基于图像识别的客户信息分析方法、装置、系统及介质制造方法及图纸

本发明专利技术公开了基于图像识别的客户信息分析方法、装置、系统及介质，方法包括：获取待分析的客户图像；对客户图像进行人脸检测，得到人脸检测图像；将人脸检测图像输入至预先训练好的信息分析模型中进行客户信息分析，信息分析模型包括人脸特征提取网络、微表情提取网络和分类输出网络；根据信息分析模型输出的分析结果展示相应的资产标识。通过对客户图像进行人脸检测，并基于预先训练好的分析模型人脸特征和微表情特征进行多模态的客户信息分析，从而对客户的资产信息进行高效客观的预测分析，直观展示预测得到的资产标识，提高客户信息分析的效率和准确性，为确认潜在客户提供可靠数据基础。据基础。据基础。

【技术实现步骤摘要】
基于图像识别的客户信息分析方法、装置、系统及介质


[0001]本专利技术涉及人工智能
，尤其涉及基于图像识别的客户信息分析方法、装置、系统及介质。

技术介绍

[0002]在传统的金融业服务中，客户的资产信息高度敏感，在金融服务场景例如售卖理财产品时，该客户信息对业务人员是不可见的。而在另一方面，业务人员又希望能获得更多的客户信息来提高潜在客户判断的准确性。
[0003]现有的分析客户信息的方式通常依赖人工规则或者经验判断挖掘潜在客户，但是这种方式的时效性低且主观性强，导致客户信息分析的效率与准确性均较低，难以为潜在客户的挖掘提供准确分析数据。

技术实现思路

[0004]鉴于上述现有技术的不足，本专利技术的目的在于提供可应用于金融科技或其它相关领域的基于图像识别的客户信息分析方法、装置、系统及介质，旨在提高客户信息分析的效率和准确性，以提高潜在客户挖掘的准确性。
[0005]本专利技术的技术方案如下：
[0006]一种基于图像识别的客户信息分析方法，包括：
[0007]获取待分析的客户图像；
[0008]对所述客户图像进行人脸检测，得到人脸检测图像；
[0009]将所述人脸检测图像输入至预先训练好的信息分析模型中进行客户信息分析，所述信息分析模型包括人脸特征提取网络、微表情提取网络和分类输出网络；
[0010]根据所述信息分析模型输出的分析结果展示相应的资产标识。
[0011]在一个实施例中，所述对所述客户图像进行人脸检测，得到人脸检测图像，包括：
[0012]根据预设人脸检测算法对所述客户图像进行人脸检测，添加相应的人脸检测框；
[0013]根据所述人脸检测框对所述客户图像进行区域裁剪，得到人脸检测图像。
[0014]在一个实施例中，所述对所述客户图像进行人脸检测，得到人脸检测图像之后，所述方法还包括：
[0015]对所述人脸检测图像进行预处理。
[0016]在一个实施例中，所述将所述人脸检测图像输入至预先训练好的信息分析模型中进行客户信息分析，包括：
[0017]通过所述人脸特征提取网络提取所述人脸检测图像中的人脸深度特征；
[0018]通过所述微表情提取网络提取所述人脸检测图像中的微表情特征；
[0019]通过所述分类输出网络基于所述人脸深度特征和所述微表情特征的融合特征进行资产预测分析，输出分析结果。
[0020]在一个实施例中，所述分类输出网络包括多层感知机、池化层和全连接层，所述通
过所述分类输出网络基于所述人脸深度特征和所述微表情特征的融合特征进行资产预测分析，输出分析结果，包括：
[0021]将所述人脸深度特征和所述微表情特征输入至所述多层感知机中进行特征对齐处理，输出融合特征；
[0022]将所述融合特征输入至所述池化层进行降维处理，输出一维特征；
[0023]通过所述全连接层对所述一维特征进行资产预测，得到不同资产类型的预测概率；
[0024]将预测概率最高的资产类型输出为目标资产类型。
[0025]在一个实施例中，所述根据所述信息分析模型输出的分析结果展示相应的资产标识，具体包括：
[0026]采集客户的视频流，在所述视频流上添加所述目标资产类型的资产标识后进行展示。
[0027]在一个实施例中，所述人脸特征提取网络为基于DenseNet的卷积神经网络。
[0028]在一个实施例中，所述微表情提取网络采用局部二值模式算子进行图像的纹理特征提取。
[0029]一种基于图像识别的客户信息分析装置，包括：
[0030]获取模块，用于获取待分析的客户图像；
[0031]人脸检测模块，用于对所述客户图像进行人脸检测，得到人脸检测图像；
[0032]信息分析模块，用于将所述人脸检测图像输入至预先训练好的信息分析模型中进行客户信息分析，所述信息分析模型包括人脸特征提取网络、微表情提取网络和分类输出网络；
[0033]展示模块，用于根据所述信息分析模型输出的分析结果展示相应的资产标识。
[0034]一种基于图像识别的客户信息分析系统，所述系统包括至少一个处理器；以及，
[0035]与所述至少一个处理器通信连接的存储器；其中，
[0036]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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基于图像识别的客户信息分析方法。
[0037]一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的基于图像识别的客户信息分析方法。
[0038]有益效果：本专利技术公开了基于图像识别的客户信息分析方法、装置、系统及介质，相比于现有技术，本专利技术实施例通过对客户图像进行人脸检测，并基于预先训练好的分析模型人脸特征和微表情特征进行多模态的客户信息分析，从而对客户的资产信息进行高效客观的预测分析，直观展示预测得到的资产标识，提高客户信息分析的效率和准确性，为确认潜在客户提供可靠数据基础。
附图说明
[0039]下面将结合附图及实施例对本专利技术作进一步说明，附图中：
[0040]图1为本专利技术实施例提供的基于图像识别的客户信息分析方法的一个流程图；
[0041]图2为本专利技术实施例提供的基于图像识别的客户信息分析方法中步骤S200的流程图；
[0042]图3为本专利技术实施例提供的基于图像识别的客户信息分析方法中步骤S300的流程图；
[0043]图4为本专利技术实施例提供的基于图像识别的客户信息分析方法中步骤S303的流程图；
[0044]图5为本专利技术实施例提供的基于图像识别的客户信息分析装置的功能模块示意图；
[0045]图6为本专利技术实施例提供的基于图像识别的客户信息分析系统的硬件结构示意图。
具体实施方式
[0046]为使本专利技术的目的、技术方案及效果更加清楚、明确，以下对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。以下结合附图对本专利技术实施例进行介绍。
[0047]请参阅图1，图1为本专利技术提供的基于图像识别的客户信息分析方法一个实施例的流程图。本实施例提供的基于图像识别的客户信息分析方法具体可应用于包括终端设备、网络和服务器构成的系统，其中网络为用于在终端设备和服务器直接提供通信链路的介质，其可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等；终端设备上的操作系统可以包括手持设备操作系统(iPhone operating system，iOS系统)、安卓系统或其他操作系统，终端设备通过网络连接到服务器以实现交互，从而进行接收或发送数据等操作，具体可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式服务器等等。如图1所示，该方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别的客户信息分析方法，其特征在于，包括：获取待分析的客户图像；对所述客户图像进行人脸检测，得到人脸检测图像；将所述人脸检测图像输入至预先训练好的信息分析模型中进行客户信息分析，所述信息分析模型包括人脸特征提取网络、微表情提取网络和分类输出网络；根据所述信息分析模型输出的分析结果展示相应的资产标识。2.根据权利要求1所述的基于图像识别的客户信息分析方法，其特征在于，所述对所述客户图像进行人脸检测，得到人脸检测图像，包括：根据预设人脸检测算法对所述客户图像进行人脸检测，添加相应的人脸检测框；根据所述人脸检测框对所述客户图像进行区域裁剪，得到人脸检测图像。3.根据权利要求1所述的基于图像识别的客户信息分析方法，其特征在于，所述对所述客户图像进行人脸检测，得到人脸检测图像之后，所述方法还包括：对所述人脸检测图像进行预处理。4.根据权利要求1所述的基于图像识别的客户信息分析方法，其特征在于，所述将所述人脸检测图像输入至预先训练好的信息分析模型中进行客户信息分析，包括：通过所述人脸特征提取网络提取所述人脸检测图像中的人脸深度特征；通过所述微表情提取网络提取所述人脸检测图像中的微表情特征；通过所述分类输出网络基于所述人脸深度特征和所述微表情特征的融合特征进行资产预测分析，输出分析结果。5.根据权利要求4所述的基于图像识别的客户信息分析方法，其特征在于，所述分类输出网络包括多层感知机、池化层和全连接层，所述通过所述分类输出网络基于所述人脸深度特征和所述微表情特征的融合特征进行资产预测分析，输出分析结果，包括：将所述人脸深度特征和所述微表情特征输入至所述多层感知机中进行特征对齐处理，输出融合特征；将所述融合特征输入至所述池化层进行降维处理，输出一维特征；通过所述全连接层对所述一维特征进行资产预测，得到不同资产类型的预测概率；将预测概率最高的资产类...

【专利技术属性】
技术研发人员：曹圳杰，常鹏，朱益兴，李飞，林星凯，朱恩东，王步青，赖众程，黎利，
申请(专利权)人：平安银行股份有限公司，
类型：发明
国别省市：