本发明涉及物联网及保险领域,特别是涉及一种利用人脸识别高危人群的意外保险缴费方法及装置。
背景技术:
现实生活中,意外出现的频次越来越多,许多意外是由于不遵守交通规则而造成的,有些意外是由于经常到危险的地方造成的。对于这些经常不遵守交通规则,或经常去一些危险地带的人,发生意外的机率非常大,因此制定一种科学合理的意外保险缴费、赔付方式显得尤其重要。
技术实现要素:
本发明目的是提供一种利用人脸识别高危人群的意外保险缴费方法及装置,本发明通过对识别高危人群的方法进行阶梯式收取意外保险费用的方式,实现了利用科学决策,最大程度保护保险公司及保险人的利益的目的。
为了实现上述目的,本发明采用以下的技术方案。
一种利用人脸识别高危人群的意外保险缴费方法,其步骤如下:
确定待入险人员;
通过人脸检测模型提取此人面部信息;通过人脸特征提取模型提取此人面部特征信息;
通过待入险人员面部特征信息判断此人是否属于意外高危人群;
根据上述判断认定危险级别;若是意外高危人群,则识别认定此人危险级别;若否,则危险级别置0;
根据此人危险级别制定相应的缴费及赔付标准。
进一步的,通过人脸检测模型提取此人面部信息;通过人脸特征提取模型提取此人面部特征信息,之前,还包括,基于深度学习框架和网络架构,训练得到人脸检测模型及人脸特征提取模型。
进一步的,通过待入险人员面部特征信息判断此人是否属于交通意外高危人群,之前,还包括,建立并获取意外高危人群信息库。
进一步的,通过人脸检测模型提取此人面部信息;通过人脸特征提取模型提取此人面部特征信息,之前,还包括,为此人拍摄照片和/或获取此人照片和/或获取身份证。
进一步的,为此人拍摄照片和/或获取此人照片和/或获取身份证,还包括,对身份证上照片做年龄差异化处理。
进一步的,对身份证上照片做年龄差异化处理,之前,还包括,建立照片年龄差异化处理模型。
进一步的,通过待入险人员面部特征信息判断此人是否属于交通意外高危人群,之前,还包括,设置待入险人员面部特征信息与意外高危人群信息库的面部特征信息的相似度阈值。
一种利用人脸识别高危人群的意外保险缴费装置,包括:
确定模块:用于确定待入险人员;
提取模块:用于通过人脸检测模型提取此人面部信息;通过人脸特征提取模型提取此人面部特征信息;
判断模块:用于通过待入险人员面部特征信息判断此人是否属于意外高危人群;
危险级别认定模块:用于根据上述判断认定危险级别;若是意外高危人群,则识别认定此人危险级别;若否,则危险级别置0;
标准制定模块:用于根据此人危险级别制定相应的缴费及赔付标准。
进一步的,还包括:
建模模块:用于基于深度学习框架和网络架构,训练得到人脸检测模型及人脸特征提取模型。
进一步的,还包括:
获取模块:用于建立并获取高危人群信息库;
差异化模型模块:用于建立照片年龄差异化处理模型;
进一步地,还包括,处理模块:用于对身份证上照片做年龄差异化处理。
与现有技术相比,本发明具有以下优点:
本发明目的是提供一种利用人脸识别高危人群的意外保险缴费方法及装置,本发明通过对识别高危人群的方法进行阶梯式收取意外保险费用的方式,实现了利用科学决策,最大程度保护保险公司及保险人的利益的目的。
附图说明
图1是本发明一种利用人脸识别高危人群的意外保险缴费方法的流程示意图1;
图2是本发明一种利用人脸识别高危人群的意外保险缴费方法的流程示意图2;
图3是本发明一种利用人脸识别高危人群的意外保险缴费方法的流程示意图3;
图4是本发明一种利用人脸识别高危人群的意外保险缴费装置的结构示意图1;
图5是本发明一种利用人脸识别高危人群的意外保险缴费装置的结构示意图2。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述:
一种利用人脸识别高危人群的意外保险缴费方法,包括以下步骤:
实施例1
请参考图1,图1为本发明一种利用人脸识别高危人群的意外保险缴费方法的流程示意图;本实施例,提供一种利用人脸识别高危人群的意外保险缴费方法,包括以下步骤:
步骤s101,确定待入险人员;
步骤s102,通过人脸检测模型提取此人面部信息;通过人脸特征提取模型提取此人面部特征信息;
步骤s103,通过待入险人员面部特征信息判断此人是否属于意外高危人群;
步骤s104,根据上述判断认定危险级别;若是意外高危人群,则识别认定此人危险级别;若否,则危险级别置0;
步骤s105,根据此人危险级别制定相应的缴费及赔付标准。
实施例2
请参考图2,图2为是本发明一种利用人脸识别高危人群的意外保险缴费方法的流程示意图2;本实施例,提供另一种利用人脸识别高危人群的意外保险缴费方法,包括以下步骤:
步骤s201,基于深度学习框架和网络架构,训练得到人脸检测模型及人脸特征提取模型;
人脸检测模型采用caffe深度学习框架和faster-rcnn网络架构,但不限于使用此深度学习方法及此网络架构;像加州伯克利分校的caffe、蒙特利尔理工学院的theano、瑞士人工智能实验室idsia的brainstorm、是普林斯顿大学marvin等任一个方法都可以作为此深度学习的框架;像ssd、faster-rcnn等可以作为此建模的一个网络架构;
人脸特征提取模型采用基于caffe深度学习框架和vggface网络架构,但不限于使用此深度学习方法及此网络架构;
提取多组证件人脸图片,进行深度学习,输出各面部特征点;设置各项面部特征点,包括脸的形状、大小、皮肤、毛发颜色,面部的中心点信息和边界点信息以及人脸的边界点信息,还包括局部特征信息,如鼻子、嘴巴、左眼、右眼、左眉、右眉以及相互间的距离信息;输入人脸图片,输出特征点信息,直到训练达到要求为止。
步骤s202,确定待入险人员。
步骤s203,获取此人照片信息;
照片可以现场拍摄,或者从录像、原来保存的照片中获取。
步骤s204,通过人脸检测模型提取此人面部信息;通过人脸特征提取模型提取此人面部特征信息。
步骤s205,建立并获取高危人群信息库;
建立高危人群信息库方法如下,首先对意外类型进行分类,不同类型的意外,设置不同的加权系数。数据来源于已发生意外记录信息采集和存在发生意外风险的信息采集。
以交通意外为例,举例说明。方法如下:
a)对违章行为进行预定义,对不同的违章行为设置不同的加权系数;
b)对行人车辆的违章行为进行动态捕捉,获取违章行为记录;
对不同的违章行为采用不同的获取方式;
c)基于深度学习框架和网络架构,训练得到人脸检测的模型;
d)通过人脸检测模型获取违章人员动态图片下人脸图片;
e)基于深度学习框架和网络架构,训练得到人脸特征提取模型;
f)通过人脸特征提取模型提取人脸图片的面部特征信息;
g)通过上述面部特征信息判断该违章人员以前是否存在违章记录;
h)根据判断结果做相应记录;若存在违章记录,则此人危险值通过危险系数进行加权累计及违章次数加1;若不存在违章记录,则创建一条此人违章记录,记录此人危险值及违章次数加1;
i)将违章次数及危险值达到阈值的人员录入交通意外高危人群信息库。
步骤s206,设置待入险人员面部特征信息与意外高危人群信息库的面部特征信息的相似度阈值;
当待入险人员面部特征信息与意外高危人群信息库中的某一面部特征信息的相似度大于阈值时,判断为同一人;若相似度小于阈值,判断不是同一人。
步骤s207,通过待入险人员面部特征信息判断此人是否属于交通意外高危人群。
步骤s208,根据上述判断认定危险级别;若是意外高危人群,则识别认定此人危险级别;若否,则危险级别置0;
通过交通意外高危人群信息库,查出此人交通意外危险值,根据该值,认定此人危险级别。
步骤s209,根据此人危险级别制定相应的缴费及赔付标准;
根据不同的危险级别制定不同的缴费及赔付标准,实行阶梯式的收费模式。危险系数越低收费越低。设定意外发生时赔付的方式,有违章记录和无违章记录两种;有违章记录,又分为过错方与非过错方,如果是非过错方,全额赔付,如果是过错方,则按过错大小,进行折扣赔付方式;一直无违章记录的,过错方,则按过错大小,进行折扣赔付方式,非过错方,超额赔付;
比如,危险系数为0,保费100元,过错方赔付70%~90%,非过错方,赔付110%;比如,危险系数为5,保费180元,过错方赔付40%~80%,非过错方,赔付100%。
实施例3
请参考图3,图3是本发明一种利用人脸识别高危人群的意外保险缴费方法的流程示意图3;
与实施例2不同之处在于,步骤s303,获取此人身份证图片。
步骤s304,建立照片年龄差异化处理模型;
基于深度学习框架和网络架构,建立年龄差异化处理年龄差异化处理模型;训练学习在不同年龄人脸特征点差异,达到理想处理目的。
步骤s305,对身份证上照片做年龄差异化处理;
对身份证上照片做年龄差异化处理。
实施例4
请参考图4,图4为本发明一种利用人脸识别高危人群的意外保险缴费装置的结构示意图1;本实施例,提供一种利用人脸识别高危人群的意外保险缴费装置,包括:
提取模块11:用于通过人脸检测模型提取此人面部信息;通过人脸特征提取模型提取此人面部特征信息;
判断模块12:用于通过待入险人员面部特征信息判断此人是否属于意外高危人群;
危险级别认定模块13:根据上述判断认定危险级别;若是意外高危人群,则识别认定此人危险级别;若否,则危险级别置0;
标准制定模块14:用于根据此人危险级别制定相应的缴费及赔付标准。
实施例5
请参考图5,图5为本发明一种利用人脸识别高危人群的意外保险缴费装置的结构示意图2;本实施例,提供一种利用人脸识别高危人群的意外保险缴费装置,包括:
建模模块21:用于基于深度学习框架和网络架构,训练得到人脸检测的模型及人脸特征提取模型;
提取模块22:用于通过人脸检测模型提取此人面部信息;通过人脸特征提取模型提取此人面部特征信息;
差异化模型模块23:用于建立照片年龄差异化处理模型;
处理模块24:用于对身份证上照片做年龄差异化处理;
获取模块25:用于建立并获取高危人群信息库;
判断模块26:用于通过待入险人员面部特征信息判断此人是否属于意外高危人群;
危险级别认定模块27:根据上述判断认定危险级别;若是意外高危人群,则识别认定此人危险级别;若否,则危险级别置0;
标准制定模块28:用于根据此人危险级别制定相应的缴费及赔付标准。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。