CN110619527A - 诈骗预警信息生成方法及装置 - Google Patents
诈骗预警信息生成方法及装置 Download PDFInfo
- Publication number
- CN110619527A CN110619527A CN201910921382.4A CN201910921382A CN110619527A CN 110619527 A CN110619527 A CN 110619527A CN 201910921382 A CN201910921382 A CN 201910921382A CN 110619527 A CN110619527 A CN 110619527A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- fraud
- time length
- set time
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Abstract
本发明提供了一种诈骗预警信息生成方法及装置,该方法包括:获得用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息;从用户在第一设定时长内的视频信息中提取用户的行为特征信息,所述行为特征信息包括轨迹跟踪特征信息、动作特征信息和表情特征信息其中之一或任意组合;将用户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型,确认用户是否处于被诈骗过程;在用户处于被诈骗过程时,生成诈骗预警信息。本发明可以生成诈骗预警信息,效率高,成本低。
Description
技术领域
本发明涉及互联网领域,尤其涉及一种诈骗预警信息生成方法及装置。
背景技术
目前,各种诈骗事件频发,尤其是在金融电信领域,全国金融电信诈骗平均每年损失100亿元之巨,受骗者多为老年人和外来务工人员。受骗后,大部分诈骗者身在境外难以追缴,给广大受害者造成了极大损失。在诈骗过程中,广大受害者往往选择去特定地点,例如去银行ATM机或者网点进行转账汇款。尽管网点有时能够成功拦截诈骗事件,但是还有相当部分诈骗不能实时拦截,主要原因是不能实时地生成预警信息,从而不能及时拦截诈骗,而依靠人为预警的方式的人力成本太大,因此,目前亟需一种生成诈骗预警信息的有效方法。
发明内容
本发明实施例提出一种诈骗预警信息生成方法,用以生成诈骗预警信息,效率高,成本低,该方法包括:
获得用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息;
从用户在第一设定时长内的视频信息中提取用户的行为特征信息,所述行为特征信息包括轨迹跟踪特征信息、动作特征信息和表情特征信息其中之一或任意组合;
将用户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型,确认用户是否处于被诈骗过程;
在用户处于被诈骗过程时,生成诈骗预警信息。
本发明实施例提出一种诈骗预警信息生成装置,用以生成诈骗预警信息,效率高,成本低,该装置包括:
第一数据获得模块,用于获得用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息;
第二数据获得模块,用于从用户在第一设定时长内的视频信息中提取用户的行为特征信息,所述行为特征信息包括轨迹跟踪特征信息、动作特征信息和表情特征信息其中之一或任意组合;
诈骗识别模块,用于将用户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型,确认用户是否处于被诈骗过程;
诈骗预警信息生成模块,用于在用户处于被诈骗过程时,生成诈骗预警信息。
本发明实施例还提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述诈骗预警信息生成方法。
本发明实施例还提出了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述诈骗预警信息生成方法的计算机程序。
在本发明实施例中,获得用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息;从用户在第一设定时长内的视频信息中提取用户的行为特征信息,所述行为特征信息包括轨迹跟踪特征信息、动作特征信息和表情特征信息其中之一或任意组合;将用户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型,确认用户是否处于被诈骗过程;在用户处于被诈骗过程时,生成诈骗预警信息。在上述过程中,实时采集用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息,可实时地从用户在第一设定时长内的视频信息中提取用户的行为特征信息,将客户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型之后,即可实时确认用户是否处于被诈骗过程;在用户处于被诈骗过程时,可实时生成诈骗预警信息,效率高,且上述过程不需要投入大量人力参与,成本低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中诈骗预警信息生成方法的流程图;
图2为本发明实施例提出的诈骗预警信息生成方法的详细流程图;
图3为本发明实施例中诈骗预警信息生成装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
发明人发现,各种诈骗事件频发的原因主要有三点,一是,监督工作人员对发现诈骗的经验不足,例如,银行工作人员对于发现异常汇款受害者的经验不足,导致受害人持续向诈骗团伙进行汇款;二是,受害者在被诈骗过程中处于无人值守的地点,监督工作人员无法进行实时阻止;例如,如果受害者选择在ATM机进行转账,工作人员无法进行实时阻止;三是,投入人力发现诈骗者需要耗费大量的人力成本,影响网点工作效率。基于上述问题,本发明实施例提出一种诈骗预警信息生成方法,用以生成诈骗预警信息,效率高,并可将该诈骗预警信息实时发送至诈骗实施的设备,例如ATM机网点等,成本低。
图1为本发明实施例中诈骗预警信息生成方法的流程图,如图1所示,该方法包括:
步骤101,获得用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息;
步骤102,从用户在第一设定时长内的视频信息中提取用户的行为特征信息,所述行为特征信息包括轨迹跟踪特征信息、动作特征信息和表情特征信息其中之一或任意组合;
步骤103,将用户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型,确认用户是否处于被诈骗过程;
步骤104,在用户处于被诈骗过程时,生成诈骗预警信息。
在上述实施例中,获得用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息;从用户在第一设定时长内的视频信息中提取用户的行为特征信息,所述行为特征信息包括轨迹跟踪特征信息、动作特征信息和表情特征信息其中之一或任意组合;将用户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型,确认用户是否处于被诈骗过程;在用户处于被诈骗过程时,生成诈骗预警信息。在上述过程中,实时采集用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息,可实时地从用户在第一设定时长内的视频信息中提取用户的行为特征信息,将客户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型之后,即可实时确认用户是否处于被诈骗过程;在用户处于被诈骗过程时,可实时生成诈骗预警信息,效率高,且上述过程不需要投入大量人力参与,成本低。
具体实施时,第一设定时长可以是用户将要被骗的前一段时长,例如,用户在银行进行转账交易时,第一设定时长可以为用户进行转账操作的前一个小时,在网点和ATM机一般都有摄像头,获取摄像头关于此用户在第一设定时长内的视频信息。用户在第二设定时长内的银行账户记录信息,可以是用户在进行转账操作的前10天、前20天或前30天的交易笔数和交易金额、客户账户是否发生动账交易等记录信息,如果该用户在一银行还没有留下信息,可确定该用户为新用户,重点关注。获取用户在第二设定时长内的银行账户记录信息,是因为根据统计分析,处于被诈骗过程的用户出现大额汇款交易次数较少,频率低。
然后,从用户在第一设定时长内的视频信息中提取用户的行为特征信息。一般处于被诈骗过程的用户多会出现神色紧张、办事慌张等特点,因此,表情特征信息包括表情图片,包括用户惊讶、惊恐的特征。识别表情时,在图像中进行人脸检测,确定输入图像中是否有人脸,在有人脸的情况下确定人脸的位置和大小。然后对人脸进行特征提取,得到反映表情特征的关键信息。将用户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型,确认用户是否处于被诈骗过程;在用户处于被诈骗过程时,生成诈骗预警信息,这些诈骗预警信息可发送至ATM机或网点,从而进行诈骗的实时拦截。
在一实施例中,轨迹跟踪特征信息包括行走路线和/或运动速度。
在一实施例中,从用户在第一设定时长内的视频信息中提取用户的行为特征信息,包括:
根据用户在第一设定时长内的视频信息,获得用户在多个图像中的二维坐标位置;
根据用户在多个图像中的二维坐标位置,获得用户的行走路线;
根据用户的行走路线和用户在多个图像中的对应时刻,获得用户的运动速度。
在上述实施例中,采用视频提取技术,进行上述分析,不需人工分析整理,可降低人工成本,且提高效率。
在一实施例中,动作特征信息包括接打电话时长和接打电话次数;
从用户在第一设定时长内的视频信息中提取用户的行为特征信息,包括:
根据用户在第一设定时长内的视频信息,获得用户接打电话动作的开始时刻和结束时刻;
根据用户接打电话动作的开始时刻和结束时刻,获得用户的接打电话时长和接打电话次数。
在上述实施例中,首先视频分析时,识别用户是否在接打电话,然后获得用户接打电话动作的开始时刻和结束时刻,即可获得用户在第一设定时长内的接打电话时长和接打电话次数。
具体实施时,深度学习模型可以采用多种方法获得,下面给出其中一个实施例。
在一实施例中,深度学习模型采用如下方法训练获得:
获得历史被诈骗对象在第一设定时长内的视频信息,提取历史被诈骗对象的行为特征信息;
获得历史被诈骗对象的银行账户记录信息;
将历史被诈骗对象的行为特征信息和银行账户记录信息分为训练集数据和测试集数据;
提取训练集数据的特征向量;
利用所述特征向量训练深度学习模型;
在训练的过程中调整深度学习模型的参数,直至深度学习模型的损失函数满足预设收敛条件,获得训练后的深度学习模型;
利用测试集数据对训练后的深度学习模型的准确率进行验证,获得满足预设准确率的深度学习模型。
在上述实施例中,历史被诈骗对象的被骗数据可以从云存储中获得,同样获得历史被诈骗对象在第一设定时长内的视频信息和银行账户记录信息,通过训练即可获得满足预设准确率的深度学习模型,其中,预设收敛条件和预设准确率可以根据实际情况来定,上述过程为深度学习模型自迭代的过程,可解决诈骗形式多样性的问题。
在一实施例中,诈骗预警信息包括用户行为禁止信息和/或诈骗提示信息。
在一实施例中,诈骗预警信息生成方法还包括:
在诈骗发生在ATM机上时,将用户行为禁止信息和诈骗提示信息发送至ATM机的显示界面上;
在诈骗发生在网点时,将诈骗提示信息发送至网点的终端机上。
在上述实施例中,在诈骗发生在ATM机上时,诈骗预警信息包括用户行为禁止信息和诈骗提示信息,即在确认用户处于被诈骗过程且获得诈骗预警信息后,在ATM机上显示用户行为禁止信息,例如可以是“该转账被禁止”等禁止用户继续操作的信息,同时发送诈骗提示信息,告知用户处于被诈骗过程,可寻求周围工作人员的帮助。在诈骗发生在网点时,将诈骗提示信息发送至网点的终端机上,一般是柜员操作的终端机上,让柜员联系相关人员进行处理同时柜员提醒用户其正处于诈骗过程。
基于上述实施例,本发明提出如下一个实施例来说明诈骗预警信息生成方法的详细流程,图2为本发明实施例提出的诈骗预警信息生成方法的详细流程图,如图2所示,在一实施例中,诈骗预警信息生成方法的详细流程包括:
步骤201,获得用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息;
步骤202,在轨迹跟踪特征信息包括行走路线和/或运动速度时,根据用户在第一设定时长内的视频信息,获得用户在多个图像中的二维坐标位置;根据用户在多个图像中的二维坐标位置,获得用户的行走路线;根据用户的行走路线和用户在多个图像中的对应时刻,获得用户的运动速度;
步骤203,在动作特征信息包括接打电话时长和接打电话次数时,从用户在第一设定时长内的视频信息中提取用户的行为特征信息,包括:根据用户在第一设定时长内的视频信息,获得用户接打电话动作的开始时刻和结束时刻;根据用户接打电话动作的开始时刻和结束时刻,获得用户的接打电话时长和接打电话次数;
步骤204,获得历史被诈骗对象在第一设定时长内的视频信息,提取历史被诈骗对象的行为特征信息;
步骤205,获得历史被诈骗对象的银行账户记录信息;
步骤206,将历史被诈骗对象的行为特征信息和银行账户记录信息分为训练集数据和测试集数据;
步骤207,提取训练集数据的特征向量;
步骤208,利用所述特征向量训练深度学习模型;
步骤209,在训练的过程中调整深度学习模型的参数,直至深度学习模型的损失函数满足预设收敛条件,获得训练后的深度学习模型;
步骤210,利用测试集数据对训练后的深度学习模型的准确率进行验证,获得满足预设准确率的深度学习模型;
步骤211,将用户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型,确认用户是否处于被诈骗过程;
步骤212,在诈骗发生在ATM机上时,将用户行为禁止信息和诈骗提示信息发送至ATM机的显示界面上;
步骤213,在诈骗发生在网点时,将诈骗提示信息发送至网点的终端机上。
当然,可以理解的是,上述诈骗预警信息生成方法的详细流程还可以有其他变化例,相关变化例均应落入本发明的保护范围。
在本发明实施例提出的方法中,获得用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息;从用户在第一设定时长内的视频信息中提取用户的行为特征信息,所述行为特征信息包括轨迹跟踪特征信息、动作特征信息和表情特征信息其中之一或任意组合;将用户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型,确认用户是否处于被诈骗过程;在用户处于被诈骗过程时,生成诈骗预警信息。在上述过程中,实时采集用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息,可实时地从用户在第一设定时长内的视频信息中提取用户的行为特征信息,将客户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型之后,即可实时确认用户是否处于被诈骗过程;在用户处于被诈骗过程时,可实时生成诈骗预警信息,效率高,且上述过程不需要投入大量人力参与,成本低。
基于同样的发明构思,本发明实施例还提供了一种诈骗预警信息生成装置,如下面的实施例所述。由于这些解决问题的原理与诈骗预警信息生成方法相似,因此装置的实施可以参见方法的实施,重复之处不在赘述。
图3为本发明实施例中诈骗预警信息生成装置的示意图,如图3所示,该装置包括:
第一数据获得模块301,用于获得用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息;
第二数据获得模块302,用于从用户在第一设定时长内的视频信息中提取用户的行为特征信息,所述行为特征信息包括轨迹跟踪特征信息、动作特征信息和表情特征信息其中之一或任意组合;
诈骗识别模块303,用于将用户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型,确认用户是否处于被诈骗过程;
诈骗预警信息生成模块304,用于在用户处于被诈骗过程时,生成诈骗预警信息。
在一实施例中,轨迹跟踪特征信息包括行走路线和/或运动速度。
在一实施例中,第二数据获得模块302具体用于:
根据用户在第一设定时长内的视频信息,获得用户在多个图像中的二维坐标位置;
根据用户在多个图像中的二维坐标位置,获得用户的行走路线;
根据用户的行走路线和用户在多个图像中的对应时刻,获得用户的运动速度。
在一实施例中,动作特征信息包括接打电话时长和接打电话次数;
第二数据获得模块302具体用于:
从用户在第一设定时长内的视频信息中提取用户的行为特征信息,包括:
根据用户在第一设定时长内的视频信息,获得用户接打电话动作的开始时刻和结束时刻;
根据用户接打电话动作的开始时刻和结束时刻,获得用户的接打电话时长和接打电话次数。
在一实施例中,深度学习模型采用如下方法训练获得:
获得历史被诈骗对象在第一设定时长内的视频信息,提取历史被诈骗对象的行为特征信息;
获得历史被诈骗对象的银行账户记录信息;
将历史被诈骗对象的行为特征信息和银行账户记录信息分为训练集数据和测试集数据;
提取训练集数据的特征向量;
利用所述特征向量训练深度学习模型;
在训练的过程中调整深度学习模型的参数,直至深度学习模型的损失函数满足预设收敛条件,获得训练后的深度学习模型;
利用测试集数据对训练后的深度学习模型的准确率进行验证,获得满足预设准确率的深度学习模型。
在一实施例中,诈骗预警信息包括用户行为禁止信息和/或诈骗提示信息。
在一实施例中,诈骗预警信息生成装置还包括发送模块305,用于:
在诈骗发生在ATM机上时,将用户行为禁止信息和诈骗提示信息发送至ATM机的显示界面上;
在诈骗发生在网点时,将诈骗提示信息发送至网点的终端机上。
在本发明实施例提出的装置中,获得用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息;从用户在第一设定时长内的视频信息中提取用户的行为特征信息,所述行为特征信息包括轨迹跟踪特征信息、动作特征信息和表情特征信息其中之一或任意组合;将用户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型,确认用户是否处于被诈骗过程;在用户处于被诈骗过程时,生成诈骗预警信息。在上述过程中,实时采集用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息,可实时地从用户在第一设定时长内的视频信息中提取用户的行为特征信息,将客户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型之后,即可实时确认用户是否处于被诈骗过程;在用户处于被诈骗过程时,可实时生成诈骗预警信息,效率高,且上述过程不需要投入大量人力参与,成本低。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种诈骗预警信息生成方法,其特征在于,包括:
获得用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息;
从用户在第一设定时长内的视频信息中提取用户的行为特征信息,所述行为特征信息包括轨迹跟踪特征信息、动作特征信息和表情特征信息其中之一或任意组合;
将用户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型,确认用户是否处于被诈骗过程;
在用户处于被诈骗过程时,生成诈骗预警信息。
2.如权利要求1所述的诈骗预警信息生成方法,其特征在于,轨迹跟踪特征信息包括行走路线和/或运动速度。
3.如权利要求2所述的诈骗预警信息生成方法,其特征在于,从用户在第一设定时长内的视频信息中提取用户的行为特征信息,包括:
根据用户在第一设定时长内的视频信息,获得用户在多个图像中的二维坐标位置;
根据用户在多个图像中的二维坐标位置,获得用户的行走路线;
根据用户的行走路线和用户在多个图像中的对应时刻,获得用户的运动速度。
4.如权利要求1所述的诈骗预警信息生成方法,其特征在于,动作特征信息包括接打电话时长和接打电话次数;
从用户在第一设定时长内的视频信息中提取用户的行为特征信息,包括:
根据用户在第一设定时长内的视频信息,获得用户接打电话动作的开始时刻和结束时刻;
根据用户接打电话动作的开始时刻和结束时刻,获得用户的接打电话时长和接打电话次数。
5.如权利要求1所述的诈骗预警信息生成方法,其特征在于,深度学习模型采用如下方法训练获得:
获得历史被诈骗对象在第一设定时长内的视频信息,提取历史被诈骗对象的行为特征信息;
获得历史被诈骗对象的银行账户记录信息;
将历史被诈骗对象的行为特征信息和银行账户记录信息分为训练集数据和测试集数据;
提取训练集数据的特征向量;
利用所述特征向量训练深度学习模型;
在训练的过程中调整深度学习模型的参数,直至深度学习模型的损失函数满足预设收敛条件,获得训练后的深度学习模型;
利用测试集数据对训练后的深度学习模型的准确率进行验证,获得满足预设准确率的深度学习模型。
6.如权利要求1所述的诈骗预警信息生成方法,其特征在于,诈骗预警信息包括用户行为禁止信息和/或诈骗提示信息。
7.如权利要求6所述的诈骗预警信息生成方法,其特征在于,还包括:
在诈骗发生在ATM机上时,将用户行为禁止信息和诈骗提示信息发送至ATM机的显示界面上;
在诈骗发生在网点时,将诈骗提示信息发送至网点的终端机上。
8.一种诈骗预警信息生成装置,其特征在于,包括:
第一数据获得模块,用于获得用户在第一设定时长内的视频信息和用户在第二设定时长内的银行账户记录信息;
第二数据获得模块,用于从用户在第一设定时长内的视频信息中提取用户的行为特征信息,所述行为特征信息包括轨迹跟踪特征信息、动作特征信息和表情特征信息其中之一或任意组合;
诈骗识别模块,用于将用户的行为特征信息和在第二设定时长内的银行账户记录信息输入至深度学习模型,确认用户是否处于被诈骗过程;
诈骗预警信息生成模块,用于在用户处于被诈骗过程时,生成诈骗预警信息。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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7任一项所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至7任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910921382.4A CN110619527B (zh) | 2019-09-27 | 2019-09-27 | 诈骗预警信息生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910921382.4A CN110619527B (zh) | 2019-09-27 | 2019-09-27 | 诈骗预警信息生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110619527A true CN110619527A (zh) | 2019-12-27 |
CN110619527B CN110619527B (zh) | 2022-04-22 |
Family
ID=68924301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910921382.4A Active CN110619527B (zh) | 2019-09-27 | 2019-09-27 | 诈骗预警信息生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619527B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210319308A1 (en) * | 2020-04-13 | 2021-10-14 | Uchicago Argonne, Llc | Systems and methods for active learning from sparse training data |
CN113706155A (zh) * | 2021-08-26 | 2021-11-26 | 中国工商银行股份有限公司 | 网络金融反诈骗方法、装置、设备、介质和程序产品 |
US11651839B2 (en) | 2020-03-02 | 2023-05-16 | Uchicago Argonne, Llc | Systems and methods for generating phase diagrams for metastable material states |
US11663494B2 (en) | 2019-12-05 | 2023-05-30 | Uchicago Argonne, Llc | Systems and methods for hierarchical multi-objective optimization |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794481A (zh) * | 2009-02-04 | 2010-08-04 | 深圳市先进智能技术研究所 | Atm自助银行监控系统和方法 |
US7942314B1 (en) * | 2006-07-07 | 2011-05-17 | Diebold, Incoporated | Automated banking machine system and monitoring method |
CN104463174A (zh) * | 2014-12-16 | 2015-03-25 | 广州南方电力集团科技发展有限公司 | 一种多角度动态人物识别及行为预测系统 |
CN109919465A (zh) * | 2019-02-25 | 2019-06-21 | 北京明略软件系统有限公司 | 金融风险预警方法和装置 |
CN109993044A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视系统技术有限公司 | 电信诈骗识别系统、方法、装置、电子设备及存储介质 |
CN110163154A (zh) * | 2019-05-23 | 2019-08-23 | 湖南机电职业技术学院 | 基于人工智能的视频监控系统 |
CN110222992A (zh) * | 2019-06-11 | 2019-09-10 | 深圳市安络科技有限公司 | 一种基于受骗群体画像的网络诈骗预警方法及装置 |
-
2019
- 2019-09-27 CN CN201910921382.4A patent/CN110619527B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7942314B1 (en) * | 2006-07-07 | 2011-05-17 | Diebold, Incoporated | Automated banking machine system and monitoring method |
CN101794481A (zh) * | 2009-02-04 | 2010-08-04 | 深圳市先进智能技术研究所 | Atm自助银行监控系统和方法 |
CN104463174A (zh) * | 2014-12-16 | 2015-03-25 | 广州南方电力集团科技发展有限公司 | 一种多角度动态人物识别及行为预测系统 |
CN109993044A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视系统技术有限公司 | 电信诈骗识别系统、方法、装置、电子设备及存储介质 |
CN109919465A (zh) * | 2019-02-25 | 2019-06-21 | 北京明略软件系统有限公司 | 金融风险预警方法和装置 |
CN110163154A (zh) * | 2019-05-23 | 2019-08-23 | 湖南机电职业技术学院 | 基于人工智能的视频监控系统 |
CN110222992A (zh) * | 2019-06-11 | 2019-09-10 | 深圳市安络科技有限公司 | 一种基于受骗群体画像的网络诈骗预警方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11663494B2 (en) | 2019-12-05 | 2023-05-30 | Uchicago Argonne, Llc | Systems and methods for hierarchical multi-objective optimization |
US11651839B2 (en) | 2020-03-02 | 2023-05-16 | Uchicago Argonne, Llc | Systems and methods for generating phase diagrams for metastable material states |
US20210319308A1 (en) * | 2020-04-13 | 2021-10-14 | Uchicago Argonne, Llc | Systems and methods for active learning from sparse training data |
US11710038B2 (en) * | 2020-04-13 | 2023-07-25 | Uchicago Argonne, Llc | Systems and methods for active learning from sparse training data |
CN113706155A (zh) * | 2021-08-26 | 2021-11-26 | 中国工商银行股份有限公司 | 网络金融反诈骗方法、装置、设备、介质和程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN110619527B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619527B (zh) | 诈骗预警信息生成方法及装置 | |
CN110458154B (zh) | 人脸识别方法、装置和计算机可读存储介质 | |
CN109769099B (zh) | 通话人物异常的检测方法和装置 | |
CN107566358A (zh) | 一种风险预警提示方法、装置、介质及设备 | |
CN109889538B (zh) | 用户异常行为检测方法及系统 | |
CN110674790B (zh) | 一种视频监控中异常场景处理方法及系统 | |
CN110532988B (zh) | 行为监控方法、装置、计算机设备和可读存储介质 | |
CN107306306A (zh) | 通信号码处理方法及装置 | |
CN109345375A (zh) | 一种可疑洗钱行为识别方法及装置 | |
CN109840503B (zh) | 一种确定种类信息的方法及装置 | |
CN111143813B (zh) | 一种验证问题的生成方法、验证方法及装置 | |
CN110381218A (zh) | 一种识别电话诈骗团伙的方法及装置 | |
CN111225299A (zh) | 一种onu故障识别、修复方法和装置 | |
CN111736940A (zh) | 智能柜台的业务界面展示方法及装置 | |
CN111833115B (zh) | 一种操作识别方法、装置及存储介质和服务器 | |
CN111582183A (zh) | 一种公共场所的口罩识别方法及系统 | |
CN111739558A (zh) | 监控系统、方法、装置、服务器及存储介质 | |
CN114245204B (zh) | 基于人工智能的视频面签方法、装置、电子设备及介质 | |
CN109816513A (zh) | 用户信用评级方法及装置、可读存储介质 | |
CN111464687A (zh) | 一种陌生呼叫请求的处理方法及装置 | |
CN117421199B (zh) | 一种行为确定方法及系统 | |
CN110648203A (zh) | 银行产品信息推送方法及装置 | |
CN111259689A (zh) | 用于发送信息的方法和装置 | |
CN111368866A (zh) | 图片分类方法、装置及系统 | |
CN113139812A (zh) | 用户的交易风险识别方法、装置和服务器 |
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 |