CN109766764A - 人脸识别数据处理方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及人工智能领域，提供了一种人脸识别数据处理方法、装置、计算机设备和存储介质。其中方法包括：接收终端发送的人脸识别请求，所述人脸识别请求中携带当前贷款产品对应的产品标识及影像数据；根据所述影像数据确定目标影像文件；获取所述目标影像文件对应的第一人脸识别分数，所述第一人脸识别分数为第一预设人脸识别接口返回的人脸识别分数；获取所述目标影像文件对应的第二人脸识别分数，所述第二人脸识别分数为第二预设人脸识别接口返回的人脸识别分数；获取所述产品标识对应的人脸识别配置规则，根据所述第一人脸识别分数、第二人脸识别分数及所述人脸识别配置规则，得到人脸识别结果；将所述人脸识别结果返回至所述终端。

Description

人脸识别数据处理方法、装置、计算机设备和存储介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种人脸识别数据处理方法、装置、计算机设备和存储介质。

背景技术

随着互联网的兴起，传统的线下贷款逐渐向线上贷款平台转移。为控制风险，线上贷款往往需要进行人脸识别，只有在人脸识别通过后才能对贷款人的身份进行确认。不同类型的贷款产品对风控的要求并不相同，因此有些类型的贷款产品对人脸识别的准确度要求高，而有些类型的贷款产品对人脸识别的准确度要求偏低，然而现有的贷款平台通常采用单一的人脸识别方法进行人脸识别，且对于不同类型的贷款产品设置的识别通过的标准都是一样的，因此无法满足不同产品的风控需求。

发明内容

基于此，有必要针对上述技术问题，提供一种能够满足不同贷款产品风控需求的人脸识别数据处理方法、装置、计算机设备和存储介质。

一种人脸识别数据处理方法，所述方法包括：

接收终端发送的人脸识别请求，所述人脸识别请求中携带当前贷款产品对应的产品标识及影像数据；

根据所述影像数据确定目标影像文件；

获取所述目标影像文件对应的第一人脸识别分数，所述第一人脸识别分数为第一预设人脸识别接口返回的人脸识别分数；

获取所述目标影像文件对应的第二人脸识别分数，所述第二人脸识别分数为第二预设人脸识别接口返回的人脸识别分数；

获取所述产品标识对应的人脸识别配置规则，根据所述第一人脸识别分数、第二人脸识别分数及所述人脸识别配置规则，得到人脸识别结果；

将所述人脸识别结果返回至所述终端。

在其中一个实施例中，所述第一预设人脸识别接口为公安部人脸识别接口，所述获取所述目标影像文件对应的第一人脸识别分数，包括：

当公安部人脸识别结果数据表中存在所述目标影像文件对应的历史人脸识别分数时，将已存在的所述人脸识别分数确定为第一人脸识别分数；

当所述公安部人脸识别结果数据表中不存在所述目标影像文件对应的人脸识别分数时，调用所述公安部人脸识别接口对所述目标影像文件进行人脸识别，得到所述第一人脸识别分数，并将所述第一人脸识别分数保存至所述公安部人脸识别结果数据表中。

在其中一个实施例中，所述获取所述目标影像文件对应的第二人脸识别分数，包括：

获取身份证图像；

采用已训练的去网纹模型对所述身份证图像进行去网纹操作，得到目标身份证图像；

根据所述目标身份证图像及目标影像文件调用所述第二人脸识别接口进行人脸识别，得到第二人脸识别分数。

在其中一个实施例中，所述去网纹模型的生成步骤包括：

获取预设数量的已进行去网纹处理的样本图像，根据所述样本图像构建第一数据集；

基于预设的网纹水印，对所述第一数据集中的各个样本图像进行合成，得到第二数据集；

根据所述第一数据集和所述第二数据集进行去网纹卷积神经网络训练，得到去网纹模型。

在其中一个实施例中，所述获取所述产品标识对应的人脸识别配置规则，包括：

根据所述产品标识查找对应的属性特征；

基于查找到的所述属性特征采用已训练的风控等级评估模型，得到所述产品标识对应的风控等级；

根据得到的所述风控等级查找对应的人脸识别配置规则。

在其中一个实施例中，所述风控等级评估模型的生成步骤包括：

获取训练样本集，所述训练样本集中每个训练样本包括贷款产品对应的属性特征及标注信息；

确定初始风控等级评估模型的模型结构信息，以及初始化所述初始风控等级评估模型的模型参数；

基于所述训练样本中的属性特征采用所述初始风控等级评估模型得到所述训练样本对应的风控等级；

基于所得到的风控等级及所述标注信息之间的差异，调整所述初始风控等级评估模型的模型参数，得到目标风控等级评估模型；

将所述目标风控等级评估模型确定为已训练的风控等级评估模型。

一种人脸识别数据处理装置，所述装置包括：

人脸识别请求接收模块，用于接收终端发送的人脸识别请求，所述人脸识别请求中携带当前贷款产品对应的产品标识及影像数据；

目标影像文件确定模块，用于根据所述影像数据确定目标影像文件；

第一人脸识别分数获取模块，用于获取所述目标影像文件对应的第一人脸识别分数，所述第一人脸识别分数为第一预设人脸识别接口返回的人脸识别分数；

第二人脸识别分数获取模块，获取所述目标影像文件对应的第二人脸识别分数，所述第二人脸识别分数为第二预设人脸识别接口返回的人脸识别分数；

人脸识别结果获得模块，用于获取所述产品标识对应的人脸识别配置规则，根据所述第一人脸识别分数、第二人脸识别分数及所述人脸识别配置规则，得到人脸识别结果；

人脸识别结果返回模块，用于将所述人脸识别结果返回至所述终端。

在其中一个实施例中，所述第一人脸识别分数获取模块还用于当公安部人脸识别结果数据表中存在所述目标影像文件对应的历史人脸识别分数时，将已存在的所述人脸识别分数确定为第一人脸识别分数；当所述公安部人脸识别结果数据表中不存在所述目标影像文件对应的人脸识别分数时，调用所述公安部人脸识别接口对所述目标影像文件进行人脸识别，得到所述第一人脸识别分数，并将所述第一人脸识别分数保存至所述公安部人脸识别结果数据表中。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意实施例所述的人脸识别数据处理方法所述的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现人脸识别数据处理方法所述的步骤。

上述人脸识别数据处理方法、装置、计算机设备和存储介质，在接收到终端发送的携带当前贷款产品对应的产品标识及影像数据的人脸识别请求后，根据所述影像数据确定目标影像文件，然后获取所述目标影像文件对应的第一人脸识别分数及第二人脸识别分数，并根据产品标识对应的人脸识别配置规则对这两个人脸识别分数进行判定，以得到最终的人脸识别结果，由由于可以对不同的产品设置不同的人脸识别配置规则，并根据该人脸识别配置规则最终确定人脸识别结果，因此，可以很好的满足不同的贷款产品的风控需求。

附图说明

图1为一个实施例中人脸识别数据处理方法的应用场景图；

图2为一个实施例中人脸识别数据处理方法的流程示意图；

图3为一个实施例中风控等级评估模型的生成步骤的流程示意图；

图4为另一个实施例中人脸识别数据处理方法的流程示意图；

图5为一个实施例中人脸识别数据处理装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的人脸识别数据处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104在接收到终端发送的携带当前贷款产品对应的产品标识及影像数据的人脸识别请求，对该人脸识别请求进行解析，然后根据其中的影像数据确定目标影像文件，并进一步获取两个不同的人脸识别接口所返回的目标影像文件对应的人脸识别分数，最后根据产品标识对应的人脸识别配置规则对得到的两个人脸识别分数进行综合判定，得到最终的人脸识别结果，将该人脸识别结果返回至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种人脸识别数据处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤S202，接收人脸识别请求，该人脸识别请求中携带当前贷款产品对应的产品标识及影像数据。

其中，当前贷款产品指的用户标识对应的用户进入人脸识别流程时所申请的贷款产品；产品标识用于唯一标识某个贷款产品；影像数据指的是与用于进行人脸识别的人脸图像有关的数据。在一个实施例中，影像数据可以包括至少一个影像文件，这些影像文件为终端在需要进行人脸识别时对用户采集的图像；在另一个实施例中，影像数据可以包括至少一个影像文件标识，其中，影像文件标识用于唯一影像文件数据库中的影像文件，影像文件数据库中的影像文件为终端事先上传并保存的影像文件。

具体地，终端在检测到用户触发人脸识别的指令时，生成人脸识别请求，并在人脸识别请求中携带当前贷款产品标识及影像数据，将生成的人脸识别请求发送至服务器

步骤S204，根据影像数据确定目标影像文件。

其中，目标影像文件指的是用于进行人脸识别比对的人脸图像。本实施例中，服务器接收到人脸识别请求后，对人脸识别请求进行解析，以获取其中的影像数据。

在其中一个实施例中，影像数据中包括至少一个影像文件，服务器可从中选取一个影像文件确定为目标影像文件；在另一个实施例中，影像数据库中包括了影像文件标识，服务器根据影像文件标识从影像文件数据库中查到对应的影像文件，并将查找到的影像文件确定为目标影像文件。

步骤S206，获取目标影像文件对应的第一人脸识别分数，第一人脸识别分数为第一预设人脸识别接口返回的人脸识别分数。

具体地，服务器获取目标影像文件对应的第一人脸识别分数可以是通过调用第一人脸识别接口对目标影像文件进行人脸识别得到第一人脸识别接口；也可以是从用于保存第一人脸识别接口的历史人脸识别分数的数据表中进行查找，判断是否已存在目标影像文件对应的历史人脸识别分数，若存在，则获取查找到的历史人脸识别分数作为目标影像文件对应的第一人脸识别分数。

在一个实施例中，第一人脸识别接口可以为公安部人脸识别系统提供的人脸识别接口(以下简称公安部人脸识别接口)，服务器在调用该人脸识别接口时，需上传目标影像文件、身份证信息等接口参数，其中，身份证信息可以是身份证号码或者身份证图像中的至少一种。

步骤S208，获取目标影像文件对应的第二人脸识别分数，第二人脸识别分数为第二预设人脸识别接口返回的人脸识别分数。

具体地，服务器获取目标影像文件对应的第二人脸识别分数可以是通过调用第二人脸识别接口对目标影像文件进行人脸识别得到第二人脸识别接口；也可以是从用于保存第二人脸识别接口的历史人脸识别分数的数据表中进行查找，判断是否已存在目标影像文件对应的历史人脸识别分数，若存在，则获取查找到的历史人脸识别分数作为目标影像文件对应的第二人脸识别分数。

在一个实施例中，当第一人脸识别接口为公安部人脸识别接口时，服务器在获取到第一人脸识别分数时，可同时获取第一人脸识别接口返回的身份证人脸图像，将该身份证人脸图像和目标影像文件作为输入参数以调用第二人脸识别接口得到第二人脸识别分数。

步骤S210，获取产品标识对应的人脸识别配置规则，根据第一人脸识别分数、第二人脸识别分数及人脸识别配置规则，得到人脸识别结果。

步骤S212，将人脸识别结果返回至终端。

具体地，对于不同贷款产品的业务需求，可事先设置对应的人脸识别配置规则，人脸识别配置规则用于指示服务器根据第一人脸识别分数、第二人脸识别分数得到人脸识别结果。在一个实施例中，人脸识别配置规则可以是当第一人脸识别分数大于第一预设阈值且第二人脸识别分数大于第二预设阈值时，判定人脸识别结果为人脸识别通过，否则，判定人脸识别结果为人脸识别未通过，其中，第一预设阈值及第二预设阈值可根据不同的产品对应的业务需求进行设定；在另一个实施例中，人脸识别规则可以是计算第一人脸识别分数与第二人脸识别分数的平均值，当该平均值大于第三预设阈值时，判定人脸识别结果为人脸识别通过，否则，判定人脸识别结果为人脸识别未通过，其中，第三预设阈值可根据不同的产品对应的业务需求进行设定。

进一步，得到人脸识别结果后，服务器可将该人脸识别结果返回至终端，终端可对该人脸识别结果进行显示。

上述人脸识别数据处理方法中，服务器在接收到终端发送的携带当前贷款产品对应的产品标识及影像数据的人脸识别请求后，根据影像数据确定目标影像文件，然后获取目标影像文件对应的第一人脸识别分数及第二人脸识别分数，并根据产品标识对应的人脸识别配置规则对这两个人脸识别分数进行判定，以得到最终的人脸识别结果，由于人脸识别结果是根据两个不同人脸识别接口的人脸识别分数得到的，相比于传统技术，得到的人脸识别结果更加准确，进一步，由于可以对不同的产品设置不同的人脸识别配置规则，并根据该人脸识别配置规则最终确定人脸识别结果，因此，可以很好的满足不同的贷款产品的风控需求。

在一个实施例中，第一预设人脸识别接口为公安部人脸识别接口，获取目标影像文件对应的第一人脸识别结果，包括：当公安部人脸识别结果数据表中存在目标影像文件对应的历史人脸识别分数时，将已存在的人脸识别分数确定为第一人脸识别分数；当公安部人脸识别结果数据表中不存在目标影像文件对应的人脸识别分数时，调用公安部人脸识别接口对目标影像文件进行人脸识别，得到第一人脸识别分数，并将第一人脸识别分数保存至公安部人脸识别结果数据表中。

其中，公安部人脸识别结果数据表用于保存公安部人脸识别接口返回的历史人脸识别分数。本实施例中，当第一人脸识别接口为公安部人脸识别接口时，服务器可以根据目标影像文件对应的影像文件标识从公安部人脸识别结果数据表查找是否存在与目标影像文件对应的历史人脸识别分数，若存在，则将查找到的历史人脸识别分数确定为目标影像文件对应的第一人脸识别分数；若不存在，则调用公安部人脸识别接口对目标影像文件进行人脸识别以得到第一人脸识别分数，并将该第一人脸识别分数保存到公安部人脸识别结果数据表中，从而可以实现人脸识别结果的复用，节省人脸识别时间，提高人脸识别效率。

在一个实施例中，获取目标影像文件对应的第二人脸识别分数，包括：获取身份证图像；采用已训练的去网纹模型对身份证图像进行去网纹操作，得到目标身份证图像；根据目标身份证图像及目标影像文件调用第二人脸识别接口进行人脸识别，得到第二人脸识别分数。

具体地，由于身份证图像通常有网纹，网纹的存在会影响人脸识别的结果，因此，需要先对身份证图像进行去网纹。本实施例中，可预先训练一个去网纹模型，通过该去网纹模型对获取到的身份证图像进行去网纹操作，得到已去掉网纹的目标身份证图像，在获取到目标身份证图像后，服务器可将目标身份证图像及目标影像文件作为第二人脸识别接口的输入参数，以调用第二人脸识别接口进行人脸比对得到第二人脸识别分数。

在一个实施例中，上述去网纹模型可通过以下方式训练得到：获取预设数量的已进行去网纹处理的样本图像，根据样本图像构建第一数据集；基于预设的网纹水印，对第一数据集中的各个样本图像进行合成，得到第二数据集；根据第一数据集和第二数据集进行去网纹卷积神经网络训练，得到去网纹模型。

本实施例中，第一数据集中的样本图像为无网纹的图像，可利用预设的网纹水印，对第一数据集中的样本图像进行合成，即在样本图像上添加网纹水印，从而得到第二数据集，然后，将第二数据集作为输入样本，将第一数据集作为期望的输出样本进行去网纹卷积神经网络训练，从而生成去网纹模型。其中，去网纹卷积神经网络(CNN，ConvolutionalNeural Network)，可包括卷积层(convolution)、归一化层(batch_normalization)、反卷积层(deconvolution)等。本申请实施例中，去网纹卷积神经网络训练的优化目标为使得去网纹后的人脸照和对应的原始人脸照的像素值差的绝对值和为最小。可以理解的是，具体的卷积层、归一化层、反卷积层的定义及去网纹卷积神经网络的训练方式可以参考现有的深度神经网络训练框架去实现，此处不作具体描述。

在一个实施例中，获取产品标识对应的人脸识别配置规则，包括：根据产品标识查找对应的属性特征；基于查找到的属性特征采用已训练的风控等级评估模型，得到产品标识对应的风控等级；根据得到的风控等级查找对应的人脸识别配置规则。

具体地，属性特征用于表征贷款产品的产品属性，包括但不限于贷款金额上限、贷款利率、信息服务费、贷款人信用度评估、贷款人的年龄、职位要求等，对于不同的贷款产品，其属性并不相同，对应的风控等级要求也不同，属性特征事先存储在数据库中，可根据产品标识进行查找，基于查找到的属性特征采用预先训练好的风控等级评估模型，得到产品标识对应的风控等级，对于各风控等级，事先设置了对应的人脸识别配置规则，因此，在获取到产品标识对应的风控等级后，可根据风控等级查找到对应的人脸识别配置规则，从而实现了对贷款产品的人脸识别规则自动化、差异化配置。其中，风控等级评估模型可通过对历史数据采用有监督的模型训练方法训练得到。

在一个实施例中，如图3所示，风控等级评估模型的生成步骤包括：

步骤S302，获取训练样本集，训练样本集中每个训练样本包括贷款产品对应的属性特征及标注信息。

其中，标注信息用于表征训练样本中的贷款产品所对应的风控等级，风控等级用于表征对贷款产品风险控制的要求，风控等级越高，则表明对对贷款产品风险控制的要求越高。在一个实施例中，标注信息可以是包含风控等级标识的向量，例如，当风控等级包括高、中、低三级时，用向量(1,0,0)表征高级，用向量(0,1,0)表征中级，用向量(0,0,1)表征低级；在另一个实施例中，标注信息可以是包括第一概率、第二概率以及第三概率的向量，其中，第一概率用于表征风控等级为高级的可能性，第二概率用于表征风控等级为中级的可能性，第三概率用于表征风控等级为低级的可能性。

步骤S304，确定初始风控等级评估模型的模型结构信息，以及初始化初始风控等级评估模型的模型参数。

具体地，初始风控等级评估模型可以是各种可以实现分类功能的机器学习模型，对于不同类型的模型，所需要确定的模型结构信息也不相同。例如，风控等级评估模型可以为决策树、逻辑回归、朴素贝叶斯、神经网络等等。

进一步，可以将初始风控等级评估模型的各个模型参数用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权值过大而进入饱和状态，从而导致训练失败，“不同”用来保证模型可以正常地学习。

步骤S306，基于训练样本中的属性特征采用初始风控等级评估模型得到训练样本对应的风控等级。

具体地，可以将属性特征映射为输入向量，将输入向量输入初始风控等级评估模型中，从而可以得到训练样本中历史任务的风控等级。

步骤S308，基于所得到的风控等级及标注信息之间的差异，调整初始风控等级评估模型的模型参数，得到目标风控等级评估模型。

步骤S310，将目标风控等级评估模型确定为已训练的风控等级评估模型。

具体地，可以利用预设的损失函数(例如，L1范数或者L2范数等)计算所得到的风控等级与训练样本中的标注信息之间的差异，以及基于计算所得的差异调整上述初始风控等级评估模型的模型参数，并在满足预设训练结束条件时，得到目标风控等级评估模型，其中预设训练结束条件包括但不限于：训练时间超过预设阈值；训练次数超过预设次数；计算所得到的差异小于预设差异阈值。本实施例中，可以采用各种实现方式基于计算所得的差异调整上述初始风控等级评估模型的模型参数。例如，BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法。进一步，将参数调整后得到的目标风控等级评估模型确定为已训练的风控等级评估模型。

在一个实施例中，如图4所示，提供了一种人脸识别数据处理方法，包括以下步骤：

步骤S402，接收终端发送的人脸识别请求，该人脸识别请求中携带当前贷款产品对应的产品标识、至少一个影像文件及身份证号码；

步骤S404，从至少一个影像文件中确定目标影像文件；

步骤S406，根据目标影像文件及身份证号码调用公安部人脸识别接口进行人脸识别，得到第一人脸识别分数；

步骤S408，从公安部人脸识别接口获取身份证图像；

步骤S410，采用已训练的去网纹模型对身份证图像进行去网纹操作，得到目标身份证图像；

步骤S412，根据目标身份证图像及目标影像文件调用第二人脸识别接口进行人脸识别，得到第二人脸识别分数；

步骤S414，根据产品标识查找对应的属性特征；

步骤S416，基于查找到的属性特征采用已训练的风控等级评估模型，得到产品标识对应的风控等级；

步骤S418，根据得到的风控等级查找产品标识对应的人脸识别配置规则；

步骤S420，根据第一人脸识别分数、第二人脸识别分数及人脸识别配置规则，得到人脸识别结果；

步骤S422，将人脸识别结果返回至终端。

应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种人脸识别数据处理装置500，包括：

人脸识别请求接收模块502，用于接收终端发送的人脸识别请求，人脸识别请求中携带当前贷款产品对应的产品标识及影像数据；

目标影像文件确定模块504，用于根据影像数据确定目标影像文件；

第一人脸识别分数获取模块506，用于获取目标影像文件对应的第一人脸识别分数，第一人脸识别分数为第一预设人脸识别接口返回的人脸识别分数；

第二人脸识别分数获取模块508，用于获取目标影像文件对应的第二人脸识别分数，第二人脸识别分数为第二预设人脸识别接口返回的人脸识别分数；

人脸识别结果获得模块510，用于获取产品标识对应的人脸识别配置规则，根据第一人脸识别分数、第二人脸识别分数及人脸识别配置规则，得到人脸识别结果；

人脸识别结果返回模块512，用于将人脸识别结果返回至终端。

在一个实施例中，第一人脸识别分数获取模块还用于当公安部人脸识别结果数据表中存在目标影像文件对应的历史人脸识别分数时，将已存在的人脸识别分数确定为第一人脸识别分数；当公安部人脸识别结果数据表中不存在目标影像文件对应的人脸识别分数时，调用公安部人脸识别接口对目标影像文件进行人脸识别，得到第一人脸识别分数，并将第一人脸识别分数保存至公安部人脸识别结果数据表中。

在一个实施例中，第二人脸识别分数获取模块还用于获取身份证图像；采用已训练的去网纹模型对身份证图像进行去网纹操作，得到目标身份证图像；根据目标身份证图像及目标影像文件调用第二人脸识别接口进行人脸识别，得到第二人脸识别分数。

在一个实施例中，上述装置还包括去网纹模型生成模块，用于获取预设数量的已进行去网纹处理的样本图像，根据样本图像构建第一数据集；基于预设的网纹水印，对第一数据集中的各个样本图像进行合成，得到第二数据集；根据第一数据集和第二数据集进行去网纹卷积神经网络训练，得到去网纹模型。

在一个实施例中，人脸识别结果获得模块510还用于根据产品标识查找对应的属性特征；基于查找到的属性特征采用已训练的风控等级评估模型，得到产品标识对应的风控等级；根据得到的风控等级查找对应的人脸识别配置规则。

在一个实施例中，上述装置还包括风控等级评估模型生成模块，用于获取训练样本集，训练样本集中每个训练样本包括贷款产品对应的属性特征及标注信息；确定初始风控等级评估模型的模型结构信息，以及初始化初始风控等级评估模型的模型参数；基于训练样本中的属性特征采用初始风控等级评估模型得到训练样本对应的风控等级；基于所得到的风控等级及标注信息之间的差异，调整初始风控等级评估模型的模型参数，得到目标风控等级评估模型；将目标风控等级评估模型确定为已训练的风控等级评估模型。

关于人脸识别数据处理装置的具体限定可以参见上文中对于人脸识别数据处理方法的限定，在此不再赘述。上述人脸识别数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史人脸识别分数、影像文件、属性特征等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸识别数据处理方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现本申请任意一个实施例中提供的人脸识别数据处理方法的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请任意一个实施例中提供的人脸识别数据处理方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种人脸识别数据处理方法，所述方法包括：

接收终端发送的人脸识别请求，所述人脸识别请求中携带当前贷款产品对应的产品标识及影像数据；

根据所述影像数据确定目标影像文件；

获取所述目标影像文件对应的第一人脸识别分数，所述第一人脸识别分数为第一预设人脸识别接口返回的人脸识别分数；

获取所述目标影像文件对应的第二人脸识别分数，所述第二人脸识别分数为第二预设人脸识别接口返回的人脸识别分数；

获取所述产品标识对应的人脸识别配置规则，根据所述第一人脸识别分数、第二人脸识别分数及所述人脸识别配置规则，得到人脸识别结果；

将所述人脸识别结果返回至所述终端。

2.根据权利要求1所述的方法，其特征在于，所述第一预设人脸识别接口为公安部人脸识别接口，所述获取所述目标影像文件对应的第一人脸识别分数，包括：

当公安部人脸识别结果数据表中存在所述目标影像文件对应的历史人脸识别分数时，将已存在的所述人脸识别分数确定为第一人脸识别分数；

当所述公安部人脸识别结果数据表中不存在所述目标影像文件对应的人脸识别分数时，调用所述公安部人脸识别接口对所述目标影像文件进行人脸识别，得到所述第一人脸识别分数，并将所述第一人脸识别分数保存至所述公安部人脸识别结果数据表中。

3.根据权利要求1所述的方法，其特征在于，所述获取所述目标影像文件对应的第二人脸识别分数，包括：

获取身份证图像；

采用已训练的去网纹模型对所述身份证图像进行去网纹操作，得到目标身份证图像；

根据所述目标身份证图像及目标影像文件调用所述第二人脸识别接口进行人脸识别，得到第二人脸识别分数。

4.根据权利要求3所述的方法，其特征在于，所述去网纹模型的生成步骤包括：

获取预设数量的已进行去网纹处理的样本图像，根据所述样本图像构建第一数据集；

基于预设的网纹水印，对所述第一数据集中的各个样本图像进行合成，得到第二数据集；

根据所述第一数据集和所述第二数据集进行去网纹卷积神经网络训练，得到去网纹模型。

5.根据权利要求1所述的方法，其特征在于，所述获取所述产品标识对应的人脸识别配置规则，包括：

根据所述产品标识查找对应的属性特征；

基于查找到的所述属性特征采用已训练的风控等级评估模型，得到所述产品标识对应的风控等级；

根据得到的所述风控等级查找对应的人脸识别配置规则。

6.根据权利要求5所述的方法，其特征在于，所述风控等级评估模型的生成步骤包括：

获取训练样本集，所述训练样本集中每个训练样本包括贷款产品对应的属性特征及标注信息；

确定初始风控等级评估模型的模型结构信息，以及初始化所述初始风控等级评估模型的模型参数；

基于所述训练样本中的属性特征采用所述初始风控等级评估模型得到所述训练样本对应的风控等级；

基于所得到的风控等级及所述标注信息之间的差异，调整所述初始风控等级评估模型的模型参数，得到目标风控等级评估模型；

将所述目标风控等级评估模型确定为已训练的风控等级评估模型。

7.一种人脸识别数据处理装置，其特征在于，所述装置包括：

人脸识别请求接收模块，用于接收终端发送的人脸识别请求，所述人脸识别请求中携带当前贷款产品对应的产品标识及影像数据；

目标影像文件确定模块，用于根据所述影像数据确定目标影像文件；

第一人脸识别分数获取模块，用于获取所述目标影像文件对应的第一人脸识别分数，所述第一人脸识别分数为第一预设人脸识别接口返回的人脸识别分数；

第二人脸识别分数获取模块，用于获取所述目标影像文件对应的第二人脸识别分数，所述第二人脸识别分数为第二预设人脸识别接口返回的人脸识别分数；

人脸识别结果获得模块，用于获取所述产品标识对应的人脸识别配置规则，根据所述第一人脸识别分数、第二人脸识别分数及所述人脸识别配置规则，得到人脸识别结果；

人脸识别结果返回模块，用于将所述人脸识别结果返回至所述终端。

8.根据权利要求7所述的装置，其特征在于，所述第一人脸识别分数获取模块还用于当公安部人脸识别结果数据表中存在所述目标影像文件对应的历史人脸识别分数时，将已存在的所述人脸识别分数确定为第一人脸识别分数；当所述公安部人脸识别结果数据表中不存在所述目标影像文件对应的人脸识别分数时，调用所述公安部人脸识别接口对所述目标影像文件进行人脸识别，得到所述第一人脸识别分数，并将所述第一人脸识别分数保存至所述公安部人脸识别结果数据表中。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。