CN110276258A - 一种识别车辆外观的方法及*** - Google Patents

Abstract

本发明实施例提供了一种识别车辆外观的方法及***，包括：在预定监控区域，通过多个摄像机拍摄车辆的多张当前行驶图像；基于所述多张当前行驶图像，识别所述车辆的身份信息；根据所述车辆的身份信息，对所述车辆的多张当前行驶图像进行图像拼接处理，得到所述车辆的当前外观图像；对所述车辆的当前外观图像进行车辆外观分析，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。通过本发明，在多辆车辆同时在预定监控区域内行驶的情况下，能够高效、精确地识别出各个车辆各自的当前行驶图像，并拼接出各个车辆的当前外观图像，实现了高效、精确地自动识别出车辆的外观是否发生损伤，极大地提高了车辆用户的使用体验。

Description

一种识别车辆外观的方法及***

技术领域

本发明涉及车辆识别技术领域，尤其涉及一种识别车辆外观的方法及***。

背景技术

当前共享经济蓬勃发展，共享汽车作为共享经济中重要的组成部分，其市场也在不断壮大，成为越来越多人选择的出行方式。然而当用户使用共享汽车时，一方面，共享汽车服务商通常要求用户在使用共享汽车前围绕车辆车身拍摄数张不同角度图片，当用户使用车辆完毕后，同样需要围绕车辆车身拍摄数张不同角度图片，通过将两次拍摄的图片进行比对，以确定车辆外观是否有损伤以及责任分配，但由此却极大的影响了用户体验；另一方面，在灯光较为昏暗的停车场，拍摄清晰车辆图片尤其困难，而且用户自主拍摄车辆车身图像时，存在拍摄角度不正、车辆上方图像无法拍摄等问题，从而导致无法准确地确定车辆外观是否有损伤。

因此，亟待解决使用共享汽车的用户体验不佳、自动化程度低、手工拍摄质量低以及拍摄角度不正等的问题。

发明内容

本发明实施例提供一种识别车辆外观的方法及***，实现了无需人工操作，即可高效、精确地自动识别出车辆的外观是否发生损伤。

一方面，本发明实施例提供了一种识别车辆外观的方法，包括：

在预定监控区域，通过多个摄像机拍摄车辆的多张当前行驶图像；

基于所述多张当前行驶图像，识别所述车辆的身份信息；

根据所述车辆的身份信息，对所述车辆的多张当前行驶图像进行图像拼接处理，得到所述车辆的当前外观图像；

对所述车辆的当前外观图像进行车辆外观分析，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

另一方面，本发明实施例提供了一种识别车辆外观的***，包括摄像机组、主控器和服务器；

所述摄像机组用于在预定监控区域，拍摄车辆的多张当前行驶图像；

所述主控器用于基于所述多张当前行驶图像，识别所述车辆的身份信息；

所述服务器用于根据所述车辆的身份信息，对所述车辆的多张当前行驶图像进行图像拼接处理，得到所述车辆的当前外观图像；

所述服务器还用于对所述车辆的当前外观图像进行车辆外观分析，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

上述技术方案具有如下有益效果：通过本发明，能够及时、清晰地拍摄到驶入预定监控区域车辆的多张多角度的图像，为后续识别车辆的外观提供了必要的判断依据；在多辆车辆同时在预定监控区域内行驶的情况下，能够高效、精确地识别出各个车辆各自的当前行驶图像，并拼接出各个车辆的当前外观图像，为后续准确地识别车辆的外观提供了重要的保障；实现了无需人工操作，即可高效、精确地自动识别出车辆的外观是否发生损伤，极大地提高了车辆用户的使用体验，进一步地，降低了车辆外观识别的成本。

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为本发明实施例中一种识别车辆外观的方法流程图；

图2为本发明一实施例中一种识别车辆外观的***结构示意图。

具体实施方式

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，所描述的实施例仅仅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。

如图1所示，为本发明实施例中一种识别车辆外观的方法流程图，包括：

101、在预定监控区域，通过多个摄像机拍摄车辆的多张当前行驶图像；

102、基于所述多张当前行驶图像，识别所述车辆的身份信息；

103、根据所述车辆的身份信息，对所述车辆的多张当前行驶图像进行图像拼接处理，得到所述车辆的当前外观图像；

104、对所述车辆的当前外观图像进行车辆外观分析，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

进一步地，所述基于所述多张当前行驶图像，识别所述车辆的身份信息，包括：

基于所述多张当前行驶图像，通过车辆特征识别算法识别所述车辆的身份信息；

其中，所述车辆的身份信息包括车牌号码和车身标志中的至少一项。

进一步地，所述根据所述车辆的身份信息，对所述车辆的多张当前行驶图像进行图像拼接处理，包括：

根据所述车辆的身份信息，确定在存储各个待识别车辆身份信息的数据库中是否包含所述车辆的身份信息；

若包含，根据所述车辆的身份信息，确定所述车辆的多张当前行驶图像。

进一步地，所述根据所述车辆的身份信息，对所述车辆的多张当前行驶图像进行图像拼接处理，得到所述车辆的当前外观图像，具体包括：

基于深度学习的图像分类模型，根据车辆车身的不同位置对所述车辆的多张当前行驶图像进行分类；

分别通过特征点匹配算法对分类后具有相同车辆车身位置的所述车辆的同一类的当前行驶图像进行特征点匹配计算；

标定特征匹配后的所述车辆的各类当前行驶图像的坐标；

根据已标定的所述车辆的各类当前行驶图像的坐标，对所述车辆的各类的当前行驶图像进行拼接，得到所述车辆的当前外观图像；

其中，所述车辆车身的不同位置包括车辆正面、车辆左侧面、车辆右侧面、车辆背面和车辆顶部的位置。

进一步地，在所述基于深度学习的图像分类模型，根据车辆车身的不同位置对所述车辆的多张当前行驶图像进行分类的步骤之前，包括：

通过对多个车辆的多张车辆车身不同位置的图片进行训练，得到图像分类模型。

可选地，还包括：

对拼接后的所述车辆外观图像中的颜色参数进行调整；

其中，所述颜色参数包括色调、饱和度和明度中的至少一种。

进一步地，所述对所述车辆的当前外观图像进行车辆外观分析，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤，包括：

通过深度学习算法分析拼接后的所述车辆的当前外观图像，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

可选地，还包括：

预存储多张多种车辆的原始外观图像；

通过深度神经网络训练所述多张多种车辆的原始外观图像，得到原始外观训练模型；

其中，所述通过深度学习算法分析拼接后的所述车辆的当前外观图像，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤，包括：

通过原始外观训练模型确定所述车辆对应的原始外观图像；

基于所述车辆对应的原始外观图，通过原始外观训练模型分析拼接后的所述车辆的当前外观图像，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

可选地，若分析结果确定所述车辆的外观损伤，还包括：

生成所述车辆外观发生损伤的通知消息；

向所述车辆的使用用户对应的终端设备下发所述通知消息，并将所述通知消息发送至提供所述车辆使用的服务商对应的服务器；

其中，所述通知消息包括车辆外观是否发生损伤、车辆损伤的位置、车辆损伤局部图片中的至少一项。

可选地，还包括：

在预定监控区域，通过多个雷达传感器，对所述车辆进行三维重建，获得所述车辆的三维尺寸参数；

将所述车辆的三维尺寸参数与预定数据库中预存储的各个车型尺寸进行比对，并根据比对结果确定所述车辆的车型。

如图2所示，一种识别车辆外观的***，包括摄像机组21、主控器22和服务器23；

所述摄像机组21用于在预定监控区域，拍摄车辆的多张当前行驶图像；

所述主控器22用于基于所述多张当前行驶图像，识别所述车辆的身份信息；

所述服务器23用于根据所述车辆的身份信息，对所述车辆的多张当前行驶图像进行图像拼接处理，得到所述车辆的当前外观图像；

所述服务器23还用于对所述车辆的当前外观图像进行车辆外观分析，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

进一步地，所述主控器具体用于

基于所述多张当前行驶图像，通过车辆特征识别算法识别所述车辆的身份信息；

其中，所述车辆的身份信息包括车牌号码和车身标志中的至少一项。

进一步地，所述服务器用于

根据所述车辆的身份信息，确定在存储各个待识别车辆身份信息的数据库中是否包含所述车辆的身份信息；

若包含，根据所述车辆的身份信息，确定所述车辆的多张当前行驶图像。

进一步地，所述服务器，具体用于

基于深度学习的图像分类模型，根据车辆车身的不同位置对所述车辆的多张当前行驶图像进行分类；

分别通过特征点匹配算法对分类后具有相同车辆车身位置的所述车辆的同一类的当前行驶图像进行特征点匹配计算；

标定特征匹配后的所述车辆的各类当前行驶图像的坐标；

根据已标定的所述车辆的各类当前行驶图像的坐标，对所述车辆的各类的当前行驶图像进行拼接，得到所述车辆的当前外观图像；

其中，所述车辆车身的不同位置包括车辆正面、车辆左侧面、车辆右侧面、车辆背面和车辆顶部的位置。

进一步地，包括：

第一训练模块，用于通过对多个车辆的多张车辆车身不同位置的图片进行训练，得到图像分类模型。

可选地，还包括：

调整模块，用于对拼接后的所述车辆外观图像中的颜色参数进行调整；

其中，所述颜色参数包括色调、饱和度和明度中的至少一种。

进一步地，所述服务器，具体用于

通过深度学习算法分析拼接后的所述车辆的当前外观图像，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

可选地，还包括：

预存储模块，用于预存储多张多种车辆的原始外观图像；

第二训练模块，用于通过深度神经网络训练所述多张多种车辆的原始外观图像，得到原始外观训练模型；

其中，所述服务器具体用于

通过原始外观训练模型确定所述车辆对应的原始外观图像；

基于所述车辆对应的原始外观图，通过原始外观训练模型分析拼接后的所述车辆的当前外观图像，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

可选地，若所述服务器的分析结果确定所述车辆的外观损伤，还包括：

生成模块，用于生成所述车辆外观发生损伤的通知消息；

下发模块，用于向所述车辆的使用用户对应的终端设备下发所述通知消息，并将所述通知消息发送至提供所述车辆使用的服务商对应的服务器；

其中，所述通知消息包括车辆外观是否发生损伤、车辆损伤的位置、车辆损伤局部图片中的至少一项。

可选地，所述服务器还用于

在预定监控区域，通过多个雷达传感器，对所述车辆进行三维重建，获得所述车辆的三维尺寸参数；

将所述车辆的三维尺寸参数与预定数据库中预存储的各个车型尺寸进行比对，并根据比对结果确定所述车辆的车型。

本发明实施例上述技术方案具有如下有益效果：通过本发明，能够及时、清晰地拍摄到驶入预定监控区域车辆的多张多角度的图像，为后续识别车辆的外观提供了必要的判断依据；在多辆车辆同时在预定监控区域内行驶的情况下，能够高效、精确地识别出各个车辆各自的当前行驶图像，并拼接出各个车辆的当前外观图像，为后续准确地识别车辆的外观提供了重要的保障；实现了无需人工操作，即可高效、精确地自动识别出车辆的外观是否发生损伤，极大地提高了车辆用户的使用体验，进一步地，降低了车辆外观识别的本。

以下结合应用实例对本发明实施例上述技术方案进行详细说明：

本发明应用实例旨在实现了无需人工操作，即可高效、精确地自动识别出车辆的外观是否发生损伤。

如图1所示，例如，在车辆外观识别***A中，在停车场的预定监控区域，如停车场的入口处到预定停车位的行驶区域，通过多个摄像机拍摄进入监控区域的车辆的多张当前行驶图像；随后，基于该多张当前行驶图像，识别该车辆的身份信息；根据该车辆的身份信息，对该车辆的多张当前行驶图像进行图像拼接处理，得到该车辆的当前外观图像；对该车辆的当前外观图像进行车辆外观分析，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

其中，所述在预定监控区域，通过多个摄像机拍摄车辆的多张当前行驶图像，具体包括：在预定监控区域，当监控到车辆驶入所述车辆监控区域时，通过多个摄像机开始拍摄包含所述车辆的连续多张图片；当监控到所述车辆驶出所述车辆监控区域时，停止所述多个摄像机对所述车辆的拍摄。

需要说明的是，本领域技术人员可以理解，当多辆车辆同时进入监控区域，本发明实施例能够通过识别出的各个车辆的身份信息，分析各个车辆对应的多张当前行驶图像，从而确定各个车辆的外观是否损伤。

在一种可能的实现方式中，还包括：在预定监控区域，通过多个雷达传感器，对所述车辆进行三维重建，获得所述车辆的三维尺寸参数；将所述车辆的三维尺寸参数与预定数据库中预存储的各个车型尺寸进行比对，并根据比对结果确定所述车辆的车型。

例如，为了更精准的探查车辆目标，可在摄像机旁放置雷达传感器，当雷达传感器探测到有车辆目标接近时，向各个摄像机发送拍摄拍触发指令，以触发各个摄像机开始拍摄车辆图像，当雷达传感器探测到车辆目标消失时，向各个摄像机发送拍停止拍摄指令，各个摄像机可停止拍摄车辆图像。通过多个雷达传感器，对探测到的在预定监控区域中行驶的车辆进行三维重建，获得该车辆的三维尺寸参数；将该车辆的三维尺寸参数与预定数据库中预存储的各个车型尺寸进行比对，并根据比对结果确定该车辆的车型，以使雷达传感器用于辅助判断车型等车辆信息。其中，车辆的三维尺寸参数包括长、宽、高的尺寸参数。

在一种可能的实现方式中，步骤102基于所述多张当前行驶图像，识别所述车辆的身份信息，包括：基于所述多张当前行驶图像，通过车辆特征识别算法识别所述车辆的身份信息。

其中，所述车辆的身份信息包括车牌号码和车身标志中的至少一项。

例如，在车辆外观识别***A中，在停车场的预定监控区域，通过多个摄像机拍摄进入监控区域的车辆的多张当前行驶图像；随后，基于该多张当前行驶图像，通过车辆特征识别算法识别该车辆的身份信息。

需要说明的是，本领域技术人员可以了解到，车辆的身份信息还可以是提供车辆使用服务供应商根据自身需求自定义的车辆编号，还可以是RFID(射频识别，RadioFrequency Identification)电子标签，本发明实施例中虽会以特定车辆身份信息为例说明，但在此做限定。

在一种可能的实现方式中，步骤103根据所述车辆的身份信息，对所述车辆的多张当前行驶图像进行图像拼接处理，包括：根据所述车辆的身份信息，确定在存储各个待识别车辆身份信息的数据库中是否包含所述车辆的身份信息；若包含，根据所述车辆的身份信息，确定所述车辆的多张当前行驶图像；基于深度学习的图像分类模型，根据车辆车身的不同位置对所述车辆的多张当前行驶图像进行分类；分别通过特征点匹配算法对分类后具有相同车辆车身位置的所述车辆的同一类的当前行驶图像进行特征点匹配计算；标定特征匹配后的所述车辆的各类当前行驶图像的坐标；根据已标定的所述车辆的各类当前行驶图像的坐标，对所述车辆的各类的当前行驶图像进行拼接，得到所述车辆的当前外观图像。

其中，所述车辆车身的不同位置包括车辆正面、车辆左侧面、车辆右侧面、车辆背面和车辆顶部的位置。

其中，在所述基于深度学习的图像分类模型，根据车辆车身的不同位置对所述车辆的多张当前行驶图像进行分类的步骤之前，包括：通过对多个车辆的多张车辆车身不同位置的图片进行训练，得到图像分类模型。

例如，接上例，在车辆外观识别***A中，通过对多个不同品牌、不同型号、不同颜色车辆的车辆车身不同位置的海量图片进行训练，得到图像分类模型；根据识别出的车辆身份信息，确定在存储各个待识别车辆身份信息的数据库中是否包含该车辆的身份信息；若包含，确定该车辆的多张当前行驶图像；基于已训练出的深度学习的图像分类模型，根据车辆车身的不同位置对所述车辆的多张当前行驶图像进行分类；分别通过特征点匹配算法，如SURF(加速鲁棒特征，Speeded Up Robust Features)特征点匹配算法、FLANN (快速近似最近邻库，Fast Library for Approximate Nearest Neighbors)特征点匹配、ORB(定向FAST关键点检测和旋转BRIEF特征，Oriented FAST and Rotated BRIEF)特征点匹配算法等，对分类后具有相同车辆车身位置的该车辆的同一类的当前行驶图像进行特征点匹配计算；标定特征匹配后的所述车辆的各类当前行驶图像的坐标；根据已标定的所述车辆的各类当前行驶图像的坐标，基于SURF特征的图像拼接算法或基于SIFT(尺度不变特征变换，Scale-invariant feature transform)特征的图像拼接算法或基于ORB特征的图像拼接算法等图像拼接算法，对该车辆的各类的当前行驶图像进行拼接，得到该车辆的当前外观图像；其中，若确定在存储各个待识别车辆身份信息的数据库中不包含该车辆的身份信息，则停止继续对该车辆进行车辆外观的识别。

在一种可能的实现方式中，还包括：对拼接后的所述车辆外观图像中的颜色参数进行调整。

例如，接上例，得到该车辆的当前外观图像后，通过HSV(色调Hue，饱和度Saturation，明度Value)颜色模型，对拼接后的该车辆外观图像中的局部的颜色参数色调H、饱和度和明度V进行调整，得到调整后更为清晰的该车辆的当前外观图像。通过本实施例，能够减轻图像拼接痕迹，得到记录车辆身份信息的全角度完整车辆外观图像。

在一种可能的实现方式中，步骤104对所述车辆的当前外观图像进行车辆外观分析，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤，包括：通过深度学习算法分析拼接后的所述车辆的当前外观图像，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

其中，还包括：预存储多张多种车辆的原始外观图像；通过深度神经网络训练所述多张多种车辆的原始外观图像，得到原始外观训练模型；其中，所述通过深度学习算法分析拼接后的所述车辆的当前外观图像，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤，包括：通过原始外观训练模型确定所述车辆对应的原始外观图像；基于所述车辆对应的原始外观图，通过原始外观训练模型分析拼接后的所述车辆的当前外观图像，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

例如，在车辆外观识别***A中，预存储多个不同品牌、不同型号、不同颜色车辆的海量原始外观图片，通过深度神经网络训练该海量原始外观图像，得到原始外观训练模型；在停车场的预定监控区域，通过多个摄像机拍摄进入监控区域的车辆的多张当前行驶图像；随后，基于该多张当前行驶图像，识别该车辆的身份信息；根据该车辆的身份信息，对该车辆的多张当前行驶图像进行图像拼接处理，得到该车辆的当前外观图像；随后，通过原始外观训练模型确定该车辆对应的原始外观图像；基于该车辆对应的原始外观图，通过原始外观训练模型分析拼接后的该车辆的当前外观图像，得到分析结果，如分析得到该车辆的当前外观图像与该车辆的原始外观图像存在不一致的情况，可根据该分析结果确定该车辆的外观存在损伤。

通过本实施例，实现了基于度神经网络训练得到的原始外观训练模型，能够精确地对车辆的多张当前行驶图像进行图像拼接处理，得到最接近车辆的当前外观的图像，极大地提高了车辆外观分析的准确性，同时，也极大地提高了车辆外观分析的效率。

在一种可能的实现方式中，若分析结果确定所述车辆的外观损伤，还包括：生成所述车辆外观发生损伤的通知消息；向所述车辆的使用用户对应的终端设备下发所述通知消息，并将所述通知消息发送至提供所述车辆使用的服务商对应的服务器。

其中，所述通知消息包括车辆外观是否发生损伤、车辆损伤的位置、车辆损伤局部图片中的至少一项。

例如，接上例，若分析结果确定该车辆的外观损伤，生成该车辆外观发生损伤的通知消息msg1；随后，向该车辆的使用用户对应的终端设备下发通知消息msg1，并将通知消息msg1发送至提供该车辆使用的服务商对应的服务器，以便于提供该车辆使用的服务商后续进行车辆损伤责任处理。

通过本实施例，能够极大地提高用户的使用体验，同时，也极大地方便了提供车辆使用的服务商对车辆损伤的管理，进一步地，节约了服务商管理车辆的成本。

在一具体应用场景中，如在车辆外观识别***B中，包括摄像机组、主控机、服务器、用户终端设备，摄相机组包含数个分置或一体设置的相机，相机类型不限于枪机、球机或两者组合，相机应具备自动对焦、高分辨率、高色彩还原度等特点，如果光线条件不佳，通常在相机组旁安装补光灯；主控机硬件不限于为嵌入式主机，包括车辆特征识别模块，服务器包含图像拼接处理模块、车辆外观分析模块等；用户终端设备通常为用户移动终端设备，该***通常供车辆服务商使用，车辆服务商通常为共享汽车等车辆的提供商和服务商。摄像机组对预定停车位的行驶区域进行连续监控，当主控机中车辆特征识别模块利用图像处理技术在监控中发现车辆目标时，从相机组中取得连续数张包含车辆的图片，图片中应包含从车辆进入监控区域到离开区域的数张清晰图片。车辆特征识别模块从每张图片中提取车辆身份信息包括车辆车牌号码、车身标志、车身编号等，并根据车辆身份信息的异同，将包含相同车辆身份信息的图片集分别存储；主控机将包含相同车辆身份信息的图片集发送至服务器，服务器确定在存储各个待识别车辆身份信息的数据库中是否包含待识别车辆的身份信息，若包含，则将记录车辆身份信息的车辆原始图片集传至图像拼接处理模块，随后图像拼接处理模块对有相同身份信息的图片集进行图像拼接处理，图像拼接算法可采用基于SURF特征的图像拼接算法、基于SIFT特征的图像拼接算法、基于ORB 特征的图像拼接算法等；通过图像拼接处理后，得到记录车辆身份信息的待识别车辆的当前外观图像，待识别车辆的当前外观图像包含车辆正面、左侧面、右侧面、背面、车顶的全角度完整外观图像；需要说明的是，相机组在对车辆目标拍摄时，也可以拍摄车辆从进入区域到离开的一段连续短视频，则车辆特征识别模块从视频中提取数张较为清晰的视频帧作为继续处理的图片；其中，主控机、服务器中均包含网络通信模块，用于数据收发功能，当对待识别车辆的当前外观图像进行车辆外观分析，发现该车前轮翼子板剐蹭，随后可将剐蹭位置图片下发到用户的移动终端，同时发送至车辆服务商对应的服务器；其中，若服务器确定在存储各个待识别车辆身份信息的数据库中不含待识别车辆的身份信息，即不需要对当前车辆进行车辆外观分析，则车辆外观分析终止。需要说明的是，本发明实施例中的各模块的划分，可依据用户自身需求，将相应功能划分为不同的模块，本发明实施例中虽会以特定方式划分各模块的功能，但在此不做限定。

本发明实施例提供了一种识别车辆外观的***，可以实现上述提供的方法实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个***的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM 存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。

在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (20)

1.一种识别车辆外观的方法，其特征在于，包括：

在预定监控区域，通过多个摄像机拍摄车辆的多张当前行驶图像；

基于所述多张当前行驶图像，识别所述车辆的身份信息；

根据所述车辆的身份信息，对所述车辆的多张当前行驶图像进行图像拼接处理，得到所述车辆的当前外观图像；

对所述车辆的当前外观图像进行车辆外观分析，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

2.根据权利要求1所述的方法，其特征在于，所述基于所述多张当前行驶图像，识别所述车辆的身份信息，包括：

基于所述多张当前行驶图像，通过车辆特征识别算法识别所述车辆的身份信息；

其中，所述车辆的身份信息包括车牌号码和车身标志中的至少一项。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述车辆的身份信息，对所述车辆的多张当前行驶图像进行图像拼接处理，包括：

根据所述车辆的身份信息，确定在存储各个待识别车辆身份信息的数据库中是否包含所述车辆的身份信息；

若包含，根据所述车辆的身份信息，确定所述车辆的多张当前行驶图像。

4.根据权利要求3所述的方法，其特征在于，所述根据所述车辆的身份信息，对所述车辆的多张当前行驶图像进行图像拼接处理，得到所述车辆的当前外观图像，具体包括：

基于深度学习的图像分类模型，根据车辆车身的不同位置对所述车辆的多张当前行驶图像进行分类；

分别通过特征点匹配算法对分类后具有相同车辆车身位置的所述车辆的同一类的当前行驶图像进行特征点匹配计算；

标定特征匹配后的所述车辆的各类当前行驶图像的坐标；

根据已标定的所述车辆的各类当前行驶图像的坐标，对所述车辆的各类的当前行驶图像进行拼接，得到所述车辆的当前外观图像；

其中，所述车辆车身的不同位置包括车辆正面、车辆左侧面、车辆右侧面、车辆背面和车辆顶部的位置。

5.根据权利要求4所述的方法，其特征在于，在所述基于深度学习的图像分类模型，根据车辆车身的不同位置对所述车辆的多张当前行驶图像进行分类的步骤之前，包括：

通过对多个车辆的多张车辆车身不同位置的图片进行训练，得到图像分类模型。

6.根据权利要求4所述的方法，其特征在于，还包括：

对拼接后的所述车辆外观图像中的颜色参数进行调整；

其中，所述颜色参数包括色调、饱和度和明度中的至少一种。

7.根据权利要求4所述的方法，其特征在于，所述对所述车辆的当前外观图像进行车辆外观分析，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤，包括：

通过深度学习算法分析拼接后的所述车辆的当前外观图像，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

8.根据权利要求7所述的方法，其特征在于，还包括：

预存储多张多种车辆的原始外观图像；

通过深度神经网络训练所述多张多种车辆的原始外观图像，得到原始外观训练模型；

其中，所述通过深度学习算法分析拼接后的所述车辆的当前外观图像，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤，包括：

通过原始外观训练模型确定所述车辆对应的原始外观图像；

基于所述车辆对应的原始外观图，通过原始外观训练模型分析拼接后的所述车辆的当前外观图像，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

9.根据权利要求8所述的方法，其特征在于，若分析结果确定所述车辆的外观损伤，还包括：

生成所述车辆外观发生损伤的通知消息；

向所述车辆的使用用户对应的终端设备下发所述通知消息，并将所述通知消息发送至提供所述车辆使用的服务商对应的服务器；

其中，所述通知消息包括车辆外观是否发生损伤、车辆损伤的位置、车辆损伤局部图片中的至少一项。

10.根据权利要求1所述的方法，其特征在于，还包括：

在预定监控区域，通过多个雷达传感器，对所述车辆进行三维重建，获得所述车辆的三维尺寸参数；

将所述车辆的三维尺寸参数与预定数据库中预存储的各个车型尺寸进行比对，并根据比对结果确定所述车辆的车型。

11.一种识别车辆外观的***，其特征在于，包括摄像机组、主控器和服务器；

所述摄像机组用于在预定监控区域，拍摄车辆的多张当前行驶图像；

所述主控器用于基于所述多张当前行驶图像，识别所述车辆的身份信息；

所述服务器用于根据所述车辆的身份信息，对所述车辆的多张当前行驶图像进行图像拼接处理，得到所述车辆的当前外观图像；

所述服务器还用于对所述车辆的当前外观图像进行车辆外观分析，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

12.根据权利要求11所述的***，其特征在于，所述主控器具体用于

基于所述多张当前行驶图像，通过车辆特征识别算法识别所述车辆的身份信息；

其中，所述车辆的身份信息包括车牌号码和车身标志中的至少一项。

13.根据权利要求11或12所述的***，其特征在于，所述服务器用于

根据所述车辆的身份信息，确定在存储各个待识别车辆身份信息的数据库中是否包含所述车辆的身份信息；

若包含，根据所述车辆的身份信息，确定所述车辆的多张当前行驶图像。

14.根据权利要求13所述的***，其特征在于，所述服务器，具体用于

基于深度学习的图像分类模型，根据车辆车身的不同位置对所述车辆的多张当前行驶图像进行分类；

分别通过特征点匹配算法对分类后具有相同车辆车身位置的所述车辆的同一类的当前行驶图像进行特征点匹配计算；

标定特征匹配后的所述车辆的各类当前行驶图像的坐标；

根据已标定的所述车辆的各类当前行驶图像的坐标，对所述车辆的各类的当前行驶图像进行拼接，得到所述车辆的当前外观图像；

其中，所述车辆车身的不同位置包括车辆正面、车辆左侧面、车辆右侧面、车辆背面和车辆顶部的位置。

15.根据权利要求14所述的***，其特征在于，包括：

第一训练模块，用于通过对多个车辆的多张车辆车身不同位置的图片进行训练，得到图像分类模型。

16.根据权利要求14所述的***，其特征在于，还包括：

调整模块，用于对拼接后的所述车辆外观图像中的颜色参数进行调整；

其中，所述颜色参数包括色调、饱和度和明度中的至少一种。

17.根据权利要求14所述的***，其特征在于，所述服务器，具体用于

通过深度学习算法分析拼接后的所述车辆的当前外观图像，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

18.根据权利要求17所述的***，其特征在于，还包括：

预存储模块，用于预存储多张多种车辆的原始外观图像；

第二训练模块，用于通过深度神经网络训练所述多张多种车辆的原始外观图像，得到原始外观训练模型；

其中，所述服务器具体用于

通过原始外观训练模型确定所述车辆对应的原始外观图像；

基于所述车辆对应的原始外观图，通过原始外观训练模型分析拼接后的所述车辆的当前外观图像，得到分析结果，并根据所述分析结果确定所述车辆的外观是否损伤。

19.根据权利要求18所述的***，其特征在于，若所述服务器的分析结果确定所述车辆的外观损伤，还包括：

生成模块，用于生成所述车辆外观发生损伤的通知消息；

下发模块，用于向所述车辆的使用用户对应的终端设备下发所述通知消息，并将所述通知消息发送至提供所述车辆使用的服务商对应的服务器；

其中，所述通知消息包括车辆外观是否发生损伤、车辆损伤的位置、车辆损伤局部图片中的至少一项。

20.根据权利要求11所述的***，其特征在于，所述服务器还用于

在预定监控区域，通过多个雷达传感器，对所述车辆进行三维重建，获得所述车辆的三维尺寸参数；

将所述车辆的三维尺寸参数与预定数据库中预存储的各个车型尺寸进行比对，并根据比对结果确定所述车辆的车型。