-
公开(公告)号：CN109508715B
公开(公告)日：2022-11-08
申请号：CN201811281994.3
申请日：2018-10-30
Applicant: 南昌大学
Abstract: 本发明提供了一种基于深度学习的车牌定位和识别方法，包括：步骤1，对训练集的车牌区域尺寸应用k‑means++算法处理，选择最佳的候选尺寸，结合到FasterR‑CNN；步骤2，利用FasterR‑CNN训练图片，得到模型；步骤3，输入一张包含车牌的图片，经过卷积处理之后，得到特征图；步骤4，将获取的特征图经过RPN网络输出车牌位置和分数；步骤5，将车牌区域从原图中截取下来；步骤6，截取的车牌区域通过AlexNet‑L网络模型的端对端的卷积神经网络，最终输出车牌上的各个字符，本发明采用基于FasterR‑CNN的方法进行车牌定位，采用AlexNet‑L的端对端的车牌字符识别方法，可以有效地提高对车牌定位和字符识别的准确率。
-
Patent Agency Ranking
公开(公告)号：CN108681693B
公开(公告)日：2022-04-12
申请号：CN201810324180.7
申请日：2018-04-12
Applicant: 南昌大学
IPC: G06V20/62 , G06V10/762 , G06K9/62
Abstract: 本发明涉及一种基于可信区域的车牌识别方法，采用k‑means++聚类来选择初始车辆和车牌候选框的数量和尺度；将得到的初始候选框的数量和尺度结合到YOLO‑L模型，来提高车辆区域和车牌区域的定位准确率。通过YOLO‑L模型来定位车辆区域和车牌区域，并输出左上角和右下角的坐标；YOLO‑L模型首先区分道路上的车辆和其他物体；车牌识别算法判断车牌区域是否位于车辆区域内，以消除车牌区域的错误识别；如果所在车牌区域位于这些车辆区域内，则认为所在车牌区域正确检测，完成车牌识别。本发明基于可信区域的车牌识别方法，有效区分了车牌和类似的物体，能有效地定位车牌，减少了车牌的误判，大大降低了类似物体的误判性，提供了车牌识别效率，提高车牌识别的准确性。
-
公开(公告)号：CN108681693A
公开(公告)日：2018-10-19
申请号：CN201810324180.7
申请日：2018-04-12
Applicant: 南昌大学
CPC classification number: G06K9/00825 , G06K9/6223 , G06K2209/15
Abstract: 本发明涉及一种基于可信区域的车牌识别方法，采用k‑means++聚类来选择初始车辆和车牌候选框的数量和尺度；将得到的初始候选框的数量和尺度结合到YOLO‑L模型，来提高车辆区域和车牌区域的定位准确率。通过YOLO‑L模型来定位车辆区域和车牌区域，并输出左上角和右下角的坐标；YOLO‑L模型首先区分道路上的车辆和其他物体；车牌识别算法判断车牌区域是否位于车辆区域内，以消除车牌区域的错误识别；如果所在车牌区域位于这些车辆区域内，则认为所在车牌区域正确检测，完成车牌识别。本发明基于可信区域的车牌识别方法，有效区分了车牌和类似的物体，能有效地定位车牌，减少了车牌的误判，大大降低了类似物体的误判性，提供了车牌识别效率，提高车牌识别的准确性。
-
公开(公告)号：CN109583305B
公开(公告)日：2022-05-20
申请号：CN201811282149.8
申请日：2018-10-30
Applicant: 南昌大学
Abstract: 本发明提供了一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，包括以下步骤：步骤1，对于给定的测试图像，通过改进的Faster R‑CNN获得车辆、车牌和车辆标志的区域；步骤2，如果测试图像的车牌被定位并且车牌字符被改进的端到端AlexNet网络识别，则对其进行识别和比较；步骤3，若识别出车辆标志，细粒度的车辆重识别方法使用除了不同车辆标志的图像外的测试集，否则，它将使用整个测试集；步骤4，在细粒度方法的基础上，利用紧凑双线性池来提取紧凑特征；步骤5，通过k‑倒数编码，将紧凑特征与k‑倒数特征相结合，对车辆重识别结果进行重新排序，本发明具有更好的车辆重识别率，具有准确识别车牌和区分细微差别的类似车辆的更强能力。
-
公开(公告)号：CN109583305A
公开(公告)日：2019-04-05
申请号：CN201811282149.8
申请日：2018-10-30
Applicant: 南昌大学
Abstract: 本发明提供了一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，包括以下步骤：步骤1，对于给定的测试图像，通过改进的Faster R-CNN获得车辆、车牌和车辆标志的区域；步骤2，如果测试图像的车牌被定位并且车牌字符被改进的端到端AlexNet网络识别，则对其进行识别和比较；步骤3，若识别出车辆标志，细粒度的车辆重识别方法使用除了不同车辆标志的图像外的测试集，否则，它将使用整个测试集；步骤4，在细粒度方法的基础上，利用紧凑双线性池来提取紧凑特征；步骤5，通过k-倒数编码，将紧凑特征与k-倒数特征相结合，对车辆重识别结果进行重新排序，本发明具有更好的车辆重识别率，具有准确识别车牌和区分细微差别的类似车辆的更强能力。
-
公开(公告)号：CN109508715A
公开(公告)日：2019-03-22
申请号：CN201811281994.3
申请日：2018-10-30
Applicant: 南昌大学
Abstract: 本发明提供了一种基于深度学习的车牌定位和识别方法，包括两个方面：基于Faster R-CNN模型的车牌定位和基于AlexNet-L网络模型的端对端的车牌字符识别；步骤1，对训练集的车牌区域尺寸应用k-means++算法处理，选择最佳的候选尺寸，结合到Faster R-CNN；步骤2，利用Faster R-CNN训练图片，得到模型；步骤3，输入一张包含车牌的图片，经过卷积处理之后，得到特征图；步骤4，将获取的特征图经过RPN网络输出车牌位置和分数；步骤5，将车牌区域从原图中截取下来；步骤6，截取的车牌区域通过AlexNet-L网络模型的端对端的卷积神经网络，最终输出车牌上的各个字符，本发明采用基于Faster R-CNN的方法进行车牌定位，采用AlexNet-L的端对端的车牌字符识别方法，可以有效地提高对车牌定位和字符识别的准确率。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
