(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210764215.5 (22)申请日 2022.06.29 (71)申请人 深源恒际科技有限公司 地址 100085 北京市海淀区清河西三 旗东 路6幢2层20 3室 (72)发明人 丛建亭　侯进　黄贤俊　 (74)专利代理 机构 北京汇信合知识产权代理有 限公司 1 1335 专利代理师 林聪源 (51)Int.Cl. G06V 20/40(2022.01) G06V 20/56(2022.01) G06V 10/74(2022.01) (54)发明名称 一种基于深度学习的车辆视频定损系统的 关键帧提取方法 (57)摘要 本发明公开了一种基于深度学习的车辆视 频定损系统的关键帧提取方法， 包括： 从定损视 频中间隔n帧均匀采样视频普通帧序列， 对普通 帧序列进行车辆特征属性识别， 基于车辆特征属 性中的车辆距离属性确定视频中的 “远中”跳变 位置和“中近”跳变位置； 从 “远中”跳变位置向前 搜索“远”关键帧图像， 从 “中近”跳变位置向前搜 索“中”关键帧图像， 从 “中近”跳变位置向后的普 通帧进行相似性去重， 获取多张 “近”关键帧图 像。 本发明基于深度学习算法实现车辆图片属性 特征识别， 能获取极高的准确率； 同时， 关键帧图 片序列逻辑性强， 信息关键有序， 采集后的数据 规范性好， 人工或机 器可阅读性强。 权利要求书1页 说明书4页 附图2页 CN 115272913 A 2022.11.01 CN 115272913 A 1.一种基于深度学习的车辆 视频定损系统的关键帧提取 方法， 其特 征在于， 包括： 获取定损视频； 从所述定损视频中间隔n帧均匀采样视频普通帧序列； 对所述普通帧序列进行车辆特征属性识别； 其中， 所述车辆特征属性包括车辆内容是 否模糊、 车辆距离属性以及车辆大 方位和小方位属性； 基于所述车辆距离属性确定 视频中的“远中”跳变位置和 “中近”跳变位置； 从“远中”跳变位置向前搜索车辆大方位属性识别概率高于第一阈值且最邻近 “远中” 跳变位置的普通帧， 作为 “远”关键帧图像； 从“中近”跳变位置向前至 “远中”跳变位置之间搜索车辆小方位属性识别概率高于第 二阈值且最邻近 “中近”跳变位置的普通帧， 作为 “中”关键帧图像； 从“中近”跳变位置向后的普通帧进行相似性去重， 获取多张 “近”关键帧图像。 2.如权利要求1所述的关键帧提取方法， 其特征在于， 所述车辆特征属性的识别方法包 括： 对所述普通帧序列进行 过滤， 删除车辆内容模糊的普通帧图片； 对过滤后的剩余普通帧序列进行车辆距离属性识别； 其中， 所述车辆距离属性包括 “方 位可辨别 ”、“部件可辨别 ”和“部件不可辨别 ”； 对识别成“方位可辨别 ”的普通帧图片进行车辆大方位属性识别； 其中， 所述大方位属 性包括“前后左右 ”四个方位； 对识别成“部件可辨别 ”的普通帧图片进行车辆小方位属性识别； 其中， 所述小方位属 性包括“前或后， 左前或右后， 右前或左后， 左中或右中 ”四个小方位。 3.如权利要求2所述的关键帧提取 方法， 其特 征在于， 所述“远中”跳变位置为前4帧至少存在2帧及以上是方位可辨别， 后4帧至少存在2帧及 以上是部件可辨别或部件不可辨别； 所述“中近”跳变位置为前4帧至少存在2帧及以上是方位可辨别或部件可辨别， 后4帧 至少存在2帧及以上 是部件不可辨别。 4.如权利要求1所述的关键帧提取 方法， 其特 征在于， 所述第一阈值和第二阈值 为0.9。 5.如权利要求1所述的关键帧提取方法， 其特征在于， 所述相似性去重为： 将相似度高 于第三阈值的图片进行去重过 滤。 6.如权利要求1所述的关键帧提取 方法， 其特 征在于， 所述第三阈值 为0.8。权　利　要　求　书 1/1 页 2 CN 115272913 A 2一种基于深度学习的车辆视频定损系统的关键帧提取方 法 技术领域 [0001]本发明涉及车辆定损技术领域， 具体涉及 一种基于深度学习的车辆视频定损系统 的关键帧提取 方法。 背景技术 [0002]车辆视频定损系统： 是一个通过智能手机通讯来达到快速处理理赔案件业务的系 统， 工作流程通常是查勘人员使用手机接 收派工任务之后发起视频请求， 公司视频中心后 台人员接收请求之后打开视频与查勘人员进 行视频通讯， 了解现场情况， 语音通讯， 现场拍 照， 与客户协商维修事宜， 从而完成理赔案件定损结论。 [0003]关键帧： 视频流是由视频帧组成的， 冗余信息非常多， 存储成本高， 在车辆视频定 损问题中， 业务人员通常只对视频中的关键信息感兴趣， 即视频中的车辆哪些外观部件在 何处位置发生了何种类型的损伤， 因此有必要从视频流中提取 出上述关键帧图片。 [0004]2012年以来， 深度学习 在计算机视觉领域取得非常大的进步。 相比传统使用色彩、 HOG等低级视觉特征的图片识别方法； 深度神经网络能学得更多高级的、 抽象的特征， 这使 得深度神经网络的性能远 远超越传统方法。 [0005]2014年以来， 深度学习开始在物体检测， 语义分割， 实例分割等计算机视觉领域取 得突出进展， 涌现出YOLO， Faster  RCNN， Mask Rcnn， Deeplab等一系列 方法， 在特定任务的 识别准确率上已经接近或超越了人类识别的水平， 而在识别速度和处理数据的规模程度上 早已远远超越人类。 [0006]将深度学习应用于在车辆外观部件损伤检测识别的工作比较少， 2016年左右开始 有人尝试。 但是 受限于难以获取数据、 早期深度学习模型训练难度大等问题， 这个领域一直 进展比较慢， 目前也还没有一个可以落 地使用的系统或方法。 [0007]汽车外观损伤查勘， 在汽车业务中比较常见， 例如汽车保险理赔环节， 当投保人出 现交通事故时， 通常都需要做定损查勘来确认汽车损伤， 包括外观部件损伤和内部配件损 伤， 定损查勘过程中都要做现场拍照提交系统做案件定损证据， 供查阅和储存。 由于理赔人 员队伍参差不齐， 过多拍摄会导致信息冗余， 存储成本上升； 过少拍摄又往往导致信息缺 失， 理赔依据不够充分， 需要二次联系客户补拍， 这是传统业 务拍照方式的痛点。 [0008]同时， 现有专利CN110086866A公开了一种基于远程视频定损系统的建立方法， 该 专利主要 是涉及整个视频定损的采集， 通讯建立， 人员管理等的定损系统平台， 定损过程主 要靠人， 并无智能技术嵌入其中。 现有专利CN105049817A公开了一种车辆远程查勘定损系 统。 该专利主要涉及硬件功能实现， 并无智能技术相关； 现有专利CN 110287768A公开了一种 图像智能识别车辆定损系统， 该专利主要 是介绍当视频或图像上传到服务器后的智能定损 过程， 而未探讨如何上传一个合格高效的视频或图像序列。 [0009]现有的定损现场拍照过程存在以下问题： [0010]1.公司视频中心后台人员日常工作任务繁重， 有时候通常要联线多个现场， 导致 部分理赔案件有时会遗漏一些现场图片， 需要过些时间后联系客户再补拍现场照片， 影响说　明　书 1/4 页 3 CN 115272913 A 3