CN110489951B - 风险识别的方法、装置、计算机设备和存储介质 - Google Patents

风险识别的方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110489951B
CN110489951B CN201910608068.0A CN201910608068A CN110489951B CN 110489951 B CN110489951 B CN 110489951B CN 201910608068 A CN201910608068 A CN 201910608068A CN 110489951 B CN110489951 B CN 110489951B
Authority
CN
China
Prior art keywords
image information
face image
user
neural network
convolutional neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910608068.0A
Other languages
English (en)
Other versions
CN110489951A (zh
Inventor
刘力铭
王耀南
姜良雷
张鹏
李锦南
何涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhaolian Consumer Finance Co ltd
Original Assignee
Merchants Union Consumer Finance Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Merchants Union Consumer Finance Co Ltd filed Critical Merchants Union Consumer Finance Co Ltd
Priority to CN201910608068.0A priority Critical patent/CN110489951B/zh
Publication of CN110489951A publication Critical patent/CN110489951A/zh
Application granted granted Critical
Publication of CN110489951B publication Critical patent/CN110489951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Computer Security & Cryptography (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种风险识别的方法、装置、计算机设备和存储介质。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，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，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。采用本方法能够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，得到特征向量，根据特征向量得到相似度值，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。

Description

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。

Claims (10)

1.一种风险识别的方法，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所述用户人脸图像信息进行特征提取，得到与所述用户人脸图像信息对应的特征向量，所述已训练的深度卷积神经网络由训练样本图像信息得到；
根据所述特征向量，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，所述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，所述待比对人脸图像信息集合包括预设特征向量数条待比对人脸图像信息；
获取阈值分段规则信息，根据所述相似度值以及所述阈值分段规则信息，得到用户的风险识别结果；
所述获取阈值分段规则信息，根据所述相似度值以及所述阈值分段规则信息，得到用户的风险识别结果包括：
比对所述相似度值和所述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。
2.根据权利要求1所述的方法，其特征在于，所述根据已训练的深度卷积神经网络对所述用户人脸图像信息进行特征提取，得到与所述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所述用户人脸图像信息进行区域检测，得到目标人脸图像；
对所述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；
对所述预设维度的特征向量进行归一化处理，得到与所述用户人脸图像信息对应的特征向量。
3.根据权利要求2所述的方法，其特征在于，所述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所述用户人脸图像信息进行区域检测，得到目标人脸图像包括：
当所述用户人脸图像信息中包括多张人脸图像时，根据所述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；
根据各所述人脸框的坐标，确定各所述人脸框的中心点；
计算各所述人脸框的中心点与所述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。
4.根据权利要求1所述的方法，其特征在于，所述根据所述特征向量，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：
根据所述特征向量，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。
5.根据权利要求1所述的方法，其特征在于，所述根据所述特征向量，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所述人脸照片黑名单集合中各人脸照片进行特征提取，得到所述人脸照片黑名单集合中各人脸照片的特征向量；
根据所述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，根据所述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所述黑名单数据库。
6.根据权利要求1所述的方法，其特征在于，所述根据已训练的深度卷积神经网络对所述用户人脸图像信息进行特征提取，得到与所述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；
将所述样本图像信息划分为训练集和验证集；
根据所述训练集对初始深度卷积神经网络进行初步训练，根据所述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。
7.一种风险识别的装置，其特征在于，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所述用户人脸图像信息进行特征提取，得到与所述用户人脸图像信息对应的特征向量，所述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，用于根据所述特征向量，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，所述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，所述待比对人脸图像信息集合包括预设特征向量数条待比对人脸图像信息；
风险识别模块，用于获取阈值分段规则信息，根据所述相似度值以及所述阈值分段规则信息，得到用户的风险识别结果；
风险识别模块还用于比对所述相似度值和所述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。
8.根据权利要求7所述的装置，其特征在于，所述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。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN201910608068.0A 2019-07-08 2019-07-08 风险识别的方法、装置、计算机设备和存储介质 Active CN110489951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910608068.0A CN110489951B (zh) 2019-07-08 2019-07-08 风险识别的方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910608068.0A CN110489951B (zh) 2019-07-08 2019-07-08 风险识别的方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110489951A CN110489951A (zh) 2019-11-22
CN110489951B true CN110489951B (zh) 2021-06-11

Family

ID=68545933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910608068.0A Active CN110489951B (zh) 2019-07-08 2019-07-08 风险识别的方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110489951B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046365B (zh) * 2019-12-16 2023-05-05 腾讯科技（深圳）有限公司 人脸图像传输方法、数值转移方法、装置及电子设备
CN113055334B (zh) * 2019-12-26 2023-07-28 国网山西省电力公司信息通信分公司 终端用户的网络行为的监管方法和装置
CN111709303A (zh) * 2020-05-21 2020-09-25 北京明略软件系统有限公司 一种人脸图像的识别方法和装置
CN111861240A (zh) * 2020-07-27 2020-10-30 深圳前海微众银行股份有限公司 可疑用户识别方法、装置、设备及可读存储介质
CN112037907A (zh) * 2020-07-28 2020-12-04 上海恩睦信息科技有限公司 一种基于面部特征提示卒中风险的系统
CN112084479A (zh) * 2020-09-15 2020-12-15 成都知道创宇信息技术有限公司 网站攻击拦截方法、装置、服务器及存储介质
CN112182537A (zh) * 2020-09-28 2021-01-05 深圳前海微众银行股份有限公司 监控方法、装置、服务器、系统以及存储介质
CN113792168A (zh) * 2021-08-11 2021-12-14 同盾科技有限公司 人脸底库自维护的方法、系统、电子装置和存储介质
CN113792679A (zh) * 2021-09-17 2021-12-14 深信服科技股份有限公司 一种黑名单人物识别方法、装置及电子设备和存储介质
CN115115843B (zh) * 2022-06-02 2023-08-22 马上消费金融股份有限公司 数据处理方法及装置
CN115423323B (zh) * 2022-09-05 2023-05-23 浙江口碑网络技术有限公司 安全管理方法、装置、电子设备及计算机存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203395A (zh) * 2016-07-26 2016-12-07 厦门大学 基于多任务深度学习的人脸属性识别方法
CN107423690A (zh) * 2017-06-26 2017-12-01 广东工业大学 一种人脸识别方法及装置
CN109214300A (zh) * 2018-08-09 2019-01-15 成都智达万应科技有限公司 一种基于人脸识别的嫌疑人预警方法及其系统
CN109344740A (zh) * 2018-09-12 2019-02-15 上海了物网络科技有限公司 人脸识别系统、方法及计算机可读存储介质
CN109345370A (zh) * 2018-08-29 2019-02-15 中国建设银行股份有限公司 基于人脸识别的风险预测方法、装置、终端及可读介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9106694B2 (en) * 2004-04-01 2015-08-11 Fireeye, Inc. Electronic message analysis for malware detection
US9886693B2 (en) * 2009-03-30 2018-02-06 Yuh-Shen Song Privacy protected anti identity theft and payment network
CN106611133B (zh) * 2015-10-27 2022-07-19 创新先进技术有限公司 一种风险识别方法和设备
CN108510282A (zh) * 2018-03-30 2018-09-07 深圳市零度智控科技有限公司 信贷风险控制方法及系统、存储介质
CN109345378A (zh) * 2018-09-29 2019-02-15 佛山储钱罐信息咨询服务有限公司 金融借贷风险管控方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203395A (zh) * 2016-07-26 2016-12-07 厦门大学 基于多任务深度学习的人脸属性识别方法
CN107423690A (zh) * 2017-06-26 2017-12-01 广东工业大学 一种人脸识别方法及装置
CN109214300A (zh) * 2018-08-09 2019-01-15 成都智达万应科技有限公司 一种基于人脸识别的嫌疑人预警方法及其系统
CN109345370A (zh) * 2018-08-29 2019-02-15 中国建设银行股份有限公司 基于人脸识别的风险预测方法、装置、终端及可读介质
CN109344740A (zh) * 2018-09-12 2019-02-15 上海了物网络科技有限公司 人脸识别系统、方法及计算机可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FaceNet: A Unified Embedding for Face Recognition and Clustering;Florian Schroff etal;《2015 IEEE Conference on Computer Vison and Pattern Recognition(CVPR)》;20151015;正文全文 *
基于人脸识别技术的人证比对系统设计;王祺 等;《吉首大学学报（ 自然科学版）》;20180928;第39卷(第4期);第15-19页 *
改进 Softmax 分类器的深度卷积神经网络及其在人脸识别中的应用;冉鹏, 等;《上海大学学报（自然科学版）》;20180815;第24卷(第3期);第352-366页 *

Also Published As

Publication number Publication date
CN110489951A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN110489951B (zh) 风险识别的方法、装置、计算机设备和存储介质
CN109389030B (zh) 人脸特征点检测方法、装置、计算机设备及存储介质
US11348249B2 (en) Training method for image semantic segmentation model and server
CN109729383B (zh) 双录视频质量检测方法、装置、计算机设备和存储介质
CN111738244B (zh) 图像检测方法、装置、计算机设备和存储介质
WO2019237846A1 (zh) 图像处理方法、人脸识别方法、装置和计算机设备
CN110569721A (zh) 识别模型训练方法、图像识别方法、装置、设备及介质
CN111950329A (zh) 目标检测及模型训练方法、装置、计算机设备和存储介质
WO2021003938A1 (zh) 图像分类方法、装置、计算机设备和存储介质
CN111860147A (zh) 行人重识别模型优化处理方法、装置和计算机设备
CN111968134B (zh) 目标分割方法、装置、计算机可读存储介质及计算机设备
US20200175259A1 (en) Face recognition method and apparatus capable of face search using vector
CN111104841A (zh) 暴力行为检测方法及系统
CN110660078B (zh) 对象追踪方法、装置、计算机设备和存储介质
CN108200087B (zh) web入侵检测方法、装置、计算机设备和存储介质
CN115690672A (zh) 异常图像识别方法、装置、计算机设备和存储介质
CN114282019A (zh) 目标多媒体数据查找方法、装置、计算机设备、存储介质
CN109784379B (zh) 纺织品图片特征库的更新方法和装置
CN110929724A (zh) 字符识别方法、装置、计算机设备和存储介质
CN109829388A (zh) 基于微表情的视频数据处理方法、装置和计算机设备
US20210042565A1 (en) Method and device for updating database, electronic device, and computer storage medium
CN112163110A (zh) 图像分类方法、装置、电子设备和计算机可读存储介质
CN111709422A (zh) 基于神经网络的图像识别方法、装置和计算机设备
CN114077685A (zh) 一种图像检索方法、装置、计算机设备和存储介质
WO2022257433A1 (zh) 图像的特征图的处理方法及装置、存储介质、终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Patentee after: Zhaolian Consumer Finance Co.,Ltd.

Country or region after: China

Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Patentee before: MERCHANTS UNION CONSUMER FINANCE Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address