CN114037541A - 基于生物特征识别的定点医药机构的监管方法及相关设备 - Google Patents
基于生物特征识别的定点医药机构的监管方法及相关设备 Download PDFInfo
- Publication number
- CN114037541A CN114037541A CN202111308487.6A CN202111308487A CN114037541A CN 114037541 A CN114037541 A CN 114037541A CN 202111308487 A CN202111308487 A CN 202111308487A CN 114037541 A CN114037541 A CN 114037541A
- Authority
- CN
- China
- Prior art keywords
- medicine
- image
- information
- face
- medical insurance
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000001960 triggered effect Effects 0.000 claims abstract description 5
- 229940126532 prescription medicine Drugs 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 31
- 230000001815 facial effect Effects 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 229940079593 drug Drugs 0.000 claims description 12
- 239000000955 prescription drug Substances 0.000 claims description 8
- 210000003128 head Anatomy 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 20
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4012—Verifying personal identification numbers [PIN]
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4014—Identity check for transactions
- G06Q20/40145—Biometric identity checks
Abstract
本发明公开了一种基于生物特征识别的定点医药机构的监管方法及相关设备。其中，该方法包括：定点医药机构监管平台响应于定点医药机构中管理系统触发医保卡支付的结算请求，获取使用所述医保卡的用户的第一生物特征信息和所述医保卡的串码；根据串码，从社会保障平台获取所述串码对应的所述医保卡的持有者的第二生物特征信息；将所述第一生物特征信息与所述第二生物特征信息进行匹配；若所述第一生物特征信息与所述第二生物特征信息不匹配，则向所述管理系统发送预警指令。本发明通过基于生物特征识别技术实现上述方案，有效的解决现有定点医药机构进行监管不到位，违规使用医保卡刷卡、随意抬高药价的问题。
Description
技术领域
本发明涉及医药监管技术领域，尤其涉及一种基于生物特征识别的定点医药机构的监管方法及相关设备。
背景技术
随着“全国医保异地就医”、“互联网+健康医疗”事业的普及和深入发展，各医保部门以及医保经办机构急需发展智慧化程度较高的监管理系统以减轻人力不足、疲于应对及脑力不及的负担。同时，人口老龄化问题的深化以及广大群众日益增长的对医疗健康服务的需求，都对医保基金健康稳步发展提出更高的要求。
目前，全国大部分省市的基金监管工作，仍以人工抽单，事后监管为主。对于在医疗服务的第一道关卡，即本人与医保卡(码)的一致性的甄别、是否为活体的识别、是否为挂床住院的判断等，都缺乏有效的监管手段，无法在事前进行干预。
但是，由于目前没有较为完整的监管手段，因而随着定点药店的增加，问题也接踵而至。这不仅违反了医保管理相关规定，使得医疗保险基金不能合理使用，不能为参保人提供必要、合理的基本医疗服务，同时也造成了行业内的恶性竞争，严重影响市场秩序。
所以，亟需提供一种能够对定点药店等定点医药机构进行监管，以防止定点医药机构利用监管漏洞进行违规刷卡、冒名就医就诊、住院隔夜挂床、死亡人员继续享受待遇等。
发明内容
本发明的主要目的在于提供一种基于生物特征识别的定点医药机构的监管方法及相关设备，旨在解决现有技术中无法对定点医药机构进行有效的监管，从而无法避免定点医药机构利用监管漏洞进行违规刷卡、随意抬高药价的技术问题。
为实现上述目的，本发明提出的一种基于生物特征识别的定点医药机构的监管方法，所述方法包括以下步骤：
定点医药机构监管平台响应于定点医药机构中管理系统触发医保卡支付的结算请求，获取使用所述医保卡的用户的第一生物特征信息和所述医保卡的串码；
根据所述串码，从社会保障平台获取所述串码对应的所述医保卡的持有者的第二生物特征信息；
将所述第一生物特征信息与所述第二生物特征信息进行匹配；
若所述第一生物特征信息与所述第二生物特征信息不匹配，则向所述管理系统发送预警指令。
可选地，所述获取使用所述医保卡的用户的第一生物特征信息的步骤包括：
接收所述定点医药机构中图像采集设备上传的实时流媒体文件
逐帧检测并筛选出流媒体文件中携带使用所述医保卡的用户的人脸图像的流媒体数据；
提取所述流媒体数据中的待校验图像，根据预存的人脸特征提取模型，对所述待校验图像进行人脸特征提取，得到所述第一生物特征信息，所述人脸特征提取模型根据所述人脸样本数据中的人脸特征训练获得。
可选地，所述根据预存的人脸特征提取模型，对所述待校验图像进行人脸特征提取，得到所述第一生物特征信息的步骤包括：
将待校验图像转化为灰度图像；
采用直方图均衡化算法对灰度图像的像素进行重新分配，获得灰度加强图像；
对灰度加强图像进行中值滤波处理；
以双眼的位置和距离为依据，对中值滤波处理后的灰度加强图像进行缩放、平移、旋转获得标准化人脸图像；
以眼睛之间的距离为依据，两眼的中心点作为参照中心，分别沿参照中心的上、下、左、右的方向延伸，切割出一定大小的脸部区域图像，获得校验区域图像。
对所述校验区域图像进行人脸特征提取，得到所述第一生物特征信息。
可选地，所述对所述校验区域图像进行人脸特征提取，得到所述第一生物特征信息的步骤包括：
对所述校验区域图像进行LBP加强算子处理，得到LBP纹理图像；
将LBP纹理图与校验区域图像融合，得到图像I1；
对图像I1进行特征提取，得到第一生物特征信息，所述第一生物特征信息为人脸图像的特征向量。
可选地，所述对所述校验区域图像进行LBP加强算子处理，得到LBP纹理图像的步骤包括：
将校验区域图像拆分为多个3×3邻域；
在任意一个3×3邻域中，将所述邻域内的8个像素值依次与第一阈值进行比较，若邻域内的像素值大于第一阈值，则将所述像素对应的首位设置为1，否则将所述像素对应的首位设置为0；
在所述3×3邻域中，将所述邻域内的8个像素值依次与第二阈值进行比较，若邻域内的像素值与中心像素值的差值的绝对值大于第二阈值，则将所述像素对应的第二位设置为1，否则将所述像素对应的第二位设置为0；
将所述邻域内的8个像素点通过比较后产生的“0”和“1”按一定的顺序连接起来获得16位二进制数，将获得的二进制数转化为十进制数，计算得到每个像素点对应的LBP值，可视化后得到LBP纹理图像；
其中，所述第一阈值为中心像素的灰度值，所述第二阈值为邻域内的8 个像素值与中心像素差值的平均值的绝对值。
可选地，所述将所述第一人脸特征信息与所述第二人脸特征信息进行匹配的步骤包括：
将所述第一人脸特征信息与所述第二人脸特征信息进行逐一匹配，确定所述第一人脸特征信息与所述第二人脸特征信息之间的余弦相似度；
将所述余弦相似度与预设的相似度阈值进行比较；
其中，所述若所述第一生物特征信息与所述第二生物特征信息不匹配，则向所述刷卡设备下发禁止使用所述医保卡支付的指令，包括：
若所述余弦相似度小于所述相似度阈值，则向所述刷卡设备下发禁止使用所述医保卡支付的指令。
可选地，所述将所述第一生物特征信息与所述第二生物特征信息进行匹配之后，所述方法还包括：
若所述第一生物特征信息与所述第二生物特征信息匹配，则获取购买的药品清单；
根据预存的处方药药品名录，判断所述药品清单中是否包含处方药；
若药品清单中包括处方药，则获取药品清单中处方药的药品识别码和数量；
根据所述串码，从社会保障平台获取所述串码对应的未完成的处方信息；
将处方药的药品识别码和数量与未完成的处方信息对比；
若处方药的药品识别码和数量与未完成处方信息一致则向所述管理系统发送允许支付指令，并在接收到管理系统反馈的支付成功指令后将所述处方信息标记为完成。
可选地，所述根据预存的处方药药品名录，判断所述药品清单中是否包含处方药的步骤之后，所述方法还包括：
若药品清单不包括处方药，则提取购买的药品清单中各药品的识别码及单价；
根据预存的医保药品费用标准和所述药品的单价，判断所述药品价格是否满足所述医保药品费用标准的规定；
若所述药品价格满足所述医保药品费用标准的规定，则向所述管理系统发生允许支付指令。
此外，为实现上述目的，本发明还提供一种基于生物特征识别的定点医药机构的监管设备，所述设备包括：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基于生物特征识别的定点医药机构的监管程序，所述基于生物特征识别的定点医药机构的监管程序配置为实现如权利要求1 至8中任一项所述的基于生物特征识别的定点医药机构的监管方法的步骤。
此外，为实现上述目的，本发明还提供一种存储介质，，所述存储介质上存储有基于生物特征识别的定点医药机构的监管程序，所述基于生物特征识别的定点医药机构的监管程序被处理器执行时实现如权利要求1至8任一项所述的基于生物特征识别的定点医药机构的监管方法的步骤。
本发明技术方案中，本发明提供的基于生物特征识别的定点医药机构的监管方案，在有用户购买药品时使用医保卡支付，通过获取当前使用医保卡购买药品的用户的第一生物特征和该医保卡的串码，并根据获取到的串码从社会保障平台获取与当前串码对应的医保卡的真正的持有者的第二生物特征信息，然后将第一生物特征信息与第二生物特征信息进行匹配，在二者匹配时才能利用该医保卡支付购买的药品的费用，否则便向发起刷卡请求的刷卡设备下发禁止使用该医保卡支付的指令，使得刷卡设备无法从该医保卡中成功扣费，从而可以有效的避免医疗定点医药机构利用监管漏洞进行违规刷卡。
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为本发明实施例方案设计中硬件运行环境的基于生物特征识别的定点医药机构的监管设备的结构示意图；
图2为本发明基于生物特征识别的定点医药机构的监管方法第一实施例的流程示意图；
图3为本发明基于生物特征识别的定点医药机构的监管方法第一实施例中LBP加强算子处理的流程示意图；
图4为为本发明基于生物特征识别的定点医药机构的监管方法第二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
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于生物特征识别的定点医药机构的监管设备结构示意图。
如图1所示，该基于生物特征识别的定点医药机构的监管设备可以包括：处理器，例如中央处理器1011(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)、语音指令接收器，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器可选的还可以是独立于前述处理器的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于生物特征识别的定点医药机构的监管设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及基于生物特征识别的定点医药机构的监管程序。
在图1所示的基于生物特征识别的定点医药机构的监管设备中，网络接口1004主要用于与定点医药机构的各种设备，如进销存管理设备、刷卡设备、图像采集设备进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于生物特征识别的定点医药机构的监管设备中的处理器1001、存储器1005可以设置在基于生物特征识别的定点医药机构的监管设备中，所述基于生物特征识别的定点医药机构的监管设备通过处理器1001调用存储器1005 中存储的基于生物特征识别的定点医药机构的监管程序，并执行本发明实施例提供的基于生物特征识别的定点医药机构的监管方法。
本发明实施例提供了一种基于生物特征识别的定点医药机构的监管方法，参照图2，图2为本发明一种基于生物特征识别的定点医药机构的监管方法第一实施例的流程示意图。
本实施例中，所述基于生物特征识别的定点医药机构的监管方法包括以下步骤：
步骤S10：定点医药机构监管平台响应于定点医药机构中管理系统触发医保卡支付的结算请求，获取使用所述医保卡的用户的第一生物特征信息和所述医保卡的串码。
本案中提供的定点医药机构监管平台需要预先与各定点医药机构中的管理系统，如HIS收费系统、药店ERP进销存系统通信连通，管理系统与各种类型的刷卡设备，可以是专门的刷卡机、也可以是安装有相应收款应用程序的各种智能移动设备，如手机、平板电脑等，以及各种图形采集设备，供医护人员下单、开具药房的终端设备的通信连通，从而可以与上述设备进行数据及指令的交互，以保证该监管方法的顺利执行。定点医药机构可以是定点连锁药店、定点单体药店、定点医疗机构(如定点医院)。
此外，定点医药机构监管平台还需要与社会保障平台，即现有的社保管理中心预先通信连通，这样就可以通过社会保障平台方便地获知各参保人员的各类信息。
此外，上述所说的第一生物特征信息，实际应用中可以选用人脸特征、指纹特征信息、声纹特征信息等，此处不再一一列举，对此也不做任何限制，本领域的技术人员可以根据需要设置需要获取的第一生物特征信息。相应地，根据不同的第一生物特征信息时，获取第一生物特征信息的设备应与之对应举例来说，在第一生物特征信息为指纹特征信息时，则需要采用指纹模组获取；在第一生物特征信息为声纹特征信息时，需要采用语音装置来获取。
此外，上述所说的医保卡，即社会医疗保险卡。目前常见地是集社保与医保于一体的社保卡。相应地，上述串码具体是标识医保卡唯一性的 ID(Identification)号，或者是参保人的身份证号码。
本实施例中以第一生物特征信息为使用医保卡的用户的第一人脸特征信息，第二生物特征信息为所述医保卡的持有者在社会保障平台预录入的第二人脸特征信息为例进行具体说明。
具体的，在所述第一生物特征信息为使用所述医保卡的用户的第一人脸特征信息时，所述获取使用所述医保卡的用户的第一生物特征信息，包括：
接收所述定点医药机构中图像采集设备上传的实时流媒体文件，逐帧检测并筛选出流媒体文件中携带使用所述医保卡的用户的人脸图像的流媒体数据；
提取所述流媒体数据中的待校验图像，根据预存的人脸特征提取模型，对所述待校验图像进行人脸特征提取，得到所述第一生物特征信息。
需要说明的是，在具体实现中，上述人脸特征提取模型则可以根据人脸样本数据中的人脸特征训练获得。
关于卷积神经网络，本领域的技术人员可以知晓，其在机器学习中，是一种深度前馈人工神经网络，能够较为准确的识别图像中的信息。因此，通过对人脸样本数据(如预先从网络下载，或者拍摄录入的人脸图像)进行卷积神经网络训练，从而得到一个能够准确提取出图像中的人脸特征的模型。
另外，值得一提的是，在具体应用中，采用的人脸特征提取模型具体是采用Caffe(卷积神经网络框架，Convolutional Architecture for Fast Feature Embedding)搭建，然后基于卷积神经网络算法训练获得。由于Caffe是一个清晰、可读性高、快速的深度学习框架，因此，基于Caffe来训练获得人脸特征提取模型，能够大大提高运行速度，并且能够大大减小训练所得的人脸特征提取模型的大小，使得训练所得的人脸特征提取模型为实时目标检测模，即无论图像采集设备上传的为静态图片还是实时流媒体文件，基于该人脸特征提取模型都可以从中提取出使用所述医保卡的用户的第一人脸图像中的人脸特征。
具体地，根据预存的人脸特征提取模型，对所述待校验图像进行人脸特征提取，得到所述第一生物特征信息的步骤包括：
将待校验图像转化为灰度图像；
一般情况下，图像信息采集设备采集到的均为彩色图像，在彩色图像中，图像地彩色背景可能会对人脸面部特征提取造成干扰，因此一般在对人脸进行检测之前，对人脸进行灰度处理，将彩色图片转换为灰度图片。
通过将彩色图片拆分为R、G、B三个通道，对三个通道内地图像均采用直方图均衡算法对像素进行重新分配，然后使用灰度转换公式对R、G、B三个通道图像合成获得灰度图片；灰度转换图像具体为g(x,y)＝0.299×R(x,y) +0.587×G(x,y)+0.114B(x,y)其中g(x,y)为图像上的每个特征点转化后所得到的灰度值，R(x,y)、G(x,y)、B(x,y)则分别表示R、G、B三个通道中特征点(x,y)的原始色素分量。
采用直方图均衡化算法对灰度图像的像素进行重新分配，获得灰度加强图像；
即二次使用直方图均衡化算法对灰度图像的像素进行重新分配，避免光照变化导致地人脸模型中亮度不均匀的情况，提高人脸识别地准确率。直方图均衡化法就是根据图像的灰度信息，将比较集中的灰度区间拉伸到整个灰度区间范围上，由此对像素值进行了重新分配，保证一定范围内的灰度像素数量大致相同，灰度动态范围，对比度增强，使图片看起来更加清晰。
对灰度加强图像进行中值滤波处理；
对图像进行去噪，能降低噪声对人脸识别的影响，提高人脸识别的准确度。通过滤波的方式可以减少图像噪声，均值滤波、高斯滤波和中值滤波都是比较常见的方法。本实施例中采用中值滤波是非线性滤波，利用目标像素周围一圈像素的灰度中值来代替的目标元素，可以较好地保留图像的边缘特性和细节，对存在椒盐噪声的图像进行减噪，效果处理得比较理想。
以双眼的位置和距离为依据，对中值滤波处理后的灰度加强图像进行缩放、平移、旋转获得标准化人脸图像；
以眼睛之间的距离为依据，两眼的中心点作为参照中心，分别沿参照中心的上、下、左、右的方向延伸，切割出一定大小的脸部区域图像，获得校验区域图像。
通常人脸图像图像存在尺寸大小不一致的情况，这些图像一般很难正确反映人脸的特征信息，直接运算会影响人脸识别准确度。因此在人脸识别之前，对这些人脸模型进行切，旋转，尺度归一化完成几何归一化，剪切主要作用就是保持人脸位置的一致性，减少头发和背景对人脸模型的影响；裁剪是利用人脸图像的双眼距离来进行图像裁剪的，保证人脸模型在图像中的平移不变性。图像旋转的主要作用是矫正人脸模型的角度，一般通过双眼作为基准进行旋转，通过旋转双眼的连线保持水平。由此将所有图像缩放到统一的大小，有助于特征提取，减少计算量。
对所述校验区域图像进行人脸特征提取，得到所述第一生物特征信息。
可以理解地，在进行人脸特征提取之前，对从图像采集设备中提取的待校验图像进行灰度化、直方图均衡化、中值滤波去噪和尺寸和归一化预处理，获得以双眼位置为基点，尺寸大小一致的校验区域图像，大幅度去除背景信息的干扰。
对所述校验区域图像进行人脸特征提取，得到所述第一生物特征信息。的步骤包括：
对所述校验区域图像进行LBP加强算子处理，得到LBP纹理图像；
本实施例中对传统地LBP算法进行改进，具体的：
将校验区域图像拆分为多个3×3邻域；
在任意一个3×3邻域中，将所述邻域内的8个像素值依次与第一阈值进行比较，若邻域内的像素值大于第一阈值，则将所述像素对应的首位设置为1，否则将所述像素对应的首位设置为0；
在所述3×3邻域中，将所述邻域内的8个像素值依次与第二阈值进行比较，若邻域内的像素值与中心像素值的差值的绝对值大于第二阈值，则将所述像素对应的第二位设置为1，否则将所述像素对应的第二位设置为0；
将所述邻域内的8个像素点通过比较后产生的“0”和“1”按一定的顺序连接起来获得16位二进制数，将获得的二进制数转化为十进制数，计算得到每个像素点对应的LBP值，可视化后得到LBP纹理图像；
其中，所述第一阈值为中心像素的灰度值，所述第二阈值为邻域内的8 个像素值与中心像素差值的平均值的绝对值。
具体地，请参见图3，3×3邻域像素赋值方式可参考以下公式：
其中，gp(p＝0,1,…,7)表示中心邻域上的8个像素值，gc为中心像素值， Mavg为邻域像素与中心像素值的差值平均值；
将LBP纹理图与校验区域图像融合，得到图像I1；
相较于传统8位编码获得的LBP纹理图，本实施例中改进后使用16位编码，增强中心像素与邻域像素值地相互关系，提高对局部特征地描述能力。
对图像I1进行特征提取，得到第一生物特征信息，所述第一生物特征信息为人脸图像的特征向量。
本发明先将灰度图与LBP特征图融合，得到融合后图像，再利用卷积神经网络对融合后图像进行人脸识别的方法，可以减小光照变化对网络的影响，提高人脸识别精度。
步骤S20：根据所述串码，从社会保障平台获取所述串码对应的所述医保卡的持有者的第二生物特征信息。
具体的说，上述所说的医保卡的持有者具体是指该医保卡对应的实际参保人。因此，根据所述串码，从社会保障平台获取所述串码对应的所述医保卡的持有者的第二生物特征信息，即为参保人在办理医保卡时，录入的人脸特征、指纹特征信息、虹膜特征信息、声纹特征信息等。
步骤S30：将所述第一生物特征信息与所述第二生物特征信息进行匹配。
仍以第一生物特征信息为第一人脸特征信息，第二生物特征信息为第二人脸特征信息为例，则在具体实现中将所述第一人脸特征信息与所述第二人脸特征信息进行匹配的具体操作大致如下：
首先，将所述第一人脸特征信息与所述第二人脸特征信息进行逐一匹配，确定所述第一人脸特征信息与所述第二人脸特征信息之间的余弦相似度。
然后，将所述余弦相似度与预设的相似度阈值进行比较。
需要说明的是，以上给出的仅为一种具体的比较方式，对本发明的技术方案并不构成任何限定，在具体实现中，本领域的技术人员可以根据需要选取合适的比较方式，此处不做限制。
步骤S40：若所述第一生物特征信息与所述第二生物特征信息不匹配，则则向所述管理系统发送预警指令，以使所述刷卡设备无法从所述医保卡中扣费。
仍以第一生物特征信息为第一人脸特征信息，第二生物特征信息为第二人脸特征信息为例，则在将所述第一人脸特征信息与所述第二人脸特征信息进行匹配之后，若所述余弦相似度小于所述相似度阈值，则向所述刷卡设备下发禁止使用所述医保卡支付的指令。
需要说明的是，以上仅为举例说明，对本申请的技术方案并不构成任何限定，在具体实现中，本领域的技术人员可以根据需要设置，此处不做限制。
通过上述描述不难发现，本实施例中提供的基于生物特征识别的定点医药机构的监管方法，在有用户使用医保卡购买药品时，通过获取当前使用医保卡购买药品的用户的第一生物特征和该医保卡的串码，并根据获取到的串码从社会保障平台获取与当前串码对应的医保卡的真正的参保者的第二生物特征信息，然后将第一生物特征信息与第二生物特征信息进行匹配，在二者匹配时才能利用该医保卡支付购买的药品的费用，否则便向发起刷卡请求的刷卡设备下发预警指令，使得刷卡设备无法从该医保卡中成功扣费，从而可以有效的避免医疗定点医药机构利用监管漏洞进行违规刷卡。
进一步地，为了方便监管部门对医保结算的核查，在执行上述步骤S10 至步骤S40之前，还需要先对定点医药机构中采购的药品进行入库记录。
具体的，在定点医药机构采购了药品，并将药品入库时，需要将每一种的信息进行录入，并录入对应的数量、采购发票，相关部门规定价格等，关于录入的内容可以尽可能的详细，从而便于后期的监管和查询。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成限定。在实际应用中，本领域的技术人员可以根据其熟知的计算机视觉、图像处理方法训练获得本发明实施方式所需的神经网络模型，此处不做限制。
而关于人脸特征提取模型的构建，首先，根据所述人脸样本数据中的人脸特征构建训练模型。
具体的说，此处所说的样本数据可以是利用网络预先从各大数据平台下载的人脸图像，也可以是预先拍摄并录入的人脸图像，此次不再一一列举，对此也不做任何限制。
需要说明的是，以上给出的仅为两种具体的拆分方式，对本申请的技术方案并不构成任何限定，本领域的技术人员可以根据需要进行拆分，此处不做限制。
最后，基于所述卷积神经网络算法，对所述训练模型进行训练，得到所述人脸特征提取模型。
需要说明的是，由于本实施例中的人脸特征提取模型，也是一种卷积神经网络模型，即该人脸特征提取模型主要由卷积层、池化层和全连接层构成，其中卷积层和池化层的组合可以出现多次，全连接层位于池化层后，作为整个模型的输出层。
另外，本实施例中所说的人脸特征，具体采用人脸特征提取模型中输出层中节点的输出作为人脸特征，该人脸特征可以是由脸部的各个特征点构成的，如眼睛、鼻尖、嘴角点、眉毛以及脸部其他部件的轮廓点。
需要说明的是，在实际应用中，全连接层可以有两个，如果全连接层为两个，则输出层为第二全连接层，具体的本领域的技术人员可以根据需要设置，此处不做限制。
此外，为了避免违规购买处方药地情况，本实施例进一步提出所述将所述第一生物特征信息与所述第二生物特征信息进行匹配之后，所述方法还包括：
S51：若所述第一生物特征信息与所述第二生物特征信息匹配，则获取购买的药品清单；
第一生物特征信息与第二生物特征信息相匹配，表明购买者为持有者本人，则从HIS收费系统或药店ERP进销存系统调用扫码录入地药品清单。此处所说的药品清单，具体可以包括药品的名称、编号、生产厂家、药品类别、项目规格(如每盒多少袋，每袋多少克等)等，此处不再一一列举，对此也不做任何限制，本领域的技术人员可以根据需要设置需要获取的内容。
S52：根据预存的处方药药品名录，判断所述药品清单中是否包含处方药；
S53：若药品清单中包括处方药，则获取药品清单中处方药的药品识别码和数量；
S54：根据所述串码，从社会保障平台获取所述串码对应的未完成的处方信息；
S55：将处方药的药品识别码和数量与未完成的处方信息对比；
S56：若处方药的药品识别码和数量与未完成处方信息一致则向所述管理系统发送允许支付指令，并在接收到管理系统反馈的支付成功指令后将所述处方信息标记为完成。
由此，在医保卡信息中具有未完成处方信息是才能进行相应处方药的购买，并且支付完成后，将改处方信息标记为完成，避免用户重复使用一处方进行购药。当社会保障平台中所述串码对应地处方信息均为完成状态时，或处方药的药品识别码和数量与未完成处方信息不一致时，则对该顶点医疗机构进行合规性校验，判断该定点医疗机构是否有开具处方药的权限，并在该定点医疗机构有开具处方药的权限时，从管理系统录入处方信息以及开方医师的签名信息。
通过上述描述不难发现，本实施例中，通过将所述第一生物特征信息与所述第二生物特征信息进行匹配，并在所述第一生物特征信息与所述第二生物特征信息匹配时，获取使用所述医保卡的用户购买的药品的信息，并根据预存的处方药药品名录，来判断所述药品是否包括处方药，在判定不包括处方药或购买的处方药与未完成的处方信息一致时，才向所述刷卡设备下发允许使用所述医保卡支付的指令，从而可以进一步实现处方药的监管。并且通过录入开方医师的签名信息，可以对医师进行监管，防止出现医师不在岗，其他人员随意开方。由此避免出现“无医师开方、医师不在岗开方”的问题，保证规范用药。
定点医药机构监管平台还可以预先获取各定点医疗机构的医疗人员的信息，并核查医疗人员是否具有行医资格，可以开具处方，从而避免定点医疗机构在不具备可以开具处方的医师时，随意开具处方。
此外，值得一提的是，在具体实现中，为了进一步杜绝定点医药机构为了自身利益，利用监管漏洞随意抬高药价，以次充好等现象的发生，在确定所述药品可以使用所述医保卡购买，向所述刷卡设备下发允许使用所述医保卡支付的指令之前，还可以进一步获取可以使用所述医保卡购买的药品对应的药品清单，并从所述药品清单中提取各药品的识别码和单价，然后根据预存的医保药品费用标准和所述药品的单价，判断所述药品价格是否满足所述医保药品费用标准的规定，若所述药品价格满足所述医保药品费用标准的规定，则向则向所述管理系统发生允许支付指令。通过这种方式，可以实现对定点医药机构的有效监管，使得医疗保险基金能够被合理使用，保障了市场秩序，进而更好的保障了参保人员利益。
需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体实现中，本领域的技术人员可以根据需要构建基本医疗保险药品目录的存储表，此处不做限制。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于生物特征识别的定点医药机构的监管程序，所述基于生物特征识别的定点医药机构的监管程序被处理器执行时实现如上文所述的基于生物特征识别的定点医药机构的监管方法的步骤。
本发明实施例提出的基于生物特征识别的定点医药机构的监管装置包括：第一获取模块、第二获取模块、匹配模块和发送模块。
其中，第一获取模块，用于定点医药机构监管平台响应于定点医药机构中管理系统触发医保卡支付的结算请求，获取使用所述医保卡的用户的第一生物特征信息和所述医保卡的串码。
第二获取模块，用于根据所述串码，从社会保障平台获取所述串码对应的所述医保卡的持有者的第二生物特征信息。
匹配模块，用于将所述第一生物特征信息与所述第二生物特征信息进行匹配。
发送模块，用于若所述第一生物特征信息与所述第二生物特征信息不匹配，则向所述管理系统发送预警指令，以使所述刷卡设备无法从所述医保卡中扣费。
此外，值得一提的是，在具体实现中第一获取模块获取到的第一生物特征信息具体可以为使用所述医保卡的用户的第一人脸特征信息，第二获取模块获取到的第二生物特征信息具体可以为所述医保卡的持有者的第二人脸特征信息。因而上述第一获取模块具体可以细化为实时流媒体文件接收子模块、人脸检测子模块和人脸特征信息提取子模块。
相应地，在所述第一生物特征信息为第一人脸特征信息时，第一获取模块获取使用所述医保卡的用户的第一生物特征信息的操作具体如下：
首先，由流媒体文件接收子模块，接收所述定点医药机构中图像采集设备上传的包含使用所述医保卡的用户的第一人脸图像的实时流媒体文件；然后，由人脸检测子模块，根据预存的人脸检测模型，逐帧检测并筛选出流媒体文件中携带使用所述医保卡的用户的人脸图像的流媒体数据，提取所述流媒体数据中的待校验图像；最后，根据预存的人脸特征提取模型，对所述待校验图像进行人脸特征提取，得到所述第一生物特征信息。
需要说明的是，在具体实现中，上述人脸检测模型具体可以基于卷积神经网络算法对人脸样本数据进行卷积神经网络训练获得，人脸特征提取模型则可以根据所述人脸样本数据中的人脸特征训练获得。
进一步地，为了保证第一获取模块获取使用所述医保卡的用户的第一生物特征信息的操作能够顺利进行，需要预先构建上述用到的人脸检测模型和人脸特征提取模型。因此，在基于生物特征识别的定点医药机构的监管装置中还可以包括人脸检测模型构建模块和人脸特征提取模型构建模块。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于生物特征识别的定点医药机构的监管方法，此处不再赘述。
通过上述描述不难发现，本实施例中，通过将所述第一生物特征信息与所述第二生物特征信息进行匹配，并在所述第一生物特征信息与所述第二生物特征信息匹配时，获取使用所述医保卡的用户购买的药品的信息，并根据预存的处方药药品名录，来判断所述药品是否包括处方药，在判定不包括处方药或购买的处方药与未完成的处方信息一致时，才向所述刷卡设备下发允许使用所述医保卡支付的指令，从而可以进一步实现处方药的监管，防止出现医师不在岗，其他人员随意开方，保证规范用药。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于生物特征识别的定点医药机构的监管方法，此处不再赘述。
此外，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
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。
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，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(如只读存储器(Read Only Memory，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，或者网络设备等)执行本发明各个实施例所述的方法。
以上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，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于生物特征识别的定点医药机构的监管方法，其特征在于，所述方法包括：
定点医药机构监管平台响应于定点医药机构中管理系统触发医保卡支付的结算请求，获取使用所述医保卡的用户的第一生物特征信息和所述医保卡的串码；
根据所述串码，从社会保障平台获取所述串码对应的所述医保卡的持有者的第二生物特征信息；
将所述第一生物特征信息与所述第二生物特征信息进行匹配；
若所述第一生物特征信息与所述第二生物特征信息不匹配，则向所述管理系统发送预警指令。
2.根据权利要求1所述的方法，其特征在于，所述获取使用所述医保卡的用户的第一生物特征信息的步骤包括：
接收所述定点医药机构中图像采集设备上传的实时流媒体文件，逐帧检测并筛选出流媒体文件中携带使用所述医保卡的用户的人脸图像的流媒体数据；
提取所述流媒体数据中的待校验图像，根据预存的人脸特征提取模型，对所述待校验图像进行人脸特征提取，得到所述第一生物特征信息；
其中，所述人脸特征提取模型根据所述人脸样本数据中的人脸特征训练获得。
3.根据权利要求2所述的方法，其特征在于，所述根据预存的人脸特征提取模型，对所述待校验图像进行人脸特征提取，得到所述第一生物特征信息的步骤包括：
将待校验图像转化为灰度图像；
采用直方图均衡化算法对灰度图像的像素进行重新分配，获得灰度加强图像；
对灰度加强图像进行中值滤波处理；
以双眼的位置和距离为依据，对中值滤波处理后的灰度加强图像进行缩放、平移、旋转获得标准化人脸图像；
以眼睛之间的距离为依据，两眼的中心点作为参照中心，分别沿参照中心的上、下、左、右的方向延伸，切割出一定大小的脸部区域图像，获得校验区域图像。
对所述校验区域图像进行人脸特征提取，得到所述第一生物特征信息。
4.根据权利要求3所述的方法，其特征在于，所述对所述校验区域图像进行人脸特征提取，得到所述第一生物特征信息的步骤包括：
对所述校验区域图像进行LBP加强算子处理，得到LBP纹理图像；
将LBP纹理图与校验区域图像融合，得到图像I1；
对图像I1进行特征提取，得到第一生物特征信息，所述第一生物特征信息为人脸图像的特征向量。
5.根据权利要求4所述的方法，其特征在于，所述对所述校验区域图像进行LBP加强算子处理，得到LBP纹理图像的步骤包括：
将校验区域图像拆分为多个3×3邻域；
在任意一个3×3邻域中，将所述邻域内的8个像素值依次与第一阈值进行比较，若邻域内的像素值大于第一阈值，则将所述像素对应的首位设置为1，否则将所述像素对应的首位设置为0；
在所述3×3邻域中，将所述邻域内的8个像素值依次与第二阈值进行比较，若邻域内的像素值与中心像素值的差值的绝对值大于第二阈值，则将所述像素对应的第二位设置为1，否则将所述像素对应的第二位设置为0；
将所述邻域内的8个像素点通过比较后产生的“0”和“1”按一定的顺序连接起来获得16位二进制数，将获得的二进制数转化为十进制数，计算得到每个像素点对应的LBP值，可视化后得到LBP纹理图像；
其中，所述第一阈值为中心像素的灰度值，所述第二阈值为邻域内的8个像素值与中心像素差值的平均值的绝对值。
6.如权利要求2所述的方法，其特征在于，所述将所述第一人脸特征信息与所述第二人脸特征信息进行匹配的步骤包括：
将所述第一人脸特征信息与所述第二人脸特征信息进行逐一匹配，确定所述第一人脸特征信息与所述第二人脸特征信息之间的余弦相似度；
将所述余弦相似度与预设的相似度阈值进行比较；
其中，所述若所述第一生物特征信息与所述第二生物特征信息不匹配，则向所述刷卡设备下发禁止使用所述医保卡支付的指令，包括：
若所述余弦相似度小于所述相似度阈值，则向所述刷卡设备下发禁止使用所述医保卡支付的指令。
7.如权利要求2所述的方法，其特征在于，所述将所述第一生物特征信息与所述第二生物特征信息进行匹配之后，所述方法还包括：
若所述第一生物特征信息与所述第二生物特征信息匹配，则获取购买的药品清单；
根据预存的处方药药品名录，判断所述药品清单中是否包含处方药；
若药品清单中包括处方药，则获取药品清单中处方药的药品识别码和数量；
根据所述串码，从社会保障平台获取所述串码对应的未完成的处方信息；
将处方药的药品识别码和数量与未完成的处方信息对比；
若处方药的药品识别码和数量与未完成处方信息一致则向所述管理系统发送允许支付指令，并在接收到管理系统反馈的支付成功指令后将所述处方信息标记为完成。
8.如权利要求2所述的方法，其特征在于，所述根据预存的处方药药品名录，判断所述药品清单中是否包含处方药的步骤之后，所述方法还包括：
若药品清单不包括处方药，则提取购买的药品清单中各药品的识别码及单价；
根据预存的医保药品费用标准和所述药品的单价，判断所述药品价格是否满足所述医保药品费用标准的规定；
若所述药品价格满足所述医保药品费用标准的规定，则向所述管理系统发生允许支付指令。
9.一种基于生物特征识别的定点医药机构的监管设备，其特征在于，所述设备包括：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基于生物特征识别的定点医药机构的监管程序，所述基于生物特征识别的定点医药机构的监管程序配置为实现如权利要求1至8中任一项所述的基于生物特征识别的定点医药机构的监管方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有基于生物特征识别的定点医药机构的监管程序，所述基于生物特征识别的定点医药机构的监管程序被处理器执行时实现如权利要求1至8任一项所述的基于生物特征识别的定点医药机构的监管方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111308487.6A CN114037541A (zh) | 2021-11-05 | 2021-11-05 | 基于生物特征识别的定点医药机构的监管方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111308487.6A CN114037541A (zh) | 2021-11-05 | 2021-11-05 | 基于生物特征识别的定点医药机构的监管方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114037541A true CN114037541A (zh) | 2022-02-11 |
Family
ID=80143076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111308487.6A Pending CN114037541A (zh) | 2021-11-05 | 2021-11-05 | 基于生物特征识别的定点医药机构的监管方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114037541A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116525060A (zh) * | 2023-06-25 | 2023-08-01 | 中南大学 | 基于医药制品监管模型的智能区域监控方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914683A (zh) * | 2013-12-31 | 2014-07-09 | 闻泰通讯股份有限公司 | 基于人脸图像的性别识别方法及系统 |
| CN107145842A (zh) * | 2017-04-19 | 2017-09-08 | 西安电子科技大学 | 结合lbp特征图与卷积神经网络的人脸识别方法 |
| CN109598630A (zh) * | 2018-12-04 | 2019-04-09 | 平安医疗健康管理股份有限公司 | 基于生物特征识别的定点医药机构的监管方法及相关设备 |
| CN109637616A (zh) * | 2018-12-04 | 2019-04-16 | 平安医疗健康管理股份有限公司 | 共享处方的药品配送方法、装置、设备及存储介质 |
| CN110837947A (zh) * | 2019-10-11 | 2020-02-25 | 杭州电子科技大学 | 一种基于音视频分析技术的教师授课专注度的评估方法 |
| CN111882769A (zh) * | 2020-08-01 | 2020-11-03 | 上海云央网络科技有限公司 | 支持医保电子凭证的自动售药机、售药系统及方法 |
| CN112766226A (zh) * | 2021-02-02 | 2021-05-07 | 华蔚集团(广东)有限公司 | 一种线上线下相结合的多维教学ai学堂系统 |
-
2021
- 2021-11-05 CN CN202111308487.6A patent/CN114037541A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914683A (zh) * | 2013-12-31 | 2014-07-09 | 闻泰通讯股份有限公司 | 基于人脸图像的性别识别方法及系统 |
| CN107145842A (zh) * | 2017-04-19 | 2017-09-08 | 西安电子科技大学 | 结合lbp特征图与卷积神经网络的人脸识别方法 |
| CN109598630A (zh) * | 2018-12-04 | 2019-04-09 | 平安医疗健康管理股份有限公司 | 基于生物特征识别的定点医药机构的监管方法及相关设备 |
| CN109637616A (zh) * | 2018-12-04 | 2019-04-16 | 平安医疗健康管理股份有限公司 | 共享处方的药品配送方法、装置、设备及存储介质 |
| CN110837947A (zh) * | 2019-10-11 | 2020-02-25 | 杭州电子科技大学 | 一种基于音视频分析技术的教师授课专注度的评估方法 |
| CN111882769A (zh) * | 2020-08-01 | 2020-11-03 | 上海云央网络科技有限公司 | 支持医保电子凭证的自动售药机、售药系统及方法 |
| CN112766226A (zh) * | 2021-02-02 | 2021-05-07 | 华蔚集团(广东)有限公司 | 一种线上线下相结合的多维教学ai学堂系统 |
Non-Patent Citations (3)
| Title |
|---|
| 杨帆: "《数字图像处理与分析 第4版》", 31 January 2019, 北京航空航天大学出版社 , pages: 309 - 310 * |
| 殷猛: ""我国处方药的网络交易模式研究"", 《中国医疗管理科》, vol. 11, no. 4, 31 July 2021 (2021-07-31), pages 25 - 26 * |
| 王艺蒙: ""人脸检测与匹配识别算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 January 2019 (2019-01-15), pages 9 - 10 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116525060A (zh) * | 2023-06-25 | 2023-08-01 | 中南大学 | 基于医药制品监管模型的智能区域监控方法及系统 |
| CN116525060B (zh) * | 2023-06-25 | 2023-10-03 | 中南大学 | 基于医药制品监管模型的智能区域监控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11259718B1 (en) | Systems and methods for automated body mass index calculation to determine value | |
| US11055762B2 (en) | Systems and methods for providing customized product recommendations | |
| US11321772B2 (en) | Systems and methods for identification document processing and business workflow integration | |
| US10332118B2 (en) | Efficient prevention of fraud | |
| US10515407B2 (en) | Systems and methods for identification document processing and business workflow integration | |
| US9058580B1 (en) | Systems and methods for identification document processing and business workflow integration | |
| Marciniak et al. | Influence of low resolution of images on reliability of face detection and recognition | |
| CN110276366A (zh) | 使用弱监督模型来检测对象 | |
| US10748217B1 (en) | Systems and methods for automated body mass index calculation | |
| CN107133608A (zh) | 基于活体检测和人脸验证的身份认证系统 | |
| CN103577801A (zh) | 用于生物特征验证的质量度量的方法和系统 | |
| US20190392196A1 (en) | Within document face verification | |
| CN106981016A (zh) | 一种远程自助实名购买电话卡的方法与系统 | |
| CN109637616A (zh) | 共享处方的药品配送方法、装置、设备及存储介质 | |
| CN108389053B (zh) | 支付方法、装置、电子设备及可读存储介质 | |
| CN109978552B (zh) | 一种基于身份证信息的支付处理方法、装置及设备 | |
| CN109598630A (zh) | 基于生物特征识别的定点医药机构的监管方法及相关设备 | |
| CN111985477A (zh) | 基于单目摄像头的动物体在线核赔方法、装置及存储介质 | |
| JP2017514211A (ja) | 識別文書処理およびビジネスワークフロー統合のためのシステムならびに方法 | |
| JP6792986B2 (ja) | 生体認証装置 | |
| CN111178130A (zh) | 一种基于深度学习的人脸识别方法、系统和可读存储介质 | |
| Marciniak et al. | Selection of parameters in iris recognition system | |
| WO2022011342A9 (en) | Systems and methods for integrity analysis of clinical data | |
| US20220277311A1 (en) | A transaction processing system and a transaction method based on facial recognition | |
| CN114037541A (zh) | 基于生物特征识别的定点医药机构的监管方法及相关设备 |
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 |