[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111461905A - 车险骗赔规避方法、装置、计算机设备及存储介质 - Google Patents

车险骗赔规避方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111461905A
CN111461905A CN202010468178.4A CN202010468178A CN111461905A CN 111461905 A CN111461905 A CN 111461905A CN 202010468178 A CN202010468178 A CN 202010468178A CN 111461905 A CN111461905 A CN 111461905A
Authority
CN
China
Prior art keywords
vehicle
user
historical
photo
photos
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
Application number
CN202010468178.4A
Other languages
English (en)
Inventor
叶文斌
叶俊林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Meyacom Technology Co ltd
Original Assignee
Shenzhen Meyacom Technology Co ltd
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
Application filed by Shenzhen Meyacom Technology Co ltd filed Critical Shenzhen Meyacom Technology Co ltd
Priority to CN202010468178.4A priority Critical patent/CN111461905A/zh
Publication of CN111461905A publication Critical patent/CN111461905A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Library & Information Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (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

本发明提供了一种车险骗赔规避方法、装置、计算机设备及存储介质，所述方法包括，获取用户上传的证件照片、车牌照片及车辆受损部位照片；通过OCR识别出用户上传的证件照片和车牌照片，获取用户信息；根据车辆受损部位照片，通过图片检索匹配算法从大数据层收集的保险公司的历史理赔案件及同行业的历史理赔案件中匹配出相似度最相近的历史车辆受损部位照片，以识别出案件中标的车辆受损情况；根据用户信息及案件中标的车辆受损情况，计算出用户的骗赔风险等级；对于用户的骗赔风险等级高于预设值的，将根据对应的等级直接拒赔或者走人工理赔通道，并将骗赔的用户加入黑名单库。本发明能够有效地规避车主的骗赔风险，降低运营成本。

Description

车险骗赔规避方法、装置、计算机设备及存储介质
技术领域
本发明涉及一种骗赔规避方法、装置、计算机设备及存储介质，尤其是指一种车险骗赔规避方法、装置、计算机设备及存储介质。
背景技术
目前，很多车主多次出险合并理赔及碰瓷骗赔的情况普遍存在，导致车险经营在控制赔付率方面面临很大的瓶颈，一方面公司需要降低赔付率，减少不合规的理赔请求，另一方面公司需要控制好人工成本。当前保险公司的理赔模式大部分需要人工参与，而在控制骗赔等方面则需要投入更多的人工去判断，因此使经营的两大目标在现状下，形成了对立面，顾此失彼。
发明内容
本发明所要解决的技术问题是：提供一种车险骗赔规避方法、装置、计算机设备及存储介质，旨在规避车主的骗赔风险。
为了解决上述技术问题，本发明采用的技术方案为：一种车险骗赔规避方法，包括步骤，
S20、获取用户上传的证件照片、车牌照片及车辆受损部位照片；
S30、通过OCR识别出用户上传的证件照片和车牌照片，获取用户信息；
S40、根据车辆受损部位照片，通过图片检索匹配算法从大数据层收集的保险公司的历史理赔案件及同行业的历史理赔案件中匹配出相似度最相近的历史车辆受损部位照片，以识别出案件中标的车辆受损情况；
S50、根据用户信息及案件中标的车辆受损情况，计算出用户的骗赔风险等级；
S60、对于用户的骗赔风险等级高于预设值的，将根据对应的等级直接拒赔或者走人工理赔通道，并将骗赔的用户加入黑名单库。
进一步的，所述步骤S30包括，
S31、识别出用户上传的证件照片和车牌照片中的文字区域，将文字区域摘取出来；
S32、对文字区域矩形分割，拆分成不同的字符；
S33、对拆分的字符根据监督算法进行字符预测；
S34、根据预测出来的字符，识别出整个字符。
进一步的，所述步骤S31具体包括，
通过滑动窗口算法，遍历整个照片，由监督的标记训练样本特征进行判断，找到文字区域，对文字区域进行矩形化摘取出来。
进一步的，所述步骤S32具体包括，
对文字区域进行矩形分割，在矩形中做一维滑动窗口移动，判断字符间距，对字符进行拆分。
进一步的，车险骗赔规避方法还包括步骤，
S10、通过AI聚类算法，根据保险公司的历史理赔案件及同行业的历史理赔案件，构建理赔数据集。
进一步的，所述步骤S40中，图片检索匹配算法为基于灰度的模板匹配算法，匹配的具体过程为，
S41、以车辆受损部位照片作为图像模板，从大数据层收集的保险公司的历史理赔案件及同行业的历史理赔案件中遍历出所有子图像；
S42、将车辆受损部位照片与所有遍历出来的子图像进行一一匹配，将相似度最相近的子图像作为案件中标的车辆受损情况。
进一步的，所述基于灰度的模板匹配算法的算法公式为：
Figure BDA0002513350910000021
本发明还提供了一种车险骗赔规避装置，包括，
照片获取模块，用于获取用户上传的证件照片、车牌照片及车辆受损部位照片；
信息识别模块，用于通过OCR识别出用户上传的证件照片和车牌照片，获取用户信息；
定损模块，用于根据车辆受损部位照片，通过图片检索匹配算法从大数据层收集的保险公司的历史理赔案件及同行业的历史理赔案件中匹配出相似度最相近的历史车辆受损部位照片，以识别出案件中标的车辆受损情况；
风险评价模块，用于根据用户信息及案件中标的车辆受损情况，计算出用户的骗赔风险等级；
风险处理模块，用于对于用户的骗赔风险等级高于预设值的，将根据对应的等级直接拒赔或者走人工理赔通道。
本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的车险骗赔规避方法。
本发明还提供了一种存储介质，所述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可实现如上所述的车险骗赔规避方法。
本发明的有益效果在于：通过OCR识别出用户上传的证件照片和车牌照片，获取用户的信息，然后将车辆受损部位照片通过大数据层收集保险公司的历史理赔案件及同行业的历史理赔案件进行匹配，匹配出最相近的历史车辆受损部位照片，作为案件中标的车辆受损情况，并计算用户的骗赔风险，将骗赔风险高的直接拒赔或者走人工理赔通道，以此减低因骗赔导致的高赔付率，达到减损效果，将骗赔的用户加入黑名单库，提升客户管理系统的等级划分精度。
附图说明
下面结合附图详述本发明的具体结构。
图1为本发明实施例的车险骗赔规避方法流程图；
图2为本发明实施例的文字信息识别流程图；
图3为本发明实施例的车险骗赔规避装置框图；
图4为本发明实施例的信息识别模块框图；
图5为本发明一具体实施例的计算机设备的示意性框图。
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做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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如图1所示，本发明第一实施例为：一种车险骗赔规避方法，包括步骤，
S20、获取用户上传的证件照片、车牌照片及车辆受损部位照片；
S30、通过OCR识别出用户上传的证件照片和车牌照片，获取用户信息；
如图2所示，所述步骤S30包括，
S31、识别出用户上传的证件照片和车牌照片中的文字区域，将文字区域摘取出来；
S32、对文字区域矩形分割，拆分成不同的字符；
S33、对拆分的字符根据监督算法进行字符预测；
S34、根据预测出来的字符，识别出整个字符。
进一步的，所述步骤S31具体包括，
通过滑动窗口算法，遍历整个照片，由监督的标记训练样本特征进行判断，找到文字区域，对文字区域进行矩形化摘取出来。
进一步的，所述步骤S32具体包括，
对文字区域进行矩形分割，在矩形中做一维滑动窗口移动，判断字符间距，对字符进行拆分。
S40、根据车辆受损部位照片，通过图片检索匹配算法从大数据层收集的保险公司的历史理赔案件及同行业的历史理赔案件中匹配出相似度最相近的历史车辆受损部位照片，以识别出案件中标的车辆受损情况；
进一步的，所述步骤S40中，图片检索匹配算法为基于灰度的模板匹配算法，匹配的具体过程为，
S41、以车辆受损部位照片作为图像模板，从大数据层收集的保险公司的历史理赔案件及同行业的历史理赔案件中遍历出所有子图像；
S42、将车辆受损部位照片与所有遍历出来的子图像进行一一匹配，将相似度最相近的子图像作为案件中标的车辆受损情况。
其中，大数据层是基于hadoop体系，构建文件存储HDFS及结构化数据HIVE、HBASE等存储体系。
进一步的，所述基于灰度的模板匹配算法的算法公式为：
Figure BDA0002513350910000051
基于灰度的模板匹配算法：模板匹配(Blocking Matching)是根据已知模板图像到另一幅图像中寻找与模板图像相似的子图像。基于灰度的匹配算法也称作相关匹配算法，用空间二维滑动模板进行匹配。
在搜索图中，以(i,j)为左上角，取MxN大小的子图，计算其与模板的相似度；遍历整个搜索图，在所有能够取到的子图中，找到与模板图最相似的子图作为最终匹配结果。
显然，平均绝对差D(i,j)越小，表明越相似，故只需找到最小的D(i,j)即可确定能匹配的子图位置。
S50、根据用户信息及案件中标的车辆受损情况，计算出用户的骗赔风险等级；其中，数据库中存储有用户的历史出险记录及用户的信用评价信息，用户的历史出险记录及用户的信用评价信息，通过AI算法给出用户本次出险的骗赔风险等级。
S60、对于用户的骗赔风险等级高于预设值的，将根据对应的等级直接拒赔或者走人工理赔通道，并将骗赔的用户加入黑名单库。
对于高风险的理赔案件，通过人工通道来判断是否存在骗赔行为，同时对于有骗赔历史的用户，该次的理赔案件的车辆受损部位照片信息跟历史骗赔的图片相同或相类似时，该用户的骗赔可能性就很高。
本实施例的有益效果在于：通过OCR识别出用户上传的证件照片和车牌照片，获取用户的信息，然后将车辆受损部位照片通过大数据层收集保险公司的历史理赔案件及同行业的历史理赔案件进行匹配，匹配出最相近的历史车辆受损部位照片，作为案件中标的车辆受损情况，并计算用户的骗赔风险，将骗赔风险高的直接拒赔或者走人工理赔通道，以此减低因骗赔导致的高赔付率，达到减损效果，将骗赔的用户加入黑名单库，提升客户管理系统的等级划分精度，通过AI取代人工识别骗赔，对中小型案件，识别率可高达90％以上，同时减少了人工投入，降低运营成本。
在一具体实施例中，车险骗赔规避方法还包括步骤，
S10、通过AI聚类算法，根据保险公司的历史理赔案件及同行业的历史理赔案件，构建理赔数据集。
大数据层收集保险公司的历史理赔案件及同行业的历史理赔案件，作为AI智能运算的数据基石。
AI聚类算法：基于质心的算法，该算法是通过更新中心点候选者定位每个组或类的中心点，将中心点候选者更新为滑窗内点的均值。这些候选滑窗之后会在后处理阶段被过滤，来减少临近的重复点，最后形成了中心点的集合和他们对应的组合。
如图3所示，本发明的另一实施例为：一种车险骗赔规避装置，包括，
照片获取模块20，用于获取用户上传的证件照片、车牌照片及车辆受损部位照片；
信息识别模块30，用于通过OCR识别出用户上传的证件照片和车牌照片，获取用户信息；
定损模块40，用于根据车辆受损部位照片，通过图片检索匹配算法从大数据层收集的保险公司的历史理赔案件及同行业的历史理赔案件中匹配出相似度最相近的历史车辆受损部位照片，以识别出案件中标的车辆受损情况；
风险评价模块50，用于根据用户信息及案件中标的车辆受损情况，计算出用户的骗赔风险等级；
风险处理模块60，用于对于用户的骗赔风险等级高于预设值的，将根据对应的等级直接拒赔或者走人工理赔通道。
如图4所示，所述信息识别模块30包括，
文字区域摘取单元31，用于识别出用户上传的证件照片和车牌照片中的文字区域，将文字区域摘取出来；
字符拆分单元32，用于对文字区域矩形分割，拆分成不同的字符；
字符预测单元33，用于对拆分的字符根据监督算法进行字符预测；
完整字符识别单元34，用于根据预测出来的字符，识别出整个字符。
进一步的，所述文字区域摘取单元31具体用于，
通过滑动窗口算法，遍历整个照片，由监督的标记训练样本特征进行判断，找到文字区域，对文字区域进行矩形化摘取出来。
进一步的，所述字符拆分单元32具体用于，
对文字区域进行矩形分割，在矩形中做一维滑动窗口移动，判断字符间距，对字符进行拆分。
进一步的，车险骗赔规避装置还包括，
理赔数据集构建模块，用于通过AI聚类算法，根据保险公司的历史理赔案件及同行业的历史理赔案件，构建理赔数据集。
进一步的，所述定损模块40中，图片检索匹配算法为基于灰度的模板匹配算法，定损模块包括，
遍历单元，用于以车辆受损部位照片作为图像模板，从大数据层收集的保险公司的历史理赔案件及同行业的历史理赔案件中遍历出所有子图像；
匹配单元，用于将车辆受损部位照片与所有遍历出来的子图像进行一一匹配，将相似度最相近的子图像作为案件中标的车辆受损情况。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述车险骗赔规避装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述车险骗赔规避装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5，图5是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图5，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种车险骗赔规避方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种车险骗赔规避方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如上所述的车险骗赔规避方法。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如上所述的车险骗赔规避方法。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种车险骗赔规避方法，其特征在于：包括步骤，
S20、获取用户上传的证件照片、车牌照片及车辆受损部位照片；
S30、通过OCR识别出用户上传的证件照片和车牌照片，获取用户信息；
S40、根据车辆受损部位照片，通过图片检索匹配算法从大数据层收集的保险公司的历史理赔案件及同行业的历史理赔案件中匹配出相似度最相近的历史车辆受损部位照片，以识别出案件中标的车辆受损情况；
S50、根据用户信息及案件中标的车辆受损情况，计算出用户的骗赔风险等级；
S60、对于用户的骗赔风险等级高于预设值的，将根据对应的等级直接拒赔或者走人工理赔通道，并将骗赔的用户加入黑名单库。
2.如权利要求1所述的车险骗赔规避方法，其特征在于：所述步骤S30包括，
S31、识别出用户上传的证件照片和车牌照片中的文字区域，将文字区域摘取出来；
S32、对文字区域矩形分割，拆分成不同的字符；
S33、对拆分的字符根据监督算法进行字符预测；
S34、根据预测出来的字符，识别出整个字符。
3.如权利要求2所述的车险骗赔规避方法，其特征在于：所述步骤S31具体包括，
通过滑动窗口算法，遍历整个照片，由监督的标记训练样本特征进行判断，找到文字区域，对文字区域进行矩形化摘取出来。
4.如权利要求3所述的车险骗赔规避方法，其特征在于：所述步骤S32具体包括，
对文字区域进行矩形分割，在矩形中做一维滑动窗口移动，判断字符间距，对字符进行拆分。
5.如权利要求1所述的车险骗赔规避方法，其特征在于：车险骗赔规避方法还包括步骤，
S10、通过AI聚类算法，根据保险公司的历史理赔案件及同行业的历史理赔案件，构建理赔数据集。
6.如权利要求1所述的车险骗赔规避方法，其特征在于：所述步骤S40中，图片检索匹配算法为基于灰度的模板匹配算法，匹配的具体过程为，
S41、以车辆受损部位照片作为图像模板，从大数据层收集的保险公司的历史理赔案件及同行业的历史理赔案件中遍历出所有子图像；
S42、将车辆受损部位照片与所有遍历出来的子图像进行一一匹配，将相似度最相近的子图像作为案件中标的车辆受损情况。
7.如权利要求6所述的车险骗赔规避方法，其特征在于：所述基于灰度的模板匹配算法的算法公式为：
Figure FDA0002513350900000021
8.一种车险骗赔规避装置，其特征在于：包括，
照片获取模块，用于获取用户上传的证件照片、车牌照片及车辆受损部位照片；
信息识别模块，用于通过OCR识别出用户上传的证件照片和车牌照片，获取用户信息；
定损模块，用于根据车辆受损部位照片，通过图片检索匹配算法从大数据层收集的保险公司的历史理赔案件及同行业的历史理赔案件中匹配出相似度最相近的历史车辆受损部位照片，以识别出案件中标的车辆受损情况；
风险评价模块，用于根据用户信息及案件中标的车辆受损情况，计算出用户的骗赔风险等级；
风险处理模块，用于对于用户的骗赔风险等级高于预设值的，将根据对应的等级直接拒赔或者走人工理赔通道。
9.一种计算机设备，其特征在于：所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的车险骗赔规避方法。
10.一种存储介质，其特征在于：所述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可实现如权利要求1至7中任一项所述的车险骗赔规避方法。
CN202010468178.4A 2020-05-28 2020-05-28 车险骗赔规避方法、装置、计算机设备及存储介质 Pending CN111461905A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010468178.4A CN111461905A (zh) 2020-05-28 2020-05-28 车险骗赔规避方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010468178.4A CN111461905A (zh) 2020-05-28 2020-05-28 车险骗赔规避方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN111461905A true CN111461905A (zh) 2020-07-28

Family

ID=71684848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010468178.4A Pending CN111461905A (zh) 2020-05-28 2020-05-28 车险骗赔规避方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111461905A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914771A (zh) * 2020-08-06 2020-11-10 长沙公信诚丰信息技术服务有限公司 一种证照信息自动比对方法、装置、计算机设备及存储介质
CN114187476A (zh) * 2021-12-14 2022-03-15 中国平安财产保险股份有限公司 基于图像分析的车险信息核对方法、装置、设备及介质
WO2023000737A1 (zh) * 2021-07-23 2023-01-26 明觉科技（北京）有限公司 车辆事故损失评估方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855298A (zh) * 2012-08-16 2013-01-02 熊兵 图像检索方法及系统
CN107679996A (zh) * 2017-10-10 2018-02-09 民太安财产保险公估股份有限公司 车险理赔方法及系统
CN108280769A (zh) * 2018-02-01 2018-07-13 阿里巴巴集团控股有限公司 理赔业务的数据处理方法、装置、电子设备、服务器
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
CN109191312A (zh) * 2018-08-07 2019-01-11 阳光财产保险股份有限公司 一种理赔反欺诈风控方法及装置
CN109919783A (zh) * 2019-01-31 2019-06-21 德联易控科技(北京)有限公司 车险理赔案件的风险识别方法、装置、设备及存储介质
CN110009508A (zh) * 2018-12-25 2019-07-12 阿里巴巴集团控股有限公司 一种车险自动赔付方法和系统
CN110443718A (zh) * 2019-07-17 2019-11-12 卓尔智联(武汉)研究院有限公司 车险理赔方法、计算机装置及可读存储介质
CN110689440A (zh) * 2019-08-13 2020-01-14 平安科技（深圳）有限公司 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质
CN110689443A (zh) * 2019-09-02 2020-01-14 中国平安财产保险股份有限公司 出险数据处理方法、装置及存储介质、服务器

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855298A (zh) * 2012-08-16 2013-01-02 熊兵 图像检索方法及系统
CN107679996A (zh) * 2017-10-10 2018-02-09 民太安财产保险公估股份有限公司 车险理赔方法及系统
CN108280769A (zh) * 2018-02-01 2018-07-13 阿里巴巴集团控股有限公司 理赔业务的数据处理方法、装置、电子设备、服务器
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
CN109191312A (zh) * 2018-08-07 2019-01-11 阳光财产保险股份有限公司 一种理赔反欺诈风控方法及装置
CN110009508A (zh) * 2018-12-25 2019-07-12 阿里巴巴集团控股有限公司 一种车险自动赔付方法和系统
CN109919783A (zh) * 2019-01-31 2019-06-21 德联易控科技(北京)有限公司 车险理赔案件的风险识别方法、装置、设备及存储介质
CN110443718A (zh) * 2019-07-17 2019-11-12 卓尔智联(武汉)研究院有限公司 车险理赔方法、计算机装置及可读存储介质
CN110689440A (zh) * 2019-08-13 2020-01-14 平安科技（深圳）有限公司 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质
CN110689443A (zh) * 2019-09-02 2020-01-14 中国平安财产保险股份有限公司 出险数据处理方法、装置及存储介质、服务器

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914771A (zh) * 2020-08-06 2020-11-10 长沙公信诚丰信息技术服务有限公司 一种证照信息自动比对方法、装置、计算机设备及存储介质
WO2023000737A1 (zh) * 2021-07-23 2023-01-26 明觉科技（北京）有限公司 车辆事故损失评估方法及装置
EP4372658A1 (en) * 2021-07-23 2024-05-22 Data Enlighten Technology (Beijing) Co., Ltd Vehicle accident loss assessment method and apparatus
CN114187476A (zh) * 2021-12-14 2022-03-15 中国平安财产保险股份有限公司 基于图像分析的车险信息核对方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Hoang et al. Image processing–based classification of asphalt pavement cracks using support vector machine optimized by artificial bee colony
WO2017148377A1 (zh) 行驶证有效期自动提取方法、设备、系统及存储介质
Wang et al. An effective method for plate number recognition
CN112381775A (zh) 一种图像篡改检测方法、终端设备及存储介质
CN106469181B (zh) 一种用户行为模式分析方法及装置
CN111461905A (zh) 车险骗赔规避方法、装置、计算机设备及存储介质
CN110852311A (zh) 一种三维人手关键点定位方法及装置
US20080222113A1 (en) Image search method, apparatus, and program
CN109376717A (zh) 人脸对比的身份识别方法、装置、电子设备及存储介质
CN111402579A (zh) 道路拥堵程度预测方法、电子装置及可读存储介质
CN112651996B (zh) 目标检测跟踪方法、装置、电子设备和存储介质
CN112749653A (zh) 行人检测方法、装置、电子设备及存储介质
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN109784171A (zh) 车辆定损图像筛选方法、装置、可读存储介质及服务器
Seetharaman et al. Statistical distributional approach for scale and rotation invariant color image retrieval using multivariate parametric tests and orthogonality condition
CN113971821A (zh) 驾驶员信息确定方法、装置、终端设备及存储介质
CN112926601A (zh) 基于深度学习的图像识别方法、装置、设备及存储介质
Ganapathy et al. A Malaysian vehicle license plate localization and recognition system
Povolotskiy et al. Dynamic programming approach to template-based OCR
CN108960246B (zh) 一种用于图像识别的二值化处理装置及方法
CN112101139B (zh) 人形检测方法、装置、设备及存储介质
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
CN113420684A (zh) 基于特征提取的报表识别方法、装置、电子设备及介质
Ghandour et al. Building shadow detection based on multi-thresholding segmentation
CN110674830B (zh) 图像隐私识别方法、装置、计算机设备和存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200728

RJ01 Rejection of invention patent application after publication