CN111652274A - 基于图像识别的车型识别方法、装置及计算机设备 - Google Patents
基于图像识别的车型识别方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN111652274A CN111652274A CN202010351240.1A CN202010351240A CN111652274A CN 111652274 A CN111652274 A CN 111652274A CN 202010351240 A CN202010351240 A CN 202010351240A CN 111652274 A CN111652274 A CN 111652274A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- picture
- positioning information
- data
- photo data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000013527 convolutional neural network Methods 0.000 claims description 78
- 238000012549 training Methods 0.000 claims description 30
- 230000005540 biological transmission Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 15
- 238000003708 edge detection Methods 0.000 claims description 13
- 238000013459 approach Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 238000004378 air conditioning Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 16
- 238000006073 displacement reaction Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 239000010985 leather Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 241001544485 Cordulegastridae Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30268—Vehicle interior
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术,公开了基于图像识别的车型识别方法、装置、计算机设备及存储介质,该方法在判定用户端定位信息与车机定位信息之间的间距未超出预设的间距阈值后,接收用户端根据照片上传指引信息所上传的车辆照片数据;其中,所述车辆照片数据至少包括车辆前视图片、车辆后视图片、及车辆内饰部件图片;之后通过对车辆前视图片、车辆后视图片进行识别确定车辆型号信息,通过对车辆内饰部件图片进行识别确定车辆配置等级。同时该方法涉及区块链技术,实现了基于用户端根据照片上传指引信息所上传的车辆照片数据进行图像识别,通过得到的车辆型号信息和车辆配置等级以确定车型,提高了车型识别准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于图像识别的车型识别方法、装置、计算机设备及存储介质。
背景技术
目前,汽车车型识别在很多场景都得到了广泛应用,如线上车险投保(也即在车险投保平台上用户上传车辆信息进行投保)、车辆违规逃逸、事故车损赔付等。
但是现有的车型识别一般是基于尺度不变特征转换等特征,然后基于支持向量机等分类器进行训练,从而有限的识别车辆种类和车牌信息,这对于现有的不同厂商的车型识别准确率是极低,识别故障率高。
发明内容
本发明实施例提供了一种基于图像识别的车型识别方法、装置、计算机设备及存储介质,旨在解决现有技术中车型识别一般是基于尺度不变特征转换等特征,然后基于支持向量机等分类器进行训练,导致车型识别准确率低,而且识别故障率高的问题。
第一方面,本发明实施例提供了一种基于图像识别的车型识别方法,其包括:
接收用户端所上传的用户端定位信息,并接收车机所上传的车机定位信息;
判断所述用户端定位信息与所述车机定位信息之间的间距是否超出预设的间距阈值;
若所述用户端定位信息与所述车机定位信息之间的间距未超出所述间距阈值,接收用户端根据照片上传指引信息所上传的车辆照片数据;其中,所述车辆照片数据至少包括车辆前视图片、车辆后视图片、及车辆内饰部件图片;所述车辆内饰部件图片至少包括车机照片、方向盘照片、天窗照片、变速器照片、座椅照片、及空调出风口照片;
判断所述车辆照片数据中是否包括新车合格证图片;
若所述车辆照片数据中不包括新车合格证图片,根据所述车辆前视图片和车辆后视图片进行图像识别,得到对应的车辆特征序列;
将与所述车辆照片数据对应的车辆特征序列作为预先训练的第一卷积神经网络模型的输入,得到与所述车辆照片数据对应的车辆型号信息;其中,所述第一卷积神经网络模型用于识别车辆型号;
根据所述车辆内饰部件图片进行图像识别,以得到对应的车辆内饰部件序列;
将与所述车辆照片数据对应的车辆内饰部件序列作为预先训练的第二卷积神经网络模型的输入,得到与所述车辆照片数据对应的车辆配置等级;其中,所述第二卷积神经网络模型用于识别车辆配置等级;
判断所述车辆配置等级是否超出预先设置的配置等级阈值;以及
若车辆配置等级超出所述配置等级阈值,将所述车辆照片数据对应的车辆数据增加可疑车辆标识以得到当前第一车辆数据,将当前第一车辆数据存储至预设的第一存储区域。
第二方面,本发明实施例提供了一种基于图像识别的车型识别装置,其包括:
第一定位信息获取单元,用于接收用户端所上传的用户端定位信息,并接收车机所上传的车机定位信息;
第一距离判断单元,用于判断所述用户端定位信息与所述车机定位信息之间的间距是否超出预设的间距阈值;
车辆照片数据接收单元,用于若所述用户端定位信息与所述车机定位信息之间的间距未超出所述间距阈值,接收用户端根据照片上传指引信息所上传的车辆照片数据;其中,所述车辆照片数据至少包括车辆前视图片、车辆后视图片、及车辆内饰部件图片;所述车辆内饰部件图片至少包括车机照片、方向盘照片、天窗照片、变速器照片、座椅照片、及空调出风口照片;
合格证图片判断单元,用于判断所述车辆照片数据中是否包括新车合格证图片;
车辆特征序列获取单元,用于若所述车辆照片数据中不包括新车合格证图片,根据所述车辆前视图片和车辆后视图片进行图像识别,得到对应的车辆特征序列;
车辆型号信息获取单元,用于将与所述车辆照片数据对应的车辆特征序列作为预先训练的第一卷积神经网络模型的输入,得到与所述车辆照片数据对应的车辆型号信息;其中,所述第一卷积神经网络模型用于识别车辆型号;
车辆内饰部件序列获取单元,用于根据所述车辆内饰部件图片进行图像识别,以得到对应的车辆内饰部件序列;
车辆配置等级获取单元,用于将与所述车辆照片数据对应的车辆内饰部件序列作为预先训练的第二卷积神经网络模型的输入,得到与所述车辆照片数据对应的车辆配置等级;其中,所述第二卷积神经网络模型用于识别车辆配置等级;
配置等级判断单元,用于判断所述车辆配置等级是否超出预先设置的配置等级阈值;以及
第一车辆数据存储单元,用于若车辆配置等级超出所述配置等级阈值,将所述车辆照片数据对应的车辆数据增加可疑车辆标识以得到当前第一车辆数据,将当前第一车辆数据存储至预设的第一存储区域。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的基于图像识别的车型识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于图像识别的车型识别方法。
本发明实施例提供了一种基于图像识别的车型识别方法、装置、计算机设备及存储介质,包括接收用户端所上传的用户端定位信息,并接收车机所上传的车机定位信息;若所述用户端定位信息与所述车机定位信息之间的间距未超出所述间距阈值,接收用户端根据照片上传指引信息所上传的车辆照片数据;若所述车辆照片数据中不包括新车合格证图片,根据所述车辆前视图片和车辆后视图片进行图像识别,得到对应的车辆特征序列;将与所述车辆照片数据对应的车辆特征序列作为预先训练的第一卷积神经网络模型的输入,得到与所述车辆照片数据对应的车辆型号信息;根据所述车辆内饰部件图片进行图像识别,以得到对应的车辆内饰部件序列;将与所述车辆照片数据对应的车辆内饰部件序列作为预先训练的第二卷积神经网络模型的输入,得到与所述车辆照片数据对应的车辆配置等级;若车辆配置等级超出所述配置等级阈值,将所述车辆照片数据对应的车辆数据增加可疑车辆标识以得到当前第一车辆数据,将当前第一车辆数据存储至预设的第一存储区域。该方法实现了基于用户端根据照片上传指引信息所上传的车辆照片数据进行图像识别,通过得到的车辆型号信息和车辆配置等级以确定车型,提高了车型识别准确率。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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为本发明实施例提供的基于图像识别的车型识别方法的应用场景示意图;
图2为本发明实施例提供的基于图像识别的车型识别方法的流程示意图;
图3为本发明实施例提供的基于图像识别的车型识别装置的示意性框图;
图4为本发明实施例提供的计算机设备的示意性框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本申请涉及人工智能技术,请参阅图1和图2,图1为本发明实施例提供的基于图像识别的车型识别方法的应用场景示意图;图2为本发明实施例提供的基于图像识别的车型识别方法的流程示意图,该基于图像识别的车型识别方法应用于服务器中,该方法通过安装于服务器中的应用软件进行执行。
如图2所示,该方法包括步骤S101~S110。
S101、接收用户端所上传的用户端定位信息,并接收车机所上传的车机定位信息。
在本实施例中,为了更清楚的理解技术方案,下面对所涉及的终端进行详细介绍。本申请是在服务器的角度描述技术方案。
用户端,即用户所使用的智能终端(如智能手机、平板电脑等),用于获取车辆照片(如车辆前视图片、车辆后视图片、及车辆内饰部件图片),也可以获取用户端定位信息(即定位用户端当前所处位置的经纬度),并将所获取的车辆照片及用户端定位信息上传至服务器。一般用户端与服务器建立连接,是首先在用户端下载服务器所提供的APP应用程序后输入用户名和密码,以由APP应用程序当做用户端与服务器进行数据交互的媒介。
车机,也就是安装在汽车的方向盘一侧的多媒体终端。车机上也可以下载与用户端相同的APP应用程序并使用与用户端相同的用户名和密码进行登录,此时车机在登录APP应用程序后也可获取车机定位信息并上传至服务器。
服务器,用于接收用户端上传的图片,以进行车型识别。而且也可以在接收用户端定位信息和车机定位信息后判断用户当前是否在车辆附近进行拍照,以确保图片的真实性,避免用户端所上传的图片是从互联网或其他终端获取。
例如,当用户在购买了汽车,需要对其进行线上投保时,服务器端需要先确定车型和车辆配置等级,此时用户需开启用户端的APP应用程序并登录,同时也开启车机的APP应用程序并登录。此时用户端会自动上传用户端定位信息,车机也自动上传车机定位信息。服务器接收用户端所上传的用户端定位信息,并接收车机所上传的车机定位信息。
S102、判断所述用户端定位信息与所述车机定位信息之间的间距是否超出预设的间距阈值。
在本实施例中,当服务器接收了用户端所上传的用户端定位信息,并接收车机所上传的车机定位信息后,为了判断用户是否是实际在车辆附近拍照后进行线上车险投保,此时可以在服务器端根据用户端定位信息获取对应的第一定位点,并根据车机定位信息获取对应的第二定位点。此时计算所述第一定位点与所述第二定位点之间的间距,之后判断所述第一定位点与所述第二定位点之间的间距是否超出所述间距阈值(例如,可将间距阈值设置为10m、20m或30m等均可,这一数值根据实际检测精度需求而设置)。若所述用户端定位信息与所述车机定位信息之间的间距未超出预设的间距阈值(如将间距阈值设置为0-30m),表示用户当前与汽车的距离很近(可以理解为用户就在车旁),此时服务器向用户端发送照片上传指引信息,以提示用户至少上传车辆前视图片、车辆后视图片、及车辆内饰部件图片。
S103、若所述用户端定位信息与所述车机定位信息之间的间距未超出所述间距阈值,接收用户端根据照片上传指引信息所上传的车辆照片数据;其中,所述车辆照片数据至少包括车辆前视图片、车辆后视图片、及车辆内饰部件图片;所述车辆内饰部件图片至少包括车机照片、方向盘照片、天窗照片、变速器照片、座椅照片、及空调出风口照片。
在本实施例中,由于在照片上传指引信息中一般提示用户上传车辆前视图片、车辆后视图片、新车合格证图片、及车辆内饰部件图片。在上传车辆前视图片、车辆后视图片、新车合格证图片、及车辆内饰部件图片的过程中,若有部分照片不可得(如未取得新车合格证图片),则可以忽略此类照片的上传提示,但必须至少上传车辆前视图片、车辆后视图片、及车辆内饰部件图片这些容易获取的图片。
其中,具体提示上传车辆内饰部件图片时,主要提示上传车机照片、方向盘照片、天窗照片、变速器照片、座椅照片、及空调出风口照片。通过这些主要的车内照片,即可进一步进行车辆配置等级识别。
在一实施例中,步骤S103之后还包括:
根据所述车辆照片数据包括的照片参数数据,获取对应的图片定位信息;
判断所述图片定位信息与所述车机定位信息之间的间距是否超出所述间距阈值;若所述图片定位信息与所述车机定位信息之间的间距未超出所述间距阈值,执行所述判断所述车辆照片数据中是否包括新车合格证图片的步骤;若所述图片定位信息与所述车机定位信息之间的间距超出所述间距阈值,执行发送用于提示用户靠近车辆的提示信息至用户端的步骤;
发送用于提示用户靠近车辆的提示信息至用户端。
在本实施例中,为了进一步确定用户所上传的车辆照片数据对应的照片定位信息与用户端定位信息一致,可先解析所述车辆照片数据,以获取对应的图片定位信息。即一般使用用户端的摄像头所拍摄的图片,是包括拍摄时间、拍摄位置等属性信息,此时对所述车辆照片数据中每一车辆图片进行解析,均可以获取对应的图片定位信息。
之后判断所述图片定位信息与所述车机定位信息之间的间距是否超出所述间距阈值,也即根据图片定位信息获取对应的第三定位点,由于已知车机定位信息获取对应的第二定位点,此时计算所述第三定位点与所述第二定位点之间的间距,第三定位点与所述第二定位点之间的间距即可作为所述图片定位信息与所述车机定位信息之间的间距。即所述图片定位信息与所述车机定位信息之间的间距未超出所述间距阈值,表示用户当前与汽车的距离很近(可以理解为用户就在车旁)。若所述图片定位信息与所述车机定位信息之间的间距超出所述间距阈值,则发送用于提示用户靠近车辆的提示信息。
S104、判断所述车辆照片数据中是否包括新车合格证图片。
在本实施例中,若所述车辆照片数据中不包括新车合格证图片,则不能直观的根据新车合格证图片的数据来识别车型,此时只能根据所述车辆前视图片、车辆后视图片为图片素材进行车型识别。若所述车辆照片数据中包括新车合格证图片,则可直观的根据新车合格证图片的数据来识别车型。
S105、若所述车辆照片数据中不包括新车合格证图片,根据所述车辆前视图片和车辆后视图片进行图像识别,得到对应的车辆特征序列。
在本实施例中,若不能直观的根据新车合格证图片的数据来识别车型时,通过预设的第一标注策略,获取所述车辆前视图片中前盖车标、所述车辆后视图片的后盖车标、及排量分别对应的标示值,以组成对应的车辆特征序列。
例如,在预设的第一标注策略中,前盖车标为大众车标时标注1、前盖车标为本田时标注2、前盖车标为比亚迪时标注3等;后盖车标为大众车标时标注1、后盖车标为本田时标注2、后盖车标为比亚迪时标注3等;排量为1.8手动时标注1,排量为1.8自动时标注2、排量为2.0手动时标注3、排量为2.0自动标注4。例如,某一车辆进行标注后对应的车辆特征序列为[114],则表示该车辆为大众2.0自动。
更具体的,可以预先训练的3个图像识别模型(分别为车前盖车标识别的卷积神经网络模型、车后盖车标识别的卷积神经网络模型、及车排量OCR图文识别模型)来对所述车辆前视图片和车辆后视图片进行图像识别。将所述车辆前视图片对应的像素矩阵作为所述车前盖车标识别的卷积神经网络模型的输入时,其输出结果为前盖车标标示值;将所述车辆后视图片对应的像素矩阵作为所述车后盖车标识别的卷积神经网络模型的输入时,其输出结果为后盖车标标示值;通过车排量OCR图文识别模型直接可以识别出所述车辆后视图片中车排量对应的数字字符串,以该数字字符串作为排量标示值。其中,车前盖车标识别的卷积神经网络模型和车后盖车标识别的卷积神经网络模型,均是用于特定图片识别场景而训练得到,与现有的卷积神经网络的训练过程相同,只是训练过程中使用的图片集不同。车前盖车标识别的卷积神经网络模型训练是使用大量的车前盖图片进行训练,车后盖车标识别的卷积神经网络模型训练是使用大量的车后盖图片进行训练。
在一实施例中,在步骤S104之后还包括:
若所述车辆照片数据中包括新车合格证图片,对所述新车合格证图片依次进行灰度化、边缘检测、二值化和滤波处理,得到与新车合格证图片对应的候选区域;
根据所述候选区域中的字符,对应获取与所述车辆照片数据对应的车辆型号信息。
在本实施例中,若所述车辆照片数据中包括新车合格证图片,可直观的根据新车合格证图片的数据来识别车型。由于所述新车合格证图片一般是彩色图片,彩色图片包含更多的信息,但是直接对彩色图像进行处理的话,执行速度将会降低,储存空间也会变大。彩色图片的灰度化是图像处理的一种基本的方法,在模式识别领域得到广泛的运用,合理的灰度化将对图像信息的提取和后续处理极有帮助,能够节省储存空间,加快处理速度。
边缘检测的方法是考察图像的像素在某个领域内灰度的变化情况,标识数字图像中亮度变化明显的点。图像的边缘检测能够大幅度地减少数据量,并且剔除不相关的信息,保存图像重要的结构属性。用于边缘检测的算子很多,常用的有Sobel算子(即索贝尔算子),还有Laplacian边缘检测算子(即拉普拉斯边缘检测算子)、Canny边缘检测算子(即坎尼边缘检测算子)等。
灰度图经过边缘检测之后,新车合格证图片上的字符及边缘信息会突出出来。同时,其他非字符和非新车合格证图片边框的边缘纹理特征也突出了出来,为了减少噪声的影响,需要对新车合格证图片进行二值化处理,二值化是对图像进行阈值化的一种类型。根据阈值的选取情况,二值化的方法可分为全局阈值法、动态阈值法和局部阈值法,常用最大类间方差法(也称Otsu算法)进行阈值化,来剔除一些梯度值较小的像素,减少需要查找的车牌范围,二值化处理后车牌图像的像素值为0或者255。
之后,在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制,是图像处理中消除噪声的不可或缺的操作,其处理的结果的好坏将直接影响到对后续图像进行处理和分析的有效性和可靠性。常用的滤波操作方法有很多种,如中值滤波、形态学滤波、高斯滤波、双边滤波等。通过对所述新车合格证图片依次进行灰度化、边缘检测、二值化和滤波处理,得到与新车合格证图片对应的候选区域。
在获取了候选区域后,可参考字符分割算法,以识别候选区域的车辆型号信息。
S106、将与所述车辆照片数据对应的车辆特征序列作为预先训练的第一卷积神经网络模型的输入,得到与所述车辆照片数据对应的车辆型号信息;其中,所述第一卷积神经网络模型用于识别车辆型号。
在本实施例中,当获取了如[114]这一车辆特征序列后,将该车辆特征序列作为预先训练的第一卷积神经网络模型的输入,即可输出识别结果(即车辆型号信息)。通过第一卷积神经网络模型,实现了对车辆型号的智能识别。
在一实施例中,步骤S106之前还包括:
根据预设的第一网址列表对应的采集获取网页中的车辆外观图片,以组成车辆外观图片集;
根据预设的第一标注策略,获取所述车辆外观图片集中各车辆外观图片的前盖车标、后盖车标、及排量分别对应的标示值,以组成各车辆外观图片与对应的车辆特征序列;
将所述车辆外观图片集中车辆外观图片对应的车辆特征序列作为待训练第一卷积神经网络的输入,将车辆外观图片对应的车辆型号信息作为待训练第一卷积神经网络的输出,对所述待训练第一卷积神经网络进行训练,得到用于识别车辆型号的第一卷积神经网络模型。
在本实施例中,为了训练得到第一卷积神经网络模型,首先需根据预设的第一网址列表,对应去采集获取大量的汽车外观图片,从而组成了所述待训练第一卷积神经网络的训练集(也即车辆外观图片集)。之后结合第一标注策略及采用人工标注的方式,实现对车辆外观图片集中各车辆外观图片的前盖车标、后盖车标、及排量分别对应的标示值,以组成各车辆外观图片与对应的车辆特征序列。同时,还对车辆外观图片集中各车辆外观图片对应的车辆型号信息进行标注。
最后,将所述车辆外观图片集中车辆外观图片对应的车辆特征序列作为待训练第一卷积神经网络的输入,将车辆外观图片对应的车辆型号信息作为待训练第一卷积神经网络的输出,对所述待训练第一卷积神经网络进行训练,即可得到第一卷积神经网络模型。通过上述训练过程,能快速得到根据车辆外观图片识别车辆型号的第一卷积神经网络模型。
S107、根据所述车辆内饰部件图片进行图像识别,以得到对应的车辆内饰部件序列。
在本实施例中,若需对车辆内饰部件图片进行识别时,通过预设的第二标注策略,获取所述车辆内饰部件图片中的车机、方向盘、天窗、变速器、座椅、及空调出风口分别对应的标示值,以组成对应的车辆内饰部件序列。
在一实施例中,步骤S107包括:
识别获取所述车辆内饰部件图片中的车机、方向盘、天窗、变速器、座椅、及空调出风口;
根据预设的第二标注策略,获取所述车辆内饰部件图片中的车机、方向盘、天窗、变速器、座椅、及空调出风口分别对应的标示值,以组成车辆内饰部件序列。
在本实施例中,当识别获取了车辆内饰部件图片中的各车辆内饰部件后,针对所列举的6个判断标准一一核对(这6个判断标准即为预先设置的标注策略)以得到对应的车辆内饰部件序列。其中,第二标注策略为当有大尺寸屏幕车机时标注为1,不是大尺寸屏幕车机时标注为0;当是多功能方向盘时标注为1,不是多功能方向盘时标注为0;当有天窗时标注为1,无天窗时标注为0;当为自动变速器时标注为1,为手动变速器时标注为0;当为真皮座椅标注为1,不为真皮座椅时标注为0;当后排有空调出风口时标注为1,后排无空调出风口时标注为0;例如,某一车辆进行标注后为[111111],则表示该车辆内饰部件细节为是大尺寸屏幕车机,多功能方向盘、有天窗、是自动变速器、是真皮座椅、后排有空调出风口。
同样的,获取所述车辆内饰部件图片中的车机、方向盘、天窗、变速器、座椅、及空调出风口分别对应的标示值也可参考通过相应的卷积神经网络模型获取对应的标示值的过程。
S108、将与所述车辆照片数据对应的车辆内饰部件序列作为预先训练的第二卷积神经网络模型的输入,得到与所述车辆照片数据对应的车辆配置等级;其中,所述第二卷积神经网络模型用于识别车辆配置等级。
在本实施例中,当获取了与所述车辆照片数据对应的车辆内饰部件序列,将车辆内饰部件序列作为预先训练的第二卷积神经网络模型的输入,即可得到对应的车辆配置等级。例如,此时将[110100]输入至第二卷积神经网络模型,可得到对应的车辆配置等级(如2)。通过卷积神经网络模型有效的判断了车辆配置等级,便于车险理赔的过程中,确定车辆实际价值。
S109、判断所述车辆配置等级是否超出预先设置的配置等级阈值。
在本实施例中,为了防止用户在对汽车进行在线投保时已对车辆进行改装,此时需根据车辆配置等级来进行判断是否为改装车。
S110、若车辆配置等级超出所述配置等级阈值,将所述车辆照片数据对应的车辆数据增加可疑车辆标识以得到当前第一车辆数据,将当前第一车辆数据存储至预设的第一存储区域。
在本实施例中,即在训练第二卷积神经网络模型,也加入一些改装车的数据进行训练,这些改装车对应的车辆配置等级一般较高。若车辆配置等级超出预先所述配置等级阈值(例如车辆配置等级为5,而配置等级阈值设置为4),表示该车可能是改装车,是不在投保范围内的。此时将所述车辆照片数据对应的车辆数据增加可疑车辆标识以得到当前第一车辆数据,将当前第一车辆数据存储至预设的第一存储区域。其中,所述第一存储区域中存储了所有存在可疑车辆标识的当前第一车辆数据。在服务器中可以针对第一存储区域中的各当前第一车辆数据进行进一步的人工核实。
在一实施例中,步骤S110之后还包括:
若车辆配置等级未超出所述配置等级阈值,根据所述车辆型号信息、及车辆配置等级,获取与所述待识别车辆图片对应的唯一车型数据,将所述唯一车型数据增加至所述车辆照片数据对应的车辆数据以得到当前第二车辆数据,将当前第二车辆数据存储至预设的第二存储区域。
在一实施例中,所述预设的第一存储区域和所述预设的第二存储区域分别为区块链网络上的区块,将第一车辆数据和第二车辆数据分别存储于区块链上创建的区块内,通过区块链实现信息在不同平台之间的共享。
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。
在本实施例中,若车辆配置等级未超出预先设置的配置等级阈值,则表示用户未对车辆进行改装,此时当获取了待识别车辆图片对应的车辆型号及车辆配置等级后,即可自动获取与所述待识别车辆图片对应的唯一车型信息,并根据车辆型号及车辆配置等级估算车辆的实际价值。而且这些信息均是通过图像识别来获取,无需用户手工录入。
该方法实现了基于用户端根据照片上传指引信息所上传的车辆照片数据进行图像识别,通过得到的车辆型号信息和车辆配置等级以确定车型,提高了车型识别准确率。
本发明实施例还提供一种基于图像识别的车型识别装置,该基于图像识别的车型识别装置用于执行前述基于图像识别的车型识别方法的任一实施例。具体地,请参阅图3,图3是本发明实施例提供的基于图像识别的车型识别装置的示意性框图。该基于图像识别的车型识别装置100可以配置于服务器中。
如图3所示,基于图像识别的车型识别装置100包括第一定位信息获取单元101、第一距离判断单元102、车辆照片数据接收单元103、合格证图片判断单元104、车辆特征序列获取单元105、车辆型号信息获取单元106、车辆内饰部件序列获取单元107、车辆配置等级获取单元108、配置等级判断单元109、第一车辆数据存储单元110。
第一定位信息获取单元101,用于接收用户端所上传的用户端定位信息,并接收车机所上传的车机定位信息。
在本实施例中,例如当用户在购买了汽车,需要对其进行线上投保时,服务器端需要先确定车型和车辆配置等级,此时用户需开启用户端的APP应用程序并登录,同时也开启车机的APP应用程序并登录。此时用户端会自动上传用户端定位信息,车机也自动上传车机定位信息。服务器接收用户端所上传的用户端定位信息,并接收车机所上传的车机定位信息。
第一距离判断单元102,用于判断所述用户端定位信息与所述车机定位信息之间的间距是否超出预设的间距阈值。
在本实施例中,当服务器接收了用户端所上传的用户端定位信息,并接收车机所上传的车机定位信息后,为了判断用户是否是实际在车辆附近拍照后进行线上车险投保,此时可以在服务器端根据用户端定位信息获取对应的第一定位点,并根据车机定位信息获取对应的第二定位点。此时计算所述第一定位点与所述第二定位点之间的间距,之后判断所述第一定位点与所述第二定位点之间的间距是否超出所述间距阈值(例如,可将间距阈值设置为10m、20m或30m等均可,这一数值根据实际检测精度需求而设置)。若所述用户端定位信息与所述车机定位信息之间的间距未超出预设的间距阈值(如将间距阈值设置为0-30m),表示用户当前与汽车的距离很近(可以理解为用户就在车旁),此时服务器向用户端发送照片上传指引信息,以提示用户至少上传车辆前视图片、车辆后视图片、及车辆内饰部件图片。
车辆照片数据接收单元103,用于若所述用户端定位信息与所述车机定位信息之间的间距未超出所述间距阈值,接收用户端根据照片上传指引信息所上传的车辆照片数据;其中,所述车辆照片数据至少包括车辆前视图片、车辆后视图片、及车辆内饰部件图片;所述车辆内饰部件图片至少包括车机照片、方向盘照片、天窗照片、变速器照片、座椅照片、及空调出风口照片。
在本实施例中,由于在照片上传指引信息中一般提示用户上传车辆前视图片、车辆后视图片、新车合格证图片、及车辆内饰部件图片。在上传车辆前视图片、车辆后视图片、新车合格证图片、及车辆内饰部件图片的过程中,若有部分照片不可得(如未取得新车合格证图片),则可以忽略此类照片的上传提示,但必须至少上传车辆前视图片、车辆后视图片、及车辆内饰部件图片这些容易获取的图片。
其中,具体提示上传车辆内饰部件图片时,主要提示上传车机照片、方向盘照片、天窗照片、变速器照片、座椅照片、及空调出风口照片。通过这些主要的车内照片,即可进一步进行车辆配置等级识别。
在一实施例中,基于图像识别的车型识别装置100还包括:
第二定位信息获取单元,用于根据所述车辆照片数据包括的照片参数数据,获取对应的图片定位信息;
第二距离判断单元,用于判断所述图片定位信息与所述车机定位信息之间的间距是否超出所述间距阈值;若所述图片定位信息与所述车机定位信息之间的间距未超出所述间距阈值,执行所述判断所述车辆照片数据中是否包括新车合格证图片的步骤;若所述图片定位信息与所述车机定位信息之间的间距超出所述间距阈值,执行发送用于提示用户靠近车辆的提示信息至用户端的步骤;
提示信息发送单元,用于发送用于提示用户靠近车辆的提示信息至用户端。
在本实施例中,为了进一步确定用户所上传的车辆照片数据对应的照片定位信息与用户端定位信息一致,可先解析所述车辆照片数据,以获取对应的图片定位信息。即一般使用用户端的摄像头所拍摄的图片,是包括拍摄时间、拍摄位置等属性信息,此时对所述车辆照片数据中每一车辆图片进行解析,均可以获取对应的图片定位信息。
之后判断所述图片定位信息与所述车机定位信息之间的间距是否超出所述间距阈值,也即根据图片定位信息获取对应的第三定位点,由于已知车机定位信息获取对应的第二定位点,此时计算所述第三定位点与所述第二定位点之间的间距,第三定位点与所述第二定位点之间的间距即可作为所述图片定位信息与所述车机定位信息之间的间距。即所述图片定位信息与所述车机定位信息之间的间距未超出所述间距阈值,表示用户当前与汽车的距离很近(可以理解为用户就在车旁)。若所述图片定位信息与所述车机定位信息之间的间距超出所述间距阈值,则发送用于提示用户靠近车辆的提示信息。
合格证图片判断单元104,用于判断所述车辆照片数据中是否包括新车合格证图片。
在本实施例中,若所述车辆照片数据中不包括新车合格证图片,则不能直观的根据新车合格证图片的数据来识别车型,此时只能根据所述车辆前视图片、车辆后视图片为图片素材进行车型识别。若所述车辆照片数据中包括新车合格证图片,则可直观的根据新车合格证图片的数据来识别车型。
车辆特征序列获取单元105,用于若所述车辆照片数据中不包括新车合格证图片,根据所述车辆前视图片和车辆后视图片进行图像识别,得到对应的车辆特征序列。
在本实施例中,若不能直观的根据新车合格证图片的数据来识别车型时,通过预设的第一标注策略,获取所述车辆前视图片中前盖车标、所述车辆后视图片的后盖车标、及排量分别对应的标示值,以组成对应的车辆特征序列。
例如,在预设的第一标注策略中,前盖车标为大众车标时标注1、前盖车标为本田时标注2、前盖车标为比亚迪时标注3等;后盖车标为大众车标时标注1、后盖车标为本田时标注2、后盖车标为比亚迪时标注3等;排量为1.8手动时标注1,排量为1.8自动时标注2、排量为2.0手动时标注3、排量为2.0自动标注4。例如,某一车辆进行标注后对应的车辆特征序列为[114],则表示该车辆为大众2.0自动。
更具体的,可以预先训练的3个图像识别模型(分别为车前盖车标识别的卷积神经网络模型、车后盖车标识别的卷积神经网络模型、及车排量OCR图文识别模型)来对所述车辆前视图片和车辆后视图片进行图像识别。将所述车辆前视图片对应的像素矩阵作为所述车前盖车标识别的卷积神经网络模型的输入时,其输出结果为前盖车标标示值;将所述车辆后视图片对应的像素矩阵作为所述车后盖车标识别的卷积神经网络模型的输入时,其输出结果为后盖车标标示值;通过车排量OCR图文识别模型直接可以识别出所述车辆后视图片中车排量对应的数字字符串,以该数字字符串作为排量标示值。其中,车前盖车标识别的卷积神经网络模型和车后盖车标识别的卷积神经网络模型,均是用于特定图片识别场景而训练得到,与现有的卷积神经网络的训练过程相同,只是训练过程中使用的图片集不同。车前盖车标识别的卷积神经网络模型训练是使用大量的车前盖图片进行训练,车后盖车标识别的卷积神经网络模型训练是使用大量的车后盖图片进行训练。
在一实施例中,基于图像识别的车型识别装置100还包括:
候选区域定位单元,用于若所述车辆照片数据中包括新车合格证图片,对所述新车合格证图片依次进行灰度化、边缘检测、二值化和滤波处理,得到与新车合格证图片对应的候选区域;
候选区域字符识别单元,用于根据所述候选区域中的字符,对应获取与所述车辆照片数据对应的车辆型号信息。
在本实施例中,若所述车辆照片数据中包括新车合格证图片,可直观的根据新车合格证图片的数据来识别车型。由于所述新车合格证图片一般是彩色图片,彩色图片包含更多的信息,但是直接对彩色图像进行处理的话,执行速度将会降低,储存空间也会变大。彩色图片的灰度化是图像处理的一种基本的方法,在模式识别领域得到广泛的运用,合理的灰度化将对图像信息的提取和后续处理极有帮助,能够节省储存空间,加快处理速度。
边缘检测的方法是考察图像的像素在某个领域内灰度的变化情况,标识数字图像中亮度变化明显的点。图像的边缘检测能够大幅度地减少数据量,并且剔除不相关的信息,保存图像重要的结构属性。用于边缘检测的算子很多,常用的有Sobel算子(即索贝尔算子),还有Laplacian边缘检测算子(即拉普拉斯边缘检测算子)、Canny边缘检测算子(即坎尼边缘检测算子)等。
灰度图经过边缘检测之后,新车合格证图片上的字符及边缘信息会突出出来。同时,其他非字符和非新车合格证图片边框的边缘纹理特征也突出了出来,为了减少噪声的影响,需要对新车合格证图片进行二值化处理,二值化是对图像进行阈值化的一种类型。根据阈值的选取情况,二值化的方法可分为全局阈值法、动态阈值法和局部阈值法,常用最大类间方差法(也称Otsu算法)进行阈值化,来剔除一些梯度值较小的像素,减少需要查找的车牌范围,二值化处理后车牌图像的像素值为0或者255。
之后,在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制,是图像处理中消除噪声的不可或缺的操作,其处理的结果的好坏将直接影响到对后续图像进行处理和分析的有效性和可靠性。常用的滤波操作方法有很多种,如中值滤波、形态学滤波、高斯滤波、双边滤波等。通过对所述新车合格证图片依次进行灰度化、边缘检测、二值化和滤波处理,得到与新车合格证图片对应的候选区域。
在获取了候选区域后,可参考字符分割算法,以识别候选区域的车辆型号信息。
车辆型号信息获取单元106,用于将与所述车辆照片数据对应的车辆特征序列作为预先训练的第一卷积神经网络模型的输入,得到与所述车辆照片数据对应的车辆型号信息;其中,所述第一卷积神经网络模型用于识别车辆型号。
在本实施例中,当获取了如[114]这一车辆特征序列后,将该车辆特征序列作为预先训练的第一卷积神经网络模型的输入,即可输出识别结果(即车辆型号信息)。通过第一卷积神经网络模型,实现了对车辆型号的智能识别。
在一实施例中,基于图像识别的车型识别装置100还包括:
图片集采集单元,用于根据预设的第一网址列表对应的采集获取网页中的车辆外观图片,以组成车辆外观图片集;
图片标示单元,用于根据预设的第一标注策略,获取所述车辆外观图片集中各车辆外观图片的前盖车标、后盖车标、及排量分别对应的标示值,以组成各车辆外观图片与对应的车辆特征序列;
第一卷积神经网络训练单元,用于将所述车辆外观图片集中车辆外观图片对应的车辆特征序列作为待训练第一卷积神经网络的输入,将车辆外观图片对应的车辆型号信息作为待训练第一卷积神经网络的输出,对所述待训练第一卷积神经网络进行训练,得到用于识别车辆型号的第一卷积神经网络模型。
在本实施例中,为了训练得到第一卷积神经网络模型,首先需根据预设的第一网址列表,对应去采集获取大量的汽车外观图片,从而组成了所述待训练第一卷积神经网络的训练集(也即车辆外观图片集)。之后结合第一标注策略及采用人工标注的方式,实现对车辆外观图片集中各车辆外观图片的前盖车标、后盖车标、及排量分别对应的标示值,以组成各车辆外观图片与对应的车辆特征序列。同时,还对车辆外观图片集中各车辆外观图片对应的车辆型号信息进行标注。
最后,将所述车辆外观图片集中车辆外观图片对应的车辆特征序列作为待训练第一卷积神经网络的输入,将车辆外观图片对应的车辆型号信息作为待训练第一卷积神经网络的输出,对所述待训练第一卷积神经网络进行训练,即可得到第一卷积神经网络模型。通过上述训练过程,能快速得到根据车辆外观图片识别车辆型号的第一卷积神经网络模型。
车辆内饰部件序列获取单元107,用于根据所述车辆内饰部件图片进行图像识别,以得到对应的车辆内饰部件序列。
在本实施例中,若需对车辆内饰部件图片进行识别时,通过预设的第二标注策略,获取所述车辆内饰部件图片中的车机、方向盘、天窗、变速器、座椅、及空调出风口分别对应的标示值,以组成对应的车辆内饰部件序列。
在一实施例中,车辆内饰部件序列获取单元107包括:
内饰图片识别单元,用于识别获取所述车辆内饰部件图片中的车机、方向盘、天窗、变速器、座椅、及空调出风口;
车辆内饰部件标示单元,用于根据预设的第二标注策略,获取所述车辆内饰部件图片中的车机、方向盘、天窗、变速器、座椅、及空调出风口分别对应的标示值,以组成车辆内饰部件序列。
在本实施例中,当识别获取了车辆内饰部件图片中的各车辆内饰部件后,针对所列举的6个判断标准一一核对(这6个判断标准即为预先设置的标注策略)以得到对应的车辆内饰部件序列。其中,第二标注策略为当有大尺寸屏幕车机时标注为1,不是大尺寸屏幕车机时标注为0;当是多功能方向盘时标注为1,不是多功能方向盘时标注为0;当有天窗时标注为1,无天窗时标注为0;当为自动变速器时标注为1,为手动变速器时标注为0;当为真皮座椅标注为1,不为真皮座椅时标注为0;当后排有空调出风口时标注为1,后排无空调出风口时标注为0;例如,某一车辆进行标注后为[111111],则表示该车辆内饰部件细节为是大尺寸屏幕车机,多功能方向盘、有天窗、是自动变速器、是真皮座椅、后排有空调出风口。
同样的,获取所述车辆内饰部件图片中的车机、方向盘、天窗、变速器、座椅、及空调出风口分别对应的标示值也可参考通过相应的卷积神经网络模型获取对应的标示值的过程。
车辆配置等级获取单元108,用于将与所述车辆照片数据对应的车辆内饰部件序列作为预先训练的第二卷积神经网络模型的输入,得到与所述车辆照片数据对应的车辆配置等级;其中,所述第二卷积神经网络模型用于识别车辆配置等级。
在本实施例中,当获取了与所述车辆照片数据对应的车辆内饰部件序列,将车辆内饰部件序列作为预先训练的第二卷积神经网络模型的输入,即可得到对应的车辆配置等级。例如,此时将[110100]输入至第二卷积神经网络模型,可得到对应的车辆配置等级(如2)。通过卷积神经网络模型有效的判断了车辆配置等级,便于车险理赔的过程中,确定车辆实际价值。
配置等级判断单元109,用于判断所述车辆配置等级是否超出预先设置的配置等级阈值。
在本实施例中,为了防止用户在对汽车进行在线投保时已对车辆进行改装,此时需根据车辆配置等级来进行判断是否为改装车。
第一车辆数据存储单元110,用于若车辆配置等级超出所述配置等级阈值,将所述车辆照片数据对应的车辆数据增加可疑车辆标识以得到当前第一车辆数据,将当前第一车辆数据存储至预设的第一存储区域。
在本实施例中,即在训练第二卷积神经网络模型,也加入一些改装车的数据进行训练,这些改装车对应的车辆配置等级一般较高。若车辆配置等级超出预先所述配置等级阈值(例如车辆配置等级为5,而配置等级阈值设置为4),表示该车可能是改装车,是不在投保范围内的。此时将所述车辆照片数据对应的车辆数据增加可疑车辆标识以得到当前第一车辆数据,将当前第一车辆数据存储至预设的第一存储区域。其中,所述第一存储区域中存储了所有存在可疑车辆标识的当前第一车辆数据。在服务器中可以针对第一存储区域中的各当前第一车辆数据进行进一步的人工核实。
在一实施例中,基于图像识别的车型识别装置100还包括:
第二车辆数据存储单元,用于若车辆配置等级未超出所述配置等级阈值,根据所述车辆型号信息、及车辆配置等级,获取与所述待识别车辆图片对应的唯一车型数据,将所述唯一车型数据增加至所述车辆照片数据对应的车辆数据以得到当前第二车辆数据,将当前第二车辆数据存储至预设的第二存储区域。
在本实施例中,若车辆配置等级未超出预先设置的配置等级阈值,则表示用户未对车辆进行改装,此时当获取了待识别车辆图片对应的车辆型号及车辆配置等级后,即可自动获取与所述待识别车辆图片对应的唯一车型信息,并根据车辆型号及车辆配置等级估算车辆的实际价值。而且这些信息均是通过图像识别来获取,无需用户手工录入。
该装置实现了基于用户端根据照片上传指引信息所上传的车辆照片数据进行图像识别,通过得到的车辆型号信息和车辆配置等级以确定车型,提高了车型识别准确率。
上述基于图像识别的车型识别装置可以实现为计算机程序的形式,该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4,图4是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图4,该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行基于图像识别的车型识别方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行基于图像识别的车型识别方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图4中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现本发明实施例公开的基于图像识别的车型识别方法。
本领域技术人员可以理解,图4中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图4所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,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。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现本发明实施例公开的基于图像识别的车型识别方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置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。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,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,也可以是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)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于图像识别的车型识别方法,其特征在于,包括:
接收用户端所上传的用户端定位信息,并接收车机所上传的车机定位信息;
判断所述用户端定位信息与所述车机定位信息之间的间距是否超出预设的间距阈值;
若所述用户端定位信息与所述车机定位信息之间的间距未超出所述间距阈值,接收用户端根据照片上传指引信息所上传的车辆照片数据;其中,所述车辆照片数据至少包括车辆前视图片、车辆后视图片、及车辆内饰部件图片;所述车辆内饰部件图片至少包括车机照片、方向盘照片、天窗照片、变速器照片、座椅照片、及空调出风口照片;
判断所述车辆照片数据中是否包括新车合格证图片;
若所述车辆照片数据中不包括新车合格证图片,根据所述车辆前视图片和车辆后视图片进行图像识别,得到对应的车辆特征序列;
将与所述车辆照片数据对应的车辆特征序列作为预先训练的第一卷积神经网络模型的输入,得到与所述车辆照片数据对应的车辆型号信息;其中,所述第一卷积神经网络模型用于识别车辆型号;
根据所述车辆内饰部件图片进行图像识别,以得到对应的车辆内饰部件序列;
将与所述车辆照片数据对应的车辆内饰部件序列作为预先训练的第二卷积神经网络模型的输入,得到与所述车辆照片数据对应的车辆配置等级;其中,所述第二卷积神经网络模型用于识别车辆配置等级;
判断所述车辆配置等级是否超出预先设置的配置等级阈值;以及
若车辆配置等级超出所述配置等级阈值,将所述车辆照片数据对应的车辆数据增加可疑车辆标识以得到当前第一车辆数据,将当前第一车辆数据存储至预设的第一存储区域。
2.根据权利要求1所述的基于图像识别的车型识别方法,其特征在于,所述判断所述车辆配置等级是否超出预先设置的配置等级阈值之后,还包括:
若车辆配置等级未超出所述配置等级阈值,根据所述车辆型号信息、及车辆配置等级,获取与所述待识别车辆图片对应的唯一车型数据,将所述唯一车型数据增加至所述车辆照片数据对应的车辆数据以得到当前第二车辆数据,将当前第二车辆数据存储至预设的第二存储区域。
3.根据权利要求1所述的基于图像识别的车型识别方法,其特征在于,所述若所述用户端定位信息与所述车机定位信息之间的间距未超出所述间距阈值,接收用户端根据照片上传指引信息所上传的车辆照片数据之后,还包括:
根据所述车辆照片数据包括的照片参数数据,获取对应的图片定位信息;
判断所述图片定位信息与所述车机定位信息之间的间距是否超出所述间距阈值;若所述图片定位信息与所述车机定位信息之间的间距未超出所述间距阈值,执行所述判断所述车辆照片数据中是否包括新车合格证图片的步骤;若所述图片定位信息与所述车机定位信息之间的间距超出所述间距阈值,执行发送用于提示用户靠近车辆的提示信息至用户端的步骤;
发送用于提示用户靠近车辆的提示信息至用户端。
4.根据权利要求1所述的基于图像识别的车型识别方法,其特征在于,还包括:
根据预设的第一网址列表对应的采集获取网页中的车辆外观图片,以组成车辆外观图片集;
根据预设的第一标注策略,获取所述车辆外观图片集中各车辆外观图片的前盖车标、后盖车标、及排量分别对应的标示值,以组成各车辆外观图片与对应的车辆特征序列;
将所述车辆外观图片集中车辆外观图片对应的车辆特征序列作为待训练第一卷积神经网络的输入,将车辆外观图片对应的车辆型号信息作为待训练第一卷积神经网络的输出,对所述待训练第一卷积神经网络进行训练,得到用于识别车辆型号的第一卷积神经网络模型。
5.根据权利要求1所述的基于图像识别的车型识别方法,其特征在于,所述根据所述车辆内饰部件图片进行图像识别,以得到对应的车辆内饰部件序列,包括:
识别获取所述车辆内饰部件图片中的车机、方向盘、天窗、变速器、座椅、及空调出风口;
根据预设的第二标注策略,获取所述车辆内饰部件图片中的车机、方向盘、天窗、变速器、座椅、及空调出风口分别对应的标示值,以组成车辆内饰部件序列。
6.根据权利要求1所述的基于图像识别的车型识别方法,其特征在于,所述判断所述车辆照片数据中是否包括新车合格证图片之后,还包括:
若所述车辆照片数据中包括新车合格证图片,对所述新车合格证图片依次进行灰度化、边缘检测、二值化和滤波处理,得到与新车合格证图片对应的候选区域;
根据所述候选区域中的字符,对应获取与所述车辆照片数据对应的车辆型号信息。
7.根据权利要求2所述的基于图像识别的车型识别方法,其特征在于,所述预设的第一存储区域和所述预设的第二存储区域分别为区块链网络上的区块。
8.一种基于图像识别的车型识别装置,其特征在于,包括:
第一定位信息获取单元,用于接收用户端所上传的用户端定位信息,并接收车机所上传的车机定位信息;
第一距离判断单元,用于判断所述用户端定位信息与所述车机定位信息之间的间距是否超出预设的间距阈值;
车辆照片数据接收单元,用于若所述用户端定位信息与所述车机定位信息之间的间距未超出所述间距阈值,接收用户端根据照片上传指引信息所上传的车辆照片数据;其中,所述车辆照片数据至少包括车辆前视图片、车辆后视图片、及车辆内饰部件图片;所述车辆内饰部件图片至少包括车机照片、方向盘照片、天窗照片、变速器照片、座椅照片、及空调出风口照片;
合格证图片判断单元,用于判断所述车辆照片数据中是否包括新车合格证图片;
车辆特征序列获取单元,用于若所述车辆照片数据中不包括新车合格证图片,根据所述车辆前视图片和车辆后视图片进行图像识别,得到对应的车辆特征序列;
车辆型号信息获取单元,用于将与所述车辆照片数据对应的车辆特征序列作为预先训练的第一卷积神经网络模型的输入,得到与所述车辆照片数据对应的车辆型号信息;其中,所述第一卷积神经网络模型用于识别车辆型号;
车辆内饰部件序列获取单元,用于根据所述车辆内饰部件图片进行图像识别,以得到对应的车辆内饰部件序列;
车辆配置等级获取单元,用于将与所述车辆照片数据对应的车辆内饰部件序列作为预先训练的第二卷积神经网络模型的输入,得到与所述车辆照片数据对应的车辆配置等级;其中,所述第二卷积神经网络模型用于识别车辆配置等级;
配置等级判断单元,用于判断所述车辆配置等级是否超出预先设置的配置等级阈值;以及
第一车辆数据存储单元,用于若车辆配置等级超出所述配置等级阈值,将所述车辆照片数据对应的车辆数据增加可疑车辆标识以得到当前第一车辆数据,将当前第一车辆数据存储至预设的第一存储区域。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于图像识别的车型识别方法。
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存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于图像识别的车型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010351240.1A CN111652274B (zh) | 2020-04-28 | 2020-04-28 | 基于图像识别的车型识别方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010351240.1A CN111652274B (zh) | 2020-04-28 | 2020-04-28 | 基于图像识别的车型识别方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652274A true CN111652274A (zh) | 2020-09-11 |
CN111652274B CN111652274B (zh) | 2024-05-14 |
Family
ID=72349420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010351240.1A Active CN111652274B (zh) | 2020-04-28 | 2020-04-28 | 基于图像识别的车型识别方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652274B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017004527A (ja) * | 2015-06-09 | 2017-01-05 | アイテック株式会社 | 車両番号情報認識・対応システム並びに同方法 |
WO2018072233A1 (zh) * | 2016-10-20 | 2018-04-26 | 中山大学 | 一种基于选择性搜索算法的车标检测识别方法及*** |
CN109101934A (zh) * | 2018-08-20 | 2018-12-28 | 广东数相智能科技有限公司 | 车型识别方法、装置与计算机可读存储介质 |
CN110070092A (zh) * | 2019-03-15 | 2019-07-30 | 平安科技(深圳)有限公司 | 车型识别方法、装置、计算机设备及存储介质 |
-
2020
- 2020-04-28 CN CN202010351240.1A patent/CN111652274B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017004527A (ja) * | 2015-06-09 | 2017-01-05 | アイテック株式会社 | 車両番号情報認識・対応システム並びに同方法 |
WO2018072233A1 (zh) * | 2016-10-20 | 2018-04-26 | 中山大学 | 一种基于选择性搜索算法的车标检测识别方法及*** |
CN109101934A (zh) * | 2018-08-20 | 2018-12-28 | 广东数相智能科技有限公司 | 车型识别方法、装置与计算机可读存储介质 |
CN110070092A (zh) * | 2019-03-15 | 2019-07-30 | 平安科技(深圳)有限公司 | 车型识别方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111652274B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10657370B2 (en) | Determining images having unidentifiable license plates | |
CN110826370B (zh) | 车内人员的身份识别方法、装置、车辆及存储介质 | |
WO2020186790A1 (zh) | 车型识别方法、装置、计算机设备及存储介质 | |
CN108323209B (zh) | 信息处理方法、***、云处理设备以及计算机存储介质 | |
CN107748882B (zh) | 一种车道线检测方法及装置 | |
CN109740040B (zh) | 验证码识别方法、装置、存储介质和计算机设备 | |
CN110378254B (zh) | 车损图像修改痕迹的识别方法、***、电子设备及存储介质 | |
CN110458086A (zh) | 车辆重识别方法及装置 | |
CN112580734B (zh) | 目标检测模型训练方法、***、终端设备及存储介质 | |
CN113436175B (zh) | 车图像分割质量的评估方法、装置、设备及存储介质 | |
CN111582272A (zh) | 双行车牌识别方法、装置、设备及计算机可读存储介质 | |
CN112668640A (zh) | 一种文本图像质量评估方法、装置、设备及介质 | |
CN104573680A (zh) | 图像检测方法、图像检测装置以及交通违法检测*** | |
CN114333347A (zh) | 车辆信息融合方法、装置、计算机设备及存储介质 | |
CN112861567B (zh) | 一种车型分类方法及装置 | |
CN115810134A (zh) | 一种车险反欺诈的图像采集质检方法、***和装置 | |
CN113065425B (zh) | 基于环境信息的车内遗落物提醒方法、***及存储介质 | |
MX2012001664A (es) | Identificacion de objetos. | |
CN111178347B (zh) | 证件图像的模糊度检测方法、装置、设备及存储介质 | |
CN109934858B (zh) | 图像配准方法及装置 | |
CN111985448A (zh) | 车辆图像识别方法、装置、计算机设备及可读存储介质 | |
CN111652274B (zh) | 基于图像识别的车型识别方法、装置及计算机设备 | |
CN111177878B (zh) | 衍生仿真场景筛选方法、装置和终端 | |
CN110689481A (zh) | 车辆种类识别方法及装置 | |
CN111914820B (zh) | 资质审核方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |