CN111680181A - 一种异常对象的识别方法及终端设备 - Google Patents
一种异常对象的识别方法及终端设备 Download PDFInfo
- Publication number
- CN111680181A CN111680181A CN202010466709.6A CN202010466709A CN111680181A CN 111680181 A CN111680181 A CN 111680181A CN 202010466709 A CN202010466709 A CN 202010466709A CN 111680181 A CN111680181 A CN 111680181A
- Authority
- CN
- China
- Prior art keywords
- image
- historical
- matching
- attribute information
- images
- 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.)
- Pending
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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于数据处理技术领域,提供了一种异常对象的识别方法及终端设备,包括:接收待识别的目标对象的对象数据;分别提取各个所述对象图像的图像特征值,并将所述图像特征值与数据库内各个历史图像的历史特征值进行匹配,得到所述对象图像的所述图像特征值与数据库之间匹配结果;若所述匹配结果为匹配成功,则分别将所述目标对象的各个所述对象图像导入预设的图像解析模型,获得各个所述对象图像的对象属性信息;基于所有所述对象属性信息,输出所述目标对象的异常识别结果。本申请实现了线上认证,提高了识别效率以及降低识别难度,进一步降低了识别过程的人工成本。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种异常对象的识别方法及终端设备。
背景技术
随着电子化进程的不断推进,大部分的身份认证操作可以通过线上的方式完成,从而大大简化了商铺的审批难度以及审批流程。而随着经济发展,个体户以及中小型企业的数量正以几何级的速度增长,因此如何能够对商户、企业等对象上传的资料进行合法性校验则显得尤为重要。
现有的对象识别技术,在用户上传了资料后,需要通过管理员进行人工审批,并且需要到达现场对资料的准确性进行现场校对,但随着发起认证请求的企业数量不断增加,人工审批的效率不断下降,而且需要现场对资料进行合法性检测,则大大增加了认证操作的难度以及认证时长,从而降低认证效率,以及增加了人力成本。
发明内容
有鉴于此,本申请实施例提供了一种异常对象的识别方法及终端设备,以解决对象识别技术,依靠人力完成,并且需要线下对资料进行审核认证,从而认证操作的难度较高以及认证时长较长,认证效率低的问题。
本申请实施例的第一方面提供了一种异常对象的识别方法,包括:
接收待识别的目标对象的对象数据;该对象数据包括关于所述目标对象的多个对象图像;
分别提取各个所述对象图像的图像特征值,并将所述图像特征值与数据库内各个历史图像的历史特征值进行匹配,得到所述对象图像的所述图像特征值与数据库之间匹配结果;
若所述匹配结果为匹配成功,则分别将所述目标对象的各个所述对象图像导入预设的图像解析模型,获得各个所述对象图像的对象属性信息;
基于所有所述对象属性信息,输出所述目标对象的异常识别结果。
本申请实施例的第二方面提供了一种异常对象的识别设备,包括:
对象数据获取单元,用于接收待识别的目标对象的对象数据;该对象数据包括关于所述目标对象的多个对象图像;
匹配结果输出单元,用于分别提取各个所述对象图像的图像特征值,并将所述图像特征值与数据库内各个历史图像的历史特征值进行匹配,得到所述对象图像的所述图像特征值与数据库之间匹配结果;
对象属性信息获取单元,用于若所述匹配结果为匹配成功,则分别将所述目标对象的各个所述对象图像导入预设的图像解析模型,获得各个所述对象图像的对象属性信息;
异常识别结果输出单元,用于基于所有所述对象属性信息,输出所述目标对象的异常识别结果。
本申请实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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第一方面的各个步骤。
本申请实施例的第四方面提供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计算机程序,所述计算机程序被处理器执行时实现第一方面的各个步骤。
实施本申请实施例提供的一种异常对象的识别方法及终端设备具有以下有益效果:
本申请实施例通过获取需要进行认证的目标对象的对象数据,该对象数据具体是目标对象上传的多个对象图像;分别将各个对象图像与数据库内的历史图像进行比对,判断上述对象图像是否属于网络搜集得到的图像,以冒充合法对象;因此,当检测到对象图像与数据库内的历史图像匹配时,则将该目标对象识别为风险对象,并提取各个对象图像内的对象属性信息,根据所有对象属性信息进一步判定该风险对象是否为异常对象,从而能够实现线上对目标对象进行合法性认证的操作。与现有的对象识别技术相比,本申请实施例由于已经存储有各个已识别的合法对象的认证文件,即上述的历史图像,在进行异常识别的过程中判断待识别的目标对象上传的对象图像中是否与合法对象的认证文件相同,从而能够例如合法对象的认证文件来进行身份冒充,提高了识别的准确性;并且在检测到目标对象的对象图像存在冒充的可能性下,则对对象图像进行进一步的解析认证,基于所有对象图像的对象属性信息进行异常识别,提高了异常识别的准确性,实现了线上认证的目的,无需线下认证,提高了识别效率以及降低识别难度,进一步降低了识别过程的人工成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请第一实施例提供的一种异常对象的识别方法的实现流程图;
图2是本申请一实施例提供的图像解析模型的结构示意图;
图3是本申请第二实施例提供的一种异常对象的识别方法S102具体实现流程图;
图4是本申请第三实施例提供的一种异常对象的识别方法S102具体实现流程图;
图5是本申请第四实施例提供的一种异常对象的识别方法具体实现流程图;
图6是本申请第五实施例提供的一种异常对象的识别方法S103具体实现流程图;
图7是本申请第六实施例提供的一种异常对象的识别方法S104具体实现流程图;
图8是本申请第七实施例提供的一种异常对象的识别方法S104具体实现流程图;
图9是本申请一实施例提供的一种异常对象的识别设备的结构框图;
图10是本申请另一实施例提供的一种终端设备的示意图。
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,此处所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。
本申请实施例通过获取需要进行认证的目标对象的对象数据,该对象数据具体是目标对象上传的多个对象图像;分别将各个对象图像与数据库内的历史图像进行比对,判断上述对象图像是否属于网络搜集得到的图像,以冒充合法对象;因此,当检测到对象图像与数据库内的历史图像匹配时,则将该目标对象识别为风险对象,并提取各个对象图像内的对象属性信息,根据所有对象属性信息进一步判定该风险对象是否为异常对象,从而能够实现线上对目标对象进行合法性认证的操作,解决了对象识别技术,依靠人力完成,并且需要线下对资料进行审核认证,从而认证操作的难度较高以及认证时长较长,认证效率低的问题。
在本申请实施例中,流程的执行主体为终端设备,该终端设备包括但不限于:服务器、计算机、智能手机以及平板电脑等能够执行异常对象的识别方法的设备。图1示出了本申请第一实施例提供的异常对象的识别方法的实现流程图,详述如下:
在S101中,接收待识别的目标对象的对象数据;该对象数据包括关于所述目标对象的多个对象图像。
在本实施例中,上述待识别的目标对象具体可以为需要进行合法认证的商户、企业等实体对象,还可以是社交网络、电子商城以及应用发布平台等虚拟对象,例如用户账户、电子商店以及待发布的应用程序等。终端设备可以接收待识别的目标对象上传的对象数据,并基于对象数据对目标对象进行合法认证。
在一种可能的实现方式中,终端设备可以配置有对应的数据提交页面,用户可以通过本地的用户终端访问上述数据提交页面,并将所需上传的对象数据通过上述数据提交页面发送给终端设备。当然,上述数据提交页面内还可以配置有对象属性项,用户可以通过用户终端在上述的对象属性项内填写对应的属性值,终端设备可以通过上述数据提交页面获取到目标对象预设的标准属性信息,在后续的合法认证过程中,可以根据标准属性信息与目标对象基于对象图像的对象属性信息,判断该目标对象是否为异常对象。
在一种可能的实现方式中,终端设备可以通过客户端程序采集各个待识别的目标对象的对象数据。目标对象可以在本地的用户终端上安装有上述与异常对象识别关联的客户端程序,将认证所需的对象图像导入到客户端程序内,客户端程序可以通过对用户导入的对象图像进行数据封装,生成上述的对象数据,并通过客户端程序与终端设备建立通信连接,将上述对象数据通过上述的通信连接发送给终端设备。可选地,客户端程序可以对用户导入的对象图像进行初步识别,从而对无效的对象图像进行滤除。客户端程序进行初步识别的方式具体为:客户端程序在接收用户上传的对象图像时,可以识别上述对象图像的获取渠道,例如是通过用户终端内置的摄像头采集得到,或是通过本地存储模块提取得到,或者是通过预设的网络地址下载得到等,客户端程序可以预设有合法渠道,若检测到上传的对象图像的获取渠道在合法渠道内,则识别对象图像为有效图像,并基于所有有效图像生成对象数据。
在本实施例中,对象数据包含有多个对象图像,不同的对象图像用于对目标对象进行不同对象维度的认证操作。举例性地,若目标对象为商户,则上述对象维度包括有:商户环境、认证材料、所属用户信息以及财产证明等。目标对象需要将包含上述各个对象维度的对象图像封装到对象数据内,并发送给终端设备。若终端设备检测到对象数据内包含的对象图像的个数与预设的对象维度不匹配,和/或终端设备检测到对象数据内不包含任一对象维度的对象图像,则识别上述对象数据为异常数据,则反馈认证失败信息,以便用户重新执行上传操作。
在S102中,分别提取各个所述对象图像的图像特征值,并将所述图像特征值与数据库内各个历史图像的历史特征值进行匹配,得到所述对象图像的所述图像特征值与数据库之间匹配结果。
在本实施例中,终端设备可以配置有特征值提取算法,可以将上述对象图像导入到上述特征值提取算法内,分别计算各个对象图像的图像特征值。终端设备可以将计算得到的图像特征值与数据库内的各个历史图像对应的历史特征值进行匹配,若图像特征值与历史特征值之间的差值小于预设的偏差阈值,则识别该对象图像与历史图像匹配,则输出匹配成功的匹配结果;反之,若对象图像的图像特征值与数据库内的所有历史图像的历史特征值之间的差值大于或等于预设的偏差阈值,则识别该对象图像与数据库不匹配,则输出匹配失败的匹配结果。
在一种可能的实现方式中,上述特征值提取算法具体可以为神经卷积网络,通过神经卷积网络可以生成关于对象图像的图像向量。该图像向量包含有N个预设图像维度,不同的图像维度用于表示对象图像的不同类型的图像特征,例如像素均值、对比度、明亮度分布、饱和度、拍摄主体面积等。通过上述图像向量可以确定该对象图像在不同图像维度的特性。终端设备获取各个历史图像对应的标准向量,上述标准向量即为上述历史图像的历史特征值。终端设备可以计算图像向量与标准向量之间的向量夹角,通过向量夹角可以确定两个图像之间的差异程度,若上述向量夹角小于预设的夹角阈值,则识别对象图像与该历史图像的相似度较高,则输出匹配成功的匹配结果;反之,若该对象图像与各个历史图像之间的向量夹角大于或等于上述的夹角阈值,则输出匹配失败的匹配结果。
在一种可能的实现方式中,上述数据库可以存储于本地存储器,在该情况下,终端设备可以直接通过本地存储器获取各个历史图像的历史特征值;上述数据库还可以为一独立的物理服务器,该在情况下,终端设备可以与数据库服务器建立通信连接,并从数据库服务器侧下载关于各个历史图像的历史特征值。该数据库服务器可以为一用于存储合法对象的数据库,合法对象的合法对象数据可以存储于该数据库内,其中合法对象数据可以包含有已识别的合法对象的对象图像,即上述的历史图像。数据库服务器可以将历史图像发送给终端设备,通过终端设备对应的数据解析算法提取各个历史图像的历史特征值,可选地,数据库服务器可以关联存储有各个历史图像对应的历史特征值,在接收到终端设备发起的获取请求时,可以将各个历史图像对应的历史特征值发送给终端设备,从而减少数据传输量,提高了异常识别的效率。
在S103中,若所述匹配结果为匹配成功,则分别将所述目标对象的各个所述对象图像导入预设的图像解析模型,获得各个所述对象图像的对象属性信息。
在本实施例中,终端设备若检测到目标对象上传的对象图像的图像特征值与数据库内的任一历史图像的历史特征值匹配,则会输出匹配成功的匹配结果,表示该目标对象上传的对象数据中可能存在有冒充合法对象的风险数据,此时需要对该目标对象的合法性进行进一步识别,因此需要通过该图像解析模型提取各个对象图像的对象属性信息。
在一种可能的实现方式中,图2示出了本申请一实施例提供的图像解析模型的结构示意图。参见图2所示,上述图像解析模型包含有多个模型,分别为图像类型识别模块、图像字符提取模块、图像语义解析模块、图像编辑识别模块、以及结果输出模块。终端设备可以将对象图像先导入到图像解析模型内的图像类型识别模块,确定该对象图像的图像类型,例如该对象图像具体是一证明文件图像或是一商铺环境图像,若该对象图像为一证明文件图像,则可以通过文字字符提取模块提取该证明文件内的字符信息,确定该证明文件对应的授权范围以及授权有效期等授权信息;若该对象图像为一图像类型,则可以通过图像语义解析模块确定该商铺环境类型以及上述出售商品等店铺信息,即通过图像类型识别模块确定后续进行图像识别所采用的具体解析模块。终端设备可以基于图像类型识别模块的输出结果,选取与输出结果的图像类型匹配的解析模块,例如对于证明文件类型,则采用图像字符提取模块,对于商铺环境类型,则采用图像语义解析模块;终端设备在获取通过解析模块输出解析信息后,还可以将对象图像导入到图像编辑识别模块,判断该对象图像是否经过后期修改,输出编辑结果,将解析信息以及编辑结果导入到结果输出模块,得到对象属性信息。
在S104中,基于所有所述对象属性信息,输出所述目标对象的异常识别结果。
在本实施例中,终端设备在对所有对象图像进行解析并获得各个对象图像的对象属性信息后,可以基于所有对象属性信息判断该目标对象是否为异常对象,若上述识别得到的对象属性信息不满足预设的合法校验条件,则识别该目标对象为异常对象,输出异常对象的异常识别结果;反之,若上述识别得到的对象属性信息满足预设的合法校验条件,则识别该目标对象为合法对象,输出合法对象的异常识别结果。
在一种可能的实现方式中,终端设备可以存储有目标对象预先配置的标准属性信息。终端设备可以将各个目标对象对应的对象属性信息与标准属性信息进行匹配,若任一目标对象的对象属性信息与标准属性信息不匹配,则输出异常对象的异常识别结果。可选地,不同的对象图像用于提取目标对象不同对象维度的对象属性信息,终端设备可以识别上述对象图像对应的对象维度,例如是用于提取商户的场景类型或是用于提取商户的证明文件编号等,并从标准属性信息中提取关联对象维度的属性值,将标准维度的属性值与该对象图像的对象属性信息进行匹配,从而可以得到该对象图像的匹配结果。
以上可以看出,本申请实施例提供的一种异常对象的识别方法通过获取需要进行认证的目标对象的对象数据,该对象数据具体是目标对象上传的多个对象图像;分别将各个对象图像与数据库内的历史图像进行比对,判断上述对象图像是否属于网络搜集得到的图像,以冒充合法对象;因此,当检测到对象图像与数据库内的历史图像匹配时,则将该目标对象识别为风险对象,并提取各个对象图像内的对象属性信息,根据所有对象属性信息进一步判定该风险对象是否为异常对象,从而能够实现线上对目标对象进行合法性认证的操作。与现有的对象识别技术相比,本申请实施例由于已经存储有各个已识别的合法对象的认证文件,即上述的历史图像,在进行异常识别的过程中判断待识别的目标对象上传的对象图像中是否与合法对象的认证文件相同,从而能够例如合法对象的认证文件来进行身份冒充,提高了识别的准确性;并且在检测到目标对象的对象图像存在冒充的可能性下,则对对象图像进行进一步的解析认证,基于所有对象图像的对象属性信息进行异常识别,提高了异常识别的准确性,实现了线上认证的目的,无需线下认证,提高了识别效率以及降低识别难度,进一步降低了识别过程的人工成本。
图3示出了本申请第二实施例提供的一种异常对象的识别方法S102的具体实现流程图。参见图3,相对于图1所述实施例,本实施例提供的一种异常对象的识别方法中S102包括:S301~S304,具体详述如下:
进一步地,所述分别提取各个所述对象图像的图像特征值,并将所述图像特征值与数据库内各个历史图像的历史特征值进行匹配,得到所述对象图像的所述图像特征值与数据库之间匹配结果,包括:
在S301中,通过预设的压缩算法,分别获得各个所述对象图像的压缩编码,并将所述压缩编码识别为所述对象图像的图像特征值;所述压缩算法是用于生成所述数据库内各个所述历史图像的历史特征值。
在本实施例中,终端设备可以配置有预设的压缩算法,该压缩算法包括但不限于增量调制预测压缩算法、差分和自适应编码预测压缩算法等,该压缩算法还可以为信息摘要算法,通过上述压缩算法可以对对象图像进行压缩,从而得到各个对象图像对应的压缩编码。
在本实施例中,该压缩算法具体为生成各个历史图像的历史特征值所使用的压缩算法,即终端设备可以通过上述压缩算法对历史图像进行压缩处理,生成各个历史图像对应的压缩码,并将历史图像的压缩码识别为历史图像的历史特征值,保证了历史图像以及对象图像使用同样的压缩算法进行压缩操作。
需要说明的是,该压缩算法可以为可逆压缩算法,即压缩算法存在对应的解压算法,可以通过解压算法以及压缩编码还原对象图像;放入,该压缩算法还可以为不可逆压缩算法,即压缩算法不存在对应的解压算法,压缩过程中会导致信息缺失,无法通过压缩编码还原对象图像,以减少压缩编码的数据量。
在S302中,判断所述数据库内是否存在任一所述历史图像的所述历史特征值与所述图像特征值相同。
在本实施例中,由于历史图像以及对象图像采用同样的压缩算法进行压缩操作并生成压缩编码,因此若检测到历史图像的历史特征值与对象图像的图像特征值相同,即两个图像的压缩编码相同,则可以识别上述两个图像属于相同的图像,此时,可以识别该对象图像存在冒充合法对象的证明文件或环境照片的风险,需要进一步进行异常识别,因此可以输出匹配成功的匹配结果,执行S303的操作;反之,若对象图像的图像特征值与历史图像的历史特征值不同,即上述两个图像的压缩编码不同,则可以识别上述两个图像属于不同的图像,并与其他历史图像的压缩编码进行匹配。
在一种可能的实现方式中,终端设备可以识别对象图像的图像类型,即该对象图像所属的对象维度,例如证明文件维度或是企业环境维度等,在后续的匹配识别的过程中,可以选取各个历史对象中关于该对象维度的历史照片的历史特征值,与该目标对象关于相同对象维度的对象图像的图像特征值进行比对,从而能够减少比对操作,提高了异常失效效率。
在S303中,若存在任一所述历史图像的所述历史特征值与所述图像特征值相同,则输出匹配成功的所述匹配结果。
在本实施例中,终端设备若检测到数据库内存在任一历史图像的历史特征值与对象图像的图像特征值相同,则可以确定该对象图像与历史图像属于相同的图像,因此可以输出匹配成功的匹配结果。
在S304中,若各个所述历史图像的所述历史特征值与所述图像特征值不同,则输出匹配失败的所述匹配结果。
在本实施例中,终端设备若将数据库内的所有历史图像的历史特征值与对象图像的图像特征值进行比对后,均无法找到与对象图像相同的历史图像,则识别该对象图像并非通过已识别的合法对象处盗取得到,因此可以识别该对象图像为合法图像,并输出匹配失败的匹配结果。
需要说明的是,该数据库可以为通过合法对象上传的合法图像构成的,还可以通过互联网爬取网络已有的网络图像构建得到。
在本申请实施例中,通过对对象图像进行压缩处理,得到对象图像的压缩编码,并基于压缩编码来识别两个图像是否为相同的图像,从而得到匹配结果,与直接对比两个图像是否相同相比,通过压缩编码进行比对的数据量较少,从而能够提高匹配效率。
图4示出了本申请第三实施例提供的一种异常对象的识别方法S102的具体实现流程图。参见图4,相对于图1所述的实施例,本实施例提供的一种异常对象的识别方法中S102包括:S401~S405,具体详述如下:
进一步地,所述分别提取各个所述对象图像的图像特征值,并将所述图像特征值与数据库内各个历史图像的历史特征值进行匹配,得到所述对象图像的所述图像特征值与数据库之间匹配结果,包括:
在S401中,根据所述对象图像内各个像素的像素值,生成所述对象图像的原始图像矩阵。
在本实施例中,终端设备可以对对象图像进行图像解析,识别该对象图像的图像大小,该图像大小用于标识该对象图像的长和宽所对应的像素个数,并基于像素个数确定整个对象图像内包含的像素点个数,并获取各个像素点对应的像素值,基于所有像素点的像素值构建该对象图像对应的原始图像矩阵。
在一种可能的实现方式中,终端设备可以配置有标准矩阵尺寸,根据标准矩阵尺寸以及对象图像的实际图像尺寸,对对象图像进行压缩(压缩即将多个像素点的像素值合并为一个像素点进行表示)以及拉伸(拉伸即基于一个像素点的像素值填充周围多个像素点的像素值),从而使得调整后的对象图像的图像尺寸与标准图像尺寸一致。
在S402中,通过预设的多层池化网络对所述原始图像矩阵进行降维处理,生成所述对象图像的图像特征矩阵。
在本实施例中,终端设备可以配置有卷积核,通过卷积核来提取图像包含的图像特征,基于此,终端设备可以通过上述预设的卷积核对基于对象图像生成的原始图像矩阵进行多层池化降维操作,从而生成上述的图像特征矩阵。举例性地,若该多层池化网络具体为N层池化网络,该N为池化层的个数,则终端设备可以为各个池化层配置对应的卷积核,并基于各个层级的卷积核对上一层级输出的卷积矩阵进行处理,并将第N层池化层输出的卷积矩阵识别为上述的图像特征矩阵。
在S403中,计算各个所述历史图像的历史特征矩阵与所述图像特征矩阵之间的偏差值。
在本实施例中,终端设备可以根据历史图像对应的历史特征矩阵与对象图像的图像特征矩阵,生成偏差矩阵,根据该偏差矩阵内各个元素的偏差因子,确定对象图像与历史图像之间的偏差值。
在S404中,若存在任一所述历史图像对应的所述偏差值小于预设的偏差阈值,则输出匹配成功的所述匹配结果。
在本实施例中,终端设备若检测到数据库内存在任一历史图像的历史特征矩阵与对象图像的图像特征矩阵之间的偏差值小于预设的阈值,则可以确定该对象图像与历史图像属于相同的图像,因此可以输出匹配成功的匹配结果。
在S405中,若各个所述历史图像对应的所述偏差值均大于或等于预设的偏差阈值,则输出匹配失败的所述匹配结果。
在本实施例中,终端设备若将数据库内的所有历史图像的历史特征矩阵与对象图像的图像特征矩阵进行比对后,各个偏差值均大于或等于偏差阈值,则识别该对象图像并非通过已识别的合法对象处盗取得到,因此可以识别该对象图像为合法图像,并输出匹配失败的匹配结果。
在本申请实施例中,通过对对象图像进行图像语义提取,得到关于对象图像的图像特征的图像特征矩阵,并基于图像特征矩阵进行匹配识别,能够从图像语义维度识别两个图像是否为相同的图像,提高了匹配识别的准确性。
图5示出了本申请第四实施例提供的一种异常对象的识别方法的具体实现流程图。参见图5,相对于图1所述实施例,本实施例提供的一种异常对象的识别方法在所述若所述匹配结果为匹配成功,则若所述匹配结果为匹配成功,则分别将所述目标对象的各个所述对象图像导入预设的图像解析模型,获得各个所述对象图像的对象属性信息之前,还包括:S501~S505,具体详述如下:
进一步地,在所述若所述匹配结果为匹配成功,则若所述匹配结果为匹配成功,则分别将所述目标对象的各个所述对象图像导入预设的图像解析模型,获得各个所述对象图像的对象属性信息之前,还包括:
在S501中,解析原生神经网络内包含的原始参数域,并根据预设的对象属性维度确定用于解析所述对象图像的对象属性域。
在本实施例中,终端设备可以通过已经训练好的神经网络作为上述的图像解析模型,从而能够减少训练操作以及模型发开的所需工作量。基于此,终端设备可以在已有的神经网络中加入本次识别过程所需的迁移矩阵,从而能够将基于已有的神经网络的输出结果变更为本次识别所需的输出结果,实现了神经网络的识别内容的变更,无需对神经网络内部参量进行调整,只需配置迁移矩阵即可,提高了模型构建的效率。
在本实施例中,终端设备可以对已有的原生神经网络进行解析,确定该原生神经网络内包含的原始参量域,该原始参量域用于限定该原生神经网络内所需提取的数据特征信息,举例性地,若原生神经网络具体为一文字识别网络,则上述的原始参量域则可以包括字符框、滑动间距、字符库等。对应地,终端设备需要根据对象图像确定对象属性信息,而对象属性信息内可以包含有多个对象属性维度,并基于各个对象属性维度构建解析对象图像所需的对象属性域。
在S502中,基于所述原始参数域以及所述对象属性域构建所述对象属性信息关联的迁移矩阵。
在本实施例中,由于原生神经网络的输出结果为具有原始参数域的输出值,而本次实施例是复用已有的原生神经网络,需要将输出值调整为对象属性信息,因此需要建立原始参数域与对象属性域之间的迁移矩阵,从而能够将原生神经网络的输出值,变更为解析对象图像所需的对象属性信息。
在S503中,将所述迁移矩阵导入到所述原生神经网络内,生成待配置的图像解析模型。
在本实施例中,终端设备可以将迁移矩阵导入到原生神经网络内,导入方式可以为根据迁移矩阵内各个迁移参量对应的原始参数域,将该迁移参量串联到原生神经网络对应的网络节点中,从而生成待配置的图像解析模型;还可以将迁移矩阵串接到原生神经网络的输出层,从而将原生神经网络的输出结果通过迁移矩阵进行转换,生成对象属性信息。
在S504中,将多个所述训练图像导入到所述待配置的图像解析模型,输出各个所述训练图像的训练结果,并各个所述训练结果与关联的所述训练图像的标准结果进行比对,确定所述待配置的图像解析模型的损失值。
在本实施例中,终端设备可以基于训练图像来识别上述的迁移矩阵是否正确,因此可以通过待配置的图像解析模型输出各个训练图像对应的训练结果,并基于训练结果确定该图像解析模型对应的损失值,若该损失值大于预设的损失阈值,则对迁移矩阵进行调整。具体地,计算上述损失值的损失函数可以为:
其中,C0为上述的损失值;N为训练图像的总数;θf,θy,θd为基于对象属性参数域构建的迁移矩阵;xi、yi、di为原生参数域。
在S505中,基于所述损失值调整所述迁移矩阵,直到所述损失值小于预设的损失阈值,则将所述待配置的图像解析模型识别为所述图像解析模型。
在本实施例中,终端设备可以对迁移矩阵进行调整,若检测到最后的损失值小于损失阈值,则识别该迁移矩阵以调整完毕,并将调整后的图像解析模型识别为可以使用的图像解析模型。
在本申请实施例中,通过在已有的神经网络中导入迁移矩阵,从而能够通过已调整的神经网络作为图像解析模型,提高了图像解析模型的生成效率,减少了生成难度。
图6示出了本申请第五实施例提供的一种异常对象的识别方法S103的具体实现流程图。参见图6,相对于图1所述实施例,本实施例提供的一种异常对象的识别方法S103包括:S1031~S1034,具体详述如下:
进一步地,所述若所述匹配结果为匹配成功,则若所述匹配结果为匹配成功,则分别将所述目标对象的各个所述对象图像导入预设的图像解析模型,获得各个所述对象图像的对象属性信息,包括:
在S1031中,通过预设的轮廓识别算法,确定所述对象图像包含的轮廓曲线。
在本实施例中,终端设备配置有轮廓识别算法,该轮廓识别算法可以用于识别对象图像内包含的轮廓曲线。具体地,上述轮廓识别算法的识别过程具体为:识别像素点与周围像素点之间的像素差值(周围具体为与像素点相邻或相互之间的间隔的像素点个数小于预设个数阈值),若该像素差值大于预设的边界阈值,则识别该像素点为边界像素点,将所有边界像素点进行连接,生成上述的轮廓曲线。
在S1032中,基于所述轮廓曲线对所述对象图像进行划分,得到多个拍摄主体区域图像。
在本实施例中,对象图像内可以包含多条连续的轮廓曲线,从而多条轮廓曲线可以将对象图像划分为多个不同的区域,每个区域对应一个拍摄主体,从而生成上述的拍摄主体区域图像。
在S1033中,根据所述拍摄主体区域图像的像素信息以及主体轮廓,确定所述拍摄主体区域图像对应的主体类型。
在本实施例中,终端设备分别对各个拍摄主体区域图像进行识别,根据拍摄主体区域图像内的像素点的像素值,确定该拍摄主体的颜色分布,并根据该轮廓曲线所围成的外轮廓特性,确定拍摄主体的形状特征,基于颜色分布以及形状特征,可以确定拍摄主体的主体类型。
在S1034中,根据所有主体类型确定所述对象图像的拍摄场景,并基于所述拍摄场景生成所述对象属性信息。
在本实施例中,通过各个拍摄主体区域图像对应的主体类型,可以确定对象图像关联的拍摄场景。例如,该拍摄主体区域图像包含的主要为智能手机,则可以确定该拍摄场景可以为售卖手机的商铺;若该拍摄主体区域图像包含水杯、牛奶、吸管等主体类型,则可以确定该拍摄场景为奶茶店。终端设备可以根据拍摄场景生成对象属性信息。
在本申请实施例中,通过识别关联实体的情感属性,选取对应的情感强度因子的计算方式,从而提高了情感强度因子的准确性。
图7示出了本申请第六实施例提供的一种异常对象的识别方法S104的具体实现流程图。参见图7,相对于图1-6任一所述实施例,本实施例提供的一种异常对象的识别方法中S104包括:S701~S703,具体详述如下:
进一步地,所述对象图像包含有证明文件图像,则所述证明文件图像对应的对象属性信息为证明文件编号;所述基于所有所述对象属性信息,输出所述目标对象的异常识别结果,包括:
在S701中,通过互联网获取与所述证明文件编号对应的标准证明文件。
在本实施例中,目标对象上传的对象数据内包含有用于证明待识别的目标对象的合法性的证明文件。终端设备可以对证明文件图像进行识别,提取该证明文件对应的编号,即上述的证明文件编号,并从互联网处下载与该证明文件编号关联的文件数据,从而可以得到标准证明文件。该标准证明文件可以存储于证据存储服务器内,该证据存储服务器可以为一第三方服务器,来对用户身份进行合法授权等操作,从而确保标准证明文件的可信度。
在S702中,若所述标准证明文件与所述对象数据的证明文件图像匹配,则从所述标准证明文件内获取授权范围。
在本实施例中,终端设备可以计算标准证明文件与对象数据中的证明文件图像进行匹配,其中匹配操作的方式具体可以为:计算两个图像之间的相似度,若两个图像之间的相似度大于预设的相似度阈值,则识别该标准证明文件与证明文件图像相匹配。若检测到标准证明文件与证明文件图像不匹配,则输出识别异常的异常识别结果,即上述目标对象为异常对象。反之,若该标准证明文件与对象数据的证明文件图像相匹配,则可以从标准证明文件中提取授权范围,该授权范围具体用于限定目标对象的可执行的操作,对于实体店铺或企业而言,上述授权范围可以为经营范围等。
在S703中,若所述对象属性信息的请求权限在所述授权范围内,则输出识别无异常的所述异常识别结果。
在本实施例中,对象属性信息可以包含有目标对象的所需申请的权限信息,即上述的请求权限,若该请求权限在标准授权文件的授权范围内,则识别本次目标对象的申请操作合法,因此可以输出识别无异常的异常识别结果,判断该用户为合法用户。例如,上述请求权限为销售产品类型,若该销售产品类型在标准授权文件的授权范围内,则目标对象具有销售上述产品销售类型的资格,此时可以识别该目标对象为合法对象,输出识别无异常的异常识别结果。
在本申请实施例中,通过对证明文件进行识别以及匹配,能够快速识别目标对象是否为合法对象,从而能够提高异常用户识别的准确性。
图8示出了本申请第七实施例提供的一种异常对象的识别方法S104的具体实现流程图。参见图8,相对于图1至图6任一所述实施例,本实施例提供的一种异常对象的识别方法中S104包括:S801-S802,具体详述如下:
进一步地,所述基于所有所述对象属性信息,输出所述目标对象的异常识别结果,包括:
在S801中,根据所述对象属性信息确定所述对象图像关联的场景类型。
在本实施例中,终端设备可以通过对对象图像进行解析得到的对象属性信息进行场景识别,确定该对象属性信息关联的场景类型。具体地,终端设备可以设置有多个候选场景类型,终端设备可以计算对象属性信息与各个候选场景之间的关联度,从而确定该对象属性信息对应的场景类型。
举例性地,若候选场景类型包括有保险销售类型、电子产品销售类型、餐饮类型以及服装类型等,而对象属性信息包含有对象关键词(对象图像为授权合同,授权合同包含有授权信息以及销售内容等,通过对授权合同内的字符进行识别,可以得到对象关键词),则可以根据对象关键词与各个候选场景类型进行匹配,例如对象关键词包含有手机,则可以确定“手机”这一对象关键词与电子产品销售类型的匹配度较高,因此可以识别该对象属性信息关联的场景类型为电子产品销售类型。还可以通过识别对象图像包含的拍摄主体类型,确定关联的场景类型。
在S802中,若任一所述对象图像的所述场景类型与其他的对象图像关联的所述场景类型不同,则输出识别异常的所述异常识别结果。
在本实施例中,由于各个对象图像属于相同的目标对象,对象图像之间具有统一性。因此若检测到任一对象图像关联的场景类型与其他对象图像关联的场景类型不一致,则可以识别该对象图像存在非法图像,目标对象上传的对象数据中不具备统一性,因此输出识别异常的异常识别结果,即目标对象为异常对象。反之,若各个对象图像的类型均属于同一场景类型,则识别该目标对象为合法对象,输出识别无异常的异常识别结果。
在本申请实施例中,通过对各个对象图像的场景类型进行识别,从而能够确定出场景类型不统一的对象数据,并识别出异常对象,提高了异常对象识别的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图9示出了本申请一实施例提供的一种异常对象的识别设备的结构框图,该异常对象的识别设备包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图9与图1所对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。
参见图9,所述异常对象的识别设备包括:
对象数据获取单元91,用于接收待识别的目标对象的对象数据;该对象数据包括关于所述目标对象的多个对象图像;
匹配结果输出单元92,用于分别提取各个所述对象图像的图像特征值,并将所述图像特征值与数据库内各个历史图像的历史特征值进行匹配,得到所述对象图像的所述图像特征值与数据库之间匹配结果;
对象属性信息获取单元93,用于若所述匹配结果为匹配成功,则分别将所述目标对象的各个所述对象图像导入预设的图像解析模型,获得各个所述对象图像的对象属性信息;
异常识别结果输出单元94,用于基于所有所述对象属性信息,输出所述目标对象的异常识别结果。
可选地,所述匹配结果输出单元92包括:
压缩编码获取单元,用于通过预设的压缩算法,分别获得各个所述对象图像的压缩编码,并所述压缩编码识别为所述对象图像的图像特征值并将所述压缩编码识别为所述对象图像的图像特征值;所述压缩算法是用于生成所述数据库内各个所述历史图像的历史特征值;
压缩编码匹配单元,用于判断所述数据库内是否存在任一所述历史图像的所述历史特征值与所述图像特征值相同;
第一匹配成功单元,用于若存在任一所述历史图像的所述历史特征值与所述图像特征值相同,则输出匹配成功的所述匹配结果;
第一匹配失败单元,用于若各个所述历史图像的所述历史特征值与所述图像特征值不同,则输出匹配失败的所述匹配结果。
可选地,所述匹配结果输出单元92包括:
原始图像矩阵生成单元,用于根据所述对象图像内各个像素的像素值,生成所述对象图像的原始图像矩阵;
图像特征矩阵生成单元,用于通过预设的多层池化网络对所述原始图像矩阵进行降维处理,生成所述对象图像的图像特征矩阵;
偏差值计算单元,用于计算各个所述历史图像的历史特征矩阵与所述图像特征矩阵之间的偏差值;
第二匹配成功单元,用于若存在任一所述历史图像对应的所述偏差值小于预设的偏差阈值,则输出匹配成功的所述匹配结果;
第二匹配失败单元,用于若各个所述历史图像对应的所述偏差值均大于或等于预设的偏差阈值,则输出匹配失败的所述匹配结果。
可选地,所述异常对象的识别设备还包括:
对象属性域获取单元,用于解析原生神经网络内包含的原始参数域,并根据预设的对象属性维度确定用于解析所述对象图像的对象属性域;
迁移矩阵获取单元,用于基于所述原始参数域以及所述对象属性域构建所述对象属性信息关联的迁移矩阵;
迁移矩阵导入单元,用于将所述迁移矩阵导入到所述原生神经网络内,生成待配置的图像解析模型;
损失值计算单元,用于将多个所述训练图像导入到所述待配置的图像解析模型,输出各个所述训练图像的训练结果,并各个所述训练结果与关联的所述训练图像的标准结果进行比对,确定所述待配置的图像解析模型的损失值;
模型调整单元,用于基于所述损失值调整所述迁移矩阵,直到所述损失值小于预设的损失阈值,则将所述待配置的图像解析模型识别为所述图像解析模型。
可选地,所述对象属性信息获取单元93包括:
轮廓曲线获取单元,用于通过预设的轮廓识别算法,确定所述对象图像包含的轮廓曲线;
轮廓曲线划分单元,与基于所述轮廓曲线对所述对象图像进行划分,得到多个拍摄主体区域图像;
主体类型识别单元,用于根据所述拍摄主体区域图像的像素信息以及主体轮廓,确定所述拍摄主体区域图像对应的主体类型;
拍摄场景识别单元,用于根据所有主体类型确定所述对象图像的拍摄场景,并基于所述拍摄场景生成所述对象属性信息。
可选地,所述对象图像包含有证明文件图像,则所述证明文件图像对应的对象属性信息为证明文件编号;所述异常识别结果输出单元94包括:
标准证明文件获取单元,用于通过互联网获取与所述证明文件编号对应的标准证明文件;
授权范围获取单元,用于若所述标准证明文件与所述对象数据的证明文件图像匹配,则从所述标准证明文件内获取授权范围;
授权范围比对单元,用于若所述对象属性信息的请求权限在所述授权范围内,则输出识别无异常的所述异常识别结果。
可选地,所述异常识别结果输出单元94包括:
场景类型识别单元,用于根据所述对象属性信息确定所述对象图像关联的场景类型;
场景类型比对单元,用于若任一所述对象图像的所述场景类型与其他的对象图像关联的所述场景类型不同,则输出识别异常的所述异常识别结果。
因此,本申请实施例提供的异常对象的识别设备由于已经存储有各个已识别的合法对象的认证文件,即上述的历史图像,在进行异常识别的过程中判断待识别的目标对象上传的对象图像中是否与合法对象的认证文件相同,从而能够例如合法对象的认证文件来进行身份冒充,提高了识别的准确性;并且在检测到目标对象的对象图像存在冒充的可能性下,则对对象图像进行进一步的解析认证,基于所有对象图像的对象属性信息进行异常识别,提高了异常识别的准确性,实现了线上认证的目的,无需线下认证,提高了识别效率以及降低识别难度,进一步降低了识别过程的人工成本。
图10是本申请另一实施例提供的一种终端设备的示意图。如图10所示,该实施例的终端设备10包括:处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102,例如异常对象的识别程序。所述处理器100执行所述计算机程序102时实现上述各个异常对象的识别方法实施例中的步骤,例如图1所示的S101至S104。或者,所述处理器100执行所述计算机程序102时实现上述各装置实施例中各单元的功能,例如图9所示模块91至94功能。
示例性的,所述计算机程序102可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器101中,并由所述处理器100执行,以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序102在所述终端设备10中的执行过程。例如,所述计算机程序102可以被分割成对象数据获取单元、匹配结果输出单元、对象属性信息获取单元以及异常识别结果输出单元,各单元具体功能如上所述。
所述终端设备10可以是桌上型计算机、笔记本、掌上电脑及云端终端设备等计算设备。所述终端设备可包括,但不仅限于,处理器100、存储器101。本领域技术人员可以理解,图10仅仅是终端设备10的示例,并不构成对终端设备10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器100可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101可以是所述终端设备10的内部存储单元,例如终端设备10的硬盘或内存。所述存储器101也可以是所述终端设备10的外部存储设备,例如所述终端设备10上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器101还可以既包括所述终端设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种异常对象的识别方法,其特征在于,包括:
接收待识别的目标对象的对象数据;该对象数据包括关于所述目标对象的多个对象图像;
分别提取各个所述对象图像的图像特征值,并将所述图像特征值与数据库内各个历史图像的历史特征值进行匹配,得到所述对象图像的所述图像特征值与数据库之间匹配结果;
若所述匹配结果为匹配成功,则分别将所述目标对象的各个所述对象图像导入预设的图像解析模型,获得各个所述对象图像的对象属性信息;
基于所有所述对象属性信息,输出所述目标对象的异常识别结果。
2.根据权利要求1所述的识别方法,其特征在于,所述分别提取各个所述对象图像的图像特征值,并将所述图像特征值与数据库内各个历史图像的历史特征值进行匹配,得到所述对象图像的所述图像特征值与数据库之间匹配结果,包括:
通过预设的压缩算法,分别获得各个所述对象图像的压缩编码,并将所述压缩编码识别为所述对象图像的图像特征值;所述压缩算法是用于生成所述数据库内各个所述历史图像的历史特征值;
判断所述数据库内是否存在任一所述历史图像的所述历史特征值与所述图像特征值相同;
若存在任一所述历史图像的所述历史特征值与所述图像特征值相同,则输出匹配成功的所述匹配结果;
若各个所述历史图像的所述历史特征值与所述图像特征值不同,则输出匹配失败的所述匹配结果。
3.根据权利要求1所述的识别方法,其特征在于,所述分别提取各个所述对象图像的图像特征值,并将所述图像特征值与数据库内各个历史图像的历史特征值进行匹配,得到所述对象图像的所述图像特征值与数据库之间匹配结果,包括:
根据所述对象图像内各个像素的像素值,生成所述对象图像的原始图像矩阵;
通过预设的多层池化网络对所述原始图像矩阵进行降维处理,生成所述对象图像的图像特征矩阵;
计算各个所述历史图像的历史特征矩阵与所述图像特征矩阵之间的偏差值;
若存在任一所述历史图像对应的所述偏差值小于预设的偏差阈值,则输出匹配成功的所述匹配结果;
若各个所述历史图像对应的所述偏差值均大于或等于预设的偏差阈值,则输出匹配失败的所述匹配结果。
4.根据权利要求1所述的识别方法,其特征在于,在所述若所述匹配结果为匹配成功,则若所述匹配结果为匹配成功,则分别将所述目标对象的各个所述对象图像导入预设的图像解析模型,获得各个所述对象图像的对象属性信息之前,还包括:
解析原生神经网络内包含的原始参数域,并根据预设的对象属性维度确定用于解析所述对象图像的对象属性域;
基于所述原始参数域以及所述对象属性域构建所述对象属性信息关联的迁移矩阵;
将所述迁移矩阵导入到所述原生神经网络内,生成待配置的图像解析模型;
将多个所述训练图像导入到所述待配置的图像解析模型,输出各个所述训练图像的训练结果,并各个所述训练结果与关联的所述训练图像的标准结果进行比对,确定所述待配置的图像解析模型的损失值;
基于所述损失值调整所述迁移矩阵,直到所述损失值小于预设的损失阈值,则将所述待配置的图像解析模型识别为所述图像解析模型。
5.根据权利要求1所述的识别方法,其特征在于,所述若所述匹配结果为匹配成功,则若所述匹配结果为匹配成功,则分别将所述目标对象的各个所述对象图像导入预设的图像解析模型,获得各个所述对象图像的对象属性信息,包括:
通过预设的轮廓识别算法,确定所述对象图像包含的轮廓曲线;
基于所述轮廓曲线对所述对象图像进行划分,得到多个拍摄主体区域图像;
根据所述拍摄主体区域图像的像素信息以及主体轮廓,确定所述拍摄主体区域图像对应的主体类型;
根据所有主体类型确定所述对象图像的拍摄场景,并基于所述拍摄场景生成所述对象属性信息。
6.根据权利要求1-5任一项所述的识别方法,其特征在于,所述对象图像包含有证明文件图像,则所述证明文件图像对应的对象属性信息为证明文件编号;所述基于所有所述对象属性信息,输出所述目标对象的异常识别结果,包括:
通过互联网获取与所述证明文件编号对应的标准证明文件;
若所述标准证明文件与所述对象数据的证明文件图像匹配,则从所述标准证明文件内获取授权范围;
若所述对象属性信息的请求权限在所述授权范围内,则输出识别无异常的所述异常识别结果。
7.根据权利要求1-5任一项所述的识别方法,其特征在于,所述基于所有所述对象属性信息,输出所述目标对象的异常识别结果,包括:
根据所述对象属性信息确定所述对象图像关联的场景类型;
若任一所述对象图像的所述场景类型与其他的对象图像关联的所述场景类型不同,则输出识别异常的所述异常识别结果。
8.一种异常对象的识别设备,其特征在于,包括:
对象数据获取单元,用于接收待识别的目标对象的对象数据;该对象数据包括关于所述目标对象的多个对象图像;
匹配结果输出单元,用于分别提取各个所述对象图像的图像特征值,并将所述图像特征值与数据库内各个历史图像的历史特征值进行匹配,得到所述对象图像的所述图像特征值与数据库之间匹配结果;
对象属性信息获取单元,用于若所述匹配结果为匹配成功,则分别将所述目标对象的各个所述对象图像导入预设的图像解析模型,获得各个所述对象图像的对象属性信息;
异常识别结果输出单元,用于基于所有所述对象属性信息,输出所述目标对象的异常识别结果。
9.一种终端设备,其特征在于,所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至7任一项所述方法的步骤。
10.一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如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466709.6A CN111680181A (zh) | 2020-05-28 | 2020-05-28 | 一种异常对象的识别方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466709.6A CN111680181A (zh) | 2020-05-28 | 2020-05-28 | 一种异常对象的识别方法及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111680181A true CN111680181A (zh) | 2020-09-18 |
Family
ID=72434379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010466709.6A Pending CN111680181A (zh) | 2020-05-28 | 2020-05-28 | 一种异常对象的识别方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680181A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101304A (zh) * | 2020-11-06 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、存储介质及设备 |
CN112491999A (zh) * | 2020-11-18 | 2021-03-12 | 成都佳华物链云科技有限公司 | 一种数据上报方法及装置 |
CN113239224A (zh) * | 2021-05-14 | 2021-08-10 | 百度在线网络技术(北京)有限公司 | 异常文档识别方法、装置、设备和存储介质 |
-
2020
- 2020-05-28 CN CN202010466709.6A patent/CN111680181A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101304A (zh) * | 2020-11-06 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、存储介质及设备 |
CN112491999A (zh) * | 2020-11-18 | 2021-03-12 | 成都佳华物链云科技有限公司 | 一种数据上报方法及装置 |
CN113239224A (zh) * | 2021-05-14 | 2021-08-10 | 百度在线网络技术(北京)有限公司 | 异常文档识别方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020098250A1 (zh) | 字符识别方法、服务器及计算机可读存储介质 | |
CN111680181A (zh) | 一种异常对象的识别方法及终端设备 | |
CN109242612B (zh) | 一种产品推荐的方法及设备 | |
CN107679466B (zh) | 信息输出方法和装置 | |
WO2020024585A1 (zh) | 一种训练物体检测模型的方法、装置以及设备 | |
CN110362799B (zh) | 基于在线仲裁的裁决书生成处理方法、装置和计算机设备 | |
WO2020143325A1 (zh) | 一种电子文档的生成方法及设备 | |
CN111191539A (zh) | 证件真伪验证方法、装置、计算机设备和存储介质 | |
CN110738236B (zh) | 图像匹配方法、装置、计算机设备及存储介质 | |
CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
WO2022078168A1 (zh) | 基于人工智能的身份验证方法、装置、计算机设备和存储介质 | |
CN112330331A (zh) | 基于人脸识别的身份验证方法、装置、设备及存储介质 | |
CN111914908A (zh) | 一种图像识别模型训练方法、图像识别方法及相关设备 | |
WO2017079166A1 (en) | High speed reference point independent database filtering for fingerprint identification | |
CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
CN116524206B (zh) | 目标图像的识别方法及装置 | |
US11030449B2 (en) | Document verification by combining multiple images | |
CN110992139B (zh) | 竞标价格实现方法及相关产品 | |
US20210209256A1 (en) | Peceptual video fingerprinting | |
US11295118B2 (en) | Online user verification without prior knowledge of the user | |
CN110162957B (zh) | 智能设备的鉴权方法和装置、存储介质、电子装置 | |
CN108446737B (zh) | 用于识别对象的方法和装置 | |
WO2022142032A1 (zh) | 手写签名校验方法、装置、计算机设备及存储介质 | |
CN114399495A (zh) | 图像清晰度的计算方法、装置、设备及存储介质 | |
CN113705314A (zh) | 视频处理方法、设备、可读存储介质及程序产品 |
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 |