一种风险预测方法、存储介质和服务器

本发明涉及信息监控领域，尤其涉及一种风险预测方法、存储介质和服务器。

信贷申请人在办理银行贷款时通常需要进行信贷面审，风险预测人员跟信贷申请人面谈核实相关信息。现有的信贷面审一般是有信贷申请人填写纸质信贷材料，由风险预测人员审核信贷申请人填写的信贷材料，并通过与信贷申请人的面谈来对信贷申请人未来偿还该笔贷款的还款能力进行预测，提出风险防控措施。

事实上，根据纸质信贷材料以及风险预测人员的审核经验对对信贷申请人未来偿还该笔贷款的还款能力进行预测，提出风险防控措施，主要是依靠信贷申请人的诚信填写以及风险预测人的经验，缺少一些客观的辅助判断，易造成还款能力预测不准确，从而影响提出风险防控措施的准确性。

综上所述，现有的风险预测方式中存在主要是依靠信贷申请人的诚信填写以及风险预测人的经验评估，缺少一些客观的辅助判断，易造成还款能力预测确性不高的问题。

本发明实施例提供了一种风险预测方法、存储介质和服务器，以解决现有的风险预测方式中存在主要是依靠信贷申请人的诚信填写以及风险预测人的经验评估，缺少一些客观的辅助判断，易造成风险预测准确性不高、效率也不高的问题。

本发明实施例的第一方面提供了一种风险预测方法，包括：

获取申请人在面审过程中的视频图像；

将所述视频图像中的视频帧进行聚类，确定关键帧视频图像；

根据确定的所述关键帧视频图像与微表情欺诈概率模型，确定所述关键帧视频图像对应的微表情的欺诈概率；

根据确定的所述关键帧视频图像对应的微表情的欺诈概率，对所述申请人的还款能力进行风险预测。

本发明实施例的第二方面提供了一种服务器，包括存储器以及处理器，所述存储器存储有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如下步骤：

获取申请人在面审过程中的视频图像；

将所述视频图像中的视频帧进行聚类，确定关键帧视频图像；

根据确定的所述关键帧视频图像与微表情欺诈概率模型，确定所述关键帧视频图像对应的微表情的欺诈概率；

根据确定的所述关键帧视频图像对应的微表情的欺诈概率，对所述申请人的还款能力进行风险预测。

本发明实施例的第三方面提供了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如下步骤：

获取申请人在面审过程中的视频图像；

将所述视频图像中的视频帧进行聚类，确定关键帧视频图像；

根据确定的所述关键帧视频图像与微表情欺诈概率模型，确定所述关键帧视频图像对应的微表情的欺诈概率；

根据确定的所述关键帧视频图像对应的微表情的欺诈概率，对所述申请人的还款能力进行风险预测。

本发明实施例中，通过获取申请人在面审过程中的视频图像，将所述视频图像中的视频帧进行聚类，确定关键帧视频图像，然后根据确定的所述关键帧视频图像与微表情欺诈概率模型，确定所述关键帧视频图像对应的微表情的欺诈概率，最后根据确定的所述关键帧视频图像对应的微表情的欺诈概率，对所述申请人的还款能力进行风险预测，本方案通过对申请人在面审过程中的微表情进行分析，评估申请人的欺诈概率，并根据欺诈概率对所述申请人的还款能力进行风险预测，为预测评估申请人的还款能力提供客观的辅助判断，从而提高风险预测的准确性以及预测的效率。

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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是本发明实施例提供的风险预测方法的实现流程图；

图2是本发明实施例提供的风险预测方法S103的具体实现流程图；

图3是本发明实施例提供的风险预测方法A2的具体实现流程图；

图4是本发明实施例提供的风险预测方法S105的具体实现流程图；

图5是本发明另一实施例提供的风险预测方法的实现流程图；

图6是本发明实施例提供的风险预测装置的结构框图；

图7是本发明另一实施例提供的风险预测装置的结构框图；

图8是本发明实施例提供的服务器的示意图。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1示出了本发明实施例提供的风险预测方法的实现流程，该方法流程包括步骤S101至S104。各步骤的具体实现原理如下：

S101：获取申请人在面审过程中的视频图像。

在本发明实施例中，在申请人进行面审的过程中，通过摄像头拍摄面审过程中申请人的表现，尤其是申请人的面部表情。因此，所述视频图像包括所述申请人的表情图像。事实上，申请人很多表情是一闪而过，也即微表情，微表情是一种持续时间仅为1/25～1/5s非常快速的表情，它是人们试图压抑或隐藏自己真实情感时表现出短暂的、不能自主控制的面部表情。在本发明实施例中，由于在申请人回答一个问题时，在大部分时间申请人都是面无表情或其他一些常见表情，而有用的信息往往只出现在那些可能一闪而过的微表情里。因此通过对面审过程中申请人的表现拍摄录像，对用户的微表情进行分析，避免错过可能出现过的微表情，提高风险预测的准确性。

进一步地，由于在面审过程中申请人可能回答的问题不止一个，可以将面谈过程中的完整视频图像按一个问题及回答的时长分割成多个视频图像，对分割出来的多个视频图像分别进行微表情分析，即将面审过程中的视频图像按内容或时长分割成人若干个子视频图像。

S102：将所述视频图像中的视频帧进行聚类，确定关键帧视频图像。

有用的信息往往只出现在那些可能一闪而过的微表情中，在一个视频图像中，如果统计一个表情出现的时长，对于分析该表情的影响非常大，因此，通过确定视频图像中的关键帧视频图像，剔除冗余帧图像，可消除视频时长对微表情分析的影响。在本发明实施例中，通过将所述视频图像中的视频帧进行聚类，确定关键帧视频图像，从而避免对每一帧视频图像进行分析，提高分析的效率。

具体地，在本发明实施例中，根据视频帧中的人脸表情进行聚类。聚类的原则包括：视频帧图像中的人脸表情在某种意义上趋于彼此相似(相似度较高)；不同的人脸表情趋近于不相似(相似度较低)。其中，相似度较高和相似度较低通过与设定的相似度阈值进行比较，若相似度不低于于预设相似度阈值，则认为相似度较高，趋于彼此相似；若相似度低于预设相似度阈值，则认为相似度较低，趋于彼此不相似。

作为本发明的一个实施例，如图2所示，上述S102具体包括：

A1：从所述视频图像中选取指定数量的视频帧作为初始聚类中心。

A2：计算所述视频图像中的视频帧与所述初始聚类中心的相似度。具体地，计算视频帧中人脸表情与作为初始聚类中心的视频帧中的人脸表情的相似度。

A3：根据计算的相似度与预设的最小相似度将所述视频图像中的视频帧进行聚类。具体地，若计算的相似度不小于预设的最小相似度，则将该视频帧与所述初始聚类中心聚类。相反的，若计算的相似度小于预设的最小相似度，则不进行聚类。进一步地，将所有计算的相似度小于预设的相似度的视频帧单独聚类为一簇。

A4：从聚类后的视频帧中重新选取聚类中心，重复进行聚类直至聚类中心收敛。其中，聚类中心收敛是指作为聚类中心的视频帧图像不再更改。具体地，每一视频帧图像都标有时间戳，可通过判断作为聚类中心的视频帧图像的时间戳是否改变来判断聚类中心是否收敛。若作为视频帧图像的时间戳未改变，则认为聚类中心已收敛，若作为视频帧图像的时间戳改变，则认为聚类中心还未收敛。

A5：将最终确定的聚类中心确定为所述视频图像的关键帧视频图像。

在本发明实施例中，通过将视频图像中的视频帧聚类确定关键帧视频图像，将冗余的视频帧剔除，以提高图像分析的效率。

作为本发明的一个实施例，如图3所示，每一帧视频图像中都包括人脸面部动作单元，因此，上述S102具体包括：

B1：根据所述视频图像中的视频帧，获取每一帧视频图像中人脸面部动作单元的强度值。

B2：根据人脸面部动作单元的强度值对所述视频帧图片进行分类，并根据分类结果确定关键帧视频图像。

具体地，为客观刻画申请人的面部表情，采用一组编码描述表情，每个编码称为一个动作单元(ActionUnit)，人的面部表情用一系列动作单元(ActionUnit)表示，建立动作单元编号映射表，每个动作单元用一个预先规定的编号表示。例如，一个惊讶的表情包括眉毛内侧上扬、外侧眉毛上扬、上眼睑上扬、下颚张开，根据动作单元编号映射表可知，这些动作对应的动作单元编号分别是1、2、6和18。这组编码描述该惊讶的表情。动作单元识别可以客观描述人的面部动作，也可以用来分析表情对应的情绪状态。当动作单元的强度值不小于预设强度阈值时，才认为动作单元标准。具体地，一个面部表情包括若干个动作单元，当若干个动作单元中，指定的动作单元的强度值都不小于预设强度阈值时，认定该若干个的动作单元对应这种表情。其中，动作单元的强度值可通过面部器官的活动幅度体现，例如，通过下颚张开的幅度与预设幅度阈值的差值来判断该动作单元的强度值。进一步地，在同一个面部表情中可能包括不止一个动作单元，例如，一个惊讶的表情中，通过分别判断眉毛内侧上扬、外侧眉毛上扬、上眼睑上扬、下颚张开等一系列面部器官的幅度与对应的预设的幅度阈值的差值，来确定各个动作单元的强度值。根据各个动作单元的强度值之和来确定该组动作单元的强度值，以便确定该组动作单元对应的人脸表情。

在本发明实施例中，强度值的差值在预设差值范围内的人脸面部动作单元对应的人脸表情也极为相似，因此，根据人脸面部动作单元的强度值对所述视频帧图片进行分类，并根据分类结果确定关键帧视频图像，剔除冗余的视频帧。

进一步地，根据每一帧图片中人脸面部动作单元的强度，对视频图像中所有的视频帧进行聚类，随机抽取设定数量视频帧作为初始聚类中心(如7个聚类中心，就选择7个视频帧图像)，并根据事先通过统计结果得到的动作单元的预设强度阈值，筛选出关键帧图片。例如，对于一视频帧图像，其中指定的面部动作单元的强度值都不小于预设强度阈值，且该视频帧图像的面部动作单元的强度值与聚类中心的强度值的差值不小于预设强度差值，才认为这张图片是关键帧视频图像。

S103：根据确定的所述关键帧视频图像与微表情欺诈概率模型，确定所述关键帧视频图像对应的微表情的欺诈概率。

在本发明实施例中，所述微表情欺诈概率模型是用于获取对所述关键帧视频图像中的微表情的欺诈概率，该微表情欺诈概率模型是预先训练好的，可采用机器学习对该微表情欺诈概率模型进行训练。

作为本发明的一个实施例，图4示出了本发明实施例提供的风险预测方法训练微表情欺诈概率模型的具体实现流程，详述如下：

C1：获取设定数量贴有标签的样本视频，所述标签包括欺诈和非欺诈。由于样本视频贴有欺诈或者非欺诈的标签，因此，样本视频中的每一视频帧图像都贴有与所述样本视频相同的标签。

C2：抽取每一个样本视频中的样本关键帧图像，所述样本关键帧图像的标签与所属的样本视频的标签相同。

C3：将抽取的样本关键帧图像作为训练样本对SVM分类器进行训练，将训练完成的SVM分类器确定为微表情欺诈概率模型。其中，SVM(Support VectorMachine)分类机是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。

具体地，根据K-means聚类算法抽取每一个样本视频的样本关键帧图像，确定样本关键帧图像中的动作单元的强度，将样本关键帧图像作为训练样本对SVM分类器进行训练，其中，数据点为一张样本关键帧图像，特征为面部动作单元的强度值，标签为欺诈或者非欺诈，经过反复训练确定SVM分类器的最优参数，从而生成微表情欺诈概率模型。

在本发明实施例中，采用SVM分类器对样本关键帧图像进行训练，生成微表情欺诈概率模型，再将确定的所述关键帧视频图像输入至所述微表情欺诈概率模型，确定所述关键帧视频图像对应的微表情的欺诈概率。

示例性地，用SVM分类器训练出一个超平面，人脸表情动作单元为特征空间中为一个点，输入一张图片中人脸表情的动作单元强度值，即输入一个点，判断该点到SVM分类器的超平面的距离，将该距离输入到sigmoid函数获得概率值，sigmoid函数表示为：x表示动作单元代表的点到SVM训练的超平面的距离。若概率值大于50％，则判断该关键帧图像为欺诈，若概率值不大于50％，则判断该关键帧图像为不欺诈。

在本发明实施例中，每输入一张视频图像至微表情欺诈概率模型中就能获取一个概率值。若关键帧视频图像的欺诈概率大于预设概率阈值，则判定所述关键帧视频图像中的微表情为欺诈表情，若所述视频图像的欺诈概率不大于预设概率阈值，则判定所述关键帧视频图像中的微表情为非欺诈表情。一般的，将预设概率阈值设置为50％。

对于同一个申请人在面审过程中可能存在不止一个视频图像。对于同一个视频图像，可以确定不止一张关键帧视频图像。将视频图像的多张关键帧视频图像依次输入至微表情欺诈概率模型中分别获取概率值，再对这多张关键帧图片概率值取平均值，所述平均值确定为该视频图像的欺诈概率。进而根据该欺诈概率与预设概率阈值的比较结果判断该视频图像是否欺诈。

S104：根据确定的所述关键帧视频图像对应的微表情的欺诈概率，对所述申请人的还款能力进行风险预测。

在本发明实施例中，根据所述关键帧视频图像对应的微表情的欺诈概率，可以确定申请人的诚信可靠度，诚信可靠度与欺诈概率的可靠度成反比，欺诈概率越高，诚信可靠度越低，诚信可靠度与还款风险也成反比，诚信可靠度越低，还款风险越高。

作为本发明的一个实施例，图5示出了本发明实施例提供的风险预测方法步骤S104的具体实现流程，详述如下：

D1：将所述关键帧视频图像对应的微表情的欺诈概率与预设风险概率阈值进行比较。

D2：若所述关键帧视频图像对应的微表情的欺诈概率不小于所述预设风险概率阈值，则预测所述申请人的还款风险超出预设风险范围。

D3：若所述关键帧视频图像对应的微表情的欺诈概率小于所述预设风险概率阈值，则预测所述申请人的还款风险在预设风险范围之内。

具体地，通过所述预设风险概率阈值作为临界点，预测所述申请人的还款风险是否超出预设风险范围。进一步地，计算所述欺诈概率与所述预设风险概率阈值的差值与预设风险差值，根据预先建立的差值等级对照表来判断所述申请人的还款风险的等级。

可选地，作为本发明的一个实施例，所述步骤S104还包括：

D4：若预测所述申请人的还款风险超出预设风险范围，提出与风险防控措施。

具体地，若预测所述申请人的还款风险超出预设风险范围，则调取根据历史审核信息建立的措施库中与所述申请人的还款风险匹配的措施，为审核人提供建议。

本发明实施例中，通过获取申请人在面审过程中的视频图像，将所述视频图像中的视频帧进行聚类，根据视频帧中人脸表情的相似度进行聚类，确定关键帧视频图像，或者，根据视频帧中人脸面部动作单元的强度值进行聚类，确定关键帧视频图像，然后根据确定的所述关键帧视频图像与微表情欺诈概率模型，确定所述关键帧视频图像对应的微表情的欺诈概率，最后根据确定的所述关键帧视频图像对应的微表情的欺诈概率，对所述申请人的还款能力进行风险预测，本方案通过对申请人在面审过程中的微表情进行分析，评估申请人的欺诈概率，根据欺诈概率与预设风险概率阈值的比较结果判断所述申请人的诚信可靠度，并根据诚信可靠度对所述申请人的还款能力进行风险预测，为预测评估申请人的还款能力提供客观的辅助判断，从而提高风险预测的准确性以及预测的效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的风险预测方法，图6示出了本申请实施例提供的风险预测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图6，该风险预测装置包括：视频图像获取模块61，关键图像确定模块62，欺诈概率确定模块63，风险预测模块64，其中：

视频图像获取模块61，用于获取申请人在面审过程中的视频图像；

关键图像确定模块62，用于将所述视频图像中的视频帧进行聚类，确定关键帧视频图像；

欺诈概率确定模块63，用于根据确定的所述关键帧视频图像与微表情欺诈概率模型，确定所述关键帧视频图像对应的微表情的欺诈概率；

风险预测模块64，用于根据确定的所述关键帧视频图像对应的微表情的欺诈概率，对所述申请人的还款能力进行风险预测。

可选地，所述关键图像确定模块62包括：

中心确定子模块，用于从所述视频图像中选取指定数量的视频帧作为初始聚类中心；

相似度计算子模块，用于计算所述视频图像中的视频帧与所述初始聚类中心的相似度；

聚类子模块，用于根据计算的相似度与预设的最小相似度将所述视频图像中的视频帧进行聚类；

所述聚类子模块，还用于从聚类后的视频帧中重新选取聚类中心，重复进行聚类直至聚类中心收敛；

第一图像确定子模块，用于将最终确定的聚类中心确定为所述视频图像的关键帧视频图像。

可选地，所述关键图像确定模块62包括：

强度值确定单元，用于根据所述视频图像中的视频帧，获取每一帧视频图像中人脸面部动作单元的强度值；

第二图像确定子模块，用于根据人脸面部动作单元的强度值对所述视频帧图片进行分类，并根据分类结果确定关键帧视频图像。

可选地，所述风险预测模块64包括：

概率比较子模块，用于将所述关键帧视频图像对应的微表情的欺诈概率与预设风险概率阈值进行比较；

第一预测子模块，用于若所述关键帧视频图像对应的微表情的欺诈概率不小于所述预设风险概率阈值，则预测所述申请人的还款风险超出预设风险范围；

第二预测子模块，用于若所述关键帧视频图像对应的微表情的欺诈概率小于所述预设风险概率阈值，则预测所述申请人的还款风险在预设风险范围之内。

可选地，如图7所示，所述风险预测装置还包括：

样本视频获取模块71，用于获取设定数量贴有标签的样本视频，所述标签包括欺诈和非欺诈；

关键图像抽取模块72，用于抽取每一个样本视频中的样本关键帧图像，所述样本关键帧图像的标签与所属的样本视频的标签相同；

分类训练模块73，用于将抽取的样本关键帧图像作为训练样本对SVM分类器进行训练，将训练完成的SVM分类器确定为微表情欺诈概率模型。

本发明实施例中，通过获取申请人在面审过程中的视频图像，将所述视频图像中的视频帧进行聚类，确定关键帧视频图像，然后根据确定的所述关键帧视频图像与微表情欺诈概率模型，确定所述关键帧视频图像对应的微表情的欺诈概率，最后根据确定的所述关键帧视频图像对应的微表情的欺诈概率，对所述申请人的还款能力进行风险预测，本方案通过对申请人在面审过程中的微表情进行分析，评估申请人的欺诈概率，并根据欺诈概率对所述申请人的还款能力进行风险预测，为预测评估申请人的还款能力提供客观的辅助判断，从而提高风险预测的准确性以及预测的效率。

图8是本发明一实施例提供的服务器的示意图。如图8所示，该实施例的服务器8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82，例如风险预测程序。所述处理器80执行所述计算机程序82时实现上述各个风险预测方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块61至64的功能。

示例性的，所述计算机程序82可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述处理器80执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述服务器8中的执行过程。

所述服务器8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述服务器可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是服务器8的示例，并不构成对服务器8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。

所述处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器81可以是所述服务器8的内部存储单元，例如服务器8的硬盘或内存。所述存储器81也可以是所述服务器8的外部存储设备，例如所述服务器8上配备的插接式硬盘，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81还可以既包括所述服务器8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述服务器所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。

另外，在本发明各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。

所述集成的模块/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取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。