CN109584051A - 基于微表情识别的客户逾期风险判断方法及装置 - Google Patents
基于微表情识别的客户逾期风险判断方法及装置 Download PDFInfo
- Publication number
- CN109584051A CN109584051A CN201811549647.4A CN201811549647A CN109584051A CN 109584051 A CN109584051 A CN 109584051A CN 201811549647 A CN201811549647 A CN 201811549647A CN 109584051 A CN109584051 A CN 109584051A
- Authority
- CN
- China
- Prior art keywords
- micro
- video
- client
- expression
- shape change
- 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
- 230000014509 gene expression Effects 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008859 change Effects 0.000 claims abstract description 80
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims description 24
- 239000000284 extract Substances 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 11
- 230000001815 facial effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06V40/174—Facial expression recognition
- G06V40/176—Dynamic expression
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种基于微表情识别的客户逾期风险判断方法及装置,属于微表情识别应用技术领域,该方法包括:在还款时间点后的第一期限内,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,通话建立后,将预先设定的不同问题的语音在通话中播放,获取客户的回答问题时的脸部视频;获取所述脸部视频中不同问题的时间段的视频帧序列;利用微表情识别从所述视频帧序列中,提取不同问题的时间段内的具有微表情变化的视频帧特征;根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,所述第二期限大于第一期限。该方法通过微表情识别可以自动、准确的获取客户的逾期信息。
Description
技术领域
本公开涉及微表情识别应用技术领域,具体而言,涉及一种基于微表情识别的客户逾期风险判断方法及装置。
背景技术
贷后是贷款业务的重要部分之一,但是目前贷后逾期率较高,风控不够完善,逾期率的增加会导致资金流流转不够,影响公司盈利能力,导致大众的信任力不够,降低业务发展能力。而客户的逾期风险很难进行判断,目前客户的逾期风险判断方法主要是:通过银行人员自身的不断跟进获取,通过客户历史逾期情况进行判断。这样的获取方式的不足之处是:不能自动直接根据客户获得逾期信息,需要人工进行,逾期情况的判断不够准确,不断跟进耗费人力资源,而且会带来客户不良好的体验。
具有逾期风险的客户会对与逾期话题相关的话题产生微妙的表情变化,同时这些微妙的表情的变化程度在一定程度上会反应客户的内心真实的关于自己预期的逾期的情况,而且往往发生在极短的时间内。所以,可以利用基于AI微表情识别,根据客户回答设定的与逾期风险相关的特定问题时的视频,利用视频中客户回答问题时的微表情,自动、准确的识别出客户的逾期风险信息。
因此,需要提供一种基于微表情识别的客户逾期风险判断方法及装置。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种基于微表情识别的客户逾期风险判断方案,进而至少在一定程度上在不带来客户不良体验的情况下,自动、准确的判断客户逾期的风险。
根据本公开的一个方面,提供一种基于微表情识别的客户逾期风险判断方法,包括:
在还款时间点后的第一期限内,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,通话建立后,将预先设定的不同问题的语音在通话中播放,获取客户的回答问题时的脸部视频;
获取所述脸部视频中不同问题的时间段的视频帧序列;
利用微表情识别从所述视频帧序列中,提取不同问题的时间段内的具有微表情变化的视频帧特征;
根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,所述第二期限大于第一期限。
在本公开的一种示例性实施例中,在还款时间点后的第一期限内,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,通话建立后,将预先设定的不同问题的语音在通话中播放,获取客户的回答问题时的脸部视频包括:
在还款时间点后的第一期限内,从第一天开始的每天的固定时间点,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,直到与客户成功建立视频通话;
视频通话建立后,将预先设定的不同问题的语音在通话中播放;
获取客户的回答问题时的脸部视频。
在本公开的一种示例性实施例中,所述获取所述脸部视频中不同问题的时间段的视频帧序列,包括:
获取不同问题的时间段的视频,所述不同问题的时间段通过将识别出的问题的语音的开始时间点到下一个问题的语音的开始时间点识别成一个问题时间段确定;
将获取的不同问题时间段内的视频分解成视频帧后,组成视频帧序列。
在本公开的一种示例性实施例中,所述利用微表情识别从所述视频帧序列中,提取不同问题的时间段内的具有微表情变化的视频帧特征包括:
利用微表情识别从视频帧序列中识别出有微表情变化的视频帧;
从识别出的具有微表情变化的视频帧中提取视频帧中的人脸微表情纹理特征。
在本公开的一种示例性实施例中,所述根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,所述第二期限大于第一期限包括:
将提取的具有微表情变化的视频帧特征输入预先训练好的机器学习模型进行判断,由机器学习模型输出第一风险判断结果;
将提取的具有微表情变化的视频帧特征与微表情库中的微表情纹理特征对比判断,输出第二风险判断结果;
根据所述第一风险判断结果和第二风险判断结果,按照预定规则判断客户是否会逾期超过第二期限。
在本公开的一种示例性实施例中,所述将提取的具有微表情变化的视频帧特征输入预先训练好的机器学习模型进行判断,由机器学习模型输出第一风险判断结果,包括:
将每个问题时间段中提取的具有微表情变化的视频帧特征输入机器学习模型,由机器学习模型分别输出对应于每个问题的风险判断结果;
将所述对应于每个问题的风险判断结果中出现次数最多的作为最终输出的第一风险判断结果。
在本公开的一种示例性实施例中,所述将提取的具有微表情变化的视频帧特征与微表情库中的微表情纹理特征对比判断,输出第二风险判断结果,包括:
将每个问题时间段的具有微表情变化的视频帧特征分别与微表情库中的微表情纹理特征对比判断,将出现次数最多的判断结果作为该问题时间段的判断结果;
根据每个问题时间段的判断结果,将出现次数最多的作为最终输出的第二风险判断结果。
根据本公开的一个方面,提供一种基于微表情识别的客户逾期风险判断装置,包括:
第一获取模块,用于在还款时间点后的第一期限内,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,通话建立后,将预先设定的不同问题的语音在通话中播放,获取客户的回答问题时的脸部视频;
第二获取模块,用于获取所述脸部视频中不同问题的时间段的视频帧序列;
提取模块,用于利用微表情识别从所述视频帧序列中,提取不同问题的时间段内的具有微表情变化的视频帧特征;
判断模块,用于根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,所述第二期限大于第一期限。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有基于微表情识别的客户逾期风险判断程序,其特征在于,所述基于微表情识别的客户逾期风险判断程序被处理器执行时实现以上所述的方法。
根据本公开的一个方面,提供一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的基于微表情识别的客户逾期风险判断程序;其中,所述处理器配置为经由执行所述基于微表情识别的客户逾期风险判断程序来执行以上所述的方法。
本公开一种基于微表情识别的客户逾期风险判断方法及装置,首先,在还款时间点后的第一期限内,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,通话建立后,将预先设定的不同问题的语音在通话中播放,获取客户的回答问题时的脸部视频;还款时间点后的第一期限说明客户已经有了逾期风险预兆,这就需要进一步确认客户是否会进一步严重逾期,通过自动视频呼叫连接的建立,且通过预先设定的与逾期相关的问题与客户沟通就可以在没有人工参与的情况下自动获取到客户针对相关问题的真实的面部视频,进而可以在后续步骤中用于提取客户微表情,进行逾期风险判断。然后,获取所述脸部视频中不同问题的时间段的视频帧序列;客户关于不同的问题会产生不同程度的微表情变化,获取不同问题的时间段的视频帧序列,可以在后续步骤获取针对不同问题获取相对应的判断结果后综合得到最终判断结果。然后,利用微表情识别从所述视频帧序列中,提取不同问题的时间段内的具有微表情变化的视频帧特征;每个问题时间段的视频帧序列中具有微表情变化的可能只有少数几个,将这几个具有微表情变化的视频帧提取后就可以有效提高后续的计算工作效率。最后,根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,所述第二期限大于第一期限;这样就可以根据获取到的不同问题的时间段内的几个具有微表情变化的视频帧特征,利用客户最真实的关于逾期问题表现出的微表情的特征,在不带来客户不良体验的情况下,自动、准确的判断客户的严重逾期风险,也就是是否会逾期超过第二期限。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出一种基于微表情识别的客户逾期风险判断方法的流程图。
图2示意性示出一种基于微表情识别的客户逾期风险判断方法的应用场景示例图。
图3示意性示出一种判断客户是否会逾期超过第二期限的方法流程图。
图4示意性示出一种基于微表情识别的客户逾期风险判断装置的方框图。
图5示意性示出一种用于实现上述基于微表情识别的客户逾期风险判断方法的电子设备示例框图。
图6示意性示出一种用于实现上述基于微表情识别的客户逾期风险判断方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了基于微表情识别的客户逾期风险判断方法,该基于微表情识别的客户逾期风险判断方法可以运行于服务器,也可以运行于服务器集群或云服务器等,当然,本领域技术人员也可以根据需求在其他平台运行本发明的方法,本示例性实施例中对此不做特殊限定。参考图1所示,该基于微表情识别的客户逾期风险判断方法可以包括以下步骤:
步骤S110.在还款时间点后的第一期限内,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,通话建立后,将预先设定的不同问题的语音在通话中播放,获取客户的回答问题时的脸部视频。
步骤S120.获取所述脸部视频中不同问题的时间段的视频帧序列。
步骤S130.利用微表情识别从所述视频帧序列中,提取不同问题的时间段内的具有微表情变化的视频帧特征。
步骤S140.根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,所述第二期限大于第一期限。
上述基于微表情识别的客户逾期风险判断方法中,首先,在还款时间点后的第一期限内,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,通话建立后,将预先设定的不同问题的语音在通话中播放,获取客户的回答问题时的脸部视频;还款时间点后的第一期限说明客户已经有了逾期风险预兆,这就需要进一步确认客户是否会进一步严重逾期,通过自动视频呼叫连接的建立,且通过预先设定的与逾期相关的问题与客户沟通就可以在没有人工参与的情况下自动获取到客户针对相关问题的真实的面部视频,进而可以在后续步骤中用于提取客户微表情,进行逾期风险判断。然后,获取所述脸部视频中不同问题的时间段的视频帧序列;客户关于不同的问题会产生不同程度的微表情变化,获取不同问题的时间段的视频帧序列,可以在后续步骤获取针对不同问题获取相对应的判断结果后综合得到最终判断结果。然后,利用微表情识别从所述视频帧序列中,提取不同问题的时间段内的具有微表情变化的视频帧特征;每个问题时间段的视频帧序列中具有微表情变化的可能只有少数几个,将这几个具有微表情变化的视频帧提取后就可以有效提高后续的计算工作效率。最后,根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,所述第二期限大于第一期限;这样就可以根据获取到的不同问题的时间段内的几个具有微表情变化的视频帧特征,利用客户最真实的关于逾期问题表现出的微表情的特征,在不带来客户不良体验的情况下,自动、准确的判断客户的严重逾期风险,也就是是否会逾期超过第二期限。
下面,将结合附图对本示例实施方式中上述基于微表情识别的客户逾期风险判断方法中的各步骤进行详细的解释以及说明。
在步骤S110中,在还款时间点后的第一期限内,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,通话建立后,将预先设定的不同问题的语音在通话中播放,获取客户的回答问题时的脸部视频。
在本示例实施方式中,参考图2所示,首先,服务器201在还款时间点后的第一期限内,向客户终端202发起视频呼叫连接,该客户终端可以是移动终端设备(例如可以是手机),也可以是其他具有存储或者拍摄视频功能的终端设备(例如可以是相机、手表等等),本示例对此不做特殊限制。进一步的,该客户终端可以包括一个,也可以包括多个,本示例对此不做特殊限制;当服务器201余客户终端成功建立视频通话连接时,将预先设定的、储存在服务器的不同问题的语音在通话中播放,同时客户进行回答这些问题;预先要求客户在回答问题时需要将脸部呈现在视频中;服务器201实时从客户终端202获取客户回答问题过程的脸部视频并且保存在服务器中。进一步的,所述不同问题是包括至少有一个与逾期不相关的问题,其它问题与逾期相关。这样可以使得客户回答问题时比较放松,从而获得更加真实的表现客户情况的面部视频。
在本示例的一种实施方式中,在还款时间点后的第一期限内,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,通话建立后,将预先设定的不同问题的语音在通话中播放,获取客户的回答问题时的脸部视频包括:
在还款时间点后的第一期限内,从第一天开始的每天的固定时间点,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,直到与客户成功建立视频通话;
视频通话建立后,将预先设定的不同问题的语音在通话中播放;
获取客户的回答问题时的脸部视频。
首先,当客户在还款时间点未还款,在第一逾期期限内,从逾期的第一天开始,每天的一个固定时间点,***自动向客户终端发起视频连接;第一逾期期限一般为5-8天,固定的时间点可以是例如每天的早上8点等。当客户逾期时间达到还款时间点后的第一期限内,对客户发起视频通话,该预定的逾期期限说明客户有发生逾期的风险。但是,客户逾期第一期限的时间的原因可能是真正有逾期风险的客户,也有可能是正常客户因为外界的原因耽误而导致逾期;进而,通过自动视频通话的介入,进一步确认该客户目前存在的具体风险情况。然后,将预先设定的问题视频通话接通后进行播放,其中,预先设定的问题可以是与逾期情况相关的问题,与逾期情况相关的问题可以刺激客户自然地发生微表情变化;也可以包含与逾期不相关的问题,这样可以使得客户放松心态,进而获取更加有价值的视频。提问的问题语音的播放时间的间隔可以是固定时间间隔,例如可以是按照每隔3分钟提问一个问题,这样有利于后期视频的分割;也可以是按照问题的回答所需的时间播放,这样有利于客户有充足的时间回复,进而获得更加有质量的视频。对于逾期相关的问题可以是例如:近期是否有***问题,如有,是什么原因导致的;是否在别处有贷款;是否清楚贷款逾期会导致征信不良记录;是否清楚贷款的放款方式;还款的卡片是否在正常使用等;在此不做特殊限定。最后,实时获取客户回答问题的面部视频保存在服务器中,其中,获取的视频是包括所有提问过程的时长的视频;获取视频的过程规定客户的脸部与摄像头的具***置,保证获取的视频清楚包括人脸部分。
在步骤S120中,获取所述脸部视频中不同问题的时间段的视频帧序列。
在本示例实施方式中,将前面步骤中获取到的包含客户回答问题的全部过程的视频,首先,按照不同的问题进行的时间段将视频分割成对应每个问题的视频段,然后,将每段视频分解成视频帧后组成视频帧序列。这样可以针对不同的问题在后续步骤中获得与一个问题对应的判断结果,由于不同的问题的判断结果的权重不同,后续步骤中可以综合多个结果得到最终的结果,可以有效提高判断的准确率。
进一步的,本示例的实施方式,还可以是:首先将全程视频分解成帧后,组成视频帧序列;最后按照不同的问题的时间段分割成对应于不同的问题的时间段的视频帧序列。
本示例的一种实施方式中,获取所述脸部视频中不同问题的时间段的视频帧序列,包括:
获取不同问题的时间段的视频,所述不同问题的时间段通过将识别出的问题的语音的开始时间点到下一个问题的语音的开始时间点识别成一个问题时间段确定;
将获取的不同问题时间段内的视频分解成视频帧后,组成视频帧序列。
首先,通过记录的每个问题语音开始的时间点和下一个问题语音开始的时间点作为分割点,然后,基于这些分割点将视频分割开;最后获取分割后的每个分割点之间的视频就是对应于每个问题的时间段的视频。例如,视频从头到尾一共提问了10个问题,第一个问题0分开始播放,第二个问题3分时开始播放,则将0-3分时间段的视频提取出来作为第一个问题时间段的视频;依次类推,则将视频按照每个问题的时间段分割可以获得10段小视频。每个小视频中包含该问题提问的所有过程中客户的人脸视频,不同的问题关于逾期率的权重不同,可以综合每个问题的判断结果获取最终判断结果。然后,视频帧就是组成视频的帧,每个视频的视频帧输入时带有帧头标识,通过记录的每个帧的帧头标识作为分解依据,基于这些帧头标识将视频分解成视频帧后,组成视频帧序列;微表情识别是通过连续的视频帧中的相邻两帧的特定部位的变化,识别出微表情变化的;所以每个问题时间段内的部分视频中的视频帧序列可以用来判断客户在回答该问题时的微表情变化。
在步骤S130中,利用微表情识别从所述视频帧序列中,提取不同问题的时间段内的具有微表情变化的视频帧特征。
在本示例实施方式中,首先利用微表情识别判断不同时间段的视频帧序列中具有微表情变化的视频帧,然后提取这几个识别出的具有微表情变化的视频帧特征,用于后续步骤进行计算分析,其中,视频帧特征可以是微表情纹理特征;这样可以通过排除其它不具有微表情变化的视频帧,从而有效降低计算负荷,提高处理效率。
本示例的一种实施方式中,利用微表情识别从所述视频帧序列中,提取不同问题的时间段内的具有微表情变化的视频帧特征,包括:
利用微表情识别从视频帧序列中识别出有微表情变化的视频帧;
从识别出的具有微表情变化的视频帧中提取视频帧中的人脸微表情纹理特征。
基于现有的AI微表情识别技术能够通过判视频帧序列中相邻两帧的人脸中特定部位的微妙的变化,识别出具有微表情变化的视频帧;然后,提取出这几个具有微表情变化的视频帧,并且提取该几个视频帧中的人脸微表情纹理,例如,利用微表情识别AI可以扫描的人物表情影像中的面部动作单元,同时也能够扫描肌肤变化的纹理,并结合可变形点的星系来建立面部详细模型并反馈。
本示例的一种实施方式中,从视频帧中提取人脸微表情纹理特征,包括:
从视频帧中识别出人脸;
在识别出的人脸的预定位置提取纹理特征,作为人脸微表情纹理特征。
首先,利用人脸识别技术从视频帧画面中识别出人脸,然后通过定位人脸的预定位置,例如每次通过人脸识别技术定位到眼睛、嘴部等预定位置的微表情特征丰富的位置,然后提取该预定位置的纹理特征,作为微表情纹理特征;这样可以通过提取关键位置的微表情纹理特征,进一步的提高计算效率。
在步骤S140中,根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,所述第二期限大于第一期限。
在本示例实施方式中,根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,微表情是反应人的最真实的心理活动的生理特征,因此,可以用来准确反应客户的关于逾期的真实内心考量;通过提取客户的微表情变化的视频帧特征就可以利用科学计算准确的将客户内心活动表征出来,进而可以准确的判断出客户是否会逾期超过第二期限,其中第二期限大于第一期限,说明客户的逾期风险概率比较严重,需要采用手段进行介入,从而降低逾期风险。
在本示例的一种实施方式中,参考图3所示,根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,所述第二期限大于第一期限,包括步骤S310、步骤S320以及步骤S330,其中:
在步骤S310中,将提取的具有微表情变化的视频帧特征输入预先训练好的机器学习模型进行判断,由机器学习模型输出第一风险判断结果;
在步骤S320中,将提取的具有微表情变化的视频帧特征与微表情库中的微表情纹理特征对比判断,输出第二风险判断结果;
在步骤S330中,根据所述第一风险判断结果和第二风险判断结果,按照预定规则判断客户是否会逾期超过第二期限。
下面对步骤S310、步骤S320以及步骤S330进行详细解释以及说明,首先,将提取的具有微表情变化的视频帧特征输入预先训练好的机器学习模型进行判断,由机器学习模型输出第一风险判断结果;其中,所述机器学习模型的训练方法是;将微表情纹理特征组样本集合中已经标定为有风险的客户的微表情纹理特征组,折中客户的微表情纹理特征组,正常期限客户微表情纹理特征组分别输入训练机器学习模型,每个特征组包括预定特征数目个人脸微表情纹理特征,机器学习模型输出风险判断结果;如果输出的判断结果不准确则调整机器学习模型的系数,重新进行判断,直到输出结果与预先标定的一致;第一风险判断结果可以是风险客户、折中客户和正常客户中一种。
然后,将提取的具有微表情变化的视频帧特征与微表情库中的微表情纹理特征对比判断,输出第二风险判断结果;微表情库中储存有已经标定了风险类别的客户的微表情纹理特征,通过将提取的具有微表情变化的视频帧特征与微表情库中的微表情纹理特征对比,例如,将具有微表情变化的视频帧中的微表情纹理特征与微表情库中的有风险的客户的微表情纹理特征,折中客户的微表情纹理特征,正常期限客户微表情纹理特征分别进行对比,输出对比结果。其中,微表情纹理特征的对比方法为:以具有微表情变化的连续的视频帧图像的左下角的像素点为原点(0,0)建立直角坐标系,每一帧图像中的像素用直角坐标系中一个点代表。(0,1)代表横坐标为0、纵坐标为1的像素,(1,0)代表横坐标为1、纵坐标为0的像素,……(m,n)代表横坐标为m、纵坐标为n的像素,其中m和n为正整数。微表情库中的图像同样处理过。然后,将每一帧图像的各个像素点的像素值分别与微表情库中相同坐标的像素的像素值相减后,将得到的该帧所有像素点的像素的差值求和,当该帧像素的差值的和小于预定阈值时说明该两种微表情相似,从而输出该相似微表情所属类别的判断结果。
最后,根据第一风险判断结果和第二风险判断结果,按照预定规则判断客户是否会逾期超过第二期限,例如,当两者都判断为超过时,才确定客户会超过第二期限;这样通过两种计算方式综合进行判断,可以有效保证判断结果的准确性。
在本示例的一种实施方式中,将提取的具有微表情变化的视频帧特征输入预先训练好的机器学习模型进行判断,由机器学习模型输出第一风险判断结果,包括:
将每个问题时间段中提取的具有微表情变化的视频帧特征输入机器学习模型,由机器学习模型分别输出对应于每个问题的风险判断结果;
将所述对应于每个问题的风险判断结果中出现次数最多的作为最终输出的第一风险判断结果。
首先,将不同的时间段中的提取的具有微表情变化的视频帧特征分别输入机器学习模型,有机器学习模型输出多个判断结果,其中,每个时间段都有一个判断结果,例如,视频分割为10个时间段,这样就会得到10个判断结果;然后,将判断结果中出现次数最多的作为最终输出的第一风险判断结果,例如10个判断结果中有8个风险客户,1个折中客户,1个正常客户,则将该客户的判断结果定位风险客户;这样可以确保客户对不同问题的敏感性不同,而造成的风险判断结果不准确性。
在本示例的一种实施方式中,将提取的具有微表情变化的视频帧特征与微表情库中的微表情纹理特征对比判断,输出第二风险判断结果,包括:
将每个问题时间段的具有微表情变化的视频帧特征分别与微表情库中的微表情纹理特征对比判断,将出现次数最多的判断结果作为该问题时间段的判断结果;
根据每个问题时间段的判断结果,将出现次数最多的作为最终输出的第二风险判断结果。
首先,将每个问题时间段的具有微表情变化的视频帧特征分别与微表情库中的微表情纹理特征对比判断,将具有微表情变化的视频帧中的微表情纹理特征与微表情库中的有风险的客户的微表情纹理特征,折中客户的微表情纹理特征,正常期限客户微表情纹理特征分别进行对比,输出对比结果,其中每段视频中的多个具有微表情变化的视频帧会得到多个判断结果,将判断结果中数量最多的最为该时间段的判断结果,例如,该时间段的提取到5个具有微表情变化的视频帧,进而得到5个判断结果,其中,3个风险客户,1个正常客户,1个折中客户,则将风险客户定为该时间段的判断结果;这样,可以准确的得到该时间段,也就是该问题的对应的客户的风险类别。然后,根据每个问题时间段的判断结果,将出现次数最多的作为最终输出的第二风险判断结果;例如,视频分割为10个时间段,这样就会得到10个判断结果;然后,将判断结果中出现次数最多的作为最终输出的第一风险判断结果,例如10个判断结果中有8个风险客户,1个折中客户,1个正常客户,则将该客户的判断结果定位风险客户;这样可以确保客户对不同问题的敏感性不同,而造成的风险判断结果不准确性。
在本示例的一种实施方式中,第一风险判断结果和第二风险判断结果是风险客户、折中客户和正常客户中的一种,其中,风险客户是会超过第二期限的客户,正常客户为不会超过第二期限的客户,折中客户为介于风险客户和折中客户之间的客户;
所述,根据所述第一风险判断结果和第二风险判断结果,按照预定规则判断客户是否会逾期超过第二期限,包括:
当第一风险判断结果和第二风险判断结果都是风险客户时,判断客户是风险客户;
当第一风险判断结果和第二风险判断结果都是折中客户时,判断客户是折中客户;
当第一风险判断结果和第二风险判断结果都是正常客户时,判断客户是正常客户;
当两种结果不一致时,将客户作为待定客户,通过其他方法进行判断。
通过,两种判断方式,输出两个判断方式同一的判断结果作为最终判断结果,进而得到客户是否会逾期超过第二期限;这样可以避免当其中一种判断的结果有误差时带来的判断结果不准确性,进而有效提高判断结果准确性。
本公开还提供了一种基于微表情识别的客户逾期风险判断装置。参考图4所示,该基于微表情识别的客户逾期风险判断装置可以包括第一获取模块410、第二获取模块420、提取模块430以及判断模块440。其中:
第一获取模块410可以用于在还款时间点后的第一期限内,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,通话建立后,将预先设定的不同问题的语音在通话中播放,获取客户的回答问题时的脸部视频;
第二获取模块420可以用于获取所述脸部视频中不同问题的时间段的视频帧序列;
提取模块430可以用于利用微表情识别从所述视频帧序列中,提取不同问题的时间段内的具有微表情变化的视频帧特征;
判断模块440可以用于根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,所述第二期限大于第一期限。
上述基于微表情识别的客户逾期风险判断装置中各模块的具体细节已经在对应的基于微表情识别的客户逾期风险判断中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500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,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同***组件(包括存储单元520和处理单元510)的总线530。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元510可以执行如图1中所示的步骤S110:在还款时间点后的第一期限内,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,通话建立后,将预先设定的不同问题的语音在通话中播放,获取客户的回答问题时的脸部视频;S120:获取所述脸部视频中不同问题的时间段的视频帧序列;步骤S130:利用微表情识别从所述视频帧序列中,提取不同问题的时间段内的具有微表情变化的视频帧特征;步骤S140:根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,所述第二期限大于第一期限。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得客户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
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、有线、光缆、RF等等,或者上述的任意合适的组合。
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发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在客户计算设备上执行、部分地在客户设备上执行、作为一个独立的软件包执行、部分在客户计算设备上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),连接到客户计算设备,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)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种基于微表情识别的客户逾期风险判断方法,其特征在于,包括:
在还款时间点后的第一期限内,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,通话建立后,将预先设定的不同问题的语音在通话中播放,获取客户的回答问题时的脸部视频;
获取所述脸部视频中不同问题的时间段的视频帧序列;
利用微表情识别从所述视频帧序列中,提取不同问题的时间段内的具有微表情变化的视频帧特征;
根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,所述第二期限大于第一期限。
2.根据权利要求1所述的方法,其特征在于,所述在还款时间点后的第一期限内,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,通话建立后,将预先设定的不同问题的语音在通话中播放,获取客户的回答问题时的脸部视频包括:
在还款时间点后的第一期限内,从第一天开始的每天的固定时间点,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,直到与客户成功建立视频通话;
视频通话建立后,将预先设定的不同问题的语音在通话中播放;
获取客户的回答问题时的脸部视频。
3.根据权利要求1所述的方法,其特征在于,所述获取所述脸部视频中不同问题的时间段的视频帧序列,包括:
获取不同问题的时间段的视频,所述不同问题的时间段通过将识别出的问题的语音的开始时间点到下一个问题的语音的开始时间点识别成一个问题时间段确定;
将获取的不同问题时间段内的视频分解成视频帧后,组成视频帧序列。
4.根据权利要求1所述的方法,其特征在于,所述利用微表情识别从所述视频帧序列中,提取不同问题的时间段内的具有微表情变化的视频帧特征包括:
利用微表情识别从视频帧序列中识别出有微表情变化的视频帧;
从识别出的具有微表情变化的视频帧中提取视频帧中的人脸微表情纹理特征。
5.根据权利要求1所述的方法,其特征在于,所述根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,所述第二期限大于第一期限包括:
将提取的具有微表情变化的视频帧特征输入预先训练好的机器学习模型进行判断,由机器学习模型输出第一风险判断结果;
将提取的具有微表情变化的视频帧特征与微表情库中的微表情纹理特征对比判断,输出第二风险判断结果;
根据所述第一风险判断结果和第二风险判断结果,按照预定规则判断客户是否会逾期超过第二期限。
6.根据权利要求5所述方法,其特征在于,所述将提取的具有微表情变化的视频帧特征输入预先训练好的机器学习模型进行判断,由机器学习模型输出第一风险判断结果,包括:
将每个问题时间段中提取的具有微表情变化的视频帧特征输入机器学习模型,由机器学习模型分别输出对应于每个问题的风险判断结果;
将所述对应于每个问题的风险判断结果中出现次数最多的作为最终输出的第一风险判断结果。
7.根据权利要求5所述的方法,其特征在于,所述将提取的具有微表情变化的视频帧特征与微表情库中的微表情纹理特征对比判断,输出第二风险判断结果,包括:
将每个问题时间段的具有微表情变化的视频帧特征分别与微表情库中的微表情纹理特征对比判断,将出现次数最多的判断结果作为该问题时间段的判断结果;
根据每个问题时间段的判断结果,将出现次数最多的作为最终输出的第二风险判断结果。
8.一种基于微表情识别的客户逾期风险判断装置,其特征在于,包括:
第一获取模块,用于在还款时间点后的第一期限内,向在还款时间点未完成还款的客户的客户终端发起视频通话呼叫连接,通话建立后,将预先设定的不同问题的语音在通话中播放,获取客户的回答问题时的脸部视频;
第二获取模块,用于获取所述脸部视频中不同问题的时间段的视频帧序列;
提取模块,用于利用微表情识别从所述视频帧序列中,提取不同问题的时间段内的具有微表情变化的视频帧特征;
判断模块,用于根据提取的不同问题的时间段内的具有微表情变化的视频帧特征判断客户是否会逾期超过第二期限,所述第二期限大于第一期限。
9.一种计算机可读存储介质,其上存储有基于微表情识别的客户逾期风险判断程序,其特征在于,所述基于微表情识别的客户逾期风险判断程序被处理器执行时实现权利要求1-7任一项所述的方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的基于微表情识别的客户逾期风险判断程序;其中,所述处理器配置为经由执行所述基于微表情识别的客户逾期风险判断程序来执行权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811549647.4A CN109584051A (zh) | 2018-12-18 | 2018-12-18 | 基于微表情识别的客户逾期风险判断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811549647.4A CN109584051A (zh) | 2018-12-18 | 2018-12-18 | 基于微表情识别的客户逾期风险判断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109584051A true CN109584051A (zh) | 2019-04-05 |
Family
ID=65929916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811549647.4A Pending CN109584051A (zh) | 2018-12-18 | 2018-12-18 | 基于微表情识别的客户逾期风险判断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584051A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090001848A (ko) * | 2007-05-28 | 2009-01-09 | 에스케이 텔레콤주식회사 | 얼굴표정 감시 방법 및 얼굴표정 감시 시스템 |
CN102103617A (zh) * | 2009-12-22 | 2011-06-22 | 华为终端有限公司 | 获取表情含义的方法和装置 |
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 |
CN107704834A (zh) * | 2017-10-13 | 2018-02-16 | 上海壹账通金融科技有限公司 | 微表情面审辅助方法、装置及存储介质 |
CN107862598A (zh) * | 2017-09-30 | 2018-03-30 | 平安普惠企业管理有限公司 | 远程面谈审批方法、服务器及可读存储介质 |
CN108510194A (zh) * | 2018-03-30 | 2018-09-07 | 平安科技(深圳)有限公司 | 风控模型训练方法、风险识别方法、装置、设备及介质 |
CN108537160A (zh) * | 2018-03-30 | 2018-09-14 | 平安科技(深圳)有限公司 | 基于微表情的风险识别方法、装置、设备及介质 |
CN108596760A (zh) * | 2018-05-14 | 2018-09-28 | 平安普惠企业管理有限公司 | 贷款风险评估方法及服务器 |
-
2018
- 2018-12-18 CN CN201811549647.4A patent/CN109584051A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090001848A (ko) * | 2007-05-28 | 2009-01-09 | 에스케이 텔레콤주식회사 | 얼굴표정 감시 방법 및 얼굴표정 감시 시스템 |
CN102103617A (zh) * | 2009-12-22 | 2011-06-22 | 华为终端有限公司 | 获取表情含义的方法和装置 |
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 |
CN107862598A (zh) * | 2017-09-30 | 2018-03-30 | 平安普惠企业管理有限公司 | 远程面谈审批方法、服务器及可读存储介质 |
CN107704834A (zh) * | 2017-10-13 | 2018-02-16 | 上海壹账通金融科技有限公司 | 微表情面审辅助方法、装置及存储介质 |
CN108510194A (zh) * | 2018-03-30 | 2018-09-07 | 平安科技(深圳)有限公司 | 风控模型训练方法、风险识别方法、装置、设备及介质 |
CN108537160A (zh) * | 2018-03-30 | 2018-09-14 | 平安科技(深圳)有限公司 | 基于微表情的风险识别方法、装置、设备及介质 |
CN108596760A (zh) * | 2018-05-14 | 2018-09-28 | 平安普惠企业管理有限公司 | 贷款风险评估方法及服务器 |
Non-Patent Citations (1)
Title |
---|
吴永哲: "20180829金融反欺诈是AI多模态情感计算最佳落地场景", pages 1 - 3, Retrieved from the Internet <URL:https://www.sohu.com/a/250656997_545428> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488433B (zh) | 一种适用于银行的提升现场体验感的人工智能交互*** | |
US10504268B1 (en) | Systems and methods for generating facial expressions in a user interface | |
US11163978B2 (en) | Method and device for face image processing, storage medium, and electronic device | |
US11436863B2 (en) | Method and apparatus for outputting data | |
CN109660744A (zh) | 基于大数据的智能双录方法、设备、存储介质及装置 | |
CN111310705A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
CN112543936B (zh) | 用于动作识别的动作结构自注意力图卷积网络模型 | |
CN113128368B (zh) | 一种人物交互关系的检测方法、装置及*** | |
CN112233698A (zh) | 人物情绪识别方法、装置、终端设备及存储介质 | |
US20220138536A1 (en) | Actional-structural self-attention graph convolutional network for action recognition | |
CN108491823A (zh) | 用于生成人眼识别模型的方法和装置 | |
EP3917131A1 (en) | Image deformation control method and device and hardware device | |
CN111862990B (zh) | 说话者身份验证方法及*** | |
CN111291151A (zh) | 交互方法、装置及计算机设备 | |
Cristani et al. | Look at who’s talking: Voice activity detection by automated gesture analysis | |
CN109934191A (zh) | 信息处理方法和装置 | |
CN113111782A (zh) | 基于显著对象检测的视频监控方法及装置 | |
CN109389492A (zh) | 基于微表情计算欺诈概率的方法、***、设备及存储介质 | |
CN109784185A (zh) | 基于微表情识别的客户餐饮评价自动获取方法及装置 | |
CN110490057B (zh) | 一种基于人脸大数据人工智能聚类的自适应识别方法与*** | |
CN109031201A (zh) | 基于行为识别的语音定位方法以及装置 | |
CN113868472A (zh) | 数字人视频的生成方法以及相关设备 | |
CN111144374B (zh) | 人脸表情识别方法及装置、存储介质和电子设备 | |
CN113515994A (zh) | 视频特征提取方法、装置、设备以及存储介质 | |
CN117253287A (zh) | 基于域泛化的动作预测模型训练方法、相关方法及产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information |
Address after: 201, room 518000, building A, No. 1, front Bay Road, Qianhai Shenzhen Guangdong Shenzhen Hong Kong cooperation zone (Qianhai business secretary) Applicant after: Shenzhen one ledger Intelligent Technology Co., Ltd. Address before: 518000 Guangdong city of Shenzhen province Qianhai Shenzhen Hong Kong cooperation zone before Bay Road No. 1 building 201 room A Applicant before: Shenzhen one ledger Intelligent Technology Co., Ltd. |
|
CB02 | Change of applicant information | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |