[发明专利]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

说明书

本发明公开了一种基于卷积神经网络的照片背景相似度聚类方法，包括如下步骤：基于卷积神经网络算法对原始图像预处理以校正原始图像中的识别目标的方向；将原始图像中包含所述识别目标的前景图像特征与背景图像特征进行实例分割，进行背景提取；将进行实例分割的图像进行背景分离；对分离的背景图像进行特征提取获得高维空间特征图；对高维空间特征图进行相似度聚类处理。本发明还提供了实施上述方法的计算机程序系统；本发明基于像素级的实例分割算法，检测得到并去除真实应用场景下的前景区域(人像和身份证)，通过背景区域进行相似度对比，同时利用迁移训练得到的卷积神经网络可大大提高识别的准确率。

技术领域

本发明属于图形处理技术领域，具体而言，为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。

背景技术

支付作为消费者与销售者之间金融交换，涉及到金钱相关的环节，作为第三方支付公司，首先是要保证用户账户和支付的安全，多分市场研究报告指出：全球每年欺诈损失总额大概超过500亿美元。仅去年一年，全球信用卡、借记卡、预付卡和私有品牌支付卡的损失就高达163.1亿美元。电子零售商和批发商因欺诈损失的金额占其年收入的7.5％以上，每年保险欺诈(不包括健康险)的损失总额大概超过400亿美元。DataVisor研究表明，大规模的资金风险都具有“抱团围攻”的现象，黑产欺诈人员会先通过虚假注册、身份盗用等形式获取大批账号的使用权，然后利用群控软件或者网络众包的形式进行团伙欺诈，他们常用猫池、手机墙、模拟器、刷机等手段和工具躲避传统黑名单和基于设备规则的检测。在实际业务当中，为了对用户进行实名验证需用户上传手持身份证好评，然而我们发现欺诈团伙上传的照片存在类似的背景，比如在同一个酒店房间等。对于此类欺团伙欺诈行为，人工审核时存在一定难度。由于样本的多样性和不规则性，随着待审核的证照数量的增加，人工审核的难度急剧上升，并且该场景下难以进行任务分割和并行执行。

经查阅，发现国内外相关照片仅有针对照片相似度的分析应用。在应用场景上，2018年云栖大会上，阿里淘宝针对退货场景当中用户上传的图片进行相似分析，以解决用户欺诈问题。另外，在腾讯手机管家当中，用户通过选择“相似照片”就可以看到扫描出来的相似照片，进行照片清理，节省存储空间。

在技术端，现有的与照片相似分析相关专利主要集中在对整张图片进行相似度计算。pHash方法作为图片相似度计算的主要方法之一，主要有基于DCT的hash方法和基于径向投影的hash方法。两种方法是从不同角度来表达图像，最后通过计算两图片hash值的汉明距离来计算相似度。如专利申请号为CN201710003657.7的发明专利中公开的一种图片相似度计算方法，用基于DCT的hash方法分别计算两个图片的hash值以及两个hash值之间的汉明距离dis_h，继而根据汉明距离计算两图片的相似度。

基于DCT的hash方法的思路是使用离散余弦变换(DCT)提取图片的低频成分，先将图片转换成标准大小的灰度图，然后对灰度图做DCT变换，再从系数矩阵中提取出64位的hash值作为指纹，只要图片的整体结构保持不变，指纹就不变，能够避免伽马校正或颜色直方图被调整带来的影响，最后通过计算两图片指纹的汉明距离来得到相似度。

基于径向投影的hash方法的思路是首先会过灰度图中心计算朝等角度间隔的180个方向上像素值的方差，然后计算由这180个方差构成的特征向量的DCT，并从DCT系数矩阵中提取出64位的hash值作为指纹，最后通过计算两指纹间的皮尔逊相关系数来得到两图片间的相似度。此方法可以保留图像中的几何特征，且对图像旋转有一定的鲁棒性，但由于需要计算皮尔逊相关系数，计算速度比方法一慢。

但通过单一的pHash算法计算图片相似度，经常会出现内容截然不同的图片间计算得到的相似度非常高的情况，极有可能产生误判，不能保证结果的准确性。另一方面，该种方法不能针对图片局部特征进行相似度计算，无法解决业务场景中存在的问题。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提供一种基于卷积神经网络的照片背景相似度聚类方法，提高识别的准确率。