车牌检测

摘要： 针对交通监控视频场景下车牌检测性能较低的问题,提出一种车牌检测与跟踪框架。为进一步改善面向监控视频中的车牌检测,一种合理的方法是利用相邻帧之间的上下文信息。通过车辆跟踪,间接为视频序列中的每个车牌分配一个唯一的ID。基于此扩展当前最先进的车牌检测模型,进一步提高检测性能。提出一种具有深度特征的孪生网络目标跟踪算法实现稳健的车牌跟踪,提供更加准确的定位结果。在创建的交通监控车牌数据集进行大量实验,验证了所提算法的车牌检测性能高于其它算法,验证了其有效性。

摘要： 深度学习是机器学习最新的研究方向,实践证明在OCR和Object Detection算法上采用深度学习算法精度更高、鲁棒性更好。利用深度学习进行车牌识别的过程主要分为车牌检测、车牌识别两大阶段。在非限制条件下,如光线、天气等因素造成的干扰,识别准确率仍是一项具有挑战性的研究工作,文章提出一种基于改进YOLOv5的算法,实现车牌快速定位,并通过实验进行论证,结果表明能够有效提高车牌检测的检测精度和速度。

摘要： 本文通过OpenCV图像处理技术确定车牌的具体位置,通过神经网络(CNN)识别车牌的符号。车牌的定位和切割是整个系统非常重要的步骤,本系统可以精确地定位车牌和切割车牌中字符。各个功能环节划分清晰,层间联系少而精准,整体系统程序的服务舒适度良好。该软件系统具有高可靠性的图像识别技术,具有较高的实用价值。

摘要： 随着经济的蓬勃发展、科技的不断进步,车牌检测技术逐渐成为智能交通系统中的一个关键性环节。然而交通环境的愈加复杂化,也给车牌检测技术带来了新的机会和困难。在更加多变的真实场景下,传统车牌检测技术面临着巨大的挑战,检测性能的不足会导致更多的新生问题和增加较多的交通管理成本。近年来,基于深度学习的方法已经在车牌检测领域取得了显著进步,然而检测速度慢、面临复杂场景时检测精度不够等问题依然存在。本文基于单阶段的通用目标检测框架,构建了一种快速轻量的车牌检测算法。采用了轻量化特征提取的基础网络结构,相较于其他基于深度学习的方法,大幅减少了参数量,提高了检测速度,同时我们利用神经结构搜索(NAS)改进了模型中特征金字塔关键部分,在不损失模型性能的前提下,提高了模型的学习能力并优化了特征抽取方式。通过在CCPD-green数据集上的大量对比实验证明,改进后的模型相较于传统的单阶段检测算法,在定性和定量方面都取得了进步。

摘要： 针对当前车牌识别算法对于小尺寸车牌识别率较低的问题,本文做出以下改进:在车牌定位阶段,在主干网络中加入金字塔分割注意力机制(EPSA),并引入α-CIoU损失函数,再通过增加网络的检测尺度,以提高车牌定位精度。在车牌识别阶段,利用车牌模拟实现中文数据增强。实验验证,改进的车牌定位方法准确率达到98.8%,模型大小为14.9MB;车牌识别的准确率达到96.5%,识别的模型大小为7.1MB;而且改进后算法,内存占比小,可靠性强,可以应对复杂背景的下车牌识别。

摘要： 针对普通场景车牌识别存在的问题,本文提出使用"OpenCV图像处理+自适应卷积神经网络"的方法来处理汽车图像。该方法通过对汽车图像进行定位检测将车牌数据提取出来,再使用卷积神经网络进行识别,整体的准确率达到97%。实验结果表明,该方法具有较高的准确率。

摘要： 车牌识别是对实时图像中的车牌区域进行感知和截取,进行光学字符识别的过程.针对人工检测效率低的弊端,设计了一种应用于Android移动平台的车牌识别检测系统,利用OpenCV视觉开发库进行二次开发,使用支持向量机对图像进行判断,截取有效车牌区,并使用人工神经网络中的多层感知机模型实现字符的识别.测试结果表明,该系统检测速度快,准确性能高,对硬件设备要求低,实现了在移动环境下对车牌信息的有效检测和采集.

摘要： 目的 随着智能交通领域车牌应用需求的升级,以及车牌图像复杂性的提高,自然场景下的车牌识别面临挑战.为应对自然场景下车牌的不规则变形问题,充分考虑车牌的形状特征,提出了一种自然场景下的变形车牌检测模型DLPD-Net(distorted license plate detection network).方法 该模型首次将免锚框目标检测方法应用于车牌检测任务中,不再使用锚框获取车牌候选区域,而是基于车牌热力值图与偏移值图来预测车牌中心;然后基于仿射变换寻找车牌角点位置,将变形车牌校正为接近于正面视角的平面矩形,从而实现在各种自然场景下变形车牌的检测.结果 一方面,基于数据集CD-HARD评估DLPD-Net检测算法的性能;另一方面,基于数据集AOLP(the application-oriented license plate database)和CD-HARD评估基于DLPD-Net的车牌识别系统的有效性.实验结果表明,DLPD-Net具有更好的变形车牌检测性能,能够提升车牌识别系统的识别准确率,在数据集CD-HARD上识别准确率为79.4％,高出其他方法4.4％～12.1％,平均处理时间为237 ms.在数据集AOLP上取得了96.6％的识别准确率,未使用扩充数据集的情况下识别准确率达到了94.9％,高出其他方法1.6％～25.2％,平均处理时间为185 ms.结论 本文提出的自然场景下的变形车牌检测模型DLPD-Net,能够实现在多种变形条件下的车牌检测,鲁棒性强,对遮挡、污垢和图像模糊等复杂自然环境下的车牌检测具有良好检测效果,同时,基于该检测模型的车牌识别系统在非受限的自然场景下具有更高的实用性.

摘要： 林区的治安防护管理一直是人们所欠缺关注的问题,林区作案、林区动植物的盗伐都透露出林区治安防护管理的短板.本文致力于机器视觉在林区的应用,为加强林区的防盗伐能力提出一种融合图像去雾处理的车牌检测算法,该方法采用限定对比度自适应直方图均衡化的技术去除大雾天、雨雪天等图像模糊的干扰,结合车牌的颜色、长宽比形态等特征对雾雨雪天气下的车牌进行检测.该方法相比普通车牌检测方法的效果有较大提升,雾雨雪天气环境下检测车牌的准确率可以达到88.00％,而普通车牌检测方法达到的准确率仅为82.67％.初步证明了本文提出的算法在林区雾雨雪天气下应用的可行性.

摘要： 车牌识别在智能交通系统中有着广泛的应用,具有重要的意义,是图像识别领域一个重要而富有挑战性的研究课题。目前的许多方法只能适应在特定的环境下,才能完成正常的识别。而在现实复杂的场景中的鲁棒性不高。本文提出了一种在复杂的场景中鲁棒的车牌识别方法。首先,通过EfficientDet网络检测车辆所在的位置,从而缩小车牌位置的搜索范围,通过失真校正的车牌检测网络,检测并校正同一幅图像中一个或多个严重扭曲或倾斜的车牌;其次,将校正后的车牌输入到卷积递归神经网络(CRNN)和联接主义时态分类(CTC)的时态分类结合的车牌识别神经网络中,最终获得车牌的准确信息。实验结果表明,该方法在检测和识别的精度和速度上均优于其它方法。

摘要： 车牌照识别系统是车辆检测系统中的一个重要环节,它在交通管理中占有重要的地位,有着多种应用,例如自动收费系统、不停车缴费、失窃车辆的查寻、停车场车辆管理等.同时,汽车牌照识别的方法还可应用到其他检测和识别领域.所以汽车牌照的识别问题已成为现代交通工程领域中研究的重点和热点问题之一.车牌识别系统按顺序可分为车辆图像获取、车牌定位、车牌字符分割和车牌字符识别等四大部分,车牌图像的获取和处理是整个车牌识别系统的前提和保证,本文对运动车辆的车牌检测和提取技术进行了有益的对比研究.

摘要： 传统车牌检测算法复杂度高,数据量大,而嵌入式平台的计算能力和储存空间受到一定限制,为了解决资源受限的问题,设计了一种基于ARM的嵌入式车牌检测算法.该算法采用基于Harr特征和Adaboost的级联分类器的方法完成车牌的检测,然后针对ARM平台在编译器、处理速度及存储空间上与PC机的差异,进行了降采样、浮点数转换、软件流水及编译器优化等一系列优化.最后通过实验分析了该算法的性能,实验结果表明,该嵌入式车牌检测算法具有较好的检测率,运行速度快,鲁棒性高.

摘要： 由于拍摄环境复杂多变,自然背景下的车牌检测问题具有很大挑战性.本文利用车牌的多种显著特征,提出一种新的车牌区域检测方法.首先,通过提取边缘连通域,计算其颜色对特征,并使用增量法对其进行聚类以得到车牌候选区域,然后使用多个特征按照多级筛选方式剔除非车牌区域.实验表明,该方法其它应用于自然场景车牌检测的方法相比,具有较高的正检率、较低的漏检率和较快的检测速度.

摘要： 车牌识别是智能交通、安防监控领域的热点问题之一,车牌检测是车牌识别系统的第一步,由于受到光照条件、拍摄视角、背景噪声、运动模糊等因素的影响,复杂场景下的车牌检测成为一个难题.Adaboost算法作为一种有效的学习方法已成功运用到人脸检测中,本文设计了一种基于CS Adaboost的车牌检测算法,主要贡献在两个方面:1.改进现有的用于Adaboost训练的车牌特征提取方法;2.提出一种基于CS Adaboost的代价因子引入方式,加快了训练过程的收敛速度,提高了分类器的泛化能力.最终得到的车牌检测器在测试集上取得了较好的结果.

摘要： 本文提出了一种统计与规则相结合的术语自动抽取方法，采用n-gram方法抽取候选术语,然后通过对SCP和C-Value方法进行改进来度量候选术语的单元性和术语性,实现对候选术语的过滤,从而建立知识库。该方法在车牌识别领域(LPR)进行实验,实验结果表明改进后的方法对于抽取低频术语具有良好的效果。

摘要： 本文提出了一种统计与规则相结合的术语自动抽取方法，采用n-gram方法抽取候选术语,然后通过对SCP和C-Value方法进行改进来度量候选术语的单元性和术语性,实现对候选术语的过滤,从而建立知识库。该方法在车牌识别领域(LPR)进行实验,实验结果表明改进后的方法对于抽取低频术语具有良好的效果。

摘要： 本文提出了一种统计与规则相结合的术语自动抽取方法，采用n-gram方法抽取候选术语,然后通过对SCP和C-Value方法进行改进来度量候选术语的单元性和术语性,实现对候选术语的过滤,从而建立知识库。该方法在车牌识别领域(LPR)进行实验,实验结果表明改进后的方法对于抽取低频术语具有良好的效果。

摘要： 本文提出了一种统计与规则相结合的术语自动抽取方法，采用n-gram方法抽取候选术语,然后通过对SCP和C-Value方法进行改进来度量候选术语的单元性和术语性,实现对候选术语的过滤,从而建立知识库。该方法在车牌识别领域(LPR)进行实验,实验结果表明改进后的方法对于抽取低频术语具有良好的效果。

摘要： 本发明公开了一种基于普通车牌与电子车牌识别的车辆检测装置及检测方法。车辆检测装置设有电子车牌和基于普通车牌与电子车牌双重识别的检测器两部分，电子车牌是RFID射频识别的电子标签，检测器由读卡器、标签天线、检测主机与高清摄像机、车检器、地感线圈、补光灯构成。采用普通车牌与电子车牌双重识别的方式对车辆进行检测。检测主机接收高清摄像机发送的普通车牌信息，接收读卡器发送的电子车牌信息，对普通车牌和电子车牌信息进行读取比对，比对结果不一致，发出警告并通知智能交通管理系统对车辆进行信息二次确认，立即进行跟踪与拦截。本发明可保证被盗车在车牌被更改后，仍能进行准确检测并实施自动报警，具有广泛的应用前景。

摘要： 本发明公开一种车牌检测模型的训练方法及系统、车牌检测方法及系统，其中，训练方法包括迭代训练过程中，基于各正样本点的点损失值生成误差损失，并基于误差损失对预训练模型反馈更新的步骤；计算正样本点的点损失值的步骤为：提取正样本点所对应的预测标签；基于预测标签和各车牌类别对应的分类标签，生成正样本点在各车牌类别下的分类损失值；基于分类损失值提取相应的车牌类别作为目标类别；获取正样本点属于目标类别的置信度，将置信度作为相应的损失权重；基于预测标签，以及各目标类别所对应的损失权重和分类标签进行损失计算，生成相应的点损失值。本发明对误差损失的设计能够提高对错标数据的容错率，从而提高所得车牌检测模型的鲁棒性。

摘要： 本发明涉及网络嵌入式多路车牌检测系统及车牌检测方法，是一种可通过网络灵活配置各项检测参数实现多路的、高清晰的车牌检测的系统和方法。本发明包括：中央处理模块，存储器和输入输出三大模块，各个模块间通过总线连接。本发明使用的是多通道、多路摄取图像的方法，采取多通道、多路的好处在于可以对物体进行较全面的摄取，获取更多的信息，产生更多的有用的数据，最终对提高图像的分析能力产生明显的影响。由于本发明使用基于Gabor滤波器组的字符识别技术对车牌进行检测，该方法具有抗干扰性强，识别准确等优点，排除背景对车牌图像的影响，在环境较差的情况下可以较清晰的分析出车牌的图像，提高了对车牌的识别率。

摘要： 本发明公开了一种车牌检测方法、车牌检测器及相关设备，该车牌检测方法包括：获取包含车牌的待检测车辆图像；对从待检测车辆图像中检测出的多个预测点进行修正，预测点与待检测车牌关联；利用修正后的多个预测点，从待检测车辆图像中获取待处理车牌对应的车牌区域图像；对车牌区域图像的图像特征进行识别，得到待处理车牌的车牌信息。通过上述方式，本发明能够提升车牌的检测准确率。

摘要： 本申请涉及车牌检测方法、车牌检测装置、设备终端和可读存储介质，该车牌检测方法包括：获取车牌拍摄图像；对车牌拍摄图像中的车牌目标区域进行检测，得到对应的车牌区域图像，采用神经网络对车牌区域图像进行关键点检测，以得到对应车牌的角点坐标信息，神经网络中的激活函数采用预设激活函数；根据角点坐标信息，对车牌区域图像进行透视变换处理，以得到对应的车牌目标图像，对车牌目标图像中的字符进行位置检测，得到车牌目标图像中各个字符的位置信息；根据车牌目标图像中各个字符的位置信息对各个字符进行字符识别，得到对应的车牌号识别结果。上述车牌检测方法提高了车牌识别过程的识别效率。

摘要： 本发明公开一种车牌检测模型的训练方法及系统、车牌检测方法及系统，其中，训练方法包括迭代训练过程中，基于各正样本点的点损失值生成误差损失，并基于误差损失对预训练模型反馈更新的步骤；计算正样本点的点损失值的步骤为：提取正样本点所对应的预测标签；基于预测标签和各车牌类别对应的分类标签，生成正样本点在各车牌类别下的分类损失值；基于分类损失值提取相应的车牌类别作为目标类别；获取正样本点属于目标类别的置信度，将置信度作为相应的损失权重；基于预测标签，以及各目标类别所对应的损失权重和分类标签进行损失计算，生成相应的点损失值。本发明对误差损失的设计能够提高对错标数据的容错率，从而提高所得车牌检测模型的鲁棒性。

摘要： 本发明公开一种优化车牌检测模型的方法及系统、车牌检测方法及系统，其中优化车牌检测模型的方法包括以下步骤：获取待优化车牌检测网络，并获取用于训练所述待优化车牌检测网络的样本图像及其第一标注信息；在所述待优化车牌检测网络中添加车牌头尾字符标识分支网络，生成待训练网络；在所述第一标注信息中添加与样本图像相对应的车牌头部字符框和车牌尾部字符框，生成第二标注信息；利用样本图像及其第二标注信息对所述待训练网络进行迭代训练，获得优化网络，将所述优化网络中车牌头尾字符标识分支网络进行移除，获得优化后的车牌检测模型。本发明能够对车牌检测模型进行优化，降低其误检率。

摘要： 本发明公开一种车牌检测模型的构建方法及系统、车牌检测方法及系统，其中车牌检测模型的构建方法包括根据分类预测损失值和位置预测损失值对第一卷积神经网络进行反馈更新的步骤，所述第一卷积神经网络的输入为样本图像及其标注信息，所述标注信息包括各车牌的车牌框和类别，输出为热点图数据和类别预测数据；所述分类预测损失值的计算方法为：根据车牌框和热点图数据进行正负困难样本挖掘，获得困难正样本与困难负样本，其中每个车牌所对应的困难正样本的数量相同；根据所述困难正样本和所述困难负样本的类别和类别预测数据计算分类预测损失值。本发明使每个车牌所对应的困难正样本的数量相同平衡不同尺寸的车牌在网络中的损失贡献。

摘要： 本发明涉及网络嵌入式多路车牌检测系统及车牌检测方法，是一种可通过网络灵活配置各项检测参数实现多路的、高清晰的车牌检测的系统和方法。本发明包括：中央处理模块，存储器和输入输出三大模块，各个模块间通过总线连接。本发明使用的是多通道、多路摄取图像的方法，采取多通道、多路的好处在于可以对物体进行较全面的摄取，获取更多的信息，产生更多的有用的数据，最终对提高图像的分析能力产生明显的影响。由于本发明使用基于Gabor滤波器组的字符识别技术对车牌进行检测，该方法具有抗干扰性强，识别准确等优点，排除背景对车牌图像的影响，在环境较差的情况下可以较清晰的分析出车牌的图像，提高了对车牌的识别率。

摘要： 本发明属于车牌检测技术领域，涉及一种基于车牌间协同学习机制的车牌检测方法，以车牌检测数据集中车牌检测图片之间强一致性为基础，通过尺度间协同注意力机制学习不同车牌检测图片网络层输出特征之间的一致性，从而保证网络在特征提取阶段车牌特征之间的交互性，通过车牌特征之间的交互，实现共性特征之间共享。然后通过语义协同注意力机制学习不同车牌检测图片高层输出语义之间的一致性，从而保证网络能够凭借语义特征缩小车牌特征搜索范围，最终通过语义尺度协同学习机制融合网络语义上下文之间的关系，提升复杂场景车牌检测精度，不仅可以用来进行复杂场景下的车牌检测，还可用于复杂场景下的物体分割以及复杂场景下的物体检测。