风控模型训练方法、风险识别方法、装置、设备及介质制造方法及图纸

本发明专利技术公开一种风控模型训练方法、风险识别方法、装置、设备及介质。该风控模型训练方法包括：对原始视频数据进行标注，获取正负样本；对所述正负样本进行分帧和人脸检测，获取训练人脸图片；对所述训练人脸图片按照预设数量进行分组，获取至少一组目标训练数据；目标训练数据包括连续N帧的训练人脸图片；对目标训练数据按照预设比例进行划分，获取训练集和测试集；将训练集中每一组目标训练数据输入到卷积神经网络‑长短时递归神经网络模型中进行训练，获取原始风控模型；采用测试集中每一组目标训练数据对原始风控模型进行测试，获取目标风控模型。该风控模型训练方法具有训练效率高且识别精度高的优点。

Wind control model training method, risk identification method, device, equipment and medium

The invention discloses a wind control model training method, a risk identification method, a device, a device and a medium. The training method of the wind control model includes: labeling the original video data to obtain positive and negative samples; dividing the positive and negative samples into frames and face detection to obtain the training face images; grouping the training face images according to the preset number to obtain at least a set of target training data; and target training data including links. The target training data are divided into training sets and test sets according to the preset proportion; each group of target training data in the training set is input into the convolution neural network long-short-term recurrent neural network model for training to obtain the original wind control model; and each group of targets in the test set is used for training. The training data is used to test the original wind control model and obtain the target wind control model. The wind control model training method has the advantages of high training efficiency and high recognition accuracy.

【技术实现步骤摘要】
风控模型训练方法、风险识别方法、装置、设备及介质
本专利技术涉及风险识别领域，尤其涉及一种风控模型训练方法、风险识别方法装置、设备及介质。
技术介绍
在金融行业，每一笔贷款资金的发放均需进行风险控制(以下简称风控)，以确定能否给贷款人发放贷款。传统的风控过程，主要采用信审人与贷款人进行面对面交流的方式进行，但是在面对面的交流过程中，信审人可能因为注意力不集中或者对人的面部表情了解不深，忽略贷款人面部的一些细微的表情变化，这些细微的表情变化可能反映贷款人交流时的心理活动(如说谎)。部分金融机构逐步采用风控模型识别贷款人是否说谎，以辅助进行贷款风控。当前的风控模型需要使用一系列的微表情识别模型抓取人脸的面部特征，进而基于这些细微的表情变化反映贷款人在贷款时的心理活动，以达到风控的目的，但在训练这些微表情识别模型时采用通用的神经网络，使得模型的准确率不高且识别效率低。
技术实现思路
本专利技术实施例提供一种风控模型训练方法、装置、设备及介质，以解决当前风险识别模型需要采用一系列微表情识别模型进行识别，导致识别效率低的问题。本专利技术实施例提供一种风险识别方法，以解决当前风险识别模型采用通用的神经网络模型进行训练，使得模型识别准确率不高的问题。第一方面，本专利技术实施例提供一种风控模型训练方法，包括：对原始视频数据进行标注，获取正负样本；对所述正负样本进行分帧和人脸检测，获取训练人脸图片；对所述训练人脸图片按照预设数量进行分组，获取至少一组目标训练数据；所述目标训练数据包括连续N帧的所述训练人脸图片；对所述目标训练数据按照预设比例进行划分，获取训练集和测试集；将所述训练集中每一组所述目标训练数据输入到卷积神经网络-长短时递归神经网络模型中进行训练，获取原始风控模型；采用所述测试集中每一组所述目标训练数据对所述原始风控模型进行测试，获取目标风控模型。第二方面，本专利技术实施例提供一种风控模型训练装置，包括：正负样本获取模块，用于对原始视频数据进行标注，获取正负样本；训练人脸图片获取模块，用于对所述正负样本进行分帧和人脸检测，获取训练人脸图片；目标训练数据获取模块，用于对所述训练人脸图片按照预设数量进行分组，获取至少一组目标训练数据；所述目标训练数据包括连续N帧的所述训练人脸图片；目标训练数据划分模块，用于对所述目标训练数据按照预设比例进行划分，获取训练集和测试集；原始风控模型获取模块，用于将所述训练集中每一组所述目标训练数据输入到卷积神经网络-长短时递归神经网络模型中进行训练，获取原始风控模型；目标风控模型获取模块，用于采用所述测试集中每一组所述目标训练数据对所述原始风控模型进行测试，获取目标风控模型。第三方面，本专利技术实施例提供一种风险识别方法，包括：获取待识别视频数据；采用人脸检测模型对所述待识别视频数据进行人脸检测，获取待识别人脸图片；对所述待识别人脸图片进行分组，获取至少一组目标人脸图片；采用第一方面所述风控模型训练方法获取的目标风控模型对至少一组所述目标人脸图片进行识别，获取每一组所述目标人脸图片对应的风险识别概率；基于所述风险识别概率，获取风险识结果。第四方面，本专利技术实施例提供一种风险识别装置，包括：待识别视频数据获取模块，用于获取待识别视频数据；待识别人脸图片获取模块，用于采用人脸检测模型对所述待识别视频数据进行人脸检测，获取待识别人脸图片；目标人脸图片获取模块，用于对所述待识别人脸图片进行分组，获取至少一组目标人脸图片；风险识别概率获取模块，用于采用第一方面所述风控模型训练方法获取的目标风控模型对至少一组所述目标人脸图片进行识别，获取每一组所述目标人脸图片对应的风险识别概率；风险识结果获取模块，用于基于所述风险识别概率，获取风险识结果。第五方面，本专利技术实施例提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述风控模型训练方法的步骤；或者，所述处理器执行所述计算机程序时实现第三方面所述风险识别方法的步骤。第六方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述风控模型训练方法的步骤；或者，所述计算机程序被处理器执行时实现第三方面所述风险识别方法的步骤。本专利技术实施例提供的风控模型训练方法、装置、设备及介质中，先对原始视频数据进行标注，获取正负样本，以方便模型训练，提高模型训练的效率。然后，对正负样本进行分帧和人脸检测，获取包含人面部特征的图片即训练人脸图片，以使风控模型能够基于训练人脸图片提取微表情特征，并进行深度学习，提高风控模型的识别准确率。对训练人脸图片按照预设数量进行分组，获取至少一组目标训练数据；目标训练数据包括连续N帧的所述训练人脸图片；将训练集中每一组目标训练数据输入到卷积神经网络-长短时递归神经网络模型中进行训练，获取原始风控模型，无需采用一系列通用的微表情识别模型对训练人脸图片进行识别，只需将每一组目标训练数据直接输入到模型中卷积神经网络-长短时递归神经网络模型中即可进行训练，提高模型训练的效率。最后，采用测试集中每一组目标训练数据对原始风控模型进行测试，获取目标风控模型，以使目标风控模型的识别效果更加精准。本专利技术实施例提供一种风险识别方法、装置、设备及介质中，本实施例中，先通过视频聊天的方式对目标客户进行提问，以获取目标客户回复的视频数据即待识别视频数据，以使信审过程智能化，无需信审人与目标客户进行面对面交流，以节省人工成本。然后，用人脸检测模型对待识别视频数据进行人脸检测，进而提取包含有人脸的视频图像即待识别人脸图片，对待识别人脸图片进行分组，获取至少一组目标人脸图片，提高了模型识别的准确率。采用目标风控模型对至少一组目标人脸图片进行识别，获取每一组目标人脸图片对应的风险识别概率，提高了目标风控模型的识别效率和识别准确率。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例1中提供的风控模型训练方法的一流程图。图2是图1中步骤S12的一具体示意图。图3是图1中步骤S15的一具体示意图。图4是图3中步骤S153的一具体示意图。图5是本专利技术实施例2中提供的风控模型训练装置的一原理框图。图6是本专利技术实施例3中提供的风险识别方法的一流程图。图7是本专利技术实施例4中提供的风险识别装置的一原理框图。图8是本专利技术实施例6中提供的计算机设备的一示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例1图1示出本实施例中风控模型训练方法的流程图。该风控模型训练方法可应用在银行、证券、保险等金融机构上，以便采用训练好的风控模型辅助信审人对贷款人进行风险控制，从而确定能否给该贷款人发放贷款。如图1所示，该风控模型本文档来自技高网...

【技术保护点】
1.一种风控模型训练方法，其特征在于，包括：对原始视频数据进行标注，获取正负样本；对所述正负样本进行分帧和人脸检测，获取训练人脸图片；对所述训练人脸图片按照预设数量进行分组，获取至少一组目标训练数据；所述目标训练数据包括连续N帧的所述训练人脸图片；对所述目标训练数据按照预设比例进行划分，获取训练集和测试集；将所述训练集中每一组所述目标训练数据输入到卷积神经网络‑长短时递归神经网络模型中进行训练，获取原始风控模型；采用所述测试集中每一组所述目标训练数据对所述原始风控模型进行测试，获取目标风控模型。

【技术特征摘要】
1.一种风控模型训练方法，其特征在于，包括：对原始视频数据进行标注，获取正负样本；对所述正负样本进行分帧和人脸检测，获取训练人脸图片；对所述训练人脸图片按照预设数量进行分组，获取至少一组目标训练数据；所述目标训练数据包括连续N帧的所述训练人脸图片；对所述目标训练数据按照预设比例进行划分，获取训练集和测试集；将所述训练集中每一组所述目标训练数据输入到卷积神经网络-长短时递归神经网络模型中进行训练，获取原始风控模型；采用所述测试集中每一组所述目标训练数据对所述原始风控模型进行测试，获取目标风控模型。2.如权利要求1所述的风控模型训练方法，其特征在于，所述对所述正负样本进行分帧和人脸检测，获取训练人脸图片，包括：对所述正负样本进行分帧，获取视频图像；采用人脸检测模型对所述视频图像进行人脸检测，获取所述训练人脸图片。3.如权利要求1所述的风控模型训练方法，其特征在于，所述将所述训练集中每一组所述目标训练数据输入到卷积神经网络-长短时递归神经网络模型中进行训练，获取原始风控模型，包括：初始化卷积神经网络-长短时递归神经网络模型的模型参数；采用卷积神经网络对所述训练集中的目标训练数据进行特征提取，获取人脸特征；将所述人脸特征输入到长短时递归神经网络模型中进行训练，获取所述原始风控模型。4.如权利要求3所述的风控模型训练方法，其特征在于，将所述人脸特征输入到长短时递归神经网络模型中进行训练，获取所述原始风控模型，包括：采用前向传播算法对所述人脸特征进行训练，获取第一状态参数；采用后向传播算法对所述第一状态参数进行误差计算，获取原始风控模型。5.一种风险识别方法，其特征在于，包括：获取待识别视频数据；采用人脸检测模型对所述待识别视频数据进行人脸检测，获取待识别人脸图片；对所述待识别人脸图片进行分组，获取至少一组目标人脸图片；采用权利要求1-4任一项所述风控模型训练方法获取的目标风控模型对至少一组所述目标人脸图片进行识别，获取每一组所述目标人脸图片对应的风险识别概率；基于所述风险识别概率，获取风险识结果。6.如权利要求5所述的风险识别方法，其特征在于，所述基于所述风险识别概率，获取风险识结果，包括：采用加权运...

【专利技术属性】
技术研发人员：马潜，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44