CN109523556A - 车辆部件分割方法和装置 - Google Patents
车辆部件分割方法和装置 Download PDFInfo
- Publication number
- CN109523556A CN109523556A CN201811158064.9A CN201811158064A CN109523556A CN 109523556 A CN109523556 A CN 109523556A CN 201811158064 A CN201811158064 A CN 201811158064A CN 109523556 A CN109523556 A CN 109523556A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- component
- picture
- feature coding
- segmentation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000011218 segmentation Effects 0.000 claims abstract description 47
- 230000015654 memory Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 7
- 239000011521 glass Substances 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007688 edging Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种车辆部件分割方法和装置。该方法,包括:根据车辆的图片,获取车辆的标识信息。根据标识信息与特征编码的对应关系,确定车辆对应的特征编码,特征编码用于表示车辆所具有的部件。将特征编码和车辆的图片输入至预设分割模型中,得到各部件对应的所有像素点。根据各部件对应的所有像素点,对车辆的图片进行部件分割。本发明可以快速、自动且精准地分割出照片中车辆各个外观部件的区域。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种车辆部件分割方法和装置。
背景技术
深度学习技术是近年来人工智能领域取得的最重要的突破之一,在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域都取得了巨大成功,尤其是采用卷积神经网络(Convolutional Neural Networks,CNNs)使得图像分割(即语义分割(Semantic Segmentation))技术的准确率提高了很多。
现有的深度学习技术和图像分割技术广泛应用于汽车、摩托车的车辆部件或者整车的检测。在对车辆部件进行分割时,通常采用金字塔场景解析网络(Pyramid SceneParsing Network,PSP net)或者全卷积神经网络(Fully Convolutional Network,FCNnet),将拍摄的图片输入至上述网络中,实现各个车辆部件的分割。然而,对于不同型号的车辆,其具有的车辆部件不同,采用上述分割方式,易使得车辆部件分割的精度较低。
发明内容
本发明提供一种车辆部件分割方法和装置,以快速、自动且精准地分割出照片中车辆各个外观部件的区域。
第一方面,本发明提供一种车辆部件分割方法,包括:
根据车辆的图片,获取所述车辆的标识信息;
根据标识信息与特征编码的对应关系,确定所述车辆对应的特征编码,所述特征编码用于表示所述车辆所具有的部件;
将所述特征编码和所述车辆的图片输入至预设分割模型中,得到各部件对应的所有像素点;
根据所述各部件对应的所有像素点,对所述车辆的图片进行部件分割。
可选地,所述将所述特征编码和所述车辆的图片输入至预设分割模型中,得到各部件对应的所有像素点,包括:
将所述特征编码和所述车辆的图片输入至预设分割模型中,得到各像素点分别为所述各部件的概率;
针对任一像素点,将概率最大值对应的部件确定为所述像素点对应的部件;
根据各像素点对应的部件,确定所述各部件对应的所有像素点。
可选地,所述根据所述各部件对应的所有像素点,对所述车辆的图片进行部件分割,包括:
根据所述各部件对应的所有像素点,确定所述各部件对应的区域;
根据所述各部件对应的区域,对所述车辆的图片进行部件分割。
可选地,在所述根据所述各部件对应的所有像素点,对所述车辆的图片进行部件分割之后,还包括:
在所述车辆的图片上,对所述车辆的各部件进行标记。
可选地,所述标识信息包括:车辆型号、车辆标志以及车辆格栅中的至少一种。
第二方面,本发明提供一种车辆部件分割装置,包括:
获取模块,用于根据车辆的图片,获取所述车辆的标识信息;
确定模块,用于根据标识信息与特征编码的对应关系,确定所述车辆对应的特征编码,所述特征编码用于表示所述车辆所具有的部件;
所述获取模块,还用于将所述特征编码和所述车辆的图片输入至预设分割模型中,得到各部件对应的所有像素点;
分割模块,用于根据所述各部件对应的所有像素点,对所述车辆的图片进行部件分割。
可选地,所述获取模块,具体用于将所述特征编码和所述车辆的图片输入至预设分割模型中,得到各像素点分别为所述各部件的概率;针对任一像素点,将概率最大值对应的部件确定为所述像素点对应的部件;根据各像素点对应的部件,确定所述各部件对应的所有像素点。
可选地,所述分割模块,具体用于根据所述各部件对应的所有像素点,确定所述各部件对应的区域;根据所述各部件对应的区域,对所述车辆的图片进行部件分割。
可选地,所述装置还包括:标记模块;
所述标记模块,用于在所述分割模块根据所述各部件对应的所有像素点,对所述车辆的图片进行部件分割之后,在所述车辆的图片上,对所述车辆的各部件进行标记。
可选地,所述标识信息包括:车辆型号、车辆标志以及车辆格栅中的至少一种。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的车辆部件分割方法。
第四方面,本发明提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行第一方面所述的车辆部件分割方法。
本发明提供的车辆部件分割方法和装置,通过标识信息与特征编码的对应关系,可以确定图片中车辆对应的特征编码。由于特征编码可以表示车辆所具有的部件,因此,将特征编码和车辆的图片输入至预设分割模型中,可以将不属于图片中车辆的部件去除,快速且准确的得到各部件对应的所有像素点,再根据各部件对应的所有像素点,对车辆的图片进行部件分割,不仅加快了分割的处理速度,还有效提高了分割的处理指令,为车辆智能定损提供可靠的部件数据,便于定损赔付方案的及时确定,解决了现有车辆定损由于拍摄人员现场专业分割而造成车辆定损方案不准确或不及时的问题,提高了车辆定损方案的准确性和及时性,节省大量的人力和物力。
附图说明
为了清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的车辆部件分割方法的流程图;
图2a为本发明提供的一车辆的前视图;
图2b为本发明提供的一车辆的后视图;
图2c为本发明提供的一车辆的左视图;
图2d为本发明提供的一车辆的右视图;
图3为本发明提供的车辆部件分割方法的流程图;
图4为本发明提供的车辆部件分割方法的流程图;
图5a为本发明提供的车辆部件分割方法的流程图;
图5b为本发明提供的一车辆的前视标记图;
图6为本发明提供的车辆部件分割装置的结构示意图;
图7为本发明提供的车辆部件分割装置的结构示意图;
图8为本发明提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明实施例一部分实施例,而不是全部的实施例。基于本发明实施例中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明实施例保护的范围。
本实施例的车辆部件分割方法,可以自动且精确的分割出图片中车辆的各个部件,为智能车辆定损提供可靠的数据来源,解决了现有车辆定损由于拍摄人员现场专业分割而造成车辆定损方案不准确或不及时的问题,提高了车辆定损方案的准确性和及时性,节省大量的人力和物力。
下面,以服务器为执行主体,通过具体实施例,对车辆部件分割方法的具体实现过程进行详细说明。
图1为本发明提供的车辆部件分割方法的流程图,如图1所示,本实施例的车辆部件分割方法可以包括:
S101、根据车辆的图片,获取车辆的标识信息。
具体地,在需要对车辆进行部件分割的场景中,服务器可以利用拍摄装置对车辆进行拍摄,得到车辆的图片,该车辆的图片中包含实际需要对车辆进行部件分割的区域,具体可以包括车辆的全部部件或者车辆的部分部件。
其中,服务器可以内置拍摄装置,也可以外部安装拍摄装置,本实施例对拍摄装置的型号和数量皆不做限定。且本实施例对车辆的图片的数量、格式以及类型也不做限定。举例来说,车辆的图片可以如图2a-图2d所示。
进一步地,由于车辆的图片中包含标识该车辆型号的信息,如,该车辆为三厢轿车、两厢轿车、SUV或者MPV,又如,该车辆的品牌为奥迪、波罗等,因此,服务器可以根据车辆的图片,获得车辆的标识信息,即该标识信息可以表示该车辆的车辆型号。
其中,本实施例对车辆的标识信息不做限定。可选地,标识信息包括:车辆型号、车辆标志以及车辆格栅中的至少一种。
S102、根据标识信息与特征编码的对应关系,确定车辆对应的特征编码,特征编码用于表示车辆所具有的部件。
具体地,由于不同的车辆型号,车辆具有的部件不同,因此,服务器可以通过不同的特征编码来标识车辆所具有的部件和所不具有的部件,从而建立起标识信息与特征编码的对应关系,进而,服务器便可根据S101确定的标识信息,得到车辆对应的特征编码。
其中,本实施例对特征编码的具体形式不做限定,如代码或标识。
在一个具体实施例中,特征编码可以采用“XX…XX”二进制字符串来标识车辆所具有和不具有的部件,其中,二进制字符串中的每一位代表车辆的一个部件,“1”代表车辆具有该部件,“0”代表车辆不具有该部件。
本领域技术人员可以理解,车辆的部件的排序不同,车辆对应的特征编码不同。目前,现有的车辆存在有67个部件,分别为:1前保险杠;2机盖;3左前叶子板;4左A柱;5左前门;6左后叶子板;7左底大边;8后保险杠;9行李箱盖;10右后叶子板;11右底大边;12右后门;13右前门;14右前叶子板;15右A柱;16车顶;17钢圈;18中网;19左前大灯;20左前雾灯;21左前雾灯框;22右前大灯;23右前雾灯;24右前雾灯框;25前保下格栅;26左后视镜;27右后视镜;28左后外尾灯;29左后内尾灯;30右后外尾灯;31右后内尾灯;32左后门;33前挡风玻璃;34后挡风玻璃;35左前门玻璃;36右前门玻璃;37左后门玻璃;38右后门玻璃;39左前门三角玻璃;40右前门三角玻璃;41左后门三角玻璃;42右后门三角玻璃;43左后侧围玻璃;44右后侧围玻璃;45前保下段;46后保下段;47左前门饰板;48右前门饰板;49左后门饰板;50右后门饰板;51左前门饰条;52右前门饰条;53左后门饰条;54右后门饰条;55左前叶子板轮眉;56左后叶子板轮眉;57右前叶子板轮眉;58右后叶子板轮眉;59左前叶子板转向灯;60右前叶子板转向灯;61左前叶子板饰条;62左前叶子板饰板;63右前叶子板饰条;64右前叶子板饰板;65左侧底大边饰条饰板;66右侧底大边饰条饰板;67备胎罩。
若以两厢车型波罗为例,且按照上述部件顺序对车辆对应的特征编码进行设定,则波罗车型的车辆对应的特征编码如下:
“11111111111111111111111111111010100000000000000000000000000000000000”,其中“1”的位置代表波罗车型的车辆存在上述顺序对应的部件,“0”的位置代表波罗车型的车辆不存在上述顺序对应的部件。
S103、将特征编码和车辆的图片输入至预设分割模型中,得到各部件对应的所有像素点。
具体地,服务器可以向预设分割模型输入了车辆对应的特征编码和车辆的图片。由于车辆对应的特征编码表示车辆所具有的部件,因此,服务器事先告知预设分割模型该车辆所具有的部件,该预设分割模型在对车辆的图片进行部件识别时,可以快速且准确的确定出各部件对应的所有像素点,即各部件在图片中所占的区域,减少了识别的时间,提高了识别的速率和准确率。
其中,预设分割模型可以采用深度卷积神经网络(Deep Convolutional NeuralNetworks)结构,该深度卷积神经网络网络包括但不限于:RCNN(Regions with CNNfeatures),SSD(Single Shot MultiBox Detector)、Mask RCNN等物体检测及其他图像分割模型。
需要说明的是:本实施例对服务器基于深度卷积神经网络结构的原理获得预设分割模型的具体实现过程可参照现有技术,此处不做赘述。此外,服务器也可以调用其他设备中的预设分割模型来确定车辆各部件的区域。
进一步地,为了准确确定车辆的部件对应的所有像素点,因此,本实施例中,服务器可以自身事先确定预设分割模型,也可以从其他终端或服务器中获取预设分割模型。下面,以服务器自身可以获取预设分割模型的具体实现方式进行示意。
可选地,服务器获取包含多个车辆的部件图片集,部件图片集中包括多个部件图片。服务器对所有部件图片中的部件的特征信息分别进行标记,得到标记后的部件图片集。服务器根据标记后的部件图片集,构建训练样本。终端根据深度学习卷积网络,建立初始分割模块。根据训练样本,对初始分割模型进行训练,得到目标分割模型。
具体地,由于每个部件中的特征信息不同,且特征信息可以包括多种信息,因此,服务器可以根据各部件中的特征信息,采用代码和/标识等方式,对每个部件对应的轮廓、形状、大小等特征信息进行标记。从而,服务器可以按照每个部件对应的轮廓、形状、大小等特征信息对部件图片集进行分类和标记,得到标记后的部件图片集。
进一步地,由于标记后的部件图片集中标记了每个部件对应的轮廓、形状、大小等特征信息,因此,服务器可以根据标记后的部件图片集,构建训练样本。
具体地,服务器结合深度学习卷积网络,建立部件的初始分割模块,再根据训练样本,对初始分割模型进行训练,得到预设分割模型。
S104、根据各部件对应的所有像素点,对车辆的图片进行部件分割。
具体地,由于各部件对应的所有像素点可以表明各部件在图片中对应的区域,因此,服务器可以根据各部件对应的所有像素点,对车辆的图片进行部件分割,自动且快速的将图片中车辆的部件分割出来。
本实施例提供的车辆部件分割方法,通过标识信息与特征编码的对应关系,可以确定图片中车辆对应的特征编码。由于特征编码可以表示车辆所具有的部件,因此,将特征编码和车辆的图片输入至预设分割模型中,可以将不属于图片中车辆的部件去除,快速且准确的得到各部件对应的所有像素点,再根据各部件对应的所有像素点,对车辆的图片进行部件分割,不仅加快了分割的处理速度,还有效提高了分割的处理指令,为车辆智能定损提供可靠的部件数据,便于定损赔付方案的及时确定,解决了现有车辆定损由于拍摄人员现场专业分割而造成车辆定损方案不准确或不及时的问题,提高了车辆定损方案的准确性和及时性,节省大量的人力和物力。
首先,在上述实施例的基础上,结合图3对图1所示实施例S103中的将特征编码和车辆的图片输入至预设分割模型中,得到各部件对应的所有像素点的具体实现方式进行详细说明。
图3为本发明提供的车辆部件分割方法的流程图,如图3所示,本实施例的车辆部件分割方法可以包括:
S201、根据车辆的图片,获取车辆的标识信息。
S202、根据标识信息与特征编码的对应关系,确定车辆对应的特征编码,特征编码用于表示车辆所具有的部件。
其中,S201和S202分别与图1实施例中的S101和S102实现方式类似,本实施例此处不再赘述。
S2031、将特征编码和车辆的图片输入至预设分割模型中,得到各像素点分别为各部件的概率。
S2032、针对任一像素点,将概率最大值对应的部件确定为像素点对应的部件。
S2033、根据各像素点对应的部件,确定各部件对应的所有像素点。
具体地,由于预设分割模型可识别出车辆的各部件,因此,服务器将特征编码和车辆的图片输入至预设分割模型中,可以得到图片中各像素点各自对应的各部件的概率。
进一步地,对所有像素点中任意一个像素点而言,服务器可以确定该像素点对应各部件的概率最大值,再将该概率最大值对应的部件确定对该像素点对应的部件。对应的,每个像素点对应的部件皆为概率最大值对应的部件,服务器便可确定车辆的各部件对应的所有像素点。进而,服务器可以根据各像素点对应的部件,确定为各部件对应的所有像素点。
举例来说,像素点A为图片中的任意一个像素,像素点A对应部件1的概率为a,像素点A对应部件2的概率为b,像素点A对应部件3的概率为c,且a>b>c,这样,服务器便可将概率为a对应的部件作为像素点A对应的部件。
S204、根据各部件对应的所有像素点,对车辆的图片进行部件分割。
其中,S204与图1实施例中的S104实现方式类似,本实施例此处不再赘述。
其次,在上述实施例的基础上,结合图4对图1所示实施例S104中的根据各部件对应的所有像素点,对车辆的图片进行部件分割的具体实现方式进行详细说明。
图4为本发明提供的车辆部件分割方法的流程图,如图4所示,本实施例的车辆部件分割方法可以包括:
S301、根据车辆的图片,获取车辆的标识信息。
S302、根据标识信息与特征编码的对应关系,确定车辆对应的特征编码,特征编码用于表示车辆所具有的部件。
S303、将特征编码和车辆的图片输入至预设分割模型中,得到各部件对应的所有像素点。
其中,S301、S302和S303分别与图1实施例中的S101、S102和S103实现方式类似,本实施例此处不再赘述。
S3041、根据各部件对应的所有像素点,确定各部件对应的区域。
S3042、根据各部件对应的区域,对车辆的图片进行部件分割。
具体地,服务器可以根据各部件对应的所有像素点,确定图片中各部件对应的区域,进而,服务器便可根据各部件对应的区域,对图片进行车辆的各个部件的分割。
接着,在上述实施例的基础上,结合图5对车辆部件分割方法的具体实现方式进行详细说明。
图5a为本发明提供的车辆部件分割方法的流程图,图5b为本发明提供的一车辆的前视标记图。如图5a所示,本实施例的车辆部件分割方法可以包括:
S401、根据车辆的图片,获取车辆的标识信息。
S402、根据标识信息与特征编码的对应关系,确定车辆对应的特征编码,特征编码用于表示车辆所具有的部件。
S403、将特征编码和车辆的图片输入至预设分割模型中,得到各部件对应的所有像素点。
S404、根据各部件对应的所有像素点,对车辆的图片进行部件分割。
其中,S401、S402、S403和S404分别与图1实施例中的S101、S102、S103和S104实现方式类似,本实施例此处不再赘述。
S405、在车辆的图片上,对车辆的各部件进行标记。
具体地,为了便于拍摄人员可以观看图片中车辆的各部件,服务器可以在对车辆的图片进行部件分割之后,在车辆的图片上标记出该车辆的各部件,更加直观且清晰的向拍摄人员进行部件的显示。
其中,图片上的标记可以采用文字标记或者代码标识等。为了便于说明,结合图5b,本申请以为例,对图片上的车辆的部分部件进行示意,其中,A1代表前保险杠,A2代表机盖,A3代表左前大灯,A4代表右前大灯。
图6为本发明提供的车辆部件分割装置的结构示意图,如图6所示,本实施例的车辆部件分割装置60包括:
获取模块61,根据车辆的图片,获取车辆的标识信息;
确定模块62,根据标识信息与特征编码的对应关系,确定车辆对应的特征编码,特征编码用于表示车辆所具有的部件;
获取模块61,还用于将特征编码和车辆的图片输入至预设分割模型中,得到各部件对应的所有像素点;
处理模块63,根据各部件对应的所有像素点,对车辆的图片进行部件分割。
可选地,获取模块61,具有用于将特征编码和车辆的图片输入至预设分割模型中,得到各像素点分别为各部件的概率;针对任一像素点,将概率最大值对应的部件确定为像素点对应的部件;根据各像素点对应的部件,确定各部件对应的所有像素点。
可选地,分割模块62,具体用于根据各部件对应的所有像素点,确定各部件对应的区域;根据各部件对应的区域,对车辆的图片进行部件分割。
本实施例提供的车辆部件分割装置可用于执行上述的车辆部件分割方法,其实现方式和技术效果类似,本实施例此处不再赘述。
图7为本发明提供的车辆部件分割装置的结构示意图,如图7所示,本实施例的车辆部件分割装置60在图6所示装置结构的基础上,还包括:标记模块64;
标记模块64,用于在分割模块根据各部件对应的所有像素点,对车辆的图片进行部件分割之后,在车辆的图片上,对车辆的各部件进行标记。
可选地,标识信息包括:车辆型号、车辆标志以及车辆格栅中的至少一种。
本实施例提供的车辆部件分割装置可用于执行上述的车辆部件分割方法,其实现方式和技术效果类似,本实施例此处不再赘述。
本发明中可以根据上述方法示例对车辆部件分割装置进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明各实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图8为本发明提供的电子设备的硬件结构示意图。如图8所示,该电子设备80包括:存储器81和处理器82;
存储器81,用于存储计算机程序;
处理器82,用于执行存储器存储的计算机程序,以实现上述实施例中的车辆部件分割方法。具体可以参见前述方法实施例中的相关描述。
可选地,存储器81既可以是独立的,也可以跟处理器82集成在一起。
当存储器81是独立于处理器82之外的器件时,电子设备80还可以包括:
总线83,用于连接存储器81和处理器82。
本实施例提供的电子设备可用于执行上述的车辆部件分割方法,其实现方式和技术效果类似,本实施例此处不再赘述。
本发明还提供一种计算机可读存储介质,计算机可读存储介质包括计算机程序,计算机程序用于实现如上实施例中的车辆部件分割方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例方法的部分步骤。
应理解,上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述计算机可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种车辆部件分割方法,其特征在于,包括:
根据车辆的图片,获取所述车辆的标识信息;
根据标识信息与特征编码的对应关系,确定所述车辆对应的特征编码,所述特征编码用于表示所述车辆所具有的部件;
将所述特征编码和所述车辆的图片输入至预设分割模型中,得到各部件对应的所有像素点;
根据所述各部件对应的所有像素点,对所述车辆的图片进行部件分割。
2.根据权利要求1所述的方法,其特征在于,所述将所述特征编码和所述车辆的图片输入至预设分割模型中,得到各部件对应的所有像素点,包括:
将所述特征编码和所述车辆的图片输入至预设分割模型中,得到各像素点分别为所述各部件的概率;
针对任一像素点,将概率最大值对应的部件确定为所述像素点对应的部件;
根据各像素点对应的部件,确定所述各部件对应的所有像素点。
3.根据权利要求1所述的方法,其特征在于,所述根据所述各部件对应的所有像素点,对所述车辆的图片进行部件分割,包括:
根据所述各部件对应的所有像素点,确定所述各部件对应的区域;
根据所述各部件对应的区域,对所述车辆的图片进行部件分割。
4.根据权利要求3所述的方法,其特征在于,在所述根据所述各部件对应的所有像素点,对所述车辆的图片进行部件分割之后,还包括:
在所述车辆的图片上,对所述车辆的各部件进行标记。
5.根据权利要求1所述的方法,其特征在于,所述标识信息包括:车辆型号、车辆标志以及车辆格栅中的至少一种。
6.一种车辆部件分割装置,其特征在于,包括:
获取模块,用于根据车辆的图片,获取所述车辆的标识信息;
确定模块,用于根据标识信息与特征编码的对应关系,确定所述车辆对应的特征编码,所述特征编码用于表示所述车辆所具有的部件;
所述获取模块,还用于将所述特征编码和所述车辆的图片输入至预设分割模型中,得到各部件对应的所有像素点;
分割模块,用于根据所述各部件对应的所有像素点,对所述车辆的图片进行部件分割。
7.根据权利要求6所述的装置,其特征在于,所述获取模块,具体用于将所述特征编码和所述车辆的图片输入至预设分割模型中,得到各像素点分别为所述各部件的概率;针对任一像素点,将概率最大值对应的部件确定为所述像素点对应的部件;根据各像素点对应的部件,确定所述各部件对应的所有像素点。
8.根据权利要求6所述的装置,其特征在于,所述分割模块,具体用于根据所述各部件对应的所有像素点,确定所述各部件对应的区域;根据所述各部件对应的区域,对所述车辆的图片进行部件分割。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:标记模块;
所述标记模块,用于在所述分割模块根据所述各部件对应的所有像素点,对所述车辆的图片进行部件分割之后,在所述车辆的图片上,对所述车辆的各部件进行标记。
10.根据权利要求6所述的装置,其特征在于,所述标识信息包括:车辆型号、车辆标志以及车辆格栅中的至少一种。
11.一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,所述计算机程序被处理器执行时实现权利要求1-5任一项所述的车辆部件分割方法。
12.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一项所述的车辆部件分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811158064.9A CN109523556A (zh) | 2018-09-30 | 2018-09-30 | 车辆部件分割方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811158064.9A CN109523556A (zh) | 2018-09-30 | 2018-09-30 | 车辆部件分割方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109523556A true CN109523556A (zh) | 2019-03-26 |
Family
ID=65772217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811158064.9A Pending CN109523556A (zh) | 2018-09-30 | 2018-09-30 | 车辆部件分割方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523556A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853060A (zh) * | 2019-11-14 | 2020-02-28 | 上海眼控科技股份有限公司 | 车辆外观检测方法、装置、计算机设备和存储介质 |
CN111209957A (zh) * | 2020-01-03 | 2020-05-29 | 平安科技(深圳)有限公司 | 车辆部件识别方法、装置、计算机设备及存储介质 |
CN112767412A (zh) * | 2020-12-31 | 2021-05-07 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆部件级分割方法、装置以及电子设备 |
CN114663512A (zh) * | 2022-04-02 | 2022-06-24 | 广西科学院 | 一种基于器官编码的医学影像精确定位方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194398A (zh) * | 2017-05-10 | 2017-09-22 | 平安科技(深圳)有限公司 | 车损部位的识别方法及系统 |
CN107766805A (zh) * | 2017-09-29 | 2018-03-06 | 阿里巴巴集团控股有限公司 | 提升车辆定损图像识别结果的方法、装置及服务器 |
CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
-
2018
- 2018-09-30 CN CN201811158064.9A patent/CN109523556A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194398A (zh) * | 2017-05-10 | 2017-09-22 | 平安科技(深圳)有限公司 | 车损部位的识别方法及系统 |
CN107766805A (zh) * | 2017-09-29 | 2018-03-06 | 阿里巴巴集团控股有限公司 | 提升车辆定损图像识别结果的方法、装置及服务器 |
CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853060A (zh) * | 2019-11-14 | 2020-02-28 | 上海眼控科技股份有限公司 | 车辆外观检测方法、装置、计算机设备和存储介质 |
CN111209957A (zh) * | 2020-01-03 | 2020-05-29 | 平安科技(深圳)有限公司 | 车辆部件识别方法、装置、计算机设备及存储介质 |
CN111209957B (zh) * | 2020-01-03 | 2023-07-18 | 平安科技(深圳)有限公司 | 车辆部件识别方法、装置、计算机设备及存储介质 |
CN112767412A (zh) * | 2020-12-31 | 2021-05-07 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆部件级分割方法、装置以及电子设备 |
CN112767412B (zh) * | 2020-12-31 | 2024-04-12 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆部件级分割方法、装置以及电子设备 |
CN114663512A (zh) * | 2022-04-02 | 2022-06-24 | 广西科学院 | 一种基于器官编码的医学影像精确定位方法及系统 |
CN114663512B (zh) * | 2022-04-02 | 2023-04-07 | 广西科学院 | 一种基于器官编码的医学影像精确定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523556A (zh) | 车辆部件分割方法和装置 | |
CN107392103B (zh) | 路面车道线的检测方法及装置、电子设备 | |
CN112967283B (zh) | 基于双目摄像头的目标识别方法、系统、设备及存储介质 | |
CN108021856B (zh) | 车辆尾灯识别方法、装置及车辆 | |
CN109657638B (zh) | 障碍物定位方法、装置和终端 | |
CN106408554A (zh) | 遗留物检测装置、方法和系统 | |
CN110135318B (zh) | 过车记录的确定方法、装置、设备及存储介质 | |
CN112706785B (zh) | 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质 | |
CN109741241B (zh) | 鱼眼图像的处理方法、装置、设备和存储介质 | |
CN110758477A (zh) | 基于二维码识别的列车定位方法及系统 | |
JPWO2011086807A1 (ja) | 車両周辺監視装置 | |
CN108725318B (zh) | 汽车安全预警方法、装置及计算机可读存储介质 | |
CN116142186A (zh) | 不良环境下车辆安全行驶预警方法、装置、介质和设备 | |
CN110097108B (zh) | 非机动车的识别方法、装置、设备及存储介质 | |
Tehrani et al. | Car detection at night using latent filters | |
CN103440771A (zh) | 模糊隶属度和反馈修正在夜间交通视频车辆检测的应用 | |
CN111010545A (zh) | 车辆驾驶决策方法、系统、终端及存储介质 | |
CN112699862A (zh) | 图像数据处理方法、装置、设备和存储介质 | |
US20200361378A1 (en) | Image generation device and image generation method | |
CN112384952A (zh) | 一种相机的标定方法、标定装置及电子设备 | |
CN110120110B (zh) | 倒车图像处理方法、装置、计算机设备及存储介质 | |
CN110727269A (zh) | 车辆控制方法及相关产品 | |
CN115965935A (zh) | 目标检测方法、装置、电子设备、存储介质和程序产品 | |
Singh et al. | Computer vision assisted, real time blind spot detection based collision warning system for two wheelers | |
CN110929737A (zh) | 一种标签生成方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |