本发明涉及车辆事故处理技术领域，尤其涉及一种基于图像处理和深度学习的车险事故鉴别方法、系统及存储介质。
背景技术：
目前，车险欺诈案件正呈现出作案手法多样、隐蔽性强等特点，形成了智能化、团体化、专业化和职业化等发展趋势，车险欺诈已经严重影响保险公司自身业务良性发展和盈利水平，同时也增加了保险公司的经营风险，最终损害了众多投保人的合法权益。对于车险反欺诈，基本是采取包括公安、交警、保险公司、保险协会等多部门联合协调，建立车险欺诈防范体系，通过防范、调查、取证、预防和打击等手段，建立起多渠道、多方位、多角度的反保险欺诈网络，从而遏制车险欺诈案的泛滥，提升欺诈案件的破案率。
对于目前车险理赔过程中的骗保防范办法，有其合理性和有效性，但也面临人力成本过大、多部门配合不当、效率不尽人意等诸多缺点。
技术实现要素：
本发明的主要目的在于提出一种基于图像处理和深度学习的车险事故鉴别方法、系统及存储介质，旨在提高车险事故欺诈行为鉴别的效率与准确性，降低人力成本。
为实现上述目的，本发明提供一种利用图像处理和深度学习的车险事故鉴别方法，所述方法包括以下步骤：
在接到车险报案时，获取出险现场事故车辆和相关车辆的照片和/或视频；
对所述出险现场事故车辆的照片和/或视频进行信息预处理，得到事故车辆的相关信息；
若所述相关信息符合预设条件，则对所述出险现场事故车辆和相关车辆的照片和/或视频进行图像处理，得到所述事故车辆和相关车辆创面的处理后的照片和/或视频；
采用深度学习方法将所述事故车辆和相关车辆创面处理后的照片和/或视频进行匹配；
若匹配结果达到预设值，则判断本次事故由所述事故车辆和相关车辆相撞产生。
优选地，若所述相关信息符合预设条件，则对所述出险现场事故车辆和相关车辆的照片和/或视频进行图像处理的步骤包括：
若所述相关信息符合预设条件，则对所述出险现场事故车辆和相关车辆的照片和/或视频进行数据预处理，得到数据预处理后的所述出险现场事故车辆和相关车辆的照片和/或视频，所述数据预处理包括去雾、去反光、旋转、或者平移中的一种或者几种；
所述采用深度学习方法将所述事故车辆和相关车辆创面处理后的照片和/或视频进行匹配的步骤包括：
对所述数据预处理后的所述出险现场事故车辆和相关车辆的照片和/或视频放入已训练的分类网络模型中进行分类处理，识别所述事故车辆和相关车辆的受损部位；
将所述事故车辆和相关车辆的受损部位、数据预处理后的所述出险现场事故车辆和相关车辆的照片和/或视频作为已训练的创面匹配模型的输入，得到所述事故车辆和相关车辆创面照片的匹配度。
优选地，所述事故车辆的相关信息包括：事故车辆的车牌号码信息；
所述对所述出险现场事故车辆的照片和/或视频进行信息预处理，得到事故车辆的相关信息的步骤之后包括：
根据报案人员id查询数据库中与所述报案人员id绑定的车辆车牌号码信息；
将所述数据库中与所述报案人员id绑定的车辆车牌号信息与所述事故车辆的车牌号码信息相比对；
若比对结果为匹配，则执行对所述出险现场事故车辆和相关车辆的照片和/或视频进行数据预处理的步骤；
若比对结果为不匹配，则在后台管理系统提示操作人员进行人工介入处理。
优选地，所述事故车辆的相关信息还包括：拍摄出险现场事故车辆和相关车辆的照片和/或视频的时间信息和地点信息；
所述对所述出险现场事故车辆的照片和/或视频进行信息预处理，得到事故车辆的相关信息的步骤之后还包括：
将所述拍摄出险现场事故车辆和相关车辆的照片和/或视频的时间信息和地点信息，与获取出险现场事故车辆和相关车辆的照片和/或视频的时间信息和地点信息相比对；
若比对结果为匹配，且所述数据库中与所述报案人员id绑定的车辆车牌号信息与所述事故车辆的车牌号码信息相比对的比对结果为匹配，则执行对所述出险现场事故车辆和相关车辆的照片和/或视频进行数据预处理的步骤；
若比对结果为不匹配，则在后台管理系统提示操作人员进行人工介入处理。
优选地，在接到车险报案时，由报案人员拍摄所述出险现场事故车辆和相关车辆的照片和/或视频，
所述在接到车险报案时，获取出险现场事故车辆和相关车辆的照片和/或视频的步骤包括：
识别所述报案人员拍摄的所述出险现场事故车辆和相关车辆的照片和/或视频中的事故车辆的车牌号码；
若识别不成功，则提示所述报案人员重新拍摄出险现场事故车辆和相关车辆的照片和/或视频。
优选地，所述在接到车险报案时，获取出险现场事故车辆和相关车辆的照片和/或视频的步骤还包括：
检测所述报案人员拍摄的所述出险现场事故车辆和相关车辆的照片和/或视频中是否具有所述事故车辆和相关车辆的轮廓；
若检测结果为所述出险现场事故车辆和相关车辆的照片和/或视频中只有一辆车，则提示所述报案人员重新拍摄出险现场事故车辆和相关车辆的照片和/或视频。
优选地，所述在接到车险报案时，获取出险现场事故车辆和相关车辆的照片和/或视频的步骤还包括：
获取所述事故车辆和相关车辆的接口创面位置与摄像头之间的距离；
若拍摄范围完全覆盖所述事故车辆和相关车辆的创面，且所述距离大于预设值，则提示所述报案人员重新拍摄。
优选地，所述获取所述事故车辆和相关车辆的接口创面位置与摄像头位置之间的距离的计算公式为：
d＝√[(x1-x2)^2+(y1-y2)^2+(z1-z2)^2]；
其中，所述事故车辆和相关车辆的接口创面位置为a(x1,y1,z1)，所述摄像头位置为b(x2,y2,z2)。
为实现上述目的，本发明还提出一种基于图像处理和深度学习的车险事故鉴别系统，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于图像处理和深度学习的车险事故鉴别程序，所述基于图像处理和深度学习的车险事故鉴别程序被所述处理器执行时实现如上所述的基于图像处理和深度学习的车险事故鉴别方法的步骤。
为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于图像处理和深度学习的车险事故鉴别程序，所述基于图像处理和深度学习的车险事故鉴别程序被处理器执行时实现如上所述的基于图像处理和深度学习的车险事故鉴别方法的步骤。
本发明基于图像处理和深度学习的车险事故鉴别方法、系统及存储介质的有益效果是：本发明通过上述技术方案，在接到车险报案时，获取出险现场事故车辆和相关车辆的照片和/或视频；对所述出险现场事故车辆的照片和/或视频进行信息预处理，得到事故车辆的相关信息；若所述相关信息符合预设条件，则对所述出险现场事故车辆和相关车辆的照片和/或视频进行图像处理，得到所述事故车辆和相关车辆创面的处理后的照片和/或视频；采用深度学习方法将所述事故车辆和相关车辆创面处理后的照片和/或视频进行匹配；若匹配结果达到预设值，则判断本次事故由所述事故车辆和相关车辆相撞产生，提高了车险事故欺诈行为鉴别的效率与准确性，降低了人力成本。
附图说明
图1是本发明基于图像处理和深度学习的车险事故鉴别方法较佳实施例的流程示意图；
图2是本发明基于图像处理和深度学习的车险事故鉴别方法较佳实施例中训练网络模型的示意图；
图3是本发明基于图像处理和深度学习的车险事故鉴别方法中报案前照片视频信息采集的相关流程示意图；
图4是本发明基于图像处理和深度学习的车险事故鉴别方法中照片视频信息预处理相关流程示意图；
图5是本发明基于图像处理和深度学习的车险事故鉴别方法对两车照片视频匹配度的判别的相关流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明基于图像处理和深度学习的车险事故鉴别方法实施例的主要解决方案是：在接到车险报案时，获取出险现场事故车辆和相关车辆的照片和/或视频；对所述出险现场事故车辆的照片和/或视频进行信息预处理，得到事故车辆的相关信息；若所述相关信息符合预设条件，则对所述出险现场事故车辆和相关车辆的照片和/或视频进行图像处理，得到所述事故车辆和相关车辆创面的处理后的照片和/或视频；采用深度学习方法将所述事故车辆和相关车辆创面处理后的照片和/或视频进行匹配；若匹配结果达到预设值，则判断本次事故由所述事故车辆和相关车辆相撞产生。
由此，提高车险事故欺诈行为鉴别的效率与准确性，降低人力成本。
具体地，请参照图1，图1是本发明基于图像处理和深度学习的车险事故鉴别方法较佳实施例的流程示意图。
如图1所示，本发明基于图像处理和深度学习的车险事故鉴别方法包括以下步骤：
步骤s10，在接到车险报案时，获取出险现场事故车辆和相关车辆的照片和/或视频。
可以理解的是，本步骤中，在接到车险报案时，由报案人员拍摄所述出险现场事故车辆和相关车辆的照片和/或视频。其中，所述报案人员可以使用安装有车险事故鉴别app，且带有摄像头的手机或者其他智能终端进行拍摄。
所述报案人员拍摄到所述出险现场事故车辆和相关车辆的照片和/或视频后，会在本地进行压缩，然后再传递到云端服务器进行存储。
作为一种实施方式，上述步骤s10，可以包括以下步骤：
步骤s101，识别所述报案人员拍摄的所述出险现场事故车辆和相关车辆的照片和/或视频中的事故车辆的车牌号码。
步骤s102，若识别不成功，则提示所述报案人员重新拍摄出险现场事故车辆和相关车辆的照片和/或视频。
作为一种又实施方式，上述步骤s10，还可以包括以下步骤：
步骤s103，检测所述报案人员拍摄的所述出险现场事故车辆和相关车辆的照片和/或视频中是否具有所述事故车辆和相关车辆的轮廓。
步骤s104，若检测结果为所述出险现场事故车辆和相关车辆的照片和/或视频中只有一辆车，则提示所述报案人员重新拍摄出险现场事故车辆和相关车辆的照片和/或视频。
作为一种又实施方式，上述步骤s10，还可以包括以下步骤：
步骤s105，获取所述事故车辆和相关车辆的接口创面位置与摄像头之间的距离。
步骤s106，若拍摄范围完全覆盖所述事故车辆和相关车辆的创面，且所述距离大于预设值，则提示所述报案人员重新拍摄。
其中，所述获取所述事故车辆和相关车辆的接口创面位置与摄像头位置之间的距离的计算公式为：
d＝√[(x1-x2)^2+(y1-y2)^2+(z1-z2)^2]。
其中，所述事故车辆和相关车辆的接口创面位置为a(x1,y1,z1)，所述摄像头位置为b(x2,y2,z2)。
具体的，所述报案人员需要用手机对所述事故车辆和相关车辆的接口创面进行近距离拍摄。具体实施时，以手机屏幕页面为中心，先获取二维坐标，传入scenekit,使用arkit检测到物体后，获取三维坐标，再通过上述公式d＝√[(x1-x2)^2+(y1-y2)^2+(z1-z2)^2]即可获取物体距离手机摄像头现实世界的位置。在保证能对所述事故车辆和相关车辆的创面位置覆盖完备的前提下，如果得到的距离d大于预设值(例如50厘米)，则提示所述报案人员调整手机操作到适当位置进行重新拍摄。
需要说明的是，arkit即ar(augmentedreality)，即增强现实技术，也就是在相机捕捉到的现实世界的图像中显示一个虚拟的3d模型。arkit是苹果一系列软件开发工具的名称，使开发者能为ios设备开发增强现实应用。在ios11系统上，arkit正式成为ios系统框架，配置苹果a9或a10芯片的ios设备用户都可以使用arkit应用。
scenekit：这是苹果一个可以用来构建3d场景的框架，它建立在opengl的基础上，包含了如光照、模型、材质、摄像机等高级引擎特性，并且可以与coreimage，coreanimation，spritekit等已有的图形框架相互整合及协作，由于其强大的易用性和通用性使得这个3d框架在非游戏应用上也有长足的发展潜力。
此外，需要说明的是，凡是具有arkit、scenekit功能的智能终端都在本发明的保护范围之内，而不限于苹果智能终端。
步骤s20，对所述出险现场事故车辆的照片和/或视频进行信息预处理，得到事故车辆的相关信息。
作为一种实施方式，所述事故车辆的相关信息例如可以包括事故车辆的车牌号码信息，拍摄出险现场事故车辆和相关车辆的照片和/或视频的时间信息和地点信息。
步骤s30，若所述相关信息符合预设条件，则对所述出险现场事故车辆和相关车辆的照片和/或视频进行图像处理，得到所述事故车辆和相关车辆创面的处理后的照片和/或视频。
具体的，若所述相关信息符合预设条件，则对所述出险现场事故车辆和相关车辆的照片和/或视频进行数据预处理，得到数据预处理后的所述出险现场事故车辆和相关车辆的照片和/或视频，所述数据预处理包括去雾、去反光、旋转、或者平移中的一种或者几种。
可以理解的是，图像处理是用计算机对图像进行分析，以达到所需结果的技术。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值。图像处理技术一般包括图像压缩，增强和复原，匹配、描述和识别三个部分。图像处理的常用方法有图像变换、图像编码压缩、图像增强和复原、图像分割、图像描述和图像分类(识别)。
作为一种实施方式，上述步骤s20，对所述出险现场事故车辆的照片和/或视频进行信息预处理，得到事故车辆的相关信息的步骤之后包括：
步骤s201，根据报案人员id查询数据库中与所述报案人员id绑定的车辆车牌号码信息。
步骤s202，将所述数据库中与所述报案人员id绑定的车辆车牌号信息与所述事故车辆的车牌号码信息相比对。
步骤s203，若比对结果为匹配，则执行对所述出险现场事故车辆和相关车辆的照片和/或视频进行数据预处理的步骤；
若比对结果为不匹配，则在后台管理系统提示操作人员进行人工介入处理。
作为又一种实施方式，上述步骤s20，对所述出险现场事故车辆的照片和/或视频进行信息预处理，得到事故车辆的相关信息的步骤之后还包括：
步骤s204，将所述拍摄出险现场事故车辆和相关车辆的照片和/或视频的时间信息和地点信息，与获取出险现场事故车辆和相关车辆的照片和/或视频的时间信息和地点信息相比对。
步骤s205，若比对结果为匹配，且所述数据库中与所述报案人员id绑定的车辆车牌号信息与所述事故车辆的车牌号码信息相比对的比对结果为匹配，则执行对所述出险现场事故车辆和相关车辆的照片和/或视频进行数据预处理的步骤；
若比对结果为不匹配，则在后台管理系统提示操作人员进行人工介入处理。
步骤s40，采用深度学习方法将所述事故车辆和相关车辆创面处理后的照片和/或视频进行匹配。
作为一种实施方式，具体实施时，所述步骤步骤s40可以包括以下步骤：
步骤s401，对所述数据预处理后的所述出险现场事故车辆和相关车辆的照片和/或视频放入已训练的分类网络模型中进行分类处理，识别所述事故车辆和相关车辆的受损部位。
其中，如图2所示，具体训练网络模型采用resnet-50深度卷积网络，其具体步骤包括训练阶段和测试阶段：
训练阶段：数据集包含约10万张图像(9.5万张训练图像，5000张验证图像)，训练resnet-50深度卷积网络，loss层使用softmax。
测试阶段：输入一种测试图片，正确给出这张图片对应的受损部位。
步骤s402，将所述事故车辆和相关车辆的受损部位、数据预处理后的所述出险现场事故车辆和相关车辆的照片和/或视频作为已训练的创面匹配模型的输入，得到所述事故车辆和相关车辆创面照片的匹配度。
请再次参照图2，具体训练模型采用resnet-50深度卷积网络，其具体步骤包括训练阶段和测试阶段：
训练阶段：数据集包含约5万对图像(4.75万对训练图像，2500对验证图像)，训练resnet-50深度卷积网络，loss层使用欧式距离。
测试阶段：输入一对测试图片，给出这对图片的匹配度，匹配度高于设定值则结果正确。
可以理解的是，深度学习的概念源于人工神经网络的研究，由hinton等人于2006年提出，是机器学习中一种基于对数据进行表征学习的方法，是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度机器学习方法也有监督学习与无监督学习之分。不同的学习框架下建立的学习模型很是不同。
步骤s50，若匹配结果达到预设值，则判断本次事故由所述事故车辆和相关车辆相撞产生。
若匹配结果达到预设值，则判断本次事故由所述事故车辆和相关车辆相撞产生，也就是说，本次报案属于真实事故，不存在欺诈行为。
综上所述，本实施例通过上述技术方案，利用报案人员在事故现场采集的照片、视频等数据文件，对图片、视频中的位置、时间等元素进行提取和比对，以及通过图像处理、人工智能等技术手段，对事故车和相关车辆的创面进行分析，从而判断是否为车险欺诈行为，最终达到了一种高效、快捷、智能化的车险领域防欺诈效果。
下面对本发明基于图像处理和深度学习的车险事故鉴别方法进行进一步阐述：
1)报案前图片视频信息采集
在出险现场，车主打开本发明相关的app，开始报案流程。在采集过程中，app会引导用户进行合适的操作，并对采集的图片或视频数据进行本地预处理，相关要点如下：
a)对于录入的视频，会提取其车牌号码进行识别。如果识别不成功，则会发出通知到用户界面层，提示车主重新进行视频录入。
b)对于录入的视频，会检查其中是否具有两辆车的轮廓。如果发现其中只出现一辆车，则也会发出通知到用户界面层，提示车主重新进行视频录入。
c)车主需要用手机对两车的接口创面进行近距离拍摄。以手机屏幕页面中心，先获取二维坐标，传入scenekit，使用arkit检测到物体后，获取到三维坐标，通过下述计算公式即可获取物体距离相机现实世界的位置：
d＝√[(x1-x2)^2+(y1-y2)^2+(z1-z2)^2]
其中接口创面位置为a(x1,y1,z1)，手机摄像头实时位置为b(x2,y2,z2)。
在保证能对创面范围覆盖完备的前提下，如果得到的距离d大于预定值(例如50厘米)，则会提示车主调整手机操作到正确位置进行拍摄。
d)视频和照片数据都采集完成以后，会在本地进行压缩，然后再传递到云端服务器进行存储。
相关流程如图3所示。
2)服务器照片视频信息预处理
车主通过app采集了事故的照片和视频，上传到云端服务器，并对其进行信息预处理；同时云服务程序会根据报案车主id查询到数据库中的相关信息(例如车牌号码)，与照片/视频中所识别的车牌号码进行比对，如果存在不匹配情况，则会在后台管理系统中提示操作员进行人工介入处理。
之后，云服务程序会从照片数据中提取其拍摄时间和地点信息，然后与云服务器收到的车主上传照片/视频数据时的上传时间和地点信息进行对比，如果时间或地点的匹配度低于设定值，则会在后台管理系统中对操作员提出警示，提醒其做更多的人工处理。
相关流程如图4所示。
3)对两车创面图片匹配度的判别
两车创面图片匹配度判别系统的相关步骤如下：
a)数据处理：将两车创面照片进行数据预处理(主要去除噪音影响)，所述数据预处理过程包括：去雾，去反光，旋转，平移等。
b)识别受损部位：对预处理后的照片放入已训练的分类网络模型中进行分类处理，确定受损部件名称。具体训练网络模型(采用resnet-50深度卷积网络，如图2所示)步骤如下：
训练阶段：数据集包含约10万张图像(9.5万张训练图像，5000张验证图像)，训练resnet-50深度卷积网络，loss层使用softmax。
测试阶段：输入一张测试图片，正确给出这张图片对应的受损部位。
c)计算匹配度：将两车创面照片的损失部位、预处理后的照片作为已训练的创面匹配模型的输入，得到两车创面照片的匹配度，如果得出的匹配度低于设定值，则会在后台管理系统中对操作员提出警示，提醒其做更多的人工处理。具体训练网络模型(采用resnet-50深度卷积网络，如图2所示)步骤如下：
训练阶段：数据集包含约5万对图像(4.75万对训练图像，2500对验证图像)，训练resnet-50深度卷积网络，loss层使用欧式距离。
测试阶段：输入一对测试图片，给出这对图片的匹配度，匹配度高于设定值则结果正确。
相关流程如图5所示。
4)结论得出
根据步骤2)和步骤3)的处理结果，即可得出准确性比较高的结论，即本次车险报案是否有两车相撞产生，进而给出后台管理系统的操作员以合适的处理建议。
综上所述，本发明基于图像处理和深度学习的车险事故鉴别方法，通过上述技术方案，利用报案人员在事故现场采集的照片、视频等数据文件，对图片、视频中的位置、时间等元素进行提取和比对，以及通过图像处理、人工智能等技术手段，对事故车和相关车辆的创面进行分析，从而判断是否为车险欺诈行为，最终达到了一种高效、快捷、智能化的车险领域防欺诈效果。
此外，本发明还提出一种基于图像处理和深度学习的车险事故鉴别系统，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于图像处理和深度学习的车险事故鉴别程序，所述基于图像处理和深度学习的车险事故鉴别程序被所述处理器执行时实现如上实施例所述的基于图像处理和深度学习的车险事故鉴别方法的步骤，这里不再赘述。
此外，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于图像处理和深度学习的车险事故鉴别程序，所述基于图像处理和深度学习的车险事故鉴别程序被处理器执行时实现如上实施例所述的基于图像处理和深度学习的车险事故鉴别方法的步骤，这里不再赘述。
综上所述，本发明基于图像处理和深度学习的车险事故鉴别方法、系统及存储介质利用报案人员在事故现场采集的照片、视频等数据文件，对图片、视频中的位置、时间等元素进行提取和比对，以及通过图像处理、人工智能等技术手段，对事故车和相关车辆的创面进行分析，从而判断是否为车险欺诈行为，最终达到了一种高效、快捷、智能化的车险领域防欺诈效果。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。