CN110309859B - 一种图像真伪检测方法、装置及电子设备 - Google Patents

一种图像真伪检测方法、装置及电子设备 Download PDF

Info

Publication number
CN110309859B
CN110309859B CN201910489357.3A CN201910489357A CN110309859B CN 110309859 B CN110309859 B CN 110309859B CN 201910489357 A CN201910489357 A CN 201910489357A CN 110309859 B CN110309859 B CN 110309859B
Authority
CN
China
Prior art keywords
counterfeiting
image
detected
feature detection
authenticity
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.)
Active
Application number
CN201910489357.3A
Other languages
English (en)
Other versions
CN110309859A (zh
Inventor
郭明宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201910489357.3A priority Critical patent/CN110309859B/zh
Publication of CN110309859A publication Critical patent/CN110309859A/zh
Application granted granted Critical
Publication of CN110309859B publication Critical patent/CN110309859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本说明书实施例公开了一种图像真伪检测方法、装置及电子设备，先识别防伪待检图像和参考图像是否包含的目标对象，若所述防伪待检图像和所述参考图像包含相同的目标对象,则根据防伪特征检测规则对所述防伪待检图像进行处理，得到防伪特征检测结果，根据防伪特征检测结果确定防伪待检图像的真伪。

Description

一种图像真伪检测方法、装置及电子设备
技术领域
本说明书实施例涉及计算机领域，尤其涉及一种图像真伪检测方法、装置及电子设备。
背景技术
图像真伪检测广泛应用于身份识别领域，通过检测图像真伪来验证用户身份，图像的真伪是识别用户身份的前提。若图像是伪造的，则可以认定用户身份有假；若图像是真实的，则可以进一步核实用户身份。当前一种图像真伪设计方案可以是，根据同一目标对象制作至少两个图像，其中一个图像作为识别用的参考图像，另一个图像可以预先配置为对应所述参考图像的包含防伪特征的防伪待检图像。这样，可以通过这两个图像来验证用户身份。
对于如上图像真伪设计方案，业界希望提供一种高效的图像真伪检测方案。
发明内容
有鉴于此，本说明书实施例提供了一种图像真伪检测方法、装置及电子设备，用于解决现有技术中图像的真伪检测精确度低的问题。
本说明书实施例提供一种像真伪检测方法，包括：
识别参考图像和所述参考图像对应的防伪待检图像是否包含相同的目标对象；
若所述防伪待检图像和所述参考图像包含相同的目标对象，则对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果；
根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
本说明书实施例还提供一种图像真伪检测方法，包括：
从待检测证件获取参考证件照和所述参考证件照对应的防伪待检证件照；
识别所述防伪待检证件照和参考证件照是否包含相同的人脸图像；
若所述防伪待检证件照和所述参考证件照包含相同的人脸图像，则对所述防伪待检证件照进行防伪特征检测，得到防伪特征检测结果；
根据所述防伪特征检测结果确定所述待检测证件的真伪。
本说明书实施例还提供一种图像真伪检测方法，包括：
获取参考图像和所述参考图像所对应的防伪待检图像；
利用目标对象识别模型识别所述参考图像和所述参考图像所对应的防伪待检图像是否包含相同的目标对象，所述目标对象识别模型是利用训练图像样本训练得到的，所述训练图像样本包括至少具有防伪特征的防伪图像样本和参考图像样本；
若所述防伪待检图像和所述参考图像包含相同的目标对象，则利用防伪特征检测模型对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果，所述防伪特征检测模型是利用至少包括防伪特征的防伪图像样本训练得到的；
根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
本说明书实施例还提供一种图像真伪检测装置，包括：
目标对象识别模块，识别参考图像和所述参考图像对应的防伪待检图像是否包含相同的目标对象；
防伪特征检测模块，若所述防伪待检图像和所述参考图像包含相同的目标对象，则对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果；
真伪确定模块，根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
本说明书实施例还提供一种图像真伪检测装置，包括：
获取模块，从待检测证件获取参考证件照和所述参考证件照对应的防伪待检证件照；
人脸图像识别模块，识别所述防伪待检证件照和参考证件照是否包含相同的人脸图像；
防伪特征检测模块，若所述防伪待检证件照和所述参考证件照包含相同的人脸图像，则对所述防伪待检证件照进行防伪特征检测，得到防伪特征检测结果；
真伪确定模块，根据所述防伪特征检测结果确定所述待检测证件的真伪。
本说明书实施例还提供一种图像真伪检测装置，包括：
获取模块，获取参考图像和参考图像所对应的防伪待检图像；
目标对象识别模块，利用目标对象识别模型识别所述参考图像和参考图像所对应的防伪待检图像是否包含相同的目标对象，所述目标对象识别模型是利用训练图像样本训练得到的，所述训练图像样本包括至少具有防伪特征的防伪图像样本和参考图像样本；
防伪特征检测模块，若所述防伪待检图像和所述参考图像包含相同的目标对象，则利用防伪特征检测模型对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果，所述防伪特征检测模型是利用至少包括防伪特征的防伪图像样本训练得到的；
真伪确定模块，根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
本说明书实施例还提供一种电子设备，包括：
至少一个处理器；
存储器，存储器存储有程序，并且被配置成至少由一个所述处理器执行以下步骤：
识别参考图像和所述参考图像所对应的防伪待检图像是否包含相同的目标对象；
若所述防伪待检图像和所述参考图像包含相同的目标对象，则对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果；
根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
本说明书实施例还提供一种电子设备，包括：
至少一个处理器；
存储器，存储器存储有程序，并且被配置成至少由一个所述处理器执行以下步骤：
从待检测证件获取参考证件照和所述参考证件照对应的防伪待检证件照；
识别防伪待检证件照和参考证件照是否包含相同的人脸图像；
若所述防伪待检证件照和所述参考证件照包含相同的人脸图像，则对所述防伪待检证件照进行防伪特征检测，得到防伪特征检测结果；
根据所述防伪特征检测结果确定所述待检测证件的真伪。
本说明书实施例还提供一种电子设备，包括：
至少一个处理器；
存储器，存储器存储有程序，并且被配置成至少由一个所述处理器执行以下步骤：
获取参考图像和所述参考图像所对应的防伪待检图像；
利用目标对象识别模型识别所述参考图像和所述参考图像所对应的防伪待检图像是否包含相同的目标对象，所述目标对象识别模型是利用训练图像样本训练得到的，所述训练图像样本包括至少具有防伪特征的防伪图像样本和参考图像样本；
若所述防伪待检图像和所述参考图像包含相同的目标对象，则利用防伪特征检测模型对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果，所述防伪特征检测模型是利用至少包括防伪特征的防伪图像样本训练得到的；
根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书实施例提供一种图像真伪自动检测方案，先识别防伪待检图像和参考图像是否包含的目标对象，若所述防伪待检图像和所述参考图像包含相同的目标对象,则根据防伪特征检测规则对所述防伪待检图像进行处理，得到防伪特征检测结果，根据防伪特征检测结果确定防伪待检图像的真伪。本说明书实施例记载的技术方案可以自动识别目标对象和检测防伪特征，具有良好的精确度，即使对精细裁剪过的防伪待检图像或使用PS修改的防伪待检图像，也能够较为准确地检测真伪，突破人工检测真伪的视觉局限，提升图像真伪检测的效率，带来良好的用户体验。另外，自动识别目标对象和检测防伪特征均基于图像本身的特征，可以突破对物理材料的限制。
附图说明
此处所说明的附图用来提供对本说明书实施例的进一步理解，构成本说明书实施例的一部分，本说明书的示意性实施例及其说明用于解释本说明书实施例，并不构成对本说明书实施例的不当限定。在附图中：
图1为本说明书实施例提供的一种图像真伪检测方法的流程图；
图2为本说明书实施例提出的一种图像真伪检测方法的一个应用示例的流程图；
图3为本说明书实施例提出的一种图像真伪检测系统的训练阶段的流程图；
图4为本说明书实施例提供的一种图像真伪检测方法的流程图；
图5为本说明书实施例提出的一种图像真伪检测装置的结构示意图；
图6为本说明书实施例提出的一种图像真伪检测装置的结构示意图；
图7为本说明书实施例提供的一种图像真伪检测装置的结构示意图。
具体实施方式
发明人对现有技术进行分析发现，对基于两个图像的图像真伪检测方案，一种手段采用人工方式进行判别。另一种技术手段是在检测图像上添加磁条或光标记，通过扫描磁条或光标记判定图像真伪。
本说明书实施例提供一种图像真伪自动检测方案，先判断防伪待检图像和参考图像是否包含的目标对象，若所述防伪待检图像和所述参考图像包含相同的目标对象,则根据防伪特征检测规则对所述防伪待检图像进行处理，得到防伪特征检测结果，根据防伪特征检测结果确定防伪待检图像的真伪。本说明书实施例记载的技术方案可以自动识别目标对象和检测防伪特征，具有良好的精确度，即使对精细裁剪过的防伪待检图像或使用PS修改的防伪待检图像，也能够较为准确地检测真伪，突破人工检测真伪的视觉局限，提升图像真伪检测的效率，带来良好的用户体验。另外，自动识别目标对象和检测防伪特征均基于图像本身的特征，可以突破对物理材料的限制。
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本说明书实施例提供的一种图像真伪检测方法的流程图。
步骤101：识别参考图像和所述参考图像对应的防伪待检图像是否包含相同的目标对象。
在本说明书实施例中，所述参考图像可以是指识别所述防伪待检图像中的目标对象的参考或依据，而防伪待检图像则可以用于判定参考图像真伪。这样，识别参考图像和所述参考图像对应的防伪待检图像是否包含相同的目标对象，可以包括：
从参考图像中提取目标对象的特征值；
利用所述特征值与防伪待检图像进行特征值匹配，得到匹配结果；
根据匹配结果确定防伪待检图像中是否包含相同的目标对象。
在本说明书实施例中，从参考图像中提取目标对象的特征值，可以包括：
从参考图像中提取目标对象的形状或轮廓中的一种或两种的特征值。具体地，可以采用Harris角点检测、FAST特征检测、SURF检测、SIFT检测和MSER检测中的至少一种，在此不做具体限定。
在本说明书实施例中，识别参考图像和所述参考图像对应的防伪待检图像是否包含相同的目标对象，还可以是：
识别参考图像和防伪待检图像中是否包含同类目标对象；
若是，则将获取的参考图像中的目标对象和防伪待检图像中的目标对象进行特征匹配，得到目标对象识别结果。
在一种应用示例中，识别参考图像和防伪待检图像中是否包含同类目标对象，可以采用训练好的目标对象识别模型进行同类目标对象识别。具体地，可以将参考图像和防伪待检图像输入目标对象识别模型，进行目标对象的特征检测，输出同类目标对象的目标对象识别结果。
其中，目标对象识别模型可以是利用训练图像样本训练得到的，所述训练图像样本可以包括至少具有防伪特征的防伪图像样本和参考图像样本。具体地训练过程请参考下文相应内容，在此不做详述。
具体地，若目标对象为人脸，则可以采用训练好的人脸识别模型对参考图像和防伪待检图像进行人脸识别。若目标对象为动物类或其他类物体，则可以采用训练好的对应类的目标对象识别模型对参考图像和防伪待检图像进行同类目标对象的识别。
在本说明书实施例中，防伪待检图像和参考图像可以是位于同一载体，在该载体上可以预置目标对象的防伪待检图像和参考图像，这样可通过对防伪待检图像的真伪检测实现验证载体真伪。具体地，该载体可以是证件，如身份证件、护照等，在此不做具体限定。
这样，在识别参考图像和所述参考图像对应的防伪待检图像是否包含相同的目标对象之前，还可以包括：
根据预设采集规则，从待检测证件上采集证件照的所述防伪待检图像和参考图像。所述预设采集规则可以为预先设置的区分防伪待检图像和参考图像的策略。
在具体应用中，可以在现场采用扫描终端扫描待检测证件，得到防伪待检图像和参考图像。扫描终端可以是摄像头，不作具体限定。
在本说明书实施例中，所述预设采集规则可以包括如下至少一种：
用户指定操作；
所述防伪待检图像和参考图像的属性值。
在本说明书实施例中，用户指定操作可以是用户操作的动作或时序。
在一种应用示例中，可以从同一待检测证件上采集图像，然后根据用户的指定动作，确定防伪待检图像和参考图像。例如，用户的指定动作可以是作用在采集图像的点击、触摸或双击等动作，在此不做具体限定。
在一种应用示例中，可以依照预设时序指引用户分别采集防伪待检图像和参考图像。具体地，可以在终端显示提示框或设置语音提示，指引用户依照预设时序依次扫描防伪待检图像和参考图像。
在本说明书实施例中，防伪待检图像和参考图像的属性值可以是指防伪待检图像和参考图像在待检测证件上的位置、防伪待检图像和参考图像的尺寸和形状中的一种或多种。
在本说明书实施例中，防伪待检图像和参考图像可以不设置在同一载体。例如，防伪待检图像预先配置在载体上，如证件，而参考图像可以是对目标如人脸进行现场采集，具有即时性。
步骤103：若防伪待检图像和参考图像包含相同的目标对象，则对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果。
在本说明书实施例中，执行步骤101可以得到如下目标对象识别结果：
若不包含相同的目标对象，则可以直接判定防伪待检图像为伪造；
若包含相同的目标对象，则可以继续对防伪待检图像进行防伪特征检测。
在本说明书实施例中，对所述防伪待检图像进行防伪特征检测，可以包括：
对所述防伪待检图像进行防伪特征检测，得到所述防伪待检图像的至少一个特征图；
根据防伪特征判断规则对所述防伪待检图像的至少一个特征图进行处理，得到所述防伪特征检测结果。
在本说明书实施例中，防伪特征判断规则可以包括预设的防伪特征的特征值，利用预设的防伪特征的特征值与各特征图进行匹配，进而判别各特征图中是否包含满足预设匹配度的预设的防伪特征的特征值，得到防伪特征检测结果。
对于防伪特征的特征值可以是色度、形状和位置中的一种或多种，在此不作具体限定。
在一种应用实例中，对所述防伪待检图像进行防伪特征检测，得到所述防伪待检图像的至少一个特征图，可以包括：
利用防伪特征检测模型对所述防伪待检图像进行防伪特征检测，所述防伪特征检测模型是利用至少包括防伪特征的防伪图像样本训练得到的。
具体地，将防伪待检图像输入防伪特征检测模型，防伪特征检测模型可以提取防伪待检图像的特征向量，并从中计算防伪特征的特征向量所占权重，输出防伪待检图像中包含防伪特征的可能性，作为防伪特征检测结果。
在本说明书实施例中，防伪特征检测模型可以为神经网络模型。这样，利用防伪特征检测模型对所述防伪待检图像进行防伪特征检测，可以包括：
利用神经网络模型对所述防伪待检图像进行防伪特征检测。
具体地，神经网络模型可以选择深层神经网络模型、卷积神经网络模型或其他类型神经网络模型或其他类型的机器学习模型，在此不作具体限定。
在本说明书实施例中，还可以直接提取图像特征进行匹配，对防伪待检图像进行防伪特征检测。具体地，对所述防伪待检图像进行防伪特征检测，可以包括：
利用预设的防伪特征的形状和色度中的至少一种，对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果。这可以是：
通过提取防伪待检图像中的形状和色度，与预设的防伪特征的形状和色度中的至少一种进行匹配，根据匹配度来确定防伪特征检测结果。
步骤105：根据防伪特征检测结果确定防伪待检图像的真伪。
如果防伪特征检测结果指示检测到防伪特征，则确定防伪待检图像为真实图像；
如果防伪特征检测结果指示未检测到防伪特征，则可以认定防伪待检图像为伪造图像。
需要说明的是，防伪特征检测和伪造痕迹检测是基于同一发明构思的同一方案，当防伪特征检测结果指示未检测到防伪特征时，可以认为检测到伪造痕迹等非防伪特征。
在本说明书一种应用实例中，若应用在证件检验场景中，可以根据防伪待检图像的真伪来判定待检测证件的真伪。
利用本说明书实施例记载的方案，可以自动识别目标对象和检测防伪特征，具有良好的精确度，能够提升图像真伪检测的效率，带来良好的用户体验。另外，自动识别目标对象和检测防伪特征均基于图像本身的特征，可以突破对物理材料的限制。
图2为本说明书实施例提出的一种图像真伪检测方法的一个应用示例的流程图。
步骤202：从待检测证件获取参考证件照和所述参考证件照对应的防伪待检证件照。
在本场景中，参考证件照为一种应用示例的参考图像，防伪待检证件照为一种应用示例的防伪待检图像。
在一种应用实例中，防伪待检证件照可以是标准照，参考证件照可以是相对于标准照的缩略图，在此不作具体限定。
在本说明书实施例中，从待检测证件获取参考证件照和所述参考证件照对应的防伪待检证件照，可以是结合如下场景；
在一种应用实例中，现场采集待检测证件上的参考证件照和所述参考证件照对应的防伪待检证件照；
在另一种应用实例中，在实名认证时，从用户上传的待检测证件上提取参考证件照和所述参考证件照对应的防伪待检证件照。
步骤204：识别所述防伪待检证件照和参考证件照是否包含相同的人脸图像。
在一种应用示例中，可以采用作为目标对象识别模型的一个应用示例的人脸识别模型，识别所述防伪待检证件照和参考证件照是否包含相同的人脸图像。
步骤206：若所述防伪待检证件照和所述参考证件照包含相同的人脸图像，则对所述防伪待检证件照进行防伪特征检测，得到防伪特征检测结果。
若所述防伪待检证件照和所述参考证件照包含不同的人脸图像，则直接判定待检测证件为伪造证件。
在一种应用示例中，可以采用利用训练图像样本训练得到的防伪特征检测模型对防伪待检证件照进行防伪特征检测，检测精确度高。
步骤208：根据防伪特征检测结果确定所述待检测证件的真伪。
具体地，如果根据防伪特征检测结果确定防伪待检证件照中不包含防伪特征或者检测到伪造痕迹，则可以确定该防伪待检证件照是伪造的，那么待检测证件也是伪造的。
利用本说明书实施例记载的技术方案，可以自动识别人脸图像和检测防伪特征，具有良好的精确度，即使对精细裁剪过的人脸图像或使用PS修改的人脸图像，也能够较为准确地检测真伪，突破人工检测真伪的视觉局限，提升图像真伪检测的效率，带来良好的用户体验。另外，自动识别人脸图像和检测防伪特征均基于图像本身的特征，可以突破对物理材料的限制。
如图3所示，本说明书实施例还提供一种图像真伪检测系统，其可以包括目标对象识别模型和防伪特征检测模型。图3为本说明书实施例提出的一种图像真伪检测系统的训练阶段的流程图。
步骤301：确定训练图像样本，所述训练图像样本包含参考图像样本和参考图像样本对应的防伪图像样本，所述防伪图像样本中至少包括具有防伪特征的图像样本。
如图所示，训练图像样本30中可以包含多组样本，每组样本可以包括参考图像样本和参考图像样本对应的防伪图像样本。
基于训练要求，训练图像样本中可以包括白样本，还可以包括和黑样本，这可以提升训练模型的精确度。对于白样本来说，防伪图像样本相比于参考图像样本可以包含防伪特征3a，所对应的样本可以作为白样本，具体图3中训练图像样本30中上面一排的防伪图像样本31、32、33、34。
需要说明的是，图3所示防伪特征3a提供了一种应用示例，并不限定其他形状、色度中的一种或两种的组合的其他示例的防伪特征。
对于黑样本来说，防伪图像样本相比于参考图像样本可以包含伪造痕迹等非防伪特征，或不包含其他防伪特征或非防伪特征。具体如图3中训练图像样本30中下面一排的防伪图像样本35、36、37分别包含伪造痕迹3b、3c、3d，其他防伪图像样本可以不包含其他防伪特征或非防伪特征。
伪造痕迹3b相比于防伪特征3a，色度发生变化。伪造痕迹3c相比于伪造特征3a，形状发生变化。伪造痕迹3d相比于伪造特征3a，出现位置偏移。需要说明的是，图3所示伪造痕迹3b、3c、3d提供了一种应用示例，并不限定其他形状、色度等示例的伪造痕迹。
对于训练图像样本30中的各样本，可以设置标签，标签用来识别黑样本或白样本，这种训练模式为全监督训练模式。
在本说明书实施例中，对于训练图像样本中的各样本，也可以采用半监督模式进行训练，半监督模式可以补偿样本数不足的情况，满足训练模型精确度的问题。
步骤303：将训练图像样本30输入目标对象识别模型，利用所述训练图像样本30训练得到目标对象识别模型，目标对象识别模型识别参考图像和所述参考图像对应的防伪待检图像是否包含相同的目标对象。
目标对象识别模型包括特定类目标对象检测和目标对象匹配两个子模型，对特定类目标对象检测子模型，可以为神经网络模型，具体地可以选择深度神经网络模型、卷积神经网络模型或其他模型，在此不做具体限定。
步骤305：利用训练所述目标对象识别模型所得到的具有对应的包含相同目标对象的参考图像样本的防伪图像样本，训练得到防伪特征检测模型，所述防伪特征检测模型对防伪待检图像进行防伪特征检测。
在本说明书实施例中，防伪特征检测模型可以选择神经网络模型，如深度神经网络模型、卷积神经网络模型或其他模型，在此不做具体限定。
在训练时，将防伪图像样本输入到神经网络模型，基于神经网络模型输出的预测结果与原始的防伪图像样本的真实结果进行比较，构造神经网络损失函数。之后，利用神经网络损失函数对神经网络模型进行反向传播，以更新神经网络模型的模型参数，具体过程在此不做详述。
利用本说明书实施例记载的方案，可以训练得到图像真伪检测系统。其中，在训练防伪特征检测模型时，不仅要收集大量的携带防伪特征的防伪图像样本和对应的参考图像样本，还要在训练时根据防伪特征的特殊属性不断地配置、修改和测试防伪特征检测模型的参数，这需要付出大量的创造性劳动，而非简单借用其他机器学习模型所能得到，从而确保防伪特征检测模型具有良好的精确度。这样在应用到具体检测过程中，免去人工干预，具有良好的精确度，即使对精细裁剪过的防伪待检图像或使用PS修改的防伪待检图像，也能够较为准确地检测真伪，突破人工检测真伪的视觉局限。
图4为本说明书实施例提供的一种图像真伪检测方法的流程图。
步骤402：获取参考图像4a和参考图像4a所对应的防伪待检图像4b。
步骤404：将参考图像4a和参考图像4a所对应的防伪待检图像4b输入到目标对象识别模型41中，利用目标对象识别模型41识别参考图像4a和参考图像4a所对应的防伪待检图像4b是否包含相同的目标对象。其中目标对象识别模型41是利用包括防伪图像样本和参考图像样本的训练图像样本训练得到。
步骤406：若所述防伪待检图像4b和所述参考图像4a包含相同的目标对象，则利用防伪特征检测模型42对所述防伪待检图像4b进行防伪特征检测，得到防伪特征检测结果；
步骤408：根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
利用本说明书实施例记载的方案，基于机器学习得到的目标对象识别模型41和防伪特征检测模型42进行图像真伪检测，可以免去人工干预，即使对精细裁剪过的防伪待检图像或使用PS修改的防伪待检图像，也能够较为准确地检测真伪，突破人工检测真伪的视觉局限。
图5为本说明书实施例提出的一种图像真伪检测装置的结构示意图。
本说明书实施例记载的图像真伪检测装置可以包括：
目标对象识别模块501，识别参考图像和所述参考图像对应的防伪待检图像是否包含相同的目标对象；
防伪特征检测模块502，若所述防伪待检图像和所述参考图像包含相同的目标对象，则对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果；
真伪确定模块503，根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
可选地，图像真伪检测装置还包括：
采集模块504，在识别防伪待检图像和参考图像是否包含相同的目标对象之前，从待检测证件上采集证件照的所述防伪待检图像和参考图像；
在根据所述防伪特征检测结果确定所述防伪待检图像的真伪之后，所述真伪确定模块503还根据所述防伪待检图像的真伪确定所述待检测证件的真伪。
可选地，对所述防伪待检图像进行防伪特征检测，包括：
对所述防伪待检图像进行防伪特征检测，得到所述防伪待检图像的至少一个特征图；
根据防伪特征判断规则对所述防伪待检图像的至少一个特征图进行处理，得到所述防伪特征检测结果。
可选地，对所述防伪待检图像进行防伪特征检测，得到所述防伪待检图像的至少一个特征图，包括：
利用防伪特征检测模型对所述防伪待检图像进行防伪特征检测，所述防伪特征检测模型是利用至少包括防伪特征的防伪图像样本训练得到的。
本说明书实施例记载的图像真伪检测装置可以自动识别目标对象和检测防伪特征，具有良好的精确度，即使对精细裁剪过的防伪待检图像或使用PS修改的防伪待检图像，也能够较为准确地检测真伪，突破人工检测真伪的视觉局限，提升图像真伪检测的效率，带来良好的用户体验。另外，自动识别目标对象和检测防伪特征均基于图像本身的特征，可以突破对物理材料的限制。
基于同一发明构思，本说明书实施例还提供一种电子设备，包括：
至少一个处理器；
存储器，存储器存储有程序，并且被配置成至少由一个所述处理器执行以下步骤：
识别参考图像和所述参考图像对应的防伪待检图像是否包含相同的目标对象；
若所述防伪待检图像和所述参考图像包含相同的目标对象，则对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果；
根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
其中，处理器的其他功能还可以参见上述实施例中记载的内容，这里不再一一赘述。
基于同一个发明构思，本说明书实施例还提供一种计算机可读存储介质，该计算机可读存储介质包括与电子设备结合使用的程序，程序可被处理器执行以完成以下步骤：
识别参考图像和所述参考图像对应的防伪待检图像是否包含相同的目标对象；
若所述防伪待检图像和所述参考图像包含相同的目标对象，则对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果；
根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
图6为本说明书实施例提出的一种图像真伪检测装置的结构示意图。
本说明书实施例记载的图像真伪检测装置可以包括：
获取模块601，从待检测证件获取参考证件照和所述参考证件照对应的防伪待检证件照；
人脸图像识别模块602，识别所述防伪待检证件照和参考证件照是否包含相同的人脸图像；
防伪特征检测模块603，若所述防伪待检证件照和所述参考证件照包含相同的人脸图像，则对所述防伪待检证件照进行防伪特征检测，得到防伪特征检测结果；
真伪确定模块604，根据所述防伪特征检测结果确定所述待检测证件的真伪。
利用本说明书实施例记载的图像真伪检测装置，可以自动识别人脸图像和检测防伪特征，具有良好的精确度，即使对精细裁剪过的人脸图像或使用PS修改的人脸图像，也能够较为准确地检测真伪，突破人工检测真伪的视觉局限，提升图像真伪检测的效率，带来良好的用户体验。另外，自动识别人脸图像和检测防伪特征均基于图像本身的特征，可以突破对物理材料的限制。
基于同一发明构思，本说明书实施例还提供一种电子设备，包括：
至少一个处理器；
存储器，存储器存储有程序，并且被配置成至少由一个所述处理器执行以下步骤：
从待检测证件获取参考证件照和所述参考证件照对应的防伪待检证件照；
识别防伪待检证件照和参考证件照是否包含相同的人脸图像；
若所述防伪待检证件照和所述参考证件照包含相同的人脸图像，则对所述防伪待检证件照进行防伪特征检测，得到防伪特征检测结果；
根据所述防伪特征检测结果确定所述待检测证件的真伪。
其中，处理器的其他功能还可以参见上述实施例中记载的内容，这里不再一一赘述。
基于同一个发明构思，本说明书实施例还提供一种计算机可读存储介质，该计算机可读存储介质包括与电子设备结合使用的程序，程序可被处理器执行以完成以下步骤：
从待检测证件获取参考证件照和所述参考证件照对应的防伪待检证件照；
识别防伪待检证件照和参考证件照是否包含相同的人脸图像；
若所述防伪待检证件照和所述参考证件照包含相同的人脸图像，则对所述防伪待检证件照进行防伪特征检测，得到防伪特征检测结果；
根据所述防伪特征检测结果确定所述待检测证件的真伪。
图7为本说明书实施例提供的一种图像真伪检测装置的结构示意图。
本说明书实施例记载的图像真伪检测装置可以包括：
获取模块701，获取参考图像和所述参考图像所对应的防伪待检图像；
目标对象识别模块702，利用目标对象识别模型识别参考图像和所述参考图像所对应的防伪待检图像是否包含相同的目标对象，所述目标对象识别模型是利用训练图像样本训练得到的，所述训练图像样本包括至少具有防伪特征的防伪图像样本和参考图像样本；
防伪特征检测模块703，若所述防伪待检图像和所述参考图像包含相同的目标对象，则利用防伪特征检测模型对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果，所述防伪特征检测模型是利用至少包括防伪特征的防伪图像样本训练得到的；
真伪检测模块704，根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
利用本说明书实施例记载的图像真伪检测装置，基于机器学习训练得到的目标对象识别模型和防伪特征检测模型进行图像真伪检测，可以免去人工干预，即使对精细裁剪过的防伪待检图像或使用PS修改的防伪待检图像，也能够较为准确地检测真伪，突破人工检测真伪的视觉局限。对于防伪特征检测模型来说，在训练防伪特征检测模型时，不仅要收集大量的关于携带防伪特征的防伪图像样本和对应的参考图像样本，还要在训练时根据防伪特征的特殊属性不断地配置、修改和测试防伪特征检测模型的参数，这需要付出大量的创造性劳动，从而确保防伪特征检测模型具有良好的精确度。
基于同一发明构思，本说明书实施例还提供一种电子设备，包括：
至少一个处理器；
存储器，存储器存储有程序，并且被配置成至少由一个所述处理器执行以下步骤：
获取参考图像和所述参考图像所对应的防伪待检图像；
利用目标对象识别模型识别所述参考图像和所述参考图像所对应的防伪待检图像是否包含相同的目标对象，所述目标对象识别模型是利用训练图像样本训练得到的，所述训练图像样本包括至少具有防伪特征的防伪图像样本和参考图像样本；
若所述防伪待检图像和所述参考图像包含相同的目标对象，则利用防伪特征检测模型对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果，所述防伪特征检测模型是利用至少包括防伪特征的防伪图像样本训练得到的；
根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
其中，处理器的其他功能还可以参见上述实施例中记载的内容，这里不再一一赘述。
基于同一个发明构思，本说明书实施例还提供一种计算机可读存储介质，该计算机可读存储介质包括与电子设备结合使用的程序，程序可被处理器执行以完成以下步骤：
获取参考图像和所述参考图像所对应的防伪待检图像；
利用目标对象识别模型识别所述参考图像和所述参考图像所对应的防伪待检图像是否包含相同的目标对象，所述目标对象识别模型是利用训练图像样本训练得到的，所述训练图像样本包括至少具有防伪特征的防伪图像样本和参考图像样本；
若所述防伪待检图像和所述参考图像包含相同的目标对象，则利用防伪特征检测模型对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果，所述防伪特征检测模型是利用至少包括防伪特征的防伪图像样本训练得到的；
根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (19)

1.一种图像真伪检测方法，包括：
识别参考图像和所述参考图像对应的防伪待检图像是否包含相同的目标对象；
若所述防伪待检图像和所述参考图像包含相同的目标对象，则利用预设的防伪特征的形状、色度和位置中的至少一种，对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果；
根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
2.如权利要求1所述的方法，在识别参考图像和所述参考图像对应的防伪待检图像是否包含相同的目标对象之前，还包括：
根据预设采集规则，从待检测证件上采集证件照的所述防伪待检图像和参考图像；
在根据所述防伪特征检测结果确定所述防伪待检图像的真伪之后，还包括：
根据所述防伪待检图像的真伪确定所述待检测证件的真伪。
3.如权利要求2所述的方法，所述预设采集规则包括如下至少一种：
用户指定操作；
所述防伪待检图像和参考图像的属性值。
4.如权利要求1所述的方法，对所述防伪待检图像进行防伪特征检测，包括：
对所述防伪待检图像进行防伪特征检测，得到所述防伪待检图像的至少一个特征图；
根据防伪特征判断规则对所述防伪待检图像的至少一个特征图进行处理，得到所述防伪特征检测结果。
5.如权利要求4所述的方法，对所述防伪待检图像进行防伪特征检测，得到所述防伪待检图像的至少一个特征图，包括：
利用防伪特征检测模型对所述防伪待检图像进行防伪特征检测，所述防伪特征检测模型是利用至少包括防伪特征的防伪图像样本训练得到的。
6.如权利要求5所述的方法，利用防伪特征检测模型对所述防伪待检图像进行防伪特征检测，包括：
利用神经网络模型对所述防伪待检图像进行防伪特征检测。
7.如权利要求1所述的方法，对所述防伪待检图像进行防伪特征检测，包括：
利用预设的防伪特征的形状和色度中的至少一种，对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果。
8.一种图像真伪检测方法，包括：
从待检测证件获取参考证件照和所述参考证件照对应的防伪待检证件照；
识别所述防伪待检证件照和参考证件照是否包含相同的人脸图像；
若所述防伪待检证件照和所述参考证件照包含相同的人脸图像，则利用预设的防伪特征的形状、色度和位置中的至少一种，对所述防伪待检证件照进行防伪特征检测，得到防伪特征检测结果；
根据所述防伪特征检测结果确定所述待检测证件的真伪。
9.如权利要求8所述的方法，对所述防伪待检证件照进行防伪特征检测，包括：
利用防伪特征检测模型对所述防伪待检证件照进行防伪特征检测，所述防伪特征检测模型是利用至少包括防伪特征的防伪图像样本训练得到的。
10.一种图像真伪检测方法，包括：
获取参考图像和所述参考图像所对应的防伪待检图像；
利用目标对象识别模型识别所述参考图像和所述参考图像所对应的防伪待检图像是否包含相同的目标对象，所述目标对象识别模型是利用训练图像样本训练得到的，所述训练图像样本包括至少具有防伪特征的防伪图像样本和参考图像样本；
若所述防伪待检图像和所述参考图像包含相同的目标对象，则利用预设的防伪特征的形状、色度和位置中的至少一种，利用防伪特征检测模型对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果，所述防伪特征检测模型是利用至少包括防伪特征的防伪图像样本训练得到的；
根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
11.一种图像真伪检测装置，包括：
目标对象识别模块，识别参考图像和所述参考图像对应的防伪待检图像是否包含相同的目标对象；
防伪特征检测模块，若所述防伪待检图像和所述参考图像包含相同的目标对象，则利用预设的防伪特征的形状、色度和位置中的至少一种，对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果；
真伪确定模块，根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
12.如权利要求11所述的装置，还包括：
采集模块，在识别防伪待检图像和参考图像是否包含相同的目标对象之前，从待检测证件上采集证件照的所述防伪待检图像和参考图像；
在根据所述防伪特征检测结果确定所述防伪待检图像的真伪之后，所述真伪确定模块还根据所述防伪待检图像的真伪确定所述待检测证件的真伪。
13.如权利要求11所述的装置，对所述防伪待检图像进行防伪特征检测，包括：
对所述防伪待检图像进行防伪特征检测，得到所述防伪待检图像的至少一个特征图；
根据防伪特征判断规则对所述防伪待检图像的至少一个特征图进行处理，得到所述防伪特征检测结果。
14.如权利要求13所述的装置，对所述防伪待检图像进行防伪特征检测，，得到所述防伪待检图像的至少一个特征图，包括：
利用防伪特征检测模型对所述防伪待检图像进行防伪特征检测，所述防伪特征检测模型是利用至少包括防伪特征的防伪图像样本训练得到的。
15.一种图像真伪检测装置，包括：
获取模块，从待检测证件获取参考证件照和所述参考证件照对应的防伪待检证件照；
人脸图像识别模块，识别所述防伪待检证件照和参考证件照是否包含相同的人脸图像；
防伪特征检测模块，若所述防伪待检证件照和所述参考证件照包含相同的人脸图像，则利用预设的防伪特征的形状、色度和位置中的至少一种，对所述防伪待检证件照进行防伪特征检测，得到防伪特征检测结果；
真伪确定模块，根据所述防伪特征检测结果确定所述待检测证件的真伪。
16.一种图像真伪检测装置，包括：
获取模块，获取参考图像和参考图像所对应的防伪待检图像；
目标对象识别模块，利用目标对象识别模型识别所述参考图像和参考图像所对应的防伪待检图像是否包含相同的目标对象，所述目标对象识别模型是利用训练图像样本训练得到的，所述训练图像样本包括至少具有防伪特征的防伪图像样本和参考图像样本；
防伪特征检测模块，若所述防伪待检图像和所述参考图像包含相同的目标对象，则利用预设的防伪特征的形状、色度和位置中的至少一种，利用防伪特征检测模型对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果，所述防伪特征检测模型是利用至少包括防伪特征的防伪图像样本训练得到的；
真伪确定模块，根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
17.一种电子设备，包括：
至少一个处理器；
存储器，存储器存储有程序，并且被配置成至少由一个所述处理器执行以下步骤：
识别参考图像和所述参考图像所对应的防伪待检图像是否包含相同的目标对象；
若所述防伪待检图像和所述参考图像包含相同的目标对象，则利用预设的防伪特征的形状、色度和位置中的至少一种，对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果；
根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
18.一种电子设备，包括：
至少一个处理器；
存储器，存储器存储有程序，并且被配置成至少由一个所述处理器执行以下步骤：
从待检测证件获取参考证件照和所述参考证件照对应的防伪待检证件照；
识别防伪待检证件照和参考证件照是否包含相同的人脸图像；
若所述防伪待检证件照和所述参考证件照包含相同的人脸图像，则利用预设的防伪特征的形状、色度和位置中的至少一种，对所述防伪待检证件照进行防伪特征检测，得到防伪特征检测结果；
根据所述防伪特征检测结果确定所述待检测证件的真伪。
19.一种电子设备，包括：
至少一个处理器；
存储器，存储器存储有程序，并且被配置成至少由一个所述处理器执行以下步骤：
获取参考图像和所述参考图像所对应的防伪待检图像；
利用目标对象识别模型识别所述参考图像和所述参考图像所对应的防伪待检图像是否包含相同的目标对象，所述目标对象识别模型是利用训练图像样本训练得到的，所述训练图像样本包括至少具有防伪特征的防伪图像样本和参考图像样本；
若所述防伪待检图像和所述参考图像包含相同的目标对象，则利用防伪特征检测模型利用预设的防伪特征的形状、色度和位置中的至少一种，对所述防伪待检图像进行防伪特征检测，得到防伪特征检测结果，所述防伪特征检测模型是利用至少包括防伪特征的防伪图像样本训练得到的；
根据所述防伪特征检测结果确定所述防伪待检图像的真伪。
CN201910489357.3A 2019-06-06 2019-06-06 一种图像真伪检测方法、装置及电子设备 Active CN110309859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910489357.3A CN110309859B (zh) 2019-06-06 2019-06-06 一种图像真伪检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910489357.3A CN110309859B (zh) 2019-06-06 2019-06-06 一种图像真伪检测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN110309859A CN110309859A (zh) 2019-10-08
CN110309859B true CN110309859B (zh) 2023-04-07

Family

ID=68075684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910489357.3A Active CN110309859B (zh) 2019-06-06 2019-06-06 一种图像真伪检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110309859B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275042B (zh) * 2020-01-21 2023-07-18 支付宝实验室(新加坡)有限公司 伪造证件的识别方法、装置及电子设备
CN111291797A (zh) * 2020-01-21 2020-06-16 支付宝实验室(新加坡)有限公司 一种防伪识别方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599923A (zh) * 2016-12-16 2017-04-26 广州广电运通金融电子股份有限公司 一种对印防伪特征的检测方法及装置
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
WO2019024718A1 (zh) * 2017-07-29 2019-02-07 Oppo广东移动通信有限公司 防伪处理方法、防伪处理装置及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599923A (zh) * 2016-12-16 2017-04-26 广州广电运通金融电子股份有限公司 一种对印防伪特征的检测方法及装置
WO2019024718A1 (zh) * 2017-07-29 2019-02-07 Oppo广东移动通信有限公司 防伪处理方法、防伪处理装置及电子设备
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于旋转灰度特征与位移约束的图像伪造检测算法;李晓红等;《新疆大学学报(自然科学版)》;20180716(第03期);全文 *

Also Published As

Publication number Publication date
CN110309859A (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
CN107358157B (zh) 一种人脸活体检测方法、装置以及电子设备
CN109117848B (zh) 一种文本行字符识别方法、装置、介质和电子设备
CN106778757B (zh) 基于文本显著性的场景文本检测方法
CN110110715A (zh) 文本检测模型训练方法、文本区域、内容确定方法和装置
CN112052186B (zh) 目标检测方法、装置、设备以及存储介质
CN111324874B (zh) 一种证件真伪识别方法及装置
CN110582783B (zh) 训练装置、图像识别装置、训练方法和计算机可读信息存储介质
CN110309859B (zh) 一种图像真伪检测方法、装置及电子设备
CN111583180B (zh) 一种图像的篡改识别方法、装置、计算机设备及存储介质
CN110263805B (zh) 证件验证、身份验证方法、装置及设备
CN108520263B (zh) 一种全景图像的识别方法、系统及计算机存储介质
CN109299276B (zh) 一种将文本转化为词嵌入、文本分类方法和装置
CN111291797A (zh) 一种防伪识别方法、装置及电子设备
He et al. Aggregating local context for accurate scene text detection
CN111310634B (zh) 证件类型识别模板的生成方法、证件识别方法及装置
CN116206334A (zh) 一种野生动物识别方法和装置
Song et al. Depth-aware saliency detection using discriminative saliency fusion
CN110443306B (zh) 葡萄酒木塞的鉴伪方法
CN111242114A (zh) 文字识别方法及装置
CN107924493A (zh) 学习装置和学习识别系统
CN114998962A (zh) 一种活体检测以及模型训练方法及装置
CN109977729A (zh) 一种文本检测方法及装置
CN114926437A (zh) 一种图像质量评价方法及装置
CN115004245A (zh) 目标检测方法、装置、电子设备和计算机存储介质
CN109325521B (zh) 用于虚拟人物的检测方法及装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201009

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20201009

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

GR01 Patent grant
GR01 Patent grant