CN112862702A - 图像增强方法、装置、设备及存储介质 - Google Patents
图像增强方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112862702A CN112862702A CN202110064519.6A CN202110064519A CN112862702A CN 112862702 A CN112862702 A CN 112862702A CN 202110064519 A CN202110064519 A CN 202110064519A CN 112862702 A CN112862702 A CN 112862702A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- enhancement
- preset
- image enhancement
- 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 58
- 230000006870 function Effects 0.000 claims abstract description 74
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 137
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 238000005070 sampling Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 18
- 238000006243 chemical reaction Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000007790 scraping Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000001771 impaired effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及大数据领域,公开了一种图像增强方法、装置、设备及存储介质。本方法包括:预置图像识别模型对从交通事故现场获取的现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;若现场图像数据不满足预设图像标准,则提示用户重新拍摄;若现场图像数据满足预设图像标准,则进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;将目标事故车辆图像输入预置图像增强模型进行图像增强,生成目标增强图像。本方案只需要高质量的图片进行映射函数的学习即可完成低质量到高质量图像的转化,提升车险理赔的准确性和处理时效,解决了理赔效率低下的技术问题。
Description
技术领域
本发明涉及大数据领域,尤其涉及一种图像增强方法、装置、设备及存储介质。
背景技术
随着个人手机的普及和科技的进步,传统车险理赔流程中的影像化处理流程由于通常需要专业团队,使用较为专业的摄影器材,并根据一套完整的采集流程对各个区域进行拍摄采集图像数据。而面对日益增多的私家车保有量和各类小型事故,对车险理赔造成了较大的压力,无论是人员的数量还是处理的效率都无法满足目前的需求,因此近年来出现的自助式服务、在线提交材料、快捷理赔甚至全自动理赔,已经成为互联网保险理赔服务的标志性卖点。
然而由于对车险理赔材料的拍摄、上传这一步所采集的图像或视频信息的质量,将直接决定后续步骤的准确率,而普通用户往往不具备专业人员的操作技能,所使用的设备是普通手机自带的相机,而车险定损时往往无法确定所在地的拍摄条件,因此所拍摄的图像或视频往往可能存在拍摄目标错误、拍摄角度不合理、成像模糊、曝光不足或强光反射等问题,这些问题相比由专业人员采集的图像相差较多,会加大后期的OCR识别或人工审核难度,无法提升处理效率。
发明内容
本发明的主要目的是提升车险理赔的准确性和处理时效,解决理赔效率低下的技术问题。
本发明第一方面提供了一种图像增强方法,包括:
获取交通事故现场的现场图像数据;
通过预置图像识别模型对所述现场图像数据进行识别,判断所述现场图像数据是否满足预设图像标准;
若否,则提示用户重新拍摄;
若是,则进入下一张拍摄任务,得到所述交通事故现场的目标事故车辆图像;
将所述目标事故车辆图像输入预置图像增强模型,对所述目标事故车辆图像进行图像增强,生成目标增强图像。
可选地,在本发明第一方面的第一种实现方式中,在所述获取交通事故现场的现场图像数据之前,还包括:
从预置数据库中获取事故现场的历史车辆图像;
将所述历史车辆图像作为训练样本构建训练样本数据集;
将所述训练样本数据集输入预置图像增强生成器,对所述图像增强生成器进行训练,得到目标图像增强模型。
可选地,在本发明第一方面的第二种实现方式中,在所述通过预置图像识别模型对所述现场图像数据进行识别,判断所述现场图像数据是否满足预设图像标准之前,还包括:
从预置训练图片数据库中获取多张训练图片,并将所述训练图片输入预置神经网络模型,得到所述训练图片的预测类别标签;
根据所述训练图片的类别,生成所述训练图片的真实类别标签;
根据所述训练图片的预测类别标签和所述训练图片的真实类别标签,生成所述训练图片的第一损失函数;
根据所述第一损失函数对所述神经网络模型中的参数进行更新,得到目标图片识别模型。
可选地,在本发明第一方面的第三种实现方式中,所述将所述训练样本数据集输入预置图像增强生成器,对所述图像增强生成器进行训练,得到目标图像增强模型包括:
对所述训练样本数据集进行图像增强,得到预设数量个目标原始图像和对应的增强图像;
将所述目标原始图像输入到预置图像增强生成器中的CNN图像增强网络中,得到所述目标原始图像对应的输出图像;
确定所述输出图像和增强图像之间的第二损失函数;
基于所述第二损失函数,对所述图像增强生成器中的CNN图像增强网络进行迭代训练,直到所述CNN图像增强网络收敛得到目标图像增强模型。
可选地,在本发明第一方面的第四种实现方式中,所述将所述目标事故车辆图像输入预置图像增强模型,对所述目标事故车辆图像进行图像增强,生成目标增强图像包括:
对所述目标事故车辆图像进行下采样处理,得到下采样图像;
将所述下采样图像输入所述目标图像增强模型,得到所述目标事故车辆图像对应的图像增强数据;
确定所述目标事故车辆图像中的每一像素点在所述下采样图像中的匹配点;
基于所述图像增强数据中所述像素点的匹配点所对应的增强数据,确定所述像素点对应的目标增强参数;
基于所述像素点对应的目标增强参数,调整所述像素点的像素值,得到所述目标事故车辆图像对应的目标增强图像。
可选地,在本发明第一方面的第五种实现方式中,在所述将所述目标事故车辆图像输入预置图像增强模型,对所述目标事故车辆图像进行图像增强,生成目标增强图像之后,还包括:
获取用户的车主身份信息和所述事故车辆的受损信息,其中,所述车辆信息包括所述事故车辆的车险信息;
接收所述用户上传的理赔请求,并将所述目标增强图像输入训练后的卷积神经网络模型中进行预测,得到所述目标增强图像的理赔概率;
判断所述目标增强图像的理赔概率是否大于预设阈值;
若所述目标增强图片的理赔概率大于预设阈值,则确定所述目标增强图像可理赔;
基于所述用户的车主身份信息和所述事故车辆的标识信息,对所述事故车辆进行理赔。
本发明第二方面提供了一种图像增强装置,包括:
第一获取模块,用于获取交通事故现场的现场图像数据;
第一判断模块,用于通过预置图像识别模型对所述现场图像数据进行识别,判断所述现场图像数据是否满足预设图像标准;
提示模块,用于当所述现场图像数据不满足预设图像标准时,提示用户重新拍摄;
拍摄模块,用于当所述现场图像数据满足预设图像标准时,进入下一张拍摄任务,得到所述交通事故现场的目标事故车辆图像;
图像增强模块,用于将所述目标事故车辆图像输入预置图像增强模型,对所述目标事故车辆图像进行图像增强,生成目标增强图像。
可选地,在本发明第二方面的第一种实现方式中,所述图像增强装置还包括:
第二获取模块,用于从预置数据库中获取事故现场的历史车辆图像;
构建模块,用于将所述历史车辆图像作为训练样本构建训练样本数据集;
训练模块,用于将所述训练样本数据集输入预置图像增强生成器,对所述图像增强生成器进行训练,得到目标图像增强模型。
可选地,在本发明第二方面的第二种实现方式中,图像增强装置还包括:
输入模块,用于从预置训练图片数据库中获取多张训练图片,并将所述训练图片预置神经网络模型,得到所述训练图片的预测类别标签;
生成模块,用于根据所述训练图片的类别,生成所述训练图片的真实类别标签;根据所述训练图片的预测类别标签和所述训练图片的真实类别标签,生成所述训练图片的第一损失函数;
更新模块,用于根据所述第一损失函数对所述神经网络模型中的参数进行更新,得到目标图片识别模型。
可选地,在本发明第二方面的第三种实现方式中,所述训练模块包括:
图像增强单元,用于对所述训练样本数据集进行图像增强,得到预设数量个目标原始图像和对应的增强图像;
输入单元,用于将所述目标原始图像输入到预置图像增强生成器中的CNN图像增强网络中,得到所述目标原始图像对应的输出图像;
确定单元,用于确定所述输出图像和增强图像之间的第二损失函数;
迭代训练单元,用于基于所述第二损失函数,对所述图像增强生成器中的CNN图像增强网络进行,直到所述CNN图像增强网络收敛得到目标图像增强模型。
可选地,在本发明第二方面的第四种实现方式中,图像增强模块具体用于:
对所述目标事故车辆图像进行下采样处理,得到下采样图像;
将所述下采样图像输入所述目标图像增强模型,得到所述目标事故车辆图像对应的图像增强数据;
确定所述目标事故车辆图像中的每一像素点在所述下采样图像中的匹配点;
基于所述图像增强数据中所述像素点的匹配点所对应的增强数据,确定所述像素点对应的目标增强参数;
基于所述像素点对应的目标增强参数,调整所述像素点的像素值,得到所述目标事故车辆图像对应的目标增强图像。
可选地,在本发明第二方面的第五种实现方式中,所述图像增强装置还包括:
第三获取模块,用于获取用户的车主身份信息和所述事故车辆的受损信息,其中,所述车辆信息包括所述事故车辆的车险信息;
预测模块,用于接收所述用户上传的理赔请求,并将所述目标增强图像输入训练后的卷积神经网络模型中进行预测,得到所述目标增强图像的理赔概率;
第二判断模块,用于判断所述目标增强图像的理赔概率是否大于预设阈值;
确定模块,用于当所述目标增强图片的理赔概率大于预设阈值时,确定所述目标增强图像可理赔;
理赔模块,用于基于所述用户的车主身份信息和所述事故车辆的标识信息,对所述事故车辆进行理赔。
本发明第三方面提供了一种图像增强设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述图像增强设备执行上述的图像增强方法。
本发明的第四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中存储有指令,当其在计算机上运行时,使得计算机执行上述的图像增强方法。
本发明提供的技术方案中,通过预置图像识别模型对从交通事故现场获取的现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;若现场图像数据不满足预设图像标准,则提示用户重新拍摄;若现场图像数据满足预设图像标准,则进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;将目标事故车辆图像输入预置图像增强模型进行图像增强,生成目标增强图像。本方案只需要高质量的图片进行映射函数的学习即可完成低质量到高质量图像的转化,提升车险理赔的准确性和处理时效,解决了理赔效率低下的技术问题。
附图说明
图1为本发明图像增强方法的第一个实施例示意图;
图2为本发明图像增强方法的第二个实施例示意图;
图3为本发明图像增强方法的第三个实施例示意图;
图4为本发明图像增强方法的第四个实施例示意图;
图5为本发明图像增强方法的第五个实施例示意图;
图6为本发明图像增强装置的第一个实施例示意图;
图7为本发明图像增强装置的第二个实施例示意图;
图8为本发明图像增强设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种图像增强方法、装置、设备及存储介质,本发明的技术方案中,首先预置图像识别模型对从交通事故现场获取的现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;若现场图像数据不满足预设图像标准,则提示用户重新拍摄;若现场图像数据满足预设图像标准,则进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;将目标事故车辆图像输入预置图像增强模型进行图像增强,生成目标增强图像。本方案只需要高质量的图片进行映射函数的学习即可完成低质量到高质量图像的转化,提升车险理赔的准确性和处理时效,解决了理赔效率低下的技术问题。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中图像增强方法的第一个实施例包括:
101、获取交通事故现场的现场图像数据;
本实施例中,为了保证获取足够的信息,用户需要在交通事故现场围绕事故车辆进行360度的拍摄和关键受损部位的拍摄。比如,用户需要根据指引在现场通过个人手机拍摄对应车辆部位的图像,包括车架号、受损部位、车整带牌照片以及车辆全身照片等。
102、通过预置图像识别模型对现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;
本实施例中,由于对车险理赔材料的拍摄、上传这一步所采集的图像或视频信息的质量,将直接决定后续步骤的准确率,而普通用户往往不具备专业人员的操作技能,所使用的设备是普通手机自带的相机,而车险定损时往往无法确定所在地的拍摄条件,因此所拍摄的图像或视频往往可能存在拍摄目标错误、拍摄角度不合理、成像模糊、曝光不足或强光反射等问题,所以需要通过预置的图像识别模型对用户拍摄的事故车辆的现场图像数据进行识别,通过识别模型判断是否为指引中要求的对应照片,以及通过边缘检测等方案快速判断是否符合预设标准。
103、当现场图像数据不满足预设图像标准时,提示用户重新拍摄;
本实施例中,本地判断拍摄图像是否符合对应的拍摄标准,通过识别模型判断是否为指引中要求的对应照片,以及通过边缘检测等方案快速判断是否存在模糊情况。如不符合标准则重新提示用户拍摄。
104、当现场图像数据满足预设图像标准时,则进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;
本实施例中,如果用户现场拍摄的图片符合预设要求,则进入下一张拍摄任务,得到包括亮度、对比度、白平衡、宽容度、噪点、细节、色彩过渡等方面都比较高质量的图像,也就是目标增强图像。
105、将目标事故车辆图像输入预置图像增强模型,对目标事故车辆图像进行图像增强,生成目标增强图像。
本实施例中,将手机拍摄的低质量的目标事故车辆图像输入目标图像增强模型,完成包括亮度、对比度、白平衡、宽容度、噪点、细节、色彩过渡等方面进行全面提升,生成一副基于原始图片内容并达到近似专业数码相机拍摄视觉效果的增强图片。
本实施例中,图像增强的方法是通过一定手段对原图像附加一些信息或变换数据,有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征,使图像与视觉响应特性相匹配。在图像增强过程中,不分析图像降质的原因,处理后的图像不一定逼近原始图像。图像增强技术根据增强处理过程所在的空间不同,可分为基于空域的算法和基于频域的算法两大类。
本发明实施例中,通过预置图像识别模型对从交通事故现场获取的现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;若现场图像数据不满足预设图像标准,则提示用户重新拍摄;若现场图像数据满足预设图像标准,则进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;将目标事故车辆图像输入预置图像增强模型进行图像增强,生成目标增强图像。本方案只需要高质量的图片进行映射函数的学习即可完成低质量到高质量图像的转化,提升车险理赔的准确性和处理时效,解决了理赔效率低下的技术问题。
请参阅图2,本发明实施例中图像增强方法的第二个实施例包括:
201、从预置数据库中获取事故现场的历史车辆图像;
本实施例中,在发生交通事故后,获取交通事故现场的至少一个事故车辆的目标图像,这些目标图像能够反映事故现场的具体情况,如事故车辆的车牌号、受损部位和受损程度。
202、将历史车辆图像作为训练样本构建训练样本数据集;
本实施例中,首先可以从数据库中获取各种车险理赔场景下的多个原始图像样本,所述原始图像样本可以是用户从事故现场拍摄的图像,也可以是由公司专业人员用专业相机拍摄的图像等。例如,单反相机拍出的照片噪点少、细节信息丰富。接着,响应用户操作,对每个所述原始图像样本的图像参数进行图像增强,生成图像增强后的增强图像样本。例如,可以通过专业的特效设计师来调整每张原始图像样本,得到图像增强后的增强图像样本,使得增强图像样本具又有比较好的明暗和饱和度。
203、将训练样本数据集输入预置图像增强生成器,对图像增强生成器进行训练,得到目标图像增强模型;
本实施例中,图像增强是指增强图像中的有用信息,它可以是一个失真的过程,其目的是要改善图像的视觉效果,针对给定图像的应用场合。有目的地强调图像的整体或局部特性,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足某些特殊分析的需要。
本实施例中,将所述训练样本数据输入预置图像增强生成器对图像增强生成器进行训练,具体实现步骤包括:通过输入原始低质量的图像x,通过生成器生成一幅在亮度、曝光度等多方面均有提升的图像y,纹理和彩色判别器通过对比y与专业相机拍摄的图片z进行纹理和色彩损失函数的计算,并以次反馈训练生成器。同时通过对图像y应用生成器G’反向生成低质量图片y’,并通过计算与原始图片x的内容损失达到对生成器G的生成控制。
204、获取交通事故现场的现场图像数据;
205、通过预置图像识别模型对现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;
206、当现场图像数据不满足预设图像标准时,提示用户重新拍摄;
207、当现场图像数据满足预设图像标准时,进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;
208、将目标事故车辆图像输入预置图像增强模型,对目标事故车辆图像进行图像增强,生成目标增强图像。
本实施例中步骤204-208与第一实施例中的步骤101-105类似,此处不再赘述。
本发明实施例中,通过预置图像识别模型对从交通事故现场获取的现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;若现场图像数据不满足预设图像标准,则提示用户重新拍摄;若现场图像数据满足预设图像标准,则进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;将目标事故车辆图像输入预置图像增强模型进行图像增强,生成目标增强图像。本方案只需要高质量的图片进行映射函数的学习即可完成低质量到高质量图像的转化,提升车险理赔的准确性和处理时效,解决了理赔效率低下的技术问题。
请参阅图3,本发明实施例中图像增强方法的第三个实施例包括:
301、从预置数据库中获取事故现场的历史车辆图像;
302、将历史车辆图像作为训练样本构建训练样本数据集;
303、将训练样本数据集输入预置图像增强生成器,对图像增强生成器进行训练,得到目标图像增强模型;
304、获取交通事故现场的现场图像数据;
305、从预置训练图片数据库中获取多张训练图片,并将训练图片输入预置神经网络模型,得到训练图片的预测类别标签;
本实施例中,从预置数据库中获取以往的车辆事故现场拍摄的事故车辆的图片作为待识别图片,获取待识别的图片的预测类别标签;其中预先训练的图片识别模型采用卷积神经网络模型,且卷积神经网络模型中包括至少一层将通道维度由一维升阶为多维的核池化层。
本实施例中,在训练图片识别模型的过程中,图片识别模型中的参数是不断地变化的,即图片识别模型是在不断地变化。在每一次训练时,所采用的图片识别模型均为上一次训练更新后的图片识别模型。而本实施例的图片识别模型被初次使用时各参数采用的是预设的初始值。其中预测类别标签的维度在训练时确定,例如若训练图片数据库中的数张训练图片共包括n个分类的图片,则可以设置图片识别模型输出的预测类别标签的维度为n。
306、根据训练图片的类别,生成训练图片的真实类别标签;
本实施例中,由于训练图片的类别是已知的,可以根据训练图片的类别,生成该训练图片的类别的真实类别标签。同理,该训练图片的真实类别标签也为向量的形式,该向量中,仅该训练图片的类别对应的位置的元素的数值为1,其余位置均为0。
307、根据训练图片的预测类别标签和训练图片的真实类别标签,生成训练图片的第一损失函数;
本实施例中,根据得到的训练图片的预测类别标签和得到的训练图片的真实类别标签,可以知道训练图片的预测类别标签与训练图片的真实类别标签的差距,并根据该差距生成训练图片的损失函数。本实施例在训练图片识别模型的过程中,要将该损失函数的值逐渐变小,从而使得训练的图片识别模型越准确。本实施例中有两个以上的损失函数,分别计算标签的特征差值,并将根据对应损失函数计算的多个特征差值进行排序,将排序最大的特征差值对应的损失函数作为最终的损失函数,对模型进行回传调整权重。
本实施例中,因为损失函数表征的是一个向梯度方向下降的值,损失函数值越大,表示图片识别模型的对输入的图片进行处理后输出的预测类别标签越不准确,本实施例中通过不断地调整损失函数,使得损失函数的最终点的梯度为0。损失函数的值越小,表示图片识别模型的处理结果越准确。也即,计算训练图片的损失函数对图片识别模型中各参数的导数,根据图片识别模型中的各参数以及训练图片对应的损失函数对各参数的导数,更新图片识别模型中的各参数,从而确定本次训练后的图片识别模型。
损失函数(loss function)又叫代价函数(cost function)是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中,损失函数通常作为学习准则与优化问题相联系,即通过最小化损失函数求解和评估模型。例如在统计学和机器学习中被用于模型的参数估计(parametric estimation)。本实施例中,损失函数是预先构建好的,用来计算真实特征和预测特征之间的特征差值。
308、根据第一损失函数对神经网络模型中的参数进行更新,得到目标图片识别模型;
本实施例中,根据图片识别模型中的各参数以及训练图片的损失函数对各参数的导数,更新图片识别模型中的各参数,得到目标图像识别模型。
具体地,由于图片识别模型中是包括多个参数,当输入的训练图片确定时,也可以将损失函数看作是关于图片识别模型中的参数的函数,此时可以计算训练图片的损失函数对图片识别模型中各参数的导数;对于图片识别模型中的每一个参数,在更新时,可以将图片识别模型中该参数更新为该参数减去损失函数对该参数的导数,即每一次训练都对图片识别模型进行更新。
因为损失函数表征的是一个向梯度方向下降的值,损失函数值越大,表示图片识别模型的对输入的图片进行处理后输出的预测类别标签越不准确,本实施例中通过不断地调整损失函数,使得损失函数的最终点的梯度为0。损失函数的值越小,表示图片识别模型的处理结果越准确。上述实施例的技术方案,在更新图片识别模型的时候,具体是在朝着损失函数逐渐降低的方向更新。因此,通过不断的训练,不断地优化损失函数,不断地更新图片识别模型的参数,从而不断的更新图片识别模型,使得最终得到的图片识别模型能够非常准确地对图片进行识别处理。
309、通过预置图像识别模型对现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;
310、当现场图像数据不满足预设图像标准时,提示用户重新拍摄;
311、当现场图像数据满足预设图像标准时,进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;
312、将目标事故车辆图像输入预置图像增强模型,对目标事故车辆图像进行图像增强,生成目标增强图像。
本实施例中步骤301-303、309-312与第一实施例中的步骤201-203、102-105类似,此处不再赘述。
本发明实施例中,通过预置图像识别模型对从交通事故现场获取的现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;若现场图像数据不满足预设图像标准,则提示用户重新拍摄;若现场图像数据满足预设图像标准,则进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;将目标事故车辆图像输入预置图像增强模型进行图像增强,生成目标增强图像。本方案只需要高质量的图片进行映射函数的学习即可完成低质量到高质量图像的转化,提升车险理赔的准确性和处理时效,解决了理赔效率低下的技术问题。
请参阅图4,本发明实施例中图像增强方法的第四个实施例包括:
401、从预置数据库中获取事故现场的历史车辆图像;
402、将历史车辆图像作为训练样本构建训练样本数据集;
403、对训练样本数据集进行图像增强,得到预设数量个目标原始图像和对应的增强图像;
本实施例中,从预置数据库中获取多张低质量图像作为训练样本数据,并对这些图像图像增强,得到预设数量个原始图像样本和对应的预设数量个增强图像样本。接着,针对选取出的每个原始图像样本和对应的预设数量个增强图像样本,在该原始图像样本和对应的增强图像样本中的相同位置处随机裁剪目标尺寸的图像,以得到预设数量个目标尺寸的原始图像和对应的增强图像。
404、将目标原始图像输入到预置图像增强生成器中的CNN图像增强网络中,得到目标原始图像对应的输出图像;
本实施例中,将收集到的目标原始图像输入到预置图像增强生成器中的CNN图像增强网络中,可以得到每个目标原始图像对应的输出图像。
405、确定输出图像和增强图像之间的第二损失函数;
本实施例中,损失函数是预先构建好的,用来计算真实特征和预测特征之间的特征差值,并将根据对应损失函数计算的多个特征差值进行排序,将排序最大的特征差值对应的损失函数作为最终的损失函数,在得到所述损失函数值后,基于该损失函数值监督所述CNN图像增强网络的训练并更新网络参数。
本实施例中,可以利用均值模糊方法对所述输出图像和所述增强图像进行模糊处理,并计算模糊处理后的输出图像和增强图像的均值误差值,得到color_loss值。通过利用均值模糊方法对所述输出图像和所述增强图像进行模糊处理,以此来消除高频信息的干扰,而让网络更多地学习颜色信息。在实际实现中,可以用CNN图像增强网络中的均值池化层并设置stride为1来实现end2end的训练,从而对模糊处理后的输出图像和增强图像进行l2loss(也即Mean Square Error Loss)以得到所述color_loss值。
进一步地,将所述输出图像和所述增强图像经过所述CNN图像增强网络在同一个层输出的特征图进行误差计算,得到vgg_loss值。其中,vgg_loss是一种语义类型的loss,可以更好地生成语义信息。示例性地,本实施例可以使用vgg19作为生成不同层特征图(feature map)的网络结构,同时使用在ImageNet数据集上训练好的网络参数初始化vgg19网络。所述输出图像和所述增强图像经过vgg19网络在同一个层输出的特征图上进行l2loss以得到vgg_loss值。
进一步地,分别获取所述输出图像的灰度图和所述增强图像的灰度图,并对所述输出图像的灰度图和所述增强图像的灰度图进行误差计算,得到texture_loss值。texture_loss也即纹理loss,可以在上述的基础上增加纹理细节,保证图像增强的同时不丢失细节信息。
406、基于第二损失函数,对图像增强生成器中的CNN图像增强网络进行迭代训练,直到CNN图像增强网络收敛得到目标图像增强模型;
本实施例中,在得到损失函数值后,基于该损失函数值监督所述CNN图像增强网络的训练并更新网络参数,直到所述CNN图像增强网络收敛得到目标图像增强模型;
本实施例中,判断所述CNN图像增强网络是否达到训练收敛条件的方式可以是:判断所述loss值的变化值是否小于预设值,若所述loss值的变化值小于预设值,则判定所述CNN图像增强网络达到训练收敛条件,否则判定所述CNN图像增强网络未达到训练收敛条件。所述预设值可以根据实际需求进行设置,例如所述预设值可以设置为接近0的数值,或者也可以设置为0,如果所述预设值为0,则所述loss值不产生变化时,判定所述CNN图像增强网络达到训练收敛条件,否则判定所述CNN图像增强网络未达到训练收敛条件。若所述CNN图像增强网络未达到训练收敛条件,则重复上述步骤继续进行训练。
当所述CNN图像增强网络达到训练收敛条件时,更新所述述CNN图像增强网络的网络参数,从而输出对应的图像增强模型。所述图像增强模型可以对输入的图像进行图像增强。详细地,在接收到待处理图像后,可将所述待处理图像输入到所述图像增强模型中,得到该待处理图像对应的增强图像。例如,用户将手机拍摄的图像作为待处理图像,输入到训练好的所述图像增强模型中,再经过网络的层层计算得到对应的增强图像,所述对应的增强图像即为目标增强图像。
407、获取交通事故现场的现场图像数据;
408、通过预置图像识别模型对现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;
409、当现场图像数据不满足预设图像标准时,提示用户重新拍摄;
410、当现场图像数据满足预设图像标准时,进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;
411、将目标事故车辆图像输入预置图像增强模型,对目标事故车辆图像进行图像增强,生成目标增强图像。
本实施例中步骤407-411与第一实施例中的步骤101-105类似,此处不再赘述。
本发明实施例中,通过预置图像识别模型对从交通事故现场获取的现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;若现场图像数据不满足预设图像标准,则提示用户重新拍摄;若现场图像数据满足预设图像标准,则进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;将目标事故车辆图像输入预置图像增强模型进行图像增强,生成目标增强图像。本方案只需要高质量的图片进行映射函数的学习即可完成低质量到高质量图像的转化,提升车险理赔的准确性和处理时效,解决了理赔效率低下的技术问题。
请参阅图5,本发明实施例中图像增强方法的第五个实施例包括:
501、获取交通事故现场的现场图像数据;
502、通过预置图像识别模型对现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;
503、当现场图像数据不满足预设图像标准,提示用户重新拍摄;
504、当现场图像数据满足预设图像标准时,进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;
505、对目标事故车辆图像进行下采样处理,得到下采样图像;
本实施例中,需要对某一图像进行图像增强处理时,可以将该图像作为待增强的目标增强图像。目标增强图像可以是高分辨率的图像。而且,目标增强图像可以是单通道图像,也可以是多通道图像。其中,多通道图像的颜色空间可以是:RGB(Red,Green,Blue,红绿蓝)、YUV(Luminance,Chrominance,Chroma,明亮度,色度,浓度)或其他颜色空间,本公开对此并不限定。电子设备可以通过内置或外置的摄像装置拍摄目标增强图像,也可以与其他设备进行通信,接收其他设备发送的目标增强图像。本公开对电子设备获取目标增强图像的方式并不限定。
当电子设备获取目标增强图像后,可以对该目标增强图像进行下采样处理,从而得到下采样图像。所得到的下采样图像可以进一步地被输入深度学习网络,由深度学习网络对下采样图像进行图像增强处理。
本实施例中,可以对目标增强图像进行x倍的下采样处理,这样,所得到的下采样图像的分辨率、宽度和高度均为目标增强图像的相应参数的1/x倍。
506、将下采样图像输入目标图像增强模型,得到目标图像增强模型对应的图像增强数据;
本实施例中,为了对下采样图像进行图像增强处理,可以预先根据样本图像和样本图像对应的样本增强图像,对深度学习网络进行训练,得到训练好的深度学习网络。其中,样本图像和对应的样本增强图像是用于训练的训练样本。可以在现有的训练库中获取样图像和对应的样本增强图像作为训练样本。样本增强图像可以采用多曝光融合的方式得到,也可以采用其他的单帧图像增强方法得到,本公开对此不进行限定。
本实施例中,深度学习网络的结构可以为现有的任一种深度学习的网络模型。具体在训练时,可以根据实际需要,确定训练样本的个数。同时,也可以设定合理的损失函数或目标函数以及对应的目标值,来确定深度学习网络是否训练好。
当深度学习网络训练好后,深度学习网络的网络参数就确定了。由于深度学习网络是根据样本图像和对应的样本增强图像进行训练的,因而将下采样图像输入训练好的深度学习网络后,可以得到下采样图像对应的图像增强数据。该图像增强数据是表征下采样图像增强后的图像相对于下采样图像的增强程度的数据。该图像增强数据的形式可以有多种,例如:图像增强数据可以包括下采样图像中每一像素点映射为相应像素点的映射参数,其中,任一像素点的相应像素点为所述下采样图像增强后的图像中与该像素点位置相同的像素点。又例如,图像增强数据可以包括下采样图像增强后的图像。而且,可以理解的是,深度学习网络的输出结果与下采样图像对应的图像增强数据的类型相同,也就是说,当深度学习网络的输出结果为映射参数时,下采样图像对应的图像增强数据为映射参数,而当深度学习网络的输出结果为增强图像时,下采样图像对应的图像增强数据为下采样图像增强后的图像。
507、确定目标事故车辆图像中的每一像素点在下采样图像中的匹配点;
本实施例中,由于下采样图像的分辨率低于目标增强图像的分辨率,所以下采样图像对应的图像增强数据与目标增强图像并不对应。为了得到目标增强图像对应的增强图像,在本实施例中,可以先确定出目标增强图像中每一像素点在下采样图像中的匹配点,然后,再确定该像素点对应的目标增强参数,最后,利用该目标增强参数对该像素点的像素值进行调整。
本实施例中,针对目标增强图像中的每一像素点,确定该像素点在下采样图像中的对应像素点,在以对应像素点为中心且大小为M×N的搜索区域内,查找与对应像素点的像素值之差的绝对值最小的像素点,将查找到的像素点作为该像素点在下采样图像中的匹配点。
508、基于图像增强数据中像素点的匹配点所对应的增强数据,确定像素点对应的目标增强参数;
本实施例中,针对目标增强图像中的每一像素点,确定出该像素点在下采样图像中的匹配点之后,就可以基于该匹配点对应的增强数据,确定该像素点对应的目标增强参数,并进一步基于该目标增强参数对该像素点的像素值进行调整。具体的,图像增强数据的形式不同,确定目标增强图像中每一像素点对应的目标增强参数的方式也不同。以下给出两种方式进行说明。
可选地,图像增强数据可以包括:下采样图像中每一像素点映射为相应像素点的映射参数,任一像素点的相应像素点为下采样图像增强后的图像中与该像素点位置相同的像素点。所谓的将一像素点映射为相应像素点,具体指:将一像素点的像素值调整为相应像素点的像素值。
相应地,针对目标增强图像中的每一像素点,基于图像增强数据中该像素点的匹配点所对应的增强数据,确定该像素点对应的目标增强参数,可以包括:针对目标增强图像中的每一像素点,从各个映射参数中,确定与该像素点的匹配点所对应的目标参数,将所确定的目标参数作为该像素点对应的目标增强参数。
509、基于像素点对应的目标增强参数,调整像素点的像素值,得到目标事故车辆图像对应的目标增强图像;
本实施例中,针对目标增强图像中的每一像素点,在确定出该像素点对应的目标增强参数后,就可以基于该目标增强参数对该像素点的像素值进行调整。这个调整过程就是对目标增强图像进行图像增强处理的过程。
510、获取用户的车主身份信息和事故车辆的受损信息,其中,车辆信息包括事故车辆的车险信息;
本实施例中,将所述事故类型、所述事故车辆的相对位置信息、所述事故车辆的第一车辆标识、所述事故车辆的受损位置和所述事故车辆的受损程度发送给所述客户端。
事故类型是判定事故车辆损伤的前提,不同的事故类型会影响事故车辆的受损位置和受损程度,事故类型包括:追尾、刮擦、并线碰撞、拐弯碰撞等。对于追尾事故,事故车辆的受损位置为事故车辆的前端和后端,且多为碰撞损伤,受损程度相对刮擦事故较重;对于并线碰撞和刮擦事故,事故车辆的受损位置为事故车辆的两侧,且多为刮擦损伤;对于拐弯碰撞事故,事故车辆的受损位置为事故车辆的一侧和前端,且既有碰撞损伤又有刮擦损伤。因此,需要通过事故图像确定事故类型。根据用户输入的车主身份信息和事故车辆的受损信息,对车辆进行理赔。
511、接收用户上传的理赔请求,并将目标增强图像输入训练后的卷积神经网络模型中进行预测,得到目标增强图像的理赔概率;
本实施例中,用户上传的理赔请求中包括目标增强图像(也就是本实施例中的目标增强图像)和理赔信息,其中,目标增强图像是用户在发生车辆事故对车辆的受损部位进行拍摄的图片,例如为,车辆追尾的图片,车辆侧翻的图片以及车辆刮蹭的图片。理赔信息指的是用户在发生车辆事故后向保险公司上传与理赔相关的信息,例如,汽车型号、受损原因、保单编号等。用户在发生车辆事故后,通过移动终端10填写基本的车辆信息,事故原因,现场拍摄受损的车辆图片,将目标增强图像和理赔信息上传到保险公司的服务器以生成理赔请求。当接收到用户上传的理赔请求后,调用训练好的卷积神经网络模型,将所述目标增强图像输入到该卷积神经网络模型中进行预测,得到该目标增强图像的理赔概率,即该目标增强图像是否应该被理赔的概率大小。
512、判断目标增强图像的理赔概率是否大于预设阈值;
本实施例中,采用分类器SVM(支持向量机)进行分类,其为一个二分类模型,用于对目标增强图像进行二分类,一类划分为属于理赔,另一类划分为不属于理赔。当得到一维特征向量后,将一维特征向量输入到分类器中,由分类器将一维特征向量映射到一个0到1范围内的数值,该数值即为理赔概率。
513、当目标增强图片的理赔概率大于预设阈值时,确定目标增强图像可理赔;
本实施例中,在得到目标增强图像的理赔概率后,将理赔概率与预设阈值进行对比,预设阈值为0.7,当然可以理解的是,还可以是其他的任意数值。当目标增强图像对应的理赔概率大于预设阈值时,说明该目标增强图像非常接近已理赔过的目标事故车辆图像,判定该目标增强图像属于可理赔。当目标增强图像对应的理赔概率小于预设阈值时,说明该目标增强图像存在骗保或欺诈的风险,判定该目标增强图像不属于可理赔。例如,当理赔概率为0.8时,那么该理赔概率大于预设阈值,则判定该目标增强图像可理赔。
514、基于用户的车主身份信息和事故车辆的标识信息,对事故车辆进行理赔。
本实施例中,从预设数据库中对所有的理赔案件进行筛选,选取已理赔的理赔案件并获取所筛选的理赔案件的理赔信息,其中,已理赔的理赔案件在理赔完成后进行标记,因此可通过选取带有标记的理赔案件从而筛选得到已理赔的理赔案件;然后将所筛选的理赔案件的理赔信息与用户上传的理赔信息按照预设规则进行匹配,其中,预设规则例如为按照车辆型号、车辆年限以及受损部位进行匹配,例如,若用户上传的车辆型号是A型,车辆年限为2年,受损部位为车尾,那么与之对应地从理赔信息中查找一一匹配的理赔信息,并将所匹配的理赔信息中已理赔的金额作为理赔预估金额,将理赔预估金额发送给用户。
本实施例中步骤501-504与第一实施例中的101-104类似,此处不再赘述。
在本发明实施例中,通过预置图像识别模型对从交通事故现场获取的现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;若现场图像数据不满足预设图像标准,则提示用户重新拍摄;若现场图像数据满足预设图像标准,则进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;将目标事故车辆图像输入预置图像增强模型进行图像增强,生成目标增强图像。本方案只需要高质量的图片进行映射函数的学习即可完成低质量到高质量图像的转化,提升车险理赔的准确性和处理时效,解决了理赔效率低下的技术问题。
上面对本发明实施例中图像增强方法进行了描述,下面对本发明实施例中图像增强装置进行描述,请参阅图6,本发明实施例中图像增强装置的第一个实施例包括:
第一获取模块601,用于获取交通事故现场的现场图像数据;
第一判断模块602,用于通过预置图像识别模型对所述现场图像数据进行识别,判断所述现场图像数据是否满足预设图像标准;
提示模块603,用于当所述现场图像数据不满足预设图像标准时,提示用户重新拍摄;
拍摄模块604,用于当所述现场图像数据满足预设图像标准时,进入下一张拍摄任务,得到所述交通事故现场的目标事故车辆图像;
图像增强模块605,用于将所述目标事故车辆图像输入预置图像增强模型,对所述目标事故车辆图像进行图像增强,生成目标增强图像。
本发明实施例中,通过预置图像识别模型对从交通事故现场获取的现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;若现场图像数据不满足预设图像标准,则提示用户重新拍摄;若现场图像数据满足预设图像标准,则进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;将目标事故车辆图像输入预置图像增强模型进行图像增强,生成目标增强图像。本方案只需要高质量的图片进行映射函数的学习即可完成低质量到高质量图像的转化,提升车险理赔的准确性和处理时效,解决了理赔效率低下的技术问题。
请参阅图7,本发明实施例中图像增强装置的第二个实施例,该图像增强装置具体包括:
第一获取模块601,用于获取交通事故现场的现场图像数据;
第一判断模块602,用于通过预置图像识别模型对所述现场图像数据进行识别,判断所述现场图像数据是否满足预设图像标准;
提示模块603,用于当所述现场图像数据不满足预设图像标准时,提示用户重新拍摄;
拍摄模块604,用于当所述现场图像数据满足预设图像标准时,进入下一张拍摄任务,得到所述交通事故现场的目标事故车辆图像;
图像增强模块605,用于将所述目标事故车辆图像输入预置图像增强模型,对所述目标事故车辆图像进行图像增强,生成目标增强图像。
本实施例中,所述图像增强装置还包括:
第二获取模块605,用于从预置数据库中获取事故现场的历史车辆图像;
构建模块606,用于将所述历史车辆图像作为训练样本构建训练样本数据集;
训练模块607,用于将所述训练样本数据集输入预置图像增强生成器,对所述图像增强生成器进行训练,得到目标图像增强模型。
本实施例中,所述图像增强装置还包括:
输入模块608,用于从预置训练图片数据库中获取多张训练图片,并将所述训练图片预置神经网络模型,得到所述训练图片的预测类别标签;
生成模块609,用于根据所述训练图片的类别,生成所述训练图片的真实类别标签;根据所述训练图片的预测类别标签和所述训练图片的真实类别标签,生成所述训练图片的第一损失函数;
更新模块610,用于根据所述第一损失函数对所述神经网络模型中的参数进行更新,得到目标图片识别模型。
本实施例中,所述训练模块607具体用于:
图像增强单元6071,用于对所述训练样本数据集进行图像增强,得到预设数量个目标原始图像和对应的增强图像;
输入单元6072,用于将所述目标原始图像输入到预置图像增强生成器中的CNN图像增强网络中,得到所述目标原始图像对应的输出图像;
确定单元6073,用于确定所述输出图像和增强图像之间的第二损失函数;
迭代训练单元6074,用于基于所述第二损失函数,对所述图像增强生成器中的CNN图像增强网络进行,直到所述CNN图像增强网络收敛得到目标图像增强模型。
本实施例中,所述图像增强模块605具体用于:
对所述目标事故车辆图像进行下采样处理,得到下采样图像;
将所述下采样图像输入所述目标图像增强模型,得到所述目标事故车辆图像对应的图像增强数据;
确定所述目标事故车辆图像中的每一像素点在所述下采样图像中的匹配点;
基于所述图像增强数据中所述像素点的匹配点所对应的增强数据,确定所述像素点对应的目标增强参数;
基于所述像素点对应的目标增强参数,调整所述像素点的像素值,得到所述目标事故车辆图像对应的目标增强图像。
本实施例中,所述图像增强装置还包括:
第三获取模块611,用于获取用户的车主身份信息和所述事故车辆的受损信息,其中,所述车辆信息包括所述事故车辆的车险信息;
预测模块612,用于接收所述用户上传的理赔请求,并将所述目标增强图像输入训练后的卷积神经网络模型中进行预测,得到所述目标增强图像的理赔概率;
第二判断模块613,用于判断所述目标增强图像的理赔概率是否大于预设阈值;
确定模块614,用于当所述目标增强图片的理赔概率大于预设阈值时,确定所述目标增强图像可理赔;
理赔模块615,用于基于所述用户的车主身份信息和所述事故车辆的标识信息,对所述事故车辆进行理赔。
本发明实施例中,通过预置图像识别模型对从交通事故现场获取的现场图像数据进行识别,判断现场图像数据是否满足预设图像标准;若现场图像数据不满足预设图像标准,则提示用户重新拍摄;若现场图像数据满足预设图像标准,则进入下一张拍摄任务,得到交通事故现场的目标事故车辆图像;将目标事故车辆图像输入预置图像增强模型进行图像增强,生成目标增强图像。本方案只需要高质量的图片进行映射函数的学习即可完成低质量到高质量图像的转化,提升车险理赔的准确性和处理时效,解决了理赔效率低下的技术问题。
上面图6和图7从模块化功能实体的角度对本发明实施例中的图像增强装置进行详细描述,下面从硬件处理的角度对本发明实施例中图像增强设备进行详细描述。
图8是本发明实施例提供的一种图像增强设备的结构示意图,该图像增强设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)810(例如,一个或一个以上处理器)和存储器820,一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对图像增强设备800中的一系列指令操作。更进一步地,处理器810可以设置为与存储介质830通信,在图像增强设备800上执行存储介质830中的一系列指令操作,以实现上述各方法实施例提供的图像增强方法的步骤。
图像增强设备800还可以包括一个或一个以上电源840,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口860,和/或,一个或一个以上操作***831,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图8示出的图像增强设备结构并不构成对本申请提供的图像增强设备的限定,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。
本发明还提供一种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计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行上述图像增强方法的步骤。
本发明所指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等。
所述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。
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取存储介质中。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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上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)
1.一种图像增强方法,其特征在于,所述图像增强方法包括:
获取交通事故现场的现场图像数据;
通过预置图像识别模型对所述现场图像数据进行识别,判断所述现场图像数据是否满足预设图像标准;
若否,则提示用户重新拍摄;
若是,则进入下一张拍摄任务,得到所述交通事故现场的目标事故车辆图像;
将所述目标事故车辆图像输入预置图像增强模型,对所述目标事故车辆图像进行图像增强,生成目标增强图像。
2.根据权利要求1所述的图像增强方法,其特征在于,在所述获取交通事故现场的现场图像数据之前,还包括:
从预置数据库中获取事故现场的历史车辆图像;
将所述历史车辆图像作为训练样本构建训练样本数据集;
将所述训练样本数据集输入预置图像增强生成器,对所述图像增强生成器进行训练,得到目标图像增强模型。
3.根据权利要求1所述的图像增强方法,其特征在于,在所述通过预置图像识别模型对所述现场图像数据进行识别,判断所述现场图像数据是否满足预设图像标准之前,还包括:
从预置训练图片数据库中获取多张训练图片,并将所述训练图片输入预置神经网络模型,得到所述训练图片的预测类别标签;
根据所述训练图片的类别,生成所述训练图片的真实类别标签;
根据所述训练图片的预测类别标签和所述训练图片的真实类别标签,生成所述训练图片的第一损失函数;
根据所述第一损失函数对所述神经网络模型中的参数进行更新,得到目标图片识别模型。
4.根据权利要求2所述的图像增强方法,其特征在于,所述将所述训练样本数据集输入预置图像增强生成器,对所述图像增强生成器进行训练,得到目标图像增强模型包括:
对所述训练样本数据集进行图像增强,得到预设数量个目标原始图像和对应的增强图像;
将所述目标原始图像输入到预置图像增强生成器中的CNN图像增强网络中,得到所述目标原始图像对应的输出图像;
确定所述输出图像和增强图像之间的第二损失函数;
基于所述第二损失函数,对所述图像增强生成器中的CNN图像增强网络进行迭代训练,直到所述CNN图像增强网络收敛得到目标图像增强模型。
5.根据权利要求1所述的图像增强方法,其特征在于,所述将所述目标事故车辆图像输入预置图像增强模型,对所述目标事故车辆图像进行图像增强,生成目标增强图像包括:
对所述目标事故车辆图像进行下采样处理,得到下采样图像;
将所述下采样图像输入所述目标图像增强模型,得到所述目标事故车辆图像对应的图像增强数据;
确定所述目标事故车辆图像中的每一像素点在所述下采样图像中的匹配点;
基于所述图像增强数据中所述像素点的匹配点所对应的增强数据,确定所述像素点对应的目标增强参数;
基于所述像素点对应的目标增强参数,调整所述像素点的像素值,得到所述目标事故车辆图像对应的目标增强图像。
6.根据权利要求1所述的图像增强方法,其特征在于,在所述将所述目标事故车辆图像输入预置图像增强模型,对所述目标事故车辆图像进行图像增强,生成目标增强图像之后,还包括:
获取用户的车主身份信息和所述事故车辆的受损信息,其中,所述车辆信息包括所述事故车辆的车险信息;
接收所述用户上传的理赔请求,并将所述目标增强图像输入训练后的卷积神经网络模型中进行预测,得到所述目标增强图像的理赔概率;
判断所述目标增强图像的理赔概率是否大于预设阈值;
若所述目标增强图片的理赔概率大于预设阈值,则确定所述目标增强图像可理赔;
基于所述用户的车主身份信息和所述事故车辆的标识信息,对所述事故车辆进行理赔。
7.一种图像增强装置,其特征在于,所述图像增强装置包括:
第一获取模块,用于获取交通事故现场的现场图像数据;
第一判断模块,用于通过预置图像识别模型对所述现场图像数据进行识别,判断所述现场图像数据是否满足预设图像标准;
提示模块,用于当所述现场图像数据不满足预设图像标准时,提示用户重新拍摄;
拍摄模块,用于当所述现场图像数据满足预设图像标准时,进入下一张拍摄任务,得到所述交通事故现场的目标事故车辆图像;
图像增强模块,用于将所述目标事故车辆图像输入预置图像增强模型,对所述目标事故车辆图像进行图像增强,生成目标增强图像。
8.根据权利要求7所述的图像增强装置,其特征在于,所述图像增强装置还包括:
第二获取模块,用于从预置数据库中获取事故现场的历史车辆图像;
构建模块,用于将所述历史车辆图像作为训练样本构建训练样本数据集;
训练模块,用于将所述训练样本数据集输入预置图像增强生成器,对所述图像增强生成器进行训练,得到目标图像增强模型。
9.一种图像增强设备,其特征在于,所述图像增强设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述图像增强设备执行如权利要求1-6中任一项所述的图像增强方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的图像增强方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064519.6A CN112862702B (zh) | 2021-01-18 | 2021-01-18 | 图像增强方法、装置、设备及存储介质 |
PCT/CN2021/083502 WO2022151589A1 (zh) | 2021-01-18 | 2021-03-29 | 图像增强方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064519.6A CN112862702B (zh) | 2021-01-18 | 2021-01-18 | 图像增强方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862702A true CN112862702A (zh) | 2021-05-28 |
CN112862702B CN112862702B (zh) | 2023-10-31 |
Family
ID=76006710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110064519.6A Active CN112862702B (zh) | 2021-01-18 | 2021-01-18 | 图像增强方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112862702B (zh) |
WO (1) | WO2022151589A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239233A (zh) * | 2021-05-31 | 2021-08-10 | 平安科技(深圳)有限公司 | 个性化图像推荐方法、装置、设备及存储介质 |
CN113763302A (zh) * | 2021-09-30 | 2021-12-07 | 青岛海尔科技有限公司 | 图像检测结果的确定方法及装置 |
CN114283288A (zh) * | 2021-12-24 | 2022-04-05 | 合肥工业大学智能制造技术研究院 | 一种夜间车辆图像增强的方法、***、设备及存储介质 |
CN115511668A (zh) * | 2022-10-12 | 2022-12-23 | 金华智扬信息技术有限公司 | 一种基于人工智能的案件监督方法、装置、设备和介质 |
CN117057606A (zh) * | 2023-08-15 | 2023-11-14 | 广州地铁设计研究院股份有限公司 | 风险预测模型训练方法、风险预测方法及相关设备 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152733B (zh) * | 2023-07-10 | 2024-06-21 | 中国地质大学(武汉) | 一种地质材料材质识别方法、***及可读存储介质 |
CN117094781B (zh) * | 2023-08-25 | 2024-02-09 | 国任财产保险股份有限公司 | 一种智能车险理赔处理方法及*** |
CN117033803B (zh) * | 2023-10-10 | 2024-01-09 | 山东爱书人家庭教育科技有限公司 | 一种信息推荐方法、***、装置及介质 |
CN117271819B (zh) * | 2023-11-17 | 2024-03-01 | 上海闪马智能科技有限公司 | 图像数据的处理方法和装置、存储介质及电子装置 |
CN117612115B (zh) * | 2024-01-24 | 2024-05-03 | 山东高速信息集团有限公司 | 一种基于高速公路的车辆识别方法 |
CN117876650B (zh) * | 2024-03-07 | 2024-05-17 | 中航西安飞机工业集团股份有限公司 | 一种广域场景下飞机停泊智能识别定位方法及*** |
CN117952841B (zh) * | 2024-03-26 | 2024-06-04 | 山东省地质测绘院 | 基于人工智能的遥感图像自适应增强方法 |
CN118155154A (zh) * | 2024-05-11 | 2024-06-07 | 东南大学 | 一种基于图像识别技术的恶劣天气下交通事故检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145903A (zh) * | 2018-08-22 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 一种图像处理方法和装置 |
CN110458060A (zh) * | 2019-07-30 | 2019-11-15 | 暨南大学 | 一种基于对抗学习的车辆图像优化方法及*** |
EP3674975A1 (en) * | 2018-12-29 | 2020-07-01 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for controlling vehicle, device, and storage medium |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8510196B1 (en) * | 2012-08-16 | 2013-08-13 | Allstate Insurance Company | Feedback loop in mobile damage assessment and claims processing |
CN107392218B (zh) * | 2017-04-11 | 2020-08-04 | 创新先进技术有限公司 | 一种基于图像的车辆定损方法、装置及电子设备 |
US10997413B2 (en) * | 2018-03-23 | 2021-05-04 | NthGen Software Inc. | Method and system for obtaining vehicle target views from a video stream |
CN110570358A (zh) * | 2018-09-04 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 基于gan网络的车损图像增强方法和装置 |
-
2021
- 2021-01-18 CN CN202110064519.6A patent/CN112862702B/zh active Active
- 2021-03-29 WO PCT/CN2021/083502 patent/WO2022151589A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145903A (zh) * | 2018-08-22 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 一种图像处理方法和装置 |
EP3674975A1 (en) * | 2018-12-29 | 2020-07-01 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for controlling vehicle, device, and storage medium |
CN110458060A (zh) * | 2019-07-30 | 2019-11-15 | 暨南大学 | 一种基于对抗学习的车辆图像优化方法及*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239233A (zh) * | 2021-05-31 | 2021-08-10 | 平安科技(深圳)有限公司 | 个性化图像推荐方法、装置、设备及存储介质 |
CN113763302A (zh) * | 2021-09-30 | 2021-12-07 | 青岛海尔科技有限公司 | 图像检测结果的确定方法及装置 |
CN114283288A (zh) * | 2021-12-24 | 2022-04-05 | 合肥工业大学智能制造技术研究院 | 一种夜间车辆图像增强的方法、***、设备及存储介质 |
CN115511668A (zh) * | 2022-10-12 | 2022-12-23 | 金华智扬信息技术有限公司 | 一种基于人工智能的案件监督方法、装置、设备和介质 |
CN115511668B (zh) * | 2022-10-12 | 2023-09-08 | 金华智扬信息技术有限公司 | 一种基于人工智能的案件监督方法、装置、设备和介质 |
CN117057606A (zh) * | 2023-08-15 | 2023-11-14 | 广州地铁设计研究院股份有限公司 | 风险预测模型训练方法、风险预测方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112862702B (zh) | 2023-10-31 |
WO2022151589A1 (zh) | 2022-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112862702B (zh) | 图像增强方法、装置、设备及存储介质 | |
KR102629380B1 (ko) | 실제 3차원 객체를 실제 객체의 2-차원 스푸프로부터 구별하기 위한 방법 | |
CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和*** | |
EP3350767B1 (en) | Exposure-related intensity transformation | |
US20180293552A1 (en) | Image-based vehicle maintenance plan | |
CN111222513B (zh) | 车牌号码识别方法、装置、电子设备及存储介质 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN108182421A (zh) | 视频分割方法和装置 | |
CN111598182A (zh) | 训练神经网络及图像识别的方法、装置、设备及介质 | |
CN111311540A (zh) | 车辆定损方法、装置、计算机设备和存储介质 | |
CN110647853A (zh) | 计算机执行的车辆定损方法及装置 | |
CN112686248B (zh) | 证件增减类别检测方法、装置、可读存储介质和终端 | |
CN113344000A (zh) | 证件翻拍识别方法、装置、计算机设备和存储介质 | |
CN111445058A (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
CN113971644A (zh) | 基于数据增强策略选择的图像识别方法及装置 | |
JP2022522375A (ja) | 画像収集制御方法、装置、電子デバイス、記憶媒体及びコンピュータプログラム | |
CN110827327B (zh) | 一种基于融合的长期目标跟踪方法 | |
CN112365451B (zh) | 图像质量等级的确定方法、装置、设备及计算机可读介质 | |
CN112597995A (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
CN114782507B (zh) | 一种基于无监督学习的非对称双目立体匹配方法及*** | |
CN115661803A (zh) | 图像清晰度检测方法、电子设备以及计算机可读存储介质 | |
CN115587994A (zh) | 基于多视角特征的模型融合图像篡改检测方法及装置 | |
CN110738225B (zh) | 图像识别方法及装置 | |
CN112203023A (zh) | 一种十亿像素视频生成方法及装置、设备、介质 | |
CN117911908B (zh) | 一种无人机航拍图像的增强处理方法及*** |
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 |