CN113902045A - 一种基于图像识别的车险现场快速定损方法 - Google Patents

一种基于图像识别的车险现场快速定损方法 Download PDF

Info

Publication number
CN113902045A
CN113902045A CN202111499929.XA CN202111499929A CN113902045A CN 113902045 A CN113902045 A CN 113902045A CN 202111499929 A CN202111499929 A CN 202111499929A CN 113902045 A CN113902045 A CN 113902045A
Authority
CN
China
Prior art keywords
vehicle
image
damage assessment
accident
image set
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
Application number
CN202111499929.XA
Other languages
English (en)
Other versions
CN113902045B (zh
Inventor
陈振
唐彬
刘洪丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING CHEXIAO TECHNOLOGY CO.,LTD.
Original Assignee
Chengdu Chexiao Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Chexiao Technology Co ltd filed Critical Chengdu Chexiao Technology Co ltd
Priority to CN202111499929.XA priority Critical patent/CN113902045B/zh
Publication of CN113902045A publication Critical patent/CN113902045A/zh
Application granted granted Critical
Publication of CN113902045B publication Critical patent/CN113902045B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提拱了一种基于图像识别的车险现场快速定损方法，由初始图像数据提供的信息找到对应需要定损的事故车辆后，通过SSIM算法去掉重复度高的图像数据，提高识别效率，由于采集到的图像数据通常是多维性的，会造成图像数据识别缓慢，增加识别***的压力，所以将去重后的图像数据通过PCA降维算法进行非线性降维，在保证原始数据丢失最少的情况下降低图像数据的维度，提高识别能力；通过3Dcloud将降维后的数据图像进行3D建模，对3D模型进行快速定损，由立体结构得到的定损精确度大于平面数据图像的定损精度。

Description

一种基于图像识别的车险现场快速定损方法
技术领域
本发明涉及图像识别技术领域，尤其涉及一种基于图像识别的车险现场快速定损方法。
背景技术
保险公司目前的车险核损业务由核损专员人工处理，其中最重要的一个环节是要检查上传到保险公司信息***的案件图片，逐项审核定损清单中的换修项目与图片中呈现的车辆损伤位置和程度是否相符。一个车险案件中的图片数量少则几十，多则几百张，定损清单中的项目众多，因此这项检查工作即使对于经验丰富的核损员来说也是非常费时费力的，为保证业务处理的时限要求，往往不能全面检查而不得不放弃对一些图片的核验,因此不能很好的管控定损中的虚增、扩损风险，而给保险公司理赔带来损失。
此外，车险案件图片中包含了事故现场照、车损照各类内容，虽然各家保险公司都对查勘定损环节中拍摄图片的上传顺序有规范性的要求，但在实际生产实施中往往由于各种原因导致图片数据杂乱，不能有效提供出用于快速定损的图片数据，提高了后期审核的困难度，降低了工作效率。
发明内容
本发明提供一种基于图像识别的车险现场快速定损方法。
本发明通过以下技术方案实现：
一种基于图像识别的车险现场快速定损方法，包括以下步骤。
S1、采集车祸现场的图像数据，所述图像数据包括区域车辆外部图像集和区域车辆所处现场环境图像集；
S2、区域车辆所处现场环境图像集中至少包括一辆车，根据区域车辆外部图像集提供的车辆身份信息与区域车辆所处现场环境图像提供的环境数据信息进行比对，匹配需要定损的事故车辆；
S3、确认需要定损的事故车辆后，在区域车辆外部图像集中筛选出有具有该事故车辆信息特征的图像构成初步定损车辆图像集；
S4、将初步定损车辆图像集中的每一条事故车辆信息特征图像标号为n1、n2、n3…nn，将n1分别与n2、n3…nn通过SSIM算法算出SSIM值，将第一轮计算出SSIM值在0-1之间的所有图像取出构成第一重复集，并对第一重复集进行去重，继续上述步骤直到对初步定损车辆图像集完全去重得到标准定损车辆图像集；
S5、将标准定损车辆图像集中每一条去重后的事故车辆信息特征图像标号为p1、p2、p3…pn，将p1-pn使用PCA降维方法进行非线性降维，其中p1-pn由多维度的图像改变为降维度的图像；
S6、将p1-pn的降维度图像通过3Dcloud模型构建***进行模型构建，产生具有事故车辆整体特征的3D模型；
S7、将事故车辆的3D模型导入智能定损数据库，根据智能定损数据库提供的数据与事故车辆的3D模型进行比对快速定损。
进一步的，所述步骤S1中用于采集图像数据的装置包括电子摄像头、无人机和手机智能终端。
进一步的，所述步骤S2中可通过区域车辆外部图像集和区域车辆所处现场环境图像集分别提供的车辆牌照、车辆外形和颜色找到需要定损的事故车辆。
进一步的，所述步骤S3中事故车辆信息特征的图像包括具有大灯、后视镜、保险杠、中网、叶子板、机盖、A柱、车门、雾灯、尾灯的车辆正面图，侧面图和背面图。
进一步的，所述步骤S4采用公式
Figure 528195DEST_PATH_IMAGE002
，c1=（k1L）2 ，c2=（k2L）2计算出SSIM值，其中n1，n2为两个图像，μn1是n1的平均值、μn2是n2的平均值，
Figure 383018DEST_PATH_IMAGE004
是n1的方差
Figure 848241DEST_PATH_IMAGE006
是n2的方差，
Figure 633663DEST_PATH_IMAGE008
是n1和n2的协方差，
Figure 854560DEST_PATH_IMAGE010
和
Figure 365438DEST_PATH_IMAGE012
是用来来维持稳定的常数，L是像素值的动态范围，k1=0.01， k2=0.03。
进一步的，所述步骤S5包括以下子步骤：
S501、将所有标准定损车辆图像集中的每个图像按列组成n行m列的矩阵X，其中m代表图像的特征向量数，m代表图像的维度；
S502、用矩阵列X的每一行减去该行的平均值；
S503、求出协方差矩阵C =
Figure 570155DEST_PATH_IMAGE014
XXT；
S504、求得协方差矩阵的特征值及对应的特征向量；
S505、将特征向量按照对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；
S506、Y = PX，其中Y为降维到K维后的图像；
进一步的，所述步骤S7中的快速定损包括对于事故车辆进行刮擦、凹陷、开裂、褶皱和穿孔的五种损伤类型鉴定。
本发明的有益效果：
（1）由初始图像数据提供的信息找到对应需要定损的事故车辆后，通过SSIM算法去掉重复度高的图像数据，提高识别效率；
（2）由于采集到的图像数据通常是多维性的，这样就会造成图像数据识别缓慢，增加识别***的压力，所以将去重后的图像数据通过PCA降维算法进行非线性降维，在保证原始数据丢失最少的情况下降低图像数据的维度，提高识别能力；
（3）通过3Dcloud将降维后的数据图像进行3D建模，对3D模型进行快速定损，由立体结构得到的定损精确度大于平面数据图像的定损精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提出的一种基于图像识别的车险现场快速定损方法框图一；
图2为本发明提出的一种基于图像识别的车险现场快速定损方法的终端设备结构示意图；
图3为本发明提出的一种基于图像识别的车险现场快速定损方法的计算机可读存储介质结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
如图1，一种基于图像识别的车险现场快速定损方法，包括以下步骤。
S1、采集车祸现场的图像数据，所述图像数据包括区域车辆外部图像集和区域车辆所处现场环境图像集；
S2、区域车辆所处现场环境图像集中至少包括一辆车，根据区域车辆外部图像集提供的车辆身份信息与区域车辆所处现场环境图像提供的环境数据信息进行比对，匹配需要定损的事故车辆；
S3、确认需要定损的事故车辆后，在区域车辆外部图像集中筛选出有具有该事故车辆信息特征的图像构成初步定损车辆图像集；
S4、将初步定损车辆图像集中的每一条事故车辆信息特征图像标号为n1、n2、n3…nn，将n1分别与n2、n3…nn通过SSIM算法算出SSIM值，将第一轮计算出SSIM值在0-1之间的所有图像取出构成第一重复集，并对第一重复集进行去重，继续上述步骤直到对初步定损车辆图像集完全去重得到标准定损车辆图像集；
S5、将标准定损车辆图像集中每一条去重后的事故车辆信息特征图像标号为p1、p2、p3…pn，将p1-pn使用PCA降维方法进行非线性降维，其中p1-pn由多维度的图像改变为降维度的图像；
S6、将p1-pn的降维度图像通过3Dcloud模型构建***进行模型构建，产生具有事故车辆整体特征的3D模型；
S7、将事故车辆的3D模型导入智能定损数据库，根据智能定损数据库提供的数据与事故车辆的3D模型进行比对快速定损。
实施例2
在实施例1的基础上，本实施例提出一种基于图像识别的车险现场快速定损方法的具体实施方式。
进一步的，所述方式如下：
所述步骤S1中用于采集图像数据的装置包括电子摄像头、无人机和手机智能终端。
进一步的，所述步骤S2中可通过区域车辆外部图像集和区域车辆所处现场环境图像集分别提供的车辆牌照、车辆外形和颜色找到需要定损的事故车辆。
进一步的，所述步骤S3中事故车辆信息特征的图像包括具有大灯、后视镜、保险杠、中网、叶子板、机盖、A柱、车门、雾灯、尾灯的车辆正面图，侧面图和背面图。
进一步的，所述步骤S4采用公式
Figure 956006DEST_PATH_IMAGE002
，c1=（k1L）2 ，c2=（k2L）2计算出SSIM值，其中n1，n2为两个图像，μn1是n1的平均值、μn2是n2的平均值，
Figure 828147DEST_PATH_IMAGE004
是n1的方差
Figure 716118DEST_PATH_IMAGE006
是n2的方差，
Figure 657398DEST_PATH_IMAGE008
是n1和n2的协方差，
Figure 332093DEST_PATH_IMAGE010
和
Figure 543894DEST_PATH_IMAGE012
是用来来维持稳定的常数，L是像素值的动态范围，k1=0.01， k2=0.03。
进一步的，所述步骤S5包括以下子步骤：
S501、将所有标准定损车辆图像集中的每个图像按列组成n行m列的矩阵X，其中m代表图像的特征向量数，m代表图像的维度；
S502、用矩阵列X的每一行减去该行的平均值；
S503、求出协方差矩阵C =
Figure 911421DEST_PATH_IMAGE014
XXT；
S504、求得协方差矩阵的特征值及对应的特征向量；
S505、将特征向量按照对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；
S506、Y = PX，其中Y为降维到K维后的图像；
进一步的，所述步骤S7中的快速定损包括对于事故车辆进行刮擦、凹陷、开裂、褶皱和穿孔的五种损伤类型鉴定。
实施例3
如图2，本实施例提出一种基于图像识别的车险现场快速定损方法的终端设备，终端设备200包括至少一个存储器210、至少一个处理器220以及连接不同平台***的总线230。
存储器210可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)211和/或高速缓存存储器212，还可以进一步包括只读存储器(ROM)213。
其中，存储器210还存储有计算机程序，计算机程序可以被处理器220执行，使得处理器220执行本申请实施例中上述任一项一种基于图像识别的车险现场快速定损方法，其具体实现方式与上述实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。存储器210还可以包括具有一组(至少一个)程序模块215的程序/实用工具214，这样的程序模块包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
相应的，处理器220可以执行上述计算机程序，以及可以执行程序/实用工具214。
总线230可以为表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、***总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
终端设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该终端设备200交互的设备通信，和/或与使得该终端设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，终端设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与终端设备200的其它模块通信。应当明白，尽管图中未示出，可以结合终端设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储平台等。
实施例4
如图3，本实施例提出一种基于图像识别的车险现场快速定损方法的计算机可读存储介质，所述计算机可读存储介质上存储有指令，该指令被处理器执行时实现上述任一的一种基于图像识别的车险现场快速定损方法。其具体实现方式与上述实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
图3示出了本实施例提供的用于实现上述方法的程序产品300，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品300不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。程序产品300可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如Java、C++等，还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于图像识别的车险现场快速定损方法，其特征在于，包括以下步骤:
S1、采集车祸现场的图像数据，所述图像数据包括区域车辆外部图像集和区域车辆所处现场环境图像集；
S2、区域车辆所处现场环境图像集中至少包括一辆车，根据区域车辆外部图像集提供的车辆身份信息与区域车辆所处现场环境图像提供的环境数据信息进行比对，匹配需要定损的事故车辆；
S3、确认需要定损的事故车辆后，在区域车辆外部图像集中筛选出有具有该事故车辆信息特征的图像构成初步定损车辆图像集；
S4、将初步定损车辆图像集中的每一条事故车辆信息特征图像标号为n1、n2、n3…nn，将n1分别与n2、n3…nn通过SSIM算法算出SSIM值，将第一轮计算出SSIM值在0-1之间的所有图像取出构成第一重复集，并对第一重复集进行去重，继续上述步骤直到对初步定损车辆图像集完全去重得到标准定损车辆图像集；
S5、将标准定损车辆图像集中每一条去重后的事故车辆信息特征图像标号为p1、p2、p3…pn，将p1-pn使用PCA降维方法进行非线性降维，其中p1-pn由多维的图像改变为降维度的图像；
S6、将p1-pn的降维度图像通过3Dcloud模型构建***进行模型构建，产生具有事故车辆整体特征的3D模型；
S7、将事故车辆的3D模型导入智能定损数据库，根据智能定损数据库提供的数据与事故车辆的3D模型进行比对快速定损。
2.根据权利要求1所述的一种基于图像识别的车险现场快速定损方法，其特征在于，所述步骤S1中用于采集图像数据的装置包括电子摄像头、无人机和手机智能终端。
3.根据权利要求1所述的一种基于图像识别的车险现场快速定损方法，其特征在于，所述步骤S2中可通过区域车辆外部图像集和区域车辆所处现场环境图像集分别提供的车辆牌照、车辆外形和颜色找到需要定损的事故车辆。
4.根据权利要求1所述的一种基于图像识别的车险现场快速定损方法，其特征在于，所述步骤S3中事故车辆信息特征的图像包括具有大灯、后视镜、保险杠、中网、叶子板、机盖、A柱、车门、雾灯、尾灯的车辆正面图，侧面图和背面图。
5.根据权利要求1所述的一种基于图像识别的车险现场快速定损方法，其特征在于，所述步骤S4采用公式
Figure 353540DEST_PATH_IMAGE001
，c1=（k1L）2 ，c2=（k2L）2计算出SSIM值，其中n1，n2为两个图像，μn1是n1的平均值、μn2是n2的平均值，
Figure 57053DEST_PATH_IMAGE002
是n1的方差
Figure 415354DEST_PATH_IMAGE003
是n2的方差，
Figure 841918DEST_PATH_IMAGE004
是n1和n2的协方差，
Figure 96313DEST_PATH_IMAGE005
和
Figure 474073DEST_PATH_IMAGE006
是用来来维持稳定的常数，L是像素值的动态范围，k1=0.01， k2=0.03。
6.根据权利要求1所述的一种基于图像识别的车险现场快速定损方法，其特征在于，所述步骤S5包括以下子步骤：
S501、将所有标准定损车辆图像集中的每个图像按列组成n行m列的矩阵X，其中m代表图像的特征向量数，m代表图像的维度；
S502、用矩阵列X的每一行减去该行的平均值；
S503、求出协方差矩阵C =
Figure 963961DEST_PATH_IMAGE007
XXT；
S504、求得协方差矩阵的特征值及对应的特征向量；
S505、将特征向量按照对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；
S506、Y = PX，其中Y为降维到K维后的图像。
7.根据权利要求1所述的一种基于图像识别的车险现场快速定损方法，其特征在于，所述步骤S7中的快速定损包括对于事故车辆进行刮擦、凹陷、开裂、褶皱和穿孔的五种损伤类型鉴定。
CN202111499929.XA 2021-12-09 2021-12-09 一种基于图像识别的车险现场快速定损方法 Active CN113902045B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111499929.XA CN113902045B (zh) 2021-12-09 2021-12-09 一种基于图像识别的车险现场快速定损方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111499929.XA CN113902045B (zh) 2021-12-09 2021-12-09 一种基于图像识别的车险现场快速定损方法

Publications (2)

Publication Number Publication Date
CN113902045A true CN113902045A (zh) 2022-01-07
CN113902045B CN113902045B (zh) 2022-04-01

Family

ID=79025733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111499929.XA Active CN113902045B (zh) 2021-12-09 2021-12-09 一种基于图像识别的车险现场快速定损方法

Country Status (1)

Country Link
CN (1) CN113902045B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252867A (zh) * 2023-11-14 2023-12-19 广州市品众电子科技有限公司 一种基于图像识别的vr设备生产产品质量监测分析方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021548A (zh) * 2016-05-27 2016-10-12 大连楼兰科技股份有限公司 基于分布式人工智能图像识别的远程定损方法及***
CN107403424A (zh) * 2017-04-11 2017-11-28 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、装置及电子设备
CN107909659A (zh) * 2017-11-06 2018-04-13 南京邮电大学 一种基于无线视频传感器网络的智慧路边停车收费方法
CN109740415A (zh) * 2018-11-19 2019-05-10 深圳市华尊科技股份有限公司 车辆属性识别方法及相关产品
CN110689440A (zh) * 2019-08-13 2020-01-14 平安科技（深圳）有限公司 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质
CN111160284A (zh) * 2019-12-31 2020-05-15 苏州纳智天地智能科技有限公司 人脸照片质量评估方法、***、设备及存储介质
CN111182503A (zh) * 2019-12-31 2020-05-19 成都车晓科技有限公司 一种基于多数据融合分析的智能车险评估方法及***
CN111783700A (zh) * 2020-07-06 2020-10-16 中国交通通信信息中心 一种路面异物自动识别预警方法和***
US20210097692A1 (en) * 2019-10-01 2021-04-01 Volvo Car Corporation Data filtering of image stacks and video streams
US11062454B1 (en) * 2019-04-16 2021-07-13 Zoox, Inc. Multi-modal sensor data association architecture
CN113177497A (zh) * 2021-05-10 2021-07-27 百度在线网络技术（北京）有限公司 视觉模型的训练方法、车辆识别方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021548A (zh) * 2016-05-27 2016-10-12 大连楼兰科技股份有限公司 基于分布式人工智能图像识别的远程定损方法及***
CN107403424A (zh) * 2017-04-11 2017-11-28 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、装置及电子设备
CN112435215A (zh) * 2017-04-11 2021-03-02 创新先进技术有限公司 一种基于图像的车辆定损方法、移动终端、服务器
CN107909659A (zh) * 2017-11-06 2018-04-13 南京邮电大学 一种基于无线视频传感器网络的智慧路边停车收费方法
CN109740415A (zh) * 2018-11-19 2019-05-10 深圳市华尊科技股份有限公司 车辆属性识别方法及相关产品
US11062454B1 (en) * 2019-04-16 2021-07-13 Zoox, Inc. Multi-modal sensor data association architecture
CN110689440A (zh) * 2019-08-13 2020-01-14 平安科技（深圳）有限公司 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质
US20210097692A1 (en) * 2019-10-01 2021-04-01 Volvo Car Corporation Data filtering of image stacks and video streams
CN111160284A (zh) * 2019-12-31 2020-05-15 苏州纳智天地智能科技有限公司 人脸照片质量评估方法、***、设备及存储介质
CN111182503A (zh) * 2019-12-31 2020-05-19 成都车晓科技有限公司 一种基于多数据融合分析的智能车险评估方法及***
CN111783700A (zh) * 2020-07-06 2020-10-16 中国交通通信信息中心 一种路面异物自动识别预警方法和***
CN113177497A (zh) * 2021-05-10 2021-07-27 百度在线网络技术（北京）有限公司 视觉模型的训练方法、车辆识别方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AIDI XIAO 等: "Research on the Classification Calculation Based on the Local Features of Hard-Pen Chinese Characters", 《2021 INTERNATIONAL CONFERENCE ON BIG DATA ENGINEERING AND EDUCATION》 *
范聃: "多传感器运动图像序列融合研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
赵子豪 等: "基于图像识别的车辆智能定损应用研究", 《保险职业学院学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252867A (zh) * 2023-11-14 2023-12-19 广州市品众电子科技有限公司 一种基于图像识别的vr设备生产产品质量监测分析方法
CN117252867B (zh) * 2023-11-14 2024-02-27 广州市品众电子科技有限公司 一种基于图像识别的vr设备生产产品质量监测分析方法

Also Published As

Publication number Publication date
CN113902045B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
JP6873237B2 (ja) 画像ベースの車両損害評価方法、装置、およびシステム、ならびに電子デバイス
US11232318B2 (en) Methods and apparatuses for vehicle appearance feature recognition, methods and apparatuses for vehicle retrieval, storage medium, and electronic devices
CN109870983B (zh) 处理托盘堆垛图像的方法、装置及用于仓储拣货的***
US11062453B2 (en) Method and system for scene parsing and storage medium
CN110059734B (zh) 一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质
US10346996B2 (en) Image depth inference from semantic labels
US20160098619A1 (en) Efficient object detection with patch-level window processing
CN111311010B (zh) 车辆风险预测方法、装置、电子设备及可读存储介质
WO2021217924A1 (zh) 交通卡口车辆类型的识别方法、装置、设备及存储介质
DE112016005776T5 (de) Systeme und Verfahren zum Bereitstellen eines Bild-Klassifikators
CN114170516B (zh) 一种基于路侧感知的车辆重识别方法、装置及电子设备
JP2022177232A (ja) 画像処理方法、テキスト認識方法及び装置
CN113378710A (zh) 图像文件的版面分析方法、装置、计算机设备和存储介质
CN114998750B (zh) 一种遥感图像随机长度条带去除方法、装置、设备及介质
CN110929626A (zh) 确定库存货物件数的方法、仓库盘点方法、装置及设备
CN109982088B (zh) 图像处理方法及装置
CN113902045B (zh) 一种基于图像识别的车险现场快速定损方法
CN110910445A (zh) 一种物件尺寸检测方法、装置、检测设备及存储介质
CN115909269A (zh) 一种三维目标检测方法、装置及计算机存储介质
CN115311632A (zh) 一种基于多摄像头的车辆重识别方法和设备
CN116433903A (zh) 实例分割模型构建方法、***、电子设备及存储介质
CN114882465A (zh) 视觉感知方法、装置、存储介质和电子设备
WO2017129015A1 (zh) 一种车型识别方法及装置
CN114693963A (zh) 基于电力数据特征提取的识别模型训练、识别方法及装置
CN114155363A (zh) 换流站车辆识别方法、装置、计算机设备和存储介质

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

Effective date of registration: 20220413

Address after: Room 3502, 35 / F, building 11, Wangjing Dongyuan, Chaoyang District, Beijing

Patentee after: BEIJING CHEXIAO TECHNOLOGY CO.,LTD.

Address before: No. 3903, 39 / F, building 2, No. 530, middle section of Tianfu Avenue, high tech Zone, Chengdu, Sichuan 610000

Patentee before: Chengdu chexiao Technology Co.,Ltd.

TR01 Transfer of patent right