TWM589318U - 金融服務系統 - Google Patents

Abstract

一種金融服務系統包含一自動櫃員機、一拍攝單元及一儲存一影像辨識神經網路模型的處理裝置，該處理裝置自該拍攝單元獲得一由該拍攝單元進行拍攝而產生的影像資料，並以該影像辨識神經網路模型對該影像資料進行分析以獲得一對應該影像資料的分析結果，當該處理裝置判斷出該分析結果指示出該影像資料所呈現出的一使用者符合一第一警示特徵條件時，控制該自動櫃員機輸出一對應該第一警示特徵條件的第一警示通知，該第一警示特徵條件包含該使用者的肢體呈現出通話中的姿勢且該使用者的臉部表情呈現出負面情緒。

Description

金融服務系統

本新型是有關於一種服務系統，特別是指一種能提供金融服務的金融服務系統。

在電腦技術成熟的現代社會，透過自動櫃員機進行轉帳、提款等金融交易往往會比臨櫃辦理更加方便快速，然而，大部分的自動櫃員機未有專人現場看管，故其方便性反而令專行詐騙的不法份子有可趁之機，舉例來說，不法份子常會唆使受騙的被害人前往自動櫃員機進行匯款，因此，如何兼顧自動櫃員機的方便性並提升其金融服務上的安全性，便成為一個值得探討的議題。

本新型之目的，在於提供一種有助於提升金融安全性的金融服務系統。

本新型金融服務系統包含一自動櫃員機、一拍攝單元及一處理裝置。該拍攝單元用於拍攝操作該自動櫃員機之使用者。該處理裝置電連接該自動櫃員機及該拍攝單元並且儲存一影像辨識神經網路模型。該處理裝置自該拍攝單元獲得一由該拍攝單元進行拍攝而產生的影像資料，並以該影像辨識神經網路模型對該影像資料進行分析以獲得一對應該影像資料的分析結果，當該處理裝置判斷出該分析結果指示出該影像資料所呈現出的一使用者符合一第一警示特徵條件時，控制該自動櫃員機輸出一對應該第一警示特徵條件的第一警示通知，該第一警示特徵條件包含該使用者的肢體呈現出通話中的姿勢且該使用者的臉部表情呈現出負面情緒。

在本新型金融服務系統的一些實施態樣中，當該處理裝置判斷出該分析結果指示出該影像資料所呈現出的該使用者符合一第二警示特徵條件時，控制該自動櫃員機輸出一對應該第二警示特徵條件的第二警示通知，該第二警示特徵條件包含該使用者的臉部被遮蔽。

在本新型金融服務系統的一些實施態樣中，該影像辨識神經網路模型是先以深度學習的方式訓練後，再以遷移學習的方式所訓練的。

在本新型金融服務系統的一些實施態樣中，在該自動櫃員機執行一金融服務程序的過程中，當該處理裝置判斷出一密碼錯誤條件符合的累計次數達到一預定門檻值時，控制該自動櫃員機結束該金融服務程序，該密碼錯誤條件包含該自動櫃員機根據使用者的輸入而產生的一登入密碼與一目標字串不相符。

本新型之功效在於：該金融服務系統能以該影像辨識神經網路模型對該影像資料進行分析，並且在判斷出影像資料中的使用者符合該第一警示特徵條件時輸出該第一警示通知，藉此對疑似受到詐騙的使用者發出即時的提醒，而有利於提升金融服務的安全性。

在本新型被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。在本新型被詳細描述之前應當注意：本專利說明書中所述的「電連接」是泛指多個電子設備/裝置/元件之間透過導電材料相連接而達成的有線電連接，以及透過無線通訊技術進行無線信號傳輸的無線電連接。並且，本專利說明書中所述的「電連接」亦泛指兩個電子設備/裝置/元件之間直接相連而形成的「直接電連接」，以及兩個電子設備/裝置/元件之間還透過其他電子設備/裝置/元件相連而形成的「間接電連接」。

參閱圖1，本新型金融服務系統1的一實施例例如是歸屬於一銀行機構，且該金融服務系統1例如包含一自動櫃員機11、一拍攝單元12，以及一電連接該自動櫃員機11以及該拍攝單元12的處理裝置13。應當理解的是，在實際的實施態樣中，該金融服務系統1也可以是包含多台自動櫃員機、多個拍攝單元以及多台處理裝置，然而，為了便於描述，本實施例僅以圖1中所示出的該自動櫃員機11、該拍攝單元12及該處理裝置13進行說明。

該拍攝單元12在本實施例中例如是被實施為一與該自動櫃員機11位置相對應的監視攝影機，並且用於拍攝對該自動櫃員機11進行操作的使用者。更詳細地說，該拍攝單元12可例如是設置於該自動櫃員機11上，或者也可例如是與該自動櫃員機11彼此分開地獨立設置，總的來說，該拍攝單元12的設置方式只要是朝向該自動櫃員機11的前側拍攝，而能拍攝到正在操作該自動櫃員機11之使用者的正面即可實施。

該處理裝置13在本實施例中例如是被實施為一台具有高效運算能力的嵌入式人工智慧運算裝置，並且儲存有一影像辨識神經網路模型N，藉此，該處理裝置13能以該影像辨識神經網路模型N進行高速的影像分析及處理。此外，該處理裝置13在本實施例中可例如是與該自動櫃員機11直接電連接，然而，在其他實施例中，該處理裝置13也可例如是與該自動櫃員機11彼此分開地獨立設置，並且以RESTful API或者Socket API透過通訊網路（例如該銀行機構的內部網路）與該自動櫃員機11電連接，而並不以本實施例為限。

在本實施例中，該影像辨識神經網路模型N可例如被實施為一使用YOLOv2演算法（YOLO為You Only Look Once之簡寫）的分類器（classifier），但並不以此為限。值得注意的是，該影像辨識神經網路模型N在本實施例中例如是先以深度學習的方式訓練後，再以遷移學習（Transfer Learning）的方式所訓練而成的。

更詳細地說，該影像辨識神經網路模型N的訓練過程例如包含一預訓練階段，以及一位於該預訓練階段之後的遷移訓練階段。該預訓練階段例如是藉由巨量資料集（Big data）以深度學習的方式對該影像辨識神經網路模型N進行預訓練，以使該影像辨識神經網路模型N具備特徵提取（Feature extraction）能力，而能提取出影像中的影像特徵及數學特徵。另一方面，該遷移訓練階段例如是藉由多張特定類型的影像以遷移學習的方式對該影像辨識神經網路模型N繼續進行訓練，具體來說，該等特定類型的影像例如包含了多張呈現出不同人類臉部表情的臉部照片、多張呈現出使用者以行動裝置進行通話的通話姿勢照片，以及多張呈現出使用者配戴口罩、帽子或安全帽的臉部遮蔽照片等，並且，該等特定類型的影像可例如是由執法公家單位所提供的歷史案件影像，但並不以此為限。

藉此，在該遷移訓練階段完成後，該影像辨識神經網路模型N能夠辨識出影像中的使用者的肢體是否呈現出以行動裝置進行通話的姿勢（例如手持物體置於耳邊）、根據使用者臉部的五官及肌肉紋理變化辨識出使用者的臉部表情是否呈現出不安、擔心、緊張、恐慌等負面情緒，以及辨識出使用者是否佩戴口罩、帽子或安全帽等物品而使其臉部被遮蔽。

補充說明的是，在其他的實施例中，該影像辨識神經網路模型N的訓練方式並不限於要利用遷移學習的方式進行訓練，也就是說，該影像辨識神經網路模型N也可以是僅根據巨量資料集以現有的深度學習方式所訓練而成的，故並不以本實施例為限。

同時參閱圖1及圖2，以下示例性地詳細說明本實施例的該金融服務系統1如何實施一警示方法。

首先，在步驟S1中，當該自動櫃員機11受到一使用者的操作（例如插入金融卡或透過螢幕選擇服務功能）而開始執行一金融服務程序時，該拍攝單元12開始進行拍攝而產生一呈現出該使用者之外觀的影像資料，並將該影像資料提供至該處理裝置13。在本實施例中，該影像資料可例如是該拍攝單元12以即時錄影的方式拍攝而產生的一段影片，且該拍攝單元12可例如是受該自動櫃員機11的控制而開始進行拍攝。然而，在其他的實施態樣中，該拍攝單元12也可例如是受該處理裝置13的控制而開始進行拍攝，而不以本實施例為限。另外，該金融服務程序例如是泛指該自動櫃員機11提供使用者進行存款、提款、轉帳、繳費、餘額查詢、密碼變更等現有功能的程序，由於該金融服務程序並非本專利說明書之技術重點，故在此不過度詳述。接著，流程進行至步驟S2。

在步驟S2中，該處理裝置13以該影像辨識神經網路模型N對來自該拍攝單元12的該影像資料進行分析，以獲得一對應該影像資料且相關於該使用者之外觀及動作的分析結果。接著，流程進行至步驟S3。

在步驟S3中，該處理裝置13判斷該分析結果是否指示出該影像資料所呈現出的該使用者符合一第一警示特徵條件或者一第二警示特徵條件。在本實施例中，該第一警示特徵條件例如包含該使用者的肢體呈現出以行動裝置通話中的姿勢，以及該使用者的臉部表情呈現出不安、擔心、緊張或恐慌等負面情緒，更明確地說，該第一警示特徵條件是用於供該處理裝置13偵測該影像資料中的使用者是否表現出受詐騙的被害人被要求以自動櫃員機進行轉帳時容易出現的行為特徵。另一方面，該第二警示特徵條件例如包含該使用者配戴口罩、帽子及安全帽的其中至少一者而使其臉部被遮蔽，更明確地說，該第二警示特徵條件是用於供該處理裝置13偵測該影像資料中的使用者是否表現出不法份子盜領贓款時容易出現的外觀特徵。

當該處理裝置13判斷出該分析結果指示出該使用者符合該第一警示特徵條件時，流程進行至步驟S4。另一方面，當該處理裝置13判斷出該分析結果指示出該使用者符合該第二警示特徵條件時，流程進行至步驟S5。再一方面，當該處理裝置13判斷出該分析結果指示出該使用者並未符合該第一及第二警示特徵條件的其中任一者時，該自動櫃員機11繼續執行該金融服務程序，且本實施例的警示方法於該金融服務程序完成時結束。

在接續於步驟S3之後的步驟S4中，一旦判斷出該分析結果指示出該使用者符合該第一警示特徵條件，代表當前操作該自動櫃員機11的使用者有較高的機率為受到詐騙的被害人，此時，該處理裝置13控制該自動櫃員機11輸出一對應該第一警示特徵條件的第一警示通知。在本實施例中，該第一警示通知可例如指示出「請注意您是否正受到詐騙」或者其他類似語句，而藉此提醒被判定為符合該第一警示特徵條件的使用者。並且，該自動櫃員機11在輸出該第一警示通知後例如會繼續執行該金融服務程序，且本實施例的警示方法於該金融服務程序完成時結束。

在接續於步驟S3之後的步驟S5中，一旦判斷出該分析結果指示出該使用者符合該第二警示特徵條件，代表當前操作該自動櫃員機11的使用者有較高的機率為不法份子，此時，該處理裝置13控制該自動櫃員機11輸出一對應該第二警示特徵條件的第二警示通知。在本實施例中，該第二警示通知可例如指示出「請勿從事不法行為」或者其他類似語句，而藉此對被判定為符合該第二警示特徵條件的使用者發出警告。接著，進行步驟S6。

在步驟S6中，當該處理裝置13在該自動櫃員機11執行該金融服務程序的過程中判斷出一密碼錯誤條件符合時，進一步判斷該密碼錯誤條件符合的累計次數是否達到一預定門檻值（該預定門檻值可例如為3，但不以此為限）。若該處理裝置13判斷的結果為是，流程進行至步驟S7，另一方面，若該處理裝置13判斷的結果為否，則流程從步驟S2再次開始進行。具體而言，該密碼錯誤條件代表該自動櫃員機11根據使用者的輸入而產生的一登入密碼與一目標字串彼此不相符，且該目標字串例如代表該使用者當前所欲登入之帳戶的正確密碼。

在接續於步驟S6之後的步驟S7中，當該處理裝置13判斷出該密碼錯誤條件符合的累計次數達到該預定門檻值時（也就是使用者輸入密碼錯誤的次數達到該預定門檻值時），該處理裝置13例如會將該影像資料及該自動櫃員機11於該金融服務程序中所受之操作紀錄儲存至一警示資料庫以供後續備查，並且控制該自動櫃員機11強制結束該金融服務程序。

綜上所述，本實施例的金融服務系統1能以該影像辨識神經網路模型N對該影像資料進行分析，並且在判斷出影像資料中的使用者符合該第一警示特徵條件時輸出該第一警示通知，藉此對疑似受到詐騙的使用者發出即時的提醒。另一方面，該金融服務系統1亦能在判斷出影像資料中的使用者符合該第二警示特徵條件時輸出該第二警示通知，並於該密碼錯誤條件符合的累計次數達到該預定門檻值時記錄該金融服務程序的相關資料且強制結束該金融服務程序，因此，本實施例的金融服務系統1亦能對疑似為不法份子的使用者產生嚇阻效果，而有利於提升金融服務的安全性，故確實能達成本新型之目的。

惟以上所述者，僅為本新型之實施例而已，當不能以此限定本新型實施之範圍，凡是依本新型申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾，皆仍屬本新型專利涵蓋之範圍內。

1‧‧‧金融服務系統 11‧‧‧自動櫃員機 12‧‧‧拍攝單元 13‧‧‧處理裝置 N‧‧‧影像辨識神經網路模型 S1~S7‧‧‧步驟

本新型之其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中： 圖1是本新型金融服務系統之一實施例的一方塊示意圖；及 圖2是一流程圖，示例性地說明該實施例如何實施一警示方法。

1‧‧‧金融服務系統

11‧‧‧自動櫃員機

12‧‧‧拍攝單元

13‧‧‧處理裝置

N‧‧‧影像辨識神經網路模型

Claims (4)

1. 一種金融服務系統，包含： 一自動櫃員機； 一拍攝單元，用於拍攝操作該自動櫃員機之使用者；及 一處理裝置，電連接該自動櫃員機及該拍攝單元，並且儲存一影像辨識神經網路模型，該處理裝置自該拍攝單元獲得一由該拍攝單元進行拍攝而產生的影像資料，並以該影像辨識神經網路模型對該影像資料進行分析以獲得一對應該影像資料的分析結果，當該處理裝置判斷出該分析結果指示出該影像資料所呈現出的一使用者符合一第一警示特徵條件時，控制該自動櫃員機輸出一對應該第一警示特徵條件的第一警示通知，該第一警示特徵條件包含該使用者的肢體呈現出通話中的姿勢且該使用者的臉部表情呈現出負面情緒。
2. 如請求項1所述的金融服務系統，其中，當該處理裝置判斷出該分析結果指示出該影像資料所呈現出的該使用者符合一第二警示特徵條件時，控制該自動櫃員機輸出一對應該第二警示特徵條件的第二警示通知，該第二警示特徵條件包含該使用者的臉部被遮蔽。
3. 如請求項2所述的金融服務系統，其中，該影像辨識神經網路模型是先以深度學習的方式訓練後，再以遷移學習的方式所訓練的。
4. 如請求項2所述的金融服務系統，其中，在該自動櫃員機執行一金融服務程序的過程中，當該處理裝置判斷出一密碼錯誤條件符合的累計次數達到一預定門檻值時，控制該自動櫃員機結束該金融服務程序，該密碼錯誤條件包含該自動櫃員機根據使用者的輸入而產生的一登入密碼與一目標字串不相符。

Images