基于定损图像判定模型的图像处理方法和装置与流程

本说明书实施例涉及图像处理技术领域，更具体地，涉及一种训练定损图像判定模型的方法和装置、以及一种图像处理方法和装置。

背景技术：

在常规的车险理赔场景中,保险公司需要派出专业的查勘定损人员到事故现场进行现场查勘定损，给出车辆的维修方案和赔偿金额，拍摄现场照片，并将定损照片留档以供核查人员核损核价。由于需要人工查勘定损，保险公司需要投入大量的人力成本，和专业知识的培训成本。从普通用户的体验来说，理赔流程由于等待人工查勘员现场拍照、定损员在维修地点定损、核损人员在后台核损，理赔周期较长。

随着互联网的发展，出现一种理赔方案，其中，通过用户在现场拍摄车损照片，并将所述照片上传至服务器，从而通过算法或人工基于所述车损照片进行定损和理赔。然而，在该方案中，通常对拍摄的照片有一定的要求，而用户通常很难做到符合这些要求。针对这样的需求，在现有技术中，由保险公司客服通过手机视频共享功能，实时查看用户的拍摄全过程，并通过语音等方式与用户沟通以确定将要截取的用于定损的图像。

因此，需要一种更有效的获取车辆定损图像的方案。

技术实现要素：

本说明书实施例旨在提供一种更有效的训练定损图像判定模型的方法和装置、以及图像处理方法和装置，以解决现有技术中的不足。

为实现上述目的，本说明书一个方面提供一种训练定损图像判定模型的方法，所述模型包括循环神经网络，所述方法包括：

获取以第一顺序排列的多个样本，所述多个样本与多个图像分别对应，其中，所述多个图像先后取自于事故车辆的视频流，其中，每个样本包括对应图像的特征信息、以及对应图像的标签值，所述标签值指示对应图像是否为定损图像，其中，所述定损图像为用于对所述事故车辆进行定损的图像；以及

使用所述多个样本训练所述模型，以使得相比于训练前，训练后的所述模型的与所述多个样本对应的预测损失函数减小。

在一个实施例中，在所述训练定损图像判定模型的方法中，所述循环神经网络为以下一种：lstm、rnn、gru。

在一个实施例中，在所述训练定损图像判定模型的方法中，所述特征信息包括以下至少一种特征：属性特征、语义特征、以及光流特征。

本说明书另一方面提供一种图像处理方法，包括：

获取事故车辆的视频流；

从所述视频流先后获取以第一顺序排列的多个图像；

获取所述多个图像各自的特征信息；以及

通过以所述第一顺序将所述多个图像各自的特征信息先后输入通过上述模型训练方法训练的定损图像判定模型，分别确定所述多个图像是否为定损图像，其中所述定损图像为用于对所述事故车辆进行定损的图像。

在一个实施例中，在所述图像处理方法中，所述方法在移动设备端执行，所述移动设备包括摄像头，其中，获取事故车辆的视频流包括，根据用户指令，通过所述摄像头采集事故车辆的视频流。

在一个实施例中，在所述图像处理方法中，获取所述多个图像各自的特征信息包括，通过以所述第一顺序将所述多个图像先后输入预定分类模型，获取所述多个图像各自的属性特征。

在一个实施例中，在所述图像处理方法中，所述预定分类模型进行以下至少一种关于图像的分类：是否模糊、是否包括车辆损伤、是否光照充足、拍摄角度是否偏斜、以及拍摄距离是否合适。

在一个实施例中，在所述图像处理方法中，获取所述多个图像各自的特征信息包括，通过以所述第一顺序将所述多个图像先后输入目标检测及分割模型，获取所述多个图像各自的语义特征。

在一个实施例中，在所述图像处理方法中，所述语义特征包括以下至少一项：目标框个数、分割类别数、最大目标框的图像占比、以及最大分割类别的图像占比。

在一个实施例中，在所述图像处理方法中，获取所述多个图像各自的特征信息包括，通过以所述第一顺序将所述多个图像先后输入光流模型，获取所述多个图像各自的光流特征。

在一个实施例中，在所述图像处理方法中，所述多个图像中包括第一图像，其中，分别确定所述多个图像是否为定损图像包括，确定所述第一图像是否为定损图像，所述方法还包括，在确定所述第一图像为定损图像的情况中，将所述第一图像上传给服务器。

本说明书另一方面提供一种训练定损图像判定模型的装置，所述模型包括循环神经网络，所述装置包括：

获取单元，配置为，获取以第一顺序排列的多个样本，所述多个样本与多个图像分别对应，其中，所述多个图像先后取自于事故车辆的视频流，其中，每个样本包括对应图像的特征信息、以及对应图像的标签值，所述标签值指示对应图像是否为定损图像，其中，所述定损图像为用于对所述事故车辆进行定损的图像；以及

训练单元，配置为，使用所述多个样本训练所述模型，以使得相比于训练前，训练后的所述模型的与所述多个样本对应的预测损失函数减小。

本说明书另一方面提供一种图像处理装置，包括：

视频流获取单元，配置为，获取事故车辆的视频流；

图像获取单元，配置为，从所述视频流先后获取以第一顺序排列的多个图像；

特征获取单元，配置为，获取所述多个图像各自的特征信息；以及

确定单元，配置为，通过以所述第一顺序将所述多个图像各自的特征信息先后输入通过上述模型训练装置训练的定损图像判定模型，分别确定所述多个图像是否为定损图像，其中所述定损图像为用于对所述事故车辆进行定损的图像。

在一个实施例中，在所述图像处理装置中，所述装置在移动设备端实施，所述移动设备包括摄像头，其中，所述视频流获取单元还配置为，根据用户指令，通过所述摄像头采集事故车辆的视频流。

在一个实施例中，在所述图像处理装置中，所述特征获取单元还配置为，通过以所述第一顺序将所述多个图像先后输入预定分类模型，获取所述多个图像各自的属性特征。

在一个实施例中，在所述图像处理装置中，所述预定分类模型进行以下至少一种关于图像的分类：是否模糊、是否包括车辆损伤、是否光照充足、拍摄角度是否偏斜、以及拍摄距离是否合适。

在一个实施例中，在所述图像处理装置中，所述特征获取单元还配置为，通过以所述第一顺序将所述多个图像先后输入目标检测及分割模型，获取所述多个图像各自的语义特征。

在一个实施例中，在所述图像处理装置中，所述语义特征包括以下至少一项：目标框个数、分割类别数、最大目标框的图像占比、以及最大分割类别的图像占比。

在一个实施例中，在所述图像处理装置中，所述特征获取单元还配置为，通过以所述第一顺序将所述多个图像先后输入光流模型，获取所述多个图像各自的光流特征。

在一个实施例中，在所述图像处理装置中，所述多个图像中包括第一图像，其中，所述确定单元还配置为，确定所述第一图像是否为定损图像，所述装置还包括上传单元，配置为，在确定所述第一图像为定损图像的情况中，将所述第一图像上传给服务器。

本说明书另一方面还提供一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述任一项模型训练方法和图像处理方法。

通过根据本说明书实施例的图像处理方案，通过在手机端上部署多个特征提取模型，对来自摄像头的图像提取相应的图像特征，将这些特征送入时序模型，以检测该图像是否是可用于定损的关键帧。通过这样的算法流程，可以帮助用户免去拍照的步骤，同时可以获得高质量的鲁邦的定损帧，提供给服务器端的算法以用于定损。从而提升了用户体验，提高了算法精度。

附图说明

通过结合附图描述本说明书实施例，可以使得本说明书实施例更加清楚：

图1示出了根据本说明书实施例的图像处理系统100的示意图；

图2示出根据本说明书实施例的一种训练定损图像判定模型的方法的流程图；

图3示出根据本说明书实施例的一种图像处理方法的流程图；

图4示出根据本说明书实施例的一种训练定损图像判定模型的装置400；以及

图5示出根据本说明书实施例的一种图像处理装置500。

具体实施方式

下面将结合附图描述本说明书实施例。

图1示出了根据本说明书实施例的图像处理系统100的示意图。如图1所示，系统100包括移动设备11和服务器12。移动设备11例如为手机、可通信的智能设备等。服务器12例如为保险公司用于处理定损照片的服务器。移动设备11包括摄像头111、特征提取模块112、和图像判定模块113。其中，特征提取模块112中部署有分类模型1121、目标检测及分割模型1122以及光流模型1123。图像判定模块113中部署有例如lstm神经网络模型，以用于确定是否将图像用作定损图像。该系统用于从用户拍摄车辆的视频流中自动获取用于定损的关键帧，免去用户拍照的步骤。例如在车辆事故现场中，将不需要保险公司的定损人员到达现场，只需要出险的车主使用移动设备11打开用于理赔的app中的拍摄界面，调用摄像头采集车辆的视频流，即可由app自动获取可用的定损图像上传给服务器12。

具体是，在用户打开拍摄界面以通过摄像头采集车辆的视频流之后，app获取该视频流，并将该视频流输入特征提取模块112。特征提取模块对视频流中的每帧或多帧进行处理，例如，每间隔预定帧处理一帧。在特征提取模块112中，通过分类模型1121获取图像帧的一些基本属性特征，如是否模糊、光线是否充足等，通过目标检测及分割模型1122获取图像帧的语义特征，如目标框的个数、分割类别的个数等，另外，还通过光流模型1123获取图像帧与其它图像帧(如上一输入帧)的光流特征。在获取上述多个特征之后，特征提取模块112将上述特征传送给图像判断模块113。图像判定模块113为通过使用多个标定视频流进行训练所获得的定损图像判定模型，通过基于上述特征进行判定，可确定对应的图像是否为定损图像，即是否为可用于定损的图像。当确定所述图像是定损图像之后，移动设备11将该图像发送给服务器12，以用于确定定损结果。在服务器12中，通过训练好的定损算法模型对用户上传的定损图像进行处理，从而获取定损结果。

图2示出根据本说明书实施例的一种训练定损图像判定模型的方法的流程图。所述模型包括循环神经网络。所述方法包括：

在步骤s202，获取以第一顺序排列的多个样本，所述多个样本与多个图像分别对应，其中，所述多个图像先后取自于事故车辆的视频流，其中，每个样本包括对应图像的特征信息、以及对应图像的标签值，所述标签值指示对应图像是否为定损图像，其中，所述定损图像为用于对所述事故车辆进行定损的图像；以及

在步骤s204，使用所述多个样本训练所述模型，以使得相比于训练前，训练后的所述模型的与所述多个样本对应的预测损失函数减小。

首先，在步骤s202，获取以第一顺序排列的多个样本，所述多个样本与多个图像分别对应，其中，所述多个图像先后取自于事故车辆的视频流，其中，每个样本包括对应图像的特征信息、以及对应图像的标签值，所述标签值指示对应图像是否为定损图像，其中，所述定损图像为用于对所述事故车辆进行定损的图像。

所述定损图像判定模型为时序模型，其包括的循环神经网络例如为lstm、rnn、gru等等。这些循环神经网络的共性是，通过顺序输入一组向量，获得与该一组向量对应的输出值。其中，对在某个时间点输入的向量的计算与在该时间点之前输入的一个或多个向量相关。即，循环神经网络针对当前输入的输出与之前的计算信息相关。因此，该模型针对有时序性的多个输入图像进行计算。例如，对于多个顺序排列的车损图像，在确定第一图像为车损图像之后，在对第二图像进行判定时，如果第二图像与第一图像比较接近，模型将考虑第一图像的输出结果，将第二图像判定为不是车损图像。

从而，可通过从多个(如几万个)事故车辆的视频流分别获取多组样本，以进行对所述模型的训练。所述视频流是用户(车主或者保险公司业务人员)针对多起事故车辆拍摄的视频。例如，从一起事故车辆可拍摄多个视频流，而从每个视频流可获取多组样本。在获取一组样本的过程中，针对一个视频流，首先，从该视频流中以时间前后顺序抽取多个图像，例如每隔半分钟抽取一帧图像，从该多个图像获取各自的特征信息或特征向量，并获取各个图像的是否为定损图像的标签值，从而以顺序排列的多个(特征信息，标签值)对构成一组样本。这里，一组样本中的多个样本与上述多个图像一一对应，并且，一组样本中各个样本的排列顺序也与多个图像的排列顺序相对应。该顺序体现了视频流的前后时序，从而，可由上述模型对该组样本进行预测，以预测其中哪些图像可用作定损图像。

在上述一组样本中，图像的特征信息包括但不限于以下至少一种特征：：属性特征、语义特征、以及光流特征。属性特征为图像的一些基本属性特征，例如，图像是否模糊、图像是否包括车损、图像光照是否充足、图像的拍摄角度是否合适、图像的拍摄距离是否合适等等。这些基本特征都可通过将图像输入训练好的分类模型而获取，这将在下文详细说明。语义特征为与图像像素对应的物体类别相关的特征，图像上的物体类别可通过目标框或物体分割示出，语义特征例如可以为目标框个数、物体类别数目等等。光流特征例如为当前输入图像与上一输入图像的光流变化，从而可体现各个图像之间的关联关系。

另外，所述图像的标签值可通过算法模型进行打标，也可以通过人工打标。

在步骤s204，使用所述多个样本训练所述模型，以使得相比于训练前，训练后的所述模型的与所述多个样本对应的预测损失函数减小。

如本领域技术人员所知，基于所述各个样本包括的特征向量和标签值，可通过例如梯度下降法调整所述模型的参数。具体是，首先，将所述特征向量和标签值代入模型损失函数，这里的损失函数例如为上述多个样本的各自的预测函数与标签值之差的平方和、或者为多个样本的各自的预测函数与标签值之差的绝对值之和，等等。其中，通过对多个样本各自的预测函数输入特征向量，可最后计算出与各个样本对应的模型预测值，该预测值预测对应的图像是否可用作定损图像。由于所述模型例如为lstm模型，其对多个样本中各个样本的预测函数各不相同，其中各个样本的预测函数与所述各个样本的排列顺序相对应，例如，排在后面样本的预测函数中还包括排在前面的样本的预测函数结果。然后，在损失函数中对模型参数求梯度，并向梯度的反方向调整参数的值，从而使得训练后的模型的损失函数的值减小。

这里，模型训练方法不限于上述梯度下降法，而是可以采用本领域技术人员可获得的其它各种模型优化方法，如随机梯度下降法、批量梯度下降法(bgd)、适应性动量估计法(adam)、rmsprop等。

图3示出根据本说明书实施例的一种图像处理方法的流程图。所述方法包括：

在步骤s302，获取事故车辆的视频流；

在步骤s304，从所述视频流先后获取以第一顺序排列的多个图像；

在步骤s306，获取所述多个图像各自的特征信息；以及

在步骤s308，通过以所述第一顺序将所述多个图像各自的特征信息先后输入通过图2所示方法训练的定损图像判定模型，分别确定所述多个图像是否为定损图像，其中所述定损图像为用于对所述事故车辆进行定损的图像。

首先，在步骤s302，获取事故车辆的视频流。

在一个实施例中，图3所示方法在移动设备端执行，所述移动设备包括摄像头，其中，获取事故车辆的视频流包括，根据用户指令，通过所述摄像头采集事故车辆的视频流。下文中将以移动设备端为例说明图3所示方法。可以理解，图3所示方法不限于仅在移动设备端执行，例如，通过从事故车辆的车主获取其拍摄的事故车辆的视频流，可以在保险公司的服务器端执行图3所示的方法，以从该视频流获取定损图像。

如上文所述，上述移动设备例如为手机。用户例如通过手机中安装的车险理赔app进行事故车辆的定损照片的获取。用户例如通过所述app中的相机图标打开拍摄界面，并将摄像头对准事故车辆。在打开拍摄界面之后，app通过摄像头连续采集所述车辆的图像，从而获取所述车辆的视频流，同时，在手机屏幕上实时显示摄像头采集到的图像。app当如上所述采集车辆视频流的同时，还实时将该视频流输入手机端app中部署的各个算法模型。该摄像头可设定为每隔预定时段(例如125ms)采集一帧图像。

在步骤s304，从所述视频流先后获取以第一顺序排列的多个图像。

由于，在本说明书实施例中，使用例如lstm的时序模型对多个图像是否可用作定损图像进行预测，因此，通过从视频流中先后获取多个图像，从而获取顺序排列的多个图像，以用于准备所述时序模型的输入。在该说明书实施例中，希望达到的效果是，用户在用摄像头采集视频流的同时(或者等待时间非常短)，app可在手机端确定与该视频流对应的定损照片，将该定损照片上传服务器，并从服务器接收通过服务器端算法获取的车辆定损结果。因此，app在通过摄像头采集车辆的视频流之后，可根据模型处理时间确定获取所述视频流中的哪些帧，例如，可获取视频流中的每帧图像用于模型预测，也可在视频流中每隔几帧抽取一帧图像用于模型预测。

在步骤s306，获取所述多个图像各自的特征信息。

在一个实施例中，可在手机端部署轻量级的图像分类模型，以对视频流中的车辆的图像快速进行本地处理。例如，所述预定分类模型例如是使用mobilenetv2、shufflenet、squeezenet等移动端模型训练的多任务分类模型。例如，可通过使用大量的带标签的车损照片训练该分类模型，其中，车损照片可包含与是否模糊、是否包括车辆损伤、是否光照充足、拍摄角度是否偏斜、拍摄距离是否合适等分别相关的多个标签，以进行多任务学习。在上述例如mobilenetv2的移动端模型中，通过对传统的二维卷积网络进行优化，可以有效地减少模型参数、加快运算效率，从而可以在移动端部署这类算法。所述优化例如包括，通过使用多个小卷积核的叠加来达到和大卷积核相同的效果，而使得所使用的参数以指数倍率下降，通过使用深度可分离卷积(depth-wiseseparableconvolution)来替代一般的二维卷积操作，以减少参数数量，等等。

通过如上所述训练的所述预定分类模型例如可进行以下至少一种关于所述图像的分类：是否模糊、是否包括车辆损伤、是否光照充足、以及拍摄角度是否偏斜(如拍摄角度是否是俯拍、斜拍等偏斜角度)、以及拍摄距离是否合适，等等。从而，基于该分类模型的分类结果，可获取图像多个基本属性特征，所述属性特征示出所述图像是否满足预定的车辆定损照片的基本要求。可以理解，所述分类模型执行的对图像的分类不限于上述列出的几种，可根据需要增加相应的分类。

在一个实施例中，可在手机端部署目标检测及分割模型，以用于在手机端对视频流中的车辆的部件和损伤进行检测和分割，从而获取图像的与目标框和目标分割信息相关的语义特征。所述目标检测及分割模型是用于移动端的轻量化的模型，其例如通过mobilenetv2+ssdlite而实现，或者还可以通过mobilenetv2+deeplabv3、maskrcnn等实现。在一个实施例中，所述目标检测及分割模型与上述分类模型包括共用的底层的卷积神经网络。在一个实施例中，所述目标检测及分割模型可通过大量加标注(目标框或分割信息)的车辆损伤图像进行训练获得。其中，在所述训练样本中针对车辆的部件、或损伤区域进行标注，从而可训练出用于针对车辆部件和车辆损伤的目标检测及分割模型。

通过将车辆图像输入例如如上所述训练的目标检测及分割模型，该目标检测及分割模型可自动检测出所述图像中的车辆部件和/或车辆损伤，并在目标位置添加目标框和/或目标分割信息。从而可基于所述目标框和/或目标分割信息，获取图像的语义特征。所述语义特征即与图像各部分对应的目标或内容相关的特征，更具体地，是与目标框和/或目标分割信息相关的特征。例如，所述语义特征包括但不限于以下至少一项：目标框个数、分割类别数、最大目标框的图像占比、以及最大分割类别的图像占比等等。

在一个实施例中，可在手机端部署光流模型，从而通过多个flownet构建帧与帧之间的光流信息。例如，通过flownet1处理第一定损图像(当前输入的图像，例如第t帧图像)，通过flownet2处理第二定损图像(前一次输入的图像，例如第t-1帧图像)，通过融合flownet1与flownet2的输出，从而获得第一定损图像与第二定损图像之间的光流。对于非第一帧的每个当前帧图像，都可以获取与上一帧图像之间的光流，作为当前帧图像的光流特征，对于第一帧图像，可将其与自身的光流作为光流特征。

可将通过如上所述获取的属性特征、语义特征和光流特征中的至少一个特征用于构成图像的特征信息，该特征信息例如为特征向量的形式，从而获取对上述定损图像判定模型的输入。然而，可以理解，图像的特征信息不限于上述多个特征，还可以根据具体业务需要包括其它各种特征，如图像的拍摄位置转换特征等等。

在获取所述多个图像各自的特征信息过程中，为了节省时间，对于每帧从视频流中抽取的图像，可单独地进行：在抽取图像之后紧接着将图像输入上述各个模型，以基本实时地获取该图像的特征信息。从而依据app从视频流获取所述多个图像的先后顺序，先后地获取所述多个图像各自的特征信息。

在步骤s308，通过以所述第一顺序将所述多个图像各自的特征信息先后输入通过图2所示方法训练的定损图像判定模型，分别确定所述多个图像是否为定损图像，其中所述定损图像为用于对所述事故车辆进行定损的图像。

当将如上所述准备的多个特征信息(即特征向量)以第一顺序输入训练好的定损图像判定模型之后，所述模型根据特征向量本身以及特征向量输入的顺序，获取输出值，即预测值，以预测对应的图像是否可用作定损图像。在该计算中，针对排在后面的特征向量的预测结果除了基于该特征向量本身、还基于针对排在前面的特征向量的预测结果计算获得。即，通过该模型输出的与各个特征向量分别对应的多个预测值是有关联性的，而不是独立获取的。

在该说明书实施例中，为了节省模型计算时间，对于每帧从视频流中抽取的图像，可单独进行：在抽取图像之后，紧接着获取该图像的特征信息，并且，在获取特征信息之后，紧接着将该图像的特征信息输入定损图像判定模型。从而依据app从视频流获取所述多个图像的先后顺序，先后地获取所述多个图像各自的特征信息，并先后地将各个特征信息输入定损图像判定模型，从而先后地确定所述多个图像各自是否为定损图像。

例如，所述多个图像中包括第一图像，当确定第一图像为定损图像之后，app将该第一图像上传给服务器，以用于服务器端对该事故车辆的定损结果的确定。app可以在通过如上所述获取该视频流的全部定损图像之后，将这些多个定损图像一起上传，也可以在每次确定一个定损图像之后，上传该单个定损图像。

图4示出根据本说明书实施例的一种训练定损图像判定模型的装置400。所述模型包括循环神经网络，所述装置包括：

获取单元41，配置为，获取以第一顺序排列的多个样本，所述多个样本与多个图像分别对应，其中，所述多个图像先后取自于事故车辆的视频流，其中，每个样本包括对应图像的特征信息、以及对应图像的标签值，所述标签值指示对应图像是否为定损图像，其中，所述定损图像为用于对所述事故车辆进行定损的图像；以及

训练单元42，配置为，使用所述多个样本训练所述模型，以使得相比于训练前，训练后的所述模型的与所述多个样本对应的预测损失函数减小。

图5示出根据本说明书实施例的一种图像处理装置500。所述装置包括：

视频流获取单元51，配置为，获取事故车辆的视频流；

图像获取单元52，配置为，从所述视频流先后获取以第一顺序排列的多个图像；

特征获取单元53，配置为，获取所述多个图像各自的特征信息；以及

确定单元54，配置为，通过以所述第一顺序将所述多个图像各自的特征信息先后输入通过上述模型训练装置训练的定损图像判定模型，分别确定所述多个图像是否为定损图像，其中所述定损图像为用于对所述事故车辆进行定损的图像。

在一个实施例中，所述装置500在移动设备端实施，所述移动设备包括摄像头，其中，所述视频流获取单元51还配置为，根据用户指令，通过所述摄像头采集事故车辆的视频流。

在一个实施例中，在所述图像处理装置中，所述特征获取单元53还配置为，通过以所述第一顺序将所述多个图像先后输入预定分类模型，获取所述多个图像各自的属性特征。

在一个实施例中，在所述图像处理装置中，所述预定分类模型进行以下至少一种关于图像的分类：是否模糊、是否包括车辆损伤、是否光照充足、拍摄角度是否偏斜、以及拍摄距离是否合适。

在一个实施例中，在所述图像处理装置中，所述特征获取单元53还配置为，通过以所述第一顺序将所述多个图像先后输入目标检测及分割模型，获取所述多个图像各自的语义特征。

在一个实施例中，在所述图像处理装置中，所述语义特征包括以下至少一项：目标框个数、分割类别数、最大目标框的图像占比、以及最大分割类别的图像占比。

在一个实施例中，在所述图像处理装置中，所述特征获取单元53还配置为，通过以所述第一顺序将所述多个图像先后输入光流模型，获取所述多个图像各自的光流特征。

在一个实施例中，在所述图像处理装置中，所述多个图像中包括第一图像，其中，所述确定单元54还配置为，确定所述第一图像是否为定损图像，所述装置还包括上传单元55，配置为，在确定所述第一图像为定损图像的情况中，将所述第一图像上传给服务器。

本说明书另一方面还提供一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述任一项模型训练方法和图像处理方法。

通过根据本说明书实施例的图像处理方案，通过在手机端上部署多个特征提取模型，对来自摄像头的图像提取相应的图像特征，将这些特征送入时序模型，以检测该图像是否是可用于定损的关键帧。通过这样的算法流程，可以帮助用户免去拍照的步骤，同时可以获得高质量的鲁邦的定损帧，提供给服务器端的算法以用于定损。从而提升了用户体验，提高了算法精度。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执轨道，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执轨道的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。