CN111259915A - 翻拍图像识别的方法、装置、设备及介质 - Google Patents
翻拍图像识别的方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111259915A CN111259915A CN202010064699.3A CN202010064699A CN111259915A CN 111259915 A CN111259915 A CN 111259915A CN 202010064699 A CN202010064699 A CN 202010064699A CN 111259915 A CN111259915 A CN 111259915A
- Authority
- CN
- China
- Prior art keywords
- image
- binary pattern
- local binary
- adjacent local
- channel
- 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
Images
Classifications
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Color Image Communication Systems (AREA)
Abstract
本发明公开了一种翻拍图像识别的方法、装置、设备及介质,所述方法包括:对待识别图像截取出裁切图像,再对裁切图像进行转换得到灰度图像、色调饱和度图像和色彩视频图像,通过局部相位量化法获得灰度图像的局部相位量化特征直方图的所有归一化值,通过相邻局部二值模式法获得色调饱和度图像的第一相邻局部二值模式特征直方图的所有标准值,同时通过相邻局部二值模式法获得色彩视频图像的第二相邻局部二值模式特征直方图的所有标准值,按照尾数补零法并进行排序得到矩阵图,将矩阵图输入深度卷积神经网络模型通过提取纹理信号频率统计特征得到识别结果。本发明实现了快速地、有效地、便捷地识别出证件或图像是否翻拍,提高了识别准确率。
Description
技术领域
本发明涉及图像分类领域,尤其涉及一种翻拍图像识别的方法、装置、计算机设备及存储介质。
背景技术
随着信用社会的发展,越来越多的应用场景(比如:涉及金融、保险、安防的应用场景)需要通过证件识别或者人脸识别对用户身份进行验证。在现有技术中,现有的证件验证系统需要花费大量的时间进行人工核查,而且随着数据拍照技术的提升,不法分子通过翻拍图像来验证证件的手段层出不穷,如果没有识别出翻拍图像,将会对用户信息出现安全性问题。
发明内容
本发明提供一种翻拍图像识别的方法、装置、计算机设备及存储介质,实现了快速地、有效地、便捷地识别出证件或图像是否翻拍,也提高了识别准确率,在业务流程中大大缩短了流程周期,极大提高了业务的效率,节省了成本。
一种翻拍图像识别的方法,包括:
接收验证指令,获取待识别图像;
截取出所述待识别图像的预设区域的裁切图像;
将所述裁切图像进行灰度处理,得到所述裁切图像的灰度图像,根据六角锥体颜色模型将所述裁切图像转换得到含有多个通道的色调饱和度图像,并根据颜色空间模型将所述裁切图像转换得到含有多个通道的色彩视频图像;
通过局部相位量化法对所述灰度图像进行变换,获得所述灰度图像的局部相位量化特征直方图的所有归一化值;通过相邻局部二值模式法对所述色调饱和图像的每个通道图像进行变换,获得与所述色调饱和度图像的多个通道图像对应的第一相邻局部二值模式特征直方图的所有标准值;同时通过相邻局部二值模式法对所述色彩视频图像的每个通道图像进行变换,获得与所述色彩视频图像的每个通道图像对应的第二相邻局部二值模式特征直方图的所有标准值;
将所述局部相位量化特征直方图的所有归一化值、所有所述第一相邻局部二值模式特征直方图的所有标准值和所有所述第二相邻局部二值模式特征直方图的所有标准值根据预设的排列规则进行排列,生成所述裁切图像的矩阵图;
将所述裁切图像的矩阵图输入训练完成的深度卷积神经网络模型,通过所述深度卷积神经网络模型对所述矩阵图进行纹理信号频率统计特征提取,并获取所述深度卷积神经网络模型根据所述纹理信号频率统计特征输出的识别结果,所述识别结果表征了所述待识别图像是否为翻拍。
一种翻拍图像识别的装置,包括:
获取模块,用于接收验证指令,获取待识别图像;
截取模块,用于截取出所述待识别图像的预设区域的裁切图像;
转换模块,用于将所述裁切图像进行灰度处理,得到所述裁切图像的灰度图像,根据六角锥体颜色模型将所述裁切图像转换得到含有多个通道的色调饱和度图像,并根据颜色空间模型将所述裁切图像转换得到含有多个通道的色彩视频图像;
变换模块,用于通过局部相位量化法对所述灰度图像进行变换,获得所述灰度图像的局部相位量化特征直方图的所有归一化值;通过相邻局部二值模式法对所述色调饱和图像的每个通道图像进行变换,获得与所述色调饱和度图像的多个通道图像对应的第一相邻局部二值模式特征直方图的所有标准值;同时通过相邻局部二值模式法对所述色彩视频图像的每个通道图像进行变换,获得与所述色彩视频图像的每个通道图像对应的第二相邻局部二值模式特征直方图的所有标准值;
排列模块,用于将所述局部相位量化特征直方图的所有归一化值、所有所述第一相邻局部二值模式特征直方图的所有标准值和所有所述第二相邻局部二值模式特征直方图的所有标准值根据预设的排列规则进行排列,生成所述裁切图像的矩阵图;
识别模块,用于将所述裁切图像的矩阵图输入训练完成的深度卷积神经网络模型,通过所述深度卷积神经网络模型对所述矩阵图进行纹理信号频率统计特征提取,并获取所述深度卷积神经网络模型根据所述纹理信号频率统计特征输出的识别结果,所述识别结果表征了所述待识别图像是否为翻拍。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并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上述翻拍图像识别的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述翻拍图像识别的方法的步骤。
本发明提供的翻拍图像识别的方法、装置、计算机设备及存储介质,通过待识别图像经过截取固定区域的裁切图像,再对所述裁切图像进行转换得到灰度图像、色调饱和度图像和色彩视频图像,通过局部相位量化法获得所述灰度图像的局部相位量化特征直方图的所有归一化值,通过相邻局部二值模式法获得所述色调饱和度图像的第一相邻局部二值模式特征直方图的所有标准值,同时通过相邻局部二值模式法获得所述色彩视频图像的第二相邻局部二值模式特征直方图的所有标准值,将所述局部相位量化特征直方图的所有归一化值、所述第一相邻局部二值模式特征直方图的所有标准值和所述第二相邻局部二值模式特征直方图的所有标准值按照尾数补零法并根据预设的排序规则进行排序得到矩阵图,将所述矩阵图输入深度卷积神经网络模型通过提取纹理信号频率统计特征得到是否翻拍的识别结果,从而快速地、有效地、便捷地识别出证件或图像是否翻拍,也提高了识别准确率,在业务流程中大大缩短了流程周期,极大提高了业务的效率,节省了成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中翻拍图像识别的方法的应用环境示意图;
图2是本发明一实施例中翻拍图像识别的方法的流程图;
图3是本发明一实施例中翻拍图像识别的方法的步骤S30的流程图;
图4是本发明一实施例中翻拍图像识别的方法的步骤S40的流程图;
图5是本发明另一实施例中翻拍图像识别的方法的步骤S40的流程图;
图6是本发明又一实施例中翻拍图像识别的方法的步骤S40的流程图;
图7是本发明一实施例中翻拍图像识别的方法的步骤S50的流程图;
图8是本发明一实施例中翻拍图像识别的方法的步骤S60的流程图;
图9是本发明一实施例中翻拍图像识别的装置的原理框图;
图10是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的翻拍图像识别的方法,可应用在如图1的应用环境中,其中,客户端(计算机设备)通过网络与服务器进行通信。其中,客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器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。
在一实施例中,如图2所示,提供一种翻拍图像识别的方法,其技术方案主要包括以下步骤S10-S60:
S10,接收验证指令,获取待识别图像。
可理解地,接收所述验证指令,获取所述待识别图像,所述验证指令为选择需要进行验证的待识别图像并确认之后触发的指令,接收到所述验证指令之后,获取所述待识别图像,其获取方式可以根据需要进行设定,比如获取方式可以为通过所述验证指令获取所述待识别图像、根据所述验证指令中包含的所述待识别图像的存储路径获取所述待识别图像等等。其中,所述待识别图像可以为包括RGB通道(三个通道为红色通道、绿色通道、蓝色通道)的彩色图。
S20,截取出所述待识别图像的预设区域的裁切图像。
可理解地,所述预设区域可以根据需求进行设置,比如占据所述待识别图像70%范围的上方矩形区域(例如身份证背面上方占据身份证70%的矩形区域部分),所述待识别图像的人脸矩形区域,所述待识别图像居中的80%矩形区域部分,所述待识别图像中固定位置的圆形局域(例如身份证背面国徽位置的圆形区域)等等,在所述待识别图像的所述预设区域进行截取,将截取出的所述待识别图像的所述预设区域的图像标记为所述裁切图像。
S30,将所述裁切图像进行灰度处理,得到所述裁切图像的灰度图像,根据六角锥体颜色模型将所述裁切图像转换得到含有多个通道的色调饱和度图像,并根据颜色空间模型将所述裁切图像转换得到含有多个通道的色彩视频图像。
可理解地,将所述裁切图像中的每个像素点进行灰度处理,通过加权平均法公式得出每个像素点的灰度值,从而生成所述裁切图像的灰度图像;将所述裁切图像输入所述六角锥体颜色模型,所述六角锥体颜色模型将所述裁切图像转换输出含有三个通道(色调通道、饱和度通道和明度通道)的所述色调饱和度图像;将所述裁切图像输入所述颜色空间模型,所述颜色空间模型将所述裁切图像转换输出含有三个通道(灰度通道、色度红通道和色度蓝通道)的所述色调饱和度图像。
在一实施例中,如图3所示,所述步骤S30中,即所述将所述裁切图像进行灰度处理,得到所述裁切图像的灰度图像,根据六角锥体颜色模型将所述裁切图像转换得到含有多个通道的色调饱和度图像,并根据颜色空间模型将所述裁切图像转换得到含有多个通道的色彩视频图像,包括:
S301,将所述裁切图像通过通道分离,分离出红色通道的红色通道图像、绿色通道的绿色通道图像和蓝色通道的蓝色通道图像。
可理解地,所述裁切图像包括三个通道(红色通道、绿色通道和蓝色通道)图像,即每个所述裁切图像中的每个像素点有三个通道分量值,分别为红色分量值、绿色分量值和蓝色分量值。
S302,对所述红色通道图像、绿色通道图像和蓝色通道图像进行灰度处理,得到与灰度通道对应的灰度图像。
可理解地,将所述裁切图像中的每个像素点对应的红色(R)分量值、绿色(G)分量值和蓝色(B)分量值通过加权平均法公式计算得出每个像素点的灰度分量值,所述加权平均法公式为:Y=0.299R+0.587G+0.114B,其中,Y为每个像素点的灰度分量值;R为每个像素点中的红色分量值;G为每个像素点中的绿色分量值;B为每个像素点中的蓝色分量值;从而得到所述裁切图像的灰度图像。
S303,根据所述六角锥体颜色模型对所述红色通道图像、绿色通道图像和蓝色通道图像进行转换,得到色调通道的色调通道图像、饱和度通道的饱和度通道图像和明度通道的明度通道图像。
可理解地,将所述裁切图像中的每个像素点对应的红色分量值、绿色分量值和蓝色分量值输入所述六角锥体颜色模型(HSV模型),转换得到每个像素点的色调(H)分量值、饱和度(S)分量值和明度(V)分量值,将所有像素点的色调分量值进行汇总得到色调通道图像,将所有像素点的饱和度分量值进行汇总得到饱和度通道图像,将所有像素点的明度分量值进行汇总得到明度通道图像,由色调通道图像、饱和度通道图像和明度通道图像组成所述裁切图像的色调饱和度图像(HSV图像)。
S304,根据颜色空间模型对所述红色通道图像、绿色通道图像和蓝色通道图像进行转换,得到灰度通道的灰度通道图像、色度红通道的色度红通道图像和色度蓝通道的色度蓝通道图像。
可理解地,将所述裁切图像中的每个像素点对应的红色分量值、绿色分量值和蓝色分量值输入所述色彩视频模型(YCrCb模型),转换得到每个像素点的灰度(Y)分量值、色度红(Cr)分量值和色度蓝(Cb)分量值,将所有像素点的灰度分量值进行汇总得到灰度通道图像,将所有像素点的色度红分量值进行汇总得到色度红通道图像,将所有像素点的色度蓝分量值进行汇总得到色度蓝通道图像,由灰度通道图像、色度红通道图像和色度蓝通道图像组成所述裁切图像的色彩视频图像(YCrCb图像)。
如此,所述灰度图像为将三个通道的所述裁切图像变换成一个通道的图像,方便后续图像处理,所述色调饱和度图像中的任意两个通道之间都相互独立,所述色彩视频图像中的任意两个通道之间也都相互独立,而且所述色调饱和度图像和所述色彩视频图像都增强了所述裁切图像的色彩空间,因此,更加强化了图像的纹理信号频率统计特征,便于提取及识别。
S40,通过局部相位量化法对所述灰度图像进行变换,获得所述灰度图像的局部相位量化特征直方图的所有归一化值;通过相邻局部二值模式法对所述色调饱和图像的每个通道图像进行变换,获得与所述色调饱和度图像的多个通道图像对应的第一相邻局部二值模式特征直方图的所有标准值;同时通过相邻局部二值模式法对所述色彩视频图像的每个通道图像进行变换,获得与所述色彩视频图像的每个通道图像对应的第二相邻局部二值模式特征直方图的所有标准值。
可理解地,通过所述局部相位量化法提取出与所述灰度图像的每个像素点对应的局部相位量化特征值,将所有所述局部相位量化特征值进行统计分析,得到所述灰度图像的局部相位量化特征直方图;所述第一像素点为所述色调通道图像的一个像素点,所述色调通道图像的每个第一像素点包括所述色调通道图像中每个像素点的色调分量值,所述第二像素点为所述饱和度通道图像的一个像素点,所述饱和度通道图像的每个第二像素点包括所述饱和度通道图像中每个像素点的饱和度分量值,所述第三像素点为所述明度通道图像的一个像素点,所述明度通道图像的每个第三像素点包括所述明度通道图像中每个像素点的明度分量值;通过所述相邻局部二值模式法计算出所述色调饱和度图像中的色调通道图像的所有第一像素点的第一相邻局部二值模式特征值,通过所述相邻局部二值模式法计算出所述色调饱和度图像中的饱和度通道图像的所有第二像素点的第一相邻局部二值模式特征值,通过所述相邻局部二值模式法计算出所述色调饱和度图像中的明度通道图像的所有第三像素点的第一相邻局部二值模式特征值,将所述色调饱和度图像的所有通道的第一相邻局部二值模式特征值进行分离及拼接后得到所述色调饱和度图像的第一相邻局部二值模式特征直方图;所述第四像素点为所述灰度通道图像的一个像素点,所述灰度通道图像的每个第四像素点包括所述灰度通道图像中每个像素点的灰度分量值,所述第五像素点为所述色度红通道图像的一个像素点,所述色度红通道图像的每个第五像素点包括所述色度红通道图像中每个像素点的色度红分量值,所述第六像素点为所述色度蓝通道图像的一个像素点,所述色度蓝通道图像的每个第六像素点包括所述色度蓝通道图像中每个像素点的色度蓝分量值;通过所述相邻局部二值模式法计算出所述色彩视频图像中的灰度通道图像的所有第四像素点的第二相邻局部二值模式特征值,通过所述相邻局部二值模式法计算出所述色彩视频图像中的色度红通道图像的所有第五像素点的第二相邻局部二值模式特征值,通过所述相邻局部二值模式法计算出所述色彩视频图像中的色度蓝通道图像的所有第六像素点的第二相邻局部二值模式特征值,将所述色彩视频图像的所有通道的第二相邻局部二值模式特征值进行分离及拼接后得到所述色彩视频图像的第二相邻局部二值模式特征直方图。因此,所述局部相位量化特征直方图的横坐标有与所述局部相位量化特征值对应的255个维度值,纵坐标为与所述横坐标的维度值对应的所述局部相位量化特征值相等的频次值;所述第一相邻局部二值模式特征直方图的横坐标有3072(256×4×3)个维度值,即所述第一相邻局部二值模式特征直方图包括所述色调饱和度图像中的色调通道图像的第一相邻局部二值模式特征直方图(由预设四个方向对应的特征直方图拼接组成,每个特征直方图有256个维度)、所述色调饱和度图像中的饱和度通道图像的第一相邻局部二值模式特征直方图(由预设四个方向对应的特征直方图拼接组成,每个特征直方图有256个维度)、所述色调饱和度图像中的明度通道图像的第一相邻局部二值模式特征直方图(由预设四个方向对应的特征直方图拼接组成,每个特征直方图有256个维度),纵坐标为与所述横坐标的维度值对应的频次值,即所述3072个维度值对应有3072个频次值;同理,所述第二相邻局部二值模式特征直方图的横坐标有3072(256×4×3)个维度值,即所述第二相邻局部二值模式特征直方图包括所述彩色视频图像中的灰度通道图像的第二相邻局部二值模式特征直方图(由预设四个方向对应的特征直方图拼接组成,每个特征直方图有256个维度)、所述彩色视频图像中的色度红通道图像的第二相邻局部二值模式特征直方图(由预设四个方向对应的特征直方图拼接组成,每个特征直方图有256个维度)、所述彩色视频图像图像中的色度蓝通道图像的第二相邻局部二值模式特征直方图(由预设四个方向对应的特征直方图拼接组成,每个特征直方图有256个维度),纵坐标为与所述横坐标的维度值对应的频次值,即所述3072个维度值对应有3072个频次值。
其中,通过将所述灰度图像的局部相位量化特征直方图的所有频次值进行归一化处理,获得所述灰度图像的局部相位量化特征直方图的所有归一化值,即获得255个所述局部相位量化特征直方图的归一化值;通过将所述色调饱和度图像的每个通道图像对应的第一相邻局部二值模式特征直方图的所有频次值进行标准化处理,获得所述色调饱和度图像的每个通道图像对应的第一相邻局部二值模式特征直方图的所有标准值,即获得3072个所述第一相邻局部二值模式特征直方图的标准值;通过将所述色彩视频图像的每个通道图像对应的第一相邻局部二值模式特征直方图的所有频次值进行标准化处理,获得所述色彩视频图像的每个通道图像对应的第一相邻局部二值模式特征直方图的所有标准值,即获得3072个所述第二相邻局部二值模式特征直方图的标准值。
在一实施例中,如图4所示,所述步骤S40中,即所述通过局部相位量化法对所述灰度图像进行变换,获得所述灰度图像的局部相位量化特征直方图的所有归一化值,包括:
S401,获取所述灰度图像的每个像素点。
可理解地,所述灰度图像的每个像素点包括所述灰度图像每个像素点的灰度分量值,例如400×300的所述灰度图像,即长为400个像素点和宽为300个像素点的灰度图像,总共有120000个像素点,所述每个像素点都有对应的灰度分量值。
S402,通过所述局部相位量化法提取出与所述灰度图像的每个像素点对应的局部相位量化特征值。
可理解地,根据所述灰度图像的每个像素点,通过所述局部相位量化法计算出所述灰度图像的每个像素点对应的局部相位量化特征值。所述局部相位量化特征值也称为LPQ(Local Phase Quantization)特征值,是通过局部相位量化法对每个像素点进行量化得出相应的0至255的整数值。
S403,对所有所述像素点的局部相位量化特征值进行统计分析,生成所述灰度图像的局部相位量化特征直方图。
可理解地,所述局部相位量化特征值为8位二进制值,所以所述局部相位量化特征值范围为0至255,对所有所述像素点的局部相位量化特征值进行直方图统计,也即对每个局部相位量化特征值进行统计,比如得到特征值为1的局部相位量化特征值有多少个、特征值为255的局部相位量化特征值有多少个等等,将所有所述局部相位量化特征值汇总就形成了一个局部相位量化特征直方图,所述局部相位量化特征直方图的横坐标有与所述局部相位量化特征值对应的255个维度值,纵坐标为与所述横坐标的维度值对应的所述局部相位量化特征值相等的频次值。
S404,将所述局部相位量化特征直方图的每个频次值进行归一化处理,得到与所述局部相位量化特征直方图的每个频次值对应的归一化值。
可理解地,将所述局部相位量化特征直方图的每个频次值除以所述局部相位量化特征直方图的所有频次值之和,得到所述局部相位量化特征直方图的每个频次值的归一化值,从而得出所述局部相位量化特征直方图的所有归一化值。
在一实施例中,如图5所示,所述色调饱和度图像包括色调通道图像、饱和度通道图像和明度通道图像;所述步骤S40中,即所述通过相邻局部二值模式法对所述色调饱和图像的每个通道图像进行变换,获得与所述色调饱和度图像的多个通道图像对应的第一相邻局部二值模式特征直方图的所有标准值,包括:
S405,获取所述色调通道图像中的所有第一像素点、所述饱和度通道图像中的所有第二像素点和所述明度通道图像的所有第三像素点。
可理解地,所述第一像素点为所述色调通道图像的一个像素点,所述色调通道图像的每个第一像素点包括所述色调通道图像中每个像素点的色调分量值,所述第二像素点为所述饱和度通道图像的一个像素点,所述饱和度通道图像的每个第二像素点包括所述饱和度通道图像中每个像素点的饱和度分量值,所述第三像素点为所述明度通道图像的一个像素点,所述明度通道图像的每个第三像素点包括所述明度通道图像中每个像素点的明度分量值。
S406,通过所述相邻局部二值模式法计算出所有所述第一像素点、第二像素点以及第三像素点与预设四个方向关联的第一相邻局部二值模式特征值;所述预设四个方向为下方,右方,右下方和左下方。
可理解地,根据所述色调通道图像的每个第一像素点,通过所述相邻局部二值模式法计算出所述色调通道图像的每个第一像素点对应的的第一相邻局部二值模式特征值。所述第一相邻局部二值模式特征值也称为第一CoaLBP(Co-occurrenceof Adjacent LocalBinary Patterns)特征值,首先,对每个第一像素点计算简化LBP(Local BinaryPatterns,局部二值模式)特征值,简化LBP特征值计算方式存在两种方式,分别为LBP+方式和LBP×方式,LBP+方式为计算中心点直接相邻的像素点并进行归一化,LBP×方式为计算中心点对角邻域的并进行归一化,可以任选其中一种简化LBP特征值计算方式,优选地,选择简化LBP特征值计算方式为LBP+方式;其次,计算邻近简化LBP特征值之间与所述预设四个方向(下方,右方,右下方和左下方)的空间关系,空间关系具体分为四类,D={(0,Δr),(Δr,0),(Δr,Δr),(-Δr,Δr)},其中邻域半径r和领域距离D可以根据需求进行设定,优选地,r=1,D=2;最后,将邻近简化LBP特征值联合成一个第一CoALBP特征值,根据四个方向分别统计各种二进制的编码结果,因此,所述第一像素点的所述第一相邻局部二值模式特征值为4组8位二进制值组成,得到所述色调通道图像的每个第一像素点对应的第一相邻局部二值模式特征值。同理类推,根据所述饱和度通道图像的每个第二像素点,通过所述相邻局部二值模式法计算出所述饱和度通道图像的每个第二像素点对应的第一相邻局部二值模式特征值;根据所述明度通道图像的每个第三像素点,通过所述相邻局部二值模式法计算出所述明度通道图像的每个第三像素点对应的第一相邻局部二值模式特征值。
S407,在所有所述第一像素点、第二像素点以及第三像素点的所述第一相邻局部二值模式特征值中,分离出在所述预设四个方向中的每一个方向的第一特征值,根据所述第一像素点的同一方向的所述第一特征值生成与该方向关联的第一特征直方图,根据所述第二像素点的同一方向的所述第一特征值生成与该方向关联的第二特征直方图,根据所述第三像素点的同一方向的所述第一特征值生成与该方向关联的第三特征直方图。
可理解地,将所有所述第一像素点对应的第一相邻局部二值模式特征值中分离出所述预设四个方向中的每一个方向的第一特征值,比如从所述第一像素点对应的第一相邻局部二值模式特征值中分离出所述第一像素点的下方的第一特征值,所述下方的第一特征值为所述第一相邻局部二值模式特征值中与下方对应的一组8位二进制值,即所述下方的第一特征值的范围为0至255,即有255个维度值,将所有所述第一像素点的下方的第一特征值进行直方图统计,生成与下方关联的第一特征直方图;同理可得,生成与右方关联的第一特征直方图;生成与右下方关联的第一特征直方图;生成与左下方关联的第一特征直方图;如此类推,根据所述第二像素点对应的第一相邻局部二值模式特征值,可以生成与下方关联的第二特征直方图、与右方关联的第二特征直方图、与右下方关联的第二特征直方图、与左下方关联的第二特征直方图;根据所述第三像素点对应的第一相邻局部二值模式特征值,可以生成与下方关联的第三特征直方图、与右方关联的第三特征直方图、与右下方关联的第三特征直方图、与左下方关联的第三特征直方图。
S408,将所述预设四个方向的所有第一特征直方图进行拼接,生成所述色调通道图像的第一相邻局部二值模式特征直方图;将所述预设四个方向的所有第二特征直方图进行拼接,生成所述饱和度通道图像的第一相邻局部二值模式特征直方图;将所述预设四个方向的所有第三特征直方图进行拼接,生成所述明度通道图像的第一相邻局部二值模式特征直方图。
可理解地,将与下方关联的第一特征直方图、与右方关联的第一特征直方图、与右下方关联的第一特征直方图、与左下方关联的第一特征直方图进行拼接,拼接的顺序根据需要进行设定,优选地,将与下方关联的第一特征直方图、与右方关联的第一特征直方图、与右下方关联的第一特征直方图、与左下方关联的第一特征直方图依次连接,生成所述色调通道图像的第一相邻局部二值模式特征直方图,同理可得,将与下方关联的第二特征直方图、与右方关联的第二特征直方图、与右下方关联的第二特征直方图、与左下方关联的第二特征直方图进行拼接,生成所述饱和度通道图像的第一相邻局部二值模式特征直方图,将与下方关联的第三特征直方图、与右方关联的第三特征直方图、与右下方关联的第三特征直方图、与左下方关联的第三特征直方图进行拼接,生成所述明度通道图像的第一相邻局部二值模式特征直方图。因此,所述第一相邻局部二值模式特征直方图的横坐标有3072(256×4×3)个维度值,纵坐标为与所述横坐标的维度值对应的频次值,即所述3072个维度值对应有3072个频次值;所述第二相邻局部二值模式特征直方图的横坐标有3072(256×4×3)个维度值,纵坐标为与所述横坐标的维度值对应的频次值,即所述3072个维度值对应有3072个频次值。
S409,将所述色调通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述色调通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;将所述饱和度通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述饱和度通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;将所述明度通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述明度通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值。
可理解地,通过所述色调通道图像的第一相邻局部二值模式特征直方图的每个频次值计算得出所述色调通道图像的第一相邻局部二值模式特征直方图的均值和标准差,再通过将所述色调通道图像的第一相邻局部二值模式特征直方图的每个频次值减去所述色调通道图像的第一相邻局部二值模式特征直方图的均值之后除以所述色调通道图像的第一相邻局部二值模式特征直方图的标准差,得出与所述色调通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;通过所述饱和度通道图像的第一相邻局部二值模式特征直方图的每个频次值计算得出所述饱和度通道图像的第一相邻局部二值模式特征直方图的均值和标准差,再通过将所述饱和度通道图像的第一相邻局部二值模式特征直方图的每个频次值减去所述饱和度通道图像的第一相邻局部二值模式特征直方图的均值之后除以所述饱和度通道图像的第一相邻局部二值模式特征直方图的标准差,得出与所述饱和度通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;通过所述明度通道图像的第一相邻局部二值模式特征直方图的每个频次值计算得出所述明度通道图像的第一相邻局部二值模式特征直方图的均值和标准差,再通过将所述明度通道图像的第一相邻局部二值模式特征直方图的每个频次值减去所述明度通道图像的第一相邻局部二值模式特征直方图的均值之后除以所述明度通道图像的第一相邻局部二值模式特征直方图的标准差,得出与所述明度通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值。
在一实施例中,如图6所示,所述色彩视频图像包括灰度通道图像、色度红通道图像和色度蓝通道图像;所述步骤S40中,即所述通过相邻局部二值模式法对所述色彩视频图像的每个通道图像进行变换,获得与所述色彩视频图像的多个通道图像对应的第二相邻局部二值模式特征直方图的所有标准值,包括:
S410,获取所述灰度通道图像中的所有第四像素点、所述色度红通道图像中的所有第五像素点和所述色度蓝通道图像的所有第六像素点。
可理解地,所述第四像素点为所述灰度通道图像的一个像素点,所述灰度通道图像的每个第四像素点包括所述灰度通道图像中每个像素点的灰度分量值,所述第五像素点为所述色度红通道图像的一个像素点,所述色度红通道图像的每个第五像素点包括所述色度红通道图像中每个像素点的色度红分量值,所述第六像素点为所述色度蓝通道图像的一个像素点,所述色度蓝通道图像的每个第六像素点包括所述色度蓝通道图像中每个像素点的色度蓝分量值。
S411,通过所述相邻局部二值模式法计算出所有所述第四像素点、第五像素点以及第六像素点与预设四个方向关联的第二相邻局部二值模式特征值;所述预设四个方向为下方,右方,右下方和左下方。
可理解地,同步骤S405类似,根据所述灰色通道图像的每个第四像素点,通过所述相邻局部二值模式法计算出所述灰色通道图像的每个第四像素点对应的第二相邻局部二值模式特征值;根据所述色度红通道图像的每个第五像素点,通过所述相邻局部二值模式法计算出所述色度红通道图像的每个第五像素点对应的第二相邻局部二值模式特征值;根据所述色度蓝通道图像的每个第六像素点,通过所述相邻局部二值模式法计算出所述色度蓝通道图像的每个第六像素点对应的第二相邻局部二值模式特征值。
S412,在所有所述第四像素点、第五像素点以及第六像素点的所述第二相邻局部二值模式特征值中,分离出在所述预设四个方向中的每一个方向的第二特征值,根据所述第四像素点的同一方向的所述第一特征值生成与该方向关联的第四特征直方图,根据所述第五像素点的同一方向的所述第一特征值生成与该方向关联的第五特征直方图,根据所述第六像素点的同一方向的所述第一特征值生成与该方向关联的第六特征直方图。
可理解地,同步骤S406类似,根据所述第四像素点对应的第二相邻局部二值模式特征值,可以生成与下方关联的第四特征直方图、与右方关联的第四特征直方图、与右下方关联的第四特征直方图、与左下方关联的第四特征直方图;根据所述第五像素点对应的第二相邻局部二值模式特征值,可以生成与下方关联的第五特征直方图、与右方关联的第五特征直方图、与右下方关联的第五特征直方图、与左下方关联的第五特征直方图;根据所述第六像素点对应的第二相邻局部二值模式特征值,可以生成与下方关联的第六特征直方图、与右方关联的第六特征直方图、与右下方关联的第六特征直方图、与左下方关联的第六特征直方图。
S413,将所述预设四个方向的所有第四特征直方图进行拼接,生成所述灰度通道图像的第二相邻局部二值模式特征直方图;将所述预设四个方向的所有第五特征直方图进行拼接,生成所述色度红通道图像的第二相邻局部二值模式特征直方图;将所述预设四个方向的所有第六特征直方图进行拼接,生成所述色度蓝通道图像的第二相邻局部二值模式特征直方图。
可理解地,同步骤S407类似,将与下方关联的第四特征直方图、与右方关联的第四特征直方图、与右下方关联的第四特征直方图、与左下方关联的第四特征直方图进行拼接,生成所述灰度通道图像的第二相邻局部二值模式特征直方图,将与下方关联的第五特征直方图、与右方关联的第五特征直方图、与右下方关联的第五特征直方图、与左下方关联的第五特征直方图进行拼接,生成所述色度红通道图像的第二相邻局部二值模式特征直方图,将与下方关联的第六特征直方图、与右方关联的第六特征直方图、与右下方关联的第六特征直方图、与左下方关联的第六特征直方图进行拼接,生成所述色度蓝通道图像的第二相邻局部二值模式特征直方图。因此,所述第二相邻局部二值模式特征直方图的横坐标有3072(256×4×3)个维度值,纵坐标为与所述横坐标的维度值对应的频次值,即所述3072个维度值对应有3072个频次值。
S414,将所述灰度通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述灰度通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;将所述色度红通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述色度红通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;将所述色度蓝通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述色度蓝通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值。
可理解地,通过所述灰度通道图像的第一相邻局部二值模式特征直方图的每个频次值计算得出所述灰度通道图像的第一相邻局部二值模式特征直方图的均值和标准差,再通过将所述灰度通道图像的第一相邻局部二值模式特征直方图的每个频次值减去所述灰度通道图像的第一相邻局部二值模式特征直方图的均值之后除以所述灰度通道图像的第一相邻局部二值模式特征直方图的标准差,得出与所述灰度通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;通过所述色度红通道图像的第一相邻局部二值模式特征直方图的每个频次值计算得出所述色度红通道图像的第一相邻局部二值模式特征直方图的均值和标准差,再通过将所述色度红通道图像的第一相邻局部二值模式特征直方图的每个频次值减去所述色度红通道图像的第一相邻局部二值模式特征直方图的均值之后除以所述色度红通道图像的第一相邻局部二值模式特征直方图的标准差,得出与所述色度红通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;通过所述色度蓝通道图像的第一相邻局部二值模式特征直方图的每个频次值计算得出所述色度蓝通道图像的第一相邻局部二值模式特征直方图的均值和标准差,再通过将所述色度蓝通道图像的第一相邻局部二值模式特征直方图的每个频次值减去所述色度蓝通道图像的第一相邻局部二值模式特征直方图的均值之后除以所述色度蓝通道图像的第一相邻局部二值模式特征直方图的标准差,得出与所述色度蓝通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值。
如此,通过局部相位量化法和相邻局部二值模式法能够能够提取出各个通道图像中更丰富的纹理信号频率统计特征信息,从而提高了识别的准确性。
S50,将所述局部相位量化特征直方图的所有归一化值、所有所述第一相邻局部二值模式特征直方图的所有标准值和所有所述第二相邻局部二值模式特征直方图的所有标准值根据预设的排列规则进行排列,生成所述裁切图像的矩阵图。
可理解地,所述尾数补零方法为排列组合成矩阵后存在空缺的位置通过用零进行填充,按照尾数补零方法将所述局部相位量化特征直方图对应的255个归一化值、所述第一相邻局部二值模式特征直方图对应的3072个标准值和所述第二相邻局部二值模式特征直方图对应的3072个标准值根据预设的排列规则进行排列。优选地,所述排列规则为将所有所述归一化值和所有所述标准值进行拼接后按照80×80的矩阵进行排列,进而生成所述裁切图像的矩阵图,即80×80的矩阵合成的图。
在一实施例中,如图7所示,所述步骤S50中,即所述将所述局部相位量化特征直方图的所有归一化值、所有所述第一相邻局部二值模式特征直方图的所有标准值和所有所述第二相邻局部二值模式特征直方图的所有标准值根据预设的排列规则进行排列,生成所述裁切图像的矩阵图特征直方图相邻局部二值模式特征直方图,包括:
S501,获取所述局部相位量化特征直方图的所有归一化值、所有所述第一相邻局部二值模式特征直方图的所有标准值和所有所述第二相邻局部二值模式特征直方图的所有标准值;
S502,将所述局部相位量化特征直方图的所有归一化值、所有所述第一相邻局部二值模式特征直方图的所有标准值和所有所述第二相邻局部二值模式特征直方图的所有标准值进行按照预设拼接规则拼接成一组统计数组;
S503,按照尾数补零方法将所述统计数组根据所述排列规则进行排列组合,将所述统计数组根据所述排列规则进行排列组合后的矩阵记录为所述裁切图像的矩阵图。
可理解地,所述尾数补零方法为排列组合成矩阵后存在空缺的位置通过用零进行填充,优选地,所述排列规则为将所述统计数组按照80×80的矩阵进行排列,进而生成所述裁切图像的矩阵图,即80×80的矩阵合成的图。
如此,通过获取局部相位量化特征直方图的所有归一化值、所有第一相邻局部二值模式特征直方图的所有标准值和所有第二相邻局部二值模式特征直方图的所有标准值;将局部相位量化特征直方图的所有归一化值、所有第一相邻局部二值模式特征直方图的所有标准值和所有第二相邻局部二值模式特征直方图的所有标准值进行按照预设拼接规则拼接成一组统计数组;按照尾数补零方法将统计数组根据排列规则进行排列组合,将统计数组根据排列规则进行排列组合后的矩阵记录为裁切图像的矩阵图。在现有技术中,深度卷积神经网络模型的输入都为图像,而本申请提供了深度卷积神经网络模型的输入为矩阵图,能够大大减少深度卷积神经网络模型的深度与复杂度,并且能够更好的提取纹理信号频率统计特征,提高了识别效率和准确性。
S60,将所述裁切图像的矩阵图输入训练完成的深度卷积神经网络模型,通过所述深度卷积神经网络模型对所述矩阵图进行纹理信号频率统计特征提取,并获取所述深度卷积神经网络模型根据所述纹理信号频率统计特征输出的识别结果,所述识别结果表征了所述待识别图像是否为翻拍。
可理解地,将所述裁切图像的矩阵图输入至已训练完成的所述深度卷积神经网络模型,所述深度卷积神经网络模型的结构可以根据需要进行设计,所述深度卷积神经网络模型可以包括多个级卷积和预设增强卷积,而且所述每一级包括至少一个卷积,所述卷积可以为3×3卷积核的卷积,所述预设增强卷积为将某一级卷积输入的特征图作为所述预设增强卷积输入的特征图,通过所述预设增强卷积处理后输出给级相应的增强特征图,然后将该级卷积输出的特征图与所述增强特征图进行拼接,生成下一级卷积输入的特征图,优选地,所述预设增强卷积可以为1×1卷积核的卷积,利用1×1卷积核的卷积替代一个3×3卷积核的卷积的一部分工作,并且单独生成一个增强纹理信号频率统计特征的特征图拼接进所述下一级卷积输入的特征图中,如此,不仅减少了该级卷积的数据处理,还增强了纹理信号频率统计特征,从而提取纹理信号频率统计特征更高效。通过实验数据得出,所述深度卷积神经网络模型的容量大小大概为300k字节,如此,可以应用在便携式容量小的移动终端中,而且十分方便。
其中,所述深度卷积神经网络模型输出的识别结果分为翻拍和非翻拍,即所述裁切图像的矩阵图输入所述深度卷积神经网络模型后会得出翻拍或者非翻拍的识别结果。
本发明通过待识别图像经过截取固定区域的裁切图像,再对裁切图像进行转换得到灰度图像、色调饱和度图像(HSV图像)和色彩视频图像(YCrCb图像),通过局部相位量化(LPQ)法获得灰度图像的局部相位量化特征直方图(LPQ特征直方图),通过相邻局部二值模式(CoaLBP)法获得色调饱和度图像的第一相邻局部二值模式特征直方图(CoaLBP特征直方图),同时通过相邻局部二值模式法获得色彩视频图像的第二相邻局部二值模式特征直方图,将局部相位量化特征直方图的所有归一化值、第一相邻局部二值模式特征直方图的所有标准值和第二相邻局部二值模式特征直方图的所有标准值按照尾数补零法并根据预设的排序规则进行排序得到矩阵图,将矩阵图输入深度卷积神经网络模型通过提取纹理信号频率统计特征得到是否翻拍的识别结果,由于所述待识别图像经过图像处理转换,丰富了纹理信号频率统计特征的信息,再通过局部相位量化(LPQ)法和相邻局部二值模式(CoaLBP)法进行纹理信号频率统计特征提取并组合成矩阵图输入深度卷积神经网络模型,能够减少深度神经网络的深度,所以所述深度卷积神经网络模型容量小,便于应用在便携式移动终端中。
如此,实现了能够快速地、有效地、便捷地识别出证件或图像是否翻拍,也提高了识别准确率,在业务流程中大大缩短了流程周期,极大提高了业务的效率,节省了成本。
在一实施例中,如图8所示,所述步骤S60之前,即所述将所述裁切图像的矩阵图输入训练完成的深度卷积神经网络模型,通过所述深度卷积神经网络模型对所述矩阵图纹理信号频率统计特征的提取,并获取所述深度卷积神经网络模型根据所述纹理信号频率统计特征输出的识别结果,所述识别结果表征了所述待识别图像是否为翻拍之前,包括:
S601,获取训练样本;其中,每一个所述训练样本均与一个翻拍标签关联。
其中,所述训练样本存在若干个翻拍训练样本和若干个非翻拍训练样本,以及将每一个所述训练样本均与一个翻拍标签关联,而且所述训练样本为与所述训练样本对应的样本图像经过所述步骤S20至所述步骤S50之后获得的矩阵图,所述翻拍标签包括翻拍和非翻拍,在业务流程中,身份证背面翻拍识别的应用场景很多,选取身份证背面翻拍样本和身份证背面非翻拍样本可以分别占用所述训练样本为50%和50%,目的是为了训练所述深度卷积神经网络模型能覆盖所有使用场景,提高了所述深度卷积神经网络模型的可靠性。
S602,将所述训练样本输入包含初始参数的神经网络模型。
可理解地,将所述训练样本图像输入至所述神经网络模型,其中,所述神经网络模型包含所述初始参数,所述初始参数可以根据需求进行设置,比如所述初始参数可以设置为预设的参数值,也可以设置为随机赋予的参数值等等,所述神经网络模型的结构可以根据需要进行设计,优选地,所述神经网络模型的结构为深度可分离卷积结构(depthwiseseparable convolution),这种结构在保持通道分离的前提下,拼接上一个深度卷积结构,即可实现空间卷积。
S603,通过所述神经网络模型提取所述图像训练样本中的纹理信号频率统计特征。
可理解地,所述神经网络模型的训练过程可以根据需求进行选择训练方式,比如传统大型网络训练,迁移学习方式等等,优选地,所述神经网络模型的训练过程选择迁移学习方式,如此,可以减少训练的时间。
S604,获取所述神经网络模型根据所述纹理信号频率统计特征输出的识别结果,并根据所述识别结果和所述翻拍标签的匹配程度确定损失值。
可理解地,根据所述神经网络模型提取出的所述纹理信号频率统计特征,通过所述神经网络模型进行所述训练样本的翻拍识别,获取得到所述神经网络模型的识别结果,通过所述训练样本的识别结果与所述训练样本的翻拍标签进行比对,确定出与之相对应的损失值,即通过所述神经网络模型的损失函数计算出损失值。
S605,在所述损失值达到预设的收敛条件时,将收敛之后的所述神经网络模型记录为训练完成的深度卷积神经网络模型。
其中,所述预设的收敛条件可以为所述损失值经过了6000次计算后值为很小且不会再下降的条件,即在所述损失值经过6000次计算后值为很小且不会再下降时,停止训练,并将收敛后的所述神经网络模型记录为训练完成的深度卷积神经网络模型;所述预设的收敛条件也可以为所述损失值小于设定阈值的条件,即在所述损失值小于设定阈值时,停止训练,并将收敛后的所述神经网络模型记录为训练完成的深度卷积神经网络模型。
如此,通过根据所述训练样本中的翻拍或非翻拍的标签值,并训练所述神经网络模型,能够通过提取纹理信号频率统计特征进行识别并提升识别结果的准确率和可靠性。
在一实施例中,所述步骤S604之后,即所述根据所述纹理信号频率统计特征获得所述神经网络模型的识别结果,并根据所述识别结果和所述翻拍标签的匹配程度确定损失值之后,包括:
S606,在所述损失值未达到预设的收敛条件时,迭代更新所述神经网络模型的初始参数,直至所述损失值达到所述预设的收敛条件时,将收敛之后的所述神经网络模型记录为训练完成的深度卷积神经网络模型。
如此,在所述损失值未达到预设的收敛条件时,不断更新迭代所述神经网络模型的初始参数,可以不断向准确的识别结果靠拢,让识别结果的准确率越来越高。
在一实施例中,提供一种翻拍图像识别的装置,该翻拍图像识别的装置与上述实施例中翻拍图像识别的方法一一对应。如图9所示,该翻拍图像识别的装置包括获取模块11、截取模块12、转换模块13、变换模块14、排列模块15和识别模块16。各功能模块详细说明如下:
获取模块11,用于获取待识别图像;
截取模块12,用于截取出所述待识别图像的预设区域的裁切图像;
转换模块13,用于将所述裁切图像进行灰度处理,得到所述裁切图像的灰度图像,根据六角锥体颜色模型将所述裁切图像转换得到含有多个通道的色调饱和度图像,并根据颜色空间模型将所述裁切图像转换得到含有多个通道的色彩视频图像;
变换模块14,用于通过局部相位量化法对所述灰度图像进行变换,获得所述灰度图像的局部相位量化特征直方图的所有归一化值;通过相邻局部二值模式法对所述色调饱和图像的每个通道图像进行变换,获得与所述色调饱和度图像的多个通道图像对应的第一相邻局部二值模式特征直方图的所有标准值;同时通过相邻局部二值模式法对所述色彩视频图像的每个通道图像进行变换,获得与所述色彩视频图像的每个通道图像对应的第二相邻局部二值模式特征直方图的所有标准值;
排列模块15,用于将所述局部相位量化特征直方图的所有归一化值、所有所述第一相邻局部二值模式特征直方图的所有标准值和所有所述第二相邻局部二值模式特征直方图的所有标准值根据预设的排列规则进行排列,生成所述裁切图像的矩阵图;
识别模块16,用于将所述裁切图像的矩阵图输入训练完成的深度卷积神经网络模型,通过所述深度卷积神经网络模型对所述矩阵图进行纹理信号频率统计特征提取,并获取所述深度卷积神经网络模型根据所述纹理信号频率统计特征输出的识别结果,所述识别结果表征了所述待识别图像是否为翻拍。
在一实施例中,所述转换模块13包括:
分离单元,用于将所述裁切图像通过通道分离,分离出红色通道的红色通道图像、绿色通道的绿色通道图像和蓝色通道的蓝色通道图像;
图像处理单元,用于对所述红色通道图像、绿色通道图像和蓝色通道图像进行灰度处理,得到与灰度通道对应的灰度图像;
第一转换单元,用于根据所述六角锥体颜色模型对所述红色通道图像、绿色通道图像和蓝色通道图像进行转换,得到色调通道的色调通道图像、饱和度通道的饱和度通道图像和明度通道的明度通道图像;
第二转换单元,用于根据颜色空间模型对所述红色通道图像、绿色通道图像和蓝色通道图像进行转换,得到灰度通道的灰度通道图像、色度红通道的色度红通道图像和色度蓝通道的色度蓝通道图像。
在一实施例中,所述变换模块14包括:
第一获取单元,用于获取所述灰度图像的每个像素点;
第一提取单元,用于通过所述局部相位量化法提取出与所述灰度图像的每个像素点对应的局部相位量化特征值;
第一生成单元,用于对所有所述像素点的局部相位量化特征值进行统计分析,生成所述灰度图像的局部相位量化特征直方图;
第一归一单元,用于将所述局部相位量化特征直方图的每个频次值进行归一化处理,得到与所述局部相位量化特征直方图的每个频次值对应的归一化值。
在一实施例中,所述变换模块14还包括:
第二获取单元,用于获取所述色调通道图像中的所有第一像素点、所述饱和度通道图像中的所有第二像素点和所述明度通道图像的所有第三像素点;
第一计算单元,用于通过所述相邻局部二值模式法计算出所有所述第一像素点、第二像素点以及第三像素点与预设四个方向关联的第一相邻局部二值模式特征值;所述预设四个方向为下方,右方,右下方和左下方;
第二生成单元,用于在所有所述第一像素点、第二像素点以及第三像素点的所述第一相邻局部二值模式特征值中,分离出在所述预设四个方向中的每一个方向的第一特征值,根据所述第一像素点的同一方向的所述第一特征值生成与该方向关联的第一特征直方图,根据所述第二像素点的同一方向的所述第一特征值生成与该方向关联的第二特征直方图,根据所述第三像素点的同一方向的所述第一特征值生成与该方向关联的第三特征直方图;
第一拼接单元,用于将所述预设四个方向的所有第一特征直方图进行拼接,生成所述色调通道图像的第一相邻局部二值模式特征直方图;将所述预设四个方向的所有第二特征直方图进行拼接,生成所述饱和度通道图像的第一相邻局部二值模式特征直方图;将所述预设四个方向的所有第三特征直方图进行拼接,生成所述明度通道图像的第一相邻局部二值模式特征直方图;
第一标准单元,用于将所述色调通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述色调通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;将所述饱和度通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述饱和度通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;将所述明度通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述明度通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值。
在一实施例中,所述变换模块14还包括:
第三获取单元,用于获取所述灰度通道图像中的所有第四像素点、所述色度红通道图像中的所有第五像素点和所述色度蓝通道图像的所有第六像素点;
第二计算单元,用于通过所述相邻局部二值模式法计算出所有所述第四像素点、第五像素点以及第六像素点与预设四个方向关联的第二相邻局部二值模式特征值;所述预设四个方向为下方,右方,右下方和左下方;
第三生成单元,用于在所有所述第四像素点、第五像素点以及第六像素点的所述第二相邻局部二值模式特征值中,分离出在所述预设四个方向中的每一个方向的第二特征值,根据所述第四像素点的同一方向的所述第一特征值生成与该方向关联的第四特征直方图,根据所述第五像素点的同一方向的所述第一特征值生成与该方向关联的第五特征直方图,根据所述第六像素点的同一方向的所述第一特征值生成与该方向关联的第六特征直方图;
第二拼接单元,用于将所述预设四个方向的所有第四特征直方图进行拼接,生成所述灰度通道图像的第二相邻局部二值模式特征直方图;将所述预设四个方向的所有第五特征直方图进行拼接,生成所述色度红通道图像的第二相邻局部二值模式特征直方图;将所述预设四个方向的所有第六特征直方图进行拼接,生成所述色度蓝通道图像的第二相邻局部二值模式特征直方图;
第二标准单元,用于将所述灰度通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述灰度通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;将所述色度红通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述色度红通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;将所述色度蓝通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述色度蓝通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值。在一实施例中,所述排列模块15包括:
第四获取单元,用于获取所述局部相位量化特征直方图的所有归一化值、所有所述第一相邻局部二值模式特征直方图的所有标准值和所有所述第二相邻局部二值模式特征直方图的所有标准值;
第三拼接单元,用于将所述局部相位量化特征直方图的所有归一化值、所有所述第一相邻局部二值模式特征直方图的所有标准值和所有所述第二相邻局部二值模式特征直方图的所有标准值进行按照预设拼接规则拼接成一组统计数组;
组合单元,用于按照尾数补零方法将所述统计数组根据所述排列规则进行排列组合,将所述统计数组根据所述排列规则进行排列组合后的矩阵记录为所述裁切图像的矩阵图。
在一实施例中,所述识别模块16包括:
第五获取单元,用于获取训练样本;其中,每一个所述训练样本均与一个翻拍标签关联;
输入单元,用于将所述训练样本输入包含初始参数的神经网络模型;
提取单元,用于通过所述神经网络模型提取所述图像训练样本中的纹理信号频率统计特征;
识别单元,用于获取所述神经网络模型根据所述纹理信号频率统计特征输出的识别结果,并根据所述识别结果和所述翻拍标签的匹配程度确定损失值;
训练完成单元,用于在所述损失值达到预设的收敛条件时,将收敛之后的所述神经网络模型记录为训练完成的深度卷积神经网络模型。
关于翻拍图像识别的装置的具体限定可以参见上文中对于翻拍图像识别的方法的限定,在此不再赘述。上述翻拍图像识别的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10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的方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并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实施例中翻拍图像识别的方法。
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上述实施例中翻拍图像识别的方法。
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,本发明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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种翻拍图像识别的方法,其特征在于,包括:
接收验证指令,获取待识别图像;
截取出所述待识别图像的预设区域的裁切图像;
将所述裁切图像进行灰度处理,得到所述裁切图像的灰度图像,根据六角锥体颜色模型将所述裁切图像转换得到含有多个通道的色调饱和度图像,并根据颜色空间模型将所述裁切图像转换得到含有多个通道的色彩视频图像;
通过局部相位量化法对所述灰度图像进行变换,获得所述灰度图像的局部相位量化特征直方图的所有归一化值;通过相邻局部二值模式法对所述色调饱和图像的每个通道图像进行变换,获得与所述色调饱和度图像的多个通道图像对应的第一相邻局部二值模式特征直方图的所有标准值;同时通过相邻局部二值模式法对所述色彩视频图像的每个通道图像进行变换,获得与所述色彩视频图像的每个通道图像对应的第二相邻局部二值模式特征直方图的所有标准值;
将所述局部相位量化特征直方图的所有归一化值、所有所述第一相邻局部二值模式特征直方图的所有标准值和所有所述第二相邻局部二值模式特征直方图的所有标准值根据预设的排列规则进行排列,生成所述裁切图像的矩阵图;
将所述裁切图像的矩阵图输入训练完成的深度卷积神经网络模型,通过所述深度卷积神经网络模型对所述矩阵图进行纹理信号频率统计特征提取,并获取所述深度卷积神经网络模型根据所述纹理信号频率统计特征输出的识别结果,所述识别结果表征了所述待识别图像是否为翻拍。
2.如权利要求1所述的翻拍图像识别的方法,其特征在于,所述将所述裁切图像进行灰度处理,得到所述裁切图像的灰度图像,根据六角锥体颜色模型将所述裁切图像转换得到含有多个通道的色调饱和度图像,并根据颜色空间模型将所述裁切图像转换得到含有多个通道的色彩视频图像,包括:
将所述裁切图像通过通道分离,分离出红色通道的红色通道图像、绿色通道的绿色通道图像和蓝色通道的蓝色通道图像;
对所述红色通道图像、绿色通道图像和蓝色通道图像进行灰度处理,得到与灰度通道对应的灰度图像;
根据所述六角锥体颜色模型对所述红色通道图像、绿色通道图像和蓝色通道图像进行转换,得到色调通道的色调通道图像、饱和度通道的饱和度通道图像和明度通道的明度通道图像;
根据颜色空间模型对所述红色通道图像、绿色通道图像和蓝色通道图像进行转换,得到灰度通道的灰度通道图像、色度红通道的色度红通道图像和色度蓝通道的色度蓝通道图像。
3.如权利要求1所述的翻拍图像识别的方法,其特征在于,所述通过局部相位量化法对所述灰度图像进行变换,获得所述灰度图像的局部相位量化特征直方图的所有归一化值包括:
获取所述灰度图像的每个像素点;
通过所述局部相位量化法提取出与所述灰度图像的每个像素点对应的局部相位量化特征值;
对所有所述像素点的局部相位量化特征值进行统计分析,生成所述灰度图像的局部相位量化特征直方图;
将所述局部相位量化特征直方图的每个频次值进行归一化处理,得到与所述局部相位量化特征直方图的每个频次值对应的归一化值。
4.如权利要求1所述的翻拍图像识别的方法,其特征在于,所述色调饱和度图像包括色调通道图像、饱和度通道图像和明度通道图像;
所述通过相邻局部二值模式法对所述色调饱和图像的每个通道图像进行变换,获得与所述色调饱和度图像的多个通道图像对应的第一相邻局部二值模式特征直方图的所有标准值,包括:
获取所述色调通道图像中的所有第一像素点、所述饱和度通道图像中的所有第二像素点和所述明度通道图像的所有第三像素点;
通过所述相邻局部二值模式法计算出所有所述第一像素点、第二像素点以及第三像素点与预设四个方向关联的第一相邻局部二值模式特征值;所述预设四个方向为下方,右方,右下方和左下方;
在所有所述第一像素点、第二像素点以及第三像素点的所述第一相邻局部二值模式特征值中,分离出在所述预设四个方向中的每一个方向的第一特征值,根据所述第一像素点的同一方向的所述第一特征值生成与该方向关联的第一特征直方图,根据所述第二像素点的同一方向的所述第一特征值生成与该方向关联的第二特征直方图,根据所述第三像素点的同一方向的所述第一特征值生成与该方向关联的第三特征直方图;
将所述预设四个方向的所有第一特征直方图进行拼接,生成所述色调通道图像的第一相邻局部二值模式特征直方图;将所述预设四个方向的所有第二特征直方图进行拼接,生成所述饱和度通道图像的第一相邻局部二值模式特征直方图;将所述预设四个方向的所有第三特征直方图进行拼接,生成所述明度通道图像的第一相邻局部二值模式特征直方图;
将所述色调通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述色调通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;将所述饱和度通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述饱和度通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;将所述明度通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述明度通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值。
5.如权利要求1所述的翻拍图像识别的方法,其特征在于,所述色彩视频图像包括灰度通道图像、色度红通道图像和色度蓝通道图像;
所述通过相邻局部二值模式法对所述色彩视频图像的每个通道图像进行变换,获得与所述色彩视频图像的多个通道图像对应的第二相邻局部二值模式特征直方图的所有标准值,包括:
获取所述灰度通道图像中的所有第四像素点、所述色度红通道图像中的所有第五像素点和所述色度蓝通道图像的所有第六像素点;
通过所述相邻局部二值模式法计算出所有所述第四像素点、第五像素点以及第六像素点与预设四个方向关联的第二相邻局部二值模式特征值;所述预设四个方向为下方,右方,右下方和左下方;
在所有所述第四像素点、第五像素点以及第六像素点的所述第二相邻局部二值模式特征值中,分离出在所述预设四个方向中的每一个方向的第二特征值,根据所述第四像素点的同一方向的所述第一特征值生成与该方向关联的第四特征直方图,根据所述第五像素点的同一方向的所述第一特征值生成与该方向关联的第五特征直方图,根据所述第六像素点的同一方向的所述第一特征值生成与该方向关联的第六特征直方图;
将所述预设四个方向的所有第四特征直方图进行拼接,生成所述灰度通道图像的第二相邻局部二值模式特征直方图;将所述预设四个方向的所有第五特征直方图进行拼接,生成所述色度红通道图像的第二相邻局部二值模式特征直方图;将所述预设四个方向的所有第六特征直方图进行拼接,生成所述色度蓝通道图像的第二相邻局部二值模式特征直方图;
将所述灰度通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述灰度通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;将所述色度红通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述色度红通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值;将所述色度蓝通道图像的第一相邻局部二值模式特征直方图的每个频次值进行标准化处理,得到与所述色度蓝通道图像的第一相邻局部二值模式特征直方图的每个频次值对应的标准值。
6.如权利要求1所述的翻拍图像识别的方法,其特征在于,所述将所述局部相位量化特征直方图的所有归一化值、所有所述第一相邻局部二值模式特征直方图的所有标准值和所有所述第二相邻局部二值模式特征直方图的所有标准值根据预设的排列规则进行排列,生成所述裁切图像的矩阵图特征直方图相邻局部二值模式特征直方图,包括:
获取所述局部相位量化特征直方图的所有归一化值、所有所述第一相邻局部二值模式特征直方图的所有标准值和所有所述第二相邻局部二值模式特征直方图的所有标准值;
将所述局部相位量化特征直方图的所有归一化值、所有所述第一相邻局部二值模式特征直方图的所有标准值和所有所述第二相邻局部二值模式特征直方图的所有标准值进行按照预设拼接规则拼接成一组统计数组;
按照尾数补零方法将所述统计数组根据所述排列规则进行排列组合,将所述统计数组根据所述排列规则进行排列组合后的矩阵记录为所述裁切图像的矩阵图。
7.如权利要求1所述的翻拍图像识别的方法,其特征在于,所述将所述裁切图像的矩阵图输入训练完成的深度卷积神经网络模型,通过所述深度卷积神经网络模型对所述矩阵图纹理信号频率统计特征的提取,并获取所述深度卷积神经网络模型根据所述纹理信号频率统计特征输出的识别结果,所述识别结果表征了所述待识别图像是否为翻拍之前,包括:
获取训练样本;其中,每一个所述训练样本均与一个翻拍标签关联;
将所述训练样本输入包含初始参数的神经网络模型;
通过所述神经网络模型提取所述图像训练样本中的纹理信号频率统计特征;
获取所述神经网络模型根据所述纹理信号频率统计特征输出的识别结果,并根据所述识别结果和所述翻拍标签的匹配程度确定损失值;
在所述损失值达到预设的收敛条件时,将收敛之后的所述神经网络模型记录为训练完成的深度卷积神经网络模型。
8.一种翻拍图像识别的装置,其特征在于,包括:
获取模块,用于接收验证指令,获取待识别图像;
截取模块,用于截取出所述待识别图像的预设区域的裁切图像;
转换模块,用于将所述裁切图像进行灰度处理,得到所述裁切图像的灰度图像,根据六角锥体颜色模型将所述裁切图像转换得到含有多个通道的色调饱和度图像,并根据颜色空间模型将所述裁切图像转换得到含有多个通道的色彩视频图像;
变换模块,用于通过局部相位量化法对所述灰度图像进行变换,获得所述灰度图像的局部相位量化特征直方图的所有归一化值;通过相邻局部二值模式法对所述色调饱和图像的每个通道图像进行变换,获得与所述色调饱和度图像的多个通道图像对应的第一相邻局部二值模式特征直方图的所有标准值;同时通过相邻局部二值模式法对所述色彩视频图像的每个通道图像进行变换,获得与所述色彩视频图像的每个通道图像对应的第二相邻局部二值模式特征直方图的所有标准值;
排列模块,用于将所述局部相位量化特征直方图的所有归一化值、所有所述第一相邻局部二值模式特征直方图的所有标准值和所有所述第二相邻局部二值模式特征直方图的所有标准值根据预设的排列规则进行排列,生成所述裁切图像的矩阵图;
识别模块,用于将所述裁切图像的矩阵图输入训练完成的深度卷积神经网络模型,通过所述深度卷积神经网络模型对所述矩阵图进行纹理信号频率统计特征提取,并获取所述深度卷积神经网络模型根据所述纹理信号频率统计特征输出的识别结果,所述识别结果表征了所述待识别图像是否为翻拍。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述翻拍图像识别的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述翻拍图像识别的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010064699.3A CN111259915A (zh) | 2020-01-20 | 2020-01-20 | 翻拍图像识别的方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010064699.3A CN111259915A (zh) | 2020-01-20 | 2020-01-20 | 翻拍图像识别的方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111259915A true CN111259915A (zh) | 2020-06-09 |
Family
ID=70952430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010064699.3A Pending CN111259915A (zh) | 2020-01-20 | 2020-01-20 | 翻拍图像识别的方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259915A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111985504A (zh) * | 2020-08-17 | 2020-11-24 | 中国平安人寿保险股份有限公司 | 基于人工智能的翻拍检测方法、装置、设备及介质 |
CN112950559A (zh) * | 2021-02-19 | 2021-06-11 | 山东矩阵软件工程股份有限公司 | 一种翻拍图像检测方法、装置、电子设备及存储介质 |
CN114266841A (zh) * | 2021-12-24 | 2022-04-01 | 上海迎皆电子科技有限公司 | 一种图像色彩转换及其加速方法 |
CN114333037A (zh) * | 2022-02-25 | 2022-04-12 | 北京结慧科技有限公司 | 包含身份证的翻拍照片识别方法及系统 |
CN116758390A (zh) * | 2023-08-14 | 2023-09-15 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、装置、计算机设备以及介质 |
-
2020
- 2020-01-20 CN CN202010064699.3A patent/CN111259915A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111985504A (zh) * | 2020-08-17 | 2020-11-24 | 中国平安人寿保险股份有限公司 | 基于人工智能的翻拍检测方法、装置、设备及介质 |
CN112950559A (zh) * | 2021-02-19 | 2021-06-11 | 山东矩阵软件工程股份有限公司 | 一种翻拍图像检测方法、装置、电子设备及存储介质 |
CN114266841A (zh) * | 2021-12-24 | 2022-04-01 | 上海迎皆电子科技有限公司 | 一种图像色彩转换及其加速方法 |
CN114333037A (zh) * | 2022-02-25 | 2022-04-12 | 北京结慧科技有限公司 | 包含身份证的翻拍照片识别方法及系统 |
CN114333037B (zh) * | 2022-02-25 | 2022-05-13 | 北京结慧科技有限公司 | 包含身份证的翻拍照片识别方法及系统 |
CN116758390A (zh) * | 2023-08-14 | 2023-09-15 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、装置、计算机设备以及介质 |
CN116758390B (zh) * | 2023-08-14 | 2023-10-20 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、装置、计算机设备以及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259915A (zh) | 翻拍图像识别的方法、装置、设备及介质 | |
CN111368342B (zh) | 图像篡改识别模型训练方法、图像篡改识别方法及装置 | |
CN102667810B (zh) | 数字图像中的面部识别 | |
CN111275685A (zh) | 身份证件的翻拍图像识别方法、装置、设备及介质 | |
CN108090511B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
US11790499B2 (en) | Certificate image extraction method and terminal device | |
CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
CN111476269B (zh) | 均衡样本集构建、翻拍图像识别方法、装置、设备及介质 | |
CN110866457A (zh) | 一种电子保单的获得方法、装置、计算机设备和存储介质 | |
CN111274446A (zh) | 视频处理方法及相关装置 | |
CN111353956A (zh) | 图像修复方法、装置、计算机设备及存储介质 | |
CN109784379B (zh) | 纺织品图片特征库的更新方法和装置 | |
CN111428740A (zh) | 网络翻拍照片的检测方法、装置、计算机设备及存储介质 | |
CN112818960B (zh) | 基于人脸识别的等待时长处理方法、装置、设备及介质 | |
CN111680716B (zh) | 一种识别对比方法、装置、计算机设备和存储介质 | |
CN109657083B (zh) | 纺织品图片特征库的建立方法和装置 | |
CN114913350B (zh) | 素材查重方法、装置、设备及存储介质 | |
CN113947568B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
US8041124B2 (en) | Identifying computer graphics from digital photographs | |
CN114693554A (zh) | 一种大数据图像处理方法及系统 | |
WO2023047162A1 (en) | Object sequence recognition method, network training method, apparatuses, device, and medium | |
CN110647898B (zh) | 图像处理方法、装置、电子设备及计算机存储介质 | |
CN111209922B (zh) | 基于svm和opencv的图像色系风格标记方法、装置、设备及介质 | |
Togban et al. | Identifying color space for improved image display | |
CN112734767B (zh) | 基于病理图像组织区域的提取方法、装置、设备及介质 |
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 |