基于深度学习的车牌脱敏方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种基于深度学习的车牌脱敏方法、装置、设备及存储介质，涉及人工智能技术领域，可解决目前在对车牌信息的进行脱敏时，工作量大、效率低，且出错率较高的技术问题。其中方法包括：将待进行车牌脱敏处理的第一车辆图片输入训练完成的深度学习模型，获取第一车辆图片中所包含目标车辆的车牌轮廓信息，其中，车牌轮廓信息用于表征目标车辆的车牌轮廓区域，车牌轮廓信息包括车牌轮廓类别、车牌轮廓位置坐标、车牌轮廓对应的像素点；根据车牌轮廓信息对第一车辆图片进行图像分割，得到车牌轮廓区域对应的车牌轮廓图片；基于车牌轮廓图片，并按照预设脱敏规则对车牌轮廓区域进行脱敏处理，得到车牌脱敏完成的第二车辆图片。图片。图片。

【技术实现步骤摘要】
基于深度学习的车牌脱敏方法、装置、设备及存储介质


[0001]本申请涉及人工智能
，尤其涉及到一种基于深度学习的车牌脱敏方法、装置、设备及存储介质。

技术介绍

[0002]线上卖车及线上展会需要对车辆图片进行展示，然而实际拍照场景比较复杂，导致车辆图片里会出现多个无关车辆，在车牌处还容易存在车商广告等干扰。为了保护车主隐私以及屏蔽别的车商的广告，需要对车牌及车牌广告做信息脱敏处理。
[0003]目前在对车牌信息的进行脱敏时，往往需要基于语义分割方法对图片上所有的点进行分类，进而由人工基于众多分类结果做后处理去选择占比最大或处于焦点位置的车牌区域，并对车牌区域手动进行脱敏处理。然而此种对图片上所有点进行分类的方式，会导致训练时的标注工作量巨大，且需要人工对分割结果做后处理，使工作效率较低，且易增加出错率。

技术实现思路

[0004]有鉴于此，本申请提供了一种基于深度学习的车牌脱敏方法、装置、设备及存储介质，可用于解决目前在进行车牌信息的脱敏处理时，工作量大、效率低，且出错率较高的技术问题。
[0005]根据本申请的一个方面，提供了一种基于深度学习的车牌脱敏方法，该方法包括：
[0006]将待进行车牌脱敏处理的第一车辆图片输入训练完成的深度学习模型，获取所述第一车辆图片中所包含目标车辆的车牌轮廓信息，其中，所述车牌轮廓信息用于表征所述目标车辆的车牌轮廓区域，所述车牌轮廓信息包括车牌轮廓类别、车牌轮廓位置坐标、车牌轮廓对应的像素点；
[0007]根据所述车牌轮廓信息对所述第一车辆图片进行图像分割，得到所述车牌轮廓区域对应的车牌轮廓图片；
[0008]基于所述车牌轮廓图片，并按照预设脱敏规则对所述车牌轮廓区域进行脱敏处理，得到车牌脱敏完成的第二车辆图片。
[0009]根据本申请的另一个方面，提供了一种基于深度学习的车牌脱敏装置，该装置包括：
[0010]获取模块，用于将待进行车牌脱敏处理的第一车辆图片输入训练完成的深度学习模型，获取所述第一车辆图片中所包含目标车辆的车牌轮廓信息，其中，所述车牌轮廓信息用于表征所述目标车辆的车牌轮廓区域，所述车牌轮廓信息包括车牌轮廓类别、车牌轮廓位置坐标、车牌轮廓对应的像素点；
[0011]分割模块，用于根据所述车牌轮廓信息对所述第一车辆图片进行图像分割，得到所述车牌轮廓区域对应的车牌轮廓图片；
[0012]第一处理模块，用于基于所述车牌轮廓图片，并按照预设脱敏规则对所述车牌轮
廓区域进行脱敏处理，得到车牌脱敏完成的第二车辆图片。
[0013]根据本申请的又一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于深度学习的车牌脱敏方法。
[0014]根据本申请的再一个方面，提供了一种计算机设备，包括可读存储介质、处理器及存储在可读存储介质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程序时实现上述基于深度学习的车牌脱敏方法。
[0015]借由上述技术方案，本申请提供的一种基于深度学习的车牌脱敏方法、装置、设备及存储介质，与目前车牌脱敏的方式相比，本申请可首先将待进行车牌脱敏处理的第一车辆图片输入训练完成的深度学习模型，获取第一车辆图片中所包含目标车辆的车牌轮廓信息；进而根据车牌轮廓信息对第一车辆图片进行图像分割，得到车牌轮廓区域对应的车牌轮廓图片；最后基于车牌轮廓图片，并按照预设脱敏规则对车牌轮廓区域进行脱敏处理，得到车牌脱敏完成的第二车辆图片。本申请中的技术方案，可将深度学习模型与感兴趣区域提取相结合，利用深度学习模型检测并分割车辆图片上的感兴趣区域，直接获取到车牌轮廓信息。由于基于深度学习的目标分割特征表达能力强，且不需要手动设计特征，端到端的网络流程简单、便于理解、容易训练，仅需要分割感兴趣目标，不仅能够降低标注工作量，训练难度也相应降低更有利于模型收敛。此外，在分割得到车牌轮廓图片后，可直接按照预设脱敏规则实现对车牌轮廓区域的快速脱敏处理，不需要人工大量参与，进而可提高脱敏处理的工作效率，降低出错率。
[0016]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0017]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本地申请的不当限定。在附图中：
[0018]图1示出了本申请实施例提供的一种基于深度学习的车牌脱敏方法的流程示意图；
[0019]图2示出了本申请实施例提供的另一种基于深度学习的车牌脱敏方法的流程示意图；
[0020]图3示出了本申请实施例提供的一种基于深度学习的车牌脱敏的原理流程示意图；
[0021]图4示出了本申请实施例提供的一种基于深度学习的车牌脱敏装置的结构示意图；
[0022]图5示出了本申请实施例提供的另一种基于深度学习的车牌脱敏装置的结构示意图。
具体实施方式
[0023]本申请实施例可以基于人工智能技术对车牌信息进行脱敏处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸
和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。本申请应用于人工智能软件技术中的深度学习技术。
[0024]下文将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。
[0025]针对目前在对车牌信息的进行脱敏时，工作量大、效率低，且出错率较高的技术问题，本申请提供了一种基于深度学习的车牌脱敏方法，如图1所示，该方法包括：
[0026]101、将待进行车牌脱敏处理的第一车辆图片输入训练完成的深度学习模型，获取第一车辆图片中所包含目标车辆的车牌轮廓信息，其中，车牌轮廓信息用于表征目标车辆的车牌轮廓区域，车牌轮廓信息包括车牌轮廓类别、车牌轮廓位置坐标、车牌轮廓对应的像素点。
[0027]其中，第一车辆图片为采集到的至少包含一个完整车牌的车辆图片，本申请旨在对第一车辆图片中的车牌信息进行脱敏处理，脱敏处理是指通过一定方法在车辆图片上消除或遮盖车牌敏感信息(如车牌号)，以防止车牌敏感信息随着第一车辆图片的曝光而发生信息泄露。对于本实施例，由于本申请中不关注车牌之外的其他类别，故在本实施例中可仅设置车牌轮廓这一个类别，即车牌轮廓类别对应为“是”或“否”，当车牌轮廓类别对应为“是”时，车牌轮廓信息还包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的车牌脱敏方法，其特征在于，包括：将待进行车牌脱敏处理的第一车辆图片输入训练完成的深度学习模型，获取所述第一车辆图片中所包含目标车辆的车牌轮廓信息，其中，所述车牌轮廓信息用于表征所述目标车辆的车牌轮廓区域，所述车牌轮廓信息包括车牌轮廓类别、车牌轮廓位置坐标、车牌轮廓对应的像素点；根据所述车牌轮廓信息对所述第一车辆图片进行图像分割，得到所述车牌轮廓区域对应的车牌轮廓图片；基于所述车牌轮廓图片，并按照预设脱敏规则对所述车牌轮廓区域进行脱敏处理，得到车牌脱敏完成的第二车辆图片。2.根据权利要求1所述的方法，其特征在于，在所述将待进行车牌脱敏处理的第一车辆图片输入训练完成的深度学习模型之前，还包括：获取包含至少一个完整车牌的样本车辆图片；对所述样本车辆图片进行车牌轮廓的数据标注处理，得到车牌标注信息，其中，所述车牌标注信息用于表征车牌的感兴趣区域，所述车牌标注信息包括车牌标注类别、车牌标注坐标、车牌标注像素点；将配置所述车牌标注信息的样本车辆图片输入深度学习模型，利用所述深度学习模型输出车牌预测信息，计算所述车牌预测信息与所述车牌标注信息的信息相似度，若判定所述信息相似度大于预设相似度阈值，则确定所述深度学习模型训练完成。3.根据权利要求1所述的方法，其特征在于，在基于所述车牌轮廓图片，并按照预设脱敏规则对所述车牌轮廓区域进行脱敏处理，得到车牌脱敏完成的第二车辆图片之前，还包括：对所述车牌轮廓图片进行非极大值抑制处理，以得到轮廓清晰的车牌轮廓图片；获取用于进行车牌替换的预设类目图片，并对所述预设类目图片进行缩放处理，以使缩放处理后的预设类目图片与所述车牌轮廓区域相同宽高。4.根据权利要求3所述的方法，其特征在于，所述基于所述车牌轮廓图片，并按照预设脱敏规则对所述车牌轮廓区域进行脱敏处理，得到车牌脱敏完成的第二车辆图片，包括：利用单应性变换将所述预设类目图片中的像素值映射至所述车牌轮廓图片中的对应像素点位置，得到车牌前景图；对所述车牌轮廓图片进行像素取反处理，并将像素取反处理后的车牌轮廓图片与所述第一车辆图片进行像素点相乘，得到所述目标车辆对应车牌之外的车牌背景图；将所述车牌前景图和所述车牌背景图进行像素叠加，得到完成车牌替换的第二车辆图片，其中，所述第二车辆图片为所述车牌轮廓区域为所述预设类目图片的第一车辆图片。5.根据权利要求4所述的方法，其特征在于，所述利用单应性变换算法将所述预设类目图片中的像素值映射至所...

【专利技术属性】
技术研发人员：陈桂安，
申请(专利权)人：平安国际融资租赁有限公司，
类型：发明
国别省市：