(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210838737.5 (22)申请日 2022.07.18 (71)申请人 中邮消费金融有限公司 地址 510000 广东省广州市南沙区海 滨路 171号南沙金融大厦1 1楼1101之一J3 0 (72)发明人 朱威　陈盛福　潘伟　韩柳　钟佳　 (74)专利代理 机构 广州微斗专利代理有限公司 44390 专利代理师 唐立平 (51)Int.Cl. G06V 20/00(2022.01) G06N 3/04(2006.01) G06F 16/583(2019.01) G06Q 40/02(2012.01) G06V 10/26(2022.01)G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于图像分析的线上金融团伙欺诈识 别方法 (57)摘要 本发明提供一种基于图像分析的线上金融 团伙欺诈识别方法， 包括以下步骤： 步骤一、 将金 融公司已有的图像数据库进行人像 分割， 生成分 割后的图像数据库； 步骤二， 将贷款申请人提交 的待预测图像进行人像分割， 生成分割后的待预 测图像； 步骤三， 将所述分割后的待预测图像与 所述分割后的图像数据库进行图像检索并在所 述分割后的图像数据库中输出与所述分割后的 待预测图像相似度最大的对比图像； 步骤四， 分 析步骤三中的输出的对比图像与分割后的待预 测图像的相似度， 并判断贷款申请人是否涉及违 法行为。 使用本发明的方法无需再将贷款申请人 提供的图像与金融公司自有的图像库数据库进 行一一比对， 能够大幅提高团伙诈骗场景识别的 准确率及效率。 权利要求书2页 说明书6页 附图1页 CN 114926725 A 2022.08.19 CN 114926725 A 1.一种基于图像分析的线上 金融团伙欺诈 识别方法， 其特 征在于， 包括以下步骤： 步骤一、 将金融公司已有的图像数据库进行 人像分割， 生成分割后的图像数据库； 步骤二， 将贷款申请人提交的待预测图像进行 人像分割， 生成分割后的待预测图像； 步骤三， 将所述分割后的待预测图像与 所述分割后的图像数据库进行图像检索并在所 述分割后的图像数据库中输出与所述分割后的待预测图像相似度最大的对比图像； 步骤四， 分析步骤三中的输出的对比图像与分割后的待预测图像的相似度， 并判断贷 款申请人 是否涉及违法行为。 2.如权利要求1所述的一种基于图像分析的线上金融团伙欺诈识别方法， 其特征在于， 在所述步骤一、 步骤二中的所述人像分割 是把图像先进行去人像操作， 即把图像中人像那 部分变成黑色， 而背 景部分的像素不变， 通过人像分割之后， 待 预测图像和图像数据库中的 图像都是把前 景人像变成黑色， 留下图像背景。 3.如权利要求1所述的一种基于图像分析的线上金融团伙欺诈识别方法， 其特征在于， 所述人像 分割是基于编码器(Encoder)和解码器(Decoder)结构模 型， 编码器采用的是使用 VGG16网络模型的卷积层， 使用13个卷积层， 每个卷积层的卷积核(Kernel)3*3， 步长 (Padding)为1 ‑4， 所述13个卷积层共分为5段， 每段卷积层 使用一次最大池化层(Maxpool), 所述池化层的卷积核为2*2(K ernel)， 步长(Pad ding)为2‑4。 4.如权利要求3所述的一种基于图像分析的线上金融团伙欺诈识别方法， 其特征在于， 所述解码器的解码的过程为上采样， 上采样采用的方法为双线性插值法， 所述双线性插值 法利用原图像中目标点四周四个真实存在的像素值来共同决定目标图像中的一个像素值， 在两个方向上分别进 行一次线性插值， 通过上采样将特征图的分辨率还原到原始图像的分 辨率大小。 5.如权利要求1所述的一种基于图像分析的线上金融团伙欺诈识别方法， 其特征在于， 所述图像检索是利用孪生神经网络 （Siamese  neural network） 构建的图像检索模型， 利用 同一个卷积神经网络对输入的两张图像提取特征， 然后对比它们的特征向量之 间的距离来 判断是否属于同一类别， 也就是说， 将两张图像输入到同一个神经网络， 提取出两个两张图 像的特征向量， 将两个特征向量相减得到一个新的向量， 将相减得到的新的向量输入到一 个全连接层得到一个标量， 调用激活函数sigmoid函数， 输出结果接近1则是同一类型， 相反 接近0则不是同一类型。 6.如权利要求5所述的一种基于图像分析的线上金融团伙欺诈识别方法， 其特征在于， 所述孪生神经网络 （Siamese  neural network） 是基于两个人工神经网络建立的耦合架构， 以两个样本为输入， 输出其 嵌入高维度空间的表征， 以比较两个样本的相似程度， 使用孪生 神经网络结构做图像检索模型， 输入两张图像， 经过同一个卷积神经网络， 经过特征提取， 两张图像分别得到各自的特征向量记为h1和h2， 计算出两个特征向量差的绝对值记为d， 将d 输入到全连接层得到一个标量， 将标量输入到激活函数sigmoid函数， 输出的结果值介于 （0， 1） ， 通过对输出结果的比对， 值接近于1则越相似， 值接近于0则越不相似， 输入两张图相 似则标签为1， 不相似标签为0， 把标签与预测值之间的差别作为损失函数， 对比损失 (Contrastive Loss)函数。 7.如权利要求6所述的一种基于图像分析的线上金融团伙欺诈识别方法， 其特征在于， 所述Sigmo id函数用于隐层神经 元输出， 将实数映射到 （0， 1） 的区间， 用来 二分类；权　利　要　求　书 1/2 页 2 CN 114926725 A 2所述Sigmo id函数方程式如下： x为输入到所述Sigmo id函数的值； ， 其中 e=2.718281828459045  。 8.如权利要求7所述的一种基于图像分析的线上金融团伙欺诈识别方法， 其特征在于， 所述损失函数作用是衡量模型的好坏， 其关系式如下： ； 其中d代表两个特 征向量差的绝对值； ； y为两个样本是否匹配的标签， y=1代表两个样本相似或者匹配， y=0代表不匹配， margin代表设定的阈值， 设置阈值margin是因为只考虑欧氏距离为0 ‑margin之间的， 当欧 式距离超过margin时， 把Loss看作为0， N为样本个数， n表示具体样本编号， n取值范围是1~ N。 9.如权利要求7所述的一种基于图像分析的线上金融团伙欺诈识别方法， 其特征在于， 所述图像检索模型需要进行训练， 训练的数据集被分为正样本和负样本， 正样本用于告诉 神经网络什么是同一类别， 正样本采样是从相似背景 的图像库中随机抽取两张图像组合， 标签为1， 表示一个正例样本， 负样本则是告诉神经网络什么不是同一类别的， 负样本采样 从不相似背景的图像库中随机抽取两证图像组合成负样本， 标签为0， 表示一个负例样本， 训练过程 就是通过梯度下降法更新卷积神经网络和全连接层的参数。 10.如权利要求9所述的一种基于图像分析的线上金融团伙欺诈识别方法， 其特征在 于， 在所述图像检索 模型输入一张分割后的待预测图像， 与分割后的图像数据库进 行检索， 查看输出的图像是否是相似的背景， 输出的图像是相似背景并且Recall （查全率） 和 Precision （查准率） 需要分别能够达 到0.9和0.5 。权　利　要　求　书 2/2 页 3 CN 114926725 A 3