CN115050028B - 一种恶劣天气下小样本车牌检测方法 - Google Patents
一种恶劣天气下小样本车牌检测方法 Download PDFInfo
- Publication number
- CN115050028B CN115050028B CN202210671981.7A CN202210671981A CN115050028B CN 115050028 B CN115050028 B CN 115050028B CN 202210671981 A CN202210671981 A CN 202210671981A CN 115050028 B CN115050028 B CN 115050028B
- Authority
- CN
- China
- Prior art keywords
- license plate
- sample
- network
- distance
- frame
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000005728 strengthening Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000012512 characterization method Methods 0.000 abstract description 8
- 238000005259 measurement Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明属于车牌检测技术领域,尤其涉及一种恶劣天气下小样本车牌检测方法,设计简洁的主干网络用于提取正负样本框,在训练时为常规天气数据构建多个正样本的嵌入空间表征以及负样本的嵌入空间表征,在测试时增加新的恶劣天气图像的正样本表征和负样本的嵌入空间表征,推近目标建议框距离与正样本嵌入空间的距离,拉大目标建议框与负样本嵌入空间的距离,最终通过此度量判断目标候选框是否为车牌,从而达到车牌检测的效果,不仅可以用来进行恶劣天气下小样本车牌检测,还可以用于多种小样本目标检测任务,在恶劣天气下的小样本数据检测精度可达96.5%,极大的提升了检测和分类效果。
Description
技术领域
本发明属于车牌检测技术领域,尤其涉及一种恶劣天气下小样本车牌检测方法。
背景技术
近年来,随着经济的发展,城市中汽车数量急剧增加,给城市交通管理带来了极大的挑战,车牌检测作为车牌识别的前置任务,在智慧交通数据统计和分析中占有举足轻重的地位。其应用场景十分广泛,如小区出入口、高速公路及收费站、城市交通违章等应用场景,然而在实际应用中车牌受到雾天、雨天、雪天等极端恶劣天气的影响,使得检测结果不佳。
在极端恶劣天气下,图像质量受到严重影响,细节特征丢失严重,车牌的信息不易被提取,导致车牌检测极易出现错检和漏检的情况,而且恶劣天气下的数据严重不足,很大程度上限制了深度学习网络的泛化性,使得现有的车牌检测方法很难在恶劣天气下达到理想的检测性能;另一方面,车牌检测需要同时进行定位和分类,使得模型适应过程更加复杂,模型存在过度自适应(类似于使用少量数据样本进行训练时的过拟合)和不稳定风险,最终导致目标域检测性能下降。
目前,针对恶劣场景中的数据收集和标注往往需要消耗巨大的人力物力,而只收集少量的有代表性的样本数据,所付出的努力是可以忽略不计的,同时可以减少大量样本带来的不可避免的噪声,但是在只有少量恶劣天气的数据样本的情况下学习车牌的定位和分类是非常具有挑战性的。
由此可见,在恶劣天气下的车牌检测受到了训练样本的限制,现有的方法在少量的数据上容易过拟合并且检测性能受限,因此急需有效的手段提升恶劣天气下小样本车牌检测性能。
发明内容
为了克服现有技术的不足,本发明设计提供一种恶劣天气下小样本车牌检测方法,用来恶劣天气下小样本车牌检测问题,可用于小样本场景的车牌检测任务,能够高效的车牌检测的精度和模型泛化性能。
为实现上述目的,本发明实现小样本车牌检测的具体过程为:
(1)数据集构建:先收集常规天气的交通监控、停车场等场景的含有常规以及倾斜、畸变车牌的图像,构建车牌数据集作为训练的基础数据,并将车牌数据集划分为训练集、验证集和测试集,再收集不少于200张的恶劣天气下的车牌图像作为小样本数据;
(2)共享主干网络特征提取:先对图片的尺寸和数值范围行初始化处理,再将处理后的图像输入到主干网络中进行卷积特征提取;然后通过特征金字塔网络对提取的特征进行强化得到多尺度车牌卷积特征图集合;
(3)车牌位置定位:根据步骤(2)得到的多尺度车牌卷积特征图集合,在不同的多
尺度卷积层后连接两层卷积核为33的卷积层以及一层平均池化层,在特征图的每一个特
征点设置一个锚框,再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
类和位置偏移信息后输出候选框;
(4)样本嵌入空间构建:与样本标签相比,将IoU>0.7 的候选框定义为正样本信息, 0.2<IoU<0.3 的候选框定义为负样本信息,并使用三层全连接层构建多层感知嵌入编码,输入正样本和负样本候选框对相应区域通过步骤(2)提取得到的卷积特征,输出正样本嵌入和负样本嵌入,并将正样本嵌入和负样本嵌入分别纳入到正样本嵌入空间和负样本嵌入空间;
(5)样本距离度量:将步骤(3)输出的候选框对应的嵌入编码后的向量分别与正样本嵌入空间和负样本嵌入空间进行距离计算,利用得到的两个距离,通过概率度量方法输出每个候选框是车牌的概率;
(6)训练网络结构,得到训练好的车牌检测网络:使用数据集中训练集的图像,图
片尺寸为5125123,根据一次训练所需的样本数将图像依次输入到网络中,整个网络的
输入,其中B为一次训练所需的样本数,并且使用IoU阈值作为样本分配策略
的衡量标准输出回归坐标位置, N是输出预测车牌目标的数量,4表示四维,包含
车牌的水平框中心点坐标(x,y)和长宽(w,h);再采用与步骤(5)中相同的方法计算候选框
是否为车牌,然后通过反向传播更新参数,经过500轮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,得到训练好的车牌检测网络;
(7)测试网络并输出车牌位置和类别:在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512512,作为车
牌检测网络的输入,然后输出车牌的分类置信度和车牌的坐标位置,通过设置阈值过滤低
置信度的车牌,并使用非极大抑制(NMS)删除网络输出的冗余的框得到车牌检测框,最后将
车牌检测框对应的车牌特征输入到车牌识别模块,得到车牌号。
作为本发明的进一步技术方案,步骤(1)所述车牌数据集和小样本数据中的图像需标注车牌的位置,即标注车牌的四个角点,并通过四个角点的位置计算表示车牌位置的点集合,点集合包含车牌的中心点、四个角点以及四条边的中心点。
作为本发明的进一步技术方案,步骤(2)所述主干网络使用在ImageNet数据集中经过预训练的ResNet50作为特征提取网络,分别提取模块3、模块4和模块5输入到后续网络中,特征金字塔网络设置在ResNet50之后,特征金字塔网络对ResNet50提取的特征进行强化利用,获得表达力更强的包含多尺度车牌信息的卷积特征图集合,从而更好的捕获近距离和远距离的不同尺寸车牌。
作为本发明的进一步技术方案,步骤(3)所述位置偏差信息是车牌的紧致目标框与特征点对应的锚框的偏差从而完成目标框类别分类和位置信息的任务,其中分类为是否是车牌,位置信息为车牌的最小外接矩(朝向框)。
作为本发明的进一步技术方案,步骤(5)中距离计算公式为:
其中X为候选框对应的嵌入向量,E为样本空间中存储的嵌入向量,为温度系数,
是X和Y之间的距离系数,概率度量是使用高斯函数将距离映射到概率,其概率为:
其中为候选框与正样本嵌入的距离,为候选框与负样本嵌入的距离,并且添
加β值,以确保距离减法不为负。
本发明针对恶劣天气下样本数量少的问题,通过引入一种新的基于负样本和正样本的度量学习框架和一种新的负样本和正样本的推理方案来充分利用小样本检测中的负样本,同时使用正样本和负样本,在训练图像上学习到一个嵌入空间,其中距离对应于车牌与正样本和负样本的相似性度量,一旦学习了这个空间,使用提出的嵌入方法作为特征向量,可以以很少的代价从小样本中检测恶劣天气中的车牌。
与现有技术相比,本发明的有益效果是:
(1)通过构建正负样本的嵌入空间在增加很少计算量的基础上极大的程度提高在退化车牌上的表现;
(2)不仅可以用来进行恶劣天气下小样本车牌检测,还可以用于多种小样本目标检测任务,在恶劣天气下的小样本数据检测精度可达96.5%,极大的提升了检测和分类效果。
附图说明
图1为本发明所述恶劣天气下小样本车牌检测网络结构框架示意图。
图2为本发明所述恶劣天气下小样本车牌检测流程框图。
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:
本实施例通过设计简洁的主干网络用于提取正负样本框,在训练时为常规天气数据构建多个正样本的嵌入空间表征以及负样本的嵌入空间表征,在测试时增加新的恶劣天气图像的正样本表征和负样本的嵌入空间表征,而优化目标是推近目标建议框距离与正样本嵌入空间的距离,拉大目标建议框与负样本嵌入空间的距离,最终通过此度量判断目标候选框是否为车牌,从而达到车牌检测的效果,具体包括如下步骤:
(1)数据集构建:收集常规天气的交通监控、停车场等场景的含有常规以及倾斜、畸变车牌的图像,构建车牌的数据集,作为训练的基础数据,并将数据集划分为训练集、验证集和测试集;收集200-3000张的恶劣天气下的车牌数据,作为小样本数据,并将小样本数据划分为训练集、验证集和测试集,所收集的图像需要标注车牌的位置,主要是车牌四个角点的标注,通过四个角点的位置可以计算表示车牌位置的点集合,点集合包含车牌的中心点、四个角点以及四条边的中心点;
(2)共享主干网络特征提取:先对图片的尺寸和数值范围行初始化处理,然后将处理后的图像输入到主干网络中进行卷积特征提取,其中主干网络使用在ImageNet数据集中经过预训练的ResNet50作为特征提取网络,分别提取模块3、模块4和模块5输入到后续网络中,并在ResNet50之后添加特征金字塔网络,对ResNet50提取的特征进行强化利用,获得表达力更强的包含多尺度车牌信息的卷积特征图集合,从而更好的捕获近距离和远距离的不同尺寸车牌;
(3)车牌位置定位:根据步骤(2)得到的多尺度车牌卷积特征图集合,在不同的多
尺度卷积层后连接两层卷积核为33的卷积层以及一层平均池化层,在特征图的每一个特
征点设置一个锚框,然后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
分类和位置偏移信息后输出候选框,位置偏差信息是车牌的紧致目标框与特征点对应的锚
框的偏差从而完成目标框类别分类和位置信息的任务,其中分类为是否是车牌,位置信息
为车牌的最小外接矩(朝向框);
(4)样本嵌入空间构建:将与样本标签 IoU>0.7 的候选框定义为正样本信息,将0.2<IoU<0.3 的候选框定义为负样本信息,并使用三层全连接层构建多层感知嵌入编码,其输入为正样本和负样本候选框对相应区域的卷积特征(从步骤(2)中提取得到),输出为正样本和负样本嵌入,将输出结果分别纳入到正、负样本嵌入空间;
(5)样本距离度量:将步骤(3)输出的候选框对应的嵌入编码后的向量分别与正样本嵌入空间和负样本嵌入空间进行距离度量,综合利用这两个距离,通过概率度量方法输出每个候选框是车牌的概率,距离度量公式如下式所示:
其中X为候选框对应的嵌入向量,E为样本空间中存储的嵌入向量,为温度系数,
是X和Y之间的距离系数,然后使用高斯函数将距离映射到概率,其概率定义为:
其中为候选框与正样本嵌入的距离,为候选框与负样本嵌入的距离,并且添
加β值,以确保距离减法不为负;
(6)训练网络结构,得到训练好的车牌检测网络:使用数据集中训练集的图像,图
片尺寸为5125123,按照批次尺寸(B),B为一次训练所需的样本数,依次输入到网络中,
所以整个网络的输入,并且使用IOU阈值作为样本分配策略的衡量标准,高
质量水平候选框模块输出回归坐标位置, N是输出预测车牌目标的数量,4表示
四维,包含车牌的水平框中心点坐标(x,y)和长宽(w,h);再采用步骤(5)中样本距离度量和
概率估计方法计算候选框是否为车牌,通过反向传播更新参数,经过500轮完整训练集训练
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,得到训练好的车
牌检测网络;
(7)测试网络输出车牌位置和类别:在测试过程中,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
512,作为网络的输入,即可输出车牌的分类置信度和车牌的坐标位置,设置阈值过滤低置
信度的车牌,并使用非极大抑制(NMS)删除网络输出的冗余的框得到车牌检测框,最后将车
牌检测框对应的车牌特征输入到车牌识别模块,得到车牌号。
实施例2:
本实施例选取ccpd数据集中的ccpd_weather数据1000张图像进行精度检测,检测结果为96.5%,其中训练集、测试集、验证集分别包含 200张、500张和300张。
本文中未详细说明的算法、模块均为现有技术或本领域通用技术。
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。
Claims (5)
1.一种恶劣天气下小样本车牌检测方法,其特征在于,具体过程为:
(1)数据集构建:先收集常规天气的交通监控、停车场的含有常规以及倾斜、畸变车牌的图像,构建车牌数据集作为训练的基础数据,并将车牌数据集划分为训练集、验证集和测试集,再收集不少于200张的恶劣天气下的车牌图像作为小样本数据;
(2)共享主干网络特征提取:先对图片的尺寸和数值范围行初始化处理,再将处理后的图像输入到主干网络中进行卷积特征提取;然后通过特征金字塔网络对提取的特征进行强化得到多尺度车牌卷积特征图集合;
(3)车牌位置定位:根据步骤(2)得到的多尺度车牌卷积特征图集合,在不同的多尺度
卷积层后连接两层卷积核为33的卷积层以及一层平均池化层,在特征图的每一个特征点
设置一个锚框,再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
位置偏移信息后输出候选框;
(4)样本嵌入空间构建:与样本标签相比,将IoU>0.7 的候选框定义为正样本信息,0.2<IoU<0.3 的候选框定义为负样本信息,并使用三层全连接层构建多层感知嵌入编码,输入正样本和负样本候选框对相应区域通过步骤(2)提取得到的卷积特征,输出正样本嵌入和负样本嵌入,并将正样本嵌入和负样本嵌入分别纳入到正样本嵌入空间和负样本嵌入空间;
(5)样本距离度量:将步骤(3)输出的候选框对应的嵌入编码后的向量分别与正样本嵌入空间和负样本嵌入空间进行距离计算,利用得到的两个距离,通过概率度量方法输出每个候选框是车牌的概率;
(6)训练网络结构,得到训练好的车牌检测网络:使用数据集中训练集的图像,图片尺
寸为5125123,根据一次训练所需的样本数将图像依次输入到网络中,整个网络的输入,其中B为一次训练所需的样本数,并且使用IoU阈值作为样本分配策略的衡
量标准输出回归坐标位置, N是输出预测车牌目标的数量,4表示四维,包含车牌
的水平框中心点坐标(x,y)和长宽(w,h);再采用与步骤(5)中相同的方法计算候选框是否
为车牌,然后通过反向传播更新参数,经过500轮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,得到训练好的车牌检测网络;
(7)测试网络并输出车牌位置和类别:在保持图片长短边比例不变的情况下将图像长
边缩放到512,然后对图片的短边进行填充,使得图像尺寸为512512,作为车牌检测网络的
输入,然后输出车牌的分类置信度和车牌的坐标位置,通过设置阈值过滤低置信度的车牌,
并使用非极大抑制删除网络输出的冗余的框得到车牌检测框,最后将车牌检测框对应的车
牌特征输入到车牌识别模块,得到车牌号。
2.根据权利要求1所述恶劣天气下小样本车牌检测方法,其特征在于,步骤(1)所述车牌数据集和小样本数据中的图像需标注车牌的位置,即标注车牌的四个角点,并通过四个角点的位置计算表示车牌位置的点集合,点集合包含车牌的中心点、四个角点以及四条边的中心点。
3.根据权利要求2所述恶劣天气下小样本车牌检测方法,其特征在于,步骤(2)所述主干网络使用在ImageNet数据集中经过预训练的ResNet50作为特征提取网络,分别提取模块3、模块4和模块5输入到后续网络中,特征金字塔网络设置在ResNet50之后,特征金字塔网络对ResNet50提取的特征进行强化利用,获得表达力更强的包含多尺度车牌信息的卷积特征图集合,从而更好的捕获近距离和远距离的不同尺寸车牌。
4.根据权利要求3所述恶劣天气下小样本车牌检测方法,其特征在于,步骤(3)所述位置偏差信息是车牌的紧致目标框与特征点对应的锚框的偏差从而完成目标框类别分类和位置信息的任务,其中分类为是否是车牌,位置信息为车牌的最小外接矩。
5.根据权利要求4所述恶劣天气下小样本车牌检测方法,其特征在于,步骤(5)中距离计算公式为:
其中X为候选框对应的嵌入向量,E为样本空间中存储的嵌入向量,为温度系数,是X和Y之间的距离系数,概率度量是使用高斯函数将距离映射到概率,其概率为:
其中为候选框与正样本嵌入的距离,为候选框与负样本嵌入的距离,并且添加β
值,以确保距离减法不为负。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210671981.7A CN115050028B (zh) | 2022-06-15 | 2022-06-15 | 一种恶劣天气下小样本车牌检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210671981.7A CN115050028B (zh) | 2022-06-15 | 2022-06-15 | 一种恶劣天气下小样本车牌检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115050028A CN115050028A (zh) | 2022-09-13 |
CN115050028B true CN115050028B (zh) | 2024-03-29 |
Family
ID=83161420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210671981.7A Active CN115050028B (zh) | 2022-06-15 | 2022-06-15 | 一种恶劣天气下小样本车牌检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115050028B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3182334A1 (en) * | 2015-12-17 | 2017-06-21 | Xerox Corporation | License plate recognition using coarse-to-fine cascade adaptations of convolutional neural networks |
CN110674689A (zh) * | 2019-08-19 | 2020-01-10 | 浙江省北大信息技术高等研究院 | 一种基于特征嵌入空间几何约束的车辆再识别方法及*** |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
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*** |
CN113159153A (zh) * | 2021-04-13 | 2021-07-23 | 华南理工大学 | 一种基于卷积神经网络的车牌识别方法 |
CN113822278A (zh) * | 2021-11-22 | 2021-12-21 | 松立控股集团股份有限公司 | 一种无受限场景车牌识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10678846B2 (en) * | 2017-03-10 | 2020-06-09 | Xerox Corporation | Instance-level image retrieval with a region proposal network |
-
2022
- 2022-06-15 CN CN202210671981.7A patent/CN115050028B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3182334A1 (en) * | 2015-12-17 | 2017-06-21 | Xerox Corporation | License plate recognition using coarse-to-fine cascade adaptations of convolutional neural networks |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN110674689A (zh) * | 2019-08-19 | 2020-01-10 | 浙江省北大信息技术高等研究院 | 一种基于特征嵌入空间几何约束的车辆再识别方法及*** |
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*** |
CN113159153A (zh) * | 2021-04-13 | 2021-07-23 | 华南理工大学 | 一种基于卷积神经网络的车牌识别方法 |
CN113822278A (zh) * | 2021-11-22 | 2021-12-21 | 松立控股集团股份有限公司 | 一种无受限场景车牌识别方法 |
Non-Patent Citations (2)
Title |
---|
基于Faster RCNN的车牌检测算法;秦丽娟;赵宇辉;;电子世界;20191230(第24期);全文 * |
多任务分段紧凑特征的车辆检索方法;何霞;汤一平;陈朋;王丽冉;袁公萍;;中国图象图形学报;20181216(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115050028A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN110796168B (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN109977793B (zh) | 基于变尺度多特征融合卷积网络的路侧图像行人分割方法 | |
CN111160311B (zh) | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
CN111709416B (zh) | 车牌定位方法、装置、***及存储介质 | |
CN111898432B (zh) | 一种基于改进YOLOv3算法的行人检测***及方法 | |
CN111104903A (zh) | 一种深度感知交通场景多目标检测方法和*** | |
CN114677507A (zh) | 一种基于双向注意力网络的街景图像分割方法及*** | |
CN114627447A (zh) | 基于注意力机制和多目标跟踪的公路车辆跟踪方法及*** | |
CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
CN115063786A (zh) | 一种高位远景模糊车牌检测方法 | |
CN112084890A (zh) | 基于gmm和cqfl的多尺度识别交通信号标志的方法 | |
CN112990065A (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
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*** | |
CN113205107A (zh) | 一种基于改进高效率网络的车型识别方法 | |
CN116665153A (zh) | 一种基于改进型Deeplabv3+网络模型的道路场景分割方法 | |
CN114332075A (zh) | 基于轻量化深度学习模型的结构缺陷快速识别与分类方法 | |
CN111160282B (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
CN115050028B (zh) | 一种恶劣天气下小样本车牌检测方法 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及*** | |
CN113313008B (zh) | 基于YOLOv3网络和均值漂移的目标与识别跟踪方法 | |
Prawinsankar et al. | Traffic Congession Detection through Modified Resnet50 and Prediction of Traffic using Clustering | |
CN113554013B (zh) | 跨场景识别模型训练方法、跨场景道路识别方法以及装置 |
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 |