CN111881844A - 一种判断图像真实性的方法及系统 - Google Patents
一种判断图像真实性的方法及系统 Download PDFInfo
- Publication number
- CN111881844A CN111881844A CN202010750632.5A CN202010750632A CN111881844A CN 111881844 A CN111881844 A CN 111881844A CN 202010750632 A CN202010750632 A CN 202010750632A CN 111881844 A CN111881844 A CN 111881844A
- Authority
- CN
- China
- Prior art keywords
- sequence
- shooting
- image
- parameters
- original image
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3226—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using a predetermined code, e.g. password, passphrase or PIN
- H04L9/3231—Biological data, e.g. fingerprint, voice or retina
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种判断图像真实性的方法及系统,所述方法应用于服务器端,所述方法包括:从客户端获取原始图像;根据预设的提取规则提取所述原始图像中的多个图像或者图像局部作为多个提取图像;基于所述多个提取图像,通过训练好的机器学习模型确定所述多个提取图像与预设序列的匹配度;基于所述匹配度,判断所述原始图像的真实性;所述预设序列对应于所述客户端的拍摄设备,判断所述原始图像的真实性具体为:判断所述图像来自所述拍摄设备的真实性。
Description
技术领域
本说明书实施例涉及图像处理技术领域,特别涉及一种判断图像真实性的方法及系统。
背景技术
随着科学技术的快速发展,越来越多的应用场景(例如安防、金融以及应用平台的用户注册等)需要通过证件识别、人脸识别对用户身份进行验证。为防止不法分子伪造、冒用他人身份进行违法犯罪,对待识别的证件图像或人脸图像的真伪进行鉴别是身份认证的关键环节。
为此,本说明书实施例提出一种判断图像真实性的方法及系统,提高身份认证的准确性。
发明内容
本说明书实施例的一个方面提供一种判断图像真实性的方法,应用于服务器端,所述方法包括:从客户端获取原始图像;根据预设的提取规则提取所述原始图像中的多个图像或者图像局部作为多个提取图像;基于所述多个提取图像,通过训练好的机器学习模型确定所述多个提取图像与预设序列的匹配度;基于所述匹配度,判断所述原始图像的真实性;所述预设序列对应于客户端的拍摄设备,判断所述原始图像的真实性具体为:判断所述图像来自所述拍摄设备的真实性。
本说明书实施例的一个方面提供一种判断图像真实性的方法,应用于客户端,所述方法包括:获取服务器端生成并下发的拍摄参数序列;基于所述拍摄参数序列生成所述原始图像;将所述原始图像发送给服务器端;获取所述服务器端发送的、包含对所述原始图像的真实性的判断结果的信息。
本说明书实施例的一个方面提供一种判断图像真实性的系统,应用于服务器端,所述系统包括:第一获取模块,用于从客户端获取原始图像;提取模块,用于根据预设的提取规则提取所述原始图像中的多个图像或者图像局部作为多个提取图像;确定模块,用于基于所述多个提取图像,通过训练好的机器学习模型确定所述多个提取图像与预设序列的匹配度;判断模块,用于基于所述匹配度,判断所述原始图像的真实性;所述预设序列对应于所述客户端的拍摄设备,判断所述原始图像的真实性具体为:判断所述图像来自所述拍摄设备的真实性。
本说明书实施例的一个方面提供一种判断图像真实性的系统,应用于客户端,所述系统包括:第二获取模块,用于获取服务器端生成并下发的拍摄参数序列;生成模块,用于基于所述拍摄参数序列生成所述原始图像;发送模块,用于将所述原始图像发送给服务器端;第三获取模块,用于获取所述服务器端发送的、包含对所述原始图像的真实性的判断结果的信息。
本说明书实施例的一个方面提供一种判断图像真实性的装置,所述装置包括处理器以及存储器;所述存储器用于存储指令,所述处理器用于执行所述指令,以实现如上任一项所述判断图像真实性的方法对应的操作。
本说明书实施例的一个方面提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如上任一项所述判断图像真实性的方法对应的操作。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书的一些实施例所示的图像真实性判断系统的示例性应用场景示意图;
图2是根据本说明书的一些实施例所示的判断图像真实性的方法的示例性流程图;
图3是根据本说明书的一些实施例所示的提取多个提取图像的示例性示意图;
图4是根据本说明书的一些实施例所示的机器学习模型的示例性结构示意图;
图5是根据本说明书的一些实施例所示的训练机器学习模型的示例性流程图;
图6是根据本说明书的一些实施例所示的机器学习模型的另一示例性结构示意图;
图7是根据本说明书的一些实施例所示的判断图像真实性的方法的另一示例性流程图;
图8是根据本说明书的一些实施例所示的服务器端和客户端的交互示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书的一些实施例所示的图像真实性判断系统的示例性应用场景示意图。
人们的生产生活领域,常常会遇到需要进行身份认证的场景。在一些实施例中,身份认证场景可以包括刷脸支付、刷脸门禁、刷脸考勤等应用人脸识别的场景。在一些实施例中,身份认证场景还可以包括证件识别场景。例如,用户需要在网约车平台注册成为司机,网约车平台会对用户提供的驾驶证、行驶证等相关证件进行识别,判断证件信息是否真实以及是否符合相关规定。
然而,一些用户会使用提前录制的人脸动作视频进行人脸识别或者使用作弊的证件图片进行证件识别,完成虚假验证。例如,在证件识别中,不法分子可以通过黑产劫持应用平台摄像头,直接绕过现场拍摄实物证件的流程,把作弊图片上传到应用平台进行注册,从而完成虚假验证。又例如,在人脸识别中,不法分子事前录制在人脸识别中常用的点头、眨眼、张嘴等动作,并在验证时现场劫持摄像头并输入事先录制的相应动作视频完成虚假验证。这些虚假验证降低了身份认证的准确性,同时也会产生一些安全隐患。为此,本说明书提出一种判断图像真实性的方法及系统,用于有效验证视频或图像是否为拍摄设备现场拍摄的视频或图像,即合法的视频或图像,从而提高身份认证的准确性。
如图1所示,本说明书实施例所示的图像真实性判断系统100的应用场景中可以包括第一计算系统140、第二计算系统170和客户端110。
第一计算系统140可以用于判断原始图像的真实性。在一些实施例中,第一计算系统140可以用于判断原始图像是否为拍摄设备现场拍摄的真实图像。例如,自动判断人脸、指纹、掌纹、证件等原始图像是否为拍摄设备现场拍摄的真实图像,避免摄像头被劫持而完成虚假验证,提高身份认证的准确性。
第一计算系统140可以获取提取图像130。提取图像130可以从原始图像120中获取,原始图像120可以通过客户端110获取。在一些实施例中,客户端110可以是拍摄设备,例如相机、录像机、摄像头等。在一些实施例中,客户端110可以是各类具有摄像功能或包括拍摄设备的设备,例如手机110-1、平板电脑110-2、计算机110-3等。
提取图像130可以通过各种常见的方式(例如,网络)进入第一计算系统140。通过第一计算系统140中的模型141,可以输出匹配度150。第一计算系统140进一步基于匹配度150得到原始图像的真实性的判断结果。
模型141的参数可以通过训练得到。第二计算系统170可以获取多组训练样本160,每组训练样本包含样本图像帧及对应的标签。第二计算系统170通过多组训练样本160更新初始模型171的参数,得到训练好的模型。模型141的参数来自于训练好的模型171。其中,参数可以以任何常见的方式传递。
模型(例如,模型141或/和模型171)可以指基于处理设备而进行的若干方法的集合。这些方法可以包括大量的参数。在执行模型时,所使用的参数可以是被预先设置好的,也可以是可以动态调整的。一些参数可以通过训练的方法获得,一些参数可以在执行的过程中获得。关于本说明书中涉及模型的具体说明,可参见本说明书的相关部分(图4、图5以及其相关描述)。
第一计算系统140和第二计算系统170可以相同也可以不同。第一计算系统140和第二计算系统170是指具有计算能力的系统,可以包括各种计算机,比如服务器、个人计算机,也可以是由多台计算机以各种结构连接组成的计算平台。
第一计算系统140和第二计算系统170中可以包括处理设备,处理设备可以执行程序指令。处理设备可以包括各种常见的通用中央处理器(central processing unit,CPU),图形处理器(Graphics Processing Unit,GPU),微处理器,特殊应用集成电路(application-specific integrated circuit,ASIC),或其他类型的集成电路。
第一计算系统140和第二计算系统170中可以包括存储介质,存储介质可以存储指令,也可以存储数据。存储介质可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。
本说明书实施例提供一种图像真实性判断系统,该系统应用于服务器端,所述图像真实性判断系统可以包括第一获取模块、提取模块、确定模块、以及判断模块。
获取模块可以用于从客户端获取原始图像。在一些实施例中,所述第一获取模块进一步用于:生成拍摄参数序列;将所述拍摄参数序列下发至所述客户端;从所述客户端获取所述原始图像,所述原始图像由所述客户端基于所述拍摄参数序列生成。
在一些实施例中,所述第一获取模块进一步用于:确定所述拍摄设备的识别信息;基于所述识别信息,确定所述拍摄设备的拍摄参数集;基于所述拍摄参数集,生成所述拍摄参数序列。
在一些实施例中,所述第一获取模块进一步用于:从所述拍摄参数集中随机选取预设数量的拍摄参数,并基于该拍摄参数生成所述拍摄参数序列。在一些实施例中,所述拍摄参数序列包括色温参数序列。
提取模块可以用于根据预设的提取规则提取所述原始图像中的多个图像或者图像局部作为多个提取图像。
确定模块可以用于基于所述多个提取图像,通过训练好的机器学习模型确定所述多个提取图像与预设序列的匹配度。在一些实施例中,所述机器学习模型至少包括多个卷积神经网络单元和一个序列到序列单元;所述确定模块进一步用于:通过所述多个卷积神经网络单元中的每个分别对所述多个提取图像中的每个进行处理,获得每个提取图像对应的图像表示向量;通过所述序列到序列单元对所述图像表示向量进行处理,获得所述多个提取图像的预测拍摄参数的变化序列;基于所述预测拍摄参数的变化序列和所述预设序列确定所述匹配度。
在一些实施例中,所述机器学习模型可以通过如下方法训练得到:获取多个携带标签的训练样本,所述训练样本包括基于样本拍摄参数获取的多个样本图像帧,所述标签包括所述多个样本图像帧之间样本拍摄参数的变化关系;基于所述多个携带有标签的训练样本训练初始机器学习模型,获得所述机器学习模型。
判断模块可以用于基于所述匹配度,判断所述原始图像的真实性;所述预设序列对应于所述客户端的拍摄设备,判断所述原始图像的真实性具体为:判断所述图像来自所述拍摄设备的真实性。
本说明书实施例提供一种图像真实性判断系统,该系统应用于客户端,所述图像真实性判断系统可以包括第二获取模块、生成模块、发送模块、第三获取模块、以及上传模块。
第二获取模块可以用于获取服务器端生成并下发的拍摄参数序列。
生成模块,用于基于所述拍摄参数序列生成所述原始图像。在一些实施例中,所述拍摄参数序列是所述服务器端随机生成的。在一些实施例中,所述拍摄参数序列是所述服务器端基于所述拍摄设备的拍摄参数随机生成的;所述拍摄参数对应于所述拍摄设备的识别信息。在一些实施例中,所述拍摄参数序列包括色温参数序列。
发送模块可以用于将所述原始图像发送给服务器端。
第三获取模块可以用于获取所述服务器端发送的、包含对所述原始图像的真实性的判断结果的信息。
上传模块可以用于向服务器端上传所述客户端的拍摄设备的识别信息。
应当理解,上述系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于图像真实性判断系统及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。诸如此类的变形,均在本说明书的保护范围之内。
图2是根据本说明书的一些实施例所示的判断图像真实性的方法的示例性流程图,该方法应用于服务器端。在一些实施例中,流程200可以由图1所示的第一计算系统140实现。如图2所示,该流程200可以包括以下步骤:
步骤210,从客户端获取原始图像。在一些实施例中,该步骤210可以由第一获取模块执行。
在一些实施例中,客户端可以是任何包含有拍摄设备的终端。例如手机、平板电脑或笔记本电脑等。在一些实施例中,原始图像可以是待检测对象的图像。例如,应用平台获取的待检测对象的图像。在一些实施例中,待检测对象可以是任何需要判断其是否为拍摄设备现场采集的对象,即判断其是拍摄设备采集的真实对象或拍摄设备采集之前提前伪造的虚假对象。示例地,待检测对象可以是待检测的人脸、掌纹或指纹等,还可以是待检测的证件,例如身份证、驾驶证等等。
在一些实施例中,原始图像可以是拍摄设备录制的待检测对象的视频中包括的图像。其中,拍摄设备录制的待检测对象的视频可以是一段预设时长的视频。例如,3秒或5秒的视频。对应的,原始图像可以为3秒或5秒的视频中包括的图像。
在一些实施例中,原始图像可以是拍摄设备拍摄的待检测对象的一张或多张图像。该多张图像可以是拍摄设备连续拍摄待检测对象生成的多张图像,也可以是拍摄设备按预设时间间隔拍摄待检测对象生成的多张图像。本说明书实施例并不对拍摄设备如何拍摄得到待检测对象的多张图像做具体限制。
在本说明书中,原始图像可以包括静态的一幅或多幅照片,也可以包括视频,或者其混合。
在一些实施例中,第一获取模块可以通过多种方式获取原始图像。在一些实施例中,获取模块可以从存储设备中获取原始图像。其中,原始图像被预先生成并存储在存储设备中。例如,客户端110的拍摄设备采集待检测对象的视频和/或图像后发送到存储设备进行存储,此时获取模块可以直接从存储设备中获得原始图像。在一些实施例中,获取模块可以实时获取客户端110的拍摄设备采集待检测对象的视频和/或图像。
在一些实施例中,原始图像可以是由客户端基于拍摄参数序列生成的。具体的,从客户端获取原始图像可以包括:生成拍摄参数序列,将所述拍摄参数序列下发至客户端;从客户端获取原始图像,原始图像由客户端基于拍摄参数序列生成。
在一些实施例中,拍摄参数序列可以是由多个拍摄参数组成的序列。在一些实施例中,拍摄参数可以是指拍摄设备录制或拍摄时所使用的参数。在一些实施例中,拍摄参数可以包括色温参数、锐化程度参数、颜色饱和度参数、亮度参数、对比度参数、快门参数以及光圈参数等。对应的,当拍摄参数是色温参数时,拍摄参数序列可以是色温参数序列,即多个色温参数组成的序列。在一些实施例中,上述拍摄参数可以混合或组合使用,以生成拍摄参数序列。为简化说明为目的,本说明书实施例以拍摄参数序列为色温参数序列为例进行说明,应当知晓的,拍摄参数序列并不仅限制于该色温参数序列,例如还可以是颜色饱和度参数序列或者光圈参数序列,或者其他参数,或者各种参数的组合。本说明书实施例并不对此进行限制。
在一些实施例中,拍摄参数序列还可以包括时间信息和/或图像张数信息。在一些实施例中,时间信息用于反映拍摄设备采用对应的拍摄参数录制待检测对象的视频的相应时间段的信息。示例地,以上述原始图像为3s的视频中包括的图像,拍摄参数序列为色温参数序列为例,若将3s均分为3个时间段,即0-1s、1-2s以及2-3s;则时间信息可以反映采用对应的色温参数分别录制0-1s、1-2s以及2-3s时间段的视频的信息。在一些实施例中,图像张数信息用于反映拍摄设备采用对应的拍摄参数拍摄待检测对象的相应图像张数的信息。示例地,以原始图像为拍摄设备连续拍摄的15张图像,拍摄参数序列为色温参数序列为例,若将15张图像均分为3个图像段,即第1-5张图像、第5-10张图像以及第10-15张图像;则图像张数信息可以反映采用对应的色温参数分别拍摄第1-5张图像、第5-10张图像以及第10-15张图像的信息。
在一些实施例中,服务器端可以基于客户端包含的拍摄参数集生成拍摄参数序列。具体的,生成拍摄参数序列可以包括:确定所述拍摄设备的识别信息;基于所述识别信息,确定所述拍摄设备的拍摄参数集;基于所述拍摄参数集,生成所述拍摄参数序列。
在一些实施例中,识别信息可以包括拍摄设备的型号或性能参数。在一些实施例中,第一获取模块可以基于客户端包含的操作系统确定拍摄设备的识别信息。例如客户端为手机,则可以基于手机包括的IOS或Android操作系统确定其拍摄设备对应的型号或性能参数。
在一些实施例中,拍摄参数集可以是拍摄设备包含的所有或部分可设置的拍摄参数。在一些实施例中,不同型号的拍摄设备可以具备不同的拍摄参数集。仍以上述示例为例,则IOS手机与Android手机具备不同的拍摄参数集。
在一些实施例中,第一计算系统140(即服务器端)可以从拍摄参数集中随机选取预设数量的拍摄参数,并基于该拍摄参数生成拍摄参数序列。示例地,仍以色温参数序列为例,若拍摄设备的可选色温参数范围包括400-420nm、460-470nm、568-572nm、6000-6500k、10000-12000k以及601-606nm,则第一计算系统140可以从上述6个色温参数点中选取5个色温参数点,如460-470nm(以下简称色温参数1)、568-572nm(以下简称色温参数2)、6000-6500k(以下简称色温参数3)、10000-12000k(以下简称色温参数4)以及601-606nm(以下简称色温参数5),以生成色温参数序列,例如色温参数序列可以是:色温参数3-色温参数1-色温参数5。
如前所述,拍摄参数序列可以包括时间信息和/或图像张数信息,因此,色温参数序列可以包括时间信息和/或图像张数信息。示例地,仍以上述原始图像为3s的视频中包括的图像,色温参数序列包括时间信息为例,则色温参数序列可以为s={1,2,3},其可以反映3s视频中的0-1s采用色温参数1进行录制,1-2s采用色温参数2进行录制,2-3s采用色温参数3进行录制。
在一些实施例中,第一计算系统140(即服务器)可以通过网络将拍摄参数序列下发至客户端。
如前所述,原始图像可以由客户端基于拍摄参数序列生成。在一些实施例中,原始图像可以由客户端的拍摄设备基于拍摄参数序列,拍摄或录制相应的图像或视频生成。仍以上述示例为例,则客户端可以基于色温参数序列s={1,2,3},采用色温参数1录制视频的0-1s,采用色温参数2录制视频的1-2s,采用色温参数3录制视频的2-3s,录制完整的3s视频,进而将该3s视频包括的图像作为原始图像。
步骤220,根据预设提取规则提取所述原始图像中的多个图像或者图像局部作为多个提取图像。在一些实施例中,该步骤220可以由提取模块执行。
在一些实施例中,多个提取图像可以是原始图像中的多个图像或者图像局部。在一些实施例中,多个提取图像可以是拍摄设备录制的待检测对象的视频或拍摄的待检测对象的多张图像中包括的多个图像。在一些实施例中,多个提取图像可以是多个图像中每个的图像局部。例如从每个图像中提取某个区域的图像作为图像局部。
在一些实施例中,预设提取规则可以根据实际需求进行具体设置。在一些实施例中,预设提取规则可以与原始图像的获取方式匹配。在一些实施例中,预设提取规则可以与拍摄参数序列匹配。在一些实施例中,预设提取规则可以与拍摄参数序列反映的时间信息和/或图像张数信息匹配。
仍以上述示例为例,原始图像为采用色温参数点1录制视频的0-1s、采用色温参数点2录制视频的1-2s以及采用色温参数点3录制视频的2-3s的3s视频,则预设提取规则可以是从0-1s、1-2s以及2-3s的视频段中分别提取任意一张图像,生成多个提取图像。参考图3,图3是根据该示例示意的提取多个提取图像的示例性示意图。如图3所示,原始图像310为时长为3s的视频,则可以从0-1s、1-2s以及2-3s的视频段中分别提取最后一帧图像(灰色部分所示),作为多个提取图像320。
又例如,可以根据预设规则,提取一个图像的不同区域,每个区域作为一个提取图像,或者从多个图像的每个中提取多个区域作为多个提取图像。
步骤230,基于所述多个提取图像,通过训练好的机器学习模型确定所述多个提取图像与预设序列的匹配度。在一些实施例中,该步骤230可以由确定模块执行。
在一些实施例中,机器学习模型可以是预先训练好的模型。关于机器学习模型的训练过程可以参见图5及其相关描述,在此不再赘述。训练好的机器学习模型可以确定多个提取图像与预设序列的匹配度。
在一些实施例中,可以使用卷积神经网络模型确定每个提取图像的特征,将所输出的特征与预设序列进行比较。所使用的卷积神经网络模型可以经训练获得,训练时可以使用预设序列对应的拍摄参数获取图像,进一步提取后作为训练数据,以对应预设序列为标签,通过最优化损失函数的迭代方法进行训练。
在一些实施例中,可以使用卷积神经网络单元与序列到序列(Seq2Seq)单元结合的方式作为机器学习模型,具体细节可以参见图4及其相关描述,在此不再赘述。
预设序列是用于对图像进行特征识别的条件值,它可以是多个值、多个向量或其他数据组成的序列,也可以将一个值或其他表示形式用序列统一代称。
在一些实施例中,预设序列对应于客户端的拍摄设备。在一些实施例中,预设序列可以是对应于拍摄参数序列中参数的变化的序列。示例地,仍以上述示例为例,若拍摄参数序列为色温参数序列s={1,2,3},则预设序列可以是由色温参数1至2的变化、以及色温参数2至3的变化构成的变化序列。
在一些实施例中,预设序列中参数的变化的值可以由预先设置的编码信息确定。例如,预先设置的编码信息包括色温参数1变化至2由编码字符a表示,色温参数2变化至3由编码字符b表示。则预设序列可以为s′={a,b}。
又例如,预设序列可能是一个代码值,用于区分拍摄设备。预设序列可以有多种表示形式,其作用没有本质区别,本说明书对此不作限制。
在一些实施例中,匹配度可以反映多个提取图像与预设序列之间的相似度。在一些实施例中,匹配度可以反映多个提取图像的预测拍摄参数的变化序列与预设序列之间的相似度,即多个提取图像的预测拍摄参数的变化序列与拍摄参数序列中参数的变化序列之间的相似度。可以理解的,匹配度的值越大,则两者的相似度越大,原始图像真实的可能性越大。
对于匹配度的获取,可以通过多种变换的方式,例如将预设序列同时输入机器学习模型以直接输出匹配度等,这些方法没有本质的区别,本说明书对此不作限制。
根据以上描述可知,在一些实施例中,通过验证图像与拍摄设备的关联关系,可以有效地防止攻击者绕过拍摄设备直接上传预制的图像。特别是通过对于图像抽取不同部分基于机器学习模型进行分析,而非简单地基于图像附带的参数进行验证,因此即使攻击者劫持了拍摄设备并获取验证参数,也无法简单地生成可供验证的数据,大大提高了防御强度。
进一步地,在一些实施列中,通过生成和下发拍摄参数序列至客户端,进而客户端的拍摄设备生成相应的原始图像,因此,由拍摄设备真实拍摄的原始图像的拍摄参数必然与拍摄参数序列中的拍摄参数一致。由于预先准备的虚假图像不可能包含完全一致的拍摄参数,进而防止攻击者劫持拍摄设备,通过虚假图像完成身份认证。由于本说明书一些实施例的拍摄参数序列为随机下发,且即发即用,攻击者也无法提前通过该拍摄设备制作虚假图像,极大提高了现场验证的可靠性。
另一方面,本说明书实施例采用预测拍摄参数的变化序列与拍摄参数序列中参数的变化序列进行比对确定匹配度,即采用参数的变化进行比对确定匹配度,可以消除环境对具体参数值的确定影响,例如,以色温参数为例,环境(例如光线)会影响色温参数的确定,提高了后续通过匹配度确定真实性的准确度,进而提高身份认证的准确性。
步骤240,基于所述匹配度,判断所述原始图像的真实性。该步骤240可以由判断模块执行。
在一些实施例中,判断原始图像的真实性具体为:判断图像来自拍摄设备的真实性。根据上述步骤210的描述可知,原始图像来自拍摄设备即为真实图像,相反,则为虚假图像。
在一些实施例中,判断模块可以基于匹配度,判断原始图像的真实性。例如,当匹配度大于预设阈值时,原始图像为真实图像。
在一些实施例中,当判断模块判断原始图像为虚假图像时,第一计算系统140可以发送相关指令到客户端110,以终止客户端110的进一步操作(例如注册应用平台)。
本步骤可以由其他执行主体执行,或者以其他变换的方式进行,对本说明书的技术方案没有实质影响。
图4是根据本说明书的一些实施例所示的机器学习模型的示例性结构示意图。
如图4所示,机器学习模型400可以至少包括多个卷积神经网络单元410和序列到序列单元420。所述多个卷积神经网络单元410中的每个可以用于对多个提取图像中的每个进行处理,获得每个提取图像对应的图像表示向量。以图4进行说明,多个卷积神经网络单元410中的每个可以对上述步骤240中提取的多个提取图像(例如提取图像1至提取图像n)中的每个进行处理,得到该提取图像的图像表示向量。在一些实施例中,卷积神经网络单元410可以采用包括基础卷积层4101和全连接层4102的常规卷积神经网络,例如,LeNet,AlexNet,GoogLeNet等等。
序列到序列单元420可以对所述图像表示向量进行处理,获得多个提取图像的预测拍摄参数的变化序列。具体地,序列到序列单元420可以对多个卷积神经网络单元410中的每个全连接层4102输出的图像表示向量进行处理,得到多个提取图像的预测拍摄参数的变化序列。
在一些实施例中,多个提取图像的预测拍摄参数的变化序列可以是指多个提取图像中每个提取图像之间的预测拍摄参数的变化构成的序列。在一些实施例中,预测拍摄参数与拍摄参数序列中包括的拍摄参数匹配。例如,拍摄参数序列为色温参数序列,则预测拍摄参数为色温参数。
示例地,仍以上述多个提取图像为从0-1s、1-2s以及2-3s的视频段中分别提取的最后一帧图像为例,若该最后一帧图像分别为提取图像1、提取图像2以及提取图像3,拍摄参数序列为色温参数序列,则预测拍摄参数的变化序列可以是提取图像1与提取图像2之间预测色温参数的变化、和提取图像2与提取图像3之间预测色温参数的变化构成的序列。例如,序列到序列单元420输出的预测拍摄参数的变化序列可以为H={a,b},由上述示例可知,a表示预测的色温参数1变化至2,b表示预测的色温参数2变化至3。
由于卷积神经网络单元410输入的提取图像可以是从拍摄设备采集的原始图像中提取的,拍摄设备采集时所处位置的环境因素(例如光线明暗)可能会影响原始图像的颜色分布,由于一些拍摄参数(例如色温参数)反映图像的颜色分布,因此可能降低机器学习模型的预测准确性。
在一些实施例中,为了解决上述问题,可以利用对比图像帧调节机器学习模型的参数,使得机器学习模型能准确得到多个提取图像的预测拍摄参数的变化序列,进而降低环境因素对机器学习模型400的影响。具体的,该对比图像帧可以是指定拍摄参数下拍摄的一帧图像,通过将该帧图像输入至卷积神经网络单元410得到其图像表示向量,进而基于图像表示向量与指定拍摄参数的向量之间的差异调整卷积神经网络单元410的参数,直至获得的图像表示向量与指定拍摄参数值相同。
图5是根据本说明书的一些实施例所示的训练机器学习模型的示例性流程图。如前所述,机器学习模型400可以是由基础卷积层4101、全连接层4102以及序列到序列单元420构建的模型。在一些实施例中,该流程500可以包括以下步骤:
步骤510,获取多个携带标签的训练样本,所述训练样本包括基于样本拍摄参数获取的多个样本图像帧,所述标签包括所述多个样本图像帧之间样本拍摄参数的变化关系。
在一些实施例中,训练样本可以是输入至初始机器学习模型中用于训练机器学习模型的数据。在一些实施例中,训练样本可以包括基于样本拍摄参数获取的多个样本图像帧。示例地,仍以样本拍摄参数为色温参数,色温参数包括色温参数1至6为例,则其中一个训练样本可以是基于色温参数1获取的样本图像帧1、基于色温参数2获取的样本图像帧2、以及基于色温参数5获取的样本图像帧3。
在一些实施例中,标签可以包括多个样本图像帧之间样本拍摄参数的变化关系。在一些实施例中,标签可以是多个样本图像帧之间样本拍摄参数的变化序列。仍以上述示例为例,则标签可以为c={c,d},其中c为表征样本图像帧1和样本图像帧2之间由色温参数1至2的变化,d表示样本图像帧2和样本图像帧3之间由色温参数2至5的变化。
步骤520,基于所述多个携带有标签的训练样本训练初始机器学习模型,获得所述机器学习模型。
根据图4的相关描述可知,一些拍摄参数(例如色温参数)反映图像的颜色分布。其对图像的影响是全局性的,例如同一张提取图像在不同感受野下的颜色分布应该近似或相同。而图4所示的机器学习模型400中的卷积神经网络单元410会偏重于图像中的轮廓信息,因此,在一些实施例中,可以对上述图4示意的机器学习模型400进行改进,使得其对全局特征进行识别。
如图6所示,在图4示意的机器学习模型400的基础上,构建的机器学习模型600还可以包括第一采样卷积层4103和第二采样卷积层4104。在一些实施例中,可以在训练时在机器学习模型400中增加第一采样卷积层4103和第二采样卷积层4104。具体的,卷积神经网络单元410的基础卷积层4101分别连接第一采样卷积层4103和第二采样卷积层4104。
通过该第一采样卷积层4103和第二采样卷积层4104可以在机器学习模型600的训练过程中调节机器学习模型600的参数,进而确保卷积神经网络单元410对于同一张提取图像在不同感受野下的颜色分布近似或相同。避免卷积神经网络单元410偏重于提取图像中的轮廓信息(例如偏重于提取图像中的物体轮廓),强化卷积神经网络单元410对全局特征的识别能力,进而提高卷积神经网络单元410对提取图像的识别能力。
在一些实施例中,第一采样卷积层4103和第二采样卷积层4104可以为空洞卷积层。在一些实施例中,第一采样卷积层4103和第二采样卷积层4104的卷积核大小相同。例如,第一采样卷积层4103和第二采样卷积层4104的卷积核大小均为3*3。在一些实施例中,第一采样卷积层4103和第二采样卷积层4104的卷积核的卷积采样点的间距不同。例如第一采样卷积层4103的采样间距为0,第二采样卷积层4104的采样间距为2。又例如第一采样卷积层4103的采样间距为2,第二采样卷积层4104的采样间距为0。
当第一采样卷积层4103和第二采样卷积层4104的采样间距不相同时,对应的,第一采样卷积层4103和第二采样卷积层4104对相同提取图像的感受野不相同。示例地,仍以上述第一采样卷积层4103的采样间距为0,第二采样卷积层4104的采样间距为2为例,由于第二采样卷积层4104的采样间距更大,因此第二采样卷积层4103的感受野大于第二采样卷积层4104的感受野,通过第二采样卷积层4104获取更广的感受野,更好的利用了图像的全局特征。
在一些实施例中,可以基于多个携带有标签的训练样本对初始机器学习模型进行端到端的训练,获得训练好的机器学习模型(如机器学习模型400和600)。具体的,可以不断地调整初始机器学习模型的参数,以减小各个训练样本对应的损失函数值,使得损失函数值满足预设条件。例如,损失函数值收敛,或损失函数值小于预设值。当损失函数满足预设条件时,模型训练完成,得到训练好的机器学习模型。
在一些实施例中,各个训练样本对应的损失函数值可以通过以下过程确定:通过初始机器学习模型处理多个样本图像帧,获得多个样本图像帧之间预测样本拍摄参数的变化关系,基于预测样本拍摄参数的变化关系和标签中的样本拍摄参数的变化关系的差异,确定该训练样本对应的损失函数值。
如前所述,机器学习模型600可以是由基础卷积层4101、全连接层4102、第一采样卷积层4103、第二采样卷积层4104以及序列到序列单元420构建的模型。该模型600除了通过上述方式确定训练样本对应的损失函数值以外,还可以基于第一采样卷积层4103和第二采样卷积层4104确定每个提取图像在不同感受野下的颜色分布差异,基于该差异确定训练样本对应的损失函数。
在一些实施例中,可以基于第一采样卷积层4103和第二采样卷积层4104输出的特征向量计算两者的KL散度,确定每个提取图像在不同感受野下的颜色分布差异,将其作为卷积神经网络单元410的约束参数,进而通过调节该约束参数确保卷积神经网络单元410对于同一张提取图像在不同感受野下的颜色分布近似。例如,调节约束参数为最小数值0。
具体的,可以通过以下公式(1)确定卷积神经网络单元410的约束参数DKL:
DKL=argminKL(Pconv1(x||Pconv2(x)) (1)
其中,KL(Pconv1(x)||Pconv2(x))表示对Pconv1(x)和Pconv2(x)做KL散度计算,Pconv1(x)表示第一采样卷积层输出的特征向量,Pconv2(x)表示第二采样卷积层输出的特征向量,argmin表示对KL散度计算值取最小。最优地,约束参数为0,此时第一采样卷积层4103和第二采样卷积层4104输出的特征向量之间的差异最小,特征分布最相似,因此同一张提取图像在不同感受野下的颜色分布相同。
可以理解的,当上述基于标签构造的损失函数满足预设条件时,模型训练完成,可以得到训练好的机器学习模型400,或者基于标签和约束参数构造的损失函数均满足预设条件时,模型训练完成,得到训练好的机器学习模型600。
在一些实施例中,卷积神经网络单元410和机器学习模型600可以进行联合训练,优化基础卷积层4101的参数,使基础卷积层4101所生成的特征向量更好地反映图像中与拍摄参数相关的整体特征,从而提高机器学习模型600的识别效果。
图7是根据本说明书的一些实施例所示的判断图像真实性的方法的另一示例性流程图,该方法应用于客户端。在一些实施例中,流程700可以由图1所示的客户端110实现。如图7所示,该流程700可以包括以下步骤:
步骤710,获取服务器端生成并下发的拍摄参数序列。
在一些实施例中,该步骤710可以由第二获取模块执行。
在一些实施例中,拍摄参数序列可以是服务器端随机生成的。在一些实施例中,拍摄参数序列可以是服务器端基于拍摄设备的拍摄参数集随机生成的;所述拍摄参数集对应于拍摄设备的识别信息。在一些实施例中,拍摄参数序列可以包括色温参数序列。关于步骤710的具体细节可以参见上述步骤210及其相关描述。
步骤720,基于所述拍摄参数序列生成所述原始图像。
在一些实施例中,该步骤720可以由生成模块执行。
关于步骤720的具体细节可以参见上述步骤210及其相关描述。
步骤730,将所述原始图像发送给服务器端。
在一些实施例中,该步骤730可以由发送模块执行。
在一些实施例中,客户端110可以通过网络将原始图像发送给服务器端(如第一计算系统140)。关于原始图像的具体细节可以参见上述步骤210,在此不再赘述。
步骤740,获取所述服务器端发送的、包含对所述原始图像的真实性的判断结果的信息。
在一些实施例中,客户端110可以通过网络获取所述服务器端(如第一计算系统140)发送的、包含对所述原始图像的真实性的判断结果的信息。在一些实施例中,原始图像的真实性的判断结果的信息可以包括原始图像是否真实的判断结果。
在一些实施例中,客户端还可以获取基于判断结果发送的原始图像的验证信息。例如人脸或证件是否符合要求。在一些实施例中,客户端还可以获取服务器基于判断结果发送的相关指令。例如,当判断结果为原始图像是虚假图像时,服务器可以发送终止指令,终止客户端的进一步操作(例如注册应用平台)。
以上,本说明书实施例从服务器端和客户端各自的角度对判断图像真实性的方法进行说明。以下,本说明书实施例从服务器端和客户端的整体角度对判断图像真实性的方法进行说明。
图8是根据本说明书的一些实施例所示的服务器端和客户端的交互示意图。
如图8所示,该交互示意图800中服务器端和客户端的交互包括并不限于:服务器端从客户端获取设备型号,进而服务器端可以基于客户端的设备型号确定其拍摄设备包含的拍摄参数集,基于该拍摄参数集生成拍摄参数序列。服务器端将拍摄参数序列下发至客户端,客户端的拍摄设备基于该拍摄参数序列生成原始图像。服务器端从客户端获取原始图像,通过上述步骤220至240的方法判断原始图像的真实性,并发送包含有判断结果的信息至客户端。
本说明书实施例还提供一种判断图像真实性的装置,所述装置包括处理器以及存储器;所述存储器用于存储指令,所述处理器用于执行所述指令,以实现如前任一项所述判断图像真实性的方法对应的操作。
本说明书实施例还提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如前任一项所述判断图像真实性的方法对应的操作。
本说明书实施例可能带来的有益效果包括但不限于:(1)通过生成和下发拍摄参数序列至客户端,进而客户端的拍摄设备生成相应的原始图像,因此,由拍摄设备真实拍摄的原始图像的拍摄参数必然与拍摄参数序列中的拍摄参数一致。由于预先准备的虚假图像不可能包含完全一致的拍摄参数,进而防止攻击者劫持拍摄设备,通过虚假图像完成身份认证;(2)拍摄参数序列为随机下发,且即发即用,攻击者也无法提前通过该拍摄设备制作虚假图像,极大提高了现场验证的可靠性;(3)强化了卷积神经网络单元对图像的全局特征的识别能力,提高卷积神经网络单元对提取图像的识别能力,进而提高机器学习模型的预测准确性。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的处理设备或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (26)
1.一种判断图像真实性的方法,其特征在于,应用于服务器端,所述方法包括:
从客户端获取原始图像;
根据预设的提取规则提取所述原始图像中的多个图像或者图像局部作为多个提取图像;
基于所述多个提取图像,通过训练好的机器学习模型确定所述多个提取图像与预设序列的匹配度;
基于所述匹配度,判断所述原始图像的真实性;所述预设序列对应于所述客户端的拍摄设备,判断所述原始图像的真实性具体为:判断所述图像来自所述拍摄设备的真实性。
2.如权利要求1所述的方法,其特征在于,所述从客户端获取原始图像,包括:
生成拍摄参数序列;
将所述拍摄参数序列下发至所述客户端;
从所述客户端获取所述原始图像,所述原始图像由所述客户端基于所述拍摄参数序列生成。
3.如权利要求2所述的方法,其特征在于,所述生成拍摄参数序列,包括:
确定所述拍摄设备的识别信息;
基于所述识别信息,确定所述拍摄设备的拍摄参数集;
基于所述拍摄参数集,生成所述拍摄参数序列。
4.如权利要求3所述的方法,其特征在于,所述基于所述拍摄参数集,生成所述拍摄参数序列,包括:
从所述拍摄参数集中随机选取预设数量的拍摄参数,并基于该拍摄参数生成所述拍摄参数序列。
5.如权利要求4所述的方法,其特征在于,所述拍摄参数序列包括色温参数序列。
6.如权利要求1所述的方法,其特征在于,所述机器学习模型至少包括多个卷积神经网络单元和一个序列到序列单元;
所述基于所述多个提取图像,通过训练好的机器学习模型确定所述多个提取图像与预设序列的匹配度,包括:
通过所述多个卷积神经网络单元中的每个分别对所述多个提取图像中的每个进行处理,获得每个提取图像对应的图像表示向量;
通过所述序列到序列单元对所述图像表示向量进行处理,获得所述多个提取图像的预测拍摄参数的变化序列;
基于所述预测拍摄参数的变化序列和所述预设序列确定所述匹配度。
7.如权利要求1所述的方法,其特征在于,所述机器学习模型通过如下方法训练得到:
获取多个携带标签的训练样本,所述训练样本包括基于样本拍摄参数获取的多个样本图像帧,所述标签包括所述多个样本图像帧之间样本拍摄参数的变化关系;
基于所述多个携带有标签的训练样本训练初始机器学习模型,获得所述机器学习模型。
8.一种判断图像真实性的系统,其特征在于,应用于服务器端,所述系统包括:
第一获取模块,用于从客户端获取原始图像;
提取模块,用于根据预设的提取规则提取所述原始图像中的多个图像或者图像局部作为多个提取图像;
确定模块,用于基于所述多个提取图像,通过训练好的机器学习模型确定所述多个提取图像与预设序列的匹配度;
判断模块,用于基于所述匹配度,判断所述原始图像的真实性;所述预设序列对应于所述客户端的拍摄设备,判断所述原始图像的真实性具体为:判断所述图像来自所述拍摄设备的真实性。
9.如权利要求8所述的系统,其特征在于,所述第一获取模块进一步用于:
生成拍摄参数序列;
将所述拍摄参数序列下发至所述客户端;
从所述客户端获取所述原始图像,所述原始图像由所述客户端基于所述拍摄参数序列生成。
10.如权利要求8所述的系统,其特征在于,所述第一获取模块进一步用于:
确定所述拍摄设备的识别信息;
基于所述识别信息,确定所述拍摄设备的拍摄参数集;
基于所述拍摄参数集,生成所述拍摄参数序列。
11.如权利要求8所述的系统,其特征在于,所述第一获取模块进一步用于:
从所述拍摄参数集中随机选取预设数量的拍摄参数,并基于该拍摄参数生成所述拍摄参数序列。
12.如权利要求11所述的系统,其特征在于,所述拍摄参数序列包括色温参数序列。
13.如权利要求8所述的系统,其特征在于,所述机器学习模型至少包括多个卷积神经网络单元和一个序列到序列单元;所述确定模块进一步用于:
通过所述多个卷积神经网络单元中的每个分别对所述多个提取图像中的每个进行处理,获得每个提取图像对应的图像表示向量;
通过所述序列到序列单元对所述图像表示向量进行处理,获得所述多个提取图像的预测拍摄参数的变化序列;
基于所述预测拍摄参数的变化序列和所述预设序列确定所述匹配度。
14.如权利要求8所述的系统,其特征在于,所述机器学习模型通过如下方法训练得到:
获取多个携带标签的训练样本,所述训练样本包括基于样本拍摄参数获取的多个样本图像帧,所述标签包括所述多个样本图像帧之间样本拍摄参数的变化关系;
基于所述多个携带有标签的训练样本训练初始机器学习模型,获得所述机器学习模型。
15.一种判断图像真实性的方法,其特征在于,应用于客户端,所述方法包括:
获取服务器端生成并下发的拍摄参数序列;
基于所述拍摄参数序列生成所述原始图像;
将所述原始图像发送给服务器端;
获取所述服务器端发送的、包含对所述原始图像的真实性的判断结果的信息。
16.如权利要求15所述的方法,其特征在于,在所述获取服务器端生成并下发的拍摄参数序列之前,所述方法还包括:
向服务器端上传所述客户端的拍摄设备的识别信息。
17.如权利要求15所述的方法,其特征在于,所述拍摄参数序列是所述服务器端随机生成的。
18.如权利要求17所述的方法,其特征在于,所述拍摄参数序列是所述服务器端基于所述拍摄设备的拍摄参数集随机生成的;所述拍摄参数集对应于所述拍摄设备的识别信息。
19.如权利要求18所述的方法,其特征在于,所述拍摄参数序列包括色温参数序列。
20.一种判断图像真实性的系统,其特征在于,应用于客户端,所述系统包括:
第二获取模块,用于获取服务器端生成并下发的拍摄参数序列;
生成模块,用于基于所述拍摄参数序列生成所述原始图像;
发送模块,用于将所述原始图像发送给服务器端;
第三获取模块,用于获取所述服务器端发送的、包含对所述原始图像的真实性的判断结果的信息。
21.如权利要求20所述的系统,其特征在于,所述系统还包括上传模块,所述上传模块用于向服务器端上传所述客户端的拍摄设备的识别信息。
22.如权利要求20所述的系统,其特征在于,所述拍摄参数序列是所述服务器端随机生成的。
23.如权利要求22所述的系统,其特征在于,所述拍摄参数序列是所述服务器端基于所述拍摄设备的拍摄参数集随机生成的;所述拍摄参数集对应于所述拍摄设备的识别信息。
24.如权利要求23所述的系统,其特征在于,所述拍摄参数序列包括色温参数序列。
25.一种判断图像真实性的装置,所述装置包括处理器以及存储器;所述存储器用于存储指令,其特征在于,所述处理器用于执行所述指令,以实现如权利要求1至7或者权利要求15至19中任一项所述判断图像真实性的方法对应的操作。
26.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1至7或者权利要求15至19中任一项所述判断图像真实性的方法对应的操作。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750632.5A CN111881844B (zh) | 2020-07-30 | 2020-07-30 | 一种判断图像真实性的方法及系统 |
PCT/CN2021/108607 WO2022022493A1 (zh) | 2020-07-30 | 2021-07-27 | 一种判断图像真实性的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750632.5A CN111881844B (zh) | 2020-07-30 | 2020-07-30 | 一种判断图像真实性的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881844A true CN111881844A (zh) | 2020-11-03 |
CN111881844B CN111881844B (zh) | 2021-05-07 |
Family
ID=73205684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010750632.5A Active CN111881844B (zh) | 2020-07-30 | 2020-07-30 | 一种判断图像真实性的方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111881844B (zh) |
WO (1) | WO2022022493A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111811A (zh) * | 2021-04-20 | 2021-07-13 | 北京嘀嘀无限科技发展有限公司 | 一种目标判别方法和系统 |
CN113111807A (zh) * | 2021-04-20 | 2021-07-13 | 北京嘀嘀无限科技发展有限公司 | 一种目标识别的方法和系统 |
CN113111806A (zh) * | 2021-04-20 | 2021-07-13 | 北京嘀嘀无限科技发展有限公司 | 用于目标识别的方法和系统 |
CN113158893A (zh) * | 2021-04-20 | 2021-07-23 | 北京嘀嘀无限科技发展有限公司 | 一种目标识别的方法和系统 |
CN113364911A (zh) * | 2021-06-11 | 2021-09-07 | 上海兴容信息技术有限公司 | 一种预设终端的检测方法和系统 |
CN113807160A (zh) * | 2021-04-06 | 2021-12-17 | 京东科技控股股份有限公司 | 图像采集设备劫持的检测方法、装置及计算机设备 |
CN113971840A (zh) * | 2021-10-22 | 2022-01-25 | 支付宝(杭州)信息技术有限公司 | 一种防止图像注入攻击的方法及装置 |
WO2022022493A1 (zh) * | 2020-07-30 | 2022-02-03 | 北京嘀嘀无限科技发展有限公司 | 一种判断图像真实性的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751714A (zh) * | 2008-12-05 | 2010-06-23 | 深圳富泰宏精密工业有限公司 | 多功能便携式电子装置 |
CN103294989A (zh) * | 2011-10-20 | 2013-09-11 | 比奥Id股份公司 | 生物数据采集过程中区别真实脸部和二维脸部图像的方法 |
CN103646375A (zh) * | 2013-11-26 | 2014-03-19 | 上海交通大学 | 智能移动终端拍照的照片原始性可认证方法 |
WO2017189775A1 (en) * | 2016-04-28 | 2017-11-02 | Hogan Joshua Noel | Optical coherence tomography for identity verification |
US20180349721A1 (en) * | 2017-06-06 | 2018-12-06 | Microsoft Technology Licensing, Llc | Biometric object spoof detection based on image intensity variations |
CN110677591A (zh) * | 2019-10-28 | 2020-01-10 | Oppo广东移动通信有限公司 | 样本集构建方法、图像成像方法、装置、介质及电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590043B (zh) * | 2014-10-22 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 身份验证方法、装置及系统 |
CN108965824B (zh) * | 2018-08-13 | 2020-06-19 | 晋商博创(北京)科技有限公司 | 基于cpk的视频监控方法、系统、摄像头、服务器及客户端 |
CN110598754A (zh) * | 2019-08-16 | 2019-12-20 | 泰致德科技发展(深圳)有限公司 | 基于图像检测的在线监督方法、装置、设备及存储介质 |
CN111027573B (zh) * | 2019-12-09 | 2023-05-12 | 广西荔玉高速公路有限公司 | 基于盲取证技术的图像真伪鉴别方法 |
CN111161259B (zh) * | 2019-12-31 | 2021-06-22 | 支付宝(杭州)信息技术有限公司 | 检测图像是否被篡改的方法及装置和电子设备 |
CN111881844B (zh) * | 2020-07-30 | 2021-05-07 | 北京嘀嘀无限科技发展有限公司 | 一种判断图像真实性的方法及系统 |
-
2020
- 2020-07-30 CN CN202010750632.5A patent/CN111881844B/zh active Active
-
2021
- 2021-07-27 WO PCT/CN2021/108607 patent/WO2022022493A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751714A (zh) * | 2008-12-05 | 2010-06-23 | 深圳富泰宏精密工业有限公司 | 多功能便携式电子装置 |
CN103294989A (zh) * | 2011-10-20 | 2013-09-11 | 比奥Id股份公司 | 生物数据采集过程中区别真实脸部和二维脸部图像的方法 |
CN103646375A (zh) * | 2013-11-26 | 2014-03-19 | 上海交通大学 | 智能移动终端拍照的照片原始性可认证方法 |
WO2017189775A1 (en) * | 2016-04-28 | 2017-11-02 | Hogan Joshua Noel | Optical coherence tomography for identity verification |
US20180349721A1 (en) * | 2017-06-06 | 2018-12-06 | Microsoft Technology Licensing, Llc | Biometric object spoof detection based on image intensity variations |
CN110677591A (zh) * | 2019-10-28 | 2020-01-10 | Oppo广东移动通信有限公司 | 样本集构建方法、图像成像方法、装置、介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
HITESH C PATEL ETAL.: "An Improvement of Forgery Video Detection Technique using Error Level Analysis", 《INTERNATIONAL JOURNAL OF COMPUTER APPLICATIONS》 * |
尹晓叶: "基于FAST算子与多特征匹配的图像伪造检测算法", 《西南师范大学学报(自然科学版)》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022022493A1 (zh) * | 2020-07-30 | 2022-02-03 | 北京嘀嘀无限科技发展有限公司 | 一种判断图像真实性的方法及系统 |
CN113807160A (zh) * | 2021-04-06 | 2021-12-17 | 京东科技控股股份有限公司 | 图像采集设备劫持的检测方法、装置及计算机设备 |
CN113807160B (zh) * | 2021-04-06 | 2024-02-06 | 京东科技控股股份有限公司 | 图像采集设备劫持的检测方法、装置及计算机设备 |
WO2022222957A1 (zh) * | 2021-04-20 | 2022-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种目标识别的方法和系统 |
CN113158893A (zh) * | 2021-04-20 | 2021-07-23 | 北京嘀嘀无限科技发展有限公司 | 一种目标识别的方法和系统 |
CN113111806A (zh) * | 2021-04-20 | 2021-07-13 | 北京嘀嘀无限科技发展有限公司 | 用于目标识别的方法和系统 |
WO2022222569A1 (zh) * | 2021-04-20 | 2022-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种目标判别方法和系统 |
CN113111811A (zh) * | 2021-04-20 | 2021-07-13 | 北京嘀嘀无限科技发展有限公司 | 一种目标判别方法和系统 |
WO2022222575A1 (zh) * | 2021-04-20 | 2022-10-27 | 北京嘀嘀无限科技发展有限公司 | 用于目标识别的方法和系统 |
CN113111807A (zh) * | 2021-04-20 | 2021-07-13 | 北京嘀嘀无限科技发展有限公司 | 一种目标识别的方法和系统 |
CN113111807B (zh) * | 2021-04-20 | 2024-06-07 | 北京嘀嘀无限科技发展有限公司 | 一种目标识别的方法和系统 |
CN113364911A (zh) * | 2021-06-11 | 2021-09-07 | 上海兴容信息技术有限公司 | 一种预设终端的检测方法和系统 |
CN113364911B (zh) * | 2021-06-11 | 2023-03-07 | 上海兴容信息技术有限公司 | 一种预设终端的检测方法和系统 |
CN113971840A (zh) * | 2021-10-22 | 2022-01-25 | 支付宝(杭州)信息技术有限公司 | 一种防止图像注入攻击的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111881844B (zh) | 2021-05-07 |
WO2022022493A1 (zh) | 2022-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881844B (zh) | 一种判断图像真实性的方法及系统 | |
Sawhney et al. | Real-time smart attendance system using face recognition techniques | |
Ferrara et al. | Face demorphing | |
US9569778B2 (en) | Efficient prevention of fraud | |
US11539525B2 (en) | Systems and methods for secure tokenized credentials | |
CN106599772B (zh) | 活体验证方法和装置及身份认证方法和装置 | |
US10839238B2 (en) | Remote user identity validation with threshold-based matching | |
US20140270404A1 (en) | Efficient prevention of fraud | |
CN108429619A (zh) | 身份认证方法和系统 | |
US10403076B2 (en) | Method for securing and verifying a document | |
US20140270409A1 (en) | Efficient prevention of fraud | |
US11074330B2 (en) | Biometric recognition method | |
US20190034610A1 (en) | Mobile application for automatic information synthesis | |
WO2021040938A1 (en) | Identity authentication and processing | |
CN110688878B (zh) | 活体识别检测方法、装置、介质及电子设备 | |
CN108734099A (zh) | 身份验证方法和装置、电子设备、计算机程序和存储介质 | |
WO2022222957A1 (zh) | 一种目标识别的方法和系统 | |
WO2022104340A1 (en) | Artificial intelligence for passive liveness detection | |
CN114386805A (zh) | 一种实验室信息管理系统 | |
CN113378982A (zh) | 一种图像处理模型的训练方法和系统 | |
CN111027371A (zh) | 一种智能验车的方法及系统、计算机设备与存储介质 | |
Irwansyah et al. | Attendance System Using Two Factor Authentication Based on Secure App with Flutter | |
JP7335651B1 (ja) | 顔認証決済システムおよび顔認証決済方法 | |
Singh et al. | Smart attendance system | |
Marutotamtama et al. | Face Recognition and Face Spoofing Detector for Attendance System |
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 |