CN111985448A - 车辆图像识别方法、装置、计算机设备及可读存储介质 - Google Patents

车辆图像识别方法、装置、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN111985448A
CN111985448A CN202010910087.1A CN202010910087A CN111985448A CN 111985448 A CN111985448 A CN 111985448A CN 202010910087 A CN202010910087 A CN 202010910087A CN 111985448 A CN111985448 A CN 111985448A
Authority
CN
China
Prior art keywords
data
image
network
preset
target
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
Application number
CN202010910087.1A
Other languages
English (en)
Inventor
丁晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Smart Technology Co Ltd
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN202010910087.1A priority Critical patent/CN111985448A/zh
Publication of CN111985448A publication Critical patent/CN111985448A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了车辆图像识别方法、装置、计算机设备及可读存储介质，涉及图像检测技术领域，包括：初始化摄像头，采集当前帧画面作为初始图像；基于所述初始图像采用预训练的检测模型获取所述初始图像中的目标对象信息；根据所述目标对象信息和预设参数获得图像偏差结果；基于所述图像偏差结果对所述摄像头进行引导调整，获得目标图像，解决了现有技术中由于人工拍摄习惯不同，导致获得的部分照片比例、尺寸、光线等不符合要求，照片不合格率较高，保险公司无法进行结算，工作效率较低的问题。

Description

车辆图像识别方法、装置、计算机设备及可读存储介质
技术领域
本发明涉及图像检测技术领域，尤其涉及一种车辆图像识别方法、装置、计算机设备及可读存储介质。
背景技术
随着汽车逐渐成为人们不可缺少的必需品，交通事故等随之产生的问题也日益增加，在发生交通事故后大多会需要拖车救援处理，在实际场景下，当车主发起一个救援请求后，由第三方救援公司到现场实施拖车救援，在拖车救援完成后，需要拍摄相应的车体照片，以便后续保险公司根据该车体照片进行保险结算。
但是，在上述过程中，车体照片由处理该救援过程的工作人员自主拍摄，由于人工拍摄习惯不同，导致获得的部分照片比例、尺寸、光线等不符合要求，照片不合格率较高，保险公司无法根据不合格照片进行结算，需要重新拍摄或采取其他措施结算，操作繁琐且效率较低。
发明内容
本发明的目的是提供一种车辆图像识别方法、装置、计算机设备及可读存储介质，用于解决现有技术中由于人工拍摄习惯不同，导致获得的部分照片比例、尺寸、光线等不符合要求，照片不合格率较高，保险公司无法进行结算，工作效率较低的问题。
为实现上述目的，本发明提供一种车辆图像识别方法，包括：
初始化摄像头，采集当前帧画面作为初始图像；
基于所述初始图像采用预训练的检测模型获取所述初始图像中的目标对象信息；
根据所述目标对象信息和预设参数获得图像偏差结果；
基于所述图像偏差结果对所述摄像头进行引导调整，获得目标图像。
进一步的，所述基于所述初始图像采用预训练的检测模型获取所述初始图像中的目标对象信息，还包括：
采用基础网络对所述初始图像进行预设尺寸特征识别，获得用于标识车***置的第一数据；
采用第一识别网络对基础网络中conv4_3卷积层输出的特征数据进行处理，获得用于标识车牌位置的第二数据；
采用第二识别网络对基础网络中conv_7卷积层输出的特征数据进行处理，获得用于标识车牌位置的第三数据；
将所述第一数据、第二数据和第三数据通过非极大值抑制处理后输出识别结果；
基于所述识别结果获得所述初始图像中的目标对象信息。
进一步的，采用第一识别网络对基础网络中conv4_3卷积层输出的特征数据进行处理，获得用于标识车牌位置的第二数据，包括：
采用第一卷基层对conv4_3卷积层输出的特征数据进行缩小第一设定倍数处理，获得第一处理数据；
基于所述第一处理数据采用第一分类器确定第一车***置信息；
采用第一one-hot网络根据所述第一车***置信息在第一预设范围内查找车牌位置，获取第二处理数据；
采用第一热点决策网络对所述第二处理数据进行标记，获得用于标识车牌位置的第二数据。
进一步的，采用第一热点决策网络对所述第二处理数据进行标记，获得用于标识车牌位置的第二数据，包括：
对所述第二处理数据进行归一化处理后对符合预设条件的数据进行标记；
当第二处理数据中任一预设单位中被标记的数据数量超出预设阈值，则标记该单位为目标子数据；
逐个对所述第三处理数据中各个单位进行标记，获得所有目标子数据合并即为第二数据。
进一步的，采用第二识别网络对基础网络中conv_7卷积层输出的特征数据进行处理，获得用于标识车牌位置的第三数据，包括：
采用第二卷基层对conv_7卷积层输出的特征数据进行缩小第二设定倍数处理，获得第三处理数据；
基于所述第三处理数据采用第二分类器确定第二车***置信息；
采用第二one-hot网络根据所述第二车***置信息在第二预设范围内查找车牌位置，获取第四处理数据；
采用第二热点决策网络对所述第四处理数据进行标记，获得用于标识车牌位置的第三数据。
进一步的，根据所述目标对象信息和预设参数获得图像偏差结果，包括：
基于所述目标对象信息根据预设第一规则和预设第二规则获得所述目标对象对应的比例数据和位置数据；
对所述带有目标对象信息的初始图像灰度化处理后，计算所述初始图像对应的光照数据；
将所述比例数据、位置数据和所述光照数据与预设参数进行比对，获得图像偏差结果；
其中，所述预设参数包括预设比例参数、预设位置参数和预设光照参数。
进一步的，基于所述图像偏差结果对摄像头进行引导调整，获得目标图像，包括：
根据所述图像偏差结果生成对应的调整策略；
判断所述调整策略是否为空，若是，则获得目标图像；
若否，则根据所述调整策略对摄像头进行调整后获得目标图像。
为实现上述目的，本发明还提供一种车辆图像识别装置，包括：
采集模块，用于初始化摄像头，采集当前帧画面作为初始图像；
目标对象确定模块，用于基于所述初始图像采用预训练的检测模型确定所述初始图像中的目标对象信息；
图像偏差确定模块，用于根据所述目标对象信息和预设参数获得图像偏差结果；
执行模块，用于基于所述图像偏差结果对所述摄像头进行引导调整，获得目标图像。
为实现上述目的，本发明还提供一种计算机设备，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述车辆图像识别方法的步骤。
为实现上述目的，本发明还提供一种计算机可读存储介质，其包括多个存储介质，各存储介质上存储有计算机程序，所述多个存储介质存储的所述计算机程序被处理器执行时共同实现上述车辆图像识别方法的步骤。
本发明提供的车辆图像识别方法、装置、计算机设备及可读存储介质，本技术方案通过对当前帧画像采用训练好的目标检测模型对初始图像中的目标对象进行确定，而后根据确定的目标对象信息判断该目标对象是否满足对应的比例、位置或光线要求，根据前述判断结果生成对应的调整策略，根据调整策略对摄像头进行调整后即可获得合格的目标图像，解决现有技术中由于人工拍摄习惯不同，导致获得的部分照片比例、尺寸、光线等不符合要求，照片不合格率较高，保险公司无法进行结算，工作效率较低的问题。
附图说明
图1为本发明车辆图像识别方法实施例一的流程图；
图2为本发明车辆图像识别方法实施例一中基于所述初始图像采用预训练的检测模型获取所述初始图像中的目标对象信息的流程图；
图3为本发明车辆图像识别方法实施例一中所述采用第一识别网络对基础网络中conv4_3卷积层输出的特征数据进行处理，获得用于标识车牌位置的第二数据流程图；
图4为本发明车辆图像识别方法实施例一中所述采用第一热点决策网络对所述第二处理数据进行标记，获得用于标识车牌位置的第二数据的流程图；
图5为本发明车辆图像识别方法实施例一中采用第二识别网络对基础网络中conv_7卷积层输出的特征数据进行处理，获得用于标识车牌位置的第三数据的流程图；
图6为本发明车辆图像识别方法实施例一中采用第二热点决策网络对所述第四处理数据进行标记，获得用于标识车牌位置的第三数据的流程图；
图7为本发明车辆图像识别方法实施例一中所述根据所述目标对象信息和预设参数获得图像偏差结果的流程图；
图8为本发明车辆图像识别方法实施例一中基于所述图像偏差结果对所述摄像头进行引导调整，获得目标图像的流程图；
图9为本发明车辆图像识别装置实施例二的程序模块示意图；
图10为本发明计算机设备实施例三中计算机设备的硬件结构示意图。
附图标记：
5、车辆图像识别装置51、采集模块52、目标对象确定模块
53、图像偏差确定模块531、比例和位置数据获取单元
532、光照数据获取单元533、结果确定单元54、执行模块
541、生成单元542、判断单元543、操作单元
6、计算机设备61、存储器62、处理器
63、网络接口
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明提供的车辆图像识别方法、装置、计算机设备及可读存储介质，适用于图像检测的数据分析领域，为提供一种基于采集模块、目标对象确定模块、图像偏差确定模块、执行模块的车辆图像识别方法。本发明通过采集模块采集当前帧画面作为初始图像，并采用目标确定模块对当初始画像采用训练好的目标检测模型对初始图像中的目标对象进行确定，而后根据图像偏差确定模块确定的目标对象信息判断该目标对象是否满足对应的比例、位置或光线要求，并采用执行模块根据前述判断结果生成对应的调整策略，根据调整策略对摄像头进行调整后即可获得合格的目标图像，解决现有技术中由于人工拍摄习惯不同，导致获得的部分照片比例、尺寸、光线等不符合要求，照片不合格率较高，保险公司无法进行结算，工作效率较低的问题，同时，还基于现有的SSD目标检测模型进行改进获得新的检测模型，删除部分用于小目标检测的搜索框，同时在conv4_3、conv_7卷积层输出后分别增加独立的用于小目标的检测网络，在提高目标检测速度的同时提高目标检测结果的准确度。
实施例一
请参阅图1，本实施例的一种车辆图像识别方法，应用于带摄像头的移动终端设备，包括以下步骤：
S100：初始化摄像头，采集当前帧画面作为初始图像；
本方案中带摄像头的移动终端设备，包括但不限于智能手机、平板、智能照相机等，具体的应用于对车辆拍照，获得车体照片用于保险理赔的场景下，上述初始化摄像头具体为将所述移动终端设备上的拍照按钮设置为不可用，所述初始化操作可以是人工完成，也可以是在预设环境下自动完成(获得授权后自动捕捉数据)，比如预设时间或检测到预设对象等，初始化摄像头后即可进入对车体拍照过程，当前帧画面即为正常场景下的拍照的图像画面，本方案中基于该图像进行分析和处理，并对摄像头进行引导，提高目标图像的合格率，减少由于目标图像不合格无法进行保险结算的情况，本申请可应用于智慧交通场景中，从而推动智慧城市的建设。
S200：基于所述初始图像采用预训练的检测模型获取所述初始图像中的目标对象信息；
参阅图2，上述步骤S200中获取所述初始图像中的目标对象信息包括以下步骤：
S210：采用基础网络对所述初始图像进行预设尺寸特征识别，获得用于标识车***置的第一数据；
在本方案中，所述基础网络为SSD目标检测模型中的VGG-16网络，包含conv4_3、conv_7、conv6_2、conv7_2、conv8_2、conv9_2这些大小不同的feature map，在多个featuremap上同时进行softmax分类和位置回归，由于本应用场景中目标对象为小汽车或拖车，目标对象尺寸均较大，因此对现有的VGG-16网络进行改进，具体的：删去现有VGG-16网络中conv4_3网络上的目标搜索框，并对conv_7上的搜索框数量减少到原来的1/2，通过上述改进实现对较大尺寸(具体的车体轮廓)的特征识别，同时由于不需要对小尺寸特征提取，大大提高了处理速度。
S220：采用第一识别网络对基础网络中conv4_3卷积层输出的特征数据进行处理，获得用于标识车牌位置的第二数据；
在本方案中，上述第一识别网络用于对尺寸较小的目标对象(例如车牌)单独处理；由于上述S210中基础网络相较于SSD目标检测模型删除了部分搜索框，使上述基础网络仅对尺寸较大的目标对象进行识别，因此增加上述第一识别网络和步骤S230中第二识别网络用于对小尺寸目标对象处理，需要说明的，第一识别网络和下述第二识别网络结构一致，均包括依次设置的卷基层、分类器、one-hot分类器、热点决策网络层。
具体的，上述步骤S200所述采用第一识别网络对基础网络中conv4_3卷积层输出的特征数据进行处理，获得用于标识车牌位置的第二数据，参阅图3，包括：
S221：采用第一卷基层对conv4_3卷积层输出的特征数据进行缩小第一设定倍数处理，获得第一处理数据；
需要说明的是，所述缩小第一设定倍数为纵向厚度减少1/2处理，具体的实现方式为：设置该第一卷基层厚度为conv4_3卷积层的1/2，所述第一卷基层的作用在于提高conv4_3卷积层输出的特征数据的精确度。
S222：基于所述第一处理数据采用第一分类器确定第一车***置信息；
在上述步骤中，所述第一分类器的作用在于对预设尺寸(大尺寸)下的特征进行分类，进而确定车***置，所述车***置表现为包含车体的搜索框，作为举例的，可以采用SVM分类器实现。
S223：采用第一one-hot网络根据所述第一车***置信息在第一预设范围内查找车牌位置，获取第二处理数据；
在上述步骤中，one-hot是一种特征提取的方法，one-hot编码，又称“独热编码”，采用N位状态寄存器编码N个状态，每个状态都有独立的寄存器位，且这些寄存器位中只有一位有效，即只能有一个状态，One-Hot编码是分类变量作为二进制向量的表示，这首先要求将分类值映射到整数值，然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。采用one-hot网络优点在于解决了分类器不好处理属性数据的问题，同时在一定程度上也起到了扩充特征的作用，在本实施方式中，采用第一one-hot网络实现小目标(即车牌)的查找，作为举例而非限定的，输出一个one-hot编码矩阵，其中矩阵每元素大于等于8且小于128为车牌区域，其他区域为车牌区域，上述步骤S233中第一预设范围，作为举例的，设车***置(x，y)，则上述第一one-hot网络仅仅对车***置x方向上0.4x-0.6x，y方向上0.3y-0.4y区域进行one-hot检测。
S224：采用第一热点决策网络对所述第二处理数据进行标记，获得用于标识车牌位置的第二数据。
更具体的，所述采用第一热点决策网络对所述第二处理数据进行标记，获得用于标识车牌位置的第二数据，参阅图4，包括以下步骤：
S224-1：对所述第二处理数据进行归一化处理后对符合预设条件的数据进行标记；
需要说明的是，上述预设条件矩阵每元素大于等于8且小于128，即车牌区域。
S224-2：当第二处理数据中任一预设单位中被标记的数据数量超出预设阈值，则标记该单位为目标子数据；
具体的，上述预设单位为(4*4)。
S224-3：逐个对所述第三处理数据中各个单位进行标记，获得所有目标子数据合并即为第二数据。
作为举例而非限定的，所述第一热点决策网络用于对one-hot网络输出的数据进行归一化后标记，对大于等于8且小于128标记为0，大于128标记为1，累积计算单位面积(4*4)内1的占比，若单位面积内1的数量占比超过50％，则此单位面积区域置车牌标志为Y，之后将所有单位面积区域连接起来，所有相连的Y区域即为车牌位置。
S230：采用第二识别网络对基础网络中conv_7卷积层输出的特征数据进行处理，获得用于标识车牌位置的第三数据；
所述第二识别网络与步骤S220中第一识别网络结构一致，且作用一致，可参考上述S220中的实现过程，第二数据和第三数据均用于标识车牌区域，以便后续通过S240处理获得准确度较高的识别结果。
具体的，上述步骤S230所述获得用于标识车牌位置的第三数据，参阅图5，包括以下步骤：
S231：采用第二卷基层对conv_7卷积层输出的特征数据进行缩小第二设定倍数处理，获得第三处理数据；
需要说明的是，在采用第二识别网络中的第二卷基层对conv_7卷积层输出的特征数据进行缩小第二设定倍数处理时；所述缩小第二设定倍数为纵向厚度减少1/2处理，具体的实现方式为：设置该第一卷基层厚度为conv_7卷积层的1/2.
S232：基于所述第三处理数据采用第二分类器确定第二车***置信息；
与上述第一分类器一致的，所述车***置表现为包含车体的搜索框，作为举例的，可以采用SVM分类器实现。
S233：采用第二one-hot网络根据所述第二车***置信息在第二预设范围内查找车牌位置，获取第四处理数据；
所述第二预设范围与上述第一预设范围类似的作为举例的，设车***置(x，y)，则上述第一one-hot网络仅仅对车***置x方向上0.4x-0.6x，y方向上0.3y-0.4y区域进行one-hot检测。
S234：采用第二热点决策网络对所述第四处理数据进行标记，获得用于标识车牌位置的第三数据。
作为补充的，上述步骤S234中获得用于标识车牌位置的第三数据，参阅图6，还包括以下步骤：
S234-1：对所述第四处理数据进行归一化处理后对符合预设条件的数据进行标记；
需要说明的，所述预设条件与上述第一热点决策网络中一致，用于对one-hot网络输出的数据进行归一化后标记，对大于等于8且小于128标记为0，大于128标记为1。
S234-2：当第四处理数据中任一预设单位中被标记的数据数量超出预设阈值，则标记该单位为目标子数据；
S234-3：逐个对所述第四处理数据中各个单位进行标记，获得所有目标子数据合并即为第二数据。
进一步举例的，在上述步骤S234-1后累积计算单位面积(4*4)内1的占比，若单位面积内1的数量占比超过50％，则此单位面积区域置车牌标志为Y，之后将所有单位面积区域连接起来，所有相连的Y区域即为车牌位置区域，即为第二数据。
S240：将所述第一数据、第二数据和第三数据通过非极大值抑制处理后输出识别结果；
在本实施方式中，在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，此时利用非极大值抑制找到最佳的目标边界框，消除冗余的边界框，作为举例的，获得多个候选框并建立列表，根据每个候选框的置信度得分进行排序，筛选出置信度最高的候选框添加到输出列表中同时从列表中删除该候选框，再计算除前述置信度最高的候选框的其他候选框的面积，再计算置信度最高的候选框与其他候选框的IoU(即两个候选框的交集部分除以它们的并集)，删除超出阈值的候选框，重复上述过程，直至获得列表为空，在本方案中，上述第二数据和第三数据可以辅助第一数据确定目标对象。
S250：基于所述识别结果获得所述初始图像中的目标对象信息。
具体的，所述目标对象信息包括检测出的目标对象的位置，即本方案中小汽车车体的位置，若获得的识别结果不存在目标对象(车辆)，则反馈对应的信息至用户界面，即提示用户小汽车或拖车不存在。
在上述实施方式中，在上述目标检测模型使用前采用训练数据进行预训练；根据步骤S210中删除了现有网络中部分搜索框，使仅对尺寸较大的目标对象进行识别，大大提高了识别速度，同时采用独立的第一识别网络或第二识别网络结构对车牌等小目标识别，区别于现有技术中SSD目标检测网络直接对大目标和小目标同时检测的方式，在提高检测速度的同时，提高对小目标检测的敏感度，提高准确率，还解决SSD目标检测网络对小目标适应性差的问题。
需要说明的是，所述识别结果表现为带有目标检测框的初始图像，通过目标检测框的位置信息获得目标对象信息。
S300：根据所述目标对象信息和预设参数获得图像偏差结果；
具体的，所述根据所述目标对象信息和预设参数获得图像偏差结果，参阅图7，包括以下步骤：
S310：基于所述目标对象信息根据预设第一规则和预设第二规则获得所述目标对象对应的比例数据和位置数据；
在本方案中，所述预设第一规则为a1＝(x1/w+y1/h)/2，其中a1为比例数据；w、h分别为初始图像的长、宽；x1、y1分别为所述比例数据对应车体的长、宽(可通过目标检测框确定)；所述预设第二规则为(x2，y2)＝(a/w，b/h)，其中(x2，y2)为位置数据；w、h分别为初始图像的长、宽；a、b分别为所述位置数据对应车体的中心位置(可通过识别结果获得的目标检测框中心位置确定)。
S320：对所述带有目标对象信息的初始图像灰度化处理后，计算所述初始图像对应的光照数据；
需要说明的是，灰度化让像素点矩阵中的每一个像素点都满足下面的关系：R＝G＝B(红色变量的值，绿色变量的值，和蓝色变量的值均相等)，光照数据为计算灰度处理后的初始图像中所有像素的平均值，设记为p。
S330：将所述比例数据、位置数据和所述光照数据与预设参数进行比对，获得图像偏差结果；
其中，所述预设参数包括预设比例参数、预设位置参数和预设光照参数。
作为举例的，预设参数设为比例数据取值范围为{1/2，2/3}，位置数据中x2取值范围为{2/7，5/7},y2取值范围为{3/7，5/7},光照数据取值范围为{96，201},采用上述步骤S31-S33中获得比例数据、位置数据、光照数据对应比对，并获得各类参数对应的比对结果，合并即为图像偏差结果。
S400：基于所述图像偏差结果对所述摄像头进行引导调整，获得目标图像。
具体的，上述基于所述图像偏差结果对摄像头进行引导调整，获得目标图像，参阅图8，包括以下步骤：
S410：根据所述图像偏差结果生成对应的调整策略；
具体的，所述调整策略包括但不限于以下：若a1<1/2提示靠近，若a1>2/3则提示远离；x2<2/7则提示右移，若x2>5/7则提示左移；y2<3/7则提示上移，y2>5/7则提示下移；若p<96,则提示光线调亮，若p>201,提示光线调暗，需要说明的是，当目标图像信息符合各个参数预设范围，则调整策略为空。
S420：判断所述调整策略是否为空；
S430：若是，则获得目标图像；
S440：若否，则根据所述调整策略对摄像头进行调整后获得目标图像。
在本实施方式中，可以将各个调整策略发送至用户界面，人工进行调整，也可精准计算调整数据，采用机器模型实现自动调整。在对摄像头进行引导调整过程中，在人工调整界面还可预设基准引导标签，可以根据目标对象信息和预设规则计算待拟合标签，利用调整策略引导拍摄者将待拟合标签与基准引导标签对准即可。
本方案中还可包括将所述目标图像上传至区块链，用户可从区块链中下载目标图像进行参考，由此可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证优先级列表是否被篡改。本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本技术方案通过对当前帧画像采用训练好的目标检测模型对初始图像中的目标对象进行确定，而后根据确定的目标对象信息判断该目标对象是否满足对应的比例、位置或光线要求，根据前述判断结果生成对应的调整策略(如提示靠近、远离；提示右移、左移；提示上移、下移；提示光线调亮、光线调暗)，根据调整策略对摄像头进行调整后即可获得合格的目标图像，解决照片不合格率较高，无法用于保险公司结算的问题。
本方案中还提出一种新的检测模型，基于现有的SSD目标检测模型，删除部分用于小目标检测的搜索框，同时在conv4_3、conv_7卷积层输出后分别增加独立的用于小目标的检测网络(卷基层、分类器、one-hot分类器、热点决策网络层，参考上述步骤S21-S23)，用于对车牌等小目标进行二次检测，在提高目标检测速度的同时提高目标检测结果的准确度，同时通过独立检测网络来实现小目标的监测克服了SSD目标检测模型对小目标适应性差的问题，进一步提高对小目标的敏感度，进一步提高目标检测结果的准确度。
实施例二：
请参阅图9，本实施例的一种车辆图像识别装置5，包括：
采集模块51，用于初始化摄像头，采集当前帧画面作为初始图像；
本方案中带摄像头的移动终端设备，包括但不限于智能手机、平板、智能照相机等，具体的应用于对车辆拍照，获得车体照片用于保险理赔的场景下，上述初始化摄像头具体为将所述移动终端设备上的拍照按钮设置为不可用。
目标对象确定模块52，用于基于所述初始图像采用预训练的检测模型确定所述初始图像中的目标对象信息；
具体的，所述检测模型包括基础网络、第一识别网络、第二识别网络；所属基础，所述基础网络为SSD目标检测模型中的VGG-16网络，包含conv4_3、conv_7、conv6_2、conv7_2、conv8_2、conv9_2这些大小不同的feature map，删去现有VGG-16网络中conv4_3网络上的目标搜索框，并对conv_7上的搜索框数量减少到原来的1/2，所述第一识别网络和第二识别网络结构一致，均包括依次设置的卷基层、分类器、one-hot分类器、热点决策网络层。
优选的，所述图像偏差确定模块53还包括以下：
比例和位置数据获取单元531，用于基于所述目标对象信息根据预设第一规则和预设第二规则获得所述目标对象对应的比例数据和位置数据；
所述预设第一规则为a1＝(x1/w+y1/h)/2，其中a1为比例数据；w、h分别为初始图像的长、宽；x1、y1分别为所述比例数据对应车体的长、宽(可通过目标检测框确定)；所述预设第二规则为(x2，y2)＝(a/w，b/h)，其中(x2，y2)为位置数据；w、h分别为初始图像的长、宽；a、b分别为所述位置数据对应车体的中心位置。
光照数据获取单元532，用于对所述带有目标对象信息的初始图像灰度化处理后，计算所述初始图像对应的光照数据；
结果确定单元533，用于将所述比例数据、位置数据和所述光照数据与预设参数进行比对，获得图像偏差结果；
其中，所述预设参数包括预设比例参数、预设位置参数和预设光照参数。
执行模块54，用于基于所述图像偏差结果对所述摄像头进行引导调整，获得目标图像。
优选的，所述执行模块54包括以下：
生成单元541，用于根据所述图像偏差结果生成对应的调整策略
所述调整策略包括但不限于以下：若a1<1/2提示靠近，若a1>2/3则提示远离；x2<2/7则提示右移，若x2>5/7则提示左移；y2<3/7则提示上移，y2>5/7则提示下移；若p<96,则提示光线调亮，若p>201,提示光线调暗，需要说明的是，当目标图像信息符合各个参数预设范围，则调整策略为空；
判断单元542，用于判断所述调整策略是否为空；
操作单元543，用于当判断结果为是，获得目标图像；当判断结果为否，根据所述调整策略对摄像头进行调整后获得目标图像。
本技术方案基于图像检测中的图像分类，本发明通过采集模块采集当前帧画面作为初始图像，并采用目标确定模块对当初始画像采用训练好的目标检测模型对初始图像中的目标对象进行确定，而后根据图像偏差确定模块中的比例和位置数据获取单元、光照数据获取单元确定的目标对象信息并基于结果判断单元判断该目标对象信息是否满足预设参数，在获得图像偏差结果后采用执行模块中的生成单元根据前述判断结果生成对应的调整策略，基于判断单元和操作单元根据调整策略对摄像头进行调整后即可获得合格的目标图像，减少现有技术中由于人工拍摄习惯不同，导致获得的部分照片比例、尺寸、光线等不符合要求，照片不合格率较高，保险公司无法进行结算，工作效率较低的问题。
本方案在目标确定模块中的检测模型处理过程中，采用基础网络对所述初始图像进行预设尺寸特征识别，获得用于标识车***置的第一数据，分别采用第一识别网络和第二识别网络对基础网络中conv4_3、conv_7卷积层输出的特征数据进行处理，获得用于标识车牌位置的第二数据和第三数据，最后基于第一数据、第二数据、第三数据获得目标对象信息，基于现有的SSD目标检测模型，删除部分用于小目标检测的搜索框，同时在conv4_3、conv_7卷积层输出后分别增加独立的用于小目标的第一识别网络和第二识别网络，用于对车牌等小目标进行二次检测，在提高目标检测速度的同时提高目标检测结果的准确度，同时通过独立检测网络来实现小目标的监测克服了SSD目标检测模型对小目标适应性差的问题，进一步提高对小目标的敏感度，进一步提高目标检测结果的准确度。
实施例三：
为实现上述目的，本发明还提供一种计算机设备6，该计算机设备6包括多个计算机设备6，实施例二的车辆图像识别装置5的组成部分可分散于不同的计算机设备中，计算机设备可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过***总线相互通信连接的存储器61、处理器62、网络接口63以及车辆图像识别装置5，如图10所示。需要指出的是，图10仅示出了具有组件-的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本实施例中，存储器61(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器61可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器61也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器61还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器61通常用于存储安装于计算机设备的操作***和各类应用软件，例如实施例一的车辆图像识别装置的程序代码等。此外，存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器62在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制计算机设备的总体操作。本实施例中，处理器62用于运行存储器61中存储的程序代码或者处理数据，例如运行车辆图像识别装置，以实现实施例一的车辆图像识别方法。
所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他计算机设备6之间建立通信连接。例如，所述网络接口63用于通过网络将所述计算机设备6与外部终端相连，在所述计算机设备6与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯***(Global System of Mobile communication，GSM)、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是，图10仅示出了具有部件61-63的计算机设备6，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本实施例中，存储于存储器61中的所述车辆图像识别装置5还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器61中，并由一个或多个处理器(本实施例为处理器62)所执行，以完成本发明。
实施例四：
为实现上述目的，本发明还提供一种计算机可读存储***，其包括多个存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器62执行时实现相应功能。本实施例的计算机可读存储介质用于存储车辆图像识别装置，被处理器62执行时实现实施例一的车辆图像识别方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种车辆图像识别方法，其特征在于，包括：
初始化摄像头，采集当前帧画面作为初始图像；
基于所述初始图像采用预训练的检测模型获取所述初始图像中的目标对象信息；
根据所述目标对象信息和预设参数获得图像偏差结果；
基于所述图像偏差结果对所述摄像头进行引导调整，获得目标图像。
2.根据权利要求1所述的车辆图像识别方法，其特征在于，所述基于所述初始图像采用预训练的检测模型获取所述初始图像中的目标对象信息，还包括：
采用基础网络对所述初始图像进行预设尺寸特征识别，获得用于标识车***置的第一数据；
采用第一识别网络对基础网络中conv4_3卷积层输出的特征数据进行处理，获得用于标识车牌位置的第二数据；
采用第二识别网络对基础网络中conv_7卷积层输出的特征数据进行处理，获得用于标识车牌位置的第三数据；
将所述第一数据、第二数据和第三数据通过非极大值抑制处理后输出识别结果；
基于所述识别结果获得所述初始图像中的目标对象信息。
3.根据权利要求2所述的车辆图像识别方法，其特征在于，所述采用第一识别网络对基础网络中conv4_3卷积层输出的特征数据进行处理，获得用于标识车牌位置的第二数据，包括：
采用第一卷基层对conv4_3卷积层输出的特征数据进行缩小第一设定倍数处理，获得第一处理数据；
基于所述第一处理数据采用第一分类器确定第一车***置信息；
采用第一one-hot网络根据所述第一车***置信息在第一预设范围内查找车牌位置，获取第二处理数据；
采用第一热点决策网络对所述第二处理数据进行标记，获得用于标识车牌位置的第二数据。
4.根据权利要求3所述的车辆图像识别方法，其特征在于，所述采用第一热点决策网络对所述第二处理数据进行标记，获得用于标识车牌位置的第二数据，包括：
对所述第二处理数据进行归一化处理后对符合预设条件的数据进行标记；
当第二处理数据中任一预设单位中被标记的数据数量超出预设阈值，则标记该单位为目标子数据；
逐个对所述第三处理数据中各个单位进行标记，获得所有目标子数据合并即为第二数据。
5.根据权利要求2所述的车辆图像识别方法，其特征在于，所述采用第二识别网络对基础网络中conv_7卷积层输出的特征数据进行处理，获得用于标识车牌位置的第三数据，包括：
采用第二卷基层对conv_7卷积层输出的特征数据进行缩小第二设定倍数处理，获得第三处理数据；
基于所述第三处理数据采用第二分类器确定第二车***置信息；
采用第二one-hot网络根据所述第二车***置信息在第二预设范围内查找车牌位置，获取第四处理数据；
采用第二热点决策网络对所述第四处理数据进行标记，获得用于标识车牌位置的第三数据。
6.根据权利要求1所述的车辆图像识别方法，其特征在于，所述根据所述目标对象信息和预设参数获得图像偏差结果，包括：
基于所述目标对象信息根据预设第一规则和预设第二规则获得所述目标对象对应的比例数据和位置数据；
对所述带有目标对象信息的初始图像灰度化处理后，计算所述初始图像对应的光照数据；
将所述比例数据、位置数据和所述光照数据与预设参数进行比对，获得图像偏差结果；
其中，所述预设参数包括预设比例参数、预设位置参数和预设光照参数。
7.根据权利要求1所述的车辆图像识别方法，其特征在于，所述基于所述图像偏差结果对摄像头进行引导调整，获得目标图像，包括：
根据所述图像偏差结果生成对应的调整策略；
判断所述调整策略是否为空，若是，则获得目标图像；
若否，则根据所述调整策略对摄像头进行调整后获得目标图像。
8.一种车辆图像识别装置，其特征在于，包括：
采集模块，用于初始化摄像头，采集当前帧画面作为初始图像；
目标对象确定模块，用于基于所述初始图像采用预训练的检测模型确定所述初始图像中的目标对象信息；
图像偏差确定模块，用于根据所述目标对象信息和预设参数获得图像偏差结果；
执行模块，用于基于所述图像偏差结果对所述摄像头进行引导调整，获得目标图像。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述车辆图像识别方法的步骤。
10.一种计算机可读存储介质，其包括多个存储介质，各存储介质上存储有计算机程序，其特征在于，所述多个存储介质存储的所述计算机程序被处理器执行时共同实现权利要求1至7任一项所述车辆图像识别方法的步骤。
CN202010910087.1A 2020-09-02 2020-09-02 车辆图像识别方法、装置、计算机设备及可读存储介质 Pending CN111985448A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010910087.1A CN111985448A (zh) 2020-09-02 2020-09-02 车辆图像识别方法、装置、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010910087.1A CN111985448A (zh) 2020-09-02 2020-09-02 车辆图像识别方法、装置、计算机设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN111985448A true CN111985448A (zh) 2020-11-24

Family

ID=73447893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010910087.1A Pending CN111985448A (zh) 2020-09-02 2020-09-02 车辆图像识别方法、装置、计算机设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111985448A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114895832A (zh) * 2022-05-17 2022-08-12 网易（杭州）网络有限公司 对象的调整方法、装置、电子设备及计算机可读介质
CN115601977A (zh) * 2022-10-27 2023-01-13 天津华慧智能科技有限公司（Cn） 手机自动引导拍摄判断精准停车***及使用方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005295406A (ja) * 2004-04-02 2005-10-20 Casio Comput Co Ltd 撮像装置、および、プログラム
CN106139564A (zh) * 2016-08-01 2016-11-23 纳恩博（北京）科技有限公司 图像处理方法和装置
CN106740841A (zh) * 2017-02-14 2017-05-31 驭势科技（北京）有限公司 基于动态控制的车道线检测方法、装置及车载设备
CN107316001A (zh) * 2017-05-31 2017-11-03 天津大学 一种自动驾驶场景中小且密集的交通标志检测方法
CN107729808A (zh) * 2017-09-08 2018-02-23 国网山东省电力公司电力科学研究院 一种用于输电线路无人机巡检的图像智能采集***及方法
CN109325488A (zh) * 2018-08-31 2019-02-12 阿里巴巴集团控股有限公司 用于辅助车辆定损图像拍摄的方法、装置及设备
CN109376518A (zh) * 2018-10-18 2019-02-22 深圳壹账通智能科技有限公司 基于人脸识别的防止隐私泄露方法及相关设备
CN110285793A (zh) * 2019-07-08 2019-09-27 中原工学院 一种基于双目立体视觉***的车辆智能测轨迹方法
CN110633629A (zh) * 2019-08-02 2019-12-31 广东电网有限责任公司清远供电局 基于人工智能的电网巡检方法、装置、设备及存储介质
CN110738192A (zh) * 2019-10-29 2020-01-31 腾讯科技（深圳）有限公司 人体运动功能辅助评估方法、装置、设备、***及介质
CN111046917A (zh) * 2019-11-20 2020-04-21 南京理工大学 基于深度神经网络的对象性增强目标检测方法
CN111079506A (zh) * 2019-10-11 2020-04-28 深圳壹账通智能科技有限公司 基于增强现实的信息采集方法、装置和计算机设备
WO2020140772A1 (zh) * 2019-01-02 2020-07-09 腾讯科技（深圳）有限公司 一种人脸检测方法、装置、设备以及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005295406A (ja) * 2004-04-02 2005-10-20 Casio Comput Co Ltd 撮像装置、および、プログラム
CN106139564A (zh) * 2016-08-01 2016-11-23 纳恩博（北京）科技有限公司 图像处理方法和装置
CN106740841A (zh) * 2017-02-14 2017-05-31 驭势科技（北京）有限公司 基于动态控制的车道线检测方法、装置及车载设备
CN107316001A (zh) * 2017-05-31 2017-11-03 天津大学 一种自动驾驶场景中小且密集的交通标志检测方法
CN107729808A (zh) * 2017-09-08 2018-02-23 国网山东省电力公司电力科学研究院 一种用于输电线路无人机巡检的图像智能采集***及方法
CN109325488A (zh) * 2018-08-31 2019-02-12 阿里巴巴集团控股有限公司 用于辅助车辆定损图像拍摄的方法、装置及设备
CN109376518A (zh) * 2018-10-18 2019-02-22 深圳壹账通智能科技有限公司 基于人脸识别的防止隐私泄露方法及相关设备
WO2020140772A1 (zh) * 2019-01-02 2020-07-09 腾讯科技（深圳）有限公司 一种人脸检测方法、装置、设备以及存储介质
CN110285793A (zh) * 2019-07-08 2019-09-27 中原工学院 一种基于双目立体视觉***的车辆智能测轨迹方法
CN110633629A (zh) * 2019-08-02 2019-12-31 广东电网有限责任公司清远供电局 基于人工智能的电网巡检方法、装置、设备及存储介质
CN111079506A (zh) * 2019-10-11 2020-04-28 深圳壹账通智能科技有限公司 基于增强现实的信息采集方法、装置和计算机设备
CN110738192A (zh) * 2019-10-29 2020-01-31 腾讯科技（深圳）有限公司 人体运动功能辅助评估方法、装置、设备、***及介质
CN111046917A (zh) * 2019-11-20 2020-04-21 南京理工大学 基于深度神经网络的对象性增强目标检测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
JOSHUA J. NORDBERG 等: "Practical Aspects of Adjusting Digital Cameras", METHODS IN CELL BIOLOGY, pages 151 - 162 *
MIN-KOOK CHOI 等: "Co-Occurrence Matrix Analysis-Based Semi-Supervised Training for Object Detection", 2018 25TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP), pages 1333 - 1337 *
TIANCAI WANG 等: "Learning Rich Features at High-Speed for Single-Shot Object Detection", 2019 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV), pages 1971 - 1980 *
WEIQIANG LI 等: "A Single-Shot Object Detector with Feature Aggregation and Enhancement", 2019 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP), pages 3910 - 3914 *
刘继丹 等: "改进SSD卷积神经网络在钢板边裂纹检测中的应用", 冶金自动化, vol. 44, no. 04, pages 43 - 47 *
叶召元 等: "基于自动驾驶场景的目标检测算法DFSSD", 计算机工程与应用, vol. 56, no. 16, pages 139 - 147 *
徐科 等: "冷轧带钢表面质量自动检测***的在线应用研究", 冶金自动化, pages 51 - 53 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114895832A (zh) * 2022-05-17 2022-08-12 网易（杭州）网络有限公司 对象的调整方法、装置、电子设备及计算机可读介质
CN114895832B (zh) * 2022-05-17 2023-08-08 网易（杭州）网络有限公司 对象的调整方法、装置、电子设备及计算机可读介质
CN115601977A (zh) * 2022-10-27 2023-01-13 天津华慧智能科技有限公司（Cn） 手机自动引导拍摄判断精准停车***及使用方法

Similar Documents

Publication Publication Date Title
CN107194398B (zh) 车损部位的识别方法及***
CN106599792B (zh) 一种手部驾驶违规行为的检测方法
CN108009543A (zh) 一种车牌识别方法及装置
WO2021143063A1 (zh) 车辆定损方法、装置、计算机设备和存储介质
CN112581522B (zh) 图像中目标物位置检测方法、装置、电子设备及存储介质
CN111985448A (zh) 车辆图像识别方法、装置、计算机设备及可读存储介质
CN111507957B (zh) 身份证图片转换方法、装置、计算机设备及存储介质
CN110633289A (zh) 一种车牌号确定方法、服务器及停车管理***
WO2021027157A1 (zh) 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质
CN114038004A (zh) 一种证件信息提取方法、装置、设备及存储介质
CN112132216B (zh) 车型识别方法、装置、电子设备及存储介质
CN111860219B (zh) 一种高速占道判断方法、装置及电子设备
CN112036488A (zh) 基于图像识别的事件识别方法、装置、设备及存储介质
CN112861567B (zh) 一种车型分类方法及装置
CN115810134A (zh) 一种车险反欺诈的图像采集质检方法、***和装置
CN112733652B (zh) 图像目标识别方法、装置、计算机设备及可读存储介质
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
CN112597995A (zh) 车牌检测模型训练方法、装置、设备及介质
CN113160272A (zh) 目标跟踪方法、装置、电子设备及存储介质
CN109360137B (zh) 一种车辆事故评估方法、计算机可读存储介质及服务器
CN114898306B (zh) 一种检测目标朝向的方法、装置及电子设备
CN107451719B (zh) 灾区车辆调配方法和灾区车辆调配装置
CN115311630A (zh) 区分阈值生成、目标识别模型训练、目标识别方法及装置
CN110689481A (zh) 车辆种类识别方法及装置
CN114373081A (zh) 图像处理方法及装置、电子设备及存储介质

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