一种人脸识别攻击处理方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种人脸识别攻击处理方法、装置、设备及存储介质，通过预置人脸相似度计算模型对获取到的与人脸对应的人脸元数据和人脸事后记录数据进行人脸图片相似度值计算，再根据人脸事后记录数据和人脸图片相似度值，构建以包含有与人脸对应的状态信息记录数据为节点数据及人脸图片相似度值为边数据的人脸识别事后记录相似度连通图数据，最后将人脸识别事后记录相似度连通图数据输入预置深度图神经网络模型进行人脸识别攻击事后筛查分类计算，解决了目前当使用的佩戴面具、面部贴纸等非本人的类人脸识别攻击的事后筛查防御方面，存在较多非本人类攻击案例未能被准确识别出的技术问题。别出的技术问题。别出的技术问题。

【技术实现步骤摘要】
一种人脸识别攻击处理方法、装置、设备及存储介质


[0001]本申请涉及金融科技
，尤其涉及一种人脸识别攻击处理方法、装置、设备及存储介质。

技术介绍

[0002]由于计算机科学和电子技术的迅速发展，如今，就市场份额而言，人脸识别正成为仅次于指纹的全球第二大生物特征认证方法。越来越多的金融科技产品中加入了人脸识别功能，在银行的APP登陆、转账支付、办理贷款产品、购买理财产品等许多业务场景中，都需要使用人脸识别功能，同时一些远程化、线上智能化的业务也需要使用人脸识别功能对客户进行核身。人脸识别功能可以核验确认当前办理业务的客户与留底照上的客户为同一人，防止非客户本人进行业务申请的情况；同时人脸识别功能也能够核验当前办理业务的客户是否为活体本人，防止在业务申请时使用照片或预录制视频等非活体媒介进行人脸识别的情况发生。
[0003]然而，目前存在恶意利用使用客户本人照片、或使用“图片活化技术”活化客户照片等“翻拍”类的攻击方式，尝试突破银行的人脸识别功能以盗取客户账户资金，因此防止人脸识别攻击的技术应运而生，目前采用的“人脸识别攻击事后筛查”技术，针对客户在人脸识别事后的海量人脸照片或人脸视频的记录进行模型计算与筛查分类，确认在客户历史的人脸识别事后记录中是否存在黑产攻击、甚至突破银行人脸识别功能的案例存在。
[0004]然而，当使用的佩戴面具、面部贴纸等“非本人”类人脸识别攻击的事后筛查防御方面，存在较多“非本人”类攻击案例未能被准确识别出的技术问题。

技术实现思路

[0005]本申请提供了一种人脸识别攻击处理方法、装置、设备及存储介质，解决了目前当使用的佩戴面具、面部贴纸等非本人的类人脸识别攻击的事后筛查防御方面，存在较多非本人类攻击案例未能被准确识别出的技术问题。
[0006]有鉴于此，本申请第一方面提供了一种人脸识别攻击处理方法，方法包括：
[0007]S1、通过预置人脸相似度计算模型对获取到的与人脸对应的人脸元数据和人脸事后记录数据进行人脸图片相似度值计算；
[0008]S2、根据人脸事后记录数据和人脸图片相似度值，构建以包含有与人脸对应的状态信息记录数据为节点数据及人脸图片相似度值为边数据的人脸识别事后记录相似度连通图数据；
[0009]S3、将人脸识别事后记录相似度连通图数据输入预置深度图神经网络模型进行人脸识别攻击事后筛查分类计算。
[0010]优选地，步骤S1之前还包括：
[0011]S4、获取与人脸对应的人脸元数据，以及与预置业务场景对应的人脸事后记录数据。
[0012]优选地，步骤S1具体包括：
[0013]S11、对人脸元数据和人脸事后记录数据进行人脸图片提取获取至少两个人脸识别图片数据；
[0014]S12、对人脸识别图片数据进行两两配对，并根据landmark算法进行人脸关键点识别，以及人脸姿态纠正、人脸特征提取处理；
[0015]S13、对人脸关键点识别，以及人脸姿态纠正、人脸特征提取处理后的人脸识别图片数据通过预置人脸相似度计算模型进行人脸图片相似度值计算。
[0016]优选地，步骤S3具体包括：
[0017]S31、将人脸识别事后记录相似度连通图数据输入抑制过平滑现象的动态图注意力网络模型；
[0018]S32、通过抑制过平滑现象的动态图注意力网络模型对人脸识别事后记录相似度连通图数据进行以边数据对应的边方向的节点数据的两两邻居间的邻居节点数据的信息传递与聚合计算；
[0019]S33、将邻居节点数据的数据信息传递与聚合计算结果输入筛查分类层网络模型进行人脸识别攻击事后筛查分类计算。
[0020]优选地，预置人脸相似度计算模型包括：
[0021][0022][0023]其中，i
o
/i1为两张配对的人脸识别图片数据；CNN
n
为多层卷积神经网络；为两张配对的人脸识别图片数据中被提取出的数据特征；similarity
dual
为人脸图片相似度值。
[0024]优选地，抑制过平滑现象的动态图注意力网络模型包括：
[0025][0026]其中，v
j
为当前节点v
i
的任意一个成对的邻居节点数据，而v
k
为当前节点v
i
的所有成对的n
‑
1个邻居节点数据，E
i，j
/E
i，k
为于连接成对的邻居节点数据之间的边数据的特征E，w
T
与Θ为全连接层网络的仿射变换运算，LeakyReLU为激活函数，exp则表示以自然数e为底的指数运算。
[0027]优选地，人脸元数据包括静态人脸识别关联数据；
[0028]人脸事后记录数据包括与预置业务场景对应的动态场景人脸识别关联数据。
[0029]本申请第二方面提供一种人脸识别攻击处理装置，装置包括：
[0030]相似度计算单元，用于通过预置人脸相似度计算模型对获取到的与人脸对应的人脸元数据和人脸事后记录数据进行人脸图片相似度值计算；
[0031]相似度连通图单元，用于根据人脸事后记录数据和人脸图片相似度值，构建以包
含有与人脸对应的状态信息记录数据为节点数据及人脸图片相似度值为边数据的人脸识别事后记录相似度连通图数据；
[0032]筛查分类计算单元，用于将人脸识别事后记录相似度连通图数据输入预置深度图神经网络模型进行人脸识别攻击事后筛查分类计算。
[0033]本申请第三方面提供一种人脸识别攻击处理设备，设备包括处理器以及存储器：
[0034]存储器用于存储程序代码，并将程序代码传输给处理器；
[0035]处理器用于根据程序代码中的指令，执行如上述第一方面的人脸识别攻击处理方法的步骤。
[0036]本申请第四方面提供一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行上述第一方面的人脸识别攻击处理方法的步骤。
[0037]从以上技术方案可以看出，本申请实施例具有以下优点：
[0038]本申请中，提供了一种人脸识别攻击处理方法，通过预置人脸相似度计算模型对获取到的与人脸对应的人脸元数据和人脸事后记录数据进行人脸图片相似度值计算，再根据人脸事后记录数据和人脸图片相似度值，构建以包含有与人脸对应的状态信息记录数据为节点数据及人脸图片相似度值为边数据的人脸识别事后记录相似度连通图数据，最后将人脸识别事后记录相似度连通图数据输入预置深度图神经网络模型进行人脸识别攻击事后筛查分类计算，解决了目前当使用的佩戴面具、面部贴纸等非本人的类人脸识别攻击的事后筛查防御方面，存在较多非本人类攻击案例未能被准确识别出的技术问题。
[0039]进一步，本申请采用抑制过平滑现象的动态图注意力网络模型可准确地筛查、分类、判别出为“非本人”类或“电子屏翻拍”类黑产人脸识别攻击的人脸识别事后记录。
附图说明
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别攻击处理方法，其特征在于，包括:S1、通过预置人脸相似度计算模型对获取到的与人脸对应的人脸元数据和人脸事后记录数据进行人脸图片相似度值计算；S2、根据所述人脸事后记录数据和所述人脸图片相似度值，构建以包含有与人脸对应的状态信息记录数据为节点数据及所述人脸图片相似度值为边数据的人脸识别事后记录相似度连通图数据；S3、将所述人脸识别事后记录相似度连通图数据输入预置深度图神经网络模型进行人脸识别攻击事后筛查分类计算。2.根据权利要求1所述的人脸识别攻击处理方法，其特征在于，所述步骤S1之前还包括：S4、获取与人脸对应的所述人脸元数据，以及与预置业务场景对应的所述人脸事后记录数据。3.根据权利要求1或2所述的人脸识别攻击处理方法，其特征在于，所述步骤S1具体包括：S11、对所述人脸元数据和所述人脸事后记录数据进行人脸图片提取获取至少两个人脸识别图片数据；S12、对所述人脸识别图片数据进行两两配对，并根据landmark算法进行人脸关键点识别，以及人脸姿态纠正、人脸特征提取处理；S13、对所述人脸关键点识别，以及所述人脸姿态纠正、所述人脸特征提取处理后的所述人脸识别图片数据通过所述预置人脸相似度计算模型进行人脸图片相似度值计算。4.根据权利要求3所述的人脸识别攻击处理方法，其特征在于，所述步骤S3具体包括：S31、将所述人脸识别事后记录相似度连通图数据输入抑制过平滑现象的动态图注意力网络模型；S32、通过所述抑制过平滑现象的动态图注意力网络模型对所述人脸识别事后记录相似度连通图数据进行以所述边数据对应的边方向的所述节点数据的两两邻居间的邻居节点数据的信息传递与聚合计算；S33、将所述邻居节点数据的所述数据信息传递与聚合计算结果输入筛查分类层网络模型进行人脸识别攻击事后筛查分类计算。5.根据权利要求1所述的人脸识别攻击处理方法，其特征在于，所述预置人脸相似度计算模型包括：算模型包括：其中，i
o
/i1为两张配对的所述人脸识别图片数据；CNN
n
为多层卷积神经网络；为两张配对的所述人脸识别图片数据中被提取出的数据...

【专利技术属性】
技术研发人员：周柱君，赖众程，史文鑫，梁俊杰，周军，
申请(专利权)人：平安银行股份有限公司，
类型：发明
国别省市：