CN109801161A - 智能信用和信息认证系统及方法 - Google Patents

Abstract

本发明提出了一种智能信用和信息认证系统及方法，包括：视频录制模块，用于通过用户使用的智能终端，获取用户在远程终端收集的图像采集数据；图像识别分析模块，用于获取视频图像数据后形成图片图像数据，根据图像分析算法进行图像识别分析，图像验证通过后，通过文字分析算法进行文字数据验证；语音引导模块，用于通过语音引导用户操作相应的识别认证过程，使用合成语音提醒用户，按照安全识别认证条件进入授权页面；反欺诈模块，用于识别是否为用户身份信息；当用户使用其他人截图数据或者修图修改过的图像数据进行身份认证时，通过图像识别分析模块判定用户是否为欺诈行为，并传送到远程终端记录该信息认证操作。

Description

智能信用和信息认证系统及方法

技术领域

本发明涉及计算机安全控制领域，尤其涉及一种智能信用和信息认证系统及其方法。

背景技术

个人信用和信息认证在互联网金融风控领域的贷前审批环节至关重要，是防止用户伪造个人信息和个人信用证明材料进行恶意欺诈的有效手段。目前，除了个人提供身份证、收入证明等材料外，第三方平台上的信用信息也是其申请贷款的有效凭证，如支付宝的芝麻信用分、微信的微粒贷额度等，金融机构可以依据其信用评分等信息决定其贷款额度。

现有的信用信息认证方法主要有个人授权手机应用软件账号密码，机构登录查询和个人提供手机应用软件的相关信贷信用分截图两种。

然而，对于第一种方法，由于绑定了个人手机设备地址，机构无法在其他机器上使用个人的手机应用软件账号密码批量查询，并且让用户直接提供账号密码，用户也存在一定安全顾虑；

对于第二种方法，个人授权提供的手机应用软件截图往往存在使用修图软件修改其信用评分、个人身份信息等欺诈行为，从而造成信息不可靠，数据易造假等问题。

那么如何在用户授权情况下，远程直接查询用户的信用信息，并且防止用户造假成为了互联网金融机构的一大难题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种智能信用和信息认证系统及其方法。

为了实现本发明的上述目的，本发明提供了一种智能信用和信息认证系统，包括：

视频录制模块，用于通过用户使用的智能终端，获取用户在远程终端收集的图像采集数据，用户提供授权指令后进行视频图像数据采集；

图像识别分析模块，用于获取视频图像数据后形成图片图像数据，根据图像分析算法进行图像识别分析，图像验证通过后，通过文字分析算法进行文字数据验证；

语音引导模块，用于通过语音引导用户操作相应的识别认证过程，使用合成语音提醒用户，按照安全识别认证条件进入授权页面；

反欺诈模块，用于识别用户的欺诈行为，使用账号实名认证信息和用户预先提交认证信息，识别是否为用户身份信息；当用户使用其他人截图数据或者修图修改过的图像数据进行身份认证时，通过图像识别分析模块判定用户是否为欺诈行为，并传送到远程终端记录该信息认证操作。

优选的，所述图像识别分析模块中的图像分析算法包括：

根据信用认证信息获取节点需要经过智能终端识别的图像类别；收集该类别下不同智能终端不同用户账号下的图像数据各Y张，制作图像识别训练集；采用自定义的卷积神经网络训练图像分类模型；

通过应用卷积核大小为3*3的卷积操作；

假定图片的像素表示为a为图像像素值；

3*3的卷积操作的表达式如下：

其中h表示行，k表示列，f(h,k)表示第h行k列的像素值；g(1-h,1-k)表示卷积核中第1-h行，1-k列的值；f*g表示在图像f上运用卷积g的结果；

进行批量标准化函数操作如下：

其中x表示输入图像的像素值；E[x]表示x的期望；Var[x]表示x的方差；

进行应用线性整流函数操作如下：

其中x表示输入的图像像素值；

开始1*1的卷积操作；即应用卷积核大小为1*1的卷积操作，

然后进行全连接卷积操作；即应用卷积核大小和图片大小一致的卷积核进行卷积操作；

进行应用归一化指数函数操作如下：

其中x表示输入图像的像素值；k为输出的像素值的个数，是指对所有输出x的值取以e为底的指数后再求和；S_x是指输入为x像素值时的最终输出函数值；运用随机梯度下降方法来最小化分类误差；将图像分类模型部署到智能终端运行。

优选的，所述图像识别分析模块的文字分析算法包括：

定义信息认证行为图像特征页的可疑值权重，出现智能终端切换到另一个应用程序的信息调用页面：权重为W₁；

出现智能终端认证应用程序切换到桌面的信息调用页面：权重为W₂；

出现智能终端认证应用程序切换到调用图像数据库的图像页面：权重为W₃；

定义非执行智能终端认证应用程序的任一可疑页面：权重为W_i；

则可疑页面权重矩阵W的表达式为：

W＝[W₁,W₂,W₃,…,W_i]；

每隔t时刻从视频录制模块中抽帧出图像；进行图像信息认证识别，

当用户在认证过程的视频录制模块里出现；

出现智能终端认证应用程序切换到另一个应用程序的信息调用页面时记录置信度为Q₁；

出现智能终端认证应用程序切换到桌面的信息调用页面时记录置信度为Q₂；

出现智能终端认证应用程序切换到调用图像数据库的图像时记录置信度为Q₃；

定义非执行智能终端认证应用程序的任一可疑页面时记录置信度为Q_j；

则可疑页面置信度Q的表达式为：

Q＝[Q₁,Q₂,Q₃,…,Q_j]；

计数可疑页面出现次数M；

计算可疑度评分：S＝WQ^T，其中上标T为转置的计算表达；下标i和j为正整数；

当用户在连续的视频帧中可疑页面出现次数M大于或等于阈值m，且可疑度评分S大于阈值s时，判定用户欺诈，结束信息认证流程；通过语音引导模块告知用户是否继续进行信息认证过程，当视频录制模块中没有出现可疑页面并且M小于m时，计数M清零，重新开始计数；可疑度评分S不清零，可疑度评分S累计值大于阈值s时，无论可疑页面次数M是否大于或等于阈值m，判定用户欺诈，结束信息认证过程。

优选的，还包括：进行文字识别算法时需要训练文字识别训练集，训练集获取选定常用文字字体若干，背景从白色到黑色渐变的阶梯色，选用常用汉字生成文字图片，随机从远程终端抽选训练图像信息作为训练集，抽取训练图像信息以外的图像信息作为测试集。

本发明还公开一种智能信用和信息认证方法，包括如下步骤：

S1，通过用户使用的智能终端远程获取用户的图像采集数据，通过图像识别分析模块对用户进行图像验证过程；

S2，执行完毕S1后，进行文字识别过程，从而获取用户的授权信息，通过语音引导模块引导用户进行信用信息认证，如果认证授权成功则执行S3，如果认证授权未成功则重新执行S1和S2；

S3，根据反欺诈模块中获取的用户识别分析数据，将该用户识别分析数据传送到远程终端记录该信息认证操作。

优选的，所述S1包括如下步骤：

S1-1，根据信用认证信息获取节点需要经过智能终端识别的图像类别；收集该类别下不同智能终端不同用户账号下的图像数据各Y张，制作图像识别训练集；采用自定义的卷积神经网络训练图像分类模型；

S1-2，通过应用卷积核大小为3*3的卷积操作；

假定图片的像素表示为a为图像像素值；

3*3的卷积操作的表达式如下：

其中h表示行，k表示列，f(h,k)表示第h行k列的像素值；g(1-h,1-k)表示卷积核中第1-h行，1-k列的值；f*g表示在图像f上运用卷积g的结果；

S1-3，进行批量标准化函数操作如下：

其中x表示输入图像的像素值；E[x]表示x的期望；Var[x]表示x的方差；

S1-4，进行应用线性整流函数操作如下：

其中x表示输入的图像像素值；

S1-5，开始1*1的卷积操作；即应用卷积核大小为1*1的卷积操作，然后进行全连接卷积操作；即应用卷积核大小和图片大小一致的卷积核进行卷积操作；

S1-6，进行应用归一化指数函数操作如下：

其中x表示输入图像的像素值；k为输出的像素值的个数，是指对所有输出x的值取以e为底的指数后再求和；S_x是指输入为x像素值时的最终输出函数值；运用随机梯度下降方法来最小化分类误差；将图像分类模型部署到智能终端运行。

优选的，所述S2包括如下步骤：

S2-1，定义信息认证行为图像特征页的可疑值权重，出现智能终端切换到另一个应用程序的信息调用页面：权重为W₁；

出现智能终端认证应用程序切换到桌面的信息调用页面：权重为W₂；

出现智能终端认证应用程序切换到调用图像数据库的图像页面：权重为W₃；

定义非执行智能终端认证应用程序的任一可疑页面：权重为W_i；

则可疑页面权重矩阵W的表达式为：

W＝[W₁,W₂,W₃,…,W_i]；

每隔t时刻从视频录制模块中抽帧出图像；进行图像信息认证识别，

S2-2，当用户在认证过程的视频录制模块里出现；

出现智能终端认证应用程序切换到另一个应用程序的信息调用页面时记录置信度为Q₁；

出现智能终端认证应用程序切换到桌面的信息调用页面时记录置信度为Q₂；

出现智能终端认证应用程序切换到调用图像数据库的图像时记录置信度为Q₃；

定义非执行智能终端认证应用程序的任一可疑页面时记录置信度为Q_j；

则可疑页面置信度Q的表达式为：

Q＝[Q₁,Q₂,Q₃,…,Q_j]；

计数可疑页面出现次数M；

计算可疑度评分：S＝WQ^T，其中上标T为转置的计算表达；下标i和j为正整数。

优选的，所述S2包括如下步骤：

当用户在连续的视频帧中可疑页面出现次数M大于或等于阈值m，且可疑度评分S大于阈值s时，判定用户欺诈，结束信息认证流程；通过语音引导模块告知用户是否继续进行信息认证过程，当视频录制模块中没有出现可疑页面并且M小于m时，计数M清零，重新开始计数；可疑度评分S不清零，可疑度评分S累计值大于阈值s时，无论可疑页面次数M是否大于或等于阈值m，判定用户欺诈，结束信息认证过程。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

采用反欺诈技术，识别用户账户内的姓名和手机号信息，与用户事先提交的姓名手机号进行比对，确保本人操作。同时识别用户切换手机应用软件截图的行为，使用户无法使用事先准备好的截图来欺骗金融客户；降低金融客户的信贷风险，减少了金融客户的经济损失。

采用视频分析技术进行移动端的信用信息认证的方法，能够应用在视频分析技术进行其它信息认证包括但不限于个人信贷类分数、个人具有优质等级的手机应用账号如微博大V、知乎达人等，在视频分析技术进行反欺诈识别中，包括但不限于使用他人的手机页面截图、使用修图软件修改过的图片等可疑行为的方法。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明用户使用工作方法流程图；

图2是本发明信息认证工作方法流程图；

图3是本发明图像神经网络工作流程图；

图4是本发明文字神经网络工作流程图；

图5是本发明认证系统工作示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

1、采用视频分析技术，在用户手机上实时分析用户操作过程中的图像信息，用户无需提供账户名密码，在自己的手机上操作打开相关信贷类信用分即可完成信审。

2、采用反欺诈技术，识别用户账户内的姓名和手机号信息，与用户事先提交的姓名手机号进行比对，确保本人操作。同时识别用户切换手机应用软件截图的行为，使用户无法使用事先准备好的截图来欺骗金融客户。

如图1-5所示，本发明中提供了一种智能的信用和信息认证系统及方法。用户在无需提供个人账户名密码的情况下，只需在自己的手机上展示自己的信贷类信用分即可完成认证。

系统由如下几个模块组成：

1，视频录制模块；用于通过用户使用的智能终端远程获取用户的图像采集数据，主要负责用户手机的屏幕视频录制采集。用户在授权情况下，打开系统录制视频的权限，系统开始录制屏幕视频并交由图像识别模块分析视频内容。该智能终端优选为智能手机、笔记本电脑或者平板电脑等具备视频采集功能的电子设备。

2，图像识别分析模块；主要负责在移动端识别用户的屏幕内容，判断用户是否按照既定的流程进入指定页面；识别账号实名认证信息及应用软件切换行为的等给反欺诈模块使用；识别页面中的文字信息，提取信贷类信用分。

3，语音引导模块；主要负责引导用户操作。使用合成的语音提醒用户按照原定的认证目标一步步进入相关页面，减少用户的误操作，提升用户体验。

4，反欺诈模块；主要负责识别用户的欺诈行为，使用账号实名认证信息和用户事先提交的身份证手机号等来比对，进而识别冒用他人身份的行为；当用户使用其他人的手机截图或者自己的修图软件修改过的图片来欺骗金融客户时，通过实时分析用户的视频内容和行为，判定用户有从其他软件切换出截图的行为来判定用户欺诈。从而杜绝了用户造假和欺诈。

其中，图像识别及分析模块是本系统的核心，它的具体算法原理如下：

图像分类技术在用户操作手机的过程中如何确定用户操作到了哪一步非常重要；是引导用户下一步操作及判断用户是否到达关键信息页面的关键；这就需要应用图像分类技术识别用户当前打开的手机应用页面属于预先设定流程中的哪个页面；图像分析算法的实现步骤如下：

根据要获取的信贷分数目标页面需要经过的手机页面制定需要识别的图像类别；(其中图像类别包括：应用软件登录页面图像、账户中的姓名手机号页面图像、包含信贷类分数的页面图像等，并不限于上述图像数据)收集该类别下不同手机不同账号下的图像各Y(默认30)张，制作图像识别训练集；采用自定义的卷积神经网络来训练图像分类模型。

其中，自定义的卷积神经网络结构如附图3；

3*3 Convolution是指应用卷积核大小为3*3的卷积操作。

假定图片的像素表示为a为图像像素值；

一个3*3的卷积操作的表达式如下：

其中h表示行，k表示列，f(h,k)表示第h行k列的像素值。g(1-h,1-k)表示卷积核中第1-h行，1-k列的值。f*g表示在图像f上运用卷积g的结果。

BN是指Batch Normalization，即批量标准化操作。其公式表示如下：

其中x表示输入图像的像素值。E[x]表示x的期望。Var[x]表示x的方差；

ReLU是指Rectified Linear Unit，即应用线性整流函数操作。ReLU公式表示如下：

其中x表示输入的图像像素值。p(x)表示输出。

1*1 Convolution是指1*1的卷积操作。即应用卷积核大小为1*1的卷积操作，

FC是指Fully connection convolution，即全连接卷积操作。即应用卷积核大小和图片大小一致的卷积核进行卷积操作。

Softmax是指应用归一化指数函数操作。其表达式如下：

其中x表示输入图像的像素值。K为输出的像素值的个数，是指对所有输出x的值取以e为底的指数后再求和。S_x是指输入为x像素值时的最终输出函数值。

运用随机梯度下降方法来最小化分类误差；将模型部署到手机端运行。

如图4所示，文字识别技术指从图片中提取文字的技术。在反欺诈环节用来辅助识别用户账户内的用户名和手机号；在用户到达指定的信用分页面时，用来提取用户的信用分数信息，文字识别技术的实现方法如下：

准备文字识别训练集。由于手机内文字大多是印刷体，训练集采用计算机自动生成：选定常用文字字体60种，背景从白色到黑色渐变的10个阶梯色，选用6000个常用汉字生成文字图片360万张。随机抽选300万张作为训练集，剩下60万张作为测试集。

运用CTPN做文字区域检测和提取，运用CNN和CTC进行训练识别。如附图4。CTPN即Detecting Text in Natural Image with Connectionist Text Proposal Network，是一种开源的文字检测方法，它能够提取图片中的文字区域。本发明中使用CTPN做文本区域的检测与提取，方便下一步文字的识别。

CNN是指Convolutional Neural Network，即卷积神经网络，此处采用移动端高效快速的MobilenetV2做特征抽取。

CTC即Connectionist Temporal Classification是一种损失函数，使用它的好处是不需要提前对齐文字标签即可训练。

使用测试集进行准确率测试。

反欺诈技术能够在用户使用其他人的手机截图或者修图软件修改过的图片来欺骗金融客户时，判定用户欺诈。其实现原理如下：

定义欺诈行为图像特征页的可疑值权重；

出现手机软件切换到另一个软件的中间页面：权重为W₁；

出现手机软件切换到桌面的中间页面：权重为W₂；

出现手机软件切换到调用相册中图片的页面：权重为W₃；

以此类推，可定义其它任一页面为可疑页面：权重为W_i；

则权重矩阵W的表达式为：

W＝[W₁,W₂,W₃,…,W_i]；

每隔t(默认0.1)秒从视频中抽帧出图像

运用图像分类模块进行识别

当用户在认证流程中的图像里出现，

出现手机软件切换到另一个软件的中间页面时记录置信度为Q₁；

出现手机软件切换到桌面的中间页面时记录置信度为Q₂；

出现手机软件切换到调用相册中图片的页面时记录置信度为Q₃；

以此类推，出现其它任一页面为可疑页面时记录置信度为Q_j；

则置信度Q的表达式为：

Q＝[Q₁,Q₂,Q₃,…,Q_j]；

计数可疑页面出现次数M；

计算可疑度评分的公式为：

S＝WQ^T，其中上标T为转置的计算表达；

当用户在连续的视频帧中出现可疑页面次数M大于或等于阈值m(默认2)，且可疑度评分S大于阈值s(默认1)时，判定用户欺诈，结束流程。当视频帧中没有出现可疑页面并且M小于m时，计数M清零。重新开始计数。可疑度评分S不清零。可疑度评分S累计值大于阈值s(默认1)时，无论可疑页面次数M是否大于或等于阈值m，判定用户欺诈，结束流程。

本发明的有益效果为：

1，采用视频分析技术，在用户手机端分析用户操作过程中的图像信息，用户无需提供账户名密码，在自己的手机上操作打开相关信贷类信用分即可完成信审。具有保护用户的账户安全，用户体验佳的特点。

2，采用反欺诈技术，识别用户账户内的姓名和手机号信息，与用户事先提交的姓名手机号进行比对，确保本人操作。同时识别用户切换手机应用软件截图的行为，使用户无法使用事先准备好的截图来欺骗金融客户；降低金融客户的信贷风险，减少了金融客户的经济损失。

3，采用视频分析技术进行移动端的信用信息认证的方法，能够应用在视频分析技术进行其它信息认证包括但不限于个人信贷类分数、个人具有优质等级的手机应用账号如微博大V、知乎达人等，在视频分析技术进行反欺诈识别中，包括但不限于使用他人的手机页面截图、使用修图软件修改过的图片等可疑行为的方法。

Claims (8)

1.一种智能信用和信息认证系统，其特征在于，包括：

视频录制模块，用于通过用户使用的智能终端，获取用户在远程终端收集的图像数据，用户提供授权指令后进行视频图像数据的采集；

图像识别分析模块，用于获取视频图像数据后形成图片图像数据，在无需上传图片到后台服务器的情况下，使用图像分析算法在智能终端本地进行图像识别分析，图像验证通过后，通过文字分析算法进行文字数据验证；

语音引导模块，用于通过语音引导用户操作相应的识别认证过程，使用合成语音提醒用户，按照安全识别认证条件进入授权页面；

反欺诈模块，用于识别用户的欺诈行为，使用账号实名认证信息和用户预先提交认证信息，识别是否为用户身份信息；当用户使用其他人截图数据或者修图修改过的图像数据进行身份认证时，通过图像识别分析模块判定用户是否为欺诈行为，并传送到远程终端记录该信息认证操作。

2.根据权利要求1所述的智能信用和信息认证系统，其特征在于，所述图像识别分析模块中的图像分析算法包括：

根据信用认证信息获取节点需要经过智能终端识别的图像类别；收集该类别下不同智能终端不同用户账号下的图像数据各Y张，制作图像识别训练集；采用自定义的卷积神经网络训练图像分类模型；

通过应用卷积核大小为3*3的卷积操作；

假定图片的像素表示为a为图像像素值；

3*3的卷积操作的表达式如下：

其中h表示行，k表示列，f(h,k)表示第h行k列的像素值；g(1-h,1-k)表示卷积核中第1-h行，1-k列的值；f*g表示在图像f上运用卷积g的结果；

进行批量标准化函数操作如下：

其中x表示输入图像的像素值；E[x]表示x的期望；Var[x]表示x的方差；

进行应用线性整流函数操作如下：

其中x表示输入的图像像素值；

开始1*1的卷积操作；即应用卷积核大小为1*1的卷积操作，

然后进行全连接卷积操作；即应用卷积核大小和图片大小一致的卷积核进行卷积操作；

进行应用归一化指数函数操作如下：

其中x表示输入图像的像素值；k为输出的像素值的个数，是指对所有输出x的值取以e为底的指数后再求和；S_x是指输入为x像素值时的最终输出的函数值；运用随机梯度下降方法来最小化分类误差；将图像分类模型部署到智能终端运行。

3.根据权利要求1所述的智能信用和信息认证系统，其特征在于，所述图像识别分析模块的文字分析算法包括：

定义信息认证行为图像特征页的可疑值权重，出现智能终端切换到另一个应用程序的信息调用页面：权重为W₁；

出现智能终端认证应用程序切换到桌面的信息调用页面：权重为W₂；

出现智能终端认证应用程序切换到调用图像数据库的图像页面：权重为W₃；

定义非执行智能终端认证应用程序的任一可疑页面：权重为W_i；

则可疑页面权重矩阵W的表达式为：

W＝[W₁,W₂,W₃,…,W_i]；

每隔t时刻从视频录制模块中抽帧出图像；进行图像信息认证识别，

当用户在认证过程的视频录制模块里出现；

出现智能终端认证应用程序切换到另一个应用程序的信息调用页面时记录置信度为Q₁；

出现智能终端认证应用程序切换到桌面的信息调用页面时记录置信度为Q₂；

出现智能终端认证应用程序切换到调用图像数据库的图像时记录置信度为Q₃；

定义非执行智能终端认证应用程序的任一可疑页面时记录置信度为Q_j；

则可疑页面置信度Q的表达式为：

Q＝[Q₁,Q₂,Q₃,…,Q_j]；

计数可疑页面出现次数M；

计算可疑度评分：S＝WQ^T，其中上标T为转置的计算表达；下标i和j为正整数；

当用户在连续的视频帧中可疑页面出现次数M大于或等于阈值m，且可疑度评分S大于阈值s时，判定用户欺诈，结束信息认证流程；通过语音引导模块告知用户是否继续进行信息认证过程，当视频录制模块中没有出现可疑页面并且M小于m时，计数M清零，重新开始计数；可疑度评分S不清零，可疑度评分S累计值大于阈值s时，无论可疑页面次数M是否大于或等于阈值m，判定用户欺诈，结束信息认证过程。

4.根据权利要求3所述的智能信用和信息认证系统，其特征在于，还包括：进行文字识别算法时需要训练文字识别训练集，训练集获取选定常用文字字体若干，背景从白色到黑色渐变的阶梯色，选用常用汉字生成文字图片，随机抽取训练集中的一部分图片作为测试集。

5.一种智能信用和信息认证方法，其特征在于，包括如下步骤：

S1，通过用户使用的智能终端远程获取用户的图像采集数据，通过图像识别分析模块对用户进行图像验证过程；

S2，执行完毕S1后，进行文字识别过程，从而获取用户的授权信息，通过语音引导模块引导用户进行信用信息认证，如果认证授权成功则执行S3，如果认证授权未成功则重新执行S1和S2；

S3，根据反欺诈模块中获取的用户识别分析数据，将该用户识别分析数据传送到远程终端记录该信息认证操作。

6.根据权利要求1所述的智能信用和信息认证方法，其特征在于，所述S1包括如下步骤：

S1-1，根据信用认证信息获取节点需要经过智能终端识别的图像类别；收集该类别下不同智能终端不同用户账号下的图像数据各Y张，制作图像识别训练集；采用自定义的卷积神经网络训练图像分类模型；

S1-2，通过应用卷积核大小为3*3的卷积操作；

假定图片的像素表示为a为图像像素值；

3*3的卷积操作的表达式如下：

其中h表示行，k表示列，f(h,k)表示第h行k列的像素值；g(1-h,1-k)表示卷积核中第1-h行，1-k列的值；f*g表示在图像f上运用卷积g的结果；

S1-3，进行批量标准化函数操作如下：

其中x表示输入图像的像素值；E[x]表示x的期望；Var[x]表示x的方差；

S1-4，进行应用线性整流函数操作如下：

其中x表示输入的图像像素值；

S1-5，开始1*1的卷积操作；即应用卷积核大小为1*1的卷积操作，然后进行全连接卷积操作；即应用卷积核大小和图片大小一致的卷积核进行卷积操作；

S1-6，进行应用归一化指数函数操作如下：

其中x表示输入图像的像素值；k为输出的像素值的个数，是指对所有输出x的值取以e为底的指数后再求和；S_x是指输入为x像素值时的最终输出函数值；运用随机梯度下降方法来最小化分类误差；将图像分类模型部署到智能终端运行。

7.根据权利要求1所述的智能信用和信息认证方法，其特征在于，所述S2包括如下步骤：

S2-1，定义信息认证行为图像特征页的可疑值权重，出现智能终端切换到另一个应用程序的信息调用页面：权重为W₁；

出现智能终端认证应用程序切换到桌面的信息调用页面：权重为W₂；

出现智能终端认证应用程序切换到调用图像数据库的图像页面：权重为W₃；

定义非执行智能终端认证应用程序的任一可疑页面：权重为W_i；

则可疑页面权重矩阵W的表达式为：

W＝[W₁,W₂,W₃,…,W_i]；

每隔t时刻从视频录制模块中抽帧出图像；进行图像信息认证识别，

S2-2，当用户在认证过程的视频录制模块里出现；

出现智能终端认证应用程序切换到另一个应用程序的信息调用页面时记录置信度为Q₁；

出现智能终端认证应用程序切换到桌面的信息调用页面时记录置信度为Q₂；

出现智能终端认证应用程序切换到调用图像数据库的图像时记录置信度为Q₃；

定义非执行智能终端认证应用程序的任一可疑页面时记录置信度为Q_j；

则可疑页面置信度Q的表达式为：

Q＝[Q₁,Q₂,Q₃,…,Q_j]；

计数可疑页面出现次数M；

计算可疑度评分：S＝WQ^T，其中上标T为转置的计算表达；下标i和j为正整数。

8.根据权利要求7所述的智能信用和信息认证方法，其特征在于，所述S2包括如下步骤：

当用户在连续的视频帧中可疑页面出现次数M大于或等于阈值m，且可疑度评分S大于阈值s时，判定用户欺诈，结束信息认证流程；通过语音引导模块告知用户是否继续进行信息认证过程，当视频录制模块中没有出现可疑页面并且M小于m时，计数M清零，重新开始计数；可疑度评分S不清零，可疑度评分S累计值大于阈值s时，无论可疑页面次数M是否大于或等于阈值m，判定用户欺诈，结束信息认证过程。