CN115439236A - 基于人脸识别和联邦学习的银行业务处理方法及装置 - Google Patents
基于人脸识别和联邦学习的银行业务处理方法及装置 Download PDFInfo
- Publication number
- CN115439236A CN115439236A CN202211403886.5A CN202211403886A CN115439236A CN 115439236 A CN115439236 A CN 115439236A CN 202211403886 A CN202211403886 A CN 202211403886A CN 115439236 A CN115439236 A CN 115439236A
- Authority
- CN
- China
- Prior art keywords
- user
- current
- service
- federal learning
- living body
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000012795 verification Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人脸识别和联邦学习的银行业务处理方法及装置,涉及计算机技术领域。该方法的一具体实施方式包括:接收用户发送的业务请求;获取用户的人脸图像;基于活体检测模型识别人脸图像中的用户是否为活体;当用户为活体时,基于人脸识别对人脸图像中的用户进行身份核验;当身份核验通过时,根据业务请求,在多个与业务类别对应的联邦学习模型中确定当前联邦学习模型;基于当前银行提供的当前业务数据、外部参与方提供的当前业务数据和当前联邦学习模型,预测得到当前请求结果;根据当前请求结果,执行相应的业务处理。该实施方式能够提高业务处理效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于人脸识别和联邦学习的银行业务处理方法及装置。
背景技术
用户在银行办理信用授信、购买理财产品等业务时,通常需要提供用户的个人信息、征信信息和贷款信息等,银行员工需要对用户提交的材料进行审核,并根据审核结果确定是否为用户办理业务。但是,人工审核材料需要花费较长的时间,导致银行的业务处理效率较低。
发明内容
有鉴于此,本发明实施例提供一种基于人脸识别和联邦学习的银行业务处理方法及装置,能够提高业务处理效率。
第一方面,本发明实施例提供了一种基于人脸识别和联邦学习的银行业务处理方法,包括:
接收用户发送的业务请求;
获取所述用户的人脸图像;
基于活体检测模型识别所述人脸图像中的用户是否为活体;
当所述用户为活体时,基于人脸识别对所述人脸图像中的用户进行身份核验;
当身份核验通过时,根据所述业务请求,在多个与业务类别对应的联邦学习模型中确定当前联邦学习模型;
基于当前银行提供的当前业务数据、外部参与方提供的当前业务数据和所述当前联邦学习模型,预测得到当前请求结果;
根据所述当前请求结果,执行相应的业务处理。
第二方面,本发明实施例提供了一种基于人脸识别和联邦学习的银行业务处理装置,包括:
活体检测模块,配置为接收用户发送的业务请求;获取所述用户的人脸图像;基于活体检测模型识别所述人脸图像中的用户是否为活体;
身份核验模块,配置为当所述用户为活体时,基于人脸识别对所述人脸图像中的用户进行身份核验;
联邦学习模块,配置为当身份核验通过时,根据所述业务请求,在多个与业务类别对应的联邦学习模型中确定当前联邦学习模型;基于当前银行提供的当前业务数据、外部参与方提供的当前业务数据和所述当前联邦学习模型,预测得到当前请求结果;
业务处理模块,配置为根据所述当前请求结果,执行相应的业务处理。
第三方面,本发明实施例提供了一种电子设备,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上述任一实施例所述的方法。
第四方面,本发明实施例提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:通过活体检测和人脸识别对用户进行核验,防止不法分子冒充用户发送业务请求,提高用户的账户安全性。根据业务请求所属的业务类别选择对应的联邦学习模型,通过联邦学习模型预测请求结果,并执行相应的业务处理,无需人工执行操作,提高业务处理效率。基于当前银行本地存在的业务数据和外部参与方提供的业务数据训练联邦学习模型,保障当前银行及外部参与方的数据安全,同时预测过程中不仅考虑当前银行,也考虑了外部参与方,使得到的联邦学习模型的预测结果具有更高的准确度,进而提高业务处理质量。
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是本发明的一个实施例提供的一种基于人脸识别和联邦学习的银行业务处理方法的流程图;
图2是本发明的另一个实施例提供的一种基于人脸识别和联邦学习的银行业务处理方法的流程图;
图3是本发明的又一个实施例提供的一种基于人脸识别和联邦学习的银行业务处理方法的流程图;
图4是本发明的一个实施例提供的一种基于人脸识别和联邦学习的银行业务处理装置的示意图;
图5是适于用来实现本发明实施例的终端设备或服务器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。
如图1所示,本发明实施例提供了一种基于人脸识别和联邦学习的银行业务处理方法,包括:
步骤101:接收用户发送的业务请求。
该方法应用于当前银行,用户可以向当前银行发送业务请求,以购买理财产品、申请贷款和申请信用授信。
步骤102:获取用户的人脸图像。
人脸图像可以包含在业务请求中,还可以根据业务请求采集用户的人脸图像。
步骤103:基于活体检测模型识别人脸图像中的用户是否为活体,如果是,执行步骤104,否则,执行步骤108。
通过活体检测模型对人脸图像进行初步识别,如果人脸图像中的用户非活体,则可以直接拒绝业务申请,以降低资源消耗。
步骤104:基于人脸识别对人脸图像中的用户进行身份核验,如果身份核验通过,执行步骤105,否则,执行步骤108。
通过身份核验可以确定人脸图像中的用户是否为其自身,还可以验证该用户是否为当前银行的注册用户。例如,可以将用户的人脸图像与注册用户的人脸图像逐一进行匹配,以确定用户是否属于注册用户。
步骤105:根据业务请求,在多个与业务类别对应的联邦学习模型中确定当前联邦学习模型。
对于不同的业务类别,可以利用对应的业务数据训练联邦学习模型,例如,如果业务类别为购买理财产品,则对应的联邦学习模型为理财联邦学习模型,如果业务类别为信用授信,则对应的联邦学习模型为授信联邦学习模型。
步骤106:基于当前银行提供的当前业务数据、外部参与方提供的当前业务数据和当前联邦学习模型,预测得到当前请求结果。
外部参与方可以为其他银行、税务机构和社保机构等。当前银行提供的业务数据可以包括:流水数据、个人信息、交易数据和贷款数据等。外部参与方提供的业务数据可以包括:税收数据、社保数据和征信数据等。融合外部参与方提供的业务数据,能够提高预测结果的准确度。
步骤107:根据当前请求结果,执行相应的业务处理。
例如,请求结果可以包括接受申请和拒绝申请,对于具体的业务,其对应的请求结果的种类可以不同,具体内容将在后续实施例进一步说明。
步骤108:拒绝用户的业务申请。
具体地,可以向用户反馈业务申请不通过的消息,还可以反馈不通过的原因。
本发明实施例通过活体检测和人脸识别对用户进行核验,防止不法分子冒充用户发送业务请求,提高用户的账户安全性。根据业务请求所属的业务类别选择对应的联邦学习模型,通过联邦学习模型预测请求结果,并执行相应的业务处理,无需人工执行操作,提高业务处理效率。基于当前银行本地存在的业务数据和外部参与方提供的业务数据训练联邦学习模型,保障当前银行及外部参与方的数据安全,同时预测过程中不仅考虑当前银行,也考虑了外部参与方,使得到的联邦学习模型的预测结果具有更高的准确度,进而提高业务处理质量。本发明实施例可以实现随时随地办理业务,为用户提供便利。
在本发明的一个实施例中,联邦学习模型包括纵向联邦学习模型,纵向联邦学习模型由多个参与方基于第一数据交集训练得到;参与方包括当前银行和外部参与方;第一数据交集,由当前银行针对业务类别提供的历史业务数据、与外部参与方针对业务类别提供的历史业务数据,在样本ID维度上通过隐私集合求交得到。
本发明实施例通过隐私集合求交得到第一数据交集,即得到当前银行的历史业务数据与外部参与方的历史业务数据样本ID相同的数据,并将第一数据交集提供给当前银行和外部参与方,使各个参与方基于第一数据交集训练纵向联邦学习模型。各个参与方将不同数据源有相同ID的样本在特征维度拼接,得到训练样本。例如,外部参与方是与当前银行位于同一地区的社保部门,通过训练纵向联邦学习模型可以考虑更多维度的特征,提高模型预测的准确度。
在本发明的一个实施例中,联邦学习模型包括横向联邦学习模型,横向联邦学习模型由多个参与方基于第二数据交集训练得到;参与方包括当前银行和外部参与方;第二数据交集,由当前银行针对业务类别提供的历史业务数据、与外部参与方针对业务类别提供的历史业务数据,在特征维度上通过隐私集合求交得到。
通过隐私集合求交可以得到当前银行的历史业务数据与外部参与方的历史业务数据特征相同的数据,将这些数据提供给当前银行和外部参与方进行模型训练。
具体地,外部参与方可以是与当前银行位于不同地区的银行。通过横向联邦学习模型,可以在特征维度对齐的情况下考虑更多的样本,提高模型训练的准确度。
在本发明的一个实施例中,基于人脸识别对人脸图像中的用户进行身份核验,包括:
从人脸图像中提取HOG特征;
将HOG特征输入二分类模型,得到身份核验结果。
可以使用多个用户的人脸图像作为数据源,分别计算各张人脸图像的HOG(Histogram of Oriented Gradient,方向梯度直方图)特征,将这些HOG特征输入支持向量机或者多层全连接神经网络,从而构建二分类模型。该模型的输出结果为身份核验通过或者身份核验失败。
在本发明的一个实施例中,该方法还包括:
基于生成式对抗网络生成多张活体人脸图像;
基于多张活体人脸图像和多张攻击人脸图像,训练活体检测模型。
通过生成式对抗网络生成用户在不同地点、背景、灯光明暗、发型和妆容等条件下的人脸图像,通过生成式对抗网络增加样本的多样性,提高活体检测模型的预测准确度。
在本发明的一个实施例中,根据当前请求结果,执行相应的业务处理,包括:
如果当前请求结果为全额授信,则向用户发送全额授信的到账时间和额度;
如果当前请求结果为部分授信,则向用户发送问询信息,当接收到用户针对问询信息的确认操作时,向用户发送部分授信的到账时间和额度;
如果当前请求结果为拒绝授信,则向用户发送拒绝授信信息。
如果业务类别为信用授信,则预测结果可以包含三种情况,全额授信、部分授信和拒绝授信。当然,预测结果的种类还可以根据具体业务进行调整,例如,预测结果仅包括接受授信和拒绝授信。通过本发明实施例,可以基于联邦学习模型对信用授信进行自动化处理,无需人工审核材料和办理业务,提高银行业务处理效率。
在本发明的一个实施例中,根据当前请求结果,执行相应的业务处理,包括:
如果当前请求结果为接受申请,则查询用户的指定账户中的余额是否不小于当前业务产品的金额,如果是,从指定账户中扣除当前业务产品的金额,向用户发送成功通知,否则,通知用户余额不足;
如果当前请求结果为拒绝申请,则向用户发送拒绝申请信息;
如果当前请求结果为推荐目标业务产品,则向用户发送推荐信息,当接收到用户针对推荐信息的确认操作时,查询用户的指定账户中的余额是否不小于目标业务产品的金额,如果是,从指定账户中扣除目标业务产品的金额,向用户发送成功通知,否则,通知用户余额不足。
如果业务类别为购买理财产品,则预测结果可以包含三种情况,接受申请、拒绝申请和推荐业务产品。类似地,预测结果的种类还可以根据具体业务进行调整,例如,预测结果仅包括接收申请和拒绝申请。通过本发明实施例,可以基于联邦学习模型对购买理财产品进行自动化处理,无需人工审核材料和办理业务,提高银行业务处理效率。
需要说明的是,无论信用授信还是购买理财产品等其他业务,对于不同预测结果执行的业务处理可以根据实际的业务场景进行调整,并不局限于上述提到的方式。
如图2所示,本发明实施例提供了一种基于人脸识别和联邦学习的银行业务处理方法,包括:
步骤201:接收用户发送的信用授信请求。
步骤202:获取用户的人脸图像。
步骤203:基于活体检测模型识别人脸图像中的用户是否为活体,当用户为活体时,基于人脸识别对人脸图像中的用户进行身份核验,当身份核验通过时,根据业务请求,在多个与业务类别对应的联邦学习模型中确定授信联邦学习模型。
步骤204:基于当前银行提供的当前业务数据、外部参与方提供的当前业务数据和授信联邦学习模型,预测得到当前请求结果。
例如,当前银行提供用户的个人数据,如性别、年龄等,提供流水数据;征信部门提供用户的征信报告,税务部门提供用户的工资数据。
步骤205:当当前请求结果为全额授信时,向用户发送全额授信的到账时间和额度;当当前请求结果为部分授信时,向用户发送问询信息,当接收到用户针对问询信息的确认操作时,向用户发送部分授信的到账时间和额度;当当前请求结果为拒绝授信时,向用户发送拒绝授信信息。
本发明实施例通过授信联邦学习模型和人脸识别,自动处理信用授信业务,无需人工审核材料和办理业务,提高业务处理效率。
如图3所示,本发明实施例提供了一种基于人脸识别和联邦学习的银行业务处理方法,包括:
步骤301:接收用户发送的理财产品购买请求。
步骤302:获取用户的人脸图像。
步骤303:基于活体检测模型识别人脸图像中的用户是否为活体,当用户为活体时,基于人脸识别对人脸图像中的用户进行身份核验,当身份核验通过时,根据业务请求,在多个与业务类别对应的联邦学习模型中确定理财联邦学习模型。
步骤304:基于当前银行提供的当前业务数据、外部参与方提供的当前业务数据和理财联邦学习模型,预测得到当前请求结果。
例如,当前银行提供用户的个人数据,如性别、年龄等,提供账户余额;征信部门提供用户的征信报告,税务部门提供用户的工资数据。
步骤305:当当前请求结果为接受申请时,查询用户的指定账户中的余额是否不小于当前业务产品的金额,如果是,从指定账户中扣除当前业务产品的金额,向用户发送成功通知,否则,通知用户余额不足;当当前请求结果为拒绝申请时,向用户发送拒绝申请信息;当当前请求结果为推荐目标业务产品,向用户发送推荐信息,当接收到用户针对推荐信息的确认操作时,查询用户的指定账户中的余额是否不小于目标业务产品的金额,如果是,从指定账户中扣除目标业务产品的金额,向用户发送成功通知,否则,通知用户余额不足。
本发明实施例通过理财联邦学习模型和人脸识别,自动处理理财产品购买业务,无需人工审核材料和办理业务,提高业务处理效率。
如图4所示,本发明实施例提供了一种基于人脸识别和联邦学习的银行业务处理装置,包括:
活体检测模块401,配置为接收用户发送的业务请求;获取用户的人脸图像;基于活体检测模型识别人脸图像中的用户是否为活体;
身份核验模块402,配置为当用户为活体时,基于人脸识别对人脸图像中的用户进行身份核验;
联邦学习模块403,配置为当身份核验通过时,根据业务请求,在多个与业务类别对应的联邦学习模型中确定当前联邦学习模型;基于当前银行提供的当前业务数据、外部参与方提供的当前业务数据和当前联邦学习模型,预测得到当前请求结果;
业务处理模块404,配置为根据当前请求结果,执行相应的业务处理。
在本发明的一个实施例中,联邦学习模型包括纵向联邦学习模型,纵向联邦学习模型由多个参与方基于第一数据交集训练得到;参与方包括当前银行和外部参与方;第一数据交集,由当前银行针对业务类别提供的历史业务数据、与外部参与方针对业务类别提供的历史业务数据,在样本ID维度上通过隐私集合求交得到。
在本发明的一个实施例中,联邦学习模型包括横向联邦学习模型,横向联邦学习模型由多个参与方基于第二数据交集训练得到;参与方包括当前银行和外部参与方;第二数据交集,由当前银行针对业务类别提供的历史业务数据、与外部参与方针对业务类别提供的历史业务数据,在特征维度上通过隐私集合求交得到。
在本发明的一个实施例中,身份核验模块402,配置为从人脸图像中提取HOG特征;将HOG特征输入二分类模型,得到身份核验结果。
在本发明的一个实施例中,活体检测模块401,配置为基于生成式对抗网络生成多张活体人脸图像;基于多张活体人脸图像和多张攻击人脸图像,训练活体检测模型。
在本发明的一个实施例中,业务处理模块404,配置为如果当前请求结果为全额授信,则向用户发送全额授信的到账时间和额度;如果当前请求结果为部分授信,则向用户发送问询信息,当接收到用户针对问询信息的确认操作时,向用户发送部分授信的到账时间和额度;如果当前请求结果为拒绝授信,则向用户发送拒绝授信信息。
在本发明的一个实施例中,业务处理模块404,配置为如果当前请求结果为接受申请,则查询用户的指定账户中的余额是否不小于当前业务产品的金额,如果是,从指定账户中扣除当前业务产品的金额,向用户发送成功通知,否则,通知用户余额不足;如果当前请求结果为拒绝申请,则向用户发送拒绝申请信息;如果当前请求结果为推荐目标业务产品,则向用户发送推荐信息,当接收到用户针对推荐信息的确认操作时,查询用户的指定账户中的余额是否不小于目标业务产品的金额,如果是,从指定账户中扣除目标业务产品的金额,向用户发送成功通知,否则,通知用户余额不足。
本发明实施例提供了一种电子设备,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,
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述任一实施例的方法。
本发明实施例提供了一种计算机可读介质,其上存储有计算机程序,程序被处理器执行时实现如上述任一实施例的方法。
下面参考图5,其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例,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5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;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507;包括硬盘等的存储部分508;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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,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510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508。
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509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501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:一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
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)
1.一种基于人脸识别和联邦学习的银行业务处理方法,其特征在于,包括:
接收用户发送的业务请求;
获取所述用户的人脸图像;
基于活体检测模型识别所述人脸图像中的用户是否为活体;
当所述用户为活体时,基于人脸识别对所述人脸图像中的用户进行身份核验;
当身份核验通过时,根据所述业务请求,在多个与业务类别对应的联邦学习模型中确定当前联邦学习模型;
基于当前银行提供的当前业务数据、外部参与方提供的当前业务数据和所述当前联邦学习模型,预测得到当前请求结果;
根据所述当前请求结果,执行相应的业务处理。
2.如权利要求1所述的方法,其特征在于,
所述联邦学习模型包括纵向联邦学习模型,所述纵向联邦学习模型由多个参与方基于第一数据交集训练得到;所述参与方包括所述当前银行和所述外部参与方;所述第一数据交集,由所述当前银行针对所述业务类别提供的历史业务数据、与所述外部参与方针对所述业务类别提供的历史业务数据,在样本ID维度上通过隐私集合求交得到。
3.如权利要求1所述的方法,其特征在于,
所述联邦学习模型包括横向联邦学习模型,所述横向联邦学习模型由多个参与方基于第二数据交集训练得到;所述参与方包括所述当前银行和所述外部参与方;所述第二数据交集,由所述当前银行针对所述业务类别提供的历史业务数据、与所述外部参与方针对所述业务类别提供的历史业务数据,在特征维度上通过隐私集合求交得到。
4.如权利要求1所述的方法,其特征在于,
基于人脸识别对所述人脸图像中的用户进行身份核验,包括:
从所述人脸图像中提取HOG特征;
将所述HOG特征输入二分类模型,得到身份核验结果。
5.如权利要求1所述的方法,其特征在于,进一步包括:
基于生成式对抗网络生成多张活体人脸图像;
基于所述多张活体人脸图像和多张攻击人脸图像,训练所述活体检测模型。
6.如权利要求1所述的方法,其特征在于,
根据所述当前请求结果,执行相应的业务处理,包括:
如果所述当前请求结果为全额授信,则向所述用户发送全额授信的到账时间和额度;
如果所述当前请求结果为部分授信,则向所述用户发送问询信息,当接收到所述用户针对所述问询信息的确认操作时,向所述用户发送部分授信的到账时间和额度;
如果所述当前请求结果为拒绝授信,则向所述用户发送拒绝授信信息。
7.如权利要求1所述的方法,其特征在于,
根据所述当前请求结果,执行相应的业务处理,包括:
如果所述当前请求结果为接受申请,则查询所述用户的指定账户中的余额是否不小于当前业务产品的金额,如果是,从所述指定账户中扣除所述当前业务产品的金额,向所述用户发送成功通知,否则,通知所述用户余额不足;
如果所述当前请求结果为拒绝申请,则向所述用户发送拒绝申请信息;
如果所述当前请求结果为推荐目标业务产品,则向所述用户发送推荐信息,当接收到所述用户针对所述推荐信息的确认操作时,查询所述用户的指定账户中的余额是否不小于所述目标业务产品的金额,如果是,从所述指定账户中扣除所述目标业务产品的金额,向所述用户发送成功通知,否则,通知所述用户余额不足。
8.一种基于人脸识别和联邦学习的银行业务处理装置,其特征在于,包括:
活体检测模块,配置为接收用户发送的业务请求;获取所述用户的人脸图像;基于活体检测模型识别所述人脸图像中的用户是否为活体;
身份核验模块,配置为当所述用户为活体时,基于人脸识别对所述人脸图像中的用户进行身份核验;
联邦学习模块,配置为当身份核验通过时,根据所述业务请求,在多个与业务类别对应的联邦学习模型中确定当前联邦学习模型;基于当前银行提供的当前业务数据、外部参与方提供的当前业务数据和所述当前联邦学习模型,预测得到当前请求结果;
业务处理模块,配置为根据所述当前请求结果,执行相应的业务处理。
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1-7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1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211403886.5A CN115439236A (zh) | 2022-11-10 | 2022-11-10 | 基于人脸识别和联邦学习的银行业务处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211403886.5A CN115439236A (zh) | 2022-11-10 | 2022-11-10 | 基于人脸识别和联邦学习的银行业务处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115439236A true CN115439236A (zh) | 2022-12-06 |
Family
ID=84252673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211403886.5A Pending CN115439236A (zh) | 2022-11-10 | 2022-11-10 | 基于人脸识别和联邦学习的银行业务处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115439236A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271941A (zh) * | 2018-09-26 | 2019-01-25 | 福州大学 | 一种基于防屏摄攻击的活体检测方法 |
CN112270597A (zh) * | 2020-11-10 | 2021-01-26 | 恒安嘉新(北京)科技股份公司 | 业务处理、信用评价模型训练方法、装置、设备及介质 |
CN112910953A (zh) * | 2021-01-14 | 2021-06-04 | 中国工商银行股份有限公司 | 业务数据的推送方法、装置和服务器 |
CN113158945A (zh) * | 2021-04-29 | 2021-07-23 | 上海商汤智能科技有限公司 | 基于人脸识别的业务处理方法、装置、设备及存储介质 |
CN113902037A (zh) * | 2021-11-08 | 2022-01-07 | 中国联合网络通信集团有限公司 | 非正常银行账户识别方法、系统、电子设备及存储介质 |
-
2022
- 2022-11-10 CN CN202211403886.5A patent/CN115439236A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271941A (zh) * | 2018-09-26 | 2019-01-25 | 福州大学 | 一种基于防屏摄攻击的活体检测方法 |
CN112270597A (zh) * | 2020-11-10 | 2021-01-26 | 恒安嘉新(北京)科技股份公司 | 业务处理、信用评价模型训练方法、装置、设备及介质 |
CN112910953A (zh) * | 2021-01-14 | 2021-06-04 | 中国工商银行股份有限公司 | 业务数据的推送方法、装置和服务器 |
CN113158945A (zh) * | 2021-04-29 | 2021-07-23 | 上海商汤智能科技有限公司 | 基于人脸识别的业务处理方法、装置、设备及存储介质 |
CN113902037A (zh) * | 2021-11-08 | 2022-01-07 | 中国联合网络通信集团有限公司 | 非正常银行账户识别方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230385797A1 (en) | System and method of payment of merchants on behalf of payment card system transaction acquirers | |
CN111178219A (zh) | 票据识别管理方法、装置、存储介质及电子设备 | |
US20150127527A1 (en) | Payment processing system and method | |
US20220398573A1 (en) | Machine learning classifier based on category modeling | |
GB2524030A (en) | Virtual card number transaction record | |
US20120226609A1 (en) | Remote Deposit Capture Method and Apparatus | |
US20200242600A1 (en) | System for leveraged collaborative pre-verification and authentication for secure real-time resource distribution | |
JP2020129250A (ja) | プログラム、情報処理方法、及び情報処理装置 | |
Alzamel et al. | Point of Sale (POS) Network with Embedded Fingerprint Biometric Authentication | |
CN114219604A (zh) | 住房贷款业务的处理方法、装置、设备及存储介质 | |
CN113139869A (zh) | 一种征信授权查询处理方法和装置 | |
WO2016081397A1 (en) | E-commerce based payment system with authentication of electronic invoices | |
US11308562B1 (en) | System and method for dimensionality reduction of vendor co-occurrence observations for improved transaction categorization | |
US20170140365A1 (en) | Systems and methods using check document images to create pre-paid payment cards | |
JP2018530832A (ja) | 取引文書処理のためのシステムおよび方法 | |
CN112288419B (zh) | 协议确定方法、装置、系统和电子设备 | |
CN115439236A (zh) | 基于人脸识别和联邦学习的银行业务处理方法及装置 | |
KR102271346B1 (ko) | 비정형데이터를 활용한 상호소통형 신용대출 플랫폼 및 그 운영방법 | |
CN113112232A (zh) | 线上贷款审核方法、审核装置、电子设备及存储介质 | |
US20170140359A1 (en) | Secure government transactions | |
US20200211044A1 (en) | Merchant services provider system and method(s) of use thereof | |
US20190228405A1 (en) | Provisioning of payment acceptance to payment account holders | |
US10296882B2 (en) | Multicomputer processing of client device request data using centralized event orchestrator and link discovery engine | |
US20180165350A1 (en) | Multicomputer Processing of Client Device Request Data Using Centralized Event Orchestator and Link Discovery Engine | |
CN111507743A (zh) | 一种代驾推荐方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221206 |
|
RJ01 | Rejection of invention patent application after publication |