CN109740442A - 定位方法、装置、存储介质及电子设备 - Google Patents
定位方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN109740442A CN109740442A CN201811519575.9A CN201811519575A CN109740442A CN 109740442 A CN109740442 A CN 109740442A CN 201811519575 A CN201811519575 A CN 201811519575A CN 109740442 A CN109740442 A CN 109740442A
- Authority
- CN
- China
- Prior art keywords
- pixel
- target
- localization region
- region
- bit image
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本公开涉及一种定位方法、装置、存储介质及电子设备,包括获取待定位图像;将所述待定位图像输入预设深度学习模型以得到所述待定位图像中每个像素点属于目标定位区域的概率;将所述概率大于预设阈值的像素点确定为属于所述目标定位区域的目标像素点;将所述目标像素点所在的区域确定为所述待定位图像中的目标定位区域。通过上述技术方案,就能够精确地识别出待定位图像中目标定位区域的位置,且不限制目标定位区域的形状,从而能够更好地将目标定位区域与待定位图像中的背景区域分割开,不影响到背景区域的图像完整。
Description
技术领域
本公开涉及图像识别领域,具体地,涉及一种定位方法、装置、存储介质及电子设备。
背景技术
目前有很多领域都出现了对于车辆车牌的识别需求,例如停车场出入口需要对车辆车牌中的具体车牌号进行识别来进行车辆出入的统计或者扣费、车管所需要在对道路上出现违规的车辆进行拍照后,识别出照片出的车牌号,以便将该违规操作与该车牌号进行关联等。但是这些场景中对于车牌的识别都只有对车牌号的识别需求,对于整个车牌所在的区域没有精确识别的需求,因此目前对于车牌识别的方法在精确识别车牌所在区域的效果上并不是很理想。尤其是如果图像上的车牌并不是以正面出现,而是以一个倾斜的角度出现时,几乎无法根据该倾斜车牌出现的角度对该倾斜车牌所在区域进行精准识别。如果需要通过对该车牌所在区域进行精准的识别且不影响到该车牌周围的图像,现有的车牌识别方法很难做到。
发明内容
本公开的目的是提供一种定位方法、装置、存储介质及电子设备,能够通过对像素点进行分类的方法精确地将图像中的目标定位区域与非目标定位区域分割开。
为了实现上述目的,本公开提供一种定位方法,所述方法包括:
获取待定位图像;
将所述待定位图像输入预设深度学习模型以得到所述待定位图像中每个像素点属于目标定位区域的概率;
将所述概率大于预设阈值的像素点确定为属于所述目标定位区域的目标像素点;
将所述目标像素点所在的区域确定为所述待定位图像中的目标定位区域。
可选地,用于训练所述预设深度学习模型的训练图像数据中的像素点包括目标定位区域的像素点和非目标定位区域的像素点,其中,所述非目标定位区域的像素点包括背景像素点和模糊像素点,所述背景像素点为属于背景区域的像素点,所述模糊像素点为既不属于所述目标定位区域、也不属于背景区域的像素点;
所述预设深度学习模型按照以下方式进行训练:
将所述模糊像素点对应的惩罚力度设置为0。
可选地,用于训练所述预设深度学习模型的训练图像数据中的像素点包括目标定位区域的像素点和非目标定位区域的像素点,所述目标定位区域的像素点对应的权重大于所述非目标定位区域的像素点对应的权重;
所述预设深度学习模型按照以下方式进行训练:
根据所述训练图像数据中各个像素点对应的权重确定各个像素点对应的惩罚力度。
可选地,所述各个像素点对应的惩罚力度与所述训练图像数据中各个像素点对应的权重之间呈正相关关系。
可选地,所述将所述待定位图像输入预设深度学习模型以得到所述待定位图像中每个像素点属于目标定位区域的概率包括:
若检测到所述待定位图像中存在所述目标定位区域,则将所述待定位图像输入预设深度学习模型以得到所述待定位图像中每个像素点属于目标定位区域的概率。
可选地,所述目标定位区域为车辆车牌。
本公开还提供一种定位装置,所述装置包括:
获取模块,用于获取待定位图像;
概率计算模块,用于将所述待定位图像输入预设深度学习模型以得到所述待定位图像中每个像素点属于目标定位区域的概率;
目标像素点确定模块,用于将所述概率大于预设阈值的像素点确定为属于所述目标定位区域的目标像素点;
目标定位区域确定模块,用于将所述目标像素点所在的区域确定为所述待定位图像中的目标定位区域。
可选地,用于训练所述预设深度学习模型的训练图像数据中的像素点包括目标定位区域的像素点和非目标定位区域的像素点,其中,所述非目标定位区域的像素点包括背景像素点和模糊像素点,所述背景像素点为属于背景区域的像素点,所述模糊像素点为既不属于所述目标定位区域、也不属于背景区域的像素点;
所述预设深度学习模型按照以下方式进行训练:
将所述模糊像素点对应的惩罚力度设置为0。
可选地,用于训练所述预设深度学习模型的训练图像数据中的像素点包括目标定位区域像素点和非目标定位区域像素点,所述目标定位区域像素点对应的权重大于所述而非目标定位区域对应的权重;
所述预设深度学习模型按照以下方式进行训练:
根据所述训练图像数据中各个像素点对应的权重确定各个像素点对应的惩罚力度。
可选地,所述各个像素点对应的惩罚力度与所述训练图像数据中各个像素点对应的权重之间呈正相关关系。
可选地,所述概率计算模块还用于:
若检测到所述待定位图像中存在所述目标定位区域,则将所述待定位图像输入预设深度学习模型以得到所述待定位图像中每个像素点属于目标定位区域的概率。
可选地,所述目标定位区域为车辆车牌。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述定位方法的步骤。
本公开还提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述定位方法的步骤。
通过上述技术方案,对待定位图像中的各个像素点通过预设深度学习模型进行识别,从而获得各个像素点属于目标定位区域的概率,并通过设定阈值的方式确定属于目标定位区域的目标像素点,从而得到待定位图像中的目标定位区域,这样,就能够精确地识别出待定位图像中目标定位区域的位置,且不限制目标定位区域的形状,从而能够更好地将目标定位区域与待定位图像中的背景区域分割开,不影响到背景区域的图像完整。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释
本公开,但并不构成对本公开的限制。在附图中:
图1是根据本公开一示例性实施例示出的一种定位方法的流程图。
图2是根据本公开一示例性实施例示出的又一定位方法的流程图。
图3是根据本公开一示例性实施例示出的一种定位装置的结构框图。
图4是根据一示例性实施例示出的一种电子设备的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1是根据本公开一示例性实施例示出的一种定位方法的流程图。如图1所示,所述方法包括步骤101至步骤104。
在步骤101中,获取待定位图像。获取所述待定位图像的方法可以为多种,在本公开中对获取方法不做限制,只要能够得到该待定位图像的方法都可,例如,可以是通过摄像头对定位区域进行拍摄所得到的视频中的视频帧,也可以是图片,还可以是用户直接上传的视频中的视频帧或者直接上传的图片等。
在步骤102中,将所述待定位图像输入预设深度学习模型以得到所述待定位图像中每个像素点属于目标定位区域的概率。所述预设深度学习模型是已经针对该目标定位区域训练好的深度学习模型,通过将待定位图像输入该预设深度学习模型中之后,就能够得到该待定位图像中的每一个像素点可能属于目标定位区域的概率输出。用于训练该预设深度学习模型的训练数据为大量的采样数据,本公开中对该预设深度学习模型的训练数据的来源不做限制,只要是能够将该预设深度学习模型的精度训练到预设精度或将该预设深度学习模型的精度训练至预设精度以上即可。其中,所述目标定位区域可以为车牌区域,即,将该待定位图像输入预设深度学习模型中,就能够得到该待定位图像中,每个像素点属于车牌区域的概率。
在步骤103中,将所述概率大于预设阈值的像素点确定为属于所述目标定位区域的目标像素点。根据预设阈值将通过预设深度学习模型之后得到的每个像素点对应的概率与预设阈值之间的关系,能够将所有像素点分为两类,概率大于所述预设阈值的,被确定为属于所述目标定位区域的目标像素点,概率小于或等于所述预设阈值的,被确定为不属于所述目标定位区域。
在步骤104中,将所述目标像素点所在的区域确定为所述待定位图像中的目标定位区域。在确定了所述目标像素点之后,就能够确定目标定位区域即为所有目标像素点所在的位置所构成的区域。
通过上述技术方案,对待定位图像中的各个像素点通过预设深度学习模型进行识别,从而获得各个像素点属于目标定位区域的概率,并通过设定阈值的方式确定属于目标定位区域的目标像素点,从而得到待定位图像中的目标定位区域,这样,就能够精确地识别出待定位图像中目标定位区域的位置,且不限制目标定位区域的形状,从而能够更好地将目标定位区域与待定位图像中的背景区域分割开,不影响到背景区域的图像完整。例如在对待定位图像中的车牌区域进行定位时,通过上述技术方案就能够精确的将待定位图像中的车牌区域与其他的背景区域区分开,这样,如果需要对该车牌区域进行处理例如打马赛克或用其他图像进行替换时,就不会影响该车牌区域附近其他图像信息,保证了该车牌区域的定位精确性。
在一种可能的实施方式中,用于训练所述预设深度学习模型的训练图像数据中的像素点包括目标定位区域的像素点和非目标定位区域的像素点,其中,所述非目标定位区域的像素点包括背景像素点和模糊像素点,所述背景像素点为属于背景区域的像素点,所述模糊像素点为既不属于所述目标定位区域、也不属于背景区域的像素点;所述预设深度学习模型按照以下方式进行训练:将所述模糊像素点对应的惩罚力度设置为0。
在对预设深度学习模型进行训练的过程中,用于训练的训练数据中通常会包括目标定位区域和非目标定位区域,而非目标定位区域中通常会包括背景区域,有时还会包括一部分模糊区域,如果在对训练数据进行标注时,简单的将该模糊区域标定为背景区域或者目标定位区域,就会导致预设深度学习模型的对该模糊区域的特征也进行学习,进而影响模型对真正的背景区域和目标定位区域的判断,因此,在对预设深度学习模型进行训练的过程中,将属于模糊区域的像素点对应的惩罚力度设置为0,即不对属于模糊像素点设置惩罚项,无论预设深度学习模型在对训练图像数据进行训练时将该模糊像素点确定为背景像素点还是目标定位区域的像素点,都不对其进行惩罚。这样,就能够保证预设深度学习模型对真正的背景区域和目标定位区域进行识别的精度,以避免将不属于目标定位区域的像素点也判定为目标像素点的情况出现。
在一种可能的实施方式中,还可以通过降低该模糊像素点的惩罚力度的方式来减少该模糊像素点对预设深度学习模型的精度的影响。
通过上述技术方案,能够大大减少预设深度学习模型将模糊区域确定为目标定位区域的情况的出现,从而在一定程度上增加了定位精度。
在一种可能的实施方式中,用于训练所述预设深度学习模型的训练图像数据中的像素点包括目标定位区域的像素点和非目标定位区域的像素点,所述目标定位区域的像素点对应的权重大于所述非目标定位区域的像素点对应的权重;所述预设深度学习模型按照以下方式进行训练:根据所述训练图像数据中各个像素点对应的权重确定各个像素点对应的惩罚力度。其中,所述各个像素点对应的惩罚力度与所述训练图像数据中各个像素点对应的权重之间呈正相关关系。
在对预设深度学习模型进行训练时,还可以根据对不同区域的像素点设置不同的权重从而来控制该模型对不同区域的像素点的惩罚力度,例如,通过增加目标定位区域的像素点的权重,以增加对该目标定位区域的像素点的惩罚力度。例如,假设训练数据中的一张训练图像数据中有600*600个像素点,且所述目标定位区域为车牌区域,其中,属于车牌区域的像素点仅仅只有6万个,在这种情况下,如果车牌区域的像素点的权重与非车牌区域的权重相同,那么即使该预设深度学习模型将属于该车牌区域的像素点全部识别为非车牌区域的像素点,也能够达到比较高的识别准确率;这样,如果训练数据中经常出现这类训练图像,则该预设深度学习模型可能就会为了达到较高的准确率而将占比很小的车牌区域全都识别为非车牌区域,从而影响该预设深度学习模型的实际精度,造成该预设深度学习模型欠拟合。而在增加了训练图像数据中属于车牌区域的像素点的权重之后,如果该预设深度学习模型对属于该车牌区域的像素点识别错误,惩罚力度也会增大,从而使得即使预设深度学习模型对该训练图像数据中的其他非车牌区域的像素点都识别正确,整张图片的识别准确率也会很低,由此,就能在一定程度上解决预设深度学习模型欠拟合的问题。
图2是根据本公开一示例性实施例示出的又一定位方法的流程图。如图2所示,在如图1所示的步骤102之前,所述方法还包括步骤201。
在步骤201中,判断待定位图像中是否存在目标定位区域。若是,则转至步骤102,若否,则转至步骤101。即,在步骤101中获取到该待定位图像之后,先对该待定位图像中是否存在目标定位区域进行初步检测,只有当检测到该待定位图像中存在该目标定位区域时,才进行后续的定位步骤。这样,能够使得定位方法更加智能,提高对定位方法的效率,避免了资源的浪费。
图3是根据本公开一示例性实施例示出的一种定位装置的结构框图。如图3所示,所述装置包括:获取模块10,用于获取待定位图像;概率计算模块20,用于将所述待定位图像输入预设深度学习模型以得到所述待定位图像中每个像素点属于目标定位区域的概率;目标像素点确定模块30,用于将所述概率大于预设阈值的像素点确定为属于所述目标定位区域的目标像素点;目标定位区域确定模块40,用于将所述目标像素点所在的区域确定为所述待定位图像中的目标定位区域。
通过上述技术方案,对待定位图像中的各个像素点通过预设深度学习模型进行识别,从而获得各个像素点属于目标定位区域的概率,并通过设定阈值的方式确定属于目标定位区域的目标像素点,从而得到待定位图像中的目标定位区域,这样,就能够精确地识别出待定位图像中目标定位区域的位置,且不限制目标定位区域的形状,从而能够更好地将目标定位区域与待定位图像中的背景区域分割开,不影响到背景区域的图像完整。例如在对待定位图像中的车牌区域进行定位时,通过上述技术方案就能够精确的将待定位图像中的车牌区域与其他的背景区域区分开,这样,如果需要对该车牌区域进行处理例如打马赛克或用其他图像进行替换时,就不会影响该车牌区域附近其他图像信息,保证了该车牌区域的定位精确性。
在一种可能的实施方式中,用于训练所述预设深度学习模型的训练图像数据中的像素点包括目标定位区域的像素点和非目标定位区域的像素点,其中,所述非目标定位区域的像素点包括背景像素点和模糊像素点,所述背景像素点为属于背景区域的像素点,所述模糊像素点为既不属于所述目标定位区域、也不属于背景区域的像素点;所述预设深度学习模型按照以下方式进行训练:将所述模糊像素点对应的惩罚力度设置为0。
在一种可能的实施方式中,用于训练所述预设深度学习模型的训练图像数据中的像素点包括目标定位区域的像素点和非目标定位区域的像素点,所述目标定位区域的像素点对应的权重大于所述非目标定位区域的像素点对应的权重;所述预设深度学习模型按照以下方式进行训练:根据所述训练图像数据中各个像素点对应的权重确定各个像素点对应的惩罚力度。
在一种可能的实施方式中,所述各个像素点对应的惩罚力度与所述训练图像数据中各个像素点对应的权重之间呈正相关关系。
在一种可能的实施方式中,所述概率计算模块20还用于:若检测到所述待定位图像中存在所述目标定位区域,则将所述待定位图像输入预设深度学习模型以得到所述待定位图像中每个像素点属于目标定位区域的概率。
在一种可能的实施方式中,所述目标定位区域为车辆车牌。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图4是根据一示例性实施例示出的一种电子设备400的框图。如图4所示,该电子设备400可以包括:处理器401,存储器402。该电子设备400还可以包括多媒体组件403,输入/输出(I/O)接口404,以及通信组件405中的一者或多者。
其中,处理器401用于控制该电子设备400的整体操作,以完成上述的定位方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该电子设备400的操作,这些数据例如可以包括用于在该电子设备400上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件403可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器402或通过通信组件405发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口404为处理器401和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该电子设备400与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件404可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备400可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的定位方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的定位方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器402,上述程序指令可由电子设备400的处理器401执行以完成上述的定位方法。
图5是根据一示例性实施例示出的一种电子设备500的框图。例如,电子设备500可以被提供为一服务器。参照图5,电子设备500包括处理器522,其数量可以为一个或多个,以及存储器532,用于存储可由处理器522执行的计算机程序。存储器532中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器522可以被配置为执行该计算机程序,以执行上述的定位方法。
另外,电子设备500还可以包括电源组件526和通信组件550,该电源组件526可以被配置为执行电子设备500的电源管理,该通信组件550可以被配置为实现电子设备500的通信,例如,有线或无线通信。此外,该电子设备500还可以包括输入/输出(I/O)接口558。电子设备500可以操作基于存储在存储器532的操作系统,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的定位方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器532,上述程序指令可由电子设备500的处理器522执行以完成上述的定位方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (14)
1.一种定位方法,其特征在于,所述方法包括:
获取待定位图像;
将所述待定位图像输入预设深度学习模型以得到所述待定位图像中每个像素点属于目标定位区域的概率;
将所述概率大于预设阈值的像素点确定为属于所述目标定位区域的目标像素点;
将所述目标像素点所在的区域确定为所述待定位图像中的目标定位区域。
2.根据权利要求1所述的方法,其特征在于,用于训练所述预设深度学习模型的训练图像数据中的像素点包括目标定位区域的像素点和非目标定位区域的像素点,其中,所述非目标定位区域的像素点包括背景像素点和模糊像素点,所述背景像素点为属于背景区域的像素点,所述模糊像素点为既不属于所述目标定位区域、也不属于背景区域的像素点;
所述预设深度学习模型按照以下方式进行训练:
将所述模糊像素点对应的惩罚力度设置为0。
3.根据权利要求1所述的方法,其特征在于,用于训练所述预设深度学习模型的训练图像数据中的像素点包括目标定位区域的像素点和非目标定位区域的像素点,所述目标定位区域的像素点对应的权重大于所述非目标定位区域的像素点对应的权重;
所述预设深度学习模型按照以下方式进行训练:
根据所述训练图像数据中各个像素点对应的权重确定各个像素点对应的惩罚力度。
4.根据权利要求3所述的方法,其特征在于,所述各个像素点对应的惩罚力度与所述训练图像数据中各个像素点对应的权重之间呈正相关关系。
5.根据权利要求1所述的方法,其特征在于,所述将所述待定位图像输入预设深度学习模型以得到所述待定位图像中每个像素点属于目标定位区域的概率包括:
若检测到所述待定位图像中存在所述目标定位区域,则将所述待定位图像输入预设深度学习模型以得到所述待定位图像中每个像素点属于目标定位区域的概率。
6.根据权利要求1-5中任一权利要求所述方法,其特征在于,所述目标定位区域为车辆车牌。
7.一种定位装置,其特征在于,所述装置包括:
获取模块,用于获取待定位图像;
概率计算模块,用于将所述待定位图像输入预设深度学习模型以得到所述待定位图像中每个像素点属于目标定位区域的概率;
目标像素点确定模块,用于将所述概率大于预设阈值的像素点确定为属于所述目标定位区域的目标像素点;
目标定位区域确定模块,用于将所述目标像素点所在的区域确定为所述待定位图像中的目标定位区域。
8.根据权利要求7所述的装置,其特征在于,用于训练所述预设深度学习模型的训练图像数据中的像素点包括目标定位区域的像素点和非目标定位区域的像素点,其中,所述非目标定位区域的像素点包括背景像素点和模糊像素点,所述背景像素点为属于背景区域的像素点,所述模糊像素点为既不属于所述目标定位区域、也不属于背景区域的像素点;
所述预设深度学习模型按照以下方式进行训练:
将所述模糊像素点对应的惩罚力度设置为0。
9.根据权利要求7所述的装置,其特征在于,用于训练所述预设深度学习模型的训练图像数据中的像素点包括目标定位区域的像素点和非目标定位区域的像素点,所述目标定位区域的像素点对应的权重大于所述非目标定位区域的像素点对应的权重;
所述预设深度学习模型按照以下方式进行训练:
根据所述训练图像数据中各个像素点对应的权重确定各个像素点对应的惩罚力度。
10.根据权利要求9所述的装置,其特征在于,所述各个像素点对应的惩罚力度与所述训练图像数据中各个像素点对应的权重之间呈正相关关系。
11.根据权利要求7所述的装置,其特征在于,所述概率计算模块还用于:
若检测到所述待定位图像中存在所述目标定位区域,则将所述待定位图像输入预设深度学习模型以得到所述待定位图像中每个像素点属于目标定位区域的概率。
12.根据权利要求7-11中任一权利要求所述装置,其特征在于,所述目标定位区域为车辆车牌。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
14.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811519575.9A CN109740442B (zh) | 2018-12-12 | 2018-12-12 | 定位方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811519575.9A CN109740442B (zh) | 2018-12-12 | 2018-12-12 | 定位方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740442A true CN109740442A (zh) | 2019-05-10 |
CN109740442B CN109740442B (zh) | 2021-05-07 |
Family
ID=66358885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811519575.9A Active CN109740442B (zh) | 2018-12-12 | 2018-12-12 | 定位方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740442B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598704A (zh) * | 2019-09-26 | 2019-12-20 | 中电万维信息技术有限责任公司 | 基于深度学习的车牌识别无感支付系统 |
CN113033400A (zh) * | 2021-03-25 | 2021-06-25 | 新东方教育科技集团有限公司 | 识别数学式子的方法、装置、存储介质及电子设备 |
CN113221718A (zh) * | 2021-05-06 | 2021-08-06 | 新东方教育科技集团有限公司 | 公式识别方法、装置、存储介质和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650728A (zh) * | 2009-08-26 | 2010-02-17 | 北京邮电大学 | 视频高层特征检索系统及其实现 |
CN105787482A (zh) * | 2016-02-26 | 2016-07-20 | 华北电力大学 | 一种基于深度卷积神经网络的特定目标轮廓图像分割方法 |
CN106355573A (zh) * | 2016-08-24 | 2017-01-25 | 北京小米移动软件有限公司 | 图片中目标物的定位方法及装置 |
CN107025440A (zh) * | 2017-03-27 | 2017-08-08 | 北京航空航天大学 | 一种基于新型卷积神经网络的遥感图像道路提取方法 |
CN107203754A (zh) * | 2017-05-26 | 2017-09-26 | 北京邮电大学 | 一种基于深度学习的车牌定位方法及装置 |
-
2018
- 2018-12-12 CN CN201811519575.9A patent/CN109740442B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650728A (zh) * | 2009-08-26 | 2010-02-17 | 北京邮电大学 | 视频高层特征检索系统及其实现 |
CN105787482A (zh) * | 2016-02-26 | 2016-07-20 | 华北电力大学 | 一种基于深度卷积神经网络的特定目标轮廓图像分割方法 |
CN106355573A (zh) * | 2016-08-24 | 2017-01-25 | 北京小米移动软件有限公司 | 图片中目标物的定位方法及装置 |
CN107025440A (zh) * | 2017-03-27 | 2017-08-08 | 北京航空航天大学 | 一种基于新型卷积神经网络的遥感图像道路提取方法 |
CN107203754A (zh) * | 2017-05-26 | 2017-09-26 | 北京邮电大学 | 一种基于深度学习的车牌定位方法及装置 |
Non-Patent Citations (3)
Title |
---|
左文辉: ""基于高层图像语义的物体共分割"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
文少波 等: "《新能源汽车及其智能化技术》", 30 September 2017, 东南大学出版社 * |
知乎用户: ""caffe下用FCN做图像分割,如何制作训练集?"", 《知乎HTTPS://WWW.ZHIHU.COM/QUESTION/38553167》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598704A (zh) * | 2019-09-26 | 2019-12-20 | 中电万维信息技术有限责任公司 | 基于深度学习的车牌识别无感支付系统 |
CN113033400A (zh) * | 2021-03-25 | 2021-06-25 | 新东方教育科技集团有限公司 | 识别数学式子的方法、装置、存储介质及电子设备 |
CN113033400B (zh) * | 2021-03-25 | 2024-01-19 | 新东方教育科技集团有限公司 | 识别数学式子的方法、装置、存储介质及电子设备 |
CN113221718A (zh) * | 2021-05-06 | 2021-08-06 | 新东方教育科技集团有限公司 | 公式识别方法、装置、存储介质和电子设备 |
CN113221718B (zh) * | 2021-05-06 | 2024-01-16 | 新东方教育科技集团有限公司 | 公式识别方法、装置、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109740442B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3152706B1 (en) | Image capturing parameter adjustment in preview mode | |
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN101939980B (zh) | 电子摄像机和图像处理方法 | |
CN106228168B (zh) | 卡片图像反光检测方法和装置 | |
US20200279120A1 (en) | Method, apparatus and system for liveness detection, electronic device, and storage medium | |
US20210027081A1 (en) | Method and device for liveness detection, and storage medium | |
CN106295638A (zh) | 证件图像倾斜校正方法和装置 | |
CN109740442A (zh) | 定位方法、装置、存储介质及电子设备 | |
CN110287671B (zh) | 验证方法及装置、电子设备和存储介质 | |
CN107527059A (zh) | 文字识别方法、装置及终端 | |
CN111598065B (zh) | 深度图像获取方法及活体识别方法、设备、电路和介质 | |
CN109784028B (zh) | 人脸解锁方法及相关装置 | |
CN105678242A (zh) | 手持证件模式下的对焦方法和装置 | |
WO2019062347A1 (zh) | 人脸识别方法及相关产品 | |
CN111630568A (zh) | 电子装置及其控制方法 | |
CN110795975B (zh) | 人脸误检优化方法及装置 | |
CN115641518A (zh) | 一种无人机用视图感知网络模型及目标检测方法 | |
CN107622497A (zh) | 图像裁剪方法、装置、计算机可读存储介质和计算机设备 | |
CN109753883A (zh) | 视频定位方法、装置、存储介质和电子设备 | |
CN108710828A (zh) | 识别目标物的方法、装置和存储介质以及车辆 | |
JP2022105553A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN113269307B (zh) | 神经网络训练方法以及目标重识别方法 | |
CN110765940B (zh) | 目标对象统计方法和装置 | |
CN113313115A (zh) | 车牌属性识别方法及装置、电子设备和存储介质 | |
CN111091056A (zh) | 图像中的墨镜识别方法及装置、电子设备、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |