CN109886275A - 翻拍图像识别方法、装置、计算机设备和存储介质 - Google Patents
翻拍图像识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109886275A CN109886275A CN201910040004.5A CN201910040004A CN109886275A CN 109886275 A CN109886275 A CN 109886275A CN 201910040004 A CN201910040004 A CN 201910040004A CN 109886275 A CN109886275 A CN 109886275A
- Authority
- CN
- China
- Prior art keywords
- lbp
- images
- recognized
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001228 spectrum Methods 0.000 claims abstract description 106
- 238000003062 neural network model Methods 0.000 claims abstract description 67
- 230000009466 transformation Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000012552 review Methods 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 27
- 230000015572 biosynthetic process Effects 0.000 claims description 16
- 238000003786 synthesis reaction Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000003909 pattern recognition Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 230000007306 turnover Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像检测技术领域，特别涉及一种翻拍图像识别方法、装置、计算机设备和存储介质。所述方法包括：获取待识别图像；对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图；从所述傅立叶频谱特征图中提取LBP特征值；根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据；将所述LBP直方图统计数据输入神经网络模型，通过所述神经网络模型对所述LBP直方图统计数据进行识别处理，获得第一翻拍概率；当所述第一翻拍概率达到概率阈值时，确定所述待识别图像为翻拍图像。采用本方法能够避免翻拍图像而造成用户信息出现安全性问题。
Description
技术领域
本申请涉及图像检测技术领域，特别是涉及一种翻拍图像识别方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术和互联网技术的不断发展，在网上在线开设账户或办理重要业务，可能需要用户通过移动终端或网络摄像头等设备拍摄并上传相应的图像，如用户的证件图像或用户本人的真实图像。
然而，上传的图像可能不是用户通过拍摄本人所得的真实图像，或通过拍摄真实的证件所得到的证件图像，而是通过翻拍电脑或手机等设备的显示屏上所展示的图片所得，从而存在伪造用户图像的问题，若不将这些翻拍图像识别出来，将会导致用户信息出现安全性问题。
发明内容
基于此，有必要针对上述技术问题，提供一种翻拍图像识别方法、装置、计算机设备和存储介质，能够避免翻拍图像而造成用户信息出现安全性问题。
一种翻拍图像识别方法，所述方法包括：
获取待识别图像；
对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图；
从所述傅立叶频谱特征图中提取局部二值模式LBP特征值；
根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据；
将所述LBP直方图统计数据输入神经网络模型，通过所述神经网络模型对所述LBP直方图统计数据进行识别处理，获得第一翻拍概率；
当所述第一翻拍概率达到概率阈值时，确定所述待识别图像为翻拍图像。
在其中一个实施例中，所述对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图包括：
确定所述待识别图像的尺寸；
当所述待识别图像的尺寸大于第一预设尺寸，或小于第二预设尺寸时，按照预设标准尺寸对所述待识别图像进行缩放；
将缩放后的待识别图像分解为RGB通道的三幅图像；
分别对所述三幅图像进行傅里叶变换，将变换后所得的图像进行合成处理；
将合成处理所得的图像转换为单通道的傅立叶频谱特征图。
在其中一个实施例中，所述从傅立叶频谱特征图中提取局部二值模式LBP特征值包括：
将傅立叶频谱特征图均分为多个子傅立叶频谱特征图块；
分别对各所述子傅立叶频谱特征图块均分为多个像素块；
在各像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；
若是，则将所述非中心像素点的灰度值设置为第一数值；若否，则将所述非中心像素点的灰度值设置为第二数值；
对设置灰度值后各像素块中的非中心像素点的灰度值进行加权求和；
将加权求和的结果作为各像素块的LBP特征值。
在其中一个实施例中，所述确定所述待识别图像为翻拍图像之后，所述方法还包括：
生成并发送携带有所述待识别图像的图像复核请求；
接收响应于所述图像复核请求的复核结果；所述复核结果携带有所述待识别图像为翻拍图像的第二翻拍概率；
获取机器识别所对应的第一权重和复核识别所对应的第二权重；
分别按照所述第一权重和所述第二权重，对第一翻拍概率和所述第二翻拍概率进行加权求和，得到翻拍概率的加权和；
当所述加权和大于或等于预设加权和时，最终确定待识别图像为翻拍图像。
在其中一个实施例中，所述方法还包括：
获取待识别样本图，对所述待识别样本图进行标注，获得包含标签的待识别样本图；所述标签用于表示所述待识别样本图是否为翻拍图像；
对包含所述标签的待识别样本图进行傅里叶变换，获得傅里叶频谱特征样本图；
从所述傅里叶频谱特征样本图中提取LBP特征样本值；
根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据样本；
将所述LBP直方图统计数据样本输入神经网络模型，通过所述神经网络模型对所述LBP直方图统计数据样本进行识别处理，获得第三翻拍概率；
对比所述第三翻拍概率与所述标签之间的差异，调整神经网络模型的参数。
在其中一个实施例中，所述对比所述第三翻拍概率与所述标签之间的差异，调整神经网络模型的参数包括：
确定所述第三翻拍概率与所述标签之间的误差；
将所述误差反向传播到神经网络模型的网络层，获得各网络层参数的梯度；
根据所获得的梯度调整所述神经网络模型中各网络层的参数。
一种翻拍图像识别装置，所述装置包括：
图像获取模块，用于获取待识别图像；
变换模块，用于对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图；
特征值提取模块，用于从所述傅立叶频谱特征图中提取局部二值模式LBP特征值；
生成模块，用于根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据；
处理模块，用于将所述LBP直方图统计数据输入神经网络模型，通过所述神经网络模型对所述LBP直方图统计数据进行识别处理，获得第一翻拍概率；
翻拍图像确定模块，用于当所述第一翻拍概率达到概率阈值时，确定所述待识别图像为翻拍图像。
在其中一个实施例中，所述变换模块还用于：
确定所述待识别图像的尺寸；
当所述待识别图像的尺寸大于第一预设尺寸，或小于第二预设尺寸时，按照预设标准尺寸对所述待识别图像进行缩放；
将缩放后的待识别图像分解为RGB通道的三幅图像；
分别对所述三幅图像进行傅里叶变换，将变换后所得的图像进行合成处理；
将合成处理所得的图像转换为单通道的傅立叶频谱特征图。
在其中一个实施例中，特征值提取模块还用于：
将傅立叶频谱特征图均分为多个子傅立叶频谱特征图块；
分别对各所述子傅立叶频谱特征图块均分为多个像素块；
在各像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；
若是，则将所述非中心像素点的灰度值设置为第一数值；若否，则将所述非中心像素点的灰度值设置为第二数值；
对设置灰度值后各像素块中的非中心像素点的灰度值进行加权求和；
将加权求和的结果作为各像素块的LBP特征值。
在其中一个实施例中，所述装置还包括：
请求生成模块，用于生成携带有所述待识别图像的图像复核请求；
发送模块，用于发送所述图像复核请求；
接收模块，用于接收所述复核人账号反馈的、针对所述图像复核请求的复核结果；所述复核结果携带有所述待识别图像为翻拍图像的第二翻拍概率；
权重获取模块，用于获取机器识别所对应的第一权重和复核识别所对应的第二权重；
加权模块，分别按照所述第一权重和所述第二权重，对第一翻拍概率和所述第二翻拍概率进行加权求和，得到翻拍概率的加权和；
所述翻拍图像确定模块还用于当所述加权和大于或等于预设加权和时，最终确定待识别图像为翻拍图像。
在其中一个实施例中，所述装置还包括：
所述图像获取模块还用于获取待识别样本图，对所述待识别样本图进行标注，获得包含标签的待识别样本图；所述标签用于表示所述待识别样本图是否为翻拍图像；
所述变换模块还用于对包含所述标签的待识别样本图进行傅里叶变换，获得傅里叶频谱特征样本图；
所述特征值提取模块还用于从所述傅里叶频谱特征样本图中提取LBP特征样本值；
所述生成模块还用于根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据样本；
所述处理模块还用于将所述LBP直方图统计数据样本输入神经网络模型，通过所述神经网络模型对所述LBP直方图统计数据样本进行识别处理，获得第三翻拍概率；
调整模块，用于对比所述第三翻拍概率与所述标签之间的差异，调整神经网络模型的参数。
在其中一个实施例中，所述调整模块还用于：
确定所述第三翻拍概率与所述标签之间的误差；
将所述误差反向传播到神经网络模型的网络层，获得各网络层参数的梯度；
根据所获得的梯度调整所述神经网络模型中各网络层的参数。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待识别图像；
对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图；
从所述傅立叶频谱特征图中提取局部二值模式LBP特征值；
根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据；
将所述LBP直方图统计数据输入神经网络模型，通过所述神经网络模型对所述LBP直方图统计数据进行识别处理，获得第一翻拍概率；
当所述第一翻拍概率达到概率阈值时，确定所述待识别图像为翻拍图像。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待识别图像；
对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图；
从所述傅立叶频谱特征图中提取局部二值模式LBP特征值；
根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据；
将所述LBP直方图统计数据输入神经网络模型，通过所述神经网络模型对所述LBP直方图统计数据进行识别处理，获得第一翻拍概率；
当所述第一翻拍概率达到概率阈值时，确定所述待识别图像为翻拍图像。
上述翻拍图像识别方法、装置、计算机设备和存储介质，根据获取的待识别图像生成傅立叶频谱特征图，从傅立叶频谱特征图中提取LBP特征值，从而得到待识别图像的局部纹理特征。生成用于表示LBP特征值统计概率的LBP直方图统计数据，将该LBP直方图统计数据输入神经网络模型，通过神经网络模型可以确定待识别图像是否为翻拍图像，从而避免待识别图像为翻拍电脑或手机等设备的显示屏上所展示的图片所得，从而确保图像的真实性，避免了第三方使用翻拍图像导致用户信息出现安全隐患。
附图说明
图1为一个实施例中翻拍图像识别方法的应用场景图；
图2为一个实施例中翻拍图像识别方法的流程示意图；
图3为一个实施例中提取LBP特征的示意图；
图4为另一个实施例中训练神经网络模型的步骤的流程示意图；
图5为一个实施例中翻拍图像识别装置的结构框图；
图6为另一个实施例中翻拍图像识别装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的翻拍图像识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104通过终端102获取待识别图像，对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图；服务器104从傅立叶频谱特征图中提取LBP(Local Binary Pattern，局部二值模式)特征值，计算LBP特征值在各特征值范围内的统计概率，将统计概率输入神经网络模型，通过该神经网络模型可以确定待识别图像是否为翻拍图像。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104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。
在一个实施例中，如图2所示，提供了一种翻拍图像识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202，获取待识别图像。
其中，待识别图像可以是包括RGB通道的32位彩色图，此外，还可以是包括RGB通道的64位或128位彩色图。
在一个实施例中，服务器通过安装在终端的摄像头拍摄待识别图像；或者，服务器通过终端从存储于终端本地相册中获取待识别图像。
在一个实施例中，若翻拍图像的识别方法应用于用户注册账户(如注册金融账户)的场景中，在终端展示上传图像的操作页面中可以有两个功能选项，一是支持用户实时拍摄图像的功能选项，另一是支持用户选择从相册中获取图像的功能选项。若用户选择实时拍摄图像的功能选项时，终端则调用摄像头拍摄用户或用户证件的图像，将拍摄的图像作为待识别图像。若用户选择从相册中获取图像的功能选项时，终端则从本地相册中获取用户或用户证件的图像，将获取的图像作为待识别图像。
例如，当用户在网上进行信用卡开户或证券开户时，开户系统将会展示上传用户证件图像和用户本人的真实图像的操作页面。在上传用户本人的真实图像或用户证件照时，可以调用终端的摄像头以便用户进行图像拍摄，也可以通过在操作页面上所提供功能选项从相册选取对应的待识别图像，也可以调用终端的摄像头以便用户进行图像拍摄。
S204，对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图。
其中，经过傅里叶变换后所得到的傅立叶频谱特征图可以是单通道8位、或16位、或32位的灰度图，该频谱特征图反映了频谱能量点的聚集情况。傅里叶变换可以是离散傅里叶变换。
在一个实施例中，S204具体可以包括：确定待识别图像的尺寸；当待识别图像的尺寸大于第一预设尺寸，或小于第二预设尺寸时，按照预设标准尺寸对待识别图像进行缩放；将缩放后的待识别图像分解为RGB通道的三幅图像；分别对三幅图像进行傅里叶变换，将变换后所得的图像进行合成处理；将合成处理所得的图像转换为单通道的傅立叶频谱特征图。
例如，对获取的图像进行傅里叶变换之前，终端先确定待识别图像的大小，如图像分辨率或尺寸。若待识别图像的大小过大或过小，则将图像放大或压缩到预设的标准大小。终端将缩放后的图像按照RGB三通道分解为对应的三幅图像，对每一副图像进行傅里叶变换，然后将变化后的图像进行合成，得到组合特征图。终端对这个组合特征图进行灰度转换，从而可以得到单通道的傅里叶频谱特征图。上述实施例中，对过大的图像进行压缩，可以降低识别过程中的计算量。
S206，从傅立叶频谱特征图中提取局部二值模式LBP特征值。
在一个实施例中，服务器将傅立叶频谱特征图均匀划分为多个子傅立叶频谱特征图块，在每个子傅立叶频谱特征图块的像素点提取LBP特征值。
具体地，服务器将傅立叶频谱特征图均分为多个子傅立叶频谱特征图块，分别对各子傅立叶频谱特征图块均分为多个像素块。服务器在各像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；若是，则将非中心像素点的灰度值设置为第一数值；若否，则将非中心像素点的灰度值设置为第二数值。服务器对设置灰度值后各像素块中的非中心像素点的灰度值进行加权求和，将加权求和的结果作为各像素块的LBP特征值。
例如，如图3所示，对于子傅立叶频谱特征图块中的某个像素点，服务器以该像素点为中心像素点，将该中心像素点的灰度值分别与3×3窗口中各领域像素点的灰度值进行比较，若领域像素点的灰度值大于或等于中心像素点的灰度值，则将领域像素点的灰度值设置为1；若领域像素点的灰度值小于中心像素点的灰度值，则将领域像素点的灰度值设置为0，因此计算出该中心像素点的灰度值的二进制为01111100，转换为十进制为124。通过上述方法，可以得到各子傅立叶频谱特征图块的LBP特征值。
S208，根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据。
在一个实施例中，服务器可以对各子傅立叶频谱特征图块中的LBP特征值，按照大小顺序进行排序；将排序后各子傅立叶频谱特征图块中的LBP特征值，按照预设步长均匀分成多个特征值范围；计算归属于各特征值范围内LBP特征值的统计概率。
在一个实施例中，在每个子傅立叶频谱特征图块中，根据各特征值范围内LBP特征值的统计概率建立LBP直方图，将每个LBP直方图对应的概率分别保存于不同的子数组A1、A2…An中，得到各子傅立叶频谱特征图块的LBP特征值在各预设特征值范围内的统计概率，该统计概率可以是LBP直方图统计数据。在输入神经网络模型之前，服务器将子数组A1、A2…An保存于另一个数组S中。
S210，将LBP直方图统计数据输入神经网络模型，通过神经网络模型对LBP直方图统计数据进行识别处理，获得第一翻拍概率。
在一个实施例中，服务器以数组的形式，将LBP直方图统计数据输入训练好的神经网络模型。
S212，当第一翻拍概率达到概率阈值时，确定待识别图像为翻拍图像。
例如，假设概率阈值为90％，当第一翻拍概率大于或等于90％时，则待识别图像为翻拍图像。当第一翻拍概率小于90％时，则待识别图像不是翻拍图像。
在一个实施例中，为了进一步保证识别结果的准确性，S212之后，该方法还包括：服务器生成携带有待识别图像的图像复核请求；将图像复核请求发送至复核人账号，以使复核人对所述待识别图像进行复核并反馈复核结果；接收到复核人账号反馈的、针对图像复核请求的复核结果；复核结果携带有待识别图像为翻拍图像的第二翻拍概率；获取机器识别所对应的第一权重和复核识别所对应的第二权重；分别按照第一权重和第二权重，对第一翻拍概率和第二翻拍概率进行加权求和，得到翻拍概率的加权和；当加权和大于或等于预设加权和时，最终确定待识别图像为翻拍图像。
其中，第一权重和第二权重为不同的两个值，第一权重与第二权重的和值为1。
例如，为了进一步保证识别结果的准确性，当机器识别该待识别图像为翻拍图像时，还会将待识别图像发送给专业人员，由专业人员对待识别图像进行进一步复核识别，然后反馈包含识别结果的复核结果，该识别结果可以是待识别图像为翻拍图像的概率。若待识别图像为翻拍图像的概率很大(如大于90％)时，则最终确定待识别图像为翻拍图像。若待识别图像为翻拍图像的概率较小(如小于90％)时，则将两个概率进行加权求和，得到翻拍概率的加权和，如加权和为p＝k1×p1+k2×p2(k1和k2分别为第一权重和第二权重，p1和p2分别为第一翻拍概率和第二翻拍概率)，根据加权和来确定待识别图像是否为翻拍图像。当加权和p大于或等于预设加权和时，最终确定待识别图像为翻拍图像。当加权和p小于预设加权和时，最终确定待识别图像不是翻拍图像。
在一个实施例中，服务器可以在结合复核识别的结果确定待识别图像是否为翻拍图像。当第一翻拍概率达到概率阈值时，服务器也可以不需要再进行复核识别的过程，直接确定待识别图像为翻拍图像。
在一个实施例中，该方法可应用于金融开户。在最终确定待识别图像为翻拍图像时，服务器拒绝用户的开户请求；在确定待识别图像为非翻拍图像时，服务器则进一步审核用户所提交的其它材料，若都满足开户要求，则允许用户的开户请求。
作为一个示例，(1)首先将将傅立叶频谱特征图均分为多个子傅立叶频谱特征图块，然后将子傅立叶频谱特征图块分为多个像素块；(2)在每个像素块中，将中心像素点的灰度值与相邻的8个像素点的灰度值进行比较，若8个像素点中任一个像素点的灰度值大于中心像素点的灰度值，则将对应像素点的灰度值设置为1，否则设置为0。这样，3×3窗口邻域内的8个像素点可产生8位二进制数，即得到该窗口中心像素点的LBP特征值；(3)然后计算每个像素块的统计直方图，该统计直方图用于表示各预设特征值范围内LBP特征值出现的频率，即所述的统计概率；其中，还可以对该直方图进行归一化处理。(4)最后根据所得到的每个像素块的统计直方图，得到整幅待识别图像的LBP纹理特征向量，将LBP纹理特征向量输入神经网络模型，通过神经网络的处理可以得到待识别图像是否为翻拍图像。
上述实施例中，根据获取的待识别图像生成傅立叶频谱特征图，从傅立叶频谱特征图中提取LBP特征值，从而得到待识别图像的局部纹理特征。生成用于表示LBP特征值统计概率的LBP直方图统计数据，将该LBP直方图统计数据输入神经网络模型，通过神经网络模型可以确定待识别图像是否为翻拍图像，从而避免待识别图像为翻拍电脑或手机等设备的显示屏上所展示的图片所得，从而确保图像的真实性，避免了第三方使用翻拍图像导致用户信息出现安全隐患。此外，通过上述实施例，可以有效地提高翻拍图像识别的准确率，且准确率由原来的80％提高至93％。
在一个实施例中，如图4所示，该方法还包括：
S402，获取待识别样本图，对待识别样本图进行标注，获得包含标签的待识别样本图；标签用于表示待识别样本图是否为翻拍图像。
其中，待识别样本图可以是包括RGB通道的32位彩色图，此外，还可以是包括RGB通道的64位或128位彩色图。待识别样本图的尺寸为预设标准尺寸。
S404，对包含标签的待识别样本图进行傅里叶变换，获得傅里叶频谱特征样本图。
在一个实施例中，S404之前，该方法还可以包括：服务器对包含标签的待识别样本图进行0到360度间的随机旋转，以及随机缩放、调整亮度、色度和清晰度等处理，然后根据处理后的待识别样本图生成对应的傅里叶频谱特征样本图，以增加神经网络模型的泛化能力，从而提高翻拍识别的准确率。
S406，从傅里叶频谱特征样本图中提取LBP特征样本值。
在一个实施例中，将傅里叶频谱特征样本图均匀划分为多个子傅里叶频谱特征样本图块，在每个子傅里叶频谱特征样本图块的像素提取LBP特征样本值。
具体地，将傅里叶频谱特征样本图均分为多个子傅里叶频谱特征样本图块；分别对各子傅里叶频谱特征样本图块均分为多个样本像素块；在各样本像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；若是，则将非中心像素点的灰度值设置为第一数值；若否，则将非中心像素点的灰度值设置为第二数值；对设置灰度值后各样本像素块中的非中心像素点的灰度值进行加权求和；将加权求和的结果作为各样本像素块的LBP特征样本值。
例如，如图3所示，对于子傅里叶频谱特征样本图块中的某个像素点，以该像素点为中心像素点，将该中心像素点的灰度值分别与3×3窗口中各领域像素点的灰度值进行比较，若领域像素点的灰度值大于或等于中心像素点的灰度值，则将领域像素点的灰度值设置为1；若领域像素点的灰度值小于中心像素点的灰度值，则将领域像素点的灰度值设置为0，因此计算出该中心像素点的灰度值的二进制为01111100，转换为十进制为124，因此可以得到各子傅里叶频谱特征样本图块的LBP特征样本值。
S408，根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据样本。
在一个实施例中，S208具体可以包括：服务器可以对各子傅里叶频谱特征样本图块中的LBP特征样本值，按照大小顺序进行排序；将排序后各子傅里叶频谱特征样本图块中的LBP特征样本值，按照预设步长均匀分成多个特征值范围；计算归属于各特征值范围内LBP特征样本值的统计概率。
在一个实施例中，在每个子傅里叶频谱特征样本图块中，根据各特征值范围内LBP特征值的统计概率建立LBP直方图，将每个LBP直方图对应的概率分别保存于不同的子数组A1、A2…An中，得到各子傅里叶频谱特征样本图块的LBP特征样本值在各预设特征值范围内的统计概率。在输入神经网络模型之前，服务器将子数组A1、A2…An保存于一个大的数组S中。
S410，将LBP直方图统计数据样本输入神经网络模型，通过神经网络模型对LBP直方图统计数据样本进行识别处理，获得第三翻拍概率。
在一个实施例中，服务器以数组的形式，将LBP直方图统计数据样本输入训练好的神经网络模型。
S412，对比第三翻拍概率与标签之间的差异，调整神经网络模型的参数。
在一个实施例中，S412包括：确定第三翻拍概率与标签之间的误差；将误差反向传播到神经网络模型的网络层，获得各网络层参数的梯度；根据所获得的梯度调整神经网络模型中各网络层的参数。
其中，服务器可以通过损失函数确定第三翻拍概率与标签之间的误差。损失函数可以是以下任一种：均方误差(Mean Squared Error)、交叉熵损失函数、L2Loss函数和Focal Loss函数。
应该理解的是，虽然图2、4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种翻拍图像识别装置，包括：图像获取模块502、变换模块504、特征值提取模块506、生成模块508、处理模块510和翻拍图像确定模块512，其中：
图像获取模块502，用于获取待识别图像；
变换模块504，用于对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图；
特征值提取模块506，用于从傅立叶频谱特征图中提取局部二值模式LBP特征值；
生成模块508，用于根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据；
处理模块510，用于将LBP直方图统计数据输入神经网络模型，通过神经网络模型对LBP直方图统计数据进行识别处理，获得第一翻拍概率；
翻拍图像确定模块512，用于当第一翻拍概率达到概率阈值时，确定待识别图像为翻拍图像。
在其中一个实施例中，变换模块504还用于：确定待识别图像的尺寸；当待识别图像的尺寸大于第一预设尺寸，或小于第二预设尺寸时，按照预设标准尺寸对待识别图像进行缩放；将缩放后的待识别图像分解为RGB通道的三幅图像；分别对三幅图像进行傅里叶变换，将变换后所得的图像进行合成处理；将合成处理所得的图像转换为单通道的傅立叶频谱特征图。
在其中一个实施例中，特征值提取模块506还用于：将傅立叶频谱特征图均分为多个子傅立叶频谱特征图块；分别对各子傅立叶频谱特征图块均分为多个像素块；在各像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；若是，则将非中心像素点的灰度值设置为第一数值；若否，则将非中心像素点的灰度值设置为第二数值；对设置灰度值后各像素块中的非中心像素点的灰度值进行加权求和；将加权求和的结果作为各像素块的LBP特征值。
在其中一个实施例中，如图6所示，装置还包括：请求生成模块514、发送模块516、接收模块518、权重获取模块520和加权模块522，其中：
请求生成模块514，用于生成携带有待识别图像的图像复核请求；
发送模块516，用于发送图像复核请求；
接收模块518，用于接收响应于图像复核请求的复核结果；复核结果携带有待识别图像为翻拍图像的第二翻拍概率；
权重获取模块520，用于获取机器识别所对应的第一权重和复核识别所对应的第二权重；
加权模块522，分别按照第一权重和第二权重，对第一翻拍概率和第二翻拍概率进行加权求和，得到翻拍概率的加权和；
翻拍图像确定模块512还用于当加权和大于或等于预设加权和时，最终确定待识别图像为翻拍图像。
在其中一个实施例中，如图6所示，装置还包括：调整模块524，其中：
图像获取模块502还用于图像获取模块还用于获取待识别样本图，对待识别样本图进行标注，获得包含标签的待识别样本图；标签用于表示待识别样本图是否为翻拍图像；
变换模块504还用于对包含标签的待识别样本图进行傅里叶变换，获得傅里叶频谱特征样本图；
特征值提取模504块还用于从傅里叶频谱特征样本图中提取LBP特征样本值；
生成模块508还用于根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据样本；
处理模块510还用于将LBP直方图统计数据样本输入神经网络模型，通过神经网络模型对LBP直方图统计数据样本进行识别处理，获得第三翻拍概率；
调整模块524，用于对比第三翻拍概率与标签之间的差异，调整神经网络模型的参数。
在其中一个实施例中，调整模块524还用于：确定第三翻拍概率与标签之间的误差；将误差反向传播到神经网络模型的网络层，获得各网络层参数的梯度；根据所获得的梯度调整神经网络模型中各网络层的参数。
上述实施例中，根据获取的待识别图像生成傅立叶频谱特征图，从傅立叶频谱特征图中提取LBP特征值，从而得到待识别图像的局部纹理特征。生成用于表示LBP特征值统计概率的LBP直方图统计数据，将该LBP直方图统计数据输入神经网络模型，通过神经网络模型可以确定待识别图像是否为翻拍图像，从而避免待识别图像为翻拍电脑或手机等设备的显示屏上所展示的图片所得，从而确保图像的真实性，避免了第三方使用翻拍图像导致用户信息出现安全隐患。此外，通过上述实施例，可以有效地提高翻拍图像识别的准确率，且准确率由原来的80％提高至93％。
关于翻拍图像识别装置的具体限定可以参见上文中对于翻拍图像识别方法的限定，在此不再赘述。上述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7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、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待识别图像和待识别样本图等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种翻拍图像识别方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待识别图像；对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图；从傅立叶频谱特征图中提取局部二值模式LBP特征值；根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据；将LBP直方图统计数据输入神经网络模型，通过神经网络模型对LBP直方图统计数据进行识别处理，获得第一翻拍概率；当第一翻拍概率达到概率阈值时，确定待识别图像为翻拍图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定待识别图像的尺寸；当待识别图像的尺寸大于第一预设尺寸，或小于第二预设尺寸时，按照预设标准尺寸对待识别图像进行缩放；将缩放后的待识别图像分解为RGB通道的三幅图像；分别对三幅图像进行傅里叶变换，将变换后所得的图像进行合成处理；将合成处理所得的图像转换为单通道的傅立叶频谱特征图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将傅立叶频谱特征图均分为多个子傅立叶频谱特征图块；分别对各子傅立叶频谱特征图块均分为多个像素块；在各像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；若是，则将非中心像素点的灰度值设置为第一数值；若否，则将非中心像素点的灰度值设置为第二数值；对设置灰度值后各像素块中的非中心像素点的灰度值进行加权求和；将加权求和的结果作为各像素块的LBP特征值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：生成并发送携带有待识别图像的图像复核请求；接收响应于图像复核请求的复核结果；复核结果携带有待识别图像为翻拍图像的第二翻拍概率；获取机器识别所对应的第一权重和复核识别所对应的第二权重；分别按照第一权重和第二权重，对第一翻拍概率和第二翻拍概率进行加权求和，得到翻拍概率的加权和；当加权和大于或等于预设加权和时，最终确定待识别图像为翻拍图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待识别样本图，对待识别样本图进行标注，获得包含标签的待识别样本图；标签用于表示待识别样本图是否为翻拍图像；对包含标签的待识别样本图进行傅里叶变换，获得傅里叶频谱特征样本图；从傅里叶频谱特征样本图中提取LBP特征样本值；根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据样本；将LBP直方图统计数据样本输入神经网络模型，通过神经网络模型对LBP直方图统计数据样本进行识别处理，获得第三翻拍概率；对比第三翻拍概率与标签之间的差异，调整神经网络模型的参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定第三翻拍概率与标签之间的误差；将误差反向传播到神经网络模型的网络层，获得各网络层参数的梯度；根据所获得的梯度调整神经网络模型中各网络层的参数。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待识别图像；对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图；从傅立叶频谱特征图中提取局部二值模式LBP特征值；根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据；将LBP直方图统计数据输入神经网络模型，通过神经网络模型对LBP直方图统计数据进行识别处理，获得第一翻拍概率；当第一翻拍概率达到概率阈值时，确定待识别图像为翻拍图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定待识别图像的尺寸；当待识别图像的尺寸大于第一预设尺寸，或小于第二预设尺寸时，按照预设标准尺寸对待识别图像进行缩放；将缩放后的待识别图像分解为RGB通道的三幅图像；分别对三幅图像进行傅里叶变换，将变换后所得的图像进行合成处理；将合成处理所得的图像转换为单通道的傅立叶频谱特征图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将傅立叶频谱特征图均分为多个子傅立叶频谱特征图块；分别对各子傅立叶频谱特征图块均分为多个像素块；在各像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；若是，则将非中心像素点的灰度值设置为第一数值；若否，则将非中心像素点的灰度值设置为第二数值；对设置灰度值后各像素块中的非中心像素点的灰度值进行加权求和；将加权求和的结果作为各像素块的LBP特征值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：生成并发送携带有待识别图像的图像复核请求；接收响应于图像复核请求的复核结果；复核结果携带有待识别图像为翻拍图像的第二翻拍概率；获取机器识别所对应的第一权重和复核识别所对应的第二权重；分别按照第一权重和第二权重，对第一翻拍概率和第二翻拍概率进行加权求和，得到翻拍概率的加权和；当加权和大于或等于预设加权和时，最终确定待识别图像为翻拍图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待识别样本图，对待识别样本图进行标注，获得包含标签的待识别样本图；标签用于表示待识别样本图是否为翻拍图像；对包含标签的待识别样本图进行傅里叶变换，获得傅里叶频谱特征样本图；从傅里叶频谱特征样本图中提取LBP特征样本值；根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据样本；将LBP直方图统计数据样本输入神经网络模型，通过神经网络模型对LBP直方图统计数据样本进行识别处理，获得第三翻拍概率；对比第三翻拍概率与标签之间的差异，调整神经网络模型的参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定第三翻拍概率与标签之间的误差；将误差反向传播到神经网络模型的网络层，获得各网络层参数的梯度；根据所获得的梯度调整神经网络模型中各网络层的参数。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请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(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)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。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种翻拍图像识别方法，所述方法包括：
获取待识别图像；
对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图；
从所述傅立叶频谱特征图中提取局部二值模式LBP特征值；
根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据；
将所述LBP直方图统计数据输入神经网络模型，通过所述神经网络模型对所述LBP直方图统计数据进行识别处理，获得第一翻拍概率；
当所述第一翻拍概率达到概率阈值时，确定所述待识别图像为翻拍图像。
2.根据权利要求1所述的方法，其特征在于，所述对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图包括：
确定所述待识别图像的尺寸；
当所述待识别图像的尺寸大于第一预设尺寸，或小于第二预设尺寸时，按照预设标准尺寸对所述待识别图像进行缩放；
将缩放后的待识别图像分解为RGB通道的三幅图像；
分别对所述三幅图像进行傅里叶变换，将变换后所得的图像进行合成处理；
将合成处理所得的图像转换为单通道的傅立叶频谱特征图。
3.根据权利要求1所述的方法，其特征在于，所述从傅立叶频谱特征图中提取局部二值模式LBP特征值包括：
将傅立叶频谱特征图均分为多个子傅立叶频谱特征图块；
分别对各所述子傅立叶频谱特征图块均分为多个像素块；
在各像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；
若是，则将所述非中心像素点的灰度值设置为第一数值；若否，则将所述非中心像素点的灰度值设置为第二数值；
对设置灰度值后各像素块中的非中心像素点的灰度值进行加权求和；
将加权求和的结果作为各像素块的LBP特征值。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述确定所述待识别图像为翻拍图像之后，所述方法还包括：
生成并发送携带有所述待识别图像的图像复核请求；
接收响应于所述图像复核请求的复核结果；所述复核结果携带有所述待识别图像为翻拍图像的第二翻拍概率；
获取机器识别所对应的第一权重和复核识别所对应的第二权重；
分别按照所述第一权重和所述第二权重，对第一翻拍概率和所述第二翻拍概率进行加权求和，得到翻拍概率的加权和；
当所述加权和大于或等于预设加权和时，最终确定待识别图像为翻拍图像。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
获取待识别样本图，对所述待识别样本图进行标注，获得包含标签的待识别样本图；所述标签用于表示所述待识别样本图是否为翻拍图像；
对包含所述标签的待识别样本图进行傅里叶变换，获得傅里叶频谱特征样本图；
从所述傅里叶频谱特征样本图中提取LBP特征样本值；
根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据样本；
将所述LBP直方图统计数据样本输入神经网络模型，通过所述神经网络模型对所述LBP直方图统计数据样本进行识别处理，获得第三翻拍概率；
对比所述第三翻拍概率与所述标签之间的差异，调整神经网络模型的参数。
6.根据权利要求5所述的方法，其特征在于，所述对比所述第三翻拍概率与所述标签之间的差异，调整神经网络模型的参数包括：
确定所述第三翻拍概率与所述标签之间的误差；
将所述误差反向传播到神经网络模型的网络层，获得各网络层参数的梯度；
根据所获得的梯度调整所述神经网络模型中各网络层的参数。
7.一种翻拍图像识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取待识别图像；
变换模块，用于对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图；
特征值提取模块，用于从所述傅立叶频谱特征图中提取局部二值模式LBP特征值；
生成模块，用于根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据；
处理模块，用于将所述LBP直方图统计数据输入神经网络模型，通过所述神经网络模型对所述LBP直方图统计数据进行识别处理，获得第一翻拍概率；
翻拍图像确定模块，用于当所述第一翻拍概率达到概率阈值时，确定所述待识别图像为翻拍图像。
8.根据权利要求7所述的装置，其特征在于，所述变换模块还用于：
确定所述待识别图像的尺寸；
当所述待识别图像的尺寸大于第一预设尺寸，或小于第二预设尺寸时，按照预设标准尺寸对所述待识别图像进行缩放；
将缩放后的待识别图像分解为RGB通道的三幅图像；
分别对所述三幅图像进行傅里叶变换，将变换后所得的图像进行合成处理；
将合成处理所得的图像转换为单通道的傅立叶频谱特征图。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910040004.5A CN109886275A (zh) | 2019-01-16 | 2019-01-16 | 翻拍图像识别方法、装置、计算机设备和存储介质 |
| PCT/CN2019/122696 WO2020147445A1 (zh) | 2019-01-16 | 2019-12-03 | 翻拍图像识别方法、装置、计算机设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910040004.5A CN109886275A (zh) | 2019-01-16 | 2019-01-16 | 翻拍图像识别方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109886275A true CN109886275A (zh) | 2019-06-14 |
Family
ID=66926159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910040004.5A Pending CN109886275A (zh) | 2019-01-16 | 2019-01-16 | 翻拍图像识别方法、装置、计算机设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109886275A (zh) |
| WO (1) | WO2020147445A1 (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348511A (zh) * | 2019-07-08 | 2019-10-18 | 创新奇智(青岛)科技有限公司 | 一种图片翻拍检测方法、系统及电子设备 |
| 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 |
| CN111260214A (zh) * | 2020-01-15 | 2020-06-09 | 大亚湾核电运营管理有限责任公司 | 核电站预留工单领料方法、装置、设备及存储介质 |
| CN111275381A (zh) * | 2020-01-17 | 2020-06-12 | 大亚湾核电运营管理有限责任公司 | 核电站备件盘点方法、装置、设备及存储介质 |
| CN111368944A (zh) * | 2020-05-27 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 翻拍图像、证件照识别、模型训练方法、装置及电子设备 |
| CN111428740A (zh) * | 2020-02-28 | 2020-07-17 | 深圳壹账通智能科技有限公司 | 网络翻拍照片的检测方法、装置、计算机设备及存储介质 |
| WO2020147445A1 (zh) * | 2019-01-16 | 2020-07-23 | 深圳壹账通智能科技有限公司 | 翻拍图像识别方法、装置、计算机设备和计算机可读存储介质 |
| CN111476268A (zh) * | 2020-03-04 | 2020-07-31 | 中国平安人寿保险股份有限公司 | 翻拍识别模型训练、图像识别方法、装置、设备及介质 |
| CN111767828A (zh) * | 2020-06-28 | 2020-10-13 | 京东数字科技控股有限公司 | 证件图像翻拍识别方法、装置、电子设备和存储介质 |
| CN112257709A (zh) * | 2020-10-23 | 2021-01-22 | 北京云杉世界信息技术有限公司 | 一种招牌照片审核方法、装置、电子设备及可读存储介质 |
| CN112364856A (zh) * | 2020-11-13 | 2021-02-12 | 润联软件系统(深圳)有限公司 | 翻拍图像识别方法、装置、计算机设备及存储介质 |
| CN112950564A (zh) * | 2021-02-23 | 2021-06-11 | 北京三快在线科技有限公司 | 一种图像检测方法、装置、存储介质及电子设备 |
| CN113822095A (zh) * | 2020-06-02 | 2021-12-21 | 苏州科瓴精密机械科技有限公司 | 基于图像识别工作位置的方法、系统，机器人及存储介质 |
| 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 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112329786B (zh) * | 2020-12-02 | 2023-06-16 | 深圳大学 | 一种翻拍图像检测方法、装置、设备及存储介质 |
| CN112560683A (zh) * | 2020-12-16 | 2021-03-26 | 平安科技（深圳）有限公司 | 一种翻拍图像识别方法、装置、计算机设备及存储介质 |
| CN112580621B (zh) * | 2020-12-24 | 2022-04-29 | 成都新希望金融信息有限公司 | 身份证翻拍识别方法、装置、电子设备及存储介质 |
| CN112734713B (zh) * | 2020-12-31 | 2024-02-09 | 西安交通大学 | 变压器状态检测方法、装置、计算机设备和存储介质 |
| CN114332044A (zh) * | 2021-12-30 | 2022-04-12 | 佛山技研智联科技有限公司 | 织物纹理周期的测量方法、装置、计算机设备和存储介质 |
| CN114066894A (zh) * | 2022-01-17 | 2022-02-18 | 深圳爱莫科技有限公司 | 一种陈列图像翻拍的检测方法、存储介质及处理设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116763A (zh) * | 2013-01-30 | 2013-05-22 | 宁波大学 | 一种基于hsv 颜色空间统计特征的活体人脸检测方法 |
| CN103207986A (zh) * | 2013-02-06 | 2013-07-17 | 江苏清大维森科技有限责任公司 | 一种基于lbp-hf的人脸识别方法 |
| 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 |
| 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 |
| CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技（深圳）有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
| CN107992842A (zh) * | 2017-12-13 | 2018-05-04 | 深圳云天励飞技术有限公司 | 活体检测方法、计算机装置及计算机可读存储介质 |
| CN108323209A (zh) * | 2018-01-29 | 2018-07-24 | 深圳前海达闼云端智能科技有限公司 | 信息处理方法、系统、云处理设备以及计算机程序产品 |
| CN108460649A (zh) * | 2017-02-22 | 2018-08-28 | 阿里巴巴集团控股有限公司 | 一种图像识别方法及装置 |
| CN108616757A (zh) * | 2018-05-09 | 2018-10-02 | 电子科技大学 | 一种翻拍后能提取水印的视频水印嵌入与提取方法 |
| CN108875467A (zh) * | 2017-06-05 | 2018-11-23 | 北京旷视科技有限公司 | 活体检测的方法、装置及计算机存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101645517B1 (ko) * | 2015-04-01 | 2016-08-05 | 주식회사 씨케이앤비 | 특징점 추출 장치 및 방법과 이를 이용한 콘텐츠의 온라인 유통 현황 분석을 위한 이미지 매칭 시스템 |
| CN106650568B (zh) * | 2016-08-31 | 2020-05-26 | 浙江大华技术股份有限公司 | 一种人脸识别方法及装置 |
| CN108197543A (zh) * | 2017-12-22 | 2018-06-22 | 深圳云天励飞技术有限公司 | 图像过滤方法及装置、嵌入式设备和存储介质 |
| CN109886275A (zh) * | 2019-01-16 | 2019-06-14 | 深圳壹账通智能科技有限公司 | 翻拍图像识别方法、装置、计算机设备和存储介质 |
-
2019
- 2019-01-16 CN CN201910040004.5A patent/CN109886275A/zh active Pending
- 2019-12-03 WO PCT/CN2019/122696 patent/WO2020147445A1/zh active Application Filing
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116763A (zh) * | 2013-01-30 | 2013-05-22 | 宁波大学 | 一种基于hsv 颜色空间统计特征的活体人脸检测方法 |
| CN103207986A (zh) * | 2013-02-06 | 2013-07-17 | 江苏清大维森科技有限责任公司 | 一种基于lbp-hf的人脸识别方法 |
| 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 |
| CN108460649A (zh) * | 2017-02-22 | 2018-08-28 | 阿里巴巴集团控股有限公司 | 一种图像识别方法及装置 |
| CN108875467A (zh) * | 2017-06-05 | 2018-11-23 | 北京旷视科技有限公司 | 活体检测的方法、装置及计算机存储介质 |
| CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技（深圳）有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
| CN107992842A (zh) * | 2017-12-13 | 2018-05-04 | 深圳云天励飞技术有限公司 | 活体检测方法、计算机装置及计算机可读存储介质 |
| CN108323209A (zh) * | 2018-01-29 | 2018-07-24 | 深圳前海达闼云端智能科技有限公司 | 信息处理方法、系统、云处理设备以及计算机程序产品 |
| CN108616757A (zh) * | 2018-05-09 | 2018-10-02 | 电子科技大学 | 一种翻拍后能提取水印的视频水印嵌入与提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴继鹏 等: "基于FS-LBP 特征的人脸活体检测方法", 《集美大学学报(自然科学版)》, vol. 22, no. 5, 30 September 2017 (2017-09-30), pages 66 - 69 * |
| 曹瑜: "活体人脸检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, vol. 2015, no. 3, 15 March 2015 (2015-03-15), pages 3 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020147445A1 (zh) * | 2019-01-16 | 2020-07-23 | 深圳壹账通智能科技有限公司 | 翻拍图像识别方法、装置、计算机设备和计算机可读存储介质 |
| CN110348511A (zh) * | 2019-07-08 | 2019-10-18 | 创新奇智(青岛)科技有限公司 | 一种图片翻拍检测方法、系统及电子设备 |
| 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 |
| CN111260214A (zh) * | 2020-01-15 | 2020-06-09 | 大亚湾核电运营管理有限责任公司 | 核电站预留工单领料方法、装置、设备及存储介质 |
| CN111260214B (zh) * | 2020-01-15 | 2024-01-26 | 大亚湾核电运营管理有限责任公司 | 核电站预留工单领料方法、装置、设备及存储介质 |
| CN111275381A (zh) * | 2020-01-17 | 2020-06-12 | 大亚湾核电运营管理有限责任公司 | 核电站备件盘点方法、装置、设备及存储介质 |
| CN111275381B (zh) * | 2020-01-17 | 2024-01-09 | 大亚湾核电运营管理有限责任公司 | 核电站备件盘点方法、装置、设备及存储介质 |
| CN111428740A (zh) * | 2020-02-28 | 2020-07-17 | 深圳壹账通智能科技有限公司 | 网络翻拍照片的检测方法、装置、计算机设备及存储介质 |
| CN111476268A (zh) * | 2020-03-04 | 2020-07-31 | 中国平安人寿保险股份有限公司 | 翻拍识别模型训练、图像识别方法、装置、设备及介质 |
| CN111368944A (zh) * | 2020-05-27 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 翻拍图像、证件照识别、模型训练方法、装置及电子设备 |
| CN113822095B (zh) * | 2020-06-02 | 2024-01-12 | 苏州科瓴精密机械科技有限公司 | 基于图像识别工作位置的方法、系统，机器人及存储介质 |
| CN113822095A (zh) * | 2020-06-02 | 2021-12-21 | 苏州科瓴精密机械科技有限公司 | 基于图像识别工作位置的方法、系统，机器人及存储介质 |
| CN111767828A (zh) * | 2020-06-28 | 2020-10-13 | 京东数字科技控股有限公司 | 证件图像翻拍识别方法、装置、电子设备和存储介质 |
| CN111767828B (zh) * | 2020-06-28 | 2023-12-08 | 京东科技控股股份有限公司 | 证件图像翻拍识别方法、装置、电子设备和存储介质 |
| CN112257709A (zh) * | 2020-10-23 | 2021-01-22 | 北京云杉世界信息技术有限公司 | 一种招牌照片审核方法、装置、电子设备及可读存储介质 |
| CN112257709B (zh) * | 2020-10-23 | 2024-05-07 | 北京云杉世界信息技术有限公司 | 一种招牌照片审核方法、装置、电子设备及可读存储介质 |
| CN112364856A (zh) * | 2020-11-13 | 2021-02-12 | 润联软件系统(深圳)有限公司 | 翻拍图像识别方法、装置、计算机设备及存储介质 |
| CN112950564B (zh) * | 2021-02-23 | 2022-04-01 | 北京三快在线科技有限公司 | 一种图像检测方法、装置、存储介质及电子设备 |
| CN112950564A (zh) * | 2021-02-23 | 2021-06-11 | 北京三快在线科技有限公司 | 一种图像检测方法、装置、存储介质及电子设备 |
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020147445A1 (zh) | 2020-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886275A (zh) | 翻拍图像识别方法、装置、计算机设备和存储介质 | |
| WO2021036471A1 (zh) | 样本生成方法、装置、计算机设备及存储介质 | |
| CN110399799B (zh) | 图像识别和神经网络模型的训练方法、装置和系统 | |
| CN111401375B (zh) | 文本识别模型训练方法、文本识别方法、装置及设备 | |
| WO2021000678A1 (zh) | 企业信贷审核方法、装置、设备及计算机可读存储介质 | |
| CN110163235A (zh) | 图像增强模型的训练、图像增强方法、装置和存储介质 | |
| CN110222573B (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
| CN109754059A (zh) | 翻拍图像识别方法、装置、计算机设备和存储介质 | |
| US11354797B2 (en) | Method, device, and system for testing an image | |
| WO2022042123A1 (zh) | 图像识别模型生成方法、装置、计算机设备和存储介质 | |
| CN109784153A (zh) | 情绪识别方法、装置、计算机设备及存储介质 | |
| CN109508638A (zh) | 人脸情绪识别方法、装置、计算机设备及存储介质 | |
| CN111191568B (zh) | 翻拍图像识别方法、装置、设备及介质 | |
| CN109934300B (zh) | 模型压缩方法、装置、计算机设备及存储介质 | |
| CN114549913B (zh) | 一种语义分割方法、装置、计算机设备和存储介质 | |
| CN111476269B (zh) | 均衡样本集构建、翻拍图像识别方法、装置、设备及介质 | |
| CN109325118A (zh) | 不平衡样本数据预处理方法、装置和计算机设备 | |
| CN112669244B (zh) | 人脸图像增强方法、装置、计算机设备以及可读存储介质 | |
| CN116758379B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| Appiah et al. | Fast generation of image’s histogram using approximation technique for image processing algorithms | |
| CN112784652A (zh) | 图像识别方法及装置 | |
| CN116030256A (zh) | 小目标分割方法、小目标分割系统、设备和介质 | |
| WO2023010701A1 (en) | Image generation method, apparatus, and electronic device | |
| CN112967216B (zh) | 人脸图像关键点的检测方法、装置、设备以及存储介质 | |
| CN112686847B (zh) | 身份证图像拍摄质量评价方法、装置、计算机设备和介质 |
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 |