TWI731297B

TWI731297B - 一種風險預測方法、存儲介質和伺服器

Info

Publication number: TWI731297B
Application number: TW108102852A
Authority: TW
Inventors: 胡藝飛; 徐國強; 邱寒
Original assignee: 大陸商深圳壹賬通智能科技有限公司
Priority date: 2018-05-22
Filing date: 2019-01-25
Publication date: 2021-06-21
Also published as: WO2019223139A1; TW202004637A; CN108734570A

Abstract

本發明提供了一種風險預測方法、存儲介質和伺服器，包括：獲取申請人在面審過程中的視頻圖像；將該視頻圖像中的視頻訊框進行聚類，確定關鍵訊框視頻圖像；根據確定的該關鍵訊框視頻圖像與微表情欺詐概率模型，確定該關鍵訊框視頻圖像對應的微表情的欺詐概率；根據確定的該關鍵訊框視頻圖像對應的微表情的欺詐概率，對該申請人的還款能力進行風險預測。本發明通過對申請人在面審過程中的微表情進行分析，評估申請人的欺詐概率，並根據欺詐概率對該申請人的還款能力進行風險預測，為預測評估申請人的還款能力提供客觀的輔助判斷，從而提高風險預測的準確性以及預測的效率。

Description

一種風險預測方法、存儲介質和伺服器

本發明屬於資訊監控領域，尤其是關於一種風險預測方法、存儲介質和伺服器。

信貸申請人在辦理銀行貸款時通常需要進行信貸面審，風險預測人員跟信貸申請人面談核實相關資訊。現有的信貸面審一般是有信貸申請人填寫紙質信貸材料，由風險預測人員審核信貸申請人填寫的信貸材料，並通過與信貸申請人的面談來對信貸申請人未來償還該筆貸款的還款能力進行預測，提出風險防控措施。

事實上，根據紙質信貸材料以及風險預測人員的審核經驗對信貸申請人未來償還該筆貸款的還款能力進行預測，提出風險防控措施，主要是依靠信貸申請人的誠信填寫以及風險預測人的經驗，缺少一些客觀的輔助判斷，易造成還款能力預測不準確，從而影響提出風險防控措施的準確性。

綜上所述，現有的風險預測方式中存在主要是依靠信貸申請人的誠信填寫以及風險預測人的經驗評估，缺少一些客觀的輔助判斷，易造成還款能力預測確性不高的問題。

本發明實施例提供了一種風險預測方法、存儲介質和伺服器，以解決現有的風險預測方式中存在主要是依靠信貸申請人的誠信填寫以及風險預測人的經驗評估，缺少一些客觀的輔助判斷，易造成風險預測準確性不高、效率也不高的問題。

本發明實施例的第一方面提供了一種風險預測方法，包括：獲取申請人在面審過程中的視頻圖像；將該視頻圖像中的視頻訊框進行聚類，確定關鍵訊框視頻圖像；根據確定的該關鍵訊框視頻圖像與微表情欺詐概率模型，確定該關鍵訊框視頻圖像對應的微表情的欺詐概率；根據確定的該關鍵訊框視頻圖像對應的微表情的欺詐概率，對該申請人的還款能力進行風險預測。

本發明實施例的第二方面提供了一種伺服器，包括記憶體以及處理器，該記憶體存儲有可在該處理器上運行的電腦程式，該處理器執行該電腦程式時實現如下步驟：獲取申請人在面審過程中的視頻圖像；將該視頻圖像中的視頻訊框進行聚類，確定關鍵訊框視頻圖像；根據確定的該關鍵訊框視頻圖像與微表情欺詐概率模型，確定該關鍵訊框視頻圖像對應的微表情的欺詐概率；根據確定的該關鍵訊框視頻圖像對應的微表情的欺詐概率，對該申請人的還款能力進行風險預測。

本發明實施例的第三方面提供了一種電腦可讀存儲介質，該電腦可讀存儲介質存儲有電腦程式，該電腦程式被處理器執行時實現如下步驟：獲取申請人在面審過程中的視頻圖像；將該視頻圖像中的視頻訊框進行聚類，確定關鍵訊框視頻圖像；根據確定的該關鍵訊框視頻圖像與微表情欺詐概率模型，確定該關鍵訊框視頻圖像對應的微表情的欺詐概率；根據確定的該關鍵訊框視頻圖像對應的微表情的欺詐概率，對該申請人的還款能力進行風險預測。

本發明實施例中，通過獲取申請人在面審過程中的視頻圖像，將該視頻圖像中的視頻訊框進行聚類，確定關鍵訊框視頻圖像，然後根據確定的該關鍵訊框視頻圖像與微表情欺詐概率模型，確定該關鍵訊框視頻圖像對應的微表情的欺詐概率，最後根據確定的該關鍵訊框視頻圖像對應的微表情的欺詐概率，對該申請人的還款能力進行風險預測，本方案通過對申請人在面審過程中的微表情進行分析，評估申請人的欺詐概率，並根據欺詐概率對該申請人的還款能力進行風險預測，為預測評估申請人的還款能力提供客觀的輔助判斷，從而提高風險預測的準確性以及預測的效率。

S101~S104、A1~A5、B1~B2、C11~C3、D1~D3:步驟

61:視頻圖像獲取模組

62:關鍵圖像確定模組

63:欺詐概率確定模組

64:風險預測模組

71:樣本視頻獲取模組

72:關鍵圖像抽取模組

73:分類訓練模組

8:伺服器

80:處理器

81:記憶體

82:電腦程式

為了更清楚地說明本發明實施例中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出進步性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

圖1是本發明實施例提供的風險預測方法的實現流程圖；圖2是本發明實施例提供的風險預測方法S102的具體實現流程圖；圖3是本發明實施例提供的風險預測方法S102的具體實現流程圖；圖4是本發明實施例提供的風險預測方法S103中訓練微表情欺詐概率模型的具體實現流程圖；圖5是本發明另一實施例提供的風險預測方法S104的實現流程圖；圖6是本發明實施例提供的風險預測裝置的結構框圖；圖7是本發明另一實施例提供的風險預測裝置的結構框圖；圖8是本發明實施例提供的伺服器的示意圖。

為使得本發明的發明目的、特徵、優點能夠更加的明顯和易懂，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，下面所描述的實施例僅僅是本發明一部分實施例，而非全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出進步性勞動前提下所獲得的所有其它實施例，都屬於本發明保護的範圍。

圖1示出了本發明實施例提供的風險預測方法的實現流程，該方法流程包括步驟S101至S104。各步驟的具體實現原理如下：

S101：獲取申請人在面審過程中的視頻圖像。

在本發明實施例中，在申請人進行面審的過程中，通過攝像頭拍攝面審過程中申請人的表現，尤其是申請人的面部表情。因此，該視頻圖像包括該申請人的表情圖像。事實上，申請人很多表情是一閃而過，也即微表情，微表情是一種持續時間僅為1/25~1/5s非常快速的表情，它是人們試圖壓抑或隱藏自己真實情感時表現出短暫的、不能自主控制的面部表情。在本發明實施例中，由於在申請人回答一個問題時，在大部分時間申請人都是面無表情或其他一些常見表情，而有用的資訊往往只出現在那些可能一閃而過的微表情裡。因此通過對面審過程中申請人的表現拍攝錄影，對使用者的微表情進行分析，避免錯過可能出現過的微表情，提高風險預測的準確性。

進一步地，由於在面審過程中申請人可能回答的問題不止一個，可以將面談過程中的完整視頻圖像按一個問題及回答的時長分割成多個視頻圖像，對分割出來的多個視頻圖像分別進行微表情分析，即將面審過程中的視頻圖像按內容或時長分割成人若干個子視頻圖像。

S102：將該視頻圖像中的視頻訊框進行聚類，確定關鍵訊框視頻圖像。

有用的資訊往往只出現在那些可能一閃而過的微表情中，在一個視頻圖像中，如果統計一個表情出現的時長，對於分析該表情的影響非常大，因此，通過確定視頻圖像中的關鍵訊框視頻圖像，剔除冗餘訊框圖像，可消除視頻時長對微表情分析的影響。在本發明實施例中，通過將該視頻圖像中的視頻訊框進行聚類，確定關鍵訊框視頻圖像，從而避免對每一訊框視頻圖像進行分析，提高分析的效率。

具體地，在本發明實施例中，根據視頻訊框中的人臉表情進行聚類。聚類的原則包括：視頻訊框圖像中的人臉表情在某種意義上趨於彼此相似(相似度較高)；不同的人臉表情趨近於不相似(相似度較低)。其中，相似度較高和相似度較低通過與設定的相似度閾值進行比較，若相似度不低於預設相似度閾值，則認為相似度較高，趨於彼此相似；若相似度低於預設相似度閾值，則認為相似度較低，趨於彼此不相似。

作為本發明的一個實施例，如圖2所示，上述S102具體包括：A1：從該視頻圖像中選取指定數量的視頻訊框作為初始聚類中心；A2：計算該視頻圖像中的視頻訊框與該初始聚類中心的相似度。具體地，計算視頻訊框中人臉表情與作為初始聚類中心的視頻訊框中的人臉表情的相似度；A3：根據計算的相似度與預設的最小相似度將該視頻圖像中的視頻訊框進行聚類。具體地，若計算的相似度不小於預設的最小相似度，則將該視頻訊框與該初始聚類中心聚類。相反的，若計算的相似度小於預設的最小相似度，則不進行聚類。進一步地，將所有計算的相似度小於預設的相似度的視頻訊框單獨聚類為一簇；A4：從聚類後的視頻訊框中重新選取聚類中心，重複進行聚類直至聚類中心收斂。其中，聚類中心收斂是指作為聚類中心的視頻訊框圖像不再更改。具體地，每一視頻訊框圖像都標有時間戳記，可通過判斷作為聚類中心的視頻訊框圖像的時間戳記是否改變來判斷聚類中心是否收斂。若作為視頻訊框圖像的時間戳記未改變，則認為聚類中心已收斂，若作為視頻訊框圖像的時間戳記改變，則認為聚類中心還未收斂；A5：將最終確定的聚類中心確定為該視頻圖像的關鍵訊框視頻圖像。

在本發明實施例中，通過將視頻圖像中的視頻訊框聚類確定關鍵訊框視頻圖像，將冗餘的視頻訊框剔除，以提高圖像分析的效率。

作為本發明的一個實施例，如圖3所示，每一訊框視頻圖像中都包括人臉面部動作單元，因此，上述S102具體包括：

B1：根據該視頻圖像中的視頻訊框，獲取每一訊框視頻圖像中人臉面部動作單元的強度值。

B2：根據人臉面部動作單元的強度值對該視頻訊框圖片進行分類，並根據分類結果確定關鍵訊框視頻圖像。

具體地，為客觀刻畫申請人的面部表情，採用一組編碼描述表情，每個編碼稱為一個動作單元(ActionUnit)，人的面部表情用一系列動作單元(ActionUnit)表示，建立動作單元編號映射表，每個動作單元用一個預先規定的編號表示。例如，一個驚訝的表情包括眉毛內側上揚、外側眉毛上揚、上眼瞼上揚、下顎張開，根據動作單元編號映射表可知，這些動作對應的動作單元編號分別是1、2、6和18。這組編碼描述該驚訝的表情。動作單元識別可以客觀描述人的面部動作，也可以用來分析表情對應的情緒狀態。當動作單元的強度值不小於預設強度閾值時，才認為動作單元標準。具體地，一個面部表情包括若干個動作單元，當若干個動作單元中，指定的動作單元的強度值都不小於預設強度閾值時，認定該若干個的動作單元對應這種表情。其中，動作單元的強度值可通過面部器官的活動幅度體現，例如，通過下顎張開的幅度與預設幅度閾值的差值來判斷該動作單元的強度值。進一步地，在同一個面部表情中可能包括不止一個動作單元，例如，一個驚訝的表情中，通過分別判斷眉毛內側上揚、外側眉毛上揚、上眼瞼上揚、下顎張開等一系列面部器官的幅度與對應的預設的幅度閾值的差值，來確定各個動作單元的強度值。根據各個動作單元的強度值之和來確定該組動作單元的強度值，以便確定該組動作單元對應的人臉表情。

在本發明實施例中，強度值的差值在預設差值範圍內的人臉面部動作單元對應的人臉表情也極為相似，因此，根據人臉面部動作單元的強度值對該視頻訊框圖片進行分類，並根據分類結果確定關鍵訊框視頻圖像，剔除冗餘的視頻訊框。

進一步地，根據每一訊框圖片中人臉面部動作單元的強度，對視頻圖像中所有的視頻訊框進行聚類，隨機抽取設定數量視頻訊框作為初始聚類中心(如7個聚類中心，就選擇7個視頻訊框圖像)，並根據事先通過統計結果得到的動作單元的預設強度閾值，篩選出關鍵訊框圖片。例如，對於一視頻訊框圖像，其中指定的面部動作單元的強度值都不小於預設強度閾值，且該視頻訊框圖像的面部動作單元的強度值與聚類中心的強度值的差值不小於預設強度差值，才認為這張圖片是關鍵訊框視頻圖像。

S103：根據確定的該關鍵訊框視頻圖像與微表情欺詐概率模型，確定該關鍵訊框視頻圖像對應的微表情的欺詐概率。

在本發明實施例中，該微表情欺詐概率模型是用於獲取對該關鍵訊框視頻圖像中的微表情的欺詐概率，該微表情欺詐概率模型是預先訓練好的，可採用機器學習對該微表情欺詐概率模型進行訓練。

作為本發明的一個實施例，圖4示出了本發明實施例提供的風險預測方法訓練微表情欺詐概率模型的具體實現流程，詳述如下：C1：獲取設定數量貼有標籤的樣本視頻，該標籤包括欺詐和非欺詐。由於樣本視頻貼有欺詐或者非欺詐的標籤，因此，樣本視頻中的每一視頻訊框圖像都貼有與該樣本視頻相同的標籤；C2：抽取每一個樣本視頻中的樣本關鍵訊框圖像，該樣本關鍵訊框圖像的標籤與所屬的樣本視頻的標籤相同；C3：將抽取的樣本關鍵訊框圖像作為訓練樣本對SVM分類器進行訓練，將訓練完成的SVM分類器確定為微表情欺詐概率模型。其中，SVM(Support Vector Machine)分類機是支援向量機，是常見的一種判別方法。在機器學習領域，是一個有監督的學習模型，通常用來進行模式識別、分類以及回歸分析。

具體地，根據K-means聚類演算法抽取每一個樣本視頻的樣本關鍵訊框圖像，確定樣本關鍵訊框圖像中的動作單元的強度，將樣本關鍵訊框圖像作為訓練樣本對SVM分類器進行訓練，其中，資料點為一張樣本關鍵訊框圖像，特徵為面部動作單元的強度值，標籤為欺詐或者非欺詐，經過反復訓練確定SVM分類器的最優參數，從而生成微表情欺詐概率模型。

在本發明實施例中，採用SVM分類器對樣本關鍵訊框圖像進行訓練，生成微表情欺詐概率模型，再將確定的該關鍵訊框視頻圖像輸入至該微表情欺詐概率模型，確定該關鍵訊框視頻圖像對應的微表情的欺詐概率。

示例性地，用SVM分類器訓練出一個超平面，人臉表情動作單元為特徵空間中為一個點，輸入一張圖片中人臉表情的動作單元強度值，即輸入一個點，判斷該點到SVM分類器的超平面的距離，將該距離輸入到sigmoid函數獲得概率值，sigmoid函數表示為：

，x表示動作單元代表的點到SVM訓練的超平面的距離。若概率值大於50%，則判斷該關鍵訊框圖像為欺詐，若概率值不大於50%，則判斷該關鍵訊框圖像為不欺詐。

在本發明實施例中，每輸入一張視頻圖像至微表情欺詐概率模型中就能獲取一個概率值。若關鍵訊框視頻圖像的欺詐概率大於預設概率閾值，則判定該關鍵訊框視頻圖像中的微表情為欺詐表情，若該視頻圖像的欺詐概率不大於預設概率閾值，則判定該關鍵訊框視頻圖像中的微表情為非欺詐表情。一般的，將預設概率閾值設置為50%。

對於同一個申請人在面審過程中可能存在不止一個視頻圖像。對於同一個視頻圖像，可以確定不止一張關鍵訊框視頻圖像。將視頻圖像的多張關鍵訊框視頻圖像依次輸入至微表情欺詐概率模型中分別獲取概率值，再對這多張關鍵訊框圖片概率值取平均值，該平均值確定為該視頻圖像的欺詐概率。進而根據該欺詐概率與預設概率閾值的比較結果判斷該視頻圖像是否欺詐。

S104：根據確定的該關鍵訊框視頻圖像對應的微表情的欺詐概率，對該申請人的還款能力進行風險預測。

在本發明實施例中，根據該關鍵訊框視頻圖像對應的微表情的欺詐概率，可以確定申請人的誠信可靠度，誠信可靠度與欺詐概率的可靠度成反比，欺詐概率越高，誠信可靠度越低，誠信可靠度與還款風險也成反比，誠信可靠度越低，還款風險越高。

作為本發明的一個實施例，圖5示出了本發明實施例提供的風險預測方法步驟S104的具體實現流程，詳述如下：D1：將該關鍵訊框視頻圖像對應的微表情的欺詐概率與預設風險概率閾值進行比較；D2：若該關鍵訊框視頻圖像對應的微表情的欺詐概率不小於該預設風險概率閾值，則預測該申請人的還款風險超出預設風險範圍；D3：若該關鍵訊框視頻圖像對應的微表情的欺詐概率小於該預設風險概率閾值，則預測該申請人的還款風險在預設風險範圍之內。

具體地，通過該預設風險概率閾值作為臨界點，預測該申請人的還款風險是否超出預設風險範圍。進一步地，計算該欺詐概率與該預設風險概率閾值的差值與預設風險差值，根據預先建立的差值等級對照表來判斷該申請人的還款風險的等級。

可選地，作為本發明的一個實施例，該步驟S104還包括：D4：若預測該申請人的還款風險超出預設風險範圍，提出與風險防控措施。

具體地，若預測該申請人的還款風險超出預設風險範圍，則調取根據歷史審核資訊建立的措施庫中與該申請人的還款風險匹配的措施，為審核人提供建議。

本發明實施例中，通過獲取申請人在面審過程中的視頻圖像，將該視頻圖像中的視頻訊框進行聚類，根據視頻訊框中人臉表情的相似度進行聚類，確定關鍵訊框視頻圖像，或者，根據視頻訊框中人臉面部動作單元的強度值進行聚類，確定關鍵訊框視頻圖像，然後根據確定的該關鍵訊框視頻圖像與微表情欺詐概率模型，確定該關鍵訊框視頻圖像對應的微表情的欺詐概率，最後根據確定的該關鍵訊框視頻圖像對應的微表情的欺詐概率，對該申請人的還款能力進行風險預測，本方案通過對申請人在面審過程中的微表情進行分析，評估申請人的欺詐概率，根據欺詐概率與預設風險概率閾值的比較結果判斷該申請人的誠信可靠度，並根據誠信可靠度對該申請人的還款能力進行風險預測，為預測評估申請人的還款能力提供客觀的輔助判斷，從而提高風險預測的準確性以及預測的效率。

應理解，上述實施例中各步驟的序號的大小並不意味著執行順序的先後，各過程的執行順序應以其功能和內在邏輯確定，而不應對本發明實施例的實施過程構成任何限定。

對應于上文實施例所述的風險預測方法，圖6示出了本發明實施例提供的風險預測裝置的結構框圖，為了便於說明，僅示出了與本發明實施例相關的部分。

參照圖6，該風險預測裝置包括：視頻圖像獲取模組61，關鍵圖像確定模組62，欺詐概率確定模組63，風險預測模組64，其中：視頻圖像獲取模組61，用於獲取申請人在面審過程中的視頻圖像；關鍵圖像確定模組62，用於將該視頻圖像中的視頻訊框進行聚類，確定關鍵訊框視頻圖像；欺詐概率確定模組63，用於根據確定的該關鍵訊框視頻圖像與微表情欺詐概率模型，確定該關鍵訊框視頻圖像對應的微表情的欺詐概率；風險預測模組64，用於根據確定的該關鍵訊框視頻圖像對應的微表情的欺詐概率，對該申請人的還款能力進行風險預測。

可選地，該關鍵圖像確定模組62包括：中心確定子模組，用於從該視頻圖像中選取指定數量的視頻訊框作為初始聚類中心；相似度計算子模組，用於計算該視頻圖像中的視頻訊框與該初始聚類中心的相似度；聚類子模組，用於根據計算的相似度與預設的最小相似度將該視頻圖像中的視頻訊框進行聚類；該聚類子模組，還用於從聚類後的視頻訊框中重新選取聚類中心，重複進行聚類直至聚類中心收斂；第一圖像確定子模組，用於將最終確定的聚類中心確定為該視頻圖像的關鍵訊框視頻圖像。

可選地，該關鍵圖像確定模組62包括：強度值確定單元，用於根據該視頻圖像中的視頻訊框，獲取每一訊框視頻圖像中人臉面部動作單元的強度值；第二圖像確定子模組，用於根據人臉面部動作單元的強度值對該視頻訊框圖片進行分類，並根據分類結果確定關鍵訊框視頻圖像。

可選地，該風險預測模組64包括：概率比較子模組，用於將該關鍵訊框視頻圖像對應的微表情的欺詐概率與預設風險概率閾值進行比較；第一預測子模組，用於若該關鍵訊框視頻圖像對應的微表情的欺詐概率不小於該預設風險概率閾值，則預測該申請人的還款風險超出預設風險範圍；第二預測子模組，用於若該關鍵訊框視頻圖像對應的微表情的欺詐概率小於該預設風險概率閾值，則預測該申請人的還款風險在預設風險範圍之內。

可選地，如圖7所示，該風險預測裝置還包括：樣本視頻獲取模組71，用於獲取設定數量貼有標籤的樣本視頻，該標籤包括欺詐和非欺詐；關鍵圖像抽取模組72，用於抽取每一個樣本視頻中的樣本關鍵訊框圖像，該樣本關鍵訊框圖像的標籤與所屬的樣本視頻的標籤相同；分類訓練模組73，用於將抽取的樣本關鍵訊框圖像作為訓練樣本對SVM分類器進行訓練，將訓練完成的SVM分類器確定為微表情欺詐概率模型。

圖8是本發明一實施例提供的伺服器的示意圖。如圖8所示，該實施例的伺服器8包括：處理器80、記憶體81以及存儲在該記憶體81中並可在該處理器80上運行的電腦程式82，例如風險預測程式。該處理器80執行該電腦程式82時實現上述各個風險預測方法實施例中的步驟，例如圖1所示的步驟101至104。或者，該處理器80執行該電腦程式82時實現上述各裝置實施例中各模組/單元的功能，例如圖6所示模組61至64的功能。

示例性的，該電腦程式82可以被分割成一個或多個模組/單元，該一個或者多個模組/單元被存儲在該記憶體81中，並由該處理器80執行，以完成本發明。該一個或多個模組/單元可以是能夠完成特定功能的一系列電腦程式指令段，該指令段用於描述該電腦程式82在該伺服器8中的執行過程。

該伺服器8可以是桌上型電腦、筆記本、掌上型電腦及雲端伺服器等計算設備。該伺服器可包括，但不僅限於，處理器80、記憶體81。本領域技術人員可以理解，圖8僅僅是伺服器8的示例，並不構成對伺服器8的限定，可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件，例如該伺服器還可以包括輸入輸出設備、網路接取設備、匯流排等。

該處理器80可以是中央處理單元(Central Processing Unit，CPU)，還可以是其他通用處理器、數位訊號處理器(Digital Signal Processor， DSP)、專用積體電路(Application Specific Integrated Circuit，ASIC)、現成可程式設計閘陣列(Field-Programmable Gate Array，FPGA)或者其他可程式設計邏輯器件、分立門或者電晶體邏輯器件、分立硬體元件等。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等。

該記憶體81可以是該伺服器8的內部存儲單元，例如伺服器8的硬碟或記憶體。該記憶體81也可以是該伺服器8的外部存放裝置，例如該伺服器8上配備的插接式硬碟，智慧存儲卡(Smart Media Card,SMC)，安全數位(Secure Digital,SD)卡，快閃記憶體卡(Flash Card)等。進一步地，該記憶體81還可以既包括該伺服器8的內部存儲單元也包括外部存放裝置。該記憶體81用於存儲該電腦程式以及該伺服器所需的其他程式和資料。該記憶體81還可以用於暫時地存儲已經輸出或者將要輸出的資料。

另外，在本發明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨實體存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現，也可以採用軟體功能單元的形式實現。

該集成的模組/單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以存儲在一個電腦可讀取存儲介質中。基於這樣的理解，本發明實現上述實施例方法中的全部或部分流程，也可以通過電腦程式來指令相關的硬體來完成，所述的電腦程式可存儲於一電腦可讀存儲介質中，該電腦程式在被處理器執行時，可實現上述各個方法實施例的步驟。其中，該電腦程式包括電腦程式代碼，該電腦程式代碼可以為原始程式碼形式、物件代碼形式、可執行檔或某些中間形式等。該電腦可讀介質可以包括：能夠攜帶該電腦程式代碼的任何實體或裝置、記錄介質、隨身碟、行動硬碟、磁碟、光碟、電腦記憶體、唯讀記憶體(ROM，Read-Only Memory)、隨機存取記憶體(RAM，Random Access Memory)、電載波信號、電信信號以及軟體分發介質等。需要說明的是，該電腦可讀介質包含的內容可以根據司法管轄區內立法和專利實踐的要求進行適當的增減，例如在某些司法管轄區，根據立法和專利實踐，電腦可讀介質不包括電載波信號和電信信號。

以上所述實施例僅用以說明本發明的技術方案，而非對其限制；儘管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特徵進行等同替換；而這些修改或者替換，並不使相應技術方案的本質脫離本發明各實施例技術方案的精神和範圍，均應包含在本發明的保護範圍之內。

S101~S104‧‧‧步驟

Claims

一種風險預測方法，應用於電腦可讀存儲介質，該電腦可讀存儲介質存儲有電腦程式，其特徵在於，該電腦程式被處理器執行時實現以下步驟：獲取申請人在面審過程中的視頻圖像；將該視頻圖像中的視頻訊框進行聚類，確定關鍵訊框視頻圖像；根據確定的該關鍵訊框視頻圖像與微表情欺詐概率模型，確定該關鍵訊框視頻圖像對應的微表情的欺詐概率，該微表情欺詐概率模型是預先訓練好的，可採用機器學習對該微表情欺詐概率模型進行訓練；根據確定的該關鍵訊框視頻圖像對應的微表情的欺詐概率，對該申請人的還款能力進行風險預測；其中，當該被訓練出的微表情欺詐概率模型為一超平面時，且該關鍵訊框視頻圖像所包含的動作單元的強度值被輸入至該微表情欺詐概率模型時，該關鍵訊框視頻圖像到該微表情欺詐概率模型之超平面的距離將被判斷，再將該距離輸入至S(x)即獲得該微表情的欺詐概率值，其中S(x)=1/(1+e ^-x)，x表示該距離。
如請求項1所述的風險預測方法，其中，該將該視頻圖像中的視頻訊框進行聚類，確定關鍵訊框視頻圖像的步驟，包括：從該視頻圖像中選取指定數量的視頻訊框作為初始聚類中心；計算該視頻圖像中的視頻訊框與該初始聚類中心的相似度；根據計算的相似度與預設的最小相似度將該視頻圖像中的視頻訊框進行聚類；從聚類後的視頻訊框中重新選取聚類中心，重複進行聚類直至聚類中心收斂；將最終確定的聚類中心確定為該視頻圖像的關鍵訊框視頻圖像。
如請求項1所述的風險預測方法，其中，該將該視頻圖像中的視頻訊框進行聚類，確定關鍵訊框視頻圖像的步驟，包括：根據該視頻圖像中的視頻訊框，獲取每一訊框視頻圖像中人臉面部動作單元的強度值；根據該人臉面部動作單元的強度值對該視頻訊框圖片進行分類，並根據分類結果確定關鍵訊框視頻圖像。
如請求項1所述的風險預測方法，其中，在該根據確定的該關鍵訊框視頻圖像與微表情欺詐概率模型，確定該關鍵訊框視頻圖像對應的微表情的欺詐概率的步驟之前，包括：獲取設定數量貼有標籤的樣本視頻，該標籤包括欺詐和非欺詐；抽取每一個該樣本視頻中的樣本關鍵訊框圖像，該樣本關鍵訊框圖像的標籤與所屬的樣本視頻的標籤相同；將抽取的樣本關鍵訊框圖像作為訓練樣本對SVM分類器(支援向量機，Support Vector Machine)進行訓練，將訓練完成的該SVM分類器確定為微表情欺詐概率模型。
如請求項1至4中任一項所述的風險預測方法，其中，該根據確定的該關鍵訊框視頻圖像對應的微表情的欺詐概率，進行風險預測的步驟，包括：將該關鍵訊框視頻圖像對應的微表情的欺詐概率與預設風險概率閾值進行比較；若該關鍵訊框視頻圖像對應的微表情的欺詐概率不小於該預設風險概率閾值，則預測該申請人的還款風險超出預設風險範圍；若該關鍵訊框視頻圖像對應的微表情的欺詐概率小於該預設風險概率閾值，則預測該申請人的還款風險在預設風險範圍之內。
一種伺服器，包括記憶體、處理器以及存儲在該記憶體中並可在該處理器上運行的電腦程式，其特徵在於，該處理器執行該電腦程式時實現如下步驟：獲取申請人在面審過程中的視頻圖像；將該視頻圖像中的視頻訊框進行聚類，確定關鍵訊框視頻圖像；根據確定的該關鍵訊框視頻圖像與微表情欺詐概率模型，確定該關鍵訊框視頻圖像對應的微表情的欺詐概率，該微表情欺詐概率模型是預先訓練好的，可採用機器學習對該微表情欺詐概率模型進行訓練；根據確定的該關鍵訊框視頻圖像對應的微表情的欺詐概率，對該申請人的還款能力進行風險預測；其中，當該被訓練出的微表情欺詐概率模型為一超平面時，且該關鍵訊框視頻圖像所包含的動作單元的強度值被輸入至該微表情欺詐概率模型時，該關鍵訊框視頻圖像到該微表情欺詐概率模型之超平面的距離將被判斷，再將該距離輸入至S(x)即獲得該微表情的欺詐概率值，其中S(x)=1/(1+e ^-x)，x表示該距離。
如請求項6所述的伺服器，其中，該將該視頻圖像中的視頻訊框進行聚類，確定關鍵訊框視頻圖像的步驟，包括：從該視頻圖像中選取指定數量的視頻訊框作為初始聚類中心；計算該視頻圖像中的視頻訊框與該初始聚類中心的相似度；根據計算的相似度與預設的最小相似度將該視頻圖像中的視頻訊框進行聚類；從聚類後的視頻訊框中重新選取聚類中心，重複進行聚類直至聚類中心收斂；將最終確定的聚類中心確定為該視頻圖像的關鍵訊框視頻圖像。
如請求項6所述的伺服器，其中，該將該視頻圖像中的視頻訊框進行聚類，確定關鍵訊框視頻圖像的步驟，包括：根據該視頻圖像中的視頻訊框，獲取每一訊框視頻圖像中人臉面部動作單元的強度值；根據人臉面部動作單元的強度值對該視頻訊框圖片進行分類，並根據分類結果確定關鍵訊框視頻圖像。
如請求項6至8中任一項所述的伺服器，其中，該處理器執行該電腦程式時還實現如下步驟：該根據確定的該關鍵訊框視頻圖像對應的微表情的欺詐概率，進行風險預測的步驟，包括：將該關鍵訊框視頻圖像對應的微表情的欺詐概率與預設風險概率閾值進行比較；若該關鍵訊框視頻圖像對應的微表情的欺詐概率不小於該預設風險概率閾值，則預測該申請人的還款風險超出預設風險範圍；若該關鍵訊框視頻圖像對應的微表情的欺詐概率小於該預設風險概率閾值，則預測該申請人的還款風險在預設風險範圍之內。