CN101625795B - 图像五值化简化方法 - Google Patents
图像五值化简化方法 Download PDFInfo
- Publication number
- CN101625795B CN101625795B CN2009101045579A CN200910104557A CN101625795B CN 101625795 B CN101625795 B CN 101625795B CN 2009101045579 A CN2009101045579 A CN 2009101045579A CN 200910104557 A CN200910104557 A CN 200910104557A CN 101625795 B CN101625795 B CN 101625795B
- Authority
- CN
- China
- Prior art keywords
- parking
- yellow
- character
- image
- blueness
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
- Image Processing (AREA)
Abstract
对车牌图像的图像五值化简化方法,属于图像处理领域,涉及车牌识别过程中的图像二值化问题,其特征是通过公式:黄色=(红色+绿色)/2,依此将红色、绿色、蓝色三原色构成的色彩空间映射到由黄色、蓝色两种颜色构成的色彩空间,映射后的色彩值有黑色、蓝色、灰色、黄色和白色五种。该方法回避了图像在灰度化基础上进行二值化常常面临的阈值选取问题,克服了直接基于彩色图像二值化所面临的计算复杂性问题。另一方面,该方法保留的中间灰色可根据识别的车牌颜色视同车牌号字符识别所需的黑色或白色,从而能弥补因曝光偏差或图像污损按传统阈值选取进行图像二值化可能导致的图像信息缺失,进一步提高车牌识别正确率。
Description
技术领域
本发明属于图像处理领域,涉及车牌识别过程中的图像二值化问题。
背景技术
车牌识别是目前图像处理领域的重要方面。车牌识别技术产生于20世纪90年代,尽管经过近20年的发展,车牌识别仍然只能针对成像条件较好的图像进行,对“曝光偏差或图像污损”的图像识别率仍低。
一般而言,车牌识别的最后环节是字符识别。字符识别的基础是图像二值化。而图像二值化的困难在于阈值选取。阈值属于图像处理领域内的经典难题,迄今为止,没有一个方法可以得到一个通用的阈值,也没有一个方法可以评估阈值对于要处理的图像是否适当。对于“曝光偏差或图像污损”的图像,其本质是或类似光照不均匀。受其影响,图像部分像素的灰度值往往不是分布在灰度的两端,经选取的阈值作用后表现为“黑”或“白”,而是分布在灰度中间,呈现为“中间灰”。对于这部分像素,通常不能找到一个适当的阈值将其正确地分类为“黑”或“白”,也就是说,“中间灰”有可能被错误分类到“黑”中,也有可能被错误分类到“白”中,表现为图像信息缺失,从而导致字符识别失败。
图像二值化,必然涉及阈值问题。由此,很多技术人员都试图绕开图像二值化,探讨直接基于彩色模式的车牌识别方法。不过,迄今为止直接基于彩色模式进行车牌识别的各种方法都没有针对彩色模式的计算复杂性找到好的解决办法。为什么呢?所谓彩色空间,不论是通过红色、绿色、蓝色三原色表示,还是通过其他方式表示,都是三维空间。因此,另一个难题随之而来,如果不能降维,其计算复杂性就不能降低。而客观上,车牌识别往往需要在一个较短的时间内完成。因此,在本发明所述图像五值化简化方法以前的基于彩色空间的图像二值化都停留在理论上,因为耗时太长而没有实际深入下去。长期以来通过彩色模式解决车牌识别一直进展不大,或者说,一直没有可以进入工程意义上的实用的成果出现。
发明内容
针对上述图像二值化问题,本发明所述图像五值化简化方法回避了阈值选取问题,克服了直接基于彩色图像的计算复杂性问题,从而使直接基于彩色图像的图像二值化具有了实际的工程意义,能应用到实际工程中,解决实际的工程问题。按照本发明所述图像五值化简化方法,“曝光偏差或图像污损”类图像,其车牌识别问题就迎刃而解。
本发明所采用的技术方案是:
图像五值化简化方法是通过公式:黄色=(红色+绿色)/2,依此将红色、绿色、蓝色三原色构成的色彩空间映射到由黄色、蓝色两种颜色构成的色彩空间,映射后的色彩值有黑色、蓝色、灰色、黄色和白色五种。
图像五值化简化方法,其具体的简化过程是:
1、建立公式:黄色=(红色+绿色)/2,取值0..255;
2、建立公式:灰度=(黄色+蓝色)/2,取值0..255;
3、将黄色和蓝色都大于187的视同白色;
4、将黄色和蓝色都小于153的视同黑色;
5、去除白色和黑色剩下的中间色中,如果黄色<0.9×蓝色,则需进一步进行蓝色细分,如果蓝色<0.9×黄色,则需进一步进行黄色细分,否则则需进一步进行灰色细分;
6、蓝色细分:如果黄色<0.8×蓝色,视同蓝色,否则,如果灰度<187,视同蓝色,反之视同灰色;
7、黄色细分:如果蓝色<0.8×黄色,视同黄色,否则,如果灰度>153,视同黄色,反之视同灰色;
8、灰色细分:如果灰度<153,视同黑色,如果灰度>187,视同白色,否则视同灰色。
本发明的有益效果是:
基于本发明所述图像五值化简化方法后图像仍然是“彩色图像”,只是图像各像素的色彩值由256×256×256种减少到五种,色彩信息大幅下降,从而极大地简化了直接基于“彩色图像”识别的计算量。基于本发明所述图像五值化简化方法将红色、绿色、蓝色三原色构成的色彩空间映射到由黄色、蓝色两种颜色构成的色彩空间,其实质是降维,将三维降低成二维。再进一步,由黄色、蓝色两种颜色构成的二维空间被继续简化成黑色、蓝色、灰色、黄色和白色五值,这进一步做法的实质更是将二维降低成了一维,降低成了五个离散值,其计算复杂性大幅降低。
本发明所述图像五值化简化方法与目前车牌识别普遍采用二值化方法的另一个重要区别还在于,本发明所述图像的五值化简化方法保留了中间灰色,而目前车牌识别普遍采用的二值化方法丢掉了中间灰色。在本发明所述图像五值化简化方法里,保留的中间灰色可根据识别的车牌颜色视同车牌号字符识别所需的黑色或白色,从而能弥补曝光偏差或图像污损按传统阈值选取进行图像二值化可能导致的图像信息缺失,提高车牌识别正确率。就是说,本发明所述图像五值化简化方法不仅保留了图像的中间灰色,且明确了一种机制,使保留的中间灰色可以根据已识别的车牌颜色正确地动态分类为黑色或白色。
本发明回避了图像二值化所面临的阈值问题,解决了直接基于彩色模式进行车牌识别的计算复杂性问题,可以适应曝光偏差或图像污损类图像,能进一步提高车牌识别率。本发明有别于目前只能在图像灰度化基础上二值化的传统方法,是对车牌图像识别技术的创新。
附图说明
图1是基于手机的城市自助泊车与监管系统构成。
图2是泊车标识。
图3是手机咪表。
图4是监管程序。
图5是去横向无效色的程序流程图。
图6是去纵向无效色的程序流程图。
图7是去无效块的程序流程图。
图8是左右边线调整程序流程图。
图9是上下边线调整程序流程图。
具体实施方式
本发明的具体实施是针对一个真实的应用情形,通过基于手机的城市自助泊车与监管系统(图1)实现。该系统由泊车标识(图2)、手机咪表(图3)、监管程序(图4)、管理程序和服务器构成,各构成部分的功能是:
1、泊车标识是标识在路面人行道侧或其他地方地面上的白色或黄色方框线,每个方框线上标有一个长度不超过8位且由数字构成的泊车车位号。泊车标识的作用是提示车主可以将车临时泊于泊车标识内。
2、手机咪表的作用是使车主将车辆泊于具有泊车标识的车位内后能通过自己手机内的手机咪表实现网络化的泊车计时、计费和费用支付。
3、监管程序的作用是使泊车管理人员能通过自己手机内的监管程序根据授权实现对全部或部分车位实时监管,对违章车拍照,并能将拍照和拍照图像的识别结果实时上传服务器。
4、管理程序的作用是使泊车管理负责人能通过自己手机内的管理程序设置车主自助泊车与泊车管理人员监管所需的基础数据。
5、服务器直接建立在互联网上,通过互联网网址访问,程序语言采用php,数据库语言采用MySQL。服务器的功能是在自动进行程序唯一性验证的基础上完成架构在互联网上的内部数据处理与外部数据交换。
与本发明相关的内容仅涉及监管程序。系统的其他功能由于与本发明内容无关,其具体的实现过程不再赘述。
对于违章泊车,泊车管理人员可通过监管程序的拍照功能,对违章车进行拍照取证。拍照后监管程序将进一步进行车牌识别。图5-图9是与车牌识别相关的图像预处理程序流程。程序流程中所涉及的颜色均是按照本发明所述图像五值化简化方法得到的颜色。下面是本发明所述图像五值化简化方法应用于具体实施例进行车牌识别的相关说明。
一、定义
1、定义:无效色,图像中对图像识别(包括车牌定位和车牌识别)没有意义的颜色值,其颜色值可以删除。无效色用none表示。
2、定义:快照,泊车管理人员为处罚违章泊车保留证据而利用自己手机拍照功能进行的拍照。快照图像不仅包括车牌信息,还包括泊车背景信息,具有不可抵赖性。快照图像的大小是120(宽度)×160(高度)。快照图像经上传后保留在服务器中。
3、定义:车牌拍摄框,在快照拍摄区内设有一个方框,泊车管理人员对违章车拍照时必须将车牌拍于此框内,并尽可能将车牌拍于此框的中央位置。为减少车牌定位时的计算量,规定车牌拍摄框周边(上、下、左、右四条边线)的所有颜色设为无效色,作为车牌拍摄框的计算边界。所述基于手机的城市自助泊车与监管系统使用的车牌拍摄框大小是120(宽度)×50(高度)。
4、根据车牌拍摄框推算
拍摄的单个车牌字符的最大宽度=车牌拍摄框宽度/5。
5、定义:拍摄的单个车牌字符的最小高度规定为5。
6、定义:拍摄的单个车牌字符的最小宽度规定为5。
7、定义:拍摄的最小车牌宽度规定为30(5个字符的最小宽度加上字符间的空格和边框,字符间的空格宽度和边框按1计算)。
8、定义:如果后一点的颜色与前一点的颜色相同,则称后一点为连续色点。
9、定义:完全线,如果一条竖线除了无效颜色外全由一种单一的颜色构成,则称此竖线为完全线。
二、图像预处理
1、去横向无效色:分别针对除灰色外的黑色、蓝色、黄色、白色计算横向连续色点跨度,如果计算的横向连续色点跨度大于单个车牌字符的最大宽度,则全部横向连续色点的颜色可视为无效色。
2、去纵向无效色:根据上下无效色点计算纵向色点跨度,如果纵向色点跨度小于单个车牌字符的最小高度,则被计算的纵向色点颜色可视为无效色。
3、去无效块:图像中除车牌外还有少量表现为块状的标牌文字或商标信息,这些信息是不需要识别的。去无效块的原理是:如果块宽度小于最小车牌宽度,则块为无效块。
4、左右边线调整:依次针对黑色、蓝色、灰色、黄色、白色,先从右边开始,如果是完全线则右边线前移,直至非完全线结束;然后再从左边计算完全线,如果完全线大于2,进一步判断左边线到完全线的有效宽度,如果小于最小车牌宽度则完全线及左边颜色全部无效,左边线后移至无效完全线的最右端并且重复再从左边计算完全线,否则,判断右边线到完全线的有效宽度,如果小于最小车牌宽度,则完全线及右边颜色全部无效。
5、上下边线调整:从上向下分别计算块大小,选择其中最大的块,并将车牌识别框的上下边线调整成最大块的上下边线。调整后再将上下边线外的所有颜色置为无效色。
三、定车牌色:
根据调整后的左右边线和上下边线,分别计算左右边线内的纵向有效蓝色线和有效黄色线。所谓有效是指线上的蓝色点或黄色点数量要大于10(拍摄的单个车牌字符的最小宽度×2,即此字符的高度)。如果有效蓝色线与有效黄色线都等于0,车牌颜色为白色;如果蓝色线大于黄色线,则车牌颜色为蓝色;否则,车牌颜色为黄色。
四、定字符色和字符可能宽度、高度
1、如果车牌颜色为白色,则字符色为黑色。
字符可能宽度=(右边线-左边线)/7
字符可能高度=字符可能宽度×2
2、如果车牌颜色为蓝色,则字符色为白色。
字符可能宽度=(右边线-左边线)/7
字符可能高度=字符可能宽度×2
3、如果车牌颜色为黄色,则字符色为黑色。
字符可能宽度=(右边线-左边线)/5
字符可能高度=字符可能宽度×2
4、如果字符可能高度>(下边线-上边线),则
字符可能高度=(下边线-上边线)
字符可能宽度=字符可能高度/2
五、特征库
1、所述基于手机的城市自助泊车与监管系统采用公知的特征库方式,将特定图像块与特征库存储的字符进行比对,如果比对成功则将比对成功的字符作为特定图像块的识别结果返回,否则,识别失败终止后续识别。
2、所述基于手机的城市自助泊车与监管系统的特征库包括
(1)、主库:各省简称、26个英文大写字母、数字0-9、军警特殊字符。
(2)、辅库:各省简称、26个英文大写字母。
(3)、主库采用20(宽度)×40(高度)点阵。
(4)、辅库采用20(宽度)×16(高度)点阵。
(5)、在特征库存储的字符中,特征点取值1,非特征点取值0。
3、特定图像块与特征库字符比对时,如果特定图像块的大小与特征库字符大小不相等,则特定图像块需要按比例放大到与特征库字符大小相等。
4、特定图像块与特征库字符比对原则:
(1)、针对特定图像块的所有非无效色点,逐一与每个特征库字符的对应点进行特征比对,得到与每个特征库字符比对符合比率和不符合比率,选出符合比率最高的特征库字符作为返回的比对成功字符。
(2)、符合比率最高的特征库字符不只一个,则继续比较不符合比率,选出不符合比率最低的特征库字符作为返回的比对成功字符。
(3)、符合比率最高的特征库字符不只一个,同时不符合比率最低的特征库字符也不只一个,则从中选出对应特征值为1的非无效色点绝对数最大的特征库字符作为返回的比对成功字符。
(4)、经过上述原则特征库字符仍不只一个则比对失败。
5、特定图像块与特征库字符比对时,针对特定图像块中特定图像点颜色是灰色的情况,如果对应特征值为1,则视同特征相同,计算符合比率;如果对应特征值为0,则忽略此灰色点,不计算符合比率,也不计算不符合比率。
六、字符识别
1、去除非字符色:除字符色和灰色外,图像中的其他颜色全部置为无效色。
2、识别第一个字符:从下边线至上边线,右边线至左边线,按照可能的字符宽度到拍摄的单个车牌字符的最小宽度循环与特征库(主库)比对,如果不能和所有特征库(主库)字符比对成功,则第一个字符识别失败,终止后续识别,否则,返回第一个识别字符,同时返回字符宽度和高度。
3、计算偏移量
(1)、横向偏移量=返回第一个识别字符的高度×40%
(2)、纵向偏移量=2×返回第一个识别字符的高度×20%
4、后续识别:
(1)、确定后续识别的起点
横向起点=前一字符的横向坐标
纵向起点=前一字符的纵向坐标+字符高度+纵向偏移量/2
(2)、后续识别过程:从确定的后续识别起点开始,依横向偏移量、纵向偏移量沿减量方向循环,按照字符宽度和高度与特征库(主库)比对,如果不能和所有特征库(主库)字符比对成功,则执行下一步骤的小字符识别,否则,返回识别字符。
(3)、小字符识别:从上面步骤确定的后续识别起点开始,在字符宽度和字符高度范围内,将字符宽度减1直至字符宽度达到拍摄的单个车牌字符的最小宽度,字符高度等于字符宽度的两倍,依次循环,按照减1后的字符宽度和相应高度与特征库(主库)比对,如果不能和所有特征库(主库)字符比对成功,则识别失败,否则,返回识别字符。如果识别失败,则终止后续识别。
(4)、识别过程中保留第三个识别字符的横向和纵向坐标值。
5、针对黄牌的省市编码识别:如果黄牌识别出的字符只有5个,则需继续进行省市编码识别。
(1)、确定横向起点:
横向左起点=第三个识别字符的横向坐标值
横向右起点=第三个识别字符的横向坐标值+字符宽度
(2)、确定纵向起点:
纵向起点=第三个识别字符的纵向坐标值-字符高度×10%
(3)、确定省市编码宽度:
省市编码宽度=字符宽度+字符高度×10%
(4)、偏移值:横向起点、纵向起点、省市编码宽度都允许取五个偏移值-1、0、1、2、3
(5)、省市编码识别过程
①、省编码(简称)识别:从横向起点、纵向起点沿减量方向分别依偏移值循环与特征库(辅库)字符(省编码)比对,如果比对成功,则返回识别出的省编码,否则省编码识别失败。
②、市编码(英文字母)识别:从横向起点沿增量方向、纵向起点沿减量方向分别依偏移值循环与特征库(辅库)字符(英文字母)比对,如果比对成功,则返回识别出的市编码,否则市编码识别失败。
七、显示识别结果、人工补正与上传服务器
1、显示识别结果:识别结束后,程序会自动将识别结果显示在泊车管理人员的手机上,供泊车管理人员进一步进行人工补正。
2、人工补正:泊车管理人员将识别结果上传服务器前须对识别结果进行确认,如果识别结果不正确,则需要通过人工输入的方式进行人工补正。
3、上传服务器:泊车管理人员执行上传服务器指令会通过程序同时上传快照、快照拍摄时间、车位号、依据快照进行的图像识别结果、人工补正。
Claims (2)
1.对车牌图像的图像五值化简化方法,其特征是通过公式:黄色=(红色+绿色)/2,依此将红色、绿色、蓝色三原色构成的色彩空间映射到由黄色、蓝色两种颜色构成的色彩空间;映射后的色彩值有黑色、蓝色、灰色、黄色和白色五种。
2.根据权利要求1所述对车牌图像的图像五值化简化方法,其具体的简化过程是:
(1)、建立公式:黄色=(红色+绿色)/2,取值0..255;
(2)、建立公式:灰度=(黄色+蓝色)/2,取值0..255;
(3)、将黄色和蓝色都大于187的视同白色;
(4)、将黄色和蓝色都小于153的视同黑色;
(5)、去除白色和黑色剩下的中间色中,如果黄色<0.9×蓝色,则需进一步进行蓝色细分,如果蓝色<0.9×黄色,则需进一步进行黄色细分,否则则需进一步进行灰色细分;
(6)、蓝色细分:如果黄色<0.8×蓝色,视同蓝色,否则,如果灰度<187,视同蓝色,反之视同灰色;
(7)、黄色细分:如果蓝色<0.8×黄色,视同黄色,否则,如果灰度>153,视同黄色,反之视同灰色;
(8)、灰色细分:如果灰度<153,视同黑色,如果灰度>187,视同白色,否则视同灰色。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101045579A CN101625795B (zh) | 2009-08-07 | 2009-08-07 | 图像五值化简化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101045579A CN101625795B (zh) | 2009-08-07 | 2009-08-07 | 图像五值化简化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101625795A CN101625795A (zh) | 2010-01-13 |
CN101625795B true CN101625795B (zh) | 2011-02-09 |
Family
ID=41521632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101045579A Expired - Fee Related CN101625795B (zh) | 2009-08-07 | 2009-08-07 | 图像五值化简化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101625795B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306426B (zh) * | 2011-04-15 | 2014-05-07 | 张忠义 | 基于客户端的停车计时方法 |
CN111899355B (zh) * | 2011-08-29 | 2021-12-17 | 张忠义 | 可以无障碍进出的汽车费用支付系统与方法 |
CN102324146A (zh) * | 2011-08-31 | 2012-01-18 | 张忠义 | 可以灵活设置结束时刻的停车计时方法 |
CN103208138A (zh) * | 2013-03-03 | 2013-07-17 | 张忠义 | 一种用辅助编码替代车位编码进行停车归位的方法 |
CN105894596A (zh) * | 2016-06-17 | 2016-08-24 | 吴世奇 | 收缴双方管控路边停车收费系统 |
CN107273884A (zh) * | 2017-05-05 | 2017-10-20 | 广州恒巨信息科技有限公司 | 一种基于移动终端摄像头的车辆牌照识别方法 |
CN111462516A (zh) * | 2020-04-13 | 2020-07-28 | 大唐信通(浙江)科技有限公司 | 一种无线通信与车外显示屏结合的超视距信息传递系统 |
CN112988913B (zh) * | 2021-05-11 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 一种数据处理方法和相关装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1932837A (zh) * | 2005-09-12 | 2007-03-21 | 电子科技大学 | 基于小波变换和雷登变换的车牌提取方法 |
CN101334836A (zh) * | 2008-07-30 | 2008-12-31 | 电子科技大学 | 一种融合色彩、尺寸和纹理特征的车牌定位方法 |
CN101408942A (zh) * | 2008-04-17 | 2009-04-15 | 浙江师范大学 | 一种复杂背景下的车牌定位方法 |
-
2009
- 2009-08-07 CN CN2009101045579A patent/CN101625795B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1932837A (zh) * | 2005-09-12 | 2007-03-21 | 电子科技大学 | 基于小波变换和雷登变换的车牌提取方法 |
CN101408942A (zh) * | 2008-04-17 | 2009-04-15 | 浙江师范大学 | 一种复杂背景下的车牌定位方法 |
CN101334836A (zh) * | 2008-07-30 | 2008-12-31 | 电子科技大学 | 一种融合色彩、尺寸和纹理特征的车牌定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101625795A (zh) | 2010-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101625795B (zh) | 图像五值化简化方法 | |
Zhang et al. | Nighttime dehazing with a synthetic benchmark | |
CN109889840B (zh) | 点云编码和解码的方法、编码设备和解码设备 | |
Kong et al. | A federated learning-based license plate recognition scheme for 5G-enabled internet of vehicles | |
CN107590438A (zh) | 一种智能辅助驾驶方法及系统 | |
CN102831420B (zh) | 基于颜色信息和随机圆检测的圆形交通标志定位方法 | |
CN103646241B (zh) | 一种基于嵌入式系统的实时出租车识别方法 | |
CN103810505A (zh) | 基于多层描述子的车辆标识方法与系统 | |
CN105719247A (zh) | 基于特征学习的单幅图像去雾方法 | |
CN113128507B (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
CN106934378A (zh) | 一种基于视频深度学习的汽车远光灯识别系统及方法 | |
CN111160175A (zh) | 智能行人违章行为管理方法及相关产品 | |
CN107016362A (zh) | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统 | |
CN108805125B (zh) | 基于粒子群算法优化神经网络的车牌识别系统及方法 | |
CN106023259A (zh) | 一种运动目标频率检测方法及装置 | |
CN107977643A (zh) | 一种基于道路摄像头的公务车监控方法 | |
Mayer et al. | Building facade interpretation from image sequences | |
CN103886289B (zh) | 方向自适应的水上桥梁目标识别方法及系统 | |
CN112836573A (zh) | 一种基于对抗生成网络的车道线图像增强与补全方法 | |
CN109034073A (zh) | 预测建筑拆除废弃物产生量的方法、系统、设备及介质 | |
Wang et al. | Real-time non-motor vehicle violation detection in traffic scenes | |
CN104123553A (zh) | 一种基于级联形态学变换的车牌定位方法及系统 | |
CN108648480B (zh) | 一种基于混合现实的道路隔离模型显示方法及存储介质 | |
CN106709493B (zh) | 一种双动态视频车牌定位方法和装置 | |
CN111985482B (zh) | 一种基于深度学习的多模式多场景的自动车牌识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110209 Termination date: 20210807 |