CN110751490A - 欺诈识别方法、装置、电子设备及计算机可读存储介质 - Google Patents
欺诈识别方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110751490A CN110751490A CN201911007383.4A CN201911007383A CN110751490A CN 110751490 A CN110751490 A CN 110751490A CN 201911007383 A CN201911007383 A CN 201911007383A CN 110751490 A CN110751490 A CN 110751490A
- Authority
- CN
- China
- Prior art keywords
- image
- human
- application
- fraud
- related information
- 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 39
- 238000012795 verification Methods 0.000 claims abstract description 85
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012550 audit Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000007 visual 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
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种欺诈识别方法、装置、电子设备及计算机可读存储介质,应用于图像处理技术领域,其中该方法包括:自动确定与待识别图像相似的的N个图像,以及基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验,基于校验的结果信息进行相应处理。避免人工对照片进行逐幅浏览比对,提升了***申请欺诈识别审核的效率;再者,能够识别出LOGO不同但是拍摄背景相同的照片对应的欺诈申请,从而提升了新增申请欺诈申请识别的准确性,此外,对于漏识别的历史申请中的欺诈申请,也能够通过新增申请照片与历史照片的相似度计算以及对应的申请相关信息的校验识别出来,从而降低历史***申请的欺诈风险。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,本申请涉及一种欺诈识别方法、装置、电子设备及计算机可读存储介质。
背景技术
随着我国***业务的发展和发卡量的大量增长,***的风险也日益凸显,***坏账率呈上升走势,其中,欺诈申请造成的坏账占比很大,如何有效识别这些欺诈申请成为了一个问题。
目前,***欺诈申请是通过人工审核的方式实现的,即业务人员对待审核***申请人员提供的照片与大量历史照片逐幅进行核验比对,确定待审核***申请人是否为欺诈申请。然而,根据现有的人工审核的方式,业务人员需要对大量的历史照片进行逐幅浏览,存在审核效率低的问题;此外,对于一些公司LOGO不同但是拍摄背景相同的申请照片(即存在如下欺诈申请的可能:伪造或租借拍摄环境,得到多张申请照片,继而进行欺诈申请),人工审核的方式很难发现这一问题。
发明内容
本申请提供了一种欺诈识别方法、装置、电子设备及计算机可读存储介质,用于提升***申请审核的效率、降低新增申请的欺诈风险以及发现存量申请中的欺诈申请,本申请采用的技术方案如下:
第一方面,提供了一种欺诈识别方法,该方法包括,
获取包含目标申请人的待识别图像,以及获取目标申请人的申请相关信息;
确定与待识别图像相似的的N个图像,以及获取N个图像对应的申请人的申请相关信息,N为正整数;
基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验;
基于欺诈申请审核校验的结果信息进行相应处理。
具体地,确定与待识别图像相似的的N个图像,包括:
对待识别图像进行人形去除,得到人形去除后的图像;
确定与人形去除后的图像相似的N个图像;
将确定的与人形去除后的图像相似的N个图像确定为与待识别图像相似的的N个图像。
具体地,对待识别图像进行人形去除,得到人形去除后的图像,包括:
通过语义分割网络检测出待识别图像中的人形区域;
对检测出的待识别图像中的人形区域进行像素值填充,得到人形去除后的图像。
具体地,确定与人形去除后的图像相似的N个图像,包括:
提取人形去除后的图像的图像特征;
基于人形去除后的图像的图像特征与预存储的多个图像特征进行相似度计算;
基于相似度计算结果,确定出与人形去除后的图像相似的N个图像。
进一步地,该方法还包括:
通过全卷积神经网络提取得到待识别图像的人形掩码图像,人形掩码为二值数据;
确定与人形去除后的图像相似的N个图像,包括:
基于去除人形后的图像与人形掩码图像得到四通道数据;
基于提取到的四通道数据的图像特征与预存储的多个图像特征进行相似度计算;
基于相似度计算结果,确定出与人形去除后的图像相似的N个图像。
具体地,像素值填充为以下任一项:
为人形区域的像素进行统一赋值,赋值的取值范围为0~255任一值;
图像还原填充,所述图像还原填充用于恢复人形遮挡部分的背景。
其中,申请相关信息包括以下至少一项:
单位信息;终端设备信息;客户经理信息;图像信息,图像信息包括拍摄时间信息、地点信息。
第二方面,提供了一种欺诈识别装置,该装置包括,
获取模块,用于获取包含目标申请人的待识别图像,以及获取目标申请人的申请相关信息;
确定模块,用于确定与待识别图像相似的的N个图像,以及获取N个图像对应的申请人的申请相关信息,N为正整数;
校验模块,用于基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验;
处理模块,用于基于欺诈申请审核校验的结果信息进行相应处理。
具体地,确定模块包括:
去除单元,用于对待识别图像进行人形去除,得到人形去除后的图像;
第一确定单元,用于确定与人形去除后的图像相似的N个图像;
第二确定单元,用于将确定的与人形去除后的图像相似的N个图像确定为与待识别图像相似的的N个图像。
具体地,去除单元具体用于通过语义分割网络检测出待识别图像中的人形区域,以及用于对检测出的待识别图像中的人形区域进行像素值填充,得到人形去除后的图像。
具体地,第一确定单元具体用于提取人形去除后的图像的图像特征,以及用于基于人形去除后的图像的图像特征与预存储的多个图像特征进行相似度计算,以及用于基于相似度计算结果,确定出与人形去除后的图像相似的N个图像。
具体地,确定模块还包括:
提取单元,用于通过全卷积神经网络提取得到待识别图像的人形掩码图像,人形掩码为二值数据;
第一确定单元,具体用于基于去除人形后的图像与人形掩码图像得到四通道数据,以及用于基于提取到的四通道数据的图像特征与预存储的多个图像特征进行相似度计算,以及用于基于相似度计算结果,确定出与人形去除后的图像相似的N个图像。
具体地,像素值填充为以下任一项:
为人形区域的像素进行统一赋值,赋值的取值范围为0~255任一值;
图像还原填充,所述图像还原填充用于恢复人形遮挡部分的背景。
其中,申请相关信息包括以下至少一项:
单位信息;终端设备信息;客户经理信息;图像信息,图像信息包括拍摄时间信息、地点信息。
第三方面,提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序配置用于:执行第一方面所示的欺诈识别方法。
第四方面,提供了一种计算机可读存储介质,计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机可以执行第一方面所示的欺诈识别方法。
本申请提供了一种欺诈识别方法、装置、电子设备及计算机可读存储介质,与现有技术通过人工方式进行***申请的审核相比,本申请通过获取包含目标申请人的待识别图像,以及获取目标申请人的申请相关信息,然后确定与待识别图像相似的的N个图像,以及获取N个图像对应的申请人的申请相关信息,N为正整数,继而基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验,基于欺诈申请审核校验的结果信息进行相应处理。即自动确定与待识别图像相似的的N个图像,以及基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验,基于欺诈申请审核校验的结果信息进行相应处理。避免人工对照片进行逐幅浏览比对,提升了***申请欺诈识别审核的效率;再者,能够识别出LOGO不同但是拍摄背景相同的照片对应的欺诈申请,从而提升了新增申请欺诈申请识别的准确性,此外,对于漏识别的历史申请中的欺诈申请,也能够通过新增申请照片与历史照片的相似度计算以及对应的申请相关信息的校验识别出来,从而降低历史***申请的欺诈风险。
本申请附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例的一种欺诈识别方法的流程示意图;
图2为本申请实施例的一种欺诈识别装置的结构示意图;
图3为本申请实施例的另一种欺诈识别装置的结构示意图;
图4为本申请实施例的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,各实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
本申请实施例提供了一种欺诈识别方法,如图1所示,该方法可以包括以下步骤:
步骤S101,获取包含目标申请人的待识别图像,以及获取目标申请人的申请相关信息;
具体地,可以获取目标申请人通过相应APP提交的包含目标申请人的待识别图像,其中,该待识别图像是在目标申请人的真实的工作环境中拍摄的人像照片,该待识别图像可以包括目标申请人的公司的LOGO信息;
具体地,在获取待识别图像的同时,也可以获取目标申请人的申请相关信息;
其中,申请相关信息包括但不限于以下信息:单位信息,即申请人的单位名称信息、LOGO等信息;终端设备信息,可以是终端设备的唯一识别代码信息,如IMEI信息;客户经理信息;图像信息,图像信息包括拍摄时间信息、地点信息。
步骤S102,确定与待识别图像相似的的N个图像,以及获取N个图像对应的申请人的申请相关信息,N为正整数;
具体地,通过相应的图像识别方法,从历史申请图像中确定出与待识别图像相似的N个图像,并分别获取该N个图像对应的申请人的申请相关信息;
其中,该N个图像可以是与待识别图像进行相似度计算并取TOP-N得到的,即取相似度最高的N个图像,其中,N为正整数,可以人工设置N到的取值,如可以设置N=10。
步骤S103,基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验;
具体地,基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验;
具体地,可以对目标申请人的单位信息与N个图像对应的申请人的单位信息进行比对校验,如果校验结果为不一致,则确定欺诈申请审核校验的校验结果为欺诈申请,如果校验结果为一致,则确定欺诈申请审核校验的校验结果为可信申请;
具体地,还可以对目标申请人的终端识别信息与N个图像对应的申请人的终端设备进行比对校验,如果校验结果为一致,则确定欺诈申请审核校验校验结果为欺诈申请,如果校验结果为不一致,则确定校验结果为可信申请;
具体地,也可以对多个申请相关信息进行综合分析判断,确定欺诈申请审核校验的校验结果。
步骤S104,基于欺诈申请审核校验的结果信息进行相应处理。
具体地,根据欺诈申请审核校验的结果信息进行相应处理,例如欺诈申请审核校验的结果为欺诈申请,则进行欺诈申请的提示,提示相关业务人员进行相应处理;如果校验结果为可信申请,则提示准予申请。
本申请实施例提供了一种欺诈识别方法,与现有技术通过人工方式进行***申请的审核相比,本申请实施例通过获取包含目标申请人的待识别图像,以及获取目标申请人的申请相关信息,然后确定与待识别图像相似的的N个图像,以及获取N个图像对应的申请人的申请相关信息,N为正整数,继而基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验,基于欺诈申请审核校验的结果信息进行相应处理。即自动确定与待识别图像相似的的N个图像,以及基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验,基于欺诈申请审核校验的结果信息进行相应处理。避免人工对照片进行逐幅浏览比对,提升了***申请欺诈识别审核的效率;再者,能够识别出LOGO不同但是拍摄背景相同的照片对应的欺诈申请,从而提升了新增申请欺诈申请识别的准确性,此外,对于漏识别的历史申请中的欺诈申请,也能够通过新增申请照片与历史照片的相似度计算以及对应的申请相关信息的校验识别出来,从而降低历史***申请的欺诈风险。
本申请实施例提供了一种可能的实现方式,步骤S102包括:
步骤S1021(图中未示出),对待识别图像进行人形去除,得到人形去除后的图像;
具体地,通过相应的图像处理方法,对待识别图像进行人形去除,即去除待识别图像中的人像部分,得到人形去除后的图像;
步骤S1022(图中未示出),确定与人形去除后的图像相似的N个图像;
具体地,通过相应的图像识别算法,从图像数据库中确定出与人形去除后的图像相似的N个图像,其中,图像数据库存储有去除人形的历史申请图像。
步骤S1023(图中未示出),将确定的与人形去除后的图像相似的N个图像确定为与待识别图像相似的的N个图像。
具体地,将确定的与人形去除后的图像相似的N个图像确定为与待识别图像相似的的N个图像。
对于本申请实施例,将确定的与人形去除后的图像相似的N个图像确定为与待识别图像相似的的N个图像,解决了与待识别图像相似的的N个图像的确定问题,此外,对图像中的人形部分进行去除,从而的去除人形部分对图像相似度计算的影响,从而提升欺诈申请识别的准确性。
本申请实施例提供了一种可能的实现方式,步骤S1021(图中未示出)包括:
步骤S10211(图中未示出),通过语义分割网络检测出待识别图像中的人形区域;
具体地,通过语义分割网络检测出待识别图像中的人形区域;其中该语义分割网络可以是全卷积神经网络(Fully convolutional networks,FCN),也可以是基于RCNN、Fast-RCNN、Faster-RCNN、Mask-RCNN、YOLO、SSD、DSSD等的语义分割网络,还可以是其他能够实现本申请的语义分割网络;
步骤S10212(图中未示出),对检测出的待识别图像中的人形区域进行像素值填充,得到人形去除后的图像。
具体地,对检测出的待识别图像的人形区域进行像素值填充,从而得到人形去除后的图像。
对于本申请实施例,通过像素值填充,从而解决了待识别图像的人形区域的去除问题。
本申请实施例提供了一种可能的实现方式,步骤S1022(图中未示出)包括:
步骤S10221(图中未示出),提取人形去除后的图像的图像特征;
具体地,可以通过卷积神经网络(Convolutional Neural Networks,CNN)提取人形去除后的图像的图像特征,如可以通过VGG16、VGG19、ResNet等提取人形去除后的图像的图像特征,也可以是能够实现本申请的传统的图像特征提取方法,本申请此处不做限定。
步骤S10222(图中未示出),基于人形去除后的图像的图像特征与预存储的多个图像特征进行相似度计算;
具体地,可以通过计算人形去除后的图像的图像特征与预存储的多个图像特征的余弦距离确定相似度,其中,相似度的计算也可以是通过计算其他距离实现的,如欧式距离、汉明距离等。
步骤S10223(图中未示出),基于相似度计算结果,确定出与人形去除后的图像相似的N个图像。
具体地,可以取相似度值排名前N的图像作为与人形去除后的图像相似的N个图像。
对于本申请实施例,解决了与人形去除后的图像相似的N个图像的确定问题。
本申请实施例提供了一种可能的实现方式,该方法还包括:
步骤S1024(图中未示出),通过全卷积神经网络提取得到待识别图像的人形掩码图像,人形掩码为二值数据;
具体地,通过全卷积神经网络(Fully convolutional networks,FCN)提取得到待识别图像的人形掩码图像,人形掩码为二值数据;
举例来说,二值数据可以是人形区域为0,非人形区域为1;也可以是人形区域为0,非人行区域为255;也可以是人形区域为1,非人行区域为255;其中,人形区域和非人形区域还可以是0-255范围内的不相同的任意两个取值。
步骤S1022(图中未示出)包括:
步骤S10224(图中未示出)基于去除人形后的图像与人形掩码图像得到四通道数据;
具体地,基于去除人形后的图像与人形掩码图像得到四通道数据,将人形掩码图像作为第四通道数据,即去除人形后的图像的RGB三通道数据与人形掩码图像并列组合得到四通道数据。
步骤S10225(图中未示出)基于提取到的四通道数据的图像特征与预存储的多个图像特征进行相似度计算;
具体地,通过相应的图像特征提取方法,提取得到四通道数据的图像特征,并将得到的四通道数据的图像特征与预存储的多个图像特征进行相似度计算;其中,预存储的多个图像特征是通过提取四个通道数据的特征得到的。
步骤S10226(图中未示出)基于相似度计算结果,确定出与人形去除后的图像相似的N个图像。
具体地,根据计算得到的相似度计算结果,确定出与人形去除后的图像相似的N个图像。
对于本申请实施例,通过添加掩码图像作为第四通道数据,人形掩码作用于卷积网络后,特征图即包含了人形所在的区域的信息,使得所提取的特征能更好地聚焦在感兴趣的区域,即人形区域部分之外的背景区域,提取四通道数据的图像特征进行相似度计算,从而去除了人形区域部分对相似度计算的影响。
本申请实施例提供了一种可能的实现方式,步骤S10212(图中未示出)的像素值填充为以下任一项:
为人形区域的像素进行统一赋值,赋值的取值范围为0~255任一值;
具体地,可以从0~255范围内确定任一值作为填充值,并将人形区域的像素值统一修改为确定的该填充值。
图像还原填充,所述图像还原填充用于恢复人形遮挡部分的背景。
具体地,可以通过相应的图像复原算法或图像修复算法恢复人形遮挡部分的背景;其中,修复指的是恢复图像损失的部分并且基于背景信息将它们重建的技术,它指的是在视觉输入的指定区域中填充缺失数据的过程,在数字世界中,它指的是应用复杂算法以替代图像数据中缺失或者损坏部分。
其中,图像修复可以使用基于扩散方法来处理,这种方法将局部结构传播到位置部分,或者基于示例的方法,每一次构建缺失部分的一个像素点(块)同时保持和周围像素点的一致性。当缺失部分很大时,这些方法会失效,因此需要一个额外的部件提供合理的想象力(来自机器的幻觉),这些附加的信息可能是由自然图像的高阶模型提供,例如由深度神经网络计算的那些。
在基于深度神经网络的实现方法中,可以依赖预训练神经网络的幻觉来填补图像中的大洞,深度神经网络使用监督图像分类,在监督图像分类中,每个图像都有一个特定的标签,并且神经网络通过一连串的基本操作运算来学习图像到标签之间的映射。当在巨大的数据集(数百万张带有成千个的标签的图像)上被训练后,神经网络具有卓越的分类表现并且偶尔可以超越人类的准确率。
对于本申请实施例,解决了如何进行像素值填充,以去除人形区域的问题。
图2为本申请实施例提供的一种欺诈识别装置,该装置20包括:获取模块201、确定模块202、校验模块203以及处理模块204,其中,
获取模201,用于获取包含目标申请人的待识别图像,以及获取目标申请人的申请相关信息;
确定模块202,用于确定与待识别图像相似的的N个图像,以及获取N个图像对应的申请人的申请相关信息,N为正整数;
校验模块203,用于基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验;
处理模块204,用于基于欺诈申请审核校验的结果信息进行相应处理。
其中,申请相关信息包括但不限于以下信息:单位信息,即申请人的单位名称信息、LOGO等信息;终端设备信息,可以是终端设备的唯一识别代码信息,如IMEI信息;客户经理信息;图像信息,图像信息包括拍摄时间信息、地点信息。
本申请实施例提供了一种欺诈识别装置,与现有技术通过人工方式进行***申请的审核相比,本申请实施例通过获取包含目标申请人的待识别图像,以及获取目标申请人的申请相关信息,然后确定与待识别图像相似的的N个图像,以及获取N个图像对应的申请人的申请相关信息,N为正整数,继而基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验,基于欺诈申请审核校验的结果信息进行相应处理。即自动确定与待识别图像相似的的N个图像,以及基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验,基于欺诈申请审核校验的结果信息进行相应处理。避免人工对照片进行逐幅浏览比对,提升了***申请欺诈识别审核的效率;再者,能够识别出LOGO不同但是拍摄背景相同的照片对应的欺诈申请,从而提升了新增申请欺诈申请识别的准确性,此外,对于漏识别的历史申请中的欺诈申请,也能够通过新增申请照片与历史照片的相似度计算以及对应的申请相关信息的校验识别出来,从而降低历史***申请的欺诈风险。
本实施例的欺诈识别装置可执行本申请上述实施例中提供的一种欺诈识别方法,其实现原理相类似,此处不再赘述。
如图3所示,本申请实施例提供了另一种欺诈识别装置,该装置30包括:获取模块301、确定模块302、校验模块303以及处理模块304,其中,
获取模301,用于获取包含目标申请人的待识别图像,以及获取目标申请人的申请相关信息;
其中,图3中的获取模块301与图2中的获取模块201的功能相同或者相似。
确定模块302,用于确定与待识别图像相似的的N个图像,以及获取N个图像对应的申请人的申请相关信息,N为正整数;
其中,图3中的确定模块302与图2中的确定模块202的功能相同或者相似。
校验模块303,用于基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验;
其中,图3中的校验模块303与图2中的校验模块203的功能相同或者相似。
处理模块304,用于基于欺诈申请审核校验的结果信息进行相应处理。
其中,图3中的处理模块304与图2中的处理模块204的功能相同或者相似。
本申请实施例提供了一种可能的实现方式,具体地,确定模块302包括:
去除单元3021,用于对待识别图像进行人形去除,得到人形去除后的图像;
第一确定单元3022,用于确定与人形去除后的图像相似的N个图像;
第二确定单元3023,用于将确定的与人形去除后的图像相似的N个图像确定为与待识别图像相似的的N个图像。
对于本申请实施例,将确定的与人形去除后的图像相似的N个图像确定为与待识别图像相似的的N个图像,解决了与待识别图像相似的的N个图像的确定问题,此外,对图像中的人形部分进行去除,从而的去除人形部分对图像相似度计算的影响,从而提升欺诈申请识别的准确性。
本申请实施例提供了一种可能的实现方式,具体地,去除单元3021具体用于通过语义分割网络检测出待识别图像中的人形区域,以及用于对检测出的待识别图像中的人形区域进行像素值填充,得到人形去除后的图像。
对于本申请实施例,通过像素值填充,从而解决了待识别图像的人形区域的去除问题。
本申请实施例提供了一种可能的实现方式,具体地,第一确定单元3022具体用于提取人形去除后的图像的图像特征,以及用于基于人形去除后的图像的图像特征与预存储的多个图像特征进行相似度计算,以及用于基于相似度计算结果,确定出与人形去除后的图像相似的N个图像。
对于本申请实施例,解决了与人形去除后的图像相似的N个图像的确定问题。
本申请实施例提供了一种可能的实现方式,具体地,确定模块302还包括:
提取单元3024,用于通过全卷积神经网络提取得到待识别图像的人形掩码图像,人形掩码为二值数据;
第一确定单元3022,具体用于基于去除人形后的图像与人形掩码图像得到四通道数据,以及用于基于提取到的四通道数据的图像特征与预存储的多个图像特征进行相似度计算,以及用于基于相似度计算结果,确定出与人形去除后的图像相似的N个图像。
对于本申请实施例,通过添加掩码图像作为第四通道数据,提取四通道数据的图像特征进行相似度计算,从而进一步去除了人形区域部分对相似度计算的影响。
本申请实施例提供了一种可能的实现方式,其中,像素值填充为以下任一项:
为人形区域的像素进行统一赋值,赋值的取值范围为0~255任一值;
图像还原填充,所述图像还原填充用于恢复人形遮挡部分的背景。
对于本申请实施例,解决了如何进行像素值填充,以去除人形区域的问题。
本申请实施例提供了一种欺诈识别装置,与现有技术通过人工方式进行***申请的审核相比,本申请实施例通过获取包含目标申请人的待识别图像,以及获取目标申请人的申请相关信息,然后确定与待识别图像相似的的N个图像,以及获取N个图像对应的申请人的申请相关信息,N为正整数,继而基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验,基于欺诈申请审核校验的结果信息进行相应处理。即自动确定与待识别图像相似的的N个图像,以及基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验,基于欺诈申请审核校验的结果信息进行相应处理。避免人工对照片进行逐幅浏览比对,提升了***申请欺诈识别审核的效率;再者,能够识别出LOGO不同但是拍摄背景相同的照片对应的欺诈申请,从而提升了新增申请欺诈申请识别的准确性,此外,对于漏识别的历史申请中的欺诈申请,也能够通过新增申请照片与历史照片的相似度计算以及对应的申请相关信息的校验识别出来,从而降低历史***申请的欺诈风险。
本申请实施例提供了一种欺诈识别装置,适用于上述实施例所示的方法,在此不再赘述。
本申请实施例提供了一种电子设备,如图4所示,图4所示的电子设备40包括:处理器401和存储器403。其中,处理器401和存储器403相连,如通过总线402相连。进一步地,电子设备40还可以包括收发器404。需要说明的是,实际应用中收发器404不限于一个,该电子设备40的结构并不构成对本申请实施例的限定。其中,处理器401应用于本申请实施例中,用于实现图2或图3所示的获取模块、确定模块、校验模块、处理模块的功能。收发器404包括接收机和发射机。
处理器401可以是CPU,通用处理器,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器401也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线402可包括一通路,在上述组件之间传送信息。总线402可以是PCI总线或EISA总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器403可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器403用于存储执行本申请方案的应用程序代码,并由处理器401来控制执行。处理器401用于执行存储器403中存储的应用程序代码,以实现图2或图3所示实施例提供的欺诈识别装置的功能。
本申请实施例提供了一种电子设备,与现有技术通过人工方式进行***申请的审核相比,本申请实施例通过获取包含目标申请人的待识别图像,以及获取目标申请人的申请相关信息,然后确定与待识别图像相似的的N个图像,以及获取N个图像对应的申请人的申请相关信息,N为正整数,继而基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验,基于欺诈申请审核校验的结果信息进行相应处理。即自动确定与待识别图像相似的的N个图像,以及基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验,基于欺诈申请审核校验的结果信息进行相应处理。避免人工对照片进行逐幅浏览比对,提升了***申请欺诈识别审核的效率;再者,能够识别出LOGO不同但是拍摄背景相同的照片对应的欺诈申请,从而提升了新增申请欺诈申请识别的准确性,此外,对于漏识别的历史申请中的欺诈申请,也能够通过新增申请照片与历史照片的相似度计算以及对应的申请相关信息的校验识别出来,从而降低历史***申请的欺诈风险。
本申请实施例提供了一种电子设备适用于上述方法实施例。在此不再赘述。
本申请实施例提供了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,该程序被处理器执行时实现上述实施例中所示的方法。
本申请实施例提供了一种计算机可读存储介质,与现有技术通过人工方式进行***申请的审核相比,本申请实施例通过获取包含目标申请人的待识别图像,以及获取目标申请人的申请相关信息,然后确定与待识别图像相似的的N个图像,以及获取N个图像对应的申请人的申请相关信息,N为正整数,继而基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验,基于欺诈申请审核校验的结果信息进行相应处理。即自动确定与待识别图像相似的的N个图像,以及基于目标申请人的申请相关信息与N个图像对应的申请人的申请相关信息进行欺诈申请审核校验,基于欺诈申请审核校验的结果信息进行相应处理。避免人工对照片进行逐幅浏览比对,提升了***申请欺诈识别审核的效率;再者,能够识别出LOGO不同但是拍摄背景相同的照片对应的欺诈申请,从而提升了新增申请欺诈申请识别的准确性,此外,对于漏识别的历史申请中的欺诈申请,也能够通过新增申请照片与历史照片的相似度计算以及对应的申请相关信息的校验识别出来,从而降低历史***申请的欺诈风险。
本申请实施例提供了一种计算机可读存储介质适用于上述方法实施例。在此不再赘述。
应该理解的是,虽然附图的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。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种欺诈识别方法,其特征在于,包括:
获取包含目标申请人的待识别图像,以及获取目标申请人的申请相关信息;
确定与所述待识别图像相似的的N个图像,以及获取所述N个图像对应的申请人的申请相关信息,N为正整数;
基于所述目标申请人的申请相关信息与所述N个图像对应的申请人的申请相关信息进行欺诈申请审核校验;
基于所述欺诈申请审核校验的结果信息进行相应处理。
2.根据权利要求1所述的方法,其特征在于,所述确定与所述待识别图像相似的的N个图像,包括:
对所述待识别图像进行人形去除,得到人形去除后的图像;
确定与所述人形去除后的图像相似的N个图像;
将确定的与所述人形去除后的图像相似的N个图像确定为与所述待识别图像相似的的N个图像。
3.根据权利要求2所述的方法,其特征在于,所述对所述待识别图像进行人形去除,得到人形去除后的图像,包括:
通过语义分割网络检测出所述待识别图像中的人形区域;
对检测出的所述待识别图像中的人形区域进行像素值填充,得到所述人形去除后的图像。
4.根据权利要求2所述的方法,其特征在于,所述确定与所述人形去除后的图像相似的N个图像,包括:
提取所述人形去除后的图像的图像特征;
基于所述人形去除后的图像的图像特征与预存储的多个图像特征进行相似度计算;
基于相似度计算结果,确定出与所述人形去除后的图像相似的N个图像。
5.根据权利要求2所述的方法,其特征在于,该方法还包括:
通过全卷积神经网络提取得到所述待识别图像的人形掩码图像,所述人形掩码为二值数据;
所述确定与所述人形去除后的图像相似的N个图像,包括:
基于所述去除人形后的图像与所述人形掩码图像得到四通道数据;
基于提取到的所述四通道数据的图像特征与预存储的多个图像特征进行相似度计算;
基于相似度计算结果,确定出与所述人形去除后的图像相似的N个图像。
6.根据权利要求3所述的方法,所述像素值填充为以下任一项:
为所述人形区域的像素进行统一赋值,赋值的取值范围为0~255任一值;
图像还原填充,所述图像还原填充用于恢复人形遮挡部分的背景。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述申请相关信息包括以下至少一项:
单位信息;终端设备信息;客户经理信息;图像信息,所述图像信息包括拍摄时间信息、地点信息。
8.一种欺诈识别装置,其特征在于,包括:
获取模块,用于获取包含目标申请人的待识别图像,以及获取目标申请人的申请相关信息;
确定模块,用于确定与所述待识别图像相似的的N个图像,以及获取所述N个图像对应的申请人的申请相关信息,N为正整数;
校验模块,用于基于所述目标申请人的申请相关信息与所述N个图像对应的申请人的申请相关信息进行欺诈申请审核校验;
处理模块,用于基于所述欺诈申请审核校验的结果信息进行相应处理。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于:执行根据权利要求1至7任一项所述的欺诈识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机可以执行上述权利要求1至7中任一项所述的欺诈识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007383.4A CN110751490A (zh) | 2019-10-22 | 2019-10-22 | 欺诈识别方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007383.4A CN110751490A (zh) | 2019-10-22 | 2019-10-22 | 欺诈识别方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751490A true CN110751490A (zh) | 2020-02-04 |
Family
ID=69279344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911007383.4A Pending CN110751490A (zh) | 2019-10-22 | 2019-10-22 | 欺诈识别方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751490A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113688650A (zh) * | 2021-09-22 | 2021-11-23 | 支付宝(杭州)信息技术有限公司 | 识别图片的方法及装置 |
CN114926725A (zh) * | 2022-07-18 | 2022-08-19 | 中邮消费金融有限公司 | 一种基于图像分析的线上金融团伙欺诈识别方法 |
-
2019
- 2019-10-22 CN CN201911007383.4A patent/CN110751490A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113688650A (zh) * | 2021-09-22 | 2021-11-23 | 支付宝(杭州)信息技术有限公司 | 识别图片的方法及装置 |
CN113688650B (zh) * | 2021-09-22 | 2022-06-17 | 支付宝(杭州)信息技术有限公司 | 识别图片的方法及装置 |
CN114926725A (zh) * | 2022-07-18 | 2022-08-19 | 中邮消费金融有限公司 | 一种基于图像分析的线上金融团伙欺诈识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751490A (zh) | 欺诈识别方法、装置、电子设备及计算机可读存储介质 | |
CN108197644A (zh) | 一种图像识别方法和装置 | |
CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
CN104618350A (zh) | 一种图片验证码的生成方法 | |
JP2021135993A (ja) | テキスト認識方法及びテキスト認識装置、電子設備、記憶媒体 | |
CN110796269B (zh) | 一种生成模型的方法、装置、信息处理的方法及装置 | |
CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN110647895B (zh) | 一种基于登录框图像的钓鱼页面识别方法及相关设备 | |
CN111353514A (zh) | 模型训练方法、图像识别方法、装置及终端设备 | |
CN111275070B (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
CN112052702A (zh) | 一种识别二维码的方法和装置 | |
CN110414586B (zh) | 基于深度学习的防伪标签验伪方法、装置、设备及介质 | |
CN115240203A (zh) | 业务数据处理方法、装置、设备及存储介质 | |
CN113468905B (zh) | 图形码识别方法、装置、计算机设备和存储介质 | |
CN114241463A (zh) | 签名验证方法、装置、计算机设备和存储介质 | |
CN110363534B (zh) | 用于识别异常交易的方法及装置 | |
CN110019818B (zh) | 一种批量注册邮箱的检测方法及装置 | |
CN115049836B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN115660817A (zh) | 一种分类模型训练方法及装置 | |
CN113221888B (zh) | 车牌号管理***测试方法、装置、电子设备及存储介质 | |
CN111797922B (zh) | 文本图像分类方法及装置 | |
CN115374517A (zh) | 布线软件的测试方法、装置、电子设备及存储介质 | |
CN110414845B (zh) | 针对目标交易的风险评估方法及装置 | |
CN110674830B (zh) | 图像隐私识别方法、装置、计算机设备和存储介质 | |
CN113095313A (zh) | 文本字符串的识别方法、装置和服务器 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |
|
RJ01 | Rejection of invention patent application after publication |