CN113989857A - 一种基于深度学习的人像照片内容解析方法及系统 - Google Patents

一种基于深度学习的人像照片内容解析方法及系统 Download PDF

Info

Publication number
CN113989857A
CN113989857A CN202111606963.2A CN202111606963A CN113989857A CN 113989857 A CN113989857 A CN 113989857A CN 202111606963 A CN202111606963 A CN 202111606963A CN 113989857 A CN113989857 A CN 113989857A
Authority
CN
China
Prior art keywords
portrait
picture
human body
probability value
deep learning
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
Application number
CN202111606963.2A
Other languages
English (en)
Other versions
CN113989857B (zh
Inventor
陈思成
李开宇
王瑞成
王博
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.)
Sichuan XW Bank Co Ltd
Original Assignee
Sichuan XW Bank 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 Sichuan XW Bank Co Ltd filed Critical Sichuan XW Bank Co Ltd
Priority to CN202111606963.2A priority Critical patent/CN113989857B/zh
Publication of CN113989857A publication Critical patent/CN113989857A/zh
Application granted granted Critical
Publication of CN113989857B publication Critical patent/CN113989857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • 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
    • 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
    • G06Q20/4014—Identity check for transactions
    • G06Q20/40145—Biometric identity checks
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Technology Law (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的人像照片内容解析方法及系统，包括以下步骤：基于人像分割模型获取待解析人像图片中的背景图片和至少一张人像图片；基于2分类模型获取所述背景图片中每一类环境特征的概率值以及所述人像图片中每一类人体特征的概率值；基于单目标检测模型获取所述人像图片中每一类细粒度物体的概率值。本发明的目的在于提供一种基于深度学习的人像照片内容解析方法及系统，以解决现有技术中人像照片中背景环境特征和物体特征无法同时提取的问题以及内容识别模型训练所需样本数量较大，标注成本投入较高，训练环境资源要求较高的问题。

Description

一种基于深度学习的人像照片内容解析方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的人像照片内容解析方法及系统。
背景技术
银行线上信贷业务的审批流程中，借款人影像资料的审核，由于需要人工介入查看照片内容，一直都是实现完全自动化审核的主要障碍。
随着图像处理技术的兴起，借款人影像资料的审核由人工审核逐渐演变成由图像识别自动审核，现有的图像识别自动审核中，照片内容分析方法主要有如下两种：
（1）利用深度学习图像分类算法，训练一个基于环境信息和图像中所包含物体的多分类模型，类似ImageNet分类任务，识别预测图片中的场所环境和物体；
（2）利用深度学习目标检测算法，训练一个小目标检测模型，检测照片中出现的各个物体的种类及对应位置信息。
上述照片内容分析方法具有以下缺点：
1）利用多分类模型来识别图像内容，每次预测只能识别一类场景或者物体，无法同时识别出人像图片中的环境信息和目标物体，并且分类模型对于图片中的小物体（物体占图像整体的很小一部分）识别效果较差；
2）利用多目标检测模型来识别并定位图像中的目标物体，虽然可以同时识别出多个细粒度目标，但是无法提取人像拍摄环境信息，并且训练一个多目标检测模型需要海量的标注数据，以及较高配置的模型训练硬件资源，对于中小企业来说是一笔巨大的投入；
3）存在扩展性和灵活性较差的问题，针对已有的图像分类模型或者多目标检测模型，如果要新增识别的目标场景或者目标物体，需要对样本进行重新标注，对模型重新进行训练。同时如果分类模型或者检测模型针对某一特定物体识别效果较差需要进行调优时，也需要对模型进行整体重新优化，无法做到对训练参数或者训练样本的调整只影响单一类别的预测精度。
发明内容
本发明的目的在于提供一种基于深度学习的人像照片内容解析方法及系统，以解决上述技术问题。
本发明通过下述技术方案实现：
在本申请的第一个方面中，本申请提供了一种基于深度学习的人像照片内容解析方法，包括以下步骤：
基于人像分割模型获取待解析人像图片中的背景图片和至少一张人像图片；
基于2分类模型获取所述背景图片中每一类环境特征的概率值以及所述人像图片中每一类人体特征的概率值；
基于单目标检测模型获取所述人像图片中每一类细粒度物体的概率值。
优选地，所述基于人像分割模型获取待解析人像图片中的背景图片和至少一张人像图片包括以下步骤：
基于所述人像分割模型获取所述待解析人像图片中所有人的人体像素对应坐标位置；
根据所述人体像素对应坐标位置从所述待解析人像图片中提取所述人体像素，得到所述人像图片；
用黑色像素替换所述待解析人像图片中的所述人体像素对应坐标位置的像素，得到所述背景图片。
优选地，所述人像图片中仅有一张人像。
优选地，所述背景图片和/或所述人像图片并行送入所述2分类模型中。
在本申请的第二个方面中，本申请提供了一种基于深度学习的人像照片内容解析系统，包括：
人像分割模块，内置人像分割模型，用于获取待解析人像图片中的背景图片和至少一张人像图片；
特征提取单元，内置2分类模型，用于获取所述背景图片中每一类环境特征的概率值以及所述人像图片中每一类人体特征的概率值；
细粒度物体提取单元，内置单目标检测模型，用于获取所述人像图片中每一类细粒度物体的概率值。
优选地，所述人像分割模块包括：
获取单元，用于获取所述待解析人像图片中所有人的人体像素对应坐标位置；
提取单元，用于根据所述人体像素对应坐标位置从所述待解析人像图片中提取所述人体像素，得到所述人像图片；
替换单元，用于用黑色像素替换所述待解析人像图片中的所述人体像素对应坐标位置的像素，得到所述背景图片。
优选地，所述人像图片中仅有一张人像。
优选地，所述背景图片和/或所述人像图片并行送入所述2分类模型中。
在本申请的第三个方面中，本申请提供了一种用于借款人影像资料自动审核的方法，包括以下步骤：
根据如上所述的一种基于深度学习的人像照片内容解析方法获取借款人影像资料中的环境特征、环境特征概率值、人体特征、人体特征概率值、细粒度物体、以及细粒度物体概率值；
根据预设格式对所述环境特征、所述环境特征概率值、所述人体特征、所述人体特征概率值、所述细粒度物体以及所述细粒度物体概率值进行封装，得到封装列表；
根据所述封装列表识别所述借款人的借款风险。
在本申请的第四个方面中，本申请提供了一种用于借款人影像资料自动审核的系统，包括：
解析模块，用于根据如上所述的一种基于深度学习的人像照片内容解析方法获取借款人影像资料中的环境特征、环境特征概率值、人体特征、人体特征概率值、细粒度物体、以及细粒度物体概率值；
封装模块，用于根据预设格式对所述环境特征、所述环境特征概率值、所述人体特征、所述人体特征概率值、所述细粒度物体以及所述细粒度物体概率值进行封装，得到封装列表；
审核模块，用于根据所述封装列表识别所述借款人的借款风险。
本发明与现有技术相比，具有如下的优点和有益效果：
利用图像分割技术将待解析人像图片中的背景和人像进行分隔，从而可同时提取背景图片和人像图片中的特征，有效的提升了解析效率；同时在解析背景图片和人像图片中的特征时，将复杂的图像内容理解任务简化为对指定的所关注特征的2分类检测任务或单目标检测任务，降低了样本标注成本和模型训练难度，同时对所关注特征的预测准确率也得到提升；当要新增提取人像特征和/或环境特征时，只需要根据新增的人像特征类型和/或环境特征类型，训练对应的2分类模型或者单目标检测模型即可，无需对已有模型做任何改动；同时当需要优化特定特征模型时，只需要对该模型进行重新训练即可，而不会影响到其他模型，实现了模型之间的低耦合。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例提供了一种基于深度学习的人像照片内容解析方法，如图1所示，包括以下步骤：
基于人像分割模型获取待解析人像图片中的背景图片和至少一张人像图片；
具体地，包括：
（1）利用DeepLabv3语义分割算法，在自建的人像分割数据集上训练一个人像分割模型；其中，DeepLabv3语义分割算法为常见的分割算法，利用其进行人像分割模型训练为现有技术，本申请不涉及对其的改进，因此不对其具体的训练过程进行说明。
（2）将待解析人像图片送入训练好的人像分割模型中进行分割，得到待解析人像图片中所有人的人体轮廓及人体轮廓所覆盖的人体像素对应的坐标位置；
（3）拷贝一份原始的待解析人像图片，将（2）中得到的所有人的人体部分对应的像素修改为黑色，即像素值修改为RGB(0,0,0)，得到背景图片；
（4）根据（2）得到的所有人的人体部分坐标，将原始的待解析人像图片的人体复制出来，得到人像图片。其中，为便于后续的人体特征识别以及细粒度物体识别，作为优选地，在获取人像图片时，将每一个人单独复制出来，得到N张只包含人体的单人照片。
基于2分类模型获取背景图片中每一类环境特征的概率值以及人像图片中每一类人体特征的概率值；
具体地，包括：
构建环境特征2分类模型
从自建人像图片数据集中，针对每一类环境特征，如厂房、农田、办公室、会议室以及商场等，对图片按照该环境特征是否出现标注为环境正样本集（该环境特征出现）和环境负样本集（无该环境特征）2类；
用国产深度学习训练平台PaddlePaddle，选择ResNet50算法作为骨干网络结构，使用构建的正样本集和负样本集对每一个环境特征训练一个对应的环境特征2分类模型。
获取环境特征概率值
将获取的背景图片多线程并行送入构建的环境2分类模型中进行预测；
当所有环境特征2分类模型预测完毕，得到每一类环境特征对应的概率值。
构建人体特征2分类模型
从自建人像图片数据集中，针对每一类人体特征，如性别和是否穿衣等对图片按照特征属性标注为人体正样本集（男性或着上衣等）和人体负样本集（女性或未着上衣等）2类；
利用国产深度学习训练平台PaddlePaddle，选择ResNet50算法作为分类骨干网络结构，使用构建的人体正样本集和人体负样本集，对每一类人体特征训练一个对应的人体特征2分类模型。
获取人体特征概率值
将获取的人像图片多线程并行送入构建的人体特征2分类模型执行预测；
当所有人体特征2分类模型预测完毕，得到每一类人体特征的概率值。
基于单目标检测模型获取人像图片中每一类细粒度物体的概率值；
具体地，包括：
构建细粒度目标检测模型
从自建人像照片数据集中，分别为每一类细粒度特征，如项链、领带、戒指、手镯以及香烟等标注目标位置数据集；
利用国产深度学习训练平台PaddlePaddle，采用YoloV5算法，使用目标位置数据集为每一类细粒度特征训练一个细粒度目标检测模型；
获取细粒度物体概率值
将获取的人像图片多线程并行送入细粒度目标检测模型执行预测；
当所有细粒度目标检测模型预测完毕后，得到人像图片中每一类小目标是否出现以及出现的概率（若未检测到指定小目标，则该目标特征概率为0）。
在本方案中，利用图像分割技术将待解析人像图片中的背景和人像进行分隔，从而可同时提取背景图片和人像图片中的特征，有效的提升了解析效率；同时在解析背景图片和人像图片中的特征时，将复杂的图像内容理解任务简化为对指定的所关注特征的2分类检测任务或单目标检测任务，降低了样本标注成本和模型训练难度，同时对所关注特征的预测准确率也得到提升；当要新增提取人像特征和/或环境特征时，只需要根据新增的人像特征类型和/或环境特征类型，训练对应的2分类模型或者单目标检测模型即可，无需对已有模型做任何改动；同时当需要优化特定特征模型时，只需要对该模型进行重新训练即可，而不会影响到其他模型，实现了模型之间的低耦合。此外，多个简单模型在不同的线程中并行计算，极大的降低了解析时长，提升了解析效率。
实施例2
本实施例提供了一种基于深度学习的人像照片内容解析系统，包括：
人像分割模块，内置人像分割模型，用于获取待解析人像图片中的背景图片和至少一张人像图片；本实施例中的人像分割模型是由DeepLabv3语义分割算法，在自建的人像分割数据集上训练的一个人像分割模型；其中，DeepLabv3语义分割算法为常见的分割算法，利用其进行人像分割模型训练为现有技术，本申请不涉及对其的改进，因此不对其具体的训练过程进行说明。具体地，本实施例中的人像分割模块包括：
获取单元，用于获取待解析人像图片中所有人的人体像素对应坐标位置；
提取单元，用于根据人体像素对应坐标位置从待解析人像图片中提取人体像素，得到人像图片；其中，为便于后续的人体特征识别以及细粒度物体识别，作为优选地，在获取人像图片时，将每一个人单独复制出来，得到N张只包含人体的单人照片。
替换单元，用于用黑色像素替换待解析人像图片中的人体像素对应坐标位置的像素，得到背景图片。
特征提取单元，内置2分类模型，用于获取背景图片中每一类环境特征的概率值以及人像图片中每一类人体特征的概率值；
具体地，本实施例中的2分类模型包括预先构造的环境特征2分类模型和人体特征2分类模型。
其中，环境特征2分类模型的构造过程为：
从自建人像图片数据集中，针对每一类环境特征，如厂房、农田、办公室、会议室以及商场等，对图片按照该环境特征是否出现标注为环境正样本集（该环境特征出现）和环境负样本集（无该环境特征）2类；
用国产深度学习训练平台PaddlePaddle，选择ResNet50算法作为骨干网络结构，使用构建的正样本集和负样本集对每一个环境特征训练一个对应的环境特征2分类模型。
人体特征2分类模型的构造过程为：
从自建人像图片数据集中，针对每一类人体特征，如性别和是否穿衣等对图片按照特征属性标注为人体正样本集（男性或着上衣等）和人体负样本集（女性或未着上衣等）2类；
利用国产深度学习训练平台PaddlePaddle，选择ResNet50算法作为分类骨干网络结构，使用构建的人体正样本集和人体负样本集，对每一类人体特征训练一个对应的人体特征2分类模型。
细粒度物体提取单元，内置单目标检测模型，用于获取人像图片中每一类细粒度物体的概率值。本实施例中的单目标检测模型为细粒度目标检测模型，其构建过程为：
从自建人像照片数据集中，分别为每一类细粒度特征，如项链、领带、戒指、手镯以及香烟等标注目标位置数据集；
利用国产深度学习训练平台PaddlePaddle，采用YoloV5算法，使用目标位置数据集为每一类细粒度特征训练一个细粒度目标检测模型。
进一步地，为提升解析内容的效率，背景图片并行送入环境特征2分类模型中，人像图片并行送入环境特征2分类模型和单目标检测模型中，同时进行特征提取。
在本方案中，利用图像分割技术将待解析人像图片中的背景和人像进行分隔，从而可同时提取背景图片和人像图片中的特征，有效的提升了解析效率；同时在解析背景图片和人像图片中的特征时，将复杂的图像内容理解任务简化为对指定的所关注特征的2分类检测任务或单目标检测任务，降低了样本标注成本和模型训练难度，同时对所关注特征的预测准确率也得到提升；当要新增提取人像特征和/或环境特征时，只需要根据新增的人像特征类型和/或环境特征类型，训练对应的2分类模型或者单目标检测模型即可，无需对已有模型做任何改动；同时当需要优化特定特征模型时，只需要对该模型进行重新训练即可，而不会影响到其他模型，实现了模型之间的低耦合。此外，多个简单模型在不同的线程中并行计算，极大的降低了解析时长，提升了解析效率。
实施例3
本实施例提供了一种用于借款人影像资料自动审核的方法，包括以下步骤：
采用如实施例1所提供的一种基于深度学习的人像照片内容解析方法获取借款人影像资料中的环境特征、环境特征概率值、人体特征、人体特征概率值、细粒度物体、以及细粒度物体概率值；
根据预设格式对环境特征、环境特征概率值、人体特征、人体特征概率值、细粒度物体以及细粒度物体概率值进行封装，得到封装列表；本实施例中的预设格式为：特征名：概率值；
根据封装列表识别借款人的借款风险。
现有技术中，银行线上信贷业务的审批流程中，借款人影像资料的审核，由人工介入查看照片内容来获取借款人的消费环境（消费场所）、首饰（项链、领带、戒指或者手镯）、穿搭品牌等，并将其获取的内容输入至风险识别系统中，由风险识别系统根据输入的信息进行评价借款人的借款风险。采用人工识别照片中的内容，一方面存在不准确的问题，另一方面存在弄虚作假的可能。基于此，本实施例提供了一种用于借款人影像资料自动审核的方法，由系统自动识别借款人影像资料中的各类特征，并按预设格式输入至风险识别系统中，再由风险系统进行借款风险识别，不仅提高了识别效率和识别准确度，还避免了员工弄虚作假的可能。
实施例4
本实施例提供了一种用于借款人影像资料自动审核的系统，包括：
解析模块，用于根据如实施例1所提供的一种基于深度学习的人像照片内容解析方法获取借款人影像资料中的环境特征、环境特征概率值、人体特征、人体特征概率值、细粒度物体、以及细粒度物体概率值；
封装模块，用于根据预设格式对环境特征、环境特征概率值、人体特征、人体特征概率值、细粒度物体以及细粒度物体概率值进行封装，得到封装列表；
审核模块，用于根据封装列表识别借款人的借款风险。
现有技术中，银行线上信贷业务的审批流程中，借款人影像资料的审核，由人工介入查看照片内容来获取借款人的消费环境（消费场所）、首饰（项链、领带、戒指或者手镯）、穿搭品牌等，并将其获取的内容输入至风险识别系统中，由风险识别系统根据输入的信息进行评价借款人的借款风险。采用人工识别照片中的内容，一方面存在不准确的问题，另一方面存在弄虚作假的可能。基于此，本实施例提供了一种用于借款人影像资料自动审核的方法，由系统自动识别借款人影像资料中的各类特征，并按预设格式输入至风险识别系统中，再由风险系统进行借款风险识别，不仅提高了识别效率和识别准确度，还避免了员工弄虚作假的可能。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的人像照片内容解析方法，其特征在于，包括以下步骤：
基于人像分割模型获取待解析人像图片中的背景图片和至少一张人像图片；
基于2分类模型获取所述背景图片中每一类环境特征的概率值以及所述人像图片中每一类人体特征的概率值；
基于单目标检测模型获取所述人像图片中每一类细粒度物体的概率值。
2.根据权利要求1所述的一种基于深度学习的人像照片内容解析方法，其特征在于，所述基于人像分割模型获取待解析人像图片中的背景图片和至少一张人像图片包括以下步骤：
基于所述人像分割模型获取所述待解析人像图片中所有人的人体像素对应坐标位置；
根据所述人体像素对应坐标位置从所述待解析人像图片中提取所述人体像素，得到所述人像图片；
用黑色像素替换所述待解析人像图片中的所述人体像素对应坐标位置的像素，得到所述背景图片。
3.根据权利要求1或2所述的一种基于深度学习的人像照片内容解析方法，其特征在于，所述人像图片中仅有一张人像。
4.根据权利要求1所述的一种基于深度学习的人像照片内容解析方法，其特征在于，所述背景图片和/或所述人像图片并行送入所述2分类模型中。
5.一种基于深度学习的人像照片内容解析系统，其特征在于，包括：
人像分割模块，内置人像分割模型，用于获取待解析人像图片中的背景图片和至少一张人像图片；
特征提取单元，内置2分类模型，用于获取所述背景图片中每一类环境特征的概率值以及所述人像图片中每一类人体特征的概率值；
细粒度物体提取单元，内置单目标检测模型，用于获取所述人像图片中每一类细粒度物体的概率值。
6.根据权利要求5所述的一种基于深度学习的人像照片内容解析系统，其特征在于，所述人像分割模块包括：
获取单元，用于获取所述待解析人像图片中所有人的人体像素对应坐标位置；
提取单元，用于根据所述人体像素对应坐标位置从所述待解析人像图片中提取所述人体像素，得到所述人像图片；
替换单元，用于用黑色像素替换所述待解析人像图片中的所述人体像素对应坐标位置的像素，得到所述背景图片。
7.根据权利要求6所述的一种基于深度学习的人像照片内容解析系统，其特征在于，所述人像图片中仅有一张人像。
8.根据权利要求6所述的一种基于深度学习的人像照片内容解析系统，其特征在于，所述背景图片和/或所述人像图片并行送入所述2分类模型中。
9.一种用于借款人影像资料自动审核的方法，其特征在于，包括以下步骤：
根据如权利要求1-4中任意一项所述的一种基于深度学习的人像照片内容解析方法获取借款人影像资料中的环境特征、环境特征概率值、人体特征、人体特征概率值、细粒度物体、以及细粒度物体概率值；
根据预设格式对所述环境特征、所述环境特征概率值、所述人体特征、所述人体特征概率值、所述细粒度物体以及所述细粒度物体概率值进行封装，得到封装列表；
根据所述封装列表识别所述借款人的借款风险。
10.一种用于借款人影像资料自动审核的系统，其特征在于，包括：
解析模块，用于根据如权利要求1-4中任意一项所述的一种基于深度学习的人像照片内容解析方法获取借款人影像资料中的环境特征、环境特征概率值、人体特征、人体特征概率值、细粒度物体、以及细粒度物体概率值；
封装模块，用于根据预设格式对所述环境特征、所述环境特征概率值、所述人体特征、所述人体特征概率值、所述细粒度物体以及所述细粒度物体概率值进行封装，得到封装列表；
审核模块，用于根据所述封装列表识别所述借款人的借款风险。
CN202111606963.2A 2021-12-27 2021-12-27 一种基于深度学习的人像照片内容解析方法及系统 Active CN113989857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111606963.2A CN113989857B (zh) 2021-12-27 2021-12-27 一种基于深度学习的人像照片内容解析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111606963.2A CN113989857B (zh) 2021-12-27 2021-12-27 一种基于深度学习的人像照片内容解析方法及系统

Publications (2)

Publication Number Publication Date
CN113989857A true CN113989857A (zh) 2022-01-28
CN113989857B CN113989857B (zh) 2022-03-18

Family

ID=79734283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111606963.2A Active CN113989857B (zh) 2021-12-27 2021-12-27 一种基于深度学习的人像照片内容解析方法及系统

Country Status (1)

Country Link
CN (1) CN113989857B (zh)

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120233072A1 (en) * 2011-03-08 2012-09-13 Bank Of America Corporation Conducting financial transactions based on identification of individuals in an augmented reality environment
CN104834918A (zh) * 2015-05-20 2015-08-12 中国科学院上海高等研究院 一种基于高斯过程分类器的人体行为识别方法
US20170039637A1 (en) * 2015-08-05 2017-02-09 Telefonica Digital Espana, S.L.U. Computer-implemented method, a system and computer program products for assessing the credit worthiness of a user
CN107122765A (zh) * 2017-05-22 2017-09-01 成都通甲优博科技有限责任公司 一种高速公路服务区全景监控方法及系统
CN107180234A (zh) * 2017-06-01 2017-09-19 四川新网银行股份有限公司 基于人脸表情识别和人脸特征提取的信用风险预测方法
CN108446608A (zh) * 2018-02-28 2018-08-24 深圳壹账通智能科技有限公司 贷款信息审核方法、装置、设备及可读存储介质
CN109726918A (zh) * 2018-12-29 2019-05-07 云南大学 基于生成式对抗网络和半监督学习的个人信用确定方法
CN109919754A (zh) * 2019-01-24 2019-06-21 北京迈格威科技有限公司 一种数据获取方法、装置、终端及存储介质
CN109919106A (zh) * 2019-03-11 2019-06-21 同济大学 渐进式目标精细识别与描述方法
US20190361994A1 (en) * 2018-05-22 2019-11-28 Adobe Inc. Compositing Aware Digital Image Search
US20190377944A1 (en) * 2018-06-08 2019-12-12 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and device for image processing, computer readable storage medium, and electronic device
US20200005061A1 (en) * 2018-06-28 2020-01-02 Beijing Kuangshi Technology Co., Ltd. Living body detection method and system, computer-readable storage medium
WO2020015470A1 (zh) * 2018-07-16 2020-01-23 Oppo广东移动通信有限公司 图像处理方法、装置、移动终端及计算机可读存储介质
CN111160350A (zh) * 2019-12-23 2020-05-15 Oppo广东移动通信有限公司 人像分割方法、模型训练方法、装置、介质及电子设备
CN112001785A (zh) * 2020-07-21 2020-11-27 小花网络科技(深圳)有限公司 一种基于图像识别的网贷欺诈识别方法及系统
CN112348117A (zh) * 2020-11-30 2021-02-09 腾讯科技（深圳）有限公司 场景识别方法、装置、计算机设备和存储介质
WO2021043112A1 (zh) * 2019-09-02 2021-03-11 华为技术有限公司 图像分类方法以及装置
CN112927033A (zh) * 2021-01-27 2021-06-08 上海商汤智能科技有限公司 数据处理方法及装置、电子设备和存储介质
CN113642471A (zh) * 2021-08-16 2021-11-12 百度在线网络技术（北京）有限公司 一种图像识别方法、装置、电子设备和存储介质
CN113689324A (zh) * 2021-07-06 2021-11-23 清华大学 一种基于二分类标签的人像物件的自动增删方法及装置

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120233072A1 (en) * 2011-03-08 2012-09-13 Bank Of America Corporation Conducting financial transactions based on identification of individuals in an augmented reality environment
CN104834918A (zh) * 2015-05-20 2015-08-12 中国科学院上海高等研究院 一种基于高斯过程分类器的人体行为识别方法
US20170039637A1 (en) * 2015-08-05 2017-02-09 Telefonica Digital Espana, S.L.U. Computer-implemented method, a system and computer program products for assessing the credit worthiness of a user
CN107122765A (zh) * 2017-05-22 2017-09-01 成都通甲优博科技有限责任公司 一种高速公路服务区全景监控方法及系统
CN107180234A (zh) * 2017-06-01 2017-09-19 四川新网银行股份有限公司 基于人脸表情识别和人脸特征提取的信用风险预测方法
CN108446608A (zh) * 2018-02-28 2018-08-24 深圳壹账通智能科技有限公司 贷款信息审核方法、装置、设备及可读存储介质
US20190361994A1 (en) * 2018-05-22 2019-11-28 Adobe Inc. Compositing Aware Digital Image Search
US20190377944A1 (en) * 2018-06-08 2019-12-12 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and device for image processing, computer readable storage medium, and electronic device
US20200005061A1 (en) * 2018-06-28 2020-01-02 Beijing Kuangshi Technology Co., Ltd. Living body detection method and system, computer-readable storage medium
WO2020015470A1 (zh) * 2018-07-16 2020-01-23 Oppo广东移动通信有限公司 图像处理方法、装置、移动终端及计算机可读存储介质
CN109726918A (zh) * 2018-12-29 2019-05-07 云南大学 基于生成式对抗网络和半监督学习的个人信用确定方法
CN109919754A (zh) * 2019-01-24 2019-06-21 北京迈格威科技有限公司 一种数据获取方法、装置、终端及存储介质
CN109919106A (zh) * 2019-03-11 2019-06-21 同济大学 渐进式目标精细识别与描述方法
WO2021043112A1 (zh) * 2019-09-02 2021-03-11 华为技术有限公司 图像分类方法以及装置
CN111160350A (zh) * 2019-12-23 2020-05-15 Oppo广东移动通信有限公司 人像分割方法、模型训练方法、装置、介质及电子设备
CN112001785A (zh) * 2020-07-21 2020-11-27 小花网络科技(深圳)有限公司 一种基于图像识别的网贷欺诈识别方法及系统
CN112348117A (zh) * 2020-11-30 2021-02-09 腾讯科技（深圳）有限公司 场景识别方法、装置、计算机设备和存储介质
CN112927033A (zh) * 2021-01-27 2021-06-08 上海商汤智能科技有限公司 数据处理方法及装置、电子设备和存储介质
CN113689324A (zh) * 2021-07-06 2021-11-23 清华大学 一种基于二分类标签的人像物件的自动增删方法及装置
CN113642471A (zh) * 2021-08-16 2021-11-12 百度在线网络技术（北京）有限公司 一种图像识别方法、装置、电子设备和存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FINANCE IN INDONESIA 等: "Measuring Credit Risk Of New Customer Using Artificial Neural Network Model: A Case Of Multi Finance In Indonesia", 《INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH》 *
LIORROKACH: "《高新科技译丛 模式分类的集成方法》", 30 November 2015, 国防工业出版社 *
李延喜 等: "借款人特征对网络借贷风险的影响研究", 《大连理工大学学报（社会科学版）》 *
杨德杰: "基于深度学习的个人信用风险评估研究 ——以银行大数据为视角", 《中国博士学位论文全文数据库 社会科学Ⅰ辑》 *
闭应洲 等: "《数据挖掘与机器学习》", 31 January 2020, 浙江科学技术出版社 *

Also Published As

Publication number Publication date
CN113989857B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN106815566B (zh) 一种基于多任务卷积神经网络的人脸检索方法
CN110516576B (zh) 基于深度神经网络的近红外活体人脸识别方法
US20170103256A1 (en) Systems and methods for detecting, identifying and tracking objects and events over time
CN106599800A (zh) 一种基于深度学习的人脸微表情识别方法
CN106529499A (zh) 基于傅里叶描述子和步态能量图融合特征的步态识别方法
CN110033040B (zh) 一种火焰识别方法、系统、介质和设备
CN109241808A (zh) 一种时尚图像中二维码自动筛选方法
WO2020134102A1 (zh) 物品识别方法、装置、售货系统和存储介质
CN112651333B (zh) 静默活体检测方法、装置、终端设备和存储介质
CN113221655B (zh) 基于特征空间约束的人脸欺骗检测方法
US11023714B2 (en) Suspiciousness degree estimation model generation device
CN111985367A (zh) 一种基于多尺度特征融合的行人重识别特征提取方法
CN111460884A (zh) 基于人体跟踪的多人脸识别方法
CN115860152B (zh) 一种面向人物军事知识发现的跨模态联合学习方法
CN114662497A (zh) 一种基于协同神经网络的虚假新闻检测方法
CN114219971A (zh) 一种数据处理方法、设备以及计算机可读存储介质
Ojo et al. Development of an improved convolutional neural network for an automated face based university attendance system
CN114937298A (zh) 一种基于特征解耦的微表情识别方法
CN113033305B (zh) 活体检测方法、装置、终端设备和存储介质
Sakthimohan et al. Detection and Recognition of Face Using Deep Learning
CN114565448A (zh) 基于视频识别的贷款风险信息挖掘方法
US8879805B2 (en) Automated image identification method
CN113989857B (zh) 一种基于深度学习的人像照片内容解析方法及系统
CN115983873A (zh) 一种基于大数据的用户数据分析管理系统及方法
US11966842B2 (en) Systems and methods to train a cell object detector

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