CN110223158B - 一种风险用户的识别方法、装置、存储介质和服务器 - Google Patents

Abstract

本发明涉及计算机技术领域，提出一种风险用户的识别方法、装置、存储介质和服务器。该风险用户的识别方法，在进行信贷面审之前，会为用户播放某个特定的多媒体文件，并采集用户欣赏该多媒体文件时的脸部图像；当该多媒体文件播放完毕后，从采集到的脸部图像中识别出第一微表情特征；然后，将该第一微表情特征和预先存储的基准微表情特征进行比较，并根据比较的结果判断该用户是否为潜在风险用户；当面审完毕后，从面审过程采集到的脸部图像中识别出第二微表情特征；最后，根据该用户是否为潜在风险用户，分别选取不同的微表情欺诈识别模型进行风险识别。采用本发明提出的风险用户的识别方法，能够提高风险用户识别的准确率。

Description

一种风险用户的识别方法、装置、存储介质和服务器

技术领域

本发明涉及计算机技术领域，尤其涉及一种风险用户的识别方法、装置、存储介质和服务器。

背景技术

在信贷审批的面审过程当中，信贷公司会提出各种问题让用户回答，并采集用户回答问题时的脸部图像，检测脸部图像中产生的微表情，将检测到的微表情输入预先构建的微表情欺诈识别模型，以判别用户是否说谎。

然而，某些非法用户在面审之前会酝酿好谎言，在面审回答问题时产生的微表情与正常用户的差别较小，此时模型可能无法识别出该细小的差别，比如某个特定表情出现的次数虽然较高，但仍未到达风险判定阈值，此时模型会产生错判，存在风险。

发明内容

有鉴于此，本发明实施例提供了一种风险用户的识别方法、装置、存储介质和服务器，能够提高风险用户识别的准确率。

本发明实施例的第一方面，提供了一种风险用户的识别方法，包括：

在播放目标多媒体文件时，采集目标用户的第一脸部图像，并从所述第一脸部图像中识别出第一微表情特征，所述目标多媒体文件根据所述目标用户的个人信息确定，所述第一脸部图像为播放目标多媒体文件时采集到的视频中包含的每一帧脸部图像；

将所述第一微表情特征和预先存储的基准微表情特征进行比较，所述基准微表情特征为正常用户在欣赏所述目标多媒体文件时产生的微表情特征；

若所述第一微表情特征和所述基准微表情特征之间的差别超过预设的阈值，则判定所述目标用户为潜在风险用户；

采集所述目标用户在面审时的第二脸部图像，并从所述第二脸部图像中识别出第二微表情特征，所述第二脸部图像为面审时采集到的视频中包含的每一帧脸部图像；

若所述目标用户为潜在风险用户，则将所述第二微表情特征输入预先构建的第一微表情欺诈识别模型，并根据所述第一微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户；

若所述目标用户不是潜在风险用户，则将所述第二微表情特征输入预先构建的第二微表情欺诈识别模型，并根据所述第二微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户，所述第一微表情欺诈识别模型和所述第二微表情欺诈识别模型具有不同的风险判定阈值。

本发明实施例的第二方面，提供了一种风险用户的识别装置，包括：

第一微表情特征识别模块，用于在播放目标多媒体文件时，采集目标用户的第一脸部图像，并从所述第一脸部图像中识别出第一微表情特征，所述目标多媒体文件根据所述目标用户的个人信息确定，所述第一脸部图像为播放目标多媒体文件时采集到的视频中包含的每一帧脸部图像；

微表情特征比较模块，用于将所述第一微表情特征和预先存储的基准微表情特征进行比较，所述基准微表情特征为正常用户在欣赏所述目标多媒体文件时产生的微表情特征；

潜在风险用户判定模块，用于若所述第一微表情特征和所述基准微表情特征之间的差别超过预设的阈值，则判定所述目标用户为潜在风险用户；

第二微表情特征识别模块，用于采集所述目标用户在面审时的第二脸部图像，并从所述第二脸部图像中识别出第二微表情特征，所述第二脸部图像为面审时采集到的视频中包含的每一帧脸部图像；

第一风险用户判定模块，用于若所述目标用户为潜在风险用户，则将所述第二微表情特征输入预先构建的第一微表情欺诈识别模型，并根据所述第一微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户；

第二风险用户判定模块，用于若所述目标用户不是潜在风险用户，则将所述第二微表情特征输入预先构建的第二微表情欺诈识别模型，并根据所述第二微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户，所述第一微表情欺诈识别模型和所述第二微表情欺诈识别模型具有不同的风险判定阈值。

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可读指令，所述计算机可读指令被处理器执行时实现如本发明实施例的第一方面提出的风险用户的识别方法的步骤。

本发明实施例的第四方面，提供了一种服务器，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可读指令，所述处理器执行所述计算机可读指令时实现如本发明实施例的第一方面提出的风险用户的识别方法的步骤。

本发明实施例提出的风险用户的识别方法，在进行信贷面审之前，会为用户播放某个特定的多媒体文件，并采集用户欣赏该多媒体文件时的脸部图像；当该多媒体文件播放完毕后，从采集到的脸部图像中识别出第一微表情特征；然后，将该第一微表情特征和预先存储的基准微表情特征进行比较，并根据比较的结果判断该用户是否为潜在风险用户；当面审完毕后，从面审过程采集到的脸部图像中识别出第二微表情特征；最后，根据该用户是否为潜在风险用户，分别选取不同的微表情欺诈识别模型进行风险识别。在实际操作中，可以设置一个常规的微表情欺诈识别模型以及一个特殊的微表情欺诈识别模型，若用户为潜在风险用户，则选取特殊的微表情欺诈识别模型进行风险识别。通过这样设置，即使某些非法用户在面审前酝酿好谎言，在面审时产生的微表情与正常用户的差别较小，但由于在之前的操作中会将该非法用户判定为潜在风险用户(非法用户在面审之前的这段时间通常会酝酿组织一些谎言，此时不会专注于欣赏该多媒体文件，故捕捉到的第一微表情特征和基准微表情特征会有较大出入)，故选取的是特殊的微表情欺诈别模型，该模型具有比较特殊的风险判定阈值，能够识别出细小的微表情差别，从而防止错判的产生，提高风险用户识别的准确率。

附图说明

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一种风险用户的识别方法的第一个实施例的流程图；

图2是本发明实施例提供的一种风险用户的识别方法的第二个实施例的流程图；

图3是本发明实施例提供的一种风险用户的识别装置的一个实施例的结构图；

图4是本发明实施例提供的一种服务器的示意图。

具体实施方式

本发明实施例提供了一种风险用户的识别方法、装置、存储介质和服务器，能够提高风险用户识别的准确率。

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。

请参阅图1，本发明实施例中一种风险用户的识别方法的第一个实施例包括：

101、在播放目标多媒体文件时，采集目标用户的第一脸部图像，并从所述第一脸部图像中识别出第一微表情特征；

在面审尚未开始的时候，服务器会为办理信贷业务的目标用户播放某个特定的目标多媒体文件。该多媒体文件可以为视频文件或者音频文件，比如可以是一部搞笑短片，或者一首抒情乐曲。所述目标多媒体文件根据所述目标用户的个人信息确定，具体可以包括：

(1)获取所述目标用户的身份证扫描件；

(2)对所述身份证扫描件进行OCR识别，得到所述目标用户的年龄、性别、民族和地区；

(3)查询与所述年龄、性别、民族和地区关联的多媒体文件的类型；

(4)从预先构建的多媒体文件库中选取所述类型的多媒体文件，作为所述目标多媒体文件。

通过对身份证扫描件的识别，提取出目标用户的年龄、性别、民族和地区等个人信息，然后根据这些信息选取合适类型的多媒体文件进行播放。系统可以预先构建各种多媒体文件类型与用户的年龄、性别、民族、地区之间的关联关系，比如若用户为中年男性，则选取军事、时事等题材的影片；若用户为年轻女性，可以选取热门的偶像剧或综艺节目；若用户为某个少数民族的人员，可以选取该少数民族的特色曲目播放，等等。通过这样设置，能够有效避免播放到用户不感兴趣的多媒体文件。若播放的是用户不感兴趣的多媒体文件，则用户可能会自行玩手机或者闭目休息，此时无法抓取到该用户有效的微表情。

在播放目标多媒体文件的过程中，采集所述目标用户的第一脸部图像，所述第一脸部图像为播放目标多媒体文件时采集到的视频中包含的每一帧脸部图像。具体的，在目标用户欣赏该目标多媒体文件的时候，通过特定位置设置的摄像头采集该目标用户的脸部图像，采集的脸部图像是多帧连续的视频图像。当所述多媒体文件播放完毕后，从所述第一脸部图像中识别出第一微表情特征，微表情可以是微笑、皱眉、左眼朝上、眨眼、嘟嘴等各类表情动作，微表情特征可以是各个微表情出现的次数，也可以是各个微表情出现的占比。对采集到的各帧脸部图像进行分析，可以统计该目标用户在欣赏该目标多媒体文件过程中出现的微表情的总数量，其中各个微表情出现的次数和占比等微表情特征。

具体的，图像中某个微表情可以通过以下步骤抓取：

(1)利用人脸检测算法从视频图像中提取人脸图像；

(2)从人脸图像中提取人脸特征点；

(3)对提取到的人脸特征点进行降维处理，比如PCA降维；

(4)根据降维后的人脸特征点识别人脸动作特征。

通过上述步骤，可以抓取视频图像中的人脸出现的每个微表情，比如眨眼睛、眼珠朝右上方等等。所述第一微表情特征实质上为该目标用户在欣赏该目标多媒体文件的过程中出现的各个微表情的次数或占比的统计值，比如以下的表1或表2所示：

表1

微表情类别	出现次数
		微笑	5
眼珠朝右上方	2
		眨眼睛	46
…

表2

微表情类别	在出现的所有微表情的数量中的占比
		微笑	27％
眼珠朝右上方	10％
		…

102、将所述第一微表情特征和预先存储的基准微表情特征进行比较；

在识别出第一微表情特征之后，将所述第一微表情特征和预先存储的基准微表情特征进行比较，所述基准微表情特征为正常用户在欣赏所述目标多媒体文件时产生的微表情特征。具体的，可以预先为每个存储的多媒体文件分别采集对应的基准微表情特征。某个多媒体文件对应的基准微表情特征可以通过以下方式获得：分别采集多个一般人员观看该多媒体文件的视频图像，然后分别识别出每个人员的微表情特征，最后求取这些微表情特征的平均值，得到基准微表情特征。

具体的，步骤102可以包括：

(1)根据所述第一微表情特征构建第一向量，所述第一向量的各个元素分别为所述第一微表情特征包含的各个微表情出现的次数或占比；

(2)根据所述基准微表情特征构建第二向量，所述第二向量的各个元素分别为所述基准微表情特征包含的各个微表情出现的次数或占比；

(3)计算所述第一向量和所述第二向量之间的距离，作为所述第一微表情特征和所述基准微表情特征之间的差别。

在比较第一微表情特征和基准微表情特征时，可以将微表情特征表示为向量的形式，向量的各个元素分别为微表情特征包含的各个微表情出现的次数或占比。比如，假设第一微表情特征为表1所示的数据，则可以将这些数据表示为(5，2，46，…)的向量形式，即第一向量。假设基准微表情特征为表3所示的数据，则可以将这些数据表示为(4，0，52，…)的向量形式，即第二向量。需要注意的是，第一向量和第二向量具有的元素的个数相同，且向量中各个微表情元素的排列顺序一一对应，比如两个向量的第一个元素均表示微笑出现的次数。可以计算这两个向量之间的距离，即为第一微表情特征和基准微表情特征之间的差别。

表3

微表情类别	出现次数
		微笑	4
眼珠朝右上方	0
		眨眼睛	52
…

103、判断所述第一微表情特征和所述基准微表情特征之间的差别是否超过预设的阈值；

在比较之后，判断所述第一微表情特征和所述基准微表情特征之间的差别是否超过预设的阈值。若所述第一微表情特征和所述基准微表情特征之间的差别超过预设的阈值，则执行步骤104，否则执行步骤105。

104、判定所述目标用户为潜在风险用户；

若目标用户为打算撒谎骗贷的非法用户，则在信贷面审之前的这段时间，通常会酝酿组织一些谎言，此时在观看该多媒体文件时，一般不会完全专注，故捕捉到的第一微表情特征会和基准微表情特征有较大出入。因此，若所述第一微表情特征和所述基准微表情特征之间的差别超过预设的阈值，则判定所述目标用户为潜在风险用户，然后执行步骤106。

105、判定所述目标用户为一般用户；

若所述第一微表情特征和所述基准微表情特征之间比较接近，则表明该目标用户为一般的正常用户，此时判定所述目标用户为一般用户，然后执行步骤106。

106、采集所述目标用户在面审时的第二脸部图像，并从所述第二脸部图像中识别出第二微表情特征；

接下来，在所述目标用户面审的过程中，会采集第二脸部图像，所述第二脸部图像为面审时采集到的视频中包含的每一帧脸部图像，从该第二脸部图像中识别出该目标用户的微表情特征，即第二微表情特征。

107、判断所述目标用户是否为潜在风险用户；

然后，判断所述目标用户是否为潜在风险用户。若所述目标用户为潜在风险用户，则执行步骤108；若所述目标用户不是潜在风险用户，则执行步骤109。

108、将所述第二微表情特征输入预先构建的第一微表情欺诈识别模型，并根据所述第一微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户；

该目标用户为潜在风险用户，此时将所述第二微表情特征输入预先构建的第一微表情欺诈识别模型，并根据该模型的输出结果判断所述目标用户是否为风险用户。第一微表情欺诈识别模型是一个比较特殊的微表情欺诈识别模型，针对潜在风险的用户，模型设置的参数(比如判决阈值)和常规的识别模型不同，比如对于一般用户，出现眼睛朝上的表情5次以上判定为风险用户；而对于潜在风险用户，出现眼睛朝上的表情3次以上即判定为风险用户。

109、将所述第二微表情特征输入预先构建的第二微表情欺诈识别模型，并根据所述第二微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户。

该目标用户为一般用户，此时将所述第二微表情特征输入预先构建的第二微表情欺诈识别模型，并根据该模型的输出结果判断所述目标用户是否为风险用户。第二微表情欺诈识别模型是一个常规的微表情欺诈识别模型，针对一般用户，模型设置的参数(比如判决阈值)以一般用户的测试结果为基准。总的来说，所述第一微表情欺诈识别模型和所述第二微表情欺诈识别模型具有不同的风险判定阈值，分别适用于潜在风险用户和一般用户的风险识别。

本发明实施例提出的风险用户的识别方法，在进行信贷面审之前，会为用户播放某个特定的多媒体文件，并采集用户欣赏该多媒体文件时的脸部图像；当该多媒体文件播放完毕后，从采集到的脸部图像中识别出第一微表情特征；然后，将该第一微表情特征和预先存储的基准微表情特征进行比较，并根据比较的结果判断该用户是否为潜在风险用户；当面审完毕后，从面审过程采集到的脸部图像中识别出第二微表情特征；最后，根据该用户是否为潜在风险用户，分别选取不同的微表情欺诈识别模型进行风险识别。在实际操作中，可以设置一个常规的微表情欺诈识别模型以及一个特殊的微表情欺诈识别模型，若用户为潜在风险用户，则选取特殊的微表情欺诈识别模型进行风险识别。通过这样设置，即使某些非法用户在面审前酝酿好谎言，在面审时产生的微表情与正常用户的差别较小，但由于在之前的操作中会将该非法用户判定为潜在风险用户(非法用户在面审之前的这段时间通常会酝酿组织一些谎言，此时不会专注于欣赏该多媒体文件，故捕捉到的第一微表情特征和基准微表情特征会有较大出入)，故选取的是特殊的微表情欺诈别模型，该模型具有比较特殊的风险判定阈值，能够识别出细小的微表情差别，从而防止错判的产生，提高风险用户识别的准确率。

请参阅图2，本发明实施例中一种风险用户的识别方法的第二个实施例包括：

201、在播放目标多媒体文件时，采集目标用户的第一脸部图像；

步骤201与步骤101类似，具体可参照步骤101的相关说明。

202、当所述多媒体文件播放完毕后，根据所述第一脸部图像确定所述目标用户欣赏所述目标多媒体文件的时间；

当所述目标多媒体文件播放完毕后，根据所述第一脸部图像确定所述目标用户欣赏所述多媒体文件的时间。在判别潜在风险用户时，要求用户比较专注地欣赏该多媒体文件，因此需要确定所述目标用户欣赏该多媒体文件的时间。

具体的，步骤202可以包括：

(1)统计所述第一脸部图像中正脸图像的数量占比；

(2)根据所述数量占比和所述多媒体文件的播放时长计算得到所述目标用户欣赏所述目标多媒体文件的时间。

具体可以通过统计正脸图像在所有脸部图像中的占比来确定该目标用户欣赏多媒体文件的时间，比如若多媒体文件的播放时长为10分钟，正脸图像在所有脸部图像中的占比是80％，则可计算得到该目标用户欣赏所述目标多媒体文件的时间为80％*10＝8分钟。

203、判断所述时间是否大于预设的时间下限；

若所述时间大于预设的时间下限，则执行步骤204，否则直接执行步骤208。若所述时间小于预设的时间下限，表明目标用户欣赏该多媒体文件的时间太少，比如少于文件播放时长的一半(设置的时间下限)，则表明目标用户对该多媒体文件不感兴趣，此时无法通过后续步骤判断该目标用户是否为潜在风险用户，可以输出预设的提示信息给信贷审核人员，或者直接判定该目标用户为一般用户，即直接执行步骤208。若所述时间大于预设的时间下限，表明目标用户比较专注于欣赏该多媒体文件，此时可通过后续步骤判断该目标用户是否为潜在风险用户。

204、从所述第一脸部图像中识别出第一微表情特征；

205、将所述第一微表情特征和预先存储的基准微表情特征进行比较；

206、判断所述第一微表情特征和所述基准微表情特征之间的差别是否超过预设的阈值；

若所述第一微表情特征和所述基准微表情特征之间的差别超过预设的阈值，则执行步骤207，否则执行步骤208。

207、判定所述目标用户为潜在风险用户；

208、判定所述目标用户为一般用户；

209、采集所述目标用户在面审时的第二脸部图像，并从所述第二脸部图像中识别出第二微表情特征；

210、判断所述目标用户是否为潜在风险用户；

若所述目标用户为潜在风险用户，则执行步骤211；若所述目标用户不是潜在风险用户，则执行步骤212。

211、将所述第二微表情特征输入预先构建的第一微表情欺诈识别模型，并根据所述第一微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户；

212、将所述第二微表情特征输入预先构建的第二微表情欺诈识别模型，并根据所述第二微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户。

步骤205-212与步骤102-109相同，具体可参照步骤102-109的相关说明。

本发明实施例提出的风险用户的识别方法，在进行信贷面审之前，会为用户播放某个特定的多媒体文件，并采集用户欣赏该多媒体文件时的脸部图像；当该多媒体文件播放完毕后，根据采集到的脸部图像确定所述用户欣赏所述多媒体文件的时间；判断所述时间是否大于预设的时间下限，若是则从采集到的脸部图像中识别出第一微表情特征，否则直接判定该用户为一般用户；然后，将该第一微表情特征和预先存储的基准微表情特征进行比较，并根据比较的结果判断该用户是否为潜在风险用户；当面审完毕后，从面审过程采集到的脸部图像中识别出第二微表情特征；最后，根据该用户是否为潜在风险用户，分别选取不同的微表情欺诈识别模型进行风险识别。与本发明的第一个实施例相比，本实施例在判别潜在风险用户时，会考虑用户欣赏该多媒体文件的时间，只有当该时间超过一定的时间下限时才会执行后续的潜在风险用户判断操作。通过这样设置，能够有效提高潜在风险用户识别的准确率。

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。

上面主要描述了一种风险用户的识别方法，下面将对一种风险用户的识别装置进行描述。

请参阅图3，本发明实施例中一种风险用户的识别装置的一个实施例包括：

第一微表情特征识别模块301，用于在播放目标多媒体文件时，采集目标用户的第一脸部图像，并从所述第一脸部图像中识别出第一微表情特征，所述目标多媒体文件根据所述目标用户的个人信息确定，所述第一脸部图像为播放目标多媒体文件时采集到的视频中包含的每一帧脸部图像；

微表情特征比较模块302，用于将所述第一微表情特征和预先存储的基准微表情特征进行比较，所述基准微表情特征为正常用户在欣赏所述目标多媒体文件时产生的微表情特征；

潜在风险用户判定模块303，用于若所述第一微表情特征和所述基准微表情特征之间的差别超过预设的阈值，则判定所述目标用户为潜在风险用户；

第二微表情特征识别模块304，用于采集所述目标用户在面审时的第二脸部图像，并从所述第二脸部图像中识别出第二微表情特征，所述第二脸部图像为面审时采集到的视频中包含的每一帧脸部图像；

第一风险用户判定模块305，用于若所述目标用户为潜在风险用户，则将所述第二微表情特征输入预先构建的第一微表情欺诈识别模型，并根据所述第一微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户；

第二风险用户判定模块306，用于若所述目标用户不是潜在风险用户，则将所述第二微表情特征输入预先构建的第二微表情欺诈识别模型，并根据所述第二微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户，所述第一微表情欺诈识别模型和所述第二微表情欺诈识别模型具有不同的风险判定阈值。

进一步的，所述第一微表情特征识别模块可以包括：

身份证扫描件获取单元，用于获取所述目标用户的身份证扫描件；

OCR识别单元，用于对所述身份证扫描件进行OCR识别，得到所述目标用户的年龄、性别、民族和地区；

多媒体文件类型查询单元，用于查询与所述年龄、性别、民族和地区关联的多媒体文件的类型；

多媒体文件选取单元，用于从预先构建的多媒体文件库中选取所述类型的多媒体文件，作为所述目标多媒体文件。

进一步的，所述风险用户的识别装置还可以包括：

欣赏时间确定单元，根据所述第一脸部图像确定所述目标用户欣赏所述目标多媒体文件的时间；

欣赏时间比较单元，用于若所述时间大于预设的时间下限，则执行从所述第一脸部图像中识别出第一微表情特征的步骤。

更进一步的，所述欣赏时间确定单元可以包括：

正脸图像占比统计子单元，用于统计所述第一脸部图像中正脸图像的数量占比；

欣赏时间计算子单元，用于根据所述数量占比和所述多媒体文件的播放时长计算得到所述目标用户欣赏所述目标多媒体文件的时间。

进一步的，所述微表情特征比较模块可以包括：

第一向量构建单元，用于根据所述第一微表情特征构建第一向量，所述第一向量的各个元素分别为所述第一微表情特征包含的各个微表情出现的次数或占比；

第二向量构建单元，用于根据所述基准微表情特征构建第二向量，所述第二向量的各个元素分别为所述基准微表情特征包含的各个微表情出现的次数或占比；

向量距离计算单元，用于计算所述第一向量和所述第二向量之间的距离，作为所述第一微表情特征和所述基准微表情特征之间的差别。

本发明实施例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存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如图1或图2表示的任意一种风险用户的识别方法的步骤。

本发明实施例还提供一种服务器，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可读指令，所述处理器执行所述计算机可读指令时实现如图1或图2表示的任意一种风险用户的识别方法的步骤。

图4是本发明一实施例提供的服务器的示意图。如图4所示，该实施例的服务器4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机可读指令42。所述处理器40执行所述计算机可读指令42时实现上述各个风险用户的识别方法实施例中的步骤，例如图1所示的步骤101至109。或者，所述处理器40执行所述计算机可读指令42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至306的功能。

示例性的，所述计算机可读指令42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41中，并由所述处理器40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可读指令段，该指令段用于描述所述计算机可读指令42在所述服务器4中的执行过程。

所述服务器4可以是智能手机、笔记本、掌上电脑及云端服务器等计算设备。所述服务器4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是服务器4的示例，并不构成对服务器4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4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40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41可以是所述服务器4的内部存储单元，例如服务器4的硬盘或内存。所述存储器41也可以是所述服务器4的外部存储设备，例如所述服务器4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41还可以既包括所述服务器4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机可读指令以及所述服务器所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnLyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上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。

Claims (8)

1.一种风险用户的识别方法，其特征在于，包括：

在播放目标多媒体文件时，采集目标用户的第一脸部图像，并从所述第一脸部图像中识别出第一微表情特征，所述目标多媒体文件根据所述目标用户的个人信息确定，所述第一脸部图像为播放目标多媒体文件时采集到的视频中包含的每一帧脸部图像；

将所述第一微表情特征和预先存储的基准微表情特征进行比较，所述基准微表情特征为正常用户在欣赏所述目标多媒体文件时产生的微表情特征；

若所述第一微表情特征和所述基准微表情特征之间的差别超过预设的阈值，则判定所述目标用户为潜在风险用户；

采集所述目标用户在面审时的第二脸部图像，并从所述第二脸部图像中识别出第二微表情特征，所述第二脸部图像为面审时采集到的视频中包含的每一帧脸部图像；

若所述目标用户为潜在风险用户，则将所述第二微表情特征输入预先构建的第一微表情欺诈识别模型，并根据所述第一微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户；

若所述目标用户不是潜在风险用户，则将所述第二微表情特征输入预先构建的第二微表情欺诈识别模型，并根据所述第二微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户，所述第一微表情欺诈识别模型和所述第二微表情欺诈识别模型具有不同的风险判定阈值；

其中，当所述目标多媒体文件播放完毕后，在从所述第一脸部图像中识别出第一微表情特征之前，还包括：

根据所述第一脸部图像确定所述目标用户欣赏所述目标多媒体文件的时间；

若所述时间大于预设的时间下限，则执行从所述第一脸部图像中识别出第一微表情特征的步骤；

所述根据所述第一脸部图像确定所述目标用户欣赏所述目标多媒体文件的时间包括：

统计所述第一脸部图像中正脸图像的数量占比；

根据所述数量占比和所述多媒体文件的播放时长计算得到所述目标用户欣赏所述目标多媒体文件的时间。

2.根据权利要求1所述的风险用户的识别方法，其特征在于，所述目标多媒体文件根据所述目标用户的个人信息确定，具体包括：

获取所述目标用户的身份证扫描件；

对所述身份证扫描件进行OCR识别，得到所述目标用户的年龄、性别、民族和地区；

查询与所述年龄、性别、民族和地区关联的多媒体文件的类型；

从预先构建的多媒体文件库中选取所述类型的多媒体文件，作为所述目标多媒体文件。

3.根据权利要求1或2所述的风险用户的识别方法，其特征在于，所述将所述第一微表情特征和预先存储的基准微表情特征进行比较包括：

根据所述第一微表情特征构建第一向量，所述第一向量的各个元素分别为所述第一微表情特征包含的各个微表情出现的次数或占比；

根据所述基准微表情特征构建第二向量，所述第二向量的各个元素分别为所述基准微表情特征包含的各个微表情出现的次数或占比；

计算所述第一向量和所述第二向量之间的距离，作为所述第一微表情特征和所述基准微表情特征之间的差别。

4.一种风险用户的识别装置，其特征在于，包括：

第一微表情特征识别模块，用于在播放目标多媒体文件时，采集目标用户的第一脸部图像，并从所述第一脸部图像中识别出第一微表情特征，所述目标多媒体文件根据所述目标用户的个人信息确定，所述第一脸部图像为播放目标多媒体文件时采集到的视频中包含的每一帧脸部图像；

微表情特征比较模块，用于将所述第一微表情特征和预先存储的基准微表情特征进行比较，所述基准微表情特征为正常用户在欣赏所述目标多媒体文件时产生的微表情特征；

潜在风险用户判定模块，用于若所述第一微表情特征和所述基准微表情特征之间的差别超过预设的阈值，则判定所述目标用户为潜在风险用户；

第二微表情特征识别模块，用于采集所述目标用户在面审时的第二脸部图像，并从所述第二脸部图像中识别出第二微表情特征，所述第二脸部图像为面审时采集到的视频中包含的每一帧脸部图像；

第一风险用户判定模块，用于若所述目标用户为潜在风险用户，则将所述第二微表情特征输入预先构建的第一微表情欺诈识别模型，并根据所述第一微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户；

第二风险用户判定模块，用于若所述目标用户不是潜在风险用户，则将所述第二微表情特征输入预先构建的第二微表情欺诈识别模型，并根据所述第二微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户，所述第一微表情欺诈识别模型和所述第二微表情欺诈识别模型具有不同的风险判定阈值；

其中，所述风险用户的识别装置还包括：

欣赏时间确定单元，用于根据所述第一脸部图像确定所述目标用户欣赏所述目标多媒体文件的时间；

欣赏时间比较单元，用于若所述时间大于预设的时间下限，则执行从所述第一脸部图像中识别出第一微表情特征的步骤；

所述欣赏时间确定单元包括：

正脸图像占比统计子单元，用于统计所述第一脸部图像中正脸图像的数量占比；

欣赏时间计算子单元，用于根据所述数量占比和所述多媒体文件的播放时长计算得到所述目标用户欣赏所述目标多媒体文件的时间。

5.一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可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至3中任一项所述的风险用户的识别方法的步骤。

6.一种服务器，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可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：

在播放目标多媒体文件时，采集目标用户的第一脸部图像，并从所述第一脸部图像中识别出第一微表情特征，所述目标多媒体文件根据所述目标用户的个人信息确定，所述第一脸部图像为播放目标多媒体文件时采集到的视频中包含的每一帧脸部图像；

将所述第一微表情特征和预先存储的基准微表情特征进行比较，所述基准微表情特征为正常用户在欣赏所述目标多媒体文件时产生的微表情特征；

若所述第一微表情特征和所述基准微表情特征之间的差别超过预设的阈值，则判定所述目标用户为潜在风险用户；

采集所述目标用户在面审时的第二脸部图像，并从所述第二脸部图像中识别出第二微表情特征，所述第二脸部图像为面审时采集到的视频中包含的每一帧脸部图像；

若所述目标用户为潜在风险用户，则将所述第二微表情特征输入预先构建的第一微表情欺诈识别模型，并根据所述第一微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户；

若所述目标用户不是潜在风险用户，则将所述第二微表情特征输入预先构建的第二微表情欺诈识别模型，并根据所述第二微表情欺诈识别模型的输出结果判定所述目标用户是否为风险用户，所述第一微表情欺诈识别模型和所述第二微表情欺诈识别模型具有不同的风险判定阈值；

其中，当所述目标多媒体文件播放完毕后，在从所述第一脸部图像中识别出第一微表情特征之前，还包括：

根据所述第一脸部图像确定所述目标用户欣赏所述目标多媒体文件的时间；

若所述时间大于预设的时间下限，则执行从所述第一脸部图像中识别出第一微表情特征的步骤；

所述根据所述第一脸部图像确定所述目标用户欣赏所述目标多媒体文件的时间包括：

统计所述第一脸部图像中正脸图像的数量占比；

根据所述数量占比和所述多媒体文件的播放时长计算得到所述目标用户欣赏所述目标多媒体文件的时间。

7.根据权利要求6所述的服务器，其特征在于，所述目标多媒体文件根据所述目标用户的个人信息确定，具体包括：

获取所述目标用户的身份证扫描件；

对所述身份证扫描件进行OCR识别，得到所述目标用户的年龄、性别、民族和地区；

查询与所述年龄、性别、民族和地区关联的多媒体文件的类型；

从预先构建的多媒体文件库中选取所述类型的多媒体文件，作为所述目标多媒体文件。

8.根据权利要求6或7所述的服务器，其特征在于，所述将所述第一微表情特征和预先存储的基准微表情特征进行比较包括：

根据所述第一微表情特征构建第一向量，所述第一向量的各个元素分别为所述第一微表情特征包含的各个微表情出现的次数或占比；

根据所述基准微表情特征构建第二向量，所述第二向量的各个元素分别为所述基准微表情特征包含的各个微表情出现的次数或占比；

计算所述第一向量和所述第二向量之间的距离，作为所述第一微表情特征和所述基准微表情特征之间的差别。