CN112396076A - 车牌图像生成方法、装置及计算机存储介质 - Google Patents
车牌图像生成方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN112396076A CN112396076A CN201910755413.3A CN201910755413A CN112396076A CN 112396076 A CN112396076 A CN 112396076A CN 201910755413 A CN201910755413 A CN 201910755413A CN 112396076 A CN112396076 A CN 112396076A
- Authority
- CN
- China
- Prior art keywords
- license plate
- virtual
- characters
- virtual license
- dimensional 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000002184 metal Substances 0.000 claims description 13
- 238000012805 post-processing Methods 0.000 claims description 7
- 239000000428 dust Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 abstract description 32
- 238000003062 neural network model Methods 0.000 abstract description 16
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000919 ceramic Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06V20/64—Three-dimensional objects
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Abstract
本申请公开了一种车牌图像生成方法、装置及计算机存储介质，属于神经网络训练技术领域。所述方法包括：构建虚拟车牌的三维模型，并确定虚拟车牌的车牌表面属性信息，以生成针对该虚拟车牌的车牌图像。因此，在确定针对用于车牌识别的神经网络模型的训练样本时，可以根据实际需求直接通过本申请实施例生成车牌图像，无需通过摄像机针对真实的车牌进行采集才能获取到车牌图像，提高了获取车牌图像的效率。另外，由于虚拟车牌是根据实际需求模拟的车牌，因此，可以通过本申请实施例生成不同类型的虚拟车牌对应的车牌图像，提高了训练样本中的车牌图像的多样性，从而提高了后续根据训练样本训练出的神经网络模型的识别精度。
Description
技术领域
本申请涉及神经网络训练技术领域，特别涉及一种车牌生成方法、装置及计算机存储介质。
背景技术
随着大数据技术的发展，可以通过神经网络进行车牌识别。在通过神经网络实现车牌识别之前，需要先使用训练样本对初始化的神经网络进行训练。训练样本包括多个车牌图像，每个车牌图像中标注有用于指示车牌标识的标签。车牌标识包括多个字符。
相关技术中，可以先获取摄像机针对车牌采集的图像。对于采集的每个图像，通过人工方式标注用于指示车牌标识的标签，将标注后的各个图像称为车牌图像。将标注后的各个车牌图像作为训练样本对初始化的神经网络进行训练。也即是，相关技术是通过摄像机采集和人工标注的方式来生成用于训练的车牌图像。
由于摄像机针对车牌采集的图像中覆盖的车牌的种类有限，导致上述生成训练的车牌图像的种类比较单一，不利于对神经网络模型进行训练。
发明内容
本申请实施例提供了一种车牌图像生成方法、装置及计算机存储介质，可以提高根据生成的车牌图像训练的神经网路模型的识别精度。所述技术方案如下：
一方面，提供了一种车牌图像生成方法，所述方法包括：
构建虚拟车牌的三维模型，所述虚拟车牌为根据需求模拟出的车牌；
确定所述虚拟车牌的车牌表面属性信息；
根据所述车牌表面属性信息和所述三维模型，生成针对所述虚拟车牌的车牌图像。
可选地，所述构建虚拟车牌的三维模型，包括：
确定所述虚拟车牌的边框的形状；
确定所述虚拟车牌的底色；
确定所述虚拟车牌上用于指示车牌标识的多个字符以及所述多个字符的排列顺序；
根据所述边框的形状、所述底色、所述多个字符以及所述多个字符的排列顺序，生成所述虚拟车牌的三维模型。
可选地，所述确定所述虚拟车牌的边框的形状，包括：
根据所述虚拟车牌的形变情况，确定所述虚拟车牌的边框的形状。
可选地，所述根据所述边框的形状、所述底色、所述多个字符以及所述多个字符的排列顺序，生成所述虚拟车牌的三维模型，包括：
根据所述边框的形状、所述底色、所述多个字符以及所述多个字符的排列顺序，生成所述虚拟车牌的理论三维视图；
根据所述虚拟车牌的折痕情况，对所述虚拟车牌的理论三维视图进行调整，得到所述虚拟车牌的三维模型。
可选地，所述车牌表面属性信息至少包括以下属性信息中的一种或多种：
所述虚拟车牌的金属属性；
所述虚拟车牌的漫反射属性；
所述虚拟车牌的平整度；
所述虚拟车牌的镜面反射属性；
所述虚拟车牌上的灰尘情况；
所述虚拟车牌上的污渍情况、覆盖情况以及遮挡情况。
可选地，所述根据所述车牌属性信息和所述三维模型，生成针对所述虚拟车牌的车牌图像，包括：
确定虚拟拍摄场景的拍摄参数；
根据所述拍摄参数、所述车牌属性信息和所述三维模型，生成针对所述虚拟车牌的虚拟照片；
对所述虚拟照片进行后处理，得到所述车牌图像。
可选地，所述虚拟拍摄场景的拍摄参数至少包括以下参数中的一种或多种：
所述虚拟拍摄场景中的灯光的颜色、所述灯光的亮度、所述虚拟拍摄场景中虚拟摄像机的曝光参数、在所述虚拟拍摄场景中所述虚拟摄像机和所述虚拟车牌的位置。
可选地，所述根据所述车牌属性信息和所述三维模型，生成针对所述虚拟车牌的车牌图像之后，还包括：
在所述车牌图像中标注所述虚拟车牌上的车牌识别结果。
另一方面、提供了一种车牌图像生成装置，所述装置包括：
构建模块，用于构建虚拟车牌的三维模型，所述虚拟车牌为根据需求模拟出的车牌；
确定模块，用于确定所述虚拟车牌的车牌表面属性信息；
生成模块，用于根据所述车牌表面属性信息和所述三维模型，生成针对所述虚拟车牌的车牌图像。
可选地，所述构建模块，具体用于：
确定所述虚拟车牌的边框的形状；
确定所述虚拟车牌的底色；
确定所述虚拟车牌上用于指示车牌标识的多个字符以及所述多个字符的排列顺序；
根据所述边框的形状、所述底色、所述多个字符以及所述多个字符的排列顺序，生成所述虚拟车牌的三维模型。
可选地，所述构建模块，具体用于：根据所述虚拟车牌的形变情况，确定所述虚拟车牌的边框的形状。
可选地，所述构建模块，具体用于：
根据所述边框的形状、所述底色、所述多个字符以及所述多个字符的排列顺序，生成所述虚拟车牌的理论三维视图；
根据所述虚拟车牌的折痕情况，对所述虚拟车牌的理论三维视图进行调整，得到所述虚拟车牌的三维模型。
可选地，所述车牌表面属性信息至少包括以下属性信息中的一种或多种：
所述虚拟车牌的金属属性；
所述虚拟车牌的漫反射属性；
所述虚拟车牌的平整度；
所述虚拟车牌镜面反射属性；
所述虚拟车牌上的灰尘情况；
所述虚拟车牌上的污渍情况、覆盖情况以及遮挡情况。
可选地，所述生成模块，具体用于：
确定虚拟拍摄场景的拍摄参数；
根据所述拍摄参数、所述车牌属性信息和所述三维模型，生成针对所述虚拟车牌的虚拟照片；
对所述虚拟照片进行后处理，得到所述车牌图像。
可选地，所述虚拟拍摄场景的拍摄参数至少包括以下参数中的一种或多种：
所述虚拟拍摄场景中的灯光的颜色、所述灯光的亮度、所述虚拟拍摄场景中虚拟摄像机的曝光参数、在所述虚拟拍摄场景中所述虚拟摄像机和所述虚拟车牌的位置。
可选地，所述装置还包括：
标注模块，用于在所述车牌图像中标注所述虚拟车牌上的车牌识别结果。
另一方面、提供了一种车牌图像生成装置，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述任一方面提供的车牌图像的生成方法的步骤。
本申请实施例提供的技术方案带来的有益效果包括：
在本申请实施例中，可以根据实际需求模拟虚拟车牌，然后构建虚拟车牌的三维模型，并确定虚拟车牌的车牌表面属性信息，以生成针对该虚拟车牌的车牌图像。因此，在确定针对用于车牌识别的神经网络模型的训练样本时，可以根据实际需求直接通过本申请实施例生成车牌图像，无需通过摄像机针对真实的车牌进行采集才能获取到车牌图像，提高了获取车牌图像的效率。另外，由于虚拟车牌是根据实际需求模拟的车牌，因此，可以通过本申请实施例生成不同类型的虚拟车牌对应的车牌图像，提高了训练样本中的车牌图像的多样性，从而提高了后续根据训练样本训练出的神经网络模型的识别精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1是本申请实施例提供的一种车牌图像生成方法流程图。
图2是本申请实施例提供的一种车牌图像生成装置框图。
图3是本申请实施例提供的一种终端的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在对本申请实施例进行解释说明之前，先对本申请实施例涉及的应用场景进行解释说明。车牌识别是指：对车牌图像中用于指示车牌标识的字符进行识别，以获取该车牌图像对应的车牌标识。车牌标识包括多个字符，该多个字符可以为数字、英文字母、汉字以及其他字符中的一种或多种。车牌标识也可以称为车牌号码。目前，通过神经网络技术可以实现快速的车牌识别。而在通过神经网络实现车牌识别的过程中，用于训练神经网络的训练样本的多样性直接影响训练后的神经网络的识别精确度。因此，需要获取大量的不同类型的训练样本，以提高训练后的神经网络模型的识别精确度。针对用于车牌识别的神经网络模型，训练样本是指多个车牌图像，每个车牌图像中标注有用于指示车牌标识的标签。本申请实施例通过的车牌图像生成方法就应用于获取针对用于车牌识别的神经网络模型的训练样本的场景中。
图1是本申请实施例提供的一种车牌图像生成方法流程图。如图1所示，该方法包括如下步骤：
步骤101：构建虚拟车牌的三维模型，虚拟车牌为根据需求模拟出的车牌。
本申请实施例可以根据实际需求模拟虚拟车牌，然后通过步骤101至步骤103生成针对该虚拟车牌的车牌图像。因此，在确定针对用于车牌识别的神经网络模型的训练样本时，可以根据实际需求直接通过步骤101至步骤103生成车牌图像，无需通过摄像机针对真实的车牌进行采集才能获取到车牌图像，提高了获取车牌图像的效率。另外，由于虚拟车牌是根据实际需求模拟的车牌，因此，可以通过步骤101至步骤103生成不同类型的虚拟车牌对应的车牌图像，提高了训练样本中的车牌图像的多样性，从而提高了后续根据训练样本训练出的神经网络模型的识别精度。
三维模型用于指示虚拟车牌在三维空间中的视图。在一种可能的实现方式中，步骤101具体可以为：确定虚拟车牌的边框框的形状；确定虚拟车牌的底色；确定虚拟车牌上用于指示车牌标识的多个字符以及多个字符的排列顺序；根据边框的形状、底色、多个字符以及多个字符的排列顺序，生成虚拟车牌的三维模型。
虚拟车牌的边框的形状可以包括外框的形状，还可以包括内框的形状。其中，确定虚拟车牌的外框的形状的实现方式可以为：当前显示界面中显示有多个外框选项，每个外框选项指示一种外框形状。当检测到针对该多个外框选项中任一外框选项的选择操作时，基于该选择操作对应的外框选项确定该虚拟车牌的外框的形状。
选择操作可以由管理人员根据实际需求触发。也即是，上述虚拟车牌的外框的形状是根据实际需求确定的。比如，当前需要生成一种针对军用车牌的虚拟车牌的车牌图像，则可以从多个外框选项中选择与军用车牌对应的外框选项，以使确定虚拟车牌的外框的形状具有军用车牌的外框的形状。
另外，上述确定车牌的内框的形状、虚拟车牌的底色均可以参考上述确定虚拟车牌的外框的形状的实现方式，在此就不再一一展开阐述。
另外，在确定虚拟车牌的边框的形状时，还可以考虑虚拟车牌的形变情况。该形变情况包括由于破损引起的形变情况、由于折叠引起的形变情况、由于褶皱扭曲引起的形变情况等等。比如，正常的车牌的外框的形状为一个矩形，当车牌出现破损时，该车牌的外框的某个角可能被磨损掉。此时，该车牌的外框的形状就不是一个矩形，可能为梯形。因此，在上述通过显示界面中显示的外框选项来确定外框的形状时，还可以在基于该选择操作对应的外框选项确定该虚拟车牌的外框的形状之后，根据虚拟车牌的形变情况，对确定的形状进行调整，将调整之后的形状作为虚拟车牌的外框的形状。
上述用于指示车牌标识的多个字符可以包括中文省份简称、英文字母、数字等任意字符。多个字符的排列顺序是指多个字符排列之后能够指示一个车牌标识。比如，在应用本申请实施例时，可以根据需要生成的虚拟车牌的类型，来确定这多个字符的排列顺序。虚拟车牌的类型包括普通车牌、军用车牌以及其他特殊车牌等。
在通过上述任一方式确定出边框的形状、底色、多个字符以及多个字符的排列顺序之后，便可根据边框的形状、底色、多个字符以及多个字符的排列顺序，生成虚拟车牌的三维模型。虚拟车牌的三维模型用于指示虚拟车牌的三维视图。
另外，如果车牌出现折痕，那么该车牌相对于正常的车牌的三维视图将发生变化。因此，在本申请实施例中，在根据边框的形状、底色、以及多个字符的排列顺序，生成虚拟车牌的三维模型的实现方式可以为：根据边框的形状、底色、以及多个字符的排列顺序，生成虚拟车牌的理论三维视图；根据虚拟车牌的折痕情况，对虚拟车牌的理论三维视图进行调整，得到虚拟车牌的三维模型。也即是，最终得到的虚拟车牌的三维模型是可以指示车牌的存在折叠、褶皱或折痕情况的三维模型。
比如，根据边框的形状、底色、以及多个字符的排列顺序，生成的虚拟车牌的理论三维视图可能是一个扁平的正六面体。但是如果该虚拟车牌的某个角出现折痕，该正六面体对应的角也将发生弯曲，因此可以根据虚拟车牌的折痕情况，对虚拟车牌的理论三维视图进行调整，以使得到的虚拟车牌的三维模型符合实际的发生折痕的车牌的三维视图。
步骤102：确定虚拟车牌的车牌表面属性信息。
基于步骤101可以确定出虚拟车牌的三维模型。但是对于具有同样三维模型的车牌，如果这些车牌的表明具有不同的属性，那么摄像机针对这些车牌采集的车牌图像极有可能是不同的。因此，在本申请实施例中，为了使得最终生成的虚拟车牌的车牌图像能够接近摄像机采集的车牌图像，在生成虚拟车牌的车牌图像时，还可以考虑虚拟车牌的车牌表面属性信息。
在一种可能的实现方式中，车牌表面属性信息至少包括以下属性信息中的一种或多种：
虚拟车牌的金属属性，金属属性用于指示虚拟车牌的金属属性，金属属性包括光线照射在虚拟车牌的表面时，虚拟车牌反射光线的强度，以及虚拟车牌反射出的光线形成的倒影的颜色。该金属属性还可以称为金属度。比如，金属度可以设置在0.0-1.0之间，金属度对应的数值越靠近1，表明虚拟车牌的表明的金属感越强，金属度对应的数值越靠近0，表明虚拟车牌的金属感越弱。
虚拟车牌的漫反射属性，漫反射属性用于指示光线照射在虚拟车牌的表面时，光线在虚拟车牌上形成漫反射的程度。该漫反射属性还可以称为粗糙度。
虚拟车牌的平整度。
虚拟车牌的镜面反射属性，镜面反射属性用于指示光线投射在虚拟车牌的表面时，光线在虚拟车牌上形成镜面反射的程度。该漫反射属性还可以称为反射度。
虚拟车牌上的灰尘情况。
虚拟车牌上的污渍情况、覆盖情况以及遮挡情况。
上述车牌表面属性信息仅仅用于举例说明，在使用本申请实施例时，车牌表面属性信息可以包括任何能够影响摄像机采集的车牌图像的车牌表面因素，在此就不再一一举例说明。
步骤103：根据车牌表面属性信息和三维模型，生成针对虚拟车牌的车牌图像。
在根据步骤101和步骤102确定出虚拟车牌的车牌表面属性信息和三维模型之后，便可通过步骤103生成针对虚拟车牌的车牌图像。
在一种可能的实现方式中，步骤103具体可以为：确定虚拟拍摄场景的拍摄参数；根据拍摄参数、车牌属性信息和三维模型，生成针对虚拟车牌的虚拟照片；对虚拟照片进行后处理，得到车牌图像。
对于同一车牌，在不同的拍摄场景中，摄像机采集的车牌图像也是不同的。因此，在本申请实施例中，为了使得最终生成的车牌图像与摄像机采集的车牌图像比较接近，还可以确定一个虚拟拍摄场景，以通过上述实现方式得到车牌图像。
由于拍摄场景中灯光的颜色、亮度发生变化时，摄像机针对同一车牌采集的车牌图像极有可能是不同的。另外，摄像机的曝光参数发生变化时，摄像机针对同一车牌采集的车牌图像极有可能是不同的。另外，如果车牌在摄像机拍摄区域内，但是车牌和摄像机之间的距离发生变化时，摄像机针对同一车牌采集的车牌图像极有可能是不同的。另外，如果车牌在摄像机拍摄区域边缘，摄像机针对车牌采集的车牌图像可能会发生镜头畸变。因此，在本申请实施例中，上述虚拟拍摄场景的拍摄参数至少包括以下参数中的一种或多种：虚拟拍摄场景中的灯光的颜色、灯光的亮度、虚拟拍摄场景中虚拟摄像机的曝光参数、在虚拟拍摄场景中虚拟摄像机和虚拟车牌的位置。虚拟摄像机的曝光参数可以包括虚拟摄像机的曝光时间、曝光强度等。
上述拍摄参数仅仅用于举例说明，在使用本申请实施例时，拍摄参数可以包括任何能够影响摄像机采集的车牌图像的拍摄因素，在此就不再一一举例说明。
另外，上述根据拍摄参数、车牌属性信息和三维模型，生成针对虚拟车牌的虚拟照片的过程可以通过光线追踪技术来实现，在此不再详细阐述。
由于直接生成的针对虚拟车牌的虚拟照片中有很多噪点，因此，在本申请实施例中，还可以对虚拟照片进行后处理，将后处理后的图像作为车牌图像。后处理可以包括降噪、白平衡等处理。其中，降噪处理可以通过AI(artificial intelligence，人工智能)技术来实现，在此同样不再详细阐述。
另外，本申请实施例构建的虚拟车牌是用于后续训练识别模型时使用的，因此，在通过步骤103根据车牌属性信息和三维模型，生成针对虚拟车牌的车牌图像之后，还可以在车牌图像中标注该虚拟车牌上的车牌识别结果，以便于后续将该车牌识别结果和该车牌图像作为一个训练样本。
上述车牌识别结果可以为车牌上用于进行识别的属性，例如车牌颜色。
又例如，该车牌识别结果可以为车牌标识。此时，在构建虚拟车牌的三维模型时，需要虚拟车牌上用于指示车牌标识的多个字符。也即是，在生成虚拟车牌的车牌图像的过程中，用于指示车牌标识的多个字符是已知的。因此，在本申请实施中，在生成虚拟车牌的车牌图像之后，可以直接在车牌图像中标注虚拟车牌上的车牌标识，以便于后续直接根据标注后的车牌图像进行神经网络模型的训练。避免了需要通过人工方式来标注车牌图像中的车牌标识，从而提高了确定训练样本的效率。又例如，该车牌识别结果可以包括车牌号和遮挡情况。
在本申请实施例中，可以根据实际需求模拟虚拟车牌，然后构建虚拟车牌的三维模型，并确定虚拟车牌的车牌表面属性信息，以生成针对该虚拟车牌的车牌图像。因此，在确定针对用于车牌识别的神经网络模型的训练样本时，可以根据实际需求直接通过本申请实施例生成车牌图像，无需通过摄像机针对真实的车牌进行采集才能获取到车牌图像，提高了获取车牌图像的效率。另外，由于虚拟车牌是根据实际需求模拟的车牌，因此，可以通过本申请实施例生成不同类型的虚拟车牌对应的车牌图像，提高了训练样本中的车牌图像的多样性，从而提高了后续根据训练样本训练出的神经网络模型的识别精度。
图2是本申请实施例提供的一种车牌图像生成装置示意图。如图2所示，该装置200包括：
构建模块201，用于构建虚拟车牌的三维模型，虚拟车牌为根据需求模拟出的车牌；
确定模块202，用于确定虚拟车牌的车牌表面属性信息；
生成模块203，用于根据车牌表面属性信息和三维模型，生成针对虚拟车牌的车牌图像。
可选地，构建模块，具体用于：
确定虚拟车牌的边框的形状；
确定虚拟车牌的底色；
确定虚拟车牌上用于指示车牌标识的多个字符以及多个字符的排列顺序；
根据边框的形状、底色、多个字符以及多个字符的排列顺序，生成虚拟车牌的三维模型。
可选地，构建模块，具体用于：根据虚拟车牌的形变情况，确定虚拟车牌的边框的形状。
可选地，构建模块，具体用于：
根据边框的形状、底色、多个字符以及多个字符的排列顺序，生成虚拟车牌的理论三维视图；
根据虚拟车牌的折痕情况，对虚拟车牌的理论三维视图进行调整，得到虚拟车牌的三维模型。
可选地，车牌表面属性信息至少包括以下属性信息中的一种或多种：
虚拟车牌的金属属性；
虚拟车牌的漫反射属性；
虚拟车牌的平整度；
虚拟车牌的镜面反射属性；
虚拟车牌上的灰尘情况；
虚拟车牌上的污渍情况、覆盖情况以及遮挡情况。
可选地，生成模块，具体用于：
确定虚拟拍摄场景的拍摄参数；
根据拍摄参数、车牌属性信息和三维模型，生成针对虚拟车牌的虚拟照片；
对虚拟照片进行后处理，得到车牌图像。
可选地，虚拟拍摄场景的拍摄参数至少包括以下参数中的一种或多种：
虚拟拍摄场景中的灯光的颜色、灯光的亮度、虚拟拍摄场景中虚拟摄像机的曝光参数、在虚拟拍摄场景中虚拟摄像机和虚拟车牌的位置。
可选地，装置还包括：
标注模块，用于在车牌图像中标注虚拟车牌上的车牌识别结果。
在本申请实施例中，可以根据实际需求模拟虚拟车牌，然后构建虚拟车牌的三维模型，并确定虚拟车牌的车牌表面属性信息，以生成针对该虚拟车牌的车牌图像。因此，在确定针对用于车牌识别的神经网络模型的训练样本时，可以根据实际需求直接通过本申请实施例生成车牌图像，无需通过摄像机针对真实的车牌进行采集才能获取到车牌图像，提高了获取车牌图像的效率。另外，由于虚拟车牌是根据实际需求模拟的车牌，因此，可以通过本申请实施例生成不同类型的虚拟车牌对应的车牌图像，提高了训练样本中的车牌图像的多样性，从而提高了后续根据训练样本训练出的神经网络模型的识别精度。
需要说明的是：上述实施例提供的车牌图像的生成装置在生成车牌图像时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的车牌图像的生成装置与车牌图像的生成方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图3是本申请实施例提供的一种终端300的结构框图。该终端300可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端300还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端300包括有：处理器301和存储器302。
处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的车牌图像的生成方法。
在一些实施例中，终端300还可选包括有：外围设备接口303和至少一个外围设备。处理器301、存储器302和外围设备接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口303相连。具体地，外围设备包括：射频电路304、触摸显示屏305、摄像头306、音频电路307、定位组件308和电源309中的至少一种。
外围设备接口303可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中，处理器301、存储器302和外围设备接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和外围设备接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路304包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路304还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时，显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时，显示屏305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏305可以为一个，设置终端300的前面板；在另一些实施例中，显示屏305可以为至少两个，分别设置在终端300的不同表面或呈折叠设计；在再一些实施例中，显示屏305可以是柔性显示屏，设置在终端300的弯曲表面上或折叠面上。甚至，显示屏305还可以设置成非矩形的不规则图形，也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件306用于采集图像或视频。可选地，摄像头组件306包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件306还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路307可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器301进行处理，或者输入至射频电路304以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端300的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器301或射频电路304的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路307还可以包括耳机插孔。
定位组件308用于定位终端300的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件308可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源309用于为终端300中的各个组件进行供电。电源309可以是交流电、直流电、一次性电池或可充电电池。当电源309包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中，终端300还包括有一个或多个传感器310。该一个或多个传感器310包括但不限于：加速度传感器311、陀螺仪传感器312、压力传感器313、指纹传感器314、光学传感器315以及接近传感器316。
加速度传感器311可以检测以终端300建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器311可以用于检测重力加速度在三个坐标轴上的分量。处理器301可以根据加速度传感器311采集的重力加速度信号，控制触摸显示屏305以横向视图或纵向视图进行用户界面的显示。加速度传感器311还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器312可以检测终端300的机体方向及转动角度，陀螺仪传感器312可以与加速度传感器311协同采集用户对终端300的3D动作。处理器301根据陀螺仪传感器312采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器313可以设置在终端300的侧边框和/或触摸显示屏305的下层。当压力传感器313设置在终端300的侧边框时，可以检测用户对终端300的握持信号，由处理器301根据压力传感器313采集的握持信号进行左右手识别或快捷操作。当压力传感器313设置在触摸显示屏305的下层时，由处理器301根据用户对触摸显示屏305的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器314用于采集用户的指纹，由处理器301根据指纹传感器314采集到的指纹识别用户的身份，或者，由指纹传感器314根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器301授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器314可以被设置终端300的正面、背面或侧面。当终端300上设置有物理按键或厂商Logo时，指纹传感器314可以与物理按键或厂商Logo集成在一起。
光学传感器315用于采集环境光强度。在一个实施例中，处理器301可以根据光学传感器315采集的环境光强度，控制触摸显示屏305的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏305的显示亮度；当环境光强度较低时，调低触摸显示屏305的显示亮度。在另一个实施例中，处理器301还可以根据光学传感器315采集的环境光强度，动态调整摄像头组件306的拍摄参数。
接近传感器316，也称距离传感器，通常设置在终端300的前面板。接近传感器316用于采集用户与终端300的正面之间的距离。在一个实施例中，当接近传感器316检测到用户与终端300的正面之间的距离逐渐变小时，由处理器301控制触摸显示屏305从亮屏状态切换为息屏状态；当接近传感器316检测到用户与终端300的正面之间的距离逐渐变大时，由处理器301控制触摸显示屏305从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图3中示出的结构并不构成对终端300的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
本申请实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由终端的处理器执行时，使得终端能够执行上实施例提供的车牌图像的生成方法。
本申请实施例还提供了一种包含指令的计算机程序产品，当其在终端上运行时，使得终端执行上述实施例提供的车牌图像的生成方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (17)
1.一种车牌图像生成方法，其特征在于，所述方法包括：
构建虚拟车牌的三维模型，所述虚拟车牌为根据需求模拟出的车牌；
确定所述虚拟车牌的车牌表面属性信息；
根据所述车牌表面属性信息和所述三维模型，生成针对所述虚拟车牌的车牌图像。
2.如权利要求1所述的方法，其特征在于，所述构建虚拟车牌的三维模型，包括：
确定所述虚拟车牌的边框的形状；
确定所述虚拟车牌的底色；
确定所述虚拟车牌上用于指示车牌标识的多个字符以及所述多个字符的排列顺序；
根据所述边框的形状、所述底色、所述多个字符以及所述多个字符的排列顺序，生成所述虚拟车牌的三维模型。
3.如权利要求2所述的方法，其特征在于，所述确定所述虚拟车牌的边框的形状，包括：
根据所述虚拟车牌的形变情况，确定所述虚拟车牌的边框的形状。
4.如权利要求2所述的方法，其特征在于，所述根据所述边框的形状、所述底色、所述多个字符以及所述多个字符的排列顺序，生成所述虚拟车牌的三维模型，包括：
根据所述边框的形状、所述底色、所述多个字符以及所述多个字符的排列顺序，生成所述虚拟车牌的理论三维视图；
根据所述虚拟车牌的折痕情况，对所述虚拟车牌的理论三维视图进行调整，得到所述虚拟车牌的三维模型。
5.如权利要求1所述的方法，其特征在于，所述车牌表面属性信息至少包括以下属性信息中的一种或多种：
所述虚拟车牌的金属属性；
所述虚拟车牌的漫反射属性；
所述虚拟车牌的平整度；
所述虚拟车牌的镜面反射属性；
所述虚拟车牌上的灰尘情况；
所述虚拟车牌上的污渍情况、覆盖情况以及遮挡情况。
6.如权利要求1所述的方法，其特征在于，所述根据所述车牌属性信息和所述三维模型，生成针对所述虚拟车牌的车牌图像，包括：
确定虚拟拍摄场景的拍摄参数；
根据所述拍摄参数、所述车牌属性信息和所述三维模型，生成针对所述虚拟车牌的虚拟照片；
对所述虚拟照片进行后处理，得到所述车牌图像。
7.如权利要求6所述的方法，其特征在于，所述虚拟拍摄场景的拍摄参数至少包括以下参数中的一种或多种：
所述虚拟拍摄场景中的灯光的颜色、所述灯光的亮度、所述虚拟拍摄场景中虚拟摄像机的曝光参数、在所述虚拟拍摄场景中所述虚拟摄像机和所述虚拟车牌的位置。
8.如权利要求1所述的方法，其特征在于，所述根据所述车牌属性信息和所述三维模型，生成针对所述虚拟车牌的车牌图像之后，还包括：
在所述车牌图像中标注所述虚拟车牌上的车牌识别结果。
9.一种车牌图像生成装置，其特征在于，所述装置包括：
构建模块，用于构建虚拟车牌的三维模型，所述虚拟车牌为根据需求模拟出的车牌；
确定模块，用于确定所述虚拟车牌的车牌表面属性信息；
生成模块，用于根据所述车牌表面属性信息和所述三维模型，生成针对所述虚拟车牌的车牌图像。
10.如权利要求9所述的装置，其特征在于，所述构建模块，具体用于：
确定所述虚拟车牌的边框的形状；
确定所述虚拟车牌的底色；
确定所述虚拟车牌上用于指示车牌标识的多个字符以及所述多个字符的排列顺序；
根据所述边框的形状、所述底色、所述多个字符以及所述多个字符的排列顺序，生成所述虚拟车牌的三维模型。
11.如权利要求10所述的装置，其特征在于，所述构建模块，具体用于：根据所述虚拟车牌的形变情况，确定所述虚拟车牌的边框的形状。
12.如权利要求10所述的装置，其特征在于，所述构建模块，具体用于：
根据所述边框的形状、所述底色、所述多个字符以及所述多个字符的排列顺序，生成所述虚拟车牌的理论三维视图；
根据所述虚拟车牌的折痕情况，对所述虚拟车牌的理论三维视图进行调整，得到所述虚拟车牌的三维模型。
13.如权利要求9所述的装置，其特征在于，所述车牌表面属性信息至少包括以下属性信息中的一种或多种：
所述虚拟车牌的金属属性；
所述虚拟车牌的漫反射属性；
所述虚拟车牌的平整度；
所述虚拟车牌的镜面反射属性；
所述虚拟车牌上的灰尘情况；
所述虚拟车牌上的污渍情况、覆盖情况以及遮挡情况。
14.如权利要求9所述的装置，其特征在于，所述生成模块，具体用于：
确定虚拟拍摄场景的拍摄参数；
根据所述拍摄参数、所述车牌属性信息和所述三维模型，生成针对所述虚拟车牌的虚拟照片；
对所述虚拟照片进行后处理，得到所述车牌图像。
15.如权利要求14所述的装置，其特征在于，所述虚拟拍摄场景的拍摄参数至少包括以下参数中的一种或多种：
所述虚拟拍摄场景中的灯光的颜色、所述灯光的亮度、所述虚拟拍摄场景中虚拟摄像机的曝光参数、在所述虚拟拍摄场景中所述虚拟摄像机和所述虚拟车牌的位置。
16.如权利要求9所述的装置，其特征在于，所述装置还包括：
标注模块，用于在所述车牌图像中标注所述虚拟车牌上的车牌识别结果。
17.一种车牌图像生成装置，其特征在于，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述权利要求1至权利要求8中的任一项权利要求所述的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910755413.3A CN112396076A (zh) | 2019-08-15 | 2019-08-15 | 车牌图像生成方法、装置及计算机存储介质 |
| PCT/CN2020/108967 WO2021027890A1 (zh) | 2019-08-15 | 2020-08-13 | 车牌图像生成方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910755413.3A CN112396076A (zh) | 2019-08-15 | 2019-08-15 | 车牌图像生成方法、装置及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112396076A true CN112396076A (zh) | 2021-02-23 |
Family
ID=74569345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910755413.3A Pending CN112396076A (zh) | 2019-08-15 | 2019-08-15 | 车牌图像生成方法、装置及计算机存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112396076A (zh) |
| WO (1) | WO2021027890A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052174B (zh) * | 2021-03-26 | 2023-08-11 | 北京百度网讯科技有限公司 | 车牌数据样本生成方法、装置、电子设备和存储介质 |
| CN115063785B (zh) * | 2022-08-17 | 2023-01-10 | 深圳联友科技有限公司 | 高速公路场景使用目标识别模型定位车牌的方法及装置 |
| CN115497084B (zh) * | 2022-11-14 | 2023-03-31 | 深圳天海宸光科技有限公司 | 一种仿真车牌图片和字符级别标注的生成方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120275653A1 (en) * | 2011-04-28 | 2012-11-01 | Industrial Technology Research Institute | Method for recognizing license plate image, and related computer program product, computer-readable recording medium, and image recognizing apparatus using the same |
| CN108596259A (zh) * | 2018-04-27 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种用于物体识别的人工智能训练数据集生成的方法 |
| CN108875600A (zh) * | 2018-05-31 | 2018-11-23 | 银江股份有限公司 | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 |
| CN109255772A (zh) * | 2018-08-27 | 2019-01-22 | 平安科技（深圳）有限公司 | 基于风格迁移的车牌图像生成方法、装置、设备及介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4706965B2 (ja) * | 2005-08-31 | 2011-06-22 | 株式会社セガ | 画像生成プログラム、画像生成装置 |
| EP3618006B1 (en) * | 2017-05-19 | 2022-05-04 | Huawei Technologies Co., Ltd. | Image processing method and apparatus |
| CN110084304B (zh) * | 2019-04-28 | 2021-04-30 | 北京理工大学 | 一种基于合成数据集的目标检测方法 |
| CN110503716B (zh) * | 2019-08-12 | 2022-09-30 | 中国科学技术大学 | 一种机动车车牌合成数据生成方法 |
-
2019
- 2019-08-15 CN CN201910755413.3A patent/CN112396076A/zh active Pending
-
2020
- 2020-08-13 WO PCT/CN2020/108967 patent/WO2021027890A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120275653A1 (en) * | 2011-04-28 | 2012-11-01 | Industrial Technology Research Institute | Method for recognizing license plate image, and related computer program product, computer-readable recording medium, and image recognizing apparatus using the same |
| CN108596259A (zh) * | 2018-04-27 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种用于物体识别的人工智能训练数据集生成的方法 |
| CN108875600A (zh) * | 2018-05-31 | 2018-11-23 | 银江股份有限公司 | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 |
| CN109255772A (zh) * | 2018-08-27 | 2019-01-22 | 平安科技（深圳）有限公司 | 基于风格迁移的车牌图像生成方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 斯蒂芬.欧文，等: "景观建模 景观可视化的数字技术", 中国建筑工业出版社, pages: 23 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021027890A1 (zh) | 2021-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829456B (zh) | 图像识别方法、装置及终端 | |
| CN111464749B (zh) | 进行图像合成的方法、装置、设备及存储介质 | |
| CN109862412B (zh) | 合拍视频的方法、装置及存储介质 | |
| CN109302632B (zh) | 获取直播视频画面的方法、装置、终端及存储介质 | |
| CN109886208B (zh) | 物体检测的方法、装置、计算机设备及存储介质 | |
| WO2021027890A1 (zh) | 车牌图像生成方法、装置及计算机存储介质 | |
| CN112565806B (zh) | 虚拟礼物赠送方法、装置、计算机设备及介质 | |
| CN110839174A (zh) | 图像处理的方法、装置、计算机设备以及存储介质 | |
| CN111754386A (zh) | 图像区域屏蔽方法、装置、设备及存储介质 | |
| CN110647881A (zh) | 确定图像对应的卡片类型的方法、装置、设备及存储介质 | |
| CN111586279B (zh) | 确定拍摄状态的方法、装置、设备及存储介质 | |
| CN112308103A (zh) | 生成训练样本的方法和装置 | |
| CN111753606A (zh) | 一种智能模型的升级方法及装置 | |
| CN111857793A (zh) | 网络模型的训练方法、装置、设备及存储介质 | |
| CN111127541A (zh) | 车辆尺寸的确定方法、装置及存储介质 | |
| CN111370096A (zh) | 交互界面的显示方法、装置、设备及存储介质 | |
| CN111860064A (zh) | 基于视频的目标检测方法、装置、设备及存储介质 | |
| CN112612405B (zh) | 窗口显示方法、装置、设备及计算机可读存储介质 | |
| CN114595019A (zh) | 应用程序的主题设置方法、装置、设备及存储介质 | |
| CN114594885A (zh) | 应用图标的管理方法、装置、设备及计算机可读存储介质 | |
| CN112243083B (zh) | 抓拍方法、装置及计算机存储介质 | |
| CN110335224B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN108881715B (zh) | 拍摄模式的启用方法、装置、终端及存储介质 | |
| CN112399080A (zh) | 视频处理方法、装置、终端及计算机可读存储介质 | |
| CN113592874A (zh) | 图像显示方法、装置和计算机设备 |
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 |