一种图片风险识别方法、装置及设备制造方法及图纸

公开了一种图片风险识别方法、装置及设备。在针对图片进行风险识别时，首先分别获取已经验证和待识别图像的特征点集合，然后确定两个特征点集合中所能够匹配的特征点的数量，进而根据可匹配的特征点的数量和两个集合中的特征点的数量来确定两张图片的匹配程度，如果两张图片的匹配程度超过一定阈值，则判定待识别的图片存在风险，保护用户的个人隐私数据。

【技术实现步骤摘要】
一种图片风险识别方法、装置及设备
本说明书实施例涉及信息
，尤其涉及一种图片风险识别方法、装置及设备。
技术介绍
人脸识别技术已经广泛应用在应用登陆、设备解锁甚至支付核验等领域。而实际应用中，不法分子可能利用某些手段，收集到受害人照片进行识别，进而登陆受害者账号获取其隐私信息。例如，不法分子收集到受害者的一张图片，先用该图片进行人脸认证，后续再使用该图像的部分截图加上微调后进行登录和其它操作。基于此，本说明书实施例提供一种更为准确的图片风险识别方案。
技术实现思路
本申请实施例的目的是提供一种更为准确的图片风险识别方案。为解决上述技术问题，本申请实施例是这样实现的：一种图片风险识别方法，包括：获取待识别图片，确定所述待识别图片所对应的已验证图片；分别获取所述待识别图片的特征点集合F(A)，以及所述已验证图片的特征点集合F(B)，其中，所述F(A)与F(B)中的特征点的维度相同；遍历集合F(A)，针对F(A)中被选取的任一特征点，确定集合F(B)中每一个特征点与该被选取到的特征点的距离；根据所述F(B)中每一个特征点与该被选取到的特征点的距离，判断该被选取到的特征点是否属于可匹配的特征点；统计F(A)中可匹配的特征点的数量N，以及确定所述集合F(A)中特征点的数量N(A)，确定所述F(B)中特征点的数量N(B)；根据所述可匹配的特征点的数量N、N(A)和N(B)确定所述待识别图片与所述已验证图片的匹配程度P，若所述匹配程度P超过预设阈值，确定所述待识别图片存在风险。对应的，本说明书实施例还提供一种图片风险识别装置，包括：图片获取模块，获取待识别图片，确定所述待识别图片所对应的已验证图片；特征点集合获取模块，分别获取所述待识别图片的特征点集合F(A)，以及所述已验证图片的特征点集合F(B)，其中，所述F(A)与F(B)中的特征点的维度相同；距离确定模块，遍历集合F(A)，针对F(A)中被选取的任一特征点，确定集合F(B)中每一个特征点与该被选取到的特征点的距离；判断模块，根据所述F(B)中每一个特征点与该被选取到的特征点的距离，判断该被选取到的特征点是否属于可匹配的特征点；数量确定模块，统计F(A)中可匹配的特征点的数量N，以及确定所述集合F(A)中特征点的数量N(A)，确定所述F(B)中特征点的数量N(B)；风险识别模块，根据所述可匹配的特征点的数量N、N(A)和N(B)确定所述待识别图片与所述已验证图片的匹配程度P，若所述匹配程度P超过预设阈值，确定所述待识别图片存在风险。通过本说明书实施例所提供的方案，在针对图片进行风险识别时，首先分别获取已经验证和待识别图像的特征点集合，然后确定两个特征点集合中所能够匹配的特征点的数量，进而根据可匹配的特征点的数量和两个集合中的特征点的数量来确定两张图片的匹配程度，如果两张图片的匹配程度超过一定阈值，则判定待识别的图片存在风险，实现对于截图攻击的准确识别，保护用户的个人隐私数据。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书实施例。此外，本说明书实施例中的任一实施例并不需要达到上述的全部效果。附图说明为了更清楚地说明本说明书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简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。图1为本说明书实施例所提供的一种截图攻击的示意图；图2为本说明书实施例所提供的一种图片风险识别方法的流程示意图；图3为本说明书实施例所提供的一种距离计算方式的示意图；图4为本说明书实施例提供的一种图片风险识别装置的结构示意图；图5是用于配置本说明书实施例方法的一种设备的结构示意图。具体实施方式为了使本领域技术人员更好地理解本说明书实施例中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行详细地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于保护的范围。在人脸识别已经被广泛应用的情形下，相应的就产生了相当多的不法分子来针对人脸识别进行攻击。例如，一种方式被称为截图攻击，其使用方式即为针对人脸识别系统，不法分子只有受害者一张图像，在设法绕过活体检测的前提下，先用该图片进行人脸认证，后续再使用该图像的部分截图加上微调后进行登录和其它操作。如图1所示，图1为本说明书实施例所提供的一种截图攻击的示意图，不法分子首先使用一张图片(例如，从非法渠道获得的用户个人照片)进行认证，使其在系统中成为已验证图片，然后，在使用该图片的部分截图，或者对该图片的局部地区的特征微调(例如，对图片进行局部ps，或者旋转等等)，然后再使用部分截图或者微调截图进行登录，就可能突破系统，获得操作权限。基于此，本说明书实施例提供一种图片风险识别方法，应用于不法分子采用已验证图片中的部分截图或者微调图片进行攻击的场景下，可以针对这种截图攻击进行更为准确的风险识别。如图2所示，图2为本说明书实施例所提供的一种图片风险识别方法的流程示意图，具体包括如下步骤：S201，获取待识别图片，确定所述待识别图片所对应的已验证图片。待识别图片由用户提供。例如，用户通过客户端进行人脸扫描获得待识别图像，或者用户直接向客户端上传待识别图像。如前所述，已验证图片是已经被通过验证并且存储于服务端中的。服务端可以基于用户的登录ID等标识来获取已特征图片。S203，分别获取所述待识别图片的特征点集合F(A)，以及所述已验证图片的特征点集合F(B)，其中，所述F(A)与F(B)中的特征点的维度相同。获取图片的特征点的方式当前已经很多。例如，采用快速特征点提取和描述(OrientedFASTandRotatedBRIEF，ORB)算法，是图像处理中一种经典的特征点提取算法，速度快效率高。或者，在时效性要求不高的场景，也可以采用诸如尺度不变特征转换算法(Scale-invariantfeaturetransform,，SIFT)，或者，加速稳健特征(SpeededUpRobustFeatures,SURF)等等其他算法。通过特征点提取，可以获取图片中具有显著特征的若干个点。例如，对于人脸图片而言，可以获取人脸图片中的五官、轮廓、眼球、眉毛等等特征，进而采用多维向量的方式将特征点进行表达。需要说明的是，在本申请中，由于需要对两张图片进行特征点提取，因此，提取时所采用的算法应当一致，从而，提取得到的特征点的维度也相同。此外需要说明的是，在实际应用中，即使是同一张人脸，如果在不同的角度进行拍摄，将会得到不同的图片，在这样的情形下，同一本文档来自技高网...

【技术保护点】
1.一种图片风险识别方法，包括：/n获取待识别图片，确定所述待识别图片所对应的已验证图片；/n分别获取所述待识别图片的特征点集合F(A)，以及所述已验证图片的特征点集合F(B)，其中，所述F(A)与F(B)中的特征点的维度相同；/n遍历集合F(A)，针对F(A)中被选取的任一特征点，确定集合F(B)中每一个特征点与该被选取到的特征点的距离；/n根据所述F(B)中每一个特征点与该被选取到的特征点的距离，判断该被选取到的特征点是否属于可匹配的特征点；/n统计F(A)中可匹配的特征点的数量N，以及确定所述集合F(A)中特征点的数量N(A)，确定所述F(B)中特征点的数量N(B)；/n根据所述可匹配的特征点的数量N、N(A)和N(B)确定所述待识别图片与所述已验证图片的匹配程度P，若所述匹配程度P超过预设阈值，确定所述待识别图片存在风险。/n

【技术特征摘要】
1.一种图片风险识别方法，包括：
获取待识别图片，确定所述待识别图片所对应的已验证图片；
分别获取所述待识别图片的特征点集合F(A)，以及所述已验证图片的特征点集合F(B)，其中，所述F(A)与F(B)中的特征点的维度相同；
遍历集合F(A)，针对F(A)中被选取的任一特征点，确定集合F(B)中每一个特征点与该被选取到的特征点的距离；
根据所述F(B)中每一个特征点与该被选取到的特征点的距离，判断该被选取到的特征点是否属于可匹配的特征点；
统计F(A)中可匹配的特征点的数量N，以及确定所述集合F(A)中特征点的数量N(A)，确定所述F(B)中特征点的数量N(B)；
根据所述可匹配的特征点的数量N、N(A)和N(B)确定所述待识别图片与所述已验证图片的匹配程度P，若所述匹配程度P超过预设阈值，确定所述待识别图片存在风险。


2.如权利要求1所述的方法，根据所述F(B)中每一个特征点与该被选取到的特征点的距离，判断该被选取到的特征点是否属于可匹配的特征点，包括：
确定出F(B)中与该被选取到的特征点的最小距离D(min)；
获取F(B)中其余特征点与该被选取到的特征点的距离，若其余特征点与被选取到的特征点的距离的比值或者差值均高于预设距离阈值，则判断所述被选取到的特征点属于可匹配的特征点。


3.如权利要求1所述的方法，根据所述可匹配的特征点的数量N、N(A)和N(B)确定所述待识别图片与所述已验证图片的匹配程度P，包括：
计算所述N(A)和N(B)之和S，将所述N与S的比值确定为所述匹配程度P。


4.如权利要求1所述的方法，根据所述可匹配的特征点的数量N、N(A)和N(B)确定所述待识别图片与所述已验证图片的匹配程度P，包括；
确定所述确定N(A)和N(B)中的较小值，将所述N与较小值的比例确定为匹配程度P。


5.如权利要求1所述的方法，确定集合F(B)中每一个特征点与该被选取到的特征点的距离，包括：
获取该被选取到的特征点的特征向量所对应的字符串，以及，获取所述F(B)中一个特征点的字符串，对两个字符串中的每一个对应字符进行异或运算，并统计结果中1的数量，将所述...

【专利技术属性】
技术研发人员：徐文浩，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33