CN110472656B - 车辆图像分类方法、装置、计算机设备及存储介质 - Google Patents

车辆图像分类方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110472656B
CN110472656B CN201910596017.0A CN201910596017A CN110472656B CN 110472656 B CN110472656 B CN 110472656B CN 201910596017 A CN201910596017 A CN 201910596017A CN 110472656 B CN110472656 B CN 110472656B
Authority
CN
China
Prior art keywords
image
vehicle
damage assessment
vehicle damage
classification
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
CN201910596017.0A
Other languages
English (en)
Other versions
CN110472656A (zh
Inventor
刁春艳
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 CN201910596017.0A priority Critical patent/CN110472656B/zh
Priority to PCT/CN2019/117730 priority patent/WO2021000489A1/zh
Publication of CN110472656A publication Critical patent/CN110472656A/zh
Application granted granted Critical
Publication of CN110472656B publication Critical patent/CN110472656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Finance (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种车辆图像分类方法、装置、计算机设备及存储介质，先获取车辆定损数据集；对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息；根据所述属性信息对所述车辆定损图像进行分类，得到全局图像集和局部图像集；根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对车辆定损数据集进行聚类分析，得到不同的车辆分类集；对每一车辆分类集中的车辆分类图像进行图像相似度计算，根据图像相似度对重复的车辆分类图像进行剔除。对车辆定损数据集中的车辆定损图像进行智能的分类，提高了图像分类的效率，并且保证了图像分类的准确性。

Description

车辆图像分类方法、装置、计算机设备及存储介质
技术领域
本发明涉及图像处理领域，尤其涉及一种车辆图像分类方法、装置、计算机设备及存储介质。
背景技术
随着各种交通工具的日渐普及，在道路上行驶的车辆的比例越来越多。相应地，各种交通事故也偶有发生。当车辆发生交通事故时，往往需要对发生交通事故的车辆进行查勘定损。在车辆定损过程中需要对车辆受损情况进行图像采集。
现有的定损员在定损过程中，定损员会采用图像采集工具拍摄车辆受损情况，每天采集的和车辆定损相关的图像数量是非常庞大的。由于需要对不同交通事故的采集图像进行分类。通过定损员手动分类的方式会花费大量的时间。而且手动分类的方式容易收到各种主观因素的影响而无法保证对车辆图像分类的准确性。
发明内容
本发明实施例提供一种车辆图像分类方法、装置、计算机设备及存储介质，以解决车辆图像分类效率不高的问题。
一种车辆图像分类方法，包括：
获取车辆定损数据集，所述车辆定损数据集包括至少两幅车辆定损图像；
对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息；
根据所述属性信息对所述车辆定损图像进行分类，得到全局图像集和局部图像集；
根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对车辆定损数据集进行聚类分析，得到不同的车辆分类集；
对每一车辆分类集中的车辆分类图像进行图像相似度计算，根据图像相似度对重复的车辆分类图像进行剔除。
一种车辆图像分类装置，包括：
第一数据集获取模块，用于获取车辆定损数据集，所述车辆定损数据集包括至少两幅车辆定损图像；
第一图像识别模块，用于对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息；
第一图像分类模块，用于根据所述属性信息对所述车辆定损图像进行分类，得到全局图像集和局部图像集；
第一分类集获取模块，用于根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对车辆定损数据集进行聚类分析，得到不同的车辆分类集；
第一图像剔除模块，用于对每一车辆分类集中的车辆分类图像进行图像相似度计算，根据图像相似度对重复的车辆分类图像进行剔除。
一种车辆图像分类方法，包括：
获取车辆定损数据集，所述车辆定损数据集包括全局图像和局部图像；
对所述车辆定损数据集进行分类处理，得到全局图像集和局部图像集；
采用预设的识别模型对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息；
根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对局部图像集进行聚类分析，得到不同的车辆分类集；
对每一车辆分类集中的车辆图像进行车辆相似度计算，根据车辆相似度对重复的车辆图像进行剔除。
一种车辆图像分类装置，包括：
第二数据集获取模块，用于获取车辆定损数据集，所述车辆定损数据集包括全局图像和局部图像；
第二图像分类模块，用于对所述车辆定损数据集进行分类处理，得到全局图像集和局部图像集；
第二图像识别模块，用于采用预设的识别模型对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息；
第二分类集获取模块，用于根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对局部图像集进行聚类分析，得到不同的车辆分类集；
第二图像剔除模块，用于对每一车辆分类集中的车辆图像进行车辆相似度计算，根据车辆相似度对重复的车辆图像进行剔除。
一种计算机设备，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程序，所述处理器执行所述计算机程序时实现上述车辆图像分类方法。
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程序，所述计算机程序被处理器执行时实现上述车辆图像分类方法。
上述车辆图像分类方法、装置、计算机设备及存储介质中，先获取车辆定损数据集，所述车辆定损数据集包括至少两幅车辆定损图像；对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息；根据所述属性信息对所述车辆定损图像进行分类，得到全局图像集和局部图像集；根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对车辆定损数据集进行聚类分析，得到不同的车辆分类集；对每一车辆分类集中的车辆分类图像进行图像相似度计算，根据图像相似度对重复的车辆分类图像进行剔除。对车辆定损数据集中的车辆定损图像进行智能的分类，提高了图像分类的效率，并且保证了图像分类的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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他的附图。
图1是本发明一实施例中车辆图像分类方法的一应用环境示意图；
图2是本发明一实施例中车辆图像分类方法的一流程图；
图3是本发明一实施例中车辆图像分类方法的另一流程图；
图4是本发明一实施例中车辆图像分类方法的另一流程图；
图5是本发明一实施例中车辆图像分类方法的另一流程图；
图6是本发明一实施例中车辆图像分类方法的另一流程图；
图7是本发明一实施例中车辆图像分类装置的一原理框图；
图8是本发明一实施例中车辆图像分类装置的另一原理框图；
图9是本发明一实施例中车辆图像分类装置的另一原理框图；
图10是本发明一实施例中计算机设备的一示意图。
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作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。
本发明实施例提供的车辆图像分类方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务端进行通信。服务端获取车辆定损数据集，所述车辆定损数据集包括至少两幅车辆定损图像；对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息；根据所述属性信息对所述车辆定损图像进行分类，得到全局图像集和局部图像集；根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对车辆定损数据集进行聚类分析，得到不同的车辆分类集；对每一车辆分类集中的车辆分类图像进行图像相似度计算，根据图像相似度对重复的车辆分类图像进行剔除。其中，客户端(计算机设备)可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种车辆图像分类方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：
S10：获取车辆定损数据集，所述车辆定损数据集包括至少两幅车辆定损图像。
其中，车辆定损数据集是由大量车辆定损图像组成的图像集。车辆定损是在当被保险的车辆发生交通事故时，相关单位进行现场查勘定损，车辆定损涉及到维修、制造和车主损失等多方面。而车辆定损图像是和定损车辆相关的图像信息，可以包括车辆信息(车牌号)、车辆受损区域图像以及车辆所处的环境情况等。可以理解地，一个车辆的车辆定损图像通常是至少两幅的。
车辆定损数据集可以是同一图像采集工具采集的所有图像，或者是同一图像采集工具在预定时间内(例如，一天)采集的所有图像，也可以为至少两个图像采集工具采集的所有图像，或者是至少两个图像采集工具在预定时间内(例如，一天)采集的所有图像。而一个图像采集工具可以就是一个客户端，或者至少两个图像采集工具都通过对应的客户端或者同一个客户端将车辆定损图像上传到服务端。而车辆定损图像的上传时机可以是实时的，也可以是定时进行上传。
S20：对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息。
属性信息是指车辆定损图像中对应的车辆本身的信息，例如：车牌号、车辆颜色和/或车辆型号等。进一步地，属性信息还可以包括车辆定损图像的相关信息，例如拍摄时间、拍摄地点、拍摄设备等，这部分属性信息可以对车辆定损图像本身进行识别而得到。具体地，可以将这部分属性信息通过水印的方式集成在车辆定损图像中，而通过对车辆定损图像进行文字识别即可得到这部分属性信息。
受损点信息是指指示该车辆具体的受损部位或者受损类型的信息。受损部分可以根据车辆的不同部位来划分，例如：引擎盖、前头灯、保险杠、后视镜、车前门、车后门或者车窗玻璃等。进一步地，还可以根据实际精度需要将每个部位进行更进一步的划分，例如，将车前门分为左前车门和右前车门，将车后面分为左后车门和右后车门等。
在该步骤中，对车辆定损数据集中的每一车辆定损图像进行识别，可以通过预设的识别模型来实现。属性信息中包括车牌号信息、车辆颜色和车辆型号等，然而，不是每一车辆定损图像中均能识别出上述所有的属性信息，若一幅车辆定损图像只是局部细节图，则有可能无法识别出该车辆定损图像中的车辆型号。若一幅车辆定损图像没有拍摄到车牌号，则也无法识别出该车辆定损图像中的车牌号信息。而车辆颜色一般都可以识别出来。因此，可以通过一个识别模型对车辆定损图像进行识别，得到车辆定损图像的属性信息，若对一项属性信息识别成功，则直接输出该属性信息的具体信息，若对一项属性信息识别失败，则不输出该项属性信息。具体地，可以预先分别建立车牌号识别模型、车辆颜色识别模型和车辆型号识别模型，然后将每一车辆定损图像分别输入到这三个识别模型中进行识别，得到对应的属性信息。若其中的属性信息识别失败，则可以将该项属性信息留空，或者用同一的符号表示，在此不再赘述。其中，车牌号识别模型、车辆颜色识别模型和车辆型号识别模型都可以机器学习的方式来建立，在此不再赘述。
类似地，对于车辆定损图像的受损点信息也可以通过预先设置一个受损点识别模型的方式来识别。而部分车辆定损图像中可能不包含受损部位，因此，受损点信息可能为具体的受损部位，也可以为无。可以理解地，受损点信息可以为至少两个。
S30：根据所述属性信息对所述车辆定损图像进行分类，得到全局图像集和局部图像集。
在该步骤中，通过属性信息来对车辆定损图像进行分类，具体地，通过属性信息的数量的多少来对车辆定损图像进行分类，或者通过对属性信息中具体一项或者至少两项属性信息的状态来对车辆定损图像进行分类。例如，若属性信息的数量为5项，则可以将属性信息大于等于4项的车辆定损图像归类到全局图像集中，将属性信息小于4项的车辆定损图像归类到局部图像集中。或者，将包含车牌号和车辆型号这两项属性信息的车辆定损图像归类到全局图像集中，将其余车辆定损图像归类到局部图像集中。
S40：根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对车辆定损数据集进行聚类分析，得到不同的车辆分类集。
具体地，将每一所述全局图像的属性信息和受损点信息转化为特征向量，再将全局图像对应的特征向量设置为初始聚类簇，初始聚类簇的数量可以和全局图像的数量相等。再根据设置好的初始聚类簇对车辆定损数据集进行聚类分析，得到不同的车辆分类集。具体地，可以采用聚类算法对车辆定损数据集进行聚类分析。
S50：对每一车辆分类集中的车辆分类图像进行图像相似度计算，根据图像相似度对重复的车辆分类图像进行剔除。
通过对同一个车辆分类集中的车辆分类图像进行图像相似度计算，若存在两幅车辆分类图像的图像相似度超过预设的相似度阈值，则对着两幅车辆分类图像中的任意一幅车辆分类图像进行剔除。
在本实施例中，先获取车辆定损数据集，所述车辆定损数据集包括至少两幅车辆定损图像；对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息；根据所述属性信息对所述车辆定损图像进行分类，得到全局图像集和局部图像集；根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对车辆定损数据集进行聚类分析，得到不同的车辆分类集；对每一车辆分类集中的车辆分类图像进行图像相似度计算，根据图像相似度对重复的车辆分类图像进行剔除。对车辆定损数据集中的车辆定损图像进行智能的分类，提高了图像分类的效率，并且保证了图像分类的准确性。
在一个实施例中，所述车辆定损图像包括受损区域。
具体地，受损区域为车辆定损图像上受损部位所在的区域。可以在采集车辆定损图像时，对图像中的受损部位进行标注，例如：对受损部位所在的区域添加矩形框。
在本实施例中，如图3所示，所述对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息，包括：
S21：采用预设的受损点识别模型对每一车辆定损图像的受损区域进行识别，得到每一车辆定损图像的受损点信息。
该受损点识别模型为对受损区域进行具体的车辆部位进行识别的模型。可以预先采集大量带有受损部位的车辆图像对卷积神经网络进行训练，从而得到该受损点识别模型。受损点信息可以为具体的受损部位。可以理解地，该受损点信息可以为至少两个，即受损部位可以为至少两个。
S22：采用语义分割模型对每一车辆定损图像进行处理，得到每一车辆定损图像的图像信息。
通过语义分割模型对车辆定损图像进行处理，得到每一车辆定损图像的图像信息。具体地，预先通过训练得到一个语义分割模型，通过该予以分割模型判断车辆定损图像中是否有可清晰识别的车牌区域以及是否有可供进行车辆型号识别的完整车辆图像，以得到图像信息。图像信息用以表明该车辆定损图像中是否可进行车牌号识别以及是否可供进行车辆型号识别。具体地，可以通过简单的数字来标识对应的车辆定损图像中是否可进行车牌号识别以及是否可供进行车辆型号识别。例如，通过“00”、“01”、“10”和“11”来分别标识不同的情况。其中，1表示可供识别，0表示不可识别。两个位置可以通过自定义设定来表示是否可进行车牌号识别以及是否可供进行车辆型号识别。在此不做具体限定。
S23：根据每一车辆定损图像的所述图像信息获取对应的目标识别模型，采用所述目标识别模型对所述车辆定损图像进行识别处理，得到所述车辆定损图像的属性信息。
在得到图像信息之后，根据图像信息来获取对应的目标识别模型。具体地，当对应的图像信息为可识别时，才获取对应的识别模型。例如，车牌号识别模型、车辆颜色识别模型和车辆型号识别模型。若图像信息表明可进行车牌号识别以及可供进行车辆型号识别，则获取车牌号识别模型和车辆型号识别模型作为目标识别模型，并且采用所述目标识别模型对所述车辆定损图像进行识别处理，得到所述车辆定损图像的属性信息。进一步地，可以默认每一车辆定损图像均可以进行车辆颜色识别，即目标识别模型中必然包括车辆颜色识别模型。
在这个实施例中，步骤S21的顺序可以在步骤S22-S23之前执行，也可以在步骤S22-S23之后执行。
在本实施例中，通过采用预设的受损点识别模型对每一车辆定损图像的受损区域进行识别，得到每一车辆定损图像的受损点信息；采用语义分割模型对每一车辆定损图像进行处理，得到每一车辆定损图像的图像信息；最后根据每一车辆定损图像的所述图像信息获取对应的目标识别模型，采用所述目标识别模型对所述车辆定损图像进行识别处理，得到所述车辆定损图像的属性信息。通过语义分割模型对车辆定损图像进行识别，再根据识别结果采用对应的目标识别模型进行属性信息的识别，避免了不必要的识别过程，进一步提高了识别效率。
在一个实施例中，如图4所示，所述根据所述属性信息对所述车辆定损图像进行分类，得到全局图像集和局部图像集，包括：
S31：获取预设的分类信息，根据所述分类信息对每一车辆定损图像的属性信息进行匹配。
具体地，分类信息可以通过不同的方式体现，分类信息可以为一个具体的数值，也可以为一个向量。若分类信息为一个具体的数值，则通过属性信息的数量来对车辆定损图像进行分类。即根据所述分类信息对每一车辆定损图像的属性信息进行匹配为对属性信息的数量和分类信息的匹配。例如，若属性信息的数量为5项，若设定分类信息为4，则可以将属性信息大于等于4项的车辆定损图像归类到全局图像集中，将属性信息小于4项的车辆定损图像归类到局部图像集中。
进一步地，若分类信息为一个向量，则预先为每一车辆定损图像的属性信息进行one-hot向量的转化。若对应的属性信息存在，则在one-hot向量中对应位置的值为1，否则为0。此时，分类信息中的向量即为根据属性信息中具体一项或者至少两项属性信息的状态来对车辆定损图像进行分类。例如，若分类信息为A＝[1，1，0，0，0]。则表明属性信息中的第一项和第二项的属性值为1，则该车辆定损图像会归类到全局图像集中，否则该车辆定损图像会归类到局部图像集中。此时，可以将分类信息和每一车辆定损图像的属性信息的one-hot向量进行向量距离的计算，然后根据计算结果来得到匹配结果。
S32：若所述属性信息和所述分类信息匹配成功，则将对应的车辆定损图像放入全局图像集中。
S33：若所述属性信息和所述分类信息匹配失败，则将对应的车辆定损图像放入局部图像集中。
在本实施例中，通过一个预设的分类信息和每一车辆定损图像的属性信息进行匹配，并根据匹配结果来对车辆定损图像进行分类，提高了图像分类的灵活性和准确性。
在一个实施例中，如图5所示，所述根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对局部图像集进行聚类分析，得到不同的车辆分类集，包括：
S41：将每一车辆定损图像的属性信息和受损点信息进行特征向量转化，得到每一车辆定损图像的定损特征向量。
将车辆定损图像中的属性信息和受损点信息均进行特征向量转化可以通过词向量的方式实现。词向量的作用就是将自然语言中的字词转为计算机可以理解的稠密向量(Dense Vector)。具体地，先将所有车辆定损图像的属性信息和受损点信息形成输入文本，再利用输入文本生成一个词汇表，每个词统计词频，按照词频从高到低排序，取最频繁的V个词，构成一个词汇表。每个词存在一个one-hot向量，向量的维度是V，如果该词在词汇表中出现过，则向量中词汇表中对应的位置为1，其他位置全为0。如果词汇表中不出现，则向量为全0。one-hot向量表示为一项属性的特征向量，也就是同一时间只有一个激活点(不为0)，这个向量只有一个特征是不为0的，其他都是0。
在该步骤中，可以将每一属性信息和每一受损点信息都单独构建词向量，以更好地表征每一词向量的准确性。再将每一属性信息和每一受损点信息的词向量组成该车辆定损图像的定损特征向量。
S42：将每一所述全局图像的定损特征向量设置为初始聚类点，根据所述初始聚类点采用聚类算法对所述对车辆定损图像集进行聚类分析，得到不同的车辆聚类簇。
在该步骤中，通过全局图像的定损特征向量设置初始聚类点，由于全局图像包含的信息量是最多的，可以通过全局图像对应的定损特征向量来设置初始聚类点，以供后续进行聚类分析。
具体地，其中，聚类分析又称群分析，它是研究(样品或指标)分类问题的一种统计分析方法，同时也是数据挖掘的一个重要分析方法。可选地，聚类算法可以为K-Means(K均值)聚类、均值漂移聚类、基于密度的聚类方法或者凝聚层次聚类等算法实现。
优选地，采用K-Means(K均值)聚类算法对所述对局部图像集进行聚类分析，获取目标中心点。具体地，根据全局图像的数量设定K值，并设定每一所述全局图像的定损特征向量为初始聚类点。当所有点(车辆定损图像)都分配完毕后，对这个聚类簇中的所有点重新计算(例如计算平均值)得到该簇的新的中心点。然后再通过迭代的方式进行分配中心点和更新聚类簇的中心点的步骤，直至聚类簇的中心点的变化很小，或者达到指定的迭代次数。将符合预设数量的聚类簇作为车辆聚类簇。
S43：计算每一车辆聚类簇中每一车辆定损图像的定损特征向量到聚类簇中心的向量距离。
可以通过距离算法计算每一车辆聚类簇中每一车辆定损图像的定损特征向量到聚类簇中心的向量距离，例如：欧氏距离算法、曼哈顿距离算法、切比雪夫距离算法、闵可夫斯基距离算法、标准化欧氏距离算法、马氏距离或者汉明距离算法。进一步地，可以在定损特征向量中，为不同的信息设置不同的权重，以更好地计算向量距离，例如，可以将车牌号信息、受损点信息的权重设置的更高，其他信息的权重适当下调，或者根据实际需要做对应的调整。
S44：将所述向量距离超过预设的向量阈值的车辆定损图像确定为待确定图像。
向量阈值为一个预先设定的值，根据该预设的向量阈值，可以判断一个车辆定损图像是否属于该车辆聚类簇。该向量阈值可以通过多个样本进行测试之后获得，也可以根据经验值来设定。若一个车辆定损图像和车辆聚类簇的向量距离超过预设的向量阈值，则说明该车辆定损图像可能不属于该车辆聚类簇，因此将对应的车辆定损图像确定为待确定图像。
S45：将所述待确定图像发送至客户端，获取所述客户端返回的分类信息。
分类信息为客户端反馈的该将对应的待确定图像分配至哪一车辆聚类簇的信息。在该步骤中，通过将将所述待确定图像发送至客户端，并获取所述客户端返回的分类信息。
S46：根据所述分类信息将每一所述待确定图像分配到对应的车辆聚类簇中。
借助分类信息，服务端将每一幅待确定图像分配到对应的车辆聚类簇中。
S47：将每一车辆聚类簇中的车辆定损图像组成车辆分类集。
最终将每一车辆聚类簇中的车辆定损图像组成车辆分类集，每一个车辆分类集就代表是不同的车辆定损案件对应的车辆定损图像。
在本实施例中，先将每一车辆定损图像的属性信息和受损点信息进行特征向量转化，得到每一车辆定损图像的定损特征向量；将每一所述全局图像的定损特征向量设置为初始聚类点，根据所述初始聚类点采用聚类算法对所述对车辆定损图像集进行聚类分析，得到不同的车辆聚类簇；再计算每一车辆聚类簇中每一车辆定损图像的定损特征向量到聚类簇中心的向量距离；将所述向量距离超过预设的向量阈值的车辆定损图像确定为待确定图像；将所述待确定图像发送至客户端，获取所述客户端返回的分类信息；根据所述分类信息将每一所述待确定图像分配到对应的车辆聚类簇中；最后将每一车辆聚类簇中的车辆定损图像组成车辆分类集。可以智能地对车辆定损图像进行分类，保证了图像分类的效率和准确性。
本发明实施例还涉及一种车辆图像分类方法，以该方法应用在图1中的服务端为例进行说明，如图6所示，该车辆图像分类方法包括：
S10’：获取车辆定损数据集，所述车辆定损数据集包括全局图像和局部图像。
其中，车辆定损数据集是由大量车辆定损图像组成的图像集。车辆定损是在当被保险的车辆发生交通事故时，相关单位进行现场查勘定损，车辆定损涉及到维修、制造和车主损失等多方面。而车辆定损图像是和定损车辆相关的图像信息，可以包括车辆信息(车牌号)、车辆受损区域图像以及车辆所处的环境情况等。可以理解地，一个车辆的车辆定损图像通常是至少两幅的。
车辆定损数据集可以是同一图像采集工具采集的所有图像，或者是同一图像采集工具在预定时间内(例如，一天)采集的所有图像，也可以为至少两个图像采集工具采集的所有图像，或者是至少两个图像采集工具在预定时间内(例如，一天)采集的所有图像。而一个图像采集工具可以就是一个客户端，或者至少两个图像采集工具都通过对应的客户端或者同一个客户端将车辆定损图像上传到服务端。而车辆定损图像的上传时机可以是实时的，也可以是定时进行上传。
具体地，车辆定损数据集包括全局图像和局部图像，全局图像为反映对应车辆全局信息的图像，而局部图像为反映对应车辆局部信息的图像。在车辆定损数据集中，每一车辆定损图像带有对应的图像标签，用以表明该图像为全局图像或局部图像。
S20’：对所述车辆定损数据集进行分类处理，得到全局图像集和局部图像集。
具体地，根据每一车辆定损图像的图像标签对对所述车辆定损数据集进行分类处理，将全局图像分到全局图像集中，将局部图像分到局部图像集中，得到全局图像集和局部图像集。
S30’：采用预设的识别模型对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息。
具体地，该步骤和上述实施例中的步骤S20相同，在此不再赘述。
S40’：根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对局部图像集进行聚类分析，得到不同的车辆分类集。
S50’：对每一车辆分类集中的车辆图像进行车辆相似度计算，根据车辆相似度对重复的车辆图像进行剔除。
上述步骤S40’和S50’和上述实施例中的步骤S40和S50相同，在此不再赘述。
在本实施例中，在车辆定损数据集中预先为每一图像配置了不同的图像标签，以更好地对车辆定损数据集进行分类，更好地提高了车辆分类的效率。
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。
在一实施例中，提供一种车辆图像分类装置，该车辆图像分类装置与上述实施例中车辆图像分类方法一一对应。如图7所示，该车辆图像分类装置包括第一数据集获取模块10、第一图像识别模块20、第一图像分类模块30、第一分类集获取模块40和第一图像剔除模块50。各功能模块详细说明如下：
第一数据集获取模块10，用于获取车辆定损数据集，所述车辆定损数据集包括至少两幅车辆定损图像。
第一图像识别模块20，用于对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息。
第一图像分类模块30，用于根据所述属性信息对所述车辆定损图像进行分类，得到全局图像集和局部图像集。
第一分类集获取模块40，用于根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对车辆定损数据集进行聚类分析，得到不同的车辆分类集。
第一图像剔除模块50，用于对每一车辆分类集中的车辆分类图像进行图像相似度计算，根据图像相似度对重复的车辆分类图像进行剔除。
优选地，如图8所示，第一分类集获取模块40包括：
向量转化单元41，用于将每一车辆定损图像的属性信息和受损点信息进行特征向量转化，得到每一车辆定损图像的定损特征向量。
聚类簇获取单元42，用于将每一所述全局图像的定损特征向量设置为初始聚类点，根据所述初始聚类点采用聚类算法对所述对车辆定损图像集进行聚类分析，得到不同的车辆聚类簇。
向量距离计算单元43，用于计算每一车辆聚类簇中每一车辆定损图像的定损特征向量到聚类簇中心的向量距离。
图像划分单元44，用于将所述向量距离超过预设的向量阈值的车辆定损图像确定为待确定图像。
分类信息获取单元45，用于将所述待确定图像发送至客户端，获取所述客户端返回的分类信息。
图像分配单元46，用于根据所述分类信息将每一所述待确定图像分配到对应的车辆聚类簇中。
分类集组成单元47，用于将每一车辆聚类簇中的车辆定损图像组成车辆分类集。
优选地，所述车辆定损图像包括受损区域。所述第一图像识别模块20包括：
受损区域识别单元，用于采用预设的受损点识别模型对每一车辆定损图像的受损区域进行识别，得到每一车辆定损图像的受损点信息。
图像信息获取单元，用于采用语义分割模型对每一车辆定损图像进行处理，得到每一车辆定损图像的图像信息。
属性信息获取单元，用于根据每一车辆定损图像的所述图像信息获取对应的目标识别模型，采用所述目标识别模型对所述车辆定损图像进行识别处理，得到所述车辆定损图像的属性信息。
优选地，第一图像分类模块30包括：
分类信息获取单元，用于获取预设的分类信息，根据所述分类信息对每一车辆定损图像的属性信息进行匹配。
分类单元，用于在所述属性信息和所述分类信息匹配成功时，则将对应的车辆定损图像放入全局图像集中；在所述属性信息和所述分类信息匹配失败时，则将对应的车辆定损图像放入局部图像集中。
在一实施例中，提供一种车辆图像分类装置，该车辆图像分类装置与上述实施例中车辆图像分类方法一一对应。如图9所示，该车辆图像分类装置包括第二数据集获取模块10’、第二图像分类模块20’、第二图像识别模块30’、第二分类集获取模块40’和第二图像剔除模块50’。各功能模块详细说明如下：
第二数据集获取模块10’，用于获取车辆定损数据集，所述车辆定损数据集包括全局图像和局部图像。
第二图像分类模块20’，用于对所述车辆定损数据集进行分类处理，得到全局图像集和局部图像集。
第二图像识别模块30’，用于采用预设的识别模型对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息。
第二分类集获取模块40’，用于根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对局部图像集进行聚类分析，得到不同的车辆分类集。
第二图像剔除模块50’，用于对每一车辆分类集中的车辆图像进行车辆相似度计算，根据车辆相似度对重复的车辆图像进行剔除。
关于车辆图像分类装置装置的具体限定可以参见上文中对于车辆图像分类装置方法的限定，在此不再赘述。上述车辆图像分类装置装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于上述实施例中的车辆图像分类方法中所使用到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆图像分类方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中的车辆图像分类方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的车辆图像分类方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
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，均应包含在本发明的保护范围之内。

Claims (7)

1.一种车辆图像分类方法，其特征在于，包括：
获取车辆定损数据集，所述车辆定损数据集包括至少两幅车辆定损图像；
对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息，所述车辆定损图像包括受损区域；所述对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息，包括：采用预设的受损点识别模型对每一车辆定损图像的受损区域进行识别，得到每一车辆定损图像的受损点信息；采用语义分割模型对每一车辆定损图像进行处理，得到每一车辆定损图像的图像信息；根据每一车辆定损图像的所述图像信息获取对应的目标识别模型，采用所述目标识别模型对所述车辆定损图像进行识别处理，得到所述车辆定损图像的属性信息；
根据所述属性信息对所述车辆定损图像进行分类，得到全局图像集和局部图像集；
根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对车辆定损数据集进行聚类分析，得到不同的车辆分类集，包括：将每一车辆定损图像的属性信息和受损点信息进行特征向量转化，得到每一车辆定损图像的定损特征向量；将每一所述全局图像的定损特征向量设置为初始聚类点，根据所述初始聚类点采用聚类算法对所述车辆定损图像进行聚类分析，得到不同的车辆聚类簇；计算每一车辆聚类簇中每一车辆定损图像的定损特征向量到聚类簇中心的向量距离；将所述向量距离超过预设的向量阈值的车辆定损图像确定为待确定图像；将所述待确定图像发送至客户端，获取所述客户端返回的分类信息；根据所述分类信息将每一所述待确定图像分配到对应的车辆聚类簇中；将每一车辆聚类簇中的车辆定损图像组成车辆分类集；
对每一车辆分类集中的车辆分类图像进行图像相似度计算，根据图像相似度对重复的车辆分类图像进行剔除。
2.如权利要求1所述的车辆图像分类方法，其特征在于，所述根据所述属性信息对所述车辆定损图像进行分类，得到全局图像集和局部图像集，包括：
获取预设的分类信息，根据所述分类信息对每一车辆定损图像的属性信息进行匹配；
若所述属性信息和所述分类信息匹配成功，则将对应的车辆定损图像放入全局图像集中；
若所述属性信息和所述分类信息匹配失败，则将对应的车辆定损图像放入局部图像集中。
3.一种车辆图像分类方法，其特征在于，包括：
获取车辆定损数据集，所述车辆定损数据集包括全局图像和局部图像；
对所述车辆定损数据集进行分类处理，得到全局图像集和局部图像集；
采用预设的识别模型对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息，所述车辆定损图像包括受损区域；所述采用预设的识别模型对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息，包括：采用预设的受损点识别模型对每一车辆定损图像的受损区域进行识别，得到每一车辆定损图像的受损点信息；采用语义分割模型对每一车辆定损图像进行处理，得到每一车辆定损图像的图像信息；根据每一车辆定损图像的所述图像信息获取对应的目标识别模型，采用所述目标识别模型对所述车辆定损图像进行识别处理，得到所述车辆定损图像的属性信息；
根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对局部图像集进行聚类分析，得到不同的车辆分类集，包括：将每一车辆定损图像的属性信息和受损点信息进行特征向量转化，得到每一车辆定损图像的定损特征向量；将每一所述全局图像的定损特征向量设置为初始聚类点，根据所述初始聚类点采用聚类算法对所述车辆定损图像进行聚类分析，得到不同的车辆聚类簇；计算每一车辆聚类簇中每一车辆定损图像的定损特征向量到聚类簇中心的向量距离；将所述向量距离超过预设的向量阈值的车辆定损图像确定为待确定图像；将所述待确定图像发送至客户端，获取所述客户端返回的分类信息；根据所述分类信息将每一所述待确定图像分配到对应的车辆聚类簇中；将每一车辆聚类簇中的车辆定损图像组成车辆分类集；
对每一车辆分类集中的车辆图像进行车辆相似度计算，根据车辆相似度对重复的车辆图像进行剔除。
4.一种车辆图像分类装置，其特征在于，包括：
第一数据集获取模块，用于获取车辆定损数据集，所述车辆定损数据集包括至少两幅车辆定损图像；
第一图像识别模块，用于对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息，所述车辆定损图像包括受损区域；所述对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息，包括：采用预设的受损点识别模型对每一车辆定损图像的受损区域进行识别，得到每一车辆定损图像的受损点信息；采用语义分割模型对每一车辆定损图像进行处理，得到每一车辆定损图像的图像信息；根据每一车辆定损图像的所述图像信息获取对应的目标识别模型，采用所述目标识别模型对所述车辆定损图像进行识别处理，得到所述车辆定损图像的属性信息；
第一图像分类模块，用于根据所述属性信息对所述车辆定损图像进行分类，得到全局图像集和局部图像集；
第一分类集获取模块，用于根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对车辆定损数据集进行聚类分析，得到不同的车辆分类集，包括：向量转化单元，用于将每一车辆定损图像的属性信息和受损点信息进行特征向量转化，得到每一车辆定损图像的定损特征向量；
聚类簇获取单元，用于将每一所述全局图像的定损特征向量设置为初始聚类点，根据所述初始聚类点采用聚类算法对所述车辆定损图像进行聚类分析，得到不同的车辆聚类簇；
向量距离计算单元，用于计算每一车辆聚类簇中每一车辆定损图像的定损特征向量到聚类簇中心的向量距离；
图像划分单元，用于将所述向量距离超过预设的向量阈值的车辆定损图像确定为待确定图像；
分类信息获取单元，用于将所述待确定图像发送至客户端，获取所述客户端返回的分类信息；
图像分配单元，用于根据所述分类信息将每一所述待确定图像分配到对应的车辆聚类簇中；
分类集组成单元，用于将每一车辆聚类簇中的车辆定损图像组成车辆分类集；
第一图像剔除模块，用于对每一车辆分类集中的车辆分类图像进行图像相似度计算，根据图像相似度对重复的车辆分类图像进行剔除。
5.一种车辆图像分类装置，其特征在于，包括：
第二数据集获取模块，用于获取车辆定损数据集，所述车辆定损数据集包括全局图像和局部图像；
第二图像分类模块，用于对所述车辆定损数据集进行分类处理，得到全局图像集和局部图像集；
第二图像识别模块，用于采用预设的识别模型对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息，所述车辆定损图像包括受损区域；所述采用预设的识别模型对车辆定损数据集中的每一车辆定损图像进行识别，得到每一车辆定损图像的属性信息和受损点信息，包括：采用预设的受损点识别模型对每一车辆定损图像的受损区域进行识别，得到每一车辆定损图像的受损点信息；采用语义分割模型对每一车辆定损图像进行处理，得到每一车辆定损图像的图像信息；根据每一车辆定损图像的所述图像信息获取对应的目标识别模型，采用所述目标识别模型对所述车辆定损图像进行识别处理，得到所述车辆定损图像的属性信息；
第二分类集获取模块，用于根据每一所述全局图像的属性信息和受损点信息设置初始聚类簇，根据所述初始聚类簇对局部图像集进行聚类分析，得到不同的车辆分类集，包括：向量转化单元，用于将每一车辆定损图像的属性信息和受损点信息进行特征向量转化，得到每一车辆定损图像的定损特征向量；
聚类簇获取单元，用于将每一所述全局图像的定损特征向量设置为初始聚类点，根据所述初始聚类点采用聚类算法对所述车辆定损图像进行聚类分析，得到不同的车辆聚类簇；
向量距离计算单元，用于计算每一车辆聚类簇中每一车辆定损图像的定损特征向量到聚类簇中心的向量距离；
图像划分单元，用于将所述向量距离超过预设的向量阈值的车辆定损图像确定为待确定图像；
分类信息获取单元，用于将所述待确定图像发送至客户端，获取所述客户端返回的分类信息；
图像分配单元，用于根据所述分类信息将每一所述待确定图像分配到对应的车辆聚类簇中；
分类集组成单元，用于将每一车辆聚类簇中的车辆定损图像组成车辆分类集；
第二图像剔除模块，用于对每一车辆分类集中的车辆图像进行车辆相似度计算，根据车辆相似度对重复的车辆图像进行剔除。
6.一种计算机设备，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3任一项所述车辆图像分类方法。
7.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述车辆图像分类方法。
CN201910596017.0A 2019-07-03 2019-07-03 车辆图像分类方法、装置、计算机设备及存储介质 Active CN110472656B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910596017.0A CN110472656B (zh) 2019-07-03 2019-07-03 车辆图像分类方法、装置、计算机设备及存储介质
PCT/CN2019/117730 WO2021000489A1 (zh) 2019-07-03 2019-11-13 车辆图像分类方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910596017.0A CN110472656B (zh) 2019-07-03 2019-07-03 车辆图像分类方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN110472656A CN110472656A (zh) 2019-11-19
CN110472656B true CN110472656B (zh) 2023-09-05

Family

ID=68507095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910596017.0A Active CN110472656B (zh) 2019-07-03 2019-07-03 车辆图像分类方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN110472656B (zh)
WO (1) WO2021000489A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114357225B (zh) * 2021-12-09 2024-05-24 之江实验室 基于跨案件图像比对的车险理赔欺诈风险识别方法和系统
CN114821140A (zh) * 2022-04-20 2022-07-29 咪咕文化科技有限公司 基于曼哈顿距离的图像聚类方法、终端设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956631A (zh) * 2016-05-19 2016-09-21 南京大学 一种面向电子图库的在线渐进式图像分类方法
CN107358596A (zh) * 2017-04-11 2017-11-17 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置、电子设备及系统
CN108334892A (zh) * 2017-12-26 2018-07-27 新智数字科技有限公司 一种基于卷积神经网络的车型识别方法、装置及设备
CN109784170A (zh) * 2018-12-13 2019-05-21 平安科技（深圳）有限公司 基于图像识别的车险定损方法、装置、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101268520B1 (ko) * 2009-12-14 2013-06-04 한국전자통신연구원 영상 인식 장치 및 방법
US11144889B2 (en) * 2016-04-06 2021-10-12 American International Group, Inc. Automatic assessment of damage and repair costs in vehicles
US10692050B2 (en) * 2016-04-06 2020-06-23 American International Group, Inc. Automatic assessment of damage and repair costs in vehicles
CN108229468B (zh) * 2017-06-28 2020-02-21 北京市商汤科技开发有限公司 车辆外观特征识别及车辆检索方法、装置、存储介质、电子设备
CN109389169A (zh) * 2018-10-08 2019-02-26 百度在线网络技术（北京）有限公司 用于处理图像的方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956631A (zh) * 2016-05-19 2016-09-21 南京大学 一种面向电子图库的在线渐进式图像分类方法
CN107358596A (zh) * 2017-04-11 2017-11-17 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置、电子设备及系统
CN108334892A (zh) * 2017-12-26 2018-07-27 新智数字科技有限公司 一种基于卷积神经网络的车型识别方法、装置及设备
CN109784170A (zh) * 2018-12-13 2019-05-21 平安科技（深圳）有限公司 基于图像识别的车险定损方法、装置、设备及存储介质

Also Published As

Publication number Publication date
WO2021000489A1 (zh) 2021-01-07
CN110472656A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
CN109543627B (zh) 一种判断驾驶行为类别的方法、装置、及计算机设备
CN110807491A (zh) 车牌图像清晰度模型训练方法、清晰度检测方法及装置
CN110619274A (zh) 基于印章和签名的身份验证方法、装置和计算机设备
KR20180118596A (ko) 데이터세트들의 반-자동 라벨링
CN110706261A (zh) 车辆违章检测方法、装置、计算机设备和存储介质
CN111160275B (zh) 行人重识别模型训练方法、装置、计算机设备和存储介质
CN110705233A (zh) 基于文字识别技术的笔记生成方法、装置和计算机设备
CN110135943B (zh) 产品推荐方法、装置、计算机设备和存储介质
CN110111136B (zh) 视频数据处理方法、装置、计算机设备和存储介质
CN112418009A (zh) 一种图像质量检测方法、终端设备及存储介质
CN111191568A (zh) 翻拍图像识别方法、装置、设备及介质
CN111178203B (zh) 签名审核方法、装置、计算机设备和存储介质
CN110705489B (zh) 目标识别网络的训练方法、装置、计算机设备和存储介质
CN110472656B (zh) 车辆图像分类方法、装置、计算机设备及存储介质
CN110781380A (zh) 信息推送方法、装置、计算机设备和存储介质
CN112668640A (zh) 一种文本图像质量评估方法、装置、设备及介质
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质
CN114357174B (zh) 基于ocr和机器学习的代码分类系统及方法
CN112668462A (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
CN111553431A (zh) 图片清晰度检测方法、装置、计算机设备及存储介质
CN116563868A (zh) 文本图像的识别方法、装置、计算机设备及存储介质
CN112766351A (zh) 一种图像质量的评估方法、系统、计算机设备和存储介质
CN111191706A (zh) 图片识别的方法、装置、设备及存储介质
CN114463673B (zh) 素材推荐方法、装置、设备及存储介质
CN112926610B (zh) 车牌图像筛选模型的构建方法与车牌图像筛选方法

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