CN115438326A - 面向听障人士的反欺诈交易验证方法及装置 - Google Patents

面向听障人士的反欺诈交易验证方法及装置 Download PDF

Info

Publication number
CN115438326A
CN115438326A CN202211070824.7A CN202211070824A CN115438326A CN 115438326 A CN115438326 A CN 115438326A CN 202211070824 A CN202211070824 A CN 202211070824A CN 115438326 A CN115438326 A CN 115438326A
Authority
CN
China
Prior art keywords
sign language
equipment
transaction
user
determining
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
Application number
CN202211070824.7A
Other languages
English (en)
Inventor
吴冠天
饶宇熹
宁博
黄淋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202211070824.7A priority Critical patent/CN115438326A/zh
Publication of CN115438326A publication Critical patent/CN115438326A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
    • 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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请公开一种面向听障人士的反欺诈交易验证方法及装置，涉及身份认证领域及金融领域。该方法包括：获取交易用户所用设备的设备环境数据，并根据设备环境数据以及预设的风险识别规则确定交易用户所用设备的设备风险等级；根据设备风险等级随机生成多个词条并展示给交易用户；采集交易用户针对词条的手语动作数据，并根据手语动作数据以及预先创建的手语识别模型得到交易用户的手语识别结果；采集交易用户的人脸图像数据，并根据人脸图像数据以及预先创建的人脸识别模型得到交易用户的人脸识别结果；根据设备风险等级、人脸识别结果以及手语识别结果确定交易验证结果。本申请使用设备环境风险检测技术、手语识别以及人脸检测，满足语障人群需求。

Description

面向听障人士的反欺诈交易验证方法及装置
技术领域
本申请涉及身份认证领域以及金融领域，具体涉及面向听障人士的反欺诈交易验证方法及装置。
背景技术
近年来，虚假用户注册、账户隐私窃取、他人冒用等事件频发，并呈现出产业化、高科技化、多渠道化的发展趋势，金融体系的安全问题日益突出。针对这些安全问题，金融移动软件常用的身份认证的方法主要分为基于单一因子的认证和基于多因子的认证。基于单一因子的身份认证是指采集并分析单一的生物特征，如人脸、声纹等，然后通过一定的技术手段验证被测试者的身份的方法；基于多因子的身份认证是指融合多种生物特征进行身份认证，如“声纹+人脸”、“指纹+声纹”等。
然而，单一因子身份认证方式存在一定的风险和部分因子的不可行性。如人脸特征会随着年龄的增长发生一定程度的变化且存在特征相似人脸盗刷误识的风险；指纹、指静脉特征不适用于移动端识别；而声纹特征对于听障群体不仅不友好且不合理，且同样存在单因子特征被盗用的可能。因此，单因子身份认证反欺诈的方式存在局限性和安全风险。
现有的多因子身份认证方式一般是“人脸+声纹”、“指纹+声纹”、“人脸+指纹”模式。而移动端设备外接指纹采集设备是不现实的，因此在移动端设备上，业界普遍采用“人脸+声纹”的身份认证模式。而“人脸+声纹”的多因子身份认证模式对听障人士群体不仅不友好而且不合理，因而该多因子的认证模式无法满足该类群体的用户需求。
发明内容
为了解决现有技术中存在的问题，第一方面，本申请提供一种面向听障人士的反欺诈交易验证方法，包括：
获取交易用户所用设备的设备环境数据，并根据所述设备环境数据以及预设的风险识别规则确定交易用户所用设备的设备风险等级；
根据所述设备风险等级随机生成多个词条并展示给交易用户；
采集交易用户针对所述词条的手语动作数据，并根据所述手语动作数据以及预先创建的手语识别模型得到交易用户的手语识别结果；所述手语识别模型是使用原始手语数据集对三维卷积网络训练得到的；
采集交易用户的人脸图像数据，并根据所述人脸图像数据以及预先创建的人脸识别模型得到交易用户的人脸识别结果；其中，所述人脸识别模型是使用多对正样本以及负样本对孪生网络训练得到的；
根据所述设备风险等级、所述人脸识别结果以及所述手语识别结果确定交易验证结果。
在一实施例中，所述设备环境数据包括交易用户所用设备的设备参数及其所处的网络环境参数；
所述根据所述设备环境数据以及预设的风险识别规则确定交易用户所用设备的设备风险等级，包括：
根据所述网络环境参数及其对应的第一评分规则确定第一评分；
根据所述设备参数及其对应的第二评分规则确定第二评分；
根据所述第一评分、所述第二评分以及预设的评分阈值确定所述设备风险等级。
在一实施例中，所述根据所述手语动作数据以及预先创建的手语识别模型得到交易用户的手语识别结果，包括：
采集交易用户针对多个所述词条执行的手语动作数据；
将所述手语动作数据输入至所述手语识别模型，得到各手语动作数据的动作识别结果；
根据各词条以及对应的动作识别结果确定所述手语识别结果。
在一实施例中，所述根据所述人脸图像数据以及预先创建的人脸识别模型得到交易用户的人脸识别结果，包括：
获取交易用户的基准照并进行特征提取，得到基准照特征；
采集交易用户的现场照并进行特征提取，得到现场照特征；
根据所述基准照特征、所述现场照特征以及所述人脸识别模型，得到所述人脸识别结果。
在一实施例中，所述根据所述设备风险等级、所述人脸识别结果以及所述手语识别结果确定交易验证结果，包括：
根据所述人脸识别结果、所述手语识别结果以及预设的权重值确定综合评分；
根据所述设备风险等级以及预设的设备风险等级与评分阈值的对应关系确定评分阈值；
根据所述综合评分以及所述评分阈值确定所述交易验证结果。
在一实施例中，创建所述手语识别模型的步骤包括：
从原始手语数据集中获取多个手语动作及其标签；
根据所述手语动作及其标签形成多个正样本和多个负样本；
基于所述正样本和所述负样本生成手语数据集；
使用所述手语数据集对预先建立的三维卷积网络进行训练，得到所述手语识别模型。
在一实施例中，创建所述人脸识别模型的步骤包括：
从原始人脸数据集中进行多次随机选择，得到多对样本，每对样本包含两张人脸图像；
分别根据每对样本中的两张人脸图像确定样本标签；其中，当两张人脸图像为同一人时，样本标签为正样本标签，当两张人脸图像不是同一人时，样本标签为负样本标签；
根据多对所述样本及其对应的样本标签生成训练数据集；其中，样本样本标签为正样本标签的样本为正样本，样本标签为负样本标签的样本为负样本；
使用所述训练数据集对预先建立的孪生网络模型进行训练，得到所述人脸识别模型。
第二方面，本申请提供一种面向听障人士的反欺诈交易验证装置，包括：
设备风险等级确定模块，用于获取交易用户所用设备的设备环境数据，并根据所述设备环境数据以及预设的风险识别规则确定交易用户所用设备的设备风险等级；
词条生成模块，用于根据所述设备风险等级随机生成多个词条并展示给交易用户；
手语识别模块，用于采集交易用户针对所述词条的手语动作数据，并根据所述手语动作数据以及预先创建的手语识别模型得到交易用户的手语识别结果；所述手语识别模型是使用原始手语数据集对三维卷积网络训练得到的；
人脸识别模块，用于采集交易用户的人脸图像数据，并根据所述人脸图像数据以及预先创建的人脸识别模型得到交易用户的人脸识别结果；其中，所述人脸识别模型是使用多对正样本以及负样本对孪生网络训练得到的；
交易验证模块，用于根据所述设备风险等级、所述人脸识别结果以及所述手语识别结果确定交易验证结果。
在一实施例中，所述设备环境数据包括交易用户所用设备的设备参数及其所处的网络环境参数；
所述设备风险等级确定模块包括：
网络环境参数评估单元，用于根据所述网络环境参数及其对应的第一评分规则确定第一评分；
设备参数评估单元，用于根据所述设备参数及其对应的第二评分规则确定第二评分；
设备风险等级确定单元，用于根据所述第一评分、所述第二评分以及预设的评分阈值确定所述设备风险等级。
在一实施例中，所述手语识别模块包括：
手语动作采集单元，用于采集交易用户针对多个所述词条执行的手语动作数据；
手语动作识别单元，用于将所述手语动作数据输入至所述手语识别模型，得到各手语动作数据的动作识别结果；
手语识别结果确定单元，用于根据各词条以及对应的动作识别结果确定所述手语识别结果。
在一实施例中，所述人脸识别模块包括：
特征提取单元，用于获取交易用户的基准照并进行特征提取，得到基准照特征；以及采集交易用户的现场照并进行特征提取，得到现场照特征；
人脸识别单元，用于根据所述基准照特征、所述现场照特征以及所述人脸识别模型，得到所述人脸识别结果。
在一实施例中，所述交易验证模块包括：
综合评分确定单元，用于根据所述人脸识别结果、所述手语识别结果以及预设的权重值确定综合评分；
评分阈值确定单元，用于根据所述设备风险等级以及预设的设备风险等级与评分阈值的对应关系确定评分阈值；
交易验证结果确定单元，用于根据所述综合评分以及所述评分阈值确定所述交易验证结果。
在一实施例中，所述面向听障人士的反欺诈交易验证装置还包括：
手语数据集创建模块，用于从原始手语数据集中获取多个手语动作及其标签；根据所述手语动作及其标签形成多个正样本和多个负样本；基于所述正样本和所述负样本生成手语数据集；
手语识别模型训练模块，用于使用所述手语数据集对预先建立的三维卷积网络进行训练，得到所述手语识别模型。
在一实施例中，所述面向听障人士的反欺诈交易验证装置还包括：
训练数据集创建模块，用于从原始人脸数据集中进行多次随机选择，得到多对样本，每对样本包含两张人脸图像；分别根据每对样本中的两张人脸图像确定样本标签；其中，当两张人脸图像为同一人时，样本标签为正样本标签，当两张人脸图像不是同一人时，样本标签为负样本标签；根据多对所述样本及其对应的样本标签生成训练数据集；其中，样本样本标签为正样本标签的样本为正样本，样本标签为负样本标签的样本为负样本；
人脸识别模型训练模块，用于使用所述训练数据集对预先建立的孪生网络模型进行训练，得到所述人脸识别模型。
第三方面，本申请提供一种计算机设备，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本申请提供的任一面向听障人士的反欺诈交易验证方法。
第四方面，本申请提供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本申请提供的任一面向听障人士的反欺诈交易验证方法。
本申请的面向听障人士的反欺诈交易验证方法及装置使用手语识别特征，辅助人脸活体检测进行身份认证，弥补了业内现有技术无法满足语障人群需求的缺陷；同时，本申请采用的设备环境风险检测技术，弥补了业内现有生物识别/采集/防欺诈技术仅用生物特征进行身份认证的空缺，增加设备环境的检测因子，加强了金融移动端账户的安全性。
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为本申请提供的面向听障人士的反欺诈交易验证方法的一种示意图。
图2为本申请提供的确定设备风险等级的步骤示意图。
图3为本申请提供的确定设备风险等级的步骤的另一种示意图。
图4为本申请提供的确定设备风险等级的步骤的另一种示意图。
图5为本申请提供的确定设备风险等级的步骤的另一种示意图。
图6为本申请提供的确定手语识别结果的步骤示意图。
图7为本申请提供的确定人脸识别结果的步骤示意图。
图8为本申请提供的确定交易验证结果的步骤示意图。
图9为本申请提供的创建手语识别模型的步骤示意图。
图10为本身请提供的创建人脸识别模型的步骤示意图。
图11为本申请提供的面向听障人士的反欺诈交易验证装置的一种示意图。
图12为本申请提供的面向听障人士的反欺诈交易验证装置的另一种示意图。
图13为本申请提供的面向听障人士的反欺诈交易验证装置的另一种示意图。
图14为本申请提供的面向听障人士的反欺诈交易验证装置的另一种示意图。
图15为本申请提供的面向听障人士的反欺诈交易验证装置的另一种示意图。
图16为本申请提供的面向听障人士的反欺诈交易验证装置的另一种示意图。
图17为本申请提供的一种计算机设备的示意图。
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。
需要说明的是，本申请的面向听障人士的反欺诈交易验证方法及装置可用于身份认证领域以及金融领域，也可用于除身份认证领域以及金融领域之外的任意领域，本申请对面向听障人士的反欺诈交易验证方法及装置的应用领域不做限定。
本申请中技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。本申请实施例中的用户信息均是通过合法合规途径获得，并且对用户信息的获取、存储、使用、处理等经过客户授权同意的。
第一方面，本申请提供一种面向听障人士的反欺诈交易验证方法。如图1所示，该方法包括以下步骤S101至步骤S105：
步骤S101，获取交易用户所用设备的设备环境数据，并根据所述设备环境数据以及预设的风险识别规则确定交易用户所用设备的设备风险等级。
具体地，本申请的交易用户指听障人士及其他可以接受手语验证的用户，本申请的交易用户所用设备包括但不限于手机、平板、笔记本电脑等移动设备。本申请的面向听障人士的反欺诈交易验证方法可以为交易用户所用设备上唯一的验证方法，也可以与其他验证方法同时存在。当作为验证方法之一时，交易用户根据实际情况选择本申请的验证方式进行交易验证即可。
本申请的设备环境数据包括交易用户所用设备的设备参数及其所处的网络环境参数；其中，设备参数包括但不限于光敏传感器参数、CPU架构参数以及用户层行为参数等，网络环境参数包括但不限于网络IP等。本申请通过对设备参数和设备所处的网络环境参数进行分析，进而识别出本次交易的设备风险等级，以基于设备风险等级进行后续判断。
步骤S102，根据所述设备风险等级随机生成多个词条并展示给交易用户，并提示用户按照词条执行相应的手语动作。其中，所述词条包括正例词条和负例词条，当展示正例词条时，用户应执行与正例词条一致的手语动作，当展示负例词条时，用于应执行与负例词条不一致任一的手语动作。展示时，可通过文字、改变展示颜色等方式提示用户当前展示的词条是正例词条还是负例词条，以便交易用户作出符合要求的手语动作。
具体地，本步骤的多个词条是从预设的词条库中选择的。词条库中包含多个词条，这些词条分别属于不同的难度等级。这里的难度等级表示交易用户通过手语表示该词条的难度。词条的难度等级与设备风险等级存在对应关系。当通过步骤S101得到设备风险等级后，可进一步基于难度等级与设备风险等级的对应关系选择对应难度等级的词条展示给交易用户。
需要说明的是，难度等级与设备风险等级可以一一对应，也可以是一对多、多对多等其他类型的对应关系。例如，假设设备风险等级包括高风险等级、中风险等级和低风险等级三种，而词条的难度等级分为一级、二级和三级(本例中姑且认为级别数字越高，词条难度越大)，则可能存在以下情况：
情况一：难度等级与设备风险等级一一对应，即高风险等级与三级难度等级对应、中风险等级与二级难度等级对应、低风险等级与一级难度等级对应。此时，若设备风险等级为高风险等级，则选择多个三级难度等级的词条并依次向用户展示；若设备风险等级为中风险等级，则选择多个二级难度等级的词条并依次向用户展示；若设备风险等级为低风险等级，则选择多个一级难度等级的词条并依次向用户展示。
情况二：难度等级与设备风险等级多对多，例如高风险等级、中风险等级和低风险等级与三级、二级和一级难度等级均存在对应关系。此时，若设备风险等级为高风险等级，则从三级、二级和一级难度等级的词条中按第一比例选择多个词条并依次向用户展示；若设备风险等级为中风险等级，则从三级、二级和一级难度等级的词条中按第二比例选择多个词条并依次向用户展示；若设备风险等级为低风险等级，则从三级、二级和一级难度等级的词条中按第三比例选择多个词条并依次向用户展示。本示例中的第一比例、第二比例和第三比例均可由交易验证方预先设置，且设备风险等级越高，选择的词条中高难度等级的词条占比越大，例如第一比例中的三级难度等级占比最大，其他类似。
此外，本步骤中向用户展示的词条的数量既可以预设为固定值(例如3～6个)，也可以根据设备风险等级的不同而不同，具体可设置为设备风险等级越高，向用户展示的词条数量越多。例如当设备风险等级为高风险等级时，按照上述方式生成10个词条并向用户展示；当设备风险等级为中风险等级时，按照上述方式生成6个词条并向用户展示；当设备风险等级为中风险等级时，按照上述方式生成3个词条并向用户展示。
本步骤根据步骤S101得到的设备风险等级提供了不同的手语验证方式，这就意味着，本申请针对风险较高的设备，选择了更多因子的检测，提高验证门槛，以提高交易验证的安全性，降低欺诈成功的可能。
步骤S103，采集交易用户针对所述词条的手语动作数据，并根据所述手语动作数据以及预先创建的手语识别模型得到交易用户的手语识别结果；所述手语识别模型是使用原始手语数据集对三维卷积网络训练得到的；
本步骤的手语识别结果指交易用户按照其看到的词条执行的手语动作的准确度。具体地，步骤S102中依次向交易用户展示了多个词条，本步骤分别采集交易用户针对各词条执行的手语动作数据，然后将手语动作数据输入至手语识别模型中得到手语动作数据对应的动作识别结果，每个动作识别结果都是一个词条；然后将动作识别结果与向交易用户展示的对应词条进行比对，进而计算得到交易用户执行的手语动作的准确度，即手语识别结果。
步骤S104，采集交易用户的人脸图像数据，并根据所述人脸图像数据以及预先创建的人脸识别模型得到交易用户的人脸识别结果；其中，所述人脸识别模型是使用多对正样本以及负样本对孪生网络训练得到的；
本步骤的人脸识别结果指现场采集的交易用户的人脸图像数据与交易用户预先存储的人脸图像数据的相似度。具体地，将采集的交易用户的人脸图像数据与交易用户预先存储的人脸图像数据输入到人脸识别模型中，人脸识别模型分析后输出二者的相似度，即人脸识别结果。
本步骤通过人脸识别对交易用户进行身份认证和活体检测，与步骤S103中的手语识别配合，弥补了业内现有技术无法满足语障人群和听障人群需求的缺陷。
步骤S105，根据所述设备风险等级、所述人脸识别结果以及所述手语识别结果确定交易验证结果。
具体地，首先基于人脸识别结果和手语识别结果得到综合评分，然后根据设备风险等级对应的评分阈值以及该综合评分判断是否通过交易，即得到最终的交易验证结果。
本申请采用设备环境风险检测技术、手语识别技术以及人脸识别技术，满足了听障人群的验证需求，通过多因子验证加强了金融移动端账户的安全性，降低了欺诈成功的可能。
在一实施例中，如图2所示，步骤S101，根据所述设备环境数据以及预设的风险识别规则确定交易用户所用设备的设备风险等级，包括以下步骤步骤S1011至步骤S1013：
步骤S1011，根据所述网络环境参数及其对应的第一评分规则确定第一评分。
本步骤的网络环境参数包括但不限于设备所处网络IP。以设备所处网络IP为例，首先分别判断网络IP是否为用户常用网络IP、是否为白名单IP地址以及是否为黑名单IP地址；其中，用户常用网络环境为交易用户自行设置的网络IP，例如家庭网络等；白名单IP地址可以认为是基本安全的网络IP，例如银行大厅的通用网络等；黑名单IP地址是通过业内网络数据大数据得到的危险的网络IP，黑名单IP地址是现有的，本申请仅涉及对其的应用，不涉及黑名单IP地址的确定方法。
第一评分P1(P1初始值为0)的确定按照图3所示的步骤实现：
步骤S10111，判断网络IP是否属于白名单IP地址；若是，执行步骤S10114；若否，执行步骤S10112；
步骤S10112，判断网络IP是否属于用户常用网络IP；若是，执行步骤S10115；若否，执行步骤S10113；
步骤S10113，判断网络IP是否属于黑名单IP地址；若是，则执行步骤S10117；若否，则执行步骤S10116；
步骤S10114，确定第一评分为6分；
步骤S10115，确定第一评分为4分；
步骤S10116，确定第一评分为2分；
步骤S10117，确定第一评分为0分。
可以理解的是，以上第一评分的评分规则和分数设置均为本申请提供的一种示例，实际应用中按需设置即可，本申请不以此为限。
步骤S1012，根据所述设备参数及其对应的第二评分规则确定第二评分。
本步骤的设备参数包括但不限于光敏传感器参数、CPU架构参数以及用户层行为参数。对设备参数进行检测的目的在于检测交易用户所用设备是否为真机，具体为基于模拟器和真机的差别(比如运营商、手机卡、蓝牙、各种传感器等等)进行判断。随着技术的升级，通过单因子去判断模拟器设备的误判率较高，因此，本步骤采用“多因子容错机制+白名单”模式进行判断。
第二评分P2(P2初始值为0)的确定按照图4所示的步骤实现：
步骤S10121，判断交易用户所用设备是否存在光敏传感器；若是，执行步骤S10122；若否，执行步骤S10123；
步骤S10122，P2＝P2+2，转步骤S10124；
步骤S10123，P2＝P2-2，转步骤S10124；
步骤S10124，判断交易用户所用设备的CPU架构是否为模拟器常用架构(例如“X86”)；若是，执行步骤S10125；若否，执行步骤S10126；
步骤S10125，P2＝P2-2，转步骤S10127；
步骤S10126，P2＝P2+2，转步骤S10127；
步骤S10127，判断交易用户所用设备的应用数据是否为空(包括通话记录、联系人、短信、相册等为空以及未安装常见应用，若是，执行步骤S10128；若否，执行步骤S10129；
步骤S10128，P2＝P2-2，转步骤S101210；
步骤S10129，P2＝P2+2，转步骤S101210；
步骤S101210，判断交易用户所用设备的版本是否命中白名单，若是，则执行步骤S101211，若否，执行步骤S101212；
步骤S101211，P2＝P2+2，转步骤S101212；
步骤S101212，输出P2。
可以理解的是，以上第二评分的评分规则和分数设置均为本申请提供的一种示例，实际应用中按需设置即可，本申请不以此为限。
步骤S1013，根据所述第一评分、所述第二评分以及预设的评分阈值确定所述设备风险等级。
在步骤S1011和步骤S1012中分别得到了第一评分P1和第二评分P2。这里假设预设的评分阈值有第一评分阈值I1和第二评分阈值I2，且I1＞I2，则按照图5所示步骤确定设备风险等级：
步骤S10131，计算第一评分P1和第二评分P2的和，得到总分P，即P＝P1+P2；
步骤S10132，判断总分P是否大于第一评分阈值I1；若是，则执行步骤S10134；若否，则执行步骤S10133；
步骤S10133，判断总分P是否大于第二评分阈值I2；若是，则执行步骤S10135；若否，则执行步骤S10136；
步骤S10134，确定设备风险等级为低风险等级；
步骤S10135，确定设备风险等级为中风险等级；
步骤S10136，确定设备风险等级为高风险等级。
可以理解的是，设备风险等级的设置规则为本申请提供的一种示例，实际应用中按需设置即可，本申请不以此为限。
在一实施例中，如图6所示，步骤S103，根据所述手语动作数据以及预先创建的手语识别模型得到交易用户的手语识别结果，包括以下步骤S1031至步骤S1033：
步骤S1031，采集交易用户针对多个所述词条执行的手语动作数据。
具体地，步骤S102中根据所述设备风险等级随机生成多个词条并展示给交易用户。在向用户展示第一个词条之前，提示交易用户按照词条执行相应的手语动作，并同时启动交易用户所用移动设备的图像采集装置，以采集交易用户根据展示的词条执行手语动作的视频，视频中包含了多个连续帧，每帧图像都包含有交易用户的手语动作数据。
步骤S1032，将所述手语动作数据输入至所述手语识别模型，得到各手语动作数据的动作识别结果。
具体地，将采集到的视频输入至所述手语识别模型，本申请的手语识别模型是三维卷积网络，其可以对视频级的手语时空特征建模，以捕捉从多个连续帧得到的运动信息，实现更具全局意义的识别。
手语识别模型对手语动作数据分析得到的动作识别结果为交易用户执行的各手语动作对应的词条识别结果。
步骤S1033，根据各词条以及对应的动作识别结果确定所述手语识别结果。
为便于描述，这里将向交易用户展示的各词条称为目标词条，交易用户按照目标词条执行的手语动作称为用户手语动作，手语识别模型基于用户手语动作得到的动作识别结果称为实际词条。
步骤S1033中的各词条即目标词条，动作识别结果即实际词条，本步骤具体包括以下步骤：
第一步：根据目标词条的展示时间以及用户手语动作执行的时间将目标词条和实际词条进行一对一匹配。具体地，获取展示第一个目标词条的第一时间段，以及在第一时间段内采集到的用户手语动作对应的实际词条，将第一时间段中的目标词条和实际词条匹配为一组；同样的，获取展示第二个目标词条的第二时间段，以及在第二时间段内采集到的用户手语动作对应的实际词条，将第二时间段中的目标词条和实际词条匹配为一组……以此类推，直至完成所有目标词条和实际词条的组合。
第二步：针对每一组词条，判断其中的目标词条和实际词条是否符合要求，并分别记录判断结果为符合要求的正例词条组数以及判断结果为符合要求的负例词条组数。
需要说明的是，步骤S102中提到，目标词条包括正例词条和负例词条，当展示正例词条时，用户应执行与正例词条一致的手语动作，当展示负例词条时，用于应执行与负例词条不一致任一的手语动作。因此，当目标词条为正例词条时，目标词条与实际词条一致即为该组正例词条符合要求；当目标词条为负例词条时，目标词条与实际词条不一致即为该组负例词条符合要求。
这里将训练手语动作识别模型所用的训练数据的分类标签设置为与步骤S102中提到的预设的词条库中的词条表述一致，即可在比对每组词条时快速判断目标词条与实际词条是否一致。
第三步：根据目标词条中的正例词条数、负例词条数、符合要求的正例词条组数以及符合要求的负例词条组数确定手语识别结果，这里的手语识别结果即交易用户执行的手语动作的准确度。
具体地，按照如下公式计算准确度Acc：
Figure BDA0003830159840000131
其中，TP为符合要求的正例词条组数，TN为符合要求的负例词条组数，P为目标词条中的正例词条数，N为目标词条中的负例词条数。
至此，确定手语识别结果的步骤执行完毕。
在一实施例中，如图7所示，步骤S104，根据所述人脸图像数据以及预先创建的人脸识别模型得到交易用户的人脸识别结果，包括以下步骤S1041至步骤S1043：
步骤S1041，获取交易用户的基准照并进行特征提取，得到基准照特征。
其中，基准照是由交易用户预先存储至交易验证方的数据库中的。当交易用户进行交易验证时，交易验证方即可通过交易用户身份唯一获取到其基准照，基准照包含有用户清晰完整的人脸图像。对基准照进行特征提取得到基准照特征。
步骤S1042，采集交易用户的现场照并进行特征提取，得到现场照特征。
其中，现场照是在交易用户进行交易验证时，通过交易用户所用设备的图像采集装置实时采集到的。现场照中应包含有使用该设备进行交易验证的用户清晰完整的人脸图像。对现场照进行特征提取得到现场照特征。
步骤S1043，根据所述基准照特征、所述现场照特征以及所述人脸识别模型，得到所述人脸识别结果。
具体地，将基准照特征和现场照特征输入至人脸识别模型，人脸识别模型对其进行分析比较，即可得到基准照和现场照中的人脸的相似度PE，该相似度PE即本步骤所说的人脸识别结果。
上述实施例中的步骤S1041和步骤S1042的执行没有先后顺序，既可以先执行步骤S1041，后执行步骤S1042，也可以先执行步骤S1042，后执行步骤S1041，还可以同时执行步骤S1042和步骤S1042。
在一实施例中，如图8所示，步骤S105，根据所述设备风险等级、所述人脸识别结果以及所述手语识别结果确定交易验证结果，包括以下步骤S1051至步骤S1053：
步骤S1051，根据所述人脸识别结果、所述手语识别结果以及预设的权重值确定综合评分。
具体地，按照以下公式计算综合评分X：
X＝μ·Acc+λ·PE
其中，PE为人脸识别结果，λ为人脸识别结果对应的权重值，Acc为手语识别结果，μ为手语识别结果对应的权重值。
步骤S1052，根据所述设备风险等级以及预设的设备风险等级与评分阈值的对应关系确定评分阈值。
具体地，本申请为不同的设备风险等级预设有不同的评分阈值，且设备风险等级越高，其对应的评分阈值越大。假设设备风险等级包括高风险等级、中风险等级和低风险等级，各设备风险等级对应的评分阈值为X1、X2、X3，则X1＞X2＞X3。设备风险等级与评分阈值的关系预先存储于交易验证方。
步骤S1053，根据所述综合评分以及所述评分阈值确定所述交易验证结果。
通过步骤S1052确定评分阈值后，判断综合评分是否超过评分阈值；若综合评分大于或等于评分阈值，则交易验证结果为交易验证通过；若综合评分小于评分阈值，则交易验证结果为交易验证不通过。
本实施例的设置意味着，对于风险度较高的设备，做更多因子的检测的同时，检测通过的门槛也会相对严格，通过这样一系列的方式，降低欺诈成功的可能。
在另一实施例中，为了加强交易验证的效率，通过步骤S101得到设备风险等级之后，可进一步执行以下步骤：
判断设备风险等级是否为高风险等级；若是，则直接终止交易，阻断交易风险；若否，则继续执行后续步骤。
通过步骤S103得到手语识别结果(交易用户根据词条执行的手语动作的准确度)之后，可进一步执行以下步骤：
判断手语识别结果是否低于预设的手语准确度阈值；若是，则直接终止交易，阻断交易风险，还可同时提示交易用户重新进行交易验证或更换建议验证方式；若否，则继续执行后续步骤。
通过步骤S104得到人脸识别结果(交易用户现场照与基准照的相似度)之后，可进一步执行以下步骤：
判断人脸识别结果是否低于预设的人脸相似度阈值；若是，则说明交易用户不是持卡人本人，此时没必要再进行后续步骤，可直接终止交易，阻断交易风险；若否，则继续执行后续步骤。
本实施例是结合实际情况，当设备风险等级较高、人脸验证未通过、手语验证未通过时，无需继续后续流程，直接终止交易，降低交易风险，提高交易验证的效率。
在一实施例中，如图9所示，创建所述手语识别模型的步骤包括：
步骤S201，从原始手语数据集中获取多个手语动作及其标签。
本步骤采用中国手语数据集(CSL)为原始手语数据集，实际应用，也可采集其他数据集生成训练数据，本申请对数据集不进行限制。本步骤中手语动作的标签即为手语动作对应的词条，即文字表示形式。
中国手语数据集(CSL)是由中国科学技术大学自2015年起，利用Kinect采集的中国手语数据集。在该数据集的基础上，本发明还提供了数据采集端口，用于针对地方手语的采集工作。其中，数据集的采集，要求含25K标记的视频实例，且每个被采集者需重复单次5次以上，从而获取含RGB、深度以及骨架关节点数据。
步骤S202，根据所述手语动作及其标签形成多个正样本和多个负样本。
步骤S201中得到的手语动作和标签是一一对应的。本步骤对手语动作和标签进行重新组合，组合后的样本中，若手语动作与标签与步骤S201中的对应关系一致，则该样本为正样本；若手语动作与标签与步骤S201中的对应关系不一致，则该样本为负样本。
步骤S203，基于所述正样本和所述负样本生成手语数据集。
步骤S204，使用所述手语数据集对预先建立的三维卷积网络进行训练，得到所述手语识别模型。
在一实施例中，如图10所示，创建所述人脸识别模型的步骤包括：
步骤S301，从原始人脸数据集中进行多次随机选择，得到多对样本，每对样本包含两张人脸图像。
从步骤S301中可以看出，每对样本中包含两张人脸图像，也就意味着每对样本需要进行两次随机选择得到。如果某对样本中的两张人脸图像为同一张图像，即生成该样本时的两次随机选择选中了同一张图像，则该样本无效。可以理解的时，同一人的两张人脸图像不是同一张图像，举例而言，假设用户A拍摄了照片1、照片2和照片3，照片1、照片2和照片3是同一人的不同照片，即照片1、照片2和照片3是不同的照片，照片1和照片1才是同一张照片。
步骤S302，分别根据每对样本中的两张人脸图像确定样本标签；其中，当两张人脸图像为同一人时，样本标签为正样本标签，当两张人脸图像不是同一人时，样本标签为负样本标签。
步骤S303，根据多对所述样本及其对应的样本标签生成训练数据集；其中，样本标签为正样本标签的样本为正样本，样本标签为负样本标签的样本为负样本。
例如，假设D为原始人脸数据集，D1为构建的训练数据集：
1)从原始人脸数据集D中随机选择两张图像d1和d2，其中d1∈D，d2∈D；
2)如果d1和d2属于同一张图片，返回步骤1；
3)判断d1和d2是否是同一个人，如果不是同一个人，给定标签1，构成一对负样本Sp(d1,d2,1)；如果是同一个人，给定标签0，构成一对正样本Sn(d1,d2,0)；
4)判断Sp和Sn是否在D1中，如果在，则返回步骤1)，如果不在，则把Sp和Sn放入D1，返回步骤1)，如此循环，直到D1中样本的数量达到预设值。
步骤S304，使用所述训练数据集对预先建立的孪生网络模型进行训练，得到所述人脸识别模型。
本发明使用孪生网络Siamese实现人脸识别，Siamese由参数和网络结构都相同的子网络构成，网络训练一个函数f(d1,d2)，当d1和d2描述的是同一个人时，返回一个较高的得分，否则返回一个较低的得分。本发明使用欧氏距离计算两个图片的相似度，使用f(d1)和f(d2)分别表示连个子网络的输出，则图片d1和d2的相似度计算公式为：
Ew(d1,d2)＝||f(d1)-f(d2)||2
Siamese子网络可采用比较经典的AlexNet，网络的损失函数定义为：
Figure BDA0003830159840000171
其中Y为正负样本标识，且Y∈{0，1}，m是自定义参数，当Y＝1时，如果d1和d2的距离大于m，则模型可以不做优化，节省网络训练时间。
本申请的面向听障人士的反欺诈交易验证方法使用手语识别特征，辅助人脸活体检测进行身份认证，弥补了业内现有技术无法满足语障人群需求的缺陷；同时，本申请采用的设备环境风险检测技术，弥补了业内现有生物识别/采集/防欺诈技术仅用生物特征进行身份认证的空缺，增加设备环境的检测因子，加强了金融移动端账户的安全性。
基于同一发明构思，本申请实施例还提供了面向听障人士的反欺诈交易验证装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于面向听障人士的反欺诈交易验证装置解决问题的原理与面向听障人士的反欺诈交易验证方法相似，因此面向听障人士的反欺诈交易验证装置的实施可以参见面向听障人士的反欺诈交易验证方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
第二方面，本申请提供一种面向听障人士的反欺诈交易验证装置。如图11所示，该装置包括：
设备风险等级确定模块401，用于获取交易用户所用设备的设备环境数据，并根据所述设备环境数据以及预设的风险识别规则确定交易用户所用设备的设备风险等级；
词条生成模块402，用于根据所述设备风险等级随机生成多个词条并展示给交易用户；
手语识别模块403，用于采集交易用户针对所述词条的手语动作数据，并根据所述手语动作数据以及预先创建的手语识别模型得到交易用户的手语识别结果；所述手语识别模型是使用原始手语数据集对三维卷积网络训练得到的；
人脸识别模块404，用于采集交易用户的人脸图像数据，并根据所述人脸图像数据以及预先创建的人脸识别模型得到交易用户的人脸识别结果；其中，所述人脸识别模型是使用多对正样本以及负样本对孪生网络训练得到的；
交易验证模块405，用于根据所述设备风险等级、所述人脸识别结果以及所述手语识别结果确定交易验证结果。
在一实施例中，所述设备环境数据包括交易用户所用设备的设备参数及其所处的网络环境参数；
如图12所示，所述设备风险等级确定模块401包括：
网络环境参数评估单元4011，用于根据所述网络环境参数及其对应的第一评分规则确定第一评分；
设备参数评估单元4012，用于根据所述设备参数及其对应的第二评分规则确定第二评分；
设备风险等级确定单元4013，用于根据所述第一评分、所述第二评分以及预设的评分阈值确定所述设备风险等级。
在一实施例中，如图13所示，所述手语识别模块403包括：
手语动作采集单元4031，用于采集交易用户针对多个所述词条执行的手语动作数据；
手语动作识别单元4032，用于将所述手语动作数据输入至所述手语识别模型，得到各手语动作数据的动作识别结果；
手语识别结果确定单元4033，用于根据各词条以及对应的动作识别结果确定所述手语识别结果。
在一实施例中，如图14所示，所述人脸识别模块404包括：
特征提取单元4041，用于获取交易用户的基准照并进行特征提取，得到基准照特征；以及采集交易用户的现场照并进行特征提取，得到现场照特征；
人脸识别单元4042，用于根据所述基准照特征、所述现场照特征以及所述人脸识别模型，得到所述人脸识别结果。
在一实施例中，如图15所示，所述交易验证模块405包括：
综合评分确定单元4051，用于根据所述人脸识别结果、所述手语识别结果以及预设的权重值确定综合评分；
评分阈值确定单元4052，用于根据所述设备风险等级以及预设的设备风险等级与评分阈值的对应关系确定评分阈值；
交易验证结果确定单元4053，用于根据所述综合评分以及所述评分阈值确定所述交易验证结果。
在一实施例中，如图16所示，所述面向听障人士的反欺诈交易验证装置还包括：
手语数据集创建模块406，用于从原始手语数据集中获取多个手语动作及其标签；根据所述手语动作及其标签形成多个正样本和多个负样本；基于所述正样本和所述负样本生成手语数据集；
手语识别模型训练模块407，用于使用所述手语数据集对预先建立的三维卷积网络进行训练，得到所述手语识别模型。
在一实施例中，请继续参见图16，所述面向听障人士的反欺诈交易验证装置还包括：
训练数据集创建模块408，用于从原始人脸数据集中进行多次随机选择，得到多对样本，每对样本包含两张人脸图像；分别根据每对样本中的两张人脸图像确定样本标签；其中，当两张人脸图像为同一人时，样本标签为正样本标签，当两张人脸图像不是同一人时，样本标签为负样本标签；根据多对所述样本及其对应的样本标签生成训练数据集；其中，样本样本标签为正样本标签的样本为正样本，样本标签为负样本标签的样本为负样本；
人脸识别模型训练模块409，用于使用所述训练数据集对预先建立的孪生网络模型进行训练，得到所述人脸识别模型。
本申请的面向听障人士的反欺诈交易验证装置使用手语识别特征，辅助人脸活体检测进行身份认证，弥补了业内现有技术无法满足语障人群需求的缺陷；同时，本申请采用的设备环境风险检测技术，弥补了业内现有生物识别/采集/防欺诈技术仅用生物特征进行身份认证的空缺，增加设备环境的检测因子，加强了金融移动端账户的安全性。
在一实施例中，本申请还提供一种计算机设备，参见图17，所述电子设备100具体包括：
中央处理器(processor)110、存储器(memory)120、通信模块(Communications)130、输入单元140、输出单元150以及电源160。
其中，所述存储器(memory)120、通信模块(Communications)130、输入单元140、输出单元150以及电源160分别与所述中央处理器(processor)110相连接。所述存储器120中存储有计算机程序，所述中央处理器110可调用所述计算机程序，所述中央处理器110执行所述计算机程序时实现上述实施例中的面向听障人士的反欺诈交易验证方法中的全部步骤。
在一实施例中，本申请的实施例还提供一种计算机可读存储介质，用于存储计算机程序，所述计算机程序可被处理器执行。所述计算机程序被处理器执行时实现本发明所提供的任一面向听障人士的反欺诈交易验证方法。
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)

1.一种面向听障人士的反欺诈交易验证方法，其特征在于，包括：
获取交易用户所用设备的设备环境数据，并根据所述设备环境数据以及预设的风险识别规则确定交易用户所用设备的设备风险等级；
根据所述设备风险等级随机生成多个词条并展示给交易用户；
采集交易用户针对所述词条的手语动作数据，并根据所述手语动作数据以及预先创建的手语识别模型得到交易用户的手语识别结果；所述手语识别模型是使用原始手语数据集对三维卷积网络训练得到的；
采集交易用户的人脸图像数据，并根据所述人脸图像数据以及预先创建的人脸识别模型得到交易用户的人脸识别结果；其中，所述人脸识别模型是使用多对正样本以及负样本对孪生网络训练得到的；
根据所述设备风险等级、所述人脸识别结果以及所述手语识别结果确定交易验证结果。
2.根据权利要求1所述的面向听障人士的反欺诈交易验证方法，其特征在于，所述设备环境数据包括交易用户所用设备的设备参数及其所处的网络环境参数；
所述根据所述设备环境数据以及预设的风险识别规则确定交易用户所用设备的设备风险等级，包括：
根据所述网络环境参数及其对应的第一评分规则确定第一评分；
根据所述设备参数及其对应的第二评分规则确定第二评分；
根据所述第一评分、所述第二评分以及预设的评分阈值确定所述设备风险等级。
3.根据权利要求1所述的面向听障人士的反欺诈交易验证方法，其特征在于，所述根据所述手语动作数据以及预先创建的手语识别模型得到交易用户的手语识别结果，包括：
采集交易用户针对多个所述词条执行的手语动作数据；
将所述手语动作数据输入至所述手语识别模型，得到各手语动作数据的动作识别结果；
根据各词条以及对应的动作识别结果确定所述手语识别结果。
4.根据权利要求1所述的面向听障人士的反欺诈交易验证方法，其特征在于，所述根据所述人脸图像数据以及预先创建的人脸识别模型得到交易用户的人脸识别结果，包括：
获取交易用户的基准照并进行特征提取，得到基准照特征；
采集交易用户的现场照并进行特征提取，得到现场照特征；
根据所述基准照特征、所述现场照特征以及所述人脸识别模型，得到所述人脸识别结果。
5.根据权利要求1所述的面向听障人士的反欺诈交易验证方法，其特征在于，所述根据所述设备风险等级、所述人脸识别结果以及所述手语识别结果确定交易验证结果，包括：
根据所述人脸识别结果、所述手语识别结果以及预设的权重值确定综合评分；
根据所述设备风险等级以及预设的设备风险等级与评分阈值的对应关系确定评分阈值；
根据所述综合评分以及所述评分阈值确定所述交易验证结果。
6.根据权利要求1至5中任一项所述的面向听障人士的反欺诈交易验证方法，其特征在于，创建所述手语识别模型的步骤包括：
从原始手语数据集中获取多个手语动作及其标签；
根据所述手语动作及其标签形成多个正样本和多个负样本；
基于所述正样本和所述负样本生成手语数据集；
使用所述手语数据集对预先建立的三维卷积网络进行训练，得到所述手语识别模型。
7.根据权利要求1至5中任一项所述的面向听障人士的反欺诈交易验证方法，其特征在于，创建所述人脸识别模型的步骤包括：
从原始人脸数据集中进行多次随机选择，得到多对样本，每对样本包含两张人脸图像；
分别根据每对样本中的两张人脸图像确定样本标签；其中，当两张人脸图像为同一人时，样本标签为正样本标签，当两张人脸图像不是同一人时，样本标签为负样本标签；
根据多对所述样本及其对应的样本标签生成训练数据集；其中，样本样本标签为正样本标签的样本为正样本，样本标签为负样本标签的样本为负样本；
使用所述训练数据集对预先建立的孪生网络模型进行训练，得到所述人脸识别模型。
8.一种面向听障人士的反欺诈交易验证装置，其特征在于，包括：
设备风险等级确定模块，用于获取交易用户所用设备的设备环境数据，并根据所述设备环境数据以及预设的风险识别规则确定交易用户所用设备的设备风险等级；
词条生成模块，用于根据所述设备风险等级随机生成多个词条并展示给交易用户；
手语识别模块，用于采集交易用户针对所述词条的手语动作数据，并根据所述手语动作数据以及预先创建的手语识别模型得到交易用户的手语识别结果；所述手语识别模型是使用原始手语数据集对三维卷积网络训练得到的；
人脸识别模块，用于采集交易用户的人脸图像数据，并根据所述人脸图像数据以及预先创建的人脸识别模型得到交易用户的人脸识别结果；其中，所述人脸识别模型是使用多对正样本以及负样本对孪生网络训练得到的；
交易验证模块，用于根据所述设备风险等级、所述人脸识别结果以及所述手语识别结果确定交易验证结果。
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中任一项所述的面向听障人士的反欺诈交易验证方法。
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计算机程序，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的面向听障人士的反欺诈交易验证方法。
CN202211070824.7A 2022-09-02 2022-09-02 面向听障人士的反欺诈交易验证方法及装置 Pending CN115438326A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211070824.7A CN115438326A (zh) 2022-09-02 2022-09-02 面向听障人士的反欺诈交易验证方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211070824.7A CN115438326A (zh) 2022-09-02 2022-09-02 面向听障人士的反欺诈交易验证方法及装置

Publications (1)

Publication Number Publication Date
CN115438326A true CN115438326A (zh) 2022-12-06

Family

ID=84247324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211070824.7A Pending CN115438326A (zh) 2022-09-02 2022-09-02 面向听障人士的反欺诈交易验证方法及装置

Country Status (1)

Country Link
CN (1) CN115438326A (zh)

Similar Documents

Publication Publication Date Title
CN103841108B (zh) 用户生物特征的认证方法和系统
WO2020155939A1 (zh) 图像识别方法、装置、存储介质和处理器
EP3807792B1 (en) Authenticating an identity of a person
US9330142B2 (en) Biometric matching engine
CN110851835A (zh) 图像模型检测方法、装置、电子设备及存储介质
CN111861240A (zh) 可疑用户识别方法、装置、设备及可读存储介质
CN107844748A (zh) 身份验证方法、装置、存储介质和计算机设备
CN113366487A (zh) 基于表情组别的操作确定方法、装置及电子设备
TW201907330A (zh) 身份認證的方法、裝置、設備及資料處理方法
CN108304858A (zh) 对抗样本识别模型生成方法、验证方法及其系统
CN109063977B (zh) 一种无感式交易风险监测方法及装置
CN105989263A (zh) 身份认证方法、开户方法、装置及系统
KR20180050968A (ko) 온라인 시험 관리 방법
CN106529255B (zh) 基于笔迹指纹的用户身份识别方法和装置
CN113656761B (zh) 基于生物识别技术的业务处理方法、装置和计算机设备
CN111753271A (zh) 基于ai识别的开户身份验证方法、装置、设备及介质
CN113591603A (zh) 证件的验证方法、装置、电子设备及存储介质
CN111241873A (zh) 图像翻拍检测方法及其模型的训练方法、支付方法及装置
CN109543635A (zh) 活体检测方法、装置、系统、解锁方法、终端及存储介质
CN114419346B (zh) 一种模型的鲁棒性检测方法、装置、设备及介质
CN112699811A (zh) 活体检测方法、装置、设备、储存介质及程序产品
CN109886084B (zh) 基于陀螺仪的人脸认证方法、电子设备及存储介质
JP2019507435A (ja) 空間分割セグメントに対する動的移動追跡基盤手記署名認証システムおよび方法
CN115438326A (zh) 面向听障人士的反欺诈交易验证方法及装置
CN115906028A (zh) 用户身份验证方法、装置和自助服务终端

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