【技术实现步骤摘要】
一种车辆损伤判别方法及装置
本专利技术涉及图像处理
，特别是涉及一种车辆损伤判别方法及装置。
技术介绍
车辆损伤是指该车辆的部件有损伤或完全失效，车辆损伤的损伤类型有多种，例如，车灯不亮，保险杠损坏，车窗破损等。在交通运行中，会出现有损伤的车辆在道路上行驶的情况。从交通安全的角度来说，因为有损伤的车辆的部分正常功能缺失，会存在交通安全隐患；从社会治安的角度来说，在道路上行驶的有损伤的车辆有极大的可能存在肇事逃逸、嫌犯逃逸等违法行为。因此，车辆损伤的判别对于交通安全和社会治安两方面来说均有重大意义。目前，传统的车辆损伤的判别方式主要是通过眼看的方式进行判别，通过人工查看包含目标车辆的图像，从图像上判断目标车辆的损伤类型，。然而，传统的人工判别方式不仅效率低，而且因为许多损伤类型的损伤并不容易通过眼睛直接看到，导致了车辆损坏判别不够准确的问题。
技术实现思路
本专利技术实施例的目的在于提供一种车辆损伤判别方法及装置，以实现提高判别效率以及提高车辆损坏判别的准确率。具体技术方案如下：
【技术保护点】
1.一种车辆损伤判别方法，其特征在于，所述方法包括：/n获取针对目标车辆的目标车辆图像；/n通过预设的车辆损伤判别模型，对所述目标车辆图像进行特征提取，并根据所提取的特征，判别所述目标车辆是否存在损伤，并输出判别结果；其中，所述车辆损伤判别模型是根据预设的训练集对预设神经网络进行训练获得的模型，所述训练集包括多张车辆样本图像，以及每张车辆样本图像中车辆的损伤类型对应的标签。/n
【技术特征摘要】
1.一种车辆损伤判别方法，其特征在于，所述方法包括：
获取针对目标车辆的目标车辆图像；
通过预设的车辆损伤判别模型，对所述目标车辆图像进行特征提取，并根据所提取的特征，判别所述目标车辆是否存在损伤，并输出判别结果；其中，所述车辆损伤判别模型是根据预设的训练集对预设神经网络进行训练获得的模型，所述训练集包括多张车辆样本图像，以及每张车辆样本图像中车辆的损伤类型对应的标签。
2.根据权利要求1所述的方法，其特征在于，所述获取针对目标车辆的目标车辆图像的步骤，包括：
获取包含目标车辆的图像；
对所述图像进行检测，确定包含目标车辆的图像区域；
对所述图像区域进行处理，得到所述目标车辆图像。
3.根据权利要求2所述的方法，其特征在于，所述对所述图像区域进行处理，得到所述目标车辆图像的步骤，包括：
对所述图像区域进行尺寸归一化处理；
对经过尺寸归一化处理后的图像区域进行图像去中心化处理；
将经过图像去中心化处理后的图像区域确定为所述目标车辆图像。
4.根据权利要求1所述的方法，其特征在于，所述根据所提取的特征，判别所述目标车辆是否存在损伤，并输出判别结果的步骤，包括：
根据所提取的特征，判别所述目标车辆是否存在损伤；
如果是，输出预警信息，所述预警信息用于指示所述目标车辆存在损伤以及指示所述目标车辆的损伤类型；其中，所述损伤类型为车灯受损、车窗受损、保险杠受损和第一位置受损中的一种或多种的任意组合，所述第一位置为所述目标车辆除车灯、车窗、保险杠之外的其他位置。
5.根据权利要求1所述的方法，其特征在于，所述车辆损伤判别模型采用如下步骤训练得到：
获取所述预设神经网络和预设的所述训练集，所述训练集包括正样本图像和负样本图像，所述正样本图像为车辆受损图像，所述负样本图像为车辆未受损图像，所述预设神经网络包括第一神经网络和第二神经网络；
通过所述第一神经网络的特征提取器，对所述训练集中的每张车辆样本图像进行特征提取，得到每张车辆样本图像的特征向量，其中，所述第一神经网络包括卷积神经网络、循环神经网络和深度神经网络中的至少一种；
根据每张车辆样本图像的特征向量，通过所述第二神经网络的分类器对每张车辆样本图像进行损伤类型的分类判别，得到判别结果，其中，所述第二神经网络包括卷积神经网络、循环神经网络和深度神经网络中的至少一种；
根据所得到的每张车辆样本图像的判别结果和该车辆样本图像对应的标签，判断所述预设神经网络是否收敛；
如果否，调整所述预设神经网络的参数，返回执行通过所述第一神经网络的特征提取器，对所述训练集中的每张车辆样本图像进行特征提取，得到每张车辆样本图像的特征向量的步骤；
如果是，将当前得到的所述预设神经网络确定为所述车辆损伤判别模型。
6.一种车辆损伤判别装置，其特征在于，所述装置包括：
获取模块，用于获取针对目标车辆的目标车辆图像；
判别模块，用于通过预设的车辆损伤判别模型，对所述目标车辆图像进行特征提取，并根据所提取的特征，判别所述目标车辆是否存在损伤，并输出判别结果；...
【专利技术属性】
技术研发人员：余声，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。