金融大数据人脸识别方法及金融管理系统与流程

1.本发明涉及计算机技术领域，具体而言，涉及一种金融大数据人脸识别方法及金融管理系统。


背景技术：

2.在金融技术领域，识别用户的身份信息是一项非常必要的工作，只有确保用户的身份识别的准确性，才能确保金融用户的资金安全和金融机构的资金安全，同时还能提高金融机构的运营效率。
3.特别是对于银行，用户进入银行大厅，需要对用户进行人脸识别。为此，一种准确的用户的人脸识别方法为人们所需。


技术实现要素：

4.本发明的目的在于提供了一种金融大数据人脸识别方法及金融管理系统，用以解决现有技术中存在的上述问题
5.第一方面，本发明实施例提供了一种金融大数据人脸识别方法，包括：
6.采集当前用户的人脸图像，所述人脸图像包括正脸图像、左侧脸图像和右侧脸图像；
7.通过人脸识别模型，基于当前用户人脸图像，得到人脸特征向量；所述人脸特征向量包括人脸正脸特征向量、人脸左侧脸特征向量和人脸右侧脸特征向量；
8.将所述人脸特征向量与数据库中存储的其他用户的人脸特征向量对比，得到人脸信息；所述人脸信息是用户编号；
9.所述人脸识别模型包括正脸卷积神经网络、左侧脸神经卷积网络和右侧脸卷积神经网络；所述正脸卷积神经网络包括三个正脸残差块和一个正脸全连接网络；所述正脸人脸图像是第一正脸残差块输入，所述第一正脸残差块的输入是所述第二正脸残差块的输出，所述第三正脸残差块的输入是所述第二正脸残差块的输出，所述全连接网络的输入是所述第三正脸残差块的输出，所述正脸全连接网络的输出是正脸特征向量；所述左侧脸神经卷积网络包括五个左侧脸残差块和一个左侧脸全连接网络；所述左侧脸人脸图像是第一左侧脸残差块输入，所述第一左侧脸残差块的输入是所述第二左侧脸残差块的输出，所述第三左侧脸残差块的输入是所述第二左侧脸残差块的输出，所述第四左侧脸残差块的输入是所述第三左侧脸残差块的输出，所述第五左侧脸残差块的输入是所述第四左侧脸残差块的输出，所述左侧脸全连接网络的输入是所述第五左侧脸残差块的输出，所述左侧脸全连接网络的输出是左侧脸特征向量；所述右侧脸卷积神经网络包括五个右侧脸残差块和一个右侧脸全连接网络；所述右侧脸人脸图像是第一右侧脸残差块输入，所述第一右侧脸残差块的输入是所述第二右侧脸残差块的输出，所述第三右侧脸残差块的输入是所述第二右侧脸残差块的输出，所述第四右侧脸残差块的输入是所述第三右侧脸残差块的输出，所述第五右侧脸残差块的输入是所述第四右侧脸残差块的输出，所述右侧脸全连接网络的输入是
所述第五右侧脸残差块的输出，所述右侧脸全连接网络的输出是右侧脸特征向量。
10.可选的，所述人脸识别模型训练过程：
11.获得训练集，所述训练集包括人脸图像和用户编号，所述人脸图像包括基本人脸和困难人脸；所述困难人脸包括困难错误人脸和困难正确人脸；所述困难错误人脸是和基本人脸相似但却与基本人脸不为同一用户的人脸图像；所述困难正确人脸是和基本人脸不相似但却与基本人脸所为同一用户的人脸图像；所述人脸图像包括正脸、左侧脸和右侧脸；所述人脸图像是银行数据库中多个用户的人脸图像；所述用户编号是银行数据库中多个用户的编号；所述编号有唯一性；
12.将所述人脸图像的正脸输入正脸卷积神经网络，得到正脸特征向量；所述正脸特征向量包括表示正人脸特征的元素；
13.将所述人脸图像的左侧脸输入左侧脸卷积神经网络，得到左侧脸特征向量；所述左侧脸特征向量包括表示左侧人脸特征的元素和左侧人脸类别特征的元素；
14.将所述人脸图像的右侧脸输入右侧脸卷积神经网络，得到右侧脸特征向量；右侧脸特征向量包括表示右侧人脸特征的元素和右侧人脸类别特征的元素；
15.基于所述正脸特征向量、左侧脸特征向量和右侧脸特征向量，得到损失值；
16.获得所述人脸识别模型训练的最大迭代次数，直至所述损失值不大于第一阈值或所述损失值达到所述最大迭代次数时，停止训练人脸识别模型，得到训练好的人脸识别模型。
17.可选的，所述基于所述正脸特征向量、左侧脸特征向量和右侧脸特征向量，得到损失值，包括：
18.基于所述基本人脸的正脸特征向量、所述困难错误人脸的正脸特征向量与所述困难正确人脸的正脸特征向量，得到正脸损失值；
19.所述正脸损失值具体通过下述公式所述计算方式获得：
[0020][0021]
其中，loss1为所述正脸损失值，为所述基本人脸的正脸特征向量中的第i元素，为所述困难正确人脸的正脸特征向量的第i元素，为所述困难错误人脸的正脸特征向量的第i元素，n为特征向量的长度，margin
x
为正脸阈值，所述正脸阈值用于判断是否为基本人脸所为用户的人脸。
[0022]
可选的，所述基于所述正脸特征向量、左侧脸特征向量和右侧脸特征向量，得到损失值，还包括：
[0023]
基于所述基本人脸的左侧脸特征向量、所述困难错误人脸的左侧脸特征向量与所述困难正确人脸的左侧脸特征向量，得到左侧脸损失值；
[0024]
所述左侧脸损失值具体通过下述公式所述计算方式获得：
[0025][0026]
其中，loss2为所述左侧脸损失值，为所述基本人脸的左侧人脸特征向量中表征脸部特征的部分向量的第i元素，为所述困难正确人脸的左侧人脸特征向量中表征脸部特征的部分向量的第i元素，为所述困难错误人脸的左侧人脸特征向量中表征脸部特征的部分向量的第i元素，n为特征向量的长度，marginy为左侧人脸阈值，所述左侧人脸阈值判断是否为基本人脸所为用户的人脸；为基本人脸的左侧人脸特征向量中表征用户类别的部分向量的第k元素；为标注用户类别向量的第k元素，所述标注用户类别向量中的元素表示基本人脸是用户时的向量为1，基本人脸不是用户时的向量为0；k为用户类别的数量，k表示用户类别，k是1到k的整数。
[0027]
可选的，所述基于所述正脸特征向量、左侧脸特征向量和右侧脸特征向量，得到损失值，还包括：
[0028]
基于所述基本人脸的右侧脸特征向量、所述正确人脸的右侧脸特征向量与所述正确人脸的右侧脸特征向量，通过正脸损失函数，得到右侧脸损失值；
[0029]
所述右侧脸损失值具体通过下述公式所述计算方式获得：
[0030][0031]
其中，loss3为所述右侧脸损失值，为所述基本人脸的右侧人脸特征向量中征脸部特征的部分向量的第i元素，为所述困难正确人脸的右侧人脸特征向量中征脸部特征的部分向量的第i元素，为所述困难错误人脸的右侧人脸特征向量中征脸部特征的部分向量的第i元素，n为右侧人脸特征向量的长度，marginz为右侧人脸阈值，所述右侧人脸阈值判断是否为基本人脸所为用户的人脸；为基本人脸的右侧人脸特征向量中表征用户类别的部分向量的第k元素；为标注用户类别向量的第k元素，所述标注用户类别向量中的元素表示基本人脸是用户时的向量为1，基本人脸不是用户时的向量为0；k为用户类别的数量，k表示用户类别，k是1到k的整数；
[0032]
所述损失值具体通过下述公式所述计算方式获得：
[0033]
loss＝loss1 0.5loss2 0.5loss3[0034]
其中，loss为损失值，loss1为正脸损失值，loss2为左侧脸损失值，loss3为右侧脸损失值。
[0035]
第二方面，本发明实施例提供了一种金融管理系统，包括：
[0036]
采集模块，用于采集当前用户的人脸图像，所述人脸图像包括正脸图像、左侧脸图像和右侧脸图像；
[0037]
人脸识别模块，用于通过人脸识别模型，基于当前用户人脸图像，得到人脸特征向
量；所述人脸特征向量包括人脸正脸特征向量、人脸左侧脸特征向量和人脸右侧脸特征向量；将所述人脸特征向量与数据库中存储的其他用户的人脸特征向量对比，得到人脸信息；所述人脸信息是用户编号；所述人脸识别模型包括正脸卷积神经网络、左侧脸神经卷积网络和右侧脸卷积神经网络；所述正脸卷积神经网络包括三个正脸残差块和一个正脸全连接网络；所述正脸人脸图像是第一正脸残差块输入，所述第一正脸残差块的输入是所述第二正脸残差块的输出，所述第三正脸残差块的输入是所述第二正脸残差块的输出，所述全连接网络的输入是所述第三正脸残差块的输出，所述正脸全连接网络的输出是正脸特征向量；所述左侧脸神经卷积网络包括五个左侧脸残差块和一个左侧脸全连接网络；所述左侧脸人脸图像是第一左侧脸残差块输入，所述第一左侧脸残差块的输入是所述第二左侧脸残差块的输出，所述第三左侧脸残差块的输入是所述第二左侧脸残差块的输出，所述第四左侧脸残差块的输入是所述第三左侧脸残差块的输出，所述第五左侧脸残差块的输入是所述第四左侧脸残差块的输出，所述左侧脸全连接网络的输入是所述第五左侧脸残差块的输出，所述左侧脸全连接网络的输出是左侧脸特征向量；所述右侧脸卷积神经网络包括五个右侧脸残差块和一个右侧脸全连接网络；所述右侧脸人脸图像是第一右侧脸残差块输入，所述第一右侧脸残差块的输入是所述第二右侧脸残差块的输出，所述第三右侧脸残差块的输入是所述第二右侧脸残差块的输出，所述第四右侧脸残差块的输入是所述第三右侧脸残差块的输出，所述第五右侧脸残差块的输入是所述第四右侧脸残差块的输出，所述右侧脸全连接网络的输入是所述第五右侧脸残差块的输出，所述右侧脸全连接网络的输出是右侧脸特征向量。
[0038]
可选的，所述人脸识别模型训练过程：
[0039]
获得训练集，所述训练集包括人脸图像和用户编号，所述人脸图像包括基本人脸和困难人脸；所述困难人脸包括困难错误人脸和困难正确人脸；所述困难错误人脸是和基本人脸相似但却与基本人脸不为同一用户的人脸图像；所述困难正确人脸是和基本人脸不相似但却与基本人脸所为同一用户的人脸图像；所述人脸图像包括正脸、左侧脸和右侧脸；所述人脸图像是银行数据库中多个用户的人脸图像；所述用户编号是银行数据库中多个用户的编号；所述编号有唯一性；
[0040]
将所述人脸图像的正脸输入正脸卷积神经网络，得到正脸特征向量；所述正脸特征向量包括表示正人脸特征的元素；
[0041]
将所述人脸图像的左侧脸输入左侧脸卷积神经网络，得到左侧脸特征向量；所述左侧脸特征向量包括表示左侧人脸特征的元素和左侧人脸类别特征的元素；
[0042]
将所述人脸图像的右侧脸输入右侧脸卷积神经网络，得到右侧脸特征向量；右侧脸特征向量包括表示右侧人脸特征的元素和右侧人脸类别特征的元素；
[0043]
基于所述正脸特征向量、左侧脸特征向量和右侧脸特征向量，得到损失值；
[0044]
获得所述人脸识别模型训练的最大迭代次数，直至所述损失值不大于第一阈值或所述损失值达到所述最大迭代次数时，停止训练人脸识别模型，得到训练好的人脸识别模型。
[0045]
可选的，所述基于所述正脸特征向量、左侧脸特征向量和右侧脸特征向量，得到损失值，包括：
[0046]
基于所述基本人脸的正脸特征向量、所述困难错误人脸的正脸特征向量与所述困
难正确人脸的正脸特征向量，得到正脸损失值；
[0047]
所述正脸损失值具体通过下述公式所述计算方式获得：
[0048][0049]
其中，loss1为所述正脸损失值，为所述基本人脸的正脸特征向量中的第i元素，为所述困难正确人脸的正脸特征向量的第i元素，为所述困难错误人脸的正脸特征向量的第i元素，n为特征向量的长度，margin
x
为正脸阈值，所述正脸阈值用于判断是否为基本人脸所为用户的人脸。
[0050]
可选的，所述基于所述正脸特征向量、左侧脸特征向量和右侧脸特征向量，得到损失值，还包括：
[0051]
基于所述基本人脸的左侧脸特征向量、所述困难错误人脸的左侧脸特征向量与所述困难正确人脸的左侧脸特征向量，得到左侧脸损失值；
[0052]
所述左侧脸损失值具体通过下述公式所述计算方式获得：
[0053][0054]
其中，loss2为所述左侧脸损失值，为所述基本人脸的左侧人脸特征向量中表征脸部特征的部分向量的第i元素，为所述困难正确人脸的左侧人脸特征向量中表征脸部特征的部分向量的第i元素，为所述困难错误人脸的左侧人脸特征向量中表征脸部特征的部分向量的第i元素，n为特征向量的长度，marginy为左侧人脸阈值，所述左侧人脸阈值判断是否为基本人脸所为用户的人脸；为基本人脸的左侧人脸特征向量中表征用户类别的部分向量的第k元素；为标注用户类别向量的第k元素，所述标注用户类别向量中的元素表示基本人脸是用户时的向量为1，基本人脸不是用户时的向量为0；k为用户类别的数量，k表示用户类别，k是1到k的整数。
[0055]
可选的，所述基于所述正脸特征向量、左侧脸特征向量和右侧脸特征向量，得到损失值，还包括：
[0056]
基于所述基本人脸的右侧脸特征向量、所述正确人脸的右侧脸特征向量与所述正确人脸的右侧脸特征向量，通过正脸损失函数，得到右侧脸损失值；
[0057]
所述右侧脸损失值具体通过下述公式所述计算方式获得：
[0058][0059]
其中，loss3为所述右侧脸损失值，为所述基本人脸的右侧人脸特征向量中征脸
部特征的部分向量的第i元素，为所述困难正确人脸的右侧人脸特征向量中征脸部特征的部分向量的第i元素，为所述困难错误人脸的右侧人脸特征向量中征脸部特征的部分向量的第i元素，n为右侧人脸特征向量的长度，marginz为右侧人脸阈值，所述右侧人脸阈值判断是否为基本人脸所为用户的人脸；为基本人脸的右侧人脸特征向量中表征用户类别的部分向量的第k元素；为标注用户类别向量的第k元素，所述标注用户类别向量中的元素表示基本人脸是用户时的向量为1，基本人脸不是用户时的向量为0；k为用户类别的数量，k表示用户类别，k是1到k的整数；
[0060]
所述损失值具体通过下述公式所述计算方式获得：
[0061]
loss＝loss1 0.5loss2 0.5loss3[0062]
其中，loss为损失值，loss1为正脸损失值，loss2为左侧脸损失值，loss3为右侧脸损失值。
[0063]
相较于现有技术，本发明实施例达到了以下有益效果：
[0064]
本发明实施例提供了一种金融大数据人脸识别方法及金融管理系统，通过采集当前用户的人脸图像，所述人脸图像包括正脸图像、左侧脸图像和右侧脸图像；通过人脸识别模型，基于当前用户人脸图像，得到人脸特征向量；所述人脸特征向量包括人脸正脸特征向量、人脸左侧脸特征向量和人脸右侧脸特征向量；将所述人脸特征向量与数据库中存储的其他用户的人脸特征向量对比，得到人脸信息；所述人脸信息是用户编号；其中，所述人脸识别模型包括正脸卷积神经网络、左侧脸神经卷积网络和右侧脸卷积神经网络；所述正脸卷积神经网络包括三个正脸残差块和一个正脸全连接网络；所述正脸人脸图像是第一正脸残差块输入，所述第一正脸残差块的输入是所述第二正脸残差块的输出，所述第三正脸残差块的输入是所述第二正脸残差块的输出，所述全连接网络的输入是所述第三正脸残差块的输出，所述正脸全连接网络的输出是正脸特征向量；所述左侧脸神经卷积网络包括五个左侧脸残差块和一个左侧脸全连接网络；所述左侧脸人脸图像是第一左侧脸残差块输入，所述第一左侧脸残差块的输入是所述第二左侧脸残差块的输出，所述第三左侧脸残差块的输入是所述第二左侧脸残差块的输出，所述第四左侧脸残差块的输入是所述第三左侧脸残差块的输出，所述第五左侧脸残差块的输入是所述第四左侧脸残差块的输出，所述左侧脸全连接网络的输入是所述第五左侧脸残差块的输出，所述左侧脸全连接网络的输出是左侧脸特征向量；所述右侧脸卷积神经网络包括五个右侧脸残差块和一个右侧脸全连接网络；所述右侧脸人脸图像是第一右侧脸残差块输入，所述第一右侧脸残差块的输入是所述第二右侧脸残差块的输出，所述第三右侧脸残差块的输入是所述第二右侧脸残差块的输出，所述第四右侧脸残差块的输入是所述第三右侧脸残差块的输出，所述第五右侧脸残差块的输入是所述第四右侧脸残差块的输出，所述右侧脸全连接网络的输入是所述第五右侧脸残差块的输出，所述右侧脸全连接网络的输出是右侧脸特征向量。
[0065]
通过采用上述的人脸识别模型提取出人脸的特征向量，能够准确表达用户的特征，基于人脸识别模型取出人脸的特征向量可以获得准确的用户的身份信息，提高了用户信息识别的准确性，提高了人脸识别的准确性。
附图说明
[0066]
图1是本发明实施例提供的一种金融大数据人脸识别方法流程图。
[0067]
图2是本发明实施例提供的一种电子设备的方框结构示意图。
[0068]
图中标记：总线500；接收器501；处理器502；发送器503；存储器504；总线接口 505。
具体实施方式
[0069]
下面结合附图，对本发明作详细的说明。
[0070]
实施例
[0071]
如图1所示，本发明实施例提供了一种金融大数据人脸识别方法，所述方法包括：
[0072]
s101：采集当前用户的人脸图像。
[0073]
所述人脸图像包括正脸图像、左侧脸图像和右侧脸图像。
[0074]
s102：通过人脸识别模型，基于当前用户人脸图像，得到人脸特征向量。
[0075]
所述人脸特征向量包括人脸正脸特征向量、人脸左侧脸特征向量和人脸右侧脸特征向量。
[0076]
s103：将所述人脸特征向量与数据库中存储的其他用户的人脸特征向量对比，得到人脸信息。
[0077]
所述人脸信息是用户编号；其中，所述人脸识别模型包括正脸卷积神经网络、左侧脸神经卷积网络和右侧脸卷积神经网络；所述正脸卷积神经网络包括三个正脸残差块和一个正脸全连接网络；所述正脸人脸图像是第一正脸残差块输入，所述第一正脸残差块的输入是所述第二正脸残差块的输出，所述第三正脸残差块的输入是所述第二正脸残差块的输出，所述全连接网络的输入是所述第三正脸残差块的输出，所述正脸全连接网络的输出是正脸特征向量；所述左侧脸神经卷积网络包括五个左侧脸残差块和一个左侧脸全连接网络；所述左侧脸人脸图像是第一左侧脸残差块输入，所述第一左侧脸残差块的输入是所述第二左侧脸残差块的输出，所述第三左侧脸残差块的输入是所述第二左侧脸残差块的输出，所述第四左侧脸残差块的输入是所述第三左侧脸残差块的输出，所述第五左侧脸残差块的输入是所述第四左侧脸残差块的输出，所述左侧脸全连接网络的输入是所述第五左侧脸残差块的输出，所述左侧脸全连接网络的输出是左侧脸特征向量；所述右侧脸卷积神经网络包括五个右侧脸残差块和一个右侧脸全连接网络；所述右侧脸人脸图像是第一右侧脸残差块输入，所述第一右侧脸残差块的输入是所述第二右侧脸残差块的输出，所述第三右侧脸残差块的输入是所述第二右侧脸残差块的输出，所述第四右侧脸残差块的输入是所述第三右侧脸残差块的输出，所述第五右侧脸残差块的输入是所述第四右侧脸残差块的输出，所述右侧脸全连接网络的输入是所述第五右侧脸残差块的输出，所述右侧脸全连接网络的输出是右侧脸特征向量。
[0078]
通过采用上述的人脸识别模型提取出人脸的特征向量，能够准确表达用户的特征，基于人脸识别模型取出人脸的特征向量可以获得准确的用户的身份信息，提高了用户信息识别的准确性，提高了人脸识别的准确性。
[0079]
可选的，所述方法包括
[0080]
采集当前用户的人脸图像，所述人脸图像包括正脸图像、左侧脸图像和右侧脸图
像。
[0081]
通过人脸识别模型，基于当前用户人脸图像，得到人脸特征向量。所述人脸特征向量包括人脸正脸特征向量、人脸左侧脸特征向量和人脸右侧脸特征向量。
[0082]
将所述人脸特征向量与数据库中存储的其他用户的人脸特征向量对比，得到人脸信息；所述人脸信息是用户编号。
[0083]
获得数据库中存储的用户信息，所述用户信息包括多个用户属性的属性状态，所述用户属性包括用户信用等级、用户身份信息、用户不动产信息和用户工资信息。所述用户信用等级的属性状态包括负级、零级、一级和二级。所述用户身份信息的属性状态包括个人贷款和企业贷款；所述用户不动产信息的属性状态包括有可抵押和不可抵押。所述用户工资信息的属性状态包括低等工资、中等工资和高等工资。
[0084]
基于所述用户信息，得到贷款分类树。
[0085]
将所述当前用户信息输入所述贷款分类树中，得到用户能够贷款的贷款类别集合。所述贷款类别的类别属性包括贷款金额、还款日期、用途、偿还方式。
[0086]
根据所述用户能够贷款类别集合，基于当前用户提交贷款表单，给当前用户发放贷款。
[0087]
通过采用以上方案，采用自动贷款的方式，节省了人力，通过对人脸的正脸，左侧脸，右侧脸进行人脸识别模型的构建，增加了识别人脸的准确性，通过所述人脸识别模型能够准确的识别出人脸，并且使得到的用户信息更加方便安全，防止填写信息时的不精确和浪费时间。通过贷款分类树，将用户可以贷款的贷款种类提供给用户进行挑选，对用户信息用于贷款的类型做了一个限制。使得用户只能挑选在自己承受能力之内的贷款类型。
[0088]
综上所述，使得用户在进行贷款时安全、方便、快捷，同时减轻工作人员的负担。
[0089]
所述人脸识别模型包括正脸卷积神经网络、左侧脸神经卷积网络和右侧脸卷积神经网络；所述正脸卷积神经网络包括三个正脸残差块和一个正脸全连接网络；所述正脸人脸图像是第一正脸残差块输入，所述第一正脸残差块的输入是所述第二正脸残差块的输出，所述第三正脸残差块的输入是所述第二正脸残差块的输出，所述全连接网络的输入是所述第三正脸残差块的输出，所述正脸全连接网络的输出是正脸特征向量；所述左侧脸神经卷积网络包括五个左侧脸残差块和一个左侧脸全连接网络；所述左侧脸人脸图像是第一左侧脸残差块输入，所述第一左侧脸残差块的输入是所述第二左侧脸残差块的输出，所述第三左侧脸残差块的输入是所述第二左侧脸残差块的输出，所述第四左侧脸残差块的输入是所述第三左侧脸残差块的输出，所述第五左侧脸残差块的输入是所述第四左侧脸残差块的输出，所述左侧脸全连接网络的输入是所述第五左侧脸残差块的输出，所述左侧脸全连接网络的输出是左侧脸特征向量；所述右侧脸卷积神经网络包括五个右侧脸残差块和一个右侧脸全连接网络；所述右侧脸人脸图像是第一右侧脸残差块输入，所述第一右侧脸残差块的输入是所述第二右侧脸残差块的输出，所述第三右侧脸残差块的输入是所述第二右侧脸残差块的输出，所述第四右侧脸残差块的输入是所述第三右侧脸残差块的输出，所述第五右侧脸残差块的输入是所述第四右侧脸残差块的输出，所述右侧脸全连接网络的输入是所述第五右侧脸残差块的输出，所述右侧脸全连接网络的输出是右侧脸特征向量。
[0090]
当前用户提交贷款表单表征用户的贷款请求，当前用户提交贷款包括用户贷款的类型、金额、时间长度等。用户能够贷款类别集合包括多个贷款项目，贷款项目包括贷款类
别、金额、时间长度；贷款项目的贷款类别与用户贷款类型相对应。
[0091]
根据所述用户能够贷款类别集合，基于当前用户提交贷款表单，给当前用户发放贷款，具体为：当前用户提交贷款表单，从用户能够贷款类别集合中选取一个或者多个目标贷款项目给用户，以给当前用户发放贷款。目标贷款项目的贷款类别与用户贷款类型相对应，具体的，可以是目标贷款项目的贷款类别与用户贷款类型相同。目标贷款项目的金额与用户表单中的金额相符，具体的可是目标贷款项目的金额大于或者等于用户表单中的金额。目标贷款项目的时间长度与当前用户提交贷款的时间长度相符，具体为：标贷款项目的时间长度大于或者等于当前用户提交贷款的时间长度。
[0092]
其中，所述残差块包括：四个卷积网络，四个归一化层，三个个激活函数层。
[0093]
所述正脸人脸图像是是第一残差块中第一卷积网络的输入，所述第一归一化层是所述第一卷积网络的输出，所述第一激活函数的输入是第一归一化层的输出，所述第二卷积网络的输入是所述第一归一化层的输出，所述第二归一化层的输入是所述第二卷积网络的输出，所述第二激活函数的输入是所述第二归一化层的输出，所述第三卷积网络的输入是所述第二激活函数的输出，所述第三归一化层的输入是所述第三卷积网络的输出，所述第四卷积网络的输入是所述正脸人脸图像，所述第四归一化层的输入是所述第四卷积网络的输出，所述第三激活函数的输入是所述第三归一化层的输出和所述第四归一化层的输出，所述第三激活函数的输出是第一残差块的输出。
[0094]
通过采用以上方案，构建使用残差模块的人脸识别模型，能使足够深度的卷积神经网络仍能进行参数学习。
[0095]
可选的，所述人脸识别模型训练过程：
[0096]
获得训练集，所述训练集包括人脸图像和用户编号，所述人脸图像包括基本人脸和困难人脸。所述困难人脸包括困难错误人脸和困难正确人脸。所述困难错误人脸是和基本人脸相似但却与基本人脸不为同一用户的人脸图像。所述困难正确人脸是和基本人脸不相似但却与基本人脸所为同一用户的人脸图像。所述人脸图像包括正脸、左侧脸和右侧脸；所述人脸图像是银行数据库中多个用户的人脸图像。所述用户编号是银行数据库中多个用户的编号。所述编号有唯一性。
[0097]
将所述人脸图像的正脸输入正脸卷积神经网络，得到正脸特征向量；所述正脸特征向量包括表示正人脸特征的元素。
[0098]
将所述人脸图像的左侧脸输入左侧脸卷积神经网络，得到左侧脸特征向量；所述左侧脸特征向量包括表示左侧人脸特征的元素和左侧人脸类别特征的元素。
[0099]
将所述人脸图像的右侧脸输入右侧脸卷积神经网络，得到右侧脸特征向量；右侧脸特征向量包括表示右侧人脸特征的元素和右侧人脸类别特征的元素。
[0100]
基于所述正脸特征向量、左侧脸特征向量和右侧脸特征向量，得到损失值。
[0101]
获得所述人脸识别模型训练的最大迭代次数，直至所述损失值不大于第一阈值或达到所述最大迭代次数时停止训练，得到训练好的人脸识别模型。
[0102]
通过采用以上方案，通过多张人脸图像分别训练正脸卷积神经网络、左侧脸卷积神经网络和右侧脸卷积神经网络中的参数，使得这些参数能很好的满足输入人脸得到能够识别用户的人脸特征向量。通过训练脸卷积神经网络、左侧脸卷积神经网络和右侧脸卷积神经网络三个卷积网络，更好的满足了正脸，左侧脸和右侧脸不同的特征，使得更准确输出
人脸图像所在用户的人脸特征。
[0103]
可选的，所述基于所述正脸特征向量、左侧脸特征向量和右侧脸特征向量，得到损失值，包括：
[0104]
基于所述基本人脸的正脸特征向量、所述困难错误人脸的正脸特征向量与所述困难正确人脸的正脸特征向量，得到正脸损失值；
[0105]
所述正脸损失值具体通过下述公式所述计算方式获得：
[0106][0107]
其中，loss1为所述正脸损失值，为所述基本人脸的正脸特征向量中的第i元素，为所述困难正确人脸的正脸特征向量的第i元素，为所述困难错误人脸的正脸特征向量的第i元素，n为特征向量的长度，margin
x
为正脸阈值，所述正脸阈值用于判断是否为基本人脸所为用户的人脸。
[0108]
基于所述基本人脸的左侧脸特征向量、所述困难错误人脸的左侧脸特征向量与所述困难正确人脸的左侧脸特征向量，得到左侧脸损失值；
[0109]
所述左侧脸损失值具体通过下述公式所述计算方式获得：
[0110][0111]
其中，loss2为所述左侧脸损失值，为所述基本人脸的左侧人脸特征向量中表征脸部特征的部分向量的第i元素，为所述困难正确人脸的左侧人脸特征向量中表征脸部特征的部分向量的第i元素，为所述困难错误人脸的左侧人脸特征向量中表征脸部特征的部分向量的第i元素，n为特征向量的长度，marginy为左侧人脸阈值，所述左侧人脸阈值判断是否为基本人脸所为用户的人脸；为基本人脸的左侧人脸特征向量中表征用户类别的部分向量的第k元素；为标注用户类别向量的第k元素，所述标注用户类别向量中的元素表示基本人脸是用户时的向量为1，基本人脸不是用户时的向量为0；k为用户类别的数量，k表示用户类别，k是1到k的整数。
[0112]
基于所述基本人脸的右侧脸特征向量、所述正确人脸的右侧脸特征向量与所述正确人脸的右侧脸特征向量，通过正脸损失函数，得到右侧脸损失值；
[0113]
所述右侧脸损失值具体通过下述公式所述计算方式获得：
[0114][0115]
其中，loss3为所述右侧脸损失值，为所述基本人脸的右侧人脸特征向量中征脸
部特征的部分向量的第i元素，为所述困难正确人脸的右侧人脸特征向量中征脸部特征的部分向量的第i元素，为所述困难错误人脸的右侧人脸特征向量中征脸部特征的部分向量的第i元素，n为右侧人脸特征向量的长度，marginz为右侧人脸阈值，所述右侧人脸阈值判断是否为基本人脸所为用户的人脸；为基本人脸的右侧人脸特征向量中表征用户类别的部分向量的第k元素；为标注用户类别向量的第k元素，所述标注用户类别向量中的元素表示基本人脸是用户时的向量为1，基本人脸不是用户时的向量为0；k为用户类别的数量，k表示用户类别，k是1到k的整数。
[0116]
所述损失值具体通过下述公式所述计算方式获得：
[0117]
loss＝loss1 0.5loss2 0.5loss3[0118]
其中，loss为损失值，loss1为正脸损失值，loss2为左侧脸损失值，loss3为右侧脸损失值。
[0119]
其中，本实施例中所述正脸阈值为1，所述左侧人脸阈值为0.5，所述右侧人脸阈值为 0.5。
[0120]
其中，由于正脸用于判断人脸的特征较多，所以只采用比较特征的方式得到所述正脸损失值。由于左侧脸特征向量和右侧脸特征向量中用于判断人脸的特征较少，采用比较特征并且判断人脸属于哪个用户的方式得到所述左侧脸损失值和所述右侧脸损失值。
[0121]
通过采用以上方案，增强了对左侧脸和右侧脸特征的判定。
[0122]
可选的，所述基于所述用户信息，得到贷款分类树，包括：
[0123]
获得根节点，所述根节点中包括多个贷款类别。
[0124]
基于所述用户信息的属性状态和权重，得到第一分类属性；所述第一分类属性对根节点中的贷款类别进行分类的信息熵小于其他多个用户属性对根节点中的贷款类别进行分类的信息熵；所述属性权重表示每个属性的重要性。
[0125]
基于所述第一分类属性，将所述根节点中的贷款类别进行分类，得到第一层子节点，所述第一层子节点的数量为所述第一分类属性的属性状态的数量；所述第一层子节点中多个子节点包括分类后的贷款类别的集合。
[0126]
将其他分类属性根据权重从大到小进行排序，得到结点属性，所述结点属性包括第二分类属性，第三分类属性和第四分类属性。所述第二分类属性的权重大于第三分类属性的权重；第三分类属性的权重大于第四分类属性的权重。
[0127]
基于所述第二分类属性，将所述第一层子节点的子节点中的贷款类别进行分类，得到第二层子节点，所述第二层子节点的数量为所述第二分类属性的属性状态的数量；所述第二层子节点中多个子节点包括分类后的贷款类别的集合。
[0128]
多次分类，直到最后一层结点属性，停止分类，得到含空结点分类树。
[0129]
将含空结点分类树进行剪枝，得到贷款分类树。
[0130]
其中，本实施例中贷款金额的贷款属性状态包括大金额贷款、中金额贷款和小金额贷款。所述还款日期包括一年还款、两年还款、五年还款和十年还款。所述贷款用途包括个人贷款和公司贷款。所述偿还方式包括一次性偿还和分期偿还。所以本实施例部分贷款类别如表1所述。
[0131]
表1
[0132]
贷款类别贷款金额还款日期用途偿还方式第一类贷款大金额贷款两年还款公司贷款一次性偿还第二类贷款大金额贷款一年还款个人贷款一次性偿还第三类贷款小金额贷款五年还款个人贷款分期偿还第四类贷款中金额贷款十年还款个人贷款分期偿还第五类贷款中金额贷款一年还款公司贷款一次性偿还
[0133]
通过用户信息的属性状态与贷款类型的贷款属性状态的关系，对贷款类别进行分类
[0134]
如所述用户工资的属性状态与贷款类别的贷款属性状态关系如表2，如用户工资的属性状态为低等工资，那么得到贷款金额为小金额贷款的贷款类别。
[0135]
表2
[0136]
用户工资的属性状态低等工资中等工资高等工资贷款类别的贷款属性状态小金额贷款中金额贷款大金额贷款
[0137]
其中，利用以前的存储在数据库中的历史用户信息，通过用来判别是否贷款，若贷款可进行哪种类型贷款的分类属性来建立贷款分类树。通过信息熵计算得到对根节点中的贷款类别进行分类的分类属性，信息熵表示分类后的贷款类别的混乱程度。所述混乱程度越小，更容易得到不能被贷款的属性状态，更利用后面剪枝操作。由于后面要对空结点所在分支进行剪枝，所以只需通过权重进行分类属性的判断。同时每一层相同的分类属性，便于之后使用时进行查找操作。
[0138]
通过采用以上方案，采用计算信息熵的方式的建立贷款分类树，能构建较小结点的贷款分类树，节省计算机空间和计算时间，方便查找。
[0139]
可选的，所述将含空结点分类树进行剪枝，得到分类树，包括：
[0140]
基于所述含空结点分类树，得到最后一层不为空的叶结点；
[0141]
基于所述最后一层不为空的叶结点，自下而上遍历，得到关键结点；所述关键结点是从根节点能到达所述最后一层不为空的叶结点的所有结点；
[0142]
基于所述关键结点自上而下遍历，将非关键结点所在的子树删除，并且将空结点替代非关键结点，得到分类树；所述非关键结点为不是关键结点的空结点分类树中的所有结点。
[0143]
其中，由于贷款分类树最后为空结点表示不能进行贷款的结点，而不能贷款的属性状态的分支，将被删除，并用空结点替代。
[0144]
通过采用以上方案，减少了对贷款分类树进行查找时的路径。
[0145]
可选的，所述基于所述用户信息的属性状态和权重，得到第一分类属性；所述第一分类属性对根节点中的贷款类别进行分类的信息熵小于其他多个用户属性对根节点中的贷款类别进行分类的信息熵；所述属性权重表示每个属性的重要性，包括：
[0146]
基于所述用户属性，得到多种用户属性的信息熵；
[0147]
所述信息熵通过下述公式所述的计算方式获得：
[0148]
[0149]
其中，h(d)为所述d用户属性的信息熵，k表示所述用户属性的第k种状态，k的取值在1到k之间的整数，k是所述用户属性的所有状态的数量，pk为状态是k的概率；
[0150]
基于所述多个用户属性的信息熵，得到带权信息熵；所述带权信息熵表示其所述多个用户属性的信息熵的倒数与各自的权重相乘的之和；
[0151]
基于所述带权信息熵，得到第一分类属性；所述第一分类属性的带权信息熵大于其他多个用户属性的带权信息熵；
[0152]
可选的，将所述当前用户信息输入所述贷款分类树中，得到用户能够贷款的贷款类别集合；所述贷款类别的类别属性包括贷款金额、还款日期、用途、偿还方式；
[0153]
其中，本实施例中贷款金额的贷款属性状态包括大金额贷款、中金额贷款和小金额贷款。所述还款日期包括一年还款、两年还款、五年还款和十年还款。所述贷款用途包括个人贷款和公司贷款。所述偿还方式包括一次性偿还和分期偿还。所以本实施例部分贷款类别如表1所述。
[0154]
表1
[0155]
贷款类别贷款金额还款日期用途偿还方式第一类贷款大金额贷款两年还款公司贷款一次性偿还第二类贷款大金额贷款一年还款个人贷款一次性偿还第三类贷款小金额贷款五年还款个人贷款分期偿还第四类贷款中金额贷款十年还款个人贷款分期偿还第五类贷款中金额贷款一年还款公司贷款一次性偿还
[0156]
基于上述的一种金融大数据人脸识别方法，本发明实施例还提供了一种金融管理系统，用于执行上述的金融大数据人脸识别方法，所述系统包括：采集模块，用于采集当前用户的人脸图像，所述人脸图像包括正脸图像、左侧脸图像和右侧脸图像；
[0157]
人脸识别模块，用于通过人脸识别模型，基于当前用户人脸图像，得到人脸特征向量；所述人脸特征向量包括人脸正脸特征向量、人脸左侧脸特征向量和人脸右侧脸特征向量；将所述人脸特征向量与数据库中存储的其他用户的人脸特征向量对比，得到人脸信息；所述人脸信息是用户编号。
[0158]
可选的，本发明实施例提供的另一种金融管理系统包括：
[0159]
采集模块：采集当前用户的人脸图像，所述人脸图像包括正脸图像、左侧脸图像和右侧脸图像；获得数据库中存储的用户信息，所述用户信息包括多个用户属性的属性状态，所述用户属性包括用户信用等级、用户身份信息、用户不动产信息和用户工资信息；所述用户信用等级的属性状态包括负级、零级、一级和二级；所述用户身份信息的属性状态包括个人贷款和企业贷款；所述用户不动产信息的属性状态包括有可抵押和不可抵押；所述用户工资信息的属性状态包括低等工资、中等工资和高等工资；
[0160]
人脸识别模块：通过人脸识别模型，基于当前用户人脸图像，得到人脸特征向量；所述人脸特征向量包括人脸正脸特征向量、人脸左侧脸特征向量和人脸右侧脸特征向量；将所述人脸特征向量与数据库中存储的其他用户的人脸特征向量对比，得到人脸信息；所述人脸信息是用户编号；
[0161]
贷款分类模块：基于所述用户信息，得到贷款分类树；基于所述人脸信息，得到当前用户信息；所述当前用户信息表示当前欲进行贷款的用户的属性状态；将所述当前用户
信息输入所述贷款分类树中，得到用户能够贷款的贷款类型集合；所述贷款类型的属性包括贷款金额、贷款利率、还款日期、用途、偿还方式；
[0162]
贷款模块：根据所述用户能够贷款类别集合，基于当前用户提交贷款表单，给当前用户发放贷款；
[0163]
可选的，所述人脸识别模型训练过程：
[0164]
获得训练集，所述训练集包括人脸图像和用户编号，所述人脸图像包括基本人脸和困难人脸；所述困难人脸包括困难错误人脸和困难正确人脸；所述困难错误人脸是和基本人脸相似但却与基本人脸不为同一用户的人脸图像；所述困难正确人脸是和基本人脸不相似但却与基本人脸所为同一用户的人脸图像；所述人脸图像包括正脸、左侧脸和右侧脸；所述人脸图像是银行数据库中多个用户的人脸图像；所述用户编号是银行数据库中多个用户的编号；所述编号有唯一性；
[0165]
将所述人脸图像的正脸输入正脸卷积神经网络，得到正脸特征向量；所述正脸特征向量包括表示正人脸特征的元素；
[0166]
将所述人脸图像的左侧脸输入左侧脸卷积神经网络，得到左侧脸特征向量；所述左侧脸特征向量包括表示左侧人脸特征的元素和左侧人脸类别特征的元素；
[0167]
将所述人脸图像的右侧脸输入右侧脸卷积神经网络，得到右侧脸特征向量；右侧脸特征向量包括表示右侧人脸特征的元素和右侧人脸类别特征的元素；
[0168]
基于所述正脸特征向量、左侧脸特征向量和右侧脸特征向量，得到损失值；
[0169]
获得所述人脸识别模型训练的最大迭代次数，直至所述损失值不大于第一阈值或达到所述最大迭代次数时停止训练，得到训练好的人脸识别模型。
[0170]
可选的，所述基于所述正脸特征向量、左侧脸特征向量和右侧脸特征向量，得到损失值，包括：
[0171]
基于所述基本人脸的正脸特征向量、所述困难错误人脸的正脸特征向量与所述困难正确人脸的正脸特征向量，得到正脸损失值；
[0172]
所述正脸损失值具体通过下述公式所述计算方式获得：
[0173][0174]
其中，loss1为所述正脸损失值，为所述基本人脸的正脸特征向量中的第i元素，为所述困难正确人脸的正脸特征向量的第i元素，为所述困难错误人脸的正脸特征向量的第i元素，n为特征向量的长度，margin
x
为正脸阈值，所述正脸阈值用于判断是否为基本人脸所为用户的人脸。
[0175]
基于所述基本人脸的左侧脸特征向量、所述困难错误人脸的左侧脸特征向量与所述困难正确人脸的左侧脸特征向量，得到左侧脸损失值；
[0176]
所述左侧脸损失值具体通过下述公式所述计算方式获得：
[0177][0178]
其中，loss2为所述左侧脸损失值，为所述基本人脸的左侧人脸特征向量中表征脸部特征的部分向量的第i元素，为所述困难正确人脸的左侧人脸特征向量中表征脸部特征的部分向量的第i元素，为所述困难错误人脸的左侧人脸特征向量中表征脸部特征的部分向量的第i元素，n为特征向量的长度，marginy为左侧人脸阈值，所述左侧人脸阈值判断是否为基本人脸所为用户的人脸；为基本人脸的左侧人脸特征向量中表征用户类别的部分向量的第k元素；为标注用户类别向量的第k元素，所述标注用户类别向量中的元素表示基本人脸是用户时的向量为1，基本人脸不是用户时的向量为0；k为用户类别的数量，k表示用户类别，k是1到k的整数。
[0179]
基于所述基本人脸的右侧脸特征向量、所述正确人脸的右侧脸特征向量与所述正确人脸的右侧脸特征向量，通过正脸损失函数，得到右侧脸损失值；
[0180]
所述右侧脸损失值具体通过下述公式所述计算方式获得：
[0181][0182]
其中，loss3为所述右侧脸损失值，为所述基本人脸的右侧人脸特征向量中征脸部特征的部分向量的第i元素，为所述困难正确人脸的右侧人脸特征向量中征脸部特征的部分向量的第i元素，为所述困难错误人脸的右侧人脸特征向量中征脸部特征的部分向量的第i元素，n为右侧人脸特征向量的长度，marginz为右侧人脸阈值，所述右侧人脸阈值判断是否为基本人脸所为用户的人脸；为基本人脸的右侧人脸特征向量中表征用户类别的部分向量的第k元素；为标注用户类别向量的第k元素，所述标注用户类别向量中的元素表示基本人脸是用户时的向量为1，基本人脸不是用户时的向量为0；k为用户类别的数量，k表示用户类别，k是1到k的整数。
[0183]
所述损失值具体通过下述公式所述计算方式获得：
[0184]
loss＝loss1 0.5loss2 0.5loss3[0185]
其中，loss为损失值，loss1为正脸损失值，loss2为左侧脸损失值，loss3为右侧脸损失值。
[0186]
可选的，所述基于所述用户信息，得到贷款分类树，包括：
[0187]
获得根节点，所述根节点中包括多个贷款类别；
[0188]
基于所述用户属性和所述根节点，得到第一分类属性；所述第一分类属性对根节点中的贷款类别进行分类的信息熵小于其他多个用户属性对根节点中的贷款类别进行分类的信息熵；所述属性权重表示每个属性的重要性；
[0189]
基于所述第一分类属性，将所述根节点中的贷款类别进行分类，得到第一层子节点，所述第一层子节点的数量为所述第一分类属性的属性状态的数量；所述第一层子节点中多个子节点包括分类后的贷款类别的集合；
[0190]
将其他分类属性根据权重从大到小进行排序，得到结点属性，所述结点属性包括第二分类属性，第三分类属性和第四分类属性；所述第二分类属性的权重大于第三分类属性的权重；第三分类属性的权重大于第四分类属性的权重；
[0191]
基于所述第二分类属性，将所述第一层子节点的子节点中的贷款类别进行分类，得到第二层子节点，所述第二层子节点的数量为所述第二分类属性的属性状态的数量；所述第二层子节点中多个子节点包括分类后的贷款类别的集合；
[0192]
多次分类，直到最后一层结点属性，停止分类，得到含空结点分类树。
[0193]
将含空结点分类树进行剪枝，得到贷款分类树。
[0194]
在此关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0195]
本发明实施例还提供了一种电子设备，如图2所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述一种金融大数据人脸识别方法的任一方法的步骤。
[0196]
其中，在图2中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501 和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
[0197]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种金融大数据人脸识别方法的任一方法的步骤以及上述的所涉及的数据。
[0198]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0199]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0200]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面
的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0201]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0202]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0203]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0204]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。