CN112598005B - 一种武警车牌字符分割方法、存储介质及计算机设备 - Google Patents
一种武警车牌字符分割方法、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN112598005B CN112598005B CN202011552151.XA CN202011552151A CN112598005B CN 112598005 B CN112598005 B CN 112598005B CN 202011552151 A CN202011552151 A CN 202011552151A CN 112598005 B CN112598005 B CN 112598005B
- Authority
- CN
- China
- Prior art keywords
- detection
- license plate
- character
- characters
- result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 110
- 230000011218 segmentation Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 13
- 239000010410 layer Substances 0.000 claims description 43
- 239000002356 single layer Substances 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
- G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Input (AREA)
Abstract
本发明属于智能交通领域，具体涉及武警车牌字符分割方法、存储介质及计算机设备，其方法包括：训练用于检测“WJ”组合字符的检测模型该模型将Hog与SVM相结合，其中Hog用于特征检测，SVM用于分类输出；训练字符检测模型M(n)，该模型将车牌上的“WJ”组合字符整体标注为目标，将剩余部分以单个字符进行标注为前景；用模型对图像进行“WJ”组合字符检测；对车牌中除“WJ”组合字符外剩余部分的字符进行分割；若存在“WJ”组合字符字样，剩余字符使用模型M(n)检测。本发明解决了因车牌类型分类不准确、“WJ”字符粘连严重带来的字符分割错误及不精确问题。
Description
技术领域
本发明属于智能交通领域，具体涉及武警车牌字符分割方法、存储介质及计算机设备。
背景技术
车牌识别系统是智能交通系统中重要组成部分之一，车牌字符分割是车牌识别系统中重要的一环，字符分割质量的好坏直接影响字符识别准确性。新武警车牌在字符规格上变化较大，警种标志“WJ”较其它类型车牌粘连更为紧密，增加了将“W”和“J”有效切开的难度。
现有的武警车牌字符分割方法，一般是投影和模板匹配的方法，例如于2009年10月28日公开的发明专利CN101567042A和于2016年6月1日公开的发明专利CN105631470A，都在一定程度上解决了武警车牌字符分割问题。投影和模板匹配的方法对精确定位后的车牌字符分割具有较好鲁棒性，然而这些方法都需要提前进行准确的车牌类型判断；因每种特殊车牌都具有不同的分割方法，车牌类型的判断过程中容易出现单层“警”字车牌、单层军牌车牌识别为单层武警车牌(或单层武警车牌识别为单层军牌、警牌车牌)、双层军牌识别为双层武警车牌的情形，错误分类的车牌只有当分割和识别均准确时才能弥补车牌类型分类错误带来的问题，降低了武警车牌分割效率及识别率，而且车牌存在一定角度、非车牌区域噪声较大时，因此投影和模板匹配的方法效果均不够理想。
发明内容
为解决现有技术所存在的技术问题，本发明提供一种武警车牌字符分割方法、存储介质及计算机设备，使用Hog与SVM(方向梯度直方图与支持向量机)相结合的“WJ”组合字符检测方法，解决了因车牌类型分类不准确、“WJ”字符粘连严重带来的字符分割错误及不精确问题。
本发明方法采用以下技术方案来实现：一种武警车牌字符分割方法，包括以下步骤：
S1、训练用于检测“WJ”组合字符的检测模型该检测模型将方向梯度直方图Hog与支持向量机SVM相结合，其中方向梯度直方图Hog用于特征描述，支持向量机SVM用于分类输出；
S2、训练字符检测模型M(n)，该检测模型M(n)将车牌上的“WJ”组合字符整体标注为目标，将剩余部分以单个字符进行标注为前景；
S3、用检测模型对图像进行“WJ”组合字符检测；
S4、对车牌中除“WJ”组合字符外剩余部分的字符进行分割；若存在“WJ”组合字符字样，剩余字符使用检测模型M(n)检测，最终的分割结果是和M(n)检测结果的组合。
本发明的存储介质上存储有计算机指令，当计算机指令被处理器执行时，实现本发明武警车牌字符分割方法的各步骤。
本发明的计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，当处理器运行所述计算机程序时，执行本发明武警车牌字符分割方法的各步骤。
本发明与现有技术相比，具有如下优点和有益效果：
1、当存在单层军牌车牌识别为单层武警车牌(或单层武警车牌识别为单层军牌、警牌车牌)、双层军牌识别为双层武警车牌的情形时，本发明不仅能准确分割武警车牌的字符，还能对武警车牌再次分析判断，及时对车牌类型的分类结果进行纠正，提高了武警车牌的识别率，减少了对车牌类型分类的依赖。
2、当车牌存在一定角度时，传统的基于投影和模板匹配的方法需要提前对车牌进行旋转矫正，当矫正失败时，由于“WJ”组合字符粘连较为严重，很难通过投影方法确定字符左右边框，从而影响分割效果。本发明提出的“WJ”组合字符分割方法，不仅提高了车牌角度偏正时字符分割的准确率，且对车牌存在一定角度时仍然具有较好的鲁棒性。
附图说明
图1为本发明字符分割方法的流程图；
图2为正负样本图像的示意图，a图为正样本图像，b图为负样本图像；
图3为字符检测网络的结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
本实施例中，武警车牌字符分割方法的流程如图1所示，详细步骤如下：
步骤S1、训练用于检测“WJ”组合字符的Hog+SVM检测模型
S11、搜集正、负样本图像。正样本图像是带有“WJ”组合字符字样的图片，负样本图像是没有“WJ”字样的图片，负样本图像由1或2个字符组成，包括两个字符都不全的样本，如图2所示，其中a图为正样本图像，b图为负样本图像。
S12、将每张正、负样本图像转为灰度图，并缩放到M*M大小，M*M为4的偶数倍。
S13、对缩放后的M*M图像进行Hog(Histogram of Oriented Gradient，方向梯度直方图)特征描述，其中块block的大小为M/4*M/4像素，2*2细胞组成块block，细胞单元大小为M/8*M/8像素，采用9个直方图来统计一个细胞单元里的特征信息，块block的滑动步长为M/8个像素，最终用于描述一张样本图像的特征向量维度是1764，训练出一个支持向量机的分类模型其中表示特征向量。
S14、搜集多种不同类型车牌的测试数据，包括武警单层车牌、武警双层车牌的测试数据。
S15、把分类模型转换为用于Hog特征检测的检测器将步骤S14所搜集的测试数据转为灰度图并进行尺度归一化处理，对于单层车牌缩放的大小为204*54像素，双层车牌缩放的大小为220*110像素；然后使用检测器对尺度归一化后的测试数据进行多尺度检测，搜集误检目标，送入检测器继续迭代训练，最终获得的Hog+SVM检测模型记为
步骤S2、训练字符检测模型M(n)
针对车牌字符检测，本实施例提出用于字符检测的MobilePlateNet检测模型。如图3，MobilePlateNet检测模型的输入图像大小为128*256像素，其主干网络包括依次连接的conv0卷积层、深度可分离卷积层和附加层，深度可分离卷积层包括依次连接的conv1/dw+conv1到conv13/dw+conv13共13个深度可分离卷积层，附加层包括相连接的conv14卷积层和conv15卷积层，并从conv11、conv13、conv14、conv15卷积层中分别抽出回归层，每层回归层都具有15个PriorBox；每层回归层均分别与回归器、分类器连接。
将多种车牌作为MobilePlateNet检测模型训练的标注目标，对武警车牌上的“WJ”组合字符整体进行标注，标注为目标，将剩余部分以单个字符进行标注，标注为前景，即除了“W”、“J”与“WJ”组合字符之外的所有字符都归为同一类(即均作为前景这一类)，对MobilePlateNet网络检测模型进行训练，训练后的字符检测模型记为M(n)。
步骤S3、用Hog+SVM检测模型对图像进行“WJ”组合字符检测
在上述步骤S2中，训练样本“W”、“J”与“WJ”都属于目标字符一类，且“WJ”组合字符样本数目相对其它字符严重不足，M(n)检测模型对“WJ”组合字符检测结果具有不确定性；为提高“WJ”组合字符检测与分割的准确性，本实施例采用Hog+SVM检测模型检测的“WJ”位置作为“WJ”组合字符分割的位置，具体检测过程为：
将输入图像转为灰度图，并缩放到一定的预设像素大小，对于单层车牌缩放的大小为204*54，对于双层车牌缩放的大小为220*110；用检测模型对输入图像做多尺度检测，检测结果记为R(h)。多尺度检测后发现“WJ”组合字符字样在单、双层车牌中具有位置固定的特点，根据这种特点对多尺度检测结果R(h)进行过滤筛选，剔除多尺度检测结果R(h)中与理论位置差别较大的检测框，筛选结果记为R(a)；若筛选结果R(a)数值大于等于1(即不为0)，则保留其中x轴坐标值最小的矩形框作为“WJ”组合字符的检测结果，记为R'(h)；若筛选结果R(a)的数值为0，则退出武警车牌字符分割过程。
上述过滤筛选的过程为：
(1)、判断多尺度检测结果R(h)是否为空，若为空，则退出武警车牌字符分割过程。
(2)、若多尺度检测结果R(h)不为空，判断R(h)大小是否为1，若为1，接着判断相应的检测框左上角的x坐标是否超过预设阈值xth；若该x坐标在预设阈值之内，则将这个多尺度检测结果作为“WJ”组合字符检测结果R'(h)；若该x坐标超过预设阈值，则退出武警车牌字符分割过程。
(3)、若多尺度检测结果R(h)大小超过1，首先根据相应的检测框左上角的x坐标是否超过预设阈值进行筛选，筛选后的结果记为R(a)；若筛选后R(a)大小为0，退出武警车牌字符分割过程；若筛选后R(a)大小为1，将这个结果作为“WJ”组合字符检测结果R'(h)；若筛选后R(a)大小超过1，则对R(a)按x坐标由小到大进行排序，选取x坐标最小的那个结果作为“WJ”组合字符检测结果R'(h)。
步骤S4、对车牌中除“WJ”组合字符外剩余部分的字符进行分割。若存在“WJ”组合字符字样，剩余字符使用检测模型M(n)检测，最终的分割结果是和M(n)检测结果的组合。
S41、当筛选结果R(a)的数值不为0时，将车牌缩放到128*256大小，使用检测模型M(n)对整张车牌进行检测，检测结果记为M(m)；对于单层车牌，将检测结果M(m)按x坐标升序排序，对于双层车牌，将检测结果M(m)分上下两层，上层排前、下层排后，分别按x坐标升序排序，排序后的结果记为M(a)；
S42、由于MobilePlateNet检测模型在准确检测目标时，检测框具有准确包含字符的特点，可根据矩形框重叠度来剔除排序结果M(a)中属于字符位置不精确的误检。不妨拿单层车牌举例，设当前矩形框为bn，其中bn∈M(a),前一矩形框、后一矩形框分别表示为bn-1、bn+1，当前矩形框bn与前一矩形框bn-1相交面积记为Sn(n-1)，当前矩形框bn与后一矩形框bn+1相交面积记为Sn(n+1)，是否误检的判断方法如下：
其中Th表示阈值，Sn表示当前矩形框面积，即当前矩形框和前一矩形框、后一矩形框相交面积与当前矩形框面积的比值都超过阈值时，认为当前矩形框bn属于误检目标，剔除误检后的结果记为M'(m)。
S43、如步骤S31所述，考虑剔除误解后的结果M'(m)可能存在“WJ”组合字符中的某个或两个字符，要根据R'(h)来剔除掉M'(m)里面存在“WJ”中的某个或某两个字符的矩形框，以实现M'(m)只包含除“WJ”组合字符以外其他字符的分割。不妨设M'(m)中的一个矩形框为am，am与R'(h)中的一个矩形框的重叠面积记为SH∩M。
S44、遍历M'(m)中所有矩形框am，当存在SH∩M与矩形框am面积的比值超过某个设定阈值时，认为am属于“WJ”组合字符部分的结果，用R'(h)值覆盖am，其它不满足设定阈值的矩形框am信息保持不变，循环结束后，删除M'(m)中值相同的矩形框，最终的分割结果记为Res。
S45、遍历M'(m)中所有矩形框am，当不存在SH∩M与矩形框am面积的比值超过某个设定阈值时，则表明M'(m)未携带“WJ”组合字符信息，将R'(h)的值插入M'(m)中，按x坐标升序排序后所得的最终分割结果记为Res。
当最终分割结果Res的矩形框数目为7时，返回分割成功的信息，否则返回分割失败的信息。
由以上实施例可知，本发明的武警车牌分割方法，首先使用基于目标检测方法，提高“WJ”字符检测准确率，降低漏检率，使用Hog+SVM(方向梯度直方图+支持向量机)与MobilePlateNet(车牌字符分割神经网络)检测模型相结合的字符检测办法，该方法解决了单(或双)层车牌之间因类型分类不准确而降低了武警车牌分割效率与识别率的问题，有效处理深度学习检测算法在样本不均衡时各类别检测差别大的问题，且同时实现单层和双层武警车牌的分割，对存在一定角度的车牌仍具有较好鲁棒性。
本发明采用了MobilePlateNet检测模型，该模型针对车牌字符特点，以及单、双层车牌字符分布进行设计，每个回归层都使用同组15个不同比例的PriorBox；为提高字符分割的准确性，对MobilePlateNet检测模型检测结果多方面后处理。
本发明中Hog与SVM相结合(即Hog+SVM)训练的检测器旨在检测和分割“WJ”组合字样，而整张车牌除“WJ”之外还可能出现单独“W”或“J”字样，考虑MobilePlateNet检测模型可能会出现“W”、“J”、“WJ”三种不同的情况，为提高字符分割的鲁棒性，本发明采用融合Hog+SVM、MobilePlateNet检测模型的方法，精确分割“WJ”字符，同时保留MobilePlateNet检测模型对除“WJ”字符外其它字符的分割结果，二者相互结合构成整张车牌的分割结果。
基于相同的发明构思，本实施例还提出存储介质，其上存储有计算机指令，当计算机指令被处理器执行时，实现上述武警车牌字符分割方法的步骤S1-S4。
基于相同的发明构思，本实施例还提出计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，当处理器运行所述计算机程序时，执行上述武警车牌字符分割方法的步骤S1-S4。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.一种武警车牌字符分割方法，其特征在于，包括以下步骤：
S1、训练用于检测“WJ”组合字符的检测模型该检测模型将方向梯度直方图Hog与支持向量机SVM相结合，其中方向梯度直方图Hog用于特征描述，支持向量机SVM用于分类输出；
S2、训练字符检测模型M(n)，该检测模型M(n)将车牌上的“WJ”组合字符整体标注为目标，将剩余部分以单个字符进行标注为前景；
S3、用检测模型对图像进行“WJ”组合字符检测；
S4、对车牌中除“WJ”组合字符外剩余部分的字符进行分割；若存在“WJ”组合字符字样，剩余字符使用检测模型M(n)检测，最终的分割结果是和M(n)检测结果的组合；
步骤S2的字符检测模型M(n)为MobilePlateNet检测模型，其主干网络包括依次连接的conv0卷积层、深度可分离卷积层和附加层，深度可分离卷积层包括依次连接的conv1/dw+conv1到conv13/dw+conv13共13个深度可分离卷积层，附加层包括相连接的conv14卷积层和conv15卷积层，并从conv11、conv13、conv14、conv15卷积层中分别抽出回归层，每层回归层均分别与回归器、分类器连接；
步骤S3将输入图像转为灰度图，并缩放到预设像素大小；用检测模型对输入图像做多尺度检测，检测结果记为R(h)；多尺度检测后“WJ”组合字符字样在单、双层车牌中位置固定，对R(h)进行过滤筛选，剔除R(h)中与理论位置差别大的检测框，筛选结果记为R(a)；若R(a)数值大于等于1，则保留其中x轴坐标值最小的矩形框作为“WJ”组合字符的检测结果，记为R'(h)；若R(a)的数值为0，则退出武警车牌字符分割过程；
过滤筛选的过程为：
(1)、判断多尺度检测结果R(h)是否为空，若为空，则退出武警车牌字符分割过程；
(2)、若多尺度检测结果R(h)不为空，判断R(h)大小是否为1，若为1则判断相应的检测框左上角的x坐标是否超过预设阈值；若该x坐标在预设阈值之内，则将这个多尺度检测结果作为“WJ”组合字符检测结果R'(h)；若该x坐标超过预设阈值，则退出武警车牌字符分割过程；
(3)、若多尺度检测结果R(h)大小超过1，首先根据相应的检测框左上角的x坐标是否超过预设阈值进行筛选，筛选后的结果记为R(a)；若筛选后R(a)大小为0，退出武警车牌字符分割过程；若筛选后R(a)大小为1，将这个结果作为“WJ”组合字符检测结果R'(h)；若筛选后R(a)大小超过1，则对R(a)按x坐标由小到大进行排序，选取x坐标最小的那个结果作为“WJ”组合字符检测结果R'(h)；
步骤S4包括：
S41、当筛选结果R(a)的数值不为0时，将车牌缩放，使用检测模型M(n)对整张车牌进行检测，检测结果记为M(m)；对于单层车牌，将检测结果M(m)按x坐标升序排序，对于双层车牌，将检测结果M(m)分上下两层，分别按x坐标升序排序，排序后的结果记为M(a)；
S42、根据矩形框重叠度来剔除排序结果M(a)中属于字符位置不精确的误检，剔除误检后的结果记为M'(m)；
S43、根据R'(h)来剔除M'(m)里面存在“WJ”中的某个或两个字符的矩形框，以实现M'(m)只包含除“WJ”组合字符以外其他字符的分割；设M'(m)中的一个矩形框为am，am与R'(h)中的一个矩形框的重叠面积记为SH∩M；
S44、遍历M'(m)中所有矩形框am，当存在SH∩M与矩形框am面积的比值超过设定阈值时，认为am属于“WJ”组合字符部分的结果，用R'(h)值覆盖am，其它不满足设定阈值的矩形框am信息保持不变，循环结束后，删除M'(m)中值相同的矩形框，最终的分割结果记为Res；
S45、遍历M'(m)中所有矩形框am，当不存在SH∩M与矩形框am面积的比值超过某个设定阈值时，则表明M'(m)未携带“WJ”组合字符信息，将R'(h)的值插入M'(m)中，按x坐标升序排序后所得的最终分割结果记为Res。
2.根据权利要求1所述的武警车牌字符分割方法，其特征在于，步骤S1包括：
S11、搜集正、负样本图像，正样本图像为带有“WJ”组合字符字样的图片，负样本图像为没有“WJ”字样的图片；
S12、将每张正、负样本图像转为灰度图，并缩放到M*M大小，M*M为4的偶数倍；
S13、对缩放后的M*M图像进行方向梯度直方图特征描述，训练出一个支持向量机的分类模型其中表示特征向量；
S14、搜集多种不同类型车牌的测试数据，包括武警单层车牌、武警双层车牌的测试数据；
S15、把分类模型转换为用于Hog特征检测的检测器将步骤S14所搜集的测试数据转为灰度图并进行尺度归一化处理；然后使用检测器对尺度归一化后的测试数据进行多尺度检测，搜集误检目标，送入检测器继续迭代训练，最终获得的检测模型记为
3.根据权利要求2所述的武警车牌字符分割方法，其特征在于，步骤S13中进行方向梯度直方图特征描述时，块block的大小为M/4*M/4像素，2*2细胞组成块block，细胞单元大小为M/8*M/8像素，采用9个直方图来统计一个细胞单元里的特征信息，块block的滑动步长为M/8个像素。
4.根据权利要求1所述的武警车牌字符分割方法，其特征在于，步骤S42中对于单层车牌，设当前矩形框为bn，其中bn∈M(a),前一矩形框、后一矩形框分别表示为bn-1、bn+1，当前矩形框bn与前一矩形框bn-1相交面积记为Sn(n-1)，当前矩形框bn与后一矩形框bn+1相交面积记为Sn(n+1)，是否误检的判断方法如下：
其中Th表示阈值，Sn表示当前矩形框面积，即当前矩形框和前一矩形框、后一矩形框相交面积与当前矩形框面积的比值都超过阈值时，认为当前矩形框bn属于误检目标。
5.存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时，实现权利要求1-4中任一项所述的武警车牌字符分割方法的步骤。
6.计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时，执行权利要求1-4中任一项所述武警车牌字符分割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011552151.XA CN112598005B (zh) | 2020-12-24 | 2020-12-24 | 一种武警车牌字符分割方法、存储介质及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011552151.XA CN112598005B (zh) | 2020-12-24 | 2020-12-24 | 一种武警车牌字符分割方法、存储介质及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112598005A CN112598005A (zh) | 2021-04-02 |
| CN112598005B true CN112598005B (zh) | 2024-10-25 |
Family
ID=75201942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011552151.XA Active CN112598005B (zh) | 2020-12-24 | 2020-12-24 | 一种武警车牌字符分割方法、存储介质及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112598005B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113392838B (zh) * | 2021-08-16 | 2021-11-19 | 智道网联科技(北京)有限公司 | 字符分割方法、装置及字符识别方法、装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200210A (zh) * | 2014-08-12 | 2014-12-10 | 合肥工业大学 | 一种基于部件的车牌字符分割方法 |
| CN105184291A (zh) * | 2015-08-26 | 2015-12-23 | 深圳市捷顺科技实业股份有限公司 | 一种多类型车牌检测方法及系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184317B (zh) * | 2015-08-29 | 2019-03-15 | 电子科技大学 | 一种基于svm分类的车牌字符分割方法 |
| CN105631470A (zh) * | 2015-12-21 | 2016-06-01 | 深圳市捷顺科技实业股份有限公司 | 一种车牌类型验证的方法及系统 |
| CN106529592A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于混合特征与灰度投影的车牌识别方法 |
| CN107590498B (zh) * | 2017-09-27 | 2020-09-01 | 哈尔滨工业大学 | 一种基于字符分割级联二分类器的自适应汽车仪表检测方法 |
| CN109657664B (zh) * | 2017-10-12 | 2021-02-05 | 杭州海康威视数字技术股份有限公司 | 一种车牌类型的识别方法、装置及电子设备 |
| CN109255344B (zh) * | 2018-08-15 | 2022-02-18 | 华中科技大学 | 一种基于机器视觉的数显式仪表定位与读数识别方法 |
| CN109409409A (zh) * | 2018-09-21 | 2019-03-01 | 长沙理工大学 | 基于hog+cnn的交通标志的实时检测方法 |
| CN109993171B (zh) * | 2019-03-12 | 2022-05-03 | 电子科技大学 | 一种基于多模板和多比例的车牌字符分割方法 |
| CN109993134A (zh) * | 2019-04-04 | 2019-07-09 | 中山大学 | 一种基于hog和svm分类器的道路交叉口车辆检测方法 |
| CN111709417B (zh) * | 2020-05-28 | 2023-09-22 | 西安理工大学 | 一种矿车车牌识别方法 |
-
2020
- 2020-12-24 CN CN202011552151.XA patent/CN112598005B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200210A (zh) * | 2014-08-12 | 2014-12-10 | 合肥工业大学 | 一种基于部件的车牌字符分割方法 |
| CN105184291A (zh) * | 2015-08-26 | 2015-12-23 | 深圳市捷顺科技实业股份有限公司 | 一种多类型车牌检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112598005A (zh) | 2021-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109308476B (zh) | 票据信息处理方法、系统及计算机可读存储介质 | |
| EP3806064A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| CN106650731B (zh) | 一种鲁棒的车牌、车标识别方法 | |
| CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
| CN110866430B (zh) | 一种车牌识别方法及装置 | |
| CN112016605B (zh) | 一种基于边界框角点对齐和边界匹配的目标检测方法 | |
| CN104424466A (zh) | 对象检测方法、对象检测设备及图像拾取设备 | |
| CN111091124B (zh) | 一种书脊文字识别方法 | |
| CN114067186B (zh) | 一种行人检测方法、装置、电子设备及存储介质 | |
| CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
| CN116704490B (zh) | 车牌识别方法、装置和计算机设备 | |
| CN114038004A (zh) | 一种证件信息提取方法、装置、设备及存储介质 | |
| CN111898491A (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
| CN111626145A (zh) | 一种简捷有效的残缺表格识别及跨页拼接方法 | |
| CN112651996B (zh) | 目标检测跟踪方法、装置、电子设备和存储介质 | |
| CN112598005B (zh) | 一种武警车牌字符分割方法、存储介质及计算机设备 | |
| CN110728214B (zh) | 一种基于尺度匹配的弱小人物目标检测方法 | |
| CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
| US20220405527A1 (en) | Target Detection Methods, Apparatuses, Electronic Devices and Computer-Readable Storage Media | |
| CN111914706B (zh) | 一种文字检测输出结果质量检测和控制的方法与装置 | |
| CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
| CN111612045A (zh) | 一种获取目标检测数据集的通用方法 | |
| CN114972757B (zh) | 一种隧道渗漏水区域识别方法及系统 | |
| CN112446375A (zh) | 车牌识别方法、装置、设备及存储介质 | |
| CN110956174A (zh) | 一种器件编号的识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |