CN113743335B - 目光数据的风险识别的方法、装置、计算机及介质 - Google Patents
目光数据的风险识别的方法、装置、计算机及介质 Download PDFInfo
- Publication number
- CN113743335B CN113743335B CN202111052156.0A CN202111052156A CN113743335B CN 113743335 B CN113743335 B CN 113743335B CN 202111052156 A CN202111052156 A CN 202111052156A CN 113743335 B CN113743335 B CN 113743335B
- Authority
- CN
- China
- Prior art keywords
- gaze
- track
- feature
- eye
- fraudulent
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000004424 eye movement Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 210000001508 eye Anatomy 0.000 description 108
- 238000010586 diagram Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001550 time effect Effects 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及人工智能的图像识别领域，揭示了一种目光数据的风险识别的方法、装置、计算机设备及存储介质，方法包括：获取视频数据；从所述视频数据中提取连续的预设数量的目标帧；识别所述目标帧中的目光点坐标，按照所述目标帧的顺序将所述目光点坐标进行组合，生成目光移动轨迹；将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数；根据所述欺诈目光特征轨迹出现的次数确定目光风险。本申请能够欺诈风险识别的时效性及效率。
Description
技术领域
本申请涉及到人工智能的图像识别领域，特别是涉及到一种目光数据的风险识别的方法、装置、计算机设备及存储介质。
背景技术
欺诈风险识别是风控领域长期存在且难度较大的方向，在金融场景领域，需要高度关注用户是否存在欺诈风险，例如，大额转账场景，申请贷款场景等，传统欺诈风险识别，一般是从文字、浏览记录、设备IP等关联分析入手，容易被攻破，导致准确度不高，并且对于实时数据场景，上述方式存在一定的时延且，无法有效地进行欺诈风险识别。
发明内容
本申请的主要目的为提供一种目光数据的风险识别的方法、装置、计算机设备及存储介质，旨在解决目前欺诈风险识别时延高、准确率低的问题。
为了实现上述发明目的，本申请提出一种目光数据的风险识别的方法，包括：
获取视频数据；
从所述视频数据中提取连续的预设数量的目标帧；
识别所述目标帧中的目光点坐标，按照所述目标帧的顺序将所述目光点坐标进行组合，生成目光移动轨迹；
将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数；
根据所述欺诈目光特征轨迹出现的次数确定目光风险。
进一步地，所述预定义的欺诈目光特征轨迹包括第一目光特征轨迹与第二目光特征轨迹；所述将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数，包括：
将所述目光移动轨迹与第一目光特征轨迹进行匹配，获取所述目光移动轨迹中所述第一目光特征轨迹出现的第一次数；
将所述目光移动轨迹与第二目光特征轨迹进行匹配，获取所述目光移动轨迹中所述第二目光特征轨迹出现的第二次数；
根据所述第一次数与所述第二次数确定目光移动轨迹中欺诈目光特征轨迹出现的次数。
进一步地，所述根据所述欺诈目光特征轨迹出现的次数确定目光风险，包括：
获取所述第一目光特征轨迹与第二目光特征轨迹的级联关系；
根据所述第一次数、所述第二次数及所述级联关系确定目光风险。
进一步地，所述将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数，包括：
提取所述目标移动轨迹中的子轨迹；
判断所述子轨迹与预定义的欺诈目光特征轨迹是否匹配，若是，记录所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数增加一次。
进一步地，，所述提取所述目标移动轨迹中的子轨迹，包括：
从所述目标帧中选取一帧作为第一帧；
获取所述第一帧中的第一目光点坐标；
根据目标帧的顺序选取排序在所述第一帧的后的第二帧，获取所述第二帧中的第二目光点坐标；
根据所述第一目光点坐标与所述第二目光点坐标生成目标移动轨迹中的子轨迹。
进一步地，所述判断所述子轨迹与预定义的欺诈目光特征轨迹是否匹配，包括：
计算所述子轨迹与预定义的欺诈目光特征轨迹的曼哈顿距离；
若所述曼哈顿距离小于预设阈值，判定所述子轨迹与预定义的欺诈目光特征轨迹相匹配。
进一步地，所述从所述视频数据中提取连续的预设数量的目标帧之后，包括：
将所述目标帧分配至对应的资源处理器，以通过所述资源处理器处理所述目标帧。
本申请还提供一种目光数据的风险识别的装置，包括：
数据获取模块，用于获取视频数据；
数据提取模块，用于从所述视频数据中提取连续的预设数量的目标帧；
轨迹生成模块，用于识别所述目标帧中的目光点坐标，按照所述目标帧的顺序将所述目光点坐标进行组合，生成目光移动轨迹；
轨迹匹配模块，用于将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数；
风险识别模块，用于根据所述欺诈目光特征轨迹出现的次数确定目光风险。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述目光数据的风险识别的方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述目光数据的风险识别的方法的步骤。
本申请例提供了一种基于目光数据的识别是否出现欺诈风险的方法，首先获取视频数据，从所述视频数据中提取连续的预设数量的目标帧，然后按照所述目标帧的顺序依次识别所述目标帧中的目光点坐标直至完成所有目标帧的目光点坐标的识别，然后按照所述目标帧的顺序将所述目光点坐标进行组合，基于所述目标帧的顺序依次连接相应的目光点坐标，生成目光移动轨迹，将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，判断所述目光移动轨迹中是否包含所述欺诈目光特征轨迹，并且统计所述目光移动轨迹中出现的欺诈目光特征轨迹的次数，当出现欺诈目光特征轨迹的次数高于风险阈值时，确定所述目光存在欺诈风险，从而根据所述欺诈目光特征轨迹出现的次数确定目光风险，提高欺诈风险识别的时效以及欺诈风险的识别效率。
附图说明
图1为本申请目光数据的风险识别的方法的一实施例流程示意图；
图2为本申请目光数据的风险识别的装置的一实施例结构示意图；
图3为本申请计算机设备的一实施例结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
参照图1，本申请实施例提供一种目光数据的风险识别的方法，包括步骤S10-S50，对于所述目光数据的风险识别的方法的各个步骤的详细阐述如下。
S10、获取视频数据。
本实施例应用于人工智能识别视频数据中的目光风险识别场景中，尤其是反欺诈风险场景中，通过人工智能的生物识别方法识别目光数据，识别目光数据是否存在欺诈风险，例如在金融领域的大额转账场景，申请贷款场景等场景下，需要高度关注用户是否存在欺诈风险。首先获取视频数据，例如在远程办理申请贷款时，需要录制视频以进行审核、备案，从而获取所述视频数据，并且基于所述视频数据实时进行目光数据的风险识别。
S20、从所述视频数据中提取连续的预设数量的目标帧。
本实施例中，在实时地获取视频数据后，从所述视频数据中提取连续的预设数量的目标帧，即每次提取预设数量的帧作为目标帧进行目光数据的风险识别，避免同时处理大量的视频帧而导致资源占用率过高。
S30、识别所述目标帧中的目光点坐标，按照所述目标帧的顺序将所述目光点坐标进行组合，生成目光移动轨迹。
本实施例中，在从所述视频数据中提取连续的预设数量的目标帧后，识别所述目标帧中的目光点坐标，在一种实施方式中，识别所述目标帧中的眼球中心的第一点定位和虹膜中心的第二点定位，根据所述第一点定位与第二点定位确定视线的目标，将所述视线的目标映射到预设面积的范围内，从而得到目光点坐标，依照上述方式并且按照所述目标帧的顺序依次识别目标帧中的目光点坐标，完成所有目标帧的目光点坐标的识别，然后按照所述目标帧的顺序将所述目光点坐标进行组合，基于所述目标帧的顺序依次连接相应的目光点坐标，生成目光移动轨迹。
S40、将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数。
本实施例中，在生成目光移动轨迹之后，将所述目光移动轨迹与欺诈目光特征轨迹进行匹配，通过大数据收集产生欺诈行为时的目光轨迹，提取产生欺诈行为时的目光轨迹的特征，例如，通过大数据进行统计分类，确定当产生欺诈行为时目光轨迹为“I、V、N、W”型，将“I、V、N、W”型的目光轨迹配置为产生欺诈行为时的目光轨迹，将其定义为欺诈目光特征轨迹，并配置为预定义的欺诈目光特征轨迹，然后将所述目光移动轨迹与欺诈目光特征轨迹进行匹配，判断所述目光移动轨迹中是否包含所述欺诈目光特征轨迹，并且统计所述目光移动轨迹中包含所述欺诈目光特征轨迹的次数。
S50、根据所述欺诈目光特征轨迹出现的次数确定目光风险。
本实施例中，在将所述目光移动轨迹与欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数之后，即可确定所述视频数据中出现欺诈目光特征轨迹的次数，当出现欺诈目光特征轨迹的次数越高时，风险越高，在一种实施方式中，当出现欺诈目光特征轨迹的次数高于风险阈值时，确定所述目光存在欺诈风险，从而根据所述欺诈目光特征轨迹出现的次数确定目光风险。
本实施例提供一种基于目光数据的识别是否出现欺诈风险的方法，首先获取视频数据，从所述视频数据中提取连续的预设数量的目标帧，然后按照所述目标帧的顺序依次识别所述目标帧中的目光点坐标直至完成所有目标帧的目光点坐标的识别，然后按照所述目标帧的顺序将所述目光点坐标进行组合，基于所述目标帧的顺序依次连接相应的目光点坐标，生成目光移动轨迹，将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，判断所述目光移动轨迹中是否包含所述欺诈目光特征轨迹，并且统计所述目光移动轨迹中出现所述欺诈目光特征轨迹的次数，当出现欺诈目光特征轨迹的次数高于风险阈值时，确定所述目光存在欺诈风险，从而根据所述欺诈目光特征轨迹出现的次数确定目光风险，提高欺诈风险识别的时效以及欺诈风险的识别效率。
在一个实施例中，所述预定义的欺诈目光特征轨迹包括第一目光特征轨迹与第二目光特征轨迹；所述将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数，包括：
将所述目光移动轨迹与第一目光特征轨迹进行匹配，获取所述目光移动轨迹中所述第一目光特征轨迹出现的第一次数；
将所述目光移动轨迹与第二目光特征轨迹进行匹配，获取所述目光移动轨迹中所述第二目光特征轨迹出现的第二次数；
根据所述第一次数与所述第二次数确定目光移动轨迹中欺诈目光特征轨迹出现的次数。
本实施例中，所述欺诈目光特征轨迹包括第一目光特征轨迹与第二目光特征轨迹，在将所述目光移动轨迹与欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数的过程中，通过配置若各个欺诈目光特征轨迹，将不同的欺诈目光特征轨迹定义为第一目光特征轨迹与第二目光特征轨迹，然后将所述目光移动轨迹与第一目光特征轨迹进行匹配，获取所述目光移动轨迹中所述第一目光特征轨迹出现的第一次数，再将所述目光移动轨迹与第二目光特征轨迹进行匹配，获取所述目光移动轨迹中所述第二目光特征轨迹出现的第二次数，然后根据所述第一次数与所述第二次数确定目光移动轨迹中欺诈目光特征轨迹出现的次数，从而通过统计不同欺诈目光特征轨迹准确识别目光风险。
在一个实施例中，所述根据所述欺诈目光特征轨迹出现的次数确定目光风险，包括：
获取所述第一目光特征轨迹与第二目光特征轨迹的级联关系；
根据所述第一次数、所述第二次数及所述级联关系确定目光风险。
本实施例中，在根据所述第一次数与所述第二次数确定目光移动轨迹中欺诈目光特征轨迹出现的次数之后，获取所述第一目光特征轨迹与第二目光特征轨迹的级联关系；所述级联关系表征所述第一目光特征轨迹与第二目光特征轨迹的正负影响关系，例如第一目光特征轨迹A与第二目光特征轨迹B为正向影响关系，然后根据所述第一次数、所述第二次数及所述级联关系确定目光风险，当出现第一目光特征轨迹A的次数以及出现第二目光特征轨迹B时的次数均高于预设值时，根据所述第一次数、所述第二次数及所述级联关系更加准确地确定目光风险。将所述第一目光特征轨迹与第二目光特征轨迹配置为弱特征分类器，再将多个的弱特征分类器进行加权级联，得到强分类器，从而提高从目光识别欺诈风险的准确率。
在一个实施例中，所述将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数，包括：
提取所述目标移动轨迹中的子轨迹；
判断所述子轨迹与预定义的欺诈目光特征轨迹是否匹配，若是，记录所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数增加一次。
本实施例中，在将所述目光移动轨迹与欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数的过程中，提取所述目标移动轨迹中的子轨迹，所述目光移动轨迹由多段子轨迹组合而成，将所述目光移动轨迹分解成多段子轨迹的组合，然后提取所述目标移动轨迹中的子轨迹，再判断所述子轨迹与欺诈目光特征轨迹是否匹配，若是，记录所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数增加一次，准确地统计欺诈目光特征轨迹出现的次数。
在一个实施例中，所述提取所述目标移动轨迹中的子轨迹，包括：
从所述目标帧中选取一帧作为第一帧；
获取所述第一帧中的第一目光点坐标；
根据目标帧的顺序选取排序在所述第一帧的后的第二帧，获取所述第二帧中的第二目光点坐标；
根据所述第一目光点坐标与所述第二目光点坐标生成目标移动轨迹中的子轨迹。
本实施例中，在提取所述目标移动轨迹中的子轨迹的过程中，从所述目标帧中选取一帧作为第一帧，例如所述目标帧有100帧，提取序号为1的帧作为第一帧，然后获取所述第一帧中的第一目光点坐标，再根据目标帧的顺序选取排序在所述第一帧的后的第二帧，获取所述第二帧中的第二目光点坐标，所述第二帧的数量为至少一个，然后根据所述第一目光点坐标与所述第二目光点坐标生成目标移动轨迹中的子轨迹，当所述第二帧的数量为1个时，子轨迹便由2个坐标点组成，当所述第二帧的数量为2个时，子轨迹便由3个坐标点组成，从而快速地提取目标移动轨迹中的子轨迹。
在一个实施例中，所述判断所述子轨迹与预定义的欺诈目光特征轨迹是否匹配，包括：
计算所述子轨迹与预定义的欺诈目光特征轨迹的曼哈顿距离；
若所述曼哈顿距离小于预设阈值，判定所述子轨迹与预定义的欺诈目光特征轨迹相匹配。
本实施例中，在判断所述子轨迹与欺诈目光特征轨迹是否匹配的过程中，计算所述子轨迹与所述欺诈目光特征轨迹的曼哈顿距离，若所述曼哈顿距离小于预设阈值，判定所述子轨迹与欺诈目光特征轨迹相匹配，从而快速地判断子轨迹与欺诈目光特征轨迹，并且，当需要提高判断精度时，降低所述预设阈值的值，便可减少子轨迹与欺诈目光特征轨迹相匹配的数量，从而更加准确地筛选出与欺诈目光特征轨迹的子轨迹，提高目光风险的识别准确度。
在一个实施例中，所述从所述视频数据中提取连续的预设数量的目标帧之后，包括：
将所述目标帧分配至对应的资源处理器，以通过所述资源处理器处理所述目标帧。
本实施例中，所述视频数据为实时数据，在从所述视频数据中提取连续的预设数量的目标帧之后，仅仅提取了所述实时数据中的一部分数据进行分析，此时将所述目标帧分配至对应的资源处理器，以通过所述资源处理器处理所述目标帧，同时，再将后续从所述视频数据中提取连续的预设数量的目标帧分配至另一个资源处理器，以通过所述资源处理器处理所述目标帧，例如实时视频数据的前100帧分配至资源处理器Z1，实时视频数据的第101-200帧分配至资源处理器Z2，从而合理地分配资源，提高资源的利用率。
参照图2，本申请还提供一种目光数据的风险识别的装置，包括：
数据获取模块10，用于获取视频数据；
数据提取模块20，用于从所述视频数据中提取连续的预设数量的目标帧；
轨迹生成模块30，用于识别所述目标帧中的目光点坐标，按照所述目标帧的顺序将所述目光点坐标进行组合，生成目光移动轨迹；
轨迹匹配模块40，用于将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数；
风险识别模块50，用于根据所述欺诈目光特征轨迹出现的次数确定目光风险。
如上所述，可以理解地，本申请中提出的所述目光数据的风险识别的装置的各组成部分可以实现如上所述目光数据的风险识别的方法任一项的功能。
在一个实施例中，所述欺诈目光特征轨迹包括第一目光特征轨迹与第二目光特征轨迹；所述轨迹匹配模块40还包括次数统计单元，用于执行：
将所述目光移动轨迹与第一目光特征轨迹进行匹配，获取所述目光移动轨迹中所述第一目光特征轨迹出现的第一次数；
将所述目光移动轨迹与第二目光特征轨迹进行匹配，获取所述目光移动轨迹中所述第二目光特征轨迹出现的第二次数；
根据所述第一次数与所述第二次数确定目光移动轨迹中欺诈目光特征轨迹出现的次数。
在一个实施例中，所述风险识别模块50还包括级联单元，用于执行：
获取所述第一目光特征轨迹与第二目光特征轨迹的级联关系；
根据所述第一次数、所述第二次数及所述级联关系确定目光风险。
在一个实施例中，所述轨迹匹配模块40还包括子轨迹单元，用于执行：
提取所述目标移动轨迹中的子轨迹；
判断所述子轨迹与预定义的欺诈目光特征轨迹是否匹配，若是，记录所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数增加一次。
在一个实施例中，所述子轨迹单元还包括坐标单元，用于执行：
从所述目标帧中选取一帧作为第一帧；
获取所述第一帧中的第一目光点坐标；
根据目标帧的顺序选取排序在所述第一帧的后的第二帧，获取所述第二帧中的第二目光点坐标；
根据所述第一目光点坐标与所述第二目光点坐标生成目标移动轨迹中的子轨迹。
在一个实施例中，所述子轨迹单元还包括距离单元，用于执行：
计算所述子轨迹与预定义的欺诈目光特征轨迹的曼哈顿距离；
若所述曼哈顿距离小于预设阈值，判定所述子轨迹与预定义的欺诈目光特征轨迹相匹配。
在一个实施例中，所述装置还包括资源分配模块，用于执行：
将所述目标帧分配至对应的资源处理器，以通过所述资源处理器处理所述目标帧。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是移动终端，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和显示装置及输入装置。其中，该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的输入装置用于接收用户的输入。该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质。该存储介质存储有操作系统、计算机程序和数据库。该计算机设备的数据库用于存放数据。该计算机程序被处理器执行时以实现一种目光数据的风险识别的方法。
上述处理器执行上述的目光数据的风险识别的方法，包括：获取视频数据；从所述视频数据中提取连续的预设数量的目标帧；识别所述目标帧中的目光点坐标，按照所述目标帧的顺序将所述目光点坐标进行组合，生成目光移动轨迹；将所述目光移动轨迹与欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数；根据所述欺诈目光特征轨迹出现的次数确定目光风险。
所述计算机设备提供了一种基于目光数据的识别是否出现欺诈风险的方法，首先获取视频数据，从所述视频数据中提取连续的预设数量的目标帧，然后按照所述目标帧的顺序依次识别所述目标帧中的目光点坐标直至完成所有目标帧的目光点坐标的识别，然后按照所述目标帧的顺序将所述目光点坐标进行组合，基于所述目标帧的顺序依次连接相应的目光点坐标，生成目光移动轨迹，将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，判断所述目光移动轨迹中是否包含所述欺诈目光特征轨迹，并且统计所述目光移动轨迹中包含所述欺诈目光特征轨迹的次数，当出现欺诈目光特征轨迹的次数高于风险阈值时，确定所述目光存在欺诈风险，从而根据所述欺诈目光特征轨迹出现的次数确定目光风险，提高欺诈风险识别的时效以及欺诈风险的识别效率。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时实现一种目光数据的风险识别的方法，包括步骤：获取视频数据；从所述视频数据中提取连续的预设数量的目标帧；识别所述目标帧中的目光点坐标，按照所述目标帧的顺序将所述目光点坐标进行组合，生成目光移动轨迹；将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数；根据所述欺诈目光特征轨迹出现的次数确定目光风险。
所述计算机可读存储介质提供了一种基于目光数据的识别是否出现欺诈风险的方法，首先获取视频数据，从所述视频数据中提取连续的预设数量的目标帧，然后按照所述目标帧的顺序依次识别所述目标帧中的目光点坐标直至完成所有目标帧的目光点坐标的识别，然后按照所述目标帧的顺序将所述目光点坐标进行组合，基于所述目标帧的顺序依次连接相应的目光点坐标，生成目光移动轨迹，将所述目光移动轨迹与欺诈目光特征轨迹进行匹配，判断所述目光移动轨迹中是否包含所述欺诈目光特征轨迹，并且统计所述目光移动轨迹中包含所述欺诈目光特征轨迹的次数，当出现欺诈目光特征轨迹的次数高于风险阈值时，确定所述目光存在欺诈风险，从而根据所述欺诈目光特征轨迹出现的次数确定目光风险，提高欺诈风险识别的时效以及欺诈风险的识别效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围。
凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种目光数据的风险识别的方法，其特征在于，包括：
获取视频数据；
从所述视频数据中提取连续的预设数量的目标帧；
识别所述目标帧中的目光点坐标，按照所述目标帧的顺序将所述目光点坐标进行组合，生成目光移动轨迹；
将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数；所述预定义的欺诈目光特征轨迹包括第一目光特征轨迹与第二目光特征轨迹；将所述目光移动轨迹与第一目光特征轨迹进行匹配，获取所述目光移动轨迹中所述第一目光特征轨迹出现的第一次数；将所述目光移动轨迹与第二目光特征轨迹进行匹配，获取所述目光移动轨迹中所述第二目光特征轨迹出现的第二次数；根据所述第一次数与所述第二次数确定目光移动轨迹中欺诈目光特征轨迹出现的次数；
根据所述欺诈目光特征轨迹出现的次数确定目光风险，获取所述第一目光特征轨迹与第二目光特征轨迹的级联关系；根据所述第一次数、所述第二次数及所述级联关系确定目光风险。
2.根据权利要求1所述的目光数据的风险识别的方法，其特征在于，所述将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数，包括：
提取所述目光移动轨迹中的子轨迹；
判断所述子轨迹与预定义的欺诈目光特征轨迹是否匹配，若是，记录所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数增加一次。
3.根据权利要求2所述的目光数据的风险识别的方法，其特征在于，所述提取所述目光移动轨迹中的子轨迹，包括：
从所述目标帧中选取一帧作为第一帧；
获取所述第一帧中的第一目光点坐标；
根据目标帧的顺序选取排序在所述第一帧的后的第二帧，获取所述第二帧中的第二目光点坐标；
根据所述第一目光点坐标与所述第二目光点坐标生成目标移动轨迹中的子轨迹。
4.根据权利要求2所述的目光数据的风险识别的方法，其特征在于，所述判断所述子轨迹与预定义的欺诈目光特征轨迹是否匹配，包括：
计算所述子轨迹与预定义的欺诈目光特征轨迹的曼哈顿距离；
若所述曼哈顿距离小于预设阈值，判定所述子轨迹与预定义的欺诈目光特征轨迹相匹配。
5.根据权利要求1所述的目光数据的风险识别的方法，其特征在于，所述从所述视频数据中提取连续的预设数量的目标帧之后，包括：
将所述目标帧分配至对应的资源处理器，以通过所述资源处理器处理所述目标帧。
6.一种目光数据的风险识别的装置，用于实现权利要求1-5任一所述的目光数据的风险识别的方法；其特征在于，包括：
数据获取模块，用于获取视频数据；
数据提取模块，用于从所述视频数据中提取连续的预设数量的目标帧；
轨迹生成模块，用于识别所述目标帧中的目光点坐标，按照所述目标帧的顺序将所述目光点坐标进行组合，生成目光移动轨迹；
轨迹匹配模块，用于将所述目光移动轨迹与预定义的欺诈目光特征轨迹进行匹配，获取所述目光移动轨迹中所述欺诈目光特征轨迹出现的次数；
风险识别模块，用于根据所述欺诈目光特征轨迹出现的次数确定目光风险。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述目光数据的风险识别的方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述目光数据的风险识别的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111052156.0A CN113743335B (zh) | 2021-09-08 | 2021-09-08 | 目光数据的风险识别的方法、装置、计算机及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111052156.0A CN113743335B (zh) | 2021-09-08 | 2021-09-08 | 目光数据的风险识别的方法、装置、计算机及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113743335A CN113743335A (zh) | 2021-12-03 |
| CN113743335B true CN113743335B (zh) | 2024-03-22 |
Family
ID=78737301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111052156.0A Active CN113743335B (zh) | 2021-09-08 | 2021-09-08 | 目光数据的风险识别的方法、装置、计算机及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113743335B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389489A (zh) * | 2018-09-25 | 2019-02-26 | 平安科技（深圳）有限公司 | 欺诈行为的识别方法、计算机可读存储介质及终端设备 |
| 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 |
| CN111861240A (zh) * | 2020-07-27 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 可疑用户识别方法、装置、设备及可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11062136B2 (en) * | 2019-07-02 | 2021-07-13 | Easy Solutions Enterprises Corp. | Pupil or iris tracking for liveness detection in authentication processes |
-
2021
- 2021-09-08 CN CN202111052156.0A patent/CN113743335B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389489A (zh) * | 2018-09-25 | 2019-02-26 | 平安科技（深圳）有限公司 | 欺诈行为的识别方法、计算机可读存储介质及终端设备 |
| 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 |
| CN111861240A (zh) * | 2020-07-27 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 可疑用户识别方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113743335A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10402627B2 (en) | Method and apparatus for determining identity identifier of face in face image, and terminal | |
| CN109934197B (zh) | 人脸识别模型的训练方法、装置和计算机可读存储介质 | |
| CN111368758B (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
| CN111626371B (zh) | 一种图像分类方法、装置、设备及可读存储介质 | |
| CN109886951A (zh) | 视频处理方法、装置及电子设备 | |
| CN109426785B (zh) | 一种人体目标身份识别方法及装置 | |
| CN111626123A (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
| CN110263680B (zh) | 图像处理方法、装置和系统及存储介质 | |
| CN110175553B (zh) | 基于步态识别与人脸识别建立特征库的方法及装置 | |
| CN111191506A (zh) | 人员流量统计方法、装置、计算机设备和存储介质 | |
| CN111488847B (zh) | 体育比赛视频进球片段获取系统及方法、终端 | |
| CN110675252A (zh) | 风险评估方法、装置、电子设备及存储介质 | |
| CN116091781A (zh) | 一种用于图像识别的数据处理方法及装置 | |
| CN115690545B (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
| CN111950507B (zh) | 数据处理和模型训练方法、装置、设备及介质 | |
| CN110837783A (zh) | 智慧社区中外来可疑人物自动警告方法、设备及存储介质 | |
| CN113743335B (zh) | 目光数据的风险识别的方法、装置、计算机及介质 | |
| CN113516082A (zh) | 安全帽的检测方法、装置、计算机设备及存储介质 | |
| CN112132011A (zh) | 一种面部识别方法、装置、设备及存储介质 | |
| CN110472656B (zh) | 车辆图像分类方法、装置、计算机设备及存储介质 | |
| CN110705509A (zh) | 人脸方向识别方法、装置、计算机设备和存储介质 | |
| CN109587248A (zh) | 用户识别方法、装置、服务器及存储介质 | |
| CN113158953B (zh) | 一种人员查找方法、装置、设备及介质 | |
| CN110751034B (zh) | 行人行为识别方法及终端设备 | |
| CN114220045A (zh) | 对象识别方法、装置及计算机可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |