欺诈检测系统和方法与流程

1.本发明涉及在购买物品时的欺诈检测领域。它在大规模配送和推车、智能购物篮或收银机装置领域中具有特别有利的应用。

背景技术：

2.存在若干种方式来检查物品是否未被盗。目前，开发最多的技术是所谓的rfid技术。还存在用于通过分析添加到推车的每个物品的重量来验证推车的系统。
3.然而，这种类型的解决方案一方面非常昂贵和/或不可靠。实际上，欺诈者一直在想新的方法来规避超市中所安置的反欺诈系统。
4.因此，本发明的一个目的是提出针对这些问题中的至少一些问题的解决方案。
5.本发明的其他目的、特征和优点通过查阅以下描述和附图将变得明显。应该理解，可以包含其他好处。

技术实现要素：

6.本发明涉及一种用于在由至少一个用户购买至少一个物品的情况下对欺诈进行检测的方法，所述方法包括至少：
7.·
通过至少一个用户终端执行的从至少一个传感器、优选地从多个传感器捕获多个数据的捕获步骤，包括至少以下步骤：
8.i.通过至少一个标识装置获取物品的标识符；
9.ii.通过至少一个光学装置确定由用户手动移动的物品在三维空间中的至少一个轨迹，所述三维空间包括至少：
10.1.标识区域，其对应于下述三维空间的体积：物品的至少一部分由用户存放在所述三维空间中，以获得物品的标识符；
11.2.入口区域，其对应于下述三维空间的体积：当用户将物品存放在与用户终端关联的至少一个容器中时物品所穿过的三维空间；
12.iii.通过用户终端向至少一个计算机处理单元发送：
13.1.来自标识装置的物品的标识符；
14.2.物品的轨迹；
15.·
通过计算机处理单元执行的处理多个数据的处理步骤，包括至少以下步骤：
16.i.至少根据物品在三维空间中的轨迹生成所述物品的至少一个行为；
17.ii.将所述物品的行为与多个预定行为模型进行比较，以对处理异常进行标识；
18.·
根据所述行为比较来确定欺诈的概率的步骤。
19.本发明巧妙地使用了多个传感器对多个数据进行交叉检查，以标识欺诈情况。
20.例如，所提出的过程允许标识用户进行的操作，包括添加物品而不首先进行标识并因此对其计数。在这种情况下，物品在到达入口区域并被放入容器之前未被用户标识。
21.有利地，本发明允许确定物品的行为，以标识该行为是否与被视为标准的行为(即
非欺诈性行为)一致。以简单且可靠的方式，本发明允许将行为分类为潜在欺诈行为，只要它偏离一个或若干个标准行为模型超过预定阈值。本发明巧妙地使用了包括一个或若干个标准行为模型的多个预定行为模型。
22.本发明允许在商店中购买物品时对多个欺诈进行检测，例如使用例如自动结账系统，或所谓的智能推车。
23.本发明解决了大多数(如果不是全部)欺诈情况。
24.本发明允许在客户的购买过程中引导客户并标识欺诈或错误，而无需用户自动接收通知。由于推车的内含物几乎是实时检查的，因此归功于本发明，可以在不通过结账或终端并且不直接控制推车的所有内含物的情况下进行支付。
25.由于对欺诈的概率的计算是针对商品和/或行为进行的，因此如果怀疑一个或若干个欺诈行为，则将仅针对一个或若干个物品而不是整个推车来检查客户。
26.这可以让用户获得更多关于其购买的信息，无论这些信息是否与物品还有其购物篮的价格相关。
27.在一种特别有利的方式中，捕获多个数据的步骤包括：通过至少一个测量装置对物品的重量进行至少一次测量，以及通过用户终端向计算机处理单元发送所测量的物品的重量的步骤。
28.优选地，处理步骤包括(优选地在生成物品的行为的步骤之前)至少以下步骤：
29.a.根据标识符在至少一个数据库中对物品进行标识，该数据库包括至少与物品的预定重量相关联的物品的标识符；
30.b.从数据库获取物品的预定重量：
31.i.在预定重量等于零或未被输入的情况下，计算机处理单元将所测量的物品的重量分配为与数据库中的所述标识符相关联的预定重量；
32.ii.在预定重量与零不同且被输入的情况下，计算机处理单元执行预定重量与所测量的重量的比较，以在重量差异大于预定阈值时对重量异常进行标识。
33.有利地，根据预定重量与所测量的重量的所述比较来执行欺诈的概率的确定，如果已经对重量异常进行标识，则该概率不为零。
34.通过巧妙地结合重量与图像的分析，本发明允许减少、并且可能避免任何欺诈。
35.本发明还涉及一种用于在由用户购买商店中的至少一个物品的情况下对至少一个欺诈进行检测的系统，该系统包括至少：
36.·
用户终端，其包括至少：
37.i.标识装置，其被配置成当用户在标识装置附近、优选地在一米内经过物品时对物品进行标识；
38.ii.测量装置，其被配置成测量物品的重量；
39.iii.光学装置，其被配置成至少确定由用户手动移动的物品在三维空间中的至少一个轨迹；
40.·
至少与用户终端通信的计算机处理单元，该计算机处理单元远离或不远离用户终端并且被配置成：
41.i.至少根据物品在三维空间中的轨迹生成所述物品的至少一个行为；
42.ii.将所述物品的行为与多个预定行为模型进行比较，以对处理异常进行标识；
43.从而根据所述行为比较来确定欺诈的概率，如果已经对处理异常进行标识，则该概率不为零。
44.有利地，计算机处理单元还与数据库通信，该数据库包括与物品的预定重量相关联的物品的标识符。
45.优选地，计算机处理单元还与数据比较模块通信，该数据比较模块被配置成根据所标识的物品将所测量的重量与数据库中指示的重量进行比较，比较模块被配置成标识称重异常。
46.有利地，光学装置被配置成还收集物品的多个图像，并且计算机处理单元还与用于分析由所述光学装置收集的图像的模块通信、被配置成对处理异常进行标识。
47.优选地，计算机处理单元还被配置成：
48.a.将从数据库获取的物品的预定重量与所测量的重量进行比较，使得如果重量差异大于预定阈值，则对重量异常进行标识；
49.b.根据所述重量比较确定欺诈的概率，如果已经对重量异常进行标识，则该概率不为零：
50.有利地，计算机处理单元还被配置成对多个收集的图像进行分析以对处理异常进行标识。
51.本发明还涉及一种计算机程序产品，该计算机程序产品包括指令，该指令在由至少一个处理器执行时执行至少根据本发明的方法的步骤。
附图说明
52.本发明的目标、目的以及特征和优点将从以下随附附图所示的本发明的实施方式的详细描述中得到更好的体现，其中：
53.图1表示根据本发明的实施方式的欺诈检测系统。
54.图2表示根据本发明实施方式的标识装置、光学装置及其观察区域的定位图。
55.图3表示根据本发明的实施方式的集成了系统的至少一部分的推车。
56.图4表示根据本发明实施方式的移动分析装置的图形界面。
57.图5表示根据本发明的实施方式的用于记录数据和分析所述记录的算法。
58.附图作为示例给出并且不限制本发明。它们形成旨在促进对本发明的理解的原理的示意性表示，并且不一定按比例缩为实际应用。特别是，尺寸并不代表现实。
具体实施方式
59.在开始详细查阅本发明的实施方式之前，在下文中阐述了可选的特征，这些特征可以组合或替代地使用：
60.根据一个示例，光学装置被配置成允许在捕获三维图像时考虑深度。
61.根据一个示例，光学装置被配置成允许考虑沿着与形成光学装置的屈光度平面的两个轴线正交的轴线延伸的所谓深度空间维度。
62.根据一个示例，物品在三维空间中的轨迹包括至少一多个点，所述多个点中的每个点包括至少三个空间坐标，优选地位于正交的三维空间中。
63.根据一个示例，光学装置被配置成允许在确定物品的所述轨迹时考虑深度。
64.根据一个示例，光学装置被配置成允许在确定物品的所述轨迹时考虑沿着与形成光学装置的屈光度平面的两个轴线正交的轴线延伸的所谓深度空间维度。
65.根据一个示例，由光学装置确定的物品在三维空间中的轨迹包括至少一多个点，所述多个点中的每个点包括至少三个空间坐标，每个空间坐标可能涉及沿着轨迹，优选地位于正交的三维空间中。
66.根据一个示例，光学装置包括立体光学装置，优选地为立体光学装置。
67.根据一个示例，如果对处理异常进行标识，则概率不为零。
68.根据一个示例，包含在数据库中的物品的预定重量包括一系列重量，优选地包括最小预定重量和最大预定重量。
69.根据一个示例，确定物品在三维空间中的轨迹的步骤包括：在选自至少以下各者的至少一个区域中对物品进行跟踪：标识区域、入口区域、至少一个外部区域、至少与至少一个容器的入口对应的至少一个内部区域，入口区域将外部区域与内部区域分开。
70.将空间划分为若干区域允许更好地对物品进行跟踪并实现空间的功能化。
71.根据一个示例，确定物品在三维空间中的轨迹至少包括物品从三维空间的一个区域经过到达三维空间的另外的区域，优选地仅包括所述经过。
72.根据一个示例，确定物品的轨迹的步骤包括至少确定在三维空间中移动的除了物品之外的目标的轨迹，所述目标优选地选自：手、臂、另外的物品、袋、用户佩戴的配饰、用户穿着的衣服。
73.根据一个示例，生成物品的行为的步骤包括提及所述目标与物品的任何超过预定阈值的接近。
74.根据一个示例，所述物品的所生成的行为包括由多个传感器检测到的至少一个事件序列，这些事件至少选自：对物品进行标识、从三维空间的一区域经过到达三维空间的另外的区域、测量物品的重量、另外的目标接近物品。
75.根据一个示例，捕获多个数据的步骤包括由光学装置收集至少该物品的和至少携带该物品的用户的一只手的多个图像。
76.根据一个示例，处理步骤包括如下步骤：对多个收集的图像进行分析以记录物品的至少一个二维表示并且对用户的手是空的还是满的进行标识。
77.根据一个示例，处理步骤包括：将存在于数据库中的物品的图像与多个收集的图像中的一个或更多个图像进行至少一次比较，以对来自数据库的物品的图像与收集的物品的(一个或更多个)图像之间的异常进行标识。
78.这允许不仅根据经扫描的物品的标签来对物品进行比较，还可以根据光学比较。
79.根据一个示例，对物品的图像进行比较的步骤包括：由计算机处理单元、优选地通过经训练的神经网络对物品进行光学识别的至少一个步骤。
80.根据一个示例，收集多个图像的步骤包括由光学装置记录视频的至少一个步骤，该视频有利地被在时间上压缩，优选地来自多个收集的图像。
81.这允许事件被轻松、直观、快速地可视化。
82.根据一个示例，记录优选在时间上压缩的视频的步骤包括：在收集所述数据时插入由至少一个传感器收集的数据，所述传感器至少选自：标识装置、光学装置、测量装置、空间方位传感器、运动传感器。
83.这允许事件被轻松、直观、快速地可视化。
84.根据一个示例，确定物品的轨迹的步骤包括至少：
85.a.收集多个二维图像，优选为有颜的；
86.b.收集多个三维图像。
87.这允许标识物品的几何形状并在空间上跟踪它。
88.根据一个示例，由至少一个相机并由至少一个附加相机执行收集多个二维图像，并且由至少一个立体相机执行收集多个三维图像。
89.根据一个示例，立体相机被配置成在三维空间中对物品进行空间跟踪，并且附加相机被配置成将多个二维图像发送到至少一个神经网络以训练所述神经网络来识别物品的几何形状，优选地，数据库也可以提供校正数据以细化由神经网络生成的模型，然后当物品离开立体相机的视场时，通过二维相机使用物品的空间位置及其几何形状来对物品进行跟踪。
90.两个相机的协作允许更好地对物品进行跟踪以及更好地进行标识，从而减少可能的欺诈数量。
91.根据一个示例，二维相机包括具有大于100度的角度(优选地称为“广角”)的物镜，并且被配置成：确保跟踪物品在立体相机的视场之外的空间位置并收集物品几何形状的图像，然后当物品落入立体相机的视场内时，通过立体相机并通过附加二维相机使用物品的空间位置及其几何形状来对物品进行跟踪。
92.两个相机的协作允许更好地对物品进行跟踪以及更好地进行标识，从而减少可能的欺诈数量。
93.根据一个示例，该方法包括：在标识物品的步骤之前标识用户的步骤，随后是从用户简档数据库读取特定于用户的用户简档的步骤。
94.这允许在评估欺诈的概率时考虑用户的历史作为权重参数。
95.根据一个示例，预定行为模型包括至少一个标准行为模型，该标准行为模型包括至少以下事件序列：
96.a.对物品进行标识；
97.b.从标识区域到入口区域对物品进行跟踪。
98.c.从入口区域到内部区域对物品进行跟踪；
99.d.优选地，在测量物品的重量之前或之后，从内部区域到外部区域跟踪用户的空手。
100.根据一个示例，处理异常包括以下情况中的至少一者：将物品与另外的物品进行交换；将另外的物品与所述物品同时添加到容器中；在将所述物品存放在所述容器中时从所述容器中移除另外的物品；将一标识的物品与另外的未标识的物品进行交换；利用欺诈性标识符对物品进行标识。
101.这允许标识除与重量相关的异常以外的异常，以及主要是由于处理物品引起的异常。
102.根据一个示例，如果检测到重量异常，则该方法包括以下步骤：
103.a.通过消息、优选地通过视觉和/或音频，向用户制定移除物品的请求，该制定由用户接口执行，该用户接口例如为计算机处理单元；
104.b.通过消息、优选地通过视觉和/或音频，向用户制定再次对物品称重以获得新重量的请求，该制定由用户接口执行，该用户接口例如为计算机处理单元；
105.c.通过用户终端向计算机处理单元发送物品的新重量；
106.d.通过计算机处理单元对物品的新标识符、物品的新重量以及优选的收集的图像进行处理，包括至少：将预定重量与新测量的重量进行比较以对重量异常进行标识。
107.这使得能够验证物品的重量，因此这可以减少监管者的干预。
108.根据一个示例，如果检测到异常，该方法包括以下步骤：
109.a.通过消息、优选地通过视觉和/或音频，向用户制定再次对物品进行标识的请求，该制定由用户接口执行，该用户接口例如为计算机处理单元；
110.b.通过用户终端向计算机处理单元发送物品的新标识符；
111.c.通过消息、优选地通过视觉和/或音频，向用户制定再次对物品称重以获得新重量的请求，该制定由用户接口执行，该用户接口例如为计算机处理单元；
112.d.通过用户终端向计算机处理单元发送物品的新重量；
113.e.通过计算机处理单元对物品的新标识符、物品的新重量以及优选的收集的图像进行处理，包括至少：将预定重量与新测量的重量进行比较以对重量异常进行标识；
114.这实现了双重验证，从而可以减少监管者的干预。
115.根据一个示例，该方法包括：通过光学装置以预定持续时间记录初始视频的连续步骤，所述初始视频在所述预定持续时间结束时被擦除，除非事件被选自至少以下各者的至少一个传感器检测到：标识装置、测量装置、光学装置、运动传感器、空间方位传感器。
116.这允许在事件触发记录之前并因此在相关事件之前具有图像。
117.根据一个示例，仅当捕获至少一多个数据的步骤完成时才执行处理步骤。
118.这允许节省系统资源和能量。实际上，有利的是，收集阶段和分析阶段是不同的，因此系统可以用很少的系统资源、很少的能量有效地运行，因此成本很低。
119.根据一个示例，该方法包括：当欺诈的概率大于预定阈值时，将基于所述多个数据的多个辅助数据从计算机处理单元发送到至少一个管理站，以便第一监管者分析所述多个辅助数据。
120.这允许具有第一自动反欺诈过滤器以及涉及一个或若干个人类操作员的第二反欺诈过滤器。
121.根据一个示例，如果欺诈情况是由第一监管者确认的，则将所述多个辅助数据发送到优选地与用户终端位于同一建筑物中的至少一个移动分析装置，以便第二监管者分析所述多个辅助数据并向用户移动。
122.这允许移动监管者前往现场并且在视觉上检查是否存在欺诈行为。
123.根据一个示例，所述多个辅助数据包括以下数据中的至少一者：物品的标识符、物品的重量、物品的原始图像、多个收集的图像中的一个或更多个图像、视频(优选地被在时间上压缩的)。
124.这允许简单和直观的信息呈现。
125.根据一个示例，用户终端是移动推车。
126.这允许具有智能推车，该智能推车使得用户能够在会话结束时轻松地为他的购买付款，物品的扫描在购买会话期间完成。
127.根据一个示例，计算机处理单元的至少一部分嵌入移动推车中。
128.根据一个示例，该系统包括至少一个管理站(优选地是远程的)，该至少一个管理站被配置成从计算机处理单元接收至少多个数据，以由至少一个第一监管者进行分析。
129.根据一个示例，该系统包括至少一个移动分析装置，该移动分析装置被配置成从管理站接收多个数据，从而使得第二监管者能够分析所述多个数据并向用户移动。
130.根据一个示例，计算机处理单元与另一数据库通信，所述另一数据库包括至少检测到的用户欺诈的历史。
131.根据一个示例，其中用户终端是固定终端，通常旨在安置于商店中，例如靠近商店的出口。
132.根据一个示例，计算机处理单元与至少一个分类模块通信，该至少一个分类模块包括至少一个神经网络，该至少一个神经网络被训练以根据发送到计算机处理单元的数据对欺诈情况进行检测。
133.根据一个示例，用户终端包括至少一个显示装置，该至少一个显示装置被配置成至少显示物品的标识符和/或重量。
134.根据一个示例，该系统包括至少一个电池。
135.在本说明书中，术语“三维空间”是指包括至少三个空间维度的空间，该空间的至少部分由光学装置(优选为立体的)捕获，该光学装置被配置成考虑这三个空间维度，即可以经由该光学装置确定存在于该三维空间中的一个或若干个目标的空间位置。特别地，该光学装置被配置成另外考虑相对于所述光学装置的深度，即可以评估存在于该三维空间中的一个或若干个目标相对于所述光学装置的距离。因此，在该三维空间中，目标可以描述轨迹，并且因此该目标在该轨迹的每个点处包括三个空间坐标，因为光学装置能够评估所述目标在空间的三个维度上的演变。这还允许有利地更加灵活地放置光学装置，同时保持对在三维空间中执行的动作的理解。与仅考虑两个空间维度并且不测量深度的现有技术不同，根据本发明的光学装置不必垂直于待评估的二维区域布置。
136.例如，本发明涉及一种用于在用户在商店中购买物品期间对欺诈进行检测的系统以及方法。
137.本发明巧妙地允许在购买物品期间对欺诈进行检测。实际上，经由基于有利系统的巧妙方法，本发明允许在自动收款和可能的自动支付的情况下对欺诈进行加测，系统也称为(例如但不限于)自动结账或自动支付推车。
138.我们将首先介绍根据本发明实施方式的欺诈检测系统。然后，我们将介绍根据本发明实施方式的欺诈检测方法。
139.图1至图3示意性地示出了根据本发明实施方式的欺诈检测系统。
140.图1示意性地示出了这样的系统1000。
141.有利地，欺诈检测系统1000包括至少：
142.a.用户终端10，其包括：
143.i.标识装置1100，其被配置成获取物品20的标识符；
144.ii.测量装置1200，其被配置成测量所述物品20的重量；
145.iii.光学装置1300，其被配置成至少在空间中检测和跟随所述物品20；
146.iv.优选地，运动传感器和/或空间位移传感器，诸如，例如陀螺仪；
147.b.计算机处理单元1400，其被配置成处理多个数据并确定欺诈的概率，优选地确定是否存在欺诈。
148.根据一个实施方式，用户终端10包括计算机处理单元1400的部分或全部。
149.根据优选实施方式，用户终端10是移动推车10，例如如图3所示。
150.根据另一实施方式，用户终端是终端，例如支付终端或自动付款机。
151.根据一个实施方式，用户终端10可以包括容器11，该容器11旨在于用户对所述物品20进行标识之后接纳物品20。根据优选实施方式，至少标识装置1100、测量装置1200和光学装置1300安装在同一装置上，优选地是可移动的，诸如，例如稍后在图3中描述的推车10。
152.根据一个实施方式，标识装置1100被配置成确定物品20的标识符。该确定可以是任何形式。例如，它可以包括使标识装置1100读取物品20的条形码。它可以是rfid类型的射频技术或者对物品20进行视觉识别，或者甚至是使得用户能够向系统1000指示所考虑的物品以便确定物品20的标识符的触摸界面。在对物品20进行视觉识别的情况下，标识装置1100可以包括光学装置1300，以及/或者，反之亦然。
153.根据一个实施方式，标识装置1100可以包括例如属于用户的移动装置。在这种情况下，标识装置1100可以使用该移动装置的至少一个相机来对物品20进行标识。例如，该移动装置可以是数字平板电脑或智能手机。
154.优选地，用户将物品20呈现给条码阅读器类型的标识装置1100，例如，通过标识装置1100获得标识符，然后发送到计算机处理单元1400。之后，用户将物品20移动到容器11中。容器11有利地包括测量装置1200。
155.根据一个实施方式，测量装置1200被配置成测量物品20的重量。有利地，测量装置1200包括悬挂容器11的力传感器，容器11被配置成一旦所述物品20被标识就接纳物品20。根据一个实施方式，容器11可以置于力传感器上。根据另一实施方式，测量装置1200包括秤，物品20置于秤上以测量其重量。一旦测量了重量，该数据就从测量装置1200发送到计算机处理单元1400。
156.根据一个实施方式，光学装置1300包括：所谓的二维相机1310，其被配置成收集预定二维场景的二维图像；以及优选地，立体相机，也称为三维相机1320。该立体相机，或更一般地该三维传感器1320，被配置成收集预定三维场景的三维图像。我们稍后将通过图2进一步描述光学装置1300以及形成该预定三维场景的不同区域。优选地，光学装置1300被配置成将所述收集到的图像发送到计算机处理单元1400。
157.根据一个实施方式，光学装置1300包括相机。
158.根据一个实施方式，系统1000可以包括多个传感器，所述多个传感器包括标识装置1100、测量装置1200和光学装置1300，还有例如运动传感器、或者加速度计、或陀螺仪、或可以用于收集一个或若干个数据以标识潜在欺诈情况的其他传感器。如稍后介绍的，本发明有利地利用了由多个传感器收集的数据的交叉检查。这种数据的交叉检查有利地由人工智能模块1420执行，该人工智能模块1420优选地包括至少一个经训练的神经网络，有利地是自动执行的。
159.根据一个实施方式，计算机处理单元1400被配置成处理由标识装置1100、测量装置1200、光学装置1300、以及优选地由任何其他传感器收集的所获得的数据。实际上，优选地，计算机处理单元1400被配置成接收：
160.a.来自标识装置1100的所述物品20的至少一个标识符；
161.b.来自测量装置1200的所述物品20的重量的至少一个测量值；
162.c.由光学装置1300收集的至少多个图像；
163.有利地，计算机处理单元1400与至少一个数据库1410通信，该数据库1410包括对于每个标识符的至少一系列数据，所述至少一列数据包括所述物品20的预定重量，并且优选地包括所述物品20的图像或图形表示。为了执行该比较，计算机处理单元1400可以包括例如重量比较模块。
164.根据一个实施方式，物品20的预定重量对应于重量区间。实际上，数据库可以包括重量区间而不是特定值。特别地，这避免了许多重量不准确对应的情况。实际上，所有物品20都具有相同的重量是困难的。另一方面，完全可以定义物品20必须处于的重量范围。例如，该重量范围可以对应于物品20的重量多或少2％、优选地多或少5％并且有利地多或少10％。根据优选示例，该范围具有最小值和最大值，优选地为预先记录的或在本发明的操作时间期间通过学习获得。
165.根据优选实施方式，至少在扫描物品20之前，记录在数据库1410中的预定重量为零，即等于零或未被输入。根据该实施方式，系统1000是自学习的，即它将从所测量的重量馈送到其数据库1410。例如，用户扫描物品20，系统1000对物品20进行标识并访问物品20的数据库1410以将所述经扫描的物品20的重量与数据库1410的重量进行比较。如果数据库返回零重量值或如果重量值未被输入数据库1410中，则系统1000切换到自学习模式并用所测量的重量值替换这个零重量值或未被输入的值。在该自学习阶段，系统1000捕获物品20的图像，使得它可以随后将物品20的二维图像与物品20的标识符和物品20的重量相关联。如果在购买会话期间，用户对所述物品20进行处理，其重量、其标识符和其视觉识别将用于防止欺诈情况。还应注意，在第一次扫描期间，系统1000被设计为进行逻辑推理，即，如果用户试图将水果和蔬菜标签置于除了水果和蔬菜以外的物品20上，则即使重量未在数据库1410中列出，视觉分析(稍后描述)也允许触发潜在欺诈情况的通知。
166.优选地，只要物品20的重量大于预定阈值，如果在称重之前数据库中所述物品的预定重量为零，则可以将该重量用作预定重量。有利地，该预定阈值小于100gr，优选地为50gr并且有利地为25gr。
167.优选地，计算机处理单元1400被配置成从所述数据库1410至少获得所述物品20的预定重量，并将该预定重量与由测量装置1200发送的所测量的重量进行比较。
168.有利地，计算机处理单元1400被配置成处理多个收集的图像。该处理可以包括物品20的标识和/或空间位置。在标识的情况下，这可以用于将物品20的标识符与由计算机处理单元1400根据多个收集的图像执行的光学标识进行比较。
169.根据一个实施方式，使用物品20的空间位置来对经标识的物品20实际上是称重的物品20、以及用户没有将经标识的物品20与相同重量的另外的物品20交换进行验证。
170.根据一个实施方式，光学装置1300仅包括能够捕获二维图像和三维图像的单个相机。
171.优选地，光学装置1300被配置成捕获三维空间中的点，从而允许在捕获三维图像时考虑深度。
172.优选地，光学装置1300被配置成捕获二维颜数据。
173.有利地，光学装置1300被配置成在空间中跟随目标，优选地跟随物品20或例如的用户的一只或更多只手。该空间被划分为各种虚拟区域。这些虚拟区域由计算机处理单元1400限定并用于分析收集的图像，或用于触发动作。
174.因此，根据图2所示的实施方式，所考虑的分析的三维空间包括至少四个区域：
175.a.扫描区域1321，位于标识装置的水平，例如在条形码扫描仪的前面；
176.b.外部区域1322，位于容器11上方，优选地在推车上方，或例如在用于自动扫描的存放区域之外；
177.c.内部区域1323，位于容器内部，优选在所谓的存放区域中，有利地在推车中；
178.d.入口区域1234，位于外部区域1322与内部区域1323之间。
179.稍后将更具体地描述这些区域的使用，以及处理收集的图像的巧妙过程。
180.根据一个实施方式，系统1000还包括至少一个移动欺诈分析装置1700。该装置1700被配置成由称为监管者的用户使用，他的角是监管一些可能的欺诈情况。实际上，以一种巧妙的方式，并且如稍后所述，在对欺诈情况有怀疑的情况下，具有欺诈分析装置1700的监管者在欺诈分析装置1700上接收多个信息，使得他能够评估是否存在欺诈。稍后将描述该分析步骤，特别是其允许来自监管者的非常高且可靠的响应性的有利呈现。
181.根据一个实施方式，处理单元1400可以与管理站1600通信。该管理站1600允许监管多个欺诈检测系统1000。稍后还将更具体地描述该管理站1600。
182.图3示出了根据优选实施方式的欺诈检测系统1000。在该图中，推车10包括抓握装置13和由轮子14支撑的框架15，从而使推车10可移动。
183.有利地，推车10还包括标识装置1100、光学装置1300、测量装置1200和至少一个容器11。
184.有利地，推车10可以包括：至少一个显示装置12，该显示装置12使得用户能够在必要时被通知；以及可能的触摸界面服务，该触摸界面服务例如用于管理用户的虚拟购物篮。
185.根据一个实施方式，计算机处理单元1400可以嵌入推车10中和/或被部分或全部移位并且与嵌入推车10中的元件通信。
186.在该图中，推车10包括容器11，该容器11优选地悬挂在至少一个力传感器上，因此用作用于测量物品20的重量的装置1200。有利地，标识装置1100是条形码扫描仪。优选地，推车10包括光学装置1300，该光学装置1300适于收集二维图像，优选地收集有颜的图像和三维图像。
187.根据一个实施方式，推车10可以包括多个传感器，诸如空间位置、运动、运动方向、存在、nfc(近场通信)传感器、rfid传感器(代表射频标识)、li-fi传感器(代表光保真度)、蓝牙传感器或其他wi-fi
tm
型无线电通信传感器等。
188.根据一个实施方式，推车10包括一个或若干个蓝牙、wi-fi tm或lora(远程)类型的通信模块。
189.根据优选实施方式，推车10包括链接到人工智能的不同传感器，该人工智能目的是了解用户在推车10上执行的每个动作并对欺诈行为进行检测。例如，该智能可以是包括至少一个(优选经训练的)神经网络的数据处理模块的形式。该神经网络可以嵌入推车10中。优选地，推车10包括电源16，该电源16例如为之前指示的不同元件供电。
190.我们现在将简单地说明本发明的巧妙操作，例如当用户将物品20添加到他的虚拟
购物篮时，即当用户在容器11中添加物品20以供其随后在配备有本发明的商店中进行购买。
191.在下面的示例中，并且为了清楚起见，欺诈检测系统1000部分地至少是可移动的并且部分地至少位于如前所述的推车10上。
192.根据一个实施方式，系统1000包括界面12，该界面12可以以触摸界面12的形式置于推车10本身上，或者以用户将预先下载的移动应用程序的形式例如虚拟化在他的智能手机上。
193.用户在选择了要购买的物品20之后，用标识装置1100对其进行扫描。优选地，通过装置1100的标识符扫描物品20的条形码。一旦物品20已被扫描，用户就具有预定时间(例如10秒)来将经扫描的物品20(即被标识的)存放在容器11上或容器11中。有利地，容器11被配置成与测量装置1200协作，从而通过测量装置1200测量物品20的重量。
194.根据优选实施方式，测量装置1200嵌入推车中。因此，例如但不限于，用户必须在少于10秒内将经扫描的物品20放入推车10中。
195.根据另一实施方式，测量装置1200可以相对于推车10外置，因此用户在已扫描物品20之后将物品20置于测量装置1200上或测量装置1200中，从而在将物品20置于容器11中之前在测量装置1200处测量其重量。
196.一旦物品20被放置，测量装置1200就确定物品20的重量。
197.根据一个实施方式，在称重之前，标识符被发送到计算机处理单元1400。根据另一实施方式，标识符在称重之后被发送到计算机处理单元1400，并且优选地与测量重量同时。
198.在称重之后，物品20被添加到虚拟篮子，以允许系统1000和用户对用户的购买进行追踪。
199.根据一个实施方式，一次只可以进行一个动作，即，只要先前扫描的物品20没有被存放并且其重量没有被评估，就不可能扫描或标识另外的物品20。
200.有利地，本发明使得用户能够取消他的扫描以潜在地扫描另外的物品20。在这种情况下，用户或者经由控制界面12取消先前的扫描，或者他等待先前指示的预定时间，例如10秒。
201.本发明还考虑了用户想要从推车10移除物品20的情况。在这种情况下，用户使用控制界面12以向其指示他希望从推车10移除物品20。之后，用户可以如其所希望地移除尽可能多的物品20，但优选地必须一个一个地扫描它们，有利地，在每次扫描之间等待系统1000检测到容器11的重量已经变化。
202.在物品20在没进行扫描步骤的情况下被放置或移除的情况下，重量变化将由系统1000检测，优选地由测量装置1200检测，并且将被提及给用户，优选地经由控制界面12，也称为显示装置12。当评估的重量与扫描物品20后获得的其重量的标识符不一致时，同样适用。对于重量不与假定已被移除的经扫描的物品20的标识符相对应的物品20的移除也是如此。
203.因此，本发明专门设计为使物品20的购买安全并因此显著减少欺诈，同时允许结账时更好的流动性，因为通过本发明直接确保了如下支付：所述支付例如直接经由推车10、优选地通过可用作控制和偏好支付的界面12的显示装置12来进行。
204.我们现在将描述根据本发明的欺诈检测方法。
205.根据一个实施方式，该欺诈检测方法包括至少：
206.a.捕获多个数据的步骤。这些数据至少是之前指出的数据。该捕获步骤有利地由用户终端10执行。该捕获步骤包括至少以下步骤：
207.i.通过标识装置1100获取物品20的标识符；该步骤例如通过利用标识装置1100扫描物品20来执行；例如，用户被邀请扫描他希望置于推车10中的任何物品20。
208.ii.通过光学装置1300确定物品20在三维空间中的至少一个轨迹，物品20由用户在所述三维空间中手动移动，该轨迹优选地由用户手动施加在物品20，所述三维空间包括至少：
209.1.标识区域1321，其对应于下述三维空间的体积：物品20的至少一部分由用户置于所述三维空间中，以获取物品20的标识符；
210.2.入口区域1324，其对应于下述三维空间的体积：当用户将物品20置于优选地与用户终端10相关联的至少一个容器11中时物品20所通过的三维空间；
211.3.优选地，内部区域1323，其对应于容器11的入口；
212.4.优选地，外部区域1322，入口区域1324将外部区域1322与内部区域1323分开。外部区域1322有利地对应于围绕入口区域1324的三维空间，入口区域1324自身围绕内部区域1323；
213.轨迹的确定包括跟踪物品20从一个区域到另外的区域并记录整个轨迹，或者仅记录从一个区域到另外的区域的通过顺序；
214.优选地，在三维空间中跟踪光学装置1300的视场内的任何目标。
215.如后面所讨论的，如果目标的轨迹接近物品20的轨迹超过预定阈值，换句话说，如果目标接近物品20超过预定阈值，这可能对应于欺诈的情况，由此系统1000被设计为在后来分析数据期间所提到的。
216.iii.优选地，光学装置1300收集所述物品20的和/或携带所述物品20的用户的至少一只手的多个图像。该图像收集持续直到物品20被设置成使得测量装置1200可以测量它的重量；一旦物品20已被扫描，用户就具有预定时间来将物品20置于容器11中并因此对其称重；此外，扫描物品20触发对多个二维、且优选为三维图像的捕获；该收集多个图像的步骤旨在视觉上跟踪物品20从扫描区域1321到其在内部区域1323中的存放位置；这尤其允对经扫描的物品20在例如存放在容器11中之前没有与另外的物品交换进行验证。
217.iv.从标识装置1100向计算机处理单元1400发送物品20的标识符；
218.v.从光学装置1300向计算机处理单元1400发送多个收集的图像：
219.vi.优选地，通过测量装置1200来测量物品20的重量，有利地，一旦物品20已被用户置于容器11中就进行该测量：
220.vii.优选地，从测量装置1200向计算机处理单元1400发送来自所述测量装置1200的所测量的所述物品20的重量：
221.b.通过计算机处理单元1400执行的多个数据的处理步骤，优选地为物品20的标识符、所测量的物品20的重量、以及收集的图像的处理步骤，包括至少以下步骤：
222.i.优选地，根据所述标识符在数据库1410中对物品20进行标识。
223.ii.优选地，从数据库1410中获取物品20的预定重量；根据一个实施方式，在物品20的第一次扫描期间，包含在数据库中的物品20的预定重量可以等于0或未被输入。
224.iii.优选地，将预定重量与所测量的重量进行比较以对重量异常进行标识；优选地，重量异常对应于与在数据库1410中到的预定重量不同的测量重量，预定重量等于0或未被输入的情况除外；否则，超过预定阈值的重量差异，则认为重量异常；当用户将经扫描的物品20与重量不同的另外的物品交换时，或者当他修改条形码例如以便扫描具有与存放的实际物品不同重量的物品时，可能会发生这种重量异常。在预定重量等于零或未被输入的情况下，本发明被配置成将该值替换为所测量的重量的值，然后该所测量的重量值至少在用户的购买会话的剩余期间变为预定重量的值。
225.iv.至少根据物品20在三维空间中的轨迹生成所述物品20的至少一个行为；该步骤包括聚合来自各种传感器的各种测量值，以重新创建物品20在三维空间以及传感器空间中演变的行为。如果测量的顺序与多个标准行为模型中的至少一个模型不一致，则存在对欺诈的怀疑，并且检测到处理异常；优选地，从以下时间点起，行为与标准行为模型不一致：行为与标准行为模型的偏差超过2％、优选为5％、有利地为10％；有利地，从以下时间点起，行为与标准行为模型不一致：模型的一些关键事件不存在于生成的行为中，这种关键事件可以例如是物品20未被标识、物品20未被存放、物品20未穿过入口区域1324等等
……
；优选地，从以下时间点起，行为与标准行为模型不一致：生成的行为中出现一些可疑事件，这种可疑事件可以例如是光学装置被暂时遮挡，或者目标已接近物品20等等
……
226.v.将所述物品的行为与多个预定行为模型进行比较，所述生成的行为包括至少所述物品在三维空间中的轨迹，如果该行为与预定行为的每个模型都不同，则对处理异常进行标识；应注意的是，有利地，该系统被配置成从每种情况中学习并因此对其标准行为模型进行添加和/或修改。
227.vi.优选地，对多个收集的图像进行分析以对处理异常进行标识；处理异常包括：例如，扫描物品并存放另外的相同重量的物品，或者扫描具有不与所述物品相对应的标签的物品(即使重量正确)；对于这种类型的情况，可视化并且优选自动化的分析是必要的，这种分析是由本发明提供的；有利地，计算机处理单元1400包括人工智能模块1420，该人工智能模块1420包括至少一个神经网络，有利地，该神经网络被训练以确定处理异常；以特别有利的方式，对多个收集的图像的分析包括对三维场景的分析，特别是对与物品20相关联的多个点在被分成不同区域的三维空间中的位移的分析；稍后将描述这些区域。这种对多个图像的分析的原理是确定物品20在空间中的运动是否与从多个被认为是非欺诈的模型中选择的预定模型相对应，这将在随后描述；在物品20通过这些不同区域的运动不与非欺诈模型相对应的情况下，则可能存在欺诈情况。优选地，除了考虑物品20在这个分隔的虚拟空间中的运动之外，本发明还考虑了物品20与任何其他外来元素之间的互动；有利地，如果点云(即手或其他目标)接近与物品20相对应的点云并与其互动，则对欺诈的怀疑增加；优选地，如果外来元素是被标识为空的手，则可以减少对欺诈的怀疑。
228.c.用于评估欺诈的概率的步骤，如果存在以下情况则该概率不为零：
229.i.对处理异常进行标识；和/或
230.ii.优选地，对重量异常进行标识。
231.应注意，欺诈的概率可以对应于二进制数据块，诸如，例如1或0，1对应于欺诈是确定的，而0对应于不存在欺诈。根据另一实施方式，欺诈的概率可以对应于欺诈的百分比，例如，没有欺诈相当于0％并且欺诈的确定性相当于100％。
232.因此，欺诈概率可以是0与100之间的数值和/或等于0或1的二进制值。
233.该欺诈评估步骤包括交叉检查多个数据以评估欺诈的概率，特别是如果检测到重量异常和/或处理异常。有利地，这种数据的交叉检查由人工智能模块1420执行，该人工智能模块1420优选地包括经训练(优选自动进行)的神经网络。
234.一些情况很容易被标识为欺诈，然而，其他情况有时可能过于复杂，无法以低成本进行全自动化处理。此外，为了降低高度自动化的分析系统的成本，但其成本会非常高，本发明提出了一种混合解决方案，其中分析中的一部分分析是自动执行的，且另一部分是经由监管者在必要时的干预而执行的。
235.因此，巧妙地并且如前所述，本发明可以包括旨在由至少一个监管者使用的至少一个移动分析装置1700。
236.根据一个实施方式，移动分析装置1700被配置成从计算机处理单元1400和/或从稍后将描述的管理站1600接收多个数据。
237.巧妙地，移动分析装置1700被配置成以能够快速做出决策的形式显示这些数据的至少一部分，例如在从监管者处小于10秒、优选小于5秒并且有利地小于2秒内。
238.因此，目标是将最定性的信息发送给监管者，优选地用于远程控制。
239.为此目的，计算机处理单元1400从多个收集的图像选择图像，并将该选择发送到移动分析装置1700。该选择有利地通过考虑特定时间点来执行，例如，扫描、称重、物品20的运动、区域的进入或离开的时间点等等
……
240.根据一个实施方式，计算机处理单元1400制作视频，该视频优选地被在时间上压缩，计算机处理单元1400也将其发送到移动分析装置1700。在时间上压缩的视频应被理解为例如每秒图像数量大于24的视频，并且可能为从开始到结束的播放时间小于所示动作的持续时间的视频，我们还谈到延时视频和可能的加速视频。有利地，该视频还优选地在其时间表(timeframe)内包括之前提到的特定时间点的通知，例如，以标记的形式。这使得监管者能够(如果他希望)选择与位于那里的特定事件有关的视频的特定段落。这使得选择事件和访问视频的段落以及优选地与该事件有关的其他数据容易、直观和快速。
241.最后，计算机处理单元1400向移动分析装置1700发送与经扫描的物品20有关的信息和/或解释检测到的一个或多更个异常的文本，以及可能的被怀疑和/或检测到的欺诈的类型。
242.优选地，计算机处理单元1400将该数据直接(或者经由计算机服务器1600)发送到移动分析装置1700。该计算机服务器1600有利地被配置成使待发送的数据一致，例如，以根据各种优先级参数确定它们的优先级，和/或例如对它们进行排序。
243.根据一个实施方式，该计算机服务器是管理站1600的组成部分。
244.根据一个实施方式，当怀疑欺诈时，计算机处理单元1400例如经由计算机服务器将所述数据发送到至少一个管理站1600，然后由雇员，例如被称为超级监管者，负责分析是否存在欺诈。
245.在不存在欺诈的情况下，向计算机处理单元1400发送验证命令以验证用户的动作。在确定欺诈或存在怀疑的情况下，超级监管者将考虑的数据发送到监管者的分析装置1700。该监管者有利地是可移动的并且因此可以接近动作似乎是欺诈的用户。因此，监管者旨在一方面通过分析所述数据且另一方面通过移动到可能有欺诈的地方来负责这种情况。
246.根据一个实施方式，移动分析装置1700可以例如包括平板电脑、计算机、智能手机和可能的任何允许显示数据并且优选地包括有利的触觉界面的介质。
247.根据有利的实施方式，呈现在移动分析装置1700上的数据被格式化为易于理解和分析。以特别有利的方式，本发明提出了清晰、简单和直观的数据呈现，使得监管者能够非常快速地、优选地在小于10秒内决定情况是否为欺诈情况。
248.因此，例如，当欺诈的概率超过预定阈值时，计算机处理单元1400发送位于管理站1600的监管者能够过滤出潜在欺诈情况所需的数据。如果根据他的分析，不存在欺诈，他会向用户发送验证命令使得用户可以继续其购买或其付款。
249.如果根据他的分析，存在欺诈的概率，他将数据发送到监管者的移动分析装置1700，例如，优选地为最接近用户的那个。
250.因此，例如，所有“怀疑”动作的总结，即潜在的欺诈动作，被呈现在超级监管者的管理站1600和/或监管者的移动分析装置1700上，例如，位于例如商店的出口处的监管者，使得他可以在付款阶段期间与用户互动。
251.有利地，当计算机处理单元1400将动作解释为潜在的欺诈时，远程控制这种情况所需的所有数据都被发送到管理站1600，即发送到监管者。例如，此人可能是保安、收银员或完全分散在另一劳动力成本较低的国家中。
252.如前所述，超级监管者具有控制图形界面上的动作所需的所有信息。该图形界面被有利地配置成显示相关物品20的图像和标题、检测到的欺诈类型的简短描述、动作的图像序列(诸如，例如呈缩略图形式的漫画，并且有利地是视频，优选地是加速的)；目标是监管者和/或超级监管者可以在很短的时间内确定该动作是否是欺诈性的，通常小于10秒、优选地为5秒且有利地为2秒。
253.非常巧妙地，数据的接口和/或构造被配置成简化监管者和超级监管者的工作。
254.非常巧妙地，本发明首先使用由计算机处理单元1400代表的第一自动过滤器，优选地基于使用包括至少一个神经网络的人工智能，以从其他情况中过滤潜在的欺诈性情况；然后应用第二过滤器。根据一个实施方式，该第二过滤器包括使用移动分析装置1700的移动监管者。根据另一实施方式，该第二过滤器包括位于管理站1600处的超级监管者，因此使用移动分析装置1700的移动监管者代表第三过滤器。这些不同过滤器的组合使得每个过滤器的工作越来越容易和快捷。
255.应注意，非常有利的是，本发明基于对三维场景的分析来分析欺诈的高绿。特别地，由立体相机1320收集三维场景，也称为多个图像。这些优选的动态3d场景包括一个或若干多个移动点。第一多个点对应于随后在空间中跟踪的物品20。第二多个点可以对应于用户的手或另外的物品。互动的(即接近距第一点云小于预定阈值的距离的)任何多个点都被认为是潜在的欺诈来源。
256.以特别有利的方式，如稍后所述，第一多个点在各个区域中的位移被记录并与多个非欺诈位移模型进行比较。如果动作序列不与非欺诈模型中的属于预定模型的动作序列相对应，则欺诈的概率增加。
257.我们现在将描述本发明可以用来对行为进行分类的多个标准行为模型。
258.对应于添加物品20的标准行为模型：
259.a.标识物品20；
260.b.在扫描区域1321中限定经验证的物品的几何形状，以下称为“球体(globe)”；
261.c.将包含在数据库1410中的物品20的至少一个二维图像与在其标识期间拍摄的物品20的至少一个二维图像进行经验证的比较；
262.d.经验证的物品20离开扫描区域1321。
263.e.经验证的物品20通过或不通过外部区域1322；
264.f.经验证的物品20进入入口区域1324；
265.g.将在对物品20进行标识期间拍摄的物品20的二维图像与在通过入口区域1324期间经验证的物品20的二维图像进行经验证的比较；
266.h.经验证的物品20进入内部区域1323。
267.i.对所导致的容器11的重量增加进行测量，即对增加了经标识的物品20的预定重量的起始重量进行测量，这种重量增加可以发生在空手通过入口区域1324离开内部区域1323进行二维标识之前或之后。对应于标识空手的标准行为模型：
268.a.空手进入外部区域1322；
269.b.空手进入入口区域1324；
270.c.内部区域1323中的空手；
271.d.体重变化与否，这种体重变化可能发生在以下两个事件之前或之后；
272.e.空手进入入口区域1324；
273.f.空手进入外部区域1322；
274.对应于用户进行的标准行为模型，例如查看已验证并存在于容器中的物品20：
275.a.空手进入外部区域1322；
276.b.空手进入入口区域1324；
277.c.内部区域1323中的空手；
278.d.重量减小，这种重量的降低可能发生在该时间点或在以下5个事件期间；
279.e.满手进入入口区域1324，成为被光学装置1300跟随的目标；
280.f.被跟踪的目标进入外部区域1322；
281.g.被跟踪的目标进入入口区域1324；
282.h.在第一次通过入口区域1324期间被跟踪的对象的二维图像与第二次通过入口区域1324期间被跟踪的对象的二维图像之间进行经验证的二维比较；
283.i.被跟踪的对象进入内部区域1323；
284.j.重量相应增加，即返回到起始重量，这种重量的增加可能发生在该时间点与模型结束之间；
285.k.空手进入入口区域1324；
286.l.空手进入外部区域1322；
287.对应于用户设置了物品20但忘记对其进行标识的标准行为模型：
288.a.满手进入入口区域1324，成为被跟踪的目标；
289.b.所测量的重量增加，这种重量的增加可能发生在该时间点或以下3个事件期间；
290.c.空手进入入口区域1324；
291.d.空手进入外部区域1322；
292.e.空手进入入口区域1324；
293.f.空手进入内部区域1323；
294.g.结果，重量减小，即返回到模型的起始重量，这种重量的减小可能发生在该时间点与模型结束之间；
295.h.被跟踪的目标进入入口区域1324；
296.i.在第一次通过入口区域1324期间被跟踪的对象的二维图像与第二次通过入口区域1324期间被跟踪的对象的二维图像之间进行经验证的二维比较；
297.j.被跟踪的目标进入外部区域1322。
298.对应于移除物品20的标准行为模型：
299.a.空手进入外部区域1322；
300.b.空手进入入口区域1324；
301.c.空手进入内部区域1323；
302.d.重量减小，这种重量减小可能发生在该时间点与模型结束之间；
303.e.满手进入入口区域1324，变成被追踪的目标；
304.f.被追踪的目标进入外部区域1322；
305.g.被追踪的目标进入扫描区域1321；
306.h.将虚拟篮子中的物品20标识选择为待被用户移除的物品20；
307.i.在物品20在其标识期间的图像与被跟踪的目标在其穿过入口区域1324期间的图像之间进行经验证的二维比较。
308.最后，应注意，在模型的步骤期间，从物品20外部的元素、且优选地空手外部的元素与经验证的物品20接触或与被跟踪的对象接触或者进入内部区域1323时的时间点起，可能会怀疑欺诈。
309.类似地，如果在事件序列期间，物品20或被跟踪的目标离开光学装置1300的视场，则可能怀疑欺诈。
310.本发明有利地利用了这些标准行为模型。实际上，代替了试图将事件序列分类为欺诈，将事件序列与一系列被认为是非欺诈的模型进行比较更简单、更快捷。每当经评估的行为与标准行为模型之间存在高于预定阈值的差异时，就会怀疑欺诈。如果是这样，则由一个或若干个超级的监管者或监管者进行干预。
311.图4示出了根据本发明的实施方式的管理站1600和/或移动分析装置1700的界面。该界面有利地是触觉的。该界面包括智能图形界面。
312.该图形界面包括物品20的图形表示21，以及可选的描述22(优选是简短和简洁的)。该图形界面包括对潜在的欺诈类型的简单和综合描述23。该图形界面可以包括呈缩略图24的形式的多个图像，这些图像可以例如表示考虑到估计的欺诈类型的用户的特定和相关动作。如前所述，该图形界面优选地包括视频(有利地被在时间上压缩)。
313.有利地，图形界面包括至少第一致动器26和至少第二致动器27。第一致动器26例如可以被配置成使得监管者或超级监管者能够指示不存在欺诈。第二致动器27例如可以被配置成使得监管者或超级监管者能够确认存在欺诈情况。根据一个实施方式，管理站1600的图形界面可以包括第三致动器(未在该图中示出)，该第三致动器被配置成通过移动分析装置1700将对数据的分析发送给移动监管者，使得他可以前往现场并且验证是否存在欺诈行为。
314.有利地，如果用户没有被计算机处理单元1400报告为潜在欺诈的动作和/或没有被监管者和/或超级监管者报告为欺诈性的动作，则他可以在没有任何中断的情况下支付，目的是不作弊的用户在其购买会话期间绝对不会受到干扰。
315.有利地，如果监管者和/或监管者报告了欺诈，则：
316.a.通知用户并等待监管者到来；和/或
317.b.在监管者到来之前，支付阶段被中断；
318.在任何情况下，如果怀疑或验证了欺诈，监管者负责向用户移动并检查与欺诈的概率有关的(一个或更多个)物品。以这种方式，监管者的检查是快速的并且直接针对若干个物品中的一个或若干个物品。
319.最后，一旦用开始了支付阶段，如果没有动作被监管者和/或优选地远程定位的超级监管者报告为欺诈或潜在欺诈，则支付被验证。
320.除了巧妙的呈现，并且如前所述，根据一个实施方式，本发明还提出了一种用于对数据和待处理的潜在欺诈情况进行分层的巧妙方式。
321.我们现在将列出在向监管者和超级监管者呈现信息时考虑的优先级的非限制性示例：
322.a.用户在支付模式中的行为应以绝对优先级显示，即在支付阶段中涉及用户的潜在欺诈情况具有优先级；
323.b.用户的购买会话持续的越长，他们的动作优先级越高，因为他们完成其购买的机会增加；
324.c.动作的欺诈的概率越低，优先级越高，因为非欺诈用户不必等待或减慢支付速度；
325.d.类似地，将首先对具有很少可疑行为的用户进行检查。
326.因此，本发明巧妙地对若干数据进行交叉以评估欺诈的概率，然后巧妙地使该数据一致并且对各种情况设定优先级以允许用户体验的流动性以及监管者和/或超级监管者的高响应性。
327.我们现在将指定本发明实施的数据的分析点。实际上，我们之前已经指出分析了多个收集的图像。
328.因此，根据优选的实施方式，对多个数据进行处理包括对多个收集的图像进行处理，这些图像可以包括二维图像(优选地是有颜的)以及三维图像。该处理由计算机处理单元1400有利地执行，该计算机处理单元1400优选地嵌入诸如之前描述的推车10之类的移动元件中。
329.根据一个实施方式，推车10，至少是计算机处理单元1400，应分析由若干传感器获取的场景；所谓的二维相机1310，有利地是广角相机；所谓的立体3d相机1320；陀螺仪；测量装置1200；标识装置1100；等等
……
330.这些场景的分析通常需要大量的系统资源，因此需要计算能力，因此也需要能源。尽管如此，根据本发明的系统1000被巧妙地设计为以很少的能量、很少的系统资源并且快速地进行这种类型的处理。
331.实际上，根据一个实施方式，该处理可以转移到计算机服务器，以减少电力消耗，以及推车10所使用的系统资源。
332.根据另一实施方式，且特别是当推车10没有连接到计算机服务器时，应直接利用推车10中可用的系统资源和能量来完成处理。
333.本发明被设计为对反欺诈解决方案的成本和能量进行限制。为此，对场景的分析就时间而言不一定具有优先级，即这种分析不需要实时进行。这尤其体现了本发明如何提供巧妙的解决方案。
334.根据一个实施方式，本发明的方法包括将所有传感器的场景记录在视频上的步骤，以对它们进行后验分析。
335.优选地，在某些条件下，当在先前限定的空间的区域中(例如在入口1324或扫描1321区域中、且可能在外部区域1322中)存在目标时，开始二维和三维视频记录，即二维和三维图像采集。
336.根据一个实施方式，在每个事件的准确时间点记录由其他传感器测量或收集的数据。
337.有利地，例如经由视频中的元数据在时间上插入每个事件。因此，例如，每次扫描和每次产生的重量变化都会在视频中记录和注明。
338.有利地，本发明被配置成生成时间表，该时间表包括可以选自下各者的事件：2d图像、3d图像、标识、重量变化、以及更一般地由传感器中的一个传感器进行的任何测量。因此，该时间表允许按时间顺序表示已发生的事件。
339.因此，这种丰富的时间表可以节省分析潜在欺诈情况的时间。
340.有利地，对该视频的记录由给定空间中的点的捕获来限定。
341.根据一个实施方式，当记录开始时，考虑先前的x秒以具有与触发记录的事件之前的场景有关的信息，即视频记录(也称为在时间上压缩的视频)从触发其记录的动作开始。为此，且如前所述，系统永久记录预定持续时间，例如5秒，该预定时间被逐渐删除。因此，例如记录5秒的数据并在5秒后将其删除，除非检测到涉及开始记录以进行后验分析的事件，然后在生成在时间上压缩的视频时考虑在此事件之前记录的图像。
342.根据一个实施方式，该记录的开始受制于选自系统的所有传感器的至少一个传感器的状态变化。作为提醒，系统的传感器选自至少：标识装置1100、测量装置1200、光学装置1300、运动传感器、陀螺仪、空间定位传感器、加速度计等。
343.有利地，传感器可以是虚拟传感器，即虚拟事件，诸如点云通过一个空间区域到达另外的空间区域。例如，当物品20穿过入口区域1324时，这种穿过可以被认为是状态的改变，因此对3d场景的分析用作虚拟传感器。
344.因此，当通过系统的传感器中的一个传感器对事件进行检测、捕获和可能的测量时，优选地经由从各种传感器收集多个图像和数据来执行所述记录。应注意，优选地记录每个传感器的所有测量。
345.例如，当扫描正在进行时，预计容器的重量会由于以下原因而增加，或者当扫描被取消时，或者当重量发生变化并且系统正在等待返回稳定状态时，这些是导致数据记录开始的事件的示例。
346.根据一个实施方式，当存在先前列出的条件时，可以启动第一记录，然后，如果不存在用户动作，例如在预定时间段之后，则停止第一记录。且一旦用户执行新的动作，就会开始第二记录。尽管如此，最终分析包括对第一记录和第二记录的分析，即使该分析是在包
括一个或若干个时间间隔的时间表内进行的，即一个或若干个时间段未记录，因为没有动作。
347.例如，当用户放置物品20时没有扫描它，将开始记录，但是如果用户离开并且在10秒后没有采取任何动作，例如，录制将停止，并且只要检测到动作就会开始新的录制。然而，将在考虑这两个记录的同时进行分析，因为仅当推车10变得再次稳定时才进行分析，然而在数据记录中将存在间隙。
348.因此，有利地，分析可以涵盖若干记录。
349.并且优选地，相同的记录可以用于若干不同的分析。
350.例如，还可以通过推车10对入口区域1324的交叉的三维捕获来启动记录的开始。
351.当所有传感器未检测到大于预定阈值的测量变化时，定义稳定状态，该阈值可以取决于每个传感器。因此，不稳定情况被定义为对应于由传感器中的至少一个传感器检测到测量变化大于所述预定阈值(优选地特定于所述传感器)。要注意的是，本发明将物品的扫描视为不稳定状态。
352.从切换到不稳定状态的时间点起，对所有视频记录以及包括在该不稳定状态的在时间上压缩的视频中的传感器的采集进行后验分析。实际上，当检测到不稳定状态时，系统资源主要用于数据收集。一旦这种不稳定状态结束，收集的数据就被处理，即，包括不同传感器的采集的在时间上压缩的视频由计算机处理单元1400进行分析。这允许在数据收集与其分析之间巧妙地分配有限的系统资源。这允许保持较低的生产成本和能量消耗。
353.我们现在将描述实施本发明提出的光学分析的实现方式的示例。
354.以一种特别巧妙的方式，且如前所述，跟踪物品20和/或用户的一只手或多只手在扫描所述物品20之后触发。类似地，跟踪物品20可以在假设测量装置1200检测到重量的变化、用户从容器11中取出物品时触发。
355.优选地，在扫描物品20之后，重新构建物品20(也称为目标)的三维形状，优选地为两部分，该三维形状将被称为“经验证的形状”。该经验证的形状的第一部分是形状的末端，我们将称之为“球体”，其代表物品和手。该形状的第二部分是臂，且可能是用户身体的一部分。
356.我们将使用购买物品20的人的示例来描述这种光学分析的操作。这种光学分析使得能够标识我们所称的处理异常。
357.一旦执行了扫描，存在于扫描区域1321中的形状就变成经验证的形状并且球体是其末端。球体应从扫描区域1321移动到外部区域1322，然后通过入口区域1324并消失在内部区域1323中。之后，物品应被存放在容器11中，且因此应测量到重量的变化，最后球体通过入口区域出来。球体也可以直接从扫描区域1321到达入口区域1324。
358.之后，通过神经网络对2d相机1310的图像进行二维分析，以验证在将物品20存放到容器11中之后从容器出来的球体实际上对应于空手。如果分析检测到空手穿过入口区域1324并朝向外部区域1322，则不存在欺诈。如果在测量到与物品20的标识符一致的重量增加之后，分析检测到空手，则同样的情况适用，不存在欺诈。
359.另一方面，在对来自2d相机1310的图像进行二维分析时，如果离开的球体被神经网络检测为“满手”，则这意味着手出来是满的，因此存在潜在的欺诈。
360.这里让我们记住，在进行扫描以添加物品20后，若干动作可能表明已存在欺诈，诸
如，例如，当另外的未知形状太接近经验证的形状(例如交换物品)时，或者当形状遮挡了相机或者当未知形状进入了入口区域1324时。
361.有利地，在二维分析期间，如果未知形状被标识为空手，则欺诈的概率可能是细微的，并且可能为零。
362.巧妙的是，如果测量装置1200检测到存放动作，即容器11的重量增加，而经验证的形状仍在外部区域1322中，则可以经由检测到处理异常来推断出很强的欺诈的概率。
363.在移除的情况下，无欺诈的情况是相同的，但是在另一方面，即被标识为空的手取回重量被从容器11的重量中减去的物品20，然后对该物品20进行扫描，例如，预定重量与测量为减少的重量之间的对应关系确认不存在欺诈。相反，如果在没有后续扫描的情况下移除了重量，或者如果经扫描的物品20的重量不与移除的重量相对应，则欺诈的概率增加。
364.在未扫描的物品20存放在容器11中的情况下，系统1000将经由二维分析检测满手，这只手穿过入口区域1324，且可能穿过内部区域1323，并且测量装置1200将检测容器11及其内容物的重量的增加。因此，在该重量增加之前没有扫描过任何物品20，重量异常(即欺诈)的概率较高。例如，在没有事先扫描而检测到穿过入口区域1324，并且可能穿过内部区域1323的情况下，检测到处理异常，并且欺诈的可能性增加。
365.类似地，如果例如测量装置1200检测到重量的增加，这意味着已经执行了存放动作，并且如果没有执行扫描，则欺诈的可能性增加。
366.在空手进入的情况下，则物品20被移除，且满手离开内部区域1323，离开的形状变成我们将称为跟踪的形状，即光学装置1300所跟随的形状。
367.在跟踪的形状没有离开光学装置1300的视场并且重新进入内部区域1323而没有未知形状接近它、没有进入区域1324、或者光学装置1300没有被遮挡的情况下，不存在处理异常且作弊的概率较低。
368.优选地，该动作同样可疑，本发明提供取出物品20与退回物品20的二维比较。
369.在跟踪的形状和可能的经验证的形状离开光学装置1300的视场的情况下，系统1000的功能是当该形状再次进入光学装置1300的视场时到这个形状。
370.有利地，系统1000包括所谓的“广角”(即具有大于100度的光学角度)二维相机1310。该2d相机1310被配置成也确保该跟踪功能。
371.有利地，光学装置包括被配置成与3d相机协作的附加2d相机。实际上，附加2d相机被配置成收集三维场景的二维图像。
372.根据一个实施方式，光学装置1300包括多个3d相机1320和2d相机1310，并且可能包括附加2d相机。
373.因此，当例如经由立体相机1320对于形状进行跟踪时，通过经由“机器学习”(表示自动训练的术语)类型的技术的神经网络的自动训练来“学习”经由附加2d相机观察到的其二维外观。同时，其在三维相机1320上的位置与在二维相机1310上是同步的。
374.目的是当目标或物品20离开3d相机1320的场时，2d相机1310“知道”它的外貌、它的几何形状和它在出口处的位置，以继续跟踪2d相机1310上的目标。
375.因此，三维相机1320使得系统1000能够学习被跟踪的物品的形状并跟踪其在空间中的位置，然后将该学习到的形状和该已知位置发送到二维相机1310，以便一旦物品20离开三维相机1320的监控区域就在更大的区域内进行跟踪。
376.目的是当物品20(或更一般地被跟踪的目标)重新进入3d相机1320的场时，2d相机1310可以向3d相机1320传达其位置以及其外观作为回报，使得3d相机1320可以恢复其监控，并且例如可能改进其学习。
377.根据一个实施方式，可以在2d相机1310上进行分析，以便知道是满手还是空手接近被跟踪的物品20或目标。术语物品或目标独立使用以限定物品20。
378.在手已接近被跟踪的物品20的情况下，欺诈的概率增加。
379.根据一个实施方式，本发明包括双重检查模式。当对欺诈有怀疑时，将设置该模式。该模式包括在用户插入物品20之后几分钟或在他的支付期间，向用户发送请求以再次扫描应在容器11中的物品20。
380.在没有欺诈的情况下，正常过程应该是空手进入容器11，对应于所请求的物品20的重量应由扫描仪将应移除物品20的满手移除；然后将物品20放回适当位置，容器11及所测量的其内容物的重量因此应该上升，且最后应伸出空手。如果这没有发生，则可能会怀疑欺诈，欺诈的概率可能增加。
381.存在一种仅基于测量重量来对抗现有技术的反欺诈系统的技术。这包括更换标签，更一般地是物品20的条形码。为此，例如，物品20于商店中在水果和蔬菜秤上称重，然后对应于例如一块水果的标签卡在商品20上。该标签指示正确的重量，但不是正确的物品20，例如在自动结帐的级别，用户将扫描商品20，并将其置于秤上，现有技术的系统无法检测正在发生的欺诈。
382.本发明对这种类型的欺诈提供了有效的解决方案。实际上，为了战胜这种类型的欺诈，本发明建议从不同角度在物品20的方向上拍照。在扫描期间，这些照片具有双重用途：
383.a.首先，这些照片用于馈送链接到物品20的标识符(例如其条形码)的神经网络模型。之后，该神经网络被配置成指示物品20是否存在于由光学装置1300拍摄的图像上。例如，这是通过将刚拍摄的照片与在扫描相同物品20期间拍摄的所有其他照片进行比较来完成的；
384.b.其次，照片通过神经网络模型，并且所述网络的输出是在经扫描的物品20与预期的物品20之间就其标识符而言的一致性的概率，从而估计经扫描的条形码是否实际对应于物品20的照片。
385.根据一个实施方式，标签交换最常与水果和蔬菜一起进行，神经网络被训练以标识一袋水果和/或蔬菜，并且如果在扫描“水果和蔬菜”条形码期间，光学装置1300未识别一袋这种类型的，则怀疑是欺诈。
386.以一种特别巧妙和反直觉的方式，数据库可以包括每个物品的分数，该分数对应于如下事实：该物品是便宜的物品且因此经常被用来进行欺诈，例如但不限于或者通过使用这种物品的标签、或者其包装。此外，优选地，这些廉价物品具有比奢侈物品更高的欺诈分数。
387.根据另一实施方式，奢侈物品具有比其他物品更高的欺诈分数。
388.应注意，当欺诈的概率超过预定阈值时，认为是欺诈，然后由超级监管者和/或监管者通过确认欺诈、或通过使欺诈无效和/或向用户移动来进行干预。
389.我们现在将描述图5，其示意性地表示数据记录和处理过程。
390.该图示出了根据本发明的实施方式的欺诈检测算法的两个部分。
391.我们将对其进行描述。只要目标被光学装置、优选地被立体相机检测到并且有利地当检测到的目标位于三维空间的区域中的一个区域中时，就开始120数据的记录110。如果未检测到目标122，则记录保持待机。
392.如果存在检测121，则将之前的x秒存储在存储器130中，131，并且在它们之后继续记录。如果目标仍然存在于区域中的一个区域中140，则142，继续记录143。
393.如果在三维空间中没有更多目标141，则对x秒进行计数150并在其完成时将其添加151到记录的末尾146。然后停止记录160。
394.一旦记录被创建，就将其发送147以供分析。
395.只要记录在进行中，分析210就处于待机中。因此，系统对以下各者进行监视：标识是否正在进行220：是221，否222，重量测量是否正在进行225：是223，否222。
396.当标识正在进行和/或重量不稳定时，系统准备230对记录进行分析。
397.如果测量完成，即如果系统的状态再次稳定240，则我们继续241定义250待分析的记录的结尾，否则242我们保持待机直到稳定情况以执行分析。作为提醒，只要检测到传感器的测量值的变化，情况就被认为是不稳定的。
398.一旦系统稳定，就开始对记录的分析260。这允许仅在数据收集阶段完成时使用很少的系统资源。
399.之后，算法完成其分析270并返回其等待执行新分析的初始状态。
400.根据一个实施方式，在不稳定的情况下，当分析正在进行时，分配给分析的系统资源的部分被重新分配以用于数据的收集。
401.以一种特别有利的方式，本发明通过分成两个不同的阶段：数据的收集和对这些收集的数据的分析，使用很少的系统资源和很少的能量。
402.因此，本发明允许在提出低成本技术解决方案的同时获得高质量欺诈检测，该解决方案针对大规模和廉价的应用进行了优化。
403.因此，本发明允许解决至少以下欺诈情况：
404.a.用户扫描了一个物品20并放置了两个；
405.b.用户不小心将物品20放置在容器11中而没有对其进行扫描；
406.c.用户扫描了一瓶5欧元的葡萄酒，并存放了相等重量的50欧元的葡萄酒，并且该葡萄酒可能在形态上与其相似；
407.d.用户将未扫描的物品20与容器11中的已扫描的物品20交换；
408.e.用户扫描带有水果或蔬菜条形码标签的物品20；
409.f.用户将香水瓶放入水果和蔬菜袋中，并用果蔬条码标签对其进行扫描。
410.因此，本发明使用来自若干传感器的若干数据的合并来确定欺诈的概率。
411.以一种特别有利的方式，本发明包括对其数据的所谓自学习分析，即计算机处理单元被配置成自动学习形成欺诈的要素。例如，系统被配置成对以下进行学习：通常是一系列动作、或者收集的数据的某些值导致欺诈情况。为此，处理单元接收多个数据作为输入，并且作为输出，由监管者和/或超级监管者将该情况判断为欺诈或非欺诈。
412.本发明不限于前述实施方式并且延伸到权利要求所涵盖的所有实施方式。
413.附图标记
414.10 移动推车
415.11 容器
416.12 显示装置
417.13 抓握装置
418.14 轮子
419.15 框架
420.16 电池
421.20 物品
422.21 物品的图形表示
423.22 物品的描述
424.23 潜在欺诈情况的描述
425.24 缩略图
426.25 在时间上压缩的视频
427.26 第一致动器
428.27 第二致动器
429.1000 欺诈检测系统
430.1100 标识装置
431.1200 测量装置
432.1300 光学装置
433.1310 相机
434.1320 立体相机
435.1321 扫描区域
436.1322 外部区域
437.1323 内部区域
438.1324 入口区域
439.1400 计算机处理单元
440.1410 数据库
441.1420 人工智能模块
442.1500 用户接口
443.1600 管理站
444.1700 移动分析装置。

技术特征：

1.一种用于在由至少一个用户购买至少一个物品(20)的情况下对欺诈进行检测的方法，所述方法包括至少：
·
通过至少一个用户终端(10)执行的从至少一个传感器捕获多个数据的捕获步骤，且优选地通过至少一个用户终端(10)执行的从多个传感器捕获多个数据的捕获步骤，所述捕获步骤包括至少以下步骤：i.通过至少一个标识装置(1100)获取所述物品(20)的标识符；ii.通过至少一个光学装置(1300)确定由所述用户手动移动的所述物品在三维空间中的至少一个轨迹，所述三维空间包括至少：1.标识区域(1321)，所述标识区域(1321)对应于下述三维空间的体积：所述物品(20)的至少一部分旨在由所述用户存放在所述三维空间中，以获得所述物品(20)的标识符；2.入口区域(1324)，所述入口区域(1324)对应于下述三维空间的体积：当所述用户将所述物品(20)存放在与所述用户终端(10)相关联的至少一个容器(11)中时所述物品(20)穿过所述三维空间；iii.通过所述用户终端(10)向至少一个计算机处理单元(1400)发送：1.来自所述标识装置(1100)的所述物品(20)的标识符；2.所述物品(20)的所述轨迹；
·
通过所述计算机处理单元(1400)执行的处理所述多个数据的处理步骤，所述处理步骤包括至少以下步骤：i.根据至少所述物品(20)在所述三维空间中的所述轨迹生成所述物品(20)的至少一个行为；ii.将所述物品(20)的所述行为与多个预定行为模型进行比较，以对所述用户的处理异常进行标识；
·
根据所述行为比较来确定欺诈的概率的步骤，如果已经对处理异常进行标识，则该概率不为零。2.根据前一权利要求所述的方法，其中，所述光学装置(1300)被配置成使得在确定所述物品(20)的所述轨迹时能够考虑深度。3.根据前述权利要求中的任一项所述的方法，其中，由所述光学装置(1300)确定的所述物品(20)在所述三维空间中的所述轨迹包括至少一多个点，所述多个点中的每个点包括至少三个空间坐标。4.根据前述权利要求中的任一项所述的方法，其中，所述光学装置(1300)包括立体光学装置。5.根据前述权利要求中的任一项所述的方法，其中，捕获多个数据的步骤包括：通过至少一个测量装置(1200)对所述物品(20)的重量进行至少一次测量；以及通过所述用户终端(10)向所述计算机处理单元(1400)发送所测量的所述物品(20)的重量的步骤。6.根据前一权利要求所述的方法，其中，所述处理步骤包括至少以下步骤，并且优选地，所述处理步骤在生成所述物品的所述行为之前包括至少以下步骤：
·
根据所述标识符在至少一个数据库(1410)中对所述物品(20)进行标识，所述数据库(1410)包括至少与所述物品(20)的预定重量相关联的所述物品(20)的标识符；
·
从所述数据库(1410)获取所述物品(20)的所述预定重量：
i.在所述预定重量等于零或未被输入的情况下，所述计算机处理单元(1400)将所测量的所述物品(20)的重量分配为与所述数据库(1410)中的所述标识符相关联的所述预定重量；ii.在所述预定重量与零不同且被输入的情况下，所述计算机处理单元(1400)执行所述预定重量与所测量的重量的比较，以在重量差异大于预定阈值时对重量异常进行标识。7.根据前一权利要求所述的方法，其中，根据所述预定重量与所测量的重量的所述比较来执行欺诈的概率的确定，如果已经对重量异常进行标识，则该概率不为零。8.根据前述两项权利要求中的任一项所述的方法，其中，包含在所述数据库(1410)中的所述物品(20)的预定重量包括重量范围，优选地，包含在所述数据库(1410)中的所述物品(20)的预定重量包括最小预定重量和最大预定重量。9.根据前述权利要求中的任一项所述的方法，其中，确定所述物品(20)在所述三维空间中的所述轨迹的步骤包括：在选自至少以下各者的至少一个区域中跟踪所述物品(20)：所述标识区域(1321)、所述入口区域(1324)、至少一个外部区域(1322)、至少与至少一个容器(11)的入口对应的至少一个内部区域(1323)，所述入口区域(1324)将所述外部区域(1322)与所述内部区域(1323)分开。10.根据前述权利要求中的任一项所述的方法，其中，确定所述物品(20)在所述三维空间中的所述轨迹至少包括：所述物品(20)从所述三维空间的一个区域经过到达所述三维空间的另外的区域，优选地，确定所述物品(20)在所述三维空间中的所述轨迹仅包括：所述物品(20)从所述三维空间的一个区域经过到达所述三维空间的另外的区域。11.根据前述权利要求中的任一项所述的方法，其中，确定所述物品(20)的所述轨迹的步骤包括至少：确定在所述三维空间中移动的除了所述物品(20)之外的目标的轨迹，优选地，所述目标选自：手、臂、另外的物品、袋、所述用户佩戴的配饰、所述用户穿着的衣服。12.根据前一权利要求所述的方法，其中，生成所述物品(20)的所述行为的步骤包括：提及所述目标与所述物品(20)的任何超过预定阈值的接近。13.根据前述权利要求中的任一项所述的方法，其中，由所述物品(20)生成的所述行为包括由所述多个传感器检测到的至少一个事件序列，这些事件至少选自：对所述物品(20)进行标识、从所述三维空间的一个区域经过到达所述三维空间的另外的区域、测量所述物品(20)的重量、另外的目标接近所述物品(20)。14.根据前述权利要求中的任一项所述的方法，其中，捕获所述多个数据的步骤包括：由所述光学装置(1300)收集至少所述物品(20)的和至少携带所述物品(20)的所述用户的手的多个图像。15.根据前一权利要求中的任一项所述的方法，其中，所述处理步骤包括下述步骤：对多个收集的图像进行分析，以记录所述物品(20)的至少一个二维表示并且对所述用户的手是空的还是满的进行标识。16.根据前述两项权利要求中的任一项所述的方法，其中，所述处理步骤包括：将存在于所述数据库(1410)中的所述物品(20)的图像与多个收集的图像中的一个或更多个图像进行至少一次比较，以对来自所述数据库(1410)的所述物品(20)的图像与收集的所述物品(20)的图像之间的异常进行标识。17.根据前一权利要求所述的方法，其中，对所述物品(20)的图像进行比较的步骤包
括：由所述计算机处理单元(1400)对所述物品(20)进行光学识别的至少一个步骤，优选地，对所述物品(20)的图像进行比较的步骤包括：由所述计算机处理单元(1400)经由经训练的神经网络(1420)对所述物品(20)进行光学识别的至少一个步骤。18.根据前述四项权利要求中的任一项所述的方法，其中，收集多个图像的步骤包括由所述光学装置(1300)记录视频的至少一个步骤，所述视频有利地被在时间上压缩，优选地，所述视频基于多个收集的图像被在时间上压缩。19.根据前一权利要求所述的方法，其中，记录所述视频的步骤包括：在收集所述数据时插入由至少一个传感器收集的数据，所述传感器选自至少：所述标识装置(1100)、所述光学装置(1300)、所述测量装置(1200)、空间方位传感器、运动传感器，优选地，所述视频被在时间上压缩。20.根据前述权利要求中的任一项所述的方法，其中，确定所述物品(20)的所述轨迹的步骤包括至少：
·
收集多个二维图像，优选地，所述多个二维图像为有颜的；
·
收集多个三维图像。21.根据前一权利要求所述的方法，其中，由至少一个相机(1310)并由至少一个附加相机执行收集所述多个二维图像，并且其中，由至少一个立体相机(1320)执行收集所述多个三维图像。22.根据前一权利要求所述的方法，其中，所述立体相机(1320)被配置成在所述三维空间中对所述物品(20)进行空间跟踪，并且其中，所述附加相机被配置成将多个二维图像发送到至少一个神经网络(1420)，以训练所述神经网络(1420)来识别所述物品(20)的几何形状，然后当所述物品(20)离开所述立体相机(1320)的视场时，通过二维相机(1310)使用所述物品(20)的空间位置及所述物品(20)的几何形状来跟踪所述物品(20)。23.根据前一权利要求所述的方法，其中，所述二维相机(1310)包括具有大于100度的角度的物镜，并且所述二维相机(1310)被配置成：确保跟踪所述物品(20)在所述立体相机(1320)的视场之外的空间位置并收集所述物品(20)的所述几何形状的图像，然后当所述物品(20)落入所述立体相机(1320)的视场内时，通过所述立体相机(1320)并通过附加二维相机使用所述物品(20)的空间位置及所述物品(20)的几何形状来跟踪所述物品(20)。24.根据前述权利要求中的任一项所述的方法，其中，所述预定行为模型包括至少一个标准行为模型，所述至少一个标准行为模型包括至少以下事件序列：
·
对所述物品(20)进行标识；
·
从所述标识区域(1321)到所述入口区域(1324)对所述物品(20)进行跟踪；
·
从所述入口区域(1324)到所述内部区域(1321)对所述物品(20)进行跟踪。25.根据前述权利要求中的任一项所述的方法，其中，处理异常包括以下情况中的至少一者：将所述物品(20)与另外的物品(20)进行交换；将另外的物品(20)与所述物品(20)一起添加到容器(11)中；在将所述物品(20)存放在所述容器(11)中时从所述容器(20)中移除另外的物品(20)；将标识的物品(20)与另外的未标识的物品(20)进行交换；利用欺诈性标识符对物品(20)进行标识。26.根据前述权利要求中的任一项所述的方法，如果检测到重量异常，则所述方法包括以下步骤：
·
通过消息向所述用户制定移除所述物品(20)的请求，优选地通过视觉和/或音频向所述用户制定移除所述物品(20)的请求，该制定由用户接口执行，所述用户接口例如为计算机处理单元(1400)；
·
通过消息向所述用户制定再次对所述物品(20)称重以获得新重量的请求，优选地通过视觉和/或音频向所述用户制定再次对所述物品(20)称重以获得新重量的请求，该制定由用户接口执行，所述用户接口例如为计算机处理单元(1400)；
·
通过所述用户终端(10)向所述计算机处理单元(1400)发送所述物品(20)的新重量；
·
通过所述计算机处理单元(1400)对所述物品(20)的新标识符、所述物品(20)的新重量以及优选的所收集的图像进行处理，所述处理包括至少将所述预定重量与新测量的重量进行比较，以对重量异常进行标识。27.根据前述权利要求中的任一项所述的方法，如果检测到重量异常，则所述方法包括以下步骤：
·
通过消息向所述用户制定再次对所述物品(20)进行标识的请求，优选地通过视觉和/或音频向所述用户制定再次对所述物品(20)进行标识的请求，该制定由用户接口执行，所述用户接口例如为计算机处理单元(1400)；
·
通过所述用户终端(10)向所述计算机处理单元(1400)发送所述物品(20)的新标识符；
·
通过消息向所述用户制定再次对所述物品(20)称重以获得新重量的请求，优选地通过视觉和/或音频向所述用户制定再次对所述物品(20)称重以获得新重量的请求，该制定由用户接口执行，所述用户接口例如为计算机处理单元(1400)
·
通过所述用户终端(10)向所述计算机处理单元(1400)发送所述物品(20)的新重量；
·
通过所述计算机处理单元(1400)对所述物品(20)的新标识符、所述物品(20)的新重量以及优选的所收集的图像进行处理，所述处理包括至少将所述预定重量与新测量的重量进行比较，以对重量异常进行标识。28.根据前述权利要求中的任一项所述的方法，所述方法包括：通过所述光学装置(1300)以预定持续时间记录初始视频的连续步骤，所述初始视频在所述预定持续时间段结束时被擦除，除非事件被选自至少以下各者的至少一个传感器检测到：所述标识装置(1100)、所述测量装置(1200)、所述光学装置(1300)、运动传感器、空间方位传感器。29.根据前述权利要求中的任一项所述的方法，其中，仅当捕获至少一多个数据的步骤完成时才执行所述处理步骤。30.根据前述权利要求中的任一项所述的方法，所述方法包括：当欺诈的概率大于预定阈值时，将取决于所述多个数据的多个辅助数据从所述计算机处理单元(1400)发送到至少一个管理站(1600)，以便第一监管者对所述多个辅助数据进行分析。31.根据前一权利要求所述的方法，其中，如果欺诈情况是由所述第一监监管者确认的，则将所述多个辅助数据发送到至少一个移动分析装置(1700)，以便第二监管者对所述多个辅助数据进行分析并向所述用户移动，优选地，所述至少一个移动分析装置(1700)与所述用户终端(10)位于同一建筑物中。32.根据前述权利要求中的任一项所述的方法，其中，所述多个辅助数据包括以下数据中的至少一者：所述物品(20)的标识符、所述物品(20)的重量、所述物品(20)的原始图像、
多个收集的图像中的一个或更多个图像、视频，优选地，所述视频被在时间上压缩。33.一种用于在由用户购买商店中的至少一个物品的情况下对至少一个欺诈进行检测的系统(1000)，所述系统(1000)包括至少：
·
用户终端(10)，所述用户终端(10)包括至少：i.标识装置(1100)，所述标识装置(1100)被配置成当用户在所述标识装置(1100)附近经过所述物品时对所述物品(20)进行标识，优选地，所述标识装置(1100)被配置成当用户在所述标识装置(1100)一米内经过物品时对所述物品(20)进行标识；ii.测量装置(1200)，所述测量装置(1200)被配置成测量所述物品(20)的重量：iii.光学装置(1300)，所述光学装置(1300)被配置成至少确定由所述用户手动移动的所述物品(20)在三维空间中的至少一个轨迹：
·
计算机处理单元(1400)，所述计算机处理单元(1400)至少与所述用户终端(10)通信，所述计算机处理单元(1400)远离或不远离所述用户终端(10)，并且所述计算机处理单元(1400)被配置成：i.至少根据所述物品(20)在所述三维空间中的所述轨迹生成所述物品的至少一个行为；ii.将所述物品(20)的所述行为与多个预定行为模型进行比较，以对处理异常进行标识；从而根据所述行为比较来确定欺诈的概率，如果已经对处理异常进行标识，则该概率不为零。34.根据前一权利要求所述的系统(1000)，其中，所述计算机处理单元(1400)还与数据库(1410)通信，所述数据库(1410)包括与所述物品(20)的预定重量相关联的所述物品(20)的标识符。35.根据前述权利要求所述的系统(1000)，其中，所述计算机处理单元(1400)还被配置成：
·
将从所述数据库(1410)获取的所述物品(20)的所述预定重量与所测量的重量进行比较，使得如果重量差异大于预定阈值，则对重量异常进行标识；
·
根据所述重量比较确定欺诈的概率，如果已经对重量异常进行标识，则该概率不为零。36.根据前述三项权利要求中的任一项所述的系统(1000)，其中，所述用户终端(10)是移动推车(10)。37.根据前一权利要求所述的系统(1000)，其中，所述计算机处理单元(1400)的至少一部分嵌入所述移动推车(10)中。38.根据权利要求33至35中的任一项所述的系统(1000)，其中，所述用户终端(10)是固定终端。39.根据前述六项权利要求中的任一项所述的系统(1000)，其中，所述计算机处理单元(1400)与至少一个分类模块(1420)通信，所述至少一个分类模块(1420)包括至少一个神经网络，所述至少一个神经网络被训练以基于发送到所述计算机处理单元(1400)的数据对欺诈情况进行检测。40.根据前述七项权利要求中的任一项所述的系统(1000)，其中，所述用户终端(10)包
括至少一个显示装置(12)，所述至少一个显示装置(12)被配置成显示至少所述物品(20)的标识符和/或重量。41.一种计算机程序产品，所述计算机程序产品包括指令，所述指令在由至少一个处理器执行时，执行至少根据权利要求1至32中的任一项所述的方法的步骤。

技术总结

本发明涉及一种用于在由至少一个用户购买至少一个物品(20)的情况下对欺诈进行检测的方法，该方法至少涉及：

技术研发人员：

迪伦

受保护的技术使用者：

KNAP公司

技术研发日：

2020.12.03

技术公布日：

2022/9/2