CN112381840A - 一种用于定损视频中车辆外观部件标注的方法及系统 - Google Patents
一种用于定损视频中车辆外观部件标注的方法及系统 Download PDFInfo
- Publication number
- CN112381840A CN112381840A CN202011357788.3A CN202011357788A CN112381840A CN 112381840 A CN112381840 A CN 112381840A CN 202011357788 A CN202011357788 A CN 202011357788A CN 112381840 A CN112381840 A CN 112381840A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- sequence
- image sequence
- component
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 156
- 238000002372 labelling Methods 0.000 claims abstract description 45
- 238000004040 coloring Methods 0.000 claims abstract description 42
- 238000013441 quality evaluation Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims description 14
- 239000003086 colorant Substances 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 206010061619 Deformity Diseases 0.000 claims 1
- 238000003709 image segmentation Methods 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 5
- 239000000126 substance Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种用于定损视频中车辆外观部件标注的方法及系统，涉及图像分割技术领域，包括间隔抽取定损视频中视频帧图像，得到按时间顺序排列的图像序列；对图像序列进行车辆部件可辨识分类，得到部件可辨识图像序列和部件不可辨识图像序列；对部件可辨识图像序列中各图像进行部件分割、上色并标注部件标签，对不可辨识图像序列中各图像进行区域分割、上色并标注区域标签；将所有分割上色后的图像序列送入质量评价模块，评估分割图的部件分割或区域分割质量，获得质量良好的图像序列和质量差的图像序列送至标注人员修正分割边界或部件标签。本发明改善和提升了视频分割车辆外观部件的标注效率，为深度网络的学习训练获取了大量的图片分割数据。
Description
技术领域
本发明涉及图像分割技术领域，尤其是涉及一种用于定损视频中车辆外观部件标注的方法及系统。
背景技术
车辆外观部件识别是各类汽车业务中的重要一环，在譬如汽车保险理赔，分时租赁以及汽车日租的取车还车过程，都需要对车辆外观部件进行识别，同时还会检测这些外观部件是否存在损伤，这些检测由人工来完成需要消耗大量的人力。
随着技术的发展，为了提高定损精确度及定损效率，人们开始探索实现用户采集视频输入服务端，服务端通过视频对定损视频中车辆外观部件进行识别；如果想要得到可行的视频深度学习网络模型，首先要进行模型训练，由于视频深度学习网络模型是以视频作为学习样本，由于一段定损视频内视频帧的数量较多，以视频30帧/s为例，如果1s均匀采样10帧(间隔2帧采样1帧)，一段40s的视频样本就会有400张图片需要分割标注，因此想要获得大量的学习样本则需要标注的工作量巨大，仅靠标注员人工分割标注难以实现；同时，定损视频通常是从远到近的拍摄过程，从单张图片角度来看，远的时候部件可辨识性强，近的时候部件可辨识性弱，甚至出现无法辨识或辨识混淆的现象，这就要求在定损视频标注过程时必须按照视频维度来做标注，在一个视频内，由于时间前后两帧图像的像素位移量偏小，导致标注员在重复的做描点多边形和打部件标签，非常容易导致视觉疲劳，错误率很高。
因此，本发明提供了一种定损视频中车辆外观部件的快速标注方法，为定损流程中的视频深度学习网络模型提供大量的学习样本，同时节省人力，提高样本制作效率。
发明内容
针对上述问题，本发明提供了一种用于定损视频中车辆外观部件标注的方法及系统，可以快速高效的对视频图片序列做分割标注，进而获取大量视频帧图片分割标注结果。
为实现上述目的，本发明提供了一种用于定损视频中车辆外观部件标注的方法，包括：
间隔抽取定损视频中视频帧图像，得到按时间顺序排列的图像序列；
对所述图像序列进行车辆部件可辨识分类，得到部件可辨识图像序列和部件不可辨识图像序列；
对所述部件可辨识图像序列中各图像进行部件分割、上色并标注部件标签，对所述不可辨识图像序列中各图像进行区域分割、上色并标注区域标签；
将所有分割上色后的图像序列送入质量评价模块，评估分割图的部件分割或区域分割质量，获得质量良好的图像序列和质量差的图像序列；
将质量良好的图像序列上色图及该序列第一张图像送至标注人员，标注人员依据该序列第一张图像将该序列所有图像中的区域标签转译为部件标签；
将质量差的图像序列上色图及该序列第一张图像送至标注人员，标注人员依据该序列第一张图像将该序列所有图像重新分割并标注部件标签；
将标注人员处理后的图像序列标注结果按时间顺序重新拼接，获得定损视频的分割图像序列及标注结果。
作为本发明的进一步改进，
采用部件语义分割模型推理并分割所述部件可辨识图像序列，获取分割图及各部件标签，并对分割图上色；
采用区域语义分割模型推理并分割所述部件不可辨识图像序列，获得分割图及各区域标签，并对分割图上色。
作为本发明的进一步改进，
所述部件语义分割模型中对应每个车辆外观部件均设有一个部件标签代表该部件；
所述区域语义分割模型中设有多个区域标签，多个所述区域标签用于标注不可辨识图像中的不同区域。
作为本发明的进一步改进，所述对分割图上色为使用不同颜色对不同分割区域或部件进行上色，得到彩色分割图。
作为本发明的进一步改进，所述将质量良好的图像序列上色图及该序列第一张图像送至标注人员和将质量差的图像序列上色图及该序列第一张图像送至标注人员中，该序列第一张图像均为人眼可辨识图像。
本发明还提供了一种用于定损视频中车辆外观部件标注的系统，包括：视频帧抽取模块、可辨识性分类模块、部件语义分割模块、区域语义分割模块、质量评价模块及人工修正模块；
所述视频帧抽取模块，用于：
间隔抽取定损视频中视频帧图像，得到按时间顺序排列的图像序列；
所述可辨识性分类模块，用于：
对所述图像序列进行车辆部件可辨识分类，得到部件可辨识图像序列和部件不可辨识图像序列；
所述部件语义分割模块，用于：
对所述部件可辨识图像序列中各图像进行部件分割、上色并标注部件标签；
所述区域语义分割模块，用于：
对所述不可辨识图像序列中各图像进行区域分割、上色并标注区域标签；
所述质量评价模块，用于：
评估分割上色后的图像序列中分割图的部件分割或区域分割质量，获得质量良好的图像序列和质量差的图像序列；
将质量良好的图像序列上色图及该序列第一张图像送至人工修正模块；
将质量差的图像序列上色图及该序列第一张图像送至人工修正模块；
所述人工修正模块，用于：
对质量良好的图像序列上色图依据该序列第一张图像将该序列所有图像中的区域标签转译为部件标签；
对质量差的图像序列上色图依据该序列第一张图像将该序列所有图像重新分割并标注部件标签。
作为本发明的进一步改进，
所述部件语义分割模块采用部件语义分割模型推理并分割所述部件可辨识图像序列，获取分割图及各部件标签，并对分割图上色；
所述区域语义分割模块采用区域语义分割模型推理并分割所述部件不可辨识图像序列，获得分割图及各区域标签，并对分割图上色。
作为本发明的进一步改进，
所述部件语义分割模型中对应每个车辆外观部件均设有一个部件标签代表该部件；
所述区域语义分割模型中设有多个区域标签，多个所述区域标签用于标注不可辨识图像中的不同区域。
作为本发明的进一步改进，
所述部件语义分割模块及区域语义分割模块对分割图上色均为使用不同颜色对不同分割区域或部件进行上色，得到彩色分割图。
作为本发明的进一步改进，所述将质量良好的图像序列上色图及该序列第一张图像送至人工修正模块和将质量差的图像序列上色图及该序列第一张图像送至人工修正模块，其中所述该序列第一张图像均为人眼可辨识图像。
与现有技术相比，本发明的有益效果为：
本发明基于深度神经网络的可辨识性分类方法，对视频帧图像序列进行分类，准确率高，采用语义分割方法对图像进行分割及标注，部件或区域分割的质量较高，标注精度也能够达到视频分割领域的数据要求；同时先分类再针对性分割的方法极大的改善和提升了视频分割车辆外观部件的标注效率，为深度网络的学习训练获取了大量的图片分割结果。
本发明通过部件语义分割模型和区域语义分割模型分别对可辨识图像序列和不可辨识图像序列进行分割、标注，有效提高了标注精度和标注效率，同时，标注后的图像序列经质量评价后进一步进行人工处理，大大提高了标注精度的同时，大幅减少了人力，精准快速地获得定损视频的分割图像及标注结果。
附图说明
图1为本发明一种实施例公开用于定损视频中车辆外观部件标注的方法流程图；
图2为本发明一种实施例公开的用于定损视频中车辆外观部件标注的系统示意图；
图3为本发明一种实施例公开的可辨识图像展示图；
图4为本发明一种实施例公开的图3的分割结果图；
图5为本发明一种实施例公开的不可辨识图像展示图；
图6为本发明一种实施例公开的图5的分割结果图；
图7为本发明一种实施例公开的分割质量好的分割上色图；
图8为本发明一种实施例公开的分割质量差的分割上色图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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的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。
下面结合附图对本发明做进一步的详细描述：
实施例：
如图1，本发明提供的一种用于定损视频中车辆外观部件标注的方法，包括：
S1、间隔抽取定损视频中视频帧图像，得到按时间顺序排列的图像序列；
其中，
因一段定损视频中的视频帧数量较多，相邻两帧图像的像素位移量偏小，若对每帧都进行标注，既增加工作量，也意义不大，因此采用间隔抽取视频帧的方式；
以视频30帧/s为例，可间隔多帧采样1帧，间隔优选2帧，这样则可在1s内均匀抽取10帧，一段40s的视频则可抽取400张图像，得到按时间顺序排列的400帧图像序列。
S2、基于深度神经网络对所述图像序列进行车辆部件可辨识分类，得到部件可辨识图像序列和部件不可辨识图像序列；
其中，
用户在稍远距离下拍摄的视频帧图像，如图3所示，图像中能够看到车辆多个外观部件，通常情况下，能够看到3个部件及以上的视频帧中部件的图像特征足够让人眼容易辨识，则为可辨识图像；相对的，用户在近距离下拍摄的视频帧图像，如图5所示，图像中可看到的车辆外观部件不超过3个，相当于车辆细节图像，这类图像部件特征较弱或特征在车辆多个位置具有相似性，导致人眼辨识非常困难或容易辨识错误，则为不可辨识图像。
进一步的，
本步骤中车辆部件可辨识分类时可采用VGG，ResNet，GoogleNet或InceptionV3算法。
S3、对部件可辨识图像序列中各图像进行部件分割、上色并标注部件标签，，对不可辨识图像序列中各图像进行区域分割、上色并标注区域标签；
其中，
采用部件语义分割模型推理并分割所述部件可辨识图像序列，获取分割图及各部件标签，并对分割图上色，如图4为图3的上色分割图；部件语义分割模型中对应每个车辆外观部件均设有一个部件标签代表该部件，标签可以包括为0-17，另标签0标识非车辆外观部件、标签1代表车灯、标签2代表引擎盖、标签3代表保险杠等。
采用区域语义分割模型推理并分割所述部件不可辨识图像序列，获得分割图及各区域标签，并对分割图上色，如图6为图5的上色分割图；区域语义分割模型中设有多个区域标签，如A、B、R，多个所述区域标签用于标注不可辨识图像中的不同区域，当图像中仅包括一个区域时，用R标注；当图像中包括两个区域时，用A、B标注，标注时可从左向右依次使用A、B；当图像中包括三个区域时，用A、B、R标注，标注时可从左向右依次使用A、B、R。
部件语义分割模型和区域语义分割模型均采用Deeplab，SPNet，SegNet，IDW-CNN模型实现。
对分割图上色为使用不同颜色对不同分割区域或部件进行上色，得到彩色分割图。
S4、将所有分割上色后的图像序列送入质量评价模块，评估分割图的部件分割或区域分割质量，获得质量良好的图像序列和质量差的图像序列，如图7、8所示，分别为分割质量好和分割质量差的分割上色图；
其中，质量评价模块可采用VGG，ResNet，GoogleNet或Inception V3算法。
S5、将质量良好的图像序列上色图及该序列第一张图像送至标注人员，第一张图像为人眼可辨识图像，标注人员依据该序列第一张图像将该序列所有图像中的区域标签转译为部件标签；
其中，质量良好的图像序列中含有仅做区域分割的图像，标注人员根据序列第一张图像可以推算出其他图像中标注的A、B、R区域所属的部件，并分别进行部件标签的标注；
S6、将质量差的图像序列上色图及该序列第一张图像送至标注人员，第一张图像为人眼可辨识图像，标注人员依据该序列第一张图像将该序列所有图像重新分割并标注部件标签；
其中，质量差的图像序列中的图像，需要标注人员根据序列第一张图像推算出其他图像中各区域边界，确定区域所属的部件，并手动标注部件标签。
S7、将标注人员处理后的图像序列标注结果按时间顺序重新拼接，获得定损视频的分割图像序列及标注结果。
其中，将定损视频的分割图像序列及标注结果用于深度学习模型的学习训练，提高深度学习模型的定损视频图像分割标注能力。
如图2所示，本发明还提供了一种用于定损视频中车辆外观部件标注的系统，包括：视频帧抽取模块、可辨识性分类模块、部件语义分割模块、区域语义分割模块、质量评价模块及人工修正模块；
视频帧抽取模块，用于，
间隔抽取定损视频中视频帧图像，得到按时间顺序排列的图像序列。
可辨识性分类模块，可采用VGG，ResNet，GoogleNet或InceptionV3算法，用于，
基于深度神经网络对所述图像序列进行车辆部件可辨识分类，得到部件可辨识图像序列和部件不可辨识图像序列。
部件语义分割模块，用于，
对所述部件可辨识图像序列中各图像进行部件分割、上色并标注部件标签；
其中，
采用部件语义分割模型推理并分割所述部件可辨识图像序列，获取分割图及各部件标签，并对分割图上色；
进一步的，部件语义分割模型中对应每个车辆外观部件均设有一个部件标签代表该部件，标签可以包括为0-17，另标签0标识非车辆外观部件、标签1代表车灯、标签2代表引擎盖、标签3代表保险杠等；
上色时使用不同颜色对不同分割区域或部件进行上色，进而得到彩色分割图。
区域语义分割模块，用于：
对所述不可辨识图像序列中各图像进行区域分割、上色并标注区域标签；
其中，采用区域语义分割模型推理并分割所述部件不可辨识图像序列，获得分割图及各区域标签，并对分割图上色；
进一步的，区域语义分割模型中设有多个区域标签，多个所述区域标签用于标注不可辨识图像中的不同区域，如设置A、B、R三个标签，多个所述当图像中仅包括一个区域时，用R标注；当图像中包括两个区域时，用A、B标注，标注时可从左向右依次使用A、B；当图像中包括三个区域时，用A、B、R标注，标注时可从左向右依次使用A、B、R；
上色时使用不同颜色对不同分割区域或部件进行上色，进而得到彩色分割图。
质量评价模块，可采用VGG，ResNet，GoogleNet或Inception V3算法实现，用于：
评估分割上色后的图像序列中分割图的部件分割或区域分割质量，获得质量良好的图像序列和质量差的图像序列；
将质量良好的图像序列上色图及该序列第一张图像送至人工修正模块，其中第一张图像为人眼可辨识图像；
将质量差的图像序列上色图及该序列第一张图像送至人工修正模块，其中第一张图像为人眼可辨识图像。
人工修正模块，用于：
对质量良好的图像序列上色图依据该序列第一张图像将该序列所有图像中的区域标签转译为部件标签；
对质量差的图像序列上色图依据该序列第一张图像将该序列所有图像重新分割并标注部件标签。
本发明的优点：
(1)基于深度神经网络的可辨识性分类方法，对视频帧图像序列进行分类，准确率高，采用语义分割方法对图像进行分割及标注，部件或区域分割的质量较高，标注精度也能够达到视频分割领域的数据要求；同时先分类再针对性分割的方法极大的改善和提升了视频分割车辆外观部件的标注效率，为深度网络的学习训练获取了大量的图片分割结果。
(2)通过部件语义分割模型和区域语义分割模型分别对可辨识图像序列和不可辨识图像序列进行分割、标注，有效提高了标注精度和标注效率，同时，标注后的图像序列经质量评价后进一步进行人工处理，大大提高了标注精度的同时，大幅减少了人力，精准快速地获得定损视频的分割图像及标注结果。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于定损视频中车辆外观部件标注的方法，其特征在于，包括：
间隔抽取定损视频中视频帧图像，得到按时间顺序排列的图像序列；
基于深度神经网络对所述图像序列进行车辆部件可辨识分类，得到部件可辨识图像序列和部件不可辨识图像序列；
对所述部件可辨识图像序列中各图像进行部件分割、上色并标注部件标签，对所述不可辨识图像序列中各图像进行区域分割、上色并标注区域标签；
评估分割上色后的图像序列中分割图的部件分割或区域分割质量，获得质量良好的图像序列和质量差的图像序列；
将质量良好的图像序列上色图及该序列第一张图像送至标注人员，标注人员依据该序列第一张图像将该序列所有图像中的区域标签转译为部件标签；
将质量差的图像序列上色图及该序列第一张图像送至标注人员，标注人员依据该序列第一张图像将该序列所有图像重新分割并标注部件标签；
将标注人员处理后的图像序列标注结果按时间顺序重新拼接，获得定损视频的分割图像序列及标注结果。
2.根据权利要求1所述的方法，其特征在于：
采用部件语义分割模型推理并分割所述部件可辨识图像序列，获取分割图及各部件标签，并对分割图上色；
采用区域语义分割模型推理并分割所述部件不可辨识图像序列，获得分割图及各区域标签，并对分割图上色。
3.根据权利要求2所述的方法，其特征在于：
所述部件语义分割模型中对应每个车辆外观部件均设有一个部件标签；
所述区域语义分割模型中设有多个区域标签，多个所述区域标签用于标注不可辨识图像中的不同区域。
4.根据权利要求1所述的方法，其特征在于：对所述分割图上色时使用不同颜色对不同分割区域或部件进行上色，得到彩色分割图。
5.根据权利要求1所述的标注方法，其特征在于：所述该序列第一张图像均为人眼可辨识图像。
6.一种用于定损视频中车辆外观部件标注的系统，其特征在于，包括：视频帧抽取模块、可辨识性分类模块、部件语义分割模块、区域语义分割模块、质量评价模块及人工修正模块；
所述视频帧抽取模块，用于：
间隔抽取定损视频中视频帧图像，得到按时间顺序排列的图像序列；
所述可辨识性分类模块，用于：
基于深度神经网络对所述图像序列进行车辆部件可辨识分类，得到部件可辨识图像序列和部件不可辨识图像序列；
所述部件语义分割模块，用于：
对所述部件可辨识图像序列中各图像进行部件分割、上色并标注部件标签；
所述区域语义分割模块，用于：
对所述不可辨识图像序列中各图像进行区域分割、上色并标注区域标签；
所述质量评价模块，用于：
评估分割上色后的图像序列中分割图的部件分割或区域分割质量，获得质量良好的图像序列和质量差的图像序列；
将质量良好的图像序列上色图及该序列第一张图像送至人工修正模块；
将质量差的图像序列上色图及该序列第一张图像送至人工修正模块；
所述人工修正模块，用于：
对质量良好的图像序列上色图依据该序列第一张图像将该序列所有图像中的区域标签转译为部件标签；
对质量差的图像序列上色图依据该序列第一张图像将该序列所有图像重新分割并标注部件标签。
7.根据权利要求6所述的系统，其特征在于：
所述部件语义分割模块采用部件语义分割模型推理并分割所述部件可辨识图像序列，获取分割图及各部件标签，并对分割图上色；
所述区域语义分割模块采用区域语义分割模型推理并分割所述部件不可辨识图像序列，获得分割图及各区域标签，并对分割图上色。
8.根据权利要求7所述的系统，其特征在于：
所述部件语义分割模型中对应每个车辆外观部件均设有一个部件标签代表该部件；
所述区域语义分割模型中设有多个区域标签，多个所述区域标签用于标注不可辨识图像中的不同区域。
9.根据权利要求6所述的系统，其特征在于：
所述部件语义分割模块及区域语义分割模块对分割图上色均为使用不同颜色对不同分割区域或部件进行上色，得到彩色分割图。
10.根据权利要求6所述的系统，其特征在于：所述该序列第一张图像均为人眼可辨识图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011357788.3A CN112381840A (zh) | 2020-11-27 | 2020-11-27 | 一种用于定损视频中车辆外观部件标注的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011357788.3A CN112381840A (zh) | 2020-11-27 | 2020-11-27 | 一种用于定损视频中车辆外观部件标注的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112381840A true CN112381840A (zh) | 2021-02-19 |
Family
ID=74587818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011357788.3A Pending CN112381840A (zh) | 2020-11-27 | 2020-11-27 | 一种用于定损视频中车辆外观部件标注的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112381840A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023273296A1 (zh) * | 2021-06-30 | 2023-01-05 | 平安科技（深圳）有限公司 | 车图像分割质量的评估方法、装置、设备及存储介质 |
| CN117437525A (zh) * | 2023-12-21 | 2024-01-23 | 南京三百云信息科技有限公司 | 用于环车视频的处理方法及处理系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107153822A (zh) * | 2017-05-19 | 2017-09-12 | 北京航空航天大学 | 一种基于深度学习的半自动图像精标注方法 |
| CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
| CN110288041A (zh) * | 2019-07-01 | 2019-09-27 | 齐鲁工业大学 | 基于深度学习的中草药分类建模方法及系统 |
| CN110751655A (zh) * | 2019-09-16 | 2020-02-04 | 南京工程学院 | 一种基于语义分割和显著性分析的自动抠图方法 |
| CN111047548A (zh) * | 2020-03-12 | 2020-04-21 | 腾讯科技（深圳）有限公司 | 姿态变换数据处理方法、装置、计算机设备和存储介质 |
| CN111488854A (zh) * | 2020-04-23 | 2020-08-04 | 福建农林大学 | 一种道路交通标志自动识别与分类方法 |
| US20200250461A1 (en) * | 2018-01-30 | 2020-08-06 | Huawei Technologies Co., Ltd. | Target detection method, apparatus, and system |
-
2020
- 2020-11-27 CN CN202011357788.3A patent/CN112381840A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107153822A (zh) * | 2017-05-19 | 2017-09-12 | 北京航空航天大学 | 一种基于深度学习的半自动图像精标注方法 |
| US20200250461A1 (en) * | 2018-01-30 | 2020-08-06 | Huawei Technologies Co., Ltd. | Target detection method, apparatus, and system |
| CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
| CN110288041A (zh) * | 2019-07-01 | 2019-09-27 | 齐鲁工业大学 | 基于深度学习的中草药分类建模方法及系统 |
| CN110751655A (zh) * | 2019-09-16 | 2020-02-04 | 南京工程学院 | 一种基于语义分割和显著性分析的自动抠图方法 |
| CN111047548A (zh) * | 2020-03-12 | 2020-04-21 | 腾讯科技（深圳）有限公司 | 姿态变换数据处理方法、装置、计算机设备和存储介质 |
| CN111488854A (zh) * | 2020-04-23 | 2020-08-04 | 福建农林大学 | 一种道路交通标志自动识别与分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| LI, JIANQIANG等: "Vessel Recognition of Retinal Fundus Images Based on Fully Convolutional Network", 《IEEE 42ND ANNUAL COMPUTER SOFTWARE AND APPLICATIONS CONFERENCE (COMPSAC 2018)》, 1 January 2018 (2018-01-01), pages 413 - 418 * |
| 梅礼晔: "基于深度学习的图像融合和分割方法研究", 《中国优秀硕士学位论文全文数据库·信息科技辑》, no. 03, 15 March 2020 (2020-03-15), pages 1 - 66 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023273296A1 (zh) * | 2021-06-30 | 2023-01-05 | 平安科技（深圳）有限公司 | 车图像分割质量的评估方法、装置、设备及存储介质 |
| CN117437525A (zh) * | 2023-12-21 | 2024-01-23 | 南京三百云信息科技有限公司 | 用于环车视频的处理方法及处理系统 |
| CN117437525B (zh) * | 2023-12-21 | 2024-03-08 | 南京三百云信息科技有限公司 | 用于环车视频的处理方法及处理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670429B (zh) | 一种基于实例分割的监控视频多目标人脸检测方法及系统 | |
| CN108710865B (zh) | 一种基于神经网络的司机异常行为检测方法 | |
| Gonçalves et al. | Benchmark for license plate character segmentation | |
| CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
| CN111898523A (zh) | 一种基于迁移学习的遥感图像特种车辆目标检测方法 | |
| Dehghan et al. | View independent vehicle make, model and color recognition using convolutional neural network | |
| CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
| CN111639629B (zh) | 一种基于图像处理的猪只体重测量方法、装置及存储介质 | |
| CN109377494B (zh) | 一种用于图像的语义分割方法和装置 | |
| CN111563452A (zh) | 一种基于实例分割的多人体姿态检测及状态判别方法 | |
| CN112381840A (zh) | 一种用于定损视频中车辆外观部件标注的方法及系统 | |
| CN110135225B (zh) | 样本标注方法及计算机存储介质 | |
| CN110569856A (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
| WO2022213540A1 (zh) | 目标检测、属性识别与跟踪方法及系统 | |
| CN113781418A (zh) | 一种基于对比的地铁图像异常检测方法、系统及存储介质 | |
| CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
| CN111582344A (zh) | 一种加油站卸油口盖状态识别方法 | |
| Jain et al. | A hybrid approach for detection and recognition of traffic text sign using MSER and OCR | |
| CN111311601B (zh) | 一种拼接图像的分割方法及装置 | |
| CN117275025A (zh) | 一种用于批量图像标注的处理系统 | |
| CN112364687A (zh) | 一种基于改进的Faster R-CNN加油站静电标志识别方法及系统 | |
| CN111753618A (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
| CN108345895A (zh) | 广告图像识别方法以及广告图像识别系统 | |
| CN110633666A (zh) | 一种基于手指颜色贴片的手势轨迹识别方法 | |
| CN114495044A (zh) | 标牌识别方法、装置、计算机设备以及存储介质 |
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 |