[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN108701234A - 车牌识别方法及云系统 - Google Patents

车牌识别方法及云系统 Download PDF

Info

Publication number
CN108701234A
CN108701234A CN201880001017.5A CN201880001017A CN108701234A CN 108701234 A CN108701234 A CN 108701234A CN 201880001017 A CN201880001017 A CN 201880001017A CN 108701234 A CN108701234 A CN 108701234A
Authority
CN
China
Prior art keywords
image
license plate
information
plate image
car
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
CN201880001017.5A
Other languages
English (en)
Inventor
梁昊
南冰
南一冰
廉士国
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.)
Cloudminds Inc
Original Assignee
Cloudminds 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 Cloudminds Inc filed Critical Cloudminds Inc
Publication of CN108701234A publication Critical patent/CN108701234A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Character Input (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了车牌识别方法及云系统，所述方法包括：对获取到的图像信息进行检测，得到车牌图像及其边界信息；根据所述边界信息对所述车牌图像进行校正处理，得到校正后的车牌图像；提取校正后的车牌图像中的多个字符图像，并利用多个预设的识别模型对所述多个字符图像进行识别，得到车牌的识别结果。相较于传统的车牌识别，本申请满足通用场景下对车牌精确识别的需求，而不局限于卡口等特定场景，具有较强的鲁棒性。

Description

车牌识别方法及云系统
技术领域
本申请涉及深度学习技术领域，特别涉及车牌识别方法及云系统。
背景技术
随着车辆数量的爆炸式增长，对车辆的管理难度不断升高，尤其是在车辆违章的监控中，以及套牌车查证的过程中，作为车辆身份表征的车牌号是需要提取的关键信息。因此，通过计算机自动提取车辆的车牌信息，能够有效减少车辆管理过程中的工作量，解放可观的人力资源，而车牌识别主要包括车牌定位、字符提取和字符识别三个步骤，具体如下：
传统的车牌定位主要依靠某一种特定的特征，在图像中寻找可能是车牌的候选框，通过分类器对所有的候选框进行是否是车牌的二分类判断，但由于车辆所处环境的复杂多变，利用某一种或多种特定的特征无法在通用场景下对车牌进行有效定位，因此传统的车牌识别主要针对卡口等特定场景，极大地影响了车牌识别在实际应用中的推广。
传统的字符提取主要分为连通域法和投影法，连通域法是对定位的车牌进行二值化处理，通过对连通域的分析实现对字符的分割，从而提取出字符的二值化图像；投影法是根据车牌的灰度投影曲线图中波峰波谷的分布情况实现对字符的分割和提取。在摄像头像素较低或图像噪声过大的情况下，传统的字符提取存在的问题有：对于连通域法，噪声导致二值化处理的误差较大，从而导致对提取出的字符特征影响较大；对于投影法，噪声影响波峰波谷的分布，使得曲线图中的波峰和波谷相对不明显或者出现多余的波峰和波谷，从而对字符的正确分割影响较大。可见，传统的字符提取对硬件设备的要求较高，对车牌识别的应用推广阻碍较大。
传统的字符识别主要分为基于模板匹配和基于特征分类器的识别方法，基于模板匹配的识别方法为通过构建模板库将待识别字符与模板库中的模板匹配，实现对字符的识别；基于特征分类器的识别方法为通过提取字符的某一种特征，利用特征分类器实现对字符的识别。两种识别方法存在的问题有：基于模板匹配的识别方法对环境的要求较高，如车牌的损坏，或者光照变化都会影响待识别字符与模板的匹配结果；基于特征分类器的识别方法需要针对特定的场景提取特定的特征，对其在通用场景下的推广阻碍较大。
随着深度学习在各技术领域的不断推广，开始逐渐利用卷积神经网络来实现对车牌的识别，而基于车牌图像中字符较小的特点，利用具备基础功能的卷积神经网络无法较好的提取字符特征，无法实现对字符的有效识别，且国内车牌的字符类别较多，导致传统的车牌识别在国内的持续推广受到了限制。
发明内容
本申请实施例提出了车牌识别方法及云系统，以解决现有车牌识别主要针对卡口等单一场景，且对硬件设备的要求较高，导致在通用场景下实用性较差的技术问题。
在一个方面，本申请实施例提供了一种车牌识别方法，包括：
对获取到的图像信息进行检测，得到车牌图像及其边界信息；
根据所述边界信息对所述车牌图像进行校正处理，得到校正后的车牌图像；
提取校正后的车牌图像中的多个字符图像，并利用多个预设的识别模型对所述多个字符图像进行识别，得到车牌的识别结果。
在另一个方面，本申请实施例提供了一种车牌识别云系统，包括：
检测模块，用于对获取到的图像信息进行检测，得到车牌图像及其边界信息；
校正模块，用于根据所述边界信息对所述车牌图像进行校正处理，得到校正后的车牌图像；
识别模块，用于提取校正后的车牌图像中的多个字符图像，并利用多个预设的识别模型对所述多个字符图像进行识别，得到车牌的识别结果。
在另一个方面，本申请实施例提供了一种电子设备，所述电子设备包括：
收发设备，存储器，一个或多个处理器；以及
一个或多个模块，所述一个或多个模块被存储在所述存储器中，并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行上述方法中各个步骤的指令。
在另一个方面，本申请实施例提供了一种与电子设备结合使用的计算机程序产品，所述计算机程序产品包括计算机可读的存储介质和内嵌于其中的计算机程序机制，所述计算机程序机制包括用于执行上述方法中各个步骤的指令。
有益效果如下：
本实施例中，通过对获取到的图像信息进行检测，得到车牌图像及其边界信息，根据所述边界信息对所述车牌图像进行校正处理，得到校正后的车牌图像，提取校正后的车牌图像中的多个字符图像，并利用多个预设的识别模型对所述多个字符图像进行识别，得到车牌的识别结果。相较于传统的车牌识别，本申请满足通用场景下对车牌精确识别的需求，而不局限于卡口等特定场景，具有较强的鲁棒性。
附图说明
下面将参照附图描述本申请的具体实施例，其中：
图1为本申请实施例一中车牌识别的方法原理图；
图2为本申请实施例一中车牌识别的车牌角度示意图；
图3为本申请实施例二中车牌识别的云系统结构图；
图4为本申请实施例三中电子设备的结构示意图。
具体实施方式
以下通过具体示例，进一步阐明本发明实施例技术方案的实质。
为了使本申请的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。并且在不冲突的情况下，本说明中的实施例及实施例中的特征可以互相结合。
发明人在发明过程中注意到：
传统的车牌识别中包括的车牌定位、字符提取和字符识别三个步骤均存在一定的弊端，对于车牌定位，由于车辆所处环境的复杂多变，利用某一种或多种特定的特征无法在通用场景下对车牌进行有效定位；对于字符提取，在摄像头像素较低或图像噪声过大的情况下，导致对提取出的字符特征影响较大；对于字符识别，对车辆所处环境的要求较高，或者需要针对特定的场景提取特定的特征，因此，对其在通用场景下的推广阻碍较大。
针对上述不足/基于此，本申请实施例提出了根据获取到的图像，利用多重检测技术得到车牌图像及其边界信息，根据边界信息对车牌图像进行校正处理，并提取校正处理后的车牌图像中的多个字符图像，以及利用训练好的多个识别模型对提取的多个字符图像进行识别，输出车牌的识别结果，从而实现对大倾角车牌的准确识别，以及针对不同场景下提升车牌识别的鲁棒性，同时满足通用场景下对车牌精确识别的需求。
为了便于本申请的实施，下面实例进行说明。
实施例1
图1示出了本申请实施例一中车牌识别的方法原理图，如图1所示，该方法包括：
步骤101：对获取到的图像信息进行检测，得到车牌图像及其边界信息。
步骤102：根据所述边界信息对所述车牌图像进行校正处理，得到校正后的车牌图像。
步骤103：提取校正后的车牌图像中的多个字符图像，并利用多个预设的识别模型对所述多个字符图像进行识别，得到车牌的识别结果。
在步骤101中，利用基于深度学习的粗检测得到粗略的车牌图像，并对粗略的车牌图像中的边缘信息和颜色信息进行车牌细检测，得到车牌图像及其边界信息，即通过多重检测技术保证对大倾角车牌边界的准确定位，以及基于边缘、颜色等特征信息的车牌检测使得本申请在针对不同场景时的车牌检测的鲁棒性较强，从而适用于通用场景而无需局限于卡口等特定场景。
在步骤102中，有别于现有技术，在对车牌图像进行方向校正时，通常采用直接旋转的方式对车牌进行倾斜校正，本申请针对倾斜、偏斜车牌，利用仿射变换处理得到规则的车牌矩形图像，从而有效提升步骤103中提取校正后的车牌图像中的多个字符图像的精确度。
在本实施例中，对获取到的图像信息进行检测，得到车牌图像及其边界信息，包括：
利用预设的神经网络模型，根据获取到的图像信息得到待确定车牌图像；
根据所述待确定车牌图像中的边缘信息和颜色信息得到车牌图像及其边界信息。
实施中，预设的神经网络模型为预先训练好的基于深度学习的检测模型，即对采集到的图像信息进行正确的分类标注，通过正向传输和反向传导，对构建的初始化的深度学习网络中的网络参数进行训练，得到训练好的基于深度学习的检测模型。
实施中，利用基于深度学习的检测模型，对获取到的图像信息进行车牌粗检测，得到车牌的外接矩形信息(如，外接矩形的边界坐标)，定位出粗略的车牌图像，提取粗略的车牌图像的边缘信息和颜色信息，利用Sobel算子和颜色匹配方法对提取到的边缘信息和颜色信息进行车牌细检测，定位出精确的车牌图像及其边界信息。
在本实施例中，根据所述边界信息对所述车牌图像进行校正处理，得到校正后的车牌图像，包括：
根据所述边界信息计算出车牌的倾斜角和偏斜角；
根据所述车牌的倾斜角和偏斜角，对所述车牌图像进行仿射变换，得到校正后的车牌图像。
实施中，图2示出了本申请实施例一中车牌识别的车牌角度示意图，如图2所示，车牌图像的边界信息包括车牌的形状和边界坐标，根据车牌的形状和边界坐标，计算出车牌的倾斜角θ和偏斜角，并根据倾斜角θ和偏斜角，对车牌图像进行仿射变换，得到校正后的车牌图像。
在本实施例中，提取校正后的车牌图像中的多个字符图像，包括：
对校正后的车牌图像进行二值化和形态学处理，得到校正后的车牌图像中多个字符的位置信息；以及，
对校正后的车牌图像进行灰度处理，得到车牌灰度图像；
根据所述多个字符的位置信息，对所述车牌灰度图像进行字符提取，得到校正后的车牌图像中的多个字符图像。
实施中，对校正后的车牌图像依次进行二值化、闭操作、取轮廓、取最小外接矩形处理，计算校正后的车牌图像内的连通域，并根据连通域对校正后的车牌图像中的字符进行分割，得到字符位置。同时，对校正后的车牌图像进行灰度化，得到车牌灰度图像，并根据得到的字符位置提取车牌灰度图像中的多个字符灰度图像。
在本实施例中，多个预设的识别模型包括用于识别文字的识别模型，以及用于识别英文字母和数字的识别模型。
实施中，预设的识别模型为预先训练好的基于深度学习的识别模型，即对采集到的字符图像进行正确的分类标注，通过正向传输和反向传导，对构建的初始化的深度学习网络中的网络参数进行训练，得到训练好的基于深度学习的用于识别文字的第一识别模型，用于识别英文字母和数字的第二识别模型，以及用于识别文字、英文字母和数字的第三识别模型，即通过训练多个字符分类器，减少单一字符分类器需要分类标注的类别，以提升车牌识别的准确度。其中，可根据实际情况的需要设定识别模型的数量，本实施不对识别模型的数量进行限定。
实施中，利用多个识别模型对提取到的多个字符灰度图像进行识别，具体为，将字符灰度图像A1导入到第一识别模型中，输出得到对应的识别结果Z1；将字符灰度图像A2-A6分别导入到第二识别模型中，输出得到对应的识别结果Z2-Z6；将字符灰度图像A7导入到第三识别模型中，输出得到对应的识别结果Z7，从而得到车牌的识别结果。
本申请以具体场景为例，对本申请实施例1进行详细描述，具体流程如下：
步骤201：利用预先建立的数据集对深度学习网络进行线下训练，得到用于线上车牌检测的深度学习模型M1，以及用于线上字符识别的深度学习模型M2，M3，M4。
步骤202：获取图像信息，利用深度学习模型M1对图像信息进行粗检测，得到粗略的车牌图像，提取粗略的车牌图像的边缘信息和颜色信息，利用Sobel算子和颜色匹配方法对提取到的边缘信息和颜色信息进行车牌细检测，定位出精确的车牌图像及其边界信息。
步骤203：根据车牌图像的边界信息，利用仿射变换对检测到的倾斜或偏斜的车牌图像进行校正处理，通过对校正处理后的车牌图像进行二值化和形态学处理，得到校正处理后的车牌图像中7个字符的位置信息，同时，对校正后的车牌图像进行灰度化，得到车牌灰度图像，并根据得到的字符位置提取车牌灰度图像中的7个字符灰度图像。
步骤204：利用预先训练好的深度学习模型M2，M3，M4，分别对提取到的7个字符灰度图像进行识别，输出车牌的识别结果，并跳转至步骤202继续对下一个图像信息进行车牌识别。
实施例2
基于同一发明构思，本申请实施例中还提供了一种车牌识别的云系统，由于这些设备解决问题的原理与一种车牌识别的方法相似，因此这些设备的实施可以参见方法的实施，重复之处不再赘述。
图3示出了本申请实施例二中车牌识别的云系统结构图，如图3所示，车牌识别的云系统300可以包括：检测模块301、校正模块302和识别模块303。
检测模块301，用于对获取到的图像信息进行检测，得到车牌图像及其边界信息。
校正模块302，用于根据所述边界信息对所述车牌图像进行校正处理，得到校正后的车牌图像。
识别模块303，用于提取校正后的车牌图像中的多个字符图像，并利用多个预设的识别模型对所述多个字符图像进行识别，得到车牌的识别结果。
在本实施例中，检测模块301包括：
利用预设的神经网络模型，根据获取到的图像信息得到待确定车牌图像；
根据所述待确定车牌图像中的边缘信息和颜色信息得到车牌图像及其边界信息。
在本实施例中，校正模块302包括：
根据所述边界信息计算出车牌的倾斜角和偏斜角；
根据所述车牌的倾斜角和偏斜角，对所述车牌图像进行仿射变换，得到校正后的车牌图像。
在本实施例中，提取校正后的车牌图像中的多个字符图像，包括：
对校正后的车牌图像进行二值化和形态学处理，得到校正后的车牌图像中多个字符的位置信息；以及，
对校正后的车牌图像进行灰度处理，得到车牌灰度图像；
根据所述多个字符的位置信息，对所述车牌灰度图像进行字符提取，得到校正后的车牌图像中的多个字符图像。
在本实施例中，多个预设的识别模型包括用于识别文字的识别模型，以及用于识别英文字母和数字的识别模型。
实施例3
基于同一发明构思，本申请实施例中还提供了一种电子设备，由于其原理与一种车牌识别的方法相似，因此其实施可以参见方法的实施，重复之处不再赘述。
图4示出了本申请实施例三中电子设备的结构示意图，如图4所示，所述电子设备包括：收发设备401，存储器402，一个或多个处理器403；以及一个或多个模块，所述一个或多个模块被存储在所述存储器中，并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行任一上述方法中各个步骤的指令。
实施例4
基于同一发明构思，本申请实施例还提供了一种与电子设备结合使用的计算机程序产品，由于其原理与一种车牌识别的方法相似，因此其实施可以参见方法的实施，重复之处不再赘述。所述计算机程序产品包括计算机可读的存储介质和内嵌于其中的计算机程序机制，所述计算机程序机制包括用于执行任一上述方法中各个步骤的指令。
为了描述的方便，以上所述装置的各部分以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

Claims (12)

1.一种车牌识别方法，其特征在于，包括：
对获取到的图像信息进行检测，得到车牌图像及其边界信息；
根据所述边界信息对所述车牌图像进行校正处理，得到校正后的车牌图像；
提取校正后的车牌图像中的多个字符图像，并利用多个预设的识别模型对所述多个字符图像进行识别，得到车牌的识别结果。
2.如权利要求1所述的方法，其特征在于，所述对获取到的图像信息进行检测，得到车牌图像及其边界信息，包括：
利用预设的神经网络模型，根据获取到的图像信息得到待确定车牌图像；
根据所述待确定车牌图像中的边缘信息和颜色信息得到车牌图像及其边界信息。
3.如权利要求1所述的方法，其特征在于，所述根据所述边界信息对所述车牌图像进行校正处理，得到校正后的车牌图像，包括：
根据所述边界信息计算出车牌的倾斜角和偏斜角；
根据所述车牌的倾斜角和偏斜角，对所述车牌图像进行仿射变换，得到校正后的车牌图像。
4.如权利要求1或3所述的方法，其特征在于，所述提取校正后的车牌图像中的多个字符图像，包括：
对校正后的车牌图像进行二值化和形态学处理，得到校正后的车牌图像中多个字符的位置信息；以及，
对校正后的车牌图像进行灰度处理，得到车牌灰度图像；
根据所述多个字符的位置信息，对所述车牌灰度图像进行字符提取，得到校正后的车牌图像中的多个字符图像。
5.如权利要求1所述的方法，其特征在于，所述多个预设的识别模型包括用于识别文字的识别模型，以及用于识别英文字母和数字的识别模型。
6.一种车牌识别云系统，其特征在于，包括：
检测模块，用于对获取到的图像信息进行检测，得到车牌图像及其边界信息；
校正模块，用于根据所述边界信息对所述车牌图像进行校正处理，得到校正后的车牌图像；
识别模块，用于提取校正后的车牌图像中的多个字符图像，并利用多个预设的识别模型对所述多个字符图像进行识别，得到车牌的识别结果。
7.如权利要求6所述的云系统，其特征在于，所述检测模块包括：
利用预设的神经网络模型，根据获取到的图像信息得到待确定车牌图像；
根据所述待确定车牌图像中的边缘信息和颜色信息得到车牌图像及其边界信息。
8.如权利要求6所述的云系统，其特征在于，所述校正模块包括：
根据所述边界信息计算出车牌的倾斜角和偏斜角；
根据所述车牌的倾斜角和偏斜角，对所述车牌图像进行仿射变换，得到校正后的车牌图像。
9.如权利要求6或8所述的云系统，其特征在于，所述提取校正后的车牌图像中的多个字符图像，包括：
对校正后的车牌图像进行二值化和形态学处理，得到校正后的车牌图像中多个字符的位置信息；以及，
对校正后的车牌图像进行灰度处理，得到车牌灰度图像；
根据所述多个字符的位置信息，对所述车牌灰度图像进行字符提取，得到校正后的车牌图像中的多个字符图像。
10.如权利要求6所述的云系统，其特征在于，所述多个预设的识别模型包括用于识别文字的识别模型，以及用于识别英文字母和数字的识别模型。
11.一种电子设备，其特征在于，所述电子设备包括：
收发设备，存储器，一个或多个处理器；以及
一个或多个模块，所述一个或多个模块被存储在所述存储器中，并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行权利要求1-5中任一所述方法中各个步骤的指令。
12.一种与电子设备结合使用的计算机程序产品，所述计算机程序产品包括计算机可读的存储介质和内嵌于其中的计算机程序机制，所述计算机程序机制包括用于执行权利要求1-5中任一所述方法中各个步骤的指令。
CN201880001017.5A 2018-03-05 2018-03-05 车牌识别方法及云系统 Pending CN108701234A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/078044 WO2019169532A1 (zh) 2018-03-05 2018-03-05 车牌识别方法及云系统

Publications (1)

Publication Number Publication Date
CN108701234A true CN108701234A (zh) 2018-10-23

Family

ID=63841511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880001017.5A Pending CN108701234A (zh) 2018-03-05 2018-03-05 车牌识别方法及云系统

Country Status (2)

Country Link
CN (1) CN108701234A (zh)
WO (1) WO2019169532A1 (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287793A (zh) * 2019-05-23 2019-09-27 北京爱诺斯科技有限公司 一种可识别视力验光单的图像分析方法
CN110427937A (zh) * 2019-07-18 2019-11-08 浙江大学 一种基于深度学习的倾斜车牌矫正和不定长车牌识别方法
CN111126383A (zh) * 2019-12-06 2020-05-08 广州烽火众智数字技术有限公司 车牌检测方法、系统、装置及存储介质
CN111339846A (zh) * 2020-02-12 2020-06-26 深圳市商汤科技有限公司 图像识别方法及装置、电子设备和存储介质
CN111368816A (zh) * 2020-02-27 2020-07-03 深圳中兴网信科技有限公司 车牌识别方法、系统、装置和计算机可读存储介质
CN111476109A (zh) * 2020-03-18 2020-07-31 深圳中兴网信科技有限公司 票据处理方法、票据处理装置和计算机可读存储介质
CN111652208A (zh) * 2020-04-17 2020-09-11 北京三快在线科技有限公司 用户界面组件的识别方法、装置、电子设备及存储介质
CN111914678A (zh) * 2020-07-10 2020-11-10 浙江大华技术股份有限公司 一种多车辆车牌匹配的方法、装置及存储介质
CN112052845A (zh) * 2020-10-14 2020-12-08 腾讯科技（深圳）有限公司 图像识别方法、装置、设备及存储介质
CN112446375A (zh) * 2019-09-03 2021-03-05 上海高德威智能交通系统有限公司 车牌识别方法、装置、设备及存储介质
CN112651417A (zh) * 2019-10-12 2021-04-13 杭州海康威视数字技术股份有限公司 车牌识别方法、装置、设备及存储介质
CN112699875A (zh) * 2020-12-31 2021-04-23 阳光保险集团股份有限公司 一种文字识别方法、装置、电子设备及存储介质
CN113688658A (zh) * 2020-05-18 2021-11-23 华为技术有限公司 一种对象识别方法、装置、设备及介质

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686246B (zh) * 2019-10-18 2024-01-02 深圳市优必选科技股份有限公司 一种车牌字符分割方法、装置、存储介质及终端设备
CN110969160B (zh) * 2019-11-21 2023-04-14 合肥工业大学 一种基于深度学习的车牌图像校正、识别方法及系统
CN118097577A (zh) * 2020-02-10 2024-05-28 西安艾润物联网技术服务有限责任公司 车牌校正方法、etc天线设备及计算机可读存储介质
CN111340045B (zh) * 2020-02-12 2023-09-01 浙江大华技术股份有限公司 车牌号码的识别方法、装置及存储介质
CN111860512B (zh) * 2020-02-25 2023-12-05 北京嘀嘀无限科技发展有限公司 一种车辆识别方法、装置、电子设备及计算机可读存储介质
CN111476234B (zh) * 2020-03-17 2024-05-24 平安科技（深圳）有限公司 一种遮挡车牌字符识别方法、装置、存储介质和智能设备
CN111382722B (zh) * 2020-03-23 2023-09-05 浙江大华技术股份有限公司 车牌图像优选方法、图像处理装置及具有存储功能的装置
CN111507342B (zh) * 2020-04-21 2023-10-10 浙江大华技术股份有限公司 一种图像处理方法、装置、系统及存储介质
CN113762233A (zh) * 2020-06-05 2021-12-07 北京都是科技有限公司 车牌检测方法、系统、装置及热红外图像处理器
CN112001383B (zh) * 2020-08-10 2024-09-10 长沙奇巧匠人软件有限公司 一种基于卷积神经网络技术的水表码智能识别方法
CN112016556B (zh) * 2020-08-21 2022-07-15 中国科学技术大学 多类型车牌识别方法
CN112133101B (zh) * 2020-09-22 2021-11-26 杭州海康威视数字技术股份有限公司 增强车牌区域的方法、装置、摄像装置、计算设备及存储介质
CN112215222A (zh) * 2020-10-12 2021-01-12 上海眼控科技股份有限公司 车牌识别方法、装置、设备及存储介质
CN112232237B (zh) * 2020-10-20 2024-03-12 城云科技（中国）有限公司 车辆流量的监控方法、系统、计算机设备和存储介质
CN112883973A (zh) * 2021-03-17 2021-06-01 北京市商汤科技开发有限公司 车牌识别方法、装置、电子设备和计算机存储介质
CN113326843B (zh) * 2021-06-17 2022-11-18 讯飞智元信息科技有限公司 车牌识别方法、装置、电子设备和可读存储介质
CN113673513A (zh) * 2021-08-06 2021-11-19 浙江大华技术股份有限公司 一种车牌识别方法、装置、设备及介质
CN113688649B (zh) * 2021-08-16 2024-09-13 江苏博赛孚医疗科技有限公司 一种快速的qr码定位方法
CN114463757A (zh) * 2022-01-28 2022-05-10 上海电机学院 基于机器视觉的工业场景字符端侧推理训练装置及方法
CN115661807B (zh) * 2022-12-28 2023-04-07 成都西物信安智能系统有限公司 一种获取车牌信息的方法
CN118430277A (zh) * 2024-06-12 2024-08-02 江苏理工学院 一种智慧停车场的智能标识系统及标识方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006080568A1 (ja) * 2005-01-31 2006-08-03 Nec Corporation 文字読取り装置、文字読取り方法及び該文字読取り装置に用いられる文字読取り制御プログラム
CN105279512A (zh) * 2015-10-22 2016-01-27 东方网力科技股份有限公司 一种倾斜车牌识别方法和装置
CN106203418A (zh) * 2016-07-14 2016-12-07 北京精英智通科技股份有限公司 一种车牌检测的方法及装置
CN107180230A (zh) * 2017-05-08 2017-09-19 上海理工大学 通用车牌识别方法
CN107679531A (zh) * 2017-06-23 2018-02-09 平安科技（深圳）有限公司 基于深度学习的车牌识别方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101102572B1 (ko) * 2009-01-15 2012-01-04 주식회사 비츠로씨앤씨 차량 번호판 인식방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006080568A1 (ja) * 2005-01-31 2006-08-03 Nec Corporation 文字読取り装置、文字読取り方法及び該文字読取り装置に用いられる文字読取り制御プログラム
CN105279512A (zh) * 2015-10-22 2016-01-27 东方网力科技股份有限公司 一种倾斜车牌识别方法和装置
CN106203418A (zh) * 2016-07-14 2016-12-07 北京精英智通科技股份有限公司 一种车牌检测的方法及装置
CN107180230A (zh) * 2017-05-08 2017-09-19 上海理工大学 通用车牌识别方法
CN107679531A (zh) * 2017-06-23 2018-02-09 平安科技（深圳）有限公司 基于深度学习的车牌识别方法、装置、设备及存储介质

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287793A (zh) * 2019-05-23 2019-09-27 北京爱诺斯科技有限公司 一种可识别视力验光单的图像分析方法
CN110427937A (zh) * 2019-07-18 2019-11-08 浙江大学 一种基于深度学习的倾斜车牌矫正和不定长车牌识别方法
CN110427937B (zh) * 2019-07-18 2022-03-22 浙江大学 一种基于深度学习的倾斜车牌矫正和不定长车牌识别方法
CN112446375A (zh) * 2019-09-03 2021-03-05 上海高德威智能交通系统有限公司 车牌识别方法、装置、设备及存储介质
CN112651417A (zh) * 2019-10-12 2021-04-13 杭州海康威视数字技术股份有限公司 车牌识别方法、装置、设备及存储介质
CN111126383A (zh) * 2019-12-06 2020-05-08 广州烽火众智数字技术有限公司 车牌检测方法、系统、装置及存储介质
CN111339846A (zh) * 2020-02-12 2020-06-26 深圳市商汤科技有限公司 图像识别方法及装置、电子设备和存储介质
CN111339846B (zh) * 2020-02-12 2022-08-12 深圳市商汤科技有限公司 图像识别方法及装置、电子设备和存储介质
CN111368816A (zh) * 2020-02-27 2020-07-03 深圳中兴网信科技有限公司 车牌识别方法、系统、装置和计算机可读存储介质
CN111476109A (zh) * 2020-03-18 2020-07-31 深圳中兴网信科技有限公司 票据处理方法、票据处理装置和计算机可读存储介质
CN111652208A (zh) * 2020-04-17 2020-09-11 北京三快在线科技有限公司 用户界面组件的识别方法、装置、电子设备及存储介质
CN113688658A (zh) * 2020-05-18 2021-11-23 华为技术有限公司 一种对象识别方法、装置、设备及介质
CN113688658B (zh) * 2020-05-18 2024-06-28 华为云计算技术有限公司 一种对象识别方法、装置、设备及介质
CN111914678A (zh) * 2020-07-10 2020-11-10 浙江大华技术股份有限公司 一种多车辆车牌匹配的方法、装置及存储介质
CN112052845A (zh) * 2020-10-14 2020-12-08 腾讯科技（深圳）有限公司 图像识别方法、装置、设备及存储介质
CN112699875A (zh) * 2020-12-31 2021-04-23 阳光保险集团股份有限公司 一种文字识别方法、装置、电子设备及存储介质
CN112699875B (zh) * 2020-12-31 2024-10-18 阳光保险集团股份有限公司 一种文字识别方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
WO2019169532A1 (zh) 2019-09-12

Similar Documents

Publication Publication Date Title
CN108701234A (zh) 车牌识别方法及云系统
CN104463209B (zh) 一种基于bp神经网络的pcb板上数字代码识别方法
CN109145759B (zh) 车辆属性识别方法、装置、服务器及存储介质
CN109583483B (zh) 一种基于卷积神经网络的目标检测方法和系统
CN107679531A (zh) 基于深度学习的车牌识别方法、装置、设备及存储介质
CN109934847B (zh) 弱纹理三维物体姿态估计的方法和装置
US10445602B2 (en) Apparatus and method for recognizing traffic signs
CN109871845B (zh) 证件图像提取方法及终端设备
CN111709980A (zh) 基于深度学习的多尺度图像配准方法和装置
WO2019171628A1 (en) Image processing system and image processing method
CN112070137B (zh) 训练数据集的生成方法、目标对象检测方法及相关设备
US10902264B2 (en) Automatic generation of secondary class annotations
CN109558844A (zh) 基于图像归一化提升自定义模板识别率的方法及设备
CN110827312A (zh) 一种基于协同视觉注意力神经网络的学习方法
CN111783541A (zh) 一种文本识别方法和装置
CN109523570A (zh) 运动参数计算方法及装置
CN112950528A (zh) 证件姿态确定方法、模型训练方法、装置、服务器及介质
CN110414522A (zh) 一种字符识别方法及装置
CN114494773A (zh) 一种基于深度学习的零件分拣识别系统和方法
CN112883959B (zh) 身份证照完整性检测方法、装置、设备及存储介质
Abbas Recovering homography from camera captured documents using convolutional neural networks
CN113724329A (zh) 融合平面与立体信息的目标姿态估计方法、系统和介质
JP2019191973A (ja) 学習画像生成装置及び学習画像生成方法、並びに画像認識装置及び画像認識方法
CN106056575B (zh) 一种基于似物性推荐算法的图像匹配方法
CN113313725A (zh) 含能材料药桶的桶口识别方法及系统

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: 20181023

RJ01 Rejection of invention patent application after publication