车险图像处理方法和装置制造方法及图纸

本说明书实施例公开了一种训练用于处理车险图像的卷积神经网络的方法和装置以及车险图像处理方法和装置，所述车险图像处理方法包括：获取N个车险图像，N为大于等于2的自然数；将所述车险图像输入通过根据本说明书实施例的训练方法训练的卷积神经网络，获得分别对应于所述车险图像的N个特征向量；计算所述特征向量中任意两个特征向量之间的距离；以及在所述距离大于第一预定阈值的情况中，确定与所述距离对应的两个车险图像存在异常。

Image processing method and device for vehicle insurance

The embodiment of this specification discloses a method and apparatus for training a convolutional neural network for processing vehicle insurance images, and a vehicle insurance image processing method and apparatus. The vehicle insurance image processing method includes: acquiring N vehicle insurance images, N being a natural number greater than or equal to 2; and inputting the vehicle insurance image into the actual vehicle insurance image according to this specification. The convolution neural network trained by the example training method obtains N eigenvectors corresponding to the vehicle insurance image, calculates the distance between any two eigenvectors in the eigenvectors, and determines that there is a difference between the two vehicle insurance images corresponding to the distance in the case that the distance is greater than the first predetermined threshold. Often.

【技术实现步骤摘要】
车险图像处理方法和装置
本专利技术涉及图像处理领域，具体地，涉及一种训练用于处理车险图像的卷积神经网络的方法和装置、以及车险图像处理方法和装置。
技术介绍
随着汽车逐渐成为普遍的代步工具，车险市场也得到了快速发展。车险业务呈明显增多的趋势。如何快速准确地进行车险定损，是车险业务中非常重要的一环。在进行车险定损核损时，需要一组在车险现场拍摄的照片，这组照片可以由业务员去现场拍摄采集，或者也可以由出险者自行拍照并发送给业务员。在一些情况中，车险照片中可能人为混入了非车险现场拍摄的照片，可能相似但不是同一辆车，或者在不同地点拍摄，或者不同时间补拍。有些拍摄设备会在图片中存储拍照时间，拍照设备，拍摄位置等元数据信息，可以用来判断照片是否是在同一车险现场拍摄。但是并不是所有照片都包含上述时间地点等元数据，并且这种时间地点等元数据也非常容易被修改。而人工检测图片需要大量的人力，并且不能保证检测的质量。因此，需要一种更有效的处理车险照片的方案。
技术实现思路
本说明书实施例旨在提供一种更有效的处理车险照片的方案，以解决现有技术中的不足。为实现上述目的，本说明书一个方面提供一种训练用于处理车险图像的卷积神经网络的方法，包括：获取至少一个正样本对，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场；利用所述至少一个正样本对训练所述卷积神经网络，使得分别对应于各个所述正样本对的至少一个第一距离之和减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。本说明书另一方面提供一种训练用于处理车险图像的卷积神经网络的方法，包括：获取至少一个负样本对，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及利用所述至少一个负样本对训练所述卷积神经网络，使得分别对应于各个所述负样本对的至少一个第二距离之和增大，其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。本说明书另一方面提供一种训练用于处理车险图像的卷积神经网络的方法，包括：获取至少一个正样本对和至少一个负样本对，其中，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及利用所述至少一个正样本对和至少一个负样本对训练所述卷积神经网络，使得以对应于各个所述正样本的至少一个第一距离之和减去对应于各个所述负样本的至少一个第二距离之和所获得的值减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离，以及其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。在一个实施例中，在所述训练卷积神经网络的方法中，所述距离为欧式距离。本说明书另一方面提供一种用于处理车险图像的训练卷积神经网络的装置，包括：获取单元，配置为，获取至少一个正样本对，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场；以及训练单元，配置为，利用所述至少一个正样本对训练所述卷积神经网络，使得分别对应于各个所述正样本对的至少一个第一距离之和减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。本说明书另一方面提供一种训练用于处理车险图像的卷积神经网络的装置，包括：获取单元，配置为，获取至少一个负样本对，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及训练单元，配置为，利用所述至少一个负样本对训练所述卷积神经网络，使得分别对应于各个所述负样本对的至少一个第二距离之和增大，其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。本说明书另一方面提供一种训练用于处理车险图像的卷积神经网络的装置，包括：获取单元，配置为，获取至少一个正样本对和至少一个负样本对，其中，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及训练单元，配置为，利用所述至少一个正样本对和至少一个负样本对训练所述卷积神经网络，使得以对应于各个所述正样本的至少一个第一距离之和减去对应于各个所述负样本的至少一个第二距离之和所获得的值减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离，以及其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。本说明书另一方面提供一种车险图像处理方法，包括：获取N个车险图像，N为大于等于2的自然数；将所述车险图像输入通过上述训练方法获得的卷积神经网络，获得分别对应于所述车险图像的N个特征向量；计算所述特征向量中任意两个特征向量之间的距离；以及在所述距离大于第一预定阈值的情况中，确定与所述距离对应的两个车险图像存在异常。在一个实施例中，所述车险图像处理方法还包括，在确定与所述距离对应的两个车险图像存在异常之后，确定大于第一预定阈值的距离的个数B，计算第一概率P1＝B/N，以及在第一概率大于第二预定阈值的情况中，确定所述N个车险图像总体存在异常。在一个实施例中，所述车险图像处理方法，还包括，在确定与所述距离对应的两个车险图像存在异常之后，确定所述N个车险图像中存在异常的车险图像的个数M，计算第二概率P2＝M/N，以及在第二概率大于第三预定阈值的情况中，确定所述N个车险图像总体存在异常。本说明书另一方面提供一种车险图像处理装置，包括：获取单元，配置为，获取N个车险图像，N为大于等于2的自然数；输入单元，配置为，将所述车险图像输入通过上述训练方法获得的卷积神经网络，获得分别对应于所述车险图像的N个特征向量；第一计算单元，配置为，计算所述特征向量中任意两个特征向量之间的距离；以及第一确定单元，配置为，在所述距离大于第一预定阈值的情况中，确定与所述距离对应的两个车险图像存在异常。在一个实施例中，所述车险图像处理装置，还包括，第二确定单元，配置为，在确定与所述距离对应的两个车险图像存在异常之后，确定大于第一预定阈值的距离的个数B，第二计算单元，配置为，计算第一概率P1＝B/N，以及第三确定单元，配置为，在第一概率大于第二预定阈值的情况中，确定所述N个车险图像总体存在异常。在一个实施例中，所述车险图像处理装置，还包括，第四确定单元，配置为，在确定与所述距离对应的两个车险图像存在异常之后，确定所述N个车险图像中存在异常的车险图像的个数M，第三计算单本文档来自技高网...

【技术保护点】
1.一种训练用于处理车险图像的卷积神经网络的方法，包括：获取至少一个正样本对，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场；以及利用所述至少一个正样本对训练所述卷积神经网络，使得分别对应于各个所述正样本对的至少一个第一距离之和减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。

【技术特征摘要】
1.一种训练用于处理车险图像的卷积神经网络的方法，包括：获取至少一个正样本对，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场；以及利用所述至少一个正样本对训练所述卷积神经网络，使得分别对应于各个所述正样本对的至少一个第一距离之和减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。2.一种训练用于处理车险图像的卷积神经网络的方法，包括：获取至少一个负样本对，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及利用所述至少一个负样本对训练所述卷积神经网络，使得分别对应于各个所述负样本对的至少一个第二距离之和增大，其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。3.一种训练用于处理车险图像的卷积神经网络的方法，包括：获取至少一个正样本对和至少一个负样本对，其中，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及利用所述至少一个正样本对和至少一个负样本对训练所述卷积神经网络，使得以对应于各个所述正样本的至少一个第一距离之和减去对应于各个所述负样本的至少一个第二距离之和所获得的值减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离，以及其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。4.根据权利要求1-3中任一项所述的训练用于处理车险图像的卷积神经网络的方法，其中所述距离为欧式距离。5.一种训练用于处理车险图像的卷积神经网络的装置，包括：获取单元，配置为，获取至少一个正样本对，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场；以及训练单元，配置为，利用所述至少一个正样本对训练所述卷积神经网络，使得分别对应于各个所述正样本对的至少一个第一距离之和减小，其中，所述第一距离为通过所述卷积神经网络获得的所述第一图像的特征向量与通过所述卷积神经网络获得的所述第二图像的特征向量之间的距离。6.一种训练用于处理车险图像的卷积神经网络的装置，包括：获取单元，配置为，获取至少一个负样本对，每个所述负样本对包括其各自的第三图像和第四图像，所述第三图像和所述第四图像分别对应于不同的车险现场；以及训练单元，配置为，利用所述至少一个负样本对训练所述卷积神经网络，使得分别对应于各个所述负样本对的至少一个第二距离之和增大，其中，所述第二距离为通过所述卷积神经网络获得的所述第三图像的特征向量与通过所述卷积神经网络获得的所述第四图像的特征向量之间的距离。7.一种训练用于处理车险图像的卷积神经网络的装置，包括：获取单元，配置为，获取至少一个正样本对和至少一个负样本对，其中，每个所述正样本对包括其各自的第一图像和第二图像，所述第一图像和所述第二图像对应于相同的车险现场，...

【专利技术属性】
技术研发人员：章海涛，刘永超，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY