本發(fā)明涉及圖像識別，具體為一種基于深度學習的圖片疊加要素完備性判斷方法。

背景技術：

1、根據(jù)取證規(guī)范要求ga/t?832中的規(guī)定，疊加在取證圖片上的信息至少應包括：發(fā)生時間、發(fā)生地點、行為代碼、行為描述、圖像取證設備編號、防偽信息；機動車違反限速規(guī)定的，每幅取證圖片還應疊加限速值和行駛速度值；區(qū)間測速抓拍的超速取證圖片，至少還應包含測速區(qū)間名稱、距離、駛入時間、駛出時間、平均速度等信息。

2、然而在實際應用中發(fā)現(xiàn)，部分設備抓拍的取證圖片并未完全遵循技術規(guī)范要求執(zhí)行，具體如圖1中圖片實例所示，體現(xiàn)在以下幾個方面：

3、（1）信息缺失或不完整。某些取證圖片可能未疊加全部必要的信息，如發(fā)生時間、發(fā)生地點、行為代碼、行為描述、圖像取證設備編號或防偽信息等。

4、（2）測速信息疊加不完整或未疊加，如限速值或行駛速度等。

5、（3）時間信息精度不足。對于機動車行駛過程發(fā)生的非正常行為，疊加在圖片上的駕駛行為發(fā)生時間可能未達到0.01s的精度要求。

6、（4）疊加位置不當。疊加的信息可能位于圖片的關鍵區(qū)域，遮擋了具體的行為證據(jù)，如遮擋了車輛的號牌、駕駛員面部特征或交通信號燈等，降低了圖片的證據(jù)價值。

7、如果取證圖片不規(guī)范，是無法作為證據(jù)在后續(xù)程序中使用的。所以現(xiàn)行的方法是通過審核人員人工對取證圖片進行審核。這種方式花費了大量的人力資源。

技術實現(xiàn)思路

1、為了解決現(xiàn)有技術中無法自動識別取證圖片上的水印疊加信息的完整性和正確性的問題，本發(fā)明提供一種基于深度學習的圖片疊加要素完備性判斷方法，其自動判斷取證圖片上所疊加字段的完備性和正確性，減少取證不規(guī)范情形，減輕審核人員的工作量。

2、本發(fā)明的技術方案是這樣的：一種基于深度學習的圖片疊加要素完備性判斷方法，其特征在于，其包括以下步驟：

3、s1：獲取待判斷圖片；

4、找到采集待判斷圖片的監(jiān)控設備，記作：判斷用監(jiān)控設備；

5、獲取所述判斷用監(jiān)控設備上傳的所有非正常駕駛行為的記錄數(shù)據(jù)，記作：判斷用記錄數(shù)據(jù)；

6、s2:基于所述判斷用監(jiān)控設備和所述判斷用記錄數(shù)據(jù)，提取待判斷圖片相關的關鍵信息；

7、所述關鍵信息包括：設備編號、設備類型、拍攝時間、車輛行為描述、行為代碼及車輛號牌；

8、s3：根據(jù)所述關鍵信息中的所述判斷用監(jiān)控設備的設備類型以及行為代碼，對所述待判斷圖片進行圖片類型的分類；

9、所述圖片類型與車輛駕駛行為的取證類型一一對應，具體包括：違停類、信號燈類、非信號燈非測速類、單點測速類和區(qū)間測速類；

10、s4：讀取待判斷圖片對應的所述圖片類型；

11、若圖片類型屬于信號燈類，則執(zhí)s6；

12、若圖片類型屬于單點測速類或區(qū)間測速類，則執(zhí)行步驟s7；

13、若圖片類型屬于上述以外其他類型違法，執(zhí)行步驟s8；

14、s5：基于目標檢測深度學習算法模型構建信號燈水印遮擋判斷模型；基于深度學習算法中的二分類算法模型構建測速類違法分類模型；基于深度學習算法模型構建水印信息完備性檢測模型；

15、s6：使用訓練好的所述信號燈水印遮擋判斷模型，檢測待判斷圖片的疊加水印是否對信號燈形成遮擋；

16、若不形成遮擋，則執(zhí)行步驟s8；

17、否則，判斷為待判斷圖片的疊加水印遮擋了信號燈，停止對待判斷圖片的后續(xù)檢測，直接提示圖片沒有通過檢測；

18、s7：使用訓練好的所述測速類違法分類模型對單點測速類圖片或區(qū)間測速類圖片進行分類篩選，將模型輸出的分類結果記作：識別類型；

19、讀取待判斷圖片的所述關鍵信息中的行為代碼，得到待判斷圖片的備案類型；

20、確認所述識別類型和上傳圖片的監(jiān)控設備的備案類型的是否一致，如果一致則執(zhí)行步驟s8；

21、否則，表示待判斷圖片的備案類型與其實際不符，停止對待判斷圖片的后續(xù)檢測，直接提示圖片沒有通過檢測；

22、s8：將待判斷圖片送入訓練好的所述水印信息完備性檢測模型中，對待判斷圖片中的水印信息是否完整進行識別，所述水印信息完備性檢測模型輸出判斷結果；

23、所述判斷結果包括：是否完整、是否模糊以及是否有遮擋。

24、其進一步特征在于：

25、所述信號燈水印遮擋判斷模型基于yolov8深度學習模型構建；

26、所述水印信息完備性檢測模型基于卷積神經(jīng)網(wǎng)絡模型構建；

27、步驟s7中，包括以下操作：

28、a1：查找待判斷圖片中的拼接特征；

29、所述拼接特征包括：特征點、邊緣、紋理；

30、a2：基于拼接特征，找到拼接圖片的邊界，對待判斷圖片進行拆分，得到拆分后的兩個圖片，記作：輸入圖片；

31、a3：將同一張待判斷圖片對應的兩個所述輸入圖片同時送入到所述訓練好的所述測速類違法分類模型中；

32、a4：所述測速類違法分類模型針對兩張輸入圖片的背景差異性進行識別，完成待判斷圖片進行分類篩選；

33、兩張輸入圖片的背景不存在差異性時，待判斷圖片的圖片類型為單點測速類；

34、兩張輸入圖片的背景存在差異性時，待判斷圖片的圖片類型為區(qū)間測速類圖片；

35、步驟s8中，具體包括以下操作：

36、b1：找到待判斷圖片中的水印位置，提取水印中的所有文字信息，記作：待判斷水印數(shù)據(jù)；

37、b2：獲取上傳待判斷圖片的監(jiān)控設備的備案類型，得到待判斷圖片的備案類型；

38、b3：根據(jù)待判斷圖片的備案類型找到預設的標準水印信息數(shù)據(jù)，記作：對比用水印數(shù)據(jù)；

39、b4：將所述待判斷水印數(shù)據(jù)和所述對比用水印數(shù)據(jù)共通送入所述水印信息完備性檢測模型中比對；

40、b5：所述水印信息完備性檢測模型輸出最終比對結果。

41、本申請?zhí)峁┑囊环N基于深度學習的圖片疊加要素完備性判斷方法，提取待判斷圖片上傳時的關鍵信息，基于關鍵信息對圖片進行分類，根據(jù)分類結果，先對信號燈類圖片、單點測速類或區(qū)間測速類圖片分別進行針對性的判斷，將存在問題的圖片進行排除，提高了檢測效率；然后利用水印信息完備性檢測模型對待判斷圖片的水印的完備性和正確性進行判斷，整個過程無需人工參與，極大地降低了審核工作人員的工作量。

技術特征：

1.一種基于深度學習的圖片疊加要素完備性判斷方法，其特征在于，其包括以下步驟：

2.根據(jù)權利要求1所述一種基于深度學習的圖片疊加要素完備性判斷方法，其特征在于：所述信號燈水印遮擋判斷模型基于yolov8深度學習模型構建。

3.根據(jù)權利要求1所述一種基于深度學習的圖片疊加要素完備性判斷方法，其特征在于：所述水印信息完備性檢測模型基于卷積神經(jīng)網(wǎng)絡模型構建。

4.根據(jù)權利要求1所述一種基于深度學習的圖片疊加要素完備性判斷方法，其特征在于：步驟s7中，包括以下操作：

5.根據(jù)權利要求1所述一種基于深度學習的圖片疊加要素完備性判斷方法，其特征在于：步驟s8中，具體包括以下操作：

技術總結
本申請?zhí)峁┑囊环N基于深度學習的圖片疊加要素完備性判斷方法，提取待判斷圖片上傳時的關鍵信息，基于關鍵信息對圖片進行分類，根據(jù)分類結果，先對信號燈類圖片、單點測速類或區(qū)間測速類圖片分別進行針對性的判斷，將存在問題的圖片進行排除，提高了檢測效率；然后利用水印信息完備性檢測模型對待判斷圖片的水印的完備性和正確性進行判斷，整個過程無需人工參與，極大地降低了審核工作人員的工作量。

技術研發(fā)人員：蔡崗,鎮(zhèn)煌,陸俊杰,尤勇,何瑞華
受保護的技術使用者：公安部交通管理科學研究所
技術研發(fā)日：
技術公布日：2024/12/19