CN112182537A - 监控方法、装置、服务器、***以及存储介质 - Google Patents
监控方法、装置、服务器、***以及存储介质 Download PDFInfo
- Publication number
- CN112182537A CN112182537A CN202011041264.3A CN202011041264A CN112182537A CN 112182537 A CN112182537 A CN 112182537A CN 202011041264 A CN202011041264 A CN 202011041264A CN 112182537 A CN112182537 A CN 112182537A
- Authority
- CN
- China
- Prior art keywords
- operation instruction
- information
- risk value
- processing
- biological characteristic
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012806 monitoring device Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 102
- 238000000605 extraction Methods 0.000 claims description 28
- 230000008921 facial expression Effects 0.000 claims description 16
- 230000036760 body temperature Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 239000013598 vector Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000014509 gene expression Effects 0.000 description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 208000031636 Body Temperature Changes Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 210000000554 iris Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011022 operating instruction Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063659 Aversion Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computer Security & Cryptography (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请实施例提供一种监控方法、装置、服务器、***以及存储介质，获取用户在终端设备上输入操作指令的第一生物特征信息以及操作指令，其中，操作指令作用于金融业务***，根据第一生物特征信息，获得操作指令的风险值，当风险值达到预设阈值时，停止响应操作指令。通过用户输入操作指令时的生物特征信息确定操作指令的风险值，可以有效减少人为刻意对金融业务***破坏。
Description
技术领域
本申请涉及金融科技技术领域，尤其涉及一种监控方法、装置、服务器、***以及存储介质。
背景技术
随着计算机技术的飞速发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性和实时性要求，也对技术提出了更高的要求。
金融业务***支持金融企业从事各种金融业务。运行维护人员(以下简称运维人员)可以对金融业务***进行代码更改、数据更改等操作。为了保证金融业务***的运行安全，对运维人员所使用的操作指令设有不同监控方式。例如：当所操作指令对金融业务***中不重要内容修改时，且时效性较高时，在执行操作指令时仅需要运维人员再次确认后执行。当所操作指令对金融业务***中较重要内容修改时，则需要由上级管理人员审核后才能执行。当所操作指令对金融业务***中重要内容修改时，由于没有经上级管理人员审核，直接会阻止执行该操作指令。
然而，运维人员仍有较高的权限使用操作指令，通过对操作指令设置不同监控方式仍然无法避免运维人员对金融业务***进行破坏，并且，通过权限来监控的方式，过于单一，仍然无法准确有效避免该问题。
发明内容
本申请实施例提供一种监控方法、装置、服务器、***以及存储介质，旨在提供更安全监控方法，以降低运维人员对金融业务***进行破坏的风险。
第一方面，本申请提供一种监控方法，包括：
获取用户在终端设备上输入操作指令的第一生物特征信息以及所述操作指令，其中，所述操作指令作用于金融业务***；
根据所述第一生物特征信息，获得所述操作指令的风险值；
当所述风险值达到预设阈值时，停止响应所述操作指令。
可选地，根据所述第一生物特征信息，获得所述操作指令的风险值，具体包括：
根据已训练的处理模型对所述第一生物特征信息进行处理，获得所述操作指令的风险值；
其中，所述第一生物特征信息包括：体温数据、表示面部表情的第一图像数据以及表示肢体动作的第二图像数据中一种或者多种组合。
可选地，所述根据已训练的处理模型对所述第一生物特征信息进行处理，获得所述操作指令的风险值，具体包括：
根据已训练的第一处理模型对所述体温数据进行处理，获得第一中间风险值；
根据已训练的第二处理模型对所述第一图像数据进行处理，获得第二中间风险值；
根据已训练的第三处理模型对所述第二图像数据进行处理，获得第三中间风险值；
根据所述第一中间风险值、所述第二中间风险值和所述第三中间风险值，获得所述风险值。
可选地，所述根据已训练的第二处理模型对所述第一图像数据进行处理，获得第二中间风险值，具体包括：
使用已训练的第一关键点提取子模型对所述第一图像数据进行处理，获得第一人脸关键点信息；
使用已训练的第一特征提取子模型对所述人脸关键点信息和所述第一图像数据进行处理，获得第一特征数据；
使用已训练的分类子模型对所述第一特征数据进行分类处理，获得所述第一图像数据的心理特征类型；
根据所述心理特征类型确定所述第二中间风险值。
可选地，所述方法还包括：
当所述操作指令用于更新所述金融业务***的版本时，获取所述金融业务***的更新信息；其中，所述更新信息包括更新时间、更新内容、所述操作指令对应操作账户以及所述金融业务***的***标识中一种或者多种组合；
若所述金融业务***的更新信息与预设信息匹配，则根据已训练的处理模型对所述第一生物特征信息进行处理，获得所述操作指令的风险值；
若所述金融业务***的更新信息与预设信息不匹配，停止响应所述操作指令。
可选地，所述方法还包括：
若所述金融业务***的更新信息与预设信息不匹配，继续判断所述金融业务***的***标识与第一预设标识是否匹配；若是，则限制所述操作账户所发起的所述操作指令的功能权限。
可选地，所述方法还包括：
获取所述终端设备的机器标识；
当所述机器标识与第二预设标识匹配时，获取所述第一生物特征信息以及所述操作指令。
可选地，所述方法还包括：
获取所述用户的第二生物特征信息；
当所述第二生物特征信息与预设生物特征信息匹配时，获取所述第一生物特征信息以及所述操作指令。
可选地，当所述第二生物特征信息与预设生物特征信息匹配时，获取所述第一生物特征信息以及所述操作指令，具体包括
使用已训练的第二关键点提取子模型对人脸图像数据进行处理，获得第二人脸关键点信息，其中，所述第二生物特征信息包括所述人脸图像数据；
使用已训练的第二特征提取子模型对所述第二人脸关键点信息和所述人脸图像数据进行处理，获得第二特征数据；
当所述第二特征数据和预设特征数据之间差值小于预设阈值时，获取所述第一生物特征信息以及所述操作指令；
其中，所述预设特征数据时根据所述预设生物特征信息获得的。
第二方面，本申请提供一种监控装置，包括：
获取模块，用于获取用户在终端设备上输入操作指令的第一生物特征信息以及操作指令，其中，操作指令作用于金融业务***；
处理模块，用于根据第一生物特征信息获得操作指令的风险值；
处理模块还用于当风险值达到预设阈值时停止响应操作指令。
第三方面，本申请提供一种监控服务器，包括：
存储器，用于存储程序；
处理器，用于执行存储器存储的程序，当程序被执行时，处理器用于执行第一方面及可选方案所涉及的监控方法。
第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现第一方面及可选方案所涉及的监控方法。
本申请实施例提供一种监控方法、装置、服务器、***以及存储介质，获取用户在终端设备上输入操作指令的第一生物特征信息，并根据第一生物特征信息获得操作指令的风险值，当风险值达到预设阈值时停止响应操作指令。通过用户输入操作指令时的生物特征信息确定操作指令的风险值，相比于传统的权限单一监控方式，本申请通过生物特征信息确定风险值从而控制操作指令，可以准确、有效减少人为刻意对金融业务***破坏。另外，结合预设更新信息以及使用生物特征信息进行身份验证，可以进一步降低人为刻意对金融业务***的破坏。
附图说明
图1为本申请一实施例提供的监控***的结构示意图；
图2为本申请另一实施例提供的监控方法的流程示意图；
图3为本申请另一实施例提供的监控方法的流程示意图；
图4为本申请另一实施例提供的监控方法的流程示意图；
图5为本申请另一实施例提供的第二处理模型的结构示意图；
图6为本申请另一实施例提供的人脸识别的流程示意图；
图7为本申请另一实施例提供的监控装置的结构示意图
图8为本申请另一实施例提供的监控服务器的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
随着计算机技术的飞速发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性和实时性要求，也对技术提出了更高的要求。
金融业务***支持金融企业从事各种金融业务。运行维护人员(以下简称运维人员)可以对金融业务***进行代码更改、数据更改等操作。为了保证金融业务***的运行安全，对运维人员所使用的操作指令设有不同监控方式。例如：当所操作指令风险性比较低但时效性较高时，在执行操作指令时仅需要运维人员再次确认后执行。当所操作指令为中风险时，则需要由上级管理人员审核后才能执行。当所操作指令为高风险时，直接会阻止执行该操作指令。然而，运维人员仍有较高的权限使用操作指令，通过对操作指令设置不同监控方式仍然无法避免运维人员对金融业务***进行破坏。
本申请实施例提供一种监控方法、装置、服务器、***以及存储介质，旨在提供更安全监控方式。本申请实施例的发明构思为：获取用户在输入操作指令时的生物特征信息，例如：体温、面部表情或者肢体动作等，根据生物特征信息确定所输入操作指令的风险值，再根据风险值确定是否需要响应操作指令，生物特征信息可以反映用户在输入操作指令时的风险，进而可以确定是否响应用户输入的操作指令。
如图1所示，本申请实施例提供的监控***100包括监控服务器101、堡垒机102、终端设备103以及采集装置104。
监控***布置在企业总控中心内，是运维人员操作金融业务***的唯一地点。
其中，监控服务器101与堡垒机102的通信连接，监控服务器101还与金融业务***通信连接，终端设备103与堡垒机通信连接。终端设备103用于获取用户输入的操作指令，并将操作指令转发至堡垒机102，再由堡垒机102转发至监控服务器101。
堡垒机是运用各种技术手段监控和记录运维人员对金融业务***内的服务器、网络设备、安全设备、数据库设备等设备的操作行为设备，可以方便集中报警、及时处理及审计定责。由堡垒机102接收终端设备102转发的操作指令，并将操作指令转发至监控服务器101，可以提高监控***的安全性能。
采集装置104可以集成在终端设备103内，采集装置采集的生物特征信息和用户输入的操作指令通过终端设备103传输至堡垒机102，再经由堡垒机102传输至监控服务器101。采集装置104也可以单独设置，并与监控服务器101之间通信连接，采集装置104直接将用户输入操作指令时的生物特征信息发送至监控服务器101。监控服务器101用于执行如下所示实施例中提供的监控方法，具体描述参考如下描述。
如图2所示，本申请一实施例提供一种监控方法，该监控方法的执行主体是监控服务器，该监控方法包括如下步骤：
S201、获取用户在终端设备上输入操作指令时的第一生物特征信息以及操作指令。
其中，操作指令作用于金融业务***，也就是操作指令用于对金融业务***进行修改，例如：修改金融业务***中数据，或者修改金融业务***的版本。
终端设备103获取用户输入的操作指令，并将操作指令转发至堡垒机102，再由堡垒机102转发至监控服务器101。
当采集装置104集成在终端设备中时，终端设备103还需要将采集装置104采集的生物特征信息转发至堡垒机102，并由堡垒机102将生物特征信息转发至监控服务器101。
当采集装置104单独设置时，由采集装置104采集生物特征信息，并将采集到的生物特征信息发送至监控服务器。
第一生物特征信息包括体温数据、表示面部表情的第一图像数据以及表示肢体动作的第二图像数据中一种或者多种组合。采集装置包括红外温度传感器和图像传感器。红外温度传感器用于采集用户在输入操作指令时的体温变化。图像传感器用于采集用户在输入操作指令时的表示面部表情或者肢体动作的图像数据，优选地，图像传感器采集多帧面部表情或者肢体动作的图像数据。
S202、根据第一生物特征信息获得操作指令的风险值。
其中，可通过查找预设映射表根据第一生物特征信息获得操作指令的风险值。预设映射表是表示生物特征信息和操作指令的风险值的关系。
还可以根据已训练的处理模型对第一生物特征信息进行处理，获得操作指令的风险值。处理模型可以使用卷积神经网络、深度学习模型等模型结构，并通过样本训练处理模型，使得处理模型可以根据第一生物特征信息输出操作指令的风险值。
当第一生物特征信息包括体温数据、表示面部表情的第一图像数据以及表示肢体动作的第二图像数据时，根据已训练的第一处理模型对体温数据进行处理获得第一中间风险值。根据已训练的第二处理模型对表示面部表情的第一图像数据进行处理获得第二中间风险值。根据已训练的第三处理模型对表示肢体动作的第二图像数据进行处理获得第三中间风险值。根据第一中间风险值、第二中间风险值和第三中间风险值，获得风险值。
优选地，通过计算第一中间风险值、第二中间风险值和第三中间风险值的加权平均值获得风险值。
S203、判断风险值是否达到预设阈值，若是，则进入S204，否则，进入S205。
其中，预设阈值根据实际需求确定，当根据处理模型获得操作指令的风险值达到预设阈值时，表示操作指令风险较高，则停止响应操作指令。当根据处理模型获得操作指令的风险值小于预设阈值时，表示操作指令风险较比较低，则响应操作指令。
S204、停止响应操作指令。
其中，操作指令作用于金融业务***，当确定操作指令风险较高时，停止对金融业务***的修改。
S205、响应操作指令。
其中，当确定操作指令风险较低时，根据操作指令对金融业务***进行修改。例如：对金融业务***的版本进行修改，或者对金融业务***的数据进行修改。
在本申请实施例提供的监控方法中，根据用户在输入操作指令时的生物特征信息，以根据生物特征信息确定操作指令的风险值，当风险值超过预设值时停止响应操作指令，可以有效减少人为刻意对金融业务***破坏。
如图3所示，本申请另一实施例提供一种监控方法，该监控方法的执行主体为监控服务器，监控方法包括如下步骤：
S301、获取用户在终端设备上输入操作指令时的第一生物特征信息以及操作指令。
其中，获取用户通过终端设备输入的操作指令，并通过采集装置收集用户在输入操作指令时的第一生物特征信息。第一生物特征信息包括体温数据、表示面部表情的图像数据或者表示肢体动作的图像数据中一种或者多种组合。
S302、确定操作指令是否用于更新金融业务***的版本，若是，则进入S303，否则，进入S309。
其中，通过对操作指令进行解析，确定操作指令是否用于更新金融业务***的版本，也就是对金融业务***进行版本更新。
S303、获取金融业务***的更新信息。
其中，当确定操作指令用于对金融业务***的版本进行更新时，获取金融业务***的更新信息。其中，更新信息包括更新时间、更新内容、操作指令对应操作账户以及金融业务***的***标识中一种或者多种组合。
S304、确定金融业务***的更新信息与预设信息是否匹配，若是，则进入S309，否则进入S305。
其中，预设信息是根据金融业务***的更新计划确定的。若确定金融业务***的更新信息与预设信息匹配，则表示此次更新是计划内的，也表示操作指令的风险较低。若确定金融业务***的更新信息与预设信息不匹配，则表示此次更新是计划以外的，也表示操作指令的风险较高。
S305、停止响应操作指令。
其中，若确定金融业务***的更新信息与预设信息不匹配，也表示操作指令的风险较高，则停止对金融业务***的修改。
S306、继续判断金融业务***的***标识与第一预设标识是否匹配；若是，进入S307，否则进入S308。
其中，第一预设标识是根据金融业务***的重要等级确定的，将重要等级高的金融业务***的***标识设置为第一预设标识。当确定待更新的金融业务***的***标识与第一预设标识匹配时，也就是表示对重要等级高的金融业务***进行更新。
S307、限制操作账户所发起的操作指令的功能权限。
其中，当确定金融业务***的更新信息与预设信息不匹配，且金融业务***的***标识与第一预设标识匹配时，表示该操作指令的风险高，限制操作账户所发起的操作指令的功能权限。例如：操作账户仅能查看金融业务***。
S308、生成警告信息。
其中，当确定金融业务***的更新信息与预设信息不匹配，且金融业务***的***标识与第一预设标识不匹配时，表示该操作指令为中风险指令，则生成警告信息。
S309、根据已训练的处理模型对第一生物特征信息进行处理，获得操作指令的风险值。
其中，通过对处理模型进行训练，使处理模型能够根据第一生物特征信息得到操作指令的风险值。
S310、判断风险值是否达到预设阈值，若是，则进入S311，否则，进入S312。
其中，预设阈值是根据需求确定的，风险值达到预设阈值的操作指令为高风险操作指令，风险值小于预设阈值的操作指令为低风险操作指令。
S311、停止响应操作指令。
其中，当操作指令为高风险操作指令时，停止用户通过终端设备对金融业务***的修改。
S312、响应操作指令。
其中，当操作指令为低风险操作指令时，将该操作指令转发至金融业务***，以使金融业务***对自身代码或者数据进行相应修改。
在本申请实施例提供的监控方法中，通过对操作指令进行预筛选，也就是确定是否可以修改金融业务***的代码，以及判断修改信息是否是计划内和修改金融业务***的等级，再根据预筛选的结果确定是否获得操作指令的风险值，可以提高监控方法的效率，并可实现代码更新的监控。
如图4所示，本申请另一实施例提供一种监控方法，该监控方法的执行主体为监控服务器，监控方法包括如下步骤：
S401、获取终端设备的机器标识。
其中，终端设备的机器标识可以是终端设备的网络地址或者终端设备的设备编码。用户在通过终端设备向堡垒机发送登录请求，堡垒机转发登录请求至监控服务器，登录请求包括终端设备的机器标识、登录账户和登录密码。
S402、判断机器标识与第二预设标识是否匹配，若是，则进入S403，否则，进入S410。
其中，第二预设标识是根据布置于企业总控中心的终端设备的机器标识确定，用于确定用户是否使用布置于企业总控中心的终端设备输入操作指令。
S403、获取用户的第二生物特征信息。
其中，第二生物特征信息包括指纹、虹膜、以及人脸中任意一种，用于唯一标识用户。可以通过图像传感器采集指纹、虹膜或者人脸的图像，并对采集得到图像进行处理得到第二生物特征信息。
S404、确定第二生物特征信息与预设生物特征信息是否匹配，若是，则进入S405，否则，进入S410。
其中，预设生物特征信息是根据注册用户的生物特征信息确定的。在用户注册监控服务器的操作账户时，需要录入用户的生物特征信息。
S405、获取用户在终端设备上输入操作指令时的第一生物特征信息以及操作指令。
S406、根据第一生物特征信息获得操作指令的风险值。
S407、判断风险值是否达到预设阈值，若是，则进入S408，否则，进入S409。
S408、停止响应操作指令。
S409、响应操作指令。
S410、生成提示信息。
其中，当确定机器标识与第二预设标识不匹配时生成提示信息，以提示用户未使用企业总控中心内的终端设备登录。当确定第二生物特征信息与预设生物特征信息不匹配时生成提示信息，以提示用户不是本人登录操作账户。
在本申请实施例提供的监控方法中，通过限定用户仅能使用企业总控中心内的终端设备修改金融业务***，以保证对金融业务***修改的安全性。
本申请另一实施例提供一种监控方法，该监控方法的执行主体是监控服务器，该监控方法包括如下步骤：
S501、获取用户在终端设备上输入操作指令时的第一生物特征信息以及操作指令。
其中，第一生物特征信息包括体温数据、表示面部表情的第一图像数据以及表示肢体动作的第二图像数据。通过红外温度传感器记录对应时间的体温变化。通过图像传感器采集多帧用户的人脸图像和肢体图像，以根据人脸图像得到表示面部表情的第一图像数据，并根据肢体图像得到表示肢体动作的第二图像数据。
S502、根据第一生物特征信息获得操作指令的风险值。
其中，对第一处理模型进行训练，使第一处理模型根据体温数据得到第一中间风险值。对第二处理模型进行训练，使第二处理模型根据表示面部表情的第一图像数据得到第二中间风险值。对第三处理模型进行训练，使第三处理模型根据表示肢体动作的第二图像数据得到第三中间风险值。
下面详细描述获得第二中间风险值。使用已训练的第一关键点提取子模型对第一图像数据进行处理获得第一人脸关键点信息。使用已训练的第一特征提取子模型对人脸关键点信息和第一图像数据进行处理获得第一特征数据。使用已训练的分类子模型对第一特征数据进行分类处理获得第一图像数据的心理特征类型。根据心理特征类型确定第二中间风险值。
更具体地，第二处理模型在对多帧第一图像数据处理时，可以将额头、眉毛、眼睛、鼻子、嘴巴、脸颊等区域作为人脸关键点，并提取上述关键点的关键点信息，以根据第一图像数据和上述关键点信息获得上述关键点的特征图，表示上述区域的特征图可以反映用户在输入操作指令时的慌张程度，根据上述区域的特征图获得第一图像数据的面部表情类型，再根据获得面部表情类型得到第二中间风险值。可以提前设定表情类型与风险值之间对应关系，在根据第二处理模型得到用户表情类型时，在根据对应关系得到第二中间风险值。
下面结合图5描述第二处理模型的训练过程：获得训练第二处理模型的训练样本数据。从已有人脸表情数据集中获取样本数据，该数据集包含共26190张48×48灰度图，该数据集中包括6中表情的图像数据。标号0表示生气、标号1表示厌恶、标号2表示恐惧、标号3表示开心、标号4表示伤心、标号5表示惊讶、标号6表示中性。
为了防止网络过快地过拟合，可以对数据集中图像数据进行图像变换处理，例如翻转，旋转，切割等，也就是进行数据增强，可扩大数据库的数据量，使得训练的网络鲁棒性更强。
第二处理模型包括预处理子模型、第一关键点提取子模型、第一特征提取子模型以及分类子模型。在对上述子模型进行训练时，使用上述训练样本数据对上述子模型同时训练。
预处理子模型用于对图像的大小和灰度的归一化后，再基于滑动窗的方向梯度直方图(Histogram of Oriented Gradient，简称：HOG)进行目标检测，进而得到目标对象区域，以减少后续子模型所要处理数据大小。
第一关键点提取子模型用于对预处理子模型输出的目标对象区域进行关键点提取，以获得关键点信息。
特征提取子模型用于对目标对象区域和关键点信息进行特征提取，其中，特征提取子模型由ResNet18网络结构和Dropout网络结构构成。其中，ResNet18网络结构由两个卷积层和两个BatchNorm层组成，在每个模块的输入输出端还有快捷链接。BatchNorm层用于实现归一化。
Dropout网络结构是一类通用的正则化方法，在训练过程中随机的丢弃一部分输入。可以有效的缓解过拟合的发生，在一定程度上达到正则化的效果，增强了鲁棒性。
分类子模型用于确定图像数据的特征向量属于各种表情类别的概率，取最大概率的表情类别作为输出结果，再根据表情类型和对应关系获得第二中间风险值。分类子模型采用softmax层的输入，去掉ResNet18中的多个全连接层，直接在一个全连接层后直接通过softmax分类识别。
下面分别解释说明ResNet18网络结构、Dropout网络结构以及softmax层。
ResNet18网络结构主要分为三个部分，输入部分、输出部分以及中间卷积部分。输入部分由一个大小为7x7，步长为2的卷积核，以及一个大小为3x3，步长为2的最大池化组成，通过该部分可将224×224的图像转换成56×56的特征图，极大减少了数据存储量。
中间卷积部分对应四个卷积层，其中每一个卷积层对应的残缺块又分为两路。一路经过两个3×3卷积，另一路直接短接，二者相加后经过relu函数输出。通过这四个卷积层最终输出7×7的特征图。
输出部分通过全局自适应平滑池化，把所有的特征图转换成1x1，然后接全连接层输出。
Dropout层中设定了rate＝20％，也就是随机丢弃20％的神经元。通过不同的输入屏蔽相当于学习到所有子网络结构，消除减弱了神经元节点间的联合适应性，增强了泛化能力。
在softmax回归中，通过归一化的概率的大小解决多分类问题。也就是将上一层输出的特征向量通过softmax分类器得到每一类表情的概率，使用交叉熵损失函数来计算。
在逻辑回归中，训练样本对表示为{(x1,y1),…,(xm,ym)}，xi∈Rn+1，xi表示图像的特征向量，1≤i≤m，m是训练集总数。特征向量xi的维度为n+1，
对应截距项。类标y可以取k个不同的值，标记为yj∈{1，2，....，k}。假设函数如下：
其中，θ表示模型参数，T表示转置。
通过训练模型参数θ，使其能够最小化代价函数(2)：
通过上述过程，完成第二处理模型的训练处理过程。
需要说明的是，第一处理模型可以为常见的神经网络模型，通过对神经网络模型进行训练，以使其能够根据体温数据获得第一中间风险值。
第三处理模型的模型结构与第二处理模型的相同，仅仅是在训练两个模型时的训练样本不同。也就是第三处理模型的训练样本对是不同肢体动作的图像与表情类型构成的训练样本对。
更具体地，使用已训练的第三关键点提取子模型对第二图像数据进行处理获得肢体关键点信息。使用已训练的第三特征提取子模型对肢体关键点信息和第二图像数据进行处理获得第三特征数据。使用分类子模型对第三特征数据进行分类处理获得第二图像数据的心理特征类型。根据心理特征类型确定第三中间风险值。
S503、判断风险值是否达到预设阈值，若是，则进入S504，否则，进入S505。
在分别获得第一中间风险值至第三中间风险值后，通过加权求平均获得操作指令的风险值，并根据该风险值确定操作指令为高风险指令或者低风险指令。
S504、停止响应操作指令。
S505、响应操作指令。
在本申请实施例提供的监控方法中，根据用户在输入操作指令时的生物特征信息，以根据生物特征信息确定操作指令的风险值，当风险值超过预设值时停止响应操作指令，可以有效减少人为刻意对金融业务***破坏。
本申请另一实施例提供一种监控方法，该监控方法的执行主体为监控服务器，监控方法包括如下步骤：
S601、获取终端设备的机器标识。
其中，用户在通过终端设备向堡垒机发送登录请求，堡垒机转发登录请求至监控服务器，登录请求包括终端设备的机器标识、登录账户和登录密码。监控服务器判断该账号是否已录入人脸数据，若否，则提示需预录入人脸数据后才可登入操作账号。若该账号已录入人脸数据，确定用户是否使用布置于企业总控中心的终端设备输入操作指令。
S602、判断机器标识与第二预设标识是否匹配，若是，则进入S603，否则，进入S609。
其中，该步骤已经在S402中详细说明，此处不再赘述。
S603、获取用户的第二生物特征信息。
其中，在确定用户是否使用布置于企业总控中心的终端设备输入操作指令，调用图像传感器采集用户的第二生物特征信息。
S604、确定第二生物特征信息与预设生物特征信息是否匹配，若是，则进入S605，否则，进入S609。
其中，第二生物特征信息包括人脸图像数据；采用如下方式确定第二生物特征信息与预设生物特征信息是否匹配。使用已训练的第二关键点提取子模型对人脸图像数据进行处理获得第二人脸关键点信息。使用已训练的第二特征提取子模型对第二人脸关键点信息和人脸图像数据进行处理获得第二特征数据。当第二特征数据和预设特征数据之间差值小于预设阈值时，获取第一生物特征信息以及操作指令。其中，预设特征数据时根据预设生物特征信息获得的。
如图6所示，下面以第二生物特征信息为人脸图像为例说明，确定第二生物特征信息与预设生物特征信息是否匹配的过程。该过程包括对人脸图像数据进行预处理、进行关键点提取以及特征提取三个处理过程。
处理过程无论是预录入人脸图像数据还是实时从摄像头获取人脸图像数据，都需要判断人脸图像数据的大小后再进行关键点提取，也就是若人脸图像数据大小达到预设图像尺寸时，需要对人脸图像数据进行压缩处理。
在人脸图像数据的大小小于预设图像尺寸时，将图像灰度化，并对每个像素进行伽马矫正，减小颜色和光照的影响。
经过上述处理后，对人脸图像数据进行目标检测。也就是用大小位置不同的窗口在图像中进行滑动，判断窗口中是否存在人脸。使用基于滑动窗的HOG进行目标检测，获得目标图像区域。
下面描述关键点提取过程。使用dlib中预训练68关键点提取子模型进行人脸关键点提取。关键点提取包括如下关键步骤：
(1)计算目标图像区域中像素点的梯度值，得到梯度图。
例如，像素点A的上下左右像素的灰度值分别为32、64、20以及30。分别计算像素点A的水平梯度gx和竖直梯度gy。
gx＝30-20＝10 (3)
gy＝64-32＝32 (4)
总的梯度强度值g和梯度方向θ将按照以下公式计算：
(2)计算梯度直方图。在一个大小8×8的像素区域里面计算，可以得出8×8×2＝128个数值，包括了梯度强度和梯度方向。将0-180度分成9个区间，分别是(0，20)、(20，40)、……、(160，180)。然后统计每一个像素点所在的区间。通过统计形成梯度直方图，128个值将会变成9个值，大大降低了计算量。统计完64个点的加权投票数以后，每个区间就会得到一个数值，可以得到一个直方图。在计算机里面就是一个大小为9的数组。
(3)归一化处理：一个像素区域是8×8，一个像素块由4个像素区域组成，由上一步骤得出一个像素区域有大小为9的向量，每一个16×16大小的像素块将会得到36大小的向量，对于一个64×128大小的图像，按照以窗口为16×16，步长为8，滑动进行归一化，将会有7个水平位置和15个竖直位可以取得，一共可以得到7×15＝105个像素块，整合所有像素块的向量，形成一个大的一维向量的大小将会是36×105＝3780，也就是将图像经过上述处理，最终得到总特征数为3780。
(4)将上述步骤的到的人脸灰度图片的特征使用关键点提取子模型进行人脸关键点检测，最终输出68个面部特征点。
下面描述特征提取过程，特征提取是根据深度残差网络获得128维的人脸特征向量，使用的是dlib中预训练ResNet模型。将上述步骤中得到的人脸灰度图片和68个人脸关键点输入该模型后得到128维的人脸特征向量输出。
其中，深度残差网络的实现原理如下：
深度残差网络在卷积网络中增加残差块，残缺块一般有两层，用σ表示激活函数，W1表示残差块的第一层，残差块的第一层具体计算公式如下所示：
F(x)＝σ(W1x) (7)
σ(W1x)表示输入数据x经过残差块的第一层处理的输出结果。
再通过一个快捷链接将前两层的输入数据x引入到当前层输出，并通过relu线性整流函数作为下一层的输出，具体计算公式如下所示：
y＝σ(σ(W2σ(W1x))+x) (8)
其中，W1，W2分别代表残差块的第一层和残差块的第二层，σ(W2σ(W1x)表残差块的第一层的输出结果经过残差块的第二层处理后的输出结果，σ表示激活函数。
经过深度残差网络获得人脸图像数据的第二特征数据后，在将第二特征数据和预设特征数据比较获得两个数据的差值，再根据两个数据的差值确定第二生物特征信息与预设生物特征信息是否匹配。优先地，计算处理得到的人脸图像数据的第二特征数据与提前录入的人脸图像数据的特征数据之间的欧式距离；若欧式距离小于等于0.4，则为用户本人操作，则继续获取第一生物特征信息以及操作指令。否则，判断为非本人操作，将终止权限并通知账号本人。
S605、获取用户在终端设备上输入操作指令时的第一生物特征信息以及操作指令。
S606、根据第一生物特征信息获得操作指令的风险值。
S607、判断风险值是否达到预设阈值，若是，则进入S608，否则，进入S609。
S608、停止响应操作指令。
S609、响应操作指令。
S610、生成提示信息。
在本申请实施例提供的监控方法中，通过限定用户仅能使用企业总控中心内的终端设备修改金融业务***，以保证对金融业务***修改的安全性。
如图7所示，本申请另一实施例提供一种监控装置700，监控装置700包括：
获取模块701，用于获取用户在终端设备上输入操作指令的第一生物特征信息以及所述操作指令，其中，所述操作指令作用于金融业务***；
处理模块702，用于根据所述第一生物特征信息，获得所述操作指令的风险值；
处理模块702还用于当所述风险值达到预设阈值时，停止响应所述操作指令。
可选地，处理模块702具体用于：
根据已训练的处理模型对所述第一生物特征信息进行处理，获得所述操作指令的风险值；
其中，所述第一生物特征信息包括：体温数据、表示面部表情的第一图像数据以及表示肢体动作的第二图像数据中一种或者多种组合。
可选地，处理模块702具体用于：
根据已训练的第一处理模型对所述体温数据进行处理，获得第一中间风险值；
根据已训练的第二处理模型对所述第一图像数据进行处理，获得第二中间风险值；
根据已训练的第三处理模型对所述第二图像数据进行处理，获得第三中间风险值；
根据所述第一中间风险值、所述第二中间风险值和所述第三中间风险值，获得所述风险值。
可选地，处理模块702具体用于：
使用已训练的第一关键点提取子模型对所述第一图像数据进行处理，获得第一人脸关键点信息；
使用已训练的第一特征提取子模型对所述人脸关键点信息和所述第一图像数据进行处理，获得第一特征数据；
使用已训练的分类子模型对所述第一特征数据进行分类处理，获得所述第一图像数据的心理特征类型；
根据所述心理特征类型确定所述第二中间风险值。
可选地，处理模块702具体用于：
当所述操作指令用于更新所述金融业务***的版本时，获取所述金融业务***的更新信息；其中，所述更新信息包括更新时间、更新内容、所述操作指令对应操作账户以及所述金融业务***的***标识中一种或者多种组合；
若所述金融业务***的更新信息与预设信息匹配，则根据已训练的处理模型对所述第一生物特征信息进行处理，获得所述操作指令的风险值；
若所述金融业务***的更新信息与预设信息不匹配，停止响应所述操作指令。
可选地，处理模块702具体用于：
若所述金融业务***的更新信息与预设信息不匹配，继续判断所述金融业务***的***标识与第一预设标识是否匹配；若是，则限制所述操作账户所发起的所述操作指令的功能权限。
可选地，获取模块701具体用于：
获取所述终端设备的机器标识；
当所述机器标识与第二预设标识匹配时，获取所述第一生物特征信息以及所述操作指令。
可选地，获取模块701具体用于：
获取所述用户的第二生物特征信息；
当所述第二生物特征信息与预设生物特征信息匹配时，获取所述第一生物特征信息以及所述操作指令。
可选地，当所述第二生物特征信息与预设生物特征信息匹配时，获取所述第一生物特征信息以及所述操作指令，具体包括
使用已训练的第二关键点提取子模型对人脸图像数据进行处理，获得第二人脸关键点信息，其中，所述第二生物特征信息包括所述人脸图像数据；
使用已训练的第二特征提取子模型对所述第二人脸关键点信息和所述人脸图像数据进行处理，获得第二特征数据；
当所述第二特征数据和预设特征数据之间差值小于预设阈值时，获取所述第一生物特征信息以及所述操作指令；
其中，所述预设特征数据时根据所述预设生物特征信息获得的。
如图8所示，本申请另一实施例提供的监控服务器800包括：发送器801、接收器802、存储器803以及处理器804。
发送器801，用于发送指令和数据；
接收器802，用于接收指令和数据；
存储器803，用于存储计算机执行指令；
处理器804，用于执行存储器存储的计算机执行指令，以实现上述实施例中监控方法所执行的各个步骤。具体可以参见前述监控方法实施例中的相关描述。
可选地，上述存储器803既可以是独立的，也可以跟处理器804集成在一起。当存储器803独立设置时，该监控服务器还包括总线，用于连接存储器803和处理器804。
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中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上监控服务器所执行的上述监控服务器执行的监控方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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，或者对其中部分或者全部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申请各实施例技术方案的范围。
Claims (13)
1.一种监控方法，其特征在于，包括：
获取用户在终端设备上输入操作指令的第一生物特征信息以及所述操作指令，其中，所述操作指令作用于金融业务***；
根据所述第一生物特征信息，获得所述操作指令的风险值；
当所述风险值达到预设阈值时，停止响应所述操作指令。
2.根据权利要求1所述的方法，其特征在于，根据所述第一生物特征信息，获得所述操作指令的风险值，具体包括：
根据已训练的处理模型对所述第一生物特征信息进行处理，获得所述操作指令的风险值；
其中，所述第一生物特征信息包括：体温数据、表示面部表情的第一图像数据以及表示肢体动作的第二图像数据中一种或者多种组合。
3.根据权利要求2所述的方法，其特征在于，所述根据已训练的处理模型对所述第一生物特征信息进行处理，获得所述操作指令的风险值，具体包括：
根据已训练的第一处理模型对所述体温数据进行处理，获得第一中间风险值；
根据已训练的第二处理模型对所述第一图像数据进行处理，获得第二中间风险值；
根据已训练的第三处理模型对所述第二图像数据进行处理，获得第三中间风险值；
根据所述第一中间风险值、所述第二中间风险值和所述第三中间风险值，获得所述风险值。
4.根据权利要求3所述的方法，其特征在于，所述根据已训练的第二处理模型对所述第一图像数据进行处理，获得第二中间风险值，具体包括：
使用已训练的第一关键点提取子模型对所述第一图像数据进行处理，获得第一人脸关键点信息；
使用已训练的第一特征提取子模型对所述第一人脸关键点信息和所述第一图像数据进行处理，获得第一特征数据；
使用已训练的分类子模型对所述第一特征数据进行分类处理，获得所述第一图像数据的心理特征类型；
根据所述心理特征类型确定所述第二中间风险值。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述操作指令用于更新所述金融业务***的版本时，获取所述金融业务***的更新信息；其中，所述更新信息包括更新时间、更新内容、所述操作指令对应操作账户以及所述金融业务***的***标识中一种或者多种组合；
若所述金融业务***的更新信息与预设信息匹配，则根据已训练的处理模型对所述第一生物特征信息进行处理，获得所述操作指令的风险值；
若所述金融业务***的更新信息与预设信息不匹配，停止响应所述操作指令。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
若所述金融业务***的更新信息与预设信息不匹配，继续判断所述金融业务***的***标识与第一预设标识是否匹配；若是，则限制所述操作账户所发起的所述操作指令的功能权限。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述方法还包括：
获取所述终端设备的机器标识；
当所述机器标识与第二预设标识匹配时，获取所述第一生物特征信息以及所述操作指令。
8.根据权利要求1-6中任一项所述的方法，其特征在于，所述方法还包括：
获取所述用户的第二生物特征信息；
当所述第二生物特征信息与预设生物特征信息匹配时，获取所述第一生物特征信息以及所述操作指令。
9.根据权利要求8所述的方法，其特征在于，当所述第二生物特征信息与预设生物特征信息匹配时，获取所述第一生物特征信息以及所述操作指令，具体包括
使用已训练的第二关键点提取子模型对人脸图像数据进行处理，获得第二人脸关键点信息，其中，所述第二生物特征信息包括所述人脸图像数据；
使用已训练的第二特征提取子模型对所述第二人脸关键点信息和所述人脸图像数据进行处理，获得第二特征数据；
当所述第二特征数据和预设特征数据之间差值小于预设阈值时，获取所述第一生物特征信息以及所述操作指令；
其中，所述预设特征数据时根据所述预设生物特征信息获得的。
10.一种监控装置，其特征在于，包括：
获取模块，用于获取用户在终端设备上输入操作指令的第一生物特征信息以及所述操作指令，其中，所述操作指令作用于金融业务***；
处理模块，用于根据所述第一生物特征信息获得所述操作指令的风险值；
处理模块还用于当所述风险值达到预设阈值时停止响应所述操作指令。
11.一种监控服务器，其特征在于，包括：
存储器，用于存储程序；
处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如权利要求1至9中任一项所述的监控方法。
12.一种监控***，其特征在于，包括：终端设备、堡垒机、采集装置以及如权利要求11所述的监控服务器。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至9中任一项所述的监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011041264.3A CN112182537A (zh) | 2020-09-28 | 2020-09-28 | 监控方法、装置、服务器、***以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011041264.3A CN112182537A (zh) | 2020-09-28 | 2020-09-28 | 监控方法、装置、服务器、***以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112182537A true CN112182537A (zh) | 2021-01-05 |
Family
ID=73943827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011041264.3A Pending CN112182537A (zh) | 2020-09-28 | 2020-09-28 | 监控方法、装置、服务器、***以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112182537A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536269A (zh) * | 2021-07-23 | 2021-10-22 | 中信银行股份有限公司 | 基于人脸识别的堡垒机令牌自动授权方法、装置、设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108304308A (zh) * | 2018-02-07 | 2018-07-20 | 平安普惠企业管理有限公司 | 用户行为监控方法、装置、计算机设备和存储介质 |
| CN109816893A (zh) * | 2019-01-23 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 信息发送方法、装置、服务器及存储介质 |
| CN109933503A (zh) * | 2019-02-13 | 2019-06-25 | 平安科技（深圳）有限公司 | 用户操作风险系数确定方法、装置及存储介质、服务器 |
| WO2019134246A1 (zh) * | 2018-01-03 | 2019-07-11 | 平安科技（深圳）有限公司 | 基于人脸识别的安全监控方法、装置及存储介质 |
| CN110489951A (zh) * | 2019-07-08 | 2019-11-22 | 招联消费金融有限公司 | 风险识别的方法、装置、计算机设备和存储介质 |
| CN111429267A (zh) * | 2020-03-26 | 2020-07-17 | 深圳壹账通智能科技有限公司 | 面审风险控制方法、装置、计算机设备及存储介质 |
| CN111581661A (zh) * | 2020-03-26 | 2020-08-25 | 平安普惠企业管理有限公司 | 基于生物特征识别的终端管理方法、装置、计算机设备 |
| CN111612879A (zh) * | 2020-05-22 | 2020-09-01 | 浙江讯飞智能科技有限公司 | 设备检测方法、装置、设备及可读存储介质 |
| CN111641610A (zh) * | 2020-05-19 | 2020-09-08 | 深信服科技股份有限公司 | 远程响应和远程控制方法、装置、设备及存储介质 |
-
2020
- 2020-09-28 CN CN202011041264.3A patent/CN112182537A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019134246A1 (zh) * | 2018-01-03 | 2019-07-11 | 平安科技（深圳）有限公司 | 基于人脸识别的安全监控方法、装置及存储介质 |
| CN108304308A (zh) * | 2018-02-07 | 2018-07-20 | 平安普惠企业管理有限公司 | 用户行为监控方法、装置、计算机设备和存储介质 |
| CN109816893A (zh) * | 2019-01-23 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 信息发送方法、装置、服务器及存储介质 |
| CN109933503A (zh) * | 2019-02-13 | 2019-06-25 | 平安科技（深圳）有限公司 | 用户操作风险系数确定方法、装置及存储介质、服务器 |
| CN110489951A (zh) * | 2019-07-08 | 2019-11-22 | 招联消费金融有限公司 | 风险识别的方法、装置、计算机设备和存储介质 |
| CN111429267A (zh) * | 2020-03-26 | 2020-07-17 | 深圳壹账通智能科技有限公司 | 面审风险控制方法、装置、计算机设备及存储介质 |
| CN111581661A (zh) * | 2020-03-26 | 2020-08-25 | 平安普惠企业管理有限公司 | 基于生物特征识别的终端管理方法、装置、计算机设备 |
| CN111641610A (zh) * | 2020-05-19 | 2020-09-08 | 深信服科技股份有限公司 | 远程响应和远程控制方法、装置、设备及存储介质 |
| CN111612879A (zh) * | 2020-05-22 | 2020-09-01 | 浙江讯飞智能科技有限公司 | 设备检测方法、装置、设备及可读存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536269A (zh) * | 2021-07-23 | 2021-10-22 | 中信银行股份有限公司 | 基于人脸识别的堡垒机令牌自动授权方法、装置、设备及存储介质 |
| CN113536269B (zh) * | 2021-07-23 | 2024-05-03 | 中信银行股份有限公司 | 基于人脸识别的堡垒机令牌自动授权方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10565433B2 (en) | Age invariant face recognition using convolutional neural networks and set distances | |
| CN107423690B (zh) | 一种人脸识别方法及装置 | |
| CN111274916B (zh) | 人脸识别方法和人脸识别装置 | |
| CN111191616A (zh) | 一种人脸遮挡检测方法、装置、设备及存储介质 | |
| CN111767900B (zh) | 人脸活体检测方法、装置、计算机设备及存储介质 | |
| CN109886222B (zh) | 人脸识别方法、神经网络训练方法、装置及电子设备 | |
| CN110163236A (zh) | 模型的训练方法和装置、存储介质、电子装置 | |
| US11804071B2 (en) | Method for selecting images in video of faces in the wild | |
| US20190236738A1 (en) | System and method for detection of identity fraud | |
| WO2020195732A1 (ja) | 画像処理装置、画像処理方法、およびプログラムが格納された記録媒体 | |
| US9378406B2 (en) | System for estimating gender from fingerprints | |
| CN112989334A (zh) | 一种机器学习的数据检测方法及相关设备 | |
| CN112949468A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
| CN113205002A (zh) | 非受限视频监控的低清人脸识别方法、装置、设备及介质 | |
| CN114333011A (zh) | 网络训练、人脸识别方法、电子设备及存储介质 | |
| CN112182537A (zh) | 监控方法、装置、服务器、***以及存储介质 | |
| CN112818899A (zh) | 人脸图像处理方法、装置、计算机设备和存储介质 | |
| Silva et al. | POEM-based facial expression recognition, a new approach | |
| Sai et al. | Student Attendance Monitoring System Using Face Recognition | |
| CN116229528A (zh) | 一种活体掌静脉检测方法、装置、设备及存储介质 | |
| CN109886320A (zh) | 一种人体股骨x光片智能识读方法及*** | |
| Santosh et al. | Recent Trends in Image Processing and Pattern Recognition: Third International Conference, RTIP2R 2020, Aurangabad, India, January 3–4, 2020, Revised Selected Papers, Part I | |
| CN114038045A (zh) | 一种跨模态人脸识别模型构建方法、装置及电子设备 | |
| CN114764948A (zh) | 活体检测方法、装置、设备及存储介质 | |
| CN114639132A (zh) | 人脸识别场景下的特征提取模型处理方法、装置、设备 |
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 |