CN110188717A - 图像获取方法及装置 - Google Patents

图像获取方法及装置 Download PDF

Info

Publication number
CN110188717A
CN110188717A CN201910480146.3A CN201910480146A CN110188717A CN 110188717 A CN110188717 A CN 110188717A CN 201910480146 A CN201910480146 A CN 201910480146A CN 110188717 A CN110188717 A CN 110188717A
Authority
CN
China
Prior art keywords
image
vehicle
mark
key frame
identification model
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.)
Pending
Application number
CN201910480146.3A
Other languages
English (en)
Inventor
李开军
范哲
和军
陈月
张光辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Yi Zhi Zhong He Mdt Infotech Ltd
CHINA TELECOM CONSTRUCTION 4TH ENGINEERING Co Ltd
Original Assignee
Henan Yi Zhi Zhong He Mdt Infotech Ltd
CHINA TELECOM CONSTRUCTION 4TH ENGINEERING Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan Yi Zhi Zhong He Mdt Infotech Ltd, CHINA TELECOM CONSTRUCTION 4TH ENGINEERING Co Ltd filed Critical Henan Yi Zhi Zhong He Mdt Infotech Ltd
Priority to CN201910480146.3A priority Critical patent/CN110188717A/zh
Publication of CN110188717A publication Critical patent/CN110188717A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种图像获取方法及装置，涉及图像处理技术领域。所述方法包括：从待检测视频中提取至少一个关键帧图像，关键帧图像为所述待检测视频中预设时间点的图像；通过预先设置的识别模型对每个所述关键帧图像进行图像识别，得到违章车辆的标识，所述识别模型为根据预设的车辆图像训练集和车辆标识集进行训练得到的；根据所述违章车辆的标识，获取违章图像，所述违章图像为包括所述违章车辆的图像。通过预先设置的识别模型对各个关键帧图像进行图像识别，从而根据识别得到的违章车辆的标识，获取从关键帧图像中提取得到的违章车辆图像，避免了通过人工手动截取违章车辆图像，减少了获取违章车辆图像所需的时间，提高了获取违章车辆图像的效率。

Description

图像获取方法及装置
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种图像获取方法及装置。
背景技术
为了促进车辆的安全驾驶，车辆在行驶过程中，可通过该车辆的图像采集设备对其他车辆的行驶记录进行图像采集，得到用于确定违章车辆的图像。
相关技术中，用户可以逐帧查看采集的图像，并人为确定图像中出现的违章车辆，再手动对图像中违章车辆所在的区域进行截取，得到仅包括违章车辆的违章图像。
但是，通过人工手动的方式查看图像并截取违章图像，花费的时间较多，造成获取违章图像的效率较低的问题。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种图像获取方法及装置，以解决通过人工手动的方式查看图像并截取违章图像，花费的时间较多，效率较低的问题。
为实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种图像获取方法，所述方法包括：
从待检测视频中提取至少一个关键帧图像，所述关键帧图像为所述待检测视频中预设时间点的图像；
通过预先设置的识别模型对每个所述关键帧图像进行图像识别，得到违章车辆的标识，所述识别模型为根据预设的车辆图像训练集和车辆标识集进行训练得到的；
根据所述违章车辆的标识，获取违章图像，所述违章图像为包括所述违章车辆的图像。
可选的，所述识别模型包括车辆图像识别模型和车辆标识识别模型，所述车辆图像识别模型为根据预设的车辆图像训练集进行训练得到的，所述车辆标识识别模型为根据预设的车辆标识集进行训练得到的；
所述通过预先设置的识别模型对每个所述关键帧图像进行图像识别，得到违章车辆的标识，包括：
将每个所述关键帧图像输入所述车辆图像识别模型，得到至少一个初始车辆图像，所述初始车辆图像为所述关键帧图像中车辆所在区域对应的图像；
从至少一个所述初始车辆图像中，确定目标车辆图像，所述目标车辆图像为包括所述违章车辆的初始车辆图像：
将所述目标车辆图像输入所述车辆标识识别模型，得到所述违章车辆的标识。
可选的，所述从至少一个所述初始车辆图像中，确定目标车辆图像，包括：
根据每个所述初始车辆图像所包括车辆的车辆类别，筛选得到满足预设类别条件的车辆图像；
根据每个所述车辆图像的面积，选取预设数目的车辆图像作为所述目标车辆图像。
可选的，所述将所述目标车辆图像输入所述车辆标识识别模型，得到所述违章车辆的标识，包括：
将所述目标车辆图像输入所述车辆标识识别模型，得到多个待修正车辆标识；
对多个所述待修正车辆标识和初始车辆标识进行比较，得到比较结果，所述初始车辆标识为客户端根据所述待检测视频所识别得到的违章车辆的标识；
根据所述比较结果，从多个所述待修正车辆标识中选取与所述初始车辆标识相似度最大的待修正车辆标识作为所述违章车辆的标识。
可选的，在所述从待检测视频中提取至少一个关键帧图像之前，所述方法还包括：
接收客户端发送的待检测数据；
判断所述待检测数据是否包括所述待检测视频；
所述从待检测视频中提取至少一个关键帧图像，包括：
若所述待检测数据包括所述待检测视频，则从所述待检测视频中提取至少一个所述关键帧图像。
可选的，在所述从所述待检测视频中提取至少一个所述关键帧图像之前，所述方法还包括：
生成与所述客户端对应的标识信息；
建立所述标识信息与所述待检测视频之间的对应关系。
可选的，在所述根据所述违章车辆的标识，获取违章图像之后，所述方法还包括：
生成识别结果，所述识别结果包括如下至少一种参数：所述违章车辆的标识、所述违章车辆的图像、所述违章车辆的违章时间；
向客户端发送所述识别结果。
第二方面，本发明实施例还提供了一种图像获取装置，所述装置包括：
提取模块，用于从待检测视频中提取至少一个关键帧图像，所述关键帧图像为所述待检测视频中预设时间点的图像；
识别模块，用于通过预先设置的识别模型对每个所述关键帧图像进行图像识别，得到违章车辆的标识，所述识别模型为根据预设的车辆图像训练集和车辆标识集进行训练得到的；
获取模块，用于根据所述违章车辆的标识，获取违章图像，所述违章图像为包括所述违章车辆的图像。
可选的，所述识别模型包括车辆图像识别模型和车辆标识识别模型，所述车辆图像识别模型为根据预设的车辆图像训练集进行训练得到的，所述车辆标识识别模型为根据预设的车辆标识集进行训练得到的；
所述识别模块，具体用于将每个所述关键帧图像输入所述车辆图像识别模型，得到至少一个初始车辆图像，所述初始车辆图像为所述关键帧图像中车辆所在区域对应的图像；从至少一个所述初始车辆图像中，确定目标车辆图像，所述目标车辆图像为包括所述违章车辆的初始车辆图像：将所述目标车辆图像输入所述车辆标识识别模型，得到所述违章车辆的标识。
可选的，所述识别模块，还具体用于根据每个所述初始车辆图像所包括车辆的车辆类别，筛选得到满足预设类别条件的车辆图像；根据每个所述车辆图像的面积，选取预设数目的车辆图像作为所述目标车辆图像。
可选的，所述识别模块，还具体用于将所述目标车辆图像输入所述车辆标识识别模型，得到多个待修正车辆标识；对多个所述待修正车辆标识和初始车辆标识进行比较，得到比较结果，所述初始车辆标识为客户端根据所述待检测视频所识别得到的违章车辆的标识；根据所述比较结果，从多个所述待修正车辆标识中选取与所述初始车辆标识相似度最大的待修正车辆标识作为所述违章车辆的标识。
可选的，所述装置还包括：
接收模块，用于接收客户端发送的待检测数据；
判断模块，用于判断所述待检测数据是否包括所述待检测视频；
所述提取模块，具体用于若所述待检测数据包括所述待检测视频，则从所述待检测视频中提取至少一个所述关键帧图像。
可选的，所述装置还包括：
第一生成模块，用于生成与所述客户端对应的标识信息；
建立模块，用于建立所述标识信息与所述待检测视频之间的对应关系。
可选的，所述装置还包括：
第二生成模块，用于生成识别结果，所述识别结果包括如下至少一种参数：所述违章车辆的标识、所述违章车辆的图像、所述违章车辆的违章时间；
发送模块，用于向客户端发送所述识别结果。
本发明的有益效果是：
本发明实施例通过从待检测视频中提取至少一个关键帧图像，所述关键帧图像为所述待检测视频中预设时间点的图像；通过预先设置的识别模型对每个所述关键帧图像进行图像识别，得到违章车辆的标识，所述识别模型为根据预设的车辆图像训练集和车辆标识集进行训练得到的；根据所述违章车辆的标识，获取违章图像，所述违章图像为包括所述违章车辆的图像。通过预先设置的识别模型对各个关键帧图像进行图像识别，从而根据识别得到的违章车辆的标识，获取从关键帧图像中提取得到的违章图像，避免了通过人工手动截取违章图像，减少了获取违章图像所需的时间，提高了获取违章图像的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明提供的一种图像获取方法所涉及的图像获取系统的结构示意图；
图2为本发明一实施例提供的图像获取方法的流程示意图；
图3为本发明另一实施例提供的图像获取方法的流程示意图；
图4为本发明一实施例提供的图像获取装置的示意图；
图5为本发明另一实施例提供的图像获取装置的示意图；
图6为本发明又一实施例提供的图像获取装置的示意图；
图7为本发明又一实施例提供的图像获取装置的示意图；
图8为本发明一实施例提供的图像获取装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
图1为本发明提供的一种图像获取方法所涉及的图像获取系统的结构示意图；如图1所示，该系统包括：图像采集设备110和服务器120，图像采集设备110与服务器120链路连接，例如，图像采集设备110与服务器120可以采用有线连接或无线连接的方式进行连接，图1中仅是以无线连接的方式进行示例。
其中，图像采集设备110可以加载与服务器120的接口相匹配的客户端，可以通过该客户端向服务器120发送图像采集设备110采集的图像和/或视频。
而且，图像采集设备110可以安装在车辆内，则车辆在行驶过程中，图像采集设备110可以对其他车辆进行拍摄，以便服务器120通过拍摄得到的待检测视频确定违章车辆。
具体地，图像采集设备110可以对道路中行驶的违章车辆进行拍摄，并通过加载的客户端向服务器120发送拍摄得到的待检测视频，则服务器120可以接收并分析处理该待检测视频，得到违章车辆的标识和包括违章车辆的违章图像。
进一步地，服务器120在对待检测视频进行分析处理的过程中，可以按照预先设置的预设时间点，对待检测视频中与预设时间点对应的关键帧图像进行提取，再将提取得到的各个关键帧图像对应的存储路径加入预先设置的消息队列中，并通过预先设置的车辆图像识别模型和车辆标识识别模型，从消息队列中获取各个关键帧图像，并对各个关键帧图像进行分析识别，得到识别结果，之后结合客户端发送的初始车辆标识，确定违章车辆的标识和违章图像。
其中，车辆图像识别模型和车辆标识识别模型均是通过预设的车辆图像训练集和车辆标识集训练得到的，车辆图像识别模型用于识别图像中的车辆，而车辆标识识别模型用于识别图像中车辆的标识信息，例如，可以用于识别车辆的车牌。
而且，初始车辆标识是客户端对待检测视频进行识别得到的违章车辆的标识，客户端可以在向服务器120发送待检测视频的同时，向服务器120发送初始车辆标识。
需要说明的是，在实际应用中，图像采集设备110可以为行车记录仪，也可以为包括摄像头的移动终端，还可以为具有图像采集功能的终端，本发明实施例对此不做限定。
另外，图像采集设备110也可以不加载客户端，而是通过与图像采集设备110连接的终端加载客户端，本发明实施例对加载客户端的设备不做限定。
图2为本发明一实施例提供的图像获取方法的流程示意图，应用于如图1所示的服务器，如图2所示，该方法包括：
步骤201、从待检测视频中提取至少一个关键帧图像。
其中，该关键帧图像为待检测视频中预设时间点的图像。
为了确认客户端上传的待检测视频中的违章车辆，可以针对待检测视频中与预设时间点对应的关键帧图像进行图像识别，从而得到指示违章车辆的识别结果。
因此，在接收客户端发送的待检测数据后，可以从待检测数据的待检测视频中提取得到至少一个关键帧图像，以便在后续步骤中，可以根据至少一个关键帧图像进行识别。
具体地，服务器可以根据预先设置的预设时间点，将待检测数据中的待检测视频对应的关键帧图像进行提取，并将提取得到的关键帧图像存储在预先设置的存储空间中，从而得到关键帧图像的存储路径，进而可以将各个关键帧图像的存储路径作为待检测信息加入消息队列中，以便在后续步骤中服务器可以根据待检测信息从预先设置的存储空间中获取关键帧图像。
另外，各个关键帧图像为服务器根据预先设置的预设时间点，从待检测视频中选取的与各个预设时间点相对应的帧图像。例如，预设时间点包括：5S(秒)、10S、15S和20S等多个时刻，待检测视频的时长为18S，则可以将待检测视频中5S、10S和15S对应的帧图像作为关键帧图像。
步骤202、通过预先设置的识别模型对每个关键帧图像进行图像识别，得到违章车辆的标识。
其中，该识别模型为根据预设的车辆图像训练集和车辆标识集进行训练得到的。
服务器在提取得到关键帧图像后，可以根据消息队列中待检测信息的关键帧图像的存储路径获取至少一个关键帧图像，并对各个关键帧图像进行图像识别，从而得到关键帧图像中违章车辆对应的违章车辆的标识。
具体地，服务器可以根据每个关键帧图像的存储路径，从存储路径对应的存储空间中获取各个关键帧图像，并将各个关键帧图像分别输入预先设置的识别模型中，通过识别模型对每个关键帧图像进行图像识别，从而得到图像识别结果，再根据每个关键帧图像对应的图像识别结果进行分析，得到违章车辆的违章车辆的标识。
需要说明的是，在实际应用中，服务器可以周期性地检测消息队列，确定消息队列中是否包括待检测信息，若包括待检测信息，则可以从消息队列中获取该待检测信息。但是，若消息队列中不包括待检测信息，则服务器可以继续周期性地检测消息队列是否包括待检测信息。
另外，该违章车辆的标识可以包括违章车辆的车牌信息，也可以包括违章车辆的品牌、型号和颜色等信息，本发明实施例对此不做限定。
步骤203、根据违章车辆的标识，获取违章图像。
其中，违章图像为包括违章车辆的图像。
在确定违章车辆的标识之后，服务器可以根据违章车辆的标识，从关键帧图像或者识别模型输出的图像识别结果中，选取与违章车辆的标识相对应的违章图像，实现对违章图像的识别提取。
具体地，若识别模型输出的识别结果中包括关键帧图像中各个车辆对应的图像，则服务器可以根据违章车辆的标识，从各个车辆对应的图像中，选取与违章车辆的标识相匹配的图像作为违章图像。
进一步地，在实际应用中，服务器还可以将服务器存储违章图像的存储空间所对应的存储路径和违章车辆的标识作为识别结果，发送给客户端，以便客户端可以向用户展示该识别结果。
综上所述，本发明实施例提供的图像获取方法，通过从待检测视频中提取至少一个关键帧图像，所述关键帧图像为所述待检测视频中预设时间点的图像；通过预先设置的识别模型对每个所述关键帧图像进行图像识别，得到违章车辆的标识，所述识别模型为根据预设的车辆图像训练集和车辆标识集进行训练得到的；根据所述违章车辆的标识，获取违章图像，所述违章图像为包括所述违章车辆的图像。通过预先设置的识别模型对各个关键帧图像进行图像识别，从而根据识别得到的违章车辆的标识，获取从关键帧图像中提取得到的违章图像，避免了通过人工手动截取违章图像，减少了获取违章图像所需的时间，提高了获取违章图像的效率。
图3为本发明另一实施例提供的图像获取方法的流程示意图，如图3所示，该方法包括：
步骤301、接收客户端发送的待检测数据。
为了促进车辆的安全驾驶，车辆携带的图像采集设备可以对道路中行驶的车辆进行拍摄，并通过加载的客户端向服务器发送车辆违章的待检测数据，相应的，服务器可以接收并提取客户端发送的待检测数据，得到待检测信息，从而将待检测信息加入预先设置的消息队列，以便在后续步骤中，可以对消息队列中的待检测信息进行处理，得到违章图像。
因此，服务器可以先接收客户端发送的待检测数据，并对待检测数据进行提取，得到待检测信息，最后将待检测信息加入消息队列。
其中，客户端发送的待检测数据可以包括待检测视频，也即是道路中的车辆出现违章行为时的视频数据。
而且，待检测信息可以包括初始车辆标识，还可以包括从待检测视频中提取的各个关键帧图像的存储路径，该存储路径用于指示服务器存储各个关键帧图像的存储空间对应的存储路径。其中，初始车辆标识为客户端根据待检测视频识别得到的违章车辆的车辆标识。
具体地，服务器接收待检测数据后，可以根据预先设置的预设时间点，对待检测数据中的待检测视频的各个帧图像进行选取，得到与预设时间点对应的关键帧图像，再将各个关键帧图像存储在预先设置的存储空间中，从而将待检测数据中的初始车辆标识和关键帧图像的存储路径作为待检测信息加入消息队列中。
进一步地，为了提高获取待检测信息的效率，避免获取无效的待检测信息，在对待检测数据进行提取之前，可以先判断待检测数据是否包括待检测视频。
若待检测数据包括待检测视频，说明可以通过该待检测数据提取得到待检测信息。但是，若待检测数据不包括待检测视频，则说明无法通过该待检测数据生成待检测信息。
相应的，若待检测数据包括待检测视频，则服务器可以对待检测数据进行提取，得到待检测信息。但是，若待检测数据不包括待检测视频，则服务器可以丢弃该待检测数据。
另外，为了在后续步骤中，可以准确地向发送待检测数据的客户端反馈违章车辆的识别结果，可以生成与客户端对应的标识信息，建立标识信息与待检测视频之间的对应关系。
其中，该标识信息用于指示客户端，可以将客户端登录的账户作为标识信息，也可以将加载客户端的图像采集设备的标识信息作为标识信息，还可以将客户端的互联网协议(英文：Internet Protocol，简称：IP)地址作为标识信息。
当然，还可以采用其他具有标识性功能的数据作为标识信息，本发明实施例对此不做限定。
步骤302、若待检测数据包括待检测视频，则从待检测视频中提取至少一个关键帧图像。
其中，关键帧图像为待检测视频中预设时间点的图像。
步骤303、将每个关键帧图像输入车辆图像识别模型，得到至少一个初始车辆图像。
服务器在获取待检测信息、提取得到待检测信息中各个关键帧图像对应的存储路径后，可以根据各个关键帧图像的存储路径，获取每个关键帧图像。
因此，服务器可以从预先设置的存储空间中，选取与存储路径相一致的关键帧图像作为本次违章车辆识别的关键帧图像。
服务器可以预先存储根据预设的车辆图像训练集和车辆标识集进行训练得到的识别模型，由于在对车辆进行识别的过程中，可以通过训练的模型输出不同的车辆识别结果，因此可以根据模型输出的车辆识别结果对识别模型进行分类。
例如，识别模型包括车辆图像识别模型和车辆标识识别模型，车辆图像识别模型为根据预设的车辆图像训练集进行训练得到的，车辆标识识别模型为根据预设的车辆标识集进行训练得到的，车辆图像识别模型用于识别关键帧图像中的车辆，车辆标识识别模型用于识别关键帧图像中车辆对应的车辆标识。
相应的，服务器在获取各个关键帧图像后，可以将各个关键帧图像分别输入预先设置的车辆图像识别模型，从而通过车辆图像识别模型对关键帧图像进行分析识别，得到包括多种不同车辆类型的初始车辆图像。
其中，初始车辆图像为关键帧图像中车辆所在区域对应的图像。
例如，车辆图像识别模型输出的车辆识别结果的格式为其中，为模型输出结果，label为识别到车辆的类别标签，P为车辆与车辆的类别相对应的概率，xtop、ytop、xbottom和ybottom为初始车辆图像在关键帧图像中的坐标，例如，(xtop，ytop)表示初始车辆图像在关键帧图像中的左上角坐标，(xbottom，ybottom)表示初始车辆图像在关键帧图像中的右下角坐标，进一步地，可以通过Opencv(一种跨平台计算机视觉库)的rectangle函数，根据各个坐标在关键帧图像中确定各个初始车辆图像对应的区域。
步骤304、从至少一个初始车辆图像中，确定目标车辆图像。
其中，目标车辆图像为包括违章车辆的初始车辆图像。
由于车辆图像识别模型输出的结果包括多种类型的车辆，而在识别违章车辆的过程中，仅需要识别其中的一种类型的车辆，因此，在得到车辆图像识别模型输出的车辆识别结果后，可以对车辆识别结果进行筛选，得到满足相应条件的目标车辆图像。
可选的，服务器可以根据每个初始车辆图像所包括车辆的车辆类别，筛选得到满足预设类别条件的车辆图像。
例如，若车辆图像识别模型输出的车辆识别结果包括：行人、汽车、自行车、摩托车和公交车，与步骤303相对应的，行人、汽车、自行车、摩托车和公交车分别对应的label为1、2、3、4和5，而需要识别的违章车辆为汽车，则可以保留label为2的车辆识别结果，从而得到满足预设类别条件的车辆图像。
进一步地，由于关键帧图像中可以包括多个车辆，而违章车辆可能仅为关键帧图像中的一辆或者几辆车辆，因此，还可以对车辆图像进行再次筛选，得到疑似为违章车辆的目标车辆图像。
可选的，服务器可以根据每个车辆图像的面积，选取预设数目的车辆图像作为目标车辆图像。
由于用户在驾驶车辆的过程中，发现前方车辆出现违章行为的概率最高，而车辆携带的图像采集设备所拍摄的视频中，前方车辆在关键帧图像所占的区域最大，因此，可以根据各个车辆图像在关键帧图像中所占的面积，筛选得到目标车辆图像。
具体地，服务器可以根据车辆图像识别模型输出的各个车辆识别结果中的坐标，计算得到每个车辆图像在关键帧图像中所占的面积，将面积大于预设阈值的车辆图像作为目标车辆图像。
例如，可以按照预先设置的面积计算公式，对各个车辆图像的面积进行计算，该面积计算公式可以为：A＝(xtop-xbottom)×(ytop-ybottom)，其中，A为车辆图像的面积，xtop为车辆图像的最大横向坐标，xbottom为车辆图像的最小横向坐标，ytop为车辆图像的最大纵向坐标，ybottom为车辆图像的最小纵向坐标。
需要说明的是，在实际应用中，还可以选取面积最大的一个或多个车辆图像作为目标车辆图像。例如，在得到各个车辆图像的面积后，可以选取面积最大的3个车辆图像作为目标车辆图像。
步骤305、将目标车辆图像输入车辆标识识别模型，得到违章车辆的标识。
在得到目标车辆图像后，可以将目标车辆图像输入预先设置的车辆标识识别模型，通过车辆标识识别模型对各个目标车辆图像进行分析识别，得到多个目标车辆图像对应的待修正车辆标识，从而可以在多个待修正车辆标识中得到违章车辆的标识。
为了提高确定违章车辆的标识的准确性，可以将车辆标识识别模型输出的多个待修正车辆标识，与待检测信息中的初始车辆标识进行比较，选取与初始车辆标识相似度最高的待修正车辆标识作为违章车辆的标识。
可选的，服务器可以将目标车辆图像输入车辆标识识别模型，得到多个待修正车辆标识，对多个待修正车辆标识和初始车辆标识进行比较，得到比较结果，根据比较结果，从多个待修正车辆标识中选取与初始车辆标识相似度最大的待修正车辆标识作为违章车辆的标识。
具体地，在对多个待修正车辆标识和初始车辆标识进行比较的过程中，可以将每个待修正车辆标识和初始车辆标识进行比较，获取每个待修正车辆标识与初始车辆标识的莱文斯坦比。莱文斯坦比的参数值越大，表示待修正车辆标识与初始车辆标识越相似，因此可以将参数值最大的莱文斯坦比所对应的待修正车辆标识作为违章车辆的标识。
例如，可以根据预先设置的莱文斯坦比公式，计算各个待修正车辆标识与初始车辆标识的莱文斯坦比，该莱文斯坦比公式为：d＝[(len(str1)+len(str2))-ldist]/(len(str1)+len(str2))，其中，d为莱文斯坦比，len(str1)为待修正车辆标识对应的字符串，len(str2)为初始车辆标识对应的字符串，ldist为类编辑距离，用于表示待修正车辆标识转换为初始车辆标识所需的最少操作数，在转换过程中，对一个字符执行删除或插入操作，则类编辑距离加1，对一个字符执行替换操作，则类编辑距离加2。
步骤306、根据违章车辆的标识，获取违章图像，违章图像为包括违章车辆的图像。
在得到违章车辆的标识后，服务器可以将步骤305中与该违章车辆的标识相对应的目标车辆图像作为违章图像，也即是，将提取得到违章车辆的标识的目标车辆图像作为违章图像。
步骤307、生成识别结果。
其中，该识别结果包括如下至少一种参数：违章车辆的标识、违章车辆的图像、违章车辆的违章时间，违章车辆的违章时间用于指示待检测视频中违章车辆出现违章行为的时间段。
服务器在获取违章图像和违章车辆的标识后，可以向客户端反馈该识别得到的识别结果，以便客户端向用户展示与提交的待检测数据相对应的识别结果。
但是，在实际应用中，存在多个客户端向服务器发送待检测数据，而服务器也需要向各个客户端反馈与该客户端提交的待检测数据相对应的识别结果。
因此，服务器可以先将生成的识别结果加入消息队列，以便在后续步骤中，服务器可以根据预先设置的标识信息向对应的客户端反馈识别结果。
可选的，服务器可以根据违章图像对应的存储路径和违章车辆的标识，生成识别结果，再将识别结果加入消息队列。
具体地，服务器可以先获取存储该违章图像的存储空间所对应的存储路径，再获取与该违章图像相对应的违章车辆的标识，将二者进行组合生成识别结果，最后将识别结果加入预先设置的消息队列中。
步骤308、向客户端发送识别结果。
服务器不但可以向消息队列中添加待检测信息，也可以对消息队列中的识别结果进行检测，若检测到识别结果，则可以将该识别结果发送给相对应的客户端。
由于在步骤301中服务器在将待检测信息加入消息队列之前，建立了与客户端对应的标识信息与待检测信息之间的对应关系，因此，服务器可以根据该对应关系，确定与识别结果相对应的客户端。
可选的，服务器可以从消息队列中，获取与标识信息对应的识别结果，向客户端发送识别结果。其中，该标识信息与客户端对应。
具体地，服务器先检测消息队列中是否包括识别结果，若包括识别结果，则可以确定与该识别结果相对应的待检测信息，再根据标识信息与待检测信息之间的对应关系，确定该识别结果对应的标识信息，最后根据该标识信息，向对应的客户端反馈识别结果。
需要说明的是，在实际应用中，该识别结果不但可以包括违章图像对应的存储路径和违章车辆的标识，还可以包括其他用于表示违章车辆信息的数据，本发明实施例对此不做限定。
综上所述，本发明实施例提供的图像获取方法，通过从待检测视频中提取至少一个关键帧图像，所述关键帧图像为所述待检测视频中预设时间点的图像；通过预先设置的识别模型对每个所述关键帧图像进行图像识别，得到违章车辆的标识，所述识别模型为根据预设的车辆图像训练集和车辆标识集进行训练得到的；根据所述违章车辆的标识，获取违章图像，所述违章图像为包括所述违章车辆的图像。通过预先设置的识别模型对各个关键帧图像进行图像识别，从而根据识别得到的违章车辆的标识，获取从关键帧图像中提取得到的违章图像，避免了通过人工手动截取违章图像，减少了获取违章图像所需的时间，提高了获取违章图像的效率。
图4为本发明一实施例提供的图像获取装置的示意图，如图4所示，该装置具体包括：
提取模块401，用于从待检测视频中提取至少一个关键帧图像，该关键帧图像为该待检测视频中预设时间点的图像；
识别模块402，用于通过预先设置的识别模型对每个该关键帧图像进行图像识别，得到违章车辆的标识，该识别模型为根据预设的车辆图像训练集和车辆标识集进行训练得到的；
获取模块403，用于根据该违章车辆的标识，获取违章图像，该违章图像为包括该违章车辆的图像。
可选的，该识别模型包括车辆图像识别模型和车辆标识识别模型，该车辆图像识别模型为根据预设的车辆图像训练集进行训练得到的，该车辆标识识别模型为根据预设的车辆标识集进行训练得到的；
该识别模块402，具体用于将每个该关键帧图像输入该车辆图像识别模型，得到至少一个初始车辆图像，该初始车辆图像为该关键帧图像中车辆所在区域对应的图像；从至少一个该初始车辆图像中，确定目标车辆图像，该目标车辆图像为包括该违章车辆的初始车辆图像：将该目标车辆图像输入该车辆标识识别模型，得到该违章车辆的标识。
可选的，该识别模块402，还具体用于根据每个该初始车辆图像所包括车辆的车辆类别，筛选得到满足预设类别条件的车辆图像；根据每个该车辆图像的面积，选取预设数目的车辆图像作为该目标车辆图像。
可选的，该识别模块402，还具体用于将该目标车辆图像输入该车辆标识识别模型，得到多个待修正车辆标识；对多个该待修正车辆标识和该初始车辆标识进行比较，得到比较结果，所述初始车辆标识为客户端根据所述待检测视频所识别得到的违章车辆的标识；根据该比较结果，从多个该待修正车辆标识中选取与该初始车辆标识相似度最大的待修正车辆标识作为该违章车辆的标识。
可选的，参见图5，该装置还包括：
接收模块404，用于接收客户端发送的待检测数据；
判断模块405，用于判断该待检测数据是否包括该待检测视频；
该提取模块401，具体用于若该待检测数据包括该待检测视频，则从该待检测视频中提取至少一个该关键帧图像。
可选的，参见图6，该装置还包括：
第一生成模块406，用于生成与该客户端对应的标识信息；
建立模块407，用于建立该标识信息与该待检测视频之间的对应关系。
可选的，参见图7，该装置还包括：
第二生成模块408，用于生成识别结果，该识别结果包括如下至少一种参数：该违章车辆的标识、该违章车辆的图像、该违章车辆的违章时间；
发送模块409，用于向客户端发送该识别结果。
综上所述，本发明实施例提供的图像获取装置，通过从待检测视频中提取至少一个关键帧图像，所述关键帧图像为所述待检测视频中预设时间点的图像；通过预先设置的识别模型对每个所述关键帧图像进行图像识别，得到违章车辆的标识，所述识别模型为根据预设的车辆图像训练集和车辆标识集进行训练得到的；根据所述违章车辆的标识，获取违章图像，所述违章图像为包括所述违章车辆的图像。通过预先设置的识别模型对各个关键帧图像进行图像识别，从而根据识别得到的违章车辆的标识，获取从关键帧图像中提取得到的违章图像，避免了通过人工手动截取违章图像，减少了获取违章图像所需的时间，提高了获取违章图像的效率。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图8为本发明一实施例提供的图像获取装置的示意图，该装置可以集成于终端设备或者终端设备的芯片，该终端可以是具备图像获取功能的计算设备。
该装置包括：存储器801、处理器802。
存储器801用于存储程序，处理器802调用存储器801存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (14)

1.一种图像获取方法，其特征在于，所述方法包括：
从待检测视频中提取至少一个关键帧图像，所述关键帧图像为所述待检测视频中预设时间点的图像；
通过预先设置的识别模型对每个所述关键帧图像进行图像识别，得到违章车辆的标识，所述识别模型为根据预设的车辆图像训练集和车辆标识集进行训练得到的；
根据所述违章车辆的标识，获取违章图像，所述违章图像为包括所述违章车辆的图像。
2.如权利要求1所述的方法，其特征在于，所述识别模型包括车辆图像识别模型和车辆标识识别模型，所述车辆图像识别模型为根据预设的车辆图像训练集进行训练得到的，所述车辆标识识别模型为根据预设的车辆标识集进行训练得到的；
所述通过预先设置的识别模型对每个所述关键帧图像进行图像识别，得到违章车辆的标识，包括：
将每个所述关键帧图像输入所述车辆图像识别模型，得到至少一个初始车辆图像，所述初始车辆图像为所述关键帧图像中车辆所在区域对应的图像；
从至少一个所述初始车辆图像中，确定目标车辆图像，所述目标车辆图像为包括所述违章车辆的初始车辆图像：
将所述目标车辆图像输入所述车辆标识识别模型，得到所述违章车辆的标识。
3.如权利要求2所述的方法，其特征在于，所述从至少一个所述初始车辆图像中，确定目标车辆图像，包括：
根据每个所述初始车辆图像所包括车辆的车辆类别，筛选得到满足预设类别条件的车辆图像；
根据每个所述车辆图像的面积，选取预设数目的车辆图像作为所述目标车辆图像。
4.如权利要求2所述的方法，其特征在于，所述将所述目标车辆图像输入所述车辆标识识别模型，得到所述违章车辆的标识，包括：
将所述目标车辆图像输入所述车辆标识识别模型，得到多个待修正车辆标识；
对多个所述待修正车辆标识和初始车辆标识进行比较，得到比较结果，所述初始车辆标识为客户端根据所述待检测视频所识别得到的违章车辆的标识；
根据所述比较结果，从多个所述待修正车辆标识中选取与所述初始车辆标识相似度最大的待修正车辆标识作为所述违章车辆的标识。
5.如权利要求1所述的方法，其特征在于，在所述从待检测视频中提取至少一个关键帧图像之前，所述方法还包括：
接收客户端发送的待检测数据；
判断所述待检测数据是否包括所述待检测视频；
所述从待检测视频中提取至少一个关键帧图像，包括：
若所述待检测数据包括所述待检测视频，则从所述待检测视频中提取至少一个所述关键帧图像。
6.如权利要求5所述的方法，其特征在于，在所述从所述待检测视频中提取至少一个所述关键帧图像之前，所述方法还包括：
生成与所述客户端对应的标识信息；
建立所述标识信息与所述待检测视频之间的对应关系。
7.如权利要求1至6任一所述的方法，其特征在于，在所述根据所述违章车辆的标识，获取违章图像之后，所述方法还包括：
生成识别结果，所述识别结果包括如下至少一种参数：所述违章车辆的标识、所述违章车辆的图像、所述违章车辆的违章时间；
向客户端发送所述识别结果。
8.一种图像获取装置，其特征在于，所述装置包括：
提取模块，用于从待检测视频中提取至少一个关键帧图像，所述关键帧图像为所述待检测视频中预设时间点的图像；
识别模块，用于通过预先设置的识别模型对每个所述关键帧图像进行图像识别，得到违章车辆的标识，所述识别模型为根据预设的车辆图像训练集和车辆标识集进行训练得到的；
获取模块，用于根据所述违章车辆的标识，获取违章图像，所述违章图像为包括所述违章车辆的图像。
9.如权利要求8所述的装置，其特征在于，所述识别模型包括车辆图像识别模型和车辆标识识别模型，所述车辆图像识别模型为根据预设的车辆图像训练集进行训练得到的，所述车辆标识识别模型为根据预设的车辆标识集进行训练得到的；
所述识别模块，具体用于将每个所述关键帧图像输入所述车辆图像识别模型，得到至少一个初始车辆图像，所述初始车辆图像为所述关键帧图像中车辆所在区域对应的图像；从至少一个所述初始车辆图像中，确定目标车辆图像，所述目标车辆图像为包括所述违章车辆的初始车辆图像：将所述目标车辆图像输入所述车辆标识识别模型，得到所述违章车辆的标识。
10.如权利要求9所述的装置，其特征在于，所述识别模块，还具体用于根据每个所述初始车辆图像所包括车辆的车辆类别，筛选得到满足预设类别条件的车辆图像；根据每个所述车辆图像的面积，选取预设数目的车辆图像作为所述目标车辆图像。
11.如权利要求9所述的装置，其特征在于，所述识别模块，还具体用于将所述目标车辆图像输入所述车辆标识识别模型，得到多个待修正车辆标识；对多个所述待修正车辆标识和初始车辆标识进行比较，得到比较结果，所述初始车辆标识为客户端根据所述待检测视频所识别得到的违章车辆的标识；根据所述比较结果，从多个所述待修正车辆标识中选取与所述初始车辆标识相似度最大的待修正车辆标识作为所述违章车辆的标识。
12.如权利要求8所述的装置，其特征在于，所述装置还包括：
接收模块，用于接收客户端发送的待检测数据；
判断模块，用于判断所述待检测数据是否包括所述待检测视频；
所述提取模块，具体用于若所述待检测数据包括所述待检测视频，则从所述待检测视频中提取至少一个所述关键帧图像。
13.如权利要求12所述的装置，其特征在于，所述装置还包括：
第一生成模块，用于生成与所述客户端对应的标识信息；
建立模块，用于建立所述标识信息与所述待检测视频之间的对应关系。
14.如权利要求8至13任一所述的装置，其特征在于，所述装置还包括：
第二生成模块，用于生成识别结果，所述识别结果包括如下至少一种参数：所述违章车辆的标识、所述违章车辆的图像、所述违章车辆的违章时间；
发送模块，用于向客户端发送所述识别结果。
CN201910480146.3A 2019-06-03 2019-06-03 图像获取方法及装置 Pending CN110188717A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910480146.3A CN110188717A (zh) 2019-06-03 2019-06-03 图像获取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910480146.3A CN110188717A (zh) 2019-06-03 2019-06-03 图像获取方法及装置

Publications (1)

Publication Number Publication Date
CN110188717A true CN110188717A (zh) 2019-08-30

Family

ID=67720114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910480146.3A Pending CN110188717A (zh) 2019-06-03 2019-06-03 图像获取方法及装置

Country Status (1)

Country Link
CN (1) CN110188717A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001662A (zh) * 2020-09-14 2020-11-27 支付宝(杭州)信息技术有限公司 一种商户图像的风险检验方法、装置及设备
CN112149624A (zh) * 2020-10-16 2020-12-29 腾讯科技（深圳）有限公司 一种交通标识图像处理方法和装置
CN113361426A (zh) * 2021-06-11 2021-09-07 爱保科技有限公司 车辆定损图像获取方法、介质、装置和电子设备
CN114339299A (zh) * 2021-12-27 2022-04-12 司法鉴定科学研究院 一种汽车行车记录仪视频取证方法
CN115273266A (zh) * 2022-06-20 2022-11-01 驭势（上海）汽车科技有限公司 一种巡逻系统
CN116092302A (zh) * 2023-01-10 2023-05-09 山东浪潮科学研究院有限公司 一种基于fpga的智能抓拍系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093194A (zh) * 2013-01-07 2013-05-08 信帧电子技术（北京）有限公司 一种基于视频的违章车辆检测方法及装置
CN106571039A (zh) * 2016-08-22 2017-04-19 中海网络科技股份有限公司 一种高速公路违章行为自动抓拍系统
CN107730904A (zh) * 2017-06-13 2018-02-23 银江股份有限公司 基于深度卷积神经网络的多任务车辆逆向行驶视觉检测系统
CN107730905A (zh) * 2017-06-13 2018-02-23 银江股份有限公司 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法
CN109686109A (zh) * 2019-01-02 2019-04-26 江苏警官学院 一种基于人工智能的停车场安全监控管理系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093194A (zh) * 2013-01-07 2013-05-08 信帧电子技术（北京）有限公司 一种基于视频的违章车辆检测方法及装置
CN106571039A (zh) * 2016-08-22 2017-04-19 中海网络科技股份有限公司 一种高速公路违章行为自动抓拍系统
CN107730904A (zh) * 2017-06-13 2018-02-23 银江股份有限公司 基于深度卷积神经网络的多任务车辆逆向行驶视觉检测系统
CN107730905A (zh) * 2017-06-13 2018-02-23 银江股份有限公司 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法
CN109686109A (zh) * 2019-01-02 2019-04-26 江苏警官学院 一种基于人工智能的停车场安全监控管理系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001662A (zh) * 2020-09-14 2020-11-27 支付宝(杭州)信息技术有限公司 一种商户图像的风险检验方法、装置及设备
CN112149624A (zh) * 2020-10-16 2020-12-29 腾讯科技（深圳）有限公司 一种交通标识图像处理方法和装置
CN113361426A (zh) * 2021-06-11 2021-09-07 爱保科技有限公司 车辆定损图像获取方法、介质、装置和电子设备
CN114339299A (zh) * 2021-12-27 2022-04-12 司法鉴定科学研究院 一种汽车行车记录仪视频取证方法
CN115273266A (zh) * 2022-06-20 2022-11-01 驭势（上海）汽车科技有限公司 一种巡逻系统
CN116092302A (zh) * 2023-01-10 2023-05-09 山东浪潮科学研究院有限公司 一种基于fpga的智能抓拍系统及方法

Similar Documents

Publication Publication Date Title
CN110188717A (zh) 图像获取方法及装置
CN109508694A (zh) 一种人脸识别方法及识别装置
CN108491794A (zh) 面部识别的方法和装置
CN110298662B (zh) 交易重复提交的自动化检测方法及装置
CN109472193A (zh) 人脸检测方法及装置
CN112418360B (zh) 卷积神经网络的训练方法、行人属性识别方法及相关设备
CN109740533A (zh) 遮挡比例确定方法、装置和电子系统
CN111753782B (zh) 一种基于双流网络的假脸检测方法、装置及电子设备
CN105302815B (zh) 网页的统一资源定位符url的过滤方法和装置
CN108875481A (zh) 用于行人检测的方法、装置、系统及存储介质
CN111177469A (zh) 人脸检索方法及人脸检索装置
CN111241938A (zh) 基于图像校验的人脸识别方法、装置和计算机设备
WO2022161397A1 (zh) 人脸图像的验证方法、装置、电子设备和存储介质
CN109284613A (zh) 标识检测及仿冒站点检测方法、装置、设备及存储介质
CN113065568A (zh) 目标检测、属性识别与跟踪方法及系统
CN110647895A (zh) 一种基于登录框图像的钓鱼页面识别方法及相关设备
CN112052702A (zh) 一种识别二维码的方法和装置
CN108288025A (zh) 一种车载视频监控方法、装置及设备
Albisani et al. Checking PRNU Usability on modern devices
CN110223277A (zh) 图像生成的方法、装置、终端设备及存储介质
CN110245696A (zh) 基于视频的违法事件监控方法、设备及可读存储介质
CN111091089B (zh) 一种人脸图像处理方法、装置、电子设备及存储介质
CN110348272A (zh) 动态人脸识别的方法、装置、系统和介质
CN108171053B (zh) 一种规则发现的方法以及系统
CN110428264A (zh) 基于点阵屏防伪标签的识别验伪方法、装置、设备及介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190830