CN114187476A - 基于图像分析的车险信息核对方法、装置、设备及介质 - Google Patents

基于图像分析的车险信息核对方法、装置、设备及介质 Download PDF

Info

Publication number
CN114187476A
CN114187476A CN202111524779.3A CN202111524779A CN114187476A CN 114187476 A CN114187476 A CN 114187476A CN 202111524779 A CN202111524779 A CN 202111524779A CN 114187476 A CN114187476 A CN 114187476A
Authority
CN
China
Prior art keywords
image
information
vehicle
checking
user
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
Application number
CN202111524779.3A
Other languages
English (en)
Inventor
陈康飞
毛才斐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202111524779.3A priority Critical patent/CN114187476A/zh
Publication of CN114187476A publication Critical patent/CN114187476A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Accounting & Taxation (AREA)
  • Technology Law (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种基于图像分析的车险信息核对方法，包括：按照预设的类别标签对用户的车险报备图像进行分类，得到分类图像；按照不同分类的图像对应的信息种类提取图像中的关键信息；将关键信息与用户的预设真实信息进行比对，得到第一比对结果；提取用户的车辆外观图像中车辆的像素特征；将像素特征与用户的预设真实车辆特征进行比对，得到第二比对结果；根据第一比对结果和第二比对结果计算用户的核对分值，当核对分值大于预设分值时，确定用户通过核对。此外，本发明还涉及区块链技术，车险报备图像可存储于区块链的节点。本发明还提出一种基于图像分析的车险信息核对装置、设备及介质。本发明可以提高险信息核对的精确度。

Description

基于图像分析的车险信息核对方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于图像分析的车险信息核对方法、装置、电子设备及计算机可读存储介质。
背景技术
汽车是人们日常出行中越来越常见的交通工具，各保险公司围绕着汽车展开了大量的保险业务，保险业务，当前车险出单过程中，保险公司需要核对客户提供的车辆信息、车主身份信息等信息，但核对过程中，需参考大量人工核验结果，进而生成最终的车险核对信息。例如，对于车辆外观损伤情况的核对时，人工的核对结果往往因为业务人员的不同而导致差异较大，因此，对于参考人工核对结果计算得出的车险核对信息，精确度无法满足现行用户的需求。
发明内容
本发明提供一种基于图像分析的车险信息核对方法、装置及计算机可读存储介质，其主要目的在于解决进行车险信息核对的精确度较低的问题。
为实现上述目的，本发明提供的一种基于图像分析的车险信息核对方法，包括：
获取用户上传的车险报备图像，按照预设的类别标签对所述车险报备图像进行分类，得到分类图像；
获取不同分类的图像对应的信息种类，按照所述信息种类提取所述分类图像中的关键信息；
将所述关键信息与所述用户的预设真实信息进行比对，得到第一比对结果；
获取所述用户上传的车辆外观图像，提取所述车辆外观图像中车辆的像素特征；
将所述像素特征与所述用户的预设真实车辆特征进行比对，得到第二比对结果；
根据所述第一比对结果和所述第二比对结果计算所述用户的核对分值，当所述核对分值大于预设分值时，确定所述用户通过核对。
可选地，所述按照预设的类别标签对所述车险报备图像进行分类，得到分类图像，包括：
从所述车险报备图像中逐个选取其中一张图像为目标图像；
利用预先训练的图像分类模型对所述目标图像进行卷积、池化处理，得到池化图像；
对所述池化图像进行全连接处理，得到全连接特征图；
对所述全连接特征图进行多尺度的特征提取，得到图像特征；
利用预设激活函数分别计算所述图像特征与所述类别标签之间的相对概率值；
确定所述相对概率值最大的类别标签为所述目标图像的图像类别。
可选地，所述按照预设的类别标签对所述车险报备图像进行分类，得到分类图像，包括：
从所述车险报备图像中逐个选取其中一张图像为目标图像；
提取所述目标图像的上传路径；
从预设的路径分类表中查询所述上传路径对应的类别标签；
按照每张图像的类别标签对对所述车险报备图像进行分类，得到分类图像。
可选地，所述按照所述信息种类提取所述分类图像中的关键信息，包括：
将所述分类图像转换为灰度图像；
逐一从所述灰度图像中选取一张图像为目标灰度图；
选取所述灰度图中像素值大于预设像素阈值的区域为字形区域；
获取与所述目标灰度图像对应的信息种类相应的字形表；
从预设的字形表中查询所述字形区域中每字形对应的文字，将所述字形区域中所有字形对应的文字作为所述目标灰度图的关键信息。
可选地，所述将所述关键信息与所述用户的预设真实信息进行一致性比对，得到第一比对结果，包括：
将所述关键信息转换为第一信息向量，将所述预设真实信息转换为第二信息向量；
计算所述第一信息向量与所述第二信息向量之间的相似度，确定所述相似度为所述第一比对结果。
可选地，所述提取所述车辆外观图像中车辆的像素特征，包括：
利用预设的滑动窗口对所述车辆外观图像中的区域进行逐一框选，得到像素窗口；
从所述像素窗口中逐个选取其中一个像素点为目标像素点；
判断所述目标像素点的像素值在所述像素窗口内是否为极值；
当所述目标像素点的像素值在所述像素窗口内不是极值时，返回从所述像素窗口中逐个选取其中一个像素点为目标像素点的步骤；
当所述目标像素点的像素值在所述像素窗口内是极值时，则确定所述目标像素点为关键点；
将所有像素窗口内的所有关键点的像素值进行向量化，并将得到的向量汇集为所述车辆外观图像的像素特征。
可选地，所述根据所述第一比对结果和所述第二比对结果计算所述用户的核对分值，包括：
利用如下分值算法根据所述第一比对结果和所述第二比对结果计算所述用户的核对分值：
G＝α*A+β*B
其中，G为所述核对分值，A为所述第一比对结果，B为所述第二比对结果，α、β为预设权重系数。
为了解决上述问题，本发明还提供一种基于图像分析的车险信息核对装置，所述装置包括：
图像分类模块，用于获取用户上传的车险报备图像，按照预设的类别标签对所述车险报备图像进行分类，得到分类图像；
信息提取模块，用于获取不同分类的图像对应的信息种类，按照所述信息种类提取所述分类图像中的关键信息；
第一核对模块，用于将所述关键信息与所述用户的预设真实信息进行比对，得到第一比对结果；
第二核对模块，用于获取所述用户上传的车辆外观图像，提取所述车辆外观图像中车辆的像素特征，将所述像素特征与所述用户的预设真实车辆特征进行比对，得到第二比对结果；
分值计算模块，用于根据所述第一比对结果和所述第二比对结果计算所述用户的核对分值，当所述核对分值大于预设分值时，确定所述用户通过核对。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于图像分析的车险信息核对方法。
为了解决上述问题，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中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于图像分析的车险信息核对方法。
本发明实施例能够对用户上传的车险报备图像进行分类，进而按照该分类针对性地对不同类别的图像实现关键信息提取，提高了提取出的关键信息的精确性，进而提升了对该关键信息进行核对的精确度，同时，对用户上传的车辆外观图像与预设真实车辆特征进行像素级别的比对，提升了判断该车辆损伤情况的精确度，无需参考人工的主观意见，提升了对车辆理赔信息核对的精确度。因此本发明提出的基于图像分析的车险信息核对方法、装置、电子设备及计算机可读存储介质，可以解决进行车险信息核对时的精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于图像分析的车险信息核对方法的流程示意图；
图2为本发明一实施例提供的提取分类图像中的关键信息的流程示意图；
图3为本发明一实施例提供的提取车辆外观图像中车辆的像素特征的流程示意图；
图4为本发明一实施例提供的基于图像分析的车险信息核对装置的功能模块图；
图5为本发明一实施例提供的实现所述基于图像分析的车险信息核对方法的电子设备的结构示意图。
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仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于图像分析的车险信息核对方法。所述基于图像分析的车险信息核对方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于图像分析的车险信息核对方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于图像分析的车险信息核对方法的流程示意图。在本实施例中，所述基于图像分析的车险信息核对方法包括：
S1、获取用户上传的车险报备图像，按照预设的类别标签对所述车险报备图像进行分类，得到分类图像。
本发明实施例中，所述车险报备图像为用户通过客户端页面上传的发生车辆险情时拍摄的发动机、车架、驾驶证、身份证等用于报备车险情况的图像。
本发明其中一个实际应用场景中，需要从不同图像中识别出不同的关键信息，例如，需要从发动机图像中识别出发动机号，需要从车架图像中识别出车架号，需要从身份证图像中识别出用户姓名、住址和身份证号等，因此，为了提高对不同图像的处理效率，可按照预设的类别标签对所述车险报备图像进行分类，得到分类图像，以便于后续针对性的对不同的图像进行处理。
本发明实施例中，可利用预先训练图像分类模型对所述车险报备图像进行分析，以实现对所述车险报备图像的分类处理，所述图像分类模型包括但不限于Segnet网络模型、E-net网络模型、V-net网络模型和ResNet50网络模型。
本发明实施例中，所述按照预设的类别标签对所述车险报备图像进行分类，得到分类图像，包括：
从所述车险报备图像中逐个选取其中一张图像为目标图像；
利用预先训练的图像分类模型对所述目标图像进行卷积、池化处理，得到池化图像；
对所述池化图像进行全连接处理，得到全连接特征图；
对所述全连接特征图进行多尺度的特征提取，得到图像特征；
利用预设激活函数分别计算所述图像特征与所述类别标签之间的相对概率值；
确定所述相对概率值最大的类别标签为所述目标图像的图像类别。
例如，存在目标图像A，利用识别模型对所述目标图像A进行卷积、池化及全连接处理，得到该目标图像A对应的全连接特征图，再利用FPN特征金字塔结构对该全连接特征图进行多重特征提取，可得到该目标图像A对应的图像特征。
具体地，所述预设激活函数包括但不限于softmax激活函数、sigmoid激活函数、relu激活函数。
本实施例中，利用图像分类模型实现对所述车险报备图像的分类，可提高对所述车险报备图像进行分类的精确度。
本发明另一实施例中，由于所述车险报备图像是用户通过客户端页面进行上传的，例如，用户通过上传身份证图像的页面上身份证图像，用户通过上传驾驶证图像的页面上传驾驶证图像等，因此，可按照每张车险报备图像的上传路径对所述车险报备图像进行分类。
详细地，所述按照预设的类别标签对所述车险报备图像进行分类，得到分类图像，包括：
从所述车险报备图像中逐个选取其中一张图像为目标图像；
提取所述目标图像的上传路径；
从预设的路径分类表中查询所述上传路径对应的类别标签；
按照每张图像的类别标签对对所述车险报备图像进行分类，得到分类图像。
详细地，可利用具有数据抓取功能的python语句抓取每张车险报备图像的上传路径，进而从预设的路径分类表中查询所述上传路径对应的类别标签，所述路径分类表包含多个图像上传路径，以及每个上传路径对应的类别标签。
具体地，当根据上传路径识别出每张照片的类别标签后，可按照所述类别标签对所述车险报备图像进行分类，例如，将属于相同类别标签的图像汇集在一起，得到分类图像。
本发明实施例中，通过上传路径对所述车险报备图像进行分类，无需对图像的内容进行分析，可提高对所述车险报备图像进行分类的效率。
S2、获取不同分类的图像对应的信息种类，按照所述信息种类提取所述分类图像中的关键信息。
本发明实施例中，为了实现精准地从不同类别的图像中提取出对应的关键信息，可获取不同分类的图像对应的信息种类，进而按照所述信息种类提取所述分类图像中的关键信息。
详细地，所述信息种类是指不同类别的图像中需要提取的关键信息的类别，例如，需要从发动机图像中识别出发动机号，需要从车架图像中识别出车架号，需要从身份证图像中识别出用户姓名、住址和身份证号等。
具体地，可利用SQL库中的CREATE INDEX函数从预设的信息类别表中检索得到不同分类的图像对应的信息种类，其中，所述信你关系类别表内包含多种不同的图像分类，以及每一种图像分类对应的信息种类。
进一步地，可利用OCR(Optical Character Recognition，光学字符识别)技术提取所述分类图像中的关键信息。
本发明实施例中，参图2所示，所述按照所述信息种类提取所述分类图像中的关键信息，包括：
S21、将所述分类图像转换为灰度图像，逐一从所述灰度图像中选取一张图像为目标灰度图；
S22、选取所述灰度图中像素值大于预设像素阈值的区域为字形区域；
S23、获取与所述目标灰度图像对应的信息种类相应的字形表；
S24、从预设的字形表中查询所述字形区域中每字形对应的文字，将所述字形区域中所有字形对应的文字作为所述目标灰度图的关键信息。
详细地，可对所述分类图像中的像素进行对数变换、伽马变换等运算，以实现将所述分类图像转换为灰度图像。
具体地，所述字形区域为所述灰度图像中记载有文字信息的区域，该区域中，以灰度像素的形式对每个文字的字形(轮廓)进行表达。
本发明实施例中，由于不同类别的分类图像中需要提取的关键信息不一致，例如，对于发动机的灰度图像中，需要提取的关键信息包括发动机号(包括数字与字母)，但对于身份证的灰度图像中，需要提取的关键信息包括姓名、和身份证号(包括文字和数字)，因此，可获取与所述目标灰度图像对应的信息种类相应的字形表，以从与该目标灰度图对应的信息种类相应的字形表中查询该字形区域内每个字形对应的文字(关键信息)。
详细地，所述字形表内包含多个文字，以及每个文字对应的字形，该字形表可有管理人员预先上传。
S3、将所述关键信息与所述用户的预设真实信息进行比对，得到第一比对结果。
本发明实施例中，可将所述关键信息与所述用户的预设真实信息进行一致性比对，以实现对用户上传的车险报备图像中信息的核对，其中，所述预设真实信息为预先获取的该用户真实的信息，如该用户真实的身份证号、该用户真实的驾驶证号等。
本发明实施例中，所述将所述关键信息与所述用户的预设真实信息进行一致性比对，得到第一比对结果，包括：
将所述关键信息转换为第一信息向量，将所述预设真实信息转换为第二信息向量；
计算所述第一信息向量与所述第二信息向量之间的相似度，确定所述相似度为所述第一比对结果。
详细地，可利用预设的编码模型将所述关键信息转换为第一信息向量，所述编码模型包括但不限于bert模型、隐马尔科夫模型、NLP(Natural Language Processing，自然语言处理)模型。
具体地，所述计算所述第一信息向量与所述第二信息向量之间的相似度，包括：
利用如下相似度算法计算所述第一信息向量与所述第二信息向量之间的相似度：
Figure BDA0003409788650000091
其中，L为所述相似度，a为所述第一信息向量，b为所述第二信息向量。
S4、获取所述用户上传的车辆外观图像，提取所述车辆外观图像中车辆的像素特征。
本发明实施例中，所述车辆外观图像为该用户上传的，车辆发生险情时的车辆外观的图像，可从所述车辆外观图像中提取像素特征，以便于后续利用所述像素特征对车辆的损伤程度进行核对。
详细地，可采用HOG(Histogram of Oriented Gradient，方向梯度直方图)、DPM(Deformable Part Model，可变性组件模型)、LBP(Local Binary Patterns，局部二值模式)等方式来提取所述车辆外观图像的全局特征，或者，可采用预先训练的具体画面特征提取功能的人工智能模型来提取所述车辆外观图像的全局特征，所述人工智能模型包括但不限于VGG-net模型、U-net模型。
本发明实施例中，参图3所示，所述提取所述车辆外观图像中车辆的像素特征，包括：
S31、利用预设的滑动窗口对所述车辆外观图像中的区域进行逐一框选，得到像素窗口；
S32、从所述像素窗口中逐个选取其中一个像素点为目标像素点；
S33、判断所述目标像素点的像素值在所述像素窗口内是否为极值；
当所述目标像素点的像素值在所述像素窗口内不是极值时，返回S32、；
当所述目标像素点的像素值在所述像素窗口内是极值时，则执行S34、确定所述目标像素点为关键点；
S35、将所有像素窗口内的所有关键点的像素值进行向量化，并将得到的向量汇集为所述车辆外观图像的像素特征。
本申请实施例中，所述滑动窗口可以为预先构建的具有一定面积的选择框，可用于对所述车辆外观图像中的像素进行框选，例如，以10像素为高度，10像素为宽度构建的方形选择框。
详细地，所述极值包括极大值与极小值，当所述目标像素点的像素值在所述像素窗口内为极大值或极小值时，即确定所述目标像素点为所述像素窗口的关键点。
本申请实施例中，可将所有像素窗口内的所有关键点的像素值进行向量化，并将得到的向量汇集为所述车辆外观图像的像素特征。
例如，选取的像素窗口中包括三行像素，其中每行像素内包括三个关键点，第一行像素内关键点的像素值为a,b,c，第二行像内关键点的像素值为d,e,f，第三行像内关键点的像素值为g,h,i，则可分别将每一行像素内关键点的像素值作为行向量，拼接为该像素窗口如下像素特征：
Figure BDA0003409788650000101
进一步地，将所有像素窗口的像素特征进行汇集，即可得到所述车辆外观图像的像素特征。
S5、将所述像素特征与所述用户的预设真实车辆特征进行比对，得到第二比对结果。
本发明实施例中，为了实现对车辆损伤程度的精确核对，可将该车辆外观图像的像素特征与所述用户的预设真实车辆特征进行外观完整性性比对，以得到第二比对结果，其中，所述预设真实车辆特征为预先从该车辆在完好时的图像内提取出的特征，该特征可用于表示完好无损的车辆外观。
本发明实施例中，所述将所述像素特征与所述用户的预设真实车辆特征进行比对，得到第二比对结果，的步骤与S3中将所述关键信息与所述用户的预设真实信息进行比对，得到第一比对结果的步骤一致，在此不做赘述。
S6、根据所述第一比对结果和所述第二比对结果计算所述用户的核对分值，当所述核对分值大于预设分值时，确定所述用户通过核对。
本发明实施例中，所述根据所述第一比对结果和所述第二比对结果计算所述用户的核对分值，包括：
利用如下分值算法根据所述第一比对结果和所述第二比对结果计算所述用户的核对分值：
G＝α*A+β*B
其中，G为所述核对分值，A为所述第一比对结果，B为所述第二比对结果，α、β为预设权重系数。
进一步地，当所述核对分值大于预设分值时，则说明该用户上传的信息真实，即确定该用户通过核对；当所述核对分值小于预设分值时，则说明该用户上传的信息中存在虚假信息，可转接人工进行核对处理。
本发明实施例能够对用户上传的车险报备图像进行分类，进而按照该分类针对性地对不同类别的图像实现关键信息提取，提高了提取出的关键信息的精确性，进而提升了对该关键信息进行核对的精确度，同时，对用户上传的车辆外观图像与预设真实车辆特征进行像素级别的比对，提升了判断该车辆损伤情况的精确度，无需参考人工的主观意见，提升了对车辆理赔信息核对的精确度。因此本发明提出的基于图像分析的车险信息核对方法，可以解决进行车险信息核对时的精确度较低的问题。
如图4所示，是本发明一实施例提供的基于图像分析的车险信息核对装置的功能模块图。
本发明所述基于图像分析的车险信息核对装置100可以安装于电子设备中。根据实现的功能，所述基于图像分析的车险信息核对装置100可以包括图像分类模块101、信息提取模块102、第一核对模块103、第二核对模块104及分值计算模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像分类模块101，用于获取用户上传的车险报备图像，按照预设的类别标签对所述车险报备图像进行分类，得到分类图像；
所述信息提取模块102，用于获取不同分类的图像对应的信息种类，按照所述信息种类提取所述分类图像中的关键信息；
所述第一核对模块103，用于将所述关键信息与所述用户的预设真实信息进行比对，得到第一比对结果；
所述第二核对模块104，用于获取所述用户上传的车辆外观图像，提取所述车辆外观图像中车辆的像素特征，将所述像素特征与所述用户的预设真实车辆特征进行比对，得到第二比对结果；
所述分值计算模块105，用于根据所述第一比对结果和所述第二比对结果计算所述用户的核对分值，当所述核对分值大于预设分值时，确定所述用户通过核对。
详细地，本发明实施例中所述基于图像分析的车险信息核对装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于图像分析的车险信息核对方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于图像分析的车险信息核对方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于图像分析的车险信息核对程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于图像分析的车险信息核对程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、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还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于图像分析的车险信息核对程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是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。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于图像分析的车险信息核对程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取用户上传的车险报备图像，按照预设的类别标签对所述车险报备图像进行分类，得到分类图像；
获取不同分类的图像对应的信息种类，按照所述信息种类提取所述分类图像中的关键信息；
将所述关键信息与所述用户的预设真实信息进行比对，得到第一比对结果；
获取所述用户上传的车辆外观图像，提取所述车辆外观图像中车辆的像素特征；
将所述像素特征与所述用户的预设真实车辆特征进行比对，得到第二比对结果；
根据所述第一比对结果和所述第二比对结果计算所述用户的核对分值，当所述核对分值大于预设分值时，确定所述用户通过核对。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取用户上传的车险报备图像，按照预设的类别标签对所述车险报备图像进行分类，得到分类图像；
获取不同分类的图像对应的信息种类，按照所述信息种类提取所述分类图像中的关键信息；
将所述关键信息与所述用户的预设真实信息进行比对，得到第一比对结果；
获取所述用户上传的车辆外观图像，提取所述车辆外观图像中车辆的像素特征；
将所述像素特征与所述用户的预设真实车辆特征进行比对，得到第二比对结果；
根据所述第一比对结果和所述第二比对结果计算所述用户的核对分值，当所述核对分值大于预设分值时，确定所述用户通过核对。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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，或者也可以分布到多个网络单元上。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。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于图像分析的车险信息核对方法，其特征在于，所述方法包括：
获取用户上传的车险报备图像，按照预设的类别标签对所述车险报备图像进行分类，得到分类图像；
获取不同分类的图像对应的信息种类，按照所述信息种类提取所述分类图像中的关键信息；
将所述关键信息与所述用户的预设真实信息进行比对，得到第一比对结果；
获取所述用户上传的车辆外观图像，提取所述车辆外观图像中车辆的像素特征；
将所述像素特征与所述用户的预设真实车辆特征进行比对，得到第二比对结果；
根据所述第一比对结果和所述第二比对结果计算所述用户的核对分值，当所述核对分值大于预设分值时，确定所述用户通过核对。
2.如权利要求1所述的基于图像分析的车险信息核对方法，其特征在于，所述按照预设的类别标签对所述车险报备图像进行分类，得到分类图像，包括：
从所述车险报备图像中逐个选取其中一张图像为目标图像；
利用预先训练的图像分类模型对所述目标图像进行卷积、池化处理，得到池化图像；
对所述池化图像进行全连接处理，得到全连接特征图；
对所述全连接特征图进行多尺度的特征提取，得到图像特征；
利用预设激活函数分别计算所述图像特征与所述类别标签之间的相对概率值；
确定所述相对概率值最大的类别标签为所述目标图像的图像类别。
3.如权利要求1所述的基于图像分析的车险信息核对方法，其特征在于，所述按照预设的类别标签对所述车险报备图像进行分类，得到分类图像，包括：
从所述车险报备图像中逐个选取其中一张图像为目标图像；
提取所述目标图像的上传路径；
从预设的路径分类表中查询所述上传路径对应的类别标签；
按照每张图像的类别标签对对所述车险报备图像进行分类，得到分类图像。
4.如权利要求1所述的基于图像分析的车险信息核对方法，其特征在于，所述按照所述信息种类提取所述分类图像中的关键信息，包括：
将所述分类图像转换为灰度图像；
逐一从所述灰度图像中选取一张图像为目标灰度图；
选取所述灰度图中像素值大于预设像素阈值的区域为字形区域；
获取与所述目标灰度图像对应的信息种类相应的字形表；
从预设的字形表中查询所述字形区域中每字形对应的文字，将所述字形区域中所有字形对应的文字作为所述目标灰度图的关键信息。
5.如权利要求1所述的基于图像分析的车险信息核对方法，其特征在于，所述将所述关键信息与所述用户的预设真实信息进行一致性比对，得到第一比对结果，包括：
将所述关键信息转换为第一信息向量，将所述预设真实信息转换为第二信息向量；
计算所述第一信息向量与所述第二信息向量之间的相似度，确定所述相似度为所述第一比对结果。
6.如权利要求1所述的基于图像分析的车险信息核对方法，其特征在于，所述提取所述车辆外观图像中车辆的像素特征，包括：
利用预设的滑动窗口对所述车辆外观图像中的区域进行逐一框选，得到像素窗口；
从所述像素窗口中逐个选取其中一个像素点为目标像素点；
判断所述目标像素点的像素值在所述像素窗口内是否为极值；
当所述目标像素点的像素值在所述像素窗口内不是极值时，返回从所述像素窗口中逐个选取其中一个像素点为目标像素点的步骤；
当所述目标像素点的像素值在所述像素窗口内是极值时，则确定所述目标像素点为关键点；
将所有像素窗口内的所有关键点的像素值进行向量化，并将得到的向量汇集为所述车辆外观图像的像素特征。
7.如权利要求1至6中任一项所述的基于图像分析的车险信息核对方法，其特征在于，所述根据所述第一比对结果和所述第二比对结果计算所述用户的核对分值，包括：
利用如下分值算法根据所述第一比对结果和所述第二比对结果计算所述用户的核对分值：
G＝α*A+β*B
其中，G为所述核对分值，A为所述第一比对结果，B为所述第二比对结果，α、β为预设权重系数。
8.一种基于图像分析的车险信息核对装置，其特征在于，所述装置包括：
图像分类模块，用于获取用户上传的车险报备图像，按照预设的类别标签对所述车险报备图像进行分类，得到分类图像；
信息提取模块，用于获取不同分类的图像对应的信息种类，按照所述信息种类提取所述分类图像中的关键信息；
第一核对模块，用于将所述关键信息与所述用户的预设真实信息进行比对，得到第一比对结果；
第二核对模块，用于获取所述用户上传的车辆外观图像，提取所述车辆外观图像中车辆的像素特征，将所述像素特征与所述用户的预设真实车辆特征进行比对，得到第二比对结果；
分值计算模块，用于根据所述第一比对结果和所述第二比对结果计算所述用户的核对分值，当所述核对分值大于预设分值时，确定所述用户通过核对。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于图像分析的车险信息核对方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于图像分析的车险信息核对方法。
CN202111524779.3A 2021-12-14 2021-12-14 基于图像分析的车险信息核对方法、装置、设备及介质 Pending CN114187476A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111524779.3A CN114187476A (zh) 2021-12-14 2021-12-14 基于图像分析的车险信息核对方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111524779.3A CN114187476A (zh) 2021-12-14 2021-12-14 基于图像分析的车险信息核对方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114187476A true CN114187476A (zh) 2022-03-15

Family

ID=80543668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111524779.3A Pending CN114187476A (zh) 2021-12-14 2021-12-14 基于图像分析的车险信息核对方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114187476A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023178798A1 (zh) * 2022-03-25 2023-09-28 平安科技（深圳）有限公司 图像分类方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610091A (zh) * 2017-07-31 2018-01-19 阿里巴巴集团控股有限公司 车险图像处理方法、装置、服务器及系统
CN111461905A (zh) * 2020-05-28 2020-07-28 深圳麦亚信科技股份有限公司 车险骗赔规避方法、装置、计算机设备及存储介质
CN112270678A (zh) * 2020-11-18 2021-01-26 德联易控科技(北京)有限公司 图像处理方法以及处理系统
CN113705459A (zh) * 2021-08-30 2021-11-26 平安银行股份有限公司 人脸抓拍方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610091A (zh) * 2017-07-31 2018-01-19 阿里巴巴集团控股有限公司 车险图像处理方法、装置、服务器及系统
CN111461905A (zh) * 2020-05-28 2020-07-28 深圳麦亚信科技股份有限公司 车险骗赔规避方法、装置、计算机设备及存储介质
CN112270678A (zh) * 2020-11-18 2021-01-26 德联易控科技(北京)有限公司 图像处理方法以及处理系统
CN113705459A (zh) * 2021-08-30 2021-11-26 平安银行股份有限公司 人脸抓拍方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023178798A1 (zh) * 2022-03-25 2023-09-28 平安科技（深圳）有限公司 图像分类方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN113283446B (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN112100425B (zh) 基于人工智能的标签标注方法、装置、电子设备及介质
CN113705462B (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN112396005A (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
CN111695609A (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN112581227A (zh) 产品推荐方法、装置、电子设备及存储介质
CN112651342A (zh) 人脸识别方法、装置、电子设备及存储介质
CN114049568B (zh) 基于图像比对的标的物形变检测方法、装置、设备及介质
CN114708461A (zh) 基于多模态学习模型的分类方法、装置、设备及存储介质
CN115471775A (zh) 基于录屏视频的信息验证方法、装置、设备及存储介质
CN112016617A (zh) 细粒度分类方法、装置及计算机可读存储介质
CN115690615A (zh) 一种面向视频流的深度学习目标识别方法及系统
CN114677526A (zh) 图像分类方法、装置、设备及介质
CN114066664A (zh) 基于行为画像的风险等级评估方法、装置、设备及介质
CN112528903B (zh) 人脸图像获取方法、装置、电子设备及介质
CN113704474A (zh) 银行网点设备操作指引生成方法、装置、设备及存储介质
CN114187476A (zh) 基于图像分析的车险信息核对方法、装置、设备及介质
CN113420684A (zh) 基于特征提取的报表识别方法、装置、电子设备及介质
CN116563040A (zh) 基于牲畜识别的农险查勘方法、装置、设备及存储介质
CN114463685B (zh) 行为识别方法、装置、电子设备及存储介质
CN113888086B (zh) 基于图像识别的物品签收方法、装置、设备及存储介质
CN115098644A (zh) 图像与文本匹配方法、装置、电子设备及存储介质
CN114783042A (zh) 基于多移动目标的人脸识别方法、装置、设备及存储介质
CN114049676A (zh) 疲劳状态检测方法、装置、设备及存储介质
CN112184465B (zh) 用户数据画像生成方法、装置、电子设备及存储介质

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