CN109784171A - 车辆定损图像筛选方法、装置、可读存储介质及服务器 - Google Patents

Abstract

本发明属于计算机技术领域，尤其涉及一种基于图像识别的车辆定损图像筛选方法、装置、计算机可读存储介质及服务器。所述方法接收终端设备发送的车辆定损视频，并从所述车辆定损视频中提取各帧图像；分别计算各帧图像的特征向量，并将各帧图像的特征向量分别输入到预设的神经网络模型中进行处理，得到各帧图像的评估值；根据各帧图像的评估值分别确定各帧图像所对应的车辆部位，并将各帧图像分别添加入对应的车辆部位的图像序列中；从各个车辆部位的图像序列中分别选取评估误差最小的预设数目的图像作为各个车辆部位的优选定损图像。通过本发明实施例，使用神经网络模型代替人工进行图像筛选，减少了对人力资源的消耗，大大提升了工作效率。

Description

车辆定损图像筛选方法、装置、可读存储介质及服务器

技术领域

本发明属于计算机技术领域，尤其涉及一种车辆定损图像筛选方法、装置、计算机可读存储介质及服务器。

背景技术

随着车辆技术的发展以及车辆数量的剧增，车辆之间发生一些例如剐蹭、追尾等事故的几率也在大大增加。当发生这些事故时，通常由交警或保险公司来进行车辆定损。

在进行车辆定损前，一般需要工作人员首先拍摄现场的视频，然后人工从该视频中筛选出车辆各个部位的图像，作为车辆定损的依据。但是这样的车辆定损图像筛选方式需要耗费大量的人力资源，效率十分低下。

发明内容

有鉴于此，本发明实施例提供了一种车辆定损图像筛选方法、装置、计算机可读存储介质及服务器，以解决现有的车辆定损图像筛选方式需要耗费大量的人力资源，效率十分低下的问题。

本发明实施例的第一方面提供了一种车辆定损图像筛选方法，可以包括：

接收终端设备发送的车辆定损视频，并从所述车辆定损视频中提取各帧图像；

分别计算各帧图像的特征向量，并将各帧图像的特征向量分别输入到预设的神经网络模型中进行处理，得到各帧图像的评估值；

根据各帧图像的评估值分别确定各帧图像所对应的车辆部位，并将各帧图像分别添加入对应的车辆部位的图像序列中；

从各个车辆部位的图像序列中分别选取评估误差最小的预设数目的图像作为各个车辆部位的优选定损图像。

本发明实施例的第二方面提供了一种车辆定损图像筛选装置，可以包括：

图像提取模块，用于接收终端设备发送的车辆定损视频，并从所述车辆定损视频中提取各帧图像；

特征向量计算模块，用于分别计算各帧图像的特征向量；

评估值计算模块，用于将各帧图像的特征向量分别输入到预设的神经网络模型中进行处理，得到各帧图像的评估值；

图像序列构造模块，用于根据各帧图像的评估值分别确定各帧图像所对应的车辆部位，并将各帧图像分别添加入对应的车辆部位的图像序列中；

优选定损图像选取模块，用于从各个车辆部位的图像序列中分别选取评估误差最小的预设数目的图像作为各个车辆部位的优选定损图像。

本发明实施例的第三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下步骤：

接收终端设备发送的车辆定损视频，并从所述车辆定损视频中提取各帧图像；

分别计算各帧图像的特征向量，并将各帧图像的特征向量分别输入到预设的神经网络模型中进行处理，得到各帧图像的评估值；

根据各帧图像的评估值分别确定各帧图像所对应的车辆部位，并将各帧图像分别添加入对应的车辆部位的图像序列中；

从各个车辆部位的图像序列中分别选取评估误差最小的预设数目的图像作为各个车辆部位的优选定损图像。

本发明实施例的第四方面提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：

接收终端设备发送的车辆定损视频，并从所述车辆定损视频中提取各帧图像；

分别计算各帧图像的特征向量，并将各帧图像的特征向量分别输入到预设的神经网络模型中进行处理，得到各帧图像的评估值；

根据各帧图像的评估值分别确定各帧图像所对应的车辆部位，并将各帧图像分别添加入对应的车辆部位的图像序列中；

从各个车辆部位的图像序列中分别选取评估误差最小的预设数目的图像作为各个车辆部位的优选定损图像。

本发明实施例与现有技术相比存在的有益效果是：本发明实施例在接收到终端设备发送的车辆定损视频，从该车辆定损视频中提取出各帧图像，分别计算各帧图像的特征向量，并将各帧图像的特征向量分别输入到预设的神经网络模型中进行处理，得到各帧图像的评估值，然后根据各帧图像的评估值分别确定各帧图像所对应的车辆部位，并将各帧图像分别添加入对应的车辆部位的图像序列中，最后从各个车辆部位的图像序列中分别选取评估误差最小的预设数目的图像作为各个车辆部位的优选定损图像。通过本发明实施例，根据车辆定损视频直接提取图像并对图像分类，按照部位进行筛选，并且还使用神经网络模型代替人工进行图像筛选，减少了对人力资源的消耗，大大提升了工作效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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它的附图。

图1为本发明实施例中一种车辆定损图像筛选方法的一个实施例流程图；

图2为神经网络模型对特征向量的处理过程的示意流程图；

图3为神经网络模型的训练过程的示意流程图；

图4为本发明实施例中一种车辆定损图像筛选装置的一个实施例结构图；

图5为本发明实施例中一种服务器的示意框图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。

在本实施例中，在发生车辆事故后，车主可以视频连接后台坐席，进行视频报案，后台坐席无法解决的问题，可以转派给现场查勘员，进行车主、坐席、查勘员之间的三方视频，查勘员可以对在现场拍摄到的视频进行视频截图，免去用户端的图片上传。

进一步地，考虑到查勘员进行视频截图时也会耗费较大的工作量，本实施例中还可以使用如图1所示的一种车辆定损图像筛选方法，通过后台服务器自动对现场拍摄到的视频进行图像筛选：

步骤S101、接收终端设备发送的车辆定损视频，并从所述车辆定损视频中提取各帧图像。

在发生车辆事故后，车主或者查勘员可以通过手机、平板电脑等终端设备上安装的指定的应用程序(APP)向服务器发送车辆定损请求。在该车辆定损请求中携带事故车辆的车辆标识和现场拍摄的车辆定损视频，所述车辆标识可以是车牌号码、车辆识别号码(Vehicle Identification Number，VIN)、发动机号码或者其它标识，可以由车主或者查勘员输入到终端设备中，也可以由终端设备对包含该车辆标识的图像进行光学字符识别(Optical Character Recognition，OCR)识别得到。所述车辆定损视频中应包括所述事故车辆的各个车辆部位在事故后的图像，例如，所述车辆定损视频中应包括保险杠、车门、车轮、悬架、底盘、发动机、气缸等各个车辆部位在事故后的图像，所述车辆定损视频可以由终端设备的摄像装置拍摄得到。

服务器在接收到该车辆定损请求后，即可从中提取出所述车辆定损视频，并进一步地从所述车辆定损视频中提取出各帧图像。

步骤S102、分别计算各帧图像的特征向量。

在本实施例中，特征向量的计算在本质上是一种基于局部特征提取的图像表示与相似度度量的方法，局部特征的提取分为两步：提取目标关键点和对关键点进行描述，关键点的定位是目标识别的基础，一般是图像灰度变化的局部极值点，含有显著的结构性信息，甚至这些点也可以没有实际的直观视觉意义，但却在某种角度、某个尺度上含有丰富的易于匹配的信息。特征点描述即建立特征向量，特征空间的选择决定了图像的哪些特性参与匹配。特征点的特征描述应是对各种变化的不变量，以确保最低限度受位置、视角、尺度和光照等因素的影响。选择合理的特征空间可以降低各类图像变化因素对匹配算法速度、稳健性的影响。

首先，进行基于图像多尺度表示的关键点检测。为了保证提取的特征对于尺度变换保持稳定性能，本实施例在尺度空间内进行图像关键点的检测，尺度空间理论最早出现于计算机视觉领域，其目的是模拟图像数据的多尺度特征。尺度空间理论的主要思想是利用高斯核对原始图像进行尺度变换，以获得多尺度下的图像表示。

关键点检测主要由图像尺度空间生成，高斯差分金字塔建立，候选关键点获取，关键点精定位及其筛选和关键点主方向确定几个部分组成。

图像尺度空间生成主要是对给定的二维图像生成在不同尺度空间下的图像序列图。

高斯差分金字塔建立主要是对尺度空间图像序列进行高斯差分(Difference ofGaussian，DOG)操作，即相邻高斯滤波图像的差分，其主要是为找到具有稳定尺度特征的关键点。

候选关键点的获取主要是在建立的高斯差分空间金字塔中，定义在相邻尺度空间内具有局部最大值或局部最小值的点作为图像关键点的候选。高斯差分尺度空间的中间层的每个像素点与同一层的相邻8个像素点、上一层的相邻9个像素点和下一层的相邻9个像素点总共26个相邻像素点进行比较。像素若比相邻的26个像素的高斯差分值都大或都小，则该点可作为候选关键点。

关键点精定位及其筛选主要是因为高斯差分图像的像素值对噪声和边缘较敏感，因此，在高斯差分空间检测到的局部极值点要进一步筛选，并重定位到亚像素级和精度尺度位置。同时还要去除低对比度的特征点和不稳定的边缘响应点，以增强匹配稳定性和提高抗噪声能力。

关键点主方向的确定主要目的是保证旋转不变性，基于特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数。在以特征点为中心的邻域窗口内采样，并用梯度方向直方图统计邻域像素的梯度方向。

通过以上步骤，已经完成图像特征点的提取，每个特征点有三个信息：位置、尺度和方向。然后，可以基于梯度方向直方图统计的关键点特征提取。

在图像关键点表示中，仅利用关键点的位置、尺度和方向信息不足以形成足够判决性的特征，于是需要对关键点周围的区域以尺度大小提取灰度统计特征。在特征提取之前，首先将坐标轴旋转为关键点的方向，以确保旋转不变性。然后以关键点为中心取8×8的窗口，在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值。这种邻域方向性信息联合的思想增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。实际计算过程中为增强匹配的稳健性，将扩大特征提取的区域范围，对每个关键点使用4×4共16个种子点来描述，这样对于一个关键点就可以产生128个数据，最终形成128维的特征向量。为进一步去除光照对比度变化的影响，可将特征向量的长度归一化。

步骤S103、将各帧图像的特征向量分别输入到预设的神经网络模型中进行处理，得到各帧图像的评估值。

在车辆定损过程中需要根据多个现场图像信息来确定结果，例如，车辆各部位图像信息，具体包括保险杠、车门、车轮、悬架、底盘、发动机、气缸等等部位，其中，每一部位均需至少有一张对应的现场图像信息，此外，还可以有驾驶员的图像信息、驾照的图像信息、现场环境图像信息(道路、斑马线、红绿灯、交通标识等等)。

此处将车辆定损过程中总共所需的现场图像数目记为N，则需要从车辆定损视频的各帧图像中分别识别出这N种现场图像。

为了达到这一目的，在本实施例中首先使用大量的携带标签的图像样本对所述神经网络模型进行有监督训练，每个标签值对应一种现场图像，例如，若某样本的标签值为1，则代表该样本为第1种现场图像，若某样本的标签值为2，则代表该样本为第2种现场图像，以此类推，在训练完成之后，使用该神经网络模型对待分析的图像进行处理，得到其评估值，该评估值即可反映出待分析的图像所属的类别。

如图2所示，所述神经网络模型对输入的特征向量的处理过程可以包括如下步骤：

步骤S1031、将所述特征向量在各个维度上的分量分别确定为所述神经网络模型的输入层节点数据。

本实施例中的神经网络模型可以包括输入层、隐含层和输出层。所述输入层用于从外部接收输入数据，包括两个以上的输入层节点，所述隐含层用于对数据进行处理，包括两个以上的隐含层节点，所述输出层用于输出处理结果，包括一个输出层节点。

所述输入层节点与所述特征向量在各个维度上的分量一一对应。例如，若特征向量共有3个维度，分别为维度1、维度2和维度3，那么对应的神经网络模型的输入层节点的个数也应为3个，分别为输入层节点1、输入层节点2和输入层节点3，其中，输入层节点1与维度1对应，输入层节点2与维度2对应，输入层节点3与维度3对应。

步骤S1032、在所述神经网络模型的隐含层节点分别使用模糊高斯隶属度函数对所述输入层节点数据进行处理，得到隐含层节点数据。

处理过程可具体表示为：

其中，i为输入层节点的标号，其取值范围为[1，n]，n为输入层节点的个数，j为隐含层节点的标号，其取值范围为[1，h]，h为隐含层节点的个数，x为输入层节点数据，x_i为x中的第i个输入层节点的输入层节点数据，Φ_j(x)为第j个隐含层节点的隐含层节点数据，G_ij(x_i)为第j个隐含层节点的第i个模糊高斯隶属度函数，μ_ij为第j个隐含层节点的第i个模糊高斯隶属度函数的数学期望，σ_ij为第j个隐含层节点的第i个模糊高斯隶属度函数的标准差，exp为自然指数函数。

优选地，还可以对所述隐含层节点数据进行归一化处理，以缩小所述隐含层节点数据的差异，具体地，可以获取所述隐含层节点数据中的最大值和最小值，然后根据所述最大值和所述最小值对所述隐含层节点数据进行归一化处理，得到归一化的隐含层节点数据。

例如，可以通过以下公式对所述隐含层节点数据进行归一化处理：

其中，Ψ_j(x)为第j个隐含层节点的归一化的隐含层节点数据，Φ_max(x)为Φ_j(x)中的最大值，Φ_min(x)为Φ_j(x)中的最小值。

步骤S1033、使用预设的权值分别对所述隐含层节点数据进行加权求和，得到所述评估值。

对于未进行归一化的隐含层节点数据，所述评估值的计算公式可以为：

对于归一化的隐含层节点数据，所述评估值的计算公式可以为：

其中：ω_j为与第j个隐含层节点的隐含层节点数据对应的权值，R(x)为输出层节点数据，也即所述评估值。

在本实施例中，所述神经网络模型的训练过程包括如图3所示的步骤：

步骤S301、计算使用所述神经网络模型对预设的历史图像样本库中的各个样本进行处理时的整体偏差度。

所述历史图像样本库中包括历史定损记录中采集的各个车辆部位的图像的特征向量以及非车辆部位的图像的特征向量，且所述历史图像样本库中的每个车辆部位的样本数目均应大于预设的数目阈值，所述数目阈值可以根据实际情况进行设置，为了保证训练结果的准确率，一般需要为每个车辆部位尽可能多的增加样本数目，例如，可以将所述数目阈值设置为10000、20000、50000等等，本实施例对此不做具体限定。

在本实施例中，可以根据下式计算所述整体偏差度：

其中，t为样本的标号，1≤t≤T，T为所述历史图像样本库中的样本总数，E_t为第t个样本的训练误差，y_t′为第t个样本的评估值，y_t为第t个样本的预期值，预期值为非负整数，假设车辆部位共有N个，则预期值的取值范围为[0，N]，取值0代表当前图像为非车辆部位的图像、取值1代表当前图像为车辆部位1的图像、取值2代表当前图像为车辆部位2的图像、…、取值n代表当前图像为车辆部位n的图像、…、取值N代表当前图像为车辆部位N的图像，E为所述整体偏差度。

步骤S302、判断所述整体偏差度是否大于预设的阈值。

若所述整体偏差度大于所述阈值，则执行步骤S303，然后返回执行步骤S301，直至所述整体偏差度小于或等于所述阈值。

若所述整体偏差度小于或等于所述阈值，则执行步骤S304。

步骤S303、对所述神经网络模型的参数进行调整。

在本实施例中，可以进行调整的参数包括：μ_ij、σ_ij和/或ω_j。

以对μ_ij进行调整为例，对其进行调整的公式可以为：μ′_ij＝μ_ij+kΔμ。其中，μ′_ij为调整后的值，Δμ为调整步长，可以根据实际情况预先设置，k为调整系数，其取值可以为任意整数。

以对σ_ij进行调整为例，对其进行调整的公式可以为：σ′_ij＝σ_ij+kΔσ。其中，σ′_ij为调整后的值，Δσ为调整步长，可以根据实际情况预先设置。

以对ω_j进行调整为例，对其进行调整的公式可以为：ω'_j＝ω_j+kΔω。其中，ω'_j为调整后的值，Δω为调整步长，可以根据实际情况预先设置。

特别需要注意的是，在实际的参数调整过程中，可以只针对其中的任意一个参数进行调整，也可以针对其中的任意两个参数进行调整，还可以对这些参数同时进行调整，本实施例对此不作具体限定。

步骤S304、结束对所述神经网络模型的训练过程。

此时的神经网络模型经过了大量的样本训练，且其整体偏差度保持在一个较小的范围内，使用该神经网络模型对图像的特征向量进行处理，即可得到一个较精确的评估值。

步骤S104、根据各帧图像的评估值分别确定各帧图像所对应的车辆部位，并将各帧图像分别添加入对应的车辆部位的图像序列中。

在本实施例中，可以根据下式确定任一帧图像所对应的车辆部位：

CarPartSq＝argmin(|R(x)-0|,|R(x)-1|,|R(x)-2|,...,|R(x)-n|,...,|R(x)-N|)

其中，R(x)为该帧图像的评估值，argmin为最小自变量函数，CarPartSq为该帧图像所对应的车辆部位的序号。

步骤S105、从各个车辆部位的图像序列中分别选取评估误差最小的预设数目的图像作为各个车辆部位的优选定损图像。

经过上述过程，每个车辆部位的图像序列中可能会有多帧图像，还可以进一步地从中筛选出最优的若干帧图像，也即所述优选定损图像。例如，可以根据下式从每个车辆部位的图像序列中均仅选取一帧图像作为该车辆部位的优选定损图像：

SelImgSq_n＝argmin(|R₁(x)-n|,|R₂(x)-n|,|R₃(x)-n|,...,|R_q(x)-n|,...,|R_Q(n)(x)-n|)

其中，q为图像序列中的图像序号，1≤q≤Q(n)，Q(n)为车辆部位n的图像序列中图像总数，R_q(x)为图像序列中第q帧图像的评估值，|R_q(x)-n|即为图像序列中第q帧图像的评估误差，SelImgSq_n为车辆部位n的优选定损图像的序号。

上述过程是使用一个神经网络模型对各个车辆部位的图像均进行识别，这样的方式同时需要考虑的因素过多，会导致神经网络模型极为复杂，准确率也会下降。因此，在本实施例的另一种可能实现中，优选采用神经网络集群的方式分别对各帧图像进行识别，即针对每一个车辆部位均单独设置一个神经网络模型，分别为神经网络模型1、神经网络模型2、…、神经网络模型n、…、神经网络模型N，这N个神经网络模型组成一个神经网络模型集群，其中，每一个神经网络模型预期值为0或1，预期值为0代表当前图像不属于该神经网络模型对应的车辆部位，预期值为1代表当前图像属于该神经网络模型对应的车辆部位。其中每一个神经网络模型的处理及训练过程均与前述过程类似，此处不再赘述。

综上所述，本发明实施例在接收到终端设备发送的车辆定损视频，从该车辆定损视频中提取出各帧图像，分别计算各帧图像的特征向量，并将各帧图像的特征向量分别输入到预设的神经网络模型中进行处理，得到各帧图像的评估值，然后根据各帧图像的评估值分别确定各帧图像所对应的车辆部位，并将各帧图像分别添加入对应的车辆部位的图像序列中，最后从各个车辆部位的图像序列中分别选取评估误差最小的预设数目的图像作为各个车辆部位的优选定损图像。通过本发明实施例，根据车辆定损视频直接提取图像并对图像分类，按照部位进行筛选，并且还使用神经网络模型代替人工进行图像筛选，减少了对人力资源的消耗，大大提升了工作效率。

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。

对应于上文实施例所述的一种车辆定损图像筛选方法，图4示出了本发明实施例提供的一种车辆定损图像筛选装置的一个实施例结构图。

本实施例中，一种车辆定损图像筛选装置可以包括：

图像提取模块401，用于接收终端设备发送的车辆定损视频，并从所述车辆定损视频中提取各帧图像；

特征向量计算模块402，用于分别计算各帧图像的特征向量；

评估值计算模块403，用于将各帧图像的特征向量分别输入到预设的神经网络模型中进行处理，得到各帧图像的评估值；

图像序列构造模块404，用于根据各帧图像的评估值分别确定各帧图像所对应的车辆部位，并将各帧图像分别添加入对应的车辆部位的图像序列中；

优选定损图像选取模块405，用于从各个车辆部位的图像序列中分别选取评估误差最小的预设数目的图像作为各个车辆部位的优选定损图像。

进一步地，所述评估值计算模块可以包括：

输入层节点数据确定单元，用于将所述特征向量在各个维度上的分量分别确定为所述神经网络模型的输入层节点数据，所述输入层节点与所述特征向量在各个维度上的分量一一对应；

隐含层节点数据计算单元，用于根据下式在所述神经网络模型的隐含层节点分别使用模糊高斯隶属度函数对所述输入层节点数据进行处理，得到隐含层节点数据：

其中，i为输入层节点的标号，其取值范围为[1，n]，n为输入层节点的个数，j为隐含层节点的标号，其取值范围为[1，h]，h为隐含层节点的个数，x为输入层节点数据，x_i为x中的第i个输入层节点的输入层节点数据，Φ_j(x)为第j个隐含层节点的隐含层节点数据，G_ij(x_i)为第j个隐含层节点的第i个模糊高斯隶属度函数，μ_ij为第j个隐含层节点的第i个模糊高斯隶属度函数的数学期望，σ_ij为第j个隐含层节点的第i个模糊高斯隶属度函数的标准差，exp为自然指数函数；

评估值计算单元，用于使用预设的权值分别对所述隐含层节点数据进行加权求和，得到所述评估值。

进一步地，所述评估值计算模块还可以包括：

最值获取单元，用于获取所述隐含层节点数据中的最大值和最小值；

归一化处理单元，用于根据下式对所述隐含层节点数据进行归一化处理，得到归一化的隐含层节点数据：

其中，Ψ_j(x)为第j个隐含层节点的归一化的隐含层节点数据，Φ_max(x)为Φ_j(x)中的最大值，Φ_min(x)为Φ_j(x)中的最小值。

进一步地，所述车辆定损图像筛选装置还可以包括：

整体偏差度计算模块，用于计算使用所述神经网络模型对预设的历史图像样本库中的各个样本进行处理时的整体偏差度；

阈值判断模块，用于判断所述整体偏差度是否大于预设的阈值；

参数调整模块，用于若所述整体偏差度大于所述阈值，则对所述神经网络模型的参数进行调整；

训练结束模块，用于若所述整体偏差度小于或等于所述阈值，则结束对所述神经网络模型的训练过程。

进一步地，所述整体偏差度计算模块具体可以包括：

根据下式计算所述整体偏差度：

其中，t为样本的标号，1≤t≤T，T为所述历史图像样本库中的样本总数，E_t为第t个样本的训练误差，y′_t为第t个样本的评估值，y_t为第t个样本的预期值，E为所述整体偏差度。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

图5示出了本发明实施例提供的一种服务器的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。

在本实施例中，所述服务器5可以包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机可读指令52，例如执行上述的车辆定损图像筛选方法的计算机可读指令。所述处理器50执行所述计算机可读指令52时实现上述各个车辆定损图像筛选方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器50执行所述计算机可读指令52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至405的功能。

示例性的，所述计算机可读指令52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令52在所述服务器5中的执行过程。

所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是所述服务器5的内部存储单元，例如服务器5的硬盘或内存。所述存储器51也可以是所述服务器5的外部存储设备，例如所述服务器5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(Flash Card)等。进一步地，所述存储器51还可以既包括所述服务器5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机可读指令以及所述服务器5所需的其它指令和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括若干计算机可读指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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各实施例技术方案的精神和范围。

Claims (10)

1.一种车辆定损图像筛选方法，其特征在于，包括：

接收终端设备发送的车辆定损视频，并从所述车辆定损视频中提取各帧图像；

分别计算各帧图像的特征向量，并将各帧图像的特征向量分别输入到预设的神经网络模型中进行处理，得到各帧图像的评估值；

根据各帧图像的评估值分别确定各帧图像所对应的车辆部位，并将各帧图像分别添加入对应的车辆部位的图像序列中；

从各个车辆部位的图像序列中分别选取评估误差最小的预设数目的图像作为各个车辆部位的优选定损图像。

2.根据权利要求1所述的车辆定损图像筛选方法，其特征在于，所述神经网络模型对输入的特征向量的处理过程包括：

将所述特征向量在各个维度上的分量分别确定为所述神经网络模型的输入层节点数据，所述输入层节点与所述特征向量在各个维度上的分量一一对应；

根据下式在所述神经网络模型的隐含层节点分别使用模糊高斯隶属度函数对所述输入层节点数据进行处理，得到隐含层节点数据：

其中，i为输入层节点的标号，其取值范围为[1，n]，n为输入层节点的个数，j为隐含层节点的标号，其取值范围为[1，h]，h为隐含层节点的个数，x为输入层节点数据，x_i为x中的第i个输入层节点的输入层节点数据，Φ_j(x)为第j个隐含层节点的隐含层节点数据，G_ij(x_i)为第j个隐含层节点的第i个模糊高斯隶属度函数，μ_ij为第j个隐含层节点的第i个模糊高斯隶属度函数的数学期望，σ_ij为第j个隐含层节点的第i个模糊高斯隶属度函数的标准差，exp为自然指数函数；

使用预设的权值分别对所述隐含层节点数据进行加权求和，得到所述评估值。

3.根据权利要求2所述的车辆定损图像筛选方法，其特征在于，在使用预设的权值分别对所述隐含层节点数据进行加权求和之前，还包括：

获取所述隐含层节点数据中的最大值和最小值；

根据下式对所述隐含层节点数据进行归一化处理，得到归一化的隐含层节点数据：

其中，Ψ_j(x)为第j个隐含层节点的归一化的隐含层节点数据，Φ_max(x)为Φ_j(x)中的最大值，Φ_min(x)为Φ_j(x)中的最小值。

4.根据权利要求1至3中任一项所述的车辆定损图像筛选方法，其特征在于，所述神经网络模型的训练过程包括：

计算使用所述神经网络模型对预设的历史图像样本库中的各个样本进行处理时的整体偏差度；

判断所述整体偏差度是否大于预设的阈值；

若所述整体偏差度大于所述阈值，则对所述神经网络模型的参数进行调整，并返回执行所述计算使用所述神经网络模型对预设的历史图像样本库中的各个样本进行处理时的整体偏差度的步骤，直至所述整体偏差度小于或等于所述阈值；

若所述整体偏差度小于或等于所述阈值，则结束对所述神经网络模型的训练过程。

5.根据权利要求4所述的车辆定损图像筛选方法，其特征在于，所述计算使用所述神经网络模型对预设的历史图像样本库中的各个样本进行处理时的整体偏差度包括：

根据下式计算所述整体偏差度：

其中，t为样本的标号，1≤t≤T，T为所述历史图像样本库中的样本总数，E_t为第t个样本的训练误差，y′_t为第t个样本的评估值，y_t为第t个样本的预期值，E为所述整体偏差度。

6.一种车辆定损图像筛选装置，其特征在于，包括：

图像提取模块，用于接收终端设备发送的车辆定损视频，并从所述车辆定损视频中提取各帧图像；

特征向量计算模块，用于分别计算各帧图像的特征向量；

评估值计算模块，用于将各帧图像的特征向量分别输入到预设的神经网络模型中进行处理，得到各帧图像的评估值；

图像序列构造模块，用于根据各帧图像的评估值分别确定各帧图像所对应的车辆部位，并将各帧图像分别添加入对应的车辆部位的图像序列中；

优选定损图像选取模块，用于从各个车辆部位的图像序列中分别选取评估误差最小的预设数目的图像作为各个车辆部位的优选定损图像。

7.一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，其特征在于，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5中任一项所述的车辆定损图像筛选方法的步骤。

8.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：

接收终端设备发送的车辆定损视频，并从所述车辆定损视频中提取各帧图像；

分别计算各帧图像的特征向量，并将各帧图像的特征向量分别输入到预设的神经网络模型中进行处理，得到各帧图像的评估值；

根据各帧图像的评估值分别确定各帧图像所对应的车辆部位，并将各帧图像分别添加入对应的车辆部位的图像序列中；

从各个车辆部位的图像序列中分别选取评估误差最小的预设数目的图像作为各个车辆部位的优选定损图像。

9.根据权利要求8所述的服务器，其特征在于，所述神经网络模型对输入的特征向量的处理过程包括：

将所述特征向量在各个维度上的分量分别确定为所述神经网络模型的输入层节点数据，所述输入层节点与所述特征向量在各个维度上的分量一一对应；

根据下式在所述神经网络模型的隐含层节点分别使用模糊高斯隶属度函数对所述输入层节点数据进行处理，得到隐含层节点数据：

其中，i为输入层节点的标号，其取值范围为[1，n]，n为输入层节点的个数，j为隐含层节点的标号，其取值范围为[1，h]，h为隐含层节点的个数，x为输入层节点数据，x_i为x中的第i个输入层节点的输入层节点数据，Φ_j(x)为第j个隐含层节点的隐含层节点数据，G_ij(x_i)为第j个隐含层节点的第i个模糊高斯隶属度函数，μ_ij为第j个隐含层节点的第i个模糊高斯隶属度函数的数学期望，σ_ij为第j个隐含层节点的第i个模糊高斯隶属度函数的标准差，exp为自然指数函数；

使用预设的权值分别对所述隐含层节点数据进行加权求和，得到所述评估值。

10.根据权利要求9所述的服务器，其特征在于，在使用预设的权值分别对所述隐含层节点数据进行加权求和之前，还包括：

获取所述隐含层节点数据中的最大值和最小值；

根据下式对所述隐含层节点数据进行归一化处理，得到归一化的隐含层节点数据：

其中，Ψ_j(x)为第j个隐含层节点的归一化的隐含层节点数据，Φ_max(x)为Φ_j(x)中的最大值，Φ_min(x)为Φ_j(x)中的最小值。