CN109784170A - 基于图像识别的车险定损方法、装置、设备及存储介质 - Google Patents
基于图像识别的车险定损方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109784170A CN109784170A CN201811528659.9A CN201811528659A CN109784170A CN 109784170 A CN109784170 A CN 109784170A CN 201811528659 A CN201811528659 A CN 201811528659A CN 109784170 A CN109784170 A CN 109784170A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- preset
- micro
- case
- security authorities
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000014509 gene expression Effects 0.000 claims abstract description 59
- 230000036651 mood Effects 0.000 claims abstract description 45
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 23
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000002996 emotional effect Effects 0.000 claims description 92
- 230000001771 impaired effect Effects 0.000 claims description 51
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 15
- 208000027418 Wounds and injury Diseases 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 235000021167 banquet Nutrition 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于图像识别的车险定损方法、装置、设备及存储介质。所述方法包括：通过自助视频通话获取报案用户的用户视频图像和事故车辆的现场视频图像；将现场视频图像输入事故分析模型进行图像识别，得到事故车辆的车辆信息和车辆受损信息；若根据事故车辆的历史报案信息确定车险报案请求有效，则使用微表情识别模型对用户视频图像进行微表情识别，得到用户视频图像的综合情绪分数；若综合情绪分数满足预设的分数阈值要求，则根据车辆受损信息确定事故车辆的定损结果。本发明的技术方案实现了自动定损，无需人工干预，提高了车险保险的处理效率和及时性，并有效鉴别车险报案的真伪，降低虚假视频报案的风险，提高保险处理的准确度。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于图像识别的车险定损方法、装置、设备及存储介质。
背景技术
随着经济生活水平的不断提高，车辆已经成为日常必不可少的交通工具。
目前，由于车辆通常都购买了保险，在发生交通事故时，往往直接通过电话进行车险报案，需等待保险公司工作人员进行现场查勘，周期长并且容易造成道路拥堵。
虽然现有技术中也有通过录制现场视频直接进行车险报案的方法，但仍然需要通过人工方式对现场视频进行线上定损，保险报案处理效率仍然较低，尤其是在线上坐席繁忙时，会造成长时间等待，同时，由于没有对现场视频的真实性进行检验的有效机制，导致虚假视频报案的风险较高，降低保险处理的准确度。
发明内容
本发明实施例提供一种基于图像识别的车险定损方法、装置、设备及存储介质，以解决目前车险定损处理效率低，以及虚假视频报案风险较高的问题。
一种基于图像识别的车险定损方法，包括：
若接收到报案用户通过客户端发送的车险报案请求，则获取所述车险报案请求中包含的被保险人的身份信息；
对所述被保险人的身份信息进行合法性校验，若校验成功，则启动与所述客户端的自助视频通话，并在自助视频通话过程中获取所述报案用户的用户视频图像和事故车辆的现场视频图像；
将所述现场视频图像输入预设的事故分析模型进行图像识别，得到所述事故车辆的车辆信息和车辆受损信息；
根据所述被保险人的身份信息，在预设的理赔数据库中查询所述被保险人的历史报案记录；
根据所述事故车辆的车辆信息，在所述被保险人的历史报案记录中查询所述事故车辆的历史报案信息，并根据所述历史报案信息确定所述车险报案请求是否有效；
若所述车险报案请求有效，则使用预设的微表情识别模型对所述用户视频图像进行微表情识别，得到所述用户视频图像在预设的每种微表情状态下的概率；
按照预设的组合计算方式，对所述用户视频图像在预设的每种微表情状态下的概率进行组合计算，得到所述用户视频图像的综合情绪分数；
若所述综合情绪分数满足预设的分数阈值要求，则根据所述车辆受损信息确定所述事故车辆的定损结果；
将所述事故车辆的车辆受损信息和定损结果反馈给所述客户端。
一种基于图像识别的车险定损装置，包括：
请求模块，用于若接收到报案用户通过客户端发送的车险报案请求，则获取所述车险报案请求中包含的被保险人的身份信息；
视频通话模块，用于对所述被保险人的身份信息进行合法性校验，若校验成功，则启动与所述客户端的自助视频通话，并在自助视频通话过程中获取所述报案用户的用户视频图像和事故车辆的现场视频图像；
车损识别模块，用于将所述现场视频图像输入预设的事故分析模型进行图像识别，得到所述事故车辆的车辆信息和车辆受损信息；
历史查询模块，用于根据所述被保险人的身份信息，在预设的理赔数据库中查询所述被保险人的历史报案记录；
核查模块，用于根据所述事故车辆的车辆信息，在所述被保险人的历史报案记录中查询所述事故车辆的历史报案信息，并根据所述历史报案信息确定所述车险报案请求是否有效；
微表情识别模块，用于若所述车险报案请求有效，则使用预设的微表情识别模型对所述用户视频图像进行微表情识别，得到所述用户视频图像在预设的每种微表情状态下的概率；
分数计算模块，用于按照预设的组合计算方式，对所述用户视频图像在预设的每种微表情状态下的概率进行组合计算，得到所述用户视频图像的综合情绪分数；
定损模块，用于若所述综合情绪分数满足预设的分数阈值要求，则根据所述车辆受损信息确定所述事故车辆的定损结果；
发送模块，用于将所述事故车辆的车辆受损信息和定损结果反馈给所述客户端。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于图像识别的车险定损方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于图像识别的车险定损方法的步骤。
上述基于图像识别的车险定损方法、装置、设备及存储介质中，通过自助视频通话过程，引导报案用户拍摄用户视频图像和事故车辆的现场视频图像，使用预设的事故分析模型对现场视频图像进行图像识别，得到事故车辆的车辆信息和车辆受损信息，实现了自动定损，无需人工干预，提高了车险保险的处理效率和及时性，并在此基础上，通过车辆信息获取历史报案记录，并根据历史报案记录确定本次报案是否有效，同时，对用户视频图像进行微表情识别，根据识别结果计算报案用户的综合情绪分数，并判断该综合情绪分数是否满足分数阈值要求，当本次报案有效并且综合情绪分数满足分数阈值要求时，确定本次车险报案请求为真实报案请求，实现了对报案用户的微表情和事故车辆的历史报案信息进行综合量化评估，确定报案请求的真实性，从而有效鉴别车险报案的真伪，降低虚假视频报案的风险，提高保险处理的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于图像识别的车险定损方法的一应用环境示意图；
图2是本发明一实施例中基于图像识别的车险定损方法的一流程图；
图3是本发明一实施例中基于图像识别的车险定损方法中步骤S3的一流程图；
图4是本发明一实施例中基于图像识别的车险定损方法的步骤S7的一流程图；
图5是本发明一实施例中基于图像识别的车险定损方法中步骤S8中根据车辆受损信息确定事故车辆的定损结果的一流程图；
图6是本发明一实施例中基于图像识别的车险定损装置的一示意图；
图7是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请提供的基于图像识别的车险定损方法，可应用在如图1所示的应用环境中，该应用环境包括服务端和客户端，其中，服务端和客户端之间通过网络进行连接，该网络可以是有线网络或者无线网络，客户端具体包括但不限于各种个人计算机、笔记本电脑、智能手机和平板电脑和便携式可穿戴设备，服务端具体可以用独立的服务器或者多个服务器组成的服务器集群实现。报案用户通过客户端发起车险报案，拍摄用户视频图像和现场视频图像，并发送到服务端，服务端对用户视频图像和现场视频图像进行分析处理，判断车险报案的真实性，并确定事故车辆的定损结果。
在一实施例中，如图2所示，提供一种基于图像识别的车险定损方法，以该方法应用在图1中的服务端为例进行说明，详述如下：
S1：若接收到报案用户通过客户端发送的车险报案请求，则获取车险报案请求中包含的被保险人的身份信息。
具体地，当报案用户所在的车辆发生交通事故时，报案用户可以通过客户端提供的应用界面向服务端发送车险报案请求，报案用户在该应用界面中输入被保险人的身份信息，并点击提及后，客户端将包含被保险人的身份信息的车险报案请求发送到服务端。
其中，被保险人的身份信息可以是被保险人的手机号码、被保险人的身份证号码，或者其他能够唯一标识被保险人身份的信息。
服务端若接收到车险报案请求，则从该车险报案请求中提取被保险人的身份信息。
S2：对被保险人的身份信息进行合法性校验，若校验成功，则启动与客户端的自助视频通话，并在自助视频通话过程中获取报案用户的用户视频图像和事故车辆的现场视频图像。
具体地，服务端对步骤S1获取到的身份信息进行合法性校验的过程包括：
在预设的车险信息数据库中查询被保险人的身份信息是否存在。预设的车险信息数据库中保存有已经成功购买了车辆保险的车险信息，该车险信息包括投保人信息、被保险人信息、车辆信息、保险项目信息，以及保险有效期等。
若在预设的车险信息数据库中查询到被保险人的身份信息，则进一步获取该被保险人对应的车险信息中的保险有效期，若当前时间属于该保险有效期，则确认被保险人已经成功投保并且处于保险有效期内，即校验成功；若若当前时间不属于该保险有效期，则确认被保险人虽已经成功投保但已经超过保险有效期，即校验失败。
若在预设的车险信息数据库中未查询到被保险人的身份信息，则确认被保险人未进行投保，即校验失败。
若合法性校验的结果为校验成功，则服务端启动与客户端的自助视频通话，并在自助视频通话过程中通过预设的语音指令引导报案用户录制包含报案用户的人脸图像的用户视频图像，以及事故车辆的现场视频图像。
若合法性校验的结果为校验失败，则服务端向客户端返回被保险人的身份信息不合法的提示信息，并拒绝本次车险报案请求。
进一步地，在自助视频通话过程中，服务端具体可以从预存的问题池中随机选择问题，并将选中的问题以语音的方式发送给客户端，并要求客户端的报案用户回答该问题，并在回答该问题的同时将自己的人脸图像显示在客户端的应用界面预设的视频框中，使得客户端将该视频框中的用户视频图像发送到服务端。
在报案用户完成问题回答之后，服务端通过语音的方式向客户端的报案用户发出事故现场的视频录制指令，报案用户根据该视频录制指令录制事故车辆的现场视频图像，并在点击提交后客户端将该现场视频图像发送到服务端。
其中，预设的问题池中包含了预先设置的各种与车险报案相关的问题，例如，请报案用户告知现场的位置，以及当前时间，或者事故车辆的数量等。
视频录制指令中可以包括对事故车辆的现场视频图像的录制要求，并通过语音的方式告知报案用户，例如，录制要求可以包括至少录制包含事故车辆车头的全景图像和近景图像，以及包含事故车辆车尾的全景图像和近景图像等。
S3：将现场视频图像输入预设的事故分析模型进行图像识别，得到事故车辆的车辆信息和车辆受损信息。
具体地，预设的事故分析模型用于识别事故车辆的车辆信息和车辆受损信息。其中，车辆信息包含了标识事故车辆特征的属性信息，例如车牌号码、车辆类型和车辆颜色等。车辆受损信息包含了标识事故车辆的创面的属性信息，例如受损位置和受损面积等。
预设的事故分析模型具体可以是预先训练好的基于深度学习的卷积神经网络模型和图像信息识别模型，其中，卷积神经网络模型用于识别车辆受损信息，图像信息识别模型用于识别车辆信息。
S4：根据被保险人的身份信息，在预设的理赔数据库中查询被保险人的历史报案记录。
具体地，预设的理赔数据库中预先保存有被保险人的投保车辆的历史报案记录，根据被保险人的身份信息能够在理赔数据库中检索到该身份信息对应的投保车辆的历史报案记录。
其中，每个历史报案记录中包含报案车辆的车辆信息和报案时间信息，以及其他报案信息等。
S5：根据事故车辆的车辆信息，在被保险人的历史报案记录中查询事故车辆的历史报案信息，并根据历史报案信息确定车险报案请求是否有效。
具体地，在步骤S4得到的历史报案记录中，查询是否存在事故车辆的车辆信息，若存在，则根据事故车辆的车辆信息所在的历史报案记录中的报案时间信息，统计在预设时间段内事故车辆的历史报案记录的数量，即事故车辆在预设时间段内的报案次数。
若报案次数大于或等于预设的次数阈值，则确认事故车辆在该预设时间段内报案频繁，存在虚假报案的可能，因此认定本次的车险报案请求无效，并通过客户端告知报案用户进行人工报案处理。
若报案次数小于预设的次数阈值，则确认事故车辆在该预设时间段内没有频繁报案，因此认定本次的车险报案请求有效。
其中，预设时间段可以是一个月内、三个月内、半年之内等，具体可以根据实际应用的需要进行设置，并且预设时间段和预设的次数阈值之间可以存在预设的对应关系，预设时间段越长则次数阈值越大，预设时间段越短则此时阈值越小。
S6：若车险报案请求有效，则使用预设的微表情识别模型对用户视频图像进行微表情识别，得到用户视频图像在预设的每种微表情状态下的概率。
具体的，若根据步骤S5得到本次的车险报案请求有效，则使用微表情识别模型对步骤S2得到的报案用户的用户视频图像进行微表情识别。
预设的微表情识别模型对输入的用户视频图像进行视频帧提取，得到预设数量的目标帧图像，通过捕捉目标帧图像中的报案用户的表情特征，并根据表情特征识别报案用户的微表情状态，得到每个目标帧图像在N个预设的微表情状态下的基本概率，其中，N为正整数。
其中，预设的微表情状态包括喜怒哀乐等各种细微表情状态，例如：喜笑颜开、兴高采烈、疑惑不解、怒火中烧、大吃一惊、疲惫不堪等多达54种相互具有细微差别的微表情。
需要说明的是，微表情识别模型可以是基于深度学习的神经网络识别模型，还可以是基于局部二值模式(Local Binary Pattern，LBP)的局部情绪识别模型，其具体可以根据实际应用的需要进行选择，此处不做限制。
对每个预设的微表情状态在每个目标帧图像中的概率进行平均或者加权平均，得到每个预设的微表情状态的综合概率，该综合概率即为用户视频图像在该微表情状态下的概率。
S7：按照预设的组合计算方式，对用户视频图像在预设的每种微表情状态下的概率进行组合计算，得到用户视频图像的综合情绪分数。
具体地，对步骤S6得到的每种微表情状态下的概率，即N个概率进行组合计算，按照预设的组合计算方式对N个概率进行组合计算的具体过程可以为：
计算N个概率中大于预设的概率阈值的M个概率的平均值，并将得到的平均值作为用户视频图像的综合情绪分数，其中，M为正整数，并且M小于等于N。
预设的组合计算方式还可以是对N个概率计算加权平均值，并将得到的加权平均值作为用户视频图像的综合情绪分数。
S8：若综合情绪分数满足预设的分数阈值要求，则根据车辆受损信息确定事故车辆的定损结果。
具体地，在步骤S6确认车险报案请求有效的基础上，进一步判断若步骤S7得到的综合情绪分数满足预设的分数阈值要求，则确认本次车险报案请求为真实报案请求，并允许本次车险报案请求被继续执行。
当确认本次车险报案请求为真实报案请求后，根据车辆受损信息确定事故车辆的定损结果，其中，定损结果包括具体的理赔金额。
在一具体实施例中，按照车辆受损信息和理赔金额之间预设的对应关系，获取本次车险报案请求中识别出的车辆受损信息对应的理赔金额，并将获取到的该理赔金额作为本次车险报案请求的定损结果。
S9：将事故车辆的车辆受损信息和定损结果反馈给客户端。
具体地，将本次车险报案请求中识别出的事故车辆的车辆受损信息以及步骤S8确定的定损结果，反馈给客户端，其中，车辆受损信息包括受损位置和受损等级，或者，受损位置和目标受损等级。
客户端的报案用户通过客户端的显示界面查看定损结果，若确认无误则点击完成图标，完成本次车险报案请求，客户端将完成指令返回给服务端，服务端在接收到该完成指令后，将本次车险报案请求中的车辆信息、报案时间信息、及其本次车险报案请求中的相关信息作为历史报案记录保存到预设的理赔数据库中，以备查询。
本实施例中，通过自助视频通话过程，引导报案用户拍摄用户视频图像和事故车辆的现场视频图像，使用预设的事故分析模型对现场视频图像进行图像识别，得到事故车辆的车辆信息和车辆受损信息，实现了自动定损，无需人工干预，提高了车险保险的处理效率和及时性，并在此基础上，通过车辆信息获取历史报案记录，并根据历史报案记录确定本次报案是否有效，同时，对用户视频图像进行微表情识别，根据识别结果计算报案用户的综合情绪分数，并判断该综合情绪分数是否满足分数阈值要求，当本次报案有效并且综合情绪分数满足分数阈值要求时，确定本次车险报案请求为真实报案请求，实现了对报案用户的微表情和事故车辆的历史报案信息进行综合量化评估，确定报案请求的真实性，从而有效鉴别车险报案的真伪，降低虚假视频报案的风险，提高保险处理的准确度。
在一实施例中，车辆受损信息包括受损位置和受损等级。
其中，受损位置为事故车辆的创面在事故车辆的相对位置，例如受损位置具体可以定义为左前门位置、右前门位置、左前轮位置、右前轮位置、前保险杠位置等；受损等级为事故车辆的创面的受损程度，例如受损等级具体可以定义为轻度擦碰、严重碰撞、彻底损毁等，或者还可以定义为一级损伤、二级损伤、三级损伤等。
需要说明的是，受损位置和受损等级的定义可以预选设置，其具体可以根据实际应用的需要进行设置，此处不做限制。
进一步地，如图3所示，在步骤S3中，将现场视频图像输入预设的事故分析模型进行图像识别，得到事故车辆的车辆信息和车辆受损信息，具体包括如下步骤：
S31：按照预设的提取方式，对现场视频图像进行视频帧提取，得到视频帧图像。
具体地，预设的提取方式可以是每间隔预设的帧数提取一帧，也可以是随机提取若干帧，其具体可以根据实际应用的需要进行设置，此处不做限制。
S32：使用预设的图像信息识别模型对视频帧图像进行图像内容识别，获取事故车辆的车辆信息。
在本实施例中，预设的图像信息识别模型用于对输入的视频帧图像进行图像内容识别，识别出的图像内容包括车辆的车牌号码，车辆的品牌类型，以及车辆的颜色等。
对于车牌号码，在预设的图像信息识别模型中，通过遍历视频帧图像中的像素点，确定包含车牌像素点的视频帧图像，并从该视频帧图像中获取车牌像素点所在的图像区域，并将该图像区域从视频帧图像中截取出来，对截取出的像素区域进行去噪、灰化和二值化处理，得到二值化车牌图像，对二值化车牌图像进行字符切割，并使用预设的标准字符模板对切割后的每个字符图像进行相似度匹配，将匹配成功的标准字符模板中的字符确定为该字符图像中的字符，将识别出每个字符图像中的字符进行组合，得到车牌号码。
对于车辆的品牌类型，品牌类型包括品牌标志和车辆型号，在预设的图像信息识别模型中，通过遍历视频帧图像中的像素点，确定包含车牌标志的视频帧图像，并从该视频帧图像中获取车牌标志所在的图像区域和车辆轮廓，使用预存的标准车牌标志与该图像区域中的车牌标志进行匹配，将匹配成功的标准车牌标志作为该车辆的品牌标志，根据预设的每种标准车牌标志对应的不同车辆型号的外形轮廓，将该车辆的品牌标志对应的每种车辆型号的外形轮廓与识别出的车辆轮廓进行匹配，并将匹配成功的外形轮廓对应的车辆型号作为该车辆的车辆型号。
对于车辆的颜色，在得到车辆轮廓的基础上，根据车辆轮廓中的像素点的像素值对应的颜色，得到车辆的颜色。
S33：对视频帧图像进行图像预处理，得到目标图像。
具体地，图像预处理包括去雾、去反光、碰撞点分离、旋转或者平移等，对每一帧视频帧图像均进行图像预处理后，得到每一帧视频帧图相对应的目标图像。
S34：使用预设的神经网络模型对目标图像进行受损部位识别，确定事故车辆的受损位置和受损等级。
具体地，预设的神经网络模型可以是预先训练好的基于深度学习的卷积神经网络模型，其具体可以是ResNet-50深度卷积模型等。
将目标图像输入预设的神经网络模型，在该神经网络模型中，对每一帧目标图像进行受损部位识别，得到每一帧目标图像中的事故车辆的受损位置，以及在受损位置的受损创面的创面深度和变形程度。
若目标图像的帧数为n帧，则将n帧目标图像得到的全部受损位置进行统计，获取每个受损位置的出现次数，并将次数大于预设阈值的受损位置确定为事故车辆的受损位置。
例如，目标图像有3帧，第一帧中的受损位置包括左前门位置和右前门位置，第二帧中的受损位置包括左前门位置和左前轮位置，第三帧中的受损位置包括左前门位置，则通过统计得到左前门位置的出现次数为3次，右前门位置的出现次数为1次，左前轮位置的出现次数为1次，若预设阈值为2，则事故车辆的受损位置为左前门位置。
需要说明的是，预设阈值和目标图像的帧数之间可以是正比例的映射关系，可以理解的，目标图像的帧数越多，预设阈值越大，反之，目标图像的帧数越少，预设阈值越小。
根据确定的事故车辆的受损位置，对每帧目标图像中该受损位置的受损创面的创面深度进行组合，具体组合方式可以是计算平均值的方式，或者还可以是通过加权平均的方式，得到受损创面的综合创面深度，同时，采用与创面深度相同的组合方式，对每帧目标图像中该受损位置的受损创面的变形程度进行组合，得到受损创面的综合变形程度。
按照创面深度和变形程度与受损等级之间预设的对应关系，确定综合创面深度和综合变形程度对应的受损等级，并将得到的该受损等级确定为事故车辆的受损等级。
本实施例中，使用预设的图像信息识别模型对视频帧图像进行图像内容识别，获取事故车辆的车辆信息，同时，使用预设的神经网络模型对目标图像进行受损部位识别，确定事故车辆的受损位置和受损等级，实现了根据视报案用户拍摄的现场视频图像准确识别事故车辆的车辆信息，以及受损位置和受损等级，提高了车险报案的处理结果的准确性。
在一实施例中，如图4所示，在步骤S7中，按照预设的组合计算方式，对用户视频图像在预设的每种微表情状态下的概率进行组合计算，得到用户视频图像的综合情绪分数，具体包括如下步骤：
S71：从用户视频图像在预设的每种微表情状态下的概率中，获取每种预设的目标微表情状态的概率，作为目标概率，其中，预设的目标微表情状态为预设的每种微表情状态中用于判断报案真实性的微表情状态。
具体地，预设的目标微表情状态为预设的每种微表情状态组成的状态集合的子集，在该子集中的每种目标微表情状态均用于判断报案真实性，预设的目标微表情状态可以由各个保险供应商根据需要自行设置，例如，预设的目标微表情状态可以包括表现神情可疑、左顾右盼或者心虚等情绪的微表情状态。
举例来说，若用户视频图像在预设的每种微表情状态下的概率共有10个，每个概率对应一个微表情状态，分别为A1、A2、A3、A4、A5、A6、A7、A8、A9和A10，若预设的目标微表情状态为A2、A3和A7，则从这10个概率中获取微表情状态为A2、A3和A7对应的概率，将A2、A3和A7对应的概率作为目标概率。
S72：按照概率与微表情分数之间预设的对应关系，获取每个目标概率对应的微表情分数，并将获取到的微表情分数作为目标分数。
在本实施例中，概率与微表情分数之间预设的对应关系具体可以是正比例线性函数关系，即概率越大，其对应的微表情分数越高，概率越小，其对应的微表情分数越低，并且概率和微表情分值之间呈线性对应关系。
概率与微表情分数之间预设的对应关系还可以是分段对应关系，即将概率进行分段，每段概率对应一个微表情分数，并且每段概率与微表情分数之间为正比例关系。例如，概率在0％至60％之间时，对应的微表情分数为30分；概率在60％至70％之间时，对应的微表情分数为60分；概率在70％至90％之间时，对应的微表情分数为80分；概率在90％至100％之间时，对应的微表情分数为90分。
具体地，根据概率与微表情分数之间预设的对应关系，确定每个目标概率对应的微表情分数，并将该微表情分数作为该目标概率对应的目标分数。
S73：根据每个目标概率对应的目标分数，按照如下公式计算用户视频图像的综合情绪分数：
其中，P为综合情绪分数，m为目标概率的数量，gi为第i个目标概率对应的目标分数，fi为第i个目标概率对应的预设目标权重，k为预设的分数调节系数，δ为预设的基础分值。
具体地，通过对每个目标概率对应的目标分数进行加权平均，并使用分数调节系数和基础分值对加权平均后的数值进行调优，得到用户视频图像的综合情绪分数。
本实施例中，根据用户视频图像在预设的每种微表情状态下的概率组合计算用户视频图像的综合情绪分数时，首先从每种微表情状态的概率中获取用于判断报案真实性的目标微表情状态的概率，并将目标微表情状态的概率转换为对应的微表情分数，然后对微表情分数进行加权平均计算，得到的综合情绪分数能够全面准确反映报案用户的情绪状态，为报案请求真实性提供准确的判断依据。
在一实施例中，如图5所示，在步骤S8中，根据车辆受损信息确定事故车辆的定损结果，具体包括如下步骤：
S81：从用户视频图像在预设的每种微表情状态下的概率中，获取每种预设的相关微表情状态的概率，得到K个相关概率，其中，预设的相关微表情状态为预设的每种微表情状态中用于判断受损严重性的微表情状态，K为相关微表情状态的数量。
具体地，从步骤S6得到的用户视频图像在预设的每种微表情状态下的概率中，获取相关微表情状态的概率，得到K个相关概率。
其中，预设的相关微表情状态为预先设置的与事故现场相关的用于判断受损严重性的微表情状态，预设的相关微表情状态可以由各个保险供应商根据需要自行设置，例如，预设的相关微表情状态具体可以设置为表达焦虑情绪或者紧张情绪的微表情状态。
举例来说，若用户视频图像在预设的每种微表情状态下的概率共有10个，每个概率对应一个微表情状态，分别为A1、A2、A3、A4、A5、A6、A7、A8、A9和A10，若预设的相关微表情状态为A5和A6，则从这10个概率中获取微表情状态为A5和A6对应的概率，将A5和A6对应的概率作为相关概率。
S82：根据每个相关微表情状态的预设相关权重，计算K个相关概率的加权平均值，并将该加权平均值与预设调节参数的乘积作为用户视频图像对应的严重系数。
具体地，预先为每个相关微表情状态设置权重值，作为相关权重，将每个相关概率与该相关概率对应的相关微表情状态的相关权重进行加权平均计算，得到K个相关概率的加权平均值，并乘以预设调节参数，得到用户视频图像对应的严重系数。其中，预设调节参数用于对严重系数进行动态调优。
进一步地，使用如下公式计算用户视频图像对应的严重系数：
其中，η为用户视频图像对应的严重系数，K为相关概率的数量，αj为第j个相关概率的值，yj为第j个相关概率对应的相关微表情状态的相关权重，β为预设调节系数。
严重系数用于标识报案用户的特定情绪的程度，该特定情绪为相关微表情状态对应的情绪。例如，若特定情绪为紧张情绪，则严重系数越大代表报案用户的情绪越紧张。可以理解的，当事故越严重时，报案用户的情绪会越紧张或者越害怕。因此，根据严重系数可以进一步对步骤S34确定的事故车辆的受损等级进行修正，避免因报案用户拍摄的现场视频图像不满足识别要求，导致识别出的受损等级不准确的情况。
S83：根据严重系数对事故车辆的受损等级进行修正，得到目标受损等级。
具体地，在步骤S34确定的事故车辆的受损等级的基础上，根据步骤S82得到的严重系数对该受损等级进行修正，具体修正方式可以是直接根据严重系数对受损等级进行调整，详述如下：
根据预设的系数范围与受损等级之间的对应关系，获取严重系数所在的系数范围，并将该系数范围对应的受损等级作为待比对等级；
若待比对等级高于事故车辆的受损等级，则将事故车辆的受损等级修正为待比对等级，即目标受损等级为待比对等级；
若待比对等级不高于事故车辆的受损等级，则不修正事故车辆的受损等级，即目标受损等级为事故车辆的受损等级。
进一步地，当待比对等级高于事故车辆的受损等级时，还可以重新确定受损等级，详述如下：
服务端向客户端发送拍摄受损位置特写照片的指令，以使报案用户根据该指令拍摄并上传受损位置特写照片；
服务端接收到传受损位置特写照片后，采用与步骤S34相同的方法，使用预设的神经网络模型对受损位置特写照片进行受损部位识别，重新确定事故车辆的受损等级，并将重新确定的该受损等级作为修正后的目标受损定制。
S84：根据事故车辆的受损位置和目标受损等级，确定事故车辆的定损结果。
具体地，按照受损位置和受损等级与和理赔金额之间预设的对应关系，获取本次车险报案请求中识别出的事故车辆的受损位置和目标受损等级对应的理赔金额，并将获取到的该理赔金额作为本次车险报案请求的定损结果。
本实施例中，在根据车辆受损信息确定事故车辆的定损结果时，从用户视频图像在每种微表情状态的概率中，获取用于判断受损严重性的相关微表情状态的概率，并对每个相关微表情状态的概率进行加权平均计算，得到用户视频图像的严重系数，使用该严重系数标识报案用户的特定情绪的程度，进而根据该严重系数对述事故车辆的受损等级进行修正，确保受损等级的准确，进一步提高定损结果的准确性。
在一实施例中，在步骤S7之后，还包括对车险报案请求的拒绝处理，详述如下：
若车险报案请求无效，或者综合情绪分数不满足预设的分数阈值要求，则拒绝车险报案请求，并向客户端返回当前报案信息真实性不足的提示信息。
具体地，若在步骤S5中根据报案次数大于或等于预设的次数阈值确定本次的车险报案请求无效，则认定本次的车险报案请求存在虚假报案的可能，因此，拒绝本次的车险报案请求，并向客户端返回当前报案信息真实性不足的提示信息，并告知报案用户进行人工报案处理。
若在步骤S5中根据报案次数小于预设的次数阈值确定本次的车险报案请求有效，但步骤S7得到的综合情绪分数不满足预设的分数阈值要求，则认定本次车险报案请求仍然具有虚假报案的风险，并终止本次车险报案请求的继续执行，同时向客户端返回当前报案信息真实性不足的提示信息，并告知报案用户进行人工报案处理。
本实施例中，当确认车险报案请求无效时，或者虽然车险报案请求有效但综合情绪分数不满足预设的分数阈值要求，服务端均拒绝车险报案请求，并向客户端返回当前报案信息真实性不足的提示信息，以使报案用户重新选择人工通道进行报案处理，从而实现了对虚假报案请求的有效鉴别，降低虚假视频报案的风险，提高保险处理的准确度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种基于图像识别的车险定损装置，该基于图像识别的车险定损装置与上述实施例中基于图像识别的车险定损方法一一对应。如图6所示，该基于图像识别的车险定损装置包括请求模块61、视频通话模块62、车损识别模块63、历史查询模块64、核查模块65、微表情识别模块66、分数计算模块67、定损模块68和发送模块69。各功能模块详细说明如下：
请求模块61，用于若接收到报案用户通过客户端发送的车险报案请求，则获取车险报案请求中包含的被保险人的身份信息；
视频通话模块62，用于对被保险人的身份信息进行合法性校验，若校验成功，则启动与客户端的自助视频通话，并在自助视频通话过程中获取报案用户的用户视频图像和事故车辆的现场视频图像；
车损识别模块63，用于将现场视频图像输入预设的事故分析模型进行图像识别，得到事故车辆的车辆信息和车辆受损信息；
历史查询模块64，用于根据被保险人的身份信息，在预设的理赔数据库中查询被保险人的历史报案记录；
核查模块65，用于根据事故车辆的车辆信息，在被保险人的历史报案记录中查询事故车辆的历史报案信息，并根据历史报案信息确定车险报案请求是否有效；
微表情识别模块66，用于若车险报案请求有效，则使用预设的微表情识别模型对用户视频图像进行微表情识别，得到用户视频图像在预设的每种微表情状态下的概率；
分数计算模块67，用于按照预设的组合计算方式，对用户视频图像在预设的每种微表情状态下的概率进行组合计算，得到用户视频图像的综合情绪分数；
定损模块68，用于若综合情绪分数满足预设的分数阈值要求，则根据车辆受损信息确定事故车辆的定损结果；
发送模块69，用于将事故车辆的车辆受损信息和定损结果反馈给客户端。
进一步地，车辆受损信息包括受损位置和受损等级，车损识别模块63包括：
提取子模块631，用于按照预设的提取方式，对现场视频图像进行视频帧提取，得到视频帧图像；
内容识别子模块632，用于使用预设的图像信息识别模型对视频帧图像进行图像内容识别，获取事故车辆的车辆信息；
预处理子模块633，用于对视频帧图像进行图像预处理，得到目标图像；
受损识别子模块634，用于使用预设的神经网络模型对目标图像进行受损部位识别，确定事故车辆的受损位置和受损等级。
进一步地，分数计算模块67包括：
第一筛选子模块671，用于从用户视频图像在预设的每种微表情状态下的概率中，获取每种预设的目标微表情状态的概率，作为目标概率，其中，预设的目标微表情状态为预设的每种微表情状态中用于判断报案真实性的微表情状态；
匹配子模块672，用于按照概率与微表情分数之间预设的对应关系，获取每个目标概率对应的微表情分数，并将获取到的微表情分数作为目标分数；
计算子模块673，用于根据每个目标概率对应的目标分数，按照如下公式计算用户视频图像的综合情绪分数：
其中，P为综合情绪分数，m为目标概率的数量，gi为第i个目标概率对应的目标分数，fi为第i个目标概率对应的预设目标权重，k为预设的分数调节系数，δ为预设的基础分值。
进一步地，定损模块68包括：
第二筛选子模块681，用于从用户视频图像在预设的每种微表情状态下的概率中，获取每种预设的相关微表情状态的概率，得到K个相关概率，其中，预设的相关微表情状态为预设的每种微表情状态中用于判断受损严重性的微表情状态，K为相关微表情状态的数量；
系数计算子模块682，用于根据每个相关微表情状态的预设相关权重，计算K个相关概率的加权平均值，并将该加权平均值与预设调节参数的乘积作为用户视频图像对应的严重系数；
修正子模块683，用于根据严重系数对事故车辆的受损等级进行修正，得到目标受损等级；
结果确定子模块684，用于根据事故车辆的受损位置和目标受损等级，确定事故车辆的定损结果。
进一步地，基于图像识别的车险定损装置还包括：
拒绝处理模块60，用于若车险报案请求无效，或者综合情绪分数不满足预设的分数阈值要求，则拒绝车险报案请求，并向客户端返回当前报案信息真实性不足的提示信息。
关于基于图像识别的车险定损装置的具体限定可以参见上文中对于基于图像识别的车险定损方法的限定，在此不再赘述。上述基于图像识别的车险定损装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于图像识别的车险定损方法。
在一实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中基于图像识别的车险定损方法的步骤，例如图2所示的步骤S1至步骤S9。或者，处理器执行计算机程序时实现上述实施例中基于图像识别的车险定损装置的各模块/单元的功能，例如图6所示模块61至模块69的功能。为避免重复，此处不再赘述。
在一实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中基于图像识别的车险定损方法，或者，该计算机程序被处理器执行时实现上述装置实施例中基于图像识别的车险定损装置中各模块/单元的功能。为避免重复，此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM
(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像识别的车险定损方法，其特征在于，所述基于图像识别的车险定损方法包括：
若接收到报案用户通过客户端发送的车险报案请求，则获取所述车险报案请求中包含的被保险人的身份信息；
对所述被保险人的身份信息进行合法性校验，若校验成功，则启动与所述客户端的自助视频通话，并在自助视频通话过程中获取所述报案用户的用户视频图像和事故车辆的现场视频图像；
将所述现场视频图像输入预设的事故分析模型进行图像识别，得到所述事故车辆的车辆信息和车辆受损信息；
根据所述被保险人的身份信息，在预设的理赔数据库中查询所述被保险人的历史报案记录；
根据所述事故车辆的车辆信息，在所述被保险人的历史报案记录中查询所述事故车辆的历史报案信息，并根据所述历史报案信息确定所述车险报案请求是否有效；
若所述车险报案请求有效，则使用预设的微表情识别模型对所述用户视频图像进行微表情识别，得到所述用户视频图像在预设的每种微表情状态下的概率；
按照预设的组合计算方式，对所述用户视频图像在预设的每种微表情状态下的概率进行组合计算，得到所述用户视频图像的综合情绪分数；
若所述综合情绪分数满足预设的分数阈值要求，则根据所述车辆受损信息确定所述事故车辆的定损结果；
将所述事故车辆的车辆受损信息和定损结果反馈给所述客户端。
2.如权利要求1所述的基于图像识别的车险定损方法，其特征在于，所述车辆受损信息包括受损位置和受损等级，所述将所述现场视频图像输入预设的事故分析模型进行图像识别，得到所述事故车辆的车辆信息和车辆受损信息包括：
按照预设的提取方式，对所述现场视频图像进行视频帧提取，得到视频帧图像；
使用预设的图像信息识别模型对所述视频帧图像进行图像内容识别，获取所述事故车辆的车辆信息；
对所述视频帧图像进行图像预处理，得到目标图像；
使用预设的神经网络模型对所述目标图像进行受损部位识别，确定所述事故车辆的受损位置和受损等级。
3.如权利要求1所述的基于图像识别的车险定损方法，其特征在于，所述按照预设的组合计算方式，对所述用户视频图像在预设的每种微表情状态下的概率进行组合计算，得到所述用户视频图像的综合情绪分数包括：
从所述用户视频图像在预设的每种微表情状态下的概率中，获取每种预设的目标微表情状态的概率，作为目标概率，其中，所述预设的目标微表情状态为所述预设的每种微表情状态中用于判断报案真实性的微表情状态；
按照所述概率与微表情分数之间预设的对应关系，获取每个所述目标概率对应的微表情分数，并将获取到的所述微表情分数作为目标分数；
根据每个所述目标概率对应的所述目标分数，按照如下公式计算所述用户视频图像的综合情绪分数：
其中，P为所述综合情绪分数，m为所述目标概率的数量，gi为第i个所述目标概率对应的所述目标分数，fi为第i个所述目标概率对应的预设目标权重，k为预设的分数调节系数，δ为预设的基础分值。
4.如权利要求2所述的基于图像识别的车险定损方法，其特征在于，所述根据所述车辆受损信息确定所述事故车辆的定损结果包括：
从所述用户视频图像在预设的每种微表情状态下的概率中，获取每种预设的相关微表情状态的概率，得到K个相关概率，其中，所述预设的相关微表情状态为所述预设的每种微表情状态中用于判断受损严重性的微表情状态，K为所述相关微表情状态的数量；
根据每个所述相关微表情状态的预设相关权重，计算K个相关概率的加权平均值，并将所述加权平均值与预设调节参数的乘积作为所述用户视频图像对应的严重系数；
根据所述严重系数对所述事故车辆的受损等级进行修正，得到目标受损等级；
根据所述事故车辆的受损位置和所述目标受损等级，确定所述事故车辆的定损结果。
5.如权利要求1至4任一项所述的基于图像识别的车险定损方法，其特征在于，所述按照预设的组合计算方式，对所述用户视频图像在预设的每种微表情状态下的概率进行组合计算，得到所述用户视频图像的综合情绪分数之后，所述基于图像识别的车险定损方法还包括：
若所述车险报案请求无效，或者所述综合情绪分数不满足所述预设的分数阈值要求，则拒绝所述车险报案请求，并向所述客户端返回当前报案信息真实性不足的提示信息。
6.一种基于图像识别的车险定损装置，其特征在于，所述基于图像识别的车险定损装置包括：
请求模块，用于若接收到报案用户通过客户端发送的车险报案请求，则获取所述车险报案请求中包含的被保险人的身份信息；
视频通话模块，用于对所述被保险人的身份信息进行合法性校验，若校验成功，则启动与所述客户端的自助视频通话，并在自助视频通话过程中获取所述报案用户的用户视频图像和事故车辆的现场视频图像；
车损识别模块，用于将所述现场视频图像输入预设的事故分析模型进行图像识别，得到所述事故车辆的车辆信息和车辆受损信息；
历史查询模块，用于根据所述被保险人的身份信息，在预设的理赔数据库中查询所述被保险人的历史报案记录；
核查模块，用于根据所述事故车辆的车辆信息，在所述被保险人的历史报案记录中查询所述事故车辆的历史报案信息，并根据所述历史报案信息确定所述车险报案请求是否有效；
微表情识别模块，用于若所述车险报案请求有效，则使用预设的微表情识别模型对所述用户视频图像进行微表情识别，得到所述用户视频图像在预设的每种微表情状态下的概率；
分数计算模块，用于按照预设的组合计算方式，对所述用户视频图像在预设的每种微表情状态下的概率进行组合计算，得到所述用户视频图像的综合情绪分数；
定损模块，用于若所述综合情绪分数满足预设的分数阈值要求，则根据所述车辆受损信息确定所述事故车辆的定损结果；
发送模块，用于将所述事故车辆的车辆受损信息和定损结果反馈给所述客户端。
7.如权利要求6所述的基于图像识别的车险定损装置，其特征在于，所述车辆受损信息包括受损位置和受损等级，所述车损识别模块包括：
提取子模块，用于按照预设的提取方式，对所述现场视频图像进行视频帧提取，得到视频帧图像；
内容识别子模块，用于使用预设的图像信息识别模型对所述视频帧图像进行图像内容识别，获取所述事故车辆的车辆信息；
预处理子模块，用于对所述视频帧图像进行图像预处理，得到目标图像；
受损识别子模块，用于使用预设的神经网络模型对所述目标图像进行受损部位识别，确定所述事故车辆的受损位置和受损等级。
8.如权利要求6所述的基于图像识别的车险定损装置，其特征在于，所述分数计算模块包括：
第一筛选子模块，用于从所述用户视频图像在预设的每种微表情状态下的概率中，获取每种预设的目标微表情状态的概率，作为目标概率，其中，所述预设的目标微表情状态为所述预设的每种微表情状态中用于判断报案真实性的微表情状态；
匹配子模块，用于按照所述概率与微表情分数之间预设的对应关系，获取每个所述目标概率对应的微表情分数，并将获取到的所述微表情分数作为目标分数；
计算子模块，用于根据每个所述目标概率对应的所述目标分数，按照如下公式计算所述用户视频图像的综合情绪分数：
其中，P为所述综合情绪分数，m为所述目标概率的数量，gi为第i个所述目标概率对应的所述目标分数，fi为第i个所述目标概率对应的预设目标权重，k为预设的分数调节系数，δ为预设的基础分值。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的基于图像识别的车险定损方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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5任一项所述的基于图像识别的车险定损方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811528659.9A CN109784170B (zh) | 2018-12-13 | 2018-12-13 | 基于图像识别的车险定损方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811528659.9A CN109784170B (zh) | 2018-12-13 | 2018-12-13 | 基于图像识别的车险定损方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109784170A true CN109784170A (zh) | 2019-05-21 |
| CN109784170B CN109784170B (zh) | 2023-11-17 |
Family
ID=66495821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811528659.9A Active CN109784170B (zh) | 2018-12-13 | 2018-12-13 | 基于图像识别的车险定损方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109784170B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472656A (zh) * | 2019-07-03 | 2019-11-19 | 平安科技（深圳）有限公司 | 车辆图像分类方法、装置、计算机设备及存储介质 |
| CN110728582A (zh) * | 2019-09-05 | 2020-01-24 | 德联易控科技(北京)有限公司 | 信息处理的方法、装置、存储介质和处理器 |
| CN111192150A (zh) * | 2019-12-23 | 2020-05-22 | 中国平安财产保险股份有限公司 | 车辆出险代理业务的处理方法、装置、设备及存储介质 |
| CN111259848A (zh) * | 2020-01-22 | 2020-06-09 | 苏州华兴源创科技股份有限公司 | 一种车辆定损方法、车辆定损***、计算机设备和介质 |
| CN111311424A (zh) * | 2020-03-06 | 2020-06-19 | 德联易控科技(北京)有限公司 | 车险事故中的数据分析方法、装置、存储介质和处理器 |
| CN111612104A (zh) * | 2020-06-30 | 2020-09-01 | 爱保科技有限公司 | 车辆定损图像获取方法、装置、介质和电子设备 |
| CN111860338A (zh) * | 2020-07-22 | 2020-10-30 | 支付宝(杭州)信息技术有限公司 | 一种报案处理方法、客户端、平台及电子设备 |
| CN111861240A (zh) * | 2020-07-27 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 可疑用户识别方法、装置、设备及可读存储介质 |
| CN112036283A (zh) * | 2020-08-25 | 2020-12-04 | 湖北经济学院 | 图像智能识别车辆定损方法 |
| CN112053250A (zh) * | 2020-09-03 | 2020-12-08 | 中国平安财产保险股份有限公司 | 基于视频的车险自助理赔方法、装置、设备 |
| WO2021012891A1 (zh) * | 2019-07-23 | 2021-01-28 | 平安科技（深圳）有限公司 | 车辆定损方法、装置、设备和存储介质 |
| CN113075212A (zh) * | 2019-12-24 | 2021-07-06 | 北京嘀嘀无限科技发展有限公司 | 一种车辆验证方法及装置 |
| WO2021169171A1 (zh) * | 2020-02-25 | 2021-09-02 | 平安国际智慧城市科技股份有限公司 | 事故信息快速采集方法、装置、计算机设备及存储介质 |
| WO2021184564A1 (zh) * | 2020-03-20 | 2021-09-23 | 平安国际智慧城市科技股份有限公司 | 基于图像的事故定责方法、装置、计算机设备和存储介质 |
| EP3869404A3 (en) * | 2020-12-25 | 2022-01-26 | Beijing Baidu Netcom Science And Technology Co. Ltd. | Vehicle loss assessment method executed by mobile terminal, device, mobile terminal and medium |
| CN114170030A (zh) * | 2021-12-08 | 2022-03-11 | 北京百度网讯科技有限公司 | 用于车辆远程定损的方法、装置、电子设备和介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563893A (zh) * | 2017-08-31 | 2018-01-09 | 济南浪潮高新科技投资发展有限公司 | 一种车险理赔方法、客户端、服务器以及*** |
| CN108335193A (zh) * | 2018-01-12 | 2018-07-27 | 深圳壹账通智能科技有限公司 | 全流程信贷方法、装置、设备及可读存储介质 |
| CN108491821A (zh) * | 2018-04-02 | 2018-09-04 | 深圳市亚来科技有限公司 | 基于图像处理和深度学习的车险事故鉴别方法、***及存储介质 |
| CN108510194A (zh) * | 2018-03-30 | 2018-09-07 | 平安科技（深圳）有限公司 | 风控模型训练方法、风险识别方法、装置、设备及介质 |
| CN108537160A (zh) * | 2018-03-30 | 2018-09-14 | 平安科技（深圳）有限公司 | 基于微表情的风险识别方法、装置、设备及介质 |
| CN108765131A (zh) * | 2018-05-18 | 2018-11-06 | 深圳壹账通智能科技有限公司 | 基于微表情的信贷审核方法、装置、终端及可读存储介质 |
-
2018
- 2018-12-13 CN CN201811528659.9A patent/CN109784170B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563893A (zh) * | 2017-08-31 | 2018-01-09 | 济南浪潮高新科技投资发展有限公司 | 一种车险理赔方法、客户端、服务器以及*** |
| CN108335193A (zh) * | 2018-01-12 | 2018-07-27 | 深圳壹账通智能科技有限公司 | 全流程信贷方法、装置、设备及可读存储介质 |
| CN108510194A (zh) * | 2018-03-30 | 2018-09-07 | 平安科技（深圳）有限公司 | 风控模型训练方法、风险识别方法、装置、设备及介质 |
| CN108537160A (zh) * | 2018-03-30 | 2018-09-14 | 平安科技（深圳）有限公司 | 基于微表情的风险识别方法、装置、设备及介质 |
| CN108491821A (zh) * | 2018-04-02 | 2018-09-04 | 深圳市亚来科技有限公司 | 基于图像处理和深度学习的车险事故鉴别方法、***及存储介质 |
| CN108765131A (zh) * | 2018-05-18 | 2018-11-06 | 深圳壹账通智能科技有限公司 | 基于微表情的信贷审核方法、装置、终端及可读存储介质 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472656A (zh) * | 2019-07-03 | 2019-11-19 | 平安科技（深圳）有限公司 | 车辆图像分类方法、装置、计算机设备及存储介质 |
| CN110472656B (zh) * | 2019-07-03 | 2023-09-05 | 平安科技（深圳）有限公司 | 车辆图像分类方法、装置、计算机设备及存储介质 |
| WO2021012891A1 (zh) * | 2019-07-23 | 2021-01-28 | 平安科技（深圳）有限公司 | 车辆定损方法、装置、设备和存储介质 |
| CN110728582A (zh) * | 2019-09-05 | 2020-01-24 | 德联易控科技(北京)有限公司 | 信息处理的方法、装置、存储介质和处理器 |
| CN111192150A (zh) * | 2019-12-23 | 2020-05-22 | 中国平安财产保险股份有限公司 | 车辆出险代理业务的处理方法、装置、设备及存储介质 |
| CN111192150B (zh) * | 2019-12-23 | 2023-07-25 | 中国平安财产保险股份有限公司 | 车辆出险代理业务的处理方法、装置、设备及存储介质 |
| CN113075212A (zh) * | 2019-12-24 | 2021-07-06 | 北京嘀嘀无限科技发展有限公司 | 一种车辆验证方法及装置 |
| CN111259848A (zh) * | 2020-01-22 | 2020-06-09 | 苏州华兴源创科技股份有限公司 | 一种车辆定损方法、车辆定损***、计算机设备和介质 |
| WO2021169171A1 (zh) * | 2020-02-25 | 2021-09-02 | 平安国际智慧城市科技股份有限公司 | 事故信息快速采集方法、装置、计算机设备及存储介质 |
| CN111311424A (zh) * | 2020-03-06 | 2020-06-19 | 德联易控科技(北京)有限公司 | 车险事故中的数据分析方法、装置、存储介质和处理器 |
| CN111311424B (zh) * | 2020-03-06 | 2023-08-22 | 德联易控科技(北京)有限公司 | 车险事故中的数据分析方法、装置、存储介质和处理器 |
| WO2021184564A1 (zh) * | 2020-03-20 | 2021-09-23 | 平安国际智慧城市科技股份有限公司 | 基于图像的事故定责方法、装置、计算机设备和存储介质 |
| CN111612104A (zh) * | 2020-06-30 | 2020-09-01 | 爱保科技有限公司 | 车辆定损图像获取方法、装置、介质和电子设备 |
| CN111612104B (zh) * | 2020-06-30 | 2021-04-13 | 爱保科技有限公司 | 车辆定损图像获取方法、装置、介质和电子设备 |
| CN111860338A (zh) * | 2020-07-22 | 2020-10-30 | 支付宝(杭州)信息技术有限公司 | 一种报案处理方法、客户端、平台及电子设备 |
| CN111861240A (zh) * | 2020-07-27 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 可疑用户识别方法、装置、设备及可读存储介质 |
| CN112036283A (zh) * | 2020-08-25 | 2020-12-04 | 湖北经济学院 | 图像智能识别车辆定损方法 |
| CN112053250A (zh) * | 2020-09-03 | 2020-12-08 | 中国平安财产保险股份有限公司 | 基于视频的车险自助理赔方法、装置、设备 |
| EP3869404A3 (en) * | 2020-12-25 | 2022-01-26 | Beijing Baidu Netcom Science And Technology Co. Ltd. | Vehicle loss assessment method executed by mobile terminal, device, mobile terminal and medium |
| CN114170030A (zh) * | 2021-12-08 | 2022-03-11 | 北京百度网讯科技有限公司 | 用于车辆远程定损的方法、装置、电子设备和介质 |
| CN114170030B (zh) * | 2021-12-08 | 2023-09-26 | 北京百度网讯科技有限公司 | 用于车辆远程定损的方法、装置、电子设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109784170B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784170A (zh) | 基于图像识别的车险定损方法、装置、设备及存储介质 | |
| CN110163235B (zh) | 图像增强模型的训练、图像增强方法、装置和存储介质 | |
| CN110287971B (zh) | 数据验证方法、装置、计算机设备及存储介质 | |
| CN109472918A (zh) | ***验证方法、融资审核方法、装置、设备及介质 | |
| CN109697665A (zh) | 基于人工智能的贷款审核方法、装置、设备及介质 | |
| CN107818308A (zh) | 一种人脸识别智能比对方法、电子装置及计算机可读存储介质 | |
| DE112019000334T5 (de) | Validieren der identität eines fernen benutzers durch vergleichen auf der grundlage von schwellenwerten | |
| CN109767321A (zh) | 问答过程优化方法、装置、计算机设备和存储介质 | |
| CN111625809B (zh) | 数据授权方法及装置、电子设备、存储介质 | |
| CN111860147A (zh) | 行人重识别模型优化处理方法、装置和计算机设备 | |
| CN109872233A (zh) | 合同签订方法、装置、计算机设备及存储介质 | |
| US11735043B2 (en) | Systems and methods for fraud prevention based on video analytics | |
| CN110175526A (zh) | 狗情绪识别模型训练方法、装置、计算机设备及存储介质 | |
| CN110363645A (zh) | 资产数据处理方法、装置、计算机设备和存储介质 | |
| CN109271917A (zh) | 人脸识别方法、装置、计算机设备和可读存储介质 | |
| CN110796054B (zh) | 证件验真方法及装置 | |
| EP3082292A1 (de) | Digitale signatur mit fern-identifizierung | |
| CN111445058A (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
| CN109766772A (zh) | 风险控制方法、装置、计算机设备和存储介质 | |
| DE202018000407U1 (de) | Vorrichtung zum Aktualisieren von Gesichtserkennungsvorlagen | |
| CN111192150B (zh) | 车辆出险代理业务的处理方法、装置、设备及存储介质 | |
| CH717006B1 (de) | Verfahren zur Benutzeridentifikation. | |
| CN116205726A (zh) | 一种贷款风险预测方法、装置、电子设备及存储介质 | |
| CN110472656B (zh) | 车辆图像分类方法、装置、计算机设备及存储介质 | |
| CN112395902A (zh) | 人脸活体检测方法、图像分类方法、装置、设备和介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |