識別車體方向的方法和裝置
本說明書一個或多個實施例涉及電腦領域，尤其涉及識別車體方向的方法和裝置。
在車險定損場景，通常存在人工車輛定損和智慧圖像定損兩種定損方式。其中，在車險定損場景，需要保險專業定損員根據出險車輛的損失部件及其損失程度給出車輛的維修方案, 這一過程是人工車輛定損的過程。而智慧圖像定損指的人工智慧演算法根據普通用户拍攝提交出險車輛的損失情況拍攝圖片, 由對其進行損失部件及其損傷程度進行自動識別並自動產生車輛維修方案的過程。
在智慧圖像定損這種定損方式中，用户在拍攝現場和定損照片時，往往會出現豎拍，橫拍，斜拍等各種拍攝角度的照片，這會影響定損的準確度，增加定損的成本，為了提高定損的準確度，需要將車體方向識別出來，以便於後續的自動定損。
現有技術中通常採用人工識別車體方向，這種方法較為低效，且週期較長。
因此，希望能有改進的方案，能夠高效的識別車體方向。
本說明書一個或多個實施例描述了一種識別車體方向的方法和裝置，能夠高效的識別車體方向。
第一方面，提供了一種識別車體方向的方法，所述方法用於車輛定損案件，方法包括：
獲取同一定損案件的多個車輛圖片；
針對所述多個車輛圖片中的每個車輛圖片進行單圖的車體方向識別，得到單圖的車體方向可靠度向量，所述單圖的車體方向可靠度向量用於表徵該車輛圖片的車體方向歸屬各個車體方向類別的可能性；
針對所述多個車輛圖片中的每個車輛圖片進行單圖的車體部件識別，得到單圖的車體部件檢測結果；
至少根據目標車輛圖片的所述單圖的車體方向可靠度向量和所述目標車輛圖片的所述單圖的車體部件檢測結果，確定所述目標車輛圖片的車體方向。
在一種可能的實施方式中，所述至少根據目標車輛圖片的所述單圖的車體方向可靠度向量和所述目標車輛圖片的所述單圖的車體部件檢測結果，確定所述目標車輛圖片的車體方向，包括：
根據所述多個車輛圖片中各車輛圖片的單圖的車體部件檢測結果，將所述多個車輛圖片兩兩進行部件匹配計算，確定各車輛圖片的部件匹配對應關係；
根據所述目標車輛圖片的所述單圖的車體方向可靠度向量和各車輛圖片的部件匹配對應關係，確定所述目標車輛圖片的車體方向。
在一種可能的實施方式中，所述車體方向類別包括以下任意一項：
上、下、左、右、無法判斷。
在一種可能的實施方式中，所述針對所述多個車輛圖片中的每個車輛圖片進行單圖的車體方向識別，得到單圖的車體方向可靠度向量，包括：
將所述多個車輛圖片中的每個車輛圖片分別作為預先訓練的第一神經網路模型的輸入，得到每個車輛圖片的單圖的車體方向可靠度向量，其中所述第一神經網路模型為分類器。
在一種可能的實施方式中，所述針對所述多個車輛圖片中的每個車輛圖片進行單圖的車體部件識別，得到單圖的車體部件檢測結果，包括：
將所述多個車輛圖片中的每個車輛圖片分別作為預先訓練的第二神經網路模型的輸入，得到每個車輛圖片的單圖的車體部件檢測結果，其中所述第二神經網路模型採用目標檢測演算法。
進一步地，所述根據所述多個車輛圖片中各車輛圖片的單圖的車體部件檢測結果，將所述多個車輛圖片兩兩進行部件匹配計算，確定各車輛圖片的部件匹配對應關係，包括：
根據所述多個車輛圖片中各車輛圖片的單圖的車體部件檢測結果，確定每個車輛圖片中各部件的特徵描述向量；
根據每個車輛圖片中各部件的特徵描述向量，將所述多個車輛圖片兩兩進行部件匹配計算，確定各車輛圖片的部件匹配對應關係。
進一步地，所述根據所述目標車輛圖片的所述單圖的車體方向可靠度向量和各車輛圖片的部件匹配對應關係，確定所述目標車輛圖片的車體方向，包括：
將所述目標車輛圖片的所述單圖的車體方向可靠度向量和各車輛圖片的部件匹配對應關係作為預先訓練的決策模型的輸入，得到所述目標車輛圖片的車體方向。
進一步地，所述決策模型採用如下任意一種演算法：
決策樹演算法、支援向量機演算法和隨機森林演算法。
第二態樣，提供了一種識別車體方向的裝置，所述裝置用於車輛定損案件，裝置包括：
獲取單元，用於獲取同一定損案件的多個車輛圖片；
單圖車體方向識別單元，用於針對所述獲取單元獲取的多個車輛圖片中的每個車輛圖片進行單圖的車體方向識別，得到單圖的車體方向可靠度向量，所述單圖的車體方向可靠度向量用於表徵該車輛圖片的車體方向歸屬各個車體方向類別的可能性；
單圖車體部件識別單元，用於針對所述獲取單元獲取的多個車輛圖片中的每個車輛圖片進行單圖的車體部件識別，得到單圖的車體部件檢測結果；
確定單元，用於至少根據所述單圖車體方向識別單元得到的目標車輛圖片的所述單圖的車體方向可靠度向量和所述單圖車體部件識別單元得到的所述目標車輛圖片的所述單圖的車體部件檢測結果，確定所述目標車輛圖片的車體方向。
第三態樣，提供了一種電腦可讀儲存媒體，其上儲存有電腦程式，當所述電腦程式在電腦中執行時，令電腦執行第一態樣的方法。
第四態樣，提供了一種計算設備，包括記憶體和處理器，所述記憶體中儲存有可執行代碼，所述處理器執行所述可執行代碼時，實現第一態樣的方法。
通過本說明書實施例提供的方法和裝置，首先獲取同一定損案件的多個車輛圖片，然後針對所述多個車輛圖片中的每個車輛圖片進行單圖的車體方向識別，得到單圖的車體方向可靠度向量，所述單圖的車體方向可靠度向量用於表徵該車輛圖片的車體方向歸屬各個車體方向類別的可能性，接著針對所述多個車輛圖片中的每個車輛圖片進行單圖的車體部件識別，得到單圖的車體部件檢測結果，最後至少根據目標車輛圖片的所述單圖的車體方向可靠度向量和所述目標車輛圖片的所述單圖的車體部件檢測結果，確定所述目標車輛圖片的車體方向。由上可見，本說明書實施例中將車輛圖片的方向識別與部件識別相結合，確定最終的車輛圖片的車體方向，能夠做到高效識別車體方向，並且結果的可靠度高。
下面結合圖式，對本說明書提供的方案進行描述。
圖1為本說明書披露的一個實施例的實施場景示意圖。該實施場景涉及對車輛圖片中車體方向的識別。通常地，智慧圖像定損過程中，基於用户拍攝的多個車輛圖片來進行自動定損。用户在拍攝車輛圖片時，往往會出現豎拍、橫拍、斜拍等各種拍攝角度，導致車體方向的不一致。本說明書實施例中，要對用於車輛定損的多個車輛圖片進行車體方向的識別，識別出每個車輛圖片的車體方向，以用於後續的自動定損。
參照圖1，圖1中示出了可能出現的車體方向的典型示例，其中，圖1(a)代表車體方向向上，圖1(b)代表車體方向向下，圖1(c)代表車體方向向左，圖1(d)代表車體方向向右。可以理解的是，上下左右是有專門的標注規範的，一般的就是符合人認知常識的方向，比如地的方向就是向下，天空的方向就是向上。
此外，用於車輛定損的多個車輛圖片屬於同一定損案件，例如，多個車輛圖片包含遠景圖片、近景圖片和中景圖片。
本說明書實施例中，將車體方向識別與車體部件識別結合起來，有利於提高車體方向識別的準確性。
圖2示出根據一個實施例的識別車體方向的方法流程圖，所述方法用於車輛定損案件。如圖2所示，該實施例中識別車體方向的方法包括以下步驟：步驟21，獲取同一定損案件的多個車輛圖片；步驟22，針對所述多個車輛圖片中的每個車輛圖片進行單圖的車體方向識別，得到單圖的車體方向可靠度向量，所述單圖的車體方向可靠度向量用於表徵該車輛圖片的車體方向歸屬各個車體方向類別的可能性；步驟23，針對所述多個車輛圖片中的每個車輛圖片進行單圖的車體部件識別，得到單圖的車體部件檢測結果；步驟24，至少根據目標車輛圖片的所述單圖的車體方向可靠度向量和所述目標車輛圖片的所述單圖的車體部件檢測結果，確定所述目標車輛圖片的車體方向。下面描述以上各個步驟的具體執行方式。
首先在步驟21，獲取同一定損案件的多個車輛圖片。可以理解的是，在同一定損案件中，多個車輛圖片中包含的車輛圖像屬於同一車輛。車輛圖片可以包含車輛的整體，例如，遠景照片；車輛圖片也可以包含車輛的局部，例如，近景照片或中景照片。作為示例，多個車輛圖片中可以既包含遠景照片，也包含近景照片和中景照片。
本說明實施例中，對於多個車輛圖片的獲取方式不做限定。例如，可以由用户通過拍攝視訊的方式獲取包含車輛圖像的視訊，後續通過抽取該視訊的多個視訊框得到多個車輛圖片；或者，由用户直接拍攝多個包含車輛圖像的照片，後續將這多個照片作為多個車輛圖片。
接著在步驟22，針對所述多個車輛圖片中的每個車輛圖片進行單圖的車體方向識別，得到單圖的車體方向可靠度向量，所述單圖的車體方向可靠度向量用於表徵該車輛圖片的車體方向歸屬各個車體方向類別的可能性。可以理解的是，這一過程是針對每個車輛圖片分別進行的，不同的車輛圖片之間互不影響各自的關於車體方向的識別結果。
在一個示例中，將所述多個車輛圖片中的每個車輛圖片分別作為預先訓練的第一神經網路模型的輸入，得到每個車輛圖片的單圖的車體方向可靠度向量，其中所述第一神經網路模型為分類器。
其中，所述車體方向類別包括以下任意一項：上、下、左、右、無法判斷。
然後在步驟23，針對所述多個車輛圖片中的每個車輛圖片進行單圖的車體部件識別，得到單圖的車體部件檢測結果。可以理解的是，這一過程是針對每個車輛圖片分別進行的，不同的車輛圖片之間互不影響各自的關於車體部件的檢測結果。
其中，所述單圖的車體部件檢測結果包括部件的類別和位置(即部件區域)，參見圖3所示的單圖的車體部件檢測結果示意圖，在該車輛圖片中，識別出的一個車輛部件的類別為大燈31，該車輛部件的位置即矩形框32所包圍的部件區域。可以理解的是，一個車輛圖片中，可以識別出一個或多個車輛部件。
在一個示例中，將所述多個車輛圖片中的每個車輛圖片分別作為預先訓練的第二神經網路模型的輸入，得到每個車輛圖片的單圖的車體部件檢測結果，其中所述第二神經網路模型採用目標檢測演算法。
最後在步驟24，至少根據目標車輛圖片的所述單圖的車體方向可靠度向量和所述目標車輛圖片的所述單圖的車體部件檢測結果，確定所述目標車輛圖片的車體方向。可以理解的是，結合車體部件檢測結果，根據部件間的相對位置關係，有助於提高車體方向識別的準確性。
在一個示例中，先根據所述多個車輛圖片中各車輛圖片的單圖的車體部件檢測結果，將所述多個車輛圖片兩兩進行部件匹配計算，確定各車輛圖片的部件匹配對應關係；再根據所述目標車輛圖片的所述單圖的車體方向可靠度向量和各車輛圖片的部件匹配對應關係，確定所述目標車輛圖片的車體方向。也就是說，在識別一個車輛圖片的車體方向時，結合了多個車輛圖片的部件檢測結果，有助於進一步提高車體方向識別的準確性。
可以理解的是，有的時候基於單圖的部件識別可能是不夠置信的，就是說可能從單圖來判斷，難以確定這是哪個部件，但是如果結合前後圖片，就可以判定了。因為前後圖片可能有的是中景圖，有的是近景圖，近景圖有時候根據單圖是不知道什麼部件的，但是中景圖往往比較容易識別是什麼部件，這樣就可以直接根據圖片的特徵資訊，去匹配特徵，知道近景圖中的部件。
進一步地，可以採用如下方式確定各車輛圖片的部件匹配對應關係：先根據所述多個車輛圖片中各車輛圖片的單圖的車體部件檢測結果，確定每個車輛圖片中各部件的特徵描述向量；再根據每個車輛圖片中各部件的特徵描述向量，將所述多個車輛圖片兩兩進行部件匹配計算，確定各車輛圖片的部件匹配對應關係。
或者，還可以採用如下方式確定各車輛圖片的部件匹配對應關係：先確定每個車輛圖片的特徵描述向量；然後根據每個車輛圖片的特徵描述向量和所述多個車輛圖片中各車輛圖片的單圖的車體部件檢測結果，將所述多個車輛圖片兩兩進行部件匹配計算，確定各車輛圖片的部件匹配對應關係。
其中，特徵描述向量所描述的特徵可以是多樣的，例如，特徵為圖片的灰度，通過計算特徵區域的差值，來進行部件匹配，各車輛圖片的部件匹配對應關係具體可以如表一所示。
表一：多個車輛圖片的部件匹配對應關係表
| 圖片1 | 部件11 | 圖片2 | 部件21 | 圖片3 | 部件31 |
| 圖片1 | 部件12 | / | / | 圖片3 | 部件32 |
| 圖片1 | 部件13 | 圖片2 | 部件23 | / | / |
參見表一，圖片1中識別出三個部件，分別為部件11、部件12和部件13，其中，圖片1中的部件11對應於圖片2中的部件21，還對應於圖片3中的部件31，也就是說，部件11、部件21和部件31實質為同一部件，只是出現在圖片1、圖片2和圖片3這三個不同的圖片中；其中，圖片1中的部件12對應於圖片3中的部件32，也就是說，部件12和部件32實質為同一部件，只是出現在圖片1和圖片3這兩個不同的圖片中；其中，圖片1中的部件13對應於圖片2中的部件23，也就是說，部件13和部件23實質為同一部件，只是出現在圖片1和圖片2這兩個不同的圖片中。
本說明書實施例中，可以採用多種演算法來進行不同圖片間的部件匹配，例如，計算圖片的特徵，然後去計算特徵的相似度之類的指標，找到特徵相似的區域，從而實現部件匹配。
在一個示例中，將所述目標車輛圖片的所述單圖的車體方向可靠度向量和各車輛圖片的部件匹配對應關係作為預先訓練的決策模型的輸入，得到所述目標車輛圖片的車體方向。
進一步地，所述決策模型採用如下任意一種演算法：決策樹演算法、支援向量機演算法和隨機森林演算法。
通過本說明書實施例提供的方法，首先獲取同一定損案件的多個車輛圖片，然後針對所述多個車輛圖片中的每個車輛圖片進行單圖的車體方向識別，得到單圖的車體方向可靠度向量，所述單圖的車體方向可靠度向量用於表徵該車輛圖片的車體方向歸屬各個車體方向類別的可能性，接著針對所述多個車輛圖片中的每個車輛圖片進行單圖的車體部件識別，得到單圖的車體部件檢測結果，最後至少根據目標車輛圖片的所述單圖的車體方向可靠度向量和所述目標車輛圖片的所述單圖的車體部件檢測結果，確定所述目標車輛圖片的車體方向。由上可見，本說明書實施例中將車輛圖片的方向識別與部件識別相結合，確定最終的車輛圖片的車體方向，能夠做到高效識別車體方向，並且結果的可靠度高。
根據另一方面的實施例，還提供一種識別車體方向的裝置，所述裝置用於車輛定損案件。圖4示出根據一個實施例的識別車體方向的裝置的示意性方塊圖。如圖4所示，該裝置400包括：
獲取單元41，用於獲取同一定損案件的多個車輛圖片；
單圖車體方向識別單元42，用於針對所述獲取單元41獲取的多個車輛圖片中的每個車輛圖片進行單圖的車體方向識別，得到單圖的車體方向可靠度向量，所述單圖的車體方向可靠度向量用於表徵該車輛圖片的車體方向歸屬各個車體方向類別的可能性；
單圖車體部件識別單元43，用於針對所述獲取單元41獲取的多個車輛圖片中的每個車輛圖片進行單圖的車體部件識別，得到單圖的車體部件檢測結果；
確定單元44，用於至少根據所述單圖車體方向識別單元42得到的目標車輛圖片的所述單圖的車體方向可靠度向量和所述單圖車體部件識別單元43得到的所述目標車輛圖片的所述單圖的車體部件檢測結果，確定所述目標車輛圖片的車體方向。
可選地，作為一個實施例，所述確定單元44，包括：
匹配子單元，用於根據所述多個車輛圖片中各車輛圖片的單圖的車體部件檢測結果，將所述多個車輛圖片兩兩進行部件匹配計算，確定各車輛圖片的部件匹配對應關係；
確定子單元，用於根據所述目標車輛圖片的所述單圖的車體方向可靠度向量和所述匹配子單元確定的各車輛圖片的部件匹配對應關係，確定所述目標車輛圖片的車體方向。
可選地，作為一個實施例，所述車體方向類別包括以下任意一項：
上、下、左、右、無法判斷。
可選地，作為一個實施例，所述單圖車體方向識別單元42，具體用於將所述多個車輛圖片中的每個車輛圖片分別作為預先訓練的第一神經網路模型的輸入，得到每個車輛圖片的單圖的車體方向可靠度向量，其中所述第一神經網路模型為分類器。
可選地，作為一個實施例，所述單圖車體部件識別單元43，具體用於將所述多個車輛圖片中的每個車輛圖片分別作為預先訓練的第二神經網路模型的輸入，得到每個車輛圖片的單圖的車體部件檢測結果，其中所述第二神經網路模型採用目標檢測演算法。
進一步地，所述匹配子單元，具體用於：
根據所述多個車輛圖片中各車輛圖片的單圖的車體部件檢測結果，確定每個車輛圖片中各部件的特徵描述向量；
根據每個車輛圖片中各部件的特徵描述向量，將所述多個車輛圖片兩兩進行部件匹配計算，確定各車輛圖片的部件匹配對應關係。
進一步地，所述確定子單元，具體用於將所述目標車輛圖片的所述單圖的車體方向可靠度向量和各車輛圖片的部件匹配對應關係作為預先訓練的決策模型的輸入，得到所述目標車輛圖片的車體方向。
進一步地，所述決策模型採用如下任意一種演算法：
決策樹演算法、支援向量機演算法和隨機森林演算法。
通過本說明書實施例提供的裝置，首先獲取單元41獲取同一定損案件的多個車輛圖片，然後單圖車體方向識別單元42針對所述多個車輛圖片中的每個車輛圖片進行單圖的車體方向識別，得到單圖的車體方向可靠度向量，所述單圖的車體方向可靠度向量用於表徵該車輛圖片的車體方向歸屬各個車體方向類別的可能性，接著單圖車體部件識別單元43針對所述多個車輛圖片中的每個車輛圖片進行單圖的車體部件識別，得到單圖的車體部件檢測結果，最後確定單元44至少根據目標車輛圖片的所述單圖的車體方向可靠度向量和所述目標車輛圖片的所述單圖的車體部件檢測結果，確定所述目標車輛圖片的車體方向。由上可見，本說明書實施例中將車輛圖片的方向識別與部件識別相結合，確定最終的車輛圖片的車體方向，能夠做到高效識別車體方向，並且結果的可靠度高。
圖5示出根據另一個實施例的識別車體方向的裝置的示意性方塊圖，所述裝置用於車輛定損案件。如圖5所示，該實施例中識別車體方向的裝置500具有輸入和輸出，其中，輸入：同一案件的所有定損圖片(圖片流)；輸出：圖片流中每一張定損圖片的車體部件方向。
該裝置500包括：
單圖車體方向識別模型51：針對同一案件中的所有圖片進行單圖的車體方向識別，得到單圖的車體方向可靠度向量，表徵各張圖片中車體方向歸屬各個方向類別的可能性[車體方向類別：上，下，左，右，無法判斷](針對全圖進行方向識別)；
單圖車體部件識別模型52：針對同一案件中的所有圖片進行單圖的車體部件識別，得到單圖的車體部件檢測結果(識別部件區域的box)；
圖片流部件匹配模組53：將單圖的車體方向可靠度向量和單圖的部件檢測結果(部件box和方向可靠度score)作為輸入，將圖片流中的圖片兩兩進行部件匹配計算，預測匹配區域的box以及對應的方向可靠度(score)；
車體部件方向決策模型54：針對每一張圖片，得到其與其他所有定損圖片的匹配結果(匹配區域box及對應的方向可靠度score)，作為決策模型的輸入，輸出最終每一張圖片車體方向的識別結果，進一步地，還可以得到每一張圖片中的各部件的車體部件方向的識別結果，車體部件方向用於標識部件的方向，例如，車體部件方向用於標識是左大燈還是右大燈，或者，車體部件方向用於標識是左前翼子板還是右前翼子板。
本說明書實施例中，將全圖的方向識別與部件識別結合，並融合整案的圖片流部件匹配，得到最終的部件方向，使得結果可靠度更高。在本方案中，單圖車體部件識別模型的模型結構，有且不僅限於Faster-RCNN, RFCN, SSD, YOLO等目標檢測演算法；單圖車體方向識別模型可基於神經網路的各種基礎網路訓練分類器，有且不僅限於mobilenet，squeezenet，inception，resnet等；圖片流部件匹配模組，有且不僅限於基於灰度(範本匹配)和基於特徵(提取特徵產生特徵描述子，有且不僅限於基於深度神經網路的特徵)的匹配演算法；車體部件方向決策模型，有且不僅限於決策樹，支持向量機，隨機森林等。
本說明書實施例中，將部件檢測與車身方向識別結合，基於深度學習的方法，用部件檢測更精確的定位部位識別候選區域，而不僅僅依賴于全圖的資訊進行方向判斷，能儘量減少其他干擾的影響，提高車體部件方向識別的準確性。本方案不僅利用全圖的資訊，還融合圖片流中前後部件資訊，對於車體各個部位的方向均能進行識別；增加部件檢測，能夠更加準確的定位車身部位，減少光照以及無關部件等干擾，穩健性好。
根據另一方面的實施例，還提供一種電腦可讀儲存媒體，其上儲存有電腦程式，當所述電腦程式在電腦中執行時，令電腦執行結合圖2所描述的方法。
根據再一方面的實施例，還提供一種計算設備，包括記憶體和處理器，所述記憶體中儲存有可執行代碼，所述處理器執行所述可執行代碼時，實現結合圖2所描述的方法。
本領域技術人員應該可以意識到，在上述一個或多個示例中，本發明所描述的功能可以用硬體、軟體、韌體或它們的任意組合來實現。當使用軟體實現時，可以將這些功能儲存在電腦可讀媒體中或者作為電腦可讀媒體上的一個或多個指令或代碼進行傳輸。
以上所述的具體實施方式，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發明的具體實施方式而已，並不用於限定本發明的保護範圍，凡在本發明的技術方案的基礎之上，所做的任何修改、等同替換、改進等，均應包括在本發明的保護範圍之內。
21,22,23,24:步驟
31:大燈
32:矩形框
41:獲取單元
42:單圖車體方向識別單元
43:單圖車體部件識別單元
44:確定單元
51:單圖車體方向識別模型
52:單圖車體部件識別模型
53:圖片流部件匹配模組
54:車體部件方向決策模型
400,500:裝置
為了更清楚地說明本發明實施例的技術方案，下面將對實施例描述中所需要使用的圖式作簡單地介紹，顯而易見地，下面描述中的圖式僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些圖式獲得其它的圖式。
[圖1] 為本說明書披露的一個實施例的實施場景示意圖；
[圖2] 示出根據一個實施例的識別車體方向的方法流程圖；
[圖3] 示出根據一個實施例的單圖的車體部件檢測結果示意圖；
[圖4] 示出根據一個實施例的識別車體方向的裝置的示意性方塊圖；
[圖5] 示出根據另一個實施例的識別車體方向的裝置的示意性方塊圖。
