一种基于深度学习的特写图识别方法及系统与流程

1.本发明涉及图像处理和深度学习技术领域，特别是一种基于深度学习的特写图识别方法及系统。


背景技术：

2.在实际应用如交通违法证据图片审核中，各地不同设备、不同违法类别设定的制造违法证据拼图的规则不一样，其中大部分设备会在拼图里提供1到5张特写证据子图(少部分甚至没有特写图)，而剩下的子图则组成了按时间顺序排列的违法证据图片流。特写图可以提供帮助找到违法车辆、识别违法车辆车牌号等功能，剩下的子图则提供判断违法过程逻辑、补充识别车牌等信息的功能。显然，误插入时间顺序子图证据链的特写图，或者误识别为特写图的非特写图，会导致智能审核算法得出不正确的结果。因此，需要在对拼图拆分后的原始子图里准确区分出特写图与非特写图。
3.对于此类问题，传统方法一般使用传统的图像处理算法，如计算图片特征如hog、harr等来判断相似度、使用sift特征来匹配关键点，或者甚至统计特写图分布来给出经验位置等。
4.但是传统方法准确率低，局限性强，需要调整大量经验性参数，全部需要强假设如固定特写图个数、存在子图能匹配上特写图等；例如，特征法的特征在很多场景下效果并不是很好，sift法无法处理不来自于特定子图局部放大的特写图；全部传统方法都不能很好地处理特写图个数不定的情况，如没有特写图，或多个特写图。


技术实现要素：

5.有鉴于此，本发明提供了一种基于深度学习的特写图识别方法及系统，可以快速有效地对违法证据链中的特写图进行识别，鲁棒性高、效果好。
6.本发明公开了一种基于深度学习的特写图识别方法，包括：
7.将待区分的拼图拆分成待区分的原始子图组；
8.将所述原始子图组输入训练好的分类模型中，判断每张原始子图是否为特写图。
9.优选地，所述分类模型的训练步骤包括：
10.采集拼图原图；
11.根据所述拼图原图，将每组原始子图中的每张子图分为不同的类别；
12.根据每组原始子图中的每张子图，得到训练好的分类模型。
13.优选地，所述采集拼图原图包括：
14.采集来自各种设备的不同拼图与特写模式的白天、夜间违法证据链图片拼图原图。
15.优选地，所述根据所述拼图原图，将每组原始子图中的每张子图分为不同的类别，包括：
16.将每个所述拼图原图均拆成一组原始子图；
17.通过人工标注将每组原始子图中所有原始子图分为不同的类别。
18.优选地，通过人工标注将每组原始子图中所有原始子图分为不同的类别，包括：
19.若原始子图为特写图类，则其对应的类别标注为0；
20.若原始子图为非特写图类，则其对应的类别标注为1。
21.优选地，所述根据每组原始子图中的每张子图，得到训练好的分类模型，包括：
22.当每组原始子图中的原始子图数量不足8张时，用全黑假子图填充；
23.将每组原始子图中的每张子图均缩放到固定尺寸，然后依次将每张缩放后的子图沿着其长度的方向进行横向拼接，得到横向拼接图；其中，全黑假子图对应的类别标注为-1；
24.根据所述横向拼接图中的每张子图对应的类别，得到训练好的分类模型。
25.优选地，所述根据所述横向拼接图中的每张子图对应的类别，得到训练好的分类模型，包括：
26.从左到右根据所述横向拼接图中的每个子图对应的类别，设定所述横向拼接图的标签；
27.将所述横向拼接图及其对应的标签输入至深度卷据神经网络提取特征，得到1*8的特征图；
28.用得到的1*8的特征图做像素级别的分类模型训练，得到训练好的分类模型。
29.优选地，所述全黑假子图对应的标签为-1；当训练分类模型时，忽略-1标签。
30.优选地，所述判断每张原始子图是否为特写图，包括：
31.若原始子图对应的类别为0时，则原始子图被判定为特写图；
32.若原始子图对应的类别为1时，则原始子图被判定为非特写图。
33.本发明还公开了一种基于深度学习的特写图识别系统，包括：
34.拆分模块，用于将待区分的拼图拆分成待区分的原始子图组；
35.判断模块，用于将所述原始子图组输入训练好的分类模型中，判断每张原始子图是否为特写图。
36.由于采用了上述技术方案，本发明具有如下的优点：可以快速有效地对违法证据链中的特写图进行识别，鲁棒性高、效果好，基于gpu或npu的模型计算速度快，且能顺利处理不同张数特写图的场景。
附图说明
37.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
38.图1为本发明实施例的一种基于深度学习的特写图识别方法的流程示意图；
39.图2为本发明实施例的一种基于深度学习的特写图识别系统的结构示意图。
具体实施方式
40.结合附图和实施例对本发明作进一步说明，显然，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例，
都应当属于本发明实施例保护的范围。
41.参见图1，本发明提供了一种基于深度学习的特写图识别方法的实施例，具体地，该方法包括：
42.s101：将待区分的拼图拆分成待区分的原始子图组；
43.s102：将原始子图组输入训练好的分类模型中，判断每张原始子图是否为特写图。
44.本实施例中，分类模型的训练步骤包括：
45.采集拼图原图；
46.根据拼图原图，将每组原始子图中的每张子图分为不同的类别；
47.根据每组原始子图中的每张子图，得到训练好的分类模型。
48.本实施例中，采集拼图原图包括：
49.采集来自各种设备的不同拼图与特写模式的白天、夜间违法证据链图片拼图原图。
50.本实施例中，根据拼图原图，将每组原始子图中的每张子图分为不同的类别，包括：
51.将每个拼图原图均拆成一组原始子图；
52.通过人工标注将每组原始子图中所有原始子图分为不同的类别。
53.本实施例中，通过人工标注将每组原始子图中所有原始子图分为不同的类别，包括：
54.若原始子图为特写图类，则其对应的类别标注为0；
55.若原始子图为非特写图类，则其对应的类别标注为1。
56.本实施例中，根据每组原始子图中的每张子图，得到训练好的分类模型，包括：
57.当每组原始子图中的原始子图数量不足8张时，用全黑假子图填充；
58.将每组原始子图中的每张子图均缩放到固定尺寸，然后依次将每张缩放后的子图沿着其长度的方向进行横向拼接，得到横向拼接图；其中，全黑假子图对应的类别标注为-1；
59.根据横向拼接图中的每张子图对应的类别，得到训练好的分类模型。
60.本实施例中，根据横向拼接图中的每张子图对应的类别，得到训练好的分类模型，包括：
61.从左到右根据横向拼接图中的每个子图对应的类别，设定横向拼接图的标签；
62.将横向拼接图及其对应的标签输入至深度卷据神经网络提取特征，得到1*8的特征图；
63.用得到的1*8的特征图做像素级别的分类模型训练，得到训练好的分类模型。
64.本实施例中，全黑假子图对应的标签为-1；当训练分类模型时，忽略-1标签。
65.本实施例中，判断每张原始子图是否为特写图，包括：
66.若原始子图对应的类别为0时，则原始子图被判定为特写图；
67.若原始子图对应的类别为1时，则原始子图被判定为非特写图。
68.本发明还公开了一种基于深度学习的特写图识别系统，包括：
69.拆分模块201，用于将待区分的拼图拆分成待区分的原始子图组；
70.判断模块202，用于将原始子图组输入训练好的分类模型中，判断每张原始子图是
否为特写图。
71.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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，所述计算机可读记录介质包括用于以计算机(例如计算机)可读的形式存储或传送信息的任何机制。
72.最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。