CN116071089A - 一种欺诈识别方法、装置、电子设备及存储介质 - Google Patents

一种欺诈识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116071089A
CN116071089A CN202310120021.6A CN202310120021A CN116071089A CN 116071089 A CN116071089 A CN 116071089A CN 202310120021 A CN202310120021 A CN 202310120021A CN 116071089 A CN116071089 A CN 116071089A
Authority
CN
China
Prior art keywords
background
picture
fraud
similarity
identified
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.)
Granted
Application number
CN202310120021.6A
Other languages
English (en)
Other versions
CN116071089B (zh
Inventor
王小东
吕文勇
周智杰
朱羽
刘洪江
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.)
Chengdu New Hope Finance Information Co Ltd
Original Assignee
Chengdu New Hope Finance Information Co Ltd
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 Chengdu New Hope Finance Information Co Ltd filed Critical Chengdu New Hope Finance Information Co Ltd
Priority to CN202310120021.6A priority Critical patent/CN116071089B/zh
Publication of CN116071089A publication Critical patent/CN116071089A/zh
Application granted granted Critical
Publication of CN116071089B publication Critical patent/CN116071089B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种欺诈识别方式、装置、电子设备及存储介质，其中欺诈识别方法包括：提取待识别人像图片的图片背景；获取图片背景与历史欺诈背景的背景相似度；提取图片背景中的背景文字，获取待识别人像图片的背景异常度；获取图片背景的拍摄场景以及拍摄场景的场景异常度；获取待识别人像图片拍摄设备与历史欺诈设备的设备信息相似度；将背景相似度、背景异常度、场景异常度和设备信息相似度融合，获取待识别人像图片的欺诈风险值，若欺诈风险值大于预设风险阈值，则判定待识别人像图片具有欺诈风险。通过多种相似度共同判断待识别人像图片的欺诈风险，降低了具有欺诈风险图片的误判率，提高了欺诈识别的准确率。

Description

一种欺诈识别方法、装置、电子设备及存储介质
技术领域
本申请涉及欺诈识别技术领域，具体而言，涉及一种欺诈识别方法、装置、电子设备及存储介质。
背景技术
随着在线网络技术的发展，利用在线视频面审进行贷款审批已经成为了一种常用贷款审批方式，但这种审批方式存在欺诈行为不易识别的缺陷。
相关技术中的欺诈识别方式仅针对面审时所采集的人脸信息或者仅单独采用面审活体图像的背景信息来识别用户的欺诈行为，导致欺诈识别的误判率较高。
发明内容
本申请实施例的目的在于提供一种欺诈识别方法、装置、电子设备及存储介质，用以改善欺诈识别效果，降低欺诈识别的误判率。
第一方面，本申请实施例提供一种欺诈识别方法，包括：提取待识别人像图片的图片背景；获取所述图片背景与历史欺诈背景的背景相似度；提取所述图片背景中的背景文字，根据所述背景文字，获取所述待识别人像图片的背景异常度；获取所述图片背景的拍摄场景以及所述拍摄场景的场景异常度；获取待识别人像图片拍摄设备与历史欺诈设备的设备信息相似度；将所述背景相似度、所述背景异常度、所述场景异常度和所述设备信息相似度融合，获取所述待识别人像图片的欺诈风险值，若所述欺诈风险值大于预设风险阈值，则判定所述待识别人像图片具有欺诈风险。
在上述方案的实现过程中，采用背景相似度、背景异常度、场景异常度和设备信息相似度共同判断待识别人像图片是否具有欺诈风险，大大降低了具有欺诈风险图片的误判率，提高了欺诈识别的准确率。
在第一方面的一种实现方式中，所述提取待识别人像图片的图片背景，包括：对待识别人像图片进行背景分割，获取第一图片背景；对所述第一图片背景进行背景填充处理，获取第二图片背景。
在上述方案的实现过程中，对剔除人像部分的第一图片背景进行背景填充处理，有效避免扣除人像后第一图片背景中人像部分颜色所导致的背景识别误差，提高了背景识别准确率，进而提高了上述欺诈识别方法的识别准确率。
在第一方面的一种实现方式中，所述获取所述图片背景与历史欺诈背景的背景相似度，包括：采用背景特征提取模型，提取所述图片背景的特征向量；根据所述图片背景的特征向量，在所述历史欺诈背景中获取所述待识别人像图片的相似背景集；根据所述相似背景集，计算所述图片背景与所述历史欺诈背景的背景相似度。
在上述方案的实现过程中，采用图片背景特征向量与历史欺诈背景特征向量之间的距离来筛选待识别人像图片的相似背景集，采用相似背景集计算待识别人像图片的图片背景与历史欺诈背景的背景相似度，有效提高了相似背景的识别准确率以及背景相似度的计算效率。
在第一方面的一种实现方式中，所述背景特征提取模型的训练方法包括：获取用于训练所述背景特征提取模型的参考样本、与所述参考样本为同类别的同类样本、以及与所述样本为不同类别的负样本；以所述参考样本、所述同类样本和所述负样本为所述背景特征提取模型的输入，以最小化所述参考样本的背景特征向量与所述同类样本的背景特征向量之间的距离，最大化所述参考样本的背景特征向量与所述负样本的背景特征向量之间的距离为目标，训练所述背景特征提取模型。
在上述方案的实现过程中，采用参考样本、同类样本以及负样本，以最小化所述参考样本的背景特征向量与所述同类样本的背景特征向量之间的距离，最大化所述参考样本的背景特征向量与所述负样本的背景特征向量之间的距离为目标，训练所述背景特征提取模型，使得背景特征提取模型所提出的特征向量能够有效区分同类样本和不同类样本，提高了上述欺诈识别方法的识别准确率以及识别效率。
在第一方面的一种实现方式中，所述历史欺诈背景设置有聚类索引；所述根据所述图片背景的特征向量，在所述历史欺诈背景中获取所述待识别人像图片的相似背景集，包括：根据所述历史欺诈背景的聚类索引以及所述图片背景的特征向量，在所述历史欺诈背景中获取所述待识别人像图片的相似背景集。
在上述方案的实现过程中，历史欺诈背景设置聚类索引，使得在获取图片背景特征向量后可以快速查询到待识别人像图片的相似背景图片，提高了上述欺诈识别方法的欺诈识别效率。
在第一方面的一种实现方式中，所述获取待识别人像图片拍摄设备与历史欺诈设备的设备信息相似度，包括：获取待识别人像图片拍摄设备与历史欺诈设备的IP地址相似度；和/或，获取待识别人像图片拍摄设备与历史欺诈设备的Mac地址相似度；和/或，获取待识别人像图片拍摄设备与历史欺诈设备的定位信息相似度。
在上述方案的实现过程中，将IP地址相似度、Mac地址相似度和定位信息相似度中的至少一个确定待识别人像图片拍摄设备与历史欺诈设备的设备信息相似度，与背景相似度、背景异常度、场景异常度共同判断待识别人像图片是否具有欺诈风险，降低了上述欺诈识别方法的误判率，进而提高了上述欺诈识别方法的欺诈识别准确率。
在第一方面的一种实现方式中，所述将所述背景相似度、所述背景异常度、所述场景异常度和所述设备信息相似度融合，获取所述待识别人像图片的欺诈风险值，包括：分别获取所述背景相似度、所述背景异常度、所述场景异常度和所述设备信息相似度的权重；对所述背景相似度、所述背景异常度、所述场景异常度和所述设备信息相似度进行加权融合，获取所述待识别人像图片的欺诈风险值。
在上述方案的实现过程中，采用背景相似度、背景异常度、场景异常度和设备信息相似度共同判断待识别人像图片是否具有欺诈风险，大大降低了具有欺诈风险图片的误判率，提高了欺诈识别的准确率。
第二方面，本申请实施例提供一种欺诈识别装置，包括：
背景提取模块，用于提取待识别人像图片的图片背景；
背景相似度获取模块，用于获取所述图片背景与历史欺诈背景的背景相似度；
背景异常度获取模块，用于提取所述图片背景中的背景文字，根据所述背景文字，获取所述待识别人像图片的背景异常度；
场景异常度获取模块，用于获取所述图片背景的拍摄场景以及所述拍摄场景的场景异常度；
设备信息相似度获取模块，用于获取待识别人像图片拍摄设备与历史欺诈设备的设备信息相似度；
欺诈风险判定模块，用于将所述背景相似度、所述背景异常度、所述场景异常度和所述设备信息相似度融合，获取所述待识别人像图片的欺诈风险值，若所述欺诈风险值大于预设风险阈值，则判定所述待识别人像图片具有欺诈风险。
第三方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器读取并运行时，执行第一方面或第一方面的任意一种可能的实现方式提供的方法。
第四方面，本申请实施例提供一种电子设备，包括：处理器、存储器和通信总线，其中，所述处理器和所述存储器通过所述通信总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，执行第一方面或第一方面的任意一种可能的实现方式提供的方法。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的欺诈识别方法的流程示意图；
图2为本申请实施例提供的第二图片背景的示意图；
图3为本申请实施例提供的采用三级聚类索引的历史欺诈背景库的结构示意图；
图4为本申请实施例提供的历史欺诈背景库的构建方法示意图；
图5为本申请实施例提供的欺诈识别装置的结构示意图；
图6为本申请实施例提供的电子设备的结构示意图。
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描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，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、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
请参见图1，本申请实施例提供一种欺诈识别方法，包括：
步骤S110：提取待识别人像图片的图片背景；
步骤S120：获取图片背景与历史欺诈背景的背景相似度；
步骤S130：提取图片背景中的背景文字，根据背景文字，获取待识别人像图片的背景异常度；
步骤S140：获取图片背景的拍摄场景以及拍摄场景的场景异常度；
步骤S150：获取待识别人像图片拍摄设备与历史欺诈设备的设备信息相似度；
步骤S160：将背景相似度、背景异常度、场景异常度和设备信息相似度融合，获取待识别人像图片的欺诈风险值，若欺诈风险值大于预设风险阈值，则判定待识别人像图片具有欺诈风险。
在上述方案的实现过程中，采用背景相似度、背景异常度、场景异常度和设备信息相似度共同判断待识别人像图片是否具有欺诈风险，大大降低了具有欺诈风险图片的误判率，提高了欺诈识别的准确率。
下面详细介绍步骤S110：
步骤S110中的待识别人像图片为用户的活体照片，其可以由执行上述欺诈识别方法的电子设备直接采集，可以由执行上述欺诈识别方法的电子设备从用户活体图像或视频拍摄设备中获取。
作为上述欺诈识别方法的一种可选实施方式，步骤S110提取待识别人像图片的图片背景，包括：对待识别人像图片进行背景分割，获取第一图片背景；对第一图片背景进行背景填充处理，获取第二图片背景。该实施方式例如：采用例如边缘分割算法等图像分割算法将待识别人像图片中的人像和背景进行分割，分割出第一图片背景；为了避免扣除人像后的第一图片背景中的人像部分颜色所导致的背景识别误差，采用例如膨胀算法等图像填充算法对第一图片背景中的人像部分进行填充，进行填充处理后的第二图片背景如图2所示。
下面详细介绍步骤S120：
作为上述欺诈识别方法的一种可选实施方式，步骤S120获取图片背景与历史欺诈背景的背景相似度，包括：采用背景特征提取模型，提取图片背景的特征向量；根据图片背景的特征向量，在历史欺诈背景中获取待识别人像图片的相似背景集；根据相似背景集，计算图片背景与历史欺诈背景的背景相似度。该实施方式例如：采用预先训练好的背景特征提取模型，提取图片背景的特征向量；计算图片背景特征向量与历史欺诈背景特征向量的距离，根据图片背景特征向量与历史欺诈背景特征向量之间的距离，确定相似背景集，相似背景集中的相似背景数量可以为一个或多个；根据相似背景集中的相似背景，计算图片背景与历史欺诈背景的背景相似度。
需要指出的是，相似背景集中所包含的相似背景的数量可以为一个或多个，下面分别介绍这两种实施方式：
第一种实施方式，相似背景集中的相似背景数量为一个，该实施方式例如：在计算图片背景特征向量与历史欺诈背景特征向量之间的距离后，选择与图片背景特征向量距离最小的历史欺诈背景特征向量所对应的历史欺诈背景作为待识别人像图片的相似背景。此时，待识别人像图片的图片背景与历史欺诈背景的背景相似度即为相似背景集中的相似背景与待识别人像图片的图片背景的背景相似度。
第二种实施方式，相似背景集中的相似背景数量为多个，该实施方式例如：在计算图片背景特征向量与历史欺诈背景特征向量之间的距离后，根据距离大小对历史欺诈背景特征向量进行排序，选择距离最小的前M个历史欺诈背景特征向量所对应的历史欺诈背景构建相似背景集；或者，在计算图片背景特征向量与历史欺诈背景特征向量之间的距离后，筛选距离大于预设距离阈值的历史欺诈背景特征向量，然后在满足预设距离阈值的历史欺诈背景特征向量中筛选距离最小的前N个或筛选预设比例的历史欺诈背景特征向量所对应的历史欺诈背景构建相似背景集。此时，待识别人像图片的图片背景与历史欺诈背景的背景相似度可以采用相似背景集中的多个相似背景共同计算，例如可以采用取平均或加权平均的方式获取背景相似度。
另外，需要指出的是，上述背景相似度可以通过特征向量之间的距离来表征，也可以采用余弦相似度等相似度来表征。
作为上述欺诈识别方法的一种可选实施方式，背景特征提取模型的训练方法包括：获取用于训练背景特征提取模型的参考样本、与参考样本为同类别的同类样本、以及与参考样本为不同类别的负样本；以参考样本、同类样本和负样本为背景特征提取模型的输入，以最小化参考样本的背景特征向量与同类样本的背景特征向量之间的距离，最大化参考样本的背景特征向量与负样本的背景特征向量之间的距离为目标，训练背景特征提取模型。该实施方式例如：
构建模型训练样本，模型的样本采用三元组的方式，三元组例如(1,2,abel)，其中x1为参考样本；x2为同类样本或负样本，label为类别标签，用于表征x1和x2是否属于同一类别；
背景特征提取模型的目的是提取能够表征图片背景的特征向量，同时让属于同类别的背景特征向量距离更近，而属于不同类别的背景特征向量距离更远，模型训练过程如下：
将图片背景X嵌入到d维的欧几里得空间f(x)∈Rd，选取三张图像样本进行优化学习，选取的图像样本包括：基本背景
Figure BDA0004079700020000101
与
Figure BDA0004079700020000102
距离最小的负样本
Figure BDA0004079700020000103
以及与
Figure BDA0004079700020000104
距离最大的同类样本
Figure BDA0004079700020000105
模型训练的优化目标为：
Figure BDA0004079700020000106
其中，
Figure BDA0004079700020000107
是positive与negative的决策边界；T为模型训练样本中所有可行的三元组，其数量为n。
由此，可以确定背景特征提取模型的损失函数：
Figure BDA0004079700020000111
为了快速收敛，在对背景特征提取模型进行训练时需要选择合适的算元祖，即对于给定的
Figure BDA0004079700020000112
求解
Figure BDA0004079700020000113
和
Figure BDA0004079700020000114
Figure BDA0004079700020000115
Figure BDA0004079700020000116
在实际应用时，可以采用Pytorch搭建深度学习网络，根据上述损失函数作为优化目标，经过多次迭代学习能够提取图片背景特征向量的背景特征提取模型。
作为上述欺诈识别方法的一种可选实施方式，历史欺诈背景设置有聚类索引；根据图片背景的特征向量，在历史欺诈背景中获取所述待识别人像图片的相似背景集，包括：根据历史欺诈背景的聚类索引以及图片背景的特征向量，在历史欺诈背景中获取待识别人像图片的相似背景集。该实施方式例如：构建设有多级聚类索引的历史欺诈背景库；请参见图3，以采用三级聚类索引的存储方式为例，在获取到待识别人像图片的图片背景后，计算图片背景特征向量与一级聚类中心的距离，筛选出距离图片背景特征向量最近的一级聚类中心；然后计算图片背景特征向量与所筛选出的一级聚类中心中的二级聚类中心的距离，筛选出距离图片背景特征向量最近的二级聚类中心；然后计算图片背景特征向量与二级聚类中心中各历史欺诈背景特征向量之间的距离，然后筛选出图片背景的相似背景集。
请参见图4，以采用三级聚类索引为例，上述历史欺诈背景库的构建方法为：
采用训练好的背景特征提取模型提取历史欺诈背景的特征向量；
设一级聚类中心有m个，每个聚类中心为c1i，i＝1,2,…,m，二级聚类中心有n个，每个聚类中心为c2j，j＝1,2,…,n；
针对入库的历史欺诈背景图像特征向量fk,＝1,2,…,∞，依次进行如下判断：若i<m或m≤i<m+n，则直接结束特征入库；若i≥m+n，则计算fk与一级聚类中心c1i的距离，选择与fk距离最小的一级聚类中心，然后计算fk与二级聚类中心c2j的距离，然后将fk存储到与fk距离最小的二级聚类中心中，结束特征入库。
下面详细介绍步骤S130：
步骤S130提取图片背景中背景文字的方法可以为：
使用DBNet进行文字分割，以像素点为单位使用分割网络分割文字块；
对文字进行仿射变换，将图像文本摆正；
对于变换后的文字块，采用文字识别算法CRNN识别文字内容。
根据背景文字获取待识别人像图片背景异常度的方法可以为：
将识别出的背景文字与预设文字黑名单中的黑名单字样进行对比，若查询到相关黑名单字样，则判定待识别人像图片的背景异常度为预设异常值，例如1；若未查询到相关黑名单字样，则判定待识别人像图片的背景异常度为预设正常值，例如0。
下面详细介绍步骤S140：
采用预先训练好的场景识别模型识别图像背景的拍摄场景，拍摄场景可以包括：室内、室外和车内。场景识别模型可以采用采用softmax激活函数的Resnet34分类网络。
待识别人像图片场景异常度的获取方法为：针对不同的拍摄场景预先设置异常值，例如针对室内场景设置较高的异常值，而针对车内和室外场景设置较低的异常值，根据场景识别模型所识别出的拍摄场景确定该拍摄场景所对应的异常值。
下面详细介绍步骤S150：
作为上述欺诈识别方法的一种可选实施方式，步骤S150：获取待识别人像图片拍摄设备与历史欺诈设备的设备信息相似度，包括：获取待识别人像图片拍摄设备与历史欺诈设备的IP地址相似度；和/或，获取待识别人像图片拍摄设备与历史欺诈设备的Mac地址相似度；和/或，获取待识别人像图片拍摄设备与历史欺诈设备的定位信息相似度。该实施方式例如：所获取的待识别人像图片拍摄设备的设备信息可以包括IP地址，和/或Mac地址，和/或定位信息；在获取待识别人像图片拍摄设备的设备信息后，计算设备信息与历史欺诈设备信息库中设备信息的相似度，从而确定IP地址相似度，和/或Mac地址相似度，和/或定位信息相似度。
需要指出的是，若设备信息相似度包含多个相似度，则设备信息相似度可以采用加权求和的方式由多个相似度共同确定。
下面详细介绍步骤S160：
作为上述欺诈识别方法的一种可选实施方式，步骤S160将背景相似度、背景异常度、场景异常度和设备信息相似度融合，获取待识别人像图片的欺诈风险值，包括：分别获取背景相似度、背景异常度、场景异常度和设备信息相似度的权重；对背景相似度、背景异常度、场景异常度和设备信息相似度进行加权融合，获取待识别人像图片的欺诈风险值。该实施方式例如：采用梯度下降法求解背景相似度、背景异常度、场景异常度和设备信息相似度的权重，然后采用求解出的权重计算待识别人像图片的欺诈风险值。
请参见图5，基于同一发明构思，本申请实施例中还提供一种欺诈识别装置200，包括：
背景提取模块210，用于提取待识别人像图片的图片背景；
背景相似度获取模块220，用于获取所述图片背景与历史欺诈背景的背景相似度；
背景异常度获取模块230，用于提取所述图片背景中的背景文字，根据所述背景文字，获取所述待识别人像图片的背景异常度；
场景异常度获取模块240，用于获取所述图片背景的拍摄场景以及所述拍摄场景的场景异常度；
设备信息相似度获取模块250，用于获取待识别人像图片拍摄设备与历史欺诈设备的设备信息相似度；
欺诈风险判定模块260，用于将所述背景相似度、所述背景异常度、所述场景异常度和所述设备信息相似度融合，获取所述待识别人像图片的欺诈风险值，若所述欺诈风险值大于预设风险阈值，则判定所述待识别人像图片具有欺诈风险。
作为上述欺诈识别装置的一种可选实施方式，背景提取模块210包括：
背景分割单元，用于对待识别人像图片进行背景分割，获取第一图片背景；
背景填充单元，用于对所述第一图片背景进行背景填充处理，获取第二图片背景。
作为上述欺诈识别装置的一种可选实施方式，背景相似度获取模块220包括：
特征向量提取单元，用于采用背景特征提取模型，提取所述图片背景的特征向量；
相似背景集获取单元，用于根据所述图片背景的特征向量，在所述历史欺诈背景中获取所述待识别人像图片的相似背景集；
背景相似度计算模块，用于根据所述相似背景集，计算所述图片背景与所述历史欺诈背景的背景相似度。
作为上述欺诈识别装置的一种可选实施方式，欺诈识别装置200还包括：
背景特征提取模型训练模块，用于获取用于训练所述背景特征提取模型的参考样本、与所述参考样本为同类别的同类样本、以及与所述样本为不同类别的负样本；以所述参考样本、所述同类样本和所述负样本为所述背景特征提取模型的输入，以最小化所述参考样本的背景特征向量与所述同类样本的背景特征向量之间的距离，最大化所述参考样本的背景特征向量与所述负样本的背景特征向量之间的距离为目标，训练所述背景特征提取模型。
作为上述欺诈识别装置的一种可选实施方式，历史欺诈背景设置有聚类索引；相似背景集获取单元具体为：根据所述历史欺诈背景的聚类索引以及所述图片背景的特征向量，在所述历史欺诈背景中获取所述待识别人像图片的相似背景集。
作为上述欺诈识别装置的一种可选实施方式，设备信息相似度获取模块250包括：
IP地址相似度计算单元，用于获取待识别人像图片拍摄设备与历史欺诈设备的IP地址相似度；
和/或Mac地址相似度计算单元，用于获取待识别人像图片拍摄设备与历史欺诈设备的Mac地址相似度；
和/或定位信息相似度计算单元，用于获取待识别人像图片拍摄设备与历史欺诈设备的定位信息相似度。
作为上述欺诈识别装置的一种可选实施方式，欺诈风险判定模块260包括：
权重获取单元，用于分别获取所述背景相似度、所述背景异常度、所述场景异常度和所述设备信息相似度的权重；
欺诈风险值计算单元，用于对所述背景相似度、所述背景异常度、所述场景异常度和所述设备信息相似度进行加权融合，获取所述待识别人像图片的欺诈风险值。
图6为本申请实施例提供的一种电子设备的示意图。参照图6，电子设备300包括：处理器310、存储器320以及通信接口330，这些组件通过通信总线340和/或其他形式的连接机构(未示出)互连并相互通讯。
其中，存储器320包括一个或多个(图中仅示出一个)，其可以是，但不限于，随机存取存储器(Random Access Memory，简称RAM)，只读存储器(Read Only Memory，简称ROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，简称EEPROM)等。处理器310以及其他可能的组件可对存储器320进行访问，读和/或写其中的数据。
处理器310包括一个或多个(图中仅示出一个)，其可以是一种集成电路芯片，具有信号的处理能力。上述的处理器310可以是通用处理器，包括中央处理器(CentralProcessing Unit，简称CPU)、微控制单元(Micro Controller Unit，简称MCU)、网络处理器(Network Processor，简称NP)或者其他常规处理器；还可以是专用处理器，包括数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application SpecificIntegrated Circuits，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称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。
通信接口330包括一个或多个(图中仅示出一个)，可以用于和其他设备进行直接或间接地通信，以便进行数据的交互。例如，通信接口330可以是以太网接口；可以是移动通信网络接口，例如3G、4G、5G网络的接口；还是可以是具有数据收发功能的其他类型的接口。
在存储器320中可以存储一个或多个计算机程序指令，处理器310可以读取并运行这些计算机程序指令，以实现本申请实施例提供的欺诈识别方法以及其他期望的功能。
可以理解，图6所示的结构仅为示意，电子设备300还可以包括比图6中所示更多或者更少的组件，或者具有与图6所示不同的配置。图6中所示的各组件可以采用硬件、软件或其组合实现。例如，电子设备300可以是单台服务器(或其他具有运算处理能力的设备)、多台服务器的组合、大量服务器的集群等，并且，既可以是物理设备也可以是虚拟设备。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被计算机的处理器读取并运行时，执行本申请实施例提供的欺诈识别方法。例如，计算机可读存储介质可以实现为图6中电子设备300中的存储器320。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，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单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种欺诈识别方法，其特征在于，包括：
提取待识别人像图片的图片背景；
获取所述图片背景与历史欺诈背景的背景相似度；
提取所述图片背景中的背景文字，根据所述背景文字，获取所述待识别人像图片的背景异常度；
获取所述图片背景的拍摄场景以及所述拍摄场景的场景异常度；
获取待识别人像图片拍摄设备与历史欺诈设备的设备信息相似度；
将所述背景相似度、所述背景异常度、所述场景异常度和所述设备信息相似度融合，获取所述待识别人像图片的欺诈风险值，若所述欺诈风险值大于预设风险阈值，则判定所述待识别人像图片具有欺诈风险。
2.根据权利要求1所述的欺诈识别方法，其特征在于，所述提取待识别人像图片的图片背景，包括：
对待识别人像图片进行背景分割，获取第一图片背景；
对所述第一图片背景进行背景填充处理，获取第二图片背景。
3.根据权利要求1所述的欺诈识别方法，其特征在于，所述获取所述图片背景与历史欺诈背景的背景相似度，包括：
采用背景特征提取模型，提取所述图片背景的特征向量；
根据所述图片背景的特征向量，在所述历史欺诈背景中获取所述待识别人像图片的相似背景集；
根据所述相似背景集，计算所述图片背景与所述历史欺诈背景的背景相似度。
4.根据权利要求3所述的欺诈识别方法，其特征在于，其中，所述背景特征提取模型的训练方法包括：
获取用于训练所述背景特征提取模型的参考样本、与所述参考样本为同类别的同类样本、以及与所述样本为不同类别的负样本；
以所述参考样本、所述同类样本和所述负样本为所述背景特征提取模型的输入，以最小化所述参考样本的背景特征向量与所述同类样本的背景特征向量之间的距离，最大化所述参考样本的背景特征向量与所述负样本的背景特征向量之间的距离为目标，训练所述背景特征提取模型。
5.根据权利要求3所述的欺诈识别方法，其特征在于，其中，所述历史欺诈背景设置有聚类索引；
所述根据所述图片背景的特征向量，在所述历史欺诈背景中获取所述待识别人像图片的相似背景集，包括：
根据所述历史欺诈背景的聚类索引以及所述图片背景的特征向量，在所述历史欺诈背景中获取所述待识别人像图片的相似背景集。
6.根据权利要求1～5中任一项所述的欺诈识别方法，其特征在于，所述获取待识别人像图片拍摄设备与历史欺诈设备的设备信息相似度，包括：
获取待识别人像图片拍摄设备与历史欺诈设备的IP地址相似度；
和/或，获取待识别人像图片拍摄设备与历史欺诈设备的Mac地址相似度；
和/或，获取待识别人像图片拍摄设备与历史欺诈设备的定位信息相似度。
7.根据权利要求1～5中任一项所述的欺诈识别方法，其特征在于，所述将所述背景相似度、所述背景异常度、所述场景异常度和所述设备信息相似度融合，获取所述待识别人像图片的欺诈风险值，包括：
分别获取所述背景相似度、所述背景异常度、所述场景异常度和所述设备信息相似度的权重；
对所述背景相似度、所述背景异常度、所述场景异常度和所述设备信息相似度进行加权融合，获取所述待识别人像图片的欺诈风险值。
8.一种欺诈识别装置，其特征在于，包括：
背景提取模块，用于提取待识别人像图片的图片背景；
背景相似度获取模块，用于获取所述图片背景与历史欺诈背景的背景相似度；
背景异常度获取模块，用于提取所述图片背景中的背景文字，根据所述背景文字，获取所述待识别人像图片的背景异常度；
场景异常度获取模块，用于获取所述图片背景的拍摄场景以及所述拍摄场景的场景异常度；
设备信息相似度获取模块，用于获取待识别人像图片拍摄设备与历史欺诈设备的设备信息相似度；
欺诈风险判定模块，用于将所述背景相似度、所述背景异常度、所述场景异常度和所述设备信息相似度融合，获取所述待识别人像图片的欺诈风险值，若所述欺诈风险值大于预设风险阈值，则判定所述待识别人像图片具有欺诈风险。
9.一种电子设备，其特征在于，包括：处理器、存储器和通信总线，其中，所述处理器和所述存储器通过所述通信总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1～7中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被计算机运行时，使所述计算机执行如权利要求1～7中任一项所述的方法。
CN202310120021.6A 2023-02-10 2023-02-10 一种欺诈识别方法、装置、电子设备及存储介质 Active CN116071089B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310120021.6A CN116071089B (zh) 2023-02-10 2023-02-10 一种欺诈识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310120021.6A CN116071089B (zh) 2023-02-10 2023-02-10 一种欺诈识别方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116071089A true CN116071089A (zh) 2023-05-05
CN116071089B CN116071089B (zh) 2023-12-05

Family

ID=86176713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310120021.6A Active CN116071089B (zh) 2023-02-10 2023-02-10 一种欺诈识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116071089B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823451A (zh) * 2023-08-10 2023-09-29 杭银消费金融股份有限公司 一种信贷风险控制方法与系统
CN117523369A (zh) * 2023-11-03 2024-02-06 长沙银行股份有限公司 一种基于图像技术的反欺诈系统及反欺诈方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140351109A1 (en) * 2013-05-22 2014-11-27 Light In The Box Limited Method and apparatus for automatically identifying a fraudulent order
KR20170006355A (ko) * 2015-07-08 2017-01-18 주식회사 케이티 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
CN110348519A (zh) * 2019-07-12 2019-10-18 深圳众赢维融科技有限公司 金融产品欺诈团伙的识别方法和装置
CN111639653A (zh) * 2020-05-08 2020-09-08 浙江大华技术股份有限公司 一种误检图像确定方法、装置、设备和介质
CN111860369A (zh) * 2020-07-24 2020-10-30 河南中原消费金融股份有限公司 一种欺诈识别方法、装置以及存储介质
CN112528998A (zh) * 2021-02-18 2021-03-19 成都新希望金融信息有限公司 证件图像处理方法、装置、电子设备及可读存储介质
CN112906671A (zh) * 2021-04-08 2021-06-04 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
CN114049194A (zh) * 2021-11-04 2022-02-15 江苏苏宁银行股份有限公司 一种基于图片背景相似性的欺诈检测识别方法及设备
CN115063612A (zh) * 2022-05-27 2022-09-16 平安科技（深圳）有限公司 基于面审视频的欺诈预警方法、装置、设备及存储介质
CN115063861A (zh) * 2022-06-24 2022-09-16 深圳前海微众银行股份有限公司 模型训练方法、图像背景相似判断方法及装置
CN115223022A (zh) * 2022-09-15 2022-10-21 平安银行股份有限公司 一种图像处理方法、装置、存储介质及设备
CN115690672A (zh) * 2022-09-29 2023-02-03 招联消费金融有限公司 异常图像识别方法、装置、计算机设备和存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140351109A1 (en) * 2013-05-22 2014-11-27 Light In The Box Limited Method and apparatus for automatically identifying a fraudulent order
KR20170006355A (ko) * 2015-07-08 2017-01-18 주식회사 케이티 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
CN110348519A (zh) * 2019-07-12 2019-10-18 深圳众赢维融科技有限公司 金融产品欺诈团伙的识别方法和装置
CN111639653A (zh) * 2020-05-08 2020-09-08 浙江大华技术股份有限公司 一种误检图像确定方法、装置、设备和介质
CN111860369A (zh) * 2020-07-24 2020-10-30 河南中原消费金融股份有限公司 一种欺诈识别方法、装置以及存储介质
CN112528998A (zh) * 2021-02-18 2021-03-19 成都新希望金融信息有限公司 证件图像处理方法、装置、电子设备及可读存储介质
CN112906671A (zh) * 2021-04-08 2021-06-04 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
CN114049194A (zh) * 2021-11-04 2022-02-15 江苏苏宁银行股份有限公司 一种基于图片背景相似性的欺诈检测识别方法及设备
CN115063612A (zh) * 2022-05-27 2022-09-16 平安科技（深圳）有限公司 基于面审视频的欺诈预警方法、装置、设备及存储介质
CN115063861A (zh) * 2022-06-24 2022-09-16 深圳前海微众银行股份有限公司 模型训练方法、图像背景相似判断方法及装置
CN115223022A (zh) * 2022-09-15 2022-10-21 平安银行股份有限公司 一种图像处理方法、装置、存储介质及设备
CN115690672A (zh) * 2022-09-29 2023-02-03 招联消费金融有限公司 异常图像识别方法、装置、计算机设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LARS KOPPERS ET AL.: "Towards a Systematic Screening Tool for Quality Assurance and Semiautomatic Fraud Detection for Images in the Life Sciences", 《SCIENCE AND ENGINEERING ETHICS》 *
刘霞: "防视频欺骗的人脸活体检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》, no. 06 *
卢子谦 等: "人脸反欺诈活体检测综述", 《信息安全学报》, vol. 05, no. 02 *
孙霖 等: "人脸识别中视频回放假冒攻击的实时检测方法", 《电路与系统学报》, vol. 15, no. 02 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823451A (zh) * 2023-08-10 2023-09-29 杭银消费金融股份有限公司 一种信贷风险控制方法与系统
CN116823451B (zh) * 2023-08-10 2024-03-26 杭银消费金融股份有限公司 一种信贷风险控制方法与系统
CN117523369A (zh) * 2023-11-03 2024-02-06 长沙银行股份有限公司 一种基于图像技术的反欺诈系统及反欺诈方法

Also Published As

Publication number Publication date
CN116071089B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
CN116071089B (zh) 一种欺诈识别方法、装置、电子设备及存储介质
CN110020592B (zh) 物体检测模型训练方法、装置、计算机设备及存储介质
CN107153817B (zh) 行人重识别数据标注方法和装置
CN111476284A (zh) 图像识别模型训练及图像识别方法、装置、电子设备
CN109522908A (zh) 基于区域标签融合的图像显著性检测方法
CN112069929A (zh) 一种无监督行人重识别方法、装置、电子设备及存储介质
CN112270686B (zh) 图像分割模型训练、图像分割方法、装置及电子设备
CN107871314B (zh) 一种敏感图像鉴别方法和装置
CN110414376B (zh) 更新人脸识别模型的方法、人脸识别相机及服务器
CN113111880B (zh) 证件图像校正方法、装置、电子设备及存储介质
CN111461238A (zh) 模型训练方法、字符识别方法、装置、设备及存储介质
CN109635625B (zh) 智能身份核验方法、设备、存储介质及装置
CN112633159A (zh) 人-物交互关系识别方法、模型训练方法及对应装置
CN112270204A (zh) 目标识别方法及装置、存储介质及电子设备
CN110175500B (zh) 指静脉比对方法、装置、计算机设备及存储介质
CN114004289A (zh) 一种车辆损伤识别模型建立方法、损伤识别方法及装置
WO2022222036A1 (zh) 车位确定方法及装置
CN114037886A (zh) 图像识别方法、装置、电子设备和可读存储介质
CN115908831B (zh) 一种图像检测方法及装置
CN115018886B (zh) 运动轨迹识别方法、装置、设备及介质
CN116258748A (zh) 轨迹跟踪方法
CN110570490A (zh) 显著性图像生成方法及设备
CN115861595A (zh) 一种基于深度学习的多尺度域自适应异源图像匹配方法
CN113177479A (zh) 图像分类方法、装置、电子设备及存储介质
CN113762249A (zh) 图像攻击检测、图像攻击检测模型训练方法和装置

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