CN109829358A - 微表情贷款控制方法、装置、计算机设备及存储介质 - Google Patents
微表情贷款控制方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109829358A CN109829358A CN201811536057.8A CN201811536057A CN109829358A CN 109829358 A CN109829358 A CN 109829358A CN 201811536057 A CN201811536057 A CN 201811536057A CN 109829358 A CN109829358 A CN 109829358A
- Authority
- CN
- China
- Prior art keywords
- creditor
- expression
- micro
- default
- loan
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000014509 gene expression Effects 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000009471 action Effects 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 70
- 238000003062 neural network model Methods 0.000 claims description 24
- 230000001815 facial effect Effects 0.000 claims description 21
- 230000036651 mood Effects 0.000 claims description 17
- 230000008451 emotion Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 abstract description 3
- 238000012502 risk assessment Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 57
- 238000013527 convolutional neural network Methods 0.000 description 30
- 238000012549 training Methods 0.000 description 26
- 238000013528 artificial neural network Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 230000006854 communication Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 230000008921 facial expression Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000002996 emotional effect Effects 0.000 description 5
- 210000004709 eyebrow Anatomy 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000036760 body temperature Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008909 emotion recognition Effects 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 3
- 230000036506 anxiety Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 210000000744 eyelid Anatomy 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 208000001613 Gambling Diseases 0.000 description 2
- 206010040954 Skin wrinkling Diseases 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 210000004704 glottis Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000007665 sagging Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种微表情贷款控制方法、装置、计算机设备及存储介质,包括:获取贷款人在回答预设问题时的图像信息以及语音信息,图像信息包括贷款人的脸部图像以及肢体动作图像;根据图像信息以及语音信息分析贷款人的诚信度;通过脸部图像获取贷款人的历史行为数据;根据贷款人的诚信度以及历史行为数据评估贷款人的征信值。本申请通过脸部表情以及肢体动作、声音共同分析贷款人的回答敏感问题时的真实度,再结合该贷款人的历史行为数据,综合进行贷款风险评估,使风险评价更准确。其中,历史行为数据来自于与测试系统对接的大数据网络,获取的途径多样,数据量多,有利于更准确地判断贷款人的征信值,协助工作人员做出准确的贷款判断。
Description
技术领域
本发明涉及计算机应用技术领域,具体而言,本发明涉及一种微表情贷款控制方法、装置、计算机设备及存储介质。
背景技术
在银行的贷款业务中,一般只需要提交相关的证明材料,填写相关的资料即可申请贷款。对于一些比较隐秘的问题,不容易被发现。
但是当当面与贷款人交流时,通过贷款人的一些微表情,可以让人领悟到一些关于贷款人的心理活动,比如贷款人撒谎或者不自信时,会脸红或者眼睛回避,闪躲。若在贷款的时候,还需要执行面谈的程序会比较麻烦,且不同的工作人员,其识别人的微表情并进行心理分析的能力不同,很难做到准确分析和判断。
发明内容
本发明的目的旨在至少能解决上述的技术缺陷之一,公开一种能够对贷款人进行贷款风险控制的微表情贷款控制方法、装置、计算机设备及存储介质。
为了达到上述目的,本发明公开一种微表情贷款控制方法,包括:
获取贷款人在回答预设问题时的图像信息以及语音信息,所述图像信息包括所述贷款人的脸部图像以及肢体动作图像;
根据所述图像信息以及语音信息分析贷款人的诚信度;
通过所述脸部图像获取贷款人的历史行为数据;
根据所述贷款人的诚信度以及历史行为数据评估所述贷款人的征信值。
可选的,所述根据所述图像信息以及语音信息分析贷款人的诚信度的方法包括:
根据所述图像信息获取贷款人的微表情分值,所述微表情分值与所回答的预设问题具有映射关系;
根据所述语音信息识别贷款人的声音分值,所述声音分值与所回答的预设问题具有映射关系;
通过微表情分值与声音分值的加权平均算法获取贷款人的诚信度。
可选的,所述根据所述图像信息获取贷款人的微表情分值的方法包括:
获取所述贷款人在回答预设问题时所对应的目标图像信息;
将所述目标图像信息输入至神经网络模型中以识别微表情的种类;
根据所述微表情的种类在预设微表情数据库中匹配出对应的微表情分值,所述微表情数据库包括预设问题对应的不同微表情所匹配的分值。
可选的,所述根据所述语音信息识别贷款人的声音分值的方法包括:
获取所述贷款人在回答预设问题时所对应的目标声音信息;
将所述目标声音信息输入至神经网络模型中以获取声学特征以及情绪种类;
根据所述声学特征在预设声学特征数据库中匹配以得到声音分值,所述声学特征数据库包括预设问题对应的声学特征和情绪种类所匹配的分值。
可选的,所述将所述目标图像信息输入至神经网络模型中以识别微表情的种类的方法包括:
获取预设表情数据库,所述预设表情数据库包括根据预设人脸轮廓特征以及肢体轮廓特征匹配的表情数据的集合;
根据所述人脸轮廓特征以及肢体轮廓特征与预设表情数据库中的表征贷款人情绪的预设人脸轮廓特征以及预设肢体轮廓特征的参数一一匹配以识别出对应的微表情种类。
可选的,所述微表情的种类识别还包括心率值,所述心率值的获取方法包括:
通过摄像装置上的光谱检测装置获取贷款人面部血红素数值;
通过该血红素数值计算所述贷款人心率值;
根据所述心率值匹配对应的微表情种类。
可选的,根据所述贷款人的诚信度以及历史行为数据评估所述贷款人的征信值的方法包括:
判断所述诚信度是否大于预设阈值;
当所述诚信度大于预设阈值时,判断所述历史行为数据是否包括在预设行为库中,所述预设行为库包括列举的对征信值进行扣分或加分的行为的集合以及所述行为对应的分值;
当存在预设行为库中的行为时,征信值的额定数值减少或增加该行为所映射的分值。
另一方面本申请开公开一种微表情贷款控制装置,包括:
获取模块:被配置为执行获取贷款人在回答预设问题时的图像信息以及语音信息,所述图像信息包括所述贷款人的脸部图像;
诚信度分析模块:根据所述图像信息以及语音信息分析贷款人的诚信度;
历史数据获取模块:通过所述脸部图像获取贷款人的历史行为数据;
评估模块:根据所述贷款人的诚信度以及历史行为数据评估所述贷款人的征信值。
可选的,还包括:
微表情分值获取模块:被配置为执行根据所述图像信息获取贷款人的微表情分值,所述微表情分值与所回答的预设问题具有映射关系;
声音分值获取模块:被配置为执行根据所述语音信息识别贷款人的声音分值,所述声音分值与所回答的预设问题具有映射关系;
诚信度计算模块:被配置为执行通过微表情分值与声音分值的加权平均算法获取贷款人的诚信度。
可选的,还包括:
目标图像获取模块:被配置为执行获取所述贷款人在回答预设问题时所对应的目标图像信息;
微表情识别模块:被配置为执行将所述目标图像信息输入至神经网络模型中以识别微表情的种类;
微表情分值匹配模块:被配置为执行根据所述微表情的种类在预设微表情数据库中匹配出对应的微表情分值,所述微表情数据库包括预设问题对应的不同微表情所匹配的分值。
可选的,还包括:
目标声音获取模块:被配置为执行获取所述贷款人在回答预设问题时所对应的目标声音信息;
声学特征识别模块:被配置为执行将所述目标声音信息输入至神经网络模型中以获取声学特征以及情绪种类;
声音分值匹配模块:被配置为执行根据所述声学特征在预设声学特征数据库中匹配以得到声音分值,所述声学特征数据库包括预设问题对应的声学特征和情绪种类所匹配的分值。
可选的,还包括:
表情数据库获取模块:被配置为执行获取预设表情数据库,所述预设表情数据库包括根据预设人脸轮廓特征以及肢体轮廓特征匹配的表情数据的集合;
微表情种类匹配模块:被配置为执行根据所述人脸轮廓特征以及肢体轮廓特征与预设表情数据库中的表征贷款人情绪的预设人脸轮廓特征以及预设肢体轮廓特征的参数一一匹配以识别出对应的微表情种类。
可选的,所述微表情的种类识别还包括心率值,还包括:
检测模块:被配置为执行通过摄像装置上的光谱检测装置获取贷款人面部血红素数值;
心率计算模块:被配置为执行通过该血红素数值计算所述贷款人心率值;
心率匹配模块:被配置为执行根据所述心率值匹配对应的微表情种类。
可选的,还包括:
阈值判断模块:被配置为执行判断所述诚信度是否大于预设阈值;
行为匹配模块:被配置为执行当所述诚信度大于预设阈值时,判断所述历史行为数据是否包括在预设行为库中,所述预设行为库包括列举的对征信值进行扣分或加分的行为的集合以及所述行为对应的分值;
征信值计算模块:被配置为执行当存在预设行为库中的行为时,征信值的额定数值减少或增加该行为所映射的分值。
另一方面,本申请还公开一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述任意一项所述的微表情贷款控制方法的步骤。
另一方面,本申请还公开一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任意一项所述的微表情贷款控制方法的步骤。
本发明的有益效果是:
本申请公开一种微表情贷款控制方法、装置、计算机设备及存储介质,通过脸部表情以及肢体动作、声音共同分析贷款人的回答敏感问题时的真实度,再结合该贷款人的历史行为数据,综合进行贷款风险评估,使风险评价更准确。其中,历史行为数据来自于与测试系统对接的大数据网络,获取的途径多样,数据量多,有利于更准确地判断贷款人的征信值,以此判断用户的还款能力,协助工作人员做出合适的贷款金额和是否贷款的决定。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明微表情贷款控制方法流程图;
图2为本发明诚信度分析方法流程图;
图3为本发明微表情分值获取方法流程图;
图4为本发明卷积神经网络模型的训练方法流程图;
图5为本发明识别微表情的种类的方法流程图;
图6为本发明心率值的获取方法流程图;
图7为本发明识别贷款人的声音分值的方法流程图;
图8为本发明贷款人的征信值评估方法流程图;
图9为本发明微表情贷款控制装置框图;
图10为本发明计算机设备基本结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备;PCS(Personal Communications Service,个人通信系统),其可以组合语音、数据处理、传真和/或数据通信能力;PDA(Personal Digital Assistant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System,全球定位系统)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端,例如可以是PDA、MID(Mobile Internet Device,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
具体的,请参阅图1,本发明公开一种微表情贷款控制方法,包括:
S1000、获取贷款人在回答预设问题时的图像信息以及语音信息,所述图像信息包括所述贷款人的脸部图像以及肢体动作图像;
贷款人为前往金融机构办理贷款的人员,这里的预设问题可以是金融机构设置的统一的问题,还可以是根据对贷款人进行背景调查后由工作人员专门设计的问题。
进一步的,预设的问题还可以是大数据收集的个人信息,筛选出的能影响贷款人还贷能力以及个人诚信的问题。比如通过收集贷款人在各个银行的流水、工资发放信息,以及根据贷款人的人身份证信息或者手机号注册的各个平台的账户,在网络上的相关行为,如评论、购买、发表等相关操作收集的个人历史行为痕迹。其数据的收集可以是通过与系统有相关权限的网站上进行数据爬取,根据爬取数据的标签进行分类,存储在预设数据库中,由专门的心理分析专家进行筛选,并指定问题。
进一步的,还可通过预设的条件,对获取的贷款人数据进行筛选,将能够对贷款人的信用以及个人还贷有影响的数据呈现出来,供心理分析专家进行分析,并指定出相关问题。进一步的,也可以通过计算机系统以神经网络模型筛选出可能刺激到贷款人,并从中判断出贷款人诚信和还款能力的问题。神经网络模型中的相关数据为收集的能判断出性格和信用情况的具有直接因果关系的案例的相关问题。
图像信息为通过设置在某一个能够拍摄到贷款人脸部图像位置的摄像装置拍摄的图像画面,语音信息为通过麦克风采集的贷款人回答预设问题时音频信息。
需要说明的是,摄像装置不局限于只有一台摄像装置,还可以是多台摄像装置共同进行拍摄,不仅从正面对贷款人员进行拍摄,还可以从侧面多个角度同时进行拍摄,更细致化地对人体表情,甚至是肢体动作进行跟踪拍摄。
在拍摄的时候,银行工作人员根据预设的问题库中的问题询问贷款人员,摄像装置记录贷款人员回答每一个问题时的面部表情以及肢体动作,同时通过麦克风记录贷款人回答问题的语音信息。
上述语音信息与图像信息按照时间轴的先后顺序存储在计算机设备中以进行关联。进一步的,根据时间轴可将图像信息与语音信息进行匹配,以便于后续根据回答的先后顺序记录对应的图像信息。本申请中还可以对语音信息的语意进行识别,根据所提的问题的编号将对应的图像信息以及语音信息进行匹配并存储。
S2000、根据所述图像信息以及语音信息分析贷款人的诚信度;
诚信度用于判断贷款人在回答预设问题时的真实性,本申请通过识别图像信息中的脸部图像以及肢体动作图像以获取贷款人的微表情,微表情为人们在说话或者思考的时候的不经意间的脸部动作或者肢体动作,根据研究,人们在不同的心情下所呈现的微表情会不一样,根据研究,人们处于同一种心情下所展现的表情和动作会呈一定的规律,比如,当人们的心情为高兴时,面部动作包括:嘴角翘起,面颊上抬起皱,眼睑收缩,眼睛尾部会形成“鱼尾纹”;表情为伤心时,面部特征包括眯眼,眉毛收紧,嘴角下拉,下巴抬起或收紧。表情为害怕时,嘴巴和眼睛张开,眉毛上扬,鼻孔张大。表情为愤怒时,眉毛下垂,前额紧皱,眼睑和嘴唇紧张。表情为厌恶时,嗤鼻,上嘴唇上抬,眉毛下垂,眯眼。表情为惊讶时,下颚下垂,嘴唇和嘴巴放松,眼睛张大,眼睑和眉毛微……对应的,这些表情不仅表现在脸上,手上也会相应会有一些动作,比如犹豫思考的时候,手上会拿一支笔转动,在愤怒或紧张的时候,可能会握紧拳头,等等,只要不是经过特殊训练过的专业反侦察人员,一般的普通人都可以通过脸部和肢体语言反应出内心的某种情绪。
基于此,当贷款人在回答预设问题时,通过所拍摄的图像分析其脸部和肢体上的动作,可分析出贷款人此刻的心理活动,以此判断是否有说谎或者有所隐瞒。
进一步的,一个人说话时的音色也可以用于判断该人的心理活动,比如一个人正常说话时,其自身的声学特征是固定的,但是,当这个人处于某种情绪下说话时,声学特征中的某些特征可能会变化,比如,当说话人在愤怒状态下,他的语音语调会变高,音量会变大,说话速率会变快,这些改变通过语音音高、音强、音长、音色、停顿等变化体现出来,被称为韵律,是从听觉角度出发的心理量,从声学分析出发有时长、幅度、基频和频谱等语音特征,这些特征是可测量的声学物理量,即声学特征。说话人处于不同的情绪下,说话时的声学特征会不一样,根据这一特性,可通过分析贷款人回答问题时的声学特征,反推出贷款人此刻的情绪。
基于以上特征,本申请中,请参阅图2,根据所述图像信息以及语音信息分析贷款人的诚信度的方法包括:
S2100、根据所述图像信息获取贷款人的微表情分值,所述微表情分值与所回答的预设问题具有映射关系;
由于图像信息包括所述贷款人的脸部图像以及肢体动作图像,通过分析脸部图像以及肢体动作,可以分析出对应的微表情。在本申请中,所获取的图像信息是与预设问题相对应的,根据贷款人在回答预设问题时的微表情,来对其进行评分,获取微表情值。具体的,请参阅图3,所述根据所述图像信息获取贷款人的微表情分值的方法包括:
S2110、获取所述贷款人在回答预设问题时所对应的目标图像信息;
摄像装置作为记录设备会全程记录贷款人回答问题时的图像信息,记录的过程是根据时间轴的先后顺序记录的,因此可根据时间轴根据问题回答的先后顺序,从这些图像信息中匹配对应该问题的多帧画面作为目标图像信息。
S2120、将所述目标图像信息输入至神经网络模型中以识别微表情的种类;
这些分离出的目标图像信息能清楚显示贷款人的人脸图像以及肢体图像,本申请中,采用神经网络模型来自动识别目标图像信息中的微表情。
神经网络在这里是指人工神经网络,其具有自学习功能。例如实现图像识别时,只需要先把许多不同的图像样板和对应的应识别的结果输入人工神经网络,网络就会通过自学习功能,慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测,其应用前途是很远大的。另外,其具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。神经网络还具有高速寻找优化解的能力。寻找一个复杂问题的优化解,往往需要很大的计算量,利用一个针对某问题而设计的反馈型人工神经网络,发挥计算机的高速运算能力,可能很快找到优化解。基于以上有点,本申请采用训练好的神经网络模型来识别人体头像信息。
神经网络包括深度神经网络、卷积神经网络、循环神经网络、深度残差网络等,本申请以卷积神经网络为例进行说明,卷积神经网络是一种前馈神经网络,人工神经元可以响应周围单元,可以进行大型图像处理。卷积神经网络包括卷积层和池化层。卷积神经网络(CNN)中卷积的目的在于将某些特征从图像中提取出来。卷积神经网络的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。
卷积神经网络主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于卷积神经网络的特征检测层通过训练数据进行学习,所以在使用卷积神经网络时,避免了显式的特征抽取,而隐式地从训练数据中进行学习;再者由于同一特征映射面上的神经元权值相同,所以网络可以并行学习,这也是卷积网络相对于神经元彼此相连网络的一大优势。
一幅彩色图像在计算机中的存储形式为一个三维的矩阵,三个维度分别是图像的宽、高和RGB(红绿蓝色彩值)值,而一幅灰度图像在计算机中的存储形式为一个二维矩阵,两个维度分别是图像的宽、高。无论是彩色图片的三维矩阵还是灰度图像的二维矩阵,矩阵中的每个元素取值范围为【0,255】,但是含义不同,彩色图像的三维矩阵可以拆分成R、G、B三个二维矩阵,矩阵中的元素分别代表图像相应位置的R、G、B亮度。灰度图像的二维矩阵中,元素则代表图像相应位置的灰度值。而二值图像可视为灰度图像的一个简化,它将灰度图像中所有高于某个阈值的原始转化为1,否则为0,故二值图像矩阵中的元素非0则1,二值图像足以描述图像的轮廓,二卷积操作的一个重要作用就是找到图像的边缘轮廓。
通过将图像转换成二值图像,再通过卷积核的过滤得到图像物体的边缘特征,再经过池化实现图像的降维以便于得到,明显的图像特征。通过模型训练,以识别出所述图像中图像特征。
本申请中,人像作为所拍摄的图像中的一个特征,可通过卷积神经网络训练得到的神经网络模型获得,但是,还可以使用其他的神经网络,比如DNN(深层神经网络)、RNN(循环神经网络)等网络模型训练而成。无论何种神经网络进行训练,采用这种机器学习的模式来获取人像的方法的原理基本一致。
以卷积神经网络模型的训练方法为例,请参阅图4,卷积神经网络模型的训练方法如下:
S2121、获取标记有分类判断信息的训练样本数据;
训练样本数据是整个训练集的构成单位,训练集是由若干个训练样本训练数据组成的。训练样本数据是由多种不同物体的数据以及对各种不同物体进行标记的分类判断信息组成的。分类判断信息是指人们根据输入卷积神经网络模型的训练方向,通过普适性的判断标准和事实状态对训练样本数据做出的人为的判断,也就是人们对卷积神经网络模型输出数值的期望目标。如,在一个训练样本数据中,人工识别出该图像信息数据中的物体与预存储的图像信息中的物体为同一个,则标定该物体分类判断信息为与预存储的目标物体图像相同。
S2122、将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的模型分类参照信息;
将训练样本集依次输入到卷积神经网络模型中,并获得卷积神经网络模型倒数第一个全连接层输出的模型分类参照信息。
模型分类参照信息是卷积神经网络模型根据输入的物体图像而输出的激励数据,在卷积神经网络模型未被训练至收敛之前,分类参照信息为离散性较大的数值,当卷积神经网络模型未被训练至收敛之后,分类参照信息为相对稳定的数据。
S2123、通过止损函数比对所述训练样本数据内不同样本的模型分类参照信息与所述分类判断信息是否一致;
止损函数是用于检测卷积神经网络模型中模型分类参照信息,与期望的分类判断信息是否具有一致性的检测函数。当卷积神经网络模型的输出结果与分类判断信息的期望结果不一致时,需要对卷积神经网络模型中的权重进行校正,以使卷积神经网络模型的输出结果与分类判断信息的期望结果相同。
S2124、当所述模型分类参照信息与所述分类判断信息不一致时,反复循环迭代的更新所述卷积神经网络模型中的权重,至所述比对结果与所述分类判断信息一致时结束。
当卷积神经网络模型的输出结果与分类判断信息的期望结果不一致时,需要对卷积神经网络模型中的权重进行校正,以使卷积神经网络模型的输出结果与分类判断信息的期望结果相同。
由于神经网络模型可以通过提取人体的脸部轮廓以及身体的轮廓,根据训练样本,可进一步判断出人体的脸部轮廓代表怎样的表情,身体的轮廓代表的是什么样的动作,也就是可以直接识别出贷款人的面部表情和肢体动作,根据前期研究中关于表情与肢体语言在不同情绪状态下的归类,从而得出这些表情与动作所代表的微表情的种类,比如面部表情有皱眉、抿嘴,手上有抓衣角的动作,表示紧张。
进一步的,请参阅图5,所述将所述目标图像信息输入至神经网络模型中以识别微表情的种类的方法包括:
S2125、获取预设表情数据库,所述预设表情数据库包括根据预设人脸轮廓特征以及肢体轮廓特征匹配的表情数据的集合;
在一实施例中,会根据不同的面部表情和肢体动作与对应的微表情种类相互映射,以构成一个预设表情数据库,所述预设表情数据库包括根据预设人脸轮廓特征以及肢体轮廓特征匹配的表情数据的集合
S2126、根据所述人脸轮廓特征以及肢体轮廓特征与预设表情数据库中的表征贷款人情绪的预设人脸轮廓特征以及预设肢体轮廓特征的参数一一匹配以识别出对应的微表情种类。
通过将识别的面部表情与肢体动作与预设表情数据库中的数据进行对比,则可判断出对应的微表情种类。进一步的,判断微表情种类不局限于面部表情与肢体动作全部落入在对应的表情数据库中,可通过设定一个阈值,当匹配度达到这个阈值,则可认定为属于该微表情的种类。
需要说明的是,在本申请中,微表情不局限于面部表情的或者肢体上的动作变化,在一种情况下,当贷款人说话的时候,可能面部以及肢体上的轮廓并没有太大的变化,但是脸部会变红,比如羞涩或者气愤的时候,脸部都会变红,脸部变红,处于生理反应,对应的心率值也可能会增加,因此在一实施例中,可通过心率值作为微表情种类判断的一个参数。心率值的判断可通过专门测量心率的设备获取,比如佩戴在手上的智能手环,或者测量心跳的仪器,但是这样的操作都过于明显,会导致贷款人的不自在,从而影响测量的准确性。且操作起来也过于复杂,需要专业人员进行操作。因此,本申请公开一种操作简单,且使用起来不容易被发现的测量心率的方法,通过面部血红素数值来判断。进一步的,请参阅图6,所述心率值的获取方法包括:
S2127、通过摄像装置上的光谱检测装置获取贷款人面部血红素数值;
S2128、通过该血红素数值计算所述贷款人心率值;
S2129、根据所述心率值匹配对应的微表情种类。
由于摄像装置可以获取贷款人的面部图像,因此,可以将光谱检测装置安装在摄像装置上,在拍摄的同时,获取贷款人面部血红素数值。光谱检测装置通过检测绿色光谱的映像,检测人体面部血红素的变化,以此来判断当前拍摄目标人物的心率情况,通过回答问题时心率的变化情况,来判断是否说谎,或者是否处于激动状态。
进一步的,同时可安装红外感应装置,感应所拍摄的目标人物的体温,通过体温值的变化情况,结合上述的微表情、语音和心率进一步提高征信值判断的准确度。
进一步的,还可以通过上述获取的目标人物的肤色、面部特征、心率、体温相互结合,通过大数据收集的贷款人信息判断用户的身体状况,以对用户的还款风险进行评估。大数据收集的贷款人信息可以为贷款人的就医情况,贷款人医保购买药品的情况,或者通过手机支付方式、淘宝支付的医药、生活用品费用等情况,判断贷款人是否患有某种疾病,是否有小孩,是否在某一方面有过多的支出,以判断贷款人的日常开销是否收支平衡,以此判断贷款人可能的还贷能力。
S2130、根据所述微表情的种类在预设微表情数据库中匹配出对应的微表情分值,所述微表情数据库包括预设问题对应的不同微表情所匹配的分值。
本申请中,根据预设问题以及对应的预设的微表情匹配对应的分值,比如,问题为:你是否在澳门有过赌博行为?预设的贷款人可能的微表情及其分值分别是:淡定为5分,惊讶为1分,迟疑为0分,紧张为-2分;当贷款人在回答这个问题时表情很淡定,可以认为贷款人说的是真话,可以计5分,当表情为紧张时,而回答的答案又是“没有”,则表示该贷款人可能说谎,因此分值为负数。通过上述分值,在回答完一系列的问题后,则可得出贷款人的微表情分值。
S2200、根据所述语音信息识别贷款人的声音分值,所述声音分值与所回答的预设问题具有映射关系;
同样的,贷款人在回答预设问题时,根据不同的问题,面部表情以及肢体动作会不同,同样,有些人的一些情绪还会通过声音表现出来。同一个人在不同情绪声音的声学特征会不一样。
基于以上原理,通过将预设的问题与对应回答该问题的语音信息关联起来,并对语音信息的声学特征进行分析,则可得到贷款人的声音分值。进一步的,请参阅图7,所述根据所述语音信息识别贷款人的声音分值的方法包括:
S2210、获取所述贷款人在回答预设问题时所对应的目标声音信息;
目标声音信息与上述的目标图像信息一样,都是通过摄像装置所记录的摄像提取的在回答某一个预设问题时的答复的语音信息。通过对该目标声音信息进行分析,并匹配对应的预设问题,则可获取对应的声音分值。
S2220、将所述目标声音信息输入至神经网络模型中以获取声学特征以及情绪种类;
这里的神经网络模型的原理与上述目标图像信息识别微表情的原理一样,不同之处在于,神经网络模型所选用的训练样本不一样,训练后输出的结果的类型不一样。本实施例中,需要输出的是目标声音信息中的声学特征。
声学特征为一种可测量的声学物理量,比如声音的时长、幅度、基频和频谱等语音特征,声学特征的提取与选择是语音识别的一个重要环节。声学特征的提取既是一个信息大幅度压缩的过程,也是一个信号解卷过程,目的是使模式划分器能更好地划分。由于语音信号的时变特性,特征提取必须在一小段语音信号上进行,也即进行短时分析。这一段被认为是平稳的分析区间称之为帧,帧与帧之间的偏移通常取帧长的1/2或1/3。通常要对信号进行预加重以提升高频,对信号加窗以避免短时语音段边缘的影响。
一个人说话时的音色也可以用于判断该人的心理活动,比如一个人正常说话时,其自身的声学特征是固定的,但是,当这个人处于某种情绪下说话时,声学特征中的某些特征可能会变化,比如,当说话人在愤怒状态下,他的语音语调会变高,音量会变大,说话速率会变快,这些改变通过语音音高、音强、音长、音色、停顿等变化体现出来,说话人处于不同的情绪下,说话时的声学特征会不一样,根据这一特性,可通过分析贷款人回答问题时的声学特征,反推出贷款人此刻的情绪种类。
传统的语音情感识别多通过提取MFCC(Mel-Frequency Cepstral Coefficients)等基本特征,基于KNN(k-nearest neighbor classification)算法、HMM(Hidden MarkovModel)模型、SVM(support vector machine)等传统分类模型,对3~5种基本情感进行分类。在语音特征方面,当前基于非语言特征的语音情感特征识别的声学特征有3种类型,分别为韵律学特征(时长、基频、能量等)、基于谱的相关特征【LPC(linear predictivecoding)、OSALPC(one.sided autocorrelation linear predictor coefficient)、LEPC(log-frequency power coefficient)、LPCC(linear predictor cepstralcoefficient)、MFCC(mel-frequency cepstral coefficient)、OSALPCC(cepstral-basedOSALPC)等】和音质特征(共振峰频率及其带宽、频率微扰和振幅微扰、声门参数)。目前,语音情感识别研究的主流方法是对三种特征进行融合,使用融合特征以提高识别性能。此外,基于i-vector特征的语音情感识别的研究还较为新颖。语音情感分类器分为离散语音情感分类器(Decision Trees、ANN、SVM、GMM、HMM、k-NN)和维度语音情感分类器(k-NN、ANN、SVR)。其中利用同一单一的分类器对不同的情感数据库进行分类时,其识别准确率是有差异的,而混合分类器和投票模式实现了更高的高识别率。
对于所采集的语音,本项目除了提取韵律学特征(时长、基频、能量等)、基于谱的相关特征(LPC、OSALPC、LEPC、LPCC、MFCC、OSALPCC等)和音质特征(共振峰频率及其带宽、频率微扰和振幅微扰、声门参数)之外,将进一步提取i-vector特征,并通过相关的统计分析确定与情感最为相关的语音特征,以用于后续的语音情感识别。
S2230、根据所述声学特征在预设声学特征数据库中匹配以得到声音分值,所述声学特征数据库包括预设问题对应的声学特征和情绪种类所匹配的分值。
根据步骤S2220可通过神经网络模型识别出语音信息中的声学特征以及情绪种类,并在预设声学特征数据库中将对应的预设问题与情绪种类和声学特征相互映射以匹配不同的分值。
在本申请中,根据预设问题以及对应的预设的情绪种类匹配对应的分值,比如,问题为:你是否在澳门有过赌博行为?预设的贷款人可能的情绪种类及其分值分别是:淡定为5分,惊讶为1分,迟疑为0分,紧张为-2分;当贷款人在回答这个问题时声音特征没有太大的变化,则认为该人的情绪为淡定,由此判断该贷款人说的是真话,可以计5分,当贷款人在回答问题的时候语音出现停顿,则可判断其有些迟疑,此时得分为0分。通过上述分值,在回答完一系列的问题后,则可得出贷款人的声音分值。
S2300、通过微表情分值与声音分值的加权平均算法获取贷款人的诚信度。
加强平均算法为通过获取不同类型的数据的权重值以及数量的总和计算的平均数据,比如,假设微表情分值为X,声音分值为Y,微表情的权重值为A,声音分值的权重值为B,诚信度为C,则本申请中,诚信度的计算方法为:
C=(AX+BY)/(A+B)。
S3000、通过所述脸部图像获取贷款人的历史行为数据;
通过上述神经网络模型,可获取贷款人的脸部图像,根据脸部图像可获得贷款人的身份信息。贷款人的身份信息可以通过预先存储的客户信息而获得,也可以是通过与公安系统联网以获取贷款人的身份信息,比如贷款人的姓名、职业、年龄、电话号码等信息。进一步的,当与公安系统联网,可获得贷款人的犯罪记录,当与医保系统联网时,则可获取贷款人的住院记录或者就医记录,以及用户的药物购买记录,以判断贷款人的身体状态,是否患过重大疾病,是否长期吃药等;当与银行系统连接式,则可获取贷款人曾经的贷款记录、银行流水情况,以及是否有购买金融产品的喜好,从而判断是否能够承担一些金融风险;当与线上支付网站连接时,则可判断该贷款人的消费习惯,以判断贷款人的收支情况。以上只是本申请公开的其中几种历史行为数据的获取方式的可能性,具体的数据采集根据实际的权限获取。
S4000、根据所述贷款人的诚信度以及历史行为数据评估所述贷款人的征信值。
诚信度是判断贷款人在回答特定问题时的真实情况,诚信度越高,表示该贷款人越诚实,贷款的需求越真实,但是仅仅从诚信度来给贷款人贷款还是存在一定的风险的,因此还需要历史行为数据结合起来进行评估。
在一实施例中,请参阅图8,根据所述贷款人的诚信度以及历史行为数据评估所述贷款人的征信值的方法包括:
S4100、判断所述诚信度是否大于预设阈值时;
由于诚信度是判断贷款人是否真诚和信用的一个指标,且本申请中,诚信度为一个数值,因此可通过设定一个预设阈值作为临界值来判断是否需要继续对该贷款人进行评估。
S4200、当所述诚信度大于预设阈值时,判断所述历史行为数据是否包括在预设行为库中,所述预设行为库包括列举的对征信值进行扣分的行为的集合以及所述行为对应的分值;
本申请中,当诚信度大于这个预设阈值时,表示该贷款人比较诚实,反之则代表该贷款人不诚实,可能存在不能定期还款的风险。只有当诚信度大于这个预设阈值时,才进行下一步的评估。
在一实施例中,下一步的评估为通过历史行为数据判断其是否在预设行为库中,所述预设行为库包括列举的对征信值进行扣分的行为的集合以及所述行为对应的分值。征信值进行扣分的行为可以理解为对贷款人的还款能力有影响的行为,比如通过医保系统,获取贷款人有某种疾病,可能导致每个月开销增多,因此还款能力评估分值应降低,或者贷款人喜欢购买高风险的股票,但是大部分都处于亏损状态,可判断该贷款人属于冒险型,这种冒险行增大还款的风险,因此也可以降低其对应的分值等等。以上只是列举的其中几种可能的减分项的判断标准,具体可根据放贷机构的风险承受能力来自行设置。
S4300、当存在预设行为库中的行为时,征信值的额定数值减少该行为所映射的分值。
当通过获取了历史行为数据,有历史行为库中的行为时,则在征信值的额定数值上减少对应的分值。在一实施例中,对于每一个人可设置一个额定数值,在此基础上根据历史行为数据进一步评估。这个额定数值可以是固定的数值,比如每个人都是100分,或者根据贷款人在该贷款机构的评级给出不同的分值,比如对于老顾客,之前合作过且没有不良记录的贷款人,分值可设置为120,对于年龄低于25岁的新客户,分值可设置为80分等等。
以上只是公开的其中一种征信值的计算方法,进一步的,还可以根据某些历史行为数据增加一定的分值,比如判断贷款人曾经有贷款记录,且提早还清了贷款,则可增加一定的分值等等,通过征信值的数据,可判断是否对该贷款人贷款,以及判断贷款的额度。
本申请公开的一种基于微表情贷款控制方法,通过微表情、声音、心率、健康状况等历史行为数据共同进行贷款风险控制,使风险评价更准确。通过识别回答问题的声音,提高判断用户当前情绪判断的准确性;通过心率情况,可避免一些心理素质比较好,或者对表情管控能力比较强的人,因假装而骗取摄像头的情况,同时,还可通过心率以及体温,结合用户的消费数据等其他历史数据,可获取用户的身体状况,以此判断用户的工作强度,风险承受能力;同时根据获取的大数据,获取用户的消费习惯,判断用户的喜好、是否有高风险投资,是否有遭受投资失败的风险等,以此判断用户的还款能力,协助工作人员做出合适的贷款金额和是否贷款的决定。
另一方面,请参阅图9,本申请开公开一种微表情贷款控制装置,包括:
获取模块1000:被配置为执行获取贷款人在回答预设问题时的图像信息以及语音信息,所述图像信息包括所述贷款人的脸部图像;
诚信度分析模块2000:根据所述图像信息以及语音信息分析贷款人的诚信度;
历史数据获取模块3000:通过所述脸部图像获取贷款人的历史行为数据;
评估模块4000:根据所述贷款人的诚信度以及历史行为数据评估所述贷款人的征信值。
在一些实施例中,还包括:
微表情分值获取模块:被配置为执行根据所述图像信息获取贷款人的微表情分值,所述微表情分值与所回答的预设问题具有映射关系;
声音分值获取模块:被配置为执行根据所述语音信息识别贷款人的声音分值,所述声音分值与所回答的预设问题具有映射关系;
诚信度计算模块:被配置为执行通过微表情分值与声音分值的加权平均算法获取贷款人的诚信度。
在一些实施例中,还包括:
目标图像获取模块:被配置为执行获取所述贷款人在回答预设问题时所对应的目标图像信息;
微表情识别模块:被配置为执行将所述目标图像信息输入至神经网络模型中以识别微表情的种类;
微表情分值匹配模块:被配置为执行根据所述微表情的种类在预设微表情数据库中匹配出对应的微表情分值,所述微表情数据库包括预设问题对应的不同微表情所匹配的分值。
在一些实施例中,还包括:
目标声音获取模块:被配置为执行获取所述贷款人在回答预设问题时所对应的目标声音信息;
声学特征识别模块:被配置为执行将所述目标声音信息输入至神经网络模型中以获取声学特征以及情绪种类;
声音分值匹配模块:被配置为执行根据所述声学特征在预设声学特征数据库中匹配以得到声音分值,所述声学特征数据库包括预设问题对应的声学特征和情绪种类所匹配的分值。
在一些实施例中,还包括:
表情数据库获取模块:被配置为执行获取预设表情数据库,所述预设表情数据库包括根据预设人脸轮廓特征以及肢体轮廓特征匹配的表情数据的集合;
微表情种类匹配模块:被配置为执行根据所述人脸轮廓特征以及肢体轮廓特征与预设表情数据库中的表征贷款人情绪的预设人脸轮廓特征以及预设肢体轮廓特征的参数一一匹配以识别出对应的微表情种类。
在一些实施例中,所述微表情的种类识别还包括心率值,还包括:
检测模块:被配置为执行通过摄像装置上的光谱检测装置获取贷款人面部血红素数值;
心率计算模块:被配置为执行通过该血红素数值计算所述贷款人心率值;
心率匹配模块:被配置为执行根据所述心率值匹配对应的微表情种类。
在一些实施例中,还包括:
阈值判断模块:被配置为执行判断所述诚信度是否大于预设阈值;
行为匹配模块:被配置为执行当所述诚信度大于预设阈值时,判断所述历史行为数据是否包括在预设行为库中,所述预设行为库包括列举的对征信值进行扣分或加分的行为的集合以及所述行为对应的分值;
征信值计算模块:被配置为执行当存在预设行为库中的行为时,征信值的额定数值减少或增加该行为所映射的分值。
由于上述的微表情贷款控制装置是微表情贷款控制方法一一对应的模块,其功能一样,此处不再赘述。
本发明实施例提供计算机设备基本结构框图请参阅图10。
该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中,该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种微表情贷款控制方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种微表情贷款控制方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图10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。
计算机设备通过接收关联的客户端发送的提示行为的状态信息,即关联终端是否开启提示以及贷款人是否关闭该提示任务。通过验证上述任务条件是否达成,进而向关联终端发送对应的预设指令,以使关联终端能够根据该预设指令执行相应的操作,从而实现了对关联终端的有效监管。同时,在提示信息状态与预设的状态指令不相同时,服务器端控制关联终端持续进行响铃,以防止关联终端的提示任务在执行一段时间后自动终止的问题。
本发明还提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例所述微表情贷款控制方法。
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,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他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。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种微表情贷款控制方法,其特征在于,包括:
获取贷款人在回答预设问题时的图像信息以及语音信息,所述图像信息包括所述贷款人的脸部图像以及肢体动作图像;
根据所述图像信息以及语音信息分析贷款人的诚信度;
通过所述脸部图像获取贷款人的历史行为数据;
根据所述贷款人的诚信度以及历史行为数据评估所述贷款人的征信值。
2.根据权利要求1所述的微表情贷款控制方法,其特征在于,所述根据所述图像信息以及语音信息分析贷款人的诚信度的方法包括:
根据所述图像信息获取贷款人的微表情分值,所述微表情分值与所回答的预设问题具有映射关系;
根据所述语音信息识别贷款人的声音分值,所述声音分值与所回答的预设问题具有映射关系;
通过微表情分值与声音分值的加权平均算法获取贷款人的诚信度。
3.根据权利要求2所述的微表情贷款控制方法,其特征在于,所述根据所述图像信息获取贷款人的微表情分值的方法包括:
获取所述贷款人在回答预设问题时所对应的目标图像信息;
将所述目标图像信息输入至神经网络模型中以识别微表情的种类;
根据所述微表情的种类在预设微表情数据库中匹配出对应的微表情分值,所述微表情数据库包括预设问题对应的不同微表情所匹配的分值。
4.根据权利要求2所述的微表情贷款控制方法,其特征在于,所述根据所述语音信息识别贷款人的声音分值的方法包括:
获取所述贷款人在回答预设问题时所对应的目标声音信息;
将所述目标声音信息输入至神经网络模型中以获取声学特征以及情绪种类;
根据所述声学特征在预设声学特征数据库中匹配以得到声音分值,所述声学特征数据库包括预设问题对应的声学特征和情绪种类所匹配的分值。
5.根据权利要求3所述的微表情贷款控制方法,其特征在于,所述将所述目标图像信息输入至神经网络模型中以识别微表情的种类的方法包括:
获取预设表情数据库,所述预设表情数据库包括根据预设人脸轮廓特征以及肢体轮廓特征匹配的表情数据的集合;
根据所述人脸轮廓特征以及肢体轮廓特征与预设表情数据库中的表征贷款人情绪的预设人脸轮廓特征以及预设肢体轮廓特征的参数一一匹配以识别出对应的微表情种类。
6.根据权利要求3所述的微表情贷款控制方法,其特征在于,所述微表情的种类识别还包括心率值,所述心率值的获取方法包括:
通过摄像装置上的光谱检测装置获取贷款人面部血红素数值;
通过该血红素数值计算所述贷款人心率值;
根据所述心率值匹配对应的微表情种类。
7.根据权利要求1所述的微表情贷款控制方法,其特征在于,根据所述贷款人的诚信度以及历史行为数据评估所述贷款人的征信值的方法包括:
判断所述诚信度是否大于预设阈值;
当所述诚信度大于预设阈值时,判断所述历史行为数据是否包括在预设行为库中,所述预设行为库包括列举的对征信值进行扣分或加分的行为的集合以及所述行为对应的分值;
当存在预设行为库中的行为时,征信值的额定数值减少或增加该行为所映射的分值。
8.一种微表情贷款控制装置,其特征在于,包括:
获取模块:被配置为执行获取贷款人在回答预设问题时的图像信息以及语音信息,所述图像信息包括所述贷款人的脸部图像;
诚信度分析模块:根据所述图像信息以及语音信息分析贷款人的诚信度;
历史数据获取模块:通过所述脸部图像获取贷款人的历史行为数据;评估模块:根据所述贷款人的诚信度以及历史行为数据评估所述贷款人的征信值。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项权利要求所述的微表情贷款控制方法的步骤。
10.一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述的微表情贷款控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811536057.8A CN109829358A (zh) | 2018-12-14 | 2018-12-14 | 微表情贷款控制方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811536057.8A CN109829358A (zh) | 2018-12-14 | 2018-12-14 | 微表情贷款控制方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109829358A true CN109829358A (zh) | 2019-05-31 |
Family
ID=66858830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811536057.8A Pending CN109829358A (zh) | 2018-12-14 | 2018-12-14 | 微表情贷款控制方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829358A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108125686A (zh) * | 2017-07-13 | 2018-06-08 | 广东网金控股股份有限公司 | 一种反欺诈方法及系统 |
CN109767317A (zh) * | 2018-12-15 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 基于会员等级评定的贷款审核方法、装置、设备及介质 |
CN110443692A (zh) * | 2019-07-04 | 2019-11-12 | 平安科技(深圳)有限公司 | 企业信贷审核方法、装置、设备及计算机可读存储介质 |
CN110458018A (zh) * | 2019-07-05 | 2019-11-15 | 深圳壹账通智能科技有限公司 | 一种测试方法、装置及计算机可读存储介质 |
CN110490424A (zh) * | 2019-07-23 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种基于卷积神经网络的进行风险评估的方法和装置 |
CN110503099A (zh) * | 2019-07-23 | 2019-11-26 | 平安科技(深圳)有限公司 | 基于深度学习的信息识别方法及相关设备 |
CN110766542A (zh) * | 2019-09-29 | 2020-02-07 | 北京奇才天下科技有限公司 | 一种金融产品的用户额度确定方法和装置 |
CN110889332A (zh) * | 2019-10-30 | 2020-03-17 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种基于面试中微表情的说谎检测方法 |
CN111339859A (zh) * | 2020-02-17 | 2020-06-26 | 出门问问信息科技有限公司 | 一种多模态风险控制方法、装置以及计算机可读存储介质 |
CN111401826A (zh) * | 2020-02-14 | 2020-07-10 | 平安科技(深圳)有限公司 | 电子合同签署的双录方法、装置、计算机设备及存储介质 |
CN111429267A (zh) * | 2020-03-26 | 2020-07-17 | 深圳壹账通智能科技有限公司 | 面审风险控制方法、装置、计算机设备及存储介质 |
CN112151027A (zh) * | 2020-08-21 | 2020-12-29 | 深圳追一科技有限公司 | 基于数字人的特定人询问方法、装置和存储介质 |
CN112215700A (zh) * | 2020-10-13 | 2021-01-12 | 中国银行股份有限公司 | 信贷面审的审核方法及装置 |
CN112365340A (zh) * | 2020-11-20 | 2021-02-12 | 无锡锡商银行股份有限公司 | 一种多模态个人贷款风险预测方法 |
CN112528797A (zh) * | 2020-12-02 | 2021-03-19 | 杭州海康威视数字技术股份有限公司 | 一种问题推荐方法、装置及电子设备 |
CN112668384A (zh) * | 2020-08-07 | 2021-04-16 | 深圳市唯特视科技有限公司 | 一种知识图谱构建方法、系统、电子设备及存储介质 |
TWI726470B (zh) * | 2019-11-01 | 2021-05-01 | 華南商業銀行股份有限公司 | 影像辨識系統 |
CN112819609A (zh) * | 2021-02-24 | 2021-05-18 | 深圳前海微众银行股份有限公司 | 风险评估方法、设备、计算机可读存储介质及程序产品 |
CN112991076A (zh) * | 2021-02-08 | 2021-06-18 | 支付宝(杭州)信息技术有限公司 | 信息处理方法及装置 |
CN113283978A (zh) * | 2021-05-06 | 2021-08-20 | 北京思图场景数据科技服务有限公司 | 基于生物基础与行为特征及业务特征的金融风险评估方法 |
CN113505604A (zh) * | 2021-07-16 | 2021-10-15 | 牡丹江医学院 | 一种用于心理学教育的在线辅助实验方法、装置及设备 |
TWI748908B (zh) * | 2019-11-01 | 2021-12-01 | 華南商業銀行股份有限公司 | 基於五官特徵點的影像辨識系統 |
TWI765632B (zh) * | 2019-11-01 | 2022-05-21 | 華南商業銀行股份有限公司 | 基於邊緣偵測的影像辨識系統 |
TWI765633B (zh) * | 2019-11-01 | 2022-05-21 | 華南商業銀行股份有限公司 | 基於人臉幾何模型的影像辨識系統 |
WO2022142319A1 (zh) * | 2020-12-28 | 2022-07-07 | 深圳壹账通智能科技有限公司 | 虚假保险报案处理方法、装置、计算机设备及存储介质 |
TWI827910B (zh) * | 2021-02-18 | 2024-01-01 | 合作金庫商業銀行股份有限公司 | 信用評價方法與系統 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160028715A1 (en) * | 2014-06-23 | 2016-01-28 | The Toronto-Dominion Bank | Systems and methods for authenticating user identities in networked computer systems |
CN107704834A (zh) * | 2017-10-13 | 2018-02-16 | 上海壹账通金融科技有限公司 | 微表情面审辅助方法、装置及存储介质 |
KR101834008B1 (ko) * | 2016-11-10 | 2018-03-05 | 주식회사 어니스트펀드 | 음성 데이터 기반 신용평가 장치, 방법 및 컴퓨터 프로그램 |
CN107862598A (zh) * | 2017-09-30 | 2018-03-30 | 平安普惠企业管理有限公司 | 远程面谈审批方法、服务器及可读存储介质 |
CN107977776A (zh) * | 2017-11-14 | 2018-05-01 | 重庆小雨点小额贷款有限公司 | 信息处理方法、装置、服务器及计算机可读存储介质 |
CN108596760A (zh) * | 2018-05-14 | 2018-09-28 | 平安普惠企业管理有限公司 | 贷款风险评估方法及服务器 |
CN108765131A (zh) * | 2018-05-18 | 2018-11-06 | 深圳壹账通智能科技有限公司 | 基于微表情的信贷审核方法、装置、终端及可读存储介质 |
CN108765137A (zh) * | 2018-05-30 | 2018-11-06 | 中智诚征信有限公司 | 一种信贷需求预测方法和系统、存储介质 |
-
2018
- 2018-12-14 CN CN201811536057.8A patent/CN109829358A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160028715A1 (en) * | 2014-06-23 | 2016-01-28 | The Toronto-Dominion Bank | Systems and methods for authenticating user identities in networked computer systems |
KR101834008B1 (ko) * | 2016-11-10 | 2018-03-05 | 주식회사 어니스트펀드 | 음성 데이터 기반 신용평가 장치, 방법 및 컴퓨터 프로그램 |
CN107862598A (zh) * | 2017-09-30 | 2018-03-30 | 平安普惠企业管理有限公司 | 远程面谈审批方法、服务器及可读存储介质 |
CN107704834A (zh) * | 2017-10-13 | 2018-02-16 | 上海壹账通金融科技有限公司 | 微表情面审辅助方法、装置及存储介质 |
CN107977776A (zh) * | 2017-11-14 | 2018-05-01 | 重庆小雨点小额贷款有限公司 | 信息处理方法、装置、服务器及计算机可读存储介质 |
CN108596760A (zh) * | 2018-05-14 | 2018-09-28 | 平安普惠企业管理有限公司 | 贷款风险评估方法及服务器 |
CN108765131A (zh) * | 2018-05-18 | 2018-11-06 | 深圳壹账通智能科技有限公司 | 基于微表情的信贷审核方法、装置、终端及可读存储介质 |
CN108765137A (zh) * | 2018-05-30 | 2018-11-06 | 中智诚征信有限公司 | 一种信贷需求预测方法和系统、存储介质 |
Non-Patent Citations (2)
Title |
---|
ADEL LABLACK ET AL.,: "A Local Approach for Negative Emotion Detection", 《2014 22ND INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》, pages 417 - 420 * |
洪旭,: "网络借贷中贷款人个人信息对借贷的影响研究——基于拍拍贷平台的实证分析", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, vol. 2018, no. 07, pages 162 - 15 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108125686A (zh) * | 2017-07-13 | 2018-06-08 | 广东网金控股股份有限公司 | 一种反欺诈方法及系统 |
CN109767317A (zh) * | 2018-12-15 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 基于会员等级评定的贷款审核方法、装置、设备及介质 |
WO2021000678A1 (zh) * | 2019-07-04 | 2021-01-07 | 平安科技(深圳)有限公司 | 企业信贷审核方法、装置、设备及计算机可读存储介质 |
CN110443692A (zh) * | 2019-07-04 | 2019-11-12 | 平安科技(深圳)有限公司 | 企业信贷审核方法、装置、设备及计算机可读存储介质 |
CN110443692B (zh) * | 2019-07-04 | 2024-05-10 | 平安科技(深圳)有限公司 | 企业信贷审核方法、装置、设备及计算机可读存储介质 |
CN110458018A (zh) * | 2019-07-05 | 2019-11-15 | 深圳壹账通智能科技有限公司 | 一种测试方法、装置及计算机可读存储介质 |
CN110503099B (zh) * | 2019-07-23 | 2023-06-20 | 平安科技(深圳)有限公司 | 基于深度学习的信息识别方法及相关设备 |
CN110490424A (zh) * | 2019-07-23 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种基于卷积神经网络的进行风险评估的方法和装置 |
CN110503099A (zh) * | 2019-07-23 | 2019-11-26 | 平安科技(深圳)有限公司 | 基于深度学习的信息识别方法及相关设备 |
CN110766542A (zh) * | 2019-09-29 | 2020-02-07 | 北京奇才天下科技有限公司 | 一种金融产品的用户额度确定方法和装置 |
CN110889332A (zh) * | 2019-10-30 | 2020-03-17 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种基于面试中微表情的说谎检测方法 |
TWI726470B (zh) * | 2019-11-01 | 2021-05-01 | 華南商業銀行股份有限公司 | 影像辨識系統 |
TWI765633B (zh) * | 2019-11-01 | 2022-05-21 | 華南商業銀行股份有限公司 | 基於人臉幾何模型的影像辨識系統 |
TWI765632B (zh) * | 2019-11-01 | 2022-05-21 | 華南商業銀行股份有限公司 | 基於邊緣偵測的影像辨識系統 |
TWI748908B (zh) * | 2019-11-01 | 2021-12-01 | 華南商業銀行股份有限公司 | 基於五官特徵點的影像辨識系統 |
CN111401826A (zh) * | 2020-02-14 | 2020-07-10 | 平安科技(深圳)有限公司 | 电子合同签署的双录方法、装置、计算机设备及存储介质 |
WO2021159689A1 (zh) * | 2020-02-14 | 2021-08-19 | 平安科技(深圳)有限公司 | 电子合同签署的双录方法、装置、计算机设备及存储介质 |
CN111339859A (zh) * | 2020-02-17 | 2020-06-26 | 出门问问信息科技有限公司 | 一种多模态风险控制方法、装置以及计算机可读存储介质 |
CN111429267A (zh) * | 2020-03-26 | 2020-07-17 | 深圳壹账通智能科技有限公司 | 面审风险控制方法、装置、计算机设备及存储介质 |
CN112668384B (zh) * | 2020-08-07 | 2024-05-31 | 深圳市唯特视科技有限公司 | 一种知识图谱构建方法、系统、电子设备及存储介质 |
CN112668384A (zh) * | 2020-08-07 | 2021-04-16 | 深圳市唯特视科技有限公司 | 一种知识图谱构建方法、系统、电子设备及存储介质 |
CN112151027A (zh) * | 2020-08-21 | 2020-12-29 | 深圳追一科技有限公司 | 基于数字人的特定人询问方法、装置和存储介质 |
CN112151027B (zh) * | 2020-08-21 | 2024-05-03 | 深圳追一科技有限公司 | 基于数字人的特定人询问方法、装置和存储介质 |
CN112215700A (zh) * | 2020-10-13 | 2021-01-12 | 中国银行股份有限公司 | 信贷面审的审核方法及装置 |
CN112365340A (zh) * | 2020-11-20 | 2021-02-12 | 无锡锡商银行股份有限公司 | 一种多模态个人贷款风险预测方法 |
CN112528797A (zh) * | 2020-12-02 | 2021-03-19 | 杭州海康威视数字技术股份有限公司 | 一种问题推荐方法、装置及电子设备 |
CN112528797B (zh) * | 2020-12-02 | 2023-11-03 | 杭州海康威视数字技术股份有限公司 | 一种问题推荐方法、装置及电子设备 |
WO2022142319A1 (zh) * | 2020-12-28 | 2022-07-07 | 深圳壹账通智能科技有限公司 | 虚假保险报案处理方法、装置、计算机设备及存储介质 |
CN112991076A (zh) * | 2021-02-08 | 2021-06-18 | 支付宝(杭州)信息技术有限公司 | 信息处理方法及装置 |
TWI827910B (zh) * | 2021-02-18 | 2024-01-01 | 合作金庫商業銀行股份有限公司 | 信用評價方法與系統 |
CN112819609A (zh) * | 2021-02-24 | 2021-05-18 | 深圳前海微众银行股份有限公司 | 风险评估方法、设备、计算机可读存储介质及程序产品 |
CN113283978B (zh) * | 2021-05-06 | 2024-05-10 | 北京思图场景数据科技服务有限公司 | 基于生物基础与行为特征及业务特征的金融风险评估方法 |
CN113283978A (zh) * | 2021-05-06 | 2021-08-20 | 北京思图场景数据科技服务有限公司 | 基于生物基础与行为特征及业务特征的金融风险评估方法 |
CN113505604A (zh) * | 2021-07-16 | 2021-10-15 | 牡丹江医学院 | 一种用于心理学教育的在线辅助实验方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829358A (zh) | 微表情贷款控制方法、装置、计算机设备及存储介质 | |
Liu et al. | Speech emotion recognition based on an improved brain emotion learning model | |
CN108877801B (zh) | 基于多模态情绪识别系统的多轮对话语义理解子系统 | |
CN106878677B (zh) | 基于多传感器的学生课堂掌握程度评估系统和方法 | |
CN110556129B (zh) | 双模态情感识别模型训练方法及双模态情感识别方法 | |
CN112259106B (zh) | 声纹识别方法、装置、存储介质及计算机设备 | |
US20190341025A1 (en) | Integrated understanding of user characteristics by multimodal processing | |
CN112784798A (zh) | 一种基于特征-时间注意力机制的多模态情感识别方法 | |
Wang et al. | Towards Automatic Detection of Amyotrophic Lateral Sclerosis from Speech Acoustic and Articulatory Samples. | |
CN109816092A (zh) | 深度神经网络训练方法、装置、电子设备及存储介质 | |
KR102203355B1 (ko) | 상품 체험에 따른 체험정보 추출 시스템 및 방법 | |
CN108899049A (zh) | 一种基于卷积神经网络的语音情感识别方法及系统 | |
Moro-Velázquez et al. | Modulation spectra morphological parameters: A new method to assess voice pathologies according to the grbas scale | |
Yang et al. | Enhanced multiclass SVM with thresholding fusion for speech-based emotion classification | |
Sethu et al. | Speech based emotion recognition | |
WO2019137538A1 (en) | Emotion representative image to derive health rating | |
Xu et al. | Multi-type features separating fusion learning for Speech Emotion Recognition | |
Deb et al. | Classification of speech under stress using harmonic peak to energy ratio | |
CN112466284B (zh) | 一种口罩语音鉴别方法 | |
Cetin | Accent recognition using a spectrogram image feature-based convolutional neural network | |
Chinmayi et al. | Emotion Classification Using Deep Learning | |
Coath et al. | Multiple views of the response of an ensemble of spectro-temporal features support concurrent classification of utterance, prosody, sex and speaker identity | |
Bhardwaj et al. | Identification of speech signal in moving objects using artificial neural network system | |
Safdar et al. | Prediction of Specific Language Impairment in Children using Cepstral Domain Coefficients | |
Jalaeian Zaferani et al. | Automatic personality recognition and perception using deep learning and supervised evaluation method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |