CN113409382A - 车辆损伤区域的测量方法和装置 - Google Patents

车辆损伤区域的测量方法和装置 Download PDF

Info

Publication number
CN113409382A
CN113409382A CN202110724539.1A CN202110724539A CN113409382A CN 113409382 A CN113409382 A CN 113409382A CN 202110724539 A CN202110724539 A CN 202110724539A CN 113409382 A CN113409382 A CN 113409382A
Authority
CN
China
Prior art keywords
image
processed
key points
position information
area
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
CN202110724539.1A
Other languages
English (en)
Other versions
CN113409382B (zh
Inventor
钟永沣
谭啸
周峰
孙昊
丁二锐
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.)
Baidu Online Network Technology Beijing Co Ltd
Original Assignee
Baidu Online Network Technology Beijing 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 Baidu Online Network Technology Beijing Co Ltd filed Critical Baidu Online Network Technology Beijing Co Ltd
Priority to CN202110724539.1A priority Critical patent/CN113409382B/zh
Publication of CN113409382A publication Critical patent/CN113409382A/zh
Application granted granted Critical
Publication of CN113409382B publication Critical patent/CN113409382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Multimedia (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种车辆损伤区域的测量方法和装置，涉及人工智能领域，尤其涉及计算机视觉和深度学习技术，应用于车辆定损场景中。其中，方法包括：获取车辆的待处理图像；根据待处理图像获得待处理图像中车辆的损伤区域；根据待处理图像获得待处理图像包括的关键点在待处理图像中的第一位置信息；根据待处理图像包括的关键点和第一位置信息，确定待处理图像与第一拟合平面之间的变换关系；根据变换关系获得损伤区域在第一拟合平面中的投影区域；对投影区域进行测量，获得测量结果。通过在车辆局部外表面拟合的平面中获得损伤区域对应的投影区域，测量投影区域可以获得损伤区域的定量值，提升了损伤区域的定损精度和效率。

Description

车辆损伤区域的测量方法和装置
技术领域
本发明涉及人工智能领域中的计算机视觉和深度学习技术，尤其涉及一种车辆损伤区域的测量方法和装置。
背景技术
近年来，随着机动车辆保有量的增加，由于交通事故等原因造成机动车辆发生损伤的数量一直处于高位。在机动车辆发生损伤后，常常需要对车辆的损伤区域进行测量，以作为保险公司理赔的依据。
目前，对于车辆损伤区域的定损，通常是查勘人员在车辆事故现场进行现场查勘判断。
由于查勘人员需要到现场作业，人工成本高、作业流程时间长、容易造成交通拥堵。而且，通过人工方式现场定损，通常只是定性的判定损伤区域，导致车辆定损的处理效率和准确性较低。
发明内容
本发明提供一种车辆损伤区域的测量方法和装置，提升了损伤区域的定损精度和效率。
第一方面，本发明提供一种辆损伤区域的测量方法，包括：
获取车辆的待处理图像；
根据所述待处理图像获得所述待处理图像中所述车辆的损伤区域；
根据所述待处理图像获得所述待处理图像包括的关键点在所述待处理图像中的第一位置信息；其中，所述关键点为所述车辆的3D模型上预设位置处设置的点；
根据所述待处理图像包括的关键点和所述第一位置信息，确定所述待处理图像与第一拟合平面之间的变换关系；其中，所述第一拟合平面为根据所述3D模型上所述待处理图像包括的关键点确定的拟合平面；
根据所述变换关系获得所述损伤区域在所述第一拟合平面中的投影区域；
对所述投影区域进行测量，获得测量结果。
可选的，所述根据所述待处理图像包括的关键点和所述第一位置信息，确定所述待处理图像与第一拟合平面之间的变换关系，包括：
根据所述待处理图像包括的关键点确定所述第一拟合平面；
获取所述待处理图像包括的关键点在所述第一拟合平面中的第二位置信息；
根据所述第一位置信息和所述第二位置信息，确定所述待处理图像与所述第一拟合平面之间的变换关系。
可选的，所述根据所述待处理图像包括的关键点确定所述第一拟合平面，包括：
获取所述3D模型的多个标准拟合平面，所述标准拟合平面为根据所述3D模型上的至少三个预设关键点确定的拟合平面；
根据所述待处理图像包括的关键点在所述多个标准拟合平面中确定所述第一拟合平面。
可选的，所述获取所述3D模型的多个标准拟合平面，包括：
获取所述3D模型上多个预设关键点的三维坐标；
根据所述多个预设关键点的三维坐标，获得所述多个预设关键点之间的距离；
根据所述距离获得至少一个关键点组；所述关键点组包括至少三个预设关键点，所述至少一个关键点组的并集包括所述3D模型上的所有预设关键点；
对于每个所述关键点组，若该关键点组包括的预设关键点共面，则对该关键点组包括的预设关键点拟合获得标准拟合平面。
可选的，所述根据所述待处理图像包括的关键点在所述多个标准拟合平面中确定所述第一拟合平面，包括：
根据所述待处理图像包括的关键点的标识和每个所述标准拟合平面包括的预设关键点的标识，确定所述第一拟合平面。
可选的，所述根据所述变换关系获得所述损伤区域在所述第一拟合平面中的投影区域，包括：
获取所述损伤区域的轮廓点和所述轮廓点在所述待处理图像中的第三位置信息；
根据所述第三位置信息和所述变换关系，获得所述轮廓点在所述第一拟合平面中的第四位置信息；
根据所述第四位置信息确定所述投影区域。
可选的，所述根据所述待处理图像获得所述待处理图像中所述车辆的损伤区域，包括：
将所述待处理图像输入第一神经网络模型，获得所述损伤区域；所述第一神经网络模型用于获取图像中车辆的损伤区域。
可选的，所述根据所述待处理图像获得所述待处理图像包括的关键点在所述待处理图像中的第一位置信息，包括：
在所述待处理图像中标定关键点；
将标定关键点后的待处理图像输入第二神经网络模型，获得所述关键点在所述待处理图像中的第一位置信息；所述第二神经网络模型用于获取关键点在图像中的位置信息。
可选的，所述测量结果包括所述损伤区域的长度、宽度和面积中的至少一种；
其中，所述损伤区域的长度为所述投影区域的最小外接矩形的长度；
所述损伤区域的宽度为所述投影区域的最小外接矩形的宽度；
所述损伤区域的面积为所述投影区域的面积。
第二方面，本发明提供一种车辆损伤区域的测量装置，包括：
图像获取模块，用于获取车辆的待处理图像；
第一区域确定模块，用于根据所述待处理图像获得所述待处理图像中所述车辆的损伤区域；
位置获取模块，用于根据所述待处理图像获得所述待处理图像包括的关键点在所述待处理图像中的第一位置信息；其中，所述关键点为所述车辆的3D模型上预设位置处设置的点；
关系获取模块，用于根据所述待处理图像包括的关键点和所述第一位置信息，确定所述待处理图像与第一拟合平面之间的变换关系；其中，所述第一拟合平面为根据所述3D模型上所述待处理图像包括的关键点确定的拟合平面；
第二区域确定模块，用于根据所述变换关系获得所述损伤区域在所述第一拟合平面中的投影区域；
测量模块，用于对所述投影区域进行测量，获得测量结果。
可选的，所述关系获取模块具体用于：
根据所述待处理图像包括的关键点确定所述第一拟合平面；
获取所述待处理图像包括的关键点在所述第一拟合平面中的第二位置信息；
根据所述第一位置信息和所述第二位置信息，确定所述待处理图像与所述第一拟合平面之间的变换关系。
可选的，所述关系获取模块具体用于：
获取所述3D模型的多个标准拟合平面，所述标准拟合平面为根据所述3D模型上的至少三个预设关键点确定的拟合平面；
根据所述待处理图像包括的关键点在所述多个标准拟合平面中确定所述第一拟合平面。
可选的，所述关系获取模块具体用于：
获取所述3D模型上多个预设关键点的三维坐标；
根据所述多个预设关键点的三维坐标，获得所述多个预设关键点之间的距离；
根据所述距离获得至少一个关键点组；所述关键点组包括至少三个预设关键点，所述至少一个关键点组的并集包括所述3D模型上的所有预设关键点；
对于每个所述关键点组，若该关键点组包括的预设关键点共面，则对该关键点组包括的预设关键点拟合获得标准拟合平面。
可选的，所述关系获取模块具体用于：
根据所述待处理图像包括的关键点的标识和每个所述标准拟合平面包括的预设关键点的标识，确定所述第一拟合平面。
可选的，所述第二区域确定模块具体用于：
获取所述损伤区域的轮廓点和所述轮廓点在所述待处理图像中的第三位置信息；
根据所述第三位置信息和所述变换关系，获得所述轮廓点在所述第一拟合平面中的第四位置信息；
根据所述第四位置信息确定所述投影区域。
可选的，所述第一区域确定模块具体用于：
将所述待处理图像输入第一神经网络模型，获得所述损伤区域；所述第一神经网络模型用于获取图像中车辆的损伤区域。
可选的，所述位置获取模块具体用于：
在所述待处理图像中标定关键点；
将标定关键点后的待处理图像输入第二神经网络模型，获得所述关键点在所述待处理图像中的第一位置信息；所述第二神经网络模型用于获取关键点在图像中的位置信息。
可选的，所述测量结果包括所述损伤区域的长度、宽度和面积中的至少一种；
其中，所述损伤区域的长度为所述投影区域的最小外接矩形的长度；
所述损伤区域的宽度为所述投影区域的最小外接矩形的宽度；
所述损伤区域的面积为所述投影区域的面积。
第三方面，本发明提供一种车辆损伤区域的测量装置，该装置包括处理器和存储器。存储器用于存储指令，处理器用于执行存储器中存储的指令，以使该装置执行上述第一方面任一实施方式提供的车辆损伤区域的测量方法。
第四方面，本申请实施例提供一种存储介质，包括：可读存储介质和计算机程序，所述计算机程序用于实现上述第一方面任一实施方式提供的车辆损伤区域的测量方法。
第五方面，本申请实施例提供一种程序产品，该程序产品包括计算机程序(即执行指令)，该计算机程序存储在可读存储介质中。至少一个处理器可以从可读存储介质读取该计算机程序，至少一个处理器执行该计算机程序使得该设备实施上述第一方面任一实施方式提供的车辆损伤区域的测量方法。
本发明提供一种车辆损伤区域的测量方法和装置，包括：获取车辆的待处理图像；根据待处理图像获得待处理图像中车辆的损伤区域；根据待处理图像获得待处理图像包括的关键点在待处理图像中的第一位置信息；根据待处理图像包括的关键点和第一位置信息，确定待处理图像与第一拟合平面之间的变换关系；其中，第一拟合平面为根据3D模型上待处理图像包括的关键点确定的拟合平面；根据变换关系获得损伤区域在第一拟合平面中的投影区域；对投影区域进行测量，获得测量结果。通过在车辆局部外表面拟合的平面中获得损伤区域对应的投影区域，测量投影区域可以获得损伤区域的定量值，提升了损伤区域的定损精度和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的车辆损伤区域的测量方法的流程图；
图2为本发明提供的车辆的3D模型上一部分预设关键点的位置示意图；
图3为本发明提供的车辆的3D模型上又一部分预设关键点的位置示意图；
图4为本发明提供的待处理图像的示意图；
图5为本发明实施例提供的确定待处理图像与第一拟合平面之间的转换关系的流程图；
图6为本发明实施例提供的获取3D模型的多个标准拟合平面的流程图；
图7为本发明实施例提供的预设关键点在标准拟合平面中的示意图；
图8为本发明实施例一提供的车辆损伤区域的测量装置的结构示意图；
图9为本发明实施例二提供的车辆损伤区域的测量装置的结构示意图。
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一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的车辆损伤区域的测量方法和装置可以应用于车辆定损场景下。
图1为本发明实施例提供的车辆损伤区域的测量方法的流程图。本实施例提供的车辆损伤区域的测量方法，执行主体可以为车辆损伤区域的测量装置。如图1所示，本实施例提供的车辆损伤区域的测量方法，可以包括：
S101、获取车辆的待处理图像。
车辆的待处理图像是对车辆的损伤区域进行拍摄获得的。车辆的待处理图像中包括车辆的损伤区域。
S102、根据待处理图像获得待处理图像中车辆的损伤区域。
可选的，在一种实现方式中，根据待处理图像获得待处理图像中车辆的损伤区域，可以包括：
采用图像处理方法对待处理图像进行处理，获得待处理图像中的损伤区域。
由于图像处理方法种类较多、运用成熟，通过图像处理方法获得图像中车辆的损伤区域，易于实现。
需要说明的是，本实施例对于图像处理方法的种类不做限定。
可选的，在另一种实现方式中，根据待处理图像获得待处理图像中车辆的损伤区域，可以包括：
将待处理图像输入第一神经网络模型，获得损伤区域。其中，第一神经网络模型用于获取图像中车辆的损伤区域。
具体的，可以预先训练第一神经网络模型。第一神经网络模型的输入为车辆的定损图像，输出为图像中车辆的损伤区域。
通过神经网络算法获得图像中车辆的损伤区域，提升了确定损伤区域的处理效率。
S103、根据待处理图像获得待处理图像包括的关键点在待处理图像中的第一位置信息。
其中，关键点为车辆的3D模型上预设位置处设置的点。
具体的，在车辆的3D模型上特征比较明显的位置预设有关键点。可选的，每个预设关键点具有唯一的标识。在本发明中，为了区分3D模型上预先设置的关键点和待处理图像中包括的关键点，3D模型上预先设置的关键点可以称为预设关键点。在获得待处理图像中包括的关键点后，可以获得这些关键点在待处理图像中的位置信息，称为第一位置信息。
可选的，位置信息可以包括坐标值。所述坐标值的单位可以为长度单位或者像素单位。
示例性的，图2为本发明提供的车辆的3D模型上一部分预设关键点的位置示意图，图3为本发明提供的车辆的3D模型上又一部分预设关键点的位置示意图。
如图2和图3所示，在车辆的3D模型上预先设置有63个预设关键点，标识为0～62。其中，图2和图3示出了标识为0～31的预设关键点。根据车辆的对称性，标识为1～31的预设关键点与标识为32～62的预设关键点(未示出)位置对称。
示例性的，标识为3～6的预设关键点，可以标识出车辆右前方车灯所在的区域。又例如，标识为15～16的预设关键点，可以标识出车辆右侧前车门的车把手所在的区域。
通过在车辆的3D模型中设置预设关键点，可以通过预设关键点的组合标识出车辆上的不同区域。
需要说明的是，本实施例对于预设关键点的位置和数量不做限定。为了便于车辆定损，可以在容易发生损坏的区域设置较多的预设关键点，以细化区域的划分粒度。也可以在不容易发生损坏的区域设置较少的预设关键点，以减少关键点的数量。
示例性的，图4为本发明提供的待处理图像的示意图。
如图4所示，待处理图像示出了车辆的右后方。待处理图像中包括损伤区域41。待处理图像包括的关键点包括标识18、标识24和标识25的预设关键点。标识18的关键点的第一位置信息可以标记为(x18-1,y18-1)。标识24的关键点的第一位置信息标记为(x24-1,y24-1)，标识25的关键点的第一位置信息标记为(x25-1,y25-1)。
需要说明的是，本实施例对于待处理图像中坐标轴的位置不做限定。
需要说明的是，本实施例对于构建车辆的3D模型的方法不做限定。
示例性的，下面对采用运动回复结构(Structure from Motion，SFM)构建车辆的3D模型进行说明。
SFM算法是一种基于各种收集到的无序图片进行三维重建的离线算法。首先，从不同的角度拍摄车辆的一系列图像。然后，在这些图像之间，找出两幅图像之间的匹配点(Corresponding points)。通过匹配点之间的视差得到相对的深度信息，从而构建出车辆的3D模型。
可选的，S103中，根据待处理图像获得待处理图像包括的关键点在待处理图像中的第一位置信息，可以包括：
在待处理图像中标定关键点。
将标定关键点后的待处理图像输入第二神经网络模型，获得关键点在待处理图像中的第一位置信息。其中，第二神经网络模型用于获取关键点在图像中的位置信息。
具体的，可以预先训练第二神经网络模型。第二神经网络模型的输入为已经标记关键点的车辆的定损图像，输出为图像中的关键点在图像中的位置信息。
通过神经网络算法获得关键点的第二位置信息，提升了获得位置信息的处理效率。
S104、根据待处理图像包括的关键点和第一位置信息，确定待处理图像与第一拟合平面之间的变换关系。
其中，第一拟合平面为根据3D模型上待处理图像包括的关键点确定的拟合平面。
具体的，第一拟合平面是3D模型上待处理图像包括的关键点确定的拟合平面，可以将3D模型上的立体曲面映射为二维平面。示例性的，如图4所示，第一拟合平面可以为根据标识18、标识24和标识25的预设关键点确定的拟合平面。在获得待处理图像包括的关键点后，可以根据关键点的第一位置信息，确定待处理图像与第一拟合平面之间的变换关系。这样，根据该变换关系，可以将待处理图像中的点、线条或者区域映射到第一拟合平面中。相应的，也可以将第一拟合平面中的点、线条或者区域映射到待处理图像中。
S105、根据变换关系获得损伤区域在第一拟合平面中的投影区域。
S106、对投影区域进行测量，获得测量结果。
可见，本实施例提供的车辆损伤区域的测量方法，由于车辆的外表面是不规则曲面，对不规则曲面上的损伤区域进行精确测量是很难实现的。而对车辆拍摄获取的图像是二维平面图像，通过待处理图像也无法获得曲面上损伤区域的准确测量结果。在本实施例中，通过建立待处理图像与第一拟合平面之间的变换关系，可以将待处理图像所在的二维平面、车辆的3D模型以及车辆局部外表面拟合后的二维平面联系起来。通过将待处理图像中的损伤区域投影到第一拟合平面中，可以在车辆局部外表面拟合的平面中获得损伤区域在车身上的测量结果。实现了损伤区域的定量计算，提升了损伤区域的定损精确度和效率。同时，降低了车辆定损的难度，降低了人工成本。
需要说明的是，本实施例对于S102～S104的执行顺序不做限定。
可选的，请参照图5。图5为本发明实施例提供的确定待处理图像与第一拟合平面之间的转换关系的流程图。如图5所示，S104中，根据待处理图像包括的关键点和第一位置信息，确定待处理图像与第一拟合平面之间的变换关系，可以包括：
S1041、根据待处理图像包括的关键点确定第一拟合平面。
S1042、获取待处理图像包括的关键点在第一拟合平面中的第二位置信息。
S1043、根据第一位置信息和第二位置信息，确定待处理图像与第一拟合平面之间的变换关系。
通过示例进行说明。
如图4所示，待处理图像中包括的关键点的标识为18、24、25。其第一位置信息分别为(x18-1,y18-1)、(x24-1,y24-1)和(x25-1,y25-1)。假设，标识18、24、25的关键点在第一拟合平面中的第二位置信息分别为(x18-2,y18-2)、(x24-2,y24-2)和(x25-2,y25-2)。那么，可以根据点对{(x18-1,y18-1),(x18-2,y18-2)}、{(x24-1,y24-1),(x24-2,y24-2)}和{(x25-1,y25-1),(x25-2,y25-2)}，确定待处理图像与第一拟合平面之间的变换关系。其中，可以根据关键点的标识确定匹配的点对。
可选的，S1043中，如果待处理图像中包括的关键点为3个，则可以采用仿射变换矩阵(Affine Transformation matrix)的方法确定变换关系。如果待处理图像中包括的关键点大于3个，则可以采用单应性变换矩阵(Homography transformation matrix)的方法确定变换关系。
下面对S1041和S1042的实现方式进行说明。
可选的，在一种实现方式中，S1041中，根据待处理图像包括的关键点确定第一拟合平面，可以包括：
获取3D模型的多个标准拟合平面，标准拟合平面为根据3D模型上的至少三个预设关键点确定的拟合平面。
根据待处理图像包括的关键点在多个标准拟合平面中确定第一拟合平面。
具体的，在该种实现方式中，由于车辆的3D模型是选定的，在3D模型上设置的预设关键点的位置也是固定的。因此，根据3D模型上的预设关键点可以预先确定出多个标准拟合平面。例如，如图2所示，标识21～23的预设关键点可以确定一个标准拟合平面。标识14～17的预设关键点可以确定一个标准拟合平面。其中，每个标准拟合平面是由至少3个预设关键点进行拟合生成的。
相应的，S1042，获取待处理图像包括的关键点在第一拟合平面中的第二位置信息，可以包括：
获取第一拟合平面中包括的预设关键点在第一拟合平面中的位置信息。
根据处理图像包括的关键点，在第一拟合平面中包括的预设关键点在第一拟合平面中的位置信息，获得第二位置信息。
具体的，根据3D模型上的预设关键点可以预先确定出多个标准拟合平面。每个标准拟合平面中包括的预设关键点在标准拟合平面中的位置信息可以预先获得。因此，可以根据待处理图像包括的关键点，以及预先获得的第一拟合平面中预设关键点的位置信息，可以获得待处理图像包括的关键点在第一拟合平面中的第二位置信息。
可选的，根据待处理图像包括的关键点在多个标准拟合平面中确定第一拟合平面，可以包括：
根据待处理图像包括的关键点的标识和每个标准拟合平面包括的预设关键点的标识，确定第一拟合平面。
该种实现方式降低了确定第一拟合平面和获取第二位置信息的难度。
可选的，图6为本发明实施例提供的获取3D模型的多个标准拟合平面的流程图。如图6所示，获取3D模型的多个标准拟合平面，可以包括：
S601、获取3D模型上多个预设关键点的三维坐标。
具体的，车辆的3D模型上预先设置有预设关键点。可以根据3D模型获取预设关键点在三维坐标系中的三维坐标。本实施例对于三维坐标系中坐标轴的方向和原点的设置位置不做限定。例如，如图2所示，三维坐标系的原点可以为车辆的中心点在车轮底面确定的平面中的投影点。X轴的正方向指向车辆的左侧，Y轴的正方向为垂直向上，Z轴的正方向指向车辆的车头。又例如，三维坐标系的原点可以为车辆的中心点。
S602、根据多个预设关键点的三维坐标，获得多个预设关键点之间的距离。
在获取预设关键点的三维坐标后，可以获得任意两个预设关键点之间的距离。本实施例对于距离的计算方式不做限定。例如，可以通过公式(1)获得两个预设关键点之间的欧几里得距离。
Figure BDA0003137319290000121
其中，x和y分别表示两个预设关键点，xi表示预设关键点x的三维坐标，yi表示预设关键点y的三维坐标。
S603、根据距离获得至少一个关键点组。
其中，关键点组包括至少三个预设关键点，至少一个关键点组的并集包括3D模型上的所有预设关键点。
具体的，每个关键点组可以包括至少3个预设关键点。所有关键点组的并集包括全部的预设关键点。对于一个确定的预设关键点，可以位于至少一个预设关键点中。例如，如图2所示，标识19、20、14、18的预设关键点可以为一个关键点组。标识15、16、14、11的预设关键点可以为一个关键点组。
需要说明的是，本实施例对于获取关键点组的方法不做限定。
下面以K最近邻(k-NearestNeighbor，kNN)算法为示例进行说明。
所谓K最近邻，就是k个最近的邻居的意思。每个样本都可以用它最接近的k个邻居来代表。kNN算法的核心思想是：一个样本在特征空间中的k个最相邻的样本大多数属于一个类别。在本实施例中，可以采用KNN算法，为每个预设关键点寻找距离最近的k个预设关键点。比如，如图2所示，对于标识19的预设关键点，通过KNN算法可以获取到K个预设关键点为标识19、20、14、18的预设关键点。
S604、对于每个关键点组，若该关键点组包括的预设关键点共面，则对该关键点组包括的预设关键点拟合获得标准拟合平面。
可选的，关键点组包括的预设关键点共面，可以包括：
关键点组包括的每个预设关键点，其距离第一平面的距离小于或者等于预设阈值。该第一平面可以为关键点组中的至少三个预设关键点确定的平面。
需要说明的是，本实施例对于预设阈值的具体取值不做限定。
需要说明的是，本实施例对于根据关键点组获得标准拟合平面的算法不做限定。
例如，可以采用随机抽样一致性算法(Random Sample Consensus，RANSAC)，获得每个共面的关键点组最为拟合的共面平面，称为标准拟合平面。
通过采用RANSAC算法，提高了标准拟合平面的鲁棒性。
通过上述S601～S604的步骤获得3D模型的多个标准拟合平面之后，可以针对每个标准拟合平面，对于标准拟合平面包括的预设关键点，将3D模型上的预设关键点投影到标准拟合平面上，获得标准拟合平面包括的预设关键点在标准拟合平面中的位置信息。
示例性的，图7为本发明实施例提供的预设关键点在标准拟合平面中的示意图。如图7所示，标识13～21的预设关键点投影到标准拟合平面后，可以采用主成分分析方法(Principal Component Analysis，PCA)，保留二维坐标，得到标识13～21的预设关键点在标准拟合平面中的坐标。坐标的单位可以为厘米。例如，标识13的预设关键点在标准拟合平面中的坐标可以标记为13(4,-104)。
可选的，在另一种实现方式中，S1041中，根据待处理图像包括的关键点确定第一拟合平面，可以包括：
获取在3D模型中的三维坐标。
根据待处理图像包括的关键点在3D模型中的三维坐标，获得关键点之间的距离。
对待处理图像包括的关键点拟合获得第一拟合平面。
可以参见上述获取3D模型的多个标准拟合平面的相关描述，原理相似，此处不再赘述。
可选的，S105中，根据变换关系获得损伤区域在第一拟合平面中的投影区域，可以包括：
获取损伤区域的轮廓点和轮廓点在待处理图像中的第三位置信息。
根据第三位置信息和变换关系，获得轮廓点在第一拟合平面中的第四位置信息。
根据第四位置信息确定投影区域。
可选的，S106中，测量结果包括损伤区域的长度、宽度和面积中的至少一种。
其中，损伤区域的长度为投影区域的最小外接矩形的长度。
损伤区域的宽度为投影区域的最小外接矩形的宽度。
损伤区域的面积为投影区域的面积。
可选的，计算投影区域的面积可以采用三角面片法。将投影区域划分成多个三角面片，各个三角面片的面积之和即为投影区域的总面积。将该共面积作为损伤区域的面积。
对于损伤区域的长度和宽度，示例性的，如图4所示，矩形42为损伤区域41的最小外接矩形。这里只是给出最小外接矩形的示意图。在本申请实施例中，最小外接矩形实际为第一拟合平面中投影区域的最小外接矩形。
示例性的，通过本申请实施例提供的车辆损伤区域的测量方法，损伤区域41的长度为3.446分米、宽度为2.555分米，面积为6.95平方分米。
可见，本实施例提供一种车辆损伤区域的测量方法，包括：获取车辆的待处理图像，根据待处理图像获得待处理图像中车辆的损伤区域，根据待处理图像获得待处理图像包括的关键点在待处理图像中的第一位置信息，根据待处理图像包括的关键点和第一位置信息，确定待处理图像与第一拟合平面之间的变换关系，根据变换关系获得损伤区域在第一拟合平面中的投影区域，对投影区域进行测量，获得测量结果。本实施例提供的车辆损伤区域的测量方法,通过对车辆局部外表面进行平面化近似的方法，可以得到用于测量车辆损伤区域的拟合平面。通过获取车辆的待处理图像中包括的关键点的位置信息，可以获得待处理图像中包括的关键点确定的拟合平面与待处理图像之间的变换关系。进而，通过将待处理图像中的损伤区域投影到该拟合平面中，可以在车辆局部外表面拟合的平面中获得损伤区域在车身上的测量结果。实现了损伤区域的定量计算，提升了损伤区域的定损精确度和效率。
图8为本发明实施例一提供的车辆损伤区域的测量装置的结构示意图。本实施例提供的车辆损伤区域的测量装置，用于执行图1-图7任一所示实施例提供的车辆损伤区域的测量方法。如图所示，本实施例提供的车辆损伤区域的测量装置，可以包括：
图像获取模块81，用于获取车辆的待处理图像。
第一区域确定模块82，用于根据待处理图像获得待处理图像中车辆的损伤区域。
位置获取模块83，用于根据待处理图像获得待处理图像包括的关键点在待处理图像中的第一位置信息。其中，关键点为车辆的3D模型上预设位置处设置的点。
关系获取模块84，用于根据待处理图像包括的关键点和第一位置信息，确定待处理图像与第一拟合平面之间的变换关系。其中，第一拟合平面为根据3D模型上待处理图像包括的关键点确定的拟合平面。
第二区域确定模块85，用于根据变换关系获得损伤区域在第一拟合平面中的投影区域。
测量模块86，用于对投影区域进行测量，获得测量结果。
可选的，关系获取模块84具体用于：
根据待处理图像包括的关键点确定第一拟合平面。
获取待处理图像包括的关键点在第一拟合平面中的第二位置信息。
根据第一位置信息和第二位置信息，确定待处理图像与第一拟合平面之间的变换关系。
可选的，关系获取模块84具体用于：
获取3D模型的多个标准拟合平面，标准拟合平面为根据3D模型上的至少三个预设关键点确定的拟合平面。
根据待处理图像包括的关键点在多个标准拟合平面中确定第一拟合平面。
可选的，关系获取模块84具体用于：
获取3D模型上多个预设关键点的三维坐标。
根据多个预设关键点的三维坐标，获得多个预设关键点之间的距离。
根据距离获得至少一个关键点组。关键点组包括至少三个预设关键点，至少一个关键点组的并集包括3D模型上的所有预设关键点。
对于每个关键点组，若该关键点组包括的预设关键点共面，则对该关键点组包括的预设关键点拟合获得标准拟合平面。
可选的，关系获取模块84具体用于：
根据待处理图像包括的关键点的标识和每个标准拟合平面包括的预设关键点的标识，确定第一拟合平面。
可选的，第二区域确定模块85具体用于：
获取损伤区域的轮廓点和轮廓点在待处理图像中的第三位置信息。
根据第三位置信息和变换关系，获得轮廓点在第一拟合平面中的第四位置信息。
根据第四位置信息确定投影区域。
可选的，第一区域确定模块82具体用于：
将待处理图像输入第一神经网络模型，获得损伤区域。第一神经网络模型用于获取图像中车辆的损伤区域。
可选的，位置获取模块83具体用于：
在待处理图像中标定关键点。
将标定关键点后的待处理图像输入第二神经网络模型，获得关键点在待处理图像中的第一位置信息。第二神经网络模型用于获取关键点在图像中的位置信息。
可选的，测量结果包括损伤区域的长度、宽度和面积中的至少一种。
其中，损伤区域的长度为投影区域的外接矩形的长度。
损伤区域的宽度为投影区域的外接矩形的宽度。
损伤区域的面积为投影区域的面积。
本实施例提供的车辆损伤区域的测量装置，用于执行图1-图7任一所示实施例提供的车辆损伤区域的测量方法。具体实现方式和技术效果类似，这里不再赘述。
图9为本发明实施例二提供的车辆损伤区域的测量装置的结构示意图。如图所示，车辆损伤区域的测量装置包括处理器91和存储器92。所述存储器92用于存储指令，所述处理器91用于执行所述存储器92中存储的指令，以使所述车辆损伤区域的测量装置执行图1-图7任一所示实施例提供的车辆损伤区域的测量方法。具体实现方式和技术效果类似，这里不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，确定模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘solid state disk(SSD))等。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。

Claims (17)

1.一种车辆损伤区域的测量方法，包括：
获取车辆的待处理图像；
根据所述待处理图像获得所述待处理图像中所述车辆的损伤区域；
根据所述待处理图像获得所述待处理图像包括的关键点在所述待处理图像中的第一位置信息；其中，所述关键点为所述车辆的3D模型上预设位置处设置的点；
获取所述待处理图像包括的关键点在所述3D模型中的三维坐标，并根据所述关键点在所述3D模型中的三维坐标，获得所述关键点之间的距离；
根据所述距离获得至少一个关键点组；所述关键点组包括至少三个关键点，所述至少一个关键点组的并集包括所述待处理图像上的所有关键点；
对于每个所述关键点组，若所述关键点组包括的关键点共面，则对所述关键点组包括的关键点拟合获得第一拟合平面；
根据所述待处理图像包括的关键点和所述第一位置信息，确定所述待处理图像与所述第一拟合平面之间的变换关系；
根据所述变换关系获得所述损伤区域在所述第一拟合平面中的投影区域；
对所述投影区域进行测量，获得测量结果。
2.根据权利要求1所述的方法，其中，所述关键点组包括的关键点共面，包括：
判断所述关键点组包括的关键点与第一平面的距离是否小于或者等于预设阈值，所述第一平面为所述关键点组中的至少三个关键点确定的平面；
若所述关键点组包括的关键点与所述第一平面的距离小于或者等于所述预设阈值，则确定所述关键点组包括的关键点共面。
3.根据权利要求1所述的方法，其中，所述根据所述待处理图像包括的关键点和所述第一位置信息，确定所述待处理图像与第一拟合平面之间的变换关系，包括：
获取所述待处理图像包括的关键点在所述第一拟合平面中的第二位置信息；
根据所述第一位置信息和所述第二位置信息，确定所述待处理图像与所述第一拟合平面之间的变换关系。
4.根据权利要求1所述的方法，其中，所述根据所述变换关系获得所述损伤区域在所述第一拟合平面中的投影区域，包括：
获取所述损伤区域的轮廓点和所述轮廓点在所述待处理图像中的第三位置信息；
根据所述第三位置信息和所述变换关系，获得所述轮廓点在所述第一拟合平面中的第四位置信息；
根据所述第四位置信息确定所述投影区域。
5.根据权利要求1-4中任一项所述的方法，其中，所述根据所述待处理图像获得所述待处理图像中所述车辆的损伤区域，包括：
将所述待处理图像输入第一神经网络模型，获得所述损伤区域；所述第一神经网络模型用于获取图像中车辆的损伤区域。
6.根据权利要求1-4中任一项所述的方法，其中，所述根据所述待处理图像获得所述待处理图像包括的关键点在所述待处理图像中的第一位置信息，包括：
在所述待处理图像中标定关键点；
将标定关键点后的待处理图像输入第二神经网络模型，获得所述关键点在所述待处理图像中的第一位置信息；所述第二神经网络模型用于获取关键点在图像中的位置信息。
7.根据权利要求1-4中任一项所述的方法，其中，所述测量结果包括所述损伤区域的长度、宽度和面积中的至少一种；
其中，所述损伤区域的长度为所述投影区域的最小外接矩形的长度；
所述损伤区域的宽度为所述投影区域的最小外接矩形的宽度；
所述损伤区域的面积为所述投影区域的面积。
8.一种车辆损伤区域的测量装置，包括：
图像获取模块，用于获取车辆的待处理图像；
第一区域确定模块，用于根据所述待处理图像获得所述待处理图像中所述车辆的损伤区域；
位置获取模块，用于根据所述待处理图像获得所述待处理图像包括的关键点在所述待处理图像中的第一位置信息；其中，所述关键点为所述车辆的3D模型上预设位置处设置的点；
距离获取模块，用于获取所述待处理图像包括的关键点在所述3D模型中的三维坐标，并根据所述关键点在所述3D模型中的三维坐标，获得所述关键点之间的距离；
关键点组获取模块，用于根据所述距离获得至少一个关键点组；所述关键点组包括至少三个关键点，所述至少一个关键点组的并集包括所述待处理图像上的所有关键点；
判断模块，用于对于每个所述关键点组，判断所述关键点组包括的关键点是否共面；
拟合模块，用于在所述关键点组包括的关键点共面时，对所述关键点组包括的关键点拟合获得第一拟合平面；
关系获取模块，用于根据所述待处理图像包括的关键点和所述第一位置信息，确定所述待处理图像与所述第一拟合平面之间的变换关系；
第二区域确定模块，用于根据所述变换关系获得所述损伤区域在所述第一拟合平面中的投影区域；
测量模块，用于对所述投影区域进行测量，获得测量结果。
9.根据权利要求8所述的装置，其中，所述判断模块，具体用于：
判断所述关键点组包括的关键点与第一平面的距离是否小于或者等于预设阈值，所述第一平面为所述关键点组中的至少三个关键点确定的平面；
若所述关键点组包括的关键点与所述第一平面的距离小于或者等于所述预设阈值，则确定所述关键点组包括的关键点共面。
10.根据权利要求8所述的装置，其中，所述关系获取模块，具体用于：
获取所述待处理图像包括的关键点在所述第一拟合平面中的第二位置信息；
根据所述第一位置信息和所述第二位置信息，确定所述待处理图像与所述第一拟合平面之间的变换关系。
11.根据权利要求8所述的装置，其中，所述第二区域确定模块，具体用于：
获取所述损伤区域的轮廓点和所述轮廓点在所述待处理图像中的第三位置信息；
根据所述第三位置信息和所述变换关系，获得所述轮廓点在所述第一拟合平面中的第四位置信息；
根据所述第四位置信息确定所述投影区域。
12.根据权利要求8-11中任一项所述的装置，其中，所述第一区域确定模块，具体用于：
将所述待处理图像输入第一神经网络模型，获得所述损伤区域；所述第一神经网络模型用于获取图像中车辆的损伤区域。
13.根据权利要求8-11中任一项所述的装置，其中，所述位置获取模块，具体用于：
在所述待处理图像中标定关键点；
将标定关键点后的待处理图像输入第二神经网络模型，获得所述关键点在所述待处理图像中的第一位置信息；所述第二神经网络模型用于获取关键点在图像中的位置信息。
14.根据权利要求8-11中任一项所述的装置，其中，所述测量结果包括所述损伤区域的长度、宽度和面积中的至少一种；
其中，所述损伤区域的长度为所述投影区域的最小外接矩形的长度；
所述损伤区域的宽度为所述投影区域的最小外接矩形的宽度；
所述损伤区域的面积为所述投影区域的面积。
15.一种电子设备，包括：
至少一个处理器；以及与至少一个处理器通信连接的存储器；
其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行权利要求1-7中任一项的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
CN202110724539.1A 2018-10-11 2018-10-11 车辆损伤区域的测量方法和装置 Active CN113409382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110724539.1A CN113409382B (zh) 2018-10-11 2018-10-11 车辆损伤区域的测量方法和装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110724539.1A CN113409382B (zh) 2018-10-11 2018-10-11 车辆损伤区域的测量方法和装置
CN201811181292.8A CN109544623B (zh) 2018-10-11 2018-10-11 车辆损伤区域的测量方法和装置

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201811181292.8A Division CN109544623B (zh) 2018-10-11 2018-10-11 车辆损伤区域的测量方法和装置

Publications (2)

Publication Number Publication Date
CN113409382A true CN113409382A (zh) 2021-09-17
CN113409382B CN113409382B (zh) 2023-06-20

Family

ID=65843757

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201811181292.8A Active CN109544623B (zh) 2018-10-11 2018-10-11 车辆损伤区域的测量方法和装置
CN202110724539.1A Active CN113409382B (zh) 2018-10-11 2018-10-11 车辆损伤区域的测量方法和装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201811181292.8A Active CN109544623B (zh) 2018-10-11 2018-10-11 车辆损伤区域的测量方法和装置

Country Status (3)

Country Link
US (1) US11043000B2 (zh)
EP (1) EP3594897A1 (zh)
CN (2) CN109544623B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116434047A (zh) * 2023-03-29 2023-07-14 邦邦汽车销售服务(北京)有限公司 基于数据处理的车辆损伤范围确定方法及系统

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220222805A1 (en) * 2014-09-17 2022-07-14 Gary B. Levin Apparatus and method for onboard stereoscopic inspection of vehicle tires
CN109359676A (zh) * 2018-10-08 2019-02-19 百度在线网络技术（北京）有限公司 用于生成车辆损伤信息的方法和装置
CN111951201B (zh) * 2019-05-16 2024-01-23 杭州海康威视数字技术股份有限公司 一种无人机航拍图像拼接方法、装置和存储介质
CN110728236B (zh) * 2019-10-12 2020-12-04 创新奇智(重庆)科技有限公司 车辆定损方法及其专用设备
CN111489433B (zh) * 2020-02-13 2023-04-25 北京百度网讯科技有限公司 车辆损伤定位的方法、装置、电子设备以及可读存储介质
CN111553268A (zh) * 2020-04-27 2020-08-18 深圳壹账通智能科技有限公司 车辆部件识别方法、装置、计算机设备和存储介质
CN111783653B (zh) * 2020-07-01 2024-04-26 创新奇智(西安)科技有限公司 商标标签检测方法、装置、设备及存储介质
CN112001889A (zh) * 2020-07-22 2020-11-27 杭州依图医疗技术有限公司 医学影像处理方法、装置及医学影像显示方法
CN112348799B (zh) * 2020-11-11 2021-07-13 德联易控科技(北京)有限公司 车辆定损方法、装置、终端设备及存储介质
CN112556625B (zh) * 2020-12-08 2021-09-28 安徽江淮汽车集团股份有限公司 轮毂安装面的角度测量方法、装置、设备及存储介质
US20230153975A1 (en) * 2021-11-16 2023-05-18 Solera Holdings, Llc Transfer of damage markers from images to 3d vehicle models for damage assessment

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070110338A1 (en) * 2005-11-17 2007-05-17 Microsoft Corporation Navigating images using image based geometric alignment and object based controls
CN102306282A (zh) * 2011-07-19 2012-01-04 北京博康智能信息技术有限公司 一种车牌定位方法及车牌定位装置
CN102901457A (zh) * 2012-10-18 2013-01-30 北京航空航天大学 一种列车车轮直径动态测量方法及系统
CN103886593A (zh) * 2014-03-07 2014-06-25 华侨大学 一种基于三维点云曲面圆孔检测方法
CN104318234A (zh) * 2014-10-23 2015-01-28 东南大学 一种采用点云数据表示的人脸皱纹三维提取方法及其设备
CN104457562A (zh) * 2013-09-13 2015-03-25 武汉惟景三维科技有限公司 一种基于面结构光的承载鞍在线检测系统
CN107767326A (zh) * 2017-09-28 2018-03-06 北京奇虎科技有限公司 图像中对象变换处理方法、装置及计算设备
EP3318839A1 (de) * 2016-09-07 2018-05-09 AuE Kassel GmbH System und verfahren zum erfassen von eigenschaften mindestens eines rades eines schienenfahrzeugs
CN108364253A (zh) * 2018-03-15 2018-08-03 北京威远图易数字科技有限公司 车辆定损方法、系统以及电子设备
CN108510506A (zh) * 2018-04-14 2018-09-07 深圳市图智能科技有限公司 一种管状结构图像分割方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020055861A1 (en) * 2000-11-08 2002-05-09 King Daniel A. Claiming system and method
DE102006048578B4 (de) * 2006-10-13 2010-06-17 Gerhard Witte Verfahren und Vorrichtung zum Bestimmen der Veränderung der Form eines dreidimensionalen Objektes
CN101059340B (zh) * 2007-05-18 2010-05-19 东南大学 基于立体视觉和激光的车辆轮距测量方法
US11176286B2 (en) * 2015-09-09 2021-11-16 Xerox Corporation System and method for internal structural defect analysis using three-dimensional sensor data
CN107025642B (zh) * 2016-01-27 2018-06-22 百度在线网络技术（北京）有限公司 基于点云数据的车辆轮廓检测方法和装置
US11144889B2 (en) * 2016-04-06 2021-10-12 American International Group, Inc. Automatic assessment of damage and repair costs in vehicles
CN105783786B (zh) * 2016-04-26 2018-08-17 北方工业大学 一种基于结构光视觉的零件倒角测量方法与装置
US9886771B1 (en) * 2016-05-20 2018-02-06 Ccc Information Services Inc. Heat map of vehicle damage
CN107358596B (zh) * 2017-04-11 2020-09-18 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置、电子设备及系统
CN112435215B (zh) * 2017-04-11 2024-02-13 创新先进技术有限公司 一种基于图像的车辆定损方法、移动终端、服务器
US10762385B1 (en) * 2017-06-29 2020-09-01 State Farm Mutual Automobile Insurance Company Deep learning image processing method for determining vehicle damage
CN109214980B (zh) * 2017-07-04 2023-06-23 阿波罗智能技术(北京)有限公司 一种三维姿态估计方法、装置、设备和计算机存储介质
CN109410218B (zh) * 2018-10-08 2020-08-11 百度在线网络技术（北京）有限公司 用于生成车辆损伤信息的方法和装置
CN110569701B (zh) * 2018-12-29 2020-08-07 阿里巴巴集团控股有限公司 计算机执行的车辆定损方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070110338A1 (en) * 2005-11-17 2007-05-17 Microsoft Corporation Navigating images using image based geometric alignment and object based controls
CN102306282A (zh) * 2011-07-19 2012-01-04 北京博康智能信息技术有限公司 一种车牌定位方法及车牌定位装置
CN102901457A (zh) * 2012-10-18 2013-01-30 北京航空航天大学 一种列车车轮直径动态测量方法及系统
CN104457562A (zh) * 2013-09-13 2015-03-25 武汉惟景三维科技有限公司 一种基于面结构光的承载鞍在线检测系统
CN103886593A (zh) * 2014-03-07 2014-06-25 华侨大学 一种基于三维点云曲面圆孔检测方法
CN104318234A (zh) * 2014-10-23 2015-01-28 东南大学 一种采用点云数据表示的人脸皱纹三维提取方法及其设备
EP3318839A1 (de) * 2016-09-07 2018-05-09 AuE Kassel GmbH System und verfahren zum erfassen von eigenschaften mindestens eines rades eines schienenfahrzeugs
CN107767326A (zh) * 2017-09-28 2018-03-06 北京奇虎科技有限公司 图像中对象变换处理方法、装置及计算设备
CN108364253A (zh) * 2018-03-15 2018-08-03 北京威远图易数字科技有限公司 车辆定损方法、系统以及电子设备
CN108510506A (zh) * 2018-04-14 2018-09-07 深圳市图智能科技有限公司 一种管状结构图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
程传录: "一种顾及坡度因子与极值的地表面积计算法", 《测绘通报》, pages 126 - 129 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116434047A (zh) * 2023-03-29 2023-07-14 邦邦汽车销售服务(北京)有限公司 基于数据处理的车辆损伤范围确定方法及系统
CN116434047B (zh) * 2023-03-29 2024-01-09 邦邦汽车销售服务(北京)有限公司 基于数据处理的车辆损伤范围确定方法及系统

Also Published As

Publication number Publication date
EP3594897A1 (en) 2020-01-15
CN113409382B (zh) 2023-06-20
CN109544623B (zh) 2021-07-27
US20200005478A1 (en) 2020-01-02
CN109544623A (zh) 2019-03-29
US11043000B2 (en) 2021-06-22

Similar Documents

Publication Publication Date Title
CN109544623B (zh) 车辆损伤区域的测量方法和装置
CN110136182B (zh) 激光点云与2d影像的配准方法、装置、设备和介质
US20180307924A1 (en) Method and apparatus for acquiring traffic sign information
JP3735344B2 (ja) キャリブレーション装置、キャリブレーション方法、及びキャリブレーション用プログラム
CN112258567B (zh) 物体抓取点的视觉定位方法、装置、存储介质及电子设备
CN112085771B (zh) 图像配准方法、装置、终端设备及计算机可读存储介质
WO2020215257A1 (zh) 图像立体匹配的方法和辅助驾驶装置
WO2021115061A1 (zh) 图像分割方法、装置及服务器
CN115578468A (zh) 外参标定方法、装置、计算机设备、存储介质
US20200191577A1 (en) Method and system for road image reconstruction and vehicle positioning
CN109829401A (zh) 基于双拍摄设备的交通标志识别方法及装置
Wang et al. A rough vehicle distance measurement method using monocular vision and license plate
CN111336938A (zh) 一种机器人及其物体距离检测方法和装置
CN111223139B (zh) 目标定位方法及终端设备
JP2018041169A (ja) 情報処理装置およびその制御方法、プログラム
CN112907656A (zh) 机器人的位置检测方法、检测装置、处理器和电子设备
CN114078245A (zh) 一种图像处理方法及图像处理装置
CN112711965B (zh) 一种绘本识别方法、装置及设备
KR101770866B1 (ko) 뎁스 센서와 촬영 카메라 간의 관계에 기초한 뎁스 영상 보정 장치 및 방법
CN113298869B (zh) 距离测定方法、装置、计算机设备和存储介质
US20240029288A1 (en) Image processing apparatus, image processing method, and storage medium
Hou et al. Automatic calibration method based on traditional camera calibration approach
WO2022151147A1 (zh) 一种路沿分割方法、装置、终端设备及可读存储介质
CN109544454B (zh) 一种点云数据的自动拼接方法
CN117388865A (zh) 一种激光雷达的外参数设置方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant