[发明专利]智能自核验车方法、装置及计算机可读存储介质

权利要求书

1.一种智能自核验车方法，其特征在于，所述方法包括：

从一个车辆图像库中获取用户历史存储的车辆图像集，并对所述车辆图像库的车辆图像集建立标签，产生标签集；

接收所述用户的验车图像集，对所述验车图像集进行预处理操作，得到目标验车图像集，所述预处理操作包括对比度增强、灰度化处理以及降噪；

通过边缘检测法和阈值分割法对所述目标验车图像集的车辆进行分割，得到所述车辆的局部关键点图像；

根据所述车辆的局部关键点图像建立所述车辆的方向梯度特征图谱集，并将所述方向梯度特征图谱集作为训练集；

利用所述训练集对预先构建的智能自核验车模型进行训练，得到训练值，将所述训练值和所述标签集输入至所述智能自核验车模型的损失函数中，得到损失函数值，直至所述损失函数值小于预设的阈值时，完成所述智能自核验车模型的训练；

将用户上传的验车图像输入至训练好的所述智能自核验车模型中，得到所述验车图像的匹配度最高的特征图像，并利用逻辑比对程序将所述匹配度最高的特征图像与所述车辆图像库进行遍历比对，输出所述用户上传的验车图像的自核结果。

2.如权利要求1所述的智能自核验车方法，其特征在于，所述接收所述用户的验车图像集，对所述验车图像集进行预处理操作，得到目标验车图像集，包括：

通过直方图均衡化将所述验车图像集中的验车图像转换为灰度图像；利用对比度拉伸方法对所述灰度图像进行对比度增强；利用高斯滤波对所述对比度增强的灰度图像进行降噪，得到所述目标验车图像集。

3.如权利要求1所述的智能自核验车方法，其特征在于，所述通过边缘检测法和阈值分割法对所述目标验车图像集的车辆进行分割，得到所述车辆局部关键点图像，包括：

利用Canny边缘检测法对所述目标验车图像集的车辆进行界面定位，通过一阶偏导的有限差分计算所述车辆的梯度的幅度和方向，并将所述车辆的梯度中非局部极大值点的幅度置为零，得到细化的车辆边缘图像；

利用双阈值法对所述车辆边缘图像进行分割，采用区域增长法对分割后的所述车辆边缘图像中的关键点进行放大，通过边缘连接将分割的所述车辆边缘图像进行连接，从而得到所述车辆的局部关键点图像。

4.如权利要求1至3中任意一项所述的智能自核验车方法，其特征在于，所述根据所述车辆的局部关键点图像建立所述车辆的方向梯度特征图谱集，包括：

计算所述车辆的局部关键点图像中每个像素点（x,y）的梯度幅值G（x,y）和梯度方向σ（x,y），形成所述车辆的局部关键点图像的梯度矩阵，并将所述梯度矩阵分为小的细胞单元；

计算所述细胞单元中的每个像素点的梯度大小和方向，统计出梯度方向直方图，并计算出所述梯度方向直方图中的每一个方向通道的像素梯度的和；

对所述每一方向通道的像素梯度的和进行累加并构成向量，并将所述细胞单元组合成块，对所述块中的向量进行归一化处理，得到特征向量，并将所述特征向量进行连接，得到所述车辆的方向梯度特征图谱集。

5.如权利要求1所述的智能自核验车方法，其特征在于，所述利用所述训练集对预先构建的智能自核验车模型进行训练，得到训练值，包括：

将所述训练集输入至所述智能自核验车模型的卷积神经网络的输入层，通过在所述卷积神经网络的卷积层中预设一组过滤器对所述训练集进行卷积操作，提取出特征向量；

利用所述卷积神经网络的池化层对所述特征向量进行池化操作，并将池化后的特征向量输入至全连接层，通过所述卷积神经网络的激活函数对所述池化后的特征向量进行归一化处理和计算，得到所述训练值。