CN107180413B - 车损图片角度纠正方法、电子装置及可读存储介质 - Google Patents

车损图片角度纠正方法、电子装置及可读存储介质 Download PDF

Info

Publication number
CN107180413B
CN107180413B CN201710313201.0A CN201710313201A CN107180413B CN 107180413 B CN107180413 B CN 107180413B CN 201710313201 A CN201710313201 A CN 201710313201A CN 107180413 B CN107180413 B CN 107180413B
Authority
CN
China
Prior art keywords
rotation
classification
picture
angle
vehicle damage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710313201.0A
Other languages
English (en)
Other versions
CN107180413A (zh
Inventor
王健宗
王晨羽
马进
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201710313201.0A priority Critical patent/CN107180413B/zh
Publication of CN107180413A publication Critical patent/CN107180413A/zh
Priority to SG11201900259QA priority patent/SG11201900259QA/en
Priority to EP17904353.4A priority patent/EP3428848A4/en
Priority to KR1020187024868A priority patent/KR102170930B1/ko
Priority to PCT/CN2017/105002 priority patent/WO2018201665A1/zh
Priority to AU2017408804A priority patent/AU2017408804B2/en
Priority to US16/084,993 priority patent/US11386499B2/en
Priority to JP2018538153A priority patent/JP6660475B2/ja
Application granted granted Critical
Publication of CN107180413B publication Critical patent/CN107180413B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)

Abstract

本发明公开了一种车损图片角度纠正方法、电子装置及可读存储介质，该方法包括：在收到待分类和识别的车损图片后，利用预先训练的图片旋转类别识别模型识别出收到的车损图片对应的旋转类别；根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，所述旋转控制参数包括旋转角度和旋转方向；根据确定的旋转控制参数对收到的车损图片进行旋转处理，以生成角度正常的车损图片。本发明能更加全面有效地进行车损图片角度纠正，且无需人工进行车损图片角度识别及手动进行图片旋转，效率及准确率更高。

Description

车损图片角度纠正方法、电子装置及可读存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种车损图片角度纠正方法、电子装置及可读存储介质。
背景技术
目前，在车险理赔领域，为了提高理赔效率，很多车险公司在车险理赔系统中运用图片分类和识别技术对上传的理赔照片中的车辆和受损部位进行自动识别，然而，车险理赔系统收到的待进行图像分类和识别的图片中经常会存在部分图片发生旋转或者倒置的情况，正常情况下图片会存在可交换图像文件格式(Exchangeable image file format，即EXIF)的信息，该信息中含有图片方向的信息，图片浏览器会根据该信息，在显示图片时对图像作出相应的旋转，但有些情况下该信息会丢失，因此导致了理赔系统中的部分图片显示时方向错误。因此，业界的解决方案是：理赔人员人工检查方向显示错误的图片，并手动通过图片浏览器对方向显示错误的图片进行旋转，以实现对图片的正常分类和识别，这种现有的解决方案效率低下、容易出错。
发明内容
本发明的主要目的在于提供一种车损图片角度纠正方法、电子装置及可读存储介质，旨在高效、准确地进行车损图片角度纠正。
为实现上述目的，本发明提供的一种车损图片角度纠正方法，所述方法包括以下步骤：
A、车损图片角度纠正系统在收到待分类和识别的车损图片后，利用预先训练的图片旋转类别识别模型识别出收到的车损图片对应的旋转类别；
B、根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，所述旋转控制参数包括旋转角度和旋转方向；
C、根据确定的旋转控制参数对收到的车损图片进行旋转处理，以生成角度正常的车损图片。
优选地，所述图片旋转类别识别模型为深度卷积神经网络模型，所述图片旋转类别识别模型的训练过程如下：
A1、获取预设数量的角度正常的车损图片样本；
A2、按照预设旋转方向，对每个车损图片样本分别进行预设次数角度旋转，以生成各个车损图片样本对应的旋转图片，并为各个车损图片样本及其对应的旋转图片标注对应的旋转类别，各个车损图片样本对应标注第一预设旋转类别；
A3、将标注有旋转类别的每一个车损图片样本及其对应的旋转图片作为一个图片训练子集，并将所有图片训练子集分为第一比例的训练集和第二比例的验证集；
A4、利用所述训练集训练所述图片旋转类别识别模型；
A5、利用所述验证集验证训练的图片旋转类别识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加车损图片样本的数量并重新执行步骤A2、A3、A4、A5。
优选地，对所述车损图片样本每次进行角度旋转的旋转角度为a，若360/a为正整数，则所述对每个车损图片样本分别进行预设次数角度旋转中的预设次数等于(360/a)；若360/a为小数，则所述预设次数等于(360/a)的整数部分。
优选地，所述步骤A之后，该方法还包括：
分析识别出的车损图片对应的旋转类别是否是第二预设旋转类别或者第三预设旋转类别；其中，所述第二预设旋转类别为顺时针旋转90度，所述第三预设旋转类别为顺时针旋转270度；或者，所述第二预设旋转类别为顺时针旋转270度，所述第三预设旋转类别为顺时针旋转90度；
所述步骤B包括：若识别出的旋转类别是第二预设旋转类别，则根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数；
所述步骤C包括：根据确定的旋转控制参数对收到的车损图片进行旋转处理，生成待二次识别的旋转图片；
所述步骤C之后，该方法还包括：
利用预先训练的图片旋转类别识别模型识别出待二次识别的旋转图片对应的二次识别旋转类别；
若所述二次识别旋转类别是第一预设旋转类别，则确定待二次识别的旋转图片为角度正常的车损图片；所述第一预设旋转类别为顺时针旋转0度或顺时针旋转360度；
若所述二次识别旋转类别是第四预设旋转类别，则确定识别出的车损图片对应的旋转类别是第三预设旋转类别，根据预先确定的旋转类别与旋转控制参数的映射关系，确定第三预设旋转类别对应的旋转控制参数，并根据确定的旋转控制参数对收到的车损图片进行旋转处理，以生成角度正常的车损图片；所述第四预设旋转类别为顺时针旋转180度或逆时针旋转180度。
优选地，所述步骤B还包括：
若识别出的车损图片对应的旋转类别不是第二预设旋转类别，且不是第三预设旋转类别，则根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，并执行步骤C。
此外，为实现上述目的，本发明还提供一种电子装置，所述电子装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车损图片角度纠正系统，所述车损图片角度纠正系统被所述处理器执行时实现如下步骤：
在收到待分类和识别的车损图片后，利用预先训练的图片旋转类别识别模型识别出收到的车损图片对应的旋转类别；
根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，所述旋转控制参数包括旋转角度和旋转方向；
根据确定的旋转控制参数对收到的车损图片进行旋转处理，以生成角度正常的车损图片。
优选地，所述图片旋转类别识别模型为深度卷积神经网络模型，所述图片旋转类别识别模型的训练过程如下：
A1、获取预设数量的角度正常的车损图片样本；
A2、按照预设旋转方向，对每个车损图片样本分别进行预设次数角度旋转，以生成各个车损图片样本对应的旋转图片，并为各个车损图片样本及其对应的旋转图片标注对应的旋转类别，各个车损图片样本对应标注第一预设旋转类别；
A3、将标注有旋转类别的每一个车损图片样本及其对应的旋转图片作为一个图片训练子集，并将所有图片训练子集分为第一比例的训练集和第二比例的验证集；
A4、利用所述训练集训练所述图片旋转类别识别模型；
A5、利用所述验证集验证训练的图片旋转类别识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加车损图片样本的数量并重新执行步骤A2、A3、A4、A5。
优选地，对所述车损图片样本每次进行角度旋转的旋转角度为a，若360/a为正整数，则所述对每个车损图片样本分别进行预设次数角度旋转中的预设次数等于(360/a)；若360/a为小数，则所述预设次数等于(360/a)的整数部分。
优选地，所述处理器还用于执行所述车损图片角度纠正系统，以实现以下步骤：
分析识别出的车损图片对应的旋转类别是否是第二预设旋转类别或者第三预设旋转类别；其中，所述第二预设旋转类别为顺时针旋转90度，所述第三预设旋转类别为顺时针旋转270度；或者，所述第二预设旋转类别为顺时针旋转270度，所述第三预设旋转类别为顺时针旋转90度；
根据确定的旋转控制参数对收到的车损图片进行旋转处理，生成待二次识别的旋转图片；
利用预先训练的图片旋转类别识别模型识别出待二次识别的旋转图片对应的二次识别旋转类别；
若识别出的旋转类别是第二预设旋转类别，则根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数；若所述二次识别旋转类别是第一预设旋转类别，则确定待二次识别的旋转图片为角度正常的车损图片；所述第一预设旋转类别为顺时针旋转0度或顺时针旋转360度；若所述二次识别旋转类别是第四预设旋转类别，则确定识别出的车损图片对应的旋转类别是第三预设旋转类别，根据预先确定的旋转类别与旋转控制参数的映射关系，确定第三预设旋转类别对应的旋转控制参数；所述第四预设旋转类别为顺时针旋转180度或逆时针旋转180度。
进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有车损图片角度纠正系统，所述车损图片角度纠正系统可被至少一个处理器执行，以使所述至少一个处理器执行如上述的车损图片角度纠正方法的步骤。
本发明提出的车损图片角度纠正方法、电子装置及可读存储介质，通过预先训练的图片旋转类别识别模型识别出待图片识别的车损图片对应的旋转类别，再根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，并利用确定的旋转控制参数对收到的车损图片进行旋转处理。由于能利用预先训练好的图片旋转类别识别模型识别出各种车损图片的旋转类别，进而找到与其旋转类别对应的旋转控制参数来将车损图片旋转成角度正常的图片，无需依赖图片中的可交换图像文件格式信息进行旋转，能更加全面有效地进行车损图片角度纠正，且无需人工进行车损图片角度识别及手动进行图片旋转，效率及准确率更高。
附图说明
图1为本发明车损图片角度纠正系统10较佳实施例的运行环境示意图；
图2为本发明车损图片角度纠正系统一实施例的功能模块示意图；
图3为本发明车损图片角度纠正系统另一实施例的功能模块示意图。
图4为本发明车损图片角度纠正方法一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种车损图片角度纠正系统。请参阅图1，是本发明车损图片角度纠正系统10较佳实施例的运行环境示意图。
在本实施例中，所述的车损图片角度纠正系统10安装并运行于电子装置1中。该电子装置1可包括，但不仅限于，存储器11、处理器12及显示器13。图1仅示出了具有组件11-13的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器11在一些实施例中可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。所述存储器11在另一些实施例中也可以是所述电子装置1的外部存储设备，例如所述电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括所述电子装置1的内部存储单元也包括外部存储设备。所述存储器11用于存储安装于所述电子装置1的应用软件及各类数据，例如所述车损图片角度纠正系统10的程序代码等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器11中存储的程序代码或处理数据，例如执行所述车损图片角度纠正系统10等。
所述显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器13用于显示在所述电子装置1中处理的信息以及用于显示可视化的用户界面，例如应用菜单界面、应用图标界面等。所述电子装置1的部件11-13通过系统总线相互通信。
请参阅图2，是本发明车损图片角度纠正系统10较佳实施例的功能模块图。在本实施例中，所述的车损图片角度纠正系统10可以被分割成一个或多个模块，所述一个或者多个模块被存储于所述存储器11中，并由一个或多个处理器(本实施例为所述处理器12)所执行，以完成本发明。例如，在图2中，所述的车损图片角度纠正系统10可以被分割成识别模块01、确定模块02、旋转模块03；上述各模块包括一系列计算机程序指令段，这些计算机程序指令段可被处理器12执行，以实现本申请各实施例所提供的对应的功能。以下描述将具体介绍所述模块01-03的功能。
参照图2，图2为本发明车损图片角度纠正系统一实施例的功能模块示意图。
在一实施例中，该车损图片角度纠正系统包括：
识别模块01，用于在收到待分类和识别的车损图片后，利用预先训练的图片旋转类别识别模型识别出收到的车损图片对应的旋转类别；
本实施例中，车损图片角度纠正系统接收用户发出的包含待分类和识别的车损图片的图片角度自动纠正请求，例如，接收用户通过手机、平板电脑、自助终端设备等终端发送的图片角度自动纠正请求，如接收用户在手机、平板电脑、自助终端设备等终端中预先安装的客户端上发送来的图片角度自动纠正请求，或接收用户在手机、平板电脑、自助终端设备等终端中的浏览器系统上发送来的图片角度自动纠正请求。
车损图片角度纠正系统在收到用户发出的图片角度自动纠正请求后，利用预先训练好的图片旋转类别识别模型对收到的车损图片进行识别，识别出收到的车损图片对应的旋转类别，该旋转类别可以包括收到的车损图片相对于角度正常的该车损图片所偏转的方向、角度等参数，如顺时针方向偏转90度，或者，逆时针方向偏转90度等。该图片旋转类别识别模型可预先通过对大量不同旋转角度的车损图片样本进行识别来不断进行训练、学习、优化，以将其训练成能准确识别出不同车损图片对应的旋转类别的模型。例如，该图片旋转类别识别模型可采用神经网络(Neural Networks,NN)模型等。
确定模块02，用于根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，所述旋转控制参数包括旋转角度和旋转方向；
由于识别出的车损图片对应的旋转类别包括当前车损图片相对于角度正常的该车损图片所偏转的方向、角度等参数，因此，可预先根据不同旋转类别中偏转的方向、角度设置相应的旋转控制参数，如纠正的方向、角度等参数。例如，若识别出的车损图片对应的旋转类别中偏转的方向为顺时针，偏转的角度为90度，则可设置相应的旋转控制参数为旋转方向逆时针，旋转角度为90度，也可设置相应的旋转控制参数为旋转方向顺时针，旋转角度为270度，均能达到相同的旋转控制目的，即均能将偏转的车损图片通过旋转纠正为角度正常的车损图片，在此对旋转控制参数的设置方式不作限定。
利用图片旋转类别识别模型识别出收到的车损图片对应的旋转类别后，即可根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，所述旋转控制参数包括但不限于旋转角度和旋转方向。
旋转模块03，用于根据确定的旋转控制参数对收到的车损图片进行旋转处理，以生成角度正常的车损图片。
确定收到的车损图片的旋转类别所对应的旋转控制参数之后，即可利用确定的旋转控制参数对收到的车损图片进行旋转处理，以将收到的偏转的车损图片在相应的旋转方向上旋转一定的角度，将其自动纠正为角度正常的车损图片。例如，若识别出的车损图片对应的旋转类别中偏转的方向为顺时针，偏转的角度为90度，确定出与其旋转类别所对应的旋转控制参数为旋转方向逆时针，旋转角度90度，则可对收到的该车损图片在逆时针方向旋转90度，以将该偏转的车损图片纠正为角度正常的车损图片。
本实施例通过预先训练的图片旋转类别识别模型识别出待图片识别的车损图片对应的旋转类别，再根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，并利用确定的旋转控制参数对收到的车损图片进行旋转处理。由于能利用预先训练好的图片旋转类别识别模型识别出各种车损图片的旋转类别，进而找到与其旋转类别对应的旋转控制参数来将车损图片旋转成角度正常的图片，无需依赖图片中的可交换图像文件格式信息进行旋转，能更加全面有效地进行车损图片角度纠正，且无需人工进行车损图片角度识别及手动进行图片旋转，效率及准确率更高。
进一步地，在其他实施例中，所述图片旋转类别识别模型为深度卷积神经网络(CNN)模型，所述图片旋转类别识别模型的训练过程如下：
S1、获取预设数量(例如，10000)的角度正常的车损图片样本；如可从预设的车损图片数据库中随机抽取预设数量的角度正常的车损图片样本。
S2、按照预设旋转方向(例如，顺时针方向，或者，逆时针方向)，对每个车损图片样本分别进行预设次数角度旋转，以生成各个车损图片样本对应的旋转图片。其中，所述对每个车损图片样本分别进行预设次数角度旋转的旋转角度为n*a，其中，a代表预设的相邻两次角度旋转的间隔角度，n代表角度旋转的次序，n为正整数；若360/a为正整数，则所述预设次数等于(360/a)，或者，若360/a为小数，则所述预设次数等于(360/a)的整数部分。例如，若设定相邻两次角度旋转的间隔角度a为30度，则对车损图片样本进行第一次角度旋转后的旋转角度为(1*30)即30度，第二次角度旋转后的旋转角度为(2*30)即60度，……，且(360/30)为正整数12，则进行角度旋转的预设次数等于(360/30)，即12次。若设定相邻两次角度旋转的间隔角度a为35度，则对车损图片样本进行第一次角度旋转后的旋转角度为(1*35)即35度，第二次角度旋转后的旋转角度为(2*35)即70度，……，且(360/35)为小数10.29，则进行角度旋转的预设次数等于(360/35)的整数部分，即10次。
在对每个车损图片样本分别进行预设次数角度旋转生成各个车损图片样本对应的旋转图片后，可为各个车损图片样本及其对应的旋转图片标注对应的旋转类别，该旋转类别可包括预设旋转方向(例如，顺时针方向，或者，逆时针方向)、旋转角度等。其中，在按预设旋转方向进行预设次数角度旋转后，可将不同旋转角度的图片对应标注不同的旋转类别，将相同旋转方向及相同旋转角度的图片对应标注相同的旋转类别，各个车损图片样本对应标注第一预设旋转类别。各个车损图片样本自身对应的第一预设旋转类别即视为未对图片进行旋转的类别，如该第一预设旋转类别可以为“顺时针旋转0度”或者“顺时针旋转360度”等。
S3、将标注有旋转类别的每一个车损图片样本及其对应的旋转图片作为一个图片训练子集，并将所有图片训练子集分为第一比例(例如，70％)的训练集和第二比例(例如，30％)的验证集；
S4、利用所述训练集训练所述图片旋转类别识别模型；
S5、利用所述验证集验证训练的图片旋转类别识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加车损图片样本的数量并重新执行步骤S2、S3、S4、S5，直至训练的图片旋转类别识别模型的准确率大于或者等于预设准确率。
如图3所示，本发明另一实施例提出一种车损图片角度纠正系统，在上述实施例的基础上，还包括：
分析模块04，用于分析识别出的车损图片对应的旋转类别是否是第二预设旋转类别或者第三预设旋转类别。例如，所述第二预设旋转类别可以为“顺时针旋转90度”，且所述第三预设旋转类别可以为“顺时针旋转270度”；或者，所述第二预设旋转类别可以为“顺时针旋转270度”，且所述第三预设旋转类别可以为“顺时针旋转90度”。
上述确定模块02可以用于：
若识别出的旋转类别是第二预设旋转类别，则根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数；
上述旋转模块03可以用于：
根据确定的旋转控制参数对收到的车损图片进行旋转处理，生成待二次识别的旋转图片；
上述识别模块01还用于：利用预先训练的图片旋转类别识别模型识别出待二次识别的旋转图片对应的二次识别旋转类别；
上述确定模块02还用于：若所述二次识别旋转类别是第一预设旋转类别，则确定待二次识别的旋转图片为角度正常的车损图片；若所述二次识别旋转类别是第四预设旋转类别(例如，所述第四预设旋转类别可以为“顺时针旋转180度”，或者，“逆时针旋转180度”)，则确定识别出的旋转类别是第三预设旋转类别，根据预先确定的旋转类别与旋转控制参数的映射关系，确定第三预设旋转类别对应的旋转控制参数，并调用旋转模块03来根据确定的旋转控制参数对收到的车损图片进行旋转处理，以生成角度正常的车损图片。
由于在对大量的车损图片角度纠正的实际应用案例统计中发现，在收到的车损图片对应的旋转类别为某些特定的旋转类别时，很容易出现识别错误或混淆，以致角度纠正出错的情况发生。例如，车损图片对应的旋转类别“顺时针旋转90度”与旋转类别“顺时针旋转270度”在利用图片旋转类别识别模型进行识别时极易出现识别混淆错误，而导致车损图片角度纠正错误。因此，本实施例中，当分析识别出的车损图片对应的旋转类别为易发生混淆错误的第二预设旋转类别或者第三预设旋转类别(例如“顺时针旋转90度”或“顺时针旋转270度”)时，根据识别出的旋转类别对应的旋转控制参数对收到的车损图片进行旋转处理。进一步地，将旋转处理后的图片作为待二次识别的旋转图片，并继续对该待二次识别的旋转图片进行二次识别。若二次识别后的旋转类别是第一预设旋转类别(如“顺时针旋转0度”或者“顺时针旋转360度”)，则说明待二次识别的旋转图片为角度正常的车损图片，即没有发生混淆错误的情况。若所述二次识别旋转类别是第四预设旋转类别，则可确定在初次对收到的车损图片的旋转类别进行识别时，出现了混淆错误的情况，则可进一步确定该车损图片正确的旋转类别与其初次识别出的旋转类别不同，且为与其初次识别出的旋转类别所容易混淆的旋转类别。
本实施例中对易发生混淆错误的车损图片对应的旋转类别，采用二次识别的方式进行识别、验证，以进一步提高车损图片角度纠正的准确率。
进一步地，在其他实施例中，所述确定模块02还用于：
若识别出的车损图片对应的旋转类别不是第二预设旋转类别，且不是第三预设旋转类别，则说明收到的车损图片对应的旋转类别不属于容易混淆、出错的旋转类别，则直接根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，并调用旋转模块03来根据确定的旋转控制参数对收到的车损图片进行旋转处理，以高效、准确地生成角度正常的车损图片。
进一步地，在其他实施例中，上述分析模块04还用于：
分析识别出的收到的车损图片对应的旋转类别是否是第一预设旋转类别(例如，所述第一预设旋转类别可以为“顺时针旋转0度”或者“顺时针旋转360度”)；
若识别出的旋转类别是第一预设旋转类别，则确定收到的车损图片为角度正常的车损图片，无需对其进行旋转处理。
若识别出的旋转类别不是第一预设旋转类别，则说明收到的车损图片不是角度正常的车损图片，即需要进行角度旋转纠正操作，则调用确定模块02及旋转模块03。
本发明进一步提供一种车损图片角度纠正方法。
参照图4，图4为本发明车损图片角度纠正方法一实施例的流程示意图。
在一实施例中，该车损图片角度纠正方法包括：
步骤S10，车损图片角度纠正系统在收到待分类和识别的车损图片后，利用预先训练的图片旋转类别识别模型识别出收到的车损图片对应的旋转类别。
本实施例中，车损图片角度纠正系统接收用户发出的包含待分类和识别的车损图片的图片角度自动纠正请求，例如，接收用户通过手机、平板电脑、自助终端设备等终端发送的图片角度自动纠正请求，如接收用户在手机、平板电脑、自助终端设备等终端中预先安装的客户端上发送来的图片角度自动纠正请求，或接收用户在手机、平板电脑、自助终端设备等终端中的浏览器系统上发送来的图片角度自动纠正请求。
车损图片角度纠正系统在收到用户发出的图片角度自动纠正请求后，利用预先训练好的图片旋转类别识别模型对收到的车损图片进行识别，识别出收到的车损图片对应的旋转类别，该旋转类别可以包括收到的车损图片相对于角度正常的该车损图片所偏转的方向、角度等参数，如顺时针方向偏转90度，或者，逆时针方向偏转90度等。该图片旋转类别识别模型可预先通过对大量不同旋转角度的车损图片样本进行识别来不断进行训练、学习、优化，以将其训练成能准确识别出不同车损图片对应的旋转类别的模型。例如，该图片旋转类别识别模型可采用神经网络(Neural Networks,NN)模型等。
步骤S20，根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，所述旋转控制参数包括旋转角度和旋转方向。
由于识别出的车损图片对应的旋转类别包括当前车损图片相对于角度正常的该车损图片所偏转的方向、角度等参数，因此，可预先根据不同旋转类别中偏转的方向、角度设置相应的旋转控制参数，如纠正的方向、角度等参数。例如，若识别出的车损图片对应的旋转类别中偏转的方向为顺时针，偏转的角度为90度，则可设置相应的旋转控制参数为旋转方向逆时针，旋转角度为90度，也可设置相应的旋转控制参数为旋转方向顺时针，旋转角度为270度，均能达到相同的旋转控制目的，即均能将偏转的车损图片通过旋转纠正为角度正常的车损图片，在此对旋转控制参数的设置方式不作限定。
利用图片旋转类别识别模型识别出收到的车损图片对应的旋转类别后，即可根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，所述旋转控制参数包括但不限于旋转角度和旋转方向。
步骤S30，根据确定的旋转控制参数对收到的车损图片进行旋转处理，以生成角度正常的车损图片。
确定收到的车损图片的旋转类别所对应的旋转控制参数之后，即可利用确定的旋转控制参数对收到的车损图片进行旋转处理，以将收到的偏转的车损图片在相应的旋转方向上旋转一定的角度，将其自动纠正为角度正常的车损图片。例如，若识别出的车损图片对应的旋转类别中偏转的方向为顺时针，偏转的角度为90度，确定出与其旋转类别所对应的旋转控制参数为旋转方向逆时针，旋转角度90度，则可对收到的该车损图片在逆时针方向旋转90度，以将该偏转的车损图片纠正为角度正常的车损图片。
本实施例通过预先训练的图片旋转类别识别模型识别出待图片识别的车损图片对应的旋转类别，再根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，并利用确定的旋转控制参数对收到的车损图片进行旋转处理。由于能利用预先训练好的图片旋转类别识别模型识别出各种车损图片的旋转类别，进而找到与其旋转类别对应的旋转控制参数来将车损图片旋转成角度正常的图片，无需依赖图片中的可交换图像文件格式信息进行旋转，能更加全面有效地进行车损图片角度纠正，且无需人工进行车损图片角度识别及手动进行图片旋转，效率及准确率更高。
进一步地，在其他实施例中，所述图片旋转类别识别模型为深度卷积神经网络(CNN)模型，所述图片旋转类别识别模型的训练过程如下：
S1、获取预设数量(例如，10000)的角度正常的车损图片样本；如可从预设的车损图片数据库中随机抽取预设数量的角度正常的车损图片样本。
S2、按照预设旋转方向(例如，顺时针方向，或者，逆时针方向)，对每个车损图片样本分别进行预设次数角度旋转，以生成各个车损图片样本对应的旋转图片。其中，所述对每个车损图片样本分别进行预设次数角度旋转的旋转角度为n*a，其中，a代表预设的相邻两次角度旋转的间隔角度，n代表角度旋转的次序，n为正整数；若360/a为正整数，则所述预设次数等于(360/a)，或者，若360/a为小数，则所述预设次数等于(360/a)的整数部分。例如，若设定相邻两次角度旋转的间隔角度a为30度，则对车损图片样本进行第一次角度旋转后的旋转角度为(1*30)即30度，第二次角度旋转后的旋转角度为(2*30)即60度，……，且(360/30)为正整数12，则进行角度旋转的预设次数等于(360/30)，即12次。若设定相邻两次角度旋转的间隔角度a为35度，则对车损图片样本进行第一次角度旋转后的旋转角度为(1*35)即35度，第二次角度旋转后的旋转角度为(2*35)即70度，……，且(360/35)为小数10.29，则进行角度旋转的预设次数等于(360/35)的整数部分，即10次。
在对每个车损图片样本分别进行预设次数角度旋转生成各个车损图片样本对应的旋转图片后，可为各个车损图片样本及其对应的旋转图片标注对应的旋转类别，该旋转类别可包括预设旋转方向(例如，顺时针方向，或者，逆时针方向)、旋转角度等。其中，在按预设旋转方向进行预设次数角度旋转后，可将不同旋转角度的图片对应标注不同的旋转类别，将相同旋转方向及相同旋转角度的图片对应标注相同的旋转类别，各个车损图片样本对应标注第一预设旋转类别。各个车损图片样本自身对应的第一预设旋转类别即视为未对图片进行旋转的类别，如该第一预设旋转类别可以为“顺时针旋转0度”或者“顺时针旋转360度”等。
S3、将标注有旋转类别的每一个车损图片样本及其对应的旋转图片作为一个图片训练子集，并将所有图片训练子集分为第一比例(例如，70％)的训练集和第二比例(例如，30％)的验证集；
S4、利用所述训练集训练所述图片旋转类别识别模型；
S5、利用所述验证集验证训练的图片旋转类别识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加车损图片样本的数量并重新执行步骤S2、S3、S4、S5，直至训练的图片旋转类别识别模型的准确率大于或者等于预设准确率。
进一步地，在其他实施例中，所述步骤S10和S20之间，该方法还包括：
分析识别出的收到的车损图片对应的旋转类别是否是第一预设旋转类别(例如，所述第一预设旋转类别可以为“顺时针旋转0度”或者“顺时针旋转360度”)；
若识别出的旋转类别是第一预设旋转类别，则确定收到的车损图片为角度正常的车损图片，无需对其进行旋转处理。
若识别出的旋转类别不是第一预设旋转类别，则说明收到的车损图片不是角度正常的车损图片，即需要进行角度旋转纠正操作，则转入执行所述步骤S20和S30。
进一步地，在其他实施例中，在上述步骤S10之后还包括：
分析识别出的车损图片对应的旋转类别是否是第二预设旋转类别或者第三预设旋转类别。例如，所述第二预设旋转类别可以为“顺时针旋转90度”，且所述第三预设旋转类别可以为“顺时针旋转270度”；或者，所述第二预设旋转类别可以为“顺时针旋转270度”，且所述第三预设旋转类别可以为“顺时针旋转90度”。
上述步骤S20可以包括：
若识别出的旋转类别是第二预设旋转类别，则根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数；
上述步骤S30可以包括：
根据确定的旋转控制参数对收到的车损图片进行旋转处理，生成待二次识别的旋转图片；
上述步骤S30之后，该方法还包括：
利用预先训练的图片旋转类别识别模型识别出待二次识别的旋转图片对应的二次识别旋转类别；
若所述二次识别旋转类别是第一预设旋转类别，则确定待二次识别的旋转图片为角度正常的车损图片；
若所述二次识别旋转类别是第四预设旋转类别(例如，所述第四预设旋转类别可以为“顺时针旋转180度”，或者，“逆时针旋转180度”)，则确定识别出的旋转类别是第三预设旋转类别，根据预先确定的旋转类别与旋转控制参数的映射关系，确定第三预设旋转类别对应的旋转控制参数，并根据确定的旋转控制参数对收到的车损图片进行旋转处理，以生成角度正常的车损图片。
由于在对大量的车损图片角度纠正的实际应用案例统计中发现，在收到的车损图片对应的旋转类别为某些特定的旋转类别时，很容易出现识别错误或混淆，以致角度纠正出错的情况发生。例如，车损图片对应的旋转类别“顺时针旋转90度”与旋转类别“顺时针旋转270度”在利用图片旋转类别识别模型进行识别时极易出现识别混淆错误，而导致车损图片角度纠正错误。因此，本实施例中，当分析识别出的车损图片对应的旋转类别为易发生混淆错误的第二预设旋转类别或者第三预设旋转类别(例如“顺时针旋转90度”或“顺时针旋转270度”)时，根据识别出的旋转类别对应的旋转控制参数对收到的车损图片进行旋转处理。进一步地，将旋转处理后的图片作为待二次识别的旋转图片，并继续对该待二次识别的旋转图片进行二次识别。若二次识别后的旋转类别是第一预设旋转类别(如“顺时针旋转0度”或者“顺时针旋转360度”)，则说明待二次识别的旋转图片为角度正常的车损图片，即没有发生混淆错误的情况。若所述二次识别旋转类别是第四预设旋转类别，则可确定在初次对收到的车损图片的旋转类别进行识别时，出现了混淆错误的情况，则可进一步确定该车损图片正确的旋转类别与其初次识别出的旋转类别不同，且为与其初次识别出的旋转类别所容易混淆的旋转类别。
本实施例中对易发生混淆错误的车损图片对应的旋转类别，采用二次识别的方式进行识别、验证，以进一步提高车损图片角度纠正的准确率。
进一步地，在其他实施例中，所述步骤S20还包括：
若识别出的车损图片对应的旋转类别不是第二预设旋转类别，且不是第三预设旋转类别，则说明收到的车损图片对应的旋转类别不属于容易混淆、出错的旋转类别，则直接根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，并根据确定的旋转控制参数对收到的车损图片进行旋转处理，以高效、准确地生成角度正常的车损图片。
此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有车损图片角度纠正系统，所述车损图片角度纠正系统可被至少一个处理器执行，以使所述至少一个处理器执行如上述实施例中的车损图片角度纠正方法的步骤，该车损图片角度纠正方法的步骤S10、S20、S30等具体实施过程如上文所述，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (8)

1.一种车损图片角度纠正方法，其特征在于，所述方法包括以下步骤：
A、车损图片角度纠正系统在收到待分类和识别的车损图片后，利用预先训练的图片旋转类别识别模型识别出收到的车损图片对应的旋转类别；
B、根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，所述旋转控制参数包括旋转角度和旋转方向；
C、根据确定的旋转控制参数对收到的车损图片进行旋转处理，以生成角度正常的车损图片；
所述步骤A之后，该方法还包括：
分析识别出的车损图片对应的旋转类别是否是第二预设旋转类别或者第三预设旋转类别；其中，所述第二预设旋转类别为顺时针旋转90度，所述第三预设旋转类别为顺时针旋转270度；或者，所述第二预设旋转类别为顺时针旋转270度，所述第三预设旋转类别为顺时针旋转90度；
所述步骤B包括：若识别出的旋转类别是第二预设旋转类别，则根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数；
所述步骤C包括：根据确定的旋转控制参数对收到的车损图片进行旋转处理，生成待二次识别的旋转图片；
所述步骤C之后，该方法还包括：
利用预先训练的图片旋转类别识别模型识别出待二次识别的旋转图片对应的二次识别旋转类别；
若所述二次识别旋转类别是第一预设旋转类别，则确定待二次识别的旋转图片为角度正常的车损图片；所述第一预设旋转类别为顺时针旋转0度或顺时针旋转360度；
若所述二次识别旋转类别是第四预设旋转类别，则确定识别出的车损图片对应的旋转类别是第三预设旋转类别，根据预先确定的旋转类别与旋转控制参数的映射关系，确定第三预设旋转类别对应的旋转控制参数，并根据确定的旋转控制参数对收到的车损图片进行旋转处理，以生成角度正常的车损图片；所述第四预设旋转类别为顺时针旋转180度或逆时针旋转180度。
2.如权利要求1所述的车损图片角度纠正方法，其特征在于，所述图片旋转类别识别模型为深度卷积神经网络模型，所述图片旋转类别识别模型的训练过程如下：
A1、获取预设数量的角度正常的车损图片样本；
A2、按照预设旋转方向，对每个车损图片样本分别进行预设次数角度旋转，以生成各个车损图片样本对应的旋转图片，并为各个车损图片样本及其对应的旋转图片标注对应的旋转类别，各个车损图片样本对应标注第一预设旋转类别；
A3、将标注有旋转类别的每一个车损图片样本及其对应的旋转图片作为一个图片训练子集，并将所有图片训练子集分为第一比例的训练集和第二比例的验证集；
A4、利用所述训练集训练所述图片旋转类别识别模型；
A5、利用所述验证集验证训练的图片旋转类别识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加车损图片样本的数量并重新执行步骤A2、A3、A4、A5。
3.如权利要求2所述的车损图片角度纠正方法，其特征在于，对所述车损图片样本每次进行角度旋转的旋转角度为a，若360/a为正整数，则所述对每个车损图片样本分别进行预设次数角度旋转中的预设次数等于(360/a)；若360/a为小数，则所述预设次数等于(360/a)的整数部分。
4.如权利要求1所述的车损图片角度纠正方法，其特征在于，所述步骤B还包括：
若识别出的车损图片对应的旋转类别不是第二预设旋转类别，且不是第三预设旋转类别，则根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，并执行步骤C。
5.一种电子装置，其特征在于，所述电子装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车损图片角度纠正系统，所述车损图片角度纠正系统被所述处理器执行时实现如下步骤：
在收到待分类和识别的车损图片后，利用预先训练的图片旋转类别识别模型识别出收到的车损图片对应的旋转类别；
根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数，所述旋转控制参数包括旋转角度和旋转方向；
根据确定的旋转控制参数对收到的车损图片进行旋转处理，以生成角度正常的车损图片；
所述处理器还用于执行所述车损图片角度纠正系统，以实现以下步骤：
分析识别出的车损图片对应的旋转类别是否是第二预设旋转类别或者第三预设旋转类别；其中，所述第二预设旋转类别为顺时针旋转90度，所述第三预设旋转类别为顺时针旋转270度；或者，所述第二预设旋转类别为顺时针旋转270度，所述第三预设旋转类别为顺时针旋转90度；
根据确定的旋转控制参数对收到的车损图片进行旋转处理，生成待二次识别的旋转图片；
利用预先训练的图片旋转类别识别模型识别出待二次识别的旋转图片对应的二次识别旋转类别；
若识别出的旋转类别是第二预设旋转类别，则根据预先确定的旋转类别与旋转控制参数的映射关系，确定识别的旋转类别对应的旋转控制参数；若所述二次识别旋转类别是第一预设旋转类别，则确定待二次识别的旋转图片为角度正常的车损图片；所述第一预设旋转类别为顺时针旋转0度或顺时针旋转360度；若所述二次识别旋转类别是第四预设旋转类别，则确定识别出的车损图片对应的旋转类别是第三预设旋转类别，根据预先确定的旋转类别与旋转控制参数的映射关系，确定第三预设旋转类别对应的旋转控制参数；所述第四预设旋转类别为顺时针旋转180度或逆时针旋转180度。
6.如权利要求5所述的电子装置，其特征在于，所述图片旋转类别识别模型为深度卷积神经网络模型，所述图片旋转类别识别模型的训练过程如下：
A1、获取预设数量的角度正常的车损图片样本；
A2、按照预设旋转方向，对每个车损图片样本分别进行预设次数角度旋转，以生成各个车损图片样本对应的旋转图片，并为各个车损图片样本及其对应的旋转图片标注对应的旋转类别，各个车损图片样本对应标注第一预设旋转类别；
A3、将标注有旋转类别的每一个车损图片样本及其对应的旋转图片作为一个图片训练子集，并将所有图片训练子集分为第一比例的训练集和第二比例的验证集；
A4、利用所述训练集训练所述图片旋转类别识别模型；
A5、利用所述验证集验证训练的图片旋转类别识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加车损图片样本的数量并重新执行步骤A2、A3、A4、A5。
7.如权利要求6所述的电子装置，其特征在于，对所述车损图片样本每次进行角度旋转的旋转角度为a，若360/a为正整数，则所述对每个车损图片样本分别进行预设次数角度旋转中的预设次数等于(360/a)；若360/a为小数，则所述预设次数等于(360/a)的整数部分。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有车损图片角度纠正系统，所述车损图片角度纠正系统可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-4中任一项所述的车损图片角度纠正方法的步骤。
CN201710313201.0A 2017-05-05 2017-05-05 车损图片角度纠正方法、电子装置及可读存储介质 Active CN107180413B (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
CN201710313201.0A CN107180413B (zh) 2017-05-05 2017-05-05 车损图片角度纠正方法、电子装置及可读存储介质
PCT/CN2017/105002 WO2018201665A1 (zh) 2017-05-05 2017-09-30 车损图片角度纠正方法、电子装置及可读存储介质
EP17904353.4A EP3428848A4 (en) 2017-05-05 2017-09-30 PROCEDURE FOR CORRECTING THE IMAGE ANGLE IN VEHICLE DAMAGE, ELECTRONIC DEVICE AND SAVABLE STORAGE MEDIUM
KR1020187024868A KR102170930B1 (ko) 2017-05-05 2017-09-30 자동차 파손 그림 각도 보정 방법, 전자장치 및 판독 가능한 저장매체
SG11201900259QA SG11201900259QA (en) 2017-05-05 2017-09-30 Car damage picture angle correction method, electronic device, and readable storage medium
AU2017408804A AU2017408804B2 (en) 2017-05-05 2017-09-30 Car damage picture angle correction method, electronic device, and readable storage medium
US16/084,993 US11386499B2 (en) 2017-05-05 2017-09-30 Car damage picture angle correction method, electronic device, and readable storage medium
JP2018538153A JP6660475B2 (ja) 2017-05-05 2017-09-30 車両損傷画像の角度補正方法、電子装置及び読み取り可能な記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710313201.0A CN107180413B (zh) 2017-05-05 2017-05-05 车损图片角度纠正方法、电子装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN107180413A CN107180413A (zh) 2017-09-19
CN107180413B true CN107180413B (zh) 2019-03-15

Family

ID=59831051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710313201.0A Active CN107180413B (zh) 2017-05-05 2017-05-05 车损图片角度纠正方法、电子装置及可读存储介质

Country Status (8)

Country Link
US (1) US11386499B2 (zh)
EP (1) EP3428848A4 (zh)
JP (1) JP6660475B2 (zh)
KR (1) KR102170930B1 (zh)
CN (1) CN107180413B (zh)
AU (1) AU2017408804B2 (zh)
SG (1) SG11201900259QA (zh)
WO (1) WO2018201665A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180413B (zh) * 2017-05-05 2019-03-15 平安科技（深圳）有限公司 车损图片角度纠正方法、电子装置及可读存储介质
CN108255995A (zh) * 2017-12-29 2018-07-06 北京奇虎科技有限公司 一种输出图像的方法及装置
CN109583445B (zh) * 2018-11-26 2024-08-02 平安科技（深圳）有限公司 文字图像校正处理方法、装置、设备及存储介质
CN110991388B (zh) * 2019-12-16 2023-07-14 小哆智能科技(北京)有限公司 一种人物照视图方位校正角度计算的方法
CN111553268A (zh) * 2020-04-27 2020-08-18 深圳壹账通智能科技有限公司 车辆部件识别方法、装置、计算机设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729649A (zh) * 2014-01-14 2014-04-16 三星电子（中国）研发中心 一种图像旋转角度检测方法和装置
CN104732225A (zh) * 2013-12-24 2015-06-24 中国科学院深圳先进技术研究院 图像旋转处理方法
CN104778448A (zh) * 2015-03-24 2015-07-15 孙建德 一种基于结构自适应卷积神经网络的人脸识别方法
CN105825243A (zh) * 2015-01-07 2016-08-03 阿里巴巴集团控股有限公司 证件图像检测方法及设备

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6959109B2 (en) * 2002-06-20 2005-10-25 Identix Incorporated System and method for pose-angle estimation
JP5527213B2 (ja) 2008-11-06 2014-06-18 日本電気株式会社 画像向き判定装置、画像向き判定方法及び画像向き判定プログラム
US8903167B2 (en) * 2011-05-12 2014-12-02 Microsoft Corporation Synthesizing training samples for object recognition
CN103488965B (zh) * 2013-08-20 2016-06-15 成都我来啦网格信息科技有限公司 运单信息录入和彩色色块编码解码系统
TWI545523B (zh) 2013-08-30 2016-08-11 國立中央大學 影像形狀校正方法以及應用影像形狀校正方法之影像形狀校正裝置
EP3007099B1 (en) * 2014-10-10 2022-12-07 Continental Autonomous Mobility Germany GmbH Image recognition system for a vehicle and corresponding method
GB201517462D0 (en) * 2015-10-02 2015-11-18 Tractable Ltd Semi-automatic labelling of datasets
CN105607835A (zh) * 2015-12-21 2016-05-25 惠州Tcl移动通信有限公司 图片方向自动调整的移动终端及其显示方法
CN107180413B (zh) * 2017-05-05 2019-03-15 平安科技（深圳）有限公司 车损图片角度纠正方法、电子装置及可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732225A (zh) * 2013-12-24 2015-06-24 中国科学院深圳先进技术研究院 图像旋转处理方法
CN103729649A (zh) * 2014-01-14 2014-04-16 三星电子（中国）研发中心 一种图像旋转角度检测方法和装置
CN105825243A (zh) * 2015-01-07 2016-08-03 阿里巴巴集团控股有限公司 证件图像检测方法及设备
CN104778448A (zh) * 2015-03-24 2015-07-15 孙建德 一种基于结构自适应卷积神经网络的人脸识别方法

Also Published As

Publication number Publication date
WO2018201665A1 (zh) 2018-11-08
EP3428848A1 (en) 2019-01-16
EP3428848A4 (en) 2019-12-11
AU2017408804B2 (en) 2020-01-16
AU2017408804A1 (en) 2018-11-22
JP6660475B2 (ja) 2020-03-11
US20210090176A1 (en) 2021-03-25
US11386499B2 (en) 2022-07-12
JP2019516147A (ja) 2019-06-13
SG11201900259QA (en) 2019-02-27
KR20190021190A (ko) 2019-03-05
KR102170930B1 (ko) 2020-10-29
CN107180413A (zh) 2017-09-19

Similar Documents

Publication Publication Date Title
CN107180413B (zh) 车损图片角度纠正方法、电子装置及可读存储介质
CN107766809B (zh) 电子装置、票据信息识别方法和计算机可读存储介质
CN107798299B (zh) 票据信息识别方法、电子装置及可读存储介质
WO2020073502A1 (zh) 发票验证方法、融资审核方法、装置、设备及介质
CN107862303B (zh) 表格类图像的信息识别方法、电子装置及可读存储介质
WO2018188199A1 (zh) 理赔单据的字符识别方法、装置、服务器及存储介质
CN112052850B (zh) 车牌识别方法、装置、电子设备及存储介质
CN111382740B (zh) 文本图片解析方法、装置、计算机设备及存储介质
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN110288755A (zh) 基于文本识别的发票检验方法、服务器及存储介质
CN112668575B (zh) 关键信息提取方法、装置、电子设备及存储介质
CN111476234A (zh) 一种遮挡车牌字符识别方法、装置、存储介质和智能设备
CN113128536A (zh) 无监督学习方法、系统、计算机设备及可读存储介质
CN114218110A (zh) 财务数据的对账测试方法、装置、计算机设备及存储介质
CN114386013A (zh) 学籍自动认证方法、装置、计算机设备及存储介质
CN107704253A (zh) 控件的文字颜色变换方法、系统及电子装置
CN114332883A (zh) 发票信息识别方法、装置、计算机设备及存储介质
CN110503089A (zh) 基于众包技术的ocr识别模型训练方法、装置以及计算机设备
CN113221888B (zh) 车牌号管理系统测试方法、装置、电子设备及存储介质
CN110175899A (zh) 一种查验发票的方法、装置、计算机设备及可读存储介质
CN110532186B (zh) 利用验证码进行测试的方法、装置、电子设备和存储介质
CN109409922A (zh) 数据联合建模方法、装置、计算机设备及存储介质
CN109214242A (zh) 传感器数据获取方法、装置、系统及计算机可读存储介质
CN109919914B (zh) 配置文件的校验方法、装置、计算机设备及存储介质
CN105389350A (zh) 一种分布式文件系统元数据信息获取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant