风险识别的方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域,特别是涉及一种风险识别的方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,出现了互联网产品转移数值获取技术,互联网产品转移数值获取是指用户通过互联网产品发送获取请求,在经过与互联网产品对应的服务器的风险识别验证之后,得到转移数值的一种方式。目前,常见的服务器的风险识别验证方式包括通过用户注册时的填写的手机号、身份证等身份信息进行风险识别验证,通过这种方式能够进行风险管控。
然而,传统的根据身份信息对用户的身份进行风险识别验证的方式,由于存在伪造身份信息等情况,存在识别安全性低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高识别安全性的风险识别的方法、装置、计算机设备和存储介质。
一种风险识别的方法,所述方法包括:
接收携带用户人脸图像信息的请求;
根据已训练的深度卷积神经网络对用户人脸图像信息进行特征提取,得到与用户人脸图像信息对应的特征向量,已训练的深度卷积神经网络由训练样本图像信息得到;
根据特征向量,对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合,已构建的黑名单数据库由预先获取的人脸照片黑名单得到;
获取阈值分段规则信息,根据相似度值以及阈值分段规则信息,得到用户的风险识别结果。
在其中一个实施例中,根据已训练的深度卷积神经网络对用户人脸图像信息进行特征提取,得到与用户人脸图像信息对应的特征向量包括:
根据已训练的深度卷积神经网络中的多任务卷积神经网络对用户人脸图像信息进行区域检测,得到目标人脸图像;
对目标人脸图像进行预处理,将预处理后的目标人脸图像,输入已训练的深度卷积神经网络中的基于Inception_Resnet_v1的卷积神经网络,得到预设维度的特征向量;
对预设维度的特征向量进行归一化处理,得到与用户人脸图像信息对应的特征向量。
在其中一个实施例中,根据已训练的深度卷积神经网络中的多任务卷积神经网络对用户人脸图像信息进行区域检测,得到目标人脸图像包括:
当用户人脸图像信息中包括多张人脸图像时,根据多任务卷积神经网络确定与多张人脸图像对应的人脸框的大小和坐标;
根据各人脸框的坐标,确定各人脸框的中心点;
计算各人脸框的中心点与用户人脸图像的中心点之间的距离,确定距离最短的中心点对应的人脸框所框选的人脸图像为目标人脸图像。
在其中一个实施例中,根据特征向量,对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合包括:
根据特征向量,通过faiss提供的暴力搜索方法对已构建的黑名单数据库中的距离索引进行检索,得到携带相似度值的待比对人脸图像信息集合。
在其中一个实施例中,获取阈值分段规则信息,根据相似度值以及阈值分段规则信息,得到用户的风险识别结果包括:
比对相似度值和阈值分段规则中各阈值段对应的分数值,统计各阈值段内的人脸图像信息个数;
当任意阈值段内人脸图像信息个数大于或者等于对应的阈值数时,得到用户的风险识别结果为存在风险,并对用户进行风险管控。
在其中一个实施例中,根据特征向量,对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合之前,还包括:
采用网络爬虫技术获取携带身份信息的人脸照片黑名单集合;
根据已训练的深度卷积神经网络对人脸照片黑名单集合中各人脸照片进行特征提取,得到人脸照片黑名单集合中各人脸照片的特征向量;
根据身份信息标记各人脸照片的特征向量;
根据已标记的各人脸照片的特征向量,调用faiss构建距离索引,根据距离索引构建黑名单数据库;
根据预设的获取周期,采用网络爬虫技术持续获取携带身份信息的人脸照片黑名单,并根据获取到的人脸照片黑名单更新黑名单数据库。
在其中一个实施例中,根据已训练的深度卷积神经网络对用户人脸图像信息进行特征提取,得到与用户人脸图像信息对应的特征向量之前,还包括:
获取样本图像信息;
将样本图像信息划分为训练集和验证集;
根据训练集对初始深度卷积神经网络进行初步训练,根据验证集对初步训练后的深度卷积神经网络进行调整,得到已训练的深度卷积神经网络。
一种风险识别的装置,所述装置包括:
接收模块,用于接收携带用户人脸图像信息的请求;
特征提取模块,用于根据已训练的深度卷积神经网络对用户人脸图像信息进行特征提取,得到与用户人脸图像信息对应的特征向量,已训练的深度卷积神经网络由训练样本图像信息得到;
检索模块,用于根据特征向量,对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合,已构建的黑名单数据库由预先获取的人脸照片黑名单得到;
风险识别模块,用于获取阈值分段规则信息,根据相似度值以及阈值分段规则信息,得到用户的风险识别结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
接收携带用户人脸图像信息的请求;
根据已训练的深度卷积神经网络对用户人脸图像信息进行特征提取,得到与用户人脸图像信息对应的特征向量,已训练的深度卷积神经网络由训练预设的样本图像信息得到;
根据特征向量,对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合,已构建的黑名单数据库由预先获取的人脸照片黑名单得到;
获取阈值分段规则信息,根据各待比对人脸图像信息的相似度值以及阈值分段规则信息,得到用户的风险识别结果。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收携带用户人脸图像信息的请求;
根据已训练的深度卷积神经网络对用户人脸图像信息进行特征提取,得到与用户人脸图像信息对应的特征向量,已训练的深度卷积神经网络由训练预设的样本图像信息得到;
根据特征向量,对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合,已构建的黑名单数据库由预先获取的人脸照片黑名单得到;
获取阈值分段规则信息,根据各待比对人脸图像信息的相似度值以及阈值分段规则信息,得到用户的风险识别结果。
上述风险识别的方法、装置、计算机设备和存储介质,通过深度卷积神经网络对用户人脸图像信息进行特征提取,得到了能够准确描述人脸特征的特征向量,根据特征向量,对已构建的黑名单数据库进行检索,能够从黑名单数据库中检索到携带相似度值的待比对人脸图像信息集合,获取阈值分段规则信息,根据各待比对人脸图像信息的相似度值以及阈值分段规则信息,能够得到用户的风险识别结果。整个过程,通过深度卷积神经网络对用户人脸图像信息进行特征提取,得到了特征向量,根据特征向量对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合,从而根据相似度值和阈值分段规则信息对用户进行风险识别,提高了风险识别的安全性。
附图说明
图1为一个实施例中风险识别的方法的应用场景图;
图2为一个实施例中风险识别的方法的流程示意图;
图3为一个实施例中图2中步骤S204的子流程示意图;
图4为一个实施例中图3中步骤S302的子流程示意图;
图5为另一个实施例中风险识别的方法的流程示意图;
图6为一个实施例中图2中步骤S208的子流程示意图;
图7为再一个实施例中风险识别的方法的流程示意图;
图8为又一个实施例中风险识别的方法的流程示意图;
图9为一个实施例中风险识别的装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的风险识别的方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。服务器104接收终端102发送的携带用户人脸图像信息的请求,根据已训练的深度卷积神经网络对用户人脸图像信息进行特征提取,得到与用户人脸图像信息对应的特征向量,已训练的深度卷积神经网络由训练样本图像信息得到,根据特征向量,对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合,已构建的黑名单数据库由预先获取的人脸照片黑名单得到,获取阈值分段规则信息,根据相似度值以及阈值分段规则信息,得到用户的风险识别结果,并推送用户的风险识别结果至终端102。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种风险识别的方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202:接收携带用户人脸图像信息的请求。
用户人脸图像信息指的是发送请求的用户的人脸图像的信息,具体的,可以就是指用户的人脸图像,服务器会接收携带用户人脸图像信息的请求,根据用户人脸图像信息对用户进行风险识别,得到用户的风险识别结果,从而可以根据用户的风险识别结果,确定如何响应用户的请求。具体的,用户人脸图像信息可以为用户的大头照片。
S204:根据已训练的深度卷积神经网络对用户人脸图像信息进行特征提取,得到与用户人脸图像信息对应的特征向量,已训练的深度卷积神经网络由训练样本图像信息得到。
深度卷积神经网络是一种用来处理网格状结构数据的特殊网络结构。深度卷积神经网络主要利用卷积核来对用户人脸图像信息进行特征提取,得到与用户人脸图像信息对应的特征向量。卷积过程就是一个减少参数数量的过程。卷积过程最重要的就是卷积核的大小步长设计和数量的选取,个数越多提取的特征越多。卷积核的大小影响网络结构的识别能力,步长决定了采取图像的大小和特征个数。特征向量是一个高维度的抽象特征,能够混合抽象的表征人脸特征。其中,深度卷积神经网络由训练样本图像信息得到,通过对样本图像信息进行训练,深度卷积神经网络能够从用户人脸图像信息中先得到目标人脸图像,再根据目标人脸图像进行特征提取,得到与用户人脸图像信息对应的特征向量。
S206:根据特征向量,对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合,已构建的黑名单数据库由预先获取的人脸照片黑名单得到。
已构建的黑名单数据库中存储了与人脸照片黑名单对应的特征向量,服务器根据特征向量,对已构建的黑名单数据库进行检索,通过比对用户人脸图像信息的特征向量和黑名单数据库中存储的特征向量,可以得到携带相似度值的待比对人脸图像信息集合。此处的相似度值指的是用户人脸图像信息的特征向量与黑名单数据库中存储的各特征向量的相似度值,具体的,相似度值可以通过计算两个特征向量之间的向量距离得到。其中,已构建的黑名单数据库由预先获取的人脸照片黑名单得到,服务器先对人脸照片黑名单进行处理,得到与人脸照片黑名单对应的特征向量,再根据与人脸照片黑名单对应的特征向量构建黑名单数据库。
S208:获取阈值分段规则信息,根据相似度值以及阈值分段规则信息,得到用户的风险识别结果。
阈值分段规则信息是指对相似度值进行分段处理的信息,在阈值分段规则信息中,包括了各阈值段对应的分数值,各阈值段对应的分数值与相似度值相对应,通过比对相似度值和各阈值段对应的分数值,可以统计各阈值段内的人脸图像信息个数,此处的人脸图像信息都为上一步骤中得到的携带相似度值的待比对人脸图像信息集合中的待比对人脸图像信息,进而可以根据各阈值段内的人脸图像信息个数,得到用户的风险识别结果。具体的,因为相似度值越高,代表待比对人脸图像信息与用户人脸图像信息越相似,在阈值分段规则信息中为每个阈值段都设置了对应的阈值数,当任意阈值段内人脸图像信息个数大于或者等于对应的阈值数时,就可以认为用户的风险识别结果为存在风险。其中,阈值数可按照需要自行设置。
上述风险识别的方法,通过深度卷积神经网络对用户人脸图像信息进行特征提取,得到了能够准确描述人脸特征的特征向量,根据特征向量,对已构建的黑名单数据库进行检索,能够从黑名单数据库中检索到携带相似度值的待比对人脸图像信息集合,获取阈值分段规则信息,根据各待比对人脸图像信息的相似度值以及阈值分段规则信息,能够得到用户的风险识别结果。整个过程,通过深度卷积神经网络对用户人脸图像信息进行特征提取,得到了特征向量,根据特征向量对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合,从而根据相似度值和阈值分段规则信息对用户进行风险识别,提高了风险识别的安全性。
在其中一个实施例中,如图3所示,S204包括:
S302:根据已训练的深度卷积神经网络中的多任务卷积神经网络对用户人脸图像信息进行区域检测,得到目标人脸图像;
S304:对目标人脸图像进行预处理,将预处理后的目标人脸图像,输入已训练的深度卷积神经网络中的基于Inception_Resnet_v1的卷积神经网络,得到预设维度的特征向量;
S306:对预设维度的特征向量进行归一化处理,得到与用户人脸图像信息对应的特征向量。
多任务卷积神经网络,是一种基于级联的检测框架,包含P-Net、R-Net和O-Net三层网络结构,常用于人脸检测。其中,首先采用全卷积神经网络,即P-Net,去获得候选窗体和边界回归向量,并将候选窗体根据边界框进行校准,利用NMS(non maximumsuppression,非极大值抑制)方法去除重叠窗体。然后将经过P-Net确定的包含候选窗体的图片在R-Net网络中训练,(选用全连接的方式进行训练),利用边界框向量微调候选窗体,再利用NMS去除重叠窗体。最后采用O-Net网络在去除重叠候选窗口的同时,显示五个人脸关键点定位。O-Net网络的网络结构比R-Net网络多一层卷积。
根据多任务卷积神经网络对用户人脸图像信息进行区域检测,能够得到目标人脸图像,在得到目标人脸图像之后,需要对目标人脸图像进行预处理,预处理包括将得到的目标人脸图像进行旋转校正、图像增强、尺寸缩放等,在预处理完成后,再将预处理后的目标人脸图像,输入已训练的深度卷积神经网络中的基于Inception_Resnet_v1的卷积神经网络,得到预设维度的特征向量,对预设维度的特征向量进行归一化处理,得到与用户人脸图像信息对应的特征向量。其中,预设维度可按照需要自行设置,此处指的是高维度,可以为512,归一化就是要把需要处理的数据经过处理后限制在一定范围内,具体的向量归一化可以为把它各分量除以向量的模长,即按比例缩短到单位长度,方向不变。
基于Inception_Resnet_v1的卷积神经网络是一种结合并行多尺度卷积核和残差结构的卷积神经网络结构。基于Inception_Resnet_v1的卷积神经网络需要事先进行离线训练,训练方法可以为使用GPU(Graphics Processing Unit,图形处理器),将基于Inception_Resnet_v1的卷积神经网络在asian-celebrity上按照预设的超参数进行约一周的训练。
上述实施例,根据已训练的深度卷积神经网络中的多任务卷积神经网络和基于Inception_Resnet_v1的卷积神经网络,得到预设维度的特征向量,对预设维度的特征向量进行归一化处理,得到与用户人脸图像信息对应的特征向量,实现了对特征向量的获取。
在其中一个实施例中,如图4所示,S302包括:
S402:当用户人脸图像信息中包括多张人脸图像时,根据多任务卷积神经网络确定与多张人脸图像对应的人脸框的大小和坐标;
S404:根据各人脸框的坐标,确定各人脸框的中心点;
S406:计算各人脸框的中心点与用户人脸图像的中心点之间的距离,确定距离最短的中心点对应的人脸框所框选的人脸图像为目标人脸图像。
当用户人脸图像信息中包括多张人脸图像时,服务器首先会根据多任务卷积神经网络中的P-Net网络和R-Net网络确定与多张人脸图像对应的人脸框的大小和坐标,然后根据多任务卷积神经网络中的O-Net网络以及各人脸框的坐标,确定各人脸框的中心点,最后计算各人脸框的中心点与用户人脸图像的中心点之间的距离,确定距离最短的中心点对应的人脸框所框选的人脸图像为目标人脸图像。
上述实施例,当用户人脸图像信息中包括多张人脸图像时,根据多任务卷积神经网络对多张人脸图像进行处理,得到各人脸框的中心点,通过计算各人脸框的中心点与用户人脸图像的中心点之间的距离,确定目标人脸图像,实现了对目标人脸图像的获取。
在其中一个实施例中,如图5所示,S206包括:
S502:根据特征向量,通过faiss提供的暴力搜索方法对已构建的黑名单数据库中的距离索引进行检索,得到携带相似度值的待比对人脸图像信息集合。
faiss是为稠密向量提供高效相似度搜索和聚类的框架,它具有能够提供多种检索方法、速度快、可存在内存和磁盘中、C++实现,提供Python封装调用、大部分算法支持GPU实现等优点。服务器根据特征向量,通过faiss提供的暴力搜索方法对已构建的黑名单数据库中的距离索引进行检索,能够从距离索引中检索到与特征向量相似的、携带相似度值的待比对人脸图像信息集合。其中,通过faiss提供的暴力搜索方法进行检索时,它会自动计算特征向量与距离索引中各与人脸照片黑名单对应的特征向量的相似度值,并返回相似度最高的N个待比对人脸图像信息,其中待比对人脸图像信息可以为与人脸照片黑名单对应的特征向量。用户可通过faiss提供的暴力搜索方法中提供的参数入口,事先输入想要得到的相似度最高的特征向量数N。faiss暴力搜索后返回的待比对人脸图像信息集合是已经根据相似度值排好序的待比对人脸图像信息集合。
上述实施例,根据特征向量,通过faiss提供的暴力搜索方法对已构建的黑名单数据库中的距离索引进行检索,得到携带相似度值的待比对人脸图像信息集合,实现了对待比对人脸图像信息集合的获取。
在其中一个实施例中,如图6所示,S208包括:
S602:比对相似度值和阈值分段规则中各阈值段对应的分数值,统计各阈值段内的人脸图像信息个数;
S604:当任意阈值段内人脸图像信息个数大于或者等于对应的阈值数时,得到用户的风险识别结果为存在风险,并对用户进行风险管控。
阈值分段规则信息是指对相似度值进行分段处理的信息,在阈值分段规则信息中,包括了各阈值段对应的分数值,各阈值段对应的分数值与相似度值相对应,通过比对相似度值和各阈值段对应的分数值,可以统计各阈值段内的人脸图像信息个数,此处的人脸图像信息都为上一步骤中得到的携带相似度值的待比对人脸图像信息集合中的待比对人脸图像信息,进而可以根据各阈值段内的人脸图像信息个数,得到用户的风险识别结果。具体的,因为相似度值越高,代表待比对人脸图像信息与用户人脸图像信息越相似,在阈值分段规则信息中为每个阈值段都设置了对应的阈值数,当任意阈值段内人脸图像信息个数大于或者等于对应的阈值数时,就可以认为用户的风险识别结果为存在风险。其中,阈值数可按照需要自行设置。对用户进行风险管控包括拒绝用户请求、将用户信息加入黑名单数据库等。
进一步的,因为相似度值大部分会落入[0 2.5]这个区间内,且当相似度值大于1时,即可认为待比对人脸图像信息与用户人脸图像信息不相似,所以,阈值分段规则信息的设置可以如表1所示。其中,X、Y、Z、M的数值可按照需要自行设置,X的数值较小,可以为0.3、0.4等,只要在该阈值段内人脸图像信息个数大于或者等于1时,即可认为用户的风险识别结果为存在风险。因为当相似度值大于1时,即可认为待比对人脸图像信息与用户人脸图像信息不相似,所以对应的无论在[1 2.5]阈值段内人脸图像信息个数为多少,都可以认为用户的风险识别结果为不存在风险。
表1
相似度值 |
[0X] |
[X Y] |
[Y 1] |
[1 2.5] |
阈值 |
1 |
Z |
M |
无 |
上述实施例,比对相似度值和阈值分段规则中各阈值段对应的分数值,统计各阈值段内的人脸图像信息个数,当任意阈值段内人脸图像信息个数大于或者等于对应的阈值数时,得到用户的风险识别结果,实现了对用户的风险识别结果的确定。
在其中一个实施例中,如图7所示,S206之前,还包括:
S702:采用网络爬虫技术获取携带身份信息的人脸照片黑名单集合;
S704:根据已训练的深度卷积神经网络对人脸照片黑名单集合中各人脸照片进行特征提取,得到人脸照片黑名单集合中各人脸照片的特征向量;
S706:根据身份信息标记各人脸照片的特征向量;
S708:根据已标记的各人脸照片的特征向量,调用faiss构建距离索引,根据距离索引构建黑名单数据库;
S710:根据预设的获取周期,采用网络爬虫技术持续获取携带身份信息的人脸照片黑名单,并根据获取到的人脸照片黑名单更新黑名单数据库。
服务器采用网络爬虫技术从常见的征信网站上获取携带身份信息的人脸照片黑名单集合,根据已训练的深度卷积神经网络对人脸照片黑名单集合中各人脸照片进行特征提取,得到人脸照片黑名单集合中各人脸照片的特征向量,根据身份信息标记各人脸照片的特征向量,形成身份信息和特征向量的映射对应关系,便于查询。根据已标记的各人脸照片的特征向量,调用faiss构建距离索引,即调用faiss将根据已标记的各人脸照片的特征向量加入距离索引中,进而将构建好的距离索引存入黑名单数据库中,构建黑名单数据库。进一步的,此处的距离索引可以为常见的L2距离索引,若此处为L2距离索引,则在通过faiss提供的暴力搜索方法进行检索时,可根据欧式距离进行检索。在构建完成黑名单数据库后,服务器还会根据预设的获取周期,采用网络爬虫技术持续获取携带身份信息的人脸照片黑名单,并根据获取到的人脸照片黑名单更新黑名单数据库。其中,预设的获取周期可按照需要自行设置。
上述实施例,采用网络爬虫技术获取携带身份信息的人脸照片黑名单集合,根据深度卷积神经网络对人脸照片黑名单集合中各人脸照片进行特征提取,得到人脸照片黑名单集合中各人脸照片的特征向量,根据特征向量调用faiss构建距离索引,根据距离索引构建黑名单数据库,并根据预设的获取周期定期更新黑名单数据库,实现了对黑名单数据库的构建和更新。
在其中一个实施例中,如图8所示,S204之前,还包括:
S802:获取样本图像信息;
S804:将样本图像信息划分为训练集和验证集;
S806:根据训练集对初始深度卷积神经网络进行初步训练,根据验证集对初步训练后的深度卷积神经网络进行调整,得到已训练的深度卷积神经网络。
服务器获取样本图像信息,将样本图像信息划分为训练集和验证集,训练集用于对初始深度卷积网络进行初步训练,验证集用于对初步训练后的深度卷积神经网络进行调整,经过初步训练和调整之后,就可以得到已训练的深度卷积神经网络。
上述实施例,获取样本图像信息,将样本图像信息划分为训练集和验证集,根据训练集和验证集分别对初始深度卷积神经网络进行初步训练和调整,得到已训练的深度卷积神经网络,实现了对已训练的深度卷积神经网络的获取。
在其中一个实施例中,提供了本申请的一个最优实施例。
服务器首先接收携带用户人脸图像信息的请求,获取样本图像信息,将样本图像信息划分为训练集和验证集,根据训练集对初始深度卷积神经网络进行初步训练,根据验证集对初步训练后的深度卷积神经网络进行调整,得到已训练的深度卷积神经网络。然后根据已训练的深度卷积神经网络中的多任务卷积神经网络对用户人脸图像信息进行区域检测,得到目标人脸图像,其中包括当用户人脸图像信息中包括多张人脸图像时,根据多任务卷积神经网络确定与多张人脸图像对应的人脸框的大小和坐标,根据各人脸框的坐标,确定各人脸框的中心点,计算各人脸框的中心点与用户人脸图像的中心点之间的距离,确定距离最短的中心点对应的人脸框所框选的人脸图像为目标人脸图像。然后对目标人脸图像进行预处理,将预处理后的目标人脸图像,输入已训练的深度卷积神经网络中的基于Inception_Resnet_v1的卷积神经网络,得到预设维度的特征向量,对预设维度的特征向量进行归一化处理,得到与用户人脸图像信息对应的特征向量。然后采用网络爬虫技术获取携带身份信息的人脸照片黑名单集合,根据已训练的深度卷积神经网络对人脸照片黑名单集合中各人脸照片进行特征提取,得到人脸照片黑名单集合中各人脸照片的特征向量,根据身份信息标记各人脸照片的特征向量,根据已标记的各人脸照片的特征向量,调用faiss构建距离索引,根据距离索引构建黑名单数据库,根据预设的获取周期,采用网络爬虫技术持续获取携带身份信息的人脸照片黑名单,并根据获取到的人脸照片黑名单更新黑名单数据库。最后根据特征向量,通过faiss提供的暴力搜索方法对已构建的黑名单数据库中的距离索引进行检索,得到携带相似度值的待比对人脸图像信息集合,比对相似度值和阈值分段规则中各阈值段对应的分数值,统计各阈值段内的人脸图像信息个数,当任意阈值段内人脸图像信息个数大于或者等于对应的阈值数时,得到用户的风险识别结果为存在风险,并对用户进行风险管控。
应该理解的是,虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-8中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种风险识别的装置,包括:接收模块902、特征提取模块904、检索模块906和风险识别模块908,其中:
接收模块902,用于接收携带用户人脸图像信息的请求;
特征提取模块904,用于根据已训练的深度卷积神经网络对用户人脸图像信息进行特征提取,得到与用户人脸图像信息对应的特征向量,已训练的深度卷积神经网络由训练样本图像信息得到;
检索模块906,用于根据特征向量,对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合,已构建的黑名单数据库由预先获取的人脸照片黑名单得到;
风险识别模块908,用于获取阈值分段规则信息,根据相似度值以及阈值分段规则信息,得到用户的风险识别结果。
上述风险识别的装置,通过深度卷积神经网络对用户人脸图像信息进行特征提取,得到了能够准确描述人脸特征的特征向量,根据特征向量,对已构建的黑名单数据库进行检索,能够从黑名单数据库中检索到携带相似度值的待比对人脸图像信息集合,获取阈值分段规则信息,根据各待比对人脸图像信息的相似度值以及阈值分段规则信息,能够得到用户的风险识别结果。整个过程,通过深度卷积神经网络对用户人脸图像信息进行特征提取,得到了特征向量,根据特征向量对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合,从而根据相似度值和阈值分段规则信息对用户进行风险识别,提高了风险识别的安全性。
在其中一个实施例中,特征提取模块还用于根据已训练的深度卷积神经网络中的多任务卷积神经网络对用户人脸图像信息进行区域检测,得到目标人脸图像,对目标人脸图像进行预处理,将预处理后的目标人脸图像,输入已训练的深度卷积神经网络中的基于Inception_Resnet_v1的卷积神经网络,得到预设维度的特征向量,对预设维度的特征向量进行归一化处理,得到与用户人脸图像信息对应的特征向量。
在其中一个实施例中,特征提取模块还用于当用户人脸图像信息中包括多张人脸图像时,根据多任务卷积神经网络确定与多张人脸图像对应的人脸框的大小和坐标,根据各人脸框的坐标,确定各人脸框的中心点,计算各人脸框的中心点与用户人脸图像的中心点之间的距离,确定距离最短的中心点对应的人脸框所框选的人脸图像为目标人脸图像。
在其中一个实施例中,检索模块还用于根据特征向量,通过faiss提供的暴力搜索方法对已构建的黑名单数据库中的距离索引进行检索,得到携带相似度值的待比对人脸图像信息集合。
在其中一个实施例中,风险识别模块还用于比对相似度值和阈值分段规则中各阈值段对应的分数值,统计各阈值段内的人脸图像信息个数,当任意阈值段内人脸图像信息个数大于或者等于对应的阈值数时,得到用户的风险识别结果为存在风险,并对用户进行风险管控。
在其中一个实施例中,检索模块还用于采用网络爬虫技术获取携带身份信息的人脸照片黑名单集合,根据已训练的深度卷积神经网络对人脸照片黑名单集合中各人脸照片进行特征提取,得到人脸照片黑名单集合中各人脸照片的特征向量,根据身份信息标记各人脸照片的特征向量,根据已标记的各人脸照片的特征向量,调用faiss构建距离索引,根据距离索引构建黑名单数据库,根据预设的获取周期,采用网络爬虫技术持续获取携带身份信息的人脸照片黑名单,并根据获取到的人脸照片黑名单更新黑名单数据库。
在其中一个实施例中,特征提取模块还用于获取样本图像信息,将样本图像信息划分为训练集和验证集,根据训练集对初始深度卷积神经网络进行初步训练,根据验证集对初步训练后的深度卷积神经网络进行调整,得到已训练的深度卷积神经网络。
关于风险识别的装置的具体限定可以参见上文中对于风险识别的方法的限定,在此不再赘述。上述风险识别的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储黑名单数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种风险识别的方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
接收携带用户人脸图像信息的请求;
根据已训练的深度卷积神经网络对用户人脸图像信息进行特征提取,得到与用户人脸图像信息对应的特征向量,已训练的深度卷积神经网络由训练样本图像信息得到;
根据特征向量,对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合,已构建的黑名单数据库由预先获取的人脸照片黑名单得到;
获取阈值分段规则信息,根据相似度值以及阈值分段规则信息,得到用户的风险识别结果。
上述风险识别的计算机设备,通过深度卷积神经网络对用户人脸图像信息进行特征提取,得到了能够准确描述人脸特征的特征向量,根据特征向量,对已构建的黑名单数据库进行检索,能够从黑名单数据库中检索到携带相似度值的待比对人脸图像信息集合,获取阈值分段规则信息,根据各待比对人脸图像信息的相似度值以及阈值分段规则信息,能够得到用户的风险识别结果。整个过程,通过深度卷积神经网络对用户人脸图像信息进行特征提取,得到了特征向量,根据特征向量对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合,从而根据相似度值和阈值分段规则信息对用户进行风险识别,提高了风险识别的安全性。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据已训练的深度卷积神经网络中的多任务卷积神经网络对用户人脸图像信息进行区域检测,得到目标人脸图像;
对目标人脸图像进行预处理,将预处理后的目标人脸图像,输入已训练的深度卷积神经网络中的基于Inception_Resnet_v1的卷积神经网络,得到预设维度的特征向量;
对预设维度的特征向量进行归一化处理,得到与用户人脸图像信息对应的特征向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当用户人脸图像信息中包括多张人脸图像时,根据多任务卷积神经网络确定与多张人脸图像对应的人脸框的大小和坐标;
根据各人脸框的坐标,确定各人脸框的中心点;
计算各人脸框的中心点与用户人脸图像的中心点之间的距离,确定距离最短的中心点对应的人脸框所框选的人脸图像为目标人脸图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据特征向量,通过faiss提供的暴力搜索方法对已构建的黑名单数据库中的距离索引进行检索,得到携带相似度值的待比对人脸图像信息集合。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
比对相似度值和阈值分段规则中各阈值段对应的分数值,统计各阈值段内的人脸图像信息个数;
当任意阈值段内人脸图像信息个数大于或者等于对应的阈值数时,得到用户的风险识别结果为存在风险,并对用户进行风险管控。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用网络爬虫技术获取携带身份信息的人脸照片黑名单集合;
根据已训练的深度卷积神经网络对人脸照片黑名单集合中各人脸照片进行特征提取,得到人脸照片黑名单集合中各人脸照片的特征向量;
根据身份信息标记各人脸照片的特征向量;
根据已标记的各人脸照片的特征向量,调用faiss构建距离索引,根据距离索引构建黑名单数据库;
根据预设的获取周期,采用网络爬虫技术持续获取携带身份信息的人脸照片黑名单,并根据获取到的人脸照片黑名单更新黑名单数据库。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取样本图像信息;
将样本图像信息划分为训练集和验证集;
根据训练集对初始深度卷积神经网络进行初步训练,根据验证集对初步训练后的深度卷积神经网络进行调整,得到已训练的深度卷积神经网络。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
接收携带用户人脸图像信息的请求;
根据已训练的深度卷积神经网络对用户人脸图像信息进行特征提取,得到与用户人脸图像信息对应的特征向量,已训练的深度卷积神经网络由训练样本图像信息得到;
根据特征向量,对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合,已构建的黑名单数据库由预先获取的人脸照片黑名单得到;
获取阈值分段规则信息,根据相似度值以及阈值分段规则信息,得到用户的风险识别结果。
上述风险识别的存储介质,通过深度卷积神经网络对用户人脸图像信息进行特征提取,得到了能够准确描述人脸特征的特征向量,根据特征向量,对已构建的黑名单数据库进行检索,能够从黑名单数据库中检索到携带相似度值的待比对人脸图像信息集合,获取阈值分段规则信息,根据各待比对人脸图像信息的相似度值以及阈值分段规则信息,能够得到用户的风险识别结果。整个过程,通过深度卷积神经网络对用户人脸图像信息进行特征提取,得到了特征向量,根据特征向量对已构建的黑名单数据库进行检索,得到携带相似度值的待比对人脸图像信息集合,从而根据相似度值和阈值分段规则信息对用户进行风险识别,提高了风险识别的安全性。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据已训练的深度卷积神经网络中的多任务卷积神经网络对用户人脸图像信息进行区域检测,得到目标人脸图像;
对目标人脸图像进行预处理,将预处理后的目标人脸图像,输入已训练的深度卷积神经网络中的基于Inception_Resnet_v1的卷积神经网络,得到预设维度的特征向量;
对预设维度的特征向量进行归一化处理,得到与用户人脸图像信息对应的特征向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当用户人脸图像信息中包括多张人脸图像时,根据多任务卷积神经网络确定与多张人脸图像对应的人脸框的大小和坐标;
根据各人脸框的坐标,确定各人脸框的中心点;
计算各人脸框的中心点与用户人脸图像的中心点之间的距离,确定距离最短的中心点对应的人脸框所框选的人脸图像为目标人脸图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据特征向量,通过faiss提供的暴力搜索方法对已构建的黑名单数据库中的距离索引进行检索,得到携带相似度值的待比对人脸图像信息集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
比对相似度值和阈值分段规则中各阈值段对应的分数值,统计各阈值段内的人脸图像信息个数;
当任意阈值段内人脸图像信息个数大于或者等于对应的阈值数时,得到用户的风险识别结果为存在风险,并对用户进行风险管控。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用网络爬虫技术获取携带身份信息的人脸照片黑名单集合;
根据已训练的深度卷积神经网络对人脸照片黑名单集合中各人脸照片进行特征提取,得到人脸照片黑名单集合中各人脸照片的特征向量;
根据身份信息标记各人脸照片的特征向量;
根据已标记的各人脸照片的特征向量,调用faiss构建距离索引,根据距离索引构建黑名单数据库;
根据预设的获取周期,采用网络爬虫技术持续获取携带身份信息的人脸照片黑名单,并根据获取到的人脸照片黑名单更新黑名单数据库。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取样本图像信息;
将样本图像信息划分为训练集和验证集;
根据训练集对初始深度卷积神经网络进行初步训练,根据验证集对初步训练后的深度卷积神经网络进行调整,得到已训练的深度卷积神经网络。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。