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210743909.0A CN114898352A (zh) 2022-06-29 2022-06-29 一种同时实现图像去雾与车牌检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210743909.0A CN114898352A (zh) 2022-06-29 2022-06-29 一种同时实现图像去雾与车牌检测的方法

Publications (1)

Publication Number Publication Date
CN114898352A true CN114898352A (zh) 2022-08-12

Family

ID=82729868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210743909.0A Pending CN114898352A (zh) 2022-06-29 2022-06-29 一种同时实现图像去雾与车牌检测的方法

Country Status (1)

Country Link
CN (1) CN114898352A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063786A (zh) * 2022-08-18 2022-09-16 松立控股集团股份有限公司 一种高位远景模糊车牌检测方法
CN115170443A (zh) * 2022-09-08 2022-10-11 荣耀终端有限公司 一种图像处理方法、拍摄方法及电子设备
CN115171079A (zh) * 2022-09-08 2022-10-11 松立控股集团股份有限公司 一种基于夜间场景的车辆检测方法
CN115601742A (zh) * 2022-11-21 2023-01-13 松立控股集团股份有限公司（Cn） 一种基于图关系排名的尺度敏感车牌检测方法
CN115861997A (zh) * 2023-02-27 2023-03-28 松立控股集团股份有限公司 一种关键前景特征引导知识蒸馏的车牌检测识别方法
CN116129379A (zh) * 2022-12-28 2023-05-16 国网安徽省电力有限公司芜湖供电公司 一种雾天环境下的车道线检测方法
CN116704487A (zh) * 2023-06-12 2023-09-05 三峡大学 一种基于Yolov5s网络和CRNN的车牌检测与识别方法
CN116721355A (zh) * 2023-08-09 2023-09-08 江西云眼视界科技股份有限公司 广告牌检测方法、***、可读存储介质及计算机设备
CN117036952A (zh) * 2023-08-15 2023-11-10 石河子大学 基于rgb图像重建高光谱图像的红枣水分含量等级检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310862A (zh) * 2020-03-27 2020-06-19 西安电子科技大学 复杂环境下基于图像增强的深度神经网络车牌定位方法
CN113111859A (zh) * 2021-05-12 2021-07-13 吉林大学 一种基于深度学习的车牌去除模糊检测方法
CN113128500A (zh) * 2021-04-08 2021-07-16 浙江工业大学 一种基于Mask-RCNN的非机动车车牌识别方法及***
CN114581904A (zh) * 2022-03-31 2022-06-03 西安建筑科技大学 一种基于深度学习的端到端车牌检测和识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310862A (zh) * 2020-03-27 2020-06-19 西安电子科技大学 复杂环境下基于图像增强的深度神经网络车牌定位方法
CN113128500A (zh) * 2021-04-08 2021-07-16 浙江工业大学 一种基于Mask-RCNN的非机动车车牌识别方法及***
CN113111859A (zh) * 2021-05-12 2021-07-13 吉林大学 一种基于深度学习的车牌去除模糊检测方法
CN114581904A (zh) * 2022-03-31 2022-06-03 西安建筑科技大学 一种基于深度学习的端到端车牌检测和识别方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063786A (zh) * 2022-08-18 2022-09-16 松立控股集团股份有限公司 一种高位远景模糊车牌检测方法
CN115171079B (zh) * 2022-09-08 2023-04-07 松立控股集团股份有限公司 一种基于夜间场景的车辆检测方法
CN115170443A (zh) * 2022-09-08 2022-10-11 荣耀终端有限公司 一种图像处理方法、拍摄方法及电子设备
CN115171079A (zh) * 2022-09-08 2022-10-11 松立控股集团股份有限公司 一种基于夜间场景的车辆检测方法
CN115170443B (zh) * 2022-09-08 2023-01-13 荣耀终端有限公司 一种图像处理方法、拍摄方法及电子设备
CN115601742A (zh) * 2022-11-21 2023-01-13 松立控股集团股份有限公司（Cn） 一种基于图关系排名的尺度敏感车牌检测方法
CN116129379B (zh) * 2022-12-28 2023-11-07 国网安徽省电力有限公司芜湖供电公司 一种雾天环境下的车道线检测方法
CN116129379A (zh) * 2022-12-28 2023-05-16 国网安徽省电力有限公司芜湖供电公司 一种雾天环境下的车道线检测方法
CN115861997B (zh) * 2023-02-27 2023-05-16 松立控股集团股份有限公司 一种关键前景特征引导知识蒸馏的车牌检测识别方法
CN115861997A (zh) * 2023-02-27 2023-03-28 松立控股集团股份有限公司 一种关键前景特征引导知识蒸馏的车牌检测识别方法
CN116704487A (zh) * 2023-06-12 2023-09-05 三峡大学 一种基于Yolov5s网络和CRNN的车牌检测与识别方法
CN116704487B (zh) * 2023-06-12 2024-06-11 三峡大学 一种基于Yolov5s网络和CRNN的车牌检测与识别方法
CN116721355A (zh) * 2023-08-09 2023-09-08 江西云眼视界科技股份有限公司 广告牌检测方法、***、可读存储介质及计算机设备
CN116721355B (zh) * 2023-08-09 2023-10-24 江西云眼视界科技股份有限公司 广告牌检测方法、***、可读存储介质及计算机设备
CN117036952A (zh) * 2023-08-15 2023-11-10 石河子大学 基于rgb图像重建高光谱图像的红枣水分含量等级检测方法
CN117036952B (zh) * 2023-08-15 2024-04-12 石河子大学 基于rgb图像重建高光谱图像的红枣水分含量等级检测方法

Similar Documents

Publication Publication Date Title
CN114898352A (zh) 一种同时实现图像去雾与车牌检测的方法
WO2023077816A1 (zh) 边界优化的遥感图像语义分割方法、装置、设备及介质
CN110263706B (zh) 一种雾霾天气车载视频动态目标检测和识别的方法
CN111489301B (zh) 一种基于迁移学习用图像深度信息引导的图像去雾方法
CN114677502B (zh) 一种任意倾斜角度的车牌检测方法
CN110197505B (zh) 基于深度网络及语义信息的遥感图像双目立体匹配方法
CN112232391A (zh) 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法
CN114494821B (zh) 基于特征多尺度感知与自适应聚合的遥感影像云检测方法
CN112489023A (zh) 一种基于多尺度和多层次的路面裂缝检测方法
CN111986164A (zh) 一种基于多源Unet+Attention网络迁移的道路裂缝检测方法
CN113723377A (zh) 一种基于ld-ssd网络的交通标志检测方法
CN115239644B (zh) 混凝土缺陷识别方法、装置、计算机设备和存储介质
CN115223063A (zh) 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及***
CN115063786A (zh) 一种高位远景模糊车牌检测方法
CN112749578A (zh) 一种基于深度卷积神经网络的遥感图像自动道路提取方法
CN114267025A (zh) 基于高分辨率网络与轻量注意力机制的交通标志检测方法
CN112861840A (zh) 基于多特征融合卷积网络的复杂场景字符识别方法及***
CN112927237A (zh) 基于改进SCB-Unet网络的蜂窝肺病灶分割方法
CN116883650A (zh) 一种基于注意力和局部拼接的图像级弱监督语义分割方法
CN114419421A (zh) 一种基于影像的地铁隧道裂缝识别***及方法
CN115410189A (zh) 一种复杂场景车牌检测方法
CN116246169A (zh) 基于SAH-Unet的高分辨率遥感影像不透水面提取方法
CN114037834B (zh) 一种基于振动信号和rgb图像融合的语义分割方法及装置
CN113971764B (zh) 一种基于改进YOLOv3的遥感图像小目标检测方法
CN116597270A (zh) 基于注意力机制集成学习网络的道路损毁目标检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220812