CN116342135A - 基于图像背景的防欺诈方法、装置、计算机设备 - Google Patents
基于图像背景的防欺诈方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN116342135A CN116342135A CN202310306483.7A CN202310306483A CN116342135A CN 116342135 A CN116342135 A CN 116342135A CN 202310306483 A CN202310306483 A CN 202310306483A CN 116342135 A CN116342135 A CN 116342135A
- Authority
- CN
- China
- Prior art keywords
- image
- background
- features
- picture
- processed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000002265 prevention Effects 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 27
- 230000008569 process Effects 0.000 description 6
- 230000001960 triggered effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Accounting & Taxation (AREA)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Computer Security & Cryptography (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像处理技术领域,可应用于金融领域中,特别是涉及到一种基于图像背景的防欺诈方法、装置、设备及介质,所述方法包括如下步骤:获取待处理图片;对所述待处理图片进行处理,获取背景图像;对所述背景图像进行特征提取,得到图像特征;基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片;若是,则判定存在欺诈风险,触发告警提醒。本申请依据背景图像的图像特征检索预设的图像信息库,以图像信息库中是否存在类似团伙欺诈的背景图像而判断是否存在欺诈风险,实现对欺诈情况的预先识别,有利于预防欺诈情况的发生,进而保障用户的财产安全。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及到一种基于图像背景的防欺诈方法、装置、计算机设备及存储介质。
背景技术
在金融领域中,随着时代的进步,科技的不断发展,人们从线下购物发展到线上购物,从到银行存取现金到手机银行,互联网正改变着我们的生活并带领我们走向更快捷、更简单的生活模式。然而,互联网在带给我们好处的同时,也存在很大的风险,一些不法分子通过网络诈骗等方式谋取利益,给人们的生活带来了困扰。目前,针对不法分子的欺诈行为,采取了相应的措施以解决当前困扰,具体表现为通过对人脸进行识别等方式实现对于用户的风险监控以及存在欺诈风险的分析,例如对人脸的多个点进行扫描,并且根据支付时拍摄到的人脸进行比对,从而判断这是否是本人在进行支付等。但随着诈骗方式层出不穷,现在的团伙欺诈作案已逐渐由原来的集中代操作转变为引导客户自己操作的方式,使得检测欺诈的难度大大提高。因此,如何提前识别出欺诈情况已经成为当前形势下亟待解决的问题。
发明内容
本申请的主要目的为提供一种基于图像背景的防欺诈方法、装置、计算机设备及存储介质,旨在提前识别出欺诈情况,有利于预防欺诈情况的发生,进而保障用户的财产安全。
为了实现上述发明目的,本申请提出一种基于图像背景的防欺诈方法,所述方法包括:
获取待处理图片;
对所述待处理图片进行处理,获取背景图像;
对所述背景图像进行特征提取,得到图像特征;
基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片;
若是,则判定存在欺诈风险,触发告警提醒。
进一步地,所述对所述待处理图片进行处理,获取背景图像,包括:
对所述待处理图片进行人像识别,确定所述待处理图片中的人像信息;
依据所述人像信息对所述待处理图片进行处理,获取背景图像。
进一步地,所述对所述背景图像进行特征提取,得到图像特征,包括:
将所述背景图像输入卷积神经网络,其中,所述卷积神经网络包括卷积层、下采样层、全连接层;
通过所述卷积层对所述背景图像进行特征提取,以获取初始图像特征;
通过所述下采样层对所述初始图像特征进行筛分,得到有效图像特征;
通过所述全连接层对所述有效图像特征进行激活及连接,得到所述背景图像的图像特征。
进一步地,所述基于所述图像特征遍历预设的图像信息库之前,还包括:
采集图像数据;
通过卷积神经网络提取所述图像数据的特征,得到图像特征数据;
对所述图像特征数据进行识别,确定所述图像特征数据的属性信息;
依据预设规则结合所述属性信息对所述图像特征数据进行聚类,得到多个子图像特征库;
根据所述多个子图像特征库构建图像信息库。
进一步地,所述基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片,包括:
基于所述图像特征遍历图像信息库中的第一图像特征库,获取第一图像特征;
计算所述图像特征和所述第一图像特征的第一相似度;
将所述第一相似度与第一预设阈值进行比较,判断所述第一相似度是否大于所述第一预设阈值;
若是,判定所述图像特征和所述第一图像特征相似,无需触发告警提醒。
进一步地,所述基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片,包括:
基于所述图像特征遍历图像信息库中的第二图像特征库,获取第二图像特征;
计算所述图像特征和所述第二图像特征的第二相似度;
将所述第二相似度与第二预设阈值进行比较,判断所述第二相似度是否大于所述第二预设阈值;
若是,判定所述图像特征与所述第二图像特征相似,需触发告警提醒。
进一步地,所述触发告警提醒之后,还包括:
接收所述告警提醒,并触发消息拦截指令;
基于所述消息拦截指令进行消息拦截。
本申请还提供一种基于图像背景的防欺诈装置,所述装置包括:
获取模块,用于获取待处理图片;
处理模块,用于对所述待处理图片进行处理,获取背景图像;
提取模块,用于对所述背景图像进行特征提取,得到图像特征;
判断模块,用于基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片;
告警模块,用于若是,则判定存在欺诈风险,触发告警提醒。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一项所述的基于图像背景的防欺诈方法的步骤。
本申请还提供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上述任一项所述的基于图像背景的防欺诈方法的步骤。
本申请例提供了一种基于图像背景的防欺诈方法,通过获取待处理图片,对所述待处理图片进行处理,获取背景图像,对所述背景图像进行特征提取,得到图像特征,基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片,若是,则判定存在欺诈风险,触发告警提醒,实现对欺诈情况的预先识别,有利于预防欺诈情况的发生,进而保障用户的财产安全。
附图说明
图1为本申请基于图像背景的防欺诈方法的一实施例流程示意图;
图2为本申请基于图像背景的防欺诈方法的另一实施例流程示意图;
图3为本申请基于图像背景的防欺诈方法的另一实施例流程示意图;
图4为本申请基于图像背景的防欺诈方法的另一实施例流程示意图;
图5为本申请基于图像背景的防欺诈方法的另一实施例流程示意图;
图6为本申请基于图像背景的防欺诈方法的另一实施例流程示意图;
图7为本申请基于图像背景的防欺诈方法的另一实施例流程示意图;
图8为本申请基于图像背景的防欺诈装置的一实施例结构示意图;
图9为本申请计算机设备的一实施例结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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。
参照图1,本申请实施例提供一种基于图像背景的防欺诈方法,包括步骤S10-S50,对于所述基于图像背景的防欺诈方法的各个步骤的详细阐述如下。
S10、获取待处理图片。
本实施例应用于金融领域,具体的,当用户于智能终端进行账号注册或需要发起转账、汇款等操作时,通过前置摄像头采集当前的图像,所述图像中包括所述用户的人像信息和当前环境信息等,所述图像即为待处理图片。获取所述待处理图片,为后续进行图片处理及判断提供有效依据。
S20、对所述待处理图片进行处理,获取背景图像。
本实施例中,在获取待处理图片之后,对所述待处理图片进行处理,获取背景图像。具体的,对所述待处理图片进行人像识别,确定所述待处理图片中的人像信息,并对人像的位置信息进行标记,然后依据所述人像的位置信息对所述待处理图片进行抠图,以获取背景图像。对所述待处理图片进行处理,进而获取背景图像的方式,为后续提取所述背景图像的特征提供有效依据。
S30、对所述背景图像进行特征提取,得到图像特征。
本实施例中,在对所述待处理图片进行处理,获取背景图像之后,对所述背景图像进行特征提取,得到图像特征。具体的,将所述背景图像输入卷积神经网络,通过所述卷积神经网络中的卷积层、下采样层、全连接层依次对所述背景图像进行特征提取、无效特征滤除及特征激活、连接等操作,进而得到所述背景图像的图像特征。所述图像特征的获取为后续依据所述图像特征进行防欺诈风险判断提供有效依据。
S40、基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片。
本实施例中,在对所述背景图像进行特征提取,得到图像特征之后,基于所述图像特征遍历预设的图像信息库中的第一图像特征库和第二图像特征库,并判断是否存在相似图片。具体的,首先,基于所述图像特征遍历图像信息库中的第一图像特征库,获取第一图像特征,计算所述图像特征和所述第一图像特征的第一相似度,并将所述第一相似度与第一预设阈值进行比较,判断所述第一相似度是否大于所述第一预设阈值,若是,判定所述图像特征和所述第一图像特征相似,即待处理图片属于白名单图片,不存在欺诈风险,无需触发告警提醒,此时,无需再根据所述图像特征遍历图像信息库中的第二图像特征库。但若所述第一相似度小于所述第一预设阈值,则判定所述图像特征和所述第一图像特征不相似,即待处理图片可能为黑名单图片,存在欺诈风险;为防止误判,此时,再基于所述图像特征遍历所述图像信息库中的第二图像特征库,获取第二图像特征,并计算所述图像特征和所述第二图像特征的第二相似度,将所述第二相似度与第二预设阈值进行比较,判断所述第二相似度是否大于所述第二预设阈值,若是,判定所述图像特征与所述第二图像特征相似,即待处理图片为黑名单图片,存在欺诈风险,需触发告警提醒。基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片,进而确定是否存在欺诈风险,有利于规避欺诈情况,进而保障用户财产安全。
S50、若是,则判定存在欺诈风险,触发告警提醒。
本实施例中,在基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片之后,若存在相似黑名单图片,则判定所述待处理图片对应的场景中存在欺诈风险,进而触发告警提醒,以提醒用户对欺诈情况进行规避,进而保障用户财产安全;此时,若用户已向欺诈团伙发送个人信息或是正在进行转账、汇款,还触发消息拦截指令,以拦截发送的个人信息或转账或汇款等,进而保护用户的个人信息和财产安全。
本实施例提供了一种基于图像背景的防欺诈方法,通过获取待处理图片,对所述待处理图片进行处理,获取背景图像,对所述背景图像进行特征提取,得到图像特征,基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片,若是,则判定存在欺诈风险,触发告警提醒,实现对欺诈情况的预先识别,有利于预防欺诈情况的发生,进而保障用户的财产安全。
参照图2,在一个实施例中,所述对所述待处理图片进行处理,获取背景图像,包括以下步骤S21-S22:
S21、对所述待处理图片进行人像识别,确定所述待处理图片中的人像信息;
S22、依据所述人像信息对所述待处理图片进行处理,获取背景图像。
本实施例中,对待处理图片进行人像识别,并标记出图片中人像的坐标位置,及准确预测出人像与背景交界处之间的不透明度,进而确定所述待处理图像中的人像信息,依据所述人像信息对所述待处理图片进行处理,其中,以所述人像信息约束前景人像和背景区域的分割过程,得到单独的人像图像和背景图像。获取背景图像为后续进行图像特征提取提供有效依据。
参照图3,在一个实施例中,所述对所述背景图像进行特征提取,得到图像特征,包括以下步骤S31-S34:
S31、将所述背景图像输入卷积神经网络,其中,所述卷积神经网络包括卷积层、下采样层、全连接层;
S32、通过所述卷积层对所述背景图像进行特征提取,以获取初始图像特征;
S33、通过所述下采样层对所述初始图像特征进行筛分,得到有效图像特征;
S34、通过所述全连接层对所述有效图像特征进行激活及连接,得到所述背景图像的图像特征。
本实施例中,卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representationlearning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification),因此也被称为平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)。所述卷积神经网络包括卷积层、下采样层、全连接层,通过所述卷积层提取所述背景图像中的特征;在所述下采样层中将尺寸较大的特征图缩放成尺寸较小的特征图,使高层特征图获得更大的感受野,并滤除无效特征,仅保留输入特征图的主要的特征,进而降低后续功能层运算的复杂性及避免出现过拟合现象;在所述全链接层中将所述特征进行激活、连接,得到所述背景图像的图像特征。获取所述图像特征为后续依据所述图像特征遍历预设的图像信息库提供有效依据。
参考图4,在一个实施例中,所述基于所述图像特征遍历预设的图像信息库之前,还包括以下步骤S41-S45:
S41、采集图像数据;
S42、通过卷积神经网络提取所述图像数据的特征,得到图像特征数据;
S43、对所述图像特征数据进行识别,确定所述图像特征数据的属性信息;
S44、依据预设规则结合所述属性信息对所述图像特征数据进行聚类,得到多个子图像特征库;
S45、根据所述多个子图像特征库构建图像信息库。
本实施例中,于第三方公开网站或通过摄像头采集图像数据,所述图像数据中包含多张图像,通过卷积神经网络对所述图像数据进行批量特征提取,得到图像特征数据,依次对所述图像特征数据中的每一个图像特征进行识别,以确定所述每一个图像特征的属性信息,将预设的关键词与图像特征进行适配,使得所述关键词成为图像特征的标签,其中,所述关键词为依据图像的属性信息预先设置,所述关键词为多个;进而获取每一个图像特征均存在对应关键词的图像特征数据,依据预设规则结合所述属性信息对所述图像特征数据进行聚类,得到多个子图像特征库,其中,所述多个子图像特征库优选为两个图像特征库,即第一图像特征库和第二图像特征库,所述第一图像特征库为不存在欺诈风险的白名单图像特征数据库,所述第二图像特征库为存在欺诈风险的黑名单图像特征数据库;所述预设规则为存在白名单图像的筛选特征和黑名单图像的筛选特征的筛选规则;依据所述第一图像特征库和所述第二图像特征库生成图像信息库。当所述白名单图像特征或所述黑名单图像特征更新时,对应的所述图像信息库进行同步更新,使得所述图像信息库始终与更新的图像信息保持一致,以保证所述图像信息库的全面性。构建所述图像信息库为后续依据图像特征查询所述图像信息库,及判断是否存在欺诈风险提供有效依据。
参照图5,在一个实施例中,所述基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片,包括以下步骤S451-S454:
S451、基于所述图像特征遍历图像信息库中的第一图像特征库,获取第一图像特征;
S452、计算所述图像特征和所述第一图像特征的第一相似度;
S453、将所述第一相似度与第一预设阈值进行比较,以判断所述第一相似度是否大于所述第一预设阈值;
S454、若是,判定所述图像特征和所述第一图像特征相似,无需触发告警提醒。
本实施例中,基于所述图像特征遍历所述图像信息库中的第一图像特征库,所述第一图像特征库为白名单图像特征库,获取第一图像特征,所述第一图像特征为与所述图像特征存在属性相似或类型相同或存在映射关系的图像特征;计算所述图像特征和所述第一图像特征的第一相似度,其中,所述第一相似度的计算可采用任意计算相似度方法的进行计算;将所述第一相似度与第一预设阈值进行比较,并判断所述第一相似度是否大于所述第一预设阈值,若所述第一相似度小于所述第一预设阈值,则判定所述图像特征和所述第一图像特征不相似,即待处理图片可能为黑名单图片,存在欺诈风险;若所述第一相似度大于所述第一预设阈值,则判定所述图像特征和所述第一图像特征相似,即待处理图片为白名单图片,不存在欺诈风险。基于所述图像特征遍历预设的图像信息库中的第一图像特征库,并判断是否存在相似图片,进而确定是否存在欺诈风险,有利于规避欺诈情况,进而保障用户财产安全。
参照图6,在一个实施例中,所述基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片,包括以下步骤S4541-S4544:
S4541、基于所述图像特征遍历图像信息库中的第二图像特征库,获取第二图像特征;
S4542、计算所述图像特征和所述第二图像特征的第二相似度;
S4543、将所述第二相似度与第二预设阈值进行比较,判断所述第二相似度是否大于所述第二预设阈值;
S4544、若是,判定所述图像特征与所述第二图像特征相似,需触发告警提醒。
本实施例中,在第一相似度小于第一预设阈值时,待处理图片可能为黑名单图片,存在欺诈风险;为防止对欺诈风险的误判,此时,再基于所述图像特征遍历所述图像信息库中的第二图像特征库,所述第二图像特征库为黑名单图像特征库,获取第二图像特征,所述第二图像特征为与所述图像特征存在属性相似或类型相同或存在映射关系的图像特征;计算所述图像特征和所述第二图像特征的第二相似度,其中,所述第二相似度的计算可采用任意计算相似度方法的进行计算,将所述第二相似度与第二预设阈值进行比较,并判断所述第二相似度是否大于所述第二预设阈值,若所述第二相似度小于所述第二预设阈值,则判定所述图像特征与所述第二图像特征不相似,即待处理图片并非为黑名单图片,不存在欺诈风险;若所述第二相似度大于所述第二预设阈值,则判定所述图像特征与所述第二图像特征相似,即待处理图片为黑名单图片,存在欺诈风险。基于所述图像特征遍历预设的图像信息库中的第二图像特征库,并判断是否存在相似图片,进而确定是否存在欺诈风险,有利于规避欺诈情况,进而保障用户财产安全。
参照图7,在一个实施例中,所述触发告警提醒之后,还包括以下步骤S51-S52:
S51、接收所述告警提醒,并触发消息拦截指令;
S52、基于所述消息拦截指令进行消息拦截。
本实施例中,在触发告警提醒之后,还触发消息拦截指令,基于所述消息拦截指令进行消息拦截,以中断消息传输,其中,所述消息拦截方式可为请求拦截和/或响应拦截,所述请求拦截为在传输消息时,在消息到达服务器之前对需传输的消息进行拦截,进而中断消息的传输;所述响应拦截为消息已到达服务器,但未到达客户端,此时对传输消息进行拦截,以中断消息的传输;所述消息拦截可通过拦截器或拦截代码或Filter(筛选)过滤器进行消息拦截,以中断消息传输,进而避免信息泄露及保证用户的财产安全。
参照图8,本申请提供一种基于图像背景的防欺诈装置,所述装置包括:
获取模块10,用于获取待处理图片;
处理模块20,用于对所述待处理图片进行处理,获取背景图像;
提取模块30,用于对所述背景图像进行特征提取,得到图像特征;
判断模块40,用于基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片;
告警模块50,用于若是,则判定存在欺诈风险,触发告警提醒。
如上所述,可以理解地,本申请中提出的所述的基于图像背景的防欺诈装置的各组成部分可以实现如上所述的基于图像背景的防欺诈方法任一项的功能。
在一个实施例中,所述处理模块20还用于执行:
对所述待处理图片进行人像识别,确定所述待处理图片中的人像信息;
依据所述人像信息对所述待处理图片进行处理,获取背景图像。
在一个实施例中,所述提取模块30还用于执行:
将所述背景图像输入卷积神经网络,其中,所述卷积神经网络包括卷积层、下采样层、全连接层;
通过所述卷积层对所述背景图像进行特征提取,以获取初始图像特征;
通过所述下采样层对所述初始图像特征进行筛分,得到有效图像特征;
通过所述全连接层对所述有效图像特征进行激活及连接,得到所述背景图像的图像特征。
在一个实施例中,所述判断模块40还用于执行:
采集图像数据;
通过卷积神经网络提取所述图像数据的特征,得到图像特征数据;
对所述图像特征数据进行识别,确定所述图像特征数据的属性信息;
依据预设规则结合所述属性信息对所述图像特征数据进行聚类,得到多个子图像特征库;
根据所述多个子图像特征库构建图像信息库。
在一个实施例中,所述判断模块40还用于执行:
基于所述图像特征遍历图像信息库中的第一图像特征库,获取第一图像特征;
计算所述图像特征和所述第一图像特征的第一相似度;
将所述第一相似度与第一预设阈值进行比较,判断所述第一相似度是否大于所述第一预设阈值;
若是,判定所述图像特征和所述第一图像特征相似,无需触发告警提醒。
在一个实施例中,所述判断模块40还用于执行:
基于所述图像特征遍历图像信息库中的第二图像特征库,获取第二图像特征;
计算所述图像特征和所述第二图像特征的第二相似度;
将所述第二相似度与第二预设阈值进行比较,判断所述第二相似度是否大于所述第二预设阈值;
若是,判定所述图像特征与所述第二图像特征相似,需触发告警提醒。
在一个实施例中,所述告警模块50还用于执行:
接收所述告警提醒,并触发消息拦截指令;
基于所述消息拦截指令进行消息拦截。
参照图9本申请实施例中还提供一种计算机设备,该计算机设备的内部结构可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和显示装置及输入装置。其中,该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的显示装置用于显示交互页面。该计算机设备的输入装置用于接收用户的输入。该计算机设备设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质。该非易失性存储介质存储有操作系统、计算机程序和数据库。该计算机设备的数据库用于存放原始数据。该计算机程序被处理器执行时以实现一种基于图像背景的防欺诈方法。
上述处理器执行上述的基于图像背景的防欺诈方法,包括:获取待处理图片;对所述待处理图片进行处理,获取背景图像;对所述背景图像进行特征提取,得到图像特征;基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片;若是,则判定存在欺诈风险,触发告警提醒。所述计算机提供了一种基于图像背景的防欺诈方法,通过获取待处理图片,对所述待处理图片进行处理,获取背景图像,对所述背景图像进行特征提取,得到图像特征,基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片,若是,则判定存在欺诈风险,触发告警提醒,实现对欺诈情况的预先识别,有利于预防欺诈情况的发生,进而保障用户的财产安全。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被所述处理器执行时实现一种基于图像背景的防欺诈方法,包括步骤:获取待处理图片;对所述待处理图片进行处理,获取背景图像;对所述背景图像进行特征提取,得到图像特征;基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片;若是,则判定存在欺诈风险,触发告警提醒。所述计算机可读存储介质提供了一种基于图像背景的防欺诈方法,通过获取待处理图片,对所述待处理图片进行处理,获取背景图像,对所述背景图像进行特征提取,得到图像特征,基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片,若是,则判定存在欺诈风险,触发告警提醒,实现对欺诈情况的预先识别,有利于预防欺诈情况的发生,进而保障用户的财产安全。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于图像背景的防欺诈方法,其特征在于,所述方法包括:
获取待处理图片;
对所述待处理图片进行处理,获取背景图像;
对所述背景图像进行特征提取,得到图像特征;
基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片;
若是,则判定存在欺诈风险,触发告警提醒。
2.根据权利要求1所述的基于图像背景的防欺诈方法,其特征在于,所述对所述待处理图片进行处理,获取背景图像,包括:
对所述待处理图片进行人像识别,确定所述待处理图片中的人像信息;
依据所述人像信息对所述待处理图片进行处理,获取背景图像。
3.根据权利要求1所述的基于图像背景的防欺诈方法,其特征在于,所述对所述背景图像进行特征提取,得到图像特征,包括:
将所述背景图像输入卷积神经网络,其中,所述卷积神经网络包括卷积层、下采样层、全连接层;
通过所述卷积层对所述背景图像进行特征提取,以获取初始图像特征;
通过所述下采样层对所述初始图像特征进行筛分,得到有效图像特征;
通过所述全连接层对所述有效图像特征进行激活及连接,得到所述背景图像的图像特征。
4.根据权利要求1所述的基于图像背景的防欺诈方法,其特征在于,所述基于所述图像特征遍历预设的图像信息库之前,还包括:
采集图像数据;
通过卷积神经网络提取所述图像数据的特征,得到图像特征数据;
对所述图像特征数据进行识别,确定所述图像特征数据的属性信息;
依据预设规则结合所述属性信息对所述图像特征数据进行聚类,得到多个子图像特征库;
根据所述多个子图像特征库构建图像信息库。
5.根据权利要求4所述的基于图像背景的防欺诈方法,其特征在于,所述基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片,包括:
基于所述图像特征遍历图像信息库中的第一图像特征库,获取第一图像特征;
计算所述图像特征和所述第一图像特征的第一相似度;
将所述第一相似度与第一预设阈值进行比较,判断所述第一相似度是否大于所述第一预设阈值;
若是,判定所述图像特征和所述第一图像特征相似,无需触发告警提醒。
6.根据权利要求4所述的基于图像背景的防欺诈方法,其特征在于,所述基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片,包括:
基于所述图像特征遍历图像信息库中的第二图像特征库,获取第二图像特征;
计算所述图像特征和所述第二图像特征的第二相似度;
将所述第二相似度与第二预设阈值进行比较,判断所述第二相似度是否大于所述第二预设阈值;
若是,判定所述图像特征与所述第二图像特征相似,需触发告警提醒。
7.根据权利要求1所述的基于图像背景的防欺诈方法,其特征在于,所述触发告警提醒之后,还包括:
接收所述告警提醒,并触发消息拦截指令;
基于所述消息拦截指令进行消息拦截。
8.一种基于图像背景的防欺诈装置,其特征在于,所述装置包括:
获取模块,用于获取待处理图片;
处理模块,用于对所述待处理图片进行处理,获取背景图像;
提取模块,用于对所述背景图像进行特征提取,得到图像特征;
判断模块,用于基于所述图像特征遍历预设的图像信息库,并判断是否存在相似图片;
告警模块,用于若是,则判定存在欺诈风险,触发告警提醒。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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中任一项所述的基于图像背景的防欺诈方法的步骤。
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至7中任一项所述的基于图像背景的防欺诈方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310306483.7A CN116342135A (zh) | 2023-03-21 | 2023-03-21 | 基于图像背景的防欺诈方法、装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310306483.7A CN116342135A (zh) | 2023-03-21 | 2023-03-21 | 基于图像背景的防欺诈方法、装置、计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116342135A true CN116342135A (zh) | 2023-06-27 |
Family
ID=86883506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310306483.7A Pending CN116342135A (zh) | 2023-03-21 | 2023-03-21 | 基于图像背景的防欺诈方法、装置、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342135A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523683A (zh) * | 2024-01-05 | 2024-02-06 | 湖北微模式科技发展有限公司 | 一种基于生物特征识别的欺诈视频检测方法 |
-
2023
- 2023-03-21 CN CN202310306483.7A patent/CN116342135A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523683A (zh) * | 2024-01-05 | 2024-02-06 | 湖北微模式科技发展有限公司 | 一种基于生物特征识别的欺诈视频检测方法 |
CN117523683B (zh) * | 2024-01-05 | 2024-03-29 | 湖北微模式科技发展有限公司 | 一种基于生物特征识别的欺诈视频检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569721B (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
WO2019134246A1 (zh) | 基于人脸识别的安全监控方法、装置及存储介质 | |
CN111191539B (zh) | 证件真伪验证方法、装置、计算机设备和存储介质 | |
US10817705B2 (en) | Method, apparatus, and system for resource transfer | |
EP2336949B1 (en) | Apparatus and method for registering plurality of facial images for face recognition | |
CN113366487A (zh) | 基于表情组别的操作确定方法、装置及电子设备 | |
US11501301B2 (en) | Transaction terminal fraud processing | |
CN111274947B (zh) | 一种多任务多线索人脸识别方法、系统及存储介质 | |
KR20190122206A (ko) | 신분 인증 방법 및 장치, 전자 기기, 컴퓨터 프로그램 및 저장 매체 | |
CN116342135A (zh) | 基于图像背景的防欺诈方法、装置、计算机设备 | |
CN110795980A (zh) | 基于网络视频的逃犯识别方法、设备、存储介质及装置 | |
CN114282258A (zh) | 截屏数据脱敏方法、装置、计算机设备及存储介质 | |
CN116259085A (zh) | 基于一码原则对应场景当面防伪认证人脸识别系统 | |
KR102240495B1 (ko) | 신분 인증 부정 사용자 차등 관리 방법 및 서버 | |
CN108875467B (zh) | 活体检测的方法、装置及计算机存储介质 | |
KR102586559B1 (ko) | 금융자동화기기 및 이의 제어방법, 금융자동화시스템 | |
CN114387496A (zh) | 一种目标检测方法和电子设备 | |
CN113902942A (zh) | 一种基于多模态特征的同质用户群组发掘方法 | |
Kalmani | Application of Computer Vision for Multi-Layered Security to ATM Machine using Deep Learning Concept | |
KR102579610B1 (ko) | Atm 이상행동감지 장치 및 그 장치의 구동방법 | |
KR102513075B1 (ko) | 신경망을 이용한 신분증 도용 탐지 서버 및 방법 | |
RU2815689C1 (ru) | Способ, терминал и система для биометрической идентификации | |
CN113780216B (zh) | 无感考勤方法、装置、计算机设备及存储介质 | |
US20240185635A1 (en) | Method and system for detection of a fraudulent action using face database search and retrieval | |
US20230033687A1 (en) | Information processing system, information processing method, and storage medium for eye gaze based liveness detection |
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 |