CN111062922B - 一种翻拍图像的判别方法、系统及电子设备 - Google Patents

一种翻拍图像的判别方法、系统及电子设备 Download PDF

Info

Publication number
CN111062922B
CN111062922B CN201911287024.9A CN201911287024A CN111062922B CN 111062922 B CN111062922 B CN 111062922B CN 201911287024 A CN201911287024 A CN 201911287024A CN 111062922 B CN111062922 B CN 111062922B
Authority
CN
China
Prior art keywords
image
horizontal
detected
vertical
covariance matrix
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
CN201911287024.9A
Other languages
English (en)
Other versions
CN111062922A (zh
Inventor
张发恩
宋亮
秦永强
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.)
Alnnovation Beijing Technology Co ltd
Original Assignee
Alnnovation Beijing Technology 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 Alnnovation Beijing Technology Co ltd filed Critical Alnnovation Beijing Technology Co ltd
Priority to CN201911287024.9A priority Critical patent/CN111062922B/zh
Publication of CN111062922A publication Critical patent/CN111062922A/zh
Application granted granted Critical
Publication of CN111062922B publication Critical patent/CN111062922B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种翻拍图像的判别方法、系统及电子设备，本方法通过对待检测图像进行水平及垂直方向的梯度卷积计算，并计算水平卷积图像及垂直卷积图像对应的协方差矩阵，也即获得了待检测图像在水平方向上的水平高频分量及垂直方向上的垂直高频分量；将水平协方差矩阵及垂直协方差矩阵转换为对应的第一特征向量及第二特征向量；组合第一特征向量及第二特征向量，获得一组合特征向量；基于水平协方差矩阵及垂直协方差矩阵，判断所述待检测图像是否为翻拍，简化了图像翻拍识别的计算步骤，避免了在现有的图像识别神经网络中的大量识别计算，提高计算效率，同时，由于简化了计算量，使得该识别方法可运用于移动设备（如手机）中，便于推广，方便使用。

Description

一种翻拍图像的判别方法、系统及电子设备
技术领域
本发明涉及图像翻拍识别领域，特别涉及一种翻拍图像的判别方法、系统及电子设备。
背景技术
现在个人征信、远程开户等业务正逐渐成为金融、电信和电商等行业的重要业务。在这些业务中，出于便捷、安全以及法律法规等方面的考虑，可能需要用户通过智能手机、平板电脑或网络摄像头等设备拍摄并上传自己的证件照片。然而，一些证件照片不是通过对准真实的证件拍摄得到的，而是通过翻拍电脑屏幕或手机屏幕上的证件图片而形成的。这些翻拍照片中的证件可能不属于用户本人，也可能曾经被编辑、伪造或篡改，不具备法律效力，因此被认定为违规证件照片。现有的图片翻拍检测方法计算较为复杂，不利于推广使用。
发明内容
为了克服目前现有的翻拍图像方法计算复杂的问题，本发明提供翻拍图像的判别方法、系统及电子设备。
本发明为解决上述技术问题，提供一技术方案如下：一种翻拍图像的判别方法，包括如下步骤: 步骤S1：提供至少一待检测图像；步骤S2：基于水平梯度卷积核及垂直梯度卷积核，分别对所述待检测图像进行卷积计算，获得水平卷积图像及垂直卷积图像；步骤S3：计算水平卷积图像及垂直卷积图像对应的协方差矩阵，获得对应的水平协方差矩阵及垂直协方差矩阵，也即获得了所述待检测图像在水平方向上的水平高频分量及垂直方向上的垂直高频分量；及步骤S4：将所述水平协方差矩阵及所述垂直协方差矩阵转换为对应的第一特征向量及第二特征向量；将所述第一特征向量及所述第二特征向量进行拼接，获得一可以用于表征高频分量的组合特征向量；对比翻拍图像中组合特征向量对应的高频分量和非翻拍图像中的高频分量，判断所述待检测图像是否为翻拍。
优选地，上述步骤S3中所述协方差矩阵为n×n规格的协方差矩阵, 3≤n≤7。
优选地，上述步骤S4中可基于预设的支持向量机算法对所述组合特征向量进行分类，以获得所述待检测图像是否为翻拍。
优选地，步骤S1与步骤S2之间还包括：步骤S100：将所述至少一待检测图像缩放至预设尺寸。
本发明还提供一种翻拍图像的判别系统，包括：图像获取单元，用于提供至少一待检测图像；
卷积单元，用于基于水平梯度卷积核及垂直梯度卷积核，分别对所述待检测图像进行卷积计算，获得水平卷积图像及垂直卷积图像；矩阵计算单元，用于计算水平卷积图像及垂直卷积图像对应的协方差矩阵，获得对应的水平协方差矩阵及垂直协方差矩阵；及翻拍判别单元，用于基于所述水平协方差矩阵及所述垂直协方差矩阵，判断所述待检测图像是否为翻拍；其中所述计算水平卷积图像及垂直卷积图像对应的协方差矩阵，获得对应的水平协方差矩阵及垂直协方差矩阵，也即获得了所述待检测图像在水平方向上的水平高频分量及垂直方向上的垂直高频分量；将所述第一特征向量及所述第二特征向量进行拼接，获得一可以用于表征高频分量的组合特征向量；对比翻拍图像中组合特征向量对应的高频分量和非翻拍图像中的高频分量，判断所述待检测图像是否为翻拍。
优选地，还包括：图像缩放单元，用于将所述至少一待检测图像缩放至预设尺寸。
优选地，所述翻拍判别单元还包括：向量转换单元，用于将所述水平协方差矩阵及所述垂直协方差矩阵转换为对应的第一特征向量及第二特征向量；向量组合单元，用于组合所述第一特征向量及所述第二特征向量，获得一组合特征向量；及高频识别单元，用于基于所述组合特征向量对应的高频分量，判断所述待检测图像是否为翻拍。
优选地，所述高频识别单元基于预设的SVM计算单元对所述组合特征向量进行分类，以获得所述待检测图像是否为翻拍。
本发明还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被设置为运行时执行上述任一项中所述的翻拍图像的判别方法；所述处理器被设置为通过所述计算机程序执行上述任一项中所述的翻拍图像的判别方法。
与现有技术相比，本发明提供的一种翻拍图像的判别方法、系统及电子设备，具有以下优点：
1、通过对待检测图像进行水平及垂直方向的梯度卷积计算，并计算水平卷积图像及垂直卷积图像对应的协方差矩阵，判断所述待检测图像是否为翻拍，简化了图像翻拍识别的计算步骤，避免了在现有的图像识别神经网络中的大量识别计算，提高计算效率，同时，由于简化了计算量，使得该识别方法可运用于移动设备（如手机）中，便于推广，方便使用。
2、所述协方差矩阵基于5×5规格的协方差矩阵进行计算，以获得较低计算量的同时减少计算造成的误差。
3、通过SVM算法检测待检测图像中的高频分量的分布以判别是否为翻拍图像，避免了图像识别的繁杂计算过程，提高了翻拍图像识别的效率。
4、通过将所述待检测图像缩放至预设尺寸，使得在输入多张待检测图像时，统一每一图像的尺寸，方便对图像的计算，减少计算量，提高了计算效率。
附图说明
图1为本发明第一实施例提供的一种翻拍图像的判别方法的流程图。
图2为本发明第一实施例提供的一种翻拍图像的判别方法的流程图的一种变形。
图3为本发明第一实施例提供的一种翻拍图像的判别方法中步骤S4的细节流程图。
图4为本发明第二实施例提供的一种翻拍图像的判别系统的模块图。
图5为本发明第二实施例提供的一种翻拍图像的判别系统中翻拍判别单元的模块图。
图6为本发明第三实施例提供的一种电子设备的模块图。
附图标记说明：
1、图像获取单元；2、卷积单元；3、矩阵计算单元；4、翻拍判别单元；5、图像缩放单元；
41、向量转换单元；42、向量组合单元；43、高频识别单元；
10、存储器；20、处理器；
具体实施方式
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明第一实施例提供一种翻拍图像的判别方法，包括以下步骤：
步骤S1：提供至少一待检测图像；
步骤S2：基于水平梯度卷积核及垂直梯度卷积核，分别对所述待检测图像进行卷积计算，获得水平卷积图像及垂直卷积图像；
步骤S3：计算水平卷积图像及垂直卷积图像对应的协方差矩阵，获得对应的水平协方差矩阵及垂直协方差矩阵；及
步骤S4：基于所述水平协方差矩阵及所述垂直协方差矩阵，判断所述待检测图像是否为翻拍。
可以理解，在步骤S1中，所述待检测图像为身份证图片、护照图片、驾驶证图片或者其它需要检测的图片。
可以理解，在步骤S2中，所述水平梯度卷积核及垂直梯度卷积核可以使用梯度Prewitt，分别对所述待检测图像的水平边缘及垂直边缘进行像素梯度检测，也即基于所述水平梯度卷积核及垂直梯度卷积核检测所述待检测图像的边缘像素梯度变化情况。
可以理解，由于相机感光元件与显示器之间的波的干涉效应，通过翻拍电脑或手机屏幕上的证件照片而得到的图片上（特别是位于图像边缘处）会出现明显的周期性彩色条纹，称为“摩尔纹”。“摩尔纹”是区别真实图片和翻拍图片的重要线索。由于“摩尔纹”呈现周期性，在频率域中“摩尔纹”的特性会更加明显。此外，“摩尔纹”的颜色也区别于正常的图片。因此，利用由于相机感光元件与显示器之间的波的干涉效应而产生的“摩尔纹”，计算获得图片边缘的像素梯度变化（也即高频分量），可以有效提高翻拍图片识别的精度。
可以理解，在步骤S3中，水平协方差矩阵及垂直协方差矩阵分别具有所述待检测图像不同方向上的像素梯度变化，也即获得了所述待检测图像在水平方向上的水平高频分量及垂直方向上的垂直高频分量。
可以理解，在步骤S3中，所述协方差矩阵基于5×5规格的协方差矩阵进行计算，以获得较低计算量的同时减少计算造成的误差。当然，所述协方差矩阵规格还可以为2×2、3×3……n×n，规格越小，计算量越小，而获得的结果误差较大，反之，规格越大，计算量越大，而获得的结果误差越小。优选所述协方差矩阵n×n规格中，3≤n≤7。
请参阅图2，可选地，步骤S1与步骤S2之间还包括：
步骤S100：将所述至少一待检测图像缩放至预设尺寸。
可以理解，将所述待检测图像缩放至预设尺寸，使得在输入多张待检测图像时，统一每一图像的尺寸，方便对图像的计算，减少计算量，提高了计算效率。
请参阅图3，步骤S4：基于所述水平协方差矩阵及所述垂直协方差矩阵，判断所述待检测图像是否为翻拍。步骤S4具体包括步骤S41~S43：
步骤S41：将所述水平协方差矩阵及所述垂直协方差矩阵转换为对应的第一特征向量及第二特征向量；
步骤S42：组合所述第一特征向量及所述第二特征向量，获得一组合特征向量；及
步骤S43：基于所述组合特征向量对应的高频分量，判断所述待检测图像是否为翻拍。
可以理解，在步骤S42中，将所述第一特征向量及所述第二特征向量进行组合，也即将所述第一特征向量及所述第二特征向量进行拼接，以获得所述组合特征向量，所述组合特征向量可表征对应的所述待检测图像在水平和垂直边缘的高频分量的情况。
可以理解，在步骤S43中，当所述待检测图像为翻拍图像时，所述组合特征向量对应的特征矩阵中的高频分量比非翻拍图像中的高频分量多，可基于组合特征向量对应的高频分量，判断所述待检测图像是否为翻拍。
可选地，上述步骤S43中可基于预设的支持向量机算法（Support VectorMachine，简称SVM）对所述组合特征向量进行分类，以获得所述待检测图像是否为翻拍。
可以理解，所述预设的SVM算法为预先经过训练的算法，其可基于输入的特征向量，识别所述特征向量对应的高频分量的分布情况，进而判断出图像是否为翻拍，避免了图像识别的繁杂计算过程，提高了翻拍图像识别的效率。
可以理解，步骤S41~ S43仅为该实施例的一种实施方式，其实施方式并不限定于步骤S41~S43。
请参阅图4，本发明第二实施例还提供一种翻拍图像的判别系统。该翻拍图像的判别系统可以包括：
图像获取单元1，用于提供至少一待检测图像；
卷积单元2，用于基于水平梯度卷积核及垂直梯度卷积核，分别对所述待检测图像进行卷积计算，获得水平卷积图像及垂直卷积图像；
矩阵计算单元3，用于计算水平卷积图像及垂直卷积图像对应的协方差矩阵，获得对应的水平协方差矩阵及垂直协方差矩阵；及
翻拍判别单元4，用于基于所述水平协方差矩阵及所述垂直协方差矩阵，判断所述待检测图像是否为翻拍。
请继续参阅图4，本发明第二实施例提供的翻拍图像的判别系统还包括：
图像缩放单元5，用于将所述至少一待检测图像缩放至预设尺寸。
请参阅图5，所述翻拍判别单元4还包括：
向量转换单元41，用于将所述水平协方差矩阵及所述垂直协方差矩阵转换为对应的第一特征向量及第二特征向量；
向量组合单元42，用于组合所述第一特征向量及所述第二特征向量，获得一组合特征向量；及
高频识别单元43，用于基于所述组合特征向量对应的高频分量，判断所述待检测图像是否为翻拍。
所述高频识别单元43可基于预设的SVM计算单元对所述组合特征向量进行分类，以获得所述待检测图像是否为翻拍。
有关所述翻拍图像的判别系统其他的限定内容，与本发明第一实施例中所述翻拍图像的判别方法中的具体限定相同，在此不再赘述。
请参阅图6，本发明第三实施例提供一种用于实施上述翻拍图像的判别方法的电子设备，所述电子设备包括存储器10和处理器20，所述存储器10中存储有运算机程序，所述运算机程序被设置为运行时执行上述任一项翻拍图像的判别方法实施例中的步骤。所述处理器20被设置为通过所述运算机程序执行上述任一项翻拍图像的判别方法实施例中的步骤。
可选地，在本实施例中，上述电子设备可以位于运算机网络的多个网络设备中的至少一个网络设备。
与现有技术相比，本发明提供的一种翻拍图像的判别方法、系统及电子设备，具有以下优点：
1、通过对待检测图像进行水平及垂直方向的梯度卷积计算，并计算水平卷积图像及垂直卷积图像对应的协方差矩阵，判断所述待检测图像是否为翻拍，简化了图像翻拍识别的计算步骤，避免了在现有的图像识别神经网络中的大量识别计算，提高计算效率，同时，由于简化了计算量，使得该识别方法可运用于移动设备（如手机）中，便于推广，方便使用。
2、所述协方差矩阵基于5×5规格的协方差矩阵进行计算，以获得较低计算量的同时减少计算造成的误差。
3、通过SVM算法检测待检测图像中的高频分量的分布以判别是否为翻拍图像，避免了图像识别的繁杂计算过程，提高了翻拍图像识别的效率。
4、通过将所述待检测图像缩放至预设尺寸，使得在输入多张待检测图像时，统一每一图像的尺寸，方便对图像的计算，减少计算量，提高了计算效率。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。
在该计算机程序被处理器执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机存储器可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机存储器例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。
计算机存储器的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读信号介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括图像获取单元、卷积单元、矩阵计算单元以及翻拍判别单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，矩阵计算单元还可以被描述为“用于计算水平卷积图像及垂直卷积图像对应的协方差矩阵，获得对应的水平协方差矩阵及垂直协方差矩阵的单元”。
作为另一方面，本申请还提供了一种计算机存储器，该计算机存储器可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机存储器承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：提供至少一待检测图像；基于水平梯度卷积核及垂直梯度卷积核，分别对所述待检测图像进行卷积计算，获得水平卷积图像及垂直卷积图像；计算水平卷积图像及垂直卷积图像对应的协方差矩阵，获得对应的水平协方差矩阵及垂直协方差矩阵；及基于所述水平协方差矩阵及所述垂直协方差矩阵，判断所述待检测图像是否为翻拍。
以上仅为本发明较佳实施例而已，并不用以限制本发明，凡在本发明原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。

Claims (9)

1.一种翻拍图像的判别方法，其特征在于：包括如下步骤:
步骤S1：提供至少一待检测图像；
步骤S2：基于水平梯度卷积核及垂直梯度卷积核，分别对所述待检测图像进行卷积计算，获得水平卷积图像及垂直卷积图像；
步骤S3：计算水平卷积图像及垂直卷积图像对应的协方差矩阵，获得对应的水平协方差矩阵及垂直协方差矩阵也即获得了所述待检测图像在水平方向上的水平高频分量及垂直方向上的垂直高频分量；及
步骤S4：将所述水平协方差矩阵及所述垂直协方差矩阵转换为对应的第一特征向量及第二特征向量；将所述第一特征向量及所述第二特征向量进行拼接，获得一可以用于表征高频分量的组合特征向量；对比翻拍图像中组合特征向量对应的高频分量和非翻拍图像中的高频分量，判断所述待检测图像是否为翻拍。
2.如权利要求1中所述翻拍图像的判别方法，其特征在于：上述步骤S3中所述协方差矩阵为n×n规格的协方差矩阵, 3≤n≤7。
3.如权利要求1中所述翻拍图像的判别方法，其特征在于：上述步骤S4中可基于预设的支持向量机算法对所述组合特征向量进行分类，以获得所述待检测图像是否为翻拍。
4.如权利要求1中所述翻拍图像的判别方法，其特征在于：步骤S1与步骤S2之间还包括：
步骤S100：将所述至少一待检测图像缩放至预设尺寸。
5.一种翻拍图像的判别系统，其特征在于，包括：
图像获取单元，用于提供至少一待检测图像；
卷积单元，用于基于水平梯度卷积核及垂直梯度卷积核，分别对所述待检测图像进行卷积计算，获得水平卷积图像及垂直卷积图像；
矩阵计算单元，用于计算水平卷积图像及垂直卷积图像对应的协方差矩阵，获得对应的水平协方差矩阵及垂直协方差矩阵；及
翻拍判别单元，用于基于所述水平协方差矩阵及所述垂直协方差矩阵，判断所述待检测图像是否为翻拍；
其中所述计算水平卷积图像及垂直卷积图像对应的协方差矩阵，获得对应的水平协方差矩阵及垂直协方差矩阵，也即获得了所述待检测图像在水平方向上的水平高频分量及垂直方向上的垂直高频分量；所述水平协方差矩阵及所述垂直协方差矩阵转换为对应的第一特征向量及第二特征向量；将所述第一特征向量及所述第二特征向量进行拼接，获得一可以用于表征高频分量的组合特征向量；对比翻拍图像中组合特征向量对应的高频分量和非翻拍图像中的高频分量，判断所述待检测图像是否为翻拍。
6.如权利要求5中所述翻拍图像的判别系统，其特征在于，还包括：
图像缩放单元，用于将所述至少一待检测图像缩放至预设尺寸。
7.如权利要求5中所述翻拍图像的判别系统，其特征在于，所述翻拍判别单元还包括：
向量转换单元，用于将所述水平协方差矩阵及所述垂直协方差矩阵转换为对应的第一特征向量及第二特征向量；
向量组合单元，用于组合所述第一特征向量及所述第二特征向量，获得一组合特征向量；及
高频识别单元，用于基于所述组合特征向量对应的高频分量，判断所述待检测图像是否为翻拍。
8.如权利要求7中所述翻拍图像的判别系统，其特征在于：所述高频识别单元基于预设的SVM计算单元对所述组合特征向量进行分类，以获得所述待检测图像是否为翻拍。
9.一种电子设备，包括存储器和处理器，其特征在于：所述存储器中存储有计算机程序，所述计算机程序被设置为运行时执行所述权利要求1至4任一项中所述翻拍图像的判别方法；
所述处理器被设置为通过所述计算机程序执行所述权利要求1至4任一项中所述翻拍图像的判别方法。
CN201911287024.9A 2019-12-14 2019-12-14 一种翻拍图像的判别方法、系统及电子设备 Active CN111062922B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911287024.9A CN111062922B (zh) 2019-12-14 2019-12-14 一种翻拍图像的判别方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911287024.9A CN111062922B (zh) 2019-12-14 2019-12-14 一种翻拍图像的判别方法、系统及电子设备

Publications (2)

Publication Number Publication Date
CN111062922A CN111062922A (zh) 2020-04-24
CN111062922B true CN111062922B (zh) 2024-02-20

Family

ID=70301677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911287024.9A Active CN111062922B (zh) 2019-12-14 2019-12-14 一种翻拍图像的判别方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN111062922B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609959A (zh) * 2021-04-16 2021-11-05 六度云计算有限公司 一种人脸活体检测方法和装置
CN113222952B (zh) * 2021-05-20 2022-05-24 蚂蚁胜信(上海)信息技术有限公司 翻拍图像的识别方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006340939A (ja) * 2005-06-10 2006-12-21 Hitachi Medical Corp 投影像生成方法
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
CN105512684A (zh) * 2015-12-09 2016-04-20 江苏大为科技股份有限公司 基于主成分分析卷积神经网络的车标自动识别方法
CN108537154A (zh) * 2018-03-28 2018-09-14 天津大学 基于hog特征和机器学习的输电线路鸟巢识别方法
CN108769523A (zh) * 2018-06-07 2018-11-06 Oppo广东移动通信有限公司 图像处理方法和装置、电子设备、计算机可读存储介质
CN109325933A (zh) * 2017-07-28 2019-02-12 阿里巴巴集团控股有限公司 一种翻拍图像识别方法及装置
CN109558794A (zh) * 2018-10-17 2019-04-02 平安科技（深圳）有限公司 基于摩尔纹的图像识别方法、装置、设备和存储介质
CN109785312A (zh) * 2019-01-16 2019-05-21 创新奇智(广州)科技有限公司 一种图像模糊检测方法、系统及电子设备
CN110046644A (zh) * 2019-02-26 2019-07-23 阿里巴巴集团控股有限公司 一种证件防伪的方法及装置、计算设备和存储介质
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140050392A1 (en) * 2012-08-15 2014-02-20 Samsung Electronics Co., Ltd. Method and apparatus for detecting and tracking lips

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006340939A (ja) * 2005-06-10 2006-12-21 Hitachi Medical Corp 投影像生成方法
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
CN105512684A (zh) * 2015-12-09 2016-04-20 江苏大为科技股份有限公司 基于主成分分析卷积神经网络的车标自动识别方法
CN109325933A (zh) * 2017-07-28 2019-02-12 阿里巴巴集团控股有限公司 一种翻拍图像识别方法及装置
CN108537154A (zh) * 2018-03-28 2018-09-14 天津大学 基于hog特征和机器学习的输电线路鸟巢识别方法
CN108769523A (zh) * 2018-06-07 2018-11-06 Oppo广东移动通信有限公司 图像处理方法和装置、电子设备、计算机可读存储介质
CN109558794A (zh) * 2018-10-17 2019-04-02 平安科技（深圳）有限公司 基于摩尔纹的图像识别方法、装置、设备和存储介质
CN109785312A (zh) * 2019-01-16 2019-05-21 创新奇智(广州)科技有限公司 一种图像模糊检测方法、系统及电子设备
CN110046644A (zh) * 2019-02-26 2019-07-23 阿里巴巴集团控股有限公司 一种证件防伪的方法及装置、计算设备和存储介质
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

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
Moiré Pattern Detection using Wavelet Decomposition and Convolutional Neural Network;Eldho Abraham;2018 IEEE Symposium Series on Computational Intelligence (SSCI);1275-1279 *
Moiré Photo Restoration Using Multiresolution Convolutional Neural Networks;Yujing Sun 等;IEEE Transactions on Image Processing(第8期);4160 - 4172 *
任浩 等."基于动态边缘检测的图像锐化算法".《杭州电子科技大学学报》.2012,(第undefined期),21-24. *
基于图像分解的纹理图像摩尔纹消除方法;刘芳蕾;中国优秀硕士学位论文全文数据库 信息科技辑(第6期);I138-1704 *
基于改进非局部均值的红外图像混合噪声去除方法;李方舟 等;红外与激光工程(第S1期);169-179 *
摄屏类图像重构算法;陈申渭 等;计算机系统应用(第05期);110-118 *
数码翻拍图像取证算法;尹京 等;中山大学学报(自然科学版)(第06期);48-52 *
李方舟 ; 赵耀宏 ; 向伟 ; 刘海峥 ; .基于改进非局部均值的红外图像混合噪声去除方法.红外与激光工程.(第S1期),1-10. *
李方舟 等.基于改进非局部均值的红外图像混合噪声去除方法.红外与激光工程.2019,(第S1期),169-179. *
陈申渭 ; 马汉杰 ; 冯杰 ; 许佳立 ; .摄屏类图像重构算法.计算机系统应用.(第05期),110-117. *
陈申渭 等.摄屏类图像重构算法.计算机系统应用.2019,(第05期),110-118. *

Also Published As

Publication number Publication date
CN111062922A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN111369545B (zh) 边缘缺陷检测方法、装置、模型、设备及可读存储介质
CN110276346B (zh) 目标区域识别模型训练方法、装置和计算机可读存储介质
US10187546B2 (en) Method and device for correcting document image captured by image pick-up device
US20160328623A1 (en) Liveness testing methods and apparatuses and image processing methods and apparatuses
CN109166156B (zh) 一种摄像头标定图像的生成方法、移动终端及存储介质
CN111429354B (zh) 图像拼接及全景图拼接方法和装置、存储介质、电子设备
CN111062922B (zh) 一种翻拍图像的判别方法、系统及电子设备
CN110781823B (zh) 录屏检测方法、装置、可读介质及电子设备
CN109409241A (zh) 视频核验方法、装置、设备及可读存储介质
EP4322109A1 (en) Green screen matting method and apparatus, and electronic device
WO2023051377A1 (zh) 图像数据的脱敏方法和装置
CN102473306B (zh) 图像处理装置、图像处理方法、程序以及集成电路
CN115346278A (zh) 图像检测方法、装置、可读介质及电子设备
CN111209856B (zh) 发票信息的识别方法、装置、电子设备及存储介质
CN113838070A (zh) 数据脱敏方法和装置
CN112991349B (zh) 图像处理方法、装置、设备和存储介质
US20240112299A1 (en) Video cropping method and apparatus, storage medium and electronic device
CN113344907B (zh) 一种图像检测方法及装置
WO2019184719A1 (zh) 一种拍照的方法和装置
US20190130600A1 (en) Detection Method and Device Thereof
US20080267506A1 (en) Interest point detection
CN112287905A (zh) 车辆损伤识别方法、装置、设备及存储介质
CN116468914A (zh) 页面对比方法、装置、存储介质及电子设备
CN112052863B (zh) 一种图像检测方法及装置、计算机存储介质、电子设备
CN113744339B (zh) 生成全景图像的方法、装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant