CN109657599B - 距离自适应的车辆外观部件的图片识别方法 - Google Patents

距离自适应的车辆外观部件的图片识别方法 Download PDF

Info

Publication number
CN109657599B
CN109657599B CN201811525650.2A CN201811525650A CN109657599B CN 109657599 B CN109657599 B CN 109657599B CN 201811525650 A CN201811525650 A CN 201811525650A CN 109657599 B CN109657599 B CN 109657599B
Authority
CN
China
Prior art keywords
picture
image
vehicle
close
vehicle appearance
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
CN201811525650.2A
Other languages
English (en)
Other versions
CN109657599A (zh
Inventor
丛建亭
黄贤俊
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.)
Beijing Shenzhi Hengji Technology Co ltd
Original Assignee
Shenyuan Hengji Technology 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 Shenyuan Hengji Technology Co ltd filed Critical Shenyuan Hengji Technology Co ltd
Priority to CN201811525650.2A priority Critical patent/CN109657599B/zh
Publication of CN109657599A publication Critical patent/CN109657599A/zh
Application granted granted Critical
Publication of CN109657599B publication Critical patent/CN109657599B/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
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种距离自适应的车辆外观部件的图片识别方法，包括：获取包含有不同拍摄距离车辆外观图片的一个车辆图片定损单元；根据车辆外观图片中车辆外观部件的个数对车辆图片定损单元中的特写图进行二分类，分为远特写图片和近特写图片；利用目标跟踪算法确定每张特写图在中景图中的跟踪位置；对车辆外观图片进行图像语义分割；将近特写图片的分割图像与中景图的分割图像进行匹配；对车辆外观图片的分割图像进行车辆外观部件识别，确定车辆外观图片中的车辆外观部件。通过本发明的技术方案，提高了在不同拍摄距离下的识别准确率和识别稳定性，且支持识别的部件种类更加丰富，适用于各种不同的实际应用场景。

Description

距离自适应的车辆外观部件的图片识别方法
技术领域
本发明涉及图像识别技术领域，尤其涉及一种距离自适应的车辆外观部件的图片识别方法。
背景技术
目前，车辆外观部件识别是各类汽车业务中的重要一环，在譬如汽车保险理赔，分时租赁以及汽车日租的取车还车过程，都需要对车辆外观部件进行识别。现有技术中，普遍的实现方式有两种，一种是现场工作人员对待识别车辆查勘并完成车辆外观部件识别，另一种是用户拍摄照片(视频)，用深度学习模型进行处理。
2012年以来，深度学习在计算机视觉领域取得非常大的进步。相比传统使用色彩、HOG等低级视觉特征的图片识别方法；深度神经网络能学得更多高级的、抽象的特征，这使得深度神经网络的性能远远超越传统方法。2014年以来，深度学习开始在物体检测，语义分割，目标跟踪等计算机视觉领域取得突出进展，涌现出YOLO，Faster RCNN，Deeplab，GOTURN等一系列方法，在特定任务的识别准确率上已经接近或超越了人类识别的水平，而在识别速度和处理数据的规模程度上早已远远超越人类。
现有的车辆外观部件识别方式存在以下问题：
1.人工识别的方式存在延时大，成本高，用户体验差且高度依赖识别人员专业经验的问题，无法大规模扩展使用。
2.在保险理赔、验车、分时租赁等实际的汽车业务应用场景中，不仅需要对车辆进行远距离的拍摄，还要求对车辆进行近距离的拍摄。现有的系统只适用于较远距离拍摄场景，而如何在近距离情况下准确地识别车辆部件，成为影响整个车辆部件识别系统落地的难题。另外，现有系统所支持识别的车辆外观部件种类少，无法满足实际应用的需求。
3.单一地使用分类模型，无法覆盖车辆业务实际应用场景当中的需求，支持识别的部件数量太少，深度学习模型结构简单，鲁棒性差。
发明内容
针对上述问题中的至少之一，本发明提供了一种距离自适应的车辆外观部件的图片识别方法，通过获取一个包含不同拍摄距离下的车辆外观图片的车辆图片定损单元，根据车辆外观图片中包含车辆外观部件个数将特写图分为远特写图片和近特写图片，对远特写图片和近特写图片使用针对性的图像语义分割模型进行图像分割，并利用目标跟踪算法确定特写图在中景图中的位置，结合图像分割结果和目标跟踪定位信息将近特写图片中的分割图像与中景图的分割图像相匹配，然后根据深度卷积神经网络进行车辆外观部件识别，确定每张车辆外观图片中的车辆外观部件。本发明利用多种深度学习模型，提高了在不同拍摄距离下的识别准确率和识别稳定性，且支持识别的部件种类更加丰富，适用于各种不同的实际应用场景。
为实现上述目的，本发明提供了一种距离自适应的车辆外观部件的图片识别方法，包括：获取包含有不同拍摄距离车辆外观图片的一个车辆图片定损单元，所述车辆图片定损单元中包括一张中景图和多张特写图；利用深度卷积神经网络根据所述车辆外观图片中车辆外观部件的个数对所述车辆图片定损单元中的特写图进行二分类，分为远特写图片和近特写图片，其中，所述远特写图片中包括多于3个且少于5个车辆外观部件，所述近特写图片中包括少于3个车辆外观部件；利用目标跟踪算法确定每张所述特写图在所述中景图中的跟踪位置；利用针对不同车辆外观部件个数类别的图像语义分割模型对该类车辆外观图片进行图像语义分割，分别获得所述中景图、所述远特写图片和所述近特写图片的分割图像；综合所述中景图的分割图像、所述特写图在所述中景图中的跟踪位置与近特写图片的分割图像进行分析，将所述近特写图片的分割图像与所述中景图的分割图像进行匹配；利用深度卷积神经网络对所述车辆外观图片的分割图像进行车辆外观部件识别，确定所述车辆外观图片中的车辆外观部件。
在上述技术方案中，优选地，所述的距离自适应的车辆外观部件的图片识别方法还包括：在每张所述车辆外观图片中的车辆外观部件区域标识出对应的车辆外观部件标签，并将标识有车辆外观部件标签的车辆外观图片输出，其中，所述车辆外观部件为从外观上所能看到的主要车辆部件，包括：后视镜、轮胎、车门、轮毂、底边、柱外饰板、翼子板、车门玻璃、大灯、尾灯、保险杠、风挡玻璃、前发动机盖、后行李厢平衡尾翼、顶边、车顶、后行李箱盖、保险杠中网。
在上述技术方案中，优选地，所述车辆图片定损单元包括中景图、远特写图片和近特写图片，其中，所述近特写图片的拍摄距离小于所述远特写图片的拍摄距离，所述远特写图片的拍摄距离小于所述中景图的拍摄距离。
在上述技术方案中，优选地，所述利用深度卷积神经网络根据所述车辆外观图片中车辆外观部件的个数对所述车辆图片定损单元中的特写图进行二分类以分为远特写图片和近特写图片具体包括：利用所述深度卷积神经网络判断该车辆图片定损单元中每张特写图中的车辆外观部件个数；将车辆外观部件个数多于3个且少于5个的特写图分类为远特写图片，将车辆外观部件个数少于3个的特写图分类为近特写图片。
在上述技术方案中，优选地，所述利用针对不同车辆外观部件个数类别的图像语义分割模型对该类车辆外观图片进行图像语义分割以分别获得所述中景图、所述远特写图片和所述近特写图片的分割图像的具体过程包括：对图像语义分割算法构建的图像语义分割模型采用包含不同车辆外观部件的图片进行深度学习训练，以得到针对不同车辆外观部件个数类别的图像语义分割模型；利用训练后的图像语义分割模型针对相应车辆外观部件个数类别的车辆外观图片进行图像分割，获得不同车辆外观部件个数下所述车辆外观图片的分割图像。
在上述技术方案中，优选地，所述综合所述中景图的分割图像、所述特写图在所述中景图中的跟踪位置与近特写图片的分割图像进行分析以将所述近特写图片的分割图像与所述中景图的分割图像进行匹配的具体过程包括：根据所述特写图在所述中景图中的跟踪位置，将所述近特写图片的分割图像的外观区域空间结构与所述中景图的跟踪位置区域的外观区域空间结构进行匹配；根据匹配结果将所述近特写图片的分割图像与所述中景图的分割图像进行对应。
在上述技术方案中，优选地，所述利用深度卷积神经网络对所述车辆外观图片的分割图像进行车辆外观部件识别以确定所述车辆外观图片中的车辆外观部件的具体过程包括：利用深度学习网络对各车辆外观图片的分割图像进行识别，以判断出该分割图像为何种车辆外观部件；根据所述近特写图片与所述中景图的匹配结果判断所述近特写图片中的分割图像为何种车辆外观部件。
在上述技术方案中，优选地，所述深度卷积神经网络为VGG、ResNet、MobileNet、NASNet、GoogleNet或Inception V3。
在上述技术方案中，优选地，所述语义分割算法为Deeplab、PSPNet、SegNet、FCN、DIS或IDW-CNN。
在上述技术方案中，优选地，所述目标跟踪算法为goturn、siamesefc、MDNet、RTT或FCNT。
与现有技术相比，本发明的有益效果为：通过获取一个包含不同拍摄距离下的车辆外观图片的车辆图片定损单元，根据车辆外观图片中包含车辆外观部件个数将特写图分为远特写图片和近特写图片，对远特写图片和近特写图片使用针对性的图像语义分割模型进行图像分割，并利用目标跟踪算法确定特写图在中景图中的位置，结合图像分割结果和目标跟踪定位信息将近特写图片中的分割图像与中景图的分割图像相匹配，然后根据深度卷积神经网络进行车辆外观部件识别，确定每张车辆外观图片中的车辆外观部件。本发明利用多种深度学习模型，提高了在不同拍摄距离下的识别准确率和识别稳定性，且支持识别的部件种类更加丰富，适用于各种不同的实际应用场景。
附图说明
图1为本发明一种实施例公开的距离自适应的车辆外观部件的图片识别方法的流程图；
图2为本发明一种实施例公开的距离自适应的车辆外观部件的图片识别方法的流程示意框图。
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的一部分实施例，而不是全部的实施例。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的前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述：
如图1和图2所示，根据本发明提供的一种距离自适应的车辆外观部件的图片识别方法，包括：获取包含有不同拍摄距离车辆外观图片的一个车辆图片定损单元，车辆图片定损单元中包括一张中景图和多张特写图；利用深度卷积神经网络根据车辆外观图片中车辆外观部件的个数对车辆图片定损单元中的特写图进行二分类，分为远特写图片和近特写图片，其中，远特写图片中包括多于3个且少于5个车辆外观部件，近特写图片中包括少于3个车辆外观部件；利用目标跟踪算法确定每张特写图在中景图中的跟踪位置；利用针对不同车辆外观部件个数类别的图像语义分割模型对该类车辆外观图片进行图像语义分割，分别获得中景图、远特写图片和近特写图片的分割图像；综合中景图的分割图像、特写图在中景图中的跟踪位置与近特写图片的分割图像进行分析，将近特写图片的分割图像与中景图的分割图像进行匹配；利用深度卷积神经网络对车辆外观图片的分割图像进行车辆外观部件识别，确定车辆外观图片中的车辆外观部件。
在该实施例中，具体地，通过获取一个包含不同拍摄距离下的车辆外观图片的车辆图片定损单元，根据车辆外观图片中包含车辆外观部件个数将特写图分为远特写图片和近特写图片，对远特写图片和近特写图片使用针对性的图像语义分割模型进行图像分割，并利用目标跟踪算法确定特写图在中景图中的位置，结合图像分割结果和目标跟踪定位信息将近特写图片中的分割图像与中景图的分割图像相匹配，然后根据深度卷积神经网络进行车辆外观部件识别，确定每张车辆外观图片中的车辆外观部件。本发明利用多种深度学习模型，针对实际的各类汽车业务应用场景，解决了不同距离下的车辆外观部件识别问题，实现了在不同拍摄距离下的识别准确率和识别稳定性，且支持识别的部件种类更加丰富，适用于各种不同的实际应用场景，多种深度学习模型的联合使用，使得整个系统更加鲁棒。
在上述实施例中，优选地，的距离自适应的车辆外观部件的图片识别方法还包括：在每张车辆外观图片中的车辆外观部件区域标识出对应的车辆外观部件标签，并将标识有车辆外观部件标签的车辆外观图片输出，其中，车辆外观部件为从外观上所能看到的主要车辆部件，包括：后视镜、轮胎、车门、轮毂、底边、柱外饰板、翼子板、车门玻璃、大灯、尾灯、保险杠、风挡玻璃、前发动机盖、后行李厢平衡尾翼、顶边、车顶、后行李箱盖、保险杠中网。
在上述实施例中，优选地，车辆图片定损单元包括中景图、远特写图片和近特写图片，其中，近特写图片的拍摄距离小于远特写图片的拍摄距离，远特写图片的拍摄距离小于中景图的拍摄距离。中景图中包括至少5个车辆外观部件，远特写图片中包括多于3个且少于5个车辆外观部件，近特写图片中包括少于3个车辆外观部件。
在上述实施例中，优选地，利用深度卷积神经网络根据车辆外观图片中车辆外观部件的个数对车辆图片定损单元中的特写图进行二分类以分为远特写图片和近特写图片具体包括：利用深度卷积神经网络判断该车辆图片定损单元中每张特写图中的车辆外观部件个数；将车辆外观部件个数多于3个且少于5个的特写图分类为远特写图片，将车辆外观部件个数少于3个的特写图分类为近特写图片。特写图的二分类可以使用任何通用的分类算法，如：VGG、ResNet、MobileNet、NASNet、Inception V3等。
在上述实施例中，优选地，利用针对不同车辆外观部件个数类别的图像语义分割模型对该类车辆外观图片进行图像语义分割以分别获得中景图、远特写图片和近特写图片的分割图像的具体过程包括：对图像语义分割算法构建的图像语义分割模型采用包含不同车辆外观部件的图片进行深度学习训练，以得到针对不同车辆外观部件个数类别的图像语义分割模型；利用训练后的图像语义分割模型针对相应车辆外观部件个数类别的车辆外观图片进行图像分割，获得不同车辆外观部件个数下车辆外观图片的分割图像。
其中，语义分割算法包括Deeplab、PSPNet、SegNet、IDW-CNN等，以Deeplab为例阐述其分割原理为：
1)将需要分割的图像输入一个深度卷积神经网络，比如VGG-16或ResNet-101，采用全卷积的方式，用多孔卷积减少信号降采样的程度(比如从32x降到8x)，获得粗略评分图；
2)对粗略评分图进行双线性内插值，增大特征地图到原始图像分辨率；
3)用条件随机场优化分割结果，更好的抓取物体边缘，输出分割图像。
在上述实施例中，优选地，综合中景图的分割图像、特写图在中景图中的跟踪位置与近特写图片的分割图像进行分析以将近特写图片的分割图像与中景图的分割图像进行匹配的具体过程包括：根据特写图在中景图中的跟踪位置，将近特写图片的分割图像的外观区域空间结构与中景图的跟踪位置区域的外观区域空间结构进行匹配；根据匹配结果将近特写图片的分割图像与中景图的分割图像进行对应。
在上述实施例中，优选地，利用深度卷积神经网络对车辆外观图片的分割图像进行车辆外观部件识别以确定车辆外观图片中的车辆外观部件的具体过程包括：利用深度学习网络对各车辆外观图片的分割图像进行识别，以判断出该分割图像为何种车辆外观部件；根据近特写图片与中景图的匹配结果判断近特写图片中的分割图像为何种车辆外观部件。
在上述实施例中，优选地，深度卷积神经网络为VGG、ResNet、MobileNet、NASNet、GoogleNet或Inception V3。
在上述实施例中，优选地，语义分割算法为Deeplab、PSPNet、SegNet、FCN、DIS或IDW-CNN。
在上述实施例中，优选地，目标跟踪算法为MDNet、RTT或FCNT。
以上为本发明的实施方式，根据本发明提出的距离自适应的车辆外观部件的图片识别方法，通过获取一个包含不同拍摄距离下的车辆外观图片的车辆图片定损单元，根据车辆外观图片中包含车辆外观部件个数将特写图分为远特写图片和近特写图片，对远特写图片和近特写图片使用针对性的图像语义分割模型进行图像分割，并利用目标跟踪算法确定特写图在中景图中的位置，结合图像分割结果和目标跟踪定位信息将近特写图片中的分割图像与中景图的分割图像相匹配，然后根据深度卷积神经网络进行车辆外观部件识别，确定每张车辆外观图片中的车辆外观部件。利用多种深度学习模型，针对实际的各类汽车业务应用场景，解决了不同距离下的车辆外观部件识别问题，提高了在不同拍摄距离下的识别准确率和识别稳定性，且支持识别的部件种类更加丰富，适用于各种不同的实际应用场景，多种深度学习模型的联合使用，使得整个系统更加鲁棒。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种距离自适应的车辆外观部件的图片识别方法，其特征在于，包括：
获取包含有不同拍摄距离车辆外观图片的一个车辆图片定损单元，所述车辆图片定损单元中包括一张中景图和多张特写图；
利用深度卷积神经网络根据所述车辆外观图片中车辆外观部件的个数对所述车辆图片定损单元中的特写图进行二分类，分为远特写图片和近特写图片，其中，所述远特写图片中包括多于3个且少于5个车辆外观部件，所述近特写图片中包括少于3个车辆外观部件；
利用目标跟踪算法确定每张所述特写图在所述中景图中的跟踪位置；
利用针对不同车辆外观部件个数类别的图像语义分割模型对当前类别的车辆外观图片进行图像语义分割，分别获得所述中景图、所述远特写图片和所述近特写图片的分割图像；
综合所述中景图的分割图像、所述特写图在所述中景图中的跟踪位置与近特写图片的分割图像进行分析，将所述近特写图片的分割图像与所述中景图的分割图像进行匹配，具体过程包括：
根据所述特写图在所述中景图中的跟踪位置，将所述近特写图片的分割图像的外观区域空间结构与所述中景图的跟踪位置区域的外观区域空间结构进行匹配；
根据匹配结果将所述近特写图片的分割图像与所述中景图的分割图像进行对应；
利用深度卷积神经网络对所述车辆外观图片的分割图像进行车辆外观部件识别，确定所述车辆外观图片中的车辆外观部件。
2.根据权利要求1所述的距离自适应的车辆外观部件的图片识别方法，其特征在于，还包括：
在每张所述车辆外观图片中的车辆外观部件区域标识出对应的车辆外观部件标签，并将标识有车辆外观部件标签的车辆外观图片输出，
其中，所述车辆外观部件为从外观上所能看到的主要车辆部件，包括：后视镜、轮胎、车门、轮毂、底边、柱外饰板、翼子板、车门玻璃、大灯、尾灯、保险杠、风挡玻璃、前发动机盖、后行李厢平衡尾翼、顶边、车顶、后行李箱盖、保险杠中网。
3.根据权利要求1所述的距离自适应的车辆外观部件的图片识别方法，其特征在于，所述车辆图片定损单元包括中景图、远特写图片和近特写图片，其中，所述近特写图片的拍摄距离小于所述远特写图片的拍摄距离，所述远特写图片的拍摄距离小于所述中景图的拍摄距离。
4.根据权利要求3所述的距离自适应的车辆外观部件的图片识别方法，其特征在于，所述利用深度卷积神经网络根据所述车辆外观图片中车辆外观部件的个数对所述车辆图片定损单元中的特写图进行二分类以分为远特写图片和近特写图片具体包括：
利用所述深度卷积神经网络判断该车辆图片定损单元中每张特写图中的车辆外观部件个数；
将车辆外观部件个数多于3个且少于5个的特写图分类为远特写图片，将车辆外观部件个数少于3个的特写图分类为近特写图片。
5.根据权利要求1所述的距离自适应的车辆外观部件的图片识别方法，其特征在于，所述利用针对不同车辆外观部件个数类别的图像语义分割模型对当前类别车辆外观图片进行图像语义分割以分别获得所述中景图、所述远特写图片和所述近特写图片的分割图像的具体过程包括：
对图像语义分割算法构建的图像语义分割模型采用包含不同车辆外观部件的图片进行深度学习训练，以得到针对不同车辆外观部件个数类别的图像语义分割模型；
利用训练后的图像语义分割模型针对相应车辆外观部件个数类别的车辆外观图片进行图像分割，获得不同车辆外观部件个数下所述车辆外观图片的分割图像。
6.根据权利要求1所述的距离自适应的车辆外观部件的图片识别方法，其特征在于，所述利用深度卷积神经网络对所述车辆外观图片的分割图像进行车辆外观部件识别以确定所述车辆外观图片中的车辆外观部件的具体过程包括：
利用深度学习网络对各车辆外观图片的分割图像进行识别，以判断出该分割图像为何种车辆外观部件；
根据所述近特写图片与所述中景图的匹配结果判断所述近特写图片中的分割图像为何种车辆外观部件。
7.根据权利要求1、4或6所述的距离自适应的车辆外观部件的图片识别方法，其特征在于，所述深度卷积神经网络为VGG、ResNet、MobileNet、NASNet、GoogleNet或Inception V3。
8.根据权利要求5所述的距离自适应的车辆外观部件的图片识别方法，其特征在于，所述语义分割算法为Deeplab、PSPNet、SegNet、FCN、DIS或IDW-CNN。
9.根据权利要求1所述的距离自适应的车辆外观部件的图片识别方法，其特征在于，所述目标跟踪算法为goturn、siamesefc、MDNet、RTT或FCNT。
CN201811525650.2A 2018-12-13 2018-12-13 距离自适应的车辆外观部件的图片识别方法 Active CN109657599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811525650.2A CN109657599B (zh) 2018-12-13 2018-12-13 距离自适应的车辆外观部件的图片识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811525650.2A CN109657599B (zh) 2018-12-13 2018-12-13 距离自适应的车辆外观部件的图片识别方法

Publications (2)

Publication Number Publication Date
CN109657599A CN109657599A (zh) 2019-04-19
CN109657599B true CN109657599B (zh) 2023-08-01

Family

ID=66113036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811525650.2A Active CN109657599B (zh) 2018-12-13 2018-12-13 距离自适应的车辆外观部件的图片识别方法

Country Status (1)

Country Link
CN (1) CN109657599B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135437B (zh) 2019-05-06 2022-04-05 北京百度网讯科技有限公司 用于车辆的定损方法、装置、电子设备和计算机存储介质
CN110723072B (zh) * 2019-10-09 2021-06-01 卓尔智联(武汉)研究院有限公司 辅助驾驶方法、装置、计算机设备和存储介质
CN111231175A (zh) * 2020-01-20 2020-06-05 东莞市秉能橡胶有限公司 一种轮胎破碎方法及装置
CN112288755A (zh) * 2020-11-26 2021-01-29 深源恒际科技有限公司 基于视频的车辆外观部件深度学习分割方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934808A (zh) * 2017-02-15 2017-07-07 江苏文光车辆附件有限公司 一种视觉感知下汽车前灯尾灯识别跟踪方法
CN107194323A (zh) * 2017-04-28 2017-09-22 阿里巴巴集团控股有限公司 车辆定损图像获取方法、装置、服务器和终端设备
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
WO2018205467A1 (zh) * 2017-05-10 2018-11-15 平安科技（深圳）有限公司 车损部位的识别方法、系统、电子装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934808A (zh) * 2017-02-15 2017-07-07 江苏文光车辆附件有限公司 一种视觉感知下汽车前灯尾灯识别跟踪方法
CN107194323A (zh) * 2017-04-28 2017-09-22 阿里巴巴集团控股有限公司 车辆定损图像获取方法、装置、服务器和终端设备
WO2018205467A1 (zh) * 2017-05-10 2018-11-15 平安科技（深圳）有限公司 车损部位的识别方法、系统、电子装置及存储介质
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

Also Published As

Publication number Publication date
CN109657599A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
CN109657599B (zh) 距离自适应的车辆外观部件的图片识别方法
US10628890B2 (en) Visual analytics based vehicle insurance anti-fraud detection
CN107729818B (zh) 一种基于深度学习的多特征融合车辆重识别方法
CN108171112B (zh) 基于卷积神经网络的车辆识别与跟踪方法
CN111079586B (zh) 基于深度学习与双目摄像的自动驾驶目标检测系统及方法
CN111898523A (zh) 一种基于迁移学习的遥感图像特种车辆目标检测方法
CN109977782B (zh) 基于目标位置信息推理的跨店经营行为检测方法
CN108446678B (zh) 一种基于骨骼特征的危险驾驶行为识别方法
CN111931627A (zh) 一种基于多模态信息融合的车辆再识别方法及装置
CN112487905B (zh) 一种车辆周边行人危险等级预测方法及系统
CN104615986A (zh) 利用多检测器对场景变化的视频图像进行行人检测的方法
CN109086803B (zh) 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法
CN109657596A (zh) 一种基于深度学习的车辆外观部件识别方法
CN109190504B (zh) 汽车图像数据的处理方法、装置及可读存储介质
CN108960074B (zh) 基于深度学习的小尺寸行人目标检测方法
CN113780435B (zh) 车辆损伤检测方法、装置、设备及存储介质
CN113052159A (zh) 一种图像识别方法、装置、设备及计算机存储介质
CN113159024A (zh) 一种基于改进YOLOv4的车牌识别技术
CN108323209A (zh) 信息处理方法、系统、云处理设备以及计算机程序产品
CN113673527A (zh) 一种车牌识别方法及系统
CN112509321A (zh) 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质
CN117152513A (zh) 一种面向夜间场景的车辆边界定位方法
CN112071076A (zh) 一种高速公路车辆唯一标识特征提取方法及系统
Lashkov et al. Edge-computing-facilitated nighttime vehicle detection investigations with CLAHE-enhanced images
CN110929632A (zh) 面向复杂场景的车辆目标检测方法及装置

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
CP03 Change of name, title or address

Address after: Room 203, 2nd Floor, Building 6, Qinghe Xisanqi East Road, Haidian District, Beijing, 100000

Patentee after: Beijing Shenzhi Hengji Technology Co.,Ltd.

Address before: 0706-003, 113 Zhichun Road, Haidian District, Beijing 100086

Patentee before: SHENYUAN HENGJI TECHNOLOGY CO.,LTD.

CP03 Change of name, title or address