CN116665321A - 一种基于边缘纳管技术的停车场车辆管理方法 - Google Patents

一种基于边缘纳管技术的停车场车辆管理方法 Download PDF

Info

Publication number
CN116665321A
CN116665321A CN202310508871.3A CN202310508871A CN116665321A CN 116665321 A CN116665321 A CN 116665321A CN 202310508871 A CN202310508871 A CN 202310508871A CN 116665321 A CN116665321 A CN 116665321A
Authority
CN
China
Prior art keywords
license plate
image information
edge
result
parking lot
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
CN202310508871.3A
Other languages
English (en)
Inventor
方奕博
许鼓
陶宝根
姚齐
卓胜平
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.)
Shenzhen Easy Alliance Technology Co ltd
Original Assignee
Shenzhen Easy Alliance 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 Shenzhen Easy Alliance Technology Co ltd filed Critical Shenzhen Easy Alliance Technology Co ltd
Priority to CN202310508871.3A priority Critical patent/CN116665321A/zh
Publication of CN116665321A publication Critical patent/CN116665321A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/02—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points taking into account a variable factor such as distance or time, e.g. for passenger transport, parking systems or car rental systems
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • 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
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • 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)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开公开了一种基于边缘纳管技术的停车场车辆管理方法。该方法通过采集车辆进入停车场的入场图像信息和离开停车场的出场图像信息，利用车牌识别模型对车牌进行识别，记录车辆入场时间戳并计算停车费用。同时，该方法还通过车牌区域的检测和字符分割技术，实现了对车牌部分的自动识别和计费，提高了停车场的管理效率。该方法能够实现快速、准确、自动化的车辆管理，具有高效、节省人力物力、提高管理水平的有益效果。

Description

一种基于边缘纳管技术的停车场车辆管理方法
技术领域
本公开涉及但不限于车辆管理技术领域，尤其涉及一种基于边缘纳管技术的停车场车辆管理方法。
背景技术
随着城市的不断发展，私家车的普及率不断提高，停车难成为了一个普遍存在的问题。为了解决这个问题，各地的停车场纷纷应运而生。但是，在运行的车场中，存在着一些问题，例如人情车、遥控开闸出入场、现金或个人微信收款、非法牟利开闸等问题，这些问题严重影响了停车场的正常运营，导致停车场的计费记录丢失，收入减少，账单无法核对准确。因此，需要加强对停车场乱收费的整治和收费行为的监督，以提高停车场管理的效率和透明度。
现有技术中，停车场的管理和计费主要依赖于停车场管理人员手动收费。在这种情况下，很容易发生人为失误，例如计算错误或收费记录遗漏等。此外，停车场的管理人员需要花费大量的时间和精力来收集、整理和核对停车记录，这会极大地浪费人力资源。此外，停车场计费管理软件的缺陷也是一个比较普遍的问题，例如无法正确地识别车辆类型和车牌号码，导致停车场的计费记录不准确，账单无法核对准确。这些问题的存在导致了停车场的管理效率低下，影响了用户体验。
针对这些问题，边缘纳管技术应运而生。边缘纳管技术是一种新兴的技术，它将计算、存储和网络通信等功能集成到设备的边缘，使得设备具备了智能化和自主决策的能力。在停车场中，边缘纳管技术可以用于车辆的自动识别、车道控制和计费等方面。具体而言，边缘纳管技术可以通过摄像头和车辆识别技术来自动识别车辆类型和车牌号码，通过车道控制***来控制车辆的进出，通过计费***来自动计算停车费用，并将计费记录上传到云端服务器上，以便停车场管理人员随时查看和核对。
与传统的停车场管理方式相比，基于边缘纳管技术的停车场车辆管理方法具有以下优点：一是可以大大提高停车场的管理效率和透明度，减少人为失误的发生；二是可以极大地节约人力资源，提高停车场的运营效率；三是可以提高停车场的安全性和准确性，降低停车场管理的成本。这些优点使得基于边缘纳管技术的停车场车辆管理方法成为了未来停车场发展的趋势。
在现有技术中，虽然已经有一些停车场管理***采用了自动化技术，但仍然存在一些问题。例如，在一些停车场中，依然存在着非法牟利开闸等违法行为，这些行为会严重影响停车场的正常运营。另外，在停车场中，车辆数量众多，如果***出现故障，会导致停车场的计费记录丢失，账单无法核对准确。为了解决这些问题，基于边缘纳管技术的停车场车辆管理方法应运而生。
发明内容
本公开在于提供一种基于边缘纳管技术的停车场车辆管理方法。
为了解决上述问题，本发明的技术方案是这样实现的：
一种基于边缘纳管技术的停车场车辆管理方法，所述方法执行以下步骤：
步骤S1：采集车辆进入停车场的入场图像信息和离开停车场的出场图像信息；所述入场图像信息和出场图像信息均至少包括车辆的车牌部分；
步骤S2：将采集到的入场图像信息上传至边缘纳管云端平台；所述边缘纳管云端平台使用预设的车牌识别模型对入场图像信息进行识别，得到第一识别结果，保存至所述边缘纳管云端平台的存储器，同时记录车辆入场时间戳；
步骤S3：将采集到的出场图像信息上传至边缘纳管云端平台；所述边缘纳管云端平台使用预设的车牌识别模型对出场图像信息进行识别，得到第二识别结果；基于第二识别结果，在存储器中对存储的所有第一识别结果进行匹配查询，得到匹配查询结果；
步骤S4：若匹配查询结果为真，则调用计费引擎根据当前出场时间和入场时间计算该车辆停车费用；若匹配查询结果为假，则调用预设的匹配决策模型，基于第二识别结果，在存储器中对存储的所有第一识别结果进行相似度计算，得到相似度计算结果；所述相似度计算结果为百分比结果，用于表征第二识别结果与存储器中存储的所有第一识别结果的相似度；找到最大的相似度计算结果对应的第一识别结果，并获取对应的车辆入场时间戳，调用计费引擎根据当前出场时间和入场时间计算该车辆停车费用。
进一步的，步骤S1中使用高清识别相机采集车辆在进入停车场的入场图像信息和离开停车场的出场图像信息。
进一步的，所述步骤S1在采集到车辆进入停车场的入场图像信息和离开停车场的出场图像信息后，还包括对入场图像信息和出场图像信息进行图像处理的步骤，具体包括：对采集到的入场图像信息和出场图像信息进行图像预处理，得到预处理结果；对预处理结果进行车牌检测，以确定车牌区域，在基于确定的车牌区域进行车牌分割，以得到入场图像信息或出场图像信息的车牌部分和除车牌部分以外的其他图像部分；将车牌部分作为入场图像信息或出场图像信息，并附加上除车牌部分以外的其他图像部分作为附加信息。
进一步的，所述图像预处理依次执行以下步骤：图像去噪、图像增强和灰度转换，得到预处理结果。
进一步的，所述对预处理结果进行车牌检测，以确定车牌区域的方法包括：使用Sobel算子对预处理结果进行边缘检测，并使用霍夫变换进行直线检测，得到所有可能的直线候选集合；随机抽取两条直线作为车牌的边缘，并计算其交点坐标，作为车牌左上角的候选点；在车牌左上角的候选点的200x100像素构成的周围区域内，使用Sobel算子进行边缘检测，并使用霍夫变换进行直线检测，得到该区域内可能的直线候选集合；从直线候选集合中随机抽取一组直线，并计算其交点坐标，作为车牌右下角的候选点；将车牌左上角和右下角的候选点作为4个顶点，构成车牌的四边形；计算该四边形的得分，得分越高表示该四边形越像车牌，所述计算得分的公式为：
score＝w1*ratio+w2*compactness+w3*anglediff；
其中，ratio表示车牌的宽高比，compactness表示四边形的紧密度，定义为四边形内部区域与外部区域的面积比，anglediff表示四边形边界的角度差，定义为四个角度之间的最大差值；score为四边形的得分；w1、w2和w3均为权重系数，为设定值；重复执行上述所有步骤N次，最后选取得分最高的四边形作为确定的车牌区域。
进一步的，所述在基于确定的车牌区域进行车牌分割，以得到入场图像信息或出场图像信息的车牌部分和除车牌部分以外的其他图像部分的方法包括：将车牌区域的灰度图转换为二值图像；对二值图像进行形态学处理，去除不必要的噪声和细节，保留车牌上的连通区域；对车牌上的连通区域进行边缘检测，得到车牌区域的边缘；对边缘进行特征提取和描述，得到边缘的起点和终点的坐标信息，以及边缘的方向信息；构建边缘的邻接矩阵，根据边缘的方向信息进行邻接关系的判断；对邻接矩阵进行遍历，得到所有的强连通分量。对强连通分量进行筛选和处理，得到每个字符的边缘信息；根据每个字符的边缘信息，将车牌分割成若干个字符区域，将这些字符区域作为入场图像信息或出场图像信息的车牌部分。
进一步的，所述车牌识别模型对入场图像信息进行识别或车牌识别模型对出场图像信息进行识别的方法包括：对车牌部分使用高斯滤波器进行平滑处理；再使用改进的Hessian矩阵检测关键点；在每个关键点周围的区域内计算Haar小波特征；使用Haar小波特征生成描述子；再基于描述子，使用预先建立的识别模板进行识别。
进一步的，所述改进的Hessian矩阵定义为：
其中，其中，I是车牌部分，x和y是车牌部分中的坐标；改进的Hessian矩阵的特征值λ1和λ2用来判断点是否为极值点。
进一步的，所述步骤S4中调用预设的匹配决策模型，基于第二识别结果，在存储器中对存储的所有第一识别结果进行相似度计算，得到相似度计算结果的方法包括：基于第二识别结果，调用其对应的附加信息，在存储器中对存储的所有第一识别结果进行相似度计算，得到相似度计算结果；其中，首先基于第二识别结果，在存储其中对存储的所有第一识别结果进行相似度计算，得到第一相似度计算结果；然后调用第二识别结果对应的出场图像信息中的附加信息与存储器中存储的第一识别结果对应的入场图像信息中的附加信息进行相似度计算，得到第二相似度计算结果；将第一相似度计算结果和第二相似度计算结果使用预设的加权系数进行加权平均运算后，得到最终的相似度计算结果。
进一步的，所述附加信息至少包括：车辆品牌、车辆颜色和车辆类型。
本发明的一种基于边缘纳管技术的停车场车辆管理方法，具有以下有益效果：本发明旨在解决传统停车场管理方式中存在的一系列问题。在传统停车场管理方式中，计费主要依赖于停车场管理人员手动收费，很容易发生人为失误，计算错误或收费记录遗漏等问题。此外，停车场的管理人员需要花费大量的时间和精力来收集、整理和核对停车记录，这会浪费人力资源。同时，传统停车场管理方式也存在车辆类型和车牌号码识别不准确等问题，导致停车场计费记录不准确，账单无法核对准确。这些问题的存在导致了停车场的管理效率低下，影响了用户体验。
本专利的技术方案主要基于边缘纳管技术，通过车辆自动识别、车道控制和计费***等功能，实现停车场的智能化和自主决策能力。具体而言，本专利的技术方案包括以下几个方面：
首先，在车辆进入停车场时，使用高清识别相机采集车辆的入场图像信息，并对入场图像信息进行图像处理和车牌检测，以确定车牌区域，最终得到入场图像信息的车牌部分和除车牌部分以外的其他图像部分。在车辆离开停车场时，同样使用高清识别相机采集车辆的出场图像信息，并对出场图像信息进行类似的图像处理和车牌检测，以确定车牌区域，最终得到出场图像信息的车牌部分和除车牌部分以外的其他图像部分。接着，使用车牌识别模型对车牌部分进行识别，得到车牌号码等信息，并存储在存储器中。
其次，针对车辆离开停车场时可能出现的非法牟利开闸等违法行为，本专利的技术方案采用两次识别结果的匹配决策模型来进行处理。具体而言，在车辆离开停车场时，使用车牌识别模型对出场图像信息的车牌部分进行识别，得到第二识别结果。然后，基于第二识别结果，在存储器中对存储的所有第一识别结果进行相似度计算，得到相似度计算结果。最后，使用预设的匹配决策模型，对相似度计算结果进行判断和处理，从而减少非法牟利开闸另外，基于边缘纳管技术的停车场车辆管理方法还可以提高停车场的安全性和准确性。传统的停车场管理方式中，往往需要停车场管理人员进行人工巡查和管理，这会带来一定的安全风险。而基于边缘纳管技术的停车场车辆管理方法可以实现车辆的自动识别和进出控制，从而减少了人工干预的机会，提高了停车场的安全性。此外，该方法采用车辆识别技术和计费***，可以确保计费记录的准确性，避免了计算错误和收费记录遗漏等人为失误，提高了计费的准确性。
最后，基于边缘纳管技术的停车场车辆管理方法还可以降低停车场管理的成本。传统的停车场管理方式中，需要大量的人力资源进行管理和维护，需要投入大量的资金来购置硬件设备和维护***。而基于边缘纳管技术的停车场车辆管理方法可以通过摄像头和车道控制***等边缘设备实现车辆的自动识别和进出控制，减少了人力资源的投入。此外，该方法可以将计费记录上传到云端服务器上进行管理和核对，降低了停车场管理的成本。
综上所述，基于边缘纳管技术的停车场车辆管理方法具有高效、精确、安全、节约成本等优点，可以大大提高停车场的管理效率和透明度，节约人力资源，降低停车场管理的成本，是未来停车场发展的趋势。
附图说明
图1为本发明实施例提供的一种基于边缘纳管技术的停车场车辆管理方法的方法流程示意图；
图2为本发明实施例提供的一种基于边缘纳管技术的停车场车辆管理方法在车辆入场时的处理流程示意图；
图3为本发明实施例提供的一种基于边缘纳管技术的停车场车辆管理方法在车辆入场时的处理流程示意图。
具体实施方式
为了使本公开所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本公开进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本公开，并不用于限定本公开。。
实施例1
参考图1，一种基于边缘纳管技术的停车场车辆管理方法，所述方法执行以下步骤：
步骤S1：采集车辆进入停车场的入场图像信息和离开停车场的出场图像信息；所述入场图像信息和出场图像信息均至少包括车辆的车牌部分；
车辆进入停车场时，该方法会采集车辆的入场图像信息，并识别车辆的车牌部分。同样地，当车辆离开停车场时，该方法会采集车辆的出场图像信息，并识别车辆的车牌部分。车牌识别是通过预设的车牌识别模型实现的，可以根据实际需要进行优化和调整。
步骤S2：将采集到的入场图像信息上传至边缘纳管云端平台；所述边缘纳管云端平台使用预设的车牌识别模型对入场图像信息进行识别，得到第一识别结果，保存至所述边缘纳管云端平台的存储器，同时记录车辆入场时间戳；
步骤S3：将采集到的出场图像信息上传至边缘纳管云端平台；所述边缘纳管云端平台使用预设的车牌识别模型对出场图像信息进行识别，得到第二识别结果；基于第二识别结果，在存储器中对存储的所有第一识别结果进行匹配查询，得到匹配查询结果；
步骤S4：若匹配查询结果为真，则调用计费引擎根据当前出场时间和入场时间计算该车辆停车费用；若匹配查询结果为假，则调用预设的匹配决策模型，基于第二识别结果，在存储器中对存储的所有第一识别结果进行相似度计算，得到相似度计算结果；所述相似度计算结果为百分比结果，用于表征第二识别结果与存储器中存储的所有第一识别结果的相似度；找到最大的相似度计算结果对应的第一识别结果，并获取对应的车辆入场时间戳，调用计费引擎根据当前出场时间和入场时间计算该车辆停车费用。
具体的，在车辆进入停车场时，通过摄像头采集车辆的入场图像信息，并使用预设的车牌识别模型对车辆的车牌进行识别，将第一识别结果保存在边缘纳管云端平台的存储器中，并记录车辆入场时间戳。
在车辆离开停车场时，通过摄像头采集车辆的出场图像信息，并使用预设的车牌识别模型对车辆的车牌进行识别，将第二识别结果与存储器中保存的第一识别结果进行匹配查询，如果匹配成功，则根据车辆入场时间戳和当前出场时间计算停车费用；如果匹配失败，则使用预设的匹配决策模型计算第二识别结果与所有第一识别结果的相似度，找到最大相似度对应的第一识别结果，并根据该结果的入场时间戳计算停车费用。
此外，该方法还使用了边缘纳管技术，即将采集到的入场图像信息和出场图像信息上传至边缘纳管云端平台进行处理，减轻了本地设备的负担，并能够实现实时处理和分析。此外，预设的车牌识别模型和匹配决策模型也可以根据实际需要进行优化和调整，提高***的准确性和性能。
参考图2和图3，在车辆进入停车场时，入口识别相机首先识别抓拍车牌图片，判断车辆是否入场，如果否，则继续监测，如果是，则入场计数器计数加一，同时将抓拍图片上传至云服务器，在云服务器中，进行OCR车牌识别和使用特征提取器提取特征，进而得到车辆型号、车辆品牌、车牌号码和车辆特征向量。最后，存储入场时间，车牌号码和入场次数。
在车辆离开停车场时，出口识别相机首先识别抓拍车牌图片，然后判断车辆是否出场，如果否，则继续监测，如果是则出场计数器计数加一，同时将抓拍图片上传至云服务器，进行OCR车牌识别和使用特征提取器进行特征提取，得到车辆型号、车辆品牌、车辆号码和车辆特征向量。最后，判断车辆是否为固定车辆，如果是，则计费0元，存储出场时间，车牌号，停车费用和出场次数；如果不是，则对本车场所有在场车辆数据进行入场记录匹配，根据匹配结果进行准确匹配和部分准确匹配，在部分准确匹配中，选择置信度最高的记录计费。
实施例2
在上一实施例的基础上，步骤S1中使用高清识别相机采集车辆在进入停车场的入场图像信息和离开停车场的出场图像信息。
步骤S1中使用高清识别相机采集车辆在进入停车场的入场图像信息和离开停车场的出场图像信息，这是实现车牌识别和车辆管理的重要基础，采用高清识别相机可以保证图像的清晰度和质量，提高车牌识别的准确性。
在实际应用中，高清识别相机一般具有高分辨率、高帧率、高动态范围等特点，能够在不同的光照条件下获取清晰的图像。此外，一些高端的高清识别相机还具有自适应曝光、自动对焦等功能，能够自动调整相机参数以适应不同的拍摄场景，从而进一步提高车牌识别的准确性和鲁棒性。
值得注意的是，采用高清识别相机进行图像采集会对***的成本和能耗产生一定的影响，需要在***设计中进行充分考虑。此外，还需要对高清识别相机进行合理的安装和调试，以确保图像采集的质量和稳定性。
实施例3
在上一实施例的基础上，所述步骤S1在采集到车辆进入停车场的入场图像信息和离开停车场的出场图像信息后，还包括对入场图像信息和出场图像信息进行图像处理的步骤，具体包括：对采集到的入场图像信息和出场图像信息进行图像预处理，得到预处理结果；对预处理结果进行车牌检测，以确定车牌区域，在基于确定的车牌区域进行车牌分割，以得到入场图像信息或出场图像信息的车牌部分和除车牌部分以外的其他图像部分；将车牌部分作为入场图像信息或出场图像信息，并附加上除车牌部分以外的其他图像部分作为附加信息。
步骤S1在采集到车辆进入停车场的入场图像信息和离开停车场的出场图像信息后，还包括对入场图像信息和出场图像信息进行图像处理的步骤。这一步骤的目的是提高车牌识别的准确性，通过图像预处理、车牌检测和车牌分割等操作，将图像中的车牌部分和其他部分分离出来，并将车牌部分作为入场图像信息或出场图像信息的一部分，同时将其他部分作为附加信息，为后续的车辆管理和计费提供更多的信息支持。
具体来说，图像预处理包括对采集到的入场图像信息和出场图像信息进行去噪、灰度化、锐化等操作，以提高图像质量和对比度。车牌检测则是针对预处理后的图像，在图像中定位出车牌的位置和大小，以便进行后续的车牌分割。车牌分割则是将车牌区域分离出来，得到车牌部分和其他部分的图像信息。
在实际应用中，图像预处理、车牌检测和车牌分割是车牌识别技术中的核心环节，能够直接影响到车牌识别的准确性和速度。针对不同的图像采集场景和车牌种类，需要选择合适的算法和参数，进行优化和调整，以实现最佳的识别效果。此外，车牌识别算法的实现还需要充分考虑***的资源和能耗，以实现高效的边缘计算。
实施例4
在上一实施例的基础上，所述图像预处理依次执行以下步骤：图像去噪、图像增强和灰度转换，得到预处理结果。
具体的，图像去噪是预处理的第一步，其目的是消除图像中的噪声，使得车牌区域更加清晰。图像去噪可以采用多种算法，比如中值滤波、高斯滤波等。这些算法可以根据不同的噪声类型和强度进行选择和优化。
图像增强是预处理的第二步，其目的是增强车牌区域的对比度，使得车牌区域更加鲜明。图像增强可以采用多种算法，比如直方图均衡化、对比度拉伸等。这些算法可以根据车牌图像的特点和光照条件进行选择和优化。
灰度转换是预处理的最后一步，其目的是将车牌图像转换为灰度图像，方便后续的车牌检测和车牌分割。灰度转换可以采用多种算法，比如平均值法、加权平均法等。这些算法可以根据车牌图像的特点和要求进行选择和优化。
需要注意的是，图像预处理的效果直接影响到后续车牌检测和车牌分割的准确性和鲁棒性，因此需要在实际应用中进行充分的实验和优化。同时，图像预处理也需要考虑***的资源和能耗等因素，以实现高效的边缘计算。
实施例5
在上一实施例的基础上，所述对预处理结果进行车牌检测，以确定车牌区域的方法包括：使用Sobel算子对预处理结果进行边缘检测，并使用霍夫变换进行直线检测，得到所有可能的直线候选集合；随机抽取两条直线作为车牌的边缘，并计算其交点坐标，作为车牌左上角的候选点；在车牌左上角的候选点的200x100像素构成的周围区域内，使用Sobel算子进行边缘检测，并使用霍夫变换进行直线检测，得到该区域内可能的直线候选集合；从直线候选集合中随机抽取一组直线，并计算其交点坐标，作为车牌右下角的候选点；将车牌左上角和右下角的候选点作为4个顶点，构成车牌的四边形；计算该四边形的得分，得分越高表示该四边形越像车牌，所述计算得分的公式为：
score＝w1*ratio+w2*compactness+w3*anglediff；
其中，ratio表示车牌的宽高比，compactness表示四边形的紧密度，定义为四边形内部区域与外部区域的面积比，angledif表示四边形边界的角度差，定义为四个角度之间的最大差值；score为四边形的得分；w1、w2和w3均为权重系数，为设定值；重复执行上述所有步骤N次，最后选取得分最高的四边形作为确定的车牌区域。
具体的，当进行车牌检测时，通常需要使用边缘检测算法来提取图像中的边缘信息。其中，Sobel算子是一种常用的边缘检测算法，能够提取图像中的水平和垂直边缘信息。
具体地说，使用Sobel算子进行边缘检测的具体过程如下：
对预处理结果进行灰度转换，得到灰度图像。定义Sobel算子，一般情况下是一个3x3的矩阵，分别为Sx和Sy，分别对应水平和垂直方向的边缘检测。Sx和Sy矩阵通常如下所示：
对灰度图像进行卷积操作，分别使用Sx和Sy算子进行卷积，得到水平方向和垂直方向的梯度图像Gx和Gy。
计算梯度幅值和方向，公式为：θ＝arctan(Gy/Gx)，其中G为梯度幅值，θ为梯度方向。
对梯度幅值进行二值化处理，将所有低于设定阈值的像素设置为0，所有高于设定阈值的像素设置为255。
得到边缘检测图像。
在实际应用中，Sobel算子可以根据需要进行优化和调整，以实现最佳的边缘检测效果。同时，Sobel算子还可以和其他边缘检测算法，如Canny算子等，进行组合使用，进一步提高车牌检测的准确性和鲁棒性。
使用霍夫变换进行直线检测的过程如下：
对图像进行边缘检测，得到边缘二值化图像。
定义一组参数空间，用于描述直线在图像中的可能性。对于二维直线检测，参数空间通常是两个参数：直线斜率k和截距b。
对于每个边缘点，在参数空间中增加该边缘点的可能性直线，即在k和b对应的位置上增加一个计数器。
对参数空间中的所有可能性直线进行统计，找出计数器值最高的直线，即为概率最大的直线。可以根据设定的阈值来确定直线是否存在。
对于检测到的每条直线，可以通过计算它们与图像边缘的交点来确定直线的位置和方向。
在车牌检测中，霍夫变换通常用于检测车牌的边缘直线。在确定车牌左上角的候选点时，通常可以先进行水平方向的直线检测，然后从直线候选集合中随机抽取两条直线作为车牌的左边缘和右边缘。在确定车牌右下角的候选点时，可以在左边缘和右边缘确定的区域内进行垂直方向的直线检测，然后从直线候选集合中随机抽取一条直线作为车牌的下边缘。
实施例6
在上一实施例的基础上，所述在基于确定的车牌区域进行车牌分割，以得到入场图像信息或出场图像信息的车牌部分和除车牌部分以外的其他图像部分的方法包括：将车牌区域的灰度图转换为二值图像；对二值图像进行形态学处理，去除不必要的噪声和细节，保留车牌上的连通区域；对车牌上的连通区域进行边缘检测，得到车牌区域的边缘；对边缘进行特征提取和描述，得到边缘的起点和终点的坐标信息，以及边缘的方向信息；构建边缘的邻接矩阵，根据边缘的方向信息进行邻接关系的判断；对邻接矩阵进行遍历，得到所有的强连通分量。对强连通分量进行筛选和处理，得到每个字符的边缘信息；根据每个字符的边缘信息，将车牌分割成若干个字符区域，将这些字符区域作为入场图像信息或出场图像信息的车牌部分。
具体的，在确定了车牌区域后，需要将车牌区域进一步分割，将车牌分成若干个字符区域，以便进行车牌识别。具体的车牌分割过程如下：
将车牌区域的灰度图像转换为二值图像，将车牌区域内的所有像素分成两类：车牌上的前景像素和背景像素。
对二值图像进行形态学处理，主要是去除不必要的噪声和细节，保留车牌上的连通区域。形态学处理通常包括腐蚀和膨胀两个步骤，可以根据实际情况调整参数，以实现最佳的车牌分割效果。
对车牌上的连通区域进行边缘检测，得到车牌区域的边缘。边缘可以通过Sobel算子等边缘检测算法得到。
对边缘进行特征提取和描述，得到边缘的起点和终点的坐标信息，以及边缘的方向信息。常用的特征提取算法包括Hough变换和Radon变换等。
构建边缘的邻接矩阵，根据边缘的方向信息进行邻接关系的判断。邻接矩阵可以表示边缘之间的邻接关系，可以根据实际需要进行优化和调整。
对邻接矩阵进行遍历，得到所有的强连通分量。强连通分量是指在车牌上存在连通性的边缘集合，通常可以表示一个字符或一个符号。
对强连通分量进行筛选和处理，得到每个字符的边缘信息。字符边缘可以通过一些几何特征，如宽度、高度、长宽比等，来进行筛选和判断。
根据每个字符的边缘信息，将车牌分割成若干个字符区域，将这些字符区域作为入场图像信息或出场图像信息的车牌部分。
实施例7
在上一实施例的基础上，所述车牌识别模型对入场图像信息进行识别或车牌识别模型对出场图像信息进行识别的方法包括：对车牌部分使用高斯滤波器进行平滑处理；再使用改进的Hessian矩阵检测关键点；在每个关键点周围的区域内计算Haar小波特征；使用Haar小波特征生成描述子；再基于描述子，使用预先建立的识别模板进行识别。
具体的车牌识别过程如下：
对车牌部分使用高斯滤波器进行平滑处理，以去除噪声和细节，保留车牌上的重要特征。
再使用改进的Hessian矩阵检测关键点。Hessian矩阵是一种二阶导数算子，可以检测图像中的局部极值点。改进的Hessian矩阵是指对原始Hessian矩阵进行改进和优化，以提高车牌关键点的检测效果。
在每个关键点周围的区域内计算Haar小波特征。Haar小波特征是一种用于图像特征提取的方法，它可以通过计算图像中不同尺度和方向的小波响应来描述图像的特征。
使用Haar小波特征生成描述子。描述子是指将车牌特征编码为固定长度的向量，以便进行比较和匹配。常用的描述子算法包括SIFT、SURF、ORB等。
再基于描述子，使用预先建立的识别模板进行识别。识别模板是指事先收集和建立的车牌号码样本库，可以根据车牌的特征和规律，将车牌号码转化为字符序列，并存储在模板库中。在识别时，可以通过比较描述子和模板库中的样本，找到最匹配的样本，并输出识别结果。
计算Haar小波特征的过程通常分为以下几个步骤：
将车牌部分图像分割成若干个小块，通常是4x4或8x8大小的块，每个块都是一个矩形区域。
对每个小块内的像素值进行Haar小波变换，得到水平、垂直和对角线三个方向上的响应值。通常使用2x2的Haar小波核对图像进行变换，这意味着每个块会得到3个响应值。
根据Haar小波变换的结果，计算每个小块内的Haar小波特征向量。Haar小波特征向量通常由多个不同方向和尺度的响应值构成，例如一个包含9个元素的向量，其中前三个表示水平方向的响应值，接下来三个表示垂直方向的响应值，最后三个表示对角线方向的响应值。
将所有小块内的Haar小波特征向量组合起来，得到整幅车牌图像的Haar小波特征向量，用于后续的识别过程。
需要注意的是，计算Haar小波特征需要进行多次小波变换和向量计算，计算量较大，因此通常需要使用计算加速技术，例如GPU加速、多线程计算等，以提高计算效率。
实施例8
在上一实施例的基础上，所述改进的Hessian矩阵定义为：
其中，其中，I是车牌部分，x和y是车牌部分中的坐标；改进的Hessian矩阵的特征值λ1和λ2用来判断点是否为极值点。
实施例9
在上一实施例的基础上，所述步骤S4中调用预设的匹配决策模型，基于第二识别结果，在存储器中对存储的所有第一识别结果进行相似度计算，得到相似度计算结果的方法包括：基于第二识别结果，调用其对应的附加信息，在存储器中对存储的所有第一识别结果进行相似度计算，得到相似度计算结果；其中，首先基于第二识别结果，在存储其中对存储的所有第一识别结果进行相似度计算，得到第一相似度计算结果；然后调用第二识别结果对应的出场图像信息中的附加信息与存储器中存储的第一识别结果对应的入场图像信息中的附加信息进行相似度计算，得到第二相似度计算结果；将第一相似度计算结果和第二相似度计算结果使用预设的加权系数进行加权平均运算后，得到最终的相似度计算结果。
具体的，在步骤S4中，基于第二识别结果进行相似度计算是为了找到与第二识别结果最相似的第一识别结果，以此确定该车辆的入场时间戳并计算停车费用。具体的相似度计算方法包括以下几个步骤：
首先，基于第二识别结果，调用其对应的附加信息，在存储器中对存储的所有第一识别结果进行相似度计算，得到第一相似度计算结果。相似度计算通常采用特征向量的余弦相似度或欧几里得距离等方法，用于衡量两个特征向量之间的相似度或距离。具体而言，可以将车牌识别模型中得到的Haar小波特征向量作为特征向量，计算两个特征向量之间的相似度或距离。
其次，调用第二识别结果对应的出场图像信息中的附加信息与存储器中存储的第一识别结果对应的入场图像信息中的附加信息进行相似度计算，得到第二相似度计算结果。这里的相似度计算方法也可以采用特征向量的余弦相似度或欧几里得距离等方法。
最后，将第一相似度计算结果和第二相似度计算结果使用预设的加权系数进行加权平均运算，得到最终的相似度计算结果。加权系数通常根据实际情况进行设定，例如可以根据两个相似度计算方法的准确性、稳定性和计算时间等指标进行权衡。
实施例10
在上一实施例的基础上，所述附加信息至少包括：车辆品牌、车辆颜色和车辆类型。
具体的，在步骤S1中，采集的入场图像信息和出场图像信息至少包括车辆的车牌部分。除了车牌部分之外，还可以获取车辆的其他信息，例如车辆品牌、车辆颜色和车辆类型等，这些信息可以作为附加信息存储在存储器中，用于后续的车辆识别和计费操作。
在车辆识别过程中，如果第二识别结果与存储器中的某个第一识别结果匹配成功，则直接根据该第一识别结果对应的入场时间戳计算停车费用；否则需要通过相似度计算找到与第二识别结果最相似的第一识别结果，并获取该第一识别结果对应的入场时间戳计算停车费用。在相似度计算中，除了利用车牌识别模型得到的Haar小波特征向量进行计算外，还可以考虑附加信息的相似度，以提高匹配精度和鲁棒性。例如，可以利用附加信息中的车辆品牌、车辆颜色和车辆类型等进行相似度计算，以进一步提高匹配的准确性和可靠性。
需要说明的是，上述装置(设备)实施例和可读存储介质实施例与方法实施例属于同一构思，其具体实现过程详见方法实施例。所述方法实施例中的技术特征在装置实施例中均对应适用，这里不再赘述。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上参照附图说明了本公开的优选实施例，并非因此局限本公开的权利范围。本领域技术人员不脱离本公开的范围和实质内所作的任何修改、等同替换和改进，均应在本公开的权利范围之内。

Claims (10)

1.一种基于边缘纳管技术的停车场车辆管理方法，其特征在于，所述方法执行以下步骤：
步骤S1：采集车辆进入停车场的入场图像信息和离开停车场的出场图像信息；所述入场图像信息和出场图像信息均至少包括车辆的车牌部分；
步骤S2：将采集到的入场图像信息上传至边缘纳管云端平台；所述边缘纳管云端平台使用预设的车牌识别模型对入场图像信息进行识别，得到第一识别结果，保存至所述边缘纳管云端平台的存储器，同时记录车辆入场时间戳；
步骤S3：将采集到的出场图像信息上传至边缘纳管云端平台；所述边缘纳管云端平台使用预设的车牌识别模型对出场图像信息进行识别，得到第二识别结果；基于第二识别结果，在存储器中对存储的所有第一识别结果进行匹配查询，得到匹配查询结果；
步骤S4：若匹配查询结果为真，则调用计费引擎根据当前出场时间和入场时间计算该车辆停车费用；若匹配查询结果为假，则调用预设的匹配决策模型，基于第二识别结果，在存储器中对存储的所有第一识别结果进行相似度计算，得到相似度计算结果；所述相似度计算结果为百分比结果，用于表征第二识别结果与存储器中存储的所有第一识别结果的相似度；找到最大的相似度计算结果对应的第一识别结果，并获取对应的车辆入场时间戳，调用计费引擎根据当前出场时间和入场时间计算该车辆停车费用。
2.如权利要求1所述的方法，其特征在于，步骤S1中使用高清识别相机采集车辆在进入停车场的入场图像信息和离开停车场的出场图像信息。
3.如权利要求1所述的方法，其特征在于，所述步骤S1在采集到车辆进入停车场的入场图像信息和离开停车场的出场图像信息后，还包括对入场图像信息和出场图像信息进行图像处理的步骤，具体包括：对采集到的入场图像信息和出场图像信息进行图像预处理，得到预处理结果；对预处理结果进行车牌检测，以确定车牌区域，在基于确定的车牌区域进行车牌分割，以得到入场图像信息或出场图像信息的车牌部分和除车牌部分以外的其他图像部分；将车牌部分作为入场图像信息或出场图像信息，并附加上除车牌部分以外的其他图像部分作为附加信息。
4.如权利要求3所述的方法，其特征在于，所述图像预处理依次执行以下步骤：图像去噪、图像增强和灰度转换，得到预处理结果。
5.如权利要求4所述的方法，其特征在于，所述对预处理结果进行车牌检测，以确定车牌区域的方法包括：使用Sobel算子对预处理结果进行边缘检测，并使用霍夫变换进行直线检测，得到所有可能的直线候选集合；随机抽取两条直线作为车牌的边缘，并计算其交点坐标，作为车牌左上角的候选点；在车牌左上角的候选点的200x100像素构成的周围区域内，使用Sobel算子进行边缘检测，并使用霍夫变换进行直线检测，得到该区域内可能的直线候选集合；从直线候选集合中随机抽取一组直线，并计算其交点坐标，作为车牌右下角的候选点；将车牌左上角和右下角的候选点作为4个顶点，构成车牌的四边形；计算该四边形的得分，得分越高表示该四边形越像车牌，所述计算得分的公式为：
score＝w1*ratio+w2*compactness+w3*anglediff；
其中，ratio表示车牌的宽高比，compactness表示四边形的紧密度，定义为四边形内部区域与外部区域的面积比，anglediff表示四边形边界的角度差，定义为四个角度之间的最大差值；score为四边形的得分；w1、w2和w3均为权重系数，为设定值；重复执行上述所有步骤N次，最后选取得分最高的四边形作为确定的车牌区域。
6.如权利要求5所述的方法，其特征在于，所述在基于确定的车牌区域进行车牌分割，以得到入场图像信息或出场图像信息的车牌部分和除车牌部分以外的其他图像部分的方法包括：将车牌区域的灰度图转换为二值图像；对二值图像进行形态学处理，去除不必要的噪声和细节，保留车牌上的连通区域；对车牌上的连通区域进行边缘检测，得到车牌区域的边缘；对边缘进行特征提取和描述，得到边缘的起点和终点的坐标信息，以及边缘的方向信息；构建边缘的邻接矩阵，根据边缘的方向信息进行邻接关系的判断；对邻接矩阵进行遍历，得到所有的强连通分量。对强连通分量进行筛选和处理，得到每个字符的边缘信息；根据每个字符的边缘信息，将车牌分割成若干个字符区域，将这些字符区域作为入场图像信息或出场图像信息的车牌部分。
7.如权利要求6所述的方法，其特征在于，所述车牌识别模型对入场图像信息进行识别或车牌识别模型对出场图像信息进行识别的方法包括：对车牌部分使用高斯滤波器进行平滑处理；再使用改进的Hessian矩阵检测关键点；在每个关键点周围的区域内计算Haar小波特征；使用Haar小波特征生成描述子；再基于描述子，使用预先建立的识别模板进行识别。
8.如权利要求7所述的方法，其特征在于，所述改进的Hessian矩阵定义为：
其中，其中，I是车牌部分，x和y是车牌部分中的坐标；改进的Hessian矩阵的特征值λ1和λ2用来判断点是否为极值点。
9.如权利要求8所述的方法，其特征在于，所述步骤S4中调用预设的匹配决策模型，基于第二识别结果，在存储器中对存储的所有第一识别结果进行相似度计算，得到相似度计算结果的方法包括：基于第二识别结果，调用其对应的附加信息，在存储器中对存储的所有第一识别结果进行相似度计算，得到相似度计算结果；其中，首先基于第二识别结果，在存储其中对存储的所有第一识别结果进行相似度计算，得到第一相似度计算结果；然后调用第二识别结果对应的出场图像信息中的附加信息与存储器中存储的第一识别结果对应的入场图像信息中的附加信息进行相似度计算，得到第二相似度计算结果；将第一相似度计算结果和第二相似度计算结果使用预设的加权系数进行加权平均运算后，得到最终的相似度计算结果。
10.如权利要求9所述的方法，其特征在于，所述附加信息至少包括：车辆品牌、车辆颜色和车辆类型。
CN202310508871.3A 2023-05-08 2023-05-08 一种基于边缘纳管技术的停车场车辆管理方法 Pending CN116665321A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310508871.3A CN116665321A (zh) 2023-05-08 2023-05-08 一种基于边缘纳管技术的停车场车辆管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310508871.3A CN116665321A (zh) 2023-05-08 2023-05-08 一种基于边缘纳管技术的停车场车辆管理方法

Publications (1)

Publication Number Publication Date
CN116665321A true CN116665321A (zh) 2023-08-29

Family

ID=87708865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310508871.3A Pending CN116665321A (zh) 2023-05-08 2023-05-08 一种基于边缘纳管技术的停车场车辆管理方法

Country Status (1)

Country Link
CN (1) CN116665321A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117496607A (zh) * 2023-11-07 2024-02-02 武汉无线飞翔科技有限公司 一种基于etc计费的智能停车场管理方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117496607A (zh) * 2023-11-07 2024-02-02 武汉无线飞翔科技有限公司 一种基于etc计费的智能停车场管理方法及***
CN117496607B (zh) * 2023-11-07 2024-06-07 武汉无线飞翔科技有限公司 一种基于etc计费的智能停车场管理方法及***

Similar Documents

Publication Publication Date Title
Wei et al. Multi-target defect identification for railway track line based on image processing and improved YOLOv3 model
CN111178291B (zh) 一种停车支付***以及停车支付方法
WO2020173022A1 (zh) 一种识别车辆违章行为的方法、服务器及存储介质
Comelli et al. Optical recognition of motor vehicle license plates
US8509478B2 (en) Detection of objects in digital images
Li et al. An anti-fraud system for car insurance claim based on visual evidence
CN112270310A (zh) 一种基于深度学习的跨摄像头行人多目标跟踪方法和装置
CN114549981A (zh) 一种基于深度学习的智能巡检指针式仪表识别及读数方法
CN104978567A (zh) 基于场景分类的车辆检测方法
CN114387591A (zh) 车牌识别方法、***、设备及存储介质
CN116665321A (zh) 一种基于边缘纳管技术的停车场车辆管理方法
Hendryli et al. Automatic license plate recognition for parking system using convolutional neural networks
Ganapathy et al. A Malaysian vehicle license plate localization and recognition system
da Silva et al. ALPRs-A new approach for license plate recognition using the SIFT algorithm
CN113112479A (zh) 基于关键区块提取的渐进式目标检测方法和装置
CN112418262A (zh) 车辆再识别的方法、客户端及***
CN109325487B (zh) 一种基于目标检测的全种类车牌识别方法
CN116152758A (zh) 一种智能实时事故检测及车辆跟踪方法
Satish et al. Edge assisted fast binarization scheme for improved vehicle license plate recognition
CN111046876A (zh) 基于纹理检测技术的车牌字符快速识别方法及其***
Fu Automatic license plate recognition using neural network and signal processing
Fernandez et al. Raspberry Pi based ANPR for Smart Access
CN118097581B (zh) 一种道路边缘识别控制方法及装置
CN113536839B (zh) 数据处理方法及装置、实现定位的方法及装置和智能设备
Mani et al. An Efficient Method for License Plate Detection and Recognition using OCR

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518000, Building 502, Nanhai Yiku, Xinghua Road, Shekou, Shuiwan Community, Merchants Street, Nanshan District, Shenzhen, Guangdong Province

Applicant after: Shenzhen easy Alliance Technology Co.,Ltd.

Address before: 413, Building 2, Nanhai Yiku, Xinghua Road, Shekou, Shuiwan Community, Merchants Street, Nanshan District, Shenzhen City, Guangdong Province, 518000

Applicant before: Shenzhen easy Alliance Technology Co.,Ltd.

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination