[发明专利]一种基于深度学习的车辆外观部件识别方法

说明书

本发明提供了一种基于深度学习的车辆外观部件识别方法，获取现实生活中的车辆图像并对车辆外观部件进行像素级分割标注；搭建深度卷积神经网络；使用搭建完成的网络模型开展训练；利用训练后的模型进行车辆外观部件识别与模型评估。本发明所述的一种基于深度学习的车辆外观部件识别方法，实现了针对任意尺寸、任意角度、任意车型且在真实环境下对车辆图像进行外观部件的像素级目标分割的识别方法，模型算法运算速度快、精度高。

技术领域

本发明属于计算机视觉技术领域，尤其是涉及一种基于深度学习的车辆外观部件识别方法。

背景技术

近年来，随着中国经济社会的持续快速发展，全国机动车保有量持续快速增长。同时，车辆安全问题也越来越受到人们的重视。其中，车辆外观部件的状态，如剐蹭、划伤等在汽车装备中的整车外观质检、汽车保险的定损理赔、二手车的估值等业务场景中都有重要应用。因此，车辆外观部件的识别作为车辆外观状态检测的一个重要步骤显得尤为重要。

经过对现有技术的检索发现，中国专利文献号CN106023220A，公开/公告日2016年10月12日，公开了一种基于深度学习的车辆外观部件图像分割方法：根据图像中的分割目标对原始图像进行手工分割标定，获得分割标签；将所述原始图像和分割标签输入到深度学习神经网络中,结合回归模型对所述深度学习神经网络进行训练，获得深度学习网络模型，其中，所述深度学习神经网络包括依次连接的编码层、解码层和卷积层；将待分割图像输入到所述深度学习网络模型中进行分割，获得分割图像。该方法采用回归方法，训练过程中需要对图像进行统一尺寸，且需要经过编码、解码、卷积等操作，过程复杂，难以保证在不同距离尺寸下的车辆外观部件识别的准确率。

此外，中国专利文献号CN107358596A，公开/公告日2017年11月17日，公开了一种基于图像的车辆定损方法、装置、电子设备及系统。该专利中通过卷积层CNN和区域建议层RPN的网络模型构建经过样本训练实现了车辆外观部件的识别。模型输入为各尺寸大小的车辆图片，但模型输出仅为多个部件区域，和其对应的部件分类以及置信度。导致该方法中的车辆外观部件识别会有重叠区域，如前保险杠的矩形框区域与左前叶子板的矩形框有重叠，为后续基于算法的进一步研究应用带来困扰。此外，该方法存在识别不出局部图像中车辆部件的情况，需要通过与已识别出车辆部件的图像进行匹配才能做进一步识别。

发明内容

有鉴于此，本发明旨在提出一种基于深度学习的车辆外观部件识别方法，实现了针对任意尺寸、任意角度、任意车型且在真实环境下对车辆图像进行外观部件的像素级目标分割的识别方法，模型算法运算速度快、精度高。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于深度学习的车辆外观部件识别方法，包括：

步骤一：获取现实生活中的车辆图像并对车辆外观部件进行像素级分割标注；

步骤二：搭建深度卷积神经网络；

步骤三：使用搭建完成的网络模型开展训练；

步骤四：利用训练后的模型进行车辆外观部件识别与模型评估。

进一步的，步骤一中，采用自建数据集的方法收集多种拍摄角度、多个车型、多种环境下的车辆图像，采用自建数据集的方法收集多种拍摄角度、多个车型、多种环境下的车辆图像，其中包括白天、夜晚时车辆各个方位的车辆远景和近景图像。为了实现车辆外观部件识别时的无重叠区域，采用图像分割工具对车辆外观部件进行了像素级分割标注，将标注完成的数据集分成训练集、验证集和测试集。

进一步的，步骤二中，首先搭建主干网络，实现基于卷积神经网络模型(CNN)的特征提取，此部分可以使用特征表达能力强的残差网络ResNet，如ResNet-50或ResNet-101；另外为了挖掘多尺度信息，还可以使用金字塔网络FPN进行扩展，如ResNet-101+FPN用在多个尺度上更好地特征提取网络，提取的特征图像将作为下一阶段网络的输入；