CN108288073A - 图片真伪识别方法及装置、计算机可读存储介质 - Google Patents

Abstract

本公开关于一种图片真伪识别方法及装置、计算机可读存储介质，该方法包括：获取待识别图像的区域图像；对所述区域图像的高频分量进行特征提取，获得局部图像特征；根据所述局部图像特征，通过线性分类器进行图像分类识别，获得真伪识别结果，所述线性分类器是以不同类型真伪图像的局部图像特征为样本，经过深度学习训练建立的。本公开提供的方案，能够准确有效地对待识别图像进行真伪识别。

Description

图片真伪识别方法及装置、计算机可读存储介质

技术领域

本公开涉及图像处理领域，尤其涉及一种图片真伪识别方法及装置、计算机可读存储介质。

背景技术

随着互联网的不断发展，其在人们工作和生活中发挥的功能越来越多，例如，互联网金融，互联网支付等。同时，在互联网为我们实现更多方便的同时，也会带来安全问题，例如，互联网金融诈骗等。对此，越来越多的互联网业务都需要对用户进行身份认证，例如，进行实名制认证。

具体的认证流程为，用户需要向提供互联网业务的中心上传身份凭证的电子图片以便进行身份核实，例如，该用户的身份证照片，用户可以通过拍摄获得该电子图片。此外，出于安全性的考虑，通常需要用户提供原件的电子照片。但有一些用户会通过二次拍照的手段蒙混过关，以身份证举例来说，用户可以对身份证复印件或者扫描件拍照，或对着电脑屏幕上的身份证照片进行二次拍照获得与原件照片相似的电子图片，规避用户身份认证。

针对上述情况，目前还没有有效的解决方案，因此亟需一种图片真伪识别方案来解决上述问题。

发明内容

本公开提供一种图片真伪识别方法及装置、计算机可读存储介质。所述技术方案如下：

根据本公开实施例的第一方面，提供一种图片真伪识别方法，该图片真伪识别方法包括：获取待识别图像的区域图像；对所述区域图像的高频分量进行特征提取，获得局部图像特征；根据所述局部图像特征，通过线性分类器进行图像分类识别，获得真伪识别结果，所述线性分类器是以不同类型真伪图像的局部图像特征为样本，经过深度学习训练建立的。

根据本公开实施例的第二方面，提供一种图片真伪识别装置，该图片真伪识别装置包括：获取模块，被配置为获取待识别图像的区域图像；第一提取模块，被配置为对所述区域图像的高频分量进行特征提取，获得局部图像特征；识别模块，被配置为根据所述局部图像特征，通过线性分类器进行图像分类识别，获得真伪识别结果，所述线性分类器是以不同类型真伪图像的局部图像特征为样本，经过深度学习训练建立的。

根据本公开实施例的第三方面，提供一种图片真伪识别装置，该图片真伪识别装置包括：处理器；用于存储计算机程序的存储器；其中，所述处理器运行如前所述的方法的步骤。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如前所述的方法的步骤。

本公开实施例提供的技术方案可以包括以下有益效果：

当需要进行图片真伪识别时，首先获取待识别图像的区域图像，从区域图像中的高频分量中提取出局部图像特征，基于该局部图像特征通过预先训练的线性分类器进行分类识别，获得识别结果，实现图片真伪识别。本方案基于区域图像中高频分量的局部图像特征进行真伪识别，可以理解，二次拍照获得的电子图片其高频分量往往会丢失，呈现与正常拍摄不同的图像特征，本方案利用伪图像高频分量的图像特征进行分类识别，能够准确有效地对待识别图像进行真伪识别。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1A是根据一示例性实施例示出的图片真伪识别方法的流程图；

图1B为待识别图像位置检测的效果示意图；

图1C为获得的待识别图像的区域图像；

图1D～图1E是根据一示例性实施例示出的图片真伪识别方法的流程图；

图1F为确定角点所在图像块的流程图；

图2A～图2B是根据一示例性实施例示出的图片真伪识别方法的流程图；

图3是根据一示例性实施例示出的一种图片真伪识别装置的结构图；

图4A～图4B是根据一示例性实施例示出的图片真伪识别装置的结构图；

图5是根据一示例性实施例示出的一种图片真伪识别装置的框图；

图6是根据一示例性实施例示出的一种用于执行图片真伪识别方法的装置600的框图。

此处的附图被并入说明书中并构成说明书的一部分，示出了符合本公开的实施例，并与说明书仪器用于解释本发明的原理。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的例子。

图1A是根据一示例性实施例示出的一种图片真伪识别方法的流程图，如图1A所示，本实施例以该图片真伪识别方法应用于图片真伪识别装置中来举例说明，该图片真伪识别方法可以包括如下几个步骤：

在步骤101中，获取待识别图像的区域图像；

在步骤102中，对所述区域图像的高频分量进行特征提取，获得局部图像特征；

在步骤103中，根据所述局部图像特征，通过线性分类器进行图像分类识别，获得真伪识别结果。

其中，所述线性分类器是以不同类型真伪图像的局部图像特征为样本，经过深度学习训练建立的。在实际应用中，该图片真伪识别装置可以为存储有相关执行代码的介质，例如，U盘等；或者，该图片真伪识别装置还可以为集成或安装有相关执行代码的实体装置，例如，芯片、智能电子设备、计算机等。

结合实际场景举例来说：实际应用中，当接收到某输入图像时可以自动触发执行本方案。具体的，首先获取待识别图像的区域图像，所述待识别图像是指需要进行真伪鉴别的图像；后续，对获取到的区域图像中的高频分量进行特征提取，获得局部图像特征。具体的，图像频谱的频率的大小表征图像频谱的变化剧烈程度，这里所说的高频分量指图像频谱中的高频部分对应的图像，通常为图像的边缘结构。根据该局部图像特征，通过进行图像分类识别，获得识别结果。可选的，可以采用Softmax分类器或支持向量机(Support VectorMachine，简称SVM)等线性分类器进行分类识别，上述分类器可以基于本方案针对真伪图片的图像特征预先训练学习，具体的，可以预先采集大量不同类型的真伪图像，例如，身份证、护照等；对这些真伪图像的高频分量进行特征提取获得大量图像的局部图像特征，以这些真伪图像的局部图像特征为样本，对线性分类器进行深度学习的训练，以建立经过训练的线性分类器，后续根据当前待识别图像的局部图像特征，通过该线性分类器进行图像分类识别，获得真伪识别结果。

可以理解，由于二次拍照获得的图像中的高频分量会存在丢失，并且会有颗粒感，颜色分布也不均匀，本方案通过提取待识别图像的区域图像中高频分量的图像特征进行分类识别，能够准确有效地识别图像真伪。

根据不同情况，所述待识别图像的区域图像可以是输入图像的一部分，也可以是输入图像，具体视待识别图像在输入图像中的占比确定。以待识别图像为身份证为例，假设输入图像中除了拍摄有身份证以外，还拍摄有其它非身份证的物品，例如，银行卡等，则待识别图像为输入图像的一部分；假设输入图像被用户拍摄的身份证占满，则可确定输入图像为该待识别图像的区域图像。

可选的，获取待识别图像的区域图像可以通过多种方案实现，举例来说，在任一实施方式的基础上，步骤101具体可以包括：

获取输入图像，根据待识别图像的类型，检测识别出所述输入图像中待识别图像的位置区域；

根据所述待识别图像的位置区域，获取所述待识别图像的区域图像。

结合实际场景举例来说：在获取输入图像后，首先可以检测识别出待识别图像的位置区域，举例来说，如图1B所示，图1B为待识别图像位置检测的效果示意图，如图所示，输入图像中待识别图像周围的虚线框为检测识别出的待识别图像的位置区域。基于该待识别图像的位置区域，即可获取待识别图像的区域图像。

具体的，待识别图像的位置区域的检测识别同样可以通过多种方式实现，举例来说，可以基于Adaboost迭代算法或Faster RCNN方法实现。其中，Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。使用Adaboost算法可以排除一些不必要的训练数据特征，提高位置区域检测识别的效率。

可选的，识别检测出待识别图像的位置区域后，可以直接将位置区域内的图像作为待识别图像的区域图像，相应的，可以将位置区域内的图像裁剪出来。或者，为了得到完整的位置区域，可以将识别检测获得的位置区域适当扩大，相应的，在上一实施方式的基础上，所述根据所述待识别图像的位置，获取所述待识别图像的区域图像，具体可以包括：

按照预设的扩大值，将所述待识别图像的位置区域向四周扩大，获得扩大后的位置区域；

裁剪获得并将所述扩大后的位置区域内的图像，作为所述待识别图像的区域图像。

其中，扩大值可以根据需要设定。具体的，通过将识别检测出的位置区域进行适当扩大获得扩大后的位置区域，并基于扩大后的位置区域获取区域图像，能够保证待识别图像的区域图像的完整性，从而提高识别的准确性。举例来说，基于本实施方式，如图1C所示，图1C为获得的待识别图像的区域图像。

获得待识别图像的区域图像后，可以对其中的高频分量进行特征提取，具体提取的方法可以有多种，例如，使用卷积神经网络(Convolutional Neural Network，简称CNN网络)进行特征提取。实际应用中，图像的高频分量通常为图像的边缘结构。

可选的，作为一种可实施的方式，所述高频分量可以为区域图像中待识别图像的边缘。相应的，如图1D所示，在任一实施方式的基础上，步骤102具体可以包括：

步骤1021：确定所述待识别图像的目标特征，所述目标特征包括边缘特征；

步骤1022：对所述目标特征所在的图像块进行特征提取，获得所述局部图像特征。

具体的，本实施方式中将待识别图像的边缘作为区域图像中的高频分量。在获取待识别图像的区域图像后，通过对区域图像进行边缘检测，确定出待识别图像的边缘，进而对边缘所在的图像块进行特征提取，获得局部图像特征。其中，所述边缘所在的图像块指的是包括有边缘的图像区域，该图像区域的大小可以预先设定，例如，以待识别图像的边缘为中心向两侧扩展一定距离确定一定区域，该区域内的图像即为边缘所在的图像块。

本实施方式中，将待识别图像的边缘作为区域图像的高频分量，提取出相应的局部图像特征进行分类识别，从而实现图片真伪识别。

再可选的，作为另一种可实施的方式，所述高频分量可以为区域图像中待识别图像的角点。相应的，如图1E所示，在任一实施方式的基础上，步骤102具体可以包括：

步骤1023：确定所述待识别图像的目标特征，所述目标特征包括角点特征；

步骤1024：对所述目标特征所在的图像块进行特征提取，获得所述局部图像特征。

具体的，本实施方式中将待识别图像的角点作为区域图像中的高频分量。其中，所述角点为待识别图像边缘的顶点，以矩形图像为例，其角点即为矩形的四个顶点。本实施方式在获取待识别图像的区域图像后，通过对区域图像进行角点检测，确定出待识别图像的角点，进而对角点所在的图像块进行特征提取，获得局部图像特征。其中，所述角点所在的图像块指的是包括有角点的图像区域，该图像区域的大小同样可以预先设定，例如，可以以待识别图像的角点为中心向周围扩展一定距离确定出图像块的区域，该区域内的图像即为角点所在的图像块。举例来说，图1F为确定角点所在图像块的流程图，图中的实心圆表示待识别图像的角点，包围角点的实线框表示角点所在的图像块。可以理解，由于角点的特征更加明显，因此检测识别的速度更快，并且角点的图像特征数据量更少，因此能够进一步提高图片识别的效率。

本实施方式中，将待识别图像的角点作为区域图像的高频分量，提取出相应的局部图像特征进行分类识别，从而实现图片真伪识别。

需要说明的是，上述获得局部图像特征的实施方式可以单独实施，也可以结合实施，所述待识别图像的目标特征包括以下至少一项：角点特征、边缘特征。实际应用中，上述检测边缘或角点，以及特征提取均可通过CNN网络实现，执行不同功能的CNN网络可以预先训练完成。

本实施例提供的图片真伪识别方法，当需要进行图片真伪识别时，首先获取待识别图像的区域图像，从区域图像中的高频分量中提取出局部图像特征，基于该局部图像特征通过预先训练的线性分类器进行分类识别，获得识别结果，实现图片真伪识别。本方案基于区域图像中高频分量的局部图像特征进行真伪识别，可以理解，二次拍照获得的电子图片其高频分量往往会丢失，呈现与正常拍摄不同的图像特征，本方案利用伪图像高频分量的图像特征进行分类识别，能够准确有效地对待识别图像进行真伪识别。

此外，除了基于上述高频分量的图像特征进行识别外，还可以结合待识别图像的整体特征进一步进行识别。图2A是根据一示例性实施例示出的一种图片真伪识别方法的流程图，如图2A所示，本实施例仍以该图片真伪识别方法应用于图片真伪识别装置中来举例说明，在任一实施方式的基础上，在步骤101之后，还可以包括：

在步骤201中，对所述区域图像进行特征提取，获得整体图像特征；

相应的，步骤103具体可以包括：

在步骤1031中，将所述整体图像特征和所述局部图像特征进行特征拼接，获得拼接后的图像特征；

在步骤1032中，通过线性分类器对所述拼接后的图像特征进行图像分类识别，获得真伪识别结果。

在实际应用中，该图片真伪识别装置可以为存储有相关执行代码的介质，例如，U盘等；或者，该图片真伪识别装置还可以为集成或安装有相关执行代码的实体装置，例如，芯片、智能电子设备、计算机等。

结合实际场景举例来说：首先获取待识别图像的区域图像，之后对所述区域图像进行特征提取，获得整体图像特征。可选的，提取整体图像特征同样可以通过CNN网络实现，该CNN网络可以预先训练。后续，将整体图像特征与局部图像特征进行特征拼接，得到拼接后的图像特征，并对该拼接后的图像特征进行分类识别，获得真伪识别结果。实际应用中，进行图像拼接的方法可以有多种，具体可以参考目前的图像拼接技术，在此不再赘述。

本实施方式，结合高频分量对应的局部图像特征和区域图像的整体图像特征进行真伪识别，能够更加充分地考虑真伪图片的特征，进一步提高真伪图像识别的准确性和可靠性。

此外，优选的，如图2B所示，图2B是根据一示例性实施例示出的另一种图片真伪识别方法的流程图，在图2A所示实施方式的基础上，在步骤1032之前，还可以包括：

步骤202：对拼接后的图像特征进行PCA降维处理。

具体的，拼接获得的图像特征的数据量较大，因此可以通过降维处理，进一步减小需要处理的数据量，可选的，可以采用主成分分析(principal component analysis，简称PCA)降维算法进行降维处理。以实际场景举例来说，在获取待识别图像的区域图像后，提取区域图像的图像特征获得整体图像特征，提取区域图像中高频分量的图像特征获得局部图像特征，将整体图像特征和局部图像特征进行拼接，并对拼接获得的图像特征进行降维处理，最后对经过降维处理后的图像特征进行分类识别，获得识别结果。

本实施例提供的图片真伪识别方法，当需要进行图片真伪识别时，首先获取待识别图像的区域图像，分别从区域图像和区域图像中的高频分量中提取出整体图像特征和局部图像特征，将两者进行特征拼接，并基于拼接获得的图像特征通过预先训练的线性分类器进行分类识别，获得识别结果，实现图片真伪识别。并且本方案基于区域图像中高频分量的局部图像特征结合整体图像特征进行真伪识别，可以进一步全面充分的考虑图像特征，更加准确有效地对待识别图像进行真伪识别。

图3是根据一示例性实施例示出的一种图片真伪识别装置的结构图，如图3所示，该图片真伪识别装置可以包括：

获取模块31，被配置为获取待识别图像的区域图像；

第一提取模块32，被配置为对所述区域图像的高频分量进行特征提取，获得局部图像特征；

识别模块33，被配置为根据所述局部图像特征，通过线性分类器进行图像分类识别，获得真伪识别结果，所述线性分类器是以不同类型真伪图像的局部图像特征为样本，经过深度学习训练建立的。

在实际应用中，该图片真伪识别装置可以为存储有相关执行代码的介质，例如，U盘等；或者，该图片真伪识别装置还可以为集成或安装有相关执行代码的实体装置，例如，芯片、智能电子设备、计算机等。

结合实际场景举例来说：实际应用中，当接收到某输入图像时可以自动触发获取模块31。获取模块31获取待识别图像的区域图像，第一提取模块32对获取到的区域图像中的高频分量进行特征提取，获得局部图像特征。识别模块33根据该局部图像特征，通过进行图像分类识别，获得识别结果。可选的，识别模块33可以采用Softmax分类器或SVM分类器等线性分类器进行分类识别。

可选的，获取模块31获取待识别图像的区域图像可以通过多种方案实现，举例来说，在任一实施方式的基础上，获取模块31可以包括：位置检测单元，被配置为获取输入图像，根据待识别图像的类型，检测识别出所述输入图像中待识别图像的位置区域；获取单元，被配置为根据所述待识别图像的位置区域，获取所述待识别图像的区域图像。

结合实际场景举例来说：在获取输入图像后，位置检测单元可以检测识别出待识别图像的位置区域。获取单元基于该待识别图像的位置区域，即可获取待识别图像的区域图像。举例来说，位置检测单元可以基于Adaboost迭代算法或Faster RCNN方法进行待识别图像的位置区域的检测。

可选的，位置检测单元识别检测出待识别图像的位置区域后，可以直接将位置区域内的图像作为待识别图像的区域图像。或者，为了得到完整的位置区域，位置检测单元可以将识别检测获得的位置区域适当扩大，相应的，在上一实施方式的基础上，所述获取单元可以包括：扩大子单元，被配置为按照预设的扩大值，将所述待识别图像的位置区域向四周扩大，获得扩大后的位置区域；裁剪子单元，被配置为裁剪获得并将所述扩大后的位置区域内的图像，作为所述待识别图像的区域图像。

其中，扩大值可以根据需要设定。具体的，通过将识别检测出的位置区域进行适当扩大获得扩大后的位置区域，并基于扩大后的位置区域获取区域图像，能够保证待识别图像的区域图像的完整性，从而提高识别的准确性。

第一提取模块32对高频分量进行特征提取的方法可以有多种，例如，使用CNN网络进行特征提取。

可选的，作为一种可实施的方式，所述高频分量可以为区域图像中待识别图像的角点。相应的，在任一实施方式的基础上，第一提取模块32包括：

检测单元，被配置为确定所述待识别图像的目标特征，所述目标特征包括角点特征；

提取单元，被配置为对所述目标特征所在的图像块进行特征提取，获得所述局部图像特征。

具体的，在获取模块31获取待识别图像的区域图像后，检测单元通过对区域图像进行角点检测，确定出待识别图像的角点，提取单元对角点所在的图像块进行特征提取，获得局部图像特征。

本实施方式中，将待识别图像的角点作为区域图像的高频分量，提取出相应的局部图像特征进行分类识别，从而实现图片真伪识别。

再可选的，作为另一种可实施的方式，所述高频分量可以为区域图像中待识别图像的边缘。相应的，在任一实施方式的基础上，第一提取模块32包括：

检测单元，被配置为确定所述待识别图像的目标特征，所述目标特征包括边缘特征；

提取单元，被配置为对所述目标特征所在的图像块进行特征提取，获得所述局部图像特征。

具体的，在获取模块31获取待识别图像的区域图像后，检测单元对区域图像进行边缘检测，确定出待识别图像的边缘，提取单元对边缘所在的图像块进行特征提取，获得局部图像特征。

本实施方式中，将待识别图像的边缘作为区域图像的高频分量，提取出相应的局部图像特征进行分类识别，从而实现图片真伪识别。

需要说明的是，上述获得局部图像特征的实施方式可以单独实施，也可以结合实施，所述待识别图像的目标特征包括以下至少一项：角点特征、边缘特征。实际应用中，上述检测边缘或角点，以及特征提取均可通过CNN网络实现，执行不同功能的CNN网络可以预先训练完成。

本实施例提供的图片真伪识别装置，当需要进行图片真伪识别时，首先获取待识别图像的区域图像，从区域图像中的高频分量中提取出局部图像特征，基于该局部图像特征通过预先训练的线性分类器进行分类识别，获得识别结果，实现图片真伪识别。本方案基于区域图像中高频分量的局部图像特征进行真伪识别，可以理解，二次拍照获得的电子图片其高频分量往往会丢失，呈现与正常拍摄不同的图像特征，本方案利用伪图像高频分量的图像特征进行分类识别，能够准确有效地对待识别图像进行真伪识别。

此外，除了基于上述高频分量的图像特征进行识别外，还可以结合待识别图像的整体特征进一步进行识别。图4A是根据一示例性实施例示出的一种图片真伪识别装置的结构图，如图4A所示，在任一实施方式的基础上，所述装置还包括：

第二提取模块41，被配置为对所述区域图像进行特征提取，获得整体图像特征；

识别模块33包括：

拼接单元331，被配置为将所述整体图像特征和所述局部图像特征进行特征拼接，获得拼接后的图像特征；

识别单元332，被配置为通过线性分类器对所述拼接后的图像特征进行图像分类识别，获得真伪识别结果。

结合实际场景举例来说：获取模块31获取待识别图像的区域图像，第二提取模块41对所述区域图像进行特征提取，获得整体图像特征。第一提取模块32获得高频分量的局部图像特征，拼接单元331将整体图像特征与局部图像特征进行特征拼接，得到拼接后的图像特征，识别单元332对该拼接后的图像特征进行分类识别，获得真伪识别结果。

本实施方式，结合高频分量对应的局部图像特征和区域图像的整体图像特征进行真伪识别，能够更加充分地考虑真伪图片的特征，进一步提高真伪图像识别的准确性和可靠性。

此外，优选的，如图4B所示，在图4A所示实施方式的基础上，识别模块33还包括：

降维单元42，被配置为在所述识别单元对拼接后的图像特征进行图像分类识别之前，对拼接后的图像特征进行主成分分析PCA降维处理。

具体的，拼接获得的图像特征的数据量较大，因此可以通过降维处理，进一步减小需要处理的数据量，可选的，可以采用PCA降维算法进行降维处理。

本实施例提供的图片真伪识别装置，当需要进行图片真伪识别时，首先获取待识别图像的区域图像，分别从区域图像和区域图像中的高频分量中提取出整体图像特征和局部图像特征，将两者进行特征拼接，并基于拼接获得的图像特征通过预先训练的线性分类器进行分类识别，获得识别结果，实现图片真伪识别。并且本方案基于区域图像中高频分量的局部图像特征结合整体图像特征进行真伪识别，可以进一步全面充分的考虑图像特征，更加准确有效地对待识别图像进行真伪识别。

以上描述的图片真伪识别装置用于执行上述的图片真伪识别方法。

如图5所示，图5是根据一示例性实施例示出的一种图片真伪识别装置的框图，如图5所示，该图片真伪识别装置可实现为：

处理器；

用于存储计算机程序的存储器；

其中，所述处理器运行所述计算机程序执行如前述任一实施例所述的图片真伪识别方法的步骤。

图6是根据一示例性实施例示出的一种用于执行图片真伪识别方法的装置600的框图。例如，装置600可以被提供为一服务器。参照图6，装置600包括处理组件622，其进一步包括一个或多个处理器，以及由存储器632所代表的存储器资源，用于存储可由处理组件622的执行的指令，例如应用程序。存储器632中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件622被配置为执行指令，以执行上述图片真伪识别方法。

装置600还可以包括一个电源组件626被配置为执行装置600的电源管理，一个有线或无线网络接口650被配置为将装置600连接到网络，和一个输入输出(I/O)接口658。装置600可以操作基于存储在存储器632的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由图片真伪识别装置的处理器执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一实施例所述的图片真伪识别方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述图片真伪识别装置的具体工作过程，可以参考前述方法实施例中的对应过程。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种图片真伪识别方法，其特征在于，包括：

获取待识别图像的区域图像；

对所述区域图像的高频分量进行特征提取，获得局部图像特征；

根据所述局部图像特征，通过线性分类器进行图像分类识别，获得真伪识别结果，所述线性分类器是以不同类型真伪图像的局部图像特征为样本，经过深度学习训练建立的。

2.根据权利要求1所述的方法，其特征在于，所述对所述区域图像的高频分量进行特征提取，获得局部图像特征，包括：

确定所述待识别图像的目标特征，所述目标特征包括以下至少一项：角点特征、边缘特征；

对所述目标特征所在的图像块进行特征提取，获得所述局部图像特征。

3.根据权利要求1所述的方法，其特征在于，所述获取待识别图像的区域图像之后，还包括：

对所述区域图像进行特征提取，获得整体图像特征；

所述根据所述局部图像特征，通过线性分类器进行图像分类识别，获得真伪识别结果，包括：

将所述整体图像特征和所述局部图像特征进行特征拼接，获得拼接后的图像特征；

对拼接后的图像特征进行主成分分析PCA降维处理；

通过线性分类器对所述拼接后的图像特征进行图像分类识别，获得真伪识别结果。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述获取待识别图像的区域图像，包括：

获取输入图像，根据待识别图像的类型，检测识别出所述输入图像中待识别图像的位置区域；

按照预设的扩大值，将所述待识别图像的位置区域向四周扩大，获得扩大后的位置区域；

裁剪获得并将所述扩大后的位置区域内的图像，作为所述待识别图像的区域图像。

5.一种图片真伪识别装置，其特征在于，包括：

获取模块，被配置为获取待识别图像的区域图像；

第一提取模块，被配置为对所述区域图像的高频分量进行特征提取，获得局部图像特征；

识别模块，被配置为根据所述局部图像特征，通过线性分类器进行图像分类识别，获得真伪识别结果，所述线性分类器是以不同类型真伪图像的局部图像特征为样本，经过深度学习训练建立的。

6.根据权利要求5所述的装置，其特征在于，所述第一提取模块包括：

检测单元，被配置为确定所述待识别图像的目标特征，所述目标特征包括以下至少一项：角点特征、边缘特征；

提取单元，被配置为对所述目标特征所在的图像块进行特征提取，获得所述局部图像特征。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括：

第二提取模块，被配置为对所述区域图像进行特征提取，获得整体图像特征；

所述识别模块包括：

拼接单元，被配置为将所述整体图像特征和所述局部图像特征进行特征拼接，获得拼接后的图像特征；

降维单元，被配置为对拼接后的图像特征进行主成分分析PCA降维处理；

识别单元，被配置为通过线性分类器对所述拼接后的图像特征进行图像分类识别，获得真伪识别结果。

8.根据权利要求5-7中任一项所述的装置，其特征在于，所述获取模块包括：

位置检测单元，被配置为获取输入图像，根据待识别图像的类型，检测识别出所述输入图像中待识别图像的位置区域；

扩大子单元，被配置为按照预设的扩大值，将所述待识别图像的位置区域向四周扩大，获得扩大后的位置区域；

裁剪子单元，被配置为裁剪获得并将所述扩大后的位置区域内的图像，作为所述待识别图像的区域图像。

9.一种图片真伪识别装置，其特征在于，包括：

处理器；

用于存储计算机程序的存储器；

其中，所述处理器运行所述计算机程序执行如权利要求1-4任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4任一项所述方法的步骤。