CN113191364B - 车辆外观部件识别方法、装置、电子设备和介质 - Google Patents

车辆外观部件识别方法、装置、电子设备和介质 Download PDF

Info

Publication number
CN113191364B
CN113191364B CN202110510231.7A CN202110510231A CN113191364B CN 113191364 B CN113191364 B CN 113191364B CN 202110510231 A CN202110510231 A CN 202110510231A CN 113191364 B CN113191364 B CN 113191364B
Authority
CN
China
Prior art keywords
features
feature
cluster
component
segmentation
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
Application number
CN202110510231.7A
Other languages
English (en)
Other versions
CN113191364A (zh
Inventor
付晓
殷雨昕
马文伟
刘设伟
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.)
Taikang Insurance Group Co Ltd
Taikang Online Property Insurance Co Ltd
Original Assignee
Taikang Insurance Group Co Ltd
Taikang Online Property Insurance 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 Taikang Insurance Group Co Ltd, Taikang Online Property Insurance Co Ltd filed Critical Taikang Insurance Group Co Ltd
Priority to CN202110510231.7A priority Critical patent/CN113191364B/zh
Publication of CN113191364A publication Critical patent/CN113191364A/zh
Application granted granted Critical
Publication of CN113191364B publication Critical patent/CN113191364B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种车辆外观部件识别方法、装置、电子设备和介质，涉及图像识别技术领域。其中，车辆外观部件识别方法包括：提取车辆图像的深层特征和浅层特征；将所述浅层特征输入压缩和扩展处理模型，输出全局特征；基于多个空洞卷积对所述深层特征进行采样操作，生成语义分割特征；基于所述全局特征和所述语义分割特征生成融合特征；将所述融合特征输入分割结果预测模型，基于所述分割结果预测模型的输出结果识别所述车辆外观部件。通过本公开的技术方案，有利于改善由于拍摄角度或者拍摄距离较近导致车辆外观部件识别准确性较低的情况。

Description

车辆外观部件识别方法、装置、电子设备和介质
技术领域
本公开涉及图像识别技术领域，尤其涉及一种车辆外观部件识别方法、装置、电子设备和存储介质。
背景技术
在保险理赔业务中，针对划伤等理赔案件，为了提高定损和理赔效率，通过对现场事故图片中外观部件的识别，确定出线损伤的具体车辆部位，以进一步确定对应的损失类型。
相关技术中的图像分割模型对边缘明显的目标部件具有较好的识别结果，比如如果输入的车辆图像中全车面积占全图80％左右，则部件分割能获得不错的效果。但是如果图像的拍摄角度比较近，采集到的车辆图像占整车面积的比例较小，则会由于感受野不够大，以及上采样丢失过多图像浅层细节信息，导致识别结果出现较大偏差。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种车辆外观部件识别方法、装置、存储介质及电子设备，至少在一定程度上克服由于相关技术中车辆外观部件识别结果偏差较大的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种车辆外观部件识别方法，包括：提取车辆图像的深层特征和浅层特征；将所述浅层特征输入压缩和扩展处理模型，输出全局特征；基于多个空洞卷积对所述深层特征进行采样操作，生成语义分割特征；基于所述全局特征和所述语义分割特征生成融合特征；将所述融合特征输入分割结果预测模型，基于所述分割结果预测模型的输出结果识别所述车辆外观部件。
在一个实施例中，所述分割结果预测模型包括堆叠的两层第一反卷积网络，所述将所述融合特征输入分割结果预测模型，基于所述分割结果预测模型的输出结果识别所述车辆外观部件，具体包括：将所述融合特征输入所述堆叠的两层第一反卷积网络，输出部件分割图；基于聚类特征预测模型对所述全局特征进行上采样操作，生成与部件类型对应的聚类特征；基于所述聚类特征对所述部件分割图执行聚类矫正操作，基于所述聚类矫正操作的结果识别所述车辆外观部件。
在一个实施例中，所述基于聚类特征预测模型对所述全局特征进行上采样操作，生成与部件类型对应的聚类特征，具体包括：分别采用两层第二反卷积网络对所述全局特征进行上采样操作，基于所述上采样操作的操作结果，输出与所述部件类型对应的所述聚类特征。
在一个实施例中，所述基于所述聚类特征对所述部件分割图执行聚类矫正操作，基于所述聚类矫正操作的结果识别所述车辆外观部件，具体包括：计算所述部件分割图中每个像素点的多维特征，以基于所述多维特征确定所述像素点所属的所述部件类型；基于所述部件类型生成所述部件分割图的分割掩膜图；确定每类所述聚类特征的聚类中心，以计算两个所述聚类中心之间的欧式距离；在检测到具有所述欧式距离小于距离阈值的第一聚类中心和第二聚类中心时，计算属于第一聚类特征的像素点的第一概率均值，以及属于第二聚类特征的像素点的第二概率均值，所述第一聚类特征与所述第一聚类中心对应，所述第二聚类特征与所述第二聚类中心对应；在所述第一概率均值小于所述第二概率均值时，将所述第一聚类特征的部件类型调整为所述第二聚类特征的部件类型，在所述第一概率均值大于所述第二概率均值时，将所述第二聚类特征的部件类型调整为所述第一聚类特征的部件类型，并基于调整结果矫正所述分割掩膜图；基于矫正后的所述分割掩膜图识别所述车辆外观部件。
在一个实施例中，所述在基于聚类特征预测模型对所述全局特征进行上采样操作，生成与部件类型对应的聚类特征之前，还包括：对所述聚类特征预测模型进行模型训练，其中，在模型训练过程中，基于第一损失函数对所述聚类特征预测模型执行优化操作，所述第一损失函数包括基于类内距离生成的第一损失子函数和基于类间距离生成的第二损失子函数。
在一个实施例中，还包括：根据所述部件类型的数量，所述部件类型对应的所述聚类特征，任意像素点的多维特征和所述像素点所属的所述部件类型的聚类中心，生成所述第一损失子函数。
在一个实施例中，还包括：根据所述聚类特征的聚类中心，在模型训练过程中对所述部件类型预测正确的所述聚类特征，以及预测正确的所述聚类特征的数量，构造所述第二损失子函数。
在一个实施例中，所述在将所述融合特征输入分割结果预测模型，输出所述车辆图像中部件分割图之前，还包括：对所述分割结果预测模型进行模型训练，其中，基于第二损失函数对所述分割结果预测模型执行优化操作，所述第二损失函数基于多类别的focalloss生成，所述第一损失函数对应于第一权重，所述第二损失函数对应于第二权重。
在一个实施例中，所述基于所述全局特征和所述语义分割特征生成融合特征，具体包括：对所述语义分割特征进行上采样处理，以生成与所述语义分割特征具有相同图像通道数的语义放大特征；将所述全局特征和所述语义放大特征基于通道进行融合，生成所述融合特征。
在一个实施例中，所述提取车辆图像的深层特征和浅层特征，具体包括：对所述车辆图像进行剪裁操作，得到剪裁图像；根据特征提取模型从所述剪裁图像中提取浅层特征和深层特征；其中，所述特征提取模型以残差网络为主体生成。
在一个实施例中，所述将所述浅层特征输入压缩和扩展处理模型，输出全局特征，具体包括：对所述浅层特征进行全局平均池化压缩处理，生成一维特征向量；将所述一维特征向量进行压缩和扩展处理，生成与所述一维特征向量长度相同的扩展特征向量；将所述扩展特征向量与所述浅层特征基于通道进行相乘，得到所述全局特征。
在一个实施例中，所述多个空洞卷积包括三个不同尺寸的所述空洞卷积，所述基于多个空洞卷积对所述深层特征进行采样操作，生成语义分割特征，具体包括：将所述深层特征分别输入三个不同尺寸的所述空洞卷积中，以输出三种图像通道数不同的特征；将所述三种图像通道数不同的特征基于通道进行融合，生成所述语义分割特征。
根据本公开的第二方面，提供一种车辆外观部件识别装置，包括：提取模块，用于提取车辆图像的深层特征和浅层特征；处理模块，用于将所述浅层特征输入压缩和扩展处理模型，输出全局特征；采样模块，用于基于多个空洞卷积对所述深层特征进行采样操作，生成语义分割特征；融合模块，用于基于所述全局特征和所述语义分割特征生成融合特征；识别模块，用于将所述融合特征输入分割结果预测模型，基于所述分割结果预测模型的输出结果识别所述车辆外观部件。
根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；所述处理器配置为经由执行所述可执行指令来执行上述的车辆外观部件识别方法。
根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的车辆外观部件识别方法。
本公开的实施例所提供的车辆外观部件识别方法，使用车辆外观部件识别模型进行车辆外观部件的识别操作，车辆外观部件识别模型包括多个子模型，采用第一个特征提取模型，在从车辆图像中提取出浅层特征和深层特征后，通过使用SE_block处理图像浅层特征，可以有效地在保存图像浅层细节信息的同时，提取出更多的全局相关信息，基于浅层细节信息和全局相关信息得到的全局特征和语义分割特征进行融合，得到融合特征，并基于融合特征进行车辆外观部件的识别，有利于改善由于拍摄角度或者拍摄距离较近导致车辆外观部件识别准确性较低的情况。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开实施例中一种车辆外观部件识别系统结构的示意图；
图2示出本公开实施例中一种车辆外观部件识别方法流程图；
图3示出本公开实施例中另一种车辆外观部件识别方法流程图；
图4示出本公开实施例中再一种车辆外观部件识别方法流程图；
图5示出本公开实施例中又一种车辆外观部件识别方法流程图；
图6示出本公开实施例中又一种车辆外观部件识别方法流程图；
图7示出本公开实施例中又一种车辆外观部件识别方法流程图；
图8示出本公开实施例中车辆图像的示意图；
图9示出相关技术中模型分割结果预测模型输出的部件分割图；
图10示出本公开实施例中的模型分割结果预测模型输出的部件分割图；
图11示出本公开实施例中矫正后的所述分割掩膜示意图；
图12示出本公开实施例中一种车辆外观部件识别装置示意图；
图13示出本公开实施例中一种计算机设备的结构框图；和
图14示出本公开实施例中一种程序产品的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1是本申请一个示例性实施例提供的计算机系统的结构示意图。该系统包括：若干个终端120和服务器集群140。
终端120可以是手机、游戏主机、平板电脑、电子书阅读器、智能眼镜、MP4(MovingPicture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、智能家居设备、AR(Augmented Reality，增强现实)设备、VR(Virtual Reality，虚拟现实)设备等移动终端，或者，终端120也可以是个人计算机(Personal Computer，PC)，比如膝上型便携计算机和台式计算机等等。
其中，终端120中可以安装有用于提供车辆外观部件识别的应用程序。
终端120与服务器集群140之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
服务器集群140是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心。服务器集群140用于为提供车辆外观部件识别的应用程序提供后台服务。可选地，服务器集群140承担主要计算工作，终端120承担次要计算工作；或者，服务器集群140承担次要计算工作，终端120承担主要计算工作；或者，终端120和服务器集群140之间采用分布式计算架构进行协同计算。
在一些可选的实施例中，服务器集群140用于存储车辆外观部件识别信息。
在本申请中，服务器集群140还与区块链系统160相连，服务器集群140将车辆外观部件识别信息和/或交易记录存储在区块链系统中。在一些可选的实施例中，服务器集群140本身也可以作为区块链系统中的一个节点运行和存储数据。
可选的，在本申请实施例中，服务器集群140包括逻辑服务器142和区块链服务器144。其中，逻辑服务器142用于实现应用程序的逻辑控制，比如，进行车辆外观部件识别交易的请求处理、账号资源管理、界面内容管理等，区块链服务器144作为区块链系统160的一部分，用于实现各个车辆外观部件识别信息的存储。
需要说明的是，上述逻辑服务器142和区块链服务器144可以属于同一个计算机设备，或者，上述逻辑服务器142和区块链服务器144也可以分属于不同的计算机设备。
可选地，不同的终端120中安装的应用程序的客户端是相同的，或两个终端120上安装的应用程序的客户端是不同控制系统平台的同一类型应用程序的客户端。基于终端平台的不同，该应用程序的客户端的具体形态也可以不同，比如，该应用程序客户端可以是手机客户端、PC客户端或者全球广域网(World Wide Web，Web)客户端等。
本领域技术人员可以知晓，上述终端120的数量可以更多或更少。比如上述终端可以仅为一个，或者上述终端为几十个或几百个，或者更多数量。本申请实施例对终端的数量和设备类型不加以限定。
可选的，该系统还可以包括管理设备(图1未示出)，该管理设备与服务器集群140之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(ExtensibleMarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(InternetProtocolSecurity，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
下面，将结合附图及实施例对本示例实施方式中的车辆外观部件识别方法的各个步骤进行更详细的说明。
图2示出本公开实施例中一种车辆外观部件识别方法流程图。本公开实施例提供的方法可以由任意具备计算处理能力的电子设备执行，例如如图1中的终端120和/或服务器集群140。在下面的举例说明中，以服务器集群140为执行主体进行示例说明。
如图2所示，服务器集群140执行车辆外观部件识别方法，包括以下步骤：
步骤S202，提取车辆图像的深层特征和浅层特征。
其中，车辆图像可以是车辆的全车身图像，也可以是车辆的局部车身图像，深层特征指车辆图像中包括的语义信息，浅层特征指车辆图像中的几何细节信息。
车辆图像的具体尺寸为W×H×3。
步骤S204，将浅层特征输入压缩和扩展处理模型，输出全局特征。
其中，通过设置输入压缩和扩展处理模型，即SE_block模块处理图像的浅层特征，在保存图像浅层细节信息的同时，为浅层特征增加了更多的全局相关信息。
步骤S206，基于多个空洞卷积对深层特征进行采样操作，生成语义分割特征。
将图像深层特征输入堆叠空洞卷积的模型中得到语义分割特征，实现特征感受野的扩大与提炼。
步骤S208，基于全局特征和语义分割特征生成融合特征。
步骤S210，将融合特征输入分割结果预测模型，基于分割结果预测模型的输出结果识别车辆外观部件。
在该实施例中，使用车辆外观部件识别模型进行车辆外观部件的识别操作，车辆外观部件识别模型包括多个子模型，采用第一个特征提取模型，在从车辆图像中提取出浅层特征和深层特征后，通过使用SE_block处理图像浅层特征，可以有效地在保存图像浅层细节信息的同时，提取出更多的全局相关信息，基于浅层细节信息和全局相关信息得到的全局特征和语义分割特征进行融合，得到融合特征，并基于融合特征进行车辆外观部件的识别，有利于改善由于拍摄角度或者拍摄距离较近导致车辆外观部件识别准确性较低的情况。
进一步地，在保险理赔业务中，针对划伤等理赔案件，为了提高定损和理赔效率，通过将现场事故图片输入本公开中的车辆外观部件识别模型，输出外观部件的识别结果，确定出线损伤的具体车辆部位，实现对车辆图像中外观部件的准确分割与识别，以进一步确定对应的损失类型，进而提升理赔效率。
如图3所示，在一个实施例中，所述分割结果预测模型包括堆叠的两层第一反卷积网络，步骤S210，将融合特征输入分割结果预测模型，基于分割结果预测模型的输出结果识别车辆外观部件的一种具体实现方式，包括：
步骤S302，将融合特征输入堆叠的两层第一反卷积网络，输出部件分割图。
其中，图像浅层特征中包含丰富的图像几何细节信息，而深层特征又包含鲁棒的语义信息，然后通过将包括图像几何细节信息的全局特征和包括语义信息的语义分割特征进行通道融合并输入堆叠的2层反卷积网络，输出尺寸为W×H×K的图像的部件分割图，其中K表示部件类型的数量。
步骤S304，基于聚类特征预测模型对全局特征进行上采样操作，生成与部件类型对应的聚类特征。
步骤S306，基于聚类特征对部件分割图执行聚类矫正操作，基于聚类矫正操作的结果识别车辆外观部件。
在该实施例中，通过设置聚类特征预测模型，使聚类特征预测模型是输出聚类特征，聚类特征用于在原本的图像分割主体结构中，基于增强的图像细节信息对分割结果进行重新聚类矫正，进而使车辆部件分割结果预测模型对车辆图像的拍摄距离与拍摄角度具备高鲁棒性与识别准确率，能够快速推广到车险业务的智能识别项目中。
在一个实施例中，基于聚类特征预测模型对全局特征进行上采样操作，生成与部件类型对应的聚类特征，具体包括：分别采用两层第二反卷积网络对全局特征进行上采样操作，基于上采样操作的操作结果，输出与部件类型对应的聚类特征。
在该实施例中，通过搭建2层反卷积网络生成聚类特征预测模型，每层网络都会对全局特征feat_shallow进行一次上采样，以使聚类特征预测模型输出尺寸W×H×F的聚类特征，其中F标识该聚类特征中对应原输入图像的每个像素点位置的一维聚类特征长度，通过获取聚类特征，改善相关技术中丢失过多图像浅层细节信息的缺陷。
如图4所示，在一个实施例中，步骤S306，基于聚类特征对部件分割图执行聚类矫正操作，基于聚类矫正操作的结果识别车辆外观部件的一种具体实现方式，包括：
步骤S402，计算部件分割图中每个像素点的多维特征，以基于多维特征确定像素点所属的部件类型。
步骤S404，基于部件类型生成部件分割图的分割掩膜图。
步骤S406，确定每类聚类特征的聚类中心，以计算两个聚类中心之间的欧式距离。
步骤S408，在检测到具有欧式距离小于距离阈值的第一聚类中心和第二聚类中心时，计算属于第一聚类特征的像素点的第一概率均值，以及属于第二聚类特征的像素点的第二概率均值，第一聚类特征与第一聚类中心对应，第二聚类特征与第二聚类中心对应。
步骤S410，在第一概率均值小于第二概率均值时，将第一聚类特征的部件类型调整为第二聚类特征的部件类型，在第一概率均值大于第二概率均值时，将第二聚类特征的部件类型调整为第一聚类特征的部件类型，并基于调整结果矫正分割掩膜图。
步骤S412，基于矫正后的分割掩膜图识别车辆外观部件。
其中，由于基于部件类型生成的部件分割图的分割掩膜图Mask(数值图)有可能预测错误，由上可知，聚类特征预测模型输出尺寸W×H×F的聚类特征，以车门为例，确定车门的100像素位置点，并记录所有车门位置的聚类特征，在聚类特征上对应位置的F维特征取出，计算均值，得到1XF的、所有属于车门的特征。
进一步地，计算两个聚类中心之间的距离，并与距离阈值比较，如果距离较小，则表明部件类型存在误判，即两个聚类中心应该属于同一类别。
再进一步地，通过计算两个类型的像素点的平均概率，平均概率比较小的那个表明存在聚类错误，应该属于另一聚类，进而进行聚类矫正。
在该实施例中，将待测图像输入到本部件分割结果预测模型后，网络会输出部件分割图Prob和聚类特征Feat。首先根据部件分割图Prob中每个像素点位置处多个类别的概率值情况，计算得到最终的分割掩膜图Mask。然后根据分割图中部件类型，分别计算每个类别的聚类特征中心和每个类别像素点在部件分割图Prob上的概率均值。最后计算聚类中心两两的欧式距离，若某两个聚类中心距离小于特定阈值，则将概率均值较低的类别像素点标签转换为概率均值较高的部件类型，实现基于聚类特征的分割结果的矫正操作，进而提升车辆外观部件识别的准确性。
本领域的技术人员能够理解的是，在使用车辆外观部件识别模型进行车辆外观部件的识别操作之前，需要对车辆外观部件识别模型进行训练操作，在模型训练过程中，主要对聚类特征预测模型的损失函数和分割结果预测模型的损失函数进行描述，损失函数用于模型的监督学习，通过调整模型参数实现模型的优化，进而实现车辆外观部件识别模型的优化。
如图5所示，在一个实施例中，在基于聚类特征预测模型对全局特征进行上采样操作，生成与部件类型对应的聚类特征之前，还包括：
步骤S502，对聚类特征预测模型进行模型训练。
步骤S504，根据部件类型的数量，部件类型对应的聚类特征，任意像素点的多维特征和像素点所属的部件类型的聚类中心，生成第一损失子函数。
步骤S506，根据聚类特征的聚类中心，在模型训练过程中对部件类型预测正确的聚类特征，以及预测正确的聚类特征的数量，构造第二损失子函数。
步骤S508，基于第一损失函数对聚类特征预测模型执行优化操作，第一损失函数包括基于类内距离生成的第一损失子函数和基于类间距离生成的第二损失子函数。
步骤S510，对分割结果预测模型进行模型训练。
步骤S512，基于第二损失函数对分割结果预测模型执行优化操作，其中，第二损失函数基于多类别的focal loss生成，第一损失函数对应于第一权重，第二损失函数对应于第二权重。
具体地，车辆外观部件识别模型的训练损失函数整体表达形式如公式(1)所示。
L＝λ1Lcls+λ2Lfeat (1)
车辆外观部件识别模型的整体损失由分割结果预测模型分支的分类损失Lcls和聚类特征预测模型分支的聚类损失Lfeat组成，λ1和λ2分别表示两个损失函数的权重。
其中，第二损失函数使用的分类损失为多类别的Focal_loss。
第一损失函数，即聚类损失则为特征的类内距离的第一损失子函数与类间距离的第二损失子函数组成Lfeat＝Lagg+Ldis，其中的第二损失子函数，即类间距离计算方式公式(2)：
其中D(CKi,CKj)代表第i类与第j类聚类中心特征的欧式距离，表示第i类部件聚类特征的聚类中心，式中/>表示Ki中部件类型预测正确的聚类特征，M表示/>中聚类特征的总个数。
记模型输出的分割结果为部件分割图Prob，该结果维度是W×H×K，则根据部件分割图Prob中每个像素点位置处的K维数据，计算该像素点最大概率属于哪一类，得到最终的分割掩膜图Mask。计算时，遍历Ki所在的每个像素点，若该像素点在Mask与实际标签分割图Label上的取值相同，则归入/>中。类内损失计算方式如公式(3)所示。
其中，N表示预测结果中包含的部件类型数量，Ki代表网络预测出的第i类部件的全部聚类特征，p为第i类部件分割结果中某个像素位置的聚类特征。
本公开提出的部件聚类损失函数，即第一损失函数，可以针对不同部件语义特征进行区分，缓解图像分割结果中同一部件分割结果分散的情况，为模型输出的分割结果提供纠正作用。
如图6所示，在一个实施例中，步骤S202，提取车辆图像的深层特征和浅层特征的一种具体实现方式，包括：
步骤S602，对车辆图像进行剪裁操作，得到剪裁图像。
步骤S604，根据特征提取模型从剪裁图像中提取浅层特征和深层特征。
其中，特征提取模型以残差网络为主体生成。
具体地，通过搭建以ResNet50网络结构为主体的骨干网络，去除其结构中的全连接网络层。输入尺寸为W×H×3车辆图像时，首先对输入图像进行裁剪，然后利用骨干网络处理计算裁剪图，取网络结构中block_1层的输出特征记为图像的浅层特征，取网络结构中block_4层的输出特征记为图像的深层特征。
如图6所示，在一个实施例中，步骤S204，将浅层特征输入压缩和扩展处理模型，输出全局特征的一种具体实现方式，包括：
步骤S606，对浅层特征进行全局平均池化压缩处理，生成一维特征向量。
步骤S608，将一维特征向量进行压缩和扩展处理，生成与一维特征向量长度相同的扩展特征向量。
步骤S610，将扩展特征向量与浅层特征基于通道进行相乘，得到全局特征。
具体地，搭建由2层卷积神经网络和一个全局平均池化层组成的SE_block模块，图像浅层特征首先经过全局平均池化层压缩全局信息为一个像素位置，使浅层特征由尺寸W/4×H/4×C压缩为1×C。然后利用2个卷积网络分别压缩和扩展特征的维度C，使特征中每个维度都尽可能多地包含其他维度的特征信息，经过SE_block处理后特征的维度仍然为1×C。最后将该处理后的1×C维特征与W/4×H/4×C维的原始浅层特征按通道相乘，得到处理后的全局特征feat_shallow，使浅层特征具有了具有全局权重信息。
如图6所示，在一个实施例中，多个空洞卷积包括三个不同尺寸的空洞卷积，步骤S206，基于多个空洞卷积对深层特征进行采样操作，生成语义分割特征的一种具体实现方式，包括：
步骤S612，将深层特征分别输入三个不同尺寸的空洞卷积中，以输出三种图像通道数不同的特征。
步骤S614，将三种图像通道数不同的特征基于通道进行融合，生成语义分割特征。
在该实施例中，通过搭建由3种不同尺寸空洞卷积组成的ASPP(atrous spatialpyramid pooling，空洞空间卷积池化金字塔)结构模块，将骨干网络中输出的深层特征输入ASPP模块得到尺寸W/32×H/32×C1、W/32×H/32×C2和W/32×H/32×C3的特征后，按特征通道进行融合得到维度是W/32×H/32×(C1+C2+C3)的提炼特征，即语义分割特征语义分割特征feat_deep。
如图6所示，在一个实施例中，步骤S208，基于全局特征和语义分割特征生成融合特征的一种具体实现方式，包括：
步骤S616，对语义分割特征进行上采样处理，以生成与语义分割特征具有相同图像通道数的语义放大特征。
其中，预测部件分割结果时先对语义分割特征feat_deep进行上采样至W/4×H/4×(C1+C2+C3)。
步骤S618，将全局特征和语义放大特征基于通道进行融合，生成融合特征。
步骤S620，将融合特征输入堆叠的两层第一反卷积网络，输出部件分割图。
步骤S622，基于聚类特征预测模型对全局特征进行上采样操作，生成与部件类型对应的聚类特征。
步骤S624，基于聚类特征对部件分割图执行聚类矫正操作，基于聚类矫正操作的结果识别车辆外观部件。
下面结合图7至图11，对本公开的车辆外观部件识别进行整体化的进一步描述。
如图7所示，本公开的车辆外观部件识别模型具体包括特征提取模型704、压缩和扩展处理模型706、空洞空间卷积池化金字塔模型708、融合模块710、分割结果预测模型712、聚类特征预测模型714以及聚类矫正模块716。
具体地，将车辆图像702输入特征提取模型704，分别得到浅层特征和深层特征。
具体地，利用ResNet50结构搭建车辆外观部件识别模型的特征提取模块，利用该模块分别提取车辆图像的浅层特征与深层特征。
将浅层特征输入压缩和扩展处理模型706，得到全局特征。
具体地，搭建由2层卷积神经网络组成的压缩和扩展处理模型706，即SE_block模块，并将图像浅层特征输入SE_block中增强特征的全局信息得到全局特征feat_shallow。
将深层特征输入空洞空间卷积池化金字塔模型708，得到语义分割特征。
将图像深层特征输入堆叠空洞卷积的ASPP结构模块，即空洞空间卷积池化金字塔模型708，得到语义分割特征feat_deep，进行特征感受野的扩大与提炼。
将全局特征和语义分割特征输入融合模块710，进行融合，得到融合特征。
将融合特征输入分割结果预测模型712，输出部件分割图。
将全局特征输入聚类特征预测模型714，输出聚类特征。
具体地，将全局特征输入堆叠2层的反卷积网络，模型输出图像中每个像素点的聚类特征，利用特定的部件聚类损失函数作为本网络分支的损失函数，用于模型的监督学习调整参数。
将部件分割图和聚类特征输入聚类矫正模块716，得到识别结果718。
具体地，将语义分割特征feat_deep与全局特征feat_shallow按通道融合之后输入交互堆叠2层的反卷积网络与上采样层，输出图像中每个像素点的分割结果图，利用focal_loss作为本网络分支的损失函数，用于模型的监督学习调整参数。
其中，将图8所示的车辆图像输入车辆外观部件识别模型，图8中的802示出的车辆外观部件为车门，图9为相关技术中的模型分割结果预测模型输出的部件分割图，图9中的902示出了与802对应位置的部件分割结果，图10为本公开中的模型分割结果预测模型输出的部件分割图，图10中的1002示出了与802对应位置的部件分割结果，通过图10和图9进行比较可知，添加了聚类损失训练图像分割结果预测模型，可以促使网络学习到同一类别的相似度信息，进一步地，基于聚类特征进行分割结果的矫正，得到如图11所示的分割结果，如图11中的1102所示，基于聚类特征进行聚类矫正后，属于车门的大部分像素点具有相同的聚类特征，使分类结果更准确。而为了解决仍然存在的像素点分类错误情况，还需要利用聚类特征特性对分割结果进行后处理，得到最佳的分割结果图。
需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下面参照图12来描述根据本发明的实施方式的车辆外观部件识别装置1200。图12所示的车辆外观部件识别装置1200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
车辆外观部件识别装置1200以硬件模块的形式表现。车辆外观部件识别装置1200的组件可以包括但不限于：提取模块1202，用于提取车辆图像的深层特征和浅层特征；处理模块1204，用于将浅层特征输入压缩和扩展处理模型，输出全局特征；采样模块1206，用于基于多个空洞卷积对深层特征进行采样操作，生成语义分割特征；融合模块1208，用于基于全局特征和语义分割特征生成融合特征；识别模块1210，用于将融合特征输入分割结果预测模型，基于分割结果预测模型的输出结果识别车辆外观部件。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图13来描述根据本发明的这种实施方式的电子设备1300。图13显示的电子设备1300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图13所示，电子设备1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于：上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同系统组件(包括存储单元1320和处理单元1310)的总线1330。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1310执行，使得所述处理单元1310执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1310可以执行如图2中所示的步骤S202，提取车辆图像的深层特征和浅层特征；步骤S204，将浅层特征输入压缩和扩展处理模型，输出全局特征；步骤S206，基于多个空洞卷积对深层特征进行采样操作，生成语义分割特征；步骤S208，基于全局特征和语义分割特征生成融合特征；步骤S210，将融合特征输入分割结果预测模型，基于分割结果预测模型的输出结果识别车辆外观部件。
存储单元1320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)13201和/或高速缓存存储单元13202，还可以进一步包括只读存储单元(ROM)13203。
存储单元1320还可以包括具有一组(至少一个)程序模块13205的程序/实用工具13204，这样的程序模块13205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1300也可以与一个或多个外部设备1370(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1300交互的设备通信，和/或与使得该电子设备1300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1350进行。并且，电子设备1300还可以通过网络适配器1360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1360通过总线1330与电子设备1300的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (11)

1.一种车辆外观部件识别方法，其特征在于，包括：
提取车辆图像的深层特征和浅层特征，其中，所述深层特征包括所述车辆图像中的语义信息，所述浅层特征包括所述车辆图像中的几何细节信息；
将所述浅层特征输入压缩和扩展处理模型，输出全局特征；
基于多个空洞卷积对所述深层特征进行采样操作，生成语义分割特征；
基于所述全局特征和所述语义分割特征生成融合特征；
将所述融合特征输入分割结果预测模型，基于所述分割结果预测模型的输出结果识别所述车辆外观部件，包括：所述分割结果预测模型包括堆叠的两层第一反卷积网络，将所述融合特征输入所述堆叠的两层第一反卷积网络，输出部件分割图；基于聚类特征预测模型对所述全局特征进行上采样操作，生成与部件类型对应的聚类特征；基于所述聚类特征对所述部件分割图执行聚类矫正操作，基于所述聚类矫正操作的结果识别所述车辆外观部件，具体包括：确定每类所述部件类型的所述聚类特征的聚类中心，以计算两个所述聚类中心之间的欧式距离，对所述欧式距离小于距离阈值的两个所述聚类中心，将对应的所述部件类型矫正为同一类别，以基于所述聚类矫正操作的结果识别所述车辆外观部件。
2.根据权利要求1所述的车辆外观部件识别方法，其特征在于，所述基于聚类特征预测模型对所述全局特征进行上采样操作，生成与部件类型对应的聚类特征，具体包括：
分别采用两层第二反卷积网络对所述全局特征进行上采样操作，基于所述上采样操作的操作结果，输出与所述部件类型对应的所述聚类特征。
3.根据权利要求1所述的车辆外观部件识别方法，其特征在于，所述基于所述聚类特征对所述部件分割图执行聚类矫正操作，基于所述聚类矫正操作的结果识别所述车辆外观部件，具体包括：
计算所述部件分割图中每个像素点的多维特征，以基于所述多维特征确定所述像素点所属的所述部件类型；
基于所述部件类型生成所述部件分割图的分割掩膜图；
在检测到具有所述欧式距离小于距离阈值的第一聚类中心和第二聚类中心时，计算属于第一聚类特征的像素点的第一概率均值，以及属于第二聚类特征的像素点的第二概率均值，所述第一聚类特征与所述第一聚类中心对应，所述第二聚类特征与所述第二聚类中心对应；
在所述第一概率均值小于所述第二概率均值时，将所述第一聚类特征的部件类型调整为所述第二聚类特征的部件类型，在所述第一概率均值大于所述第二概率均值时，将所述第二聚类特征的部件类型调整为所述第一聚类特征的部件类型，并基于调整结果矫正所述分割掩膜图；
基于矫正后的所述分割掩膜图识别所述车辆外观部件。
4.根据权利要求1所述的车辆外观部件识别方法，其特征在于，在基于聚类特征预测模型对所述全局特征进行上采样操作，生成与部件类型对应的聚类特征之前，还包括：
对所述聚类特征预测模型进行模型训练，
其中，在模型训练过程中，基于第一损失函数对所述聚类特征预测模型执行优化操作，所述第一损失函数包括基于类内距离生成的第一损失子函数和基于类间距离生成的第二损失子函数。
5.根据权利要求4所述的车辆外观部件识别方法，其特征在于，还包括：
根据所述部件类型的数量，所述部件类型对应的所述聚类特征，任意像素点的多维特征和所述像素点所属的所述部件类型的聚类中心，生成所述第一损失子函数，
根据所述聚类特征的聚类中心，在模型训练过程中对所述部件类型预测正确的所述聚类特征，以及预测正确的所述聚类特征的数量，构造所述第二损失子函数。
6.根据权利要求1所述的车辆外观部件识别方法，其特征在于，所述基于所述全局特征和所述语义分割特征生成融合特征，具体包括：
对所述语义分割特征进行上采样处理，以生成与所述语义分割特征具有相同图像通道数的语义放大特征；
将所述全局特征和所述语义放大特征基于通道进行融合，生成所述融合特征。
7.根据权利要求1至6中任一项所述的车辆外观部件识别方法，其特征在于，所述将所述浅层特征输入压缩和扩展处理模型，输出全局特征，具体包括：
对所述浅层特征进行全局平均池化压缩处理，生成一维特征向量；
将所述一维特征向量进行压缩和扩展处理，生成与所述一维特征向量长度相同的扩展特征向量；
将所述扩展特征向量与所述浅层特征基于通道进行相乘，得到所述全局特征。
8.根据权利要求1至6中任一项所述的车辆外观部件识别方法，其特征在于，所述多个空洞卷积包括三个不同尺寸的所述空洞卷积，所述基于多个空洞卷积对所述深层特征进行采样操作，生成语义分割特征，具体包括：
将所述深层特征分别输入三个不同尺寸的所述空洞卷积中，以输出三种图像通道数不同的特征；
将所述三种图像通道数不同的特征基于通道进行融合，生成所述语义分割特征。
9.一种车辆外观部件识别装置，其特征在于，包括：
提取模块，用于提取车辆图像的深层特征和浅层特征，其中，所述深层特征包括所述车辆图像中的语义信息，所述浅层特征包括所述车辆图像中的几何细节信息；
处理模块，用于将所述浅层特征输入压缩和扩展处理模型，输出全局特征；
采样模块，用于基于多个空洞卷积对所述深层特征进行采样操作，生成语义分割特征；
融合模块，用于基于所述全局特征和所述语义分割特征生成融合特征；
识别模块，用于将所述融合特征输入分割结果预测模型，基于所述分割结果预测模型的输出结果识别所述车辆外观部件，包括：所述分割结果预测模型包括堆叠的两层第一反卷积网络，将所述融合特征输入所述堆叠的两层第一反卷积网络，输出部件分割图；基于聚类特征预测模型对所述全局特征进行上采样操作，生成与部件类型对应的聚类特征；基于所述聚类特征对所述部件分割图执行聚类矫正操作，基于所述聚类矫正操作的结果识别所述车辆外观部件，具体包括：计算所述部件分割图中每个像素点的多维特征，以基于所述多维特征确定所述像素点所属的所述部件类型；确定每类所述部件类型的所述聚类特征的聚类中心，以计算两个所述聚类中心之间的欧式距离，对所述欧式距离小于距离阈值的两个所述聚类中心，将对应的所述部件类型矫正为同一类别，以基于所述聚类矫正操作的结果识别所述车辆外观部件。
10. 一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求 1～8中任意一项所述车辆外观部件识别方法。
11.一种计算机可读存储介质，其上存储有计算机程序，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中任意一项所述的车辆外观部件识别方法。
CN202110510231.7A 2021-05-11 2021-05-11 车辆外观部件识别方法、装置、电子设备和介质 Active CN113191364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110510231.7A CN113191364B (zh) 2021-05-11 2021-05-11 车辆外观部件识别方法、装置、电子设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110510231.7A CN113191364B (zh) 2021-05-11 2021-05-11 车辆外观部件识别方法、装置、电子设备和介质

Publications (2)

Publication Number Publication Date
CN113191364A CN113191364A (zh) 2021-07-30
CN113191364B true CN113191364B (zh) 2023-12-22

Family

ID=76981130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110510231.7A Active CN113191364B (zh) 2021-05-11 2021-05-11 车辆外观部件识别方法、装置、电子设备和介质

Country Status (1)

Country Link
CN (1) CN113191364B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117789153B (zh) * 2024-02-26 2024-05-03 浙江驿公里智能科技有限公司 基于计算机视觉的汽车油箱外盖定位系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163449A (zh) * 2020-08-21 2021-01-01 同济大学 一种轻量化的多分支特征跨层融合图像语义分割方法
CN112733919A (zh) * 2020-12-31 2021-04-30 山东师范大学 基于空洞卷积和多尺度多分支的图像语义分割方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8233712B2 (en) * 2006-07-28 2012-07-31 University Of New Brunswick Methods of segmenting a digital image

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163449A (zh) * 2020-08-21 2021-01-01 同济大学 一种轻量化的多分支特征跨层融合图像语义分割方法
CN112733919A (zh) * 2020-12-31 2021-04-30 山东师范大学 基于空洞卷积和多尺度多分支的图像语义分割方法及系统

Also Published As

Publication number Publication date
CN113191364A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN109858555B (zh) 基于图像的数据处理方法、装置、设备及可读存储介质
EP3940591A1 (en) Image generating method, neural network compression method, and related apparatus and device
CN109101602B (zh) 图像检索模型训练方法、图像检索方法、设备及存储介质
CN110163205B (zh) 图像处理方法、装置、介质和计算设备
WO2022105117A1 (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
US20230021551A1 (en) Using training images and scaled training images to train an image segmentation model
CN112926551A (zh) 目标检测方法、装置、电子设备和存储介质
CN110717405B (zh) 人脸特征点定位方法、装置、介质及电子设备
CN114241411B (zh) 基于目标检测的计数模型处理方法、装置及计算机设备
CN114943937A (zh) 行人重识别方法、装置、存储介质及电子设备
CN111898544A (zh) 文字图像匹配方法、装置和设备及计算机存储介质
CN113191364B (zh) 车辆外观部件识别方法、装置、电子设备和介质
CN113239799B (zh) 训练方法、识别方法、装置、电子设备和可读存储介质
WO2024131630A1 (zh) 车牌识别方法、装置、电子设备及存储介质
CN114529750A (zh) 图像分类方法、装置、设备及存储介质
CN113988223A (zh) 证件图像识别方法、装置、计算机设备及存储介质
CN114332993A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN117746015A (zh) 小目标检测模型训练方法、小目标检测方法及相关设备
CN116543333A (zh) 电力系统的目标识别方法、训练方法、装置、设备和介质
US20220237884A1 (en) Keypoint based action localization
CN113139490B (zh) 一种图像特征匹配方法、装置、计算机设备及存储介质
CN112801960B (zh) 图像处理方法及装置、存储介质、电子设备
CN113971830A (zh) 一种人脸识别方法、装置、存储介质及电子设备
CN111062479B (zh) 基于神经网络的模型快速升级方法及装置
CN112966150A (zh) 一种视频内容抽取的方法、装置、计算机设备及存储介质

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
GR01 Patent grant
GR01 Patent grant