CN110070092A - 车型识别方法、装置、计算机设备及存储介质 - Google Patents
车型识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110070092A CN110070092A CN201910197516.2A CN201910197516A CN110070092A CN 110070092 A CN110070092 A CN 110070092A CN 201910197516 A CN201910197516 A CN 201910197516A CN 110070092 A CN110070092 A CN 110070092A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- identified
- pictures
- model
- interior trim
- 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 60
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 36
- 238000003708 edge detection Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 241000270322 Lepidosauria Species 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 230000014509 gene expression Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 16
- 239000010985 leather Substances 0.000 description 16
- 230000005540 biological transmission Effects 0.000 description 13
- 238000005034 decoration Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了车型识别方法、装置、计算机设备及存储介质。该方法包括:若检测到待识别车辆图片且所述待识别车辆图片包括车辆内饰部件,根据所述待识别车辆图片中的车架号获取车辆型号;识别获取所述待识别车辆图片中的各车辆内饰部件,以得到对应的车辆内饰部件序列;将与所述待识别车辆图片对应的车辆内饰部件序列作为预先训练的卷积神经网络模型的输入,得到与所述待识别车辆图片对应的车辆配置等级;根据所述待识别车辆图片对应的车辆型号及车辆配置等级,获取与所述待识别车辆图片对应的唯一车型信息。该方法实现了车型的高效自动化识别和录入,避免了车型信息的人工录入而造成数据错误的风险。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种车型识别方法、装置、计算机设备及存储介质。
背景技术
目前,汽车的种类和型号是日益增多,而且各种汽车的配置各不相同,这就增大了识别车辆的唯一车型的难度。例如在车险投保或理赔的过程中,在登记车辆的车型时,往往需要通过用户手动输入相关车型细节信息,这种方式耗时,而且容易由于人为的因素导致车型信息登记不准确。
发明内容
本发明实施例提供了一种车型识别方法、装置、计算机设备及存储介质,旨在解决现有技术中登记车辆的车型时是手动输入相关车型细节信息,不仅耗时,而且容易由于人为的因素导致车型信息登记不准确的问题。
第一方面,本发明实施例提供了一种车型识别方法,其包括:
若检测到待识别车辆图片且所述待识别车辆图片包括车辆内饰部件,根据所述待识别车辆图片中的车架号获取车辆型号;
识别获取所述待识别车辆图片中的各车辆内饰部件,以得到对应的车辆内饰部件序列;
将与所述待识别车辆图片对应的车辆内饰部件序列作为预先训练的卷积神经网络模型的输入,得到与所述待识别车辆图片对应的车辆配置等级;
根据所述待识别车辆图片对应的车辆型号及车辆配置等级,获取与所述待识别车辆图片对应的唯一车型信息。
第二方面,本发明实施例提供了一种车型识别装置,其包括:
车辆型号获取单元,用于若检测到待识别车辆图片且所述待识别车辆图片包括车辆内饰部件,根据所述待识别车辆图片中的车架号获取车辆型号;
输入序列获取单元,用于识别获取所述待识别车辆图片中的各车辆内饰部件,以得到对应的车辆内饰部件序列;
配置等级获取单元,用于将与所述待识别车辆图片对应的车辆内饰部件序列作为预先训练的卷积神经网络模型的输入,得到与所述待识别车辆图片对应的车辆配置等级;
车型识别单元,用于根据所述待识别车辆图片对应的车辆型号及车辆配置等级,获取与所述待识别车辆图片对应的唯一车型信息。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、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计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的车型识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的车型识别方法。
本发明实施例提供了一种车型识别方法、装置、计算机设备及存储介质。该方法包括若检测到待识别车辆图片且所述待识别车辆图片包括车辆内饰部件,根据所述待识别车辆图片中的车架号获取车辆型号;识别获取所述待识别车辆图片中的各车辆内饰部件,以得到对应的车辆内饰部件序列;将与所述待识别车辆图片对应的车辆内饰部件序列作为预先训练的卷积神经网络模型的输入,得到与所述待识别车辆图片对应的车辆配置等级;根据所述待识别车辆图片对应的车辆型号及车辆配置等级,获取与所述待识别车辆图片对应的唯一车型信息。该方法实现了车型的高效自动化识别和录入,避免了车型信息的人工录入而造成数据错误的风险。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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为本发明实施例提供的车型识别方法的应用场景示意图;
图2为本发明实施例提供的车型识别方法的流程示意图;
图3为本发明实施例提供的车型识别方法的另一流程示意图;
图4为本发明实施例提供的车型识别方法的子流程示意图;
图5为本发明实施例提供的车型识别方法的另一子流程示意图;
图6为本发明实施例提供的车型识别装置的示意性框图;
图7为本发明实施例提供的车型识别装置的另一示意性框图;
图8为本发明实施例提供的车型识别装置的子单元示意性框图;
图9为本发明实施例提供的车型识别装置的另一子单元示意性框图;
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的车型识别方法的应用场景示意图,图2为本发明实施例提供的车型识别方法的流程示意图,该车型识别方法应用于服务器中,该方法通过安装于服务器中的应用软件进行执行。
如图2所示,该方法包括步骤S110~S140。
S110、若检测到待识别车辆图片且所述待识别车辆图片包括车辆内饰部件,根据所述待识别车辆图片中的车架号获取车辆型号。
在本实施例中,是上传端(如智能手机、平板电脑等智能终端)在拍摄了多个视角的车辆图片(尤其是车辆内部的图片)时,将所拍摄并选定上传的车辆图片作为待识别车辆图片上传至服务器。若服务器接收并检测到待识别车辆图片,且所述待识别车辆图片包括车辆内饰部件,根据所述待识别车辆图片中的车架号获取车辆型号。通过对车架号的识别以判断车辆型号,能快速的获知车辆的价值预估信息,如需对车辆进行准确估值,还需进一步识别车辆内饰部件。
其中,车架号,又称车辆识别号码(Vehicle Identification Number,简记为VIN),是一组由十七个英数组成,用于汽车上的一组唯一的号码,可以识别汽车的生产商、引擎、底盘序号及其他性能等资料。为避免与数字的1,0混淆,英文字母“I”、“O”、“Q”均不会被使用。轿车的VIN码大多可以在仪表板左侧、风挡玻璃下面找到,一般写在一块铭牌上。故对待识别车辆图片中的车架号进行识别,其过程类似于车牌识别过程。
在一实施例中,如图3所示,步骤S110之前还包括:
S101、通过爬虫工具爬取预设的网址列表对应网页中包括车辆内饰的车辆图片;
S102、将所述车辆图片中的各车辆内饰部件进行标注以作为待训练卷积神经网络的输入,将车辆图片对应的车辆配置等级作为待训练卷积神经网络的输出,对所述待训练卷积神经网络进行训练,得到用于识别车辆配置等级的卷积神经网络模型。
在本实施例中,通过爬虫工具从预设的网址列表(这些网址列表中存储了大量包括车辆内饰细节的车辆图片),此时可以将所爬取的车辆图片中所包括的内饰部件进行标注。
对车辆内饰部件进行标注时,主要关注:判断方向盘是否多功能,判断天窗有无,判断变速器是手动还是自动,判断是否真皮座椅(判断是否真皮座椅可以通过拍到的座椅图片中座椅部分的反光度来判断,真皮一般反光感不强,而非真皮座椅的拍出来的照片中心部分反光现象明显,会出现白花花的一片),判断后排是否有空调出风口等。例如,当是多功能方向盘时标注为1,不是多功能方向盘时标注为0;当有天窗时标注为1,无天窗时标注为0;当为自动变速器时标注为1,为手动变速器时标注为0;当为真皮座椅标注为1,不为真皮座椅时标注为0;当后排有空调出风口时标注为1,后排无空调出风口时标注为0;例如,某一车辆进行标注后为[1,1,1,1,1],则表示该车辆内饰部件细节为是多功能方向盘、有天窗、是自动变速器、是真皮座椅、后排有空调出风口;当对所爬取的车辆图片进行上述标注后,还需对车辆配置等级进行标注例如[1]、[2]、[3],其中1表示车辆配置等级为高档配置、2表示车辆配置等级为中档配置、3表示车辆配置等级为低档配置。例如某一车辆进行标注后为[1,1,1,1,1],其对应的车辆配置等级为1以表示高档配置车;例如某一车辆进行标注后为[0,0,0,0,0],其对应的车辆配置等级为3以表示低档配置车;例如某一车辆进行标注后为[0,1,0,1,0],其对应的车辆配置等级为2以表示中档配置车。当通过大量的数据对所述待训练卷积神经网络进行训练,得到用于识别车辆配置等级的卷积神经网络模型。
在一实施例中,如图4所示,步骤S110包括:
S111、将所述待识别车辆图片进行灰度化处理,以得到灰度图;
S112、将所述灰度图进行边缘检测,得到边缘检测后灰度图;
S113、将所述边缘检测后灰度图进行二值化处理,得到二值化灰度图;
S114、对所述二值化灰度图进行滤波,得到车架号铭牌候选区域;
S115、定位所述车架号铭牌候选区域中包括字符的区域,以获取车架号;
S116、解析所述车架号以获取车辆型号。
在本实施例中,将所述待识别车辆图片一般是彩色图片。彩色图片包含更多的信息,但是直接对彩色图像进行处理的话,执行速度将会降低,储存空间也会变大。彩色图片的灰度化是图像处理的一种基本的方法,在模式识别领域得到广泛的运用,合理的灰度化将对图像信息的提取和后续处理极有帮助,能够节省储存空间,加快处理速度。
边缘检测的方法是考察图像的像素在某个领域内灰度的变化情况,标识数字图像中亮度变化明显的点。图像的边缘检测能够大幅度地减少数据量,并且剔除不相关的信息,保存图像重要的结构属性。用于边缘检测的算子很多,常用的有Sobel算子(即索贝尔算子),还有Laplacian边缘检测算子(即拉普拉斯边缘检测算子)、Canny边缘检测算子(即坎尼边缘检测算子)等。
灰度图经过边缘检测之后,车架号铭牌上的字符及边缘信息会突出出来,同时,其他非字符和非铭牌边框的边缘纹理特征也突出了出来,为了减少噪声的影响,需要对铭牌图像进行二值化处理,二值化是对图像进行阈值化的一种类型。根据阈值的选取情况,二值化的方法可分为全局阈值法、动态阈值法和局部阈值法,常用最大类间方差法(也称Otsu算法)进行阈值化,来剔除一些梯度值较小的像素,减少需要查找的车牌范围,二值化处理后车牌图像的像素值为0或者255。
之后,在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制,是图像处理中消除噪声的不可或缺的操作,其处理的结果的好坏将直接影响到对后续图像进行处理和分析的有效性和可靠性。常用的滤波操作方法有很多种,如中值滤波、形态学滤波、高斯滤波、双边滤波等。通过对所述二值化灰度图进行滤波,得到车架号铭牌候选区域。
在一实施例中,步骤S115包括:
定位所述车架号铭牌候选区域,通过车牌字符分割所述车架号铭牌候选区域以获取车架号。
即在获取了车架号铭牌候选区域后,可参考车牌字符分割算法,以识别车架号铭牌候选区域的车架号。车牌字符分割就是对已经定位出的车牌区域内的车牌字符进行分割,从而获取车牌上的字符,是车牌字符识别的前提和准备。
当获取了车架号即可根据VIN码获取车辆型号。例如德国宝马汽车公司轿车VIN码中,第一位表示生产国别代码;第二位表示生产厂家代码;第三位表示车型及种类代码;第四~六位表示车型代码;第七位表示发动机型号代码;第八位表示乘员安全保护装置代码;第九位表示VIN检验数代码;第十位表示车型年款代码;第十一位表示总装工厂代码;第十二位表示出厂顺序号代码;通过上述第四~六位即可获取车辆型号。
S120、识别获取所述待识别车辆图片中的各车辆内饰部件,以得到对应的车辆内饰部件序列。
在一实施例中,如图5所示,步骤S120包括:
S121、识别获取所述待识别车辆图片中的方向盘、天窗、变速器、座椅、及空调出风口;
S122、根据预设的标注策略,获取所述待识别车辆图片中的方向盘、天窗、变速器、座椅、及空调出风口分别对应的标示值以组成车辆内饰部件序列。
在本实施例中,当识别获取了待识别车辆图片中的各车辆内饰部件后,针对所列举的5个判断标准一一核对(这5个判断标准即为预先设置的标注策略)以得到对应的车辆内饰部件序列。其中,标注策略为当是多功能方向盘时标注为1,不是多功能方向盘时标注为0;当有天窗时标注为1,无天窗时标注为0;当为自动变速器时标注为1,为手动变速器时标注为0;当为真皮座椅标注为1,不为真皮座椅时标注为0;当后排有空调出风口时标注为1,后排无空调出风口时标注为0;例如,某一车辆进行标注后为[1,1,1,1,1],则表示该车辆内饰部件细节为是多功能方向盘、有天窗、是自动变速器、是真皮座椅、后排有空调出风口。
S130、将与所述待识别车辆图片对应的车辆内饰部件序列作为预先训练的卷积神经网络模型的输入,得到与所述待识别车辆图片对应的车辆配置等级。
在本实施例中,当获取了与所述待识别车辆图片对应的车辆内饰部件序列,将车辆内饰部件序列作为预先训练的卷积神经网络模型的输入,即可得到对应的车辆配置等级。例如,此时将[10100]输入至卷积神经网络模型,可得到对应的车辆配置等级(如2)。通过卷积神经网络模型有效的判断了车辆配置等级,便于车险理赔的过程中,确定车辆实际价值。
S140、根据所述待识别车辆图片对应的车辆型号及车辆配置等级,获取与所述待识别车辆图片对应的唯一车型信息,将所述唯一车型信息存储至预设的存储区域。
在本实施例中,当获取了待识别车辆图片对应的车辆型号及车辆配置等级后,即可自动获取与所述待识别车辆图片对应的唯一车型信息,并根据车辆型号及车辆配置等级估算车辆的实际价值。而且这些信息均是通过图像识别来获取,无需用户手工录入。
该方法实现了车型的高效自动化识别和录入,避免了车型信息的人工录入而造成数据错误的风险。
本发明实施例还提供一种车型识别装置,该车型识别装置用于执行前述车型识别方法的任一实施例。具体地,请参阅图6,图6是本发明实施例提供的车型识别装置的示意性框图。该车型识别装置100可以配置于服务器中。
如图6所示,车型识别装置100包括车辆型号获取单元110、输入序列获取单元120、配置等级获取单元130、车型识别单元140。
车辆型号获取单元110,用于若检测到待识别车辆图片且所述待识别车辆图片包括车辆内饰部件,根据所述待识别车辆图片中的车架号获取车辆型号。
在本实施例中,是上传端(如智能手机、平板电脑等智能终端)在拍摄了多个视角的车辆图片(尤其是车辆内部的图片)时,将所拍摄并选定上传的车辆图片作为待识别车辆图片上传至服务器。若服务器接收并检测到待识别车辆图片,且所述待识别车辆图片包括车辆内饰部件,根据所述待识别车辆图片中的车架号获取车辆型号。通过对车架号的识别以判断车辆型号,能快速的获知车辆的价值预估信息,如需对车辆进行准确估值,还需进一步识别车辆内饰部件。
其中,车架号,又称车辆识别号码(Vehicle Identification Number,简记为VIN),是一组由十七个英数组成,用于汽车上的一组唯一的号码,可以识别汽车的生产商、引擎、底盘序号及其他性能等资料。为避免与数字的1,0混淆,英文字母“I”、“O”、“Q”均不会被使用。轿车的VIN码大多可以在仪表板左侧、风挡玻璃下面找到,一般写在一块铭牌上。故对待识别车辆图片中的车架号进行识别,其过程类似于车牌识别过程。
在一实施例中,如图7所示,车型识别装置100还包括:
图片爬取单元101,用于通过爬虫工具爬取预设的网址列表对应网页中包括车辆内饰的车辆图片;
模型训练单元102,用于将所述车辆图片中的各车辆内饰部件进行标注以作为待训练卷积神经网络的输入,将车辆图片对应的车辆配置等级作为待训练卷积神经网络的输出,对所述待训练卷积神经网络进行训练,得到用于识别车辆配置等级的卷积神经网络模型。
在本实施例中,通过爬虫工具从预设的网址列表(这些网址列表中存储了大量包括车辆内饰细节的车辆图片),此时可以将所爬取的车辆图片中所包括的内饰部件进行标注。
对车辆内饰部件进行标注时,主要关注:判断方向盘是否多功能,判断天窗有无,判断变速器是手动还是自动,判断是否真皮座椅(判断是否真皮座椅可以通过拍到的座椅图片中座椅部分的反光度来判断,真皮一般反光感不强,而非真皮座椅的拍出来的照片中心部分反光现象明显,会出现白花花的一片),判断后排是否有空调出风口等。例如,当是多功能方向盘时标注为1,不是多功能方向盘时标注为0;当有天窗时标注为1,无天窗时标注为0;当为自动变速器时标注为1,为手动变速器时标注为0;当为真皮座椅标注为1,不为真皮座椅时标注为0;当后排有空调出风口时标注为1,后排无空调出风口时标注为0;例如,某一车辆进行标注后为[1,1,1,1,1],则表示该车辆内饰部件细节为是多功能方向盘、有天窗、是自动变速器、是真皮座椅、后排有空调出风口;当对所爬取的车辆图片进行上述标注后,还需对车辆配置等级进行标注例如[1]、[2]、[3],其中1表示车辆配置等级为高档配置、2表示车辆配置等级为中档配置、3表示车辆配置等级为低档配置。例如某一车辆进行标注后为[1,1,1,1,1],其对应的车辆配置等级为1以表示高档配置车;例如某一车辆进行标注后为[0,0,0,0,0],其对应的车辆配置等级为3以表示低档配置车;例如某一车辆进行标注后为[0,1,0,1,0],其对应的车辆配置等级为2以表示中档配置车。当通过大量的数据对所述待训练卷积神经网络进行训练,得到用于识别车辆配置等级的卷积神经网络模型。
在一实施例中,如图8所示,车辆型号获取单元110包括:
灰度化单元111,用于将所述待识别车辆图片进行灰度化处理,以得到灰度图;
边缘检测单元112,用于将所述灰度图进行边缘检测,得到边缘检测后灰度图;
二值化单元113,用于将所述边缘检测后灰度图进行二值化处理,得到二值化灰度图;
滤波单元114,用于对所述二值化灰度图进行滤波,得到车架号铭牌候选区域;
区域定位单元115,用于定位所述车架号铭牌候选区域中包括字符的区域,以获取车架号;
车架号解析单元116,用于解析所述车架号以获取车辆型号。
在本实施例中,将所述待识别车辆图片一般是彩色图片。彩色图片包含更多的信息,但是直接对彩色图像进行处理的话,执行速度将会降低,储存空间也会变大。彩色图片的灰度化是图像处理的一种基本的方法,在模式识别领域得到广泛的运用,合理的灰度化将对图像信息的提取和后续处理极有帮助,能够节省储存空间,加快处理速度。
边缘检测的方法是考察图像的像素在某个领域内灰度的变化情况,标识数字图像中亮度变化明显的点。图像的边缘检测能够大幅度地减少数据量,并且剔除不相关的信息,保存图像重要的结构属性。用于边缘检测的算子很多,常用的有Sobel算子(即索贝尔算子),还有Laplacian边缘检测算子(即拉普拉斯边缘检测算子)、Canny边缘检测算子(即坎尼边缘检测算子)等。
灰度图经过边缘检测之后,车架号铭牌上的字符及边缘信息会突出出来,同时,其他非字符和非铭牌边框的边缘纹理特征也突出了出来,为了减少噪声的影响,需要对铭牌图像进行二值化处理,二值化是对图像进行阈值化的一种类型。根据阈值的选取情况,二值化的方法可分为全局阈值法、动态阈值法和局部阈值法,常用最大类间方差法(也称Otsu算法)进行阈值化,来剔除一些梯度值较小的像素,减少需要查找的车牌范围,二值化处理后车牌图像的像素值为0或者255。
之后,在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制,是图像处理中消除噪声的不可或缺的操作,其处理的结果的好坏将直接影响到对后续图像进行处理和分析的有效性和可靠性。常用的滤波操作方法有很多种,如中值滤波、形态学滤波、高斯滤波、双边滤波等。通过对所述二值化灰度图进行滤波,得到车架号铭牌候选区域。
在一实施例中,区域定位单元115还用于:
定位所述车架号铭牌候选区域,通过车牌字符分割所述车架号铭牌候选区域以获取车架号。
即在获取了车架号铭牌候选区域后,可参考车牌字符分割算法,以识别车架号铭牌候选区域的车架号。车牌字符分割就是对已经定位出的车牌区域内的车牌字符进行分割,从而获取车牌上的字符,是车牌字符识别的前提和准备。
当获取了车架号即可根据VIN码获取车辆型号。例如德国宝马汽车公司轿车VIN码中,第一位表示生产国别代码;第二位表示生产厂家代码;第三位表示车型及种类代码;第四~六位表示车型代码;第七位表示发动机型号代码;第八位表示乘员安全保护装置代码;第九位表示VIN检验数代码;第十位表示车型年款代码;第十一位表示总装工厂代码;第十二位表示出厂顺序号代码;通过上述第四~六位即可获取车辆型号。
输入序列获取单元120,用于识别获取所述待识别车辆图片中的各车辆内饰部件,以得到对应的车辆内饰部件序列。
在一实施例中,如图9所示,输入序列获取单元120包括:
图片指定部位识别单元121,用于识别获取所述待识别车辆图片中的方向盘、天窗、变速器、座椅、及空调出风口;
标示值获取单元122,用于根据预设的标注策略,获取所述待识别车辆图片中的方向盘、天窗、变速器、座椅、及空调出风口分别对应的标示值以组成车辆内饰部件序列。
在本实施例中,当识别获取了待识别车辆图片中的各车辆内饰部件后,针对所列举的5个判断标准一一核对(这5个判断标准即为预先设置的标注策略)以得到对应的车辆内饰部件序列。其中,标注策略为当是多功能方向盘时标注为1,不是多功能方向盘时标注为0;当有天窗时标注为1,无天窗时标注为0;当为自动变速器时标注为1,为手动变速器时标注为0;当为真皮座椅标注为1,不为真皮座椅时标注为0;当后排有空调出风口时标注为1,后排无空调出风口时标注为0;例如,某一车辆进行标注后为[1,1,1,1,1],则表示该车辆内饰部件细节为是多功能方向盘、有天窗、是自动变速器、是真皮座椅、后排有空调出风口。
配置等级获取单元130,用于将与所述待识别车辆图片对应的车辆内饰部件序列作为预先训练的卷积神经网络模型的输入,得到与所述待识别车辆图片对应的车辆配置等级。
在本实施例中,当获取了与所述待识别车辆图片对应的车辆内饰部件序列,将车辆内饰部件序列作为预先训练的卷积神经网络模型的输入,即可得到对应的车辆配置等级。例如,此时将[10100]输入至卷积神经网络模型,可得到对应的车辆配置等级(如2)。通过卷积神经网络模型有效的判断了车辆配置等级,便于车险理赔的过程中,确定车辆实际价值。
车型识别单元140,用于根据所述待识别车辆图片对应的车辆型号及车辆配置等级,获取与所述待识别车辆图片对应的唯一车型信息,将所述唯一车型信息存储至预设的存储区域。
在本实施例中,当获取了待识别车辆图片对应的车辆型号及车辆配置等级后,即可自动获取与所述待识别车辆图片对应的唯一车型信息,并根据车辆型号及车辆配置等级估算车辆的实际价值。而且这些信息均是通过图像识别来获取,无需用户手工录入。
该装置实现了车型的高效自动化识别和录入,避免了车型信息的人工录入而造成数据错误的风险。
上述车型识别装置可以实现为计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10,图10是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图10,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行车型识别方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行车型识别方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图10中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下功能:若检测到待识别车辆图片且所述待识别车辆图片包括车辆内饰部件,根据所述待识别车辆图片中的车架号获取车辆型号;识别获取所述待识别车辆图片中的各车辆内饰部件,以得到对应的车辆内饰部件序列;将与所述待识别车辆图片对应的车辆内饰部件序列作为预先训练的卷积神经网络模型的输入,得到与所述待识别车辆图片对应的车辆配置等级;根据所述待识别车辆图片对应的车辆型号及车辆配置等级,获取与所述待识别车辆图片对应的唯一车型信息,将所述唯一车型信息存储至预设的存储区域。
在一实施例中,处理器502在执行所述若检测到待识别车辆图片且待识别车辆图片包括车辆内饰部件,根据待识别车辆图片中的车架号获取车辆型号的步骤之前,还执行如下操作:通过爬虫工具爬取预设的网址列表对应网页中包括车辆内饰的车辆图片;将所述车辆图片中的各车辆内饰部件进行标注以作为待训练卷积神经网络的输入,将车辆图片对应的车辆配置等级作为待训练卷积神经网络的输出,对所述待训练卷积神经网络进行训练,得到用于识别车辆配置等级的卷积神经网络模型。
在一实施例中,处理器502在执行所述根据所述待识别车辆图片中的车架号获取车辆型号的步骤时,执行如下操作:将所述待识别车辆图片进行灰度化处理,以得到灰度图;将所述灰度图进行边缘检测,得到边缘检测后灰度图;将所述边缘检测后灰度图进行二值化处理,得到二值化灰度图;对所述二值化灰度图进行滤波,得到车架号铭牌候选区域;定位所述车架号铭牌候选区域中包括字符的区域,以获取车架号;解析所述车架号以获取车辆型号。
在一实施例中,处理器502在执行所述定位所述车架号铭牌候选区域中包括字符的区域,以获取车架号的步骤时,执行如下操作:定位所述车架号铭牌候选区域,通过车牌字符分割所述车架号铭牌候选区域以获取车架号。
在一实施例中,处理器502在执行所述识别获取所述待识别车辆图片中的各车辆内饰部件,以得到对应的车辆内饰部件序列的步骤时,执行如下操作:识别获取所述待识别车辆图片中的方向盘、天窗、变速器、座椅、及空调出风口;根据预设的标注策略,获取所述待识别车辆图片中的方向盘、天窗、变速器、座椅、及空调出风口分别对应的标示值以组成车辆内饰部件序列。
本领域技术人员可以理解,图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图10所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,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。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现以下步骤:若检测到待识别车辆图片且所述待识别车辆图片包括车辆内饰部件,根据所述待识别车辆图片中的车架号获取车辆型号;识别获取所述待识别车辆图片中的各车辆内饰部件,以得到对应的车辆内饰部件序列;将与所述待识别车辆图片对应的车辆内饰部件序列作为预先训练的卷积神经网络模型的输入,得到与所述待识别车辆图片对应的车辆配置等级;根据所述待识别车辆图片对应的车辆型号及车辆配置等级,获取与所述待识别车辆图片对应的唯一车型信息,将所述唯一车型信息存储至预设的存储区域。
在一实施例中,所述若检测到待识别车辆图片且待识别车辆图片包括车辆内饰部件,根据待识别车辆图片中的车架号获取车辆型号之前,还包括:通过爬虫工具爬取预设的网址列表对应网页中包括车辆内饰的车辆图片;将所述车辆图片中的各车辆内饰部件进行标注以作为待训练卷积神经网络的输入,将车辆图片对应的车辆配置等级作为待训练卷积神经网络的输出,对所述待训练卷积神经网络进行训练,得到用于识别车辆配置等级的卷积神经网络模型。
在一实施例中,所述根据所述待识别车辆图片中的车架号获取车辆型号,包括:将所述待识别车辆图片进行灰度化处理,以得到灰度图;将所述灰度图进行边缘检测,得到边缘检测后灰度图;将所述边缘检测后灰度图进行二值化处理,得到二值化灰度图;对所述二值化灰度图进行滤波,得到车架号铭牌候选区域;定位所述车架号铭牌候选区域中包括字符的区域,以获取车架号;解析所述车架号以获取车辆型号。
在一实施例中,所述定位所述车架号铭牌候选区域中包括字符的区域,以获取车架号,包括:定位所述车架号铭牌候选区域,通过车牌字符分割所述车架号铭牌候选区域以获取车架号。
在一实施例中,所述识别获取所述待识别车辆图片中的各车辆内饰部件,以得到对应的车辆内饰部件序列,包括:识别获取所述待识别车辆图片中的方向盘、天窗、变速器、座椅、及空调出风口;根据预设的标注策略,获取所述待识别车辆图片中的方向盘、天窗、变速器、座椅、及空调出风口分别对应的标示值以组成车辆内饰部件序列。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置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。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
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、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件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。另外,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、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本发明实施例方案的目的。
另外,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,也可以是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)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种车型识别方法,其特征在于,包括:
若检测到待识别车辆图片且所述待识别车辆图片包括车辆内饰部件,根据所述待识别车辆图片中的车架号获取车辆型号;
识别获取所述待识别车辆图片中的各车辆内饰部件,以得到对应的车辆内饰部件序列;
将与所述待识别车辆图片对应的车辆内饰部件序列作为预先训练的卷积神经网络模型的输入,得到与所述待识别车辆图片对应的车辆配置等级;
根据所述待识别车辆图片对应的车辆型号及车辆配置等级,获取与所述待识别车辆图片对应的唯一车型信息,将所述唯一车型信息存储至预设的存储区域。
2.根据权利要求1所述的车型识别方法,其特征在于,所述若检测到待识别车辆图片且待识别车辆图片包括车辆内饰部件,根据待识别车辆图片中的车架号获取车辆型号之前,还包括:
通过爬虫工具爬取预设的网址列表对应网页中包括车辆内饰的车辆图片;
将所述车辆图片中的各车辆内饰部件进行标注以作为待训练卷积神经网络的输入,将车辆图片对应的车辆配置等级作为待训练卷积神经网络的输出,对所述待训练卷积神经网络进行训练,得到用于识别车辆配置等级的卷积神经网络模型。
3.根据权利要求1所述的车型识别方法,其特征在于,所述根据所述待识别车辆图片中的车架号获取车辆型号,包括:
将所述待识别车辆图片进行灰度化处理,以得到灰度图;
将所述灰度图进行边缘检测,得到边缘检测后灰度图;
将所述边缘检测后灰度图进行二值化处理,得到二值化灰度图;
对所述二值化灰度图进行滤波,得到车架号铭牌候选区域;
定位所述车架号铭牌候选区域中包括字符的区域,以获取车架号;
解析所述车架号以获取车辆型号。
4.根据权利要求3所述的车型识别方法,其特征在于,所述定位所述车架号铭牌候选区域中包括字符的区域,以获取车架号,包括:
定位所述车架号铭牌候选区域,通过车牌字符分割所述车架号铭牌候选区域以获取车架号。
5.根据权利要求1所述的车型识别方法,其特征在于,所述识别获取所述待识别车辆图片中的各车辆内饰部件,以得到对应的车辆内饰部件序列,包括:
识别获取所述待识别车辆图片中的方向盘、天窗、变速器、座椅、及空调出风口;
根据预设的标注策略,获取所述待识别车辆图片中的方向盘、天窗、变速器、座椅、及空调出风口分别对应的标示值以组成车辆内饰部件序列。
6.一种车型识别装置,其特征在于,包括:
车辆型号获取单元,用于若检测到待识别车辆图片且所述待识别车辆图片包括车辆内饰部件,根据所述待识别车辆图片中的车架号获取车辆型号;
输入序列获取单元,用于识别获取所述待识别车辆图片中的各车辆内饰部件,以得到对应的车辆内饰部件序列;
配置等级获取单元,用于将与所述待识别车辆图片对应的车辆内饰部件序列作为预先训练的卷积神经网络模型的输入,得到与所述待识别车辆图片对应的车辆配置等级;
车型识别单元,用于根据所述待识别车辆图片对应的车辆型号及车辆配置等级,获取与所述待识别车辆图片对应的唯一车型信息,将所述唯一车型信息存储至预设的存储区域。
7.根据权利要求6所述的车型识别装置,其特征在于,还包括:
图片爬取单元,用于通过爬虫工具爬取预设的网址列表对应网页中包括车辆内饰的车辆图片;
模型训练单元,用于将所述车辆图片中的各车辆内饰部件进行标注以作为待训练卷积神经网络的输入,将车辆图片对应的车辆配置等级作为待训练卷积神经网络的输出,对所述待训练卷积神经网络进行训练,得到用于识别车辆配置等级的卷积神经网络模型。
8.根据权利要求6所述的车型识别装置,其特征在于,所述车辆型号获取单元,包括:
灰度化单元,用于将所述待识别车辆图片进行灰度化处理,以得到灰度图;
边缘检测单元,用于将所述灰度图进行边缘检测,得到边缘检测后灰度图;
二值化单元,用于将所述边缘检测后灰度图进行二值化处理,得到二值化灰度图;
滤波单元,用于对所述二值化灰度图进行滤波,得到车架号铭牌候选区域;
区域定位单元,用于定位所述车架号铭牌候选区域中包括字符的区域,以获取车架号;
车架号解析单元,用于解析所述车架号以获取车辆型号。
9.一种计算机设备,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计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的车型识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至5任一项所述的车型识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910197516.2A CN110070092A (zh) | 2019-03-15 | 2019-03-15 | 车型识别方法、装置、计算机设备及存储介质 |
PCT/CN2019/118435 WO2020186790A1 (zh) | 2019-03-15 | 2019-11-14 | 车型识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910197516.2A CN110070092A (zh) | 2019-03-15 | 2019-03-15 | 车型识别方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110070092A true CN110070092A (zh) | 2019-07-30 |
Family
ID=67366172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910197516.2A Pending CN110070092A (zh) | 2019-03-15 | 2019-03-15 | 车型识别方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110070092A (zh) |
WO (1) | WO2020186790A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310561A (zh) * | 2020-01-07 | 2020-06-19 | 成都睿琪科技有限责任公司 | 车辆配置识别方法及装置 |
CN111652274A (zh) * | 2020-04-28 | 2020-09-11 | 中国平安财产保险股份有限公司 | 基于图像识别的车型识别方法、装置及计算机设备 |
WO2020186790A1 (zh) * | 2019-03-15 | 2020-09-24 | 平安科技(深圳)有限公司 | 车型识别方法、装置、计算机设备及存储介质 |
CN112987676A (zh) * | 2019-12-02 | 2021-06-18 | 北京金奔腾汽车科技有限公司 | 一种汽车车型智能识别系统及方法 |
CN113312945A (zh) * | 2020-02-27 | 2021-08-27 | 浙江大搜车软件技术有限公司 | 车辆识别方法、装置、电子设备及可读存储介质 |
CN113744202A (zh) * | 2021-08-13 | 2021-12-03 | 上海钧正网络科技有限公司 | 一种网约车的车辆一致性检测方法和装置 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734778A (zh) * | 2021-01-28 | 2021-04-30 | 携程计算机技术(上海)有限公司 | 基于神经网络的车辆抠图方法、系统、设备及存储介质 |
CN114357769B (zh) * | 2022-01-04 | 2024-06-04 | 一汽解放汽车有限公司 | 内饰覆盖件选材方法、装置、计算机设备、存储介质 |
CN115410209B (zh) * | 2022-10-31 | 2023-01-31 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于图像处理的煤矿工单识别方法 |
CN118400728B (zh) * | 2024-06-26 | 2024-09-06 | 广东中视信息科技有限公司 | 一种etc设备激活方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169633A (zh) * | 2011-03-30 | 2011-08-31 | 成都兴同达微电子科技有限公司 | 机动车身份识别的方法 |
CN108038423A (zh) * | 2017-11-22 | 2018-05-15 | 广东数相智能科技有限公司 | 基于图像识别的汽车车型的识别方法及装置 |
CN108319907A (zh) * | 2018-01-26 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 一种车辆识别方法、装置和存储介质 |
CN108573198A (zh) * | 2017-03-14 | 2018-09-25 | 优信互联(北京)信息技术有限公司 | 一种根据车架号识别车型信息的方法及装置 |
CN108596277A (zh) * | 2018-05-10 | 2018-09-28 | 腾讯科技(深圳)有限公司 | 一种车辆身份识别方法、装置和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825218A (zh) * | 2016-04-01 | 2016-08-03 | 深圳市元征科技股份有限公司 | 汽车车辆识别码的识别方法及装置 |
CN108122001B (zh) * | 2017-12-13 | 2022-03-11 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
CN109325491B (zh) * | 2018-08-16 | 2023-01-03 | 腾讯科技(深圳)有限公司 | 识别码识别方法、装置、计算机设备和存储介质 |
CN110070092A (zh) * | 2019-03-15 | 2019-07-30 | 平安科技(深圳)有限公司 | 车型识别方法、装置、计算机设备及存储介质 |
-
2019
- 2019-03-15 CN CN201910197516.2A patent/CN110070092A/zh active Pending
- 2019-11-14 WO PCT/CN2019/118435 patent/WO2020186790A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169633A (zh) * | 2011-03-30 | 2011-08-31 | 成都兴同达微电子科技有限公司 | 机动车身份识别的方法 |
CN108573198A (zh) * | 2017-03-14 | 2018-09-25 | 优信互联(北京)信息技术有限公司 | 一种根据车架号识别车型信息的方法及装置 |
CN108038423A (zh) * | 2017-11-22 | 2018-05-15 | 广东数相智能科技有限公司 | 基于图像识别的汽车车型的识别方法及装置 |
CN108319907A (zh) * | 2018-01-26 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 一种车辆识别方法、装置和存储介质 |
CN108596277A (zh) * | 2018-05-10 | 2018-09-28 | 腾讯科技(深圳)有限公司 | 一种车辆身份识别方法、装置和存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020186790A1 (zh) * | 2019-03-15 | 2020-09-24 | 平安科技(深圳)有限公司 | 车型识别方法、装置、计算机设备及存储介质 |
CN112987676A (zh) * | 2019-12-02 | 2021-06-18 | 北京金奔腾汽车科技有限公司 | 一种汽车车型智能识别系统及方法 |
CN111310561A (zh) * | 2020-01-07 | 2020-06-19 | 成都睿琪科技有限责任公司 | 车辆配置识别方法及装置 |
CN113312945A (zh) * | 2020-02-27 | 2021-08-27 | 浙江大搜车软件技术有限公司 | 车辆识别方法、装置、电子设备及可读存储介质 |
CN111652274A (zh) * | 2020-04-28 | 2020-09-11 | 中国平安财产保险股份有限公司 | 基于图像识别的车型识别方法、装置及计算机设备 |
CN111652274B (zh) * | 2020-04-28 | 2024-05-14 | 中国平安财产保险股份有限公司 | 基于图像识别的车型识别方法、装置及计算机设备 |
CN113744202A (zh) * | 2021-08-13 | 2021-12-03 | 上海钧正网络科技有限公司 | 一种网约车的车辆一致性检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020186790A1 (zh) | 2020-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070092A (zh) | 车型识别方法、装置、计算机设备及存储介质 | |
CN108446697B (zh) | 图片处理方法、电子装置及存储介质 | |
CN109635656A (zh) | 基于神经网络的车辆属性识别方法、装置、设备及介质 | |
CN108776819A (zh) | 一种目标识别方法、移动终端及计算机可读存储介质 | |
CN111931639B (zh) | 驾驶员行为检测方法、装置、电子设备及存储介质 | |
CN101692313A (zh) | 基于嵌入式平台的便携式车辆识别装置 | |
CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
CN110378254B (zh) | 车损图像修改痕迹的识别方法、系统、电子设备及存储介质 | |
CN113283431B (zh) | 一种答题卡选项区域识别方法及系统 | |
CN107748882B (zh) | 一种车道线检测方法及装置 | |
CN103927509A (zh) | 眼睛定位方法及装置 | |
CN108805838A (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
CN111340045B (zh) | 车牌号码的识别方法、装置及存储介质 | |
CN111027534A (zh) | 一种紧凑双车牌检测方法及装置 | |
CN108921006B (zh) | 手写签名图像真伪鉴别模型建立方法及真伪鉴别方法 | |
CN113408364A (zh) | 一种临时车牌识别方法、系统、装置及存储介质 | |
CN108090425A (zh) | 一种车道线检测方法、装置及终端 | |
CN116052129A (zh) | 基于多特征融合的交通标志检测方法、装置及存储介质 | |
CN111191603B (zh) | 车内人员识别方法、装置、终端设备及介质 | |
CN110322700B (zh) | 多乘员专用车道管控方法及相关产品 | |
CN111652274B (zh) | 基于图像识别的车型识别方法、装置及计算机设备 | |
CN112561893A (zh) | 图片匹配方法、装置、电子设备及存储介质 | |
CN112633289A (zh) | 一种粘连字符分割方法和系统 | |
CN114697464A (zh) | 图像分区处理方法、装置、设备及存储介质 | |
CN100357956C (zh) | 二值化含有线性结构的图像的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190730 |