CN109635651B - 一种基于图像识别的车辆定损方法、存储介质及服务器 - Google Patents

一种基于图像识别的车辆定损方法、存储介质及服务器 Download PDF

Info

Publication number
CN109635651B
CN109635651B CN201811321552.7A CN201811321552A CN109635651B CN 109635651 B CN109635651 B CN 109635651B CN 201811321552 A CN201811321552 A CN 201811321552A CN 109635651 B CN109635651 B CN 109635651B
Authority
CN
China
Prior art keywords
vehicle
vector
vehicle part
image
level
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
CN201811321552.7A
Other languages
English (en)
Other versions
CN109635651A (zh
Inventor
彭杉
赵亮
刘金萍
叶苑琼
黄丽合
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 Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China 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 Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN201811321552.7A priority Critical patent/CN109635651B/zh
Publication of CN109635651A publication Critical patent/CN109635651A/zh
Application granted granted Critical
Publication of CN109635651B publication Critical patent/CN109635651B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于计算机技术领域，尤其涉及一种基于图像识别的车辆定损方法、计算机可读存储介质及服务器。所述方法接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取事故车辆的车辆标识和第一图像序列；根据所述车辆标识在预设的数据库中查询所述事故车辆的第二图像序列；根据所述第一图像序列分别计算各个车辆部位的第一特征向量，并根据所述第二图像序列分别计算各个车辆部位的第二特征向量；根据各个车辆部位的第一特征向量和第二特征向量分别计算各个车辆部位的定损向量，并根据所述定损向量对所述事故车辆进行定损。整个定损过程全部自动化完成，大大提高了定损结果的准确率。

Description

一种基于图像识别的车辆定损方法、存储介质及服务器
技术领域
本发明属于计算机技术领域，尤其涉及一种基于图像识别的车辆定损方法、计算机可读存储介质及服务器。
背景技术
随着车辆技术的发展以及车辆数量的剧增，车辆之间发生一些例如剐蹭、追尾等事故的几率也在大大增加。当发生这些事故时，通常由交警或保险公司来进行车辆定损。
现有技术中，在进行车辆定损时，通常是由定损人员根据自己的既往经验针对具体的场景进行人工评估，主要依靠定损人员个人的判断，主观性极强，最终得到的定损结果往往准确率较低。
发明内容
有鉴于此，本发明实施例提供了一种基于图像识别的车辆定损方法、计算机可读存储介质及服务器，以解决人工进行车辆定损时主观性极强且准确率较低的问题。
本发明实施例的第一方面提供了一种基于图像识别的车辆定损方法，可以包括：
接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取事故车辆的车辆标识和第一图像序列，所述第一图像序列包括所述事故车辆的各个车辆部位在事故后的图像；
根据所述车辆标识在预设的数据库中查询所述事故车辆的第二图像序列，所述第二图像序列包括所述事故车辆的各个车辆部位在事故前的图像；
根据所述第一图像序列分别计算各个车辆部位的第一特征向量，并根据所述第二图像序列分别计算各个车辆部位的第二特征向量；
根据各个车辆部位的第一特征向量和第二特征向量分别计算各个车辆部位的定损向量，并根据所述定损向量对所述事故车辆进行定损。
本发明实施例的第二方面提供了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计算机可读指令，所述计算机可读指令被处理器执行时实现如下步骤：
接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取事故车辆的车辆标识和第一图像序列，所述第一图像序列包括所述事故车辆的各个车辆部位在事故后的图像；
根据所述车辆标识在预设的数据库中查询所述事故车辆的第二图像序列，所述第二图像序列包括所述事故车辆的各个车辆部位在事故前的图像；
根据所述第一图像序列分别计算各个车辆部位的第一特征向量，并根据所述第二图像序列分别计算各个车辆部位的第二特征向量；
根据各个车辆部位的第一特征向量和第二特征向量分别计算各个车辆部位的定损向量，并根据所述定损向量对所述事故车辆进行定损。
本发明实施例的第三方面提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取事故车辆的车辆标识和第一图像序列，所述第一图像序列包括所述事故车辆的各个车辆部位在事故后的图像；
根据所述车辆标识在预设的数据库中查询所述事故车辆的第二图像序列，所述第二图像序列包括所述事故车辆的各个车辆部位在事故前的图像；
根据所述第一图像序列分别计算各个车辆部位的第一特征向量，并根据所述第二图像序列分别计算各个车辆部位的第二特征向量；
根据各个车辆部位的第一特征向量和第二特征向量分别计算各个车辆部位的定损向量，并根据所述定损向量对所述事故车辆进行定损。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例在接收到车辆定损请求后，从该车辆定损请求中提取事故车辆的车辆标识和第一图像序列，并根据所述车辆标识在预设的数据库中查询事故车辆的第二图像序列，其中，第一图像序列、第二图像序列分别为事故车辆的各个车辆部位在事故前、后的图像，根据第一图像序列、第二图像序列分别计算各个车辆部位的第一特征向量、第二特征向量，并进一步计算各个车辆部位的定损向量，最后根据该定损向量对事故车辆进行定损。整个定损过程全部自动化完成，无需定损人员进行任何人工干预，摆脱了对于定损人员的个人经验的依赖，各个车辆部位的图像提供了客观精准地进行车辆定损的依据，大大提高了定损结果的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1为本发明实施例中一种基于图像识别的车辆定损方法的一个实施例流程图；
图2为各个车辆部位图像进行图像增强处理的示意流程图；
图3为根据所述定损向量对事故车辆进行定损的示意流程图；
图4为本发明实施例中一种基于图像识别的车辆定损装置的一个实施例结构图；
图5为本发明实施例中一种服务器的示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中一种基于图像识别的车辆定损方法的一个实施例可以包括：
步骤S101、接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取事故车辆的车辆标识和第一图像序列。
在发生车辆事故后，车主可以通过手机、平板电脑等终端设备上安装的指定的应用程序(APP)向服务器发送车辆定损请求。在该车辆定损请求中携带事故车辆的车辆标识和第一图像序列，所述车辆标识可以是车牌号码、车辆识别号码(Vehicle IdentificationNumber，VIN)、发动机号码或者其它标识，可以由车主输入到终端设备中，也可以由终端设备对包含该车辆标识的图像进行光学字符识别(Optical Character Recognition，OCR)识别得到。所述第一图像序列包括所述事故车辆的各个车辆部位在事故后的图像，例如，第一图像序列可以包括保险杠、车门、车轮、悬架、底盘、发动机、气缸等各个车辆部位在事故后的图像，这些图像可以由终端设备的摄像装置拍摄得到。
在本实施例的一种具体实现中，每个车辆部位对应一个图像，并按照预设的顺序将这些图像排列为所述第一图像序列。在本实施例的一种具体实现中，考虑到各个车辆部位的重要性是有差异的，例如，发动机是车辆中最重要的部位，因此，各个不同车辆部位可以对应一个或多个图像，在发动机等核心部位可以拍摄两个以上的图像，从而采集到更加充足的发动机图像数据，而对于其它非核心部位可以只拍摄一个图像，并按照预设的顺序将这些图像排列为所述第一图像序列。
服务器在接收到该车辆定损请求后，即可从中提取出所述车辆标识和所述第一图像序列。
步骤S102、根据所述车辆标识在预设的数据库中查询所述事故车辆的第二图像序列。
所述第二图像序列包括所述事故车辆的各个车辆部位在事故前的图像，例如，在车主为车辆进行投保时，即可由车主或工作人员采集该车辆的各个车辆部位的图像，构成所述第二图像序列，并将该图像序列存储在预设的数据库中，且以车辆标识作为索引，以备后续查询。
步骤S103、根据所述第一图像序列分别计算各个车辆部位的第一特征向量，并根据所述第二图像序列分别计算各个车辆部位的第二特征向量。
如图2所示，为提高计算的准确率，在计算第一特征向量前，可以首先对所述第一图像序列中的各个车辆部位图像进行如下的图像增强处理：
步骤S1031、计算各个车辆部位图像的灰度分布的概率密度。
优选地，可以根据下式计算各个车辆部位图像的灰度分布的概率密度：
其中，s为车辆部位的序号，1≤s≤S，S为车辆部位的总数，Ps(k)为第s个车辆部位图像的第k级灰度分布的概率密度，0≤k≤L，L为灰度等级的级数，其取值可以根据实际情况进行设置，例如，可以将其设置为256、512、1024或者其它取值，ns,k为第s个车辆部位图像的第k级灰度的像素个数，Ns为第s个车辆部位图像的像素总数。
步骤S1032、计算各个车辆部位图像扩展的灰度分布的概率密度。
优选地，可以根据下式计算各个车辆部位图像扩展的灰度分布的概率密度：
其中，q为灰度扩展因子，且0<q<1，其取值可以根据实际情况进行设置，例如，可以将其设置为0.2、0.3、0.5或者其它取值，PMAXs为第s个车辆部位图像灰度分布的概率密度的最大值，即PMAXs＝max(Ps(1)，Ps(2)，...，Ps(k)，...，Ps(L))，max为求最大值函数，Qs(k)为第s个车辆部位图像的第k级灰度扩展后的概率密度。
步骤S1033、对各个车辆部位图像进行图像增强。
优选地，可以根据下式对各个车辆部位图像进行图像增强：
其中，floor为向下取值函数，Fs(k)为第s个车辆部位图像的第k级灰度在图像增强后的灰度值。
通过图2所示的过程，车辆图像得到了进一步地增强，可以大大提高后续定损结果的准确率。
所述第二图像序列中的各个车辆部位图像的图像增强处理与图2所示过程类似，具体可参照上述描述，此处不再赘述。
在图像增强后，本实施例中优选通过局部二值模式(Local Binary Patterns，LBP)算法来构造所述第一图像序列中的各个车辆部位图像的特征向量，也即各个车辆部位的第一特征向量，具体地，构造一种衡量各个像素点与其周围像素点的关系，对图像中的每个像素，通过计算以其为中心的邻域内各像素和中心像素的大小关系，把像素的灰度值转化为一个八位二进制序列。以中心点的像素值为阈值，如果邻域点的像素值小于中心点，则邻域点被二值化为0，否则为1；将二值化得到的0、1序列看成一个8位二进制数，将该二进制数转化为十进制就可得到中心点处的LBP值。计算出每个像素点的LBP值后，将LBP特征谱的统计直方图确定为图像的特征向量。由于利用了周围点与该点的关系对该点进行量化。量化后可以更有效地消除光照对图像的影响。只要光照的变化不足以改变两个点像素值之间的大小关系，那么LBP值不会发生变化，即保证了特征信息提取的准确性。
所述第二图像序列中的各个车辆部位图像的特征向量，也即各个车辆部位的第二特征向量的计算过程与第一特征向量的计算过程类似，具体可参照上述描述，此处不再赘述。
步骤S104、根据各个车辆部位的第一特征向量和第二特征向量分别计算各个车辆部位的定损向量。
将各个车辆部位的第一特征向量记为：
CarVec1s＝(CarElm1s,1,CarElm1s,2,...,CarElm1s,d,...,CarElm1s,DimNum)
其中，d为向量维度的序号，1≤d≤DimNum，DimNum为向量维度的总数，CarElm1s,d为第s个车辆部位的第一特征向量在第d个维度上的取值，CarVec1s为第s个车辆部位的第一特征向量。
将各个车辆部位的第二特征向量记为：
CarVec2s＝(CarElm2s,1,CarElm2s,2,...,CarElm2s,d,...,CarElm2s,DimNum)
其中，CarElm2s,d为第s个车辆部位的第二特征向量在第d个维度上的取值，CarVec1s为第s个车辆部位的第二特征向量。
则可以将各个车辆部位的第一特征向量与第二特征向量之差作为其定损向量，即：
CarFtVecs＝CarVec1s-CarVec2s
其中，CarFtVecs为第s个车辆部位的定损向量，且CarFtVecs＝(CarFtVals,1,CarFtVals,2,...,CarFtVals,d,...,CarFtVals,DimNum)，CarFtVals,d＝CarElm1s,d-CarElm2s,d。
步骤S105、根据所述定损向量对所述事故车辆进行定损。
在本实施例中，步骤S105具体可以包括如图3所示的过程：
步骤S1051、从预设的参照样本集合中提取各个车辆部位的各个定损等级的参照样本向量。
任一参照样本向量如下所示：
SelFtVecs,c,sn＝(SelFtVals,c,sn,1,SelFtVals,c,sn,2,...,SelFtVals,c,sn,d,...,SelFtVals,c,sn,DimNum)
其中，c为定损等级的序号，1≤c≤ClassNum，ClassNum为定损等级的总数，sn为参照样本的序号，1≤sn≤SNs,c，SNs,c为第s个车辆部位的第c个定损等级的参照样本总数，SelFtVals,c,sn,d为第s个车辆部位的第c个定损等级的第sn个参照样本在第d个维度上的取值，SelFtVecs,c,sn为第s个车辆部位的第c个定损等级的第sn个参照样本向量。
所述参照样本集合的设置过程可以包括：
首先，从预设的历史定损数据库中抽取各个车辆部位的各个定损等级的候选样本向量，任一候选样本向量如下所示：
HsFtVecs,c,n＝(HsFtVals,c,n,1,HsFtVals,c,n,2,...,HsFtVals,c,n,d,...,HsFtVals,c,n,DimNum)
其中，n为候选样本的序号，1≤n≤CNs,c，CNs,c为第s个车辆部位的第c个定损等级的候选样本的总数，HsFtVecs,c,n为第s个车辆部位的第c个定损等级的第n个候选样本向量，HsFtVals,c,n,d为第s个车辆部位的第c个定损等级的第n个候选样本向量在第d个维度上的取值。
在本实施例中，可以将历史案件中的处理数据作为后续数据处理的依据。这些历史案件指的是已经进行过的对某一车辆部位定损的案件，也即所述候选样本。历史案件按照该车辆部位最终确定的损毁程度可以分为ClassNum个等级，例如，可以分为轻微损毁、一般损毁、中度损毁、重度损毁等等。
然后，根据下式构造各个车辆部位的各个定损等级的中心向量：
HsCtVecs,c＝(HsCtVals,c,1,HsCtVals,c,2,...,HsCtVals,c,d,...,HsCtVals,c,DimNum)
其中，HsCtVecs,c为第s个车辆部位的第c个定损等级的中心向量，HsCtVals,c,d为第s个车辆部位的第c个定损等级的中心向量在第d个维度上的取值，且
接着，根据下式分别计算各个候选样本向量与对应的中心向量之间的距离：
其中，Diss,c,n为第s个车辆部位的第c个定损等级的第n个候选样本向量与对应的中心向量之间的距离。
最后，选取与对应的中心向量之间的距离最小的前SNs,c个候选样本组成所述参照样本集合，其中，SNs,c为第s个车辆部位的第c个定损等级的参照样本总数，且SNs,c＝η×CNs,c，η为预设的比例系数，可以根据实际情况将其设置为0.2、0.3、0.5或者其它取值。
步骤S1052、分别计算各个车辆部位的定损向量与各个定损等级的参照样本向量之间的平均距离。
优选地，可以根据下式分别计算各个车辆部位的定损向量与各个定损等级的参照样本向量之间的平均距离：
其中，CarFtVals,d为CarFtVecs在第d个维度上的取值，CarFtVecs为第s个车辆部位的定损向量，且CarFtVecs＝(CarFtVals,1,CarFtVals,2,...,CarFtVals,d,...,CarFtVals,DimNum)，AvDiss,c为第s个车辆部位的定损向量与第c个定损等级的参照样本向量之间的平均距离，Weights,c,d为预设的第s个车辆部位的第c个定损等级在第d个维度上的权重系数，可以根据下式计算所述权重系数：
步骤S1053、确定各个车辆部位的定损等级。
优选地，可以根据下式确定各个车辆部位的定损等级：
DmgIdxs＝argmin(AvDiss,1,AvDiss,2,AvDiss,3,...,AvDiss,c,...,AvDiss,ClassNum)
其中，argmin为最小自变量函数，DmgIdxs为第s个车辆部位的定损等级。
在确定了事故车辆各个车辆部位的定损等级之后，服务器可以通过查询数据库的方式确定对应的赔付金额，将第s个车辆部位的定损等级所对应的赔付金额记为Amounts，并根据下式计算整体的定损赔付金额：
服务器根据定损赔付金额及保费上涨规则，自动计算告知用户来年保费上涨情况，用户得知定损赔付金额及保费上涨情况后，可以根据自身情况决定是否进行后续理赔程序。
综上所述，本发明实施例在接收到车辆定损请求后，从该车辆定损请求中提取事故车辆的车辆标识和第一图像序列，并根据所述车辆标识在预设的数据库中查询事故车辆的第二图像序列，其中，第一图像序列、第二图像序列分别为事故车辆的各个车辆部位在事故前、后的图像，根据第一图像序列、第二图像序列分别计算各个车辆部位的第一特征向量、第二特征向量，并进一步计算各个车辆部位的定损向量，最后根据该定损向量对事故车辆进行定损。整个定损过程全部自动化完成，无需定损人员进行任何人工干预，摆脱了对于定损人员的个人经验的依赖，各个车辆部位的图像提供了客观精准地进行车辆定损的依据，大大提高了定损结果的准确率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种基于图像识别的车辆定损方法，图4示出了本发明实施例提供的一种基于图像识别的车辆定损装置的一个实施例结构图。
本实施例中，一种基于图像识别的车辆定损装置可以包括：
定损请求接收模块401，用于接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取事故车辆的车辆标识和第一图像序列，所述第一图像序列包括所述事故车辆的各个车辆部位在事故后的图像；
图像序列查询模块402，用于根据所述车辆标识在预设的数据库中查询所述事故车辆的第二图像序列，所述第二图像序列包括所述事故车辆的各个车辆部位在事故前的图像；
特征向量计算模块403，用于根据所述第一图像序列分别计算各个车辆部位的第一特征向量，并根据所述第二图像序列分别计算各个车辆部位的第二特征向量；
定损向量计算模块404，用于根据各个车辆部位的第一特征向量和第二特征向量分别计算各个车辆部位的定损向量；
车辆定损模块405，用于根据所述定损向量对所述事故车辆进行定损。
进一步地，所述车辆定损模块可以包括：
参照样本向量提取单元，用于从预设的参照样本集合中提取各个车辆部位的各个定损等级的参照样本向量，任一参照样本向量如下所示：
SelFtVecs,c,sn＝(SelFtVals,c,sn,1,SelFtVals,c,sn,2,...,SelFtVals,c,sn,d,...,SelFtVals,c,sn,DimNum)
其中，s为车辆部位的序号，1≤s≤S，S为车辆部位的总数，c为定损等级的序号，1≤c≤ClassNum，ClassNum为定损等级的总数，sn为参照样本的序号，1≤sn≤SNs,c，SNs,c为第s个车辆部位的第c个定损等级的参照样本总数，d为向量维度的序号，1≤d≤DimNum，DimNum为向量维度的总数，SelFtVals,c,sn,d为第s个车辆部位的第c个定损等级的第sn个参照样本在第d个维度上的取值，SelFtVecs,c,sn为第s个车辆部位的第c个定损等级的第sn个参照样本向量；
平均距离计算单元，用于根据下式分别计算各个车辆部位的定损向量与各个定损等级的参照样本向量之间的平均距离：
其中，CarFtVals,d为CarFtVecs在第d个维度上的取值，CarFtVecs为第s个车辆部位的定损向量，且CarFtVecs＝(CarFtVals,1,CarFtVals,2,...,CarFtVals,d,...,CarFtVals,DimNum)，Weights,c,d为预设的权重系数，AvDiss,c为第s个车辆部位的定损向量与第c个定损等级的参照样本向量之间的平均距离；
定损等级确定单元，用于根据下式确定各个车辆部位的定损等级：
DmgIdxs＝argmin(AvDiss,1,AvDiss,2,AvDiss,3,...,AvDiss,c,...,AvDiss,ClassNum)
其中，argmin为最小自变量函数，DmgIdxs为第s个车辆部位的定损等级。
进一步地，所述车辆定损装置还可以包括：
权重系数计算模块，用于根据下式计算所述权重系数：
进一步地，所述车辆定损装置还可以包括：
候选样本向量选取模块，用于从预设的历史定损数据库中抽取各个车辆部位的各个定损等级的候选样本向量，任一候选样本向量如下所示：
HsFtVecs,c,n＝(HsFtVals,c,n,1,HsFtVals,c,n,2,...,HsFtVals,c,n,d,...,HsFtVals,c,n,DimNum)
其中，n为候选样本的序号，1≤n≤CNs,c，CNs,c为第s个车辆部位的第c个定损等级的候选样本的总数，HsFtVecs,c,n为第s个车辆部位的第c个定损等级的第n个候选样本向量，HsFtVals,c,n,d为第s个车辆部位的第c个定损等级的第n个候选样本向量在第d个维度上的取值；
中心向量构造模块，用于根据下式构造各个车辆部位的各个定损等级的中心向量：
HsCtVecs,c＝(HsCtVals,c,1,HsCtVals,c,2,...,HsCtVals,c,d,...,HsCtVals,c,DimNum)
其中，HsCtVecs,c为第s个车辆部位的第c个定损等级的中心向量，HsCtVals,c,d为第s个车辆部位的第c个定损等级的中心向量在第d个维度上的取值，且
距离计算模块，用于根据下式分别计算各个候选样本向量与对应的中心向量之间的距离：
其中，Diss,c,n为第s个车辆部位的第c个定损等级的第n个候选样本向量与对应的中心向量之间的距离；
参照样本集合构造模块，用于选取与对应的中心向量之间的距离最小的前SNs,c个候选样本组成所述参照样本集合，其中，SNs,c＝η×CNs,c，η为预设的比例系数。
进一步地，所述车辆定损装置还可以包括：
第一概率密度计算模块，用于根据下式计算各个车辆部位图像的灰度分布的概率密度：
其中，Ps(k)为第s个车辆部位图像的第k级灰度分布的概率密度，0≤k≤L，L为灰度等级的级数，ns,k为第s个车辆部位图像的第k级灰度的像素个数，Ns为第s个车辆部位图像的像素总数；
第二概率密度计算模块，用于根据下式计算各个车辆部位图像扩展的灰度分布的概率密度：
其中，q为灰度扩展因子，且0<q<1，PMAXs为第s个车辆部位图像灰度分布的概率密度的最大值，即PMAXs＝max(Ps(1)，Ps(2)，...，Ps(k)，...，Ps(L))，max为求最大值函数，Qs(k)为第s个车辆部位图像的第k级灰度扩展后的概率密度；
图像增强模块，用于根据下式对各个车辆部位图像进行图像增强：
其中，floor为向下取值函数，Fs(k)为第s个车辆部位图像的第k级灰度在图像增强后的灰度值。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图5示出了本发明实施例提供的一种服务器的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。
在本实施例中，所述服务器5可以包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机可读指令52，例如执行上述的基于图像识别的车辆定损方法的计算机可读指令。所述处理器50执行所述计算机可读指令52时实现上述各个基于图像识别的车辆定损方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器50执行所述计算机可读指令52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至405的功能。
示例性的，所述计算机可读指令52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令52在所述服务器5中的执行过程。
所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器51可以是所述服务器5的内部存储单元，例如服务器5的硬盘或内存。所述存储器51也可以是所述服务器5的外部存储设备，例如所述服务器5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51还可以既包括所述服务器5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机可读指令以及所述服务器5所需的其它指令和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。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或者该技术方案的全部或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中，包括若干计算机可读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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。
以上所述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精神和范围。

Claims (8)

1.一种基于图像识别的车辆定损方法，其特征在于，包括：
接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取事故车辆的车辆标识和第一图像序列，所述第一图像序列包括所述事故车辆的各个车辆部位在事故后的图像；
根据所述车辆标识在预设的数据库中查询所述事故车辆的第二图像序列，所述第二图像序列包括所述事故车辆的各个车辆部位在事故前的图像；
根据所述第一图像序列分别计算各个车辆部位的第一特征向量，并根据所述第二图像序列分别计算各个车辆部位的第二特征向量；
根据各个车辆部位的第一特征向量和第二特征向量分别计算各个车辆部位的定损向量；
从预设的参照样本集合中提取各个车辆部位的各个定损等级的参照样本向量，任一参照样本向量如下所示：
SelFtVecs,c,sn＝(SelFtVals,c,sn,1,SelFtVals,c,sn,2,...,SelFtVals,c,sn,d,...,SelFtVals,c,sn,DimNum)
其中，s为车辆部位的序号，1≤s≤S，S为车辆部位的总数，c为定损等级的序号，1≤c≤ClassNum，ClassNum为定损等级的总数，sn为参照样本的序号，1≤sn≤SNs,c，SNs,c为第s个车辆部位的第c个定损等级的参照样本总数，d为向量维度的序号，1≤d≤DimNum，DimNum为向量维度的总数，SelFtVals,c,sn,d为第s个车辆部位的第c个定损等级的第sn个参照样本在第d个维度上的取值，SelFtVecs,c,sn为第s个车辆部位的第c个定损等级的第sn个参照样本向量；
根据下式分别计算各个车辆部位的定损向量与各个定损等级的参照样本向量之间的平均距离：
其中，CarFtVals,d为CarFtVecs在第d个维度上的取值，CarFtVecs为第s个车辆部位的定损向量，且CarFtVecs＝(CarFtVals,1,CarFtVals,2,...,CarFtVals,d,...,CarFtVals,DimNum)，Weights,c,d为预设的权重系数，AvDiss,c为第s个车辆部位的定损向量与第c个定损等级的参照样本向量之间的平均距离；
根据下式确定各个车辆部位的定损等级：
DmgIdxs＝argmin(AvDiss,1,AvDiss,2,AvDiss,3,...,AvDiss,c,...,AvDiss,ClassNum)
其中，argmin为最小自变量函数，DmgIdxs为第s个车辆部位的定损等级。
2.根据权利要求1所述的车辆定损方法，其特征在于，所述权重系数的设置过程包括：
根据下式计算所述权重系数：
3.根据权利要求1所述的车辆定损方法，其特征在于，所述参照样本集合的设置过程包括：
从预设的历史定损数据库中抽取各个车辆部位的各个定损等级的候选样本向量，任一候选样本向量如下所示：
HsFtVecs,c,n＝(HsFtVals,c,n,1,HsFtVals,c,n,2,...,HsFtVals,c,n,d,...,HsFtVals,c,n,DimNum)
其中，n为候选样本的序号，1≤n≤CNs,c，CNs,c为第s个车辆部位的第c个定损等级的候选样本的总数，HsFtVecs,c,n为第s个车辆部位的第c个定损等级的第n个候选样本向量，HsFtVals,c,n,d为第s个车辆部位的第c个定损等级的第n个候选样本向量在第d个维度上的取值；
根据下式构造各个车辆部位的各个定损等级的中心向量：
HsCtVecs,c＝(HsCtVals,c,1,HsCtVals,c,2,...,HsCtVals,c,d,...,HsCtVals,c,DimNum)
其中，HsCtVecs,c为第s个车辆部位的第c个定损等级的中心向量，HsCtVals,c,d为第s个车辆部位的第c个定损等级的中心向量在第d个维度上的取值，且
根据下式分别计算各个候选样本向量与对应的中心向量之间的距离：
其中，Diss,c,n为第s个车辆部位的第c个定损等级的第n个候选样本向量与对应的中心向量之间的距离；
选取与对应的中心向量之间的距离最小的前SNs,c个候选样本组成所述参照样本集合，其中，SNs,c＝η×CNs,c，η为预设的比例系数。
4.根据权利要求1至3中任一项所述的车辆定损方法，其特征在于，在从所述车辆定损请求中提取事故车辆的车辆标识和第一图像序列之后，还包括：
根据下式计算各个车辆部位图像的灰度分布的概率密度：
其中，Ps(k)为第s个车辆部位图像的第k级灰度分布的概率密度，0≤k≤L，L为灰度等级的级数，ns,k为第s个车辆部位图像的第k级灰度的像素个数，Ns为第s个车辆部位图像的像素总数；
根据下式计算各个车辆部位图像扩展的灰度分布的概率密度：
其中，q为灰度扩展因子，且0<q<1，PMAXs为第s个车辆部位图像灰度分布的概率密度的最大值，即PMAXs＝max(Ps(1)，Ps(2)，...，Ps(k)，...，Ps(L))，max为求最大值函数，Qs(k)为第s个车辆部位图像的第k级灰度扩展后的概率密度；
根据下式对各个车辆部位图像进行图像增强：
其中，floor为向下取值函数，Fs(k)为第s个车辆部位图像的第k级灰度在图像增强后的灰度值。
5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至4中任一项所述的基于图像识别的车辆定损方法的步骤。
6.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：
接收终端设备发送的车辆定损请求，并从所述车辆定损请求中提取事故车辆的车辆标识和第一图像序列，所述第一图像序列包括所述事故车辆的各个车辆部位在事故后的图像；
根据所述车辆标识在预设的数据库中查询所述事故车辆的第二图像序列，所述第二图像序列包括所述事故车辆的各个车辆部位在事故前的图像；
根据所述第一图像序列分别计算各个车辆部位的第一特征向量，并根据所述第二图像序列分别计算各个车辆部位的第二特征向量；
根据各个车辆部位的第一特征向量和第二特征向量分别计算各个车辆部位的定损向量；
从预设的参照样本集合中提取各个车辆部位的各个定损等级的参照样本向量，任一参照样本向量如下所示：
SelFtVecs,c,sn＝(SelFtVals,c,sn,1,SelFtVals,c,sn,2,...,SelFtVals,c,sn,d,...,SelFtVals,c,sn,DimNum)
其中，s为车辆部位的序号，1≤s≤S，S为车辆部位的总数，c为定损等级的序号，1≤c≤ClassNum，ClassNum为定损等级的总数，sn为参照样本的序号，1≤sn≤SNs,c，SNs,c为第s个车辆部位的第c个定损等级的参照样本总数，d为向量维度的序号，1≤d≤DimNum，DimNum为向量维度的总数，SelFtVals,c,sn,d为第s个车辆部位的第c个定损等级的第sn个参照样本在第d个维度上的取值，SelFtVecs,c,sn为第s个车辆部位的第c个定损等级的第sn个参照样本向量；
根据下式分别计算各个车辆部位的定损向量与各个定损等级的参照样本向量之间的平均距离：
其中，CarFtVals,d为CarFtVecs在第d个维度上的取值，CarFtVecs为第s个车辆部位的定损向量，且CarFtVecs＝(CarFtVals,1,CarFtVals,2,...,CarFtVals,d,...,CarFtVals,DimNum)，Weights,c,d为预设的权重系数，AvDiss,c为第s个车辆部位的定损向量与第c个定损等级的参照样本向量之间的平均距离；
根据下式确定各个车辆部位的定损等级：
DmgIdxs＝argmin(AvDiss,1,AvDiss,2,AvDiss,3,...,AvDiss,c,...,AvDiss,ClassNum)
其中，argmin为最小自变量函数，DmgIdxs为第s个车辆部位的定损等级。
7.根据权利要求6所述的服务器，其特征在于，所述参照样本集合的设置过程包括：
从预设的历史定损数据库中抽取各个车辆部位的各个定损等级的候选样本向量，任一候选样本向量如下所示：
HsFtVecs,c,n＝(HsFtVals,c,n,1,HsFtVals,c,n,2,...,HsFtVals,c,n,d,...,HsFtVals,c,n,DimNum)
其中，n为候选样本的序号，1≤n≤CNs,c，CNs,c为第s个车辆部位的第c个定损等级的候选样本的总数，HsFtVecs,c,n为第s个车辆部位的第c个定损等级的第n个候选样本向量，HsFtVals,c,n,d为第s个车辆部位的第c个定损等级的第n个候选样本向量在第d个维度上的取值；
根据下式构造各个车辆部位的各个定损等级的中心向量：
HsCtVecs,c＝(HsCtVals,c,1,HsCtVals,c,2,...,HsCtVals,c,d,...,HsCtVals,c,DimNum)
其中，HsCtVecs,c为第s个车辆部位的第c个定损等级的中心向量，HsCtVals,c,d为第s个车辆部位的第c个定损等级的中心向量在第d个维度上的取值，且
根据下式分别计算各个候选样本向量与对应的中心向量之间的距离：
其中，Diss,c,n为第s个车辆部位的第c个定损等级的第n个候选样本向量与对应的中心向量之间的距离；
选取与对应的中心向量之间的距离最小的前SNs,c个候选样本组成所述参照样本集合，其中，SNs,c＝η×CNs,c，η为预设的比例系数。
8.根据权利要求6至7中任一项所述的服务器，其特征在于，在从所述车辆定损请求中提取事故车辆的车辆标识和第一图像序列之后，还包括：
根据下式计算各个车辆部位图像的灰度分布的概率密度：
其中，Ps(k)为第s个车辆部位图像的第k级灰度分布的概率密度，0≤k≤L，L为灰度等级的级数，ns,k为第s个车辆部位图像的第k级灰度的像素个数，Ns为第s个车辆部位图像的像素总数；
根据下式计算各个车辆部位图像扩展的灰度分布的概率密度：
其中，q为灰度扩展因子，且0<q<1，PMAXs为第s个车辆部位图像灰度分布的概率密度的最大值，即PMAXs＝max(Ps(1)，Ps(2)，...，Ps(k)，...，Ps(L))，max为求最大值函数，Qs(k)为第s个车辆部位图像的第k级灰度扩展后的概率密度；
根据下式对各个车辆部位图像进行图像增强：
其中，floor为向下取值函数，Fs(k)为第s个车辆部位图像的第k级灰度在图像增强后的灰度值。
CN201811321552.7A 2018-11-07 2018-11-07 一种基于图像识别的车辆定损方法、存储介质及服务器 Active CN109635651B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811321552.7A CN109635651B (zh) 2018-11-07 2018-11-07 一种基于图像识别的车辆定损方法、存储介质及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811321552.7A CN109635651B (zh) 2018-11-07 2018-11-07 一种基于图像识别的车辆定损方法、存储介质及服务器

Publications (2)

Publication Number Publication Date
CN109635651A CN109635651A (zh) 2019-04-16
CN109635651B true CN109635651B (zh) 2024-05-24

Family

ID=66067497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811321552.7A Active CN109635651B (zh) 2018-11-07 2018-11-07 一种基于图像识别的车辆定损方法、存储介质及服务器

Country Status (1)

Country Link
CN (1) CN109635651B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329596B (zh) * 2020-11-02 2021-08-24 中国平安财产保险股份有限公司 目标物定损方法、装置、电子设备及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952165A (zh) * 2017-03-13 2017-07-14 平安科技（深圳）有限公司 车险理赔定损的方法及系统
CN108335217A (zh) * 2018-01-25 2018-07-27 中国平安财产保险股份有限公司 车辆出险的模拟理赔方法、装置、设备和计算机存储介质
CN108647563A (zh) * 2018-03-27 2018-10-12 阿里巴巴集团控股有限公司 一种车辆定损的方法、装置及设备
WO2018188503A1 (zh) * 2017-04-11 2018-10-18 平安科技（深圳）有限公司 车辆定损配件匹配方法和系统
WO2018191435A1 (en) * 2017-04-11 2018-10-18 Alibaba Group Holding Limited Picture-based vehicle loss assessment method and apparatus, and electronic device

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8170697B2 (en) * 2008-03-12 2012-05-01 Marion Gregory E System and method for repairing and re-aligning damaged vehicle body and frame structures

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952165A (zh) * 2017-03-13 2017-07-14 平安科技（深圳）有限公司 车险理赔定损的方法及系统
WO2018188503A1 (zh) * 2017-04-11 2018-10-18 平安科技（深圳）有限公司 车辆定损配件匹配方法和系统
WO2018191435A1 (en) * 2017-04-11 2018-10-18 Alibaba Group Holding Limited Picture-based vehicle loss assessment method and apparatus, and electronic device
CN108335217A (zh) * 2018-01-25 2018-07-27 中国平安财产保险股份有限公司 车辆出险的模拟理赔方法、装置、设备和计算机存储介质
CN108647563A (zh) * 2018-03-27 2018-10-12 阿里巴巴集团控股有限公司 一种车辆定损的方法、装置及设备

Also Published As

Publication number Publication date
CN109635651A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
JP6873237B2 (ja) 画像ベースの車両損害評価方法、装置、およびシステム、ならびに電子デバイス
US11823365B2 (en) Automatic image based object damage assessment
WO2020173022A1 (zh) 一种识别车辆违章行为的方法、服务器及存储介质
WO2021143063A1 (zh) 车辆定损方法、装置、计算机设备和存储介质
CN108960055B (zh) 一种基于局部线段模式特征的车道线检测方法
CN109740417B (zh) 发票类型识别方法、装置、存储介质和计算机设备
CN112613344B (zh) 车辆占道检测方法、装置、计算机设备和可读存储介质
CN105335757A (zh) 一种基于局部特征聚合描述符的车型识别方法
CN108537223B (zh) 一种车牌检测方法、系统及设备和存储介质
CN112257541A (zh) 车牌识别方法以及电子设备、计算机可读存储介质
CN114882213A (zh) 一种基于图片识别的动物体重预测估算系统
CN109635651B (zh) 一种基于图像识别的车辆定损方法、存储介质及服务器
CN114494994A (zh) 车辆异常聚集监控方法、装置、计算机设备及存储介质
CN114661702A (zh) 目标数据的去重方法、装置、存储介质及电子装置
CN113963295A (zh) 视频片段中地标识别方法、装置、设备及存储介质
CN111582354B (zh) 图片识别方法、装置、设备及存储介质
CN106778765B (zh) 一种车牌识别的方法及装置
CN117115600A (zh) 无参考图像质量评价的方法、装置及电子设备
CN111985448A (zh) 车辆图像识别方法、装置、计算机设备及可读存储介质
CN109360137B (zh) 一种车辆事故评估方法、计算机可读存储介质及服务器
CN116993517A (zh) 一种车险理赔欺诈识别方法、装置、设备及存储介质
CN109443301B (zh) 一种车辆定损方法、计算机可读存储介质及服务器
CN113947154B (zh) 一种目标检测方法、系统、电子设备及存储介质
CN115439692A (zh) 一种图像处理方法、装置、电子设备及介质
CN115311630A (zh) 区分阈值生成、目标识别模型训练、目标识别方法及装置

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
GR01 Patent grant
GR01 Patent grant