(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210902732.4 (22)申请日 2022.07.29 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 周细文　曾凡涛　陈远旭　 (74)专利代理 机构 深圳市赛恩倍吉知识产权代 理有限公司 4 4334 专利代理师 陈敬华 (51)Int.Cl. G06Q 30/00(2012.01) G06Q 40/00(2012.01) G06V 40/16(2022.01) G06V 40/18(2022.01)G06V 10/44(2022.01) G06V 10/46(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于人工智能的欺诈风险识别方法及相关 设备 (57)摘要 本申请提出一种基于人工智能的欺诈风险 识别方法、 装置、 电子设备及存储介质， 基于 人工 智能的欺诈风险识别方法包括： 采集目标人员的 实时答题视频； 获取注视点检测 网络， 基于注视 点检测网络得到实时答题视频中每一帧人脸图 像的注视点坐标； 基于注视点坐标构建实时答题 视频的注视点特征向量； 采集历史数据中所有答 题视频的注视点特征向量 以构建注视点特征集 合， 基于聚类算法对注视点特征集合进行聚类分 析以获取聚类中心； 对比实时答题视频的注视点 特征向量到不同聚类中心的距离以获取目标人 员的欺诈风险识别结果。 本申请能够基于实时答 题视频的注视点特征向量准确快速地获取欺诈 风险识别结果， 提高欺诈风险识别的准确率和时 效性。 权利要求书3页 说明书17页 附图2页 CN 115222427 A 2022.10.21 CN 115222427 A 1.一种基于人工智能的欺诈风险识别方法， 其特 征在于， 所述方法包括： 采集目标人员的实时答题视频， 所述实时答题视频包括所述目标人员答题过程中连续 多帧的人脸图像； 获取注视点检测网络， 并基于所述注视点检测网络得到所述实时答题视频中每一帧人 脸图像的注视点 坐标； 基于所述人脸图像的注视点 坐标构建所述实时答题视频的注视点特 征向量； 采集历史数据中所有答题视频的注视点特征向量以构建注视点特征集合， 并基于聚类 算法对所述注视点特征集合进 行聚类分析以获取聚类中心， 所述聚类中心反应每一个类别 的平均特 征； 对比所述实时答题视频的注视点特征向量与不同聚类中心的距离以获取所述目标人 员的欺诈风险识别结果。 2.如权利要求1所述的基于人工智能的欺诈风险识别方法， 其特征在于， 所述获取注视 点检测网络， 并基于所述注视点检测网络得到所述实时答题视频中每一帧人脸图像的注视 点坐标， 包括： 搭建注视点检测初始网络， 所述注视点检测初始网络包括第一编码器、 第二编码器和 全连接层； 依据预设损失函数对所述注视点检测初始网络进行训练得到注视点检测网络， 所述注 视点检测网络的输入为人脸图像， 输出为所述人脸图像的注视点 坐标； 将所述实时答题视频中所有人脸图像依次输入所述注视点检测网络以获取每一帧人 脸图像的注视点 坐标。 3.如权利要求2所述的基于人工智能的欺诈风险识别方法， 其特征在于， 所述依据 预设 损失函数对所述注视点检测初始网络进行训练得到注视点检测网络包括： A1， 采集历史数据中大量人脸图像作为训练数据， 并获取所述训练数据中每一张人脸 图像的标签数据， 所述标签数据包括眼睛区域标签图、 人脸区域标签图和注视点 坐标标签； A2， 基于第一特征图中的像素值获取第一显著性图， 并基于所述第一显著性图和所述 眼睛区域标签图构建第一预设损失函数， 所述第一特征图为所述第一编码器的输出结果， 所述第一预设损失函数满足关系式： 其中， I(i,j)为所述注视点检测初始网络的输入人脸图像的眼睛区域标签图中像素点 (i,j)的像素值； 为第一显著性图中像素点(i,j)的像素值， 取值范围为[0,1]； W ×H为 输入人脸图像的宽高尺寸； Loss1为第一预设损失函数的数值； f(X)为 自定义函数， 所述自 定义函数满足关系式： A3， 基于第二特征图中的像素值获取第二显著性图， 并基于所述第二显著性图和所述 人脸区域标签图构建第二预设损失函数， 所述第二特征图为所述第二编码器的输出结果， 所述第二预设损失函数满足关系式：权　利　要　求　书 1/3 页 2 CN 115222427 A 2其中， 为所述注视点检测初始网络的输入人脸图像的人脸区域标签图中像素点 (i,j)的像素值； 为第二显著性图中像素点(i,j)的像素值， 取值范围为[0,1]； W ×H为 输入人脸图像的宽高尺寸， Loss2为第二预设损失函数的数值， f(X)为 自定义函数， 所述自 定义函数满足关系式： A4， 基于所述注视点检测初始网络的输出结果和所述注视点坐标标签构建第 三预设损 失函数， 所述第三预设损失函数满足关系式： Loss3＝(x*‑x)2+(y*‑y)2 其中， x*,y*为所述注视点检测初始网络的输入人脸图像的注视点坐标标签， x,y为注视 点检测初始网络的输出 结果， Loss3为第三预设损失函数的数值； A5， 将所述第一预设损失函数、 所述第二预设损 失函数和所述第三预设损失函数相加 作为所述预设损失函数， 并基于所述预设损失函数和所述训练数据对所述注视点检测初始 网络进行训练得到注视点检测网络 。 4.如权利要求3所述的基于人工智能的欺诈风险识别方法， 其特征在于， 所述采集历史 数据中大量人脸图像作为训练数据， 并获取所述训练数据中每一张人脸图像的标签数据， 所述标签数据包括眼睛区域标签图、 人脸区域标签图和注视点 坐标标签， 包括： 将所述人脸图像中眼睛区域的像素值置为1， 其他区域的像素值置为0， 得到所述训练 数据中每一张人脸图像的眼睛区域标签图； 将所述人脸图像中人脸区域的像素值置为1， 其他区域的像素值置为0， 得到所述训练 数据中每一张人脸图像的人脸区域标签图； 获取所述训练数据中每一张人脸图像的注视点坐标作为所述人脸图像的注视点坐标 标签。 5.如权利要求3所述的基于人工智能的欺诈风险识别方法， 其特征在于， 所述基于第 一 特征图中的像素值获取第一显著性图包括： 计算所述第一特 征图中每一个图像通道中像素值的均值； 对所有均值进行归一化处理以获取每一个图像通道的权重因子， 所述权重因子满足关 系式： 其中， 为图像通道c1的像素值均值， 为所有图像 通道的像素值均值， 分母为 所有图 像通道的像素值均值之和， 为图像通道c1的权重因子； 基于所述权重因子对所有图像通道进行加权求和以获取初始显著图像， 所述初始显著 图像与每一个图像通道的大小相等； 基于插值算法对所述初始显著图像进行插值处理以获取第 一显著性图， 所述第 一显著权　利　要　求　书 2/3 页 3 CN 115222427 A 3