CN117764589A - 风险防控方法、装置、设备和介质 - Google Patents

Abstract

本公开提供了一种风险防控方法，可以应用于人工智能技术领域。该方法包括：基于用户交易图片获取用户表情参数值，计算用户表情参数值与表情图片库中的特征表情参数值的相似度；将相似度最高的特征表情参数值对应的特征表情类型作为用户表情类型，判断是否为目标表情；当用户表情类型为目标表情时，获取用户交易信息；基于所述用户交易信息判断用户交易风险等级；以及当用户交易风险等级达到预设的阈值时，触发风险预警，所述风险预警用于阻断用户正在进行的交易行为，并提示用户进行人工交易。本公开还提供了一种风险防控装置、设备、存储介质和程序产品。

Description

风险防控方法、装置、设备和介质

技术领域

本公开涉及人工智能技术领域或金融科技领域，具体地，涉及一种风险控制方法、装置、设备、介质和程序产品。

背景技术

当前，伴随着生活节奏的加快及自助设备的普及，通过自助设备进行自助交易已经成为一种非常常见的方式。自助交易的普及极大地缓解了逐渐增加的交易需求带来的人力不足，交易场所受限以及用户等待时间过长等问题。然而，自助交易也伴随新型金融风险的发生。例如，通过ATM机短期大量高频存取现金的现象屡见不鲜，也不断有人遭遇诈骗，冲动之下大额转账给非法账户。目前，针对自助设备使用客群的风险防控机制尚未建立，使得自助设备的使用存在较高的安全隐患。

发明内容

鉴于上述问题，本公开提供了提高自助设备使用客群风险防控有效性的风险防控方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种风险防控方法，包括：基于用户交易图片获取用户表情参数值，计算所述用户表情参数值与表情图片库中的M个特征表情参数值的相似度，其中，所述用户表情参数值和所述特征表情参数值基于相同的情绪识别模型对图片进行处理得到；将相似度最高的特征表情参数值对应的特征表情类型作为用户表情类型，判断所述用户表情类型是否为目标表情；当所述用户表情类型为目标表情时，获取用户交易信息，其中，所述用户交易信息包括用户正在进行的交易行为信息和用户历史交易信息，其中，所述用户正在进行的交易行为信息基于自助设备获取；基于所述用户交易信息判断用户交易风险等级；以及当用户交易风险等级达到预设的阈值时，触发风险预警，所述风险预警用于阻断用户正在进行的交易行为，并提示用户进行人工交易。

根据本公开的实施例，基于用户交易图片获取用户表情参数值包括：基于自助设备识别的N张用户交易图片分别提取用户交易面部信息；基于情绪识别模型对所述获取自各张用户交易图片的用户交易面部信息分别进行处理，获取N个用户面部信息值；以及对所述N个用户面部信息值进行处理，获取所述用户表情参数值，其中，所述情绪交易识别模型基于神经网络算法预训练得到。

根据本公开的实施例，所述表情图片库中的M个特征表情参数值基于所述情绪识别模型预处理获取，包括：获取在所述表情图片库中对应于每类特征表情的多张图片，重复执行以下操作直至获取对应于每类特征表情的特征表情参数值，包括：针对特征表情的每一类，将所述多张图片输入所述情绪识别模型；响应于情绪识别模型的处理结果获取对应于每一张图片的表情参数值；以及对各图片的表情参数值进行平均，获取所述特征表情参数值。

根据本公开的实施例，所述情绪识别模型基于卷积神经网络算法预训练得到，包括：获取样本面部图像，对所述样本面部图像进行预处理，获取待识别图片；以及将所述待识别图片输入至卷积神经网络中进行迭代训练，直至所述卷积神经网络模型的损失函数值达到预设的阈值时，获取所述情绪识别模型，所述情绪识别模型用于基于获取的面部图像计算面部表情参数值，其中，每一轮训练的步骤包括：将所述待识别图片交替输入至卷积层和池化层，以对图片特征进行提取，直至获取多个第一处理图像单元；将所述第一处理图像单元输入至第一全连接层，获取与第一处理图像单元数量相同的多个图像特征值；将所述多个图像特征值输入至第二全连接层，获取与所述样本面部图像对应的面部表情参数识别值；以及基于所述面部表情参数识别值与待识别图片的面部表情参数值标签计算损失函数值。

根据本公开的实施例，所述对所述N个用户面部信息值进行处理，获取所述用户表情参数值包括：对所述N个用户面部信息值进行取众数处理，获取所述用户表情参数值。

根据本公开的实施例，所述计算所述用户表情参数值与表情图片库中的M个特征表情参数值的相似度包括：计算所述用户表情参数值与各特征表情参数值的欧式距离，获取所述用户表情参数值与表情图片库中的M个特征表情参数值的相似度。

根据本公开的实施例，所述目标表情为情绪为负面情绪表情，所述负面情绪表情至少包括悲伤表情和/或害怕表情。

根据本公开的实施例，所述用户正在进行的交易行为信息包括：用户账户转出信息和/或用户提现信息；和/或，所述用户历史交易信息包括：自助设备识别频次信息和/或用户账户异常记录，其中，所述自助设备识别频次信息基于预设的时间范围获取。

本公开的第二方面提供了一种风险防控装置，包括：第一处理模块，配置为基于用户交易图片获取用户表情参数值，计算所述用户表情参数值与表情图片库中的M个特征表情参数值的相似度，其中，所述用户表情参数值和所述特征表情参数值基于相同的情绪识别模型对图片进行处理得到；第一判断模块，配置为将相似度最高的特征表情参数值对应的特征表情类型作为用户表情类型，判断所述用户表情类型是否为目标表情；信息获取模块，配置为当所述用户表情类型为目标表情时，获取用户交易信息，其中，所述用户交易信息包括用户正在进行的交易行为信息和用户历史交易信息，其中，所述用户正在进行的交易行为信息基于自助设备获取；第二判断模块，而配置为基于所述用户交易信息判断用户交易风险等级；以及预警模块，配置为当用户交易风险等级达到预设的阈值时，触发风险预警，所述风险预警用于阻断用户正在进行的交易行为，并提示用户进行人工交易。

本公开的第三方面提供了一种情绪识别模型的训练装置，包括：预处理模块和训练模块。其中，预处理模块用于获取样本面部图像，对所述样本面部图像进行预处理，获取待识别图片。训练模块用于将所述待识别图片输入至卷积神经网络中进行迭代训练，直至所述卷积神经网络模型的损失函数值达到预设的阈值时，获取所述情绪识别模型，所述情绪识别模型用于基于获取的面部图像计算面部表情参数值。

根据本公开的实施例，训练模块还包括特征提取单元，第一融合单元，第二融合单元以及计算单元。其中，特征提取单元用于将所述待识别图片交替输入至卷积层和池化层，以对图片特征进行提取，直至获取多个第一处理图像单元。第一融合单元用于将所述第一处理图像单元输入至第一全连接层，获取与第一处理图像单元数量相同的多个图像特征值。第二融合单元用于将所述多个图像特征值输入至第二全连接层，获取与所述样本面部图像对应的面部表情参数识别值。计算单元用于基于所述面部表情参数识别值与待识别图片的面部表情参数值标签计算损失函数值。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述风险防控方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述风险防控方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述风险防控方法。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的风险防控方法、装置、电子设备、介质和程序产品的应用场景图。

图2示意性示出了根据本公开实施例的风险防控方法的流程图。

图3示意性示出了根据本公开实施例的基于自助设备获取多张用户交易图片以获取用户表情参数值的方法的流程图。

图4示意性示出了根据本公开实施例的预训练得到情绪识别模型的方法的流程图。

图5示意性示出了根据本公开的示例的对样本面部图像进行预处理的方法的示意图。

图6示意性示出了根据本公开实施例的对卷积神经网络进行迭代训练以获取情绪识别模型的方法的流程图。

图7示意性示出了根据本公开示例的利用情绪识别模型进行面部图像处理的示意图。

图8示意性示出了根据本公开实施例的基于所述情绪识别模型对表情图片库进行预处理获取特征表情参数值的方法的流程图。

图9示意性示出了根据本公开实施例的风险防控装置的结构框图。

图10示意性地示出了一种根据本公开的实施例的情绪识别模型的训练装置。

图11示意性示出了根据本公开实施例的训练模块的结构框图。

图12示意性示出了根据本公开实施例的适于实现风险防控方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

为了便于理解本公开的技术方案，首先对一些实施例中涉及的技术术语释义如下：

卷积神经网络：卷积神经网络，是一种包含了大量卷积计算且具有深度结构的前馈神经网络算法，是常见的深度学习算法之一。该算法模拟了人脑对于数据筛选分析的方法，由许多相互有关联的神经元组成，在不同神经元之间经过不同的权重及卷积核来进行数据的分析和筛选。

客户情绪识别：采用人工智能机器学习算法，对面部表情进行提取分析，以判断客户情绪，并建立客户情绪画像。

卷积层：卷积神经网络中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。

池化层：也被称为下采样层，是深度学习神经网络中常用的一种层级结构。它的作用是通过减少特征图的尺寸来降低计算量，并且可以提取出特征图的主要信息。池化层通常紧跟在卷积层之后，用于对卷积层输出的特征图进行下采样操作。

全连接层：是一种在神经网络中用于分类、回归等任务的层类型。全连接层中的每个神经元都与前一层的所有神经元和后一层的所有神经元连接，并具有可学习的权重。全连接层通常在卷积神经网络的最后几层使用，以将学习到的特征映射到样本标记空间，例如进行图像分类或文本分类等任务。全连接层的作用是将学到的分布式特征表示映射到样本标记空间，通常作为分类器使用。在全连接层中，每个神经元都与前一层的所有神经元和后一层的所有神经元相连，因此全连接层也被称为密集层(Dense Layer)。全连接层中的每个连接都具有可学习的权重，这些权重在反向传播算法中更新以最小化网络的目标函数。

欧式距离：最常见的距离度量，用于衡量多维空间中两个点之间的绝对距离。它以古希腊数学家欧几里得的名字命名。在二维和三维空间中，欧式距离是两点之间的直线距离。

当前，伴随着生活节奏的加快及自助设备的普及，通过自助设备进行自助交易已经成为一种非常常见的方式。典型的自助设备可以包括自动柜员机，自动存取款机(ATM机)等。自助交易的普及极大地缓解了逐渐增加的交易需求带来的人力不足，交易场所受限以及用户等待时间过长等问题。许多自助设备设置于营业机构的外部，可全天候开放地为用户提供服务。然而，由于自助设备进行的交易缺乏人工审核，且交易设备简单但可支持大额交易，其产生的金融风险层出不穷。例如，通过ATM机短期大量高频存取现金的现象屡见不鲜，也不断有人遭遇诈骗，冲动之下大额转账给非法账户。目前，针对自助设备使用客群的风险防控机制尚未有效建立。传统的自助设备往往仅支持监控录像功能，对于正在发生的风险交易行为无法有效识别及阻断，使得自助设备的使用存在较高的安全隐患。

针对现有技术中存在的上述问题，本公开的实施例提供了一种风险防控方法，包括：基于用户交易图片获取用户表情参数值，计算所述用户表情参数值与表情图片库中的M个特征表情参数值的相似度，其中，所述用户表情参数值和所述特征表情参数值基于相同的情绪识别模型对图片进行处理得到；将相似度最高的特征表情参数值对应的特征表情类型作为用户表情类型，判断所述用户表情类型是否为目标表情；当所述用户表情类型为目标表情时，获取用户交易信息，其中，所述用户交易信息包括用户正在进行的交易行为信息和用户历史交易信息，其中，所述用户正在进行的交易行为信息基于自助设备获取；基于所述用户交易信息判断用户交易风险等级；以及当用户交易风险等级达到预设的阈值时，触发风险预警，所述风险预警用于阻断用户正在进行的交易行为，并提示用户进行人工交易。

本公开的实施例提供的风险防控方法，适用于基于自助设备进行的交易。通过计算交易时的用户表情参数值，将其与表情图片库中不同类别的特征表情参数值对比计算相似度，以判断用户表情的类型。基于判断结果以及用户相关的交易信息来确定用户的风险级别，如果风险等级较高，则阻断交易的进行。并且引导用户前往营业厅进行人工交易以排查风险。该方法能够实时阻断自助设备的高风险交易，提升交易安全性。由于使用相同的情绪识别模型对用户交易图片及表情图片库的图片进行处理，提升了模型识别的准确度。

在本发明的技术方案中，所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息，例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关国家和地区的相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝。

需要说明的是，本公开实施例确定的风险防控方法、装置，电子设备、介质和程序产品可用于金融领域在风险防控方面，也可用于除金融领域之外的任意领域，如人工智能技术领域，本公开的实施例的风险防控方法、装置，电子设备、介质和程序产品的应用领域不做限定。

图1示意性示出了根据本公开实施例的风险防控方法、装置、电子设备、介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括终端设备101、自助设备102、网络103和服务器104。网络103用以在终端设备101、自助设备102和服务器104之间提供通信链路的介质。网络103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。

用户可以使用终端设备101通过网络103与服务器104交互，以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用，例如购物类应用、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(仅为示例)。

终端设备101可以是具有显示屏并且支持网页浏览的各种电子设备，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。

用户可以使用自助设备102通过网络103与服务器104交互，以接收或发送消息等。自助设备102可以具备自助交易功能。例如，自助设备102可以包括但不限于银行网点的自助服务终端，例如ATM机(自动取款机)，CRS机(自动存取款机)，自动柜员机，多媒体自助终端等。用户可以自助设备以自助完成交易。自助设备102包括图像采集设备，以采集用户交易时的面部图片。

服务器104可以是提供各种服务的服务器，例如为自助设备101采集的用户交易图片提供数据服务支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户交易图片等数据进行分析等处理，并将处理结果(例如用户情绪识别结果，用户交易风险判定)反馈给风险控制部门以进行风险控制。服务器104还可以向终端设备101发送信息。例如，当用户交易风险判定为高风险时，生成预警信息并发送至终端设备101，以提示用户前往营业厅进行人工交易。

需要说明的是，本公开实施例所提供的风险防控方法一般可以由服务器104执行。相应地，本公开实施例所提供的风险防控装置一般可以设置于服务器104中。本公开实施例所提供的风险防控方法也可以由不同于服务器104且能够与终端设备101、自助设备102和/或服务器104通信的服务器或服务器集群执行。相应地，本公开实施例所提供的风险防控装置也可以设置于不同于服务器104且能够与终端设备101、自助设备102和/或服务器104通信的服务器或服务器集群中。

应该理解，图1中的终端设备、自助设备、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。

以下将基于图1描述的场景，通过图2～图8对公开实施例的风险防控方法进行详细描述。

图2示意性示出了根据本公开实施例的风险防控方法的流程图。

如图2所示，该实施例的风险防控包括操作S210～操作S250，该风险防控方法可以由服务器104执行。

需要说明的是，虽然图2中的各步骤按照箭头的指示依次显示，但是，这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，在不矛盾的情况下，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替的执行。

在操作S210，基于用户交易图片获取用户表情参数值用户交易图片可以为自助设备在用户交易进行时同步获取。具体的，自助设备上可以包含图像采集装置。当用户在自助设备上进行自助交易时，可以基于图像采集装置采集用户面部图像，作为用户交易图片。在本公开的实施例中，可以利用情绪识别模型对用户交易图片进行处理，得到用户表情参数值。例如，可以利用情绪识别模型对用户面部图像进行情绪识别，以得到用户表情参数值。用户表情参数值为数值型数据，不同的参数值可以反映用户表情所体现的情绪类型。例如，用户的情绪可以包含快乐，悲伤，害怕，厌恶等情绪类型。每一种情绪类型可以具有不同的参数值区间。在一些实施例中，用户表情参数值落入某个区间时，基于该用户表情参数值判断用户表情反映了对应的情绪类型。其中，参数值区间的设定可以基于专家经验获取。

可选的，在本公开的实施例中，通过利用相同的情绪识别模型计算用户表情参数值与特征表情参数值，进一步将二者对比计算相似度，以更加准确的判断用户情绪种类。其中情绪识别模型是用于识别用户情绪的人工智能模型，通过对用户面部表情进行算法提取特征，以判断用户情绪。本公开的实施例的情绪识别模型可以对用户交易图片进行处理，以获取用户表情参数值。表情图片库可以是预先存储设置的。在表情图片库中，可以包含多种情绪类型的表情图片。可以基于相同的情绪识别模型对图片库中的表情图片进行处理，得到对应于每一类情绪的特征表情参数值，作为比较基准，通过计算用户表情参数值与表情图片库中的M个特征表情参数值的相似度，以进一步准确判断用户情绪种类。其中，M为情绪类型的数量。

在操作S220，将相似度最高的特征表情参数值对应的特征表情类型作为用户表情类型，判断所述用户表情类型是否为目标表情。通过上述相似度的计算，可以准确获取当前用户交易图片所体现的用户情绪类型。在本公开的实施例中，设置目标表情作为判定用户交易风险的比对基准表情。

可选的，目标表情为情绪为负面情绪表情。其中，所述负面情绪表情至少包括悲伤表情和/或害怕表情。在一个示例中，本公开的实施例的表情图片库基于美国著名心理学家艾克曼的研究设立。美国著名心理学家艾克曼在经过一系列研究后，将人类表情定义为悲伤、害怕、厌恶、快乐、气愤、惊讶和中性情绪，共七种情绪，并建立了对应的表情库。在本公开的实施例中，当用户可能面临交易风险时，其可能带有悲伤，害怕，惊讶等负面情绪，而非快乐等正面情绪。因此，通过捕捉用户的负面情绪表情，有利于捕捉用户交易风险。

在本公开的实施例中，计算所述用户表情参数值与表情图片库中的M个特征表情参数值的相似度可以包括：计算所述用户表情参数值与各特征表情参数值的欧式距离，获取所述用户表情参数值与表情图片库中的M个特征表情参数值的相似度。欧式距离是一种常见的距离度量方式，可以衡量多维空间中的两个点的绝对距离。欧式距离以古希腊数学家欧几里得的名字命名。在二维和三维空间中，欧式距离是两点之间的直线距离。在相似度计算中，应用欧式距离可以衡量两个对象之间的相似性。欧式距离越短，两个对象之间的相似性越高。通过计算所述用户表情参数值与各特征表情参数值的欧式距离，可以获取用户表情参数值与表情图片库中的M个特征表情参数值的相似度。其中，欧式距离最短时，与用户表情参数值对应的用户表情所属类型即为特征表情参数值对应的特征表情类型。

进一步的，在操作S230，当所述用户表情类型为目标表情时，获取用户交易信息。在操作S240，基于所述用户交易信息判断用户交易风险等级。其中，所述用户交易信息包括用户正在进行的交易行为信息和用户历史交易信息，其中，所述用户正在进行的交易行为信息基于自助设备获取。用户历史交易信息可以基于包括服务器在内的其他存储有用户历史交易信息的设备中获取。

在一些实施例中，用户正在进行的交易行为信息包括：用户账户转出信息和/或用户提现信息。其中，用户账户转出信息可以包括但不限于用户通过自助设备转出的资金金额，转出资金时间，地点，自助设备编号等。用户提现信息可以包括但不限于用户提取现金的金额，时间，地点，自助设备编号等。所述用户历史交易信息包括：自助设备识别频次信息和/或用户账户异常记录。其中，自助设备识别频次信息可以包括但不限于自助设备在预设的时间范围内识别到的相同用户的次数。在一个示例中，自助设备可以主要用于存取现金，转账等资金交易操作。若短时间内同一用户多次出现在自助设备采集到的用户交易图像中，则该用户可能具有较大的操作风险。在另一个示例中，还可以结合用户其他历史交易记录，例如是否存在账户异常记录信息等，可以对用户交易的风险等级进行综合判定。例如，当短时间内同一用户多次出现在自助设备采集到的用户交易图像中，其出现的次数大于预设的阈值时，认为用户具有较高的交易风险等级。一个例子是，一天内由ATM机采集到的用户“人脸”的次数发生5次以上，视该用户为高频次风险客户，其存在违规操作套现风险。另一个例子是，用户的银行卡使用异常，如根据用户历史交易信息中存在着账户冻结、账户大额转账、账户高频转账情况，视该用户为高风险用户，其存在可能涉及诈骗的风险。其中，可以基于用户交易信息涉及到的金额高低，交易频次高低等设置不同的风险等级级别并建立相应的数据表。风险等级的设定是可以基于专家经验设置好的。以基于不同的风险等级判断用户是否属于高风险人群。

在操作S250，当用户交易风险等级达到预设的阈值时，触发风险预警。例如，用户交易风险设定为5级，并对风险等级按照5，4，3，2，1从高到低进行编号。可以设置用户交易风险等级为3以上时触发风险预警。所述风险预警用于阻断用户正在进行的交易行为，并提示用户进行人工交易。例如，当判断用户风险等级为4时，触发风险预警。自助设备将用户交易信息传送至服务器，服务器在接收该用户的交易信息后，向用户关联的终端设备发出预警信息，以提示用户可能存在交易风险，请前往营业厅进行人工交易。服务器还可以向营业部门发送预警信息，以提示工作人员对该用户的后续交易行为进行关注。可选的，服务器还可以结合用户交易信息判断其属于风险行为。

在一个例子中，结合用户在ATM机短时间内的交易次数，或交易金额；和/或用户账户的历史异常信息记录，可以将用户行为判定为包括欲发生大量转账的风险行为或欲发生大量提现的风险行为。其中，对于欲发生大量转账的风险行为，服务器将其判断为防诈骗用户。该类用户有可能为受骗群体。响应于服务器的指令，ATM机及时终止转账行为，用户同步收到服务器发送的提示信息，前往营业厅柜台进行人工交易。并且，营业厅工作人员收到来自服务器的预警信息，及时了解该用户的风险行为，并在用户进行人工交易时加强审核。可选的，营业厅的工作人员在收到预警信息后，前往ATM机阻止用户继续交易，并将用户带至营业厅内详细询问，即使排查风险隐患，减少用户损失。

对于欲发生大量提现的风险行为，例如，查询用户进行ATM机的短期人脸识别频次。例如，通过ATM机银联联网查询该用户10分钟内短期人脸出现频次，若出现两次以上且用卡行为异常(使用银行卡所属人不同、所属银行不同等)，则判断为：防洗钱用户。对于该类用户，响应于服务器的指令，ATM机及时终止转账行为，用户同步收到服务器发送的提示信息，前往营业厅柜台进行人工交易。并且，营业厅工作人员收到来自服务器的预警信息，及时了解该用户的风险行为，灵活应对，并对可能涉及到的洗钱行为展开调查。

需说明，在本公开的实施例中，在获取用户的信息之前，可以获得用户的同意或授权。例如，在操作S230之前，可以向用户发出获取用户交易信息的请求。在用户同意或授权可以获取用户信息的情况下，执行所述操作S230。

在一些实施例中，为提升对于用户交易表情检测的准确度，可以基于自助设备获取多张用户交易图片以获取用户表情参数值。

图3示意性示出了根据本公开实施例的基于自助设备获取多张用户交易图片以获取用户表情参数值的方法的流程图。

如图3所示，该实施例的基于自助设备获取多张用户交易图片以获取用户表情参数值的方法包括操作S310～操作S330。

在操作S310，基于自助设备识别的N张用户交易图片分别提取用户交易面部信息。

在操作S320，基于情绪识别模型对所述获取自各张用户交易图片的用户交易面部信息分别进行处理，获取N个用户面部信息值。

在操作S330，对所述N个用户面部信息值进行处理，获取所述用户表情参数值。其中，处理方法可以使用数值型数据的处理方法，以从多个用户面部信息值中提取能够反应用户面部情绪的最显著的特征值。典型的处理方法可以包括但不限于平均数，众数，中位数等数据处理的方法。

在一个实施例中，所述对所述N个用户面部信息值进行处理，获取所述用户表情参数值包括：对所述N个用户面部信息值进行取众数处理，获取所述用户表情参数值。通过将N个用户面部信息值进行取众数处理，可以选取最具代表性的用户面部信息值作为最终的用户表情参数值。

其中，所述情绪交易识别模型基于神经网络算法预训练得到。

可选的，神经网络算法为卷积神经网络算法。卷积神经网络，是一种包含了大量卷积计算且具有深度结构的前馈神经网络算法，是常见的深度学习算法之一。该算法模拟了人脑对于数据筛选分析的方法，由许多相互有关联的神经元组成，在不同神经元之间经过不同的权重及卷积核来进行数据的分析和筛选。有利于提取用户面部表情的重点信息。本公开的实施例的卷积神经网络由输入层、卷积层、池化层、全连接层和输出层组成。

下面结合具体实施例及图4对预训练得到情绪识别模型的方法做进一步说明。本领域技术人员可以理解，以下示例实施例仅用于理解本公开，本公开并不局限于此。

参照图4，预训练得到情绪识别模型的方法包括操作S410～操作S420。

其中，在操作S410，获取样本面部图像，对所述样本面部图像进行预处理，获取待识别图片。

本公开的实施例的预处理方法，可以包括对提取的面部图像进行特征区域分割和归一化处理的方法。具体的，在用户使用自助设备的过程中，获取面部图像，对提取的面部图像进行特征区域分割和归一化处理，主要包括面部光照和位置的处理，并将图像统一重塑为标准大小。在一个示例中，规定将图片大小同一整理为48x48像素的图片以便于分析。将处理后的48x48像素图片进行特征点标记。选取三个特征点：两眼(点a，b)和嘴巴(点c)。并以两眼的中点作为原点建立坐标系，分别向左右两个方向各剪切距离为d的区域，在垂直方向剪切0.5d和1.5d的区域，由此可将图片划分为如图5所示。

在操作S420，将所述待识别图片输入至卷积神经网络中进行迭代训练，直至所述卷积神经网络模型的损失函数值达到预设的阈值时，获取所述情绪识别模型，所述情绪识别模型用于基于获取的面部图像计算面部表情参数值。

图6示意性示出了根据本公开实施例的对卷积神经网络进行迭代训练以获取情绪识别模型的方法的流程图。

如图6所示，该实施例的对卷积神经网络进行迭代训练以获取情绪识别模型的方法包括操作S610～操作S640。

在操作S610，将所述待识别图片交替输入至卷积层和池化层，以对图片特征进行提取，直至获取多个第一处理图像单元。

为了更具象的研究面部表情图片，需想办法降低图片参数的同时又尽量捕捉到图像上的有效信息。可以利用卷积层对待识别图片进行处理。其中，卷积层处理就是通过设定的卷积核进行计算并得到卷积后的参数图片。卷积神经网络中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。

本公开的示例中，可以采用3×3的卷积核进行卷积计算。在该示例中，首先将ATM机识别的用户人脸面部信息处理为48x48像素的图片，选用3×3的卷积核可以刚好满足三次卷积两次池化的过程，避免图片过度压缩的同时又可以最大限度地完整地处理图片。同时ATM机人脸面部信息获取识别过程需快速精准，采用3×3的卷积核，通过三次卷积计算和穿插在期间的两次池化即可完成处理，过程保证不太冗长的同时又能彻底分析图片，保证时效性。

在步骤A中，以3x3的卷积核为例进行卷积计算过程演示：

初始图像为：

定义3x3的卷积核为：

卷积计算过程：以卷积核为窗口，在图像中不停移动，移动步长为1，进行权重计算，即可输出一组output。

其中，第一个窗口计算过程为：由此，得到第一个窗口权重计算结果为2，即

由此，该图经过3x3的卷积计算结果为：

综上，一张5x5的图像(A1)经过一次3x3的卷积(B1)后，得到更为具象的3x3图像(C1)。由此可得卷积层计算公式式(1)和式(2)：

其中，W_input为输入图像宽度、W_output为输出图像宽度、H_input为输入图像高度、H_output为输出图像高度、W_filter为卷积核宽度、H_filter为卷积核高度、P为增加边界数(定义为0)、S为卷积核步长。

在步骤B中，利用设置在两层卷积层之间的池化层对一次卷积运算后的图片进一步处理。卷积层对于图片参数的压缩过程较为反锁，且重复多次后会出现偏差。因此在卷积层之间通常会插入池化层。池化层也被称为下采样层，是卷积神经网络中常用的一种层级结构。它的作用是通过减少特征图的尺寸来降低计算量，并且可以提取出特征图的主要信息。池化层通常紧跟在卷积层之后，用于对卷积层输出的特征图进行下采样操作。池化层可加快计算速度，迅速减少训练参数的数量，并防止图片过度拟合。本公开的示例中，可以采用max-pooling法进行池化。

以一张4x4的图片为例：

Pooling窗口大小为2x2：以卷2x2作为一个池化窗口，在图像中不停移动，移动步长为2，选取窗口内的最大值作为输出项，可得出一个output。

第一个窗口计算结果为：

该图经过2x2的池化计算结果为：

综上，一张4x4的图像(A2)经过一次2x2的池化后，得到更为具象的2x2图像(B2)。由此可得池化层计算公式为式(3)和式(4)：

其中，W_input为输入图像宽度、W_output为输出图像宽度、H_input为输入图像高度、H_output为输出图像高度、W_filter为池化窗口宽度、H_filter为池化窗口高度、S为卷积核步长。

经卷积层和池化层处理后，可以获得包含图像提取特征的第一处理图像单元。进一步，可以利用全连接层把最后一层卷积层输出的二维特征图转化为一维向量。具体的，可以利用一个和图像一样大小尺寸的核卷积，对各第一处理图像单元进行处理。

返回参照图6，在本公开的实施例中，利用两层全连接层对第一处理图像单元进行进一步的处理。全连接层(Fully Connected Layer)是一种在神经网络中用于分类、回归等任务的层类型。全连接层中的每个神经元都与前一层的所有神经元和后一层的所有神经元连接，并具有可学习的权重。全连接层的作用是将学到的分布式特征表示映射到样本标记空间，通常作为分类器使用。在全连接层中，每个神经元都与前一层的所有神经元和后一层的所有神经元相连，因此全连接层也被称为密集层(Dense Layer)。全连接层中的每个连接都具有可学习的权重，这些权重在反向传播算法中更新以最小化网络的目标函数。

其中，在操作S620，将所述第一处理图像单元输入至第一全连接层，获取与第一处理图像单元数量相同的多个图像特征值。

在操作S630，将所述多个图像特征值输入至第二全连接层，获取与所述样本面部图像对应的面部表情参数识别值。其中，在第二全连接层的处理过程中，可以对由第一全连接层得到的图像的特征值取众数，以获取能够显著表征用户表情情绪的面部表情参数值。

本公开的实施例中，可以采用有监督的学习方法对模型进行训练。例如，对于每一张样本面部图像，都有对应的面部表情参数值标签。返回参照操作S640，基于所述面部表情参数识别值与待识别图片的面部表情参数值标签计算损失函数值。

在本公开的实施例的训练过程中，可以基于损失函数值的计算对模型参数进行迭代更新，直至损失函数值达到预设的阈值时，停止训练，此时，便得到了所需精度的情绪识别模型。

一个具体的示例中，以一张48x48的预处理后的人脸面部图像作为情绪识别模型的输入层进行计算，进行4x4的卷积后，再进行池化，最终使用两个全连接得到最终结果值。其过程如图7所示。在图7中，通过调整卷积核个数，大小，以及池化层中池化窗的大小以不断提取特征。每张人脸面部图像在经过数次卷积池化操作后，得到n张2x2的图像。

进一步的，在一次全连接层中：对每张图像用与之同样大小的核进行卷积后，可得到n个卷积值。

更近一步的，在二次全连接层中：对n个卷积值取众数，既得到该图像的深度卷积分析后的面部表情参数Q。

在训练得到情绪识别模型后，可以分别利用上述模型对用户交易图片和表情图片库中的图片进行处理。可选的，可以预先对表情图片库中的图片进行处理得到特征表情参数值，以利于后续对于用户情绪的实时识别。

其中，在利用情绪识别模型对表情图片库中的图片进行处理时，也可以采取多图片识别的方式以提高用户情绪判断的精确度。

图8示意性示出了根据本公开实施例的基于所述情绪识别模型对表情图片库进行预处理获取特征表情参数值的方法的流程图。需说明，本公开的实施例使用相同的情绪识别模型对用户交易图片和表情库图片进行处理以提升识别的准确度。在对表情库图片进行处理时，可以利用情绪识别模型分别对表情图片库中M种不同情绪类型的表情图片进行预处理，以获取M个特征表情参数值。

如图8所示，该实施例的基于所述情绪识别模型对表情图片库进行预处理获取特征表情参数值的方法包括操作S810～操作S840。

在操作S810，获取在所述表情图片库中对应于每类特征表情的多张图片。

针对特征表情的每一类，重复执行操作S820～操作S840，直至获取对应于每类特征表情的特征表情参数值。

在操作S820，将所述多张图片输入所述情绪识别模型。

在操作S830，响应于情绪识别模型的处理结果获取对应于每一张图片的表情参数值。

在操作S840，对各图片的表情参数值进行平均，获取所述特征表情参数值。

在一个示例中，以训练得到的情绪识别模型为基础，用与识别用户交易图片中用户情绪同样的方法将表情图片库中的所有涉及到“害怕”情绪的表情图片整理为48×48像素的图片，以3×3的卷积核进行三次卷积两次池化的过程，处理获得每一张害怕图片的表情参数值为Q_1-1、Q_1-2...Q_1-n。并计算Q_1-1、Q_1-2...Q_1-n的平均数Q1，定义其为“害怕”情绪的特征表情参数值Q1。

类似的，以相同方式分别处理得到其他情绪类型的表情图片的特征表情参数值，获得Q1-Q7。由于采用了相同的情绪识别模型，通过相同的像素值及卷积核参数处理自助设备获取的人脸信息以及表情库信息，可保证处理方式的一致性，结果对比的准确性。

用相同的方法对用户交易图片进行处理，获取用户表情参数值Q和特征表情参数值Q1-Q7后，进行欧氏距离比对来确定用户具体情绪倾向。例如，当前用户表情参数值Q＝1.2，害怕的特征表情参数值为1，悲伤的特征表情参数值为2、惊讶的特征表情参数值为3、气愤的特征表情参数值为4、厌恶的特征表情参数值为5、中性的特征表情参数值为6、快乐的特征表情参数值为7，则将用户情绪归类为害怕。

基于上述风险防控方法，本公开还提供了一种风险防控装置。以下将结合图9对该装置进行详细描述。

图9示意性示出了根据本公开实施例的风险防控装置的结构框图。

如图9所示，该实施例的风险防控装置900包括第一处理模块910、第一判断模块920、信息获取模块930、第二判断模块940和预警模块950。

第一处理模块910用于基于用户交易图片获取用户表情参数值，计算所述用户表情参数值与表情图片库中的M个特征表情参数值的相似度，其中，所述用户表情参数值和所述特征表情参数值基于相同的情绪识别模型对图片进行处理得到。在一实施例中，第一处理模块810可以用于执行前文描述的操作S210，在此不再赘述。

第一判断模块920用于将相似度最高的特征表情参数值对应的特征表情类型作为用户表情类型，判断所述用户表情类型是否为目标表情。在一实施例中，第一判断模块920可以用于执行前文描述的操作S220，在此不再赘述。

信息获取模块930用于当所述用户表情类型为目标表情时，获取用户交易信息，其中，所述用户交易信息包括用户正在进行的交易行为信息和用户历史交易信息，其中，所述用户正在进行的交易行为信息基于自助设备获取。在一实施例中，信息获取模块930可以用于执行前文描述的操作S230，在此不再赘述。

第二判断模块940用于基于所述用户交易信息判断用户交易风险等级。在一实施例中，信息获取模块940可以用于执行前文描述的操作S240，在此不再赘述。

预警模块950用于当用户交易风险等级达到预设的阈值时，触发风险预警，所述风险预警用于阻断用户正在进行的交易行为，并提示用户进行人工交易。在一实施例中，信息获取模块950可以用于执行前文描述的操作S250，在此不再赘述。

根据本公开的实施例，基于用户交易图片获取用户表情参数值包括：基于自助设备识别的N张用户交易图片分别提取用户交易面部信息；基于情绪识别模型对所述获取自各张用户交易图片的用户交易面部信息分别进行处理，获取N个用户面部信息值；以及对所述N个用户面部信息值进行处理，获取所述用户表情参数值，其中，所述情绪交易识别模型基于神经网络算法预训练得到。

根据本公开的实施例，表情图片库中的M个特征表情参数值基于所述情绪识别模型预处理获取，包括：获取在所述表情图片库中对应于每类特征表情的多张图片，重复执行以下操作直至获取对应于每类特征表情的特征表情参数值，包括：针对特征表情的每一类，将所述多张图片输入所述情绪识别模型；响应于情绪识别模型的处理结果获取对应于每一张图片的表情参数值；以及对各图片的表情参数值进行平均，获取所述特征表情参数值。

根据本公开的实施例，计算所述用户表情参数值与表情图片库中的M个特征表情参数值的相似度包括：计算所述用户表情参数值与各特征表情参数值的欧式距离，获取所述用户表情参数值与表情图片库中的M个特征表情参数值的相似度。

根据本公开的实施例，所述目标表情为情绪为负面情绪表情，所述负面情绪表情至少包括悲伤表情和/或害怕表情。

根据本公开的实施例，所述用户正在进行的交易行为信息包括：用户账户转出信息和/或用户提现信息；和/或，所述用户历史交易信息包括：自助设备识别频次信息和/或用户账户异常记录，其中，所述自助设备识别频次信息基于预设的时间范围获取。

本公开的另一方面还提供了一种情绪识别模型的训练装置。

如图10所示，其示意性地示出了一种根据本公开的实施例的情绪识别模型的训练装置1000，包括：预处理模块1001和训练模块1002。

预处理模块1001用于获取样本面部图像，对所述样本面部图像进行预处理，获取待识别图片。在一实施例中，预处理模块1001可以用于执行前文描述的操作S410，在此不再赘述。

训练模块1002用于将所述待识别图片输入至卷积神经网络中进行迭代训练，直至所述卷积神经网络模型的损失函数值达到预设的阈值时，获取所述情绪识别模型，所述情绪识别模型用于基于获取的面部图像计算面部表情参数值。在一实施例中，训练模块1002可以用于执行前文描述的操作S420，在此不再赘述。

根据本公开的实施例，训练模块还包括特征提取单元，第一融合单元，第二融合单元以及计算单元。

图11示意性示出了根据本公开实施例的训练模块的结构框图。

如图11所示，该实施例的训练模块1002包括特征提取单元10021，第一融合单元10022，第二融合单元10023和计算单元10024。

其中，特征提取单元10021用于将所述待识别图片交替输入至卷积层和池化层，以对图片特征进行提取，直至获取多个第一处理图像单元。在一实施例中，特征提取单元10021可以用于执行前文描述的操作S610，在此不再赘述。

第一融合单元10022用于将所述第一处理图像单元输入至第一全连接层，获取与第一处理图像单元数量相同的多个图像特征值。在一实施例中，第一融合单元10022可以用于执行前文描述的操作S620，在此不再赘述。

第二融合单元10023用于将所述多个图像特征值输入至第二全连接层，获取与所述样本面部图像对应的面部表情参数识别值。在一实施例中，第二融合单元1 0023可以用于执行前文描述的操作S630，在此不再赘述。

计算单元10024用于基于所述面部表情参数识别值与待识别图片的面部表情参数值标签计算损失函数值。在一实施例中，计算单元10024可以用于执行前文描述的操作S640，在此不再赘述。

根据本公开的实施例，第一处理模块910、第一判断模块920、信息获取模块930、第二判断模块940和预警模块950中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。类似的，预处理模块1001、训练模块1002、特征提取单元10021，第一融合单元10022，第二融合单元10023和计算单元10024中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一处理模块910、第一判断模块920、信息获取模块930、第二判断模块940和预警模块950中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。类似的，预处理模块1001、训练模块1002、特征提取单元10021，第一融合单元10022，第二融合单元10023和计算单元10024中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一处理模块910、第一判断模块920、信息获取模块930、第二判断模块940和预警模块950中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。类似的，预处理模块1001、训练模块1002、特征提取单元10021，第一融合单元10022，第二融合单元10023和计算单元10024中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图12示意性示出了根据本公开实施例的适于实现风险防控方法的电子设备的方框图。

如图12所示，根据本公开实施例的电子设备1200包括处理器1201，其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。处理器1201例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器1201还可以包括用于缓存用途的板载存储器。处理器1201可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1203中，存储有电子设备1200操作所需的各种程序和数据。处理器1201、ROM 1202以及RAM 1203通过总线1204彼此相连。处理器1201通过执行ROM 1202和/或RAM1203中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1202和RAM 1203以外的一个或多个存储器中。处理器1201也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备1200还可以包括输入/输出(I/O)接口1205，输入/输出(I/O)接口1205也连接至总线1204。电子设备1200还可以包括连接至I/O接口1205的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1206；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1207；包括硬盘等的存储部分1208；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1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口1205。可拆卸介质1211，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1210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1208。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：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)、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。在本公开中，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。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1202和/或RAM 1203和/或ROM 1202和RAM 1203以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，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。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。

在该计算机程序被处理器1201执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1209被下载和安装，和/或从可拆卸介质1211被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。在该计算机程序被处理器1201执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (12)

1.一种风险防控方法，包括：

基于用户交易图片获取用户表情参数值，计算所述用户表情参数值与表情图片库中的M个特征表情参数值的相似度，其中，所述用户表情参数值和所述特征表情参数值基于相同的情绪识别模型对图片进行处理得到；

将相似度最高的特征表情参数值对应的特征表情类型作为用户表情类型，判断所述用户表情类型是否为目标表情；

当所述用户表情类型为目标表情时，获取用户交易信息，其中，所述用户交易信息包括用户正在进行的交易行为信息和用户历史交易信息，其中，所述用户正在进行的交易行为信息基于自助设备获取；

基于所述用户交易信息判断用户交易风险等级；以及

当用户交易风险等级达到预设的阈值时，触发风险预警，所述风险预警用于阻断用户正在进行的交易行为，并提示用户进行人工交易。

2.一种根据权利要求1所述的方法，其中，所述基于用户交易图片获取用户表情参数值包括：

基于自助设备识别的N张用户交易图片分别提取用户交易面部信息；

基于情绪识别模型对所述获取自各张用户交易图片的用户交易面部信息分别进行处理，获取N个用户面部信息值；以及

对所述N个用户面部信息值进行处理，获取所述用户表情参数值，

其中，所述情绪交易识别模型基于神经网络算法预训练得到。

3.一种根据权利要求2所述的方法，其中，所述表情图片库中的M个特征表情参数值基于所述情绪识别模型预处理获取，包括：

获取在所述表情图片库中对应于每类特征表情的多张图片，

重复执行以下操作直至获取对应于每类特征表情的特征表情参数值，包括：针对特征表情的每一类，

将所述多张图片输入所述情绪识别模型；

响应于情绪识别模型的处理结果获取对应于每一张图片的表情参数值；以及

对各图片的表情参数值进行平均，获取所述特征表情参数值。

4.根据权利要求1所述的方法，其中，所述情绪识别模型基于卷积神经网络算法预训练得到，包括：

获取样本面部图像，对所述样本面部图像进行预处理，获取待识别图片；以及

将所述待识别图片输入至卷积神经网络中进行迭代训练，直至所述卷积神经网络模型的损失函数值达到预设的阈值时，获取所述情绪识别模型，所述情绪识别模型用于基于获取的面部图像计算面部表情参数值，

其中，每一轮训练的步骤包括：

将所述待识别图片交替输入至卷积层和池化层，以对图片特征进行提取，直至获取多个第一处理图像单元；

将所述第一处理图像单元输入至第一全连接层，获取与第一处理图像单元数量相同的多个图像特征值；

将所述多个图像特征值输入至第二全连接层，获取与所述样本面部图像对应的面部表情参数识别值；以及

基于所述面部表情参数识别值与待识别图片的面部表情参数值标签计算损失函数值。

5.根据权利要求4所述的方法，其中，所述对所述N个用户面部信息值进行处理，获取所述用户表情参数值包括：

对所述N个用户面部信息值进行取众数处理，获取所述用户表情参数值。

6.根据权利要求1所述的方法，其中，所述计算所述用户表情参数值与表情图片库中的M个特征表情参数值的相似度包括：

计算所述用户表情参数值与各特征表情参数值的欧式距离，获取所述用户表情参数值与表情图片库中的M个特征表情参数值的相似度。

7.根据权利要求1所述的方法，其中，所述目标表情为情绪为负面情绪表情，所述负面情绪表情至少包括悲伤表情和/或害怕表情。

8.根据权利要求1～7中任一项所述的方法，其中，所述用户正在进行的交易行为信息包括：用户账户转出信息和/或用户提现信息；和/或，所述用户历史交易信息包括：自助设备识别频次信息和/或用户账户异常记录，其中，所述自助设备识别频次信息基于预设的时间范围获取。

9.一种风险防控装置，包括：

第一处理模块，配置为基于用户交易图片获取用户表情参数值，计算所述用户表情参数值与表情图片库中的M个特征表情参数值的相似度，其中，所述用户表情参数值和所述特征表情参数值基于相同的情绪识别模型对图片进行处理得到；

第一判断模块，配置为将相似度最高的特征表情参数值对应的特征表情类型作为用户表情类型，判断所述用户表情类型是否为目标表情；

信息获取模块，配置为当所述用户表情类型为目标表情时，获取用户交易信息，其中，所述用户交易信息包括用户正在进行的交易行为信息和用户历史交易信息，其中，所述用户正在进行的交易行为信息基于自助设备获取；

第二判断模块，而配置为基于所述用户交易信息判断用户交易风险等级；以及

预警模块，配置为当用户交易风险等级达到预设的阈值时，触发风险预警，所述风险预警用于阻断用户正在进行的交易行为，并提示用户进行人工交易。

10.一种电子设备，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，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～8中任一项所述的方法。

11.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～8中任一项所述的方法。

12.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～8中任一项所述的方法。