[go: up one dir, main page]

CN111861240A - 可疑用户识别方法、装置、设备及可读存储介质 - Google Patents

可疑用户识别方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN111861240A
CN111861240A CN202010733889.XA CN202010733889A CN111861240A CN 111861240 A CN111861240 A CN 111861240A CN 202010733889 A CN202010733889 A CN 202010733889A CN 111861240 A CN111861240 A CN 111861240A
Authority
CN
China
Prior art keywords
user
suspicious
identified
background
risk
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
Application number
CN202010733889.XA
Other languages
English (en)
Inventor
吴泽衡
朱振文
谭圣琦
周古月
徐倩
杨强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WeBank Co Ltd
Original Assignee
WeBank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN202010733889.XA priority Critical patent/CN111861240A/zh
Publication of CN111861240A publication Critical patent/CN111861240A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Business, Economics & Management (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Technology Law (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种可疑用户识别方法、装置、设备及可读存储介质，所述方法包括：获取基于待识别用户的各次业务操作记录的历史行为数据；基于所述历史行为数据计算风险指标下的风险因子，其中，所述风险指标至少包括一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标中的一项或多项；根据所述风险因子得到所述待识别用户的可疑识别结果。本发明提高了对用户进行可疑识别得到的可疑识别结果的准确性。

Description

可疑用户识别方法、装置、设备及可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种可疑用户识别方法、装置、设备及可读存储介质。
背景技术
目前，在很多场景中需要对用户进行身份验证，以避免不法分子通过身份造假实施违法犯罪行为。例如，在金融系统中办理某些关键业务的时候，会通过远程视频的方式与业务办理者进行交互，来完成业务的办理以及办理意愿的审核，在这个过程中，由于缺少面对面的交互，不法分子会利用各种各样的欺诈手段来进行互联网金融行为，从而获取各种不正当的权益，因此，需要对业务办理者进行身份验证，以确保金融服务的稳定性和安全性。
人脸识别和活体检测是常用的身份验证手段，通过获取用户的人脸图像来核查用户是否是本人。然后，在某些场景下，用户可能通过伪造身份证或者身份信息等手段来进行人脸核身，从而骗过人脸识别和活体检测。也即目前的人脸识别和活体检测的身份验证手段具有一定局限性，识别效果不够准确。
发明内容
本发明的主要目的在于提供一种可疑用户识别方法、装置、设备及可读存储介质，旨在解决目前的人脸识别和活体检测的身份验证手段具有一定局限性，识别效果不够准确的问题。
为实现上述目的，本发明提供一种可疑用户识别方法，所述方法包括以下步骤：
获取基于待识别用户的各次业务操作记录的历史行为数据；
基于所述历史行为数据计算风险指标下的风险因子，其中，所述风险指标至少包括一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标中的一项或多项；
根据所述风险因子得到所述待识别用户的可疑识别结果。
可选地，当所述风险指标包括一人多设备指标时，所述历史行为数据包括所述待识别用户各次业务操作对应的设备标识，
所述基于所述历史行为数据计算风险指标下的风险因子的步骤包括：
根据各所述设备标识统计得到设备数量，基于所述设备数量得到一人多设备风险因子，其中，相同的设备标识记为同一设备。
可选地，当所述风险指标包括一人多身份指标时，所述历史行为数据包括所述待识别用户各次业务操作对应的用户身份证照片组成的身份证照片序列，以及用户识别照片组成的识别照片序列，
所述基于所述历史行为数据计算风险指标下的风险因子的步骤包括：
将所述身份证照片序列中的照片与所述识别照片序列中的照片进行两两组合，得到各照片组合；
对各所述照片组合分别进行人脸识别得到各所述照片组合对应的人脸匹配结果，根据各所述人脸匹配结果得到一人多身份风险因子。
可选地，当所述风险指标包括可疑背景指标时，所述历史行为数据包括所述待识别用户至少一次业务操作对应的用户识别照片，以及基于除所述待识别用户外历史用户的业务操作记录的用户识别照片，
所述基于所述历史行为数据计算风险指标下的风险因子的步骤包括：
分别对各所述用户识别照片进行背景分离操作得到各背景图片数据；
分别将各所述背景图片数据输入预设的背景特征提取模型进行特征提取得到各背景特征；
对各所述背景特征进行聚类操作得到聚类簇，统计目标簇中的各背景特征所关联用户的用户数量，并基于所述用户数量得到可疑背景风险因子，其中，所述目标簇为所述待识别用户对应的背景特征所在的聚类簇。
可选地，所述分别将各所述背景图片数据输入预设的背景特征提取模型进行特征提取得到各背景特征的步骤之前还包括：
获取训练数据集，其中，所述训练数据集中的各条训练数据分别包括三个背景图像数据，其中两个背景图像数据属于同一类背景；
采用所述训练数据集对待训练特征提取模型进行训练得到所述背景特征提取模型，其中，训练过程中的损失函数为最小化第一距离与第二距离之间差值绝对值的损失函数，所述第一距离为训练数据中两个同类背景图像数据的背景特征之间的距离，所述第二距离为训练数据中两个不同类背景数据的背景特征之间距离。
可选地，所述当所述风险指标包括可疑微表情指标时，所述历史行为数据包括所述待识别用户至少一次业务操作对应的用户视频，
所述基于所述历史行为数据计算风险指标下的风险因子的步骤包括：
将所述用户视频中的各视频帧输入预设序列微表情识别模型，得到各所述视频帧对应的表情类别；
基于各所述视频帧对应的表情类别统计目标表情类别的出现频率，并根据所述出现频率得到可疑微表情风险因子。
可选地，所述根据所述风险因子得到所述待识别用户的可疑识别结果的步骤之后，还包括：
当基于所述可疑识别结果确定所述待识别用户为可疑用户时，从所述待识别用户的人脸图像中提取人脸特征；
将提取到的所述人脸特征添加至预设可疑用户黑名单库。
可选地，所述获取基于待识别用户的各次业务操作记录的历史行为数据的步骤之前，还包括：
当检测到对待识别用户的身份验证指令时，获取所述待识别用户的人脸图像；
从所述人脸图像中提取人脸特征，并将提取到的人脸特征与预设可疑用户黑名单库中的各人脸特征进行匹配；
若匹配成功，则对所述待识别用户执行预设可疑处理流程；
若未匹配成功，则执行所述步骤：获取基于待识别用户的各次业务操作记录的历史行为数据。
为实现上述目的，本发明提供一种可疑用户识别装置，所述装置包括：
获取模块，用于获取基于待识别用户的各次业务操作记录的历史行为数据；
计算模块，用于基于所述历史行为数据计算风险指标下的风险因子，其中，所述风险指标至少包括一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标中的一项或多项；
确定模块，用于根据所述风险因子得到所述待识别用户的可疑识别结果。
为实现上述目的，本发明还提供一种可疑用户识别设备，所述可疑用户识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的可疑用户识别程序，所述可疑用户识别程序被所述处理器执行时实现如上所述的可疑用户识别方法的步骤。
此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有可疑用户识别程序，所述可疑用户识别程序被处理器执行时实现如上所述的可疑用户识别方法的步骤。
本发明中，通过将获取基于待识别用户的各次业务操作记录的历史行为数据，根据历史行为数据计算风险指标下的风险因子，其中，风险因子至少包括一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标中的一项或多项，并根据风险因子得到待识别用户的可疑识别结果。相比于目前基于用户单次业务操作的人脸图像的人脸识别和活体检测，本发明通过用户进行多次业务操作时的历史行为数据进行用户风险计算，实现了通过用户的多次历史行为数据之间的关联性来判断用户的可疑性，进而提高了可疑识别结果的准确性。并且，相比于目前的人脸检测和活体检测，本发明中从一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标中至少一个或多个维度去识别用户的可疑性，由于各指标维度并不是基于用户单次业务操作时的人脸图像进行的人脸识别和活体检测，使得不法用户无法通过伪造身份证或者身份信息的手段来骗过身份验证，从而提高了身份验证的准确性，扩大了身份验证的应用范围。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明可疑用户识别方法第一实施例的流程示意图；
图3为本发明实施例涉及的一种可疑用户识别流程示意图；
图4为本发明实施例涉及的一种黑名单构建流程示意图；
图5为本发明可疑用户识别装置较佳实施例的功能示意图模块图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
需要说明的是，本发明实施例可疑用户识别设备可以是智能手机、个人计算机和服务器等设备，在此不做具体限制。
如图1所示，该可疑用户识别设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对可疑用户识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及可疑用户识别程序。其中，操作系统是管理和控制设备硬件和软件资源的程序，支持可疑用户识别程序以及其它软件或程序的运行。在图1所示的设备中，用户接口1003主要用于与客户端进行数据通信；网络接口1004主要用于服务器建立通信连接；处理器1001可以用于调用存储器1005中存储的可疑用户识别程序，并执行以下操作：
获取基于待识别用户的各次业务操作记录的历史行为数据；
基于所述历史行为数据计算风险指标下的风险因子，其中，所述风险指标至少包括一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标中的一项或多项；
根据所述风险因子得到所述待识别用户的可疑识别结果。
进一步地，当所述风险指标包括一人多设备指标时，所述历史行为数据包括所述待识别用户各次业务操作对应的设备标识，
所述基于所述历史行为数据计算风险指标下的风险因子的步骤包括：
根据各所述设备标识统计得到设备数量，基于所述设备数量得到一人多设备风险因子，其中，相同的设备标识记为同一设备。
进一步地，当所述风险指标包括一人多身份指标时，所述历史行为数据包括所述待识别用户各次业务操作对应的用户身份证照片组成的身份证照片序列，以及用户识别照片组成的识别照片序列，
所述基于所述历史行为数据计算风险指标下的风险因子的步骤包括：
将所述身份证照片序列中的照片与所述识别照片序列中的照片进行两两组合，得到各照片组合；
对各所述照片组合分别进行人脸识别得到各所述照片组合对应的人脸匹配结果，根据各所述人脸匹配结果得到一人多身份风险因子。
进一步地，当所述风险指标包括可疑背景指标时，所述历史行为数据包括所述待识别用户至少一次业务操作对应的用户识别照片，以及基于除所述待识别用户外历史用户的业务操作记录的用户识别照片，
所述基于所述历史行为数据计算风险指标下的风险因子的步骤包括：
分别对各所述用户识别照片进行背景分离操作得到各背景图片数据；
分别将各所述背景图片数据输入预设的背景特征提取模型进行特征提取得到各背景特征；
对各所述背景特征进行聚类操作得到聚类簇，统计目标簇中的各背景特征所关联用户的用户数量，并基于所述用户数量得到可疑背景风险因子，其中，所述目标簇为所述待识别用户对应的背景特征所在的聚类簇。
进一步地，所述分别将各所述背景图片数据输入预设的背景特征提取模型进行特征提取得到各背景特征的步骤之前，处理器1001可以用于调用存储器1005中存储的可疑用户识别程序，并执行以下操作：
获取训练数据集，其中，所述训练数据集中的各条训练数据分别包括三个背景图像数据，其中两个背景图像数据属于同一类背景；
采用所述训练数据集对待训练特征提取模型进行训练得到所述背景特征提取模型，其中，训练过程中的损失函数为最小化第一距离与第二距离之间差值绝对值的损失函数，所述第一距离为训练数据中两个同类背景图像数据的背景特征之间的距离，所述第二距离为训练数据中两个不同类背景数据的背景特征之间距离。
进一步地，所述当所述风险指标包括可疑微表情指标时，所述历史行为数据包括所述待识别用户至少一次业务操作对应的用户视频，
所述基于所述历史行为数据计算风险指标下的风险因子的步骤包括：
将所述用户视频中的各视频帧输入预设序列微表情识别模型，得到各所述视频帧对应的表情类别；
基于各所述视频帧对应的表情类别统计目标表情类别的出现频率，并根据所述出现频率得到可疑微表情风险因子。
进一步地，所述根据所述风险因子得到所述待识别用户的可疑识别结果的步骤之后，处理器1001可以用于调用存储器1005中存储的可疑用户识别程序，并执行以下操作：
当基于所述可疑识别结果确定所述待识别用户为可疑用户时，从所述待识别用户的人脸图像中提取人脸特征；
将提取到的所述人脸特征添加至预设可疑用户黑名单库。
进一步地，所述获取基于待识别用户的各次业务操作记录的历史行为数据的步骤之前，还包括：
当检测到对待识别用户的身份验证指令时，获取所述待识别用户的人脸图像；
从所述人脸图像中提取人脸特征，并将提取到的人脸特征与预设可疑用户黑名单库中的各人脸特征进行匹配；
若匹配成功，则对所述待识别用户执行预设可疑处理流程；
若未匹配成功，则执行所述步骤：获取基于待识别用户的各次业务操作记录的历史行为数据。
基于上述的结构，提出可疑用户识别方法的各实施例。
参照图2，图2为本发明可疑用户识别方法第一实施例的流程示意图。需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。本发明可疑用户识别方法各个实施例的执行主体可以是智能手机、个人计算机和服务器等设备，为便于描述，以下各实施例中省略执行主体进行阐述。在本实施例中，可疑用户识别方法包括：
步骤S10，获取基于待识别用户的各次业务操作记录的历史行为数据；
本实施例方案可以应用于各种需要进行用户身份核实的场景，例如线上办理银行自助业务等。在每次用户通过设备登录业务办理程序时，在业务操作过程中会产生一些用户行为数据，可记录这些用户行为数据，并将相同用户各次业务操作时记录的行为数据一起存放，得到各个历史用户的历史行为数据。
其中，基于一次业务操作记录的用户行为数据可包括用户登录业务办理程序所采用的设备的设备标识，还可包括上传的身份证信息、用户识别照片和拍摄的用户进行业务操作时的用户视频等等行为数据，其中，设备标识可以通过业务办理程序从设备操作系统中获取，设备标识可以是设备的序列号等唯一设备标识，在此不作限制。
进一步地，可将各用户的历史行为数据以数据库的形式存储。为更加丰富数据库中的行为数据，以提升可疑用户识别的准确率，在一实施方式中，可收集基于不同业务办理程序所记录的用户历史行为数据。
当需要对某用户进行身份验证时，也即需要识别用户是否为可疑性较大的可疑用户时，可将该用户作为待识别用户，并获取基于该待识别用户的各次业务操作所记录的历史行为数据。其中，获取到的历史行为数据包括该待识别用户至少一次业务操作对应的行为数据。
步骤S20，基于所述历史行为数据计算风险指标下的风险因子，其中，所述风险指标至少包括一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标中的一项或多项；
可预先设置进行风险判断的风险指标，风险指标可以至少包括一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标中的一项或多项。其中，一人多设备指标是判断用户是否在各次业务操作中使用不同的设备的指标，若同一用户在多次业务操作中使用不同设备，且不同的设备数量越多，认为该用户的风险程度越高；因此，可根据不同设备的设备数量计算得到一人多设备指标下的风险因子。一人多身份指标是判断同一用户是否在各次业务操作中使用不同的身份的指标，若同一用户在多次业务操作中使用不同身份，且不同身份越多，认为该用户的风险程度越高；因此，可根据同一用户使用不同身份的次数，计算得到一人多身份指标下的风险因子。可疑背景指标是判断用户在进行业务操作时是否处于可疑背景的指标，若用户进行业务操作时的背景越可疑，则认为该用户的风险程度越高；因此，可以对用户在进行业务操作时的背景的可疑程度进行分析，计算得到可疑背景指标下的风险因子。可疑微表情指标是用于判断用户在业务操作时是否出现可疑微表情的指标，可疑微表情可以是愤怒、紧张、高眨眼频率或眼神飘忽不定等表情，若用户在业务操作时出现可疑微表情的频率越高，则认为该用户的风险程度越高；因此，可以通过分析用户业务操作时用户视频中的可疑微表情的频率，计算得到可疑微表情指标下的风险因子。
分析不同风险指标需要的用户行为数据会不同，不同的具体业务场景中所采集的用户行为数据不同，所以，可根据具体的业务场景选择上述风险指标中的一项或多项来作为可疑用户的判断依据。例如，在某业务场景中，可采集设备标识、用户身份证信息、用户识别照片和用户视频等行为数据，则风险指标可至少包括一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标四个指标。需要说明的是，当风险指标有多个时，实现了从不同的维度对用户进行风险判别，也即实现了依据多模态的数据进行用户风险判别，提升了可疑识别结果的准确性，从而更加保证了金融服务的稳定性和安全性。
需要说明的是，目前的身份验证方案是对用户业务操作时的人脸图像进行识别，检测是否与身份证上的人脸照片匹配，或进一步在人脸识别的基础上，通过检测用户眨眼、张嘴、摇头、点头等组合动作的活体检测方式，来避免用户使用照片、面具以及屏幕翻拍等手段通过检测。这种检测方式无法识别出用户使用伪造的身份证或身份信息的情况。在本实施例中，一人多设备指标是从用户多次业务操作所使用的设备角度去分析用户的可疑风险程度，故即使不法用户在各次业务操作时使用造假的身份信息，也能够识别出其可疑程度。一人多身份指标是从用户多次业务操作所使用的身份上去分析用户的可疑分析程度，不法用户为避免被查出其欺诈行为，一般会在各次业务操作中使用不同的身份信息，故即使不法用户在各次业务操作中使用造假的身份信息，也能够识别出其可疑程度。可疑背景指标是从用户业务操作时的背景上去分析用户的可疑风险程度，故即使法用户在各次业务操作时使用造假的身份信息，也能够识别出其可疑程度。可疑微表情指标是从用户业务操作时的表情上分析用户的可疑风险程度，故即使不法用户在各次业务操作时使用造假的身份信息，也能够识别出其可疑程度。因此，相比于现有的基于用户单次业务操作时的人脸图像进行人脸识别或活体检测的方案，本实施例中基于各风险指标维度的可疑用户分析方式能够避免用户使用伪造的身份证或身份信息骗过身份验证的情况发生。
步骤S30，根据所述风险因子得到所述待识别用户的可疑识别结果。
在计算得到风险指标下的风险因子后，可根据风险因子获得待识别用户的最终可疑识别结果。其中，可疑识别结果可以是一个可疑程度，或者可以是一个表示待识别用户是否为可疑用户的结果，或者其他形式的结果，根据具体需要不同，可疑识别结果的形式可不同。风险因子的形式也可以是根据具体需要不同而不同，那么，根据风险因子获得待识别用户的可疑识别结果的方式可以有多种。例如，当风险因子是一个表示风险大小数值时，可将各个风险因子进行加权平均，得到最终的风险数值，可将这个风险数值作为可疑识别结果，或者是将这个风险数值与一个预设的数值进行比较，以得到用户是否为可疑用户的结果。当风险因子是表示待识别用户是否为可疑用户的结果，风险因子有多个时，可将表示用户是可疑用户的风险因子的个数与一个预设个数进行比较，以得到用户是否为可疑用户的结果。
在本实施例中，通过将获取基于待识别用户的各次业务操作记录的历史行为数据，根据历史行为数据计算风险指标下的风险因子，其中，风险因子至少包括一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标中的一项或多项，并根据风险因子得到待识别用户的可疑识别结果。相比于目前基于用户单次业务操作的人脸图像的人脸识别和活体检测，本实施例方案通过用户进行多次业务操作时的历史行为数据进行用户风险计算，实现了通过用户的多次历史行为数据之间的关联性来判断用户的可疑性，进而提高了可疑识别结果的准确性。并且，相比于目前的人脸检测和活体检测，本实施例中从一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标中至少一个或多个维度去识别用户的可疑性，由于各指标维度并不是基于用户单次业务操作时的人脸图像进行的人脸识别和活体检测，使得不法用户无法通过伪造身份证或者身份信息的手段来骗过身份验证，从而提高了身份验证的准确性，扩大了身份验证的应用范围。
进一步地，如图3所示，所述步骤S30之后，还包括：
步骤S40，当基于所述可疑识别结果确定所述待识别用户为可疑用户时，从所述待识别用户的人脸图像中提取人脸特征；
在得到可疑识别结果后，可根据可疑识别结果确定待识别用户是否为可疑用户。具体地，当可疑识别结果为一个可疑程度值时，可将该可疑程度值与一个预设值进行比较，若大于预设值，则可认为该待识别用户是可疑用户，否则为正常用户。当基于可疑识别结果确定待识别用户为可疑用户时，可从待识别用户的人脸图像中提取人脸特征。其中，待识别用户的人脸图像可以是本次业务操作时采集的用户人脸图像，也可以是从历史行为数据中获取的至少一张人脸图像。从人脸图像中提取人脸特征的方式可以是采用现有的人脸特征提取方法，例如采用人脸识别模型进行特征提取。提取到的人脸特征可以是向量形式的数据，应当理解的是，同一用户的人脸特征是相同的，不同用户的人脸特征是不相同的。
步骤S50，将提取到的所述人脸特征添加至预设可疑用户黑名单库。
将提取到的人脸特征添加至预设可疑用户黑名单库中。其中，预设可疑用户黑名单库可以是预先设置的用于存储黑名单用户的相关信息的数据库或数据表。进一步地，在将人脸特征添加至可疑用户黑名单库时，也可将待识别用户的其他信息与人脸特征关联后一起添加进去，其他信息可包括用户的历史行为数据，以及身份证号码、用户账户、手机号码等身份信息。
在本实施例中，将可疑用户的人脸特征添加至黑名单库中，便于在后续业务操作时能够快速地识别进行业务操作的用户是否是可疑用户，从而及时地作出针对可疑用户的处理。并且，人脸特征能够唯一标识一个人的样貌，相比于通过身份证、手机号码、姓名等信息记录可疑用户的方式，将人脸特征添加至黑名单，使得可疑用户在下次业务操作时采用不同的身份证、手机号码、姓名等信息进行操作时，也能够基于采集的人脸图像将其识别出。
进一步地，所述步骤S10之前，还包括：
步骤S60，当检测到对待识别用户的身份验证指令时，获取所述待识别用户的人脸图像；
在确定待识别用户之后，进行可疑识别之前，也可先检查该待识别用户是否在预设黑名单库中，若在，则可以直接确定待识别用户是可疑用户，若不在，则可对待识别用户进行可疑识别。
具体地，在具体的业务办理程序中，可设置触发身份验证的选项，在经过身份验证后，才能够进入下一步的业务操作。当检测到对待识别用户的身份验证指令时，获取待识别用户的人脸图像。该人脸图像可以是控制用户设备的摄像头实时采集的人脸图像。
步骤S70，从所述人脸图像中提取人脸特征，并将提取到的人脸特征与预设可疑用户黑名单库中的各人脸特征进行匹配；
从人脸图像中提取出人脸特征。人脸特征的提取方式在上述实施方式中已经阐述，在此不进行赘述。将提取到的人脸特征与预设可疑用户黑名单库中的各人脸特征进行匹配。具体地，黑名单库中存储有历史已识别出的可疑用户的人脸特征，将待识别用户的人脸特征与黑名单库中的人脸特征进行一一比对确定是否一致，若存在与待识别用户的人脸特征一致的人脸特征，则确定匹配成功，否则，确定未匹配成功。需要说明的是，在比对两个人脸特征时，可计算两个人脸特征的一致程度，当人脸特征是向量数据时，可比对两个向量数据中元素是否相同，一致程度则为相同元素的占比；当一致程度大于预设程度时，则可确定两个人脸特征一致，其中，预设程度可根据具体需要进行设置，当在实际业务场景中，对可疑用户排查较严格时，可将预设程度设置的稍低。
步骤S80，若匹配成功，则对所述待识别用户执行预设可疑处理流程；
若匹配成功，则可对待识别用户执行预设可疑处理流程。其中，预设可疑处理流程可以是预先设置的用于对可疑用户进行进一步确认的流程，或其他针对可疑用户的流程，具体可根据实际业务需要进行设置。若可疑处理流程是进一步确认流程，则可提示用户上传进一步用于证明身份的信息，具体可根据业务需求来设置需要上传的信息内容。
步骤S90，若未匹配成功，则执行所述步骤：获取基于待识别用户的各次业务操作记录的历史行为数据。
若未匹配成功，则说明待识别用户不在黑名单库中，这种情况下，可能是还未对待识别用户进行过可疑识别，因此可对待识别用户执行可疑识别流程，也即进行获取待识别用户的历史行为数据，基于历史行为数据进行各个风险指标的风险因子计算等后续的可疑识别流程。
当根据可疑识别结果确定待识别用户是正常用户时，则可对待识别用户进行正常处理流程，具体的正常处理流程根据业务场景不同而不同，在此不进行详细赘述。
在本实施例中，首先查询用户是否在黑名单库中，若在黑名单库中则可直接对用户执行可疑处理流程，从而提高了身份验证的效率。
进一步地，基于上述第一实施例，提出本发明可疑用户识别方法第二实施例，在本实施例中，当所述风险指标包括一人多设备指标时，所述历史行为数据包括所述待识别用户各次业务操作对应的设备标识，所述步骤S20包括：
步骤S201，根据各所述设备标识统计得到设备数量，基于所述设备数量得到一人多设备风险因子，其中，相同的设备标识记为同一设备。
当风险指标包括一人多设备指标时，在用户进行业务操作时，可记录用户所采用设备的设备标识。其中，设备标识可以是设备序列号等具备唯一性的标识。基于同一用户的各次业务操作记录的设备标识可关联存储，作为该用户的历史行为数据，具体地，在记录时可采用用户标识来区分不同用户，用户标识可以是身份证号码、手机号码或登录账号等能够唯一标识。
当需要对待识别用户进行一人多设备指标的分析时，可基于该待识别用户的用户标识，从预先存储的数据库中提取出该用户各次业务操作时对应的设备标识，也即获取该待识别用户的历史行为数据。
根据获取到的各个设备标识，统计得到一个设备数量，其中，相同的设备标识记为同一设备，那么多个相同的设备标识设备数量只记1。在得到设备数量后，可根据设备数量得到一人多设备风险因子。具体地，可根据具体需要设置不同设备数量所对应的风险因子。例如，当风险因子是表示用户是否是可疑用户的结果时，可以设置一个风险阈值，当设备数量大于该风险阈值时，表示用户历史所使用过的设备过多，频繁更换设备，故可从一人多设备指标维度确定该用户为可疑用户。或者，当风险因子是表示用户可疑程度的数值时，可将设备数量换算成一个可疑值，换算标准可以是：设备数量越多，可疑值越大，设备数量越少，可疑值越小。具体的换算方式可根据换算标准来制定，在此不作具体限制。
在本实施例中，根据用户历史进行业务操作时所使用的设备标识，来计算用户所使用过的不同设备的设备数量，当设备数量过多时确定用户为可疑用户，相比于基于用户单次业务操作的行为数据来验证用户是否是可疑用户，本实施例方式利用了用户历史行为数据之间的关联性来判断用户是否为可疑用户，即使是用户在业务操作中伪造身份信息，也能够被识别出来。
进一步地，基于上述第一和/或第二实施例，提出本发明可疑用户识别方法第三实施例。在本实施例中，当所述风险指标包括一人多身份指标时，所述历史行为数据包括所述待识别用户各次业务操作对应的用户身份证照片组成的身份证照片序列，以及用户识别照片组成的识别照片序列，所述步骤S20包括：
步骤S202，将所述身份证照片序列中的照片与所述识别照片序列中的照片进行两两组合，得到各照片组合；
当风险指标包括一人多身份指标时，在用户进行业务操作时，可记录用户上传的身份证照片和识别照片。其中，识别照片是指拍摄的用户面部照片，身份证照片是包含有用户图像的照片，例如，拍摄的身份证证件正面的照片。可将同一用户各次业务操作时的身份证照片和识别照片关联存储，得到身份证照片序列，和识别照片序列，将身份证照片序列和识别照片序列作为该用户的历史行为数据。在记录时可采用用户标识来区分不同用户，用户标识可以是身份证号码、手机号码或登录账号等能够唯一标识。
当需要对待识别用户进行一人多身份指标的分析时，可基于该待识别用户的用户标识，从预先存储的数据库中提取出该用户身份证照片序列和识别照片序列，也即获取该待识别用户的历史行为数据。
将该身份证照片序列中的照片与识别照片序列中的照片进行两两组合，得到各组照片组合。也即，一个身份证照片和一个识别照片作为一个照片组合。
步骤S203，对各所述照片组合分别进行人脸识别得到各所述照片组合对应的人脸匹配结果，根据各所述人脸匹配结果得到一人多身份风险因子。
对各个照片组合分别进行人脸识别，得到各照片组合对应的人脸匹配结果。具体地，对每个照片组合，对该照片组合中的两个照片进行人脸识别，并进行匹配，得到一个人脸匹配结果。那么，每个照片组合都对应有一个人脸匹配结果。人脸匹配结果可以是表示两张照片匹配或不匹配的结果。具体人脸识别和匹配的方式可以是将两张照片中的人脸部分输入预设的人脸识别模型进行识别，得到两张照片的人脸特征，并比对两个人脸特征的相似度，具体与上述实施例中人脸特征匹配的过程类似，在此不进行详细赘述。人脸识别模型可以是常用的人脸识别模型，在此不作限制。
根据各个照片组合的人脸匹配结果得到待识别用户的一人多身份风险因子。具体地，若有一个照片组合的人脸匹配结果是不匹配，则说明待识别用户有一人多身份的情况，可统计各个照片组合中人脸匹配结果为不匹配的照片组合的不匹配数量，也即统计出现一人多身份情况的数量，根据该不匹配数量得到一人多身份风险因子。例如，当风险因子是表示用户是否是可疑用户的结果时，可以设置一个风险阈值，当不匹配数量大于该风险阈值时，表示用户出现一人多身份的次数较多，频繁更换身份，故可从一人多身份指标维度确定该用户为可疑用户。或者，当风险因子是表示用户可疑程度的数值时，可将该不匹配数量换算成一个可疑值，换算标准可以是：不匹配数量越多，可疑值越大，不匹配数量越少，可疑值越小。具体的换算方式可根据换算标准来制定，在此不作具体限制。
在本实施例中，根据用户历史进行业务操作时的身份证照片序列和识别照片序列，来计算用户出现一人多身份情况的次数，当次数过多时确定用户为可疑用户，相比于基于用户单次业务操作的行为数据来验证用户是否是可疑用户，本实施例方式利用了用户历史行为数据之间的关联性来判断用户是否为可疑用户，即使是用户在业务操作中伪造身份信息，也能够被识别出来。
进一步地，基于上述第一、第二和/或第三实施例，提出本发明可疑用户识别方法第四实施例。在本实施例中，当所述风险指标包括可疑背景指标时，所述历史行为数据包括所述待识别用户至少一次业务操作对应的用户识别照片，以及基于除所述待识别用户外历史用户的业务操作记录的用户识别照片，所述步骤S20包括：
步骤S204，分别对各所述用户识别照片进行背景分离操作得到各背景图片数据；
用户的核身流程中，除了人脸本身外，背景信息是一个具有重要价值的信息。如果是团伙攻击，作案团伙一般会在近似的视频背景下作案，如果多个用户在近似的背景下进行业务操作，则说明该背景是一个可疑背景。当然，纯色背景除外。其次，即使作案团伙知道背景会泄露信息，频繁更换背景的代价也较大。因此，如果能有效的识别背景信息，是进行欺诈防御的一个有效手段。
基于此，在本实施例中，风险指标可包括可疑背景指标。在用户进行业务操作时，可记录用户上传的识别照片，作为用户的历史行为数据。当需要对待识别用户进行可疑背景指标分析时，可获取该待识别用户至少一次业务操作对应的用户识别照片，并获取数据库中记录的除该待识别用户外的其他历史用户的用户识别照片，就得到了多个用户识别照片，每个识别照片都有其关联的用户。
分别将各个用户识别照片进行背景分离操作，得到各用户识别照片对应的背景图片数据。背景图片数据即去掉用户识别照片中的人脸部分后留下的图片数据。具体可采用一个背景分离模型来进行背景分离，背景分离模型可采用图像语义分割模型，预先采用大量的图像对图像语义分割模型进行训练，具体可参照现有图像语义分割模型的训练过程，在此不进行详细赘述。
步骤S205，分别将各所述背景图片数据输入预设的背景特征提取模型进行特征提取得到各背景特征；
在得到背景图片数据后，可将各个背景图片数据分别输入到预设的背景特征提取模型中进行特征提取，得到各个背景图片数据对应的背景特征。其中，背景特征的形式可以是一个固定维度的向量。背景特征提取模型可采用常用的图片特征提取模型，训练过程也可参考常用的图片特征提取模型的训练过程，在此不进行详细赘述。
步骤S206，对各所述背景特征进行聚类操作得到聚类簇，统计目标簇中的各背景特征所关联用户的用户数量，并基于所述用户数量得到可疑背景风险因子，其中，所述目标簇为所述待识别用户对应的背景特征所在的聚类簇。
在得到各个用户识别图像对应的背景特征后，对各个背景特征进行聚类操作，得到各个聚类簇。其中，聚类操作可以采用k-means、GMM(高斯混合聚类)或谱聚类等常用聚类方式，在此不作限制。
确定待识别用户的识别照片的背景特征所在的聚类簇，将该聚类簇作为目标簇。当待识别用户的识别照片有多个时，可能会得到多个目标簇。统计目标簇中各个背景特征所关联的用户的数量，多个背景特征所关联的用户相同则可只记一次。根据目标簇的用户数量，可得到待识别用户的可疑背景风险因子。具体地，当聚类簇中的背景特征所关联的用户的数量较少时，可认为该聚类簇中的背景特征属于低风险背景。当聚类簇中的背景特征所关联的用户的数量特别多时，则说明该背景特征可能是纯色背景的特征，则可认为该聚类簇中的背景特征属于低风险背景。当聚类簇中的背景特征所关联的用户的数量在预设区间时，则可认为该聚类簇中的背景特征属于高风险背景，其中，预设区间可以根据具体情况进行设置。
那么，当风险因子是表示用户是否为可疑用户的结果时，可将目标簇对应的用户数量与该预设区间进行比较，若在预设区间内，则可从可疑背景指标维度确定该用户为可疑用户。当风险因子是表示用户可疑程度的数值时，可将目标簇的用户数量换算成一个可疑值，具体地，换算标准可以是：当用户数量处于预设区间内时可疑值大于不处于预设区间的可疑值，且在预设区间内时用户数量越大可疑值越大，若小于预设区间则数量越小可疑值越小，若大于预设区间则数量越大可疑值越小。具体的换算方式可根据换算标准来制定，在此不作具体限制。需要说明的是，当目标簇有多个时，可根据对应的用户数量最多的目标簇来得到可疑背景风险因子。
在本实施例中，对用户进行业务操作时的识别照片和其他历史用户进行业务操作时的识别照片进行背景特征的聚类，分析出可能使用相同背景特征的可疑欺诈团伙，从而识别出可疑用户，相比于基于单个用户进行业务操作的行为数据来验证用户是否是可疑用户，本实施例方式利用了多个用户的行为数据之间的关联性来判断用户是否为可疑用户，即使是用户在业务操作中伪造身份信息，也能够被识别出来。
进一步地，所述方法还包括：
A10，获取训练数据集，其中，所述训练数据集中的各条训练数据分别包括三个背景图像数据，其中两个背景图像数据属于同一类背景；
A20，采用所述训练数据集对待训练特征提取模型进行训练得到所述背景特征提取模型，其中，训练过程中的损失函数为最小化第一距离与第二距离之间差值绝对值的损失函数，所述第一距离为训练数据中两个同类背景图像数据的背景特征之间的距离，所述第二距离为训练数据中两个不同类背景数据的背景特征之间距离。
进一步地，在一实施方式中，背景特征提取模型的训练方式具体可以是：
预先设置一个待训练特征提取模型，该待训练特征提取模型的模型结构可采用常用的图片特征提取模型的模型结构，例如卷积神经网络等神经网络模型。预先采集用于训练待训练特征提取模型的训练数据集，该训练数据集中包括多条训练数据，每条训练数据包括三个背景图像数据，其中的两个背景图像数据是属于同一类背景的，同一类即类似的背景，可记为ai和pi，另外一个背景图像数据是与该两个背景图像数据不属于同一类的图像数据，可记为ni，其中，i表示训练数据的序号。
采用获取到的训练数据集对待训练特征提取模型进行训练，得到背景特征提取模型。具体地，可对待训练特征提取模型的模型参数进行多轮迭代更新，当检测到损失函数收敛时，则停止更新，将确定了参数的待训练特征提取模型作为背景特征提取模型。其中一轮更新的过程可以是：将训练数据集中各条训练数据分别输入待训练特征提取模型，经过待训练特征提取模型的特征提取，得到每个背景图像数据对应的背景特征，根据背景特征计算损失函数，并基于损失函数计算待训练特征提取模型中各个模型参数对应的梯度值，根据梯度值更新各个模型参数，以更新待训练特征提取模型。其中，损失函数可以是最小化第一距离与第二距离之间差值绝对值的损失函数，第一距离为训练数据中两个同类背景图像数据的背景特征之间的距离，第二距离为训练数据中两个不同类背景数据的背景特征之间距离。损失函数可表示为L＝max(d(a,p)-d(a,n)+margin,0)，其中d(a,p)表示a和p之间的距离，d(a,n)表示a和n之间的距离，margi n是预先设置的超参数，距离计算方式可采用任意的计算向量之间距离的方式，例如欧式距离。需要说明的是，每条训练数据对应一个损失值，损失函数是对各条训练数据损失值的平均。
进一步地，基于上述第一、第二、第三和/或第四实施例，提出本发明可疑用户识别方法第五实施例。在本实施例中，所述当所述风险指标包括可疑微表情指标时，所述历史行为数据包括所述待识别用户至少一次业务操作对应的用户视频，所述步骤S20包括：
步骤S207，将所述用户视频中的各视频帧输入预设序列微表情识别模型，得到各所述视频帧对应的表情类别；
在本实施例中，风险指标可包括可疑微表情指标，在用户进行业务操作时，可获取用户设备采集的用户视频，具体可以是用户的刷脸视频，或远程视频方式办理业务时采集的用户视频。可将同一用户各次业务操作时的用户视频进行关联存储，作为用户的历史行为数据。在记录时可采用用户标识来区分不同用户，用户标识可以是身份证号码、手机号码或登录账号等能够唯一标识。
当需要对待识别用户进行可疑微表情指标的分析时，可基于该待识别用户的用户标识，从预先存储的数据库中提取出该用户至少一次业务操作对应的用户视频，也即获取该待识别用户的历史行为数据。
将获取到的用户视频中的各视频帧输入预设序列微表情识别模型，得到各视频帧对应的表情类别。其中，预设序列微表情识别模型可以是预先设置并训练好的模型，模型可采用LSTM(长短期记忆网络)、RNN(循环神经网络)等能够处理序列数据的模型结构，在此不做具体限制。模型可识别的表情类别可以预先设置，例如，可包括愤怒、紧张、喜悦、悲伤等微表情。
步骤S208，基于各所述视频帧对应的表情类别统计目标表情类别的出现频率，并根据所述出现频率得到可疑微表情风险因子。
在得到各个视频帧对应的表情类别后，可统计目标表情类别在用户视频中出现的频率。其中，目标表情类别可以是预先设置的可疑表情，例如，愤怒、紧张、高眨眼频率和眼神飘忽不定等可疑表情。计算目标表情类别的出现频率具体可以是统计目标表情类别在连续多帧视频帧中出现的次数，例如，统计100帧视频帧中出现愤怒表情的次数，当视频帧数大于100帧时，可统计每100帧的出现次数后计算平均值，得到出现频率。
在计算得到目标表情类别的出现频率后，可根据出现频率得到可疑微表情风险因子，具体地，可根据具体需要设置不同出现频率所对应的风险因子。例如，当风险因子是表示用户是否是可疑用户的结果时，可以设置一个风险阈值，当出现频率大于该风险阈值时，表示用户出现可疑表情的频率过高，故可从可疑微表情指标维度确定该用户为可疑用户。或者，当风险因子是表示用户可疑程度的数值时，可将出现频率换算成一个可疑值，换算标准可以是：出现频率越大，可疑值越大，出现频率越小，可疑值越小。具体的换算方式可根据换算标准来制定，在此不作具体限制。
在本实施例中，根据用户在进行业务操作时的视频，来分析用户出现可疑微表情的频率，当频率过大时确定用户为可疑用户，相比于基于用户单次业务操作的行为数据来验证用户是否是可疑用户，本实施例方式利用了用户细微的表情来判断用户是否为可疑用户，即使是用户在业务操作中伪造身份信息，也能够被识别出来。
在一实施方式中，风险指标可包括一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标，如图4所示，可根据数据库中存储的各用户的历史行为数据，对各个用户分别进行四个维度的分析，得到各用户的可疑识别结果，根据可疑识别结果，将可疑用户添加至黑名单库中。
此外本发明实施例还提出一种可疑用户识别装置，参照图5，所述装置包括：
获取模块10，用于获取基于待识别用户的各次业务操作记录的历史行为数据；
计算模块20，用于基于所述历史行为数据计算风险指标下的风险因子，其中，所述风险指标至少包括一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标中的一项或多项；
确定模块30，用于根据所述风险因子得到所述待识别用户的可疑识别结果。
进一步地，当所述风险指标包括一人多设备指标时，所述历史行为数据包括所述待识别用户各次业务操作对应的设备标识，
所述计算模块20包括：
计算单元，用于根据各所述设备标识统计得到设备数量，基于所述设备数量得到一人多设备风险因子，其中，相同的设备标识记为同一设备。
进一步地，当所述风险指标包括一人多身份指标时，所述历史行为数据包括所述待识别用户各次业务操作对应的用户身份证照片组成的身份证照片序列，以及用户识别照片组成的识别照片序列，
所述计算模块20包括：
组合单元，用于将所述身份证照片序列中的照片与所述识别照片序列中的照片进行两两组合，得到各照片组合；
匹配单元，用于对各所述照片组合分别进行人脸识别得到各所述照片组合对应的人脸匹配结果，根据各所述人脸匹配结果得到一人多身份风险因子。
进一步地，当所述风险指标包括可疑背景指标时，所述历史行为数据包括所述待识别用户至少一次业务操作对应的用户识别照片，以及基于除所述待识别用户外历史用户的业务操作记录的用户识别照片，
所述计算模块20包括：
分离单元，用于分别对各所述用户识别照片进行背景分离操作得到各背景图片数据；
提取单元，用于分别将各所述背景图片数据输入预设的背景特征提取模型进行特征提取得到各背景特征；
聚类单元，用于对各所述背景特征进行聚类操作得到聚类簇，统计目标簇中的各背景特征所关联用户的用户数量，并基于所述用户数量得到可疑背景风险因子，其中，所述目标簇为所述待识别用户对应的背景特征所在的聚类簇。
进一步地，所述获取模块10，还用于获取训练数据集，其中，所述训练数据集中的各条训练数据分别包括三个背景图像数据，其中两个背景图像数据属于同一类背景；
所述装置还包括：
训练模块，用于采用所述训练数据集对待训练特征提取模型进行训练得到所述背景特征提取模型，其中，训练过程中的损失函数为最小化第一距离与第二距离之间差值绝对值的损失函数，所述第一距离为训练数据中两个同类背景图像数据的背景特征之间的距离，所述第二距离为训练数据中两个不同类背景数据的背景特征之间距离。
进一步地，所述当所述风险指标包括可疑微表情指标时，所述历史行为数据包括所述待识别用户至少一次业务操作对应的用户视频，
所述计算模块20包括：
输入单元，用于将所述用户视频中的各视频帧输入预设序列微表情识别模型，得到各所述视频帧对应的表情类别；
统计单元，用于基于各所述视频帧对应的表情类别统计目标表情类别的出现频率，并根据所述出现频率得到可疑微表情风险因子，其中，所述目标表情类别至少包括愤怒和紧张中的一项或多项。
进一步地，所述装置还包括：
提取模块，用于当基于所述可疑识别结果确定所述待识别用户为可疑用户时，从所述待识别用户的人脸图像中提取人脸特征；
添加模块，用于将提取到的所述人脸特征添加至预设可疑用户黑名单库。
进一步地，所述获取模块10，还用于当检测到对待识别用户的身份验证指令时，获取所述待识别用户的人脸图像；
所述装置还包括：
匹配模块，用于从所述人脸图像中提取人脸特征，并将提取到的人脸特征与预设可疑用户黑名单库中的各人脸特征进行匹配；
执行模块，用于若匹配成功，则对所述待识别用户执行预设可疑处理流程；若未匹配成功，则执行所述步骤：获取基于待识别用户的各次业务操作记录的历史行为数据。
本发明可疑用户识别装置的具体实施方式的拓展内容与上述可疑用户识别方法各实施例基本相同，在此不做赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述存储介质上存储有可疑用户识别程序，所述可疑用户识别程序被处理器执行时实现如下所述的可疑用户识别方法的步骤。
本发明可疑用户识别设备和计算机可读存储介质的各实施例，均可参照本发明可疑用户识别方法各实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (11)

1.一种可疑用户识别方法，其特征在于，所述方法包括以下步骤：
获取基于待识别用户的各次业务操作记录的历史行为数据；
基于所述历史行为数据计算风险指标下的风险因子，其中，所述风险指标至少包括一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标中的一项或多项；
根据所述风险因子得到所述待识别用户的可疑识别结果。
2.如权利要求1所述的可疑用户识别方法，其特征在于，当所述风险指标包括一人多设备指标时，所述历史行为数据包括所述待识别用户各次业务操作对应的设备标识，
所述基于所述历史行为数据计算风险指标下的风险因子的步骤包括：
根据各所述设备标识统计得到设备数量，基于所述设备数量得到一人多设备风险因子，其中，相同的设备标识记为同一设备。
3.如权利要求1所述的可疑用户识别方法，其特征在于，当所述风险指标包括一人多身份指标时，所述历史行为数据包括所述待识别用户各次业务操作对应的用户身份证照片组成的身份证照片序列，以及用户识别照片组成的识别照片序列，
所述基于所述历史行为数据计算风险指标下的风险因子的步骤包括：
将所述身份证照片序列中的照片与所述识别照片序列中的照片进行两两组合，得到各照片组合；
对各所述照片组合分别进行人脸识别得到各所述照片组合对应的人脸匹配结果，根据各所述人脸匹配结果得到一人多身份风险因子。
4.如权利要求1所述的可疑用户识别方法，其特征在于，当所述风险指标包括可疑背景指标时，所述历史行为数据包括所述待识别用户至少一次业务操作对应的用户识别照片，以及基于除所述待识别用户外历史用户的业务操作记录的用户识别照片，
所述基于所述历史行为数据计算风险指标下的风险因子的步骤包括：
分别对各所述用户识别照片进行背景分离操作得到各背景图片数据；
分别将各所述背景图片数据输入预设的背景特征提取模型进行特征提取得到各背景特征；
对各所述背景特征进行聚类操作得到聚类簇，统计目标簇中的各背景特征所关联用户的用户数量，并基于所述用户数量得到可疑背景风险因子，其中，所述目标簇为所述待识别用户对应的背景特征所在的聚类簇。
5.如权利要求4所述的可疑用户识别方法，其特征在于，所述分别将各所述背景图片数据输入预设的背景特征提取模型进行特征提取得到各背景特征的步骤之前还包括：
获取训练数据集，其中，所述训练数据集中的各条训练数据分别包括三个背景图像数据，其中两个背景图像数据属于同一类背景；
采用所述训练数据集对待训练特征提取模型进行训练得到所述背景特征提取模型，其中，训练过程中的损失函数为最小化第一距离与第二距离之间差值绝对值的损失函数，所述第一距离为训练数据中两个同类背景图像数据的背景特征之间的距离，所述第二距离为训练数据中两个不同类背景数据的背景特征之间距离。
6.如权利要求1所述的可疑用户识别方法，其特征在于，所述当所述风险指标包括可疑微表情指标时，所述历史行为数据包括所述待识别用户至少一次业务操作对应的用户视频，
所述基于所述历史行为数据计算风险指标下的风险因子的步骤包括：
将所述用户视频中的各视频帧输入预设序列微表情识别模型，得到各所述视频帧对应的表情类别；
基于各所述视频帧对应的表情类别统计目标表情类别的出现频率，并根据所述出现频率得到可疑微表情风险因子。
7.如权利要求1所述的可疑用户识别方法，其特征在于，所述根据所述风险因子得到所述待识别用户的可疑识别结果的步骤之后，还包括：
当基于所述可疑识别结果确定所述待识别用户为可疑用户时，从所述待识别用户的人脸图像中提取人脸特征；
将提取到的所述人脸特征添加至预设可疑用户黑名单库。
8.如权利要求1至7任一项所述的可疑用户识别方法，其特征在于，所述获取基于待识别用户的各次业务操作记录的历史行为数据的步骤之前，还包括：
当检测到对待识别用户的身份验证指令时，获取所述待识别用户的人脸图像；
从所述人脸图像中提取人脸特征，并将提取到的人脸特征与预设可疑用户黑名单库中的各人脸特征进行匹配；
若匹配成功，则对所述待识别用户执行预设可疑处理流程；
若未匹配成功，则执行所述步骤：获取基于待识别用户的各次业务操作记录的历史行为数据。
9.一种可疑用户识别装置，其特征在于，所述装置包括：
获取模块，用于获取基于待识别用户的各次业务操作记录的历史行为数据；
计算模块，用于基于所述历史行为数据计算风险指标下的风险因子，其中，所述风险指标至少包括一人多设备指标、一人多身份指标、可疑背景指标和可疑微表情指标中的一项或多项；
确定模块，用于根据所述风险因子得到所述待识别用户的可疑识别结果。
10.一种可疑用户识别设备，其特征在于，所述可疑用户识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的可疑用户识别程序，所述可疑用户识别程序被所述处理器执行时实现如权利要求1至8中任一项所述的可疑用户识别方法的步骤。
11.一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上存储有可疑用户识别程序，所述可疑用户识别程序被处理器执行时实现如权利要求1至8中任一项所述的可疑用户识别方法的步骤。
CN202010733889.XA 2020-07-27 2020-07-27 可疑用户识别方法、装置、设备及可读存储介质 Pending CN111861240A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010733889.XA CN111861240A (zh) 2020-07-27 2020-07-27 可疑用户识别方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010733889.XA CN111861240A (zh) 2020-07-27 2020-07-27 可疑用户识别方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN111861240A true CN111861240A (zh) 2020-10-30

Family

ID=72947422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010733889.XA Pending CN111861240A (zh) 2020-07-27 2020-07-27 可疑用户识别方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111861240A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785114A (zh) * 2020-11-18 2021-05-11 杭州安恒信息安全技术有限公司 涉假行为侦查方法、装置、可读存储介质及计算机设备
CN112989135A (zh) * 2021-04-15 2021-06-18 杭州网易再顾科技有限公司 实时风险团伙的识别方法、介质、装置和计算设备
CN113033404A (zh) * 2021-03-26 2021-06-25 平安银行股份有限公司 人脸攻击事件检测方法、装置、设备及存储介质
CN113033347A (zh) * 2021-03-10 2021-06-25 北京思图场景数据科技服务有限公司 一种人体行为和场景分析的交互式风险评估方法
CN113298118A (zh) * 2021-04-28 2021-08-24 上海淇玥信息技术有限公司 一种基于神经网络的智能反欺诈方法、装置及电子设备
CN113344586A (zh) * 2021-07-05 2021-09-03 塔里木大学 一种面向移动终端的人脸识别支付系统
CN113538011A (zh) * 2021-07-24 2021-10-22 深圳供电局有限公司 一种电力系统中非在册联系信息与在册用户的关联方法
CN113591464A (zh) * 2021-07-28 2021-11-02 百度在线网络技术（北京）有限公司 变体文本检测方法、模型训练方法、装置及电子设备
CN113689292A (zh) * 2021-09-18 2021-11-23 杭银消费金融股份有限公司 基于图像背景识别的用户聚集识别方法及系统
CN113723800A (zh) * 2021-08-27 2021-11-30 上海幻电信息科技有限公司 风险识别模型训练方法及装置、风险识别方法及装置
CN113743335A (zh) * 2021-09-08 2021-12-03 平安科技（深圳）有限公司 目光数据的风险识别的方法、装置、计算机及介质
CN114519635A (zh) * 2022-02-14 2022-05-20 中国工商银行股份有限公司 银行账户开户监控方法、服务器和系统
CN114529391A (zh) * 2022-01-28 2022-05-24 中银金融科技有限公司 一种可疑洗钱团伙信息识别方法及系统
CN114707991A (zh) * 2022-03-29 2022-07-05 中国建设银行股份有限公司 一种可疑账户识别方法、装置、设备、介质及产品
CN114792451A (zh) * 2022-06-22 2022-07-26 深圳市海清视讯科技有限公司 信息处理方法、设备、及存储介质
CN115063861A (zh) * 2022-06-24 2022-09-16 深圳前海微众银行股份有限公司 模型训练方法、图像背景相似判断方法及装置
CN115670465A (zh) * 2022-09-27 2023-02-03 上汽通用五菱汽车股份有限公司 车辆动静态用户体验评价方法、装置、电子设备及介质
CN118135498A (zh) * 2024-05-08 2024-06-04 成都新希望金融信息有限公司 基于ai的双录实时风险识别方法、装置、设备及介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295349A (zh) * 2015-05-29 2017-01-04 阿里巴巴集团控股有限公司 账号被盗的风险识别方法、识别装置及防控系统
CN106549902A (zh) * 2015-09-16 2017-03-29 阿里巴巴集团控股有限公司 一种可疑用户的识别方法及设备
CN107729727A (zh) * 2016-08-11 2018-02-23 腾讯科技（深圳）有限公司 一种帐号的实名认证方法及装置
CN107818308A (zh) * 2017-10-31 2018-03-20 平安科技（深圳）有限公司 一种人脸识别智能比对方法、电子装置及计算机可读存储介质
CN109272323A (zh) * 2018-09-14 2019-01-25 阿里巴巴集团控股有限公司 一种风险交易识别方法、装置、设备及介质
CN109347787A (zh) * 2018-08-15 2019-02-15 阿里巴巴集团控股有限公司 一种身份信息的识别方法及装置
CN109598110A (zh) * 2018-12-10 2019-04-09 北京羽扇智信息科技有限公司 一种用户身份的识别方法及装置
CN109670931A (zh) * 2018-09-25 2019-04-23 平安科技（深圳）有限公司 贷款用户的行为检测方法、装置、设备及存储介质
CN109766772A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 风险控制方法、装置、计算机设备和存储介质
CN109784170A (zh) * 2018-12-13 2019-05-21 平安科技（深圳）有限公司 基于图像识别的车险定损方法、装置、设备及存储介质
CN109816518A (zh) * 2019-01-04 2019-05-28 深圳壹账通智能科技有限公司 面核结果获取方法、装置、计算机设备和可读存储介质
CN110298246A (zh) * 2019-05-22 2019-10-01 深圳壹账通智能科技有限公司 开锁验证方法、装置、计算机设备及存储介质
CN110311788A (zh) * 2019-06-28 2019-10-08 京东数字科技控股有限公司 身份验证方法、装置、电子设备及可读介质
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
WO2019228004A1 (zh) * 2018-05-28 2019-12-05 阿里巴巴集团控股有限公司 一种核身方法和装置
CN110569878A (zh) * 2019-08-08 2019-12-13 上海汇付数据服务有限公司 一种基于卷积神经网络的照片背景相似度聚类方法及计算机
CN110827032A (zh) * 2019-09-26 2020-02-21 支付宝(杭州)信息技术有限公司 智能风控决策方法及系统、业务处理方法及系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295349A (zh) * 2015-05-29 2017-01-04 阿里巴巴集团控股有限公司 账号被盗的风险识别方法、识别装置及防控系统
CN106549902A (zh) * 2015-09-16 2017-03-29 阿里巴巴集团控股有限公司 一种可疑用户的识别方法及设备
CN107729727A (zh) * 2016-08-11 2018-02-23 腾讯科技（深圳）有限公司 一种帐号的实名认证方法及装置
CN107818308A (zh) * 2017-10-31 2018-03-20 平安科技（深圳）有限公司 一种人脸识别智能比对方法、电子装置及计算机可读存储介质
WO2019228004A1 (zh) * 2018-05-28 2019-12-05 阿里巴巴集团控股有限公司 一种核身方法和装置
CN109347787A (zh) * 2018-08-15 2019-02-15 阿里巴巴集团控股有限公司 一种身份信息的识别方法及装置
CN109272323A (zh) * 2018-09-14 2019-01-25 阿里巴巴集团控股有限公司 一种风险交易识别方法、装置、设备及介质
CN109670931A (zh) * 2018-09-25 2019-04-23 平安科技（深圳）有限公司 贷款用户的行为检测方法、装置、设备及存储介质
CN109598110A (zh) * 2018-12-10 2019-04-09 北京羽扇智信息科技有限公司 一种用户身份的识别方法及装置
CN109784170A (zh) * 2018-12-13 2019-05-21 平安科技（深圳）有限公司 基于图像识别的车险定损方法、装置、设备及存储介质
CN109766772A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 风险控制方法、装置、计算机设备和存储介质
CN109816518A (zh) * 2019-01-04 2019-05-28 深圳壹账通智能科技有限公司 面核结果获取方法、装置、计算机设备和可读存储介质
CN110298246A (zh) * 2019-05-22 2019-10-01 深圳壹账通智能科技有限公司 开锁验证方法、装置、计算机设备及存储介质
CN110311788A (zh) * 2019-06-28 2019-10-08 京东数字科技控股有限公司 身份验证方法、装置、电子设备及可读介质
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
CN110569878A (zh) * 2019-08-08 2019-12-13 上海汇付数据服务有限公司 一种基于卷积神经网络的照片背景相似度聚类方法及计算机
CN110827032A (zh) * 2019-09-26 2020-02-21 支付宝(杭州)信息技术有限公司 智能风控决策方法及系统、业务处理方法及系统

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785114A (zh) * 2020-11-18 2021-05-11 杭州安恒信息安全技术有限公司 涉假行为侦查方法、装置、可读存储介质及计算机设备
CN113033347A (zh) * 2021-03-10 2021-06-25 北京思图场景数据科技服务有限公司 一种人体行为和场景分析的交互式风险评估方法
CN113033347B (zh) * 2021-03-10 2025-01-07 北京思图场景数据科技服务有限公司 一种人体行为和场景分析的交互式风险评估方法
CN113033404A (zh) * 2021-03-26 2021-06-25 平安银行股份有限公司 人脸攻击事件检测方法、装置、设备及存储介质
CN113033404B (zh) * 2021-03-26 2024-05-28 平安银行股份有限公司 人脸攻击事件检测方法、装置、设备及存储介质
CN112989135A (zh) * 2021-04-15 2021-06-18 杭州网易再顾科技有限公司 实时风险团伙的识别方法、介质、装置和计算设备
CN113298118A (zh) * 2021-04-28 2021-08-24 上海淇玥信息技术有限公司 一种基于神经网络的智能反欺诈方法、装置及电子设备
CN113298118B (zh) * 2021-04-28 2024-06-07 上海淇玥信息技术有限公司 一种基于神经网络的智能反欺诈方法、装置及电子设备
CN113344586A (zh) * 2021-07-05 2021-09-03 塔里木大学 一种面向移动终端的人脸识别支付系统
CN113344586B (zh) * 2021-07-05 2024-05-31 塔里木大学 一种面向移动终端的人脸识别支付系统
CN113538011B (zh) * 2021-07-24 2024-02-09 深圳供电局有限公司 一种电力系统中非在册联系信息与在册用户的关联方法
CN113538011A (zh) * 2021-07-24 2021-10-22 深圳供电局有限公司 一种电力系统中非在册联系信息与在册用户的关联方法
CN113591464B (zh) * 2021-07-28 2022-06-10 百度在线网络技术（北京）有限公司 变体文本检测方法、模型训练方法、装置及电子设备
CN113591464A (zh) * 2021-07-28 2021-11-02 百度在线网络技术（北京）有限公司 变体文本检测方法、模型训练方法、装置及电子设备
CN113723800B (zh) * 2021-08-27 2024-06-07 上海幻电信息科技有限公司 风险识别模型训练方法及装置、风险识别方法及装置
CN113723800A (zh) * 2021-08-27 2021-11-30 上海幻电信息科技有限公司 风险识别模型训练方法及装置、风险识别方法及装置
CN113743335A (zh) * 2021-09-08 2021-12-03 平安科技（深圳）有限公司 目光数据的风险识别的方法、装置、计算机及介质
CN113743335B (zh) * 2021-09-08 2024-03-22 平安科技（深圳）有限公司 目光数据的风险识别的方法、装置、计算机及介质
CN113689292A (zh) * 2021-09-18 2021-11-23 杭银消费金融股份有限公司 基于图像背景识别的用户聚集识别方法及系统
CN114529391A (zh) * 2022-01-28 2022-05-24 中银金融科技有限公司 一种可疑洗钱团伙信息识别方法及系统
CN114519635A (zh) * 2022-02-14 2022-05-20 中国工商银行股份有限公司 银行账户开户监控方法、服务器和系统
CN114707991A (zh) * 2022-03-29 2022-07-05 中国建设银行股份有限公司 一种可疑账户识别方法、装置、设备、介质及产品
CN114792451A (zh) * 2022-06-22 2022-07-26 深圳市海清视讯科技有限公司 信息处理方法、设备、及存储介质
CN115063861A (zh) * 2022-06-24 2022-09-16 深圳前海微众银行股份有限公司 模型训练方法、图像背景相似判断方法及装置
CN115670465A (zh) * 2022-09-27 2023-02-03 上汽通用五菱汽车股份有限公司 车辆动静态用户体验评价方法、装置、电子设备及介质
CN118135498A (zh) * 2024-05-08 2024-06-04 成都新希望金融信息有限公司 基于ai的双录实时风险识别方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN111861240A (zh) 可疑用户识别方法、装置、设备及可读存储介质
Gomez-Barrero et al. General framework to evaluate unlinkability in biometric template protection systems
Zhang et al. Unsupervised learning-based framework for deepfake video detection
CN112329811B (zh) 异常账号识别方法、装置、计算机设备和存储介质
CN110991231B (zh) 活体检测方法、装置、服务器和人脸识别设备
CN110866466A (zh) 一种人脸识别方法、装置、存储介质和服务器
CN108229330A (zh) 人脸融合识别方法及装置、电子设备和存储介质
CN110955874A (zh) 身份验证方法、装置、计算机设备和存储介质
CN104424414A (zh) 用于使用户登录到移动设备的方法
CN112418167A (zh) 图像的聚类方法、装置、设备和存储介质
CN109635625B (zh) 智能身份核验方法、设备、存储介质及装置
TW202034256A (zh) 識別風險商家的方法及裝置
US20230206372A1 (en) Fraud Detection Using Aggregate Fraud Score for Confidence of Liveness/Similarity Decisions
US20190347472A1 (en) Method and system for image identification
CN109005104B (zh) 一种即时通信方法、装置、服务器及存储介质
TW201944294A (zh) 身份驗證方法和裝置、電子裝置、電腦程式和儲存介質
US20230410221A1 (en) Information processing apparatus, control method, and program
CN110929244A (zh) 数字化身份识别方法、装置、设备及存储介质
CN112818150B (zh) 一种图片内容审核方法、装置、设备和介质
EP3452952A1 (en) User specific classifiers for biometric liveness detection
CN106056083A (zh) 一种信息处理方法及终端
CN114495188B (zh) 一种图像数据处理方法、装置和相关设备
Panzino et al. Evaluating the integration of morph attack detection in automated face recognition systems
CN110097258A (zh) 一种用户关系网络建立方法、装置及计算机可读存储介质
CN113449543B (zh) 视频检测方法、装置、设备、以及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201030