CN110634120B - 一种车辆损伤判别方法及装置 - Google Patents
一种车辆损伤判别方法及装置 Download PDFInfo
- Publication number
- CN110634120B CN110634120B CN201810570392.3A CN201810570392A CN110634120B CN 110634120 B CN110634120 B CN 110634120B CN 201810570392 A CN201810570392 A CN 201810570392A CN 110634120 B CN110634120 B CN 110634120B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- neural network
- damage
- target vehicle
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种车辆损伤判别方法及装置,其中,该车辆损伤判别方法包括:获取针对目标车辆的目标车辆图像;通过预设的车辆损伤判别模型,对目标车辆图像进行特征提取,并根据所提取的特征,判别目标车辆是否存在损伤,并输出判别结果。通过训练好的车辆损伤判别模型来判别目标车辆是否损伤,不仅节省了人力资源,提高了车辆损伤判别的效率,而且基于深度学习的车辆损伤判别模型可以更容易地判别车辆损伤的损伤类型,进而提高车辆损坏判别的准确率。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种车辆损伤判别方法及装置。
背景技术
车辆损伤是指该车辆的部件有损伤或完全失效,车辆损伤的损伤类型有多种,例如,车灯不亮,保险杠损坏,车窗破损等。在交通运行中,会出现有损伤的车辆在道路上行驶的情况。从交通安全的角度来说,因为有损伤的车辆的部分正常功能缺失,会存在交通安全隐患;从社会治安的角度来说,在道路上行驶的有损伤的车辆有极大的可能存在肇事逃逸、嫌犯逃逸等违法行为。因此,车辆损伤的判别对于交通安全和社会治安两方面来说均有重大意义。
目前,传统的车辆损伤的判别方式主要是通过眼看的方式进行判别,通过人工查看包含目标车辆的图像,从图像上判断目标车辆的损伤类型,。
然而,传统的人工判别方式不仅效率低,而且因为许多损伤类型的损伤并不容易通过眼睛直接看到,导致了车辆损坏判别不够准确的问题。
发明内容
本发明实施例的目的在于提供一种车辆损伤判别方法及装置,以实现提高判别效率以及提高车辆损坏判别的准确率。具体技术方案如下:
第一方面,本发明实施例提供了一种车辆损伤判别方法,所述方法包括:
获取针对目标车辆的目标车辆图像;
通过预设的车辆损伤判别模型,对所述目标车辆图像进行特征提取,并根据所提取的特征,判别所述目标车辆是否存在损伤,并输出判别结果;其中,所述车辆损伤判别模型是根据预设的训练集对预设神经网络进行训练获得的模型,所述训练集包括多张车辆样本图像,以及每张车辆样本图像中车辆的损伤类型对应的标签。
可选地,所述获取针对目标车辆的目标车辆图像的步骤,包括:
获取包含目标车辆的图像;
对所述图像进行检测,确定包含目标车辆的图像区域;
对所述图像区域进行处理,得到所述目标车辆图像。
可选地,所述对所述图像区域进行处理,得到所述目标车辆图像的步骤,包括:
对所述图像区域进行尺寸归一化处理;
对经过尺寸归一化处理后的图像区域进行图像去中心化处理;
将经过尺寸归一化处理后的的图像区域确定为目标车辆图像。
可选地,所述根据所提取的特征,判别所述目标车辆是否存在损伤,并输出判别结果的步骤,包括:
根据所提取的特征,判别所述目标车辆是否存在损伤;
如果是,输出预警信息,所述预警信息用于指示所述目标车辆存在损伤以及指示所述目标车辆的损伤类型;其中,所述损伤类型为车灯受损、车窗受损、保险杠受损和第一位置受损中的一种或多种的任意组合,所述第一位置为所述目标车辆除车灯、车窗、保险杠之外的其他位置。
可选地,所述车辆损伤判别模型采用如下步骤训练得到:
获取所述预设神经网络和预设的所述训练集,所述训练集包括正样本图像和负样本图像,所述正样本图像为车辆受损图像,所述负样本图像为车辆未受损图像,所述预设神经网络包括第一神经网络和第二神经网络;
通过所述第一神经网络的特征提取器,对所述训练集中的每张车辆样本图像进行特征提取,得到每张车辆样本图像的特征向量,其中,所述第一神经网络包括卷积神经网络、循环神经网络和深度神经网络中的至少一种;
根据每张车辆样本图像的特征向量,通过所述第二神经网络的分类器对每张车辆样本图像进行损伤类型的分类判别,得到判别结果,其中,所述第二神经网络包括卷积神经网络、循环神经网络和深度神经网络中的至少一种;
根据所得到的每张车辆样本图像的判别结果和该车辆样本图像对应的标签,判断所述预设神经网络是否收敛;
如果否,调整所述预设神经网络的参数,返回执行通过所述第一神经网络的特征提取器,对所述训练集中的每张车辆样本图像进行特征提取,得到每张车辆样本图像的特征向量的步骤;
如果是,将当前得到的所述预设神经网络确定为所述车辆损伤判别模型。
第二方面,本发明实施例提供了一种车辆损伤判别装置,所述装置包括:
获取模块,用于获取针对目标车辆的目标车辆图像;
判别模块,用于通过预设的车辆损伤判别模型,对所述目标车辆图像进行特征提取,并根据所提取的特征,判别所述目标车辆是否存在损伤,并输出判别结果;其中,所述车辆损伤判别模型是根据预设的训练集对预设神经网络进行训练获得的模型,所述训练集包括多张车辆样本图像,以及每张车辆样本图像中车辆的损伤类型对应的标签。
可选地,所述获取模块包括:
获取子模块,用于获取包含目标车辆的图像;
第一确定子模块,用于对所述图像进行检测,确定包含目标车辆的图像区域;
第二确定子模块,用于对所述图像区域进行处理,得到所述目标车辆图像。
可选地,所述第二确定子模块,包括:
归一化单元,用于对所述图像区域进行尺寸归一化处理;
去中心化单元,用于对经过尺寸归一化处理后的图像区域进行图像进行去中心化处理;
确定单元,用于将经过图像去中心化处理后的图像区域确定为所述目标车辆图像。
可选地,所述判别模块具体用于:
根据所提取的特征,判别所述目标车辆是否存在损伤;
如果是,输出预警信息,所述预警信息用于指示所述目标车辆存在损伤以及指示所述目标车辆的损伤类型;其中,所述损伤类型为车灯受损、车窗受损、保险杠受损和第一位置受损中的一种或多种的任意组合,所述第一位置为所述目标车辆除车灯、车窗、保险杠之外的其他位置。
可选地,所述装置还包括训练模块,所述训练模块用于对所述预设神经网络进行训练得到所述车辆损伤判别模型;所述训练模块具体用于:
获取所述预设神经网络和预设的所述训练集,所述训练集包括正样本图像和负样本图像,所述正样本图像为车辆受损图像,所述负样本图像为车辆未受损图像,所述预设神经网络包括第一神经网络和第二神经网络;
通过所述第一神经网络的特征提取器,对所述训练集中的每张车辆样本图像进行特征提取,得到每张车辆样本图像的特征向量,其中,所述第一神经网络包括卷积神经网络、循环神经网络和深度神经网络中的至少一种;
根据每张车辆样本图像的特征向量,通过所述第二神经网络的分类器对每张车辆样本图像进行损伤类型的分类判别,得到判别结果,其中,所述第二神经网络包括卷积神经网络、循环神经网络和深度神经网络中的至少一种;
根据所得到的每张车辆样本图像的判别结果和该车辆样本图像对应的标签,判断所述预设神经网络是否收敛;
如果否,调整所述预设神经网络的参数,返回执行通过所述第一神经网络的特征提取器,对所述训练集中的每张车辆样本图像进行特征提取,得到每张车辆样本图像的特征向量的步骤;
如果是,将当前得到的所述预设神经网络确定为所述车辆损伤判别模型。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的一种车辆损伤判别方法步骤。
第四方面,本发明实施例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内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的一种车辆损伤判别方法步骤。
本发明实施例提供的技术方案中,获取针对目标车辆的目标车辆图像;通过预设的车辆损伤判别模型,对目标车辆图像进行特征提取,并根据所提取的特征,判别目标车辆是否存在损伤,并输出判别结果。通过训练好的车辆损伤判别模型来判别目标车辆是否损伤,不仅节省了人力资源,提高了车辆损伤判别的效率,而且基于深度学习的车辆损伤判别模型可以更容易地判别车辆损伤的损伤类型,进而提高车辆损坏判别的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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辆损伤判别方法的一种流程图;
图2为本发明实施例提供的对车辆损伤判别模型进行训练的一种流程图;
图3为本发明实施例提供的车辆损伤判别方法的另一种流程图;
图4为本发明实施例提供的车辆损伤判别装置的一种结构示意图;
图5为本发明实施例提供的电子设备的一种结构示意图。
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,所描述的实施例仅仅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。
为了提高判别效率以及提高车辆损坏判别的准确率,本发明实施例提供了一种车辆损伤判别方法及装置,其中,该车辆损伤判别方法包括:
获取针对目标车辆的目标车辆图像;
通过预设的车辆损伤判别模型,对目标车辆图像进行特征提取,并根据所提取的特征,判别目标车辆是否存在损伤,并输出判别结果;其中,车辆损伤判别模型是根据预设的训练集对预设神经网络进行训练获得的模型,训练集包括多张车辆样本图像,以及每张车辆样本图像中车辆的损伤类型对应的标签。
本发明实施例提供的技术方案中,获取针对目标车辆的目标车辆图像;通过预设的车辆损伤判别模型,对目标车辆图像进行特征提取,并根据所提取的特征,判别目标车辆是否存在损伤,并输出判别结果。通过训练好的车辆损伤判别模型来判别目标车辆是否损伤,不仅节省了人力资源,提高了车辆损伤判别的效率,而且基于深度学习的车辆损伤判别模型可以更容易地判别车辆损伤的损伤类型,进而提高车辆损坏判别的准确率。
下面就本发明实施例提供的一种车辆损伤判别方法进行介绍,其中,本发明实施例提供的车辆损伤判别方法可以应用于智能交通领域,智能交通是将先进的信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的,实时、准确、高效的综合交通运输管理系统。智能交通的突出特点是以信息的收集、处理、发布、交换、分析、利用为主线,为交通参与者提供多样性的服务。
如图1所示的本发明实施例提供的车辆损伤判别方法的一种流程图,该车辆损伤判别方法包括如下步骤。
S101,获取针对目标车辆的目标车辆图像。
目标车辆为进行损伤判别的车辆,目标车辆可以是自定义设定的。
一种实施方式中,首先,获取包含目标车辆的图像。图像的获取可以是通过摄像头,例如,道路监控摄像头,治安监控摄像头,违章监控摄像头,测速监控摄像头等。
在获取到图像之后,对所获取的图像进行检测,确定包含目标车辆的图像区域。其中,对图像的检测为目标检测,目标检测也叫目标提取,是将感兴趣的物体从复杂的背景图像中提取出来。
在对图像进行目标检测时可以采用基于深度学习的神经网络对图像进行目标识别,确定图像中目标车辆的位置,以及目标车辆在图像中的图像区域。其中,所采用的神经网络是经过训练样本训练后所得到的神经网络,目标识别是将所指定的目标从其他目标中分离出来。
在确定图像区域之后,将该图像区域确定为目标车辆图像。当所获取的图像中仅包括目标车辆、且目标车辆所占的区域在图像中较大甚至所占的区域为整个图像时,目标车辆图像可以为所获取的图像;当所获取的图像中除了目标车辆还包括其他目标,和/或目标车辆所占的区域在图像中较小时,目标车辆图像可以为所获取的图像中的一部分图像。
一种实施方式中,为了便于对目标车辆图像进行分类处理,在确定图像区域之后,对图像区域进行图像预处理,其中,图像预处理可以包括尺寸归一化处理和图像去中心化处理。
确定图像区域的中心位置,在保持中心位置不变的情况下,将图像区域调整为宽和高一样的正方形。其中,调整的预设规则为:将图像区域的宽和高中较长的一边作为调整的正方形的边长。例如,图像区域的宽为8厘米,高为6厘米,则确定调整后的正方形的边长为8厘米,即将图像区域调整为边长为8厘米的正方形图像。
在将图像区域调整按照预设规则调整为宽高一致的正方形图像后时,对于超出图像区域范围的区域,可以RGB一致的像素点补齐,例如,用RGB为(0,0,0)的黑色像素点补齐超出图像区域范围的区域。
在将图像区域调整为正方形图像之后,利用双线性差值,将正方形图像调整为每个边长包括预设数量的像素点的图像,其中,预设数量可以是自定义设定的。例如,利用双线性差值,将正方形图像缩放至宽和高均为256个像素点。
在经过尺寸归一化处理之后,可以对经过尺寸归一化处理后的图像区域进行去中心化处理。
一种实现方式,对图像区域进行去中心化处理时,将图像区域的图像减去均值图像,其中,均值图像由预设的样本图像进行平均计算所得到的。所得到的图像即为去中心化处理之后的图像。
具体地,图像区域与均值图像为相同大小的图像,将图像区域中的每一像素点减去均值图像中与该像素点相同位置的像素点,即完成去中心化处理。
例如,图像区域与均值图像均为256×256像素点的图像,在进行去中心化处理时,将图像区域中1×1的像素点减去均值图像中1×1的像素点,即可得到去中心化处理的图像中1×1的像素点,其他的像素点也以相同的减法运算方式得到去中心化处理后的图像中各像素点。
对于均值图像的获取方式,首先获取一批经过尺寸归一化处理后的样本图像,各样本图像中所包括的像素点均一致。对所获取的样本图像中的像素点进行平均计算,得到均值图像,该均值图像中所包括的像素点的数量与各样本图像所包括的像素点的数量一致,该均值图像中的每一像素点均是各样本图像中对应位置的像素点进行平均得到的。
例如,100张样本图像包括样本图像1、样本图像2…样本图像100,各样本图像均包括256×256像素点,在进行像素点均值计算时,将每一样本图像中相同位置的像素点进行平均计算,以1×1的像素点为例。通过以下公式可得到均值图像中1×1的像素点:
其中,an表示第n张样本图像中1×1的像素点的像素值,A1×1表示均值图像中1×1的像素点的像素值。
另一种实现方式,对图像区域进行去中心化处理时,将图像区域的RGB值减去RGB均值,其中,RGB均值为将预设的样本图像对应的RGB值进行平均计算所得到的均值。
具体地,将图像区域的R值减去RGB均值中的R值,得到新的R值;将图像区域的G值减去RGB均值中的G值,得到新的G值;将图像区域的B值减去RGB均值中的B值,得到新的B值。新的R值、G值和B值组成了新的RGB值,该新的RGB值即为去中心化处理后该图像区域的RGB值。
对于RGB均值的获取方式,可以通过多张样本图像,对各样本图像对应的RGB值进行平均计算,得到RGB均值。以R值的均值为例,通过以下公式可得到RGB均值中的R值:
其中,N表示样本图像的数量为N张,Ri表示第i张样本图像所对应RGB值中的R值,i的取值范围为1到N。
在完成图像去中心化处理之后,可以将经过图像去中心化处理后的图像区域确定为目标车辆图像。
S102,通过预设的车辆损伤判别模型,对目标车辆图像进行特征提取,并根据所提取的特征,判别目标车辆是否存在损伤,并输出判别结果。
特征提取可以由基于CNN(Convolutional Neural Networks,卷积神经网络)、RNN(Recurrent Neural Networks,循环神经网络)、DNN(Deep Neural Networks,深度神经网络)等中任一种或多种神经网络的特征提取器进行提取。特征提取并不仅限于以上三种类型的神经网络,在此不作限定。其中,CNN是一种深度的监督学习下的机器学习模型,CNN利用空间关系减少需要学习的参数数目以提高一般前向BP(Back Propagation,后向传导)算法的训练性能。
特征提取可以从多个维度进行提取。其中,维度的数量可以是预设的。例如,可以从5个维度进行特征提取,还可以从100个维度进行特征提取。每一个维度的特征可以是自定义设定的,所提取的特征可以包括车灯、车窗、保险杠等。
在通过车辆损伤判别模型提取到特征之后,根据所提取到的特征,判别目标车辆是否存在损伤。
车辆损伤判别模型所提取的特征的数量可以是自定义设定的,其中,所提取的特征的数量,即为判别目标车辆是否存在损伤的维度。例如,所提取的特征包括车灯、车窗和保险杠,则从车灯、车窗和保险杠三个维度判断目标车辆是否存在损伤。
对于所提取的每一个特征,判别每一特征是否存在损伤。只要所提取的特征中有至少一个特征存在损伤,则判别目标车辆存在损伤。
一种实施方式中,损伤类型可以包括多种,所提取的每一个特征可以对应一种损伤类型。例如,特征为车灯,对应的损伤类型为车灯损伤;特征为车窗,对应的损伤类型为车窗损伤;特征保险杠,对应的损伤类型为保险杠损伤。对于目标车辆,只要存在至少一种损伤类型的损伤,即可以判别该目标车辆存在损伤。
在判别出目标车辆存在至少一种损伤类型的损伤时,可以输出预警信息,预警信息用于指示目标车辆存在损伤以及指示目标车辆的损伤类型。其中,损伤类型为车灯受损、车窗受损、保险杠受损和第一位置受损中的一种或多种的任意组合,第一位置为目标车辆除车灯、车窗、保险杠之外的其他位置,比如车顶、车胎等位置。
例如,通过车辆损伤判别模型对目标车辆所提取的特征进行判别,得出该目标车辆存在车灯损伤和车窗损伤,因此,输出预警信息,该预警信息指示该目标车辆存在损伤且存在两种类型的损伤,分别为车灯损伤和车窗损伤。
当然,在判别出目标车辆存在至少一种损伤类型的损伤时,除了输出用于指示目标车辆存在损伤以及指示目标车辆的损伤类型的预警信息以外,还可以输出其他信息,对此不作限定。
若判别出目标车辆不存在损伤时,则输出指示目标车辆不存在损伤的信息。
车辆损伤判别模型是根据预设的训练集对预设神经网络进行训练获得的模型。其中,训练集包括多张车辆样本图像,以及每张车辆样本图像中车辆的损伤类型对应的标签。
车辆损伤判别模型包括特征提取器和分类器,特征提取器用于从所输入车辆损伤判别模型的图像中提取特征,并将所提取的特征输入至分类器,由分类器对所提取的特征进行分类判别,并输出判别结果。
为了使得车辆损伤判别模型经过训练后可以更精确的判别,训练集中所包括的车辆样本图像分为正样本图像和负样本图像,正样本图像为车辆受损图像,负样本图像为车辆未受损图像。
进一步地,为了可以更精确地判别出损伤类型并且可以判别出更多的损伤类型,对于训练集所包括的车辆样本图像中的正样本图像,各正样本图像包括损伤类型的数量可以各不相同,每一张正样本图像,可以仅包括一种损伤类型,或者,还可以包括多种损伤类型。
例如,一张车辆样本图像中仅存在车灯损伤,另一张车辆样本图像中同时存在车灯损伤、车窗损伤和保险杠损伤。
标签为预设神经网络对车辆样本图像进行判别的判断结果是否正确的依据。每张车辆样本图像对应一个标签,当预设神经网络对每张车辆样本图像进行判别后得到判别结果,将所得到的判别结果与该车辆样本图像对应的标签进行对比,若判别结果与标签匹配,则表示预设神经网络对该车辆样本图像判别正确;若判别结果与标签不匹配,则表示预设神经网络对该车辆样本图像判别不正确。
为了方便标签同时作为多种损伤类型的判别依据,标签可以用一个预设长度的向量表示,该向量中的每一个元素分别对应一种损伤类型,即每一个元素表示是否存在所对应的损伤类型。
例如,标签以长度为4的向量表示为:(m1,m2,m3,m4),其中,m1表示车灯损伤,m2表示车窗损伤,m3表示保险杠损伤,m4表示其他类型损伤。m1、m2、m3、m4分别用0或1表示是否存在损伤,其中,0表示不存在损伤,1表示存在损伤。当一张车辆样本图像的标签为(1,1,0,0)时,表示该车辆样本图像中存在车灯损伤和车窗损伤。
一种实施方式中,对于车辆损伤判别模型,可以由预设神经网络经过训练所获得,如图2所示,对预设神经网络的训练可以采用如下步骤。
S201,获取预设神经网络和预设的训练集。
其中,预设神经网络和训练集均可以是自定义的。其中,预设神经网络可以包括第一神经网络和第二神经网络。第一神经网络包括特征提取器,用于进行特征提取。第二神经网络包括分类器,用于进行特征分类。
训练集包括多张车辆样本图像,该多张车辆样本图像可以分为正样本图像和负样本图像。每一张车辆样本图像对应一个标签,正样本图像所对应的标签可以表示出该正样本图像中包括的损伤类型,负样本图像对应的标签则表示不包含损伤类型。
S202,通过第一神经网络的特征提取器,对训练集中的每张车辆样本图像进行特征提取,得到每张车辆样本图像的特征向量。
其中,第一神经网络可以包括卷积神经网络、循环神经网络和深度神经网络中的至少一种。第一神经网络还可以包括其他类型的神经网络,在此不作限定。
一种实现方式,可以依次将训练集中的每一张车辆样本图像分别输入至神经网络,进而依次利用每张车辆样本图像对神经网络进行训练。
例如,对训练集中的每张车辆样本图像进行编号并排序,首先将第一样本图像输入至神经网络,即利用该第一样本图像对第一神经网络进行训练。在完成第一车辆样本图像对第一神经网络的训练之后,再利用训练集中的第二车辆样本图像对第一神经网络进行下一轮训练,直至训练集中的最后一张车辆样本图像完成对第一神经网络的训练。
S203,根据每张车辆样本图像的特征向量,通过第二神经网络的分类器对每张车辆样本图像进行损伤类型的分类判别,得到判别结果。
其中,第二神经网络可以包括卷积神经网络、循环神经网络和深度神经网络中的至少一种。第一神经网络还可以包括其他类型的神经网络,在此不作限定。
S204,根据所得到的每张车辆样本图像的判别结果和该车辆样本图像对应的标签,判断预设神经网络是否收敛;如果否,执行步骤S205;如果是,执行步骤S206。
一种实现方式中,首先,第二神经网络对车辆样本图像的特征向量进行前向计算。
具体地,设定预设神经网络的参数集为Θi,当预设神经网络中的第二神经网络对车辆样本图像的特征向量第一次进行前向计算处理时,预设神经网络的参数集为Θ1,后续再次进行前向计算处理时,当前参数集Θi为对上一次使用的参数集Θi-1进行调整后得到的。
在完成前向计算之后,对车辆样本图像的特征向量进行损伤类型的分类判别时,依据每一种损伤类型的特征和车辆参考图像的特征,计算每一种损伤类型的分值。其中,车辆参考图像是预设的目标车辆的损伤类型的标准图像,在计算分值时车辆参考图像作为参考标准。
基于所得到的每一种损伤类型的分值,判断该预设神经网络是否收敛。具体地,判断分值与标签中的差值是否小于预设阈值,当小于预设阈值时,表示对该分值的损伤类型的判定正确,预设神经网络收敛;当不小于预设阈值时,表示对该分值的损伤类型的判定不正确,预设神经网络不收敛。
如果预设神经网络不收敛,则执行步骤S205,即调整预设神经网络的参数,返回执行步骤S202。
如果预设神经网络收敛,则执行步骤S206,即将当前得到的预设神经网络确定为车辆损伤判别模型。
本发明实施例提供的技术方案中,获取针对目标车辆的目标车辆图像;通过预设的车辆损伤判别模型,对目标车辆图像进行特征提取,并根据所提取的特征,判别目标车辆是否存在损伤,并输出判别结果。通过训练好的车辆损伤判别模型来判别目标车辆是否损伤,不仅节省了人力资源,提高了车辆损伤判别的效率,而且基于深度学习的车辆损伤判别模型可以更容易地判别车辆损伤的损伤类型,进而提高车辆损坏判别的准确率。
综上,本申请实施例提供了一种车辆损伤判别方法,如图3所示,该车辆损伤判别方法包括如下步骤。
S301,获取包含目标车辆的图像。
S302,对图像进行检测,确定包含目标车辆的图像区域。
S303,对图像区域进行尺寸归一化处理。
S304,对经过尺寸归一化处理后的图像区域进行图像去中心化处理。
S305,将经过图像去中心化处理后的图像区域确定为目标车辆图像。
S306,通过预设的车辆损伤判别模型,对目标车辆图像进行特征提取。
S307,根据所提取的特征,判别目标车辆是否存在损伤,如果是,执行步骤S308,如果否,输出指示目标车辆不存在损伤的信息。
S308,输出预警信息。
相应于上述车辆损伤判别方法的实施例,本发明实施例还提供一种车辆损伤判别装置,如图4所示,该车辆损伤判别装置包括:
获取模块410,用于获取针对目标车辆的目标车辆图像;
判别模块420,用于通过预设的车辆损伤判别模型,对目标车辆图像进行特征提取,并根据所提取的特征,判别目标车辆是否存在损伤,并输出判别结果;其中,车辆损伤判别模型是根据预设的训练集对预设神经网络进行训练获得的模型,训练集包括多张车辆样本图像,以及每张车辆样本图像中车辆的损伤类型对应的标签。
可选地,获取模块410可以包括:
获取子模块,用于获取包含目标车辆的图像;
第一确定子模块,用于对图像进行检测,确定包含目标车辆的图像区域;
第二确定子模块,用于对图像区域进行处理,得到目标车辆图像。
可选地,第二确定子模块可以包括:
归一化单元,用于对图像区域进行尺寸归一化处理;
去中心化单元,用于对经过尺寸归一化处理后的图像区域进行图像去中心化处理;
确定单元,用于将经过图像去中心化处理后的图像区域确定为目标车辆图像。
可选地,判别模块420具体用于:
根据所提取的特征,判别目标车辆是否存在损伤;
如果是,输出指示目标车辆存在损伤的信息和目标车辆的损伤类型,损伤类型为车灯受损、车窗受损、保险杠受损和第一位置受损中的一种或多种的任意组合,第一位置为目标车辆除车灯、车窗、保险杠之外的其他位置。
可选地,装置还包括训练模块,训练模块用于对预设神经网络进行训练得到车辆损伤判别模型;训练模块具体用于:
获取预设神经网络和预设的训练集,训练集包括正样本图像和负样本图像,正样本图像为车辆受损图像,负样本图像为车辆未受损图像,预设神经网络包括第一神经网络和第二神经网络;
通过第一神经网络的特征提取器,对训练集中的每张车辆样本图像进行特征提取,得到每张车辆样本图像的特征向量,其中,第一神经网络包括卷积神经网络、循环神经网络和深度神经网络中的至少一种;
根据每张车辆样本图像的特征向量,通过第二神经网络的分类器对每张车辆样本图像进行损伤类型的分类判别,得到判别结果,其中,第二神经网络包括卷积神经网络、循环神经网络和深度神经网络中的至少一种;
根据所得到的每张车辆样本图像的判别结果和该车辆样本图像对应的标签,判断预设神经网络是否收敛;
如果否,调整预设神经网络的参数,返回执行通过第一神经网络的特征提取器,对训练集中的每张车辆样本图像进行特征提取,得到每张车辆样本图像的特征向量的步骤;
如果是,将当前得到的预设神经网络确定为车辆损伤判别模型。
本发明实施例提供的技术方案中,获取针对目标车辆的目标车辆图像;通过预设的车辆损伤判别模型,对目标车辆图像进行特征提取,并根据所提取的特征,判别目标车辆是否存在损伤,并输出判别结果。通过训练好的车辆损伤判别模型来判别目标车辆是否损伤,不仅节省了人力资源,提高了车辆损伤判别的效率,而且基于深度学习的车辆损伤判别模型可以更容易地判别车辆损伤的损伤类型,进而提高车辆损坏判别的准确率。
相应于上述车辆损伤判别方法的实施例,本发明实施例还提供了一种电子设备,如图5所示,包括处理器510、通信接口520、存储器530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信;
存储器530,用于存放计算机程序;
处理器510,用于执行存储器530上所存放的程序时,实现如下步骤:
获取针对目标车辆的目标车辆图像;
通过预设的车辆损伤判别模型,对目标车辆图像进行特征提取,并根据所提取的特征,判别目标车辆是否存在损伤,并输出判别结果;其中,车辆损伤判别模型是根据预设的训练集对预设神经网络进行训练获得的模型,训练集包括多张车辆样本图像,以及每张车辆样本图像中车辆的损伤类型对应的标签。
本发明实施例提供的技术方案中,获取针对目标车辆的目标车辆图像;通过预设的车辆损伤判别模型,对目标车辆图像进行特征提取,并根据所提取的特征,判别目标车辆是否存在损伤,并输出判别结果。通过训练好的车辆损伤判别模型来判别目标车辆是否损伤,不仅节省了人力资源,提高了车辆损伤判别的效率,而且基于深度学习的车辆损伤判别模型可以更容易地判别车辆损伤的损伤类型,进而提高车辆损坏判别的准确率。
当然,本发明实施例提供的一种电子设备还可以执行上述实施例中任一所述的一种车辆损伤判别方法。具体见图1、图2以及图1、图2各自所对应的实施例,这里不再赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述图1、图2以及图1、图2各自所对应的实施例中任一所述的一种车辆损伤判别方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于车辆损伤判别装置、电子设备以及机器可读存储介质的实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (10)
1.一种车辆损伤判别方法,其特征在于,所述方法包括:
获取针对目标车辆的目标车辆图像;
通过预设的车辆损伤判别模型,对所述目标车辆图像进行特征提取,并根据所提取的特征,判别所述目标车辆是否存在损伤,并输出判别结果;其中,所述车辆损伤判别模型是根据预设的训练集对预设神经网络进行训练获得的模型,所述训练集包括多张车辆样本图像,以及每张车辆样本图像中车辆的损伤类型对应的标签;
其中,所述车辆损伤判别模型采用如下步骤训练得到:
获取所述预设神经网络和预设的所述训练集,所述训练集包括正样本图像和负样本图像,所述正样本图像为车辆受损图像,所述负样本图像为车辆未受损图像,所述预设神经网络包括第一神经网络和第二神经网络;
通过所述第一神经网络的特征提取器,对所述训练集中的每张车辆样本图像进行特征提取,得到每张车辆样本图像的特征向量,其中,所述第一神经网络包括卷积神经网络、循环神经网络和深度神经网络中的至少一种;
根据每张车辆样本图像的特征向量,通过所述第二神经网络的分类器对每张车辆样本图像进行损伤类型的分类判别,得到判别结果,其中,所述第二神经网络包括卷积神经网络、循环神经网络和深度神经网络中的至少一种;
根据所得到的每张车辆样本图像的判别结果和该车辆样本图像对应的标签,判断所述预设神经网络是否收敛;
如果否,调整所述预设神经网络的参数,返回执行通过所述第一神经网络的特征提取器,对所述训练集中的每张车辆样本图像进行特征提取,得到每张车辆样本图像的特征向量的步骤;
如果是,将当前得到的所述预设神经网络确定为所述车辆损伤判别模型。
2.根据权利要求1所述的方法,其特征在于,所述获取针对目标车辆的目标车辆图像的步骤,包括:
获取包含目标车辆的图像;
对所述图像进行检测,确定包含目标车辆的图像区域;
对所述图像区域进行处理,得到所述目标车辆图像。
3.根据权利要求2所述的方法,其特征在于,所述对所述图像区域进行处理,得到所述目标车辆图像的步骤,包括:
对所述图像区域进行尺寸归一化处理;
对经过尺寸归一化处理后的图像区域进行图像去中心化处理;
将经过图像去中心化处理后的图像区域确定为所述目标车辆图像。
4.根据权利要求1所述的方法,其特征在于,所述根据所提取的特征,判别所述目标车辆是否存在损伤,并输出判别结果的步骤,包括:
根据所提取的特征,判别所述目标车辆是否存在损伤;
如果是,输出预警信息,所述预警信息用于指示所述目标车辆存在损伤以及指示所述目标车辆的损伤类型;其中,所述损伤类型为车灯受损、车窗受损、保险杠受损和第一位置受损中的一种或多种的任意组合,所述第一位置为所述目标车辆除车灯、车窗、保险杠之外的其他位置。
5.一种车辆损伤判别装置,其特征在于,所述装置包括:
获取模块,用于获取针对目标车辆的目标车辆图像;
判别模块,用于通过预设的车辆损伤判别模型,对所述目标车辆图像进行特征提取,并根据所提取的特征,判别所述目标车辆是否存在损伤,并输出判别结果;其中,所述车辆损伤判别模型是根据预设的训练集对预设神经网络进行训练获得的模型,所述训练集包括多张车辆样本图像,以及每张车辆样本图像中车辆的损伤类型对应的标签;
其中,所述装置还包括训练模块,所述训练模块用于对所述预设神经网络进行训练得到所述车辆损伤判别模型;所述训练模块具体用于:
获取所述预设神经网络和预设的所述训练集,所述训练集包括正样本图像和负样本图像,所述正样本图像为车辆受损图像,所述负样本图像为车辆未受损图像,所述预设神经网络包括第一神经网络和第二神经网络;
通过所述第一神经网络的特征提取器,对所述训练集中的每张车辆样本图像进行特征提取,得到每张车辆样本图像的特征向量,其中,所述第一神经网络包括卷积神经网络、循环神经网络和深度神经网络中的至少一种;
根据每张车辆样本图像的特征向量,通过所述第二神经网络的分类器对每张车辆样本图像进行损伤类型的分类判别,得到判别结果,其中,所述第二神经网络包括卷积神经网络、循环神经网络和深度神经网络中的至少一种;
根据所得到的每张车辆样本图像的判别结果和该车辆样本图像对应的标签,判断所述预设神经网络是否收敛;
如果否,调整所述预设神经网络的参数,返回执行通过所述第一神经网络的特征提取器,对所述训练集中的每张车辆样本图像进行特征提取,得到每张车辆样本图像的特征向量的步骤;
如果是,将当前得到的所述预设神经网络确定为所述车辆损伤判别模型。
6.根据权利要求5所述的装置,其特征在于,所述获取模块包括:
获取子模块,用于获取包含目标车辆的图像;
第一确定子模块,用于对所述图像进行检测,确定包含目标车辆的图像区域;
第二确定子模块,用于对所述图像区域进行处理,得到所述目标车辆图像。
7.根据权利要求6所述的装置,其特征在于,所述第二确定子模块,包括:
归一化单元,用于对所述图像区域进行尺寸归一化处理;
去中心化单元,用于对经过尺寸归一化处理后的图像区域进行图像去中心化处理;
确定单元,用于将经过图像去中心化处理后的图像区域确定为所述目标车辆图像。
8.根据权利要求5所述的装置,其特征在于,所述判别模块具体用于:
根据所提取的特征,判别所述目标车辆是否存在损伤;
如果是,输出预警信息,所述预警信息用于指示所述目标车辆存在损伤以及指示所述目标车辆的损伤类型;其中,所述损伤类型为车灯受损、车窗受损、保险杠受损和第一位置受损中的一种或多种的任意组合,所述第一位置为所述目标车辆除车灯、车窗、保险杠之外的其他位置。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-4任一所述的方法步骤。
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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810570392.3A CN110634120B (zh) | 2018-06-05 | 2018-06-05 | 一种车辆损伤判别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810570392.3A CN110634120B (zh) | 2018-06-05 | 2018-06-05 | 一种车辆损伤判别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110634120A CN110634120A (zh) | 2019-12-31 |
CN110634120B true CN110634120B (zh) | 2022-06-03 |
Family
ID=68966158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810570392.3A Active CN110634120B (zh) | 2018-06-05 | 2018-06-05 | 一种车辆损伤判别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110634120B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326773A (zh) * | 2021-05-28 | 2021-08-31 | 北京百度网讯科技有限公司 | 识别模型训练方法、识别方法、装置、设备及存储介质 |
CN116168356B (zh) * | 2023-04-26 | 2023-07-21 | 威海海洋职业学院 | 一种基于计算机视觉的车辆损伤判别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107194398A (zh) * | 2017-05-10 | 2017-09-22 | 平安科技(深圳)有限公司 | 车损部位的识别方法及系统 |
CN107392218A (zh) * | 2017-04-11 | 2017-11-24 | 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、装置及电子设备 |
CN107403424A (zh) * | 2017-04-11 | 2017-11-28 | 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、装置及电子设备 |
CN107748893A (zh) * | 2017-09-29 | 2018-03-02 | 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 |
-
2018
- 2018-06-05 CN CN201810570392.3A patent/CN110634120B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392218A (zh) * | 2017-04-11 | 2017-11-24 | 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、装置及电子设备 |
CN107403424A (zh) * | 2017-04-11 | 2017-11-28 | 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、装置及电子设备 |
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 |
CN107194398A (zh) * | 2017-05-10 | 2017-09-22 | 平安科技(深圳)有限公司 | 车损部位的识别方法及系统 |
CN107748893A (zh) * | 2017-09-29 | 2018-03-02 | 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 |
Non-Patent Citations (1)
Title |
---|
Deep Learning Based Car Damage Classification;Kalpesh Patil et al.;《2017 16th IEEE International Conference on Machine Learning and Applications》;20171221;第III-V节 * |
Also Published As
Publication number | Publication date |
---|---|
CN110634120A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN108053427B (zh) | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 | |
WO2022105243A1 (zh) | 事件检测方法、装置、电子设备及存储介质 | |
CN109460699B (zh) | 一种基于深度学习的驾驶员安全带佩戴识别方法 | |
US9721173B2 (en) | Machine learning approach for detecting mobile phone usage by a driver | |
CN109711264B (zh) | 一种公交车道占道检测方法及装置 | |
CN106600977B (zh) | 基于多特征识别的违停检测方法及系统 | |
CN111178272B (zh) | 一种识别驾驶员行为的方法、装置及设备 | |
CN112085952B (zh) | 监控车辆数据方法、装置、计算机设备及存储介质 | |
KR101824446B1 (ko) | 강화 학습 기반 cctv용 차량 번호 인식 방법 | |
CN111062240A (zh) | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 | |
WO2019223655A1 (zh) | 非机动车载人的检测 | |
CN110895662A (zh) | 车辆超载报警方法、装置、电子设备及存储介质 | |
CN107665327B (zh) | 一种车道线检测方法及装置 | |
CN110751012B (zh) | 目标检测评估方法、装置、电子设备及存储介质 | |
CN110555347B (zh) | 具有危险载货行为的车辆目标识别方法、装置及电子设备 | |
CN111127508B (zh) | 一种基于视频的目标跟踪方法及装置 | |
CN111898491B (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN104331691A (zh) | 一种车标分类器训练方法、车标识别方法及装置 | |
CN110634120B (zh) | 一种车辆损伤判别方法及装置 | |
CN111079621A (zh) | 检测对象的方法、装置、电子设备和存储介质 | |
CN113034378A (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN114973215A (zh) | 一种疲劳驾驶的确定方法、装置及电子设备 | |
CN113297939A (zh) | 障碍物检测方法、系统、终端设备及存储介质 | |
CN108873097B (zh) | 无人停车库中载车板停车时的安全检测方法及装置 |
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 |