【CN110020650A】一种针对倾斜车牌的深度学习识别模型的构建方法、识别方法及装置【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910239030.0(22)申请日 2019.03.27(71)申请人 深圳职业技术学院地址 518000 广东省深圳市南山区西丽街道西丽湖镇西丽湖畔(72)发明人 孙宏伟　(74)专利代理机构 深圳市道勤知酷知识产权代理事务所(普通合伙) 44439代理人 何兵　饶盛添(51)Int.Cl.G06K 9/00(2006.01)G06K 9/62(2006.01)(54)发明名称一种基于深度学习的人脸识别新方法(57)摘要本发明公开了一种基于深度学习的人脸识别新方法，包括下述步骤；使用者使用智能移动终端扫描预设的注册二维码，进行账号注册，账号注册的具体流程如下：使用者先用使用随身携带的智能移动终端扫描二维码后会智能移动终端的屏幕内容会跳转到信息填写界面；使用者在信息界面填写自己的账号信息、密码信息与真实姓名；当使用者填写完号信息、密码信息与真实姓名后，智能移动终端的界面会跳转到照片上传界面；智能移动终端的界面会跳转到照片上传界面后会调动智能移动终端的前置摄像头来拍摄照片；本发明能够有效的提升该识别新方法的安全性，并在保证安全性的同时可以提升识别速度，让该方法更加适合推广。

权利要求书3页 说明书6页 附图1页CN 110032955 A 2019.07.19C N 110032955A权　利　要　求　书1/3页CN 110032955 A1.一种基于深度学习的人脸识别新方法，其特征在于，包括下述步骤；步骤一：使用者使用智能移动终端扫描预设的注册二维码，进行账号注册，账号注册的具体流程如下：S1：使用者先用使用随身携带的智能移动终端扫描二维码后会智能移动终端的屏幕内容会跳转到信息填写界面；S2：使用者在信息界面填写自己的账号信息、密码信息与真实姓名；S3：当使用者填写完号信息、密码信息与真实姓名后，智能移动终端的界面会跳转到照片上传界面；S4：智能移动终端的界面会跳转到照片上传界面后会调动智能移动终端的前置摄像头来拍摄照片；S5：使用者需要使用智能移动终端的前置摄像头拍摄三张照片，三张照片需要包含一张正脸照片与两张侧面照片；步骤二：注册时拍摄的照片会被发送到储存模块中储存起来，储存模块会对接收到的图片进行处理，其具体处理过程如下：S1：储存模块会对接收的图片进行标号，三张照片会依次被标记为A、B与C；S2：储存模块会将接收到的照片按照九宫格的模式进行分割；S3：将分割后的图片进行标号，按照其1-9的顺序分别标记为A1-A9、B1-B9和C1-C9；S4：其中A3、A6、A9和B1、B4、B7完全相同；S5：其中C1、C4、C7和B3、B6、B7完全相同；步骤三：当使用者注册完毕后多组预设摄像头会拍摄使用者的面部照片，拍摄的照片包括两张侧面照与一张正面照，摄像头拍摄的照片也会被发送到储存模块中进行处理，预设摄像头拍摄到的照片的具体处理过程如下：S1：将预设摄像头拍摄到的照片分别标记为D、F和G；S2：把D、E和F按照步骤二中S2的九空格分割方式将D、E和F均分割成9个等面积的图片块；S3：对分割好的D、F和G进行标号，将分割好的D标记为D1-D9、分割好的E标记为E1-E9、分割好的F标记为F1-F9；S4：被标记好的内容会发送到储存模块中；步骤四：所有的照片中A和D对应，B和E对应，C和F对应，预设摄像头拍摄到的照片会与使用者注册时上传的照片初步的验证比对，其具体比过程如下；S1：系统会从A、B和C中随机旋转一个图片块来进行对比；S2：将被选出的土块标记为Ax、Bx与Cx，x＝1-9；S3：将D、E和F中的Dx、Ex和Fx提取出来，x＝1-9；S4：将相对应的Ax与Dx进行对比、Bx与Ex、Cx与Fx进行对比S5：当AX与BX的相似度大于预设值、Bx与Ex的相似度大于预设值和Cx与Fx的相似度大于预设值时，给予初步的验证通过；S6：当AX与BX的相似度、Bx与Ex的相似度和Cx与Fx的相似度中有随机两项大于预设值时，给予初步验证通过；S7：当AX与BX的相似度、Bx与Ex的相似度和Cx与Fx的相似度中有随机两项小于预设值2。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910337266.8(22)申请日 2019.04.25(71)申请人 平安科技（深圳）有限公司地址 518000 广东省深圳市福田街道福安社区益田路5033号平安金融中心23楼

(72)发明人 许超俊　(74)专利代理机构 北京中强智尚知识产权代理有限公司 11448代理人 黄耀威

(51)Int.Cl.G06F 16/35(2019.01)

G06F 16/335(2019.01)

G06F 17/27(2006.01)

(54)发明名称一种识别敏感数据的方法、装置、存储介质及计算机设备(57)摘要本发明提供了一种识别敏感数据的方法、装置、存储介质及计算机设备，其中，该方法包括：建立识别模型；获取待测信息；根据识别子模型判断待测字段是否为敏感字段，并根据分类子模型判断待测数据是否为敏感数据；在待测字段是敏感字段且待测数据是敏感数据时，确定待测信息为敏感的信息。该方法在识别敏感数据时增加识别数据的字段的过程，通过建立识别子模型和分类子模型对待识别的待测信息中的待测字段和待测数据分别进行识别判断，基于字段和数据两个维度来确定待测信息是否为敏感信息，从而可以更加准确的判断待测数据是否为敏感数据，可以使得识别准确度更高。

权利要求书2页 说明书11页 附图2页CN 110222170 A2019.09.10

CN 110222170 A1.一种识别敏感数据的方法，其特征在于，包括：建立识别模型，所述识别模型包括用于识别字段是否为敏感字段的识别子模型和用于区分敏感数据和非敏感数据的分类子模型；获取待测信息，所述待测信息包括待测字段和与所述待测字段相对应的待测数据；根据所述识别子模型判断所述待测字段是否为敏感字段，并根据所述分类子模型判断所述待测数据是否为敏感数据；在所述待测字段是敏感字段且所述待测数据是敏感数据时，确定所述待测信息为敏感的信息。2.根据权利要求1所述的方法，其特征在于，所述建立识别模型包括：获取样本集，所述样本集包括样本字段和与所述样本字段相对应的一个或多个样本数据；所述样本字段包括敏感字段和非敏感字段，且与所述敏感字段对应的样本数据为敏感数据，与所述非敏感字段对应的样本数据为非敏感数据；根据所述样本集中的所有样本字段对识别子模型进行训练，确定训练后的识别子模型，根据所有的所述样本数据对分类子模型进行训练，确定训练后的分类子模型；根据测试集对训练后的所述识别子模型和所述分类子模型进行测试，在所述识别子模型和所述分类子模型通过测试时，根据训练后的所述识别子模型和所述分类子模型生成识别模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述样本集中的所有样本字段对识别子模型进行训练包括：分别对样本集中的所述样本字段进行分词处理，确定每个所述样本字段的分词；将所有所述样本字段的分词作为分词集合，确定所述样本字段每个分词在所述分词集合中的词频；根据分词的词频生成所述样本字段的特征向量，并根据所述样本字段的特征向量对识别子模型进行训练。4.根据权利要求3所述的方法，其特征在于，所述将所有所述样本字段的分词作为分词集合，确定所述样本字段每个分词在所述分词集合中的词频，包括：分别确定所述样本集中每个所述样本字段所对应的样本数据的数量ωi，ωi表示第i个样本字段所对应的样本数量，i∈[1,n]，n为所述样本集中的样本字段的数量；将ωi作为所述样本字段中的每个分词的数量的权重值，将所有分词作为分词集合，并

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910132113.X(22)申请日 2019.02.22(71)申请人 杭州飞步科技有限公司地址 310012 浙江省杭州市西湖区紫霞街80号(72)发明人 冯昊　谭深　(74)专利代理机构 北京德和衡律师事务所11405代理人 宋献涛　方春晖(51)Int.Cl.G06K 9/00(2006.01)G06K 9/32(2006.01)G06K 9/62(2006.01)(54)发明名称交通标志识别方法和装置(57)摘要本发明公开了交通标志识别方法和装置。

该方法包括：从相机获取图像数据；利用深度学习技术来检测图像数据的当前帧的感兴趣区域以获得初始交通标志检测结果；对交通标志检测结果进行追踪，以获得最终交通标志检测结果，该最终交通标志检测结果可以是追踪结果；根据追踪结果来预测下一帧的感兴趣区域。

权利要求书2页 说明书10页 附图6页CN 109902610 A 2019.06.18C N 109902610A权　利　要　求　书1/2页CN 109902610 A1.一种用于交通标志识别的方法，所述方法包括：从相机获取图像数据；利用深度学习技术来检测所述图像数据的当前帧的感兴趣区域以获得初始交通标志检测结果；对所述初始交通标志检测结果进行追踪，以获得最终交通标志检测结果；根据所述最终交通标志检测结果，预测下一帧的感兴趣区域。

2.根据权利要求1所述的方法，其中，利用深度学习技术来检测所述图像数据的当前帧的感兴趣区域以获得初始交通标志检测结果，包括：使用新型快速RCNN模型对所述图像数据中的交通标志进行检测；根据所述新型快速RCNN模型给出的置信度对所述检测结果进行过滤以获得高置信度结果和低置信度结果。

3.根据权利要求1所述的方法，其中，对所述初始交通标志检测结果进行追踪，以获得最终交通标志检测结果包括：将上一帧检测结果与当前帧的所述高置信度结果进行匹配；如果所述上一帧检测结果与当前帧的所述高置信度结果匹配，则检测到所述交通标志；如果所述上一帧检测结果与当前帧的所述高置信度结果不匹配，则将所述上一帧检测结果与当前帧的所述低置信度结果进行匹配；如果所述上一帧检测结果与当前帧的所述低置信度结果匹配，则检测到所述交通标志。

基于深度学习的车辆检测方法研究进展摘要：随着智能交通系统和自动驾驶技术的快速发展，车辆检测成为了关键的研究领域。

传统的车辆检测方法在准确性和鲁棒性方面存在一定的局限性，而深度学习技术的出现为车辆检测带来了新的突破。

本文对基于深度学习的车辆检测方法的研究进展进行了综述，包括常用的深度学习模型、算法的改进以及面临的挑战和未来的发展方向。

关键词：深度学习；车辆检测；卷积神经网络；目标检测一、引言车辆检测是智能交通系统、自动驾驶和安全监控等领域的重要基础。

准确、快速地检测车辆对于交通管理、事故预防和自动驾驶的实现具有重要意义。

传统的车辆检测方法主要基于图像处理和计算机视觉技术，如边缘检测、模板匹配和特征提取等，但这些方法在复杂场景下的性能往往不够理想。

深度学习技术的发展为车辆检测提供了新的思路和方法，其能够自动学习图像特征，具有更高的准确性和鲁棒性。

二、常用的深度学习模型在车辆检测中的应用（一）卷积神经网络（CNN）CNN 是深度学习中最常用的模型之一，在车辆检测中得到了广泛的应用。

CNN 可以自动提取图像中的特征信息，对车辆的外观、形状和纹理等特征具有很强的学习能力。

例如，VGG、ResNet 和 Inception 等经典的 CNN 模型在车辆检测任务中取得了较好的效果。

通过对大量的车辆图像进行训练，这些模型可以学习到不同类型车辆的特征，从而实现对车辆的准确检测和分类。

（二）区域卷积神经网络（R-CNN）R-CNN 是基于 CNN 的一种改进型车辆检测方法，它将车辆检测问题转化为一个目标分割问题。

首先，通过选择性搜索等方法生成大量的候选区域，然后将这些候选区域输入到 CNN 中进行特征提取，最后使用分类器对每个候选区域进行分类，判断其是否为车辆。

R-CNN 系列算法包括 R-CNN、Fast R-CNN 和 Faster R-CNN 等，它们在检测精度和速度方面不断进行改进，成为了车辆检测领域的重要算法。