CN108090830B - 一种基于面部画像的信贷风险评级方法和装置 - Google Patents

Abstract

本发明公开了基于面部画像的信贷风险评级方法，属于信贷风险技术领域，包括获取待评估面部画像；将待评估面部画像输入特征模型中，得到待评估面部画像的特征向量以及信贷风险级别的概率，特征模型是通过历史借贷样本训练得到的；将特征向量以及信贷风险级别的概率输入主分类器中，得到待评估面部画像的信贷风险级别的评分值，主分类器包括器官特征评级分类器；根据信贷风险级别的评分值，对信贷风险进行评级。本发明公开的基于面部画像的信贷风险评级方法，通过利用人脸图像特征与历史借贷样本的关系，以及根据待评估面部画像的特征向量和信贷风险级别的概率来进行信贷风险级别的评级，以防止信贷逾期甚至呆账等风险的发生。

Description

一种基于面部画像的信贷风险评级方法和装置

技术领域

本发明涉及信贷风险技术领域，更具体的，涉及一种基于面部画像的信贷风险评级方法和装置。

背景技术

金融机构向借款人提供贷款的时候，会从多个角度去考察借款人。一般来说，借款人需要提供的信息有工作单位、职务、收入、学历、信用记录以及历史借还款等。然而，随着互联网金融的兴起，很多金融机构开始从更多维度去考量借款人，例如利用黑名单、运营商数据、电商网站的数据以及银行交易信息等数据对借款人进行全面评估。不过，以上数据很多都需要用户进行授权才能获得，这样一方面会损失一部分不愿意提供授权数据的用户，另一方面难以避免用户提供伪造的数据，影响授信结果的判断。

最近，随着人工智能技术的迅速发展，生物特征识别技术也得到了长足的发展。由于生物特征具有不易被窃取和难以伪造的优势，因而已经有金融机构开始使用生物特征识别技术进行辅助授信。生物特征识别技术的主要原理是利用人脸识别技术，结合活体检测技术来进行身份验证。不过，这种技术仅适用于侦测非本人借贷的欺诈行为。而如果是本人借款，由于其自身原因会导致后期逾期甚至发生呆账的现象，这些现象是目前的生物特征识别技术没有解决的问题。

发明内容

为了克服现有技术的缺陷，本发明所要解决的技术问题在于提出一种基于面部画像的信贷风险评级方法和装置，通过将获取的待评估面部画像输入到特征模型中，得到待评估面部画像的特征向量以及信贷风险级别的概率，其中，特征模型是通过历史借贷样本训练得到的，根据将特征向量以及信贷风险级别的概率输入主分类器中，得到待评估面部画像的信贷风险级别的评分值，可以看出，是利用了人脸图像特征与历史借贷样本的关系，以及根据待评估面部画像的特征向量和信贷风险级别的概率来进行一定程度上的信贷风险级别的评级，以防止信贷逾期甚至呆账等风险的发生，大大提高信贷的安全性。

为达此目的，本发明采用以下技术方案：

本发明提供了一种基于面部画像的信贷风险评级方法，包括：

获取待评估面部画像；

将所述待评估面部画像输入特征模型中，得到所述待评估面部画像的特征向量以及信贷风险级别的概率，所述特征模型是通过历史借贷样本训练得到的，所述信贷风险级别至少包括正常、关注、次级、可疑、损失；

将所述特征向量以及所述信贷风险级别的概率输入主分类器中，得到所述待评估面部画像的所述信贷风险级别的评分值，所述主分类器包括器官特征评级分类器OCRC；

根据所述信贷风险级别的评分值，对所述信贷风险进行评级；

根据公式(1)计算所述待评估面部画像的信贷风险级别的评分值；

其中，S₃表示通过OCRC得到的待评估面部画像的信贷风险级别的评分值，W_OCRC表示OCRC的权重系数，OCRC_j表示通过OCRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量，S_OCRC表示待评估画像的器官特征向量，n为常数。

可选地，所述器官特征向量包括：器官形状特征向量、器官分布特征向量以及器官比例特征向量中的任意一种或任意组合。

可选地，所述主分类器还包括局部评级分类器LRC；

所述将所述特征向量以及所述信贷风险级别的概率输入主分类器中，得到所述待评估面部画像的信贷风险级别的评分值，包括：

根据公式(2)计算所述待评估面部画像的信贷风险级别的评分值；

其中，S₂表示通过LRC得到的待评估面部画像的信贷风险评分值，W_LRC表示LC的权重系数，LRC_j表示通过LRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量，l表示LRC的个数，S_LCi表示第i个LRC的待评估面部画像的局部特征向量，n为常数，p为常数。

可选地，所述主分类器还包括全局评级分类器GRC；

所述将所述特征向量以及所述信贷风险级别的概率输入主分类器中，得到所述待评估面部画像的信贷风险级别的评分值，包括：

根据公式(3)计算待评估面部画像的信贷风险级别的评分值；

其中，S₁表示通过GRC得到的待评估面部画像的信贷风险评分值，W_GRC表示GRC的权重系数，GRC_j表示通过GRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量,S_GRC表示待评估画像的全脸特征向量，n为常数。

本发明还提供一种基于面部画像的信贷风险评级装置，包括：

获取单元：用于获取待评估面部画像；

第一输入单元：用于将所述待评估面部画像输入特征模型中，得到所述待评估面部画像的特征向量以及信贷风险级别的概率，所述特征模型是通过历史借贷样本训练得到的，所述信贷风险级别至少包括正常、关注、次级、可疑、损失；

第二输入单元：用于将所述特征向量以及所述信贷风险级别的概率输入主分类器中，得到所述待评估面部画像的所述信贷风险级别的评分值，所述主分类器包括器官特征评级分类器OCRC；

确定单元：用于根据所述信贷风险级别的评分值，对所述信贷风险进行评级；

确定单元：具体用于根据公式(4)计算所述待评估面部画像的信贷风险级别的评分值；

其中，S₃表示通过OCRC得到的待评估面部画像的信贷风险级别的评分值，W_OCRC表示OCRC的权重系数，OCRC_j表示通过OCRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量，S_OCRC表示待评估画像的器官特征向量，n为常数。

可选地，所述器官特征向量包括：器官形状特征向量、器官分布特征向量以及器官比例特征向量中的任意一种或任意组合。

可选地，所述主分类器还包括局部评级分类器LRC；

确定单元：具体还用于根据公式(5)计算所述待评估面部画像的信贷风险级别的评分值；

其中，S₂表示通过LRC得到的待评估面部画像的信贷风险评分值，W_LRC表示LC的权重系数，LRC_j表示通过LRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量，l表示LRC的个数，S_LCi表示第i个LRC的待评估面部画像的局部特征向量，n为常数，p为常数。

可选地，所述主分类器还包括全局评级分类器GRC；

确定单元，具体还用于根据公式(6)计算待评估面部画像的信贷风险级别的评分值；

其中，S₁表示通过GRC得到的待评估面部画像的信贷风险评分值，W_GRC表示GRC的权重系数，GRC_j表示通过GRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量,S_GRC表示待评估画像的全脸特征向量，n为常数。

本发明提供的一种基于面部画像的信贷风险评级方法和装置，本发明通过将获取的待评估面部画像输入到特征模型中，得到待评估面部画像的特征向量以及信贷风险级别的概率，其中，特征模型是通过历史借贷样本训练得到的，根据将特征向量以及信贷风险级别的概率输入主分类器中，得到待评估面部画像的信贷风险级别的评分值，可以看出，是利用了人脸图像特征与历史借贷样本的关系，以及根据待评估面部画像的特征向量和信贷风险级别的概率来进行一定程度上的信贷风险级别的评级，以防止信贷逾期甚至呆账等风险的发生，大大提高信贷的安全性。

附图说明

图1是本发明具体实施方式提供的一种基于面部画像的信贷风险评级方法的流程示意图；

图2是本发明具体实施方式提供的借贷人正脸头像图片的拍摄要求的结构示意图；

图3是本发明具体实施方式提供的样本画像的关键特征点的结构示意图；

图4是本发明具体实施方式提供的截取的眉、眼、鼻、口对应的最小矩形区域的结构示意图；

图5是本发明具体实施方式提供的12类眉形的结构示意图；

图6是本发明具体实施方式提供的获取左眼的分布特征向量的结构示意图；

图7是本发明具体实施方式提供的器官所占整个面部的比例特征的结构示意图；

图8是本发明具体实施方式提供的一种基于面部画像的信贷风险评级装置的结构示意图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

图1示例性地示出了一种基于面部画像的信贷风险评级方法的结构示意图，如图1所示，包括以下步骤：

S101：获取待评估面部画像；

S102：将待评估面部画像输入特征模型中，得到待评估面部画像的特征向量以及信贷风险级别的概率，特征模型是通过历史借贷样本训练得到的，信贷风险级别至少包括正常、关注、次级、可疑、损失；

S103：将特征向量以及信贷风险级别的概率输入主分类器中，得到待评估面部画像的信贷风险级别的评分值，主分类器包括OCRC(Organ Characteristics RatingClassifier，器官特征评级分类器)；

S104：根据信贷风险级别的评分值，对信贷风险进行评级。

在S101中，获取待评估面部画像，具体来说，在借贷人进行借贷之前，可以按照拍摄的要求通过实际拍摄的方式得到借贷人的正脸头像图片也就是待评估面部画像，其中，图片采用统一的格式，其中按照拍摄的要求为：比如可以是借贷人整体头部轮廓在规定范围内方能进行拍摄，如图2所示，图2示例性地示出了借贷人正脸头像图片的拍摄要求的结构示意图，借贷人的整体头部轮廓在正方形范围内，这样可以保证后续特征模型的准确性。

在S102中，将待评估面部画像输入特征模型中，得到待评估面部画像的特征向量以及信贷风险级别的概率，特征模型是通过历史借贷样本训练得到的，信贷风险级别至少包括正常、关注、次级、可疑、损失；具体来说，具体实施中，待评估面部画像以像素点的形式输入到特征模型中，得到待评估面部画像的特征向量以及信贷风险级别的概率，其中，特征向量可以是个矩阵，矩阵以数字的形式表示，矩阵中的每个数字代表着该待评估面部画像的特征。具体地，得到待评估面部画像的信贷风险级别的概率，比如，得到正常的概率是0.2、关注的概率是0.05，次级的概率是0.3、可疑的概率是0.02、损失的概率是0。其中，特征模型是通过历史借贷样本训练得到的，具体来说，经过以下步骤得到特征模型：

(1)准备N张借贷人的正脸样本画像，形成样本画像训练集；其中，N可以取1000,1000等，总之，取的数据越大，对后期得到的各信贷级别的评分越精确；

(2)人工标记样本画像训练集中的每张正脸样本画像的K个关键特征点；具体地，对于标记的每张正脸样本画像的每个关键特征点的位置坐标信息都需要记录并保存，这些关键特征点可以在脸部的轮廓以及眼睛、眉毛、鼻子、嘴巴的轮廓等位置显示出均匀的分布。比如，保存了66个关键特征点，图3示例性地示出了样本画像的关键特征点的结构示意图，如图3所示。其中，需要说明的是，具体实施中，这个步骤可以借助类似按键精灵这一类的程序，用户依次按照顺序点击图片中的关键特征点，程序自动记录下当前的鼠标点击的位置坐标对并保存；

(3)构建样本画像训练集的形状向量；具体地，将每张样本画像中标记的K个关键特征点的坐标对按顺序组成一个形状向量，这样，每一张样本画像就可以表示为一个形状向量X_i，如下式：

X_i＝[x_i0，y_i0，x_i1，y_i1，…x_i(k-1)，y_i(k-1)]

式中，矩阵中的x_i0，y_i0表示第i个样本画像中的第一个关键特征点的坐标对，比如，图3中的第一个关键特征点0的坐标对可以表示为[0.2，3]，其它的关键特征点以此类推，不再赘述；

(4)形状向量归一化；具体地，采用Procrustes方法对形状向量进行归一化，使得对前面标定的样本画像形状向量进行归一化或者对齐操作，从而消除样本画像中的面部由于不同角度、距离、姿态等外界因素造成的非形状干扰问题；

其中，归一化的具体过程为：

a.将样本画像训练集中的所有面部模型对齐到某一个面部模型；

b.根据将样本画像训练集中的所有面部模型对齐到某一个面部模型，计算平均面部模型；

c.将所有样本画像的人脸模型对齐到平均面部模型中；

重复b)、c)步骤，直至平均面部模型收敛或者到一定时间停止。

(5)将归一化后的形状向量进行PCA(Principal Component Analysis，主成分分析)降维处理，得到降维后的形状向量；其中，PCA是一种统计分析方法，用于降维；

(6)为每个关键特征点构建局部特征；具体地，局部特征一般采用梯度特征描述，用于在特征点附近进行搜索，以迭代的方式寻找新的特征点匹配位置。

其中，对S102中的历史借贷样本的要求是：如果已经有一定的借贷历史数据，那么就从借贷历史数据中根据借贷历史对用户进行标记。将用户划分为“正常”“关注”“次级”“可疑”“损失”5大类。其中，某一用户的标记为其借贷历史中出现过的风险等级最高的级别作为该用户的标记。例如，张三曾经发生过多次借款，其中有正常、关注以及可疑，那么张三的标记就是可疑。将所有借贷历史数据中用户的头像图片分别标记为对应的信贷类别标记。这里，将用户划分为“正常”“关注”“次级”“可疑”“损失”5大类的信贷风险级别，更具有人性化和多样化的特点，防止出现仅仅只有正常和非正常两种级别的缺陷，避免测出的数据与实际差别过大的问题。

通过将待评估面部画像输入到特征模型中，可以得到待评估面部画像更深层次的特征和隐藏的特征，大大提高后续对待评估面部画像的信贷风险评分值的精确性与合理性。

S103中，将特征向量以及信贷风险级别的概率输入主分类器中，得到待评估面部画像的信贷风险级别的评分值，主分类器包括器官特征评级分类器OCRC；具体来说，通过将特征向量以及信贷风险级别的概率输入到主分类器中，能够一目了然清楚得到待评估面部画像的信贷风险级别的评分值，进而能够更加有效地提高后续对待评估面部画像的各信贷风险评级的精度以及效率。

S104中，根据信贷风险级别的评分值，对信贷风险进行评级。具体来说，根据前面获得的特征向量以及待评估面部画像的信贷风险级别的概率，通过计算可以得到待评估面部画像的信贷风险评分值，可以推断一个人的违约情况，从而辅助授信。

以上实施中，通过将获取的待评估面部画像输入到特征模型中，得到待评估面部画像的特征向量以及信贷风险级别的概率，其中，特征模型是通过历史借贷样本训练得到的，根据将特征向量以及信贷风险级别的概率输入主分类器中，得到待评估面部画像的信贷风险级别的评分值，可以看出，是利用了人脸图像特征与历史借贷样本的关系，以及根据待评估面部画像的特征向量和信贷风险级别的概率来进行一定程度上的信贷风险级别的评级，以防止信贷逾期甚至呆账等风险的发生，大大提高信贷的安全性。

为了更清楚如何得到待评估面部画像的信贷风险级别的评分值，采用以下方式确定待评估面部画像的信贷风险级别的评分值：

第一种，可选地，将特征向量以及信贷风险级别的概率输入主分类器中，得到待评估面部画像的信贷风险级别的评分值，主分类器包括器官特征评级分类器OCRC，包括：根据公式(1)计算待评估面部画像的信贷风险级别的评分值；

其中，S₃表示通过OCRC得到的待评估面部画像的信贷风险级别的评分值，W_OCRC表示OCRC的权重系数，OCRC_j表示通过OCRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量，S_OCRC表示待评估画像的器官特征向量。其中，n为常数，可以取具体的数字，比如100,200等。

其中，器官特征向量包括：器官形状特征向量、器官分布特征向量以及器官比例特征向量中的任意一种或任意组合。

具体来说，定位好了关键特征点之后，我们根据关键特征点轮廓的坐标，截取出对应的眉、眼、鼻、口的对应最小矩形区域。图4示例性地示出了本发明具体实施方式提供的截取的眉、眼、鼻、口的最小矩形区域的结构示意图，如图4所示，以图4为例，我们这边截取了6张器官图像，分别是：左眉、右眉、左眼、右眼、嘴、鼻模型。当然还可以继续切分，比如分别截取上嘴唇和下嘴唇等，这里我们就不做更多细粒度的切分了。

器官形状特征向量的获取：具体的器官可以被细分为更多的形状分类。比如眼睛的形状有丹凤眼、杏眼等等。这里我们以眉毛形状分类器为例，我们可以根据业务需求，事先对眉形有标定数字，每一个数字代表一种眉形。比如右眉可以分为图5中的12类眉形，如秋娘眉、水鸯眉、嫦娥眉、新月眉、秋波眉、羽玉眉、一字眉、黛玉眉、隻燕眉、撫行眉、小山眉、柳葉眉，图5示例性地示出了本发明具体实施方式提供的12类眉形的结构示意图，如图5所示：接着，我们使用深度学习中的CNN(Convolutional Neural Network，卷积神经网络)模型进行样本学习，训练右眉分类器。这里CNN的结构不需要很复杂，可以选用一些经典的类似LeNet的结构即可。

训练好该模型之后，后续对于任意一张输入的右眉局部图像，分类器都会给出对应的形状类别编号，如1,2等。

器官形状特征向量的获取：对于左眉、右眉、左眼、右眼、嘴、鼻，我们分别类似以上方法训练局部形状分类器。这样，每个人的面部画像就能被映射为一个“器官形状特征向量”，以矩阵的形式表示为：[S_左眉，S_右眉，S_左眼，S_右眼，S_嘴，S_鼻]。

器官分布特征向量的获取：我们还可以计算出每个器官的质心点即器官分布特征向量。比如，图6示例性地示出了本发明具体实施方式提供的获取左眼的分布特征向量的结构示意图，如图6所示。对于图6中，以左下方为原点，左边那个眼睛的中心坐标点的相对坐标为(a/c,b/d)，其中，a为左眼的中心点沿横向方向到达整个面部竖向长度的距离，b为左眼的中心到沿纵向方向到达整个面部横向长度的距离，c为整个面部横向长度,d为整个面部竖向长度。这样每个人的面部画像就能被映射为一个“器官分布特征向量”，以矩阵的形式表示为：[x_左眉，y_左眉，x_右眉，y_右眉，x_左眼，y_左眼，x_右眼，y_右眼，x_嘴，y_嘴，x_鼻，y_鼻]。

器官比例特征向量的获取：我们还可以计算出每个器官所占整个面部的比例特征。这样，我们可以得到一个器官比例的特征向量。比如对于图7中，图7示例性地示出了本发明具体实施方式提供的器官所占整个面部的比例特征的结构示意图，如图7所示。比如，嘴占我们框定区域的比例为(e/c,f/d)，其中，e为嘴的横向的长度，c为整个面部的横向长度，f为嘴的竖向长度，d为整个面部的竖向长度。其它的器官比例的特征向量以此类推，这里不再赘述。这样每个人的面部图像就能被映射为一个“器官比例特征向量”，以矩阵的形式表示为：[r_x左眉，r_y左眉，r_x右眉，r_y右眉，r_x左眼，r_y左眼，r_x右眼，r_y右眼，r_x嘴，r_y嘴，r_x鼻，r_y鼻]。

通过上述中以各自的方式获取的器官形状特征向量、器官分布特征向量、以及器官比例特征向量的方法，可以得到器官特征向量，当然，器官特征向量可以是器官形状特征向量、器官分布特征向量、以及器官比例特征向量的任意一种或者任意组合，优选地，器官特征向量表示成：[器官形状特征向量，器官分布特征向量，器官比例特征向量]，其中，[·]代表矩阵。

利用人脸特征点标注的方法，将面部画像转换为多组具有物理意义的器官级别的特征向量，如器官形状特征向量、器官分布特征向量、以及器官比例特征向量等。利用这些经过专家经验提取得到的细粒度特征，构建器官描述特征评级分类器，能够帮助模型很好地学习得到面部图像与信贷评级之间的关联。

其实，在具体实施中，关于利用器官描述特征向量还能够扩充出更多的特征维度，比如内眼角间距、上唇曲率、鼻唇角角度、是否有胡须、伤疤以及别的标记、颌骨宽窄、额头大小、鼻子长短、较大的额头等等，这里我们就不一一描述了。

第二种，可选地，主分类器还包括LRC(Local Rating Classifier，局部评级分类器)；将特征向量以及信贷风险级别的概率输入主分类器中，得到待评估面部画像的信贷风险级别的评分值，包括：

根据公式(2)计算待评估面部画像的信贷风险级别的评分值；

其中，S₂表示通过LRC得到的待评估面部画像的信贷风险评分值，W_LRC表示LC的权重系数，LRC_j表示通过LRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量，l表示LRC的个数，S_LCi表示第i个LRC的待评估面部画像的局部特征向量。其中，n为常数，p为常数，n,p可以取具体的数字。

我们利用上文中得到的特征点定位方法之后，对面部画像在器官周围进行了局部图像截取。这里重点关注4大块局部图像，即左眼、右眼、鼻子、嘴的区域。我们分别针对这4个位置分别训练CNN分类器。训练样本就是对应位置的局部图像，输出是信贷风险级别的softmax概率。分类器模型仍然可以选用DeepID这类结构，具体参数和结构可以根据业务需求调整。

第三种，可选地，主分类器还包括GRC(Global Rating Classifier，全局评级分类器)；将特征向量以及信贷风险级别的概率输入主分类器中，得到待评估面部画像的信贷风险级别的评分值，包括：

根据公式(3)计算待评估面部画像的信贷风险级别的评分值；

其中，S₁表示通过GRC得到的待评估面部画像的信贷风险评分值，W_GRC表示GRC的权重系数，GRC_j表示通过GRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量,S_GRC表示待评估画像的全脸特征向量。其中，n为常数，n可以取具体的数字。

如果使用整张面部图像，直接针对信贷级别进行分类建模，又能学到一些更深层次的隐藏关系。因此，我们这里先构建一个“全脸评级分类器”。方法很简单，输入就是整个的面部画像的向量，输出是信贷风险级别即“正常”“关注”“次级”“可疑”“损失”5大类的softmax概率。我们仍然使用卷积神经网络算法，不过这里的CNN的结构要比原来器官形状分类器里面的要复杂一些，因为整个面部的图像要比局部的图像要复杂。可以借鉴类似于DeepID这种较为先进的网络结构：

以上三种方式中，在获得了各自的信贷风险级别的概率以及特征向量之后，分别通过公式(1)、公式(2)、以及公式(3)可以计算出三种方式的待评估面部画像的信贷风险级别的评分值，得到评分值后，比如，可以根据信贷风险级别与评分值的关系表，如下表1所示，进行转化，可以得到该用户基于面部画像得到的信贷评级。其中，经验性的建议权重分配公式为：

q代表局部评级分类器的个数。当然，得到该评级之后，可以根据业务需求，还可以再结合传统的收入、信用记录等维度进行多方面评判，从而形成一个更加全面的信贷评级方案。

表1：信贷风险级别与评分值的关系表

信贷风险级别	正常	关注	次级	可疑	损失
						分数	100	80～99	60～79	40～59	20～39

优选地，基于面部画像的用户的信贷风险级别的评分值S可以通过下式确定，即第四种方式：

其中，W_OCRC表示OCRC的权重系数，OCRC_j表示通过OCRC得到的待评估面部画像的第j个信贷风险级别的概率，W_LRC表示LRC的权重系数，LRC_j表示通过LRC得到的待评估面部画像的第j个信贷风险级别的概率，S_LRCi表示第i个LRC的待评估面部画像的局部特征向量，W_GRC表示GRC的权重系数，GRC_j表示通过GRC得到的待评估面部画像的第j个信贷风险级别的概率，S_GRC表示待评估画像的全脸特征向量，S_OCRC表示待评估画像的器官特征向量，m表示信贷风险级别的数量，l表示LRC的个数，n为常数，p为常数，可以取具体的数字。

以上实施中，通过结合了器官特征评级子分类器、全脸评级子分类器以及多个局部评级子分类器，不仅利用了专家经验帮助模型更快更好地学习，也利用了深度学习算法从更深层次学习面部图像与信贷评级之间的隐藏关联，进一步优化了模型。

需要说明的是：以上四种获取信贷风险级别的评分值的方式中，第四种方式最优、其次是第一种、然后是第二种、最后是第三种。

本发明实施例还提供一种基于面部画像的信贷风险评级装置，图8示例性地示出了本发明提供的一种基于面部画像的信贷风险评级装置的结构示意图，如图8所示，该装置包括：获取单元201、第一输入单元202、第二输入单元203、确定单元204。其中：

获取单元201：用于获取待评估面部画像；

第一输入单元202：用于将待评估面部画像输入特征模型中，得到待评估面部画像的特征向量以及信贷风险级别的概率，特征模型是通过历史借贷样本训练得到的，信贷风险级别至少包括正常、关注、次级、可疑、损失；

第二输入单元203：用于将特征向量以及信贷风险级别的概率输入主分类器中，得到待评估面部画像的信贷风险级别的评分值，主分类器包括器官特征评级分类器OCRC；

确定单元204：用于根据特征向量以及待评估面部画像的信贷风险级别的概率，得到待评估面部画像的信贷风险评分值。

可选地，确定单元204具体用于：根据公式(4)计算待评估面部画像的信贷风险级别的评分值；

其中，S₃表示通过OCRC得到的待评估面部画像的信贷风险级别的评分值，W_OCRC表示OCRC的权重系数，OCRC_j表示通过OCRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量，S_OCRC表示待评估画像的器官特征向量，n为常数。

可选地，器官特征向量包括：器官形状特征向量、器官分布特征向量以及器官比例特征向量中的任意一种或任意组合。

可选地，主分类器还包括局部评级分类器LRC；

确定单元204具体还用于：根据公式(5)计算待评估面部画像的信贷风险级别的评分值；

其中，S₂表示通过LRC得到的待评估面部画像的信贷风险评分值，W_LRC表示LRC的权重系数，LRC_j表示通过LRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量，l表示LRC的个数，S_LCi表示第i个LRC的待评估面部画像的局部特征向量，n为常数，p为常数。

可选地，分类器还包括全局评级分类器LRC；

确定单元204具体还用于：根据公式(6)计算待评估面部画像的信贷风险级别的评分值；

其中，S₁表示通过LRC得到的待评估面部画像的信贷风险评分值，W_LRC表示LRC的权重系数，LRC_j表示通过LRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量,S_LRC表示待评估画像的全脸特征向量，n为常数。

本发明是通过优选实施例进行描述的，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。本发明不受此处所公开的具体实施例的限制，其他落入本申请的权利要求内的实施例都属于本发明保护的范围。

Claims (8)

1.一种基于面部画像的信贷风险评级方法，其特征在于，包括：

获取待评估面部画像；

将所述待评估面部画像输入特征模型中，得到所述待评估面部画像的特征向量以及信贷风险级别的概率，所述特征模型是通过历史借贷样本训练得到的，所述信贷风险级别至少包括正常、关注、次级、可疑、损失；

将所述特征向量以及所述信贷风险级别的概率输入主分类器中，得到所述待评估面部画像的所述信贷风险级别的评分值，所述主分类器包括器官特征评级分类器OCRC；

根据所述信贷风险级别的评分值，对所述信贷风险进行评级；

其中，根据公式(1)计算所述待评估面部画像的信贷风险级别的评分值；

其中，S₃表示通过OCRC得到的待评估面部画像的信贷风险级别的评分值，W_OCRC表示OCRC的权重系数，OCRC_j表示通过OCRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量，S_OCRC表示待评估画像的器官特征向量，n为常数。

2.如权利要求1所述的一种基于面部画像的信贷风险评级方法，其特征在于，

所述器官特征向量包括：器官形状特征向量、器官分布特征向量以及器官比例特征向量中的任意一种或任意组合。

3.如权利要求1所述的一种基于面部画像的信贷风险评级方法，其特征在于，所述主分类器还包括局部评级分类器LRC；

所述将所述特征向量以及所述信贷风险级别的概率输入主分类器中，得到所述待评估面部画像的信贷风险级别的评分值，包括：

根据公式(2)计算所述待评估面部画像的信贷风险级别的评分值；

其中，S₂表示通过LRC得到的待评估面部画像的信贷风险评分值，W_LRC表示LRC的权重系数，LRC_j表示通过LRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量，l表示LRC的个数，

表示第i个LRC的待评估面部画像的局部特征向量，n为常数，p为常数。

4.如权利要求1所述的一种基于面部画像的信贷风险评级方法，其特征在于，

所述主分类器还包括全局评级分类器GRC；

所述将所述特征向量以及所述信贷风险级别的概率输入主分类器中，得到所述待评估面部画像的信贷风险级别的评分值，包括：

根据公式(3)计算待评估面部画像的信贷风险级别的评分值；

其中，S₁表示通过GRC得到的待评估面部画像的信贷风险评分值，W_GRC表示GRC的权重系数，GRC_j表示通过GRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量，S_GRC表示待评估画像的全脸特征向量，n为常数。

5.一种基于面部画像的信贷风险评级装置，其特征在于，包括：

获取单元，用于获取待评估面部画像；

第一输入单元，用于将所述待评估面部画像输入特征模型中，得到所述待评估面部画像的特征向量以及信贷风险级别的概率，所述特征模型是通过历史借贷样本训练得到的，所述信贷风险级别至少包括正常、关注、次级、可疑、损失；

第二输入单元，用于将所述特征向量以及所述信贷风险级别的概率输入主分类器中，得到所述待评估面部画像的所述信贷风险级别的评分值，所述主分类器包括器官特征评级分类器OCRC；

确定单元，用于根据所述信贷风险级别的评分值，对所述信贷风险进行评级；

其中，所述确定单元，具体用于根据公式(4)计算所述待评估面部画像的信贷风险级别的评分值；

其中，S₃表示通过OCRC得到的待评估面部画像的信贷风险级别的评分值，W_OCRC表示OCRC的权重系数，OCRC_j表示通过OCRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量，S_OCRC表示待评估画像的器官特征向量，n为常数。

6.如权利要求5所述的一种基于面部画像的信贷风险评级装置，其特征在于，

所述器官特征向量包括：器官形状特征向量、器官分布特征向量以及器官比例特征向量中的任意一种或任意组合。

7.如权利要求5所述的一种基于面部画像的信贷风险评级装置，其特征在于，所述主分类器还包括局部评级分类器LRC；

确定单元，具体还用于根据公式(5)计算所述待评估面部画像的信贷风险级别的评分值；

其中，S₂表示通过LRC得到的待评估面部画像的信贷风险评分值，W_LRC表示LRC的权重系数，LRC_j表示通过LRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量，l表示LRC的个数，

表示第i个LRC的待评估面部画像的局部特征向量，n为常数，p为常数。

8.如权利要求5所述的一种基于面部画像的信贷风险评级装置，其特征在于，所述主分类器还包括全局评级分类器GRC；

确定单元，具体还用于根据公式(6)计算待评估面部画像的信贷风险级别的评分值；

其中，S₁表示通过GRC得到的待评估面部画像的信贷风险评分值，W_GRC表示GRC的权重系数，GRC_j表示通过GRC得到的待评估面部画像的第j个信贷风险级别的概率，m表示信贷风险级别的数量，S_GRC表示待评估画像的全脸特征向量，n为常数。

Images