CN112084932B - 基于图像识别的数据处理方法、装置、设备及存储介质 - Google Patents

基于图像识别的数据处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112084932B
CN112084932B CN202010927099.5A CN202010927099A CN112084932B CN 112084932 B CN112084932 B CN 112084932B CN 202010927099 A CN202010927099 A CN 202010927099A CN 112084932 B CN112084932 B CN 112084932B
Authority
CN
China
Prior art keywords
image
information
client
recognition
position information
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.)
Active
Application number
CN202010927099.5A
Other languages
English (en)
Other versions
CN112084932A (zh
Inventor
杨元朴
赖博
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.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
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 Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202010927099.5A priority Critical patent/CN112084932B/zh
Publication of CN112084932A publication Critical patent/CN112084932A/zh
Application granted granted Critical
Publication of CN112084932B publication Critical patent/CN112084932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • G06F21/602—Providing cryptographic facilities or services
    • 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
    • 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
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明涉及人工智能技术，提供了一种基于图像识别的数据处理方法、装置、设备及存储介质。该方法获取第一客户端和第二客户端的位置信息，基于位置信息从预设的映射关系表中读取第二客户端的响应时限，并实时监测第二客户端是否在响应时限内上传第二图像；若是，获取第二图像对应的第三位置信息，分别将第一图像及第二图像输入预先训练的图像识别模型，得到图像对应的文本信息，基于第一文本信息与第二文本信息的对比结果，及第一位置信息与第二位置信息的对比结果，向各客户端反馈对应的提示信息。本发明可以提高自动核实第三方服务真实性的准确率。

Description

基于图像识别的数据处理方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于图像识别的数据处理方法、装置、设备及存储介质。
背景技术
服务商对于购买了相应产品的用户，会委托第三方为该用户提供服务，例如保险行业的车辆救援、家政行业的上门维修等，当第三方为用户提供服务后，第三方需要将完成服务的图像上传给服务商，服务商大多根据上传的图像人工核实第三方是否存在作假的行为，虽然市面出现了自动核实第三方服务的真实性的技术方案，但这些方案大多仅是基于某种分类算法实现，存在准确性不高、稳定性不足等技术问题。
发明内容
鉴于以上内容，本发明提供一种基于图像识别的数据处理方法、装置、设备及存储介质，其目的在于解决现有技术中自动核实第三方服务的真实性时，存在准确性不高、稳定性不足的技术问题。
为实现上述目的，本发明提供一种基于图像识别的数据处理方法，该方法包括：
接收第一客户端发送的数据处理的请求信息，获取所述请求信息中携带的第一图像；
响应所述第一客户端发送的所述请求信息向第二客户端发出预设指令，接收所述第二客户端反馈的确认信息，并实时监测所述第二客户端是否在预设的响应时限内上传第二图像；
当监测到所述第二客户端在所述响应时限内上传第二图像时，分别将所述第一图像及所述第二图像输入预先训练的图像识别模型，得到所述第一图像的第一识别信息及所述第二图像的第二识别信息，其中，所述第一识别信息包括第一目标物的第一文本信息和第一位置信息，所述第二识别信息包括第二目标物的第二文本信息和第二位置信息；
对所述第一文本信息、所述第二文本信息、所述第一位置信息和所述第二位置信息进行对比，得到对比结果，基于所述对比结果，向所述第一客户端、所述第二客户端或预先关联设置的第三客户端反馈对应的提示信息。
优选的，所述对所述第一文本信息、所述第二文本信息、所述第一位置信息和所述第二位置信息进行对比，得到对比结果，基于所述对比结果，向所述第一客户端、所述第二客户端或预先关联设置的第三客户端反馈对应的提示信息包括：
判断所述第一文本信息及所述第二文本信息是否相同；
若相同，再判断所述第一位置信息与所述第二位置信息是否相同；
若不同，向所述第三客户端反馈第一提示信息。
优选的，所述对所述第一文本信息、所述第二文本信息、所述第一位置信息和所述第二位置信息进行对比，得到对比结果，基于所述对比结果，向所述第一客户端、所述第二客户端或预先关联设置的第三客户端反馈对应的提示信息还包括：
当判断所述第一位置信息与所述第二位置信息相同时，分别获取第一图像对应的第一拍摄时间及所述第二图像对应的第二拍摄时间；
计算所述第一拍摄时间与所述第二拍摄时间的时间差；
判断所述时间差与所述响应时限的差值是否大于预设阈值，当判断所述时间差与所述响应时限的差值大于预设阈值时，向所述第二客户端反馈第二提示信息。
优选的，所述判断所述时间差与所述响应时限的差值是否大于预设阈值还包括：
当判断所述时间差与所述响应时限的差值小于或等于预设阈值时，将所述第二客户端对应的用户标识添加至预设的数据表。
优选的，在所述获取所述请求信息中携带的第一图像之后，所述方法还还包括将第一图像上传至区块链的第一节点执行第二加密处理，所述第二加密处理过程包括：
区块链的第一节点生成加密算法的密钥，基于使用所述密钥的加密算法对第一图像进行加密，生成加密后的第一加密图像；
利用所述第一节点和区块链中与所述第一节点关联的第二节点的非对称密钥对的公钥加密所述密钥，生成相应的密钥密文；
将所述第一加密图像及所述密钥密文作为区块链数据存储至区块链相应的区块中。
优选的，在所述获取所述请求信息中携带的第一图像后，所述方法还包括对所述第一图像执行第一加密处理，所述第一加密处理过程包括：
利用离散小波变换将所述第一图像在时域中分解为第一近似子带和第一细节子带；
对第一近似子带进行伪随机加密，并执行量化处理得到第二近似子带；
对第一细节子带进行Arnold变换加密，获得第二细节子带；
合并所述第二近似子带和所述第二细节子带数据，得到合并数据；
根据哈夫曼编码压缩所述合并数据形成比特流，基于所述比特流得到加密后的第一图像。
优选的，当监测到所述第二客户端在所述响应时限内上传第二图像时，获取所述第二客户端在所述响应时限内的轨迹信息，并将所述轨迹信息反馈至所述第三客户端。
为实现上述目的，本发明还提供一种基于图像识别的数据处理装置，该基于图像识别的数据处理装置包括：
接收模块：用于接收第一客户端发送的数据处理的请求信息，获取所述请求信息中携带的第一图像；
获取模块：用于响应所述第一客户端发送的所述请求信息向第二客户端发出预设指令，接收所述第二客户端反馈的确认信息，并实时监测所述第二客户端是否在预设的响应时限内上传第二图像；
监测模块：用于当监测到所述第二客户端在所述响应时限内上传第二图像时，分别将所述第一图像及所述第二图像输入预先训练的图像识别模型，得到所述第一图像的第一识别信息及所述第二图像的第二识别信息，其中，所述第一识别信息包括第一目标物的第一文本信息和第一位置信息，所述第二识别信息包括第二目标物的第二文本信息和第二位置信息；
反馈模块：用于对所述第一文本信息、所述第二文本信息、所述第一位置信息和所述第二位置信息进行对比，得到对比结果，基于所述对比结果，向所述第一客户端、所述第二客户端或预先关联设置的第三客户端反馈对应的提示信息。
为实现上述目的，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的基于图像识别的数据处理方法的任意步骤。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有基于图像识别的数据处理程序，所述基于图像识别的数据处理程序被处理器执行时，实现如上所述的基于图像识别的数据处理方法的任意步骤。
本发明提出的基于图像识别的数据处理方法、装置、设备及存储介质，通过关联用户及第三方的关键信息如拍照时间、拍照的地理位置等对第三方服务的真实性进行判断，再结合基于深度学习模型融合的优化算法对图像进行识别，可以在不用额外的监督信息的情况下识别出图像信息，在识别室外复杂环境中拍摄的图像，能够极大降低光线暗淡及环境嘈杂因素的影响，降低对拍摄的要求，提高识别正确率，可以快速识别出虚假的第三方服务。
附图说明
图1为本发明电子设备较佳实施例的示意图；
图2为图1中基于图像识别的数据处理装置较佳实施例的模块示意图；
图3为本发明基于图像识别的数据处理方法较佳实施例的流程图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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。
参照图1所示，为本发明电子设备1较佳实施例的示意图。
该电子设备1包括但不限于：存储器11、处理器12、显示器13及网络接口14。所述电子设备1通过网络接口14连接网络，获取原始数据。其中，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 Mobilecommunication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
其中，存储器11至少包括一种类型的可读存储介质，所述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，所述存储器11可以是所述电子设备1的内部存储单元，例如该电子设备1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述电子设备1的外部存储设备，例如该电子设备1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，所述存储器11还可以既包括所述电子设备1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11通常用于存储安装于所述电子设备1的操作***和各类应用软件，例如基于图像识别的数据处理程序10的程序代码等。此外，存储器11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12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12通常用于控制所述电子设备1的总体操作，例如执行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行基于图像识别的数据处理程序10的程序代码等。
显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode，OLED)触摸器等。显示器13用于显示在电子设备1中处理的信息以及用于显示可视化的工作界面，例如显示数据统计的结果。
网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，该网络接口14通常用于在所述电子设备1与其它电子设备之间建立通信连接。
图1仅示出了具有组件11-14以及基于图像识别的数据处理程序10的电子设备1，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。
可选地，所述电子设备1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
该电子设备1还可以包括射频(Radio Frequency，RF)电路、传感器和音频电路等等，在此不再赘述。
在上述实施例中，处理器12执行存储器11中存储的基于图像识别的数据处理程序10时可以实现如下步骤：
接收第一客户端发送的数据处理的请求信息，获取所述请求信息中携带的第一图像；
响应所述第一客户端发送的所述请求信息向第二客户端发出预设指令，接收所述第二客户端反馈的确认信息，并实时监测所述第二客户端是否在预设的响应时限内上传第二图像；
当监测到所述第二客户端在所述响应时限内上传第二图像时，分别将所述第一图像及所述第二图像输入预先训练的图像识别模型，得到所述第一图像的第一识别信息及所述第二图像的第二识别信息，其中，所述第一识别信息包括第一目标物的第一文本信息和第一位置信息，所述第二识别信息包括第二目标物的第二文本信息和第二位置信息；
对所述第一文本信息、所述第二文本信息、所述第一位置信息和所述第二位置信息进行对比，得到对比结果，基于所述对比结果，向所述第一客户端、所述第二客户端或预先关联设置的第三客户端反馈对应的提示信息。
所述存储设备可以为电子设备1的存储器11，也可以为与电子设备1通讯连接的其它存储设备。
关于上述步骤的详细介绍，请参照下述图2关于基于图像识别的数据处理装置100实施例的功能模块图以及图3关于基于图像识别的数据处理方法实施例的流程图的说明。
参照图2所示，为本发明基于图像识别的数据处理装置100的功能模块图。
本发明所述基于图像识别的数据处理装置100可以安装于电子设备中。根据实现的功能，所述基于图像识别的数据处理装置100可以包括接收模块110、获取模块120、监测模块130及反馈模块140。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
接收模块110，用于接收第一客户端发送的数据处理的请求信息，获取所述请求信息中携带的第一图像。
在本实施例中，以保险行业的非事故救援服务对本方案进行说明，接收模块接收第一客户端发送的数据处理的请求信息，该请求可以是在用户需要非事故救援服务时在客户端上触发的请求，当用户在客户端触发了救援请求时，需要拍摄现场图像并上传，获取第一客户端上传的第一图像后解析该图像可以获取该图像相关联的地理位置信息、拍摄时间、案件号等信息。其中，第一客户端可以是用户安装的APP。
在一个实施例中，为了防止用户通过外挂软件篡改图像的信息进行造假，还可以对第一图像进行加密处理，使得该图像的信息难以被篡改，降低图像信息泄露的风险，具体的：
利用离散小波变换将所述第一图像在时域中分解为第一近似子带和第一细节子带；
对第一近似子带进行伪随机加密，并执行量化处理得到第二近似子带；
对第一细节子带进行Arnold变换加密，获得第二细节子带；
合并所述第二近似子带和所述第二细节子带数据，得到合并数据；
根据哈夫曼编码压缩所述合并数据形成比特流，基于所述比特流得到加密后的第一图像。
在一个实施例中，为了进一步保证第一图像的安全性，可以将加密后的第一图像，及第一图像对应的位置信息和拍摄时间等数据存储于一区块链的节点中。或者将拍摄完成的第一图像上传至区块链第一节点进行加密处理，具体地：
区块链的第一节点生成加密算法的密钥，基于使用所述密钥的加密算法对第一图像进行加密，生成加密后的第一加密图像；
利用所述第一节点和区块链中与所述第一节点关联的第二节点的非对称密钥对的公钥加密所述密钥，生成相应的密钥密文；
将所述第一加密图像及所述密钥密文作为区块链数据存储至区块链相应的区块中。
可以理解的是，第一节点并不限定是具体的某一个节点，也不限于是一个节点的处理。例如，A节点对第一图像进行加密处理时，则A节点属于第一节点；下一次加密处理时节点C对第一图像进行加密处理，则节点C属于第一节点。
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。其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。
获取模块120，用于响应所述第一客户端发送的所述请求信息向第二客户端发出预设指令，接收所述第二客户端反馈的确认信息，并实时监测所述第二客户端是否在预设的响应时限内上传第二图像。
在本实施例中，接收到第一客户端上传的图像信息时，向第二客户端发出预设指令，第二客户端可以是救援方安装的APP，当接收到第二客户端基于该预设指令的响应信息时，获取第二客户端所在的位置信息，为了防止第二客户端即救援方配合第一客户端造假的情况，预先建立映射关系表，映射关系表中存储了每种位置距离(即第一图像相关联的位置与第二客户端所在的位置的距离)对应的响应时限，如果第二客户端在响应时限之前就上传了第二图像，说明存在造假的可能。根据第一图像的关联位置信息、第二客户端所在的位置信息从预设的映射关系表中读取第二客户端的响应时限，并实时监测所述第二客户端是否在所述响应时限内上传第二图像，当未监测到第二客户端在响应时限内上传第二图像时，还可以向第二客户端发送预设提示信息，以提醒救援方尽快救援，其中，第二图像是指救援方将事故车辆运至拖车的图像。
监测模块130，用于当监测到所述第二客户端在所述响应时限内上传第二图像时，分别将所述第一图像及所述第二图像输入预先训练的图像识别模型，得到所述第一图像的第一识别信息及所述第二图像的第二识别信息，其中，所述第一识别信息包括第一目标物的第一文本信息和第一位置信息，所述第二识别信息包括第二目标物的第二文本信息和第二位置信息。
在本实施例中，当监测到第二客户端在响应时限内上传了第二图像时，分别将第一图像及第二图像输入预先训练的图像识别模型，得到第一图像的第一识别信息及第二图像的第二识别信息，其中，第一识别信息包括第一目标物的第一文本信息和第一位置信息，第二识别信息包括第二目标物的第二文本信息和第二位置信息，第一文本信息和第文本信息可以是拖车及事故车辆的车牌号码，第二位置信息用于与第一位置信息进行对比，进一步确定第二客户端对应的救援人员是否到达了发起救援请求用户的位置。
其中，预先训练好的图像识别模型为深度学习模型融合的优化算法，所述图像识别模型识别图像时的具体流程如下：
A1：利用卷积神经网络从图像中提取图像特征V1；
A2：建立视觉注意力模型，将步骤A1的图像特征V1输入到视觉注意力模型中，得到经过视觉注意力模型处理后的图像特征V2；若检测到存在字符，则将步骤A1的图像特征V1和t-1时刻输入预先建立的语义注意力模型生成的字符Wt-1输入到视觉注意力模型中，得到经过视觉注意力模型处理后的图像特征V2；
A3：建立第一长短期记忆网络，第一长短期记忆网络是供视觉注意力模型使用的长短期记忆网络，将所述第一长短期记忆网络的t-1时刻的隐藏层状态和经过视觉注意力模型处理以后的图像特征V2输入第一长短期记忆网络，得到视觉注意力模型在t时刻产生的文字Wt'；
A4：将视觉注意力模型在t时刻产生的文字Wt'与预定义的标签A一起输入至预先建立的语义注意力模型中，得到语义注意力模型在t时刻生成的语义信息Et；
A5：建立第二长短期记忆网络，第二长短期记忆网络是供语义注意力模型使用的长短期记忆网络，将第二长短期记忆网络在t-1时刻的隐藏层的状态和语义注意力模型在t时刻生成的语义信息Et输入到第二长短期记忆网络中，得到语义注意力模型在t时刻生成的字符Wt；
A6：判断是否检测到停止识别的指令，若是，则将得到的所有字符进行拼接组合得到文本信息；若不是，则用步骤A5得到的字符Wt更新步骤A2中的Wt-1，同时返回步骤A2，继续执行步骤A2-A5，直至检测到停止识别的指令。
基于深度学习模型融合的优化算法对图像进行识别，可以在不需要额外的监督信息的情况下识别单个字符，在识别室外复杂环境中拍摄的图像时，能降低光线暗淡及环境嘈杂因素的影响，提高识别正确率
在一个实施例中，监测模块还用于当监测到所述第二客户端在所述响应时限内上传第二图像时，获取所述第二客户端在所述响应时限内的轨迹信息，并将所述轨迹信息反馈至所述第三客户端。
反馈模块140，用于对所述第一文本信息、所述第二文本信息、所述第一位置信息和所述第二位置信息进行对比，得到对比结果，基于所述对比结果，向所述第一客户端、所述第二客户端或预先关联设置的第三客户端反馈对应的提示信息。
在本实施例中，对第一文本信息、第二文本信息、第一位置信息和第二位置信息进行对比，得到对比结果，基于对比结果向第一客户端、第二客户端或预先关联设置的第三客户端反馈对应的提示信息，具体地，判断所述第一文本信息及所述第二文本信息是否相同，若相同，再判断所述第一位置信息与所述第二位置信息是否相同，若不同，向第三客户端反馈第一提示信息。
判断第一图像的文本信息及第二图像的文本信息是否相同，当两个图像识别出信息(例如，车牌号码)不相同时，说明发起救援请求的用户拍摄的车辆与救援人员执行救援的车辆不是同一车辆，此时可向用户对应的第一客户端及救援人员对应的第二客户端发送第一预设提示信息(例如，警告信息)，并将该警告信息及该用户与救援人员的标识存储至预设数据库，以记录该造假行为，当第一图像的文本信息及第二图像的文本信息相同时，说明用户拍摄的车辆与救援人员执行救援的车辆是同一车辆，为了进一步验证救援情况的真实性，再判断第一位置信息与第二位置信息是否相同，若不同时，向预先确定的第三客户端发送第一预设提示信息，本实施例中，第三客户端可以是服务商安装的APP，用于监控救援方的救援情况。
在一个实施例中，该装置还包括判断模块，用于当判断所述第一位置信息与所述第二位置信息相同时，分别获取第一图像对应的第一拍摄时间及所述第二图像对应的第二拍摄时间，计算所述第一拍摄时间与所述第二拍摄时间的时间差，判断所述时间差与所述响应时限的差值是否大于预设阈值，当判断所述时间差与所述响应时限的差值大于预设阈值时，向所述第二客户端反馈第二提示信息。
第二图像是指救援方将事故车辆放上拖车时拍摄的图像，即救援完成时的拍摄，计算第二图像与第一图像的时间差可得知用户从发起救援请求到完成救援的时长，判断完成救援的时长与上述响应时限的差值是否大于预设阈值，若大于，说明救援花费了较长的时间，因此可以向第二客户端发送相关的提示信息。
进一步地，判断模块还用于当判断所述时间差与所述响应时限的差值小于或等于预设阈值时，将所述第二客户端对应的用户标识添加至预设的数据表。当判断时间差与响应时限的差值小于或等于预设阈值时，说明救援费在规定时间内完成了救援，因此可以将第二客户端对应的用户标识(例如，救援师傅的ID)添加至预设数据表，预设数据表可以是指在规定时间内完成救援的用户列表。
此外，本发明还提供一种基于图像识别的数据处理方法。参照图3所示，为本发明基于图像识别的数据处理方法的实施例的方法流程示意图。电子设备1的处理器12执行存储器11中存储的基于图像识别的数据处理程序10时实现基于图像识别的数据处理方法的如下步骤：
步骤S10：接收第一客户端发送的数据处理的请求信息，获取所述请求信息中携带的第一图像。
在本实施例中，以电子设备为服务器，以保险行业的非事故救援服务对本方案进行说明，对本方案进行说明，服务器接收第一客户端发送的数据处理的请求信息，该请求可以是在用户需要非事故救援服务时在客户端上触发的请求，当用户在客户端触发了救援请求时，需要拍摄现场图像并上传，服务器获取第一客户端上传的第一图像后解析该图像可以获取该图像的地理位置信息、拍摄时间、案件号等信息。其中，第一客户端可以是用户安装的APP。
在一个实施例中，为了防止用户通过外挂软件篡改图像的信息进行造假，还可以对第一图像进行加密处理，使得该图像的信息难以被篡改，降低图像信息泄露的风险，具体的：
利用离散小波变换将所述第一图像在时域中分解为第一近似子带和第一细节子带；
对第一近似子带进行伪随机加密，并执行量化处理得到第二近似子带；
对第一细节子带进行Arnold变换加密，获得第二细节子带；
合并所述第二近似子带和所述第二细节子带数据，得到合并数据；
根据哈夫曼编码压缩所述合并数据形成比特流，基于所述比特流得到加密后的第一图像。
在一个实施例中，为了进一步保证第一图像的安全性，可以将加密后的第一图像，及第一图像对应的位置信息和拍摄时间等数据存储于一区块链的节点中。或者将拍摄完成的第一图像上传至区块链第一节点进行加密处理，具体地：
区块链的第一节点生成加密算法的密钥，基于使用所述密钥的加密算法对第一图像进行加密，生成加密后的第一加密图像；
利用所述第一节点和区块链中与所述第一节点关联的第二节点的非对称密钥对的公钥加密所述密钥，生成相应的密钥密文；
将所述第一加密图像及所述密钥密文作为区块链数据存储至区块链相应的区块中。
可以理解的是，第一节点并不限定是具体的某一个节点，也不限于是一个节点的处理。例如，A节点对第一图像进行加密处理时，则A节点属于第一节点；下一次加密处理时节点C对第一图像进行加密处理，则节点C属于第一节点。
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。其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。
步骤S20：响应所述第一客户端发送的所述请求信息向第二客户端发出预设指令，接收所述第二客户端反馈的确认信息，并实时监测所述第二客户端是否在预设的响应时限内上传第二图像。
在本实施例中，服务器接收到第一客户端上传的图像信息时，向第二客户端发出预设指令，第二客户端可以是救援方安装的APP，当服务器接收到第二客户端基于该预设指令的响应信息时，获取第二客户端所在的位置信息，为了防止第二客户端即救援方配合第一客户端造假的情况，预先建立映射关系表，映射关系表中存储了每种位置距离(即第一图像相关联的位置与第二客户端所在的位置的距离)对应的响应时限，如果第二客户端在响应时限之前就上传了第二图像，说明存在造假的可能。根据第一位置信息、第二客户端所在的位置信息从预设的映射关系表中读取第二客户端的响应时限，并实时监测所述第二客户端是否在所述响应时限内上传第二图像，当未监测到第二客户端在响应时限内上传第二图像时，还可以向第二客户端发送预设提示信息，以提醒救援方尽快救援，其中，第二图像是指救援方将事故车辆运至拖车的图像。
步骤S30：当监测到所述第二客户端在所述响应时限内上传第二图像时，分别将所述第一图像及所述第二图像输入预先训练的图像识别模型，得到所述第一图像的第一识别信息及所述第二图像的第二识别信息，其中，所述第一识别信息包括第一目标物的第一文本信息和第一位置信息，所述第二识别信息包括第二目标物的第二文本信息和第二位置信息。
在本实施例中，当监测到第二客户端在响应时限内上传了第二图像时，分别将第一图像及第二图像输入预先训练的图像识别模型，得到第一图像的第一识别信息及第二图像的第二识别信息，其中，第一识别信息包括第一目标物的第一文本信息和第一位置信息，第二识别信息包括第二目标物的第二文本信息和第二位置信息，第一文本信息和第文本信息可以是拖车及事故车辆的车牌号码，第二位置信息用于与第一位置信息进行对比，进一步确定第二客户端对应的救援人员是否到达了发起救援请求用户的位置。
其中，预先训练好的图像识别模型为深度学习模型融合的优化算法，所述图像识别模型识别图像时的具体流程如下：
A1：利用卷积神经网络从图像中提取图像特征V1；
A2：建立视觉注意力模型，将步骤A1的图像特征V1输入到视觉注意力模型中，得到经过视觉注意力模型处理后的图像特征V2；若检测到存在字符，则将步骤A1的图像特征V1和t-1时刻输入预先建立的语义注意力模型生成的字符Wt-1输入到视觉注意力模型中，得到经过视觉注意力模型处理后的图像特征V2；
A3：建立第一长短期记忆网络，第一长短期记忆网络是供视觉注意力模型使用的长短期记忆网络，将所述第一长短期记忆网络的t-1时刻的隐藏层状态和经过视觉注意力模型处理以后的图像特征V2输入第一长短期记忆网络，得到视觉注意力模型在t时刻产生的文字Wt'；
A4：将视觉注意力模型在t时刻产生的文字Wt'与预定义的标签A一起输入至预先建立的语义注意力模型中，得到语义注意力模型在t时刻生成的语义信息Et；
A5：建立第二长短期记忆网络，第二长短期记忆网络是供语义注意力模型使用的长短期记忆网络，将第二长短期记忆网络在t-1时刻的隐藏层的状态和语义注意力模型在t时刻生成的语义信息Et输入到第二长短期记忆网络中，得到语义注意力模型在t时刻生成的字符Wt；
A6：判断是否检测到停止识别的指令，若是，则将得到的所有字符进行拼接组合得到文本信息；若不是，则用步骤A5得到的字符Wt更新步骤A2中的Wt-1，同时返回步骤A2，继续执行步骤A2-A5，直至检测到停止识别的指令。
基于深度学习模型融合的优化算法对图像进行识别，可以在不需要额外的监督信息的情况下识别单个字符，在识别室外复杂环境中拍摄的图像时，能降低光线暗淡及环境嘈杂因素的影响，提高识别正确率
在一个实施例中，当监测到所述第二客户端在所述响应时限内上传第二图像时，获取所述第二客户端在所述响应时限内的轨迹信息，并将所述轨迹信息反馈至所述第三客户端。通过轨迹信息可以进一步判断第二客户端是否在响应时限内到达第一图像相关联的位置。
步骤S40：对所述第一文本信息、所述第二文本信息、所述第一位置信息和所述第二位置信息进行对比，得到对比结果，基于所述对比结果，向所述第一客户端、所述第二客户端或预先关联设置的第三客户端反馈对应的提示信息。
在本实施例中，对第一文本信息、第二文本信息、第一位置信息和第二位置信息进行对比，得到对比结果，基于对比结果向第一客户端、第二客户端或预先关联设置的第三客户端反馈对应的提示信息，具体地，判断所述第一文本信息及所述第二文本信息是否相同，若相同，再判断所述第一位置信息与所述第二位置信息是否相同，若不同，向第三客户端反馈第一提示信息。
判断第一图像的文本信息及第二图像的文本信息是否相同，当两个图像识别信息(例如，车牌号码)不相同时，说明发起救援请求的用户拍摄的车辆与救援人员执行救援的车辆不是同一车辆，此时可向用户对应的第一客户端及救援人员对应的第二客户端发送第一预设提示信息(例如，警告信息)，并将该警告信息及该用户与救援人员的标识存储至预设数据库，以记录该造假行为，当第一图像的文本信息及第二图像的文本信息相同时，说明用户拍摄的车辆与救援人员执行救援的车辆是同一车辆，为了进一步验证救援情况的真实性，再判断第一位置信息与第二位置信息是否相同，若不同时，向预先确定的第三客户端发送第一预设提示信息，本实施例中，第三客户端可以是服务商安装的APP，用于监控救援方的救援情况。
在一个实施例中，该方法还包括判断步骤，当判断所述第一位置信息与所述第二位置信息相同时，分别获取第一图像对应的第一拍摄时间及所述第二图像对应的第二拍摄时间，计算所述第一拍摄时间与所述第二拍摄时间的时间差，判断所述时间差与所述响应时限的差值是否大于预设阈值，当判断所述时间差与所述响应时限的差值大于预设阈值时，向所述第二客户端发送第二预设提示信息。
第二图像是指救援方将事故车辆放上拖车时拍摄的图像，即救援完成时的拍摄，计算第二图像与第一图像的时间差可得知用户从发起救援请求到完成救援的时长，判断完成救援的时长与上述响应时限的差值是否大于预设阈值，若大于，说明救援花费了较长的时间，因此可以向第二客户端发送相关的提示信息。
进一步地，该方法还包括当判断所述时间差与所述响应时限的差值小于或等于预设阈值时，将所述第二客户端对应的用户标识添加至预设的数据表。当判断时间差与响应时限的差值小于或等于预设阈值时，说明救援费在规定时间内完成了救援，因此可以将第二客户端对应的用户标识(例如，救援师傅的ID)添加至预设数据表，预设数据表可以是指在规定时间内完成救援的用户列表。
此外，本发明实施例还提出一种计算机可读存储介质，该计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有基于图像识别的数据处理程序10，所述基于图像识别的数据处理程序10被处理器执行时实现如下操作：
接收第一客户端发送的数据处理的请求信息，获取所述请求信息中携带的第一图像；
响应所述第一客户端发送的所述请求信息向第二客户端发出预设指令，接收所述第二客户端反馈的确认信息，并实时监测所述第二客户端是否在预设的响应时限内上传第二图像；
当监测到所述第二客户端在所述响应时限内上传第二图像时，分别将所述第一图像及所述第二图像输入预先训练的图像识别模型，得到所述第一图像的第一识别信息及所述第二图像的第二识别信息，其中，所述第一识别信息包括第一目标物的第一文本信息和第一位置信息，所述第二识别信息包括第二目标物的第二文本信息和第二位置信息；
对所述第一文本信息、所述第二文本信息、所述第一位置信息和所述第二位置信息进行对比，得到对比结果，基于所述对比结果，向所述第一客户端、所述第二客户端或预先关联设置的第三客户端反馈对应的提示信息。
在另一个实施例中，本发明所提供的基于图像识别的数据处理方法，为进一步保证上述所有出现的数据的私密和安全性，上述所有数据还可以存储于一区块链的节点中。例如第一图像、第二图像、位置信息及拍摄时间等等，这些数据均可存储在区块链节点中。
需要说明的是，本发明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。
本发明之计算机可读存储介质的具体实施方式与上述基于图像识别的数据处理方法的具体实施方式大致相同，在此不再赘述。
需要说明的是，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。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，电子装置，或者网络设备等)执行本发明各个实施例所述的方法。
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 (9)

1.一种基于图像识别的数据处理方法，应用于电子设备，其特征在于，所述方法包括：
接收第一客户端发送的数据处理的请求信息，获取所述请求信息中携带的第一图像；
响应所述第一客户端发送的所述请求信息向第二客户端发出预设指令，接收所述第二客户端反馈的确认信息，并实时监测所述第二客户端是否在预设的响应时限内上传第二图像；
当监测到所述第二客户端在所述响应时限内上传第二图像时，分别将所述第一图像及所述第二图像输入预先训练的图像识别模型，得到所述第一图像的第一识别信息及所述第二图像的第二识别信息，其中，所述第一识别信息包括第一目标物的第一文本信息和第一位置信息，所述第二识别信息包括第二目标物的第二文本信息和第二位置信息；
对所述第一文本信息、所述第二文本信息、所述第一位置信息和所述第二位置信息进行对比，得到对比结果，基于所述对比结果，向所述第一客户端、所述第二客户端或预先关联设置的第三客户端反馈对应的提示信息；
其中，预先训练好的图像识别模型为深度学习模型融合的优化算法，所述图像识别模型识别图像时的具体流程如下：A1：利用卷积神经网络从图像中提取图像特征V1；A2：建立视觉注意力模型，将步骤A1的图像特征V1输入到视觉注意力模型中，得到经过视觉注意力模型处理后的图像特征V2；若检测到存在字符，则将步骤A1的图像特征V1和t-1时刻输入预先建立的语义注意力模型生成的字符Wt-1输入到视觉注意力模型中，得到经过视觉注意力模型处理后的图像特征V2；A3：建立第一长短期记忆网络，第一长短期记忆网络是供视觉注意力模型使用的长短期记忆网络，将所述第一长短期记忆网络的t-1时刻的隐藏层状态和经过视觉注意力模型处理以后的图像特征V2输入第一长短期记忆网络，得到视觉注意力模型在t时刻产生的文字Wt'；A4：将视觉注意力模型在t时刻产生的文字Wt'与预定义的标签A一起输入至预先建立的语义注意力模型中，得到语义注意力模型在t时刻生成的语义信息Et；A5：建立第二长短期记忆网络，第二长短期记忆网络是供语义注意力模型使用的长短期记忆网络，将第二长短期记忆网络在t-1时刻的隐藏层的状态和语义注意力模型在t时刻生成的语义信息Et输入到第二长短期记忆网络中，得到语义注意力模型在t时刻生成的字符Wt；A6：判断是否检测到停止识别的指令，若是，则将得到的所有字符进行拼接组合得到文本信息；若不是，则用步骤A5得到的字符Wt更新步骤A2中的Wt-1，同时返回步骤A2，继续执行步骤A2-A5，直至检测到停止识别的指令；
在所述获取所述请求信息中携带的第一图像后，所述方法还包括对所述第一图像执行第一加密处理，所述第一加密处理过程包括：利用离散小波变换将所述第一图像在时域中分解为第一近似子带和第一细节子带；对第一近似子带进行伪随机加密，并执行量化处理得到第二近似子带；对第一细节子带进行Arnold变换加密，获得第二细节子带；合并所述第二近似子带和所述第二细节子带数据，得到合并数据；根据哈夫曼编码压缩所述合并数据形成比特流，基于所述比特流得到加密后的第一图像。
2.如权利要求1所述的基于图像识别的数据处理方法，其特征在于，所述对所述第一文本信息、所述第二文本信息、所述第一位置信息和所述第二位置信息进行对比，得到对比结果，基于所述对比结果，向所述第一客户端、所述第二客户端或预先关联设置的第三客户端反馈对应的提示信息包括：
判断所述第一文本信息及所述第二文本信息是否相同；
若相同，再判断所述第一位置信息与所述第二位置信息是否相同；
若不同，向所述第三客户端反馈第一提示信息。
3.如权利要求2所述的基于图像识别的数据处理方法，其特征在于，所述对所述第一文本信息、所述第二文本信息、所述第一位置信息和所述第二位置信息进行对比，得到对比结果，基于所述对比结果，向所述第一客户端、所述第二客户端或预先关联设置的第三客户端反馈对应的提示信息还包括：
当判断所述第一位置信息与所述第二位置信息相同时，分别获取第一图像对应的第一拍摄时间及所述第二图像对应的第二拍摄时间；
计算所述第一拍摄时间与所述第二拍摄时间的时间差；
判断所述时间差与所述响应时限的差值是否大于预设阈值，当判断所述时间差与所述响应时限的差值大于预设阈值时，向所述第二客户端反馈第二提示信息。
4.如权利要求3所述的基于图像识别的数据处理方法，其特征在于，所述判断所述时间差与所述响应时限的差值是否大于预设阈值还包括：
当判断所述时间差与所述响应时限的差值小于或等于预设阈值时，将所述第二客户端对应的用户标识添加至预设的数据表。
5.如权利要求1至4中任意一项所述的基于图像识别的数据处理方法，其特征在于，在所述获取所述请求信息中携带的第一图像之后，所述方法还包括将第一图像上传至区块链的第一节点执行第二加密处理，所述第二加密处理过程包括：
区块链的第一节点生成加密算法的密钥，基于使用所述密钥的加密算法对第一图像进行加密，生成加密后的第一加密图像；
利用所述第一节点和区块链中与所述第一节点关联的第二节点的非对称密钥对的公钥加密所述密钥，生成相应的密钥密文；
将所述第一加密图像及所述密钥密文作为区块链数据存储至区块链相应的区块中。
6.如权利要求1所述的基于图像识别的数据处理方法，其特征在于，当监测到所述第二客户端在所述响应时限内上传第二图像时，获取所述第二客户端在所述响应时限内的轨迹信息，并将所述轨迹信息反馈至所述第三客户端。
7.一种基于图像识别的数据处理装置，用于实现如权利要求1至6中任一项所述的基于图像识别的数据处理方法，其特征在于，所述装置包括：
接收模块：用于接收第一客户端发送的数据处理的请求信息，获取所述请求信息中携带的第一图像；
获取模块：用于响应所述第一客户端发送的所述请求信息向第二客户端发出预设指令，接收所述第二客户端反馈的确认信息，并实时监测所述第二客户端是否在预设的响应时限内上传第二图像；
监测模块：用于当监测到所述第二客户端在所述响应时限内上传第二图像时，分别将所述第一图像及所述第二图像输入预先训练的图像识别模型，得到所述第一图像的第一识别信息及所述第二图像的第二识别信息，其中，所述第一识别信息包括第一目标物的第一文本信息和第一位置信息，所述第二识别信息包括第二目标物的第二文本信息和第二位置信息；
反馈模块：用于对所述第一文本信息、所述第二文本信息、所述第一位置信息和所述第二位置信息进行对比，得到对比结果，基于所述对比结果，向所述第一客户端、所述第二客户端或预先关联设置的第三客户端反馈对应的提示信息。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的基于图像识别的数据处理方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有基于图像识别的数据处理程序，所述基于图像识别的数据处理程序被处理器执行时，实现如权利要求1至6中任一项所述的基于图像识别的数据处理方法的步骤。
CN202010927099.5A 2020-09-07 2020-09-07 基于图像识别的数据处理方法、装置、设备及存储介质 Active CN112084932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010927099.5A CN112084932B (zh) 2020-09-07 2020-09-07 基于图像识别的数据处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010927099.5A CN112084932B (zh) 2020-09-07 2020-09-07 基于图像识别的数据处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112084932A CN112084932A (zh) 2020-12-15
CN112084932B true CN112084932B (zh) 2023-08-08

Family

ID=73733209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010927099.5A Active CN112084932B (zh) 2020-09-07 2020-09-07 基于图像识别的数据处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112084932B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936354B (zh) * 2022-05-20 2023-02-17 浙江云程信息科技有限公司 用于工程监管的信息处理方法及装置
CN116198235B (zh) * 2023-03-10 2024-01-23 广东铭钰科技股份有限公司 一种基于视觉处理的打码辅助定位检测设备及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106982372A (zh) * 2016-01-15 2017-07-25 ***通信集团福建有限公司 图像处理方法及设备
CN110070338A (zh) * 2019-04-16 2019-07-30 安徽博诺思信息科技有限公司 一种基于云计算的移动式考勤方法及***
CN110516664A (zh) * 2019-08-16 2019-11-29 咪咕数字传媒有限公司 票据识别方法、装置、电子设备及存储介质
CN110990801A (zh) * 2019-11-29 2020-04-10 深圳市商汤科技有限公司 信息校验方法及装置、电子设备和存储介质
WO2020140608A1 (zh) * 2019-01-04 2020-07-09 平安科技（深圳）有限公司 一种图像数据处理方法、设备及计算机可读存储介质
CN111476275A (zh) * 2020-03-17 2020-07-31 深圳壹账通智能科技有限公司 基于图片识别的目标检测方法、服务器及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101727137B1 (ko) * 2010-12-14 2017-04-14 한국전자통신연구원 텍스트 영역의 추출 방법, 추출 장치 및 이를 이용한 번호판 자동 인식 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106982372A (zh) * 2016-01-15 2017-07-25 ***通信集团福建有限公司 图像处理方法及设备
WO2020140608A1 (zh) * 2019-01-04 2020-07-09 平安科技（深圳）有限公司 一种图像数据处理方法、设备及计算机可读存储介质
CN110070338A (zh) * 2019-04-16 2019-07-30 安徽博诺思信息科技有限公司 一种基于云计算的移动式考勤方法及***
CN110516664A (zh) * 2019-08-16 2019-11-29 咪咕数字传媒有限公司 票据识别方法、装置、电子设备及存储介质
CN110990801A (zh) * 2019-11-29 2020-04-10 深圳市商汤科技有限公司 信息校验方法及装置、电子设备和存储介质
CN111476275A (zh) * 2020-03-17 2020-07-31 深圳壹账通智能科技有限公司 基于图片识别的目标检测方法、服务器及存储介质

Also Published As

Publication number Publication date
CN112084932A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN109902575B (zh) 基于无人驾驶车辆的防拐卖方法、装置及相关设备
CN112084932B (zh) 基于图像识别的数据处理方法、装置、设备及存储介质
US9779284B2 (en) Privacy-preserving evidence in ALPR applications
RU2016148406A (ru) Проверка изображений, захваченных с использованием временной метки, декодированной из освещения от модулированного источника света
CN110232574A (zh) 基于区块链的产品验证方法、装置、设备及存储介质
CN112650875A (zh) 房产图片验证方法、装置、计算机设备及存储介质
CN110599180A (zh) 一种基于区块链的疫苗流通管理方法及装置
CN111311176B (zh) 车辆维修审核方法、装置、维修端设备、服务器及介质
JP2022115892A (ja) 情報処理システム、情報コード生成システム、情報処理方法、及び情報コード生成方法
CN107302434B (zh) 电子签章的校验方法及***
US8300104B2 (en) Event announcing system and operating method thereof
CN111224865B (zh) 基于付费会话的用户识别方法、电子装置及存储介质
CN112511632A (zh) 基于多源数据的对象推送方法、装置、设备及存储介质
CN114466362B (zh) 基于BiLSTM的5G通信下垃圾短信过滤方法及装置
CN115456812A (zh) 一种智慧工地管理方法、装置、设备及介质
US20220293123A1 (en) Systems and methods for authentication using sound-based vocalization analysis
CN115424350A (zh) 违章行为识别方法、计算机设备和计算机可读存储介质
CN115798003A (zh) 身份核对方法、设备及存储介质
CN115426350A (zh) 图像上传方法、图像上传装置、电子设备和存储介质
CN112085469B (zh) 基于向量机模型的数据审批方法、装置、设备及存储介质
CN114549221A (zh) 车辆事故损失处理方法、装置、计算机设备及存储介质
CN110580423B (zh) 智能设备的个性化配置方法及装置、电子设备、存储介质
CN110570535A (zh) 打卡管理方法及相关装置
CN116664081B (zh) 基于快办识别的案件数据固证处理方法、装置及设备
CN114553684B (zh) 网点运维方法、装置、计算机设备、存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant