CN111652087B - 验车方法、装置、电子设备和存储介质 - Google Patents
验车方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111652087B CN111652087B CN202010414657.8A CN202010414657A CN111652087B CN 111652087 B CN111652087 B CN 111652087B CN 202010414657 A CN202010414657 A CN 202010414657A CN 111652087 B CN111652087 B CN 111652087B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- inspection
- image
- model
- image frame
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 249
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000012549 training Methods 0.000 claims description 53
- 238000001514 detection method Methods 0.000 claims description 50
- 238000012795 verification Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003137 locomotive effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 16
- 230000008569 process Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种验车方法、装置、电子设备和存储介质,属于图像处理技术领域。本申请基于包含待检验车辆的外观的车辆视频进行验车,确定车辆视频中的图像帧分别对应的拍摄角度,根据预设拍摄角度的图像帧,确定待检验车辆的车型,将各个拍摄角度的图像帧与预存的待检验车辆的车型对应的车辆样本数据进行比对,进而确定验车结果。该方法基于车辆视频自动完成对车辆外观的检验,与传统人工查验方式相比,可以降低人工成本,提高验车的效率和准确率。并且,基于车辆视频进行检验,与基于车辆照片进行检验相比,可以减少作假生成车辆照片的现象,提高检验所依据的车辆数据的真实度。
Description
技术领域
本申请涉及图像处理技术领域,更具体地说,涉及一种验车方法、装置、电子设备和存储介质。
背景技术
随着社会经济的不断发展和人们生活水平的持续提高,机动车的数量增长迅猛,机动车通常需要定期保养和检验,以保障机动车的整体性能。在针对机动车进行投保时,保险公司也会对机动车进行检验。在对机动车进行检验的过程中,通常需要对车辆外观进行查验,确认车辆外观是否完好无破损。
目前验车过程通常是通过人工进行检验,包括通过人工查验车辆外观,或者通过人工对车主上传的车辆外观的照片进行查验。该方式人工成本高,效率低,并且长时间重复性查验工作使工作人员容易疲劳,疏忽车辆外观的破损之处,从而影响检验的准确率。
发明内容
为解决现有存在的技术问题,本申请实施例提供一种验车方法、装置、电子设备和存储介质,可以降低人工成本,提高验车的效率和准确率。
为达到上述目的,本申请实施例的技术方案是这样实现的:
第一方面,本申请实施例提供一种验车方法,应用于服务器,所述方法包括:
获取包含待检验车辆的外观的车辆视频;
从所述车辆视频中间隔地抽取多个图像帧;
将抽取的每个图像帧分别输入车身部位检测模型,得到所述图像帧对应的拍摄角度;
根据预设拍摄角度的图像帧,通过车型识别模型,确定所述待检测车辆的车型;
获取预存的所述待检验车辆的车型对应的车辆样本数据;
将各个拍摄角度的图像帧与所述待检验车辆的车型对应的车辆样本数据进行相似度比对;
根据得到的相似度比对结果确定验车结果。
本申请实施例提供的验车方法,基于包含待检验车辆的外观的车辆视频进行验车,从所述车辆视频中间隔地抽取多个图像帧;将抽取的每个图像帧分别输入车身部位检测模型,确定车辆视频中的图像帧分别对应的拍摄角度;根据预设拍摄角度的图像帧,通过车型识别模型,确定所述待检测车辆的车型;获取预存的所述待检验车辆的车型对应的车辆样本数据;将各个拍摄角度的图像帧与所述待检验车辆的车型对应的车辆样本数据进行相似度比对;根据得到的相似度比对结果确定验车结果。该方法结合大数据车辆样本库和图像对比技术,实现基于车辆视频自动完成对车辆外观的检验,与传统人工查验方式相比,弥补了现有验车方式的不足,降低人工成本,提高验车的效率和准确率。并且,基于车辆视频进行检验,与基于车辆照片进行检验相比,可以减少作假生成车辆照片的现象,提高检验所依据的车辆数据的真实度。
可选的,从车辆视频中间隔地抽取图像帧,可以仅确定抽取的每个图像帧对应的拍摄角度,而不需要确定车辆视频中所有图像帧对应的拍摄角度,以达到减少计算量,提高检验效率的目的。
在一种可能的实现方式中,预存的所述待检验车辆的车型对应的车辆样本数据包括各个拍摄角度的车辆样本图片;所述将各个拍摄角度的图像帧与所述待检验车辆的车型对应的车辆样本数据进行相似度比对,包括:
针对每一个拍摄角度,分别提取所述拍摄角度的图像帧的车辆特征和预存的所述拍摄角度的车辆样本图片的车辆特征;
将所述图像帧的车辆特征与预存的所述车辆样本图片的车辆特征进行相似度比对,得到所述图像帧的相似度值。
上述方法中,将相同拍摄角度的图像帧与车辆样本图片进行比对,可以更准确地确定该拍摄角度所拍摄的车身部位是否存在破损。
在一种可能的实现方式中,所述根据得到的相似度比对结果确定验车结果,包括:
若得到的所有图像帧的相似度值均大于设定阈值,则确定验车结果为验车通过;或
根据图像帧的拍摄角度,将各个图像帧划分至多个图像集合;将同一图像集合中每个图像帧的相似度值的平均值,作为所述图像集合的相似度值;若所有图像集合的相似度值均大于设定阈值,则确定验车结果为验车通过。
在一些实施例中,分别确定每个图像帧与预存的相同拍摄角度的图像帧的相似度值,若得到的所有图像帧的相似度值均大于设定阈值,说明车身各个部位均无破损或破损程度较低,车身状况良好,验车通过。
在另外一些实施例中,预先根据图像帧的拍摄角度,将各个图像帧划分至多个图像集合,将拍摄角度相近的图像帧划分至同一图像集合中,确定各个图像集合的相似度水准。将同一图像集合中每个图像帧的相似度值的平均值,作为该图像集合的相似度值,若所有图像集合的相似度值均大于设定阈值,说明车身各个部位均无破损或破损程度较低,车身状况良好,验车通过。该方式可以使验车结果更准确。
在一种可能的实现方式中,所述根据预设拍摄角度的图像帧,通过车型识别模型,确定所述待检测车辆的车型之前,所述方法还包括:
从设定拍摄角度的图像帧中识别出待检测车辆的车辆身份识别信息,将识别出的车辆身份识别信息与所述待检测车辆建立对应关系;所述车辆身份识别信息包括车牌号码;
若识别出的车牌号码与所述待检测车辆的车辆信息中的车牌号码一致,则执行根据预设拍摄角度的图像帧,通过车型识别模型,确定所述待检测车辆的车型的步骤。
上述方法中,在确定待检测车辆的车型之前,先确定视频中待检测车辆的车牌号码与待检测车辆的车辆信息中的车牌号码是否一致,并确定视频中车辆身份。若两者一致,再进行确定车型并进行验车的其它步骤,若不一致,直接返回验车不通过,无需执行后续步骤,节约计算资源。
在一种可能的实现方式中,所述根据预设拍摄角度的图像帧,通过车型识别模型,确定所述待检测车辆的车型,包括:
将拍摄角度正对车头或正对车尾的图像帧输入已训练的车型识别模型,得到所述车型识别模型输出的所述待检测车辆的车型;或者,
从拍摄角度正对车头开始,以预设角度间隔为45°选择图像帧输入已训练的车型识别模型,得到所述车型识别模型输出的所述待检测车辆的车型。
上述方法中,可以将拍摄角度正对车头或正对车尾的图像帧输入已训练的车型识别模型,得到所述车型识别模型输出的所述待检测车辆的车型;或者,采取从拍摄角度正对车头开始,以预设角度间隔为45°选择图像帧输入已训练的车型识别模型,车辆识别模型对输入的图像帧进行车辆检测与关键点定位,基于车辆样本模型确认车辆的车头、车尾及车身部位坐标,确认车辆部位后,所述车型识别模型结合大数据车辆样本库输出的所述待检测车辆的车型。
在一种可能的实现方式中,所述将抽取的每个图像帧分别输入车身部位检测模型,得到所述图像帧对应的拍摄角度之前,所述方法还包括:
基于抽取的多个图像帧,确定获取的车辆视频符合预设拍摄要求。
上述方法中,将抽取的每个图像帧分别输入车身部位检测模型,得到所述图像帧对应的拍摄角度之前,若获取包含待检验车辆的外观的车辆视频,对获取的车辆视频进行检验识别,判断视频是否符合预设拍摄要求。通过视频是否符合预设拍摄要求的判断,可以有效防止后续步骤中因图像帧识别过程中识别不到车辆信息而导致审核不通过。
可选的,预设拍摄要求可以具体为:用户环车一周拍摄视频,且需将车拍摄于视频中间。
在一种可能的实现方式中,所述获取包含待检验车辆的外观的车辆视频,包括:接收终端上传的待检验车辆的车辆视频;所述车辆视频为用户输入终端的车辆视频;
所述根据得到的相似度比对结果确定验车结果之后,所述方法还包括:
将所述验车结果返回至所述终端。
上述方法中,用户可以通过终端上传待检验车辆的车辆视频,由服务器进行验车将验车结果返回终端,无需用户将车辆驾驶至车辆检测处,可以节省用户时间,降低验车的人工成本,为用户提供方便。
在一种可能的实现方式中,接收终端上传的待检验车辆的车辆视频之前,所述方法还包括:
若接收到终端上传的用户的验车请求,对所述验车请求进行验证;
若所述验车请求通过验证,则向所述终端返回上传包含待检验车辆的外观的车辆视频的提示信息。
上述方法中,要求用户在想进行视频验车时,先输入验车申请信息。在获取包含待检验车辆的外观的车辆视频之前,若接收到终端上传的用户的验车请求,对所述验车请求进行验证;若所述验车请求通过验证,则向所述终端返回上传包含待检验车辆的外观的车辆视频的提示信息。
在一种可能的实现方式中,所述车身部位检测模型是以包含车辆局部外观的第一训练图像为输入,以第一训练图像的拍摄角度为输出,对待训练的车身部位检测模型进行训练得到的;
所述车型识别模型是以包含预设拍摄角度的车辆局部外观的第二训练图像为输入,以第二训练图像对应的车型为输出,对待训练的车型识别模型进行训练得到的。
第二方面,本申请实施例还提供了一种验车装置,所述装置包括:
数据获取单元,用于获取包含待检验车辆的外观的车辆视频;
拍摄角度确定单元,用于从所述车辆视频中间隔地抽取多个图像帧;将抽取的每个图像帧分别输入车身部位检测模型,得到所述图像帧对应的拍摄角度;
车型确定单元,用于根据预设拍摄角度的图像帧,通过车型识别模型,确定所述待检测车辆的车型;
验车单元,用于获取预存的所述待检验车辆的车型对应的车辆样本数据;将各个拍摄角度的图像帧与所述待检验车辆的车型对应的车辆样本数据进行相似度比对;根据得到的相似度比对结果确定验车结果。
在一种可能的实现方式中,预存的所述待检验车辆的车型对应的车辆样本数据包括各个拍摄角度的车辆样本图片;所述验车单元,还用于:
针对每一个拍摄角度,分别提取所述拍摄角度的图像帧的车辆特征和预存的所述拍摄角度的车辆样本图片的车辆特征;
将提取的所述图像帧的车辆特征与所述车辆样本图片的车辆特征进行相似度比对,得到所述图像帧的相似度值。
在一种可能的实现方式中,所述验车单元,还用于:
若得到的所有图像帧的相似度值均大于设定阈值,则确定验车结果为验车通过;或
根据图像帧的拍摄角度,将各个图像帧划分至多个图像集合;将同一图像集合中每个图像帧的相似度值的平均值,作为所述图像集合的相似度值;若所有图像集合的相似度值均大于设定阈值,则确定验车结果为验车通过。
在一种可能的实现方式中,所述车型确定单元,还用于:
从设定拍摄角度的图像帧中识别出待检测车辆的车辆身份识别信息,将识别出的车辆身份识别信息与所述待检测车辆建立对应关系;所述车辆身份识别信息包括车牌号码;
若识别出的车牌号码与所述待检测车辆的车辆信息中的车牌号码一致,则根据预设拍摄角度的图像帧,通过车型识别模型,确定所述待检测车辆的车型。
在一种可能的实现方式中,所述车型确定单元,还用于:
将拍摄角度正对车头或正对车尾的图像帧输入车型识别模型,得到所述车型识别模型输出的待检测车辆的车型;或者,
从拍摄角度正对车头开始,以预设间隔角度选择图像帧输入已训练的车型识别模型,得到所述车型识别模型输出的所述待检测车辆的车型。在一种可能的实现方式中,所述数据获取单元,还用于:接收终端上传的待检验车辆的车辆视频;所述车辆视频为用户输入终端的车辆视频;
所述装置还包括结果发送单元,用于:将所述验车结果返回至所述终端。
在一种可能的实现方式中,所述数据获取单元,还用于:若接收到终端上传的用户的验车请求,对所述验车请求进行验证;
若所述验车请求通过验证,则向所述终端返回上传包含待检验车辆的外观的车辆视频的提示信息。
第三方面,本申请实施例还提供了一种电子设备,该电子设备为服务器,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计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器实现上述第一方面中任意一种验车方法的步骤。
第四方面,本申请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,实现上述第一方面中任意一种验车方法的步骤。
第二方面至第四方面中任意一种实现方式所带来的技术效果可参见第一方面中对应的实现方式所带来的技术效果,此处不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,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为本申请实施例提供的一种验车方法的应用场景示意图;
图2为本申请实施例提供的一种验车方法的流程图;
图3为本申请实施例提供的一种验车过程中终端和服务器的交互图;
图4为图3中步骤S306的流程图;
图5为本申请实施例提供的一种车辆图像拍摄角度的示意图;
图6为本申请实施例中一种拍摄角度正对车头的图像帧的示意图;
图7为本申请实施例中一种拍摄角度正对车尾的图像帧的示意图;
图8为本申请实施例提供的车身部位检测模型训练方法的流程图;
图9为本申请实施例提供的另一种验车方法的流程图;
图10为本申请实施例提供的一种验车装置的结构框图;
图11为本申请实施例提供的另一种验车装置的结构框图;
图12为本申请实施例提供的另一种验车装置的结构框图;
图13为本申请实施例提供的一种服务器的结构示意图;
图14为本申请实施例提供的一种终端的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,显然,所描述的实施例仅仅是本申请一部份实施例,而不是全部的实施例。基于本申请中的实施例,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它实施例,都属于本申请保护的范围。
需要说明的是,下述本申请实施例描述的应用场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
图1示出了本申请实施例提供的验车方法的一种应用场景的示例图,如图1所示,终端100和服务器200通过网络300连接。其中,终端100可以是智能手机、掌上电脑、车载移动终端、PC机或一体机等电子设备,终端100可以具有通讯功能,终端100上可以安装多种应用程序,如拍摄照片或视频的应用程序和以及验车应用程序等,可选地,验车应用程序也可以提供拍摄视频的功能,即验车应用程序也可以使用终端100的摄像头拍摄视频。
网络300可以是有线网络或者无线网络。服务器200可以是提供验车服务的云端服务器,例如,为车辆检测站或车辆保险机构提供验车服务的云端服务器。
例如,在车辆投保过程中,目前,通常由人工完成车险核保验车的过程。先接收用户上传的车辆不同拍摄角度的照片,然后由审核人员对车辆照片进行人工审核。该方式不仅增加工作人员的工作量和人力成本,而且效率低,容易因工作人员疏忽而造成验车结果不准确。通常,用户需要等待少则几小时,多则几天才能收到人工验车审核结果,用户体验不佳。并且,审核人员基于车辆照片进行验车,无法避免车辆照片P图等作假欺诈现象。
基于此,本申请实施例提供了一种验车方法、装置、电子设备和存储介质。其中,终端将用户输入的车辆视频发送至服务器,车辆视频中包含待检测车辆的外观,服务器基于包含待检验车辆的外观的车辆视频进行验车,确定车辆视频中的图像帧分别对应的拍摄角度,根据预设拍摄角度的图像帧,确定待检验车辆的车型,将各个拍摄角度的图像帧与预存的待检验车辆的车型对应的车辆样本数据进行比对,进而确定验车结果。该方法基于车辆视频自动完成对车辆外观的检验,与传统人工查验方式相比,可以降低人工成本,提高验车的效率和准确率。并且,基于车辆视频进行检验,与基于车辆照片进行检验相比,可以减少作假生成车辆照片的现象,提高检验所依据的车辆数据的真实度。
图2示出了本申请实施例提供了一种验车方法的流程示意图,该方法可以由图1中所示的服务器200执行。如图2所示,该方法包括如下步骤:
步骤S201,获取包含待检验车辆的外观的车辆视频。
在一些实施例中,服务器可以接收终端发送的车辆视频。例如,在车辆投保过程中,需要对车辆进行检验,可以要求用户按照预设拍摄要求对车辆拍摄视频。例如,可以要求“环绕待检验车辆一周拍摄包含待检验车辆的外观的车辆视频,且需将车拍摄于视频中间”、“拍摄需包含车的正前、正侧、正后三个角度的车身全景图”,或者“拍摄需清晰拍摄车身正前、车身正后、车牌号、行驶证完税凭证、发动机与车架号码”等。终端将用户拍摄的车辆视频发送至服务器。
在另外的实施例中,服务器也可以通过其它方式获取包含待检验车辆的外观的车辆视频,例如,读取预存在设定位置的车辆视频等。对于车辆视频的获取方式,本申请实施例不作限定。
步骤S202,从车辆视频中间隔地抽取多个图像帧。
示例性地,可以按照设定间隔抽取多个图像帧,具体地,可以每间隔5帧或10帧抽取一个图像帧。将抽取的每个图像帧分别输入车身部位检测模型,得到抽取的每个图像帧对应的拍摄角度。从车辆视频中间隔地抽取图像帧,仅确定抽取的每个图像帧对应的拍摄角度,可以减少计算量,提高检验效率。
步骤S203,将抽取的每个图像帧分别输入车身部位检测模型,得到图像帧对应的拍摄角度。
车辆视频为环绕待检验车辆一周拍摄的,车辆视频中包含车辆的多个不同拍摄角度的图像帧。例如,车辆视频中包含正对车头的图像帧、车辆左前方45°的图像帧,正对车辆左侧的图像帧、车辆左后方45°的图像帧、正对车尾的图像帧、车辆右后方45°的图像帧、正对车辆右侧的图像帧、车辆右前方45°的图像帧等。示例性地,如图5所示,以从车头至车尾的车辆中心线为中心轴,正对车头的图像帧的拍摄角度与该中心轴的夹角为0°,正对车尾的图像帧的拍摄角度与该中心轴的夹角为±180°,可以认为正对车头的图像帧的拍摄角度为0°,正对车尾的图像帧的拍摄角度为±180°。车辆视频中包含拍摄角度在[-180°,180°]之间的多个图像帧。通过车身部位检测模型,可以确定各个图像帧分别对应的拍摄角度。其中,车身部位检测模型是以包含车辆局部外观的第一训练图像为输入,以第一训练图像的拍摄角度为输出,对待训练的车身部位检测模型进行训练得到的。
步骤S204,根据预设拍摄角度的图像帧,通过车型识别模型,确定待检测车辆的车型。
所述车型指车辆的品牌和型号。考虑到车辆的车型标识通常设置在车头部位或车尾部位。在不同的实施例中,预设拍摄角度可以是正对车头,或者是正对车尾。图6所示为拍摄角度正对车头的图像帧,图7所示为拍摄角度正对车尾的图像帧。通过车型识别模型,可以对车型标识进行识别,以确定待检验车辆的车型。具体地,将拍摄角度正对车头或正对车尾的图像帧输入车型识别模型,可以得到车型识别模型输出的待检测车辆的车型。其中,车型识别模型是以包含预设拍摄角度的车辆局部外观的第二训练图像为输入,以第二训练图像对应的车型为输出,对待训练的车型识别模型进行训练得到的。
基于拍摄角度正对车头或正对车尾的图像帧对车辆的车型进行识别,从图像帧中提取出车型标识,根据车型标识确定待检测车辆的车型,相比于根据车辆外型特征来确定车型,更加快速,更加准确。
步骤S205,获取预存的待检验车辆的车型对应的车辆样本数据。
车辆样本数据库中保存有不同车型对应的车辆样本数据。根据待检验车辆的车型,可以从预存的车辆样本数据库中获取该车型对应的车辆样本数据,用于与车辆视频中的图像帧进行比对。
步骤S206,将各个拍摄角度的图像帧与预存的待检验车辆的车型对应的车辆样本数据进行相似度比对。
预存的待检验车辆的车型对应的车辆样本数据包括各个拍摄角度的车辆样本图片。针对每一个拍摄角度,分别提取该拍摄角度的图像帧的车辆特征和预存的该拍摄角度的车辆样本图片的车辆特征,将提取的图像帧的车辆特征与车辆样本图片的车辆特征进行相似度比对,得到该拍摄角度的图像帧的相似度值。
例如,对于拍摄角度正对车头的图像帧,从预存的待检验车辆的车型对应的车辆样本数据中读取拍摄角度正对车头的车辆样本图片。可以通过特征提取网络分别提取正对车头的图像帧的车辆特征和车辆样本图片的车辆特征,采用欧式距离法或其它特征比对算法对比正对车头的图像帧的车辆特征与正对车头的车辆样本图片的车辆特征的相似度,将得到的相似度值作为拍摄角度正对车头的图像帧的相似度值。
针对每一个拍摄角度,通过上述方法可以得到该拍摄角度的图像帧的相似度值。将相同拍摄角度的图像帧与车辆样本图片进行比对,可以更准确地确定该拍摄角度所拍摄的车身部位是否存在破损。
步骤S207,根据得到的相似度比对结果确定验车结果。
可选的,将图像帧的车辆特征与预存的车辆样本图片的车辆特征进行相似度比对时,还可以采用现有技术的基于人工智能(Artificial Intelligence,AI)和机器学习(Machine Learning,ML)技术的机器学习模型。可以对机器学习模型进行训练,并利用训练得到的机器学习模型执行图像识别步骤,得到所述图像帧的相似度值。
人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术主要包括计算机视觉(Computer Vision,CV)技术、语音处理技术、以及机器学习/深度学习等几大方向。
随着人工智能技术研究和进步,人工智能在多个领域展开研究和应用,例如常见的智能家居、图像识别、文本识别、视频监控、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗等,相信随着技术的发展,人工智能将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例中的机器学习模型基于人工智能中的计算机视觉技术设计。计算机视觉技术是人工智能的重要应用,其研究相关的理论和技术,试图建立能够从图像、视频或者多维数据中获取信息,以代替人的视觉判读的人工智能系统。典型的计算机视觉技术通常包括图像处理和视频分析。本申请实施例涉及到对待识别图像中的相似度进行识别,属于图像处理的一种方法。
机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。本申请实施例针对验车时从车辆视频中提取的图像帧与大数据车辆样本库中的车辆样本图片图像,采用了基于机器学习或深度学习的图像识别模型,根据训练图像的图像特征学习识别图像的相似度,从而可以识别出输入的待识别图像的相似度值。
在一些实施例中,如果得到的所有图像帧的相似度值均大于设定阈值,则确定验车结果为验车通过。
在另一些实施例中,可以根据图像帧的拍摄角度,将各个图像帧划分至多个图像集合,将同一图像集合中每个图像帧的相似度值的平均值,作为图像集合的相似度值,若所有图像集合的相似度值均大于设定阈值,则确定验车结果为验车通过。
根据图像帧的拍摄角度,将各个图像帧划分至多个图像集合,将拍摄角度相近的图像帧划分至同一图像集合中。将同一图像集合中每个图像帧的相似度值的平均值,作为该图像集合的相似度值,若所有图像集合的相似度值均大于设定阈值,说明车身各个部位均无破损或破损程度较低,车身状况良好,验车通过。该方式可以使验车结果更准确。
在一些实施例中,在根据预设拍摄角度的图像帧,通过车型识别模型,确定待检测车辆的车型之前,还可以从设定拍摄角度的图像帧中识别出待检测车辆的车辆身份识别信息,将识别出的车辆身份识别信息与待检测车辆建立对应关系。其中,车辆身份识别信息包括车牌号码;若识别出的车牌号码与待检测车辆的车辆信息中的车牌号码一致,则执行根据预设拍摄角度的图像帧,通过车型识别模型,确定待检测车辆的车型的步骤。
可选的,车辆身份识别信息还可以包括:车牌号码、完税凭证号、发动机与车架号码等可精确辨识车辆身份的信息,可以是车辆相关的某一项信息,也可能是几项信息的组合。例如,完税凭证号、发动机与车架号码一般张贴在前挡风玻璃上,可以从正对车头的图像帧中识别出完税凭证号或发动机与车架号码。
在一些实施例中,可以将拍摄角度正对车头或正对车尾的图像帧输入已训练的车型识别模型,得到车型识别模型输出的待检测车辆的车型。
上述方法,可以将拍摄角度正对车头或正对车尾的图像帧输入已训练的车型识别模型,得到通过车型识别模型输出的所述待检测车辆的车型。
在另一些实施例中,根据预设拍摄角度的图像帧,通过车型识别模型,确定待检测车辆的车型,可以为,从拍摄角度正对车头开始,以预设间隔角度选择图像帧输入已训练的车型识别模型,得到车型识别模型输出的所述待检测车辆的车型。
例如,可以是从拍摄角度正对车头开始,以预设角度间隔为45°选择图像帧输入已训练的车型识别模型,得到车型识别模型输出的待检测车辆的车型。
可选地,在将抽取的每个图像帧分别输入车身部位检测模型,得到图像帧对应的拍摄角度之前,基于抽取的多个图像帧,确定获取的车辆视频符合预设拍摄要求。
例如,预设拍摄要求可以包括如下至少之一:在抽取的每个图像帧中,车辆均位于图像帧的中间区域;任意两个相邻的图像帧对应的拍摄角度之间的差值小于或等于预设角度差;在不同实施例中,根据抽取图像帧的间隔数量不同,预设角度差也可以不同,例如,预设角度差可以是40°或50°;正对车头的图像帧的清晰度大于或等于设定清晰度,该设定清晰度为预先设定的数值,以可以清晰地识别出车牌号码及其它车辆识别信息为准。在一些实施例中,预设拍摄要求还可以包括其它内容,本申请实施例对此不作限制。
在一些实施例中,获取包含待检验车辆的外观的车辆视频,具体为:接收终端上传的待检验车辆的车辆视频;车辆视频为用户输入终端的车辆视频;如果服务器接收终端发送的车辆视频,根据车辆视频确定验车结果后,可以将验车结果返回至发送车辆视频的终端,以通知终端的用户验车是否通过。
在一些实施例中,接收终端上传的待检验车辆的车辆视频之前,若接收到终端上传的用户的验车请求,对验车请求进行验证;若验车请求通过验证,则向终端返回上传包含待检验车辆的外观的车辆视频的提示信息。
上述方法中,要求用户在想进行视频验车时,先输入验车申请信息。在获取包含待检验车辆的外观的车辆视频之前,若接收到终端上传的用户的验车请求,对验车请求进行验证;若验车请求通过验证,则向终端返回上传包含待检验车辆的外观的车辆视频的提示信息。
可选的,验车请求未通过验证,将不执行后续验车步骤。
可选的,验车请求未通过验证,向用户发送重新输入验车请求的提示。
可选的,若接收到终端上传的用户的验车请求,对验车请求进行验证,可以包括:若接收到用户输入的验车申请信息,从验车申请信息获取用户个人信息、车辆信息及报价险别;判断预先存储的险别中是否包含所述报价险别,并根据申请信息校核填写的车型、报价险别等信息之间匹配的正确性进行验证;
当验车申请的正确性验证通过时,转入下一步验车流程。
上述方法中,若接收到用户输入的验车申请信息,按照预定规则确定是否触发验车,该方法可以先通过依据验车申请信息提取关键信息,在确定预先存储的与所述车辆信息匹配的险别中包含所述报价险别之后,并校验所述验车申请的关键信息之间是否存在逻辑错误,从而提高了验车的准确性。
可选的,从验车申请信息获取用户个人信息、车辆信息及报价险别之前,所述方法还包括:若接收到用户输入的验车申请信息,从验车申请信息获取用户个人信息;从预先构建的信用体系中获取与个人信息匹配的目标信用值;当检测出目标信用值大于预设信用值时,从验车申请信息获取用户个人信息、车辆信息及报价险别。
上述方法中,可以对目标信用值大于预设信用值的用户施行自动的视频验车,提高了验车的效率。
在一种可能的实现方式中,车身部位检测模型是以包含车辆局部外观的第一训练图像为输入,以第一训练图像的拍摄角度为输出,对待训练的车身部位检测模型进行训练得到的;
车型识别模型是以包含预设拍摄角度的车辆局部外观的第二训练图像为输入,以第二训练图像对应的车型为输出,对待训练的车型识别模型进行训练得到的。
本申请实施例提供的验车方法,基于包含待检验车辆的外观的车辆视频进行验车,确定车辆视频中的图像帧分别对应的拍摄角度,根据预设拍摄角度的图像帧,确定待检验车辆的车型,将各个拍摄角度的图像帧与预存的待检验车辆的车型对应的车辆样本数据进行比对,进而确定验车结果。该方法基于车辆视频自动完成对车辆外观的检验,与传统人工查验方式相比,可以降低人工成本,提高验车的效率和准确率。并且,基于车辆视频进行检验,与基于车辆照片进行检验相比,可以减少作假生成车辆照片的现象,提高检验所依据的车辆数据的真实度。
为了更便于理解本申请实施例提供的验车方法,以下结合图3所示的终端与服务器之间的交互图,详细说明验车方法的一种具体实现过程。如图3所示,该验车方法包括如下步骤:
步骤S301,终端响应接收到的验车请求,提示用户输入包含待检测车辆的外观的车辆视频。
例如,在用户线上进行车险购买时,终端启动相应的应用程序,基于用户输入的车辆及保险类别信息触发核保请求,根据核保规则判断是否需要验车,当需要验车时,触发验车请求,或提示用户需要进行验车。用户触发“验车”按键,终端响应接收到的验车请求,提示用户输入包含待检测车辆的外观的车辆视频。用户可以输入预先保存在终端中的车辆视频,也可以使用应用程序提供的拍摄录像功能,使用终端的摄像头环绕待检测车辆一周拍摄包含待检测车辆的外观的车辆视频。
步骤S302,终端接收用户输入的车辆视频。
步骤S303,终端用户输入的车辆视频发送至服务器。
终端还可以将用户输入的车辆信息,如车牌号码等发送至服务器。
步骤S304,服务器通过车身部位检测模型,确定车辆视频中的图像帧分别对应的拍摄角度。
可选地,可以将车辆视频按帧转换为视频图像序列,每隔一帧或几帧抽取一个图像帧,将抽取的每个图像帧分别输入车身部位检测模型,得到抽取的每个图像帧对应的拍摄角度。
车身部位检测模型可以采用深度学习网络实现,车身部位检测模型的训练过程将在下文中详细介绍。在一种可选的实施例中,车身部位检测模型可以包括特征提取子网络和与特征提取子网络的输出端连接的分类子网络。其中,特征提取子网络可以包括多个卷积层,或者采用全卷积神经网络实现。特征提取子网络用于提取输入其内的图像帧的特征,得到该图像帧的特征图。分类子网络用于基于图像帧的特征图检测车辆的关键点,根据车辆的关键点信息确定该图像帧所属不同拍摄角度的概率,输出该图像帧对应的拍摄角度。
将某个图像帧输入特征提取子网络,得到特征提取子网络输出的该图像帧的特征图,将特征图输入分类子网络,得到该图像帧对应的拍摄角度。
在一些实施例中,上述分类子网络所能判别的图像帧的拍摄角度可以分为360个角度类别,分别对应-180°~180°之间的每个角度,通过该车身部位检测模型可以确切地判定出每个图像帧对应的具体拍摄角度。
在另一些实施例中,为了节约计算量,分类子网络所能判别的图像帧的拍摄角度可以分为设定数量的角度类别,该设定数量小于360。例如,该设定数量可以是8,即分为8个角度类别。以从车头至车尾的车辆中心线为中心轴为基准确定拍摄角度,拍摄角度在[-22.5°,22.5°]之间属于第一角度类别,拍摄角度在[22.5°,67.5°]之间属于第二角度类别,拍摄角度在[67.5°,112.5°]之间属于第三角度类别,拍摄角度在[112.5°,157.5°]之间属于第四角度类别,拍摄角度在[157.5°,180°]以及[-180°,-157.5°]之间属于第五角度类别,拍摄角度在[-157.5°,-112.5°]之间属于第六角度类别,拍摄角度在[-112.5°,-67.5°]之间属于第七角度类别,拍摄角度在[-67.5°,-22.5°]之间属于第八角度类别。如果分类子网络判定某个图像帧的拍摄角度输入第一角度类别,则输出该图像帧的拍摄角度为正对车头;如果分类子网络判定某个图像帧的拍摄角度输入第二角度类别,则输出该图像帧的拍摄角度为车辆右前方45°,依此类推。
步骤S305,服务器根据预设拍摄角度的图像帧,确定待检验车辆的车型。
在上述实施例中已经介绍,可以将拍摄角度正对车头或正对车尾的图像帧输入车型识别模型,可以得到车型识别模型输出的待检测车辆的车型。其中,车型识别模型也可以采用深度学习网络实现,如图形或文本识别网络。图形或文本识别网络可以从输入的图像帧中检测出用于标识车辆品牌和型号的图形或文本,并根据检测出的图形或文本进行车型识别,如将检测出的图像或文本与预存的车型标识进行比对,从而确定待检验车辆的车型。
在一些实施例中,在确定待检验车辆的车型之前,还可以从设定拍摄角度的图像帧中识别出待检测车辆的车牌号码,将识别出的车牌号码与待检测车辆的车辆信息中的车牌号码进行比对;若识别出的车牌号码与待检测车辆的车辆信息中的车牌号码一致,则执行确定待检测车辆的车型的步骤。其中,设定拍摄角度与上述预设拍摄角度可以相同,也可以不同。例如,可以将拍摄角度正对车头或正对车尾的图像帧输入车牌识别模型,识别出待检测车辆的车牌号码,与终端上传的车辆信息中的车牌号码进行比对,确定是否一致。如果车辆视频中的车牌号码与终端上传的车辆信息中的车牌号码不一致,则验车未通过。车牌识别模型可以采用文本识别网络。在一种可选的实施例中,车型识别模型和车牌识别模型可以是同一个模型。
步骤S306,服务器将各个拍摄角度的图像帧与预存的待检验车辆的车型对应的车辆样本数据进行相似度比对。
根据待检验车辆的车型,从预存的车辆样本数据库中获取该车型对应的车辆样本数据,用于与车辆视频中的图像帧进行比对。
步骤S307,服务器根据得到的相似度比对结果确定验车结果。
在一种实施例中,可以根据图像帧的拍摄角度,将各个图像帧划分至多个图像集合,如将拍摄角度相同的多个图像帧划分至同一个图像集合,将同一图像集合中每个图像帧的相似度值的平均值,作为图像集合的相似度值,若所有图像集合的相似度值均大于设定阈值,则确定验车结果为验车通过。
示例性地,如果车身部位检测模型所能判别的图像帧的拍摄角度分为设定数量的角度类别,则车身部位检测模型可能将多个实际拍摄角度相近的多个图像帧判定为拍摄角度相同。例如,车身部位检测模型所能判别的图像帧的拍摄角度分为上文中介绍的8个角度类别时,对于实际拍摄角度为-10°和实际拍摄角度为5°、实际拍摄角度为10°的图像帧,车身部位检测模型将这些图像帧的拍摄角度均确定为正对车头。
根据图像帧的拍摄角度,将各个图像帧分别划分至8个不同的图像集合中。将确定的多个拍摄角度正对车头的图像帧划分至同一个图像集合,从获取的车辆样本数据中提取拍摄角度正对车头的车辆样本图片,将该图像集合中的每个图像帧均与拍摄角度正对车头的车辆样本图片进行比对,确定每个图像帧的相似度值,将每个图像帧的相似度值的平均值,作为该图像集合的相似度值,如果该相似度值大于设定阈值,说明该车身部位完好,无破损。同理,计算其它7个图像集合的相似度值。如果8个图像集合的相似度值均大于设定阈值,则确定验车结果为验车通过。如果8个图像集合中有至少一个图像集合的相似度值小于或等于设定阈值,则确定验车结果为验车未通过。
在另一种实施例中,可以根据图像帧的拍摄角度,将各个图像帧划分至多个图像集合,如将拍摄角度相近的多个图像帧划分至同一个图像集合,将同一图像集合中每个图像帧的相似度值的平均值,作为图像集合的相似度值,若所有图像集合的相似度值均大于设定阈值,则确定验车结果为验车通过。
示例性地,如果车身部位检测模型所能判别的图像帧的拍摄角度分为360个角度类别,可以根据图像帧的拍摄角度,将各个图像帧划分至18个图像集合。其中,第一图像集合包括拍摄角度在0°~20°之间的图像帧。例如,第一图像集合中包括四个图像帧,拍摄角度分别为0°、5°、10°和15°。将拍摄角度为0°的图像帧与预存的拍摄角度为0°的车辆样本图片进行特征比对,确定拍摄角度为0°的图像帧的相似度值。将拍摄角度为5°的图像帧与预存的拍摄角度为5°的车辆样本图片进行特征比对,确定拍摄角度为5°的图像帧的相似度值。将拍摄角度为10°的图像帧与预存的拍摄角度为10°的车辆样本图片进行特征比对,确定拍摄角度为10°的图像帧的相似度值。将拍摄角度为15°的图像帧与预存的拍摄角度为15°的车辆样本图片进行特征比对,确定拍摄角度为15°的图像帧的相似度值。将得到的四个图像帧的相似度值的平均值,作为第一图像集合的相似度值。同理,计算其它17个图像集合的相似度值。如果18个图像集合的相似度值均大于设定阈值,则确定验车结果为验车通过。如果18个图像集合中有至少一个图像集合的相似度值小于或等于设定阈值,则确定验车结果为验车未通过。
步骤S308,服务器将验车结果发送至终端。
步骤S309,终端将验车结果展示给用户。
终端接收服务器返回的验车结果,将验车结果展示给用户。如果验车结果为验车未通过,在将验车结果展示给用户时,还可以提示用户重新拍摄待检测车辆的车辆视频,将用户重新拍摄的车辆视频发送给服务器,服务器根据新接收到的车辆视频再次进行验车。可选地,在验车未通过时,服务器可以记录该验车未通过的车辆的车牌号码,针对同一车辆,服务器还可以记录在设定时间段内验车未通过的次数,如果验车未通过的次数达到设定次数,可以提醒审核人员验车失败次数过多,转由人工进行审核。
本申请实施例提供的上述验车方法,弥补了现有验车方式的不足,可以大幅度提升验车识别效率及正确率,减少人工工作量,节省人力成本,大幅度提升服务效率,为用户节省时间,提高用户体验。用户上传车辆视频后可即时返回验车结果,无需等待审核专员审核,大大提高服务效率和质量。
在一种实施例中,服务器可以按照图4所示的过程执行上述步骤S306,包括:
步骤S3061,从已经确定拍摄角度的图像帧集合中提取一个图像帧。
同时,从已经确定拍摄角度的图像帧集合中删除该图像帧。
步骤S3062,从预存的车辆样本数据库中获取与所该图像帧拍摄角度相同的车辆样本图片。
步骤S3063,分别提取该图像帧的车辆特征和预存的该车辆样本图片的车辆特征。
步骤S3064,将该图像帧的车辆特征与该车辆样本图片的车辆特征进行相似度比对,得到该图像帧的相似度值。
步骤S3065,判断是否是最后一个图像帧;如果是,结束;如果否,返回执行步骤S3061。
本申请实施例中所使用的车身部位检测模型,可以通过如图8所示的方法训练得到,具体包括如下步骤:
步骤S801,获取训练数据集。
训练数据集中包括多张包含车辆局部外观的训练图像,不同的训练图像可以是不同车辆的局部围观图像。多张训练图像分别对应不同的拍摄角度,每张训练图像都被预先标注拍摄角度标签。
步骤S802,从训练数据集中随机抽取训练图像,将训练图像输入待训练的车身部位检测模型,得到待训练的车身部位检测模型输出的训练图像的预测拍摄角度。
步骤S803,根据训练图像的预测拍摄角度和预先标注的拍摄角度标签,确定损失值。
计算损失值时,可以采用预设的损失函数计算损失值,损失函数可以采用交叉熵损失函数,例如Sigmoid函数。通常,损失值是判定实际的输出与期望的输出的接近程度。损失值越小,说明实际的输出越接近期望的输出。
步骤S804,判断损失值是否收敛;如果是,执行步骤S806;如果否,执行步骤S805。
判断损失值是否收敛至预设的期望值,如果损失值小于或等于预设的期望值,或者,连续N次训练得到的损失值的变化幅度小于或等于预设的期望值时,认为损失值已收敛至预设的期望值,说明损失值收敛;否则,说明损失值尚未收敛。
步骤S805,根据损失值对车身部位检测模型的参数进行调整。
如果损失值尚未收敛,可以采用反向传播算法,根据损失值调整车身部位检测模型的参数,然后返回步骤S801继续抽取训练图像对车身部位检测模型进行训练。
步骤S806,将当前参数作为车身部位检测模型的参数,获得已训练的车身部位检测模型。
上述实施例中所使用的车型识别模型、车牌识别模型以及特征提取网络的训练过程与车身部位检测模型类似,车型识别模型对应的训练图像被预先标注有车型标签,车牌识别模型对应的训练图像被预先标注有车牌文本标签,特征提取网络对应的训练图像有预先标注的车辆特征。上述模型的具体训练过程可以参照车身部位检测模型的训练过程实现,在此不再赘述。
与上述验车方法相对应地,在本申请另一实施例中,还提供了一种验车方法,该方法可以由图1中所示的终端100执行。如图9所示,该方法包括如下步骤:
步骤S901,响应接收到的验车请求,提示用户输入包含待检测车辆的外观的车辆视频。
例如,在车辆投保过程中,终端启动相应的应用程序后,基于用户输入的车辆及保险类别信息触发核保请求,根据核保规则判断是否需要验车,当需要验车时,触发验车请求,或提示用户需要进行验车。用户触发“验车”按键,终端响应接收到的验车请求,提示用户输入包含待检测车辆的外观的车辆视频。具体地,还可以提示用户输入环绕待检测车辆一周拍摄的车辆视频。
步骤S902,将用户输入的车辆视频发送至服务器,以使服务器根据所述车辆视频确定验车结果。
终端接收用户输入的车辆视频,将用户输入的车辆视频发送至服务器,以使服务器根据所述车辆视频确定验车结果。终端还可以将用户输入的车辆信息,如车牌号码等发送至服务器。
步骤S903,接收服务器返回的验车结果。
终端接收服务器返回的验车结果,将验车结果展示给用户。如果验车结果为验车未通过,在将验车结果展示给用户时,还可以提示用户重新拍摄待检测车辆的车辆视频,将用户重新拍摄的车辆视频发送给服务器,以使服务器根据新接收到的车辆视频再次进行验车。
本申请实施例提供的验车方法,接收到用户的验车请求后,提示用户输入包含待检测车辆的外观的车辆视频,将用户输入的车辆视频发送至服务器,使服务器根据车辆视频确定验车结果。该方法基于车辆视频自动完成对车辆外观的检验,与传统人工查验方式相比,可以降低人工成本,提高验车的效率和准确率。并且,基于车辆视频进行检验,与基于车辆照片进行检验相比,可以减少造假生成车辆照片的现象,提高检验所依据的车辆数据的真实度。
与图2所示的方法基于同一发明构思,本申请实施例还提供了一种验车装置,该验车装置应用于服务器。如图10所示,该验车装置包括:
数据获取单元101,用于获取包含待检验车辆的外观的车辆视频;
拍摄角度确定单元102,用于从车辆视频中间隔地抽取多个图像帧;将抽取的每个图像帧分别输入车身部位检测模型,得到所述图像帧对应的拍摄角度;
车型确定单元103,用于根据预设拍摄角度的图像帧,通过车型识别模型,确定所述待检测车辆的车型;
验车单元104,用于获取预存的所述待检验车辆的车型对应的车辆样本数据;将各个拍摄角度的图像帧与预存的所述待检验车辆的车型对应的车辆样本数据进行相似度比对;根据得到的相似度比对结果确定验车结果。
在一种可能的实现方式中,预存的所述待检验车辆的车型对应的车辆样本数据包括各个拍摄角度的车辆样本图片;验车单元104,还可以用于:
针对每一个拍摄角度,分别提取所述拍摄角度的图像帧的车辆特征和预存的所述拍摄角度的车辆样本图片的车辆特征;
将提取的所述图像帧的车辆特征与所述车辆样本图片的车辆特征进行相似度比对,得到所述图像帧的相似度值。
在一种可能的实现方式中,验车单元104,还可以用于:
若得到的所有图像帧的相似度值均大于设定阈值,则确定验车结果为验车通过;或
根据图像帧的拍摄角度,将各个图像帧划分至多个图像集合;将同一图像集合中每个图像帧的相似度值的平均值,作为所述图像集合的相似度值;若所有图像集合的相似度值均大于设定阈值,则确定验车结果为验车通过。
在一种可能的实现方式中,车型确定单元103,还可以用于:
从设定拍摄角度的图像帧中识别出待检测车辆的车辆身份识别信息,将识别出的车辆身份识别信息与所述待检测车辆建立对应关系;所述车辆身份识别信息包括车牌号码;
若识别出的车牌号码与所述待检测车辆的车辆信息中的车牌号码一致,则根据预设拍摄角度的图像帧,通过车型识别模型,确定所述待检测车辆的车型。
在一种可能的实现方式中,车型确定单元103,还可以用于:
将拍摄角度正对车头或正对车尾的图像帧输入车型识别模型,得到所述车型识别模型输出的待检测车辆的车型;或者,从拍摄角度正对车头开始,以预设间隔角度选择图像帧输入已训练的车型识别模型,得到所述车型识别模型输出的所述待检测车辆的车型。
在一种可能的实现方式中,所述拍摄角度确定单元102,还可以用于:
基于抽取的多个图像帧,确定获取的车辆视频符合预设拍摄要求。
在一种可能的实现方式中,如图11所示,上述装置还包括结果发送单元105。所述数据获取单元101,还用于:接收终端上传的待检验车辆的车辆视频;所述车辆视频为用户输入终端的车辆视频;所述结果发送单元105,用于:将所述验车结果返回至所述终端。
在一种可能的实现方式中,所述数据获取单元101,还可以用于:若接收到终端上传的用户的验车请求,对所述验车请求进行验证;若所述验车请求通过验证,则向所述终端返回上传包含待检验车辆的外观的车辆视频的提示信息。
本申请实施例提供的验车装置,基于包含待检验车辆的外观的车辆视频进行验车,确定车辆视频中的图像帧分别对应的拍摄角度,根据预设拍摄角度的图像帧,确定待检验车辆的车型,将各个拍摄角度的图像帧与预存的待检验车辆的车型对应的车辆样本数据进行比对,进而确定验车结果。该方法基于车辆视频自动完成对车辆外观的检验,与传统人工查验方式相比,可以降低人工成本,提高验车的效率和准确率。并且,基于车辆视频进行检验,与基于车辆照片进行检验相比,可以减少作假生成车辆照片的现象,提高检验所依据的车辆数据的真实度。
与图9所示的方法基于同一发明构思,本申请实施例还提供了一种验车装置,该验车装置应用于终端。如图12所示,该验车装置包括:
请求响应单元121,用于响应接收到的验车请求,提示用户输入包含待检测车辆的外观的车辆视频;
数据发送单元122,用于将用户输入的车辆视频发送至服务器,以使所述服务器根据所述车辆视频确定验车结果;
结果接收单元123,用于:接收服务器返回的验车结果。
与图2所示的方法基于同一发明构思,本申请实施例还提供了一种服务器,该服务器可以是图1所示的服务器200。如图13所示,该服务器200可以包括存储器201、处理器202和通信组件203。
存储器201,用于存储处理器202执行的计算机程序。存储器201可以存储至少一个功能所需的应用程序,如验车方法的应用程序等。
处理器202,可以包括一个或多个中央处理单元(central processing unit,CPU),图形处理单元(Graphics Processing Unit,GPU)或者为数字处理单元等等。处理器202,用于调用所述存储器201中存储的计算机程序时实现上述验车方法。如:获取包含待检验车辆的外观的车辆视频;通过车身部位检测模型,确定所述车辆视频中的图像帧分别对应的拍摄角度;根据预设拍摄角度的图像帧,确定所述待检验车辆的车型;将各个拍摄角度的图像帧与预存的所述待检验车辆的车型对应的车辆样本数据进行相似度比对;根据得到的相似度比对结果确定验车结果。
通讯组件203用于与终端进行通信,例如接收终端发送的包含待检验车辆的外观的车辆视频,以及将验车结果返回至所述终端。
本申请实施例中不限定上述存储器201、处理器202和通讯组件203之间的具体连接介质。本申请实施例在图13中,存储器201、处理器202和通讯组件203之间通过总线204连接,总线204在图13中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。所述总线204可以分为地址总线、数据总线、控制总线等。为便于表示,图13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。
与图9所示的方法基于同一发明构思,本申请实施例还提供了一种终端。如图14所示,为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,可参照本申请方法实施例部分。该终端可以为包括手机、平板电脑、车载电脑、智能穿戴设备、PC机等任意设备。该终端可以是图1所示的终端100。
图14示出了一种本申请实施例提供的终端的结构框图。如图14所示,该终端100包括:通讯组件180、存储器120、输入组件130、显示组件140、传感器150、音频电路160、处理器170等部件。本领域技术人员可以理解,图13中示出的终端100结构并不构成对终端100的限定,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。
下面结合图14对终端100的各个构成部件进行具体的介绍:
通讯组件180可用于与服务器进行通信,例如,将包含待检测车辆的外观的车辆视频发送至服务器,并接收服务器返回的验车结果。可选地,通讯组件180可以包括射频(Radio Frequency,RF)电路181或无线保真(wireless fidelity,WiFi)模块182。
具体地,RF电路181可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器170处理;另外,将设计上行的数据通过基站发送给服务器。
WiFi属于短距离无线传输技术,终端100通过WiFi模块182可以帮助用户收发信息、电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图13示出了WiFi模块182,但是可以理解的是,其并不属于终端100的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
存储器120可用于存储软件程序以及模块,如本申请实施例中的验车方法对应的程序指令/模块,处理器170通过运行存储在存储器120的软件程序以及模块,从而执行终端100的各种功能应用以及数据处理,如本申请实施例提供的验车方法。存储器120可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个应用的应用程序等;存储数据区可存储根据终端100的使用所创建的数据(比如车辆视频或验车结果)等。此外,存储器120可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述输入组件130可用于接收用户输入的操作指令、文字信息或语音信息,如车辆的相关信息等,以及产生与所述终端的用户设置以及功能控制有关的键信号输入。
可选的,输入组件130可包括触控面板131以及麦克风132。
其中,所述触控面板131,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在所述触控面板131上或在所述触控面板131附近的操作),并根据预先设定的程式实现相应的操作,如用户点击最近任务键的操作等。可选的,所述触控面板131可以包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给所述处理器170,并能接收所述处理器170发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现所述触控面板131。
麦克风132用于收集声音信号,如接收用户输入的语音信息等。
可选地,输入组件还可以包括其他输入设备,例如物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
所述显示组件140可用于显示由用户输入的信息或提供给用户的信息以及所述终端或应用的运行界面。所述显示组件140即为终端的显示系统,用于呈现界面,如显示桌面、应用的运行界面等。
所述显示组件140可以包括显示面板141。可选的,所述显示面板141可以采用液晶显示屏(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-EmittingDiode,OLED)等形式来配置。
进一步的,所述触控面板131可覆盖所述显示面板141,当所述触控面板131检测到在其上或附近的触摸操作后,传送给所述处理器170以确定触摸事件的类型,随后所述处理器170根据触摸事件的类型在所述显示面板141上提供相应的界面输出。
虽然在图14中,所述触控面板131与所述显示面板141是作为两个独立的部件来实现所述终端的输入和输入功能,但是在某些实施例中,可以将所述触控面板131与所述显示面板141集成而实现所述终端的输入和输出功能。
终端100还可包括至少一种传感器150,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板141的亮度,接近传感器可在终端100移动到耳边时,关闭显示面板141的背光。
音频电路160、扬声器161,传声器162可提供用户与终端100之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号,传输到扬声器161,由扬声器161转换为声音信号输出;另一方面,传声器162将收集的声音信号转换为电信号,由音频电路160接收后转换为音频数据,再将音频数据输出处理器170处理后,经RF电路181以发送给比如另一终端100,或者将音频数据输出至存储器120以便进一步处理。
处理器170是终端100的控制中心,利用各种接口和线路连接整个终端100的各个部分,通过运行或执行存储在存储器120内的软件程序和/或模块,以及调用存储在存储器120内的数据,执行终端100的各种功能和处理数据,从而对终端100进行整体监控。可选的,处理器170可包括一个或多个处理单元;可选的,处理器170可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、应用及应用内部的功能模块等软件程序。调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器170中。
在本申请实施例中,处理器170用于响应接收到的验车请求,提示用户输入包含待检测车辆的外观的车辆视频,通过通讯组件180将用户输入的车辆视频发送至服务器,以使服务器根据车辆视频确定验车结果,并通过通讯组件180接收服务器返回的验车结果。处理器170还可以通过显示组件140显示接收到的验车结果。
可以理解,图14所示的结构仅为示意,终端100还可包括比图14中所示更多或者更少的组件,或者具有与图14所示不同的配置。图14中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质中存储有计算机可执行指令,所述计算机可执行指令用于实现本申请任一实施例所述的验车方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或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,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以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,也可以采用硬件加软件功能单元的形式实现。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (11)
1.一种验车方法,其特征在于,所述方法包括:
获取包含待检验车辆的外观的车辆视频;
从所述车辆视频中间隔地抽取多个图像帧;
将抽取的每个图像帧分别输入车身部位检测模型,得到所述图像帧对应的拍摄角度;
根据预设拍摄角度的图像帧,通过车型识别模型,确定所述待检测车辆的车型;
获取预存的所述待检验车辆的车型对应的车辆样本数据;
将各个拍摄角度的图像帧与所述待检验车辆的车型对应的车辆样本数据进行相似度比对;
根据得到的相似度比对结果确定验车结果;所述车身部位检测模型是以包含车辆局部外观的第一训练图像为输入,以第一训练图像的拍摄角度为输出,对待训练的车身部位检测模型进行训练得到的;所述车型识别模型是以包含预设拍摄角度的车辆局部外观的第二训练图像为输入,以第二训练图像对应的车型为输出,对待训练的车型识别模型进行训练得到的。
2.根据权利要求1所述的方法,其特征在于,预存的所述待检验车辆的车型对应的车辆样本数据包括各个拍摄角度的车辆样本图片;所述将各个拍摄角度的图像帧与所述待检验车辆的车型对应的车辆样本数据进行相似度比对,包括:
针对每一个拍摄角度,分别提取所述拍摄角度的图像帧的车辆特征和预存的所述拍摄角度的车辆样本图片的车辆特征;
将提取的所述图像帧的车辆特征与所述车辆样本图片的车辆特征进行相似度比对,得到所述图像帧的相似度值。
3.根据权利要求2所述的方法,其特征在于,所述根据得到的相似度比对结果确定验车结果,包括:
若得到的所有图像帧的相似度值均大于设定阈值,则确定验车结果为验车通过;或
根据图像帧的拍摄角度,将各个图像帧划分至多个图像集合;将同一图像集合中每个图像帧的相似度值的平均值,作为所述图像集合的相似度值;若所有图像集合的相似度值均大于设定阈值,则确定验车结果为验车通过。
4.根据权利要求1所述的方法,其特征在于,所述根据预设拍摄角度的图像帧,通过车型识别模型,确定所述待检测车辆的车型之前,所述方法还包括:
从设定拍摄角度的图像帧中识别出待检测车辆的车辆身份识别信息,将识别出的车辆身份识别信息与所述待检测车辆建立对应关系;所述车辆身份识别信息包括车牌号码;
若识别出的车牌号码与所述待检测车辆的车辆信息中的车牌号码一致,则执行根据预设拍摄角度的图像帧,通过车型识别模型,确定所述待检测车辆的车型的步骤。
5.根据权利要求1所述的方法,其特征在于,所述根据预设拍摄角度的图像帧,通过车型识别模型,确定所述待检测车辆的车型,包括:
将拍摄角度正对车头或正对车尾的图像帧输入已训练的车型识别模型,得到所述车型识别模型输出的所述待检测车辆的车型;或者,
从拍摄角度正对车头开始,以预设间隔角度选择图像帧输入已训练的车型识别模型,得到所述车型识别模型输出的所述待检测车辆的车型。
6.根据权利要求1所述的方法,其特征在于,所述将抽取的每个图像帧分别输入车身部位检测模型,得到所述图像帧对应的拍摄角度之前,所述方法还包括:
基于抽取的多个图像帧,确定获取的车辆视频符合预设拍摄要求。
7.根据权利要求1所述的方法,其特征在于,所述获取包含待检验车辆的外观的车辆视频,包括:接收终端上传的待检验车辆的车辆视频;所述车辆视频为用户输入终端的车辆视频;
所述根据得到的相似度比对结果确定验车结果之后,所述方法还包括:
将所述验车结果返回至所述终端。
8.根据权利要求7所述的方法,其特征在于,所述接收终端上传的待检验车辆的车辆视频之前,所述方法还包括:
若接收到终端上传的用户的验车请求,对所述验车请求进行验证;
若所述验车请求通过验证,则向所述终端返回上传包含待检验车辆的外观的车辆视频的提示信息。
9.一种验车装置,其特征在于,所述装置包括:
数据获取单元,用于获取包含待检验车辆的外观的车辆视频;
拍摄角度确定单元,用于从所述车辆视频中间隔地抽取多个图像帧;将抽取的每个图像帧分别输入车身部位检测模型,得到所述图像帧对应的拍摄角度;
车型确定单元,用于根据预设拍摄角度的图像帧,通过车型识别模型,确定所述待检测车辆的车型;
验车单元,用于获取预存的所述待检验车辆的车型对应的车辆样本数据;将各个拍摄角度的图像帧与所述待检验车辆的车型对应的车辆样本数据进行相似度比对;根据得到的相似度比对结果确定验车结果;所述车身部位检测模型是以包含车辆局部外观的第一训练图像为输入,以第一训练图像的拍摄角度为输出,对待训练的车身部位检测模型进行训练得到的;所述车型识别模型是以包含预设拍摄角度的车辆局部外观的第二训练图像为输入,以第二训练图像对应的车型为输出,对待训练的车型识别模型进行训练得到的。
10.一种电子设备,其特征在于,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计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器实现权利要求1~8中任一项所述的方法。
11.一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,其特征在于:所述计算机程序被处理器执行时,实现权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414657.8A CN111652087B (zh) | 2020-05-15 | 2020-05-15 | 验车方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414657.8A CN111652087B (zh) | 2020-05-15 | 2020-05-15 | 验车方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652087A CN111652087A (zh) | 2020-09-11 |
CN111652087B true CN111652087B (zh) | 2023-07-18 |
Family
ID=72347995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010414657.8A Active CN111652087B (zh) | 2020-05-15 | 2020-05-15 | 验车方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652087B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202853A (zh) * | 2020-09-16 | 2022-03-18 | 宝能汽车集团有限公司 | 共享汽车的验车系统和验车方法 |
CN112381477B (zh) * | 2021-01-18 | 2021-04-20 | 南京领行科技股份有限公司 | 车辆外观清洁度监测方法、装置、服务器及存储介质 |
CN113378619B (zh) * | 2021-03-12 | 2023-07-04 | 中国平安财产保险股份有限公司 | 保险业务数据处理方法、装置、电子设备和存储介质 |
CN113554024A (zh) * | 2021-07-27 | 2021-10-26 | 宁波小遛共享信息科技有限公司 | 一种车辆的清洁度的确定方法、装置及计算机设备 |
CN114383796B (zh) * | 2021-11-30 | 2024-02-13 | 东风商用车有限公司 | 一种道路振动模拟试验的点检方法及系统 |
CN114266930A (zh) * | 2021-12-02 | 2022-04-01 | 中国联合网络通信集团有限公司 | 车尾标检测方法、装置、电子设备及存储介质 |
CN114184357B (zh) * | 2021-12-21 | 2024-07-26 | 上汽通用汽车有限公司 | 一种车灯检验装置 |
CN114639061A (zh) * | 2022-04-02 | 2022-06-17 | 山东博昂信息科技有限公司 | 车辆检测方法、系统及存储介质 |
CN114973092B (zh) * | 2022-05-31 | 2024-07-05 | 平安银行股份有限公司 | 验车方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530608A (zh) * | 2013-10-10 | 2014-01-22 | 智博锐视(北京)科技有限公司 | 车辆类型判断方法和装置 |
CN109101934A (zh) * | 2018-08-20 | 2018-12-28 | 广东数相智能科技有限公司 | 车型识别方法、装置与计算机可读存储介质 |
KR20190015767A (ko) * | 2017-07-27 | 2019-02-15 | 두림야스카와(주) | 도장 시스템에서의 차종 감지 방법 |
CN110490156A (zh) * | 2019-08-23 | 2019-11-22 | 哈尔滨理工大学 | 一种基于卷积神经网络的快速车辆检测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8774465B2 (en) * | 2012-06-12 | 2014-07-08 | State Farm Mutual Automobile Insurance Company | System and method for providing automotive purchase, insurance quote, and vehicle financing information using vehicle recognition |
CN105320923B (zh) * | 2014-08-05 | 2018-06-12 | 北京大学 | 车型识别方法及装置 |
CN104239898B (zh) * | 2014-09-05 | 2017-07-14 | 浙江捷尚视觉科技股份有限公司 | 一种快速卡口车辆比对和车型识别方法 |
WO2017056399A1 (ja) * | 2015-09-30 | 2017-04-06 | パナソニックIpマネジメント株式会社 | 車種識別装置およびこれを備えた車種識別システムならびに車種識別方法 |
CN106295541A (zh) * | 2016-08-03 | 2017-01-04 | 乐视控股(北京)有限公司 | 车辆类型识别方法及系统 |
JP6678552B2 (ja) * | 2016-09-30 | 2020-04-08 | 株式会社東芝 | 車種判別装置および車種判別方法 |
CN108734702A (zh) * | 2018-04-26 | 2018-11-02 | 平安科技(深圳)有限公司 | 车损判定方法、服务器及存储介质 |
CN108596277B (zh) * | 2018-05-10 | 2020-07-07 | 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 |
CN110659568B (zh) * | 2019-08-15 | 2023-06-23 | 创新先进技术有限公司 | 验车方法及装置 |
CN113038018B (zh) * | 2019-10-30 | 2022-06-28 | 支付宝(杭州)信息技术有限公司 | 辅助用户拍摄车辆视频的方法及装置 |
CN111144372A (zh) * | 2019-12-31 | 2020-05-12 | 上海眼控科技股份有限公司 | 车辆检测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-05-15 CN CN202010414657.8A patent/CN111652087B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530608A (zh) * | 2013-10-10 | 2014-01-22 | 智博锐视(北京)科技有限公司 | 车辆类型判断方法和装置 |
KR20190015767A (ko) * | 2017-07-27 | 2019-02-15 | 두림야스카와(주) | 도장 시스템에서의 차종 감지 방법 |
CN109101934A (zh) * | 2018-08-20 | 2018-12-28 | 广东数相智能科技有限公司 | 车型识别方法、装置与计算机可读存储介质 |
CN110490156A (zh) * | 2019-08-23 | 2019-11-22 | 哈尔滨理工大学 | 一种基于卷积神经网络的快速车辆检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111652087A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652087B (zh) | 验车方法、装置、电子设备和存储介质 | |
WO2020192469A1 (zh) | 图像语义分割网络的训练方法、装置、设备及存储介质 | |
CN109145680A (zh) | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 | |
TW202025060A (zh) | 車險自動賠付方法和系統 | |
CN112381104B (zh) | 一种图像识别方法、装置、计算机设备及存储介质 | |
TWI712980B (zh) | 理賠資訊提取方法和裝置、電子設備 | |
CN105989268A (zh) | 一种人机识别的安全访问方法和系统 | |
CN110049121B (zh) | 一种基于增强现实技术的数据中心巡检系统 | |
CN111666898B (zh) | 用于识别车辆所属类别的方法和装置 | |
CN111885375A (zh) | 双录视频的检验方法、装置、服务器及系统 | |
CN109115242B (zh) | 一种导航评估方法、装置、终端、服务器及存储介质 | |
CN114093022A (zh) | 活动检测装置、活动检测系统及活动检测方法 | |
CN112132220A (zh) | 一种自训练方法、系统、装置、电子设备及存储介质 | |
CN114495103B (zh) | 文本识别方法、装置、电子设备和介质 | |
CN111241873A (zh) | 图像翻拍检测方法及其模型的训练方法、支付方法及装置 | |
CN111738199A (zh) | 图像信息验证方法、装置、计算装置和介质 | |
CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
CN115205883A (zh) | 基于ocr和nlp的资料审核方法、装置、设备、存储介质 | |
CN117911827A (zh) | 多模态目标检测方法、装置、设备及存储介质 | |
CN111767923B (zh) | 一种图像数据检测方法、装置以及计算机可读存储介质 | |
CN116964588A (zh) | 一种目标检测方法、目标检测模型训练方法及装置 | |
CN116342940A (zh) | 图像审批方法、装置、介质及设备 | |
CN118038303A (zh) | 身份识别图像处理方法、装置、计算机设备和存储介质 | |
CN108038408A (zh) | 智能跟踪方法及装置、存储介质及电子终端 | |
KR102695602B1 (ko) | 영상 통화 서비스를 제공하는 인스턴트 메시징 애플리케이션을 통해 수신된 정보를 검증하는 방법 및 시스템 |
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 |