一种图像检测模型的构建及图像检测方法和装置

技术领域

本发明涉及图像检测技术领域，尤其涉及一种图像检测模型的构建及图像检测方法和装置。

背景技术

目前，在车险理赔领域，出现了很多欺诈行为，比如车主可能会将之前已经理赔过的车辆损坏照片又拿来要求保险公司赔偿，而保险公司也很难分辨出这些车辆损坏照片是不是当前拍摄的照片，无法决定赔偿还是不赔偿。车主的欺诈行为长久以来都是车险理赔业务场景中的痛点，而图像欺诈又是保险欺诈中十分重要的一环。目前图像检测技术逐步成熟，并应用于各个领域，但在车险理赔场景中图像检测技术尚不成熟。另外，目前很多图像检测技术是通过传统的算法提取图像特征，例如使用SIFT特征点提取图像特征，其中SIFT为Scale-invariant feature transform的缩写，即尺度不变特征变换，是用于图像处理领域的一种描述，这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。但是这种目前的图像检测技术不能准确地分辨出车主的车辆损坏照片对应的车辆是不是已经理赔过的车辆，而很多时候又很难到现场进行查看，即使可以到现场查看也会使得查看成本较高，不是理想的选择。如何防止车主的欺诈行为，准确检测出车辆损坏照片对应的车辆是不是已经理赔过的车辆，是当前车险理赔领域中亟待解决的问题。

发明内容

基于此，有必要针对上述问题，提出一种图像检测模型的构建及图像检测方法和装置，以准确检测出车辆损坏照片对应的车辆是否为已经理赔过的车辆，防止保险公司因为不良车主的欺诈行为造成损失。

本发明实施例的第一技术方案为：

一种图像检测模型的构建方法，其包括：获取目标训练图像集，所述目标训练图像集包括多张标记有拍摄对象的目标训练图像，且两张所述目标训练图像或均为拍摄同一拍摄对象所得到的图像，或为拍摄不同拍摄对象所得到的图像；从所述目标训练图像集中依次随机抽取两张所述目标训练图像，并将两张所述目标训练图像依次输入目标神经网络进行训练；判断使用所述目标训练图像集对所述目标神经网络的训练是否已经达到预定目标；若使用所述目标训练图像集对所述目标神经网络的训练已经达到预定目标，则记录并保存此时的所述目标神经网络对应的网络结构与模型参数数值，将其作为所述图像检测模型对应的网络结构与模型参数数值。

本发明实施例的第二技术方案为：

一种图像检测方法，其基于上述任一项所述的图像检测模型的构建方法所构建的图像检测模型来实现，其包括以下步骤：将待检测的目标检测图像输入所述图像检测模型进行处理，得到与所述目标检测图像对应的目标特征向量；从预设图像特征库中筛选出与所述目标特征向量相似性最大的对比特征向量，并将所述对比特征向量输入所述图像检测模型，计算出所述目标特征向量和所述对比特征向量之间的预测偏差绝对值；进一步判断所述预测偏差绝对值是否小于所述第一目标偏差阈值；若所述预测偏差绝对值小于所述第一目标偏差阈值，则判定所述目标检测图像和所述对比特征向量对应的图像为同一图像。

本发明实施例的第三技术方案为：

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

获取目标训练图像集，所述目标训练图像集包括多张标记有拍摄对象的目标训练图像，且两张所述目标训练图像或均为拍摄同一拍摄对象所得到的图像，或为拍摄不同拍摄对象所得到的图像；从所述目标训练图像集中依次随机抽取两张所述目标训练图像，并将两张所述目标训练图像依次输入目标神经网络进行训练；判断使用所述目标训练图像集对所述目标神经网络的训练是否已经达到预定目标；若使用所述目标训练图像集对所述目标神经网络的训练已经达到预定目标，则记录并保存此时的所述目标神经网络对应的网络结构与模型参数数值，将其作为所述图像检测模型对应的网络结构与模型参数数值。

或使得所述处理器执行以下步骤：

将待检测的目标检测图像输入所述图像检测模型进行处理，得到与所述目标检测图像对应的目标特征向量；从预设图像特征库中筛选出与所述目标特征向量相似性最大的对比特征向量，并将所述对比特征向量输入所述图像检测模型，计算出所述目标特征向量和所述对比特征向量之间的预测偏差绝对值；进一步判断所述预测偏差绝对值是否小于所述第一目标偏差阈值；若所述预测偏差绝对值小于所述第一目标偏差阈值，则判定所述目标检测图像和所述对比特征向量对应的图像为同一图像。

本发明实施例的第四技术方案为：

一种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，使得所述处理器执行以下步骤：

获取目标训练图像集，所述目标训练图像集包括多张标记有拍摄对象的目标训练图像，且两张所述目标训练图像或均为拍摄同一拍摄对象所得到的图像，或为拍摄不同拍摄对象所得到的图像；从所述目标训练图像集中依次随机抽取两张所述目标训练图像，并将两张所述目标训练图像依次输入目标神经网络进行训练；判断使用所述目标训练图像集对所述目标神经网络的训练是否已经达到预定目标；若使用所述目标训练图像集对所述目标神经网络的训练已经达到预定目标，则记录并保存此时的所述目标神经网络对应的网络结构与模型参数数值，将其作为所述图像检测模型对应的网络结构与模型参数数值。

或使得所述处理器执行以下步骤：

将待检测的目标检测图像输入所述图像检测模型进行处理，得到与所述目标检测图像对应的目标特征向量；从预设图像特征库中筛选出与所述目标特征向量相似性最大的对比特征向量，并将所述对比特征向量输入所述图像检测模型，计算出所述目标特征向量和所述对比特征向量之间的预测偏差绝对值；进一步判断所述预测偏差绝对值是否小于所述第一目标偏差阈值；若所述预测偏差绝对值小于所述第一目标偏差阈值，则判定所述目标检测图像和所述对比特征向量对应的图像为同一图像。

采用本发明实施例，具有如下有益效果：

本发明通过依次将标记有拍摄对象的两张目标训练图像输入目标神经网络进行训练，并判断对目标神经网络的训练是否已经达到预定目标，若是则记录并保存此时的目标神经网络对应的网络结构与模型参数数值，将其作为所述图像检测模型对应的网络结构与模型参数数值，可准确检测出车辆损坏照片对应的车辆是否为已经理赔过的车辆，有效防止保险公司因为不良车主的欺诈行为造成损失。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。

其中：

图1为一个实施例中图像检测模型的构建方法一实施方式的实施流程图；

图2为一个实施例中图像检测方法一实施方式一实施方式的实施流程图；

图3为一个实施例中计算机设备一实施方式的结构框图。

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，所描述的实施例仅仅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。

图1为一个实施例中图像检测模型的构建方法的实施流程图，参照图1，本实施例的一种图像检测模型的构建方法，其包括以下步骤：

步骤S101：获取目标训练图像集，所述目标训练图像集包括多张标记有拍摄对象的目标训练图像，且两张所述目标训练图像或均为拍摄同一拍摄对象所得到的图像，或为拍摄不同拍摄对象所得到的图像。

其中，目标训练图像集可选为1000组图像集，每一组100张图像，每一组的图像均为拍摄同一个拍摄对象的图像，且每一组图像对应的拍摄对象均不相同。从目标训练图像集随机抽取两张，则这两张图像的拍摄对象可能是相同的，也可能是不相同的。

步骤S102：从所述目标训练图像集中依次随机抽取两张所述目标训练图像，并将两张所述目标训练图像依次输入目标神经网络进行训练。其中，每次训练只用两张目标训练图像，从输入目标神经网络到输出，算为一次训练，下一次训练再随机抽取目标训练图像进行训练，依此类推。

其中，目标神经网络是指人工神经网络，人工神经网络(Artificial NeuralNetworks，简写为ANNs)是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力。

步骤S103：判断使用所述目标训练图像集对所述目标神经网络的训练是否已经达到预定目标。预定目标是一个预先设定的经验目标，要训练到两张图像的相似度符合预设要求，才算达到预定目标。

步骤S104：若使用所述目标训练图像集对所述目标神经网络的训练已经达到预定目标，则记录并保存此时的所述目标神经网络对应的网络结构与模型参数数值，将其作为所述图像检测模型对应的网络结构与模型参数数值。

在本实施例中，可选地，所述判断使用所述目标训练图像集对所述目标神经网络的训练是否已经达到预定目标，包括：

第一，分别获取两张所述目标训练图像对应的第一特征向量和第二特征向量。可选地，第一特征向量和第二特征向量为1024维的特征向量。

第二，计算出所述第一特征向量和所述第二特征向量之间的目标偏差绝对值。

第三，根据预设规则和所述目标偏差绝对值，判断使用所述目标训练图像集对所述目标神经网络的训练是否已经达到所述预定目标。

在本实施例中，可选地，所述根据预设规则和所述目标偏差绝对值，判断使用所述目标训练图像集对所述目标神经网络的训练是否已经达到所述预定目标，包括：

第一，分别获取所述第一特征向量和所述第二特征向量对应的第一目标训练图像和第二目标训练图像。

第二，判断所述第一目标训练图像和所述第二目标训练图像是否为拍摄同一拍摄对象所得到的图像。其中，若均为拍摄同一拍摄对象所得到的图像，则两张图像的相似度就会非常大，很难分辨出彼此，反之亦然。

第三，若所述第一目标训练图像和所述第二目标训练图像为拍摄同一拍摄对象所得到的图像，则进一步判断所述目标偏差绝对值是否小于第一目标偏差阈值。其中，第一目标偏差阈值是根据以往的经验值所得到的一个值。

第四，若所述目标偏差绝对值小于第一目标偏差阈值，则判定使用所述目标训练图像集对所述目标神经网络的训练已经达到所述预定目标。

在本实施例中，可选地，若所述第一目标训练图像和所述第二目标训练图像不是拍摄同一拍摄对象所得到的图像，则包括：

第一，进一步判断所述目标偏差绝对值是否大于第二目标偏差阈值，其中，第二目标偏差阈值是根据以往的经验值所得到的一个值。

第二，若所述目标偏差绝对值大于第二目标偏差阈值，则判定使用所述目标训练图像集对所述目标神经网络的训练已经达到所述预定目标。

在本实施例中，可选地，所述计算出所述第一特征向量和所述第二特征向量之间的目标偏差绝对值，包括：

第一，获取所述第一特征向量对应的各个位置的第一数字和所述第二特征向量对应的各个位置的第二数字。

第二，分别将位置对应的各个所述第一数字和各个所述第二数字相减后求绝对值，得到各个数字偏差绝对值。

第三，将各个所述数字偏差绝对值求和，得到所述目标偏差绝对值。

在本实施例中，可选地，所述分别获取两张所述目标训练图像对应的第一特征向量和第二特征向量，包括：

分别获取两张所述目标训练图像对应的1024维的特征向量，将其作为所述第一特征向量和所述第二特征向量。

如图2所示，在另一个实施例中，提供了一种图像检测方法，其基于权利要求上述任一项所述的图像检测模型的构建方法所构建的图像检测模型来实现，参照图2，该方法既可以应用于终端，也可以应用于服务器，本实施例以应用于终端举例说明，其中该图像检测方法，具体包括如下步骤：

步骤201：将待检测的目标检测图像输入所述图像检测模型进行处理，得到与所述目标检测图像对应的目标特征向量。

步骤202：从预设图像特征库中筛选出与所述目标特征向量相似性最大的对比特征向量，并将所述对比特征向量输入所述图像检测模型，计算出所述目标特征向量和所述对比特征向量之间的预测偏差绝对值。

步骤203：进一步判断所述预测偏差绝对值是否小于所述第一目标偏差阈值。

步骤204：若所述预测偏差绝对值小于所述第一目标偏差阈值，则判定所述目标检测图像和所述对比特征向量对应的图像为同一图像。

在本实施例中，可选地，若所述预测偏差绝对值大于所述第二目标偏差阈值，则判定所述目标检测图像和所述对比特征向量对应的图像不是同一图像。

图3示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图3所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现上述的图像检测模型的构建方法或图像检测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行上述的图像检测模型的构建方法或图像检测方法。本领域技术人员可以理解，图3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的限定，具体的计算机设备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。

在另一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

获取目标训练图像集，所述目标训练图像集包括多张标记有拍摄对象的目标训练图像，且两张所述目标训练图像或均为拍摄同一拍摄对象所得到的图像，或为拍摄不同拍摄对象所得到的图像；从所述目标训练图像集中依次随机抽取两张所述目标训练图像，并将两张所述目标训练图像依次输入目标神经网络进行训练；判断使用所述目标训练图像集对所述目标神经网络的训练是否已经达到预定目标；若使用所述目标训练图像集对所述目标神经网络的训练已经达到预定目标，则记录并保存此时的所述目标神经网络对应的网络结构与模型参数数值，将其作为所述图像检测模型对应的网络结构与模型参数数值。

或使得所述处理器执行以下步骤：

将待检测的目标检测图像输入所述图像检测模型进行处理，得到与所述目标检测图像对应的目标特征向量；从预设图像特征库中筛选出与所述目标特征向量相似性最大的对比特征向量，并将所述对比特征向量输入所述图像检测模型，计算出所述目标特征向量和所述对比特征向量之间的预测偏差绝对值；进一步判断所述预测偏差绝对值是否小于所述第一目标偏差阈值；若所述预测偏差绝对值小于所述第一目标偏差阈值，则判定所述目标检测图像和所述对比特征向量对应的图像为同一图像。

在另一个实施例中，提出了一种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，使得所述处理器执行以下步骤：

获取目标训练图像集，所述目标训练图像集包括多张标记有拍摄对象的目标训练图像，且两张所述目标训练图像或均为拍摄同一拍摄对象所得到的图像，或为拍摄不同拍摄对象所得到的图像；从所述目标训练图像集中依次随机抽取两张所述目标训练图像，并将两张所述目标训练图像依次输入目标神经网络进行训练；判断使用所述目标训练图像集对所述目标神经网络的训练是否已经达到预定目标；若使用所述目标训练图像集对所述目标神经网络的训练已经达到预定目标，则记录并保存此时的所述目标神经网络对应的网络结构与模型参数数值，将其作为所述图像检测模型对应的网络结构与模型参数数值。

或使得所述处理器执行以下步骤：

将待检测的目标检测图像输入所述图像检测模型进行处理，得到与所述目标检测图像对应的目标特征向量；从预设图像特征库中筛选出与所述目标特征向量相似性最大的对比特征向量，并将所述对比特征向量输入所述图像检测模型，计算出所述目标特征向量和所述对比特征向量之间的预测偏差绝对值；进一步判断所述预测偏差绝对值是否小于所述第一目标偏差阈值；若所述预测偏差绝对值小于所述第一目标偏差阈值，则判定所述目标检测图像和所述对比特征向量对应的图像为同一图像。

本发明通过依次将标记有拍摄对象的两张目标训练图像输入目标神经网络进行训练，并判断对目标神经网络的训练是否已经达到预定目标，若是则记录并保存此时的目标神经网络对应的网络结构与模型参数数值，将其作为所述图像检测模型对应的网络结构与模型参数数值，可准确检测出车辆损坏照片对应的车辆是否为已经理赔过的车辆，有效防止保险公司因为不良车主的欺诈行为造成损失。

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，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，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。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。