CN113435333A - 一种数据处理方法、装置、计算机设备和存储介质 - Google Patents
一种数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113435333A CN113435333A CN202110718804.5A CN202110718804A CN113435333A CN 113435333 A CN113435333 A CN 113435333A CN 202110718804 A CN202110718804 A CN 202110718804A CN 113435333 A CN113435333 A CN 113435333A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- information
- processed
- sub
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种数据处理方法、装置、计算机设备和存储介质,其中,该方法包括:响应于对待处理图像的入库请求,对待处理图像进行识别;在识别待处理图像中包含车辆的情况下,确定至少一个车辆图像;其中,每个车辆图像分别对应一个车辆;确定车辆图像的图像质量信息;从车辆图像中筛选图像质量信息达到第一预设条件的车辆图像,作为目标车辆图像;基于目标车辆图像和待处理图像,确定目标车辆图像的车辆特征信息;将目标车辆图像的车辆特征信息存储入库。本公开实施例利用第一预设条件和图像质量信息,来筛选出目标车辆图像,能够提高提取的车辆特征信息的准确性。
Description
技术领域
本公开涉及计算机技术以及图像处理领域,具体而言,涉及一种数据处理方法、装置、计算机设备和存储介质。
背景技术
在智慧交通领域中,分析车辆特征信息对数字化交通场景的理解,以及交通车辆检索等有着重要作用。比如,在交通监督车辆逃费的场景中,需要保证得到的信息准确真实,且能完全指证当前车辆特征,避免出现错误的车辆特征信息导致车辆逃费检测失败或者误判等情况的发生。
当前利用神经网络模型提取车辆特征信息,并将该车辆特征信息存储到大数据库中等待查询使用。但是,现今提取到的车辆特征信息精度低并且信息不全,导致不能准确定位目标车辆。
发明内容
本公开实施例至少提供一种数据处理方法、装置、计算机设备和存储介质。
第一方面,本公开实施例提供了一种数据处理方法,包括:
响应于对待处理图像的入库请求,对所述待处理图像进行识别;
在识别所述待处理图像中包含车辆的情况下,确定至少一个车辆图像;其中,每个车辆图像分别对应一个车辆;
确定所述车辆图像的图像质量信息;
从所述车辆图像中筛选所述图像质量信息达到第一预设条件的车辆图像,作为目标车辆图像;
基于所述目标车辆图像和所述待处理图像,确定所述目标车辆图像的车辆特征信息;
将所述目标车辆图像的车辆特征信息存储入库。
该方面,利用第一预设条件和图像质量信息,来筛选出目标车辆图像,能够提高提取的车辆特征信息的准确性,从而能够提高车辆逃费检测的成功率;另外,只对筛选出的目标车辆图像进行特征提取,能够减少特征提取过程中的计算量,并且能够避免数据库存储无效信息,节省数据库的存储空间。
一种可选的实施方式中,所述基于所述目标车辆图像和所述待处理图像,确定所述目标车辆图像的车辆特征信息,包括:
基于所述目标车辆图像在所述待处理图像上外扩处理得到的图像,确定所述目标车辆图像的车辆特征信息。
该实施方式,对目标车辆图像进行外扩处理,能够得到更为完整的目标车辆图像中车辆的图像,进而能够提取到更为全面的车辆特征信息。
一种可选的实施方式中,所述图像质量信息包括拍摄的所述车辆图像的质量分数和所述车辆图像中车辆的朝向;
从所述车辆图像中,筛选所述图像质量信息达到第一预设条件的车辆图像,作为目标车辆图像,包括:
从所述车辆图像中,筛选所述质量分数大于预设阈值和/或所述车辆的朝向在预设朝向范围内的车辆图像,作为所述目标车辆图像。
该实施方式,通过检测车辆图像的质量分数和/或车辆图像中车辆的朝向,能够精准地从车辆图像中筛选出拍摄质量较高的、能够较为全面的提取特征的目标车辆图像,从而能够提取到准确、全面的车辆特征信息。
一种可选的实施方式中,所述将所述目标车辆图像的车辆特征信息存储入库,包括:
确定所述目标车辆图像中车辆的身份标识信息;
建立所述身份标识信息和所述车辆特征信息之间的映射关系;
将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库。
该实施方式中,由于数据库中存储有身份标识信息和车辆特征信息之间的映射关系,因此,利用身份标识信息能够方便快捷的从数据库中找出与该身份标识信息对应的车辆特征信息,提高后续车辆特征信息查询的效率。
一种可选的实施方式中,所述车辆特征信息包括第一子信息和第二子信息;所述映射关系包括第一子关系和第二子关系;
所述第一子信息包括以下至少一项:所述目标车辆图像中车辆的初始检测框、所述初始检测框的置信度、所述图像质量信息、车辆属性、所述车辆属性的置信度、所述目标车辆图像中车牌的检测框、所述车牌的检测框的置信度、所述车牌上的车牌号和所述车牌号的置信度;拍摄设备拍摄到所述待处理图像的拍摄时间;所述拍摄设备的设备信息;
所述第二子信息包括以下至少一项:所述目标车辆图像中车辆的特征向量和所述目标车辆图像中车牌的特征向量;
所述建立所述身份标识信息和所述车辆特征信息之间的映射关系,包括:
建立所述身份标识信息和所述第一子信息之间的第一子关系;
建立所述身份标识信息和所述第二子信息之间的第二子关系;
所述将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库,包括:
将所述第一子信息、所述第一子关系和所述身份标识信息存入第一数据库;
将所述第二子信息、所述第二子关系和所述身份标识信息存入第二数据库。
该实施方式中,由于上述车辆特征信息能够全面、准确的表征目标车辆图像中的车辆,因此利用上述车辆特征信息有助于提高稽逃成功率。另外,由于第一子信息与第二子信息的数据类型不同,因此,将第一子信息与第二子信息分类存储,能够方便数据管理,同时还能够提高数据查询效率。另外,将第一子关系存入第一数据库中,方便利用身份标识信息从第一数据库中调取与该身份标识信息相匹配的第一子信息;将第二关系存入第二数据库中,方便利用身份标识信息从第二数据库中调取与该身份标识信息相匹配的第二子信息,能够提高后续车辆特征信息查询的效率。
一种可选的实施方式中,所述将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库,包括:
在所述车辆特征信息包括所述车牌号的置信度的情况下,判断所述车牌号的置信度是否大于预设置信度;
在所述车牌号的置信度大于所述预设置信度的情况下,将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库。
该实施方式中,在存储车辆特征信息时,只有在车牌号的置信度大于预设置信度的情况下,才会对车牌号进行存储,能够避免存储无效数据,节省存储空间。
一种可选的实施方式中,所述设备信息包括标识信息;
所述将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库,包括:
在所述车辆特征信息包括所述拍摄时间和/或所述拍摄设备的设备信息的情况下,若所述拍摄时间符合第一预设格式,则将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库;
或者,若所述标识信息符合第二预设格式,则将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库。
该实施方式中,在存储车辆特征信息之前,通过对拍摄时间和标识信息进行合理化检测,在拍摄时间符合第一预设格式和/或标识信息符合第二预设格式的情况下,才会将车辆特征信息、映射关系以及身份标识信息存储入库,能够确保存储的车辆特征信息为预设的合法的数据,避免存储无效数据,节省存储空间。
一种可选的实施方式中,所述确定所述目标车辆图像的车辆特征信息,包括:
接收客户端发送的所述入库请求;所述入库请求包括所述待处理图像的所述拍摄时间和/或所述拍摄设备的设备信息;
对所述入库请求进行解析,得到所述拍摄时间和/或所述拍摄设备的设备信息。
一种可选的实施方式中,所述设备信息包括以下至少一项:
所述拍摄设备的位置信息;所述拍摄设备的标识信息。
一种可选的实施方式中,所述响应于对待处理图像的入库请求,对所述待处理图像进行识别,包括:
接收客户端发送的所述入库请求,其中,所述入库请求包括所述待处理图像;
获取所述入库请求中携带的所述待处理图像;
在所述待处理图像符合第二预设条件的情况下,对所述待处理图像进行识别。
该实施方式中,通过对获取到的待处理图像进行合理化检测,能够确保识别的待处理图像为预设的需要进行特征提取的图像。
一种可选的实施方式中,所述基于所述目标车辆图像在所述待处理图像上外扩处理得到的图像,确定所述目标车辆图像的车辆特征信息,包括:
将所述目标车辆图像在所述待处理图像上外扩处理得到的图像作为车辆增强图像;
基于所述车辆增强图像,确定车牌图像;
基于所述车辆增强图像和车辆特征检测模型,确定所述车辆增强图像的车辆特征子信息;
基于所述车牌图像和车牌特征检测模型,确定所述车牌图像的车牌特征子信息;
基于所述车辆特征子信息和所述车牌特征子信息,确定所述目标车辆图像的车辆特征信息。
该实施方式中,通过车辆增强图像和车牌图像,能够更为细致化的提取到目标车辆图像的车辆特征信息,进而得到较为全面的车辆特征信息。
第二方面,本公开实施例还提供一种数据处理装置,包括:
图像识别模块,用于响应于对待处理图像的入库请求,对所述待处理图像进行识别;
第一确定模块,用于在识别所述待处理图像中包含车辆的情况下,确定至少一个车辆图像;其中,每个车辆图像分别对应一个车辆;
第二确定模块,用于确定所述车辆图像的图像质量信息;
图像筛选模块,用于从所述车辆图像中筛选所述图像质量信息达到第一预设条件的车辆图像,作为目标车辆图像;
第三确定模块,用于基于所述目标车辆图像和所述待处理图像,确定所述目标车辆图像的车辆特征信息;
特征存储模块,用于将所述目标车辆图像的车辆特征信息存储入库。
一种可选的实施方式中,所述第三确定模块,用于基于所述目标车辆图像在所述待处理图像上外扩处理得到的图像,确定所述目标车辆图像的车辆特征信息。
一种可选的实施方式中,所述图像质量信息包括拍摄的所述车辆图像的质量分数和所述车辆图像中车辆的朝向;
所述图像筛选模块,用于从所述车辆图像中,筛选所述质量分数大于预设阈值和/或所述车辆的朝向在预设朝向范围内的车辆图像,作为所述目标车辆图像。
一种可选的实施方式中,所述特征存储模块,用于确定所述目标车辆图像中车辆的身份标识信息;建立所述身份标识信息和所述车辆特征信息之间的映射关系;将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库。
一种可选的实施方式中,所述车辆特征信息包括第一子信息和第二子信息;所述映射关系包括第一子关系和第二子关系;
所述第一子信息包括以下至少一项:所述目标车辆图像中车辆的初始检测框、所述初始检测框的置信度、所述图像质量信息、车辆属性、所述车辆属性的置信度、所述目标车辆图像中车牌的检测框、所述车牌的检测框的置信度、所述车牌上的车牌号和所述车牌号的置信度;拍摄设备拍摄到所述待处理图像的拍摄时间;所述拍摄设备的设备信息;
所述第二子信息包括以下至少一项:所述目标车辆图像中车辆的特征向量和所述目标车辆图像中车牌的特征向量;
所述特征存储模块,用于建立所述身份标识信息和所述第一子信息之间的第一子关系;建立所述身份标识信息和所述第二子信息之间的第二子关系;将所述第一子信息、所述第一子关系和所述身份标识信息存入第一数据库;将所述第二子信息、所述第二子关系和所述身份标识信息存入第二数据库。
一种可选的实施方式中,所述特征存储模块,用于在所述车辆特征信息包括所述车牌号的置信度的情况下,判断所述车牌号的置信度是否大于预设置信度;在所述车牌号的置信度大于所述预设置信度的情况下,将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库。
一种可选的实施方式中,所述设备信息包括标识信息;所述特征存储模块,用于在所述车辆特征信息包括所述拍摄时间和/或所述拍摄设备的设备信息的情况下,若所述拍摄时间符合第一预设格式,则将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库;或者,若所述标识信息符合第二预设格式,则将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库。
一种可选的实施方式中,所述第三确定模块,用于接收客户端发送的所述入库请求;所述入库请求包括所述待处理图像的所述拍摄时间和/或所述拍摄设备的设备信息;对所述入库请求进行解析,得到所述拍摄时间和/或所述拍摄设备的设备信息。
一种可选的实施方式中,所述设备信息包括以下至少一项:
所述拍摄设备的位置信息;所述拍摄设备的标识信息。
一种可选的实施方式中,所述图像识别模块,用于接收客户端发送的所述入库请求,其中,所述入库请求包括所述待处理图像;获取所述入库请求中携带的所述待处理图像;在所述待处理图像符合第二预设条件的情况下,对所述待处理图像进行识别。
一种可选的实施方式中,所述第三确定模块,用于将所述目标车辆图像在所述待处理图像上外扩处理得到的图像作为车辆增强图像;基于所述车辆增强图像,确定车牌图像;基于所述车辆增强图像和车辆特征检测模型,确定所述车辆增强图像的车辆特征子信息;基于所述车牌图像和车牌特征检测模型,确定所述车牌图像的车牌特征子信息;基于所述车辆特征子信息和所述车牌特征子信息,确定所述目标车辆图像的车辆特征信息。
第三方面,本公开实施例还提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
第四方面,本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
关于上述数据处理装置、计算机设备和存储介质的效果描述参见上述数据处理方法的说明,这里不再赘述。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。应当理解,以下附图仅示出了本公开的某些实施例,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示出了本公开实施例所提供的一种数据处理方法的流程图;
图2示出了本公开实施例所提供的确定目标车辆图像的车辆特征信息的流程图;
图3示出了本公开实施例所提供的车辆特征信息存储入库的流程图;
图4示出了本公开实施例所提供的一种应用场景下存储车辆特征信息的流程图;
图5示出了本公开实施例所提供的车辆的结构化信息对应存储入库的示意图;
图6示出了本公开实施例所提供的一种数据处理装置的示意图;
图7示出了本公开实施例所提供的一种计算机设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中附图,对本公开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公开一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
另外,本公开实施例中的说明书和权利要求书及上述附图中的术语“第一”、“第二”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。
在本文中提及的“多个或者若干个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
针对以上方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案,都应该是发明人在本公开过程中对本公开做出的贡献。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
为便于对本实施例进行理解,首先对本公开实施例所公开的一种数据处理方法进行详细介绍,本公开实施例所提供的数据处理方法的执行主体一般为具有一定计算能力的计算机设备。在一些可能的实现方式中,该数据处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
下面以执行主体为计算机设备为例对本公开实施例提供的数据处理方法加以说明。
参见图1所示,为本公开实施例提供的一种数据处理方法的流程图,所述方法包括步骤S101~S106,其中:
S101:响应于对待处理图像的入库请求,对待处理图像进行识别。
本步骤中,入库请求可以为用户发起的http(hypertext transfer protocol,超文本传输协议)请求,http请求中包括待处理图像。具体的,响应该http请求,对该http请求中所携带的待处理图像进行识别。
示例性的,可以利用训练好的神经网络模型对待处理图像进行识别,识别待处理图像中是否存在车辆。其中,神经网络可以包括下述至少一种:卷积神经网络(Convolutional Neural Networks,CNN)、区域卷积神经网络(Regions Region-basedConvolutional Network,R-CNN)、快速区域卷积神经网络(Fast Region-basedConvolutional Network,Fast R-CNN)、更快速区域卷积神经网络(Faster Region-basedConvolutional Network,Faster R-CNN)等。
在一些实施例中,入库请求还包括待处理图像的拍摄时间和/或拍摄设备的设备信息。具体的,接收用户的客户端发送的入库请求;对入库请求进行解析,得到拍摄时间和/或拍摄设备的设备信息。其中,设备信息可以包括以下至少一项:拍摄设备的位置信息;拍摄设备的标识信息。示例性的,拍摄设备的标识信息还可以用于指示拍摄设备的位置。
S102:在识别待处理图像中包含车辆的情况下,确定至少一个车辆图像。
示例性的,可以通过检测车辆检测框的卷积神经网络模型对待处理图像进行结构化检测,能够判断出该待处理图像中是否存在车辆,在存在车辆的情况下,利用卷积神经网络模型输出车辆的初始检测框和初始检测框的置信度。之后,在待处理图像中将标注有车辆的初始检测框的区域的图像作为车辆图像。由于一张待处理图像中可能包含有多个车辆,因此,可以识别出多个车辆的初始检测框,进而能够得到多个车辆图像。
另外,在待处理图像中不存在车辆的情况下,则循环执行步骤S101,等待下一次的入库请求。
S103:确定车辆图像的图像质量信息。
本步骤中,图像质量信息可以为指示车辆图像的画面质量和/或车辆图像中车辆的朝向的指标。
其中,画面质量可以包括车辆图像的清晰度、锐度、色散度、解析度、色域范围、色彩纯度、色彩平衡等几个方面。
具体地,可以利用检测图像质量信息的神经网络模型输出图像质量信息。图像质量信息可以包括评价车辆图像的画面质量的质量分数和评价车辆图像中车辆所处方位合理程度的朝向信息。这里,车辆图像的画面质量越好,质量分数越高。
示例性的,车辆在运动过程中,由于受速度、环境、光照等因素的影响,可能会导致被抓拍到的高速运动车辆呈现模糊状态;或者,还可能抓拍到的车辆朝向为侧面(不能看见车头和车尾的车辆朝向),因此需要对车辆图像进行质量检测,确定车辆图像的质量信息,以为后续确定更为准确的车辆特征信息。
S104:从车辆图像中筛选图像质量信息达到第一预设条件的车辆图像,作为目标车辆图像。
本步骤中,针对图像质量信息所指示的画面质量的质量分数,第一预设条件可以包括质量分数大于预设阈值的条件;针对图像质量信息所指示的车辆所处位置合理程度的朝向信息,第一预设条件还可以包括车辆的朝向的预设朝向范围,比如能看见车头或车尾的车辆的朝向。
基于上述步骤S102中的质量检测,可以将不符合第一预设条件的车辆图像进行过滤,只保留符合第一预设条件的车辆图像,并将符合第一预设条件的车辆图像作为目标车辆图像,针对目标车辆图像进行后续车辆特征信息的提取和存储,能够得到更为准确的车辆特征信息。
在一个实施例中,可以从车辆图像中,筛选质量分数大于预设阈值的车辆图像,作为目标车辆图像;或者,可以从车辆图像中,筛选质量分数大于预设阈值、且车辆的朝向在预设朝向范围内的车辆图像,作为目标车辆图像。这里,通过检测车辆图像的质量分数和/或车辆图像中车辆的朝向,能够精准地从车辆图像中筛选出拍摄质量较高的、能够较为全面的提取特征的目标车辆图像,从而能够提取到准确、全面的车辆特征信息。
延续上例,对于上述被抓拍到的高速运动车辆呈现模糊状态,可以确定该车辆图像的质量分数为小于或等于预设阈值,因此该车辆图像不符合继续检测的标准,针对该车辆图像将不再进行后续流程的处理;对于被抓拍到的车辆的朝向为侧面的情况,可以确定该车辆的朝向不在预设朝向范围内,因此该车辆不符合继续检测的标准,针对该车辆所在的车辆图像将不再进行后续流程的处理,能够为后续流程减轻一部分无效数据特征检测的压力,进而能够避免数据库存储无效信息。
S105:基于目标车辆图像和待处理图像,确定目标车辆图像的车辆特征信息。
为了能够提取到较为全面的车辆特征信息,避免目标车辆图像中的车辆信息不全,因此,可以基于待处理图像,外扩目标车辆图像,得到外扩后完整的目标车辆图像中的车辆的图像。具体实施时,基于目标车辆图像在待处理图像上外扩处理得到的图像,确定目标车辆图像的车辆特征信息。
示例性的,外扩处理可以为以目标车辆图像中的初始检测框的几何中心为中心,初始检测框对应的长边和宽边分别扩大1.2倍,确定目标检测框,该目标检测框框出的图像,即为外扩处理得到的图像,能够包括完整的车辆。
这里,由于车辆特征信息中包括不同数据类型的特征信息,因此,需要利用不同特征提取类型的神经网络模型进行特征提取,示例性的,可以利用车辆特征检测模型提取车辆特征子信息,可以利用车牌特征检测模型提取车牌特征子信息。
可以参见图2所示,其为确定目标车辆图像的车辆特征信息的流程图,其中,包括步骤S201~S205:
S201:将目标车辆图像在待处理图像上外扩处理得到的图像作为车辆增强图像。
具体的,基于上述目标车辆图像外扩处理的具体描述,可以将目标检测框框出的图像作为车辆增强图像。示例性的,可以利用目标检测框所指示的车辆位置信息,从待处理图像中截取车辆增强图像。
S202:基于车辆增强图像,确定车牌图像。
具体的,可以利用检测车牌检测框的卷积神经网络模型对车辆增强图像进行结构化检测,输出车牌的检测框,可以将车牌的检测框在车辆增强图像上框出的图像作为车牌图像。
示例性的,可以利用车牌的检测框所指示的车牌位置信息,从车辆增强图像中截取车牌图像。
S203:基于车辆增强图像和车辆特征检测模型,确定车辆增强图像的车辆特征子信息。
本步骤中,车辆子特征信息可以包括车辆属性、车辆属性的置信度和车辆的特征向量。其中,车辆可以属性包括以下至少一项:车辆的颜色、车辆的外观信息和车辆的类型。
示例性的,车辆特征检测模型可以包括检测车辆属性的神经网络模型和检测车辆的特征向量的神经网络模型。可以利用检测车辆属性的神经网络模型,输出车辆增强图像中车辆的颜色和车辆的颜色的置信度、车辆的外观信息和车辆的外观信息的置信度、车辆的类型和车辆的类型的置信度;可以利用检测车辆的特征向量的神经网络模型,输出车辆增强图像中车辆的特征向量,这里,车辆的特征向量可以表示车辆的特征。
S204:基于车牌图像和车牌特征检测模型,确定车牌图像的车牌特征子信息。
本步骤中,车牌特征子信息可以包括车牌的检测框、车牌的检测框的置信度、车牌上的车牌号、车牌号的置信度和车牌的特征向量。
示例性的,车牌特征检测模型包括检测车牌的检测框的神经网络模型、检测车牌号的神经网络模型和检测车牌的特征向量的神经网络模型。可以利用检测车牌的检测框的神经网络模型,输出车牌图像中车牌的检测框和车牌的检测框的置信度;可以利用检测车牌号的神经网络模型,输出车牌图像中车牌号和车牌号的置信度;可以利用检测车牌的特征向量的神经网络模型,输出车牌图像中车牌的特征向量,这里,车牌的特征向量可以表示车牌的特征。
S205:基于车辆特征子信息和车牌特征子信息,确定目标车辆图像的车辆特征信息。
这里,车辆特征信息包括:车辆属性、车辆属性的置信度和车辆的特征向量;车牌的检测框、车牌的检测框的置信度、车牌上的车牌号、车牌号的置信度和车牌的特征向量。
基于上述S101~S105,车辆特征信息还包括:车辆的初始检测框、初始检测框的置信度、图像质量信息、拍摄设备拍摄到待处理图像的拍摄时间、拍摄设备的设备信息。
S106:将目标车辆图像的车辆特征信息存储入库。
本步骤中,由于车辆特征信息中包括不同数据类型的信息,因此,需要将不同数据类型的信息分类存储。
可以将确定出的车辆特征信息分类处理,即第一子信息和第二子信息,将不同类别的车辆特征信息对应存储在不同的数据库中。比如,将第一子信息存入与第一子信息的数据类型相匹配的第一数据库中,将第二子信息存入与第二子信息的数据类型相匹配的第二数据库中。
第一子信息可以包括以下至少一项:目标车辆图像中车辆的初始检测框、初始检测框的置信度、图像质量信息、车辆属性、车辆属性的置信度、目标车辆图像中车牌的检测框、车牌的检测框的置信度、车牌上的车牌号和车牌号的置信度;拍摄设备拍摄到待处理图像的拍摄时间;拍摄设备的设备信息。与第一子信息的数据类型相匹配的第一数据库可以为属性数据库。
第二子信息可以包括以下至少一项:目标车辆图像中车辆的特征向量和目标车辆图像中车牌的特征向量。与第二子信息的数据类型相匹配的第二数据库可以为特征数据库。
上述第一子信息和第二子信息能够全面、准确的表征目标车辆图像中的车辆,因此利用该第一子信息和第二子信息所组成的车辆特征信息有助于提高稽逃成功率。
由于第一子信息与第二子信息的数据类型不同,因此,需要将第一子信息与第二子信息分类存储,可以参见图3所示,其为车辆特征信息存储入库的流程图,其中,包括步骤S301~S303:
S301:确定目标车辆图像中车辆的身份标识信息。
这里,确定目标车辆图像中车辆的身份标识信息方便利用身份标识信息从数据库中查找该身份标识信息表示的车辆。身份标识信息可以为车辆的车牌号或者为预设的编号等。
S302:建立身份标识信息和车辆特征信息之间的映射关系。
具体的,可以建立身份标识信息和第一子信息之间的第一子关系;建立身份标识信息和第二子信息之间的第二子关系。
S303:将车辆特征信息、映射关系以及身份标识信息存储入库。
示例性的,可以将目标车辆图像中的车辆标记一个预设的编号A,该目标车辆图像的车辆特征信息包括的全部信息用编号A来表示,这样,从数据库中调取车辆A的车辆特征信息的时候,只需要输入该编号A就可以查询出有关该车辆A的全部车辆特征信息。
具体实施时,可以将第一子信息、第一子关系和身份标识信息存入第一数据库;将第二子信息、第二子关系和身份标识信息存入第二数据库。
示例性的,第一数据库可以为与第一子信息的数据类型相匹配的属性数据库,其中,属性数据库可以包括结构体数据库StructDB;第二数据库可以为与第二子信息的数据类型相匹配的特征数据库,其中,特征数据库可以包括静态数据库(engine-static-feature-db,sfd)。
上述,将第一子关系存入属性数据库中,方便利用身份标识信息从属性数据库中调取与该身份标识信息相匹配的第一子信息;将第二关系存入特征数据库中,方便利用身份标识信息从特征数据库中调取与该身份标识信息相匹配的第二子信息,能够提高后续车辆特征信息查询的效率。
在一些实施例中,在存储车辆特征信息之前,还需要判断存储的车辆特征信息是否符合存储要求。
第一种判断方式、在车辆特征信息包括车牌号的置信度的情况下,判断车牌号的置信度是否大于预设置信度;在车牌号的置信度大于预设置信度的情况下,将车辆特征信息、映射关系以及身份标识信息存储入库。其中,预设置信度可以根据不同应用场景进行具体设置,在此不进行限定。
第二种判断方式、在车辆特征信息包括拍摄时间和/或拍摄设备的设备信息的情况下,若拍摄时间符合第一预设格式,则将车辆特征信息、映射关系以及所述身份标识信息存储入库;或者,若标识信息符合第二预设格式,则将车辆特征信息、映射关系以及身份标识信息存储入库。
示例性的,第一预设格式可以为XXXX(年)-XX(月)-XX(日)。这里,第一预设格式可以包括若干种表示时间的不同格式,在此不进行限定。由于不同拍摄设备的标识信息不同,所以在此不具体限定标识信息的第二预设格式。
在一些实施例中,在车辆特征信息包括拍摄时间和/或拍摄设备的设备信息的情况下,若拍摄时间不符合第一预设格式,则不将拍摄时间存出入库,将除拍摄时间之外的车辆特征信息存储入库。若标识信息不符合第二预设格式的情况下,则不将标识信息存储入库,将除标识信息之外的车辆特征信息存储入库。
示例性的,在车辆特征信息准备存入数据库的情况下,可以将符合第一预设格式的拍摄时间与其他车辆特征信息一同存入属性数据库。如果出现拍摄时间为XXXXXX-XXXXX等不符合第一预设格式的情况,将不允许该拍摄时间存入属性数据库,可以将除拍摄时间之外的车辆特征信息入库。
在确定车辆特征信息符合存储要求的情况下,将步骤S102中识别出的车辆的初始检测框和初始检测框的置信度作为第一子信息,存储在属性数据库中。
在确定车辆特征信息符合存储要求的情况下,将从步骤S103中确定的图像质量信息作为第一子信息,存储在属性数据库中。
在一些实施例中,在上述步骤S101所述的对待处理图像进行识别之前,还可以对待处理图像进行校验处理,如果待处理图像符合第二预设条件,则可以对该待处理图像进行识别,如果待处理图像不符合第二预设条件,则不需要对该待处理图像进行识别,等待下一入库请求。
示例性的,可以通过http请求获取抓拍车辆的待处理图像。首先对该待处理图像进行校验处理,在待处理图像符合第二预设条件的情况下,可以对该待处理图像进行识别。这里,第二预设条件可以包括待处理图像存在图像信息,如果待处理图像乱码或无图像,则该待处理图像不符合第二预设条件。或者,第二预设条件还可以根据具体任务进行设定,在此不进行限定。
示例性的,针对车辆检测场景,参见图4所示,其为一种应用场景下存储车辆特征信息的流程图,其中,包括步骤S401~S408:
S401:获取http请求内容。
本步骤中,获取客户发送的http格式的入库请求。其中,http请求内容中可以包括抓拍车辆的待处理图像、拍摄设备拍摄待处理图像的拍摄时间和拍摄设备的设备信息。其中,设备信息包括标识信息。
S402:针对http请求内容进行校验处理。
本步骤中,针对待处理图像进行校验处理,在待处理图像符合第二预设条件的情况下,继续执行步骤S403;否则,结束流程。
其中,针对拍摄设备拍摄到待处理图像的拍摄时间,在拍摄时间符合第一预设格式的情况下,拍摄时间校验通过,等待存储;在拍摄设备的标识信息符合第二预设格式的情况下,拍摄设备的标识信息校验通过,等待存储。
S403:对待处理图像进行解码。
比如,可以对待处理图像进行base64解码。
S404:对待处理图像中的车辆进行结构化检测。
本步骤中,可以通过对车辆进行结构化检测,判断出该待处理图像中是否存在车辆。结构化检测可以是将待处理图像输入卷积神经网络模型中进行处理,以判断该待处理图像中是否存在车辆。
S405:判断待处理图像中是否存在车辆,如果存在,则执行步骤S306;如果不存在,则结束流程。
本步骤中,基于步骤S404中卷积神经网络模型输出的结果,即输出的车辆的初始检测框和初始检测框的置信度,如果存在车辆的初始检测框,且该初始检测框的置信度大于预设值,则确定待处理图像中存在车辆。
S46:判断图像质量信息是否达到第一预设条件,如果达到,则执行步骤S407;如果没达到,则结束流程。
本步骤中,针对图像质量信息中的质量分数,如果该图像质量分数大于预设阈值和/或车辆图像中车辆的朝向在预设范围内,则确定目标车辆图像,并执行步骤S407;如果质量分数小于或等于预设阈值,或者车辆图像中车辆的朝向不在预设范围内,则结束流程。
S407:外扩目标车辆图像。
本步骤中,可以参照上述对目标车辆图像在待处理图像上外扩处理的过程,重复之处不再赘述。
S408:提取并存储外扩后的目标车辆图像中车辆的结构化信息。
本步骤中,车辆的结构化信息可以包括以下至少一项:车辆的初始检测框、车辆的初始检测框的置信度、图像质量信息、车辆属性、车辆属性的置信度、车牌的检测框、车牌的检测框的置信度、车牌号、车牌号的置信度、车辆的特征向量、车牌的特征向量、校验通过的拍摄时间和校验通过拍摄设备的标识信息。
这里,车辆的结构化信息的存储可以参照上述步骤S106中车辆特征信息的存储,重复部分在此不再赘述。具体的,可以参见图5所示的车辆的结构化信息对应存储入库的示意图。
通过上述步骤S101~S106,利用第一预设条件和图像质量信息,来筛选出目标车辆图像,能够提高提取的车辆特征信息的准确性,从而能够提高车辆逃费检测的成功率;另外,只对筛选出的目标车辆图像进行特征提取,能够减少特征提取过程中的计算量,并且能够避免数据库存储无效信息,节省数据库的存储空间。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思,本公开实施例中还提供了与数据处理方法对应的数据处理装置,由于本公开实施例中的装置解决问题的原理与本公开实施例上述数据处理方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参照图6所示,为本公开实施例提供的一种数据处理装置的示意图,所述装置包括:图像识别模块601、第一确定模块602、第二确定模块603、图像筛选模块604、第三确定模块605和特征存储模块606;其中,
图像识别模块601,用于响应于对待处理图像的入库请求,对所述待处理图像进行识别;
第一确定模块602,用于在识别所述待处理图像中包含车辆的情况下,确定至少一个车辆图像;其中,每个车辆图像分别对应一个车辆;
第二确定模块603,用于确定所述车辆图像的图像质量信息;
图像筛选模块604,用于从所述车辆图像中筛选所述图像质量信息达到第一预设条件的车辆图像,作为目标车辆图像;
第三确定模块605,用于基于所述目标车辆图像和所述待处理图像,确定所述目标车辆图像的车辆特征信息;
特征存储模块606,用于将所述目标车辆图像的车辆特征信息存储入库。
一种可选的实施方式中,所述第三确定模块605,用于基于所述目标车辆图像在所述待处理图像上外扩处理得到的图像,确定所述目标车辆图像的车辆特征信息。
一种可选的实施方式中,所述图像质量信息包括拍摄的所述车辆图像的质量分数和所述车辆图像中车辆的朝向;
所述图像筛选模块604,用于从所述车辆图像中,筛选所述质量分数大于预设阈值和/或所述车辆的朝向在预设朝向范围内的车辆图像,作为所述目标车辆图像。
一种可选的实施方式中,所述特征存储模块606,用于确定所述目标车辆图像中车辆的身份标识信息;建立所述身份标识信息和所述车辆特征信息之间的映射关系;将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库。
一种可选的实施方式中,所述车辆特征信息包括第一子信息和第二子信息;所述映射关系包括第一子关系和第二子关系;
所述第一子信息包括以下至少一项:所述目标车辆图像中车辆的初始检测框、所述初始检测框的置信度、所述图像质量信息、车辆属性、所述车辆属性的置信度、所述目标车辆图像中车牌的检测框、所述车牌的检测框的置信度、所述车牌上的车牌号和所述车牌号的置信度;拍摄设备拍摄到所述待处理图像的拍摄时间;所述拍摄设备的设备信息;
所述第二子信息包括以下至少一项:所述目标车辆图像中车辆的特征向量和所述目标车辆图像中车牌的特征向量;
所述特征存储模块606,用于建立所述身份标识信息和所述第一子信息之间的第一子关系;建立所述身份标识信息和所述第二子信息之间的第二子关系;将所述第一子信息、所述第一子关系和所述身份标识信息存入第一数据库;将所述第二子信息、所述第二子关系和所述身份标识信息存入第二数据库。
一种可选的实施方式中,所述特征存储模块606,用于在所述车辆特征信息包括所述车牌号的置信度的情况下,判断所述车牌号的置信度是否大于预设置信度;在所述车牌号的置信度大于所述预设置信度的情况下,将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库。
一种可选的实施方式中,所述设备信息包括标识信息;所述特征存储模块606,用于在所述车辆特征信息包括所述拍摄时间和/或所述拍摄设备的设备信息的情况下,若所述拍摄时间符合第一预设格式,则将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库;或者,若所述标识信息符合第二预设格式,则将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库。
一种可选的实施方式中,所述第三确定模块605,用于接收客户端发送的所述入库请求;所述入库请求包括所述待处理图像的所述拍摄时间和/或所述拍摄设备的设备信息;对所述入库请求进行解析,得到所述拍摄时间和/或所述拍摄设备的设备信息。
一种可选的实施方式中,所述设备信息包括以下至少一项:
所述拍摄设备的位置信息;所述拍摄设备的标识信息。
一种可选的实施方式中,所述图像识别模块601,用于接收客户端发送的所述入库请求,其中,所述入库请求包括所述待处理图像;获取所述入库请求中携带的所述待处理图像;在所述待处理图像符合第二预设条件的情况下,对所述待处理图像进行识别。
一种可选的实施方式中,所述第三确定模块605,用于将所述目标车辆图像在所述待处理图像上外扩处理得到的图像作为车辆增强图像;基于所述车辆增强图像,确定车牌图像;基于所述车辆增强图像和车辆特征检测模型,确定所述车辆增强图像的车辆特征子信息;基于所述车牌图像和车牌特征检测模型,确定所述车牌图像的车牌特征子信息;基于所述车辆特征子信息和所述车牌特征子信息,确定所述目标车辆图像的车辆特征信息。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述数据处理方法实施例中的相关说明,这里不再详述。
基于同一技术构思,本申请实施例还提供了一种计算机设备。参照图7所示,为本申请实施例提供的计算机设备的结构示意图,包括:
处理器71、存储器72和总线73。其中,存储器72存储有处理器71可执行的机器可读指令,处理器71用于执行存储器72中存储的机器可读指令,所述机器可读指令被处理器71执行时,处理器71执行下述步骤:
S101:响应于对待处理图像的入库请求,对待处理图像进行识别;
S102:在识别待处理图像中包含车辆的情况下,确定至少一个车辆图像;其中,每个车辆图像分别对应一个车辆;
S103:确定车辆图像的图像质量信息;
S104:从车辆图像中筛选图像质量信息达到第一预设条件的车辆图像,作为目标车辆图像;
S105:基于目标车辆图像和待处理图像,确定目标车辆图像的车辆特征信息;
S106:将目标车辆图像的车辆特征信息存储入库。
上述存储器72包括内存721和外部存储器722;这里的内存721也称内存储器,用于暂时存放处理器71中的运算数据,以及与硬盘等外部存储器722交换的数据,处理器71通过内存721与外部存储器722进行数据交换,当计算机设备运行时,处理器71与存储器72之间通过总线73通信,使得处理器71在执行上述方法实施例中所提及的执行指令。
本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的数据处理方法的步骤。其中,该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例所还提供一种计算机程序产品,该计算机程序产品承载有程序代码,所述程序代码包括的指令可用于执行上述方法实施例中所述的数据处理方法的步骤,具体可参见上述方法实施例,在此不再赘述。
其中,上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
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,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本公开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。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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,又例如,多个模块或组件可以结合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通信接口,装置或模块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,在本公开各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本公开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部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本公开的具体实施方式,用以说明本公开的技术方案,而非对其限制,本公开的保护范围并不局限于此,尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应所述以权利要求的保护范围为准。
Claims (14)
1.一种数据处理方法,其特征在于,包括:
响应于对待处理图像的入库请求,对所述待处理图像进行识别;
在识别所述待处理图像中包含车辆的情况下,确定至少一个车辆图像;其中,每个车辆图像分别对应一个车辆;
确定所述车辆图像的图像质量信息;
从所述车辆图像中筛选所述图像质量信息达到第一预设条件的车辆图像,作为目标车辆图像;
基于所述目标车辆图像和所述待处理图像,确定所述目标车辆图像的车辆特征信息;
将所述目标车辆图像的车辆特征信息存储入库。
2.根据权利要求1所述的数据处理方法,其特征在于,所述基于所述目标车辆图像和所述待处理图像,确定所述目标车辆图像的车辆特征信息,包括:
基于所述目标车辆图像在所述待处理图像上外扩处理得到的图像,确定所述目标车辆图像的车辆特征信息。
3.根据权利要求1或2所述的数据处理方法,其特征在于,所述图像质量信息包括拍摄的所述车辆图像的质量分数和所述车辆图像中车辆的朝向;
从所述车辆图像中,筛选所述图像质量信息达到第一预设条件的车辆图像,作为目标车辆图像,包括:
从所述车辆图像中,筛选所述质量分数大于预设阈值和/或所述车辆的朝向在预设朝向范围内的车辆图像,作为所述目标车辆图像。
4.根据权利要求1所述的数据处理方法,其特征在于,所述将所述目标车辆图像的车辆特征信息存储入库,包括:
确定所述目标车辆图像中车辆的身份标识信息;
建立所述身份标识信息和所述车辆特征信息之间的映射关系;
将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库。
5.根据权利要求4所述的数据处理方法,其特征在于,所述车辆特征信息包括第一子信息和第二子信息;所述映射关系包括第一子关系和第二子关系;
所述第一子信息包括以下至少一项:所述目标车辆图像中车辆的初始检测框、所述初始检测框的置信度、所述图像质量信息、车辆属性、所述车辆属性的置信度、所述目标车辆图像中车牌的检测框、所述车牌的检测框的置信度、所述车牌上的车牌号和所述车牌号的置信度;拍摄设备拍摄到所述待处理图像的拍摄时间;所述拍摄设备的设备信息;
所述第二子信息包括以下至少一项:所述目标车辆图像中车辆的特征向量和所述目标车辆图像中车牌的特征向量;
所述建立所述身份标识信息和所述车辆特征信息之间的映射关系,包括:
建立所述身份标识信息和所述第一子信息之间的第一子关系;
建立所述身份标识信息和所述第二子信息之间的第二子关系;
所述将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库,包括:
将所述第一子信息、所述第一子关系和所述身份标识信息存入第一数据库;
将所述第二子信息、所述第二子关系和所述身份标识信息存入第二数据库。
6.根据权利要求4所述的数据处理方法,其特征在于,所述将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库,包括:
在所述车辆特征信息包括车牌号的置信度的情况下,判断所述车牌号的置信度是否大于预设置信度;
在所述车牌号的置信度大于所述预设置信度的情况下,将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库。
7.根据权利要求5所述的数据处理方法,其特征在于,所述设备信息包括标识信息;
所述将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库,包括:
在所述车辆特征信息包括所述拍摄时间和/或所述拍摄设备的设备信息的情况下,若所述拍摄时间符合第一预设格式,则将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库;
或者,若所述标识信息符合第二预设格式,则将所述车辆特征信息、所述映射关系以及所述身份标识信息存储入库。
8.根据权利要求7所述的数据处理方法,其特征在于,所述确定所述目标车辆图像的车辆特征信息,包括:
接收客户端发送的所述入库请求;所述入库请求包括所述待处理图像的所述拍摄时间和/或所述拍摄设备的设备信息;
对所述入库请求进行解析,得到所述拍摄时间和/或所述拍摄设备的设备信息。
9.根据权利要求7所述的数据处理方法,其特征在于,所述设备信息包括以下至少一项:
所述拍摄设备的位置信息;所述拍摄设备的标识信息。
10.根据权利要求1所述的数据处理方法,其特征在于,所述响应于对待处理图像的入库请求,对所述待处理图像进行识别,包括:
接收客户端发送的所述入库请求,其中,所述入库请求包括所述待处理图像;
获取所述入库请求中携带的所述待处理图像;
在所述待处理图像符合第二预设条件的情况下,对所述待处理图像进行识别。
11.根据权利要求2所述的数据处理方法,其特征在于,所述基于所述目标车辆图像在所述待处理图像上外扩处理得到的图像,确定所述目标车辆图像的车辆特征信息,包括:
将所述目标车辆图像在所述待处理图像上外扩处理得到的图像作为车辆增强图像;
基于所述车辆增强图像,确定车牌图像;
基于所述车辆增强图像和车辆特征检测模型,确定所述车辆增强图像的车辆特征子信息;
基于所述车牌图像和车牌特征检测模型,确定所述车牌图像的车牌特征子信息;
基于所述车辆特征子信息和所述车牌特征子信息,确定所述目标车辆图像的车辆特征信息。
12.一种数据处理装置,其特征在于,包括:
图像识别模块,用于响应于对待处理图像的入库请求,对所述待处理图像进行识别;
第一确定模块,用于在识别所述待处理图像中包含车辆的情况下,确定至少一个车辆图像;其中,每个车辆图像分别对应一个车辆;
第二确定模块,用于确定所述车辆图像的图像质量信息;
图像筛选模块,用于从所述车辆图像中筛选所述图像质量信息达到第一预设条件的车辆图像,作为目标车辆图像;
第三确定模块,用于基于所述目标车辆图像和所述待处理图像,确定所述目标车辆图像的车辆特征信息;
特征存储模块,用于将所述目标车辆图像的车辆特征信息存储入库。
13.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至11任一项所述的数据处理方法的步骤。
14.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至11任一项所述的数据处理方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110718804.5A CN113435333A (zh) | 2021-06-28 | 2021-06-28 | 一种数据处理方法、装置、计算机设备和存储介质 |
PCT/CN2021/121759 WO2023272991A1 (zh) | 2021-06-28 | 2021-09-29 | 一种数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110718804.5A CN113435333A (zh) | 2021-06-28 | 2021-06-28 | 一种数据处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113435333A true CN113435333A (zh) | 2021-09-24 |
Family
ID=77754905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110718804.5A Pending CN113435333A (zh) | 2021-06-28 | 2021-06-28 | 一种数据处理方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113435333A (zh) |
WO (1) | WO2023272991A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023272991A1 (zh) * | 2021-06-28 | 2023-01-05 | 深圳市商汤科技有限公司 | 一种数据处理方法、装置、计算机设备和存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830079B (zh) * | 2023-02-15 | 2023-05-26 | 天翼交通科技有限公司 | 交通参与者的轨迹追踪方法、装置及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183427A (zh) * | 2007-12-05 | 2008-05-21 | 浙江工业大学 | 基于计算机视觉的违章停车检测装置 |
CN103530366A (zh) * | 2013-10-12 | 2014-01-22 | 湖北微模式科技发展有限公司 | 一种基于自定义特征的车辆搜索方法与系统 |
CN104361359A (zh) * | 2014-11-25 | 2015-02-18 | 深圳市哈工大交通电子技术有限公司 | 基于图像检测的车辆识别方法 |
CN104778444A (zh) * | 2015-03-10 | 2015-07-15 | 公安部交通管理科学研究所 | 道路场景下车辆图像的表观特征分析方法 |
CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
CN109325420A (zh) * | 2018-08-27 | 2019-02-12 | 广州烽火众智数字技术有限公司 | 一种基于大数据的车辆特征检索方法和系统 |
CN109344805A (zh) * | 2018-10-29 | 2019-02-15 | 北京深瞐科技有限公司 | 交通违法图片智能预审方法及装置 |
CN109885718A (zh) * | 2019-02-28 | 2019-06-14 | 江南大学 | 一种基于深度车贴检测的嫌疑车辆检索方法 |
CN110765954A (zh) * | 2019-10-24 | 2020-02-07 | 浙江大华技术股份有限公司 | 一种车辆重识别方法、设备及存储装置 |
CN111783724A (zh) * | 2020-07-14 | 2020-10-16 | 上海依图网络科技有限公司 | 一种目标对象识别方法和装置 |
CN111914648A (zh) * | 2020-07-01 | 2020-11-10 | 珠海大横琴科技发展有限公司 | 车辆检测和识别的方法及装置、电子设备、存储介质 |
CN112949584A (zh) * | 2021-03-30 | 2021-06-11 | 深圳市商汤科技有限公司 | 一种图像筛选方法及装置、电子设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242119B (zh) * | 2020-01-02 | 2022-12-16 | 腾讯科技(深圳)有限公司 | 车辆图像的处理方法、装置、电子设备和计算机可读介质 |
CN111723768B (zh) * | 2020-06-30 | 2023-08-11 | 北京百度网讯科技有限公司 | 车辆重识别的方法、装置、设备和存储介质 |
CN113435333A (zh) * | 2021-06-28 | 2021-09-24 | 深圳市商汤科技有限公司 | 一种数据处理方法、装置、计算机设备和存储介质 |
-
2021
- 2021-06-28 CN CN202110718804.5A patent/CN113435333A/zh active Pending
- 2021-09-29 WO PCT/CN2021/121759 patent/WO2023272991A1/zh unknown
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183427A (zh) * | 2007-12-05 | 2008-05-21 | 浙江工业大学 | 基于计算机视觉的违章停车检测装置 |
CN103530366A (zh) * | 2013-10-12 | 2014-01-22 | 湖北微模式科技发展有限公司 | 一种基于自定义特征的车辆搜索方法与系统 |
CN104361359A (zh) * | 2014-11-25 | 2015-02-18 | 深圳市哈工大交通电子技术有限公司 | 基于图像检测的车辆识别方法 |
CN104778444A (zh) * | 2015-03-10 | 2015-07-15 | 公安部交通管理科学研究所 | 道路场景下车辆图像的表观特征分析方法 |
CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
CN109325420A (zh) * | 2018-08-27 | 2019-02-12 | 广州烽火众智数字技术有限公司 | 一种基于大数据的车辆特征检索方法和系统 |
CN109344805A (zh) * | 2018-10-29 | 2019-02-15 | 北京深瞐科技有限公司 | 交通违法图片智能预审方法及装置 |
CN109885718A (zh) * | 2019-02-28 | 2019-06-14 | 江南大学 | 一种基于深度车贴检测的嫌疑车辆检索方法 |
CN110765954A (zh) * | 2019-10-24 | 2020-02-07 | 浙江大华技术股份有限公司 | 一种车辆重识别方法、设备及存储装置 |
CN111914648A (zh) * | 2020-07-01 | 2020-11-10 | 珠海大横琴科技发展有限公司 | 车辆检测和识别的方法及装置、电子设备、存储介质 |
CN111783724A (zh) * | 2020-07-14 | 2020-10-16 | 上海依图网络科技有限公司 | 一种目标对象识别方法和装置 |
CN112949584A (zh) * | 2021-03-30 | 2021-06-11 | 深圳市商汤科技有限公司 | 一种图像筛选方法及装置、电子设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023272991A1 (zh) * | 2021-06-28 | 2023-01-05 | 深圳市商汤科技有限公司 | 一种数据处理方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023272991A1 (zh) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284729B (zh) | 基于视频获取人脸识别模型训练数据的方法、装置和介质 | |
US20220101644A1 (en) | Pedestrian re-identification method, device, electronic device and computer-readable storage medium | |
CN113435333A (zh) | 一种数据处理方法、装置、计算机设备和存储介质 | |
CN110647896B (zh) | 一种基于logo图像的钓鱼页面识别方法及相关设备 | |
CN110866466A (zh) | 一种人脸识别方法、装置、存储介质和服务器 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN110647895B (zh) | 一种基于登录框图像的钓鱼页面识别方法及相关设备 | |
CN109815823B (zh) | 数据处理方法及相关产品 | |
CN112633255B (zh) | 目标检测方法、装置及设备 | |
JP2023543640A (ja) | 酒ラベル識別方法、酒製品情報管理方法及びその装置、デバイス及び記憶媒体 | |
CN111881740A (zh) | 人脸识别方法、装置、电子设备及介质 | |
CN112084812A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
CN113568934A (zh) | 一种数据查询方法、装置、电子设备和存储介质 | |
CN115223022B (zh) | 一种图像处理方法、装置、存储介质及设备 | |
CN109670480B (zh) | 图像判别方法、装置、设备及存储介质 | |
WO2023071180A1 (zh) | 真伪识别方法、装置、电子设备以及存储介质 | |
CN110909188A (zh) | 检查图片确定方法及装置 | |
CN115880702A (zh) | 数据处理方法、装置、设备、程序产品及存储介质 | |
CN112764839B (zh) | 一种用于管理服务平台的大数据配置方法及系统 | |
CN114723883A (zh) | 一种三维场景重建方法、装置、设备及存储介质 | |
WO2021142975A1 (zh) | 人工智能检测方法及装置、终端和计算机可读存储介质 | |
CN113095313A (zh) | 文本字符串的识别方法、装置和服务器 | |
CN112418244A (zh) | 目标检测方法、装置和电子系统 | |
CN111666908B (zh) | 视频用户的兴趣画像生成方法、装置、设备和存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40051894 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210924 |
|
RJ01 | Rejection of invention patent application after publication |