1.本技术涉及数据处理技术领域，具体而言，涉及一种线上业务风险监控方法及装置。
背景技术：2.目前，在面核业务场景下，坐席人员通过线上视频的方式与客户进行面审，在整个面审过程中，客户需要全脸入镜进行相关问题的回答。在对历史逾期客户的分析中，发现存在群体欺诈贷款的行为，这种行为的客户，一般称之为黑灰产客户，如何做到贷前就识别出黑灰产客户，对于避免坏账、降低不良率至关重要。现有方法中，通常使用纯人工的方法，对历史面核视频进行质检，难以准确核查到每笔业务是否存在相似地方，且效率低。可见，现有方法耗费人力物力，且实时性差、准确度低、效率低。
技术实现要素：3.本技术实施例的目的在于提供一种线上业务风险监控方法及装置，能够在业务办理过程中实时进行风险监控，节省人力物力，准确度高，效率高，从而有利于提升风险防控能力，进而有效降低不良贷款的发生。
4.本技术实施例第一方面提供了一种线上业务风险监控方法，包括：
5.构建黑灰产背景图片黑名单库；
6.在线上面签的业务办理过程中，获取当前业务办理用户的面签视频；
7.对所述面签视频进行背景提取，得到面签背景图片；
8.判断所述面签背景图片是否命中所述黑灰产背景图片黑名单库；
9.如果是，则输出所述当前业务办理用户存在不良业务风险的提示信息。
10.在上述实现过程中，该方法可以优先构建黑灰产背景图片黑名单库；并在线上面签的业务办理过程中，获取当前业务办理用户的面签视频；然后，再对面签视频进行背景提取，得到面签背景图片；最后，判断面签背景图片是否命中黑灰产背景图片黑名单库；并在面签背景图片命中黑灰产背景图片黑名单库时，输出当前业务办理用户存在不良业务风险的提示信息。可见，该方法能够在业务办理过程中实时进行风险监控，节省人力物力，准确度高，效率高，从而有利于提升风险防控能力，进而有效降低不良贷款的发生。
11.进一步地，所述构建黑灰产背景图片黑名单库，包括：
12.获取存量的所有业务面核视频；
13.对所述业务面核视频进行背景提取，得到面核背景图片；
14.通过预先构建的图片比对模型对所述面核背景图片进行逐个交叉比对处理，得到每个面核背景图片的相似度值；
15.根据所述相似度值和所述面核背景图片构建黑灰产背景图片黑名单库。
16.进一步地，在所述通过预先构建的图片比对模型对所述面核背景图片进行逐个交叉比对处理，得到每个面核背景图片的相似度值之前，所述方法还包括：
17.获取相似图片对样本和非相似图片对样本；
18.构建原始图片比对模型；
19.通过所述相似图片对样本和所述非相似图片对样本对所述原始图片比对模型进行训练，得到训练好的图片比对模型。
20.进一步地，所述获取相似图片对样本和非相似图片对样本，包括：
21.获取用户业务办理的历史视频数据；
22.对所述历史视频数据进行抽帧处理，得到原始图片样本；
23.基于预设的背景提取算法模型对所述原始图片样本进行背景提取，得到背景图片样本；
24.根据所述背景图片样本构建相似图片对样本和非相似图片对样本。
25.进一步地，所述对所述面签视频进行背景提取，得到面签背景图片，包括：
26.对所述面签视频进行抽帧处理，得到面签图片；
27.基于预设的人脸识别模型识别所述面签图片，得到人脸坐标点和人脸区域；
28.将所述面签图片由rgb格式转化为hsv格式，得到转换图片；
29.根据所述转换图片生成所述面签图片的图片直方图；
30.根据所述人脸坐标点和所述人脸区域确定所述面签图片与所述图片直方图的相似区域；
31.将所述相似区域确定为人脸区域；
32.根据所述人脸区域和所述面签图片通过差分算法获取面签背景图片。
33.本技术实施例第二方面提供了一种线上业务风险监控装置，所述线上业务风险监控装置包括：
34.构建单元，用于构建黑灰产背景图片黑名单库；
35.获取单元，用于在线上面签的业务办理过程中，获取当前业务办理用户的面签视频；
36.提取单元，用于对所述面签视频进行背景提取，得到面签背景图片；
37.判断单元，用于判断所述面签背景图片是否命中所述黑灰产背景图片黑名单库；
38.输出单元，用于当判断所述面签背景图片命中所述黑灰产背景图片黑名单库时，输出所述当前业务办理用户存在不良业务风险的提示信息。
39.在上述实现过程中，该装置可以通过构建单元构建黑灰产背景图片黑名单库；通过获取单元在线上面签的业务办理过程中，获取当前业务办理用户的面签视频；通过提取单元对面签视频进行背景提取，得到面签背景图片；通过判断单元判断面签背景图片是否命中黑灰产背景图片黑名单库；通过输出单元在判断面签背景图片命中黑灰产背景图片黑名单库时，输出当前业务办理用户存在不良业务风险的提示信息。可见，该装置能够在业务办理过程中实时进行风险监控，节省人力物力，准确度高，效率高，从而有利于提升风险防控能力，进而有效降低不良贷款的发生。
40.进一步地，所述构建单元包括：
41.第一获取子单元，用于获取存量的所有业务面核视频；
42.提取子单元，用于对所述业务面核视频进行背景提取，得到面核背景图片；
43.比对子单元，用于通过预先构建的图片比对模型对所述面核背景图片进行逐个交
叉比对处理，得到每个面核背景图片的相似度值；
44.黑名单库构建子单元，用于根据所述相似度值和所述面核背景图片构建黑灰产背景图片黑名单库。
45.进一步地，所述构建单元还包括：
46.所述第一获取子单元，还用于在所述通过预先构建的图片比对模型对所述面核背景图片进行逐个交叉比对处理，得到每个面核背景图片的相似度值之前，获取相似图片对样本和非相似图片对样本；
47.模型构建子单元，用于构建原始图片比对模型；
48.训练子单元，用于通过所述相似图片对样本和所述非相似图片对样本对所述原始图片比对模型进行训练，得到训练好的图片比对模型。
49.进一步地，所述第一获取子单元包括：
50.获取模块，用于获取用户业务办理的历史视频数据；
51.处理模块，用于对所述历史视频数据进行抽帧处理，得到原始图片样本；
52.提取模块，用于基于预设的背景提取算法模型对所述原始图片样本进行背景提取，得到背景图片样本；
53.构建模块，用于根据所述背景图片样本构建相似图片对样本和非相似图片对样本。
54.进一步地，所述提取单元包括：
55.处理子单元，用于对所述面签视频进行抽帧处理，得到面签图片；
56.识别子单元，用于基于预设的人脸识别模型识别所述面签图片，得到人脸坐标点和人脸区域；
57.转化子单元，用于将所述面签图片由rgb格式转化为hsv格式，得到转换图片；
58.生成子单元，用于根据所述转换图片生成所述面签图片的图片直方图；
59.确定子单元，用于根据所述人脸坐标点和所述人脸区域确定所述面签图片与所述图片直方图的相似区域；
60.所述确定子单元，还用于将所述相似区域确定为人脸区域；
61.第二获取子单元，用于根据所述人脸区域和所述面签图片通过差分算法获取面签背景图片。
62.本技术实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本技术实施例第一方面中任一项所述的线上业务风险监控方法。
63.本技术实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本技术实施例第一方面中任一项所述的线上业务风险监控方法。
附图说明
64.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他相关的附图。
65.图1为本技术实施例提供的一种线上业务风险监控方法的流程示意图；
66.图2为本技术实施例提供的另一种线上业务风险监控方法的流程示意图；
67.图3为本技术实施例提供的一种线上业务风险监控装置的结构示意图；
68.图4为本技术实施例提供的另一种线上业务风险监控装置的结构示意图；
69.图5为本技术实施例提供的一种线上业务风险监控方法的举例流程示意图。
具体实施方式
70.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
71.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
72.实施例1
73.请参看图1，图1为本实施例提供了一种线上业务风险监控方法的流程示意图。其中，该线上业务风险监控方法包括：
74.s101、构建黑灰产背景图片黑名单库。
75.s102、在线上面签的业务办理过程中，获取当前业务办理用户的面签视频。
76.s103、对面签视频进行背景提取，得到面签背景图片。
77.s104、判断面签背景图片是否命中黑灰产背景图片黑名单库，若是，则执行步骤s105；若否，则结束本流程。
78.s105、输出当前业务办理用户存在不良业务风险的提示信息。
79.本实施例中，在金融领域中为了解决纯人工的对历史面核视频进行质检，难以记忆到每笔业务的背景是否相同或相似，且效率低的问题和基于传统的风控策略(专家方法)无法应对新型的欺诈手段的问题。该方法提出了一种新的线上业务风险监控方法。
80.在本实施例中，该方法能够基于meanshift的背景提取算法和基于cnn的图像比对算法实现背景图片相似度计算；还能够建立黑灰产背景图片黑名单库，对传统黑名单实现有效、多维度的补充。
81.在本实施例中，meanshift算法是一种背景提取的图像处理算法。
82.本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
83.在本实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
84.可见，实施本实施例所描述的线上业务风险监控方法，能够基于黑产背景图片库、图像比对的方式，实现对线上面签过程中，对客户是否为黑灰产的判定，从而实现黑产名单的多维度扩充，进而保证了在个人贷款线上面签过程中的全面风险检测和黑灰产识别，并能够提升风险防控能力，降低不良贷款的发生。
85.实施例2
86.请参看图2，图2为本实施例提供了一种线上业务风险监控方法的流程示意图。其中，该线上业务风险监控方法包括：
87.s201、获取用户业务办理的历史视频数据。
88.s202、对历史视频数据进行抽帧处理，得到原始图片样本。
89.s203、基于预设的背景提取算法模型对原始图片样本进行背景提取，得到背景图片样本。
90.本实施例中，背景提取算法模型可以采用mediapipefashmash模型，即面部三维坐标检测模型。
91.s204、根据背景图片样本构建相似图片对样本和非相似图片对样本。
92.s205、构建原始图片比对模型。
93.s206、通过相似图片对样本和非相似图片对样本对原始图片比对模型进行训练，得到训练好的图片比对模型。
94.s207、获取存量的所有业务面核视频。
95.s208、对业务面核视频进行背景提取，得到面核背景图片。
96.s209、通过预先构建的图片比对模型对面核背景图片进行逐个交叉比对处理，得到每个面核背景图片的相似度值。
97.s210、根据相似度值和面核背景图片构建黑灰产背景图片黑名单库。
98.s211、在线上面签的业务办理过程中，获取当前业务办理用户的面签视频。
99.s212、对面签视频进行抽帧处理，得到面签图片。
100.s213、基于预设的人脸识别模型识别面签图片，得到人脸坐标点和人脸区域。
101.s214、将面签图片由rgb格式转化为hsv格式，得到转换图片。
102.s215、根据转换图片生成面签图片的图片直方图。
103.s216、根据人脸坐标点和人脸区域确定面签图片与图片直方图的相似区域。
104.s217、将相似区域确定为人脸区域。
105.s218、根据人脸区域和面签图片通过差分算法获取面签背景图片。
106.s219、判断面签背景图片是否命中黑灰产背景图片黑名单库，若是，则执行步骤s220；若否，则结束本流程。
107.s220、输出当前业务办理用户存在不良业务风险的提示信息。
108.举例来说，该方法可以基于图5做出以下说明：
109.(1)数据样本说明及预处理：历史的个人贷款视频数据20w笔。对每个视频进行抽帧处理，每个视频随机抽取2帧图像，得到共计20w对的图片数据，作为以下步骤的基础数据。
110.(2)基于meanshift的背景提取算法模型：基于20w对的图片数据，实现对20w笔视频实现背景提取。其中，
111.模型输入：同一视频的一对图片；
112.模型方法：步骤一，在第一帧图片上基于mediapipefashmash模型识别得到人脸的坐标点及区域；步骤二，将rgb数据转化为hsv，然后生成图片的直方图；步骤三，在第一帧图片中找到与第一帧图片直方图相似的区域，将该区域划定为人脸坐标区域，算法停止，通过差分的方法得到背景图片p；
113.模型输出：每个视频的背景图片，共计20w张。
114.(3)图片相似度比对模型：构建相似图片对20w对、非相似图片对20w对，训练图片
比对模型，实现图片相似度比对。其中，
115.模型输入：图片对及是否相似标签(1表示相似，0表示不相似)；
116.模型训练：基于cnn神经网络模型，输入两个对应的图像块判断其匹配程度，loss function为accuracy，度量方法为f1；
117.模型输出：输出两张图片是否相似的概率，阈值设置为0.8，当概率值》0.8时，则图片相似；当概率值《＝0.8时，则图片不相似。
118.(4)构建黑灰产背景图片黑名单库：对存量所有面核视频进行背景提取，逐个交叉比对每个视频背景的相似度值，若当前背景图片与剩余所有背景图片存在相似个数》2，则将当前图片入黑产图片库，反之，不入库。至此，黑产背景图片库完成构建。
119.本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
120.在本实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
121.可见，实施本实施例所描述的线上业务风险监控方法，能够基于黑产背景图片库、图像比对的方式，实现对线上面签过程中，对客户是否为黑灰产的判定，从而实现黑产名单的多维度扩充，进而保证了在个人贷款线上面签过程中的全面风险检测和黑灰产识别，并能够提升风险防控能力，降低不良贷款的发生。
122.实施例3
123.请参看图3，图3为本实施例提供的一种线上业务风险监控装置的结构示意图。如图3所示，该线上业务风险监控装置包括：
124.构建单元310，用于构建黑灰产背景图片黑名单库；
125.获取单元320，用于在线上面签的业务办理过程中，获取当前业务办理用户的面签视频；
126.提取单元330，用于对面签视频进行背景提取，得到面签背景图片；
127.判断单元340，用于判断面签背景图片是否命中黑灰产背景图片黑名单库；
128.输出单元350，用于当判断面签背景图片命中黑灰产背景图片黑名单库时，输出当前业务办理用户存在不良业务风险的提示信息。
129.本实施例中，对于线上业务风险监控装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
130.可见，实施本实施例所描述的线上业务风险监控装置，能够基于黑产背景图片库、图像比对的方式，实现对线上面签过程中，对客户是否为黑灰产的判定，从而实现黑产名单的多维度扩充，进而保证了在个人贷款线上面签过程中的全面风险检测和黑灰产识别，并能够提升风险防控能力，降低不良贷款的发生。
131.实施例4
132.请参看图4，图4为本实施例提供的一种线上业务风险监控装置的结构示意图。如图4所示，该线上业务风险监控装置包括：
133.构建单元310，用于构建黑灰产背景图片黑名单库；
134.获取单元320，用于在线上面签的业务办理过程中，获取当前业务办理用户的面签视频；
135.提取单元330，用于对面签视频进行背景提取，得到面签背景图片；
136.判断单元340，用于判断面签背景图片是否命中黑灰产背景图片黑名单库；
137.输出单元350，用于当判断面签背景图片命中黑灰产背景图片黑名单库时，输出当前业务办理用户存在不良业务风险的提示信息。
138.作为一种可选的实施方式，构建单元310包括：
139.第一获取子单元311，用于获取存量的所有业务面核视频；
140.提取子单元312，用于对业务面核视频进行背景提取，得到面核背景图片；
141.比对子单元313，用于通过预先构建的图片比对模型对面核背景图片进行逐个交叉比对处理，得到每个面核背景图片的相似度值；
142.黑名单库构建子单元314，用于根据相似度值和面核背景图片构建黑灰产背景图片黑名单库。
143.作为一种可选的实施方式，构建单元310还包括：
144.第一获取子单元311，还用于在通过预先构建的图片比对模型对面核背景图片进行逐个交叉比对处理，得到每个面核背景图片的相似度值之前，获取相似图片对样本和非相似图片对样本；
145.模型构建子单元315，用于构建原始图片比对模型；
146.训练子单元316，用于通过相似图片对样本和非相似图片对样本对原始图片比对模型进行训练，得到训练好的图片比对模型。
147.作为一种可选的实施方式，第一获取子单元311包括：
148.获取模块，用于获取用户业务办理的历史视频数据；
149.处理模块，用于对历史视频数据进行抽帧处理，得到原始图片样本；
150.提取模块，用于基于预设的背景提取算法模型对原始图片样本进行背景提取，得到背景图片样本；
151.构建模块，用于根据背景图片样本构建相似图片对样本和非相似图片对样本。
152.作为一种可选的实施方式，提取单元330包括：
153.处理子单元331，用于对面签视频进行抽帧处理，得到面签图片；
154.识别子单元332，用于基于预设的人脸识别模型识别面签图片，得到人脸坐标点和人脸区域；
155.转化子单元333，用于将面签图片由rgb格式转化为hsv格式，得到转换图片；
156.生成子单元334，用于根据转换图片生成面签图片的图片直方图；
157.确定子单元335，用于根据人脸坐标点和人脸区域确定面签图片与图片直方图的相似区域；
158.确定子单元335，还用于将相似区域确定为人脸区域；
159.第二获取子单元336，用于根据人脸区域和面签图片通过差分算法获取面签背景图片。
160.本实施例中，对于线上业务风险监控装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
161.可见，实施本实施例所描述的线上业务风险监控装置，能够基于黑产背景图片库、图像比对的方式，实现对线上面签过程中，对客户是否为黑灰产的判定，从而实现黑产名单
的多维度扩充，进而保证了在个人贷款线上面签过程中的全面风险检测和黑灰产识别，并能够提升风险防控能力，降低不良贷款的发生。
162.本技术实施例提供了一种电子设备，包括存储器以及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行本技术实施例1或实施例2中的线上业务风险监控方法。
163.本技术实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行本技术实施例1或实施例2中的线上业务风险监控方法。
164.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
165.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
166.所述功能如果以软件功能模块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存储介质中。基于这样的理解，本技术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)执行本技术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-only memory)、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。
167.以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
168.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。
169.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要
素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。