CN110569865A - 识别车体方向的方法和装置 - Google Patents

Abstract

本说明书实施例提供一种识别车体方向的方法和装置，方法包括：首先获取同一定损案件的多个车辆图片，然后针对每个车辆图片进行单图的车体方向识别，得到单图的车体方向置信度向量，所述单图的车体方向置信度向量用于表征该车辆图片的车体方向归属各个车体方向类别的可能性，接着针对每个车辆图片进行单图的车体部件识别，得到单图的车体部件检测结果，最后至少根据目标车辆图片的所述单图的车体方向置信度向量和所述目标车辆图片的所述单图的车体部件检测结果，确定所述目标车辆图片的车体方向，从而能够做到高效识别车体方向，并且结果的置信度高。

Description

识别车体方向的方法和装置

技术领域

本说明书一个或多个实施例涉及计算机领域，尤其涉及识别车体方向的方法和装置。

背景技术

在车险定损场景，通常存在人工车辆定损和智能图像定损两种定损方式。其中，在车险定损场景，需要保险专业定损员根据出险车辆的损失部件及其损失程度给出车辆的维修方案,这一过程是人工车辆定损的过程。而智能图像定损指的人工智能算法根据普通用户拍摄提交出险车辆的损失情况拍摄图片,由对其进行损失部件及其损伤程度进行自动识别并自动产生车辆维修方案的过程。

在智能图像定损这种定损方式中，用户在拍摄现场和定损照片时，往往会出现竖拍，横拍，斜拍等各种拍摄角度的照片，这会影响定损的准确度，增加定损的成本，为了提高定损的准确度，需要将车体方向识别出来，以便于后续的自动定损。

现有技术中通常采用人工识别车体方向，这种方法较为低效，且周期较长。

因此，希望能有改进的方案，能够高效的识别车体方向。

发明内容

本说明书一个或多个实施例描述了一种识别车体方向的方法和装置，能够高效的识别车体方向。

第一方面，提供了一种识别车体方向的方法，所述方法用于车辆定损案件，方法包括：

获取同一定损案件的多个车辆图片；

针对所述多个车辆图片中的每个车辆图片进行单图的车体方向识别，得到单图的车体方向置信度向量，所述单图的车体方向置信度向量用于表征该车辆图片的车体方向归属各个车体方向类别的可能性；

针对所述多个车辆图片中的每个车辆图片进行单图的车体部件识别，得到单图的车体部件检测结果；

至少根据目标车辆图片的所述单图的车体方向置信度向量和所述目标车辆图片的所述单图的车体部件检测结果，确定所述目标车辆图片的车体方向。

在一种可能的实施方式中，所述至少根据目标车辆图片的所述单图的车体方向置信度向量和所述目标车辆图片的所述单图的车体部件检测结果，确定所述目标车辆图片的车体方向，包括：

根据所述多个车辆图片中各车辆图片的单图的车体部件检测结果，将所述多个车辆图片两两进行部件匹配计算，确定各车辆图片的部件匹配对应关系；

根据所述目标车辆图片的所述单图的车体方向置信度向量和各车辆图片的部件匹配对应关系，确定所述目标车辆图片的车体方向。

在一种可能的实施方式中，所述车体方向类别包括以下任意一项：

上、下、左、右、无法判断。

在一种可能的实施方式中，所述针对所述多个车辆图片中的每个车辆图片进行单图的车体方向识别，得到单图的车体方向置信度向量，包括：

将所述多个车辆图片中的每个车辆图片分别作为预先训练的第一神经网络模型的输入，得到每个车辆图片的单图的车体方向置信度向量，其中所述第一神经网络模型为分类器。

在一种可能的实施方式中，所述针对所述多个车辆图片中的每个车辆图片进行单图的车体部件识别，得到单图的车体部件检测结果，包括：

将所述多个车辆图片中的每个车辆图片分别作为预先训练的第二神经网络模型的输入，得到每个车辆图片的单图的车体部件检测结果，其中所述第二神经网络模型采用目标检测算法。

进一步地，所述根据所述多个车辆图片中各车辆图片的单图的车体部件检测结果，将所述多个车辆图片两两进行部件匹配计算，确定各车辆图片的部件匹配对应关系，包括：

根据所述多个车辆图片中各车辆图片的单图的车体部件检测结果，确定每个车辆图片中各部件的特征描述向量；

根据每个车辆图片中各部件的特征描述向量，将所述多个车辆图片两两进行部件匹配计算，确定各车辆图片的部件匹配对应关系。

进一步地，所述根据所述目标车辆图片的所述单图的车体方向置信度向量和各车辆图片的部件匹配对应关系，确定所述目标车辆图片的车体方向，包括：

将所述目标车辆图片的所述单图的车体方向置信度向量和各车辆图片的部件匹配对应关系作为预先训练的决策模型的输入，得到所述目标车辆图片的车体方向。

进一步地，所述决策模型采用如下任意一种算法：

决策树算法、支持向量机算法和随机森林算法。

第二方面，提供了一种识别车体方向的装置，所述装置用于车辆定损案件，装置包括：

获取单元，用于获取同一定损案件的多个车辆图片；

单图车体方向识别单元，用于针对所述获取单元获取的多个车辆图片中的每个车辆图片进行单图的车体方向识别，得到单图的车体方向置信度向量，所述单图的车体方向置信度向量用于表征该车辆图片的车体方向归属各个车体方向类别的可能性；

单图车体部件识别单元，用于针对所述获取单元获取的多个车辆图片中的每个车辆图片进行单图的车体部件识别，得到单图的车体部件检测结果；

确定单元，用于至少根据所述单图车体方向识别单元得到的目标车辆图片的所述单图的车体方向置信度向量和所述单图车体部件识别单元得到的所述目标车辆图片的所述单图的车体部件检测结果，确定所述目标车辆图片的车体方向。

第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。

第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。

通过本说明书实施例提供的方法和装置，首先获取同一定损案件的多个车辆图片，然后针对所述多个车辆图片中的每个车辆图片进行单图的车体方向识别，得到单图的车体方向置信度向量，所述单图的车体方向置信度向量用于表征该车辆图片的车体方向归属各个车体方向类别的可能性，接着针对所述多个车辆图片中的每个车辆图片进行单图的车体部件识别，得到单图的车体部件检测结果，最后至少根据目标车辆图片的所述单图的车体方向置信度向量和所述目标车辆图片的所述单图的车体部件检测结果，确定所述目标车辆图片的车体方向。由上可见，本说明书实施例中将车辆图片的方向识别与部件识别相结合，确定最终的车辆图片的车体方向，能够做到高效识别车体方向，并且结果的置信度高。

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的前提下，还可以根据这些附图获得其它的附图。

图1为本说明书披露的一个实施例的实施场景示意图；

图2示出根据一个实施例的识别车体方向的方法流程图；

图3示出根据一个实施例的单图的车体部件检测结果示意图；

图4示出根据一个实施例的识别车体方向的装置的示意性框图；

图5示出根据另一个实施例的识别车体方向的装置的示意性框图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

图1为本说明书披露的一个实施例的实施场景示意图。该实施场景涉及对车辆图片中车体方向的识别。通常地，智能图像定损过程中，基于用户拍摄的多个车辆图片来进行自动定损。用户在拍摄车辆图片时，往往会出现竖拍、横拍、斜拍等各种拍摄角度，导致车体方向的不一致。本说明书实施例中，要对用于车辆定损的多个车辆图片进行车体方向的识别，识别出每个车辆图片的车体方向，以用于后续的自动定损。

参照图1，图1中示出了可能出现的车体方向的典型示例，其中，图1(a)代表车体方向向上，图1(b)代表车体方向向下，图1(c)代表车体方向向左，图1(d)代表车体方向向右。可以理解的是，上下左右是有专门的标注规范的，一般的就是符合人认知常识的方向，比如地的方向就是向下，天空的方向就是向上。

此外，用于车辆定损的多个车辆图片属于同一定损案件，例如，多个车辆图片包含远景图片、近景图片和中景图片。

本说明书实施例中，将车体方向识别与车体部件识别结合起来，有利于提高车体方向识别的准确性。

图2示出根据一个实施例的识别车体方向的方法流程图，所述方法用于车辆定损案件。如图2所示，该实施例中识别车体方向的方法包括以下步骤：步骤21，获取同一定损案件的多个车辆图片；步骤22，针对所述多个车辆图片中的每个车辆图片进行单图的车体方向识别，得到单图的车体方向置信度向量，所述单图的车体方向置信度向量用于表征该车辆图片的车体方向归属各个车体方向类别的可能性；步骤23，针对所述多个车辆图片中的每个车辆图片进行单图的车体部件识别，得到单图的车体部件检测结果；步骤24，至少根据目标车辆图片的所述单图的车体方向置信度向量和所述目标车辆图片的所述单图的车体部件检测结果，确定所述目标车辆图片的车体方向。下面描述以上各个步骤的具体执行方式。

首先在步骤21，获取同一定损案件的多个车辆图片。可以理解的是，在同一定损案件中，多个车辆图片中包含的车辆图像属于同一车辆。车辆图片可以包含车辆的整体，例如，远景照片；车辆图片也可以包含车辆的局部，例如，近景照片或中景照片。作为示例，多个车辆图片中可以既包含远景照片，也包含近景照片和中景照片。

本说明实施例中，对于多个车辆图片的获取方式不做限定。例如，可以由用户通过拍摄视频的方式获取包含车辆图像的视频，后续通过抽取该视频的多个视频帧得到多个车辆图片；或者，由用户直接拍摄多个包含车辆图像的照片，后续将这多个照片作为多个车辆图片。

接着在步骤22，针对所述多个车辆图片中的每个车辆图片进行单图的车体方向识别，得到单图的车体方向置信度向量，所述单图的车体方向置信度向量用于表征该车辆图片的车体方向归属各个车体方向类别的可能性。可以理解的是，这一过程是针对每个车辆图片分别进行的，不同的车辆图片之间互不影响各自的关于车体方向的识别结果。

在一个示例中，将所述多个车辆图片中的每个车辆图片分别作为预先训练的第一神经网络模型的输入，得到每个车辆图片的单图的车体方向置信度向量，其中所述第一神经网络模型为分类器。

其中，所述车体方向类别包括以下任意一项：上、下、左、右、无法判断。

然后在步骤23，针对所述多个车辆图片中的每个车辆图片进行单图的车体部件识别，得到单图的车体部件检测结果。可以理解的是，这一过程是针对每个车辆图片分别进行的，不同的车辆图片之间互不影响各自的关于车体部件的检测结果。

其中，所述单图的车体部件检测结果包括部件的类别和位置(即部件区域)，参见图3所示的单图的车体部件检测结果示意图，在该车辆图片中，识别出的一个车辆部件的类别为大灯31，该车辆部件的位置即矩形框32所包围的部件区域。可以理解的是，一个车辆图片中，可以识别出一个或多个车辆部件。

在一个示例中，将所述多个车辆图片中的每个车辆图片分别作为预先训练的第二神经网络模型的输入，得到每个车辆图片的单图的车体部件检测结果，其中所述第二神经网络模型采用目标检测算法。

最后在步骤24，至少根据目标车辆图片的所述单图的车体方向置信度向量和所述目标车辆图片的所述单图的车体部件检测结果，确定所述目标车辆图片的车体方向。可以理解的是，结合车体部件检测结果，根据部件间的相对位置关系，有助于提高车体方向识别的准确性。

在一个示例中，先根据所述多个车辆图片中各车辆图片的单图的车体部件检测结果，将所述多个车辆图片两两进行部件匹配计算，确定各车辆图片的部件匹配对应关系；再根据所述目标车辆图片的所述单图的车体方向置信度向量和各车辆图片的部件匹配对应关系，确定所述目标车辆图片的车体方向。也就是说，在识别一个车辆图片的车体方向时，结合了多个车辆图片的部件检测结果，有助于进一步提高车体方向识别的准确性。

可以理解的是，有的时候基于单图的部件识别可能是不够置信的，就是说可能从单图来判断，难以确定这是哪个部件，但是如果结合前后图片，就可以判定了。因为前后图片可能有的是中景图，有的是近景图，近景图有时候根据单图是不知道什么部件的，但是中景图往往比较容易识别是什么部件，这样就可以直接根据图片的特征信息，去匹配特征，知道近景图中的部件。

进一步地，可以采用如下方式确定各车辆图片的部件匹配对应关系：先根据所述多个车辆图片中各车辆图片的单图的车体部件检测结果，确定每个车辆图片中各部件的特征描述向量；再根据每个车辆图片中各部件的特征描述向量，将所述多个车辆图片两两进行部件匹配计算，确定各车辆图片的部件匹配对应关系。

或者，还可以采用如下方式确定各车辆图片的部件匹配对应关系：先确定每个车辆图片的特征描述向量；然后根据每个车辆图片的特征描述向量和所述多个车辆图片中各车辆图片的单图的车体部件检测结果，将所述多个车辆图片两两进行部件匹配计算，确定各车辆图片的部件匹配对应关系。

其中，特征描述向量所描述的特征可以是多样的，例如，特征为图片的灰度，通过计算特征区域的差值，来进行部件匹配，各车辆图片的部件匹配对应关系具体可以如表一所示。

表一：多个车辆图片的部件匹配对应关系表

图片1	部件11	图片2	部件21	图片3	部件31
						图片1	部件12	/	/	图片3	部件32
图片1	部件13	图片2	部件23	/	/

参见表一，图片1中识别出三个部件，分别为部件11、部件12和部件13，其中，图片1中的部件11对应于图片2中的部件21，还对应于图片3中的部件31，也就是说，部件11、部件21和部件31实质为同一部件，只是出现在图片1、图片2和图片3这三个不同的图片中；其中，图片1中的部件12对应于图片3中的部件32，也就是说，部件12和部件32实质为同一部件，只是出现在图片1和图片3这两个不同的图片中；其中，图片1中的部件13对应于图片2中的部件23，也就是说，部件13和部件23实质为同一部件，只是出现在图片1和图片2这两个不同的图片中。

本说明书实施例中，可以采用多种算法来进行不同图片间的部件匹配，例如，计算图片的特征，然后去计算特征的相似度之类的指标，找到特征相似的区域，从而实现部件匹配。

在一个示例中，将所述目标车辆图片的所述单图的车体方向置信度向量和各车辆图片的部件匹配对应关系作为预先训练的决策模型的输入，得到所述目标车辆图片的车体方向。

进一步地，所述决策模型采用如下任意一种算法：决策树算法、支持向量机算法和随机森林算法。

通过本说明书实施例提供的方法，首先获取同一定损案件的多个车辆图片，然后针对所述多个车辆图片中的每个车辆图片进行单图的车体方向识别，得到单图的车体方向置信度向量，所述单图的车体方向置信度向量用于表征该车辆图片的车体方向归属各个车体方向类别的可能性，接着针对所述多个车辆图片中的每个车辆图片进行单图的车体部件识别，得到单图的车体部件检测结果，最后至少根据目标车辆图片的所述单图的车体方向置信度向量和所述目标车辆图片的所述单图的车体部件检测结果，确定所述目标车辆图片的车体方向。由上可见，本说明书实施例中将车辆图片的方向识别与部件识别相结合，确定最终的车辆图片的车体方向，能够做到高效识别车体方向，并且结果的置信度高。

根据另一方面的实施例，还提供一种识别车体方向的装置，所述装置用于车辆定损案件。图4示出根据一个实施例的识别车体方向的装置的示意性框图。如图4所示，该装置400包括：

获取单元41，用于获取同一定损案件的多个车辆图片；

单图车体方向识别单元42，用于针对所述获取单元41获取的多个车辆图片中的每个车辆图片进行单图的车体方向识别，得到单图的车体方向置信度向量，所述单图的车体方向置信度向量用于表征该车辆图片的车体方向归属各个车体方向类别的可能性；

单图车体部件识别单元43，用于针对所述获取单元41获取的多个车辆图片中的每个车辆图片进行单图的车体部件识别，得到单图的车体部件检测结果；

确定单元44，用于至少根据所述单图车体方向识别单元42得到的目标车辆图片的所述单图的车体方向置信度向量和所述单图车体部件识别单元43得到的所述目标车辆图片的所述单图的车体部件检测结果，确定所述目标车辆图片的车体方向。

可选地，作为一个实施例，所述确定单元44，包括：

匹配子单元，用于根据所述多个车辆图片中各车辆图片的单图的车体部件检测结果，将所述多个车辆图片两两进行部件匹配计算，确定各车辆图片的部件匹配对应关系；

确定子单元，用于根据所述目标车辆图片的所述单图的车体方向置信度向量和所述匹配子单元确定的各车辆图片的部件匹配对应关系，确定所述目标车辆图片的车体方向。

可选地，作为一个实施例，所述车体方向类别包括以下任意一项：

上、下、左、右、无法判断。

可选地，作为一个实施例，所述单图车体方向识别单元42，具体用于将所述多个车辆图片中的每个车辆图片分别作为预先训练的第一神经网络模型的输入，得到每个车辆图片的单图的车体方向置信度向量，其中所述第一神经网络模型为分类器。

可选地，作为一个实施例，所述单图车体部件识别单元43，具体用于将所述多个车辆图片中的每个车辆图片分别作为预先训练的第二神经网络模型的输入，得到每个车辆图片的单图的车体部件检测结果，其中所述第二神经网络模型采用目标检测算法。

进一步地，所述匹配子单元，具体用于：

根据所述多个车辆图片中各车辆图片的单图的车体部件检测结果，确定每个车辆图片中各部件的特征描述向量；

根据每个车辆图片中各部件的特征描述向量，将所述多个车辆图片两两进行部件匹配计算，确定各车辆图片的部件匹配对应关系。

进一步地，所述确定子单元，具体用于将所述目标车辆图片的所述单图的车体方向置信度向量和各车辆图片的部件匹配对应关系作为预先训练的决策模型的输入，得到所述目标车辆图片的车体方向。

进一步地，所述决策模型采用如下任意一种算法：

决策树算法、支持向量机算法和随机森林算法。

通过本说明书实施例提供的装置，首先获取单元41获取同一定损案件的多个车辆图片，然后单图车体方向识别单元42针对所述多个车辆图片中的每个车辆图片进行单图的车体方向识别，得到单图的车体方向置信度向量，所述单图的车体方向置信度向量用于表征该车辆图片的车体方向归属各个车体方向类别的可能性，接着单图车体部件识别单元43针对所述多个车辆图片中的每个车辆图片进行单图的车体部件识别，得到单图的车体部件检测结果，最后确定单元44至少根据目标车辆图片的所述单图的车体方向置信度向量和所述目标车辆图片的所述单图的车体部件检测结果，确定所述目标车辆图片的车体方向。由上可见，本说明书实施例中将车辆图片的方向识别与部件识别相结合，确定最终的车辆图片的车体方向，能够做到高效识别车体方向，并且结果的置信度高。

图5示出根据另一个实施例的识别车体方向的装置的示意性框图，所述装置用于车辆定损案件。如图5所示，该实施例中识别车体方向的装置500具有输入和输出，其中，输入：同一案件的所有定损图片(图片流)；输出：图片流中每一张定损图片的车体部件方向。

该装置500包括：

单图车体方向识别模型51：针对同一案件中的所有图片进行单图的车体方向识别，得到单图的车体方向置信度向量，表征各张图片中车体方向归属各个方向类别的可能性【车体方向类别：上，下，左，右，无法判断】(针对全图进行方向识别)；

单图车体部件识别模型52：针对同一案件中的所有图片进行单图的车体部件识别，得到单图的车体部件检测结果(识别部件区域的box)；

图片流部件匹配模块53：将单图的车体方向置信度向量和单图的部件检测结果(部件box和方向置信度score)作为输入，将图片流中的图片两两进行部件匹配计算，预测匹配区域的box以及对应的方向置信度(score)；

车体部件方向决策模型54：针对每一张图片，得到其与其他所有定损图片的匹配结果(匹配区域box及对应的方向置信度score)，作为决策模型的输入，输出最终每一张图片车体方向的识别结果，进一步地，还可以得到每一张图片中的各部件的车体部件方向的识别结果，车体部件方向用于标识部件的方向，例如，车体部件方向用于标识是左大灯还是右大灯，或者，车体部件方向用于标识是左前翼子板还是右前翼子板。

本说明书实施例中，将全图的方向识别与部件识别结合，并融合整案的图片流部件匹配，得到最终的部件方向，使得结果置信度更高。在本方案中，单图车体部件识别模型的模型结构，有且不仅限于Faster-RCNN,RFCN,SSD,YOLO等目标检测算法；单图车体方向识别模型可基于神经网络的各种基础网络训练分类器，有且不仅限于mobilenet，squeezenet，inception，resnet等；图片流部件匹配模块，有且不仅限于基于灰度(模板匹配)和基于特征(提取特征生成特征描述子，有且不仅限于基于深度神经网络的特征)的匹配算法；车体部件方向决策模型，有且不仅限于决策树，支持向量机，随机森林等。

本说明书实施例中，将部件检测与车身方向识别结合，基于深度学习的方法，用部件检测更精确的定位部位识别候选区域，而不仅仅依赖于全图的信息进行方向判断，能尽量减少其他干扰的影响，提高车体部件方向识别的准确性。本方案不仅利用全图的信息，还融合图片流中前后部件信息，对于车体各个部位的方向均能进行识别；增加部件检测，能够更加准确的定位车身部位，减少光照以及无关部件等干扰，鲁棒性好。

根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。

根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所描述的方法。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (18)

1.一种识别车体方向的方法，所述方法用于车辆定损案件，所述方法包括：

获取同一定损案件的多个车辆图片；

针对所述多个车辆图片中的每个车辆图片进行单图的车体方向识别，得到单图的车体方向置信度向量，所述单图的车体方向置信度向量用于表征该车辆图片的车体方向归属各个车体方向类别的可能性；

针对所述多个车辆图片中的每个车辆图片进行单图的车体部件识别，得到单图的车体部件检测结果；

至少根据目标车辆图片的所述单图的车体方向置信度向量和所述目标车辆图片的所述单图的车体部件检测结果，确定所述目标车辆图片的车体方向。

2.如权利要求1所述的方法，其中，所述至少根据目标车辆图片的所述单图的车体方向置信度向量和所述目标车辆图片的所述单图的车体部件检测结果，确定所述目标车辆图片的车体方向，包括：

根据所述多个车辆图片中各车辆图片的单图的车体部件检测结果，将所述多个车辆图片两两进行部件匹配计算，确定各车辆图片的部件匹配对应关系；

根据所述目标车辆图片的所述单图的车体方向置信度向量和各车辆图片的部件匹配对应关系，确定所述目标车辆图片的车体方向。

3.如权利要求1所述的方法，其中，所述车体方向类别包括以下任意一项：

上、下、左、右、无法判断。

4.如权利要求1所述的方法，其中，所述针对所述多个车辆图片中的每个车辆图片进行单图的车体方向识别，得到单图的车体方向置信度向量，包括：

将所述多个车辆图片中的每个车辆图片分别作为预先训练的第一神经网络模型的输入，得到每个车辆图片的单图的车体方向置信度向量，其中所述第一神经网络模型为分类器。

5.如权利要求1所述的方法，其中，所述针对所述多个车辆图片中的每个车辆图片进行单图的车体部件识别，得到单图的车体部件检测结果，包括：

将所述多个车辆图片中的每个车辆图片分别作为预先训练的第二神经网络模型的输入，得到每个车辆图片的单图的车体部件检测结果，其中所述第二神经网络模型采用目标检测算法。

6.如权利要求2所述的方法，其中，所述根据所述多个车辆图片中各车辆图片的单图的车体部件检测结果，将所述多个车辆图片两两进行部件匹配计算，确定各车辆图片的部件匹配对应关系，包括：

根据所述多个车辆图片中各车辆图片的单图的车体部件检测结果，确定每个车辆图片中各部件的特征描述向量；

根据每个车辆图片中各部件的特征描述向量，将所述多个车辆图片两两进行部件匹配计算，确定各车辆图片的部件匹配对应关系。

7.如权利要求2所述的方法，其中，所述根据所述目标车辆图片的所述单图的车体方向置信度向量和各车辆图片的部件匹配对应关系，确定所述目标车辆图片的车体方向，包括：

将所述目标车辆图片的所述单图的车体方向置信度向量和各车辆图片的部件匹配对应关系作为预先训练的决策模型的输入，得到所述目标车辆图片的车体方向。

8.如权利要求7所述的方法，其中，所述决策模型采用如下任意一种算法：

决策树算法、支持向量机算法和随机森林算法。

9.一种识别车体方向的装置，所述装置用于车辆定损案件，所述装置包括：

获取单元，用于获取同一定损案件的多个车辆图片；

单图车体方向识别单元，用于针对所述获取单元获取的多个车辆图片中的每个车辆图片进行单图的车体方向识别，得到单图的车体方向置信度向量，所述单图的车体方向置信度向量用于表征该车辆图片的车体方向归属各个车体方向类别的可能性；

单图车体部件识别单元，用于针对所述获取单元获取的多个车辆图片中的每个车辆图片进行单图的车体部件识别，得到单图的车体部件检测结果；

确定单元，用于至少根据所述单图车体方向识别单元得到的目标车辆图片的所述单图的车体方向置信度向量和所述单图车体部件识别单元得到的所述目标车辆图片的所述单图的车体部件检测结果，确定所述目标车辆图片的车体方向。

10.如权利要求9所述的装置，其中，所述确定单元，包括：

匹配子单元，用于根据所述多个车辆图片中各车辆图片的单图的车体部件检测结果，将所述多个车辆图片两两进行部件匹配计算，确定各车辆图片的部件匹配对应关系；

确定子单元，用于根据所述目标车辆图片的所述单图的车体方向置信度向量和所述匹配子单元确定的各车辆图片的部件匹配对应关系，确定所述目标车辆图片的车体方向。

11.如权利要求9所述的装置，其中，所述车体方向类别包括以下任意一项：

上、下、左、右、无法判断。

12.如权利要求9所述的装置，其中，所述单图车体方向识别单元，具体用于将所述多个车辆图片中的每个车辆图片分别作为预先训练的第一神经网络模型的输入，得到每个车辆图片的单图的车体方向置信度向量，其中所述第一神经网络模型为分类器。

13.如权利要求9所述的装置，其中，所述单图车体部件识别单元，具体用于将所述多个车辆图片中的每个车辆图片分别作为预先训练的第二神经网络模型的输入，得到每个车辆图片的单图的车体部件检测结果，其中所述第二神经网络模型采用目标检测算法。

14.如权利要求10所述的装置，其中，所述匹配子单元，具体用于：

根据所述多个车辆图片中各车辆图片的单图的车体部件检测结果，确定每个车辆图片中各部件的特征描述向量；

根据每个车辆图片中各部件的特征描述向量，将所述多个车辆图片两两进行部件匹配计算，确定各车辆图片的部件匹配对应关系。

15.如权利要求10所述的装置，其中，所述确定子单元，具体用于将所述目标车辆图片的所述单图的车体方向置信度向量和各车辆图片的部件匹配对应关系作为预先训练的决策模型的输入，得到所述目标车辆图片的车体方向。

16.如权利要求15所述的装置，其中，所述决策模型采用如下任意一种算法：

决策树算法、支持向量机算法和随机森林算法。

17.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-8中任一项的所述的方法。

18.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-8中任一项的所述的方法。