CN110516739B - 一种证件识别方法、装置及设备 - Google Patents

Abstract

本说明书实施例提供一种证件识别方法、装置及设备。方案包括：获取第一扫描角度下包括多个防伪区域的证件的第一扫描图像，防伪区域在不同的扫描角度呈现不同的图像信息；再获取第二扫描角度下证件的第二扫描图像，采用分类模型对第一图像进行处理，得到包括用于表征第一图像的多个防伪区域的特征信息的第一表征向量；对第二图像进行处理，得到包括用于表征第二图像的多个防伪区域的特征信息的第二表征向量，计算第一表征向量与第二表征向量的第一相似度；当第一相似度小于预设阈值时，确定证件通过识别。

Description

一种证件识别方法、装置及设备

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种证件识别方法、装置及设备。

背景技术

目前，随着互联网技术的发展，各种证件越来越多地被应用于人们的日常生活中，如工作证、出入证、居住证、身份证等，这些证件都趋向智能化，为我们的生活带来了极大的便利，与此同时，由于证件上携带着大量的个人信息，因此对证件的安全性、真实性和不可复制性也有了更高的要求，因此，应运而生了很多证件防伪技术，从而提高证卡的安全防伪系数。但是，随着证件使用的普及，制作假证件的案例不断涌现，各类证件造假案也层出不穷，因此，人们对证件防伪的关注度越来越高。

现有技术中，在进行证件识别时，一般都是对证件中的单一防伪标签进行识别或者分别对多个标签一一进行识别，以验证证件的真伪，过程复杂，效率低，准确率低。

因此，需要提供一种更可靠的证件识别方案。

发明内容

有鉴于此，本说明书一个或多个实施例提供了一种证件识别方法、装置及设备，用于采用分类模型同时对证件中的防伪区域进行识别，识别准确率高。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种证件识别方法，包括：

获取第一扫描角度下证件的第一扫描图像，所述扫描角度为所述的扫描镜头所在平面与所述证件所在平面之间的夹角，所述证件包括一个或多个防伪区域，所述防伪区域在不同的扫描角度呈现不同的图像信息；

获取第二扫描角度下所述证件的第二扫描图像，所述第一扫描角度与所述第二扫描角度不同；

采用分类模型对所述第一图像进行处理，得到第一表征向量，所述第一表征向量包括用于表征所述第一图像的多个防伪区域的特征信息；

采用所述分类模型对所述第二图像进行处理，得到第二表征向量，所述第二表征向量包括用于表征所述第二图像的多个防伪区域的特征信息；

计算所述第一表征向量与所述第二表征向量的第一相似度；

判断所述第一相似度是否小于预设阈值，得到第一判断结果；

当所述第一判断结果表示所述第一相似度小于预设阈值时，确定所述证件通过识别。

本说明书实施例提供的一种证件识别装置，包括：

第一扫描图像获取模块，用于获取第一扫描角度下证件的第一扫描图像，所述证件包括一个或多个防伪区域，所述防伪区域在不同的扫描角度呈现不同的图像信息；

第二扫描图像获取模块，用于获取第二扫描角度下所述证件的第二扫描图像，所述第一扫描角度与所述第二扫描角度不同；

第一表征向量确定模块，用于采用分类模型对所述第一图像进行处理，得到第一表征向量，所述第一表征向量包括用于表征所述第一图像的多个防伪区域的特征信息；

第二表征向量模块，用于采用所述分类模型对所述第二图像进行处理，得到第二表征向量，所述第二表征向量包括用于表征所述第二图像的多个防伪区域的特征信息；

第一相似度计算模块，用于计算所述第一表征向量与所述第二表征向量的第一相似度；

第一判断模块，用于判断所述第一相似度是否小于预设阈值，得到第一判断结果；

证件识别模块，用于当所述第一判断结果表示所述第一相似度小于预设阈值时，确定所述证件通过识别。

本说明书实施例提供的一种证件识别设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取第一扫描角度下证件的第一扫描图像，所述证件包括一个或多个防伪区域，所述防伪区域在不同的扫描角度呈现不同的图像信息；

获取第二扫描角度下所述证件的第二扫描图像，所述第一扫描角度与所述第二扫描角度不同；

采用分类模型对所述第一图像进行处理，得到第一表征向量，所述第一表征向量包括用于表征所述第一图像的多个防伪区域的特征信息；

采用所述分类模型对所述第二图像进行处理，得到第二表征向量，所述第二表征向量包括用于表征所述第二图像的多个防伪区域的特征信息；

计算所述第一表征向量与所述第二表征向量的第一相似度；

判断所述第一相似度是否小于预设阈值，得到第一判断结果；

当所述第一判断结果表示所述第一相似度小于预设阈值时，确定所述证件通过识别。

本说明书实施例提供的一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现一种证件识别方法。

本说明书一个实施例实现了能够达到以下有益效果：通过获取第一扫描角度下证件的第一扫描图像，所述证件包括一个或多个在不同的扫描角度呈现不同的图像信息的防伪区域；获取第二扫描角度下所述证件的第二扫描图像，所述第一扫描角度与所述第二扫描角度不同；采用分类模型分别对第一图像和第二图像进行处理，得到用于表征所述图像的多个防伪区域的特征信息的第一表征向量和第二表征向量，计算所述第一表征向量与所述第二表征向量的第一相似度，当所述第一相似度小于预设阈值时，确定所述证件通过识别，通过相似程度判断被扫描证件的真伪，能够同时对证件中的多个防伪区域进行识别，识别准确率高；采用分类模型同时验证证件中的防伪区域，不需要对每个防伪标签单独进行验证，提高了证件的防伪效率。

附图说明

此处所说明的附图用来提供对本说明书一个或多个实施例的进一步理解，构成本说明书一个或多个实施例的一部分，本说明书的示意性实施例及其说明用于解释本说明书一个或多个实施例，并不构成对本说明书一个或多个实施例的不当限定。在附图中：

图1为本说明书实施例中一种证件识别方法的整体流程示意图；

图2为本说明书实施例提供的一种证件识别方法的流程示意图；

图3为本说明书实施例提供的一种证件识别方法中香港居民身份证的证件示意图；

图4为本说明书实施例提供的对应于图2的一种证件识别装置的结构示意图；

图5为本说明书实施例提供的对应于图2的一种证件识别设备的结构示意图。

具体实施方式

为使本说明书一个或多个实施例的目的、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一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明中的实施例，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，都属于本说明书一个或多个实施例保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书实施例中一种证件识别方法的整体流程示意图。如图1所示，获取多个扫描角度下证件的扫描图像，将证件图像输入到训练后的多标签分类模型中，输出表征向量，所述表征向量可以包括用于表征扫描图像的多个防伪区域的特征信息，每个标签的取值可以对应于该标签对应的防伪区域所呈现的图像信息状态，比如：三角形的红黄绿三种状态、HK图标中的任一种、人像清晰度以及数字清晰度，获取表征信息之后，计算表征信息之间的相似度，根据相似度进行证件真伪识别。

接下来，将针对说明书实施例提供的一种证件识别方法结合附图进行具体说明：

图2为本说明书实施例提供的一种证件识别方法的流程示意图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端。

如图2所示，该流程可以包括以下步骤：

步骤202：获取第一扫描角度下证件的第一扫描图像，所述证件包括一个或多个防伪区域，所述防伪区域在不同的扫描角度呈现不同的图像信息。

扫描角度为扫描镜头所在平面与所述证件所在平面之间的夹角。

证件可以指用来证明用户身份、经历等证书和文件，比如：居民身份证，护照等证件。

在进行证件扫描识别时，可以开启证件扫描模式，比如：通过安装的应用程序打开摄像头功能，出现证件扫描界面。这里提到的扫描角度可以理解为摄像头所在平面与证件所在平面之间的夹角。

在实际应用中，第一扫描角度可以表示的扫描镜头所在的平面与证件所在平面之间的夹角。第一扫描角度可以表示一个角度值，也可以表示一个角度范围。比如：第一扫描角度为10°，或者第一扫描角度为0°-20°。

防伪区域可以表示的是证件中用于进行防伪识别的至少一个区域。一个证件中可以存在多个防伪区域。

步骤204：获取第二扫描角度下所述证件的第二扫描图像，所述第一扫描角度与所述第二扫描角度不同。

为了保证获取到的扫描图像为不同姿态下的证件的扫描图像，可以通过变化扫描角度的方式来获取扫描图像，获取不同扫描角度下的证件的扫描图像。

需要说明的是不同姿态，可以表示的是证件的不同姿态，也可以表示扫描摄像头的姿态，通过改变扫描角度来获取不同姿态下的证件扫描图像，可以通过倾斜设备，使摄像头所在平面倾斜，从而改变扫描角度，也可以通过改变证件的姿态来改变扫描角度，比如：在进行扫描时，让证件处于晃动状态，也可以获得不同姿态下证件的扫描图像。本方案中在扫描证件图像时，只需要保证能够获取到不同姿态下(不同扫描角度)得到的证件扫描图像，对具体改变扫描角度的方式本方案并不作限定。

步骤206：采用分类模型对所述第一图像进行处理，得到第一表征向量，所述第一表征向量包括用于表征所述第一图像的多个防伪区域的特征信息。

步骤208：采用所述分类模型对所述第二图像进行处理，得到第二表征向量，所述第二表征向量包括用于表征所述第二图像的多个防伪区域的特征信息。

多标签分类模型可以是训练后的卷积神经网络，卷积神经网络可以包括多个层，多个层被布置成从最低到最高的序列，序列可以包括一个或多个卷积层，一个或多个卷积层后面跟随有一个或多个全连接层。

所述采用分类模型对所述第一图像进行处理，得到第一表征向量，具体可以包括：

采用所述分类模型对所述第一图像进行处理，将所述分类模型中的最后一层特征向量作为所述第一表征向量。

所述采用分类模型对所述第二图像进行处理，得到第二表征向量，具体可以包括：

采用所述分类模型对所述第二图像进行处理，将所述分类模型中的最后一层特征向量作为所述第二表征向量。

需要说明的是，多标签分类(Multilabel classification)可以理解为：给每个样本一系列的目标标签。多标签分类模型的输入层可以输入的是图像中多个防伪区域对应的图像，多标签分类模型的最后一层可以生成图像对应的表征信息。

比如：第一图像经过多分类模型处理后，最后一层输出的第一表征向量为[1,1,0,0]，此时，可以理解为第一图像中存在四个防伪区域(分别为：第一防伪区域、第二防伪区域、第三防伪区域和第四防伪区域)，第一防伪区域和第二防伪区域中的特征信息均为1，可以表示第一防伪区域中存在第一状态的第一防伪标签，第二防伪区域中存在第一状态的第二防伪标签，第三防伪区域和第四防伪区域中的特征信息为0，可以表示第三防伪区域及第四防伪区域中均存在第二状态的防伪标签。需要说明的是，这一例子仅用于解释表征向量中取值的表现形式，例子中0或1代表的含义可以根据实际情况进行限定，此处的例子并不对本说明书实施例的方案进行限定。

步骤210：计算所述第一表征向量与所述第二表征向量的第一相似度。

相似度可以表示的是两者之间的相关性，在本方案中可以表示两个表征向量之间的相似程度。

在实际应用中，证件可以采用激光蚀刻技术、彩色紫外线图案技术、微缩文字印刷技术、触觉浮雕技术等防伪技术。比如：香港智能身份证上的全息图、浮雕特徽、光学变色油墨区域以及警示芯片等等，表面采用防伪膜和多项印刷防伪技术。又比如：居民身份证上在性别项目的位置，有定向光变色的“长城”图案，在相片下有光变光存储的“中国CHINA”字样；如果将证件正面放在紫外灯光下，或者倾斜观察的时候，可以发现荧光印刷的“长城”图案。证件在不同光线下会有不一样的光泽和信息，从不同的角度扫描得到的证件图像不会完全相同。

步骤212：判断所述第一相似度是否小于预设阈值，得到判断结果。

步骤214：当所述第一判断结果表示所述第一相似度小于预设阈值时，确定所述证件通过识别。

需要说明的是，由于证件的特殊性，防伪区域中的防伪标签在不同的定向光线下或不同的角度扫描得到的图像信息不同，因此，在判断证件的真伪时，可以通过判断在不同扫描角度下证件对应的图像信息之间的相似程度的大小，进而判断证件的真伪，在实际应用中，在不同扫描角度得到的图像越相似，则为假证的可能性越大。比如：设定相似度预设阈值为40％，当计算得到在不同扫描角度下的两幅图像之间的相似度为90％，可以认为被扫描证件为假证。

预设阈值可以根据证件类型的不同进行具体设定，此处不作限定。如果相似度高于预设阈值，可以认为被扫描证件的正面扫描图像与倾斜扫描的侧面图像基本相同(比如：身份证正面扫描时看不到荧光印刷的“长城”图案，倾斜角度之后扫描的不同角度对应的不同图像中均看不到防伪膜上的“长城”图案，则说明该证件为假证件)，此时，可以认为被扫描证件为假证件。

应当理解，本说明书一个或多个实施例所述的方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。

图2中的方法，通过获取包括多个防伪区域的证件在不同扫描角度下的图像，采用分类模型对获取的图像进行处理，得到不同扫描角度下的所述证件的表征向量，并通过计算表征向量之间的相似程度，通过相似程度判断被扫描证件的真伪，能够同时对证件中的防伪区域进行识别，识别准确率高；采用分类模型同时验证证件中的防伪区域，不需要对每个防伪标签单独进行验证，提高了证件的防伪效率。

基于图2的方法，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。

可选的，所述防伪区域可以包括光学变色区域、多重激光影像区域、多元化字母图案区域以及缩微文字印刷区域中的一个或多个。

所述证件可以为香港居民身份证，所述光学变色区域可以包括三角形标签，所述多元化字母图案区域包括HK标签，所述多重激光影像区域包括人像清晰度标签，所述缩微文字印刷区域包括数字清晰度标签。

需要说明的是，三角形标签在不同的扫描角度下分别得到红色、黄色或绿色的三角形图像；HK标签在不同的扫描角度下分别对应“H”或“K”的字符图像；人像清晰度标签在不同的扫描角度下对应不同清晰度的人像图像；数字清晰度标签在不同的扫描角度下对应不同清晰度的数字图像。为了更好地理解香港证件中的各防伪区域，可以结合附图3进行说明。

图3为本说明书实施例提供的一种证件识别方法中香港居民身份证的证件示意图。如图3所示，以香港身份证为例，所述光学变色区域301可以为三角形标签，所述多元化字母图案区域302可以为HK标签，所述多重激光影像区域303可以为人像清晰度标签，所述缩微文字印刷区域304可以为数字清晰度标签。其中，光学变色区域301的三角形标签可以是由光学变色油墨印制的一个三角形，从不同角度观察，会看见其颜色变化为红→黄→绿。在卡的左下角设有多重激光影像区域303，从不同的倾斜角度观察，可以在不同的倾斜角度显示不同清晰度的人像。在多重激光影像区域303的下方设置有缩微文字印刷区域304，可以在不同的倾斜角度显示不同清晰度的数字。在多重激光影像左边的多元化字母图案区域302，若从不同角度观察，可以看到字母“H”或“K”的交替出现。

所述判断所述第一相似度是否小于预设阈值，得到第一判断结果之后，还可以包括：

获取第三扫描角度下所述证件的第三扫描图像；

获取第四扫描角度下所述证件的第四扫描图像，所述第三扫描角度与所述第四扫描角度不同；

采用所述分类模型对所述第三图像进行处理，得到第三表征向量；

采用所述分类模型对所述第四图像进行处理，得到第四表征向量；

计算所述第三表征向量与所述第四表征向量的第二相似度；

判断所述第二相似度是否小于预设阈值，得到第二判断结果；

当所述第二判断结果表示所述第二相似度小于预设阈值时，确定所述证件通过识别。

在实际应用中，可以获取多帧扫描图像，再判断相似度。根据相似度判断证件的真伪时，可以选取扫描得到的第一扫描角度下的一个图像与第二扫描角度下的另一个图像进行相似度比较，也可以将第一扫描角度下多个图像与第二扫描角度下的多个图像进行分组，每一组图像对中包括一个第一扫描角度下的图像和一个第二扫描角度下图像，分别计算每组图像中两个图像之间的相似度，再通过相似度判断证件的真伪。

需要说明的是，在具体判断证件真伪时，可以采用以下方法进行：

方法一、当根据两个不同扫描角度下分别对应的两个图像之间的相似度进行证件防伪判断时：

确定第一扫描角度下得到的第一图像对应的第一表征向量，再确定第二扫描角度下得到的第二图像对应的第二表征向量；计算所述第一表征向量与所述第二表征向量之间的第一相似度；判断所述第一相似度是否小于预设阈值，得到判断结果；当第一相似度小于预设阈值时，证件识别通过。

方法二、当根据两个不同扫描角度下分别对应的两个图像集之间的相似度进行证件防伪判断时：

根据所述第一表征向量与所述第二表征向量得到多组图像的第二相似度；计算小于预设阈值的所述第二相似度所占的比例；当所述比例小于比例阈值时，得到第二验证结果，所述第二验证结果表示所述证件识别未通过。

比如：第一扫描角度下得到的图像集为{图像A1，图像B1，图像C1，图像D1}，第二扫描角度下得到的图像集为{图像A2，图像B2，图像C2，图像D2}，得到的多组图像为第一组：{图像A1，图像A2}，第二组：{图像B1，图像B2}，第三组：{图像C1，图像C2}，第四组：{图像D1，图像D2}，相似度预设阈值为50％，比例阈值为1/2。第一组图像A1与图像A2之间的相似度为30％，第二组图像B1与图像B2之间的相似度为90％，第三组图像C1与图像C2之间的相似度为10％，第四组图像D1与图像D2之间的相似度为6％，可见，相似度小于预设阈值的图像对有第一组、第三组和第四组，小于预设阈值的所述第二相似度所占的比例3/4＞1/2，可以认为证件识别通过，反之，不通过。

通过上述方法，通过判断不同扫描角度下得到的一个或多个图像之间的相似度，并通过相似度确定证件的真伪，能够提高证件识别的准确性。

本方案在实际应用中，采用多标签分类模型对不同扫描角度下得到的图像进行处理，得到表征向量。采用的多标签分类模型的具体训练过程可以采用以下方法进行：

所述采用分类模型对所述第一图像进行处理之前，还可以包括：

获取多标签已知的证件图像样本集；所述证件图像样本集中的每个证件图像样本均包含N个防伪区域的图像信息，一个防伪区域可呈现的图像信息状态数≥2，每个所述证件图像样本对应的标签数量为N，每个标签的取值与该标签对应的防伪区域所呈现的图像信息状态相对应；

采用所述多标签已知的证件图像样本集训练深度学习模型或识别分类模型，得到所述多标签分类模型。

需要说明的是，在进行模型训练时，可以采用监督学习的方法进行模型训练，输入的样本数据可以是多标签已知的证件图像样本集，一个样本中可以包括所有防伪区域的图像信息，一个防伪区域可以包括一个标签，每个标签的取值可以与对应的防伪区域所呈现的图像信息状态相对应。比如：以香港居民身份证证件为例，多个标签中，三角形标签在不同的扫描角度下可以呈现三种不同的图像信息状态，分别为：黄色、红色、绿色，可以将黄色标记为1，红色标记为0，绿色标记为2，“HK标签”呈现的图像信息状态中，可以将“H”标记为1，将“H”标记为0，人像清晰度标签对应的图像信息状态中，可以将人像清晰标记为1，不清晰标记为0，数字清晰度标签对应的图像信息状态中，可以将数字清晰标记为1，不清晰标记为0。输入的样本集可以为{样本1，样本2，样本3，……，样本N}，其中的任意一个样本，比如样本1可以表示为{2,1,0,1}，此时第一样本可以表示的是获取的图像中三角形标签为绿色，显示“H”图像，人像不清晰，数字清晰。将该已知标签作为输入训练神经网络，得到多标签分类模型。

需要说明的是，采用所述多标签已知的证件图像样本集训练模型时，可以采用所述多标签已知的证件图像样本集训练神经网络、卷积神经网络、深度学习网络、模式识别分类模型或者其他传统的分类模型，本方案对此不作限定。

通过上述方法，设计多标签，通过监督学习，使用多标签指导训练网络，将最后一层输出的特征向量作为防伪区域的描述向量，能够使训练得到的多标签分类模型具有更好的分类识别效果。

多标签分类模型训练完成之后，可以采用训练完成的多标签分类模型对获取的图像进行处理，具体过程可以采用以下步骤：

所述采用分类模型对所述第一图像进行处理，得到第一表征向量，具体可以包括：

采用所述分类模型对所述第一图像进行处理，将所述分类模型中的最后一层特征向量作为所述第一表征向量。

所述采用分类模型对所述第二图像进行处理，得到第二表征向量，具体可以包括：

采用所述分类模型对所述第二图像进行处理，将所述分类模型中的最后一层特征向量作为所述第二表征向量。

需要说明的是，采用分类模型对不同扫描角度下获取的图像进行处理，可以将模型最后一层的向量作为被识别图像对应的表征向量，任意一个表征向量中可以包括多个标签对应的特征信息。

通过上述方法，使用多分类预测模型对图像进行处理，将多个防伪标签的特征信息通过卷积神经网络的识别后，得到一个能够描述图像中多个标签特征信息的表征向量，能够同时预测防伪区域，提升了证件防伪效率。

需要说明的是，为了实现本方案中的技术效果，可以采用分类算法应用到证件识别方法中，将多标签分类任务替换为分类任务。例如：对于香港居民身份证来说，可以将证件中包含的多标签采用分类算法进行处理，三角形有红黄绿三种分类，“HK”中的“H”和“K”两种分类，人脸清晰度和数字清晰度可以分别存在清晰和不清晰两种分类，因此，采用分类算法一共可以有3*2*2*2*2＝24中分类。

在具体计算两个表征向量之间的相似度时，可以采用以下方法步骤：

所述计算所述第一表征向量与所述第二表征向量的第一相似度，具体可以包括：

计算所述第一表征向量与所述第二表征向量之间的夹角余弦值；

根据所述夹角余弦值确定所述第一表征向量与所述第二表征向量之间的相似度，所述夹角余弦值与所述相似度成正比。

在具体进行相似度计算时，可以采用计算余弦距离的算法计算两个向量之间的相似度，也可以根据实际应用场景选择其他的算法计算相似度，本方案对此不做限定。在采用计算余弦距离的算法计算相似度时，首先可以确定两个表征向量之间的夹角余弦值，然后根据所述夹角余弦值确定所述第一表征向量与所述第二表征向量之间的相似度，其中，夹角余弦值越大，两个向量之间的相似度越大。

所述获取第一扫描角度下证件的第一扫描图像，具体可以包括：

获取扫描得到证件的多帧扫描图像；

从所述扫描图像中提取出满足图像预设条件的扫描图像，所述图像预设条件包括扫描角度和图像质量，所述图像质量包括清晰度、亮度、色偏以及噪声中的一个或多个；

从所述满足图像预设条件的扫描图像中取出存在所述识别标签和人脸图像的第一扫描图像。

所述从所述满足图像预设条件的扫描图像中取出存在所述识别标签和人脸图像的第一扫描图像，具体可以包括：

计算所述扫描图像中每个图像的像素均值；

根据每个所述像素均值计算所述每个图像对应的像素方差；

当所述像素方差大于预设阈值时，所述图像满足图像质量预设条件。

需要说明的是，获取的多帧扫描图像中的扫描图像可以是已经经过初步筛选的图像，初步筛选可以包括筛选出满足图像质量的图像和/或有头像的图像。具体地，可以提取出满足图像预设条件的扫描图像，图像预设条件可以包括第二预设角度以及图像质量，所述图像质量可以包括清晰度、亮度、色偏以及噪声中的一个或多个。比如：第一图形集中的多帧图像是扫描角度小于10°、有识别标识、有头像且满足图像质量条件的图像。

证件识别标识可以是能够识别该证件的所有相关标识，比如：证件表面的防伪膜，证件表面的防伪芯片，防伪指纹板等，证件识别标识在不同的拍摄角度下或者不同的拍摄光线条件下拍摄得到的图像可以不同，比如：可以在不同的光线下变色或者在不同的拍摄角度下显示不同的图像信息。

通过上述方法，获取到以第一扫描角度和第二扫描角度扫描得到的第一图像集和第二图像集，且两个图像集中的图像满足图像质量条件、包含头像和包含证件识别标识中的一个或多个，能保证用于对比识别的图像集为有效图像集，可以更加有效地识别证件的真伪，提高证件识别效率。

所述从所述满足图像预设条件的扫描图像中取出存在所述识别标签和人脸图像的第一扫描图像之前，还可以包括：

确定所述证件边角的四个点的位置；

根据所述四个点的位置确定所述四个点之间的比例关系；

采用姿态估计算法根据所述证件边角的四个点的位置以及四个点之间的比例关系估算得到满足扫描角度预设条件的多帧扫描图像。

在进行证件扫描时，可以通过证件姿态估计的方法对证件的扫描角度进行估计，在具体扫描时，可以自动定位证件四个角上的四个点，如图3中的303，自动定位到证件的四个角，通过证件的四个点之间的比例，可以大概估计出证件所在平面与摄像头所在平面之间的夹角，当用户看到扫描框中证件的四个点偏离扫描框较远可以认为此时的扫描角度不满足预设条件。也可以通过四个点的自动定位，让客户看到四个点定位的对象是否为待扫描证件，比如：将证件放在四方便签纸上进行扫描，此时扫描框中的四个点可能会定位到便签纸的四个角，而没有定位到待扫描证件上，此时用户可以将便签纸移开或者调整摄像头所在平面到证件所在平面之间的距离或角度。

除此之外，还需要说明的是，在进行证件姿态估计时，除了采用上述方法之外，还可以训练一个基于深度学习的姿态估计分类器，输入证件当前图片，然后输出证件姿态的角度，其中，证件的角度为可以为上下倾斜角，左右倾斜角以及平面内旋转倾斜角等，可以根据实际情况选择合适的姿态估计算法。

通过上述方法可以在采用分类模型对图像进行处理之前，保证图像的扫描角度满足条件，避免后期模型处理过程中不准确的缺陷，提高了证件识别的准确性。

基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图4为本说明书实施例提供的对应于图2的一种证件识别装置的结构示意图。如图4所示，该装置可以包括：

第一扫描图像获取模块402，用于获取第一扫描角度下证件的第一扫描图像，所述扫描角度为所述扫描镜头所在平面与所述证件所在平面之间的夹角，所述证件包括一个或多个防伪区域，所述防伪区域在不同的扫描角度呈现不同的图像信息；

第二扫描图像获取模块404，用于获取第二扫描角度下所述证件的第二扫描图像，所述第一扫描角度与所述第二扫描角度不同；

第一表征向量确定模块406，用于采用分类模型对所述第一图像进行处理，得到第一表征向量，所述第一表征向量包括用于表征所述第一图像的多个防伪区域的特征信息；

第二表征向量模块408，用于采用所述分类模型对所述第二图像进行处理，得到第二表征向量，所述第二表征向量包括用于表征所述第二图像的多个防伪区域的特征信息；

第一相似度计算模块410，用于计算所述第一表征向量与所述第二表征向量的第一相似度；

第一判断模块412，用于判断所述第一相似度是否小于预设阈值，得到第一判断结果；

证件识别模块414，用于当所述第一判断结果表示所述第一相似度小于预设阈值时，确定所述证件通过识别。

可选的，所述装置，还可以包括

第三扫描图像获取模块，用于获取第三扫描角度下所述证件的第三扫描图像；

第四扫描图像获取模块，用于获取第四扫描角度下所述证件的第四扫描图像，所述第三扫描角度与所述第四扫描角度不同；

第三表征向量确定模块，用于采用所述分类模型对所述第三图像进行处理，得到第三表征向量；

第四表征向量确定模块，用于采用所述分类模型对所述第四图像进行处理，得到第四表征向量；

第二相似度计算模块，用于计算所述第三表征向量与所述第四表征向量的第二相似度；

第二判断模块，用于判断所述第二相似度是否小于预设阈值，得到第二判断结果；

证件识别第一模块，用于当所述第二判断结果表示所述第二相似度小于预设阈值时，确定所述证件通过识别。

可选的，所述装置，还可以包括：

训练样本集获取模块，用于获取多标签已知的证件图像样本集；所述证件图像样本集中的每个证件图像样本均包含N个防伪区域的图像信息，一个防伪区域可呈现的图像信息状态数≥2，每个所述证件图像样本对应的标签数量为N，每个标签的取值与该标签对应的防伪区域所呈现的图像信息状态相对应；

多标签分类模型训练模块，用于采用所述多标签已知的证件图像样本集训练深度学习模型或识别分类模型，得到所述多标签分类模型。

可选的，所述第一表征向量确定模块啊406，具体可以用于：

采用所述分类模型对所述第一图像进行处理，将所述分类模型中的最后一层特征向量作为所述第一表征向量。

可选的，所述第二表征向量确定模块，具体可以用于：

采用所述分类模型对所述第二图像进行处理，将所述分类模型中的最后一层特征向量作为所述第二表征向量。

可选的，所述第一相似度计算模块，具体可以用于：

计算所述第一表征向量与所述第二表征向量之间的夹角余弦值；

根据所述夹角余弦值确定所述第一表征向量与所述第二表征向量之间的相似度，所述夹角余弦值与所述相似度成正比。

可选的，所述防伪区域可以包括光学变色区域、多重激光影像区域、多元化字母图案区域以及缩微文字印刷区域中的一个或多个。

可选的，所述证件可以为香港居民身份证，所述光学变色区域可以包括三角形标签，所述多元化字母图案区域可以包括HK标签，所述多重激光影像区域可以包括人像清晰度标签，所述缩微文字印刷区域可以包括数字清晰度标签。

可选的，所述第一扫描图像获取模块402，具体可以用于：

扫描图像获取单元，用于扫描得到证件的多帧扫描图像；

筛选单元，用于从所述扫描图像中提取出满足图像预设条件的扫描图像，所述图像预设条件包括扫描角度和图像质量，所述图像质量包括清晰度、亮度、色偏以及噪声中的一个或多个；

第一扫描图像提取单元，用于从所述满足图像预设条件的扫描图像中取出存在所述识别标签和人脸图像的第一扫描图像。

可选的，所述筛选单元，具体可以用于：

计算所述扫描图像中每个图像的像素均值；

根据每个所述像素均值计算所述每个图像对应的像素方差；

当所述像素方差大于预设阈值时，所述图像满足图像质量预设条件。

可选的，所述第一扫描图像获取模块402，还可以用于：

确定所述证件边角的四个点的位置；

根据所述四个点的位置确定所述四个点之间的比例关系；

采用姿态估计算法根据所述证件边角的四个点的位置以及四个点之间的比例关系估算得到满足扫描角度预设条件的多帧扫描图像

基于同样的思路，本说明书实施例还提供了上述方法对应的设备。

图5为本说明书实施例提供的对应于图2的一种证件识别设备的结构示意图。如图5所示，设备500可以包括：

至少一个处理器510；以及，

与所述至少一个处理器通信连接的存储器530；其中，

所述存储器530存储有可被所述至少一个处理器510执行的指令520，所述指令被所述至少一个处理器510执行，以使所述至少一个处理器510能够：

获取第一扫描角度下证件的第一扫描图像，所述扫描角度为所述扫描镜头所在平面与所述证件所在平面之间的夹角，所述证件包括一个或多个防伪区域，所述防伪区域在不同的扫描角度呈现不同的图像信息；

获取第二扫描角度下所述证件的第二扫描图像，所述第一扫描角度与所述第二扫描角度不同；

采用分类模型对所述第一图像进行处理，得到第一表征向量，所述第一表征向量包括用于表征所述第一图像的多个防伪区域的特征信息；

采用所述分类模型对所述第二图像进行处理，得到第二表征向量，所述第二表征向量包括用于表征所述第二图像的多个防伪区域的特征信息；

计算所述第一表征向量与所述第二表征向量的第一相似度；

判断所述第一相似度是否小于预设阈值，得到第一判断结果；

当所述第一判断结果表示所述第一相似度小于预设阈值时，确定所述证件通过识别。

基于同样的思路，本说明书实施例还提供了上述方法对应的计算机可读介质。计算机可读介质上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现以下方法：

获取第一扫描角度下证件的第一扫描图像，所述扫描角度为所述扫描镜头所在平面与所述证件所在平面之间的夹角，所述证件包括一个或多个防伪区域，所述防伪区域在不同的扫描角度呈现不同的图像信息；

获取第二扫描角度下所述证件的第二扫描图像，所述第一扫描角度与所述第二扫描角度不同；

采用分类模型对所述第一图像进行处理，得到第一表征向量，所述第一表征向量包括用于表征所述第一图像的多个防伪区域的特征信息；

采用所述分类模型对所述第二图像进行处理，得到第二表征向量，所述第二表征向量包括用于表征所述第二图像的多个防伪区域的特征信息；

计算所述第一表征向量与所述第二表征向量的第一相似度；

判断所述第一相似度是否小于预设阈值，得到第一判断结果；

当所述第一判断结果表示所述第一相似度小于预设阈值时，确定所述证件通过识别。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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，在实施本说明书一个或多个实施例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，本说明书一个或多个实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书一个或多个实施例是参照根据本说明书一个或多个实施例的方法、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。

本说明书一个或多个实施例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说明书一个或多个实施例，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。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。

Claims (14)

1.一种证件识别方法，包括：

获取第一扫描角度下证件的第一扫描图像，所述证件包括一个或多个防伪区域，所述防伪区域在不同的扫描角度呈现不同的图像信息；

获取第二扫描角度下所述证件的第二扫描图像，所述第一扫描角度与所述第二扫描角度不同；

采用分类模型对所述第一扫描图像进行处理，得到第一表征向量，所述第一表征向量包括用于表征所述第一扫描图像的多个防伪区域的特征信息；

采用所述分类模型对所述第二扫描图像进行处理，得到第二表征向量，所述第二表征向量包括用于表征所述第二扫描图像的多个防伪区域的特征信息；

所述分类模型包括采用多标签已知的证件图像样本集训练神经网络、卷积神经网络、深度学习网络或模式识别分类模型中任意一种得到多标签分类模型；

计算所述第一表征向量与所述第二表征向量的第一相似度；

判断所述第一相似度是否小于预设阈值，得到第一判断结果；

当所述第一判断结果表示所述第一相似度小于预设阈值时，确定所述证件通过识别。

2.如权利要求1所述的方法，所述判断所述第一相似度是否小于预设阈值，得到第一判断结果之后，还包括：

获取第三扫描角度下所述证件的第三扫描图像；

获取第四扫描角度下所述证件的第四扫描图像，所述第三扫描角度与所述第四扫描角度不同；

采用所述分类模型对所述第三扫描图像进行处理，得到第三表征向量；

采用所述分类模型对所述第四扫描图像进行处理，得到第四表征向量；

计算所述第三表征向量与所述第四表征向量的第二相似度；

判断所述第二相似度是否小于预设阈值，得到第二判断结果；

当所述第二判断结果表示所述第二相似度小于预设阈值时，确定所述证件通过识别。

3.如权利要求1或2所述的方法，所述采用分类模型对所述第一扫描图像进行处理，具体包括：

采用多标签分类模型对所述第一扫描图像进行处理；

所述采用分类模型对所述第二扫描图像进行处理，具体包括：

采用多标签分类模型对所述第二扫描图像进行处理。

4.如权利要求3所述的方法，所述采用多标签分类模型对所述第一扫描图像进行处理之前，还包括：

获取多标签已知的证件图像样本集；所述证件图像样本集中的每个证件图像样本均包含N个防伪区域的图像信息，一个防伪区域可呈现的图像信息状态数≥2，每个所述证件图像样本对应的标签数量为N，每个标签的取值与该标签对应的防伪区域所呈现的图像信息状态相对应；

采用所述多标签已知的证件图像样本集训练深度学习模型或识别分类模型，得到多标签分类模型。

5.如权利要求4所述的方法，所述采用分类模型对所述第一扫描图像进行处理，得到第一表征向量，具体包括：

采用所述分类模型对所述第一扫描图像进行处理，将所述分类模型中的最后一层特征向量作为所述第一表征向量。

6.如权利要求4所述的方法，所述采用分类模型对所述第二扫描图像进行处理，得到第二表征向量，具体包括：

采用所述分类模型对所述第二扫描图像进行处理，将所述分类模型中的最后一层特征向量作为所述第二表征向量。

7.如权利要求1所述的方法，所述计算所述第一表征向量与所述第二表征向量的第一相似度，具体包括：

计算所述第一表征向量与所述第二表征向量之间的夹角余弦值；

根据所述夹角余弦值确定所述第一表征向量与所述第二表征向量之间的相似度，所述夹角余弦值与所述相似度成正比。

8.如权利要求1所述的方法，所述防伪区域包括光学变色区域、多重激光影像区域、多元化字母图案区域以及缩微文字印刷区域中的一种或多种。

9.如权利要求8所述的方法，所述证件为香港居民身份证，所述光学变色区域包括三角形标签，所述多元化字母图案区域包括HK标签，所述多重激光影像区域包括人像清晰度标签，所述缩微文字印刷区域包括数字清晰度标签。

10.如权利要求1所述的方法，所述获取第一扫描角度下证件的第一扫描图像，具体包括：

获取扫描得到证件的多帧扫描图像；

从所述扫描图像中提取出满足图像预设条件的扫描图像，所述图像预设条件包括扫描角度和图像质量，所述图像质量包括清晰度、亮度、色偏以及噪声中的一个或多个；

从所述满足图像预设条件的扫描图像中取出存在识别标签和人脸图像的第一扫描图像。

11.如权利要求10所述的方法，所述从所述满足图像预设条件的扫描图像中取出存在识别标签和人脸图像的第一扫描图像，具体包括：

计算所述扫描图像中每个图像的像素均值；

根据每个所述像素均值计算所述每个图像对应的像素方差；

当所述像素方差大于预设阈值时，所述图像满足图像质量预设条件。

12.如权利要求10所述的方法，所述从所述满足图像预设条件的扫描图像中取出存在识别标签和人脸图像的第一扫描图像之前，还包括：

确定所述证件边角的四个点的位置；

根据所述四个点的位置确定所述四个点之间的比例关系；

采用姿态估计算法根据所述证件边角的四个点的位置以及四个点之间的比例关系估算得到满足扫描角度预设条件的多帧扫描图像。

13.一种证件识别装置，包括：

第一扫描图像获取模块，用于获取第一扫描角度下证件的第一扫描图像，所述证件包括一个或多个防伪区域，所述防伪区域在不同的扫描角度呈现不同的图像信息；

第二扫描图像获取模块，用于获取第二扫描角度下所述证件的第二扫描图像，所述第一扫描角度与所述第二扫描角度不同；

第一表征向量确定模块，用于采用分类模型对所述第一扫描图像进行处理，得到第一表征向量，所述第一表征向量包括用于表征所述第一扫描图像的多个防伪区域的特征信息；

第二表征向量模块，用于采用所述分类模型对所述第二扫描图像进行处理，得到第二表征向量，所述第二表征向量包括用于表征所述第二扫描图像的多个防伪区域的特征信息；

所述分类模型包括采用多标签已知的证件图像样本集训练神经网络、卷积神经网络、深度学习网络或模式识别分类模型中任意一种得到多标签分类模型；

第一相似度计算模块，用于计算所述第一表征向量与所述第二表征向量的第一相似度；

第一判断模块，用于判断所述第一相似度是否小于预设阈值，得到第一判断结果；

证件识别模块，用于当所述第一判断结果表示所述第一相似度小于预设阈值时，确定所述证件通过识别。

14.一种证件识别设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取第一扫描角度下证件的第一扫描图像，所述证件包括一个或多个防伪区域，所述防伪区域在不同的扫描角度呈现不同的图像信息；

获取第二扫描角度下所述证件的第二扫描图像，所述第一扫描角度与所述第二扫描角度不同；

采用分类模型对所述第一扫描图像进行处理，得到第一表征向量，所述第一表征向量包括用于表征所述第一扫描图像的多个防伪区域的特征信息；

采用所述分类模型对所述第二扫描图像进行处理，得到第二表征向量，所述第二表征向量包括用于表征所述第二扫描图像的多个防伪区域的特征信息；

所述分类模型包括采用多标签已知的证件图像样本集训练神经网络、卷积神经网络、深度学习网络或模式识别分类模型中任意一种得到多标签分类模型；

计算所述第一表征向量与所述第二表征向量的第一相似度；

判断所述第一相似度是否小于预设阈值，得到第一判断结果；

当所述第一判断结果表示所述第一相似度小于预设阈值时，确定所述证件通过识别。

Images