(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 202210435258.9 (22)申请日 2022.04.24 (71)申请人 平安国际融资 租赁有限公司 地址 200000 上海市浦东 新区中国 （上海） 自由贸易试验区世纪大道8号上海国 金中心办公楼二期37层 (72)发明人 陈桂安　 (74)专利代理 机构 北京中强智尚知识产权代理 有限公司 1 1448 专利代理师 刘敏 (51)Int.Cl. G06T 7/12(2017.01) G06V 10/25(2022.01) G06F 21/62(2013.01) (54)发明名称 基于深度学习的车牌脱敏方法、 装置、 设备 及存储介质 (57)摘要 本申请公开了一种基于深度学习的车牌脱 敏方法、 装置、 设备及存储介质， 涉及人工智能技 术领域， 可解决目前在对车牌信息的进行脱敏 时， 工作量大、 效率低， 且出错率较高的技术问 题。 其中方法包括： 将待进行车牌脱敏处理的第 一车辆图片输入训练完成的深度学习模型， 获取 第一车辆图片中所包含目标车辆的车牌轮廓信 息， 其中， 车牌轮廓信息用于表征目标车辆的车 牌轮廓区域， 车牌轮廓信息包括车牌轮廓类别、 车牌轮廓位置坐标、 车牌轮廓对应的像素点； 根 据车牌轮廓信息对第一车辆图片进行图像分割， 得到车牌轮廓区域对应的车牌轮廓图片； 基于车 牌轮廓图片， 并按照预设脱 敏规则对 车牌轮廓区 域进行脱敏处理， 得到车牌脱敏完成的第二车辆 图片。 权利要求书2页 说明书10页 附图4页 CN 114842035 A 2022.08.02 CN 114842035 A 1.一种基于深度学习的车牌脱敏 方法， 其特 征在于， 包括： 将待进行车牌脱敏处理 的第一车辆图片输入训练完成的深度学习 模型， 获取所述第 一 车辆图片 中所包含目标车辆的车牌轮廓信息， 其中， 所述车牌轮廓信息用于表征所述 目标 车辆的车牌轮廓区域， 所述车牌轮廓信息包括车牌轮廓类别、 车牌轮廓位置坐标、 车牌轮廓 对应的像素点； 根据所述车牌轮廓信 息对所述第 一车辆图片进行图像分割， 得到所述车牌轮廓区域对 应的车牌轮廓图片； 基于所述车牌轮廓图片， 并按照预设脱敏规则对所述车牌轮廓 区域进行脱敏处理， 得 到车牌脱敏完成的第二车辆图片。 2.根据权利要求1所述的方法， 其特征在于， 在所述将待进行车牌脱敏处理的第 一车辆 图片输入训练完成的深度学习模型之前， 还 包括： 获取包含至少一个完整车牌的样本车辆图片； 对所述样本车辆图片进行车牌轮廓的数据标注 处理， 得到车牌标注信 息， 其中， 所述车 牌标注信息用于表征车牌的感兴趣区域， 所述车牌标注信息包括车牌标注类别、 车牌标注 坐标、 车牌标注像素点； 将配置所述车牌标注信 息的样本车辆图片输入深度 学习模型， 利用所述深度 学习模型 输出车牌预测信息， 计算所述车牌预测信息与所述车牌标注信息的信息相似度， 若判定所 述信息相似度大于预设相似度阈值， 则确定所述深度学习模型训练完成。 3.根据权利要求1所述的方法， 其特征在于， 在基于所述车牌轮廓图片， 并按照预设脱 敏规则对所述车牌轮廓区域进行脱敏处理， 得到车牌脱敏完成的第二车辆图片之前， 还包 括： 对所述车牌轮廓图片进行非极大值抑制处 理， 以得到轮廓清晰的车牌轮廓图片； 获取用于进行车牌替换的预设类目图片， 并对所述预设类目图片进行缩放处理， 以使 缩放处理后的预设类目图片与所述车牌轮廓区域相同宽高。 4.根据权利要求3所述的方法， 其特征在于， 所述基于所述车牌轮廓图片， 并按照预设 脱敏规则对所述车牌轮廓区域进行脱敏处 理， 得到车牌脱敏完成的第二车辆图片， 包括： 利用单应性变换将所述预设类目图片中的像素值映射至所述车牌轮廓图片中的对应 像素点位置， 得到车牌前 景图； 对所述车牌轮廓图片进行像素取反处理， 并将像素取反处理后的车牌轮廓图片与 所述 第一车辆图片进行像素点相乘， 得到所述目标 车辆对应车牌之外的车牌背景图； 将所述车牌前景图和所述车牌背景图进行像素叠加， 得到完成车牌替换的第 二车辆图 片， 其中， 所述第二车辆图片为所述车牌轮廓区域 为所述预设类目图片的第一车辆图片。 5.根据权利要求4所述的方法， 其特征在于， 所述利用单应性变换算法将所述预设类目 图片中的像素值映射至所述车牌轮廓图片中的对应 像素点位置， 得到车牌前 景图， 包括： 确定同一图像位置坐标下所述预设类目图片的第 一像素点， 以及所述车牌轮廓图片的 第二像素点； 计算所述第 一像素点和所述第 二像素点关于像素值的单应性矩阵， 并依据所述单应性 矩阵将所述预设类目 图片中的像素值映射至所述车牌轮廓图片中的对应像素点位置， 得到 车牌前景图。权　利　要　求　书 1/2 页 2 CN 114842035 A 26.根据权利要求1所述的方法， 其特征在于， 在所述将待进行车牌脱敏处理的第 一车辆 图片输入训练完成的深度学习模型， 获取所述第一车辆图片中所包含目标车辆的车牌轮廓 信息之后， 所述方法还 包括： 根据所述车牌轮廓信 息确定所述目标车辆的车牌轮廓区域， 对所述车牌轮廓区域进行 马赛克处 理， 得到车牌脱敏完成的第二车辆图片。 7.根据权利要求1至 6中任一项所述的方法， 其特 征在于， 所述方法还 包括： 根据所述车牌轮廓信息判断所述第一车辆图片中是否存在多个车牌轮廓区域； 若是， 则根据所述车牌轮廓信息生成多个所述车牌轮廓 区域的检测框， 并响应于用户 对所述检测框的选 定指令， 对所述用户选 定的车牌轮廓区域进行脱敏处 理； 或， 根据优先级配置规则为多个所述车牌轮廓区域配置脱敏优先级， 并基于所述脱敏优先 级由大至小的顺序， 按照预设脱敏规则对所述车牌轮廓区域进行脱敏处 理； 或， 在多个所述车牌轮廓区域中确定对应最大脱敏优先级的目标车牌轮廓区域， 按照预设 脱敏规则对所述目标 车牌轮廓区域进行脱敏处 理。 8.一种基于深度学习的车牌脱敏装置， 其特 征在于， 包括： 获取模块， 用于将待进行车牌脱敏处理的第一车辆图片输入训练完成的深度学习模 型， 获取所述第一车辆图片中所包含目标车辆的车牌轮廓信息， 其中， 所述车牌轮廓信息用 于表征所述 目标车辆的车牌轮廓区域， 所述车牌轮廓信息包括车牌轮廓类别、 车牌轮廓位 置坐标、 车牌轮廓对应的像素点； 分割模块， 用于根据所述车牌轮廓信息对所述第一车辆 图片进行图像分割， 得到所述 车牌轮廓区域对应的车牌轮廓图片； 第一处理模块， 用于基于所述车牌轮廓图片， 并按照预设脱敏规则对所述车牌轮廓 区 域进行脱敏处 理， 得到车牌脱敏完成的第二车辆图片。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述程序被处理器 执行时实现权利要求1至7中任一项所述的基于深度学习的车牌脱敏 方法。 10.一种计算机设备， 包括可读存储介质、 处理器及存储在可读存储介质上并可在处理 器上运行 的计算机程序， 其特征在于， 所述处理器执行所述程序时实现权利要求1至7中任 一项所述的基于深度学习的车牌脱敏 方法。权　利　要　求　书 2/2 页 3 CN 114842035 A 3