[发明专利]基于深度学习的信息识别方法及相关设备

说明书

本申请涉及图像分类识别技术领域，尤其涉及一种基于深度学习的信息识别方法及相关设备，所述方法包括：从所述待认证信息中抽取地理位置，根据所述地理位置从数据库中抽取出对应的背景图像；获取数个不同工作场景的样本场景图像，将所述样本场景图像入参到卷积神经网络模型中进行训练后得到场景分类模型；以实时场景图像作为待分类样本入参到所述场景分类模型中进行分类后得到所述场景图像类别信息；提取所述场景图像中的场景特征；提取所述背景图像的图像特征点，将所述图像特征点与所述场景特征进行比较。本申请通过在对贷款人贷款资格审核时，引入场景信息核验，从而避免了贷款人通过虚构工作情况以获得贷款申请资格的问题。

技术领域

本申请涉及图像分类识别技术领域，尤其涉及一种基于深度学习的信息识别方法及相关设备。

背景技术

随着经济和社会的不断发展，信贷业务已深入社会各阶层，影响着企业、机构、组织的运转以及个人的生活，同时信贷反欺诈技术也成为了信贷业务正常运转的基础。目前在贷款审核过程中需要对贷款人的身份进行多个信息采集然后在进行比较进而确定贷款人的身份，这就造成了识别贷款人身份过程需要耗费大量的人力物力，

虽然，目前市场上已经存在着多个针对欺诈行为的甄别方法，比如微表情识别、数据可靠性识别等。但是，目前在对贷款人身份信息进行识别时，存在着信息准确性低，无法将贷款人的工作场景图像中的元素进行快速有效识别的问题。

发明内容

基于此，有必要针对目前在对贷款人身份信息进行识别时，存在着信息准确性低，无法将贷款人的工作场景图像中的元素进行快速有效识别的问题，提供一种基于深度学习的信息识别方法及相关设备。

一种基于深度学习的信息识别方法，包括如下步骤：

接收客户端上传的待认证信息，从所述待认证信息中抽取出所述客户端上传所述待认证信息时的地理位置，根据所述地理位置从数据库中抽取出对应的背景图像；

获取数个不同工作场景的样本场景图像，将所述样本场景图像入参到卷积神经网络模型中进行训练后得到场景分类模型；

接收客户端上传的实时场景图像，将所述实时场景图像作为待分类样本入参到所述场景分类模型中进行分类后得到所述场景图像类别信息；

根据所述场景类别信息，提取所述场景图像中的场景特征；

提取所述背景图像的图像特征点，将所述图像特征点与所述场景特征进行比较，若一致，则赋予所述客户端以权限，否则不赋予；

其中，所述将所述样本场景图像入参到卷积神经网络模型中进行训练后得到场景分类模型，包括：

连接所述卷积神经网络模型中的卷积层，根据所述卷积层的数量，确定各所述卷积层之间的距离和输入到所述卷积神经网络各卷积层的场景图像的数量；

其中，所述场景图像的数量计算公式如下：

式子中，S_L表示输入到第L卷积层的场景图像数，G表示卷积层之间的梯度，l表示向第L卷积层输入的带有所述场景图像的卷积层个数，ΔL表示第一卷积层与最后一层卷积层之间的距离，h表示相邻两个卷积层之前的距离，S表示第一卷积层输入的场景图像数，S₀表示相邻两个卷积层之间传递的场景图像数；

根据所述卷积层之间的梯度，确定级联的卷积层位置；

以所述场景图像数作为卷积层级联的数量，根据所述级联的卷积层位置连接所述卷积层后，得到所述场景分类模型。

在其中一个可能的实施例中，所述接收客户端上传的待认证信息之后，所述方法还包括：

获取预设的分类规则，根据预设的分类规则将所述客户端上传的待认证信息分类成数个子信息；

提取各所述子信息的信息特征，得到所述地理位置。