(19)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 202111623507.9 (22)申请日 2021.12.28 (71)申请人 成都臻识科技发展 有限公司 地址 610041 四川省成 都市高新区府 城大 道西段39 9号6栋1单元8层1号 (72)发明人 阚欣　 (74)专利代理 机构 成都九鼎天元知识产权代理 有限公司 51214 专利代理师 王会改 (51)Int.Cl. G06V 10/764(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于深度学习的特写图识别方法及系 统 (57)摘要 本发明公开了一种基于深度学习的特写图 识别方法及系统， 所述方法包括： 将待区分的拼 图拆分成待区分的原始子图组； 将所述原始子图 组输入训练好的分类模型中， 判断每张原始子图 是否为特写图。 其中， 分类模型的训练步骤包括： 采集拼图原图； 根据所述拼图原图， 将每组原始 子图中的每张子图分为不同的类别； 根据每组原 始子图中的每张子图， 得到训练好的分类模型。 本发明可以快速有效地对违法证据链中的特写 图进行识别， 鲁棒性高、 效果好， 基于gpu或npu的 模型计算速度快， 且能顺利处理不同张数特写图 的场景。 权利要求书2页 说明书4页 附图1页 CN 114511730 A 2022.05.17 CN 114511730 A 1.一种基于深度学习的特写图识别方法， 其特 征在于， 包括： 将待区分的拼图拆分成待区分的原 始子图组； 将所述原 始子图组输入训练好的分类模型中， 判断每张原 始子图是否为特写图。 2.根据权利要求1所述的方法， 其特 征在于， 所述分类模型的训练步骤 包括： 采集拼图原图； 根据所述 拼图原图， 将每组原 始子图中的每张子图分为 不同的类别； 根据每组原 始子图中的每张子图， 得到训练好的分类模型。 3.根据权利要求2所述的方法， 其特 征在于， 所述采集 拼图原图包括： 采集来自各种设备的不同拼图与特写模式的白天、 夜间违法证据链图片拼图原图。 4.根据权利要求2所述的方法， 其特征在于， 所述根据所述拼图原图， 将每组原始子 图 中的每张子图分为 不同的类别， 包括： 将每个所述拼图原图均拆成一组原 始子图； 通过人工标注将每组原 始子图中所有原 始子图分为 不同的类别。 5.根据权利要求4所述的方法， 其特征在于， 通过人工标注将每组原始子图中所有原始 子图分为 不同的类别， 包括： 若原始子图为特写图类， 则其对应的类别标注为0； 若原始子图为非特写图类， 则其对应的类别标注为1。 6.根据权利要求5所述的方法， 其特征在于， 所述根据每组原始子 图中的每张子 图， 得 到训练好的分类模型， 包括： 当每组原 始子图中的原 始子图数量 不足8张时， 用全黑 假子图填充； 将每组原始子图中的每张子图均缩放到 固定尺寸， 然后依次将每张缩放后的子图沿着 其长度的方向进行横向拼接， 得到横向拼接图； 其中， 全黑 假子图对应的类别标注为 ‑1； 根据所述横向拼接图中的每张子图对应的类别， 得到训练好的分类模型。 7.根据权利要求6所述的方法， 其特征在于， 所述根据所述横向拼接图中的每张子图对 应的类别， 得到训练好的分类模型， 包括： 从左到右根据所述横向拼接图中的每个子图对应的类别， 设定所述横向拼接图的标 签； 将所述横向拼接图及其对应的标签输入至深度卷据神经网络提取特征， 得到1*8的特 征图； 用得到的1*8的特 征图做像素级别的分类模型训练， 得到训练好的分类模型。 8.根据权利要求7所述的方法， 其特征在于， 所述全黑假子图对应的标签为 ‑1； 当训练 分类模型时， 忽略 ‑1标签。 9.根据权利要求8所述的方法， 其特征在于， 所述判断每张原始子 图是否为特写图， 包 括： 若原始子图对应的类别为0时， 则原 始子图被判定为特写图； 若原始子图对应的类别为1时， 则原 始子图被判定为非特写图。 10.一种基于深度学习的特写图识别系统， 其特 征在于， 包括： 拆分模块， 用于将待区分的拼图拆分成待区分的原 始子图组； 判断模块， 用于将所述原始子 图组输入训练好的分类模型中， 判断每张原始子 图是否权　利　要　求　书 1/2 页 2 CN 114511730 A 2为特写图。权　利　要　求　书 2/2 页 3 CN 114511730 A 3