CN111898520A - 证件真伪识别方法、装置、计算机可读介质及电子设备 - Google Patents
证件真伪识别方法、装置、计算机可读介质及电子设备 Download PDFInfo
- Publication number
- CN111898520A CN111898520A CN202010739668.3A CN202010739668A CN111898520A CN 111898520 A CN111898520 A CN 111898520A CN 202010739668 A CN202010739668 A CN 202010739668A CN 111898520 A CN111898520 A CN 111898520A
- Authority
- CN
- China
- Prior art keywords
- certificate
- images
- image
- channel
- dynamic anti
- 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
- 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
-
- 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
- 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
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本申请的实施例提供了一种证件真伪识别方法、装置、计算机可读介质及电子设备。该证件真伪识别方法包括:检测目标证件的多个证件图像中包含的动态防伪点,以确定所述各个证件图像中的动态防伪点区域,所述多个证件图像是通过不同角度对所述目标证件进行图像采集得到的;生成所述各个证件图像中的动态防伪点区域所对应的单通道图像,得到多个单通道图像;根据所述多个单通道图像中包含的动态防伪点的类型将所述多个单通道图像划分为至少一类,并确定各类单通道图像的真伪分类结果;基于所述各类单通道图像的真伪分类结果确定所述目标证件的真伪。本申请实施例的技术方案能够精确地识别证件的真伪。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种证件真伪识别方法、装置、计算机可读介质及电子设备。
背景技术
在日常生活中,人们经常需要在互联网上传证件图像(如身份证、驾驶证等),以便基于该证件图像进行身份核验,并在身份核验通过后进行相应的业务处理。
然而,现实生活中可能存在用户所上传的证件图像为恶意伪造的假冒证件图像,因此,需要对证件的真伪进行识别。但是相关技术中提出的证件真伪识别方法存在识别准确性低等问题。
发明内容
本申请的实施例提供了一种证件真伪识别方法、装置、计算机可读介质及电子设备,进而至少在一定程度上能够精确识别证件的真伪。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种证件真伪识别方法,包括:检测目标证件的多个证件图像中包含的动态防伪点,以确定各个证件图像中的动态防伪点区域,所述多个证件图像是通过不同角度对所述目标证件进行图像采集得到的;生成所述各个证件图像中的动态防伪点区域所对应的单通道图像,得到多个单通道图像;根据所述多个单通道图像中包含的动态防伪点的类型将所述多个单通道图像划分为至少一类,并确定各类单通道图像的真伪分类结果;基于所述各类单通道图像的真伪分类结果确定所述目标证件的真伪。
根据本申请实施例的一个方面,提供了一种证件真伪识别装置,包括:检测模块,配置为检测目标证件的多个证件图像中包含的动态防伪点,以确定各个证件图像中的动态防伪点区域,所述多个证件图像是通过不同角度对所述目标证件进行图像采集得到的;生成模块,配置为生成所述各个证件图像中的动态防伪点区域所对应的单通道图像,得到多个单通道图像;划分模块,配置为根据所述多个单通道图像中包含的动态防伪点的类型将所述多个单通道图像划分为至少一类,并确定各类单通道图像的真伪分类结果;确定模块,配置为基于所述各类单通道图像的真伪分类结果确定所述目标证件的真伪。
在本申请的一些实施例中,基于前述方案,所述检测模块包括:抽取单元,配置为通过不同角度采集针对所述目标证件的视频流,从所述视频流中抽取出多个视频帧图像;检测单元,配置为对抽取出的各个视频帧图像中所包含的目标证件进行检测,得到所述各个视频帧图像中所包含的目标证件的翻转角度;选择单元,配置为根据所述各个视频帧图像中所包含的目标证件的翻转角度,从所述多个视频帧图像中选择所述多个证件图像。
在本申请的一些实施例中,基于前述方案,所述检测单元包括:检测子单元,配置为在所述各个视频帧图像中进行目标证件检测,以在所述各个视频帧图像中确定包含所述目标证件的证件检测框;确定子单元,配置为根据所述各个视频帧图像中的证件检测框的边长比,确定所述各个视频帧图像中所包含的目标证件的翻转角度。
在本申请的一些实施例中,基于前述方案,所述检测子单元配置为:利用图像检测模型对所述各个视频帧图像进行检测,所述图像检测模型的训练样本包括标注有证件检测框的视频帧图像样本,以及对所述视频帧图像样本进行图像增强处理得到的增强图像。
在本申请的一些实施例中,基于前述方案,所述确定子单元配置为:获取所述目标证件的相邻两边长比;根据所述各个视频帧图像中的证件检测框的相邻两边长比与所述目标证件的相邻两边长比之间的对应关系,确定所述各个视频帧图像中所包含的目标证件的翻转角度。
在本申请的一些实施例中,基于前述方案,所述检测模块配置为:利用动态防伪点检测模型对所述各个证件图像中包含的动态防伪点进行检测,所述动态防伪点检测模型的训练样本包括标注有动态防伪点区域的视频帧图像样本,以及对所述视频帧图像样本进行图像增强处理得到的增强图像。
在本申请的一些实施例中,基于前述方案,所述生成模块包括:裁剪单元,配置为从所述各个证件图像中裁剪出动态防伪点区域,得到包含所述动态防伪点的动态防伪点图像;通道分量确定单元,配置为根据各个动态防伪点在所述多个证件图像中的特征表现,确定与所述各个动态防伪点对应的通道分量;单通道图像转换单元,配置为根据与所述各个动态防伪点对应的通道分量,将所述各个动态防伪点图像转换成所述单通道图像。
在本申请的一些实施例中,基于前述方案,所述通道分量确定单元配置为:将所述各个动态防伪点图像转换到目标颜色空间中,得到目标颜色空间图像;根据所述各个动态防伪点在各个所述目标颜色空间图像中的特征表现,从所述目标颜色空间对应的颜色通道中选择与所述各个动态防伪点对应的通道分量。
在本申请的一些实施例中,基于前述方案,所述单通道图像是从所述各个证件图像中裁剪出动态防伪点区域,并对裁剪得到的动态防伪点图像进行转换得到的;所述划分模块包括:图像转换单元,配置为根据所述多个单通道图像中包含的动态防伪点的类型,将包含有相同类型的动态防伪点的单通道图像划分为一类,并转换成尺寸相同的图像;输入变量生成单元,配置为基于转换得到的尺寸相同的图像生成分类模型的输入变量;分类模型输入单元,配置为将所述输入变量输入至所述分类模型中,得到所述各类单通道图像的真伪分类结果。
在本申请的一些实施例中,基于前述方案,所述分类模型输入单元配置为:将所述输入变量输入至所述分类模型中,所述分类模型的训练样本包括标注有真伪类别以及真伪类别置信度的证件图像样本,以及对所述证件图像样本进行图像增强处理得到的增强图像;获取所述分类模型输出的所述各类单通道图像对应的真伪类别以及真伪类别置信度。
在本申请的一些实施例中,基于前述方案,所述各类单通道图像的真伪分类结果包含所述各类单通道图像对应的真伪类别以及真伪类别置信度;所述确定模块配置为:根据所述各类单通道图像包含的动态防伪点各自的权重、所述各类单通道图像对应的的真伪类别以及真伪类别置信度,计算所述目标证件为真证的分数;若所述目标证件为真证的分数大于预设阈值,则判定所述目标证件为真证。
在本申请的一些实施例中,基于前述方案,所述生成模块配置为:若根据各个动态防伪点在所述多个证件图像中的特征表现,能够确定出所述多个证件图像对应的唯一相同的通道分量,则根据所述多个证件图像对应的唯一相同的通道分量,将所述各个证件图像转换成所述单通道图像。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的证件真伪识别方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的证件真伪识别方法。
在本申请的一些实施例所提供的技术方案中,在获取到目标证件的多个证件图像后,通过对各个证件图像中包含的动态防伪点进行检测,以确定各个证件图像中的动态防伪点区域,并生成各个证件图像中的动态防伪点区域对应的单通道图像,得到多个单通道图像,根据多个单通道图像中包含的动态防伪点的类型将多个单通道图像划分为至少一类,确定各类单通道图像的真伪分类结果,从而基于各类单通道图像的真伪分类结果确定目标证件的真伪,得到针对目标证件的真伪识别结果。可见,本申请实施例中的技术方案无须依赖识别证件专用的芯片读取工具,仅需多个证件图像即可完成目标证件的鉴伪,同时通过多个证件图像中包含的动态防伪点生成单通道图像进行真伪识别,实现了对翻拍复印等伪证的高精度鉴别,提高了证件真伪识别的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了可以应用本申请实施例的技术方案的一个示例性系统架构的示意图;
图2示出了根据本申请的一个实施例的证件真伪识别方法的流程图;
图3A-图3B示出了根据本申请的一个实施例的通过不同角度对目标证件进行图像采集得到多个证件图像的场景示意图;
图4示出了根据本申请的一个实施例示出的采集得到目标证件的多个证件图像的流程图;
图5示出了根据本申请的一个实施例示出的图4对应实施例中步骤S420的细节流程图;
图6示出了根据本申请的一个实施例示出的图2对应实施例中步骤S220的细节流程图;
图7示出了根据本申请的一个实施例示出的图2对应实施例中步骤S230的细节流程图;
图8示出了根据本申请一个实施例的证件真伪识别的过程示意图;
图9示出了根据本申请一个实施例的动态防伪点的真伪类别以及真伪类别置信度获取的过程示意图;
图10示出了根据本申请的一个实施例的证件真伪识别装置的框图;
图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
需要说明的是,本申请的说明书和权利要求书及上述附图中使用的术语仅用于描述实施例,并不旨在限制本申请的范围。应该理解的是,术语“包括”、“包含”、“具有”等在本文中使用时指定存在所陈述的特点、整体、步骤、操作、元件、组件和/或其群组,但并不排除存在或添加其他特点、整体、步骤、操作、元件、组件和/或其群组中的一个或多个。
将进一步理解的是,尽管术语“第一”、“第二”、“第三”等可以在本文中用于描述各种元件,但是这些元件不应受这些术语的限制。这些术语仅用于区分一个元件和另一个元件。例如,在不脱离本发明的范围的情况下,第一元件可以被称为第二元件。类似地,第二元件可以被称为第一元件。如本文所使用的,术语“和/或”包含关联的列出的项目中的一个或多个的任何和所有组合。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。
证件是指用来证明身份、经历等的证书和文件。证件的类型有很多种,比如IC非接触式智能证件,这种证件内置了芯片,该芯片能够提供一定的存储空间,除了用于保存证件人的基本信息,如姓名、性别、出生日期、住址等外,还保存了证件人的照片。不管是什么类型的证件,通常都会设置防伪标识,以便于验证证件的真伪。
为了验证证件的真伪,一种方案是将从芯片(如IC非接触式智能证件)中读取的信息和从身份资料信息库中导出的信息进行一致性比较,或者利用从芯片中读取的人脸照片以及证件表面印刷的照片进行相似性比对,以确定证件的真伪。另一种方案是采集获得证件图像,然后基于图像识别来确定证件的真伪。
然而,前述的第一种方案需要依赖专用的芯片读取工具去读取信息,并且验证过程也需要人工去一一比对,整个验证过程的可靠性与工作人员的经验和主观识别能力密切相关,每个人的主观识别能力都有差异,侧重点也不同,在比对过程中不仅缺乏科学依据,也缺乏统一的标准,而且容易受到各种因素的影响。第二种方案无法很好的鉴别翻拍复印等与真证具有高相似度的伪证。
为了提高证件真伪识别的准确性,本申请实施例中提供了一种证件真伪识别方法,首先检测目标证件的多个证件图像中包含的动态防伪点,以确定各个证件图像中的动态防伪点区域,多个证件图像是通过不同角度对目标证件进行图像采集得到的,其次生成各个证件图像中的动态防伪点区域所对应的单通道图像,得到多个单通道图像,再次根据多个单通道图像中包含的动态防伪点的类型将多个单通道图像划分为至少一类,并确定各类单通道图像的真伪分类结果,进而基于各类单通道图像的真伪分类结果确定目标证件的真伪,本申请实施例提出的这种识别方法无须依赖识别证件专用的芯片读取工具,仅需多个证件图像即可完成目标证件的鉴伪,同时通过多个证件图像中包含的动态防伪点生成单通道图像进行真伪鉴别的方法,实现了对翻拍复印等伪证的高精度鉴别。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示,系统架构100可以包括终端101(终端101可以是如图1中所示智能手机,在本申请的其它实施例中,终端101还可以是平板电脑、便携式计算机、台式计算机等等)、网络102和服务器103。网络102用以在终端101和服务器103之间提供通信链路的介质。网络102可以包括但不限于:无线网络、有线网络,有线网络包括但不限于以下至少之一:广域网、城域网、局域网。无线网络包括但不限于以下至少之一:蓝牙、WI-FI、近场通信(NearField Communication,简称NFC)、蜂窝移动通信网络。用户可以使用终端101通过网络102与服务器103进行交互,以接收或发送消息等。
应该理解,图1中的终端101、网络102和服务器103的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端101、网络102和服务器103。比如服务器103可以是多个服务器组成的服务器集群等。
在本申请的一个实施例中,终端101可以对需要进行真伪识别的目标证件104进行图像采集,然后将通过不同角度对目标证件104进行图像采集得到的多个证件图像通过网络102发送给服务器103。服务器103在接收到这多个证件图像之后,对各个证件图像中包含的动态防伪点进行检测,以确定各个证件图像中的动态防伪点区域,然后服务器103生成各个证件图像中的动态防伪点区域所对应的单通道图像,得到多个单通道图像,再次根据多个单通道图像中包含的动态防伪点的类型将多个单通道图像划分为至少一类,并确定各类单通道图像的真伪分类结果,进而基于各类单通道图像的真伪分类结果确定目标证件104的真伪。服务器103在识别出目标证件104的真伪之后,可以将识别结果通过网络102返回给终端101,进而终端101可以向用户展示目标证件104的识别结果。
本申请实施例所提供的证件真伪识别方法一般由服务器103执行,服务器103用于接收终端101所上传的目标证件104的多个证件图像,并基于多个证件图像对目标证件104的真伪进行识别,相应地,证件真伪识别装置一般设置于服务器103中。但本领域技术人员容易理解的是,本申请实施例所提供的证件真伪识别方法也可以由终端101执行,相应地,证件真伪识别装置也可以设置于终端101中,本示例性实施例中对此不做特殊限定。举例而言,在一种示例性实施例中,终端101用于采集并获取目标证件104的多个证件图像,以及基于该多个证件图像对目标证件104的真伪进行识别。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图2示出了根据本申请的一个实施例的证件真伪识别方法的流程图,该证件真伪识别方法可以由服务器来执行,该服务器可以是图1中所示的服务器103,当然该证件真伪识别方法也可以由终端设备来执行,比如可以由图1中所示的终端101来执行。参照图2所示,证件真伪识别方法包括:
步骤S210、检测目标证件的多个证件图像中包含的动态防伪点,以确定各个证件图像中的动态防伪点区域,多个证件图像是通过不同角度对目标证件进行图像采集得到的;
步骤S220、生成各个证件图像中的动态防伪点区域所对应的单通道图像,得到多个单通道图像;
步骤S230、根据多个单通道图像中包含的动态防伪点的类型将多个单通道图像划分为至少一类,并确定各类单通道图像的真伪分类结果;
步骤S240、基于各类单通道图像的真伪分类结果确定目标证件的真伪。
下面对这些步骤进行详细描述。
在步骤S210中,检测目标证件的多个证件图像中包含的动态防伪点,以确定各个证件图像中的动态防伪点区域,多个证件图像是通过不同角度对目标证件进行图像采集得到的。
其中,目标证件可以是身份证、护照、社保卡或者医保卡等是实体证件,动态防伪点可以是目标证件位于不同姿态时属性信息存在变化的具有防伪作用的标识,例如,变色油墨,动感印刷,全息图,激光影像,立体浮雕等。对于真实证件而言,目标证件位于不同姿态时,目标证件上的动态防伪点将发生一定变化,且动态防伪点的变化符合预设规律变化,例如,证件动态防伪点的颜色、清晰度、纹理或者形状等属性信息发生变化;而对于伪造证件而言,目标证件位于不同姿态时,该目标证件上的动态防伪点将不会发生变化,或者动态防伪点的变化不符合预设变化规律,因此,可以获取通过不同角度对目标证件进行图像采集得到的多个证件图像,来确定目标证件的真伪识别结果。
具体的,终端设备在检测到证件图像采集请求后,可以开启摄像装置通过不同角度对目标证件进行图像采集,获取从不同角度采集得到的多个证件图像,示例性地,多个证件图像是在目标证件存在姿态变化状态下所采集的。
在本申请的一个实施例中,如图3A所示,在对目标证件进行图像采集时,可以将目标证件进行不同角度的翻转,通过摄像装置对翻转至不同位置(位置A、位置B、位置C、位置D)的目标证件进行图像采集,从而得到多个证件图像。
在本申请的一个实施例中,如图3B所示,通过不同角度对目标证件进行图像采集的方式,还可以是将目标证件放置于固定位置,将摄像装置变换到不同位置(位置a、位置b、位置c、位置d),按不同角度对目标证件进行图像采集,从而得到多个证件图像。
此外,在本申请的其它实施例中,目标证件与摄像装置的位置都可以进行变化,以此来采集的到多个证件图像。
在获取到多个证件图像后,可以对各个证件图像中包含的动态防伪点进行检测,以确定各个证件图像中的动态防伪点区域。可以理解的是,对获取到的各个证件图像中包含的动态防伪点进行检测不仅可以确定出动态防伪点区域,还可以检测得到动态防伪点的特征表现,也即动态防伪点在多个证件图像中的变化表现。
在一个实施例中,可以通过动态防伪点检测模型对动态防伪点进行检测,以确定动态防伪点区域,在该实施例中,具体包括:
利用动态防伪点检测模型对各个证件图像中包含的动态防伪点进行检测,动态防伪点检测模型的训练样本包括标注有动态防伪点区域的视频帧图像样本,以及对视频帧图像样本进行图像增强处理得到的增强图像。
具体的,在获取到多个证件图像后,将多个证件图像输入动态防伪点检测模型,利用动态防伪点检测模型对多个证件图像中包含的动态防伪点进行检测,得到各个证件图像中的动态防伪点区域。
其中,动态防伪点检测模型可以使用PVAnet(Performance Vs Accuracy Net),PVAnet意为加速模型性能,同时不丢失精度的含义,是用于实时物体检测的深度轻量神经网络,速度快,效果好。在针对PVAnet的训练过程中,选取的训练样本包括:标注有动态防伪点区域的视频帧图像样本以及对视频帧图像样本进行图像增强处理得到的增强图像。
上述图像增强处理是对视频帧图像样本使用旋转、亮度、对比度以及加噪声等方法进行增强处理,上述视频帧图像样本是通过不同角度采集针对样本证件的视频流中抽取得到的,样本证件包括至少一个动态防伪点。
在步骤S220中,生成各个证件图像中的动态防伪点区域所对应的单通道图像,得到多个单通道图像。
其中,单通道图像,俗称灰度图,单通道图像中每个像素点只有一个值表示颜色,即只有一个通道分量,0是黑色,255是白色,中间值是一些不同等级的灰色。
在检测得到各个证件图像中的动态防伪点区域后,可以生成动态防伪点区域所对应的单通道图像,得到多个单通道图像。例如,检测到各个证件图像中的动态防伪点区域有A、B、C,则可以针对各个证件图像生成动态防伪点区域A所对应的单通道图像,动态防伪点区域B所对应的单通道图像,动态防伪点区域C所对应的单通道图像。
容易理解的是,获取到的各个证件图像是多通道图像,多通道图像包含有多个通道,而生成的动态防伪点区域所对应的单通道图像可以是根据动态防伪点从各个证件图像的多个通道中选择的与动态防伪点对应的一个通道分量。
例如,动态防伪点区域A包含动态防伪点a,动态防伪点区域B包含动态防伪点b,动态防伪点区域C包含动态防伪点c,证件图像是三通道图像,具有R通道分量、G通道分量和B通道分量,如果与动态防伪点a对应的是R通道分量,与动态防伪点b对应的是G通道分量,与动态防伪点c对应的是B通道分量,则可以生成动态防伪点区域A所对应的R通道图像,动态防伪点区域B所对应的G通道图像,动态防伪点区域C所对应的B通道图像。
在一个实施例中,如前举例所述,各个证件图像中的动态防伪点区域所对应的单通道图像的通道分量是不相同的,然而,如果能够确定出多个证件图像对应的唯一相同的通道分量,则可以根据多个证件图像对应的唯一相同的通道分量,将各个证件图像转换成单通道图像。
在该实施例中,如前所述,可以根据动态防伪点选择对应的通道分量,具体的,可以根据动态防伪点在多个证件图像的特征表现选择特定通道分量,因此,如果根据各个动态防伪点在多个证件图像中的特征表现,能够确定出多个证件图像对应的唯一相同的通道分量,则可以根据多个证件图像对应的唯一相同的通道分量,将各个证件图像转换成单通道图像。
继续上述举例说明,如果根据动态防伪点a在多个证件图像中的特征表现,能够确定出与动态防伪点a对应的是R通道分量,根据动态防伪点b在多个证件图像中的特征表现,能够确定出与动态防伪点b对应的也是R通道分量,根据动态防伪点c在多个证件图像中的特征表现,能够确定出与动态防伪点c对应的也是R通道分量,则可以直接将各个证件图像均转换成R通道图像。
可以理解的是,如果各个证件图像中只有一个动态防伪点,也就是一个动态防伪点区域,同样地,能够确定出多个证件图像对应的唯一相同的通道分量,则可以根据多个证件图像对应的唯一相同的通道分量,将各个证件图像转换成单通道图像。
在本实施例中,直接将各个证件图像转换成单通道图像,生成单通道图像的方法相对简易,速度相对更快。
在步骤S230中,根据多个单通道图像中包含的动态防伪点的类型将多个单通道图像划分为至少一类,并确定各类单通道图像的真伪分类结果。
在通过步骤S220生成各个证件图像中的动态防伪点区域所对应的单通道图像,得到多个单通道图像后,进一步可以根据多个单通道图像中包含的动态防伪点的类型对多个单通道图像进行分类,得到各类单通道图像。其中,动态防伪点的类型可以根据动态防伪点的特征进行确定,动态防伪点的特征可以是色度、清晰度、纹理、形状和位置中的一种或多种。
在获取各类单通道图像后,可以利用预先训练好的分类模型,对各类单通道图像进行真伪分类,从而获取分类模型输出的各类单通道图像的真伪分类结果。其中,分类模型是利用深度学习方法并基于预设的训练样本集合进行训练得到的。
需要说明的是,除了通过分类模型的方法对各类单通道图像进行真伪分类,还可以对各类单通道图像中包含的动态防伪点分别进行动态防伪点特征检测,得到多个特征图,根据特征判断规则对多个特征图进行处理,得到各类单通道图像的真伪分类结果。其中,特征判断规则可以包括预设的动态防伪点的特征值,利用预设的动态防伪点的特征值与各特征图进行匹配,进而判别各特征图中是否包含满足预设匹配度的预设的动态防伪点的特征值,从而得到各类单通道图像的真伪分类结果。对于动态防伪点的特征值可以是色度、形状和位置中的一种或多种,在此不作具体限定。
在步骤S240中,基于各类单通道图像的真伪分类结果确定目标证件的真伪。
具体的,各类单通道图像的真伪分类结果可以是单通道图像为真或者单通道图像为假,因此,在得到各类单通道图像的真假后,可以基于各类单通道图像的真假确定目标证件的真伪。例如,当各类单通道图像均为真,则可以确定目标证件为真证;当各类单通道图像均为假,则可以确定目标证件为伪证;当各类单通道图像的真伪分类结果为一部分数量的单通道图像为真,另一部分数量的单通道图像为假,则可以结合真假单通道图像各自的占比确定目标证件的真伪。
此外,在其他实施例中,各类单通道图像的真伪分类结果还可以包含真假类别及真假类别置信度,例如,A类单通道图像为真,置信度为0.1,B类单通道图像为假,置信度为0.6,从而基于真假类别及真假类别置信度确定目标证件的真伪。
以上实施例中的技术方案,在获取到目标证件的多个证件图像后,对多个证件图像中包含的动态防伪点进行检测,以确定动态防伪点区域,并生成动态防伪点区域所对应的单通道图像,然后对多个单通道图像进行分类,并确定各类单通道图像的真伪分类结果,进而确定出目标证件的真伪,这样无须依赖识别证件专用的芯片读取工具,仅需多个证件图像即可完成目标证件的鉴伪,同时通过多个证件图像中包含的动态防伪点,实现了对翻拍复印等伪证的高精度鉴别,使得后续有关业务的安全性大大提高。以下对图2中各个步骤的一些实现方式进行阐述:
在本申请的一个实施例中,采集目标证件的多个证件图像的方式除了可以采用图3A至图3B所示实施例的技术方案之外,还可以是通过不同角度采集目标证件的视频流,进而基于采集的视频流得到多个证件图像,如图4所示,具体包括步骤S410-步骤S420,现详细说明如下:
步骤S410、通过不同角度采集针对目标证件的视频流,从视频流中抽取出多个视频帧图像。
具体的,终端设备在检测到证件图像采集请求后,利用摄像装置通过不同角度采集针对目标证件的视频流,并从目标证件的视频流中抽取出多个视频帧图像。其中,抽取多个视频帧图像可以是从目标证件的视频流中随机抽取多个视频帧图像,也可以是按照预设证件选取规则提取多个视频帧图像。
其中,上述通过不同角度采集针对目标证件的视频流可以是引导用户按照特定规则翻转目标证件进行拍摄得到视频流。特定规则可以根据目标证件包含的动态防伪点的变化规律进行设定,例如,对于身份证03版,其动态防伪点包括变色油墨、动感印刷“HK”,动感印刷人像。这些动态防伪点在证件上下翻转时有较明显的变化,所以可以引导用户拍摄视频时以正向相对镜头水平位置开始先向上翻转证件,然后回正,然后向下翻转。
采集得到针对目标证件的视频流后,可以按照预设证件选取规则提取多个视频帧图像,预设证件选取规则可以是预设固定采样步长,例如按照5帧的间隔进行抽帧,得到多个视频帧图像。
步骤S420、对抽取出的各个视频帧图像中所包含的目标证件进行检测,得到各个视频帧图像中所包含的目标证件的翻转角度。
由于是从不同角度采集针对目标证件的视频流,因此,相对于正向角度而言,从视频流中抽取出多个视频帧图像中所包含的目标证件可能存在翻转角度,因此,可以通过抽取出的各个视频帧图像中所包含的目标证件进行检测,得到各个视频帧图像中所包含的目标证件的翻转角度。
在本申请的一个实施例中,如图5所示,步骤S420具体包括步骤S4201-步骤S4202,现详细说明如下:
步骤S4201、在各个视频帧图像中进行目标证件检测,以在各个视频帧图像中确定包含目标证件的证件检测框。
在抽取得到多个视频帧图像后,可以在各个视频帧图像中进行目标证件检测,目标证件检测可以实现在各个视频帧图像中确定出包含目标证件的证件检测框。
在一个实施例中,对目标证件的检测可以通过图像检测模型进行,在该实施例中,步骤S4201具体包括:
利用图像检测模型对各个视频帧图像进行检测,图像检测模型的训练样本包括标注有证件检测框的视频帧图像样本,以及对视频帧图像样本进行图像增强处理得到的增强图像。
具体的,在抽取得到多个视频帧图像后,将多个视频帧图像输入图像检测模型,利用图像检测模型对各个视频帧图像进行检测,得到各个视频帧图像中包含目标证件的证件检测框。
其中,图像检测模型同样可以使用PVAnet,PVAnet可以在保持检测精度的同时有着更快的速度。在针对PVAnet的训练过程中,选取的训练样本包括:标注有证件检测框的视频帧图像样本,以及对视频帧图像样本进行图像增强处理得到的增强图像。
上述图像增强处理是对视频帧图像样本使用旋转、亮度、对比度以及加噪声等方法进行增强处理,上述视频帧图像样本是通过不同角度采集针对样本证件的视频流中抽取得到的,样本证件包括至少一个动态防伪点。
继续参见图5,步骤S4202、根据各个视频帧图像中的证件检测框的边长比,确定各个视频帧图像中所包含的目标证件的翻转角度。
在检测得到证件检测框后,根据证件检测框的边长比计算各个视频帧图像中所包含的目标证件的翻转角度。示例性地,在目标证件上下翻转时,可以使用证件检测框的左边长与目标证件的左边长的比例求反余弦函数得到第一角度,同理,可以使用证件检测框的右边长与目标证件的右边长的比例求反余弦函数得到第二角度,对第一角度与第二角度之和求平均计算得到目标证件的翻转角度。值得注意的是,通过此计算方法需要多个视频帧图像中包含的目标证件的大小是一致的。
在一个实施例中,在通过不同角度采集针对目标证件的视频流时,可能会存在离目标证件远近不同的情况,从而抽取得到的多个视频帧图像中目标证件的大小并非是完全一致的,因此,在这种情况下,可以获取目标证件的相邻两边长比,然后根据各个视频帧图像中的证件检测框的相邻两边长比与目标证件的相邻两边长比之间的对应关系,确定各个视频帧图像中所包含的目标证件的翻转角度。
在该实施例中,可以通过获取目标证件的相邻两边长比,并根据各个视频帧图像中的证件检测框的相邻两边长比与目标证件的相邻两边长比之间的对应关系,例如,证件检测框的相邻两边长比与目标证件的相邻两边长比之间的比值关系,根据比值关系,确定出与该比值关系对应的翻转角度。该实施例中通过目标证件的相邻两边长比以及证件检测框的相邻两边长比之间的对应关系确定翻转角度的方法鲁棒性更好。
继续参见图4,步骤S430、根据各个视频帧图像中所包含的目标证件的翻转角度,从多个视频帧图像中选择多个证件图像。
具体的,在通过步骤S420确定出各个视频帧图像中所包含的目标证件的翻转角度后,可以根据需要从多个视频帧图像中选择特定翻转角度作为证件图像,以用于后续证件真伪识别。其中,特定翻转角度可以是能够使目标证件上的动态防伪点具有明显的特征表现的角度,从而有利于后续证件真伪识别,例如,对于身份证03版,可以从多个视频帧图像中选择正向图像,向上翻转25度和50度,向下翻转25度和50度作为多个证件图像。
在本申请的一个实施例中,如图6所示,图2中所示的步骤S220生成各个证件图像中的动态防伪点区域所对应的单通道图像的过程具体可以包括步骤S601-步骤S603,现详细说明如下:
步骤S601、从各个证件图像中裁剪出动态防伪点区域,得到包含动态防伪点的动态防伪点图像。
在检测得到各个证件图像中的动态防伪点区域后,可以从各个证件图像中裁剪出动态防伪点区域,得到包含动态防伪点的动态防伪点图像。
步骤S602、根据各个动态防伪点在多个证件图像中的特征表现,确定与各个动态防伪点对应的通道分量。
为了生成各个证件图像中的动态防伪点区域所对应的单通道图像,需先确定单通道图像的通道分量。在本申请实施例中,通道分量可以根据各个动态防伪点在多个证件图像中的特征表现进行确定。
特征表现可以是动态防伪点的颜色、亮度、字符等变化,例如,对于身份证03版的动态防伪点变色油墨,其在多个证件图像中的颜色会发生较明显的变化,因此可以确定出与此颜色变化的特征表现对应的通道分量;而对于身份证03版的动态防伪点动感印刷“HK”,其在多个证件图像中字符会发生H和K之间的变化,因此可以确定出与此字符变化的特征表现对应的通道分量。
在一个实施例中,在动态防伪点图像的颜色空间单个通道分量代表的含义并不直观的情况下,可以将各个动态防伪点图像转换到目标颜色空间,得到目标颜色空间图像;根据各个动态防伪点在各个目标颜色空间图像中的特征表现,从目标颜色空间对应的颜色通道中选择与各个动态防伪点对应的通道分量。
在该实施例中,在动态防伪点图像的颜色空间单个通道分量代表的含义并不直观的情况下,可以将各个动态防伪点图像转换到目标颜色空间,得到目标颜色空间图像,例如,HSV(Hue,Saturation,Value,色调,饱和度,明度)空间相对于RGB(Red,Green,Blue,红绿蓝)空间单个通道分量代表的含义就更加直观,因此,在动态防伪点图像的颜色空间为RGB空间时,可以将各个动态防伪点图像从RGB空间转换到HSV空间。
在转换到目标颜色空间后,可以根据各个动态防伪点在各个目标颜色空间图像中的特征表现,从目标颜色空间对应的颜色通道中选择与各个动态防伪点对应的通道分量。
继续参见图6,步骤S603、根据与各个动态防伪点对应的通道分量,将各个动态防伪点图像转换成单通道图像。
在确定出与各个动态防伪点对应的通道分量后,则可以将包含各个动态防伪点的动态防伪点图像转换成对应通道分量的单通道图像。
在本申请的一个实施例中,如果证件图像的单通道图像是从各个证件图像中裁剪出动态防伪点区域,并对裁剪得到的动态防伪点图像进行转换得到的,那么如图7所示,图2中所示的步骤S230在实现时具体可以包括步骤S701-步骤S703,现详细说明如下:
步骤S701、根据多个单通道图像中包含的动态防伪点的类型,将包含有相同类型的动态防伪点的单通道图像划分为一类,并转换成尺寸相同的图像。
在该实施例中,单通道图像是包含动态防伪点的动态防伪点图像进行转换得到的,在转换得到多个单通道图像后,可以将包含相同类型的动态防伪点的单通道图像作为同一类单通道图像,并将其转换成尺寸相同的图像。例如,将包含相同类型的动态防伪点的单通道图像均转换成32×32尺寸大小的图像,32×32分别表示单通道图像的长度和宽度。
步骤S702、基于转换得到的尺寸相同的图像生成分类模型的输入变量。
具体的,可以将转换得到的尺寸相同的图像存储于三维矩阵变量中,该矩阵的三个维度分别代表通道分量,长度,宽度,然后,在通道维度进行堆叠得到输入变量。举例说明,若包含X类型的动态防伪点的单通道图像有5个,首先,可以将每个单通道图像都可以转换成32x32尺寸大小的图像,然后,将每个单通道图像存储于(1,32,32)的矩阵变量中,则将5个单通道图像在通道维度进行堆叠可以得到输入变量为(5,32,32)。
步骤S703、将输入变量输入至所述分类模型中,得到各类单通道图像的真伪分类结果。
在通过步骤S702得到分类模型的输入变量后,将输入变量输入至分类模型中,可以得到各类单通道图像的真伪分类结果。
在一个实施例中,分类模型是利用证件图像样本训练得到的,分类模型输出的分类结果可以包含真伪类别以及真伪类别置信度,在该实施例中,步骤S703具体包括:
将输入变量输入至分类模型中,分类模型的训练样本包括标注有真伪类别以及真伪类别置信度的证件图像样本,以及对证件图像样本进行图像增强处理得到的增强图像;
获取分类模型输出的各类单通道图像对应的真伪类别以及真伪类别置信度。
具体的,在得到输入变量后,将输入变量输入分类模型中,可以得到分类模型输出的各类单通道图像的真伪类别以及真伪类别置信度。
其中,分类模型可以使用SqueezeNet超轻量级网络,SqueezeNet超轻量级网络不仅分类速度快,而且参数量较少泛化性能好,生成模型也很小。针对分类模型的训练数据上,包括标注有真伪类别以及真伪类别置信度的证件图像样本,以及对证件图像进行图像增强处理得到的增强图像。图像增强处理是对证件图像样本使用旋转、亮度、对比度以及加噪声等方法进行增强处理。
证件图像样本来自于通过不同角度采集针对样本证件的视频流中抽取的特定翻转角度的图像,并且图像上标注有动态防伪点区域。该样本证件包括:至少一个动态防伪点。
具体的,在分类模型的训练过程中,选取的样本证件包括:真实证件和伪造证件两种证件,利用深度学习方法对每个证件图像与证件真伪类别以及真伪类别置信度进行深度学习,以对预设深度学习网络模型中模型参数进行优化训练,得到分类模型。
在本申请的一个实施例中,各类单通道图像的真伪分类结果可以包含各类单通道图像对应的真伪类别以及真伪类别置信度,因此可以根据各类单通道图像包含的动态防伪点的权重计算目标证件的真伪分数,从而得到目标证件的真伪结果。具体而言,图2中所示的步骤S240的一种实现方式可以是:根据各类单通道图像包含的动态防伪点各自的权重、各类单通道图像对应的真伪类别以及真伪类别置信度,计算目标证件为真证的分数;若目标证件为真证的分数大于预设阈值,则判定目标证件为真证。
在该实施例中,由于包含相同类型的动态防伪点的单通道图像为同一类单通道图像,而各类单通道图像包含的是不同类型的动态防伪点,因此可以根据不同类型的动态防伪点的重要程度以及效果表现对动态防伪点赋予相应的权重,并根据不同类型的动态防伪点的权重,以及不同类型的动态防伪点的真伪类别和真伪类别置信度,计算目标证件为真证的分数。
例如,假设目标证件有3种类型的动态防伪点,分别为动态防伪点a、b、c,其中,动态防伪点a的权重为0.2,动态防伪点b的权重为0.4,动态防伪点c的权重为0.4,而动态防伪点a的真伪类别为真证,置信度0.4,动态防伪点b的真伪类别为伪证,置信度为0.7,动态防伪点c的真伪类别为真证,置信度为0.5,则可以计算目标证件为真证的分数为0.2×0.4+0.4×(1-0.7)+0.4×0.5=0.4。
在计算得到目标证件为真证的分数后,可以将该分数于预设阈值进行比较,如果目标证件为真证的分数大于预设阈值,则判定目标证件为真证,反之,如果目标证件为真证的分数小于等于预设阈值,则判定目标证件为伪证。其中,预设阈值可以根据实际情况进行设定。
图8示出了根据本申请一个实施例的证件真伪识别的过程示意图。如图8所示,主要包括如下步骤:
步骤S810、通过不同角度采集针对目标证件的视频流。
步骤S820、从视频流中按间隔抽帧,得到多个视频帧图像。
步骤S830、对抽取出的多个视频帧图像中进行目标证件检测,确定证件检测框。
在一个实施例中,可以通过图像检测模型对目标证件进行检测,其中,图像检测模型的训练样本包括标注有证件检测框的视频帧图像样本,以及对视频帧图像样本进行图像增强处理得到的增强图像。图像增强处理是对视频帧图像样本使用旋转、亮度、对比度以及加噪声等方法进行增强处理。
步骤S840、根据证件检测框的边长比,确定多个视频帧图像中所包含的目标证件的翻转角度,根据翻转角度,从多个视频帧图像中选择多个证件图像。
步骤S850、对多个证件图像中包含的动态防伪点进行检测,以确定多个证件图像中的动态防伪点区域。
动态防伪点的检测可以通过动态防伪点检测模型完成,其中,动态防伪点检测模型的训练样本包括标注有动态防伪点区域的视频帧图像样本,以及对视频帧图像样本进行图像增强处理得到的增强图像。图像增强处理是对视频帧图像样本使用旋转、亮度、对比度以及加噪声等方法进行增强处理。
步骤S860、从多个证件图像中裁剪出动态防伪点区域,得到包含动态防伪点的动态防伪点图像,对动态防伪点图像进行真伪分类,得到不同类型的动态防伪点的真伪类别以及真伪类别置信度。
在一个实施例中,可以通过分类模型对动态防伪点图像进行真伪分类,其中,分类模型的训练样本包括标注有真伪类别以及真伪类别置信度的证件图像样本,以及对证件图像进行图像增强处理得到的增强图像。
步骤S870、根据不同类型的动态防伪点各自的权重、不同类型的动态防伪点的真伪类别以及真伪类别置信度,计算目标证件为真证的分数。
步骤S880、根据目标证件为真证的分数,判定目标证件的真伪。
图9示出了根据本申请一个实施例的动态防伪点的真伪类别以及真伪类别置信度获取的过程示意图。
步骤S910、从多个证件图像中裁剪出动态防伪点区域,得到包含动态防伪点的动态防伪点图像。
步骤S920、将各个动态防伪点图像转换到目标颜色空间,得到目标颜色空间图像。
步骤S930、根据各个动态防伪点在各个目标颜色空间图像中的特征表现,从目标颜色空间对应的颜色通道中选择与各个动态防伪点对应的通道分量。
步骤S940、根据多个单通道图像中包含的动态防伪点的类型,将包含有相同类型的动态防伪点的单通道图像转换成尺寸相同的图像,基于转换得到的尺寸相同的图像生成分类模型的输入变量。
步骤S950、将输入变量输入至分类模型。
其中,分类模型的训练样本包括标注有真伪类别以及真伪类别置信度的证件图像样本,以及对证件图像样本进行图像增强处理得到的增强图像。
步骤S960、获取分类模型输出的不同类型的动态防伪点分别对应的真伪类别以及真伪类别置信度。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的证件真伪识别方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的证件真伪识别方法的实施例。
图10示出了根据本申请的一个实施例的证件真伪识别装置的框图,参照图10所示,根据本申请的一个实施例的证件真伪识别装置1000,包括:检测模块1002、生成模块1004、划分模块1006和确定模块1008。
其中,检测模块1002,配置为检测目标证件的多个证件图像中包含的动态防伪点,以确定所述各个证件图像中的动态防伪点区域,所述多个证件图像是通过不同角度对所述目标证件进行图像采集得到的;生成模块1004,配置为生成所述各个证件图像中的动态防伪点区域所对应的单通道图像,得到多个单通道图像;划分模块1006,配置为根据所述多个单通道图像中包含的动态防伪点的类型将所述多个单通道图像划分为至少一类,并确定各类单通道图像的真伪分类结果;确定模块1008,配置为基于所述各类单通道图像的真伪分类结果确定所述目标证件的真伪。
在本申请的一些实施例中,所述检测模块1002包括:抽取单元,配置为通过不同角度采集针对所述目标证件的视频流,从所述视频流中抽取出多个视频帧图像;检测单元,配置为对抽取出的各个视频帧图像中所包含的目标证件进行检测,得到所述各个视频帧图像中所包含的目标证件的翻转角度;选择单元,配置为根据所述各个视频帧图像中所包含的目标证件的翻转角度,从所述多个视频帧图像中选择所述多个证件图像。
在本申请的一些实施例中,所述检测单元包括:检测子单元,配置为在所述各个视频帧图像中进行目标证件检测,以在所述各个视频帧图像中确定包含所述目标证件的证件检测框;确定子单元,配置为根据所述各个视频帧图像中的证件检测框的边长比,确定所述各个视频帧图像中所包含的目标证件的翻转角度。
在本申请的一些实施例中,所述检测子单元配置为:利用图像检测模型对所述各个视频帧图像进行检测,所述图像检测模型的训练样本包括标注有证件检测框的视频帧图像样本,以及对所述视频帧图像样本进行图像增强处理得到的增强图像。
在本申请的一些实施例中,所述确定子单元配置为:获取所述目标证件的相邻两边长比;根据所述各个视频帧图像中的证件检测框的相邻两边长比与所述目标证件的相邻两边长比之间的对应关系,确定所述各个视频帧图像中所包含的目标证件的翻转角度。
在本申请的一些实施例中,所述检测模块1002配置为:利用动态防伪点检测模型对所述各个证件图像中包含的动态防伪点进行检测,所述动态防伪点检测模型的训练样本包括标注有动态防伪点区域的视频帧图像样本,以及对所述视频帧图像样本进行图像增强处理得到的增强图像。
在本申请的一些实施例中,所述生成模块1004包括:裁剪单元,配置为从所述各个证件图像中裁剪出动态防伪点区域,得到包含所述动态防伪点的动态防伪点图像;通道分量确定单元,配置为根据各个动态防伪点在所述多个证件图像中的特征表现,确定与所述各个动态防伪点对应的通道分量;单通道图像转换单元,配置为根据与所述各个动态防伪点对应的通道分量,将所述各个动态防伪点图像转换成所述单通道图像。
在本申请的一些实施例中,所述通道分量确定单元配置为:将所述各个动态防伪点图像转换到目标颜色空间中,得到目标颜色空间图像;根据所述各个动态防伪点在各个所述目标颜色空间图像中的特征表现,从所述目标颜色空间对应的颜色通道中选择与所述各个动态防伪点对应的通道分量。
在本申请的一些实施例中,所述单通道图像是从所述各个证件图像中裁剪出动态防伪点区域,并对裁剪得到的动态防伪点图像进行转换得到的;所述划分模块1006包括:图像转换单元,配置为根据所述多个单通道图像中包含的动态防伪点的类型,将包含有相同类型的动态防伪点的单通道图像划分为一类,并转换成尺寸相同的图像;输入变量生成单元,配置为基于转换得到的尺寸相同的图像生成分类模型的输入变量;分类模型输入单元,配置为将所述输入变量输入至所述分类模型中,得到所述各类单通道图像的真伪分类结果。
在本申请的一些实施例中,所述分类模型输入单元配置为:将所述输入变量输入至所述分类模型中,所述分类模型的训练样本包括标注有真伪类别以及真伪类别置信度的证件图像样本,以及对所述证件图像样本进行图像增强处理得到的增强图像;获取所述分类模型输出的所述各类单通道图像对应的真伪类别以及真伪类别置信度。
在本申请的一些实施例中,所述各类单通道图像的真伪分类结果包含所述各类单通道图像对应的真伪类别以及真伪类别置信度;所述确定模块1008配置为:根据所述各类单通道图像包含的动态防伪点各自的权重、所述各类单通道图像对应的真伪类别以及真伪类别置信度,计算所述目标证件为真证的分数;若所述目标证件为真证的分数大于预设阈值,则判定所述目标证件为真证。
在本申请的一些实施例中,所述生成模块1004配置为:若根据各个动态防伪点在所述多个证件图像中的特征表现,能够确定出所述多个证件图像对应的唯一相同的通道分量,则根据所述多个证件图像对应的唯一相同的通道分量,将所述各个证件图像转换成所述单通道图像。
图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图11示出的电子设备的计算机系统1100仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图11所示,计算机系统1100包括中央处理单元(Central Processing Unit,CPU)1101,其可以根据存储在只读存储器(Read-Only Memory,ROM)1102中的程序或者从储存部分1108加载到随机访问存储器(Random Access Memory,RAM)1103中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 1103中,还存储有系统操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(Input/Output,I/O)接口1105也连接至总线1104。
以下部件连接至I/O接口1105:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1107;包括硬盘等的储存部分1108;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入储存部分1108。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (15)
1.一种证件真伪识别方法,其特征在于,所述方法包括:
检测目标证件的多个证件图像中包含的动态防伪点,以确定各个证件图像中的动态防伪点区域,所述多个证件图像是通过不同角度对所述目标证件进行图像采集得到的;
生成所述各个证件图像中的动态防伪点区域所对应的单通道图像,得到多个单通道图像;
根据所述多个单通道图像中包含的动态防伪点的类型将所述多个单通道图像划分为至少一类,并确定各类单通道图像的真伪分类结果;
基于所述各类单通道图像的真伪分类结果确定所述目标证件的真伪。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
通过不同角度采集针对所述目标证件的视频流,从所述视频流中抽取出多个视频帧图像;
对抽取出的各个视频帧图像中所包含的目标证件进行检测,得到所述各个视频帧图像中所包含的目标证件的翻转角度;
根据所述各个视频帧图像中所包含的目标证件的翻转角度,从所述多个视频帧图像中选择所述多个证件图像。
3.根据权利要求2所述的方法,其特征在于,所述对抽取出的各个视频帧图像中所包含的目标证件进行检测,得到所述各个视频帧图像中所包含的目标证件的翻转角度,包括:
在所述各个视频帧图像中进行目标证件检测,以在所述各个视频帧图像中确定包含所述目标证件的证件检测框;
根据所述各个视频帧图像中的证件检测框的边长比,确定所述各个视频帧图像中所包含的目标证件的翻转角度。
4.根据权利要求3所述的方法,其特征在于,在所述各个视频帧图像中进行目标证件检测,以在所述各个视频帧图像中确定包含所述目标证件的证件检测框,包括:
利用图像检测模型对所述各个视频帧图像进行检测,所述图像检测模型的训练样本包括标注有证件检测框的视频帧图像样本,以及对所述视频帧图像样本进行图像增强处理得到的增强图像。
5.根据权利要求3所述的方法,其特征在于,根据所述各个视频帧图像中的证件检测框的边长比,确定所述各个视频帧图像中所包含的目标证件的翻转角度,包括:
获取所述目标证件的相邻两边长比;
根据所述各个视频帧图像中的证件检测框的相邻两边长比与所述目标证件的相邻两边长比之间的对应关系,确定所述各个视频帧图像中所包含的目标证件的翻转角度。
6.根据权利要求1所述的方法,其特征在于,所述检测目标证件的多个证件图像中包含的动态防伪点,包括:
利用动态防伪点检测模型对所述各个证件图像中包含的动态防伪点进行检测,所述动态防伪点检测模型的训练样本包括标注有动态防伪点区域的视频帧图像样本,以及对所述视频帧图像样本进行图像增强处理得到的增强图像。
7.根据权利要求1所述的方法,其特征在于,生成所述各个证件图像中的动态防伪点区域所对应的单通道图像,包括:
从所述各个证件图像中裁剪出动态防伪点区域,得到包含所述动态防伪点的动态防伪点图像;
根据各个动态防伪点在所述多个证件图像中的特征表现,确定与所述各个动态防伪点对应的通道分量;
根据与所述各个动态防伪点对应的通道分量,将所述各个动态防伪点图像转换成所述单通道图像。
8.根据权利要求7所述的方法,其特征在于,所述根据各个动态防伪点在所述多个证件图像中的特征表现,确定与所述各个动态防伪点对应的通道分量,包括:
将所述各个动态防伪点图像转换到目标颜色空间中,得到目标颜色空间图像;
根据所述各个动态防伪点在各个所述目标颜色空间图像中的特征表现,从所述目标颜色空间对应的颜色通道中选择与所述各个动态防伪点对应的通道分量。
9.根据权利要求1所述的方法,其特征在于,所述单通道图像是从所述各个证件图像中裁剪出动态防伪点区域,并对裁剪得到的动态防伪点图像进行转换得到的;
根据所述多个单通道图像中包含的动态防伪点的类型将所述多个单通道图像划分为至少一类,并确定各类单通道图像的真伪分类结果,包括:
根据所述多个单通道图像中包含的动态防伪点的类型,将包含有相同类型的动态防伪点的单通道图像划分为一类,并转换成尺寸相同的图像;
基于转换得到的尺寸相同的图像生成分类模型的输入变量;
将所述输入变量输入至所述分类模型中,得到所述各类单通道图像的真伪分类结果。
10.根据权利要求9所述的方法,其特征在于,将所述输入变量输入至所述分类模型中,得到所述各类单通道图像的真伪分类结果,包括:
将所述输入变量输入至所述分类模型中,所述分类模型的训练样本包括标注有真伪类别以及真伪类别置信度的证件图像样本,以及对所述证件图像样本进行图像增强处理得到的增强图像;
获取所述分类模型输出的所述各类单通道图像对应的真伪类别以及真伪类别置信度。
11.根据权利要求9所述的方法,其特征在于,所述各类单通道图像的真伪分类结果包含所述各类单通道图像对应的真伪类别以及真伪类别置信度;
基于所述各类单通道图像的真伪分类结果确定所述目标证件的真伪,包括:
根据所述各类单通道图像包含的动态防伪点各自的权重、所述各类单通道图像对应的真伪类别以及真伪类别置信度,计算所述目标证件为真证的分数;
若所述目标证件为真证的分数大于预设阈值,则判定所述目标证件为真证。
12.根据权利要求1所述的方法,其特征在于,生成所述各个证件图像中的动态防伪点区域所对应的单通道图像,得到多个单通道图像,包括:
若根据各个动态防伪点在所述多个证件图像中的特征表现,能够确定出所述多个证件图像对应的唯一相同的通道分量,则根据所述多个证件图像对应的唯一相同的通道分量,将所述各个证件图像转换成所述单通道图像。
13.一种证件真伪识别装置,其特征在于,所述装置包括:
检测模块,配置为检测目标证件的多个证件图像中包含的动态防伪点,以确定各个证件图像中的动态防伪点区域,所述多个证件图像是通过不同角度对所述目标证件进行图像采集得到的;
生成模块,配置为生成所述各个证件图像中的动态防伪点区域所对应的单通道图像,得到多个单通道图像;
划分模块,配置为根据所述多个单通道图像中包含的动态防伪点的类型将所述多个单通道图像划分为至少一类,并确定各类单通道图像的真伪分类结果;
确定模块,配置为基于所述各类单通道图像的真伪分类结果确定所述目标证件的真伪。
14.一种计算机可读介质,其上存储有计算机程序,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12中任一项所述的证件真伪识别方法。
15.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至12中任一项所述的证件真伪识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010739668.3A CN111898520A (zh) | 2020-07-28 | 2020-07-28 | 证件真伪识别方法、装置、计算机可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010739668.3A CN111898520A (zh) | 2020-07-28 | 2020-07-28 | 证件真伪识别方法、装置、计算机可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898520A true CN111898520A (zh) | 2020-11-06 |
Family
ID=73182574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010739668.3A Pending CN111898520A (zh) | 2020-07-28 | 2020-07-28 | 证件真伪识别方法、装置、计算机可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898520A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733916A (zh) * | 2020-12-31 | 2021-04-30 | 五八有限公司 | 虚假证件图片的识别方法、装置、电子设备及存储介质 |
CN112733902A (zh) * | 2020-12-30 | 2021-04-30 | 杭州海康威视数字技术股份有限公司 | 烟盒识别方法 |
WO2021151313A1 (zh) * | 2020-07-30 | 2021-08-05 | 平安科技(深圳)有限公司 | 证件鉴伪方法、装置、电子设备及存储介质 |
CN113435219A (zh) * | 2021-06-25 | 2021-09-24 | 上海中商网络股份有限公司 | 防伪检测方法、装置、电子设备及存储介质 |
CN113516486A (zh) * | 2021-04-07 | 2021-10-19 | 阿里巴巴新加坡控股有限公司 | 图像识别方法、装置、设备和存储介质 |
CN113705486A (zh) * | 2021-08-31 | 2021-11-26 | 支付宝(杭州)信息技术有限公司 | 检测证件真伪的方法及装置 |
-
2020
- 2020-07-28 CN CN202010739668.3A patent/CN111898520A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021151313A1 (zh) * | 2020-07-30 | 2021-08-05 | 平安科技(深圳)有限公司 | 证件鉴伪方法、装置、电子设备及存储介质 |
CN112733902A (zh) * | 2020-12-30 | 2021-04-30 | 杭州海康威视数字技术股份有限公司 | 烟盒识别方法 |
CN112733902B (zh) * | 2020-12-30 | 2023-09-05 | 杭州海康威视数字技术股份有限公司 | 烟盒识别方法 |
CN112733916A (zh) * | 2020-12-31 | 2021-04-30 | 五八有限公司 | 虚假证件图片的识别方法、装置、电子设备及存储介质 |
CN113516486A (zh) * | 2021-04-07 | 2021-10-19 | 阿里巴巴新加坡控股有限公司 | 图像识别方法、装置、设备和存储介质 |
CN113435219A (zh) * | 2021-06-25 | 2021-09-24 | 上海中商网络股份有限公司 | 防伪检测方法、装置、电子设备及存储介质 |
CN113705486A (zh) * | 2021-08-31 | 2021-11-26 | 支付宝(杭州)信息技术有限公司 | 检测证件真伪的方法及装置 |
CN113705486B (zh) * | 2021-08-31 | 2023-11-10 | 支付宝(杭州)信息技术有限公司 | 检测证件真伪的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898520A (zh) | 证件真伪识别方法、装置、计算机可读介质及电子设备 | |
US11062163B2 (en) | Iterative recognition-guided thresholding and data extraction | |
US9754164B2 (en) | Systems and methods for classifying objects in digital images captured using mobile devices | |
US10248954B2 (en) | Method and system for verifying user identity using card features | |
WO2018086543A1 (zh) | 活体判别方法、身份认证方法、终端、服务器和存储介质 | |
JP7165746B2 (ja) | Id認証方法および装置、電子機器並びに記憶媒体 | |
EP4109332A1 (en) | Certificate authenticity identification method and apparatus, computer-readable medium, and electronic device | |
KR101710050B1 (ko) | 이미지 식별 시스템 및 방법 | |
US11023708B2 (en) | Within document face verification | |
US11790499B2 (en) | Certificate image extraction method and terminal device | |
CN110427972B (zh) | 证件视频特征提取方法、装置、计算机设备和存储介质 | |
US20230086552A1 (en) | Image processing method and apparatus, device, storage medium, and computer program product | |
US10043071B1 (en) | Automated document classification | |
EP3783524A1 (en) | Authentication method and apparatus, and electronic device, computer program, and storage medium | |
CN111339897B (zh) | 活体识别方法、装置、计算机设备和存储介质 | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
CN112329786B (zh) | 一种翻拍图像检测方法、装置、设备及存储介质 | |
KR102102403B1 (ko) | 위조 영상 인쇄물 감식을 통한 코드인증방법과 그 응용 시스템 | |
RU2603495C1 (ru) | Классификация изображений документов на основе параметров цветовых слоев | |
CN116152870A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
WO2018189962A1 (ja) | 物体認識装置、物体認識システム、及び物体認識方法 | |
US11087121B2 (en) | High accuracy and volume facial recognition on mobile platforms | |
CN115661436A (zh) | 证件真伪识别方法、装置、可读介质及电子设备 | |
CN117636381A (zh) | 电子计算装置及其影像分析方法与计算机程序产品 | |
CN113408553A (zh) | 图片类别的识别方法、装置、电子设备及存储设备 |
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 |