KR20180104609A - 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체 - Google Patents

다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체 Download PDF

Info

Publication number
KR20180104609A
KR20180104609A KR1020187019505A KR20187019505A KR20180104609A KR 20180104609 A KR20180104609 A KR 20180104609A KR 1020187019505 A KR1020187019505 A KR 1020187019505A KR 20187019505 A KR20187019505 A KR 20187019505A KR 20180104609 A KR20180104609 A KR 20180104609A
Authority
KR
South Korea
Prior art keywords
vehicle
photograph
grouping
key point
photographs
Prior art date
Application number
KR1020187019505A
Other languages
English (en)
Other versions
KR102138082B1 (ko
Inventor
잰쭝 왕
훙재 리
징 시야오
Original Assignee
핑안 테크놀로지 (션젼) 컴퍼니 리미티드
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
Priority to CN201610046584.5A priority Critical patent/CN105719188B/zh
Priority to CN201610046584.5 priority
Application filed by 핑안 테크놀로지 (션젼) 컴퍼니 리미티드 filed Critical 핑안 테크놀로지 (션젼) 컴퍼니 리미티드
Priority to PCT/CN2017/071318 priority patent/WO2017124990A1/zh
Publication of KR20180104609A publication Critical patent/KR20180104609A/ko
Application granted granted Critical
Publication of KR102138082B1 publication Critical patent/KR102138082B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08Insurance, e.g. risk analysis or pensions
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/00624Recognising scenes, i.e. recognition of a whole field of perception; recognising scene-specific objects
    • G06K9/00664Recognising scenes such as could be captured by a camera operated by a pedestrian or robot, including objects at substantially different ranges from the camera
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/36Image preprocessing, i.e. processing the image information without deciding about the identity of the image
    • G06K9/46Extraction of features or characteristics of the image
    • G06K9/4604Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes, intersections
    • G06K9/4609Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes, intersections by matching or filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/36Image preprocessing, i.e. processing the image information without deciding about the identity of the image
    • G06K9/46Extraction of features or characteristics of the image
    • G06K9/4652Extraction of features or characteristics of the image related to colour
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/36Image preprocessing, i.e. processing the image information without deciding about the identity of the image
    • G06K9/46Extraction of features or characteristics of the image
    • G06K9/4671Extracting features based on salient regional features, e.g. Scale Invariant Feature Transform [SIFT] keypoints
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6201Matching; Proximity measures
    • G06K9/6202Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G06K9/6203Shifting or otherwise transforming the patterns to accommodate for positional errors
    • G06K9/6211Matching configurations of points or features, e.g. constellation matching
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6201Matching; Proximity measures
    • G06K9/6215Proximity measures, i.e. similarity or distance measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06K9/6256Obtaining sets of training patterns; Bootstrap methods, e.g. bagging, boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6267Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6267Classification techniques
    • G06K9/6268Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6267Classification techniques
    • G06K9/6279Classification techniques relating to the number of classes
    • G06K9/628Multiple classes
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/10Office automation, e.g. computer aided management of electronic mail or groupware; Time management, e.g. calendars, reminders, meetings or time accounting
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/30Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • G06T2207/10012Stereo images
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30236Traffic on road, railway or crossing
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30248Vehicle exterior or interior

Abstract

본 발명은 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체를 개시하는 바, 상기 방법은 동일한 차량부위의 훼손확인 사진을 같은 집합으로 분류하는 단계; 각 집합의 키 포인트 특징을 획득하여 각 사진 집합의 훼손확인 사진에 대해 그루핑하고 각 그루핑 중인 훼손확인 사진을 위해 다수의 관련 키 포인트를 각각 매칭하는 단계; 그루핑한 각 관련 키 포인트에 근거하여 그루핑한 각 특징 포인트 변환 매트릭스를 산출하고 대응되는 특징 포인트 변환 매트릭스를 이용하여 각 하나의 그루핑 중인 사진에서의 한 장의 사진을 상기 그룹에서의 다른 한 장의 사진과 동일한 촬영각도를 가지는 검증 대기 사진으로 변환시키는 단계; 상기 검증 대기 사진을 상기 그루핑 중인 다른 한 장의 사진과 특징 파라미터 매칭을 진행하는 단계; 및 특징 파라미터가 매칭되지 않을 경우 알림 정보를 생성하여 수신된 이미지에 사기 행위가 존재함을 알리는 단계를 포함한다. 본 발명은 사기의 클레임 행위를 자동으로 인식한다.

Description

다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체
본 발명은 금융 서비스 기술분야에 관한 것으로 특히 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체에 관한 것이다.
현재 자동차 보험 업계에서 차량의 손상 이미지는 인공적으로 변조여부를 검출해야 하므로 시간원가가 높고 검출효율이 낮으며 정확도를 보장할 수 없다. 이 외에 현재의 PS기술의 발전에 비추어 수정된 후의 수많은 이미지는 육안으로 신속히 발견할 수 없는 바, 특히 다수의 이미지와 변조된 구역의 위치가 불확실한 경우이다.
본 발명의 주된 목적은 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체를 제공할 필요가 있으며 이는 사기의 클레임 행위를 자동으로 인식한다.
상기 내용을 감안하면 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체를 제공할 필요가 있으며 이는 사기의 클레임 행위를 자동으로 인식한다.
다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법은,
사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 단계;
분석모델을 이용하여 각 훼손확인 사진과 대응되는 차량부위를 분석하고 상기 훼손확인 사진에 대해 분류하여 동일한 차량부위의 훼손확인 사진을 같은 사진 집합으로 분류하는 단계;
각 사진 집합에서의 훼손확인 사진에 대해 키 포인트 검출을 실행하여 각 사진 집합이 대응되는 차량부위의 키 포인트 특징을 획득하는 단계;
각 사진 집합의 훼손확인 사진에 대해 각각 둘둘씩 그루핑하고 키 포인트 매칭 알고리즘에 근거하여 각 집합이 대응되는 상기 키 포인트 특징을 상기 집합의 각 그루핑 중인 사진과 키 포인트 매칭을 진행함으로써 각 그루핑 중인 훼손확인 사진을 위해 적어도 한 그룹의 관련 키 포인트를 각각 매칭하는 단계;
각 그루핑과 대응되는 관련 키 포인트에 근거하여 선형 방정식으로 각 그루핑과 대응되는 특징 포인트 변환 매트릭스를 산출하고 대응되는 특징 포인트 변환 매트릭스를 이용하여 각 하나의 그루핑 중인 사진에서의 한 장의 사진을 상기 그룹에서의 다른 한 장의 사진과 동일한 촬영각도를 가지는 검증 대기 사진으로 변환시키는 단계;
상기 검증 대기 사진을 상기 그루핑 중인 다른 한 장의 사진과 특징 파라미터 매칭을 진행하는 단계; 및
검증 대기 사진과 상기 그루핑 중인 다른 한 장의 사진의 특징 파라미터가 매칭되지 않을 경우 알림 정보를 생성하여 수신된 이미지에 사기 행위가 존재함을 알리는 단계를 포함한다.
보험클레임 사기 방지 시스템은,
사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 사진수신모듈;
분석모델을 이용하여 각 훼손확인 사진과 대응되는 차량부위를 분석하고 상기 훼손확인 사진에 대해 분류하여 동일한 차량부위의 훼손확인 사진을 같은 사진 집합으로 분류하는 분류모듈;
각 사진 집합에서의 훼손확인 사진에 대해 키 포인트 검출을 실행하여 각 사진 집합이 대응되는 차량부위의 키 포인트 특징을 획득하는 키 포인트 검출모듈;
각 사진 집합의 훼손확인 사진에 대해 각각 둘둘씩 그루핑하고 키 포인트 매칭 알고리즘에 근거하여 각 집합이 대응되는 상기 키 포인트 특징을 상기 집합의 각 그루핑 중인 사진과 키 포인트 매칭을 진행함으로써 각 그루핑 중인 훼손확인 사진을 위해 적어도 한 그룹의 관련 키 포인트를 각각 매칭하고 각 그루핑과 대응되는 관련 키 포인트에 근거하여 선형 방정식으로 각 그루핑과 대응되는 특징 포인트 변환 매트릭스를 산출하는 재구성모듈;
대응되는 특징 포인트 변환 매트릭스를 이용하여 각 하나의 그루핑 중인 사진에서의 한 장의 사진을 상기 그룹에서의 다른 한 장의 사진과 동일한 촬영각도를 가지는 검증 대기 사진으로 변환시키고 상기 검증 대기 사진을 상기 그루핑 중인 다른 한 장의 사진과 특징 파라미터 매칭을 진행하며 검증 대기 사진과 상기 그루핑 중인 다른 한 장의 사진의 특징 파라미터가 매칭되지 않을 경우 알림 정보를 생성하여 수신된 이미지에 사기 행위가 존재함을 알리는 검증모듈을 포함한다.
보험클레임 사기 방지기기는 처리유닛, 상기 처리유닛과 연결된 보험클레임 사기 방지 시스템, 입력/출력유닛, 통신유닛 및 저장유닛을 포함하되,
상기 입력/출력유닛은 사용자 명령을 입력하고 보험클레임 사기 방지기기가 입력된 사용자 명령에 대한 응답 데이터를 출력하는데 사용되고;
상기 통신유닛은 미리 결정된 단말기 또는 백그라운드 서버와 통신연결하는데 사용되며;
상기 저장유닛은 상기 보험클레임 사기 방지 시스템 및 상기 보험클레임 사기 방지 시스템의 운행 데이터를 저장하는데 사용되고;
상기 처리유닛은 상기 보험클레임 사기 방지 시스템을 호출하여 실행시키는데 사용되어,
사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 단계;
분석모델을 이용하여 각 훼손확인 사진과 대응되는 차량부위를 분석하고 상기 훼손확인 사진에 대해 분류하여 동일한 차량부위의 훼손확인 사진을 같은 사진 집합으로 분류하는 단계;
각 사진 집합에서의 훼손확인 사진에 대해 키 포인트 검출을 실행하여 각 사진 집합이 대응되는 차량부위의 키 포인트 특징을 획득하는 단계;
각 사진 집합의 훼손확인 사진에 대해 각각 둘둘씩 그루핑하고 키 포인트 매칭 알고리즘에 근거하여 각 집합이 대응되는 상기 키 포인트 특징을 상기 집합의 각 그루핑 중인 사진과 키 포인트 매칭을 진행함으로써 각 그루핑 중인 훼손확인 사진을 위해 적어도 한 그룹의 관련 키 포인트를 각각 매칭하는 단계;
각 그루핑과 대응되는 관련 키 포인트에 근거하여 선형 방정식으로 각 그루핑과 대응되는 특징 포인트 변환 매트릭스를 산출하고 대응되는 특징 포인트 변환 매트릭스를 이용하여 각 하나의 그루핑 중인 사진에서의 한 장의 사진을 상기 그룹에서의 다른 한 장의 사진과 동일한 촬영각도를 가지는 검증 대기 사진으로 변환시키는 단계;
상기 검증 대기 사진을 상기 그루핑 중인 다른 한 장의 사진과 특징 파라미터 매칭을 진행하는 단계; 및
검증 대기 사진과 상기 그루핑 중인 다른 한 장의 사진의 특징 파라미터가 매칭되지 않을 경우 알림 정보를 생성하여 수신된 이미지에 사기 행위가 존재함을 알리는 단계를 수행하도록 한다.
컴퓨터 판독 가능 저장매체에는 하나 또는 하나 이상의 프로세서에 의해 실행되는 하나 또는 하나 이상의 프로그램이 저장되어,
사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 단계;
분석모델을 이용하여 각 훼손확인 사진과 대응되는 차량부위를 분석하고 상기 훼손확인 사진에 대해 분류하여 동일한 차량부위의 훼손확인 사진을 같은 사진 집합으로 분류하는 단계;
각 사진 집합에서의 훼손확인 사진에 대해 키 포인트 검출을 실행하여 각 사진 집합이 대응되는 차량부위의 키 포인트 특징을 획득하는 단계;
각 사진 집합의 훼손확인 사진에 대해 각각 둘둘씩 그루핑하고 키 포인트 매칭 알고리즘에 근거하여 각 집합이 대응되는 상기 키 포인트 특징을 상기 집합의 각 그루핑 중인 사진과 키 포인트 매칭을 진행함으로써 각 그루핑 중인 훼손확인 사진을 위해 적어도 한 그룹의 관련 키 포인트를 각각 매칭하는 단계;
각 그루핑과 대응되는 관련 키 포인트에 근거하여 선형 방정식으로 각 그루핑과 대응되는 특징 포인트 변환 매트릭스를 산출하고 대응되는 특징 포인트 변환 매트릭스를 이용하여 각 하나의 그루핑 중인 사진에서의 한 장의 사진을 상기 그룹에서의 다른 한 장의 사진과 동일한 촬영각도를 가지는 검증 대기 사진으로 변환시키는 단계;
상기 검증 대기 사진을 상기 그루핑 중인 다른 한 장의 사진과 특징 파라미터 매칭을 진행하는 단계; 및
검증 대기 사진과 상기 그루핑 중인 다른 한 장의 사진의 특징 파라미터가 매칭되지 않을 경우 알림 정보를 생성하여 수신된 이미지에 사기 행위가 존재함을 알리는 단계를 실현하도록 한다.
본 발명에서 설명하는 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체를 이용하게 되면 차사고가 발생하여 수리센터에서 손실확정을 진행할 경우 차주인 및/또는 수리센터는 차량 부위의 다수의 상이한 각도의 이미지를 촬영하고 다수의 상이한 각도의 이미지를 비교하는 것을 통해 공간 변환을 진행하여 차량부위의 일치 여부를 비교함으로써 차주인과 수리센터에서 차량 손실 이미지를 변조하여 손실정도를 확대하여 보험금을 사취하는 상황을 방지하게 된다.
본 발명에서 설명하는 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체를 이용하게 되면 차사고가 발생하여 수리센터에서 손실확정을 진행할 경우 차주인 및/또는 수리센터는 차량 부위의 다수의 상이한 각도의 이미지를 촬영하고 다수의 상이한 각도의 이미지를 비교하는 것을 통해 공간 변환을 진행하여 차량부위의 일치 여부를 비교함으로써 차주인과 수리센터에서 차량 손실 이미지를 변조하여 손실정도를 확대하여 보험금을 사취하는 상황을 방지하게 된다.
도 1은 도 1a 및 도 1b를 포함하여 본 발명의 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법의 바람직한 실시예의 방법실시 흐름도이다.
도 2는 본 발명의 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법의 바람직한 실시예에서 차량의 각 부위의 사진을 분석한 분석모델의 방법 흐름도이다.
도 3은 본 발명의 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 보험클레임 사기 방지기기의 제1 실시예의 하드웨어 환경도이다.
도 4는 본 발명의 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 보험클레임 사기 방지기기의 제2 실시예의 하드웨어 환경도이다.
도 5는 본 발명의 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 시스템의 바람직한 실시예의 기능모듈도이다.
도 1에 도시된 내용을 참조하면 이는 본 발명의 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법의 바람직한 실시예의 방법실시 흐름도이다. 본 실시예의 상기 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법은 흐름도에 도시된 단계에 한정되지 않고 또 흐름도에 도시된 단계에서 어떠한 단계는 생략될 수 있으며 단계 사이의 순서는 변화할 수 있다.
단계S10, 차량이 교통사고가 발생하여 수리센터에서 손실확정을 진행할 경우 사진수신모듈(101)은 차주인과 수리센터와 같은 사용자가 단말기를 통해 업로드한 훼손확인 사진을 수신한다.
단계S11, 사진수신모듈(101)은 업로드한 각 훼손확인 사진의 촬영각도의 동일 여부를 분석한다. 본 실시예는 다음과 같은 방법으로 촬영각도를 분석할 수 있다. 사진에서 물체의 음영을 인식하되, 물체 음영방향의 정면은 바로 렌즈방향이고 렌즈방향과 물체평면이 이루는 협각을 촬영각도로 한다.
촬영각도가 동일할 경우 단계S12를 수행하고 촬영각도가 동일하지 않을 경우 단계S13을 수행한다.
단계S12, 사진수신모듈(101)은 상이한 각도로부터 계속하여 훼손확인 사진을 채집하는 알림 정보를 생성하여 상기 단말기에 발송한다. 상기 알림 정보는, 예하면 현재 업로드한 훼손확인 사진에 Y장의 촬영각도가 동일하면 계속하여 기타 각도로부터 Y-1장의 훼손확인 사진을 채집하기 바란다는 것 일 수 있다.
단계S13, 분류모듈(102)은 분석모델을 이용하여 각 훼손확인 사진과 대응되는 차량부위를 분석하고 상기 훼손확인 사진에 대해 분류하여 동일한 차량부위의 훼손확인 사진을 같은 사진 집합으로 분류한다.
단계S14, 분류모듈(102)은 임의의 한 사진 집합에서의 훼손확인 사진의 수량이 기설정된 수량, 예하면 3장보다 적은지 여부를 판정한다. 사진 집합에서의 훼손확인 사진의 수량이 기설정된 수량보다 적으면 단계S15를 수행하고 임의의 한 사진 집합에서의 훼손확인 사진의 수량이 모두 기설정된 수량보다 적지 않으면 단계S16을 수행한다.
단계S15, 분류모듈(102)은 상이한 각도로부터 상기 사진 집합이 대응되는 차량부위의 훼손확인 사진을 계속하여 채집하는 알림 정보를 생성하여 상기 단말기에 발송한다. 상기 알림 정보는, 예하면 현재 훼손확인 부위X의 훼손확인 사진이 Z장 결여하므로 계속하여 기타 각도로부터 Z장의 훼손확인 부위X의 훼손확인 사진을 채집하기 바란다는 것 일 수 있다.
단계S16, 키 포인트 검출모듈(103)은 각 사진 집합에서의 훼손확인 사진에 대해 키 포인트 검출을 실행하여 각 사진 집합이 대응되는 차량부위의 키 포인트 특징을 획득한다.
본 실시예에서 상기 (키 포인트 검출은 SIFT (Scale-invariant feature transform), 스케일 불변 특징 변화) 키 포인트 특징 검출방법을 사용할 수 있다. 상기 SIFT는 하나의 국부적인 특징 설명자이고 SIFT 키 포인트 특징은 화상의 국부적인 특징으로서 이는 회전, 스케일, 밝기 변화에 대해 불변성을 유지하고 시각변화, 아핀 변환, 노이즈에도 일정한 수준의 안정성을 유지한다.
단계S17, 재구성모듈(104)은 각 사진 집합의 훼손확인 사진에 대해 각각 둘둘씩 그루핑한다.
단계S18, 재구성모듈(104)은 키 포인트 매칭 알고리즘에 근거하여 각 집합이 대응되는 상기 키 포인트 특징을 상기 집합의 각 그루핑 중인 사진과 키 포인트 매칭을 진행함으로써 각 그루핑 중인 훼손확인 사진을 위해 적어도 한 그룹의 관련 키 포인트를 각각 매칭한다.
상기 키 포인트 매칭 알고리즘은, 예하면 RANSAC(Random Sample Consensus) 알고리즘 일 수 있다.
실시예에서 상기 재구성모듈(104)은 각 그루핑 중인 훼손확인 사진이 각각 대응하여 매칭한 적어도 한 그룹의 기설정된 수량(예하면 8개)의 관련 키 포인트이다. 예하면 B1과 B2 두 장의 사진은 한 그룹으로 그루핑되고 B1과 B2에는 각각 적어도 한 그룹의 기설정된 수량의 키 포인트가 매칭되며 B1에서 매칭된 키 포인트와 B2에서 매칭된 키 포인트는 서로 관련되고 또 일일이 대응되는데 예하면 같은 위치와 대응되는 다수의 키 포인트는 서로 상관관계이고 또 일일이 대응된다.
단계S19, 재구성모듈(104)은 각 그루핑과 대응되는 관련 키 포인트에 근거하여 선형 방정식으로 각 그루핑과 대응되는 특징 포인트 변환 매트릭스를 산출한다. 예하면 B1, B2 두 장의 사진의 관련 키 포인트에 근거하여 사진B1로부터 사진B2가 대응되는 특징 포인트 변환 매트릭스로 전환되어 스테레오 재구성(예하면 Stereo Reconstruction)을 완성할 수 있다.
상기 특징 포인트 변환 매트릭스는 Fundamental Matrix 일 수 있다. Fundamental Matrix의 작용은 한 화상의 특징 포인트를 매트릭스 변화를 통해 다른 한 화장의 관련 특징 포인트로 전환시키는 것이다.
본 실시예에서 상기 선형 방정식은,
Figure pct00001
일 수 있고,
전개하면,
Figure pct00002
을 얻을 수 있다.
수학적인 변환을 거쳐 특징 포인트 변환 매트릭스 F를 얻을 수 있고 특징 포인트 변환 매트릭스 F는 다음과 같은 조건을 만족시켜야 한다.
Figure pct00003
상기 선형 방정식은 상기 매칭된 8개의 관련 키 포인트를 통해 산출함으로써 두 화상 사이의 공간 변환관계F를 얻는다.
단계S20, 검증모듈(105)은 그 중의 한 그룹을 선택하고 대응되는 특징 포인트 변환 매트릭스를 이용하여 상기 그루핑 중인 사진에서의 한 장의 사진을 상기 그룹에서의 다른 한 장의 사진과 동일한 촬영각도를 가지는 검증 대기 사진으로 변환시킨다.
단계S21, 검증모듈(105)은 상기 검증 대기 사진을 상기 그루핑 중인 다른 한 장의 사진과 특징 파라미터 매칭을 진행한다. 상기 파라미터는 컬러, 무늬 등 특징을 포함한다.
단계S22, 검증모듈(105)은 매칭되지 않는 파라미터의 존재여부를 판정한다. 예하면 동일한 특징을 가지는 컬러 값의 차이가 기설정된 컬러 역치보다 크면 컬러 특징 파라미터가 매칭되지 않는다고 판정하고; 동일한 특징의 무늬의 싱크로율이 기설정된 싱크로율 역치, "예하면 90%"보다 작으면 무늬 특징 파라미터가 매칭되지 않는다고 판정하는 것 등이다.
매칭되지 않는 파라미터가 존재할 경우 단계S23을 수행한다. 매칭되지 않는 파라미터가 존재하지 않을 경우 단계S24를 수행한다.
단계S23, 검증모듈(105)은 사기 위험 알림 정보를 생성하고 상기 사기 위험 알림 정보를 미리 결정된 단말기에 발송한다. 예하면 상기 사기 위험 알림 정보는 상기 단말기가 업로드한 사진B1과 B2가 검증을 통과하지 못하였으므로 위조 위험을 유의 바란다는 것일 수 있다.
단계S24, 검증모듈(105)은 검증을 진행하지 않은 그루핑 사진의 존재 여부를 판정한다. 검증을 진행하지 않은 그루핑 사진이 존재하면 상술한 단계20으로 되돌아가고 검증을 진행하지 않은 그루핑 사진이 존재하지 않으면 과정을 완료한다.
도 2에서의 설명을 참조하면 이는 본 발명의 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법의 바람직한 실시예에서 차량의 각 부위의 사진을 분석한 분석모델의 방법 흐름도이다. 본 실시예의 상기 차량의 각 부위의 사진을 분석한 분석모델의 방법 흐름도는 흐름도에 도시된 단계에 한정되지 않고 또 흐름도에 도시된 단계에서 어떠한 단계는 생략될 수 있으며 단계 사이의 순서는 변화할 수 있다.
단계S00, 모델 트레이닝모듈(100)은 자동차 보험클레임 데이터 베이스로부터 차량의 각 부위의 기설정된 수량의 사진을 획득한다. 본 실시예에서 상기 모델 트레이닝모듈(100)은 차량의 기설정된 부위의 분류(예하면 상기 차량의 기설정된 부위의 분류는 차의 앞부분, 측면, 차의 뒷부분, 차량 전체 등을 포함)에 근거하여 자동차 보험클레임 데이터 베이스(예하면 상기 자동차 보험클레임 데이터 베이스에는 차량의 기설정된 부위의 분류와 훼손확인 사진의 매핑관계 또는 태그 데이터가 저장되고 상기 훼손확인 사진은 수리센터가 훼손확인시 촬영한 사진을 가리킴)에서 각 기설정된 부위가 대응되는 기설정된 수량(예하면 10만장)의 사진(예하면 10만장의 차 앞부분 사진)을 획득한다.
단계S01, 모델 트레이닝모듈(100)은 기설정된 모델에 따라 규칙을 생성하고 획득한 차량의 각 부위의 사진에 기반하여 차량의 각 부위의 사진을 분석하기 위한 분석모델을 생성한다. 예하면 차 앞부분과 대응되는 기설정된 수량의 훼손확인사진에 기반하여 훼손확인 사진이 포함하는 차량 파손 부위가 차 앞부분임을 분석하기 위한 분석모델을 생성하고 측면과 대응되는 기설정된 수량의 훼손확인 사진에 기반하여 훼손확인 사진이 포함하는 차량 파손 부위가 측면임을 분석하기 위한 분석모델을 생성하며 차의 뒷부분과 대응되는 기설정된 수량의 훼손확인 사진에 기반하여 훼손확인 사진이 포함하는 차량 파손 부위가 차의 뒷부분임을 분석하기 위한 분석모델을 생성하고 차량 전체와 대응되는 기설정된 수량의 훼손확인 사진에 기반하여 훼손확인 사진이 포함하는 차량 파손 부위가 차량 전체인 분석모델을 생성하는 것 등이다.
여기서 상기 분석모델은 콘볼루션 신경망(CNN) 모델이고 상기 기설정된 모델 생성 규칙은 획득한 차량의 각 부위의 기설정된 수량의 사진에 대해 전처리를 진행하여 획득한 사진의 포맷을 기설정된 포맷(예하면 leveldb포맷)으로 전환시키고 포맷 전환 후의 사진을 이용하여 CNN 모델을 트레이닝한다.
구체적인 트레이닝 과정은 다음과 같다. 트레이닝을 시작하기 전 랜덤으로 균일하게 CNN네트워크 내의 각 가중치의 시작값(예하면-0.05 내지 0.05)을 생성하고 랜덤 구배 하강법을 사용하여 CNN 모델을 트레이닝한다. 모든 트레이닝 과정은 전방향 전파와 후방향 전파 두가지 단계로 나뉜다. 전방향 전파에 있어서 모델 트레이닝모듈(100)은 트레이닝 데이터로부터 집중적으로 샘플을 랜덤 추출하고 CNN 네트워크를 입력하여 산출하며 실제적인 산출결과를 얻는다. 후방향 전파과정에서 모델 트레이닝모듈(100)은 실제 결과와 희망 결과(즉 태그 값)의 차이값을 산출한 후 오차 최소화 타겟팅 방법을 이용하여 각 가중치의 값을 역방향으로 조절함과 동시에 상기 조절하여 발생한 효과적인 오차를 산출한다. 트레이닝 과정은 여러번(예하면 100번) 반복되는데 모델 전체의 효과적인 오차가 미리 설정된 역치(예하면±0.01)보다 작을 경우 트레이닝이 완료된다.
바람직하게 CNN 모델의 인식 정확도를 담보하기 위하여 상기 모델의 구조는 여섯 층으로 분류되는데 각각 사진에 대해 기본 특징(예하면 라인, 컬러 등) 추출을 진행하는 특징 추출층, 구조 특징 추출을 위한 특징 조합층, 변위, 줌 및 왜곡을 인식하기 위한 특징 샘플링층 및 세 층의 샘플링을 통하여 실제 특징의 계산규모를 저하시키기 위한 서브 샘플링 층이며 상기 특징 조합층은 상기 특징 추출층의 후면에 설치되고 특징 샘플링층은 특징 조합층의 후면에 설치되며 상기 서브 샘플링층은 각각 상기 특징 추출층, 특징 조합층과 특징 샘플링층의 후면에 설치된다.
단계S02, 모델 트레이닝모듈(100)은 상기 분석모델을 저장한다.
도 3에 도시된 내용을 참조하면 이는 본 발명의 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 보험클레임 사기 방지기기의 제1 실시예의 하드웨어 환경도이다.
본 실시예의 상기 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 시스템(이하 "보험클레임 사기 방지 시스템"이라고 약함)(10)은 하나의 보험클레임 사기 방지기기(1)에 장착되어 운행될 수 있다. 상기 보험클레임 사기 방지기기(1)는 하나의 클레임 서버 일 수 있다. 상기 클레임 보험클레임 사기 방지기기(1)는 처리유닛(11), 상기 처리유닛(11)과 연결된 보험클레임 사기 방지 시스템(10), 입력/출력유닛(12), 통신유닛(13), 저장유닛(14)을 포함한다. 상기 입력/출력유닛(12)은 하나 또는 다수의 물리적 키 및/또는 마우스 및/또는 조작 레버 일 수 있고 사용자 명령을 입력하고 보험클레임 사기 방지기기가 입력된 사용자 명령에 대한 응답 데이터를 출력하는데 사용될 수 있으며;
상기 통신유닛(13)은 하나 또는 다수의 단말기(예하면 핸드폰, 태블릿 피씨 등) 또는 백그라운드 서버와 통신연결하여 차주인과 수리센터와 같은 단말기의 사용자가 제출한 차량 파손 부위의 훼손확인 사진을 수신한다. 상기 통신유닛(13)은 wifi모듈(wifi모듈을 통해 모바일 인터넷을 거쳐 백그라운드 서버와 통신할 수 있음), 블루투스모듈(블루투스모듈을 통해 핸드폰과 근거리 통신을 진행할 수 있음) 및/또는 GPRS모듈(GPRS모듈을 통해 모바일 인터넷을 거쳐 백그라운드 서버와 통신할 수 있음)을 포함할 수 있다.
상기 저장유닛(14)은 ROM, EPROM 또는 Flash Memory(플래시 메모리) 등과 같은 하나 또는 다수의 비휘발성 저장유닛 일 수 있다. 상기 저장유닛(14)은 보험클레임 사기 방지기기(1)에 내장되거나 외접할 수 있다. 상기 처리유닛(11)은 보험클레임 사기 방지기기(1)의 연산 코어(Core Unit)와 컨트롤 코어(Control Unit) 일 수 있고 컴퓨터 명령을 해석하거나 컴퓨터 소프트웨어에서의 데이터를 처리하는데 사용된다.
본 실시예에서 상기 보험클레임 사기 방지 시스템(10)은 컴퓨터 소프트웨어 일 수 있고 이는 컴퓨터가 실행 가능한 프로그램 코드를 포함하는데 상기 프로그램 코드는 상기 저장유닛(14)에 저장될 수 있고 처리유닛(11)의 실행 전제하에 다음과 같은 기능을 실현한다. 차주인 및/또는 수리센터와 같은 사용자에 근거하여 차량 파손 부위의 다수의 상이한 각도의 훼손확인 사진을 촬영 및 발송하고 상기 다수의 상이한 각도의 이미지를 비교하고 공간 변환을 진행하며 파손 부위의 일치 여부를 비교함으로써 훼손확인 사진의 변조 여부에 대한 검증을 수행한다.
상기 처리유닛(11)은 상기 보험클레임 사기 방지 시스템(10)을 호출하여 실행시킴으로써 다음과 같은 단계를 수행한다.
사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 단계;
분석모델을 이용하여 각 훼손확인 사진과 대응되는 차량부위를 분석하고 상기 훼손확인 사진에 대해 분류하여 동일한 차량부위의 훼손확인 사진을 같은 사진 집합으로 분류하는 단계;
각 사진 집합에서의 훼손확인 사진에 대해 키 포인트 검출을 실행하여 각 사진 집합이 대응되는 차량부위의 키 포인트 특징을 획득하는 단계;
각 사진 집합의 훼손확인 사진에 대해 각각 둘둘씩 그루핑하고 키 포인트 매칭 알고리즘에 근거하여 각 집합이 대응되는 상기 키 포인트 특징을 상기 집합의 각 그루핑 중인 사진과 키 포인트 매칭을 진행함으로써 각 그루핑 중인 훼손확인 사진을 위해 적어도 한 그룹의 관련 키 포인트를 각각 매칭하는 단계;
각 그루핑과 대응되는 관련 키 포인트에 근거하여 선형 방정식으로 각 그루핑과 대응되는 특징 포인트 변환 매트릭스를 산출하고 대응되는 특징 포인트 변환 매트릭스를 이용하여 각 하나의 그루핑 중인 사진에서의 한 장의 사진을 상기 그룹에서의 다른 한 장의 사진과 동일한 촬영각도를 가지는 검증 대기 사진으로 변환시키는 단계;
상기 검증 대기 사진을 상기 그루핑 중인 다른 한 장의 사진과 특징 파라미터 매칭을 진행하는 단계; 및
검증 대기 사진과 상기 그루핑 중인 다른 한 장의 사진의 특징 파라미터가 매칭되지 않을 경우 알림 정보를 생성하여 수신된 이미지에 사기 행위가 존재함을 알리는 단계.
여기서 상기 보험클레임 사기 방지 시스템(10)은 일련의 프로그램 코드 또는 코드 명령으로 조성되고 이는 처리유닛(10)에 의해 포함된 프로그램 코드 또는 코드 명령과 대응되는 기능을 호출하여 실행할 수 있다.
바람직하게 상기 처리유닛(11)이 상기 보험클레임 사기 방지 시스템(10)을 호출하여 실행하고 상기 사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 단계를 수행할 경우,
수신한 차량의 훼손확인 사진에서의 물체의 음영을 인식하고 상기 음영에 근거하여 사진의 촬영각도를 분석하되, 여기서 물체 음영방향의 정면은 바로 렌즈방향이고 렌즈방향과 물체평면이 이루는 협각은 촬영각도인 단계; 및
수신한 차량의 훼손확인 사진의 촬영각도가 동일할 경우 상이한 각도로부터 계속하여 훼손확인 사진을 채집하는 알림 정보를 생성하여 상기 단말기에 발송하는 단계를 더 포함한다.
바람직하게 상기 처리유닛(11)이 상기 보험클레임 사기 방지 시스템(10)을 호출하여 실행하는 단계는,
차량의 상이한 부위의 사진을 수집하고 관련 부위를 표시하되, 여기서 상기 차량부위는 차의 앞부분, 차의 뒷부분 및 좌우 측면을 포함하는 방법; 및
콘볼루션 신경망을 이용하여 이미 표시한 자동차의 구체적 부위의 이미지에 대해 트레이닝을 진행하여 한 장의 이미지가 차량에서의 구체적인 부위를 정확히 판정할 수 있는 분석모델을 얻는데, 여기서 모델 트레이닝 과정에서 cross-validation의 방법을 사용하여 여러차례 나누어 트레이닝과 평가를 진행하고 매번 이미 표시한 자동차의 구체적 부위의 이미지에서 기설정된 수량의 이미지를 추출하여 테스트 데이터로 사용하며 그 밖의 수량의 이미지를 트레이닝 데이터로 사용하는 방법을 통하여 상기 분석모델을 생성하는 단계를 더 포함한다.
바람직하게 상기 처리유닛(11)이 상기 보험클레임 사기 방지 시스템(10)을 호출하여 실행함에 있어서 상기 키 포인트 검출은 SIFT 키 포인트 특징 검출방법을 사용한다.
바람직하게 상기 처리유닛(11)이 상기 보험클레임 사기 방지 시스템(10)을 호출하여 실행함에 있어서 상기 키 포인트 매칭 알고리즘은 RANSAC 알고리즘이다.
도 4에 도시된 바와 같이 도 4는 본 발명의 보험클레임 사기 방지기기의 제2 실시예의 하드웨어 구조도인 바, 본 실시예에서 상기 보험클레임 사기 방지기기와 제1 실시예에서 의 보험클레임 사기 방지기기는 기본적으로 유사하며 주요한 구별점은 터치 입력/표시유닛(17)을 사용하여 보험클레임 사기 방지기기에서의 입력/출력유닛(12)을 대체하는 것이다.
상기 터치 입력/표시유닛(17)은 인간-컴퓨터 상호작용 인터페이스를 제공하여 사용자로 하여금 상기 인간-컴퓨터 상호작용 인터페이스에 기반하여 터치 타입으로 명령을 입력하도록 하고 상기 보험클레임 사기 방지기기가 사용자 명령에 대한 응답 데이터를 출력하여 표시하도록 한다. 본 실시예에서 상기 터치 입력/표시유닛(17)은 터치 입력유닛과 표시유닛을 포함하고 상기 터치 입력유닛은 상기 인간-컴퓨터 상호작용 인터페이스의 터치 감지 영역에서의 터치 타입의 입력에 사용되고 상기 표시유닛은 터치 패널을 가지는 표시유닛이다. 상기 인간-컴퓨터 상호작용 인터페이스는 하나 또는 다수의 가상 키(도면 미도시)를 포함하고 상기 가상 키와 본 발명의 제1 실시예에서의 물리적 키의 기능은 동일한 바, 여기서 더이상 설명하지 않는다. 이 외에 이해할 수 있는 것은 상기 제1 실시예에서의 그 어떤 물리적 키 및/또는 마우스 및/또는 조작 레버는 모두 터치 입력/표시유닛(17)에서의 가상 키를 사용하여 대체할 수 있다.
본 발명의 실시예에서 다수의 훼손확인 사진에서의 파손 부위의 변조에 대해 검출을 진행하기 위하여 상기 보험클레임 사기 방지 시스템(10)은 다음과 같은 기능, 즉 이미지 수집과 태깅을 실현해야 하고 딥 러닝 트레이닝을 진행해야 하며 사진의 동일한 부위 분류를 진행하고 키 포인트 검출을 진행하며 스테레오 재구성을 진행하고 파손 부위를 비교하여 피드백을 제출한다.
상기 이미지의 수집과 태깅은 상이한 차량 이미지를 수집하고 관련 부위, 예하면 차의 앞부분, 차의 뒷부분, 좌우 측면 등 몇가지 큰 부류를 태깅해야 한다.본 실시예에서는 보험클레임 사기 방지기기(1)와 연결된 자동차 보험클레임 데이터 베이스에서 상이한 차량 이미지를 수집할 수 있다. 상기 자동차 보험클레임 데이터 베이스는 각 수리센터가 차량에 대해 훼손확인을 진행할 때 촬영한 사진을 저장할 수 있고 차량의 기설정된 부위의 분류와 훼손확인 사진의 매핑관계 또는 태그 데이터를 저장할 수 있다.
상기 딥 러닝 트레이닝은 주요하게 콘볼루션 신경망(CNN)을 사용하여 이미 표시한 자동차의 구체적 부위의 이미지에 대해 트레이닝을 진행함으로써 한 장의 이미지가 차량에서의 구체적인 부위를 정확히 판정할 수 있다. 트레이닝 과정에서는 cross-validation의 방법을 사용하여 여러차례, 예하면 5번으로 나누어 트레이닝과 평가를 진행 할 수 있는데 매번 이미 표시한 자동차의 구체적 부위이 이미지에서 20%를 추출하여 테스트 데이터로 사용하고 그 밖의 80%를 트레이닝 데이터로 사용한다. cross-validation을 통해 데이터량이 상대적으로 비교적 적은 상황에서 더 객관적인 평가지표를 획득하도록 확보할 수 있다.
상기 사진의 동일한 부위 분류는 사진의 동일한 부위에 대한 분류, 즉 사용자가 전송한 훼손확인 사진을 수신할 경우 상기 딥 러닝 트레이닝된 분석모델을 이용하여 매 한 장의 이미지가 차량에서의 구체적 부위를 판정하고 동일한 부위를 한 곳에 분류한다.
상기 키 포인트 검출은 SIFT(Scale-invariant feature transform)키 포인트 검출이다. SIFT는 하나의 국부적인 특징 설명자이고 크기, 방향, 배려 특징 독립성을 갖는다. 화상의 촬영각도, 거리가 상이하므로 이미지 크기, 방향 특징의 상이함을 초래하게 되는데 SIFT 키 포인트를 이용하면 상이한 사진의 동일한 부위, 예하면 헤드라이트, 차문 등을 효과적으로 검출할 수 있어 배려, 촬영각도 등 요소의 영향을 받지 않게 된다.
상기 스테레오 재구성(Stereo Reconstruction)은 우선 각 하나의 차량부위의 사진을 둘둘씩 그루핑한 후 상기 검출된 SIFT 키 포인트를 이용하여 매칭함으로써 각 하나의 차량부위와 제일 매칭되는 키 포인트를 선택한 다음 상기 키 포인트의 관련성에 근거하여 변환 매트릭스 Fundamental Matrix F를 산출한다.
상기 파손 부위를 비교하여 피드백을 제출하는 것은 상기 산출된 변환 매트릭스를 이용하여 둘둘씩 그루핑 중인 한 장의 이미지를 다른 한 장의 이미지의 각도로 변환시키고 두 장의 사진의 컬러, 무늬 등 특징을 매칭하여 만약 비교적 큰 불일치를 발견하게 되면 두 장의 이미지에서 적어도 한 장이 PS 된 것임을 증명하고 이를 작업자에게 피드백하여 자동차 보험 사기 사건의 발생을 방지하게 된다.
도 5에 도시된 내용을 참조하면 이는 본 발명의 보험클레임 사기 방지 시스템의 바람직한 실시예의 기능모듈도이다.
본 발명의 상기 보험클레임 사기 방지 시스템(10)의 프로그램 코드는 그의 상이한 기능에 근거하여 다수의 기능모듈로 구분될 수 있다. 본 발명의 바람직한 실시예에서 상기 보험클레임 사기 방지 시스템(10)은 모델 트레이닝모듈(100), 사진수신모듈(101), 분류모듈(102), 키 포인트 검출모듈(103), 재구성모듈(104) 및 검증모듈(105)을 포함할 수 있다.
상기 모델 트레이닝모듈(100)은 자동차 보험클레임 데이터 베이스에서 차량의 각 부위의 기설정된 수량의 사진을 획득하고 기설정된 모델에 따라 규칙을 생성하며 획득한 차량의 각 부위의 사진에 기반하여 차량의 각 부위의 사진을 분석하기 위한 분석모델을 생성하며 상기 분석모델을 저장하는데 사용된다.
본 실시예에서 상기 모델 트레이닝모듈(100)은 차량의 기설정된 부위의 분류(예하면 상기 차량의 기설정된 부위의 분류는 차의 앞부분, 측면, 차의 뒷부분, 차량 전체 등을 포함)에 근거하여 자동차 보험클레임 데이터 베이스(예하면 상기 자동차 보험클레임 데이터 베이스에는 차량의 기설정된 부위의 분류와 훼손확인 사진의 매핑관계 또는 태그 데이터가 저장되고 상기 훼손확인 사진은 수리센터가 훼손확인시 촬영한 사진을 가리킴)에서 각 기설정된 부위가 대응되는 기설정된 수량(예하면 10만장)의 사진(예하면 10만장의 차 앞부분 사진)을 획득한다.
진일보로 상기 트레이닝모듈(100)은 기설정된 모델에 따라 규칙을 생성하고 획득한 차량의 각 기설정된 부위의 분류와 대응되는 사진에 기반하여 차량의 각 부위를 분석하기 위한 분석모델을 생성한다(예하면 차의 앞부분과 대응되는 기설정된 수량의 훼손확인 사진에 기반하여 훼손확인 사진에 포함된 차량 파손 부위가 차의 앞부분임을 분석하기 위한 분석모델을 생성; 측면과 대응되는 기설정된 수량의 훼손확인 사진에 기반하여 훼손확인 사진에 포함된 차량 파손 부위가 측면임을 분석하기 위한 분석모델을 생성; 차의 뒷부분과 대응되는 기설정된 수량의 훼손확인 사진에 기반하여 훼손확인 사진에 포함된 차량 파손 부위가 차의 뒷부분임을 분석하기 위한 분석모델을 생성; 차량 전체와 대응되는 기설정된 수량의 훼손확인 사진에 기반하여 훼손확인 사진에 포함된 차량 파손 부위가 차량 전체임을 분석하기 위한 분석모델을 생성).
여기서 상기 분석모델은 콘볼루션 신경망(CNN) 모델이고 상기 기설정된 모델 생성 규칙은 획득한 차량의 각 부위의 기설정된 수량의 사진에 대해 전처리를 진행하여 획득한 사진의 포맷을 기설정된 포맷(예하면 leveldb포맷)으로 전환시키고 포맷 전환 후의 사진을 이용하여 CNN 모델을 트레이닝한다.
구체적인 트레이닝 과정은 다음과 같다. 트레이닝을 시작하기 전 랜덤으로 균일하게 CNN네트워크 내의 각 가중치의 시작값(예하면-0.05 내지 0.05)을 생성하고 랜덤 구배 하강법을 사용하여 CNN 모델을 트레이닝한다. 모든 트레이닝 과정은 전방향 전파와 후방향 전파 두가지 단계로 나뉜다. 전방향 전파에 있어서 모델 트레이닝모듈(100)은 트레이닝 데이터로부터 집중적으로 샘플을 랜덤 추출하고 CNN 네트워크를 입력하여 산출하며 실제적인 산출결과를 얻는다. 후방향 전파과정에서 모델 트레이닝모듈(100)은 실제 결과와 희망 결과(즉 태그 값)의 차이값을 산출한 후 오차 최소화 타겟팅 방법을 이용하여 각 가중치의 값을 역방향으로 조절함과 동시에 상기 조절하여 발생한 효과적인 오차를 산출한다. 트레이닝 과정은 여러번(예하면 100번) 반복되는데 모델 전체의 효과적인 오차가 미리 설정된 역치(예하면±0.01)보다 작을 경우 트레이닝이 완료된다.
바람직하게 CNN 모델의 인식 정확도를 담보하기 위하여 상기 모델의 구조는 여섯 층으로 분류되는데 각각 사진에 대해 기본 특징(예하면 라인, 컬러 등) 추출을 진행하는 특징 추출층, 구조 특징 추출을 위한 특징 조합층, 변위, 줌 및 왜곡을 인식하기 위한 특징 샘플링층 및 세 층의 샘플링을 통하여 실제 특징의 계산규모를 저하시키기 위한 서브 샘플링 층이며 상기 특징 조합층은 상기 특징 추출층의 후면에 설치되고 특징 샘플링층은 특징 조합층의 후면에 설치되며 상기 서브 샘플링층은 각각 상기 특징 추출층, 특징 조합층과 특징 샘플링층의 후면에 설치된다.
상기 사진수신모듈(101)은 차량이 교통사고가 발생하여 수리센터에서 손실확정을 진행할 경우 차주인과 수리센터와 같은 사용자가 단말기를 통해 업로드한 훼손확인 사진을 수신하여 업로드한 각 훼손확인 사진의 촬영각도의 동일 여부를 분석하며 각도가 동일할 경우 상이한 각도로부터 계속하여 훼손확인 사진을 채집하는 알림 정보를 생성하여 상기 단말기에 발송하는데 사용된다. 상기 알림 정보는, 예하면 현재 업로드한 훼손확인 사진에 Y장의 촬영각도가 동일하면 계속하여 기타 각도로부터 Y-1장의 훼손확인 사진을 채집하기 바란다는 것 일 수 있다. 본 실시예는 다음과 같은 방법을 통해 사진의 촬영각도를 분석할 수 있다: 사진에서의 물체의 음영을 인식하되 물체 음영방향의 정면은 바로 렌즈방향이고 렌즈방향과 물체평면이 이루는 협각을 촬영각도로 한다.
상기 분류모듈(102)은 상기 모델 트레이닝모듈(100)이 트레이닝한 분석모델을 이용하여 각 훼손확인 사진과 대응되는 차량부위를 분석하고 상기 훼손확인 사진에 대해 분류하여 동일한 차량부위의 훼손확인 사진을 같은 사진 집합으로 분류하며 사진 집합에서의 훼손확인 사진의 수량이 기설정된 수량보다 적을 경우 상이한 각도로부터 계속하여 상기 사진 집합이 대응되는 차량부위의 훼손확인 사진을 채집하는 알림 정보를 생성하여 상기 단말기에 발송하는데 사용된다. 상기 알림 정보는, 예하면 현재 훼손확인 부위X의 훼손확인 사진이 Z장 결여하므로 계속하여 기타 각도로부터 Z장의 훼손확인 부위X의 훼손확인 사진을 채집하기 바란다는 것 일 수 있다.
상기 키 포인트 검출모듈(103)은 각 사진 집합에서의 훼손확인 사진에 대해 키 포인트 검출을 실행하여 각 사진 집합이 대응되는 차량부위의 키 포인트 특징을 획득하는데 사용된다. 본 실시예에서 상기 (키 포인트 검출은 SIFT (Scale-invariant feature transform), 스케일 불변 특징 변화) 키 포인트 특징 검출방법을 사용할 수 있다. 상기 SIFT는 하나의 국부적인 특징 설명자이고 SIFT 키 포인트 특징은 화상의 국부적인 특징으로서 이는 회전, 스케일, 밝기 변화에 대해 불변성을 유지하고 시각변화, 아핀 변환, 노이즈에도 일정한 수준의 안정성을 유지한다.
상기 재구성모듈(104)은 기설정된 재구성 방법을 이용하여 각 사진 집합의 훼손확인 사진에 대해 각각 둘둘씩 그루핑하고 키 포인트 매칭 알고리즘에 근거하여 각 집합이 대응되는 상기 키 포인트 특징을 상기 집합의 각 그루핑 중인 사진과 키 포인트 매칭을 진행함으로써 각 그루핑 중인 훼손확인 사진을 위해 적어도 한 그룹의 관련 키 포인트를 각각 매칭함과 동시에 각 그루핑과 대응되는 관련 키 포인트에 근거하여 선형 방정식으로 각 그루핑과 대응되는 특징 포인트 변환 매트릭스를 산출하는데 사용된다.
본 실시예에서, 상기 재구성방법은 Stereo Reconstruction(스테레오 재구성)방법 일 수 있다. 상기 키 포인트 매칭 알고리즘은, 예하면 RANSAC(Random Sample Consensus) 알고리즘 일 수 있다.
실시예에서 상기 재구성모듈(104)은 각 그루핑 중인 훼손확인 사진이 각각 대응하여 매칭한 적어도 한 그룹의 기설정된 수량(예하면 8개)의 관련 키 포인트이다. 예하면 B1과 B2 두 장의 사진은 한 그룹으로 그루핑되고 B1과 B2에는 각각 적어도 한 그룹의 기설정된 수량의 키 포인트가 매칭되며 B1에서 매칭된 키 포인트와 B2에서 매칭된 키 포인트는 서로 관련되고 또 일일이 대응되는데 예하면 같은 위치와 대응되는 다수의 키 포인트는 서로 상관관계이고 또 일일이 대응된다.
실시예에서 상기 재구성모듈(104)은 각 그루핑과 대응되는 각 그룹의 관련 키 포인트에 근거하여 기설정된 선형 방정식을 이용함으로써 각 그루핑과 대응되는 특징 포인트 변환 매트릭스를 산출한다. 예하면 B1, B2 두 장의 사진의 관련 키 포인트에 근거하여 사진B1로부터 사진B2가 대응되는 특징 포인트 변환 매트릭스로 전환되어 스테레오 재구성(예하면 Stereo Reconstruction)을 완성할 수 있다. 상기 특징 포인트 변환 매트릭스는 Fundamental Matrix 일 수 있다. Fundamental Matrix의 작용은 한 화상의 특징 포인트를 매트릭스 변화를 통해 다른 한 화장의 관련 특징 포인트로 전환시키는 것이다.
본 실시예에서 상기 선형 방정식은,
Figure pct00004
일 수 있고
전개하면,
Figure pct00005
을 얻을 수 있다.
수학적인 변환을 거쳐 특징 포인트 변환 매트릭스 F를 얻을 수 있고 특징 포인트 변환 매트릭스 F는 다음과 같은 조건을 만족시켜야 한다.
Figure pct00006
상기 선형 방정식은 상기 매칭된 8개의 관련 키 포인트를 통해 산출함으로써 두 화상 사이의 공간 변환관계F를 얻는다.
상기 검증모듈(105)은 각 하나의 그루핑한 두 장의 훼손확인 사진에 대해 파라미터 검증을 진행하는데 사용된다. 상기 파라미터 검증은 다음과 같은 내용을 포함한다. 한 그루핑을 선택하여 상기 그루핑과 대응되는 특징 포인트 변환 매트릭스를 이용하여 상기 그루핑 중인 사진에서의 한 장의 사진을 상기 그룹에서의 다른 한 장의 사진과 동일한 촬영각도를 가지는 검증 대기 사진으로 변환시키고 상기 검증 대기 사진을 상기 그루핑 중인 다른 한 장의 사진과 특징 파라미터 매칭을 진행하되, 상기 파라미터는 컬러, 무늬 등 특징을 포함하고 매칭되지 않는 파라미터가 존재, 예하면 동일한 특징을 가지는 컬러 값의 차이가 기설정된 컬러 역치보다 크면 컬러 특징 파라미터가 매칭되지 않는다고 판정하고; 동일한 특징의 무늬의 싱크로율이 기설정된 싱크로율 역치, "예하면 90%"보다 작으면 무늬 특징 파라미터가 매칭되지 않는다고 판정하고 상기 그루핑 중인 두 장의 사진 검증이 통과되지 못한 것으로 판정함과 동시에 사기 위험 알림 정보를 생성하여 미리 결정된 단말기에 발송한다. 예하면 상기 사기 위험 알림 정보는 상기 단말기가 업로드한 사진B1과 B2가 검증을 통과하지 못하였으므로 위조 위험을 유의 바란다는 것일 수 있다.
하드웨어의 실현에 있어서 상기 사진수신모듈(101), 분류모듈(102), 키 포인트 검출모듈(103), 재구성모듈(104) 및 검증모듈(105) 등은 프로세서가 상기 각 모듈이 대응되는 동작을 호출하여 실행하도록 하드웨어 형식으로 보험클레임 사기 방지기기에 인라인되거나 또는 보험클레임 사기 방지기기와 독립적으로 존재할 수 있고 소프트웨어 형식으로 보험클레임 사기 방지기기의 메모리에 저장될 수도 있다. 상기 프로세서는 중앙처리유닛(CPU), 마이크로 프로세서, 마이크로 컨트롤러 등 일 수 있다.
본 발명은 컴퓨터 판독 가능 저장매체를 제공하는데 상기 컴퓨터 판독 가능 저장매체에는 하나 또는 하나 이상의 프로세서에 의해 실행되는 하나 또는 하나 이상의 프로그램이 저장되어,
사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 단계;
분석모델을 이용하여 각 훼손확인 사진과 대응되는 차량부위를 분석하고 상기 훼손확인 사진에 대해 분류하여 동일한 차량부위의 훼손확인 사진을 같은 사진 집합으로 분류하는 단계;
각 사진 집합에서의 훼손확인 사진에 대해 키 포인트 검출을 실행하여 각 사진 집합이 대응되는 차량부위의 키 포인트 특징을 획득하는 단계;
각 사진 집합의 훼손확인 사진에 대해 각각 둘둘씩 그루핑하고 키 포인트 매칭 알고리즘에 근거하여 각 집합이 대응되는 상기 키 포인트 특징을 상기 집합의 각 그루핑 중인 사진과 키 포인트 매칭을 진행함으로써 각 그루핑 중인 훼손확인 사진을 위해 적어도 한 그룹의 관련 키 포인트를 각각 매칭하는 단계;
각 그루핑과 대응되는 관련 키 포인트에 근거하여 선형 방정식으로 각 그루핑과 대응되는 특징 포인트 변환 매트릭스를 산출하고 대응되는 특징 포인트 변환 매트릭스를 이용하여 각 하나의 그루핑 중인 사진에서의 한 장의 사진을 상기 그룹에서의 다른 한 장의 사진과 동일한 촬영각도를 가지는 검증 대기 사진으로 변환시키는 단계;
상기 검증 대기 사진을 상기 그루핑 중인 다른 한 장의 사진과 특징 파라미터 매칭을 진행하는 단계; 및
검증 대기 사진과 상기 그루핑 중인 다른 한 장의 사진의 특징 파라미터가 매칭되지 않을 경우 알림 정보를 생성하여 수신된 이미지에 사기 행위가 존재함을 알리는 단계를 실현하도록 한다.
바람직하게 상기 사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 단계는,
수신한 차량의 훼손확인 사진에서의 물체의 음영을 인식하고 상기 음영에 근거하여 사진의 촬영각도를 분석하되, 여기서 물체 음영방향의 정면은 바로 렌즈방향이고 렌즈방향과 물체평면이 이루는 협각은 촬영각도인 단계; 및
수신한 차량의 훼손확인 사진의 촬영각도가 동일할 경우 상이한 각도로부터 계속하여 훼손확인 사진을 채집하는 알림 정보를 생성하여 상기 단말기에 발송하는 단계를 포함한다.
바람직하게 상기 하나 또는 하나 이상의 프로그램은 하나 또는 하나 이상의 프로세서에 의해 실행되어,
차량의 상이한 부위의 사진을 수집하고 관련 부위를 표시하되, 여기서 상기 차량부위는 차의 앞부분, 차의 뒷부분 및 좌우 측면을 포함하는 단계; 및
콘볼루션 신경망을 이용하여 이미 표시한 자동차의 구체적 부위의 이미지에 대해 트레이닝을 진행하여 한 장의 이미지가 차량에서의 구체적인 부위를 정확히 판정할 수 있는 분석모델을 얻는데, 여기서 모델 트레이닝 과정에서 cross-validation의 방법을 사용하여 여러차례 나누어 트레이닝과 평가를 진행하고 매번 이미 표시한 자동차의 구체적 부위의 이미지에서 기설정된 수량의 이미지를 추출하여 테스트 데이터로 사용하며 그 밖의 수량의 이미지를 트레이닝 데이터로 사용하는 단계를 실현하여 상기 분석모델을 생성한다.
바람직하게 상기 키 포인트 검출은 SIFT 키 포인트 특징 검출방법을 사용한다.
바람직하게 상기 키 포인트 매칭 알고리즘은 RANSAC 알고리즘이다.
본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어서 상기 실시예의 전부 또는 일부 단계가 하드웨어에 의해 완성될 수도 있고 프로그램에 의해 관련 하드웨어를 명령함으로써 완성될 수 있음을 이해할 수 있으며 상기 프로그램은 하나의 컴퓨터 판독 가능 저장매체에 저장될 수 있고 상기 제기한 저장매체는 롬, 디스크 또는 시디롬 등 일 수 있다.
마지막으로 설명해야 할 것은 이상의 실시예는 단지 본 발명의 기술적 해결수단을 설명하기 위한 것일 뿐 한정하기 위한 것이 아니고 비록 바람직한 실시예를 참조하여 본 발명에 대해 상세히 설명하였으나 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자들이 이해해야 할 것은 본 발명의 기술적 해결수단의 정?과 범위를 벗어나지 않도록 본 발명의 기술적 해결수단에 대 해 수정 또는 균등하게 대체할 수 있다.

Claims (20)

  1. 사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 단계;
    분석모델을 이용하여 각 훼손확인 사진과 대응되는 차량부위를 분석하고 상기 훼손확인 사진에 대해 분류하여 동일한 차량부위의 훼손확인 사진을 같은 사진 집합으로 분류하는 단계;
    각 사진 집합에서의 훼손확인 사진에 대해 키 포인트 검출을 실행하여 각 사진 집합이 대응되는 차량부위의 키 포인트 특징을 획득하는 단계;
    각 사진 집합의 훼손확인 사진에 대해 각각 둘둘씩 그루핑하고 키 포인트 매칭 알고리즘에 근거하여 각 집합이 대응되는 상기 키 포인트 특징을 상기 집합의 각 그루핑 중인 사진과 키 포인트 매칭을 진행함으로써 각 그루핑 중인 훼손확인 사진을 위해 적어도 한 그룹의 관련 키 포인트를 각각 매칭하는 단계;
    각 그루핑과 대응되는 관련 키 포인트에 근거하여 선형 방정식으로 각 그루핑과 대응되는 특징 포인트 변환 매트릭스를 산출하고 대응되는 특징 포인트 변환 매트릭스를 이용하여 각 하나의 그루핑 중인 사진에서의 한 장의 사진을 상기 그룹에서의 다른 한 장의 사진과 동일한 촬영각도를 가지는 검증 대기 사진으로 변환시키는 단계;
    상기 검증 대기 사진을 상기 그루핑 중인 다른 한 장의 사진과 특징 파라미터 매칭을 진행하는 단계; 및
    검증 대기 사진과 상기 그루핑 중인 다른 한 장의 사진의 특징 파라미터가 매칭되지 않을 경우 알림 정보를 생성하여 수신된 이미지에 사기 행위가 존재함을 알리는 단계를 포함하는 것을 특징으로 하는 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법.
  2. 제1 항에 있어서,
    상기 사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 단계는,
    수신한 차량의 훼손확인 사진에서의 물체의 음영을 인식하고 상기 음영에 근거하여 사진의 촬영각도를 분석하되, 여기서 물체 음영방향의 정면은 바로 렌즈방향이고 렌즈방향과 물체평면이 이루는 협각은 촬영각도인 단계; 및
    수신한 차량의 훼손확인 사진의 촬영각도가 동일할 경우 상이한 각도로부터 계속하여 훼손확인 사진을 채집하는 알림 정보를 생성하여 상기 단말기에 발송하는 단계를 포함하는 것을 특징으로 하는 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법.
  3. 제1 항에 있어서,
    차량의 상이한 부위의 사진을 수집하고 관련 부위를 표시하되, 여기서 상기 차량부위는 차의 앞부분, 차의 뒷부분 및 좌우 측면을 포함하는 방법; 및
    콘볼루션 신경망을 이용하여 이미 표시한 자동차의 구체적 부위의 이미지에 대해 트레이닝을 진행하여 한 장의 이미지가 차량에서의 구체적인 부위를 정확히 판정할 수 있는 분석모델을 얻는데, 여기서 모델 트레이닝 과정에서 cross-validation의 방법을 사용하여 여러차례 나누어 트레이닝과 평가를 진행하고 매번 이미 표시한 자동차의 구체적 부위의 이미지에서 기설정된 수량의 이미지를 추출하여 테스트 데이터로 사용하며 그 밖의 수량의 이미지를 트레이닝 데이터로 사용하는 방법을 통하여 상기 분석모델을 생성하는 단계를 더 포함하는 것을 특징으로 하는 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법.
  4. 제1 항에 있어서,
    상기 키 포인트 검출은 SIFT 키 포인트 특징 검출방법을 사용하는 것을 특징으로 하는 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법.
  5. 제1 항에 있어서,
    상기 키 포인트 매칭 알고리즘은 RANSAC 알고리즘 인 것을 특징으로 하는 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법.
  6. 사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 사진수신모듈;
    분석모델을 이용하여 각 훼손확인 사진과 대응되는 차량부위를 분석하고 상기 훼손확인 사진에 대해 분류하여 동일한 차량부위의 훼손확인 사진을 같은 사진 집합으로 분류하는 분류모듈;
    각 사진 집합에서의 훼손확인 사진에 대해 키 포인트 검출을 실행하여 각 사진 집합이 대응되는 차량부위의 키 포인트 특징을 획득하는 키 포인트 검출모듈;
    각 사진 집합의 훼손확인 사진에 대해 각각 둘둘씩 그루핑하고 키 포인트 매칭 알고리즘에 근거하여 각 집합이 대응되는 상기 키 포인트 특징을 상기 집합의 각 그루핑 중인 사진과 키 포인트 매칭을 진행함으로써 각 그루핑 중인 훼손확인 사진을 위해 적어도 한 그룹의 관련 키 포인트를 각각 매칭하고 각 그루핑과 대응되는 관련 키 포인트에 근거하여 선형 방정식으로 각 그루핑과 대응되는 특징 포인트 변환 매트릭스를 산출하는 재구성모듈;
    대응되는 특징 포인트 변환 매트릭스를 이용하여 각 하나의 그루핑 중인 사진에서의 한 장의 사진을 상기 그룹에서의 다른 한 장의 사진과 동일한 촬영각도를 가지는 검증 대기 사진으로 변환시키고 상기 검증 대기 사진을 상기 그루핑 중인 다른 한 장의 사진과 특징 파라미터 매칭을 진행하며 검증 대기 사진과 상기 그루핑 중인 다른 한 장의 사진의 특징 파라미터가 매칭되지 않을 경우 알림 정보를 생성하여 수신된 이미지에 사기 행위가 존재함을 알리는 검증모듈을 포함하는 것을 특징으로 하는 보험클레임 사기 방지 시스템.
  7. 제1 항에 있어서,
    상기 사진수신모듈은,
    수신한 차량의 훼손확인 사진에서의 물체의 음영을 인식하고 상기 음영에 근거하여 사진의 촬영각도를 분석하되, 여기서 물체 음영방향의 정면은 바로 렌즈방향이고 렌즈방향과 물체평면이 이루는 협각은 촬영각도이며 수신한 차량의 훼손확인 사진의 촬영각도가 동일할 경우 상이한 각도로부터 계속하여 훼손확인 사진을 채집하는 알림 정보를 생성하여 상기 단말기에 발송하는데 더 사용되는 것을 특징으로 하는 보험클레임 사기 방지 시스템.
  8. 제1 항에 있어서,
    차량의 상이한 부위의 사진을 수집하고 관련 부위를 표시하되, 여기서 상기 차량부위는 차의 앞부분, 차의 뒷부분 및 좌우 측면을 포함하는 방법; 및
    콘볼루션 신경망을 이용하여 이미 표시한 자동차의 구체적 부위의 이미지에 대해 트레이닝을 진행하여 한 장의 이미지가 차량에서의 구체적인 부위를 정확히 판정할 수 있는 분석모델을 얻는데, 여기서 모델 트레이닝 과정에서 cross-validation의 방법을 사용하여 여러차례 나누어 트레이닝과 평가를 진행하고 매번 이미 표시한 자동차의 구체적 부위의 이미지에서 기설정된 수량의 이미지를 추출하여 테스트 데이터로 사용하며 그 밖의 수량의 이미지를 트레이닝 데이터로 사용하는 방법을 통해 상기 분석모델을 생성하는 모델 트레이닝모듈을 더 포함하는 것을 특징으로 하는 보험클레임 사기 방지 시스템.
  9. 제1 항에 있어서,
    상기 키 포인트 검출은 SIFT 키 포인트 특징 검출방법을 사용하는 것을 특징으로 하는 보험클레임 사기 방지 시스템.
  10. 제1 항에 있어서,
    상기 키 포인트 매칭 알고리즘은 RANSAC 알고리즘 인 것을 특징으로 하는 보험클레임 사기 방지 시스템.
  11. 처리유닛, 상기 처리유닛과 연결된 보험클레임 사기 방지 시스템, 입력/출력유닛, 통신유닛 및 저장유닛을 포함하되,
    상기 입력/출력유닛은 사용자 명령을 입력하고 보험클레임 사기 방지기기가 입력된 사용자 명령에 대한 응답 데이터를 출력하는데 사용되고;
    상기 통신유닛은 미리 결정된 단말기 또는 백그라운드 서버와 통신연결하는데 사용되며;
    상기 저장유닛은 상기 보험클레임 사기 방지 시스템 및 상기 보험클레임 사기 방지 시스템의 운행 데이터를 저장하는데 사용되고;
    상기 처리유닛은 상기 보험클레임 사기 방지 시스템을 호출하여 실행시키는데 사용되어,
    사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 단계;
    분석모델을 이용하여 각 훼손확인 사진과 대응되는 차량부위를 분석하고 상기 훼손확인 사진에 대해 분류하여 동일한 차량부위의 훼손확인 사진을 같은 사진 집합으로 분류하는 단계;
    각 사진 집합에서의 훼손확인 사진에 대해 키 포인트 검출을 실행하여 각 사진 집합이 대응되는 차량부위의 키 포인트 특징을 획득하는 단계;
    각 사진 집합의 훼손확인 사진에 대해 각각 둘둘씩 그루핑하고 키 포인트 매칭 알고리즘에 근거하여 각 집합이 대응되는 상기 키 포인트 특징을 상기 집합의 각 그루핑 중인 사진과 키 포인트 매칭을 진행함으로써 각 그루핑 중인 훼손확인 사진을 위해 적어도 한 그룹의 관련 키 포인트를 각각 매칭하는 단계;
    각 그루핑과 대응되는 관련 키 포인트에 근거하여 선형 방정식으로 각 그루핑과 대응되는 특징 포인트 변환 매트릭스를 산출하고 대응되는 특징 포인트 변환 매트릭스를 이용하여 각 하나의 그루핑 중인 사진에서의 한 장의 사진을 상기 그룹에서의 다른 한 장의 사진과 동일한 촬영각도를 가지는 검증 대기 사진으로 변환시키는 단계;
    상기 검증 대기 사진을 상기 그루핑 중인 다른 한 장의 사진과 특징 파라미터 매칭을 진행하는 단계; 및
    검증 대기 사진과 상기 그루핑 중인 다른 한 장의 사진의 특징 파라미터가 매칭되지 않을 경우 알림 정보를 생성하여 수신된 이미지에 사기 행위가 존재함을 알리는 단계를 수행하도록 하는 것을 특징으로 하는 보험클레임 사기 방지기기.
  12. 제11 항에 있어서,
    상기 처리유닛은 상기 보험클레임 사기 방지 시스템을 호출하여 실행시키고 상기 사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 단계를 수행할 경우,
    수신한 차량의 훼손확인 사진에서의 물체의 음영을 인식하고 상기 음영에 근거하여 사진의 촬영각도를 분석하되, 여기서 물체 음영방향의 정면은 바로 렌즈방향이고 렌즈방향과 물체평면이 이루는 협각은 촬영각도인 단계; 및
    수신한 차량의 훼손확인 사진의 촬영각도가 동일할 경우 상이한 각도로부터 계속하여 훼손확인 사진을 채집하는 알림 정보를 생성하여 상기 단말기에 발송하는 단계를 더 포함하는 것을 특징으로 하는 보험클레임 사기 방지기기.
  13. 제11 항에 있어서,
    상기 처리유닛은 상기 보험클레임 사기 방지 시스템을 호출하여 실행시키는 외에 또,
    차량의 상이한 부위의 사진을 수집하고 관련 부위를 표시하되, 여기서 상기 차량부위는 차의 앞부분, 차의 뒷부분 및 좌우 측면을 포함하는 방법; 및
    콘볼루션 신경망을 이용하여 이미 표시한 자동차의 구체적 부위의 이미지에 대해 트레이닝을 진행하여 한 장의 이미지가 차량에서의 구체적인 부위를 정확히 판정할 수 있는 분석모델을 얻는데, 여기서 모델 트레이닝 과정에서 cross-validation의 방법을 사용하여 여러차례 나누어 트레이닝과 평가를 진행하고 매번 이미 표시한 자동차의 구체적 부위의 이미지에서 기설정된 수량의 이미지를 추출하여 테스트 데이터로 사용하며 그 밖의 수량의 이미지를 트레이닝 데이터로 사용하는 방법을 통해 상기 분석모델을 생성하는 단계를 더 수행하는 것을 특징으로 하는 보험클레임 사기 방지기기.
  14. 제11 항에 있어서,
    상기 처리유닛은 상기 보험클레임 사기 방지 시스템을 호출하여 실행시키고 상기 키 포인트 검출은 SIFT 키 포인트 특징 검출방법을 사용하는 것을 특징으로 하는 보험클레임 사기 방지기기.
  15. 제11 항에 있어서,
    상기 처리유닛은 상기 보험클레임 사기 방지 시스템을 호출하여 실행시키고 상기 키 포인트 매칭 알고리즘은 RANSAC 알고리즘 인 것을 특징으로 하는 보험클레임 사기 방지기기.
  16. 하나 또는 하나 이상의 프로세서에 의해 실행되는 하나 또는 하나 이상의 프로그램이 저장되어,
    사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 단계;
    분석모델을 이용하여 각 훼손확인 사진과 대응되는 차량부위를 분석하고 상기 훼손확인 사진에 대해 분류하여 동일한 차량부위의 훼손확인 사진을 같은 사진 집합으로 분류하는 단계;
    각 사진 집합에서의 훼손확인 사진에 대해 키 포인트 검출을 실행하여 각 사진 집합이 대응되는 차량부위의 키 포인트 특징을 획득하는 단계;
    각 사진 집합의 훼손확인 사진에 대해 각각 둘둘씩 그루핑하고 키 포인트 매칭 알고리즘에 근거하여 각 집합이 대응되는 상기 키 포인트 특징을 상기 집합의 각 그루핑 중인 사진과 키 포인트 매칭을 진행함으로써 각 그루핑 중인 훼손확인 사진을 위해 적어도 한 그룹의 관련 키 포인트를 각각 매칭하는 단계;
    각 그루핑과 대응되는 관련 키 포인트에 근거하여 선형 방정식으로 각 그루핑과 대응되는 특징 포인트 변환 매트릭스를 산출하고 대응되는 특징 포인트 변환 매트릭스를 이용하여 각 하나의 그루핑 중인 사진에서의 한 장의 사진을 상기 그룹에서의 다른 한 장의 사진과 동일한 촬영각도를 가지는 검증 대기 사진으로 변환시키는 단계;
    상기 검증 대기 사진을 상기 그루핑 중인 다른 한 장의 사진과 특징 파라미터 매칭을 진행하는 단계; 및
    검증 대기 사진과 상기 그루핑 중인 다른 한 장의 사진의 특징 파라미터가 매칭되지 않을 경우 알림 정보를 생성하여 수신된 이미지에 사기 행위가 존재함을 알리는 단계를 실현하도록 하는 것을 특징으로 하는 컴퓨터 판독 가능 저장매체.
  17. 제16 항에 있어서,
    상기 사용자가 단말기를 통해 업로드한 다수의 상이한 촬영각도로부터 촬영한 차량의 훼손확인 사진을 수신하는 단계는,
    수신한 차량의 훼손확인 사진에서의 물체의 음영을 인식하고 상기 음영에 근거하여 사진의 촬영각도를 분석하되, 여기서 물체 음영방향의 정면은 바로 렌즈방향이고 렌즈방향과 물체평면이 이루는 협각은 촬영각도인 단계; 및
    수신한 차량의 훼손확인 사진의 촬영각도가 동일할 경우 상이한 각도로부터 계속하여 훼손확인 사진을 채집하는 알림 정보를 생성하여 상기 단말기에 발송하는 단계를 포함하는 것을 특징으로 하는 컴퓨터 판독 가능 저장매체.
  18. 제16 항에 있어서,
    상기 하나 또는 하나 이상의 프로그램은 하나 또는 하나 이상의 프로세서에 의해 실행되어,
    차량의 상이한 부위의 사진을 수집하고 관련 부위를 표시하되, 여기서 상기 차량부위는 차의 앞부분, 차의 뒷부분 및 좌우 측면을 포함하는 단계; 및
    콘볼루션 신경망을 이용하여 이미 표시한 자동차의 구체적 부위의 이미지에 대해 트레이닝을 진행하여 한 장의 이미지가 차량에서의 구체적인 부위를 정확히 판정할 수 있는 분석모델을 얻는데, 여기서 모델 트레이닝 과정에서 cross-validation의 방법을 사용하여 여러차례 나누어 트레이닝과 평가를 진행하고 매번 이미 표시한 자동차의 구체적 부위의 이미지에서 기설정된 수량의 이미지를 추출하여 테스트 데이터로 사용하며 그 밖의 수량의 이미지를 트레이닝 데이터로 사용하는 단계를 실현하여 상기 분석모델을 생성하는 것을 특징으로 하는 컴퓨터 판독 가능 저장매체.
  19. 제16 항에 있어서,
    상기 키 포인트 검출은 SIFT 키 포인트 특징 검출방법을 사용하는 것을 특징으로 하는 컴퓨터 판독 가능 저장매체.
  20. 제16 항에 있어서,
    상기 키 포인트 매칭 알고리즘은 RANSAC 알고리즘 인 것을 특징으로 하는 컴퓨터 판독 가능 저장매체.
KR1020187019505A 2016-01-22 2017-01-16 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체 KR102138082B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201610046584.5A CN105719188B (zh) 2016-01-22 2016-01-22 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
CN201610046584.5 2016-01-22
PCT/CN2017/071318 WO2017124990A1 (zh) 2016-01-22 2017-01-16 基于多张图片一致性实现保险理赔反欺诈的方法、系统、设备及可读存储介质

Publications (2)

Publication Number Publication Date
KR20180104609A true KR20180104609A (ko) 2018-09-21
KR102138082B1 KR102138082B1 (ko) 2020-07-28

Family

ID=56153895

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187019505A KR102138082B1 (ko) 2016-01-22 2017-01-16 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체

Country Status (8)

Country Link
US (1) US10410292B2 (ko)
EP (1) EP3407229A4 (ko)
JP (1) JP6452186B2 (ko)
KR (1) KR102138082B1 (ko)
CN (1) CN105719188B (ko)
AU (1) AU2017209231B2 (ko)
SG (1) SG11201800342XA (ko)
WO (1) WO2017124990A1 (ko)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719188B (zh) * 2016-01-22 2017-12-26 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
CN106372651B (zh) * 2016-08-22 2018-03-06 平安科技(深圳)有限公司 图片品质的检测方法及装置
CN106600421A (zh) * 2016-11-21 2017-04-26 中国平安财产保险股份有限公司 一种基于图片识别的车险智能定损方法及系统
CN106780048A (zh) * 2016-11-28 2017-05-31 中国平安财产保险股份有限公司 一种智能车险的自助理赔方法、自助理赔装置及系统
CN107085814A (zh) * 2017-04-11 2017-08-22 武汉华创欣网科技有限公司 一种车险理赔照片的分析方法及系统
CN107358596B (zh) * 2017-04-11 2020-09-18 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置、电子设备及系统
CN112435215A (zh) 2017-04-11 2021-03-02 创新先进技术有限公司 一种基于图像的车辆定损方法、移动终端、服务器
CN107392218B (zh) 2017-04-11 2020-08-04 创新先进技术有限公司 一种基于图像的车辆定损方法、装置及电子设备
CN111914692A (zh) * 2017-04-28 2020-11-10 创新先进技术有限公司 车辆定损图像获取方法及装置
CN107368776B (zh) * 2017-04-28 2020-07-03 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
CN107194398B (zh) * 2017-05-10 2018-09-25 平安科技(深圳)有限公司 车损部位的识别方法及系统
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
CN209132890U (zh) * 2017-09-27 2019-07-19 中山市宾哥网络科技有限公司 结算箱
CN108269371B (zh) * 2017-09-27 2020-04-03 缤果可为(北京)科技有限公司 商品自动结算方法、装置、自助收银台
KR101916347B1 (ko) * 2017-10-13 2018-11-08 주식회사 수아랩 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램
CN108090838B (zh) * 2017-11-21 2020-09-29 阿里巴巴集团控股有限公司 识别车辆受损部件的方法、装置、服务器、客户端及系统
CN108062712B (zh) * 2017-11-21 2020-11-06 创新先进技术有限公司 一种车险定损数据的处理方法、装置和处理设备
CN108520194A (zh) * 2017-12-18 2018-09-11 上海云拿智能科技有限公司 基于影像监测的货品感知系统及货品感知方法
CN108323209A (zh) * 2018-01-29 2018-07-24 深圳前海达闼云端智能科技有限公司 信息处理方法、系统、云处理设备以及计算机程序产品
CN108921811B (zh) * 2018-04-03 2020-06-30 阿里巴巴集团控股有限公司 检测物品损伤的方法和装置、物品损伤检测器
CN108734702A (zh) * 2018-04-26 2018-11-02 平安科技(深圳)有限公司 车损判定方法、服务器及存储介质
CN108573286A (zh) * 2018-05-10 2018-09-25 阿里巴巴集团控股有限公司 一种理赔业务的数据处理方法、装置、设备及服务器
CN110569696A (zh) * 2018-08-31 2019-12-13 阿里巴巴集团控股有限公司 用于车辆部件识别的神经网络系统、方法和装置
CN109410270B (zh) * 2018-09-28 2020-10-27 百度在线网络技术(北京)有限公司 一种定损方法、设备和存储介质
TWI690874B (zh) * 2018-10-24 2020-04-11 富邦產物保險股份有限公司 用於遠端現場事故影像與身份驗證的系統與方法
CN109697429A (zh) * 2018-12-27 2019-04-30 睿驰达新能源汽车科技(北京)有限公司 一种确定车损的方法及装置
CN112017058A (zh) * 2019-05-30 2020-12-01 深圳市聚蜂智能科技有限公司 一种保险定损方法、装置、计算机设备和存储介质
CN111193868B (en) * 2020-01-09 2021-03-16 中保车服科技服务股份有限公司 Photographing method and device for vehicle insurance survey, computer equipment and readable storage medium
US10937108B1 (en) 2020-01-17 2021-03-02 Pearl Inc. Computer vision-based claims processing

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101467153A (zh) * 2006-06-08 2009-06-24 创伤科学有限责任公司 用于获取摄影测量数据来估计碰撞严重性的方法和设备
KR20100137989A (ko) * 2009-06-24 2010-12-31 대한민국(관리부서:행정안전부 국립과학수사연구원장) 디지털사진 위조 검출 방법
US8712893B1 (en) * 2012-08-16 2014-04-29 Allstate Insurance Company Enhanced claims damage estimation using aggregate display

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3342677B2 (ja) * 1999-06-22 2002-11-11 インターナショナル・ビジネス・マシーンズ・コーポレーション コンテンツデータ鑑定装置
US20020051577A1 (en) * 2000-10-20 2002-05-02 Naoto Kinjo Method of preventing falsification of image
JP2002198958A (ja) * 2000-10-20 2002-07-12 Fuji Photo Film Co Ltd 画像の改竄防止方法
JP2003187015A (ja) * 2001-12-20 2003-07-04 Seiko Instruments Inc 電子データ出力機器及び電子データ公証システム
JP4208561B2 (ja) * 2002-12-12 2009-01-14 キヤノンマーケティングジャパン株式会社 協定支援システム及びその制御方法、プログラム
US8112325B2 (en) * 2005-09-15 2012-02-07 Manheim Investments, Inc. Method and apparatus for automatically capturing multiple images of motor vehicles and other items for sale or auction
TW200718785A (en) * 2005-11-10 2007-05-16 Toyo Boseki A process for improving the thermal stability of a composition containing a soluble coenzyme conjugated glucose dehydrogenase (GDH)
GB2440171A (en) * 2006-07-17 2008-01-23 Univ Warwick Improvements in data visualisation systems
US10528925B2 (en) * 2008-01-18 2020-01-07 Mitek Systems, Inc. Systems and methods for mobile automated clearing house enrollment
WO2009147814A1 (ja) * 2008-06-02 2009-12-10 パナソニック株式会社 法線情報を生成する画像処理装置、方法、コンピュータプログラム、および、視点変換画像生成装置
US8004576B2 (en) * 2008-10-31 2011-08-23 Digimarc Corporation Histogram methods and systems for object recognition
WO2010097708A2 (en) * 2009-02-27 2010-09-02 Picosmos Il, Ltd Apparatus, method and system for collecting and utilizing digital evidence
CN101630407B (zh) * 2009-06-05 2012-09-19 天津大学 基于两视几何和图分割的伪造区域定位方法
WO2013093932A2 (en) * 2011-09-29 2013-06-27 Tata Consultancy Services Limited Damage assessment of an object
US8510196B1 (en) * 2012-08-16 2013-08-13 Allstate Insurance Company Feedback loop in mobile damage assessment and claims processing
EP2911112B1 (en) * 2014-02-21 2019-04-17 Wipro Limited Methods for assessing image change and devices thereof
CN104680515A (zh) * 2014-12-30 2015-06-03 中国航天科工集团第二研究院七〇六所 一种图像真实性鉴定方法
CN105719188B (zh) * 2016-01-22 2017-12-26 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101467153A (zh) * 2006-06-08 2009-06-24 创伤科学有限责任公司 用于获取摄影测量数据来估计碰撞严重性的方法和设备
KR20100137989A (ko) * 2009-06-24 2010-12-31 대한민국(관리부서:행정안전부 국립과학수사연구원장) 디지털사진 위조 검출 방법
US8712893B1 (en) * 2012-08-16 2014-04-29 Allstate Insurance Company Enhanced claims damage estimation using aggregate display

Also Published As

Publication number Publication date
AU2017209231A1 (en) 2017-11-23
WO2017124990A1 (zh) 2017-07-27
US10410292B2 (en) 2019-09-10
EP3407229A4 (en) 2019-08-28
AU2017209231B2 (en) 2019-09-26
CN105719188B (zh) 2017-12-26
EP3407229A1 (en) 2018-11-28
JP2018537772A (ja) 2018-12-20
US20180182039A1 (en) 2018-06-28
KR102138082B1 (ko) 2020-07-28
CN105719188A (zh) 2016-06-29
SG11201800342XA (en) 2018-02-27
JP6452186B2 (ja) 2019-01-16

Similar Documents

Publication Publication Date Title
Rahmouni et al. Distinguishing computer graphics from natural images using convolution neural networks
US20170344860A1 (en) Utilizing deep learning for automatic digital image segmentation and stylization
US9633282B2 (en) Cross-trained convolutional neural networks using multimodal images
US9721156B2 (en) Gift card recognition using a camera
US20190213563A1 (en) Image-based vehicle maintenance plan
CN105938559B (zh) 使用卷积神经网络的数字图像处理
US10262190B2 (en) Method, system, and computer program product for recognizing face
Nguyen et al. Combining deep and handcrafted image features for presentation attack detection in face recognition systems using visible-light camera sensors
WO2019169816A1 (zh) 一种用于精细化识别车辆属性的深度神经网络及训练方法
US10410292B2 (en) Method, system, apparatus, and storage medium for realizing antifraud in insurance claim based on consistency of multiple images
Arietta et al. City forensics: Using visual elements to predict non-visual city attributes
CN106203305B (zh) 人脸活体检测方法和装置
US10366313B2 (en) Activation layers for deep learning networks
Zhang et al. Actively learning human gaze shifting paths for semantics-aware photo cropping
JP2014232533A (ja) Ocr出力検証システム及び方法
JP6546271B2 (ja) 画像処理装置、物体検知装置、画像処理方法
Salti et al. A performance evaluation of 3d keypoint detectors
Bae et al. High-precision vision-based mobile augmented reality system for context-aware architectural, engineering, construction and facility management (AEC/FM) applications
US9349076B1 (en) Template-based target object detection in an image
CN101925905B (zh) 根据特征图像流程识别和验证未知文档
US10083347B2 (en) Face identification using artificial neural network
US10198623B2 (en) Three-dimensional facial recognition method and system
US9098888B1 (en) Collaborative text detection and recognition
JP6629513B2 (ja) ライブネス検査方法と装置、及び映像処理方法と装置
WO2018028546A1 (zh) 一种关键点的定位方法及终端、计算机存储介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant