CN113536870A - 一种异常头像识别方法及装置 - Google Patents

Abstract

本申请涉及计算机技术领域，尤其涉及一种异常头像识别方法及装置，获取待识别头像的第一图像特征信息；分别将所述第一图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配，所述目标头像为安全等级达到设定级别的头像；确定匹配到目标头像时，根据预设的安全控制策略确定所述待识别头像是否为异常头像，这样，通过特征提取和相似匹配，进而来识别异常头像，提高了异常头像识别准确性和效率。

Description

一种异常头像识别方法及装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种异常头像识别方法及装置。

背景技术

目前，在各种应用平台中都经常有不法分子将头像设置成官方头像，冒充官方平台进行欺诈，因此，对这些仿冒头像进行识别并拦截，是阻拦此类欺诈行为的关键。

相关技术中的识别方法，主要是采用基于ORB关键点匹配，对两幅图像的ORB关键点进行匹配，当两幅图像中有足够多的ORB关键点可以匹配上时，则认为是相似的，但是ORB特征容易被破解，并且官方头像通常为简单的纯色图像组合，只能检测到少量的ORB关键点，导致识别准确性较低。并且相关技术中还提供了一种基于深度学习的分类模型来进行识别，但是这种方式是对不同的仿冒头像或官方头像预先分类并训练分类模型，只能识别出一些特定类别的头像，每次需要识别新的仿冒头像时，都需要重新训练模型，效率较低，降低了响应速度。

发明内容

本申请实施例提供一种异常头像识别方法及装置，以提高异常头像识别准确性和效率。

本申请实施例提供的具体技术方案如下：

本申请一个实施例提供了一种异常头像识别方法，包括：

获取待识别头像的第一图像特征信息；

分别将所述第一图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配，所述目标头像为安全等级达到设定级别的头像；

确定匹配到目标头像时，根据预设的安全控制策略确定所述待识别头像是否为异常头像。

本申请另一个实施例提供了一种异常头像识别装置，包括：

特征提取模块，用于获取待识别头像的第一图像特征信息；

匹配模块，用于分别将所述第一图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配，所述目标头像为安全等级达到设定级别的头像；

确定模块，用于确定匹配到目标头像时，根据预设的安全控制策略确定所述待识别头像是否为异常头像。

本申请另一个实施例提供了一种电子设备，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程序时实现上述任一种异常头像识别方法的步骤。

本申请另一个实施例提供了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上述任一种异常头像识别方法的步骤。

本申请实施例中，获取待识别头像，并获取待识别头像的第一图像特征信息，进而将待识别头像的第一图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配，确定匹配到目标头像时，采用预设安全控制策略，确定待识别头像是否为异常头像，这样，不依赖头像类别和分类模型，提取到图像特征信息后，就可以和各个目标头像进行匹配，匹配成功后，说明和安全等级达到设定级别即无异常的目标头像相似，再采用安全控制策略来判断是否为异常头像，可以保证识别的准确性，并且不仅限于特定头像类别，每次需要加入新的待屏蔽头像时，不需要重新训练模型，提高了响应速度和效率。

附图说明

图1为相关技术中ORB关键点匹配效果示意图；

图2为本申请实施例中异常头像识别方法的应用架构示意图；

图3为本申请实施例中异常头像识别方法流程图；

图4为本申请实施例中的特征提取模型的训练原理示意图；

图5为本申请实施例中特征提取模型的训练方法流程图；

图6为本申请实施例中的数据并行的训练原理示意图；

图7为本申请实施例中的模型并行的训练原理示意图；

图8为本申请实施例中的异常头像识别方法架构流程示意图；

图9为本申请实施例中异常头像识别装置结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

为便于对本申请实施例的理解，下面先对几个概念进行简单介绍：

仿冒头像：表示为模仿正常的官方头像而仿冒的头像，本申请实施例中称为异常头像，一些仿冒头像可能会冒充官方平台进行欺诈或进行其它违法行为，本申请实施例中主要是为了能够及时拦截并打击这类违法行为，而对这些仿冒头像进行有效快速的识别。

官方头像：本申请实施例中称为安全等级达到设定级别的头像或无异常的头像，例如一些官方认证的账号的头像，如认证的公众号的头像、各种即时通信平台的头像等。

有向的FAST和旋转的BRIEF(Oriented FAST and Rotated BRIEF，ORB)：是一种快速特征点提取和描述的算法，ORB特征是将加速分段试验的特征(Features fromAccelerated Segment Test，FAST)特征点的检测方法与二进制鲁棒独立基本特征(BinaryRobust Independent Elementary Features，BRIEF)特征描述子结合起来，并在它们原来的基础上做了改进与优化。

卷积神经网络(Convolutional Neural Networks，CNN)：其基本结构包括两层，分别为特征提取层和特征映射层。

深度度量学习：是度量学习的一种方法，目标是学习一个从原始特征到低维稠密的向量空间(称之为嵌入空间)的映射，使得同类对象在嵌入空间上使用常用的距离函数(例如欧氏距离、cosine距离等)计算的距离比较近，而不同类对象之间的距离则比较远。深度度量学习在计算机视觉领域应用广泛，例如人脸识别、人脸验证、图像检索、签名验证、行人重识别等。

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

计算机视觉技术(Computer Vision，CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、光学字符识别(Optical Character Recognition，OCR)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、三维(3Dimensions，3D)技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。例如，本申请实施例中主要涉及计算机视觉技术中的图像语义理解，可以通过图像语义理解技术中的图像特征提取，提取待识别头像，以及目标头像、训练头像的图像特征信息，并基于图像特征信息进行相似度匹配等。

机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。例如，本申请实施例中，可以基于机器学习中的深度学习技术，学习并训练卷积神经网络，从而获得训练的特征提取模型，基于特征提取模型来提取头像的图像特征信息。

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

本申请实施例提供的方案主要涉及人工智能的计算机视觉技术和机器学习技术，具体通过如下实施例进行说明：

目前，对仿冒头像进行识别并拦截，是阻拦此类欺诈行为的关键，相关技术中的识别方法，主要是采用基于ORB关键点匹配，通过提取ORB关键点特征，对两幅图像的ORB关键点进行匹配，当两幅图像中有足够多的ORB关键点可以匹配上时，则认为是相似的，例如，参阅图1所示，为相关技术中ORB关键点匹配效果示意图，图1中是分别将左边的图像和右边的图像进行匹配，示意了一些匹配上的ORB关键点，但是ORB特征容易被破解，并且官方头像通常为简单的纯色图像组合，只能检测到少量的ORB关键点，导致识别准确性较低。

并且相关技术中还提供了一种基于深度学习的分类模型来进行识别，主要是预先训练一个分类模型，然后基于训练的分类模型，对输入的头像直接进行分类，但是这种方式是对不同的仿冒头像或官方头像预先分类并训练分类模型，只能识别出一些特定类别的头像，每次需要识别新的仿冒头像时，都需要重新训练模型，而通常从分类模型的训练到测试上线，需要花费一定的时间，降低了响应速度和安全对抗的反应速度，效率较低。

为解决上述问题，本申请实施例中提供了一种新的异常头像识别方法，获取待识别头像，并提取待识别头像的第一图像特征信息，将待识别头像的第一图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配，确定匹配到目标头像时，根据预设安全控制策略，确定待识别头像是否为异常头像，例如可以通过获取待识别头像关联的账号信息等，来判断该待识别头像是否为异常头像，这样，通过提取图像特征信息，使得可以根据图像特征信息，将待识别头像与目标头像进行匹配，匹配上时说明和无异常的目标头像相似，进而可以再根据安全控制策略来确定是否为异常头像，可以准确识别出异常头像，而且不依赖于预先分类，需要加入新的待屏蔽头像时，也不需要重新训练模型，提高了响应速度和效率。

参阅图2所示，为本申请实施例中异常头像识别方法的应用架构示意图，包括服务器100、终端200。

终端200可以是智能手机、平板电脑、便携式个人计算机等任何智能设备，终端200上可以安装有各种应用程序，例如用户可以在某应用程序的平台中注册账号，并设置账号的头像，通常账号头像为图像，还可以申请官方身份认证，认证通过的账号，其头像即可以认为是官方头像，例如一些公司的微博头像，名人的账号头像等，而一些用户可能会为了赚取流量或进行欺诈行为，而模仿官方头像，并且用户还可以更新账号头像。

终端200与服务器100之间可以通过互联网相连，实现相互之间的通信。可选地，上述的互联网使用标准通信技术和/或协议。互联网通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-upLanguage，HTML)、可扩展标记语言(Extensible Markup Language，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure SocketLayer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(VirtualPrivate Network，VPN)、网际协议安全(Internet Protocol Security，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。

服务器100可以为终端200提供各种网络服务，对于不同的应用程序，服务器100可以为相应的后台服务器，其中，服务器100可以是一台服务器、若干台服务器组成的服务器集群或云计算中心。

具体地，服务器100可以包括处理器110(Center Processing Unit，CPU)、存储器120、输入设备130和输出设备140等，输入设备130可以包括键盘、鼠标、触摸屏等，输出设备140可以包括显示设备，如液晶显示器(Liquid Crystal Display，LCD)、阴极射线管(Cathode Ray Tube，CRT)等。

存储器120可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器110提供存储器120中存储的程序指令和数据。在本申请实施例中，存储器120可以用于存储本申请实施例中异常头像识别方法的程序。

处理器110通过调用存储器120存储的程序指令，处理器110用于按照获得的程序指令执行本申请实施例中任一种异常头像识别方法的步骤。

需要说明的是，本申请实施例中的异常头像识别方法主要由服务器100侧执行，例如，终端200中某应用程序平台中的用户注册并设置头像时，或更换头像时等，服务器100可以获取该用户的账号头像，作为待识别头像，并根据已训练的特征提取模型，提取待识别头像的图像特征信息，将待识别头像的图像特征信息，和目标头像库中的各目标头像进行匹配，目标头像库中存储的是安全等级达到设定等级的头像，即为无异常的目标头像，匹配成功时，说明和无异常的目标头像，例如官方头像相似，进而可以再采用安全控制策略，确定待识别头像是否为异常头像，例如还可以获取更多的业务数据来进行判断。如图2所示的应用架构，是以应用于服务器100侧为例进行说明的，当然，本申请实施例中异常头像识别方法也可以由终端200执行，对此本申请实施例中并不进行限制。

另外由于终端200的性能限制，特征提取模型的训练过程由服务器100执行。

本申请实施例中的应用架构图是为了更加清楚地说明本申请实施例中的技术方案，并不构成对本申请实施例提供的技术方案的限制，当然，也并不仅限于头像为用户的账号头像并进行仿冒头像识别的业务应用，对于其它的应用架构和业务应用，本申请实施例提供的技术方案对于类似的问题，同样适用。

本申请各个实施例以应用于图2所示的应用架构图为例进行示意性说明。

基于上述实施例，参阅图3所示，为本申请实施例中异常头像识别方法流程图，该方法包括：

步骤300：获取待识别头像。

本申请实施例中以待识别头像为用户的账号头像为例，当然并不限制为账号头像也可以为其它图像，对此并不进行限制。

例如，在用户更换头像时，终端将用户更换的账号头像发送给服务器；又例如，服务器可以主动获取终端中用户的账号头像。

步骤310：获取待识别头像的第一图像特征信息。

本申请实施例中预先训练特征提取模型，可以基于该特征提取模型来提取图像特征信息，具体执行步骤310时，包括：基于已训练的特征提取模型，以待识别头像为输入参数，对待识别头像进行特征提取，获得待识别头像的第一图像特征信息。

其中，特征提取模型为根据各类训练头像集进行迭代训练，以使同类训练头像之间的图像特征信息的距离更近，不同类训练头像之间的图像特征信息的距离更远，进而迭代训练完成后获得的。

这样，通过特征提取模型可以对待识别头像提取固定维度的图像特征信息，即固定维度的图像特征向量，例如为512维，本申请实施例中并不进行限制，由于本申请实施例中的特征提取模型在迭代训练时，以使同类训练头像之间的图像特征信息的距离更近，不同类训练头像之间的图像特征信息的距离更远的目标进行迭代训练的，因此，基于该特征提取模型提取的图像特征信息，满足类间可分，类内紧凑，使得提取的图像特征信息更加准确，进而可以提高后续图像相似性匹配的准确性。

步骤320：分别将第一图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配，目标头像为安全等级达到设定级别的头像。

本申请实施例中可以预先设置目标头像库，目标头像库中包括安全等级达到设定级别的头像，可以认为是无异常的头像，例如，可以获取平台中各个官方头像，构成目标头像库，还可以包括其它需要匹配的无异常的头像，本申请实施例中并不进行限制。

并且，为了提高匹配的效率和速度，对于目标头像库中的目标头像，可以预先基于特征提取模型，获得各目标头像的图像特征信息，并存储在目标头像库中，即目标头像库中至少包括多个安全等级达到设定级别的头像，以及各目标头像对应的第二图像特征信息，这样，在进行相似匹配时，可以直接与目标头像库中各目标头像的第二图像特征信息进行比对，而不需要实时计算。

执行步骤320时，具体包括：将待识别头像的第一图像特征信息和各目标头像的第二图像特征信息进行匹配，判断图像特征信息的相似度是否大于等于阈值，若确定大于等于阈值则确定匹配到目标头像，若确定小于阈值则确定未匹配到目标头像。

步骤330：确定匹配到目标头像时，根据预设的安全控制策略确定待识别头像是否为异常头像。

本申请实施例中若确定匹配到目标头像时，说明有和官方头像比较相似的头像，可能会有仿冒的风险，需要进一步判断是否为仿冒头像，具体执行步骤330时，本申请实施例中提供了一种可能的实施方式：

S1、确定匹配到目标头像时，获取待识别头像所关联的业务数据。

例如，业务数据为账号标识、关联的账号的行为数据等，并不进行限制。

S2、对业务数据进行分析，确定待识别头像是否为异常头像。

例如，获取待识别头像所关联的账号标识，与匹配到的目标头像所关联的账号标识进行比对，若不相同，则可以判定该待识别头像为异常头像，若相同，则可以判定该待识别头像不是异常头像。

进一步地，本申请实施例中的异常头像识别方法的执行整体可以通过异步队列完成，即通过异步方式执行，而不需要实时操作，可以提高资源利用率和可靠性，具体本申请实施例中提供了一种可能的实施方式，具体地：

1)获取待识别头像，包括：满足第一预设处理条件时，从待识别头像异步队列中，获取待识别头像，并将获取到的待识别头像发送到特征提取异步队列中。

2)获取待识别头像的第一图像特征信息，包括：满足第二预设处理条件时，对特征提取异步队列中的待识别头像进行特征提取，获得待识别头像的图像特征信息，并将获得的待识别头像的图像特征信息发送到匹配异步队列中。

3)分别将第一图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配，包括：满足第三预设处理条件时，从匹配异步队列中获取待识别头像的图像特征信息，并将待识别头像的图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配。

其中，第一预设处理条件、第二预设处理条件和第三预设处理条件，例如可以为当前处理资源空闲时等，本申请实施例中并不进行限制，可以根据实际情况和需求进行设置。

本申请实施例中，不是采用分类模型来检测头像的类别，根据类别判断是否为异常头像，而是针对待识别头像，提取待识别头像的第一图像特征信息，将待识别头像的第一图像特征信息和目标头像库中的各个目标头像进行匹配，匹配到目标头像时，就可以采用预设的安全控制策略，来确定待识别头像是否是异常头像，这样，可以先筛选出与无异常的目标头像相似的待识别头像，进而采用相应的安全控制策略，来确定该待识别头像是否为异常头像，可以保证识别准确性，并且不需要训练特定类别的分类模型，当需要加入新的待屏蔽头像时，不需要重新训练类别，可以灵活增加新的目标头像，使得安全对抗的响应速度和效率大大提升。

基于上述实施例，下面介绍下本申请实施例中特征提取模型的训练方法，参阅图4所示，为本申请实施例中的特征提取模型的训练原理示意图，如图4所示，输入各类训练头像集，通过特征提取模型的特征提取网络，提取固定维度的图像特征向量作为训练头像的图像特征信息，并采用梯度下降法，不断优化损失函数直至损失函数收敛，其中，特征提取网络可以采用通用的CNN网络，可以选择目前已经的网络结构，例如残差网络(ResidualNeural Network，resnet),mobilenet等，网络结构的选择需要根据实际情况权衡计算量和精度，本申请实施例中并不进行限制。

基于上述实施例，参阅图5所示，为本申请实施例中特征提取模型的训练方法流程图，该方法包括：

步骤500：获取各类训练头像集，其中，每类训练头像集中包括多个训练头像，同类训练头像对应同一个头像标识，不同类的训练头像对应不同的头像标识。

其中，属于同类训练头像集的表示图像特征信息相同或相似的训练头像，属于同一类的训练头像对应同一个头像标识，不同类的训练头像表示图像特征信息不相同的训练头像。

本申请实施例中，在训练特征提取模型时，每一幅头像及其相似头像，都可以认为是同一个头像标识，从而基于此训练一个特征提取模型，使得属于同一头像标识的头像提取到的图像特征信息距离近，图像特征信息可以用图像特征向量表征，而属于不同头像标识的头像提取到的图像特征信息远。

执行步骤500中获取各类训练头像集，包括：

S1、获取各个安全等级达到设定级别的训练头像，并确定各个安全等级达到设定级别的训练头像分别对应一个头像标识。

例如，可以从头像数据库中获取不同账号的官方头像，将不同账号的官方头像作为各个属于不同头像标识的无异常的训练头像，这样，可以获取到大量的不同头像标识的无异常的训练头像。

S2、分别对各个安全等级达到设定级别的训练头像进行数据增强处理，获得各个安全等级达到设定级别的训练头像对应的数据增强处理后的训练头像。

本申请实施例中，对于同一头像标识的训练头像，可以通过简单的数据增强方法进行处理来获得更多的属于同一头像标识的训练头像，其中，数据增强方法可以为形变、缩放、裁剪、色彩变换等方法，并不进行限制，从而可以生成大量头像作为属于同一头像标识的训练头像。

S3、分别针对各个安全等级达到设定级别的训练头像，将任意一个安全等级达到设定级别的训练头像与对应数据增强处理后的训练头像，作为一类训练头像集，获得各类训练头像集。

这样，本申请实施例中，分别将各个安全等级达到设定级别的训练头像，可以认为是无异常的训练头像，与对应的数据增强处理后的训练头像，作为一类训练头像集，进而获得各类训练头像集，训练头像集的获取也比较简单。

步骤510：根据各类训练头像集，分别提取各训练头像的图像特征信息，并根据提取的各训练头像的图像特征信息，训练特征提取模型，直至特征提取模型的损失函数收敛。

其中，损失函数为提取到的属于同类训练头像的图像特征信息，与所有类训练头像的图像特征信息之间的交叉熵，并损失函数使得同类训练头像之间的图像特征信息的距离更近，不同类训练头像之间的图像特征信息的距离更远。

本申请实施例中，损失函数可以采用softmax cross entropy，并不进行限制，但是为了不仅保证提取到的特征在类间是可分离的，还可以使得提取到的特征类内紧凑，对现有的softmax cross entropy进行改进，本申请实施例中提供了一种可能的损失函数，具体为：

其中，该损失函数表示图像特征信息属于某个类的概率，N为训练头像的数量，y_i和j表示不同的类，s为超参数，可以预定义，目的是使得梯度更大一些，m为自定义超参数，例如m为0.6，本申请实施例中并不进行限制，添加m目的是保证训练得到的图像特征信息，不仅在类间是可分离的，而且类间特征还能至少保证角度为m的一个间隔(margin)，从而基于该损失函数可以约束提取到的图像特征信息，可以具备类内紧凑的特性。

进一步地，本申请实施例中还考虑到特征提取模型的最后一个损失函数，存在一个d*N的全连接层，其中d为特征维数(较佳的为512维)，N为训练头像中头像标识的数量，因此，在训练时必然存在一个d*N的权重矩阵，这样，随着N的不断增大，该权重矩阵占据的显存会不断增大，最终可能会超出单卡显存极限，例如，当训练头像的头像标识为100w时，一个float占4个字节，图像特征信息的维度为512维，则仅仅最后一层全连接层的权重就会占512*1M*4＝2G显存，并且加上训练时的梯度，通常梯度大小和权重大小相同，则最后一层全连接层就要占据4G显存。而通常来说，单卡图形处理器(Graphics Processing Unit，GPU)显存在8G左右，这样留给特征提取网络部分的显存就极少了，如果训练头像进一步增加，单机将出现显存爆炸而无法训练的情况。

因此，本申请实施例中考虑到训练特征提取模型时，可能会出现显存爆炸的问题，采用分布式训练方式，具体包括数据并行和模型并行的训练方式，则具体执行510根据各类训练头像集，分别提取各训练头像的图像特征信息，并根据提取的各训练头像的图像特征信息，训练特征提取模型，直至特征提取模型的损失函数收敛，包括：

1)针对当前次数的迭代训练，从各类训练头像集中，选取预设进程数目对应的训练头像，其中，每个进程对应预设数目的不同的训练头像。

其中，预设进程数目可以根据实际情况进行设置，例如设置为3，每次迭代训练可以分为3个进程并行计算，每个进程的训练头像数目通常是一个batch_size。

2)采用并行方式，分别对各进程中的训练头像进行特征提取，并按照特征提取模型预划分的各计算结构，分别训练特征提取模型的各计算结构，根据各计算结构训练获得的梯度参数，以及当前迭代训练的模型参数，确定下一次迭代训练的模型参数，直至特征提取模型的损失函数收敛。

其中，特征提取模型的划分原则是将没有依赖关系的部分可以进行分割，来并行执行。

基于上述实施例，下面分别对数据并行和模型并行的原理进行具体说明。

参阅图6所示，为本申请实施例中的数据并行的训练原理示意图。如图6所示，以预设进程数目为3为例，每个进程为一个计算节点，每个节点中都存在同一份模型的拷贝，各个节点取不同的训练头像，然后各自完成前向和后向的计算得到梯度，这些并行训练的进程我们称为运行者(worker)，一个worker对应一个任务，除了worker，还有参数服务器，这些worker会把各自计算得到的梯度发送到参数服务器，然后由参数服务器来对模型参数进行更新操作，最后把更新后的模型参数再传回各个节点，作为下一次迭代训练的模型参数，开始下一个批次(batch)的迭代，直至损失函数收敛，例如，如图6所示，每个节点将计算得到的梯度Δw，发送给参数服务器，参数服务器更新模型参数w′＝w-η*Δw，其中，w为当前迭代训练的模型参数，η为系数，w′为更新后的模型参数，即下一次迭代训练的模型参数，进而参数服务器将更新的w^′返回给各节点开始下一次迭代训练。

这样，通过数据并行的训练方式将一个batch的数据分散到了不同的节点中，同时计算的中间结果也分散到了不同节点，但每个节点仍然需要存有完整的模型参数，仅进行数据并行的方式适用于模型参数少，计算量大，并计算的中间结果占空间大的情况。例如卷积层较多的模型网络结构，使用数据并行可以有效增加每次迭代训练的训练头像数量，提升训练速度。

参阅图7所示，为本申请实施例中的模型并行的训练原理示意图，当模型参数量很大，单机无法处理时，就无法使用数据并行的方式加速了，这时可以采用模型并行的方式，将一个特征提取模型的不同计算结构进行划分，并行分别执行，由于不同模型有各种不同的结构和分割方式，因此具体划分方式并不进行限制，例如，如图7所示，将特征提取模型划分为了四部分，划分为了四部分计算结构，可以并行执行，提高效率和资源利用率。

因此，本申请实施例中，针对特征提取部分，通常可以采用卷积神经网络来实现，参数少，但计算量大，特征映射等中间计算结果占空间大，可以使用数据并行的方式；对于最后一个损失函数包含的巨大全连接层，参数大，单机显存无法处理，可以采取模型并行的方式，利用矩阵切分，把这个巨大的权重矩阵切分到不同节点中来计算矩阵乘法，而通信量仅仅为所有数据的特征向量，例如，batch_size为512，图像特征信息的维度也为512，一个float占4个字节，则一次迭代训练的一个batch的总通信量也只有512x512x4＝1M，从而在可以避免显存爆炸的同时，近乎线性的实现并行加速。

下面采用具体应用场景，从产品侧对本申请实施例中的异常头像识别方法进行具体说明。参阅图8所示，为本申请实施例中的异常头像识别方法架构流程示意图。

本申请实施例中，异常头像识别方法采用异步方式来完成，如图8所示，异常识别方法主要分为图像获取模块、特征提取模块和匹配模块，图像获取模块获得业务数据后，满足第一预设处理条件时，可以通过待识别头像异步队列，获得待识别头像，例如待识别头像存储在其它部门或其它服务器中的数据库中，则可以通过中间接口，从相关图像存储部门或图像存储数据库拉图，进而将获取到的待识别头像发送到特征提取异步队列，以等待特征提取；满足第二预设处理条件时，从特征提取异步队列中获取待识别头像，并基于特征提取模型提取图像特征信息，并将图像特征信息发送到匹配异步队列中，以等待与目标头像进行匹配；满足第三预设处理条件时，从匹配异步队列中获取待识别头像的图像特征信息，进而和目标头像库中各目标头像进行匹配，匹配成功后，就可以发送到处罚模块进行相应的安全策略处理，来进一步判断待识别头像是否为异常头像。

这样，本申请实施例中的异常头像识别方法可以应用于平台的安全运营中，以待识别头像为账号头像为例，满足触发条件时，例如当用户更换头像或者按照周期识别，也可以当有识别请求时等，将用户的账号头像与目标头像库中的官方头像进行相似比对，比对命中说明与官方头像相似，有仿冒的风险，可以采取相应的安全策略进行识别和控制，采用本申请实施例中的异常头像识别方法，识别准确性较高，并且效率和速度更高，例如，按照每日周期不断进行检测和识别，每日可以获取千万级的待识别头像，每日检测到的仿冒头像可达12k左右，而相关技术中基于ORB关键点的匹配算法，每日检测到的仿冒头像只有1k左右，通过对比可知，本申请实施例中的异常头像识别方法召回率大幅提升，可以有效阻拦不法分子的此类欺诈行为。

基于同一发明构思，本申请实施例中还提供了一种异常头像识别装置，该异常头像识别装置例如可以是前述实施例中的服务器，该异常头像识别装置可以是硬件结构、软件模块、或硬件结构加软件模块。基于上述实施例，参阅图9所示，本申请实施例中异常头像识别装置，具体包括：

特征提取模块91，用于获取待识别头像的第一图像特征信息；

匹配模块92，用于分别将所述第一图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配，所述目标头像为安全等级达到设定级别的头像；

确定模块93，用于确定匹配到目标头像时，根据预设的安全控制策略确定所述待识别头像是否为异常头像。

可选的，获取待识别头像的第一图像特征信息时，所述特征提取模块91用于：

基于已训练的特征提取模型，以所述待识别头像为输入参数，对所述待识别头像进行特征提取，获得所述待识别头像的第一图像特征信息，其中，所述特征提取模型为根据各类训练头像集进行迭代训练，以使同类训练头像之间的图像特征信息的距离更近，不同类训练头像之间的图像特征信息的距离更远，进而迭代训练完成后获得的。

可选的，进一步包括：获取模块90，用于满足第一预设处理条件时，从待识别头像异步队列中，获取所述待识别头像，并将获取到的待识别头像发送到特征提取异步队列中；

则获取待识别头像的第一图像特征信息时，所述特征提取模块91用于：

满足第二预设处理条件时，对所述特征提取异步队列中的待识别头像进行特征提取，获得所述待识别头像的图像特征信息，并将获得的所述待识别头像的图像特征信息发送到匹配异步队列中；

分别将所述第一图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配时，所述匹配模块92用于：

满足第三预设处理条件时，从所述匹配异步队列中获取所述待识别头像的图像特征信息，并将所述待识别头像的图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配。

可选的，确定匹配到目标头像时，根据预设的安全控制策略确定所述待识别头像是否为异常头像时，所述确定模块93用于：

确定匹配到目标头像时，获取所述待识别头像所关联的业务数据；

对所述业务数据进行分析，确定所述待识别头像是否为异常头像。

可选的，针对所述特征提取模型的训练方式，还包括，训练模块94用于：

获取各类训练头像集，其中，每类训练头像集中包括多个训练头像，同类训练头像对应同一个头像标识，不同类的训练头像对应不同的头像标识；

根据所述各类训练头像集，分别提取各训练头像的图像特征信息，并根据提取的所述各训练头像的图像特征信息，训练特征提取模型，直至所述特征提取模型的损失函数收敛，其中，所述损失函数为提取到的属于同类训练头像的图像特征信息，与所有类训练头像的图像特征信息之间的交叉熵，并所述损失函数使得同类训练头像之间的图像特征信息的距离更近，不同类训练头像之间的图像特征信息的距离更远。

可选的，获取各类训练头像集时，训练模块94用于：

获取各个安全等级达到设定级别的训练头像，并确定所述各个安全等级达到设定级别的训练头像分别对应一个头像标识；

分别对所述各个安全等级达到设定级别的训练头像进行数据增强处理，获得所述各个安全等级达到设定级别的训练头像对应的数据增强处理后的训练头像；

分别针对所述各个安全等级达到设定级别的训练头像，将任意一个安全等级达到设定级别的训练头像与对应数据增强处理后的训练头像，作为一类训练头像集，获得各类训练头像集。

可选的，根据所述各类训练头像集，分别提取各训练头像的图像特征信息，并根据提取的所述各训练头像的图像特征信息，训练特征提取模型，直至所述特征提取模型的损失函数收敛时，所述训练模块94用于：

针对当前次数的迭代训练，从所述各类训练头像集中，选取预设进程数目对应的训练头像，其中，每个进程对应预设数目的不同的训练头像；

采用并行方式，分别对各进程中的训练头像进行特征提取，并按照所述特征提取模型预划分的各计算结构，分别训练所述特征提取模型的各计算结构，根据所述各计算结构训练获得的梯度参数，以及当前迭代训练的模型参数，确定下一次迭代训练的模型参数，直至所述特征提取模型的损失函数收敛。

基于上述实施例，本申请实施例中还提供了另一示例性实施方式的电子设备，在一些可能的实施方式中，本申请实施例中电子设备可以包括存储器、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，其中，处理器执行程序时可以实现上述实施例中异常头像识别方法的步骤。

例如，以电子设备为本申请图2中的服务器100为例进行说明，则该电子设备中的处理器即为服务器100中的处理器110，该电子设备中的存储器即为服务器100中的存储器120。

基于上述实施例，本申请实施例中，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上述任意方法实施例中的异常头像识别方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种异常头像识别方法，其特征在于，包括：

获取待识别头像的第一图像特征信息；

分别将所述第一图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配，所述目标头像为安全等级达到设定级别的头像；

确定匹配到目标头像时，根据预设的安全控制策略确定所述待识别头像是否为异常头像。

2.如权利要求1所述的方法，其特征在于，获取待识别头像的第一图像特征信息，包括：

基于已训练的特征提取模型，以所述待识别头像为输入参数，对所述待识别头像进行特征提取，获得所述待识别头像的第一图像特征信息，其中，所述特征提取模型为根据各类训练头像集进行迭代训练，以使同类训练头像之间的图像特征信息的距离更近，不同类训练头像之间的图像特征信息的距离更远，进而迭代训练完成后获得的。

3.如权利要求1所述的方法，其特征在于，进一步包括：

满足第一预设处理条件时，从待识别头像异步队列中，获取所述待识别头像，并将获取到的待识别头像发送到特征提取异步队列中；

则获取待识别头像的第一图像特征信息，包括：

满足第二预设处理条件时，对所述特征提取异步队列中的待识别头像进行特征提取，获得所述待识别头像的图像特征信息，并将获得的所述待识别头像的图像特征信息发送到匹配异步队列中；

分别将所述第一图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配，包括：

满足第三预设处理条件时，从所述匹配异步队列中获取所述待识别头像的图像特征信息，并将所述待识别头像的图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配。

4.如权利要求1-3任一项所述的方法，其特征在于，确定匹配到目标头像时，根据预设的安全控制策略确定所述待识别头像是否为异常头像，包括：

确定匹配到目标头像时，获取所述待识别头像所关联的业务数据；

对所述业务数据进行分析，确定所述待识别头像是否为异常头像。

5.如权利要求2所述的方法，其特征在于，所述特征提取模型的训练方式，包括：

获取各类训练头像集，其中，每类训练头像集中包括多个训练头像，同类训练头像对应同一个头像标识，不同类的训练头像对应不同的头像标识；

根据所述各类训练头像集，分别提取各训练头像的图像特征信息，并根据提取的所述各训练头像的图像特征信息，训练特征提取模型，直至所述特征提取模型的损失函数收敛，其中，所述损失函数为提取到的属于同类训练头像的图像特征信息，与所有类训练头像的图像特征信息之间的交叉熵，并所述损失函数使得同类训练头像之间的图像特征信息的距离更近，不同类训练头像之间的图像特征信息的距离更远。

6.如权利要求5所述的方法，其特征在于，获取各类训练头像集，包括：

获取各个安全等级达到设定级别的训练头像，并确定所述各个安全等级达到设定级别的训练头像分别对应一个头像标识；

分别对所述各个安全等级达到设定级别的训练头像进行数据增强处理，获得所述各个安全等级达到设定级别的训练头像对应的数据增强处理后的训练头像；

分别针对所述各个安全等级达到设定级别的训练头像，将任意一个安全等级达到设定级别的训练头像与对应数据增强处理后的训练头像，作为一类训练头像集，获得各类训练头像集。

7.如权利要求5所述的方法，其特征在于，根据所述各类训练头像集，分别提取各训练头像的图像特征信息，并根据提取的所述各训练头像的图像特征信息，训练特征提取模型，直至所述特征提取模型的损失函数收敛，包括：

针对当前次数的迭代训练，从所述各类训练头像集中，选取预设进程数目对应的训练头像，其中，每个进程对应预设数目的不同的训练头像；

采用并行方式，分别对各进程中的训练头像进行特征提取，并按照所述特征提取模型预划分的各计算结构，分别训练所述特征提取模型的各计算结构，根据所述各计算结构训练获得的梯度参数，以及当前迭代训练的模型参数，确定下一次迭代训练的模型参数，直至所述特征提取模型的损失函数收敛。

8.一种异常头像识别装置，其特征在于，包括：

特征提取模块，用于获取待识别头像的第一图像特征信息；

匹配模块，用于分别将所述第一图像特征信息和各个待比对的目标头像对应的第二图像特征信息进行匹配，所述目标头像为安全等级达到设定级别的头像；

确定模块，用于确定匹配到目标头像时，根据预设的安全控制策略确定所述待识别头像是否为异常头像。

9.一种电子设备，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程序时实现权利要求1-7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1-7任一项所述方法的步骤。

Images