CN117708366A - 基于人工智能的图像检索方法、装置、设备及存储介质 - Google Patents

Abstract

本申请属于人工智能领域与金融科技领域，涉及一种基于人工智能的图像检索方法、图像检索装置、计算机设备及存储介质，包括：基于图像检索模型提取输入的车祸图像的全局特征与车身特征；对全局特征与车身特征进行融合得到第一融合特征；对第一融合特征进行降维映射得到第二融合特征；从车祸图像特征数据库获取指定车祸图像特征；计算第二融合特征与指定车祸图像特征的相似度，判断在所有相似度中是否存在数值大于相似度阈值的指定相似度；若是，基于指定相似度获取目标车祸图像数据并推送给用户。此外，本申请的车祸图像可存储于区块链中。本申请可以应用于金融领域的图像检索场景，基于图像检索模型保证了生成的车祸图像的图像检索结果的精确度。

Description

基于人工智能的图像检索方法、装置、设备及存储介质

技术领域

本申请涉及人工智能开发技术领域与金融科技领域，尤其涉及基于人工智能的图像检索方法、装置、计算机设备及存储介质。

背景技术

保险行业对于车祸的定损往往都需要专业的事故勘察员前往事故现场进行勘察并确定车祸的损伤程度，最后再根据定损方案进行理赔。该过程依赖大量的人力物力，并且对于勘察员的专业性要求较高。此外，该查勘过程的复杂性也导致定损的时效过长，进而影响理赔的服务时效。基于此背景，目前保险行业内提出了基于图像检索算法的车祸定损方案。当下主流的图像检索算法基本上都利用深度学习模型对图像进行特征的提取，将提取的特征用于在线检索。这些算法模型利用卷积神经网络(CNN)对图像进行全局特征或局部特征的提取并优化，在图像检索上取得了非常不错的效果。

然而，不管是以全局特征或是局部特征作为检索依据，归根结底都是将图像作为一个整体来考虑，而不关心某个类别的图像(比如车祸现场图像)所包含的特性，这就导致这些主流的检索算法在特定的某种类别图像上存在检索精度并不高的问题。因而，现有的保险行业内提出的基于主流的检索算法的车祸定损方案，在车祸图像的检索处理过程中存在检索精度低下的问题。

发明内容

本申请实施例的目的在于提出一种基于人工智能的图像检索方法、装置、计算机设备及存储介质，以解决现有的保险行业内提出的基于主流的检索算法的车祸定损方案，在车祸图像的检索处理过程中存在检索精度低的技术问题。

为了解决上述技术问题，本申请实施例提供一种基于人工智能的图像检索方法，采用了如下所述的技术方案：

若接收到用户在业务页面输入的图像检索请求，获取所述用户输入的车祸图像；

基于预设的图像检索模型提取所述车祸图像的全局特征与车身特征；

对所述全局特征与所述车身特征进行融合处理，得到对应的第一融合特征；

对所述第一融合特征进行降维映射处理，得到对应的第二融合特征；

从预设的车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征；

计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度，并判断在所有所述相似度中是否存在数值大于预设的相似度阈值的指定相似度；

若是，获取与所述指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户。

进一步的，所述对所述第一融合特征进行降维映射处理，得到对应的第二融合特征的步骤，具体包括：

对所述第一融合特征进行PCA降维处理，得到对应的第一特征；

对所述第一特征进行哈希映射处理，得到对应的第二特征；

将所述第二特征作为所述第二融合特征。

进一步的，在所述从预设的车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征的步骤之前，还包括：

对所述车祸图像进行分析，获取与所述车祸图像对应的目标车辆的车辆信息；

从所述车辆信息中获取所述目标车辆的发售时间；

获取当前时间；

基于所述当前时间与所述发售时间生成所述指定时间节点。

进一步的，所述计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度的步骤，具体包括：

获取预设的汉明距离算法；

基于所述汉明距离算法，计算所述第二融合特征与第三特征之间的特征距离；其中，所述第三特征为所有指定车祸图像特征中的任意一个图像特征；

基于所述特征距离生成所述第二融合特征与所述第三特征之间的相似度。

进一步的，所述指定相似度的数量包括多个；所述获取与所述指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户的步骤，具体包括：

按照所述指定相似度的数值从大到小的顺序对所有所述目标车祸图像数据进行排序，得到对应的排序图像结果；

获取与所述业务页面对应的页面信息；

基于所述页面信息，将排序图像结果展示至所述业务页面内。

进一步的，在所述基于所述页面信息，将排序图像结果展示至所述业务页面内的步骤之后，还包括：

判断是否接收到所述用户触发对于所述排序图像结果中的指定车祸图像数据的点击操作；

若是，获取与所述指定车祸图像数据对应的目标定损数据；

在所述业务页面中展示所述目标定损数据。

进一步的，在所述从预设的车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征的步骤之前，还包括：

获取历史定损车祸案件的车祸数据；

将所述车祸数据分离为保单数据与车祸图像特征数据；

将所述保单数据存储至预设的车祸信息数据库内；

将所述车祸图像特征数据存储至预设的车祸图像特征数据库内。

为了解决上述技术问题，本申请实施例还提供一种基于人工智能的图像检索装置，采用了如下所述的技术方案：

第一获取模块，用于若接收到用户在业务页面输入的图像检索请求，获取所述用户输入的车祸图像；

提取模块，用于基于预设的图像检索模型提取所述车祸图像的全局特征与车身特征；

第一处理模块，用于对所述全局特征与所述车身特征进行融合处理，得到对应的第一融合特征；

第二处理模块，用于对所述第一融合特征进行降维映射处理，得到对应的第二融合特征；

第二获取模块，用于从预设的车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征；

第三处理模块，用于计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度，并判断在所有所述相似度中是否存在数值大于预设的相似度阈值的指定相似度；

推送模块，用于若是，获取与所述指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

若接收到用户在业务页面输入的图像检索请求，获取所述用户输入的车祸图像；

基于预设的图像检索模型提取所述车祸图像的全局特征与车身特征；

对所述全局特征与所述车身特征进行融合处理，得到对应的第一融合特征；

对所述第一融合特征进行降维映射处理，得到对应的第二融合特征；

从预设的车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征；

计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度，并判断在所有所述相似度中是否存在数值大于预设的相似度阈值的指定相似度；

若是，获取与所述指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

若接收到用户在业务页面输入的图像检索请求，获取所述用户输入的车祸图像；

基于预设的图像检索模型提取所述车祸图像的全局特征与车身特征；

对所述全局特征与所述车身特征进行融合处理，得到对应的第一融合特征；

对所述第一融合特征进行降维映射处理，得到对应的第二融合特征；

从预设的车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征；

计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度，并判断在所有所述相似度中是否存在数值大于预设的相似度阈值的指定相似度；

若是，获取与所述指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例针对车祸图像的特性提出了一种基于特征融合的图像检索方案，在获取到用户在业务页面输入的图像检索请求中携带的车祸图像后，会基于图像检索模型提取所述车祸图像的全局特征与车身特征，然后对所述全局特征与所述车身特征进行融合处理与降维映射处理得到对应的第二融合特征，之后从车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征，后续计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度，进而获取数值大于预设的相似度阈值的指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户。实现了基于图像检索模型的使用，对由车祸图像的全局特征与车身特征进行特征融合得到的第二融合特征，与从车祸图像特征数据库中获取的与指定时间节点对应的指定车祸图像特征进行相似度计算处理，进而可以根据得到的相似度来实现快速准确地确定出与上述车祸图像匹配的图像检索结果，即上述目标车祸图像数据。通过将车祸图像的提取到的车祸图像全局特征与车身部分的特征进行融合作为最终的检索特征以供图像检索模型进行后续的图像检索处理，能够有效保证生成的与该检索特征匹配的图像检索结果的精确度。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请可以应用于其中的示例性系统架构图；

图2根据本申请的基于人工智能的图像检索方法的一个实施例的流程图；

图3是根据本申请的基于人工智能的图像检索装置的一个实施例的结构示意图；

图4是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的基于人工智能的图像检索方法一般由服务器/终端设备执行，相应地，基于人工智能的图像检索装置一般设置于服务器/终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的基于人工智能的图像检索方法的一个实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的基于人工智能的图像检索方法能够应用于任意一种需要进行车祸图像检索的场景中，则该基于人工智能的图像检索方法能够应用于这些场景的产品中，例如，金融保险领域中的车祸图像检索。所述的基于人工智能的图像检索方法，包括以下步骤：

步骤S201，若接收到用户在业务页面输入的图像检索请求，获取所述用户输入的车祸图像。

在本实施例中，基于人工智能的图像检索方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取车祸图像。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。上述基于人工智能的图像检索方法的执行主体具体可为保险企业内开发的车祸图像检索业务系统。上述业务页面为车祸图像检索业务系统内的业务检索页面，用户可以通过在上述业务页面中点击图像检索按钮，以在业务页面中触发携带输入的车祸图像的图像检索请求。其中，车祸图像的特性包括：车祸图像基本上包含车身部分和背景部分，而车身部分的图像特征在全局的特征中占主要部分。

步骤S202，基于预设的图像检索模型提取所述车祸图像的全局特征与车身特征。

在本实施例中，可通过将所述车祸图像输入至所述图像检索模型内，以通过该图像检索模型提取出与所述车祸图像对应的全局特征与车身特征。其中，上述图像检索模型具体可为基于预先采集的样本图像数据对预设的深度学习网络模型进行训练与测试处理后构建得到的。具体地，可通过将上述样本图像随机划分为训练集与测试集，然后使用训练集对深度学习网络模型进行训练，获得初步训练后的深度学习网络模型，之后采用测试集对初步训练后的深度学习网络模型进行性能测试，根据测试结果调整初步训练后的深度学习网络模型训练参数与检测置信度阈值，优化并固化该初步训练后的深度学习网络模型，进而构建出所需的图像检索模型。另外，上述样本图像数据为现有的已确定损伤程度的车祸图像，车祸图像包括全局特征与车身部分的特征。此外，上述深度学习网络模型为采用Resnet(Residual Network,残差网络)网络框架模型结合FPN(Feature PyramidNetworks，特征金字塔模型)构建的模型。Resnet网络通过设计“短路”机制，残差网络可以让梯度更好的在网络的层之间传播，从而使得训练500+层的超深神经网络成为了可能。Resnet网络通过设计残差块结构，调整模型结构，避免产生梯度消失问题，让更深的模型能够有效训练。FPN模型是一个在特征尺度的金字塔操作，它时通过将自顶向下和自底向上的特征图进行融合来实现特征金字塔操作的。FPN提供的是一个特征融合的机制，并没有引入太多的参数，实现了以增加极小计算代价的情况下提升对多尺度目标的检测能力。

步骤S203，对所述全局特征与所述车身特征进行融合处理，得到对应的第一融合特征。

在本实施例中，可通过图像检索模型对所述全局特征与所述车身特征进行融合处理以作为相应的检索特征，即上述第一融合特征。

步骤S204，对所述第一融合特征进行降维映射处理，得到对应的第二融合特征。

在本实施例中，上述对所述第一融合特征进行降维映射处理，得到对应的第二融合特征的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

步骤S205，从预设的车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征。

在本实施例中，对于上述指定时间节点的确定方式，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。同理，对于上述车祸图像特征数据库的构建方式，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

步骤S206，计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度，并判断在所有所述相似度中是否存在数值大于预设的相似度阈值的指定相似度。

在本实施例中，对于上述相似度阈值的取值不做具体限定，可根据实际的图像相似检索的业务需求进行设置。其中，上述计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

步骤S207，若是，获取与所述指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户。

在本实施例中，上述获取与所述指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

本申请若接收到用户在业务页面输入的图像检索请求，获取所述用户输入的车祸图像；然后基于预设的图像检索模型提取所述车祸图像的全局特征与车身特征；之后对所述全局特征与所述车身特征进行融合处理，得到对应的第一融合特征；后续对所述第一融合特征进行降维映射处理，得到对应的第二融合特征；进一步从预设的车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征；最后计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度，并判断在所有所述相似度中是否存在数值大于预设的相似度阈值的指定相似度；若是，获取与所述指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户。本申请针对车祸图像的特性提出了一种基于特征融合的图像检索方案，在获取到用户在业务页面输入的图像检索请求中携带的车祸图像后，会基于图像检索模型提取所述车祸图像的全局特征与车身特征，然后对所述全局特征与所述车身特征进行融合处理与降维映射处理得到对应的第二融合特征，之后从车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征，后续计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度，进而获取数值大于预设的相似度阈值的指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户。实现了基于图像检索模型的使用，对由车祸图像的全局特征与车身特征进行特征融合得到的第二融合特征，与从车祸图像特征数据库中获取的与指定时间节点对应的指定车祸图像特征进行相似度计算处理，进而可以根据得到的相似度来实现快速准确地确定出与上述车祸图像匹配的图像检索结果，即上述目标车祸图像数据。通过将车祸图像的提取到的车祸图像全局特征与车身部分的特征进行融合作为最终的检索特征以供图像检索模型进行后续的图像检索处理，能够有效保证生成的与该检索特征匹配的图像检索结果的精确度。

在一些可选的实现方式中，步骤S204包括以下步骤：

对所述第一融合特征进行PCA降维处理，得到对应的第一特征。

在本实施例中，PCA(Principal Component Analysis)主成分分析是一种数据分析方式，PCA降维利用正交变换把由线性相关变量表示的数据转换为少数几个由线性无关变量表示的数据，线性无关变量称为主成分。主成分的数量通常小于原始变量数量，因此主成分分析常用于高维数据的降维，提取数据的主要特征分量。

对所述第一特征进行哈希映射处理，得到对应的第二特征。

在本实施例中，HashMap，又称哈希映射或散列图。是一个用于储存键—值对(key-value)的集合，每个键—值对又称Entry，将这些Entry储存在一个数组里，这个数组就为HashMap。通过对所述第一特征进行哈希映射处理，可以得到二进制的第二特征。利用哈希映射的目的是为了使用汉明距离进行相似度计算，该方式可以很大程度提高图像检索的性能。

将所述第二特征作为所述第二融合特征。

本申请通过对所述第一融合特征进行PCA降维处理，得到对应的第一特征；然后对所述第一特征进行哈希映射处理，得到对应的第二特征；后续将所述第二特征作为所述第二融合特征。本申请通过对所述第一融合特征进行PCA降维处理与哈希映射处理，从而可以快速地得到符合后续的相似度计算需求的第二融合特征，保证了得到的第二融合特征的数据规范性，有利于后续的对于第二融合特征的相似度计算的顺利进行。

在本实施例的一些可选的实现方式中，在步骤S205之前，上述电子设备还可以执行以下步骤：

对所述车祸图像进行分析，获取与所述车祸图像对应的目标车辆的车辆信息。

在本实施例中，可通过对车祸图像中的包含车辆的区域进行分析，以获取到该所述车祸图像对应的目标车辆的车辆信息，车辆信息可包括目标车辆的品牌信息与型号信息。

从所述车辆信息中获取所述目标车辆的发售时间。

在本实施例中，了基于车辆信息所包括的目标车辆的品牌信息与型号信息对目标车辆进行发售信息查询，以查找出目标车辆的发售时间。

获取当前时间。

在本实施例中，上述当前时间可使用日作为单位进行获取。

基于所述当前时间与所述发售时间生成所述指定时间节点。

在本实施例中，可通过将所述发售时间作为指定时间节点的左侧端点，将所述当前时间作为指定时间节点的右侧端点，以构建出包含所述发售时间与所述当前时间之间的所有时间段的上述指定时间节点。在确定出指定时间节点后，由于除该指定时间节点之外的图像特征数据库中的车祸图像特征为与车祸图像对应的目标车辆无关的图像特征，因而后续只需使用指定时间节点来从车祸图像特征数据库中获取相应的指定车祸图像特征来进行对于车祸图像的检索处理即可，从而提高车祸图像的检索处理的处理效率与处理智能性。

本申请通过对所述车祸图像进行分析，获取与所述车祸图像对应的目标车辆的车辆信息；然后从所述车辆信息中获取所述目标车辆的发售时间；之后获取当前时间；后续基于所述当前时间与所述发售时间生成所述指定时间节点。本申请通过对所述车祸图像进行分析以获取到所述车祸图像对应的目标车辆的发售时间，进而会根据当前时间与所述发售时间生成所述指定时间节点，以实现快速地生成指定时间节点，使得后续只需从车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征来进行对于车祸图像的检索处理，而不需要使用车祸图像特征数据库中存在的所有车祸图像特征来进行对于车祸图像的检索处理，有效地降低了车祸图像的检索处理的工作量，提高了车祸图像的检索处理的处理效率。

在一些可选的实现方式中，步骤S205包括以下步骤：

获取预设的汉明距离算法。

在本实施例中，汉明距离是使用在数据传输差错控制编码里面的，汉明距离是一个概念，它表示两个(相同长度)字符串对应位置的不同字符的数量，我们以d(x,y)表示两个字x,y之间的汉明距离。对两个字符串进行异或运算，并统计结果为1的个数，那么这个数就是汉明距离。汉明距离是比较二进制图像非常有效的手段。

基于所述汉明距离算法，计算所述第二融合特征与第三特征之间的特征距离；其中，所述第三特征为所有指定车祸图像特征中的任意一个图像特征。

在本实施例中，假如一组二进制数据为101，另外一组为111，那么显然把第一组的第二位数据0改成1就可以变成第二组数据111，所以两组数据的汉明距离就为1。汉明距离就是一组二进制数据变成另一组数据所需的步骤数(它表示两个相同长度的字符串对应位置的不同字符的数量)，显然，这个数值可以衡量两张图片的差异，汉明距离越小，则代表相似度越高。汉明距离为0，即代表两张图片完全一样。

基于所述特征距离生成所述第二融合特征与所述第三特征之间的相似度。

在本实施例中，可通过计算1/所述特征距离的商值，再将得到的商值作为所述第二融合特征与所述第三特征之间的相似度。

本申请通过获取预设的汉明距离算法；然后基于所述汉明距离算法，计算所述第二融合特征与第三特征之间的特征距离；后续基于所述特征距离生成所述第二融合特征与所述第三特征之间的相似度。本申请通过使用汉明距离算法对所述第二融合特征与第三特征之间进行计算处理，可以根据得到的特征距离实现快速准确地生成所述第二融合特征与所述第三特征之间的相似度，有效地保证了生成的所述第二融合特征与所有所述指定车祸图像特征之间的相似度的准确性。

在一些可选的实现方式中，所述指定相似度的数量包括多个；步骤S206包括以下步骤：

按照所述指定相似度的数值从大到小的顺序对所有所述目标车祸图像数据进行排序，得到对应的排序图像结果。

在本实施例中，可先对所有指定相似度进行数值分析，进而按照所述指定相似度的数值从大到小的顺序对所有所述目标车祸图像数据进行排序，以得到相应的排序图像结果。

获取与所述业务页面对应的页面信息。

在本实施例中，上述页面信息可指所述业务页面的地址信息。

基于所述页面信息，将排序图像结果展示至所述业务页面内。

在本实施例中，可通过在所述业务页面中新建一个数据展示页面，进而将所述排序图像结果展示至所述业务页面中的所述业务页面内。

本申请通过按照所述指定相似度的数值从大到小的顺序对所有所述目标车祸图像数据进行排序，得到对应的排序图像结果；然后获取与所述业务页面对应的页面信息；后续基于所述页面信息，将排序图像结果展示至所述业务页面内。本申请通过按照所述指定相似度的数值从大到小的顺序对所有所述目标车祸图像数据进行排序，得到对应的排序图像结果，进而智能地将排序图像结果展示至所述业务页面内以供用户进行查阅，使得用户可以通过查阅该业务页面内展示的排序图像结果来进行对车祸图像的快速定损。从而可以节省大量的人力物力和相关资源，有利于提高对于车祸图像的定损处理效率，提高用户的工作效率与工作体验。

在本实施例的一些可选的实现方式中，在所述基于所述页面信息，将排序图像结果展示至所述业务页面内的步骤之后，上述电子设备还可以执行以下步骤：

判断是否接收到所述用户触发对于所述排序图像结果中的指定车祸图像数据的点击操作。

在本实施例中，上述指定车祸图像数据可为所述排序图像结果中的任意一个或多个车祸图像数据。

若是，获取与所述指定车祸图像数据对应的目标定损数据。

在本实施例中，可通过基于该指定车祸图像数据查询预设的车损数据库，以从车损数据库中查找出与所述指定车祸图像数据对应的目标定损数据。

在所述业务页面中展示所述目标定损数据。

在本实施例中，可通过将从车损数据库中查找出与所述指定车祸图像数据对应的目标定损数据填充至所述业务页面内进行展示。目标定损数据可包括与该指定车祸图像数据对应的车辆损伤的相关具体信息。具体地，定损数据可包括1.车辆残值评估数据:根据车辆的日常使用情况、车辆年限、车辆里程数、车辆维护情况等因素，对事故车辆进行残值评估，确定事故车辆的残值。2.维修费用评估数据:对事故车辆的受损部位进行评估，计算维修所需的材料费、人工费等费用，并根据具体情况对维修费用进行合理估计。3.配件选择数据:根据车辆的品牌、型号以及所需更换的配件种类等因素，选择合适的配件进行维修，确保维修质量和耐久性。4.劳务费用评估数据:根据维修所需的工时以及劳动力成本等因素评估维修所需的劳务费用。5.喷漆费用评估数据:对事故车辆的喷漆部位进行评估，计算喷漆所需的材料费、人工费等费用，并根据具体情况对喷漆费用进行合理估计。6.辅助装置评估数据:对事故车辆上的辅助装置(如音响、导航系统等)进行评估，确定是否需要进行修复或更换，以及相应的费用。

本申请通过判断是否接收到所述用户触发对于所述排序图像结果中的指定车祸图像数据的点击操作；若是，获取与所述指定车祸图像数据对应的目标定损数据；后续在所述业务页面中展示所述目标定损数据。本申请通过提供定损数据的查询功能，在接收到所述用户触发对于所述排序图像结果中的指定车祸图像数据的点击操作，会智能地获取与所述指定车祸图像数据对应的目标定损数据并在所述业务页面中进行展示，以使得用户可以通过查阅该指定车祸图像数据所对应的目标定损数据，来辅助自身进行对车祸图像的快速定损。从而可以节省大量的人力物力和相关资源，有利于提高对于车祸图像的定损处理效率，提高用户的工作效率与工作体验。

在本实施例的一些可选的实现方式中，在步骤S205之前，上述电子设备还可以执行以下步骤：

获取历史定损车祸案件的车祸数据。

在本实施例中，上述历史定损车祸案件可为指预设的历史时间周期内采集的车祸数据。对于上述历史时间周期的时间选取不做具体限定，可根据实际的业务使用需求进行设置。上述车祸数据至少包括对应的保单数据与车祸图像数据。

将所述车祸数据分离为保单数据与车祸图像特征数据。

在本实施例中，可通过获取车祸数据中的保单数据与车祸图像数据，进而基于上述图像检索模型对车祸图像数据进行处理以得到相应的车祸图像特征数据。其中，使用图像检索模型对车祸图像数据进行处理以得到相应的车祸图像特征数据的过程可参照上述基于图像检索模型对所述车祸图像进行处理得到对应的第二融合特征的处理过程，在此不做过多赘述。

将所述保单数据存储至预设的车祸信息数据库内。

在本实施例中，上述车祸信息数据库为预先构建的用于分离存储车祸数据所对应的保单数据的数据库。

将所述车祸图像特征数据存储至预设的车祸图像特征数据库内。

在本实施例中，上述车祸图像特征数据库为预先构建的用于分离存储车祸数据所对应的车祸图像特征数据的数据库，使得后续再对待检索的车祸图像进行检索处理时，能够直接从该车祸图像特征数据库提取出所需的车祸图像特征，而不需重复对车祸数据进行图像特征生成的处理，有效地提高了车祸图像特征的获取效率与获取智能性，进而提高对待检索的车祸图像进行检索处理的处理效率。

本申请通过获取历史定损车祸案件的车祸数据；然后将所述车祸数据分离为保单数据与车祸图像特征数据；之后将所述保单数据存储至预设的车祸信息数据库内；后续将所述车祸图像特征数据存储至预设的车祸图像特征数据库内。本申请通过将获取到的历史定损车祸案件的车祸数据分离为保单数据与车祸图像特征数据，进而智能地使用车祸信息数据库对所述保单数据进行存储，以及使用车祸图像特征数据库对所述车祸图像特征数据进行存储，以实现对于保单数据与车祸图像特征数据的分离存储，使得后续用户输入的车祸图像进行检索处理时，能够直接从该车祸图像特征数据库提取出检索处理所需的车祸图像特征，而不需要执行对原始的车祸数据进行车祸图像特征生成的处理，有效地提高了车祸图像特征的获取效率与获取智能性，进而提高对用户输入的车祸图像进行检索处理的处理效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

需要强调的是，为进一步保证上述目标车祸图像数据的私密和安全性，上述目标车祸图像数据还可以存储于一区块链的节点中。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)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。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的图像检索装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例所述的基于人工智能的图像检索装置300包括：第一获取模块301、提取模块302、第一处理模块303、第二处理模块304、第二获取模块305、第三处理模块306以及推送模块307。其中：

第一获取模块301，用于若接收到用户在业务页面输入的图像检索请求，获取所述用户输入的车祸图像；

提取模块302，用于基于预设的图像检索模型提取所述车祸图像的全局特征与车身特征；

第一处理模块303，用于对所述全局特征与所述车身特征进行融合处理，得到对应的第一融合特征；

第二处理模块304，用于对所述第一融合特征进行降维映射处理，得到对应的第二融合特征；

第二获取模块305，用于从预设的车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征；

第三处理模块306，用于计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度，并判断在所有所述相似度中是否存在数值大于预设的相似度阈值的指定相似度；

推送模块307，用于若是，获取与所述指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的图像检索方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，第二处理模块304包括：

第一处理子模块，用于对所述第一融合特征进行PCA降维处理，得到对应的第一特征；

第二处理子模块，用于对所述第一特征进行哈希映射处理，得到对应的第二特征；

第一确定子模块，用于将所述第二特征作为所述第二融合特征。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的图像检索方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中,基于人工智能的图像检索装置还包括：

分析模块，用于对所述车祸图像进行分析，获取与所述车祸图像对应的目标车辆的车辆信息；

第三获取模块，用于从所述车辆信息中获取所述目标车辆的发售时间；

第四获取模块，用于获取当前时间；

生成模块，用于基于所述当前时间与所述发售时间生成所述指定时间节点。

本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的图像检索方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，第三处理模块306包括：

第一获取子模块，用于获取预设的汉明距离算法；

计算子模块，用于基于所述汉明距离算法，计算所述第二融合特征与第三特征之间的特征距离；其中，所述第三特征为所有指定车祸图像特征中的任意一个图像特征；

第二确定子模块，用于基于所述特征距离生成所述第二融合特征与所述第三特征之间的相似度。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的图像检索方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，所述指定相似度的数量包括多个，推送模块307包括：

排序子模块，用于按照所述指定相似度的数值从大到小的顺序对所有所述目标车祸图像数据进行排序，得到对应的排序图像结果；

第二获取子模块，用于获取与所述业务页面对应的页面信息；

第一展示子模块，用于基于所述页面信息，将排序图像结果展示至所述业务页面内。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的图像检索方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，推送模块307还包括：

判断子模块，用于判断是否接收到所述用户触发对于所述排序图像结果中的指定车祸图像数据的点击操作；

第三获取子模块，用于若是，获取与所述指定车祸图像数据对应的目标定损数据；

第二展示子模块，用于在所述业务页面中展示所述目标定损数据。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的图像检索方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，基于人工智能的图像检索装置还包括：

第五获取模块，用于获取历史定损车祸案件的车祸数据；

分离模块，用于将所述车祸数据分离为保单数据与车祸图像特征数据；

第一存储模块，用于将所述保单数据存储至预设的车祸信息数据库内；

第二存储模块，用于将所述车祸图像特征数据存储至预设的车祸图像特征数据库内。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的图像检索方法的步骤一一对应，在此不再赘述。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的图像检索方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的图像检索方法的计算机可读指令。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例中，针对车祸图像的特性提出了一种基于特征融合的图像检索方案，在获取到用户在业务页面输入的图像检索请求中携带的车祸图像后，会基于图像检索模型提取所述车祸图像的全局特征与车身特征，然后对所述全局特征与所述车身特征进行融合处理与降维映射处理得到对应的第二融合特征，之后从车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征，后续计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度，进而获取数值大于预设的相似度阈值的指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户。实现了基于图像检索模型的使用，对由车祸图像的全局特征与车身特征进行特征融合得到的第二融合特征，与从车祸图像特征数据库中获取的与指定时间节点对应的指定车祸图像特征进行相似度计算处理，进而可以根据得到的相似度来实现快速准确地确定出与上述车祸图像匹配的图像检索结果，即上述目标车祸图像数据。通过将车祸图像的提取到的车祸图像全局特征与车身部分的特征进行融合作为最终的检索特征以供图像检索模型进行后续的图像检索处理，能够有效保证生成的与该检索特征匹配的图像检索结果的精确度。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的图像检索方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例中，针对车祸图像的特性提出了一种基于特征融合的图像检索方案，在获取到用户在业务页面输入的图像检索请求中携带的车祸图像后，会基于图像检索模型提取所述车祸图像的全局特征与车身特征，然后对所述全局特征与所述车身特征进行融合处理与降维映射处理得到对应的第二融合特征，之后从车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征，后续计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度，进而获取数值大于预设的相似度阈值的指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户。实现了基于图像检索模型的使用，对由车祸图像的全局特征与车身特征进行特征融合得到的第二融合特征，与从车祸图像特征数据库中获取的与指定时间节点对应的指定车祸图像特征进行相似度计算处理，进而可以根据得到的相似度来实现快速准确地确定出与上述车祸图像匹配的图像检索结果，即上述目标车祸图像数据。通过将车祸图像的提取到的车祸图像全局特征与车身部分的特征进行融合作为最终的检索特征以供图像检索模型进行后续的图像检索处理，能够有效保证生成的与该检索特征匹配的图像检索结果的精确度。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于人工智能的图像检索方法，其特征在于，包括下述步骤：

若接收到用户在业务页面输入的图像检索请求，获取所述用户输入的车祸图像；

基于预设的图像检索模型提取所述车祸图像的全局特征与车身特征；

对所述全局特征与所述车身特征进行融合处理，得到对应的第一融合特征；

对所述第一融合特征进行降维映射处理，得到对应的第二融合特征；

从预设的车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征；

计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度，并判断在所有所述相似度中是否存在数值大于预设的相似度阈值的指定相似度；

若是，获取与所述指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户。

2.根据权利要求1所述的基于人工智能的图像检索方法，其特征在于，所述对所述第一融合特征进行降维映射处理，得到对应的第二融合特征的步骤，具体包括：

对所述第一融合特征进行PCA降维处理，得到对应的第一特征；

对所述第一特征进行哈希映射处理，得到对应的第二特征；

将所述第二特征作为所述第二融合特征。

3.根据权利要求1所述的基于人工智能的图像检索方法，其特征在于，在所述从预设的车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征的步骤之前，还包括：

对所述车祸图像进行分析，获取与所述车祸图像对应的目标车辆的车辆信息；

从所述车辆信息中获取所述目标车辆的发售时间；

获取当前时间；

基于所述当前时间与所述发售时间生成所述指定时间节点。

4.根据权利要求1所述的基于人工智能的图像检索方法，其特征在于，所述计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度的步骤，具体包括：

获取预设的汉明距离算法；

基于所述汉明距离算法，计算所述第二融合特征与第三特征之间的特征距离；其中，所述第三特征为所有指定车祸图像特征中的任意一个图像特征；

基于所述特征距离生成所述第二融合特征与所述第三特征之间的相似度。

5.根据权利要求1所述的基于人工智能的图像检索方法，其特征在于，所述指定相似度的数量包括多个；所述获取与所述指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户的步骤，具体包括：

按照所述指定相似度的数值从大到小的顺序对所有所述目标车祸图像数据进行排序，得到对应的排序图像结果；

获取与所述业务页面对应的页面信息；

基于所述页面信息，将排序图像结果展示至所述业务页面内。

6.根据权利要求5所述的基于人工智能的图像检索方法，其特征在于，在所述基于所述页面信息，将排序图像结果展示至所述业务页面内的步骤之后，还包括：

判断是否接收到所述用户触发对于所述排序图像结果中的指定车祸图像数据的点击操作；

若是，获取与所述指定车祸图像数据对应的目标定损数据；

在所述业务页面中展示所述目标定损数据。

7.根据权利要求1所述的基于人工智能的图像检索方法，其特征在于，在所述从预设的车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征的步骤之前，还包括：

获取历史定损车祸案件的车祸数据；

将所述车祸数据分离为保单数据与车祸图像特征数据；

将所述保单数据存储至预设的车祸信息数据库内；

将所述车祸图像特征数据存储至预设的车祸图像特征数据库内。

8.一种基于人工智能的图像检索装置，其特征在于，包括：

第一获取模块，用于若接收到用户在业务页面输入的图像检索请求，获取所述用户输入的车祸图像；

提取模块，用于基于预设的图像检索模型提取所述车祸图像的全局特征与车身特征；

第一处理模块，用于对所述全局特征与所述车身特征进行融合处理，得到对应的第一融合特征；

第二处理模块，用于对所述第一融合特征进行降维映射处理，得到对应的第二融合特征；

第二获取模块，用于从预设的车祸图像特征数据库中获取与指定时间节点对应的指定车祸图像特征；

第三处理模块，用于计算所述第二融合特征与所有所述指定车祸图像特征之间的相似度，并判断在所有所述相似度中是否存在数值大于预设的相似度阈值的指定相似度；

推送模块，用于若是，获取与所述指定相似度对应的目标车祸图像数据，并将所述目标车祸图像数据推送给所述用户。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的图像检索方法的步骤。

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可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的图像检索方法的步骤。