[發(fā)明專利]車輛損傷識(shí)別方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201811089438.6
• 申請(qǐng)日: 2018-09-18
• 公開(kāi)（公告）號(hào): CN110570389B
• 公開(kāi)（公告）日: 2020-07-17
• 發(fā)明（設(shè)計(jì)）人: 徐娟
• 申請(qǐng)（專利權(quán)）人: 阿里巴巴集團(tuán)控股有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/60;G06T7/62;G06K9/62;G06N3/08;G06N3/04
• 代理公司: 北京億騰知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11309
• 代理人: 陳霽;周良玉

1.一種計(jì)算機(jī)執(zhí)行的車輛損傷識(shí)別方法，包括：

獲取待識(shí)別的車輛損傷圖片；

將所述車輛損傷圖片分別輸入預(yù)先訓(xùn)練的多個(gè)目標(biāo)檢測(cè)模型，從該多個(gè)目標(biāo)檢測(cè)模型分別獲得對(duì)應(yīng)的多組檢測(cè)結(jié)果，該多組檢測(cè)結(jié)果構(gòu)成檢測(cè)結(jié)果集合，所述檢測(cè)結(jié)果集合中包括，所述多個(gè)目標(biāo)檢測(cè)模型檢測(cè)出的N個(gè)備選邊框，以及各個(gè)備選邊框的類別預(yù)測(cè)結(jié)果；

對(duì)于所述N個(gè)備選邊框中任意的第一備選邊框，至少根據(jù)該第一備選邊框與其他備選邊框的關(guān)聯(lián)關(guān)系，確定該第一備選邊框的綜合特征向量，所述關(guān)聯(lián)關(guān)系至少包括邊框內(nèi)容關(guān)聯(lián)關(guān)系、位置關(guān)聯(lián)關(guān)系和類別預(yù)測(cè)結(jié)果關(guān)聯(lián)關(guān)系中的一項(xiàng)或多項(xiàng)；

將各個(gè)備選邊框?qū)?yīng)的綜合特征向量分別輸入預(yù)先訓(xùn)練的分類模型，根據(jù)分類模型的輸出結(jié)果，優(yōu)化所述檢測(cè)結(jié)果集合。

2.根據(jù)權(quán)利要求1所述的方法，其中所述其他備選邊框包括第二備選邊框，所述關(guān)聯(lián)關(guān)系包括邊框內(nèi)容關(guān)聯(lián)關(guān)系；

所述確定該第一備選邊框的綜合特征向量包括：

獲取各個(gè)備選邊框的卷積特征向量，該卷積特征向量用于表征對(duì)應(yīng)邊框中的圖片內(nèi)容特征；

基于所述第一備選邊框?qū)?yīng)的第一卷積特征向量，和所述第二備選邊框?qū)?yīng)的第二卷積特征向量，確定第一備選邊框與第二備選邊框的內(nèi)容關(guān)聯(lián)特征；

至少根據(jù)所述內(nèi)容關(guān)聯(lián)特征，確定該第一備選邊框的綜合特征向量。

3.根據(jù)權(quán)利要求2所述的方法，其中確定第一備選邊框與第二備選邊框的內(nèi)容關(guān)聯(lián)特征包括以下中的至少一項(xiàng)：

計(jì)算所述第一卷積特征向量和第二卷積特征向量的點(diǎn)積，基于點(diǎn)積結(jié)果確定所述內(nèi)容關(guān)聯(lián)特征；

計(jì)算所述第一卷積特征向量和第二卷積特征向量的距離，基于所述距離確定所述內(nèi)容關(guān)聯(lián)特征，其中所述距離包括余弦距離或歐式距離。

4.根據(jù)權(quán)利要求1所述的方法，其中所述其他備選邊框包括第二備選邊框，所述關(guān)聯(lián)關(guān)系包括位置關(guān)聯(lián)關(guān)系；

所述確定該第一備選邊框的綜合特征向量包括：

基于所述第一備選邊框的位置參數(shù)和第二備選邊框的位置參數(shù)，確定第一備選邊框與第二備選邊框之間的位置關(guān)聯(lián)特征；

至少根據(jù)所述位置關(guān)聯(lián)特征，確定該第一備選邊框的綜合特征向量。

5.根據(jù)權(quán)利要求4所述的方法，其中所述位置關(guān)聯(lián)特征包括以下中的一項(xiàng)或多項(xiàng)：中心距離、交并比、面積比、包含關(guān)系。

6.根據(jù)權(quán)利要求1所述的方法，其中所述其他備選邊框包括第二備選邊框，所述關(guān)聯(lián)關(guān)系包括類別預(yù)測(cè)結(jié)果關(guān)聯(lián)關(guān)系；

所述確定該第一備選邊框的綜合特征向量包括：

基于所述第一備選邊框?qū)?yīng)的第一預(yù)測(cè)結(jié)果和第二備選邊框?qū)?yīng)的第二預(yù)測(cè)結(jié)果，確定第一備選邊框與第二備選邊框之間的預(yù)測(cè)結(jié)果關(guān)聯(lián)特征；

至少根據(jù)所述預(yù)測(cè)結(jié)果關(guān)聯(lián)特征，確定該第一備選邊框的綜合特征向量。

7.根據(jù)權(quán)利要求6所述的方法，其中所述第一預(yù)測(cè)結(jié)果包括第一類別和第一置信度，所述第二預(yù)測(cè)結(jié)果包括第二類別和第二置信度，所述預(yù)測(cè)結(jié)果關(guān)聯(lián)特征包括：第一類別和第二類別的異同，以及，第一置信度和第二置信度的差值。

8.根據(jù)權(quán)利要求1所述的方法，其中所述其他備選邊框包括以下中的一項(xiàng)或多項(xiàng)：與所述第一備選邊框的中心距離在預(yù)定閾值之內(nèi)的備選邊框，與所述第一備選邊框的中心距離排序在預(yù)定數(shù)目之內(nèi)的備選邊框。

9.根據(jù)權(quán)利要求1所述的方法，其中所述分類模型包括以下之一：GBDT模型、SVM模型、基于深度神經(jīng)網(wǎng)絡(luò)DNN的分類模型。

10.根據(jù)權(quán)利要求1所述的方法，所述根據(jù)分類模型的輸出結(jié)果，優(yōu)化所述檢測(cè)結(jié)果集合包括：

在所述分類模型針對(duì)所述第一備選邊框的輸出結(jié)果為異常邊框的情況下，將所述第一備選邊框從所述檢測(cè)結(jié)果集合中剔除。