CN114817991A - 一种车联网图像脱敏方法和系统 - Google Patents
一种车联网图像脱敏方法和系统 Download PDFInfo
- Publication number
- CN114817991A CN114817991A CN202210500729.XA CN202210500729A CN114817991A CN 114817991 A CN114817991 A CN 114817991A CN 202210500729 A CN202210500729 A CN 202210500729A CN 114817991 A CN114817991 A CN 114817991A
- Authority
- CN
- China
- Prior art keywords
- image
- internet
- vehicles
- desensitization
- instance segmentation
- 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
- 238000000586 desensitisation Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 230000006855 networking Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 2
- 230000001629 suppression Effects 0.000 claims 2
- 208000019300 CLIPPERS Diseases 0.000 claims 1
- 208000021930 chronic lymphocytic inflammation with pontine perivascular enhancement responsive to steroids Diseases 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
- G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/50—Safety; Security of things, users, data or systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Bioethics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车联网图像脱敏方法,包括,采用实例分割模型对获得的车联网图像进行实例分割后进行脱敏处理。对获得的车联网原始图像进行预处理,预处理的内容包括:删除车联网原始图像中的位置信息;对车联网图像进行标准化处理。根据预设立的脱敏规则库中的规则模板,对经过实例分割后的所述车联网图像输出的实例进行脱敏处理。所述的预处理还包括,删除车联网原始图像中的信息包括海拔、纬度、经度、位置、超焦距和/或亮度值。
Description
技术领域
本发明属于车联网技术领域,特别涉及一种车联网图像脱敏方法和系统。
背景技术
车联网技术,指车辆上的车载设备通过无线通信技术,对信息网络平台中的所有车辆动态信息进行有效利用,在车辆运行中提供不同的功能服务。在车联网涉及的所有数据类型中,各式各样的车载影像数据无疑包含着极为丰富的敏感信息。从空间域上来说,车载影像涵盖了车内和车外所有的环境内容;从时间域上来说,车载影像几乎覆盖了用户的全部用车时间,只要汽车发动,就会有影像数据产生。
发明内容
针对车载影像进入车联网服务,涉及到数据安全脱敏的问题。本公开实施例之一,提供了一种基于实例分割技术的车联网图像数据脱敏方法,具体操作步骤如下:
(1)对接车联网平台本地化数据库,并将采集好的图像数据导入到本系统中;
(2)识别原始输入图像包含的所有图像信息,去除图像所包含杂项信息,重点去除图像包含的GPS位置信息,只保留图片基础属性,并将图像的像素、格式等进行标准化处理;
(3)将预处理后的图像作为输入图像,使用优化的YOLACT模型进行实例分割并输出;
(4)建立规则库并设定规则模板,并将选中规则中包含的待脱敏实例进行脱敏化处理;
(5)将脱敏后的图像输出并存储到指定数据库中。
本公开实施例的有益效果之一在于,提供了一种基于实例分割技术的车联网图像数据脱敏方法,为车联网行业保证车联网数据安全提供保证。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
图1是本发明实施例之一基于实例分割的车联网图像脱敏系统的示意图。
图2是本发明实施例之一基于实例分割的车联网图像脱敏方法的流程示意图。
图3是本发明实施例之一的车联网图像脱敏方法流程图。
图4是本发明实施例之一的优化的Yolact模型框架图。
具体实施方式
在本公开的车联网场景中,图像数据涉及车载设备(例如,行车记录仪、自动驾驶传感器等)拍摄的图片以及视频,这些图片和视频遍布城市的大街小巷,具有空间范围广、时间跨度长、囊括种类多等特点,从图片或者视频能够捕捉到行人人脸等敏感信息。如果不进行脱敏,会造成个人敏感信息的泄漏,不符合《个人信息保护法》的相关规定。其次,将图片属性中包含的地理位置信息和图片所展示的环境信息相结合,能够间接达到地理测绘的目的,如被非法组织利用,可能影响国家安全。
在车外环境影像中,通常包含大量的敏感信息,如行人的面部、其他车辆的车牌号等,现有的数据信息保护技术主要是数据脱敏技术,即使用脱敏规则进行敏感信息的变形。但是现有技术难以准确识别街景图像的敏感数据并进行脱敏处理,同时还要兼顾街景图像的可用性。目前常见的方式是使用人工打马赛克的方法,但是人工成本较高,且效率较低。
有鉴于此,在车联网图像数据脱敏中的实例分割技术被提出。本文所使用的实例分割(Instance Segmentation)技术是指对一张图像中的所有个体进行像素级别的分类。它的目的是分析出图片中一共有多少个体,同时判断这些个体分别是什么物体。
其中,双阶段(two-stage)实例分割模型Mask R-CNN也被提出。双阶段的含义是,模型首先生成大量的候选区域(ROI),然后再对所有的候选区域进行同样的分割处理,最后筛选出效果最好的部分作为分割结果。
尽管Mask R-CNN在实例分割领域具有很大的意义,但它距离达到实时性(约30FPS)依然相去甚远。因此,在COCO数据集上的首个实时单阶段(one-stage)实例分割模型YOLACT有被提出。
根据一个或者多个实施例,如图1所示,一种基于实例分割的车联网图像脱敏系统,包括:
图像数据采集模块,其用于对接车联网平台本地化数据库,将原始车联网图像数据抽取存储并导入;
图像预处理模块,与连接交互模块连接,其用于识别并删除原始输入图像包含的杂项信息,只保留基本图片属性,并进行标准化处理;
识别分割模块,与连接交互模块连接,其用于使用优化的YOLACT模型进行实例分割并输出;
脱敏处理模块,与识别分割模块连接,其用于定制脱敏规则模板,并按照规则映射完成实例脱敏;
脱敏图像输出模块,与识别分割模块连接,其用于将脱敏后的图像输出并存储到指定数据库中。
根据一个或者多个实施例,如图2所示,一种基于实例分割的车联网图像脱敏方法,主要包括以下步骤:
(1)图像数据采集模块对接车联网平台本地化数据库,并将采集好的图像数据导入到本系统中;
(2)图像预处理模块识别步骤(1)中采集到的原始输入图像包含的所有图像信息,去除图像所包含杂项信息,重点去除图像包含的GPS位置信息,只保留图片基础属性,并将图像的像素、格式等进行标准化处理;
(3)识别分割模块,将步骤(2)预处理后的图像作为输入图像,使用优化的YOLACT模型进行实例分割并输出;
(4)脱敏处理模块建立规则库并设定规则模板,并将选中规则中包含的待脱敏实例对应的步骤(3)识别出的实例进行脱敏化处理。
(5)脱敏图像输出模块将脱敏后的图像输出并存储到指定数据库中;
本公开中,采用了Labelme制作COCO格式的数据集,该数据集中的图像数据是从车联网企业提供API接口抓取的图像数据,从中选择合适的图像数据整理成1000张图像数据的原始数据集,进行本地化图像存储,并将图像存储路径导入到MySQL数据库中。
实例分割模型采用YOLACT,可以实现对图片中不同个体的像素级识别和定位,其分割评价指标高达29.8AP。模型自动调整输入图片的尺寸,能够以超过每秒30帧的速度处理图片,时效性远超之前提出的所有模型,真正达到了实时性。
模型处理图片像素为550*550,其特征提取器采用ResNet101+FPN组成,提取后的特征会进行两步并行的处理。并行线路一中的FPN的最深层P3层输出特征张量为69*69*256,Protonet网络设定生成的原型掩膜数量为32。并行线路二中FPN针对每一个实例预测1个类别向量、1个边界框坐标,和32个掩膜系数。模型通过路线二的32个掩膜系数对路线一生成的32个原型掩膜进行线性相加,再使用sigmoid函数进行非线性变换,得到全图级别上属于单个实例的掩膜。
在本实施例中,规则模板由标准《YD/T 3751-2020车联网信息服务数据安全技术要求》和政策文件《汽车数据安全管理若干规定(试行)》中提取的规则组成,主要包括:
1.未经允许不得出现人脸图像;
2.未经允许不得使用车牌信息;
3.未经允许不得出现军事管理区、国防科工单位以及县级以上党政机关等重要敏感区域的数据;
4.车辆流量、物流、人流等反映经济运行情况的数据。根据文件内容提取到实例的规则标签为:人脸、车牌、门牌、路牌、车辆、行人。
根据一个或者多个实施例,如图3所示,一种基于实例分割的车联网图像脱敏方法的工作流程:
步骤一,图像数据采集是使用车联网企业提供API接口抓取的所需的图像数据,进行本地化图像存储,并将图像存储路径导入到版本为5.7.17的MySQL数据库中的INPUT表中。
步骤二,使用Python版本为3.9.1,并使用Pip包管理器安装8.0.1版本的Pillow库,导入ExitTags模块和Image模块,使用ExitTags模块的TAGS标记字典将16位整数exif标记枚举映射到描述性字符串名称,然后将原始图像的杂项信息的描述性字符串的值置为0,使得图像只保留基础图片属性。使用Image模块的resize()、crop()等函数再次对图像进行标准化处理,使得再次处理后的图像像素大小为550*550、格式为PNG。
步骤三,使用的模型是使用Labelme标记好的COCO格式的数据集训练而成的。训练的损失函数分为三部分,分别是实例类别的损失Lcls、实例边界框的损失Lbox和掩膜损失Lmask。掩膜损失Lmask计算真实掩膜Mgt和模型输出的掩膜M之间像素级别的交叉熵(BinaryCross Entropy,BCE),即:Lmask=BCE(M,Mgt)。模型最终的损失为L=1×Lcls+1.5×Lbox+6.125×Lmask。
FPN的P3层输出的特种图大小为69*69*256,Protonet生成的原型掩膜数量为32。原型掩膜根据掩膜系数线性相加后,使用sigmoid函数进行非线性变换得到实例的掩膜。
训练完成的YOLACT模型即可用于图像的实例分割,可以识别:人、自行车、婴儿车、轮椅、路牌、汽车、狗、猫、交通标志、交通信号灯、门牌等十一种实例。拥有训练好的YOLACT模型后,将步骤二预处理好的图像作为输入图像,输出的实例分割图像中包含当前YOLACT模型能够识别出的所有实例类。
步骤四,从规则库中选择规则模板,该规则模版从《汽车数据安全管理若干规定(试行)》中提取,将行人、车辆和路牌设置为3类敏感信息。将规则模板中定义的敏感信息映射到标签化分割好的实例中,筛选出将敏感信息实例所在位置,最后将对应位置区域的像素值统一置为0,从而达到脱敏的效果。
步骤五,按照从API接口抓取图像的时间组合随机数的方式,将输出的脱敏图像进行重命名,同步存储在于指定路径下,并将存储路径更新至同一MySQL数据库的OUTPUT表中。
本公开实施例的有益效果包括,为了实现快速的单阶段实例分割,YOLACT将实例分割任务分解成两个并行的任务:
一是通过全卷积结构生成若干个全图级别的原型掩膜(prototype masks),
二是针对每一个实例,预测一组系数并生成相应的预测框。
随后针对每一个实例,基于其相应的系数对原型掩膜进行加权线性组合,再用对应的预测框裁剪组合结果,从而得到实例的掩膜。YOLACT尽管在精度上略低于MASK R-CNN,但速度却大大提高,在实例分割基准数据集COCO上以依然不俗的精度达到了超过30FPS的成绩,即超过了通常的视频帧率。
综上所述,本公开将训练并优化的YOLACT模型应用于图像实例分割,并基于车联网相关法律法规指定脱敏规则,有效地自动化准确识别街景图像的敏感数据并进行脱敏处理,大大提高车联网图像脱敏效率,同时保证街景图像的可用性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种车联网图像脱敏方法,其特征在于,包括步骤,
采用实例分割模型对获得的车联网图像进行实例分割后进行脱敏处理。
2.根据权利要求1所述的车联网图像脱敏方法,其特征在于,还包括步骤,对获得的车联网原始图像进行预处理,预处理的内容包括:
删除车联网原始图像中的位置信息;
对车联网图像进行标准化处理。
3.根据权利要求1所述的车联网图像脱敏方法,其特征在于,还包括步骤,
根据预设立的脱敏规则库中的规则模板,对经过实例分割后的所述车联网图像输出的实例进行脱敏处理。
4.根据权利要求2所述的车联网图像脱敏方法,其特征在于,所述的预处理还包括,
删除车联网原始图像中的信息包括海拔、纬度、经度、位置、超焦距和/或亮度值。
5.根据权利要求4所述的车联网图像脱敏方法,其特征在于,经过预处理的车联网图像信息包括文件名称、文件类型、图片宽度、图片长度、图片尺寸和/或像素。
6.根据权利要求1所述的车联网图像脱敏方法,其特征在于,所述实例分割模型是YOLACT模型。
7.根据权利要求6所述的车联网图像脱敏方法,其特征在于,所述YOLACT模型包括,依次连接的特征提取器、裁剪器、过滤器,其中,
所述特征提取器包括ResNet101+FPN,FPN为特征图金字塔网络FPN。
8.根据权利要求7所述的车联网图像脱敏方法,其特征在于,
所述FPN的最深层P3层连接了一个Protonet,用于生成原型掩膜,
所述FPN的全部层连接一个集成了单阶段目标检测的预测头Prediction Head,
所述预测头后连接非极大值抑制算法NMS(Non-Maximum Suppression)用于生成实例的类别置信、检测框和掩膜系数。
9.一种车联网图像脱敏系统,其特征在于,包括,
图像数据采集模块,用于连接车联网平台数据库,将原始车联网图像数据抽取存储并导入;
图像预处理模块,用于识别并删除原始输入图像包含的杂项信息,只保留基本图片属性,并进行标准化处理;
识别分割模块,其用于使用实例分割模型对经过预处理的车联网图像进行实例分割并输出;
脱敏处理模块,用于定制脱敏规则模板,并按照规则映射完成实例脱敏;
脱敏图像输出模块,用于将脱敏后的图像输出并存储到车联网平台数据库中。
10.根据权利要求9所述的车联网图像脱敏系统,其特征在于,所述实例分割模型为YOLACT模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210500729.XA CN114817991B (zh) | 2022-05-10 | 2022-05-10 | 一种车联网图像脱敏方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210500729.XA CN114817991B (zh) | 2022-05-10 | 2022-05-10 | 一种车联网图像脱敏方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114817991A true CN114817991A (zh) | 2022-07-29 |
CN114817991B CN114817991B (zh) | 2024-02-02 |
Family
ID=82512882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210500729.XA Active CN114817991B (zh) | 2022-05-10 | 2022-05-10 | 一种车联网图像脱敏方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114817991B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437689A (zh) * | 2023-10-23 | 2024-01-23 | 长讯通信服务有限公司 | 一种基于步态轮廓图序列遮挡恢复的步态识别方法 |
CN117455751A (zh) * | 2023-12-22 | 2024-01-26 | 新华三网络信息安全软件有限公司 | 路段图像的处理系统及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599869A (zh) * | 2016-12-22 | 2017-04-26 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
US20180253622A1 (en) * | 2017-03-06 | 2018-09-06 | Honda Motor Co., Ltd. | Systems for performing semantic segmentation and methods thereof |
US20180260793A1 (en) * | 2016-04-06 | 2018-09-13 | American International Group, Inc. | Automatic assessment of damage and repair costs in vehicles |
CN109492416A (zh) * | 2019-01-07 | 2019-03-19 | 南京信息工程大学 | 一种基于安全区域的大数据图像保护方法和系统 |
CN109583517A (zh) * | 2018-12-26 | 2019-04-05 | 华东交通大学 | 一种适用于小目标检测的增强的全卷积实例语义分割算法 |
CN110210551A (zh) * | 2019-05-28 | 2019-09-06 | 北京工业大学 | 一种基于自适应主体敏感的视觉目标跟踪方法 |
CN112446820A (zh) * | 2020-10-31 | 2021-03-05 | 浙江工业大学 | 一种景区照片无关人像去除的方法 |
CN112699868A (zh) * | 2020-12-17 | 2021-04-23 | 深圳视见医疗科技有限公司 | 一种基于深度卷积神经网络的图像识别方法、设备 |
CN112699756A (zh) * | 2020-12-24 | 2021-04-23 | 中国农业科学院农业信息研究所 | 一种基于高光谱图像的茶叶原产地识别方法和系统 |
CN113349810A (zh) * | 2021-05-27 | 2021-09-07 | 北京安德医智科技有限公司 | 脑出血病灶识别及血肿扩大预测方法及装置 |
CN113516659A (zh) * | 2021-09-15 | 2021-10-19 | 浙江大学 | 一种基于深度学习的医学影像自动分割方法 |
CN114036553A (zh) * | 2021-10-28 | 2022-02-11 | 杭州电子科技大学 | 一种结合k匿名的行人身份隐私保护方法 |
-
2022
- 2022-05-10 CN CN202210500729.XA patent/CN114817991B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260793A1 (en) * | 2016-04-06 | 2018-09-13 | American International Group, Inc. | Automatic assessment of damage and repair costs in vehicles |
CN106599869A (zh) * | 2016-12-22 | 2017-04-26 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
US20180253622A1 (en) * | 2017-03-06 | 2018-09-06 | Honda Motor Co., Ltd. | Systems for performing semantic segmentation and methods thereof |
CN109583517A (zh) * | 2018-12-26 | 2019-04-05 | 华东交通大学 | 一种适用于小目标检测的增强的全卷积实例语义分割算法 |
CN109492416A (zh) * | 2019-01-07 | 2019-03-19 | 南京信息工程大学 | 一种基于安全区域的大数据图像保护方法和系统 |
CN110210551A (zh) * | 2019-05-28 | 2019-09-06 | 北京工业大学 | 一种基于自适应主体敏感的视觉目标跟踪方法 |
CN112446820A (zh) * | 2020-10-31 | 2021-03-05 | 浙江工业大学 | 一种景区照片无关人像去除的方法 |
CN112699868A (zh) * | 2020-12-17 | 2021-04-23 | 深圳视见医疗科技有限公司 | 一种基于深度卷积神经网络的图像识别方法、设备 |
CN112699756A (zh) * | 2020-12-24 | 2021-04-23 | 中国农业科学院农业信息研究所 | 一种基于高光谱图像的茶叶原产地识别方法和系统 |
CN113349810A (zh) * | 2021-05-27 | 2021-09-07 | 北京安德医智科技有限公司 | 脑出血病灶识别及血肿扩大预测方法及装置 |
CN113516659A (zh) * | 2021-09-15 | 2021-10-19 | 浙江大学 | 一种基于深度学习的医学影像自动分割方法 |
CN114036553A (zh) * | 2021-10-28 | 2022-02-11 | 杭州电子科技大学 | 一种结合k匿名的行人身份隐私保护方法 |
Non-Patent Citations (1)
Title |
---|
姜世浩: "基于Mask R-CNN的实例分割算法研究", 信息科技, no. 1, pages 30 - 40 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437689A (zh) * | 2023-10-23 | 2024-01-23 | 长讯通信服务有限公司 | 一种基于步态轮廓图序列遮挡恢复的步态识别方法 |
CN117455751A (zh) * | 2023-12-22 | 2024-01-26 | 新华三网络信息安全软件有限公司 | 路段图像的处理系统及方法 |
CN117455751B (zh) * | 2023-12-22 | 2024-03-26 | 新华三网络信息安全软件有限公司 | 路段图像的处理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114817991B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598030B (zh) | 一种航拍图像中车辆检测和分割的方法及系统 | |
CN114817991A (zh) | 一种车联网图像脱敏方法和系统 | |
KR102245501B1 (ko) | 딥러닝을 활용한 저화질 cctv 영상 기반의 객체 복원 시스템 | |
Kumar et al. | Automatic vehicle number plate recognition system using machine learning | |
CN110619277A (zh) | 一种多社区智慧布控方法以及系统 | |
AU2021205006A1 (en) | A system and method for detecting and transmitting incidents of interest of a roadway to a remote server | |
CN111931683B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN111553355B (zh) | 基于监控视频的出店经营检测及通知管理店主的方法 | |
CN109858470A (zh) | 用于输出信息的方法和装置 | |
US11615558B2 (en) | Computer-implemented method and system for generating a virtual vehicle environment | |
CN110348463A (zh) | 用于识别车辆的方法和装置 | |
CN108846387B (zh) | 一种交警手势识别方法及装置 | |
CN112836657A (zh) | 一种基于轻量化YOLOv3的行人检测方法及系统 | |
CN113971821A (zh) | 驾驶员信息确定方法、装置、终端设备及存储介质 | |
CN115424217A (zh) | 基于ai视觉的车辆智能识别方法、装置和电子设备 | |
CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 | |
CN106339684A (zh) | 一种行人检测的方法、装置及车辆 | |
CN112818826A (zh) | 目标识别方法及装置、电子设备及存储介质 | |
CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
CN113158852B (zh) | 一种基于人脸与非机动车协同识别的交通卡口监控系统 | |
CN116977484A (zh) | 图像脱敏方法、装置、电子设备及存储介质 | |
CN115527270A (zh) | 一种密集人群环境中的特定行为识别方法 | |
CN113378859B (zh) | 一种具有可解释性的图像隐私检测方法 | |
CN115100469A (zh) | 一种基于分割算法的目标属性识别方法、训练方法和装置 | |
Wu et al. | Research on asphalt pavement disease detection based on improved YOLOv5s |
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 |