CN115631525A - 基于人脸边缘点识别的保险即时匹配方法 - Google Patents
基于人脸边缘点识别的保险即时匹配方法 Download PDFInfo
- Publication number
- CN115631525A CN115631525A CN202211316442.8A CN202211316442A CN115631525A CN 115631525 A CN115631525 A CN 115631525A CN 202211316442 A CN202211316442 A CN 202211316442A CN 115631525 A CN115631525 A CN 115631525A
- Authority
- CN
- China
- Prior art keywords
- insurance
- worker
- point
- face edge
- identity
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
- G06K7/10297—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves arrangements for handling protocols designed for non-contact record carriers such as RFIDs NFCs, e.g. ISO/IEC 14443 and 18092
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Accounting & Taxation (AREA)
- Toxicology (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于人脸边缘点识别的保险即时匹配方法,属于保险推荐技术领域。本发明通过人脸边缘点识别在减少对入闸工人身份识别效率影响的前提下提高了身份识别的准确度,进而有利于提升即时投保的准确性。另外,基于参保要素相似度计算方法在识别关联入闸工人身份的工种类型所对应的保险时,考虑了与该工人在同个作业区域内作业的其他工人历史参保的保险种类以及保险公司对其他工人参保相应保险的参保考量因素对决定该工人最终投保何种类型的保险的影响,同时解决了同个工种类型具有2种及以上对应可投保的保险种类时,机器无法判定最终投保哪一种的问题。
Description
技术领域
本发明涉及保险推荐技术领域,具体涉及一种基于人脸边缘点识别的保险即时匹配方法。
背景技术
在一些特殊场景比如建筑施工工地场景,需要对流动频繁的各工人即时投保相对应的保险。比如,为不同工种类型的工人投保相对应的保险。现有方案中,通过人为匹配方式为每个工人进行投保,但当需要投保的工人数量众多或因流动频繁等原因导致每月需要更新投保的对象众多时,这种人为投保的方式繁琐且重复度高的弊端更加明显,工程方希望有一种自动投保的方法能够对不同工种类型的工人即时进行投保,期望的即时自动投保方法为:
即时投保指令下发到每个闸机或工人入闸后到达指定作业区域后能够自动识别出该工人的工种类型,然后为该工人即时投保该工种类型对应的保险,即时投保全程无需人为介入,且投保准确性高。但入闸时即时识别工种类型并完成即时投保的前提条件首先是需要实现对工人身份的准确识别,准确识别到该工人身份后才能基于后台绑定的工人身份与工种类型的关系,准确匹配出该工人对应的工种类型。
现有的入闸身份识别方案中,身份识别的准确率和识别速度是矛盾的,要确保入闸身份识别准确率必定牺牲身份识别速度,要确保入闸身份识别速度必定牺牲身份识别准确率,但要确保投保准确首先必须确保能够准确识别出工人身份,同时要兼顾身份识别的速度,以保证大批量工人同时入闸时不造成拥堵,因此如何在兼顾入闸时识别工人身份速度的同时,确保工人身份识别的准确度成为本发明为实现即时投保需要解决的第一个技术问题。
另外,同个工种类型对应可投保的保险种类可能不只一种,比如“电力***安装”这一工种类型下包含高空作业施工类型、强电工程施工类型、弱电工程施工类型等,若每个施工类型都对应有一可投保的保险种类,则“电力***安装”这一工种类型包含多个可投保的保险种类。由于同个工人可能既具备高空作业能力、又具备强电工程、弱电工程施工能力,或者同个工人今天被安排执行高空作业、明天被安排强电工程施工,后天被安排弱电工程施工,这种情况下,该如何为该工种类型下的工人进行按日即时投保成为本发明需要解决的第二技术问题。
发明内容
本发明以提高入闸时对工人身份识别准确性以提高工种类型识别准确度,进而提高投保准确性和即时性为目的,提供了一种基于人脸边缘点识别的保险即时匹配方法。
为达此目的,本发明采用以下技术方案:
提供一种基于人脸边缘点识别的保险即时匹配方法,包括步骤:
S1,识别入闸工人身份并获取身份识别结果对应的入闸历史数据集,
若获取成功,则转入步骤S2;
若获取失败,则跳转到步骤S5;
S2,现场识别所述工人的人脸边缘点并计算任意一个人脸边缘点i对人脸识别的置信度
若获取成功,则转入步骤S4;
若是,则判定身份验证成功并跳转到步骤S5;
若否,则判定身份验证失败并提示报警;
S5,识别出关联所述工人的身份的工种类型,并判断所述工种类型对应可投保的保险种类是否为“1”,
若是,则为所述工人即时投保与其身份信息具有绑定关系的所述工种类型对应的所述保险;
若否,则转入步骤S6;
S6,基于参保考量因素交集运算的参保要素相似度计算方法为所述工人匹配出拟投保的保险种类并为其即时投保。
作为优选,步骤S1中,入闸时识别所述工人的身份的方式包括人脸识别、指纹识别、虹膜识别、RFID标签身份识别中的任意一种或多种,
步骤S2中,对所述工人识别的所述人脸边缘点包括脸颊左侧的第一颧骨关键点、脸颊右侧的第二颧骨关键点、下巴最低位置关键点、所述第一颧骨关键点与所述下巴最低位置关键点间的左侧脸颊曲线中心位点关键点以及所述第二颧骨关键点与所述下巴最低位置关键点间的右侧脸颊曲线中心位点关键点。
S21,将步骤S2在现场以指定拍摄角度、指定拍摄距离采集的具有指定尺寸的所述工人的人脸图像以居中方式置于预设尺寸的棋牌网格图中,所述棋牌网格图中划分有若干网格,每个所述网格携带唯一排序号;
S22,识别出置于所述棋牌网格图中的所述人脸图像中的每个所述人脸边缘点i落入的所述网格对应的排序号,并基于预设的网格排序号与网格定位坐标的关联关系,匹配出每个所述排序号对应的网格定位坐标作为对应的所述人脸边缘点i的坐标位点;
S23,对所述工人计算其每个所述人脸边缘点i与参照定位点间的距离di;
作为优选,权重wij的赋予方法包括步骤:
S311,获取历史每次入闸采集所述工人的所述人脸边缘点的时间点,记为tj,tj表示历史第j次采集所述工人的所述人脸边缘点;
作为优选,所述参照定位点的确定方法包括如下步骤:
S231,判断人脸数据库中是否存储有步骤S1身份识别成功的所述工人对应的所述人脸图像,
若是,则转入步骤S232;
若否,则识别步骤S21中采集的所述人脸图像中的鼻尖位点落入到所述棋牌网格图中的具有相应排序号的所述网格对应的坐标位置作为所述参照定位点的坐标位置;
S232,从参照定位点数据库中获取所述工人对应的所述参照定位点在所述棋牌网格图中的定位坐标。
作为优选,存储在所述参照定位点数据库中的关联所述工人的所述参照定位点通过以下方法步骤计算而得:
S2321,将历史入闸时以所述指定拍摄角度、所述指定拍摄距离采集的具有所述指定尺寸的关联所述工人的每张所述人脸图像以所述居中方式置于所述棋牌网格图中,然后识别出每张所述人脸图像中的鼻尖位置落入的所述网格所对应的网格定位坐标作为对应的所述人脸图像中的鼻尖所在位点;
S2322,计算关联所述工人的每张所述人脸图像对应的所述鼻尖所在位点的横轴坐标的第一均值和纵轴坐标的第二均值分别作为关联所述工人的所述参照定位点的横轴坐标和纵轴坐标。
作为优选,步骤S6中,基于所述参保考量因素交集运算的所述参保要素相似度计算方法为所述工人匹配拟投保的保险种类的方法包括步骤:
S61,获取拟进行即时投保的所述工人入闸后进入的作业区域对应的作业人员数据集,在所述作业区域内作业的各作业人员具有相同的所述工种类型,所述作业人员数据集中存储的每条数据包括对应的所述作业人员历史参保的保险种类和参保考量因素;
S62,从所述作业人员数据集中提取历史参保的保险种类相同的每个所述作业人员对应的所述数据加入到所述保险种类对应的交集运算数据集中;
S63,对每个所述交集运算数据集中的每条所述数据中记载的各所述参保考量因素作交集运算,得到每个所述交集运算数据集对应的参保考量因素交集运算结果;
S64,获取所述工人的参保要素,然后计算所述参保要素与每个所述参保考量因素交集运算结果的要素相似度;
S65,将最大要素相似度对应的所述作业人员历史参保的保险种类作为所述工人拟即时投保的保险种类。
作为优选,所述参保考量因素或所述参保要素包括所述作业人员在所述作业区域内施工的施工类型。
本发明具有以下有益效果:
1、在常规方法如人脸识别、RFID标签身份识别等识别到入闸工人的身份结果后,通过进一步识别并计算该工人任意一个人脸边缘点对人脸识别的置信度并计算与的距离以验证该工人的身份,能够避免因常规身份识别方法未准确识别身份而导致无法进一步准确匹配出该工人真实身份对应的工种类型,进而为该工人错误投保错误匹配的该工种类型对应的保险的问题;
2、为事先求解得到并保存在入闸数据库中,在验证工人身份时,只需要计算即可完成对工人身份的验证,由于计算量小,身份验证速度非常快,相比较常规的身份识别算法增加的验证时间可忽略不计,针对入闸身份快速识别这一场景,在确保身份识别准确率的同时,兼顾了身份识别的效率。
3、为入闸工人人脸上的任意一个人脸边缘点,只要识别到第一颧骨关键点、第二颧骨关键点、下巴最低位置关键点、左侧脸颊曲线中心位点关键点、右侧脸颊曲线中心位置关键点中的任意一个关键点,即可进入计算流程,有效避免了因光照、采集角度等影响可能导致部分人脸边缘点难以被即时检测到而无法快速进入计算流程进而导致身份验证过程效率低下甚至失败,影响快速出入道闸和即时投保的问题。
4、基于参保考量因素交集运算的参保要素相似度计算方法在识别关联入闸工人身份的工种类型所对应的保险时,考虑了与该工人在同个作业区域内作业的其他工人历史参保的保险种类以及保险公司对其他工人参保相应保险的参保考量因素对决定该工人最终投保何种类型的保险的影响。通过对该工人的参保要素与该工人处于同一作业区域内的其他工人历史投保相同种类的保险时保险公司对于投保该保险的参保考量因素作交集运算,并将最大要素相似度对应的作业人员历史参保的保险种类作为该工人拟即时投保的保险种类,解决了同个工种类型具有2种及以上对应可投保的保险种类时,机器无法判定最终投保哪一种的问题。
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中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的基于人脸边缘点识别的保险即时匹配方法的实现步骤图;
图2是人脸图像置于棋牌网格图中的示意图;
图3是具有预设尺寸的棋牌网格图的示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在本发明的描述中,除非另有明确的规定和限定,若出现术语“连接”等指示部件之间的连接关系,该术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明期望实现的即时自动投保方法如下:
即时投保指令下发到每个闸机后或工人入闸后到达指定作业区域后能够自动识别出该工人的工种类型,然后为该工人即时投保该工种类型对应的保险,即时投保全程无需人为介入,且投保准确性高。但入闸时即时识别工种类型并完成即时投保的前提条件首先是需要实现对工人身份的准确识别,准确识别到该工人身份后才能基于后台绑定的工人身份与工种类型的关系,匹配出该工人对应的工种类型。但当工种类型对应可投保的保险种类为2个及以上时,该如何为不同的工人投保更合适的保险种类?
为了确保入闸投保的即时性和准确性,本发明实施例提供了一种如图1所示的基于人脸边缘点识别的保险即时匹配方法,包括步骤:S1,识别入闸工人身份并获取身份识别结果对应的入闸历史数据集,
若获取成功(表明该工人为老员工),则转入步骤S2;
若获取失败(表明该工人为新员工),则跳转到步骤S5;
这里需要说明的是,步骤S1中识别入闸工人的身份的方法为常规的身份识别方法,例如常规门禁***的人脸识别方法、RFID标签身份识别方法等,这些常规的入闸身份识别方法能够确保工人快速入闸,但牺牲了身份识别的准确度,身份识别容易出错。比如A工人将B工人的RFID标签佩戴在自己身上,过闸时,***验证该人员为B工人而放行但实际该工人是A工人。
步骤S1中使用常规方法识别入闸工人的身份并非本发明的技术创造点,该步骤的技术创造点在于获取常规身份识别结果对应的入闸历史数据集,入闸历史数据集中存储有识别通过的工人(例如A工人佩戴B工人的RFID标签入闸,此时B工人为识别通过的工人,获取到的就是B工人对应的入闸历史数据集)的每个人脸边缘点的置信度i表示第i个人脸边缘点,i=1,…,n,n为人脸边缘点的数量。本实施例中,n=5,代表5个人脸边缘点,分别为图2中所示的脸颊左侧的第一颧骨关键点Q1、脸颊右侧的第二颧骨关键点Q2、下巴最低位置关键点Q3、第一颧骨关键点与下巴最低位置关键点间的左侧脸颊曲线中心位点关键点Q4以及第二颧骨关键点与下巴最低位置关键点间的右侧脸颊曲线中心位点关键点Q5。
S21,将步骤S2在现场以指定角度、指定拍摄距离采集的具有指定尺寸的该工人的人脸图像以居中方式置于如图3所示的具有预设尺寸的棋牌网格图中(置入人脸图像后的棋牌网格图请参见图2),该棋牌网格图中划分有若干网格,每个网格携带有唯一排序号;
S22,识别出置于棋牌网格图中的人脸图像中的每个人脸边缘点i落入的网格所对应的排序号(例如位于脸颊右侧的第二颧骨关键点Q2落入到图3中标序为“13”的网格中),并基于预设的网格排序号与网格定位坐标的关联关系,匹配出每个排序号对应的网格定位坐标作为该人脸边缘点i的坐标位点;
S23,对该工人计算每个人脸边缘点i与参照定位点间的距离di;
作为优选,步骤S23中,计算di时采用的参照定位点为人脸的鼻尖位置。鼻尖位置特征突出容易识别,且鼻尖与脸颊左侧的第一颧骨关键点、脸颊右侧的第二颧骨关键点,下巴最低位置关键点、第一颧骨关键点与下巴最低位置关键点间的左侧脸颊曲线中心位点关键点以及第二颧骨关键点与下巴最低位置关键点间的右侧脸颊曲线中心位点关键点的距离相当,不会出现因所计算的某个di过小或过大进而导致求解的过小或过大,***可能将过小或过大的判定为求解错误的问题。
入闸即时投保的关键是要在保证投保准确率的前提下确保投保的即时性,计算具有S21-S25五个步骤,若步骤S23中采用的参照定位点为置于棋牌网格图中的每个入闸工人的人脸图像中的鼻尖位置,确定参照定位点并获取参照定位点的坐标位置又需要耗费一定的时间,不利于提升投保的即时性。因此,为了进一步提高的计算速度,步骤S23中采用的参照定位点优选为事先确定了坐标位置的参照定位点,这样在计算不再需要针对每张人脸去计算参照定位点的位置。本发明实施例提供了以下方法步骤以事先确定该参照定位点:
S2321,将历史入闸时以指定拍摄角度、指定拍摄距离采集的具有指定尺寸的关联工人的每张人脸图像以居中方式置于棋牌网格图中,然后识别出每张人脸图像中的鼻尖位置落入的网格所对应的网格定位坐标作为对应的人脸图像中的鼻尖所在位点;
S2322,计算关联该工人的每张人脸图像对应的鼻尖所在位点的横轴坐标的第一均值和纵轴坐标的第二均值分别作为关联工人的参照定位点的横轴坐标和纵轴坐标。
事先确定关联该工人的参照定位点的前提是该工人为老员工,存在历史出入道闸时采集的人脸图像数据。若该工人为新员工未存储有历史采集的人脸图像数据时,便不能用步骤S2321-S2322来事先确定参照定位点。为了解决这个问题,针对新员工,本发明提供了如下方法步骤以确定其对应的参照定位点:
S231,判断人脸数据库中是否存储有步骤S1身份识别成功的该工人对应的人脸图像,
若是,则转入步骤S232;
若否,则识别步骤S21中采集的人脸图像中的鼻尖位点落入到棋牌网格图中的具有相应排序号的网格对应的坐标位置作为其参照定位点的坐标位置。
若获取成功,则转入步骤S4;
本实施例中,权重wij的赋予方法包括步骤:
S311,获取历史每次入闸采集该工人的人脸边缘点的时间点,记为tj,tj表示历史第j次采集该工人的人脸边缘点;
若是,则判定身份验证成功并跳转到步骤S5;
若否,则判定身份验证失败并提示报警;
判定对该工人的身份验证成功后,本实施例提供的基于人脸边缘点识别的保险即时匹配方法转入步骤:
S5,识别出关联该工人的身份的工种类型(工人身份与工种类型的绑定关系事先录入在***中),并判断该工种类型对应可投保的保险种类是否为“1”,
若是,则为该工人即时投保与其身份信息具有绑定关系的该工种类型对应的保险;
若否,则转入步骤S6;
S6,基于参保考量因素交集运算的参保要素相似度方法为该工人匹配出拟投保的保险种类并为其即时投保。
步骤S6中,基于参保考量因素交集运算的参保要素相似度计算方法为该工人匹配拟投保的保险种类的方法包括步骤:
S61,获取拟进行即时投保的工人入闸后进入的作业区域对应的作业人员数据集,在该作业区域内作业的各作业人员具有相同的工种类型但可能具有不同的施工类型(比如在该作业区域内的作业人员有A、B、C三人,该3人的工种类型均为“电力***安装”,但A的施工类型为“高空作业”,B的施工类型为“强电工程施工”,C的施工类型为“弱电工程施工”),作业人员数据集中存储的每条数据包括对应的作业人员历史参保的保险种类和参保考量因素(例如,作业人员A历史参保的保险种类为s1,B历史参保的保险种类为s2,C历史参保的保险种类为s3,s1、s2、s3对参保人员具有完全不同或部分不同的参保考量因素,比如,对于执行高空作业的作业人员A,其中一项参保考量因素为必须具有高空作业资格证等,保险种类s2、s3的参保考量因素并不要求具备高空作业资格证);
S62,从作业人员数据集中提取历史参保的保险种类相同的每个作业人员对应的数据加入到保险种类对应的交集运算数据集中(比如该作业区域内的作业人员A、D、E、F参保的保险种类均为s1,则将A、D、E、F的数据加入到同一个保险种类s1对应的交集运算数据集中);
S63,对每个交集运算数据集中的每条数据中记载的各参保考量因素作交集运算,得到每个交集运算数据集对应的参保考量因素交集运算结果(比如作业人员A的参保考量因素有k1、k2、k3,D的参保考量因素为k1、k2、k3、k4,E的参保考量因素为k1、k2、k3、k4、k5,F的参保考量因素为k1、k3、k4、k5,则对A、D、E、F的参保考量因素交集运算结果为k1、k3);
S64,获取工人的参保要素,然后计算参保要素与每个参保考量因素交集运算结果的要素相似度(假设该工人的参保要素为k1、k3、k4,步骤S63计算得到的参保考量因素交集运算结果有两个,分别为k1、k2、k3和k1、k3、k4,预设的要素相似度计算方法若为要素相同个数占全部要素的占比,则k1、k3、k4与k1、k2、k3以及与k1、k3、k4的要素相似度均为2/3);
S65,将最大要素相似度对应的作业人员历史参保的保险种类作为工人拟即时投保的保险种类(当最大要素相似度的数量有两个及以上时,任选一个投保即可,比如任选步骤S64中举例的k1、k2、k3这一参保考量因素交集运算结果对应的保险种类s1作为该工人拟即时投保的保险种类)。
综上,本发明通过人脸边缘点识别在减少对入闸工人身份识别效率影响的前提下提高了身份识别的准确度,进而有利于提升即时投保的准确性。另外,基于参保要素相似度计算方法在识别关联入闸工人身份的工种类型所对应的保险时,考虑了与该工人在同个作业区域内作业的其他工人历史参保的保险种类以及保险公司对其他工人参保相应保险的参保考量因素对决定该工人最终投保何种类型的保险的影响,同时解决了同个工种类型具有2种及以上对应可投保的保险种类时,机器无法判定最终投保哪一种的问题。
需要声明的是,上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等。但是,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。另外,本申请说明书和权利要求书所使用的一些术语并不是限制,仅仅是为了便于描述。
Claims (9)
1.一种基于人脸边缘点识别的保险即时匹配方法,其特征在于,包括步骤:
S1,识别入闸工人身份并获取身份识别结果对应的入闸历史数据集,
若获取成功,则转入步骤S2;
若获取失败,则跳转到步骤S5;
若获取成功,则转入步骤S4;
若是,则判定身份验证成功并跳转到步骤S5;
若否,则判定身份验证失败并提示报警;
S5,识别出关联所述工人的身份的工种类型,并判断所述工种类型对应可投保的保险种类是否为“1”,
若是,则为所述工人即时投保与其身份信息具有绑定关系的所述工种类型对应的所述保险;
若否,则转入步骤S6;
S6,基于参保考量因素交集运算的参保要素相似度计算方法为所述工人匹配出拟投保的保险种类并为其即时投保。
2.根据权利要求1所述的基于人脸边缘点识别的保险即时匹配方法,其特征在于,步骤S1中,入闸时识别所述工人的身份的方式包括人脸识别、指纹识别、虹膜识别、RFID标签身份识别中的任意一种或多种,
步骤S2中,对所述工人识别的所述人脸边缘点包括脸颊左侧的第一颧骨关键点、脸颊右侧的第二颧骨关键点、下巴最低位置关键点、所述第一颧骨关键点与所述下巴最低位置关键点间的左侧脸颊曲线中心位点关键点以及所述第二颧骨关键点与所述下巴最低位置关键点间的右侧脸颊曲线中心位点关键点。
S21,将步骤S2在现场以指定拍摄角度、指定拍摄距离采集的具有指定尺寸的所述工人的人脸图像以居中方式置于预设尺寸的棋牌网格图中,所述棋牌网格图中划分有若干网格,每个所述网格携带唯一排序号;
S22,识别出置于所述棋牌网格图中的所述人脸图像中的每个所述人脸边缘点i落入的所述网格对应的排序号,并基于预设的网格排序号与网格定位坐标的关联关系,匹配出每个所述排序号对应的网格定位坐标作为对应的所述人脸边缘点i的坐标位点;
S23,对所述工人计算其每个所述人脸边缘点i与参照定位点间的距离di;
6.根据权利要求3所述的基于人脸边缘点识别的保险即时匹配方法,其特征在于,所述参照定位点的确定方法包括如下步骤:
S231,判断人脸数据库中是否存储有步骤S1身份识别成功的所述工人对应的所述人脸图像,
若是,则转入步骤S232;
若否,则识别步骤S21中采集的所述人脸图像中的鼻尖位点落入到所述棋牌网格图中的具有相应排序号的所述网格对应的坐标位置作为所述参照定位点的坐标位置;
S232,从参照定位点数据库中获取所述工人对应的所述参照定位点在所述棋牌网格图中的定位坐标。
7.根据权利要求6所述的基于人脸边缘点识别的保险即时匹配方法,其特征在于,存储在所述参照定位点数据库中的关联所述工人的所述参照定位点通过以下方法步骤计算而得:
S2321,将历史入闸时以所述指定拍摄角度、所述指定拍摄距离采集的具有所述指定尺寸的关联所述工人的每张所述人脸图像以所述居中方式置于所述棋牌网格图中,然后识别出每张所述人脸图像中的鼻尖位置落入的所述网格所对应的网格定位坐标作为对应的所述人脸图像中的鼻尖所在位点;
S2322,计算关联所述工人的每张所述人脸图像对应的所述鼻尖所在位点的横轴坐标的第一均值和纵轴坐标的第二均值分别作为关联所述工人的所述参照定位点的横轴坐标和纵轴坐标。
8.根据权利要求1-7任意一项所述的基于人脸边缘点识别的保险即时匹配方法,其特征在于,步骤S6中,基于所述参保考量因素交集运算的所述参保要素相似度计算方法为所述工人匹配拟投保的保险种类的方法包括步骤:
S61,获取拟进行即时投保的所述工人入闸后进入的作业区域对应的作业人员数据集,在所述作业区域内作业的各作业人员具有相同的所述工种类型,所述作业人员数据集中存储的每条数据包括对应的所述作业人员历史参保的保险种类和参保考量因素;
S62,从所述作业人员数据集中提取历史参保的保险种类相同的每个所述作业人员对应的所述数据加入到所述保险种类对应的交集运算数据集中;
S63,对每个所述交集运算数据集中的每条所述数据中记载的各所述参保考量因素作交集运算,得到每个所述交集运算数据集对应的参保考量因素交集运算结果;
S64,获取所述工人的参保要素,然后计算所述参保要素与每个所述参保考量因素交集运算结果的要素相似度;
S65,将最大要素相似度对应的所述作业人员历史参保的保险种类作为所述工人拟即时投保的保险种类。
9.根据权利要求8所述的基于人脸边缘点识别的保险即时匹配方法,其特征在于,所述参保考量因素或所述参保要素包括所述作业人员在所述作业区域内施工的施工类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211316442.8A CN115631525B (zh) | 2022-10-26 | 2022-10-26 | 基于人脸边缘点识别的保险即时匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211316442.8A CN115631525B (zh) | 2022-10-26 | 2022-10-26 | 基于人脸边缘点识别的保险即时匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115631525A true CN115631525A (zh) | 2023-01-20 |
CN115631525B CN115631525B (zh) | 2023-06-23 |
Family
ID=84906264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211316442.8A Active CN115631525B (zh) | 2022-10-26 | 2022-10-26 | 基于人脸边缘点识别的保险即时匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631525B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647809A (zh) * | 2019-08-15 | 2020-01-03 | 中国平安人寿保险股份有限公司 | 基于图像分析的ai核保***、方法及计算机可读存储介质 |
US20200143146A1 (en) * | 2017-11-23 | 2020-05-07 | Beijing Sensetime Technology Development Co., Ltd. | Target object recognition method and apparatus, storage medium, and electronic device |
CN111639537A (zh) * | 2020-04-29 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 人脸动作单元识别方法、装置、电子设备及存储介质 |
CN112183165A (zh) * | 2019-07-04 | 2021-01-05 | 北京航天长峰科技工业集团有限公司 | 一种监控视频累计人脸识别方法 |
WO2021083133A1 (zh) * | 2019-10-29 | 2021-05-06 | 广州虎牙科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN113505717A (zh) * | 2021-07-17 | 2021-10-15 | 桂林理工大学 | 一种基于人脸面部特征识别技术的在线通行*** |
CN113920564A (zh) * | 2021-10-29 | 2022-01-11 | 中国平安财产保险股份有限公司 | 基于人工智能的客户挖掘方法及相关设备 |
CN114898475A (zh) * | 2022-05-13 | 2022-08-12 | 精英数智科技股份有限公司 | 井下人员身份识别方法、装置、电子设备和可读存储介质 |
-
2022
- 2022-10-26 CN CN202211316442.8A patent/CN115631525B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200143146A1 (en) * | 2017-11-23 | 2020-05-07 | Beijing Sensetime Technology Development Co., Ltd. | Target object recognition method and apparatus, storage medium, and electronic device |
CN112183165A (zh) * | 2019-07-04 | 2021-01-05 | 北京航天长峰科技工业集团有限公司 | 一种监控视频累计人脸识别方法 |
CN110647809A (zh) * | 2019-08-15 | 2020-01-03 | 中国平安人寿保险股份有限公司 | 基于图像分析的ai核保***、方法及计算机可读存储介质 |
WO2021083133A1 (zh) * | 2019-10-29 | 2021-05-06 | 广州虎牙科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111639537A (zh) * | 2020-04-29 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 人脸动作单元识别方法、装置、电子设备及存储介质 |
CN113505717A (zh) * | 2021-07-17 | 2021-10-15 | 桂林理工大学 | 一种基于人脸面部特征识别技术的在线通行*** |
CN113920564A (zh) * | 2021-10-29 | 2022-01-11 | 中国平安财产保险股份有限公司 | 基于人工智能的客户挖掘方法及相关设备 |
CN114898475A (zh) * | 2022-05-13 | 2022-08-12 | 精英数智科技股份有限公司 | 井下人员身份识别方法、装置、电子设备和可读存储介质 |
Non-Patent Citations (3)
Title |
---|
PAVEL KRÁL ET AL.: "Confidence Measure for Experimental Automatic Face Recognition System", ICAART 2014: AGENTS AND ARTIFICIAL INTELLIGENCE, pages 362 - 378 * |
李云红 等: "分区域特征提取的人脸识别算法", 西北大学学报(自然科学版) * |
杨显 等: "工程建设中基于实名制和地理定位的人脸识别移动考勤设计与实现", 施工技术(中英文), vol. 51, no. 8, pages 127 - 130 * |
Also Published As
Publication number | Publication date |
---|---|
CN115631525B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113837030B (zh) | 用于疫情防控的人员智能管控方法、***及计算机设备 | |
CN103902970A (zh) | 自动指纹姿态估计方法及*** | |
CN109118081B (zh) | 一种基于图像处理方式的作业******和方法 | |
CN113408683A (zh) | 一种施工现场***方法及*** | |
CN112132041A (zh) | 一种基于计算机视觉的社区巡更分析方法及其*** | |
CN113807240A (zh) | 基于非配合式人脸识别的变电站人员着装智能监控方法 | |
CN110751675A (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
CN115082861A (zh) | 人员身份与安全违章识别方法及*** | |
CN105868693A (zh) | 身份认证方法及*** | |
CN111460985A (zh) | 基于跨摄像头人体匹配的现场工人轨迹统计方法和*** | |
CN110543866A (zh) | 一种基建工程施工人员的安全管理***及方法 | |
CN111064935B (zh) | 一种智慧工地人员姿态检测方法及*** | |
CN112800950A (zh) | 一种基于深度学习的大型安保活动人脸搜索方法 | |
CN110852714A (zh) | 应用于装修业务平台的薪酬提成数据管理*** | |
CN116308366A (zh) | 一种支付安全监控处理方法、***及存储介质 | |
CN114022944A (zh) | 一种智能监控*** | |
KR20230017454A (ko) | 비대면 평가에서의 부정행위 방지 방법, 장치 및 프로그램 | |
CN115631525A (zh) | 基于人脸边缘点识别的保险即时匹配方法 | |
CN112966638A (zh) | 基于多种特征的变电站作业人员鉴别及定位方法 | |
CN117171694A (zh) | 一种基于ai技术的配电场景安全识别*** | |
CN112489241A (zh) | 一种可监督巡逻人员的电子巡查*** | |
CN116978152A (zh) | 一种基于射频识别技术的无感安全监控方法及*** | |
CN112990881B (zh) | 一种相关方考勤***及方法 | |
CN113746888B (zh) | 一种工作票监护环节智能辅助决策方法 | |
CN114783097A (zh) | 一种医院防疫管理***及方法 |
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 |