CN109785157A - 一种基于人脸识别的车辆定损方法、存储介质及服务器 - Google Patents
一种基于人脸识别的车辆定损方法、存储介质及服务器 Download PDFInfo
- Publication number
- CN109785157A CN109785157A CN201811529013.2A CN201811529013A CN109785157A CN 109785157 A CN109785157 A CN 109785157A CN 201811529013 A CN201811529013 A CN 201811529013A CN 109785157 A CN109785157 A CN 109785157A
- Authority
- CN
- China
- Prior art keywords
- facial image
- damage identification
- car damage
- identification request
- car
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000001815 facial effect Effects 0.000 claims abstract description 187
- 238000013475 authorization Methods 0.000 claims abstract description 12
- 239000000284 extract Substances 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 239000010931 gold Substances 0.000 description 4
- 229910052737 gold Inorganic materials 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明属于计算机技术领域,尤其涉及一种基于人脸识别的车辆定损方法、计算机可读存储介质及服务器。所述方法接收终端设备发送的车辆定损请求,并从所述车辆定损请求中提取事故车辆的车辆标识和车主的人脸图像;根据所述车辆标识确定所述车主的身份信息,并在两个以上经过合法授权的身份信息数据库中分别查找与所述身份信息相对应的人脸图像;以查找到的人脸图像作为参照基准评估所述车辆定损请求中的人脸图像的可信度;若所述车辆定损请求中的人脸图像的可信度大于预设的第一阈值,则获取所述事故车辆各个部位的图像,并根据所述事故车辆各个部位的图像对所述事故车辆进行定损。通过本发明,避免了对车主和保险公司可能造成的巨大损失。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种基于人脸识别的车辆定损方法、计算机可读存储介质及服务器。
背景技术
随着车辆技术的发展以及车辆数量的剧增,车辆之间发生一些例如剐蹭、追尾等事故的几率也在大大增加。当发生这些事故时,通常由交警或保险公司的工作人员赶到事故现场进行车辆定损,但这种方式耗时较长,容易导致交通拥堵,甚至瘫痪。
在这种情况下,借助于移动互联网技术在线上进行车辆定损正在成为一种趋势,但在这种方式下,很容易出现不法分子冒充车主骗取赔付金的情况,给车主和保险公司均造成了极大的损失。
发明内容
有鉴于此,本发明实施例提供了一种基于人脸识别的车辆定损方法、计算机可读存储介质及服务器,以解决现有的定损方式下,很容易出现不法分子冒充车主骗取赔付金的情况,给车主和保险公司均造成了极大损失的问题。
本发明实施例的第一方面提供了一种基于人脸识别的车辆定损方法,可以包括:
接收终端设备发送的车辆定损请求,并从所述车辆定损请求中提取事故车辆的车辆标识和车主的人脸图像;
根据所述车辆标识确定所述车主的身份信息,并在两个以上经过合法授权的身份信息数据库中分别查找与所述身份信息相对应的人脸图像;
以查找到的人脸图像作为参照基准评估所述车辆定损请求中的人脸图像的可信度;
若所述车辆定损请求中的人脸图像的可信度大于预设的第一阈值,则获取所述事故车辆各个部位的图像,并根据所述事故车辆各个部位的图像对所述事故车辆进行定损。
本发明实施例的第二方面提供了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计算机可读指令,所述计算机可读指令被处理器执行时实现如下步骤:
接收终端设备发送的车辆定损请求,并从所述车辆定损请求中提取事故车辆的车辆标识和车主的人脸图像;
根据所述车辆标识确定所述车主的身份信息,并在两个以上经过合法授权的身份信息数据库中分别查找与所述身份信息相对应的人脸图像;
以查找到的人脸图像作为参照基准评估所述车辆定损请求中的人脸图像的可信度;
若所述车辆定损请求中的人脸图像的可信度大于预设的第一阈值,则获取所述事故车辆各个部位的图像,并根据所述事故车辆各个部位的图像对所述事故车辆进行定损。
本发明实施例的第三方面提供了一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现如下步骤:
接收终端设备发送的车辆定损请求,并从所述车辆定损请求中提取事故车辆的车辆标识和车主的人脸图像;
根据所述车辆标识确定所述车主的身份信息,并在两个以上经过合法授权的身份信息数据库中分别查找与所述身份信息相对应的人脸图像;
以查找到的人脸图像作为参照基准评估所述车辆定损请求中的人脸图像的可信度;
若所述车辆定损请求中的人脸图像的可信度大于预设的第一阈值,则获取所述事故车辆各个部位的图像,并根据所述事故车辆各个部位的图像对所述事故车辆进行定损。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例在接收到终端设备发送的车辆定损请求后,从该车辆定损请求中提取出事故车辆的车辆标识和车主的人脸图像,确定车主的身份信息,在两个以上经过合法授权的身份信息数据库中分别查找与该身份信息相对应的人脸图像,并以此为参照基准评估人脸图像的可信度,若可信度足够大,则获取事故车辆各个部位的图像,并根据此对事故车辆进行定损。通过本发明实施例,在进行车辆定损前,经过了两个以上经过合法授权的身份信息数据库的可信度验证,只有在可信度足够高时,才可进行后续的车辆定损,杜绝了不法分子冒充车主骗取赔付金的情况,避免了对车主和保险公司可能造成的巨大损失。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例中一种车辆定损方法的一个实施例流程图;
图2为评估车辆定损请求中的人脸图像的可信度的示意流程图;
图3为计算车辆定损请求中的人脸图像与查找到的人脸图像之间的匹配度的示意流程图;
图4为本发明实施例中一种车辆定损装置的一个实施例结构图;
图5为本发明实施例中一种服务器的示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例中一种车辆定损方法的一个实施例可以包括:
步骤S101、接收终端设备发送的车辆定损请求,并从所述车辆定损请求中提取事故车辆的车辆标识和车主的人脸图像。
在发生车辆事故后,车主可以通过手机、平板电脑等终端设备上安装的指定的应用程序(APP)向服务器发送车辆定损请求。在该车辆定损请求中携带事故车辆的车辆标识和车主的人脸图像,所述车辆标识可以是车牌号码、车辆识别号码(VehicleIdentification Number,VIN)、发动机号码或者其它标识,可以由车主输入到终端设备中,也可以由终端设备对包含该车辆标识的图像进行光学字符识别(Optical CharacterRecognition,OCR)识别得到。所述车主在提交车辆定损请求前,可以先在所述应用程序中点击拍照按钮,由所述应用程序调用终端设备的摄像功能,从而拍摄下自己的人脸图像。为了保证人脸图像的真实性,在本实施例中,只能通过拍照的方式,而不能通过添加本地照片的方式获得人脸图像。
服务器在接收到所述车辆定损请求后,则可以从其中提取出事故车辆的车辆标识和车主的人脸图像。
步骤S102、根据所述车辆标识确定所述车主的身份信息,并在两个以上经过合法授权的身份信息数据库中分别查找与所述身份信息相对应的人脸图像。
服务器可以在预设的车主信息数据库中查找与所述车辆标识对应的身份信息,也即所述车主的身份信息,一般地,车辆标识与身份信息之间是一一对应的。
所述身份信息数据库可以是公安部门、民政部门、教育部门等具有一定权威的政府行政机构或者事业单位的数据库。为了避免单一来源的数据可能存在的偏差,本实施例中使用两个以上的身份信息数据库,大大增加了数据的可靠性。
步骤S103、以查找到的人脸图像作为参照基准评估所述车辆定损请求中的人脸图像的可信度。
优选地,步骤S103具体可以包括如图2所示的步骤:
步骤S1031、将所述车辆定损请求中的人脸图像分别与所述查找到的人脸图像进行匹配,得到所述车辆定损请求中的人脸图像与所述查找到的人脸图像之间的匹配度。
由于本实施例中使用了两个以上的身份信息数据库,一般地,在每个身份信息数据库中均可以查找到与所述身份信息相对应的人脸图像,因此会查找到多个人脸图像。所述车辆定损请求中的人脸图像与每个查找到的人脸图像之间均有一个匹配度,将所述车辆定损请求中的人脸图像分别与这些人脸图像进行匹配,可以得到多个匹配度。
例如,将所述车辆定损请求中的人脸图像记做人脸图像1,将在公安部门查找到的人脸图像记做人脸图像2,将在民政部门查找到的人脸图像记做人脸图像3,将在公安部门查找到的人脸图像记做人脸图像4,则将人脸图像1分别与人脸图像2、人脸图像3和人脸图像4进行人脸匹配,分别得到匹配度1,匹配度2和匹配度3。
在本实施例中,可以通过如图3所示的过程进行匹配度的计算:
步骤S301、计算所述车辆定损请求中的人脸图像的各个特征距离。
所述特征距离为任意两个特征区域(可以分别记为第一特征区域和第二特征区域)中心点之间的距离,所述特征区域可以包括但不限于眉毛所在的区域、眼睛所在的区域、鼻子所在的区域、嘴巴所在的区域等等,如图4所示,图中的×即代表人脸图像的一个特征区域中心点,任意两个特征区域中心点之间的距离即为一个特征距离。
例如,可以根据下式计算所述车辆定损请求中的人脸图像的各个特征距离:
其中,LNm为所述车辆定损请求中的人脸图像的第一特征区域的像素点个数,(xlm,ln,ylm,ln)为所述第一特征区域的第ln个像素点的坐标,1≤ln≤LNm,RNm为所述车辆定损请求中的人脸图像的第二特征区域的像素点个数,(xrm,rn,yrm,rn)为所述第一特征区域的第rn个像素点的坐标,1≤rn≤RNm,(AveXLm,AveYLm)为所述第一特征区域的中心点坐标,且(AveXRm,AveYRm)为所述第二特征区域的中心点坐标,且
步骤S302、将各个特征距离构造为所述车辆定损请求中的人脸图像的特征向量。
例如,可以按照下式将各个特征距离构造为所述车辆定损请求中的人脸图像的特征向量:
FeatureVec=(FtVal1,FtVal2,...,FtValm,...,FtValM)
其中,m为特征距离的序号,1≤m≤M,M为特征距离的总数,FtValm为所述车辆定损请求中的人脸图像的第m个特征距离。
步骤S303、计算所述车辆定损请求中的人脸图像与查找到的第f个人脸图像之间的匹配度。
具体地,可以根据下式计算所述车辆定损请求中的人脸图像与查找到的第f个人脸图像之间的匹配度:
其中,1≤f≤F,F为查找到的人脸图像的总数,StdVecf为查找到的第f个人脸图像的特征向量,且StdVecf=(StdValf,1,StdValf,2,...,StdValf,m,...,StdValf,M),StdValf,m为查找到的第f个人脸图像的第m个特征距离,Abs为求绝对值函数。
进一步地,为了保证结果的准确性,在所述车辆定损请求中可以包括两张以上的人脸图像,其中任一人脸图像的特征向量如下:
FeatureVecp=(FtValp,1,FtValp,2,...,FtValp,m,...,FtValp,M)
其中,p为所述车辆定损请求中的人脸图像的序号,1≤p≤P,P为所述车辆定损请求中的人脸图像总数,FtValp,m为所述车辆定损请求中的第p张人脸图像的第m个特征距离,FeatureVecp为所述车辆定损请求中的第p张人脸图像的特征向量。
接着,取各个特征向量的均值,并将各个特征距离由绝对值转化为相对值,即将其中的某一个特征距离作为基准(即单位1),其它特征距离的取值为与该特征距离的比值,最后得到以下特征向量:
FtVecMean=(FtValM1,FtValM2,...,FtValMm,...,FtValMM)
其中,std即为基准特征距离的序号。
最后,根据下式计算所述车辆定损请求中的人脸图像与查找到的第f个人脸图像之间的匹配度:
步骤S1032、获取所述查找到的人脸图像最后一次在对应的身份信息数据库中的更新时间。
步骤S1033、根据所述查找到的人脸图像最后一次在对应的身份信息数据库中的更新时间计算所述身份信息数据库的权值。
所述身份信息数据库的权值与所述查找到的人脸图像最后一次在对应的身份信息数据库中的更新时间的早晚负相关,若更新时间越早,则说明该人脸图像越陈旧,与该车主当前的差别越大,因此其权值应该越低,若更新时间越晚,则说明该人脸图像越新,与该车主当前的差别越小,因此其权值应该越高。
作为示例,以下示出了一种具体的根据最后更新时间来计算权值的方法:首先,计算各个身份信息数据库的所述更新时间距离当前时刻的时长,然后将其求和,得到总时长,并将总时长分别除以各个身份信息数据库的所述更新时间距离当前时刻的时长,最后求得所得之商的总和,并将各个商占该总和的比值分别确定为各个身份信息数据库的权值。
例如,若公安部门的人脸图像2最后一次的更新时间距离当前时刻的时长为5个月,民政部门的人脸图像3最后一次的更新时间距离当前时刻的时长为4个月,教育部门的人脸图像4最后一次的更新时间距离当前时刻的时长为1个月,将其求和得到总时长为10个月,然后将总时长分别除以各个身份信息数据库的所述更新时间距离当前时刻的时长,分别得到10/5=2、10/4=2.5、10/1=10,所得之商的总和为2+2.5+10=14.5,最后计算2/14.5=0.138、2.5/14.5=0.172、10/14.5=0.69,即公安部门的身份信息数据库的权值为0.138,民政部门的身份信息数据库的权值为0.172,教育部门的身份信息数据库的权值为0.69。
特别需要注意的是,上述计算方法仅为计算所述身份信息数据库的权值的一种实现,还可以根据实际情况选择其它计算方法,本实施例对此不作具体限定。
步骤S1034、使用所述身份信息数据库的权值对所述匹配度进行加权,并将加权后的所述匹配度之和确定为所述车辆定损请求中的人脸图像的可信度。
例如,通过步骤S1031计算得到所述车辆定损请求中的人脸图像1与公安部门查找到的人脸图像2的匹配度为0.9,与民政部门查找到的人脸图像3的匹配度为0.95,与教育部门查找到的人脸图像4的匹配度为0.8,通过步骤S1033计算得到公安部门的身份信息数据库的权值为0.138,民政部门的身份信息数据库的权值为0.172,教育部门的身份信息数据库的权值为0.69,则可计算所述车辆定损请求中的人脸图像的可信度为0.9*0.138+0.95*0.172+0.8*0.69=0.8396。
步骤S104、判断所述车辆定损请求中的人脸图像的可信度是否大于预设的第一阈值。
所述第一阈值可以根据实际情况进行设置,例如,可以将其设置为80%、90%、95%或者其它取值。若所述车辆定损请求中的人脸图像的可信度大于所述第一阈值,则执行步骤S105及步骤S106,若所述车辆定损请求中的人脸图像的可信度小于或等于所述第一阈值,则执行步骤S107。
步骤S105、获取所述事故车辆各个部位的图像。
当所述车辆定损请求中的人脸图像的可信度大于所述第一阈值时,服务器会向所述终端设备下发请求接收消息,告知车主其车辆定损请求已被接收,请其上传事故车辆的图像。
所述车主在接收到该消息后,可以在所述应用程序中点击拍照按钮,由所述应用程序调用终端设备的摄像功能,从而拍摄下所述事故车辆的保险杠、车门、车轮、悬架、底盘、发动机、气缸等各个车辆部位在事故后的图像。为了保证车辆图像的真实性,在本实施例中,只能通过拍照的方式,而不能通过添加本地照片的方式获得车辆图像。在拍摄完成后,车主可以在所述应用程序中点击上传按钮,将这些图像上传至服务器。
在本实施例的一种具体实现中,每个车辆部位可以对应一个图像,在本实施例的一种具体实现中,考虑到各个车辆部位的重要性是有差异的,例如,发动机是车辆中最重要的部位,因此,各个不同车辆部位可以对应一个或多个图像,在发动机等核心部位可以拍摄两个以上的图像,从而采集到更加充足的发动机图像数据,而对于其它非核心部位可以只拍摄一个图像。
步骤S106、根据所述事故车辆各个部位的图像对所述事故车辆进行定损。
服务器在接收到这些图像后,服务器将这些图像与同型号车辆的标准模型作对比,通过两者之间的图像差异情况来确定出车辆各部位的损毁情况。
本方案中通过局部二值模式(Local Binary Patterns,LBP)算法来计算车辆图像之间的差异情况,具体地,构造一种衡量各个像素点与其周围像素点的关系,对图像中的每个像素,通过计算以其为中心的邻域内各像素和中心像素的大小关系,把像素的灰度值转化为一个八位二进制序列。以中心点的像素值为阈值,如果邻域点的像素值小于中心点,则邻域点被二值化为0,否则为1;将二值化得到的0、1序列看成一个8位二进制数,将该二进制数转化为十进制就可得到中心点处的LBP值。计算出每个像素点的LBP值后,将LBP特征谱的统计直方图确定为图像的特征向量。由于利用了周围点与该点的关系对该点进行量化。量化后可以更有效地消除光照对图像的影响。只要光照的变化不足以改变两个点像素值之间的大小关系,那么LBP值不会发生变化,即保证了特征信息提取的准确性,在获得了图像的特征信息后,即可根据下式计算车辆的损毁程度:
其中,s为车辆的部位序号,1≤s≤S,S为车辆部位的总数,CarFtVecs=(CarFtVals,1,CarFtVals,2,...,CarFtVals,m,...,CarFtVals,N)为车辆的第s个部位的特征向量,StdVecs=(StdVals,1,StdVals,2,...,StdVals,m,...,StdVals,N)为标准模型的第s个部位的特征向量,Abs为求绝对值函数,DmgIdxs为车辆的第s个部位的损毁度。
在确定了车辆各部位的损毁情况之后,可以根据下式计算赔付金额:
其中,StdAmounts为车辆各部位的基准赔付额,可通过查询数据库获取具体取值,TotalAmount即为自动计算得到的赔付金额。
在赔付金额计算完成之后,根据车主的身份信息从数据库中查询其支付账户,自动将赔款直接下发到该账户。
步骤S107、向所述终端设备发送拒绝消息。
若所述车辆定损请求中的人脸图像的可信度小于或等于所述第一阈值,则说明车主的人脸图像存在安全风险,此时服务器向所述终端设备发送拒绝消息,以避免对车主和保险公司可能造成的巨大损失。
在本实施例的另一种可能实现中,若所述车辆定损请求中的人脸图像的可信度小于或等于所述第一阈值,则服务器将预设的第一计数器加一,然后判断所述第一计数器是否小于预设的第二阈值,若所述第一计数器小于所述第二阈值,则返回执行步骤S101,若所述第一计数器大于或等于所述第二阈值,则获取所述车主上传的身份证图像及所述车主手持身份证的图像,并提取所述身份证图像中的身份信息,若所述身份证图像中的身份信息与所述车主的身份信息一致,则将所述车主手持身份证的图像与所述车辆定损请求中的人脸图像进行人脸匹配,若所述车主手持身份证的图像与所述车辆定损请求中的人脸图像匹配成功,则执行步骤S105及步骤S106,若匹配不成功,则执行步骤S107。所述第二阈值可以根据实际情况设置,例如,可以将其设置为2、3、5或者其它取值。
综上所述,本发明实施例在接收到终端设备发送的车辆定损请求后,从该车辆定损请求中提取出事故车辆的车辆标识和车主的人脸图像,确定车主的身份信息,在两个以上经过合法授权的身份信息数据库中分别查找与该身份信息相对应的人脸图像,并以此为参照基准评估人脸图像的可信度,若可信度足够大,则获取事故车辆各个部位的图像,并根据此对事故车辆进行定损。通过本发明实施例,在进行车辆定损前,经过了两个以上经过合法授权的身份信息数据库的可信度验证,只有在可信度足够高时,才可进行后续的车辆定损,杜绝了不法分子冒充车主骗取赔付金的情况,避免了对车主和保险公司可能造成的巨大损失。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种车辆定损方法,图4示出了本发明实施例提供的一种车辆定损装置的一个实施例结构图。
本实施例中,一种车辆定损装置可以包括:
定损请求接收模块401,用于接收终端设备发送的车辆定损请求,并从所述车辆定损请求中提取事故车辆的车辆标识和车主的人脸图像;
人脸图像查找模块402,用于根据所述车辆标识确定所述车主的身份信息,并在两个以上经过合法授权的身份信息数据库中分别查找与所述身份信息相对应的人脸图像;
可信度计算模块403,用于以查找到的人脸图像作为参照基准评估所述车辆定损请求中的人脸图像的可信度;
车辆图像获取模块404,用于若所述车辆定损请求中的人脸图像的可信度大于预设的第一阈值,则获取所述事故车辆各个部位的图像;
车辆定损模块405,用于根据所述事故车辆各个部位的图像对所述事故车辆进行定损。
进一步地,所述可信度计算模块可以包括:
匹配度计算单元,用于将所述车辆定损请求中的人脸图像分别与所述查找到的人脸图像进行匹配,得到所述车辆定损请求中的人脸图像与所述查找到的人脸图像之间的匹配度;
更新时间获取单元,用于获取所述查找到的人脸图像最后一次在对应的身份信息数据库中的更新时间;
权值计算单元,用于根据所述查找到的人脸图像最后一次在对应的身份信息数据库中的更新时间计算所述身份信息数据库的权值;
可信度计算单元,用于使用所述身份信息数据库的权值对所述匹配度进行加权,并将加权后的所述匹配度之和确定为所述车辆定损请求中的人脸图像的可信度。
进一步地,所述匹配度计算单元可以包括:
特征距离计算子单元,用于计算所述车辆定损请求中的人脸图像的各个特征距离,所述特征距离为任意两个特征区域中心点之间的距离;
特征向量构造子单元,用于按照下式将各个特征距离构造为所述车辆定损请求中的人脸图像的特征向量:
FeatureVec=(FtVal1,FtVal2,...,FtValm,...,FtValM)
其中,m为特征距离的序号,1≤m≤M,M为特征距离的总数,FtValm为所述车辆定损请求中的人脸图像的第m个特征距离;
匹配度计算子单元,用于根据下式计算所述车辆定损请求中的人脸图像与查找到的第f个人脸图像之间的匹配度:
其中,1≤f≤F,F为查找到的人脸图像的总数,StdVecf为查找到的第f个人脸图像的特征向量,且StdVecf=(StdValf,1,StdValf,2,...,StdValf,m,...,StdValf,M),StdValf,m为查找到的第f个人脸图像的第m个特征距离,Abs为求绝对值函数。
进一步地,所述特征距离计算子单元具体用于根据下式计算所述车辆定损请求中的人脸图像的各个特征距离:
其中,LNm为所述车辆定损请求中的人脸图像的第一特征区域的像素点个数,(xlm,ln,ylm,ln)为所述第一特征区域的第ln个像素点的坐标,1≤ln≤LNm,RNm为所述车辆定损请求中的人脸图像的第二特征区域的像素点个数,(xrm,rn,yrm,rn)为所述第一特征区域的第rn个像素点的坐标,1≤rn≤RNm,(AveXLm,AveYLm)为所述第一特征区域的中心点坐标,且(AveXRm,AveYRm)为所述第二特征区域的中心点坐标,且
进一步地,所述车辆定损装置还可以包括:
计数模块,用于若所述车辆定损请求中的人脸图像的可信度小于或等于所述第一阈值,则将预设的第一计数器加一;
图像获取模块,用于若所述第一计数器大于或等于所述第二阈值,则获取所述车主上传的身份证图像及所述车主手持身份证的图像;
身份信息提取模块,用于提取所述身份证图像中的身份信息;
人脸匹配模块,用于若所述身份证图像中的身份信息与所述车主的身份信息一致,则将所述车主手持身份证的图像与所述车辆定损请求中的人脸图像进行人脸匹配;
车辆定损模块,用于若所述车主手持身份证的图像与所述车辆定损请求中的人脸图像匹配成功,则获取所述事故车辆各个部位的图像,并根据所述事故车辆各个部位的图像对所述事故车辆进行定损。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置,模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
图5示出了本发明实施例提供的一种服务器的示意框图,为了便于说明,仅示出了与本发明实施例相关的部分。
在本实施例中,所述服务器5可以包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机可读指令52,例如执行上述的车辆定损方法的计算机可读指令。所述处理器50执行所述计算机可读指令52时实现上述各个车辆定损方法实施例中的步骤,例如图1所示的步骤S101至S107。或者,所述处理器50执行所述计算机可读指令52时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块401至405的功能。
示例性的,所述计算机可读指令52可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器51中,并由所述处理器50执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机可读指令52在所述服务器5中的执行过程。
所述处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述服务器5的内部存储单元,例如服务器5的硬盘或内存。所述存储器51也可以是所述服务器5的外部存储设备,例如所述服务器5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51还可以既包括所述服务器5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机可读指令以及所述服务器5所需的其它指令和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。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或者该技术方案的全部或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中,包括若干计算机可读指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。
以上所述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精神和范围。
Claims (10)
1.一种基于人脸识别的车辆定损方法,其特征在于,包括:
接收终端设备发送的车辆定损请求,并从所述车辆定损请求中提取事故车辆的车辆标识和车主的人脸图像;
根据所述车辆标识确定所述车主的身份信息,并在两个以上经过合法授权的身份信息数据库中分别查找与所述身份信息相对应的人脸图像;
以查找到的人脸图像作为参照基准评估所述车辆定损请求中的人脸图像的可信度;
若所述车辆定损请求中的人脸图像的可信度大于预设的第一阈值,则获取所述事故车辆各个部位的图像,并根据所述事故车辆各个部位的图像对所述事故车辆进行定损。
2.根据权利要求1所述的车辆定损方法,其特征在于,所述以查找到的人脸图像作为参照基准评估所述车辆定损请求中的人脸图像的可信度包括:
将所述车辆定损请求中的人脸图像分别与所述查找到的人脸图像进行匹配,得到所述车辆定损请求中的人脸图像与所述查找到的人脸图像之间的匹配度;
获取所述查找到的人脸图像最后一次在对应的身份信息数据库中的更新时间;
根据所述查找到的人脸图像最后一次在对应的身份信息数据库中的更新时间计算所述身份信息数据库的权值;
使用所述身份信息数据库的权值对所述匹配度进行加权,并将加权后的所述匹配度之和确定为所述车辆定损请求中的人脸图像的可信度。
3.根据权利要求2所述的车辆定损方法,其特征在于,所述将所述车辆定损请求中的人脸图像分别与所述查找到的人脸图像进行匹配,得到所述车辆定损请求中的人脸图像与所述查找到的人脸图像之间的匹配度包括:
计算所述车辆定损请求中的人脸图像的各个特征距离,所述特征距离为任意两个特征区域中心点之间的距离;
按照下式将各个特征距离构造为所述车辆定损请求中的人脸图像的特征向量:
FeatureVec=(FtVal1,FtVal2,...,FtValm,...,FtValM)
其中,m为特征距离的序号,1≤m≤M,M为特征距离的总数,FtValm为所述车辆定损请求中的人脸图像的第m个特征距离;
根据下式计算所述车辆定损请求中的人脸图像与查找到的第f个人脸图像之间的匹配度:
其中,1≤f≤F,F为查找到的人脸图像的总数,StdVecf为查找到的第f个人脸图像的特征向量,且StdVecf=(StdValf,1,StdValf,2,...,StdValf,m,...,StdValf,M),StdValf,m为查找到的第f个人脸图像的第m个特征距离,Abs为求绝对值函数。
4.根据权利要求3所述的车辆定损方法,其特征在于,所述计算所述车辆定损请求中的人脸图像的各个特征距离包括:
根据下式计算所述车辆定损请求中的人脸图像的各个特征距离:
其中,LNm为所述车辆定损请求中的人脸图像的第一特征区域的像素点个数,(xlm,ln,ylm,ln)为所述第一特征区域的第ln个像素点的坐标,1≤ln≤LNm,RNm为所述车辆定损请求中的人脸图像的第二特征区域的像素点个数,(xrm,rn,yrm,rn)为所述第一特征区域的第rn个像素点的坐标,1≤rn≤RNm,(AveXLm,AveYLm)为所述第一特征区域的中心点坐标,且(AveXRm,AveYRm)为所述第二特征区域的中心点坐标,且
5.根据权利要求1至4中任一项所述的车辆定损方法,其特征在于,还包括:
若所述车辆定损请求中的人脸图像的可信度小于或等于所述第一阈值,则将预设的第一计数器加一;
若所述第一计数器小于预设的第二阈值,则返回执行所述接收终端设备发送的车辆定损请求的步骤;
若所述第一计数器大于或等于所述第二阈值,则获取所述车主上传的身份证图像及所述车主手持身份证的图像;
提取所述身份证图像中的身份信息;
若所述身份证图像中的身份信息与所述车主的身份信息一致,则将所述车主手持身份证的图像与所述车辆定损请求中的人脸图像进行人脸匹配;
若所述车主手持身份证的图像与所述车辆定损请求中的人脸图像匹配成功,则获取所述事故车辆各个部位的图像,并根据所述事故车辆各个部位的图像对所述事故车辆进行定损。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的车辆定损方法的步骤。
7.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如下步骤:
接收终端设备发送的车辆定损请求,并从所述车辆定损请求中提取事故车辆的车辆标识和车主的人脸图像;
根据所述车辆标识确定所述车主的身份信息,并在两个以上经过合法授权的身份信息数据库中分别查找与所述身份信息相对应的人脸图像;
以查找到的人脸图像作为参照基准评估所述车辆定损请求中的人脸图像的可信度;
若所述车辆定损请求中的人脸图像的可信度大于预设的第一阈值,则获取所述事故车辆各个部位的图像,并根据所述事故车辆各个部位的图像对所述事故车辆进行定损。
8.根据权利要求7所述的服务器,其特征在于,所述以查找到的人脸图像作为参照基准评估所述车辆定损请求中的人脸图像的可信度包括:
将所述车辆定损请求中的人脸图像分别与所述查找到的人脸图像进行匹配,得到所述车辆定损请求中的人脸图像与所述查找到的人脸图像之间的匹配度;
获取所述查找到的人脸图像最后一次在对应的身份信息数据库中的更新时间;
根据所述查找到的人脸图像最后一次在对应的身份信息数据库中的更新时间计算所述身份信息数据库的权值;
使用所述身份信息数据库的权值对所述匹配度进行加权,并将加权后的所述匹配度之和确定为所述车辆定损请求中的人脸图像的可信度。
9.根据权利要求8所述的服务器,其特征在于,所述将所述车辆定损请求中的人脸图像分别与所述查找到的人脸图像进行匹配,得到所述车辆定损请求中的人脸图像与所述查找到的人脸图像之间的匹配度包括:
计算所述车辆定损请求中的人脸图像的各个特征距离,所述特征距离为任意两个特征区域中心点之间的距离;
按照下式将各个特征距离构造为所述车辆定损请求中的人脸图像的特征向量:
FeatureVec=(FtVal1,FtVal2,...,FtValm,...,FtValM)
其中,m为特征距离的序号,1≤m≤M,M为特征距离的总数,FtValm为所述车辆定损请求中的人脸图像的第m个特征距离;
根据下式计算所述车辆定损请求中的人脸图像与查找到的第f个人脸图像之间的匹配度:
其中,1≤f≤F,F为查找到的人脸图像的总数,StdVecf为查找到的第f个人脸图像的特征向量,且StdVecf=(StdValf,1,StdValf,2,...,StdValf,m,...,StdValf,M),StdValf,m为查找到的第f个人脸图像的第m个特征距离,Abs为求绝对值函数。
10.根据权利要求9所述的服务器,其特征在于,所述计算所述车辆定损请求中的人脸图像的各个特征距离包括:
根据下式计算所述车辆定损请求中的人脸图像的各个特征距离:
其中,LNm为所述车辆定损请求中的人脸图像的第一特征区域的像素点个数,(xlm,ln,ylm,ln)为所述第一特征区域的第ln个像素点的坐标,1≤ln≤LNm,RNm为所述车辆定损请求中的人脸图像的第二特征区域的像素点个数,(xrm,rn,yrm,rn)为所述第一特征区域的第rn个像素点的坐标,1≤rn≤RNm,(AveXLm,AveYLm)为所述第一特征区域的中心点坐标,且(AveXRm,AveYRm)为所述第二特征区域的中心点坐标,且
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811529013.2A CN109785157A (zh) | 2018-12-14 | 2018-12-14 | 一种基于人脸识别的车辆定损方法、存储介质及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811529013.2A CN109785157A (zh) | 2018-12-14 | 2018-12-14 | 一种基于人脸识别的车辆定损方法、存储介质及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109785157A true CN109785157A (zh) | 2019-05-21 |
Family
ID=66495952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811529013.2A Pending CN109785157A (zh) | 2018-12-14 | 2018-12-14 | 一种基于人脸识别的车辆定损方法、存储介质及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785157A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI818181B (zh) * | 2020-06-23 | 2023-10-11 | 新局數位科技有限公司 | 車體定損輔助系統及其實施方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107368776A (zh) * | 2017-04-28 | 2017-11-21 | 阿里巴巴集团控股有限公司 | 车辆定损图像获取方法、装置、服务器和终端设备 |
CN107730485A (zh) * | 2017-08-03 | 2018-02-23 | 上海壹账通金融科技有限公司 | 车辆定损方法、电子设备及计算机可读存储介质 |
CN107742100A (zh) * | 2017-10-12 | 2018-02-27 | 平安科技(深圳)有限公司 | 一种考生身份验证方法及终端设备 |
CN108875648A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于手机视频流的实时车辆损伤和部件检测的方法 |
-
2018
- 2018-12-14 CN CN201811529013.2A patent/CN109785157A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107368776A (zh) * | 2017-04-28 | 2017-11-21 | 阿里巴巴集团控股有限公司 | 车辆定损图像获取方法、装置、服务器和终端设备 |
CN107730485A (zh) * | 2017-08-03 | 2018-02-23 | 上海壹账通金融科技有限公司 | 车辆定损方法、电子设备及计算机可读存储介质 |
CN107742100A (zh) * | 2017-10-12 | 2018-02-27 | 平安科技(深圳)有限公司 | 一种考生身份验证方法及终端设备 |
CN108875648A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于手机视频流的实时车辆损伤和部件检测的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI818181B (zh) * | 2020-06-23 | 2023-10-11 | 新局數位科技有限公司 | 車體定損輔助系統及其實施方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401558B (zh) | 数据处理模型训练方法、数据处理方法、装置、电子设备 | |
US20210224812A1 (en) | Fraudulent transaction identification method and apparatus, server, and storage medium | |
CN110287971B (zh) | 数据验证方法、装置、计算机设备及存储介质 | |
CN112507936B (zh) | 图像信息审核方法、装置、电子设备及可读存储介质 | |
US11514526B1 (en) | Systems and methods for property damage restoration predictions based upon processed digital images | |
CN112507922B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN110569864A (zh) | 基于gan网络的车损图像生成方法和装置 | |
CN111415336B (zh) | 一种图像篡改识别方法、装置、服务器及存储介质 | |
CN110796054B (zh) | 证件验真方法及装置 | |
CN110070430A (zh) | 评估还款风险的方法及装置、存储介质、电子设备 | |
CN111681091A (zh) | 基于时间域信息的金融风险预测方法、装置及存储介质 | |
CN108323209B (zh) | 信息处理方法、系统、云处理设备以及计算机存储介质 | |
CN109978552B (zh) | 一种基于身份证信息的支付处理方法、装置及设备 | |
CN112651342A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN109784171A (zh) | 车辆定损图像筛选方法、装置、可读存储介质及服务器 | |
CN109785157A (zh) | 一种基于人脸识别的车辆定损方法、存储介质及服务器 | |
CN109326020A (zh) | 一种基于虹膜识别的地铁购票及检票方法 | |
CN111192150A (zh) | 车辆出险代理业务的处理方法、装置、设备及存储介质 | |
Krysovatyy et al. | Classification Method of Fictitious Enterprises Based on Gaussian Naive Bayes | |
CN112819486B (zh) | 用于身份证明的方法和系统 | |
CN113822292B (zh) | 车辆特征信息存储方法、装置、计算机设备及存储介质 | |
CN116092094A (zh) | 图像文本识别方法、装置、计算机可读介质及电子设备 | |
CN109635651B (zh) | 一种基于图像识别的车辆定损方法、存储介质及服务器 | |
CN111583215A (zh) | 损伤图像智能定损方法、装置、电子设备及存储介质 | |
CN111597896A (zh) | 异常人脸的识别方法、识别装置、识别设备和存储介质 |
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 |