CN111241873A - 图像翻拍检测方法及其模型的训练方法、支付方法及装置 - Google Patents

Abstract

本申请公开了一种图像翻拍检测方法及其模型的训练方法、支付方法及装置，所述图像翻拍检测方法基于图像翻拍检测模型，该图像翻拍检测模型通过ImageNet数据集对InceptionV4结构模型进行预训练，并通过翻拍图像以及真实图像进行再训练得到的，该InceptionV4结构模型最后一层全连接层的输出节点为2个；图像翻拍检测方法包括：获取到待检测图像，并将待检测图像输入到图像翻拍检测模型中；通过图像翻拍检测模型对待检测图像进行图像类型预测，输出待检测图像的图像类型预测概率；其中，所述图像类型包括真实图像以及翻拍图像。通过上述方式，能够快速的识别出检测到的图像是否为翻拍图像。

Description

图像翻拍检测方法及其模型的训练方法、支付方法及装置

技术领域

本申请涉及到图像识别技术领域，特别是涉及一种图像翻拍检测方法及其模型的训练方法、支付方法及装置。

背景技术

随着互联网以及生物技术的快速发展，通过生物特征进行身份验证已经应用于各行各业。比如移动支付、门禁身份验证等等。而在生物特征识别中，常用的有指纹识别如手机解锁、虹膜识别以及人脸特征识别等，而人脸特征识别相对于指纹识别以及虹膜识别在信息获取的方式上最为便捷。

随着人脸识别技术逐渐商用，并向着自动化、无人监督化发展，出现了一些通过翻拍别人的人脸图像而盗取信息或钱财的情况。给用户的信息以及财产带来威胁。

发明内容

本申请主要解决的技术问题是提供一种图像翻拍检测方法及其模型的训练方法、支付方法及装置，能够快速的识别出检测到的图像是否为翻拍图像。

为解决上述技术问题，本申请采用的第一个技术方案是：提供一种图像翻拍检测模型的训练方法，包括：通过ImageNet数据集对InceptionV4结构模型进行训练，并将训练好的模型确定为图像翻拍检测模型的初始模型；其中，InceptionV4结构模型的最后一层全连接层的输出节点在ImageNet数据集上预训练时为设定值，在训练完成时为2个；

将翻拍图像以及真实图像输入到初始模型中，通过初始模型对翻拍图像以及真实图像进行图像类型概率预测；

基于预测结果通过损失函数对初始模型的模型参数进行迭代训练，并将训练完成后的模型确定为图像翻拍检测模型。

为解决上述技术问题，本申请采用的第二个技术方案是：提供一种图像翻拍检测方法基于图像翻拍检测模型，图像翻拍检测模型是通过ImageNet数据集对InceptionV4结构模型进行预训练，并通过翻拍图像以及真实图像进行再训练得到的；InceptionV4结构模型最后一层全连接层的输出节点为2个；

图像翻拍检测方法包括：

获取到待检测图像，并将待检测图像输入到图像翻拍检测模型中；

通过图像翻拍检测模型对待检测图像进行图像类型预测，输出待检测图像的图像类型预测概率；其中，所述图像类型包括真实图像以及翻拍图像。

为解决上述技术问题，本申请采用的第三个技术方案是：提供一种基于人脸识别的支付方法，所述支付方法包括：

获取到用于验证支付的人脸图像；

通过上述图像翻拍检测方法判断所述人脸图像是否为翻拍图像；

如果所述人脸图像为翻拍图像，发出支付失败的提示信息；如果所述人脸图像为真实图像，对所述人脸图像对应的用户进行身份验证；

如果所述用户通过身份验证，完成本次支付。

为解决上述技术问题，本申请采用的第四个技术方案是：提供一种图像翻拍检测模型的训练装置，训练装置包括初始训练模块、概率预测模块以及迭代训练模块，

初始训练模块用于通过ImageNet数据集对InceptionV4结构模型进行训练，并将训练好的模型确定为图像翻拍检测模型的初始模型；其中，InceptionV4结构模型的最后一层全连接层的输出节点在ImageNet数据集上预训练时为设定值，在训练完成时为2个；

概率预测模块用于将翻拍图像以及真实图像输入到初始模型中，通过初始模型对翻拍图像以及真实图像进行图像类型预测；

迭代训练模块用于基于预测结果通过损失函数对初始模型的模型参数进行迭代训练，并将训练完成后的模型确定为图像翻拍检测模型。

为解决上述技术问题，本申请采用的第五个技术方案是：提供一种图像翻拍检测装置，图像翻拍检测装置包括图像翻拍检测模型，图像翻拍检测模型是通过ImageNet数据集对InceptionV4结构模型进行预训练，并通过翻拍图像以及真实图像进行再训练得到的；InceptionV4结构模型最后一层全连接层的输出节点为2个；

图像翻拍检测装置包括图像获取模块以及判断模块；

图像获取模块用于获取到待检测图像，并将待检测图像输入到图像翻拍检测模型中；

判断模块用于通过图像翻拍检测模型对待检测图像进行图像类型预测，输出待检测图像的图像类型预测概率；其中，所述图像类型包括真实图像以及翻拍图像。

为解决上述技术问题，本申请采用的第六个技术方案是：提供一种智能装置，智能装置包括人脸图像获取模块、翻拍检测模块以及支付模块，

图像获取模块用于获取到用于验证支付的人脸图像；

翻拍检测模块用于通过上述任一实施方式的图像翻拍检测方法判断所述人脸图像是否为翻拍图像；

支付模块用于在人脸图像为翻拍图像，发出支付失败的提示信息；在人脸图像为真实图像，对所述人脸图像对应的用户进行身份验证；确定所述用户通过身份验证时，完成本次支付。

为解决上述技术问题，本申请采用的第七个技术方案是：提供一种智能终端，智能终端包括相互耦接的人机交互控制电路、处理器及可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述图像翻拍检测模型的训练方法、上述图像翻拍检测方法或上述基于人脸识别的支付方法的步骤。

为解决上述技术问题，本申请采用的第八个技术方案是：提供一种存储装置，存储装置上存储有程序数据，程序数据被处理器执行时实现上述图像翻拍检测模型的训练方法、图像翻拍检测方法或上述基于人脸识别的支付方法。

本申请的有益效果是：本实施方式中，将待检测图像输入到图像翻拍检测模型中，直接通过该图像翻拍检测模型输出图像类型预测结果。不仅能够有效判断出待检测图像是否为翻拍图像，保证用户的信息不被盗取，进一步保护用户的隐私和财产安全。而且整个判断过程，无需人为进行图像识别处理，将复杂的图像识别技术简化为二分类任务，节省研发成本和人力成本，且可移植性强，商用范围更加广泛。

附图说明

图1是本申请图像翻拍检测模型的训练方法一实施方式的流程示意图；

图2是本申请图像翻拍检测方法一实施方式的流程示意图；

图3是本申请图像翻拍检测方法另一实施方式的流程示意图；

图4是本申请基于人脸识别的支付方法一实施方式的流程示意图；

图5是本申请图像翻拍检测模型的训练装置一实施方式的结构示意图；

图6是本申请图像翻拍检测装置一实施方式的结构示意图；

图7是本申请智能装置一实施方式的结构示意图；

图8是本申请智能终端一实施方式的结构示意图；

图9是本申请存储装置一实施方式的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，均属于本申请保护的范围。

本申请是利用图像翻拍检测模型，在不需要人工参与前提下，快速检测出获取到的图像是否为翻拍图像，以确保用户的隐私以及财产安全。其中，该图像为人脸图像。

如图1所示，图1为本申请图像翻拍检测模型的训练方法一实施方式的流程示意图。包括如下步骤：

步骤101：通过ImageNet数据集对InceptionV4结构模型进行训练，并将训练好的模型确定为所述图像翻拍检测模型的初始模型；其中，所述InceptionV4结构模型的最后一层全连接层的输出节点在ImageNet数据集上预训练时为设定值，在训练完成时为2个。

本实施方式的图像翻拍检测模型是基于深度学习网络的模型。具体地，由于在分类网络中，若网络太浅，学习不到有用的分类特征，若网络太深，则需要过于庞大的训练数据以及过长的训练时间。在本实施方式中，综合深度学习模型的抽象特征学习的能力、现有的训练数据以及训练时长，采用InceptionV4结构模型。

进一步地，通过ImageNet数据集对InceptionV4结构模型进行初始训练，并将训练好的模型确定为所述图像翻拍检测模型的初始模型。具体地，在ImageNet数据集上对该InceptionV4结构模型进行初始训练时，该InceptionV4结构模型的最后一层全连接层的输出节点为设定值，如1000个节点，还可以为900个、500个、680个等，也可以根据实际需要人为设定，在此不做限定。

为了减少计算量且更加直观的输出本实施方式的翻拍检测结果，本实施方式的InceptionV4结构模型在训练完成后，最后一层全连接层的输出节点为2个，分别用于输出真实图像的图像类型预测概率以及翻拍图像的图像类型预测概率。

其中，ImageNet数据集是目前深度学习图像领域应用非常广泛的一个领域，很多关于图像分类、定位、检测等领域的研究工作均是基于该数据集展开。具体地，ImageNet数据集有1400多万幅图片，涵盖2万多个类别；其中有超过百万的图片有明确的类别标注和图像中物体位置的标注。因此，选取ImageNet数据集中的设定数量如1000个类别图像对InceptionV4结构模型进行训练进行初始训练，不需要用户额外的获取样本数据，节省训练成本以及训练时间，并使神经网络能提取到图像中更好的抽象特征。并且由于ImageNet数据集中已标注的数据资源丰富，通过该数据集训练后的初始模型的预测结果准确率较高。

步骤102：将翻拍图像以及真实图像输入到所述初始模型中，通过所述初始模型对所述翻拍图像以及真实图像进行图像类型预测。

具体地，该真实图像可以为用户网络注册时实时采集的图像，可以为视频图像或照片图像。一般情况下，用于训练模型的图像数量越多训练的结果也越好，而视频图像可以分解成多个帧图像，因此，本实施方式优选的采集视频图像，以保证真实图像的数量。该翻拍图像可以为从网络中获取的翻拍图像，也可以为历史记录的翻拍图像，在此不做限定。

在一个可选的实施方式中，为了保证图像翻拍模型对真实图像以及翻拍图像都能进行准确的预测，翻拍图像与真实图像的数量需要在同一个数量级。而真实图像可从真实视频中直接获取，数量是有保障的。为了保证翻拍图像的数量，在获取到真实图像和翻拍图像后，首先判断真实图像与翻拍图像的数量差是否小于预设量，即真实图像比翻拍图像多出的图像数量否小于该预设量。如果不小于，如真实图像比翻拍图像的数量多于预设量20000张时，通过将该翻拍图像进行旋转、改变色彩或重新裁剪尺寸中的至少一种方式进行数量扩充，以使真实图像与翻拍图像的数量在同一个数量级。

在一个优选的实施方式中，该翻拍图像与真实图像的数量比约为1:1。

进一步地，将同一数量级的翻拍图像以及真实图像分别依次输入到初始模型中，通过该初始模型对输入的图像进行图像类型的预测。该模型的输出可以为该图像为真实图像的预测概率或/和该图像为翻拍图像的预测概率，优先的为该图像为翻拍图像的预测概率，在此不做限定。

步骤103：基于预测结果通过损失函数对所述初始模型的模型参数进行迭代训练，并将训练完成后的模型确定为所述图像翻拍检测模型。

虽然通过ImageNet数据集初始训练后的InceptionV4结构模型即初始模型具有图像分类功能，但是针对特定的任务如本实施方式的图形翻拍检测功能并不完善，对图像类型的概率预测并不一定准确。因此，本实施方式中基于预测结果进一步地对初始模型进行迭代优化。

在本实施方式中，可通过损失函数的优化来实现对该初始模型的优化。具体地，将当前损失值为最小损失值所对应的所述损失函数的参数确定为所述损失函数的当前优化参数，并对该初始模型进行再训练。至当前损失值的损失值的变化小于预设范围时，将当前的损失函数参数确定为当前述初始模型的模型参数，并将该参数下的训练完成的初始模型确定为图像翻拍检测模型。

区别于现有技术，本实施方式中首先通过ImageNet数据集中的设定数量个类别的图像数据对InceptionV4结构模型进行初始训练，得到模型的初始化参数。并在初始训练完成后，将最后一层全连接层的输出节点改成为2个，然后通过现有的数据集对现有的模型进行训练的方式，能够节省获取样本数据的时间和成本，并能够有效的节省模型训练时间，降低了图像翻拍模型建立的门槛。得到初始模型后，通过翻拍图像以及真实图像对该初始模型进行训练，将训练完成后的模型确定为图像翻拍检测模型。通过根据图像直接训练的方式，可以将复杂的图像识别技术简化为二分类任务，节省研发成本和人力成本，且可移植性强，商用范围更加广泛。而且，训练后的模型能够直接对用户的图像进行是否为翻拍图像的类型识别，能够有效判断出待检测图像是否为翻拍图像，保证用户的信息不被盗取，进一步保护用户的隐私和财产安全。

参阅图2，图2为本申请图像翻拍检测方法一实施方式的流程示意图。其中，本实施方式的图像翻拍检测方法是基于图像翻拍检测模型。该图像翻拍检测模型是通过上述任一实施方式的图像翻拍检测模型的训练方法训练得到的。

该图像翻拍检测模型的初始模型是InceptionV4结构模型，通过ImageNet数据集对InceptionV4结构模型进行初始训练，并将训练好的模型确定为图像翻拍检测模型的初始模型。具体地，在ImageNet数据集上对该InceptionV4结构模型进行初始训练时，该InceptionV4结构模型的最后一层全连接层的输出节点为设定值，如1000个节点，还可以为900个、500个、680个等，也可以根据实际需要人为设定，在此不做限定。

为了减少计算量且更加直观的输出本实施方式的翻拍检测结果，本实施方式的InceptionV4结构模型在训练完成后，最后一层全连接层的输出节点为2个，分别用于输出真实图像的图像类型预测概率以及翻拍图像的图像类型预测概率。

如图2所示，本实施方式的图像翻拍检测方法包括：

步骤201：获取到待检测图像，并将所述待检测图像输入到图像翻拍检测模型中。

其中，该待检测图像为人脸图像，获取方式可以通过摄像头拍照或视频拍摄，在此不做限定。

具体地，本实施方式的图像翻拍检测方法可以应用在用户进行网络注册过程中，如办理快捷支付时进行网络注册或办理旅游年卡时进行注册时的身份验证。也可以应用在实际支付或身份验证的过程中，在此不做限定。

具体地，在上述任一场景下接收到待检测图像时，先将待检测图像输入到图像翻拍检测模型中。

步骤202：通过所述图像翻拍检测模型对所述待检测图像进行图像类型预测，输出所述待检测图像的图像类型预测概率；其中，所述图像类型包括真实图像以及翻拍图像。

图像翻拍检测模型接收到该待检测图像后，通过模型内部处理，确定该待检测图像为真实图像的预测概率以及该待测图像为翻拍图像的预测概率。

在一个可选的实施方式中，通过该图像翻拍检测模型通过两路输出，分别输出该待检测图像为真实图像的预测概率以及为翻拍图像的预测概率。由于该待检测图像为真实图像的预测概率与为翻拍图像的预测概率之和始终为1，为了节省资源，也可以只输出一种类型的预测概率，且为了使翻拍检测结果更加直观，优选输出待检测图像为翻拍图像的预测概率。

区别于现有技术，本实施方式中，将待检测图像输入到图像翻拍检测模型中，可直接通过该图像翻拍检测模型输出图像类型预测结果。不仅能够有效判断出待检测图像是否为翻拍图像，保证用户的信息不被盗取，进一步保护用户的隐私和财产安全。而且整个判断过程，无需人为进行图像识别处理，将复杂的图像识别技术简化为二分类任务，节省研发成本和人力成本，且可移植性强，商用范围更加广泛。

结合到具体场景，参阅图3，图3是本申请图像翻拍检测方法另一实施方式的流程示意图。图3为图2图像翻拍检测方法一具体实施方式的流程示意图。包括如下步骤；

步骤301：获取到待检测图像，并将所述待检测图像输入到图像翻拍检测模型中。

比如，在实际支付或身份验证时，检测装置在获取到用户的待检测图像如通过摄像头采集到的人脸图像后，将该待检测图像输入到图像翻拍系统中。

具体地，该步骤与步骤201相同。具体请参阅步骤201及其相关文字描述，在此不再赘述。

步骤302：通过所述图像翻拍检测模型对所述待检测图像进行图像类型预测，输出所述待检测图像的图像类型预测概率。

该步骤与步骤202相同。具体请参阅步骤202及其相关文字描述，在此不再赘述。

步骤303：判断所述待检测图像为翻拍图像的预测概率是否小于预设概率。

在通过该图像翻拍检测模型得到该待检测图像为翻拍图像的预测概率后，进一步地判断该图像为翻拍图像的预测概率是否小于预设概率。其中，该预设概率可以根据经验自行设置，如自行设置为50％。也可以根据在对该图像翻拍检测模型进行训练时得到的准确率进行设置，如在对图像翻拍检测模型进行训练，实际为翻拍图像为翻拍类型的预测概率为80％时，可将该预设概率设定为80％。可以根据实际情况往下调一点，如70％或75％，在此不做限定。

如果预测出该待检测图像为翻拍图像的预测概率小于该预设概率，如预设概率为50％，该待检测图像为翻拍图像的预测概率为30％时，则执行步骤304。如果预测出该检测图像为翻拍图像的预测概率不小于该预设概率，如预设概率为75％，该待检测图像为翻拍图像的预测概率为75％或80％时，确定待检测图像为翻拍图像，执行步骤305。

步骤304：对所述待检测图像中的用户进行身份验证，如果所述用户通过身份验证，确定所述待检测图像为真实图像。

在确定检测图像为翻拍图像的预测概率小于预设概率时，只能确定当前获取到的待检测图像不为翻拍图像，但是在实际支付或身份验证时，当前获取到的待检测图像是否与注册时录入的图像是否一致并不确定。因此，需要进一步地对用户身份进行验证，比如注册时，对注册用户的身份与提供的证件的身份信息是否相同的验证，或者验证支付时，对获取到的用户身份与注册时的用户身份是否相同的验证。如果相同，待检测图像对应的用户通过身份验证，确定所述待检测图像为真实图像。

如果不相同，即待检测图像对应的用户未通过身份验证，则执行步骤305。

步骤305：发出预警提示消息。

具体地，可通过语音提醒或文字提醒，在此不做限定。

上述方式中，不仅能够有效判断出待检测图像是否为翻拍图像，保证用户的信息不被盗取，进一步保护用户的隐私和财产安全。而且整个判断过程，无需人为进行图像识别处理，将复杂的图像识别技术简化为二分类任务，节省研发成本和人力成本，且可移植性强，商用范围更加广泛。

在一个具体的实施方式中，以通过人脸识别实现支付来说明，如图4所示，图4是本申请基于人脸的支付方法一实施方式的流程示意图。本实施方式的支付方法为图3一具体实施例。包括如下步骤：

步骤401：获取到用于验证支付的人脸图像。

用户在通过人脸识别完成支付时，首先摄像头等设备获取到用于验证的人脸图像。

步骤402：判断所述人脸图像是否为翻拍图像。

具体地，可通过图1-图2及其文字描述的任一实施方式的图像翻拍检测方法来判断。

如果该图像为翻拍图像，说明用户的账号或密码可能被盗用，本次支付失败，执行步骤403。如果该图像为真实图像，执行步骤304。

步骤403：发出支付失败的提示信息。

步骤404：对所述人脸图像对应的用户进行身份验证，如果用户通过身份验证，完成本次支付。

一般情况下，只有在注册时对应设置的验证方式为人脸图像，实际支付才能通过人脸图像完成验证支付。因此，在实际支付时，如果获取到的人脸图像对应的用户与注册登记时的身份信息相同，确定用户通过身份验证，完成本次支付。如果人脸图像对应的用户与与注册登记时的身份信息不相同，则实际验证的用户可能不是注册用户本人，本次验证失败，执行步骤403，发出提示信息，提醒再次验证或提示本次支付失败，在此不做限定。

通过上述方式，在实际支付时，对获取到的人脸图像先进行翻拍检测，保证用户的信息不被盗取，进一步保护用户的隐私和财产安全。而且整个判断过程，无需人为进行图像识别处理，将复杂的图像识别技术简化为二分类任务，节省研发成本和人力成本，且可移植性强，商用范围更加广泛。

参阅图5，图5是本申请图像翻拍检测模型的训练装置一实施方式的结构示意图。本实施方式的训练模型包括初始训练模块501、概率预测模块502以及迭代训练模块503。

初始训练模块501用于通过ImageNet数据集对InceptionV4结构模型进行训练，并将训练好的模型确定为所述图像翻拍检测模型的初始模型；其中，所述InceptionV4结构模型的最后一层全连接层的输出节点在ImageNet数据集上预训练时为设定值，在训练完成时为2个。

本实施方式的图像翻拍检测模型是基于深度学习网络的模型。具体地，由于在分类网络中，若网络太浅，学习不到有用的分类特征，若网络太深，则需要过于庞大的训练数据以及过长的时间。在本实施方式中，综合深度学习模型的抽象特征学习的能力、现有的训练数据以及训练时长，采用InceptionV4结构模型。

进一步地，初始训练模块501通过ImageNet数据集对InceptionV4结构模型进行初始训练，并将训练好的模型确定为所述图像翻拍检测模型的初始模型。具体地，在ImageNet数据集上对该InceptionV4结构模型进行初始训练时，该InceptionV4结构模型的最后一层全连接层的输出节点为设定值，如1000个节点，还可以为900个、500个、680个等，也可以根据实际需要人为设定，在此不做限定。

为了减少计算量且更加直观的输出本实施方式的翻拍检测结果，本实施方式的InceptionV4结构模型在训练完成后，最后一层全连接层的输出节点为2个，分别用于输出真实图像的图像类型预测概率以及翻拍图像的图像类型预测概率。

其中，ImageNet数据集是目前深度学习图像领域应用非常广泛的一个领域，很多关于图像分类、定位、检测等领域的研究工作均是基于该数据集展开。具体地，ImageNet数据集有1400多万幅图片，涵盖2万多个类别；其中有超过百万的图片有明确的类别标注和图像中物体位置的标注。因此，选取ImageNet数据集中的设定数量如1000个类别图像对InceptionV4结构模型进行训练进行初始训练，不需要用户额外的获取样本数据，并使神经网络能提取到图像中更好的抽象特征，节省训练成本以及训练时间。并且由于ImageNet数据集中已标注的数据资源丰富，通过该数据集训练后的初始模型的预测结果准确率较高。

概率预测模块502用于将翻拍图像以及真实图像输入到所述初始模型中，通过所述初始模型对所述翻拍图像以及真实图像进行图像类型预测。

具体地，该真实图像可以为用户网络注册时实时采集的图像，可以为视频图像或照片图像。一般情况下，用于训练模型的图像数量越多训练的结果也越好，而视频图像可以分解成多个帧图像，因此，本实施方式优选的采集视频图像，以保证真实图像的数量。该翻拍图像可以为从网络中获取的翻拍图像，也可以为历史记录的翻拍图像，在此不做限定。在一个可选的实施方式中，为了保证图像翻拍模型对真实图像以及翻拍图像都能进行准确的预测，翻拍图像与真实图像的数量需要在同一个数量级。而真实图像可从真实视频中直接获取，数量是有保障的。为了保证翻拍图像的数量，概率预测模块502在获取到真实图像和翻拍图像后，首先判断真实图像与翻拍图像的数量差是否小于预设量，即真实图像比翻拍图像多出的图像数量否小于该预设量。如果不小于，如真实图像比翻拍图像的数量多于预设量20000张时，通过将该翻拍图像进行旋转、改变色彩或重新裁剪尺寸中的至少一种方式进行数量扩充，以使真实图像与翻拍图像的数量在同一个数量级。

在一个优选的实施方式中，该翻拍图像与真实图像的数量约比为1:1。

进一步地，概率预测模块502将同一数量级的翻拍图像以及真实图像分别依次输入到初始模型中，通过该初始模型对输入的图像进行图像类型的预测。该模型的输出可以为该图像为真实图像的预测概率或/和该图像为翻拍图像的预测概率，优先的为该图像为翻拍图像的预测概率，在此不做限定。

迭代训练模块503用于基于预测结果通过损失函数对所述初始模型的模型参数进行迭代训练，并将训练完成后的模型确定为所述图像翻拍检测模型。

虽然通过ImageNet数据集初始训练后的InceptionV4结构模型即初始模型具有图像分类功能，但是针对特定的任务如本实施方式的图形翻拍检测功能并不完善，对图像类型的概率预测并不一定准确。因此，本实施方式中基于预测结果进一步地对初始模型进行迭代优化。

在本实施方式中，可通过损失函数的优化来实现对该初始模型的优化。具体地，将当前损失值为最小损失值所对应的所述损失函数的参数确定为所述损失函数的当前优化参数，并对该初始模型进行再训练。至当前损失值的损失值的变化小于预设范围时，将当前的损失函数参数确定为当前述初始模型的模型参数，并将该参数下的训练完成的初始模型确定为图像翻拍检测模型。

区别于现有技术，本实施方式首先通过ImageNet数据集中的设定数量个类别的图像数据对InceptionV4结构模型进行初始训练，得到模型的初始化参数。并在初始训练完成后，将最后一层全连接层的输出节点改成为2个，然后通过现有的数据集对现有的模型进行训练的方式，能够节省获取样本数据的时间和成本，并能够有效的节省模型训练时间，降低了图像翻拍模型建立的门槛。得到初始模型后，通过翻拍图像以及真实图像对该初始模型进行训练，将训练完成后的模型确定为图像翻拍检测模型。通过根据图像直接训练的方式，可以将复杂的图像识别技术简化为二分类任务，节省研发成本和人力成本，且可移植性强，商用范围更加广泛。而且，训练后的模型能够直接对用户的图像进行是否为翻拍图像的类型识别，能够有效判断出待检测图像是否为翻拍图像，保证用户的信息不被盗取，进一步保护用户的隐私和财产安全。

参阅图6，图6是图像翻拍检测装置一实施方式的结构示意图，本实施方式的图像翻拍检测装置包括图像翻拍检测模型。该图像翻拍检测模型是通过上述任一实施方式的图像翻拍检测模型的训练方法训练得到的。

具体地，该图像翻拍检测模型的初始模型是InceptionV4结构模型，通过ImageNet数据集对InceptionV4结构模型进行初始训练，并将训练好的模型确定为图像翻拍检测模型的初始模型。具体地，在ImageNet数据集上对该InceptionV4结构模型进行初始训练时，该InceptionV4结构模型的最后一层全连接层的输出节点为设定值，如1000个节点，还可以为900个、500个、680个等，也可以根据实际需要人为设定，在此不做限定。

为了减少计算量且更加直观的输出本实施方式的翻拍检测结果，本实施方式的InceptionV4结构模型在训练完成后，最后一层全连接层的输出节点为2个，分别用于输出真实图像的图像类型预测概率以及翻拍图像的图像类型预测概率。

该图像翻拍检测装置包括图像获取模块601以及判断模块602。

图像获取模块601用于获取到待检测图像，并将所述待检测图像输入到图像翻拍检测模型中。

其中，该待检测图像为人脸图像，获取方式可以通过摄像头拍照或视频拍摄，在此不做限定。

本实施方式的图像翻拍检测装置可以应用在用户进行网络注册过程中，如办理快捷支付时进行网络注册或办理旅游年卡时进行注册时的身份验证。也可以应用在实际支付或身份验证的过程中，在此不做限定。

具体地，图像获取模块601在上述任一场景下接收到待检测图像时，先将待检测图像输入到图像翻拍检测模型中。

判断模块602用于通过所述图像翻拍检测模型对所述待检测图像进行图像类型预测，输出所述待检测图像的图像类型预测概率。

具体地，判断模块502通过模型内部处理，确定该待检测图像为真实图像的预测概率以及该待测图像为翻拍图像的预测概率。

在一个可选的实施方式中，判断模块602通过该图像翻拍检测模型通过两路输出，分别输出该待检测图像为真实图像的预测概率以及为翻拍图像的预测概率。由于该待检测图像为真实图像的预测概率与为翻拍图像的预测概率之和始终为1，为了节省资源，也可以只输出一种类型的预测概率，且为了使翻拍检测结果更加直观，优选输出待检测图像为翻拍图像的预测概率。

在一个具体的应用场景中，如实际进行网络支付或者身份验证时，判断模块602在通过该图像翻拍检测模型得到该待检测图像为翻拍图像的预测概率后，进一步地判断该图像为翻拍图像的预测概率是否小于预设概率。其中，该预设概率可以根据经验自行设置，如自行设置为50％。也可以根据在对该图像翻拍检测模型进行训练时得到的准确率进行设置，如在对图像翻拍检测模型进行训练，实际为翻拍图像为翻拍类型的预测概率为80％时，可将该预设概率设定为80％。可以根据实际情况往下调一点，如70％或75％，在此不做限定。

判断模块602确定预测出该待检测图像为翻拍图像的预测概率小于该预设概率，如预设概率为50％，该待检测图像为翻拍图像的预测概率为30％时，对所述待检测图像中的用户进行身份验证，比如注册时，对注册用户的身份与提供的证件的身份信息是否相同的验证，或者验证支付时，对获取到的用户身份与注册时的用户身份是否相同的验证。如果相同，待检测图像对应的用户通过身份验证，确定所述待检测图像为真实图像。如果不相同，即待检测图像对应的用户未通过身份验证，发出预警提示消息。

判断模块602确定该检测图像为翻拍图像的预测概率不小于该预设概率，如预设概率为75％，该待检测图像为翻拍图像的预测概率为75％或80％时，确定待检测图像为翻拍图像，发出预警提示消息。

上述方式中，不仅能够有效判断出待检测图像是否为翻拍图像，保证用户的信息不被盗取，进一步保护用户的隐私和财产安全。而且整个判断过程，无需人为进行图像识别处理，将复杂的图像识别技术简化为二分类任务，节省研发成本和人力成本，且可移植性强，商用范围更加广泛。

参阅图7，图7是本实施方式的智能装置一实施方式的结构示意图。本实施方式的智能装置包括人脸图像获取模块701、翻拍检测模块702以及支付模块703。

人脸图像获取模块701用于获取到用于验证支付的人脸图像。

人脸图像获取模块701在用户通过人脸识别完成支付时，首先摄像头等设备获取到用于验证的人脸图像。

翻拍检测模块702用于判断所述人脸图像是否为翻拍图像。

具体地，翻拍检测模块702可通过图1-图2及其文字描述的任一实施方式的图像翻拍检测方法来判断。

支付模块703用于在人脸图像为翻拍图像，发出支付失败的提示信息；在人脸图像为真实图像时，对所述人脸图像对应的用户进行身份验证，并在身份验证通过后，完成本次支付。如果用户身份为通过验证，提醒再次验证或提示本次支付失败，在此不做限定。

通过上述方式，在实际支付时，对获取到的人脸图像先进行翻拍检测，保证用户的信息不被盗取，进一步保护用户的隐私和财产安全。而且整个判断过程，无需人为进行图像识别处理，将复杂的图像识别技术简化为二分类任务，节省研发成本和人力成本，且可移植性强，商用范围更加广泛。

参阅图8，图8是本申请智能终端一实施方式的结构示意图。其中，本实施方式的智能终端80包括人机交互控制电路802以及与该人机交互控制电路802耦接的处理器801。该处理器801上可运行的计算机程序。处理器801在执行计算机程序时能够实现图1及其相关文字描述的任一实施方式的图像翻拍检测模型的训练方法，或者执行图2～图3及其相关文字描述的任一实施方式的图像翻拍检测方法，或执行图4及其文字描述的基于人脸识别的支付方法的步骤。

请参与图9，本申请还提供一种存储装置的实施例的结构示意图。本实施例中，该存储装置90存储有处理器可运行的计算机指令91，该计算机指令91用于执行图1及其相关文字描述的任一实施方式的图像翻拍检测模型的训练方法的步骤，或者执行图2～图3及其相关文字描述的任一实施方式的图像翻拍检测方法或或图4及其文字描述的基于人脸识别的支付方法。

该存储装置90具体可以为U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory，)、磁碟或者光盘等可以存储计算机指令91的介质，或者也可以为存储有该计算机指令91的服务器，该服务器可将存储的计算机指令91发送给其他设备运行，或者也可以自运行该存储的计算机指令91。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，单元或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种图像翻拍检测模型的训练方法，其特征在于，所述训练方法包括：

通过ImageNet数据集对InceptionV4结构模型进行训练，并将训练好的模型确定为所述图像翻拍检测模型的初始模型；其中，所述InceptionV4结构模型的最后一层全连接层的输出节点在ImageNet数据集上预训练时为设定值，在训练完成时为2个；

将翻拍图像以及真实图像输入到所述初始模型中，通过所述初始模型对所述翻拍图像以及真实图像进行图像类型概率预测；

基于预测结果通过损失函数对所述初始模型的模型参数进行迭代训练，并将训练完成后的模型确定为所述图像翻拍检测模型。

2.根据权利要求1所述的训练方法，其特征在于，所述将翻拍图像以及真实图像输入到所述初始模型中，通过所述初始模型对所述翻拍图像以及真实图像进行图像类型预测的步骤具体包括：

判断所述真实图像与所述翻拍图像的数量差是否小于预设量；

如果所述真实图像与所述翻拍图像的数量差不小于预设量时，通过将所述翻拍图像进行旋转、改变色彩或重新裁剪尺寸中的至少一种方式进行数量扩充。

3.一种图像翻拍检测方法，其特征在于，所述图像翻拍检测方法基于图像翻拍检测模型，所述图像翻拍检测模型是通过ImageNet数据集对InceptionV4结构模型进行预训练，并通过翻拍图像以及真实图像进行再训练得到的；所述InceptionV4结构模型最后一层全连接层的输出节点为2个；

所述图像翻拍检测方法包括：

获取到待检测图像，并将所述待检测图像输入到图像翻拍检测模型中；

通过所述图像翻拍检测模型对所述待检测图像进行图像类型预测，输出所述待检测图像的图像类型预测概率；其中，所述图像类型包括真实图像以及翻拍图像。

4.根据权利要求3所述的图像翻拍检测方法，其特征在于，所述通过所述图像翻拍检测模型对所述待检测图像进行图像类型预测，输出所述待检测图像的图像类型预测概率的步骤之后还包括：

判断所述待检测图像为翻拍图像的预测概率是否小于预设概率；

如果所述待检测图像为所述翻拍图像的预测概率小于预设概率，对所述待检测图像中的用户进行身份验证，如果所述用户通过身份验证，确定所述待检测图像为真实图像。

5.根据权利要求4所述的图像翻拍检测方法，其特征在于，所述图像翻拍检测方法还包括：

如果所述待检测图像为翻拍图像的概率不小于所述预设概率，确定所述待检测图像为翻拍图像。

6.根据权利要求3所述的图像翻拍检测方法，其特征在于，所述图像翻拍检测模型是通过权利要求1-2任一项所述的图像翻拍检测模型的训练方法训练而得到的。

7.一种基于人脸识别的支付方法，其特征在于，所述支付方法包括：

获取到用于验证支付的人脸图像；

通过权利要求3-6任一项所述的图像翻拍检测方法判断所述人脸图像是否为翻拍图像；

如果所述人脸图像为翻拍图像，发出支付失败的提示信息；如果所述人脸图像为真实图像，对所述人脸图像对应的用户进行身份验证；

如果所述用户通过身份验证，完成本次支付。

8.一种图像翻拍检测装置，其特征在于，所述图像翻拍检测装置包括图像翻拍检测模型，所述图像翻拍检测模型是通过ImageNet数据集对InceptionV4结构模型进行预训练，并通过翻拍图像以及真实图像进行再训练得到的；所述InceptionV4结构模型最后一层全连接层的输出节点为2个；

所述图像翻拍检测装置包括图像获取模块以及判断模块；

所述图像获取模块用于获取到待检测图像，并将所述待检测图像输入到图像翻拍检测模型中；

所述判断模块用于通过所述图像翻拍检测模型对所述待检测图像进行图像类型预测，输出所述待检测图像的图像类型预测概率；其中，所述图像类型包括真实图像以及翻拍图像。

9.一种智能终端，其特征在于，所述智能终端包括相互耦接的人机交互控制电路、处理器及可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-2任一项所述的图像翻拍检测模型的训练方法、权利要求3～6任一项所述的图像翻拍检测方法或权利要求7所述的基于人脸识别的支付方法的步骤。

10.一种存储装置，其特征在于，所述存储装置上存储有程序数据，所述程序数据被处理器执行时实现如权利要求1-3任一项所述的图像翻拍检测模型的训练方法、权利要求4～6任一项所述的图像翻拍检测方法或权利要求7所述的基于人脸识别的支付方法。

Images