CN110287786A - 基于人工智能防干扰的车辆信息识别方法及装置 - Google Patents
基于人工智能防干扰的车辆信息识别方法及装置 Download PDFInfo
- Publication number
- CN110287786A CN110287786A CN201910420734.8A CN201910420734A CN110287786A CN 110287786 A CN110287786 A CN 110287786A CN 201910420734 A CN201910420734 A CN 201910420734A CN 110287786 A CN110287786 A CN 110287786A
- Authority
- CN
- China
- Prior art keywords
- candidate region
- artificial intelligence
- video monitoring
- identification model
- sample
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
-
- 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
Abstract
本发明公开了一种基于人工智能防干扰的车辆信息识别方法及装置，涉及人工智能技术领域，主要目的在于能够提取车辆的识别准确率。所述方法包括：基于预设的提取标准从视频监控画面中提取疑似车辆的候选区域；若未提取到候选区域，则将视频监控画面输入到预先训练的人工智能识别模型，以识别视频监控画面中是否存在候选区域，人工智能识别模型为根据携带干扰信息的样本车辆图片库和神经网络模型训练的；若识别存在候选区域，则对预设的提取标准进行自适应调整，并基于调整后的提取标准从视频监控画面中二次提取候选区域；利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆。本发明适用于基于人工智能防干扰的车辆信息识别。
Description
技术领域
本发明涉及基于人工智能的城市监控技术领域，特别是涉及一种基于人工智能防干扰的车辆信息识别方法及装置。
背景技术
近年来，随着人们对安全或者生活质量的要求不断提高，智慧城市开始出现，在智慧城市的很多方面，如交通监测、安保防控、社区服务等，需要从视频监控画面中识别或者提取出车辆信息。目前，通常按照固定不变的预设的提取标准，从视频监控画面中提取可能是车辆的候选区域，然后根据提取的候选区域与预定的模板是否匹配，来识别该候选区域是否属于车辆，以及进一步识别车型等信息，从而识别视频监控画面中的车辆。
一般来说，可以利用车身具有大面积单一颜色的特点，提取视频监控画面中像素颜色单一且面积大于面积阈值的区域，作为候选区域；也有的算法利用边缘检测算法提取视频监控画面中的封闭边缘区域，进而根据封闭边缘区域的形状、大小、长宽比等因素，判断其是否属于候选区域。进而，再通过将候选区域与模板进行匹配度的计算判断是否属于车辆及其车型等信息。
然而，在实践当中，车身会存在一些有意或者无意的干扰信息，例如，在车身的较大面积上涂装含有多种颜色的条带、色块乃至碎片，这些涂装区域的颜色特征以及边缘特征作为干扰信息，这些干扰信息会造成车辆对应的候选区域与预设的提取标准不符合，以及造成实质为车辆的区域不被识别为候选区域，使得车辆识别遗漏，从而导致车辆的识别结果不准确，进而导致车辆的识别准确率较低。
发明内容
有鉴于此，本发明提供一种基于人工智能防干扰的车辆信息识别方法及装置，主要目的在于能够克服车身涂装形成的颜色或者边缘干扰信息的影响，避免车辆识别遗漏，能够保证准确识别出视频监控画面中的车辆，从而能够提取车辆的识别准确率。
依据本发明第一方面，提供了一种基于人工智能防干扰的车辆信息识别方法，包括：
基于预设的提取标准从视频监控画面中提取疑似车辆的候选区域；
若未提取到候选区域，则将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域，所述人工智能识别模型为根据携带干扰信息的样本车辆图片库和神经网络模型训练的；
若识别存在候选区域，则对所述预设的提取标准进行自适应调整，并基于调整后的提取标准从视频监控画面中二次提取候选区域；
利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆。
依据本发明第二方面，提供了一种基于人工智能防干扰的车辆信息识别装置，包括：
提取单元，用于基于预设的提取标准从视频监控画面中提取疑似车辆的候选区域；
识别单元，用于若未提取到候选区域，则将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域，所述人工智能识别模型为根据携带干扰信息的样本车辆图片库和神经网络模型训练的；
调整单元，用于若识别存在候选区域，则对所述预设的提取标准进行自适应调整；
所述提取单元，还用于基于调整后的提取标准从视频监控画面中二次提取候选区域；
所述识别单元，还用于利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆。
依据本发明第三方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述执行指令使处理器执行以下步骤：
基于预设的提取标准从视频监控画面中提取疑似车辆的候选区域；
若未提取到候选区域，则将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域，所述人工智能识别模型为根据携带干扰信息的样本车辆图片库和神经网络模型训练的；
若识别存在候选区域，则对所述预设的提取标准进行自适应调整，并基于调整后的提取标准从视频监控画面中二次提取候选区域；
利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆。
依据本发明第四方面，提供了一种计算机设备，包括处理器、存储器、通信接口和通信总线所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信，所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行以下步骤：
基于预设的提取标准从视频监控画面中提取疑似车辆的候选区域；
若未提取到候选区域，则将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域，所述人工智能识别模型为根据携带干扰信息的样本车辆图片库和神经网络模型训练的；
若识别存在候选区域，则对所述预设的提取标准进行自适应调整，并基于调整后的提取标准从视频监控画面中二次提取候选区域；
利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆。
本发明提供一种基于人工智能防干扰的车辆信息识别方法及装置，与目前通常按照固定不变的预设的提取标准，从视频监控画面中提取可能是车辆的候选区域，然后根据提取的候选区域识别视频监控画面中车辆相比，本发明在基于预设的提取标准从视频监控画面中提取不到疑似车辆的候选区域时，能够将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域，所述人工智能识别模型为根据携带干扰信息的样本车辆图片库和神经网络模型训练的；在基于所述人工智能识别模型识别存在候选区域时，能够对所述预设的提取标准进行自适应调整，基于调整后的提取标准从视频监控画面中二次提取候选区域，并能够利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆，从而能够避免因存在干扰信息提取不到候选区域，而确定视频监控画面中不存在车辆的缺陷，能够避免车辆识别遗漏，能够保证准确识别出视频监控画面中的车辆，从而能够提取车辆的识别准确率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种基于人工智能防干扰的车辆信息识别方法的流程示意图；
图2示出了本发明实施例提供的另一种基于人工智能防干扰的车辆信息识别方法的流程示意图；
图3示出了本发明实施例提供的一种基于人工智能防干扰的车辆信息识别装置的结构示意图；
图4示出了本发明实施例提供的另一种基于人工智能防干扰的车辆信息识别装置的结构示意图；
图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如背景技术所述，目前，通常按照固定不变的预设的提取标准，从视频监控画面中提取可能是车辆的候选区域，然后根据提取的候选区域识别视频监控画面中是否车辆。然而，在实践当中，车身会存在一些有意或者无意的干扰信息，例如车身涂装含有多种颜色的条带、色块乃至碎片形成的颜色特征以及边缘特征，这些干扰信息会造成车辆对应的候选区域与预设的提取标准不符合，以及造成实质为车辆的区域不被识别为候选区域，使得车辆识别遗漏，从而导致车辆的识别结果不准确，进而导致车辆的识别准确率较低。
为了解决上述技术问题，本发明实施例提供了一种基于人工智能防干扰的车辆信息识别方法，如图1所示，所述方法包括：
101、基于预设的提取标准从视频监控画面中提取疑似车辆的候选区域。
其中，所述提取标准可以为利用车身具有大面积单一颜色的特点设定，或者利用车身是封闭边缘区域的特点设定的，本发明实施例在此不做限定。若利用车身具有大面积单一颜色的特点，设定所述提取标准，则所述提取标准可以为：将画面中的像素颜色单一，且面积大于或者等于第一预设面积阈值的区域，确定为候选区域，将像素颜色差值小于第一预设差值阈值的区域，确定为像素颜色单一的区域。所述第一预设差值阈值，或者所述第一预设面积阈值可以分别根据实际需求进行设置，本发明实施例在此不进行限定。例如，所述第一预设差值阈值可以为(0，5，0)，或者(0，6，0)等，所述第一预设面积阈值可以用横、纵方向像素数值定义的矩形来定义等，对应地，提取所述候选区域的过程可以为：提取视频监控画面中像素颜色差值小于第一预设差值阈值的区域，作为像素颜色单一的区域，然后判断所述像素颜色单一的区域的面积是否大于或者等于第一预设面积阈值，若是，则提取所述像素颜色单一的区域，作为所述候选区域。
或者，若利用车身是封闭边缘区域的特点，设定所述提取标准，则所述提取标准可以为：将属性信息符合第一预设条件的封闭边缘区域，确定为候选区域。所述属性信息可以包括形状、大小、长宽比等信息。所述第一预设条件可以包括第一预设形状、第一预设大小阈值，第一预设长宽比阈值等。对应地，提取所述候选区域的过程可以为：提取视频监控画面中的封闭边缘区域，并判断所述封闭边缘区域的形状是否为第一预设形状，大小是否大于或者等于第一预设大小阈值，且长宽比是否大于或者等于第一预设长宽比阈值；若是，则提取所述封闭边缘区域，作为所述候选区域。
此外，所述视频监控画面可以为设置在智慧城市各个监控位置上的监控摄像设备采集的，所述疑似车辆的候选区域可以为可能是车辆的候选区域。在识别到所述候选区域后可以根据预设车辆识别模板，进一步地识别所述候选区域是否为车辆。
102、若未提取到候选区域，则将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域。若识别存在候选区域，则执行步骤103。
其中，所述人工智能识别模型为根据携带干扰信息的样本车辆图片库训练的神经网络模型。所述人工智能识别模块可以为候选区域识别模型，能够在车辆上携带干扰信息时，识别出所述车辆的候选区域，所述干扰信息可以为车身上涂装含有多种颜色的条带、色块乃至碎片，也可以为容易被识别为伪造边缘的黑白条带等。在训练所述人工智能识别模型时，可以从样本车辆图片中提取出携带干扰信息的特征向量，即可以提取出携带干扰信息的像素颜色特征向量或者边缘特征向量，将所述携带干扰信息的特征向量和包含有候选区域的分类结果，代入到神经网络进行训练，然后在训练完人工智能识别模型后，可以再利用样本车辆图片对所述人工智能识别模型进行验证。具体来说，可以将样本车辆图片划分为N*N个像素块，并且提取每个像素块中对应像素数量最多的主要像素颜色成分，形成N*N维度的像素颜色特征向量。或者，针对样本车辆图片，提取其中的边缘像素点，再计算每个边缘像素点的梯度值，形成边缘特征向量。将像素颜色特征向量或者边缘特征向量代入到神经网络进行训练。
对于本发明实施例，在所述视频监控画面输入到训练完成之后的所述人工智能识别模型后，所述人工智能识别模型会判断所述视频监控画面中的特征向量，确定所述视频监控画面中存在候选区域，否则，确定所述视频监控画面中不存在候选区域。
103、对所述预设的提取标准进行自适应调整，并基于调整后的提取标准从视频监控画面中二次提取候选区域。
在本发明实例中，可以采用更大范围的像素颜色差值阈值来确定像素颜色单一的区域，以及减小像素颜色单一区域的面积阈值的方式，对所述提取标准进行自适应调整，也可以采用进一步滤除其中的一部分边缘，扩宽封闭边缘区域的判断条件的方式，对所述提取标准进行适应调整，本发明实施例在此不做限定。
104、利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆。
其中，所述预设车辆识别模板可以为根据已知车辆在视频监控画面中的区域设定的、也可以为根据实际需求设定的，本发明实施在此不做限定。识别所述二次提取得到的候选区域是否为车辆的过程可以为：计算所述候选区域与所述预设车辆识别模板的匹配度，若所述匹配度大于或者等于预设匹配度阈值，则确定所述二次提取得到的候选区域为车辆。若所述匹配度小于预设匹配度阈值，则确定所述二次提取得到的候选区域非车辆。所述预设匹配度阈值可以为根据实际需求设定的，本发明实施在此不做限定。例如，所述预设匹配度阈值可以为80％，90％等。
本发明实施例提供的一种基于人工智能防干扰的车辆信息识别方法，与目前通常按照固定不变的预设的提取标准，从视频监控画面中提取可能是车辆的候选区域，然后根据提取的候选区域识别视频监控画面中车辆相比，本发明实施例在基于预设的提取标准从视频监控画面中提取不到疑似车辆的候选区域时，能够将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域，所述人工智能识别模型为根据携带干扰信息的样本车辆图片库和神经网络模型训练的；在基于所述人工智能识别模型识别存在候选区域时，能够对所述预设的提取标准进行自适应调整，基于调整后的提取标准从视频监控画面中二次提取候选区域，并能够利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆，从而能够避免因存在干扰信息提取不到候选区域，而确定视频监控画面中不存在车辆的缺陷，能够避免车辆识别遗漏，能够保证准确识别出视频监控画面中的车辆，从而能够提取车辆的识别准确率。
进一步的，作为对上述实施例的细化和扩展，本发明实施例提供了一种基于人工智能防干扰的车辆信息识别方法，具体如图2所示：
201、基于预设的提取标准从视频监控画面中提取疑似车辆的候选区域。
其中，所述预设的提取标准，所述候选区域的解释在步骤101已描述，在此不进行赘述。
202、若未提取到候选区域，则将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域。若识别存在候选区域，则执行步骤203；若识别不存在候选区域，则执行步骤205。
对于本发明实施例，所述人工智能识别模型为根据携带干扰信息的样本车辆图片库训练的神经网络模型，为了得到所述人工智能识别模型，能够实现对视频监控画面实现候选区域二次识别提取，所述方法还包括：获取携带干扰信息的样本车辆图片库中的样本车辆图片，并对所述样本车辆图片进行特征提取，得到携带干扰信息的样本候选区域特征向量；将所述样本候选区域特征向量输入神经网络模型到进行训练，得到人工智能初步识别模型；将所述样本车辆图片输入到所述人工智能初步识别模型进行验证识别，以得到被识别包含候选区域的样本车辆图片；利用所述被识别包含候选区域的样本车辆图片对应的样本车辆特征向量，对所述人工智能初步识别模型进行更新训练，得到所述人工智能识别模型。
在具体应用场景中，为了得到识别精确度更高的人工智能识别模型，提升对视频监控画面实现候选区域二次识别提取的精确度，所述方法还可以训练多级级联人工智能识别模型，相应地，所述神经网络模型可以为多级级联的神经网络模型，所述样本车辆图片库可以多级样本车辆图片库，所述多级级联人工智能识别模型具体的训练过程可以为：将所述多级样本车辆图片库对应的样本候选区域特征向量，对应输入到所述多级级联的神经网络模型到进行训练，得到多级级联的人工智能初步识别模型；将所述多级样本车辆图片库中的样本车辆图片，逐级输入到所述多级级联的人工智能初步识别模型进行验证识别，得到被识别包含候选区域的样本车辆图片，被识别不包含候选区域的样本车辆图片用于更新下一级的样本车辆图片库；利用所述被识别包含候选区域的样本车辆图片对应的样本车辆特征向量，对所述多级级联的人工智能初步识别模型进行更新训练，得到所述多级级联的人工智能识别模型。
例如，针对第一级的人工智能初步识别模型，利用第一级样本车辆图片库中的样本车辆图片进行验证识别，对于所述第一级的人工智能识别模型能够被识别的样本车辆图片，继续保留在第一级样本车辆图片库中，对第一级的人工智能识别模型进行更新训练，对于不能够被识别的样本车辆图片加入到第二第一级样本车辆图片库中，对第二级的人工智能初步识别模型进行验证识别，依次类推，直到训练得到所述多级级联的人工智能识别模型，能够对提取出候选区域的视频监控画面，逐级别进行候选区域的验证。
需要说明的是，在训练得到多级级联人工智能识别模型后，所述步骤202具体可以为：将所述视频监控画面分别输入到所述多级级联的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域；若所述多级级联的人工智能识别模型中的任意一级人工智能识别模型，识别出所述视频监控画面中存在候选区域，则确定所述视频监控画面中存在候选区域；若所述多级级联的人工智能识别模型均未识别出所述视频监控画面中在候选区域，则确定所述视频监控画面中不存在候选区域。
对于本发明实施例，为了节省系统的开销，所述方法还包括：与所述步骤202并列的步骤：若提取到候选区域，则利用预设车辆识别模板，识别一次提取得到的候选区域是否为车辆。识别所述一次提取得到的候选区域是否为车辆的过程可以参照所述步骤104，如：计算所述候选区域与所述预设车辆识别模板的匹配度，若所述匹配度大于或者等于预设匹配度阈值，则确定所述一次提取得到的候选区域为车辆。若所述匹配度小于预设匹配度阈值，则确定所述一次提取得到的候选区域为车辆。所述预设匹配度阈值可以为根据实际需求设定的，本发明实施在此不做限定。例如，所述预设匹配度阈值可以为80％，90％等。
203、对所述预设的提取标准进行自适应调整，并基于调整后的提取标准从视频监控画面中二次提取候选区域。
对于本发明实施例，所述对所述预设的提取标准进行自适应调整额的步骤具体可以包括：若所述预设的提取标准为：将像素颜色单一，且面积大于或者等于第一预设面积阈值的区域，确定为候选区域，则将所述预设的提取标准调整为：将像素颜色单一，且面积大于或者等于第二预设面积阈值的区域，确定为候选区域，所述第二预设面积阈值小于所述第一预设面积阈值。进一步地，若所述预设的提取标准还包括：将像素颜色差值小于第一预设差值阈值的区域，确定为像素颜色单一的区域，则将所述预设的提取标准调整为：将像素颜色差值小于第二预设差值阈值的区域，确定为像素颜色单一的区域，所述第二预设差值阈值大于或者等于所述第一预设差值阈值。例如，所述第一预设差值阈值可以为(0，5，0)，或者(0，6，0)等，调整的第二预设差值阈值可以为(0，7，0)，或者(0，8，0)所述第一预设面积阈值可以为100*150像素的矩形等，调整的第二预设面积阈值可以为80*90像素的矩形等。通过调整采用更大范围的像素颜色差值阈值来确定像素颜色单一的区域，以及减小像素颜色单一区域的面积阈值的方式，可以实现克服干扰信息对候选区域提取的干扰，成功提取出候选区域。
或者，所述对所述预设的提取标准进行自适应调整额的步骤具体可以包括：若所述预设的提取标准为：将属性信息符合第一预设条件的封闭边缘区域，确定为候选区域，则将所述预设的提取标准调整为：将属性信息符合第二预设条件的封闭边缘区域，确定为候选区域，所述第二预设条件宽于所述第一预设条件。所述属性信息可以包括形状、大小、长宽比等信息，针对步骤101的第一预设条件，调整的第二预设条件可以包括第二预设形状、第二预设大小阈值，第二预设长宽比阈值等。所述第二预设形状可以比第一预设形状的限制宽，所述第二预设大小阈值可以大于第一预设大小阈值，所述第二预设长宽比阈值可以大于第二预设大小阈值。针对此提取标准，可以利用适当的边缘过滤器，进一步滤除其中的一部分编译，进而根据剩余封闭边缘区域的属性信息与所述第二预设条件进行匹配，相匹配，则将提取的剩余封闭边缘区域，作定为所述候选区域。
204、利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆。
205、停止从视频监控画面中提取候选区域。
对于本发明实施例，通过停止从视频监控画面中提取候选区域，能够节省系统的提取开销。
进一步地，作为图3的具体实现，本发明实施例提供了一种基于人工智能防干扰的车辆信息识别装置，如图3所示，所述装置包括：提取单元31、识别单元32和调整单元33。
所述提取单元31，可以用于基于预设的提取标准从视频监控画面中提取疑似车辆的候选区域。所述提取单元31是本装置中基于预设的提取标准从视频监控画面中提取疑似车辆的候选区域的主要功能模块。
所述识别单元32，可以用于若未提取到候选区域，则将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域，所述人工智能识别模型为根据携带干扰信息的样本车辆图片库训练的神经网络模型。所述识别单元32是本装置中若未提取到候选区域，则将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域的主要功能模块，也是核心模块。
所述调整单元33，可以用于若识别存在候选区域，则对所述预设的提取标准进行自适应调整。所述调整单元33是本装置中若识别存在候选区域，则对所述预设的提取标准进行自适应调整的主要功能模块，也是核心模块。
所述提取单元31，还可以用于基于调整后的提取标准从视频监控画面中二次提取候选区域。所述提取单元31还是本装置中基于调整后的提取标准从视频监控画面中二次提取候选区域的主要功能模块。
所述识别单元32，还可以用于利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆。所述识别单元32还是本装置中利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆的主要功能模块。
对于本发明实施例，为了训练得到所述人工智能识别模型，所述装置还包括：获取单元34和训练单元35。
所述获取单元34，用于获取携带干扰信息的样本车辆图片库中的样本车辆图片。所述获取单元34是本装置中获取携带干扰信息的样本车辆图片库中的样本车辆图片的主要功能模块。
所述提取单元31，还用于对所述样本车辆图片进行特征提取，得到携带干扰信息的样本候选区域特征向量。所述提取单元31还是本装置中对所述样本车辆图片进行特征提取，得到携带干扰信息的样本候选区域特征向量的主要功能模块。
所述训练单元35，用于将所述样本候选区域特征向量输入神经网络模型到进行训练，得到人工智能初步识别模型。所述训练单元35还是本装置中将所述样本候选区域特征向量输入预设神经网络模型到进行训练，得到人工智能初步识别模型的主要功能模块。
所述识别单元32，还用于将所述样本车辆图片输入到所述人工智能初步识别模型进行验证识别，以得到被识别包含候选区域的样本车辆图片。
所述训练单元35，还用于利用所述被识别包含候选区域的样本车辆图片对应的样本车辆特征向量，对所述人工智能初步识别模型进行更新，得到所述人工智能识别模型。
对于本发明实施例，为了提升候选区域的识别精确度，训练出识别精度较高的人工智能识别模型，所述训练单元35，具体可以用于当所述神经网络模型为多级级联的神经网络模型，所述样本车辆图片库为多级样本车辆图片库时，将所述多级样本车辆图片库对应的样本候选区域特征向量，对应输入到所述多级级联的神经网络模型到进行训练，得到多级级联的人工智能初步识别模型。
所述识别单元32，具体还可以用于将所述多级样本车辆图片库中的样本车辆图片，逐级输入到所述多级级联的人工智能初步识别模型进行验证识别，得到被识别包含候选区域的样本车辆图片，被识别不包含候选区域的样本车辆图片用于更新下一级的样本车辆图片库。
所述训练单元，具体用于利用所述被识别包含候选区域的样本车辆图片对应的样本车辆特征向量，对所述多级级联的人工智能初步识别模型进行更新训练，得到所述多级级联的人工智能识别模型。
相应地，所述识别单元32，具体可以用于当所述人工智能识别模型为多级级联的人工智能识别模型，将所述视频监控画面分别输入到所述多级级联的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域；若所述多级级联的人工智能识别模型中的任意人工智能识别模型，识别出所述视频监控画面中存在候选区域，则确定所述视频监控画面中存在候选区域；若所述多级级联的人工智能识别模型均未识别出所述视频监控画面中在候选区域，则确定所述视频监控画面中不存在候选区域。
对于本发明实施例，为了从所述视频监控画面提取出所述候选区域，所述调整单元33，具体可以用于若所述预设的提取标准为：将像素颜色单一，且面积大于或者等于第一预设面积阈值的区域，确定为候选区域，则将所述预设的提取标准调整为：将像素颜色单一，且面积大于或者等于第二预设面积阈值的区域，确定为候选区域，所述第二预设面积阈值小于所述第一预设面积阈值。
所述调整单元33，具体还用于若所述预设的提取标准还包括：将像素颜色差值小于第一预设差值阈值的区域，确定为像素颜色单一的区域，则将所述预设的提取标准调整为：将像素颜色差值小于第二预设差值阈值的区域，确定为像素颜色单一的区域，所述第二预设差值阈值大于或者等于所述第一预设差值阈值。
此外，所述调整单元33，具体还用于若所述预设的提取标准为：将属性信息符合第一预设条件的封闭边缘区域，确定为候选区域，则将所述预设的提取标准调整为：将属性信息符合第二预设条件的封闭边缘区域，确定为候选区域，所述第二预设条件宽于所述第一预设条件。
对于本发明实施例，为了节省系统的提取开销，所述提取单元31，还可以用于若识别不存在候选区域，则停止从视频监控画面中提取候选区域。
此外，所述识别单元32，还可以用于若提取到候选区域，则利用预设车辆识别模板，识别一次提取得到的候选区域是否为车辆。
需要说明的是，本发明实施例提供的一种基于人工智能防干扰的车辆信息识别装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。
基于上述如图1所示方法，相应的，本发明实施例还提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述执行指令使处理器执行以下步骤：基于预设的提取标准从视频监控画面中提取疑似车辆的候选区域；若未提取到候选区域，则将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域，所述人工智能识别模型为根据携带干扰信息的样本车辆图片库和神经网络模型训练的；若识别存在候选区域，则对所述预设的提取标准进行自适应调整，并基于调整后的提取标准从视频监控画面中二次提取候选区域；利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆。
基于上述如图2所示方法和如图3所示系统的实施例，本发明实施例还提供了一种计算机设备，如图5所示，处理器(processor)41、通信接口(Communications Interface)42、存储器(memory)43、以及通信总线44。其中：处理器41、通信接口42、以及存储器43通过通信总线44完成相互间的通信。通信接口44，用于与其它设备比如客户端或其它服务器等的网元通信。处理器41，用于执行程序，具体可以执行上述数据的转换方法实施例中的相关步骤。具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。处理器41可能是中央处理器CPU，或者是特定集成电路ASIC(Application Specific IntegratedCircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。存储器43，用于存放程序。存储器43可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。程序具体可以用于使得处理器41执行以下操作：基于预设的提取标准从视频监控画面中提取疑似车辆的候选区域；若未提取到候选区域，则将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域，所述人工智能识别模型为根据携带干扰信息的样本车辆图片库和神经网络模型训练的；若识别存在候选区域，则对所述预设的提取标准进行自适应调整，并基于调整后的提取标准从视频监控画面中二次提取候选区域；利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆。
通过本发明的技术方案，在基于预设的提取标准从视频监控画面中提取不到疑似车辆的候选区域时，能够将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域，所述人工智能识别模型为根据携带干扰信息的样本车辆图片库和神经网络模型训练的；在基于所述人工智能识别模型识别存在候选区域时，能够对所述预设的提取标准进行自适应调整，基于调整后的提取标准从视频监控画面中二次提取候选区域，并能够利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆，从而能够避免因存在干扰信息提取不到候选区域，而确定视频监控画面中不存在车辆的缺陷，能够避免车辆识别遗漏，能够保证准确识别出视频监控画面中的车辆，从而能够提取车辆的识别准确率。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于人工智能防干扰的车辆信息识别装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种基于人工智能防干扰的车辆信息识别方法，其特征在于，包括：
基于预设的提取标准从视频监控画面中提取疑似车辆的候选区域；
若未提取到候选区域，则将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域，所述人工智能识别模型为根据携带干扰信息的样本车辆图片库和神经网络模型训练的；
若识别存在候选区域，则对所述预设的提取标准进行自适应调整，并基于调整后的提取标准从视频监控画面中二次提取候选区域；
利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆。
2.根据权利要求1所述的方法，其特征在于，所述基于预设的提取标准从视频监控画面中提取疑似的候选区域之前，所述方法还包括：
获取携带干扰信息的样本车辆图片库中的样本车辆图片，并对所述样本车辆图片进行特征提取，得到携带干扰信息的样本候选区域特征向量；
将所述样本候选区域特征向量输入神经网络模型到进行训练，得到人工智能初步识别模型；
将所述样本车辆图片输入到所述人工智能初步识别模型进行验证识别，以得到被识别包含候选区域的样本车辆图片；
利用所述被识别包含候选区域的样本车辆图片对应的样本车辆特征向量，对所述人工智能初步识别模型进行更新训练，得到所述人工智能识别模型。
3.根据权利要求2所述的方法，其特征在于，所述神经网络模型为多级级联的神经网络模型，所述样本车辆图片库为多级样本车辆图片库，所述将所述样本候选区域特征向量输入神经网络模型到进行训练，得到所述人工智能识别模型，包括：
将所述多级样本车辆图片库对应的样本候选区域特征向量，对应输入到所述多级级联的神经网络模型到进行训练，得到多级级联的人工智能初步识别模型；
所述将所述样本候选区域特征向量输入神经网络模型到进行训练，得到人工智能初步识别模型，包括：
将所述多级样本车辆图片库中的样本车辆图片，逐级输入到所述多级级联的人工智能初步识别模型进行验证识别，得到被识别包含候选区域的样本车辆图片，被识别不包含候选区域的样本车辆图片用于更新下一级的样本车辆图片库；
所述利用所述被识别包含候选区域的样本车辆图片对应的样本车辆特征向量，对所述人工智能初步识别模型进行更新，得到所述人工智能识别模型，包括：
利用所述被识别包含候选区域的样本车辆图片对应的样本车辆特征向量，对所述多级级联的人工智能初步识别模型进行更新训练，得到所述多级级联的人工智能识别模型。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述人工智能识别模型为多级级联的人工智能识别模型，所述将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域，包括：
将所述视频监控画面分别输入到所述多级级联的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域；
若所述多级级联的人工智能识别模型中的任意人工智能识别模型，识别出所述视频监控画面中存在候选区域，则确定所述视频监控画面中存在候选区域；
若所述多级级联的人工智能识别模型均未识别出所述视频监控画面中在候选区域，则确定所述视频监控画面中不存在候选区域。
5.根据权利要求1所述的方法，其特征在于，所述对所述预设的提取标准进行自适应调整，包括：
若所述预设的提取标准为：将像素颜色单一，且面积大于或者等于第一预设面积阈值的区域，确定为候选区域，则将所述预设的提取标准调整为：将像素颜色单一，且面积大于或者等于第二预设面积阈值的区域，确定为候选区域，所述第二预设面积阈值小于所述第一预设面积阈值。
6.一种基于人工智能防干扰的车辆信息识别装置，其特征在于，包括：
提取单元，用于基于预设的提取标准从视频监控画面中提取疑似车辆的候选区域；
识别单元，用于若未提取到候选区域，则将所述视频监控画面输入到预先训练的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域，所述人工智能识别模型为根据携带干扰信息的样本车辆图片库和神经网络模型训练的；
调整单元，用于若识别存在候选区域，则对所述预设的提取标准进行自适应调整；
所述提取单元，还用于基于调整后的提取标准从视频监控画面中二次提取候选区域；
所述识别单元，还用于利用预设车辆识别模板，识别二次提取得到的候选区域是否为车辆。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：获取单元和训练单元，
所述获取单元，用于获取携带干扰信息的样本车辆图片库中的样本车辆图片；
所述提取单元，还用于对所述样本车辆图片进行特征提取，得到携带干扰信息的样本候选区域特征向量；
所述训练单元，用于将所述样本候选区域特征向量输入预设神经网络模型到进行训练，得到人工智能初步识别模型；
所述识别单元，还用于将所述样本车辆图片输入到所述人工智能初步识别模型进行验证识别，以得到被识别包含候选区域的样本车辆图片；
所述训练单元，还用于利用所述被识别包含候选区域的样本车辆图片对应的样本车辆特征向量，对所述人工智能初步识别模型进行更新训练，得到所述人工智能识别模型。
8.根据权利要求7所述的装置，其特征在于，
所述训练单元，具体用于当所述神经网络模型为多级级联的神经网络模型，所述样本车辆图片库为多级样本车辆图片库时，将所述多级样本车辆图片库对应的样本候选区域特征向量，对应输入到所述多级级联的神经网络模型到进行训练，得到多级级联的人工智能初步识别模型；
所述识别单元，具体还用于将所述多级样本车辆图片库中的样本车辆图片，逐级输入到所述多级级联的人工智能初步识别模型进行验证识别，得到被识别包含候选区域的样本车辆图片，被识别不包含候选区域的样本车辆图片用于更新下一级的样本车辆图片库；
所述训练单元，具体还用于利用所述被识别包含候选区域的样本车辆图片对应的样本车辆特征向量，对所述多级级联的人工智能初步识别模型进行更新训练，得到所述多级级联的人工智能识别模型。
9.根据权利要求6-8任一项所述的装置，其特征在于，
所述识别单元，具体用于当所述人工智能识别模型为多级级联的人工智能识别模型，将所述视频监控画面分别输入到所述多级级联的人工智能识别模型，以识别所述视频监控画面中是否存在候选区域；若所述多级级联的人工智能识别模型中的任意人工智能识别模型，识别出所述视频监控画面中存在候选区域，则确定所述视频监控画面中存在候选区域；若所述多级级联的人工智能识别模型均未识别出所述视频监控画面中在候选区域，则确定所述视频监控画面中不存在候选区域。
10.根据权利要求6所述的装置，其特征在于，
所述调整单元，具体用于若所述预设的提取标准为：将像素颜色单一，且面积大于或者等于第一预设面积阈值的区域，确定为候选区域，则将所述预设的提取标准调整为：将像素颜色单一，且面积大于或者等于第二预设面积阈值的区域，确定为候选区域，所述第二预设面积阈值小于所述第一预设面积阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910420734.8A CN110287786B (zh) | 2019-05-20 | 2019-05-20 | 基于人工智能防干扰的车辆信息识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910420734.8A CN110287786B (zh) | 2019-05-20 | 2019-05-20 | 基于人工智能防干扰的车辆信息识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110287786A true CN110287786A (zh) | 2019-09-27 |
| CN110287786B CN110287786B (zh) | 2020-01-31 |
Family
ID=68001983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910420734.8A Active CN110287786B (zh) | 2019-05-20 | 2019-05-20 | 基于人工智能防干扰的车辆信息识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110287786B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228124A (zh) * | 2016-07-17 | 2016-12-14 | 西安电子科技大学 | 基于卷积神经网络的sar图像目标检测方法 |
| CN106407931A (zh) * | 2016-09-19 | 2017-02-15 | 杭州电子科技大学 | 一种新型深度卷积神经网络运动车辆检测方法 |
| CN106920248A (zh) * | 2017-01-19 | 2017-07-04 | 博康智能信息技术有限公司上海分公司 | 一种目标跟踪方法及装置 |
| CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
| CN107992841A (zh) * | 2017-12-13 | 2018-05-04 | 北京小米移动软件有限公司 | 识别图像中物体的方法及装置、电子设备、可读存储介质 |
| US20180129934A1 (en) * | 2016-11-07 | 2018-05-10 | Qualcomm Incorporated | Enhanced siamese trackers |
-
2019
- 2019-05-20 CN CN201910420734.8A patent/CN110287786B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228124A (zh) * | 2016-07-17 | 2016-12-14 | 西安电子科技大学 | 基于卷积神经网络的sar图像目标检测方法 |
| CN106407931A (zh) * | 2016-09-19 | 2017-02-15 | 杭州电子科技大学 | 一种新型深度卷积神经网络运动车辆检测方法 |
| US20180129934A1 (en) * | 2016-11-07 | 2018-05-10 | Qualcomm Incorporated | Enhanced siamese trackers |
| CN106920248A (zh) * | 2017-01-19 | 2017-07-04 | 博康智能信息技术有限公司上海分公司 | 一种目标跟踪方法及装置 |
| CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
| CN107992841A (zh) * | 2017-12-13 | 2018-05-04 | 北京小米移动软件有限公司 | 识别图像中物体的方法及装置、电子设备、可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110287786B (zh) | 2020-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021003824A1 (zh) | 基于图像识别的违章建筑识别方法、装置 | |
| CN109685100A (zh) | 字符识别方法、服务器及计算机可读存储介质 | |
| CN111898523A (zh) | 一种基于迁移学习的遥感图像特种车辆目标检测方法 | |
| CN103473564B (zh) | 一种基于敏感区域的正面人脸检测方法 | |
| CN103218610B (zh) | 狗脸检测器的形成方法和狗脸检测方法 | |
| CN108932449B (zh) | 一种基于聚类的条码二值化方法及系统 | |
| CN109583364A (zh) | 图像识别方法及设备 | |
| CN113302619B (zh) | 目标区域评估和特征点评估的系统和方法 | |
| CN110555339A (zh) | 一种目标检测方法、系统、装置及存储介质 | |
| CN111067522A (zh) | 大脑成瘾结构图谱评估方法及装置 | |
| CN114387591A (zh) | 车牌识别方法、系统、设备及存储介质 | |
| CN109784171A (zh) | 车辆定损图像筛选方法、装置、可读存储介质及服务器 | |
| AG | Development of portable automatic number plate recognition (ANPR) system on Raspberry Pi | |
| Lin et al. | Automatic vehicle license plate recognition system for smart transportation | |
| CN109740553A (zh) | 一种基于识别的图像语义分割数据筛选方法及系统 | |
| Escalera et al. | Fast greyscale road sign model matching and recognition | |
| CN109712134B (zh) | 虹膜图像质量评价方法、装置及电子设备 | |
| CN111091131A (zh) | 基于多任务学习的自适应车牌字符识别系统及识别方法 | |
| CN111435445A (zh) | 字符识别模型的训练方法及装置、字符识别方法及装置 | |
| CN111652242B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| Das et al. | Human face detection in color images using HSV color histogram and WLD | |
| CN110659631A (zh) | 车牌识别方法和终端设备 | |
| CN112884147A (zh) | 神经网络训练方法、图像处理方法、装置及电子设备 | |
| CN110287786A (zh) | 基于人工智能防干扰的车辆信息识别方法及装置 | |
| CN114821194B (zh) | 一种设备运行状态识别方法及装置 |
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 |