CN110443244A - 一种图形处理的方法以及相关装置 - Google Patents
一种图形处理的方法以及相关装置 Download PDFInfo
- Publication number
- CN110443244A CN110443244A CN201910740565.6A CN201910740565A CN110443244A CN 110443244 A CN110443244 A CN 110443244A CN 201910740565 A CN201910740565 A CN 201910740565A CN 110443244 A CN110443244 A CN 110443244A
- Authority
- CN
- China
- Prior art keywords
- picture
- network
- network model
- board information
- loss
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000008569 process Effects 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims description 16
- 230000004069 differentiation Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000009434 installation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 14
- 238000012937 correction Methods 0.000 abstract description 6
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种图形处理的方法以及相关装置,用于车牌检测时矫正大角度的车牌。本申请实施例方法包括:实时获取停车场出入口的视频流,所述视频流内含有车牌信息;按照预设规则外扩所述车牌信息;将所述车牌信息送入经过训练的网络模型;输出所述网络模型的生成结果。本申请通过将大角度车牌送入训练好的网络模型,可以生成矫正后的车牌信息。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种图形处理的方法及相关装置。
背景技术
目前,车牌识别系统广泛应用于停车场入口等地方,图片识别技术也广已经相对成熟,尽管很多时候车牌识别率能够达到令人满意的水平,但不可避免的存在一些特殊情况下,由于车辆靠近道闸时,没能正对着车辆识别设备的摄像机,导致成像时,车牌在像面上存在较大角度,字符发生形变,导致车牌识别错误,而车牌识别过程中字符发生较大形变则是目前亟需解决的问题。
申请内容
本申请实施例公开了一种图形处理的方法以及相关装置,用于车牌检测时矫正大角度的车牌。
为达到上述目的,本申请第一方面提供了一种基于深度学习的车牌检测的方法,该方法可以包括:
实时获取停车场出入口的视频流,所述视频流内含有车牌信息;
按照预设规则外扩所述车牌信息;
将所述车牌信息送入经过训练的网络模型;
输出所述网络模型的生成结果。
可选地,按照预设规则外扩所述车牌信息之前,所述方法还包括;
处理样本,所述经过处理的样本用于作为训练网络的数据集;
训练网络模型,所述网络模型由生成网络以及判别网络组成。
可选地,所述处理样本包括:
收集预设数量的实际场景中的车牌图片;
将所述车牌图片进行透视变换得到所述车牌的正面图片以及预设数量的大角度图片。
可选地,所述网络模型的训练包括:
将所述大角度图片输入所述生成网络以获得经过所述生成网络重建的图片;
将所述重建图片以及正面图片输入所述判别网络计算判别损失;
将所述重建图片以及正面图片输入所述网络模型计算对抗损失;
根据所述判别损失以及所述对抗损失计算出生成损失,所述生成损失作用于所述生成网络输出的图片。
本申请第二方面提出一种图形处理的系统,包括:
获取单元,用于实时获取停车场出入口的视频流,所述视频流内含有车牌信息;
外扩单元,用于按照预设规则外扩所述车牌信息;
发送单元,用于将所述车牌信息送入经过训练的网络模型;
输出单元,用于输出所述网络模型的生成结果。
可选地,所述装置还包括:
处理单元,用于处理样本,所述经过处理的样本用于作为训练网络的数据集;
设计单元,用于训练网络模型,所述网络模型由生成网络以及判别网络组成。
可选地,所述装置还包括:
收集单元,用于收集预设数量的实际场景中的车牌图片;
变换单元,用于将所述车牌图片进行透视变换得到所述车牌的正面图片以及预设数量的大角度图片。
可选地,所述装置还包括训练单元,所述训练单元具体用于:
将所述大角度图片输入所述生成网络以获得经过所述生成网络重建的图片;
将所述重建图片以及正面图片输入所述判别网络计算判别损失;
将所述重建图片以及正面图片输入所述网络模型计算对抗损失;
根据所述判别损失以及所述对抗损失计算出生成损失,所述生成损失作用于所述生成网络输出的图片。
本申请实施例第三方面提供了一种计算机装置,包括:
处理器、存储器、输入输出设备以及总线;
所述处理器、存储器、输入输出设备分别与所述总线相连;
所述处理器用于执行如前述实施例任一项所述的方法。
本申请实施例第四方面提供了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:所述计算机程序被处理器执行时实现如前述实施例所述方法的步骤。
以上技术方案可以看出,本申请实施例具有以下优点:实时获取停车场出入口的视频流,所述视频流内含有车牌信息;按照预设规则外扩所述车牌信息;将所述车牌信息送入经过训练的网络模型;输出所述网络模型的生成结果。本申请通过将大角度车牌送入训练好的网络模型,可以生成矫正后的车牌信息。
附图说明
图1为本申请实施例中图形处理的一个方法实施例;
图2为本申请实施例中图形处理的另一个方法实施例;
图3为本申请实施例中图形处理的另一个方法实施例;
图4为本申请实施例中图形处理的一个系统实施例;
图5为本申请实施例中一种计算机装置的一个实施例。
具体实施方式
本申请实施例提供了一种图形处理的方法以及相关装置,用于车牌检测时矫正大角度的车牌。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于理解,下面对本申请实施例中的具体流程进行描述,请参阅图1,本申请实施例中一种图形处理的方法实施例包括:
101、实时获取停车场出入口的视频流,所述视频流内含有车牌信息;
具体地,本实施例中,获取视频流,指的是在停车场的出入口的拍摄设备一直拍摄视频,截取视频流内每一帧的图像,车牌信息存在于图像内,车牌信息可以用于收集数据或者用于具体的车牌检测以及车牌矫正的过程中。
102、按照预设规则外扩所述车牌信息;
具体地,虽然目前车牌检测的技术以及相对成熟,但是如果发生了车停在了距离摄像机较近或者一些可能会导致车牌角度较大的情况时,会导致车牌检测的误检或者检测不到车牌信息,这种时候本申请采取了一种外扩的方式,即将检测到的车牌信息外扩一部分区域,具体的外扩比例可以根据实际情况进行决定,一般为长宽的0.1-0.2之间,外扩可以方便本申请经训练的网络进一步的处理。
103、将所述车牌信息送入经过训练的网络模型;
具体地,会将角度较大即车牌内包含的字母以及数字发生了较大的形变的车牌信息送入训练好的网络模型,网络模型通过对其进行透视变换以及计算会生成一个新的图片信息,用于车牌检测的过程中。
104、输出所述网络模型的生成结果。
具体地,经过网络模型处理的重建的车牌信息,更适用于具体的车牌检测的过程,网络模型会将其输出给车牌检测设备以进行具体的车牌检测过程,从而避免了由字母或者数字的形变导致的车牌检测的失误情况。
本实施例中,实时获取停车场出入口的视频流,所述视频流内含有车牌信息;按照预设规则外扩所述车牌信息;将所述车牌信息送入经过训练的网络模型;输出所述网络模型的生成结果。本申请通过将大角度车牌送入训练好的网络模型,可以生成矫正后的车牌信息。
下面对训练网络模型所需使用的样本处理过程进一步解释,具体请参见图2,本申请实施例中一种图形处理的方法的另一个实施例包括:
201、收集预设数量的实际场景中的车牌图片;
具体地,为了保证样本的多样性,会从实际场景中收集一定数量的车牌照片,从而保证所训练出的网络模型应对多种大角度图片的功能性。
202、将所述车牌图片进行透视变换得到所述车牌的正面图片以及预设数量的大角度图片。
具体地,为了获得任意可能角度的车牌,对每张车牌区域图像做透视变换处理,每张高分辨率图像生成一定张数经处理过的带不同旋转角度图像,该步骤是为了使得网络模型可以训练到的角度尽可能的全面,以保证在具体使用过程中的准确性,正面车牌通过标定的车牌四个顶点坐标进行透视变换得到。
下面对训练网络模型的过程进一步解释,具体请参见图3,本申请实施例中一种图形处理的方法的另一个实施例包括:
301、将所述大角度图片输入所述生成网络以获得经过所述生成网络重建的图片;
具体地,为了对比由生成网络输出的图片信息与原本车牌的正面图片的差距从而调整生成网络的参数,会先将大角度图片输入生成网络,以使得所述生成网络对大角度图片进行处理,以及为后续的损失计算提供新的样本。
302、将所述重建图片以及正面图片输入所述判别网络计算判别损失,将所述重建图片以及正面图片输入所述网络模型计算对抗损失;
具体地,判别网络用于判别出经过所述生成网络输出的图片与该车牌原本的正面图片信息的差距,即该车牌的判别损失,具体的过程可以为将生成网络输出的图片输出图像Ifake和该车牌原本的的正脸图像Ireal和生成网络输出的图像Ifake送入识别网络,输出车牌识别特征结果,对两者识别特征图的mse loss进行计算并且作为判别损失Lid。对抗损失是将Ifake送入判别网络,得到判别类型结果。
303、根据所述判别损失以及所述对抗损失计算出生成损失,所述生成损失作用于所述生成网络输出的图片。
具体地,上述两个损失的和为生成损失,所述生成损失可以理解为经生成网络输出的图片与车牌原本的正面图片的特征差距,网络模型可以根据该损失进行网络参数的改变,从而使得下一次的图片生成的损失更小。
LG=λidLid+λvdLvd 式3
本实施例中,实时获取停车场出入口的视频流,所述视频流内含有车牌信息;按照预设规则外扩所述车牌信息;将所述车牌信息送入经过训练的网络模型;输出所述网络模型的生成结果。本申请通过将大角度车牌送入训练好的网络模型,可以生成矫正后的车牌信息。
从虚拟装置角度对本申请进行进一步的介绍,请参见图4,本申请实施例中图形处理的一个系统实施例包括:
获取单元401,用于实时获取停车场出入口的视频流,所述视频流内含有车牌信息;
外扩单元402,用于按照预设规则外扩所述车牌信息;
发送单元403,用于将所述车牌信息送入经过训练的网络模型;
输出单元404,用于输出所述网络模型的生成结果。
下面从实体装置的角度对本申请实施例中的计算机装置进行描述,请参阅图5,本申请实施例中计算机装置的一个实施例包括:
该计算机装置500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)501(例如,一个或一个以上处理器)和存储器505,该存储器505中存储有一个或一个以上的应用程序或数据。
其中,存储器505可以是易失性存储或持久存储。存储在存储器505的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器501可以设置为与存储器505通信,在智能终端500上执行存储器505中的一系列指令操作。
该计算机装置500还可以包括一个或一个以上电源502,一个或一个以上有线或无线网络接口503,一个或一个以上输入输出接口504,和/或,一个或一个以上操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
可以理解的是,在本申请的各种实施例中,上述各步骤的序号的大小并不意味着执行顺序的先后,各步骤的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
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。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,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,在本申请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,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以记录在一个计算机可读取记录介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品记录在一个记录介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的记录介质包括:U盘、移动硬盘、只读记录器(ROM,Read-OnlyMemory)、随机存取记录器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以记录程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种图形处理的方法,其特征在于,包括:
实时获取停车场出入口的视频流,所述视频流内含有车牌信息;
按照预设规则外扩所述车牌信息;
将所述车牌信息送入经过训练的网络模型;
输出所述网络模型的生成结果。
2.根据权利要求1所述的方法,其特征在于,按照预设规则外扩所述车牌信息之前,所述方法还包括;
处理样本,所述经过处理的样本用于作为训练网络的数据集;
训练网络模型,所述网络模型由生成网络以及判别网络组成。
3.根据权利要求2所述的方法,其特征在于,所述处理样本包括:
收集预设数量的实际场景中的车牌图片;
将所述车牌图片进行透视变换得到所述车牌的正面图片以及预设数量的大角度图片。
4.根据权利要求3所述的方法,其特征在于,所述网络模型的训练包括:
将所述大角度图片输入所述生成网络以获得经过所述生成网络重建的图片;
将所述重建图片以及正面图片输入所述判别网络计算判别损失;
将所述重建图片以及正面图片输入所述网络模型计算对抗损失;
根据所述判别损失以及所述对抗损失计算出生成损失,所述生成损失作用于所述生成网络输出的图片。
5.一种图形处理的系统,其特征在于,包括:
获取单元,用于实时获取停车场出入口的视频流,所述视频流内含有车牌信息;
外扩单元,用于按照预设规则外扩所述车牌信息;
发送单元,用于将所述车牌信息送入经过训练的网络模型;
输出单元,用于输出所述网络模型的生成结果。
6.根据权利要求5所述的方法,其特征在于,所述装置还包括:
处理单元,用于处理样本,所述经过处理的样本用于作为训练网络的数据集;
设计单元,用于训练网络模型,所述网络模型由生成网络以及判别网络组成。
7.根据权利要求6所述的方法,其特征在于,所述装置还包括:
收集单元,用于收集预设数量的实际场景中的车牌图片;
变换单元,用于将所述车牌图片进行透视变换得到所述车牌的正面图片以及预设数量的大角度图片。
8.根据权利要求7所述的方法,其特征在于,所述装置还包括训练单元,所述训练单元具体用于:
将所述大角度图片输入所述生成网络以获得经过所述生成网络重建的图片;
将所述重建图片以及正面图片输入所述判别网络计算判别损失;
将所述重建图片以及正面图片输入所述网络模型计算对抗损失;
根据所述判别损失以及所述对抗损失计算出生成损失,所述生成损失作用于所述生成网络输出的图片。
9.一种计算机装置,其特征在于,所述计算机装置包括:输入/输出接口、处理器和存储器,所述存储器中存储有程序指令;
所述处理器用于执行存储器中存储的程序指令,执行如权利要求1-5任一所述的方法。
10.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在计算机设备上运行时,使得所述计算机设备执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740565.6A CN110443244B (zh) | 2019-08-12 | 2019-08-12 | 一种图形处理的方法以及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740565.6A CN110443244B (zh) | 2019-08-12 | 2019-08-12 | 一种图形处理的方法以及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443244A true CN110443244A (zh) | 2019-11-12 |
CN110443244B CN110443244B (zh) | 2023-12-05 |
Family
ID=68434670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910740565.6A Active CN110443244B (zh) | 2019-08-12 | 2019-08-12 | 一种图形处理的方法以及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443244B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657371A (zh) * | 2021-10-20 | 2021-11-16 | 成都宜泊信息科技有限公司 | 一种相机角度的调整方法、系统、存储介质、电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116751A (zh) * | 2013-01-24 | 2013-05-22 | 河海大学 | 一种车牌字符自动识别方法 |
CN106203418A (zh) * | 2016-07-14 | 2016-12-07 | 北京精英智通科技股份有限公司 | 一种车牌检测的方法及装置 |
CN108121986A (zh) * | 2017-12-29 | 2018-06-05 | 深圳云天励飞技术有限公司 | 目标检测方法及装置、计算机装置和计算机可读存储介质 |
CN108133201A (zh) * | 2018-01-17 | 2018-06-08 | 百度在线网络技术(北京)有限公司 | 人脸属性识别方法和装置 |
CN109509152A (zh) * | 2018-12-29 | 2019-03-22 | 大连海事大学 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
CN109598246A (zh) * | 2018-12-07 | 2019-04-09 | 广东亿迅科技有限公司 | 车辆出入检测方法、装置、计算机设备和存储介质 |
CN109685072A (zh) * | 2018-12-22 | 2019-04-26 | 北京工业大学 | 一种基于生成对抗网络的复合降质图像高质量重建方法 |
-
2019
- 2019-08-12 CN CN201910740565.6A patent/CN110443244B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116751A (zh) * | 2013-01-24 | 2013-05-22 | 河海大学 | 一种车牌字符自动识别方法 |
CN106203418A (zh) * | 2016-07-14 | 2016-12-07 | 北京精英智通科技股份有限公司 | 一种车牌检测的方法及装置 |
CN108121986A (zh) * | 2017-12-29 | 2018-06-05 | 深圳云天励飞技术有限公司 | 目标检测方法及装置、计算机装置和计算机可读存储介质 |
CN108133201A (zh) * | 2018-01-17 | 2018-06-08 | 百度在线网络技术(北京)有限公司 | 人脸属性识别方法和装置 |
CN109598246A (zh) * | 2018-12-07 | 2019-04-09 | 广东亿迅科技有限公司 | 车辆出入检测方法、装置、计算机设备和存储介质 |
CN109685072A (zh) * | 2018-12-22 | 2019-04-26 | 北京工业大学 | 一种基于生成对抗网络的复合降质图像高质量重建方法 |
CN109509152A (zh) * | 2018-12-29 | 2019-03-22 | 大连海事大学 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657371A (zh) * | 2021-10-20 | 2021-11-16 | 成都宜泊信息科技有限公司 | 一种相机角度的调整方法、系统、存储介质、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110443244B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528878B (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
EP4109392A1 (en) | Image processing method and image processing device | |
CN109711407B (zh) | 一种车牌识别的方法及相关装置 | |
CN111444917A (zh) | 车牌字符识别方法、装置、电子设备和存储介质 | |
CN109726678B (zh) | 一种车牌识别的方法及相关装置 | |
CN110188717A (zh) | 图像获取方法及装置 | |
CN112307853A (zh) | 航拍图像的检测方法、存储介质和电子装置 | |
CN114529593A (zh) | 红外与可见光图像配准方法、系统、设备、图像处理终端 | |
CN111597933A (zh) | 人脸识别方法和装置 | |
CN112069887A (zh) | 一种人脸识别方法、装置、终端设备及存储介质 | |
CN110121109A (zh) | 面向监控系统数字视频实时溯源方法、城市视频监控系统 | |
CN112308128A (zh) | 一种基于注意力机制神经网络的图像匹配方法 | |
CN112257612A (zh) | 一种基于边缘智能的无人机视频帧过滤方法及装置 | |
CN112907972B (zh) | 基于无人机的道路车流量检测方法、系统及计算机可读存储介质 | |
CN108846420B (zh) | 网络结构以及客户端 | |
CN110443244A (zh) | 一种图形处理的方法以及相关装置 | |
CN111091089B (zh) | 一种人脸图像处理方法、装置、电子设备及存储介质 | |
CN111951260A (zh) | 基于部分特征融合卷积神经网络实时目标计数系统及方法 | |
CN111292331A (zh) | 图像处理的方法与装置 | |
CN110930436A (zh) | 一种目标跟踪方法及设备 | |
CN112115737A (zh) | 一种车辆朝向的确定方法、装置及车载终端 | |
CN112818948B (zh) | 一种嵌入式系统下的基于视觉注意力的行为识别方法 | |
CN111325198A (zh) | 视频对象特征提取方法和装置、视频对象匹配方法和装置 | |
CN113792700B (zh) | 一种电瓶车入箱检测方法、装置、计算机设备及存储介质 |
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 |