CN108765131A - 基于微表情的信贷审核方法、装置、终端及可读存储介质 - Google Patents

Abstract

本发明提供一种基于微表情的信贷审核方法，包括：获取信贷微表情样本集，并根据所述信贷微表情样本集构建微表情欺诈识别模型；在接收到信贷审核指令时，获取申请人信贷问答的原始视频流，所述原始视频流包括所述申请人信贷问答过程的微表情；将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得微表情识别结论；根据所述微表情识别结论生成对应的信贷决策建议信息。本发明还提供一种基于微表情的信贷审核装置、设备及可读存储介质。本发明使用微表情欺诈识别模型对信贷申请人的微表情进行分析，确定申请人真实内心情况，判断申请人是否有说谎，从而对欺诈进行检测，降低了人工审核的工作量，有利于提高信贷审核的效率和准确率。

Description

基于微表情的信贷审核方法、装置、终端及可读存储介质

技术领域

本发明涉及信贷领域，尤其涉及一种基于微表情的信贷审核方法、装置、终端及可读存储介质。

背景技术

目前市面上金融机构在向贷款申请人进行放款审核时，是由有经验和能力的审批人员对贷款申请人根据其提供的信贷资料进行一对一的面审、面签；在这个过程当中，审批人员根据申请人的回答判断申请人是否有在说谎和欺诈。

但在实际中，有经验和能力的审批人员的人数较少，人工审核的效率低，从而无法及时的对大量信贷申请作出及时地处理；同时，人工面核往往难以识别申请人口述造假的情况，面审规律易被黑中介绕过，导致无法识别出欺诈行为，提高了坏账率。

发明内容

本发明的主要目的在于提供一种基于微表情的信贷审核方法、装置、终端及可读存储介质，旨在提高信贷审核的效率和准确率。

为实现上述目的，本发明提供一种基于微表情的信贷审核方法，所述信贷审核方法包括以下步骤：

获取信贷微表情样本集，并根据所述信贷微表情样本集构建微表情欺诈识别模型；

在接收到信贷审核指令时，获取申请人信贷问答的原始视频流，所述原始视频流包括所述申请人信贷问答过程的微表情；

将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得所述原始视频流的微表情识别结论；

根据所述微表情识别结论生成对应的信贷决策建议信息。

可选地，所述根据所述信贷微表情样本集构建微表情欺诈识别模型的步骤包括：

根据预设识别要求定义样本属性，并根据所述样本属性对所述信贷微表情样本集的微表情样本进行分类；

以预设比例在所述信贷微表情样本集的各类微表情样本中抽取一次训练样本，并在预设坐标系中绘制所述一次训练样本对应的一次特征点；

根据所述样本特征点的位置和对应的样本属性对所述预设坐标系进行区域划分，并根据区域划分情况获取对应的最近分隔函数；

以所述预设比例在所述信贷微表情样本集的各类微表情样本中抽取迭代训练样本，并在预设坐标系中绘制所述迭代训练样本对应的迭代特征点；

通过所述迭代特征点对所述最近分隔函数进行迭代调整，直至所述最近分隔函数的正确分隔率达到预设阈值，获得微表情欺诈识别模型。

可选地，所述将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得所述原始视频流的微表情识别结论的步骤包括：

在所述原始视频流中获取微表情图像，并在所述预设坐标系中绘制所述微表情图像对应的识别特征点；

根据所述识别特征点和最近分隔函数的关系确定所述微表情图像的图像属性，并根据所述图像属性获得所述原始视频流的微表情识别结论。

可选地，所述获取信贷微表情样本集，并根据所述信贷微表情样本集构建微表情欺诈识别模型的步骤包括：

获取信贷微表情样本集，并根据信贷问答类型对所述信贷微表情样本集的微表情样本进行分类，获得类型微表情样本；

根据所述类型微表情样本分别构建类型识别子模型，并将所述类型识别子模型封装得到微表情识别模型。

可选地，所述将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得所述原始视频流的微表情识别结论的步骤包括：

根据所述信贷问答类型对所述原始视频流进行片段切分，获得类型视频流；

将所述类型视频流分别输入至对应的类型识别子模型进行微表情识别，获得类型识别结论；

汇总所述类型识别结论，并根据所述类型识别结论获得所述原始视频流的微表情识别结论。

可选地，所述汇总所述类型识别结论，并根据所述类型识别结论获得所述原始视频流的微表情识别结论的步骤包括：

获取所述类型识别结论中包括的类型真实评估值，并根据所述信贷问答类型为所述类型真实评估值分配加权权重；

根据所述类型真实评估值和加权权重计算微表情真实值，并根据所述微表情真实值获得所述原始视频流的微表情识别结论。

可选地，所述在接收到信贷审核指令时，获取申请人信贷问答的原始视频流，所述原始视频流包括所述申请人信贷问答过程的微表情的步骤之后，还包括：

根据所述信贷审核指令获取所述申请人的证件信息，并根据所述证件信息获取所述申请人的证件图像；

将所述证件图像和所述原始视频流进行对比，判断所述原始视频流中的人物图像是否与所述证件图像匹配；

若所述人物图像与所述证件图像匹配，则执行步骤将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得所述原始视频流的微表情识别结论。

此外，为实现上述目的，本发明还提供一种基于微表情的信贷审核装置，所述信贷审核装置包括：

模型构造模块，用于获取信贷微表情样本集，并根据所述信贷微表情样本集构建微表情欺诈识别模型；

视频流获取模块，用于在接收到信贷审核指令时，获取申请人信贷问答的原始视频流，所述原始视频流包括所述申请人信贷问答过程的微表情；

微表情识别模块，用于将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得所述原始视频流的微表情识别结论；

建议生成模块，用于根据所述微表情识别结论生成对应的信贷决策建议信息。

此外，为实现上述目的，本发明还提供一种基于微表情的信贷审核终端，所述信贷审核终端包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的信贷审核程序，其中所述信贷审核程序被所述处理器执行时，实现如上述的信贷审核方法的步骤。

此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有信贷审核程序，其中所述信贷审核程序被处理器执行时，实现如上述的信贷审核方法的步骤。

本发明通过机器学习得到的微表情欺诈识别模型，并在对贷款申请人进行资料核对和面审时使用该微表情欺诈识别模型对视频图像进行检测和识别，根据申请人的微表情确定申请人的真实内心情况，判断申请人是否有说谎，从而对欺诈进行检测，降低了人工审核的工作量，有利于提高信贷审核的效率和准确率。

附图说明

图1为本发明实施例方案中涉及的信贷审核终端硬件结构示意图；

图2为本发明基于微表情的信贷审核方法第一实施例的流程示意图；

图3为本发明基于微表情的信贷审核方法第二实施例的流程示意图；

图4为本发明基于微表情的信贷审核方法第三实施例的流程示意图；

图5为本发明基于微表情的信贷审核装置第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例涉及的基于微表情的信贷审核方法主要应用于基于微表情的信贷审核终端，该信贷审核终端可以是PC(个人计算机personal computer)、便携计算机、移动终端等具有显示和处理功能的设备。

参照图1，图1为本发明实施例方案中涉及的信贷审核终端硬件结构示意图。本发明实施例中，基于微表情的信贷审核终端可以包括处理器1001(例如中央处理器CentralProcessing Unit、CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)；存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图1，图1中作为一种计算机可读存储介质的存储器1005可以包括操作系统、网络通信模块以及信贷审核程序。在图1中，网络通信模块主要用于连接服务器，与服务器进行数据通信；而处理器1001可以调用存储器1005中存储的信贷审核程序，并执行本发明实施例提供的基于微表情的信贷审核方法。

本发明实施例提供了一种基于微表情的信贷审核方法。

参照图2，图2为本发明基于微表情的信贷审核方法第一实施例的流程示意图。

本实施例中，所述信贷审核方法包括以下步骤：

步骤S10，获取信贷微表情样本集，并根据所述信贷微表情样本集构建微表情欺诈识别模型；

目前市面上金融机构在向贷款申请人进行放款审核时，是由有经验和能力的审批人员对贷款申请人根据其提供的信贷资料进行一对一的面审、面签；在这个过程当中，审批人员根据申请人的回答判断申请人是否有在说谎和欺诈。但在实际中，有经验和能力的审批人员的人数较少，人工审核的效率低，从而无法及时的对大量信贷申请作出及时地处理；同时，人工面核往往难以识别申请人口述造假的情况，面审规律易被黑中介绕过，导致无法识别出欺诈行为，提高了坏账率。考虑到上述问题，本实施例中提出一种基于微表情的信贷审核方法，在对贷款申请人进行资料核对和面审时，通过微表情欺诈识别模型对视频图像进行检测和识别，根据申请人的微表情和微动作确定申请人的真实内心情况，判断申请人是否有说谎，从而对欺诈进行检测，提高审核的效率和准确率。

本实施例中的信贷审核方法由基于微表情的信贷审核终端实现，该审核终端可以是PC、掌上电脑、平板电脑等终端。在进行信贷审核前，首先需要构建出微表情欺诈识别模型。考虑到在信贷问答过程中申请人的面部变化十分微小，若通过人的经验来提取申请人面核图像中的面部特征来构建微表情欺诈识别模型，可能会使得模型受到人类思维局限的不利影响(例如忽略了某些特点表情等)，因此本案中的欺诈识别模型可通过机器学习的方式来构建构建模型。首先需要建立用于训练模型的信贷微表情样本集，该样本集中包括有历史信贷记录中各申请人在进行信贷审核时的微表情图像和/或视频，同时还根据其贷款记录对微表情图像和/或视频的真实性进行了标记，如回答某个问题时的瞳孔突然放大，目光飘忽为欺骗特征等；然后使用该样本集中的数据对初始机器学习模型进行训练，获得微表情欺诈识别模型。，其中，对于该机器学习的过程，可以是通过神经网络、遗传算法、支持向量机等多种方式实现。

本实施例中，考虑到人的微表情数据量庞大，若要获取到各种类型的微表情样本数据用于进行模型训练，则会增大工作量，因此本案可采用linear-svm(linear-SupportVector Machine、线性-支持向量机)的方式进行建模。linear-svm是一种有监督的线性分类算法，属于判别模型的一种(不关心数据是怎么生成的，它只关心信号之间的差别，然后用差别来简单对给定的一个信号进行分类)；linear-svm基于几何间隔最大化原理，认为存在最大几何间隔的分类面为最优分类面，因此是考虑分类面上(局部边界线附近)的点，即linear-svm不直接依赖于数据分布，从而可在一定限度上降低微表情样本数据不足对模型准确率的不利影响。为训练欺诈识别模型，首先要获取到微表情数据集；考虑到在实际使用过程中是对申请人的视频流进行判断，因此该微表情数据集中的样本数据可以是视频数据，这些视频数据包括正例样本和负例样本。

在进行训练时，先建立一个初始模型，然后根据识别要求定义样本属性，例如，本实施例中对于微表情欺诈识别模型的识别要求为二分，即判断每个样本微表情的含义是真实还是欺诈，则每个样本的属性需要为确定的一个结果(真实或欺诈)。值得说明的是，考虑到微表情的多样性，同一个微表情在不同人的身上可能会有不同的含义，同时可能会存在某种微表情是难以判断或确定其真实含义的，因此对于该识别模型也还可以是多分的分类器，例如，该样本属性包括真实、完全欺诈和疑似欺诈，然后通过该三分样本训练得到三分的微表情欺诈识别模型。本实施例中，为了描述的方便，以二分为例(真实和欺诈)进行说明，其中，真实样本可称为正例样本，欺诈样本可称为负例样本。在定义了微表情样本的二分属性后，即将微表情样本分成了两大类。此时，可在样本数据中随机抽取若干比例正例样本和负例样本(例如40％正例样本+全部负例样本)作为一次训练样本，利用该这些一次训练样本对初始模型进行训练：在预设坐标系中绘制出各一次训练样本对应的一次特征点，然后根据样本的属性(正例和负例)以及特征点所在的位置对预设坐标系进行区域，得到正例区域和负例区域；然后根据区域的划分情况可得出若干个分隔函数，然后可在这些分隔函数中确定一个最近分隔函数；其中，在一次训练中，该最近分隔函数可以是随机确定，或者通过某些约束条件进行确定。在进行了一次训练后，可再次从微表情样本集中抽取相同比例样本作为迭代样本，并在该预设坐标系中绘制该迭代特征点，并利用这些迭代特征点对最近分隔函数不断进行调整，从而对微表情欺诈识别模型不断进行迭代训练，直至其对样本的正确分隔率(识别成功率)达到预设阈值，即认为训练完成，获得微表情欺诈识别模型。值得说明的是，该预设坐标系，可以是二维坐标系，此时最近分隔函数对应图像为一条直线；而由于微表情的复杂性，该预设坐标系也可能是三维以上(此处“以上”包括本数)的坐标系，也就是说，对于二维坐标系下的特征点，可能需要通过核函数(例如径函数)将其投影至高维度坐标系中，再根据各高纬度特征点获取高纬度坐标系下的分隔超平面函数(即分隔函数对应图像为一个超平面)。

步骤S20，在接收到信贷审核指令时，获取申请人信贷问答的原始视频流，所述原始视频流包括所述申请人信贷问答过程的微表情；

本实施例中，在得到微表情欺诈识别模型时，即可对申请人的信贷申请进行审核了。具体的，信贷审核终端在接收到信贷审核指令时，将根据该信贷审核指令获取该申请人进行信贷问答时的原始视频流；其中，由于本实施例是通过对申请人的微表情进行分析从而确定其信贷行为的真实度，因此对于该原始视频流中需包括了申请人在信贷问答过程的微表情。

步骤S30，将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得所述原始视频流的微表情识别结论；

本实施例中，在获得到原始视频流时，即可将该原始视频流输入到微表情欺诈识别模型中进行识别，判断申请人在进行作答时是否在进行欺诈。具体的，对于该原始视频流，可能会包括一些无用的视频数据，例如视频开头、结尾，问题间隔等，对于这些视频数据可能是不需要对进行识别的，为了降低识别量，提高识别效率，可剪去这些视频片段；同时，还可以对原视频流的画面进行人体区域识别(或者是人脸区域识别)，裁剪掉其它区域，获得微表情图像。在得到微表情图像时，将根据微表情图像的特征在欺诈识别模型的坐标系中绘制对应的识别特征点；然后根据所述识别特征点和最近分隔函数的位置关系，确定该识别特征点所在的区域，从而根据识别特征点所在的区域确定该微表情图像的图像属性，并根据图像属性得到原始视频流的微表情识别结论，例如是当识别特征点处于正例区域时，则该识别特征点的图像属性为真实，则原始视频流的微表情识别结论可以为真实。而在具体实施中，从原始视频流获得的微表情图像可以是多张的，而这些微表情图像的属性也可以是不同的，此时可以是在欺诈识别模型中定义输出规则，以在图像属性不一致时给出一个识别结论，例如，该规则是当真实属性的微表情图像在所有微表情图像中的比例达到一个阈值(例如80％)时，则输出微表情真实的识别结论。当然，还可以是其它的输出规则。

步骤S40，根据所述微表情识别结论生成对应的信贷决策建议信息。

本实施例中，在得到微表情识别结论时，信贷审核终端可根据该识别结论给出信贷决策建议。例如，当微表情欺诈识别模型输出的结论为二分时(即输出真实、或欺诈)时，信贷决策建议可以是建议允许放款、或者是建议拒绝放款；而当微表情欺诈识别模型输出的结论为三分时(即输出真实、完全欺诈或疑似欺诈)时，信贷决策建议还可以是建议允许放款、或者是建议拒绝放款、或者是建议二次审核。当然，微表情识别模型在输出识别结论的同时，还可以针对每一帧的微表情图像都输出，并标记其属性，从而方便工作人员了解识别过程。

本实施例中，获取信贷微表情样本集，并根据所述信贷微表情样本集构建微表情欺诈识别模型；在接收到信贷审核指令时，获取申请人信贷问答的原始视频流，所述原始视频流包括所述申请人信贷问答过程的微表情；将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得所述原始视频流的微表情识别结论；根据所述微表情识别结论生成对应的信贷决策建议信息。通过以上方式，本实施例采用机器学习得到的微表情欺诈识别模型，并在对贷款申请人进行资料核对和面审时使用该微表情欺诈识别模型对视频图像进行检测和识别，根据申请人的微表情确定申请人的真实内心情况，判断申请人是否有说谎，从而对欺诈进行检测，降低了人工审核的工作量，有利于提高信贷审核的效率和准确率。

参照图3，图3为本发明基于微表情的信贷审核方法第二实施例的流程示意图。

基于上述图2所示实施例，本实施例中，步骤S10包括：

步骤S11，获取信贷微表情样本集，并根据信贷问答类型对所述信贷微表情样本集的微表情样本进行分类，获得类型微表情样本；

本实施例中，考虑到信贷审核过程中申请人可能需要回答不同类型的问题，而申请人同一个微表情(微动作)在回答不同类型的问题可能会具有不同的含义。因此，为了准确判断微表情(微动作)的真实含义，在构建微表情识别模型和信贷审核过程可结合问题类型进行。具体的，在获取信贷微表情样本集时，可以根据样本涉及的信贷问答类型对微表情样本进行分类，得到若干类的类型微表情样本，例如包括身份类问题样本、家庭关系类问题样本、工作类问题样本和贷款意愿类问题样本，当然也可以根据其它情况进行其它分类。

步骤S12，根据所述类型微表情样本分别构建类型识别子模型，并将所述类型识别子模型封装得到微表情识别模型。

本实施例中，在对微表情样本分类完成时，可用每一类的类型微表情样本分别构建对应的类型识别子模型。其中，对于每一个类型识别子模型的构建过程可参照步骤S10的内容，此处不再赘述。在类型识别子模型构建完成时，即将若干类型识别子模型进行入口封装，定义对应的输入流向规则；其中，该流向规则可以是根据将要待识别图像的问题类型定义的，也就是说，在进行信贷识别时根据待识别图像的问题类型确定该待识别图像将输入哪一个类型识别子模型；在入口封装完成时，即得到了一个包括若干类型识别子模型的微表情欺诈识别模型，并使用该微表情欺诈识别模型进行信贷审核。

步骤S30包括：

步骤S31，根据所述信贷问答类型对所述原始视频流进行片段切分，获得类型视频流；

本实施例中，在使用包括若干类型识别子模型的微表情欺诈识别模型进行信贷审核时，可以是由多个类型识别子模型共同进行识别的。具体的，在获取到原始视频流时，首先会根据信贷问答类型对原始视频流进行片段切分，获得若干段类型视频流，例如身份类视频流、家庭关系类视频流、工作类视频流和贷款意愿类视频流。其中，对于片段切分的过程，可以是借助语音识别实现的，例如，对于每一个信贷问题，都会有一个问题编号，工作人员或相关信贷设备在向申请人进行提问时，会语音说出该问题编号(例如，身份类问题A1，家庭关系类问题B3等)；信贷终端在获得原始视频流时，可根据该问题编号确定视频切分的节点，并进行片段切分。此外，还可以是拍摄申请人的信贷作答录像时，直接进行片段标记，信贷终端在获得原始视频流时，可根据片段标记直接进行片段切分。当然，还可以是通过其它方式进行切分。

步骤S32，将所述类型视频流分别输入至对应的类型识别子模型进行微表情识别，获得类型识别结论；

本实施例中，获得类型视频流时，即可将类型视频流分别输入至对应的类型识别子模型进行微表情识别，并获得对应的类型识别结论。

步骤S33，汇总所述类型识别结论，并根据所述类型识别结论获得所述原始视频流的微表情识别结论。

本实施例中，在获得类型识别结论时，需要将这些类型识别结论进行汇总，并生成一个完整的微表情识别结论。

进一步的，由于不同类型视频流识别的类型识别结论可能是不一致的，因此需要定义一个汇总规则，以根据这些类型识别结论生成一个确定的微表情识别结论。本实施例中可以通过加权计算真实值进行汇总和生成微表情识别结论的。具体的，对于每一类信贷问答，都具有各自的加权比重，例如身份类视频流比重0.2、家庭关系类视频流0.1、工作类视频流0.3和贷款意愿类视频流0.3；而每一个类型识别子模型给出的类型识别结论中包括了一个类型真实评估值，代表申请人在回答该类问题时微表情所代表的答复可信度，其中二分的类型识别子模型，真实对应的评估值可以为1，欺诈可以为0；当然还可以是以连续分段的方式，例如评估值为0到100，其中评估值小于60为欺诈，60分以上为真实，评估值越高，答复越可信；在得到每个类型识别子模型给出的类型真实评估值时，可根据信贷问答类型对类型真实评估值分配加权权重，然后根据所述类型真实评估值和加权权重计算出原始视频流的微表情真实值，用以表示原始视频流整体可信度；当该微表情真实值大于某个阈值时，则认为原始视频流的整体微表情可信。当然，还可以根据信贷业务的特点，设置不同的汇总规则，例如，对于某些额度较大的信贷业务，需要所有的类型识别结论均为真实时，方认为原始视频流的整体微表情可信。

参照图4，图4为本发明基于微表情的信贷审核方法第三实施例的流程示意图。

基于上述图2所示实施例，本实施例中，步骤S20之后，还包括：

步骤S50，根据所述信贷审核指令获取所述申请人的证件信息，并根据所述证件信息获取所述申请人的证件图像；

本实施例中，考虑到在实际的审核过程，可能会有专门的欺诈人士顶替进行信贷作答的情况出现(即冒名进行信贷作答)，因此本实施例中在进行微表情识别之前，可先对视频流中的申请人的身份进行验证，一方面避免了审核的效率，另一方面也避免了微表情识别的异常情况。具体的，在获取到原始视频流时，分析终端将根据信贷审核指令获取申请人的证件信息(例如身份证信息)，然后根据该证件信息获取所述申请人的证件图像，用以作为申请人的真实样貌图像。

步骤S60，将所述证件图像和所述原始视频流进行对比，判断所述原始视频流中的人物图像是否与所述证件图像匹配。

本实施例中，在获得申请人的证件图像时，即可将将所述证件图像和所述原始视频流进行对比，判断所述原始视频流中的人物图像是否与所述证件图像匹配。如果原始视频流中的任务图像与证件图像匹配，则说明该申请人实名进行了信贷问答，此时进入步骤S30，对原始视频流进行微表情识别；而如果原始视频流中的任务图像与证件图像不匹配，则说明该原视频流中的人物不是申请人本人，即存在冒名作答的情况，此时分析终端可直接输出对应的欺诈提示。

此外，本发明实施例还提供一种信贷证件鉴别装置。

参照图5，图5为本发明基于微表情的信贷审核装置第一实施例的功能模块示意图。

本发明基于微表情的信贷审核装置为虚拟装置，存储于图1所示风控数据整合设备的存储器1005中，用于实现信贷审核程序的所有功能；信贷审核装置的各模块被处理器1001执行时，可实现通过机器学习得到的微表情欺诈识别模型，并在对贷款申请人进行资料核对和面审时使用该微表情欺诈识别模型对视频图像进行检测和识别，从而对欺诈进行检测。

具体的，本实施例中，所述信贷审核装置装置包括：

模型构造模块10，用于获取信贷微表情样本集，并根据所述信贷微表情样本集构建微表情欺诈识别模型；

视频流获取模块20，用于在接收到信贷审核指令时，获取申请人信贷问答的原始视频流，所述原始视频流包括所述申请人信贷问答过程的微表情；

微表情识别模块30，用于将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得所述原始视频流的微表情识别结论；

建议生成模块40，用于根据所述微表情识别结论生成对应的信贷决策建议信息。

进一步的，所述模型构造模块10包括：

第一分类单元，用于根据预设识别要求定义样本属性，并根据所述样本属性对所述信贷微表情样本集的微表情样本进行分类；

第一绘制单元，用于以预设比例在所述信贷微表情样本集的各类微表情样本中抽取一次训练样本，并在预设坐标系中绘制所述一次训练样本对应的一次特征点；

函数获取单元，用于根据所述样本特征点的位置和对应的样本属性对所述预设坐标系进行区域划分，并根据区域划分情况获取对应的最近分隔函数；

第二绘制单元，用于以所述预设比例在所述信贷微表情样本集的各类微表情样本中抽取迭代训练样本，并在预设坐标系中绘制所述迭代训练样本对应的迭代特征点；

迭代调整单元，用于通过所述迭代特征点对所述最近分隔函数进行迭代调整，直至所述最近分隔函数的正确分隔率达到预设阈值，获得微表情欺诈识别模型。

进一步的，所述微表情识别模块30包括：

第三绘制单元，用于在所述原始视频流中获取微表情图像，并在所述预设坐标系中绘制所述微表情图像对应的识别特征点；

属性确定单元，用于根据所述识别特征点和最近分隔函数的关系确定所述微表情图像的图像属性，并根据所述图像属性获得所述原始视频流的微表情识别结论。

进一步的，所述模型构造模块10包括：

第二分类单元，用于获取信贷微表情样本集，并根据信贷问答类型对所述信贷微表情样本集的微表情样本进行分类，获得类型微表情样本；

模型构建单元，用于根据所述类型微表情样本分别构建类型识别子模型，并将所述类型识别子模型封装得到微表情识别模型。

进一步的，所述微表情识别模块30包括：

视频切分单元，用于根据所述信贷问答类型对所述原始视频流进行片段切分，获得类型视频流；

分别识别单元，用于将所述类型视频流分别输入至对应的类型识别子模型进行微表情识别，获得类型识别结论；

结论汇总单元，用于汇总所述类型识别结论，并根据所述类型识别结论获得所述原始视频流的微表情识别结论。

进一步的，所述结论汇总单元包括：

权重分配子单元，用于获取所述类型识别结论中包括的类型真实评估值，并根据所述信贷问答类型为所述类型真实评估值分配加权权重；

真实值计算子单元，用于根据所述类型真实评估值和加权权重计算微表情真实值，并根据所述微表情真实值获得所述原始视频流的微表情识别结论。

进一步的，所述信贷审核装置还包括：

证件获取模块，用于根据所述信贷审核指令获取所述申请人的证件信息，并根据所述证件信息获取所述申请人的证件图像；

图像对比模块，用于将所述证件图像和所述原始视频流进行对比，判断所述原始视频流中的人物图像是否与所述证件图像匹配；

所述微表情识别模块30，还用于若所述人物图像与所述证件图像匹配，则将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得微表情识别结论。

其中，上述信贷审核装置中各个模块的功能实现与上述信贷审核方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。

此外，本发明实施例还提供一种可读存储介质。

本发明可读存储介质上存储有信贷审核程序，其中所述信贷审核程序被处理器执行时，实现如上述的信贷审核方法的步骤。

其中，信贷审核程序被执行时所实现的方法可参照本发明信贷审核方法的各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于微表情的信贷审核方法，其特征在于，所述信贷审核方法包括以下步骤：

获取信贷微表情样本集，并根据所述信贷微表情样本集构建微表情欺诈识别模型；

在接收到信贷审核指令时，获取申请人信贷问答的原始视频流，所述原始视频流包括所述申请人信贷问答过程的微表情；

将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得所述原始视频流的微表情识别结论；

根据所述微表情识别结论生成对应的信贷决策建议信息。

2.如权利要求1所述的信贷审核方法，其特征在于，所述根据所述信贷微表情样本集构建微表情欺诈识别模型的步骤包括：

根据预设识别要求定义样本属性，并根据所述样本属性对所述信贷微表情样本集的微表情样本进行分类；

以预设比例在所述信贷微表情样本集的各类微表情样本中抽取一次训练样本，并在预设坐标系中绘制所述一次训练样本对应的一次特征点；

根据所述样本特征点的位置和对应的样本属性对所述预设坐标系进行区域划分，并根据区域划分情况获取对应的最近分隔函数；

以所述预设比例在所述信贷微表情样本集的各类微表情样本中抽取迭代训练样本，并在预设坐标系中绘制所述迭代训练样本对应的迭代特征点；

通过所述迭代特征点对所述最近分隔函数进行迭代调整，直至所述最近分隔函数的正确分隔率达到预设阈值，获得微表情欺诈识别模型。

3.如权利要求2所述的信贷审核方法，其特征在于，所述将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得所述原始视频流的微表情识别结论的步骤包括：

在所述原始视频流中获取微表情图像，并在所述预设坐标系中绘制所述微表情图像对应的识别特征点；

根据所述识别特征点和最近分隔函数的关系确定所述微表情图像的图像属性，并根据所述图像属性获得所述原始视频流的微表情识别结论。

4.如权利要求1所述的信贷审核方法，其特征在于，所述获取信贷微表情样本集，并根据所述信贷微表情样本集构建微表情欺诈识别模型的步骤包括：

获取信贷微表情样本集，并根据信贷问答类型对所述信贷微表情样本集的微表情样本进行分类，获得类型微表情样本；

根据所述类型微表情样本分别构建类型识别子模型，并将所述类型识别子模型封装得到微表情识别模型。

5.如权利要求4所述的信贷审核方法，其特征在于，所述将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得所述原始视频流的微表情识别结论的步骤包括：

根据所述信贷问答类型对所述原始视频流进行片段切分，获得类型视频流；

将所述类型视频流分别输入至对应的类型识别子模型进行微表情识别，获得类型识别结论；

汇总所述类型识别结论，并根据所述类型识别结论获得所述原始视频流的微表情识别结论。

6.如权利要求5所述的信贷审核方法，其特征在于，所述汇总所述类型识别结论，并根据所述类型识别结论获得所述原始视频流的微表情识别结论的步骤包括：

获取所述类型识别结论中包括的类型真实评估值，并根据所述信贷问答类型为所述类型真实评估值分配加权权重；

根据所述类型真实评估值和加权权重计算微表情真实值，并根据所述微表情真实值获得所述原始视频流的微表情识别结论。

7.如权利要求1至6中任一项所述的信贷审核方法，其特征在于，所述在接收到信贷审核指令时，获取申请人信贷问答的原始视频流，所述原始视频流包括所述申请人信贷问答过程的微表情的步骤之后，还包括：

根据所述信贷审核指令获取所述申请人的证件信息，并根据所述证件信息获取所述申请人的证件图像；

将所述证件图像和所述原始视频流进行对比，判断所述原始视频流中的人物图像是否与所述证件图像匹配；

若所述人物图像与所述证件图像匹配，则执行步骤将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得所述原始视频流的微表情识别结论。

8.一种基于微表情的信贷审核装置，其特征在于，所述信贷审核装置包括：

模型构造模块，用于获取信贷微表情样本集，并根据所述信贷微表情样本集构建微表情欺诈识别模型；

视频流获取模块，用于在接收到信贷审核指令时，获取申请人信贷问答的原始视频流，所述原始视频流包括所述申请人信贷问答过程的微表情；

微表情识别模块，用于将所述原始视频流输入至所述微表情欺诈识别模型进行微表情识别，获得所述原始视频流的微表情识别结论；

建议生成模块，用于根据所述微表情识别结论生成对应的信贷决策建议信息。

9.一种基于微表情的信贷审核终端，其特征在于，所述信贷审核终端包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的信贷审核程序，其中所述信贷审核程序被所述处理器执行时，实现如权利要求1至7中任一项所述的信贷审核方法的步骤。

10.一种可读存储介质，其特征在于，所述计算机可读存储介质上存储有信贷审核程序，其中所述信贷审核程序被处理器执行时，实现如权利要求1至7中任一项所述的信贷审核方法的步骤。