CN113554024A - 一种车辆的清洁度的确定方法、装置及计算机设备 - Google Patents

Abstract

本申请提供了一种车辆的清洁度的确定方法、装置及计算机设备，应用于服务器，包括：获取车辆维护记录中的实际车辆编号及车辆图像集，车辆图像集包括多张不同角度的车辆图像；根据实际车辆编号确定车辆型号，并获取车辆型号对应的预设图像集和车辆识别信息，对车辆图像集进行第一预处理，得到车辆变换图集；根据车辆识别信息，识别车辆变换图集，得到识别车辆编号；若实际车辆编号与识别车辆编号相同，根据车辆识别信息，裁剪车辆变换图集，得到多张车辆部件图像；将每张车辆部件图像与对应的预设车辆部件图像进行比较，并根据比较结果确定车辆的清洁度。本申请提供的车辆的清洁度的确定方法，提高车辆清洁度的确定效率。

Description

一种车辆的清洁度的确定方法、装置及计算机设备

技术领域

本申请涉及共享车辆技术领域，具体而言，涉及一种车辆的清洁度的确定方法、装置及计算机设备。

背景技术

现有技术中，为了保障车辆清洗后的干净程度，需要在每次车维工作人员清洗完成后，上传清洗后的车辆照片到车辆运营系统，再由线上运维人员对上传的车辆照片进行清洁度的确定，虽然确保了清洗后的车辆的干净程度，但人工确定清洁度的速度慢，导致车辆清洁度的确定效率低。因此，如何提高车辆清洁度的确定效率是现在亟需解决的技术问题。

发明内容

本申请的目的在于提供一种车辆的清洁度的确定方法、装置及计算机设备，以解决车辆清洁度的确定效率低的问题。

第一方面，提供一种车辆的清洁度的确定方法，应用于服务器，包括：获取车辆维护记录中的实际车辆编号及车辆图像集，所述车辆图像集包括多张不同角度的车辆图像；根据所述实际车辆编号确定车辆型号，并获取所述车辆型号对应的预设图像集和车辆识别信息，其中，所述预设图像集包括多张不同角度的预设车辆图像以及多张预设车辆部件图像，所述车辆识别信息包括每张预设车辆图像中的多个车辆部件坐标；对所述车辆图像集进行第一预处理，得到车辆变换图集，其中，所述第一预处理依次包括灰度拉伸和仿射变换；根据所述车辆识别信息，识别所述车辆变换图集，得到识别车辆编号；若所述实际车辆编号与所述识别车辆编号相同，根据所述车辆识别信息，裁剪所述车辆变换图集，得到多张车辆部件图像；将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，并根据比较结果确定所述车辆的清洁度。

在本申请实施例中，获取车辆维护记录中的实际车辆编号及车辆图像集，根据实际车辆编号确定车辆型号，并获取车辆型号对应的预设图像集和车辆识别信息，对车辆图像集进行第一预处理，得到车辆变换图集，若车辆变换图集中的识别车辆编号与车辆维修记录中的实际车辆编号相同，根据车辆识别信息，裁剪车辆变换图集，得到多张车辆部件图像，将每张车辆部件图像与对应的预设车辆部件图像进行比较，并根据比较结果确定车辆的清洁度。对车辆图像集进行第一预处理，提高车辆的轮廓图的清晰度，并解决因车辆图像集存在的角度偏差问题；通过多张不同角度的车辆部件图像与对应的预设车辆部件图像进行比较，根据比较结果确定车辆的清洁度，相对于人工确定清洁度而言，提高车辆清洁度的确定效率。

在一种可选的实施方式中，所述将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，并根据比较结果确定所述车辆的清洁度，包括：将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，得到比较结果；若所述比较结果中异常车辆部件图像的总数大于等于预设异常车辆部件图像数，确定所述车辆的清洁度为不合格；若所述异常车辆部件图像的总数小于预设异常车辆部件图像数，确定所述车辆的清洁度为合格。

在本申请实施例中，通过比较结果中异常网格图像的总数与预设异常网格数的大小关系，实现确定车辆清洁度的技术效果。

在一种可选的实施方式中，所述将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，得到比较结果，包括：对每张所述车辆部件图像进行线性变换，生成车辆部件比对图像；将所述车辆部件比对图像与对应的所述预设车辆部件图像进行网格矩阵相似度比较，得到每张所述车辆部件比对图像与对应的所述预设车辆部件图像的相似度；若所述相似度小于相似度阈值，确定所述车辆部件图像为异常车辆部件图像。

在本申请实施例中，首先对每张车辆部件图像进行线性变换，生成车辆部件比对图像，其次，将车辆部件比对图像与对应的预设车辆部件图像进行网格矩阵相似度比较，得到每张车辆部件比对图像与对应的预设车辆部件图像的相似度，最后，根据相似度与相似度阈值的大小关系，确定所述车辆部件比对图像是否为异常网格图像，实现提高每张车辆部件图像与对应的预设车辆部件图像比较的准确率技术效果。

在一种可选的实施方式中，所述将所述车辆部件比对图像与对应的所述预设车辆部件图像进行网格矩阵相似度比较，得到每张所述车辆部件比对图像与对应的所述预设车辆部件图像的相似度，包括：将每张所述车辆部件比对图像分割为网格图像，将每张所述预设车辆部件图像分割为预设网格图像，其中，所述网格图像和所述预设网格图像的长、宽相同；对每个所述网格图像和对应的预设网格图像进行三直方图相似度比较，得到每张所述网格图像与对应的预设网格图像的相似度；根据所述相似度，得到每张所述车辆部件比对图像与对应的所述预设车辆部件图像的相似度。

在本申请实施例中，通过将每张车辆部件比对图像分割为网格图像，以及将每张所述预设车辆部件图像分割为预设网格图像，对每个网格图像和对应的预设网格图像进行三直方图相似度比较，得到每张网格图像与对应的预设网格图像的相似度，实现准确获取每张网格图像与对应的预设网格图像的相似度的技术效果。

在一种可选的实施方式中，所述根据所述车辆识别信息，识别所述车辆变换图，得到识别车辆编号，包括：根据所述车辆识别信息，获取所述车辆变换图中的识别车辆编号图像；对所述识别车辆编号图像进行第二预处理，得到预处理后的识别车辆编号图像，其中，所述第二预处理依次包括灰度、二值化、腐蚀、膨胀、寻找数字轮廓及切割；识别所述预处理后的识别车辆编号图像，得到识别车辆编号。

在本申请实施例中，对识别车辆编号图像进行第二预处理，并识别预处理后的识别车辆编号图像，提高识别车辆编号的准确性。

在一种可选的实施方式中，所述对所述车辆图像集进行第一预处理，得到车辆变换图集，包括：将所述车辆图像集进行二值化处理，得到二值化图集；在所述二值化图集中查找所述车辆的轮廓，得到转化前的车辆轮廓图集；对所述转化前的车辆轮廓图集进行BGR转化，得到转化后的车辆轮廓图集；从所述转化后的车辆轮廓图集获取第一预设数量的轮廓基点；从所述预设图像集获取第二预设数量的预设基点；根据所述轮廓基点和所述预设基点，得到变换矩阵；根据所述变换矩阵，将所述转化后的车辆轮廓图集变换为所述车辆变换图集。

在本实施例中，对车辆图像集进行二值化处理及BGR转化，更容易区分车辆图像集中的车辆轮廓和背景，提高了车辆轮廓的清晰度；对车辆轮廓图集进行仿射变换，解决因车辆图像集存在的角度偏差问题。

第二方面，提供一种车辆的清洁度的确定装置，应用于服务器，所述装置包括：获取模块、第一预处理模块、识别模块、裁剪模块及确定模块；其中，所述获取模块，用于获取车辆维护记录中的实际车辆编号及车辆图像集，所述车辆图像集包括多张不同角度的车辆图像；所述获取模块，还用于根据所述实际车辆编号确定车辆型号，并获取所述车辆型号对应的预设图像集和车辆识别信息，其中，所述预设图像集包括多张不同角度的预设车辆图像以及多张预设车辆部件图像，所述车辆识别信息包括每张预设车辆图像中的多个车辆部件坐标；所述第一预处理模块，用于对所述车辆图像集进行第一预处理，得到车辆变换图集，其中，所述第一预处理依次包括灰度拉伸和仿射变换；所述识别模块，用于根据所述车辆识别信息，识别所述车辆变换图集，得到识别车辆编号；所述裁剪模块，用于若所述实际车辆编号与所述识别车辆编号相同，根据所述车辆识别信息，裁剪所述车辆变换图集，得到多张车辆部件图像；所述确定模块，用于将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，并根据比较结果确定所述车辆的清洁度。

第三方面，提供一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器执行时，实现第一方面所述的车辆的清洁度的确定方法。

第四方面，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，实现如第一方面所述的车辆的清洁度的确定方法。

附图说明

图1为本申请实施例提供的一种车辆的清洁度的确定方法的步骤流程示意框图；

图2为本申请实施例提供的一张正面角度的车辆图像；

图3为本申请实施例提供的一张左侧角度的车辆图像；

图4为本申请实施例提供的一张右侧角度的车辆图像；

图5为本申请实施例提供的一张后侧角度的车辆图像；

图6为本申请实施例提供的包括候选框的预设右侧角度的车辆图像；

图7为本申请实施例提供的包括候选框的预设后侧角度的车辆图像；

图8为本申请实施例提供的一张识别车辆编号图像；

图9为本申请实施例提供的一张坐垫图像；

图10为本申请实施例提供的一种车辆的清洁度的确定装置的结构示意框图。

具体实施方式

为使本申请的上述目的、特征和优点能够更为明显易懂，下面结合附图对本申请的具体实施例做详细的说明。

通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域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，都属于本申请保护的范围。

在下文中，可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本申请的各种实施例中被清楚地限定。

实施例1

请参照图1，图1为本申请实施例提供的一种车辆的清洁度的确定方法的步骤流程示意框图。

如图1所示，本申请实施例提供的一种车辆的清洁度的确定方法，应用于服务器，所述方法包括S110至S160。

S110：获取车辆维护记录中的实际车辆编号及车辆图像集，所述车辆图像集包括多张不同角度的车辆图像。

具体地，所述服务器中存储有待审核的车辆维护记录。所述车辆维护记录包括实际车辆编号及车辆图像集。所述服务器每隔预设时长获取待审核的车辆维护记录中的实际车辆编号，实际车辆编号可以是维护人员通过计算机设备输入后上传至服务器的。车辆图像集包括多张不同角度的车辆图像，在本实施例中，请一并参阅图2-图5，图2示出了本申请实施例提供的一张正面角度的车辆图像；图3示出了本申请实施例提供的一张左侧角度的车辆图像；图4示出了本申请实施例提供的一张右侧角度的车辆图像；图5示出了本申请实施例提供的一张后侧角度的车辆图像。正面角度的车辆图像包括车把、车头、前车轮；左侧角度的车辆图像包括前车轮、后车轮、坐桶、坐垫、把手、车架；右侧角度的车辆图像包括前车轮、后车轮、坐桶、坐垫、把手、车架；后侧角度的车辆图像包括把手、车辆编号、车后轮。通过正面角度的车辆图像、左侧角度的车辆图像等多张不同角度的车辆图像，可以获得车辆各个部件的图像，以提高车辆清晰度确定的准确性。所述车辆图像集可以是维护人员通过计算机设备上传的，也可以是设置在维护人员维护车辆处的摄像头采集后上传的。

S120：根据所述实际车辆编号确定车辆型号，并获取所述车辆型号对应的预设图像集和车辆识别信息，其中，所述预设图像集包括多张不同角度的预设车辆图像以及多张预设车辆部件图像，所述车辆识别信息包括每张预设车辆图像中的多个车辆部件坐标。

具体地，所述服务器中存储有实际车辆编号与车辆型号的对应关系，以及所述车辆型号与预设图像集、车辆识别信息的对应关系。所述服务器根据所述实际车辆编号以及所述实际车辆编号与所述车辆型号的对应关系，确定所述车辆型号。并根据所述车辆型号以及所述车辆型号与所述预设图像集、所述车辆识别信息的对应关系，获取所述车辆型号对应的预设图像集和车辆识别信息。

在本申请实施例中，所述预设图像集包括多张不同角度的预设车辆图像以及多张预设车辆部件图像。由工作人员在预设图像集中绘制候选框框选出需要检查比对的部件，并使用OpenCV中的mcc色彩变换矩阵对预设图像集进行颜色校正，生成多张预设车辆部件图像。其中，OpenCV是一个基于BSD许可发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上；mcc色彩变换矩阵为把色彩空间变成绝对RGB色彩空间所用的线性变换的矩阵。框选出的部件图像可以是车辆最外轮廓图像、坐垫图像、坐桶图像、车架图像、车辆编号图像、前轮图像、后轮图像等。在本实施例中，以工作人员框选出的部件图像为车辆编号图像和坐垫图像的候选框为例。请一并参照图6-图7，图6为本申请实施例提供的包括候选框的预设右侧角度的车辆图像；图7为本申请实施例提供的包括候选框的预设后侧角度的车辆图像。

进一步地，所述车辆识别信息包括每张预设车辆图像中的多个车辆部件坐标。在本实施例中，所述车辆识别信息包括预设右侧角度的车辆图像中的坐垫坐标和预设后侧角度的车辆图像中的车辆编号坐标。所述车辆部件坐标可以为候选框的对角坐标，其中，所述对角坐标为候选框左上角的点和右下角的点在图片中的坐标点。根据所述车辆识别信息，裁剪每张预设车辆图像，得到多张预设车辆部件图像。

S130：对所述车辆图像集进行第一预处理，得到车辆变换图集，其中，所述第一预处理依次包括灰度拉伸和仿射变换。

在本申请实施例中，所述灰度拉伸为使用简单的分段线性变换函数，提高图像处理时灰度级的动态范围。所述灰度拉伸包括拉伸、收缩、扭曲、旋转处理等。所述仿射变换为在向量空间中进行一次线性变换(乘以一个矩阵)并加上一个平移(加上一个向量)，变换为另一个向量空间的过程。

具体地，所述对所述车辆图像集进行第一预处理，得到车辆变换图集，包括：

将所述车辆图像集进行二值化处理，得到二值化图集；

在所述二值化图集中查找所述车辆的轮廓，得到转化前的车辆轮廓图集；

对所述转化前的车辆轮廓图集进行BGR转化，得到转化后的车辆轮廓图集；

从所述转化后的车辆轮廓图集获取第一预设数量的轮廓基点；

从所述预设图像集获取第二预设数量的预设基点；

根据所述轮廓基点和所述预设基点，得到变换矩阵；

根据所述变换矩阵，将所述转化后的车辆轮廓图集变换为所述车辆变换图集。

进一步地，基于OpenCV视觉库，使用threshold函数将所述车辆图像集进行二值化处理，得到二值化图集。其中，所述二值化处理就是设定一个二值阈值，用二值阈值将所述车辆图像集的数据分成大于等于二值阈值的像素群和小于二值阈值的像素群，将大于等于二值阈值的像素群设置为0，将小于二值阈值的像素群设置为255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。threshold函数是通过遍历灰度图中点，将图像信息二值化，处理过后的图片只有二种色值的函数。可以理解的是，对车辆图像集进行二值化处理及BGR转化，更容易区分车辆图像集中的车辆轮廓和背景，提高了车辆轮廓的清晰度。

进一步地，使用findContours函数，在所述二值化图集中查找所述车辆的轮廓，得到转化前的车辆轮廓图集；使用cvtColor函数对转化前的车辆轮廓图集进行BGR转化，再使用drawContours函数得到转化后的车辆轮廓图集。其中，BGR代表蓝绿红，蓝色占据最重要的区域，绿色占据第二重要的区域，红色占据最不重要的区域。由于当前采用OpenCV工具读取彩色图时，其读取的图像通道为BGR通道，故需要将RGB转化为BGR通道。

其中，findContours函数用于提取图像的轮廓；cvtColor函数用于将图像从一个颜色空间转换到另一个颜色空间的转换，并且在转换的过程中能够保证数据的类型不变，即转换后的图像的数据类型和位深与源图像一致；drawContours函数用于画出图像的轮廓。

进一步地，使用getAffineTransform三点法，从所述转化后的车辆轮廓图集获取第一预设数量的轮廓基点，从所述预设图像集获取第二预设数量的预设基点，根据所述轮廓基点和所述预设基点，得到变换矩阵。基于所述变换矩阵，使用warpAffine函数，将所述转化后的车辆轮廓图集变换为所述车辆变换图集。在本申请实施例中，对车辆轮廓图集进行仿射变换，解决因车辆图像集存在的角度偏差问题。其中，getAffineTransform三点法用于由三对点计算仿射变换，生成仿射变换矩阵；WarpAffine即旋转变换矩阵函数，是仿射变换中主要功能函数，可以实现一些简单的重映射。

优选地，所述第一预设数量为3，所述第二预设数量为3。可以理解的是，所述第一预设数量和所述第二预设数量可以根据实际需求设定，在此不作限定。

S140：根据所述车辆识别信息，识别所述车辆变换图集，得到识别车辆编号。

在本申请实施例中，所述根据所述车辆识别信息，识别所述车辆变换图，得到识别车辆编号，包括：

根据所述车辆识别信息，获取所述车辆变换图中的识别车辆编号图像；

对所述识别车辆编号图像进行第二预处理，得到预处理后的识别车辆编号图像，其中，所述第二预处理依次包括灰度、二值化、腐蚀、膨胀、寻找数字轮廓及切割；

识别所述预处理后的识别车辆编号图像，得到识别车辆编号。

具体地，由于所述车辆识别信息中包括预设车辆部件图像中的车辆编号坐标，因此，可以根据所述车辆识别信息中的车辆编号坐标，裁剪所述车辆变换图集，得到所述车辆变换图中的识别车辆编号图像。请一并参照图8，图8为本申请实施例提供的一张识别车辆编号图像，即根据车辆编号坐标，裁剪所述车辆变换图集，得到的识别车辆编号图像。

进一步地，基于OpenCV，对所述识别车辆编号图像依次进行灰度、二值化、腐蚀、膨胀、寻找数字轮廓及切割的第二预处理，得到预处理后的识别车辆编号图像。第二预处理的具体过程为：对所述识别车辆编号图像进行灰度，得到灰度后的识别车辆编号图像，所述灰度主要对所述识别车辆编号图像的颜色信息进行处理，以便准确地获取所述识别编号；对灰度后的识别车辆编号图像使用threshold函数进行二值化处理，得到二值化处理后的识别车辆编号图像，二值化处理后的识别车辆编号图像能够清楚的区分背景区域和车辆编号区域；对二值化处理后的识别车辆编号图像的高亮部分进行腐蚀和膨胀处理，得到腐蚀膨胀后的识别车辆编号图像；使用findcontours函数，查找腐蚀膨化后的识别车辆编号图像中的数字轮廓，得到数字轮廓图像；对数字轮廓图像进行切割处理，得到多个切割后的数字轮廓图像，识别多个切割后的数字轮廓图像，得到识别车辆的编号。对识别车辆编号图像进行第二预处理，并识别预处理后的识别车辆编号图像，提高识别车辆编号的准确性。

S150：若所述实际车辆编号与所述识别车辆编号相同，根据所述车辆识别信息，裁剪所述车辆变换图集，得到多张车辆部件图像。

在本实施例中，为了确认维护人员输入的实际车辆编号是否正确，需要比对所述实际车辆编号与所述识别车辆编号是否相同。若所述实际车辆编号与所述识别车辆编号相同，由于所述车辆识别信息中包括每张预设车辆图像中的多个车辆部件坐标，因此，可以根据所述车辆识别信息中的车辆部件坐标，裁剪所述车辆变换图集，得到多张车辆部件图像。请一并参照图9，图9为本申请实施例提供的一张坐垫图像，即根据所述车辆识别信息中的坐垫坐标，裁剪所述车辆变换图集，得到的坐垫图像。

可以理解的是，若所述实际车辆编号与所述识别车辆编号不同，说明维护人员输入的实际车辆编号有误，服务器向计算机设备发送提醒指令，以使计算机设备提示维护人员“您输入的实际车辆编号有误，请您核对后重新输入”，可以是在计算机设备的屏幕上显示上述文字，也可以是通过计算机设备的扬声器播放上述文字，本实施例对此不作限定。

S160：将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，并根据比较结果确定所述车辆的清洁度。

具体地，将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，可以得到每个车辆部件的比对结果，再根据全部车辆部件的比对结果得到比较结果，进而确定车辆的清洁度。

在本实施例中，所述将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，并根据比较结果确定所述车辆的清洁度，包括：

将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，得到比较结果；

若所述比较结果中异常车辆部件图像的总数大于等于预设异常车辆部件图像数，确定所述车辆的清洁度为不合格；

若所述异常车辆部件图像的总数小于预设异常车辆部件图像数，确定所述车辆的清洁度为合格。

可以理解的是，基于OpenCV视觉库，可以采用值哈希算法、差值哈希算法、感知哈希算法、三直方图和单通道直方图计算图片相似度。为了提高每张所述车辆部件图像与对应的预设车辆部件图像的相似度的准确度，所述将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，得到比较结果，包括：

对每张所述车辆部件图像进行线性变换，生成车辆部件比对图像；

将所述车辆部件比对图像与对应的所述预设车辆部件图像进行网格矩阵相似度比较，得到每张所述车辆部件比对图像与对应的所述预设车辆部件图像的相似度；

若所述相似度小于相似度阈值，确定所述车辆部件图像为异常车辆部件图像。

具体地，使用OpenCV中的mcc色彩变换矩阵对每张所述车辆部件图像进行线性变换，生成车辆部件比对图像，使得所述车辆部件比对图像与对应的预设车辆部件图像的颜色趋于一致。

在一种可选的实施方式中，所述将所述车辆部件比对图像与对应的所述预设车辆部件图像进行网格矩阵相似度比较，得到每张所述车辆部件比对图像与对应的所述预设车辆部件图像的相似度，包括：

将每张所述车辆部件比对图像分割为网格图像，将每张所述预设车辆部件图像分割为预设网格图像，其中，所述网格图像和所述预设网格图像的长、宽相同；

对每个所述网格图像和对应的预设网格图像进行三直方图相似度比较，得到每张所述网格图像与对应的预设网格图像的相似度；

根据所述相似度，得到每张所述车辆部件比对图像与对应的所述预设车辆部件图像的相似度。

具体地，将每张所述车辆部件比对图像分割成长宽均为n的网格图像，并将每张所述预设车辆部件图像分割为长宽均为n的预设网格图像。再对每个所述网格图像和对应的预设网格图像均分离成R、G、B三个通道，再使用calcHist函数获取每个通道的灰度直方图比对计算相似度，得出三个通道的相似度平均值，并将所述相似度平均值作为每张所述网格图像与对应的预设网格图像的相似度。将每一车辆部件图像对应的所述相似度相加求平均值，得到每张所述车辆部件比对图像与对应的所述预设车辆部件图像的相似度。若所述相似度小于相似度阈值，确定所述车辆部件图像为异常车辆部件图像；若所述相似度大于所述相似度阈值，确定所述车辆部件图像为正常车辆部件图像。其中，calcHist函数用于计算图像直方图。可以理解的是，n的取值根据实际需求设定，在此不作限定。

进一步地，获取所述比较结果中异常车辆部件图像的总数。获取所述比较结果中异常车辆部件图像的总数的方式包括：将所述比较结果中的异常车辆部件图像相加，或将每个车辆部件的异常车辆部件图像数量乘以对应的权重再相加。权重的比例可以根据车辆部件的面积大小、重要程度等设定。若所述比较结果中异常车辆部件图像的总数大于等于预设异常车辆部件图像数，确定所述车辆的清洁度为不合格；若所述比较结果中异常车辆部件图像的总数小于预设异常车辆部件图像数，确定所述车辆的清洁度为合格。

例如，预设异常车辆部件图像数为10，若比较结果中异常车辆部件图像的总数为15，确定所述车辆的清洁度为不合格；若比较结果中异常车辆部件图像的总数为8，确定所述车辆的清洁度为合格。

可以理解的是，预设异常网格数可以根据实际需求设定，在此不作限定。

在本申请实施例提供了一种车辆的清洁度的确定方法，所述方法包括：获取车辆维护记录中的实际车辆编号及车辆图像集，根据实际车辆编号确定车辆型号，并获取车辆型号对应的预设图像集和车辆识别信息，对车辆图像集进行第一预处理，得到车辆变换图集，若车辆变换图集中的识别车辆编号与车辆维修记录中的实际车辆编号相同，根据车辆识别信息，裁剪车辆变换图集，得到多张车辆部件图像，将每张车辆部件图像与对应的预设车辆部件图像进行比较，并根据比较结果确定车辆的清洁度。对车辆图像集进行第一预处理，提高车辆的轮廓图的清晰度，并解决因车辆图像集存在的角度偏差问题；通过多张不同角度的车辆部件图像与对应的预设车辆部件图像进行比较，根据比较结果确定车辆的清洁度，相对于人工确定清洁度而言，提高车辆清洁度的确定效率。

实施例2

请参照图10，图10为本申请实施例提供的一种车辆的清洁度的确定装置的结构示意框图。所述车辆的清洁度的确定装置200包括获取模块210、第一预处理模块220、识别模块230、裁剪模块240以及确定模块250。

其中，获取模块210，用于获取车辆维护记录中的实际车辆编号及车辆图像集，所述车辆图像集包括多张不同角度的车辆图像；

所述获取模块210，还用于根据所述实际车辆编号确定车辆型号，并获取所述车辆型号对应的预设图像集和车辆识别信息，其中，所述预设图像集包括多张不同角度的预设车辆图像以及多张预设车辆部件图像，所述车辆识别信息包括每张预设车辆图像中的多个车辆部件坐标；

所述第一预处理模块220，用于对所述车辆图像集进行第一预处理，得到车辆变换图集，其中，所述第一预处理依次包括灰度拉伸和仿射变换；

所述识别模块230，用于根据所述车辆识别信息，识别所述车辆变换图集，得到识别车辆编号；

所述裁剪模块240，用于若所述实际车辆编号与所述识别车辆编号相同，根据所述车辆识别信息，裁剪所述车辆变换图集，得到多张车辆部件图像；

所述确定模块250，用于将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，并根据比较结果确定所述车辆的清洁度。

可选地，所述确定模块250，还包括：

图像比较子模块，用于将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，得到比较结果；

清洁度确定子模块，用于若所述比较结果中异常车辆部件图像的总数大于等于预设异常车辆部件图像数，确定所述车辆的清洁度为不合格；

所述清洁度确定子模块，还用于若所述异常车辆部件图像的总数小于预设异常车辆部件图像数，确定所述车辆的清洁度为合格。

可选地，所述图像比较子模块，包括：

生成单元，用于对每张所述车辆部件图像进行线性变换，生成车辆部件比对图像；

比较单元，用于将所述车辆部件比对图像与对应的所述预设车辆部件图像进行网格矩阵相似度比较，得到每张所述车辆部件比对图像与对应的所述预设车辆部件图像的相似度；

确定单元，用于若所述相似度小于相似度阈值，确定所述车辆部件图像为异常车辆部件图像。

可选地，所述比较单元，包括：

分割子单元，用于将每张所述车辆部件比对图像分割为网格图像，将每张所述预设车辆部件图像分割为预设网格图像，其中，所述网格图像和所述预设网格图像的长、宽相同；

比对子单元，用于对每个所述网格图像和对应的预设网格图像进行三直方图相似度比较，得到每张所述网格图像与对应的预设网格图像的相似度；

相似度得到子单元，用于根据所述相似度，得到每张所述车辆部件比对图像与对应的所述预设车辆部件图像的相似度。

可选地，所述识别模块230，还包括：

获取子模块，用于根据所述车辆识别信息，获取所述车辆变换图中的识别车辆编号图像；

第二预处理子模块，用于对所述识别车辆编号图像进行第二预处理，得到预处理后的识别车辆编号图像，其中，所述第二预处理依次包括灰度、二值化、腐蚀、膨胀、寻找数字轮廓及切割；

识别子模块，用于识别所述预处理后的识别车辆编号图像，得到识别车辆编号。

可选地，所述第一预处理模块，包括：

二值化子模块，用于将所述车辆图像集进行二值化处理，得到二值化图集；

轮廓查找子模块，用于在所述二值化图集中查找所述车辆的轮廓，得到转化前的车辆轮廓图集；

BGR转化子模块，用于对所述转化前的车辆轮廓图集进行BGR转化，得到转化后的车辆轮廓图集；

轮廓基点获取子模块，用于从所述转化后的车辆轮廓图集获取第一预设数量的轮廓基点；

预设基点获取子模块，用于从所述预设图像集获取第二预设数量的预设基点；

变换矩阵得到子模块，用于根据所述轮廓基点和所述预设基点，得到变换矩阵；

变换子模块，用于根据所述变换矩阵，将所述转化后的车辆轮廓图集变换为所述车辆变换图集。

上述装置用于执行实施例1提供的方法，其实现原理和技术效果类似，在此不再赘述。

本申请实施例还公开了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器执行时，实现如实施例1所述的车辆的清洁度的确定方法。

本申请实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现如实施例1所述的车辆的清洁度的确定方法。

虽然本申请披露如上，但本申请并非限定于此。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各种更动与修改，因此本申请的保护范围应当以权利要求所限定的范围为准。

Claims (10)

1.一种车辆的清洁度的确定方法，其特征在于，应用于服务器，包括：

获取车辆维护记录中的实际车辆编号及车辆图像集，所述车辆图像集包括多张不同角度的车辆图像；

根据所述实际车辆编号确定车辆型号，并获取所述车辆型号对应的预设图像集和车辆识别信息，其中，所述预设图像集包括多张不同角度的预设车辆图像以及多张预设车辆部件图像，所述车辆识别信息包括每张预设车辆图像中的多个车辆部件坐标；

对所述车辆图像集进行第一预处理，得到车辆变换图集，其中，所述第一预处理依次包括灰度拉伸和仿射变换；

根据所述车辆识别信息，识别所述车辆变换图集，得到识别车辆编号；

若所述实际车辆编号与所述识别车辆编号相同，根据所述车辆识别信息，裁剪所述车辆变换图集，得到多张车辆部件图像；

将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，并根据比较结果确定所述车辆的清洁度。

2.如权利要求1所述的方法，其特征在于，所述将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，并根据比较结果确定所述车辆的清洁度，包括：

将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，得到比较结果；

若所述比较结果中异常车辆部件图像的总数大于等于预设异常车辆部件图像数，确定所述车辆的清洁度为不合格；

若所述异常车辆部件图像的总数小于预设异常车辆部件图像数，确定所述车辆的清洁度为合格。

3.如权利要求2所述的方法，其特征在于，所述将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，得到比较结果，包括：

对每张所述车辆部件图像进行线性变换，生成车辆部件比对图像；

将所述车辆部件比对图像与对应的所述预设车辆部件图像进行网格矩阵相似度比较，得到每张所述车辆部件比对图像与对应的所述预设车辆部件图像的相似度；

若所述相似度小于相似度阈值，确定所述车辆部件图像为异常车辆部件图像。

4.如权利要求3所述的方法，其特征在于，所述将所述车辆部件比对图像与对应的所述预设车辆部件图像进行网格矩阵相似度比较，得到每张所述车辆部件比对图像与对应的所述预设车辆部件图像的相似度，包括：

将每张所述车辆部件比对图像分割为网格图像，将每张所述预设车辆部件图像分割为预设网格图像，其中，所述网格图像和所述预设网格图像的长、宽相同；

对每个所述网格图像和对应的预设网格图像进行三直方图相似度比较，得到每张所述网格图像与对应的预设网格图像的相似度；

根据所述相似度，得到每张所述车辆部件比对图像与对应的所述预设车辆部件图像的相似度。

5.如权利要求1所述的方法，其特征在于，所述根据所述车辆识别信息，识别所述车辆变换图，得到识别车辆编号，包括：

根据所述车辆识别信息，获取所述车辆变换图中的识别车辆编号图像；

对所述识别车辆编号图像进行第二预处理，得到预处理后的识别车辆编号图像，其中，所述第二预处理依次包括灰度、二值化、腐蚀、膨胀、寻找数字轮廓及切割；

识别所述预处理后的识别车辆编号图像，得到识别车辆编号。

6.如权利要求1所述的方法，其特征在于，所述对所述车辆图像集进行第一预处理，得到车辆变换图集，包括：

将所述车辆图像集进行二值化处理，得到二值化图集；

在所述二值化图集中查找所述车辆的轮廓，得到转化前的车辆轮廓图集；

对所述转化前的车辆轮廓图集进行BGR转化，得到转化后的车辆轮廓图集；

从所述转化后的车辆轮廓图集获取第一预设数量的轮廓基点；

从所述预设图像集获取第二预设数量的预设基点；

根据所述轮廓基点和所述预设基点，得到变换矩阵；

根据所述变换矩阵，将所述转化后的车辆轮廓图集变换为所述车辆变换图集。

7.一种车辆的清洁度的确定装置，其特征在于，应用于服务器，包括：

获取模块，用于获取车辆维护记录中的实际车辆编号及车辆图像集，所述车辆图像集包括多张不同角度的车辆图像；

所述获取模块，还用于根据所述实际车辆编号确定车辆型号，并获取所述车辆型号对应的预设图像集和车辆识别信息，其中，所述预设图像集包括多张不同角度的预设车辆图像以及多张预设车辆部件图像，所述车辆识别信息包括每张预设车辆图像中的多个车辆部件坐标；

第一预处理模块，用于对所述车辆图像集进行第一预处理，得到车辆变换图集，其中，所述第一预处理依次包括灰度拉伸和仿射变换；

识别模块，用于根据所述车辆识别信息，识别所述车辆变换图集，得到识别车辆编号；

裁剪模块，用于若所述实际车辆编号与所述识别车辆编号相同，根据所述车辆识别信息，裁剪所述车辆变换图集，得到多张车辆部件图像；

确定模块，用于将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，并根据比较结果确定所述车辆的清洁度。

8.如权利要求7所述的装置，其特征在于，所述确定模块，包括：

图像比较子模块，用于将每张所述车辆部件图像与对应的预设车辆部件图像进行比较，得到比较结果；

清洁度确定子模块，用于若所述比较结果中异常车辆部件图像的总数大于等于预设异常车辆部件数，确定所述车辆的清洁度为不合格；

所述清洁度确定子模块，还用于若所述异常车辆部件图像的总数小于预设异常车辆部件图像数，确定所述车辆的清洁度为合格。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器执行时，实现如权利要求1至6中任一项所述的车辆的清洁度的确定方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1至6中任一项所述的车辆的清洁度的确定方法。

Images