CN109815960A - 基于深度学习的翻拍图像识别方法、装置、设备及介质 - Google Patents
基于深度学习的翻拍图像识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109815960A CN109815960A CN201811574878.0A CN201811574878A CN109815960A CN 109815960 A CN109815960 A CN 109815960A CN 201811574878 A CN201811574878 A CN 201811574878A CN 109815960 A CN109815960 A CN 109815960A
- Authority
- CN
- China
- Prior art keywords
- image
- reproduction
- gray level
- feature
- reproduction image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 50
- 238000003909 pattern recognition Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的翻拍图像识别方法、装置、设备及介质。所述方法包括：获取待识别图像；对待识别图像进行灰度化处理，得到灰度图像后，开启第一线程和第二线程；通过第一线程对灰度图像进行标准化处理，并获取灰度图像的方向梯度直方图特征；通过第二线程对灰度图像进行预处理，并获取灰度图像的局部二值模式特征；根据灰度图像的方向梯度直方图特征和局部二值模式特征生成待识别数组，将该待识别数组输入翻拍图像识别模型中，并接收翻拍图像识别模型输出的识别结果，该识别结果包括该图为翻拍图像和该图为非翻拍图像。本发明提高了特征提取的速度和效率，同时还提高了图像的识别速度、识别准确率以及识别效率。
Description
技术领域
本发明涉及深度学习领域，具体涉及一种基于深度学习的翻拍图像识别方法、装置、设备及介质。
背景技术
随着信用社会的发展，越来越多的应用场景(比如：涉及金融、保险、安防的应用场景)需要通过证件识别、人脸识别对用户身份进行验证。而现有的身份验证系统为了简化识别流程，降低专用设备的采购成本，通过获取人脸或证件的图像来验证用户身份，于是便出现通过使用翻拍照片欺骗身份验证系统完成身份验证的情况。
目前为了防止这种缺陷，通过图片局部二值模式(LBP，Local Binary Pattern)特征以及支持向量机(SVM，Support Vector Machine)的分类算法对获取的图像进行识别，判断该图像是否为翻拍照片，若获取的图像为翻拍照片，则无法通过身份验证。然而，翻拍识别准确率在80％左右，且处理速度慢；对于一些特定的对象，如Mac屏幕(苹果公司推出的一种电脑屏幕)，翻拍识别准确率更低。
发明内容
本发明提供一种基于深度学习的翻拍图像识别方法、装置、设备及介质，有利于提高图像的识别效率和识别准确率。
一种基于深度学习的翻拍图像识别方法，包括：
获取待识别图像；
对所述待识别图像进行灰度化处理，得到灰度图像后，开启用于获取所述灰度图像的特征参数的特征提取线程；所述特征参数包括方向梯度直方图特征和局部二值模式特征；所述特征提取线程包括第一线程和第二线程；
通过所述第一线程对所述灰度图像进行标准化处理，并获取所述灰度图像的方向梯度直方图特征；
通过所述第二线程对所述灰度图像进行预处理，并获取所述灰度图像的局部二值模式特征；
根据获取的所述方向梯度直方图特征和所述局部二值模式特征生成待识别数组，将所述待识别数组输入预设的翻拍图像识别模型，并接收所述翻拍图像识别模型输出的识别结果；所述识别结果包括该图为翻拍图像和该图为非翻拍图像。
一种基于深度学习的翻拍图像识别装置，包括：
获取模块，用于获取待识别图像；
开启模块，用于对所述待识别图像进行灰度化处理，得到灰度图像后，开启用于获取所述灰度图像的特征参数的特征提取线程；所述特征参数包括方向梯度直方图特征和局部二值模式特征；所述特征提取线程包括第一线程和第二线程；
第一线程模块，用于通过所述第一线程对所述灰度图像进行标准化处理，并获取所述灰度图像的方向梯度直方图特征；
第二线程模块，用于通过所述第二线程对所述灰度图像进行预处理，并获取所述灰度图像的局部二值模式特征；
识别模块，用于根据获取的所述方向梯度直方图特征和所述局部二值模式特征生成待识别数组，将所述待识别数组输入预设的翻拍图像识别模型，并接收所述翻拍图像识别模型输出的识别结果；所述识别结果包括该图为翻拍图像和该图为非翻拍图像。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述基于深度学习的翻拍图像识别方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述基于深度学习的翻拍图像识别方法。
本发明提供的基于深度学习的翻拍图像识别方法、装置、设备及介质，在检测到获取的待识别图像为灰度图像之后，首先通过第一线程和第二线程分别获取所述待识别图像的方向梯度直方图特征和局部二值模式特征，再根据灰度图像的方向梯度直方图特征和局部二值模式特征生成待识别数组，将该待识别数组输入至训练好的翻拍图像识别模型中，并接收所述翻拍图像识别模型输出的识别结果，从而确定所述待识别图像是否为翻拍图像，第一线程和第二线程互不干扰，有利于提高特征提取的速度和效率；同时还提高了图像的识别速度、识别准确率以及识别效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于深度学习的翻拍图像识别方法的应用环境示意图；
图2是本发明一实施例中基于深度学习的翻拍图像识别方法的流程图；
图3是本发明另一实施例中基于深度学习的翻拍图像识别方法的流程图；
图4是本发明一实施例中基于深度学习的翻拍图像识别方法的步骤S30的流程图；
图5是本发明一实施例中基于深度学习的翻拍图像识别方法的步骤S30中的方向直方图；
图6是本发明一实施例中基于深度学习的翻拍图像识别方法的步骤S40的流程图；
图7是本发明一实施例中基于深度学习的翻拍图像识别方法的步骤S80的流程图；
图8是本发明一实施例中基于深度学习的翻拍图像识别装置的原理框图；
图9是本发明另一实施例中基于深度学习的翻拍图像识别装置的原理框图；
图10是本发明一实施例中基于深度学习的翻拍图像识别装置的第一线程模块的原理框图；
图11是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的基于深度学习的翻拍图像识别方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务器进行通信。其中，客户端包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种基于深度学习的翻拍图像识别方法，以该方法应用在图1中的服务器为例进行说明，包括以下步骤：
S10、获取待识别图像。
其中，所述待识别图像是指需要进行翻拍识别的图像，且所述待识别图像可以包含用于调取该待识别图像的唯一标识。
在本实施例的一方面，接收用户发送的待识别图像，此时，所述待识别图像为预先存储在客户端的存储器中。在本实施例的另一方面，可以根据所述唯一标识调用数据库中的待识别图像，此时，所述待识别图像通过与服务器连接的拍摄设备实时采集并存储在服务器对应的数据库中。
S20、对所述待识别图像进行灰度化处理，得到灰度图像后，开启用于获取所述灰度图像的特征参数的特征提取线程；所述特征参数包括方向梯度直方图特征和局部二值模式特征；所述特征提取线程包括第一线程和第二线程。
其中，所述灰度图像是指每个像素只有一种采样颜色的图像，在本实施例中，灰度图像中仅包含黑白色，但在在黑色与白色之间存在许多级的颜色深度。
其中，所述特征参数包括但不限定于所述方向梯度直方图(HOG，Histogram ofOriented Gradient)特征和所述局部二值模式(LBP，Local Binary Pattern)特征等；所述特征提取线程包括但不限定于第一线程和第二线程。
在本实施例中，所述方向梯度直方图特征用于描述图像中的局部目标的表象以及形状；所述局部二值模式特征用于描述图像的局部纹理，且可以反映待识别图像的灰度信息的分布规律。
且在本实施例中，所述第一线程主要用于提取所述灰度图像的方向梯度直方图特征；所述第二线程主要用于提取所述灰度图像的局部二值模式特征。可理解的，所述第一线程和所述第二线程可以同时启动以同时提取所述灰度图像的方向梯度直方图特征和局部二值模式特征，亦可以其中某线程优先启动以优选提取所述灰度图像的方向梯度直方图特征或局部二值模式特征中的一种。
作为优选，自所述服务器中获取灰度转换插件之后，自动运行所述灰度转换插件将待识别图像转化为灰度图像，进而开启多条特征提取线程分别提取所述灰度图像的多个特征参数，可理解的，一条特征提取线程用于获取一种特征参数。需要说明的是，在获取待识别图像之后，若检测到所述待识别图像为灰度图像时，直接开启特征提取线程以获取所述灰度图像的特征参数即可。
S30、通过所述第一线程对所述灰度图像进行标准化处理，并获取所述灰度图像的方向梯度直方图特征。
其中，所述标准化处理是指，将所述灰度图像变化到固定的大小和方向，以降低所述灰度图像的局部区域的光照和阴影变化带来的影响。
也即，开启所述第一线程对灰度图像依次进行标准化处理、梯度计算、图像分割建立区间单元的方向直方图，再将分割之后的单元区间合并，组合方向直方图获得方向梯度直方图特征。
S40、通过所述第二线程对所述灰度图像进行预处理，并获取所述灰度图像的局部二值模式特征。
也即，开启所述第二线程依次对灰度图像依次进行预处理、灰度检测、图像拆分，再获取拆分后的图像块的统计直方图，连接所有图像块的统计直方图获得局部二值模式特征。
在本实施例中，所述预处理包括滤波或较正等处理，其中，滤波主要是为了降低噪声，平滑处理图像信号；校正主要是为了解决图像失真。可理解的，对于灰度图像，有时并不能直接使用，需要经过预处理得到比较合适的图像质量，再提取特征。比如：对于复杂背景下的灰度图像，需要进行锐化和平滑处理，提高局部目标和背景的对比度，增强图像数据的可用性，尽量检测出局部目标。
在一实施例中，所述步骤S50之前包括以下步骤：检测所述第一线程与所述第二线程是否完成，同时实时提示用户所述第一线程或第二线程的运行进度；在所述第一线程和所述第二行程均完成之后，即可进入所述步骤S50中将所述特征参数输入至预设的翻拍图像识别模型中。
S50、根据获取的所述方向梯度直方图特征和所述局部二值模式特征生成待识别数组，将所述待识别数组输入预设的翻拍图像识别模型，并接收所述翻拍图像识别模型输出的识别结果；所述识别结果包括该图为翻拍图像和该图为非翻拍图像。
其中，所述预设的翻拍图像识别模型用于检测图像是否为翻拍图像。
所述非翻拍图像是指未经处理的原始电子图像或者自然图像；所述翻拍图像是指对原图像进行再拍摄或者篡改的伪造图像。
具体的，将所述步骤S30中获取的灰度图像的方向梯度直方图特征和所述步骤S40中获取的局部二值模式特征合并成一个特征数组输入至预先训练好的翻拍识别模型中，并接收所述翻拍识别模型输出的对应于所述待识别图像的唯一的识别结果，要么为“该图为翻拍图像”，要么为“该图为非翻拍图像”。
进一步的，可以获取一个待识别图像集，所述待识别图像组包含二张以上的所述待识别图像以及对应于各所述待识别图像的唯一标识(包括具体拍照时间、拍照的地理位置、服务器自动分配的图像编号等)，此时，根据所述待识别图像集中的各所述待识别图像的方向梯度直方图特征和局部二值模式特征构成特征数组集，并将该特征数组集输入至预先训练好的翻拍识别模型中，即可顺次输出一系列包含所述唯一标识的识别结果，比如：若所述唯一标识为服务器自动分配的图像编号，则输出的识别结果可以为“X001为翻拍图像”，“X002为非翻拍图像”等。
综上所述，本发明提供的基于深度学习的翻拍图像识别方法，在将获取的待识别图像转化灰度图像之后，首先通过第一线程和第二线程分别获取所述灰度图像的方向梯度直方图特征和局部二值模式特征，再根据灰度图像的方向梯度直方图特征和局部二值模式特征生成待识别数组，并将该待识别数组输入至训练好的翻拍图像识别模型中，并接收所述翻拍图像识别模型输出的识别结果，从而确定所述待识别图像是否为翻拍图像，第一线程和第二线程互不干扰，有利于提高特征提取的速度和效率；同时还提高了图像的识别速度、识别准确率以及识别效率。
在另一实施例中，如图3所示，首先构建待训练图像集，再利用深度学习对待训练图像集进行训练生成翻拍图像识别模型。此时，所述方法还包括以下步骤：
S60、获取第一采集数量的翻拍图像和第二采集数量的非翻拍图像，并根据所述第一采集数量的翻拍图像和所述第二采集数量的非翻拍图像构建图像数据库，其中，所述第一采集数量与所述第二采集数量之间存在预设比值关系。
在本实施例的一方面，首先通过现场拍摄的方式采集不同场景下的第一采集数量的非翻拍图像(即自然图像)，再将非翻拍图像显示于MAC屏幕再使用相机拍摄后得到第二采集数量的翻拍图像，根据所述第一采集数量的非翻拍图像和所述第二采集数量的翻拍图像构成图像数据库，并将所述图像数据库存储在所述服务器的数据库中。
在本实施例的另一当面，从计算机设备(客户端)中获取预设比值关系(比如：所述第一采集数量与所述第二采集数量之间的预设比值关系为1:1)的预先存储的翻拍图像和非翻拍图像(即已存储在计算机设备的原始电子图像)来构成图像数据库，并将所述图像数据库存储在所述服务器的数据库中。
优选地，所述图像数据库可以存储在与所述服务器通信连接的云盘中，以提高服务器的运行速度。
S70、自所述图像数据库中获取第一选取数量的所述翻拍图像和第二选取数量的所述非翻拍图像，并根据所述第一选取数量的翻拍图像和所述第二选取数量的非翻拍图像生成待训练图像集；其中，所述第一选取数量小于所述第一采集数量；所述第二选取数量小于所述第二采集数量；
作为优选，在所述待训练图像集包含所述翻拍图像对应的正图像样本和所述非翻拍图像对应的负图像样本时，从已构建好的图像数据库中随机选取P1张(第一选取数量的)翻拍图像并将其标记为正图像样本，以及选取P2张(第二选取数量的)非翻拍图像并将其标记为负图像样本，并根据所述正图像样本和所述负图像样本生成待训练图像集。比如：选取非翻拍图像和翻拍图像各200张。
S80、利用所述待训练图像集训练预设的翻拍图像识别模型。
作为优选，在所述待训练图像集中包含翻拍图像对应的正图像样本和所述非翻拍图像对应的负图像样本时，获取所述正图像样本的特征参数(包括局部二值模式特征和方向梯度直方图特征)，并将其对应的统计数据放在第一待训练数组中；同时，获取所述负图像样本的特征参数(包括局部二值模式特征和方向梯度直方图特征)，并将其对应的统计数据放在第二训练数组中。并将包含正样本标签的第一待训练数组和包含负样本标签的第二待训练数组放在循环神经网络中进行训练生成翻拍图像识别模型。
综上所述，本发明提供的基于深度学习的翻拍图像识别方法，首先获取第一采集数量的翻拍图像和第二数量的非翻拍图像构建图像数据库，再自所述图像数据库选取预定数量的待训练图像生成待训练图像集，并利用深度学习模型对所述待训练图像集进行训练生成翻拍图像识别模型，提高了模型构建的效率，以及提高了模型的应用能力，达到了很好地区分翻拍图像和非翻拍图像的目的。
在一实施例中，如图4所示，所述步骤S30，即所述通过所述第一线程对所述灰度图像进行标准化处理，并获取所述灰度图像的方向梯度直方图特征，具体包括以下步骤：
S301、获取所述灰度图像中各像素点的梯度信息，所述梯度信息包括梯度方向和梯度幅值。
优选地，在对灰度图像进行标准化处理之后，利用卷积运算计算灰度图像各像素点的梯度方向(X值)和梯度幅值(Y值)，从而获得各像素点的特征向量，有利于检测灰度图像的局部目标的轮廓信息。
S302、将所述灰度图像切分为多个单元区间，并根据各所述单元区间内的所有像素点的所述梯度信息获取各个单元区间的方向直方图。
具体的，根据预设的第一等份值(比如：10*10等份)将所述灰度图像划分为多个不重叠的单元区间，且每个单元区间均对应有一个方向直方图用于统计该单元区间内的所有像素的梯度信息。比如：若灰度图像的像素为100*100，按照10*10等份对待检测图像进行划分，则就有100个像素为10*10的单元区间。
本实施例中，以单元区间为单位，构建该单元区间的方向直方图。首先将[0,2π]区间压缩为[0,π]，再并将[0,π]均匀划分成若干个方向区间，使用该单元区间中的所有像素的梯度信息(即所述步骤S20中计算得到的各像素点的梯度方向和梯度幅值)对各方向区间进行投票，从而构建该单元区间的方向直方图。
比如：若将单元区间的梯度方向在[0,2π]的范围内划分成编号为Z1～Z5方向区间来描述该单元区间，那么构成的方向直方图如图5所示，若单元区间的某一像素点A(x,y)的梯度方向为20°，梯度幅值为3，那么该像素点所属的方向区间Z1对应的投票权重加3。
S303、对所述单元区间进行合并和归一化，并根据所述单元区间的方向直方图获取该所述灰度图像的方向梯度直方图特征。
首先，将多个单元区间合并为一个区域，并根据所述单元区间的方向直方图获得该区域的方向梯度直方图特征。
根据预设组合值将多个单元区间进行合并为一个区域，比如：将2*2的单元区间合并为一个区域，并将该区域内的所有单元区间的方向直方图按照一定次序串联，组合成一个大的方向直方图，用于表示该区域的梯度统计信息，即可获得该区域的方向梯度直方图特征。进一步的，对梯度强度进行归一化处理，进一步对光照、阴影以及边缘进行压缩，以降低光照、阴影以及噪声对直方图的影响。
可理解的，若将包含M*N个像素的灰度图像等份划分成包含m*n个像素的多个单元区间，将单元区间等份划分成Z个方向区间(以统计所述单元区间中的所有像素点的特征方向)，以及将每Q个相邻的单元区间组合成一个区域，此时，以单元为识别步长，并以区域为单位对所述灰度图像进行扫描，此时，所述灰度图像在水平方向需要扫描M/m-1次，而在垂直方向需要扫描N/n-1次，其中N、M、Z、Q、m以及n均为非零自然数；进一步的，根据预设的特征公式可以得到该灰度图像的特征总数。其中，所述特征公式为：
Count＝K1*K2*Z*Q
其中，K1为水平方向的扫描次数，且K1＝M/m-1；K2为垂直方向扫描次数，且K2＝N/n-1；Z为单元区间所划分的方向区间的个数；Q为预设组合值。
比如：将100*100像素的灰度图像按照10*10像素进行等份划分，得到100个单元区间，并将每4个相邻的单元区间组合成一个区域，此时，若将每个单元区间划分为18个方向区间，则根据上述特征公式可以获得5832个特征，也即用5832个特征可以描述该灰度图像。
然后，组合各所述区域的方向梯度直方图特征得到所述灰度图像的所述方向梯度直方图特征。也即将所有区域的方向梯度直方图特征串联起来获取该灰度图像的方向梯度直方图特征，以很好地描述所述灰度图像中的局部目标的表象以及形状。
在一实施例中，如图6所示，所述步骤S40，即所述通过所述第二线程对所述灰度图像进行预处理，并获取所述灰度图像的局部二值模式特征，所述具体包括以下步骤：
S401、将所述灰度图像划分成多个图像块。
在对所述灰度图像进行预处理之后，根据预设的第二等份值(所述第二等份值与所述步骤S302中的所述第一等份值并不相同)将该灰度图像划分为多个不重叠的图像块，比如：将灰度图像按照8*16等份划分成128个图像块。
S402、计算各所述图像块的各像素点的灰度值，根据所述灰度值获取各所述图像块的统计直方图。
优选的，以图像块为单位，利用改进后的LBP算子计算各所述图像块的统计直方图。对于每一个图像块，首先获取图像块中的各像素点的灰度值，并选取一个中心像素点，再在采样区域(圆形曲线)上根据预设的半径值(R)选取8个采样点，并将各采样点的灰度值与该中心像素点的灰度值进行比较，若采样点的灰度值大于或等于中心像素点的灰度值，则将采样点对应的坐标标记为1，而若采样点的灰度值小于中心像素点的灰度值，则将采样点对应的坐标标记为0，进而根据获得的8位二进制数值得到该中心像素点的LBP值，此时，所述LBP值可以描述该图像块的纹理信息；比如：若8位二进制数值为00101111，则将二进制数值转换为10进制数值之后，获得该中心像素点的LBP值为47。
进一步的，对所述统计直方图进行归一化处理，以提高抗噪声干扰能力，有利于特征参数的提取。
S403、按预设规则对所有的所述图像块的统计直方图进行连接，获取所述灰度图像的局部二值模式特征。也即，将该灰度图像的所有图像块的统计直方图按照预设规则(比如：按照“Z”字型连接所述图像块的统计直方图)进行连接，获得该灰度图像的局部二值模式特征，以很好地描述该灰度图像的纹理信息。
在一实施例中，如图7所示，所述步骤S80，即所述利用所述待训练图像集训练预设的翻拍图像识别模型，具体包括以下步骤：
S801、将所述待训练图像集中的各待训练图像进行灰度化处理；所述待训练图像包括自所述图像数据库中选取的所述翻拍图像和所述非翻拍图像。
S802、获取各所述待训练图像的局部二值模式特征和方向梯度直方图特征。
S803、根据各所述待训练图像的所述局部二值模式特征和所述方向梯度直方图特征生成待训练数组，并添加所述待训练数组的标签数据；其中，所述待训练数组包含所述翻拍图像对应的第一待训练数组和所述非翻拍图像对应的第二待训练数组；所述标签数据包含所述第一待训练数组对应的正样本标签和所述第二待训练数组对应的负样本标签。
S804、利用循环神经网络对所述待训练数组和所述标签数据进行训练，并生成翻拍图像识别模型。
具体的，在将所述待训练图像集中的各待训练图像转化为灰度图像之后，解析所述待训练图像集中的翻拍图像的局部二值模式特征和方向梯度直方图特征，将翻拍图像的局部二值模式特征对应的统计数据放在数组1中，以及将翻拍图像的方向梯度直方图特征对应的统计数据放在数组2中，合并数组1和数组2生成第一待训练数组，并把所述第一训练数组加上正样本标签为00；同时，解析所述待训练图像集中的非翻拍图像的局部二值模式特征和方向梯度直方图特征，将非翻拍图像的局部二值模式特征对应的统计数据放在数组3中，以及将非翻拍图像的方向梯度直方图特征对应的统计数据放在数组4中，合并数组3和数组4生成第二待训练数组，并把所述第二训练数组加上非负样本标签为01。
进一步的，将上述获得的第一待训练数组、第二训练数组以及标签数据(包括00和01)放在循环神经网络中进行训练，并生成翻拍图像识别模型。
需要说明的是，上述步骤中提到的“数组1”、“数组2”等是用于区分类似的对象，而不必于描述特定的顺序或者先后次序。应该理解这样使用的数据在适当情况下可以互换。
在一实施例中，如图8所示，提供一种基于深度学习的翻拍图像识别装置，该基于深度学习的翻拍图像识别装置与上述实施例中基于深度学习的翻拍图像识别方法一一对应。该基于深度学习的翻拍图像识别装置包括检测模块110、开启模块120、第一线程模块130、第二线程模块140和识别模块150。各功能模块详细说明如下：
获取模块110，用于获取待识别图像。
开启模块120，用于对所述待识别图像进行灰度化处理，得到灰度图像后，开启用于获取所述灰度图像的特征参数的特征提取线程；所述特征参数包括方向梯度直方图特征和局部二值模式特征；所述特征提取线程包括第一线程和第二线程。
第一线程模块130，用于通过所述第一线程对所述灰度图像进行标准化处理，并获取所述灰度图像的方向梯度直方图特征。
第二线程模块140，用于通过所述第二线程对所述灰度图像进行预处理，并获取所述灰度图像的局部二值模式特征。
识别模块150，用于根据获取的所述方向梯度直方图特征和所述局部二值模式特征生成待识别数组，将所述待识别数组输入预设的翻拍图像识别模型，并接收所述翻拍图像识别模型输出的识别结果；所述识别结果包括该图为翻拍图像和该图为非翻拍图像。
在一实施例中，如图9所示，基于深度学习的翻拍图像识别装置还包括构建模块160、生成模块170和训练模块180。各功能模块详细说明如下：
构建模块160，用于获取第一采集数量的翻拍图像和第二采集数量的非翻拍图像，并根据所述第一采集数量的翻拍图像和所述第二采集数量的非翻拍图像构建图像数据库，所述第一采集数量和所述第二采集数量的比值为预设比值。
生成模块170，用于自所述图像数据库中获取第一选取数量的所述翻拍图像和第二选取数量的所述非翻拍图像，并根据所述第一选取数量的翻拍图像和所述第二选取数量的非翻拍图像生成待训练图像集；其中，所述第一选取数量小于所述第一采集数量；所述第二选取数量小于所述第二采集数量。
训练模块180，用于利用所述待训练图像集训练预设的翻拍图像识别模型。
在一实施例中，如图10所示，所述第一线程模块130包括获取子模块131、切分子模块132和合并子模块133。各功能子模块详细说明如下：
获取子模块131，用于获取所述灰度图像中各像素点的梯度信息，所述梯度信息包括梯度方向和梯度幅值。
切分子模块132，用于将所述灰度图像切分为多个单元区间，并根据各所述单元区间内的所有像素点的所述梯度信息获取各个单元区间的方向直方图。
合并子模块133，用于对所述单元区间进行合并和归一化，并根据所述单元区间的方向直方图获取该所述灰度图像的方向梯度直方图特征。
在一实施例中，所述第二线程模块140包括以下子模块。各功能子模块详细说明如下：
划分子模块，用于将所述灰度图像划分成多个图像块。
计算子模块，用于计算各所述图像块的各像素点的灰度值，根据所述灰度值获取各所述图像块的统计直方图。
连接子模块，用于按预设规则对所有的所述图像块的统计直方图进行连接，获取所述灰度图像的局部二值模式特征。
在一实施例中，所述训练模块180包括以下子模块。各功能子模块详细说明如下：
转换子模块，用于将所述待训练图像集中的各待训练图像进行灰度化处理；所述待训练图像包括自所述图像数据库中选取的所述翻拍图像和所述非翻拍图像。
特征提取子模块，用于获取各所述待训练图像的局部二值模式特征和方向梯度直方图特征。
数据处理子模块，用于根据各所述待训练图像的所述局部二值模式特征和所述方向梯度直方图特征生成待训练数组，并添加所述待训练数组的标签数据；其中，所述待训练数组包含所述翻拍图像对应的第一待训练数组和所述非翻拍图像对应的第二待训练数组；所述标签数据包含所述第一待训练数组对应的正样本标签和所述第二待训练数组对应的负样本标签。
训练子模块，用于利用循环神经网络对所述待训练数组和所述标签数据进行训练，并生成翻拍图像识别模型。
关于基于深度学习的翻拍图像识别装置的具体限定可以参见上文中对于基于深度学习的翻拍图像识别方法的限定，在此不再赘述。上述基于深度学习的翻拍图像识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机可读指令被处理器执行时以实现一种基于深度学习的翻拍图像识别方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现以下步骤：
获取待识别图像；
对所述待识别图像进行灰度化处理之后，开启用于获取所述灰度图像的特征参数的特征提取线程；所述特征参数包括方向梯度直方图特征和局部二值模式特征；所述特征提取线程包括第一线程和第二线程；
通过所述第一线程对所述灰度图像进行标准化处理，并获取所述灰度图像的方向梯度直方图特征；
通过所述第二线程对所述灰度图像进行预处理，并获取所述灰度图像的局部二值模式特征；
根据获取的所述方向梯度直方图特征和所述局部二值模式特征生成待识别数组，将所述待识别数组输入预设的翻拍图像识别模型，并接收所述翻拍图像识别模型输出的识别结果；所述识别结果包括该图为翻拍图像和该图为非翻拍图像。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机可读指令，计算机可读指令被处理器执行时实现以下步骤：
获取待识别图像；
对所述待识别图像进行灰度化处理之后，开启用于获取所述灰度图像的特征参数的特征提取线程；所述特征参数包括方向梯度直方图特征和局部二值模式特征；所述特征提取线程包括第一线程和第二线程；
通过所述第一线程对所述灰度图像进行标准化处理，并获取所述灰度图像的方向梯度直方图特征；
通过所述第二线程对所述灰度图像进行预处理，并获取所述灰度图像的局部二值模式特征；
根据获取的所述方向梯度直方图特征和所述局部二值模式特征生成待识别数组，将所述待识别数组输入预设的翻拍图像识别模型，并接收所述翻拍图像识别模型输出的识别结果；所述识别结果包括该图为翻拍图像和该图为非翻拍图像。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、存储器总线直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元或模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元或模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的翻拍图像识别方法，其特征在于，包括：
获取待识别图像；
对所述待识别图像进行灰度化处理，得到灰度图像后，开启用于获取所述灰度图像的特征参数的特征提取线程；所述特征参数包括方向梯度直方图特征和局部二值模式特征；所述特征提取线程包括第一线程和第二线程；
通过所述第一线程对所述灰度图像进行标准化处理，并获取所述灰度图像的方向梯度直方图特征；
通过所述第二线程对所述灰度图像进行预处理，并获取所述灰度图像的局部二值模式特征；
根据获取的所述方向梯度直方图特征和所述局部二值模式特征生成待识别数组，将所述待识别数组输入预设的翻拍图像识别模型，并接收所述翻拍图像识别模型输出的识别结果；所述识别结果包括该图为翻拍图像和该图为非翻拍图像。
2.如权利要求1所述的基于深度学习的翻拍图像识别方法，其特征在于，所述方法还包括：
获取第一采集数量的翻拍图像和第二采集数量的非翻拍图像，并根据所述第一采集数量的翻拍图像和所述第二采集数量的非翻拍图像构建图像数据库；其中，所述第一采集数量与所述第二采集数量之间存在预设比值关系；
自所述图像数据库中获取第一选取数量的所述翻拍图像和第二选取数量的所述非翻拍图像，并根据所述第一选取数量的翻拍图像和所述第二选取数量的非翻拍图像生成待训练图像集；其中，所述第一选取数量小于所述第一采集数量；所述第二选取数量小于所述第二采集数量；
利用所述待训练图像集训练预设的翻拍图像识别模型。
3.如权利要求2所述的基于深度学习的翻拍图像识别方法，其特征在于，所述利用所述待训练图像集训练预设的翻拍图像识别模型，包括：
将所述待训练图像集中的各待训练图像进行灰度化处理；所述待训练图像包括自所述图像数据库中选取的所述翻拍图像和所述非翻拍图像；
获取各所述待训练图像的局部二值模式特征和方向梯度直方图特征；
根据各所述待训练图像的所述局部二值模式特征和所述方向梯度直方图特征生成待训练数组，并添加所述待训练数组的标签数据；其中，所述待训练数组包含所述翻拍图像对应的第一待训练数组和所述非翻拍图像对应的第二待训练数组；所述标签数据包含所述第一待训练数组对应的正样本标签和所述第二待训练数组对应的负样本标签；
利用循环神经网络对所述待训练数组和所述标签数据进行训练，并生成翻拍图像识别模型。
4.如权利要求1所述的基于深度学习的翻拍图像识别方法，其特征在于，所述通过所述第一线程对所述待灰度图像进行标准化处理，并获取所述灰度图像的方向梯度直方图特征，包括：
获取所述灰度图像中各像素点的梯度信息，所述梯度信息包括梯度方向和梯度幅值；
将所述灰度图像切分为多个单元区间，并根据各所述单元区间内的所有像素点的所述梯度信息获取各个单元区间的方向直方图；
对所述单元区间进行合并和归一化，并根据所述单元区间的方向直方图获取该所述灰度图像的方向梯度直方图特征。
5.如权利要求1所述的基于深度学习的翻拍图像识别方法，其特征在于，所述通过所述第二线程对所述灰度图像进行预处理，并获取所述灰度图像的局部二值模式特征，还包括：
将所述灰度图像划分成多个图像块；
计算各所述图像块的各像素点的灰度值，根据所述灰度值获取各所述图像块的统计直方图；
按预设规则对所有的所述图像块的统计直方图进行连接，获取所述灰度图像的局部二值模式特征。
6.一种基于深度学习的翻拍图像识别装置，其特征在于，包括：
获取模块，用于获取待识别图像；
开启模块，用于对所述待识别图像进行灰度化处理，得到灰度图像后，开启用于获取所述灰度图像的特征参数的特征提取线程；所述特征参数包括方向梯度直方图特征和局部二值模式特征；所述特征提取线程包括第一线程和第二线程；
第一线程模块，用于通过所述第一线程对所述灰度图像进行标准化处理，并获取所述灰度图像的方向梯度直方图特征；
第二线程模块，用于通过所述第二线程对所述灰度图像进行预处理，并获取所述灰度图像的局部二值模式特征；
识别模块，用于根据获取的所述方向梯度直方图特征和所述局部二值模式特征生成待识别数组，将所述待识别数组输入预设的翻拍图像识别模型，并接收所述翻拍图像识别模型输出的识别结果；所述识别结果包括该图为翻拍图像和该图为非翻拍图像。
7.如权利要求6所述的基于深度学习的翻拍图像识别装置，其特征在于，所述装置还包括：
构建模块，用于获取第一采集数量的翻拍图像和第二采集数量的非翻拍图像，并根据所述第一采集数量的翻拍图像和所述第二采集数量的非翻拍图像构建图像数据库，所述第一采集数量和所述第二采集数量的比值为预设比值；
生成模块，用于自所述图像数据库中获取第一选取数量的所述翻拍图像和第二选取数量的所述非翻拍图像，并根据第一选取数量的翻拍图像和所述第二选取数量的非翻拍图像生成待训练图像集；其中，所述第一选取数量小于所述第一采集数量；所述第二选取数量小于所述第二采集数量；
训练模块，用于利用所述待训练图像集训练预设的翻拍图像识别模型。
8.如权利要求6所述的基于深度学习的翻拍图像识别装置，其特征在于，所述第一线程模块，包括：
获取子模块，用于获取所述灰度图像中各像素点的梯度信息，所述梯度信息包括梯度方向和梯度幅值；
切分子模块，用于将所述灰度图像切分为多个单元区间，并根据各所述单元区间内的所有像素点的所述梯度信息获取各个单元区间的方向直方图；
合并子模块，用于对所述单元区间进行合并和归一化，并根据所述单元区间的方向直方图获取该所述灰度图像的方向梯度直方图特征。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至5任一项所述基于深度学习的翻拍图像识别方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至5任一项所述基于深度学习的翻拍图像识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811574878.0A CN109815960A (zh) | 2018-12-21 | 2018-12-21 | 基于深度学习的翻拍图像识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811574878.0A CN109815960A (zh) | 2018-12-21 | 2018-12-21 | 基于深度学习的翻拍图像识别方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109815960A true CN109815960A (zh) | 2019-05-28 |
Family
ID=66602188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811574878.0A Pending CN109815960A (zh) | 2018-12-21 | 2018-12-21 | 基于深度学习的翻拍图像识别方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109815960A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110648314A (zh) * | 2019-09-05 | 2020-01-03 | 阿里巴巴集团控股有限公司 | 一种识别翻拍图像的方法、装置及设备 |
| CN110659604A (zh) * | 2019-09-20 | 2020-01-07 | 北京达佳互联信息技术有限公司 | 视频检测方法、装置、服务器及存储介质 |
| CN111191568A (zh) * | 2019-12-26 | 2020-05-22 | 中国平安人寿保险股份有限公司 | 翻拍图像识别方法、装置、设备及介质 |
| CN111259915A (zh) * | 2020-01-20 | 2020-06-09 | 中国平安人寿保险股份有限公司 | 翻拍图像识别的方法、装置、设备及介质 |
| CN111476271A (zh) * | 2020-03-10 | 2020-07-31 | 杭州易现先进科技有限公司 | 图标识别的方法、装置、系统、计算机设备和存储介质 |
| CN112085094A (zh) * | 2020-09-08 | 2020-12-15 | 中国平安财产保险股份有限公司 | 单证图像翻拍检测方法、装置、计算机设备和存储介质 |
| CN112258481A (zh) * | 2020-10-23 | 2021-01-22 | 北京云杉世界信息技术有限公司 | 一种门脸照翻拍检测方法 |
| CN112468690A (zh) * | 2019-09-06 | 2021-03-09 | 东芝泰格有限公司 | 数字摄像设备、数字摄像方法及存储介质 |
| WO2021068142A1 (zh) * | 2019-10-09 | 2021-04-15 | 深圳大学 | 自动识别原始文档的翻拍图像的训练方法和检测方法 |
| CN112950559A (zh) * | 2021-02-19 | 2021-06-11 | 山东矩阵软件工程股份有限公司 | 一种翻拍图像检测方法、装置、电子设备及存储介质 |
| CN113127659A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 图像数据录入方法、装置、电子设备及存储介质 |
| CN113688887A (zh) * | 2021-08-13 | 2021-11-23 | 百度在线网络技术（北京）有限公司 | 图像识别模型的训练与图像识别方法、装置 |
| CN113902667A (zh) * | 2021-08-23 | 2022-01-07 | 浙大宁波理工学院 | 一种用于机器视觉的螺纹旋向识别方法与系统 |
| CN114005019A (zh) * | 2021-10-29 | 2022-02-01 | 北京有竹居网络技术有限公司 | 一种翻拍图像识别方法及其相关设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886301A (zh) * | 2014-03-28 | 2014-06-25 | 中国科学院自动化研究所 | 一种人脸活体检测方法 |
| CN105117729A (zh) * | 2015-05-11 | 2015-12-02 | 杭州金培科技有限公司 | 一种识别翻拍图像的方法和装置 |
| CN105118048A (zh) * | 2015-07-17 | 2015-12-02 | 北京旷视科技有限公司 | 翻拍证件图片的识别方法及装置 |
| CN105335722A (zh) * | 2015-10-30 | 2016-02-17 | 商汤集团有限公司 | 一种基于深度图像信息的检测系统及方法 |
| CN106951869A (zh) * | 2017-03-22 | 2017-07-14 | 腾讯科技（深圳）有限公司 | 一种活体验证方法及设备 |
| CN108021892A (zh) * | 2017-12-06 | 2018-05-11 | 上海师范大学 | 一种基于极短视频的人脸活体检测方法 |
| CN108108753A (zh) * | 2017-12-15 | 2018-06-01 | 京北方信息技术股份有限公司 | 一种基于支持向量机的复选框选择状态的识别方法及装置 |
| CN108229499A (zh) * | 2017-10-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 证件识别方法及装置、电子设备和存储介质 |
| CN108549836A (zh) * | 2018-03-09 | 2018-09-18 | 通号通信信息集团有限公司 | 照片的翻拍检测方法、装置、设备及可读存储介质 |
| CN108875530A (zh) * | 2018-01-12 | 2018-11-23 | 北京旷视科技有限公司 | 活体识别方法、活体识别设备、电子设备以及存储介质 |
| CN108960088A (zh) * | 2018-06-20 | 2018-12-07 | 天津大学 | 特定环境的面部活体特征检测、识别方法 |
-
2018
- 2018-12-21 CN CN201811574878.0A patent/CN109815960A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886301A (zh) * | 2014-03-28 | 2014-06-25 | 中国科学院自动化研究所 | 一种人脸活体检测方法 |
| CN105117729A (zh) * | 2015-05-11 | 2015-12-02 | 杭州金培科技有限公司 | 一种识别翻拍图像的方法和装置 |
| CN105118048A (zh) * | 2015-07-17 | 2015-12-02 | 北京旷视科技有限公司 | 翻拍证件图片的识别方法及装置 |
| CN105335722A (zh) * | 2015-10-30 | 2016-02-17 | 商汤集团有限公司 | 一种基于深度图像信息的检测系统及方法 |
| CN106951869A (zh) * | 2017-03-22 | 2017-07-14 | 腾讯科技（深圳）有限公司 | 一种活体验证方法及设备 |
| CN108229499A (zh) * | 2017-10-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 证件识别方法及装置、电子设备和存储介质 |
| CN108021892A (zh) * | 2017-12-06 | 2018-05-11 | 上海师范大学 | 一种基于极短视频的人脸活体检测方法 |
| CN108108753A (zh) * | 2017-12-15 | 2018-06-01 | 京北方信息技术股份有限公司 | 一种基于支持向量机的复选框选择状态的识别方法及装置 |
| CN108875530A (zh) * | 2018-01-12 | 2018-11-23 | 北京旷视科技有限公司 | 活体识别方法、活体识别设备、电子设备以及存储介质 |
| CN108549836A (zh) * | 2018-03-09 | 2018-09-18 | 通号通信信息集团有限公司 | 照片的翻拍检测方法、装置、设备及可读存储介质 |
| CN108960088A (zh) * | 2018-06-20 | 2018-12-07 | 天津大学 | 特定环境的面部活体特征检测、识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 孔月萍等: "基于梯度方向直方图的人脸活体检测方法", 《激光与光电子学进展》, vol. 55, no. 03, 20 October 2017 (2017-10-20), pages 237 - 243 * |
| 李素梅: "基于特定环境的面部活体检测", 《华中科技大学学报(自然科学版)》, vol. 46, no. 11, 22 November 2018 (2018-11-22), pages 87 - 91 * |
| 龙敏: "应用卷积神经网络的人脸活体检测算法研究", 《计算机科学与探索》, vol. 12, no. 10, 24 April 2018 (2018-04-24), pages 1658 - 1670 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110648314A (zh) * | 2019-09-05 | 2020-01-03 | 阿里巴巴集团控股有限公司 | 一种识别翻拍图像的方法、装置及设备 |
| CN112468690B (zh) * | 2019-09-06 | 2022-10-04 | 东芝泰格有限公司 | 数字摄像设备、数字摄像方法及存储介质 |
| CN112468690A (zh) * | 2019-09-06 | 2021-03-09 | 东芝泰格有限公司 | 数字摄像设备、数字摄像方法及存储介质 |
| CN110659604A (zh) * | 2019-09-20 | 2020-01-07 | 北京达佳互联信息技术有限公司 | 视频检测方法、装置、服务器及存储介质 |
| WO2021068142A1 (zh) * | 2019-10-09 | 2021-04-15 | 深圳大学 | 自动识别原始文档的翻拍图像的训练方法和检测方法 |
| CN111191568A (zh) * | 2019-12-26 | 2020-05-22 | 中国平安人寿保险股份有限公司 | 翻拍图像识别方法、装置、设备及介质 |
| CN113127659A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 图像数据录入方法、装置、电子设备及存储介质 |
| CN111259915A (zh) * | 2020-01-20 | 2020-06-09 | 中国平安人寿保险股份有限公司 | 翻拍图像识别的方法、装置、设备及介质 |
| CN111476271A (zh) * | 2020-03-10 | 2020-07-31 | 杭州易现先进科技有限公司 | 图标识别的方法、装置、系统、计算机设备和存储介质 |
| CN111476271B (zh) * | 2020-03-10 | 2023-07-21 | 杭州易现先进科技有限公司 | 图标识别的方法、装置、系统、计算机设备和存储介质 |
| CN112085094A (zh) * | 2020-09-08 | 2020-12-15 | 中国平安财产保险股份有限公司 | 单证图像翻拍检测方法、装置、计算机设备和存储介质 |
| CN112085094B (zh) * | 2020-09-08 | 2024-04-05 | 中国平安财产保险股份有限公司 | 单证图像翻拍检测方法、装置、计算机设备和存储介质 |
| CN112258481A (zh) * | 2020-10-23 | 2021-01-22 | 北京云杉世界信息技术有限公司 | 一种门脸照翻拍检测方法 |
| CN112950559A (zh) * | 2021-02-19 | 2021-06-11 | 山东矩阵软件工程股份有限公司 | 一种翻拍图像检测方法、装置、电子设备及存储介质 |
| CN113688887A (zh) * | 2021-08-13 | 2021-11-23 | 百度在线网络技术（北京）有限公司 | 图像识别模型的训练与图像识别方法、装置 |
| CN113902667A (zh) * | 2021-08-23 | 2022-01-07 | 浙大宁波理工学院 | 一种用于机器视觉的螺纹旋向识别方法与系统 |
| CN114005019A (zh) * | 2021-10-29 | 2022-02-01 | 北京有竹居网络技术有限公司 | 一种翻拍图像识别方法及其相关设备 |
| CN114005019B (zh) * | 2021-10-29 | 2023-09-22 | 北京有竹居网络技术有限公司 | 一种翻拍图像识别方法及其相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109815960A (zh) | 基于深度学习的翻拍图像识别方法、装置、设备及介质 | |
| CN106599772B (zh) | 活体验证方法和装置及身份认证方法和装置 | |
| CN107423700B (zh) | 人证核实的方法及装置 | |
| CN108875732B (zh) | 模型训练与实例分割方法、装置和系统及存储介质 | |
| CN111950424B (zh) | 一种视频数据处理方法、装置、计算机及可读存储介质 | |
| US11023708B2 (en) | Within document face verification | |
| US20230086552A1 (en) | Image processing method and apparatus, device, storage medium, and computer program product | |
| CN110070101A (zh) | 植物种类的识别方法及装置、存储介质、计算机设备 | |
| CN108229325A (zh) | 人脸检测方法和系统、电子设备、程序和介质 | |
| CN105518708A (zh) | 用于验证活体人脸的方法、设备和计算机程序产品 | |
| CN110516672A (zh) | 卡证信息识别方法、装置及终端 | |
| CN110852703A (zh) | 基于侧脸多特征融合人脸识别的考勤方法、系统、设备及介质 | |
| CN110428399A (zh) | 用于检测图像的方法、装置、设备和存储介质 | |
| CN112749696B (zh) | 一种文本检测方法及装置 | |
| CN103279744B (zh) | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 | |
| CN110245561A (zh) | 一种人脸识别方法及装置 | |
| CN109409349A (zh) | 信贷证件鉴别方法、装置、终端及计算机可读存储介质 | |
| CN109977832A (zh) | 一种图像处理方法、装置及存储介质 | |
| CN109389098A (zh) | 一种基于唇语识别的验证方法以及系统 | |
| JP2023529586A (ja) | 自動アーチファクト検出 | |
| CN107066980A (zh) | 一种图像变形检测方法及装置 | |
| CN116229528A (zh) | 一种活体掌静脉检测方法、装置、设备及存储介质 | |
| CN115082992A (zh) | 人脸活体检测方法、装置、电子设备及可读存储介质 | |
| CN110414522A (zh) | 一种字符识别方法及装置 | |
| CN115731620A (zh) | 检测对抗攻击的方法和训练对抗攻击检测模型的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |