CN114973374A - 基于表情的风险评测方法、装置、设备及存储介质 - Google Patents

基于表情的风险评测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114973374A
CN114973374A CN202210609389.4A CN202210609389A CN114973374A CN 114973374 A CN114973374 A CN 114973374A CN 202210609389 A CN202210609389 A CN 202210609389A CN 114973374 A CN114973374 A CN 114973374A
Authority
CN
China
Prior art keywords
expression
recognition result
risk
image
expression recognition
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
Application number
CN202210609389.4A
Other languages
English (en)
Inventor
范兴
吴德胜
廖广
许云辉
高洪喜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Bank Co Ltd
Original Assignee
Ping An Bank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202210609389.4A priority Critical patent/CN114973374A/zh
Publication of CN114973374A publication Critical patent/CN114973374A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Multimedia (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Human Computer Interaction (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Technology Law (AREA)
  • Biophysics (AREA)
  • Finance (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)

Abstract

本发明涉及人工智能技术，揭露一种基于表情的风险评测方法，包括：对进行风险评测时采集到的目标用户的目标人脸图像进行区域识别，得到人脸区域图像；基于人脸区域图像进行表情识别，得到表情识别结果；分别对表情识别结果进行评分处理和权重分析，得到评分和表情识别结果对应的权重；根据表情识别结果对应的评分和表情识别结果对应的权重对目标人脸图像进行评分，得到表情风险评分；基于表情风险评分和答题风险评分对目标人脸图像进行风险分析，得到风险评测结果。此外，本发明还涉及区块链技术，表情风险评分可存储于区块链的节点。本发明还提出一种基于表情的风险评测装置、电子设备以及存储介质。本发明可以提高风险评测的准确度。

Description

基于表情的风险评测方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于表情的风险评测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人们生活水平的提高，以及互联网技术的成熟，在推动经济的发展的同时，还促进了金融的创新。互联网金融作为金融和科技相结合的产物，在日常生活中扮演着越来越重要的角色。用户可以通过互联网实现账目管理、网上支付、购买金融产品等各种操作。其中，一些金融产品通常对购买者的风险承受能力有一定的要求，因此，在金融机构向用户出售这些金融产品之前，会采用金融风控***技术对用户进行风险测评操作，生成用户的评测结果以供用户参考。
在对用户进行风险测评操作时，通常为答题形式的测评，也即在终端上向用户展示多道题目，由用户给出每道题目的答案，并根据这些答案进行评估，从而生成该用户的评测结果。但是答题形式的风险测评生成的评测结果只能记录用户选择的答案，无法区别用户做题的时候选择的答案是否是用户真实想法，测评方式比较单一，得到的评测结果准确性较低。因此亟待提出一种更准确的风险评测的方法。
发明内容
本发明提供一种基于表情的风险评测方法、装置及计算机可读存储介质，其主要目的在于提高风险评测的准确度。
为实现上述目的，本发明提供的一种基于表情的风险评测方法，包括：
获取进行风险评测时采集到的目标用户的目标人脸图像，对所述目标人脸图像进行区域识别，得到人脸区域图像；
基于所述人脸区域图像进行表情识别，得到表情识别结果；
分别对所述表情识别结果进行评分处理和权重分析，得到所述表情识别结果对应的评分和所述表情识别结果对应的权重；
根据所述表情识别结果对应的评分和所述表情识别结果对应的权重对所述目标人脸图像进行评分，得到所述目标用户的表情风险评分；
基于所述表情风险评分和预先获取的所述目标用户的答题风险评分对所述目标人脸图像进行风险分析，得到所述目标用户的风险评测结果。
可选地，所述基于所述人脸区域图像进行表情识别，得到表情识别结果，包括：
对所述人脸区域图像进行活跃区域提取处理，得到活跃表情序列；
利用预设的光流算法对所述人脸区域图像中的光流提取，得到光流序列；
将所述活跃表情序列和所述光流序列输入至预训练的深度神经网络中进行识别，得到表情识别结果。
可选地，所述利用预设的光流算法对所述人脸区域图像中的光流提取，得到光流序列，包括：
利用预设的光流计算公式分别计算所述人脸区域图像中每个像素点对应的光流；
将所述每个像素点对应的光流映射至预设的颜色空间，得到光流序列。
可选地，所述将所述活跃表情序列和所述光流序列输入至预训练的深度神经网络中进行识别，得到表情识别结果之前，所述方法还包括：
以预先获取的深度神经网络中的三维卷积层、最大池化层和激活层依次对所述活跃表情序列和所述光流序列进行深度特征提取处理，得到深度表情特征和深度光流特征；
将所述深度表情特征和所述深度光流特征分别输入注意力模块，得到表情帧序列特征和光流帧序列特征；
将所述表情帧序列特征和所述光流帧序列特征通过所述深度神经网络中的融合层进行融合，得到融合特征，并将所述融合特征依次通过两层全连接层和softmax层，得到输出概率；
根据所述输出概率对应所属的输出区间确定预测识别结果，并将所述预测识别结果与预设的真实识别结果进行比对；
当所述预测识别结果与所述真实识别结果比对一致时，将所述深度神经网络输出为训练好的深度神经网络；
当所述预测识别结果与所述真实识别结果比对不一致时，对所述深度神经网络进行优化，并利用优化后的深度神经网络进行表情识别，直至识别出的结果与所述真实识别结果一致时，将所述优化后的深度神经网络作为训练好的深度神经网络。
可选地，所述对所述表情识别结果进行权重分析，得到所述表情识别结果对应的权重，包括：
利用预设的信息熵公式计算所述表情识别结果对应的信息熵；
将所述信息熵和差异系数代入预设的权重公式中，得到所述表情识别结果对应的权重。
可选地，所述对所述目标人脸图像进行区域识别，得到人脸区域图像，包括：
将所述目标人脸图像映射至预设的二维直角坐标系上，并在映射所述目标人脸图像的二维直角坐标系上标记预设的多个区域关键点；
将多个所述区域关键点进行连接，并将连接得到的封闭区域作为人脸区域图像。
可选地，所述获取进行风险评测时采集到的目标用户的目标人脸图像，包括：
获取进行风险评测时的目标人脸视频，对所述目标人脸视频进行关键帧图像抽取，得到预设个数的关键帧图像；
从所述关键帧图像中截取含有人脸的关键区域，得到目标人脸图像。
为了解决上述问题，本发明还提供一种基于表情的风险评测装置，所述装置包括：
表情识别结果模块，用于获取进行风险评测时采集到的目标用户的目标人脸图像，对所述目标人脸图像进行区域识别，得到人脸区域图像，基于所述人脸区域图像进行表情识别，得到表情识别结果；
权重分析模块，用于分别对所述表情识别结果进行评分处理和权重分析，得到所述表情识别结果对应的评分和所述表情识别结果对应的权重；
风险评分模块，用于根据所述表情识别结果对应的评分和所述表情识别结果对应的权重对所述目标人脸图像进行评分，得到所述目标用户的表情风险评分；
风险分析模块，用于基于所述表情风险评分和预先获取的所述目标用户的答题风险评分对所述目标人脸图像进行风险分析，得到所述目标用户的风险评测结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于表情的风险评测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于表情的风险评测方法。
本发明实施例根据对获取进行风险评测时采集到的目标用户的目标人脸图像进行区域识别，得到人脸区域图像，确定包含多个关键部位的人脸区域图像，提高后续表情识别的精度，基于所述人脸区域图像进行表情识别，得到表情识别结果，分别对所述表情识别结果进行评分处理和权重分析，得到所述表情识别结果对应的评分和所述表情识别结果对应的权重，所述权重分析根据各项指标指标值的变异程度来确定指标权数的，精度较高客观性更强，能够更好的解释所得到的结果。根据所述表情识别结果对应的评分和所述表情识别结果对应的权重对所述目标人脸图像进行评分，得到所述目标用户的表情风险评分，基于所述目标用户的表情风险评分和预先获取的所述目标用户的答题风险评分对所述目标人脸图像进行风险分析，得到所述目标用户的风险评测结果。结合所述表情风险评分和所述答题风险评分进行判定可以提高风险评测的准确度。因此本发明提出的基于表情的风险评测方法、装置、电子设备及计算机可读存储介质，可以实现解决风险评测的准确度不够高的问题。
附图说明
图1为本发明一实施例提供的基于表情的风险评测方法的流程示意图；
图2为本发明一实施例提供的基于表情的风险评测装置的功能模块图；
图3为本发明一实施例提供的实现所述基于表情的风险评测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于表情的风险评测方法。所述基于表情的风险评测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于表情的风险评测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于表情的风险评测方法的流程示意图。在本实施例中，所述基于表情的风险评测方法包括：
S1、获取进行风险评测时采集到的目标用户的目标人脸图像，对所述目标人脸图像进行区域识别，得到人脸区域图像。
本发明实施例中，视频采集终端通过摄像头进行实时采集，得到进行风险评测时采集到的目标用户的目标人脸图像，也可以是所述视频采集终端从视频中采集得到的。
具体地，所述获取进行风险评测时采集到的目标用户的目标人脸图像，包括：
获取进行风险评测时的目标人脸视频，对所述目标人脸视频进行关键帧图像抽取，得到预设个数的关键帧图像；
从所述关键帧图像中截取含有人脸的关键区域，得到目标人脸图像。
详细地，利用所述视频采集终端获取得到进行风险评测时的目标人脸视频后，对所述目标人脸视频进行关键帧图像抽取，抽取出N个关键帧图像，N个关键帧图像用于后续进行区域识别。其中，N为大于等于2的正整数。从所述关键帧图像中截取含有人脸的关键区域，得到目标人脸图像。若所述关键帧图像中只存在一个人脸区域，则可以截取整个人脸区域作为目标人脸图像。若所述关键帧图像中存在多个人脸区域，则可以截取其中一个人脸区域作为目标人脸图像。
例如，用户在进行智能答题时，答题设备可以通过摄像头实时采集用户人脸的一段时间的视频，作为目标人脸视频。
进一步地，所述对所述目标人脸图像进行区域识别，得到人脸区域图像，包括：
将所述目标人脸图像映射至预设的二维直角坐标系上，并在映射所述目标人脸图像的二维直角坐标系上标记预设的多个区域关键点；
将多个所述区域关键点进行连接，并将连接得到的封闭区域作为人脸区域图像。
详细地，所述预设的多个区域关键点为眼睛、眉毛、脸型轮廓和嘴巴等关键点。由于所述目标人脸图像中包含整张人脸，而进行表情识别需要用到的仅仅为可用作表情识别参考的区域，因此可以对所述目标人脸图像进行表情识别，得到人脸区域图像。
S2、基于所述人脸区域图像进行表情识别，得到表情识别结果。
本发明实施例中，在所述提取所述人脸区域图像中的人脸特征信息之前，所述方法还包括：
对所述人脸区域图像进行图像预处理。
详细地，所述图像预处理可以是对所述人脸区域图像进行光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化操作。
具体地，所述基于所述人脸区域图像进行表情识别，得到表情识别结果，包括：
对所述人脸区域图像进行活跃区域提取处理，得到活跃表情序列；
利用预设的光流算法对所述人脸区域图像中的光流提取，得到光流序列；
将所述活跃表情序列和所述光流序列输入至预训练的深度神经网络中进行识别，得到表情识别结果。
详细地，所述活跃区域可以为主要集中在眼睛、眉毛、鼻子、脸颊、嘴巴区域，掩盖不活跃区的小块，可以有效的避免非活跃区域带来的噪声干扰，聚焦细节变化的区域，得到活跃表情序列。
进一步地，所述利用预设的光流算法对所述人脸区域图像中的光流提取，得到光流序列，包括：
利用预设的光流计算公式分别计算所述人脸区域图像中每个像素点对应的光流；
将所述每个像素点对应的光流映射至预设的颜色空间，得到光流序列。
详细地，光流(optical flow)是时变图像中模式运动速度，反映了微小时间间隔内由于运动形成的影像变化。
具体地，所述利用预设的光流计算公式分别计算所述人脸区域图像中每个像素点对应的光流，包括：
利用如下光流计算公式分别计算所述人脸区域图像中每个像素点对应的光流：
f1(x)＝xTA1+xTB1+C1
f1(x-dx，y-dy)＝f2(x)
其中，f1(x)表示所述人脸区域图像的每个像素点坐标，f2(x)表示所述人脸区域图像的每个像素点对应的光流，dx和dy分别表示所述每个像素点在x坐标轴和y坐标轴方向上的位移，A1和B1分别表示不同的矩阵向量，C1表示标量，T表示预设时间。
详细地，所述预设的颜色空间可以为HSV颜色空间。
进一步地，所述将所述活跃表情序列和所述光流序列输入至预训练的深度神经网络中进行识别，得到表情识别结果之前，所述方法还包括：
以预先获取的深度神经网络中的三维卷积层、最大池化层和激活层依次对所述活跃表情序列和所述光流序列进行深度特征提取处理，得到深度表情特征和深度光流特征；
将所述深度表情特征和所述深度光流特征分别输入注意力模块，得到表情帧序列特征和光流帧序列特征；
将所述表情帧序列特征和所述光流帧序列特征通过所述深度神经网络中的融合层进行融合，得到融合特征，并将所述融合特征依次通过两层全连接层和softmax层，得到输出概率；
根据所述输出概率对应所属的输出区间确定预测识别结果，并将所述预测识别结果与预设的真实识别结果进行比对；
当所述预测识别结果与所述真实识别结果比对一致时，将所述深度神经网络输出为训练好的深度神经网络；
当所述预测识别结果与所述真实识别结果比对不一致时，对所述深度神经网络进行优化，并利用优化后的深度神经网络进行表情识别，直至识别出的结果与所述真实识别结果一致时，将所述优化后的深度神经网络作为训练好的深度神经网络。
在本发明另一实施例中，所述基于所述人脸区域图像进行表情识别，得到表情识别结果，包括：
提取所述人脸区域图像中的人脸特征信息；
将所述人脸特征信息与预设的表情信息库进行比对，得到表情识别结果。
详细地，可以利用LBP算法提取所述人脸区域图像中的人脸特征信息，或者利用卷积神经网络提取人脸特征信息。所述表情信息库中包含多个预先设定好的表情。例如，所述表情信息库中包含开心、笑脸、嘴角上扬、瞳孔放大、皱眉、撇嘴、呲牙、咧嘴等。
S3、分别对所述表情识别结果进行评分处理和权重分析，得到所述表情识别结果对应的评分和所述表情识别结果对应的权重。
本发明实施例中，所述对所述表情识别结果进行评分处理，得到所述表情识别结果对应的评分，包括：
将所述表情识别结果与预设的表情评分表进行比对；
将所述表情评分表中与所述表情识别结果一致的表情对应的评分作为所述表情识别结果对应的评分。
详细地，所述表情评分表中包含不同的表情以及表情所对应的评分，将所述表情识别结果与所述表情评分表进行比对，可以得到所述表情识别结果对应的评分。
在本发明另一实施例中，也可以采用人工智能模型对所述表情识别结果进行评分处理，得到所述表情识别结果对应的评分。
进一步地，所述对所述表情识别结果进行权重分析，得到所述表情识别结果对应的权重，包括：
利用预设的信息熵公式计算所述表情识别结果对应的信息熵；
将所述信息熵和差异系数代入预设的权重公式中，得到所述表情识别结果对应的权重。
具体地，所述利用预设的信息熵公式计算所述表情识别结果对应的信息熵，包括：
所述预设的信息熵公式为：
Figure BDA0003671471440000091
Figure BDA0003671471440000092
Figure BDA0003671471440000093
其中，Hj为第j个表情识别结果的信息熵，s′ij为所述表情识别结果对应的评分的归一值，sij为所述表情识别结果对应的评分的标准值，k为预设的固定参数，m为所述表情识别结果对应的评分的数值，tij为所述表情识别结果对应的评分。
详细地，所述表情识别结果对应的评分的归一值可以通过对评分进行归一化处理实现，所述表情识别结果对应的评分的标准值是根据预设的标准修正系数对评分进行修正得到的数据。
进一步地，所述将所述信息熵和差异系数代入预设的权重公式中，得到所述表情识别结果对应的权重，包括：
Figure BDA0003671471440000094
αj＝1-Hj(j＝L2...，n)
其中，pj为权重，αj为差异系数，Hj为第j个表情识别结果的信息熵。
详细地，本方案利用熵权法进行权重分析，所述熵权法是根据各项指标指标值的变异程度来确定指标权数的，这是一种客观赋权法，避免了人为因素带来的偏差。相对于其他主观赋值法，精度较高客观性更强，能够更好的解释所得到的结果。
S4、根据所述表情识别结果对应的评分和所述表情识别结果对应的权重对所述目标人脸图像进行评分，得到所述目标用户的表情风险评分。
本发明实施例中，所述根据所述表情识别结果对应的评分和所述表情识别结果对应的权重对所述目标人脸图像进行评分，得到所述目标用户的表情风险评分，包括：
将所述表情识别结果对应的权重与所述表情识别结果对应的评分进行相乘，得到权重评分；
将多个权重评分进行求和处理，得到所述目标用户的表情风险评分。
详细地，所述表情风险评分是根据所述表情识别结果对应的权重与所述表情识别结果对应的评分对应的权重进行相乘并求和的计算所得的，充分考虑了表情识别结果的影响，得到的所述目标用户的表情风险评分更加准确。
S5、基于所述表情风险评分和预先获取的所述目标用户的答题风险评分对所述目标人脸图像进行风险分析，得到所述目标用户的风险评测结果。
本发明实施例中，所述基于所述表情风险评分和预先获取的所述目标用户的答题风险评分对所述目标人脸图像进行风险分析，得到所述目标用户的风险评测结果，包括：
将所述表情风险评分和所述答题风险评分输入至预设的评测公式中，得到目标风险评分；
判断所述目标风险评分与所述风险阈值之间的大小；
若所述目标风险评分大于或者等于所述风险阈值，确定所述风险评测结果为风险过大；
若所述目标风险评分小于所述风险阈值，确定所述风险评测结果为风险正常。
详细地，所述答题风险评分是通过根据目标人脸图像对应的用户在答题时提交的答题问卷进行评分得到的数据。
具体地，所述预设的评测公式为：
Figure BDA0003671471440000101
其中，S为目标风险评分，a为所述表情风险评分，b为所述答题风险评分，
Figure BDA0003671471440000102
和ω分别为预设的固定权重值。
详细地，当所述风险评测结果为风险过大则需要重新推荐一个新的测评方案，当所述风险评测结果为风险正常则说明用户可以接受本测评方案，因此无需进行重新推荐。
本发明实施例根据对获取进行风险评测时采集到的目标用户的目标人脸图像进行区域识别，得到人脸区域图像，确定包含多个关键部位的人脸区域图像，提高后续表情识别的精度，基于所述人脸区域图像进行表情识别，得到表情识别结果，分别对所述表情识别结果进行评分处理和权重分析，得到所述表情识别结果对应的评分和所述表情识别结果对应的权重，所述权重分析根据各项指标指标值的变异程度来确定指标权数的，精度较高客观性更强，能够更好的解释所得到的结果。根据所述表情识别结果对应的评分和所述表情识别结果对应的权重对所述目标人脸图像进行评分，得到所述目标用户的表情风险评分，基于所述目标用户的表情风险评分和预先获取的所述目标用户的答题风险评分对所述目标人脸图像进行风险分析，得到所述目标用户的风险评测结果。结合所述表情风险评分和所述答题风险评分进行判定可以提高风险评测的准确度。因此本发明提出的基于表情的风险评测方法可以实现解决风险评测的准确度不够高的问题。
如图2所示，是本发明一实施例提供的基于表情的风险评测装置的功能模块图。
本发明所述基于表情的风险评测装置100可以安装于电子设备中。根据实现的功能，所述基于表情的风险评测装置100可以包括表情识别结果模块101、权重分析模块102、风险评分模块103及风险分析模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述表情识别结果模块101，用于获取进行风险评测时采集到的目标用户的目标人脸图像，对所述目标人脸图像进行区域识别，得到人脸区域图像，基于所述人脸区域图像进行表情识别，得到表情识别结果；
所述权重分析模块102，用于分别对所述表情识别结果进行评分处理和权重分析，得到所述表情识别结果对应的评分和所述表情识别结果对应的权重；
所述风险评分模块103，用于根据所述表情识别结果对应的评分和所述表情识别结果对应的权重对所述目标人脸图像进行评分，得到所述目标用户的表情风险评分；
所述风险分析模块104，用于基于所述表情风险评分和预先获取的所述目标用户的答题风险评分对所述目标人脸图像进行风险分析，得到所述目标用户的风险评测结果。
详细地，所述基于表情的风险评测装置100各模块的具体实施方式如下：
步骤一、获取进行风险评测时采集到的目标用户的目标人脸图像，对所述目标人脸图像进行区域识别，得到人脸区域图像。
本发明实施例中，视频采集终端通过摄像头进行实时采集，得到进行风险评测时采集到的目标用户的目标人脸图像，也可以是所述视频采集终端从视频中采集得到的。
具体地，所述获取进行风险评测时采集到的目标用户的目标人脸图像，包括：
获取进行风险评测时的目标人脸视频，对所述目标人脸视频进行关键帧图像抽取，得到预设个数的关键帧图像；
从所述关键帧图像中截取含有人脸的关键区域，得到目标人脸图像。
详细地，利用所述视频采集终端获取得到进行风险评测时的目标人脸视频后，对所述目标人脸视频进行关键帧图像抽取，抽取出N个关键帧图像，N个关键帧图像用于后续进行区域识别。其中，N为大于等于2的正整数。从所述关键帧图像中截取含有人脸的关键区域，得到目标人脸图像。若所述关键帧图像中只存在一个人脸区域，则可以截取整个人脸区域作为目标人脸图像。若所述关键帧图像中存在多个人脸区域，则可以截取其中一个人脸区域作为目标人脸图像。
例如，用户在进行智能答题时，答题设备可以通过摄像头实时采集用户人脸的一段时间的视频，作为目标人脸视频。
进一步地，所述对所述目标人脸图像进行区域识别，得到人脸区域图像，包括：
将所述目标人脸图像映射至预设的二维直角坐标系上，并在映射所述目标人脸图像的二维直角坐标系上标记预设的多个区域关键点；
将多个所述区域关键点进行连接，并将连接得到的封闭区域作为人脸区域图像。
详细地，所述预设的多个区域关键点为眼睛、眉毛、脸型轮廓和嘴巴等关键点。由于所述目标人脸图像中包含整张人脸，而进行表情识别需要用到的仅仅为可用作表情识别参考的区域，因此可以对所述目标人脸图像进行表情识别，得到人脸区域图像。
步骤二、基于所述人脸区域图像进行表情识别，得到表情识别结果。
本发明实施例中，在所述提取所述人脸区域图像中的人脸特征信息之前，所述方法还包括：
对所述人脸区域图像进行图像预处理。
详细地，所述图像预处理可以是对所述人脸区域图像进行光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化操作。
具体地，所述基于所述人脸区域图像进行表情识别，得到表情识别结果，包括：
对所述人脸区域图像进行活跃区域提取处理，得到活跃表情序列；
利用预设的光流算法对所述人脸区域图像中的光流提取，得到光流序列；
将所述活跃表情序列和所述光流序列输入至预训练的深度神经网络中进行识别，得到表情识别结果。
详细地，所述活跃区域可以为主要集中在眼睛、眉毛、鼻子、脸颊、嘴巴区域，掩盖不活跃区的小块，可以有效的避免非活跃区域带来的噪声干扰，聚焦细节变化的区域，得到活跃表情序列。
进一步地，所述利用预设的光流算法对所述人脸区域图像中的光流提取，得到光流序列，包括：
利用预设的光流计算公式分别计算所述人脸区域图像中每个像素点对应的光流；
将所述每个像素点对应的光流映射至预设的颜色空间，得到光流序列。
详细地，光流(optical flow)是时变图像中模式运动速度，反映了微小时间间隔内由于运动形成的影像变化。
具体地，所述利用预设的光流计算公式分别计算所述人脸区域图像中每个像素点对应的光流，包括：
利用如下光流计算公式分别计算所述人脸区域图像中每个像素点对应的光流：
f1(x)＝xTA1+xTB1+C1
f1(x-dx，y-dy)＝f2(x)
其中，f1(x)表示所述人脸区域图像的每个像素点坐标，f2(x)表示所述人脸区域图像的每个像素点对应的光流，dx和dy分别表示所述每个像素点在x坐标轴和y坐标轴方向上的位移，A1和B1分别表示不同的矩阵向量，C1表示标量，T表示预设时间。
详细地，所述预设的颜色空间可以为HSV颜色空间。
进一步地，所述将所述活跃表情序列和所述光流序列输入至预训练的深度神经网络中进行识别，得到表情识别结果之前，还执行：
以预先获取的深度神经网络中的三维卷积层、最大池化层和激活层依次对所述活跃表情序列和所述光流序列进行深度特征提取处理，得到深度表情特征和深度光流特征；
将所述深度表情特征和所述深度光流特征分别输入注意力模块，得到表情帧序列特征和光流帧序列特征；
将所述表情帧序列特征和所述光流帧序列特征通过所述深度神经网络中的融合层进行融合，得到融合特征，并将所述融合特征依次通过两层全连接层和softmax层，得到输出概率；
根据所述输出概率对应所属的输出区间确定预测识别结果，并将所述预测识别结果与预设的真实识别结果进行比对；
当所述预测识别结果与所述真实识别结果比对一致时，将所述深度神经网络输出为训练好的深度神经网络；
当所述预测识别结果与所述真实识别结果比对不一致时，对所述深度神经网络进行优化，并利用优化后的深度神经网络进行表情识别，直至识别出的结果与所述真实识别结果一致时，将所述优化后的深度神经网络作为训练好的深度神经网络。
在本发明另一实施例中，所述基于所述人脸区域图像进行表情识别，得到表情识别结果，包括：
提取所述人脸区域图像中的人脸特征信息；
将所述人脸特征信息与预设的表情信息库进行比对，得到表情识别结果。
详细地，可以利用LBP算法提取所述人脸区域图像中的人脸特征信息，或者利用卷积神经网络提取人脸特征信息。所述表情信息库中包含多个预先设定好的表情。例如，所述表情信息库中包含开心、笑脸、嘴角上扬、瞳孔放大、皱眉、撇嘴、呲牙、咧嘴等。
步骤三、分别对所述表情识别结果进行评分处理和权重分析，得到所述表情识别结果对应的评分和所述表情识别结果对应的权重。
本发明实施例中，所述对所述表情识别结果进行评分处理，得到所述表情识别结果对应的评分，包括：
将所述表情识别结果与预设的表情评分表进行比对；
将所述表情评分表中与所述表情识别结果一致的表情对应的评分作为所述表情识别结果对应的评分。
详细地，所述表情评分表中包含不同的表情以及表情所对应的评分，将所述表情识别结果与所述表情评分表进行比对，可以得到所述表情识别结果对应的评分。
在本发明另一实施例中，也可以采用人工智能模型对所述表情识别结果进行评分处理，得到所述表情识别结果对应的评分。
进一步地，所述对所述表情识别结果进行权重分析，得到所述表情识别结果对应的权重，包括：
利用预设的信息熵公式计算所述表情识别结果对应的信息熵；
将所述信息熵和差异系数代入预设的权重公式中，得到所述表情识别结果对应的权重。
具体地，所述利用预设的信息熵公式计算所述表情识别结果对应的信息熵，包括：
所述预设的信息熵公式为：
Figure BDA0003671471440000151
Figure BDA0003671471440000152
Figure BDA0003671471440000153
其中，Hj为第j个表情识别结果的信息熵，s′ij为所述表情识别结果对应的评分的归一值，sij为所述表情识别结果对应的评分的标准值，k为预设的固定参数，m为所述表情识别结果对应的评分的数值，tij为所述表情识别结果对应的评分。
详细地，所述表情识别结果对应的评分的归一值可以通过对评分进行归一化处理实现，所述表情识别结果对应的评分的标准值是根据预设的标准修正系数对评分进行修正得到的数据。
进一步地，所述将所述信息熵和差异系数代入预设的权重公式中，得到所述表情识别结果对应的权重，包括：
Figure BDA0003671471440000161
αj＝1-Hj(j＝1,2...，n)
其中，pj为权重，αj为差异系数，Hj为第j个表情识别结果的信息熵。
详细地，本方案利用熵权法进行权重分析，所述熵权法是根据各项指标指标值的变异程度来确定指标权数的，这是一种客观赋权法，避免了人为因素带来的偏差。相对于其他主观赋值法，精度较高客观性更强，能够更好的解释所得到的结果。
步骤四、根据所述表情识别结果对应的评分和所述表情识别结果对应的权重对所述目标人脸图像进行评分，得到所述目标用户的表情风险评分。
本发明实施例中，所述根据所述表情识别结果对应的评分和所述表情识别结果对应的权重对所述目标人脸图像进行评分，得到所述目标用户的表情风险评分，包括：
将所述表情识别结果对应的权重与所述表情识别结果对应的评分进行相乘，得到权重评分；
将多个权重评分进行求和处理，得到所述目标用户的表情风险评分。
详细地，所述表情风险评分是根据所述表情识别结果对应的权重与所述表情识别结果对应的评分对应的权重进行相乘并求和的计算所得的，充分考虑了表情识别结果的影响，得到的所述目标用户的表情风险评分更加准确。
步骤五、基于所述表情风险评分和预先获取的所述目标用户的答题风险评分对所述目标人脸图像进行风险分析，得到所述目标用户的风险评测结果。
本发明实施例中，所述基于所述表情风险评分和预先获取的所述目标用户的答题风险评分对所述目标人脸图像进行风险分析，得到所述目标用户的风险评测结果，包括：
将所述表情风险评分和所述答题风险评分输入至预设的评测公式中，得到目标风险评分；
判断所述目标风险评分与所述风险阈值之间的大小；
若所述目标风险评分大于或者等于所述风险阈值，确定所述风险评测结果为风险过大；
若所述目标风险评分小于所述风险阈值，确定所述风险评测结果为风险正常。
详细地，所述答题风险评分是通过根据目标人脸图像对应的用户在答题时提交的答题问卷进行评分得到的数据。
具体地，所述预设的评测公式为：
Figure BDA0003671471440000171
其中，S为目标风险评分，a为所述表情风险评分，b为所述答题风险评分，
Figure BDA0003671471440000172
和ω分别为预设的固定权重值。
详细地，当所述风险评测结果为风险过大则需要重新推荐一个新的测评方案，当所述风险评测结果为风险正常则说明用户可以接受本测评方案，因此无需进行重新推荐。
本发明实施例根据对获取进行风险评测时采集到的目标用户的目标人脸图像进行区域识别，得到人脸区域图像，确定包含多个关键部位的人脸区域图像，提高后续表情识别的精度，基于所述人脸区域图像进行表情识别，得到表情识别结果，分别对所述表情识别结果进行评分处理和权重分析，得到所述表情识别结果对应的评分和所述表情识别结果对应的权重，所述权重分析根据各项指标指标值的变异程度来确定指标权数的，精度较高客观性更强，能够更好的解释所得到的结果。根据所述表情识别结果对应的评分和所述表情识别结果对应的权重对所述目标人脸图像进行评分，得到所述目标用户的表情风险评分，基于所述目标用户的表情风险评分和预先获取的所述目标用户的答题风险评分对所述目标人脸图像进行风险分析，得到所述目标用户的风险评测结果。结合所述表情风险评分和所述答题风险评分进行判定可以提高风险评测的准确度。因此本发明提出的基于表情的风险评测装置可以实现解决风险评测的准确度不够高的问题。
如图3所示，是本发明一实施例提供的实现基于表情的风险评测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于表情的风险评测程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于表情的风险评测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于表情的风险评测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于表情的风险评测程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取进行风险评测时采集到的目标用户的目标人脸图像，对所述目标人脸图像进行区域识别，得到人脸区域图像；
基于所述人脸区域图像进行表情识别，得到表情识别结果；
分别对所述表情识别结果进行评分处理和权重分析，得到所述表情识别结果对应的评分和所述表情识别结果对应的权重；
根据所述表情识别结果对应的评分和所述表情识别结果对应的权重对所述目标人脸图像进行评分，得到所述目标用户的表情风险评分；
基于所述表情风险评分和预先获取的所述目标用户的答题风险评分对所述目标人脸图像进行风险分析，得到所述目标用户的风险评测结果。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取进行风险评测时采集到的目标用户的目标人脸图像，对所述目标人脸图像进行区域识别，得到人脸区域图像；
基于所述人脸区域图像进行表情识别，得到表情识别结果；
分别对所述表情识别结果进行评分处理和权重分析，得到所述表情识别结果对应的评分和所述表情识别结果对应的权重；
根据所述表情识别结果对应的评分和所述表情识别结果对应的权重对所述目标人脸图像进行评分，得到所述目标用户的表情风险评分；
基于所述表情风险评分和预先获取的所述目标用户的答题风险评分对所述目标人脸图像进行风险分析，得到所述目标用户的风险评测结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于表情的风险评测方法，其特征在于，所述方法包括：
获取进行风险评测时采集到的目标用户的目标人脸图像，对所述目标人脸图像进行区域识别，得到人脸区域图像；
基于所述人脸区域图像进行表情识别，得到表情识别结果；
分别对所述表情识别结果进行评分处理和权重分析，得到所述表情识别结果对应的评分和所述表情识别结果对应的权重；
根据所述表情识别结果对应的评分和所述表情识别结果对应的权重对所述目标人脸图像进行评分，得到所述目标用户的表情风险评分；
基于所述表情风险评分和预先获取的所述目标用户的答题风险评分对所述目标人脸图像进行风险分析，得到所述目标用户的风险评测结果。
2.如权利要求1所述的基于表情的风险评测方法，其特征在于，所述基于所述人脸区域图像进行表情识别，得到表情识别结果，包括：
对所述人脸区域图像进行活跃区域提取处理，得到活跃表情序列；
利用预设的光流算法对所述人脸区域图像中的光流提取，得到光流序列；
将所述活跃表情序列和所述光流序列输入至预训练的深度神经网络中进行识别，得到表情识别结果。
3.如权利要求2所述的基于表情的风险评测方法，其特征在于，所述利用预设的光流算法对所述人脸区域图像中的光流提取，得到光流序列，包括：
利用预设的光流计算公式分别计算所述人脸区域图像中每个像素点对应的光流；
将所述每个像素点对应的光流映射至预设的颜色空间，得到光流序列。
4.如权利要求2所述的基于表情的风险评测方法，其特征在于，所述将所述活跃表情序列和所述光流序列输入至预训练的深度神经网络中进行识别，得到表情识别结果之前，所述方法还包括：
以预先获取的深度神经网络中的三维卷积层、最大池化层和激活层依次对所述活跃表情序列和所述光流序列进行深度特征提取处理，得到深度表情特征和深度光流特征；
将所述深度表情特征和所述深度光流特征分别输入注意力模块，得到表情帧序列特征和光流帧序列特征；
将所述表情帧序列特征和所述光流帧序列特征通过所述深度神经网络中的融合层进行融合，得到融合特征，并将所述融合特征依次通过两层全连接层和softmax层，得到输出概率；
根据所述输出概率对应所属的输出区间确定预测识别结果，并将所述预测识别结果与预设的真实识别结果进行比对；
当所述预测识别结果与所述真实识别结果比对一致时，将所述深度神经网络输出为训练好的深度神经网络；
当所述预测识别结果与所述真实识别结果比对不一致时，对所述深度神经网络进行优化，并利用优化后的深度神经网络进行表情识别，直至识别出的结果与所述真实识别结果一致时，将所述优化后的深度神经网络作为训练好的深度神经网络。
5.如权利要求1所述的基于表情的风险评测方法，其特征在于，所述对所述表情识别结果进行权重分析，得到所述表情识别结果对应的权重，包括：
利用预设的信息熵公式计算所述表情识别结果对应的信息熵；
将所述信息熵和差异系数代入预设的权重公式中，得到所述表情识别结果对应的权重。
6.如权利要求1所述的基于表情的风险评测方法，其特征在于，所述对所述目标人脸图像进行区域识别，得到人脸区域图像，包括：
将所述目标人脸图像映射至预设的二维直角坐标系上，并在映射所述目标人脸图像的二维直角坐标系上标记预设的多个区域关键点；
将多个所述区域关键点进行连接，并将连接得到的封闭区域作为人脸区域图像。
7.如权利要求1所述的基于表情的风险评测方法，其特征在于，所述获取进行风险评测时采集到的目标用户的目标人脸图像，包括：
获取进行风险评测时的目标人脸视频，对所述目标人脸视频进行关键帧图像抽取，得到预设个数的关键帧图像；
从所述关键帧图像中截取含有人脸的关键区域，得到目标人脸图像。
8.一种基于表情的风险评测装置，其特征在于，所述装置包括：
表情识别结果模块，用于获取进行风险评测时采集到的目标用户的目标人脸图像，对所述目标人脸图像进行区域识别，得到人脸区域图像，基于所述人脸区域图像进行表情识别，得到表情识别结果；
权重分析模块，用于分别对所述表情识别结果进行评分处理和权重分析，得到所述表情识别结果对应的评分和所述表情识别结果对应的权重；
风险评分模块，用于根据所述表情识别结果对应的评分和所述表情识别结果对应的权重对所述目标人脸图像进行评分，得到所述目标用户的表情风险评分；
风险分析模块，用于基于所述表情风险评分和预先获取的所述目标用户的答题风险评分对所述目标人脸图像进行风险分析，得到所述目标用户的风险评测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于表情的风险评测方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于表情的风险评测方法。
CN202210609389.4A 2022-05-31 2022-05-31 基于表情的风险评测方法、装置、设备及存储介质 Pending CN114973374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210609389.4A CN114973374A (zh) 2022-05-31 2022-05-31 基于表情的风险评测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210609389.4A CN114973374A (zh) 2022-05-31 2022-05-31 基于表情的风险评测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114973374A true CN114973374A (zh) 2022-08-30

Family

ID=82958576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210609389.4A Pending CN114973374A (zh) 2022-05-31 2022-05-31 基于表情的风险评测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114973374A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115760119A (zh) * 2022-11-28 2023-03-07 海口春帆网络科技有限公司 基于数据处理和特征识别的金融支付监管***及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872026A (zh) * 2018-12-14 2019-06-11 深圳壹账通智能科技有限公司 评测结果生成方法、装置、设备及计算机可读存储介质
CN110046587A (zh) * 2019-04-22 2019-07-23 安徽理工大学 基于Gabor差分权重的人脸表情特征提取方法
CN112560812A (zh) * 2021-02-19 2021-03-26 中国科学院自动化研究所 基于融合深度特征的微表情识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872026A (zh) * 2018-12-14 2019-06-11 深圳壹账通智能科技有限公司 评测结果生成方法、装置、设备及计算机可读存储介质
CN110046587A (zh) * 2019-04-22 2019-07-23 安徽理工大学 基于Gabor差分权重的人脸表情特征提取方法
CN112560812A (zh) * 2021-02-19 2021-03-26 中国科学院自动化研究所 基于融合深度特征的微表情识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115760119A (zh) * 2022-11-28 2023-03-07 海口春帆网络科技有限公司 基于数据处理和特征识别的金融支付监管***及方法
CN115760119B (zh) * 2022-11-28 2024-03-12 西安乐刷宝网络科技有限公司 基于数据处理和特征识别的金融支付监管***及方法

Similar Documents

Publication Publication Date Title
CN115391669B (zh) 一种智能推荐方法、装置、电子设备
CN112507934A (zh) 活体检测方法、装置、电子设备及存储介质
CN113435335B (zh) 微观表情识别方法、装置、电子设备及存储介质
CN114663198A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN112988963A (zh) 基于多流程节点的用户意图预测方法、装置、设备及介质
CN116311539B (zh) 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质
CN114708461A (zh) 基于多模态学习模型的分类方法、装置、设备及存储介质
CN112634017A (zh) 远程开卡激活方法、装置、电子设备及计算机存储介质
CN115471775A (zh) 基于录屏视频的信息验证方法、装置、设备及存储介质
CN114880449A (zh) 智能问答的答复生成方法、装置、电子设备及存储介质
CN114862140A (zh) 基于行为分析的潜力评估方法、装置、设备及存储介质
CN114756669A (zh) 问题意图的智能分析方法、装置、电子设备及存储介质
CN114639152A (zh) 基于人脸识别的多模态语音交互方法、装置、设备及介质
CN114973374A (zh) 基于表情的风险评测方法、装置、设备及存储介质
CN113705469A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN113869218B (zh) 人脸活体检测方法、装置、电子设备及可读存储介质
CN113255456B (zh) 非主动活体检测方法、装置、电子设备及存储介质
JP2020115175A (ja) 情報処理装置、情報処理方法及びプログラム
CN115641186A (zh) 直播产品偏好的智能分析方法、装置、设备及存储介质
CN114202337A (zh) 风险识别方法、装置、设备及存储介质
CN114882420A (zh) 接待人数统计方法、装置、电子设备及可读存储介质
CN114219367A (zh) 用户评分方法、装置、设备及存储介质
CN114595321A (zh) 问题标注方法、装置、电子设备及存储介质
CN114219544A (zh) 消费倾向分析方法、装置、设备及存储介质
CN113505698A (zh) 基于对抗学习的人脸识别方法、装置、设备及介质

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