CN111709352B - 一种基于神经网络的车辆划痕检测方法 - Google Patents
一种基于神经网络的车辆划痕检测方法 Download PDFInfo
- Publication number
- CN111709352B CN111709352B CN202010533370.7A CN202010533370A CN111709352B CN 111709352 B CN111709352 B CN 111709352B CN 202010533370 A CN202010533370 A CN 202010533370A CN 111709352 B CN111709352 B CN 111709352B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detail
- neural network
- vector group
- feature
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000002421 finishing Substances 0.000 description 6
- 239000003086 colorant Substances 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术应用领域，具体提供了一种基于神经网络的车辆划痕检测方法，该方法分为以下步骤：S01、通过神经网络对摄像头采集的车辆全貌图像和车辆细节图像进行特征提取，得到特征提取图；S02、检索后台标准数据库，比较标准数据库中的图与特征提取图是否超过阈值，作为待测车辆的初始标记特征；S03、经过若干时间或空间范围后，再次重复S01中对车辆全貌图像和车辆细节图像进行特征提取，两次特征提取图比较是否超过阈值，判断车辆是否有划痕。与现有技术相比，本发明通过设置部署多个神经网络配合完成车辆车型检测与细节特征提取，可在第一时间对车辆外观是否受损或剐蹭了其他车辆进行较准确判断，具有良好的推广价值。
Description
技术领域
本发明涉及人工智能技术应用领域，具体提供一种基于神经网络的车辆划痕检测方法。
背景技术
随着时代的不断进步,汽车成为人们出行的基本工具,越来越多的车辆行驶在道路上，造成汽车之间的拥堵。在车辆缓慢行驶或者在停车的过程中，发生轻微或者是一般刮擦都是很正常的现象，尤其是在无人值守的情况下，车主当时又不易察觉划痕，发现后，难以追查且难以取证，即时在有摄像头的情况下，也是比较难以追查的。
发明内容
本发明是针对上述现有技术的不足，提供一种实用性强的基于神经网络的车辆划痕检测方法。
本发明解决其技术问题所采用的技术方案是：
一种基于神经网络的车辆划痕检测方法，该方法分为以下步骤：
S01、通过神经网络对摄像头采集的车辆全貌图像和车辆细节图像进行特征提取，得到特征提取图；
S02、检索后台标准数据库，比较标准数据库中的图与特征提取图是否超过阈值，作为待测车辆的初始标记特征；
S03、经过若干时间或空间范围后，再次重复S01中对车辆全貌图像和车辆细节图像进行特征提取，两次特征提取图比较是否超过阈值，判断车辆是否有划痕。
进一步的,在步骤S01中，包括：
S011、部署神经网络一，对经摄像头采集的车辆全貌图进行车型识别，到到待检测车辆车型信息；
S012、部署神经网络二，对经摄像头采集的车辆细节图进行特征提取，得到待检测车辆细节特征信息向量组一。
作为优选,所述神经网络一训练采用多品牌多车型的各角度整体图片，所述神经网络二训练集采用各车辆外观细节图片。
进一步的,所述神经网络一、神经网络二由基础网络和特殊网络构成，所述基础网络包括但不限于VGG、ResNet、DeepWise或全连接结构；
所述特殊网络对某类特征专门进行提取。
进一步的,所述车型信息包括但不限于车辆品牌、车辆型号、上市年月、车辆颜色和车辆牌照。
进一步的,所述车辆细节特征信息向量包括但不限于车辆两侧前后门颜色与光洁度、车辆前中后玻璃光洁度、车顶颜色与光洁度、轮胎及轮毂侧面光洁度、叶子板及车灯颜色与光洁度和后备箱门颜色与光洁度。
进一步的,在步骤S02中，根据所述车辆车型信息，检索后台标准数据库，比较标准数据库中与步骤S022得到的所述车辆细节特征信息向量组一，超过设定阈值时记录此条特征，作为待检测车辆的初始标记特征，表示在初次测量时车辆可能已存在划痕损伤；
将所述初始标记特征与所述车辆车型信息和车辆细节特征信息向量组一一起保存在当前工作数据库中。
进一步的,在步骤S03中，经过若干时间或空间范围后，再次对车辆进行步骤S021和步骤S022所述的神经网络特征提取，得到车辆车型信息和车辆细节特征信息向量组二；
通过特定方法比较车辆细节特征信息向量组一和车辆细节特征信息向量组二，若低于阈值，则表明在此若干时间或空间范围内，车辆未受到明显划痕或其他损伤；
若高于阈值，则表明车辆可能受到划痕损伤或对其他车辆造成了损伤，检索后台标准数据库，比较标准数据库中与车辆细节特征信息向量组二，标记超过设定阈值的特征条目，与所述初始标记特征比较，得到车辆对应受损位置，完成划痕检测。
作为优选，通过向量组欧氏距离、向量组曼哈顿距离、向量组余弦相似度或标准化欧氏距离比较车辆细节特征信息向量组一和车辆细节特征信息向量组二。
本发明的基于神经网络的车辆划痕检测方法和现有技术相比，具有以下突出的有益效果：
本发明充分发挥神经网络特征提取与类型识别快速准确优势，通过设置部署多个神经网络配合完成车辆车型检测与细节特征提取，可在第一时间对车辆外观是否受损或剐蹭了其他车辆进行较准确判断。
把当前计算机较难感知的颜色信息和图案信息等转换为数值，直观比较，快速高效完成车辆外观损伤检测，有效保障车辆所有人或停车场经营者的合法权益。
具体实施方式
为了使本技术领域的人员更好的理解本发明的方案，下面结合具体的实施方式对本发明作进一步的详细说明。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。
卷积神经网络由卷积核组成，类似过滤器，每个过滤器都会提取一种特定的特征，一般认为图像的空间联系是局部的像素联系比较密切，而距离较远的像素相关性较弱，因此，每个神经元只要对局部进行感知，然后在更高层将局部的信息综合起来得到全局信息。通过深层神经网络不断提取图像特征，可以把对颜色图样的感知转变为数值比较。
下面给出一个最佳实施例：
本实施例中的基于神经网络的车辆划痕检测方法，该方法分为以下步骤：
S01、通过神经网络对摄像头采集的车辆全貌图像和车辆细节图像进行特征提取，得到特征提取图；
S02、检索后台标准数据库，比较标准数据库中的图与特征提取图是否超过阈值，作为待测车辆的初始标记特征；
S03、经过若干时间或空间范围后，再次重复S01中对车辆全貌图像和车辆细节图像进行特征提取，两次特征提取图比较是否超过阈值，判断车辆是否有划痕。
在步骤S01中，包括：
S011、部署神经网络一，对经摄像头采集的车辆全貌图进行车型识别，到待检测车辆车型信息。
其中，神经网络一训练集采用多品牌多车型的各角度整体图片作为训练，得到待检测车辆车型信息包括但不限于车辆品牌、车辆型号、上市年月、车辆颜色和车辆牌照。
S012、部署神经网络二，对经摄像头采集的车辆细节图进行特征提取，得到待检测车辆细节特征信息向量组一。
神经网络二训练集采用各车辆外观细节图片，得到待测车辆细节特征信息向量组一包括但不限于车辆两侧前后门颜色与光洁度、车辆前中后玻璃光洁度、车顶颜色与光洁度、轮胎及轮毂侧面光洁度、叶子板及车灯颜色与光洁度和后备箱颜色与光洁度。
神经网络一和神经网络由基础网络和特殊网络构成，基础网络包括但不限于VGG、ResNet、DeepWise或全连接结构，用于对输入图像数据进行加权特征提取。特殊网络用于对某类特征，如车门侧划痕，专门提取。
在步骤S02中，根据车辆车型信息，检索后台标准数据库，比较标准数据库与步骤S022得到的车辆细节特征信息向量组一，判断是否超过阈值，若超过设定的阈值，则记录此条特征，作为待测车辆的初始标记特征，表示在初次测量时车辆可能已存在划痕损伤。
将初始标记特征与车辆车型信息、车辆细节特征信息向量组一一起保存在当前工作数据库中。
在步骤S03中，经过若干时间或空间范围后，如在停车场出口处，再次对车辆进行步骤S021和步骤S022所述的神经网络特征提取，得到车辆车型信息和车辆细节特征信息向量组二。
通过向量组欧氏距离比较车辆细节特征信息向量组一和车辆细节特征信息向量组二，再次判断是否高于阈值，若低于阈值，则表明在此若干时间或空间范围内，车辆为未收到明显划痕或其他损伤；
若高于阈值，则表明在此若干时间或空间内，车辆可能受到明显划痕或对其他损伤车辆造成了损伤，检索后台标准数据库，比较标准数据库中车辆细节特征信息向量组二，标记超过设定阈值的特征条目，这些超过设定阈值的特征条目与初始标记特征进行比较，得到车辆对应受损位置，完成划痕检测。
上述具体的实施方式仅是本发明具体的个案，本发明的专利保护范围包括但不限于上述具体的实施方式，任何符合本发明的一种基于神经网络的车辆划痕检测方法权利要求书的且任何所述技术领域普通技术人员对其做出的适当变化或者替换，皆应落入本发明的专利保护范围。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (1)
1.一种基于神经网络的车辆划痕检测方法，其特征在于，该方法分为以下步骤：
S01、通过神经网络对摄像头采集的车辆全貌图像和车辆细节图像进行特征提取，得到特征提取图；
包括：
S011、部署神经网络一，对经摄像头采集的车辆全貌图进行车型识别，得到待检测车辆车型信息；
S012、部署神经网络二，对经摄像头采集的车辆细节图进行特征提取，得到待检测车辆细节特征信息向量组一；
神经网络一训练采用多品牌多车型的各角度整体图片，所述神经网络二训练集采用各车辆外观细节图片；
所述神经网络一、神经网络二由基础网络和特殊网络构成，所述基础网络包括但不限于VGG、ResNet、DeepWise或全连接结构；所述特殊网络对某类特征专门进行提取；
车型信息包括但不限于车辆品牌、车辆型号、上市年月、车辆颜色和车辆牌照；
所述车辆细节特征信息向量包括但不限于车辆两侧前后门颜色与光洁度、车辆前中后玻璃光洁度、车顶颜色与光洁度、轮胎及轮毂侧面光洁度、叶子板及车灯颜色与光洁度和后备箱门颜色与光洁度；
S02、检索后台标准数据库，比较标准数据库中的图与特征提取图是否超过阈值，作为待测车辆的初始标记特征；
根据所述车辆车型信息，检索后台标准数据库，比较标准数据库中与步骤S012得到的所述车辆细节特征信息向量组一，超过设定阈值时记录此条特征，作为待检测车辆的初始标记特征，表示在初次测量时车辆可能已存在划痕损伤；
将所述初始标记特征与所述车辆车型信息和车辆细节特征信息向量组一一起保存在当前工作数据库中；
S03、经过若干时间或空间范围后，再次重复S01中对车辆全貌图像和车辆细节图像进行特征提取，两次特征提取图比较是否超过阈值，判断车辆是否有划痕；
经过若干时间或空间范围后，再次对车辆进行步骤S011和步骤S012所述的神经网络特征提取，得到车辆车型信息和车辆细节特征信息向量组二；
通过特定方法比较车辆细节特征信息向量组一和车辆细节特征信息向量组二，若低于阈值，则表明在此若干时间或空间范围内，车辆未受到明显划痕或其他损伤；
若高于阈值，则表明车辆可能受到划痕损伤或对其他车辆造成了损伤，检索后台标准数据库，比较标准数据库中与车辆细节特征信息向量组二，标记超过设定阈值的特征条目，与所述初始标记特征比较，得到车辆对应受损位置，完成划痕检测；
通过向量组欧氏距离、向量组曼哈顿距离、向量组余弦相似度或标准化欧氏距离比较车辆细节特征信息向量组一和车辆细节特征信息向量组二。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010533370.7A CN111709352B (zh) | 2020-06-12 | 2020-06-12 | 一种基于神经网络的车辆划痕检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010533370.7A CN111709352B (zh) | 2020-06-12 | 2020-06-12 | 一种基于神经网络的车辆划痕检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111709352A CN111709352A (zh) | 2020-09-25 |
| CN111709352B true CN111709352B (zh) | 2022-10-04 |
Family
ID=72539923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010533370.7A Active CN111709352B (zh) | 2020-06-12 | 2020-06-12 | 一种基于神经网络的车辆划痕检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709352B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116150221B (zh) * | 2022-10-09 | 2023-07-14 | 浙江博观瑞思科技有限公司 | 服务于企业电商运营管理的信息交互方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1598552A (zh) * | 2004-08-28 | 2005-03-23 | 中国海洋大学 | 一种检测光纤质量的装置与方法 |
| CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及*** |
| CN107688819A (zh) * | 2017-02-16 | 2018-02-13 | 平安科技（深圳）有限公司 | 车辆的识别方法及装置 |
| CN107894423A (zh) * | 2017-11-08 | 2018-04-10 | 安吉汽车物流股份有限公司 | 车身表面质损自动检测设备及方法、车辆智能检测*** |
| CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技（深圳）有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
| CN110070524A (zh) * | 2019-04-03 | 2019-07-30 | 北京东舟技术股份有限公司 | 一种智能终端面板视觉故障检测*** |
| CN111127699A (zh) * | 2019-11-25 | 2020-05-08 | 爱驰汽车有限公司 | 汽车缺陷数据自动录入方法、***、设备及介质 |
-
2020
- 2020-06-12 CN CN202010533370.7A patent/CN111709352B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1598552A (zh) * | 2004-08-28 | 2005-03-23 | 中国海洋大学 | 一种检测光纤质量的装置与方法 |
| CN107688819A (zh) * | 2017-02-16 | 2018-02-13 | 平安科技（深圳）有限公司 | 车辆的识别方法及装置 |
| CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及*** |
| CN107894423A (zh) * | 2017-11-08 | 2018-04-10 | 安吉汽车物流股份有限公司 | 车身表面质损自动检测设备及方法、车辆智能检测*** |
| CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技（深圳）有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
| CN110070524A (zh) * | 2019-04-03 | 2019-07-30 | 北京东舟技术股份有限公司 | 一种智能终端面板视觉故障检测*** |
| CN111127699A (zh) * | 2019-11-25 | 2020-05-08 | 爱驰汽车有限公司 | 汽车缺陷数据自动录入方法、***、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111709352A (zh) | 2020-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107622229B (zh) | 一种基于融合特征的视频车辆重识别方法与*** | |
| He et al. | Recognition of car makes and models from a single traffic-camera image | |
| Alvarez et al. | Road detection based on illuminant invariance | |
| CN107016362B (zh) | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和*** | |
| CN110969160A (zh) | 一种基于深度学习的车牌图像校正、识别方法及*** | |
| CN103093249A (zh) | 一种基于高清视频的出租车识别方法及*** | |
| CN106650731A (zh) | 一种鲁棒的车牌、车标识别方法 | |
| CN106991419A (zh) | 基于轮胎内壁随机纹理的防伪方法 | |
| CN108984644B (zh) | 一种***检索方法及*** | |
| CN106778742B (zh) | 一种基于Gabor滤波器背景纹理抑制的车标检测方法 | |
| CN111783654B (zh) | 车辆重识别方法、装置及电子设备 | |
| CN111046789A (zh) | 一种行人重识别方法 | |
| CN103514745A (zh) | 一种基于智能交通的***辆识别方法 | |
| CN111709352B (zh) | 一种基于神经网络的车辆划痕检测方法 | |
| CN114708547A (zh) | 车辆重识别方法、装置、计算机设备、存储介质 | |
| CN110826415A (zh) | 一种场景图像中车辆的重识别方法及设备 | |
| CN110378317A (zh) | 一种车牌识别方法及装置 | |
| CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别***及方法 | |
| Coronado et al. | Detection and classification of road signs for automatic inventory systems using computer vision | |
| CN114220087A (zh) | 一种车牌检测方法、车牌检测器及相关设备 | |
| Arlicot et al. | Circular Road sign extraction from street level images using colour, shape and texture databases maps. | |
| CN116524725A (zh) | 一种智能驾驶的交通标志图像数据识别*** | |
| CN103093205A (zh) | 识别车标的方法 | |
| CN115762172A (zh) | 一种出入车位车辆识别方法、装置、设备及介质 | |
| WO2022064486A1 (en) | Vehicle image analysis |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230407 Address after: S02 Building, 1036 Langchao Road, Jinan Area, China (Shandong) Pilot Free Trade Zone, Jinan City, Shandong Province, 250000 Patentee after: Shandong Inspur innovation and entrepreneurship Technology Co.,Ltd. Address before: No. 1036, Shandong high tech Zone wave road, Ji'nan, Shandong Patentee before: INSPUR GROUP Co.,Ltd. |