电子装置、车祸现场全景图像展示方法和存储介质与流程

本发明涉及图片处理技术领域，特别涉及一种电子装置、车祸现场全景图像展示方法和存储介质。

背景技术：

目前，对于车祸事件的理赔通常是基于事故现场照片的基础上做出的，事故现场照片是不可或缺的证据。而获取事故现场照片的现有方式是：由用户或者车险理赔人员拍摄事故场景照片，同时拍摄几张事故车辆周边的照片。这种事故现场照片作为证据，清晰而有说服力，不可替代。

然而，在实际车险理赔业务处理过程中，出现了许多有争议的车险理赔的情形，这种争议通常源于车祸场景描述不够直观，结合事故照片无法客观、准确的还原真实的场景。近年来随着vr(虚拟现实)技术的飞速发展，为重建车祸场景提供了重要技术支持。

目前，将vr(虚拟现实)技术运用于车险理赔场景的方案通常是对事故现场照片进行手动拼接，即：拍摄人员用价格高昂的全景相机在实景进行拍摄，获取了图像以后，后期处理团队进行手动拼接，并最后用photoshop渲染。不可否认，这样做的精确性较高，但一则成本太高，二则实时性太差，不能达到真实的车险业务需求。

技术实现要素：

本发明的主要目的是提供一种电子装置、车祸现场全景图像展示方法及存储介质，旨在提升车险理赔场景的车祸现场照片的拼接效率，并降低成本。

为实现上述目的，本发明提出的电子装置包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的车祸现场全景图像展示系统，所述车祸现场全景图像展示系统被所述处理器执行时实现如下步骤：

在收到一个车险理赔场景的车祸现场照片文件包后，提取每张车祸现场照片的预设类型特征点，并找出每个所述特征点的第一预设数量距离最近的邻近点，每个特征点与其第一预设数量距离最近的邻近点为一个特征点集合；

逐一选择车祸现场照片，在一张车祸现场照片被选择后，基于所有车祸现场照片对应的特征点集合，并根据预先确定的筛选规则筛选出与该选择的车祸现场照片关联的其他车祸现场照片；

将筛选出的其他车祸现场照片分别与该选择的车祸现场照片进行两两分组，采用预设类型算法分别计算出各个所述分组中的车祸现场照片对应的单应矩阵；

基于各个所述分组对应的单应矩阵，计算出各个所述分组对应的照片匹配置信度，将置信度最高的分组中的其他车祸现场照片作为该选择的车祸现场照片的匹配照片，所述置信度最高的分组中的其他车祸现场照片与该选择的车祸现场照片为一个匹配照片对；

根据各个匹配照片对中各个车祸现场照片的特征点集合，确定各个匹配照片对中各个车祸现场照片的拍摄顺序和拼接部位；

根据确定的各个车祸现场照片的拍摄顺序和拼接部位，对各个匹配照片对中的各个车祸现场照片进行拼接。

优选地，所述预设类型特征点为rootsift特征点，针对一个车祸现场照片，提取该车祸现场照片的预设类型特征点的步骤包括：

(1)通过高斯滤波以及高斯差分构建该车祸现场照片的尺度空间；

(2)检测所述尺度空间的极值点，检测到的极值点成为关键点；

(3)拟合一个三维的二次函数来确定关键点的位置和尺度；

(4)利用关键点领域像素的梯度方向分布特性，为每个关键点指定方向参数，生成一个多维的方向参数向量，并生成描述算子；

(5)用sift表示该方向参数向量，并采用预设的计算公式将sift变换成rootsift，该rootsift也是一个多维的向量，该预设的计算公式为：rootsift＝sqrt(sift/sum(sift)，sqrt代表平方根函数。

优选地，所述预先确定的筛选规则为：

分别确定各个其他车祸现场照片的特征点集合中，与该选择的车祸现场照片的特征点集合相同的匹配特征点集合的数量；

若一个其他车祸现场照片对应的匹配特征点集合的数量大于第二预设数量，则确定该其他车祸现场照片与该选择的车祸现场照片相关联；

若一个其他车祸现场照片对应的匹配特征点集合的数量小于或者等于第二预设数量，则确定该其他车祸现场照片与该选择的车祸现场照片不相关联。

优选地，所述根据确定的各个车祸现场照片的拍摄顺序和拼接部位，对各个匹配照片对中的各个车祸现场照片进行拼接的步骤包括：

对各个匹配照片对中的各个车祸现场照片通过光束平差算法计算出预设类型图片调整参数；

通过多带融合法对各个匹配照片对中各个车祸现场照片的图像色差进行调整；

将色差调整后的各个匹配照片对中的各个车祸现场照片，根据对应的拍摄顺序、拼接部位和图片调整参数进行拼接。

本发明还提出一种车祸现场全景图像展示方法，该方法包括步骤：

在收到一个车险理赔场景的车祸现场照片文件包后，提取每张车祸现场照片的预设类型特征点，并找出每个所述特征点的第一预设数量距离最近的邻近点，每个特征点与其第一预设数量距离最近的邻近点为一个特征点集合；

逐一选择车祸现场照片，在一张车祸现场照片被选择后，基于所有车祸现场照片对应的特征点集合，并根据预先确定的筛选规则筛选出与该选择的车祸现场照片关联的其他车祸现场照片；

将筛选出的其他车祸现场照片分别与该选择的车祸现场照片进行两两分组，采用预设类型算法分别计算出各个所述分组中的车祸现场照片对应的单应矩阵；

基于各个所述分组对应的单应矩阵，计算出各个所述分组对应的照片匹配置信度，将置信度最高的分组中的其他车祸现场照片作为该选择的车祸现场照片的匹配照片，所述置信度最高的分组中的其他车祸现场照片与该选择的车祸现场照片为一个匹配照片对；

根据各个匹配照片对中各个车祸现场照片的特征点集合，确定各个匹配照片对中各个车祸现场照片的拍摄顺序和拼接部位；

根据确定的各个车祸现场照片的拍摄顺序和拼接部位，对各个匹配照片对中的各个车祸现场照片进行拼接。

优选地，所述预设类型特征点为rootsift特征点，针对一个车祸现场照片，提取该车祸现场照片的预设类型特征点的步骤包括：

(1)通过高斯滤波以及高斯差分构建该车祸现场照片的尺度空间；

(2)检测所述尺度空间的极值点，检测到的极值点成为关键点；

(3)拟合一个三维的二次函数来确定关键点的位置和尺度；

(4)利用关键点领域像素的梯度方向分布特性，为每个关键点指定方向参数，生成一个多维的方向参数向量，并生成描述算子；

(5)用sift表示该方向参数向量，并采用预设的计算公式将sift变换成rootsift，该rootsift也是一个多维的向量，该预设的计算公式为：rootsift＝sqrt(sift/sum(sift)，sqrt代表平方根函数。

优选地，所述预先确定的筛选规则为：

分别确定各个其他车祸现场照片的特征点集合中，与该选择的车祸现场照片的特征点集合相同的匹配特征点集合的数量；

若一个其他车祸现场照片对应的匹配特征点集合的数量大于第二预设数量，则确定该其他车祸现场照片与该选择的车祸现场照片相关联；

若一个其他车祸现场照片对应的匹配特征点集合的数量小于或者等于第二预设数量，则确定该其他车祸现场照片与该选择的车祸现场照片不相关联。

优选地，所述根据确定的各个车祸现场照片的拍摄顺序和拼接部位，对各个匹配照片对中的各个车祸现场照片进行拼接的步骤包括：

对各个匹配照片对中的各个车祸现场照片通过光束平差算法计算出预设类型图片调整参数；

通过多带融合法对各个匹配照片对中各个车祸现场照片的图像色差进行调整；

将色差调整后的各个匹配照片对中的各个车祸现场照片，根据对应的拍摄顺序、拼接部位和图片调整参数进行拼接。

本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有车祸现场全景图像展示系统，所述车祸现场全景图像展示系统可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：

在收到一个车险理赔场景的车祸现场照片文件包后，提取每张车祸现场照片的预设类型特征点，并找出每个所述特征点的第一预设数量距离最近的邻近点，每个特征点与其第一预设数量距离最近的邻近点为一个特征点集合；

逐一选择车祸现场照片，在一张车祸现场照片被选择后，基于所有车祸现场照片对应的特征点集合，并根据预先确定的筛选规则筛选出与该选择的车祸现场照片关联的其他车祸现场照片；

将筛选出的其他车祸现场照片分别与该选择的车祸现场照片进行两两分组，采用预设类型算法分别计算出各个所述分组中的车祸现场照片对应的单应矩阵；

基于各个所述分组对应的单应矩阵，计算出各个所述分组对应的照片匹配置信度，将置信度最高的分组中的其他车祸现场照片作为该选择的车祸现场照片的匹配照片，所述置信度最高的分组中的其他车祸现场照片与该选择的车祸现场照片为一个匹配照片对；

根据各个匹配照片对中各个车祸现场照片的特征点集合，确定各个匹配照片对中各个车祸现场照片的拍摄顺序和拼接部位；

根据确定的各个车祸现场照片的拍摄顺序和拼接部位，对各个匹配照片对中的各个车祸现场照片进行拼接。

优选地，所述根据确定的各个车祸现场照片的拍摄顺序和拼接部位，对各个匹配照片对中的各个车祸现场照片进行拼接的步骤包括：

对各个匹配照片对中的各个车祸现场照片通过光束平差算法计算出预设类型图片调整参数；

通过多带融合法对各个匹配照片对中各个车祸现场照片的图像色差进行调整；

将色差调整后的各个匹配照片对中的各个车祸现场照片，根据对应的拍摄顺序、拼接部位和图片调整参数进行拼接。

本发明技术方案，系统在接收到一个车险理赔场景的车祸现场照片文件包后，提取每张车祸现场照片的预设类型特征点，并确定每张车祸现场照片的特征点集合；再逐一的选择车祸现场照片进行处理，根据各个车祸现场照片的特征点集合，采用预设的筛选规则筛选出该选择的车祸现场照片关联的其他车祸现场照片，如此找出每一张车祸现场照片关联的其他车祸现场照片；针对每一张选择的车祸现场照片，将该选择的车祸现场照片逐一的与其关联的其他车祸现场照片进行两两分组，计算出各个分组对应的单应矩阵，再根据各个分组对应的单应矩阵计算出各个所述分组对应的照片匹配置信度，将置信度最高的分组中的其他车祸现场照片与该选择的车祸现场照片成为一个匹配照片对，如此得到各个选择的车祸现场照片对应的匹配照片对；接着根据各个匹配照片对中各个车祸现场照片的特征点集合，确定各个匹配照片对中各个车祸现场照片的拍摄顺序和拼接部位，依据确定的各个车祸现场照片的拍摄顺序和拼接部位对各个车祸现场照片进行拼接，如此即可得到车祸现场的全景图像进行展示。本方案通过系统在接收到险理赔场景的车祸现场照片文件包后，全自动的完成对车后现场照片文件包的所有车祸现场照片的拼接处理，并快速得出车祸现场的全景图像；相较于现有技术通过人工拼接照片而言，效率大幅提升，保证了对车险理赔业务处理的实时性，并且降低了人力成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明车祸现场全景图像展示方法一实施例的流程示意图；

图2为本发明车祸现场全景图像展示方法二实施例的流程示意图；

图3为本发明车祸现场全景图像展示系统一实施例的运行环境示意图；

图4为本发明车祸现场全景图像展示系统一实施例的程序模块图；

图5为本发明车祸现场全景图像展示系统一实施例的程序模块图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，图1为本发明车祸现场全景图像展示方法一实施例的流程示意图。

本实施例中，该车祸现场全景图像展示方法包括：

步骤s10，在收到一个车险理赔场景的车祸现场照片文件包后，提取每张车祸现场照片的预设类型特征点，并找出每个所述特征点的第一预设数量距离最近的邻近点，每个特征点与其第一预设数量距离最近的邻近点为一个特征点集合；

本实施例中，一个车险理赔场景的车祸现场照片文件包包括了通过全景相机拍摄的车祸现场的一整套照片。系统在接收到一个车祸现场照片文件包后，首先提取所有车祸现场照片中的预设类型特征点(例如rootsift特征点)，然后针对每一张车祸现场照片的每一个特征点，找出与该特征点的距离(例如欧式距离)最近的第一预设数量(例如4个)的邻近点，该特征点与其第一预设数量距离最近的邻近点组成为一个特征点集合，如此，以确定出每一张车祸现场照片的所有特征点集合。本实施例中，在提取了每一张车祸现场照片的预设类型特征点后，可以计算出每一张车祸现场照片的所有特征点两两之间的距离(例如欧氏距离)，从而确定每一个特征点的第一预设数量的距离最近的邻近点。

步骤s20，逐一选择车祸现场照片，在一张车祸现场照片被选择后，基于所有车祸现场照片对应的特征点集合，并根据预先确定的筛选规则筛选出与该选择的车祸现场照片关联的其他车祸现场照片；

在得到所有车祸现场照片的特征点集合后，系统逐一选择车祸现场照片进行处理；在选择一个车祸现场照片后，基于各个车祸现场照片对应的特征点集合，并依据预先确定的筛选规则筛选出与该选择的车祸现场照片关联的其他车祸现场照片，该其他车祸现场照片即除去被选择的车祸现场照片外的剩余车祸现场照片。

步骤s30，将筛选出的其他车祸现场照片分别与该选择的车祸现场照片进行两两分组，采用预设类型算法分别计算出各个所述分组中的车祸现场照片对应的单应矩阵；

在筛选得到与该选择的车祸现场照片关联的其他车祸现场照片后，将筛选出的各个其他车祸现场照片分别与该选择的车祸现场照片进行两两分组，即筛选出的每张其他车祸现场照片都与该选择的车祸现场照片进行一次组合形成一个分组；再通过预设类型算法分别计算出各个分组中的车祸现场照片对应的单应矩阵。本实施例中，该预设类型算法优选采用ransac(randomsampleconsensus，随机抽样一致)算法。

步骤s40，基于各个所述分组对应的单应矩阵，计算出各个所述分组对应的照片匹配置信度，将置信度最高的分组中的其他车祸现场照片作为该选择的车祸现场照片的匹配照片，所述置信度最高的分组中的其他车祸现场照片与该选择的车祸现场照片为一个匹配照片对；

本实施例中，各个分组对应的照片匹配置信度的通过以下方式计算：一个分组的单应矩阵计算出来之后，该分组中的两张照片(即该选择的车祸现场照片与其关联的一张其他车祸现场照片)的重叠区域可以通过单应变换找出来，单应矩阵用ransac算法来估算，ransac算法过程可以返回一组内点(即匹配点)，计算出该内点在两张照片的重叠区域中所占百分比即为该两张照片的匹配置信度。在得到各个分组的照片匹配置信度之后，取置信度最高的分组中的其他车祸现场照片作为该选择的车祸现场照片的匹配照片，该选择的车祸现场照片与其匹配照片为一个匹配照片对；本实施例中置信度最高的分组可能只有一个，也可能有多个，即多个分组的照片匹配置信度相同。

步骤s50，根据各个匹配照片对中各个车祸现场照片的特征点集合，确定各个匹配照片对中各个车祸现场照片的拍摄顺序和拼接部位；

在经过步骤s20、s30和s40的处理，找出所有车祸现场照片的匹配照片(即得到所有车祸现场照片的匹配照片对)后，系统根据各个匹配照片对中各个车祸现场照片的特征点集合，确定出每一个匹配照片对中的各个车祸现场照片的拼接部位及拍摄顺序。例如，可以通过各个匹配照片对的单应矩阵确定各个匹配照片对中各个照片的拍摄顺序和拼接部位。

步骤s60，根据确定的各个车祸现场照片的拍摄顺序和拼接部位，对各个匹配照片对中的各个车祸现场照片进行拼接。

确定出各个匹配照片对的各个车祸现场照片的拍摄顺序和拼接部位后，依据各个车祸现场照片的拍摄顺序和拼接部位，对各个匹配照片对中的各个车祸现场照片进行拼接，从而得到车祸现场的全景画面。

本实施例技术方案，系统在接收到一个车险理赔场景的车祸现场照片文件包后，提取每张车祸现场照片的预设类型特征点，并确定每张车祸现场照片的特征点集合；再逐一的选择车祸现场照片进行处理，根据各个车祸现场照片的特征点集合，采用预设的筛选规则筛选出该选择的车祸现场照片关联的其他车祸现场照片，如此找出每一张车祸现场照片关联的其他车祸现场照片；针对每一张选择的车祸现场照片，将该选择的车祸现场照片逐一的与其关联的其他车祸现场照片进行两两分组，计算出各个分组对应的单应矩阵，再根据各个分组对应的单应矩阵计算出各个所述分组对应的照片匹配置信度，将置信度最高的分组中的其他车祸现场照片与该选择的车祸现场照片成为一个匹配照片对，如此得到各个选择的车祸现场照片对应的匹配照片对；接着根据各个匹配照片对中各个车祸现场照片的特征点集合，确定各个匹配照片对中各个车祸现场照片的拍摄顺序和拼接部位，依据确定的各个车祸现场照片的拍摄顺序和拼接部位对各个车祸现场照片进行拼接，如此即可得到车祸现场的全景图像进行展示。本方案通过系统在接收到险理赔场景的车祸现场照片文件包后，全自动的完成对车后现场照片文件包的所有车祸现场照片的拼接处理，并快速得出车祸现场的全景图像；相较于现有技术通过人工拼接照片而言，效率大幅提升，保证了对车险理赔业务处理的实时性，并且降低了人力成本。

优选地，本实施例的所述预设类型特征点为rootsift特征点，针对一个车祸现场照片，提取该车祸现场照片的预设类型特征点的步骤包括：

(1)通过高斯滤波以及高斯差分构建该车祸现场照片的尺度空间，该尺度空间即dog(differenceofgaussian)空间；

(2)检测所述尺度空间的极值点，检测到的极值点成为关键点，也是潜在的特征点；

(3)拟合一个三维的二次函数来确定关键点的位置和尺度；

(4)利用关键点领域像素的梯度方向分布特性，为每个关键点指定方向参数，生成一个多维(例如128维)的方向参数向量，并生成描述算子；

(5)用sift表示该方向参数向量，并采用预设的计算公式将sift变换成rootsift，该rootsift也是一个多维的向量，该预设的计算公式为：rootsift＝sqrt(sift/sum(sift)，sqrt代表平方根函数。

进一步地，本实施例中，所述预先确定的筛选规则为：

分别确定各个其他车祸现场照片的特征点集合中，与该选择的车祸现场照片的特征点集合相同的匹配特征点集合的数量；

将各个其他车祸现场照片分别与该选择的车祸现场照片进行比对；每张其他车祸现场照片与该选择的车祸现场照片的比对为：将该其他车祸现场照片中的特征点集合去与该选择的车祸现场照片的特征点集合进行比较，找出与该选择的车祸现场照片的特征点集合相同的特征点集合(即匹配特征点集合)，分别统计各个其他车祸现场照片的匹配特征点集合的数量。

若一个其他车祸现场照片对应的匹配特征点集合的数量大于第二预设数量，则确定该其他车祸现场照片与该选择的车祸现场照片相关联；

其他车祸现场照片的匹配特征点集合的数量越多，则说明该其他车祸现场照片与该选择的车祸现场照片存在的相同区域越多。第二预设数量为系统预设的作为判定其他车祸现场照片是否与该选择的车祸现场照片关联的阈值，例如，第二预设数量为4个；当一个其他车祸现场照片对应的匹配特征点集合的数量大于该第二预设数量，系统则判定该其他车祸现场照片不符合该选择的车祸现场照片的关联照片要求，确定该其他车祸现场照片为该选择的车祸现场照片的关联照片。

若一个其他车祸现场照片对应的匹配特征点集合的数量小于或者等于第二预设数量，则确定该其他车祸现场照片与该选择的车祸现场照片不相关联。

当一个其他车祸现场照片对应的匹配特征集合的数量小于或等于该第二预设数量时，系统则判定该其他车祸现场照片不符合该选择的车祸现场照片的关联照片要求，将该其他车祸现场照片确定为与该选择的车祸现场照片不关联。

当然，上述方案仅仅是本实施例优选的预先确定的筛选规则；在其它实施例中，还可采取其它的筛选规则，例如，将匹配特征集合数量的前预设名对应的其他车祸现场照片判定为该选择的车祸现场照片的关联照片，等等。

如图2所示，图2为本发明车祸现场全景图像展示方法一实施例的流程示意图。本实施例基于一实施例，在本实施例车祸现场全景图像展示方法中，所述步骤s60包括：

步骤s61，对各个匹配照片对中的各个车祸现场照片通过第一预设算法计算出预设类型图片调整参数；

所述第一预设算法可以为光束平差算法或其它相似算法。通过第一预设算法分别计算出各个匹配对中的各个车祸现场照片的预设类型图片调整参数；所述预设类型图片调整参数包括预设类型旋转矩阵(例如，三个欧拉角的旋转矩阵)和相机焦距。

步骤s62，通过第二预设算法对各个匹配照片对中各个车祸现场照片的图像色差进行调整；

所述第二预设算法可以为多带融合法(multi-bandblending)，所述多带融合法包括：首先找出重叠区域，然后构建图像拉普拉斯金字塔，所述金字塔是降采样生成的，降采样指的是：一张图有很多像素，等间距采样，生成新的图。多带融合法就是不仅仅对图像本身操作，还要对图像金字塔里的图操作，最后把这些金字塔里的图，通过扩展和叠加两种操作，生成一张融合好的图片。

步骤s63，将色差调整后的各个匹配照片对中的各个车祸现场照片，根据对应的拍摄顺序、拼接部位和图片调整参数进行拼接。

将色差调整后的所有车祸现场照片根据各个车祸现场照片的拍摄顺序、各个车祸现场照片的拼接部位以及各个车祸现场照片对应的图片调整参数，将各个车祸现场照片进行拼接，拼接后则得到车祸现场的全景图像。

此外，本发明还提出一种车祸现场全景图像展示系统。

请参阅图3，是本发明车祸现场全景图像展示系统10较佳实施例的运行环境示意图。

在本实施例中，车祸现场全景图像展示系统10安装并运行于电子装置1中。电子装置1可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置1可包括，但不仅限于，存储器11、处理器12及显示器13。图3仅示出了具有组件11-13的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

存储器11在一些实施例中可以是电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。存储器11在另一些实施例中也可以是电子装置1的外部存储设备，例如电子装置1上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，存储器11还可以既包括电子装置1的内部存储单元也包括外部存储设备。存储器11用于存储安装于电子装置1的应用软件及各类数据，例如车祸现场全景图像展示系统10的程序代码等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。

处理器12在一些实施例中可以是一中央处理器(centralprocessingunit,cpu)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行车祸现场全景图像展示系统10等。

显示器13在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面，例如业务定制界面等。电子装置1的部件11-13通过系统总线相互通信。

请参阅图4，是本发明车祸现场全景图像展示系统10一实施例的程序模块图。在本实施例中，车祸现场全景图像展示系统10可以被分割成一个或多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行，以完成本发明。例如，在图4中，车祸现场全景图像展示系统10可以被分割成提取模块101、筛选模块102、第一计算模块103、第二计算模块104、确定模块105及拼接模块106。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述车祸现场全景图像展示系统10在电子装置1中的执行过程，其中：

提取模块101，用于在收到一个车险理赔场景的车祸现场照片文件包后，提取每张车祸现场照片的预设类型特征点，并找出每个所述特征点的第一预设数量距离最近的邻近点，每个特征点与其第一预设数量距离最近的邻近点为一个特征点集合；

本实施例中，一个车险理赔场景的车祸现场照片文件包包括了通过全景相机拍摄的车祸现场的一整套照片。系统在接收到一个车祸现场照片文件包后，首先提取所有车祸现场照片中的预设类型特征点(例如rootsift特征点)，然后针对每一张车祸现场照片的每一个特征点，找出与该特征点的距离(例如欧式距离)最近的第一预设数量(例如4个)的邻近点，该特征点与其第一预设数量距离最近的邻近点组成为一个特征点集合，如此，以确定出每一张车祸现场照片的所有特征点集合。本实施例中，在提取了每一张车祸现场照片的预设类型特征点后，可以计算出每一张车祸现场照片的所有特征点两两之间的距离(例如欧氏距离)，从而确定每一个特征点的第一预设数量的距离最近的邻近点。

筛选模块102，用于逐一选择车祸现场照片，在一张车祸现场照片被选择后，基于所有车祸现场照片对应的特征点集合，并根据预先确定的筛选规则筛选出与该选择的车祸现场照片关联的其他车祸现场照片；

在得到所有车祸现场照片的特征点集合后，系统逐一选择车祸现场照片进行处理；在选择一个车祸现场照片后，基于各个车祸现场照片对应的特征点集合，并依据预先确定的筛选规则筛选出与该选择的车祸现场照片关联的其他车祸现场照片，该其他车祸现场照片即除去被选择的车祸现场照片外的剩余车祸现场照片。

第一计算模块103，用于将筛选出的其他车祸现场照片分别与该选择的车祸现场照片进行两两分组，采用预设类型算法分别计算出各个所述分组中的车祸现场照片对应的单应矩阵；

在筛选得到与该选择的车祸现场照片关联的其他车祸现场照片后，将筛选出的各个其他车祸现场照片分别与该选择的车祸现场照片进行两两分组，即筛选出的每张其他车祸现场照片都与该选择的车祸现场照片进行一次组合形成一个分组；再通过预设类型算法分别计算出各个分组中的车祸现场照片对应的单应矩阵。本实施例中，该预设类型算法优选采用ransac(randomsampleconsensus，随机抽样一致)算法。

第二计算模块104，用于基于各个所述分组对应的单应矩阵，计算出各个所述分组对应的照片匹配置信度，将置信度最高的分组中的其他车祸现场照片作为该选择的车祸现场照片的匹配照片，所述置信度最高的分组中的其他车祸现场照片与该选择的车祸现场照片为一个匹配照片对；

本实施例中，各个分组对应的照片匹配置信度的通过以下方式计算：一个分组的单应矩阵计算出来之后，该分组中的两张照片(即该选择的车祸现场照片与其关联的一张其他车祸现场照片)的重叠区域可以通过单应变换找出来，单应矩阵用ransac算法来估算，ransac算法过程可以返回一组内点(即匹配点)，计算出该内点在两张照片的重叠区域中所占百分比即为该两张照片的匹配置信度。在得到各个分组的照片匹配置信度之后，取置信度最高的分组中的其他车祸现场照片作为该选择的车祸现场照片的匹配照片，该选择的车祸现场照片与其匹配照片为一个匹配照片对；本实施例中置信度最高的分组可能只有一个，也可能有多个，即多个分组的照片匹配置信度相同。

确定模块105，用于根据各个匹配照片对中各个车祸现场照片的特征点集合，确定各个匹配照片对中各个车祸现场照片的拍摄顺序和拼接部位；

在经过筛选模块102、第一计算模块104和第二计算模块105的处理，找出所有车祸现场照片的匹配照片(即得到所有车祸现场照片的匹配照片对)后，系统根据各个匹配照片对中各个车祸现场照片的特征点集合，确定出每一个匹配照片对中的各个车祸现场照片的拼接部位及拍摄顺序。例如，可以通过各个匹配照片对的单应矩阵确定各个匹配照片对中各个照片的拍摄顺序和拼接部位。

拼接模块106，用于根据确定的各个车祸现场照片的拍摄顺序和拼接部位，对各个匹配照片对中的各个车祸现场照片进行拼接。

确定出各个匹配照片对的各个车祸现场照片的拍摄顺序和拼接部位后，依据各个车祸现场照片的拍摄顺序和拼接部位，对各个匹配照片对中的各个车祸现场照片进行拼接，从而得到车祸现场的全景画面。

本实施例技术方案，系统在接收到一个车险理赔场景的车祸现场照片文件包后，提取每张车祸现场照片的预设类型特征点，并确定每张车祸现场照片的特征点集合；再逐一的选择车祸现场照片进行处理，根据各个车祸现场照片的特征点集合，采用预设的筛选规则筛选出该选择的车祸现场照片关联的其他车祸现场照片，如此找出每一张车祸现场照片关联的其他车祸现场照片；针对每一张选择的车祸现场照片，将该选择的车祸现场照片逐一的与其关联的其他车祸现场照片进行两两分组，计算出各个分组对应的单应矩阵，再根据各个分组对应的单应矩阵计算出各个所述分组对应的照片匹配置信度，将置信度最高的分组中的其他车祸现场照片与该选择的车祸现场照片成为一个匹配照片对，如此得到各个选择的车祸现场照片对应的匹配照片对；接着根据各个匹配照片对中各个车祸现场照片的特征点集合，确定各个匹配照片对中各个车祸现场照片的拍摄顺序和拼接部位，依据确定的各个车祸现场照片的拍摄顺序和拼接部位对各个车祸现场照片进行拼接，如此即可得到车祸现场的全景图像进行展示。本方案通过系统在接收到险理赔场景的车祸现场照片文件包后，全自动的完成对车后现场照片文件包的所有车祸现场照片的拼接处理，并快速得出车祸现场的全景图像；相较于现有技术通过人工拼接照片而言，效率大幅提升，保证了对车险理赔业务处理的实时性，并且降低了人力成本。

优选地，本实施例的所述预设类型特征点为rootsift特征点，针对一个车祸现场照片，提取该车祸现场照片的预设类型特征点的方式如下：

(1)通过高斯滤波以及高斯差分构建该车祸现场照片的尺度空间，该尺度空间即dog(differenceofgaussian)空间；

(2)检测所述尺度空间的极值点，检测到的极值点成为关键点，也是潜在的特征点；

(3)拟合一个三维的二次函数来确定关键点的位置和尺度；

(4)利用关键点领域像素的梯度方向分布特性，为每个关键点指定方向参数，生成一个多维(例如128维)的方向参数向量，并生成描述算子；

(5)用sift表示该方向参数向量，并采用预设的计算公式将sift变换成rootsift，该rootsift也是一个多维的向量，该预设的计算公式为：rootsift＝sqrt(sift/sum(sift)，sqrt代表平方根函数。

优选地，本实施例中，所述预先确定的筛选规则为：

分别确定各个其他车祸现场照片的特征点集合中，与该选择的车祸现场照片的特征点集合相同的匹配特征点集合的数量；

将各个其他车祸现场照片分别与该选择的车祸现场照片进行比对；每张其他车祸现场照片与该选择的车祸现场照片的比对为：将该其他车祸现场照片中的特征点集合去与该选择的车祸现场照片的特征点集合进行比较，找出与该选择的车祸现场照片的特征点集合相同的特征点集合(即匹配特征点集合)，分别统计各个其他车祸现场照片的匹配特征点集合的数量。

若一个其他车祸现场照片对应的匹配特征点集合的数量大于第二预设数量，则确定该其他车祸现场照片与该选择的车祸现场照片相关联；

其他车祸现场照片的匹配特征点集合的数量越多，则说明该其他车祸现场照片与该选择的车祸现场照片存在的相同区域越多。第二预设数量为系统预设的作为判定其他车祸现场照片是否与该选择的车祸现场照片关联的阈值，例如，第二预设数量为4个；当一个其他车祸现场照片对应的匹配特征点集合的数量大于该第二预设数量，系统则判定该其他车祸现场照片不符合该选择的车祸现场照片的关联照片要求，确定该其他车祸现场照片为该选择的车祸现场照片的关联照片。

若一个其他车祸现场照片对应的匹配特征点集合的数量小于或者等于第二预设数量，则确定该其他车祸现场照片与该选择的车祸现场照片不相关联。

当一个其他车祸现场照片对应的匹配特征集合的数量小于或等于该第二预设数量时，系统则判定该其他车祸现场照片不符合该选择的车祸现场照片的关联照片要求，将该其他车祸现场照片确定为与该选择的车祸现场照片不关联。

当然，上述方案仅仅是本实施例优选的预先确定的筛选规则；在其它实施例中，还可采取其它的筛选规则，例如，将匹配特征集合数量的前预设名对应的其他车祸现场照片判定为该选择的车祸现场照片的关联照片，等等。

如图5所示，图5为本发明车祸现场全景图像展示系统二实施例的程序模块图。本实施例中，所述拼接模块106包括：

参数确定子模块1061，用于对各个匹配照片对中的各个车祸现场照片通过第一预设算法计算出预设类型图片调整参数；

所述第一预设算法可以为光束平差算法或其它相似算法。通过第一预设算法分别计算出各个匹配对中的各个车祸现场照片的预设类型图片调整参数；所述预设类型图片调整参数包括预设类型旋转矩阵(例如，三个欧拉角的旋转矩阵)和相机焦距。

调整子模块1062，用于通过第二预设算法对各个匹配照片对中各个车祸现场照片的图像色差进行调整；

所述第二预设算法可以为多带融合法(multi-bandblending)，所述多带融合法包括：首先找出重叠区域，然后构建图像拉普拉斯金字塔，所述金字塔是降采样生成的，降采样指的是：一张图有很多像素，等间距采样，生成新的图。多带融合法就是不仅仅对图像本身操作，还要对图像金字塔里的图操作，最后把这些金字塔里的图，通过扩展和叠加两种操作，生成一张融合好的图片。

拼接子模块1063，用于将色差调整后的各个匹配照片对中的各个车祸现场照片，根据对应的拍摄顺序、拼接部位和图片调整参数进行拼接。

将色差调整后的所有车祸现场照片根据各个车祸现场照片的拍摄顺序、各个车祸现场照片的拼接部位以及各个车祸现场照片对应的图片调整参数，将各个车祸现场照片进行拼接，拼接后则得到车祸现场的全景图像。

进一步地，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有车祸现场全景图像展示系统，所述车祸现场全景图像展示系统可被至少一个处理器执行，以使所述至少一个处理器执行上述任一实施例中的车祸现场全景图像展示方法。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。