CN105405054A - 基于理赔照片深度学习实现保险理赔反欺诈的方法及服务器 - Google Patents
基于理赔照片深度学习实现保险理赔反欺诈的方法及服务器 Download PDFInfo
- Publication number
- CN105405054A CN105405054A CN201510925404.6A CN201510925404A CN105405054A CN 105405054 A CN105405054 A CN 105405054A CN 201510925404 A CN201510925404 A CN 201510925404A CN 105405054 A CN105405054 A CN 105405054A
- Authority
- CN
- China
- Prior art keywords
- photo
- segment
- character
- resolution
- rule
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013135 deep learning Methods 0.000 title abstract 2
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 34
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 19
- 230000002123 temporal effect Effects 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000001143 conditioned effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 abstract description 10
- 230000006399 behavior Effects 0.000 abstract description 3
- 230000001131 transforming effect Effects 0.000 abstract 2
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000002203 pretreatment Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
一种基于理赔照片深度学习实现保险理赔反欺诈的方法，包括：在接收到用户提交的理赔照片时，基于二维离散余弦变换函数对获取的照片进行频域转换，根据预设的分析规则并基于频域转换后的照片在各个颜色通道上的颜色值，对所述照片进行真实性验证；若获取的图片不真实，则生成提醒信息以提醒获取的图片对应的理赔申请存在欺诈行为；若获取的图片真实，则识别出获取的照片中的拍摄时间；提取出获取的照片对应的理赔申请中填写的理赔事件发生时间；及在提取的理赔事件发生时间与识别的拍摄时间不匹配时，生成提醒信息以提醒获取的图片对应的理赔申请存在欺诈行为。本发明还提供一种适用于上述方法的服务器。本发明能够自动识别欺诈的理赔行为。
Description
技术领域
本发明涉及金融服务技术领域，特别是一种基于理赔照片深度学习实现保险理赔反欺诈的方法及服务器。
背景技术
目前，随着机动车保有量的不断上升，道路的供需矛盾日益突出，道路拥堵现象越来越严重，许多由交通事故特别是像一些溜车、追尾等轻微交通事故造成的交通拥堵现象日趋严重。
为解决道路交通事故造成的交通拥堵问题，交警部门采取了路面执勤民警使用简易程序快速处理轻微交通事故。但是许多轻微交通事故，驾驶员不敢撤离现场，很多人认为，一旦挪了车，保险公司会有各种理由不理赔，于是还是先等交警，再等保险公司，人为的造成了道路的严重拥堵。
鉴于上述情况，交管部门联合保监部门，共同研发手机APP软件，通过手机快速取证，一旦发生了交通事故，用这款APP软件取证，拍摄的信息可由交管部门和保险公司共享。让车主放心挪车，让保险公司放心理赔。
然而这样的取证方法，在便利了保险人与保险公司的同时，也会带来一些弊端，如为了骗保，保险人可能会上传虚假的取证照片，如通过PS技术合成或者篡改的事故现场照片，或者上传非真实事故现场的照片。因此，保险公司在审核保险人的理赔申请时，需要人工校验照片的真实性与有效性，费时费力，且效率不高。
发明内容
鉴于以上内容，有必要提供一种基于理赔照片深度学习实现保险理赔反欺诈的方法及服务器，以自动检查出篡改的理赔照片，以及自动判断出理赔照片与对应的理赔申请是否匹配，从而自动识别欺诈的理赔行为。
一种基于理赔照片深度学习实现保险理赔反欺诈的方法，包括：
在接收到用户提交的理赔照片时，基于二维离散余弦变换函数对获取的照片进行频域转换，根据预设的分析规则并基于频域转换后的照片在各个颜色通道上的颜色值，对所述照片进行真实性验证；
若获取的图片是不真实的，则生成提醒信息以提醒获取的图片对应的理赔申请存在欺诈行为；
若获取的图片是真实的，则按照预先确定的时间识别规则，识别出获取的照片中的拍摄时间；
提取出获取的照片对应的理赔申请中填写的理赔事件发生时间；及
在提取的理赔事件发生时间与识别的拍摄时间不匹配时，生成提醒信息以提醒获取的图片对应的理赔申请存在欺诈行为。
优选地，所述预设的分析规则为：提取频域转换后的照片在各个RGB颜色通道上的颜色值变化幅度，若有颜色通道上的颜色值变化幅度大于预设阈值，则判断获取的照片是不真实的照片；若没有颜色频道上的颜色值变化幅度大于所述预设阈值，则判断获取的照片是真实的照片。
优选地，所述预先确定的时间识别规则为：按照预设的图块定位规则对获取的图片中预设位置的图块进行定位；按照预先生成的支持向量机模型识别出已定位的图块中是否包含时间信息；按照预设的字符分割规则对识别出的图块进行字符图块分割；按照预先生成的字符识别模型识别出分割的各个字符图块对应的字符数据。
优选地，所述预设的图块定位规则为：应用高斯模糊方法对照片预设位置进行预处理，降低照片预设位置的细节层次；将预处理后的预设位置图像灰度化；对灰度化后的图像进行Sobel边缘检测运算，从而得到图像的一阶水平方向导数；将灰度化的图像转换成二值图像；确定出二值图像中的所有轮廓块，并按照预设的筛选规则筛选出待分析的轮廓块，并为筛选出的轮廓块生成最小外接矩形框；将存在倾斜角度的由矩形框包围的轮廓块滤除。
优选地，所述预设的字符分割规则为：将包含时间的图块灰度化；采用大津阈值法对灰度化图块做二值化处理；采用findContours函数对二值化图块取轮廓，并获取所有字符图块的最小外接矩形框；把得到的最小外接矩形框中的图块一一分割开来，以分割成各个单字符图块。
优选地，所述支持向量机模型的生成过程包括：获取预设数量的照片样本，按照预设的图块定位规则对获取的每一个图片样本中预设位置的图块进行定位；对定位出的各个图块进行预处理，以过滤掉不符合预设条件的图块；将包含时间信息的图块和未包含时间信息的图块分发到两个不同的文件夹里；从两个文件夹下各提取第一预设比例的图块作为训练数据，以进行支持向量机模型的训练，两个文件夹下各剩下的第二预设比例的图块作为测试数据，用以评估模型的分类识别效果；利用提取的第一预设比例的图块数据进行支持向量机模型训练以生成对应的支持向量机模型，利用剩下的第二预设比例的图块数据对生成的支持向量机模型进行准确性验证；若训练得到的支持向量机模型识别准确率小于预设准确率，则增加训练数据集的图块数量，重复上述支持向量机模型的生成过程，直到生成的支持向量机模型准确率大于等于预设准确率。
优选地，所述字符识别模型的生成过程包括：获取预设数量的包含时间信息的图块样本，按照上述预设的字符分割规则对每一个图块样本进行字符图块分割；对分割的所有字符图块按照字符类型进行分类，以将同一字符类型的字符图块分为一类，不同字符类型的字符图块分为不同类；从各个类下各提取第一预设比例的字符图块作为训练数据，以进行多层感知器模型的训练，各个类下各剩下的第二预设比例的字符图块作为测试数据，用以评估模型的分类识别效果；利用提取的第一预设比例的字符图块数据进行人工神经网络训练以生成对应的多层感知器模型，利用剩下的第二预设比例的字符图块数据对生成的多层感知器模型进行准确性验证；若生成的多层感知器模型准确率小于预设准确率，则增加训练数据集的图块数量，重复上述多层感知器模型的生成过程，直到生成的多层感知器模型准确率大于等于预设准确率。
一种适用于上述方法的服务器，该服务器包括存储设备以及处理器，其中：
所述存储单元，存储有一个基于理赔照片深度学习实现保险理赔反欺诈的系统；
所述处理器，用于调用并执行所述基于理赔照片深度学习实现保险理赔反欺诈的系统，以执行如下步骤：
在接收到用户提交的理赔照片时，基于二维离散余弦变换函数对获取的照片进行频域转换，根据预设的分析规则并基于频域转换后的照片在各个颜色通道上的颜色值，对所述照片进行真实性验证；
若获取的图片是不真实的，则生成提醒信息以提醒获取的图片对应的理赔申请存在欺诈行为；
若获取的图片是真实的，则按照预先确定的时间识别规则，识别出获取的照片中的拍摄时间；
提取出获取的照片对应的理赔申请中填写的理赔事件发生时间；及
在提取的理赔事件发生时间与识别的拍摄时间不匹配时，生成提醒信息以提醒获取的图片对应的理赔申请存在欺诈行为。
优选地，所述预设的分析规则为：提取频域转换后的照片在各个RGB颜色通道上的颜色值变化幅度，若有颜色通道上的颜色值变化幅度大于预设阈值，则判断获取的照片是不真实的照片；若没有颜色频道上的颜色值变化幅度大于所述预设阈值，则判断获取的照片是真实的照片。
优选地，所述预先确定的时间识别规则为：按照预设的图块定位规则对获取的图片中预设位置的图块进行定位；按照预先生成的支持向量机模型识别出已定位的图块中是否包含时间信息；按照预设的字符分割规则对识别出的图块进行字符图块分割；按照预先生成的字符识别模型识别出分割的各个字符图块对应的字符数据。
本发明所述基于理赔照片深度学习实现保险理赔反欺诈的方法、系统及适用于上述系统的服务器，能够自动检查出篡改的理赔照片，以及自动判断出理赔照片与对应的理赔申请是否匹配，从而自动识别欺诈的理赔行为。
附图说明
图1是本发明基于理赔照片深度学习实现保险理赔反欺诈的系统较佳实施例的硬件环境图。
图2是本发明基于理赔照片深度学习实现保险理赔反欺诈的系统较佳实施例的功能模块图。
图3是本发明基于理赔照片深度学习实现保险理赔反欺诈的方法较佳实施例的方法实施流程图。
图4是图3中其中一个步骤的详细实施流程图。
具体实施方式
参阅图1所示，是本发明基于理赔照片深度学习实现保险理赔反欺诈的系统较佳实施例的硬件环境图。
本实施例所述基于理赔照片深度学习实现保险理赔反欺诈的系统(以下简称为“保险理赔反欺诈系统”)10可以安装并运行于一个服务器1中。该服务器1可以是一个理赔服务器。所述理赔服务器1可以通过通讯模块(未图示)与至少一台终端2通讯连接，以接收终端2的用户提交的理赔申请。所述理赔申请可以是一个交通事故理赔申请，其可以包括理赔申请书以及相关证据，如交通事故的现场照片等。
所述终端3可以是个人电脑、智能手机、平板电脑等设备。
所述服务器1可以包括有存储设备以及处理器(未图示)。所述存储设备可以是一个或者多个非易失性存储单元，如ROM、EPROM或FlashMemory(快闪存储单元)等。所述存储设备可以内置或者外接于服务器1。所述处理器是服务器1的运算核心(CoreUnit)和控制核心(ControlUnit)，用于解释计算机指令以及处理计算机软件中的数据。
本实施例中，所述保险理赔反欺诈系统10可以是一种计算机软件，其包括计算机可执行的程序代码，该程序代码可以存储于所述存储设备中，在处理器的执行下，实现下述功能：在接收到用户提交的理赔申请后，获取该理赔申请中的照片，利用图片PS检测技术检测照片本身是否有经过人为修改，以及利用深度学习方法对照片表面的拍摄时间信息进行提取与识别，将识别出来的时间信息与所述理赔申请中填写的理赔事件发生时间相比较，以判断所述识别出来的时间与所述理赔事件发生时间是否匹配，从而做出是否对所述理赔申请拒赔或者理赔的决定。
参阅图2所示，是本发保险理赔反欺诈系统较佳实施例的功能模块图。
本发明所述保险理赔反欺诈系统10的程序代码根据其不同的功能，可以划分为多个功能模块。本发明较佳实施例中，所述保险理赔反欺诈系统10可以包括通讯模块100、照片检验模块101、警报模块102、时间识别模块103、匹配模块104以及决定模块105。
所述通讯模块100用于实现与终端2的信息交互，例如接收终端2的用户提交的理赔申请，以及传送对该理赔申请的决定给所述终端2的用户。
所述照片检验模块101用于获取所述理赔申请中的理赔照片，并对所述照片进行真实性验证，以检测照片本身是否有经过人为修改。本实施例中，所述照片检验模块101基于二维离散余弦变换函数对获取的照片进行频域转换，根据预设的分析规则并基于频域转换后的照片在各个颜色通道上的颜色值对所述照片进行真实性验证。
本发明较佳实施例中，所述预设的分析规则为：提取频域转换后的照片在各个RGB颜色通道上的颜色值变化幅度；若有颜色通道上的颜色值变化幅度大于预设阈值，则判断获取的照片是不真实的照片“例如，合成的照片、篡改的照片”；若没有颜色频道上的颜色值变化幅度大于所述预设阈值，则判断获取的照片是真实的照片。本实施例中，所述预设阈值可以是0.1。
所述警报模块102用于在确定所述获取的图片是不真实的图片时，向系统管理员，如理赔申请审核人员提醒所述获取的照片对应的理赔申请存在欺诈行为。
所述时间识别模块103用于在确定所述照片是真实的照片时，按照预先确定的时间识别规则，识别出获取的照片中的拍摄时间。
本发明较佳实施例中，所述预先确定的时间识别规则为：按照预设的图块定位规则对获取的图片中预设位置，例如，右下角的图块进行定位，以在照片的画面中，发现并确定照片中的日期时间信息所在的具体位置；按照预先生成的分类预测模型，如支持向量机(SupportVectorMachine，SVM)模型，识别出已定位的图块中是否包含时间信息(例如，包含拍摄日期和时间点)；按照预设的字符分割规则对识别出的图块进行字符图块分割；按照预先生成的字符识别模型(例如，通过人工神经网络训练生成的MLP模型)识别出分割的各个字符图块对应的字符数据。
本发明较佳实施例中，所述预设的图块定位规则为：应用高斯模糊方法对照片预设位置进行预处理，降低照片预设位置的细节层次(预处理步骤的目的是为后续计算去除噪声，优选采用该预处理步骤，在本发明的其他实施例中，也可以不包括该预处理步骤)；将预处理后的预设位置图像灰度化；对灰度化后的图像进行Sobel边缘检测运算，从而得到图像的一阶水平方向导数(此时拍摄时间信息也将被明显区分出来)；将灰度化的图像转换成二值图像(这一步骤过后，拍摄时间区域将被连接成一个矩形状区域)；确定出二值图像中的所有轮廓块，并按照预设的筛选规则筛选出待分析的轮廓块，并为筛选出的轮廓块生成最小外接矩形框；将存在倾斜角度的由矩形框包围的轮廓块滤除。本实施例中，所述预设的筛选规则为依据事先预估的显示面积大小验证每块轮廓的最小外接矩形，筛选出最后备选的矩形框。
本发明较佳实施例中，所述支持向量机模型的生成过程包括：获取预设数量的照片样本，按照所述预设的图块定位规则对获取的每一个图片样本中预设位置的图块进行定位，确定照片中的日期时间信息所在的具体位置；对定位出的各个图块进行预处理，以过滤掉不符合预设条件(例如，倾斜角度大于预设角度极值、面积大于预设面积极值)的图块；将包含时间信息的图块和未包含时间信息的图块分发到两个不同的文件夹里；从两个文件夹下各提取第一预设比例(例如，70％)的图块作为训练数据，以进行支持向量机(SupportVectorMachine，简称为SVM)模型的训练，两个文件夹下各剩下的第二预设比例(例如，30％)的图块作为测试数据，用以评估模型的分类识别效果；利用提取的第一预设比例的图块数据进行SVM模型训练以生成对应的SVM模型，利用剩下的第二预设比例的图块数据对生成的SVM模型进行准确性验证；若训练得到的SVM模型识别准确率小于预设准确率(例如，99％)，则增加训练数据集的图块数量，重复上述SVM模型的生成过程，直到生成的SVM模型准确率大于等于预设准确率(例如，99％)。
本发明较佳实施例中，所述预设的字符分割规则为：将包含时间的图块灰度化；采用大津阈值法对灰度化图块做二值化处理；采用findContours函数对二值化图块取轮廓，并获取所有字符图块的最小外接矩形框；把得到的最小外接矩形框中的图块一一分割开来，以分割成各个单字符图块。
本发明较佳实施例中，所述预先生成的字符识别模型的生成过程包括：获取预设数量的包含时间信息的图块样本，按照上述预设的字符分割规则对每一个图块样本进行字符图块分割；对分割的所有字符图块按照字符类型进行分类，以将同一字符类型的字符图块分为一类，不同字符类型的字符图块分为不同类(比如包含数字的，按0-9分为十类，包含符号的，按“/”、“-”、“:”等分为另外几类)；从各个类下各提取第一预设比例(例如，70％)的字符图块作为训练数据，以进行人工神经网络(ArtificialNeuralNetworks，简写为ANN)中的多层感知器(multi-layerperceptrons，简称为MLP)模型的训练，各个类下各剩下的第二预设比例(例如，30％)的字符图块作为测试数据，用以评估模型的分类识别效果；利用提取的第一预设比例的字符图块数据进行人工神经网络训练以生成对应的MLP模型，利用剩下的第二预设比例的字符图块数据对生成的MLP模型进行准确性验证；若生成的MLP模型准确率小于预设准确率(例如，99％)，则增加训练数据集的图块数量，重复上述MLP模型的生成过程，直到生成的MLP模型准确率大于等于预设准确率(例如，99％)。
所述匹配模块104用于提取出获取的照片对应的理赔申请中填写的理赔事件发生时间，判断照片中的拍摄时间与所填写的理赔事件发生时间是否相匹配。例如，所述照片中的拍摄时间与所填写的理赔事件发生时间是否相同。
所述决定模块105用于根据所述的匹配结果生成对所述理赔申请的决定，如拒赔或者理赔。
进一步地，当照片中的拍摄时间与所填写的理赔事件发生时间不匹配时，所述警报模块102也可以向系统管理员，如理赔申请审核人员提醒所述获取的照片对应的理赔申请存在欺诈行为。
参阅图3所示，是本发明基于理赔照片深度学习实现保险理赔反欺诈的方法较佳实施例的方法实施流程图。本实施例所述基于理赔照片深度学习实现保险理赔反欺诈的方法并不限于流程图中所示步骤，此外流程图中所示步骤中，某些步骤可以省略、步骤之间的顺序可以改变。
步骤S10，通讯模块100判断是否从终端2接收到用户提交的理赔申请。本实施例中，所述理赔申请可以是一个交通事故理赔申请，其可以包括理赔申请书以及相关证据，如交通事故的现场照片等。
步骤S11，照片检验模块101获取所述理赔申请中的照片，基于二维离散余弦变换函数对获取的照片进行频域转换，根据预设的分析规则并基于频域转换后的照片在各个颜色通道上的颜色值，对所述照片进行真实性验证，以检测照片本身是否有经过人为修改。
本发明较佳实施例中，所述预设的分析规则为：提取频域转换后的照片在各个RGB颜色通道上的颜色值变化幅度，若有颜色通道上的颜色值变化幅度大于预设阈值，则判断获取的照片是不真实的照片“例如，合成的照片、篡改的照片”；若没有颜色频道上的颜色值变化幅度大于所述预设阈值，则判断获取的照片是真实的照片。本实施例中，所述预设阈值可以是0.1。
步骤S12，所述照片检验模块101根据上述的真实性检验结果，判断所述照片是否是不真实的照片，如经过篡改。若所述照片经过篡改，则流程执行步骤S17，警报模块102提醒获取的照片对应的理赔申请存在欺诈行为，并于步骤S18中，决定模块105生成拒赔决定，以对所述理赔申请进行拒赔。
否则，若所述照片没有经过篡改，则执行步骤S13，时间识别模块103按照预先确定的时间识别规则，识别出获取的照片中的拍摄时间。步骤S13中预先确定的时间识别规则请参阅下述的图4中的描述。
步骤S14，匹配模块104提取出获取的照片对应的理赔申请中填写的理赔事件发生时间。
步骤S15，匹配模块104进一步判断照片中的拍摄时间与所填写的理赔事件发生时间是否相匹配。例如，所述照片中的拍摄时间与所填写的理赔事件发生时间是否相同。若照片中的拍摄时间与所填写的理赔事件发生时间相匹配，则流程执行下述的步骤S16。或者，若照片中的拍摄时间与所填写的理赔事件发生时间是否不相匹配，则流程执行下述的步骤S17至S18。
其中，步骤S16，决定模块105生成理赔决定，以对所述理赔申请进行赔付。
其中，步骤S17，警报模块102提醒获取的照片对应的理赔申请存在欺诈行为，并于步骤S18中，决定模块105生成拒赔决定，以对所述理赔申请进行拒赔。
步骤S19，通讯模块100通知用户所述决定，即拒赔或者理赔的决定。
参阅图4所述，是图3中步骤S13的详细实施流程图，即如何识别出获取的照片中的拍摄时间。
步骤S130，所述时间识别模块103按照预设的图块定位规则对获取的图片中预设位置的图块进行定位，以在照片的画面中，发现并确定照片中的日期时间信息所在的具体位置。所述的预设位置为图片右下角。
本发明较佳实施例中，所述预设的图块定位规则为：应用高斯模糊方法对照片预设位置进行预处理，降低照片预设位置的细节层次(预处理步骤的目的是为后续计算去除噪声，优选采用该预处理步骤，在本发明的其他实施例中，也可以不包括该预处理步骤)；将预处理后的预设位置图像灰度化；对灰度化后的图像进行Sobel边缘检测运算，从而得到图像的一阶水平方向导数(此时拍摄时间信息也将被明显区分出来)；将灰度化的图像转换成二值图像(这一步骤过后，拍摄时间区域将被连接成一个矩形状区域)；确定出二值图像中的所有轮廓块，并按照预设的筛选规则筛选出待分析的轮廓块，并为筛选出的轮廓块生成最小外接矩形框；将存在倾斜角度的由矩形框包围的轮廓块滤除。本实施例中，所述预设的筛选规则为依据事先预估的显示面积大小验证每块轮廓的最小外接矩形，筛选出最后备选的矩形框。
步骤S131，所述时间识别模块103按照预先生成的分类预测模型识别出已定位的图块中是否包含时间信息。所述预先生成的分类预测模型为持向量机(SupportVectorMachine，SVM)模型。
本发明较佳实施例中，所述支持向量机模型的生成过程包括：获取预设数量的照片样本，按照所述预设的图块定位规则对获取的每一个图片样本中预设位置的图块进行定位，确定照片中的日期时间信息所在的具体位置；对定位出的各个图块进行预处理，以过滤掉不符合预设条件(例如，倾斜角度大于预设角度极值、面积大于预设面积极值)的图块；将包含时间信息的图块和未包含时间信息的图块分发到两个不同的文件夹里；从两个文件夹下各提取第一预设比例(例如，70％)的图块作为训练数据，以进行支持向量机(SupportVectorMachine，简称为SVM)模型的训练，两个文件夹下各剩下的第二预设比例(例如，30％)的图块作为测试数据，用以评估模型的分类识别效果；利用提取的第一预设比例的图块数据进行SVM模型训练以生成对应的SVM模型，利用剩下的第二预设比例的图块数据对生成的SVM模型进行准确性验证；若训练得到的SVM模型识别准确率小于预设准确率(例如，99％)，则增加训练数据集的图块数量，重复上述SVM模型的生成过程，直到生成的SVM模型准确率大于等于预设准确率(例如，99％)。
步骤S132，所述时间识别模块103按照预设的字符分割规则对识别出的图块进行字符图块分割。
本发明较佳实施例中，所述预设的字符分割规则为：将包含时间的图块灰度化；采用大津阈值法对灰度化图块做二值化处理；采用findContours函数对二值化图块取轮廓，并获取所有字符图块的最小外接矩形框；把得到的最小外接矩形框中的图块一一分割开来，以分割成各个单字符图块。
步骤S133，所述时间识别模块103按照预先生成的字符识别模型识别出分割的各个字符图块对应的字符数据。本实施例中，所述预先生成的字符识别模型为人工神经网络(ArtificialNeuralNetworks，简写为ANN)训练生成的MLP模型。
本发明较佳实施例中，所述预先生成的字符识别模型的生成过程包括：获取预设数量的包含时间信息的图块样本，按照上述预设的字符分割规则对每一个图块样本进行字符图块分割；对分割的所有字符图块按照字符类型进行分类，以将同一字符类型的字符图块分为一类，不同字符类型的字符图块分为不同类(比如包含数字的，按0-9分为十类，包含符号的，按“/”、“-”、“:”等分为另外几类)；从各个类下各提取第一预设比例(例如，70％)的字符图块作为训练数据，以进行人工神经网络中的多层感知器(multi-layerperceptrons，简称为MLP)模型的训练，各个类下各剩下的第二预设比例(例如，30％)的字符图块作为测试数据，用以评估模型的分类识别效果；利用提取的第一预设比例的字符图块数据进行人工神经网络训练以生成对应的MLP模型，利用剩下的第二预设比例的字符图块数据对生成的MLP模型进行准确性验证；若生成的MLP模型准确率小于预设准确率(例如，99％)，则增加训练数据集的图块数量，重复上述MLP模型的生成过程，直到生成的MLP模型准确率大于等于预设准确率(例如，99％)。
步骤S134，根据所识别出来的字符数据生成照片中的拍摄时间。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于理赔照片深度学习实现保险理赔反欺诈的方法，其特征在于，该方法包括：
在接收到用户提交的理赔照片时，基于二维离散余弦变换函数对获取的照片进行频域转换，根据预设的分析规则并基于频域转换后的照片在各个颜色通道上的颜色值，对所述照片进行真实性验证；
若获取的图片是不真实的，则生成提醒信息以提醒获取的图片对应的理赔申请存在欺诈行为；
若获取的图片是真实的，则按照预先确定的时间识别规则，识别出获取的照片中的拍摄时间；
提取出获取的照片对应的理赔申请中填写的理赔事件发生时间；及
在提取的理赔事件发生时间与识别的拍摄时间不匹配时，生成提醒信息以提醒获取的图片对应的理赔申请存在欺诈行为。
2.如权利要求1所述的方法，其特征在于，所述预设的分析规则为：提取频域转换后的照片在各个RGB颜色通道上的颜色值变化幅度，若有颜色通道上的颜色值变化幅度大于预设阈值，则判断获取的照片是不真实的照片；若没有颜色频道上的颜色值变化幅度大于所述预设阈值，则判断获取的照片是真实的照片。
3.如权利要求1所述的方法，其特征在于，所述预先确定的时间识别规则为：按照预设的图块定位规则对获取的图片中预设位置的图块进行定位；按照预先生成的支持向量机模型识别出已定位的图块中是否包含时间信息；按照预设的字符分割规则对识别出的图块进行字符图块分割；按照预先生成的字符识别模型识别出分割的各个字符图块对应的字符数据。
4.如权利要求3所述的方法，其特征在于，所述预设的图块定位规则为：应用高斯模糊方法对照片预设位置进行预处理，降低照片预设位置的细节层次；将预处理后的预设位置图像灰度化；对灰度化后的图像进行Sobel边缘检测运算，从而得到图像的一阶水平方向导数；将灰度化的图像转换成二值图像；确定出二值图像中的所有轮廓块，并按照预设的筛选规则筛选出待分析的轮廓块，并为筛选出的轮廓块生成最小外接矩形框；将存在倾斜角度的由矩形框包围的轮廓块滤除。
5.如权利要求3所述的方法，其特征在于，所述预设的字符分割规则为：将包含时间的图块灰度化；采用大津阈值法对灰度化图块做二值化处理；采用findContours函数对二值化图块取轮廓，并获取所有字符图块的最小外接矩形框；把得到的最小外接矩形框中的图块一一分割开来，以分割成各个单字符图块。
6.如权利要求3所述的方法，其特征在于，所述支持向量机模型的生成过程包括：获取预设数量的照片样本，按照预设的图块定位规则对获取的每一个图片样本中预设位置的图块进行定位；对定位出的各个图块进行预处理，以过滤掉不符合预设条件的图块；将包含时间信息的图块和未包含时间信息的图块分发到两个不同的文件夹里；从两个文件夹下各提取第一预设比例的图块作为训练数据，以进行支持向量机模型的训练，两个文件夹下各剩下的第二预设比例的图块作为测试数据，用以评估模型的分类识别效果；利用提取的第一预设比例的图块数据进行支持向量机模型训练以生成对应的支持向量机模型，利用剩下的第二预设比例的图块数据对生成的支持向量机模型进行准确性验证；若训练得到的支持向量机模型识别准确率小于预设准确率，则增加训练数据集的图块数量，重复上述支持向量机模型的生成过程，直到生成的支持向量机模型准确率大于等于预设准确率。
7.如权利要求3所述的方法，其特征在于，所述字符识别模型的生成过程包括：获取预设数量的包含时间信息的图块样本，按照上述预设的字符分割规则对每一个图块样本进行字符图块分割；对分割的所有字符图块按照字符类型进行分类，以将同一字符类型的字符图块分为一类，不同字符类型的字符图块分为不同类；从各个类下各提取第一预设比例的字符图块作为训练数据，以进行多层感知器模型的训练，各个类下各剩下的第二预设比例的字符图块作为测试数据，用以评估模型的分类识别效果；利用提取的第一预设比例的字符图块数据进行人工神经网络训练以生成对应的多层感知器模型，利用剩下的第二预设比例的字符图块数据对生成的多层感知器模型进行准确性验证；若生成的多层感知器模型准确率小于预设准确率，则增加训练数据集的图块数量，重复上述多层感知器模型的生成过程，直到生成的多层感知器模型准确率大于等于预设准确率。
8.一种适用于权利要求1至7任一项所述方法的服务器，其特征在于，该服务器包括存储设备以及处理器，其中：
所述存储单元，存储有一个基于理赔照片深度学习实现保险理赔反欺诈的系统；
所述处理器，用于调用并执行所述基于理赔照片深度学习实现保险理赔反欺诈的系统，以执行如下步骤：
在接收到用户提交的理赔照片时，基于二维离散余弦变换函数对获取的照片进行频域转换，根据预设的分析规则并基于频域转换后的照片在各个颜色通道上的颜色值，对所述照片进行真实性验证；
若获取的图片是不真实的，则生成提醒信息以提醒获取的图片对应的理赔申请存在欺诈行为；
若获取的图片是真实的，则按照预先确定的时间识别规则，识别出获取的照片中的拍摄时间；
提取出获取的照片对应的理赔申请中填写的理赔事件发生时间；及
在提取的理赔事件发生时间与识别的拍摄时间不匹配时，生成提醒信息以提醒获取的图片对应的理赔申请存在欺诈行为。
9.如权利要求8所述的服务器，其特征在于，所述预设的分析规则为：提取频域转换后的照片在各个RGB颜色通道上的颜色值变化幅度，若有颜色通道上的颜色值变化幅度大于预设阈值，则判断获取的照片是不真实的照片；若没有颜色频道上的颜色值变化幅度大于所述预设阈值，则判断获取的照片是真实的照片。
10.如权利要求8所述的服务器，其特征在于，所述预先确定的时间识别规则为：按照预设的图块定位规则对获取的图片中预设位置的图块进行定位；按照预先生成的支持向量机模型识别出已定位的图块中是否包含时间信息；按照预设的字符分割规则对识别出的图块进行字符图块分割；按照预先生成的字符识别模型识别出分割的各个字符图块对应的字符数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510925404.6A CN105405054A (zh) | 2015-12-11 | 2015-12-11 | 基于理赔照片深度学习实现保险理赔反欺诈的方法及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510925404.6A CN105405054A (zh) | 2015-12-11 | 2015-12-11 | 基于理赔照片深度学习实现保险理赔反欺诈的方法及服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105405054A true CN105405054A (zh) | 2016-03-16 |
Family
ID=55470524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510925404.6A Pending CN105405054A (zh) | 2015-12-11 | 2015-12-11 | 基于理赔照片深度学习实现保险理赔反欺诈的方法及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105405054A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107087025A (zh) * | 2017-04-11 | 2017-08-22 | 武汉华创欣网科技有限公司 | 一种基于移动网络通信的车辆定损理赔方法及装置 |
| CN107680046A (zh) * | 2017-07-25 | 2018-02-09 | 平安科技（深圳）有限公司 | 影像矫正方法、装置、存储介质和计算机设备 |
| WO2018036276A1 (zh) * | 2016-08-22 | 2018-03-01 | 平安科技（深圳）有限公司 | 图片品质的检测方法、装置、服务器及存储介质 |
| WO2018055340A1 (en) * | 2016-09-21 | 2018-03-29 | Emergent Network Intelligence Ltd | Automatic image based object damage assessment |
| CN108090747A (zh) * | 2018-01-25 | 2018-05-29 | 中国平安财产保险股份有限公司 | 车险核保的自助验车方法、装置、设备和计算机存储介质 |
| WO2018120723A1 (zh) * | 2016-12-30 | 2018-07-05 | 平安科技（深圳）有限公司 | 视频压缩感知重构方法、系统、电子装置及存储介质 |
| 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 |
| CN108647712A (zh) * | 2018-05-08 | 2018-10-12 | 阿里巴巴集团控股有限公司 | 车辆损伤识别的处理方法、处理设备、客户端及服务器 |
| CN108682010A (zh) * | 2018-05-08 | 2018-10-19 | 阿里巴巴集团控股有限公司 | 车辆损伤识别的处理方法、处理设备、客户端及服务器 |
| CN109214937A (zh) * | 2018-09-27 | 2019-01-15 | 上海远眸软件有限公司 | 保险理赔智能反欺诈判定方法和系统 |
| CN109214781A (zh) * | 2018-09-12 | 2019-01-15 | 医倍思特（北京）医疗信息技术有限公司 | 一种人伤理赔定损费用的核查方法 |
| CN110136009A (zh) * | 2019-04-17 | 2019-08-16 | 阿里巴巴集团控股有限公司 | 事故车辆理赔方法和装置、电子设备 |
| CN110956149A (zh) * | 2019-12-06 | 2020-04-03 | 中国平安财产保险股份有限公司 | 宠物身份核验方法、装置、设备及计算机可读存储介质 |
| CN112001785A (zh) * | 2020-07-21 | 2020-11-27 | 小花网络科技(深圳)有限公司 | 一种基于图像识别的网贷欺诈识别方法及系统 |
| CN112053051A (zh) * | 2020-08-27 | 2020-12-08 | 中信银行股份有限公司 | 尽职调查应用系统及其信息处理方法 |
| CN113011893A (zh) * | 2021-03-22 | 2021-06-22 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
| WO2023006974A1 (en) | 2021-07-30 | 2023-02-02 | Swiss Reinsurance Company Ltd. | Optical fraud detector for automated detection of fraud in digital imaginary-based automobile claims, automated damage recognition, and method thereof |
| EP4028977A4 (en) * | 2019-09-09 | 2023-09-27 | Neural Claim System, Inc. | METHOD AND SYSTEMS FOR BLASTING AND/OR PROCESSING INSURANCE CLAIMS FOR DAMAGED MOTOR VEHICLE GLASS |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101303761A (zh) * | 2008-06-10 | 2008-11-12 | 裘炅 | 一种手机拍摄并上传取证照片或视频的车险理赔集成系统 |
| CN101546416A (zh) * | 2009-04-27 | 2009-09-30 | 谢谦 | 一种远程处理汽车保险业务的方法及其系统 |
| CN104021567A (zh) * | 2014-06-26 | 2014-09-03 | 福州大学 | 基于首数字定律的图像高斯模糊篡改检测方法 |
-
2015
- 2015-12-11 CN CN201510925404.6A patent/CN105405054A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101303761A (zh) * | 2008-06-10 | 2008-11-12 | 裘炅 | 一种手机拍摄并上传取证照片或视频的车险理赔集成系统 |
| CN101546416A (zh) * | 2009-04-27 | 2009-09-30 | 谢谦 | 一种远程处理汽车保险业务的方法及其系统 |
| CN104021567A (zh) * | 2014-06-26 | 2014-09-03 | 福州大学 | 基于首数字定律的图像高斯模糊篡改检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孙堡垒 等: "基于Benford定律的高斯模糊篡改取证", 《计算机研究与发展》 * |
| 朱曦: "彩色照片中日期文字的提取与识别", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018036276A1 (zh) * | 2016-08-22 | 2018-03-01 | 平安科技（深圳）有限公司 | 图片品质的检测方法、装置、服务器及存储介质 |
| WO2018055340A1 (en) * | 2016-09-21 | 2018-03-29 | Emergent Network Intelligence Ltd | Automatic image based object damage assessment |
| GB2554361A (en) * | 2016-09-21 | 2018-04-04 | Emergent Network Intelligence Ltd | Automatic image based object damage assessment |
| US11823365B2 (en) | 2016-09-21 | 2023-11-21 | Emergent Network Intelligence Ltd. | Automatic image based object damage assessment |
| GB2554361B (en) * | 2016-09-21 | 2022-05-11 | Emergent Network Intelligence Ltd | Automatic image based object damage assessment |
| WO2018120723A1 (zh) * | 2016-12-30 | 2018-07-05 | 平安科技（深圳）有限公司 | 视频压缩感知重构方法、系统、电子装置及存储介质 |
| US10630995B2 (en) | 2016-12-30 | 2020-04-21 | Ping An Technology (Shenzhen) Co., Ltd. | Video compressed sensing reconstruction method, system, electronic device, and storage medium |
| CN107087025A (zh) * | 2017-04-11 | 2017-08-22 | 武汉华创欣网科技有限公司 | 一种基于移动网络通信的车辆定损理赔方法及装置 |
| 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 |
| WO2019019383A1 (zh) * | 2017-07-25 | 2019-01-31 | 平安科技（深圳）有限公司 | 影像矫正方法、装置、存储介质和计算机设备 |
| CN107680046A (zh) * | 2017-07-25 | 2018-02-09 | 平安科技（深圳）有限公司 | 影像矫正方法、装置、存储介质和计算机设备 |
| CN108090747A (zh) * | 2018-01-25 | 2018-05-29 | 中国平安财产保险股份有限公司 | 车险核保的自助验车方法、装置、设备和计算机存储介质 |
| WO2019144416A1 (zh) * | 2018-01-29 | 2019-08-01 | 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 |
| 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 |
| CN108323209B (zh) * | 2018-01-29 | 2023-10-31 | 达闼机器人股份有限公司 | 信息处理方法、系统、云处理设备以及计算机存储介质 |
| CN108647712A (zh) * | 2018-05-08 | 2018-10-12 | 阿里巴巴集团控股有限公司 | 车辆损伤识别的处理方法、处理设备、客户端及服务器 |
| WO2019214321A1 (zh) * | 2018-05-08 | 2019-11-14 | 阿里巴巴集团控股有限公司 | 车辆损伤识别的处理方法、处理设备、客户端及服务器 |
| CN108682010A (zh) * | 2018-05-08 | 2018-10-19 | 阿里巴巴集团控股有限公司 | 车辆损伤识别的处理方法、处理设备、客户端及服务器 |
| TWI715932B (zh) * | 2018-05-08 | 2021-01-11 | 開曼群島商創新先進技術有限公司 | 車輛損傷識別的處理方法及其處理裝置、車輛定損的資料處理設備、定損處理系統、客戶端及伺服器 |
| CN109214781A (zh) * | 2018-09-12 | 2019-01-15 | 医倍思特（北京）医疗信息技术有限公司 | 一种人伤理赔定损费用的核查方法 |
| CN109214937A (zh) * | 2018-09-27 | 2019-01-15 | 上海远眸软件有限公司 | 保险理赔智能反欺诈判定方法和系统 |
| CN110136009A (zh) * | 2019-04-17 | 2019-08-16 | 阿里巴巴集团控股有限公司 | 事故车辆理赔方法和装置、电子设备 |
| EP4028977A4 (en) * | 2019-09-09 | 2023-09-27 | Neural Claim System, Inc. | METHOD AND SYSTEMS FOR BLASTING AND/OR PROCESSING INSURANCE CLAIMS FOR DAMAGED MOTOR VEHICLE GLASS |
| CN110956149A (zh) * | 2019-12-06 | 2020-04-03 | 中国平安财产保险股份有限公司 | 宠物身份核验方法、装置、设备及计算机可读存储介质 |
| CN112001785A (zh) * | 2020-07-21 | 2020-11-27 | 小花网络科技(深圳)有限公司 | 一种基于图像识别的网贷欺诈识别方法及系统 |
| CN112053051A (zh) * | 2020-08-27 | 2020-12-08 | 中信银行股份有限公司 | 尽职调查应用系统及其信息处理方法 |
| CN113011893A (zh) * | 2021-03-22 | 2021-06-22 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
| CN113011893B (zh) * | 2021-03-22 | 2024-04-26 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
| WO2023006974A1 (en) | 2021-07-30 | 2023-02-02 | Swiss Reinsurance Company Ltd. | Optical fraud detector for automated detection of fraud in digital imaginary-based automobile claims, automated damage recognition, and method thereof |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105405054A (zh) | 基于理赔照片深度学习实现保险理赔反欺诈的方法及服务器 | |
| JP6873237B2 (ja) | 画像ベースの車両損害評価方法、装置、およびシステム、ならびに電子デバイス | |
| Wang et al. | Asphalt pavement pothole detection and segmentation based on wavelet energy field | |
| EP3678049A1 (en) | Document verification and identity verification method and device | |
| US11514526B1 (en) | Systems and methods for property damage restoration predictions based upon processed digital images | |
| CN112085952A (zh) | 监控车辆数据方法、装置、计算机设备及存储介质 | |
| Abdellatif et al. | A low cost IoT-based Arabic license plate recognition model for smart parking systems | |
| US8761498B1 (en) | Face and license plate detection in street level images with 3-D road width features estimated from laser data | |
| CN106203387A (zh) | 人脸验证方法及系统 | |
| CN111126098B (zh) | 证件图像采集方法、装置、设备及存储介质 | |
| CN103810635A (zh) | 贷款业务处理流程核查实现方法及装置 | |
| CN111932363A (zh) | 授权书的识别审核方法、装置、设备及系统 | |
| CN110634223A (zh) | 票据校验方法及装置 | |
| EP3265960B1 (en) | Methods for categorizing input images for use e.g. as a gateway to authentication systems | |
| CN115223022B (zh) | 一种图像处理方法、装置、存储介质及设备 | |
| CN103679209A (zh) | 基于稀疏理论的字符识别方法 | |
| CN111178347B (zh) | 证件图像的模糊度检测方法、装置、设备及存储介质 | |
| CN114511866A (zh) | 数据稽核方法、装置、系统、处理器及机器可读存储介质 | |
| Chauhan et al. | Intelligent toll collection system for moving vehicles in India | |
| CN113077355B (zh) | 保险理赔方法、装置、电子设备及存储介质 | |
| CN115131564A (zh) | 基于人工智能的车辆部件损伤检测方法及相关设备 | |
| Singh et al. | Evaluating the Performance of Ensembled YOLOv8 Variants in Smart Parking Applications for Vehicle Detection and License Plate Recognition under Varying Lighting Conditions | |
| Luna et al. | License Plate Recognition for Stolen Vehicles Using Optical Character Recognition | |
| Nguyen et al. | UIT-ANPR: toward an open framework for automatic number plate recognition on smartphones | |
| Calitz et al. | Automated license plate recognition using existing university infrastructure and different camera angles |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160316 |