欺诈识别方法、装置、电子设备及存储介质与流程

本发明涉及智能决策
技术领域：
，尤其涉及一种欺诈识别方法、装置、电子设备及存储介质。
背景技术：
：现有技术方案中，在判断一个客户是否有欺诈风险时，通常只是结合客户的面部表情所展现的情绪来识别，且仅针对一个问题进行判断，由于判断依据较为单一，因此判断结果的可靠性较低。因此，用户无法以上述判断结果直接作为客户是否有欺诈行为的结论，给用户造成不便，不利于用户的体验。技术实现要素：鉴于以上内容，有必要提供一种欺诈识别方法、装置、电子设备及存储介质，本发明能够结合多个问题进行判断，并确定所述目标人物是否有欺诈风险，从而实现欺诈行为的自动化判断，且由于数据的多样化，因此判断更为准确，可信度更高，给用户带来更好的体验。一种欺诈识别方法，所述方法包括：当接收到欺诈识别指令时，获取至少一个待检测视频；提取所述至少一个待检测视频中，每个待检测视频的目标视频序列；将每个目标视频序列分别输入到预先训练的预测模型中，确定目标人物在每个目标视频序列中的欺诈概率；基于分位数原理，将每个欺诈概率组合成一个目标向量；将所述目标向量输入到预先训练的分类器中，确定目标概率；根据所述目标概率，确定所述目标人物是否有欺诈风险。根据本发明优选实施例，所述至少一个待检测视频包括以下一种或者多种组合：银行业务面审过程中，每个问题的应答视频；及/或保险业务面审过程中，每个问题的应答视频。根据本发明优选实施例，所述提取所述至少一个待检测视频中，每个待检测视频的目标视频序列包括：采用k均值聚类算法提取所述至少一个待检测视频中，每个待检测视频的目标视频序列。根据本发明优选实施例，在将每个所述目标视频序列分别输入到预先训练的预测模型中，确定目标人物在每个目标视频序列中的欺诈概率前，所述方法还包括：获取样本视频序列；采用人脸识别算法，提取所述样本视频序列中每个人物的面部动作、眼球角度；采用支持向量回归算法训练每个人物的面部动作，得到每个人物的第一向量；采用神经网络算法训练所述所有人物的眼球角度，得到每个人物的第二向量；截取所述所有人物的头部转动角度，得到每个人物的第三向量；合并每个人物的第一向量、第二向量及第三向量，得到每个人物的样本向量；从配置数据库中，确定每个人物的逾期数据，以制定每个人物的逾期标签；将每个人物的样本向量及逾期标签作为样本数据，采用梯度提升算法训练所述预测模型。根据本发明优选实施例，所述根据所述目标概率，确定所述目标人物是否有欺诈风险包括：当所述目标概率大于或者等于预设阈值时，确定所述目标人物有欺诈风险；或者当所述目标概率小于所述预设阈值时，确定所述目标人物没有欺诈风险。根据本发明优选实施例，当确定所述目标人物有欺诈风险时，所述方法还包括：保存所述目标人物对应的视频；从保存的视频中截取所述目标人物的图像；结合截取的图像，发送提示信息至指定终端设备。根据本发明优选实施例，当确定所述目标人物有欺诈风险时，所述方法还包括：从所述配置数据库中，获取所述目标人物的所有记录信息；将所述所有记录信息发送至所述指定终端设备。一种欺诈识别装置，所述装置包括：获取单元，用于当接收到欺诈识别指令时，获取至少一个待检测视频；提取单元，用于提取所述至少一个待检测视频中，每个待检测视频的目标视频序列；确定单元，用于将每个目标视频序列分别输入到预先训练的预测模型中，确定目标人物在每个目标视频序列中的欺诈概率；组合单元，用于基于分位数原理，将每个欺诈概率组合成一个目标向量；所述确定单元，还用于将所述目标向量输入到预先训练的分类器中，确定目标概率；所述确定单元，还用于根据所述目标概率，确定所述目标人物是否有欺诈风险。根据本发明优选实施例，所述至少一个待检测视频包括以下一种或者多种的组合：银行业务面审过程中，每个问题的应答视频；及/或保险业务面审过程中，每个问题的应答视频。根据本发明优选实施例，所述提取单元提取所述至少一个待检测视频中，每个待检测视频的目标视频序列包括：采用k均值聚类算法提取所述至少一个待检测视频中，每个待检测视频的目标视频序列。根据本发明优选实施例，所述获取单元还用于在将每个所述目标视频序列分别输入到预先训练的预测模型中，确定目标人物在每个目标视频序列中的欺诈概率前，获取样本视频序列；所述提取单元，还用于采用人脸识别算法，提取所述样本视频序列中每个人物的面部动作、眼球角度；所述装置还包括：训练单元，用于采用支持向量回归算法训练每个人物的面部动作，得到每个人物的第一向量；所述训练单元，还用于采用神经网络算法训练所述所有人物的眼球角度，得到每个人物的第二向量；截取单元，用于截取所述所有人物的头部转动角度，得到每个人物的第三向量；合并单元，用于合并每个人物所述的第一向量、第二向量及第三向量，得到每个人物的样本向量；制定单元，用于从配置数据库中，确定每个人物的逾期数据，以制定每个人物的逾期标签；所述训练单元，还用于将每个人物的所述样本向量及所述逾期标签作为样本数据，采用梯度提升算法训练所述预测模型。根据本发明优选实施例，所述确定单元根据所述目标概率，确定所述目标人物是否有欺诈风险包括：当所述目标概率大于或者等于预设阈值时，确定所述目标人物有欺诈风险；或者当所述目标概率小于所述预设阈值时，确定所述目标人物没有欺诈风险。根据本发明优选实施例，当确定所述目标人物有欺诈风险时，所述装置还包括：保存单元，用于保存所述目标人物对应的视频；所述截取单元，还用于从保存的视频中截取所述目标人物的图像；发送单元，用于结合截取的图像，发送提示信息至指定终端设备。根据本发明优选实施例，所述获取单元，还用于当确定所述目标人物有欺诈风险时，从所述配置数据库中，获取所述目标人物的所有记录信息；所述发送单元，还用于将所述所有记录信息发送至所述指定终端设备。一种电子设备，所述电子设备包括：存储器，存储至少一个指令；及处理器，执行所述存储器中存储的指令以实现所述欺诈识别方法。一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述欺诈识别方法。由以上技术方案可以看出，本发明能够当接收到欺诈识别指令时，获取至少一个待检测视频，从而结合多个问题进行判断，进一步提取所述至少一个待检测视频中，每个待检测视频的目标视频序列，以去除冗余信息，避免多余的信息给所述电子设备的运行造成负担，将每个目标视频序列分别输入到预先训练的预测模型中，确定目标人物在每个目标视频序列中的欺诈概率，基于分位数原理，将每个欺诈概率组合成一个目标向量，进一步将所述目标向量输入到预先训练的分类器中，确定目标概率，并根据所述目标概率，确定所述目标人物是否有欺诈风险，从而实现欺诈行为的自动化判断，且由于数据的多样化，因此判断更为准确，可信度更高，给用户带来更好的体验。附图说明图1是本发明欺诈识别方法的较佳实施例的流程图。图2是本发明欺诈识别装置的较佳实施例的功能模块图。图3是本发明实现欺诈识别方法的较佳实施例的电子设备的结构示意图。主要元件符号说明电子设备1存储器12处理器13欺诈识别装置11获取单元110提取单元111确定单元112组合单元113训练单元114截取单元115合并单元116制定单元117保存单元118发送单元119具体实施方式为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。如图1所示，是本发明欺诈识别方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。所述欺诈识别方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程门阵列(field－programmablegatearray，fpga)、数字处理器(digitalsignalprocessor，dsp)、嵌入式设备等。所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personaldigitalassistant，pda)、游戏机、交互式网络电视(internetprotocoltelevision，iptv)、智能式穿戴式设备等。所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(cloudcomputing)的由大量主机或网络服务器构成的云。所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtualprivatenetwork，vpn)等。s10，当接收到欺诈识别指令时，获取至少一个待检测视频。现有技术方案中，在判断一个客户是否有欺诈风险时，通常只是结合客户的面部表情所展现的情绪来识别，且仅针对一个问题进行判断，由于判断依据较为单一，因此判断结果的可靠性较低。因此，用户无法以上述判断结果直接作为客户是否有欺诈行为的结论，给用户造成不便。在本发明的至少一个实施例中，所述电子设备接收所述欺诈识别指令包括，但不限于以下一种或者多种的组合：(1)当所述电子设备检测到有客户触发面审流程时，确定所述电子设备接收到所述欺诈识别指令。例如：银行在进行客户贷款审核时，需要对要贷款的客户进行面审，主要是通过视频提问的方式进行，具体地，客户对所述电子设备显示器上的问题一一解答，所述电子设备由此判断客户是否存在欺诈风险。因此，当所述电子设备检测到有客户在进行面审时，即可立即触发所述欺诈识别指令。通过上述实施方式，所述电子设备能够在有客户进行面审时，自动进行响应，避免人为操作，且响应及时，避免漏检。(2)当所述电子设备接收到配置按键被触发的信号时，确定所述电子设备接收到所述欺诈识别指令。具体地，所述配置按键是指预先配置的触发按键，所述配置按键用于触发所述欺诈识别指令。进一步地，所述配置按键可以是实体按键，也可以是虚拟按键，根据所述电子设备的实际情况而定，本发明不限制。通过上述实施方式，所述电子设备能够根据用户的要求触发所述欺诈识别指令，以满足用户的实际需求，条件式触发的方式，也节约了所述电子设备的运行内存，进一步提高所述电子设备的性能。在本发明的至少一个实施例中，所述至少一个待检测视频包括，但不限于以下一种或者多种的组合：(1)银行业务面审过程中，每个问题的应答视频。可以理解的是，对于银行来说，很多业务都是存在一定风险性的，例如，客户在进行贷款时，银行需要判断客户是否曾经有信用问题，以便确定要贷款的客户是否可信，按期还款的可能性有多大等，并进一步判定是否应该贷款给客户。因此，鉴于上述情况，银行将对有类似于上述需求的客户进行面审，面审过程包括若干问题，供客户解答。在客户解答过程中，所述电子设备可以对客户解答每个问题的过程进行录像，以作为所述至少一个待检测视频。(2)保险业务面审过程中，每个问题的应答视频。可以理解的是，对于保险公司来说，很多保险业务也是需要对客户的信用度(是否曾经有逾期行为等)进行审核的，以保证保险公司的自身利益。例如，客户在进行保险理赔服务时，保险公司为了避免出现骗保行为，需要对客户的信用度进行核实，以便确定客户是否可信，并进一步确定是否理赔。因此，类似于上述(1)中的情况，保险公司也可以对有类似于上述需求的客户进行面审，面审过程包括若干问题，供客户解答。并且，在客户解答过程中，所述电子设备对客户解答每个问题的过程进行录像，以作为所述至少一个待检测视频。需要说明的是，在其他实施例中，所述待检测视频也可以包括其他类型或者领域，本发明不限制。s11，提取所述至少一个待检测视频中，每个待检测视频的目标视频序列。在本发明的至少一个实施例中，由于所述待检测视频的长度不同，且包含许多无用信息，因此，所述电子设备要对所述待检测视频进行提取，以去除冗余信息，避免多余的信息给所述电子设备的运行造成负担，影响所述电子设备的运行速度，并进一步影响所述欺诈识别指令的执行。优选地，所述电子设备提取所述至少一个待检测视频中，每个待检测视频的目标视频序列包括：所述电子设备采用k均值聚类算法(k-means聚类算法)提取所述至少一个待检测视频中，每个待检测视频的目标视频序列。具体地，所述电子设备采用所述k均值聚类算法，能够提取出所述待检测视频中关键的视频序列，并且能够保证每一段待检测视频所提取出的特征维数一致，从而满足算法要求。当然，在其他实施例中，只要能达到相同的视频提取效果，所述电子设备也可以采用其他算法，本发明不限制。通过上述实施方式，所述电子设备即可从所述待检测视频中提取出所述目标视频序列，以供后续流程使用。s12，将每个目标视频序列分别输入到预先训练的预测模型中，确定目标人物在每个目标视频序列中的欺诈概率。在本发明的至少一个实施例中，所述预测模型是一个集成多种属性的预测模型，所述预测模型由所述电子设备预先训练。具体地，所述电子设备在将每个目标视频序列分别输入到预先训练的预测模型中，确定目标人物在每个目标视频序列中的欺诈概率前，所述方法还包括：所述电子设备获取样本视频序列，进一步地，所述电子设备采用人脸识别算法，提取所述样本视频序列中每个人物的面部动作、眼球角度，更进一步地，所述电子设备采用支持向量回归算法训练每个人物的面部动作，得到每个人物的第一向量，并采用神经网络算法训练所述所有人物的眼球角度，得到每个人物的第二向量，所述电子设备截取所述所有人物的头部转动角度，得到每个人物的第三向量，并合并每个人物的第一向量、第二向量及第三向量，得到每个人物的样本向量，所述电子设备从配置数据库中，确定每个人物的逾期数据，以制定每个人物的逾期标签，进一步地，所述电子设备将每个人物的样本向量及逾期标签作为样本数据，采用梯度提升算法(gradientboosting)训练所述预测模型。其中，所述样本视频序列可以包括所述电子设备获取到的带有人脸的任意数据，也可以包括指定数据库(如：银行的数据库、保险公司的数据库等)中存储的客户数据等，只要具有足够的样本量，本发明不限制。优选地，所述电子设备提取所述样本视频序列中每个人物的眼球角度包括：所述电子设备将所述目标视频序列中的所有图片缩放到同一大小，且去掉因头部转动过大或光线原因看不见眼睛的图片。所述电子设备运用人脸特征点检测技术，截取到眼睛部位的图片，得到每一张人脸眼部图片，并记录每张人脸眼部图片中头部转动的极坐标值与眼睛所看方向，得到所述眼球角度。进一步地，所述电子设备可以采用支持向量回归算法(linear-svr)训练出人脸部的15个动作特征，比如眨眼、皱眉等的强度，并将强度控制在0-5范围内，且数值越高代表强度越大。所述电子设备进一步采用k-means聚类算法，从所述待检测视频中提取5个目标视频序列，得到5*15个关键特征，并按照时间顺序拼接起来，得到一个75长度的第一向量。更进一步地，所述电子设备采用神经网络算法训练所述所有人物的眼球角度，具体地，所述电子设备将训练集中的眼部图片输入到卷积神经网络模型进行训练，具体连续用三层的卷积与最大值池化层，最后连接一层全连接层，其中把头部转动极坐标值拼接在最后一层的全连接层。最后将眼珠上下，左右偏移的度数作为最终输出，得到输出的眼珠相对于眼睛位置结果，根据眼珠相对于眼睛位置结果与预先标注的眼珠相对于眼睛位置的差异对模型的网络参数进行调整，不断优化模型的网络参数，确定神经网络模型，所述电子设备向所述神经网络模型输入所述所有人物的眼球角度，得到每个人物的第二向量。更进一步地，所述电子设备在截取到所述所有人物的头部转动角度后，设定一定的偏离角度阈值与偏离次数阈值，即超过预设角度，且达到预设次数记为1，否则记为0，得到所述第三向量。更进一步地，所述配置数据库可以存储每个人物的逾期数据，当一个客户有逾期行为时，则为其配置逾期标签，当一个客户无逾期行为时，则为其配置未逾期标签。当然，在其他实施例中，所述预测模型也可以采取其他训练方式，本发明不限制。s13，基于分位数原理，将每个欺诈概率组合成一个目标向量。在本发明的至少一个实施例中，所述电子设备采用分位数原理，按照时间顺序把每个欺诈概率拼接成一个向量。具体地，由于后续使用的分类器是以向量值为输入进行训练的，因此，所述电子设备组合成所述目标向量作为分类器的输入，从而能够利用所述分类器。例如：分别取每个欺诈概率的20％，40％，60％，80％，100％分位数的作为特征，长度为5，组合为所述目标向量。s14，将所述目标向量输入到预先训练的分类器中，确定目标概率。在本发明的至少一个实施例中，所述分类器可以包括，但不限于线性svm分类器(linearsvmclassifier)等。具体地，构造所述svm分类器的方法主要包括直接法及间接法两种，所述间接法又包括一对多法、一对一法。所述svm分类器以向量作为输入。在本实施例中，采用长度为5的所述目标向量作为所述svm分类器的输入数据。s15，根据所述目标概率，确定所述目标人物是否有欺诈风险。在本发明的至少一个实施例中，所述目标概率可以是一个0-1之间的数值，且数值越高，代表欺诈风险越高。在本发明的至少一个实施例中，所述电子设备可以预先配置一个预设阈值，以便通过与所述预设阈值的比较，确定所述目标人物是否有欺诈风险。具体地，所述电子设备根据所述目标概率，确定所述目标人物是否有欺诈风险包括：当所述目标概率大于或者等于预设阈值时，所述电子设备确定所述目标人物有欺诈风险；当所述目标概率小于所述预设阈值时，所述电子设备确定所述目标人物没有欺诈风险。其中，所述预设阈值的取值可以进行自定义配置，例如：所述预设阈值可以为0.7，本发明不限制。在本发明的至少一个实施例中，当确定所述目标人物有欺诈风险时，所述方法还包括：所述电子设备保存所述目标人物对应的视频，进一步地，所述电子设备从保存的视频中截取所述目标人物的图像，更进一步地，所述电子设备结合截取的图像，发送提示信息至指定终端设备。具体地，所述指定终端设备可以包括安全管控人员的终端设备，以使其及时介入处理。通过将截取的图像及提示信息一同发送至所述终端设备，使其快速寻找到所述目标人物，并保存了视频作为依据，辅助所述安全管控人员进行快速判断。在本发明的至少一个实施例中，当确定所述目标人物有欺诈风险时，所述方法还包括：所述电子设备从所述配置数据库中，获取所述目标人物的所有记录信息，进一步地，所述电子设备将所述所有记录信息发送至所述指定终端设备。具体地，所述所有记录信息可以包括，但不限于：交易记录、信用记录等。通过上述实施方式，所述电子设备能够提供更多的数据，以辅助相关人员进行是否有欺诈风险的判断，使判断结果的可信度更高。由以上技术方案可以看出，本发明能够当接收到欺诈识别指令时，获取至少一个待检测视频，从而结合多个问题进行判断，进一步提取所述至少一个待检测视频中，每个待检测视频的目标视频序列，以去除冗余信息，避免多余的信息给所述电子设备的运行造成负担，将每个目标视频序列分别输入到预先训练的预测模型中，确定目标人物在每个目标视频序列中的欺诈概率，基于分位数原理，将每个欺诈概率组合成一个目标向量，进一步将所述目标向量输入到预先训练的分类器中，确定目标概率，并根据所述目标概率，确定所述目标人物是否有欺诈风险，从而实现欺诈行为的自动化判断，且由于数据的多样化，因此判断更为准确，可信度更高，给用户带来更好的体验。如图2所示，是本发明欺诈识别装置的较佳实施例的功能模块图。所述欺诈识别装置11包括获取单元110、提取单元111、确定单元112、组合单元113、训练单元114、截取单元115、合并单元116、制定单元117、保存单元118以及发送单元119。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。当接收到欺诈识别指令时，获取单元110获取至少一个待检测视频。现有技术方案中，在判断一个客户是否有欺诈风险时，通常只是结合客户的面部表情所展现的情绪来识别，且仅针对一个问题进行判断，由于判断依据较为单一，因此判断结果的可靠性较低。因此，用户无法以上述判断结果直接作为客户是否有欺诈行为的结论，给用户造成不便。在本发明的至少一个实施例中，所述电子设备接收所述欺诈识别指令包括，但不限于以下一种或者多种的组合：(1)当所述电子设备检测到有客户触发面审流程时，确定所述电子设备接收到所述欺诈识别指令。例如：银行在进行客户贷款审核时，需要对要贷款的客户进行面审，主要是通过视频提问的方式进行，具体地，客户对所述电子设备显示器上的问题一一解答，所述电子设备由此判断客户是否存在欺诈风险。因此，当所述电子设备检测到有客户在进行面审时，即可立即触发所述欺诈识别指令。通过上述实施方式，所述电子设备能够在有客户进行面审时，自动进行响应，避免人为操作，且响应及时，避免漏检。(2)当所述电子设备接收到配置按键被触发的信号时，确定所述电子设备接收到所述欺诈识别指令。具体地，所述配置按键是指预先配置的触发按键，所述配置按键用于触发所述欺诈识别指令。进一步地，所述配置按键可以是实体按键，也可以是虚拟按键，根据所述电子设备的实际情况而定，本发明不限制。通过上述实施方式，所述电子设备能够根据用户的要求触发所述欺诈识别指令，以满足用户的实际需求，条件式触发的方式，也节约了所述电子设备的运行内存，进一步提高所述电子设备的性能。在本发明的至少一个实施例中，所述至少一个待检测视频包括，但不限于以下一种或者多种的组合：(1)银行业务面审过程中，每个问题的应答视频。可以理解的是，对于银行来说，很多业务都是存在一定风险性的，例如，客户在进行贷款时，银行需要判断客户是否曾经有信用问题，以便确定要贷款的客户是否可信，按期还款的可能性有多大等，并进一步判定是否应该贷款给客户。因此，鉴于上述情况，银行将对有类似于上述需求的客户进行面审，面审过程包括若干问题，供客户解答。在客户解答过程中，所述电子设备可以对客户解答每个问题的过程进行录像，以作为所述至少一个待检测视频。(2)保险业务面审过程中，每个问题的应答视频。可以理解的是，对于保险公司来说，很多保险业务也是需要对客户的信用度(是否曾经有逾期行为等)进行审核的，以保证保险公司的自身利益。例如，客户在进行保险理赔服务时，保险公司为了避免出现骗保行为，需要对客户的信用度进行核实，以便确定客户是否可信，并进一步确定是否理赔。因此，类似于上述(1)中的情况，保险公司也可以对有类似于上述需求的客户进行面审，面审过程包括若干问题，供客户解答。并且，在客户解答过程中，所述电子设备对客户解答每个问题的过程进行录像，以作为所述至少一个待检测视频。需要说明的是，在其他实施例中，所述待检测视频也可以包括其他类型或者领域，本发明不限制。提取单元111提取所述至少一个待检测视频中，每个待检测视频的目标视频序列。在本发明的至少一个实施例中，由于所述待检测视频的长度不同，且包含许多无用信息，因此，所述提取单元111要对所述待检测视频进行提取，以去除冗余信息，避免多余的信息给所述电子设备的运行造成负担，影响所述电子设备的运行速度，并进一步影响所述欺诈识别指令的执行。优选地，所述提取单元111提取所述至少一个待检测视频中，每个待检测视频的目标视频序列包括：所述提取单元111采用k均值聚类算法(k-means聚类算法)提取所述至少一个待检测视频中，每个待检测视频的目标视频序列。具体地，所述提取单元111采用所述k均值聚类算法，能够提取出所述待检测视频中关键的视频序列，并且能够保证每一段待检测视频所提取出的特征维数一致，从而满足算法要求。当然，在其他实施例中，只要能达到相同的视频提取效果，所述提取单元111也可以采用其他算法，本发明不限制。通过上述实施方式，所述提取单元111即可从所述待检测视频中提取出所述目标视频序列，以供后续流程使用。将每个目标视频序列分别输入到预先训练的预测模型中，确定单元112确定目标人物在每个目标视频序列中的欺诈概率。在本发明的至少一个实施例中，所述预测模型是一个集成多种属性的预测模型，所述预测模型由训练单元114预先训练。具体地，所述确定单元112在将每个目标视频序列分别输入到预先训练的预测模型中，确定目标人物在每个目标视频序列中的欺诈概率前，所述方法还包括：所述获取单元110获取样本视频序列，进一步地，所述提取单元111采用人脸识别算法，提取所述样本视频序列中每个人物的面部动作、眼球角度，所述训练单元114采用支持向量回归算法训练每个人物的面部动作，得到每个人物的第一向量，并采用神经网络算法训练所述所有人物的眼球角度，得到每个人物的第二向量，截取单元115截取所述所有人物的头部转动角度，得到每个人物的第三向量，合并单元116合并每个人物的第一向量、第二向量及第三向量，得到每个人物的样本向量，制定单元117从配置数据库中，确定每个人物的逾期数据，以制定每个人物的逾期标签，进一步地，所述训练单元114将每个人物的样本向量及逾期标签作为样本数据，采用梯度提升算法(gradientboosting)训练所述预测模型。其中，所述样本视频序列可以包括所述获取单元110获取到的带有人脸的任意数据，也可以包括指定数据库(如：银行的数据库、保险公司的数据库等)中存储的客户数据等，只要具有足够的样本量，本发明不限制。优选地，所述提取单元111提取所述样本视频序列中每个人物的眼球角度包括：所述提取单元111将所述目标视频序列中的所有图片缩放到同一大小，且去掉因头部转动过大或光线原因看不见眼睛的图片，并运用人脸特征点检测技术，截取到眼睛部位的图片，得到每一张人脸眼部图片，进一步地，所述提取单元111记录每张人脸眼部图片中头部转动的极坐标值与眼睛所看方向，得到所述眼球角度。进一步地，所述训练单元114可以采用支持向量回归算法(linear-svr)训练出人脸部的15个动作特征，比如眨眼、皱眉等的强度，并将强度控制在0-5范围内，且数值越高代表强度越大。所述电子设备进一步采用k-means聚类算法，从所述待检测视频中提取5个目标视频序列，得到5*15个关键特征，并按照时间顺序拼接起来，得到一个75长度的第一向量。更进一步地，所述训练单元114采用神经网络算法训练所述所有人物的眼球角度，具体地，所述训练单元114将训练集中的眼部图片输入到卷积神经网络模型进行训练，具体连续用三层的卷积与最大值池化层，最后连接一层全连接层，其中把头部转动极坐标值拼接在最后一层的全连接层。最后将眼珠上下，左右偏移的度数作为最终输出，得到输出的眼珠相对于眼睛位置结果，根据眼珠相对于眼睛位置结果与预先标注的眼珠相对于眼睛位置的差异对模型的网络参数进行调整，不断优化模型的网络参数，确定神经网络模型，所述电子设备向所述神经网络模型输入所述所有人物的眼球角度，得到每个人物的第二向量。更进一步地，所述截取单元115在截取到所述所有人物的头部转动角度后，设定一定的偏离角度阈值与偏离次数阈值，即超过预设角度，且达到预设次数记为1，否则记为0，得到所述第三向量。更进一步地，所述配置数据库可以存储每个人物的逾期数据，当一个客户有逾期行为时，则为其配置逾期标签，当一个客户无逾期行为时，则为其配置未逾期标签。当然，在其他实施例中，所述预测模型也可以采取其他训练方式，本发明不限制。基于分位数原理，组合单元113将每个欺诈概率组合成一个目标向量。在本发明的至少一个实施例中，所述组合单元113采用分位数原理，按照时间顺序把每个欺诈概率拼接成一个向量。具体地，由于后续使用的分类器是以向量值为输入进行训练的，因此，所述组合单元113组合成所述目标向量作为分类器的输入，从而能够利用所述分类器。例如：分别取每个欺诈概率的20％，40％，60％，80％，100％分位数的作为特征，长度为5，组合为所述目标向量。所述确定单元112将所述目标向量输入到预先训练的分类器中，确定目标概率。在本发明的至少一个实施例中，所述分类器可以包括，但不限于线性svm分类器(linearsvmclassifier)等。具体地，构造所述svm分类器的方法主要包括直接法及间接法两种，所述间接法又包括一对多法、一对一法。所述svm分类器以向量作为输入。在本实施例中，采用长度为5的所述目标向量作为所述svm分类器的输入数据。根据所述目标概率，所述确定单元112确定所述目标人物是否有欺诈风险。在本发明的至少一个实施例中，所述目标概率可以是一个0-1之间的数值，且数值越高，代表欺诈风险越高。在本发明的至少一个实施例中，所述确定单元112可以预先配置一个预设阈值，以便通过与所述预设阈值的比较，确定所述目标人物是否有欺诈风险。具体地，所述确定单元112根据所述目标概率，确定所述目标人物是否有欺诈风险包括：当所述目标概率大于或者等于预设阈值时，所述确定单元112确定所述目标人物有欺诈风险；当所述目标概率小于所述预设阈值时，所述确定单元112确定所述目标人物没有欺诈风险。其中，所述预设阈值的取值可以进行自定义配置，例如：所述预设阈值可以为0.7，本发明不限制。在本发明的至少一个实施例中，当确定所述目标人物有欺诈风险时，所述方法还包括：保存单元118保存所述目标人物对应的视频，进一步地，所述截取单元115从保存的视频中截取所述目标人物的图像，更进一步地，发送单元119结合截取的图像，发送提示信息至指定终端设备。具体地，所述指定终端设备可以包括安全管控人员的终端设备，以使其及时介入处理。通过将截取的图像及提示信息一同发送至所述终端设备，使其快速寻找到所述目标人物，并保存了视频作为依据，辅助所述安全管控人员进行快速判断。在本发明的至少一个实施例中，当确定所述目标人物有欺诈风险时，所述方法还包括：所述获取单元110从所述配置数据库中，获取所述目标人物的所有记录信息，进一步地，所述发送单元119将所述所有记录信息发送至所述指定终端设备。具体地，所述所有记录信息可以包括，但不限于：交易记录、信用记录等。通过上述实施方式，所述电子设备能够提供更多的数据，以辅助相关人员进行是否有欺诈风险的判断，使判断结果的可信度更高。由以上技术方案可以看出，本发明能够当接收到欺诈识别指令时，获取至少一个待检测视频，从而结合多个问题进行判断，进一步提取所述至少一个待检测视频中，每个待检测视频的目标视频序列，以去除冗余信息，避免多余的信息给所述电子设备的运行造成负担，将每个目标视频序列分别输入到预先训练的预测模型中，确定目标人物在每个目标视频序列中的欺诈概率，基于分位数原理，将每个欺诈概率组合成一个目标向量，进一步将所述目标向量输入到预先训练的分类器中，确定目标概率，并根据所述目标概率，确定所述目标人物是否有欺诈风险，从而实现欺诈行为的自动化判断，且由于数据的多样化，因此判断更为准确，可信度更高，给用户带来更好的体验。如图3所示，是本发明实现欺诈识别方法的较佳实施例的电子设备的结构示意图。所述电子设备1是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程门阵列(field－programmablegatearray，fpga)、数字处理器(digitalsignalprocessor，dsp)、嵌入式设备等。所述电子设备1还可以是但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personaldigitalassistant，pda)、游戏机、交互式网络电视(internetprotocoltelevision，iptv)、智能式穿戴式设备等。所述电子设备1还可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备1所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtualprivatenetwork，vpn)等。在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如欺诈识别程序。本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。所述处理器13可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个欺诈识别方法实施例中的步骤，例如图1所示的步骤s10、s11、s12、s13、s14、s15。或者，所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如：当接收到欺诈识别指令时，获取至少一个待检测视频；提取所述至少一个待检测视频中，每个待检测视频的目标视频序列；将每个目标视频序列分别输入到预先训练的预测模型中，确定目标人物在每个目标视频序列中的欺诈概率；基于分位数原理，将每个欺诈概率组合成一个目标向量；将所述目标向量输入到预先训练的分类器中，确定目标概率；根据所述目标概率，确定所述目标人物是否有欺诈风险。示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、提取单元111、确定单元112、组合单元113、训练单元114、截取单元115、合并单元116、制定单元117、保存单元118以及发送单元119。所述存储器12可用于存储所述计算机程序和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机程序和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器12可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是集成电路中没有实物形式的具有存储功能的电路，如ram(random-accessmemory，随机存取存储器)、fifo(firstinfirstout，)等。或者，所述存储器12也可以是具有实物形式的存储器，如内存条、tf卡(trans-flashcard)等等。所述电子设备1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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种欺诈识别方法，所述处理器13可执行所述多个指令从而实现：当接收到欺诈识别指令时，获取至少一个待检测视频；提取所述至少一个待检测视频中，每个待检测视频的目标视频序列；将每个目标视频序列分别输入到预先训练的预测模型中，确定目标人物在每个目标视频序列中的欺诈概率；基于分位数原理，将每个欺诈概率组合成一个目标向量；将所述目标向量输入到预先训练的分类器中，确定目标概率；根据所述目标概率，确定所述目标人物是否有欺诈风险。根据本发明优选实施例，所述至少一个待检测视频包括以下一种或者多种的组合：银行业务面审过程中，每个问题的应答视频；及/或保险业务面审过程中，每个问题的应答视频。根据本发明优选实施例，所述处理器13还执行多个指令包括：采用k均值聚类算法提取所述至少一个待检测视频中，每个待检测视频的目标视频序列。根据本发明优选实施例，所述处理器13还执行多个指令包括：获取样本视频序列；采用人脸识别算法，提取所述样本视频序列中每个人物的面部动作、眼球角度；采用支持向量回归算法训练每个人物的面部动作，得到每个人物的第一向量；采用神经网络算法训练所述所有人物的眼球角度，得到每个人物的第二向量；截取所述所有人物的头部转动角度，得到每个人物的第三向量；合并每个人物的第一向量、第二向量及第三向量，得到每个人物的样本向量；从配置数据库中，确定每个人物的逾期数据，以制定每个人物的逾期标签；将每个人物的样本向量及逾期标签作为样本数据，采用梯度提升算法训练所述预测模型。根据本发明优选实施例，所述处理器13还执行多个指令包括：当所述目标概率大于或者等于预设阈值时，确定所述目标人物有欺诈风险；或者当所述目标概率小于所述预设阈值时，确定所述目标人物没有欺诈风险。根据本发明优选实施例，所述处理器13还执行多个指令包括：保存所述目标人物对应的视频；从保存的视频中截取所述目标人物的图像；结合截取的图像，发送提示信息至指定终端设备。根据本发明优选实施例，所述处理器13还执行多个指令包括：从所述配置数据库中，获取所述目标人物的所有记录信息；将所述所有记录信息发送至所述指定终端设备。具体地，所述处理器13对上述指令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。在本发明所提供的几个实施例中，应该理解到，所揭露的系统，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。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。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。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。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。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。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。当前第1页12