CN109146834A - 车辆定损方法及装置、计算机可读存储介质、终端 - Google Patents

Abstract

一种车辆定损方法及装置、计算机可读存储介质、终端，所述方法包括以下步骤：确定定损图片，所述定损图片示出有损坏部件；确定所述定损图片与模板图片的差值，所述模板图片示出有与所述损坏部件匹配的正常部件；根据所述差值确定损坏程度。本发明方案可以通过用户提供的碰撞位置或者损坏部件的照片，准确地确定损坏程度，提高便利性。

Description

车辆定损方法及装置、计算机可读存储介质、终端

技术领域

本发明涉及汽车技术领域，尤其是涉及一种车辆定损方法及装置、计算机可读存储介质、终端。

背景技术

在现有技术中，当发生车辆碰撞或其它形式的损坏时，需要用户或定损员亲自到现场确认损坏程度，效率较低，并且便利性较差。

虽然有的用户会对碰撞位置或者损坏部件进行拍照，进而根据定损照片预判损坏情况。但是，对于碰撞位置或者损坏部件的照片，用户或定损员也只能通过肉眼观察及依赖经验判断损坏程度，准确率较差。

发明内容

本发明解决的技术问题是提供一种车辆定损方法及装置、计算机可读存储介质、终端，可以通过用户提供的碰撞位置或者损坏部件的照片，准确地确定损坏程度，提高便利性。

为解决上述技术问题，本发明实施例提供一种车辆定损方法，包括以下步骤：确定定损图片，所述定损图片示出有损坏部件；确定所述定损图片与模板图片的差值，所述模板图片示出有与所述损坏部件匹配的正常部件；根据所述差值确定损坏程度。

可选的，所述确定定损图片包括：获取用户上传的损坏信息，所述损坏信息包括示出了所述损坏部件的上传图片；从所述上传图片中提取所述定损图片。

可选的，所述损坏信息还包括所述损坏部件在车辆上的位置。

可选的，从所述上传图片中提取所述定损图片包括：从所述上传图片中识别出所述损坏部件；根据识别出的所述损坏部件，从所述上传图片中提取所述定损图片。

可选的，从所述上传图片中识别出所述损坏部件包括：采用图像识别算法从所述上传图片中识别出所述损坏部件。

可选的，从所述上传图片中提取所述定损图片包括：采用图像分割算法从所述上传图片中提取所述定损图片。

可选的，所述图像分割算法包括：基于边缘检测的图像分割算法、基于阈值的图像分割算法或基于区域生长的图像分割算法。

可选的，确定所述定损图片与模板图片的差值包括：采用哈希算法确定所述定损图片与模板图片的差值。

可选的，所述采用哈希算法确定所述定损图片与模板图片的差值包括：所述采用哈希算法确定所述定损图片与模板图片的差值包括：基于所述定损图片的哈希值与所述模板图片的哈希值，确定所述差值。

可选的，为所述定损图片构造哈希值包括：将所述定损图片转换为预设级别的灰度图片，并且划分为预设数目的单元格，每个单元格内具有多个像素点，每个像素点具有灰度值；在每个单元格内，计算所述多个像素点的灰度值的平均值，以作为每个单元格的灰度平均值；基于所述每个单元格的灰度平均值，计算所述预设数目的单元格的总灰度平均值；遍历所述灰度图片的每个单元格，如果所述单元格的灰度平均值大于或等于所述总灰度平均值，所述单元格的记录结果为第一数值，否则为不同于所述第一数值的第二数值；将所述预设数目的单元格的记录结果作为哈希值，所述哈希值的位数与所述预设数目相同。

可选的，在将所述定损图片转为预设级别的灰度图片，并且划分为预设数目的单元格之前，为所述定损图片构造哈希值还包括：缩小所述定损图片的尺寸。

可选的，基于所述定损图片的哈希值与所述模板图片的哈希值，确定所述差值包括：逐位比较所述定损图片与所述模板图片的记录结果，计算记录结果不同的单元格的数目，以作为所述差值。

可选的，根据所述差值确定损坏程度包括：根据所述差值与一个或多个预设阈值的比较结果，判断损坏等级。

可选的，根据所述差值与一个或多个预设阈值的比较结果，判断损坏等级包括：如果所述差值小于第一预设阈值，则判断所述损坏等级为无损坏；如果所述差值大于等于第一预设阈值且小于第二预设阈值，则判断所述损坏等级为轻度损坏；如果所述差值大于等于第二预设阈值且小于第三预设阈值，则判断所述损坏等级为中度损坏；如果所述差值大于等于第三预设阈值且小于第四预设阈值，则判断所述损坏等级为重度损坏；如果所述差值大于等于第四预设阈值，则判断为无效结果；其中，所述第一预设阈值小于所述第二预设阈值，所述第二预设阈值小于所述第三预设阈值，所述第三预设阈值小于所述第四预设阈值。

可选的，所述的车辆定损方法还包括：对于所述损坏部件，查询建议购买信息和/或建议维修信息；向用户发出所述建议购买信息和/或建议维修信息。

为解决上述技术问题，本发明实施例提供一种车辆定损装置，包括：图片确定模块，适于确定定损图片，所述定损图片示出有损坏部件；差值确定模块，适于确定所述定损图片与模板图片的差值，所述模板图片示出有与所述损坏部件匹配的正常部件；损坏确定模块，适于根据所述差值确定损坏程度。

为解决上述技术问题，本发明实施例提供一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述车辆定损方法的步骤。

为解决上述技术问题，本发明实施例提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述车辆定损方法的步骤。

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

在本发明实施例中，确定定损图片，所述定损图片示出有损坏部件；确定所述定损图片与模板图片的差值，所述模板图片示出有与所述损坏部件匹配的正常部件；根据所述差值确定损坏程度。采用上述方案，可以通过用户提供的碰撞位置或者损坏部件的照片，准确地确定出定损图片与模板图片的差值，从而准确地确定损坏程度，提高便利性。

进一步，在本发明实施例中，对于损坏部件，查询并提供购买替换件和/或维修损坏部件的建议，增强便利性和经济性。

附图说明

图1是本发明实施例中一种车辆定损方法的流程图；

图2是图1中步骤S11的一种具体实现方式的流程图；

图3是图2中步骤S22的一种具体实现方式的流程图；

图4是本发明实施例中一种采用哈希算法确定定损图片与模板图片的差值的步骤的流程图；

图5是图4中步骤S41的一种具体实施方式的流程图；

图6是本发明实施例中一种根据差值与一个或多个预设阈值的比较结果，判断损坏等级的步骤的流程图；

图7是本发明实施例中一种车辆定损装置的结构示意图；

图8是图7中图片确定模块71的一种具体实施方式的结构示意图；

图9是图8中提取子模块82的一种具体实施方式的结构示意图；

图10是本发明实施例中一种差值确定子模块的结构示意图；

图11是图10中哈希值构造子模块101的一种具体实施方式的结构示意图；

图12是本发明实施例中一种等级判断子模块的结构示意图。

具体实施方式

在现有技术中，当发生车辆碰撞或其它形式的损坏时，需要用户或定损员亲自到现场确认损坏程度，效率较低，并且便利性较差。虽然有的用户会对碰撞位置或者损坏部件进行拍照，进而根据现场照片预判损坏情况。但是，对于碰撞位置或者损坏部件的照片，用户或定损员也只能通过肉眼观察及依赖经验判断损坏程度，准确率较差。

本发明的发明人经过研究发现，现有技术主要依赖用户或定损员的人工操作，无法通过定损照片准确地判断损坏程度。这是因为，不同用户或不同的定损员具有不同的判断经验和定损技巧，无论在判断的准确性还是定损的精确度方面，人工操作都很难达到机械化自动操作的水平，容易发生判断失误，或是定损不当的问题。

在本发明实施例中，确定定损图片，所述定损图片示出有损坏部件；确定所述定损图片与模板图片的差值，所述模板图片示出有与所述损坏部件匹配的正常部件；根据所述差值确定损坏程度。采用上述方案，可以通过用户提供的碰撞位置或者损坏部件的照片，准确地确定出定损图片与模板图片的差值，从而准确地确定损坏程度，提高便利性。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

参照图1，图1是本发明实施例中一种车辆定损方法的流程图，所述车辆定损方法可以包括

步骤S11：确定定损图片，所述定损图片示出有损坏部件；

步骤S12：确定所述定损图片与模板图片的差值，所述模板图片示出有与所述损坏部件匹配的正常部件；

步骤S13：根据所述差值确定损坏程度。

在步骤S11的具体实施中，可以通过用户上传的信息确定定损图片，所述上传的信息中包含有损坏部件的图片及信息；还可以通过现场对损坏部件进行拍摄得到的图片确定定损图片。所述定损图片应当尽可能地仅显示损坏部件的内容，从而在后续确定定损图片与模板图片的差值时，尽可能地避免非损坏部件的内容干扰。

具体地，参照图2示出的如何确定定损图片的流程图，所述确定定损图片的步骤可以包括步骤S21至步骤S22，以下对各个步骤进行详细说明。

在步骤S21中，获取用户上传的损坏信息，所述损坏信息包括示出了所述损坏部件的上传图片。

在具体实施中，当车辆的某个部件发生碰撞或其它形式的损坏，用户可以利用手机、平板电脑、可穿戴设备等智能终端对损坏部件进行拍摄，还可以采用适当的图像传感器(如照相机、摄像头等)对损坏部件进行拍摄，进而将图像上传。更具体地，可以上传至服务器、云平台、车联网服务器、车联网服务器等。

其中，所述云平台(Cloud Platforms)又称为云计算平台，在本发明实施例中，云平台可以通过用户绑定的智能终端进行信息采集，进而对采集到的信息进行存储、计算。

进一步地，所述损坏信息可以包括示出了所述损坏部件的上传图片，还可以包括所述损坏部件在车辆上的位置。当仅通过上传图片不能准确分辨该损坏部件为哪个部位时，可以根据所述部位进行确认，从而可以更精确地确定所述损坏部件。具体地，例如在上传图片中仅显示了局部损坏的地方，无法基于其识别损坏部件位于车尾还是车门，则需要根据用户上传信息中的位置确定。

更进一步地，所述损坏信息还可以包括车型、车品牌等信息，有利于根据该车型的实际特点，准确判断定损结果。

在步骤S22中，从所述上传图片中提取所述定损图片。

在具体实施中，本发明实施例提供了一种从所述上传图片中提取所述定损图片的方法，其流程图如图3所示。所述提取所述定损图片的方法可以包括步骤S31至步骤S32：

步骤S31：从所述上传图片中识别出所述损坏部件；

步骤S32：根据识别出的所述损坏部件，从所述上传图片中提取所述定损图片。

在步骤S31的具体实施中，可以采用人工识别的方法从所述上传图片中识别出所述损坏部件，还可以采用图像识别算法从所述上传图片中识别出所述损坏部件。

其中，所述图像识别算法用于对图像进行处理、分析和理解，以识别出在各种不同损坏程度下的损坏部件，例如可以包括特征点图像识别算法、基于轮廓识别的图像识别算法等。需要指出的是，在本发明实施例中，对于图像识别算法的具体选用不作限制。

在步骤S32的具体实施中，可以采用人工提取的方法从所述上传图片中提取所述定损图片，还可以采用图像分割算法从所述上传图片中提取所述定损图片。

其中，所述图像分割算法用于将图像分成若干个特定的、具有独特性质的区域，并提取出损坏部件的内容以得到所述定损图片，例如可以包括基于边缘检测的图像分割算法、基于阈值的图像分割算法、基于区域生长的图像分割算法等。

进一步地，基于边缘检测的图像分割算法是较为基本的一种图像分割算法，该算法首先通过边缘检测提取出图像的边缘特征信息，进而基于所述边缘将图像分割成一个或多个区域。其中图像的边缘用于指示该图像中灰度值发生明显变化的地方，代表着图像中图像强度的不连续性。

其中，较为常用的提取图像边缘特征信息的算法包括：Roberts边缘检测算法、Sobel边缘检测算法、拉普拉斯边缘检测算法、Prewitt边缘检测算法、LOG边缘检测算法、Canny边缘检测算法、基于小波变换的边缘检测算法等。

优选地，由于小波变换具有良好的局域性以及多分辨率的特性，基于小波变换的边缘检测算法也较其他几种算法更为有效和准确，提取得到的边缘信息更加丰富。

进一步地，基于阈值的图像分割算法是另一种得到普遍应用的图像分割算法，该算法通过图像的灰度特征计算一个或者多个灰度阈值，并且将所述阈值与图像的每个像素点进行比对，进而根据比对的结果进行图像分割。该算法适用于背景区域的灰度值较为均匀的情况，例如去除车身划痕附近的灰尘痕迹。

基于区域生长的图像分割算法，为将图像当中具有某种相似性质的一些像素点集合起来构成一定的区域，进而将该区域从图片的背景中提取出来。该算法适用于背景区域与损坏部件的图像区域具有较大像素差异的情况，例如去除车身划痕附近的背景花纹。

继续参照图1，在步骤S12的具体实施中，确定模板图片，所述模板图片示出有与所述损坏部件匹配的正常部件，进而确定所述定损图片与模板图片的差值。

具体地，所述模板图片可以是提前设置的正常部件的图片，应当尽可能地仅显示该正常部件的内容，从而在确定定损图片与模板图片的差值时，尽可能地避免部件周边的内容干扰。

进一步地，可以采用哈希(hash)算法确定所述定损图片与模板图片的差值，还可以通过其它方式确定所述定损图片与模板图片的差值，例如通过人为判断方式。

本发明实施例提供了一种采用哈希算法确定所述定损图片与模板图片的差值的方法，如图4所示，所述方法可以包括步骤S41至步骤S42，以下对各个步骤进行详细说明。

在步骤S41中，为所述定损图片构造哈希值，所述哈希值的位数与所述模板图片的哈希值的位数相同。

在具体实施中，可以预先对模板图片构造哈希值，从而提高效率，可以理解的是，为定损图片构造的哈希值位数应当与模板图片的哈希值的位数相同，从而通过逐位计算，有效地确定定损图片和模板图片的差值。

参照图5示出的为所述定损图片构造哈希值的流程图，可以包括步骤S51至步骤S56，以下对各个步骤进行详细说明。

在步骤S51中，将所述定损图片转换为预设级别的灰度图片，并且划分为预设数目的单元格，每个单元格内具有多个像素点，每个像素点具有灰度值。

在具体实施中，通过将定损图片从彩色图片转换为灰度图片，可以简化色彩，从而降低对定损图片和模板图片的差值进行运算的复杂度。所述灰度又称为色阶、灰阶或中间色调(Half-tone)，用于指示亮度的明暗程度，主要包括16级、32级、64级。所述灰度级别越高，所述灰度图片的颜色越丰富。

其中，作为非限制性的例子，可以设置预设级别为64级，定损图片中的所有像素点总共有64种颜色，即每个像素点的灰度值为0至63之间的数值。

本领域技术人员应当理解，在不脱离本发明的精神和范围内，还可以直接采用彩色图片进行分析，不限于转换为灰度图片。

通过将定损图片划分为预设数目的单元格，可以基于每个单元格，在更小区域范围内对定损图片与模板图片进行比较，进而整合每个单元格的比较结果，以得到完整的比较结果，相比于直接将定损图片与模板图片进行比较，结果更加准确。

可以理解的是，单元格的数目越多，比较的结果越准确，但是需要耗费的计算时长越长。进一步地，由于哈希值的位数有划分的单元格的数目确定，对定损图片划分的单元格数目应当与对模板图片划分的单元格数目相同，从而通过逐位计算，有效地确定定损图片和模板图片的差值。

作为非限制性的例子，可以设置预设数目为64个单元格，以得到64位的哈希值。

在步骤S52中，在每个单元格内，计算所述多个像素点的灰度值的平均值，以作为每个单元格的灰度平均值。

在步骤S53中，基于所述每个单元格的灰度平均值，计算所述预设数目的单元格的总灰度平均值。

在具体实施中，经过计算可以获得每个单元格的灰度平均值以及所有64个单元格的总灰度平均值。

在步骤S54中，遍历所述灰度图片的每个单元格，如果所述单元格的灰度平均值大于或等于所述总灰度平均值，所述单元格的记录结果为第一数值，否则为不同于所述第一数值的第二数值。

在具体实施中，可以将每个单元格的灰度平均值，与总灰度平均值进行比较。如果一个单元格的灰度平均值大于或等于总灰度平均值，则记为第一数值，如果小于总灰度平均值，则记为第二数值。从而用第一数值和第二数值体现每个单元格的颜色深于或浅于所述灰度图片的平均颜色。

作为一个非限制性的例子，可以设置所述第一数值为1，所述第二数值为0，或者可以设置所述第一数值为0，所述第二数值为1。

在步骤S55中，将所述预设数目的单元格的记录结果作为哈希值，所述哈希值的位数与所述预设数目相同。

在具体实施中，可以将在步骤S54中得到的64个单元格的记录结果进行组合，以构成了64位的整数，也即该灰度图片的哈希值，又称为该灰度图片的指纹。

进一步地，在采用步骤S51将所述定损图片转为预设级别的灰度图片，并且划分为预设数目的单元格之前，还包括步骤S56：缩小所述定损图片的尺寸。

具体地，通过缩小图片，可以减少图片中的像素数量，从而提高运算效率。

可以理解的是，对图片进行放大、缩小或者改变纵横比，并不会改变所述哈希值，进一步地，增加或减少亮度、对比度或者改变颜色，也不会使所述哈希值发生较大的改变。

继续参照图4，在步骤S42中，基于所述定损图片的哈希值与所述模板图片的哈希值，确定所述差值。

具体地，可以通过逐位比较所述定损图片与所述模板图片的记录结果，计算记录结果不同的单元格的数目，以作为所述差值。

更具体地，可以通过对比定损图片与所述模板图片，判断每张图片的64位中有多少位的数值不同，并且将所述不同数值的位数作为所述差值。上述判断过程在理论上等同于计算“汉明距离”。

可以理解的是，所述差值越大，两张图片之间的差异越大，所述差值越小，两张图片之间的差异越小。

继续参照图1，在步骤S13的具体实施中，根据所述差值确定损坏程度可以包括根据所述差值与一个或多个预设阈值的比较结果，判断损坏等级。

图6是本发明实施例中一种根据差值与一个或多个预设阈值的比较结果，判断损坏等级的步骤的流程图，可以包括步骤S61至步骤S65：

步骤S61：如果所述差值小于第一预设阈值，则判断所述损坏等级为无损坏；

步骤S62：如果所述差值大于等于第一预设阈值且小于第二预设阈值，则判断所述损坏等级为轻度损坏；

步骤S63：如果所述差值大于等于第二预设阈值且小于第三预设阈值，则判断所述损坏等级为中度损坏；

步骤S64：如果所述差值大于等于第三预设阈值且小于第四预设阈值，则判断所述损坏等级为重度损坏；

步骤S65：如果所述差值大于等于第四预设阈值，则判断为无效结果。

其中，所述第一预设阈值小于所述第二预设阈值，所述第二预设阈值小于所述第三预设阈值，所述第三预设阈值小于所述第四预设阈值。

作为一个非限制性的例子，可以设置所述第一预设阈值为5，所述第二预设阈值为15，所述第三预设阈值为30，所述第四预设阈值为40。

具体而言，当两张图片的64位中仅有少于5位的数值不同时，表示定损图片与模板图片非常相似，则可以判断所述损坏等级为无损坏；当两张图片的64位中存在5位至15位的数值不同时，表示定损图片与模板图片存在少许不同，则可以判断所述损坏等级为轻度损坏；当两张图片的64位中存在15位至30位的数值不同时，表示定损图片与模板图片存在众多不同，则可以判断所述损坏等级为中度损坏；当两张图片的64位中存在30位至45位的数值不同时，表示定损图片与模板图片存在大量不同，则可以判断所述损坏等级为重度损坏；当两张图片的64位中存在45位以上的数值不同时，表示定损图片与模板图片几乎完全不同，从而推断两张图片示出的可能并非同一部位，进而可以判断为无效结果。

在本发明实施例中，可以通过用户提供的碰撞位置或者损坏部件的照片，准确地确定出定损图片与模板图片的差值，从而准确地确定损坏程度，提高便利性。

进一步地，所述车辆定损方法还包括：对于所述损坏部件，查询建议购买信息和/或建议维修信息；向用户发出所述建议购买信息和/或建议维修信息。

在现有的损坏部件处理方法中，用户的选择通常为传统4S店、其他实体维修点、电商、O2O平台等，由于信息不透明，容易在价格、假冒产品、维修频次以及维修地点上受到欺骗，例如在损坏轻微时被建议替换新部件，或者从厂家正牌维修网点更换至较小或非正规的维修网点。

在本发明实施例中，可以通过云平台服务器对车联网、车辆内多种器件的参数及数据、正规品牌零部件的参数及数据与电商平台进行信息整合，从而更加准确、可靠地查询并提供建议购买信息和/或建议维修信息。

采用本发明实施例的方案，对于需要维修的部件，可以提供如何购买该部件的替换件和/或如何维修该部件原件的建议信息，从而增强车辆使用的便利性和经济性。

本发明实施例还提供一种车辆定损装置，其结构示意图参照图7。所述车辆定损装置可以包括图片确定模块71、差值确定模块72、损坏确定模块73、查询模块74以及发出模块75。

其中，所述图片确定模块71，适于确定定损图片，所述定损图片示出有损坏部件；

所述差值确定模块72，适于确定所述定损图片与模板图片的差值，所述模板图片示出有与所述损坏部件匹配的正常部件；

所述损坏确定模块73，适于根据所述差值确定损坏程度。

所述查询模块74，适于对于所述损坏部件，查询建议购买信息和/或建议维修信息；

所述发出模块75，适于向用户发出所述建议购买信息和/或建议维修信息。

参照图8示出的图片确定模块71的一种具体实施方式的结构示意图，所述图片确定模块71可以包括信息获取子模块81以及提取子模块82。

其中，所述信息获取子模块81，适于获取用户上传的损坏信息，所述损坏信息包括示出了所述损坏部件的上传图片；

所述提取子模块82，适于从所述上传图片中提取所述定损图片。

进一步地，所述损坏信息还包括所述损坏部件在车辆上的位置。

参照图9示出的所述提取子模块82的一种具体实施方式的结构示意图，所述提取子模块82可以包括识别子模块91以及图片提取子模块92。

其中，所述识别子模块91，适于从所述上传图片中识别出所述损坏部件；

所述图片提取子模块92，适于根据识别出的所述损坏部件，从所述上传图片中提取所述定损图片。

进一步地，所述识别子模块91可以包括第一识别子模块(图未示)，适于采用图像识别算法从所述上传图片中识别出所述损坏部件。

所述图片提取子模块92可以包括第一图片提取子模块(图未示)，适于采用图像分割算法从所述上传图片中提取所述定损图片。

其中，所述图像分割算法可以包括：基于边缘检测的图像分割算法、基于阈值的图像分割算法或基于区域生长的图像分割算法。

进一步地，所述差值确定模块72可以包括差值确定子模块(图未示)，适于采用哈希算法确定所述定损图片与模板图片的差值。

所述差值确定子模块的结构示意图可以参照图10，所述差值确定子模块可以包括哈希值构造子模块101以及第一差值确定子模块102。

其中，所述哈希值构造子模块101，适于为所述定损图片构造哈希值，所述哈希值的位数与所述模板图片的哈希值的位数相同；

所述第一差值确定子模块102，适于基于所述定损图片的哈希值与所述模板图片的哈希值，确定所述差值。

图11是图10中哈希值构造子模块101的一种具体实施方式的结构示意图，所述哈希值构造子模块101可以包括：图片转换子模块111、平均值计算子模块112、总平均值计算子模块113、遍历子模块114、第一哈希值构造子模块115以及缩小子模块116。

其中，所述图片转换子模块111，适于将所述定损图片转换为预设级别的灰度图片，并且划分为预设数目的单元格，每个单元格内具有多个像素点，每个像素点具有灰度值；

所述平均值计算子模块112，适于在每个单元格内，计算所述多个像素点的灰度值的平均值，以作为每个单元格的灰度平均值；

所述总平均值计算子模块113，适于基于所述每个单元格的灰度平均值，计算所述预设数目的单元格的总灰度平均值；

所述遍历子模块114，适于遍历所述灰度图片的每个单元格，如果所述单元格的灰度平均值大于或等于所述总灰度平均值，所述单元格的记录结果为第一数值，否则为不同于所述第一数值的第二数值；

所述第一哈希值构造子模块115，适于将所述预设数目的单元格的记录结果作为哈希值，所述哈希值的位数与所述预设数目相同。

所述缩小子模块116，适于在所述图片转换子模块将所述定损图片转为预设级别的灰度图片，并且划分为预设数目的单元格之前，缩小所述定损图片的尺寸。

进一步地，所述第一差值确定子模块102可以包括：数目计算子模块(图未示)，适于逐位比较所述定损图片与所述模板图片的记录结果，计算记录结果不同的单元格的数目，以作为所述差值。

所述损坏确定子模块73可以包括等级判断子模块(图未示)，适于根据所述差值与一个或多个预设阈值的比较结果，判断损坏等级。

图12是本发明实施例中一种等级判断子模块的结构示意图，所述等级判断子模块可以包括：第一等级判断子模块121、第二等级判断子模块122、第三等级判断子模块123、第四等级判断子模块124以及第五等级判断子模块125。

其中，所述第一等级判断子模块121，适于当所述差值小于第一预设阈值时，判断所述损坏等级为无损坏；

所述第二等级判断子模块122，适于当所述差值大于等于第一预设阈值且小于第二预设阈值时，判断所述损坏等级为轻度损坏；

所述第三等级判断子模块123，适于当所述差值大于等于第二预设阈值且小于第三预设阈值时，判断所述损坏等级为中度损坏；

所述第四等级判断子模块124，适于当所述差值大于等于第三预设阈值且小于第四预设阈值时，判断所述损坏等级为重度损坏；

所述第五等级判断子模块125，适于当所述差值大于等于第四预设阈值时，判断为无效结果；

其中，所述第一预设阈值小于所述第二预设阈值，所述第二预设阈值小于所述第三预设阈值，所述第三预设阈值小于所述第四预设阈值。

更进一步地，所述车辆定损装置还包括查询模块(图未示)和发出模块(图未示)。

其中，所述查询模块，适于对于所述损坏部件，查询建议购买信息和/或建议维修信息；

所述发出模块，适于向用户发出所述建议购买信息和/或建议维修信息。

关于该车辆定损装置的更多详细内容请参照前文及图1至图6示出的关于车辆定损方法的相关描述，此处不再赘述。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述车辆定损方法的步骤。所述计算机可读存储介质可以是光盘、机械硬盘、固态硬盘等。

本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述车辆定损方法的步骤。

在具体实施中，所述终端可以是车辆、智能终端、云平台、车联网服务器、物联网服务器等。其中，所述智能终端可以外部耦接于车辆，或者集成在所述车辆中，例如为车辆的行车电脑。

其中，所述云平台(Cloud Platforms)又称为云计算平台，在本发明实施例中，云平台可以通过用户绑定的智能终端进行信息采集，进而对采集到的信息进行存储、计算。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (32)

1.一种车辆定损方法，其特征在于，包括以下步骤：

确定定损图片，所述定损图片示出有损坏部件；

确定所述定损图片与模板图片的差值，所述模板图片示出有与所述损坏部件匹配的正常部件；

根据所述差值确定损坏程度。

2.根据权利要求1所述的车辆定损方法，其特征在于，所述确定定损图片包括：

获取用户上传的损坏信息，所述损坏信息包括示出了所述损坏部件的上传图片；

从所述上传图片中提取所述定损图片。

3.根据权利要求2所述的车辆定损方法，其特征在于，所述损坏信息还包括所述损坏部件在车辆上的位置。

4.根据权利要求2所述的车辆定损方法，其特征在于，从所述上传图片中提取所述定损图片包括：

从所述上传图片中识别出所述损坏部件；

根据识别出的所述损坏部件，从所述上传图片中提取所述定损图片。

5.根据权利要求4所述的车辆定损方法，其特征在于，从所述上传图片中识别出所述损坏部件包括：

采用图像识别算法从所述上传图片中识别出所述损坏部件。

6.根据权利要求4所述的车辆定损方法，其特征在于，从所述上传图片中提取所述定损图片包括：

采用图像分割算法从所述上传图片中提取所述定损图片。

7.根据权利要求6所述的车辆定损方法，其特征在于，所述图像分割算法包括：基于边缘检测的图像分割算法、基于阈值的图像分割算法或基于区域生长的图像分割算法。

8.根据权利要求1所述的车辆定损方法，其特征在于，确定所述定损图片与模板图片的差值包括：

采用哈希算法确定所述定损图片与模板图片的差值。

9.根据权利要求8所述的车辆定损方法，其特征在于，所述采用哈希算法确定所述定损图片与模板图片的差值包括：

为所述定损图片构造哈希值，所述哈希值的位数与所述模板图片的哈希值的位数相同；

基于所述定损图片的哈希值与所述模板图片的哈希值，确定所述差值。

10.根据权利要求9所述的车辆定损方法，其特征在于，为所述定损图片构造哈希值包括：

将所述定损图片转换为预设级别的灰度图片，并且划分为预设数目的单元格，每个单元格内具有多个像素点，每个像素点具有灰度值；

在每个单元格内，计算所述多个像素点的灰度值的平均值，以作为每个单元格的灰度平均值；

基于所述每个单元格的灰度平均值，计算所述预设数目的单元格的总灰度平均值；

遍历所述灰度图片的每个单元格，如果所述单元格的灰度平均值大于或等于所述总灰度平均值，所述单元格的记录结果为第一数值，否则为不同于所述第一数值的第二数值；

将所述预设数目的单元格的记录结果作为哈希值，所述哈希值的位数与所述预设数目相同。

11.根据权利要求10所述的车辆定损方法，其特征在于，在将所述定损图片转为预设级别的灰度图片，并且划分为预设数目的单元格之前，为所述定损图片构造哈希值还包括：

缩小所述定损图片的尺寸。

12.根据权利要求9所述的车辆定损方法，其特征在于，基于所述定损图片的哈希值与所述模板图片的哈希值，确定所述差值包括：

逐位比较所述定损图片与所述模板图片的记录结果，计算记录结果不同的单元格的数目，以作为所述差值。

13.根据权利要求1所述的车辆定损方法，其特征在于，根据所述差值确定损坏程度包括：

根据所述差值与一个或多个预设阈值的比较结果，判断损坏等级。

14.根据权利要求13所述的车辆定损方法，其特征在于，根据所述差值与一个或多个预设阈值的比较结果，判断损坏等级包括：

如果所述差值小于第一预设阈值，则判断所述损坏等级为无损坏；

如果所述差值大于等于第一预设阈值且小于第二预设阈值，则判断所述损坏等级为轻度损坏；

如果所述差值大于等于第二预设阈值且小于第三预设阈值，则判断所述损坏等级为中度损坏；

如果所述差值大于等于第三预设阈值且小于第四预设阈值，则判断所述损坏等级为重度损坏；

如果所述差值大于等于第四预设阈值，则判断为无效结果；

其中，所述第一预设阈值小于所述第二预设阈值，所述第二预设阈值小于所述第三预设阈值，所述第三预设阈值小于所述第四预设阈值。

15.根据权利要求1所述的车辆定损方法，其特征在于，还包括：

对于所述损坏部件，查询建议购买信息和/或建议维修信息；

向用户发出所述建议购买信息和/或建议维修信息。

16.一种车辆定损装置，其特征在于，包括：

图片确定模块，适于确定定损图片，所述定损图片示出有损坏部件；

差值确定模块，适于确定所述定损图片与模板图片的差值，所述模板图片示出有与所述损坏部件匹配的正常部件；

损坏确定模块，适于根据所述差值确定损坏程度。

17.根据权利要求16所述的车辆定损装置，其特征在于，所述图片确定模块包括：

信息获取子模块，适于获取用户上传的损坏信息，所述损坏信息包括示出了所述损坏部件的上传图片；

提取子模块，适于从所述上传图片中提取所述定损图片。

18.根据权利要求17所述的车辆定损装置，其特征在于，所述损坏信息还包括所述损坏部件在车辆上的位置。

19.根据权利要求17所述的车辆定损装置，其特征在于，所述提取子模块包括：

识别子模块，适于从所述上传图片中识别出所述损坏部件；

图片提取子模块，适于根据识别出的所述损坏部件，从所述上传图片中提取所述定损图片。

20.根据权利要求19所述的车辆定损装置，其特征在于，所述识别子模块包括：

第一识别子模块，适于采用图像识别算法从所述上传图片中识别出所述损坏部件。

21.根据权利要求19所述的车辆定损装置，其特征在于，所述图片提取子模块包括：

第一图片提取子模块，适于采用图像分割算法从所述上传图片中提取所述定损图片。

22.根据权利要求21所述的车辆定损装置，其特征在于，所述图像分割算法包括：基于边缘检测的图像分割算法、基于阈值的图像分割算法或基于区域生长的图像分割算法。

23.根据权利要求16所述的车辆定损装置，其特征在于，所述差值确定模块包括：

差值确定子模块，适于采用哈希算法确定所述定损图片与模板图片的差值。

24.根据权利要求23所述的车辆定损装置，其特征在于，所述差值确定子模块包括：

哈希值构造子模块，适于为所述定损图片构造哈希值，所述哈希值的位数与所述模板图片的哈希值的位数相同；

第一差值确定子模块，适于基于所述定损图片的哈希值与所述模板图片的哈希值，确定所述差值。

25.根据权利要求24所述的车辆定损装置，其特征在于，所述哈希值构造子模块包括：

图片转换子模块，适于将所述定损图片转换为预设级别的灰度图片，并且划分为预设数目的单元格，每个单元格内具有多个像素点，每个像素点具有灰度值；

平均值计算子模块，适于在每个单元格内，计算所述多个像素点的灰度值的平均值，以作为每个单元格的灰度平均值；

总平均值计算子模块，适于基于所述每个单元格的灰度平均值，计算所述预设数目的单元格的总灰度平均值；

遍历子模块，适于遍历所述灰度图片的每个单元格，如果所述单元格的灰度平均值大于或等于所述总灰度平均值，所述单元格的记录结果为第一数值，否则为不同于所述第一数值的第二数值；

第一哈希值构造子模块，适于将所述预设数目的单元格的记录结果作为哈希值，所述哈希值的位数与所述预设数目相同。

26.根据权利要求25所述的车辆定损装置，其特征在于，所述哈希值构造子模块还包括：

缩小子模块，适于在所述图片转换子模块将所述定损图片转为预设级别的灰度图片，并且划分为预设数目的单元格之前，缩小所述定损图片的尺寸。

27.根据权利要求24所述的车辆定损装置，其特征在于，所述第一差值确定子模块包括：

数目计算子模块，适于逐位比较所述定损图片与所述模板图片的记录结果，计算记录结果不同的单元格的数目，以作为所述差值。

28.根据权利要求16所述的车辆定损装置，其特征在于，所述损坏确定子模块包括：

等级判断子模块，适于根据所述差值与一个或多个预设阈值的比较结果，判断损坏等级。

29.根据权利要求28所述的车辆定损装置，其特征在于，所述等级判断子模块包括：

第一等级判断子模块，适于当所述差值小于第一预设阈值时，判断所述损坏等级为无损坏；

第二等级判断子模块，适于当所述差值大于等于第一预设阈值且小于第二预设阈值时，判断所述损坏等级为轻度损坏；

第三等级判断子模块，适于当所述差值大于等于第二预设阈值且小于第三预设阈值时，判断所述损坏等级为中度损坏；

第四等级判断子模块，适于当所述差值大于等于第三预设阈值且小于第四预设阈值时，判断所述损坏等级为重度损坏；

第五等级判断子模块，适于当所述差值大于等于第四预设阈值时，判断为无效结果；

其中，所述第一预设阈值小于所述第二预设阈值，所述第二预设阈值小于所述第三预设阈值，所述第三预设阈值小于所述第四预设阈值。

30.根据权利要求16所述的车辆定损装置，其特征在于，还包括：

查询模块，适于对于所述损坏部件，查询建议购买信息和/或建议维修信息；

发出模块，适于向用户发出所述建议购买信息和/或建议维修信息。

31.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至15任一项所述车辆定损方法的步骤。

32.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至15任一项所述车辆定损方法的步骤。