本说明书涉及人工智能，特别涉及一种业务数据处理方法及装置。
背景技术：
1、在互联网和计算机技术飞速发展的当下，许多传统实体行业都在向电子化的方向发展。银行的业务也已经步入大数据竞争的时代，而电子金融业务占据了时代的潮流。相较于传统银行业务，如到线下网点进行转账、存取现金等操作，人们更喜欢自助化、随时随地这种方便快捷的金融业务方式。因此，网上银行、手机银行、自助提取款机等新的银行业务渠道逐渐诞生。在电子金融业务发展的同时，互联网犯罪也在发展。现在互联网上的各类账户大多依靠手机号码作为注册标识，当用户的手机同时注册了金融类账户和其他账户的时候，一旦发生信息泄露的情况，犯罪分子就极易通过金融支付账户盗取用户资金或诱骗、胁迫用户进行转账、贷款等。
2、目前，人脸识别技术已经广泛应用于社会生产、生活领域。人脸识别技术作为一种生物识别技术，可以自动识别人的身份，减少人力参与，可以实现互联网时代电子金融业务对用户身份识别的需求。但是，目前人脸识别技术仅用来验证操作者是否为用户本人，对上文中的欺诈、胁迫等场景适用度相对较低。
3、针对上述问题，目前尚未提出有效的解决方案。
技术实现思路
1、本说明书实施例提供了一种业务数据处理方法及装置，以解决现有技术中金融交易风险的识别不够准确的问题。
2、本说明书实施例提供了一种业务数据处理方法，包括：
3、获取目标业务操作数据；所述目标业务操作数据包括用户执行目标业务操作过程中的用户动态视频数据；所述用户动态视频数据是在用户知情同意的情况下采集的；
4、从所述用户动态视频数据中截取多个图像帧，得到多个用户图像；对所述多个用户图像进行预处理；
5、将预处理后的多个用户图像中各用户图像输入至情绪识别模型，得到所述各用户图像对应的情绪类别；
6、根据所述各用户图像对应的情绪类别，确定所述目标业务操作的风险类型。
7、在一个实施例中，对所述多个用户图像进行预处理，包括：
8、将所述多个用户图像中各用户图像转化为灰度图像；
9、对所述各用户图像对应的灰度图像进行滤波和对比增强，并进行灰度范围归一化，得到预处理后的各用户图像。
10、在一个实施例中，所述情绪识别模型是通过以下方式构建的：
11、获取训练样本集，所述训练样本集中包括图像集和标签集；所述标签集中包括所述图像集中各图像对应的情绪标签；
12、利用所述训练样本集对预设卷积神经网络进行训练，得到情绪识别模型。
13、在一个实施例中，所述情绪识别模型是基于convnext的卷积神经网络。
14、在一个实施例中，所述情绪识别模型采用relu激活函数。
15、在一个实施例中，所述情绪类别包括多种情绪类别；
16、根据所述各用户图像对应的情绪类别，确定所述目标业务操作的风险类型，包括：
17、根据所述各用户图像对应的情绪类别对所述多个用户图像进行聚类，得到多个情绪类别集合；
18、根据所述多个情绪类别集合中各情绪类别集合中的用户图像的数量，确定所述目标业务操作的风险类型。
19、在一个实施例中，所述多个情绪类别集合至少包括：第一情绪类别集合、第二情绪类别集合和第三情绪类别集合；
20、相应的，根据所述多个情绪类别集合中各情绪类别集合中的用户图像的数量，确定所述目标业务操作的风险类型，包括：
21、在所述第一情绪类别集合中的用户图像的数量最大的情况下，确定所述目标业务操作的风险类型为第一风险类型；
22、在所述第二情绪类别集合中的用户图像的数量最大的情况下，确定所述目标业务操作的风险类型为第二风险类型。
23、在一个实施例中，所述方法还包括：
24、在所述第三情绪类别集合中的用户图像的数量最大的情况下，确定所述第一情绪类别集合中的用户图像的数量是否大于第一预设阈值；
25、在所述第一情绪类别集合中的用户图像的数量大于第一预设阈值的情况下，确定所述目标业务操作的风险类型为第一风险类型。
26、在一个实施例中，所述方法还包括：
27、在所述第一情绪类别集合中的用户图像的数量不大于第一预设阈值的情况下，确定所述第二情绪类别集合中的用户图像的数量是否大于第二预设阈值；
28、在所述第二情绪类别集合中的用户图像的数量大于第二预设阈值的情况下，确定所述目标业务操作的风险类型为第二风险类型；
29、在所述第二情绪类别集合中的用户图像的数量不大于第二预设阈值的情况下，确定所述目标业务操作的风险类型为第三风险类型。
30、本说明书实施例还提供了一种业务数据处理装置，包括：
31、获取模块，用于获取目标业务操作数据；所述目标业务操作数据包括用户执行目标业务操作过程中的用户动态视频数据；所述用户动态视频数据是在用户知情同意的情况下采集的；
32、预处理模块，用于从所述用户动态视频数据中截取多个图像帧，得到多个用户图像；还用于对所述多个用户图像进行预处理；
33、识别模块，用于将预处理后的多个用户图像中各用户图像输入至情绪识别模型，得到所述各用户图像对应的情绪类别；
34、确定模块，用于根据所述各用户图像对应的情绪类别，确定所述目标业务操作的风险类型。
35、本说明书实施例还提供一种计算机设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述任意实施例中所述的业务数据处理方法的步骤。
36、本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述任意实施例中所述的业务数据处理方法的步骤。
37、在本说明书实施例中，提供了一种业务数据处理方法，可以获取目标业务操作数据，目标业务操作数据中包括在用户知情同意的情况下采集的用户执行目标业务操作过程中的用户动态视频数据，可以从所述用户动态视频数据中截取多个图像帧，得到多个用户图像，对所述多个用户图像进行预处理，将预处理后的多个用户图像中各用户图像输入至情绪识别模型，得到所述各用户图像对应的情绪类别，根据所述各用户图像对应的情绪类别，确定所述目标业务操作的风险类型。上述方案中，可以根据用户执行目标业务操作过程中的用户动态视频数据，确定用户执行目标业务操作过程中的情绪类型，进而根据情绪类型确定目标业务操作的风险类型，可以在人脸识别技术的基础上添加了情绪识别机制，对用户在办理电子金融业务时的场景进行分析，可以提高对异常交易的识别率，进而提高业务操作的安全性，保护用户财产安全。
1.一种业务数据处理方法，其特征在于，包括：
2.根据权利要求1所述的业务数据处理方法，其特征在于，对所述多个用户图像进行预处理，包括：
3.根据权利要求1所述的业务数据处理方法，其特征在于，所述情绪识别模型是通过以下方式构建的：
4.根据权利要求3所述的业务数据处理方法，其特征在于，所述情绪识别模型是基于convnext的卷积神经网络。
5.根据权利要求4所述的业务数据处理方法，其特征在于，所述情绪识别模型采用relu激活函数。
6.根据权利要求1所述的业务数据处理方法，其特征在于，所述情绪类别包括多种情绪类别；
7.根据权利要求6所述的业务数据处理方法，其特征在于，所述多个情绪类别集合至少包括：第一情绪类别集合、第二情绪类别集合和第三情绪类别集合；
8.根据权利要求7所述的业务数据处理方法，其特征在于，还包括：
9.根据权利要求8所述的业务数据处理方法，其特征在于，还包括：
10.一种业务数据处理装置，其特征在于，包括：
11.一种计算机设备，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至9中任一项所述方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现权利要求1至9中任一项所述方法的步骤。
