[发明专利]基于图像集的个人风险画像生成方法及相关设备

权利要求书

1.一种基于图像集的个人风险画像生成方法，其特征在于，所述基于图像集的个人风险画像生成方法包括：

获取待评估对象的图像数据集；

输入所述图像数据集中的每一张图像至粗分类模型中进行识别得到多个一级标签；

将所述多个一级标签中的多个目标一级标签对应的图像输入至多个细分类模型中进行识别得到多个二级标签；

根据所述多个二级标签计算风险因子；

根据所述多个二级标签计算风险评分；

基于所述风险因子和所述风险评分生成所述待评估对象的风险画像报告。

2.如权利要求1所述的基于图像集的个人风险画像生成方法，其特征在于，所述粗分类模型的训练过程包括：

确定多个目标类别；

针对每个目标类别爬取多张样本图像；

构建多个训练样本对，其中，每一个训练样本对包括一张样本图像及对应的目标类别标识；

根据所述多个训练样本对构建多个训练样本集及一个测试样本集；

加载每一个训练样本集至Inception V3网络中进行迁移学习得到多个候选粗分类模型，及加载所述测试样本集至每个候选粗分类模型中进行测试得到每个候选粗分类模型的测试通过率；

确定所述测试通过率中最高的测试通过率对应的候选粗分类模型为最优粗分类模型；

其中，所述粗分类模型存储于区块链上。

3.如权利要求2所述的基于图像集的个人风险画像生成方法，其特征在于，所述加载所述测试样本集至所述候选粗分类模型中进行测试得到测试通过率包括：

加载所述测试样本集中的每一个样本图像至所述候选粗分类模型中进行测试得到测试类别标识；

判断所述测试样本集中的样本图像的测试类别标识与对应的目标类别标识是否相同；

当所述测试样本集中的样本图像的测试类别标识与对应的目标类别标识相同时，确定所述样本图像测试通过；

计算所述测试样本集中测试通过的样本图像的数量的比例；

确定所述比例为所述候选粗分类模型的测试通过率。

4.如权利要求1至3中任意一项所述的基于图像集的个人风险画像生成方法，其特征在于，所述将所述多个一级标签中的多个目标一级标签对应的图像输入至多个细分类模型中进行识别得到多个二级标签包括：

将第一目标一级标签对应的图像输入至第一细分类模型中进行识别得到第一二级标签；

将第二目标一级标签对应的图像输入至第二细分类模型中进行识别得到第二二级标签；

将第三目标一级标签对应的图像输入至第三细分类模型中进行识别得到第三二级标签；

其中，所述多个细分类模型存储于区块链上。

5.如权利要求4所述的基于图像集的个人风险画像生成方法，其特征在于，所述根据所述多个二级标签计算风险因子包括：

计算所述第一二级标签的第一数量、计算所述第二二级标签的第二数量、计算所述第三二级标签的第三数量；

根据所述第一数量、第二数量及第三数量确定目标二级标签；

根据所述目标二级标签确定待评估对象的职业；

将所述职业作为风险因子增加至风险因子集合中。

6.如权利要求4所述的基于图像集的个人风险画像生成方法，其特征在于，所述根据所述多个二级标签计算风险评分包括：

计算所述第一二级标签的第一占比、计算所述第二二级标签的第二占比及计算所述第三二级标签的第三占比；

确定所述第一占比对应的第一分数、确定所述第二占比对应的第二分数及确定所述第三占比对应的第三分数；

计算所述第一分数、第二分数及第三份数的总和得到风险评分。

7.如权利要求6所述的基于图像集的个人风险画像生成方法，其特征在于，在获取待评估对象的图像数据集之后，所述基于图像集的个人风险画像生成方法还包括：

对所述图像数据集进行标准化处理。