[发明专利]欺诈可能性分析方法、装置及存储介质

说明书

本发明提供一种欺诈可能性分析方法、装置及计算机可读存储介质。该方法包括以下步骤：收集样本视频并分配欺诈标注；提取每个样本视频的图像特征和音频特征，组合得到每个样本视频的视频特征；根据样本视频的序列长度及视频特征的维度构建神经网络；用每个样本视频的视频特征及欺诈标注训练神经网络，优化训练参数，得到欺诈可能性分析模型；采集待分析对象预定时长的面部视频；提取该视频的图像特征和音频特征，组合得到该视频的视频特征；将该视频特征输入所述欺诈可能性分析模型，输出该待分析对象的欺诈概率和无欺诈概率，取概率值大的输出结果作为该待分析对象有无欺诈的分析结果。利用本发明，可以客观判断人物是否存在欺诈嫌疑。

技术领域

本发明涉及信息处理技术领域，尤其涉及一种欺诈可能性分析方法、装置及存储介质。

背景技术

目前，人物欺诈分析一般通过面审的方式实现，极度依赖分析人员的经验和判断，且耗费大量的时间和人力，分析结果往往不准确客观。也有利用专业的仪器设备，通过检测呼吸、脉搏、皮电等指标判断欺诈嫌疑人有无欺诈行为，但此类仪器设备通常价格昂贵且容易对人权构成侵犯。

发明内容

鉴于以上原因，有必要提供一种欺诈可能性分析方法、装置及存储介质，通过分析人物的面部视频，客观、准确地判断人物是否存在欺诈嫌疑。

为实现上述目的，本发明提供一种欺诈可能性分析方法，该方法包括：

样本准备步骤：收集人物预定时长的面部视频作为样本，为每个样本分配一个欺诈标注；

样本特征提取步骤：提取每个样本的图像特征和音频特征，组合得到每个样本的视频特征；

网络构建步骤：根据每个样本的序列长度和视频特征的维度设置神经网络层数和每层网络的神经元个数；

网络训练步骤：定义Softmax损失函数，以各样本的欺诈标注及视频特征为样本数据，对所述神经网络进行训练，输出各样本的欺诈概率和无欺诈概率，每次训练更新该神经网络的训练参数，以使所述Softmax损失函数最小化的训练参数作为最终参数，得到欺诈可能性分析模型；及

模型应用步骤：采集待分析对象预定时长的面部视频，利用所述欺诈可能性分析模型分析该待分析对象的该面部视频，得到该待分析对象欺诈可能性的分析结果。

优选地，所述样本特征提取步骤包括：

对每个样本进行解码和预处理，得到每个样本的视频帧和音频部分；

对每个样本的视频帧进行特征提取，得到每个样本的图像特征；

对每个样本的音频部分进行特征提取，得到每个样本的音频特征。

优选地，所述视频特征的维度为所述图像特征的维度与对应的音频特征的维度之和。

优选地，所述Softmax损失函数公式如下：

其中，θ为所述神经网络的训练参数，Xj表示第j个样本，yj表示第j个样本的欺诈概率。

优选地，所述训练参数包括迭代次数。

优选地，所述模型应用步骤还包括：

对所述待分析对象视频进行解码和预处理，得到该待分析对象视频的音频部分和视频帧；

对该待分析对象视频的视频帧进行特征提取，得到该待分析对象视频的图像特征；