【技术实现步骤摘要】
数据处理方法、装置、存储介质和处理器
[0001]本专利技术涉及图像识别领域,具体而言,涉及一种数据处理方法、装置、存储介质和处理器。
技术介绍
[0002]目前,在对对象进行识别时,往往是直接通过图像识别技术对对象的标识进行识别,但这无法有效识别标识是否故意被遮挡,比如,在对象存在违法违规行为时,为了躲避摄像头的拍摄,通常会将标识人为遮挡,从而导致摄像头无法准确识别出对象的标识号,进而逃脱监管;另外,在对对象的标识进行识别时,还通常是针对处于正常视角下的标识的识别,而在其它视角下,需要将其它视角下的标识矫正成正常视角下的标识,从而导致对对象的标识进行识别的过程复杂,进行存在对对象进行识别的效率低的技术问题。
[0003]针对上述的对对象进行识别的效率低的技术问题,目前尚未提出有效的解决方案。
技术实现思路
[0004]本专利技术实施例提供了一种数据处理方法、装置、存储介质和处理器,以至少解决对对象进行识别的效率低的技术问题。
[0005]根据本专利技术实施例的一个方面,提供了一种数据处理方法。该方法可以包括:获取目标对象的目标标识图像,其中,目标标识图像包括无法正常显示内容的异常图像区域;确定目标对象的目标标识的当前状态;确定与当前状态对应的神经网络模型,其中,神经网络模型为通过标识图像样本和对应的识别结果进行训练得到;通过神经网络模型对异常图像区域进行识别,得到第一识别结果,其中,第一识别结果包括异常图像区域内识别出的内容信息;输出第一识别结果。
[0006]根据本专利技术 ...
【技术保护点】
【技术特征摘要】
1.一种数据处理方法,其特征在于,包括:获取目标对象的目标标识图像,其中,所述目标标识图像包括无法正常显示内容的异常图像区域;确定所述目标对象的目标标识的当前状态;确定与所述当前状态对应的神经网络模型,其中,所述神经网络模型为通过标识图像样本和对应的识别结果进行训练得到;通过所述神经网络模型对所述异常图像区域进行识别,得到第一识别结果,其中,所述第一识别结果包括所述异常图像区域内识别出的内容信息;输出所述第一识别结果。2.根据权利要求1所述的方法,其特征在于,所述异常图像区域包括所述目标标识的被遮挡部分的区域,确定所述目标对象的目标标识的当前状态,包括:确定所述目标标识当前处于遮挡状态;确定与所述当前状态对应的神经网络模型,包括:确定与所述遮挡状态对应的第一神经网络模型,其中,所述第一神经网络模型为通过每个标识处于所述遮挡状态的所述标识图像样本和每个所述标识对应的异常图像区域无法正常显示内容的原因信息训练得到。3.根据权利要求2所述的方法,其特征在于,通过神经网络模型对所述异常图像区域进行识别,得到第一识别结果,包括:通过所述第一神经网络模型对所述异常图像区域进行识别,得到所述异常图像区域无法正常显示内容的原因信息,其中,所述内容信息包括所述原因信息。4.根据权利要求3所述的方法,其特征在于,通过所述第一神经网络模型对所述异常图像区域进行识别,得到所述异常图像区域无法正常显示内容的原因信息,包括:通过所述第一神经网络模型对所述异常图像区域进行识别,得到第一数值,其中,所述第一数值用于指示所述目标标识由遮挡对象故意遮挡的可能性;在所述第一数值大于第一阈值的情况下,确定所述原因信息为所述目标标识由所述遮挡对象故意遮挡的结果;在所述第一数值不大于所述第一阈值的情况下,确定所述原因信息为所述目标标识由所述遮挡对象非故意遮挡的结果。5.根据权利要求3所述的方法,其特征在于,通过所述第一神经网络模型对所述异常图像区域进行识别,得到所述异常图像区域无法正常显示内容的原因信息,包括:通过所述第一神经网络模型对所述异常图像区域进行识别,得到第二数值,其中,所述第二数值用于指示所述目标标识由遮挡对象非故意遮挡的可能性;在所述第二数值大于第二阈值的情况下,确定所述原因信息为所述目标标识由所述遮挡对象非故意遮挡的结果;在所述第二数值不大于所述第二阈值的情况下,确定所述原因信息为所述目标标识由所述遮挡对象故意遮挡的结果。6.根据权利要求3所述的方法,其特征在于,所述方法还包括:在所述原因信息为所述目标标识由遮挡对象故意遮挡的结果的情况下,输出提示信息。
7.根据权利要求3所述的方法,其特征在于,所述方法还包括:响应标注操作指令,对所述目标标识图像进行标注,得到第二识别结果,其中,所述第二识别结果包括标注的所述异常图像区域无法正常显示内容的原因信息;通过所述目标标识图像和所述第二识别结果调整所述第一神经网络模型的第一模型参数。8.根据权利要求2所述的方法,其特征在于,在确定与所述遮挡状态对应的第一神经网络模型之前,所述方法还包括:获取由遮挡对象非故意遮挡的多个标识图像,并将所述多个标识图像确定为所述标识图像样本;获取所述多个标识图像中的每个所述标识图像的识别结果,其中,所述识别结果用于指示对应的所述标识由所述遮挡对象故意遮挡;通过所述标识图像样本和每个所述标识图像的识别结果对第一子神经网络模型进行训练,得到所述第一神经网络模型。9.根据权利要求1所述的方法,其特征在于,获取目标对象的目标标识图像,包括:获取所述目标对象的拍摄图像;从所述拍摄图像中识别出所述目标标识的第一原始标识图像;在所述目标对象的图像中,对所述第一原始标识图像的边界进行扩展,得到所述目标标识图像。10.根据权利要求9所述的方法,其特征在于,在所述目标对象的图像中,对所述第一原始标识图像的边界进行扩展,得到所述目标标识图像,包括:获取所述第一原始标识图像的第一边界,其中,所述第一边界用于确定所述第一原始标识图像在所述拍摄图像中的第一区域;对所述第一边界进行扩展,得到第二边界,其中,所述第二边界大于所述第一边界;以所述第一原始标识图像为基准,通过所述第二边界确定所述目标标识图像,其中,所述目标标识图像在所述拍摄图像中的第二区域,包括且大于所述第一区域。11.根据权利要求1所述的方法,其特征在于,所述异常图像区域包括所述目标标识的处于非正常视角的区域,确定所述目标对象的目标标识的当前状态,包括:确定所述目标标识当前处于非正常视角;确定与所述当前状态对应的神经网络模型,包括:确定与所述非正常视角对应的第二神经网络模型,其中,所述第二神经网络模型为通过每个标识处于不同视角的所述标识图像样本和每个所述标识的标识特征进行训练得到。12.根据权利要求11所述的方法,其特征在于,通过神经网络模型对所述异常图像区域进行识别,得到第一识别结果,包括:通过所述第二神经网络模型对所述异常图像区域进行识别,得到所述目标标识的标识特征,其中,所述内容信息包括所述标识特征。13.根据权利要求11所述的方法,其特征在于,在确定与所述非正常视角对应的第二神经网络模型之前,所述方法还包括:获取至少一个标识的第二原始标识图像,其中,所述第二原始标识图像所指示的所述
标识处于正常视角;对所述第二原始标识图像进行变换,得到多个变换标识图像,其中,每个所述变换标识图像用于指示所述标识所处的一个非正常视角;将所述第二原始标识图像和所述多个变换标识图像确定为所述标识图像样本;基于所述标识图像样本和对应的特征对第二子神经网络模型进行训练,得到所述第二神经网络模型。14.根据权利要求13所述的方法,其特征在于,基于所述标识图像样本和对应的特征对第二子神经网络模型进行训练,得到所述第二神经网络模型,包括:将所述多个变换标识图像与所述标识的第二原始标识图像组成为目标图像;通过所述第二子神经网络模型从所述目标图像中提取出每个所述变换标识图像的特征和所述第二原始标识图像的特征;基于每个所述变换标识图像的特征和所述第二原始标识图像的特征确定所述第二神经网络模型的第二模型参数,其中,所述第二模型参数用于将每个所述变换标识图像的特征调整至与所述第二原始标识图像的特征的相似度小于第三阈值的特征;基于所述第二子神经网络模型和所述第二模型参数确定所述第二神经网络模型。15.根据权利要求14所述的方法,其特征在于,所述方法还包括:基于损失函数调整所述第二模型参数。16.根据权利要求13所述的方法,其特征在于,对所述第二原始标识图像进行变换,得到多个变换标识图像,包括:基于透射变换矩阵对所述第二原始标识图像进行变换,得到多个所述变换标识图像。17.根据权利要求1至16中任意一项所述的方法,其特征在于,所述目标对象为目标车辆,所述目标标识图像为目标车牌图像,所述标识图像样本为车牌图像样本。18.一种数据处理方法,其特征在于,包括:在目标界面显示目标对象的目标标识图像,其中,所述目标标识图像包括无法正常显示内容的异常图像区域;在所述目标界面显示第一识别结果,其中,所述第一识别结果为通过神经网络模型对所述异常图像区域进行识别得到,所述第一识别结果包括所述异常图像区域内识别出的内容信息,所述神经网络模型与所述目标对象的目标标识的当前状态相对应,且通过标识图像样本和对应的识别结果进行训练得到。19.根据权利要求18所述的方法,其特征在于,在所述目标界面显示第一识别结果之前,所述方法还包括:在所述目标界面上显示所述目标对象的目标标识的当前状态,其中,所述当前状态与所述神经网络模型相对应。20.根据权利要求19所述的方法,其特征在于,所述异常图像区域包括所述目标...
【专利技术属性】
技术研发人员:陈均炫,谢贤海,蔡思佳,范托,邓兵,
申请(专利权)人:阿里巴巴集团控股有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。