-
公开(公告)号：CN107203754B
公开(公告)日：2019-04-12
申请号：CN201710384312.0
申请日：2017-05-26
Applicant: 北京邮电大学
Abstract: 本申请实施例提供了一种基于深度学习的车牌定位方法及装置。所述方法包括：将获得的待定位图像输入特征提取网络，获得特征提取网络提取的特征图，将特征图输入选框网络，获得选框网络确定的所述待定位图像中车牌的候选区域；特征提取网络和选框网络预先通过样本车牌图像训练而成；对候选区域进行扩展，将获得的扩展区域输入分类网络，获得分类网络确定的分类结果；分类网络用于根据分类网络训练完成时获得的车牌区域周围的车辆纹理特征，确定所输入的扩展区域是否包含车牌区域的分类结果；当分类结果表示扩展区域包含车牌区域时，从扩展区域中确定待定位图像的车牌区域。应用本申请实施例提供的方案，能够在复杂场景下提高车牌定位的准确率。
-
公开(公告)号：CN107704857A
公开(公告)日：2018-02-16
申请号：CN201710875708.5
申请日：2017-09-25
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种端到端的轻量级车牌识别方法及装置，所述方法包括：获取待识别图像；基于待识别图像及预先训练完成的目标车牌识别模型，获得待识别图像中车牌的号码及其在待识别图像中位置坐标，其中，目标车牌识别模型包括目标特征提取网络、目标区域候选定位网络、目标超分辨率生成网络及目标递归神经网络。由于在本方案中，将待识别图像输入目标车牌识别模型中，目标车牌识别模型便可以输出车牌的号码及其在待识别图像中位置坐标，实现端到端的模型，同时图像特征等计算变量可以重复利用，无需进行重复的计算，模型占用内存少，车牌识别速度得到大大提高。
-
公开(公告)号：CN107203754A
公开(公告)日：2017-09-26
申请号：CN201710384312.0
申请日：2017-05-26
Applicant: 北京邮电大学
CPC classification number: G06K9/00791 , G06K9/46 , G06K9/6256 , G06K9/6262 , G06K9/6268 , G06K2209/15
Abstract: 本申请实施例提供了一种基于深度学习的车牌定位方法及装置。所述方法包括：将获得的待定位图像输入特征提取网络，获得特征提取网络提取的特征图，将特征图输入选框网络，获得选框网络确定的所述待定位图像中车牌的候选区域；特征提取网络和选框网络预先通过样本车牌图像训练而成；对候选区域进行扩展，将获得的扩展区域输入分类网络，获得分类网络确定的分类结果；分类网络用于根据分类网络训练完成时获得的车牌区域周围的车辆纹理特征，确定所输入的扩展区域是否包含车牌区域的分类结果；当分类结果表示扩展区域包含车牌区域时，从扩展区域中确定待定位图像的车牌区域。应用本申请实施例提供的方案，能够在复杂场景下提高车牌定位的准确率。
-
公开(公告)号：CN107704857B
公开(公告)日：2020-07-24
申请号：CN201710875708.5
申请日：2017-09-25
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种端到端的轻量级车牌识别方法及装置，所述方法包括：获取待识别图像；基于待识别图像及预先训练完成的目标车牌识别模型，获得待识别图像中车牌的号码及其在待识别图像中位置坐标，其中，目标车牌识别模型包括目标特征提取网络、目标区域候选定位网络、目标超分辨率生成网络及目标递归神经网络。由于在本方案中，将待识别图像输入目标车牌识别模型中，目标车牌识别模型便可以输出车牌的号码及其在待识别图像中位置坐标，实现端到端的模型，同时图像特征等计算变量可以重复利用，无需进行重复的计算，模型占用内存少，车牌识别速度得到大大提高。
-
-
-
Search Results
4
records
(took 0.021 seconds)
