CN107292749A - 车损证件照片的分类方法、系统及可读存储介质 - Google Patents

Abstract

本发明公开了一种车损证件照片的分类方法、系统及可读存储介质，该方法包括：接收车险投保人上传的身份信息和证件照片，利用预设类型模型识别出各个证件照片对应的第一照片类别名，并生成与身份信息对应的第一照片类别名列表，第一照片类别名列表中包括识别出的各个第一照片类别名，各个第一照片类别名与对应的证件照片关联映射；在收到理赔终端发出的带有车险理赔人的身份信息的证件照片调取指令后，查找与车险理赔人的身份信息对应的第一照片类别名列表；若找到对应的第一照片类别名列表，将找到的第一照片类别名列表反馈给理赔终端。本发明不仅提高了理赔人员的工作效率，而且准确率更高。

Description

车损证件照片的分类方法、系统及可读存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种车损证件照片的分类方法、系统及可读存储介质。

背景技术

目前，在车险领域，车险理赔系统中存在大量各类车险投保人的证件照片，如身份证照片、银行卡照片、驾驶证照片等。理赔人员在查看或审核理赔申请时，需要核实这些证件照片并与系统中已有记录作对比，进行风险控制。然而，车险理赔系统中的大量各类证件照片往往是混合存储在一起，例如，身份证反面照片、身份证正面照片、身份证反面复印件影像档、驾驶证主页照片、驾驶证副页照片、驾驶证主页复印件影像档等混合在一起，而没有进行分类，使得理赔人员需要在众多图片中寻找各类证件照片进行查看或核验，不仅降低了理赔人员的工作效率，而且准确率低下，带来了潜在的理赔出错风险。

发明内容

本发明的主要目的在于提供一种车损证件照片的分类方法、系统及可读存储介质，旨在提高理赔人员的工作效率及车损理赔的准确率。

为实现上述目的，本发明提供的一种电子装置，所述电子装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车损证件照片的分类系统，所述车损证件照片的分类系统被所述处理器执行时实现如下步骤：

A、接收车险投保人上传的身份信息和证件照片，利用训练的预设类型模型识别出各个所述证件照片对应的第一照片类别名，并生成与所述身份信息对应的第一照片类别名列表，所述第一照片类别名列表中包括识别出的各个第一照片类别名，各个所述第一照片类别名与对应的证件照片关联映射；

B、在收到理赔终端发出的带有车险理赔人的身份信息的证件照片调取指令后，查找与该车险理赔人的身份信息对应的第一照片类别名列表；

C、若找到对应的第一照片类别名列表，则将找到的第一照片类别名列表反馈给该理赔终端，以供理赔人员基于找到的第一照片类别名列表调取出各个照片类别名关联映射的证件照片。

优选地，所述处理器还用于执行所述车损证件照片的分类系统，以实现以下步骤：

若收到该理赔终端发送来的对找到的第一照片类别名列表中照片类别名的选择指令，则调取出与所述选择指令对应的照片类别名相关联映射的证件照片，并将调取出的证件照片反馈给该理赔终端。

优选地，在所述步骤A之后，所述处理器还用于执行所述车损证件照片的分类系统，以实现以下步骤：

接收车险投保人上传的身份信息和证件照片，利用训练的预设类型模型识别出各个所述证件照片对应的第二照片类别名；

查找与该身份信息对应的第一照片类别名列表；

若找到对应的第一照片类别名列表，则将第一照片类别名列表中的第一照片类别名与识别出的第二照片类别名进行匹配关联，并基于关联结果生成第二照片类别名列表，所述第二照片类别名列表中包括第一照片类别名列表中的第一照片类别名，及识别出的第二照片类别名，各个所述第二照片类别名与对应的证件照片关联映射。

优选地，所述处理器还用于执行所述车损证件照片的分类系统，以实现以下步骤：

将匹配关联的第一照片类别名和第二照片类别名置于同一显示行或者显示列显示。

优选地，所述预设类型模型为卷积神经网络区域模型，所述预设类型模型的训练过程如下：

S1、为每一个预设照片类别准备预设数量的标注有对应的照片类别名的证件照片样本；

S2、将每一个预设照片类别对应的证件照片样本分为第一比例的训练子集和第二比例的验证子集，将各个训练子集中的照片样本进行混合以得到训练集，并将各个验证子集中的照片样本进行混合以得到验证集；

S3、利用所述训练集训练所述预设类型模型；

S4、利用所述验证集验证训练的所述预设类型模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加每一个预设照片类别对应的证件照片样本的数量，并重新执行步骤S2、S3、S4。

此外，为实现上述目的，本发明还提供一种车损证件照片的分类方法，应用于电子装置，所述方法包括：

A、接收车险投保人上传的身份信息和证件照片，利用训练的预设类型模型识别出各个所述证件照片对应的第一照片类别名，并生成与所述身份信息对应的第一照片类别名列表，所述第一照片类别名列表中包括识别出的各个第一照片类别名，各个所述第一照片类别名与对应的证件照片关联映射；

B、在收到理赔终端发出的带有车险理赔人的身份信息的证件照片调取指令后，查找与该车险理赔人的身份信息对应的第一照片类别名列表；

C、若找到对应的第一照片类别名列表，则将找到的第一照片类别名列表反馈给该理赔终端，以供理赔人员基于找到的第一照片类别名列表调取出各个照片类别名关联映射的证件照片。

优选地，该方法还包括：

若收到该理赔终端发送来的对找到的第一照片类别名列表中照片类别名的选择指令，则调取出与所述选择指令对应的照片类别名相关联映射的证件照片，并将调取出的证件照片反馈给该理赔终端。

优选地，在所述步骤A之后，还包括：

接收车险投保人上传的身份信息和证件照片，利用训练的预设类型模型识别出各个所述证件照片对应的第二照片类别名；

查找与该身份信息对应的第一照片类别名列表；

若找到对应的第一照片类别名列表，则将第一照片类别名列表中的第一照片类别名与识别出的第二照片类别名进行匹配关联，并基于关联结果生成第二照片类别名列表，所述第二照片类别名列表中包括第一照片类别名列表中的第一照片类别名，及识别出的第二照片类别名，各个所述第二照片类别名与对应的证件照片关联映射。

优选地，所述预设类型模型为卷积神经网络区域模型，所述预设类型模型的训练过程如下：

S1、为每一个预设照片类别准备预设数量的标注有对应的照片类别名的证件照片样本；

S2、将每一个预设照片类别对应的证件照片样本分为第一比例的训练子集和第二比例的验证子集，将各个训练子集中的照片样本进行混合以得到训练集，并将各个验证子集中的照片样本进行混合以得到验证集；

S3、利用所述训练集训练所述预设类型模型；

S4、利用所述验证集验证训练的所述预设类型模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加每一个预设照片类别对应的证件照片样本的数量，并重新执行步骤S2、S3、S4。

进一步地，为实现上述目的，本发明还提供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损证件照片的分类系统，所述车损证件照片的分类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上述的车损证件照片的分类方法的步骤。

本发明提出的车损证件照片的分类方法、系统及可读存储介质，在车险投保人进行投保时，利用训练的预设类型模型识别出车险投保人提供的各个证件照片对应的第一照片类别名，并生成与车险投保人的身份信息对应的第一照片类别名列表，该第一照片类别名列表中各个第一照片类别名与对应的证件照片关联映射；在理赔终端发出证件照片调取指令后，可根据车险理赔人的身份信息找到对应的第一照片类别名列表，理赔人员即可基于第一照片类别名列表调取出各个照片类别名关联映射的证件照片，而无需理赔人员人工在众多图片中寻找各类证件照片，实现了车损证件照片的自动分类，不仅提高了理赔人员的工作效率，而且准确率更高。

附图说明

图1为本发明车损证件照片的分类系统10较佳实施例的运行环境示意图；

图2为本发明车损证件照片的分类系统一实施例的功能模块示意图；

图3为本发明车损证件照片的分类系统另一实施例的功能模块示意图；

图4为本发明车损证件照片的分类方法一实施例的流程示意图。

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

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种车损证件照片的分类系统。请参阅图1，是本发明车损证件照片的分类系统10较佳实施例的运行环境示意图。

在本实施例中，所述的车损证件照片的分类系统10安装并运行于电子装置1中。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1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。

所述存储器11为至少一种类型的可读计算机存储介质，在一些实施例中存储器11可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。所述存储器11在另一些实施例中存储器11也可以是所述电子装置1的外部存储设备，例如所述电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括所述电子装置1的内部存储单元也包括外部存储设备。所述存储器11用于存储安装于所述电子装置1的应用软件及各类数据，例如所述车损证件照片的分类系统10的程序代码等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器11中存储的程序代码或处理数据，例如执行所述车损证件照片的分类系统10等。

所述显示器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(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器13用于显示在所述电子装置1中处理的信息以及用于显示可视化的用户界面，例如车险投保人投保时发送的身份信息和证件照片、理赔终端发出的待审核的车险理赔人的身份信息和证件照片等。所述电子装置1的部件11-13通过系统总线相互通信。

请参阅图2，是本发明车损证件照片的分类系统10较佳实施例的功能模块图。在本实施例中，所述的车损证件照片的分类系统10可以被分割成一个或多个模块，所述一个或者多个模块被存储于所述存储器11中，并由一个或多个处理器(本实施例为所述处理器12)所执行，以完成本发明。例如，在图2中，所述的车损证件照片的分类系统10可以被分割成识别模块01、查找模块02及反馈模块03。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所述车损证件照片的分类系统10在所述电子装置1中的执行过程。以下描述将具体介绍所述识别模块01、查找模块02及反馈模块03的功能。

识别模块01，用于接收车险投保人上传的身份信息和证件照片，利用训练的预设类型模型识别出各个所述证件照片对应的第一照片类别名，并生成与所述身份信息对应的第一照片类别名列表，所述第一照片类别名列表中包括识别出的各个第一照片类别名，各个所述第一照片类别名与对应的证件照片关联映射。

本实施例中，车损证件照片的分类系统可以接收车险投保人发出的带有车险投保人的身份信息(例如，身份证号码等)和证件照片(例如，身份证反面照片、身份证正面照片、身份证反面复印件影像档、驾驶证主页照片、驾驶证副页照片、驾驶证主页复印件影像档等)的投保请求，例如，接收用户在手机、平板电脑、自助终端设备等终端中预先安装的客户端上发送来的投保请求，或接收用户在手机、平板电脑、自助终端设备等终端中的浏览器系统上发送来的投保请求，如用户可在客户端或浏览器提供的界面上输入车险投保人的身份信息，并上传相关的证件照片后，向车损证件照片的分类系统发出投保请求。

车损证件照片的分类系统在收到带有车险投保人的身份信息和证件照片的投保请求后，利用训练的预设类型模型识别出各个所述证件照片对应的第一照片类别名(例如，身份证反面、身份证正面、身份证反面复印件、驾驶证主页、驾驶证副页、驾驶证主页复印件等名称)。其中，该预设类型模型可预先通过对大量不同照片类别的样本图片进行标注，并针对不同照片类别的样本图片进行识别来不断进行训练、学习、验证、优化等，以将其训练成能准确识别出不同照片类别名的模型。例如，该预设类型模型可采用深度卷积神经网络模型(Convolutional Neural Network，CNN)模型等。

利用训练的预设类型模型识别出各个所述证件照片对应的第一照片类别名后，可生成与车险投保人的身份信息对应的第一照片类别名列表，所述第一照片类别名列表中包括识别出的各个第一照片类别名，其中，所述第一照片类别名列表中的各个第一照片类别名与对应的证件照片关联映射，即所述第一照片类别名列表中在各个第一照片类别名与对应的证件照片之间建立有映射关联的关系。例如，在所述第一照片类别名列表中，各个所述第一照片类别名后生成有对应的照片调取选项，点击所述照片调取选项即可调取出对应的证件照片；或者，各个所述第一照片类别名显示区域含有对应的证件照片的链接地址，点击所述第一照片类别名，即可直接调取出所点击的第一照片类别名对应的证件照片。

查找模块02，用于在收到理赔终端发出的带有车险理赔人的身份信息(例如，身份证号码等)的证件照片调取指令后，查找与该车险理赔人的身份信息对应的第一照片类别名列表。

反馈模块03，用于若找到对应的第一照片类别名列表，则将找到的第一照片类别名列表反馈给该理赔终端，以供理赔人员基于找到的第一照片类别名列表调取出各个照片类别名关联映射的证件照片。例如，在所述第一照片类别名列表中，各个所述第一照片类别名后生成有对应的照片调取选项，将找到的第一照片类别名列表反馈给理赔终端后，理赔人员只需根据当前需调取的照片类别名在所述第一照片类别名列表中点击对应照片类别名的照片调取选项即可调取出对应的证件照片。或者，各个所述第一照片类别名显示区域含有对应的证件照片的链接地址，理赔人员只需点击所述第一照片类别名列表中当前需调取的照片类别名，即可自动调取出所点击的照片类别名对应的证件照片。

本实施例中在车险投保人进行投保时，利用训练的预设类型模型识别出车险投保人提供的各个证件照片对应的第一照片类别名，并生成与车险投保人的身份信息对应的第一照片类别名列表，该第一照片类别名列表中各个第一照片类别名与对应的证件照片关联映射；在理赔终端发出证件照片调取指令后，可根据车险理赔人的身份信息找到对应的第一照片类别名列表，理赔人员即可基于第一照片类别名列表调取出各个照片类别名关联映射的证件照片，而无需理赔人员人工在众多图片中寻找各类证件照片，实现了车损证件照片的自动分类，不仅提高了理赔人员的工作效率，而且准确率更高，降低了理赔出错的风险。

优选地，上述反馈模块03还用于：

若收到该理赔终端发送来的对找到的第一照片类别名列表中照片类别名的选择指令，则调取出与所述选择指令对应的照片类别名相关联映射的证件照片，并将调取出的证件照片反馈给该理赔终端。例如，在所述第一照片类别名列表中，各个所述第一照片类别名后生成有对应的照片调取选项，点击所述照片调取选项即为向对应的照片类别名发出选择指令；或者，各个所述第一照片类别名显示区域含有对应的证件照片的链接地址，点击所述第一照片类别名即为向所述第一照片类别名发出选择指令。在收到理赔终端发送来的对找到的第一照片类别名列表中照片类别名的选择指令后，即可找出与选择的照片类别名相关联映射的证件照片，并将找出的证件照片作为调取出的证件照片反馈给该理赔终端。

如图3所示，本发明另一实施例提出一种车损证件照片的分类系统，在上述实施例的基础上，还包括匹配关联模块04，其中：

所述识别模块01还用于：

接收车险理赔人上传的身份信息(例如，身份证号码)和证件照片(例如，身份证反面照片、身份证正面照片、身份证反面复印件影像档、驾驶证主页照片、驾驶证副页照片、驾驶证主页复印件影像档等)，利用训练的预设类型模型识别出各个所述证件照片对应的第二照片类别名。

所述查找模块02还用于：

查找与该身份信息对应的第一照片类别名列表。

所述匹配关联模块04还用于：

若找到对应的第一照片类别名列表，则将第一照片类别名列表中的第一照片类别名与识别出的第二照片类别名进行匹配关联，例如，若有识别出的第二照片类别名与一个第一照片类别名相同，则将该第二照片类别名与该第一照片类别名进行关联，或者，若有识别出的第二照片类别名与一个第一照片类别名属于预设的关联类别(该关联类别可以是联系较为紧密的照片类别，如身份证正面照片和身份证反面照片，驾驶证主页照片和驾驶证副页照片，等等)，则将该第二照片类别名与该第一照片类别名进行关联。基于关联结果生成第二照片类别名列表，所述第二照片类别名列表中包括第一照片类别名列表中的第一照片类别名，及识别出的第二照片类别名，各个所述第一照片类别名与对应的证件照片关联映射，且各个所述第二照片类别名与对应的证件照片关联映射。

进一步地，将匹配关联的第一照片类别名和第二照片类别名置于同一显示行或者显示列显示。在一种实施方式中，在所述第二照片类别名列表中，各个所述第一照片类别名后生成有对应的照片调取选项，点击所述照片调取选项即可调取出对应的证件照片，或者，各个所述第一照片类别名显示区域含有对应的证件照片的链接地址，点击所述第一照片类别名，即可调取出所点击的第一照片类别名对应的证件照片；各个所述第二照片类别名后生成有对应的照片调取选项，点击所述照片调取选项即可调取出对应的证件照片，或者，各个所述第二照片类别名显示区域含有对应的证件照片的链接地址，点击所述第二照片类别名，即可调取出所点击的第二照片类别名对应的证件照片。在另一种实施方式中，在所述第二照片类别名列表中，匹配关联的第一照片类别名和第二照片类别名对应一个照片调取选项，点击所述照片调取选项即可调取出匹配关联的证件照片和证件照片，或者，匹配关联的第一照片类别名和第二照片类别名的显示行或者显示列，含有对应的证件照片的链接地址，点击所述显示行区域或者显示列区域，即可调取出对应的证件照片和证件照片。

本实施例中，在进行理赔时，可对理赔人发送的证件照片的第二照片类别名进行识别后自动进行分类，并与该理赔人在投保时生成的第一照片类别名列表中的照片类别名进行匹配，生成第二照片类别名列表。理赔端的工作人员即可根据该第二照片类别名列表调取理赔时理赔人发送的各个照片类别的证件照片以及投保时发送的各个照片类别的证件照片，以比对同一照片类别在理赔时提供的证件照片与投保时提供的证件照片是否一致，来进行理赔审核，无需人工在众多图片中寻找各类证件照片，不仅提高了理赔人员的工作效率，而且准确率更高。

进一步地，在其他实施例中，所述预设类型模型为卷积神经网络区域模型(Regions with Convolutional Neural Network，简称RCNN)模型，所述预设类型模型的训练过程如下：

S1、为每一个预设照片类别准备预设数量(例如，1000张)的标注有对应的照片类别名的证件照片样本；

S2、将每一个预设照片类别对应的证件照片样本分为第一比例(例如，70％)的训练子集和第二比例(例如，30％)的验证子集，将各个训练子集中的照片样本进行混合以得到训练集，并将各个验证子集中的照片样本进行混合以得到验证集；

S3、利用所述训练集训练所述预设类型模型；

S4、利用所述验证集验证训练的所述预设类型模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加每一个预设照片类别对应的证件照片样本的数量，并重新执行步骤S2、S3、S4，直至训练的所述预设类型模型的准确率大于或者等于预设准确率。

如下表1所示，在一种具体实施方式中，预设照片类别总共有18种(身份证反面、身份证正面、身份证反面复印件等)，并对每一照片类别名设置对应的类别号，根据该类别号的顺序依次对每一个预设照片类别的证件照片样本进行识别、训练，直至完成所有预设照片类别的模型训练，最终得到能准确识别这18种预设照片类别的卷积神经网络区域模型。

表1

本发明进一步提供一种车损证件照片的分类方法。

参照图4，图4为本发明车损证件照片的分类方法一实施例的流程示意图。

在一实施例中，该车损证件照片的分类方法包括：

步骤S10，接收车险投保人上传的身份信息和证件照片，利用训练的预设类型模型识别出各个所述证件照片对应的第一照片类别名，并生成与所述身份信息对应的第一照片类别名列表，所述第一照片类别名列表中包括识别出的各个第一照片类别名，各个所述第一照片类别名与对应的证件照片关联映射。

本实施例中，车损证件照片的分类系统可以接收车险投保人发出的带有车险投保人的身份信息(例如，身份证号码等)和证件照片(例如，身份证反面照片、身份证正面照片、身份证反面复印件影像档、驾驶证主页照片、驾驶证副页照片、驾驶证主页复印件影像档等)的投保请求，例如，接收用户在手机、平板电脑、自助终端设备等终端中预先安装的客户端上发送来的投保请求，或接收用户在手机、平板电脑、自助终端设备等终端中的浏览器系统上发送来的投保请求，如用户可在客户端或浏览器提供的界面上输入车险投保人的身份信息，并上传相关的证件照片后，向车损证件照片的分类系统发出投保请求。

车损证件照片的分类系统在收到带有车险投保人的身份信息和证件照片的投保请求后，利用训练的预设类型模型识别出各个所述证件照片对应的第一照片类别名(例如，身份证反面、身份证正面、身份证反面复印件、驾驶证主页、驾驶证副页、驾驶证主页复印件等名称)。其中，该预设类型模型可预先通过对大量不同照片类别的样本图片进行标注，并针对不同照片类别的样本图片进行识别来不断进行训练、学习、验证、优化等，以将其训练成能准确识别出不同照片类别名的模型。例如，该预设类型模型可采用深度卷积神经网络模型(Convolutional Neural Network，CNN)模型等。

利用训练的预设类型模型识别出各个所述证件照片对应的第一照片类别名后，可生成与车险投保人的身份信息对应的第一照片类别名列表，所述第一照片类别名列表中包括识别出的各个第一照片类别名，其中，所述第一照片类别名列表中的各个第一照片类别名与对应的证件照片关联映射，即所述第一照片类别名列表中在各个第一照片类别名与对应的证件照片之间建立有映射关联的关系。例如，在所述第一照片类别名列表中，各个所述第一照片类别名后生成有对应的照片调取选项，点击所述照片调取选项即可调取出对应的证件照片；或者，各个所述第一照片类别名显示区域含有对应的证件照片的链接地址，点击所述第一照片类别名，即可直接调取出所点击的第一照片类别名对应的证件照片。

步骤S20，在收到理赔终端发出的带有车险理赔人的身份信息(例如，身份证号码等)的证件照片调取指令后，查找与该车险理赔人的身份信息对应的第一照片类别名列表。

步骤S30，若找到对应的第一照片类别名列表，则将找到的第一照片类别名列表反馈给该理赔终端，以供理赔人员基于找到的第一照片类别名列表调取出各个照片类别名关联映射的证件照片。例如，在所述第一照片类别名列表中，各个所述第一照片类别名后生成有对应的照片调取选项，将找到的第一照片类别名列表反馈给理赔终端后，理赔人员只需根据当前需调取的照片类别名在所述第一照片类别名列表中点击对应照片类别名的照片调取选项即可调取出对应的证件照片。或者，各个所述第一照片类别名显示区域含有对应的证件照片的链接地址，理赔人员只需点击所述第一照片类别名列表中当前需调取的照片类别名，即可自动调取出所点击的照片类别名对应的证件照片。

本实施例中在车险投保人进行投保时，利用训练的预设类型模型识别出车险投保人提供的各个证件照片对应的第一照片类别名，并生成与车险投保人的身份信息对应的第一照片类别名列表，该第一照片类别名列表中各个第一照片类别名与对应的证件照片关联映射；在理赔终端发出证件照片调取指令后，可根据车险理赔人的身份信息找到对应的第一照片类别名列表，理赔人员即可基于第一照片类别名列表调取出各个照片类别名关联映射的证件照片，而无需理赔人员人工在众多图片中寻找各类证件照片，实现了车损证件照片的自动分类，不仅提高了理赔人员的工作效率，而且准确率更高，降低了理赔出错的风险。

进一步地，在其他实施例中，该方法还包括：

若收到该理赔终端发送来的对找到的第一照片类别名列表中照片类别名的选择指令，则调取出与所述选择指令对应的照片类别名相关联映射的证件照片，并将调取出的证件照片反馈给该理赔终端。例如，在所述第一照片类别名列表中，各个所述第一照片类别名后生成有对应的照片调取选项，点击所述照片调取选项即为向对应的照片类别名发出选择指令；或者，各个所述第一照片类别名显示区域含有对应的证件照片的链接地址，点击所述第一照片类别名即为向所述第一照片类别名发出选择指令。在收到理赔终端发送来的对找到的第一照片类别名列表中照片类别名的选择指令后，即可找出与选择的照片类别名相关联映射的证件照片，并将找出的证件照片作为调取出的证件照片反馈给该理赔终端。

进一步地，在其他实施例中，在所述步骤S10之后，还包括：

接收车险理赔人的身份信息(例如，身份证号码)和证件照片(例如，身份证反面照片、身份证正面照片、身份证反面复印件影像档、驾驶证主页照片、驾驶证副页照片、驾驶证主页复印件影像档等)，利用训练的预设类型模型识别出各个所述证件照片对应的第二照片类别名。

查找与该身份信息对应的第一照片类别名列表。

若找到对应的第一照片类别名列表，则将第一照片类别名列表中的第一照片类别名与识别出的第二照片类别名进行匹配关联，例如，若有识别出的第二照片类别名与一个第一照片类别名相同，则将该第二照片类别名与该第一照片类别名进行关联，或者，若有识别出的第二照片类别名与一个第一照片类别名属于预设的关联类别(该关联类别可以是联系较为紧密的照片类别，如身份证正面照片和身份证反面照片，驾驶证主页照片和驾驶证副页照片，等等)，则将该第二照片类别名与该第一照片类别名进行关联。基于关联结果生成第二照片类别名列表，所述第二照片类别名列表中包括第一照片类别名列表中的第一照片类别名，及识别出的第二照片类别名，各个所述第一照片类别名与对应的证件照片关联映射，且各个所述第二照片类别名与对应的证件照片关联映射。

进一步地，将匹配关联的第一照片类别名和第二照片类别名置于同一显示行或者显示列显示。在一种实施方式中，在所述第二照片类别名列表中，各个所述第一照片类别名后生成有对应的照片调取选项，点击所述照片调取选项即可调取出对应的证件照片，或者，各个所述第一照片类别名显示区域含有对应的证件照片的链接地址，点击所述第一照片类别名，即可调取出所点击的第一照片类别名对应的证件照片；各个所述第二照片类别名后生成有对应的照片调取选项，点击所述照片调取选项即可调取出对应的证件照片，或者，各个所述第二照片类别名显示区域含有对应的证件照片的链接地址，点击所述第二照片类别名，即可调取出所点击的第二照片类别名对应的证件照片。在另一种实施方式中，在所述第二照片类别名列表中，匹配关联的第一照片类别名和第二照片类别名对应一个照片调取选项，点击所述照片调取选项即可调取出匹配关联的证件照片和证件照片，或者，匹配关联的第一照片类别名和第二照片类别名的显示行或者显示列，含有对应的证件照片的链接地址，点击所述显示行区域或者显示列区域，即可调取出对应的证件照片和证件照片。

本实施例中，在进行理赔时，可对理赔人发送的证件照片的第二照片类别名进行识别后自动进行分类，并与该理赔人在投保时生成的第一照片类别名列表中的照片类别名进行匹配，生成第二照片类别名列表。理赔端的工作人员即可根据该第二照片类别名列表调取理赔时理赔人发送的各个照片类别的证件照片以及投保时发送的各个照片类别的证件照片，以比对同一照片类别在理赔时提供的证件照片与投保时提供的证件照片是否一致，来进行理赔审核，无需人工在众多图片中寻找各类证件照片，不仅提高了理赔人员的工作效率，而且准确率更高。

进一步地，在其他实施例中，所述预设类型模型为卷积神经网络区域模型(Regions with Convolutional Neural Network，简称RCNN)模型，所述预设类型模型的训练过程如下：

S1、为每一个预设照片类别准备预设数量(例如，1000张)的标注有对应的照片类别名的证件照片样本；

S2、将每一个预设照片类别对应的证件照片样本分为第一比例(例如，70％)的训练子集和第二比例(例如，30％)的验证子集，将各个训练子集中的照片样本进行混合以得到训练集，并将各个验证子集中的照片样本进行混合以得到验证集；

S3、利用所述训练集训练所述预设类型模型；

S4、利用所述验证集验证训练的所述预设类型模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加每一个预设照片类别对应的证件照片样本的数量，并重新执行步骤S2、S3、S4，直至训练的所述预设类型模型的准确率大于或者等于预设准确率。

如下表1所示，在一种具体实施方式中，预设照片类别总共有18种(身份证反面、身份证正面、身份证反面复印件等)，并对每一照片类别名设置对应的类别号，根据该类别号的顺序依次对每一个预设照片类别的证件照片样本进行识别、训练，直至完成所有预设照片类别的模型训练，最终得到能准确识别这18种预设照片类别的卷积神经网络区域模型。

表1

此外，本发明还提供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损证件照片的分类系统，所述车损证件照片的分类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上述实施例中的车损证件照片的分类方法的步骤，该车损证件照片的分类方法的步骤S10、S20、S30等具体实施过程如上文所述，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (10)

1.一种电子装置，其特征在于，所述电子装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车损证件照片的分类系统，所述车损证件照片的分类系统被所述处理器执行时实现如下步骤：

A、接收车险投保人上传的身份信息和证件照片，利用训练的预设类型模型识别出各个所述证件照片对应的第一照片类别名，并生成与所述身份信息对应的第一照片类别名列表，所述第一照片类别名列表中包括识别出的各个第一照片类别名，各个所述第一照片类别名与对应的证件照片关联映射；

B、在收到理赔终端发出的带有车险理赔人的身份信息的证件照片调取指令后，查找与该车险理赔人的身份信息对应的第一照片类别名列表；

C、若找到对应的第一照片类别名列表，则将找到的第一照片类别名列表反馈给该理赔终端，以供理赔人员基于找到的第一照片类别名列表调取出各个照片类别名关联映射的证件照片。

2.如权利要求1所述的电子装置，其特征在于，所述处理器还用于执行所述车损证件照片的分类系统，以实现以下步骤：

若收到该理赔终端发送来的对找到的第一照片类别名列表中照片类别名的选择指令，则调取出与所述选择指令对应的照片类别名相关联映射的证件照片，并将调取出的证件照片反馈给该理赔终端。

3.如权利要求1所述的电子装置，其特征在于，在所述步骤A之后，所述处理器还用于执行所述车损证件照片的分类系统，以实现以下步骤：

接收车险投保人上传的身份信息和证件照片，利用训练的预设类型模型识别出各个所述证件照片对应的第二照片类别名；

查找与该身份信息对应的第一照片类别名列表；

若找到对应的第一照片类别名列表，则将第一照片类别名列表中的第一照片类别名与识别出的第二照片类别名进行匹配关联，并基于关联结果生成第二照片类别名列表，所述第二照片类别名列表中包括第一照片类别名列表中的第一照片类别名，及识别出的第二照片类别名，各个所述第二照片类别名与对应的证件照片关联映射。

4.如权利要求3所述的电子装置，其特征在于，所述处理器还用于执行所述车损证件照片的分类系统，以实现以下步骤：

将匹配关联的第一照片类别名和第二照片类别名置于同一显示行或者显示列显示。

5.如权利要求1-4中任一项所述的电子装置，其特征在于，所述预设类型模型为卷积神经网络区域模型，所述预设类型模型的训练过程如下：

S1、为每一个预设照片类别准备预设数量的标注有对应的照片类别名的证件照片样本；

S2、将每一个预设照片类别对应的证件照片样本分为第一比例的训练子集和第二比例的验证子集，将各个训练子集中的照片样本进行混合以得到训练集，并将各个验证子集中的照片样本进行混合以得到验证集；

S3、利用所述训练集训练所述预设类型模型；

S4、利用所述验证集验证训练的所述预设类型模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加每一个预设照片类别对应的证件照片样本的数量，并重新执行步骤S2、S3、S4。

6.一种车损证件照片的分类方法，应用于电子装置，其特征在于，所述方法包括：

A、接收车险投保人上传的身份信息和证件照片，利用训练的预设类型模型识别出各个所述证件照片对应的第一照片类别名，并生成与所述身份信息对应的第一照片类别名列表，所述第一照片类别名列表中包括识别出的各个第一照片类别名，各个所述第一照片类别名与对应的证件照片关联映射；

B、在收到理赔终端发出的带有车险理赔人的身份信息的证件照片调取指令后，查找与该车险理赔人的身份信息对应的第一照片类别名列表；

C、若找到对应的第一照片类别名列表，则将找到的第一照片类别名列表反馈给该理赔终端，以供理赔人员基于找到的第一照片类别名列表调取出各个照片类别名关联映射的证件照片。

7.如权利要求6所述的车损证件照片的分类方法，其特征在于，该方法还包括：

若收到该理赔终端发送来的对找到的第一照片类别名列表中照片类别名的选择指令，则调取出与所述选择指令对应的照片类别名相关联映射的证件照片，并将调取出的证件照片反馈给该理赔终端。

8.如权利要求6所述的车损证件照片的分类方法，其特征在于，在所述步骤A之后，还包括：

接收车险投保人上传的身份信息和证件照片，利用训练的预设类型模型识别出各个所述证件照片对应的第二照片类别名；

查找与该身份信息对应的第一照片类别名列表；

若找到对应的第一照片类别名列表，则将第一照片类别名列表中的第一照片类别名与识别出的第二照片类别名进行匹配关联，并基于关联结果生成第二照片类别名列表，所述第二照片类别名列表中包括第一照片类别名列表中的第一照片类别名，及识别出的第二照片类别名，各个所述第二照片类别名与对应的证件照片关联映射。

9.如权利要求6-8中任一项所述的车损证件照片的分类方法，其特征在于，所述预设类型模型为卷积神经网络区域模型，所述预设类型模型的训练过程如下：

S1、为每一个预设照片类别准备预设数量的标注有对应的照片类别名的证件照片样本；

S2、将每一个预设照片类别对应的证件照片样本分为第一比例的训练子集和第二比例的验证子集，将各个训练子集中的照片样本进行混合以得到训练集，并将各个验证子集中的照片样本进行混合以得到验证集；

S3、利用所述训练集训练所述预设类型模型；

S4、利用所述验证集验证训练的所述预设类型模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加每一个预设照片类别对应的证件照片样本的数量，并重新执行步骤S2、S3、S4。

10.一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损证件照片的分类系统，所述车损证件照片的分类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权利要求6-9中任一项所述的车损证件照片的分类方法的步骤。