一种基于人像识别的智能健康险提供方法及系统与流程

本发明涉及保险自动处理，具体涉及一种基于人像识别的智能健康险提供方法及系统。

背景技术：

1、在保险行业，健康险作为一种重要的保险产品，为被保险人在意外事件或健康状况不佳时提供了重要的经济保障。然而，传统的健康险产品通常缺乏个性化定制，未能充分考虑被保险人的健康状况、风险特征以及家庭遗传因素。同时，由于信息获取和风险评估的局限性，传统的健康险产品往往无法提供精准的保障方案，导致被保险人在保障范围、费用等方面存在不确定性。

2、且在传统的健康险中，没有为被保险人提供切合实际的保险产品导致健康险参与率较低，例如，没有考虑到家族基因遗传性疾病的考虑、以及没有考虑根据历史病例、就医、买药情况，判断家族基因患某种病的概率情况，且现有的健康险需要本人现场办理，不能够远程收集一键操作，导致手续繁琐，缺少一图即可参保的技术，或者相关技术判断准确率较低，采用较为传统的方法，且方法没有根据人像进一步搜集家族数据等，导致方案合理性较差。

3、因此，如何设计一种能够综合考虑人像及家庭基因等因素，能够一图直接给健康险方案的方法，是保险行业的一项重要研究课题。

技术实现思路

1、针对现有技术中提到的上述问题，为解决上述技术问题，本发明提供了一种基于人像识别的智能健康险提供方法及系统，该方法通过采用改进的卷积神经网络模型识别模块，将预处理的人像图像输入至改进的卷积神经网络模型，对人像图像进行特征提取，改进的卷积神经网络模型使用蜜蜂算法对全连接层权重进行优化，给出健康险方案，实现了保险的一键参保，大大增强了保险出险自动化程度。

2、本发明的一种基于人像识别的智能健康险提供方法，包括步骤：

3、s1：通过ccd相机采集设备获取被保险人的人像图像；

4、s2：对采集到的人像图像进行预处理；

5、s3：将预处理的人像图像输入至改进的卷积神经网络模型，对人像图像进行特征提取，改进的卷积神经网络模型使用蜜蜂算法对全连接层权重进行优化；全连接层权重进行优化步骤如下：

6、s31：初始化蜜蜂种群，初始化一组解x，每个解代表一个蜜蜂即cnn全连接层的权重；

7、s32：评估适应度为；

8、

9、其中，表示给定权重x下的分类误差，

10、

11、其中，n是样本数量，是第 i 个样本的真实标签，是第i 个样本的预测标签；表示模型在给定权重x下的运行时间，结束时间减去开始时间得到总时间；表示模型复杂度，计算方式如下：

12、

13、其中，最大参数数量，最大层数，最大连接数量，、、表示卷积神经网络模型参数数量n、卷积神经网络模型层数l、卷积神经网络模型连接数量c对应权重；c、d、e分别为、、对应的权重；

14、s33：选择解，计算选择概率，选择大于设定阈值的解；

15、

16、表示种群中的第i个解；

17、s34：局部搜索，在当前解的领域内进行局部搜索，找到新的解；

18、

19、其中，是种群中的最优解，是种群中的随机解，、是最优解、随机解对应控制参数；

20、s35：更新解，与x进行适应度比较，如果则更新当前解；

21、s4：根据改进的卷积神经网络模型识别结果，为被保险人生成健康险方案，并发送至被保险人；

22、s5：结束。

23、优选地，所述改进的卷积神经网络模型识别结果包括年龄、体重、身高、被保险人身份，进一步的根据被保险人身份获取被保险人直系亲属寿命、购药历史数据，所述被保险人身份为身份证号。

24、优选地，所述人像图像包括人脸、躯干、四肢，对采集到的人像图像进行预处理包括采用均值滤波去噪，采用直方图均衡化处理人像图像。

25、优选地，所述为被保险人生成健康险方案包括定期检查预防服务。

26、本技术还提供一种基于人像识别的智能健康险提供系统，包括：

27、采集模块，通过ccd相机采集设备获取被保险人的人像图像；

28、预处理模块，对采集到的人像图像进行预处理；

29、改进的卷积神经网络模型识别模块，将预处理的人像图像输入至改进的卷积神经网络模型，对人像图像进行特征提取，改进的卷积神经网络模型使用蜜蜂算法对全连接层权重进行优化；全连接层权重进行优化步骤如下：

30、初始化蜜蜂种群，初始化一组解x，每个解代表一个蜜蜂即cnn全连接层的权重；

31、评估适应度为；

32、

33、其中，表示给定权重x下的分类误差，

34、

35、其中，n是样本数量，是第 i 个样本的真实标签，是第i 个样本的预测标签；表示模型在给定权重x下的运行时间，结束时间减去开始时间得到总时间；表示模型复杂度，计算方式如下：

36、

37、其中，最大参数数量，最大层数，最大连接数量，、、表示卷积神经网络模型参数数量n、卷积神经网络模型层数l、卷积神经网络模型连接数量c对应权重；c、d、e分别为、、对应的权重；

38、选择解，计算选择概率，选择大于设定阈值的解；

39、

40、表示种群中的第i个解；

41、局部搜索，在当前解的领域内进行局部搜索，找到新的解；

42、

43、其中，是种群中的最优解，是种群中的随机解，、是最优解、随机解对应控制参数；

44、更新解，与x进行适应度比较，如果则更新当前解；

45、保险方案生成模块，根据改进的卷积神经网络模型识别结果，为被保险人生成健康险方案，并发送至被保险人；

46、结束模块。

47、优选地，所述改进的卷积神经网络模型识别结果包括年龄、体重、身高、被保险人身份，进一步的根据被保险人身份获取被保险人直系亲属寿命、购药历史数据，所述被保险人身份为身份证号。

48、优选地，所述人像图像包括人脸、躯干、四肢，对采集到的人像图像进行预处理包括采用均值滤波去噪，采用直方图均衡化处理人像图像。

49、优选地，所述为被保险人生成健康险方案包括定期检查预防服务。

50、本发明提供了一种基于人像识别的智能健康险提供方法及系统，所能实现的有益技术效果如下：

51、1、本技术通过该方法通过采用改进的卷积神经网络模型识别模块，将预处理的人像图像输入至改进的卷积神经网络模型，对人像图像进行特征提取，改进的卷积神经网络模型创造性的使用蜜蜂算法对全连接层权重进行优化，使得全连接层矩阵的权重处于更为合理的水平，并基于此大大提供了给出健康险方案的合理性，同时实现了保险的一键参保，大大增强了保险出险自动化程度。

52、2、本发明通过采用初始化一组解x，每个解代表一个蜜蜂即cnn全连接层的权重；评估适应度为；

53、

54、其中，表示给定权重x下的分类误差，表示模型在给定权重x下的运行时间，表示模型复杂度，通过上述评估适应度，能够增强权重矩阵的大幅优化，提高了计算效率以及保险计算准确度。

55、3、本发明通过所述改进的卷积神经网络模型识别结果包括年龄、体重、身高、被保险人身份，并根据被保险人身份进一步的根据被保险人身份获取被保险人直系亲属寿命、购药历史数据，再一次作为卷积神经网络的输入，大大实现了判断准确度，实现了健康险的自动化优化计算。