CN117877098B - 基于大数据和多维特征的异常通讯行为识别方法及系统 - Google Patents

Abstract

本发明公开了基于大数据和多维特征的异常通讯行为识别方法及系统，涉及通讯防护技术领域，包括：包括：S1、获取初始图像；S2、判定图像光线合理度；S3、生成防伪光线指令集；S4、获取防伪图像；S5、获取目标防伪特征；S6、建立与防伪光线指令集一一对应的防伪验证算法；S7、基于目标初始特征和目标防伪特征，采用防伪识别特征算法判定是否符合防伪验证；S8、若目标防伪验证失败，基于目标初始特征和目标防伪特征进行验证匹配。本发明的优点在于：可在最小化对于图像即时通讯过程的影响下，有效的识别出图像即时通讯过程中存在的AI图像，实现对于AI图像的高精准防伪识别，可有效防止图像即时通讯过程中存在的AI诈骗。

Description

基于大数据和多维特征的异常通讯行为识别方法及系统

技术领域

本发明涉及通讯防护技术领域，具体是涉及基于大数据和多维特征的异常通讯行为识别方法及系统。

背景技术

AI换脸，是指通过AI人工智能技术，把别人的脸换成自己的脸，在互联网急速发展的今天，利用“AI换脸”“AI换声”等虚假音视频，进行诈骗、诽谤的违法行为屡见不鲜，因此如何对图像即时通讯中的AI换脸图像进行精准识别并进行防范刻不容缓。

现有技术中，针对AI换脸的防伪验证通常停留在进行图像源域数据和目标域数据之间的特征分布差异上，这些防伪验证通常需要预先获取大量人脸信息的先验数据作为训练基础，而在图像即时通讯过程中，往往难以满足对于人脸信息的先验数据需求，现有的防伪验证方法往往难以进行即时拦截“AI换脸”的异常通讯行为，基于此，本方案提出一种适用于图像即时通讯过程的AI图像防伪识别方法。

发明内容

为解决上述技术问题，提供基于大数据和多维特征的异常通讯行为识别方法及系统，本技术方案利用在图像即时通讯过程中基于光源产生的人脸色度变化进行即时通讯过程中的AI图像防伪识别，可实现图像即时通讯的AI图像的快速防伪。

为达到以上目的，本发明采用的技术方案为：

一种基于大数据和多维特征的异常通讯行为识别方法，包括：

S1、从用户端获取待识别防伪的图像，记为初始图像；

S2、采用目标特征提取算法，基于初始图像进行目标提取，获取目标初始特征，基于目标初始特征进行判定图像光线合理度，若图像光线合理度判定通过，则判定目标防伪验证通过，若图像光线合理度判定不通过，则进行步骤S3；

S3、生成防伪光线指令集；

S4、从防伪光线指令集中随机选择防伪光线指令，对用户端发出防伪光线指令，获取用户端在防伪光线指令期间的所有图像，记为防伪图像；

S5、采用目标特征提取算法，基于防伪图像进行目标特征提取，获取目标防伪特征；

S6、建立与防伪光线指令集一一对应的防伪验证算法；

S7、基于目标初始特征和目标防伪特征，采用防伪识别特征算法判定是否符合防伪验证，若是，则判定目标防伪验证通过，若否，则判定目标防伪验证失败。

优选的，所述目标特征提取算法具体为：

对采集的图像进行一次外轮廓识别，提取至少一个物体的外轮廓图像的外轮廓特征点，并对外轮廓特征点进行图像识别，判断该外轮廓图像是否为人体头部轮廓，若是，则判定为存在人脸轮廓，对存在人脸轮廓的图像帧进行抽取，获取若干个人脸轮廓图像，若否，则判定为不存在人脸轮廓；

对人脸轮廓图像进行特征划分，得到人脸轮廓区域特征和背景区域特征，将人脸轮廓区域特征和背景区域特征作为目标特征。

优选的，所述基于目标初始特征进行判定图像光线合理度具体包括：

判定是否存在人脸轮廓区域特征和背景区域特征存在位移的至少两个人脸轮廓图像，若是，则获取人脸轮廓区域特征和背景区域特征存在位移的至少两个人脸轮廓图像，记为光线合理验证图像，若否，则图像光线合理度判定不通过；

对若干个光线合理验证图像中的人脸轮廓区域特征进行缩放至同一比例，得到若干个光线合理验证放缩图；

对若干个光线合理验证放缩图均进行网格划分，并随机选择至少一个网格进行验证匹配；

判断若干个光线合理验证放缩图的进行验证匹配的网格区域光度是否发生变化，若是，则图像光线合理度判定通过，若否，则图像光线合理度判定不通过。

优选的，所述建立与防伪光线指令集一一对应的防伪验证算法具体包括：

获取所有防伪光线指令集中存在的所有防伪光线特征；

构建与每个防伪光线特征对应的人脸色度变化特征；

获取每个防伪光线指令执行过程中的用户端每个防伪光线特征的指令时间段；

基于每个防伪光线特征的指令时间段于防伪图像中抽取与每个防伪光线特征对应的图像，记为光线识别图像；

判断光线识别图像与初始图像之间的人脸色度变化是否符合防伪光线特征对应的人脸色度变化特征，若是，则判定目标防伪验证通过；若否，则判定目标防伪验证失败。

优选的，所述构建与每个防伪光线特征对应的人脸色度变化特征具体包括：

基于现实环境，设置若干个样本光照环境；

在不同的样本光照环境下，对若干个基准样本人脸进行图像采集，得到初始样本图像；

在不同的样本光照环境下，控制用户端进行输出防伪光线特征，并对若干个基准样本人脸进行图像采集，得到防伪光线特征对应的特征样本图像；

计算相同样本光照环境下的相同基准样本人脸间的初始样本图像人脸区域和特征样本图像人脸区域的色度变化；

将所有样本光照环境下的相同基准样本人脸的色度变化，记为防伪光线特征对应的人脸色度变化特征。

优选的，所述基于目标初始特征和目标防伪特征，采用防伪识别特征算法判定是否符合防伪验证具体包括：

确定与目标初始特征最接近的初始样本图像，作为目标初始特征的拟合样本，并计算目标初始特征与拟合样本之间的拟合值；

基于目标初始特征与拟合样本之间的拟合值，确定目标初始特征的色度变化误差区间；

对所有光线识别图像采用目标特征提取算法提取其中的人脸轮廓区域特征，并计算所有光线识别图像对应的人脸轮廓区域特征的平均色度，记为第一防伪色度；

调取拟合样本在与光线识别图像对应的防伪光线特征下的特征样本图像，记为拟合特征样本图像，计算拟合特征样本图像中人脸轮廓区域特征的平均色度，记为第二防伪色度；

计算第一防伪色度和第二防伪色度的差值，记为防伪色度差值，判断防伪色度差值是否在色度变化误差区间内，若是，则判定目标防伪验证通过，若否，则判定目标防伪验证失败。

优选的，所述确定与目标初始特征最接近的初始样本图像，作为目标初始特征的拟合样本具体包括：

计算目标初始特征中的人脸轮廓区域特征的平均色度，记为第一匹配色度；

分别计算每个初始样本图像中的人脸轮廓区域特征的平均色度，记为第二匹配色度；

计算第一匹配色度和第二匹配色度之间的差值的绝对值，得到目标初始特征与初始样本图像的初始匹配值；

筛选出初始匹配值最小的初始样本图像，作为目标初始特征的拟合样本。

优选的，所述计算目标初始特征与拟合样本之间的拟合值的计算公式为：；

式中，为目标初始特征与拟合样本之间的拟合值，/>为拟合样本对应的第二匹配色度值，/>为拟合样本对应的初始匹配值。

优选的，所述基于目标初始特征与拟合样本之间的拟合值，确定目标初始特征的色度变化误差区间具体包括：

调取拟合样本在防伪光线特征下的色度变化，记为色度变化基准值；

所述色度变化误差区间为。

进一步的，提出一种基于大数据和多维特征的异常通讯行为识别系统，用于实现如上述的基于大数据和多维特征的异常通讯行为识别方法，包括：

基础图像特征采集模块，所述基础图像特征采集模块用于从用户端获取待识别防伪的图像，记为初始图像；

基础特征识别模块，所述基础特征识别模块与所述基础图像特征采集模块电性连接，所述基础特征识别模块用于采用目标特征提取算法，基于初始图像进行目标提取，获取目标初始特征，基于目标初始特征进行判定图像光线合理度；

防伪光线控制模块，所述防伪光线控制模块用于生成防伪光线指令集，并从防伪光线指令集中随机选择防伪光线指令，对用户端发出防伪光线指令；

光线图像特征采集模块，所述光线图像特征采集模块与所述防伪光线控制模块电性连接，所述光线图像特征采集模块用于获取用户端在防伪光线指令期间的所有图像，记为防伪图像；

光线防伪识别模块，所述光线防伪识别模块与所述光线图像特征采集模块电性连接，所述光线防伪识别模块用于采用目标特征提取算法，基于防伪图像进行目标特征提取，获取目标防伪特征，并建立与防伪光线指令集一一对应的防伪验证算法，基于目标初始特征和目标防伪特征，采用防伪识别特征算法判定是否符合防伪验证

与现有技术相比，本发明的有益效果在于：

本发明提出基于大数据和多维特征的异常通讯行为识别方案，采用双段特征验证的方式进行图像即时通讯过程中可能存在的AI图像防伪识别，首先基于图像即时通讯过程中，由于人脸与光源之间发生位移时，产生的人脸阴影特征的变化，进行目标初始特征的图像光线合理度先验判定，此识别阶段不影响正常的图像即时通讯过程，同时只对在光线合理度先验判定存在问题的图像即时通讯过程进行针对性的防伪识别，可有效的识别出图像即时通讯过程中存在的AI图像，进而在最小化对于图像即时通讯过程的影响下，实现对于AI图像的高精准防伪识别。

附图说明

图1为本方案提出的基于大数据和多维特征的异常通讯行为识别方法流程图；

图2为本方案中的目标特征提取算法的方法流程图；

图3为本方案中的基于目标初始特征进行判定图像光线合理度的方法流程图；

图4为本方案中的建立与防伪光线指令集一一对应的防伪验证算法的方法流程图；

图5为本方案中的构建与每个防伪光线特征对应的人脸色度变化特征的方法流程图；

图6为本方案中的采用防伪识别特征算法判定是否符合防伪验证的方法流程图；

图7为本方案中的确定目标初始特征的拟合样本的方法流程图。

具体实施方式

以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。

参照图1所示，一种基于大数据和多维特征的异常通讯行为识别方法，包括：

S1、从用户端获取待识别防伪的图像，记为初始图像；

S2、采用目标特征提取算法，基于初始图像进行目标提取，获取目标初始特征，基于目标初始特征进行判定图像光线合理度，若图像光线合理度判定通过，则判定目标防伪验证通过，若图像光线合理度判定不通过，则进行步骤S3；

S3、生成防伪光线指令集；

S4、从防伪光线指令集中随机选择防伪光线指令，对用户端发出防伪光线指令，获取用户端在防伪光线指令期间的所有图像，记为防伪图像；

S5、采用目标特征提取算法，基于防伪图像进行目标特征提取，获取目标防伪特征；

S6、建立与防伪光线指令集一一对应的防伪验证算法；

S7、基于目标初始特征和目标防伪特征，采用防伪识别特征算法判定是否符合防伪验证，若是，则判定目标防伪验证通过，若否，则判定目标防伪验证失败。

本方案采用双段验证的方式进行图像即时通讯过程中可能存在的AI图像防伪，首先基于图像即时通讯过程中，由于人脸与光源之间发生位移时，产生的人脸阴影特征的变化，进行目标初始特征的图像光线合理度先验判定，此识别阶段不影响正常的图像即时通讯过程，同时只对在光线合理度先验判定存在问题的图像即时通讯过程进行针对性的防伪识别，可有效在最小化对于图像即时通讯过程的影响下，实现对于AI图像的高精准防伪识别。

参照图2所示，目标特征提取算法具体为：

对采集的图像进行一次外轮廓识别，提取至少一个物体的外轮廓图像的外轮廓特征点，并对外轮廓特征点进行图像识别，判断该外轮廓图像是否为人体头部轮廓，若是，则判定为存在人脸轮廓，对存在人脸轮廓的图像帧进行抽取，获取若干个人脸轮廓图像，若否，则判定为不存在人脸轮廓；

对人脸轮廓图像进行特征划分，得到人脸轮廓区域特征和背景区域特征，将人脸轮廓区域特征和背景区域特征作为目标特征。

进行人脸轮廓区域识别是本领域成熟的现有技术，本方案中不再加以赘述。

参照图3所示，基于目标初始特征进行判定图像光线合理度具体包括：

判定是否存在人脸轮廓区域特征和背景区域特征存在位移的至少两个人脸轮廓图像，若是，则获取人脸轮廓区域特征和背景区域特征存在位移的至少两个人脸轮廓图像，记为光线合理验证图像，若否，则图像光线合理度判定不通过；

对若干个光线合理验证图像中的人脸轮廓区域特征进行缩放至同一比例，得到若干个光线合理验证放缩图；

对若干个光线合理验证放缩图均进行网格划分，并随机选择至少一个网格进行验证匹配；

判断若干个光线合理验证放缩图的进行验证匹配的网格区域光度是否发生变化，若是，则图像光线合理度判定通过，若否，则图像光线合理度判定不通过。

可以理解的是，由于AI换脸时的人脸区域的光线表现，通常与训练目标图像中的人脸区域的光照区域相同，因此采用AI换脸进行图像即时通讯时，人脸区域对于环境光线位置变化导致的人脸阴影特征的变化敏感度不强，此外正常通讯过程中，人脸不可避免的会出现位置变化，基于此，本方案中，在进行图像即时通讯过程中，实时的采集人脸轮廓区域特征和背景区域特征存在位移的人脸轮廓图像，由于人脸轮廓区域特征和背景区域特征发生位移时，必然导致人脸位置与光源之间的位置变化，通过对这些发生位移的图像间的人脸光度变化分析，来实时的判断图像即时通讯过程中是否存在AI换脸嫌疑，对于识别出存在AI换脸嫌疑的图像即时通讯过程再进行特定性的图像防伪识别，一方面可降低防伪识别的服务器算力压力，另一方面可有效的提高图像即时通讯过程的流畅度，且可有效识别出存在AI换脸风险的图像即时通讯过程。

参照图4所示，建立与防伪光线指令集一一对应的防伪验证算法具体包括：

获取所有防伪光线指令集中存在的所有防伪光线特征；

构建与每个防伪光线特征对应的人脸色度变化特征；

获取每个防伪光线指令执行过程中的用户端每个防伪光线特征的指令时间段；

基于每个防伪光线特征的指令时间段于防伪图像中抽取与每个防伪光线特征对应的图像，记为光线识别图像；

判断光线识别图像与初始图像之间的人脸色度变化是否符合防伪光线特征对应的人脸色度变化特征，若是，则判定目标防伪验证通过；若否，则判定目标防伪验证失败。

参照图5所示，构建与每个防伪光线特征对应的人脸色度变化特征具体包括：

基于现实环境，设置若干个样本光照环境；

在不同的样本光照环境下，对若干个基准样本人脸进行图像采集，得到初始样本图像；

在不同的样本光照环境下，控制用户端进行输出防伪光线特征，并对若干个基准样本人脸进行图像采集，得到防伪光线特征对应的特征样本图像；

计算相同样本光照环境下的相同基准样本人脸间的初始样本图像人脸区域和特征样本图像人脸区域的色度变化；

将所有样本光照环境下的相同基准样本人脸的色度变化，记为防伪光线特征对应的人脸色度变化特征。

由于实际的验证过程中，不同皮肤色度的人群在进行验证时的，对于防伪光线特征变化时所产生的人脸区域色度变化存在差异，基于此，在进行选择基准样本人脸时，应尽量覆盖不同色度的人群，此外本方案中基于现实环境，构建出若干个符合现实环境的样本光照环境作为防伪光线特征下人脸色度变化特征的训练样本，通过此方式，可在条件允许的情况下，覆盖最大的防伪识别需求。

参照图6所示，基于目标初始特征和目标防伪特征，采用防伪识别特征算法判定是否符合防伪验证具体包括：

确定与目标初始特征最接近的初始样本图像，作为目标初始特征的拟合样本，并计算目标初始特征与拟合样本之间的拟合值；

基于目标初始特征与拟合样本之间的拟合值，确定目标初始特征的色度变化误差区间；

对所有光线识别图像采用目标特征提取算法提取其中的人脸轮廓区域特征，并计算所有光线识别图像对应的人脸轮廓区域特征的平均色度，记为第一防伪色度；

调取拟合样本在与光线识别图像对应的防伪光线特征下的特征样本图像，记为拟合特征样本图像，计算拟合特征样本图像中人脸轮廓区域特征的平均色度，记为第二防伪色度；

计算第一防伪色度和第二防伪色度的差值，记为防伪色度差值，判断防伪色度差值是否在色度变化误差区间内，若是，则判定目标防伪验证通过，若否，则判定目标防伪验证失败。

参照图7所示，确定与目标初始特征最接近的初始样本图像，作为目标初始特征的拟合样本具体包括：

计算目标初始特征中的人脸轮廓区域特征的平均色度，记为第一匹配色度；

分别计算每个初始样本图像中的人脸轮廓区域特征的平均色度，记为第二匹配色度；

计算第一匹配色度和第二匹配色度之间的差值的绝对值，得到目标初始特征与初始样本图像的初始匹配值；

筛选出初始匹配值最小的初始样本图像，作为目标初始特征的拟合样本。

计算目标初始特征与拟合样本之间的拟合值的计算公式为：；

式中，为目标初始特征与拟合样本之间的拟合值，/>为拟合样本对应的第二匹配色度值，/>为拟合样本对应的初始匹配值。

基于目标初始特征与拟合样本之间的拟合值，确定目标初始特征的色度变化误差区间具体包括：

调取拟合样本在防伪光线特征下的色度变化，记为色度变化基准值；

色度变化误差区间为。

由于本方案中，采用的样本库先验的方式进行防伪色度识别，而样本库中通常难以覆盖所有的实际情况，基于此，本方案中，采用拟合计算的方式进行筛选与样本库中最接近的基准样本人脸和样本光照环境，作为拟合样本，并基于拟合样本与目标初始特征之间的拟合值进行确定目标初始特征的色度变化误差区间，对于色度变化处于色度变化误差区间内的目标特征，均判定为防伪验证通过，进而可有效的降低防伪验证误判率，提高对于图像即时通讯过程中防伪识别精准度。

进一步的，基于与上述基于大数据和多维特征的异常通讯行为识别方法相同的发明构思，本方案还提出一种基于大数据和多维特征的异常通讯行为识别系统，包括：

基础图像特征采集模块，所述基础图像特征采集模块用于从用户端获取待识别防伪的图像，记为初始图像；

基础特征识别模块，所述基础特征识别模块与所述基础图像特征采集模块电性连接，所述基础特征识别模块用于采用目标特征提取算法，基于初始图像进行目标提取，获取目标初始特征，基于目标初始特征进行判定图像光线合理度；

防伪光线控制模块，所述防伪光线控制模块用于生成防伪光线指令集，并从防伪光线指令集中随机选择防伪光线指令，对用户端发出防伪光线指令；

光线图像特征采集模块，所述光线图像特征采集模块与所述防伪光线控制模块电性连接，所述光线图像特征采集模块用于获取用户端在防伪光线指令期间的所有图像，记为防伪图像；

光线防伪识别模块，所述光线防伪识别模块与所述光线图像特征采集模块电性连接，所述光线防伪识别模块用于采用目标特征提取算法，基于防伪图像进行目标特征提取，获取目标防伪特征，并建立与防伪光线指令集一一对应的防伪验证算法，基于目标初始特征和目标防伪特征，采用防伪识别特征算法判定是否符合防伪验证。

上述基于大数据和多维特征的异常通讯行为识别系统的工作过程为：

步骤一：基础图像特征采集模块用于从用户端获取待识别防伪的图像，记为初始图像；

步骤二：基础特征识别模块用于采用目标特征提取算法，基于初始图像进行目标提取，获取目标初始特征，基于目标初始特征进行判定图像光线合理度，若图像光线合理度判定通过，则判定目标防伪验证通过，若图像光线合理度判定不通过，则输出信号至防伪光线控制模块；

步骤三：防伪光线控制模块用于生成防伪光线指令集，并从防伪光线指令集中随机选择防伪光线指令，对用户端发出防伪光线指令；

步骤四：光线图像特征采集模块用于获取用户端在防伪光线指令期间的所有图像，记为防伪图像；

步骤五：线防伪识别模块用于采用目标特征提取算法，基于防伪图像进行目标特征提取，获取目标防伪特征，并建立与防伪光线指令集一一对应的防伪验证算法，基于目标初始特征和目标防伪特征，采用防伪识别特征算法判定是否符合防伪验证，若是，则判定目标防伪验证通过，若否，则判定目标防伪验证失败。

综上所述，本发明的优点在于：可在最小化对于图像即时通讯过程的影响下，有效的识别出图像即时通讯过程中存在的AI图像，实现对于AI图像的高精准防伪识别，可有效防止图像即时通讯过程中存在的AI诈骗。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (6)

1.一种基于大数据和多维特征的异常通讯行为识别方法，其特征在于，包括：

S1、从用户端获取待识别防伪的图像，记为初始图像；

S2、采用目标特征提取算法，基于初始图像进行目标提取，获取目标初始特征，基于目标初始特征进行判定图像光线合理度，若图像光线合理度判定通过，则判定目标防伪验证通过，若图像光线合理度判定不通过，则进行步骤S3；

S3、生成防伪光线指令集；

S4、从防伪光线指令集中随机选择防伪光线指令，对用户端发出防伪光线指令，获取用户端在防伪光线指令期间的所有图像，记为防伪图像；

S5、采用目标特征提取算法，基于防伪图像进行目标特征提取，获取目标防伪特征；

S6、建立与防伪光线指令集一一对应的防伪验证算法；

S7、基于目标初始特征和目标防伪特征，采用防伪识别特征算法判定是否符合防伪验证，若是，则判定目标防伪验证通过，若否，则判定目标防伪验证失败；

所述目标特征提取算法具体为：

对采集的图像进行一次外轮廓识别，提取至少一个物体的外轮廓图像的外轮廓特征点，并对外轮廓特征点进行图像识别，判断该外轮廓图像是否为人体头部轮廓，若是，则判定为存在人脸轮廓，对存在人脸轮廓的图像帧进行抽取，获取若干个人脸轮廓图像，若否，则判定为不存在人脸轮廓；

对人脸轮廓图像进行特征划分，得到人脸轮廓区域特征和背景区域特征，将人脸轮廓区域特征和背景区域特征作为目标特征；

所述基于目标初始特征进行判定图像光线合理度具体包括：

判定是否存在人脸轮廓区域特征和背景区域特征存在位移的至少两个人脸轮廓图像，若是，则获取人脸轮廓区域特征和背景区域特征存在位移的至少两个人脸轮廓图像，记为光线合理验证图像，若否，则图像光线合理度判定不通过；

对若干个光线合理验证图像中的人脸轮廓区域特征进行缩放至同一比例，得到若干个光线合理验证放缩图；

对若干个光线合理验证放缩图均进行网格划分，并随机选择至少一个网格进行验证匹配；

判断若干个光线合理验证放缩图的进行验证匹配的网格区域光度是否发生变化，若是，则图像光线合理度判定通过，若否，则图像光线合理度判定不通过；

所述建立与防伪光线指令集一一对应的防伪验证算法具体包括：

获取所有防伪光线指令集中存在的所有防伪光线特征；

构建与每个防伪光线特征对应的人脸色度变化特征；

获取每个防伪光线指令执行过程中的用户端每个防伪光线特征的指令时间段；

基于每个防伪光线特征的指令时间段于防伪图像中抽取与每个防伪光线特征对应的图像，记为光线识别图像；

判断光线识别图像与初始图像之间的人脸色度变化是否符合防伪光线特征对应的人脸色度变化特征，若是，则判定目标防伪验证通过；若否，则判定目标防伪验证失败；

所述基于目标初始特征和目标防伪特征，采用防伪识别特征算法判定是否符合防伪验证具体包括：

确定与目标初始特征最接近的初始样本图像，作为目标初始特征的拟合样本，并计算目标初始特征与拟合样本之间的拟合值；

基于目标初始特征与拟合样本之间的拟合值，确定目标初始特征的色度变化误差区间；

对所有光线识别图像采用目标特征提取算法提取其中的人脸轮廓区域特征，并计算所有光线识别图像对应的人脸轮廓区域特征的平均色度，记为第一防伪色度；

调取拟合样本在与光线识别图像对应的防伪光线特征下的特征样本图像，记为拟合特征样本图像，计算拟合特征样本图像中人脸轮廓区域特征的平均色度，记为第二防伪色度；

计算第一防伪色度和第二防伪色度的差值，记为防伪色度差值，判断防伪色度差值是否在色度变化误差区间内，若是，则判定目标防伪验证通过，若否，则判定目标防伪验证失败。

2.根据权利要求1所述的基于大数据和多维特征的异常通讯行为识别方法，其特征在于，所述构建与每个防伪光线特征对应的人脸色度变化特征具体包括：

基于现实环境，设置若干个样本光照环境；

在不同的样本光照环境下，对若干个基准样本人脸进行图像采集，得到初始样本图像；

在不同的样本光照环境下，控制用户端进行输出防伪光线特征，并对若干个基准样本人脸进行图像采集，得到防伪光线特征对应的特征样本图像；

计算相同样本光照环境下的相同基准样本人脸间的初始样本图像人脸区域和特征样本图像人脸区域的色度变化；

将所有样本光照环境下的相同基准样本人脸的色度变化，记为防伪光线特征对应的人脸色度变化特征。

3.根据权利要求2所述的基于大数据和多维特征的异常通讯行为识别方法，其特征在于，所述确定与目标初始特征最接近的初始样本图像，作为目标初始特征的拟合样本具体包括：

计算目标初始特征中的人脸轮廓区域特征的平均色度，记为第一匹配色度；

分别计算每个初始样本图像中的人脸轮廓区域特征的平均色度，记为第二匹配色度；

计算第一匹配色度和第二匹配色度之间的差值的绝对值，得到目标初始特征与初始样本图像的初始匹配值；

筛选出初始匹配值最小的初始样本图像，作为目标初始特征的拟合样本。

4.根据权利要求3所述的基于大数据和多维特征的异常通讯行为识别方法，其特征在于，所述计算目标初始特征与拟合样本之间的拟合值的计算公式为：；

式中，为目标初始特征与拟合样本之间的拟合值，/>为拟合样本对应的第二匹配色度值，/>为拟合样本对应的初始匹配值。

5.根据权利要求4所述的基于大数据和多维特征的异常通讯行为识别方法，其特征在于，所述基于目标初始特征与拟合样本之间的拟合值，确定目标初始特征的色度变化误差区间具体包括：

调取拟合样本在防伪光线特征下的色度变化，记为色度变化基准值；

所述色度变化误差区间为。

6.一种基于大数据和多维特征的异常通讯行为识别系统，其特征在于，用于实现如权利要求1-5任一项所述的基于大数据和多维特征的异常通讯行为识别方法，包括：

基础图像特征采集模块，所述基础图像特征采集模块用于从用户端获取待识别防伪的图像，记为初始图像；

基础特征识别模块，所述基础特征识别模块与所述基础图像特征采集模块电性连接，所述基础特征识别模块用于采用目标特征提取算法，基于初始图像进行目标提取，获取目标初始特征，基于目标初始特征进行判定图像光线合理度；

防伪光线控制模块，所述防伪光线控制模块用于生成防伪光线指令集，并从防伪光线指令集中随机选择防伪光线指令，对用户端发出防伪光线指令；

光线图像特征采集模块，所述光线图像特征采集模块与所述防伪光线控制模块电性连接，所述光线图像特征采集模块用于获取用户端在防伪光线指令期间的所有图像，记为防伪图像；

光线防伪识别模块，所述光线防伪识别模块与所述光线图像特征采集模块电性连接，所述光线防伪识别模块用于采用目标特征提取算法，基于防伪图像进行目标特征提取，获取目标防伪特征，并建立与防伪光线指令集一一对应的防伪验证算法，基于目标初始特征和目标防伪特征，采用防伪识别特征算法判定是否符合防伪验证。