- 一种车辆识别的方法及系统 201910026698 .7
检测车辆-->标准化预处理（校正等）-->根据规则分割车牌为不同的区域-->对每一个区域进行识别-->汇总输出最终的结果。
特点：流程为传统方法，主要使用各种特征，检测算子。没有用到任何神经网络。分割也是固定规则，规则比较奇怪，如6个三角形区域。
2.停车场车牌识别错误快速处理方法、介质、 设备及装置 201911051423 .5
解决车辆如果进入停车场后，车牌号码识别错误导致无法入库的问题
错误发生获取车牌特征及停车场-->在车牌底库中查询是否有相关车牌-->查询是否在该停车场-->反馈用户修改
特点：为了解决识别错误的实际问题。车牌特征为8维（1个区域，6个号码，一个蓝色）本质上也就是车牌号码+颜色。查询是否存在以小于设定阈值为准。需要有底库信息。
3.车牌特征位的识别方法及装置 201610140248 .7
特征位指单双号等。之前方法，检测所有车牌才获取车牌特征位，本方法直接获取车牌特征位，加快速度。
获取车牌-->建立座标系-->获取特征位识别
特点：直接根据座标系定位特征位后在识别。在应用中有很大的问题。没有考虑特征位的变换，车牌的变化
4.一种车辆搜索方法及装置 201610798016 .0
车牌reid利用车牌特征和车辆特征联合搜索
根据车辆特征粗搜-->分别计算车辆距离-->获取车牌区域-->利用Siamese网络获取车牌对应的特征并计算车牌距离--》车辆距离和车牌距离得到最终的排序距离。
- 车辆特征包括纹理特征、颜色特征和语义属性特征。三个特征解耦，分别由ORB, 颜色名称以及googlenet提取出来，然后计算欧式距离，加权后得到车辆特征。
- 车牌特征通过Siamese网络提取，直接取FC层的1000维。如果没有车牌区域，直接取已有的距离最大值。
- 最终通过车牌特征距离和车辆特征距离加权后得到最终的距离。
特点:车辆+车牌，不是先粗搜再精搜，而是加权的方式。车辆包含三个独立特征，车牌利用的是Simanse网络。