案件自动审核方法、装置、计算机设备及存储介质与流程

本发明涉及图像处理领域，尤其涉及一种案件自动审核方法、装置、计算机设备及存储介质。

背景技术：

目前，随着救援案件的不断增多，核对救援案件的救援资料的工作量也不断增加。

在传统方法中，通常采用人工方式审核救援案件的救援资料，但是，常常救援案件的数量庞大，且有时候存在虚假案件的现象，审核该救援资料繁琐且耗时久，以及难以准确地分析救援案件是否为虚假案件，所以导致救援案件的审核效率和准确率低下。

因此，寻找一种高效和准确的救援案件自动审核方法成为本领域技术人员亟需解决的问题。

技术实现要素：

本发明实施例提供一种案件自动审核方法、装置、计算机设备及存储介质，以解决救援案件的审核效率低和准确率低的问题。

一种案件自动审核方法，包括：

获取目标案件对应的救援信息和救援图片，其中，所述救援图片为救援方上传的待校验的图片；

将所述救援图片与预设的历史救援库中的历史救援图片进行特征匹配，并根据特征匹配的结果确定所述目标案件是否属于虚假案件；

若所述目标案件属于所述虚假案件，则确认所述目标案件为异常案件，并将所述救援信息和所述救援图片发送给预设的复核人员进行复核；

若所述目标案件不属于所述虚假案件，则使用预设的图像识别模型对所述救援图片进行识别，得到所述救援图片中包含的待审核信息；

对所述救援信息和所述待审核信息进行内容匹配，得到内容是否一致的内容匹配结果；

若所述内容匹配结果为内容一致，则确认所述目标案件的审核结果为审核通过，若所述内容匹配结果为内容不一致，则确认所述目标案件的审核结果为审核不通过。

一种案件自动审核装置，包括：

信息和图片获取模块，用于获取目标案件对应的救援信息和救援图片，其中，所述救援图片为救援方上传的待校验的图片；

图片获取模块，用于获取救援方在救援所述目标案件时的救援图片；

特征匹配模块，用于将所述救援图片与预设的历史救援库中的历史救援图片进行特征匹配，并根据特征匹配的结果确定所述目标案件是否属于虚假案件；

异常案件确认模块，用于若所述目标案件属于所述虚假案件，则确认所述目标案件为异常案件，并将所述救援信息和所述救援图片发送给预设的复核人员进行复核；

图片识别模块，用于若所述目标案件不属于所述虚假案件，则使用预设的图像识别模型对所述救援图片进行识别，得到所述救援图片中包含的待审核信息；

内容匹配模块，用于对所述救援信息和所述待审核信息进行内容匹配，得到内容是否一致的内容匹配结果；

审核结果确认模块，用于若所述内容匹配结果为内容一致，则确认所述目标案件的审核结果为审核通过，若所述内容匹配结果为内容不一致，则确认所述目标案件的审核结果为审核不通过。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述案件自动审核方法的步骤。

一种计算机可读存储介质，所述计算机可读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实现上述案件自动审核方法的步骤。

上述案件自动审核方法、装置、计算机设备及存储介质中，获取目标案件对应的救援信息和救援图片，将救援图片与预设的历史救援库中的历史救援图片进行特征匹配，并根据特征匹配的结果确定目标案件是否属于虚假案件，当目标案件属于虚假案件时，将救援信息和救援图片发送给预设的复核人员进行复核，通过分析救援图片是否为历史救援库中的重复图片，确定目标案件的真实性，保证了案件的安全性和提高了案件的审核准确率；当目标案件不属于虚假案件时，使用预设的图像识别模型对救援图片进行自动快速地识别，得到救援图片中包含的待审核信息，对救援信息和待审核信息进行自动快速地内容匹配，得到内容是否一致的内容匹配结果，若内容匹配结果为内容一致，则确认目标案件的审核结果为审核通过，若内容匹配结果为内容不一致，则确认目标案件的审核结果为审核不通过，实现了目标案件的自动审核，节约人力成本，提高了救援案件的审核效率和自动化水平。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中案件自动审核方法的一应用环境示意图；

图2是本发明一实施例中案件自动审核方法的一流程图；

图3是本发明一实施例中案件自动审核方法中步骤s40的一流程图；

图4是本发明一实施例中案件自动审核方法中训练类型图片深度学习模型的一流程图；

图5是本发明一实施例中案件自动审核方法中步骤s402的一流程图；

图6是本发明一实施例中案件自动审核方法中步骤s50的一流程图；

图7是本发明一实施例中案件自动审核方法中步骤s20的一流程图；

图8是本发明一实施例中案件自动审核装置的一示意图；

图9是本发明一实施例中计算机设备的一示意图。

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作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。

本申请提供的案件自动审核方法，可应用如图1的应用环境中，该应用环境包括服务端和客户端，其中，客户端通过有线网络或无线网络与服务端进行通信。其中，客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务端或者是多个服务端组成的服务端集群来实现。客户端向服务端发送针对待救援的目标案件的救援请求，服务端分析救援图片的真假及审核救援信息，自动确定出目标案件的审核结果。

在一实施例中，如图2所示，提供一种案件自动审核方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：

s10、获取目标案件对应的救援信息和救援图片，其中，救援图片为救援方上传的待校验的图片；

具体地，请求方预先将目标案件对应的救援信息上传至信息数据库中，比如，该请求方在客户端的救援请求申请页面上点击救援申请按钮，然后该客户端生成一个针对该目标案件的救援请求发送到服务端，当服务端接收到该救援请求时，向该客户端发送救援信息填写指令，接下来该请求方在该客户端中通过该救援信息填写指令上传该救援信息，最后当服务端接收到该救援信息时，将该救援信息保存至信息数据库中。其中，该救援信息为用于救援该目标案件的信息，其中，该请求方是指请求救援该目标案件的自然人，如请求方为“张三”，该救援信息处于随时可以调用的状态。

进一步地，该救援信息可以包括救援类型、救援车牌号、救援车架号和救援地理位置，救援类型为待救援的车辆的类型，比如救援类型可以为“拖车”、“加油”或“换胎”等，救援车牌号为待救援的车辆的车牌号码，比如救援车牌号为“粤b12587”，救援车架号为待救援的车辆的车架号码，比如救援车架号为“lb1wa5885a8008781”，救援地理位置为待救援的车辆所处在的地理位置，比如救援地理位置为(34°32′n，108°55′e)，其中，“34°32′n”为北纬34度23分，“08°55′e”为东京8度55分。

优选地，救援方也预先将目标案件对应的救援图片上传至救援数据库中，该救援图片处于随时可以调用的状态。其中，该救援方为被确定为针对目标案件实施救援的机构或自然人，该救援图片为该救援方上传的待校验的目标图片，该目标图片为包含待审核信息的图片。

进一步地，该救援图片可以包括目标类型图片、目标车牌号图片和目标车架号图片，该目标类型图片为该救援方在实施救援目标案件时所拍摄到包含待审核类型的照片、该目标车牌号图片为该救援方在实施救援目标案件时所拍摄到包含待审核车牌号的照片，该目标车架号图片为该救援方在实施救援目标案件时所拍摄到包含待审核车架号的照片。

进一步地，该待审核信息可以包括目标救援类型、目标救援车牌号、目标救援车架号和目标救援地理位，该目标救援类型为该救援方在实施救援目标案件时的类型，比如目标救援类型为搭电或加油等，该目标救援车牌号为该救援方在实施救援目标车辆时的车牌号，该目标救援车架号为该救援方在实施救援目标车辆时的车架号，该目标救援地理位置为该救援方在实施救援目标车辆时所在的地理位置。

需要说明的是，客户端可以为智能手机或平板电脑等，信息数据库和救援数据库可以为为sql数据库或oracle数据库等，救援信息、客户端、信息数据库和救援数据库的具体内容，可以根据实际应用进行设定，此处不做限制。

优选地，在该信息数据库中，获取该目标案件对应的救援信息的存储路径，然后根据该存储路径提取该救援信息。例如，假设信息数据库为mysql数据库，救援信息的存储路径为“c:\programfiles\mysql\mysqlserver5.0\data\”，首先在mysql数据库中获取“c:\programfiles\mysql\mysqlserver5.0\data\”，然后根据该“c:\programfiles\mysql\mysqlserver5.0\data\”提取该救援信息。

优选地，在该救援数据库中，获取该目标案件对应的救援图片的存储路径，然后根据该存储路径提取该救援图片。

s20、将救援图片与预设的历史救援库中的历史救援图片进行特征匹配，并根据特征匹配的结果确定目标案件是否属于虚假案件。

在本实施例中，历史救援图片为已成功救援的正常的历史目标案件的救援图片，其中，历史救援图片专门存储于预设的历史数据库中，处于随时可以调用的状态。

具体地，首先在预设的历史数据库中获取历史救援图片的存储路径，然后根据该存储路径提取该历史救援图片，然后将提取到的历史救援图片与步骤s10中获取到的救援图片进行特征匹配，并根据特征匹配的结果确定目标案件是否属于虚假案件，也即当提取到的历史救援图片与步骤s10中获取到的救援图片的图像特征匹配的结果为相匹配时，代表该目标案件中的救援图片与历史救援图片重复，需要说明的是，正常的目标案件的救援图片与历史救援图片是不会发生重复的，因此当该目标案件中的救援图片与历史救援图片重复时，服务端确定目标案件属于虚假案件，当提取到的历史救援图片与步骤s10中获取到的救援图片的图像特征匹配的结果为不相匹配时，代表该目标案件中的救援图片与历史救援图片不重复，当该目标案件中的救援图片与历史救援图片不重复时，服务端确定目标案件不属于虚假案件，其中，图像特征包括纹理特征、颜色特征和形状特征等，虚假案件为虚假伪造的案件。

需要说明的是，预设的历史数据库可以为sql数据库或oracle数据库等，预设的历史数据库的具体内容，可以根据实际应用进行设定，此处不做限制。

s30、若目标案件属于虚假案件，则确认目标案件为异常案件，并将救援信息和救援图片发送给预设的复核人员进行复核。

在本实施例中，异常案件为存在异常的案件，比如，异常案件为伪造救援的案件。

具体地，若该目标案件属于虚假案件，则服务端确认该目标案件为异常案件，并将步骤s10中获取到的救援信息和救援图片发送给预设的复核人员进行复核，以使得进一步地分辨目标案件的真假性。

s40、若目标案件不属于虚假案件，则使用预设的图像识别模型对救援图片进行识别，得到救援图片中包含的待审核信息。

具体地，若该目标案件不属于虚假案件，则使用预设的图像识别模型对步骤s10中获取到的救援图片进行图像特征识别或者内容识别，也即当预设的图像识别模型为深度学习图像识别模型时，则对步骤s10中获取到的救援图片进行图像特征识别，当预设的图像识别模型为图片识别工具时，则对步骤s10中获取到的救援图片进行内容识别，从而得到该救援图片中包含的待审核信息。

需要说明的是，预设的图像识别模型可以为深度学习图像识别模型或图片识别工具等，预设的图像识别模型的具体内容，可以根据实际应用进行设定，此处不做限制。

s50、对救援信息和待审核信息进行内容匹配，得到内容是否一致的内容匹配结果。

具体地，对步骤s10中获取到的救援信息和步骤s40中识别得到的待审核信息进行内容匹配，得到内容是否一致的内容匹配结果，也即判断步骤s10中获取到的救援信息和步骤s40中识别得到的待审核信息是否一致，若一致，则得到的内容匹配结果为内容一致，若不一致，则得到的内容匹配结果为内容不一致。

s60、若内容匹配结果为内容一致，则确认目标案件的审核结果为审核通过，若匹配结果为内容不一致，则确认目标案件的审核结果为审核不通过。

在本实施例中，审核结果为审核该目标案件所得到的结果。

具体地，若步骤s50中得到的内容匹配结果为内容一致，则确认该目标案件的审核结果为审核通过，若步骤s50中得到的内容匹配结果为内容不一致，则确认该目标案件的审核结果为审核不通过。

在图2对应的实施例中，通过上述步骤s10至步骤s60，获取目标案件对应的救援信息和救援图片，将救援图片与预设的历史救援库中的历史救援图片进行特征匹配，并根据特征匹配的结果确定目标案件是否属于虚假案件，当目标案件属于虚假案件时，将救援信息和救援图片发送给预设的复核人员进行复核，通过分析救援图片是否为历史救援库中的重复图片，确定目标案件的真实性，保证了案件的安全性和提高了案件的审核准确率；当目标案件不属于虚假案件时，使用预设的图像识别模型对救援图片进行自动快速地识别，得到救援图片中包含的待审核信息，对救援信息和待审核信息进行自动快速地内容匹配，得到内容是否一致的内容匹配结果，若内容匹配结果为内容一致，则确认目标案件的审核结果为审核通过，若内容匹配结果为内容不一致，则确认目标案件的审核结果为审核不通过，实现了目标案件的自动审核，节约人力成本，提高了救援案件的审核效率和自动化水平。

在一具体实施例中，救援信息包括救援类型、救援车牌号、救援车架号和救援地理位置，救援图片包括目标类型图片、目标车牌号图片和目标车架号图片，待审核信息包括目标救援类型、目标救援车牌号、目标救援车架号和目标救援地理位置。

进一步地，如图3所示，在步骤s40中，使用预设的图像识别模型对救援图片进行识别，得到救援图片中包含的待审核信息，具体包括如下步骤：

s401、将目标类型图片输入至预先训练好的类型图片深度学习模型中进行图像识别，得到目标类型图片对应的目标救援类型。

具体地，当救援方上传时该救援图片时，便该救援方预先对该救援图片做好了标记，也即该救援方预先对该目标类型图片、目标车牌号图片和目标车架号图片做好了标识，其中，类型标识唯一标识该目标类型图片，其他标识唯一标识其他图片，该其他图片为目标车牌号图片和目标车架号图片。

需要说明的是，类型标识可以为“lx01”，其他标识可以为“qt02”，类型标识和其他标识的具体内容，可以根据实际需求进行设定，此处不做限制。

可以理解的是，服务端获取每个救援图片的标识信息，也即，获取类型标识和其他标识，判断该类型标识与预设的目标类型标识是否一致，当该类型标识与该预设的目标类型标识一致时，确定该类型标识唯一标识的图片为目标类型图片，当该其他标识与该预设的其他类型标识一致时，确定该其他标识唯一标识的图片为目标车牌号图片和目标车架号图片。

具体地，服务端采用预设的局部特征提取模型，对该历史类型图片进行局部特征提取，得到历史类型图片对应的局部特征，接下来在预设的类型数据库中，获取与局部特征相匹配的目标特征对应的特征救援类型，最后将特征救援类型确定为深度学习模型的输出结果，其中，局部特征为该历史类型图片的局部的图像特征，比如局部特征为“夹子夹在电瓶上，以及夹子的形状和颜色”。

例如，假设预设的局部特征提取模型为opencv模型，预先训练好的类型图片深度学习模型为卷积神经网络模型，则采用opencv模型，对该历史类型图片进行局部特征提取，得到该历史类型图片对应的局部特征为“夹子夹在电瓶上，夹子的形状为半圆形，以及夹子的颜色为红色”，然后在预设的类型数据库中，获取与“夹子夹在电瓶上，夹子的形状为半圆形，以及夹子的颜色为红色”相匹配的目标特征对应的特征救援类型为“搭电”，最后将“搭电”确定为卷积神经网络模型的输出结果，也即最后卷积神经网络模型输出“搭电”，其中，opencv是一个基于bsd许可发行的跨平台计算机视觉库，bsd的英文名称为berkeleysoftwaredistribution，中文名称为伯克利软件套件，是指是unix的衍生系统，unix为一种分时操作系统。

需要说明的是，该类型图片深度学习模型由历史类型图片和历史救援类型训练得到，其中，历史类型图片为已成功救援的正常的历史目标案件的类型图片，该类型图片为包含历史救援类型的图片，可以理解的是，历史救援类型为已成功救援的非异常的历史目标案件的类型，比如历史救援类型为加油或拖车等。该类型图片深度学习模型的具体内容，可以根据实际应用进行设定，此处不做限制。

s402、将目标车牌号图片和目标车架号图片作为待识别图片，将待识别图片输入预设的图片文字识别模型，得到待识别图片中包含的文字信息，其中，文字信息为目标救援车牌号或目标救援车架号。

具体地，首先服务端将目标车牌号图片和目标车架号图片作为待识别图片，然后将待识别图片输入预设的图片文字识别模型进行内容识别，得到待识别图片中包含的文字信息，比如将待识别图片输入tesseract识别工具进行内容识别，得到待识别图片中包含的车牌号码，其中，文字信息为目标救援车牌号或目标救援车架号，tesseract识别工具为是一款被广泛使用的开源ocr工具。ocr，英文全称为opticalcharacterrecognition，中文名为光学字符识别，是指电子设备检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。

需要说明的是，预设的图片文字识别模型的具体内容，可以根据实际应用进行设定，此处不做限制。

s403、采用预设的图片拍摄地理位置查看工具，获取救援方在拍摄目标类型图片、目标车牌号图片和目标车架号图片时对应的目标救援地理位置。

具体地，采用预设的图片拍摄地理位置查看工具，获取该救援方在拍摄目标类型图片、目标车牌号图片和目标车架号图片时对应的目标救援地理位置，比如采用picturemapper照片拍摄位置查看工具，获取该救援方在拍摄目标类型图片、目标车牌号图片和目标车架号图片时对应的目标救援地理位置，其中，picturemapper为一款简单易用的图片坐标信息查看软件。

需要说明的是，预设的图片拍摄地理位置查看工具的具体内容，可以根据实际应用进行设定，此处不做限制。

在图3对应的实施例中，通过上述步骤s401至步骤s403，因为历史类型图片和历史救援类型是已成功救援的历史案件的准确的材料，和类型图片深度学习模型由历史类型图片和历史救援类型训练得到，所以从目标类型图片中能够准确地识别出目标救援类型，同时预设的图片文字识别模型具有准确识别图片中的文字信息的功能，所以能够从目标车牌号图片和目标车架号图片中准确地识别出目标救援车牌号和目标救援车架号，以及预设的图片拍摄地理位置查看工具有准确查看图片中的地理位置的功能，所以能够从拍摄目标类型图片、目标车牌号图片和目标车架号图片中准确地查看到救援方在拍摄这些图片时对应的目标救援地理位置，实现了对目标救援类型、目标救援车牌号、目标救援车架号和目标救援地理位置组成的审核信息的自动准确的识别，因此提高了获取审核信息的准确性和自动化能力。

在一具体实施例中，如图4所示，在步骤s401之前，还包括训练类型图片深度学习模型，具体包括如下步骤：

s701、从预设的历史救援库中，获取已成功救援的历史案件中的历史类型图片和历史救援类型作为样本。

在本实施例中，历史类型图片和历史救援类型专门存储在历史救援图片数据库中，处于随时可以调用的状态。

具体地，首先获取已成功救援的历史案件中的历史类型图片在历史救援图片数据库中的存储路径，然后根据该存储路径提取该历史类型图片，接下来获取已成功救援的历史案件中的历史目标救援类型在历史救援图片数据库中的存储路径，根据该存储路径提取该历史目标救援类型，最后将提取到的该历史类型图片和该历史目标救援类型确定为样本。

需要说明的是，历史救援图片数据库可以为sql数据库或orable数据库，历史数据库的具体内容，可以根据实际应用进行设定，此处不做限制。

s702、采用预设的图像特征提取模型，对历史类型图片进行局部特征提取，得到历史类型图片对应的局部特征。

具体地，为了得到该历史类型图片的局部特征，需要采用预设的图像特征提取模型，对历史类型图片进行局部特征提取，得到历史类型图片对应的局部特征，比如，采用opencv模型，对该历史类型图片进行局部特征提取，得到该历史类型图片对应的局部特征为“夹子夹在电瓶上，夹子的形状为半圆形，以及夹子的颜色为红色”，其中，本步骤s702的opencv的内容与步骤s401的opencv的内容，此处不再阐述。

s703、在预设的类型数据库中，获取与局部特征相匹配的目标特征对应的特征救援类型。

在本实施例中，预设的类型数据库专门存储了预设的目标特征对应的特征救援类型，其中，该预设的目标特征为预设设置好的局部特征，该特征救援类型可以为“搭电”或“拖车”等。

具体地，首先在预设的类型数据库中，获取该预设的目标特征对应的救援类型，然后在获取的救援类型中，选定与该局部特征相匹配的目标特征对应的救援类型，作为该局部特征的特征救援类型。

需要说明的是，该预设的类型数据库可以为sql数据库或oracle数据库等，该预设的类型数据库的具体内容，可以根据实际应用进行设定，此处不做限制。

进一步地，该局部特征与该目标特征进行匹配的过程，具体包括：

按照形状和色彩匹配的方式，将该局部特征与该目标特征进行匹配，当该局部特征中的形状和色彩与该目标特征中的形状和色彩一致时，确定该局部特征与该目标特征相匹配，当该局部特征中的形状和色彩与该目标特征中的形状和色彩不一致时，确定该局部特征与该目标特征不匹配。或者，当该局部特征中的形状和色彩与该目标特征中的形状和色彩的相似度值大于或等于预设的阈值时，确定该局部特征与该目标特征相匹配，当该局部特征中的形状和色彩与该目标特征中的形状和色彩小于预设的阈值时，确定该局部特征与该目标特征不匹配。

需要说明的是，预设的阈值的具体内容，可以根据实际应用进行设定，此处不做限制。

s704、将特征救援类型确定为深度学习模型的训练输出结果。

具体地，将步骤s703中获取到的特征救援类型确定为深度学习模型输出的训练结果，比如，假设步骤s703中获取到的特征救援类型为“搭电”，则将“搭电”确定为该深度学习模型输出的训练结果，其中，该训练结果为训练该深度学习模型所得到的结果。

s705、调整深度学习模型的隐含层的参数，以最小化训练输出结果与样本中的历史救援类型之间的误差。

在本实施例中，隐含层的参数包括神经元和神经节点数目等。

具体地，因为可能不能准确地获取到与该局部特征相匹配的目标特征对应的特征救援类型，也即，该局部特征与该目标特征匹配的准确度不够高，从而导致获取到与该局部特征的匹配度较低的目标特征对应的救援类型作为特征救援类型，所以需要对该深度学习模型的隐含层的参数进行断地调整，以使得该训练输出结果与样本中的历史救援类型之间的误差最小化。

进一步地，判断输出结果与样本中的历史目标救援类型的误差是否满足预设的条件。

需要说明的是，预设的条件可以为“必须包括预设的救援类型，如搭电或加油等，输出结果的总共字数不能超过20个”，预设的条件的具体内容，可以根据实际应用进行设定，此处不做限制。

为了更好地理解步骤s703、步骤s704和步骤s705，下面通过一个例子进行说明，具体表述如下：

例如，假设与“夹子夹在电瓶上，夹子的形状为半圆形，以及夹子的颜色为红色”相匹配的目标特征为“夹子夹在电瓶上，夹子的形状为圆形，夹子的颜色为红色，光线度为强”，“夹子夹在电瓶上，夹子的形状为圆形，夹子的颜色为红色，光线度为强”对应的救援类型为“救援为搭电”，历史救援类型为“搭电”，深度学习模型为卷积神经网络模型，则将“救援为搭电”作为“夹子夹在电瓶上，夹子的形状为半圆形，以及夹子的颜色为红色”的特征救援类型，然后将“救援为搭电”确定为该卷积神经网络模型输出的训练输出结果，最后不断该卷积神经网络模型的隐含层的参数，以最小化该训练输出结果与“搭电”之间的误差，比如训练输出结果为“车辆救援为搭电”，则认为训练输出结果与“搭电”之间的误差最小化，如训练输出结果为“发动机启动”，则认为训练输出结果与样本中的“搭电”之间的误差很大，还需要不断调整隐含层的参数，直到该误差最小化。

s706、当误差满足预设的条件时，确定参数调整后的深度学习模型为训练好的类型图片深度学习模型。

具体地，当该误差满足预设的条件时，服务端将参数调整后的深度学习模型确定为训练好的类型图片深度学习模型。

进一步地，当该误差不满足预设的条件时，服务端将参数调整后的深度学习模型确定不是训练好的类型图片深度学习模型，并返回步骤s705，直到该误差满足该预设的条件为止。

在图4对应的实施例中，通过上述步骤s701至步骤s706，因为历史类型图片为已成功救援的历史案件的准确的图片，和历史救援类型为已成功救援的历史案件的准确的类型，所以保证了样本是准确的，同时预设的局部特征提取模型具有准确地提取局部特征的工具，所以采用预设的局部特征提取模型，对历史类型图片进行局部特征提取，得到历史类型图片对应的准确的局部特征，接下来，根据准确的局部特征对应的特征救援类型，不断地调整深度学习模型的隐含层的参数，直到训练输出结果与样本中的历史救援类型之间的误差最小化，便可以确保训练好的深度学习模型可以从类型图片中准确地识别救援类型，提高了类型图片深度学习模型的识别准确性。

在一具体实施例中，如图5所示，步骤s402，即将目标车牌号图片和目标车架号图片作为待识别图片，将待识别图片输入预设的图片文字识别模型，得到待识别图片中包含的文字信息，具体包括如下步骤：

s4021、采用垂直投影法对待识别图片进行分割处理，得到n个子图片，其中，每个子图片包含一个字符，n为正整数。

在本实施例中，垂直投影法是指二值化的字符图形的笔画像素个数进行垂直方向上的统计，通过检测得到的垂直投影图上的波谷来确定字符的边界的方法。

具体地，采用垂直投影法对步骤s602中确定得到的待识别图片进行分割处理，得到n个子图片，其中，每个子图片包含一个字符，n为正整数。

例如，采用垂直投影法对待识别图片进行分割，得到7个子图片，7个子图片可以分别为“粤”子图片、“b”子图片、“0”子图片、“8”子图片、“0”子图片、“8”子图片和“0”子图片。

s4022、按照预设的尺寸规格将每个子图片进行尺寸归一化处理，得到n个归一化后的子图片。

在本实施例中，尺寸归一化，是指将子图片的尺寸进行归为同一个尺寸。预设的尺寸规格可以为6cm*10cm。cm，中文名为厘米，是指一种长度单位。需要说明的是，预设的尺寸规格的具体内容，可以根据实际应用进行设定，此处不做限制。

具体地，为了方便对每一个子图片进行识别，需要按照预设的尺寸规格将每个子图片进行尺寸归一化处理，得到同一个尺寸的n个归一化后的子图片。

s4023、采用预设的图片文字识别工具对步骤s6022中归一化处理得到的每个归一化后的子图片进行识别处理，得到n个目标字符。

具体地，采用预设的图片文字识别工具对每个归一化后的子图片进行字符内容识别处理，得到n个目标字符，比如采用tesseract识别工具对每个归一化后的子图片进行字符内容识别处理，得到7个目标字符，其中，本步骤s6023中的tesseract识别工具的内容与步骤s602中的tesseract识别工具的内容一致，此处不再阐述，7个目标字符可以分别为“粤”、“b”、“0”、“8”、“0”、“8”和“0”。

s4024、按照每个目标字符在待识别图片中的先后顺序，对n个目标字符进行组合，得到待识别图片中包含的文字信息。

具体地，按照步骤s6023中识别出的每个目标字符在该待识别图片中的先后顺序，对n个目标字符进行组合，得到该待识别图片中包含的文字信息，比如按照步骤s6023中识别出的“粤”、“b”、“0”、“8”、“0”、“8”和“0”在该待识别图片中的先后顺序，对7个目标字符进行组合，得到该待识别图片中包含的“粤b08080”。

在图5对应的实施例中，通过上述步骤s4021至步骤s4024，因为垂直投影法可以对待识别图片进行准确的分割，所以可以保证分割得到的每个子图片只包含一个目标字符，同时预设的图片文字识别工具有准确识别图片的工具，所以能够保证采用预设的图片文字识别工具识别出的每个目标字符是准确的，保证了提取目标字符的准确性，最后自动地按照每个目标字符在待识别图片中的先后顺序，对n个目标字符进行组合，便可快速地得到待识别图片中包含的文字信息，因此提高了获取文字信息的效率和准确率。

在一具体实施例中，如图6所示，步骤s50，即对救援信息和待审核信息进行内容匹配，得到内容是否一致的内容匹配结果，具体包括如下步骤：

s501、判断救援类型与目标救援类型是否匹配，得到类型匹配结果。

在本实施例中，类型匹配结果为对步骤s10中获取到的救援信息中的救援类型与步骤s401中识别得到的目标救援类型进行匹配，所得到的结果，其中，类型匹配结果包括匹配和不匹配。

具体地，判断步骤s10中获取到的救援信息中的救援类型与步骤s401中识别得到的目标救援类型是否匹配，得到类型匹配结果，也即判断步骤s10中获取到的救援信息中的救援类型与步骤s401中识别得到的目标救援类型是否一致，当一致时，确定该类型匹配结果为匹配，当不一致时，确定该类型匹配结果为不匹配。

s502、判断救援车牌号与目标救援车牌号是否匹配，得到车牌匹配结果。

在本实施例中，车牌匹配结果为对步骤s10中获取到的救援信息中的救援车牌号与步骤s402中识别得到的文字信息中的目标救援车牌号进行匹配，所得到的结果，其中，车牌匹配结果包括匹配和不匹配。

具体地，判断步骤s10中获取到的救援信息中的救援车牌号与步骤s402中识别得到的文字信息中的目标救援车牌号是否匹配，得到车牌匹配结果，也即判断步骤s10中获取到的救援信息中的救援车牌号与步骤s402中识别得到的文字信息中的目标救援车牌号是否一致，当一致时，确定车牌匹配结果为匹配，当不一致时，确定车牌匹配结果为不匹配。

s503、判断救援车架号与目标救援车架号是否匹配，得到车架匹配结果。

在本实施例中，车架匹配结果为对步骤s10中获取到的救援信息中的救援车架号与步骤s402中识别得到的文字信息中的目标救援车牌号进行匹配，所得到的结果，其中，车架匹配结果包括匹配和不匹配。

具体地，判断步骤s10中获取到的救援信息中的救援车架号与步骤s402中识别得到的文字信息中的目标救援车牌号是否匹配，得到车架匹配结果，也即判断步骤s10中获取到的救援信息中的救援车架号与步骤s402中识别得到的文字信息中的目标救援车牌号是否一致，当一致时，确定车架匹配结果为匹配，当不一致时，确定车架匹配结果为不匹配。

s504、判断救援地理位置与目标救援地理位置是否匹配，得到位置匹配结果。

在本实施例中，位置匹配结果为对步骤s10中获取到的救援信息中的救援地理位置与步骤s403中查看到的目标救援地理位置进行匹配，所得到的结果。

具体地，判断步骤s10中获取到的救援信息中的救援地理位置与步骤s403中查看到的目标救援地理位置是否匹配，得到位置匹配结果，也即判断步骤s10中获取到的救援信息中的救援地理位置与步骤s403中查看到的目标救援地理位置是否一致，当一致时，确定位置匹配结果为匹配，当不一致时，确定位置匹配结果为不匹配。

s505、当类型匹配结果、车牌匹配结果、车架匹配结果和位置匹配结果为是时，确定内容匹配结果为内容一致。

具体地，当类型匹配结果、车牌匹配结果、车架匹配结果和位置匹配结果为匹配时，确定内容匹配结果为内容一致，也即只有当类型匹配结果、车牌匹配结果、车架匹配结果和位置匹配结果全部都匹配时，确定内容匹配结果为内容一致。

s506、当类型匹配结果、车牌匹配结果、车架匹配结果或位置匹配结果为否时，确定内容匹配结果为内容不一致。

具体地，当类型匹配结果、车牌匹配结果、车架匹配结果或位置匹配结果为不匹配时，确定内容匹配结果为内容不一致，也即，当在类型匹配结果、车牌匹配结果、车架匹配结果和位置匹配结果中只要存在一个匹配结果为不匹配时，确定内容匹配结果为内容不一致。

在图6对应的实施例中，通过上述步骤s501至步骤s506，通过先判断救援类型与目标救援类型是否匹配，然后判断救援车牌号与目标救援车牌号是否匹配，接下来判断救援车架号与目标救援车架号是否匹配，再接下来判断救援地理位置与目标救援地理位置是否匹配，最后当类型匹配结果、车牌匹配结果、车架匹配结果和位置匹配结果为是时，确定内容匹配结果为内容一致，当类型匹配结果、车牌匹配结果、车架匹配结果或位置匹配结果为否时，也即在类型匹配结果、车牌匹配结果、车架匹配结果或位置匹配结果中只要有一个的匹配结果为否时，可以不再需要对后面的匹配结果进行判断便可以快速地确定内容匹配结果为内容不一致，因此提高了确定匹配结果的效率。

在一具体实施例中，如图7所示，步骤s20，即将救援图片与预设的历史救援库中的历史救援图片进行特征匹配，并根据特征匹配的结果确定目标案件是否属于虚假案件，具体包括如下步骤：

s201、从预设的历史救援库中，获取已成功救援的历史案件中的历史救援图片。

具体地，本步骤s201中从预设的历史救援库中，获取已成功救援的历史案件中的历史救援图片的内容与步骤s20中从预设的历史救援库中，获取已成功救援的历史案件中的历史救援图片的内容相同，此处不再阐述。

s202、提取救援图片的图像特征和每个历史救援图片的图像特征。

具体地，采用预设的图像特征提取方法提取步骤s10中获取到的救援图片的图像特征和该每个历史救援图片的图像特征，比如采用opencv模型提取步骤s10中获取到的救援图片的图像特征和每个历史救援图片的图像特征，其中，本步骤s202中的图像特征的内容与步骤s20的内容一致，本步骤s202中的opencv的内容与步骤s401中的opencv的内容一致，此处不再阐述。

需要说明的是，预设的图像特征提取方法的具体内容，可以根据实际应用进行设定，此处不做限制。

s203、采用预设的相似度算法，计算该救援图片的图像特征和每个历史救援图片的图像特征之间的图片相似度值。

具体地，采用预设的相似度算法，计算救援图片的图像特征和每个历史救援图片的图像特征之间的图片相似度值，也即，采用预设的相似度算法，计算救援图片中目标类型图片的图像特征和历史救援图片中历史目标类型图片的图像特征之间的类型图片相似度值，计算救援图片中目标车牌号图片的图像特征和历史救援图片中历史目标车牌号图片的图像特征之间的车牌号图片相似度值，计算救援图片中目标车架号图片的图像特征和历史救援图片中历史目标车架号图片的图像特征之间的车架号图片相似度值，比如采用余弦相似度算法，计算救援图片中目标车架号图片的图像特征和历史救援图片中历史目标车架号图片的图像特征之间的车架号图片相似度值为0.7。

需要说明的是，预设的相似度算法的具体内容，可以根据实际应用进行设定，此处不做限制。

s204、若存在一个图片相似度值大于或等于预设的相似度阈值，则确定目标案件属于虚假案件。

具体地，若在类型图片相似度值、车牌号图片相似度值和车架号图片相似度值中存在一个图片相似度值大于或等于预设的相似度阈值，则确定目标案件属于虚假案件，比如类型图片相似度值、车牌号图片相似度值和车架号图片相似度值分别为0.8、0.6和0.5，预设的相似度阈值为0.7，则确定目标案件属于虚假案件。

需要说明的是，预设的相似度阈值的具体内容，可以根据实际应用进行设定，此处不做限制。

s205、若每个图片相似度值均小于预设的相似度阈值，则确定目标案件不属于虚假案件。

具体地，若类型图片相似度值、车牌号图片相似度值和车架号图片相似度值均小于预设的相似度阈值，则确定目标案件不属于虚假案件，比如类型图片相似度值、车牌号图片相似度值和车架号图片相似度值分别为0.65、0.6和0.5，预设的相似度阈值为0.7，则确定目标案件不属于虚假案件。

在图7对应的实施例中，通过上述步骤s201至步骤s205，因为预设的相似度算法具有快速准确地计算出救援图片的图像特征和每个历史救援图片的图像特征之间的图片相似度值，所以根据计算出的图片相似度值与预设的相似度阈值自动快速确定出目标案件是否属于虚假案件，实现了对目标案件真假性的自动识别，提高了分析目标案件真假性的效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种案件自动审核装置，该案件自动审核装置与上述实施例中案件自动审核方法一一对应。如图8所示，该案件自动审核装置包括信息和图片获取模块701、特征匹配模块702、异常案件确认模块703、图片识别模块704、内容匹配模块705和审核结果确认模块706。各功能模块详细说明如下：

信息和图片获取模块701，用于获取目标案件对应的救援信息和救援图片，其中，救援图片为救援方上传的待校验的图片；

特征匹配模块702，用于将救援图片与预设的历史救援库中的历史救援图片进行特征匹配，并根据特征匹配的结果确定目标案件是否属于虚假案件；

异常案件确认模块703，用于若目标案件属于虚假案件，则确认目标案件为异常案件，并将救援信息和救援图片发送给预设的复核人员进行复核；

图片识别模块704，用于若目标案件不属于虚假案件，则使用预设的图像识别模型对救援图片进行识别，得到救援图片中包含的待审核信息；

内容匹配模块705，用于对救援信息和待审核信息进行内容匹配，得到内容是否一致的内容匹配结果；

审核结果确认模块706，用于若内容匹配结果为内容一致，则确认目标案件的审核结果为审核通过，若内容匹配结果为内容不一致，则确认目标案件的审核结果为审核不通过。

进一步地，救援信息包括救援类型、救援车牌号、救援车架号和救援地理位置，救援图片包括目标类型图片、目标车牌号图片和目标车架号图片，待审核信息包括目标救援类型、目标救援车牌号、目标救援车架号和目标救援地理位置，该图片识别模块704包括：

图像识别子模块7041，用于将目标类型图片输入至预先训练好的类型图片深度学习模型中进行图像识别，得到目标类型图片对应的目标救援类型；

图片确定子模块7042，用于将目标车牌号图片和目标车架号图片作为待识别图片，将待识别图片输入预设的图片文字识别模型，得到待识别图片中包含的文字信息，其中，文字信息为目标救援车牌号或目标救援车架号；

位置获取子模块7043，用于采用预设的图片拍摄地理位置查看工具，获取救援方在拍摄目标类型图片、目标车牌号图片和目标车架号图片时对应的目标救援地理位置。

进一步地，在图像识别子模块7041之前，案件自动审核装置还包括：

样本获取模块7071，用于从预设的历史救援库中，获取已成功救援的历史案件中的历史类型图片和历史救援类型作为样本；

局部特征提取模块7072，用于采用预设的图像特征提取模型，对历史类型图片进行局部特征提取，得到历史类型图片对应的局部特征；

特征救援类型获取模块7073，用于在预设的类型数据库中，获取与局部特征相匹配的目标特征对应的特征救援类型；

输出结果确定模块7074，用于将特征救援类型确定为深度学习模型的训练输出结果；

参数调整模块7075，用于调整深度学习模型的隐含层的参数，以最小化训练输出结果与样本中的历史救援类型之间的误差；

模型确定模块7076，用于当误差满足预设的条件时，确定参数调整后的深度学习模型为训练好的类型图片深度学习模型。

进一步地，该图片确定子模块7042包括：

分割子模块70421，用于采用垂直投影法对待识别图片进行分割处理，得到n个子图片，其中，每个子图片包含一个字符，n为正整数；

归一化子模块70422，用于按照预设的尺寸规格将每个子图片进行尺寸归一化处理，得到n个归一化后的子图片；

子图片识别子模块70423，用于采用预设的图片文字识别工具对每个归一化后的子图片进行识别处理，得到n个目标字符；

组合子模块70424，用于按照每个目标字符在待识别图片中的先后顺序，对n个目标字符进行组合，得到待识别图片中包含的文字信息。

进一步地，该内容匹配模块705包括：

类型判断子模块7051，用于判断救援类型与目标救援类型是否匹配，得到类型匹配结果；

车牌号判断子模块7052，用于判断救援车牌号与目标救援车牌号是否匹配，得到车牌匹配结果；

车架号判断子模块7053，用于判断救援车架号与目标救援车架号是否匹配，得到车架匹配结果；

位置判断子模块7054，用于判断救援地理位置与目标救援地理位置是否匹配，得到位置匹配结果；

匹配结果第一子模块7055，用于当类型匹配结果、车牌匹配结果、车架匹配结果和位置匹配结果为是时，确定内容匹配结果为内容一致；

匹配结果第二子模块7056，用于当类型匹配结果、车牌匹配结果、车架匹配结果或位置匹配结果为否时，确定内容匹配结果为内容不一致。

进一步地，该特征匹配模块702包括：

历史图片获取子模块7021，用于从预设的历史救援库中，获取已成功救援的历史案件中的历史救援图片；

特征提取子模块7022，用于提取救援图片的图像特征和每个历史救援图片的图像特征；

相似度计算子模块7023，用于采用预设的相似度算法，计算救援图片的图像特征和每个历史救援图片的图像特征之间的图片相似度值；

虚假案件确定子模块70224，用于若存在一个图片相似度值大于或等于预设的相似度阈值，则确定目标案件属于虚假案件；

非虚假案件确定子模块7025，用于若每个图片相似度值均小于预设的相似度阈值，则确定目标案件不属于虚假案件。

关于案件自动审核装置的具体限定可以参见上文中对于案件自动审核方法的限定，在此不再赘述。上述案件自动审核装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储案件自动审核方法所涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种案件自动审核方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例案件自动审核方法的步骤，例如图2所示的步骤s10至步骤s60。或者，处理器执行计算机程序时实现上述实施例中案件自动审核装置的各模块/单元的功能，例如图8所示模块701至模块706的功能。为避免重复，这里不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中案件自动审核方法，或者，该计算机程序被处理器执行时实现上述装置实施例中案件自动审核装置中各模块/单元的功能。为避免重复，这里不再赘述。本领域普通技术人员可以理解实现上述实施例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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。