本发明涉及人工智能技术应用领域，具体提供一种基于神经网络的车辆划痕检测方法。
背景技术：
随着时代的不断进步,汽车成为人们出行的基本工具,越来越多的车辆行驶在道路上，造成汽车之间的拥堵。在车辆缓慢行驶或者在停车的过程中，发生轻微或者是一般刮擦都是很正常的现象，尤其是在无人值守的情况下，车主当时又不易察觉划痕，发现后，难以追查且难以取证，即时在有摄像头的情况下，也是比较难以追查的。
技术实现要素：
本发明是针对上述现有技术的不足，提供一种实用性强的基于神经网络的车辆划痕检测方法。
本发明解决其技术问题所采用的技术方案是：
一种基于神经网络的车辆划痕检测方法，该方法分为以下步骤：
s01、通过神经网络对摄像头采集的车辆全貌图像和车辆细节图像进行特征提取，得到特征提取图；
s02、检索后台标准数据库，比较标准数据库中的图与特征提取图是否超过阈值，作为待测车辆的初始标记特征；
s03、经过若干时间或空间范围后，再次重复s01中对车辆全貌图像和车辆细节图像进行特征提取，两次特征提取图比较是否超过阈值，判断车辆是否有划痕。
进一步的,在步骤s01中，包括：
s011、部署神经网络一，对经摄像头采集的车辆全貌图进行车型识别，到到待检测车辆车型信息；
s012、部署神经网络二，对经摄像头采集的车辆细节图进行特征提取，得到待检测车辆细节特征信息向量组一。
作为优选,所述神经网络一训练采用多品牌多车型的各角度整体图片，所述神经网络二训练集采用各车辆外观细节图片。
进一步的,所述神经网络一、神经网络二由基础网络和特殊网络构成，所述基础网络包括但不限于vgg、resnet、deepwise或全连接结构；
所述特殊网络对某类特征专门进行提取。
进一步的,所述车型信息包括但不限于车辆品牌、车辆型号、上市年月、车辆颜色和车辆牌照。
进一步的,所述车辆细节特征信息向量包括但不限于车辆两侧前后门颜色与光洁度、车辆前中后玻璃光洁度、车顶颜色与光洁度、轮胎及轮毂侧面光洁度、叶子板及车灯颜色与光洁度和后备箱门颜色与光洁度。
进一步的,在步骤s02中，根据所述车辆车型信息，检索后台标准数据库，比较标准数据库中与步骤s022得到的所述车辆细节特征信息向量组一，超过设定阈值时记录此条特征，作为待检测车辆的初始标记特征，表示在初次测量时车辆可能已存在划痕损伤；
将所述初始标记特征与所述车辆车型信息和车辆细节特征信息向量组一一起保存在当前工作数据库中。
进一步的,在步骤s03中，经过若干时间或空间范围后，再次对车辆进行步骤s021和步骤s022所述的神经网络特征提取，得到车辆车型信息和车辆细节特征信息向量组二；
通过特定方法比较车辆细节特征信息向量组一和车辆细节特征信息向量组二，若低于阈值，则表明在此若干时间或空间范围内，车辆未受到明显划痕或其他损伤；
若高于阈值，则表明车辆可能受到划痕损伤或对其他车辆造成了损伤，检索后台标准数据库，比较标准数据库中与车辆细节特征信息向量组二，标记超过设定阈值的特征条目，与所述初始标记特征比较，得到车辆对应受损位置，完成划痕检测。
作为优选，通过向量组欧氏距离、向量组曼哈顿距离、向量组余弦相似度或标准化欧氏距离比较车辆细节特征信息向量组一和车辆细节特征信息向量组二。
本发明的基于神经网络的车辆划痕检测方法和现有技术相比，具有以下突出的有益效果：
本发明充分发挥神经网络特征提取与类型识别快速准确优势，通过设置部署多个神经网络配合完成车辆车型检测与细节特征提取，可在第一时间对车辆外观是否受损或剐蹭了其他车辆进行较准确判断。
把当前计算机较难感知的颜色信息和图案信息等转换为数值，直观比较，快速高效完成车辆外观损伤检测，有效保障车辆所有人或停车场经营者的合法权益。
具体实施方式
为了使本技术领域的人员更好的理解本发明的方案，下面结合具体的实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例都属于本发明保护的范围。
卷积神经网络由卷积核组成，类似过滤器，每个过滤器都会提取一种特定的特征，一般认为图像的空间联系是局部的像素联系比较密切，而距离较远的像素相关性较弱，因此，每个神经元只要对局部进行感知，然后在更高层将局部的信息综合起来得到全局信息。通过深层神经网络不断提取图像特征，可以把对颜色图样的感知转变为数值比较。
下面给出一个最佳实施例：
本实施例中的基于神经网络的车辆划痕检测方法，该方法分为以下步骤：
s01、通过神经网络对摄像头采集的车辆全貌图像和车辆细节图像进行特征提取，得到特征提取图；
s02、检索后台标准数据库，比较标准数据库中的图与特征提取图是否超过阈值，作为待测车辆的初始标记特征；
s03、经过若干时间或空间范围后，再次重复s01中对车辆全貌图像和车辆细节图像进行特征提取，两次特征提取图比较是否超过阈值，判断车辆是否有划痕。
在步骤s01中，包括：
s011、部署神经网络一，对经摄像头采集的车辆全貌图进行车型识别，到待检测车辆车型信息。
其中，神经网络一训练集采用多品牌多车型的各角度整体图片作为训练，得到待检测车辆车型信息包括但不限于车辆品牌、车辆型号、上市年月、车辆颜色和车辆牌照。
s012、部署神经网络二，对经摄像头采集的车辆细节图进行特征提取，得到待检测车辆细节特征信息向量组一。
神经网络二训练集采用各车辆外观细节图片，得到待测车辆细节特征信息向量组一包括但不限于车辆两侧前后门颜色与光洁度、车辆前中后玻璃光洁度、车顶颜色与光洁度、轮胎及轮毂侧面光洁度、叶子板及车灯颜色与光洁度和后备箱颜色与光洁度。
神经网络一和神经网络由基础网络和特殊网络构成，基础网络包括但不限于vgg、resnet、deepwise或全连接结构，用于对输入图像数据进行加权特征提取。特殊网络用于对某类特征，如车门侧划痕，专门提取。
在步骤s02中，根据车辆车型信息，检索后台标准数据库，比较标准数据库与步骤s022得到的车辆细节特征信息向量组一，判断是否超过阈值，若超过设定的阈值，则记录此条特征，作为待测车辆的初始标记特征，表示在初次测量时车辆可能已存在划痕损伤。
将初始标记特征与车辆车型信息、车辆细节特征信息向量组一一起保存在当前工作数据库中。
在步骤s03中，经过若干时间或空间范围后，如在停车场出口处，再次对车辆进行步骤s021和步骤s022所述的神经网络特征提取，得到车辆车型信息和车辆细节特征信息向量组二。
通过向量组欧氏距离比较车辆细节特征信息向量组一和车辆细节特征信息向量组二，再次判断是否高于阈值，若低于阈值，则表明在此若干时间或空间范围内，车辆为未收到明显划痕或其他损伤；
若高于阈值，则表明在此若干时间或空间内，车辆可能受到明显划痕或对其他损伤车辆造成了损伤，检索后台标准数据库，比较标准数据库中车辆细节特征信息向量组二，标记超过设定阈值的特征条目，这些超过设定阈值的特征条目与初始标记特征进行比较，得到车辆对应受损位置，完成划痕检测。
上述具体的实施方式仅是本发明具体的个案，本发明的专利保护范围包括但不限于上述具体的实施方式，任何符合本发明的一种基于神经网络的车辆划痕检测方法权利要求书的且任何所述技术领域普通技术人员对其做出的适当变化或者替换，皆应落入本发明的专利保护范围。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。