[发明专利]距离自适应的车辆外观部件的图片识别方法

说明书

本发明公开了一种距离自适应的车辆外观部件的图片识别方法，包括：获取包含有不同拍摄距离车辆外观图片的一个车辆图片定损单元；根据车辆外观图片中车辆外观部件的个数对车辆图片定损单元中的特写图进行二分类，分为远特写图片和近特写图片；利用目标跟踪算法确定每张特写图在中景图中的跟踪位置；对车辆外观图片进行图像语义分割；将近特写图片的分割图像与中景图的分割图像进行匹配；对车辆外观图片的分割图像进行车辆外观部件识别，确定车辆外观图片中的车辆外观部件。通过本发明的技术方案，提高了在不同拍摄距离下的识别准确率和识别稳定性，且支持识别的部件种类更加丰富，适用于各种不同的实际应用场景。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种距离自适应的车辆外观部件的图片识别方法。

背景技术

目前，车辆外观部件识别是各类汽车业务中的重要一环，在譬如汽车保险理赔，分时租赁以及汽车日租的取车还车过程，都需要对车辆外观部件进行识别。现有技术中，普遍的实现方式有两种，一种是现场工作人员对待识别车辆查勘并完成车辆外观部件识别，另一种是用户拍摄照片(视频)，用深度学习模型进行处理。

2012年以来，深度学习在计算机视觉领域取得非常大的进步。相比传统使用色彩、HOG等低级视觉特征的图片识别方法；深度神经网络能学得更多高级的、抽象的特征，这使得深度神经网络的性能远远超越传统方法。2014年以来，深度学习开始在物体检测，语义分割，目标跟踪等计算机视觉领域取得突出进展，涌现出YOLO，Faster RCNN，Deeplab，GOTURN等一系列方法，在特定任务的识别准确率上已经接近或超越了人类识别的水平，而在识别速度和处理数据的规模程度上早已远远超越人类。

现有的车辆外观部件识别方式存在以下问题：

1.人工识别的方式存在延时大，成本高，用户体验差且高度依赖识别人员专业经验的问题，无法大规模扩展使用。

2.在保险理赔、验车、分时租赁等实际的汽车业务应用场景中，不仅需要对车辆进行远距离的拍摄，还要求对车辆进行近距离的拍摄。现有的系统只适用于较远距离拍摄场景，而如何在近距离情况下准确地识别车辆部件，成为影响整个车辆部件识别系统落地的难题。另外，现有系统所支持识别的车辆外观部件种类少，无法满足实际应用的需求。

3.单一地使用分类模型，无法覆盖车辆业务实际应用场景当中的需求，支持识别的部件数量太少，深度学习模型结构简单，鲁棒性差。

发明内容

针对上述问题中的至少之一，本发明提供了一种距离自适应的车辆外观部件的图片识别方法，通过获取一个包含不同拍摄距离下的车辆外观图片的车辆图片定损单元，根据车辆外观图片中包含车辆外观部件个数将特写图分为远特写图片和近特写图片，对远特写图片和近特写图片使用针对性的图像语义分割模型进行图像分割，并利用目标跟踪算法确定特写图在中景图中的位置，结合图像分割结果和目标跟踪定位信息将近特写图片中的分割图像与中景图的分割图像相匹配，然后根据深度卷积神经网络进行车辆外观部件识别，确定每张车辆外观图片中的车辆外观部件。本发明利用多种深度学习模型，提高了在不同拍摄距离下的识别准确率和识别稳定性，且支持识别的部件种类更加丰富，适用于各种不同的实际应用场景。