[发明专利]基于GAN网络的车损图像生成方法和装置

权利要求书

1.一种计算机执行的生成车损图像的方法，包括：

获取第一图像，所述第一图像为车辆的真实图像；

基于所述第一图像获取第二图像，所述第二图像通过在所述第一图像上标注目标框、并抠除所述目标框内局部图像所获取；以及

将所述第二图像输入图像填充模型，以从所述图像填充模型的输出获取带有目标框的车损图像，其中，所述图像填充模型通过对所述第二图像的目标框内填充车辆损伤局部图像而输出所述带有目标框的车损图像。

2.根据权利要求1所述的方法，其中，所述第一图像中包括或不包括车辆损伤局部图像。

3.根据权利要求1所述的方法，其中，所述第一图像中包括至少一个车辆损伤局部图像，在所述第一图像上标注目标框包括，在所述至少一个车辆损伤局部图像处随机标注所述目标框。

4.根据权利要求1所述的方法，其中，在所述第一图像上标注目标框包括，在第一位置标注目标框，其中，所述第一位置是从多个第二位置中随机确定的位置，所述第二位置为通过统计获取的车辆出现车辆损伤的大概率位置。

5.根据权利要求1所述的方法，其中，抠除所述目标框内局部图像包括，通过使用掩膜对所述第一图像进行点积运算，抠除所述目标框内局部图像。

6.根据权利要求1所述的方法，其中，所述图像填充模型通过训练GAN模型中的生成模型获取，所述GAN模型中还包括判别模型，其中所述判别模型用于判别所述生成模型的输出图像是否为真实的图像、以及所述输出图像的目标框内是否为车辆损伤局部图像，其中，训练GAN模型中的生成模型包括：

获取多个第三图像，所述第三图像为车辆的真实图像；

基于所述多个第三图像获取多个第四图像，所述第四图像通过在对应的所述第三图像上标注目标框、并抠除所述目标框内局部图像所获取；以及

使用至少所述多个第四图像，基于所述判别模型，训练所述生成模型，作为所述图像填充模型。

7.根据权利要求6所述的方法，其中，所述判别模型通过以下方式训练：

获取多个正样本和多个负样本，所述正样本和所述负样本都是包括目标框的车辆图像，其中，所述正样本为真实图像，并且所述正样本的目标框内的局部图像为车辆损伤局部图像，其中，所述多个负样本包括至少一个第一负样本，所述第一负样本通过将真实图像的目标框中的局部图像替换为其它局部图像所获取的非真实图像；以及

使用所述多个正样本和多个负样本训练分类模型，作为所述判别模型。

8.根据权利要求7所述的方法，其中，所述第一负样本包括以下至少一项特征：目标框内外的部件不一致、目标框内外的车型不一致、目标框内外的颜色不连贯、以及目标框内外的纹理不连贯。

9.根据权利要求7所述的方法，其中，所述多个负样本还包括至少一个第二负样本，所述第二负样本为目标框内不含车辆损伤局部图像的真实图像。

10.根据权利要求7所述的方法，其中，所述判别模型中包括语义识别模型，所述语义识别模型用于判别样本目标框内是否包含车辆损伤局部图像。

11.根据权利要求7所述的方法，还包括，在生成所述车损图像之后，将所述车损图像用于训练车辆损伤识别模型，其中，所述车辆损伤识别模型用于基于车辆的车损图像识别车辆的损伤。