CN111310612A - 行为督导方法和装置 - Google Patents

行为督导方法和装置 Download PDF

Info

Publication number
CN111310612A
CN111310612A CN202010075446.6A CN202010075446A CN111310612A CN 111310612 A CN111310612 A CN 111310612A CN 202010075446 A CN202010075446 A CN 202010075446A CN 111310612 A CN111310612 A CN 111310612A
Authority
CN
China
Prior art keywords
behavior
video stream
employee
staff
user
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
CN202010075446.6A
Other languages
English (en)
Inventor
李妍君
刘丽娟
许腾
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.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
CCB Finetech 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 China Construction Bank Corp, CCB Finetech Co Ltd filed Critical China Construction Bank Corp
Priority to CN202010075446.6A priority Critical patent/CN111310612A/zh
Publication of CN111310612A publication Critical patent/CN111310612A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种行为督导方法和装置，涉及计算机技术领域。其中，该方法包括：获取摄像头采集的银行网点内的第一视频流；所述第一视频流为针对银行网点内的员工进行拍摄得到的视频流；将所述第一视频流输入训练好的第一深度学习神经网络模型，以得到员工行为的识别结果；根据所述员工行为的识别结果，评估所述员工行为是否规范；在所述员工行为不规范的情况下，对员工的不规范行为进行预警提示。通过以上步骤，能够及时、有效地识别出银行网点员工的不规范行为，进而有助于提高银行网点的服务能力和智能化水平。

Description

行为督导方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种行为督导方法和装置。
背景技术
现有的银行网点通常配置有视频监控系统，以用于采集银行网点内的员工、以及客户的视频信息。在后续发生抢劫、伤人等意外情况，或者客户投诉银行网点员工等情况后，可通过人工浏览之前记录的视频信息探查真相，比如通过视频信息确定犯罪分子、通过视频信息了解员工是否违规等。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有的银行网点只是在客户、员工的异常或违规行为发生后，采集相关行为的视频信息，而无法对银行网点的客户、员工行为进行及时、有效地监督，无法及时发现异常、违规行为，进而可能给银行网点造成了难以挽回的损失。
发明内容
有鉴于此，本发明提供一种行为督导方法和装置，能够及时、有效地识别出银行网点员工的不规范行为，进而有助于提高银行网点的服务能力和智能化水平。
为实现上述目的，根据本发明的一个方面，提供了一种行为督导方法。
本发明的行为督导方法包括：获取摄像头采集的银行网点内的第一视频流；所述第一视频流为针对银行网点内的员工进行拍摄得到的视频流；将所述第一视频流输入训练好的第一深度学习神经网络模型，以得到员工行为的识别结果；根据所述员工行为的识别结果，评估所述员工行为是否规范；在所述员工行为不规范的情况下，对员工的不规范行为进行预警提示。
可选地，所述方法还包括：获取摄像头采集的银行网点内的第二视频流；所述第二视频流为针对银行网点内的用户进行拍摄得到的视频流；将所述第二视频流输入训练好的第二深度学习神经网络模型，以得到用户行为的识别结果；根据所述用户行为的识别结果，评估所述用户行为是否异常；在所述用户行为异常的情况下，对用户的异常行为进行预警提示。
可选地，所述方法还包括：获取摄像头采集的银行网点内的第三视频流；所述第三视频流为针对银行网点内员工所用柜面进行拍摄得到的视频流；将所述第三视频流输入训练好的第三深度学习神经网络模型，以得到柜面识别结果；根据所述柜面识别结果，评估所述柜面的整理情况是否规范；在所述柜面的整理情况不规范的情况下，对柜面整理不规范的情况进行预警提示。
可选地，所述方法还包括：在所述将所述第一视频流输入训练好的第一深度学习神经网络模型，以得到员工行为的识别结果之前，对所述第一视频流进行压缩处理。
可选地，所述员工行为的识别结果包括以下至少一项：员工是否起身迎接、员工是否举手接待客户、员工是否有双手递交材料、员工是否有持手机拍照。
可选地，所述用户行为的识别结果包括以下至少一项：用户是否携带危险物品、用户是否与他人发生肢体冲突。
为实现上述目的，根据本发明的另一方面，提供了一种行为督导装置。
本发明的行为督导装置包括：获取模块，用于获取摄像头采集的银行网点内的第一视频流；所述第一视频流为针对银行网点内的员工进行拍摄得到的视频流；识别模块，用于将所述第一视频流输入训练好的第一深度学习神经网络模型，以得到员工行为的识别结果；评估模块，用于根据所述员工行为的识别结果，评估所述员工行为是否规范；预警模块，用于在所述员工行为不规范的情况下，对员工的不规范行为进行预警提示。
可选地，所述获取模块，还用于获取摄像头采集的银行网点内的第二视频流；所述第二视频流为针对银行网点内的用户进行拍摄得到的视频流；所述识别模块，还用于将所述第二视频流输入训练好的第二深度学习神经网络模型，以得到用户行为的识别结果；所述评估模块，还用于根据所述用户行为的识别结果，评估所述用户行为是否异常；所述预警模块，还用于在所述用户行为异常的情况下，对用户的异常行为进行预警提示。
为实现上述目的，根据本发明的再一个方面，提供了一种电子设备。
本发明的电子设备，包括：一个或多个处理器；以及，存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明的行为督导方法。
为实现上述目的，根据本发明的又一个方面，提供了一种计算机可读介质。
本发明的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明的行为督导方法。
上述发明中的一个实施例具有如下优点或有益效果：通过获取摄像头采集的银行网点内的第一视频流，将所述第一视频流输入训练好的第一深度学习神经网络模型以得到员工行为的识别结果，根据所述员工行为的识别结果评估所述员工行为是否规范，在所述员工行为不规范的情况下对员工的不规范行为进行预警提示这些步骤，能够及时、有效地识别出银行网点员工的不规范行为，进而有助于提高银行网点的服务能力和智能化水平。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明第一实施例的行为督导方法的主要流程示意图；
图2是根据本发明第二实施例的行为督导方法的主要流程示意图；
图3是根据本发明第三实施例的行为督导装置的主要模块示意图；
图4是根据本发明第四实施例的行为督导装置的主要模块示意图；
图5是本发明实施例可以应用于其中的示例性系统架构图；
图6是适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要指出的是，在不冲突的情况下，本发明中的实施例以及实施例中的特征可以相互组合。
图1是根据本发明第一实施例的行为督导方法的主要流程示意图。如图1所示，本发明实施例的行为督导方法包括：
步骤S101、获取摄像头采集的银行网点内的第一视频流。
其中，所述第一视频流为针对银行网点内的员工进行拍摄得到的视频流。所述第一视频流可以由预设时间周期(比如半小时、一小时等)内的多帧视频图像组成。具体实施时，可以在银行网点内不同区域安装多个摄像头，对银行网点内的柜员、安保人员等员工在工作时段的行为进行拍摄，以得到第一视频流。
步骤S102、将所述第一视频流输入训练好的第一深度学习神经网络模型，以得到员工行为的识别结果。
示例性地，所述第一深度学习神经网络模型可以为卷积神经网络模型。在该示例中，可预先基于训练样本集对卷积神经网络模型进行训练，以得到训练好的卷积神经网络模型。然后，将第一视频流输入训练好的卷积神经网络模型，以输出员工行为的识别结果。
其中，所述员工行为的识别结果包括一个或多个评估影响因素的识别结果。示例性地，当所述员工为银行网点的柜员时，所述员工行为的识别结果可包括以下至少一项评估影响因素的识别结果：在接待办理业务的用户过程中，柜员是否有起身迎接的动作、柜员是否有举手接待客户的动作、柜员是否有双手递交材料的动作、柜员是否有持手机拍照的动作等。示例性地，当所述员工为银行网点的安保人员时，所述员工行为的识别结果可包括以下至少一项评估影响因素的识别结果：安保人员是否有玩手机的动作、安保人员是否有非正常闭眼的动作等。
在一个可选示例中，在步骤S102之前，本发明实施例的方法还可包括以下步骤：通过人脸识别技术确定第一视频流中的待识别对象，并确定该待识别对象的员工身份。其中，所述员工身份可以通过员工类别(比如，员工类别可包括：柜员、安保人员)、员工姓名、员工工号等特征中的一个或多个来表征。
步骤S103、根据所述员工行为的识别结果，评估所述员工行为是否规范。
示例性地，步骤S103包括：根据员工身份信息(比如员工类别、员工姓名、或者员工工号等)调用对应的行为评估模型，根据所述对应的行为评估模型对所述员工行为是否规范进行评估。例如，可预先针对银行网点的柜员设置与之对应的行为评估模型，针对银行网点的安保人员设置与之对应的行为评估模型。
在一个可选实施方式中，可令员工行为的评分值与员工行为的规范度成正相关。也就是说，员工行为的评分值越高，表示该员工行为越规范。在该可选实施方式中，所述根据所述对应的行为评估模型对所述员工行为是否规范进行评估可包括：根据所述对应的行为评估模型计算所述员工行为的评分值；判断所述员工行为的评分值是否大于或等于预设阈值；在所述员工行为的评分值大于或等于预设阈值的情况下，确认所述员工行为是规范的；在所述员工行为的评分值小于预设阈值的情况下，确认所述员工行为是不规范的。
在另一个可选实施方式中，可令员工行为的评分值与员工行为的规范度成负相关。也就是说，员工行为的评分值越高，表示该员工行为越不规范。在该可选实施方式中，所述根据所述对应的行为评估模型对所述员工行为是否规范进行评估可包括：根据所述对应的行为评估模型计算所述员工行为的评分值；判断所述员工行为的评分值是否小于预设阈值；在所述员工行为的评分值小于预设阈值的情况下，确认所述员工行为是规范的；在所述员工行为的评分值大于或等于预设阈值的情况下，确认所述员工行为是不规范的。另外，在具体实施时，不同的行为评估模型中可设置不同的评估影响因素，并为各个评估影响因素设置相应的权重值。
步骤S104、在所述员工行为不规范的情况下，对员工的不规范行为进行预警提示。
示例性地，在该步骤中，可通过语音播报、可视化显示等方式对银行网点员工的不规范行为进行预警提示，以使员工及时发现并改正不规范行为。
在本发明实施例中，通过获取摄像头采集的银行网点内的第一视频流，将所述第一视频流输入训练好的第一深度学习神经网络模型以得到员工行为的识别结果，根据所述员工行为的识别结果评估所述员工行为是否规范，在所述员工行为不规范的情况下对员工的不规范行为进行预警提示这些步骤，能够及时、有效地识别出银行网点员工的不规范行为，进而有助于提高银行网点的服务能力和智能化水平。
图2是根据本发明第二实施例的行为督导方法的主要流程示意图。如图2所示，本发明实施例的行为督导方法包括：
步骤S201、获取摄像头采集的银行网点内的第一视频流和第二视频流。
其中，所述第一视频流为针对银行网点内的员工进行拍摄得到的视频流。所述视频流由预设时间周期(比如半小时、一小时等)内的多帧视频图像组成。具体实施时，可以在银行网点不同区域安装一个或多个摄像头，对银行网点内的柜员、安保人员等员工在工作时段的行为进行拍摄，以得到一路或多路第一视频流。
其中，所述第二视频流为针对银行网点内的用户进行拍摄得到的视频流。所述银行网点内的用户，可理解为除了银行网点内的员工之外的人员。具体实施时，可以在银行网点不同区域安装一个或多个摄像头，对银行网点内的用户行为进行拍摄，以得到一路或多路第二视频流。
步骤S202、对第一视频流、第二视频流进行压缩处理。
在一个可选示例中，可预先配置第一视频压缩比和第二视频压缩比，并根据第一视频压缩比对第一视频流进行压缩处理，根据第二视频压缩比对第二视频流进行压缩处理。其中，第一视频压缩比与第二视频压缩比可以相同，也可以不同。具体实施时，可根据对不同识别目标(银行网点用户或者银行网点员工)的识别精度要求来设置第一视频压缩比和第二视频压缩比。例如，对银行网点员工的识别精度要求高于对银行网点用户的识别精度要求，则将第一视频压缩比设置的小一些，将第二视频压缩比设置的大一些。在本发明实施例中，通过对第一视频流、第二视频流进行压缩处理，能够在保证识别精度的同时提高识别处理效率。
步骤S203、将第一视频流输入训练好的第一深度学习神经网络模型，以得到员工行为的识别结果。
示例性地，所述第一深度学习神经网络模型可以为卷积神经网络模型。在该示例中，可预先基于训练样本集对卷积神经网络模型进行训练，以得到训练好的卷积神经网络模型。然后，将第一视频流输入训练好的卷积神经网络模型，以输出员工行为的识别结果。
其中，所述员工行为的识别结果包括一个或多个评估影响因素的识别结果。示例性地，当所述员工为银行网点的柜员时，所述员工行为的识别结果可包括以下至少一项评估影响因素的识别结果：在接待办理业务的用户过程中，柜员是否有起身迎接的动作、柜员是否有举手接待客户的动作、柜员是否有双手递交材料的动作、柜员是否有持手机拍照的动作等。示例性地，当所述员工为银行网点的安保人员时，所述员工行为的识别结果可包括以下至少一项评估影响因素的识别结果：安保人员是否有玩手机的动作、安保人员是否有非正常闭眼的动作等。
在一个可选示例中，在步骤S203之前，本发明实施例的方法还可包括以下步骤：通过人脸识别技术确定第一视频流中的待识别对象，并确定该待识别对象的员工身份。其中，所述员工身份可以通过员工类别(比如，员工类别可包括：柜员、安保人员)、员工姓名、员工工号等特征中的一个或多个来表征。
步骤S204、根据所述员工行为的识别结果，评估所述员工行为是否规范。
示例性地，步骤S204包括：根据员工身份信息(比如员工类别、员工姓名、或者员工工号等)调用对应的行为评估模型，根据所述对应的行为评估模型对所述员工行为是否规范进行评估。此外，在具体实施时，可预先针对银行网点的柜员设置与之对应的行为评估模型，针对银行网点的安保人员设置与之对应的行为评估模型。其中，所述行为评估模型可包含一个或多个评估影响因素、以及各个评估影响因素的权重值。
在一个可选实施方式中，可令员工行为的评分值与员工行为的规范度成正相关。也就是说，员工行为的评分值越高，表示该员工行为越规范。在该可选实施方式中，所述根据所述对应的行为评估模型对所述员工行为是否规范进行评估可包括：根据所述对应的行为评估模型计算所述员工行为的评分值；判断所述员工行为的评分值是否大于或等于预设阈值；在所述员工行为的评分值大于或等于预设阈值的情况下，确认所述员工行为是规范的；在所述员工行为的评分值小于预设阈值的情况下，确认所述员工行为是不规范的。
在另一个可选实施方式中，可令员工行为的评分值与员工行为的规范度成负相关。也就是说，员工行为的评分值越高，表示该员工行为越不规范。在该可选实施方式中，所述根据所述对应的行为评估模型对所述员工行为是否规范进行评估可包括：根据所述对应的行为评估模型计算所述员工行为的评分值；判断所述员工行为的评分值是否小于预设阈值；在所述员工行为的评分值小于预设阈值的情况下，确认所述员工行为是规范的；在所述员工行为的评分值大于或等于预设阈值的情况下，确认所述员工行为是不规范的。另外，在具体实施时，不同的行为评估模型中可设置不同的评估影响因素，并为各个评估影响因素设置相应的权重值。
步骤S205、在所述员工行为不规范的情况下，对员工的不规范行为进行预警提示。
示例性地，在该步骤中，可通过语音播报、可视化显示等方式对银行网点员工的不规范行为进行预警提示，以使员工及时发现并改正不规范行为。
步骤S206、将第二视频流输入训练好的第二深度学习神经网络模型，以得到用户行为的识别结果。
示例性地，所述第二深度学习神经网络模型可以为卷积神经网络模型。在该示例中，可预先基于训练样本集对卷积神经网络模型进行训练，以得到训练好的卷积神经网络模型。然后，将第二视频流输入训练好的卷积神经网络模型，以输出用户行为的识别结果。具体实施时，第一深度学习网络模型和第二深度学习神经网络模型可采用不同的网络结构，也可采用相同的网络结构。
其中，所述用户行为的识别结果包括多个评估影响因素的识别结果。示例性地，所述用户行为的识别结果可包括以下至少一项评估影响因素的识别结果：用户是否有持刀行为、用户是否有肢体冲突行为等。
步骤S207、根据所述用户行为的识别结果，评估所述用户行为是否异常。
示例性地，可令用户行为的评分值与用户行为的正常度成正相关。也就是说，用户行为的评分值越高，表示该用户行为越正常。在该示例中，步骤S207可具体包括：根据用户行为评估模型计算所述用户行为的评分值；判断所述用户行为的评分值是否大于或等于预设阈值；在所述用户行为的评分值大于或等于预设阈值的情况下，确认所述用户行为是正常的；在所述用户行为的评分值小于预设阈值的情况下，确认所述用户行为是异常的。其中，所述用户行为评估模型可包含一个或多个评估影响因素、以及各个评估影响因素的权重值。在具体实施时，可结合银行网点的实际管理需求，在用户行为评估模型中设置不同的评估影响因素，并为各个评估影响因素设置相应的权重值。
步骤S208、在所述用户行为异常的情况下，对用户的异常行为进行预警提示。
示例性地，在该步骤中，可通过语音播报、可视化显示等方式对用户的不规范行为进行预警提示，以使银行网点员工及时发现用户的不规范行为。
进一步，本发明实施例的方法还可包括以下步骤：获取摄像头采集的银行网点内的第三视频流；所述第三视频流为针对银行网点内员工所用柜面进行拍摄得到的视频流；将所述第三视频流输入训练好的第三深度学习神经网络模型，以得到柜面识别结果；根据所述柜面识别结果，评估所述柜面的整理情况是否规范；在所述柜面的整理情况不规范的情况下，对柜面整理不规范的情况进行预警提示。
示例性地，所述第三深度学习神经网络模型可以为卷积神经网络模型。在该示例中，可预先基于训练样本集对卷积神经网络模型进行训练，以得到训练好的卷积神经网络模型。然后，将第三视频流输入训练好的卷积神经网络模型，以输出员工行为的识别结果。具体实施时，第三深度学习网络模型和第一深度学习神经网络模型、第二深度学习神经网络模型可采用不同的网络结构，也可采用相同的网络结构。
其中，所述柜面整理情况的识别结果包括一个或多个评估影响因素的识别结果。示例性地，所述柜面识别结果可包括以下至少一项评估影响因素的识别结果：在柜员离开座位后，其电脑是否未锁屏、其桌面是否有现钞或公章等物品未收纳等。
在一个可选实施方式中，可令柜面整理情况的评分值与柜面整理情况的规范度成正相关。也就是说，柜面整理情况的评分值越高，表示该柜面整理情况越规范。在该可选实施方式中，可包括：根据所柜面整理情况的评估模型计算所述柜面整理情况的评分值；判断所述柜面整理情况的评分值是否大于或等于预设阈值；在所述柜面整理情况的评分值大于或等于预设阈值的情况下，确认所述柜面整理情况是规范的；在所述员工行为的评分值小于预设阈值的情况下，确认所述柜面整理情况是不规范的。
在本发明实施例中，通过以上步骤不仅能够及时、有效地识别出银行网点员工的不规范行为，而且能够及时、有效地识别出银行网点用户的不规范行为，进而有助于提高银行网点的服务能力和智能化水平；解决了目前无法对银行网点员工行为进行约束的问题，可在一定程度上降低不规范行为的发生、甚至是违法行为的发生，同时，可提前针对网点异常情况进行预警，降低危险发生概率。
图3是根据本发明第三实施例的行为督导装置的主要模块示意图。如图3所示，本发明实施例的行为督导装置300包括：获取模块301、识别模块302、评估模块303、预警模块304。
获取模块301，用于获取摄像头采集的银行网点内的第一视频流。
其中，所述第一视频流为针对银行网点内的员工进行拍摄得到的视频流。所述第一视频流可以由预设时间周期(比如半小时、一小时等)内的多帧视频图像组成。具体实施时，可以在银行网点内不同区域安装多个摄像头，对银行网点内的柜员、安保人员等员工在工作时段的行为进行拍摄，以得到第一视频流。
识别模块302，用于将所述第一视频流输入训练好的第一深度学习神经网络模型，以得到员工行为的识别结果。
示例性地，所述第一深度学习神经网络模型可以为卷积神经网络模型。在该示例中，可预先基于训练样本集对卷积神经网络模型进行训练，以得到训练好的卷积神经网络模型。然后，将第一视频流输入训练好的卷积神经网络模型，以输出员工行为的识别结果。
其中，所述员工行为的识别结果包括一个或多个评估影响因素的识别结果。示例性地，当所述员工为银行网点的柜员时，所述员工行为的识别结果可包括以下至少一项评估影响因素的识别结果：在接待办理业务的用户过程中，柜员是否有起身迎接的动作、柜员是否有举手接待客户的动作、柜员是否有双手递交材料的动作、柜员是否有持手机拍照的动作等。示例性地，当所述员工为银行网点的安保人员时，所述员工行为的识别结果可包括以下至少一项评估影响因素的识别结果：安保人员是否有玩手机的动作、安保人员是否有非正常闭眼的动作等。
在一个可选示例中，识别模块302还用于通过人脸识别技术确定第一视频流中的待识别对象，并确定该待识别对象的员工身份。其中，所述员工身份可以通过员工类别(比如，员工类别可包括：柜员、安保人员)、员工姓名、员工工号等特征中的一个或多个来表征。
评估模块303，用于根据所述员工行为的识别结果，评估所述员工行为是否规范。
示例性地，评估模块303根据所述员工行为的识别结果，评估所述员工行为是否规范包括：评估模块303根据员工身份信息(比如员工类别、员工姓名、或者员工工号等)调用对应的行为评估模型，根据所述对应的行为评估模型对所述员工行为是否规范进行评估。此外，在具体实施时，可预先针对银行网点的柜员设置与之对应的行为评估模型，针对银行网点的安保人员设置与之对应的行为评估模型。
在一个可选实施方式中，可令员工行为的评分值与员工行为的规范度成正相关。也就是说，员工行为的评分值越高，表示该员工行为越规范。在该可选实施方式中，评估模块303根据所述对应的行为评估模型对所述员工行为是否规范进行评估可包括：评估模块303根据所述对应的行为评估模型计算所述员工行为的评分值；评估模块303判断所述员工行为的评分值是否大于或等于预设阈值；在所述员工行为的评分值大于或等于预设阈值的情况下，评估模块303确认所述员工行为是规范的；在所述员工行为的评分值小于预设阈值的情况下，评估模块303确认所述员工行为是不规范的。
在另一个可选实施方式中，可令员工行为的评分值与员工行为的规范度成负相关。也就是说，员工行为的评分值越高，表示该员工行为越不规范。在该可选实施方式中，评估模块303根据所述对应的行为评估模型对所述员工行为是否规范进行评估可包括：评估模块303根据所述对应的行为评估模型计算所述员工行为的评分值；评估模块303判断所述员工行为的评分值是否小于预设阈值；在所述员工行为的评分值小于预设阈值的情况下，评估模块303确认所述员工行为是规范的；在所述员工行为的评分值大于或等于预设阈值的情况下，评估模块303确认所述员工行为是不规范的。另外，在具体实施时，不同的行为评估模型中可设置不同的评估影响因素，并为各个评估影响因素设置相应的权重值。
预警模块304，用于在所述员工行为不规范的情况下，对员工的不规范行为进行预警提示。
示例性地，预警模块304可通过语音播报、可视化显示等方式对银行网点员工的不规范行为进行预警提示，以使员工及时发现并改正不规范行为。
在本发明实施例中，通过获取模块获取摄像头采集的银行网点内的第一视频流，通过识别模块将所述第一视频流输入训练好的第一深度学习神经网络模型以得到员工行为的识别结果，通过评估模块根据所述员工行为的识别结果评估所述员工行为是否规范，通过预警模块在所述员工行为不规范的情况下对员工的不规范行为进行预警提示，能够及时、有效地识别出银行网点员工的不规范行为，进而有助于提高银行网点的服务能力和智能化水平。
图4是根据本发明第四实施例的行为督导装置的主要模块示意图。如图4所示，本发明实施例的行为督导装置400包括：获取模块401、压缩模块402、识别模块403、评估模块404、预警模块405。
获取模块401，用于获取摄像头采集的银行网点内的第一视频流、第二视频流和第三视频流。
其中，所述第一视频流为针对银行网点内的员工进行拍摄得到的视频流；所述第二视频流为针对银行网点内的用户进行拍摄得到的视频流；所述第三视频流为针对银行网点内员工所用柜面进行拍摄得到的视频流。具体实施时，可以在银行网点不同区域安装一个或多个摄像头，对银行网点内的柜员、安保人员等员工在工作时段的行为、以及用户行为、银行网点内员工所用柜面进行拍摄，以得到第一至第三视频流。
压缩模块402，用于对第一视频流、第二视频流、以及第三视频流进行压缩处理。
在一个可选示例中，可预先配置第一视频压缩比、第二视频压缩比、以及第三视频压缩比，并根据第一视频压缩比对第一视频流进行压缩处理，根据第二视频压缩比对第二视频流进行压缩处理，根据第三视频压缩比对第三视频流进行压缩处理。其中，第一视频压缩比、第二视频压缩比、以及第三视频压缩比可以相同，也可以不同。具体实施时，可根据对不同识别目标(银行网点用户或者银行网点员工)的识别精度要求来设置第一至第三视频压缩比。例如，对银行网点员工的识别精度要求高于对银行网点用户的识别精度要求，则将第一视频压缩比设置的小一些，将第二视频压缩比设置的大一些。在本发明实施例中，通过对第一视频流、第二视频流、第三视频流进行压缩处理，能够在保证识别精度的同时提高识别处理效率。
识别模块403，用于将第一视频流输入训练好的第一深度学习神经网络模型，以得到员工行为的识别结果；识别模块403，还用于将第二视频流输入训练好的第二深度学习神经网络模型，以得到用户行为的识别结果；识别模块403，还用于将所述第三视频流输入训练好的第三深度学习神经网络模型，以得到柜面识别结果。
示例性地，所述第一深度学习神经网络模型可以为卷积神经网络模型。在该示例中，可预先基于训练样本集对卷积神经网络模型进行训练，以得到训练好的卷积神经网络模型。然后，将第一视频流输入训练好的卷积神经网络模型，以输出员工行为的识别结果。
其中，所述员工行为的识别结果包括一个或多个评估影响因素的识别结果。示例性地，当所述员工为银行网点的柜员时，所述员工行为的识别结果可包括以下至少一项评估影响因素的识别结果：在接待办理业务的用户过程中，柜员是否有起身迎接的动作、柜员是否有举手接待客户的动作、柜员是否有双手递交材料的动作、柜员是否有持手机拍照的动作等。示例性地，当所述员工为银行网点的安保人员时，所述员工行为的识别结果可包括以下至少一项评估影响因素的识别结果：安保人员是否有玩手机的动作、安保人员是否有非正常闭眼的动作等。
示例性地，所述第二深度学习神经网络模型可以为卷积神经网络模型。在该示例中，可预先基于训练样本集对卷积神经网络模型进行训练，以得到训练好的卷积神经网络模型。然后，将第二视频流输入训练好的卷积神经网络模型，以输出用户行为的识别结果。具体实施时，第一深度学习网络模型和第二深度学习神经网络模型可采用不同的网络结构，也可采用相同的网络结构。
其中，所述用户行为的识别结果包括多个评估影响因素的识别结果。示例性地，所述用户行为的识别结果可包括以下至少一项评估影响因素的识别结果：用户是否有持刀行为、用户是否有肢体冲突行为等。
示例性地，所述第三深度学习神经网络模型可以为卷积神经网络模型。在该示例中，可预先基于训练样本集对卷积神经网络模型进行训练，以得到训练好的卷积神经网络模型。然后，将第三视频流输入训练好的卷积神经网络模型，以输出员工行为的识别结果。具体实施时，第三深度学习网络模型和第一深度学习神经网络模型、第二深度学习神经网络模型可采用不同的网络结构，也可采用相同的网络结构。
其中，所述柜面整理情况的识别结果包括一个或多个评估影响因素的识别结果。示例性地，所述柜面识别结果可包括以下至少一项评估影响因素的识别结果：在柜员离开座位后，其电脑是否未锁屏、其桌面是否有现钞或公章等物品未收纳等。
评估模块404，用于根据所述员工行为的识别结果，评估所述员工行为是否规范；评估模块404，还用于根据所述用户行为的识别结果，评估所述用户行为是否异常；评估模块404，还用于根据所述柜面识别结果，评估所述柜面的整理情况是否规范。
示例性地，评估模块404可根据与员工身份对应的行为评估模型对所述员工行为是否规范进行评估。在具体实施时，可预先针对银行网点的柜员设置与之对应的行为评估模型，针对银行网点的安保人员设置与之对应的行为评估模型。其中，所述行为评估模型可包含一个或多个评估影响因素、以及各个评估影响因素的权重值。
在一个可选实施方式中，可令员工行为的评分值与员工行为的规范度成正相关。也就是说，员工行为的评分值越高，表示该员工行为越规范。在该可选实施方式中，评估模块404根据与员工身份对应的行为评估模型对所述员工行为是否规范进行评估可包括：根据与员工行为对应的行为评估模型计算所述员工行为的评分值；判断所述员工行为的评分值是否大于或等于预设阈值；在所述员工行为的评分值大于或等于预设阈值的情况下，确认所述员工行为是规范的；在所述员工行为的评分值小于预设阈值的情况下，确认所述员工行为是不规范的。
示例性地，可令用户行为的评分值与用户行为的正常度成正相关。也就是说，用户行为的评分值越高，表示该用户行为越正常。在该示例中，评估模块404可根据用户行为评估模型对用户行为是否异常进行评估，具体包括：根据用户行为评估模型计算所述用户行为的评分值；判断所述用户行为的评分值是否大于或等于预设阈值；在所述用户行为的评分值大于或等于预设阈值的情况下，确认所述用户行为是正常的；在所述用户行为的评分值小于预设阈值的情况下，确认所述用户行为是异常的。其中，所述用户行为评估模型可包含一个或多个评估影响因素、以及各个评估影响因素的权重值。在具体实施时，可结合银行网点的实际管理需求，在用户行为评估模型中设置不同的评估影响因素，并为各个评估影响因素设置相应的权重值。
示例性地，可令柜面整理情况的评分值与柜面整理情况的规范度成正相关。也就是说，柜面整理情况的评分值越高，表示该柜面整理情况越规范。在该示例中，评估模块404可根据柜面整理情况评估模型对柜面整理情况是否规范进行评估，具体包括：评估模块404根据所柜面整理情况的评估模型计算所述柜面整理情况的评分值；判断所述柜面整理情况的评分值是否大于或等于预设阈值；在所述柜面整理情况的评分值大于或等于预设阈值的情况下，确认所述柜面整理情况是规范的；在所述员工行为的评分值小于预设阈值的情况下，确认所述柜面整理情况是不规范的。
预警模块405，用于在所述员工行为不规范的情况下，对员工的不规范行为进行预警提示；预警模块405，还用于在所述用户行为异常的情况下，对用户的异常行为进行预警提示；预警模块405，还用于在所述柜面的整理情况不规范的情况下，对柜面整理不规范的情况进行预警提示。
示例性地，预警模块405可通过语音播报、可视化显示等方式对银行网点员工的不规范行为、用户的异常行为、柜面整理情况不规范情况进行预警提示。
在本发明实施例中，通过以上装置不仅能够及时、有效地识别出银行网点员工的不规范行为，而且能够及时、有效地识别出银行网点用户的不规范行为，进而有助于提高银行网点的服务能力和智能化水平；解决了目前无法对银行网点员工行为进行约束的问题，可在一定程度上降低不规范行为的发生、甚至是违法行为的发生，同时，可提前针对网点异常情况进行预警，降低危险发生概率。
图5示出了可以应用本发明实施例的行为督导方法或行为督导装置的示例性系统架构500。
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用或者网站，例如行为督导类应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器，例如对终端设备501、502、503传送的信息进行处理的后台管理服务器。后台管理服务器可以对接收到的行为督导请求等数据进行分析等处理，并将处理结果(例如对于不规范行为的预警提示信息等)反馈给终端设备。
需要说明的是，本发明实施例所提供的行为督导方法一般由服务器505执行，相应地，行为督导装置一般设置于服务器505中。
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图6，其示出了适于用来实现本发明实施例的电子设备的计算机系统600的结构示意图。图6示出的计算机系统仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、识别模块、评估模块和预警模块。其中，这些模块的名称在某种情况下并不构成对该单元本身的限定，例如，获取模块还可以被描述为“获取视频流的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备执行以下流程：获取摄像头采集的银行网点内的第一视频流；所述第一视频流为针对银行网点内的员工进行拍摄得到的视频流；将所述第一视频流输入训练好的第一深度学习神经网络模型，以得到员工行为的识别结果；根据所述员工行为的识别结果，评估所述员工行为是否规范；在所述员工行为不规范的情况下，对员工的不规范行为进行预警提示。
根据本发明实施例的技术方案，能够及时、有效地识别出银行网点员工的不规范行为，进而有助于提高银行网点的服务能力和智能化水平。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种行为督导方法，其特征在于，所述方法包括：
获取摄像头采集的银行网点内的第一视频流；所述第一视频流为针对银行网点内的员工进行拍摄得到的视频流；
将所述第一视频流输入训练好的第一深度学习神经网络模型，以得到员工行为的识别结果；
根据所述员工行为的识别结果，评估所述员工行为是否规范；
在所述员工行为不规范的情况下，对员工的不规范行为进行预警提示。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取摄像头采集的银行网点内的第二视频流；所述第二视频流为针对银行网点内的用户进行拍摄得到的视频流；
将所述第二视频流输入训练好的第二深度学习神经网络模型，以得到用户行为的识别结果；
根据所述用户行为的识别结果，评估所述用户行为是否异常；
在所述用户行为异常的情况下，对用户的异常行为进行预警提示。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取摄像头采集的银行网点内的第三视频流；所述第三视频流为针对银行网点内员工所用柜面进行拍摄得到的视频流；
将所述第三视频流输入训练好的第三深度学习神经网络模型，以得到柜面识别结果；
根据所述柜面识别结果，评估所述柜面的整理情况是否规范；
在所述柜面的整理情况不规范的情况下，对柜面整理不规范的情况进行预警提示。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述将所述第一视频流输入训练好的第一深度学习神经网络模型，以得到员工行为的识别结果之前，对所述第一视频流进行压缩处理。
5.根据权利要求1所述的方法，其特征在于，所述员工行为的识别结果包括以下至少一项：员工是否起身迎接、员工是否举手接待客户、员工是否有双手递交材料、员工是否有持手机拍照。
6.根据权利要求2所述的方法，其特征在于，所述用户行为的识别结果包括以下至少一项：用户是否携带危险物品、用户是否与他人发生肢体冲突。
7.一种行为督导装置，其特征在于，所述系统包括：
获取模块，用于获取摄像头采集的银行网点内的第一视频流；所述第一视频流为针对银行网点内的员工进行拍摄得到的视频流；
识别模块，用于将所述第一视频流输入训练好的第一深度学习神经网络模型，以得到员工行为的识别结果；
评估模块，用于根据所述员工行为的识别结果，评估所述员工行为是否规范；
预警模块，用于在所述员工行为不规范的情况下，对员工的不规范行为进行预警提示。
8.根据权利要求7所述的装置，其特征在于，
所述获取模块，还用于获取摄像头采集的银行网点内的第二视频流；所述第二视频流为针对银行网点内的用户进行拍摄得到的视频流；
所述识别模块，还用于将所述第二视频流输入训练好的第二深度学习神经网络模型，以得到用户行为的识别结果；
所述评估模块，还用于根据所述用户行为的识别结果，评估所述用户行为是否异常；
所述预警模块，还用于在所述用户行为异常的情况下，对用户的异常行为进行预警提示。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至6中任一所述的方法。
CN202010075446.6A 2020-01-22 2020-01-22 行为督导方法和装置 Pending CN111310612A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010075446.6A CN111310612A (zh) 2020-01-22 2020-01-22 行为督导方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010075446.6A CN111310612A (zh) 2020-01-22 2020-01-22 行为督导方法和装置

Publications (1)

Publication Number Publication Date
CN111310612A true CN111310612A (zh) 2020-06-19

Family

ID=71161639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010075446.6A Pending CN111310612A (zh) 2020-01-22 2020-01-22 行为督导方法和装置

Country Status (1)

Country Link
CN (1) CN111310612A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200660A (zh) * 2020-09-30 2021-01-08 中国银行股份有限公司 一种银行柜面业务的监督方法、装置及设备
CN112528952A (zh) * 2020-12-25 2021-03-19 合肥诚记信息科技有限公司 一种电力营业厅人员的工作状态智能识别系统
CN113128876A (zh) * 2021-04-22 2021-07-16 北京房江湖科技有限公司 基于图像的对象管理方法、装置及计算机可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102483772A (zh) * 2009-07-23 2012-05-30 皇家飞利浦电子股份有限公司 检测装置已被清洁的方法和系统
CN109271961A (zh) * 2018-10-09 2019-01-25 成都阳帆网络科技有限公司 基于人物身份特征识别的行为模式判断方法
CN109961587A (zh) * 2017-12-26 2019-07-02 天地融科技股份有限公司 一种自助银行监控系统
CN110163143A (zh) * 2019-05-17 2019-08-23 国网河北省电力有限公司沧州供电分公司 违规行为识别方法、装置及终端设备
CN110472870A (zh) * 2019-08-15 2019-11-19 成都睿晓科技有限公司 一种基于人工智能的收银台服务规范检测系统
CN110490125A (zh) * 2019-08-15 2019-11-22 成都睿晓科技有限公司 一种基于手势自动检测的加油区服务质量检测系统
CN110688931A (zh) * 2019-09-20 2020-01-14 北京百分点信息科技有限公司 异常行为监测方法、装置、存储介质和电子设备
CN110719441A (zh) * 2019-09-30 2020-01-21 傅程宏 一种用于银行人员行为合规预警管理的系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102483772A (zh) * 2009-07-23 2012-05-30 皇家飞利浦电子股份有限公司 检测装置已被清洁的方法和系统
CN109961587A (zh) * 2017-12-26 2019-07-02 天地融科技股份有限公司 一种自助银行监控系统
CN109271961A (zh) * 2018-10-09 2019-01-25 成都阳帆网络科技有限公司 基于人物身份特征识别的行为模式判断方法
CN110163143A (zh) * 2019-05-17 2019-08-23 国网河北省电力有限公司沧州供电分公司 违规行为识别方法、装置及终端设备
CN110472870A (zh) * 2019-08-15 2019-11-19 成都睿晓科技有限公司 一种基于人工智能的收银台服务规范检测系统
CN110490125A (zh) * 2019-08-15 2019-11-22 成都睿晓科技有限公司 一种基于手势自动检测的加油区服务质量检测系统
CN110688931A (zh) * 2019-09-20 2020-01-14 北京百分点信息科技有限公司 异常行为监测方法、装置、存储介质和电子设备
CN110719441A (zh) * 2019-09-30 2020-01-21 傅程宏 一种用于银行人员行为合规预警管理的系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200660A (zh) * 2020-09-30 2021-01-08 中国银行股份有限公司 一种银行柜面业务的监督方法、装置及设备
CN112200660B (zh) * 2020-09-30 2023-10-20 中国银行股份有限公司 一种银行柜面业务的监督方法、装置及设备
CN112528952A (zh) * 2020-12-25 2021-03-19 合肥诚记信息科技有限公司 一种电力营业厅人员的工作状态智能识别系统
CN113128876A (zh) * 2021-04-22 2021-07-16 北京房江湖科技有限公司 基于图像的对象管理方法、装置及计算机可读存储介质

Similar Documents

Publication Publication Date Title
EP3343422B1 (en) Systems and methods for detecting resources responsible for events
CN111310612A (zh) 行为督导方法和装置
CN109063969B (zh) 一种账户风险评估的方法及装置
US11356469B2 (en) Method and apparatus for estimating monetary impact of cyber attacks
CN114168420A (zh) 一种数据告警方法、系统、电子设备及存储介质
CN110895811B (zh) 一种图像篡改检测方法和装置
CN111611519A (zh) 一种个人异常行为检测方法及装置
CN112950359B (zh) 一种用户识别方法和装置
CN108804501B (zh) 一种检测有效信息的方法及装置
CN111738836B (zh) 智能柜台业务信息审核方法及装置
CN113568934A (zh) 一种数据查询方法、装置、电子设备和存储介质
CN113518075A (zh) 网络诈骗预警方法、装置、电子设备、及存储介质
CN112541731A (zh) 无人银行的业务审核方法、装置及系统
CN115983907A (zh) 一种数据推荐方法、装置、电子设备及计算机可读介质
CN114943455A (zh) 一种前后台防违规方法和装置、电子设备、存储介质
CN114445217A (zh) 信贷风险防控方法、装置、系统与计算机可读存储介质
CN114358543A (zh) 一种信息处理方法和装置
CN110705447B (zh) 手部图像的检测方法、装置及电子设备
CN111259689B (zh) 用于发送信息的方法和装置
CN113344064A (zh) 事件处理方法和装置
CN114189585A (zh) 骚扰电话异常检测方法、装置及计算设备
US20220237316A1 (en) Methods and systems for image selection and push notification
CN114363465A (zh) 信息处理方法、装置、设备及存储介质
CN114663095A (zh) 一种咨询业务的处理方法、装置、设备、介质及产品
CN113486805A (zh) 图像监控的方法、装置、设备和计算机可读介质

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
TA01 Transfer of patent application right

Effective date of registration: 20220926

Address after: 25 Financial Street, Xicheng District, Beijing 100033

Applicant after: CHINA CONSTRUCTION BANK Corp.

Address before: 25 Financial Street, Xicheng District, Beijing 100033

Applicant before: CHINA CONSTRUCTION BANK Corp.

Applicant before: Jianxin Financial Science and Technology Co.,Ltd.

TA01 Transfer of patent application right