CN110837779A - 车辆外观智能诊断方法、装置及计算机可读存储介质 - Google Patents

车辆外观智能诊断方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN110837779A
CN110837779A CN201910975680.1A CN201910975680A CN110837779A CN 110837779 A CN110837779 A CN 110837779A CN 201910975680 A CN201910975680 A CN 201910975680A CN 110837779 A CN110837779 A CN 110837779A
Authority
CN
China
Prior art keywords
vehicle
picture
appearance
picture set
diagnosis
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.)
Granted
Application number
CN201910975680.1A
Other languages
English (en)
Other versions
CN110837779B (zh
Inventor
沈阳
张帆
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 CN201910975680.1A priority Critical patent/CN110837779B/zh
Publication of CN110837779A publication Critical patent/CN110837779A/zh
Priority to PCT/CN2020/098958 priority patent/WO2021068566A1/zh
Application granted granted Critical
Publication of CN110837779B publication Critical patent/CN110837779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种人工智能技术，揭露了一种车辆外观智能诊断方法，包括：接收用户的车辆外观诊断请求，根据所述车辆外观诊断请求生成二维码图片并将所述二维码图片反馈给用户，接收用户根据所述二维码图片上传的车辆多角度图片集，基于对比度增强和直方图均衡操作处理所述车辆多角度图片集得到标准车辆图片集，根据多角点特征提取法提取所述标准车辆图片集的特征得到车辆特征数据集，基于卷积操作和池化操作对所述车辆特征数据集进行特征诊断并输出所述诊断结果。本发明还提出一种车辆外观智能诊断装置以及一种计算机可读存储介质。本发明可以实现快速准确的车辆外观智能诊断功能。

Description

车辆外观智能诊断方法、装置及计算机可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于车辆外观智能诊断方法、装置及计算机可读存储介质。
背景技术
汽车外观诊断目前应用到多个领域，如车险理赔，二手车转卖等，目前多数的汽车外观诊断是由出单系统下发外观诊断任务，然后车主上传汽车照片，当所述出单系统收到汽车照片后由审查人进行外观检测并手动下发诊断结论，由于这种人工审核方案影响汽车外观的诊断准确率且人工审核成本高速度慢，所以一种快速诊断且诊断准确率高的汽车外观诊断方法急需解决。
发明内容
本发明提供一种车辆外观智能诊断方法、装置及计算机可读存储介质，其主要目的在于根据用户输入的汽车图片，对所述汽车的外观进行车辆外观智能诊断。
为实现上述目的，本发明提供的一种车辆外观智能诊断方法，包括：
接收用户的车辆外观诊断请求，根据所述车辆外观诊断请求生成二维码图片并将所述二维码图片反馈给用户；
接收用户根据所述二维码图片上传的车辆多角度图片集，基于对比度增强和直方图均衡操作处理所述车辆多角度图片集得到标准车辆图片集；
根据多角点特征提取法提取所述标准车辆图片集的特征得到车辆特征数据集；
基于卷积操作和池化操作对所述车辆特征数据集进行特征诊断并输出所述诊断结果。
可选地，所述根据所述车辆外观智能诊断请求生成二维码图片，包括：
将所述车辆外观智能诊断请求输入至预先构建的二维码生成程序中；
基于所述车辆外观智能诊断请求，所述二维码生成程序运行二维码工具包生成二维码宽高、二维码编码内容；
根据所述二维码宽高、二维码编码得到所述二维码图片。
可选地，所述直方图均衡操作包括，包括：
根据所述车辆多角度图片集预构建概率密度函数和灰度单调递增函数；
基于所述灰度单调递增函数和所述概率密度函数确定离散变换函数；
求解所述离散变换函数的函数值，并将所述函数值替代所述车辆多角度图片集的灰度值得到所述标准车辆图片集。
可选地，所述根据多角点特征提取法提取所述标准车辆图片集的特征得到车辆特征数据集，包括：
预设所述标准车辆图片集的目标位置坐标；
根据所述目标位置坐标得到所述标准车辆图片集的坐标集；
根据所述坐标集求解所述标准车辆图片集的误差平方和，根据所述误差平方和求解得到多角点特征，汇集所述多角点特征得到车辆特征数据集。
可选地，所述误差平方和的计算方法包括：
Figure BDA0002231662270000021
其中，E(x,y)为所述误差平方和，(x,y)为所述标准车辆图片集内每个像素的坐标，ωx,y为坐标加窗值，
Figure BDA0002231662270000022
为所述目标位置坐标的像素灰度值，
Figure BDA0002231662270000023
为在所述目标位置坐标的基础下，所述每个像素的像素灰度值。
此外，为实现上述目的，本发明还提供一种车辆外观智能诊断装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的车辆外观智能诊断程序，所述车辆外观智能诊断程序被所述处理器执行时实现如下步骤：
接收用户的车辆外观诊断请求，根据所述车辆外观诊断请求生成二维码图片并将所述二维码图片反馈给用户；
接收用户根据所述二维码图片上传的车辆多角度图片集，基于对比度增强和直方图均衡操作处理所述车辆多角度图片集得到标准车辆图片集；
根据多角点特征提取法提取所述标准车辆图片集的特征得到车辆特征数据集；
基于卷积操作和池化操作对所述车辆特征数据集进行特征诊断并输出所述诊断结果。
可选地，所述根据所述车辆外观智能诊断请求生成二维码图片，包括：
将所述车辆外观智能诊断请求输入至预先构建的二维码生成程序中；
基于所述车辆外观智能诊断请求，所述二维码生成程序运行二维码工具包生成二维码宽高、二维码编码内容；
根据所述二维码宽高、二维码编码得到所述二维码图片。
可选地，所述直方图均衡操作包括，包括：
根据所述车辆多角度图片集预构建概率密度函数和灰度单调递增函数；
基于所述灰度单调递增函数和所述概率密度函数确定离散变换函数；
求解所述离散变换函数的函数值，并将所述函数值替代所述车辆多角度图片集的灰度值得到所述标准车辆图片集。
可选地，所述根据多角点特征提取法提取所述标准车辆图片集的特征得到车辆特征数据集，包括：
预设所述标准车辆图片集的目标位置坐标；
根据所述目标位置坐标得到所述标准车辆图片集的坐标集；
根据所述坐标集求解所述标准车辆图片集的误差平方和，根据所述误差平方和求解得到多角点特征，汇集所述多角点特征得到车辆特征数据集。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有车辆外观智能诊断程序，所述车辆外观智能诊断程序可被一个或者多个处理器执行，以实现如上所述的车辆外观智能诊断方法的步骤。
本发明首先通过生成二维码的方式让用户可以快速上传图片，加快了整个汽车外观诊断的流程速度，并基于对比度增强和直方图均衡操作处理处理汽车图片，提高汽车特征的后期检测，根据多角点特征提取法多方面的提取汽车特征，并利用卷积操作和池化操作得到最终的汽车外观诊断结果。因此本发明提出的车辆外观智能诊断方法、装置及计算机可读存储介质，可以实现精准快速的车辆外观智能诊断目的。
附图说明
图1为本发明一实施例提供的车辆外观智能诊断方法的流程示意图；
图2为本发明一实施例提供的车辆外观智能诊断装置的内部结构示意图；
图3为本发明一实施例提供的车辆外观智能诊断装置中车辆外观智能诊断程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种车辆外观智能诊断方法。参照图1所示，为本发明一实施例提供的车辆外观智能诊断方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，车辆外观智能诊断方法包括：
S1、接收用户的车辆外观诊断请求，根据所述车辆外观诊断请求生成二维码图片并将所述二维码图片反馈给用户。
较佳地，当用户希望利用本发明对车辆进行评估，如用户打算为自己的车辆购买保险，因此保险公司希望得到完善的汽车资料，其中就包括汽车全方位的照片，根据车辆全方位照片等信息对车辆进行智能诊断，判断车辆的安全系数，此时，需要用户登录保险公司的车辆投保网站发送车辆外观智能诊断请求；又如，用户想将自己的车辆当做二手车出售，因此想通过二手车转售网站平台将自己的车辆进行详细登记等，此时，需要用户登录二手车转售网站平台发送车辆外观智能诊断请求。因此，上述所述的登录保险公司的车辆投保网站发送车辆外观智能诊断请求、通过二手车转售网站平台发送车辆外观智能诊断请求均可以为车辆外观智能诊断请求。
进一步地，所述根据所述车辆外观智能诊断请求生成二维码图片，包括：将所述车辆外观智能诊断请求输入至预先构建的二维码生成程序中，基于所述车辆外观智能诊断请求，所述二维码生成程序自动运行于二维码工具包生成二维码宽高、二维码编码内容，根据所述二维码宽高、二维码编码得到所述二维码图片。
优选地，所述预先构建的二维码生成程序可采用JAVA程序构建，所述JAVA程序的二维码工具包为package com.payplatform.util，将所述二维码宽高、所述二维码编码放置于预先构建的空白图片中，生成所述二维码图片。
较佳地，本发明将所述二维码图片反馈给用户并提示用户扫描所述二维码图片上传车辆多角度数据集，所述二维码图片是帮助用户迅速上传车辆多角度数据集的快速通道。
S2、接收用户根据所述二维码图片上传的车辆多角度图片集，基于对比度增强和直方图均衡操作处理所述车辆多角度图片集得到标准车辆图片集。
优选地，所述车辆多角度数据集要求用户上传的车辆图片一定是完善且包括车辆多个角度，多个部位的图片。所述车辆多角度数据集包括如车辆前后各45°角拍照的全身图，左前大灯图、右前大灯图、左后大灯图、右后大灯图，牌照号图、前后挡风玻璃图等。
对比度是指图片中亮度最大值与最小值之间的对比。由于对比度低会使图像处理难度增大，因此需要进行所述对比度增强处理。较佳地，本发明所述对比度增强可采用对比度拉伸方法，通过提高灰度级动态范围的方式，达到图像对比度增强的目的。对比度拉伸也叫作灰度拉伸，所述对比度拉伸如下所示：
Db＝f(Da)＝a*Da+b
其中a为线性斜率，b为在Y轴上的截距。若a>1，此时输出的图像对比度相比所述车辆多角度图片集的对比度是增强的。如果a<1，此时输出的图像对比度相比所述车辆多角度图片集的对比度是削弱的。其中Da代表所述车辆多角度图片集的灰度值，Db代表输出图像灰度值。
优选地，本发明所述直方图均衡操作包括：根据所述车辆多角度图片集预构建灰度预设概率密度函数和灰度单调递增函数，基于所述灰度单调递增函数和概率密度函数确定离散变换函数，求解所述离散变换函数的函数值，并将所述函数值替代所述车辆多角度图片集的灰度得到所述标准车辆图片集。
进一步地，所述灰度单调递增函数为：
Figure BDA0002231662270000051
其中，Tr为所述灰度单调递增函数，n为所述车辆多角度图片集的灰度区间，pr为所述概率密度函数，r为所述车辆多角度图片集的灰度。所述概率密度函数可采用高斯分布函数。
所述概率密度函数可采用正太分布函数。
所述所述离散变换函数为：
其中，Sk为所述离散变换函数，k为所述灰度划分级，rk表示根据所述灰度划分级划分出的预估灰度数。如所述灰度划分级划分为十级，分布为[0,20]、[20,40]、…、[230,255]。
S3、根据多角点特征提取法提取所述标准车辆图片集的角点特征得到车辆特征数据集。
优选地，所述根据多角点特征提取法提取所述标准车辆图片集的特征得到车辆特征数据集，包括：预设所述标准车辆图片集的目标位置坐标；根据所述目标位置坐标得到所述标准车辆图片集的坐标集；根据所述坐标集求解所述标准车辆图片集的误差平方和，根据所述误差平方和求解得到多角点特征，汇集所述多角点特征得到车辆特征数据集。
进一步地，所述预设所述标准车辆图片集的目标位置坐标可选取所述标准车辆图片集中每个车辆图片的图片中心或图片左下角，用(x0,y0)表示。
所述误差平方和为：
Figure BDA0002231662270000062
其中，E(x,y)为所述误差平方和，(x,y)为所述标准车辆图片集内每个像素的坐标，ωx,y为坐标加窗值，
Figure BDA0002231662270000063
为所述目标位置坐标的像素灰度值，
Figure BDA0002231662270000064
为在所述目标位置坐标的基础下，所述每个像素的像素灰度值。
进一步地，所述
Figure BDA0002231662270000065
可根据多角点特征进行转变为：
Figure BDA0002231662270000066
其中，O(x2)为所述多角点特征的在x轴方向的偏置值，O(y2)在所述多角点特征的在y轴方向的偏置值。
S4、基于卷积操作和池化操作对所述车辆特征数据集进行特征诊断并输出所述诊断结果。
所述卷积操作和池化操作包括预先构建卷积模板并确定卷积步长，根据所述卷积步长，将所述卷积模板与所述车辆特征数据集进行计算得到卷积操作后的卷积矩阵集，完成所述卷积操作。选择所述卷积矩阵集中矩阵的最大值或平均值替代所述卷积矩阵集，完成所述池化操作并得到诊断结果。
进一步地，所述预先构建卷积模板可为标准的3*3矩阵，如
Figure BDA0002231662270000071
所述计算得到卷积操作后的矩阵的计算方式是采用从左至右，卷积幅度为1的方式，如所述车辆特征数据集中有特征为9*9的特征矩阵为：
Figure BDA0002231662270000072
则所述预先构建卷积模板
Figure BDA0002231662270000073
先与
Figure BDA0002231662270000074
进行计算，计算方式为：1*0、0*3、1*1等对应维度相乘，最终得到的结果为：
Figure BDA0002231662270000075
依次类推，所述预先构建卷积模板
Figure BDA0002231662270000076
根据卷积幅度为1，向右继续横移一步与矩阵为：所述预先构建卷积模板
Figure BDA0002231662270000077
进行上述操作得到所述预先构建卷积模板由此可知，当完成所述卷积操作可生成大量的小维度矩阵，如上述
Figure BDA0002231662270000079
和等，因此，所述池化操作是将所述卷积操作生产的大量的小维度矩阵的维度变小，较佳地可采用最大化原理，如将上述
Figure BDA00022316622700000711
和
Figure BDA00022316622700000712
用最大的数值3和7代替，从而完成所述池化操作。
优选地，反复进行上述卷积操作和池化操作，如进行16次所述卷积和池化操作后得到最终的特征优化集。
较佳地，采用激活操作将所述特征优化集通过softmax函数进行概率诊断，选择出概率最大的诊断结果作为最终的诊断结果并输出。所述softmax函数为：
Figure BDA0002231662270000081
其中，p(car)表示车辆为car的输出概率，k表示所述特征优化集的数据量，e为无限不循环小数，j表示可选择的诊断结果数。如将车辆当成二手车转卖时，当car＝9.5成新时，计算p(car＝9.5成新)为0.87，当word＝7.5时，计算p(word＝7.5)为0.24，因此该车辆代表的即为9.5成新的车辆。
发明还提供一种车辆外观智能诊断装置。参照图2所示，为本发明一实施例提供的车辆外观智能诊断装置的内部结构示意图。
在本实施例中，所述车辆外观智能诊断装置1可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。该车辆外观智能诊断装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是车辆外观智能诊断装置1的内部存储单元，例如该车辆外观智能诊断装置1的硬盘。存储器11在另一些实施例中也可以是车辆外观智能诊断装置1的外部存储设备，例如车辆外观智能诊断装置1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括车辆外观智能诊断装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于车辆外观智能诊断装置1的应用软件及各类数据，例如车辆外观智能诊断程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行车辆外观智能诊断程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在车辆外观智能诊断装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及车辆外观智能诊断程序01的车辆外观智能诊断装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对车辆外观智能诊断装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有车辆外观智能诊断程序01；处理器12执行存储器11中存储的车辆外观智能诊断程序01时实现如下步骤：
步骤一、接收用户的车辆外观诊断请求，根据所述车辆外观诊断请求生成二维码图片并将所述二维码图片反馈给用户。
较佳地，当用户希望利用本发明对车辆进行评估，如用户打算为自己的车辆购买保险，因此保险公司希望得到完善的汽车资料，其中就包括汽车全方位的照片，根据车辆全方位照片等信息对车辆进行智能诊断，判断车辆的安全系数，此时，需要用户登录保险公司的车辆投保网站发送车辆外观智能诊断请求；又如，用户想将自己的车辆当做二手车出售，因此想通过二手车转售网站平台将自己的车辆进行详细登记等，此时，需要用户登录二手车转售网站平台发送车辆外观智能诊断请求。因此，上述所述的登录保险公司的车辆投保网站发送车辆外观智能诊断请求、通过二手车转售网站平台发送车辆外观智能诊断请求均可以为车辆外观智能诊断请求。
进一步地，所述根据所述车辆外观智能诊断请求生成二维码图片，包括：将所述车辆外观智能诊断请求输入至预先构建的二维码生成程序中，基于所述车辆外观智能诊断请求，所述二维码生成程序自动运行于二维码工具包生成二维码宽高、二维码编码内容，根据所述二维码宽高、二维码编码得到所述二维码图片。
优选地，所述预先构建的二维码生成程序可采用JAVA程序构建，所述JAVA程序的二维码工具包为package com.payplatform.util，将所述二维码宽高、所述二维码编码放置于预先构建的空白图片中，生成所述二维码图片。
较佳地，本发明将所述二维码图片反馈给用户并提示用户扫描所述二维码图片上传车辆多角度数据集，所述二维码图片是帮助用户迅速上传车辆多角度数据集的快速通道。
步骤二、接收用户根据所述二维码图片上传的车辆多角度图片集，基于对比度增强和直方图均衡操作处理所述车辆多角度图片集得到标准车辆图片集。
优选地，所述车辆多角度数据集要求用户上传的车辆图片一定是完善且包括车辆多个角度，多个部位的图片。所述车辆多角度数据集包括如车辆前后各45°角拍照的全身图，左前大灯图、右前大灯图、左后大灯图、右后大灯图，牌照号图、前后挡风玻璃图等。
对比度是指图片中亮度最大值与最小值之间的对比。由于对比度低会使图像处理难度增大，因此需要进行所述对比度增强处理。较佳地，本发明所述对比度增强可采用对比度拉伸方法，通过提高灰度级动态范围的方式，达到图像对比度增强的目的。对比度拉伸也叫作灰度拉伸，所述对比度拉伸如下所示：
Db＝f(Da)＝a*Da+b
其中a为线性斜率，b为在Y轴上的截距。若a>1，此时输出的图像对比度相比所述车辆多角度图片集的对比度是增强的。如果a<1，此时输出的图像对比度相比所述车辆多角度图片集的对比度是削弱的。其中Da代表所述车辆多角度图片集的灰度值，Db代表输出图像灰度值。
优选地，本发明所述直方图均衡操作包括：根据所述车辆多角度图片集预构建灰度预设概率密度函数和灰度单调递增函数，基于所述灰度单调递增函数和概率密度函数确定离散变换函数，求解所述离散变换函数的函数值，并将所述函数值替代所述车辆多角度图片集的灰度得到所述标准车辆图片集。
进一步地，所述灰度单调递增函数为：
Figure BDA0002231662270000111
其中，Tr为所述灰度单调递增函数，n为所述车辆多角度图片集的灰度区间，pr为所述概率密度函数，r为所述车辆多角度图片集的灰度。所述概率密度函数可采用高斯分布函数。
所述概率密度函数可采用正太分布函数。
所述所述离散变换函数为：
Figure BDA0002231662270000112
其中，Sk为所述离散变换函数，k为所述灰度划分级，rk表示根据所述灰度划分级划分出的预估灰度数。如所述灰度划分级划分为十级，分布为[0,20]、[20,40]、…、[230,255]。
步骤三、根据多角点特征提取法提取所述标准车辆图片集的角点特征得到车辆特征数据集。
优选地，所述根据多角点特征提取法提取所述标准车辆图片集的特征得到车辆特征数据集，包括：预设所述标准车辆图片集的目标位置坐标；根据所述目标位置坐标得到所述标准车辆图片集的坐标集；根据所述坐标集求解所述标准车辆图片集的误差平方和，根据所述误差平方和求解得到多角点特征，汇集所述多角点特征得到车辆特征数据集。
进一步地，所述预设所述标准车辆图片集的目标位置坐标可选取所述标准车辆图片集中每个车辆图片的图片中心或图片左下角，用(x0,y0)表示。
所述误差平方和为：
Figure BDA0002231662270000113
其中，E(x,y)为所述误差平方和，(x,y)为所述标准车辆图片集内每个像素的坐标，ωx,y为坐标加窗值，
Figure BDA0002231662270000114
为所述目标位置坐标的像素灰度值，
Figure BDA0002231662270000115
为在所述目标位置坐标的基础下，所述每个像素的像素灰度值。
进一步地，所述
Figure BDA0002231662270000116
可根据多角点特征进行转变为：
Figure BDA0002231662270000121
其中，O(x2)为所述多角点特征的在x轴方向的偏置值，O(y2)在所述多角点特征的在y轴方向的偏置值。
步骤四、基于卷积操作和池化操作对所述车辆特征数据集进行特征诊断并输出所述诊断结果。
所述卷积操作和池化操作包括预先构建卷积模板并确定卷积步长，根据所述卷积步长，将所述卷积模板与所述车辆特征数据集进行计算得到卷积操作后的卷积矩阵集，完成所述卷积操作。选择所述卷积矩阵集中矩阵的最大值或平均值替代所述卷积矩阵集，完成所述池化操作并得到诊断结果。
进一步地，所述预先构建卷积模板可为标准的3*3矩阵，如
Figure BDA0002231662270000122
所述计算得到卷积操作后的矩阵的计算方式是采用从左至右，卷积幅度为1的方式，如所述车辆特征数据集中有特征为9*9的特征矩阵为：
Figure BDA0002231662270000123
则所述预先构建卷积模板
Figure BDA0002231662270000124
先与
Figure BDA0002231662270000125
进行计算，计算方式为：1*0、0*3、1*1等对应维度相乘，最终得到的结果为：
Figure BDA0002231662270000126
依次类推，所述预先构建卷积模板
Figure BDA0002231662270000127
根据卷积幅度为1，向右继续横移一步与矩阵为：所述预先构建卷积模板进行上述操作得到所述预先构建卷积模板
Figure BDA0002231662270000129
由此可知，当完成所述卷积操作可生成大量的小维度矩阵，如上述
Figure BDA00022316622700001210
和
Figure BDA00022316622700001211
等，因此，所述池化操作是将所述卷积操作生产的大量的小维度矩阵的维度变小，较佳地可采用最大化原理，如将上述
Figure BDA0002231662270000131
和
Figure BDA0002231662270000132
用最大的数值3和7代替，从而完成所述池化操作。
优选地，反复进行上述卷积操作和池化操作，如进行16次所述卷积和池化操作后得到最终的特征优化集。
较佳地，采用激活操作将所述特征优化集通过softmax函数进行概率诊断，选择出概率最大的诊断结果作为最终的诊断结果并输出。所述softmax函数为：
Figure BDA0002231662270000133
其中，p(car)表示车辆为car的输出概率，k表示所述特征优化集的数据量，e为无限不循环小数，j表示可选择的诊断结果数。如将车辆当成二手车转卖时，当car＝9.5成新时，计算p(car＝9.5成新)为0.87，当word＝7.5时，计算p(word＝7.5)为0.24，因此该车辆代表的即为9.5成新的车辆。
可选地，在其他实施例中，车辆外观智能诊断程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述车辆外观智能诊断程序在车辆外观智能诊断装置中的执行过程。
例如，参照图3所示，为本发明车辆外观智能诊断装置一实施例中的车辆外观智能诊断程序的程序模块示意图，该实施例中，所述车辆外观智能诊断程序可以被分割为数据接收及二维码生成模块10、数据预处理模块20、角点特征提取模块30、汽车外观诊断输出模块40示例性地：
所述数据接收及二维码生成模块10用于：接收用户的车辆外观诊断请求，根据所述车辆外观诊断请求生成二维码图片并将所述二维码图片反馈给用户；
所述数据预处理模块20用于：接收用户根据所述二维码图片上传的车辆多角度图片集，基于对比度增强和直方图均衡操作处理所述车辆多角度图片集得到标准车辆图片集。
所述角点特征提取模块30用于：根据多角点特征提取法提取所述标准车辆图片集的特征得到车辆特征数据集。
所述汽车外观诊断输出40用于：基于卷积操作和池化操作对所述车辆特征数据集进行特征诊断并输出所述诊断结果。
上述数据接收及二维码生成模块10、数据预处理模块20、角点特征提取模块30、汽车外观诊断输出模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有车辆外观智能诊断程序，所述车辆外观智能诊断程序可被一个或多个处理器执行，以实现如下操作：
接收用户的车辆外观诊断请求，根据所述车辆外观诊断请求生成二维码图片并将所述二维码图片反馈给用户；
接收用户根据所述二维码图片上传的车辆多角度图片集，基于对比度增强和直方图均衡操作处理所述车辆多角度图片集得到标准车辆图片集；
根据多角点特征提取法提取所述标准车辆图片集的特征得到车辆特征数据集；
基于卷积操作和池化操作对所述车辆特征数据集进行特征诊断并输出所述诊断结果。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种车辆外观智能诊断方法，其特征在于，所述方法包括：
接收用户的车辆外观诊断请求，根据所述车辆外观诊断请求生成二维码图片并将所述二维码图片反馈给用户；
接收用户根据所述二维码图片上传的车辆多角度图片集，基于对比度增强和直方图均衡操作处理所述车辆多角度图片集得到标准车辆图片集；
根据多角点特征提取法提取所述标准车辆图片集的特征得到车辆特征数据集；
基于卷积操作和池化操作对所述车辆特征数据集进行特征诊断并输出所述诊断结果。
2.如权利要求1所述的车辆外观智能诊断方法，其特征在于，所述根据所述车辆外观智能诊断请求生成二维码图片，包括：
将所述车辆外观智能诊断请求输入至预先构建的二维码生成程序中；
基于所述车辆外观智能诊断请求，所述二维码生成程序运行二维码工具包生成二维码宽高、二维码编码内容；
根据所述二维码宽高、二维码编码得到所述二维码图片。
3.如权利要求1或2所述的车辆外观智能诊断方法，其特征在于，所述直方图均衡操作包括，包括：
根据所述车辆多角度图片集预构建概率密度函数和灰度单调递增函数；
基于所述灰度单调递增函数和所述概率密度函数确定离散变换函数；
求解所述离散变换函数的函数值，并将所述函数值替代所述车辆多角度图片集的灰度值得到所述标准车辆图片集。
4.如权利要求1所述的车辆外观智能诊断方法，其特征在于，所述根据多角点特征提取法提取所述标准车辆图片集的特征得到车辆特征数据集，包括：
预设所述标准车辆图片集的目标位置坐标；
根据所述目标位置坐标得到所述标准车辆图片集的坐标集；
根据所述坐标集求解所述标准车辆图片集的误差平方和，根据所述误差平方和求解得到多角点特征，汇集所述多角点特征得到车辆特征数据集。
5.如权利要求1所述的车辆外观智能诊断方法，其特征在于，所述误差平方和的计算方法包括：
Figure FDA0002231662260000021
其中，E(x,y)为所述误差平方和，(x,y)为所述标准车辆图片集内每个像素的坐标，ωx,y为坐标加窗值，
Figure FDA0002231662260000022
为所述目标位置坐标的像素灰度值，
Figure FDA0002231662260000023
为在所述目标位置坐标的基础下，所述每个像素的像素灰度值。
6.一种车辆外观智能诊断装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的车辆外观智能诊断程序，所述车辆外观智能诊断程序被所述处理器执行时实现如下步骤：
接收用户的车辆外观诊断请求，根据所述车辆外观诊断请求生成二维码图片并将所述二维码图片反馈给用户；
接收用户根据所述二维码图片上传的车辆多角度图片集，基于对比度增强和直方图均衡操作处理所述车辆多角度图片集得到标准车辆图片集；
根据多角点特征提取法提取所述标准车辆图片集的特征得到车辆特征数据集；
基于卷积操作和池化操作对所述车辆特征数据集进行特征诊断并输出所述诊断结果。
7.如权利要求6所述的车辆外观智能诊断装置，其特征在于，所述根据所述车辆外观智能诊断请求生成二维码图片，包括：
将所述车辆外观智能诊断请求输入至预先构建的二维码生成程序中；
基于所述车辆外观智能诊断请求，所述二维码生成程序运行二维码工具包生成二维码宽高、二维码编码内容；
根据所述二维码宽高、二维码编码得到所述二维码图片。
8.如权利要求6或7所述的车辆外观智能诊断装置，其特征在于，所述直方图均衡操作包括，包括：
根据所述车辆多角度图片集预构建概率密度函数和灰度单调递增函数；
基于所述灰度单调递增函数和所述概率密度函数确定离散变换函数；
求解所述离散变换函数的函数值，并将所述函数值替代所述车辆多角度图片集的灰度值得到所述标准车辆图片集。
9.如权利要求6中所述的车辆外观智能诊断装置，其特征在于，所述根据多角点特征提取法提取所述标准车辆图片集的特征得到车辆特征数据集，包括：
预设所述标准车辆图片集的目标位置坐标；
根据所述目标位置坐标得到所述标准车辆图片集的坐标集；
根据所述坐标集求解所述标准车辆图片集的误差平方和，根据所述误差平方和求解得到多角点特征，汇集所述多角点特征得到车辆特征数据集。
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上存储有车辆外观智能诊断程序，所述车辆外观智能诊断程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述的车辆外观智能诊断方法的步骤。
CN201910975680.1A 2019-10-12 2019-10-12 车辆外观智能诊断方法、装置及计算机可读存储介质 Active CN110837779B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910975680.1A CN110837779B (zh) 2019-10-12 2019-10-12 车辆外观智能诊断方法、装置及计算机可读存储介质
PCT/CN2020/098958 WO2021068566A1 (zh) 2019-10-12 2020-06-29 车辆外观智能诊断方法、装置、计算机设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910975680.1A CN110837779B (zh) 2019-10-12 2019-10-12 车辆外观智能诊断方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110837779A true CN110837779A (zh) 2020-02-25
CN110837779B CN110837779B (zh) 2024-09-10

Family

ID=69575331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910975680.1A Active CN110837779B (zh) 2019-10-12 2019-10-12 车辆外观智能诊断方法、装置及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN110837779B (zh)
WO (1) WO2021068566A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021068566A1 (zh) * 2019-10-12 2021-04-15 平安科技（深圳）有限公司 车辆外观智能诊断方法、装置、计算机设备及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070127778A1 (en) * 2005-12-07 2007-06-07 Nissan Motor Co., Ltd. Object detecting system and object detecting method
CN103595784A (zh) * 2013-11-11 2014-02-19 北京京东尚科信息技术有限公司 一种文件共享方法及系统
CN106845482A (zh) * 2017-01-23 2017-06-13 南京邮电大学盐城大数据研究院有限公司 一种车牌定位方法
CN108446618A (zh) * 2018-03-09 2018-08-24 平安科技（深圳）有限公司 车辆定损方法、装置、电子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657704B (zh) * 2018-11-27 2022-11-29 福建亿榕信息技术有限公司 一种基于稀疏融合的核化场景特征提取方法
CN109726660A (zh) * 2018-12-22 2019-05-07 浙江海洋大学 一种遥感图像船舶识别方法
CN110837779B (zh) * 2019-10-12 2024-09-10 平安科技（深圳）有限公司 车辆外观智能诊断方法、装置及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070127778A1 (en) * 2005-12-07 2007-06-07 Nissan Motor Co., Ltd. Object detecting system and object detecting method
CN103595784A (zh) * 2013-11-11 2014-02-19 北京京东尚科信息技术有限公司 一种文件共享方法及系统
CN106845482A (zh) * 2017-01-23 2017-06-13 南京邮电大学盐城大数据研究院有限公司 一种车牌定位方法
CN108446618A (zh) * 2018-03-09 2018-08-24 平安科技（深圳）有限公司 车辆定损方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘荆桥等: ""角点检测在车辆特征提取中的应用"", 《软件导刊》, vol. 7, no. 4, pages 92 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021068566A1 (zh) * 2019-10-12 2021-04-15 平安科技（深圳）有限公司 车辆外观智能诊断方法、装置、计算机设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN110837779B (zh) 2024-09-10
WO2021068566A1 (zh) 2021-04-15

Similar Documents

Publication Publication Date Title
CN107766809B (zh) 电子装置、票据信息识别方法和计算机可读存储介质
CN107944450B (zh) 一种车牌识别方法及装置
WO2019205376A1 (zh) 车损判定方法、服务器及存储介质
CN110023964B (zh) 训练和/或使用神经网络模型来生成光谱图像的中间输出
CN110008997B (zh) 图像纹理相似度识别方法、装置及计算机可读存储介质
CN111208998B (zh) 数据可视化大屏自动布局的方法、装置及存储介质
CN109545072A (zh) 地图构建的位姿计算方法、装置、存储介质和系统
CN111680480A (zh) 基于模板的作业批改方法、装置、计算机设备及存储介质
CN112132812B (zh) 证件校验方法、装置、电子设备及介质
CN114550051A (zh) 一种车损检测方法、装置、计算机设备及存储介质
CN110569379A (zh) 一种汽车配件图片数据集制作方法
CN110837779A (zh) 车辆外观智能诊断方法、装置及计算机可读存储介质
CN111179222A (zh) 脑出血点智能检测方法、装置及计算机可读存储介质
CN111192106A (zh) 基于图片识别的信息获取方法、装置、计算机设备
CN116778458B (zh) 车位检测模型构建方法、车位检测方法、设备及存储介质
CN108875901B (zh) 神经网络训练方法以及通用物体检测方法、装置和系统
CN111639523B (zh) 目标检测方法、装置、计算机设备和存储介质
CN113496472A (zh) 图像去雾模型构建、道路图像去雾方法、装置及车辆
CN112862703A (zh) 基于移动拍照的图像校正方法、装置、电子设备及介质
CN111368709A (zh) 图片文本的识别方法、装置、设备及可读存储介质
CN112381773B (zh) 关键截面数据分析方法、装置、设备及存储介质
CN108846883B (zh) 分形图快速绘制方法、系统、用户设备及存储介质
CN113160126A (zh) 硬件木马检测方法、装置、计算机设备和存储介质
CN112016571A (zh) 一种基于注意力机制的特征提取方法、装置及电子设备
US10438293B2 (en) Vehicle estimating system that utilizes volumetric finite element analysis to provide a predictive estimate

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