CN109389489B - 欺诈行为的识别方法、计算机可读存储介质及终端设备 - Google Patents

Abstract

本发明属于计算机技术领域，尤其涉及一种基于大数据分析的欺诈行为的识别方法、计算机可读存储介质及终端设备。所述方法获取用户填写资料时的视频数据，并从所述视频数据中提取所述用户的表情特征向量；分别计算所述用户的表情特征向量与预设的样本集合中的各个表情特征向量样本之间的特征距离，所述样本集合包括正样本子集和负样本子集；根据各个所述特征距离计算所述用户的表情特征向量与所述正样本子集之间的第一平均距离，以及所述用户的表情特征向量与所述负样本子集之间的第二平均距离；根据所述第一平均距离和所述第二平均距离计算所述用户的欺诈指数，并根据所述用户的欺诈指数确定对所述用户的识别结果。

Description

欺诈行为的识别方法、计算机可读存储介质及终端设备

技术领域

本发明属于计算机技术领域，尤其涉及一种欺诈行为的识别方法、计算机可读存储介质及终端设备。

背景技术

金融机构在接收到客户申请的大额信用贷款时，通常需要风控人员通过提问来审核借款人的相关信息是否存在欺诈。目前，审核借款人是否欺诈极度依赖于风控人员的经验和判断，耗费大量的时间和人力，分析结果往往不准确客观。也有利用专业的仪器设备，通过检测呼吸、脉搏、血压、皮肤电阻等一系列指标判断被测试人员有无欺诈嫌疑，但此类仪器设备通常价格昂贵且容易对被测试人员的人权构成侵犯。

发明内容

有鉴于此，本发明实施例提供了一种欺诈行为的识别方法、计算机可读存储介质及终端设备，以解决现有技术中通过风控人员进行欺诈行为的识别时耗费大量的时间和人力，分析结果往往不准确客观的问题，以及通过仪器设备进行欺诈行为的识别时价格昂贵且容易对被测试人员的人权构成侵犯的问题。

本发明实施例的第一方面提供了一种欺诈行为的识别方法，可以包括：

获取用户填写资料时的视频数据，并从所述视频数据中提取所述用户的表情特征向量；

分别计算所述用户的表情特征向量与预设的样本集合中的各个表情特征向量样本之间的特征距离，所述样本集合包括正样本子集和负样本子集，所述正样本子集中的各个样本为在历史记录中出现欺诈行为的用户的表情特征向量，所述负样本子集中的各个样本为在历史记录中未出现欺诈行为的用户的表情特征向量；

根据各个所述特征距离计算所述用户的表情特征向量与所述正样本子集之间的第一平均距离，以及所述用户的表情特征向量与所述负样本子集之间的第二平均距离；

根据所述第一平均距离和所述第二平均距离计算所述用户的欺诈指数，并根据所述用户的欺诈指数确定对所述用户的识别结果。

本发明实施例的第二方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如下步骤：

获取用户填写资料时的视频数据，并从所述视频数据中提取所述用户的表情特征向量；

分别计算所述用户的表情特征向量与预设的样本集合中的各个表情特征向量样本之间的特征距离，所述样本集合包括正样本子集和负样本子集，所述正样本子集中的各个样本为在历史记录中出现欺诈行为的用户的表情特征向量，所述负样本子集中的各个样本为在历史记录中未出现欺诈行为的用户的表情特征向量；

根据各个所述特征距离计算所述用户的表情特征向量与所述正样本子集之间的第一平均距离，以及所述用户的表情特征向量与所述负样本子集之间的第二平均距离；

根据所述第一平均距离和所述第二平均距离计算所述用户的欺诈指数，并根据所述用户的欺诈指数确定对所述用户的识别结果。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：

获取用户填写资料时的视频数据，并从所述视频数据中提取所述用户的表情特征向量；

分别计算所述用户的表情特征向量与预设的样本集合中的各个表情特征向量样本之间的特征距离，所述样本集合包括正样本子集和负样本子集，所述正样本子集中的各个样本为在历史记录中出现欺诈行为的用户的表情特征向量，所述负样本子集中的各个样本为在历史记录中未出现欺诈行为的用户的表情特征向量；

根据各个所述特征距离计算所述用户的表情特征向量与所述正样本子集之间的第一平均距离，以及所述用户的表情特征向量与所述负样本子集之间的第二平均距离；

根据所述第一平均距离和所述第二平均距离计算所述用户的欺诈指数，并根据所述用户的欺诈指数确定对所述用户的识别结果。

本发明实施例与现有技术相比存在的有益效果是：本发明实施例预先将历史记录中出现欺诈行为的用户的表情特征向量作为欺诈行为识别时的正样本，将历史记录中未出现欺诈行为的用户的表情特征向量作为欺诈行为识别时的负样本，并将这些样本构造为样本集合，从而为欺诈行为识别提供了客观可靠的判断依据。在进行欺诈行为识别时，首先获取用户填写资料时的视频数据，然后从视频数据中提取用户的表情特征向量，并分别计算用户的表情特征向量与样本集合中的各个表情特征向量样本之间的特征距离，进而计算得到用户的欺诈指数，根据该欺诈指数即可判断用户是否存在欺诈风险。整个识别过程完全自动完成，无需任何人工干预，节省了大量的时间和人力，而且只需要使用到视频采集设备以及计算设备，而无需使用专业的仪器设备，成本低廉且不会对被测试人员的人权构成侵犯。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例中一种欺诈行为的识别方法的一个实施例流程图；

图2为从视频数据中提取用户的表情特征向量的示意流程图；

图3为本发明实施例中一种欺诈行为的识别装置的一个实施例结构图；

图4为本发明实施例中一种终端设备的示意框图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例中一种欺诈行为的识别方法的一个实施例可以包括：

步骤S101、获取用户填写资料时的视频数据。

在本实施例的一种具体实现中，可以通过任意的视频采集设备采集用户填写资料时的视频数据，在该视频数据中主要包括该用户的面部以及肩部区域的图像。用户所需填写的资料可以包括但不限于年龄、性别、受教育程度、收入水平、资产状况、婚姻状况、健康状况等影响贷款审批的内容。在采集完成之后，视频采集设备可以将所述视频数据传输到指定的终端设备中进行分析处理，该终端设备即为本实施例的实施主体。

在本实施例的另一种具体实现中，还可以通过所述终端设备自身携带的摄像头采集用户填写资料时的视频数据。

步骤S102、从所述视频数据中提取所述用户的表情特征向量。

具体地，步骤S102可以包括如图2所示的步骤：

步骤S1021、在所述视频数据中识别指定的面部动作单元。

无论是完整表情，还是微表情，都是藉由人类面部动作的活动而表现。保罗·艾克曼因此把人类所有面部肌肉的活动拆分、编号，继而推出了面部行为编码系统(FacialAction Coding System，FACS)。面部行为编码系统一共给出了45种不同的面部动作单元(Action Unit，AU)及AU组合，共同解锁人脸表情，例如AU1表示皱眉，AU17表示愤怒、悲伤、AU20表示恐惧等等。在本实施例中，可以将所述视频数据接入到预设的FACS识别系统中，从而识别出各种面部动作单元。需要注意的是，本实施例并不需要识别出所有的面部动作单元，而只需要识别出指定的面部动作单元，这些指定的面部动作单元均为人脸在进行欺诈行为时惯常出现的面部动作单元，例如，可以将AU1和AU20作为指定的面部动作单元。

步骤S1022、统计各个面部动作单元的持续时长，并获取在各个面部动作单元的持续时长内的眼球朝向以及肩膀位移量。

人在撒谎的时候眼球的运动方向最有可能是看向右上方并且伴有轻微的肩膀耸动，眼球的运动、肩膀的耸动即使有意识的控制，不经过系统训练，也是无法做到可控。在本实施例中，所述眼球朝向可以有两种取值，若在面部动作单元的持续时长内出现过眼球向右上方运动的动作，则所述眼球朝向取值为“1”，若在面部动作单元的持续时长内未出现过眼球向右上方运动的动作，则所述眼球朝向取值为“0”。所述肩膀位移量为面部动作单元的持续时长内左肩(或右肩)的最高位置与最低位置之间的差值。

步骤S1023、构造所述用户的表情特征向量。

具体地，可以根据下式构造所述用户的表情特征向量：

EmoVec＝(AU₁,Time₁,Eye₁,Sd₁,...,AU_n,Time_n,Eye_n,Sd_n,...,AU_N,Time_N,Eye_N,Sd_N)

其中，n为面部动作单元的序号，1≤n≤N，N为指定的面部动作单元的总数，AU_n为第n个面部动作单元的标志位，若在所述视频数据中识别出第n个面部动作单元，则AU_n取值为1，若在所述视频数据中未识别出第n个面部动作单元，则AU_n取值为0，Time_n为第n个面部动作单元的持续时长，Eye_n为在第n个面部动作单元的持续时长内的眼球朝向，Sd_n为在第n个面部动作单元的持续时长内的肩膀位移量，EmoVec为所述用户的表情特征向量。

优选地，在步骤S102之前，还可以对所述视频数据中的各帧图像进行预处理，这些预处理过程包括但不限于以下步骤：

图像去噪处理：常用的图像去噪方法有很多，本方案中优选中值滤波方法，中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，其基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，从而消除孤立的噪声点。

尺度、灰度归一化：即从图片的色彩、图片尺寸进行处理，在保证人脸关键特征的前提下减少一定的运算量，其中，尺度归一化实现将图像变换为统一的尺寸，有利于表情特征的提取，灰度归一化实现对不同光强，光源方向下得到的人脸图像进行补偿，以减弱单纯由于光照变化造成的图像信号的变化。

直方图均衡化：即把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布，可以使图像效果增强。

几何变换：利用特征提取算法和分类算法检测图像中人眼位置，利用两眼坐标位置对人脸进行几何变换，以减少姿态变化对表情识别的影响。其中，特征提取算法包括但不限于HOG、LBP、Haar-like等具体算法，分类算法包括但不限于贝叶斯算法、决策树算法、KNN、Adaboosting、Rocchio等具体算法。最后，检测并截取人脸感兴趣区域并保证图像中保有肩膀及脖子区域。

步骤S103、分别计算所述用户的表情特征向量与预设的样本集合中的各个表情特征向量样本之间的特征距离。

所述样本集合包括正样本子集和负样本子集，所述正样本子集中的各个样本为在历史记录中出现欺诈行为的用户的表情特征向量，所述负样本子集中的各个样本为在历史记录中未出现欺诈行为的用户的表情特征向量。

所述样本集合中的正样本的数目与负样本的数目应满足一定的限制条件，例如：

其中，PN为所述样本集合中的正样本的总数，NgN为所述样本集合中的负样本的总数，Thresh为预设的阈值，该阈值可以根据实际情况进行设置，例如，可以将其设置为0.1、0.01、0.001或者其它取值。

特殊地，可以保持正样本的数目与负样本的数目一致。例如，若共选取10000个样本，则其中正样本和负样本各5000个，以此保证分析结果的平衡性。

可选地，在组成样本集合之后，为了方便数据处理，保证后续处理时收敛加快，还可以对样本集合中的各个样本进行数据归一化处理，将其中的数值均表示在[0,1]的范围内。

进一步地，还可以采用主成分分析法从样本的各个维度中提取欺诈行为识别所需特征数据，去掉与欺诈行为识别无关的干扰特征。也即从样本的各个维度中只选取对欺诈行为识别影响最大的若干个维度的数据，而将其它对欺诈行为识别影响较为微小的维度的数据剔除掉，从而减小后续过程总体的计算量。

在本实施例中，具体可以根据下式分别计算所述用户的表情特征向量与所述样本集合中的各个表情特征向量样本之间的特征距离：

其中，d为向量维度的序号，1≤d≤DimNum，DimNum为所述用户的表情特征向量的维度总数，EmoElm_d为所述用户的表情特征向量在第d个维度上的分量，s为样本的序号，1≤s≤SpNum，SpNum为所述样本集合中的样本总数，SpElm_s,d为所述样本集合中的第s个表情特征向量样本在第d个维度上的分量，EmoDst_s为所述用户的表情特征向量与所述样本集合中的第s个表情特征向量样本之间的特征距离。

步骤S104、根据各个所述特征距离计算所述用户的表情特征向量与所述正样本子集之间的第一平均距离，以及所述用户的表情特征向量与所述负样本子集之间的第二平均距离。

具体地，可以根据下式计算所述第一平均距离：

其中，pn为正样本的序号，1≤pn≤PN，PN为所述正样本子集中的样本总数，PosDst_pn为所述用户的表情特征向量与所述正样本子集中的第pn个样本之间的特征距离，PosAvDst为所述第一平均距离；

根据下式计算所述第二平均距离：

其中，ngn为负样本的序号，1≤ngn≤NgN，NgN为所述负样本子集中的样本总数，NegDst_ngn为所述用户的表情特征向量与所述负样本子集中的第ngn个样本之间的特征距离，NegAvDst为所述第二平均距离。

步骤S105、根据所述第一平均距离和所述第二平均距离计算所述用户的欺诈指数。

例如，可以将所述用户的欺诈指数定义为所述第一平均距离和所述第二平均距离之间的比值。

步骤S106、根据所述用户的欺诈指数确定对所述用户的识别结果。

具体地，若所述用户的欺诈指数大于预设的指数阈值，则可以确定所述用户为存在较大欺诈风险的用户，若所述用户的欺诈指数小于或等于所述指数阈值，则可以确定所述用户为正常用户或者欺诈风险较小的用户。

所述指数阈值可以根据实际情况进行设置，例如，可以将其设置为1、1.2、1.5或者其它取值。

优选地，在面签环节，还可以再次对用户进行欺诈行为识别，获取所述用户面签时的视频数据，并计算所述用户面签时的欺诈指数，然后根据所述用户填写资料时的欺诈指数和所述用户面签时的欺诈指数确定对所述用户的识别结果。

所述用户面签时的欺诈指数的计算过程与所述用户填写资料时的欺诈指数的计算过程类似，具体可参照前述内容，此处不再赘述。

将所述用户填写资料时的欺诈指数记为A1，将所述用户面签时的欺诈指数记为A2，如果出现A1、A2有大幅差距，则需要对用户再次进行审核，A1、A2相差无异且接近取值较大，则直接判定用户欺诈，不予审核通过，A1、A2相差无异且接近0，则判定用户无欺诈嫌疑，可以优先处理通过审核并适当提高放款额度。

综上所述，本发明实施例预先将历史记录中出现欺诈行为的用户的表情特征向量作为欺诈行为识别时的正样本，将历史记录中未出现欺诈行为的用户的表情特征向量作为欺诈行为识别时的负样本，并将这些样本构造为样本集合，从而为欺诈行为识别提供了客观可靠的判断依据。在进行欺诈行为识别时，首先获取用户填写资料时的视频数据，然后从视频数据中提取用户的表情特征向量，并分别计算用户的表情特征向量与样本集合中的各个表情特征向量样本之间的特征距离，进而计算得到用户的欺诈指数，根据该欺诈指数即可判断用户是否存在欺诈风险。整个识别过程完全自动完成，无需任何人工干预，节省了大量的时间和人力，而且只需要使用到视频采集设备以及计算设备，而无需使用专业的仪器设备，成本低廉且不会对被测试人员的人权构成侵犯。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的一种欺诈行为的识别方法，图3示出了本发明实施例提供的一种欺诈行为的识别装置的一个实施例结构图。

本实施例中，一种欺诈行为的识别装置可以包括：

特征向量提取模块301，用于获取用户填写资料时的视频数据，并从所述视频数据中提取所述用户的表情特征向量；

特征距离计算模块302，用于分别计算所述用户的表情特征向量与预设的样本集合中的各个表情特征向量样本之间的特征距离，所述样本集合包括正样本子集和负样本子集，所述正样本子集中的各个样本为在历史记录中出现欺诈行为的用户的表情特征向量，所述负样本子集中的各个样本为在历史记录中未出现欺诈行为的用户的表情特征向量；

平均距离计算模块303，用于根据各个所述特征距离计算所述用户的表情特征向量与所述正样本子集之间的第一平均距离，以及所述用户的表情特征向量与所述负样本子集之间的第二平均距离；

欺诈指数计算模块304，用于根据所述第一平均距离和所述第二平均距离计算所述用户的欺诈指数；

识别模块305，用于根据所述用户的欺诈指数确定对所述用户的识别结果。

进一步地，所述特征向量提取模块可以包括：

面部动作单元识别单元，用于在所述视频数据中识别指定的面部动作单元；

统计单元，用于统计各个面部动作单元的持续时长，并获取在各个面部动作单元的持续时长内的眼球朝向以及肩膀位移量；

表情特征向量构造单元，用于根据下式构造所述用户的表情特征向量：

EmoVec＝(AU₁,Time₁,Eye₁,Sd₁,...,AU_n,Time_n,Eye_n,Sd_n,...,AU_N,Time_N,Eye_N,Sd_N)

其中，n为面部动作单元的序号，1≤n≤N，N为指定的面部动作单元的总数，AU_n为第n个面部动作单元的标志位，若在所述视频数据中识别出第n个面部动作单元，则AU_n取值为1，若在所述视频数据中未识别出第n个面部动作单元，则AU_n取值为0，Time_n为第n个面部动作单元的持续时长，Eye_n为在第n个面部动作单元的持续时长内的眼球朝向，Sd_n为在第n个面部动作单元的持续时长内的肩膀位移量，EmoVec为所述用户的表情特征向量。

进一步地，所述特征距离计算模块可以包括：

特征距离计算单元，用于根据下式分别计算所述用户的表情特征向量与所述样本集合中的各个表情特征向量样本之间的特征距离：

其中，d为向量维度的序号，1≤d≤DimNum，DimNum为所述用户的表情特征向量的维度总数，EmoElm_d为所述用户的表情特征向量在第d个维度上的分量，s为样本的序号，1≤s≤SpNum，SpNum为所述样本集合中的样本总数，SpElm_s,d为所述样本集合中的第s个表情特征向量样本在第d个维度上的分量，EmoDst_s为所述用户的表情特征向量与所述样本集合中的第s个表情特征向量样本之间的特征距离。

进一步地，所述平均距离计算模块可以包括：

第一平均距离计算单元，用于根据下式计算所述第一平均距离：

其中，pn为正样本的序号，1≤pn≤PN，PN为所述正样本子集中的样本总数，PosDst_pn为所述用户的表情特征向量与所述正样本子集中的第pn个样本之间的特征距离，PosAvDst为所述第一平均距离；

第二平均距离计算单元，用于根据下式计算所述第二平均距离：

其中，ngn为负样本的序号，1≤ngn≤NgN，NgN为所述负样本子集中的样本总数，NegDst_ngn为所述用户的表情特征向量与所述负样本子集中的第ngn个样本之间的特征距离，NegAvDst为所述第二平均距离。

进一步地，所述欺诈行为的识别装置还可以包括：

面签欺诈指数计算模块，用于获取所述用户面签时的视频数据，并计算所述用户面签时的欺诈指数；

面签识别模块，用于根据所述用户填写资料时的欺诈指数和所述用户面签时的欺诈指数确定对所述用户的识别结果。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

图4示出了本发明实施例提供的一种终端设备的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。

在本实施例中，所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备4可包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机可读指令42，例如执行上述的欺诈行为的识别方法的计算机可读指令。所述处理器40执行所述计算机可读指令42时实现上述各个欺诈行为的识别方法实施例中的步骤，例如图1所示的步骤S101至S106。或者，所述处理器40执行所述计算机可读指令42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至305的功能。

示例性的，所述计算机可读指令42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令42在所述终端设备4中的执行过程。

所述处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机可读指令以及所述终端设备4所需的其它指令和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。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或者该技术方案的全部或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一个存储介质中，包括若干计算机可读指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种欺诈行为的识别方法，其特征在于，包括：

获取用户填写资料时的视频数据，并从所述视频数据中提取所述用户的表情特征向量；

分别计算所述用户的表情特征向量与预设的样本集合中的各个表情特征向量样本之间的特征距离：

其中，d为向量维度的序号，1≤d≤DimNum，DimNum为所述用户的表情特征向量的维度总数，EmoElm_d为所述用户的表情特征向量在第d个维度上的分量，s为样本的序号，1≤s≤SpNum，SpNum为所述样本集合中的样本总数，SpElm_s,d为所述样本集合中的第s个表情特征向量样本在第d个维度上的分量，EmoDst_s为所述用户的表情特征向量与所述样本集合中的第s个表情特征向量样本之间的特征距离，所述样本集合包括正样本子集和负样本子集，所述正样本子集中的各个样本为在历史记录中出现欺诈行为的用户的表情特征向量，所述负样本子集中的各个样本为在历史记录中未出现欺诈行为的用户的表情特征向量；

根据各个所述特征距离计算所述用户的表情特征向量与所述正样本子集之间的第一平均距离，以及所述用户的表情特征向量与所述负样本子集之间的第二平均距离：

其中，pn为正样本的序号，1≤pn≤PN，PN为所述正样本子集中的样本总数，PosDst_pn为所述用户的表情特征向量与所述正样本子集中的第pn个样本之间的特征距离，PosAvDst为所述第一平均距离，ngn为负样本的序号，1≤ngn≤NgN，NgN为所述负样本子集中的样本总数，NegDst_ngn为所述用户的表情特征向量与所述负样本子集中的第ngn个样本之间的特征距离，NegAvDst为所述第二平均距离；

根据所述第一平均距离和所述第二平均距离计算所述用户的欺诈指数，并根据所述用户的欺诈指数确定对所述用户的识别结果。

2.根据权利要求1所述的欺诈行为的识别方法，其特征在于，所述从所述视频数据中提取所述用户的表情特征向量包括：

在所述视频数据中识别指定的面部动作单元；

统计各个面部动作单元的持续时长，并获取在各个面部动作单元的持续时长内的眼球朝向以及肩膀位移量；

根据下式构造所述用户的表情特征向量：

EmoVec＝(AU₁,Time₁,Eye₁,Sd₁,...,AU_n,Time_n,Eye_n,Sd_n,...,AU_N,Time_N,Eye_N,Sd_N)

其中，n为面部动作单元的序号，1≤n≤N，N为指定的面部动作单元的总数，AU_n为第n个面部动作单元的标志位，若在所述视频数据中识别出第n个面部动作单元，则AU_n取值为1，若在所述视频数据中未识别出第n个面部动作单元，则AU_n取值为0，Time_n为第n个面部动作单元的持续时长，Eye_n为在第n个面部动作单元的持续时长内的眼球朝向，Sd_n为在第n个面部动作单元的持续时长内的肩膀位移量，EmoVec为所述用户的表情特征向量。

3.根据权利要求1至2中任一项所述的欺诈行为的识别方法，其特征在于，所述根据所述第一平均距离和所述第二平均距离计算所述用户的欺诈指数，并根据所述用户的欺诈指数确定对所述用户的识别结果的步骤之后，还包括：

获取所述用户面签时的视频数据，并计算所述用户面签时的欺诈指数；

根据所述用户填写资料时的欺诈指数和所述用户面签时的欺诈指数确定对所述用户的识别结果。

4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至3中任一项所述的欺诈行为的识别方法的步骤。

5.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：

获取用户填写资料时的视频数据，并从所述视频数据中提取所述用户的表情特征向量；

分别计算所述用户的表情特征向量与预设的样本集合中的各个表情特征向量样本之间的特征距离：

其中，d为向量维度的序号，1≤d≤DimNum，DimNum为所述用户的表情特征向量的维度总数，EmoElm_d为所述用户的表情特征向量在第d个维度上的分量，s为样本的序号，1≤s≤SpNum，SpNum为所述样本集合中的样本总数，SpElm_s,d为所述样本集合中的第s个表情特征向量样本在第d个维度上的分量，EmoDst_s为所述用户的表情特征向量与所述样本集合中的第s个表情特征向量样本之间的特征距离，所述样本集合包括正样本子集和负样本子集，所述正样本子集中的各个样本为在历史记录中出现欺诈行为的用户的表情特征向量，所述负样本子集中的各个样本为在历史记录中未出现欺诈行为的用户的表情特征向量；

根据各个所述特征距离计算所述用户的表情特征向量与所述正样本子集之间的第一平均距离，以及所述用户的表情特征向量与所述负样本子集之间的第二平均距离：

其中，pn为正样本的序号，1≤pn≤PN，PN为所述正样本子集中的样本总数，PosDst_pn为所述用户的表情特征向量与所述正样本子集中的第pn个样本之间的特征距离，PosAvDst为所述第一平均距离，ngn为负样本的序号，1≤ngn≤NgN，NgN为所述负样本子集中的样本总数，NegDst_ngn为所述用户的表情特征向量与所述负样本子集中的第ngn个样本之间的特征距离，NegAvDst为所述第二平均距离；

根据所述第一平均距离和所述第二平均距离计算所述用户的欺诈指数，并根据所述用户的欺诈指数确定对所述用户的识别结果。

6.根据权利要求5所述的终端设备，其特征在于，所述从所述视频数据中提取所述用户的表情特征向量包括：

在所述视频数据中识别指定的面部动作单元；

统计各个面部动作单元的持续时长，并获取在各个面部动作单元的持续时长内的眼球朝向以及肩膀位移量；

根据下式构造所述用户的表情特征向量：

EmoVec＝(AU₁,Time₁,Eye₁,Sd₁,...,AU_n,Time_n,Eye_n,Sd_n,...,AU_N,Time_N,Eye_N,Sd_N)

其中，n为面部动作单元的序号，1≤n≤N，N为指定的面部动作单元的总数，AU_n为第n个面部动作单元的标志位，若在所述视频数据中识别出第n个面部动作单元，则AU_n取值为1，若在所述视频数据中未识别出第n个面部动作单元，则AU_n取值为0，Time_n为第n个面部动作单元的持续时长，Eye_n为在第n个面部动作单元的持续时长内的眼球朝向，Sd_n为在第n个面部动作单元的持续时长内的肩膀位移量，EmoVec为所述用户的表情特征向量。

Images