CN112580668B - 一种背景欺诈检测方法、装置及电子设备 - Google Patents
一种背景欺诈检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112580668B CN112580668B CN202011553698.1A CN202011553698A CN112580668B CN 112580668 B CN112580668 B CN 112580668B CN 202011553698 A CN202011553698 A CN 202011553698A CN 112580668 B CN112580668 B CN 112580668B
- Authority
- CN
- China
- Prior art keywords
- cluster
- pictures
- fraud
- determining
- depth
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种背景欺诈检测方法、装置及电子设备;该方法包括:将待检测的一组图片输入至预先训练完成的深度神经网络,以提取每个图片的深度局部特征;使用随机抽样一致算法计算每两个图片的深度局部特征之间的内点,得到内点计算结果;其中,内点用于表征图片的深度局部特征之间具备一致性;基于内点计算结果构建邻接矩阵;邻接矩阵中的元素为图片的深度局部特征之间的内点数量;使用亲和度扩散聚类算法对邻接矩阵进行聚类,得到多个聚类簇;每个聚类簇包含若干个元素;基于多个聚类簇确定该组图片中是否存在背景欺诈。本发明能够有效检测图片背景欺诈,减少误检或漏检的可能性。
Description
技术领域
本发明属于网络安全技术领域,具体涉及一种基于背景欺诈检测方法、装置及电子设备。
背景技术
近年来,网络上出现了使用图片背景欺诈的方式实现诈骗的大量案例,极大的损害了网络用户和金融机构的权益,给网络安全造成了威胁。
为了实现图片背景欺诈检测,目前有方法提出:使用内容网络(content network)获得去除背景且补全背景的一组待检测的图片;然后,使用纹理网络(texture network)得到该组图片的数字化特征;最后,使用欧氏距离度量该组图片的相似性,以此来检测是否存在图片背景欺诈。
然而,上述方法中,去除背景再另行补全背景的补全效果依赖于所使用的内容网络,可能丢失原有图片中的部分的局部特征,从而导致误检或漏检。另外,实际待检测的图片中的对象可能存在多种姿态,这使得去除背景且补全背景的操作在实际操作中并不能被很好地执行,这同样可能导致误检或漏检。
发明内容
为了有效检测图片背景欺诈,减少误检或漏检的可能性,本发明提供了一种背景欺诈检测方法、装置及电子设备。
本发明要解决的技术问题通过以下技术方案实现:
第一方面,本发明提供了一种背景欺诈检测方法,包括:
将待检测的一组图片输入至预先训练完成的深度神经网络,以提取每个图片的深度局部特征;
使用随机抽样一致算法计算每两个图片的深度局部特征之间的内点,得到内点计算结果;其中,所述内点用于表征图片的深度局部特征之间具备一致性;
基于所述内点计算结果构建邻接矩阵;所述邻接矩阵中的元素为图片的深度局部特征之间的内点数量;
使用亲和度扩散聚类算法对所述邻接矩阵进行聚类,得到多个聚类簇;每个所述聚类簇包含若干个所述元素;
基于所述多个聚类簇确定所述一组图片中是否存在背景欺诈。
可选地,基于所述多个聚类簇确定所述一组图片中是否存在背景欺诈,包括:
确定每个所述聚类簇中的最大元素;
基于所确定的各个所述最大元素计算每个所述聚类簇成为欺诈簇的概率;
当有聚类簇成为欺诈簇的概率大于第一阈值时,确定所述一组图片中存在背景欺诈;否则确定所述一组图片中不存在背景欺诈。
可选地,所述基于所确定的各个所述最大元素计算每个所述聚类簇成为欺诈簇的概率,包括:
求取所确定的各个所述最大元素的和值;
将每个所述最大元素除以所述和值,得到每个所述最大元素所属的聚类簇成为欺诈簇的概率。
可选地,所述当有聚类簇成为欺诈簇的概率大于第一阈值时,确定所述一组图片中存在背景欺诈,包括:
当有聚类簇成为欺诈簇的概率大于第一阈值时,确定该聚类簇中的元素所对应的图片为所述一组图片中的背景欺诈图片。
可选地,所述方法还包括:
在使用随机抽样一致算法计算每两个图片的深度局部特征之间的内点之前,使用主成分分析法对每个图片的深度局部特征进行降维。
可选地,所述方法还包括:
在使用亲和度扩散聚类算法对所述邻接矩阵进行聚类之前,统计所述邻接矩阵的元素的数值分布;
以所述数值分布的第三分位数或第四分位数为第二阈值,将所述邻接矩阵中数值小于所述第二阈值的元素置0。
可选地,所述深度神经网络包括:深度残差子网络和全卷积子网络;所述深度残差子网络和所述全卷积子网络通过卷积核为1*1的卷积层实现连接;所述全卷积网络的图像金字塔具有至少三种不同的尺度。
可选地,所述一组图片包括一组视频帧。。
第二方面,本发明提供了一种背景欺诈检测装置,包括:
局部特征提取模块,用于将待检测的一组图片输入至预先训练完成的深度神经网络,以提取每个图片的深度局部特征;
内点计算模块,用于使用随机抽样一致算法计算每两个图片的深度局部特征之间的内点,得到内点计算结果;其中,所述内点用于表征图片的深度局部特征之间具备一致性;
邻接矩阵构建模块,用于基于所述内点计算结果构建邻接矩阵;所述邻接矩阵中的元素为图片的深度局部特征之间的内点数量;
聚类模块,用于使用亲和度扩散聚类算法对所述邻接矩阵进行聚类,得到多个聚类簇;每个所述聚类簇包含若干个所述元素;
确定模块,用于基于所述多个聚类簇确定所述一组图片中是否存在背景欺诈。
可选地,所述确定模块,包括:第一确定子模块、计算子模块以及第二确定子模块;
所述第一确定子模块,用于确定每个所述聚类簇中的最大元素;
所述计算子模块,用于基于所确定的各个所述最大元素计算每个所述聚类簇成为欺诈簇的概率;
所述第二确定子模块,用于当有聚类簇成为欺诈簇的概率大于第一阈值时,确定所述一组图片中存在背景欺诈;否则确定所述一组图片中不存在背景欺诈。
可选地,所述计算子模块具体用于:
求取所确定的各个所述最大元素的和值;
将每个所述最大元素除以所述和值,得到每个所述最大元素所属的聚类簇成为欺诈簇的概率。
可选地,所述第二确定子模块具体用于:
当有聚类簇成为欺诈簇的概率大于第一阈值时,确定该聚类簇中的元素所对应的图片为所述一组图片中的背景欺诈图片。
可选地,所述装置还包括:降维模块;
所述降维模块,用于在使用随机抽样一致算法计算每两个图片的深度局部特征之间的内点之前,使用主成分分析法对每个图片的深度局部特征进行降维。
可选地,所述装置还包括:统计模块和降噪模块;
所述统计模块,用于在使用亲和度扩散聚类算法对所述邻接矩阵进行聚类之前,统计所述邻接矩阵的元素的数值分布;
所述降噪模块,用于以所述数值分布的第三分位数或第四分位数为第二阈值,将所述邻接矩阵中数值小于所述第二阈值的元素置0。
可选地,所述深度神经网络包括:深度残差子网络和全卷积子网络;所述深度残差子网络和所述全卷积子网络通过卷积核为1*1的卷积层实现连接;所述全卷积网络的图像金字塔具有至少三种不同的尺度。
可选地,所述局部特征提取模块所使用的一组图片包括一组视频帧。
第三方面,本发明提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一种背景欺诈检测方法所述的方法步骤。
本发明提供的背景欺诈检测方法中,使用深度神经网络提取图片的深度局部特征而非全局特征,从而精确、完整地提取了图片中包含最大信息量的深度局部特征;基于此,本发明构建了邻接矩阵,以此表征每两个图片的深度局部特征之间的一致性;然后,使用亲和度扩散聚类算法对邻接矩阵进行聚类,以此发掘待检测的一组图片中的两两图片之间的局部对应关系,进而便可以基于得到的聚类簇确定待检测的一组图片中是否存在背景欺诈。因此,本发明能够有效检测图片背景欺诈,减少误检或漏检的可能性。
以下将结合附图及对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种背景欺诈检测方法的流程示意图;
图2是本发明实施例中使用的一种深度神经网络的结构示意图;
图3是本发明实施例提供的一种背景欺诈检测装置的结构示意图;
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
为了能够有效检测图片背景欺诈,减少误检或漏检的可能性,本发明实施例提供了一种背景欺诈检测方法、装置及电子设备。其中,本发明实施例提供的背景欺诈检测方法的执行主体,即为本发明实施例提供的背景欺诈检测装置;该装置应用于本发明实施例提供的电子设备中。在具体应用中,该电子设备可以包括:台式计算机、便携式计算机、智能移动终端、服务器等,在此不作限定,任何可以实现本发明的电子设备,均属于本发明的保护范围。
首先,对本发明实施例提供的背景欺诈检测方法进行详细说明。如图1所示,该方法可以包括以下步骤:
S10:将待检测的一组图片输入至预先训练完成的深度神经网络,以提取每个图片的深度局部特征。
其中,待检测的一组图片可以是一组视频帧;或者,该组图片也可以是多张包含有同一人员对象或同一物品对象的图片。其中,该人员对象或该物品对象可以具有不同的姿态。将该组图片输入到深度神经网络,便可以提取各种姿态下该人员对象或该物品对象所具有的局部特征。
该步骤中,深度神经网络主要用于提取图片的深度局部特征。相关技术中任一种能够提取图片的深度局部特征的深度神经网络均可应用于本发明实施例中。或者,为了提取更完整、更精准的深度局部特征,本发明实施例也可以基于现有的深度残差网络构建新的深度神经网络;为了方案清楚及布局清晰,后续对该新的深度神经网络进行举例说明。
S20:使用随机抽样一致算法计算每两个图片的深度局部特征之间的内点,得到内点计算结果;其中,内点用于表征图片的深度局部特征之间具备一致性。
其中,随机抽样一致算法即RANSAC(RANdomSAmple Consensus)算法;该RANSAC算法中,假设数据中包含正确数据和异常数据,正确数据记为内点,异常数据记为外点。对应到本发明实施例中,两个图片的深度局部特征之间具有一致性的部分越多,内点的数量越大;反之,两个图片的深度局部特征之间具有一致性的部分越少,内点的数量越少。
可以理解的是,该步骤中得到的内点计算结果包括了每两个图片的深度局部特征之间的内点。
S30:基于内点计算结果构建邻接矩阵;该邻接矩阵中的元素为图片的深度局部特征之间的内点数量。
具体而言,构建邻接矩阵即构建无向图。本发明实施例中,以步骤S10中所获得的一组图片为无向图的各个节点,以每两个图片的深度局部特征之间的内点数量为无向图中的边的权重,形成无向图。也就是说,该无向图中,各个顶点V与上述的一组图片一一对应,因此可使用一个一维数组存储各个顶点;各条边E代表两两图片之间的相关度,该相关度具体是两两图片的深度局部特征之间的内点数量,因此可使用一个二维数组存储各条边E,该二维数组即是邻接矩阵。
S40:使用亲和度扩散聚类算法对邻接矩阵进行聚类,得到多个聚类簇;每个聚类簇包含若干个属于邻接矩阵中的元素。
具体的,将邻接矩阵输入到亲和度扩散聚类算法中,通过该亲和度扩散聚类算法对邻接矩阵的亲和量进行迭代运算,便可以自适应的寻找出各个聚类簇;每个聚类簇均包含若干个属于邻接矩阵的元素,且每个聚类簇均具有聚类中心,聚类簇的聚类数目即聚类簇所包含的元素个数。
S50:基于多个聚类簇确定上述的一组图片中是否存在背景欺诈。
这里,基于多个聚类簇确定上述的一组图片中是否存在背景欺诈的具体实现方式可以存在多种。示例性的,在一种实现方式中,基于多个聚类簇确定上述的一组图片中是否存在背景欺诈,可以包括:
(1)确定每个所述聚类簇中的最大元素;
(2)基于所确定的各个所述最大元素计算每个聚类簇成为欺诈簇的概率;
(3)当有聚类簇成为欺诈簇的概率大于第一阈值时,确定上述的一组图片中存在背景欺诈;否则确定该组图片中不存在背景欺诈。
其中,基于所确定的各个最大元素计算每个聚类簇成为欺诈簇的概率,可以包括:
(2-1)求取所确定的各个最大元素的和值;
(2-2)将每个最大元素除以该和值,得到每个最大元素所属的聚类簇成为欺诈簇的概率。
这一计算过程可以用下述公式进行表示:
其中,traverse(Graphi)代表遍历第i个聚类簇所包含的属于邻接矩阵的元素;argmax(traverse(Graphi))表示遍历得到的第i个聚类簇的最大元素,probi表示第i个聚类簇成为欺诈簇的概率,n代表聚类数目。
在另一种实现方式中,基于多个聚类簇确定上述的一组图片中是否存在背景欺诈,可以包括:
(1)确定每个聚类簇中的最大元素;
(2)剔除小于预设上限的最大元素;
(3)基于剩余的各个最大元素计算对应的聚类簇成为欺诈簇的概率;
(4)当有聚类簇成为欺诈簇的概率大于第一阈值时,确定上述的一组图片中存在背景欺诈;否则确定该组图片中不存在背景欺诈。
该实现方式中,基于剩余的各个最大元素计算对应的聚类簇成为欺诈簇的概率的具体实现方式可以参见上述的步骤(2-1)和步骤(2-2),此处不再赘述。
本发明实施例提供的背景欺诈检测方法中,使用深度神经网络提取图片的深度局部特征而非全局特征,从而精确、完整地提取了图片中包含最大信息量的深度局部特征;基于此,本发明实施例构建了邻接矩阵,以此表征每两个图片的深度局部特征之间的一致性;然后,使用亲和度扩散聚类算法对邻接矩阵进行聚类,以此发掘待检测的一组图片中的两两图片之间的局部对应关系,进而便可以基于得到的聚类簇确定待检测的一组图片中是否存在背景欺诈。因此,本发明实施例能够有效检测图片背景欺诈,减少误检或漏检的可能性。
在一个实施例中,步骤S50中,当由聚类簇成为欺诈簇的概率大于第一阈值时,确定上述的一组图片中存在背景欺诈,可以具体包括:
当有聚类簇成为欺诈簇的概率大于第一阈值时,确定该聚类簇中的元素所对应的图片为上述的一组图片中的背景欺诈图片。
由此,本发明实施例不仅可以确定待检测的一组图片中是否存在背景欺诈,还可以确定具体的背景欺诈图片。基于此,本发明实施例还可以进一步输出所确定的背景欺诈图片。
可选地,在一种实现方式中,本发明实施例提供的背景欺诈检测方法,在使用随机抽样一致算法计算每两个图片的深度局部特征之间的内点之前,还可以包括:
使用主成分分析法对每个图片的深度局部特征进行降维。
举例而言,假设深度神经网络所提取的深度局部特征为1000*500的特征图;则可以使用包括40个主成分的主成分分析法进行降维,降维之后每个图片的特征维度则为1000*40。
可以理解的是,对每个图片的深度局部特征采用主成分分析法进行降维,可以获得更为精确的深度局部特征。
可选地,在一种实现方式中,本发明实施例提供的背景欺诈检测方法,在使用亲和度扩散聚类算法对所述邻接矩阵进行聚类之前,还可以包括:
(1)统计邻接矩阵的元素的数值分布;
(2)以数值分布的第三分位数或第四分位数为第二阈值,将邻接矩阵中数值小于第二阈值的元素置0。
可以理解的是,该实现方式中的这一操作,去除了相似性不高的深度局部特征之间的关联性,起到了给邻接矩阵进行降噪的作用。并且,根据统计的数值分布取第三分位数或第四分位数作为第二阈值,达到了自适应降噪的效果。
另外,为了提取更完整、更精准的深度局部特征。本发明实施例中,可以基于现有的深度残差网络与全卷积网络的结合来构建新的深度神经网络。具体的,参见图2所示,该新的深度神经网络可以包括:深度残差子网络和全卷积子网络。其中,深度残差子网络和全卷积子网络通过卷积核为1*1的卷积层实现连接;并且,该全卷积网络的图像金字塔具有至少三种不同的尺度。
在一个具体的实施例中,可以将ResNet-50这一种深度残差网络的第四个卷积层之后的网络去除,得到一个深度残差子网络;然后,使用卷积核为1*1的卷积层将全卷积网络与之进行连接,该全卷积网络即是上述的全卷积子网络。该全卷积子网络将深度残差子网络的第四个卷积层的各个输出端进行多尺度的特征提取后再进行特征堆叠,便可以输出深度局部特征。其中,示例性的,该全卷积子网络可以具有三种不同的尺度。这里所说的尺度指的是全卷积子网络内部在提取图像特征时的尺度,对应到特征图中可以形成不同的分辨率。
其中,在训练该深度神经网络时,为了使该深度神经网络更好的学习到较强的深度局部特征提取性能,可以将参与训练的样本图片进行不同尺度的处理后再投入训练。举例而言,一种处理方式可以是将图片放大或缩小至900*900;另一种处理方式可以是以图片中心点为裁剪后的图片的中心点,将图片裁剪至固定的250*250;另一种处理方式可以是不指定裁剪后的图片的中心点,即以随机裁剪的方式将图片裁剪为720*720。
相应于上述的背景欺诈检测方法,本发明实施例还提供了一种背景欺诈检测装置;如图3所示,该装置可以包括:
局部特征提取模块401,用于将待检测的一组图片输入至预先训练完成的深度神经网络,以提取每个图片的深度局部特征;
内点计算模块402,用于使用随机抽样一致算法计算每两个图片的深度局部特征之间的内点,得到内点计算结果;其中,内点用于表征图片的深度局部特征之间具备一致性;
邻接矩阵构建模块403,用于基于内点计算结果构建邻接矩阵;邻接矩阵中的元素为图片的深度局部特征之间的内点数量;
聚类模块404,用于使用亲和度扩散聚类算法对邻接矩阵进行聚类,得到多个聚类簇;每个聚类簇包含若干个元素;
确定模块405,用于基于多个聚类簇确定上述一组图片中是否存在背景欺诈。
可选地,所述确定模块405,包括:第一确定子模块、计算子模块以及第二确定子模块;
该第一确定子模块,用于确定每个聚类簇中的最大元素;
该计算子模块,用于基于所确定的各个所述最大元素计算每个聚类簇成为欺诈簇的概率;
该第二确定子模块,用于当任意一个或多个聚类簇成为欺诈簇的概率大于第一阈值时,确定上述一组图片中存在背景欺诈;否则确定该组图片中不存在背景欺诈。
其中,该计算子模块具体用于:
求取所确定的各个最大元素的和值;
将每个大元素除以所述和值,得到每个最大元素所属的聚类簇成为欺诈簇的概率。
可选地,该第二确定子模块具体用于:
当有聚类簇成为欺诈簇的概率大于第一阈值时,确定该聚类簇中的元素所对应的图片为上述一组图片中的背景欺诈图片。
可选地,该装置还包括:降维模块;
该降维模块,用于在使用随机抽样一致算法计算每两个图片的深度局部特征之间的内点之前,使用主成分分析法对每个图片的深度局部特征进行降维。
可选地,该装置还包括:统计模块和降噪模块;
该统计模块,用于在使用亲和度扩散聚类算法对邻接矩阵进行聚类之前,统计邻接矩阵的元素的数值分布;
该降噪模块,用于以所述数值分布的第三分位数或第四分位数为第二阈值,将所述邻接矩阵中数值小于所述第二阈值的元素置0。
可选地,深度神经网络包括:深度残差子网络和全卷积子网络;深度残差子网络和全卷积子网络通过卷积核为1*1的卷积层实现连接;全卷积网络的图像金字塔具有至少三种不同的尺度。
可选地,局部特征提取模块401所使用的一组图片包括一组视频帧。
本发明实施例提供的背景欺诈检测装置,使用深度神经网络提取图片的深度局部特征而非全局特征,从而精确、完整地提取了图片中包含最大信息量的深度局部特征;基于此,本发明实施例构建了邻接矩阵,以此表征每两个图片的深度局部特征之间的一致性;然后,使用亲和度扩散聚类算法对邻接矩阵进行聚类,以此发掘待检测的一组图片中的两两图片之间的局部对应关系,进而便可以基于得到的聚类簇确定待检测的一组图片中是否存在背景欺诈。因此,本发明实施例能够有效检测图片背景欺诈,减少误检或漏检的可能性。
基于同一发明构思,本发明实施例还提供了一种电子设备,如图4所示,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,实现上述任一种背景欺诈检测方法所述的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表征,图中仅用一条粗线表征,但并不表征仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。
本发明还提供了一种计算机可读存储介质。在该计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时,实现上述任一种背景欺诈检测方法所述的方法步骤。
可选地,该计算机可读存储介质可以为非易失性存储器(Non-Volatile Memory,NVM),例如为至少一个磁盘存储器。
可选的,所述计算机可读存储器还可以是至少一个位于远离前述处理器的存储装置。
在本发明的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一种背景欺诈检测方法所述的方法步骤。
需要说明的是,对于装置/电子设备/存储介质/计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种背景欺诈检测方法,其特征在于,包括:
将待检测的一组图片输入至预先训练完成的深度神经网络,以提取每个图片的深度局部特征;
使用随机抽样一致算法计算每两个图片的深度局部特征之间的内点,得到内点计算结果;其中,所述内点用于表征图片的深度局部特征之间具备一致性;
基于所述内点计算结果构建邻接矩阵;所述邻接矩阵中的元素为图片的深度局部特征之间的内点数量;
使用亲和度扩散聚类算法对所述邻接矩阵进行聚类,得到多个聚类簇;每个所述聚类簇包含若干个所述元素;
基于所述多个聚类簇确定所述一组图片中是否存在背景欺诈;
所述基于所述多个聚类簇确定所述一组图片中是否存在背景欺诈,包括:
确定每个所述聚类簇中的最大元素;
基于所确定的各个所述最大元素计算每个所述聚类簇成为欺诈簇的概率;
当有聚类簇成为欺诈簇的概率大于第一阈值时,确定所述一组图片中存在背景欺诈;否则确定所述一组图片中不存在背景欺诈;
所述基于所确定的各个所述最大元素计算每个所述聚类簇成为欺诈簇的概率,包括:
求取所确定的各个所述最大元素的和值;
将每个所述最大元素除以所述和值,得到每个所述最大元素所属的聚类簇成为欺诈簇的概率。
2.根据权利要求1所述的方法,其特征在于,所述当有聚类簇成为欺诈簇的概率大于第一阈值时,确定所述一组图片中存在背景欺诈,包括:
当有聚类簇成为欺诈簇的概率大于第一阈值时,确定该聚类簇中的元素所对应的图片为所述一组图片中的背景欺诈图片。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在使用随机抽样一致算法计算每两个图片的深度局部特征之间的内点之前,使用主成分分析法对每个图片的深度局部特征进行降维。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在使用亲和度扩散聚类算法对所述邻接矩阵进行聚类之前,统计所述邻接矩阵的元素的数值分布;
以所述数值分布的第三分位数或第四分位数为第二阈值,将所述邻接矩阵中数值小于所述第二阈值的元素置0。
5.根据权利要求1所述的方法,其特征在于,所述深度神经网络包括:深度残差子网络和全卷积子网络;所述深度残差子网络和所述全卷积子网络通过卷积核为1*1的卷积层实现连接;所述全卷积子 网络的图像金字塔具有至少三种不同的尺度。
6.根据权利要求1所述的方法,其特征在于,所述一组图片包括一组视频帧。
7.一种背景欺诈检测装置,其特征在于,包括:
局部特征提取模块,用于将待检测的一组图片输入至预先训练完成的深度神经网络,以提取每个图片的深度局部特征;
内点计算模块,用于使用随机抽样一致算法计算每两个图片的深度局部特征之间的内点,得到内点计算结果;其中,所述内点用于表征图片的深度局部特征之间具备一致性;
邻接矩阵构建模块,用于基于所述内点计算结果构建邻接矩阵;所述邻接矩阵中的元素为图片的深度局部特征之间的内点数量;
聚类模块,用于使用亲和度扩散聚类算法对所述邻接矩阵进行聚类,得到多个聚类簇;每个所述聚类簇包含若干个所述元素;
确定模块,用于基于所述多个聚类簇确定所述一组图片中是否存在背景欺诈;
所述确定模块,包括:第一确定子模块、计算子模块以及第二确定子模块;
所述第一确定子模块,用于确定每个聚类簇中的最大元素;
所述计算子模块,用于基于所确定的各个所述最大元素计算每个聚类簇成为欺诈簇的概率;
所述第二确定子模块,用于当任意一个或多个聚类簇成为欺诈簇的概率大于第一阈值时,确定上述一组图片中存在背景欺诈;否则确定该组图片中不存在背景欺诈;
其中,所述计算子模块具体用于:
求取所确定的各个最大元素的和值;
将每个大元素除以所述和值,得到每个最大元素所属的聚类簇成为欺诈簇的概率。
8.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器,所述通信接口,所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011553698.1A CN112580668B (zh) | 2020-12-24 | 2020-12-24 | 一种背景欺诈检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011553698.1A CN112580668B (zh) | 2020-12-24 | 2020-12-24 | 一种背景欺诈检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580668A CN112580668A (zh) | 2021-03-30 |
CN112580668B true CN112580668B (zh) | 2022-10-18 |
Family
ID=75139501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011553698.1A Active CN112580668B (zh) | 2020-12-24 | 2020-12-24 | 一种背景欺诈检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580668B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906671B (zh) * | 2021-04-08 | 2024-03-15 | 平安科技(深圳)有限公司 | 面审虚假图片识别方法、装置、电子设备及存储介质 |
CN113052836A (zh) * | 2021-04-21 | 2021-06-29 | 深圳壹账通智能科技有限公司 | 电子身份照片检测方法、装置、电子设备及存储介质 |
CN113672751B (zh) * | 2021-06-29 | 2022-07-01 | 西安深信科创信息技术有限公司 | 一种背景相似图片的聚类方法、装置及电子设备、存储介质 |
CN113726824B (zh) * | 2021-11-03 | 2022-01-07 | 成都无糖信息技术有限公司 | 一种基于图像特征的诈骗网站查找方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216895A (zh) * | 2007-12-26 | 2008-07-09 | 北京航空航天大学 | 一种复杂背景图像中椭圆图像特征的自动提取方法 |
CN106780591A (zh) * | 2016-11-21 | 2017-05-31 | 北京师范大学 | 一种基于颅面稠密对应点云的颅面形态分析及面貌复原方法 |
CN108629593A (zh) * | 2018-04-28 | 2018-10-09 | 招商银行股份有限公司 | 基于深度学习的欺诈交易识别方法、系统及存储介质 |
CN111428217A (zh) * | 2020-04-12 | 2020-07-17 | 中信银行股份有限公司 | 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质 |
CN111522986A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 图像检索方法、装置、设备和介质 |
CN111915418A (zh) * | 2020-05-25 | 2020-11-10 | 百维金科(上海)信息科技有限公司 | 一种互联网金融欺诈行为在线检测方法及其装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569878B (zh) * | 2019-08-08 | 2022-06-24 | 上海汇付支付有限公司 | 一种基于卷积神经网络的照片背景相似度聚类方法及计算机 |
CN111931751B (zh) * | 2020-10-13 | 2021-01-26 | 深圳市瑞图生物技术有限公司 | 深度学习训练方法、目标物识别方法、系统和存储介质 |
-
2020
- 2020-12-24 CN CN202011553698.1A patent/CN112580668B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216895A (zh) * | 2007-12-26 | 2008-07-09 | 北京航空航天大学 | 一种复杂背景图像中椭圆图像特征的自动提取方法 |
CN106780591A (zh) * | 2016-11-21 | 2017-05-31 | 北京师范大学 | 一种基于颅面稠密对应点云的颅面形态分析及面貌复原方法 |
CN108629593A (zh) * | 2018-04-28 | 2018-10-09 | 招商银行股份有限公司 | 基于深度学习的欺诈交易识别方法、系统及存储介质 |
CN111428217A (zh) * | 2020-04-12 | 2020-07-17 | 中信银行股份有限公司 | 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质 |
CN111522986A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 图像检索方法、装置、设备和介质 |
CN111915418A (zh) * | 2020-05-25 | 2020-11-10 | 百维金科(上海)信息科技有限公司 | 一种互联网金融欺诈行为在线检测方法及其装置 |
Non-Patent Citations (1)
Title |
---|
"基于深度神经网络的遥感图像飞机目标检测";李文斌.等;《计算机工程》;20200731;第46卷(第7期);第268-276页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112580668A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580668B (zh) | 一种背景欺诈检测方法、装置及电子设备 | |
CN109829506B (zh) | 图像处理方法、装置、电子设备和计算机存储介质 | |
CN111738244B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN110245714B (zh) | 图像识别方法、装置及电子设备 | |
CN111274999B (zh) | 数据处理、图像处理方法、装置及电子设备 | |
CN110532413B (zh) | 基于图片匹配的信息检索方法、装置、计算机设备 | |
CN111027412B (zh) | 一种人体关键点识别方法、装置及电子设备 | |
CN110210480B (zh) | 文字识别方法、装置、电子设备和计算机可读存储介质 | |
CN110738235A (zh) | 肺结核判定方法、装置、计算机设备及存储介质 | |
CN111415373A (zh) | 基于孪生卷积网络的目标跟踪与分割方法、系统及介质 | |
CN111444807A (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
CN111192678A (zh) | 病理显微图像诊断、模型训练方法、装置、设备及介质 | |
CN115690672A (zh) | 异常图像识别方法、装置、计算机设备和存储介质 | |
CN110287361B (zh) | 一种人物图片筛选方法及装置 | |
CN110163095B (zh) | 回环检测方法、回环检测装置及终端设备 | |
CN111339884A (zh) | 图像识别方法以及相关设备、装置 | |
CN113129298A (zh) | 文本图像的清晰度识别方法 | |
TWI803243B (zh) | 圖像擴增方法、電腦設備及儲存介質 | |
CN116258906A (zh) | 一种对象识别方法、特征提取模型的训练方法及装置 | |
CN115424293A (zh) | 活体检测方法、活体检测模型的训练方法及装置 | |
CN113763405A (zh) | 一种图像检测方法和装置 | |
CN112861874A (zh) | 一种基于多滤波器去噪结果的专家场去噪方法及系统 | |
CN112990318B (zh) | 持续学习方法、装置、终端及存储介质 | |
CN110728615B (zh) | 基于序贯假设检验的隐写分析方法、终端设备及存储介质 | |
CN110991543B (zh) | 图像感兴趣区聚类方法和装置、计算设备、和存储介质 |
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 |