CN113283978A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113283978A CN113283978A CN202110491063.1A CN202110491063A CN113283978A CN 113283978 A CN113283978 A CN 113283978A CN 202110491063 A CN202110491063 A CN 202110491063A CN 113283978 A CN113283978 A CN 113283978A
- Authority
- CN
- China
- Prior art keywords
- feature
- taking
- array
- input
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012502 risk assessment Methods 0.000 title claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 20
- 238000003491 array Methods 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 40
- 230000008569 process Effects 0.000 description 10
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 208000034656 Contusions Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 208000034526 bruise Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种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，涉及风险评估技术领域，方法包括将视频流作为行为识别模型的输入进行运算，以模型最后一层的输出作为第一特征数组；计算第一特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第二特征数组；将提取的多帧图像作为卷积神经网络模型的输入进行运算，以模型的最后一层的输出作为第三特征数组；计算第三特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第四特征数组；将第二特征数组与第四特征数组拼接，得到第五特征数组；将第五特征数组作为分类模型的输入进行运算，得到金融风险评估结果。本申请提供的方法能够对金融风险进行准确评估。
Description
技术领域
本申请涉及风险评估技术领域，尤其涉及一种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。
背景技术
为了确保所提供资料的真实性，常常需要对用户提供的资料进行金融风险评估，以评估是否存在欺诈风险，如信贷过程中对个人证明材料的真实性评估。
目前，对于金融风险的评估常用的一种方式就是基于量表的风险评估，采用这样的评估方式，由于量表方案时间长，且量表的评估方式过于主观，容易加入个人的偏见，从而导致评估的效率和准确性较低。
因此，如何提供一种有效的方案以提高金融风险评估的效率和准确性，已成为现有技术中一亟待解决的问题。
发明内容
本申请实施例提供一种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，用以解决现有技术存在的金融风险评估的效率和准确性低的问题。
为解决上述技术问题，本申请实施例是这样实现的：
本申请实施例提供了一种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，包括：
将包含被评估用户图像的多段视频流分别作为预先训练的行为识别模型的输入进行运算，并以所述行为识别模型的最后一层的输出作为第一特征数组，得到与所述多段视频流一一对应的多个第一特征数组，其中所述多段视频流是由包含用户图像的原始视频划分得到的；
分别计算所述多个第一特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第二特征数组；
将从所述原始视频中提取的多帧图像分别作为预先训练的用于生物基础特征识别的卷积神经网络模型的输入进行运算，并以所述卷积神经网络模型的最后一层的输出作为第三特征数组，得到多个第三特征数组；
分别计算所述多个第三特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第四特征数组；
将所述第二特征数组与所述第四特征数组进行拼接，得到第五特征数组；
将所述第五特征数组作为预先训练的分类模型的输入进行运算，得到金融风险评估结果，所述金融风险评估结果表征存在欺诈风险或不存在欺诈风险。
在一个可能的设计中，所述方法还包括：
提取出所述视频流中的人脸图像；
通过所述人脸图像识别出所述视频流中的被评估用户；
所述将包含被评估用户图像的多段视频流分别作为预先训练的行为识别模型的输入进行运算，包括：
如果所述被评估用户不属于失信用户，则将所述多段视频流分别作为预先训练的行为识别模型的输入进行运算。
在一个可能的设计中，所述方法还包括：
提取出所述视频流中的人脸图像；
将所述人脸图像与人脸数据库中的人脸图像进行特征匹配；
所述将包含被评估用户图像的多段视频流分别作为预先训练的行为识别模型的输入进行运算，包括：
如果所述人脸图像与人脸数据库中的人脸图像不匹配，则将所述多段视频流分别作为预先训练的行为识别模型的输入进行运算。
在一个可能的设计中，所述方法还包括：
提取出所述视频流中的背景图像；
将所述背景图像与背景数据库中的背景图像进行特征匹配；
所述将包含被评估用户图像的多段视频流分别作为预先训练的行为识别模型的输入进行运算，包括：
如果所述背景图像与背景数据库中的背景图像不匹配，则将所述多段视频流分别作为预先训练的行为识别模型的输入进行运算。
在一个可能的设计中，所述分类模型为支持向量机的分类模型。
在一个可能的设计中，所述分类模型为端梯度提升模型。
在一个可能的设计中，所述行为识别模型为TSM模型。
在一个可能的设计中，将从原始视频中提取的多帧图像分别作为预先训练的用于生物基础特征识别的卷积神经网络模型的输入进行运算，包括：
每间隔预设时间间隔从所述原始视频中提取一帧图像，得到多帧图像；
将所述多帧图像分别作为预先训练的用于生物基础特征识别的卷积神经网络模型的输入进行运算。
本申请实施例采用的上述技术方案能够达到以下有益效果：
通过将多段视频流作为行为识别模型的输入，以识别模型的最后一层的输出作为第一特征数组，并计算多个第一特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第二特征数组，然后将提取的多帧图像作为用于生物基础特征识别的卷积神经网络模型的输入，以卷积神经网络模型的最后一层的输出作为第三特征数组，并计算多个第三特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第四特征数组，并将第二特征数组与第四特征数组进行拼接得到第五特征数组，然后再通过分类模型对第五特征数组进行运算得到金融风险评估结果。在此过程中，由于从不同的特征数据综合考虑进行风险评估，从而能够对金融风险进行准确评估，且整个评估过程方便快捷。同时在评估过程中不会融入个人的主观偏见，进一步保障评估的准确性。
附图说明
此处所说明的附图用来提供对本文件的进一步理解，构成本文件的一部分，本文件的示意性实施例及其说明用于解释本文件，并不构成对本文件的不当限定。在附图中：
图1为本申请一个实施例提供的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的流程示意图。
图2为本申请一个实施例提供的另一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的流程示意图。
图3为本申请一个实施例提供的电子设备的结构示意图。
图4为本申请一个实施例提供的金融风险评估装置的结构示意图。
具体实施方式
为使本文件的目的、技术方案和优点更加清楚，下面将结合本文件具体实施例及相应的附图对本文件技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本文件一部分实施例，而不是全部的实施例。基于本文件中的实施例，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他实施例，都属于本文件保护的范围。
为了提高金融风险评估的效率和准确性，本申请实施例提供了一种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，该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能够准确高效的进行金融风险评估。
下面将对本申请实施例提供的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进行详细说明。
本申请实施例提供的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可应用于服务器或用户终端，所述服务器可以是网络服务器或数据库服务器，所述用户终端可以是，但不限于个人电脑、智能手机、平板电脑、膝上型便携计算机、个人数字助理等。
可以理解，所述执行主体并不构成对本申请实施例的限定。
可选地，该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的流程如图1所示，可以包括如下步骤：
步骤S101，将包含被评估用户图像的多段视频流分别作为预先训练的行为识别模型的输入进行运算，并以行为识别模型的最后一层的输出作为第一特征数组，得到与多段视频流一一对应的多个第一特征数组。
本申请实施例中，在进行金融风险评估时，可通过摄像机获取包含被评估用户图像的原始视频，或者通过视频通话的方式获取包含被评估用户图像的原始视频，或者由被评估用户上传包含被评估用户图像的原始视频。
本申请实施例中，预先建立有用于行为识别的行为识别模型，如识别被评估用户是否有迟疑、挠头、抓耳、托腮等动作中的至少一种。
该行为识别模型可以是，但不限于TSM(Temporal Shift Module)模型、 C3D(3DConvNet)模型等。
进行金融风险评估时，可将原始视频划分为包含被评估用户图像的多段视频流，然后将包含被评估用户图像的多段视频流分别作为预先训练的行为识别模型的输入进行运算，并以行为识别模型的最后一层的输出作为第一特征数组，得到与多段视频流一一对应的多个第一特征数组。
本申请实施例中，可根据时间将该原始视频划分为多段视频流。例如，原始视频的时长为5秒，则可以以1秒为基准将原始视频划分为5段视频流，并将其中每段视频流中的图像帧作为行为识别模型的输入进行运算，然后以行为识别模型的最后一层的输出作为第一特征数组，从而得到5组第一特征数组。
步骤S102，分别计算多个第一特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第二特征数组。
第一特征数组中包括多个数据，每个数据对应一索引，在计算时可分别算多个第一特征数组中索引相同的数据的最大值、最小值、方差以及均值，并将计算出的最大值、最小值、方差以及均值组合形成一个新的特征数组，即第二特征数组。
例如，第一特征数组为4个，分别为[a11，a12，a13，a14]、[a21，a22， a23，a24]、[a31，a32，a33，a34]和[a41，a42，a43，a44]，在该4个第一特征数组中a11、a21、a31和a41为索引相同的数据，a12、a22、a32和a42为索引相同的数据，a13、a23、a33和a43为索引相同的数据，a14、a24、a34 和a44为索引相同的数据。因此，计算该4个第一特征数组中索引相同的数据的最大值、最小值、方差以及均值，可得到一16维的第二特征数组。
步骤S103，将从原始视频中提取的多帧图像分别作为预先训练的用于生物基础特征识别的卷积神经网络模型的输入进行运算，并以卷积神经网络模型的最后一层的输出作为第三特征数组，得到多个第三特征数组。
本申请实施例中，预先建立有用于生物基础特征识别的卷积神经网络模型，在进行金融风险评估时，可每间隔预设时间间隔从原始视频中提取一帧图像，得到多帧图像，然后将从原始视频中提取的多帧图像分别作为卷积神经网络模型的输入进行运算，并以卷积神经网络模型的最后一层的输出作为第三特征数组，得到多个第三特征数组。
其中，所述生物基础特征可以是，但不限于人物情绪(如生气、厌恶、害怕、中性、开心、伤心、惊讶)、面部表情、年龄、性别等的其中至少一种。
本申请实施例中，由于可根据时间将该原始视频划分为多段视频流，因此在通过卷积神经网络模型进行运算时，可从各段视频流中提取一帧图像作为预先训练的卷积神经网络模型的输入进行运算，并以卷积神经网络模型的最后一层的输出作为第三特征数组，得到多组第三特征数组。
步骤S104，分别计算多个第三特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第四特征数组。
计算多个第三特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第四特征数组的过程，与上述步骤S102中的计算过程一致，本申请实施例中不再具体说明。
步骤S105，将第二特征数组与第四特征数组进行拼接，得到第五特征数组。
例如，假定第二特征数组为[b1，b2，b3，b4]，第四特征数组为[c1，c2， c3，c4]，则将第二特征数组与第四特征数组进行拼接，得到的第五特征数组可表示为[b1，b2，b3，b4，c1，c2，c3，c4]。
步骤S106，将第五特征数组作为预先训练的分类模型的输入进行运算，得到金融风险评估结果。
其中，金融风险评估结果表征存在欺诈风险或不存在欺诈风险。
本申请实施例中，预先训练有用于评价被评估用户是否存在欺诈风险的分类模型，在评价被评估用户是否存在欺诈风险时，可将第五特征数组作为分类模型的输入进行运算，得到金融风险评估结果。
其中，所述分类模型可以是，但不限于支持向量机(Support Vector Machine,SVM)的分类模型或端梯度提升(eXtreme Gradient Boosting，XGBoost) 模型。
请参阅图2，是本申请实施例提供的另一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的流程示意图，可以包括如下步骤：
步骤S201，提取出视频流中的人脸图像和背景图像。
其中，被提取的视频流可以是该多段视频流中的其中一段或多段。
步骤S202，通过人脸图像识别出视频流中的被评估用户。
步骤S203，将人脸图像与人脸数据库中的人脸图像进行特征匹配。
本申请实施例中，预先建立有人脸数据库，该人脸数据库中记录有存在欺诈记录的用户的人脸图像。在提取出视频流中的人脸图像后，可将提取出的人脸图像与人脸数据库中的人脸图像进行特征匹配，判断人脸数据库中是否存在有与提取出的人脸图像匹配的人脸图像。
步骤S204，将背景图像与背景数据库中的背景图像进行特征匹配。
本申请实施例中，还预先建立有背景数据库，该背景数据库中的背景图像可以是根据已知存在欺诈的多个测试视频中提取出的。在提取出视频流中的背景图像后，还可将提取出的背景图像与背景数据库中的背景图像进行特征匹配，判断背景数据库中是否存在与提取出的背景图像匹配的背景图像。
进行特征匹配时，可以采用，但不限于交叉匹配或者随机采样一致性匹配。
步骤S205，判断被评估用户是否属于失信用户、人脸图像与人脸数据库中的人脸图像是否匹配以及背景图像与背景数据库中的背景图像是否匹配，如果被评估用户不属于失信用户、人脸图像与人脸数据库中的人脸图像不匹配且背景图像与背景数据库中的背景图像不匹配，则执行步骤S206。
本申请实施例中，在识别出视频流中的被评估用户后，还可通过个人征信系统查询出被评估用户是否属于失信用户。
如果被评估用户属于失信用户，则直接判断被评估用户存在欺诈风险，结束整个流程。如果人脸图像与人脸数据库中的人脸图像匹配，则直接判断被评估用户存在欺诈风险，结束整个流程。如果背景图像与背景数据库中的背景图像匹配，则直接判断被评估用户存在欺诈风险，结束整个流程。如果被评估用户不属于失信用户、人脸图像与人脸数据库中的人脸图像不匹配且背景图像与背景数据库中的背景图像不匹配，则说明被评估用户可能不存在欺诈风险，需执行后续步骤进行进一步判断。
步骤S206，将包含被评估用户图像的多段视频流分别作为预先训练的行为识别模型的输入进行运算，并以行为识别模型的最后一层的输出作为第一特征数组，得到与多段视频流一一对应的多个第一特征数组。
步骤S207，分别计算多个第一特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第二特征数组。
步骤S208，将从原始视频中提取的多帧图像分别作为预先训练的用于生物基础特征识别的卷积神经网络模型的输入进行运算，并以卷积神经网络模型的最后一层的输出作为第三特征数组，得到多个第三特征数组。
步骤S209，分别计算多个第三特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第四特征数组。
步骤S210，将第二特征数组与第四特征数组进行拼接，得到第五特征数组。
步骤S211，将第五特征数组作为预先训练的分类模型的输入进行运算，得到金融风险评估结果。
本申请实施例提供的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，通过将多段视频流作为行为识别模型的输入，以识别模型的最后一层的输出作为第一特征数组，并计算多个第一特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第二特征数组，然后将提取的多帧图像作为用于生物基础特征识别的卷积神经网络模型的输入，以卷积神经网络模型的最后一层的输出作为第三特征数组，并计算多个第三特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第四特征数组，并将第二特征数组与第四特征数组进行拼接得到第五特征数组，然后再通过分类模型对第五特征数组进行运算得到金融风险评估结果。在此过程中，由于从与行为和生物基础特征等不同维度相关的特征数据综合考虑进行风险评估，从而能够对金融风险进行准确评估，且整个评估过程方便快捷，时效性好。同时在评估过程中不会融入个人的主观偏见，进一步保障评估的准确性。另外，在进行评估时，还结合个人征信系统、人脸数据库和背景数据库判断被评估用户存在欺诈风险，更进一步保障评估的准确性。
图3是本申请的一个实施例电子设备的结构示意图。请参考图3，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成金融风险评估装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
将包含被评估用户图像的多段视频流分别作为预先训练的行为识别模型的输入进行运算，并以所述行为识别模型的最后一层的输出作为第一特征数组，得到与所述多段视频流一一对应的多个第一特征数组，其中所述多段视频流是由包含用户图像的原始视频划分得到的；
分别计算所述多个第一特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第二特征数组；
将从所述原始视频中提取的多帧图像分别作为预先训练的用于生物基础特征识别的卷积神经网络模型的输入进行运算，并以所述卷积神经网络模型的最后一层的输出作为第三特征数组，得到多个第三特征数组；
分别计算所述多个第三特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第四特征数组；
将所述第二特征数组与所述第四特征数组进行拼接，得到第五特征数组；
将所述第五特征数组作为预先训练的分类模型的输入进行运算，得到金融风险评估结果，所述金融风险评估结果表征存在欺诈风险或不存在欺诈风险。
上述如本申请图3所示实施例揭示的金融风险评估装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor， NP)等；还可以是数字信号处理器(DigitalSignal 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。可以实现或者执行本申请一个或多个实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1和图2所示实施例的方法，并实现金融风险评估装置在图1和图2所示实施例的功能，本申请实施例在此不再赘述。
当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1和图2所示实施例的方法，并具体用于执行以下操作：
将包含被评估用户图像的多段视频流分别作为预先训练的行为识别模型的输入进行运算，并以所述行为识别模型的最后一层的输出作为第一特征数组，得到与所述多段视频流一一对应的多个第一特征数组，其中所述多段视频流是由包含用户图像的原始视频划分得到的；
分别计算所述多个第一特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第二特征数组；
将从所述原始视频中提取的多帧图像分别作为预先训练的用于生物基础特征识别的卷积神经网络模型的输入进行运算，并以所述卷积神经网络模型的最后一层的输出作为第三特征数组，得到多个第三特征数组；
分别计算所述多个第三特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第四特征数组；
将所述第二特征数组与所述第四特征数组进行拼接，得到第五特征数组；
将所述第五特征数组作为预先训练的分类模型的输入进行运算，得到金融风险评估结果，所述金融风险评估结果表征存在欺诈风险或不存在欺诈风险。
图4是本申请的一个实施例提供的金融风险评估装置的结构示意图。请参考图4，在一种软件实施方式中，金融风险评估装置可包括：
第一运算模块，用于将包含被评估用户图像的多段视频流分别作为预先训练的行为识别模型的输入进行运算，并以所述行为识别模型的最后一层的输出作为第一特征数组，得到与所述多段视频流一一对应的多个第一特征数组，其中所述多段视频流是由包含用户图像的原始视频划分得到的；
第二运算模块，用于分别计算所述多个第一特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第二特征数组；
第三运算模块，用于将从所述原始视频中提取的多帧图像分别作为预先训练的用于生物基础特征识别的卷积神经网络模型的输入进行运算，并以所述卷积神经网络模型的最后一层的输出作为第三特征数组，得到多个第三特征数组；
第四运算模块，用于分别计算所述多个第三特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第四特征数组；
拼接模块，用于将所述第二特征数组与所述第四特征数组进行拼接，得到第五特征数组；
第五运算模块，用于将所述第五特征数组作为预先训练的分类模型的输入进行运算，得到金融风险评估结果，所述金融风险评估结果表征存在欺诈风险或不存在欺诈风险。
总之，以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
Claims (8)
1.一种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，其特征在于，包括：
将包含被评估用户图像的多段视频流分别作为预先训练的行为识别模型的输入进行运算，并以所述行为识别模型的最后一层的输出作为第一特征数组，得到与所述多段视频流一一对应的多个第一特征数组，其中所述多段视频流是由包含用户图像的原始视频划分得到的；
分别计算所述多个第一特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第二特征数组；
将从所述原始视频中提取的多帧图像分别作为预先训练的用于生物基础特征识别的卷积神经网络模型的输入进行运算，并以所述卷积神经网络模型的最后一层的输出作为第三特征数组，得到多个第三特征数组；
分别计算所述多个第三特征数组中索引相同的数据的最大值、最小值、方差以及均值，得到第四特征数组；
将所述第二特征数组与所述第四特征数组进行拼接，得到第五特征数组；
将所述第五特征数组作为预先训练的分类模型的输入进行运算，得到金融风险评估结果，所述金融风险评估结果表征存在欺诈风险或不存在欺诈风险。
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：
提取出所述视频流中的人脸图像；
通过所述人脸图像识别出所述视频流中的被评估用户；
所述将包含被评估用户图像的多段视频流分别作为预先训练的行为识别模型的输入进行运算，包括：
如果所述被评估用户不属于失信用户，则将所述多段视频流分别作为预先训练的行为识别模型的输入进行运算。
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：
提取出所述视频流中的人脸图像；
将所述人脸图像与人脸数据库中的人脸图像进行特征匹配；
所述将包含被评估用户图像的多段视频流分别作为预先训练的行为识别模型的输入进行运算，包括：
如果所述人脸图像与人脸数据库中的人脸图像不匹配，则将所述多段视频流分别作为预先训练的行为识别模型的输入进行运算。
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：
提取出所述视频流中的背景图像；
将所述背景图像与背景数据库中的背景图像进行特征匹配；
所述将包含被评估用户图像的多段视频流分别作为预先训练的行为识别模型的输入进行运算，包括：
如果所述背景图像与背景数据库中的背景图像不匹配，则将所述多段视频流分别作为预先训练的行为识别模型的输入进行运算。
5.根据权利要求1所述的方法，其特征在于，所述分类模型为支持向量机的分类模型。
6.根据权利要求1所述的方法，其特征在于，所述分类模型为端梯度提升模型。
7.根据权利要求1所述的方法，其特征在于，所述行为识别模型为TSM模型。
8.根据权利要求1所述的方法，其特征在于，所述将从原始视频中提取的多帧图像分别作为预先训练的用于生物基础特征识别的卷积神经网络模型的输入进行运算，包括：
每间隔预设时间间隔从所述原始视频中提取一帧图像，得到多帧图像；
将所述多帧图像分别作为预先训练的用于生物基础特征识别的卷积神经网络模型的输入进行运算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110491063.1A CN113283978B (zh) | 2021-05-06 | 2021-05-06 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110491063.1A CN113283978B (zh) | 2021-05-06 | 2021-05-06 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113283978A true CN113283978A (zh) | 2021-08-20 |
| CN113283978B CN113283978B (zh) | 2024-05-10 |
Family
ID=77278044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110491063.1A Active CN113283978B (zh) | 2021-05-06 | 2021-05-06 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283978B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118135498A (zh) * | 2024-05-08 | 2024-06-04 | 成都新希望金融信息有限公司 | 基于ai的双录实时风险识别方法、装置、设备及介质 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108363978A (zh) * | 2018-02-12 | 2018-08-03 | 华南理工大学 | 采用深度学习和ukf的基于肢体语言的情感感知方法 |
| CN108734570A (zh) * | 2018-05-22 | 2018-11-02 | 深圳壹账通智能科技有限公司 | 一种风险预测方法、存储介质和服务器 |
| CN109325422A (zh) * | 2018-08-28 | 2019-02-12 | 深圳壹账通智能科技有限公司 | 表情识别方法、装置、终端及计算机可读存储介质 |
| CN109472206A (zh) * | 2018-10-11 | 2019-03-15 | 平安科技（深圳）有限公司 | 基于微表情的风险评估方法、装置、设备及介质 |
| CN109829358A (zh) * | 2018-12-14 | 2019-05-31 | 深圳壹账通智能科技有限公司 | 微表情贷款控制方法、装置、计算机设备及存储介质 |
| WO2019127271A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳市锐明技术股份有限公司 | 针对肢体冲突行为的告警方法、装置、存储介质及服务器 |
| US20190213429A1 (en) * | 2016-11-21 | 2019-07-11 | Roberto Sicconi | Method to analyze attention margin and to prevent inattentive and unsafe driving |
| CN110313923A (zh) * | 2019-07-05 | 2019-10-11 | 昆山杜克大学 | 基于联合注意能力测试和音视频行为分析的孤独症早期筛查系统 |
| CN110503081A (zh) * | 2019-08-30 | 2019-11-26 | 山东师范大学 | 基于帧间差分的暴力行为检测方法、系统、设备及介质 |
| 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 |
| CN110729049A (zh) * | 2019-11-01 | 2020-01-24 | 广州云蝶科技有限公司 | 心理健康预警方法 |
| CN110738102A (zh) * | 2019-09-04 | 2020-01-31 | 暗物质(香港)智能科技有限公司 | 一种人脸识别方法及系统 |
| CN112101094A (zh) * | 2020-08-02 | 2020-12-18 | 华南理工大学 | 一种基于肢体语言的自杀风险评估方法 |
| WO2021012526A1 (zh) * | 2019-07-22 | 2021-01-28 | 平安科技（深圳）有限公司 | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 |
| CN112561684A (zh) * | 2020-12-15 | 2021-03-26 | 平安科技（深圳）有限公司 | 金融欺诈风险识别方法、装置、计算机设备及存储介质 |
| US20210097540A1 (en) * | 2019-09-27 | 2021-04-01 | Ncr Corporation | Transaction Terminal Fraud Processing |
| CN112741593A (zh) * | 2019-10-29 | 2021-05-04 | 重庆医科大学附属儿童医院 | 疼痛评估方法、系统、设备及存储介质 |
| CN113052064A (zh) * | 2021-03-23 | 2021-06-29 | 北京思图场景数据科技服务有限公司 | 基于面部朝向、面部表情及瞳孔追踪的注意力检测方法 |
-
2021
- 2021-05-06 CN CN202110491063.1A patent/CN113283978B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190213429A1 (en) * | 2016-11-21 | 2019-07-11 | Roberto Sicconi | Method to analyze attention margin and to prevent inattentive and unsafe driving |
| WO2019127271A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳市锐明技术股份有限公司 | 针对肢体冲突行为的告警方法、装置、存储介质及服务器 |
| CN108363978A (zh) * | 2018-02-12 | 2018-08-03 | 华南理工大学 | 采用深度学习和ukf的基于肢体语言的情感感知方法 |
| CN108734570A (zh) * | 2018-05-22 | 2018-11-02 | 深圳壹账通智能科技有限公司 | 一种风险预测方法、存储介质和服务器 |
| CN109325422A (zh) * | 2018-08-28 | 2019-02-12 | 深圳壹账通智能科技有限公司 | 表情识别方法、装置、终端及计算机可读存储介质 |
| CN109472206A (zh) * | 2018-10-11 | 2019-03-15 | 平安科技（深圳）有限公司 | 基于微表情的风险评估方法、装置、设备及介质 |
| CN109829358A (zh) * | 2018-12-14 | 2019-05-31 | 深圳壹账通智能科技有限公司 | 微表情贷款控制方法、装置、计算机设备及存储介质 |
| CN110313923A (zh) * | 2019-07-05 | 2019-10-11 | 昆山杜克大学 | 基于联合注意能力测试和音视频行为分析的孤独症早期筛查系统 |
| WO2021012526A1 (zh) * | 2019-07-22 | 2021-01-28 | 平安科技（深圳）有限公司 | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 |
| 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 |
| CN110503081A (zh) * | 2019-08-30 | 2019-11-26 | 山东师范大学 | 基于帧间差分的暴力行为检测方法、系统、设备及介质 |
| CN110738102A (zh) * | 2019-09-04 | 2020-01-31 | 暗物质(香港)智能科技有限公司 | 一种人脸识别方法及系统 |
| US20210097540A1 (en) * | 2019-09-27 | 2021-04-01 | Ncr Corporation | Transaction Terminal Fraud Processing |
| CN112741593A (zh) * | 2019-10-29 | 2021-05-04 | 重庆医科大学附属儿童医院 | 疼痛评估方法、系统、设备及存储介质 |
| CN110729049A (zh) * | 2019-11-01 | 2020-01-24 | 广州云蝶科技有限公司 | 心理健康预警方法 |
| CN112101094A (zh) * | 2020-08-02 | 2020-12-18 | 华南理工大学 | 一种基于肢体语言的自杀风险评估方法 |
| CN112561684A (zh) * | 2020-12-15 | 2021-03-26 | 平安科技（深圳）有限公司 | 金融欺诈风险识别方法、装置、计算机设备及存储介质 |
| CN113052064A (zh) * | 2021-03-23 | 2021-06-29 | 北京思图场景数据科技服务有限公司 | 基于面部朝向、面部表情及瞳孔追踪的注意力检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 廖银屏;: "传统金融学与行为金融学的风险管理理论比较分析与启示", 科技资讯, no. 24, 23 August 2018 (2018-08-23), pages 197 - 198 * |
| 杨雪鹤;刘欢喜;肖建力;: "多模态生物特征提取及相关性评价综述", 中国图象图形学报, no. 08, 12 August 2020 (2020-08-12), pages 21 - 30 * |
| 王晓红;梁祐慈;麻祥才;: "一种基于Inception思想的人脸表情分类深度学习算法研究", 光学技术, no. 03, 15 May 2020 (2020-05-15), pages 94 - 100 * |
| 王蕾;戎杰;: "数据挖掘在金融风险管理中的应用", 产业与科技论坛, no. 10, pages 233 - 234 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118135498A (zh) * | 2024-05-08 | 2024-06-04 | 成都新希望金融信息有限公司 | 基于ai的双录实时风险识别方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113283978B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110874440B (zh) | 一种信息推送及其模型训练的方法、装置及电子设备 | |
| CN109544166B (zh) | 一种风险识别方法和装置 | |
| CN108763952B (zh) | 一种数据分类方法、装置及电子设备 | |
| CN110321958B (zh) | 神经网络模型的训练方法、视频相似度确定方法 | |
| CN110020009B (zh) | 在线问答方法、装置及系统 | |
| JP7394809B2 (ja) | ビデオを処理するための方法、装置、電子機器、媒体及びコンピュータプログラム | |
| CN107818301B (zh) | 更新生物特征模板的方法、装置和电子设备 | |
| CN108550046B (zh) | 一种资源和营销推荐方法、装置及电子设备 | |
| CN111242217A (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
| CN109299276B (zh) | 一种将文本转化为词嵌入、文本分类方法和装置 | |
| CN110751515A (zh) | 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 | |
| WO2021228148A1 (zh) | 保护个人数据隐私的特征提取方法、模型训练方法及硬件 | |
| CN112347512A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN110704423B (zh) | 激励信息获取方法、装置及存储介质、电子设备 | |
| CN114511358A (zh) | 工程建设材料价格估算方法、装置、电子设备及存储介质 | |
| CN109271453B (zh) | 一种数据库容量的确定方法和装置 | |
| CN113283978B (zh) | 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 | |
| CN115129791A (zh) | 一种数据压缩存储方法、装置及设备 | |
| CN111275071B (zh) | 预测模型训练、预测方法、装置及电子设备 | |
| CN112990176A (zh) | 书写质量评价方法、装置和电子设备 | |
| CN112686744A (zh) | 外访业务监控方法、装置、电子设备及存储介质 | |
| CN109120509B (zh) | 一种信息收集的方法及装置 | |
| CN111340575A (zh) | 一种资源推送方法、装置和电子设备 | |
| CN109063967B (zh) | 一种风控场景特征张量的处理方法、装置及电子设备 | |
| CN114840762A (zh) | 推荐内容确定方法、装置和电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |