基于深度学习的看板标牌绘制方法、系统、介质及设备技术方案

本申请公开了一种基于深度学习的看板标牌绘制方法、系统、介质及设备，属于图像处理技术领域，该方法包括：利用标牌检测模型对照片中的标牌进行识别，得到标牌；利用文字检测识别模型对标牌中的文字进行识别，得到文字内容以及文字内容在标牌中的位置；利用路型分类模型对标牌的中的路型进行分类，得到标牌的路型类别；根据文字内容、文字内容在标牌中的位置以及路型类别进行标牌绘制。本申请利用神经网络模型对标牌以及标牌中的文字、路型类别进行识别，并进行标牌的重新绘制，提高绘制的效率，降低成本，提高准确率。提高准确率。提高准确率。

【技术实现步骤摘要】
基于深度学习的看板标牌绘制方法、系统、介质及设备


[0001]本申请涉及图像处理
，特别涉及一种基于深度学习的看板标牌绘制方法、系统、介质及设备。

技术介绍

[0002]随着现代交通系统和自动驾驶技术的快速发展，交通标牌的重要性不言而喻。看板标牌作为标牌的重要组成部分，能够展示道路、方向、距离等信息，对汽车行人具有重要的导向作用。由于交通看板标牌具有样式复杂，种类众多，数据庞大的显著特征，现代交通网中车况管理、车流监控、智能导航等功能的实现，均需要看板标牌绘制技术的支撑。
[0003]传统看板标牌的绘制方法通常为手工绘制，面对日益复杂、规模庞大的交通看板标牌数据库，人工绘图的方法显然已经无法适应智能交通系统的需要，存在着工作量大、工作繁琐、容易出错、不易修改等问题。同时也存在绘图成本较高，绘图效率低下的问题。

技术实现思路

[0004]针对在进行看板标牌的绘制时，现有的人工绘制方法工作量大、工作繁琐，效率低下，成本高，容易出错的问题，本申请提出一种基于深度学习的看板标牌绘制方法、系统、介质及设备。
[0005]第一方面，本申请提出一种基于深度学习的看板标牌绘制方法，包括：利用标牌检测模型对照片中的标牌进行识别，得到标牌；利用文字识别模型对标牌中的文字进行识别，得到文字内容以及文字内容在标牌中的位置；利用路型分类模型对标牌的中的路型进行分类，得到标牌的路型类别；根据文字内容、文字内容在标牌中的位置以及路型类别进行标牌绘制。
[0006]可选的，标牌检测模型的训练过程包括：获取训练用看板照片，并对看板照片中的标牌进行标注；将训练用看板照片输入到神经网络模型中，对模型进行训练，得到标牌检测模型。
[0007]可选的，文字识别模型的训练过程包括：从看板照片中获取训练用标牌，并对训练用标牌中的文字进行标注；将训练用标牌输入到神经网络模型中进行训练，得到文字识别模型。
[0008]可选的，路型分类模型的训练过程包括：从看板照片中获取训练用标牌，并对训练用标牌中的路型类别进行标注；将训练用标牌输入到神经网络模型中进行训练，得到路型分类模型。
[0009]可选的，根据文字内容、文字内容在标牌中的位置以及路型类别进行标牌绘制，包括：对绘图软件进行控制，根据文字内容、文字内容在标牌中的位置以及路型类别，在不同图层上进行标牌的绘制，得到标牌的矢量化图片。
[0010]可选的，在利用文字识别模型对标牌中的文字进行识别之前，还包括：对标牌进行图形矫正，得到方正形状的标牌。
[0011]第二方面，本申请提出一种基于深度学习的看板标牌绘制系统，包括：标牌检测模型模块，其对照片中的标牌进行识别，得到标牌；文字识别模型模块，其对标牌中的文字进行识别，得到文字内容以及文字内容在标牌中的位置；路型分类模型模块，其对标牌的中的路型进行分类，得到标牌的路型类别；标牌绘制模块，其根据文字内容、文字内容在标牌中的位置以及路型类别进行标牌绘制。
[0012]第三方面，本申请提供一种计算机可读存储介质，其存储有计算机程序，其中计算机程序被操作以执行方案一中的基于深度学习的看板标牌绘制方法。
[0013]第四方面，本申请提供一种计算机设备，其包括处理器和存储器，存储器存储有计算机程序，其中处理器操作计算机程序以执行方案一中的基于深度学习的看板标牌绘制方法。
[0014]本申请的基于深度学习的看板标牌绘制方法、系统、介质及设备，通过标牌检测模型对照片中的标牌进行识别，通过文字识别模型对识别出的标牌中国的文字进行获取，再通过路型分类模型对标牌中的路型进行分类，通过神经网络模型的自动化处理，并将上述结果并重新自动绘制在标牌的相应位置，实现看板标牌的自动绘制，提高绘制的效率，降低成本，提高准确率。
附图说明
[0015]为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图示例性的示出了本申请的一些实施例。
[0016]图1是本申请基于深度学习的看板标牌绘制方法的一个实施方式的示意图；
[0017]图2是本申请基于深度学习的看板标牌绘制方法的一个实例的示意图；
[0018]图3是本申请标牌照片的一个实例的示意图；
[0019]图4是本申请校正后的标牌照片的一个实例的示意图
[0020]图5是本申请标牌绘制图片的一个实例的示意图。
[0021]图6是本申请基于深度学习的看板标牌绘制系统的一个实施方式的示意图。
[0022]通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
[0023]下面结合附图对本申请的较佳实施例进行详细阐述，以使本申请的优点和特征能更易于被本领域技术人员理解，从而对本申请的保护范围做出更为清楚明确的界定。
[0024]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括
要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0025]传统看板标牌的绘制方法通常为手工绘制，没有自动绘制的做法，都是用AI(adobe illustrator)软件或者PS软件手工绘制，一张一张画。面对日益复杂、规模庞大的交通看板标牌数据库，人工绘图的方法显然已经无法适应智能交通系统的需要，存在着工作量大、工作繁琐、容易出错、不易修改等问题。同时也存在绘图成本较高，绘图效率低下的问题。
[0026]针对上述问题，本申请提出一种基于深度学习的看板标牌绘制方法、系统、介质及设备，该方法包括：利用标牌检测模型对照片中的标牌进行识别，并进行裁剪，得到标牌；利用文字识别模型对标牌中的文字进行识别，得到文字内容以及文字内容在标牌中的位置；利用路型分类模型对标牌的中的路型进行分类，得到标牌的路型类别；根据文字内容、文字内容在标牌中的位置以及路型类别进行标牌绘制。
[0027]本申请的基于深度学习的看板标牌绘制方法、系统、介质及设备，通过标牌检测模型对照片中的标牌进行识别，通过文字识别模型对识别出的标牌中国的文字进行获取，再通过路型分类模型对标牌中的路型进行分类，通过神经网络模型的自动化处理，并将上述结果并重新自动绘制在标牌的相应位置，实现看板标牌的自动绘制，提高绘制的效率，降低成本，提高准确率。
[0028]下面，以具体的实施例对本申请的技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的看板标牌绘制方法，其特征在于，包括：利用标牌检测模型对照片中的标牌进行识别，得到所述标牌；利用文字识别模型对所述标牌中的文字进行识别，得到文字内容以及所述文字内容在所述标牌中的位置；利用路型分类模型对所述标牌的中的路型进行分类，得到所述标牌的路型类别；根据所述文字内容、所述文字内容在所述标牌中的位置以及所述路型类别进行标牌绘制。2.根据权利要求1所述的基于深度学习的看板标牌绘制方法，其特征在于，所述标牌检测模型的训练过程包括：获取训练用看板照片，并对所述看板照片中的标牌进行标注；将所述看板照片输入到神经网络模型中，对模型进行训练，得到所述标牌检测模型。3.根据权利要求1所述的基于深度学习的看板标牌绘制方法，其特征在于，所述文字识别模型的训练过程包括：从看板照片中获取训练用标牌，并对所述训练用标牌中的文字进行标注；将所述训练用标牌输入到神经网络模型中进行训练，得到所述文字识别模型。4.根据权利要求1所述的基于深度学习的看板标牌绘制方法，其特征在于，所述路型分类模型的训练过程包括：从看板照片中获取训练用标牌，并对所述训练用标牌中的路型类别进行标注；将所述训练用标牌输入到神经网络模型中进行训练，得到所述路型分类模型。5.根据权利要求1所述的基于深度学习的看板标牌绘制方法，其特征在于，所述根据所述文字内容、所述文字内容在所述标牌中的位置以及所述路型类别进行标牌绘制，包括：对绘...

【专利技术属性】
技术研发人员：李焕焕，刘巍，孔旭旭，肖旭，李翔，张建平，
申请(专利权)人：北京四维图新科技股份有限公司，
类型：发明
国别省市：