CN105589798A - 征信值计算方法及装置 - Google Patents

Abstract

本公开是关于一种征信值计算方法及装置，其中，方法包括：获取用户的图片数据库中的图片；通过识别所述图片，从所述图片中获取用户的个人信息，其中，所述个人信息包括以下至少一种类型的信息：基础属性信息、生活状况信息和社交信息；根据所述个人信息和预设计算规则，计算所述用户的征信值。通过该技术方案，从图片数据库的图片中获取用户的个人信息，例如用户的基础属性信息、生活状况信息和社交信息等，从而根据这些个人信息计算用户的征信值。由于图片中蕴含着丰富的个人信息，因此，可以根据个人信息比较全面、准确的对用户的征信值进行分析。

Description

征信值计算方法及装置

技术领域

本公开涉及数据处理技术领域，尤其涉及一种征信值计算方法及装置。

背景技术

目前，互联网征信成为了互联网金融的基础性工作。互联网征信主要分析的是用户的日常行为数据。但是从日常行为数据中，可能并不能获取到有用的征信数据。

发明内容

本公开实施例提供一种征信值计算方法及装置，包括如下技术方案：

第一方面，提供了一种征信值计算方法，包括：

获取用户的图片数据库中的图片；

通过识别所述图片，从所述图片中获取用户的个人信息，其中，所述个人信息包括以下至少一种类型的信息：基础属性信息、生活状况信息和社交信息；

根据所述个人信息和预设计算规则，计算所述用户的征信值。

在一个实施例中，所述通过识别所述图片，从所述图片中获取用户的个人信息，包括：

确定欲获取的个人信息的目标类型；

获取与所述目标类型对应的目标深度卷积神经网络模型；

利用所述目标深度卷积神经网络模型对所述图片进行识别，得到识别结果；

从所述识别结果中提取所述个人信息。

在一个实施例中，征信值计算方法还包括：

利用属于所述目标类型的样本图片集、深度卷积神经网络协议和深度卷积神经网络模型进行训练，得到目标深度卷积神经网络模型；

将所述目标类型与所述目标深度卷积神经网络模型进行对应存储；

其中，所述目标类型的样本图片集包括至少一个样本图片，每个样本图片中均包括属于所述目标类型的个人信息。

在一个实施例中，所述基础属性信息包括以下至少一项：年龄、性别、人脸和婚姻状况；

所述生活状况信息包括以下至少一项：用户的居所信息、用户的服饰信息、用户的随身物品信息和用户的交通工具信息；

所述社交信息包括以下至少一项：用户的社交场所信息和与用户合影的其他用户的信息。

在一个实施例中，征信值计算方法还包括：

接收输入的设置命令；

根据所述设置命令设置所述预设计算规则。

在一个实施例中，所述根据所述个人信息和预设计算规则，计算所述用户的征信值，包括：

根据所述个人信息和所述个人信息所属的类型对应的权重值的乘积，计算得到所述用户的征信值。

第二方面，提供了一种征信值计算装置，包括：

第一获取模块，用于获取用户的图片数据库中的图片；

第二获取模块，用于通过识别所述第一获取模块获取的所述图片，从所述图片中获取用户的个人信息，其中，所述个人信息包括以下至少一种类型的信息：基础属性信息、生活状况信息和社交信息；

计算模块，用于根据所述第二获取模块获取的所述个人信息和预设计算规则，计算所述用户的征信值。

在一个实施例中，所述第二获取模块包括：

确定子模块，用于确定欲获取的个人信息的目标类型；

获取子模块，用于获取与所述确定子模块确定的所述目标类型对应的目标深度卷积神经网络模型；

识别子模块，用于利用所述获取子模块获取的所述目标深度卷积神经网络模型对所述图片进行识别，得到识别结果；

提取子模块，用于从所述识别子模块的识别结果中提取所述个人信息。

在一个实施例中，征信值计算装置还包括：

训练模块，用于利用属于所述目标类型的样本图片集、深度卷积神经网络协议和深度卷积神经网络模型进行训练，得到目标深度卷积神经网络模型；

存储模块，用于将所述目标类型与所述训练模块得到的所述目标深度卷积神经网络模型进行对应存储；

其中，所述目标类型的样本图片集包括至少一个样本图片，每个样本图片中均包括属于所述目标类型的个人信息。

在一个实施例中，所述基础属性信息包括以下至少一项：年龄、性别、人脸和婚姻状况；

所述生活状况信息包括以下至少一项：用户的居所信息、用户的服饰信息、用户的随身物品信息和用户的交通工具信息；

所述社交信息包括以下至少一项：用户的社交场所信息和与用户合影的其他用户的信息。

在一个实施例中，征信值计算装置还包括：

接收模块，用于接收输入的设置命令；

设置模块，用于根据所述接收模块接收的所述设置命令设置所述预设计算规则。

在一个实施例中，所述计算模块包括：

征信值计算子模块，用于根据所述个人信息和所述个人信息所属的类型对应的权重值的乘积，计算得到所述用户的征信值。

第三方面，提供了一种征信值计算装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取用户的图片数据库中的图片；

通过识别所述图片，从所述图片中获取用户的个人信息，其中，所述个人信息包括以下至少一种类型的信息：基础属性信息、生活状况信息和社交信息；

根据所述个人信息和预设计算规则，计算所述用户的征信值。

本公开的实施例提供的技术方案可以包括以下有益效果：

上述技术方案，从图片数据库的图片中获取用户的个人信息，例如用户的基础属性信息、生活状况信息和社交信息等，从而根据这些个人信息计算用户的征信值。由于图片中蕴含着丰富的个人信息，因此，可以根据个人信息比较全面、准确的对用户的征信值进行分析。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种征信值计算方法的流程图。

图2是根据一示例性实施例示出的征信值计算方法中步骤S102的流程图。

图3是根据一示例性实施例示出的另一种征信值计算方法的流程图。

图4是根据一示例性实施例示出的又一种征信值计算方法的流程图。

图5是根据一示例性实施例示出的再一种征信值计算方法的流程图。

图6是根据一示例性实施例示出的一种征信值计算装置的框图。

图7是根据一示例性实施例示出的一种征信值计算装置中第二获取模块的框图。

图8是根据一示例性实施例示出的另一种征信值计算装置的框图。

图9是根据一示例性实施例示出的再一种征信值计算装置的框图。

图10是根据一示例性实施例示出的一种征信值计算装置中计算模块的框图。

图11是根据一示例性实施例示出的适用于征信值计算装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本公开实施例提供了一种征信值计算方法，该方法可用于服务器中。图1是根据一示例性实施例示出的一种征信值计算方法的流程图，如图1所示，该方法包括步骤S101至S103：

在步骤S101中，获取用户的图片数据库中的图片；

图片数据库可以是用户的照片库，即存储了用户所有日常拍摄的图片。由于该图片数据库中存储了用户所有日常拍摄的图片，因此，可以比较客观的反应用户的个人信息。

在步骤S102中，通过识别图片，从图片中获取用户的个人信息，其中，个人信息包括以下至少一种类型的信息：基础属性信息、生活状况信息和社交信息；

在一个实施例中，基础属性信息包括以下至少一项：年龄、性别、人脸和婚姻状况。

生活状况信息包括以下至少一项：用户的居所信息、用户的服饰信息、用户的随身物品信息和用户的交通工具信息。其中，用户的居所信息可以是用户居住的房子的信息，如从图片中识别出用户家里房子的装修、大小等。从图片中还可以识别用户的服饰信息，如用户服饰的面料、材质、品牌等。从图片中还可以识别出用户的随身物品信息，如用户随身携带的手机的品牌、型号，用户钱包的品牌、用户随身包的品牌等。当然，还可以从图片中识别出用户的交通工具信息，如用户是开车、坐地铁还是坐公交、用户开的车的品牌、型号等。根据上述信息可以分析出用户的征信值。

社交信息包括以下至少一项：用户的社交场所信息和与用户合影的其他用户的信息。其中，用户的社交场所信息可以是用户日常社交时所去场所的位置、平均消费等，与用户合影的其它用户的信息可以是图片中，与用户在一起的用户的信息，如职业、收入水平等，其中，这些其它用户的信息可以是提前获取到的。

在步骤S103中，根据个人信息和预设计算规则，计算用户的征信值。

在该实施例中，从图片数据库的图片中获取用户的个人信息，例如用户的基础属性信息、生活状况信息和社交信息等，从而根据这些个人信息计算用户的征信值。由于图片中蕴含着丰富的个人信息，因此，可以根据个人信息比较全面、准确的对用户的征信值进行分析。

其中，上述通过识别图片，从图片中获取用户的个人信息的步骤可以通过如下实施例实施。

图2是根据一示例性实施例示出的征信值计算方法中步骤S102的流程图，如图2所示，在一个实施例中，上述步骤S102包括步骤S201至步骤S204：

在步骤S201中，确定欲获取的个人信息的目标类型；

其中，目标类型可以是基础属性信息、生活状况信息和社交信息中的至少一种类型。欲获取的个人信息的目标类型可以是接收的用户输入的或选择的。

在步骤S202中，获取与目标类型对应的目标深度卷积神经网络模型；

其中，对于每个类型的个人信息，都可以对应一个深度卷积神经网络模型，比如，对于目标类型为生活状况信息的个人信息，其对应的深度卷积神经网络模型可以是用来获取用户生活状况信息的深度卷积神经网络模型，对于目标类型为基础属性信息的个人信息，其对应的深度卷积神经网络模型可以是用来获取用户基础属性信息的深度卷积神经网络模型。即通过不同的模型，可以获取不同类型的个人信息。每种类型和其对应的深度卷积神经网络模型可以预先对应存储。

在步骤S203中，利用目标深度卷积神经网络模型对图片进行识别，得到识别结果；

利用目标深度卷积神经网络模型对图片进行识别，就可以识别出图片中包含的目标类型的信息，比如目标深度卷积神经网络模型对应的是目标类型为基础属性信息，则可以通过目标深度卷积神经网络模型识别出图片中人物的年龄，性别等。

在步骤S204中，从识别结果中提取个人信息。

从得到的识别结果中可以提取出用户想要提取的个人信息，比如，通过目标深度卷积神经网络模型识别出图片中人物的年龄，性别，用户若只想要年龄，则可以提取出年龄。

在该实施例中，可以先确定欲获取的个人信息的目标类型，比如想要获取的个人信息的目标类型为生活状况信息，则可以获取生活状况信息对应的目标深度卷积神经网络模型，根据该目标深度卷积神经网络模型对图片进行识别，这样，就可以得到用户的生活状况信息。即不同类型的个人信息可以对应不同的目标深度卷积神经网络模型，想要获取哪种类型的个人信息，就可以使用对应的目标深度卷积神经网络模型对图像进行识别，从而得到想要的个人信息。

其中，每种个人信息类型和其对应的深度卷积神经网络模型的预先对应存储过程如下：

图3是根据一示例性实施例示出的另一种征信值计算方法的流程图，如图3所示，在一个实施例中，上述方法还包括步骤S301至S302：

在步骤S301中，利用属于目标类型的样本图片集、深度卷积神经网络协议和深度卷积神经网络模型进行训练，得到目标深度卷积神经网络模型；

可以利用目标类型的样本图片集、深度卷积神经网络协议和深度卷积神经网络模型进行训练，得到目标深度卷积神经网络模型，例如，想得到基础属性信息对应的模型，则可以获取基础属性信息的样本图片集，即根据包括用户的年龄、性别、人脸和婚姻状况信息的样本图片集和深度卷积神经网络协议、深度卷积神经网络模型进行训练，得到基础属性信息对应的目标深度卷积神经网络模型。对于其他类型信息对应的模型，可以采用同样方法进行确定。

在步骤S302中，将目标类型与目标深度卷积神经网络模型进行对应存储；其中，目标类型的样本图片集包括至少一个样本图片，每个样本图片中均包括属于目标类型的个人信息。

在将目标类型与目标深度卷积神经网络模型进行对应存储后，在需要从图片中识别出目标类型对应的个人信息时，可以直接获取与其对应的目标深度卷积神经网络模型进行识别。

其中，在计算用户的征信值时，需要根据得到的个人信息和预设计算规则进行计算，其中，预设计算规则可以是征信值收集者事先设置的。

图4是根据一示例性实施例示出的又一种征信值计算方法的流程图，如图4所示，在一个实施例中，上述方法还包括步骤S401至S402：

在步骤S401中，接收输入的设置命令；

在步骤S402中，根据设置命令设置预设计算规则。

在该实施例中，征信值收集者可以根据个人需求设置预设计算规则，从而根据该计算规则得到用户的征信值，这样，可以满足不同收集者的不同使用需求，提升用户的使用体验。

根据个人信息和预设计算规则计算得到用户征信值得过程如下：

图5是根据一示例性实施例示出的再一种征信值计算方法的流程图，如图5所示，在一个实施例中，上述步骤S103包括步骤S501：

在步骤S501中，根据个人信息和个人信息所属的类型对应的权重值的乘积，计算得到用户的征信值。

在该实施例中，可以为每个类型的个人信息设置一个权重值，从而根据个人信息和对应的权重值的乘积得到用户的征信值。例如，基础属性信息A的权重值为0.4，生活状况信息B的权重值为0.5，社交信息C的权重值为0.1，则用户的征信值＝0.4A+0.5B+0.1C。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图6是根据一示例性实施例示出的一种征信值计算装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为服务器的部分或者全部。如图6所示，该征信值计算装置包括：

第一获取模块61，被配置为获取用户的图片数据库中的图片；图片数据库可以是用户的照片库，即存储了用户所有日常拍摄的图片。由于该图片数据库中存储了用户所有日常拍摄的图片，因此，可以比较客观的反应用户的个人信息。

第二获取模块62，被配置为通过识别第一获取模块61获取的图片，从图片中获取用户的个人信息，其中，个人信息包括以下至少一种类型的信息：基础属性信息、生活状况信息和社交信息；在一个实施例中，基础属性信息包括以下至少一项：年龄、性别、人脸和婚姻状况。

生活状况信息包括以下至少一项：用户的居所信息、用户的服饰信息、用户的随身物品信息和用户的交通工具信息。其中，用户的居所信息可以是用户居住的房子的信息，如从图片中识别出用户家里房子的装修、大小等。从图片中还可以识别用户的服饰信息，如用户服饰的面料、材质、品牌等。从图片中还可以识别出用户的随身物品信息，如用户随身携带的手机的品牌、型号，用户钱包的品牌、用户随身包的品牌等。当然，还可以从图片中识别出用户的交通工具信息，如用户是开车、坐地铁还是坐公交、用户开的车的品牌、型号等。根据上述信息可以分析出用户的征信值。

社交信息包括以下至少一项：用户的社交场所信息和与用户合影的其他用户的信息。其中，用户的社交场所信息可以是用户日常社交时所去场所的位置、平均消费等，与用户合影的其它用户的信息可以是图片中，与用户在一起的用户的信息，如职业、收入水平等，其中，这些其它用户的信息可以是提前获取到的。

计算模块63，被配置为根据第二获取模块62获取的个人信息和预设计算规则，计算用户的征信值。

在该实施例中，从图片数据库的图片中获取用户的个人信息，例如用户的基础属性信息、生活状况信息和社交信息等，从而根据这些个人信息计算用户的征信值。由于图片中蕴含着丰富的个人信息，因此，可以根据个人信息比较全面、准确的对用户的征信值进行分析。

如图7所示，在一个实施例中，第二获取模块62包括：

确定子模块71，被配置为确定欲获取的个人信息的目标类型；其中，目标类型可以是基础属性信息、生活状况信息和社交信息中的至少一种类型。欲获取的个人信息的目标类型可以是接收的用户输入的或选择的。

获取子模块72，被配置为获取与确定子模块71确定的目标类型对应的目标深度卷积神经网络模型；

其中，对于每个类型的个人信息，都可以对应一个深度卷积神经网络模型，比如，对于目标类型为生活状况信息的个人信息，其对应的深度卷积神经网络模型可以是用来获取用户生活状况信息的深度卷积神经网络模型，对于目标类型为基础属性信息的个人信息，其对应的深度卷积神经网络模型可以是用来获取用户基础属性信息的深度卷积神经网络模型。即通过不同的模型，可以获取不同类型的个人信息。每种类型和其对应的深度卷积神经网络模型可以预先对应存储。

识别子模块73，被配置为利用获取子模块72获取的目标深度卷积神经网络模型对图片进行识别，得到识别结果；

识别子模块利用目标深度卷积神经网络模型对图片进行识别，就可以识别出图片中包含的目标类型的信息，比如目标深度卷积神经网络模型对应的是目标类型为基础属性信息，则可以通过目标深度卷积神经网络模型识别出图片中人物的年龄，性别等。

提取子模块74，被配置为从识别子模块的识别结果中提取个人信息。

提取子模块从得到的识别结果中可以提取出用户想要提取的个人信息，比如，通过目标深度卷积神经网络模型识别出图片中人物的年龄，性别，用户若只想要年龄，则可以提取出年龄。

在该实施例中，可以先确定欲获取的个人信息的目标类型，比如想要获取的个人信息的目标类型为生活状况信息，则可以获取生活状况信息对应的目标深度卷积神经网络模型，根据该目标深度卷积神经网络模型对图片进行识别，这样，就可以得到用户的生活状况信息。即不同类型的个人信息可以对应不同的目标深度卷积神经网络模型，想要获取哪种类型的个人信息，就可以使用对应的目标深度卷积神经网络模型对图像进行识别，从而得到想要的个人信息。

如图8所示，在一个实施例中，上述装置还包括：

训练模块81，被配置为利用属于目标类型的样本图片集、深度卷积神经网络协议和深度卷积神经网络模型进行训练，得到目标深度卷积神经网络模型；

可以利用目标类型的样本图片集、深度卷积神经网络协议和深度卷积神经网络模型进行训练，得到目标深度卷积神经网络模型，例如，想得到基础属性信息对应的模型，则可以获取基础属性信息的样本图片集，即根据包括用户的年龄、性别、人脸和婚姻状况信息的样本图片集和深度卷积神经网络协议、深度卷积神经网络模型进行训练，得到基础属性信息对应的目标深度卷积神经网络模型。对于其他类型信息对应的模型，可以采用同样方法进行确定。

存储模块82，被配置为将目标类型与训练模块81得到的目标深度卷积神经网络模型进行对应存储；在将目标类型与目标深度卷积神经网络模型进行对应存储后，在需要从图片中识别出目标类型对应的个人信息时，可以直接获取与其对应的目标深度卷积神经网络模型进行识别。

其中，目标类型的样本图片集包括至少一个样本图片，每个样本图片中均包括属于目标类型的个人信息。

如图9所示，在一个实施例中，上述装置还包括：

接收模块91，被配置为接收输入的设置命令；

设置模块92，被配置为根据接收模块91接收的设置命令设置预设计算规则。

在该实施例中，征信值收集者可以根据个人需求设置预设计算规则，从而根据该计算规则得到用户的征信值，这样，可以满足不同收集者的不同使用需求，提升用户的使用体验。

如图10所示，在一个实施例中，计算模块63包括：

征信值计算子模块101，被配置为根据个人信息和个人信息所属的类型对应的权重值的乘积，计算得到用户的征信值。

在该实施例中，可以为每个类型的个人信息设置一个权重值，从而根据个人信息和对应的权重值的乘积得到用户的征信值。例如，基础属性信息A的权重值为0.4，生活状况信息B的权重值为0.5，社交信息C的权重值为0.1，则用户的征信值＝0.4A+0.5B+0.1C。

根据本公开实施例的第三方面，提供一种征信值计算装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，处理器被配置为：

获取用户的图片数据库中的图片；

通过识别图片，从图片中获取用户的个人信息，其中，个人信息包括以下至少一种类型的信息：基础属性信息、生活状况信息和社交信息；

根据个人信息和预设计算规则，计算用户的征信值。

上述处理器还可被配置为：

通过识别图片，从图片中获取用户的个人信息，包括：

确定欲获取的个人信息的目标类型；

获取与目标类型对应的目标深度卷积神经网络模型；

利用目标深度卷积神经网络模型对图片进行识别，得到识别结果；

从识别结果中提取个人信息。

上述处理器还可被配置为：

征信值计算方法还包括：

利用属于目标类型的样本图片集、深度卷积神经网络协议和深度卷积神经网络模型进行训练，得到目标深度卷积神经网络模型；

将目标类型与目标深度卷积神经网络模型进行对应存储；

其中，目标类型的样本图片集包括至少一个样本图片，每个样本图片中均包括属于目标类型的个人信息。

上述处理器还可被配置为：

基础属性信息包括以下至少一项：年龄、性别、人脸和婚姻状况；

生活状况信息包括以下至少一项：用户的居所信息、用户的服饰信息、用户的随身物品信息和用户的交通工具信息；

社交信息包括以下至少一项：用户的社交场所信息和与用户合影的其他用户的信息。

上述处理器还可被配置为：

征信值计算方法还包括：

接收输入的设置命令；

根据设置命令设置预设计算规则。

上述处理器还可被配置为：

根据个人信息和预设计算规则，计算用户的征信值，包括：

根据个人信息和个人信息所属的类型对应的权重值的乘积，计算得到用户的征信值。

图11是根据一示例性实施例示出的一种用于征信值计算装置的框图，例如，装置1100可以被提供为一服务器。装置1100包括处理组件1122，其进一步包括一个或多个处理器，以及由存储器1132所代表的存储器资源，用于存储可由处理组件1122的执行的指令，例如应用程序。存储器1132中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1122被配置为执行指令，以执行上述方法。

装置1100还可以包括一个电源组件1126被配置为执行装置1100的电源管理，一个有线或无线网络接口1150被配置为将装置1100连接到网络，和一个输入输出(I/O)接口1158。装置1100可以操作基于存储在存储器1132的操作系统，例如WindowsServerTM，MacOSXTM，UnixTM,LinuxTM，FreeBSDTM或类似。

一种非临时性计算机可读存储介质，当存储介质中的指令由装置1100的处理器执行时，使得装置1100能够执行上述征信值计算方法，方法包括：

获取用户的图片数据库中的图片；

通过识别图片，从图片中获取用户的个人信息，其中，个人信息包括以下至少一种类型的信息：基础属性信息、生活状况信息和社交信息；

根据个人信息和预设计算规则，计算用户的征信值。

在一个实施例中，通过识别图片，从图片中获取用户的个人信息，包括：

确定欲获取的个人信息的目标类型；

获取与目标类型对应的目标深度卷积神经网络模型；

利用目标深度卷积神经网络模型对图片进行识别，得到识别结果；

从识别结果中提取个人信息。

在一个实施例中，征信值计算方法还包括：

利用属于目标类型的样本图片集、深度卷积神经网络协议和深度卷积神经网络模型进行训练，得到目标深度卷积神经网络模型；

将目标类型与目标深度卷积神经网络模型进行对应存储；

其中，目标类型的样本图片集包括至少一个样本图片，每个样本图片中均包括属于目标类型的个人信息。

在一个实施例中，基础属性信息包括以下至少一项：年龄、性别、人脸和婚姻状况；

生活状况信息包括以下至少一项：用户的居所信息、用户的服饰信息、用户的随身物品信息和用户的交通工具信息；

社交信息包括以下至少一项：用户的社交场所信息和与用户合影的其他用户的信息。

在一个实施例中，征信值计算方法还包括：

接收输入的设置命令；

根据设置命令设置预设计算规则。

在一个实施例中，根据个人信息和预设计算规则，计算用户的征信值，包括：

根据个人信息和个人信息所属的类型对应的权重值的乘积，计算得到用户的征信值。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (13)

1.一种征信值计算方法，其特征在于，包括：

获取用户的图片数据库中的图片；

通过识别所述图片，从所述图片中获取用户的个人信息，其中，所述个人信息包括以下至少一种类型的信息：基础属性信息、生活状况信息和社交信息；

根据所述个人信息和预设计算规则，计算所述用户的征信值。

2.根据权利要求1所述的方法，其特征在于，所述通过识别所述图片，从所述图片中获取用户的个人信息，包括：

确定欲获取的个人信息的目标类型；

获取与所述目标类型对应的目标深度卷积神经网络模型；

利用所述目标深度卷积神经网络模型对所述图片进行识别，得到识别结果；

从所述识别结果中提取所述个人信息。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

利用属于所述目标类型的样本图片集、深度卷积神经网络协议和深度卷积神经网络模型进行训练，得到目标深度卷积神经网络模型；

将所述目标类型与所述目标深度卷积神经网络模型进行对应存储；

其中，所述目标类型的样本图片集包括至少一个样本图片，每个样本图片中均包括属于所述目标类型的个人信息。

4.根据权利要求1所述的方法，其特征在于，

所述基础属性信息包括以下至少一项：年龄、性别、人脸和婚姻状况；

所述生活状况信息包括以下至少一项：用户的居所信息、用户的服饰信息、用户的随身物品信息和用户的交通工具信息；

所述社交信息包括以下至少一项：用户的社交场所信息和与用户合影的其他用户的信息。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

接收输入的设置命令；

根据所述设置命令设置所述预设计算规则。

6.根据权利要求1所述的方法，其特征在于，所述根据所述个人信息和预设计算规则，计算所述用户的征信值，包括：

根据所述个人信息和所述个人信息所属的类型对应的权重值的乘积，计算得到所述用户的征信值。

7.一种征信值计算装置，其特征在于，包括：

第一获取模块，用于获取用户的图片数据库中的图片；

第二获取模块，用于通过识别所述第一获取模块获取的所述图片，从所述图片中获取用户的个人信息，其中，所述个人信息包括以下至少一种类型的信息：基础属性信息、生活状况信息和社交信息；

计算模块，用于根据所述第二获取模块获取的所述个人信息和预设计算规则，计算所述用户的征信值。

8.根据权利要求7所述的装置，其特征在于，所述第二获取模块包括：

确定子模块，用于确定欲获取的个人信息的目标类型；

获取子模块，用于获取与所述确定子模块确定的所述目标类型对应的目标深度卷积神经网络模型；

识别子模块，用于利用所述获取子模块获取的所述目标深度卷积神经网络模型对所述图片进行识别，得到识别结果；

提取子模块，用于从所述识别子模块的识别结果中提取所述个人信息。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

训练模块，用于利用属于所述目标类型的样本图片集、深度卷积神经网络协议和深度卷积神经网络模型进行训练，得到目标深度卷积神经网络模型；

存储模块，用于将所述目标类型与所述训练模块得到的所述目标深度卷积神经网络模型进行对应存储；

其中，所述目标类型的样本图片集包括至少一个样本图片，每个样本图片中均包括属于所述目标类型的个人信息。

10.根据权利要求9所述的装置，其特征在于，

所述基础属性信息包括以下至少一项：年龄、性别、人脸和婚姻状况；

所述生活状况信息包括以下至少一项：用户的居所信息、用户的服饰信息、用户的随身物品信息和用户的交通工具信息；

所述社交信息包括以下至少一项：用户的社交场所信息和与用户合影的其他用户的信息。

11.根据权利要求7所述的装置，其特征在于，所述装置还包括：

接收模块，用于接收输入的设置命令；

设置模块，用于根据所述接收模块接收的所述设置命令设置所述预设计算规则。

12.根据权利要求7所述的装置，其特征在于，所述计算模块包括：

征信值计算子模块，用于根据所述个人信息和所述个人信息所属的类型对应的权重值的乘积，计算得到所述用户的征信值。

13.一种征信值计算装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取用户的图片数据库中的图片；

通过识别所述图片，从所述图片中获取用户的个人信息，其中，所述个人信息包括以下至少一种类型的信息：基础属性信息、生活状况信息和社交信息；

根据所述个人信息和预设计算规则，计算所述用户的征信值。