照片）。
[0108] 步驟SOl，模型訓(xùn)練模塊100按照預(yù)設(shè)的模型生成規(guī)則，基于獲取的車輛各個(gè)部位 的照片，生成用于分析車輛各個(gè)部位照片的分析模型。例如，基于車前方對(duì)應(yīng)的預(yù)設(shè)數(shù)量的 定損照片，生成用于分析定損照片包含的車損部位為車前方的分析模型;基于側(cè)面對(duì)應(yīng)的 預(yù)設(shè)數(shù)量定損照片，生成用于分析定損照片包含車損部位為側(cè)面的分析模型;基于車尾對(duì) 應(yīng)的預(yù)設(shè)數(shù)量定損照片，生成用于分析定損照片包含車損部位為車尾的分析模型;基于整 車對(duì)應(yīng)的預(yù)設(shè)數(shù)量定損照片，生成用于分析定損照片包含車損部位為整車的分析模型等。
[0109] 其中，所述分析模型為卷積神經(jīng)網(wǎng)絡(luò)(C順)模型，所述預(yù)設(shè)的模型生成規(guī)則為:對(duì) 獲取的車輛各個(gè)部位的預(yù)設(shè)數(shù)量的照片進(jìn)行預(yù)處理，W將獲取的照片的格式轉(zhuǎn)化為預(yù)設(shè)格 式(例如，level化格式）；利用格式轉(zhuǎn)化后的照片，訓(xùn)練CN飾莫型。
[0110] 具體的訓(xùn)練過程如下：訓(xùn)練開始前，隨機(jī)且均勻地生成O^N網(wǎng)絡(luò)內(nèi)各權(quán)重的初始值 (例如-0.05至0.05;采用隨機(jī)梯度下降法對(duì)CN飾莫型進(jìn)行訓(xùn)練。整個(gè)訓(xùn)練過程可分為向前傳 播和向后傳播兩個(gè)階段。在向前傳播階段，模型訓(xùn)練模塊100從訓(xùn)練數(shù)據(jù)集中隨機(jī)提取樣 本，輸入網(wǎng)絡(luò)進(jìn)行計(jì)算，并得到實(shí)際計(jì)算結(jié)果。在向后傳播過程中，模型訓(xùn)練模塊100計(jì) 算實(shí)際結(jié)果與期望結(jié)果（即標(biāo)簽值)的差值，然后利用誤差最小化定位方法反向調(diào)整各權(quán)重 的值，同時(shí)計(jì)算該調(diào)整產(chǎn)生的有效誤差。訓(xùn)練過程反復(fù)迭代若干次(例如，100次），當(dāng)模型整 體有效誤差小于預(yù)先設(shè)定的闊值(例如正負(fù)0.01)時(shí)，訓(xùn)練結(jié)束。
[0111] 優(yōu)選地，為了保證C順模型的識(shí)別精度，所述模型結(jié)構(gòu)分為六層，分別是用于對(duì)照 片進(jìn)行基本特征（例如，線條、顏色等）提取的特征提取層，用于結(jié)構(gòu)特征提取的特征組合 層，用于識(shí)別位移、縮放及扭曲的二維圖形特征的特征采樣層，及=層用于通過采樣降低實(shí) 際特征計(jì)算規(guī)模的子抽樣層;所述特征組合層設(shè)于所述特征提取層的后面，特征采樣層設(shè) 于特征組合層后面，所述子抽樣層分別設(shè)于所述特征提取層、特征組合層和特征采樣層的 后面。
[0112] 步驟S02,模型訓(xùn)練模塊100存儲(chǔ)上述分析模型。
[0113] 最后所應(yīng)說明的是，W上實(shí)施例僅用W說明本發(fā)明的技術(shù)方案而非限制，盡管參 照較佳實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可W對(duì)本發(fā)明 的技術(shù)方案進(jìn)行修改或等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍。
【主權(quán)項(xiàng)】
1. 一種基于多張圖片一致性實(shí)現(xiàn)保險(xiǎn)理賠反欺詐的方法，其特征在于，該方法包括： 接收用戶通過終端上傳的多張從不同拍攝角度拍攝的車輛的定損照片； 利用一分析模型，分析出各個(gè)定損照片對(duì)應(yīng)的車輛部位，并對(duì)所述定損照片進(jìn)行分類， 以將相同車輛部位的定損照片分為同一照片集合； 對(duì)各個(gè)照片集合中的定損照片執(zhí)行關(guān)鍵點(diǎn)檢測(cè)，獲得各個(gè)照片集合對(duì)應(yīng)的車輛部位的 關(guān)鍵點(diǎn)特征； 對(duì)各個(gè)照片集合的定損照片分別進(jìn)行兩兩分組，根據(jù)一關(guān)鍵點(diǎn)匹配算法，將各個(gè)集合 對(duì)應(yīng)的關(guān)該鍵點(diǎn)特征與該集合的各分組中的照片進(jìn)行關(guān)鍵點(diǎn)匹配，為各個(gè)分組中的定損照 片分別匹配出至少一組相關(guān)關(guān)鍵點(diǎn)； 根據(jù)各個(gè)分組對(duì)應(yīng)的相關(guān)關(guān)鍵點(diǎn)，利用一線性方程計(jì)算出各個(gè)分組對(duì)應(yīng)的特征點(diǎn)變換 矩陣，并利用對(duì)應(yīng)的特征點(diǎn)變換矩陣，將每一個(gè)分組中的其中一張照片轉(zhuǎn)換成與該組另一 張照片具有相同拍攝角度的待驗(yàn)證照片； 將所述待驗(yàn)證照片與該分組中的另一張照片進(jìn)行特征參數(shù)匹配;及 在待驗(yàn)證照片與該分組中的另一張照片進(jìn)行特征參數(shù)不匹配時(shí)，生成提醒信息以提醒 接收的圖片存在欺詐行為。2. 如權(quán)利要求1所述的方法，其特征在于，所述接收用戶通過終端上傳的多張從不同拍 攝角度拍攝的車輛的定損照片的步驟包括： 識(shí)別出所接收的車輛的定損照片中物體的陰影，根據(jù)該陰影分析出照片的拍攝角度， 其中，物體陰影方向的正前方即是鏡頭方向，鏡頭方向與物體平面所呈的夾角為拍攝角度； 及 當(dāng)所接收的車輛的定損照片的拍攝角度相同時(shí)，生成并發(fā)送從不同角度繼續(xù)采集定損 照片的提醒信息給所述終端。3. 如權(quán)利要求1所述的方法，其特征在于，該方法還包括通過下述方法生成所述分析模 型： 收集車輛不同部位的照片并標(biāo)注相關(guān)部位，其中，所述車輛部位包括車頭、車尾、及左 右側(cè)面;及 利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)已經(jīng)標(biāo)注出的汽車具體部位的圖片進(jìn)行訓(xùn)練，得到所述能夠準(zhǔn)確 判斷出一張圖片屬于車輛的具體部位的分析模型，其中，在模型訓(xùn)練過程中，采用cross-validation 的方法，分多次進(jìn)行訓(xùn)練和評(píng)估，每次從已經(jīng)標(biāo)注出的汽車具體部位的圖片中 抽取預(yù)設(shè)數(shù)量的圖片作為測(cè)試數(shù)據(jù)，另外的數(shù)量的圖片作為訓(xùn)練數(shù)據(jù)。4. 如權(quán)利要求1所述的方法，其特征在于，所述關(guān)鍵點(diǎn)檢測(cè)采用SIFT關(guān)鍵點(diǎn)特征檢測(cè)方 法。5. 如權(quán)利要求1所述的方法，其特征在于，所述關(guān)鍵點(diǎn)匹配算法為RANSAC算法。6. -種適用于權(quán)利要求1至5任一項(xiàng)所述方法的服務(wù)器，其特征在于，該服務(wù)器包括存 儲(chǔ)設(shè)備以及處理器，其中： 所述存儲(chǔ)設(shè)備，存儲(chǔ)有一個(gè)基于多張圖片一致性實(shí)現(xiàn)保險(xiǎn)理賠反欺詐的系統(tǒng)； 所述處理器，用于調(diào)用并執(zhí)行所述基于多張圖片一致性實(shí)現(xiàn)保險(xiǎn)理賠反欺詐的系統(tǒng)， 以執(zhí)行如下步驟： 接收用戶通過終端上傳的多張從不同拍攝角度拍攝的車輛的定損照片； 利用一分析模型，分析出各個(gè)定損照片對(duì)應(yīng)的車輛部位，并對(duì)所述定損照片進(jìn)行分類， 以將相同車輛部位的定損照片分為同一照片集合； 對(duì)各個(gè)照片集合中的定損照片執(zhí)行關(guān)鍵點(diǎn)檢測(cè)，獲得各個(gè)照片集合對(duì)應(yīng)的車輛部位的 關(guān)鍵點(diǎn)特征； 對(duì)各個(gè)照片集合的定損照片分別進(jìn)行兩兩分組，根據(jù)一關(guān)鍵點(diǎn)匹配算法，將各個(gè)集合 對(duì)應(yīng)的關(guān)該鍵點(diǎn)特征與該集合的各分組中的照片進(jìn)行關(guān)鍵點(diǎn)匹配，為各個(gè)分組中的定損照 片分別匹配出至少一組相關(guān)關(guān)鍵點(diǎn)； 根據(jù)各個(gè)分組對(duì)應(yīng)的相關(guān)關(guān)鍵點(diǎn)，利用一線性方程計(jì)算出各個(gè)分組對(duì)應(yīng)的特征點(diǎn)變換 矩陣，并利用對(duì)應(yīng)的特征點(diǎn)變換矩陣，將每一個(gè)分組中的其中一張照片轉(zhuǎn)換成與該組另一 張照片具有相同拍攝角度的待驗(yàn)證照片； 將所述待驗(yàn)證照片與該分組中的另一張照片進(jìn)行特征參數(shù)匹配;及 在待驗(yàn)證照片與該分組中的另一張照片進(jìn)行特征參數(shù)不匹配時(shí)，生成提醒信息以提醒 接收的圖片存在欺詐行為。7. 如權(quán)利要求6所述的服務(wù)器，其特征在于，所述接收用戶通過終端上傳的多張從不同 拍攝角度拍攝的車輛的定損照片的步驟包括： 識(shí)別出所接收的車輛的定損照片中物體的陰影，根據(jù)該陰影分析出照片的拍攝角度， 其中，物體陰影方向的正前方即是鏡頭方向，鏡頭方向與物體平面所呈的夾角為拍攝角度； 及 當(dāng)所接收的車輛的定損照片的拍攝角度相同時(shí)，生成并發(fā)送從不同角度繼續(xù)采集定損 照片的提醒信息給所述終端。8. 如權(quán)利要求6所述的服務(wù)器，其特征在于，所述處理器還執(zhí)行通過下述方法生成所述 分析模型： 收集車輛不同部位的照片并標(biāo)注相關(guān)部位，其中，所述車輛部位包括車頭、車尾、及左 右側(cè)面;及 利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)已經(jīng)標(biāo)注出的汽車具體部位的圖片進(jìn)行訓(xùn)練，得到所述能夠準(zhǔn)確 判斷出一張圖片屬于車輛的具體部位的分析模型，其中，在模型訓(xùn)練過程中，采用cross-validation 的方法，分多次進(jìn)行訓(xùn)練和評(píng)估，每次從已經(jīng)標(biāo)注出的汽車具體部位的圖片中 抽取預(yù)設(shè)數(shù)量的圖片作為測(cè)試數(shù)據(jù)，另外的數(shù)量的圖片作為訓(xùn)練數(shù)據(jù)。9. 如權(quán)利要求6所述的服務(wù)器，其特征在于，所述關(guān)鍵點(diǎn)檢測(cè)采用SIFT關(guān)鍵點(diǎn)特征檢測(cè) 方法。10. 如權(quán)利要求6所述的服務(wù)器，其特征在于，所述關(guān)鍵點(diǎn)匹配算法為RANSAC算法。
【專利摘要】一種基于多張圖片一致性實(shí)現(xiàn)保險(xiǎn)理賠反欺詐的方法，包括：將相同車輛部位的定損照片分為同一集合；獲得各集合的關(guān)鍵點(diǎn)特征，對(duì)各照片集合的定損照片進(jìn)行分組，為各分組中的定損照片分別匹配出多個(gè)相關(guān)關(guān)鍵點(diǎn)；根據(jù)各分組的相關(guān)關(guān)鍵點(diǎn)，計(jì)算出各分組的特征點(diǎn)變換矩陣，并利用對(duì)應(yīng)的特征點(diǎn)變換矩陣，將每一個(gè)分組中的其中一張照片轉(zhuǎn)換成與該組另一張照片具有相同拍攝角度的待驗(yàn)證照片；將所述待驗(yàn)證照片與該分組中的另一張照片進(jìn)行特征參數(shù)匹配；及當(dāng)特征參數(shù)不匹配時(shí)，生成提醒信息以提醒接收的圖片存在欺詐行為。本發(fā)明還提供一種適用于上述方法的服務(wù)器。本發(fā)明能夠自動(dòng)識(shí)別欺詐的理賠行為。
【IPC分類】G06K9/62, G06K9/46, G06Q40/08
【公開號(hào)】CN105719188
【申請(qǐng)?zhí)枴緾N201610046584
【發(fā)明人】王健宗, 李虹杰, 肖京
【申請(qǐng)人】平安科技（深圳）有限公司
【公開日】2016年6月29日
【申請(qǐng)日】2016年1月22日