CN108323209A - 信息处理方法、系统、云处理设备以及计算机程序产品 - Google Patents
信息处理方法、系统、云处理设备以及计算机程序产品 Download PDFInfo
- Publication number
- CN108323209A CN108323209A CN201880000066.7A CN201880000066A CN108323209A CN 108323209 A CN108323209 A CN 108323209A CN 201880000066 A CN201880000066 A CN 201880000066A CN 108323209 A CN108323209 A CN 108323209A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- information
- image information
- described image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000004590 computer program Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006855 networking Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000020509 sex determination Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005242 forging Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 102100033592 Calponin-3 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 101000945410 Homo sapiens Calponin-3 Proteins 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种信息处理方法、系统、云处理设备以及计算机程序产品，涉及信息处理技术领域，在一定程度上可以提高对现场证据真实性判定的准确性和可靠性，降低人工成本，降低保险公司的损失。本发明实施例提供的信息处理方法，包括：获取终端采集的图像信息；对所述图像信息进行识别，确定所述图像信息是否存在异常特征；存在异常特征的图像信息发送至人工模块；接收所述人工模块返回的结果。
Description
技术领域
本发明涉及信息处理技术领域，尤其涉及一种信息处理方法、系统、云处理设备以及计算机程序产品。
背景技术
随着车联网相关技术的不断成熟，传感器技术、移动通信技术、大数据技术和智能计算技术等均开始与车联网深度融合。在市场需求带动下，区别于传统的交通系统，车联网更加注重车与车、车与路、车与人之间的交互通信，可以说车联网的出现重新定义了车辆交通的运行方式。
现有技术中，基于车联网的应用主要体现在如下几个领域：保险领域—保险公司通过从车联网中获取到的车辆的相关信息，实现对车辆的风险评估，车辆保费计算、在线定损等相关业务处理。现有技术中，在发生交通事故后，可以通过拍照等方式获取现场证据，然后保险公司的工作人员对现场证据进行定损核算。
但由于用户可以使用伪造的照片、从互联网上获取的照片、伪造现场等方式，制作与实际情况不符合的现场证据，换取更高的保险赔偿，给保险公司带来了很大的损失。
发明内容
本发明实施例提供一种信息处理方法、系统、云处理设备以及计算机程序产品，可以提高对现场证据真实性判定的准确性和可靠性，降低人工成本，降低保险公司的损失。
第一方面，本发明实施例提供一种信息处理方法，包括：
云处理设备获取终端采集的图像信息；
对所述图像信息进行识别，确定所述图像信息是否存在异常特征；
将存在异常特征的图像信息发送至人工模块；
接收所述人工模块返回的结果。
第二方面，本发明实施例还提供一种信息处理系统，包括：
获取单元，用于获取终端采集的图像信息；
确定单元，用于对所述图像信息进行识别，确定所述图像信息是否存在异常特征；
发送单元，用于将存在异常特征的图像信息发送至人工模块；
接收单元，用于接收所述人工模块返回的结果。
第三方面，本发明实施例还提供一种云处理设备，所述设备包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，使得所述设备执行如第一方面中任一种所述的方法。
第四方面，本发明实施例还提供一种计算机程序产品，可直接加载到计算机的内部存储器中，并含有软件代码，所述计算机程序经由计算机载入并执行后能够实现如第一方面中任一种所述的方法。
本发明实施例提供的信息处理方法、系统、云处理设备以及计算机程序产品，通过获取终端采集的图像信息，然后对图像信息进行识别，确定图像信息是否存在异常特征，在存在异常特征的情况下，发送至人工模块，由人工辅助进行二次判断，通过采用本发明提供的方法，能够提高对现场证据真实性判定的准确性和可靠性，降低人工成本，进而降低保险公司的损失，解决了现有技术中用户制作与与实际情况不符合的现场证据，换取更高的保险赔偿，给保险公司带来了很大的损失的问题。
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一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的信息处理方法实施例的流程图；
图2为本发明实施例提供的信息处理方法实施例的另一流程图；
图3为本发明实施例提供的信息处理系统实施例的结构示意图；
图4为本发明实施例提供的信息处理系统实施例的另一结构示意图；
图5为本发明实施例提供的云处理设备实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
随着家用汽车的普及，汽车数量不断增加，车辆出现事故的几率也在不断的增加，这给保险行业的工作带来了巨大压力。通常情况下，车辆出险的具体操作是由保险理赔业务员或者交管人员对事故现场拍照，然后确定相应的理赔信息，将维修厂/4S店的报价单、维修清单等录入理赔系统中。顺应网络的发展，在现有技术中，车主可以通过手机等终端对事故现场进行拍照，自行提交案件现场照片，使得保险公司根据案件现场照片来进行定损，确定理赔的结果。但是，采用这种方式给用户带来了方便的同时，又为用户提供了骗取保险的机会，例如，用户使用伪造的照片伪造事故现场、用户从互联网下载图像伪造事故现场等。因此，为了解决这个问题，本发明实施例提供一种信息处理方法，通过对用户采集的图像等信息进行处理，确定是否存在异常，在存在异常时，由人工辅助进行确认，可以提高对现场证据真实性判定的准确性和可靠性，降低人工成本，降低保险公司的损失。具体的，图1为本发明实施例提供的信息处理方法实施例的流程图，如图1所示，本实施例的信息处理方法，具体可以包括如下步骤：
101、云处理设备获取终端采集的图像信息。
在本发明实施例中，首先由用户使用终端采集图像信息，采集的过程可以是使用终端的摄像头或者传感器采集事故现场的图像，然后，用户在终端中操作相应的页面，将采集的图像、与事故现场相关的文字信息等图像信息一并上传至云处理设备，云处理设备接收用户上传的图像信息。
需要说明的是，事故现场的图像信息可以包含至少一张车辆图像，车辆图像中包含车牌信息，例如，包含车牌与车头位置的图像、车辆损伤位置的图像等，以及终端的位置信息、气压信息、与案件相关的文字信息等。
102、对图像信息进行识别，确定图像信息是否存在异常特征。
在本发明实施例中，由于图像信息存在异常特征的情况较多，因此，重点介绍如下四种识别图像信息是否存在异常特征的方式：
第一种情况，对图像进行分类识别，确定图像是否为伪造图像；当图像为伪造图像时，确定图像信息存在异常特征。
可以理解的是，现有技术中，常见的伪造图像包括翻拍图像、二次加工图像等。其中，二次加工图像，可以是利用图像处理软件对某一张图像进行处理。翻拍图像可以是对打印的照片、电子显示设备等进行拍摄，由于翻拍图像的拍摄环境与原始图像的拍摄环境不可能完全一致,光照类型、光照方向、光照强度、拍摄对象的不同,会导致翻拍图像和原始图像之间的颜色、纹理等特征存在一定程度的差异。利用这些差异即可实现翻拍图像的检测。在本发明实施例中，至少可以通过如下方式的一种来实现翻拍图像的检测：
其一，首先提取原始图像(即前述内容中由用户拍摄的图像信息中的车辆图像)和对应伪造图像的颜色、纹理或频谱等特征，然后使用解析或机器学习的方法对这些特征进行分类，例如，原始图像只经历了一次成像过程，而伪造图像则至少经历两次成像过程，成像过程不同，最终获取的图像的频率分布也不尽相同，通过傅里叶变换，将原始图像和伪造图像转换为频谱图，提取这些频谱图的特征，然后利用机器学习的方法训练分类器，如SVM等，对这些特征进行分类，从而识别出伪造图像，需要说明的是，训练分类器可以是颜色、纹理或频谱等不同特征的组合。
其二，直接将原始图像和伪造图像作为两个类别，输入卷积神经网络(CNN)进行分类识别，实施过程同样分为训练和部署两个部分，训练时，将原始图像和伪造图像两类数据样本输入CNN训练，训练完成后得到分类模型CNN1，将模型部署在云端，输入一张图像，即可输出是否为伪造图像的识别结果。
可以理解的是，前述两种方式仅为可以实现的方式，在实际应用中并不能限制于本发明实施例提供的两种方法。
第二种情况，将图像与车损图库中的图像进行对比，若图像与车损图库中的图像相同，则确定图像信息存在异常特征。
可以理解的是，现有技术中，图像与车损图库中的图像相同，则可以理解为图像信息中的图像为复制车损图库图像得到的，因此，可以特征匹配方法或以图搜图方法来确定图像信息是否存在异常特征。具体的，可以提取现有车损图库中所有图像的特征，特征可以是SIFT角点、颜色直方图、哈希值等，建立特征库，当输入新的图像时，提取其相应特征，在特征库中做检索匹配，当查找的特征匹配度超过设定阈值时，说明该图像与车损图库中的图像相同，是复制的，则确定图像信息存在异常特征。
第三种情况，将图像与车牌信息图库中的图像进行对比，若图像与车牌信息图库中的图像不同，则确定图像信息存在异常特征。
可以理解的是，由于同一车型的车都会大批量的生产，因此，存在套牌或者盗图的可能性，因此，为了确定是否是套牌等现象，可以根据车牌信息库中与存储的车辆相关信息来进行判断，车辆相关信息至少包括车牌、车辆颜色、车辆品牌、型号等信息。具体的，通过检测网络CNN2检测得到图像信息中车身区域位置，将车身图像输入分类网络CNN3识别其厂商和型号等信息，例如奥迪A4L、宝马520Li等等，提取车身固定区域(如发动机盖)，将其输入分类网络CNN4识别车身颜色，以上所有CNN均通过预训练过程得到。进一步识别车牌号，并通过车牌号在预存储的车辆信息库中查找其相关信息，将CNN识别得到的信息和检索得到的信息做对比，如信息不一致，说明车牌号信息有问题，该车为套牌，确定图像信息存在异常特征。
第四种情况，将图像与车辆品牌特征库中的图像进行对比，若图像与车辆品牌特征库中的图像不同，则确定图像信息存在异常特征。
在本发明实施例中，首先检测车身各个部件的位置，可以采用深度学习的方法，将图像输入检测网络CNN5，得到车辆每个部件的位置和名称，在车辆品牌特征库中检索对应名称的部位标准图像，分别提取用图像信息中图像中各部件区域和对应标准图像的SIFT特征做对比，如果不同，则说明有假件，确定图像信息存在异常特征。
第五种情况，提取与案件相关的文字信息中的车辆的位置信息；对比车辆的位置信息与终端的位置信息，当二者不同时，确定图像信息存在异常特征。
可以理解的是，文字信息中的位置信息为用户手动填写的，其对应的是事故发生的位置，若文字信息与用户终端的位置信息不一致，则说明用户未在事故发生地，其事故真实性较低，确定图像信息存在异常特征。
需要说明的是，在本发明实施例中，前述五种情况既可以同时进行判断，又可以按照一定的顺序进行判断，还可以根据前一个情况的判断结果，确定下一个情况是否需要执行，其各种结合方式，均属于本发明实施例中的保护范围。
103、将存在异常特征的图像信息发送至人工模块。
在本发明实施例中，人工模块用于辅助进行判断，由人工对存在异常特征的图像信息进行判断，确定是否存在异常特征，当存在异常特征时，返回对应的结果。
104、接收人工模块返回的结果。
本发明实施例提供的信息处理方法，通过获取终端采集的图像信息，然后对图像信息进行识别，确定图像信息是否存在异常特征，在存在异常特征的情况下，发送至人工模块，由人工辅助进行二次判断，通过采用本发明提供的方法，能够提高对现场证据真实性判定的准确性和可靠性，降低人工成本，进而降低保险公司的损失，解决了现有技术中用户制作与与实际情况不符合的现场证据，换取更高的保险赔偿，给保险公司带来了很大的损失的问题。
进一步地，结合前述内容，本发明实施例还可以包括如下步骤，其目的在于能够更进一步的提高对现场证据真实性判定的准确性和可靠性，具体的，图2为本发明实施例提供的信息处理方法实施例的另一流程图，如图2所示，本实施例的信息处理方法，还可以包括如下步骤：
105、将结果添加至训练集中，对识别算法进行训练。
可以理解的是，人工增加的训练集，
对于本发明实施例提供的方法来说，相当于增加了更多的样本，通过更多的样本对算法进行训练，能够有利于提高算法的精度和准确性。
为了实现前述内容的方法流程，本发明实施例还提供一种信息处理系统，图3为本发明实施例提供的信息处理系统实施例的结构示意图，如图3所示，本实施例的系统可以包括：获取单元11、确定单元12、发送单元13和接收单元14。
获取单元11，用于获取终端采集的图像信息。
确定单元12，用于对图像信息进行识别，确定图像信息是否存在异常特征。
发送单元13，用于将存在异常特征的图像信息发送至人工模块。
接收单元14，用于接收人工模块返回的结果。
在一个具体的实现过程中，图像信息包括：至少一张车辆图像；
确定单元12，具体用于：
对车辆图像进行分类识别，确定车辆图像是否为伪造图像；
当车辆图像为伪造图像时，确定图像信息存在异常特征。
在一个具体的实现过程中，伪造图像包括翻拍图像或二次加工图像。
在一个具体的实现过程中，图像信息包括：至少一张车辆图像；
确定单元12，具体用于：
将车辆图像与车损图库中的图像进行对比，若车辆图像与车损图库中的图像相同，则确定图像信息存在异常特征。
在一个具体的实现过程中，图像信息包括：至少一张车辆图像；
确定单元12，具体用于：
将车辆图像与车牌信息图库中的图像进行对比，若车辆图像与车牌信息图库中的图像不同，则确定图像信息存在异常特征。
在一个具体的实现过程中，图像信息包括：至少一张车辆图像；
确定单元12，具体用于：
将车辆图像与车辆品牌特征库中的图像进行对比，若车辆图像与车辆品牌特征库中的图像不同，则确定图像信息存在异常特征。
在一个具体的实现过程中，图像信息包括：终端的位置信息以及车辆的位置信息；
确定单元12，具体用于：
对比车辆的位置信息与终端的位置信息，当二者不同时，确定图像信息存在异常特征。
本实施例的系统，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
在前述内容的基础上，本发明实施例还提供一种信息处理系统，图4为本发明实施例提供的信息处理系统实施例的另一结构示意图，如图4所示，本实施例的系统，还可以包括：训练单元15。
训练单元，用于将结果添加至训练集中，对识别算法进行训练。
本实施例的系统，可以用于执行图2所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
为了实现前述内容的方法流程，本发明实施例还提供一种云处理设备，图5为本发明实施例提供的云处理设备实施例的结构示意图，如图5所示，本发明实施例提供的云处理设备包括处理器21以及存储器22；存储器22用于存储指令，指令被处理器21执行时，使得设备执行如前述内容中任一种方法。
本发明实施例提供的云处理设备，可以用于执行图1或图2所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
为了实现前述内容的方法流程，本发明实施例还提供一种计算机程序产品，可直接加载到计算机的内部存储器中，并含有软件代码，计算机程序经由计算机载入并执行后能够实现如前述内容中任一种方法。
本发明实施例提供的计算机程序产品，可以用于执行图1或图2所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到至少两个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (18)
1.一种信息处理方法，其特征在于，包括：
云处理设备获取终端采集的图像信息；
对所述图像信息进行识别，确定所述图像信息是否存在异常特征；
将存在异常特征的图像信息发送至人工模块；
接收所述人工模块返回的结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述结果添加至训练集中，对识别算法进行训练。
3.根据权利要求1所述的方法，其特征在于，所述图像信息包括：至少一张车辆图像；
所述对所述图像信息进行识别，确定所述图像信息是否存在异常特征，包括：
对所述车辆图像进行分类识别，确定所述车辆图像是否为伪造图像；
当所述车辆图像为伪造图像时，确定所述图像信息存在异常特征。
4.根据权利要求3所述的方法，其特征在于，所述伪造图像包括翻拍图像或二次加工图像。
5.根据权利要求1所述的方法，其特征在于，所述图像信息包括：至少一张车辆图像；
所述对所述图像信息进行识别，确定所述图像信息是否存在异常特征，包括：
将所述车辆图像与车损图库中的图像进行对比，若所述车辆图像与所述车损图库中的图像相同，则确定所述图像信息存在异常特征。
6.根据权利要求1所述的方法，其特征在于，所述图像信息包括：至少一张车辆图像；
所述对所述图像信息进行识别，确定所述图像信息是否存在异常特征，包括：
将所述车辆图像与车牌信息图库中的图像进行对比，若所述车辆图像与所述车牌信息图库中的图像不同，则确定所述图像信息存在异常特征。
7.根据权利要求1所述的方法，其特征在于，所述图像信息包括：至少一张车辆图像；
所述对所述图像信息进行识别，确定所述图像信息是否存在异常特征，包括：
将所述车辆图像与车辆品牌特征库中的图像进行对比，若所述车辆图像与所述车辆品牌特征库中的图像不同，则确定所述图像信息存在异常特征。
8.根据权利要求1所述的方法，其特征在于，所述图像信息包括：所述终端的位置信息以及车辆的位置信息；
所述对所述图像信息进行识别，确定所述图像信息是否存在异常特征，包括：
对比所述车辆的位置信息与所述终端的位置信息，当二者不同时，确定所述图像信息存在异常特征。
9.一种信息处理系统，其特征在于，包括：
获取单元，用于获取终端采集的图像信息；
确定单元，用于对所述图像信息进行识别，确定所述图像信息是否存在异常特征；
发送单元，用于将存在异常特征的图像信息发送至人工模块；
接收单元，用于接收所述人工模块返回的结果。
10.根据权利要求9所述的系统，其特征在于，所述系统还包括：
训练单元，用于将所述结果添加至训练集中，对识别算法进行训练。
11.根据权利要求9所述的系统，其特征在于，所述图像信息包括：至少一张车辆图像；
所述确定单元，具体用于：
对所述车辆图像进行分类识别，确定所述车辆图像是否为伪造图像；
当所述车辆图像为伪造图像时，确定所述图像信息存在异常特征。
12.根据权利要求11所述的系统，其特征在于，所述伪造图像包括翻拍图像或二次加工图像。
13.根据权利要求9所述的系统，其特征在于，所述图像信息包括：至少一张车辆图像；
所述确定单元，具体用于：
将所述车辆图像与车损图库中的图像进行对比，若所述车辆图像与所述车损图库中的图像相同，则确定所述图像信息存在异常特征。
14.根据权利要求9所述的系统，其特征在于，所述图像信息包括：至少一张车辆图像；
所述确定单元，具体用于：
将所述车辆图像与车牌信息图库中的图像进行对比，若所述车辆图像与所述车牌信息图库中的图像不同，则确定所述图像信息存在异常特征。
15.根据权利要求9所述的系统，其特征在于，所述图像信息包括：至少一张车辆图像；
所述确定单元，具体用于：
将所述车辆图像与车辆品牌特征库中的图像进行对比，若所述车辆图像与所述车辆品牌特征库中的图像不同，则确定所述图像信息存在异常特征。
16.根据权利要求9所述的系统，其特征在于，所述图像信息包括：所述终端的位置信息以及车辆的位置信息；
所述确定单元，具体用于：
对比所述车辆的位置信息与所述终端的位置信息，当二者不同时，确定所述图像信息存在异常特征。
17.一种云处理设备，其特征在于，所述设备包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，使得所述设备执行如权利要求1～8中任一种所述的方法。
18.一种计算机程序产品，其特征在于，可直接加载到计算机的内部存储器中，并含有软件代码，所述计算机程序经由计算机载入并执行后能够实现如权利要求1～8中任一种所述的方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2018/074489 WO2019144416A1 (zh) | 2018-01-29 | 2018-01-29 | 信息处理方法、系统、云处理设备以及计算机程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108323209A true CN108323209A (zh) | 2018-07-24 |
| CN108323209B CN108323209B (zh) | 2023-10-31 |
Family
ID=62895865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880000066.7A Active CN108323209B (zh) | 2018-01-29 | 2018-01-29 | 信息处理方法、系统、云处理设备以及计算机存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN108323209B (zh) |
| WO (1) | WO2019144416A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109615549A (zh) * | 2019-01-18 | 2019-04-12 | 河南奥菲斯电子科技有限公司 | 农业保险保费补贴绩效的计算方法、系统及存储介质 |
| CN109829832A (zh) * | 2019-01-18 | 2019-05-31 | 河南奥菲斯电子科技有限公司 | 大数据维护农业保险投保数据的方法、系统及存储介质 |
| CN109886275A (zh) * | 2019-01-16 | 2019-06-14 | 深圳壹账通智能科技有限公司 | 翻拍图像识别方法、装置、计算机设备和存储介质 |
| WO2020164331A1 (zh) * | 2019-02-11 | 2020-08-20 | 阿里巴巴集团控股有限公司 | 理赔业务的处理方法及装置 |
| CN113178032A (zh) * | 2021-03-03 | 2021-07-27 | 北京迈格威科技有限公司 | 一种视频处理方法、系统及存储介质 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030112133A1 (en) * | 2001-12-13 | 2003-06-19 | Samsung Electronics Co., Ltd. | Method and apparatus for automated transfer of collision information |
| US20080140599A1 (en) * | 2006-11-10 | 2008-06-12 | Debra Pacha | System and method for detecting healthcare insurance fraud |
| CN101577653A (zh) * | 2008-05-08 | 2009-11-11 | 韩军 | 使用定位技术进行车险理赔辅助认证的系统和方法 |
| US20110176712A1 (en) * | 2008-07-25 | 2011-07-21 | Derek Lionel Glendon Hill | Image data fraud detection systems |
| CN102521986A (zh) * | 2011-12-05 | 2012-06-27 | 沈阳聚德视频技术有限公司 | 一种套牌车辆自动检测系统及其控制方法 |
| AU2014201350A1 (en) * | 2013-07-23 | 2015-02-12 | Palantir Technologies, Inc. | Fraud Detection in Healthcare |
| CN104574999A (zh) * | 2015-01-30 | 2015-04-29 | 余炳顺 | 一种机动车车牌身份认证的方法和系统 |
| CN105405054A (zh) * | 2015-12-11 | 2016-03-16 | 平安科技（深圳）有限公司 | 基于理赔照片深度学习实现保险理赔反欺诈的方法及服务器 |
| CN105488099A (zh) * | 2015-11-03 | 2016-04-13 | 杭州全实鹰科技有限公司 | 一种基于相似度学习的车辆检索方法 |
| CN105488517A (zh) * | 2015-11-30 | 2016-04-13 | 杭州全实鹰科技有限公司 | 一种基于深度学习的车辆品牌型号识别方法 |
| CN105719188A (zh) * | 2016-01-22 | 2016-06-29 | 平安科技（深圳）有限公司 | 基于多张图片一致性实现保险理赔反欺诈的方法及服务器 |
| CN106021548A (zh) * | 2016-05-27 | 2016-10-12 | 大连楼兰科技股份有限公司 | 基于分布式人工智能图像识别的远程定损方法及系统 |
| CN106228449A (zh) * | 2016-07-29 | 2016-12-14 | 深圳市永兴元科技有限公司 | 车险理赔防欺诈方法和装置 |
| CN106570758A (zh) * | 2016-10-28 | 2017-04-19 | 公安部交通管理科学研究所 | 车险理赔证据信息采集方法和装置 |
| CN107087025A (zh) * | 2017-04-11 | 2017-08-22 | 武汉华创欣网科技有限公司 | 一种基于移动网络通信的车辆定损理赔方法及装置 |
| CN107346435A (zh) * | 2017-06-15 | 2017-11-14 | 浙江捷尚视觉科技股份有限公司 | 一种基于车辆特征库的嫌疑套牌车捕获方法 |
| CN107545239A (zh) * | 2017-07-06 | 2018-01-05 | 南京理工大学 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101546416A (zh) * | 2009-04-27 | 2009-09-30 | 谢谦 | 一种远程处理汽车保险业务的方法及其系统 |
| CN103310223A (zh) * | 2013-03-13 | 2013-09-18 | 四川天翼网络服务有限公司 | 一种基于图像识别的车辆定损系统及方法 |
| US10748216B2 (en) * | 2013-10-15 | 2020-08-18 | Audatex North America, Inc. | Mobile system for generating a damaged vehicle insurance estimate |
| CN107067328A (zh) * | 2017-04-11 | 2017-08-18 | 武汉华创欣网科技有限公司 | 一种手机拍摄并上传取证照片或视频的车险理赔集成系统 |
-
2018
- 2018-01-29 WO PCT/CN2018/074489 patent/WO2019144416A1/zh active Application Filing
- 2018-01-29 CN CN201880000066.7A patent/CN108323209B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030112133A1 (en) * | 2001-12-13 | 2003-06-19 | Samsung Electronics Co., Ltd. | Method and apparatus for automated transfer of collision information |
| US20080140599A1 (en) * | 2006-11-10 | 2008-06-12 | Debra Pacha | System and method for detecting healthcare insurance fraud |
| CN101577653A (zh) * | 2008-05-08 | 2009-11-11 | 韩军 | 使用定位技术进行车险理赔辅助认证的系统和方法 |
| US20110176712A1 (en) * | 2008-07-25 | 2011-07-21 | Derek Lionel Glendon Hill | Image data fraud detection systems |
| CN102521986A (zh) * | 2011-12-05 | 2012-06-27 | 沈阳聚德视频技术有限公司 | 一种套牌车辆自动检测系统及其控制方法 |
| AU2014201350A1 (en) * | 2013-07-23 | 2015-02-12 | Palantir Technologies, Inc. | Fraud Detection in Healthcare |
| CN104574999A (zh) * | 2015-01-30 | 2015-04-29 | 余炳顺 | 一种机动车车牌身份认证的方法和系统 |
| CN105488099A (zh) * | 2015-11-03 | 2016-04-13 | 杭州全实鹰科技有限公司 | 一种基于相似度学习的车辆检索方法 |
| CN105488517A (zh) * | 2015-11-30 | 2016-04-13 | 杭州全实鹰科技有限公司 | 一种基于深度学习的车辆品牌型号识别方法 |
| CN105405054A (zh) * | 2015-12-11 | 2016-03-16 | 平安科技（深圳）有限公司 | 基于理赔照片深度学习实现保险理赔反欺诈的方法及服务器 |
| CN105719188A (zh) * | 2016-01-22 | 2016-06-29 | 平安科技（深圳）有限公司 | 基于多张图片一致性实现保险理赔反欺诈的方法及服务器 |
| CN106021548A (zh) * | 2016-05-27 | 2016-10-12 | 大连楼兰科技股份有限公司 | 基于分布式人工智能图像识别的远程定损方法及系统 |
| CN106228449A (zh) * | 2016-07-29 | 2016-12-14 | 深圳市永兴元科技有限公司 | 车险理赔防欺诈方法和装置 |
| CN106570758A (zh) * | 2016-10-28 | 2017-04-19 | 公安部交通管理科学研究所 | 车险理赔证据信息采集方法和装置 |
| CN107087025A (zh) * | 2017-04-11 | 2017-08-22 | 武汉华创欣网科技有限公司 | 一种基于移动网络通信的车辆定损理赔方法及装置 |
| CN107346435A (zh) * | 2017-06-15 | 2017-11-14 | 浙江捷尚视觉科技股份有限公司 | 一种基于车辆特征库的嫌疑套牌车捕获方法 |
| CN107545239A (zh) * | 2017-07-06 | 2018-01-05 | 南京理工大学 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张露;林开司;: "基于块效应频域特性的JPEG图像合成篡改检测", 齐齐哈尔大学学报(自然科学版), no. 06, pages 11 - 15 * |
| 闫春;李亚琪;孙海棠;: "基于蚁群算法优化随机森林模型的汽车保险欺诈识别研究", 保险研究, no. 06, pages 114 - 127 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886275A (zh) * | 2019-01-16 | 2019-06-14 | 深圳壹账通智能科技有限公司 | 翻拍图像识别方法、装置、计算机设备和存储介质 |
| CN109615549A (zh) * | 2019-01-18 | 2019-04-12 | 河南奥菲斯电子科技有限公司 | 农业保险保费补贴绩效的计算方法、系统及存储介质 |
| CN109829832A (zh) * | 2019-01-18 | 2019-05-31 | 河南奥菲斯电子科技有限公司 | 大数据维护农业保险投保数据的方法、系统及存储介质 |
| CN109829832B (zh) * | 2019-01-18 | 2021-09-17 | 河南奥菲斯电子科技有限公司 | 大数据维护农业保险投保数据的方法、系统及存储介质 |
| WO2020164331A1 (zh) * | 2019-02-11 | 2020-08-20 | 阿里巴巴集团控股有限公司 | 理赔业务的处理方法及装置 |
| TWI730399B (zh) * | 2019-02-11 | 2021-06-11 | 開曼群島商創新先進技術有限公司 | 理賠業務的處理方法及裝置 |
| CN113178032A (zh) * | 2021-03-03 | 2021-07-27 | 北京迈格威科技有限公司 | 一种视频处理方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019144416A1 (zh) | 2019-08-01 |
| CN108323209B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709409B (zh) | 人脸活体检测方法、装置、设备及介质 | |
| CN108596277B (zh) | 一种车辆身份识别方法、装置和存储介质 | |
| CN108323209A (zh) | 信息处理方法、系统、云处理设备以及计算机程序产品 | |
| CN109558823B (zh) | 一种以图搜图的车辆识别方法及系统 | |
| CN111126224A (zh) | 车辆检测方法及分类识别模型训练方法 | |
| CN105574550A (zh) | 一种车辆识别方法及装置 | |
| CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
| CN111291812B (zh) | 属性类别的获取方法及装置、存储介质、电子装置 | |
| CN109657599B (zh) | 距离自适应的车辆外观部件的图片识别方法 | |
| CN113033587A (zh) | 图像识别结果评估方法、装置、电子设备及存储介质 | |
| CN107066980A (zh) | 一种图像变形检测方法及装置 | |
| CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
| CN116152870A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN112541394A (zh) | 黑眼圈及鼻炎识别方法、系统及计算机介质 | |
| CN110619280B (zh) | 一种基于深度联合判别学习的车辆重识别方法及装置 | |
| CN114821725A (zh) | 一种基于神经网络的矿工人脸识别系统 | |
| CN114168768A (zh) | 图像检索方法及相关设备 | |
| Pinthong et al. | The License Plate Recognition system for tracking stolen vehicles | |
| CN117253217A (zh) | 一种充电站车辆识别方法、装置、电子设备及存储介质 | |
| CN116524725A (zh) | 一种智能驾驶的交通标志图像数据识别系统 | |
| US7519237B2 (en) | Method for characterizing stored information | |
| CN116452802A (zh) | 车损检测方法、装置、设备及存储介质 | |
| CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 | |
| CN115984968A (zh) | 一种学生时空动作识别方法、装置、终端设备及介质 | |
| CN113449506A (zh) | 一种数据检测方法、装置、设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210209 Address after: 201111 2nd floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai Applicant after: Dalu Robot Co.,Ltd. Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant before: CLOUDMINDS (SHENZHEN) ROBOTICS SYSTEMS Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 201111 Building 8, No. 207, Zhongqing Road, Minhang District, Shanghai Applicant after: Dayu robot Co.,Ltd. Address before: 201111 2nd floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai Applicant before: Dalu Robot Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |