CN117670354A - 对象验证方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种对象验证方法、装置、电子设备及存储介质，该对象验证方法通过获取目标终端采集的样本生物特征图像，可以对目标对象进行初步验证，接着，根据第一验证信息对目标对象进行验证，可以达到对目标对象的加验效果；并且，通过获取各个参考生物特征图像对应的参考对象的对象属性信息，根据对象属性信息确定多个参考对象之间的对象关系，根据所述对象关系对所述目标对象进行异常检测，得到第一异常检测结果，可以根据第一异常检测结果匹配对应的验证信息的类型，提升验证信息的采集合理性，从而进一步提升对象验证的准确性和可靠性，可广泛应用于云技术、支付、区块链等技术领域。

Description

对象验证方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种对象验证方法、装置、电子设备及存储介质。

背景技术

随着计算机技术的快速发展，利用生物特征进行快捷交易变得越来越普及，生物特征在快捷交易中的主要作用是对交易发起对象进行验证。然而，在利用生物特征进行快捷交易时，由于不同对象的生物特征可能存在相似的情况，因此，在对交易发起对象进行验证时，若存在与交易发起对象的生物特征相似的其他对象，容易出现误验证的情况，从而影响交易发起对象的验证结果的准确性和可靠性。

发明内容

以下是对本申请详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本申请实施例提供了一种对象验证方法、装置、电子设备及存储介质，能够提升对象验证的准确性和可靠性。

一方面，本申请实施例提供了一种对象验证方法，包括：

获取目标终端采集的目标对象的样本生物特征图像，从预设的数据库中确定与所述样本生物特征图像相似的参考生物特征图像；

当所述参考生物特征图像的数量为多个，获取各个所述参考生物特征图像对应的参考对象的对象属性信息；

根据所述对象属性信息确定多个所述参考对象之间的对象关系，根据所述对象关系对所述目标对象进行异常检测，得到第一异常检测结果，其中，所述第一异常检测结果用于指示所述目标终端对所述目标对象进行验证信息采集后得到的验证信息的类型；

获取所述目标终端基于所述第一异常检测结果采集的第一验证信息，根据所述第一验证信息对所述目标对象进行验证。

另一方面，本申请实施例提供了一种对象验证装置，包括：

图像匹配模块，用于获取目标终端采集的目标对象的样本生物特征图像，从预设的数据库中确定与所述样本生物特征图像相似的参考生物特征图像；

信息获取模块，用于当所述参考生物特征图像的数量为多个，获取各个所述参考生物特征图像对应的参考对象的对象属性信息；

异常检测模块，用于根据所述对象属性信息确定多个所述参考对象之间的对象关系，根据所述对象关系对所述目标对象进行异常检测，得到第一异常检测结果，其中，所述第一异常检测结果用于指示所述目标终端对所述目标对象进行验证信息采集后得到的验证信息的类型；

验证模块，用于获取所述目标终端基于所述第一异常检测结果采集的第一验证信息，根据所述第一验证信息对所述目标对象进行验证。

进一步，所述样本生物特征图像包括样本脸部图像，所述参考生物特征图像包括参考脸部图像，上述图像匹配模块具体用于：

获取目标终端采集的目标对象在多个模态下的所述样本脸部图像；

从预设数据库中确定与对应模态下的所述样本脸部图像相似的参考图像集合，根据多个所述参考图像集合之间的交集得到所述参考脸部图像。

进一步，多个模态下的所述样本脸部图像包括彩色脸部图像、红外脸部图像和深度脸部图像，上述图像匹配模块具体用于：

从预设的彩色图像数据库中确定与所述彩色脸部图像相似的第一参考图像集合，从预设的红外图像数据库中确定与所述红外脸部图像相似的第二参考图像集合，从预设的深度图像数据库中确定与所述深度脸部图像相似的第三参考图像集合；

根据所述第一参考图像集合、所述第二参考图像集合以及所述第三参考图像集合之间的交集，得到所述参考脸部图像。

进一步，上述信息获取模块具体用于：

获取各个所述参考生物特征图像对应的参考对象的参考交易数据，根据所述参考交易数据从多个所述参考生物特征图像中筛选出候选生物特征图像；

获取所述候选生物特征图像对应的所述参考对象的对象属性信息。

进一步，上述信息获取模块具体用于：

从所述参考交易数据中提取出历史交易位置，将所述历史交易位置位于同一个预设区域的所述参考对象对应的所述参考生物特征图像，确定为候选生物特征图像；

或者，从所述参考交易数据中提取出历史交易环境，将所述历史交易环境相同的所述参考对象对应的所述参考生物特征图像，确定为候选生物特征图像；

或者，从所述参考交易数据中提取出与其余的所述参考对象之间的历史交易频次，将所述历史交易频次大于或者等于第一频次阈值的所述参考对象对应的所述参考生物特征图像，确定为候选生物特征图像；

或者，从所述参考交易数据中提取出账号历史交易关联关系，将存在所述账号历史交易关联关系的所述参考对象对应的所述参考生物特征图像，确定为候选生物特征图像。

进一步，所述第一异常检测结果包括信息类型标识，上述异常检测模块具体用于：

根据所述对象属性信息之间的相似性确定对象关系标识，其中，所述对象关系标识用于指示多个所述参考对象之间的对象关系；

根据所述对象关系标识从多个预设的信息类型标识中匹配得到所述信息类型标识。

进一步，上述验证模块具体用于：

根据所述第一验证信息从多个所述参考生物特征图像中确定目标生物特征图像；

确定所述目标生物特征图像对应的所述参考对象的参考对象标识，将所述参考对象标识作为所述目标对象的目标对象标识。

进一步，上述异常检测模块还用于：

根据所述目标对象标识获取所述目标对象的目标交易数据，根据所述目标交易数据对所述目标对象进行异常检测，得到第二异常检测结果，其中，所述第二异常检测结果用于指示所述目标终端对所述目标对象进行验证信息采集后得到的验证信息的类型；

上述验证模块还用于：

获取所述目标终端基于所述第二异常检测结果采集的第二验证信息，根据所述第二验证信息再次对所述目标对象进行验证。

进一步，上述异常检测模块具体用于：

获取多个不同检测维度的第一检测模型，将所述目标交易数据输入至各个所述第一检测模型，对所述目标对象进行异常检测，得到各个所述第一检测模型的第一模型检测结果；

将多个所述第一模型检测结果进行加权处理，得到第二异常检测结果。

进一步，多个不同检测维度的所述第一检测模型包括账号丢失检测模型、账号异地跳变检测模型、对象一致性检测模型和账号被击检测模型，上述异常检测模块具体用于：

从所述目标交易数据中提取出历史操作记录，输入至所述账号丢失检测模型；

从所述目标交易数据中提取出所述历史操作记录和当前交易位置，输入至所述账号异地跳变检测模型；

从所述目标交易数据中提取出所述历史操作记录和账号认证记录，输入至所述对象一致性检测模型；

从所述目标交易数据中提取出所述历史操作记录和当前操作记录，输入至所述账号被击检测模型。

进一步，上述异常检测模块还用于：

当所述第二异常检测结果指示所述目标对象正常，或者所述目标对象验证通过，执行所述目标对象当前的交易请求；

获取多个不同检测维度的第二检测模型，将所述目标交易数据输入至各个所述第二检测模型，对所述目标对象进行异常检测，得到各个所述第二检测模型的第二模型检测结果；

当所述第二模型检测结果指示所述目标对象存在异常，调整所述第一检测模型的参数。

进一步，上述异常检测模块具体用于：

从所述目标交易数据中提取出在预设时间范围内的当前交易频次，当所述当前交易频次大于或者等于第二频次阈值，确定所述目标对象的异常检测结果为交易频次异常；

或者，从所述目标交易数据中提取出在预设时间范围内的当前交易额度，当所述当前交易额度大于或者等于额度阈值，确定所述目标对象的异常检测结果为交易额度异常；

或者，从所述目标交易数据中提取出当前交易环境和历史交易环境，当所述当前交易环境与所述历史交易环境不相同，确定所述目标对象的异常检测结果为交易环境异常；

或者，从所述目标交易数据中提取出当前意图标签，当所述当前意图标签与预设的异常意图标签相匹配，确定所述目标对象的异常检测结果为交易意图异常。

另一方面，本申请实施例还提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的对象验证方法。

另一方面，本申请实施例还提供了一种计算机可读存储介质，所述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实现上述的对象验证方法。

另一方面，本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在计算机可读存介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序，处理器执行该计算机程序，使得该计算机设备执行实现上述的对象验证方法。

本申请实施例至少包括以下有益效果：通过获取目标终端采集的样本生物特征图像，从预设的数据库中确定与样本生物特征图像相似的参考生物特征图像，可以对目标对象进行初步验证，接着，当从数据库中确定得到的参考生物特征图像的数量为多个时，通过获取目标终端基于第一异常检测结果采集的第一验证信息，进而根据第一验证信息对目标对象进行验证，可以达到对目标对象的加验效果，即使从数据库中确定得到的参考生物特征图像的数量为多个时，也能提升对象验证的准确性和可靠性；并且，通过获取各个参考生物特征图像对应的参考对象的对象属性信息，根据对象属性信息确定多个参考对象之间的对象关系，根据所述对象关系对所述目标对象进行异常检测，得到第一异常检测结果，可以根据第一异常检测结果匹配对应的验证信息的类型，提升验证信息的采集合理性，从而进一步提升对象验证的准确性和可靠性。

本申请的其他特征和优点将在随后的说明书中阐述，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而了解。

附图说明

附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。

图1为本申请实施例提供的一种可选的实施环境的示意图；

图2为本申请实施例提供的对象验证方法一种可选的流程示意图；

图3为本申请实施例提供的从数据库中匹配出与参考生物特征图的一种可选的流程示意图；

图4为本申请实施例提供的IOT终端获取第一验证信息的一种可选的流程示意图；

图5为本申请实施例提供的确定样本脸部图像相似的参考脸部图像的一种可选的流程示意图；

图6为本申请实施例提供的确定多个参考对象之间的对象关系的一种可选的流程示意图；

图7为本申请实施例提供的根据目标交易数据对目标对象进行异常检测的一种可选的流程示意图；

图8为本申请实施例提供的对象验证方法的一种可选的总体架构示意图；

图9为本申请实施例提供的交易数据的一种可选的架构示意图；

图10为本申请实施例提供的对象验证方法的一种可选的总体流程示意图；

图11为本申请实施例提供的对象验证方法的一种可选的交互流程示意图；

图12为本申请实施例提供的对象验证装置的一种可选的结构示意图；

图13为本申请实施例提供的服务器的部分结构框图。

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，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据目标对象属性信息或属性信息集合等与目标对象特性相关的数据进行相关处理时，都会先获得目标对象的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准其中，目标对象可以是用户。此外，当本申请实施例需要获取目标对象属性信息时，会通过弹窗或者跳转到确认页面等方式获得目标对象的单独许可或者单独同意，在明确获得目标对象的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的目标对象相关数据。

为便于理解本申请实施例提供的技术方案，这里先对本申请实施例使用的一些关键名词进行解释：

区块链(Blockchain)：是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。区块链底层平台可以包括用户管理、基础服务以及智能合约等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能。平台产品服务层提供典型应用的基本能力和实现框架，开发人员可以基于这些基本能力，叠加业务的特性，完成业务逻辑的区块链实现。应用服务层提供基于区块链方案的应用服务给业务参与方进行使用。

目前，在利用生物特征进行快捷交易时，不同对象的生物特征可能存在相似的情况，例如双胞胎、兄弟姐妹和脸部相似的对象等等。因此，在对交易发起对象进行验证时，若存在与交易发起对象的生物特征相似的其他对象，容易出现误验证的情况，从而影响交易发起对象的验证结果的准确性和可靠性。

相关技术中，一般的解决方式是聚焦的是提升生物特征比对的精细化程度，例如，可以采集交易发起对象多个不同角度的生物特征图像，通过采集到的多帧生物特征图像进行对比，进而提升比对的精细化程度，然而，若生物特征的相似程度较高时，这种验证方式的准确性和可靠性仍有待提高。

基于此，本申请实施例提供了一种对象验证方法、装置、电子设备及存储介质，能够提升对象验证的准确性和可靠性。

参照图1，图1为本申请实施例提供的一种可选的实施环境的示意图，该实施环境包括终端101和服务器102，其中，终端101和服务器102之间通过通信网络连接。

服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。另外，服务器102还可以是区块链网络中的一个节点服务器。

终端101可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、车载终端等，但并不局限于此。终端101以及服务器102可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例在此不做限制。

示例性地，终端101可以采集目标对象的样本生物特征图像，将样本生物特征图像发送至服务器102；服务器102获取了终端101采集的目标对象的样本生物特征图像后，从预设的数据库中确定与样本生物特征图像相似的参考生物特征图像当参考生物特征图像的数量为多个，获取各个参考生物特征图像对应的参考对象的对象属性信息，根据对象属性信息确定多个参考对象之间的对象关系，根据对象关系对目标对象进行异常检测，得到第一异常检测结果，将第一异常检测结果通知终端101；终端101基于第一异常检测结果采集目标对象的第一验证信息，将第一验证信息发送至服务器102；服务器102获取终端101基于第一异常检测结果采集的第一验证信息，根据第一验证信息对目标对象进行验证。通过获取终端101采集的样本生物特征图像，从预设的数据库中确定与样本生物特征图像相似的参考生物特征图像，可以对目标对象进行初步验证，接着，当从数据库中确定得到的参考生物特征图像的数量为多个时，通过获取终端101基于第一异常检测结果采集的第一验证信息，进而根据第一验证信息对目标对象进行验证，可以达到对目标对象的加验效果，即使从数据库中确定得到的参考生物特征图像的数量为多个时，也能提升对象验证的准确性和可靠性；并且，通过获取各个参考生物特征图像对应的参考对象的对象属性信息，根据对象属性信息确定多个参考对象之间的对象关系，根据对象关系对目标对象进行异常检测，得到第一异常检测结果，可以根据第一异常检测结果匹配对应的验证信息的类型，提升验证信息的采集合理性，从而进一步提升对象验证的准确性和可靠性。

本申请实施例提供的方法可应用于各种技术领域，包括但不限于云技术、支付、区块链等技术领域。

参照图2，图2为本申请实施例提供的对象验证方法一种可选的流程示意图，该对象验证方法可以由服务器执行，该对象验证方法包括但不限于以下步骤201至步骤204。

步骤201：获取目标终端采集的目标对象的样本生物特征图像，从预设的数据库中确定与样本生物特征图像相似的参考生物特征图像。

在一种可能的实现方式中，目标对象可以是发起交易的用户，具体的交易场景可以是购物结算场景、医疗结算场景等等。目标终端可以是支付设备，例如IOT(Internet OfThings，物联网)设备、POS机等等。目标终端设置有生物特征图像采集模块，生物特征图像可以是脸部图像、指纹图像或者虹膜图像等等，当生物特征图像为脸部图像时，生物特征图像采集模块可以是摄像头；当生物特征图像为指纹图像时，生物特征图像采集模块可以是指纹识别模块；当生物特征图像为虹膜图像时，生物特征图像采集模块可以是虹膜识别模块。样本生物特征图像为目标对象发起当前交易时目标终端采集的图像，当目标对象通过目标终端发起交易时，目标终端调用对应的生物特征图像采集模块采集目标对象的样本生物特征图像。

在一种可能的实现方式中，目标终端可以响应于目标对象发起的交易操作，采集样本生物特征图像，将该样本生物特征图像发送至对应的交易服务器，其中交易操作可以是开通生物特征支付权限的请求，或者也可以是针对某个订单的支付请求，本申请实施例不做限定。

在一种可能的实现方式中，服务器设置有预设的数据库，数据库中存储有多个生物特征图像，参考生物特征图像用于对目标对象进行验证，具体地，当目标终端采集了样本生物特征图像并发送至服务器以后，服务器会从数据库中匹配出与样本生物特征图像相似度超过预设的相似度阈值的参考生物特征图像，当匹配到相似度超过相似度阈值的参考生物特征图像后，即可以根据该参考生物特征图像对该目标对象进行验证。

例如，以生物特征图像为脸部图像为例，参照图3，图3为本申请实施例提供的从数据库中匹配出与参考生物特征图的一种可选的流程示意图，其中，目标终端为进行收款的IOT终端，目标终端通过自身的摄像头采集目标对象的样本脸部图像并将样本脸部图像发送至服务器，服务器在获取到样本脸部图像以后，可以利用特征提取模型对样本脸部图像进行特征提取，得到样本脸部图像的图像特征，进而根据样本脸部图像的图像特征计算与数据库中的参考脸部图像的相似度，确定相似度超过预设的相似度阈值的参考脸部图像。可以理解的是，计算的相似度可以是相似度得分，相应地，相似度阈值可以根据实际需求而定，例如可以是90分、95分等，本申请实施例不做限定。

通过获取目标终端采集的样本生物特征图像，从预设的数据库中确定与样本生物特征图像相似的参考生物特征图像，可以对目标对象进行初步验证。

步骤202：当参考生物特征图像的数量为多个，获取各个参考生物特征图像对应的参考对象的对象属性信息。

在一种可能的实现方式中，不同的参考生物特征图像一般对应不同的参考对象，参考对象可以是参考生物特征图像对应的用户。从数据库中匹配到的与样本生物特征图像相似的参考生物特征图像的数量可以为一个或者多个，当从数据库中匹配到的与样本生物特征图像相似的参考生物特征图像的数量为一个时，则可以直接利用该参考生物特征图像对该目标对象进行验证；当从数据库中匹配到的与样本生物特征图像相似的参考生物特征图像的数量为多个时，表明可能存在与目标对象的生物特征相似的参考对象，此时可以对目标对象进行二次验证。

在一种可能的实现方式中，对象属性信息用于指示参考对象的对象资料，例如可以是姓名、年龄、性别、地区、绑定关系等等。服务器预设的数据库中可以存储有所有参考生物特征图像对应的参考对象的对象属性信息，因此，对象属性信息可以直接从数据库中读取得到。其中，数据库中可以存储上述举例的对象属性信息中的一种或者多种。

例如，以生物特征图像为脸部图像为例，当参考脸部图像的数量为三个，分别为参考脸部图像A1、参考脸部图像A2和参考脸部图像A3时，获取参考脸部图像A1对应的参考对象的对象属性信息X1，获取参考脸部图像A2对应的参考对象的对象属性信息X2，获取参考脸部图像A3对应的参考对象的对象属性信息X3。

步骤203：根据对象属性信息确定多个参考对象之间的对象关系，根据对象关系对目标对象进行异常检测，得到第一异常检测结果。

在一种可能的实现方式中，获取各个参考生物特征图像对应的参考对象的对象属性信息后，可以根据对象属性信息确定多个参考对象之间的对象关系。对象关系用于指示参考对象之间的社会关联性，例如兄弟姐妹关系、陌生关系等。其中，可以根据对象属性信息之间的相似性来确定多个参考对象之间的对象关系。例如，若对象属性信息包括姓名和年龄时，若参考对象的姓名相似、年龄相近，则可以确定对应的参考对象为兄弟姐妹关系的概率较高。另外，当对象属性信息包括地区时，还可以进一步根据参考对象的地区的相似性来确定参考对象是否为兄弟姐妹关系，从而提升确定对象关系的准确性与可靠性。若对象属性信息包括绑定关系时，例如亲情账号等，若参考对象之间存在绑定关系，则可以确定对应的参考对象为兄弟姐妹关系的概率较高。

在一种可能的实现方式中，可以获取参考对象的姓名文本、年龄文本和地区文本，将姓名文本、年龄文本和地区文本拼接成对象属性文本，利用文本编码器对属性文本进行编码，得到对象属性向量，利用自注意力模块对对象属性向量进行自注意力提取，得到第一注意力向量，利用前馈网络对第一注意力向量进行映射，得到第一目标向量，该第一目标向量可以在高维空间中表征参考对象的对象属性，接着，可以计算不同的参考对象的第一目标向量之间的向量相似度，若向量相似度大于或者等于预设的向量相似度阈值，则可以确定相应的参考对象的对象属性相似，进而确定参考对象之间的对象关系。通过将姓名文本、年龄文本和地区文本拼接成对象属性文本，进而得到第一目标向量，在通过计算不同的参考对象的第一目标向量之间的向量相似度来确定对象关系，能够全面准确地表征参考对象的对象属性信息，提升确定参考对象之间的对象关系的准确性，使得后续能够更加准确地根据对象关系对目标对象进行异常检测。

在一种可能的实现方式中，第一异常检测结果用于指示目标终端对目标对象进行验证信息采集后得到的验证信息的类型，验证信息即对目标对象进行加验时目标对象通过目标终端输入的信息，验证信息的类型可以是手机验证码、证件号码、手机号码、授权信息等等。其中，对于不同类型的验证信息，目标终端可以对应使用不同的采集方式，对于手机验证码、证件号码、手机号码等，目标终端可以采用直接输入的方式进行采集，例如可以显示验证信息输入框，基于验证信息输入框来采集验证信息；而对于授权信息等，目标终端可以采用扫码的方式进行采集，例如可以显示对应的图形码(二维码、条形码等)，基于图形码来采集验证信息，具体地，目标终端显示了对应的图形码后，目标对象可以通过手机登录相应的交易应用后，利用交易应用的扫码功能扫描目标终端显示的图形码进行数据交互，进而使得目标终端可以采集到的相应的授权信息。可以理解的是，当手机号码的数量为多个时，目标终端可以显示手机号码选择界面，供目标对象选择接收验证码的手机号码。

在一种可能的实现方式中，第一异常检测结果可以包括信息类型标识，根据对象属性信息确定多个参考对象之间的对象关系，根据对象关系对目标对象进行异常检测，得到第一异常检测结果，具体可以根据对象属性信息之间的相似性确定对象关系标识，根据对象关系标识从多个预设的信息类型标识中匹配得到信息类型标识。其中，对象关系标识用于指示多个参考对象之间的对象关系，对象关系标识可以为字符串，例如，对象关系标识“兄弟”指示的对象关系为兄弟关系，可以理解的是，对象关系标识的具体内容可以根据实际需求而定，例如也可以用对象关系标识“B”来指示兄弟关系，本申请实施例不做限定。信息类型标识用于指示验证信息的类型，例如，信息类型标识“验证码”指示的验证信息的类型为手机验证码，可以理解的是，信息类型标识的具体内容可以根据实际需求而定，例如也可以用信息类型标识“Y”来指示手机验证码，本申请实施例不做限定。

其中，不同的对象关系可以对应不同的验证信息的类型。例如，对象关系标识可以为“兄弟”和“陌生人”，“陌生人”对应的信息类型标识可以为“证件号码”或者“手机号码”，“兄弟”对应的信息类型标识可以为“验证码”或者“授权信息”，其中，当对象关系标识为兄弟时，“证件号码”或者“手机号码”对于该对象关系下的对象来说一般都是已知的，因此“兄弟”对应的信息类型标识为“验证码”或者“授权信息”，有利于提升验证信息的类型的可靠性；而当对象关系标识为陌生人时，“证件号码”或者“手机号码”对于该对象关系下的对象来说一般都是未知的，因此“陌生人”对应的信息类型标识为“证件号码”或者“手机号码”，由于“证件号码”或者“手机号码”可以直接被输入，在达到加验效果的同时，提升验证信息获取的效率。

可以理解的是，上述对象关系标识与信息类型标识之间的对应关系仅为其中一种实施方式，在不同的应用场景下，上述对象关系标识与信息类型标识之间的对应关系可以适应性改变，本申请实施例不做限定。

在一种可能的实现方式中，服务器中预设有多个“对象关系标识-信息类型标识”的数据对，当根据对象属性信息之间的相似性确定对象关系标识后，即可匹配出该对象关系标识对应的信息类型标识。例如，服务器中可以预设有三个数据对，分别为“对象关系标识B1-信息类型标识Y1”、“对象关系标识B2-信息类型标识Y2”和“对象关系标识B3-信息类型标识Y3”，当根据对象属性信息之间的相似性确定的对象关系标识为对象关系标识B2，则可以确定信息类型标识为信息类型标识Y2。

除此以外，第一异常检测结果也可以包括异常等级标识，异常等级标识用于指示目标对象当前的异常程度，异常等级可以与验证信息的类型存在映射关系，不同的异常等级可以对应不同的验证信息的类型。例如，异常等级标识可以为“低”和“高”，“低”对应的信息类型标识可以为“证件号码”或者“手机号码”，“高”对应的信息类型标识可以为“验证码”或者“授权信息”，类似地，由于信息类型标识为“验证码”或者“授权信息”时，验证信息的可靠性更高，因此当异常等级标识为“高”时可以采用“验证码”或者“授权信息”；而当异常等级标识为“低”时可以采用“证件号码”或者“手机号码”，提升验证信息获取的效率。

可以理解的是，当第一异常检测结果包括信息类型标识时，服务器可以根据信息类型标识生成加验通知消息，将加验通知消息发送至目标终端，目标终端根据加验通知消息中的信息类型标识，采用对应的采集方式对目标对象进行验证信息采集；当第一异常检测结果包括异常等级标识时，服务器可以根据异常等级标识生成加验通知消息，将加验通知消息发送至目标终端，目标终端根据加验通知消息中的异常等级标识，基于目标终端中预设的多个“异常等级标识-信息类型标识”的数据对，匹配得到对应的信息类型标识，采用对应的采集方式对目标对象进行验证信息采集。

例如，以生物特征图像为脸部图像为例，参照图4，图4为本申请实施例提供的IOT终端获取第一验证信息的一种可选的流程示意图，其中，服务器匹配到与目标对象的样本脸部图像相似度超过相似度阈值的参考脸部图像的数量为两个，这两个参考脸部图像分别对应的参考对象的对象属性信息为“王一29岁”和“王二29岁”，因此，服务器确定这两个参考对象的姓名相似，且年龄相近，确定信息类型标识为“验证码”，根据该信息类型标识生成加验通知消息，将加验通知消息发送至IOT终端中，IOT终端根据该信息类型标识“验证码”确定需要通过手机验证码的方式采集目标对象的验证信息，通过显示屏显示对应的验证界面。

在一种可能的实现方式中，当第一异常检测结果用于指示目标终端对目标对象进行验证信息采集后得到的验证信息的类型时，确定了验证信息的类型以后，还可以进一步获取目标对象的历史异常检测结果，根据历史异常检测结果统计目标对象历史出现异常的异常次数，当异常次数大于或者等于预设的次数阈值，对验证信息的类型进行调整，具体可以确定验证信息的类型的安全等级，将当前确定的验证信息的类型调整为安全等级更高的其余验证信息的类型。例如当前确定的验证信息的类型为“手机号码”，则可以将验证信息的类型调整为“验证码”。并且，还可以确定目标对象历史出现异常的异常次数与次数阈值之间的差值，根据目标对象历史出现异常的异常次数与次数阈值之间的差值确定验证信息的类型调整前后的安全等级差异。通过统计目标对象历史出现异常的异常次数对验证信息的类型进行调整，可以提升对验证信息的类型的合理性，提高后续对目标对象进行验证的可靠性。

在一种可能的实现方式中，当参考对象的数量大于两个时，多个参考对象之间的对象关系可能会有多种，此时，可以根据与样本生物特征图像之间的相似度较高的两个参考生物特征图像所对应的参考对象之间的对象关系，来对目标对象进行异常检测。例如，当参考对象的数量为三个时，分别为参考对象S1、参考对象S2和参考对象S3，参考对象S1、参考对象S2和参考对象S3对应的参考生物特征图像与样本生物特征图像之间的相似度分别为95分、90分和85分，此时，则根据参考对象S1和参考对象S2之间的对象关系来对目标对象进行异常检测。

步骤204：获取目标终端基于第一异常检测结果采集的第一验证信息，根据第一验证信息对目标对象进行验证。

在一种可能的实现方式中，目标终端基于第一异常检测结果采集目标对象的第一验证信息后，会将第一验证信息发送至服务器，服务器再根据第一验证信息对目标对象进行验证。其中，服务器会将第一验证信息与预设验证信息进行比对，若第一验证信息与预设验证信息相匹配，则目标对象验证通过。预设验证信息可以预先存储在服务器的数据库中，并与对应的参考生物特征图像关联起来。

其中，根据第一验证信息对目标对象进行验证，可以是得到目标对象的验证结果，例如验证通过或者验证不通过。除此以外，也可以是根据第一验证信息从多个参考生物特征图像中确定目标生物特征图像，确定目标生物特征图像对应的参考对象的参考对象标识，将参考对象标识作为目标对象标识。具体地，可以根据参考生物特征图像关联的预设验证信息，与第一验证信息进行匹配，进而确定目标生物特征图像。参考对象标识用于指示参考对象的身份信息，参考对象标识也可以预先存储在服务器的数据库中，与参考生物特征图像关联起来。通过确定目标生物特征图像对应的参考对象的参考对象标识，将参考对象标识作为目标对象的目标对象标识，可以达到对目标对象的身份识别效果，便于在后续进行支付时再次对目标对象进行验证。

当从数据库中确定得到的参考生物特征图像的数量为多个时，通过获取目标终端基于第一异常检测结果采集的第一验证信息，进而根据第一验证信息对目标对象进行验证，可以达到对目标对象的加验效果，即使从数据库中确定得到的参考生物特征图像的数量为多个时，也能提升对象验证的准确性和可靠性；并且，通过获取各个参考生物特征图像对应的参考对象的对象属性信息，根据对象属性信息确定多个参考对象之间的对象关系，根据对象关系对目标对象进行异常检测，得到第一异常检测结果，可以根据第一异常检测结果匹配对应的验证信息的类型，提升验证信息的采集合理性，从而进一步提升对象验证的准确性和可靠性。

在一种可能的实现方式中，样本生物特征图像包括样本脸部图像，参考生物特征图像包括参考脸部图像，获取目标终端采集的目标对象的样本生物特征图像，从预设的数据库中确定与样本生物特征图像相似的参考生物特征图像，具体可以获取目标终端采集的目标对象在多个模态下的样本脸部图像；从预设数据库中确定与对应模态下的样本脸部图像相似的参考图像集合，根据多个参考图像集合之间的交集得到参考脸部图像。

其中，样本脸部图像可以有不同的模态，例如彩色模态(RGB模态)、红外模态和深度模态等，彩色模态的样本脸部图像为彩色脸部图像，红外模态的样本脸部图像为红外脸部图像，深度模态的样本脸部图像为深度脸部图像。相应地，参考脸部图像也设置有对应的不同的模态。从预设数据库中确定与对应模态下的样本脸部图像相似的参考图像集合，即分别对不同模态的样本脸部图像和参考脸部图像进行相似度的匹配。

例如，将彩色脸部图像与数据库中彩色模态的参考脸部图像进行相似度匹配，得到与彩色脸部图像相似的参考图像集合，与彩色脸部图像相似的参考图像集合中包括与彩色脸部图像相似的彩色模态的参考脸部图像，当然，若不存在与彩色脸部图像相似的彩色模态的参考脸部图像，则与彩色脸部图像相似的参考图像集合为空集合。

最后，根据不同模态的参考图像集合之间的交集得到参考脸部图像，可以达到不同模态的脸部图像的交叉验证效果，从而提升确定与样本脸部图像相似的参考脸部图像的准确性。

可以理解的是，样本脸部图像的模态种类可以进行任意组合，例如可以只采用彩色脸部图像和红外脸部图像进行交叉验证，或者只采用彩色脸部图像和深度脸部图像进行交叉验证，又或者同时采用彩色脸部图像、红外脸部图像和深度脸部图像进行交叉验证。

其中，参照图5，图5为本申请实施例提供的确定样本脸部图像相似的参考脸部图像的一种可选的流程示意图，当同时采用彩色脸部图像、红外脸部图像和深度脸部图像进行交叉验证时，可以先利用特征提取模型提取样本脸部图像和参考脸部图像的脸部特征，其中，特征提取模型可以是CNN(Convolutional Neural Network，卷积神经网络)，或者其他神经网络模型。参考脸部图像的脸部特征可以是在与样本脸部图像进行相似度匹配时进行提取，或者预先提取好存储在数据库中，此时参考脸部图像在数据库中的存储形式可以是对应的脸部特征。在提取了样本脸部图像和参考脸部图像的脸部特征以后，可以通过余弦相似度、欧式距离等方式计算样本脸部图像和参考脸部图像的脸部特征之间的相似度，进而从预设的彩色图像数据库中确定与彩色脸部图像相似的第一参考图像集合，从预设的红外图像数据库中确定与红外脸部图像相似的第二参考图像集合，从预设的深度图像数据库中确定与深度脸部图像相似的第三参考图像集合；根据第一参考图像集合、第二参考图像集合以及第三参考图像集合之间的交集，得到参考脸部图像。可以理解的是，不同模态下的脸部图像可以采用不同的特征提取模型进行特征提取。

通过同时采用彩色脸部图像、红外脸部图像和深度脸部图像进行交叉验证，可以充分结合不同模态的脸部图像的特点，从而可以进一步提升确定与样本脸部图像相似的参考脸部图像的准确性。

在一种可能的实现方式中，将目标模态的样本脸部图像与数据库中的参考脸部图像进行相似度匹配时，可以先对该目标模态的样本脸部图像进行注意力提取，得到该目标模态的样本脸部图像的多个第一注意力区域，其中，目标模态为上述多个模态中的其中一个模态，第一注意力区域可以是鼻子、眼睛、耳朵等器官所对应的区域，确定该第一注意力区域在目标模态的样本脸部图像中的目标位置，根据该目标位置在对应同一个参考对象的其余模态的参考脸部图像中确定多个第二注意力区域，对第一注意力区域与对应的第二注意力区域进行边缘轮廓提取，得到第一注意力区域的第一边缘图像和第二注意力区域的第二边缘图像，计算第一边缘图像与对应的第二边缘图像之间的边缘相似度，计算不同的边缘相似度之间的相似度差值，计算多个相似度差值之间的差值平均值，根据差值平均值确定相似度调整系数，计算目标模态的样本脸部图像与数据库中的参考脸部之间的初始图像相似度，根据初始图像相似度与相似度调整系数之间的乘积确定目标图像相似度，该目标图像相似度可以指示目标模态的样本脸部图像与数据库中的参考脸部图像之间的相似程度，进而可以确定对应的参考图像集合。可见，在确定目标模态下的样本脸部图像与参考脸部图像是否相似时，引入边缘相似度的相似度差值，确定相似度调整系数，在判断目标模态的样本脸部图像与数据库中的参考脸部图像之间是否相似时，能够在一定程度上提升准确性。

例如，可以计算目标终端采集到的彩色脸部图像与数据库中的彩色脸部图像的图像相似度，提取目标终端采集到的彩色脸部图像中的第一眼睛区域和第一鼻子区域、数据库中的红外脸部图像对应的第二眼睛区域和第二鼻子区域、数据库中的深度脸部图像对应的第三眼睛区域和第三鼻子区域，确定第一眼睛区域的第一眼睛边缘图像、第一鼻子区域的第一鼻子边缘图像、第二眼睛区域的第二眼睛边缘图像、第二鼻子区域的第二鼻子边缘图像、第三眼睛区域的第三眼睛边缘图像、第三鼻子区域的第三鼻子边缘图像，计算第一眼睛边缘图像与第二眼睛边缘图像之间的第一边缘相似度，计算第一眼睛边缘图像与第三眼睛边缘图像之间的第二边缘相似度，计算第一边缘相似度与第二边缘相似度之间的第一相似度差值，计算第一鼻子边缘图像与第二鼻子边缘图像之间的第三边缘相似度，计算第一鼻子边缘图像与第三鼻子边缘图像之间的第四边缘相似度，计算第三边缘相似度与第四边缘相似度之间的第二相似度差值，计算第一相似度差值与第二相似度差值之间的差值平均值，根据差值平均值确定相似度调整系数，将相似度调整系数与前述的图像相似度相乘即可得到目标图像相似度，其中，根据差值平均值确定相似度调整系数，可以是获取差值平均值与相似度调整系数之间的预设的映射关系，根据差值平均值与该映射关系确定相似度调整系数，或者，也可以对差值平均值进行归一化处理，得到相似度调整系数。

在一种可能的实现方式中，在获取各个参考生物特征图像对应的参考对象的对象属性信息时，具体可以获取各个参考生物特征图像对应的参考对象的参考交易数据，根据参考交易数据从多个参考生物特征图像中筛选出候选生物特征图像；获取候选生物特征图像对应的参考对象的对象属性信息。

其中，数据库中可以预先存储有参考生物特征图像对应的参考对象的参考交易数据，参考交易数据用于指示参考对象进行的交易的特征信息，例如，参考交易数据可以包括历史交易位置、历史交易环境、历史交易频次、账号历史交易关联关系等等。其中，历史交易位置即参考对象进行交易时的地理位置，可以是某个地区，也可以是具体的经纬度等等，本申请实施例不做限定；历史交易环境即参考对象进行交易时的所处的环境，可以是设备标识、系统类型、IP地址、交易商户等等，本申请实施例不做限定；历史交易频次即参考对象与某个其他对象之间进行交易的频次；账号历史交易关联关系即参考对象的交易账号在进行历史交易时的关联关系，例如，两个参考对象的交易账号归属同一个社交列表，则这两个参考对象的交易账号存在账号历史交易关联关系。若参考对象使用多个账号进行交易时，可以对多个账号的参考交易数据进行统计合并，以得到参考对象对应的参考交易数据。

当匹配出的参考生物特征图像的数量为多个时，可以利用参考交易数据对参考生物特征图像进行进一步筛选，确定出候选生物特征图像，使得候选生物特征图像对应的参考对象具备关系相似性，提升后续根据对象属性信息确定多个参考对象之间的对象关系的合理性和准确性。

在一种可能的实现方式中，根据参考交易数据从多个参考生物特征图像中筛选出候选生物特征图像，具体可以是从参考交易数据中提取出历史交易位置，将历史交易位置位于同一个预设区域的参考对象对应的参考生物特征图像，确定为候选生物特征图像；或者，从参考交易数据中提取出历史交易环境，将历史交易环境相同的参考对象对应的参考生物特征图像，确定为候选生物特征图像；或者，从参考交易数据中提取出与其余的参考对象之间的历史交易频次，将历史交易频次大于或者等于第一频次阈值的参考对象对应的参考生物特征图像，确定为候选生物特征图像；或者，从参考交易数据中提取出账号历史交易关联关系，将存在账号历史交易关联关系的参考对象对应的参考生物特征图像，确定为候选生物特征图像。

其中，当参考对象位于同一个预设区域，或者历史交易环境相同，或者历史交易频次大于或者等于第一频次阈值，或者存在账号历史交易关联关系，表明相应的参考对象之间的交易相似的概率较高，从而可以达到对参考生物特征图像的初步筛选效果。

可以理解的是，可以选取历史交易位置、历史交易环境、历史交易频次、账号历史交易关联关系中的其中一种来筛选出候选生物特征图像，或者选取多种组合的的方式来筛选出候选生物特征图像。当采用的参考交易数据的种类越多时，筛选出候选生物特征图像的精细化程度就越高。第一频次阈值可以根据实际需求而定，本申请实施例不做限定。

在一种可能的实现方式中，可以在从预设的数据库中确定与样本生物特征图像相似的参考生物特征图像之前，针对数据库中所有生物特征图像对应的对象获取参考交易数据，并根据参考交易数据确定数据库中所有对象之间的关系相似性，在确定与样本生物特征图像相似的参考生物特征图像以后，直接读取前期确定的关系相似性来对参考生物特征图像进行筛选；或者，也可以从预设的数据库中确定与样本生物特征图像相似的参考生物特征图像之后，仅获取参考生物特征图像对应的参考对象的参考交易数据，根据参考交易数据确定参考对象之间的关系相似性，对参考生物特征图像进行筛选。

下面详细说明本申请实施例提供的确定多个参考对象之间的对象关系的原理，参照图6，图6为本申请实施例提供的确定多个参考对象之间的对象关系的一种可选的流程示意图，其中，首先确定生物特征的相似性，以生物特征图像为脸部图像为例，先匹配出彩色模态下相似的参考脸部图像，或者匹配出深度模态下相似的参考脸部图像，或者匹配出红外模态下相似的参考脸部图像，或者匹配出多个模态下相似的参考脸部图像。另外，在确定生物特征的相似性过程中，还可以进一步建立不相似排除库，其中，不相似排除库用于存储已经确认不存在异常的对象关系的参考对象对应的参考脸部图像，以起到白名单的效果，此时，即使参考脸部图像的数量为多个，若参考脸部图像位于不相似排除库，则服务器不需要通知目标终端采集目标对象的第一验证信息，从而提升交易的效率。并且，每当服务器根据第一验证信息对目标对象进行验证后，可以根据验证结果实时更新不相似排除库，以提升不相似排除库的准确性和实时性。

接着，进一步确定参考对象之间的关系相似性，具体的维度可以为交易环境相似、交易亲密度关系(交易频次相似)、交易位置相似、存在账号历史交易关联关系或者特定时间交易环境相似。可以理解的是，确定参考对象之间的关系相似性所采用的维度可以是上述维度中的一种或者多种的组合，也可以采用与本申请实施例提供的例子类似的其他维度，本申请实施例不做限定。

最后，根据获取到的对象属性信息确定多个参考对象之间的对象关系，具体的维度可以为姓名相似、年龄相近、性别区分、实名地区或者绑定关系等。同理，可以理解的是，确定多个参考对象之间的对象关系所采用的维度可以是上述维度中的一种或者多种的组合，也可以采用与本申请实施例提供的例子类似的其他维度，本申请实施例不做限定。

下面以一个实际例子进行说明。服务器采集目标终端的样本脸部图像以后，从数据库中确定了三个与该样本脸部图像相似的参考脸部图像，这三个参考脸部图像分别对应参考对象S4、参考对象S5和参考对象S6。参考对象S4的历史交易位置为地区一，参考对象S5的历史交易位置为地区一，参考对象S6的历史交易位置为地区二，参考对象S4与参考对象S5之间的历史交易频次为30次，参考对象S4与参考对象S6之间的历史交易频次为0次，参考对象S5与参考对象S6之间的历史交易频次为0次，则可以获取参考对象S4、参考对象S5的姓名和年龄，参考对象S4的姓名为“王一”，年龄为29岁，参考对象S5的姓名为“王二”，年龄为29岁，此时可以确定参考对象S4和参考对象S5之间的对象关系为兄弟姐妹关系，进而确定当前的目标对象存在异常的概率较高，需要利用手机验证码的方式对目标对象进行加验。

在一种可能的实现方式中，若当前目标对象发起的是支付请求时，确定了目标对象标识以后，可以根据目标对象标识获取目标对象的目标交易数据，根据目标交易数据对目标对象进行异常检测，得到第二异常检测结果；获取目标终端基于第二异常检测结果采集的第二验证信息，根据第二验证信息再次对目标对象进行验证。

其中，目标交易数据用于指示该目标对象进行的交易的特征信息，例如历史操作记录、当前交易位置、账号认证记录和当前操作记录等等。历史操作记录用于指示账号的历史操作信息，例如可以包括历史交易环境(IP地址等)、历史登录设备、历史交易位置、历史交易商户、历史交易时间、历史交易频次或者历史交易额度分布等等；账号认证记录用于指示账号关联的实名信息；当前操作记录用于指示账号的当前操作信息，例如可以包括账号当前登录设备风险标签、账号当前请求频次、账号当前活体检测结果等等。

可以理解的是，上述不同类型的目标交易数据可以采用一种或者多种组合的方式来进行处理，本申请实施例不做限定。

其中，第二异常检测结果用于指示目标终端对目标对象进行验证信息采集后得到的验证信息的类型，类似地，验证信息的类型可以是手机验证码、证件号码、手机号码、授权信息等等。

在一种可能的实现方式中，根据目标交易数据对目标对象进行异常检测，得到第二异常检测结果时，具体可以获取多个不同检测维度的第一检测模型，将目标交易数据输入至各个第一检测模型，对目标对象进行异常检测，得到各个第一检测模型的第一模型检测结果；将多个第一模型检测结果进行加权处理，得到第二异常检测结果。

其中，第一检测模型用于在交易过程中对目标对象进行异常检测，第一模型检测结果用于指示对应的检测维度下目标对象是否存在异常，第一模型检测结果可以是用于指示目标对象是否存在异常的标识，或者是目标对象的异常概率值。通过多个不同检测维度的第一检测模型对目标对象进行异常检测，将多个第一模型检测结果进行加权处理得到第二异常检测结果，可以提升对目标对象进行异常检测的准确性和合理性。

具体地，将多个第一模型检测结果进行加权处理，得到第二异常检测结果，可以表示为：

其中，F表示第二异常检测结果，a_i表示各个第一模型检测结果的权重值，可以根据实际需求而定，一般可以将各个第一模型检测结果的权重值都设置为1，f(m_i)表示第一模型检测结果，i表示1到N的正整数。

在一种可能的实现方式中，参照图7，图7为本申请实施例提供的根据目标交易数据对目标对象进行异常检测的一种可选的流程示意图，第一检测模型的检测维度可以是账号丢失、账号异地跳变、对象一致性或者账号被击，账号丢失即当前的目标对象不具备使用该交易账号的权限，账号异地跳变即该交易账号短时间内在多个不同的位置进行交易，对象一致性即目标对象与交易账号认证的对象是否相一致，账号被击即该交易账号被多次频繁使用，或者目标对象的生物特征图像是虚构的。相应地，多个不同检测维度的第一检测模型包括账号丢失检测模型、账号异地跳变检测模型、对象一致性检测模型和账号被击检测模型。将目标交易数据输入至各个第一检测模型，具体可以为：

从目标交易数据中提取出历史操作记录，输入至账号丢失检测模型；从目标交易数据中提取出历史操作记录和当前交易位置，输入至账号异地跳变检测模型；从目标交易数据中提取出历史操作记录和账号认证记录，输入至对象一致性检测模型；从目标交易数据中提取出历史操作记录和当前操作记录，输入至账号被击检测模型。

其中，账号丢失检测模型可以为逻辑回归模型、集成学习(XGB)分类模型、神经网络模型等，当历史操作记录的数据有多个时，可以将数据拼接后输入至账号丢失检测模型。账号丢失检测模型可以预先训练得到，训练账号丢失检测模型的正样本可以从确定正常的交易账号的历史操作记录采样得到，训练账号丢失检测模型的负样本可以从有丢失历史的交易账号的历史操作记录采样得到。账号丢失检测模型的第一模型检测结果可以为交易账号丢失概率，或者交易账号丢失的异常等级。另外，在得到账号丢失检测模型的第一模型检测结果以后，还可以进一步获取组合判别特征，根据组合判别特征确定调整系数，根据调整系数对账号丢失检测模型的第一模型检测结果进行调整。例如，组合判别特征可以是当前的交易金额，不同的交易金额区间对应不同的调整系数，若当前的交易金额小于或者等于预设的金额阈值，调整系数可以为0.5，假设账号丢失检测模型的第一模型检测结果输出的交易账号丢失概率为0.8，则将调整系数乘以账号丢失检测模型的第一模型检测结果，最终的账号丢失检测模型的第一模型检测结果为0.4。可以理解的是，组合判别特征也可以为其他特征，例如当前的交易频次、交易额度等等。

在一种可能的实现方式中，当账号丢失检测模型为神经网络模型时，可以将历史交易环境、历史登录设备、历史交易位置、历史交易商户、历史交易时间、历史交易频次和历史交易额度分布拼接成历史交易特征文本，利用文本编码器对历史交易特征文本进行编码，得到历史交易特征向量，利用自注意力模块对历史交易特征向量进行自注意力提取，得到第二注意力向量，利用前馈网络对第二注意力向量进行映射，得到第二目标向量，该第二目标向量可以在高维空间中表征历史操作记录的特征，然后将第二目标向量输入至账号丢失检测模型，利用账号丢失检测模型中设置的多个全连接层对第二目标向量进行全连接映射后输入至分类器中，进而输出账号丢失概率。

其中，账号异地跳变检测模型可以根据历史操作记录和当前交易位置对目标对象是否出现账号异地跳变进行检测，账号异地跳变检测模型可以预设有不同的特征信息所对应的账号异地跳变概率值，例如，根据历史交易位置确定当前交易位置为新位置，则所对应的账号异地跳变概率值可以为0.5。在此基础上，还可以进一步引入当前登录设备和当前交易商户，若根据历史交易位置确定当前交易位置为新位置，根据历史登录设备确定当前登录设备为新设备，根据历史交易商户确定当前交易商户为新商户，则所对应的账号异地跳变概率值可以为1；若根据历史交易位置确定当前交易位置为新位置，根据历史登录设备确定当前登录设备为旧设备，根据历史交易商户确定当前交易商户为新商户，则所对应的账号异地跳变概率值可以为0.6。另外，在得到账号异地跳变检测模型的第一模型检测结果以后，还可以进一步获取组合判别特征，根据组合判别特征确定调整系数，根据调整系数对账号异地跳变检测模型的第一模型检测结果进行调整。类似地，组合判别特征可以是当前的交易金额，不同的交易金额区间对应不同的调整系数，若当前的交易金额小于或者等于预设的金额阈值，调整系数可以为0.5，假设账号异地跳变检测模型的第一模型检测结果输出的账号异地跳变概率为0.6，则将调整系数乘以账号异地跳变检测模型的第一模型检测结果，最终的账号异地跳变检测模型的第一模型检测结果为0.3。

其中，对象一致性检测模型可以为逻辑回归模型、集成学习(XGB)分类模型、神经网络模型等，历史操作记录和账号认证记录可以拼接后输入至对象一致性检测模型。对象一致性检测模型可以预先训练得到，训练对象一致性检测模型的正样本可以从确定对象一致的交易账号的历史操作记录和账号认证记录采样得到，训练对象一致性检测模型的负样本可以从确定对象不一致的交易账号的历史操作记录和账号认证记录采样得到。对象一致性检测模型的第一模型检测结果可以为对象一致概率，或者对象一致性的异常等级。另外，在得到对象一致性检测模型的第一模型检测结果以后，还可以进一步获取组合判别特征，根据组合判别特征确定调整系数，根据调整系数对对象一致性检测模型的第一模型检测结果进行调整。类似地，组合判别特征可以是当前的交易金额，不同的交易金额区间对应不同的调整系数，若当前的交易金额小于或者等于预设的金额阈值，调整系数可以为0.5，假设对象一致性检测模型的第一模型检测结果输出的对象一致概率为0.8，则将调整系数乘以对象一致性检测模型的第一模型检测结果，最终的对象一致性检测模型的第一模型检测结果为0.4。

在一种可能的实现方式中，当对象一致性检测模型为神经网络模型时，可以将历史交易环境、历史登录设备、历史交易位置、历史交易商户、历史交易时间、历史交易频次、历史交易额度分布和账号认证记录拼接成对象一致性特征文本，利用文本编码器对对象一致性特征文本进行编码，得到对象一致性特征特征向量，利用自注意力模块对对象一致性特征特征向量进行自注意力提取，得到第三注意力向量，利用前馈网络对第三注意力向量进行映射，得到第三目标向量，该第三目标向量可以在高维空间中表征对象一致性的特征，然后将第三目标向量输入至对象一致性检测模型，利用对象一致性检测模型中设置的多个全连接层对第三目标向量进行全连接映射后输入至分类器中，进而输出对象一致性概率。

其中，账号被击检测模型可以为逻辑回归模型、集成学习(XGB)分类模型、神经网络模型等，历史操作记录和当前操作记录可以拼接后输入至账号被击检测模型。账号被击检测模型可以预先训练得到，训练账号被击检测模型的正样本可以从确定历史未被攻击的交易账号的历史操作记录和当前操作记录采样得到，训练账号被击检测模型的负样本可以从确定历史被攻击的交易账号的历史操作记录和当前操作记录采样得到。账号被击检测模型的第一模型检测结果可以为账号被击概率，或者账号被击的异常等级。另外，在得到账号被击检测模型的第一模型检测结果以后，还可以进一步获取组合判别特征，根据组合判别特征确定调整系数，根据调整系数对账号被击检测模型的第一模型检测结果进行调整。例如，组合判别特征可以是账号当前登录设备的刷机状态(ROOT状态)，若刷机状态为已刷机，则调整系数可以为1.5，假设账号被击检测模型的第一模型检测结果输出的账号被击概率为0.5，则将调整系数乘以账号被击检测模型的第一模型检测结果，最终的账号被击检测模型的第一模型检测结果为0.75。

在一种可能的实现方式中，当账号被击检测模型为神经网络模型时，可以将历史交易环境、历史登录设备、历史交易位置、历史交易商户、历史交易时间、历史交易频次、历史交易额度分布、账号当前登录设备风险标签、账号当前请求频次和账号当前活体检测结果拼接成账号被击特征文本，利用文本编码器对账号被击特征文本进行编码，得到账号被击特征特征向量，利用自注意力模块对账号被击特征特征向量进行自注意力提取，得到第四注意力向量，利用前馈网络对第四注意力向量进行映射，得到第四目标向量，该第四目标向量可以在高维空间中表征账号被击的特征，然后将第四目标向量输入至账号被击检测模型，利用账号被击检测模型中设置的多个全连接层对第四目标向量进行全连接映射后输入至分类器中，进而输出账号被击概率。

在一种可能的实现方式中，可以同时对账号丢失、账号异地跳变、对象一致性和账号被击四个维度进行异常检测，从而提升对目标对象进行异常检测的准确性和全面性。

需要补充说明的是，与第一异常检测结果相类似，异常概率或者风险等级与验证信息的类型存在映射关系，将多个第一模型检测结果进行加权处理得到最终异常概率或者风险等级后，服务器可以根据最终的异常概率或者风险等级匹配出对应的信息类型标识，将匹配到的信息类型标识作为第二异常检测结果发送至目标终端，又或者，直接将最终的异常概率或者风险等级作为第二异常检测结果发送至目标终端，由目标终端匹配出对应的信息类型标识。

类似地，异常概率或者风险等级较高时，信息类型标识可以为“验证码”或者“授权信息”，异常概率或者风险等级较高时，信息类型标识可以为“证件号码”或者“手机号码”。另外，当异常概率或者风险等级高到一定程度(大于或者等于预设的概率阈值或风险等级阈值)，信息类型标识也可以为“拒绝交易”，这种情况下目标终端会拦截当前的交易请求。

在一种可能的实现方式中，除了利用第一检测模型来对目标对象进行异常检测以外，也可以直接采用交易数据分析的方式来对目标对象进行异常检测，具体地，根据目标交易数据对目标对象进行异常检测，得到异常检测结果时，具体也可以从目标交易数据中提取出在预设时间范围内的当前交易频次，当当前交易频次大于或者等于第二频次阈值，确定目标对象的异常检测结果为交易频次异常；或者，从目标交易数据中提取出在预设时间范围内的当前交易额度，当当前交易额度大于或者等于额度阈值，确定目标对象的异常检测结果为交易额度异常；或者，从目标交易数据中提取出当前交易环境和历史交易环境，当当前交易环境与历史交易环境不相同，确定目标对象的异常检测结果为交易环境异常；或者，从目标交易数据中提取出当前意图标签，当当前意图标签与预设的异常意图标签相匹配，确定目标对象的异常检测结果为交易意图异常。

其中，第二频次阈值可以根据实际情况而定，又或者，第二频次阈值可以为历史交易频次的最大值，当第二频次阈值可以为历史交易频次的最大值时，第二频次阈值可以根据预设的更新频率进行更新。预设的时间范围可以根据实际需求而定，即当前交易频次可以根据不同的时间维度来统计，例如可以是当日累计的交易频次，或者是半日累计的交易频次，或者是一个小时内累计的交易频次等等。

其中，额度阈值可以根据实际情况而定，又或者，额度阈值可以为历史交易额度的最大值，当额度阈值可以为历史交易额度的最大值时，额度阈值可以根据预设的更新频率进行更新。预设的时间范围可以根据实际需求而定，即当前交易额度可以根据不同的时间维度来统计，例如可以是当日累计的交易额度，或者是半日累计的交易额度，或者是一个小时内累计的交易额度等等。

其中，当当前交易环境与历史交易环境不相同，表明当前的交易处于全新的交易环境，可以确定目标对象存在交易环境异常。在此基础上，可以进一步引入当前的交易金额，若当前的交易处于全新的交易环境，且当前的交易金额大于或者等于预设的金额阈值，则确定目标对象存在交易环境异常。

其中，当前意图标签可以通过外部的意图标签生成模型生成，预设的异常意图标签可以为“非对象自身意图”或者“意图异常”或者“意图正常”等等，若当前意图标签为“非对象自身意图”或者“意图异常”，可以确定目标对象存在交易意图异常。

在一种可能的实现方式中，可以同时利用当前交易频次、当前交易额度、当前交易环境和当前意图标签进行异常检测，从而提升对目标对象进行异常检测的准确性和全面性。

在一种可能的实现方式中，当第二异常检测结果指示目标对象正常，或者目标对象验证通过，执行目标对象当前的交易请求；获取多个不同检测维度的第二检测模型，将目标交易数据输入至各个第二检测模型，对目标对象进行异常检测，得到各个第二检测模型的第二模型检测结果；当第二模型检测结果指示目标对象存在异常，调整第一检测模型的参数。

其中，多个第二检测模型的检测维度可以包括意图异常检测、聚集交易检测、信用等级检测或者资金回路检测。相应地，多个第二检测模型可以包括意图异常检测模型、聚集交易检测模型、信用等级检测模型和资金回路检测模型，意图异常检测模型、聚集交易检测模型、信用等级检测模型和资金回路检测模型均可以为逻辑回归模型、集成学习(XGB)分类模型、神经网络模型等。意图异常检测模型主要用于检测执行目标对象当前的交易请求之后，目标对象对应的意图标签，例如“非对象自身意图”或者“意图异常”或者“意图正常”等等；聚集交易检测模型主要用于检测目标对象的交易请求是否属于批量操作，例如多个交易请求对应的IP地址相同或者设备相同等；信用等级检测模型主要用于检测目标对象的支付信用等级，支付信用等级越低，表明异常概率越高；资金回路检测模型主要用于检测该交易请求是否存在循环交易。

在执行目标对象当前的交易请求以后，通过多个不同维度的第二检测模型对目标对象进行异常检测，可以达到事后异常检测的效果，当第二模型检测结果指示目标对象存在异常，可以确定第一检测模型的检测结果可能存在不准确的情况，此时调整第一检测模型的参数，可以提升第一检测模型的检测准确性，在后续的交易过程中通过第一检测模型进行异常检测时，可以提升交易的可靠性。

在一种可能的实现方式中，可以同时利用意图异常检测模型、聚集交易检测模型、信用等级检测模型和资金回路检测模型对目标对象进行检测，从而提升对目标对象进行异常检测的准确性和全面性。

在一种可能的实现方式中，可以预先建立第二检测模型和多个第一检测模型的参数调整优先级之间的映射关系，当其中一个第二检测模型的第二模型检测结果指示目标对象存在异常，可以根据该映射关系确定多个第一检测模型的参数调整优先级，进而根据多个第一检测模型的参数调整优先级调整第一检测模型的参数，从而可以提升第一检测模型的参数调整效果以及参数调整效率。

例如，若意图异常检测模型的第二模型检测结果指示目标对象存在异常，则可以根据映射关系确定多个第一检测模型的参数调整优先级依次为账号丢失检测模型对象一致性检测模型、账号被击检测模型和账号异地跳变检测模型。

下面以刷脸支付场景作为例子，详细描述本申请实施例提供的对象验证方法的原理。

参照图8，图8为本申请实施例提供的对象验证方法的一种可选的总体架构示意图，其中，该对象验证方法总体可以划分为脸部特征判别、对象异常判别、交易异常判别和事后风险审计四个部分，具体地：

在脸部特征判别部分，会通过多个模态采集目标对象的脸部图像，包括彩色模态、红外模态和深度模态等，然后进行多模态的脸部识别，进而进行脸部身份验证，并且，在进行多模态的脸部识别利用交叉验证的方式来提升脸部识别的准确性，在一定程度上降低脸部虚构的风险，同时，在验证过程中也可以从脸部图像数据库中挖掘多个与目标对象脸部相似的参考对象，为后续根据参考对象之间的对象关系确定脸部相似风险做准备。

在对象异常判别部分，主要基于目标对象所使用的账号的历史操作记录、交易位置、认证记录等交易数据进行建模分析，利用大数据和人工智能分析技术，通过不同的检测维度来对目标对象所使用的账号进行异常检测，例如账号丢失、账号异地跳变、对象一致性或者账号被击，后续再根据对目标对象进行异常检测的结果匹配不同的加验方式。

在交易异常判别部分，主要基于目标对象的交易频次、交易额度、交易环境和意图标签来对目标对象进行异常检测，对交易频次异常、交易额度异常等进行确判，后续再根据对目标对象进行异常检测的结果匹配不同的加验方式。

在事后风险审计部分，主要离线进行意图异常检测、聚集交易检测、信用等级检测和资金回路检测，根据全流程的交易数据进行审计判别，可以确定对象异常判别时使用的检测模型的确定性，或者应对目标对象后续的申诉。

通过多个模态采集目标对象的脸部图像进行目标对象的验证，结合对目标对象的对象异常判别和交易异常判别，匹配不同的加验方式，以及进行事后风险审计，可以有效提升交易的安全性和可靠性。

本例子中的对象验证方法基于预先构建的交易数据作为基础，如前述的参考交易数据和目标交易数据。参照图9，图9为本申请实施例提供的交易数据的一种可选的架构示意图，本例子中的交易数据主要包括支付基础特征数据、生物特征数据、关系相似性数据和异常挖掘数据四种维度，交易数据的存储平台可以使用Redis/HDFS等，交易数据的分析平台可以采用MapReduce/SparkSQL/Pytorch等，具体地：

支付基础特征数据主要包括交易金额类数据、交易关系类数据、常用交易位置数据和交易商户类数据等，例如，交易金额类数据可以包括月度或者周度或者日度累计的交易金额/频次/额度、商业或者社交交易金额/频次/额度等；交易关系类数据可以包括社交支付关系、设备支付关系等；常用交易位置数据可以包括WIFI定位位置、LBS(LocationBased Services，基于位置的服务)位置、根据IPv4/IPv6确定的位置等；交易商户类数据可以包括交易商户列表、交易商户交易额、交易商户交易频次等。

生物特征数据主要包括生物特征识别数据、生物安全账号数据、生物安全关系数据、和生物异常历史数据等，例如，生物特征识别数据可以包括识别记录、匹配分数和交易动作统计等；生物安全账号数据可以包括对象和商户的活跃统计数据、对象和商户之间的关联异常数据等；生物安全关系数据可以包括关联的终端设备的frida插件、hook记录、root记录、IOT设备数据等；生物异常历史数据可以包括历史被拦截统计数据、加验统计数据等。

关系相似性数据主要包括生物特征相似关系数据、实名相似关系数据、社会属性相似关系数据和相似关系细化特征数据等，例如，生物特征相似关系数据可以包括脸部图像相似对象集合；实名相似关系数据可以包括实名相似且支付位置相同的对象集合；社会属性相似关系数据可以包括存在社交关系的对象集合；相似关系细化特征数据可以包括相似关系地图数据、实名数据、交易特征等；

异常挖掘数据主要包括意图异常标签、信用等级标签、实时识别相似标签(脸部相似、社交关联和实名相似)和投诉风险标签(投诉次数、金额等)等。

参照图10，图10为本申请实施例提供的对象验证方法的一种可选的总体流程示意图，其中，当目标对象发起支付请求时，在识别阶段，首先进行目标对象的脸部多模态特征采集，获取脸部彩色图像、脸部深度图像和脸部红外图像；接着进行脸部识别验证确认目标对象的身份，在脸部识别验证时，如果从数据库中识别到多个相似脸部图像，则需要根据交易数据、实名认证信息等对多个相似脸部图像对应的对象进行对象关系的确判，以确定是否需要对目标对象进行加验，并且根据不同的对象关系确定对应的验证方式；若目标对象的脸部验证通过，则进入支付阶段，根据交易数据在交易异常、资金异常和账号异常等维度对目标对象进行异常检测，并根据不同的异常检测结果差异化加验的验证方式；最后，完成该支付请求后，进行综合多因子的事后异常检测，例如交易回路、聚集等维度的异常检测，以确定支付阶段的异常检测结果是否准确，从整体上提升对象验证的可靠性与完整性。

在本例子中，服务器可以运行有识别后台、风控服务、特征服务、决策引擎和数据平台，可以理解的是，上述识别后台、风控服务、特征服务、决策引擎和数据平台的划分仅仅是示意性的，实际应用中可以对相关的功能模块进行拆分或者组合，本申请实施例不做限定。另外，上述识别后台、风控服务、特征服务、决策引擎和数据平台可以运行于同一台服务器中，也可以分别运行于多台服务器，本申请实施例不做限定。参照图11，图11为本申请实施例提供的对象验证方法的一种可选的交互流程示意图，基于前述的服务器运行架构，目标对象通过刷脸终端发起刷脸支付开通权限或者发起支付，刷脸终端采集目标对象的脸部图像，将开通、识别、支付等请求发送至识别后台，识别后台根据目标对象的脸部图像进行脸部识别验证，并向风控服务发送异常查询请求；风控服务请求特征服务进行特征查询，例如账号、设备、关系、异常标签等特征数据，再向决策引擎发送异常检测请求；决策引擎根据查询到的特征数据进行异常检测，将异常检测结果返回至风控服务以及上报至数据平台；风控服务将异常检测结果返回至识别后台，并将异常查询请求记录上报；若存在异常，识别后台向刷脸终端发送加验请求；刷脸终端根据异常检测结果对应的加验方式采集目标终端的验证信息，并将验证信息发送至识别后台；识别后台根据验证信息对目标对象进行验证，将验证结果发送至风控服务以及刷脸终端；刷脸终端将验证结果向目标对象进行显示；风控服务将验证结果上报至数据平台和特征服务；特征服务实时对特征数据进行更新；数据平台根据决策引擎发送的异常检测结果以及风控服务发送的验证结果进行事后审计，离线对特征数据进行更新。

通过风控服务向决策引擎发送异常检测请求，若存在异常，识别后台向刷脸终端发送加验请求，可以提升交易的可靠性与安全性。并且，通过对特征数据进行实时更新和离线更新，可以提升特征数据的实时性和准确性，提升利用特征数据对目标对象进行异常检测的准确性。

可以理解的是，虽然上述各个流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本实施例中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时间执行完成，而是可以在不同的时间执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

参照图12，图12为本申请实施例提供的对象验证装置的一种可选的结构示意图，该对象验证装置1200包括：

图像匹配模块1201，用于获取目标终端采集的目标对象的样本生物特征图像，从预设的数据库中确定与样本生物特征图像相似的参考生物特征图像；

信息获取模块1202，用于当参考生物特征图像的数量为多个，获取各个参考生物特征图像对应的参考对象的对象属性信息；

异常检测模块1203，用于根据对象属性信息确定多个参考对象之间的对象关系，根据对象关系对目标对象进行异常检测，得到第一异常检测结果，其中，第一异常检测结果用于指示目标终端对目标对象进行验证信息采集后得到的验证信息的类型；

验证模块1204，用于获取目标终端基于第一异常检测结果采集的第一验证信息，根据第一验证信息对目标对象进行验证。

进一步，样本生物特征图像包括样本脸部图像，参考生物特征图像包括参考脸部图像，上述图像匹配模块1201具体用于：

获取目标终端采集的目标对象在多个模态下的样本脸部图像；

从预设数据库中确定与对应模态下的样本脸部图像相似的参考图像集合，根据多个参考图像集合之间的交集得到参考脸部图像。

进一步，多个模态下的样本脸部图像包括彩色脸部图像、红外脸部图像和深度脸部图像，上述图像匹配模块1201具体用于：

从预设的彩色图像数据库中确定与彩色脸部图像相似的第一参考图像集合，从预设的红外图像数据库中确定与红外脸部图像相似的第二参考图像集合，从预设的深度图像数据库中确定与深度脸部图像相似的第三参考图像集合；

根据第一参考图像集合、第二参考图像集合以及第三参考图像集合之间的交集，得到参考脸部图像。

进一步，上述信息获取模块1202具体用于：

获取各个参考生物特征图像对应的参考对象的参考交易数据，根据参考交易数据从多个参考生物特征图像中筛选出候选生物特征图像；

获取候选生物特征图像对应的参考对象的对象属性信息。

进一步，上述信息获取模块1202具体用于：

从参考交易数据中提取出历史交易位置，将历史交易位置位于同一个预设区域的参考对象对应的参考生物特征图像，确定为候选生物特征图像；

或者，从参考交易数据中提取出历史交易环境，将历史交易环境相同的参考对象对应的参考生物特征图像，确定为候选生物特征图像；

或者，从参考交易数据中提取出与其余的参考对象之间的历史交易频次，将历史交易频次大于或者等于第一频次阈值的参考对象对应的参考生物特征图像，确定为候选生物特征图像；

或者，从参考交易数据中提取出账号历史交易关联关系，将存在账号历史交易关联关系的参考对象对应的参考生物特征图像，确定为候选生物特征图像。

进一步，第一异常检测结果包括信息类型标识，上述异常检测模块1203具体用于：

根据对象属性信息之间的相似性确定对象关系标识，其中，对象关系标识用于指示多个参考对象之间的对象关系；

根据对象关系标识从多个预设的信息类型标识中匹配得到信息类型标识。

进一步，上述验证模块1204具体用于：

根据第一验证信息从多个参考生物特征图像中确定目标生物特征图像；

确定目标生物特征图像对应的参考对象的参考对象标识，将参考对象标识作为目标对象的目标对象标识。

进一步，上述异常检测模块1203还用于：

根据目标对象标识获取目标对象的目标交易数据，根据目标交易数据对目标对象进行异常检测，得到第二异常检测结果，其中，第二异常检测结果用于指示目标终端对目标对象进行验证信息采集后得到的验证信息的类型；

上述验证模块1204还用于：

获取目标终端基于第二异常检测结果采集的第二验证信息，根据第二验证信息再次对目标对象进行验证。

进一步，上述异常检测模块1203具体用于：

获取多个不同检测维度的第一检测模型，将目标交易数据输入至各个第一检测模型，对目标对象进行异常检测，得到各个第一检测模型的第一模型检测结果；

将多个第一模型检测结果进行加权处理，得到第二异常检测结果。

进一步，多个不同检测维度的第一检测模型包括账号丢失检测模型、账号异地跳变检测模型、对象一致性检测模型和账号被击检测模型，上述异常检测模块1203具体用于：

从目标交易数据中提取出历史操作记录，输入至账号丢失检测模型；

从目标交易数据中提取出历史操作记录和当前交易位置，输入至账号异地跳变检测模型；

从目标交易数据中提取出历史操作记录和账号认证记录，输入至对象一致性检测模型；

从目标交易数据中提取出历史操作记录和当前操作记录，输入至账号被击检测模型。

进一步，上述异常检测模块1203还用于：

当第二异常检测结果指示目标对象正常，或者目标对象验证通过，执行目标对象当前的交易请求；

获取多个不同检测维度的第二检测模型，将目标交易数据输入至各个第二检测模型，对目标对象进行异常检测，得到各个第二检测模型的第二模型检测结果；

当第二模型检测结果指示目标对象存在异常，调整第一检测模型的参数。

进一步，上述异常检测模块1203具体用于：

从目标交易数据中提取出在预设时间范围内的当前交易频次，当当前交易频次大于或者等于第二频次阈值，确定目标对象的异常检测结果为交易频次异常；

或者，从目标交易数据中提取出在预设时间范围内的当前交易额度，当当前交易额度大于或者等于额度阈值，确定目标对象的异常检测结果为交易额度异常；

或者，从目标交易数据中提取出当前交易环境和历史交易环境，当当前交易环境与历史交易环境不相同，确定目标对象的异常检测结果为交易环境异常；

或者，从目标交易数据中提取出当前意图标签，当当前意图标签与预设的异常意图标签相匹配，确定目标对象的异常检测结果为交易意图异常。

上述对象验证装置1200与对象验证方法基于相同的发明构思，通过获取目标终端采集的样本生物特征图像，从预设的数据库中确定与样本生物特征图像相似的参考生物特征图像，可以对目标对象进行初步验证，接着，当从数据库中确定得到的参考生物特征图像的数量为多个时，通过获取目标终端基于第一异常检测结果采集的第一验证信息，进而根据第一验证信息对目标对象进行验证，可以达到对目标对象的加验效果，即使从数据库中确定得到的参考生物特征图像的数量为多个时，也能提升对象验证的准确性和可靠性；并且，通过获取各个参考生物特征图像对应的参考对象的对象属性信息，根据对象属性信息确定多个参考对象之间的对象关系，根据所述对象关系对所述目标对象进行异常检测，得到第一异常检测结果，可以根据第一异常检测结果匹配对应的验证信息的类型，提升验证信息的采集合理性，从而进一步提升对象验证的准确性和可靠性。

本申请实施例提供的用于执行上述对象验证方法的电子设备可以是服务器，参照图13，图13为本申请实施例提供的服务器的部分结构框图，服务器1300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central ProcessingUnits，简称CPU)1322(例如，一个或一个以上处理器)和存储器1332，一个或一个以上存储应用程序1342或数据1344的存储介质1330(例如一个或一个以上海量存储装置)。其中，存储器1332和存储介质1330可以是短暂存储或持久存储。存储在存储介质1330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器1300中的一系列指令操作。更进一步地，中央处理器1322可以设置为与存储介质1330通信，在服务器1300上执行存储介质1330中的一系列指令操作。

服务器1300还可以包括一个或一个以上电源1326，一个或一个以上有线或无线网络接口1350，一个或一个以上输入输出接口1358，和/或，一个或一个以上操作系统1341，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等等。

服务器1300中的处理器可以用于执行对象验证方法。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行前述各个实施例的对象验证方法。

本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在计算机可读存介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序，处理器执行该计算机程序，使得该计算机设备执行实现上述的对象验证方法。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或装置不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或装置固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

应了解，在本申请实施例的描述中，多个(或多项)的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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，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。

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。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

还应了解，本申请实施例提供的各种实施方式可以任意进行组合，以实现不同的技术效果。

以上是对本申请的较佳实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请精神的共享条件下还可作出种种等同的变形或替换，这些等同的变形或替换均包括在本申请权利要求所限定的范围内。

Claims (16)

1.一种对象验证方法，其特征在于，包括：

获取目标终端采集的目标对象的样本生物特征图像，从预设的数据库中确定与所述样本生物特征图像相似的参考生物特征图像；

当所述参考生物特征图像的数量为多个，获取各个所述参考生物特征图像对应的参考对象的对象属性信息；

根据所述对象属性信息确定多个所述参考对象之间的对象关系，根据所述对象关系对所述目标对象进行异常检测，得到第一异常检测结果，其中，所述第一异常检测结果用于指示所述目标终端对所述目标对象进行验证信息采集后得到的验证信息的类型；

获取所述目标终端基于所述第一异常检测结果采集的第一验证信息，根据所述第一验证信息对所述目标对象进行验证。

2.根据权利要求1所述的对象验证方法，其特征在于，所述样本生物特征图像包括样本脸部图像，所述参考生物特征图像包括参考脸部图像，所述获取目标终端采集的目标对象的样本生物特征图像，从预设的数据库中确定与所述样本生物特征图像相似的参考生物特征图像，包括：

获取目标终端采集的目标对象在多个模态下的所述样本脸部图像；

从预设数据库中确定与对应模态下的所述样本脸部图像相似的参考图像集合，根据多个所述参考图像集合之间的交集得到所述参考脸部图像。

3.根据权利要求2所述的对象验证方法，其特征在于，多个模态下的所述样本脸部图像包括彩色脸部图像、红外脸部图像和深度脸部图像，所述从预设的数据库中确定与对应模态下的所述样本脸部图像相似的参考图像集合，根据多个所述参考图像集合之间的交集得到所述参考脸部图像，包括：

从预设的彩色图像数据库中确定与所述彩色脸部图像相似的第一参考图像集合，从预设的红外图像数据库中确定与所述红外脸部图像相似的第二参考图像集合，从预设的深度图像数据库中确定与所述深度脸部图像相似的第三参考图像集合；

根据所述第一参考图像集合、所述第二参考图像集合以及所述第三参考图像集合之间的交集，得到所述参考脸部图像。

4.根据权利要求1所述的对象验证方法，其特征在于，所述获取各个所述参考生物特征图像对应的参考对象的对象属性信息，包括：

获取各个所述参考生物特征图像对应的参考对象的参考交易数据，根据所述参考交易数据从多个所述参考生物特征图像中筛选出候选生物特征图像；

获取所述候选生物特征图像对应的所述参考对象的对象属性信息。

5.根据权利要求4所述的对象验证方法，其特征在于，所述根据所述参考交易数据从多个所述参考生物特征图像中筛选出候选生物特征图像，包括：

从所述参考交易数据中提取出历史交易位置，将所述历史交易位置位于同一个预设区域的所述参考对象对应的所述参考生物特征图像，确定为候选生物特征图像；

或者，从所述参考交易数据中提取出历史交易环境，将所述历史交易环境相同的所述参考对象对应的所述参考生物特征图像，确定为候选生物特征图像；

或者，从所述参考交易数据中提取出与其余的所述参考对象之间的历史交易频次，将所述历史交易频次大于或者等于第一频次阈值的所述参考对象对应的所述参考生物特征图像，确定为候选生物特征图像；

或者，从所述参考交易数据中提取出账号历史交易关联关系，将存在所述账号历史交易关联关系的所述参考对象对应的所述参考生物特征图像，确定为候选生物特征图像。

6.根据权利要求1所述的对象验证方法，其特征在于，所述第一异常检测结果包括信息类型标识，所述根据所述对象属性信息确定多个所述参考对象之间的对象关系，根据所述对象关系对所述目标对象进行异常检测，得到第一异常检测结果，包括：

根据所述对象属性信息之间的相似性确定对象关系标识，其中，所述对象关系标识用于指示多个所述参考对象之间的对象关系；

根据所述对象关系标识从多个预设的信息类型标识中匹配得到所述信息类型标识。

7.根据权利要求1至6任意一项所述的对象验证方法，其特征在于，所述根据所述第一验证信息对所述目标对象进行验证，包括：

根据所述第一验证信息从多个所述参考生物特征图像中确定目标生物特征图像；

确定所述目标生物特征图像对应的所述参考对象的参考对象标识，将所述参考对象标识作为所述目标对象的目标对象标识。

8.根据权利要求7所述的对象验证方法，其特征在于，所述对象验证方法还包括：

根据所述目标对象标识获取所述目标对象的目标交易数据，根据所述目标交易数据对所述目标对象进行异常检测，得到第二异常检测结果，其中，所述第二异常检测结果用于指示所述目标终端对所述目标对象进行验证信息采集后得到的验证信息的类型；

获取所述目标终端基于所述第二异常检测结果采集的第二验证信息，根据所述第二验证信息再次对所述目标对象进行验证。

9.根据权利要求8所述的对象验证方法，其特征在于，所述根据所述目标交易数据对所述目标对象进行异常检测，得到第二异常检测结果，包括：

获取多个不同检测维度的第一检测模型，将所述目标交易数据输入至各个所述第一检测模型，对所述目标对象进行异常检测，得到各个所述第一检测模型的第一模型检测结果；

将多个所述第一模型检测结果进行加权处理，得到第二异常检测结果。

10.根据权利要求9所述的对象验证方法，其特征在于，多个不同检测维度的所述第一检测模型包括账号丢失检测模型、账号异地跳变检测模型、对象一致性检测模型和账号被击检测模型，所述将所述目标交易数据输入至各个所述第一检测模型，包括：

从所述目标交易数据中提取出历史操作记录，输入至所述账号丢失检测模型；

从所述目标交易数据中提取出所述历史操作记录和当前交易位置，输入至所述账号异地跳变检测模型；

从所述目标交易数据中提取出所述历史操作记录和账号认证记录，输入至所述对象一致性检测模型；

从所述目标交易数据中提取出所述历史操作记录和当前操作记录，输入至所述账号被击检测模型。

11.根据权利要求9所述的对象验证方法，其特征在于，所述对象验证方法还包括：

当所述第二异常检测结果指示所述目标对象正常，或者所述目标对象验证通过，执行所述目标对象当前的交易请求；

获取多个不同检测维度的第二检测模型，将所述目标交易数据输入至各个所述第二检测模型，对所述目标对象进行异常检测，得到各个所述第二检测模型的第二模型检测结果；

当所述第二模型检测结果指示所述目标对象存在异常，调整所述第一检测模型的参数。

12.根据权利要求8所述的对象验证方法，其特征在于，所述根据所述目标交易数据对所述目标对象进行异常检测，得到异常检测结果，包括：

从所述目标交易数据中提取出在预设时间范围内的当前交易频次，当所述当前交易频次大于或者等于第二频次阈值，确定所述目标对象的异常检测结果为交易频次异常；

或者，从所述目标交易数据中提取出在预设时间范围内的当前交易额度，当所述当前交易额度大于或者等于额度阈值，确定所述目标对象的异常检测结果为交易额度异常；

或者，从所述目标交易数据中提取出当前交易环境和历史交易环境，当所述当前交易环境与所述历史交易环境不相同，确定所述目标对象的异常检测结果为交易环境异常；

或者，从所述目标交易数据中提取出当前意图标签，当所述当前意图标签与预设的异常意图标签相匹配，确定所述目标对象的异常检测结果为交易意图异常。

13.一种对象验证装置，其特征在于，包括：

图像匹配模块，用于获取目标终端采集的目标对象的样本生物特征图像，从预设的数据库中确定与所述样本生物特征图像相似的参考生物特征图像；

信息获取模块，用于当所述参考生物特征图像的数量为多个，获取各个所述参考生物特征图像对应的参考对象的对象属性信息；

异常检测模块，用于根据所述对象属性信息确定多个所述参考对象之间的对象关系，根据所述对象关系对所述目标对象进行异常检测，得到第一异常检测结果，其中，所述第一异常检测结果用于指示所述目标终端对所述目标对象进行验证信息采集后得到的验证信息的类型；

验证模块，用于获取所述目标终端基于所述第一异常检测结果采集的第一验证信息，根据所述第一验证信息对所述目标对象进行验证。

14.一种电子设备，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12任意一项所述的对象验证方法。

15.一种计算机可读存储介质，所述存储介质存储有计算机程序，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12任意一项所述的对象验证方法。

16.一种计算机程序产品，包括计算机程序，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12任意一项所述的对象验证方法。