CN110148052A - 商家贷后管控方法、装置、计算机设备及存储介质 - Google Patents

商家贷后管控方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110148052A
CN110148052A CN201910307151.4A CN201910307151A CN110148052A CN 110148052 A CN110148052 A CN 110148052A CN 201910307151 A CN201910307151 A CN 201910307151A CN 110148052 A CN110148052 A CN 110148052A
Authority
CN
China
Prior art keywords
pedestrian
businessman
target image
passengers
feature vector
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
Application number
CN201910307151.4A
Other languages
English (en)
Inventor
陈峥嵘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Smart Technology Co Ltd
Original Assignee
OneConnect Smart Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by OneConnect Smart Technology Co Ltd filed Critical OneConnect Smart Technology Co Ltd
Priority to CN201910307151.4A priority Critical patent/CN110148052A/zh
Publication of CN110148052A publication Critical patent/CN110148052A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种商家贷后管控方法、装置、计算机设备及存储介质，涉及人工智能领域。该商家贷后管控方法包括：获取商家店内行人出入的目标视频；根据目标视频获取对应帧的目标图像；采用预先训练的神经网络模型获取目标图像中行人的位置，其中，行人的位置采用矩形框的形式标示；采用卷积神经网络提取矩形框的特征向量；基于特征向量，采用关联度量方法去除目标图像中重复出现的行人；根据去除的目标图像中重复的行人确定商家的客流量；根据客流量确定放贷管控决策。采用该商家贷后管控方法能够对商家实现有效的贷后管控。

Description

商家贷后管控方法、装置、计算机设备及存储介质
【技术领域】
本发明涉及人工智能领域，尤其涉及一种商家贷后管控方法、装置、计算机设备及存储介质。
【背景技术】
目前，商家在申请贷款成功后，放贷方无法有效获知商家的经济状况，使得放贷机构的贷后管理风险较大，不利于及时对商家进行催收和停止后续放贷。
【发明内容】
有鉴于此，本发明实施例提供了一种商家贷后管控方法、装置、计算机设备及存储介质，用以解决难以有效对商家进行贷后管控的问题。
第一方面，本发明实施例提供了一种商家贷后管控方法，包括：
获取商家店内行人出入的目标视频；
根据所述目标视频获取对应帧的目标图像；
采用预先训练的神经网络模型获取所述目标图像中行人的位置，其中，所述行人的位置采用矩形框的形式标示；
采用卷积神经网络提取所述矩形框的特征向量；
基于所述特征向量，采用关联度量方法去除所述目标图像中重复出现的行人；
根据去除的所述目标图像中重复的行人确定商家的客流量；
根据所述客流量确定放贷管控决策。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述采用预先训练的神经网络模型获取所述目标图像中行人的位置，包括：
采用预先训练的yolo神经网络模型对所述目标图像上的内容进行分类，得到分类结果；
从所述分类结果中选择分类类别为行人的类别；
根据所述行人的类别获取所述目标图像中行人的位置。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述采用卷积神经网络提取所述矩形框的特征向量，包括：
将所述矩形框作为输入值输入到卷积神经网络中，其中，所述卷积神经网络是预先采用包括行人图像的训练样本训练得到的，所述卷积神经网络包括权值和偏置；
通过所述权值和所述偏置在卷积神经网络中对所述输入值进行更改，提取所述矩形框的特征向量。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述基于所述特征向量，采用关联度量方法去除所述目标图像中重复出现的行人，包括：
采用关联度量方法表示行人在位置度量上的关联，计算位置度量上的关联的表达式为d(1)(i,j)＝(cj-yi)TSi -1(cj-yi)，其中，d(1)(i,j)表示与变量i，j相关的第一关联距离，cj表示第j个矩形框的位置，yi表示第i个追踪器对行人的预测位置，Si表示矩形框的位置和预测位置的协方差矩阵，T表示转置矩阵的运算，所述追踪器用于预测所述行人的预测位置；
采用关联度量方法表示行人在外观度量上的关联，计算外观度量上的关联的表达式为其中，d(2)(i,j)表示与变量i，j相关的第二关联距离，min表示取括号内最小的值的运算，rj表示当前帧的第j个矩形框所对应的特征向量，T表示转置矩阵的运算，表示第i个追踪器中关联成功的k个特征向量所对应的特征集，Ri表示所有的矩形框所对应的特征向量；
根据所述第一关联距离和所述第二关联距离得到目标关联距离，其中，所述目标关联距离的表达式为ai,j＝λd(1)(i,j)+(1-λ)d(2)(i,j)，λ为超参数；
当所述目标关联距离在目标阈值范围内时，确定行人在关联度量上为关联成功；
根据关联成功的行人去除所述目标图像中重复出现的行人。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述客流量确定放贷管控决策，包括：
若所述客流量超过预设的客流阈值，则根据超出的客流量提高商家的贷款额度，并将商家的经营状况从默认的经营状况更新为良好的经营状况，其中，所述商家默认的经营状况为正常；
若所述客流量在预设的客流阈值范围内，则保持所述商家默认的经营状况；
若所述客流量低于预设的客流阈值，则根据低于客流阈值的客流量跟催所述商家还款，并将所述商家的经营状况从默认的经营状况更新为异常的经营状况。
第二方面，本发明实施例提供了一种商家贷后管控装置，包括：
目标视频获取模块，用于获取商家店内行人出入的目标视频；
目标图像获取模块，用于根据所述目标视频获取对应帧的目标图像；
行人位置获取模块，用于采用预先训练的神经网络模型获取所述目标图像中行人的位置，其中，所述行人的位置采用矩形框的形式标示；
行人特征向量获取模块，用于采用卷积神经网络提取所述矩形框的特征向量；
重复行人去除模块，用于基于所述特征向量，采用关联度量方法去除所述目标图像中重复出现的行人；
客流量确定模块，用于根据去除的所述目标图像中重复的行人确定商家的客流量；
放贷管控决策确定模块，用于根据所述客流量确定放贷管控决策。
第三方面，一种计算机设备，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程序，所述处理器执行所述计算机程序时实现上述商家贷后管控方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，包括：计算机程序，当所述计算机程序被所述处理器执行时，用以执行第一方面任一项所述的商家贷后管控方法。
上述技术方案中的一个技术方案具有如下有益效果：
在本发明实施例中，首先根据商店内行人的出入情况获取目标视频对应帧的目标图像，以基于该目标图像判别客流量；接着采用预先训练的神经网络模型获取、确定目标图像中行人的位置，以及采用卷积神经网络模型提取特征向量，使得能够从目标图像中快速、准确地获取与行人相关的特征向量；然后基于特征向量，采用关联度量方法去除目标图像中重复出现的行人，从而精确地得到商家的客流量；最后根据商家的客流量确定放贷管控决策，能够及时获知商家的经营情况，针对商家的经营情况对贷后商家进行管控。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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是本发明一实施例中基于商家贷后管控方法的一流程图；
图2是本发明一实施例中基于商家贷后管控装置的一示意图；
图3是本发明一实施例中计算机设备的一示意图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的相同的字段，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
图1示出本实施例中商家贷后管控方法的一流程图。该商家贷后管控方法可应用在商家贷后管控系统中，在对商家贷后的经营状况进行管控时可采用该商家贷后管控系统进行贷后管控，该商家贷后管控系统具体可应用在计算机设备上。其中，该计算机设备是可与用户进行人机交互的设备，包括但不限于电脑、智能手机和平板等设备。如图1所示，该商家贷后管控方法包括如下步骤：
S10：获取商家店内行人出入的目标视频。
在一实施例中，通过摄像设备获取商家店内的视频信息，其中，只需取与行人相关的视频即可，并将该视频作为目标视频。商家店内行人出入应理解为行人从入店到出店的整个过程。
S20：根据目标视频获取对应帧的目标图像。
可以理解地，视频是由有限帧的图像组成的，在对目标视频分析时，可以将目标视频拆成对应时间的每一帧的图像，每一帧的图像为目标图像。
在一实施例中，获取与目标视频对应帧(关于时间对应)的目标图像，该目标图像记录了行人在商店内的走动情况，可基于该目标图像精确判别客流量。
S30：采用预先训练的神经网络模型获取目标图像中行人的位置，其中，行人的位置采用矩形框的形式标示。
可以理解地，在目标图像中除了行人相关的图像部分外还有与行人不相关的其他图像部分，其他图像部分对判别客流量没有帮助且还会带来干扰，因此，需要从目标图像中确定行人的位置，单独对行人相关的图像部分进行研究。为了简便有效地表示行人的位置，可以采用矩形框的形式标示。
在一实施例中，可以通过采用预先训练的神经网络模型获取目标图像中行人的位置。
进一步地，在步骤S30中，该通过采用预先训练的神经网络模型获取目标图像中行人的位置，具体包括：
S31：采用预先训练的yolo神经网络模型对目标图像上的内容进行分类，得到分类结果。
其中，预先训练的神经网络模型具体采用的可以是yolo(You Only Look Once)神经网络模型，yolo神经网络模型是一种能够进行物体检测，并对物体进行分类的模型。
在一实施例中，采用预先训练的yolo神经网络模型对目标图像上的内容进行检测，在检测时会对内容进行分类，如目标图像上有桌子、衣服和人，那么在采用yolo神经网络模型时将同时检测到桌子、衣服和人，得到包括桌子、衣服和人的分类结果。
该yolo神经网络模型是针对检测行人专门训练的，具体是采用包括行人图像的训练样本训练得到的，能够在不同检测对象中找到图像上疑似行人的位置。可以理解地，该yolo神经网络模型学习了行人图像的深层特征，当图像上有行人时，yolo神经网络模型将根据行人图像的深层特征快速确定图像上的疑似行人的位置。采用yolo神经网络模型可以快速对目标图像上的内容进行分类，对于从大量的目标图像中快速找到疑似行人的位置并进行下一步的分析，采用该yolo神经网络模型能够达到更好的技术效果，有助于快速提取目标图像中行人的位置。
S32：从分类结果中选择分类类别为行人的类别。
其中，每种分类类别包括对应的类别标识，类别标识指能够唯一识别类别的标识。在一实施例中，yolo神经网络模型得到的分类结果中包括多种分类类别，可通过yolo神经网络模型根据每种分类类别对应的类别标识确定分类类别中的行人类别，去除掉目标图像上与行人无关的图像部分，保留与行人相关的图像部分，有助于提高获取目标图像中行人的位置的处理效率和准确度。
S33：根据行人的类别获取目标图像中行人的位置。
在一实施例中，确定行人的类别后，采用矩形框标出目标图像中的行人，获取目标图像中行人的位置。采用矩形框进行标示的方式有助于简便计算，而不必采用对人体描边的方式标出目标图像中的行人，此外，采用同一矩形框的形式还可以灵活调整比例，使在远近拍摄下的行人可以通过比例关系进行更精确的计算，以判断在不同帧的目标图像中的出现的行人是否为同一行人。可以理解地，除了矩形其他规则形状也是可以的，这里采用矩形的效果会比较好。
S40：采用卷积神经网络提取矩形框的特征向量。
在一实施例中，采用矩形框来近似表示目标图像中行人的特征向量，而采用卷积神经网可以让提取的特征向量更能代表行人的位置的特征向量。
进一步地，在步骤S40中，采用卷积神经网络提取矩形框的特征向量，具体包括：
S41：将矩形框作为输入值输入到卷积神经网络中，其中，卷积神经网络是预先采用包括行人图像的训练样本训练得到的，卷积神经网络包括权值和偏置。
其中，训练样本中样本类别之间的比例关系可设为1:1，能够有效防止模型的过拟合情况，提高卷积神经网络提取特征向量向量的精确率。
在一实施例中，需要提取的特征向量是包括行人的整个矩形框，该矩形框标示的是行人的位置。可以理解地，一张目标图像上可以同时包括多个不同检测出来的矩形框，也就是一张目标图像上同时存在不同的用户。因此，需要将每个矩形框分别作为输入值输入到卷积神经网络中。该卷积神经网络是预先采用包括行人图像的训练样本训练得到的，能够提高对矩形框的特征向量提取的准确率。
S42：通过权值和偏置在卷积神经网络中对输入值进行更改，提取矩形框的特征向量。
在一实施例中，卷积神经网络包括5层卷积层和5层池化层，以及1层全连接层，在输入值输入到卷积神经网络后，将通过卷积神经网络中神经网络层的权值和偏置对输入值进行更改，使得输入值在神经网络层中随权值和偏置进行前向输出，最终提取出矩形框的特征向量(包括矩形框中非行人的特征向量部分，提取的对象是整个矩形框)。以上卷积神经网络采用5层卷积层和5层池化层，以及1层全连接层的设计结构可以快速且精确地提取行人特征，较为适合提取矩形框的特征向量。
特别地，在行人的图像部分之外会出现灰度值骤变的情况，为了进一步提高精确度，可以将目标图像转换为灰度图像，然后根据灰度边缘的差值在矩形框中勾勒出行人的图像部分，并将勾勒出的行人的图像部分之外的图像部分的特征值设为0，此时得到的特征向量还是基于整个矩形框来表示行人的特征向量，不过已经消除了非行人的图像部分的影响，能够提高特征向量提取的准确率。
S50：基于特征向量，采用关联度量方法去除目标图像中重复出现的行人。
其中，关联度量方法是指基于度量判断不同事物之间关联性的方法。为了除去目标图像中重复出现的行人，从不同度量的角度出发，综合判断行人是否重复出现。
在一实施例中，将基于步骤S40中提取的特征向量，从不同度量的角度出发判断行人的关联性，除去目标图像中重复出现的行人。
进一步地，在步骤S50中，基于特征向量，采用关联度量方法去除目标图像中重复出现的行人，具体包括：
S51：采用关联度量方法表示行人在位置度量上的关联，计算位置度量上的关联的表达式为d(1)(i,j)＝(cj-yi)TSi -1(cj-yi)，其中，d(1)(i,j)表示与变量i，j相关的第一关联距离，cj表示第j个矩形框的位置，yi表示第i个追踪器对行人的预测位置，Si表示矩形框的位置和预测位置的协方差矩阵，T表示转置矩阵的运算，追踪器用于预测行人的预测位置。
在一实施例中，从行人在空间位置上的度量角度出发，对行人在物理空间上的关联性进行了计算，判断行人当前的位置和预测的位置的关联程度。
S52：采用关联度量方法表示行人在外观度量上的关联，计算外观度量上的关联的表达式为其中，d(2)(i,j)表示与变量i，j相关的第二关联距离，min表示取括号内最小的值的运算，rj表示当前帧的第j个矩形框所对应的特征向量，T表示转置矩阵的运算，表示第i个追踪器中关联成功的k个特征向量所对应的特征集，Ri表示所有的矩形框所对应的特征向量。
在一实施例中，从行人在外观的度量角度出发，对行人在外观表现上的关联性进行了计算，判断行人当前的外观特征和追踪到的行人的外观特征之间的关联程度。
S53：根据第一关联距离和第二关联距离得到目标关联距离，其中，目标关联距离的表达式为ai,j＝λd(1)(i,j)+(1-λ)d(2)(i,j)，λ为超参数。
其中，超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据，在本实施例中加入超参数以得到更精确的计算结果，具体地，超参数λ可以设为0.7。
在一实施例中，将表示位置度量上关联的第一关联距离和表示外观度量上关联的第二关联距离对行人之间的关联程度作一个综合的判断，以从多个不同的角度出发更加准确地判断目标图像中是否存在重复出现的行人。
S54：当目标关联距离在目标阈值范围内时，确定行人在关联度量上为关联成功。
在一实施例中，如果目标关联距离在目标阈值范围内，也即表示行人之间的关联性强，则认为是同一个行人。
S55：根据关联成功的行人去除目标图像中重复出现的行人。
在一实施例中，关联成功的行人即表示重复出现的行人，对于重复出的行人，只保留其中一个。
S51-S55基于特征向量，从多个角度出发综合判别行人的关联程度，并根据关联程度判别、除去目标图像中重复出现的行人。
S60：根据去除的目标图像中重复的行人确定商家的客流量。
在一实施例中，除了去除目标图像中重复的行人外，还需要去除商家店内的工作人员，具体地，可以预先采集商家店内的工作人员的人脸特征，采用人脸特征识别模型识别出商家店内的工作人员，并在目标图像中去除商家店内的工作人员。结合去除的目标图像中重复的行人，最终能够精确确定商家的客流量。
S70：根据客流量确定放贷管控决策。
进一步地，步骤S70具体包括：
S71：若客流量超过预设的客流阈值，则根据超出的客流量提高商家的贷款额度，并将商家的经营状况从默认的经营状况更新为良好的经营状况，其中，商家默认的经营状况为正常。
在一实施例中，当首次监控客流量时，用户的经营状况初始默认为正常(若不是首次监控，客户默认的经营状况应以最近一次更新的经营状况为准)。当客流量超过预设的客流阈值时，认为该商家的经营状况良好，可根据超出的客流量提高商家的贷款额度(具体可采用阶梯式的提额方式)，同时可提高该商家的贷款次数以及提高信用分等。
S72：若客流量在预设的客流阈值范围内，则保持商家默认的经营状况。
在一实施例中，当客流量在预设的客流阈值范围时，按正常的贷款催款流程进行。
S73：若客流量低于预设的客流阈值，则根据低于客流阈值的客流量跟催商家还款，并将商家的经营状况从默认的经营状况更新为异常的经营状况。
在一实施例中，当客流量低于预设的客流阈值时，需要根据低于客流阈值的客流量判断根据商家还款的频次和数额，以将损失降到最少。商家的经营状况将更新为异常，同时减少贷款次数和降低贷款额度，甚至不允许商家再次贷款。
步骤S71-S73中，根据客户流量判断商家的经营状况，再根据经营状况决定放贷管控决策，使放贷方能够实现收益最大化。
在本发明实施例中，首先根据商店内行人的出入情况获取目标视频对应帧的目标图像，以基于该目标图像判别客流量；接着采用预先训练的神经网络模型获取、确定目标图像中行人的位置，以及采用卷积神经网络模型提取特征向量，使得能够从目标图像中快速、准确地获取与行人相关的特征向量；然后基于特征向量，采用关联度量方法去除目标图像中重复出现的行人，从而精确地得到商家的客流量；最后根据商家的客流量确定放贷管控决策，能够及时获知商家的经营情况，针对商家的经营情况对贷后商家进行管控。
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。
基于实施例中所提供的商家贷后管控方法，本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。
图2示出与实施例中商家贷后管控方法一一对应的商家贷后管控装置的原理框图。如图2所示，该商家贷后管控装置包括目标视频获取模块10、目标图像获取模块20、行人位置获取模块30、特征向量获取模块40、重复行人去除模块50、客流量确定模块60和放贷管控决策确定模块70。其中，目标视频获取模块10、目标图像获取模块20、行人位置获取模块30、特征向量获取模块40、重复行人去除模块50、客流量确定模块60和放贷管控决策确定模块70的实现功能与实施例中商家贷后管控方法对应的步骤一一对应，为避免赘述，本实施例不一一详述。
目标视频获取模块10，用于获取商家店内行人出入的目标视频。
目标图像获取模块20，用于根据目标视频获取对应帧的目标图像。
行人位置获取模块30，用于采用预先训练的神经网络模型获取目标图像中行人的位置，其中，行人的位置采用矩形框的形式标示。
特征向量获取模块40，用于采用卷积神经网络提取矩形框的特征向量。
重复行人去除模块50，用于基于特征向量，采用关联度量方法去除目标图像中重复出现的行人。
客流量确定模块60，用于根据去除的目标图像中重复的行人确定商家的客流量。
放贷管控决策确定模块70，用于根据客流量确定放贷管控决策。
可选地，行人位置获取模块30包括分类结果获取单元、行人类型确定单元和行人位置获取单元。
分类结果获取单元，用于采用预先训练的yolo神经网络模型对目标图像上的内容进行分类，得到分类结果。
行人类型确定单元，用于从分类结果中选择分类类别为行人的类别。
行人位置获取单元，用于根据行人的类别获取目标图像中行人的位置。
可选地，特征向量获取模块40包括输入单元和特征向量获取单元。
输入单元，用于将矩形框作为输入值输入到卷积神经网络中，其中，卷积神经网络是预先采用包括行人图像的训练样本训练得到的，卷积神经网络包括权值和偏置。
特征向量获取单元，用于通过权值和偏置在卷积神经网络中对输入值进行更改，提取矩形框的特征向量。
可选地，重复行人去除模块50包括第一关联距离获取单元、第二关联距离获取单元、目标关联距离获取单元、确定关联单元和重复行人去除单元。
第一关联距离获取单元，用于采用关联度量方法表示行人在位置度量上的关联，计算位置度量上的关联的表达式为d(1)(i,j)＝(cj-yi)TSi -1(cj-yi)，其中，d(1)(i,j)表示与变量i，j相关的第一关联距离，cj表示第j个矩形框的位置，yi表示第i个追踪器对行人的预测位置，Si表示矩形框的位置和预测位置的协方差矩阵，T表示转置矩阵的运算，追踪器用于预测行人的预测位置。
第二关联距离获取单元，用于采用关联度量方法表示行人在外观度量上的关联，计算外观度量上的关联的表达式为其中，d(2)(i,j)表示与变量i，j相关的第二关联距离，min表示取括号内最小的值的运算，rj表示当前帧的第j个矩形框所对应的特征向量，T表示转置矩阵的运算，表示第i个追踪器中关联成功的k个特征向量所对应的特征集，Ri表示所有的矩形框所对应的特征向量。
目标关联距离获取单元，用于根据第一关联距离和第二关联距离得到目标关联距离，其中，目标关联距离的表达式为ai,j＝λd(1)(i,j)+(1-λ)d(2)(i,j)，λ为超参数。
确定关联单元，用于当目标关联距离在目标阈值范围内时，确定行人在关联度量上为关联成功。
重复行人去除单元，用于根据关联成功的行人去除目标图像中重复出现的行人。
可选地，放贷管控决策确定模块70包括提额单元、保持单元和跟催单元。
提额单元，用于当客流量超过预设的客流阈值时，根据超出的客流量提高商家的贷款额度，并将商家的经营状况从默认的经营状况更新为良好的经营状况，其中，商家默认的经营状况为正常；
保持单元，当用于若客流量在预设的客流阈值范围内时，保持商家默认的经营状况；
跟催单元，用于当客流量低于预设的客流阈值时，根据低于客流阈值的客流量跟催商家还款，并将商家的经营状况从默认的经营状况更新为异常的经营状况。
在本发明实施例中，首先根据商店内行人的出入情况获取目标视频对应帧的目标图像，以基于该目标图像判别客流量；接着采用预先训练的神经网络模型获取、确定目标图像中行人的位置，以及采用卷积神经网络模型提取特征向量，使得能够从目标图像中快速、准确地获取与行人相关的特征向量；然后基于特征向量，采用关联度量方法去除目标图像中重复出现的行人，从而精确地得到商家的客流量；最后根据商家的客流量确定放贷管控决策，能够及时获知商家的经营情况，针对商家的经营情况对贷后商家进行管控。
本实施例提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现实施例中商家贷后管控方法，为避免重复，此处不一一赘述。或者，该计算机程序被处理器执行时实现实施例中商家贷后管控装置中各模块/单元的功能，为避免重复，此处不一一赘述。
图3是本发明一实施例提供的计算机设备的示意图。如图3所示，该实施例的计算机设备80包括：处理器81、存储器82以及存储在存储器82中并可在处理器81上运行的计算机程序83，该计算机程序83被处理器81执行时实现实施例中的商家贷后管控方法，为避免重复，此处不一一赘述。或者，该计算机程序83被处理器81执行时实现实施例中商家贷后管控装置中各模型/单元的功能，为避免重复，此处不一一赘述。
计算机设备80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。计算机设备80可包括，但不仅限于，处理器81、存储器82。本领域技术人员可以理解，图3仅仅是计算机设备80的示例，并不构成对计算机设备80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，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器81可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、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)或者其他可编程逻辑器件、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。
存储器82可以是计算机设备80的内部存储单元，例如计算机设备80的硬盘或内存。存储器82也可以是计算机设备80的外部存储设备，例如计算机设备80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，存储器82还可以既包括计算机设备80的内部存储单元也包括外部存储设备。存储器82用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器82还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种商家贷后管控方法，其特征在于，所述方法包括：
获取商家店内行人出入的目标视频；
根据所述目标视频获取对应帧的目标图像；
采用预先训练的神经网络模型获取所述目标图像中行人的位置，其中，所述行人的位置采用矩形框的形式标示；
采用卷积神经网络提取所述矩形框的特征向量；
基于所述特征向量，采用关联度量方法去除所述目标图像中重复出现的行人；
根据去除的所述目标图像中重复的行人确定商家的客流量；
根据所述客流量确定放贷管控决策。
2.根据权利要求1所述的方法，其特征在于，所述采用预先训练的神经网络模型获取所述目标图像中行人的位置，包括：
采用预先训练的yolo神经网络模型对所述目标图像上的内容进行分类，得到分类结果；
从所述分类结果中选择分类类别为行人的类别；
根据所述行人的类别获取所述目标图像中行人的位置。
3.根据权利要求1所述的方法，其特征在于，所述采用卷积神经网络提取所述矩形框的特征向量，包括：
将所述矩形框作为输入值输入到卷积神经网络中，其中，所述卷积神经网络是预先采用包括行人图像的训练样本训练得到的，所述卷积神经网络包括权值和偏置；
通过所述权值和所述偏置在卷积神经网络中对所述输入值进行更改，提取所述矩形框的特征向量。
4.根据权利要求1所述的方法，其特征在于，所述基于所述特征向量，采用关联度量方法去除所述目标图像中重复出现的行人，包括：
采用关联度量方法表示行人在位置度量上的关联，计算位置度量上的关联的表达式为d(1)(i，j)＝(cj-yi)TSi -1(cj-yi)，其中，d(1)(i，j)表示与变量i，j相关的第一关联距离，cj表示第j个矩形框的位置，yi表示第i个追踪器对行人的预测位置，Si表示矩形框的位置和预测位置的协方差矩阵，T表示转置矩阵的运算，所述追踪器用于预测所述行人的预测位置；
采用关联度量方法表示行人在外观度量上的关联，计算外观度量上的关联的表达式为其中，d(2)(i，j)表示与变量i，j相关的第二关联距离，min表示取括号内最小的值的运算，rj表示当前帧的第j个矩形框所对应的特征向量，T表示转置矩阵的运算，表示第i个追踪器中关联成功的k个特征向量所对应的特征集，Ri表示所有的矩形框所对应的特征向量；
根据所述第一关联距离和所述第二关联距离得到目标关联距离，其中，所述目标关联距离的表达式为ai，j＝λd(1)(i，j)+(1-λ)d(2)(i，j)，λ为超参数；
当所述目标关联距离在目标阈值范围内时，确定行人在关联度量上为关联成功；
根据关联成功的行人去除所述目标图像中重复出现的行人。
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述根据所述客流量确定放贷管控决策，包括：
若所述客流量超过预设的客流阈值，则根据超出的客流量提高商家的贷款额度，并将商家的经营状况从默认的经营状况更新为良好的经营状况，其中，所述商家默认的经营状况为正常；
若所述客流量在预设的客流阈值范围内，则保持所述商家默认的经营状况；
若所述客流量低于预设的客流阈值，则根据低于客流阈值的客流量跟催所述商家还款，并将所述商家的经营状况从默认的经营状况更新为异常的经营状况。
6.一种商家贷后管控装置，其特征在于，所述装置包括：
目标视频获取模块，用于获取商家店内行人出入的目标视频；
目标图像获取模块，用于根据所述目标视频获取对应帧的目标图像；
行人位置获取模块，用于采用预先训练的神经网络模型获取所述目标图像中行人的位置，其中，所述行人的位置采用矩形框的形式标示；
行人特征向量获取模块，用于采用卷积神经网络提取所述矩形框的特征向量；
重复行人去除模块，用于基于所述特征向量，采用关联度量方法去除所述目标图像中重复出现的行人；
客流量确定模块，用于根据去除的所述目标图像中重复的行人确定商家的客流量；
放贷管控决策确定模块，用于根据所述客流量确定放贷管控决策。
7.根据权利要求6所述的装置，其特征在于，所述行人位置获取模块，包括：
分类结果获取单元，用于采用预先训练的yolo神经网络模型对所述目标图像上的内容进行分类，得到分类结果；
行人类型确定单元，用于从所述分类结果中选择分类类别为行人的类别；
行人位置获取单元，用于根据所述行人的类别获取所述目标图像中行人的位置。
8.根据权利要求6所述的装置，其特征在于，所述行人特征向量获取模块，包括：
输入单元，用于将所述矩形框作为输入值输入到卷积神经网络中，其中，所述卷积神经网络是预先采用包括行人图像的训练样本训练得到的，所述卷积神经网络包括权值和偏置；
特征向量获取单元，用于通过所述权值和所述偏置在卷积神经网络中对所述输入值进行更改，提取所述矩形框的特征向量。
9.一种计算机设备，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程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述商家贷后管控方法的步骤。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述商家贷后管控方法的步骤。
CN201910307151.4A 2019-04-17 2019-04-17 商家贷后管控方法、装置、计算机设备及存储介质 Pending CN110148052A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910307151.4A CN110148052A (zh) 2019-04-17 2019-04-17 商家贷后管控方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910307151.4A CN110148052A (zh) 2019-04-17 2019-04-17 商家贷后管控方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN110148052A true CN110148052A (zh) 2019-08-20

Family

ID=67589626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910307151.4A Pending CN110148052A (zh) 2019-04-17 2019-04-17 商家贷后管控方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN110148052A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739653A (zh) * 2008-11-13 2010-06-16 上海汇纳网络信息科技有限公司 客流分析系统
CN106650593A (zh) * 2016-09-30 2017-05-10 王玲 客流统计方法和装置
CN106855989A (zh) * 2016-12-29 2017-06-16 深圳微众税银信息服务有限公司 一种贷后风险监控方法与系统
CN107657249A (zh) * 2017-10-26 2018-02-02 珠海习悦信息技术有限公司 多尺度特征行人重识别的方法、装置、存储介质及处理器
US20190026826A1 (en) * 2017-07-24 2019-01-24 Mastercard International Incorporated Electronic system and method for determining a credit risk score for an online merchant
WO2019041519A1 (zh) * 2017-08-29 2019-03-07 平安科技（深圳）有限公司 目标跟踪装置、方法及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739653A (zh) * 2008-11-13 2010-06-16 上海汇纳网络信息科技有限公司 客流分析系统
CN106650593A (zh) * 2016-09-30 2017-05-10 王玲 客流统计方法和装置
CN106855989A (zh) * 2016-12-29 2017-06-16 深圳微众税银信息服务有限公司 一种贷后风险监控方法与系统
US20190026826A1 (en) * 2017-07-24 2019-01-24 Mastercard International Incorporated Electronic system and method for determining a credit risk score for an online merchant
WO2019041519A1 (zh) * 2017-08-29 2019-03-07 平安科技（深圳）有限公司 目标跟踪装置、方法及计算机可读存储介质
CN107657249A (zh) * 2017-10-26 2018-02-02 珠海习悦信息技术有限公司 多尺度特征行人重识别的方法、装置、存储介质及处理器

Similar Documents

Publication Publication Date Title
Li et al. Adaptively constrained dynamic time warping for time series classification and clustering
CN103366602B (zh) 从数字摄像头图像确定停车场占用情况的方法
CN104063719B (zh) 基于深度卷积网络的行人检测方法及装置
CN108549846B (zh) 一种结合运动特征和头肩结构的行人检测与统计方法
CN109670452A (zh) 人脸检测方法、装置、电子设备和人脸检测模型
CN107730905A (zh) 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法
CN108875522A (zh) 人脸聚类方法、装置和系统及存储介质
CN107944020A (zh) 人脸图像查找方法及装置、计算机装置和存储介质
CN107016357A (zh) 一种基于时间域卷积神经网络的视频行人检测方法
US20140169639A1 (en) Image Detection Method and Device
CN109800682B (zh) 驾驶员属性识别方法及相关产品
CN109344920A (zh) 顾客属性预测方法、存储介质、系统及设备
CN109063572A (zh) 一种基于多尺度和多卷积层特征融合的指纹活性检测方法
CN109993230A (zh) 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法
CN108197636A (zh) 一种基于深度多视点特征的稻谷检测和分类方法
CN109345553A (zh) 一种手掌及其关键点检测方法、装置和终端设备
CN108961308A (zh) 一种漂移检测的残差深度特征目标跟踪方法
CN108875456A (zh) 目标检测方法、目标检测装置和计算机可读存储介质
CN109903339A (zh) 一种基于多维融合特征的视频群体人物定位检测方法
CN109766818A (zh) 瞳孔中心定位方法及系统、计算机设备及可读存储介质
Zhang et al. Saliency detection via extreme learning machine
Lu Multifeature fusion human motion behavior recognition algorithm using deep reinforcement learning
CN110532838A (zh) 对象检测装置和方法及存储介质
CN108154513A (zh) 基于双光子成像数据的细胞自动探测和分割方法
CN110490058A (zh) 行人检测模型的训练方法、装置、系统和计算机可读介质

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190820

WD01 Invention patent application deemed withdrawn after publication