[發明專利]一種基于深度學習的車輛視頻定損系統的智能截圖方法及系統

在審

• 申請號: 202011348956.2
• 申請日: 2020-11-26
• 公開（公告）號: CN112465018A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 叢建亭;黃賢俊;侯進
• 申請（專利權）人: 深源恒際科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06N3/08;H04N5/91
• 代理公司: 北京匯信合知識產權代理有限公司 11335
• 代理人: 林聰源

本發明公開了一種基于深度學習的車輛視頻定損系統的智能截圖方法及系統，包括：設置圖像幀數據緩沖區，間隔N幀緩存一幀圖像到圖像幀數據緩沖區隊列；設置非圖像幀參數數組，間隔N’幀調用拍攝狀態分類算法得到用戶距離車輛的遠近狀態類別，將該參數存儲到非圖像幀參數數組中；當非圖像幀參數數組的長度累積達到n后，進行采樣環節類型分析，基于歷史參數分析出當前幀所處于的采樣環節類型；若采樣環節類型分析的結果是一個有效的類型標識，則校驗當前幀是否滿足距離上次采樣的時間間隔閾值；若滿足，則根據采集環節類型從圖像幀數據緩沖區中選擇圖像作為截圖圖像使用。本發明基于深度神經網絡的分類方法，能獲取極高的準確率，分類準確率高。

技術領域

本發明涉及車輛視頻定損技術領域，具體涉及一種基于深度學習的車輛視頻定損系統的智能截圖方法及系統。

背景技術

車輛視頻定損系統：是一個通過智能手機通訊來達到快速處理理賠案件業務的系統,工作流程通常是查勘人員使用手機接收派工任務之后發起視頻請求,公司視頻中心后臺人員接收請求之后打開視頻與查勘人員進行視頻通訊,了解現場情況、語音通訊、現場拍照、與客戶協商維修事宜,從而完成理賠案件定損結論。

2012年以來，深度學習在圖片識別領域取得非常大的進步。相比傳統的圖片識別方法使用的色彩、HOG等低級視覺特征；深度神經網絡能學得更多高級的、抽象的特征，這使得深度神經網絡的性能遠遠超越傳統方法。

2014年以來，深度學習開始在物體檢測、物體分割等領域取得優秀成果，涌現出Deeplab、YOLO、FasterRCNN等一序列方法，識別準確率在特定任務上已經超越了人類識別的水平，并在生成環境中得到大規模使用。

深度學習在汽車外觀損傷檢測領域進行的工作比較少，2016年左右開始有人嘗試。但是受限于數據獲取的難度，這個領域一直進展比較慢，目前也還沒有一個可以落地使用的系統或方法。

現有專利CN110086866A公開了一種基于遠程視頻定損系統的建立方法，該專利主要是涉及整個視頻定損的采集，通訊建立，人員管理等的定損系統平臺，定損過程主要靠人，并無智能技術嵌入其中。

現有專利CN105049817A公開了一種車輛遠程查勘定損系統，該專利主要涉及硬件功能實現，并無智能技術相關。

現有專利CN110287768A公開了圖像智能識別車輛定損系統，該專利主要是介紹當視頻或圖像上傳到服務器后的智能定損過程，而未探討如何上傳一個合格高效的視頻或圖像序列。

因此，如何輔助視頻定損系統獲得一個視頻案件采集后的合格高效圖像序列是本申請研究的重點，其不僅僅便于案件標準規范化存儲，人工閱讀同時也是便于機器理解的。

現有的定損現場拍照過程存在以下問題：

1.公司視頻中心后臺人員日常工作任務繁重，有時候通常要聯線多個現場，導致部分理賠案件有時會遺漏一些現場圖片，需要過些時間后聯系客戶再補拍現場照片，影響客戶體驗。

2.公司視頻中心后臺人員雖然經過一定時間的培訓，但案件截圖質量依舊參差不齊，個體差異較大，因此手動現場拍照截圖方式不利于未來理賠標準化和規范化，不利于保險公司科學降低運營成本，同時也不利于大數據技術對理賠案件的價值信息挖掘。

發明內容

針對現有技術中存在的上述問題，本發明提供一種基于深度學習的車輛視頻定損系統的智能截圖方法及系統。

本發明公開了一種基于深度學習的車輛視頻定損系統的智能截圖方法，包括：

設置圖像幀數據緩沖區，間隔N幀緩存一幀圖像到圖像幀數據緩沖區隊列；

設置非圖像幀參數數組，間隔N’幀調用拍攝狀態分類算法得到用戶距離車輛的遠近狀態類別，將該參數存儲到非圖像幀參數數組中；