CN110910586B - 一种防盗刷卡的方法及系统 - Google Patents

Abstract

本发明提供一种防盗刷卡的方法及系统，该方法包括：当检测到插卡信息时，基于ATM的摄像头，每隔预设时间对的用户进行拍摄，得到N个用户图像；将N个用户图像分别作为GA‑BP神经网络模型的输入，在GA‑BP神经网络模型中分别对N个用户图像进行处理，得到N个盗刷卡概率；若N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额，执行身份验证提示；并获取用户输入的身份信息并验证，若通过身份验证，确定取款操作安全。在本方案中，当确定N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额时，确定银行卡可能是盗刷卡，此时对用户身份进行验证，确定通过身份验证的用户的取款操作安全，能够防止出现盗刷卡行为，从而保护用户的财产安全。

Description

一种防盗刷卡的方法及系统

技术领域

本发明涉及计算机技术领域，尤其涉及一种防盗刷卡的方法及系统。

背景技术

随着金融行业的不断发展，金融服务越来越便利，常运用自动取款机(AutomaticTeller Machine，ATM)为用户提供自助服务，只需输入与银行卡相应的密码就可以进行取款。

目前，在ATM上使用银行卡进行取款时，仅基于密码对银行卡的执有者的身份进行识别，由于用户的银行卡容易被盗用，如被复制，采用上述方式进行取款，并不能确定当前银行卡的执有者与银行卡本身所对应的执有者一致，导致存在复制的银行卡也能成功取款的问题，使得无法及时阻止盗刷卡行为，从而造成用户的财产安全无法保证。

发明内容

有鉴于此，本发明实施例提供一种防盗刷卡的方法及系统，以解决现有技术中无法及时阻止盗刷卡行为的问题。

为实现上述目的，本发明实施例提供如下技术方案：

本发明实施例一方面公开了一种防盗刷卡的方法，应用于自动取款机ATM，所述方法包括：

当检测到插卡信息时，基于所述ATM的摄像头，每隔预设时间对摄像区域内的用户进行拍摄，得到N个用户图像，N的取值为大于2的正整数；

将N个所述用户图像分别作为GA-BP神经网络模型的输入，在所述GA-BP神经网络模型中分别对N个所述用户图像进行处理，得到N个盗刷卡概率，所述GA-BP神经网络模型基于BP神经网络模型预先建立得到；

若所述N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额，执行身份验证提示，所述身份验证提示用于指示所述用户输入身份信息；

获取所述用户输入的身份信息并验证；

若通过所述身份验证，确定取款操作安全。

可选的，还包括：

若所述N个盗刷卡概率中预设比例的盗刷卡概率小于预设限额，确定取款操作安全。

可选的，还包括：

若未通过所述身份验证，执行变更取款方式提示。

可选的，所述执行身份验证提示，包括：

在所述ATM的显示界面显示人脸识别界面，提示所述用户进行人脸识别操作，所述提示包括文字提示和/或语音播报提示；

相应地，所述获取所述用户输入的身份信息并验证，包括：

基于所述ATM的摄像头获取所述用户基于所述提示执行人脸识别操作得到的人脸特征信息；

将所述人脸特征信息与预存储的人脸特征信息进行比对，若比对结果一致，确定所述用户通过所述身份验证。

可选的，若所述ATM设置有指纹录入设备，所述执行身份验证提示，包括：

提示所述用户执行指纹识别操作，所述提示包括文字提示和/或语音播报提示；

相应地，所述获取所述用户输入的身份信息并验证，包括：

基于指纹录入设备获取所述用户输入的指纹信息；

将所述指纹信息与预存储的指纹信息进行比对，若比对结果一致，确定所述用户通过所述身份验证。

可选的，所述基于BP神经网络预先建立所述GA-BP神经网络模型的过程包括：

获取盗刷卡用户的图像数据，所述盗刷卡用户的图像数据至少包括用户外观特征数据和取款时间数据；

对所述盗刷卡用户的图像数据进行异常数据处理，并提取所述用户外观特征数据和取款时间数据；

确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，将所述用户外观特征数据和取款时间数据的个数作为初始BP神经网络模型的输入层节点个数，将预设限额作为所述初始BP神经网络模型的输出层节点个数，基于试凑法确定所述初始BP神经网络模型的隐层节点个数；

利用样本数据和遗传算法对所述初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型；

将所述优化后的BP神经网络模型作为GA-BP神经网络模型。

本发明实施例另一方面公开了一种防盗刷卡的系统，应用于自动取款机ATM，所述系统包括：

摄像模块，用于当检测到插卡信息时，基于所述ATM的摄像头，每隔预设时间对摄像区域内的用户进行拍摄，得到N个用户图像，N的取值为大于2的正整数；

GA-BP神经网络模型，用于将N个所述用户图像分别作为GA-BP神经网络模型的输入，在所述GA-BP神经网络模型中分别对N个所述用户图像进行处理，得到N个盗刷卡概率，所述GA-BP神经网络模型基于BP神经网络预先建立得到；

提示模块，用于若所述N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额，执行身份验证提示，所述身份验证提示用于指示所述用户输入身份信息；

验证模块，用于获取所述用户输入的身份信息并验证，若通过所述身份验证，确定取款操作安全。

可选的，所述验证模块，还用于若未通过所述身份验证，执行变更取款方式提示。

可选的，所述执行身份验证提示的提示模块，具体用于在所述ATM的显示界面显示人脸识别界面，提示所述用户进行人脸识别操作，所述提示包括文字提示和/或语音播报提示；

相应地，所述验证模块，具体用于基于所述ATM的摄像头获取所述用户基于所述提示执行人脸识别操作得到的人脸特征信息，将所述人脸特征信息与预存储的人脸特征信息进行比对，若比对结果一致，确定所述用户通过所述身份验证。

可选的，若所述ATM设置有指纹录入设备，所述执行身份验证提示的提示模块，具体用于提示所述用户执行指纹识别操作，所述提示包括文字提示和/或语音播报提示；

相应地，所述验证模块，具体用于基于指纹录入设备获取所述用户输入的指纹信息，将所述指纹信息与预存储的指纹信息进行比对，若比对结果一致，确定所述用户通过所述身份验证，若比对结果不一致，确定所述用户未通过所述身份验证。

基于上述本发明实施例提供的一种防盗刷卡的方法及系统，该方法包括：当检测到插卡信息时，基于ATM的摄像头，每隔预设时间对摄像区域内的用户进行拍摄，得到N个用户图像；将N个用户图像分别作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中分别对N个用户图像进行处理，得到N个盗刷卡概率；若N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额，执行身份验证提示；并获取用户输入的身份信息并验证，若通过身份验证，确定取款操作安全。可以看出，在本方案中，通过GA-BP神经网络模型预测摄像头每隔预设时间拍摄的N个用户图像的盗刷卡概率，当确定N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额时，确定银行卡可能是盗刷卡，此时对用户身份进行验证，确定通过身份验证的用户的取款操作安全，能够防止出现盗刷卡行为，从而保护用户的财产安全。

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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的ATM的应用架构示意图；

图2为本发明实施例提供的一种防盗刷卡的方法的流程示意图；

图3为本发明实施例提供的一种防盗刷卡的方法的流程示意图；

图4为本发明实施例提供的一种防盗刷卡的方法的流程示意图；

图5为本发明实施例提供的一种防盗刷卡的系统的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

由背景技术可知，在ATM上使用银行卡进行取款时，仅基于密码对银行卡的执有者的身份进行识别，由于用户的银行卡容易被盗用，如被复制，采用上述方式进行取款，并不能确定当前银行卡的执有者与银行卡本身所对应的执有者一致，导致存在复制的银行卡也能成功取款的问题，使得无法及时阻止盗刷卡行为，从而造成用户的财产安全无法保证。

本发明实施例提供的一种防盗刷卡的方法及系统，主要应用于如图1所示的ATM。

该ATM至少包括摄像头10、交互界面20、数字键盘30、插卡口40、音箱50、处理器60(图中未示出)。

交互界面20包括显示界面和选择按键，选择按键设置在显示界面周围。可选的，该交互界面20上还可以设置指纹录入设备，用于采集用户的指纹进行身份认证。

该摄像头10可以拍摄用户取款时的照片用于验证用户是否为正常取款，也可以采集用户的人脸特征用于进行身份认证。

基于该ATM的架构实现针对用户取款的处理过程包括：

处理器60实时检测ATM的插卡口40是否存在银行卡的插卡信息，当用户在ATM上进行取款时，处理器60检测到ATM的插卡口40存在银行卡的插卡信息，控制摄像头10每隔预设时间拍摄摄像区域内取款用户的N个图像。

处理器60获取摄像头10每隔预设时间拍摄的取款用户的N个图像，N的取值为大于2的正整数。

将N个图像分别作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中分别对N个图像进行处理，得到N个盗刷卡概率。

确定N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额，控制音箱50或交互界面20的显示界面执行身份验证提示，以提示取款用户通过相关设备输入身份信息。

处理器60基于摄像头10和/或指纹录入设备采集取款用户输入的身份信息，并与预先存储的用户身份信息进行对比，确定取款用户输入的身份信息与预先存储的用户身份信息是否一致，从而确定取款用户的取款操作是否安全。

若确定取款用户的取款操作安全，则允许取款用户取款。

若确定取款用户的取款操作不安全，则执行变更取款方式提示，并在交互界面20的显示界面上显示或通过音箱50广播。

因此，本发明上述实施例示出的ATM的应用架构，通过GA-BP神经网络模型预测摄像头每隔预设时间拍摄的N个用户图像的盗刷卡概率，当确定N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额时，确定银行卡可能是盗刷卡，此时对用户身份进行验证，确定通过身份验证的用户的取款操作安全，能够防止出现盗刷卡行为，从而保护用户的财产安全。

基于上述本发明实施例公开的ATM的基础上，参见图2，为本发明实施例提供的一种防盗刷卡的方法的流程示意图，该防盗刷卡方法包括：

步骤S201：当检测到插卡信息时，基于ATM的摄像头，每隔预设时间对摄像区域内的用户进行拍摄，得到N个用户图像。

在步骤S201中，N的取值为大于2的正整数。用户图像至少包括取款用户的人脸特征、外观特征、衣着特征中的任一一项特征。

在具体实现步骤S201的过程中，当检测到银行卡的插卡信息时，通过摄像头每隔预设时间拍摄一次摄像区域内用户的用户图像，拍摄m次，得到N个用户图像。

其中，m为大于2的正整数。

在具体实现中，摄像头每次拍摄图像的数量可以为1张，也可为连续的多张，对此本发明实施例不加以限制。

优选的，拍摄图像的数量范围为3至5张

在具体视线中，拍摄多张图像的预设时间可根据实际情况设置，比如设置为5秒，也就是，每隔5秒拍摄一次。对此本发明实施例不加以限制。

摄像区域可以摄像头可拍摄到的区域，也可以为设定的区域，且该摄像区域能够使摄像头从ATM的机柜正面拍摄用户图像，以及能够避开或遮蔽密码键盘的区域。例如，该摄像区域可以设置为ATM机柜正前方0.5米左右的区域。

举例说明：假设拍摄的次数为3，预设时间可设置为5秒，且每一拍摄一张用户图像，当检测到银行卡的插卡信息时，通过摄像头每隔5秒正面拍摄一次ATM机柜正前方0.5米内用户的用户图像，拍摄3次，得到3个用户图像。

步骤S202：将N个用户图像分别作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中分别对N个用户图像进行处理，得到N个盗刷卡概率。

在步骤S202中，GA-BP神经网络模型基于BP神经网络模型预先建立得到。

需要说明的是，基于BP神经网络模型预先构建GA-BP神经网络模型的过程，包括以下步骤：

步骤S11：获取盗刷卡用户的图像数据。

在步骤S11中，盗刷卡用户的图像数据至少包括用户外观特征数据和取款时间数据。

需要说明的是，盗刷卡用户的图像数据包括采样时间段内的历史盗刷卡用户的图像数据和当前出现盗刷卡用户的图像数据。

在具体实现步骤S11的过程中，获取采样时间段内历史盗刷卡用户的图像数据，其中，采样时间段可设置为近10年。

步骤S12：对盗刷卡用户的图像数据进行异常数据处理，并提取用户外观特征数据和取款时间数据。

在步骤S12中，用户外观特征数据至少包括用户的人脸特征、外观特征、衣着特征中的任一一项特征。例如，取款人蒙面、带帽子等外观特征和衣着特征。

在具体实现步骤S12的过程中，对采样时间段内盗刷卡用户的图像数据进行清洗和加工，从而去除异常数据，并提取经过异常数据处理后的用户人脸特征数据、用户面部表情特征数据以及取款时间数据。

需要说明的是，用户人脸特征数据包括用户遮挡面部的特征数据和没有遮挡面部的特征数据。

步骤S13：确定由输入层、隐层和输出层构成的初始BP神经网络模型。

在步骤S13中，将用户外观特征数据和取款时间数据的个数作为初始BP神经网络模型的输入层节点个数，将预设限额作为初始BP神经网络模型的输出层节点个数，基于试凑法确定初始BP神经网络模型的隐层节点个数。

在具体实现步骤S13的过程中，将用户人脸特征数据、用户面部表情特征数据以及取款时间数据的个数作为BP神经网络模型的输入层节点个数。

需要说明的是，基于柯尔莫哥洛夫kolmogorov原理，一个三层BP神经网络足以完成任意的n维到m维的映射，在本发明实施例的具体实现中，只需要采用一个隐层即可。

步骤S14：利用样本数据和遗传算法对初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型。

在具体实现步骤S14的过程中，将样本数据从输入层传入，经隐层处理后，传向输出端，若输出层的实际输出与预设限额的输出不符，则计算实际输出和预设限额的输出误差，并将输出误差通过隐层向输入层逐层反向传输；以便于不断调整初始BP神经网络模型的初始权值和阈值，使初始BP神经网络模型的误差平方最小。

需要说明的是：初始BP神经网络的初始权值和阈值是通过遗传算法输出的最优个体。

步骤S15：将优化后的BP神经网络模型作为GA-BP神经网络模型。

在本发明实施例中，通过不断调整初始BP神经网络模型的初始权值和阈值这两个参数，以使得优化后的BP神经网络模型，即GA-BP神经网络模型预测的实际输出不断接近期望的预设限额。

步骤S203：判断N个盗刷卡概率中是否存在有预设比例的盗刷卡概率大于或等于预设限额，若N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额，则执行步骤S204至S207，若N个盗刷卡概率中预设比例的盗刷卡概率小于预设限额，则执行步骤S208。

在具体实现步骤S203的过程中，判断N个预测的盗刷卡概率中是否存在有大于或等于预设限额的盗刷卡概率。

若N个预测的盗刷卡概率中存在有大于或等于预设限额的盗刷卡概率，则记录预测的盗刷卡概率大于或等于预设限额的盗刷卡概率的个数a，并基于记录的预测的盗刷卡概率大于或等于预设限额的盗刷卡概率的个数a和获取的用户图像的个数N，计算比例P。再判断比例P是否大于等于预设比例，若比例P大于等于预设比例时，则执行步骤S204至S207。

需要说明的是，a的取值小于等于N，且大于等于1。

其中，基于记录的预测的盗刷卡概率大于或等于预设限额的盗刷卡概率的个数a和获取的用户图像的个数N，通过公式(1)计算得到比例P。

公式(1)：

其中，a为预测的盗刷卡概率大于或等于预设限额的盗刷卡概率的个数，N为ATM的摄像头每隔预设时间拍摄的用户图像的数量。

若N个预测的盗刷卡概率中不存在有大于或等于预设限额的盗刷卡概率，则执行步骤S208。

需要说明的是，预设比例可设置为三分之二，对此可根据实际情况设置，本发明实施例不加以限制。

预设限额是经过多次实验设置的，可设置为百分之三十，对此可根据实际情况设置，本发明实施例不加以限制。

举例说明，例如：预设比例为

预设限额为30％，N的取值为3，其中，3个预测的盗刷卡概率包括盗刷卡概率1为60％，盗刷卡概率2为40％，盗刷卡概率3为20％。

判断盗刷卡概率1为60％，盗刷卡概率2为40％，盗刷卡概率3为20％中是否存在有大于或等于预设限额的盗刷卡概率。若3个预测的盗刷卡概率中存在有大于或等于30％的盗刷卡概率，则记录预测的盗刷卡概率大于或等于预设限额的盗刷卡概率的个数为2，并基于记录的预测的盗刷卡概率大于或等于预设限额的盗刷卡概率的个数2和获取的用户图像的个数3，代入公式(1)，如公式(2)所示。计算得到比例P为

公式(2)：

再判断比例

是否大于等于预设比例

确定比例

等于预设比例

从而确定该取款的卡有可能是盗刷卡。

步骤S204：执行身份验证提示。

在步骤S204中，身份验证提示用于指示用户输入身份信息。

在具体实现步骤S204的过程中，ATM向取款的用户播报语音提示，和/或，ATM在人机交互界面的显示界面中向用户显示文字提示，提示用户通过ATM上的身份验证设备输入身份信息。

其中，播报语音提示能够快速提示用户通过ATM上的身份验证设备输入身份信息，但是，播报语音提示在吵杂的环境下时，容易干扰用户，而导致用户无法及时进行身份验证；文字提示能够在不干扰用户的情况下，显示提示用户通过ATM上的身份验证设备输入身份信息，以便于用户看到显示界面中的显示信息后，根据提示做出相对应的操作。

需要说明的是，身份信息是用于证明用户身份的数据。

需要说明的是，文字提示可为图片提示或视频动画提示。

步骤S205：获取用户输入的身份信息并验证，若通过身份验证，则执行步骤S206，若未通过身份验证，则执行步骤S207。

在具体实现步骤S205的过程中，在检测到用户输入的身份信息时，获取用户输入的身份信息，并与预先存储的执卡者的信息进行对比，若对比结果一致，则执行步骤S206，若对比结果不一致，则执行步骤S207。

步骤S206：确定取款操作安全。

在具体实现步骤S206的过程中，确定取款操作安全，并允许用户取款。

步骤S207：执行变更取款方式提示。

在步骤S207中，变更取款方式提示用于指示用户变更取款方式。

在具体实现步骤S207的过程中，ATM向取款的用户播报语音提示，和/或，ATM在显示界面中向用户显示文字提示，提示用户变更取款方式。

例如，具体播报内容或显示界面中显示的内容可以为：请用户去柜台取款。

步骤S208：确定取款操作安全。

需要说明的是，步骤S208的具体实现过程与步骤S206的具体实现过程相同，可相互参见。

在本发明实施例中，当检测到插卡信息时，基于ATM的摄像头，每隔预设时间对摄像区域内的用户进行拍摄，得到N个用户图像；将N个用户图像分别作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中分别对N个用户图像进行处理，得到N个盗刷卡概率；若N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额，执行身份验证提示；并获取用户输入的身份信息并验证，若通过身份验证，确定取款操作安全。可以看出，在本方案中，通过GA-BP神经网络模型预测摄像头每隔预设时间拍摄的N个用户图像的盗刷卡概率，当确定N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额时，确定银行卡可能是盗刷卡，此时对用户身份进行验证，确定通过身份验证的用户的取款操作安全，能够防止出现盗刷卡行为，从而保护用户的财产安全。

基于上述图2示出的防盗刷卡的方法流程示意图，身份验证通常包括人脸识别方式的身份验证和指纹识别方式的身份验证。在具体实施中，可以直接将人脸识别作为取款用户身份验证的方式，若ATM的机柜上设置指纹录入设备，也可以将指纹识别作为取款用户身份验证的方式，下面分别进行说明。

参见图3，图3为本发明实施例提供的另一种防盗刷卡的方法的流程示意图，该防盗刷卡的方法包括：

步骤S301：当检测到插卡信息时，基于ATM的摄像头，每隔预设时间对摄像区域内的用户进行拍摄，得到N个用户图像，N的取值为大于2的正整数。

步骤S302：将N个用户图像分别作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中分别对N个用户图像进行处理，得到N个盗刷卡概率，GA-BP神经网络模型基于BP神经网络模型预先建立得到。

步骤S303：判断N个盗刷卡概率中是否存在有预设比例的盗刷卡概率大于或等于预设限额，若N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额，则执行步骤S304至S308，若N个盗刷卡概率中预设比例的盗刷卡概率小于预设限额，则执行步骤S309。

需要说明的是，步骤S301至步骤S303的具体实现过程与步骤S201至步骤S203的具体实现过程相同，可相互参见。

步骤S304：在ATM的显示界面显示人脸识别界面，提示用户进行人脸识别操作。

在步骤S304中，该提示包括文字提示和/或语音播报提示。

在具体实现步骤S304的过程中，在ATM的显示界面显示人脸识别界面，通过向用户播报语音或文字提示用户正视前方，以便于摄像头拍摄用户正面的面部图像。

步骤S305：基于ATM的摄像头获取用户基于提示执行人脸识别操作得到的人脸特征信息。

在步骤S305中，人脸的特征信息是指基于用户正面的人脸图像提取的人脸的128维特征点信息。

在具体实现步骤S305的过程中，基于ATM的摄像头拍摄的用户正面的面部图像，获取基于用户正面的人脸图像提取的人脸的128维特征点信息。

步骤S306：将人脸特征信息与预存储的人脸特征信息进行比对，若比对结果一致，则执行步骤S307，若比对结果不一致，则执行步骤S308。

在具体实现步骤S306的过程中，将人脸的128维特征点信息与预存储的与该取款银行卡的执卡者的人脸的128维特征点信息进行比对，若比对结果一致，确定用户通过身份验证，则执行步骤S307，若比对结果不一致，确定用户未通过身份验证，则执行步骤S308。

需要说明的是，人脸特征信息的预存储过程包括：

基于银行系统在用户办理银行卡时所采集的用户正面人脸图像。

基于采集的用户正面人脸图像提取的人脸的128维特征点信息，即人脸特征信息。

将提取的人脸特征信息与银行卡信息的映射关系进行存储。

步骤S307：确定取款操作安全。

步骤S308：执行变更取款方式提示。

步骤S309：确定取款操作安全。

需要说明的是，步骤S307至步骤S309的具体实现过程与步骤S206至步骤S208的具体实现过程相同，可相互参见。

在本发明实施例中，通过GA-BP神经网络模型预测摄像头每隔预设时间拍摄的N个用户图像的盗刷卡概率，当确定N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额时，确定银行卡可能是盗刷卡，此时通过人脸识别的方式获取用户的人脸特征信息，对用户身份进行验证，确定通过身份验证的用户的取款操作安全，能够防止出现盗刷卡行为，从而保护用户的财产安全。

可选的，在ATM的机柜正面上设置指纹录入设备，该指纹录入设备的输出接口与处理器的输入接口相连，该指纹录入设备可以设置数字键盘的右边，也可以设置在取款存取款口的左边等，对此本发明实施例不加以限制。

参见图4，图4为本发明实施例提供的又一种防盗刷卡的方法的流程示意图，该防盗刷卡的方法包括：

步骤S401：当检测到插卡信息时，基于ATM的摄像头，每隔预设时间对摄像区域内的用户进行拍摄，得到N个用户图像。

其中，N的取值为大于2的正整数。

步骤S402：将N个用户图像分别作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中分别对N个用户图像进行处理，得到N个盗刷卡概率，GA-BP神经网络模型基于BP神经网络模型预先建立得到。

步骤S403：判断N个盗刷卡概率中是否存在有预设比例的盗刷卡概率大于或等于预设限额，若N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额，则执行步骤S404至S408，若N个盗刷卡概率中预设比例的盗刷卡概率小于预设限额，则执行步骤S409。

需要说明的是，步骤S401至步骤S403的具体实现过程与步骤S201至步骤S203的具体实现过程相同，可相互参见。

步骤S404：提示用户执行指纹识别操作。

在步骤S404中，该提示包括文字提示和/或语音播报提示。

在具体实现步骤S404的过程中，在ATM的显示界面显示指纹识别操作动画或者操作指示，指示用户在指纹录入设备中录入预先设置手指的指纹。

需要说明的是，预先设置的手指为在办理银行卡时，指定的手指，比如可指定食指。

步骤S405：基于指纹录入设备获取用户输入的指纹信息。

步骤S406：将指纹信息与预存储的指纹信息进行比对，若比对结果一致，则执行步骤S407，若比对结果不一致，则执行步骤S408。

需要说明的是，指纹信息的预存储过程包括：

基于银行系统在用户办理银行卡时所采集的用户指定的手指的指纹。

基于采集的用户指定的手指的指纹提取的相应的特征点信息。

将提取的特征点信息与银行卡信息的映射关系进行存储。

步骤S407：确定用户通过身份验证，确定取款操作安全。

步骤S408：确定用户未通过身份验证，执行变更取款方式提示。

步骤S409：确定取款操作安全。

需要说明的是，步骤S407至步骤S409的具体实现过程与步骤S206至步骤S208的具体实现过程相同，可相互参见。

在本发明实施例中，通过GA-BP神经网络模型预测摄像头每隔预设时间拍摄的N个用户图像的盗刷卡概率，当确定N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额时，确定银行卡可能是盗刷卡，此时通过指纹识别的方式获取用户的指纹信息，对用户身份进行验证，确定通过身份验证的用户的取款操作安全，能够防止出现盗刷卡行为，从而保护用户的财产安全。

可选的，除了上述图3和图4示出的身份验证方式外，还可以通过身份证件号码验证，或身份证验证等其他能够证明用户身份的验证方式。

在具体实现中，在利用身份证件号码进行身份验证时，ATM向取款的用户播报语音提示，和/或，ATM在人机交互界面的显示界面中向用户显示文字提示，提示用户在ATM的数字键盘中输入执卡者的身份证件号，以便于ATM获取并验证。

在ATM的机柜上还可以进一步设置有身份证识别设备，用于识别用户的身份证件信息，在利用身份证进行身份验证时，ATM向取款的用户播报语音提示，和/或，ATM在人机交互界面的显示界面中向用户显示文字提示，提示用户将身份证放置ATM的身份证识别设备上，进行身份信息的输入，以便于ATM获取并验证。

可选的，由于存在多种身份验证方式，可通过提示用户选择某一个的身份验证方式进行身份验证。

例如，在ATM的选择按键1旁边的显示界面中显示人脸识别，在ATM的选择按键2旁边的显示界面中显示指纹识别，在ATM的选择按键3旁边的显示界面中显示身份证号识别，在ATM的选择按键4旁边的显示界面中身份证识别，在需要对用户的身份进行验证时，ATM向取款的用户播报语音提示，和/或，在显示界面中向用户显示文字提示，具体输出的提示可以为：请用户选择一种身份验证的方式，以便于ATM对用户选择的身份验证方式对应的选择按键进行检测，当检测到ATM的选择按键1被按下时，跳转至人脸识别界面。

在本发明实施例中，通过用户选择的身份验证方式，对用户身份进行验证，使得验证的方式多样，能够为用户提供更便利的身份验证服务。

基于上述本发明实施例公开的ATM的基础上，与上述本发明实施例公开的一种防盗刷卡的方法相对应，本发明实施例还对应公开了一种防盗刷卡的系统，如图5所示，为本发明实施例提供的一种防盗刷卡的系统结构框图。

该防盗刷卡的系统包括：

摄像模块501，用于当检测到插卡信息时，基于ATM的摄像头，每隔预设时间对摄像区域内的用户进行拍摄，得到N个用户图像。

其中，N的取值为大于2的正整数。

GA-BP神经网络模型502，用于将N个用户图像分别作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中分别对N个用户图像进行处理，得到N个盗刷卡概率，GA-BP神经网络模型基于BP神经网络预先建立得到。

处理模块503，用于判断N个盗刷卡概率中有预设比例的盗刷卡概率是否大于或等于预设限额。

提示模块504，用于若N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额，执行身份验证提示，身份验证提示用于指示用户输入身份信息。

验证模块505，用于获取用户输入的身份信息并验证，若通过身份验证，确定取款操作安全。

可选的，基于上述示出的防盗刷卡系统，还包括确定模块，用于若N个盗刷卡概率中有预设比例的盗刷卡概率小于预设限额，确定取款操作安全。

可选的，基于上述示出的防盗刷卡的系统，验证模块505还用于若未通过身份验证，执行变更取款方式提示。

需要说明的是，上述本发明实施例公开的防盗刷卡的系统中的各个单元具体的原理和执行过程，与上述本发明实施的防盗刷卡的方法相同，可参见上述本发明实施例公开的防盗刷卡的方法中相应的部分，这里不再进行赘述。

在本发明实施例中，摄像模块，用于当检测到插卡信息时，基于ATM的摄像头，每隔预设时间对摄像区域内的用户进行拍摄，得到N个用户图像；GA-BP神经网络，用于将N个用户图像分别作为GA-BP神经网络模型的输入，在GA-BP神经网络模型中分别对N个用户图像进行处理，得到N个盗刷卡概率；处理模块，用于判断N个盗刷卡概率中有预设比例的盗刷卡概率是否大于或等于预设限额；提示模块，用于若N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额，执行身份验证提示；并获取用户输入的身份信息并验证，若通过身份验证，确定取款操作安全。可以看出，在本方案中，通过GA-BP神经网络模型预测摄像头每隔预设时间拍摄的N个用户图像的盗刷卡概率，当确定N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额时，确定银行卡可能是盗刷卡，此时对用户身份进行验证，确定通过身份验证的用户的取款操作安全，能够防止出现盗刷卡行为，从而保护用户的财产安全。

可选的，基于上述图5示出的防盗刷卡系统，还包括：构建模块。

该构建模块包括：

获取单元，用于获取盗刷卡用户的图像数据，盗刷卡用户的图像数据至少包括用户外观特征数据和取款时间数据。

提取单元，用于对盗刷卡用户的图像数据进行异常数据处理，并提取用户外观特征数据和取款时间数据。

构建单元，用于确定由输入层、隐层和输出层构成的初始BP神经网络模型。

训练单元，用于利用样本数据和遗传算法对初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型。

确定单元，用于将优化后的BP神经网络模型作为GA-BP神经网络模型。

在本发明实施例中，通过不断调整初始BP神经网络模型的初始权值和阈值这两个参数，以使得优化后的BP神经网络模型，即GA-BP神经网络模型预测的实际输出不断接近期望的预设限额。

基于上述图5示出的防盗刷卡的系统，可通过ATM的机柜上设置的摄像头，对取款用户的身份信息进行人脸识别验证，也可以通过ATM的机柜上设置指纹录入设备，对取款用户的身份信息进行指纹识别验证，下面分别进行说明。

作为本发明实施例的一种实施方式，该执行身份验证提示的提示模块504，具体用于在ATM的显示界面显示人脸识别界面，提示用户进行人脸识别操作。

需要说明的是，提示包括文字提示和/或语音播报提示。

相应的，验证模块505，具体用于基于ATM的摄像头，获取用户基于提示执行人脸识别操作得到的人脸特征信息，将人脸特征信息与预存储的人脸特征信息进行比对，若比对结果一致，确定用户通过身份验证，从而确定用户取款操作安全，若比对结果不一致，确定用户未通过身份验证，从而执行变更取款方式提示。

在本发明实施例中，通过GA-BP神经网络模型预测摄像头每隔预设时间拍摄的N个用户图像的盗刷卡概率，当确定N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额时，确定银行卡可能是盗刷卡，此时通过人脸识别的方式获取用户的人脸特征信息，对用户身份进行验证，确定通过身份验证的用户的取款操作安全，能够防止出现盗刷卡行为，从而保护用户的财产安全。

作为本发明实施例的另一种实施方式，该执行身份验证提示的提示模块504，具体用于提示用户执行指纹识别操作，提示包括文字提示和/或语音播报提示。

相应地，验证模块505，具体用于基于指纹录入设备获取用户输入的指纹信息，将指纹信息与预存储的指纹信息进行比对，若比对结果一致，确定用户通过身份验证，从而确定用户取款操作安全，若比对结果不一致，确定用户未通过身份验证，从而执行变更取款方式提示。

在本发明实施例中，通过GA-BP神经网络模型预测摄像头每隔预设时间拍摄的N个用户图像的盗刷卡概率，当确定N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额时，确定银行卡可能是盗刷卡，此时通过指纹识别的方式获取用户的指纹信息，对用户身份进行验证，确定通过身份验证的用户的取款操作安全，能够防止出现盗刷卡行为，从而保护用户的财产安全。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种防盗刷卡的方法，其特征在于，应用于自动取款机ATM，所述方法包括：

当检测到插卡信息时，基于所述ATM的摄像头，每隔预设时间对摄像区域内的用户进行拍摄，得到N个用户图像，N的取值为大于2的正整数，所述用户图像至少包括取款用户的人脸特征、外观特征、衣着特征中的任意一项特征；

将N个所述用户图像分别作为GA-BP神经网络模型的输入，在所述GA-BP神经网络模型中分别对N个所述用户图像进行处理，得到N个盗刷卡概率，所述GA-BP神经网络模型基于BP神经网络模型预先建立得到；

若所述N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额，执行身份验证提示，所述身份验证提示用于指示所述用户输入身份信息；

获取所述用户输入的身份信息并验证；

若通过所述身份验证，确定取款操作安全。

2.根据权利要求1所述的方法，其特征在于，还包括：

若所述N个盗刷卡概率中预设比例的盗刷卡概率小于预设限额，确定取款操作安全。

3.根据权利要求1所述的方法，其特征在于，还包括：

若未通过所述身份验证，执行变更取款方式提示。

4.根据权利要求1所述的方法，其特征在于，所述执行身份验证提示，包括：

在所述ATM的显示界面显示人脸识别界面，提示所述用户进行人脸识别操作，所述提示包括文字提示和/或语音播报提示；

相应地，所述获取所述用户输入的身份信息并验证，包括：

基于所述ATM的摄像头获取所述用户基于所述提示执行人脸识别操作得到的人脸特征信息；

将所述人脸特征信息与预存储的人脸特征信息进行比对，若比对结果一致，确定所述用户通过所述身份验证。

5.根据权利要求1所述的方法，其特征在于，若所述ATM设置有指纹录入设备，所述执行身份验证提示，包括：

提示所述用户执行指纹识别操作，所述提示包括文字提示和/或语音播报提示；

相应地，所述获取所述用户输入的身份信息并验证，包括：

基于指纹录入设备获取所述用户输入的指纹信息；

将所述指纹信息与预存储的指纹信息进行比对，若比对结果一致，确定所述用户通过所述身份验证。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述基于BP神经网络预先建立所述GA-BP神经网络模型的过程包括：

获取盗刷卡用户的图像数据，所述盗刷卡用户的图像数据至少包括用户外观特征数据和取款时间数据；

对所述盗刷卡用户的图像数据进行异常数据处理，并提取所述用户外观特征数据和取款时间数据；

确定由输入层、隐层和输出层构成的初始BP神经网络模型，其中，将所述用户外观特征数据和取款时间数据的个数作为初始BP神经网络模型的输入层节点个数，将预设限额作为所述初始BP神经网络模型的输出层节点个数，基于试凑法确定所述初始BP神经网络模型的隐层节点个数；

利用样本数据和遗传算法对所述初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习，确定每一层最优的初始权值和阈值，得到优化后的BP神经网络模型；

将所述优化后的BP神经网络模型作为GA-BP神经网络模型。

7.一种防盗刷卡的系统，其特征在于，应用于自动取款机ATM，所述系统包括：

摄像模块，用于当检测到插卡信息时，基于所述ATM的摄像头，每隔预设时间对摄像区域内的用户进行拍摄，得到N个用户图像，N的取值为大于2的正整数，所述用户图像至少包括取款用户的人脸特征、外观特征、衣着特征中的任意一项特征；

GA-BP神经网络模型，用于将N个所述用户图像分别作为GA-BP神经网络模型的输入，在所述GA-BP神经网络模型中分别对N个所述用户图像进行处理，得到N个盗刷卡概率，所述GA-BP神经网络模型基于BP神经网络预先建立得到；

提示模块，用于若所述N个盗刷卡概率中有预设比例的盗刷卡概率大于或等于预设限额，执行身份验证提示，所述身份验证提示用于指示所述用户输入身份信息；

验证模块，用于获取所述用户输入的身份信息并验证，若通过所述身份验证，确定取款操作安全。

8.根据权利要求7所述的系统，其特征在于，所述验证模块，还用于若未通过所述身份验证，执行变更取款方式提示。

9.根据权利要求7所述的系统，其特征在于，所述执行身份验证提示的提示模块，具体用于在所述ATM的显示界面显示人脸识别界面，提示所述用户进行人脸识别操作，所述提示包括文字提示和/或语音播报提示；

相应地，所述验证模块，具体用于基于所述ATM的摄像头获取所述用户基于所述提示执行人脸识别操作得到的人脸特征信息，将所述人脸特征信息与预存储的人脸特征信息进行比对，若比对结果一致，确定所述用户通过所述身份验证。

10.根据权利要求7所述的系统，其特征在于，若所述ATM设置有指纹录入设备，所述执行身份验证提示的提示模块，具体用于提示所述用户执行指纹识别操作，所述提示包括文字提示和/或语音播报提示；

相应地，所述验证模块，具体用于基于指纹录入设备获取所述用户输入的指纹信息，将所述指纹信息与预存储的指纹信息进行比对，若比对结果一致，确定所述用户通过所述身份验证，若比对结果不一致，确定所述用户未通过所述身份验证。

Images