场景文字检测与识别是指将自然场景中出现的文字信息识别出来。具体来讲其包含两个部分（如图1）：文字检测和文字识别。在现实生活中，场景文字检测与识别的应用十分广泛。

项目成果/简介: 目前，公路治超主要集中在限制性的监测点或者现场人工执法，对于非限制性非现场治超才刚刚起步，技术尚不完善。在非限制性的交通场景下存在诸如车辆角度问题、遮挡问题、光照问题、车辆数据分布不均衡等问题，阻碍了非限制性非现场公路治超的推广。 该车辆精细化检测与识别组合技术可应用于非限制性非现场公路综合治理超载超限中的货车精细化检测与识别。基于该车辆精细化检测与识别组合技术，可以对货车的属性进行精细化检测与识别，融合视觉信息与道路称重信息来实现非限制性非现场公路综合治理超载超限。通过该技术的升级改造，极大地提升公司的非限制性非现场治超产品的市场竞争力。知识产权类型:其他技术先进程度:达到国内先进水平成果获得方式:与企业合作获得政府支持情况:无

目前，公路治超主要集中在限制性的监测点或者现场人工执法，对于非限制性非现场治超才刚刚起步，技术尚不完善。在非限制性的交通场景下存在诸如车辆角度问题、遮挡问题、光照问题、车辆数据分布不均衡等问题，阻碍了非限制性非现场公路治超的推广。 该车辆精细化检测与识别组合技术可应用于非限制性非现场公路综合治理超载超限中的货车精细化检测与识别。基于该车辆精细化检测与识别组合技术，可以对货车的属性进行精细化检测与识别，融合视觉信息与道路称重信息来实现非限制性非现场公路综合治理超载超限。通过该技术的升级改造，极大地提升公司的非限制性非现场治超产品的市场竞争力。

全自动检测技术是当前最热门的技术之一，应用场合十分宽阔。本成果将图象捕获、运动目标提取、车辆牌照定位辨识、牌照字符自动分割识别、电信网无线通讯、多路控制信号协调等技术有机地结合起来，实现了网络与无线通信、图象处理与自动识别、网络管理与数据更新等多种技术的优化组合。

本发明主要由计算机、数字摄像机、补光装置和声光提示装置组成,数字摄像机的视频信号输出给计算机,接受到视频传感器输入后计算机控制补光设备和声光提示设备,计算机内安装有QR码智能检测模块,通过循环读取扫描视频中的帧数据,检测其中的QR码图形,并提取和译码。

与停车场车辆计费等限制条件下的车牌识别应用场景不同，本项目可以实现多种复杂环境下多车牌多角度的车牌检测与识别。

产品介绍 CK-M8L超高频RFID读写模块是小型化的UHF RFID 读写器 ，集成了模拟射频前端与基带数字信号处理模块等功能；用户只需要在模块的基础上作电源处理即可，可以很方便的通过API函数库控制模块工作适合各种应用场景用户开发。该模块支持固件升级，可满足协议扩展和功能扩展的应用需要。     产品特点 支持多种协议：ISO 18000-6C/EPC C1G2 、 ISO 18000-6B、国标GB/T29768-2013(可拓展支持)。 密集读取：端口最大输出33dBm，可根据需要设置功率，可应对非常密集的使用环境，多标签识别算法，每秒可识别超过400张以上。 能够定频或跳频工作。 输出功率可调,调节步进:1dBm。 支持标签数据过滤、支持防碰撞协议、支持多标签识别。 全频段、大功率、灵敏度高、功率准、零配置即可获得最佳性能。 规格参数 主要规格参数 产品型号 CK-M8L 性能参数 频率范围 940MHz～960MHz 空口协议 EPC C1G2、ISO18000-6B/C、GB/T29768-2013（可选配） 功能特点 支持密集读写、多标签识别、支持标签数据过滤、支持RSSI：可感知信号强度 通道数 8通道 RF输出功率（端口） 33dBm±1dBm（MAX） 输出功率调节 ±1dBm 前向调制方式 DSB-ASK、PR-ASK 连续读标签距离（读EPC码） 0-10米，连续读100次，读取成功率大于95%（无干扰环境）（8dBi圆极化天线@H3） 连续写标签距离（写EPC码） 0〜4米(与标签芯片性能有关)，连续写100次，写成功率大于90%（8dBi圆极化天线@H3） 标签识别速度 >400次/秒 通讯口 TTL串口 物理接口 15PIN端子 1.25mm间距 空口协议 ISO 18000-6C/EPC C1G2 、 ISO 18000-6B、 GB/T29768-2013（可拓展支持） 功能特点 支持密集读写、多标签识别、支持标签数据过滤、支持RSSI：可感知信号强度 读卡功耗 （33dBm）：8W 物理参数 外观尺寸 93*72*8mm 外壳材质 铝型材外壳 安装方式 通过四个螺丝孔固定 电源 工作电压   操作环境 工作温度 -20°C~+70°C 储存温度 -40°C~+85°C 工作湿度 <95% (+25°C)

一、项目简介 水下目标检测与识别，是水下机器人等相关系统能够被高效应用的前提。然而现有系统难以应对水下图像能见度较低，对比度差，存在颜色漂移和边缘模糊等问题；另外，水下图像样本稀少且缺乏足够的变化性，使得相关基于机器学习的目标检测与识别系统由于缺乏训练样本而无法有效应用。 二、前期研究基础 项目利用深度学习等新的理论突破，提出两种解决方案，一种是通过结合水下成像原理与深度风格迁移、生成对抗网络等算法，由普通光学图像生成水下图像，构建水下图像目标检测与识别仿真库，该数据库一方面数据量大且具有较大的变化性，也即场景与目标均具有较大的变化性；另一方面，由于是由普通光学图像迁移获得，因而也可以直接应用普通光学图像自身的标签信息，无需再对其进行标注。另一种是研究基于水下退化图像处理算法的检测和识别系统，解决由水下图像的色彩漂移和细节丢失等退化现象带来的目标检测和识别问题。同时通过水下退化图像处理模块和检测识别系统的联合优化技术，可以实现退化图像的增强方法与检测识别系统的最佳匹配。在保证处理后的退化图像性能指标的前提下，进一步提升水下图像的目标检测识别性能。 三、应用技术成果 1）基于深度学习风格迁移的水下图像生成效果示例 a为自然场景图像中的目标检测结果；b为模拟生成的水下风格图像及其目标检测结果；c为图像增强后的目标检测结果。 四、合作企业 无

一、项目简介 项目旨在解决现有目标检测、识别和跟踪系统易受雨天、雾天、沙尘、低光照、水下等恶劣成像环境的影响问题，使得相关目标检测、识别与跟踪系统可以全天候工作，最大程度克服相关视觉应用系统受天气和工作场景的影响的局限。 二、前期研究基础 课题组通过多年攻关，在相关核心技术方面有多项突破，提出多项拥有自主知识产权的针对恶劣成像环境下退化图像的质量提升方法。相关研究处于国内领先水平，已在包括IEEE Trans.Image Processing， CVPR，ICCV等计算机视觉国际顶级期刊和会议上发表论文17篇。授权发明专利5项，软件著作权1项。 三、应用技术成果 1)    雾天图像增强2)      水下图像增强 3)    雾天图像增强