本發(fā)明涉及計算機技術領域，尤其涉及一種車損證件照片的分類方法、系統(tǒng)及可讀存儲介質。

背景技術：

目前，在車險領域，車險理賠系統(tǒng)中存在大量各類車險投保人的證件照片，如身份證照片、銀行卡照片、駕駛證照片等。理賠人員在查看或審核理賠申請時，需要核實這些證件照片并與系統(tǒng)中已有記錄作對比，進行風險控制。然而，車險理賠系統(tǒng)中的大量各類證件照片往往是混合存儲在一起，例如，身份證反面照片、身份證正面照片、身份證反面復印件影像檔、駕駛證主頁照片、駕駛證副頁照片、駕駛證主頁復印件影像檔等混合在一起，而沒有進行分類，使得理賠人員需要在眾多圖片中尋找各類證件照片進行查看或核驗，不僅降低了理賠人員的工作效率，而且準確率低下，帶來了潛在的理賠出錯風險。

技術實現(xiàn)要素：

本發(fā)明的主要目的在于提供一種車損證件照片的分類方法、系統(tǒng)及可讀存儲介質，旨在提高理賠人員的工作效率及車損理賠的準確率。

為實現(xiàn)上述目的，本發(fā)明提供的一種電子裝置，所述電子裝置包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的車損證件照片的分類系統(tǒng)，所述車損證件照片的分類系統(tǒng)被所述處理器執(zhí)行時實現(xiàn)如下步驟：

a、接收車險投保人上傳的身份信息和證件照片，利用訓練的預設類型模型識別出各個所述證件照片對應的第一照片類別名，并生成與所述身份信息對應的第一照片類別名列表，所述第一照片類別名列表中包括識別出的各個第一照片類別名，各個所述第一照片類別名與對應的證件照片關聯(lián)映射；

b、在收到理賠終端發(fā)出的帶有車險理賠人的身份信息的證件照片調取指令后，查找與該車險理賠人的身份信息對應的第一照片類別名列表；

c、若找到對應的第一照片類別名列表，則將找到的第一照片類別名列表反饋給該理賠終端，以供理賠人員基于找到的第一照片類別名列表調取出各個照片類別名關聯(lián)映射的證件照片。

優(yōu)選地，所述處理器還用于執(zhí)行所述車損證件照片的分類系統(tǒng)，以實現(xiàn)以下步驟：

若收到該理賠終端發(fā)送來的對找到的第一照片類別名列表中照片類別名的選擇指令，則調取出與所述選擇指令對應的照片類別名相關聯(lián)映射的證件照片，并將調取出的證件照片反饋給該理賠終端。

優(yōu)選地，在所述步驟a之后，所述處理器還用于執(zhí)行所述車損證件照片的分類系統(tǒng)，以實現(xiàn)以下步驟：

接收車險投保人上傳的身份信息和證件照片，利用訓練的預設類型模型識別出各個所述證件照片對應的第二照片類別名；

查找與該身份信息對應的第一照片類別名列表；

若找到對應的第一照片類別名列表，則將第一照片類別名列表中的第一照片類別名與識別出的第二照片類別名進行匹配關聯(lián)，并基于關聯(lián)結果生成第二照片類別名列表，所述第二照片類別名列表中包括第一照片類別名列表中的第一照片類別名，及識別出的第二照片類別名，各個所述第二照片類別名與對應的證件照片關聯(lián)映射。

優(yōu)選地，所述處理器還用于執(zhí)行所述車損證件照片的分類系統(tǒng)，以實現(xiàn)以下步驟：

將匹配關聯(lián)的第一照片類別名和第二照片類別名置于同一顯示行或者顯示列顯示。

優(yōu)選地，所述預設類型模型為卷積神經網(wǎng)絡區(qū)域模型，所述預設類型模型的訓練過程如下：

s1、為每一個預設照片類別準備預設數(shù)量的標注有對應的照片類別名的證件照片樣本；

s2、將每一個預設照片類別對應的證件照片樣本分為第一比例的訓練子集和第二比例的驗證子集，將各個訓練子集中的照片樣本進行混合以得到訓練集，并將各個驗證子集中的照片樣本進行混合以得到驗證集；

s3、利用所述訓練集訓練所述預設類型模型；

s4、利用所述驗證集驗證訓練的所述預設類型模型的準確率，若準確率大于或者等于預設準確率，則訓練結束，或者，若準確率小于預設準確率，則增加每一個預設照片類別對應的證件照片樣本的數(shù)量，并重新執(zhí)行步驟s2、s3、s4。

此外，為實現(xiàn)上述目的，本發(fā)明還提供一種車損證件照片的分類方法，應用于電子裝置，所述方法包括：

a、接收車險投保人上傳的身份信息和證件照片，利用訓練的預設類型模型識別出各個所述證件照片對應的第一照片類別名，并生成與所述身份信息對應的第一照片類別名列表，所述第一照片類別名列表中包括識別出的各個第一照片類別名，各個所述第一照片類別名與對應的證件照片關聯(lián)映射；

b、在收到理賠終端發(fā)出的帶有車險理賠人的身份信息的證件照片調取指令后，查找與該車險理賠人的身份信息對應的第一照片類別名列表；

c、若找到對應的第一照片類別名列表，則將找到的第一照片類別名列表反饋給該理賠終端，以供理賠人員基于找到的第一照片類別名列表調取出各個照片類別名關聯(lián)映射的證件照片。

優(yōu)選地，該方法還包括：

若收到該理賠終端發(fā)送來的對找到的第一照片類別名列表中照片類別名的選擇指令，則調取出與所述選擇指令對應的照片類別名相關聯(lián)映射的證件照片，并將調取出的證件照片反饋給該理賠終端。

優(yōu)選地，在所述步驟a之后，還包括：

接收車險投保人上傳的身份信息和證件照片，利用訓練的預設類型模型識別出各個所述證件照片對應的第二照片類別名；

查找與該身份信息對應的第一照片類別名列表；

若找到對應的第一照片類別名列表，則將第一照片類別名列表中的第一照片類別名與識別出的第二照片類別名進行匹配關聯(lián)，并基于關聯(lián)結果生成第二照片類別名列表，所述第二照片類別名列表中包括第一照片類別名列表中的第一照片類別名，及識別出的第二照片類別名，各個所述第二照片類別名與對應的證件照片關聯(lián)映射。

優(yōu)選地，所述預設類型模型為卷積神經網(wǎng)絡區(qū)域模型，所述預設類型模型的訓練過程如下：

s1、為每一個預設照片類別準備預設數(shù)量的標注有對應的照片類別名的證件照片樣本；

s2、將每一個預設照片類別對應的證件照片樣本分為第一比例的訓練子集和第二比例的驗證子集，將各個訓練子集中的照片樣本進行混合以得到訓練集，并將各個驗證子集中的照片樣本進行混合以得到驗證集；

s3、利用所述訓練集訓練所述預設類型模型；

s4、利用所述驗證集驗證訓練的所述預設類型模型的準確率，若準確率大于或者等于預設準確率，則訓練結束，或者，若準確率小于預設準確率，則增加每一個預設照片類別對應的證件照片樣本的數(shù)量，并重新執(zhí)行步驟s2、s3、s4。

進一步地，為實現(xiàn)上述目的，本發(fā)明還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有車損證件照片的分類系統(tǒng)，所述車損證件照片的分類系統(tǒng)可被至少一個處理器執(zhí)行，以使所述至少一個處理器執(zhí)行如上述的車損證件照片的分類方法的步驟。

本發(fā)明提出的車損證件照片的分類方法、系統(tǒng)及可讀存儲介質，在車險投保人進行投保時，利用訓練的預設類型模型識別出車險投保人提供的各個證件照片對應的第一照片類別名，并生成與車險投保人的身份信息對應的第一照片類別名列表，該第一照片類別名列表中各個第一照片類別名與對應的證件照片關聯(lián)映射；在理賠終端發(fā)出證件照片調取指令后，可根據(jù)車險理賠人的身份信息找到對應的第一照片類別名列表，理賠人員即可基于第一照片類別名列表調取出各個照片類別名關聯(lián)映射的證件照片，而無需理賠人員人工在眾多圖片中尋找各類證件照片，實現(xiàn)了車損證件照片的自動分類，不僅提高了理賠人員的工作效率，而且準確率更高。

附圖說明

圖1為本發(fā)明車損證件照片的分類系統(tǒng)10較佳實施例的運行環(huán)境示意圖；

圖2為本發(fā)明車損證件照片的分類系統(tǒng)一實施例的功能模塊示意圖；

圖3為本發(fā)明車損證件照片的分類系統(tǒng)另一實施例的功能模塊示意圖；

圖4為本發(fā)明車損證件照片的分類方法一實施例的流程示意圖。

本發(fā)明目的的實現(xiàn)、功能特點及優(yōu)點將結合實施例，參照附圖做進一步說明。

具體實施方式

為了使本發(fā)明所要解決的技術問題、技術方案及有益效果更加清楚、明白，以下結合附圖和實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明提供一種車損證件照片的分類系統(tǒng)。請參閱圖1，是本發(fā)明車損證件照片的分類系統(tǒng)10較佳實施例的運行環(huán)境示意圖。

在本實施例中，所述的車損證件照片的分類系統(tǒng)10安裝并運行于電子裝置1中。該電子裝置1可包括，但不僅限于，存儲器11、處理器12及顯示器13。圖1僅示出了具有組件11-13的電子裝置1，但是應理解的是，并不要求實施所有示出的組件，可以替代的實施更多或者更少的組件。

所述存儲器11為至少一種類型的可讀計算機存儲介質，在一些實施例中存儲器11可以是所述電子裝置1的內部存儲單元，例如該電子裝置1的硬盤或內存。所述存儲器11在另一些實施例中存儲器11也可以是所述電子裝置1的外部存儲設備，例如所述電子裝置1上配備的插接式硬盤，智能存儲卡(smartmediacard,smc)，安全數(shù)字(securedigital,sd)卡，閃存卡(flashcard)等。進一步地，所述存儲器11還可以既包括所述電子裝置1的內部存儲單元也包括外部存儲設備。所述存儲器11用于存儲安裝于所述電子裝置1的應用軟件及各類數(shù)據(jù)，例如所述車損證件照片的分類系統(tǒng)10的程序代碼等。所述存儲器11還可以用于暫時地存儲已經輸出或者將要輸出的數(shù)據(jù)。

所述處理器12在一些實施例中可以是一中央處理器(centralprocessingunit,cpu)，微處理器或其他數(shù)據(jù)處理芯片，用于運行所述存儲器11中存儲的程序代碼或處理數(shù)據(jù)，例如執(zhí)行所述車損證件照片的分類系統(tǒng)10等。

所述顯示器13在一些實施例中可以是led顯示器、液晶顯示器、觸控式液晶顯示器以及oled(organiclight-emittingdiode，有機發(fā)光二極管)觸摸器等。所述顯示器13用于顯示在所述電子裝置1中處理的信息以及用于顯示可視化的用戶界面，例如車險投保人投保時發(fā)送的身份信息和證件照片、理賠終端發(fā)出的待審核的車險理賠人的身份信息和證件照片等。所述電子裝置1的部件11-13通過系統(tǒng)總線相互通信。

請參閱圖2，是本發(fā)明車損證件照片的分類系統(tǒng)10較佳實施例的功能模塊圖。在本實施例中，所述的車損證件照片的分類系統(tǒng)10可以被分割成一個或多個模塊，所述一個或者多個模塊被存儲于所述存儲器11中，并由一個或多個處理器(本實施例為所述處理器12)所執(zhí)行，以完成本發(fā)明。例如，在圖2中，所述的車損證件照片的分類系統(tǒng)10可以被分割成識別模塊01、查找模塊02及反饋模塊03。本發(fā)明所稱的模塊是指能夠完成特定功能的一系列計算機程序指令段，比程序更適合于描述所述車損證件照片的分類系統(tǒng)10在所述電子裝置1中的執(zhí)行過程。以下描述將具體介紹所述識別模塊01、查找模塊02及反饋模塊03的功能。

識別模塊01，用于接收車險投保人上傳的身份信息和證件照片，利用訓練的預設類型模型識別出各個所述證件照片對應的第一照片類別名，并生成與所述身份信息對應的第一照片類別名列表，所述第一照片類別名列表中包括識別出的各個第一照片類別名，各個所述第一照片類別名與對應的證件照片關聯(lián)映射。

本實施例中，車損證件照片的分類系統(tǒng)可以接收車險投保人發(fā)出的帶有車險投保人的身份信息(例如，身份證號碼等)和證件照片(例如，身份證反面照片、身份證正面照片、身份證反面復印件影像檔、駕駛證主頁照片、駕駛證副頁照片、駕駛證主頁復印件影像檔等)的投保請求，例如，接收用戶在手機、平板電腦、自助終端設備等終端中預先安裝的客戶端上發(fā)送來的投保請求，或接收用戶在手機、平板電腦、自助終端設備等終端中的瀏覽器系統(tǒng)上發(fā)送來的投保請求，如用戶可在客戶端或瀏覽器提供的界面上輸入車險投保人的身份信息，并上傳相關的證件照片后，向車損證件照片的分類系統(tǒng)發(fā)出投保請求。

車損證件照片的分類系統(tǒng)在收到帶有車險投保人的身份信息和證件照片的投保請求后，利用訓練的預設類型模型識別出各個所述證件照片對應的第一照片類別名(例如，身份證反面、身份證正面、身份證反面復印件、駕駛證主頁、駕駛證副頁、駕駛證主頁復印件等名稱)。其中，該預設類型模型可預先通過對大量不同照片類別的樣本圖片進行標注，并針對不同照片類別的樣本圖片進行識別來不斷進行訓練、學習、驗證、優(yōu)化等，以將其訓練成能準確識別出不同照片類別名的模型。例如，該預設類型模型可采用深度卷積神經網(wǎng)絡模型(convolutionalneuralnetwork，cnn)模型等。

利用訓練的預設類型模型識別出各個所述證件照片對應的第一照片類別名后，可生成與車險投保人的身份信息對應的第一照片類別名列表，所述第一照片類別名列表中包括識別出的各個第一照片類別名，其中，所述第一照片類別名列表中的各個第一照片類別名與對應的證件照片關聯(lián)映射，即所述第一照片類別名列表中在各個第一照片類別名與對應的證件照片之間建立有映射關聯(lián)的關系。例如，在所述第一照片類別名列表中，各個所述第一照片類別名后生成有對應的照片調取選項，點擊所述照片調取選項即可調取出對應的證件照片；或者，各個所述第一照片類別名顯示區(qū)域含有對應的證件照片的鏈接地址，點擊所述第一照片類別名，即可直接調取出所點擊的第一照片類別名對應的證件照片。

查找模塊02，用于在收到理賠終端發(fā)出的帶有車險理賠人的身份信息(例如，身份證號碼等)的證件照片調取指令后，查找與該車險理賠人的身份信息對應的第一照片類別名列表。

反饋模塊03，用于若找到對應的第一照片類別名列表，則將找到的第一照片類別名列表反饋給該理賠終端，以供理賠人員基于找到的第一照片類別名列表調取出各個照片類別名關聯(lián)映射的證件照片。例如，在所述第一照片類別名列表中，各個所述第一照片類別名后生成有對應的照片調取選項，將找到的第一照片類別名列表反饋給理賠終端后，理賠人員只需根據(jù)當前需調取的照片類別名在所述第一照片類別名列表中點擊對應照片類別名的照片調取選項即可調取出對應的證件照片?；蛘?，各個所述第一照片類別名顯示區(qū)域含有對應的證件照片的鏈接地址，理賠人員只需點擊所述第一照片類別名列表中當前需調取的照片類別名，即可自動調取出所點擊的照片類別名對應的證件照片。

本實施例中在車險投保人進行投保時，利用訓練的預設類型模型識別出車險投保人提供的各個證件照片對應的第一照片類別名，并生成與車險投保人的身份信息對應的第一照片類別名列表，該第一照片類別名列表中各個第一照片類別名與對應的證件照片關聯(lián)映射；在理賠終端發(fā)出證件照片調取指令后，可根據(jù)車險理賠人的身份信息找到對應的第一照片類別名列表，理賠人員即可基于第一照片類別名列表調取出各個照片類別名關聯(lián)映射的證件照片，而無需理賠人員人工在眾多圖片中尋找各類證件照片，實現(xiàn)了車損證件照片的自動分類，不僅提高了理賠人員的工作效率，而且準確率更高，降低了理賠出錯的風險。

優(yōu)選地，上述反饋模塊03還用于：

若收到該理賠終端發(fā)送來的對找到的第一照片類別名列表中照片類別名的選擇指令，則調取出與所述選擇指令對應的照片類別名相關聯(lián)映射的證件照片，并將調取出的證件照片反饋給該理賠終端。例如，在所述第一照片類別名列表中，各個所述第一照片類別名后生成有對應的照片調取選項，點擊所述照片調取選項即為向對應的照片類別名發(fā)出選擇指令；或者，各個所述第一照片類別名顯示區(qū)域含有對應的證件照片的鏈接地址，點擊所述第一照片類別名即為向所述第一照片類別名發(fā)出選擇指令。在收到理賠終端發(fā)送來的對找到的第一照片類別名列表中照片類別名的選擇指令后，即可找出與選擇的照片類別名相關聯(lián)映射的證件照片，并將找出的證件照片作為調取出的證件照片反饋給該理賠終端。

如圖3所示，本發(fā)明另一實施例提出一種車損證件照片的分類系統(tǒng)，在上述實施例的基礎上，還包括匹配關聯(lián)模塊04，其中：

所述識別模塊01還用于：

接收車險理賠人上傳的身份信息(例如，身份證號碼)和證件照片(例如，身份證反面照片、身份證正面照片、身份證反面復印件影像檔、駕駛證主頁照片、駕駛證副頁照片、駕駛證主頁復印件影像檔等)，利用訓練的預設類型模型識別出各個所述證件照片對應的第二照片類別名。

所述查找模塊02還用于：

查找與該身份信息對應的第一照片類別名列表。

所述匹配關聯(lián)模塊04還用于：

若找到對應的第一照片類別名列表，則將第一照片類別名列表中的第一照片類別名與識別出的第二照片類別名進行匹配關聯(lián)，例如，若有識別出的第二照片類別名與一個第一照片類別名相同，則將該第二照片類別名與該第一照片類別名進行關聯(lián)，或者，若有識別出的第二照片類別名與一個第一照片類別名屬于預設的關聯(lián)類別(該關聯(lián)類別可以是聯(lián)系較為緊密的照片類別，如身份證正面照片和身份證反面照片，駕駛證主頁照片和駕駛證副頁照片，等等)，則將該第二照片類別名與該第一照片類別名進行關聯(lián)?；陉P聯(lián)結果生成第二照片類別名列表，所述第二照片類別名列表中包括第一照片類別名列表中的第一照片類別名，及識別出的第二照片類別名，各個所述第一照片類別名與對應的證件照片關聯(lián)映射，且各個所述第二照片類別名與對應的證件照片關聯(lián)映射。

進一步地，將匹配關聯(lián)的第一照片類別名和第二照片類別名置于同一顯示行或者顯示列顯示。在一種實施方式中，在所述第二照片類別名列表中，各個所述第一照片類別名后生成有對應的照片調取選項，點擊所述照片調取選項即可調取出對應的證件照片，或者，各個所述第一照片類別名顯示區(qū)域含有對應的證件照片的鏈接地址，點擊所述第一照片類別名，即可調取出所點擊的第一照片類別名對應的證件照片；各個所述第二照片類別名后生成有對應的照片調取選項，點擊所述照片調取選項即可調取出對應的證件照片，或者，各個所述第二照片類別名顯示區(qū)域含有對應的證件照片的鏈接地址，點擊所述第二照片類別名，即可調取出所點擊的第二照片類別名對應的證件照片。在另一種實施方式中，在所述第二照片類別名列表中，匹配關聯(lián)的第一照片類別名和第二照片類別名對應一個照片調取選項，點擊所述照片調取選項即可調取出匹配關聯(lián)的證件照片和證件照片，或者，匹配關聯(lián)的第一照片類別名和第二照片類別名的顯示行或者顯示列，含有對應的證件照片的鏈接地址，點擊所述顯示行區(qū)域或者顯示列區(qū)域，即可調取出對應的證件照片和證件照片。

本實施例中，在進行理賠時，可對理賠人發(fā)送的證件照片的第二照片類別名進行識別后自動進行分類，并與該理賠人在投保時生成的第一照片類別名列表中的照片類別名進行匹配，生成第二照片類別名列表。理賠端的工作人員即可根據(jù)該第二照片類別名列表調取理賠時理賠人發(fā)送的各個照片類別的證件照片以及投保時發(fā)送的各個照片類別的證件照片，以比對同一照片類別在理賠時提供的證件照片與投保時提供的證件照片是否一致，來進行理賠審核，無需人工在眾多圖片中尋找各類證件照片，不僅提高了理賠人員的工作效率，而且準確率更高。

進一步地，在其他實施例中，所述預設類型模型為卷積神經網(wǎng)絡區(qū)域模型(regionswithconvolutionalneuralnetwork，簡稱rcnn)模型，所述預設類型模型的訓練過程如下：

s1、為每一個預設照片類別準備預設數(shù)量(例如，1000張)的標注有對應的照片類別名的證件照片樣本；

s2、將每一個預設照片類別對應的證件照片樣本分為第一比例(例如，70％)的訓練子集和第二比例(例如，30％)的驗證子集，將各個訓練子集中的照片樣本進行混合以得到訓練集，并將各個驗證子集中的照片樣本進行混合以得到驗證集；

s3、利用所述訓練集訓練所述預設類型模型；

s4、利用所述驗證集驗證訓練的所述預設類型模型的準確率，若準確率大于或者等于預設準確率，則訓練結束，或者，若準確率小于預設準確率，則增加每一個預設照片類別對應的證件照片樣本的數(shù)量，并重新執(zhí)行步驟s2、s3、s4，直至訓練的所述預設類型模型的準確率大于或者等于預設準確率。

如下表1所示，在一種具體實施方式中，預設照片類別總共有18種(身份證反面、身份證正面、身份證反面復印件等)，并對每一照片類別名設置對應的類別號，根據(jù)該類別號的順序依次對每一個預設照片類別的證件照片樣本進行識別、訓練，直至完成所有預設照片類別的模型訓練，最終得到能準確識別這18種預設照片類別的卷積神經網(wǎng)絡區(qū)域模型。

表1

本發(fā)明進一步提供一種車損證件照片的分類方法。

參照圖4，圖4為本發(fā)明車損證件照片的分類方法一實施例的流程示意圖。

在一實施例中，該車損證件照片的分類方法包括：

步驟s10，接收車險投保人上傳的身份信息和證件照片，利用訓練的預設類型模型識別出各個所述證件照片對應的第一照片類別名，并生成與所述身份信息對應的第一照片類別名列表，所述第一照片類別名列表中包括識別出的各個第一照片類別名，各個所述第一照片類別名與對應的證件照片關聯(lián)映射。

本實施例中，車損證件照片的分類系統(tǒng)可以接收車險投保人發(fā)出的帶有車險投保人的身份信息(例如，身份證號碼等)和證件照片(例如，身份證反面照片、身份證正面照片、身份證反面復印件影像檔、駕駛證主頁照片、駕駛證副頁照片、駕駛證主頁復印件影像檔等)的投保請求，例如，接收用戶在手機、平板電腦、自助終端設備等終端中預先安裝的客戶端上發(fā)送來的投保請求，或接收用戶在手機、平板電腦、自助終端設備等終端中的瀏覽器系統(tǒng)上發(fā)送來的投保請求，如用戶可在客戶端或瀏覽器提供的界面上輸入車險投保人的身份信息，并上傳相關的證件照片后，向車損證件照片的分類系統(tǒng)發(fā)出投保請求。

車損證件照片的分類系統(tǒng)在收到帶有車險投保人的身份信息和證件照片的投保請求后，利用訓練的預設類型模型識別出各個所述證件照片對應的第一照片類別名(例如，身份證反面、身份證正面、身份證反面復印件、駕駛證主頁、駕駛證副頁、駕駛證主頁復印件等名稱)。其中，該預設類型模型可預先通過對大量不同照片類別的樣本圖片進行標注，并針對不同照片類別的樣本圖片進行識別來不斷進行訓練、學習、驗證、優(yōu)化等，以將其訓練成能準確識別出不同照片類別名的模型。例如，該預設類型模型可采用深度卷積神經網(wǎng)絡模型(convolutionalneuralnetwork，cnn)模型等。

利用訓練的預設類型模型識別出各個所述證件照片對應的第一照片類別名后，可生成與車險投保人的身份信息對應的第一照片類別名列表，所述第一照片類別名列表中包括識別出的各個第一照片類別名，其中，所述第一照片類別名列表中的各個第一照片類別名與對應的證件照片關聯(lián)映射，即所述第一照片類別名列表中在各個第一照片類別名與對應的證件照片之間建立有映射關聯(lián)的關系。例如，在所述第一照片類別名列表中，各個所述第一照片類別名后生成有對應的照片調取選項，點擊所述照片調取選項即可調取出對應的證件照片；或者，各個所述第一照片類別名顯示區(qū)域含有對應的證件照片的鏈接地址，點擊所述第一照片類別名，即可直接調取出所點擊的第一照片類別名對應的證件照片。

步驟s20，在收到理賠終端發(fā)出的帶有車險理賠人的身份信息(例如，身份證號碼等)的證件照片調取指令后，查找與該車險理賠人的身份信息對應的第一照片類別名列表。

步驟s30，若找到對應的第一照片類別名列表，則將找到的第一照片類別名列表反饋給該理賠終端，以供理賠人員基于找到的第一照片類別名列表調取出各個照片類別名關聯(lián)映射的證件照片。例如，在所述第一照片類別名列表中，各個所述第一照片類別名后生成有對應的照片調取選項，將找到的第一照片類別名列表反饋給理賠終端后，理賠人員只需根據(jù)當前需調取的照片類別名在所述第一照片類別名列表中點擊對應照片類別名的照片調取選項即可調取出對應的證件照片?；蛘?，各個所述第一照片類別名顯示區(qū)域含有對應的證件照片的鏈接地址，理賠人員只需點擊所述第一照片類別名列表中當前需調取的照片類別名，即可自動調取出所點擊的照片類別名對應的證件照片。

本實施例中在車險投保人進行投保時，利用訓練的預設類型模型識別出車險投保人提供的各個證件照片對應的第一照片類別名，并生成與車險投保人的身份信息對應的第一照片類別名列表，該第一照片類別名列表中各個第一照片類別名與對應的證件照片關聯(lián)映射；在理賠終端發(fā)出證件照片調取指令后，可根據(jù)車險理賠人的身份信息找到對應的第一照片類別名列表，理賠人員即可基于第一照片類別名列表調取出各個照片類別名關聯(lián)映射的證件照片，而無需理賠人員人工在眾多圖片中尋找各類證件照片，實現(xiàn)了車損證件照片的自動分類，不僅提高了理賠人員的工作效率，而且準確率更高，降低了理賠出錯的風險。

進一步地，在其他實施例中，該方法還包括：

若收到該理賠終端發(fā)送來的對找到的第一照片類別名列表中照片類別名的選擇指令，則調取出與所述選擇指令對應的照片類別名相關聯(lián)映射的證件照片，并將調取出的證件照片反饋給該理賠終端。例如，在所述第一照片類別名列表中，各個所述第一照片類別名后生成有對應的照片調取選項，點擊所述照片調取選項即為向對應的照片類別名發(fā)出選擇指令；或者，各個所述第一照片類別名顯示區(qū)域含有對應的證件照片的鏈接地址，點擊所述第一照片類別名即為向所述第一照片類別名發(fā)出選擇指令。在收到理賠終端發(fā)送來的對找到的第一照片類別名列表中照片類別名的選擇指令后，即可找出與選擇的照片類別名相關聯(lián)映射的證件照片，并將找出的證件照片作為調取出的證件照片反饋給該理賠終端。

進一步地，在其他實施例中，在所述步驟s10之后，還包括：

接收車險理賠人的身份信息(例如，身份證號碼)和證件照片(例如，身份證反面照片、身份證正面照片、身份證反面復印件影像檔、駕駛證主頁照片、駕駛證副頁照片、駕駛證主頁復印件影像檔等)，利用訓練的預設類型模型識別出各個所述證件照片對應的第二照片類別名。

查找與該身份信息對應的第一照片類別名列表。

若找到對應的第一照片類別名列表，則將第一照片類別名列表中的第一照片類別名與識別出的第二照片類別名進行匹配關聯(lián)，例如，若有識別出的第二照片類別名與一個第一照片類別名相同，則將該第二照片類別名與該第一照片類別名進行關聯(lián)，或者，若有識別出的第二照片類別名與一個第一照片類別名屬于預設的關聯(lián)類別(該關聯(lián)類別可以是聯(lián)系較為緊密的照片類別，如身份證正面照片和身份證反面照片，駕駛證主頁照片和駕駛證副頁照片，等等)，則將該第二照片類別名與該第一照片類別名進行關聯(lián)。基于關聯(lián)結果生成第二照片類別名列表，所述第二照片類別名列表中包括第一照片類別名列表中的第一照片類別名，及識別出的第二照片類別名，各個所述第一照片類別名與對應的證件照片關聯(lián)映射，且各個所述第二照片類別名與對應的證件照片關聯(lián)映射。

進一步地，將匹配關聯(lián)的第一照片類別名和第二照片類別名置于同一顯示行或者顯示列顯示。在一種實施方式中，在所述第二照片類別名列表中，各個所述第一照片類別名后生成有對應的照片調取選項，點擊所述照片調取選項即可調取出對應的證件照片，或者，各個所述第一照片類別名顯示區(qū)域含有對應的證件照片的鏈接地址，點擊所述第一照片類別名，即可調取出所點擊的第一照片類別名對應的證件照片；各個所述第二照片類別名后生成有對應的照片調取選項，點擊所述照片調取選項即可調取出對應的證件照片，或者，各個所述第二照片類別名顯示區(qū)域含有對應的證件照片的鏈接地址，點擊所述第二照片類別名，即可調取出所點擊的第二照片類別名對應的證件照片。在另一種實施方式中，在所述第二照片類別名列表中，匹配關聯(lián)的第一照片類別名和第二照片類別名對應一個照片調取選項，點擊所述照片調取選項即可調取出匹配關聯(lián)的證件照片和證件照片，或者，匹配關聯(lián)的第一照片類別名和第二照片類別名的顯示行或者顯示列，含有對應的證件照片的鏈接地址，點擊所述顯示行區(qū)域或者顯示列區(qū)域，即可調取出對應的證件照片和證件照片。

本實施例中，在進行理賠時，可對理賠人發(fā)送的證件照片的第二照片類別名進行識別后自動進行分類，并與該理賠人在投保時生成的第一照片類別名列表中的照片類別名進行匹配，生成第二照片類別名列表。理賠端的工作人員即可根據(jù)該第二照片類別名列表調取理賠時理賠人發(fā)送的各個照片類別的證件照片以及投保時發(fā)送的各個照片類別的證件照片，以比對同一照片類別在理賠時提供的證件照片與投保時提供的證件照片是否一致，來進行理賠審核，無需人工在眾多圖片中尋找各類證件照片，不僅提高了理賠人員的工作效率，而且準確率更高。

進一步地，在其他實施例中，所述預設類型模型為卷積神經網(wǎng)絡區(qū)域模型(regionswithconvolutionalneuralnetwork，簡稱rcnn)模型，所述預設類型模型的訓練過程如下：

s1、為每一個預設照片類別準備預設數(shù)量(例如，1000張)的標注有對應的照片類別名的證件照片樣本；

s2、將每一個預設照片類別對應的證件照片樣本分為第一比例(例如，70％)的訓練子集和第二比例(例如，30％)的驗證子集，將各個訓練子集中的照片樣本進行混合以得到訓練集，并將各個驗證子集中的照片樣本進行混合以得到驗證集；

s3、利用所述訓練集訓練所述預設類型模型；

s4、利用所述驗證集驗證訓練的所述預設類型模型的準確率，若準確率大于或者等于預設準確率，則訓練結束，或者，若準確率小于預設準確率，則增加每一個預設照片類別對應的證件照片樣本的數(shù)量，并重新執(zhí)行步驟s2、s3、s4，直至訓練的所述預設類型模型的準確率大于或者等于預設準確率。

如下表1所示，在一種具體實施方式中，預設照片類別總共有18種(身份證反面、身份證正面、身份證反面復印件等)，并對每一照片類別名設置對應的類別號，根據(jù)該類別號的順序依次對每一個預設照片類別的證件照片樣本進行識別、訓練，直至完成所有預設照片類別的模型訓練，最終得到能準確識別這18種預設照片類別的卷積神經網(wǎng)絡區(qū)域模型。

表1

此外，本發(fā)明還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有車損證件照片的分類系統(tǒng)，所述車損證件照片的分類系統(tǒng)可被至少一個處理器執(zhí)行，以使所述至少一個處理器執(zhí)行如上述實施例中的車損證件照片的分類方法的步驟，該車損證件照片的分類方法的步驟s10、s20、s30等具體實施過程如上文所述，在此不再贅述。

需要說明的是，在本文中，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者裝置不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者裝置所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括該要素的過程、方法、物品或者裝置中還存在另外的相同要素。

通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到上述實施例方法可借助軟件加必需的通用硬件平臺的方式來實現(xiàn)，當然也可以通過硬件來實現(xiàn)，但很多情況下前者是更佳的實施方式。基于這樣的理解，本發(fā)明的技術方案本質上或者說對現(xiàn)有技術做出貢獻的部分可以以軟件產品的形式體現(xiàn)出來，該計算機軟件產品存儲在一個存儲介質(如rom/ram、磁碟、光盤)中，包括若干指令用以使得一臺終端設備(可以是手機，計算機，服務器，空調器，或者網(wǎng)絡設備等)執(zhí)行本發(fā)明各個實施例所述的方法。

以上參照附圖說明了本發(fā)明的優(yōu)選實施例，并非因此局限本發(fā)明的權利范圍。上述本發(fā)明實施例序號僅僅為了描述，不代表實施例的優(yōu)劣。另外，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟。

本領域技術人員不脫離本發(fā)明的范圍和實質，可以有多種變型方案實現(xiàn)本發(fā)明，比如作為一個實施例的特征可用于另一實施例而得到又一實施例。凡在運用本發(fā)明的技術構思之內所作的任何修改、等同替換和改進，均應在本發(fā)明的權利范圍之內。