CN111401432B - 对数字图像的身份伪造识别方法、装置、设备及存储介质 - Google Patents

对数字图像的身份伪造识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111401432B
CN111401432B CN202010172296.0A CN202010172296A CN111401432B CN 111401432 B CN111401432 B CN 111401432B CN 202010172296 A CN202010172296 A CN 202010172296A CN 111401432 B CN111401432 B CN 111401432B
Authority
CN
China
Prior art keywords
digital image
image
function
neural network
digital
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
CN202010172296.0A
Other languages
English (en)
Other versions
CN111401432A (zh
Inventor
崔子栋
范帅迪
贺惠新
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.)
Huaqiao University
Original Assignee
Huaqiao University
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 Huaqiao University filed Critical Huaqiao University
Priority to CN202010172296.0A priority Critical patent/CN111401432B/zh
Publication of CN111401432A publication Critical patent/CN111401432A/zh
Application granted granted Critical
Publication of CN111401432B publication Critical patent/CN111401432B/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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种对数字图像的身份伪造识别方法、装置、设备及其计算机存储介质，方法包括：构建训练模型；获取待识别的第一数字图像；其中，所述待识别图像包括RGB三色的三种特征通道以及第四种特征通道；将所述第四种特征通道与所述RGB三种特征通道进行组合，以生成第二数字图像；将所述第二数字图像输入至训练模型中，以对数字图像的身份进行伪造识别。本发明提供了一种综合人脑认知的领域知识和图片成像原理的识别方法对各种身份冒用、身份伪造等情况进行智能识别，且集成了深度神经网络对原始信息的自动、提取能力同时通过人工提取特征补足了简单神经网络对复杂特征的提取能力不足的问题，可以高效提高检测的效果。

Description

对数字图像的身份伪造识别方法、装置、设备及存储介质
技术领域
本发明涉及计算机领域，尤其涉及一种对数字图像的身份伪造识别方法、装置、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(例如：涉及金融、保险、安防的应用场景)需要通过证件识别、人脸识别对用户身份进行验证。而现有的身份验证系统为了简化识别流程，降低专用设备的采购成本，通过获取人脸或证件的图像来验证用户身份，例如通过摄像头对人脸的拍摄识别来进行对用户身份的确认，于是便出现通过使用翻拍照片欺骗身份验证系统完成身份验证的情况，侵害了他人的利益。
目前，不少研究者对翻拍图像的识别分类做出了许多工作与进展，如谢哲、王让定、严迪群、刘华成等在基于同态补偿翻拍图像的方向预测方法中构建了一种基于同态滤波的自适应补偿图像光照分量加强特征，并通过将图像十六等分提取每一等分的八方向梯度比例特征以此进行翻拍图像检测的方法，该方法在训练集与测试集的人脸图像所包含的人数较少，训练集、测试集翻拍人脸与真实人脸为同一人时效果较好，但一旦训练集与测试集中的人数较多，且并翻拍人脸与真实人脸为不同人时该方法准确率快速下降。再如卢燕飞、冯莉、李兴华、荆涛等基于图像表面梯度的翻拍检测中，建立了翻拍图像与活体拍摄图像之间的梯度差异模型，并通过该模型提取三色同道梯度特征进行分类。这些方法在活体数量较少、翻拍图像与活体拍摄图像均属于同一批活体时效果较好，但当活体数量增加或翻拍图像与活体拍摄图像所属群体不同时，其准确率会有一定程度下降，缺乏实际应用价值。
发明内容
针对上述问题，本发明的目的在于提供一种对数字图像的身份伪造识别方法、装置、设备及存储介质，能够对各种身份冒用、身份伪造等情况进行智能识别，且集成了深度神经网络对原始信息的自动、提取能力同时通过人工提取特征补足了简单神经网络对复杂特征的提取能力不足的问题，可以高效提高检测的效果。
本发明实施例提供了一种对数字图像的身份伪造识别方法，包括：
构建训练模型；
获取待识别的第一数字图像；其中，所述待识别图像包括RGB三色的三种特征通道以及第四种特征通道；
将所述第四种特征通道与所述RGB三种特征通道进行组合，以生成第二数字图像；
将所述第二数字图像输入至训练模型中，以对数字图像的身份进行伪造识别。
优选地，构建训练模型，具体为：
获取已识别的第三数字图像；其中，所述已识别的第三数字图像为经过人工标注的翻拍图像以及活体图像；
提取所述已识别的第三数字图像的第四种特征通道；
将所述已识别的第三数字图像的第四种特征图像通道及其RGB三种特征通道进行组合，以生成第四数字图像；
将所述第四数字图像作为神经网络的输入样本，构建神经网络模型；
基于神经网络模型，将预测集准确率最高的模型作为训练模型。
优选地，提取所述已识别的第三数字图像第四种特征通道，具体为：
将第三数字图像转化为HSV格式，并提取V通道，获得fv(x,y)；
对所述fv(x,y)做对数变换，以得到fln(x,y)；其中，fln(x,y)＝ln(fv(x,y)+esp)；
对对数变换后的函数fln(x,y)做二维傅里叶变换，以得到
Figure GDA00039759265600000316
其中，
Figure GDA0003975926560000031
Figure GDA0003975926560000032
为二维傅里叶变换函数，shift(x,y)为二维傅里叶变换后的中心化函数，
Figure GDA0003975926560000033
为fln(x,y)经二维傅里叶变换并中心化后的函数；
对
Figure GDA00039759265600000317
构造函数
Figure GDA0003975926560000034
Figure GDA0003975926560000035
其中，D2(u,v)为频谱图
Figure GDA0003975926560000036
上任意一像素点距离二维平铺图中心点的欧式距离，约束条件s.t.为对图像中心化后的平铺图进行高斯函数拟合，并取分位点为0.04432；使用构造的函数
Figure GDA0003975926560000037
与
Figure GDA00039759265600000318
进行数量乘法，即
Figure GDA0003975926560000038
并记为
Figure GDA0003975926560000039
对函数
Figure GDA00039759265600000310
做去中心化，以获得shift(x,y)的反函数shift-1(x,y)，得到函数
Figure GDA00039759265600000311
再对得到的函数
Figure GDA00039759265600000312
做二维傅里叶反变换
Figure GDA00039759265600000313
得到函数
Figure GDA00039759265600000314
对得到的函数ftmp(x,y)做指数函数映射，得到
Figure GDA00039759265600000315
其中f'(x,y)为第四种特征通道。
优选地，基于神经网络模型，将预测集准确率最高的模型作为训练模型，具体为：
将所述第四数字图像作为神经网络的输入样本，并按8:2的形式划分为训练集与预测集；
以训练集进行训练，以迭代的形式做迭代实验，以小批量梯度下降进行优化，每次迭代前都重新打乱训练集，更改样本进入顺序，每次迭代取收敛后的预测集准确率最高的模型，并将对预测集准确率的最高一个作为训练模型。
优选地，将所述第二数字图像输入至训练模型中，以对数字图像的身份进行伪造识别，具体为：
将所述第二数字图像输入至训练模型中，以获得神经网络最终输出的分类结果Y＝[a,b]；其中，若b>a，则所述第一数字图片为活体拍摄图像，b≤a，则所述第一数字图片为翻拍伪造图像；a+b＝1。
优选地，所述第二数字图像以及所述第四数字图像尺寸均为100*100*4尺寸的图像。
第二方面，本发明实施例还提供了一种对数字图像的身份伪造识别装置，包括：
训练模型构建单元，用于构建训练模型；
第一数字图像获取单元，用于获取待识别的第一数字图像；其中，所述待识别图像包括RGB三色的三种特征通道以及第四种特征通道；
第二数字图像生成单元，用于将所述第四种特征通道与所述RGB三种特征通道进行组合，以生成第二数字图像；
身份伪造识别单元，用于将所述第二数字图像输入至训练模型中，以对数字图像的身份进行伪造识别。
优选地，训练模型构建单元，包括：
第三数字图像获取模块，用于获取已识别的第三数字图像；其中，所述已识别的第三数字图像为经过人工标注的翻拍图像以及活体图像；
特征通道提取模块，用于提取所述已识别的第三数字图像的第四种特征通道；
第四数字图像生成模块，用于将所述已识别的第三数字图像的第四种特征图像通道及其RGB三种特征通道进行组合，以生成第四数字图像；
神经网络模型构建模块，用于将所述第四数字图像作为神经网络的输入样本，构建神经网络模型；
训练模型获取模块，用于基于神经网络模型，将预测集准确率最高的模型作为训练模型。
优选地，特征通道提取模块，包括：
将第三数字图像转化为HSV格式，并提取V通道，获得fv(x,y)；对所述fv(x,y)做对数变换，以得到fln(x,y)；其中，fln(x,y)＝ln(fv(x,y)+esp)；对对数变换后的函数fln(x,y)做二维傅里叶变换，以得到
Figure GDA0003975926560000051
其中，
Figure GDA0003975926560000052
Figure GDA0003975926560000053
为二维傅里叶变换函数，shift(x,y)为二维傅里叶变换后的中心化函数，
Figure GDA0003975926560000054
为fln(x,y)经二维傅里叶变换并中心化后的函数；
对
Figure GDA0003975926560000055
构造函数
Figure GDA0003975926560000056
Figure GDA0003975926560000057
其中，D2(u,v)为频谱图
Figure GDA0003975926560000058
上任意一像素点距离二维平铺图中心点的欧式距离，约束条件s.t.为对图像中心化后的平铺图进行高斯函数拟合，并取分位点为0.04432；使用构造的函数
Figure GDA0003975926560000059
与
Figure GDA00039759265600000510
进行数量乘法，即
Figure GDA00039759265600000511
并记为
Figure GDA00039759265600000512
对函数
Figure GDA00039759265600000513
做去中心化，以获得shift(x,y)的反函数shift-1(x,y)，得到函数
Figure GDA00039759265600000514
再对得到的函数
Figure GDA00039759265600000515
做二维傅里叶反变换
Figure GDA00039759265600000516
得到函数
Figure GDA00039759265600000517
对得到的函数ftmp(x,y)做指数函数映射，得到
Figure GDA00039759265600000518
其中f'(x,y)为第四种特征通道。
优选地，训练模块获取模块，包括：
将所述第四数字图像作为神经网络的输入样本，并按8:2的形式划分为训练集与预测集；以训练集进行训练，以迭代的形式做迭代实验，以小批量梯度下降进行优化，每次迭代前都重新打乱训练集，更改样本进入顺序，每次迭代取收敛后的预测集准确率最高的模型，并将对预测集准确率的最高一个作为训练模型。
优选地，身份伪造识别单元，包括：
将所述第二数字图像输入至训练模型中，以获得神经网络最终输出的分类结果Y＝[a,b]；其中，若b>a，则所述第一数字图片为活体拍摄图像，b≤a，则所述第一数字图片为翻拍伪造图像；a+b＝1。
优选地，所述第二数字图像以及所述第四数字图像尺寸均为100*100*4尺寸的图像。
本发明实施例还提供了一种对数字图像的身份伪造识别设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如上述实施例所述的对数字图像的身份伪造识别方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例所述的对数字图像的身份伪造识别方法。
在上述一实施例中，本发明根据已经由人工标注的翻拍图像和活体图像训练集构建训练模型，然后提取待识别的图像的第四种特征通道与所述RGB三种特征通道进行组合成新的图像，并作为样本输入至预先构建的训练模型中，提供了一种综合人脑认知的领域知识和图片成像原理的识别方法对各种身份冒用、身份伪造等情况进行智能识别，且集成了深度神经网络对原始信息的自动、提取能力同时通过人工提取特征补足了简单神经网络对复杂特征的提取能力不足的问题，可以高效提高检测的效果。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的对数字图像的身份伪造识别方法的流程示意图。
图2是本发明第二实施例提供的对数字图像的身份伪造识别装置的结构示意图。
具体实施方式
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
请参阅图1，本发明第一实施例提供了一种对数字图像的身份伪造识别方法，其可由对数字图像的身份伪造识别设备(以下简称“识别设备”)来执行，特别的，由识别设备内的一个或多个处理器来执行，具体包括训练模型和使用两个环节，并至少包括如下步骤：
S101，构建训练模型。
在本实施例中，首先获取已识别的多个第三数字图像；其中，所述已识别的第三数字图像为经过人工标注的翻拍图像以及活体图像；然后提取所述已识别的第三数字图像的第四种特征通道；其次将所述已识别的第三数字图像的第四种特征图像通道及其RGB三种特征通道进行组合，以生成第四数字图像；最后将所述第四数字图像作为神经网络的输入样本，构建神经网络模型，从而基于神经网络模型，将预测集准确率最高的模型作为训练模型。
具体地，包括：
步骤一：选取n张已经处理的彩色图像fk(x,y,3)1<k<n(已处理的彩色图像表示已经由人工标注的翻拍图像和活体图像训练集)；其中，3表示图像通道数量即RGB三种特征通道，fk(x,y,3)表示各个像素点为f(x,y,3)的第k张经过标注的数字图像，其标注记为[0,1]与[1,0]，其中[0,1]表示正样本，即活体图像，而[1,0]表示翻拍图像。
步骤二：对每张数字图像f(x,y,3)提取第四特征通道f'(x,y)，并将该通道合并到RGB格式的原图像f(x,y,3)中，并规整为100*100*4尺寸的图像作为原图像的第四通道，合成后新生成的图像记为f(x,y,4)，该图像作为神经网络模型的输入样本。
步骤三：图像翻拍检测设计的CNN网络包括两层卷积层，两层池化层与一层全连接层。其中池化层为最大值池化。在本文的CNN网络中，首先保留图像的RGB通道，再将新产生的反射分量图加入到输入中，作为图像第四层通道进行卷积操作，filter数量为8，体积为3×3大小，步长为1，padding方式为same，生成channel为8的输出。紧接着进行最大值池化，filter体积为2×2，步长为2，再对最大值池化后的图像进行第二次卷积操作，filter数量为16，体积为大小，步长为1，padding方式为same；将卷积操作后的结果进行第二次最大值池化操作，filter体积为，步长为2，最后将池化结果展开为一维张量，并通过全连接网络得到最终结果，以构建神经网络模型。
步骤四：将四种通道特征图像作为输入样本，并将其规整化为100*100*4的图像，并将样本按8:2的形式划分为训练集与预测集，以训练集进行训练，以迭代的形式做5组实验，每组实验迭代四次，以小批量梯度下降进行优化，每次迭代前都重新打乱训练集，更改样本进入顺序，每次迭代取收敛后的预测集准确率最高的模型，再在这些模型(共五个)对预测集准确率的最高一个作为最终的训练模型。
其中，提取所述已识别的第三数字图像第四种特征通道f'(x,y)方法步骤包括：
步骤二一一：将第三数字图像转化为HSV格式，并提取V通道，获得fv(x,y)，并对所述fv(x,y)做对数变换，以得到fln(x,y)；其中，fln(x,y)＝ln(fv(x,y)+esp)，esp是为防止对数函数无意义所加的最小浮点数精度；
步骤二一二：对对数变换后的函数fln(x,y)做二维傅里叶变换，以得到
Figure GDA0003975926560000091
其中，
Figure GDA0003975926560000092
Figure GDA0003975926560000093
为二维傅里叶变换函数，shift(x,y)为二维傅里叶变换后的中心化函数，
Figure GDA0003975926560000094
为fln(x,y)经二维傅里叶变换并中心化后的函数；
步骤二一三：对
Figure GDA0003975926560000095
构造函数
Figure GDA0003975926560000096
Figure GDA0003975926560000097
其中，D2(u,v)为频谱图
Figure GDA0003975926560000101
上任意一像素点距离二维平铺图中心点的欧式距离，约束条件s.t.为对图像中心化后的平铺图进行高斯函数拟合，并取分位点为0.04432；使用构造的函数
Figure GDA0003975926560000102
与
Figure GDA0003975926560000103
进行数量乘法，即
Figure GDA0003975926560000104
并记为
Figure GDA0003975926560000105
步骤二一四：对函数
Figure GDA0003975926560000106
做去中心化，以获得shift(x,y)的反函数shift-1(x,y)，得到函数
Figure GDA0003975926560000107
再对得到的函数
Figure GDA0003975926560000108
做二维傅里叶反变换
Figure GDA0003975926560000109
得到函数
Figure GDA00039759265600001010
步骤二一五：对得到的函数ftmp(x,y)做指数函数映射，得到
Figure GDA00039759265600001011
其中f'(x,y)为第四种特征通道。
S102，获取待识别的第一数字图像；其中，所述待识别图像包括RGB三色的三种特征通道以及第四种特征通道。
S103，将所述第四种特征通道与所述RGB三种特征通道进行组合，以生成第二数字图像；
S104，将所述第二数字图像输入至训练模型中，以对数字图像的身份进行伪造识别。
在本实施例中，对于待识别的第一数字图像是未知类别的数字图片R，因此，需先根据上述步骤获取此数字图像R即第一数字图像的第四通道，记为f'(x,y)，并将该通道与原图像的RGB三色通道都规整为100*100的第二数字图像，作为神经网络的输入，记为f(x,y,4)；然后将所述第二数字图像作为输入通过上述训练完成后的训练模型，得到的结果记为Y＝[a,b]，其中，a、b表示神经网络最后输出的分类结果，a、b应是在区间[0，1]上的值，且a+b＝1，通过比较a,b大小来确定其分类。因此，若b>a，则待识别第一数字图像为活体拍摄图像，否则b≤a则待识别第一数字图像为翻拍伪造图像，从而实现对数字图像的身份进行伪造识别。
综上，本发明根据已经由人工标注的翻拍图像和活体图像训练集构建训练模型，然后提取待识别的图像的第四种特征通道与所述RGB三种特征通道进行组合成新的图像，并作为样本输入至预先构建的训练模型中，提供了一种综合人脑认知的领域知识和图片成像原理的识别方法对各种身份冒用、身份伪造等情况进行智能识别，且集成了深度神经网络对原始信息的自动、提取能力同时通过人工提取特征补足了简单神经网络对复杂特征的提取能力不足的问题，可以高效提高检测的效果。
本发明第二实施例：
参见图2，本发明第二实施例还提供了一种对数字图像的身份伪造识别装置，包括：
训练模型构建单元100，用于构建训练模型；
第一数字图像获取单元200，用于获取待识别的第一数字图像；其中，所述待识别图像包括RGB三色的三种特征通道以及第四种特征通道；
第二数字图像生成单元300，用于将所述第四种特征通道与所述RGB三种特征通道进行组合，以生成第二数字图像；
身份伪造识别单元400，用于将所述第二数字图像输入至训练模型中，以对数字图像的身份进行伪造识别。
在上述实施例的基础上，本发明一优选实施例中，训练模型构建单元100，包括：
第三数字图像获取模块，用于获取已识别的第三数字图像；其中，所述已识别的第三数字图像为经过人工标注的翻拍图像以及活体图像；
特征通道提取模块，用于提取所述已识别的第三数字图像的第四种特征通道；
第四数字图像生成模块，用于将所述已识别的第三数字图像的第四种特征图像通道及其RGB三种特征通道进行组合，以生成第四数字图像；
神经网络模型构建模块，用于将所述第四数字图像作为神经网络的输入样本，构建神经网络模型；
训练模型获取模块，用于基于神经网络模型，将预测集准确率最高的模型作为训练模型。
在上述实施例的基础上，本发明一优选实施例中，特征通道提取模块，包括：
将第三数字图像转化为HSV格式，并提取V通道，获得fv(x,y)；对所述fv(x,y)做对数变换，以得到fln(x,y)；其中，fln(x,y)＝ln(fv(x,y)+esp)；对对数变换后的函数fln(x,y)做二维傅里叶变换，以得到
Figure GDA0003975926560000121
其中，
Figure GDA0003975926560000122
Figure GDA0003975926560000123
为二维傅里叶变换函数，shift(x,y)为二维傅里叶变换后的中心化函数，
Figure GDA0003975926560000124
为fln(x,y)经二维傅里叶变换并中心化后的函数；
对
Figure GDA0003975926560000125
构造函数
Figure GDA0003975926560000126
Figure GDA0003975926560000127
其中，D2(u,v)为频谱图
Figure GDA0003975926560000128
上任意一像素点距离二维平铺图中心点的欧式距离，约束条件s.t.为对图像中心化后的平铺图进行高斯函数拟合，并取分位点为0.04432；使用构造的函数
Figure GDA0003975926560000129
与
Figure GDA00039759265600001210
进行数量乘法，即
Figure GDA00039759265600001211
并记为
Figure GDA00039759265600001212
对函数
Figure GDA00039759265600001213
做去中心化，以获得shift(x,y)的反函数shift-1(x,y)，得到函数
Figure GDA00039759265600001214
再对得到的函数
Figure GDA00039759265600001215
做二维傅里叶反变换
Figure GDA00039759265600001216
得到函数
Figure GDA00039759265600001217
对得到的函数ftmp(x,y)做指数函数映射，得到
Figure GDA00039759265600001218
其中f'(x,y)为第四种特征通道。
在上述实施例的基础上，本发明一优选实施例中，训练模块获取模块，包括：
将所述第四数字图像作为神经网络的输入样本，并按8:2的形式划分为训练集与预测集；以训练集进行训练，以迭代的形式做迭代实验，以小批量梯度下降进行优化，每次迭代前都重新打乱训练集，更改样本进入顺序，每次迭代取收敛后的预测集准确率最高的模型，并将对预测集准确率的最高一个作为训练模型。
在上述实施例的基础上，本发明一优选实施例中，身份伪造识别单元400，包括：
将所述第二数字图像输入至训练模型中，以获得神经网络最终输出的分类结果Y＝[a,b]；其中，若b>a，则所述第一数字图片为活体拍摄图像，b≤a，则所述第一数字图片为翻拍伪造图像；a+b＝1。
在上述实施例的基础上，本发明一优选实施例中，所述第二数字图像以及所述第四数字图像尺寸均为100*100*4尺寸的图像。
本发明第三实施例：
本发明第三实施例还提供了一种对数字图像的身份伪造识别设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如上述实施例所述的对数字图像的身份伪造识别方法。
本发明第四实施例：
本发明第四实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的对数字图像的身份伪造识别方法。
示例性的，所述计算机程序可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在对数字图像的身份伪造识别设备中的执行过程。
所述对数字图像的身份伪造识别设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是对数字图像的身份伪造识别设备的示例，并不构成对对数字图像的身份伪造识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述对数字图像的身份伪造识别设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述对数字图像的身份伪造识别设备的控制中心，利用各种接口和线路连接整个对数字图像的身份伪造识别设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述对数字图像的身份伪造识别设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述对数字图像的身份伪造识别设备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，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.一种对数字图像的身份伪造识别方法，其特征在于，包括：
构建训练模型；其中，具体为：获取已识别的第三数字图像；其中，所述已识别的第三数字图像为经过人工标注的翻拍图像以及活体图像；提取所述已识别的第三数字图像的第四种特征通道；将所述已识别的第三数字图像的第四种特征图像通道及其RGB三种特征通道进行组合，以生成第四数字图像；将所述第四数字图像作为神经网络的输入样本，构建神经网络模型；基于神经网络模型，将预测集准确率最高的模型作为训练模型；
其中，提取所述已识别的第三数字图像第四种特征通道，具体为：
将第三数字图像转化为HSV格式，并提取V通道，获得fv(x,y)；
对所述fv(x,y)做对数变换，以得到fln(x,y)；其中，fln(x,y)＝ln(fv(x,y)+esp)；
对对数变换后的函数fln(x,y)做二维傅里叶变换，以得到
Figure FDA0003975926550000011
其中，
Figure FDA0003975926550000012
为二维傅里叶变换函数，shift(x,y)为二维傅里叶变换后的中心化函数，
Figure FDA0003975926550000013
为fln(x,y)经二维傅里叶变换并中心化后的函数；
对
Figure FDA0003975926550000014
构造函数
Figure FDA0003975926550000015
Figure FDA0003975926550000016
其中，D2(u,v)为频谱图
Figure FDA0003975926550000017
上任意一像素点距离二维平铺图中心点的欧式距离，约束条件s.t.为对图像中心化后的平铺图进行高斯函数拟合，并取分位点为0.04432；使用构造的函数
Figure FDA0003975926550000018
与
Figure FDA0003975926550000019
进行数量乘法，即
Figure FDA00039759265500000110
并记为
Figure FDA00039759265500000111
对函数
Figure FDA0003975926550000021
做去中心化，以获得shift(x,y)的反函数shift-1(x,y)，得到函数
Figure FDA0003975926550000022
再对得到的函数
Figure FDA0003975926550000023
做二维傅里叶反变换
Figure FDA0003975926550000024
得到函数
Figure FDA0003975926550000025
对得到的函数ftmp(x,y)做指数函数映射，得到
Figure FDA0003975926550000026
其中f'(x,y)为第四种特征通道；
获取待识别的第一数字图像；其中，所述第一数字图像包括RGB三种特征通道以及第四种特征通道；
将所述第四种特征通道与所述RGB三种特征通道进行组合，以生成第二数字图像；
将所述第二数字图像输入至训练模型中，以对数字图像的身份进行伪造识别；其中，具体为：将所述第二数字图像输入至训练模型中，以获得神经网络最终输出的分类结果Y＝[a,b]；其中，若b>a，则所述第一数字图像为活体拍摄图像，b≤a，则所述第一数字图像为翻拍伪造图像；a+b＝1。
2.根据权利要求1所述的对数字图像的身份伪造识别方法，其特征在于，基于神经网络模型，将预测集准确率最高的模型作为训练模型，具体为：
将所述第四数字图像作为神经网络的输入样本，并按8:2的形式划分为训练集与预测集；
以训练集进行训练，以迭代的形式做迭代实验，以小批量梯度下降进行优化，每次迭代前都重新打乱训练集，更改样本进入顺序，每次迭代取收敛后的预测集准确率最高的模型，并将对预测集准确率的最高一个作为训练模型。
3.根据权利要求1所述的对数字图像的身份伪造识别方法，其特征在于，所述第二数字图像以及所述第四数字图像尺寸均为100*100*4尺寸的图像。
4.一种对数字图像的身份伪造识别装置，其特征在于，包括：
训练模型构建单元，用于构建训练模型；其中，训练模型构建单元，包括：
第三数字图像获取模块，用于获取已识别的第三数字图像；其中，所述已识别的第三数字图像为经过人工标注的翻拍图像以及活体图像；
特征通道提取模块，用于提取所述已识别的第三数字图像的第四种特征通道；其中，具体用于将第三数字图像转化为HSV格式，并提取V通道，获得fv(x,y)；
对所述fv(x,y)做对数变换，以得到fln(x,y)；其中，fln(x,y)＝ln(fv(x,y)+esp)；
对对数变换后的函数fln(x,y)做二维傅里叶变换，以得到
Figure FDA0003975926550000031
其中，
Figure FDA0003975926550000032
为二维傅里叶变换函数，shift(x,y)为二维傅里叶变换后的中心化函数，
Figure FDA0003975926550000033
为fln(x,y)经二维傅里叶变换并中心化后的函数；
对
Figure FDA0003975926550000034
构造函数
Figure FDA0003975926550000035
Figure FDA0003975926550000036
其中，D2(u,v)为频谱图
Figure FDA0003975926550000037
上任意一像素点距离二维平铺图中心点的欧式距离，约束条件s.t.为对图像中心化后的平铺图进行高斯函数拟合，并取分位点为0.04432；使用构造的函数
Figure FDA0003975926550000038
与
Figure FDA0003975926550000039
进行数量乘法，即
Figure FDA00039759265500000310
并记为
Figure FDA00039759265500000311
对函数
Figure FDA00039759265500000312
做去中心化，以获得shift(x,y)的反函数shift-1(x,y)，得到函数
Figure FDA00039759265500000313
再对得到的函数
Figure FDA00039759265500000314
做二维傅里叶反变换
Figure FDA0003975926550000041
得到函数
Figure FDA0003975926550000042
对得到的函数ftmp(x,y)做指数函数映射，得到
Figure FDA0003975926550000043
其中f'(x,y)为第四种特征通道；
第四数字图像生成模块，用于将所述已识别的第三数字图像的第四种特征图像通道及其RGB三种特征通道进行组合，以生成第四数字图像；
神经网络模型构建模块，用于将所述第四数字图像作为神经网络的输入样本，构建神经网络模型；
训练模型获取模块，用于基于神经网络模型，将预测集准确率最高的模型作为训练模型；
第一数字图像获取单元，用于获取待识别的第一数字图像；其中，所述第一数字图像包括RGB三种特征通道以及第四种特征通道；
第二数字图像生成单元，用于将所述第四种特征通道与所述RGB三种特征通道进行组合，以生成第二数字图像；
身份伪造识别单元，用于将所述第二数字图像输入至训练模型中，以对数字图像的身份进行伪造识别；其中，具体用于：将所述第二数字图像输入至训练模型中，以获得神经网络最终输出的分类结果Y＝[a,b]；其中，若b>a，则所述第一数字图像为活体拍摄图像，b≤a，则所述第一数字图像为翻拍伪造图像；a+b＝1。
5.一种对数字图像的身份伪造识别设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行如权利要求1至3任意一项所述的对数字图像的身份伪造识别方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至3任意一项所述的对数字图像的身份伪造识别方法。
CN202010172296.0A 2020-03-12 2020-03-12 对数字图像的身份伪造识别方法、装置、设备及存储介质 Active CN111401432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010172296.0A CN111401432B (zh) 2020-03-12 2020-03-12 对数字图像的身份伪造识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010172296.0A CN111401432B (zh) 2020-03-12 2020-03-12 对数字图像的身份伪造识别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111401432A CN111401432A (zh) 2020-07-10
CN111401432B true CN111401432B (zh) 2023-02-07

Family

ID=71432377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010172296.0A Active CN111401432B (zh) 2020-03-12 2020-03-12 对数字图像的身份伪造识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111401432B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610138A (zh) * 2021-08-02 2021-11-05 典基网络科技(上海)有限公司 基于深度学习模型的图像分类识别方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2019085757A1 (zh) * 2017-11-01 2019-05-09 腾讯科技（深圳）有限公司 图像分类方法、服务器以及计算机可读存储介质
CN109886309A (zh) * 2019-01-25 2019-06-14 成都浩天联讯信息技术有限公司 一种识别伪造数字图像身份的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2019085757A1 (zh) * 2017-11-01 2019-05-09 腾讯科技（深圳）有限公司 图像分类方法、服务器以及计算机可读存储介质
CN109886309A (zh) * 2019-01-25 2019-06-14 成都浩天联讯信息技术有限公司 一种识别伪造数字图像身份的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进的卷积神经网络图像识别方法;张珂等;《科学技术与工程》;20200108(第01期);全文 *

Also Published As

Publication number Publication date
CN111401432A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
JP7458328B2 (ja) マルチ分解能登録を介したマルチサンプル全体スライド画像処理
Jaiswal et al. A technique for image splicing detection using hybrid feature set
Asghar et al. Copy-move and splicing image forgery detection and localization techniques: a review
CN112381775B (zh) 一种图像篡改检测方法、终端设备及存储介质
Nagaraj et al. An Exemplary Template Matching Techniques for Counterfeit Currency Detection
CN108197644A (zh) 一种图像识别方法和装置
Pham et al. Deep learning-based fake-banknote detection for the visually impaired people using visible-light images captured by smartphone cameras
CN107093259B (zh) 一种纸币真伪的识别方法及其装置
CN108230536A (zh) 一种对光可变防伪标识识别方法及装置
Mahale et al. Image inconsistency detection using local binary pattern (LBP)
CN108665603B (zh) 识别纸币币种的方法、装置及电子设备
CN111401432B (zh) 对数字图像的身份伪造识别方法、装置、设备及存储介质
Jwaid et al. Study and analysis of copy-move & splicing image forgery detection techniques
Anbu et al. A comprehensive survey of detecting tampered images and localization of the tampered region
Dixit et al. Utilization of edge operators for localization of copy-move image forgery using WLD-HOG features with connected component labeling
Chakraborty et al. Review of various image processing techniques for currency note authentication
CN113033562A (zh) 一种图像处理方法、装置、设备及存储介质
CN110428402A (zh) 图像篡改识别方法、装置、计算机设备及存储介质
JP3962517B2 (ja) 顔面検出方法及びその装置、コンピュータ可読媒体
Alsandi Image Splicing Detection Scheme Using Surf and Mean-LBP Based Morphological Operations
Jia et al. Face morphing attack detection based on high-frequency features and progressive enhancement learning
Jyothi et al. Study of Image Forgery Detection using Scale Invariant Feature Transform
Bhardwaj et al. Identification of Currency via Image Recognition
CN108171865A (zh) 一种纸币检测方法、纸币检测装置及电子设备
Sadiq Image Splicing Forgery Detection using Standard Division-Local Binary Pattern Features

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