CN110839242A - 异常号码识别方法及装置 - Google Patents

Abstract

本发明实施例提供一种异常号码识别方法及装置。所述方法包括：获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；其中，所述预设特征提取模型与所述目标特征的特征类型相对应；获取所述新增图片的相似图片，确定所述相似图片所属的相似号码；所述相似图片为与所述目标特征满足与所述特征类型对应的预设要求的图片；当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码。本发明实施例实现了自动查找疑似不知情开户或借名开户的异常号码，无需人工审核。

Description

异常号码识别方法及装置

技术领域

本发明实施例涉及移动通信技术领域，尤其涉及一种异常号码识别方法及装置。

背景技术

随着移动通信技术的发展，通用移动通信技术的长期演进(Long TermEvolution，LTE)以其优越的特性已经占据了大量的用户市场份额，4G的业务的快速发展导致运营商之间的竞争也愈发剧烈，新增4G用户已成为运营商的重点考核指标之一。然而，在运营商所属的社会渠道的业务推广中，为了完成业务指标，一些不法代理商通过对用户拍摄多张照片，在用户不知情的情况下为用户开户办理号码；或者在偏远地区购买一些实名信息以及照片进行开户，导致了新增用户量的虚高；而此类号码开户后并不被使用，更为严重的是此部分号码还可能变成一些黑灰色产业链中的重要来源，在黑灰色产业链中被用于养卡，甚至是用于诈骗等不法行为。上述行为导致运营商投诉量上升，以及反诈骗工作难以追查，影响极大。

现有技术中，针对异常用户的识别，主要还是集中在用户的日常使用中的行为特征的识别，而新增号码的用户照片的审核方式为人工审核，现有***只针对单个实名号码的照片进行审核，无法对所有照片进行关联审核，找到相似的照片，进而发现疑似不知情开户或借名开户的异常号码，让不法分子有漏洞可钻；即使通过人工方式去对比分析由于每天新增用户量大，导致实名照片量巨大，如果通过纯人工进行全量审核，需要投入大量人工成本，会造成准确率较低。

发明内容

本发明实施例提供一种异常号码识别方法及装置，用以解决现有技术中对新增号码的用户照片采用人工审核的方式，难以查找到疑似不知情开户或借名开户的异常号码的问题。

一方面，本发明实施例提供一种异常号码识别方法，所述方法包括：

获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；其中，所述预设特征提取模型与所述目标特征的特征类型相对应；

获取所述新增图片的相似图片，确定所述相似图片所属的相似号码；所述相似图片为与所述目标特征满足与所述特征类型对应的预设要求的图片；

当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码。

另一方面，本发明实施例提供一种异常号码识别装置，所述装置包括：

特征提取模块，用于获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；其中，所述预设特征提取模型与所述目标特征的特征类型相对应；

号码获取模块，用于获取所述新增图片的相似图片，确定所述相似图片所属的相似号码；所述相似图片为与所述目标特征满足与所述特征类型对应的预设要求的图片；

号码识别模块，用于当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码。

另一方面，本发明实施例还提供了一种电子设备，包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述异常号码识别方法中的步骤。

再一方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述异常号码识别方法中的步骤。

本发明实施例提供的异常号码识别方法及装置，通过获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；并获取与所述目标特征满足与所述特征类型对应的预设要求的相似图片，确定所述相似图片所属的相似号码；其中，通过面部特征可识别同一用户的多个相似号码，通过背景特征和/或全景特征可识别出在同一地点拍摄照片(或办理入网)的多个相似号码，当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码，本发明实施例实现了自动查找疑似不知情开户或借名开户的异常号码，无需人工审核，避免异常号码被用于养卡等不法行为中；且预设特征提取模型为经过深度学习的卷积神经网络，通过卷积计算提取的特征并将卷积特征相似度进行综合计算，准确率较高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的异常号码识别方法的流程示意图；

图2为本发明实施例提供的创建预设特征提取模型的流程示意图；

图3为本发明实施例的第一示例的创建预设特征提取模型的过程示意图；

图4为本发明实施例的第一示例的卷积神经网络的结构示意图；

图5为本发明实施例的第二示例的异常号码识别的过程示意图；

图6为本发明实施例提供的异常号码识别装置的结构示意图；

图7为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。

应理解，说明书通篇中提到的“实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。

在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。

图1示出了本发明实施例提供的一种异常号码识别方法的流程示意图。

如图1所示，本发明实施例提供的异常号码识别方法，所述方法具体包括以下步骤：

步骤101，获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；其中，所述预设特征提取模型与所述目标特征的特征类型相对应。

其中，新增图片即新增号码的用户照片，将一预设周期内的新增号码的用户照片分别输入至预设特征提取模型，提取新增图片的特征，即目标特征，进行异常用户识别。

具体地，目标特征的类型包括：面部特征、背景特征和/或全景特征。

其中，面部特征即人脸特征，人脸特征是根据人脸器官的形状描述以及它们之间的距离特性，来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，通过识别人脸特征可用于识别两张图片是否为同一用户或不同用户。

背景特征即以图片中主体为中心，一预设数目个像素点以内的范围内的景物的特征，而全景特征为该范围以外的景物的特征，全景特征与背景特征均用于识别新增图片是否在同一地点拍摄。

可选地，本发明实施例中，预设特征提取模型为经过深度学***面，平面上所有神经元的权值相等。

所述预设特征提取模型与所述目标特征的特征类型相对应，即每个特征类型至少对应一个预设特征提取模型。

步骤102，获取所述新增图片的相似图片，确定所述相似图片所属的相似号码；所述相似图片为与所述目标特征满足与所述特征类型对应的预设要求的图片。

具体地，预设要求即对相似度的要求，每个目标特征的类型对应的各自的预设要求；当提取到新增图片的目标特征时，根据该目标特征的类型以及对应的预设要求，查找满足相似度要求的相似图片；比如，对于面部特征，查找数据库中的主体的面部特征与目标特征相似的相似图片；对于背景特征和/或全景特征，查找与新增图片中的景物特征相似的相似图片。

具体地，查找相似图片的过程中，将待识别图片的特征与提取到的目标特征进行相似度计算，以确定该待识别图片是否为新增图片的相似图片。

查找到相似图片之后，确定相似图片所属的号码，该号码为第一新增号码的相似号码。其中，对于面部特征，相似图片所针对的对象是用户，相似号码为疑似是同一用户的号码，需要说明的是，本发明实施例中所提及的用户指自然人，以及所提及的图片指照片；对于背景特征和/或全景特征，相似图片所针对的对象是地点，相似号码的图片疑似是同一地点拍摄的。

可以理解的是，本发明实施例中，在移动通信领域，号码指的是用户身份识别卡(Subscriber Identification Module，SIM)；在其他领域，号码还可指用户的账号，比如登录某平台、某应用程序的账号。

步骤103，当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码。

其中，每个类型的目标特征对应各自的预设阈值，当相似号码的数量达到预设阈值时，识别第一新增号码以及所述相似号码为异常号码，异常号码为疑似不知情开户或借名开户的号码。

比如对于面部特征来说，某运营商的规定中，相似号码的数量阈值通常为4个，如果某用户的号码数量总量超过5个，则判断该用户为异常用户，该用户的所有号码为异常号码；而对于背景特征和/或全景特征，预设阈值为根据该特征所针对的地点的历史经验数据确定的，比如对于某一地点A，当前预设周期内的新增的相似号码的数量超过了历史经验数据，则识别出该地点异常，在该地点拍摄图片的号码(包括第一新增号码及其相似号码)均为异常号码。

可选地，识别出异常号码之后，还可输出针对异常号码的异常预警。

本发明上述实施例中，通过获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；并获取与所述目标特征满足与所述特征类型对应的预设要求的相似图片，确定所述相似图片所属的相似号码；其中，通过面部特征可识别同一用户的多个相似号码，通过背景特征和/或全景特征可识别出在同一地点拍摄照片(或办理入网)的多个相似号码，当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码，实现了自动查找疑似不知情开户或借名开户的异常号码，无需人工审核，避免异常号码被用于养卡等不法行为中；且预设特征提取模型为经过深度学习的卷积神经网络，通过卷积计算提取的特征并将卷积特征相似度进行综合计算，准确率较高。本发明实施例解决了现有技术中对新增号码的用户照片采用人工审核的方式，难以查找到疑似不知情开户或借名开户的异常号码的问题。

进一步地，本发明实施例中，在识别异常号码的过程中，单次识别过程所需要的特征类型可配置，配置的特征类型包括面部特征、背景特征和全景特征中的至少一种，本发明实施例在此不做限定；通过配置的对应的CNN来实现即可，比如，某次识别过程配置为特征类型包括全景特征以及面部特征，则分别配置二者对应的预设特征提取模型即可，并在步骤103中综合考虑全景特征以及面部特征的识别结果，得到最终识别结论；再比如，比如，某次识别过程配置为特征类型仅包括面部特征，则只配置面部特征对应的预设特征提取模型即可，并在步骤103中以面部特征的识别结果作为最终识别结论。

可选地，本发明实施例中，所述获取所述新增图片的相似图片的步骤，包括：

当所述特征类型为面部特征时，获取与所述目标特征满足第一预设相似度要求的第一相似图片；以及

确定所述第一新增号码所属用户的用户标识号，获取所述用户标识号包括的号码的第二相似图片；

和/或

当所述特征类型为背景特征或全景特征时，获取与所述目标特征满足第二预设相似度要求的相似图片。

其中，当目标特征的类型为面部特征时，相似图片包括第一相似图片以及第二相似图片，根据新增图片的目标特征查找满足第一预设相似度要求的第一相似图片，以及确定所述第一新增号码所属用户的用户标识号，获取所述用户标识号包括的号码的第二相似图片，其中，用户标识号即所述用户唯一的标识号，可以为身份证号码等，通过用户标识号进一步查找该用户标识号名下的所有号码的第二相似图片。

当所述特征类型为背景特征或全景特征时，获取与新增图片中的景物的目标特征满足第二预设相似度要求的相似图片，相似图片为在同一地点拍摄的图片。

可选地，本发明实施例中，当所述特征类型为背景特征或全景特征时，所述相似号码为所述预设周期内的新增号码；

所述当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码的步骤，包括：

确定所述目标特征对应的地点；

若所述地点为新增地点，当所述相似号码的数量达到第一预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码；和/或

若所述地点为非新增地点，获取所述地点的地点标识号以及所述地点标识号对应的第二预设阈值；所述第二预设阈值为所述地点标识号的单个所述预设周期内新增号码的预设上限值；

当所述相似号码的数量达到所述第二预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码。

也就是说，当所述特征类型为背景特征或全景特征时，相似号码的查找范围为当前预设周期内的新增号码；首先确定所述目标特征对应的地点，根据目标特征判断该地点是否为新增地点，即判断所述新增图片中的景物是否在当前周期之前的图片中出现过，若未出现过，则在当前周期之前的图片库中无法匹配到与目标特征相似的特征，则所述新增图片中的地点为新增地点。

若所述地点为新增地点，则当所述相似号码的数量达到第一预设阈值时，即可识别所述第一新增号码以及所述相似号码为异常号码，第一预设阈值为预先设定的固定值。

若所述地点为非新增地点，当所述相似号码的数量达到所述第二预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码，其中，首先获取所述地点的地点标识号，并根据地点标识号确定预先记载的该地点的单个所述预设周期内新增号码的预设上限值，即所述第二预设阈值，第二预设阈值即历史经验数据。

可选地，本发明实施例中，所述获取预设周期内的第一新增号码的新增图片的步骤之前，所述方法还包括：

创建预设特征提取模型；

其中，在获取预设周期内的第一新增号码的新增图片之前，需预先建立预设特征提取模型；预设特征提取模型至少包括三个，分别与三个特征类型一一对应。

具体地，参见图2，所述创建预设特征提取模型的步骤，包括：

步骤201，获取第一预设数目个历史图片。

其中，历史图片为当前周期之前的一预设数目个周期内的历史新增号码的图片。

可选地，可以为历史图片中的每个用户用数字编码一个目录，目录中存放此用户的所有图片。

步骤202，对所述历史图片进行数据预处理，并按照预设比例分为训练图片集以及测试图片集。

其中，首先对历史图片进行数据预处理，得到符合卷积神经网络要求的输入数据，并将此时的历史图片进行分组，分为训练图片集和测试图片集；训练数据集用于训练预设卷积神经网络得到预设特征提取模型，测试图片集用于对预设特征提取模型的精确度进行测试。

步骤203，将所述训练图片集中的图片循环输入至预设卷积神经网络，得到输出结果并反向对所述预设卷积神经网络进行优化。

其中，将训练图片集中的图片循环输入至预设卷积神经网络，并将输出结果与已知的结果进行比对，根据比对结果反向对所述预设卷积神经网络进行优化，最终得到符合要求的卷积神经网络。

本步骤中的循环是指，对于每个单次输入至预设卷积神经网络的图片单元，得到输出结果后便反向对所述预设卷积神经网络进行优化，得到新的预设卷积神经网络；将下一个图片单元输入至上述新的预设卷积神经网络，得到输出结果后继续进行反向优化。

可选地，预设卷积神经网络可以包括多种不同的卷积神经网络模型，比如vgg、inception或resnet等，以适应不同应用情况；前期通过训练图片集对配置好的卷积网络进行初始训练，以达到最优的效果，完成训练后可输入新增图片数据进行特征计算。

步骤204，当循环的次数达到预设训练轮次时，通过所述测试图片集对当前卷积神经网络进行测试。

其中，当上述循环的次数达到预设训练轮次时，将测试图片集输入至当前卷积神经网络进行测试，若测试结果满足预设的精确度要求，则测试通过。

步骤205，当测试通过时，确定所述当前卷积神经网络为预设特征提取模型。

其中，测试通过后，当前卷积神经网络为最终的预设特征提取模型。

可选地，本发明实施例中，所述对所述历史图片进行数据预处理的步骤，包括：

第一步，将所述历史图片组成第二预设数目个同源图片对和第三预设数目个异源图片对；其中，所述同源图片对为来自同一对象的两张图片，所述异源图片对为来自不同对象的两张图片，所述对象为所述目标特征针对的对象。

其中，将所述历史图片组成多个同源图片对和异源图片对，同源图片对为来自同一对象的两张图片，异源图片对为来自不同对象的两张图片；比如，以面部特征为例，同源图片对为来自同一用户的图片，异源图片对为来自不同用户的图片；以背景特征和/或全景特征为例，同源图片对为来自同一地点的图片，异源图片对为来自不同地点的图片。

第二步，将所述同源图片对、异源图片对分别转换成浮点矩阵数据。

其中，根据预设的数据转换算法，将图片转换成浮点矩阵数据，每张图片对应一个浮点矩阵，便于输入至预设特征提取模型。

第三步，对所述浮点矩阵数据分别进行归一化处理，得到样本矩阵数据。

其中，对浮点矩阵数据分别进行归一化处理，以简化计算，缩小量值，最终得到样本矩阵数据，便完成了数据预处理的过程。

可选地，本发明实施例中，当所述特征类型为面部特征时，

所述将所述同源图片对、异源图片对分别转换成浮点矩阵数据的步骤之前，还包括：

对所述同源图片对、异源图片对分别进行裁剪和/或居中处理。

其中，对同源图片对、异源图片根据模型参数配置要求，进行照片大小的剪裁、照片全景居中、人脸剪裁和/或背景剪裁等处理，最后将照片转换了浮点矩阵数据。

可选地，本发明实施例中，所述步骤203包括：

将所述同源图片对或异源图片对中两张图片对应的样本矩阵数据分别至预设卷积神经网络，得到两个输出结果；

计算两个输出结果之间的距离参数，所述距离参数为相似度；

若所述距离参数不满足第三预设相似度要求时，反向调整所述预设卷积神经网络中的权值。

其中，以同源图片对为例，若两张图片对应的样本矩阵数据分别为A1、A2，将A1、A2分别输入至预设卷积神经网络，得到输出结果B1、B2；计算B1、B2之间的相似度，即距离参数，若距离参数小于第三预设相似度要求中规定的同源照片对的相似度阈值，则反向调整所述预设卷积神经网络中的权值，以进行优化。

再以异源图片对为例，若两张图片对应的样本矩阵数据分别为C1、C2，将C1、C2分别输入至预设卷积神经网络，得到输出结果D1、D2；计算D1、D2之间的相似度，即距离参数，若距离参数大于第三预设相似度要求中规定的异源图片对的相似度阈值，则反向调整所述预设卷积神经网络中的权值，以进行优化。

循环执行上述过程，当循环的次数达到预设训练轮次时，再通过测试图片集对当前的卷积神经网络的精确度进行测试。

作为第一示例，参见图3，以训练面部特征的预设特征提取模型为例，介绍本发明实施例中创建预设特征提取模型的过程。

(1)训练数据，包括：

获取一预设数目个周期内多个新用户办理号码入网时提供的图片(现场全景图片)，将多个新用户按0-N数字编号，并创建对应每个新用户的文件目录，将同一用户的图片存入对应的目录地址，此目录地址作为此用户在训练数据中的用户标识。

(2)数据预处理，具体为：

a)在存放用户图片目录中按数字编号读取用户图片路径，并按dict字典数据类型存储，命名变量为train_imgpaths，如：

{“0”:“path0_1”，”path0_2”…}，

其中”0”为某用户编号，“path0_1”“path0_2”为此用户的A图片；

b)循环字典train_imgpaths，判断每个用户的图片数量，如果数量大于1则组成同源图片对，如：

{X1:“path0_1”，X2:“path0_2”，Y:1，}，

意思为X1、X2是相同用户；

同时组成异源图片对，即：

{X1:“path0_1”，X2:”path1_1”，Y:0，}，

意思是X1、X2为不同用户；

如果数量等于1则随机找另一用户图片组成图片对，以此类推，Y＝1表示此对同源，Y＝0表示异源。

c)组成图片对后，根据图片路径读取图片数据，对图片进行形状剪裁、居中、归一化处理，最后将数据存储在三个变量data_X1，data_X2，data_Y中。

d)根据训练和测试数据的比例如7:3，将数据分成两组数据，训练图片集和测试图片集。

(3)卷积神经网络的初始化，具体为：

a)启动卷积神经网络适配器，读取网络配置参数加载对应网络结构为usenet，例如：卷积网络配置为inceptionV4或mycnnnet，则加载对应的网络结构模型；

其中，inceptionV4为开源的网络模型，mycnnnet为自定义的网络模型；

除此之外，卷积神经网络适配器中还默认集成了vgg、inception、resnet或inceptionv1-v3等开源网络模型，也可自定义模型如mycnnnet，可根据应用场景选择使用，以方便对应用进行扩展。

b)定义两个输入input_X1，input_X2及复用两个usenet，两个usenet即图3中的卷积神经网络1和卷积神经网络2，二者为相同的网络usenet，网络参数共享，命名为：usenet1(卷积神经网络1)，usenet2(卷积神经网络2)。

定义Y用于指示X1、X2是否同源，Y＝1表示此对同源，Y＝0表示异源，Y已知。

分别将两个输入input_X1，input_X2输入至usenet1和usenet2，将两个网络的输出定义为output1、output2，output1、output2即为两个卷积网络usenet1、usenet2提取特征后结果。

c)定义损失函数loss，计算output1、outpu2的距离参数dist，即图片X1、X2的相似度，其中，

若Y＝1，则loss要越来越小，表示两个图片是相似的；

若Y＝0，则loss要越来越大，即X1与X2的距离需要越来越大，表示两个图片是不同的。

d)定义梯度优化器为“Adam”，学习速率为0.001，用于反向调整卷积神经网络中的权值，梯度优化器及其学习速率可根据需要设置。

(4)训练启动，具体为：

a)设置模型训练结果保存路径，判断如果有该模型上次训练结果则直接加载，无则创建；

b)根据设置的单次训练数据输入数量batch_size，从训练图片集中获取对数量的训练数据输入给input_X1，input_X2；

c)根据设定的训练轮次循环训练数据，完成后输入测试图片集进行测试；并显示测试结果。

(5)模型存储

若测试通过，则根据设定的存储路径存储模型训练文件，以及确定所述当前卷积神经网络为预设特征提取模型。

具体地，本示例中自定义的mycnnnet结构如图4所示，

(1)input输入：输入数据为处理后的图片数据，299*299*3的浮点矩阵数据。

(2)conv1，conv2，…，conv6分别为卷积层，有6层卷积层，每层的卷积和池化核步长都为1，每层的卷积核大小如图4中框内数字所示，每个池化层均使用最大池化maxpool。

(3)output输出：经6层卷积后，最终输出为1*1*256的矩阵数据，即为输入图片的特征数据，用于计算图片间的相似度。

作为第二示例，参见图5，利用预设特征提取模型进行异常号码识别的过程包括：

(1)新增图片读取

具体为：指定每天用户实名图片存放目录，读取预设周期内存放目录中的新增图片；其中，图片可以数组方式存放于img_paths变量中，图片文件的命名方式为[num]_[timestamp].jpg，

其中，[num]可以为用户唯一的用户ID，例如手机号码，[timestamp]为时间戳。

(2)数据预处理，具体为：

a)读取img_paths中图片路径，通过路径读取图片数据，将图片按网络配置大小进行居中、剪裁以适用于卷积网络输入，存储在全景图片数组变量person_datas中。

b)读取每张图片数据进行人脸识别，获取图片中人脸数据，按配置的尺寸大小进行剪裁、缩放，存储在人脸图片数组变量face_datas中，如果图片中有多个人脸，则取最中间尺寸最大的人脸。

获取背景部分数据，按配置的尺寸大小进行剪裁、缩放，存储在背景图片数组变量bg_datas中。

person_datas与face_datas、bg_datas每一数组元素对应为同一用户，即

person_datas[0]/face_datas[0]

对应为同一用户的全景图片、人脸图片，而[0]为用户的唯一的索引ID。

从图片文件名中获取用户ID存入数组变量user_nums中，数组的索引ID与person_datas等相对应为同一用户。

3)预设特征提取模型初始化，具体为：

a)根据配置启动全景卷积神经网络模型，加载已训练好的模型参数，定义为person_model；

启动人脸卷积神经网络模型，加载已训练好的模型参数，定义为face_model；

启动背景卷积神经网络模型，加载已训练好的模型参数，定义为bg_model。

b)将全景图片数据person_datas输入至全景卷积神经网络person_model计算图片的特征数据person_feats；

将人脸图片数据face_datas输入至面部卷积神经网络face_model计算人脸特征数据face_feats；

将背景图片数据bg_datas输入至背景卷积神经网络bg_model计算图片的特征数据bg_feats。

同样person_feats[0，1，2…n]与face_feats[0，1，2…n]/bg_feats[0，1，2…n]对应的为同一用户的全景特征和人脸特征。

每个特征输出的为512维数据，即person_feats/face_feats/bg_feats为N*512的数据矩阵。

4)全景相似度计算，具体为：

循环全景特征数组person_feats，每次获取一个特征数据与所有特征进行距离计算，定义每一个特征数据变量为：

person_feats_one＝person_feats[0]，

计算其与所有特征的距离：

dist_one＝(person_feats_one-person_feats)²

此时，dist_one为n维数组，即person[0]与所有person的距离，将dist_one按距离从小到大排序，并输出排名前10的dist和用户索引id，定义为：

[person_dist_top10，person_top10_index]。

5)面部相似度计算，具体为：

循环人脸特征数组face_feats，每次获取一个特征数据与所有特征进行距离计算，定义每一个特征数据变量为：

face_feats_one＝face_feats[0]，

计算其与所有特征的距离：

facedist_one＝(face_feats_one-face_feats)²；

此时，face_one为n维数组，即face[0]与所有face的距离，将facedist_one按距离从小到大排序，并输出排名前10的facedist和用户索引id，定义为：

[face_dist_top10，face_top10_index]。

(6)背景相似度计算，具体为：

具体为：循环每个渠道入网图片的景特征数组bg_feats，数量有n个，每次获取一个特征数据与所有特征进行距离计算，定义每一个特征数据变量为：

bg_feats_one＝bg_feats[0]，

计算其与所有特征的距离：

bgdist_one＝(bg_feats_one-bg_feats)²；

此时，bg_one为n维数组，即bg[0]与所有bg的距离，将每个背景特征与其它所有特征的距离组成一个距离矩阵bg_dist_mat，这个矩阵为n*n大小。

使用DBSCAN将这个矩阵按设定阈值进行聚类，可得到相似入网背景分类的数量，以及每个类别下的号码数量，根据分类数量阈值、号码数量阈值输出异常渠道及号码。

(7)疑似异常用户计算，具体为：

a)循环人脸距离前10个face_dist_top10，如果距离小于指定阈值0.5，获取face_top10_index中的ID，判断此ID是否在全景前10person_dist_top10中，如果存在，则标识此号码为疑似异常号码。

b)疑似异常号码预警，可以设置预警阈值，此阈值为单用户同时开户的数量，达到此设置的预警数量则输出号码进行预警；

疑似异常渠道预警，设置渠道异常号码数量阈值，通过异常号码的开户渠道信息进行累加，当某个渠道累加值达到预警值时，输出渠道信息进行预警。

(8)异常号码输出，具体为：

异常用户号码的输出方式有两种，一种为文件本输出，保存为文件；另一种为图片输出，可输出全景前10、人脸前10图片，并在图片中标记了疑似用户。

本发明上述实施例中，通过获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；并获取与所述目标特征满足与所述特征类型对应的预设要求的相似图片，确定所述相似图片所属的相似号码；其中，通过面部特征可识别同一用户的多个相似号码，通过背景特征和/或全景特征可识别出在同一地点拍摄照片(或办理入网)的多个相似号码，当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码，实现了自动查找疑似不知情开户或借名开户的异常号码，无需人工审核，避免异常号码被用于养卡等不法行为中；且预设特征提取模型为经过深度学习的卷积神经网络，通过卷积计算提取的特征并将卷积特征相似度进行综合计算，准确率较高。

以上介绍了本发明实施例提供的异常号码识别方法，下面将结合附图介绍本发明实施例提供的异常号码识别装置。

参见图6，本发明实施例提供了一种异常号码识别装置，所述装置包括：

特征提取模块601，用于获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；其中，所述预设特征提取模型与所述目标特征的特征类型相对应。

号码获取模块602，用于获取所述新增图片的相似图片，确定所述相似图片所属的相似号码；所述相似图片为与所述目标特征满足与所述特征类型对应的预设要求的图片。

号码识别模块603，用于当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码。

可选地，本发明实施例中，所述号码获取模块602包括：

第一获取子模块，用于当所述特征类型为面部特征时，获取与所述目标特征满足第一预设相似度要求的第一相似图片；

确定所述第一新增号码所属用户的用户标识号，获取所述用户标识号包括的号码的第二相似图片；和/或

第二获取子模块，用于当所述特征类型为背景特征或全景特征时，获取与所述目标特征满足第二预设相似度要求的相似图片。

可选地，本发明实施例中，当所述特征类型为背景特征或全景特征时，所述相似号码为所述预设周期内的新增号码；

所述号码识别模块603包括：

地点识别子模块，用于确定所述目标特征对应的地点；

若所述地点为新增地点，当所述相似号码的数量达到第一预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码；和/或

若所述地点为非新增地点，获取所述地点的地点标识号以及所述地点标识号对应的第二预设阈值；所述第二预设阈值为所述地点标识号的单个所述预设周期内新增号码的预设上限值；

当所述相似号码的数量达到所述第二预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码。

可选地，本发明实施例中，所述装置还包括：

模型创建模块，用于创建预设特征提取模型；所述模型创建模块包括：

图片获取子模块，用于获取第一预设数目个历史图片；

分类子模块，用于对所述历史图片进行数据预处理，并按照预设比例分为训练图片集以及测试图片集；

优化子模块，用于将所述训练图片集中的图片循环输入至预设卷积神经网络，得到输出结果并反向对所述预设卷积神经网络进行优化；

测试子模块，用于当循环的次数达到预设训练轮次时，通过所述测试图片集对当前卷积神经网络进行测试；

确定子模块，用于当测试通过时，确定所述当前卷积神经网络为预设特征提取模型。

可选地，本发明实施例中，所述分类子模块用于：

将所述历史图片组成第二预设数目个同源图片对和第三预设数目个异源图片对；其中，所述同源图片对为来自同一对象的两张图片，所述异源图片对为来自不同对象的两张图片，所述对象为所述目标特征针对的对象；

将所述同源图片对、异源图片对分别转换成浮点矩阵数据；

对所述浮点矩阵数据分别进行归一化处理，得到样本矩阵数据。

可选地，本发明实施例中，当所述特征类型为面部特征时，

所述将所述同源图片对、异源图片对分别转换成浮点矩阵数据之前，还包括：

对所述同源图片对、异源图片对分别进行裁剪和/或居中处理。

可选地，本发明实施例中，所述优化子模块用于：

将所述同源图片对或异源图片对中两张图片对应的样本矩阵数据分别至预设卷积神经网络，得到两个输出结果；

计算两个输出结果之间的距离参数，所述距离参数为相似度；

若所述距离参数不满足第三预设相似度要求时，反向调整所述预设卷积神经网络中的权值。

本发明上述实施例中，通过特征提取模块601获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；号码获取模块602获取与所述目标特征满足与所述特征类型对应的预设要求的相似图片，确定所述相似图片所属的相似号码；其中，通过面部特征可识别同一用户的多个相似号码，通过背景特征和/或全景特征可识别出在同一地点拍摄照片(或办理入网)的多个相似号码，当所述相似号码的数量达到与所述特征类型对应的预设阈值时，号码识别模块603识别所述第一新增号码以及所述相似号码为异常号码，实现了自动查找疑似不知情开户或借名开户的异常号码，无需人工审核，避免异常号码被用于养卡等不法行为中；且预设特征提取模型为经过深度学习的卷积神经网络，通过卷积计算提取的特征并将卷积特征相似度进行综合计算，准确率较高。

图7示出了本发明又一实施例提供的一种电子设备的结构示意图。

参见图7，本发明实施例提供的电子设备，所述电子设备包括存储器(memory)71、处理器(processor)72、总线73以及存储在存储器71上并可在处理器上运行的计算机程序。其中，所述存储器71、处理器72通过所述总线73完成相互间的通信。

所述处理器72用于调用所述存储器71中的程序指令，以执行所述程序时实现如本发明上述实施例中提供的方法。

在另一种实施方式中，所述处理器执行所述程序时实现如下方法：

获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；其中，所述预设特征提取模型与所述目标特征的特征类型相对应；

获取所述新增图片的相似图片，确定所述相似图片所属的相似号码；所述相似图片为与所述目标特征满足与所述特征类型对应的预设要求的图片；

当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码。

本发明实施例提供的电子设备，可用于执行上述方法实施例的方法对应的程序，本实施不再赘述。

本发明实施例提供的电子设备，通过获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；并获取与所述目标特征满足与所述特征类型对应的预设要求的相似图片，确定所述相似图片所属的相似号码；其中，通过面部特征可识别同一用户的多个相似号码，通过背景特征和/或全景特征可识别出在同一地点拍摄照片(或办理入网)的多个相似号码，当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码，实现了自动查找疑似不知情开户或借名开户的异常号码，无需人工审核，避免异常号码被用于养卡等不法行为中；且预设特征提取模型为经过深度学习的卷积神经网络，通过卷积计算提取的特征并将卷积特征相似度进行综合计算，准确率较高。

本发明又一实施例提供的一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质上存储有计算机程序，所述程序被处理器执行时实现如本发明上述实施例中提供的方法中的步骤。

在另一种实施方式中，所述程序被处理器执行时实现如下方法：

获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；其中，所述预设特征提取模型与所述目标特征的特征类型相对应；

获取所述新增图片的相似图片，确定所述相似图片所属的相似号码；所述相似图片为与所述目标特征满足与所述特征类型对应的预设要求的图片；

当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码。

本发明实施例提供的非暂态计算机可读存储介质，所述程序被处理器执行时实现上述方法实施例的方法，本实施不再赘述。

本发明实施例提供的非暂态计算机可读存储介质，通过获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；并获取与所述目标特征满足与所述特征类型对应的预设要求的相似图片，确定所述相似图片所属的相似号码；其中，通过面部特征可识别同一用户的多个相似号码，通过背景特征和/或全景特征可识别出在同一地点拍摄照片(或办理入网)的多个相似号码，当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码，实现了自动查找疑似不知情开户或借名开户的异常号码，无需人工审核，避免异常号码被用于养卡等不法行为中；且预设特征提取模型为经过深度学习的卷积神经网络，通过卷积计算提取的特征并将卷积特征相似度进行综合计算，准确率较高。

本发明又一实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：

获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；其中，所述预设特征提取模型与所述目标特征的特征类型相对应；

获取所述新增图片的相似图片，确定所述相似图片所属的相似号码；所述相似图片为与所述目标特征满足与所述特征类型对应的预设要求的图片；

当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码。

以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种异常号码识别方法，其特征在于，所述方法包括：

获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；其中，所述预设特征提取模型与所述目标特征的特征类型相对应；

获取所述新增图片的相似图片，确定所述相似图片所属的相似号码；所述相似图片为与所述目标特征满足与所述特征类型对应的预设要求的图片；

当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码。

2.根据权利要求1所述的方法，其特征在于，所述获取所述新增图片的相似图片的步骤，包括：

当所述特征类型为面部特征时，获取与所述目标特征满足第一预设相似度要求的第一相似图片；以及确定所述第一新增号码所属用户的用户标识号，获取所述用户标识号包括的号码的第二相似图片；

和/或

当所述特征类型为背景特征或全景特征时，获取与所述目标特征满足第二预设相似度要求的相似图片。

3.根据权利要求1所述的方法，其特征在于，当所述特征类型为背景特征或全景特征时，所述相似号码为所述预设周期内的新增号码；

所述当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码的步骤，包括：

确定所述目标特征对应的地点；

若所述地点为新增地点，当所述相似号码的数量达到第一预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码；

和/或

若所述地点为非新增地点，获取所述地点的地点标识号以及所述地点标识号对应的第二预设阈值；所述第二预设阈值为所述地点标识号的单个所述预设周期内新增号码的预设上限值；

当所述相似号码的数量达到所述第二预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码。

4.根据权利要求1所述的方法，其特征在于，所述获取预设周期内的第一新增号码的新增图片的步骤之前，所述方法还包括：

创建预设特征提取模型；

所述创建预设特征提取模型的步骤，包括：

获取第一预设数目个历史图片；

对所述历史图片进行数据预处理，并按照预设比例分为训练图片集以及测试图片集；

将所述训练图片集中的图片循环输入至预设卷积神经网络，得到输出结果并反向对所述预设卷积神经网络进行优化；

当循环的次数达到预设训练轮次时，通过所述测试图片集对当前卷积神经网络进行测试；

当测试通过时，确定所述当前卷积神经网络为预设特征提取模型。

5.根据权利要求4所述的方法，其特征在于，所述对所述历史图片进行数据预处理的步骤，包括：

将所述历史图片组成第二预设数目个同源图片对和第三预设数目个异源图片对；其中，所述同源图片对为来自同一对象的两张图片，所述异源图片对为来自不同对象的两张图片，所述对象为所述目标特征针对的对象；

将所述同源图片对、异源图片对分别转换成浮点矩阵数据；

对所述浮点矩阵数据分别进行归一化处理，得到样本矩阵数据。

6.根据权利要求5所述的方法，其特征在于，当所述特征类型为面部特征时，

所述将所述同源图片对、异源图片对分别转换成浮点矩阵数据的步骤之前，还包括：

对所述同源图片对、异源图片对分别进行裁剪和/或居中处理。

7.根据权利要求5所述的方法，其特征在于，所述将所述训练图片集中的图片循环输入至预设卷积神经网络，得到输出结果并反向对所述预设卷积神经网络进行优化的步骤，包括：

将所述同源图片对或异源图片对中两张图片对应的样本矩阵数据分别至预设卷积神经网络，得到两个输出结果；

计算两个输出结果之间的距离参数，所述距离参数为相似度；

若所述距离参数不满足第三预设相似度要求时，反向调整所述预设卷积神经网络中的权值。

8.一种异常号码识别装置，其特征在于，所述装置包括：

特征提取模块，用于获取预设周期内的第一新增号码的新增图片，将所述新增图片输入至预设特征提取模型，提取所述新增图片的目标特征；其中，所述预设特征提取模型与所述目标特征的特征类型相对应；

号码获取模块，用于获取所述新增图片的相似图片，确定所述相似图片所属的相似号码；所述相似图片为与所述目标特征满足与所述特征类型对应的预设要求的图片；

号码识别模块，用于当所述相似号码的数量达到与所述特征类型对应的预设阈值时，识别所述第一新增号码以及所述相似号码为异常号码。

9.一种电子设备，其特征在于，包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7中任一项所述的异常号码识别方法中的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于：所述程序被处理器执行时实现如权利要求1至7中任一项所述的异常号码识别方法中的步骤。

Images