[发明专利]一种基于图像识别的网贷欺诈识别方法及系统

权利要求书

1.一种基于图像识别的网贷欺诈识别方法，其特征在于包括：

数据获取步骤：读取与网贷相关的图像；

样本与特征提取步骤：将黑名单客户提取为样本，通过深度学习提取其与网贷相关的图像特征，作为欺诈参考特征；

基于深度学习的欺诈预测步骤：利用提取的样本，基于欺诈参考特征，运用卷积神经网络算法训练得到预测模型，利用训练得到的预测模型预测得到申请人实时的欺诈可能概率。

2.根据权利要求1所述的基于图像识别的网贷欺诈识别方法，其特征在于，数据获取步骤包括：利用客户端通过嵌入在手机的应用程序中的软件开发工具包，将手机屏幕画面的图像读取为与网贷相关的图像。

3.根据权利要求1或2所述的基于图像识别的网贷欺诈识别方法，其特征在于，在基于深度学习的欺诈预测步骤中，设置第一阈值和第二阈值，其中第一阈值小于第二阈值，对于欺诈可能概率小于第一阈值的判断为低风险，处理为安全申请人，实施授信；对于欺诈可能概率大于第二阈值的申请人，判断为高风险申请人，拒绝授信。

4.根据权利要求1或2所述的基于图像识别的网贷欺诈识别方法，其特征在于，基于图像识别的网贷欺诈识别方法还包括：根据业务经验的欺诈特征识别步骤，其中根据已经识别出的网贷欺诈用户，提取这些网贷欺诈用户的与网贷相关的图像并利用OpenCV实现图像识别以提取图像特征作为参考欺诈特征；随后对于概率处于第一阈值和第二阈值之间的申请人，基于参考欺诈特征分析申请人的与网贷相关的图像。

5.根据权利要求4所述的基于图像识别的网贷欺诈识别方法，其特征在于，根据业务经验的欺诈特征识别步骤，提取概率处于第一阈值和第二阈值之间的申请人的与网贷相关图像中的参考欺诈特征，计算提取出的每个参考欺诈特征的IV值和KS值，设置第一IV阈值和第二IV阈值、KS阈值，舍弃IV值小于第一IV阈值的特征变量；将对于IV值大于第二IV阈值的特征变量加入决策规则集，组合具有区分力的规则。

6.根据权利要求5所述的基于图像识别的网贷欺诈识别方法，其特征在于，其中第一IV阈值和第二IV阈值分别为大于等于0.02并且小于等于0.1，其中KS阈值小于0.06。

7.一种基于图像识别的网贷欺诈识别系统，其特征在于包括：

数据获取模块，用于截取用户使用智能设备进行活体验证时的正面识别屏幕，以图片格式传输给图像识别模块，用于图像分析；

样本与特征提取模块，用于将黑名单及零还款的用户提取为坏样本，正常还款客户作为正向用户，通过深度学习训练模型提取其与网贷相关的图像特征，作为欺诈参考特征。

8.根据权利要求7所述的基于图像识别的网贷欺诈识别系统，其特征在于，样本与特征提取模块执行下述处理：

基于深度学习的欺诈预测处理：利用提取的样本，基于欺诈参考特征，运用卷积神经网络算法训练得到预测模型，利用训练得到的预测模型预测得到申请人实时的欺诈可能概率；其中利用卷积运算自定义神经网络结构，进行图像模型训练，包括：

在卷积层进行仿射变换，将图像X作为输入层，设定卷积核为Y，则：

其中：m表示图像的像素行，h表示图像的像素列，S为输入层X的卷积结果；

通过一个非线性的激活函数，来承接卷积层并行计算多个卷积得到的线性激活响应；

在池化层降采样，选择最大池化方法来提高网络计算效率。

9.根据权利要求7所述的基于图像识别的网贷欺诈识别系统，其特征在于，样本与特征提取模块执行下述处理：

计算申请人的与网贷相关的图像中人像面积占比；其中，运用OpenCV中的人脸级联分类器检测人脸，识别出人脸后画边框标记，计算标记的人脸框面积与整张图像面积之比：R＝S[人]/S[图]，其中S[人]表示图像中人像框的面积，S[图]表示申请人图像的面积。

其中，轮廓线包含n个顶点，Ai表示第i个顶点对应的像素中心点的面积；

计算申请人的与网贷相关的图像中色彩部分面积占比；其中，根据上诉识别的人像轮廓，截取人像下边框以上部分，调用OpenCV接口中的高斯混合模型，提取人像前景，加以剔除；计算背景颜色种类及各色彩所占比例。