基于图像的信贷审批方法、装置、电子设备及介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于图像的信贷审批方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着计算机技术的发展，越来越多的业务采用计算机执行，例如，信贷申请业务和审批业务。当用户通过计算机在线申请后，通过大数据抓取用户的身份信息进行自动化信贷业务审批。现有技术中进行信贷审批时，往往是根据用户申请时填写的信息(如工作及收入信息)以及用户的历史相关信息(如信用信息)进行匹配，以确定是否通过用户的申请，但这种方式结合的业务数据比较单一，且历史业务数据可能发生未来变动，因此，存在信贷审批不准确的问题。


技术实现要素：

3.本发明提供一种基于图像的信贷审批方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高信贷审批的准确率。
4.为实现上述目的，本发明提供的一种基于图像的信贷审批方法，包括：
5.获取申请用户的用户图像，对所述用户图像进行预处理，得到标准图像；
6.对所述标准图像进行目标验证；
7.当通过所述目标验证时，将所述标准图像输入至预构建的图像指标识别模型，得到所述申请用户的多个图像指标值；
8.利用预设的指标识别算法和多个所述图像指标值计算所述申请用户的识别状况值；
9.根据所述识别状况值确定所述申请用户的用户状态；
10.获取所述申请用户的身份信息和历史业务信息，根据所述用户状态、所述身份信息和所述历史业务信息对所述申请用户进行信贷审批。
11.可选地，所述对所述用户图像进行预处理，得到标准图像，包括：
12.对所述用户图像进行模糊性检测；
13.若所述模糊性检测不通过，则重新获取所述申请用户的备选图像进行模糊性检测，直至检测通过；
14.若所述模糊性检测通过，对所述用户图像进行像素补偿，得到标准图像。
15.可选地，所述对所述用户图像进行模糊性检测，包括：
16.对所述用户图像进行灰度化处理，得到灰度化图像；
17.将所述灰度化图像进行卷积处理，得到卷积图像；
18.计算所述卷积图像的方差；
19.若所述方差大于等于预设阈值，则确定模糊性检测通过；
20.若所述方差小于预设阈值，则确定模糊性检测不通过。
21.可选地，所述对所述用户图像进行像素补偿，得到标准图像，包括：
22.计算所述检测通过图像中不同颜色通道的平均值；
23.计算所述用户图像的平均灰度值，并用所述平均灰度值分别除以所述不同颜色通道的平均值，得到所述不同颜色通道的调整值；
24.获取所述用户图像的归一化因子，并将所述不同颜色通道的调整值分别除以所述归一化因子，得到所述不同颜色通道的标准值；
25.根据所述不同颜色通道的标准值得到标准图像。
26.可选地，所述对所述标准图像进行目标验证，包括：
27.获取所述申请用户的身份信息图像；
28.利用预设的人脸检测模块对所述用户图像进行检测，判断所述用户图像是否包含完整的人脸图像；
29.若所述用户图像不包含完整的人脸图像，则重新获取所述申请用户的备选图像进行目标验证；
30.若所述用户图像包含完整的人脸图像，则对所述用户图像和所述身份信息图像进行裁剪，得到裁剪用户图像和裁剪身份信息图像；
31.利用所述裁剪身份信息图像对所述裁剪用户图像进行身份认证；
32.若身份认证通过，确定所述标准图像通过所述目标验证；
33.若身份认证不通过，确定所述标准图像未通过所述目标验证。
34.可选地，所述利用所述裁剪身份信息图像对所述裁剪用户图像进行身份认证，包括：
35.利用特征提取网络分别提取所述裁剪用户图像的第一特征点和所述裁剪身份信息图像的第二特征点；
36.通过预设的人脸比对算法计算所述第一特征点和第二特征点之间的相似度；
37.若所述相似度小于预设相似度阈值，则确定身份认证不通过；
38.若所述相似度大于等于预设相似度阈值，则确定身份认证通过。
39.可选地，所述指标识别算法为：
40.σ＝a1x1+a2x2+a3x3+
…
+a
n
x
n
41.其中，σ为所述识别状况值，x1、x2、x3…
x
n
为n个所述图像指标值，a1、a2、a3…
a
n
为x1、x2、x3…
x
n
的预设权重。
42.为了解决上述问题，本发明还提供一种基于图像的信贷审批装置，所述装置包括：
43.图像预处理模块，用于获取申请用户的用户图像，对所述用户图像进行预处理，得到标准图像；
44.目标验证模块，用于对所述标准图像进行目标验证；
45.指标识别模块，用于当通过所述目标验证时，将所述标准图像输入至预构建的图像指标识别模型，得到所述申请用户的多个图像指标值；
46.状况值计算模块，用于利用预设的指标识别算法和多个所述图像指标值计算所述申请用户的识别状况值；
47.信贷审批模块，用于根据所述识别状况值确定所述申请用户的用户状态，获取所述申请用户的身份信息和历史业务信息，根据所述用户状态、所述身份信息和所述历史业
务信息对所述申请用户进行信贷审批。
48.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
49.至少一个处理器；以及，
50.与所述至少一个处理器通信连接的存储器；其中，
51.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的基于图像的信贷审批方法。
52.为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如上所述的基于图像的信贷审批方法。
53.本发明实施例中，通过对获取的申请用户图像进行预处理，得到标准图像，根据标准图像进行目标验证，并在验证通过时，将所述标准图像输入至预构建的图像指标识别模型，得到所述申请用户的多个图像指标值，之后利用指标识别算法和多个图像指标值计算申请用户的识别状况值，根据该识别状况值得到申请用户的用户状态，根据申请用户的用户状态、身份信息和历史业务信息对申请用户进行业务审批，通过申请用户的识别状况能够评价申请用户收入和支出的稳定状况，提高风控准确度，因此，本发明实施例中进行信贷审批不仅结合用户的身份和历史业务信息，还结合识别状况可以实现信贷审批的准确率的目的。
附图说明
54.图1为本发明一实施例提供的一种基于图像的信贷审批方法的流程示意图；
55.图2为本发明第一实施例中图1提供的基于图像的信贷审批方法其中一个步骤的详细流程示意图；
56.图3为本发明一实施例提供的基于图像的信贷审批装置的模块示意图；
57.图4为本发明一实施例提供的实现基于图像的信贷审批方法的电子设备的内部结构示意图；
58.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
59.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
60.本技术实施例提供一种基于图像的信贷审批方法。所述基于图像的信贷审批方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。换言之，所述基于图像的信贷审批方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
61.参照图1所示，为本发明一实施例提供的一种基于图像的信贷审批方法的流程示
意图。在本实施例中，所述基于图像的信贷审批方法包括：
62.s1、获取申请用户的用户图像，对所述用户图像进行预处理，得到标准图像。
63.本发明实施例中，所述用户图像为从申请用户端采集的用于业务申请的图像。具体的，本发明实施例中所述业务申请为信贷申请。
64.例如，用户图像为进行信贷申请的用户a的图像。
65.本发明实施例中，所述用户图像可以是通过用户的手机、相机或者平板电脑等终端设备采集到的用户图像。
66.详细地，对所述用户图像进行预处理可以解决终端设备由于光照偏差、阴影和色差等原因引起的光照不均和模糊的问题。
67.本实施例中，所述标准图像可以为消除光照不均和模糊现象的用户图像。
68.本发明实施例中，所述对所述用户图像进行预处理，得到标准图像，包括：
69.对所述用户图像进行模糊性检测；
70.若所述模糊性检测不通过，则重新获取所述申请用户的备选图像进行模糊性检测，直至检测通过；
71.若模糊性检测通过，对所述用户图像进行像素补偿得到标准图像。
72.本发明实施例中，通过对所述用户图像进行模糊性检测可以避免将模糊的，不具备识别意义的用户图像加入申请队列中。
73.其中，对所述用户图像进行预处理的流程例如图2所示。
74.进一步地，所述对所述用户图像进行模糊性检测，包括：
75.对所述用户图像进行灰度化，得到灰度化图像；
76.将所述灰度化图像进行卷积处理，得到卷积图像；
77.计算所述卷积图像的方差；
78.若所述方差大于等于预设阈值，则确定模糊性检测通过；
79.若所述方差小于预设阈值，则确定模糊性检测不通过。
80.本发明实施例中，若所述方差大于等于预设阈值，则表示所述用户图像的清晰度达到标准，得到检测通过图像，若所述方差小于预设阈值，则表示所述用户图像的清晰度未达到标准，需要重新获取用户图像。
81.进一步地，利用预设函数计算所述卷积图像的标准差，并对所述标准差进行平方，得到所述卷积图像的方差。
82.本发明实施例中，所述预设函数为std2函数，即标准差计算函数。
83.进一步地，所述卷积图像的方差为计算每个像素的灰度值减去所述卷积图像平均灰度值的平方除以所述卷积图像总的像素个数得到的值，用于反映卷积图像的对比度，继而反映用户图像是否模糊。
84.本发明实施例中，所述对所述用户图像进行像素补偿，得到标准图像，包括：
85.计算所述检测通过图像中不同颜色通道的平均值；
86.计算所述用户图像的平均灰度值，并用所述平均灰度值分别除以所述不同颜色通道的平均值，得到所述不同颜色通道的调整值；
87.获取所述用户图像的归一化因子，并将所述平均灰度值分别除以所述不同颜色通道的平均值，得到所述不同颜色通道的调整值；
88.获取所述用户图像的归一化因子，并将所述不同颜色通道的调整值分别除以所述归一化因子，得到所述不同颜色通道的标准值；
89.根据所述不同颜色通道的标准值得到标准图像。
90.本发明实施例中，通过选取所述检测通过图像中最大的像素值，并利用所述最大像素值除以255，得到归一化因子。
91.例如，多颜色通道值可以为通道r值、通道g值、通道b值。
92.s2、对所述标准图像进行目标验证。
93.本发明实施例中，所述对所述标准图像进行目标验证，包括：
94.获取所述申请用户的身份信息图像；
95.利用预设的人脸检测模块对所述用户图像进行检测，判断所述用户图像是否包含完整的人脸图像；
96.若所述用户图像不包含完整的人脸图像，则重新获取所述申请用户的备选图像进行目标验证；
97.若所述用户图像包含完整的人脸图像，则对所述用户图像和所述身份信息图像进行裁剪，得到裁剪用户图像和裁剪身份信息图像；
98.利用所述裁剪身份信息图像对所述裁剪用户图像进行身份认证；
99.若身份认证通过，确定所述标准图像通过所述目标验证；
100.若身份认证不通过，确定所述标准图像未通过所述目标验证。
101.本发明实施例中，所述利用所述裁剪身份信息图像对所述裁剪用户图像进行身份认证，包括：
102.利用特征提取网络分别提取所述裁剪用户图像的第一特征点和所述裁剪身份信息图像的第二特征点；
103.通过预设的人脸比对算法计算所述第一特征点和所述第二特征点之间的相似度；
104.若所述相似度小于预设相似度阈值，则确定身份认证不通过；
105.若所述相似度大于等于预设相似度阈值，则确定身份认证通过。
106.本发明实施例中，所述人脸检测模块中包含人脸检测算法，其中，所述人脸检测算法可以为opencv算法。
107.本发明实施例中，所述特征提取网络为cnn特征提取网络，即为卷积神经网络。
108.本发明实施例中，所述人脸比对算法deepface算法，deepface算法为facebook开发出的深度学习的面部识别算法，可以基于特征点识别数字图像中的人脸并进行比对。
109.本发明实施例通过计算所述用户图像和所述身份信息图像之间的相似度并进行判断，可以避免出现申请用户身份信息中的身份信息图像和申请用户提供的用户图像出现不一致的情况，解决了用他人照片进行申请的不实问题，同时，也避免了图像传输错误，和申请用户身份信息不对应的问题。
110.本发明实施例中，所述将通过验证的所述标准图像作为标准目标图像之后，所述方法还包括：
111.获取预设的网络附属存储器，并将所述标准图像存储入所述网络附属存储器，得到所述标准图像的存储路径；
112.根据所述标准图像的存储路径创建注册地址。
113.本发明实施例中，所述网络附属存储器(network attached storage、nas)为连接于互联网上具有资料存储功能的装置，所述网络附属存储器以数据为中心，将存储装置和服务器进行分离，集中管理数据，具有提高带宽、提高服务器性能和降低总成本的作用。
114.本发明实施例中，所述注册地址为对用户图像进行指标识别时的注册地址，通过所述注册地址可以对不同的用户图像进行唯一标识，避免后续重复调用相同的用户图像。
115.s3、当通过所述目标验证时，将所述标准图像输入至预构建的图像指标识别模型，得到所述申请用户的多个图像指标值。
116.本发明实施例中，所述图像指标值是图像识别指标的具体值，例如，在图像指标识别模型为用于识别用户的健康识别指标，判断用户是否健康时，健康识别指标为眼睛是否浮肿，则健康指标值为眼睛浮肿和眼睛不浮肿。
117.其中，所述健康识别指标为判断所所述申请用户是否健康的指标，通过所述健康识别指标可以判断所述申请用户的健康状况。
118.本发明另一实施例中，若申请用户同时满足眼睛浮肿、眼睛凹陷和黑眼圈三个指标，判断申请用户的健康状况为不佳，若申请用户仅为满足眼睛浮肿和黑眼圈，则判断申请用户的健康状况为健康。
119.本发明实施例中，所述将所述标准图像输入至预构建的图像指标识别模型之前，所述方法还包括：
120.利用训练图像集对预构建的图像识别模型进行训练，得到所述图像指标识别模型。
121.进一步地，所述利用训练图像集对预构建的图像识别模型进行训练，得到所述图像指标识别模型，包括：
122.获取所述训练图像集，并将所述训练图像集输入预构建的图像识别模型的神经网络中，计算输出得分；
123.将所述输出得分输入误差函数，得到返回值，将所述返回值与预设期待值进行比较得到误差值；
124.获取所述图像识别模型的梯度向量，并根据所述梯度向量不断调整所述图像识别模型的参数，直至所述误差值趋于零，并在所述误差值不变时得到图像指标识别模型。
125.本发明实施例中，所述训练图像集中包含训练图像，训练图像中的图像识别指标以及该指标的指标返回值。
126.本发明实施例中，所述误差函数(loss function)为防止模型的过度拟合的函数，所述梯度向量为表示模型变化快慢的向量。
127.本发明实施例中，所述标准图像以base64流的形式进行传输。其中，所述base64流为一种用于传输图像数据的编码数据流。
128.本技术实施例可以基于人工智能技术对所述训练图像集进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
129.本发明实施例中，所述图像指标值是识别指标的具体值，例如，在用于识别用户的健康识别指标，判断用户是否健康时，健康识别指标为眼睛是否浮肿，则健康指标值为眼睛
浮肿和眼睛不浮肿。
130.s4、利用预设的指标识别算法和多个所述图像指标值计算所述申请用户的识别状况值。
131.本发明实施例中，所述申请用户的识别状况包括正常状态和非正常状态。
132.本发明实施例中，所述指标识别算法为根据所述图像指标值计算所述申请用户识别状况的算法，并且所述指标识别算法将随所述图像指标值的数目和种类进行改变。
133.详细地，所述指标识别算法为：
134.σ＝a1x1+a2x2+a3x3+
…
+a
n
x
n
135.其中，σ为所述识别状况值，x1、x2、x3…
x
n
为所述图像指标值，a1、a2、a3…
a
n
为x1、x2、x3…
x
n
的权重。
136.进一步地，在用于识别用户的健康状况时，若申请用户的识别指标有6个，分别为眼睛浮肿、眼睛凹陷、无大眼袋、无黑眼圈、脸颊浮肿和脸颊无凹陷，则利用指标识别算法计算各个图像指标值，得到所述申请用户的识别状况值为：
137.σ＝0,5
×
x1+0,6
×
x2+1
×
x3+1
×
x4+0,8
×
x5+1,2
×
x6138.其中，σ为申请用户的识别状况值，0,5、0,6、1、0,8、1,2为各个图像指标的权重，x1＝1为眼睛浮肿，x2＝1为眼睛凹陷，x3＝0为无大眼袋，x4＝0为无黑眼圈，x5＝1为脸颊浮肿，x6＝0为脸颊无凹陷。
139.s5、根据所述识别状况值确定所述申请用户的用户状态。
140.本发明实施例中，所述申请用户的识别状态包括正常状态和非正常状态。
141.本发明实施例中，若所述申请用户的识别状况值大于等于2，则表示所述申请用户的非正常状态，若所述申请用户的识别状况值小于2，则表示所述申请用户为正常状态。
142.s6、获取所述申请用户的身份信息和历史业务信息，根据所述用户状态、所述身份信息和所述历史业务信息对所述申请用户进行信贷审批。
143.本实施例中，所述用户的身份信息可以根据用户图像获取，或者根据申请用户的姓名等信息获取，所述用户的身份信息包括不限于申请用户的职业、职业类型等信息。
144.本实施例中所述用户的历史业务信息可以为申请用户的历史信贷审批状况信息，例如，申请用户是否在其他平台进行贷款，申请用户是否在本平台有过贷款记录，用户每次贷款的额度是多少，用户的还款情况等信息。
145.本发明一可选实施例中，根据所述用户状态、所述身份信息和所述历史业务信息对所述申请用户进行信贷审批，包括：
146.当所述用户状况为正常状态时，确定所述申请用户为合格信贷用户，根据所述身份信息和所述业务信息确定所述申请用户的信贷额度。
147.当所述用户状况为非正常状况时，确定所述申请用户不为合格信贷用户，确定所述申请用户未通过信贷审批。
148.本实施例中，当用户未通过信贷审批时，则申请用户无信贷额度。
149.当申请用户为合格信贷用户时，可以将身份信息和业务信息与预设身份信息和预设业务信息进行匹配，以确定申请用户的信贷额度，或者，还可以根据不同的身份信息从业务信息中选取不同的历史信贷额度作为该申请用户当前的信贷额度。
150.本发明又一可选实施例中，根据所述用户状态、所述身份信息和所述历史业务信
息对所述申请用户进行信贷审批，包括：
151.根据所述身份信息确定所述身份信息对应的职业系数；
152.从所述历史信息中获取所述申请用户的历史审批额度；
153.根据所述用户状态和所述职业系数进行加权运算，根据运算结果确定所述申请用户是否通过信贷审批，以及根据所述运算结果和所述历史审批额度确定当申请用户通过信贷审批时的审批额度。
154.例如，用户状态、职业系数权重值分别为3：2。
155.则根据所述用户状态、所述职业系数进行加权运算得到的审批分数s为：
156.s＝3*用户状态+2*职业系数
157.若用户状态为正常状态时，用户状态得分为1，若为非正常状况时，用户状态为
‑
1；若职业为优质职业时，职业系数1，为普通职业时，职业系数为0，为危险性职业时，职业系数为
‑
1。
158.则若用户状态为正常状况，且职业系数为1时，s＝4。
159.若用户状态为正常状况，且职业系数为
‑
1时，s＝1。
160.若用户状态为非正常状况，且职业系数为1时，s＝1。
161.若用户状态为非正常状况，且职业系数为
‑
1时，s＝
‑
5。
162.若s大于1时，确定用户通过信贷审批，根据s的值和历史审批额度确定申请用户的审批额度为：s*历史审批额度*d％，其中d％为预设值。
163.则可以根据申请用户历史审批额度和申请用户的实际情况动态调整审批额度。
164.本发明实施例中，通过对获取的申请用户图像进行预处理，得到标准图像，根据标准图像进行目标验证，并在验证通过时，将所述标准图像输入至预构建的图像指标识别模型，得到所述申请用户的多个图像指标值，之后利用指标识别算法和多个图像指标值计算申请用户的识别状况值，根据该识别状况值得到申请用户的用户状态，根据申请用户的用户状态、身份信息和历史业务信息对申请用户进行业务审批，通过申请用户的识别状况能够评价申请用户收入和支出的稳定状况，提高风控准确度，因此，本发明实施例中进行信贷审批不仅结合用户的身份和历史业务信息，还结合识别状况可以实现信贷审批的准确率的目的。
165.如图3所示，是本发明基于图像的信贷审批装置的模块示意图。
166.本发明所述基于图像的信贷审批装置100可以安装于电子设备中。根据实现的功能，所述基于图像的信贷审批装置可以包括图像预处理模块101、目标验证模块102、指标识别模块103、状况值计算模块104和信贷审批模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
167.在本实施例中，关于各模块/单元的功能如下：
168.所述图像预处理模块101，用于获取申请用户的用户图像，对所述用户图像进行预处理，得到标准图像。
169.本发明实施例中，所述用户图像为从申请用户端采集的用于业务申请的图像。具体的，本发明实施例中所述业务申请为信贷申请。
170.例如，用户图像为进行信贷申请的用户a的图像。
171.本发明实施例中，所述用户图像可以是通过用户的手机、相机或者平板电脑等终端设备采集到的用户图像。
172.详细地，对所述用户图像进行预处理可以解决终端设备由于光照偏差、阴影和色差等原因引起的光照不均和模糊的问题。
173.本实施例中，所述标准图像可以为消除光照不均和模糊现象的用户图像。
174.本发明实施例中，所述图像预处理模块101包括图像获取单元和图像预处理单元。
175.图像预处理单元，用于对所述用户图像进行预处理，得到标准图像。
176.具体的，本发明实施例中，所述图像预处理单元具体用于：
177.对所述用户图像进行模糊性检测；
178.若所述模糊性检测不通过，则重新获取所述申请用户的备选图像进行模糊性检测，直至检测通过；
179.若模糊性检测通过，对所述用户图像进行像素补偿得到标准图像。
180.本发明实施例中，通过对所述用户图像进行模糊性检测可以避免将模糊的，不具备识别意义的用户图像加入申请队列中。
181.其中，对所述用户图像进行预处理的流程例如图2所示。
182.进一步地，可以通过执行下述操作实现对所述用户图像进行模糊性检测：
183.对所述用户图像进行灰度化，得到灰度化图像；
184.将所述灰度化图像进行卷积处理，得到卷积图像；
185.计算所述卷积图像的方差；
186.若所述方差大于等于预设阈值，则确定模糊性检测通过；
187.若所述方差小于预设阈值，则确定模糊性检测不通过。
188.本发明实施例中，若所述方差大于等于预设阈值，则表示所述用户图像的清晰度达到标准，得到检测通过图像，若所述方差小于预设阈值，则表示所述用户图像的清晰度未达到标准，需要重新获取用户图像。
189.进一步地，利用预设函数计算所述卷积图像的标准差，并对所述标准差进行平方，得到所述卷积图像的方差。
190.本发明实施例中，所述预设函数为std2函数，即标准差计算函数。
191.进一步地，所述卷积图像的方差为计算每个像素的灰度值减去所述卷积图像平均灰度值的平方除以所述卷积图像总的像素个数得到的值，用于反映卷积图像的对比度，继而反映用户图像是否模糊。
192.本发明实施例中，所述对所述用户图像进行像素补偿，得到标准图像的步骤具体用于：
193.计算所述检测通过图像中不同颜色通道的平均值；
194.计算所述用户图像的平均灰度值，并用所述平均灰度值分别除以所述不同颜色通道的平均值，得到所述不同颜色通道的调整值；
195.获取所述用户图像的归一化因子，并将所述平均灰度值分别除以所述不同颜色通道的平均值，得到所述不同颜色通道的调整值；
196.获取所述用户图像的归一化因子，并将所述不同颜色通道的调整值分别除以所述归一化因子，得到所述不同颜色通道的标准值；
197.根据所述不同颜色通道的标准值得到标准图像。
198.本发明实施例中，通过选取所述检测通过图像中最大的像素值，并利用所述最大像素值除以255，得到归一化因子。
199.例如，多颜色通道值可以为通道r值、通道g值、通道b值。
200.所述目标验证模块102，用于对所述标准图像进行目标验证。
201.本发明实施例中，所述目标验证模块具体用于：
202.获取所述申请用户的身份信息图像；
203.利用预设的人脸检测模块对所述用户图像进行检测，判断所述用户图像是否包含完整的人脸图像；
204.若所述用户图像不包含完整的人脸图像，则重新获取所述申请用户的备选图像进行目标验证；
205.若所述用户图像包含完整的人脸图像，则对所述用户图像和所述身份信息图像进行裁剪，得到裁剪用户图像和裁剪身份信息图像；
206.利用所述裁剪身份信息图像对所述裁剪用户图像进行身份认证；
207.若身份认证通过，确定所述标准图像通过所述目标验证；
208.若身份认证不通过，确定所述标准图像未通过所述目标验证。
209.本发明实施例中，所述利用所述裁剪身份信息图像对所述裁剪用户图像进行身份认证的步骤，具体用于：
210.利用特征提取网络分别提取所述裁剪用户图像的第一特征点和所述裁剪身份信息图像的第二特征点；
211.通过预设的人脸比对算法计算所述第一特征点和所述第二特征点之间的相似度；
212.若所述相似度小于预设相似度阈值，则确定身份认证不通过；
213.若所述相似度大于等于预设相似度阈值，则确定身份认证通过。
214.本发明实施例中，所述人脸检测模块中包含人脸检测算法，其中，所述人脸检测算法可以为opencv算法。
215.本发明实施例中，所述特征提取网络为cnn特征提取网络，即为卷积神经网络。
216.本发明实施例中，所述人脸比对算法deepface算法，deepface算法为facebook开发出的深度学习的面部识别算法，可以基于特征点识别数字图像中的人脸并进行比对。
217.本发明实施例通过计算所述用户图像和所述身份信息图像之间的相似度并进行判断，可以避免出现申请用户身份信息中的身份信息图像和申请用户提供的用户图像出现不一致的情况，解决了用他人照片进行申请的不实问题，同时，也避免了图像传输错误，和申请用户身份信息不对应的问题。
218.本发明实施例中，所述将通过验证的所述标准图像作为标准目标图像之后，所述方法还包括：
219.获取预设的网络附属存储器，并将所述标准图像存储入所述网络附属存储器，得到所述标准图像的存储路径；
220.根据所述标准图像的存储路径创建注册地址。
221.本发明实施例中，所述网络附属存储器(network attached storage、nas)为连接于互联网上具有资料存储功能的装置，所述网络附属存储器以数据为中心，将存储装置和
服务器进行分离，集中管理数据，具有提高带宽、提高服务器性能和降低总成本的作用。
222.本发明实施例中，所述注册地址为对用户图像进行指标识别时的注册地址，通过所述注册地址可以对不同的用户图像进行唯一标识，避免后续重复调用相同的用户图像。
223.所述第指标识别模块103，用于当通过所述目标验证时，将所述标准图像输入至预构建的图像指标识别模型，得到所述申请用户的多个图像指标值。
224.本发明实施例中，所述图像指标值是图像识别指标的具体值，例如，在图像指标识别模型为用于识别用户的健康识别指标，判断用户是否健康时，健康识别指标为眼睛是否浮肿，则健康指标值为眼睛浮肿和眼睛不浮肿。
225.其中，所述健康识别指标为判断所所述申请用户是否健康的指标，通过所述健康识别指标可以判断所述申请用户的健康状况。
226.本发明另一实施例中，若申请用户同时满足眼睛浮肿、眼睛凹陷和黑眼圈三个指标，判断申请用户的健康状况为不佳，若申请用户仅为满足眼睛浮肿和黑眼圈，则判断申请用户的健康状况为健康。
227.本发明实施例中，所述将所述标准图像输入至预构建的图像指标识别模型的步骤之前，所述方法还包括：
228.利用训练图像集对预构建的图像识别模型进行训练，得到所述图像指标识别模型。
229.进一步地，可以通过下述操作实现利用训练图像集对预构建的图像识别模型进行训练，得到所述图像指标识别模型：
230.获取所述训练图像集，并将所述训练图像集输入预构建的图像识别模型的神经网络中，计算输出得分；
231.将所述输出得分输入误差函数，得到返回值，将所述返回值与预设期待值进行比较得到误差值；
232.获取所述图像识别模型的梯度向量，并根据所述梯度向量不断调整所述图像识别模型的参数，直至所述误差值趋于零，并在所述误差值不变时得到图像指标识别模型。
233.本发明实施例中，所述训练图像集中包含训练图像，训练图像中的图像识别指标以及该指标的指标返回值。
234.本发明实施例中，所述误差函数(loss function)为防止模型的过度拟合的函数，所述梯度向量为表示模型变化快慢的向量。
235.本发明实施例中，所述标准图像以base64流的形式进行传输。其中，所述base64流为一种用于传输图像数据的编码数据流。
236.本技术实施例可以基于人工智能技术对所述训练图像集进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
237.本发明实施例中，所述图像指标值是识别指标的具体值，例如，在用于识别用户的健康识别指标，判断用户是否健康时，健康识别指标为眼睛是否浮肿，则健康指标值为眼睛浮肿和眼睛不浮肿。
238.所述状况值计算模块104，用于利用预设的指标识别算法和多个所述图像指标值
计算所述申请用户的识别状况值。
239.本发明实施例中，所述申请用户的识别状况包括正常状态和非正常状态。
240.本发明实施例中，所述指标识别算法为根据所述图像指标值计算所述申请用户识别状况的算法，并且所述指标识别算法将随所述图像指标值的数目和种类进行改变。
241.详细地，所述指标识别算法为：
242.σ＝a1x1+a2x2+a3x3+
…
+a
n
x
n
243.其中，σ为所述识别状况值，x1、x2、x3…
x
n
为所述图像指标值，a1、a2、a3…
a
n
为x1、x2、x3…
x
n
的权重。
244.进一步地，在用于识别用户的健康状况时，若申请用户的识别指标有6个，分别为眼睛浮肿、眼睛凹陷、无大眼袋、无黑眼圈、脸颊浮肿和脸颊无凹陷，则利用指标识别算法计算各个图像指标值，得到所述申请用户的识别状况值为：
245.σ＝0,5
×
x1+0,6
×
x2+1
×
x3+1
×
x4+0,8
×
x5+1,2
×
x6246.其中，σ为申请用户的识别状况值，0,5、0,6、1、0,8、1,2为各个图像指标的权重，x1＝1为眼睛浮肿，x2＝1为眼睛凹陷，x3＝0为无大眼袋，x4＝0为无黑眼圈，x5＝1为脸颊浮肿，x6＝0为脸颊无凹陷。
247.所述信贷审批模块105，用于根据所述识别状况值确定所述申请用户的用户状态，获取所述申请用户的身份信息和历史业务信息，根据所述用户状态、所述身份信息和所述历史业务信息对所述申请用户进行信贷审批。
248.本发明实施例中，所述申请用户的识别状态包括正常状态和非正常状态。
249.本发明实施例中，若所述申请用户的识别状况值大于等于2，则表示所述申请用户的非正常状态，若所述申请用户的识别状况值小于2，则表示所述申请用户为正常状态。
250.本实施例中，所述用户的身份信息可以根据用户图像获取，或者根据申请用户的姓名等信息获取，所述用户的身份信息包括不限于申请用户的职业、职业类型等信息。
251.本实施例中所述用户的历史业务信息可以为申请用户的历史信贷审批状况信息，例如，申请用户是否在其他平台进行贷款，申请用户是否在本平台有过贷款记录，用户每次贷款的额度是多少，用户的还款情况等信息。
252.具体的，信贷审批模块105包括状态识别单元和审批单元。
253.审批单元，用于根据所述用户状态、所述身份信息和所述历史业务信息对所述申请用户进行信贷审批。
254.具体的，本发明实施例中所述审批单元具体用于：
255.当所述用户状况为正常状态时，确定所述申请用户为合格信贷用户，根据所述身份信息和所述业务信息确定所述申请用户的信贷额度。
256.当所述用户状况为非正常状况时，确定所述申请用户不为合格信贷用户，确定所述申请用户未通过信贷审批。
257.本实施例中，当用户未通过信贷审批时，则申请用户无信贷额度。
258.当申请用户为合格信贷用户时，可以将身份信息和业务信息与预设身份信息和预设业务信息进行匹配，以确定申请用户的信贷额度，或者，还可以根据不同的身份信息从业务信息中选取不同的历史信贷额度作为该申请用户当前的信贷额度。
259.本发明又一可选实施例中，还可通过下述操作实现根据所述用户状态、所述身份
信息和所述历史业务信息对所述申请用户进行信贷审批：
260.根据所述身份信息确定所述身份信息对应的职业系数；
261.从所述历史信息中获取所述申请用户的历史审批额度；
262.根据所述用户状态和所述职业系数进行加权运算，根据运算结果确定所述申请用户是否通过信贷审批，以及根据所述运算结果和所述历史审批额度确定当申请用户通过信贷审批时的审批额度。
263.例如，用户状态、职业系数权重值分别为3：2。
264.则根据所述识别状态、所述职业系数进行加权运算得到的审批分数s为：
265.s＝3*用户状态+2*职业系数
266.若用户状态为正常状态时，用户状态得分为1，若为非正常状况时，用户状态为
‑
1；若职业为优质职业时，职业系数1，为普通职业时，职业系数为0，为危险性职业时，职业系数为
‑
1。
267.则若用户状态为正常状况，且职业系数为1时，s＝4。
268.若用户状态为正常状况，且职业系数为
‑
1时，s＝1。
269.若用户状态为非正常状况，且职业系数为1时，s＝1。
270.若用户状态为非正常状况，且职业系数为
‑
1时，s＝
‑
5。
271.若s大于1时，确定用户通过信贷审批，根据s的值和历史审批额度确定申请用户的审批额度为：s*历史审批额度*d％，其中d％为预设值。
272.则可以根据申请用户历史审批额度和申请用户的实际情况动态调整审批额度。
273.本发明实施例中，通过对获取的申请用户图像进行预处理，得到标准图像，根据标准图像进行目标验证，并在验证通过时，将所述标准图像输入至预构建的图像指标识别模型，得到所述申请用户的多个图像指标值，之后利用指标识别算法和多个图像指标值计算申请用户的识别状况值，根据该识别状况值得到申请用户的用户状态，根据申请用户的用户状态、身份信息和历史业务信息对申请用户进行业务审批，通过申请用户的识别状况能够评价申请用户收入和支出的稳定状况，提高风控准确度，因此，本发明实施例中进行信贷审批不仅结合用户的身份和历史业务信息，还结合识别状况可以实现信贷审批的准确率的目的。
274.如图4所示，是本发明实现基于图像的信贷审批方法的电子设备的结构示意图。
275.所述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于图像的信贷审批程序。
276.其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于图像的信贷审批程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
277.所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、
移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、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11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于图像的信贷审批程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
278.所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
279.所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi
‑
fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
280.图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
281.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi
‑
fi模块等，在此不再赘述。
282.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
283.所述电子设备中的所述存储器11存储的基于图像的信贷审批程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
284.获取申请用户的用户图像，对所述用户图像进行预处理，得到标准图像；
285.对所述标准图像进行目标验证；
286.当通过所述目标验证时，将所述标准图像输入至预构建的图像指标识别模型，得到所述申请用户的多个图像指标值；
287.利用预设的指标识别算法和多个所述图像指标值计算所述申请用户的识别状况值；
288.根据所述识别状况值确定所述申请用户的用户状态；
289.获取所述申请用户的身份信息和历史业务信息，根据所述用户状态、所述身份信息和所述历史业务信息对所述申请用户进行信贷审批。
290.具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
291.进一步地，所述电子设备集成的模块/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，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。
292.本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
293.获取申请用户的用户图像，对所述用户图像进行预处理，得到标准图像；
294.对所述标准图像进行目标验证；
295.当通过所述目标验证时，将所述标准图像输入至预构建的图像指标识别模型，得到所述申请用户的多个图像指标值；
296.利用预设的指标识别算法和多个所述图像指标值计算所述申请用户的识别状况值；
297.根据所述识别状况值确定所述申请用户的用户状态；
298.获取所述申请用户的身份信息和历史业务信息，根据所述用户状态、所述身份信息和所述历史业务信息对所述申请用户进行信贷审批。
299.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
300.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
301.另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
302.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
303.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
304.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验
证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
305.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
306.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。