-
公开(公告)号：CN112132130B
公开(公告)日：2022-10-04
申请号：CN202010999847.0
申请日：2020-09-22
Applicant: 福州大学
IPC: G06V10/22 , G06V30/148 , G06V10/774 , G06V10/762
Abstract: 本发明涉及一种面向全场景的实时性车牌检测方法及系统，包括步骤：生成用于网络训练和测试的训练集和测试集；修改YOLOv3‑tiny网络结构，生成MD‑YOLO模型；采用训练集训练构建的MD‑YOLO模型，并基于mAP选取最优的权重文件；将待检测车牌作为训练好的MD‑YOLO模型的输入，输出带车牌检测框的结果返回。本发明能够完成任意场景下的直接车牌区域提取。
-
公开(公告)号：CN112070176B
公开(公告)日：2022-05-13
申请号：CN202010983942.1
申请日：2020-09-18
Applicant: 福州大学
IPC: G06K9/62 , G06V20/62 , G06V10/774 , G06V30/148 , G06N3/04
Abstract: 本发明提出一种免切割的端到端车牌识别方法，包括以下步骤；步骤S1：收集车牌识别数据集，构建用于训练所述识别网络的训练集和测试集；步骤S2：设计用于提取车牌字符特征的特征提取模块；同时提取车牌字符本身的特征和该字符在车牌中的分布特征；步骤S3：设计用于恢复模糊车牌的反卷积模块，进一步优化对车牌字符特征的表述；步骤S4：使用特征提取网络与反卷积模块设计识别网络的输出模块；步骤S5：使用训练集标签对识别网络进行训练；当识别网络输出对应的包含字符概率的概率向量时，通过使用贪心算法得到最终的车牌号码；本发明可以只使用卷积神经网络完成车牌号码的识别过程，同时具有免字符切割，端到端识别、免车牌矫正，快速轻量的特征。
-
公开(公告)号：CN112149557A
公开(公告)日：2020-12-29
申请号：CN202011000236.7
申请日：2020-09-22
Applicant: 福州大学
Abstract: 本发明涉及一种基于人脸识别的人物身份跟踪方法及系统，包括步骤：采用人脸数据集训练神经网络；采集待识别身份人物的人脸图片，并构建待识别人脸身份库；根据输入的视频帧，使用训练好的yolov3人脸检测模型，检测每帧图像的人脸位置；将检测到的人脸使用训练好的神经网络提取特征，并与待识别人脸身份库中的人脸特征进行比对确定身份，初始化待跟踪的人脸目标；对人脸对应的人物身份进行跟踪。本发明对于跟踪的目标可以确认到人物的id。
-
Patent Agency Ranking
公开(公告)号：CN112149557B
公开(公告)日：2022-08-09
申请号：CN202011000236.7
申请日：2020-09-22
Applicant: 福州大学
IPC: G06V40/16 , G06V20/40 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/774 , G06V10/764
Abstract: 本发明涉及一种基于人脸识别的人物身份跟踪方法及系统，包括步骤：采用人脸数据集训练神经网络；采集待识别身份人物的人脸图片，并构建待识别人脸身份库；根据输入的视频帧，使用训练好的yolov3人脸检测模型，检测每帧图像的人脸位置；将检测到的人脸使用训练好的神经网络提取特征，并与待识别人脸身份库中的人脸特征进行比对确定身份，初始化待跟踪的人脸目标；对人脸对应的人物身份进行跟踪。本发明对于跟踪的目标可以确认到人物的id。
-
公开(公告)号：CN112232371A
公开(公告)日：2021-01-15
申请号：CN202010978381.6
申请日：2020-09-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于YOLOv3与文本识别的美式车牌识别方法，包括步骤S1：采集美式车牌中各个州的车牌的图像数据，构成美式车牌图像集；步骤S2：对下载好的图像进行人工标注，生成xml文件，以符合YOLOv3神经网络模型训练的要求；步骤S3：对步骤S2中处理好的数据进行若干数据增强，用以提高图像质量，利于之后的训练与识别；步骤S4：训练YOLOv3神经网络模型，并用训练好的权重检测出车牌的特征区域；步骤S5：车牌特殊字符作为新样本加入deep‑text文本识别工具训练，将检测出的车牌特征区域通过训练好的文本识别工具提取出对应的字符信息。本发明提出方法的准确率高，时效性好，对于美式的车牌识别具有实际应用意义。
-
公开(公告)号：CN112232371B
公开(公告)日：2022-06-10
申请号：CN202010978381.6
申请日：2020-09-17
Applicant: 福州大学
IPC: G06V30/146 , G06V10/30 , G06V10/762 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明涉及一种基于YOLOv3与文本识别的美式车牌识别方法，包括步骤S1：采集美式车牌中各个州的车牌的图像数据，构成美式车牌图像集；步骤S2：对下载好的图像进行人工标注，生成xml文件，以符合YOLOv3神经网络模型训练的要求；步骤S3：对步骤S2中处理好的数据进行若干数据增强，用以提高图像质量，利于之后的训练与识别；步骤S4：训练YOLOv3神经网络模型，并用训练好的权重检测出车牌的特征区域；步骤S5：车牌特殊字符作为新样本加入deep‑text文本识别工具训练，将检测出的车牌特征区域通过训练好的文本识别工具提取出对应的字符信息。本发明提出方法的准确率高，时效性好，对于美式的车牌识别具有实际应用意义。
-
公开(公告)号：CN112132130A
公开(公告)日：2020-12-25
申请号：CN202010999847.0
申请日：2020-09-22
Applicant: 福州大学
Abstract: 本发明涉及一种面向全场景的实时性车牌检测方法及系统，包括步骤：生成用于网络训练和测试的训练集和测试集；修改YOLOv3‑tiny网络结构，生成MD‑YOLO模型；采用训练集训练构建的MD‑YOLO模型，并基于mAP选取最优的权重文件；将待检测车牌作为训练好的MD‑YOLO模型的输入，输出带车牌检测框的结果返回。本发明能够完成任意场景下的直接车牌区域提取。
-
公开(公告)号：CN112070176A
公开(公告)日：2020-12-11
申请号：CN202010983942.1
申请日：2020-09-18
Applicant: 福州大学
Abstract: 本发明提出一种免切割的端到端车牌识别方法，包括以下步骤；步骤S1：收集车牌识别数据集，构建用于训练所述识别网络的训练集和测试集；步骤S2：设计用于提取车牌字符特征的特征提取模块；同时提取车牌字符本身的特征和该字符在车牌中的分布特征；步骤S3：设计用于恢复模糊车牌的反卷积模块，进一步优化对车牌字符特征的表述；步骤S4：使用特征提取网络与反卷积模块设计识别网络的输出模块；步骤S5：使用训练集标签对识别网络进行训练；当识别网络输出对应的包含字符概率的概率向量时，通过使用贪心算法得到最终的车牌号码；本发明可以只使用卷积神经网络完成车牌号码的识别过程，同时具有免字符切割，端到端识别、免车牌矫正，快速轻量的特征。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.028 seconds)
