[发明专利]车辆定损图像筛选方法、装置、可读存储介质及服务器

权利要求书

1.一种车辆定损图像筛选方法，其特征在于，包括：

接收终端设备发送的车辆定损视频，并从所述车辆定损视频中提取各帧图像；

分别计算各帧图像的特征向量，并将各帧图像的特征向量分别输入到预设的神经网络模型中进行处理，得到各帧图像的评估值；

根据各帧图像的评估值分别确定各帧图像所对应的车辆部位，并将各帧图像分别添加入对应的车辆部位的图像序列中；

从各个车辆部位的图像序列中分别选取评估误差最小的预设数目的图像作为各个车辆部位的优选定损图像。

2.根据权利要求1所述的车辆定损图像筛选方法，其特征在于，所述神经网络模型对输入的特征向量的处理过程包括：

将所述特征向量在各个维度上的分量分别确定为所述神经网络模型的输入层节点数据，所述输入层节点与所述特征向量在各个维度上的分量一一对应；

根据下式在所述神经网络模型的隐含层节点分别使用模糊高斯隶属度函数对所述输入层节点数据进行处理，得到隐含层节点数据：

其中，i为输入层节点的标号，其取值范围为[1，n]，n为输入层节点的个数，j为隐含层节点的标号，其取值范围为[1，h]，h为隐含层节点的个数，x为输入层节点数据，x_i为x中的第i个输入层节点的输入层节点数据，Φ_j(x)为第j个隐含层节点的隐含层节点数据，G_ij(x_i)为第j个隐含层节点的第i个模糊高斯隶属度函数，μ_ij为第j个隐含层节点的第i个模糊高斯隶属度函数的数学期望，σ_ij为第j个隐含层节点的第i个模糊高斯隶属度函数的标准差，exp为自然指数函数；

使用预设的权值分别对所述隐含层节点数据进行加权求和，得到所述评估值。

3.根据权利要求2所述的车辆定损图像筛选方法，其特征在于，在使用预设的权值分别对所述隐含层节点数据进行加权求和之前，还包括：

获取所述隐含层节点数据中的最大值和最小值；

根据下式对所述隐含层节点数据进行归一化处理，得到归一化的隐含层节点数据：

其中，Ψ_j(x)为第j个隐含层节点的归一化的隐含层节点数据，Φ_max(x)为Φ_j(x)中的最大值，Φ_min(x)为Φ_j(x)中的最小值。

4.根据权利要求1至3中任一项所述的车辆定损图像筛选方法，其特征在于，所述神经网络模型的训练过程包括：

计算使用所述神经网络模型对预设的历史图像样本库中的各个样本进行处理时的整体偏差度；

判断所述整体偏差度是否大于预设的阈值；

若所述整体偏差度大于所述阈值，则对所述神经网络模型的参数进行调整，并返回执行所述计算使用所述神经网络模型对预设的历史图像样本库中的各个样本进行处理时的整体偏差度的步骤，直至所述整体偏差度小于或等于所述阈值；

若所述整体偏差度小于或等于所述阈值，则结束对所述神经网络模型的训练过程。

5.根据权利要求4所述的车辆定损图像筛选方法，其特征在于，所述计算使用所述神经网络模型对预设的历史图像样本库中的各个样本进行处理时的整体偏差度包括：

根据下式计算所述整体偏差度：

其中，t为样本的标号，1≤t≤T，T为所述历史图像样本库中的样本总数，E_t为第t个样本的训练误差，y′_t为第t个样本的评估值，y_t为第t个样本的预期值，E为所述整体偏差度。