CN112016629B - 鉴别证件的方法、装置、计算机设备和存储介质 - Google Patents
鉴别证件的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112016629B CN112016629B CN202010923910.2A CN202010923910A CN112016629B CN 112016629 B CN112016629 B CN 112016629B CN 202010923910 A CN202010923910 A CN 202010923910A CN 112016629 B CN112016629 B CN 112016629B
- Authority
- CN
- China
- Prior art keywords
- parameters
- cameras
- shooting
- picture
- network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 230000007613 environmental effect Effects 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000005286 illumination Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 239000000976 ink Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Inspection Of Paper Currency And Valuable Securities (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及人工智能技术，提出的鉴别证件的方法、装置、计算机设备和存储介质，其中方法包括：获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数；将各图片数据分别与各图片数据对应的拍摄参数进行配对，得到多个配对信息；将各配对信息依次输入至预设的神经网络中进行计算，得到各数据图片对应的特征值；将各特征值与环境参数输入到预设的分类网络中进行计算，得到各图片对应的分类结果；依据各分类结果确定证件的真伪，这样直接通过多个具有一定间距的摄像头同时进行拍摄，从而实现多个角度拍摄，不但降低了传统鉴伪拍摄的角度不易控制，且需要通过多次重复操作的问题，而且采集便利。
Description
技术领域
本发明涉及到数据处理的技术领域，特别是涉及到一种鉴别证件的方法、装置、计算机设备和存储介质。
背景技术
目前有些证件需要利用光栅进行防伪。而针对光栅的图像鉴伪，一般是基于多种角度多次拍摄得到的证件图片进行的。但多次拍摄的时候，需要通过防替换检测来防止证件被替换，这就会导致开发成本，维护成本及运营成本的增加，而且在拍摄的过程中，采用多个角度进行拍摄时，由于从不同的角度看同一张光栅图片，所看到图像不同，人眼对光栅差异的分辨率低，对于不同角度的同一个证件的图片，通过人眼来识别可能会产生不同结果，导致不同角度图片识别结果差异较大，虽然通过相机和算法能够降低对各个图像识别结果的差异，但这会导致图片采集方式要求严格，容易导致多次采集的图片无法准确对齐，使得输入的图片差异影响远远超过了光栅在不同角度图像出现的差异，从而导致结果准确率降低，而且还需要进行多次采集，采集成本高，采集难度大，难以满足实际需求。
发明内容
本发明的主要目的为提供一种鉴别证件的方法、装置、计算机设备和存储介质，旨在解决现有技术中对证件进行鉴伪时采集难度大的技术问题。
基于上述发明目的，本发明提出一种鉴别证件的方法，包括：
获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数，所述拍摄参数为所述摄像头拍摄时可调节的参数，所述环境参数为所述摄像头拍摄时所述证件所在环境的参数；
将各所述图片数据分别与各所述图片数据对应的拍摄参数进行配对，得到多个配对信息；
将各所述配对信息依次输入至预设的神经网络中进行计算，得到各所述数据图片对应的特征值，所述神经网络为用于提取图片特征的卷积神经网络；
将各所述特征值与所述环境参数输入到预设的分类网络中进行计算，得到各所述图片对应的分类结果；
依据各所述分类结果确定所述证件的真伪。
进一步地，所述神经网络包括隐含层，所述将各所述配对信息依次输入至预设的神经网络中进行计算，得到各所述数据图片对应的特征值的步骤，包括：
将各所述配对信息中的图片输入到所述隐含层进行计算得到对应的特征信息；
将各所述特征信息与对应的配对信息中的拍摄参数进行计算得到各所述图片对应的特征值。
进一步地，所述获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数的步骤之前，包括：
接收用于开启一指定类型光源的指令；
依据所述指令开启所述指定类型光源；
获取所述环境参数的步骤，包括：
采集所述指定类型光源所对应的光照度，得到所述环境参数。
进一步地，所述分类网络为二分类类型的第一网络或时间序列类型的第二网络，所述将各所述特征值与所述环境参数输入到预设的分类网络中进行计算，得到各所述图片对应的分类结果的步骤，包括：
当所述图片数据为各所述摄像头同时拍摄一次得到的多个图片，则将各所述特征值依次输入到第一网络进行计算，得到各所述图片对应的分类结果；
当所述图片数据为各所述摄像头同时连续拍摄得到的分别对应多个摄像头的多帧图片，则将对应每个所述摄像头的各所述特征值输入到第二网络进行计算，得到每个所述摄像头对应的图片的分类结果。
进一步地，所述获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数的步骤之前，包括：
获取当前设备的型号以及各所述摄像头的物理参数，所述物理参数为不可调的参数；
依据所述型号以及所述物理参数调用各所述摄像头，以完成拍摄。
进一步地，各不同类型的所述摄像头在拍摄时成阵列排布。
本发明还提供一种鉴别证件的装置，包括：
获取图片单元，用于获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数，所述拍摄参数为所述摄像头拍摄时可调节的参数，所述环境参数为所述摄像头拍摄时所述证件所在环境的参数；
配对图片单元，用于将各所述图片数据分别与各所述图片数据对应的拍摄参数进行配对，得到多个配对信息；
提取特征单元，用于将各所述配对信息依次输入至预设的神经网络中进行计算，得到各所述数据图片对应的特征值，所述神经网络为用于提取图片特征的卷积神经网络；
计算结果单元，用于将各所述特征值与所述环境参数输入到预设的分类网络中进行计算，得到各所述图片对应的分类结果；
确定真伪单元，用于依据各所述分类结果确定所述证件的真伪。
进一步地，所述神经网络包括隐含层，所述提取特征单元包括：
计算特征子单元，用于将各所述配对信息中的图片输入到所述隐含层进行计算得到对应的特征信息；
计算信息子单元，用于将各所述特征信息与对应的配对信息中的拍摄参数进行计算得到各所述图片对应的特征值。
本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述鉴别证件的方法的步骤。
本发明还提供了一种计算机可读存储介质，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上述鉴别证件的方法的步骤。
本发明的有益效果为：通过设置在智能设备上的多个不同种类的摄像头同时拍摄，然后与拍摄参数等一起输入到对应神经网络去处理，这样直接通过多个具有一定间距的摄像头进行拍摄，从而实现多个角度拍摄，提高对不同角度可变图形的光栅的鉴伪能力，不但降低了传统鉴伪拍摄的角度不易控制，且需要通过多次重复操作的问题，而且采集便利，鉴别结果准确率较高。
附图说明
图1 为本发明一实施例中鉴别证件的方法的步骤示意图；
图2 为本发明一实施例中鉴别证件的装置的结构示意框图；
图3 为本发明一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，本实施例中的鉴别证件的方法，包括：
步骤S1：获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数，所述拍摄参数为所述摄像头拍摄时可调节的参数，所述环境参数为所述摄像头拍摄时所述证件所在环境的参数；
步骤S2：将各所述图片数据分别与各所述图片数据对应的拍摄参数进行配对，得到多个配对信息；
步骤S3：将各所述配对信息依次输入至预设的神经网络中进行计算，得到各所述数据图片对应的特征值，所述神经网络为用于提取图片特征的卷积神经网络；
步骤S4：将各所述特征值与所述环境参数输入到预设的分类网络中进行计算，得到各所述图片对应的分类结果；
步骤S5：依据各所述分类结果确定所述证件的真伪。
本实施例中，上述鉴别证件的方法可基于智能设备来实现，例如带摄像头的手机、平板、摄像设备等等，该智能设备上设有多个不同类型的摄像头，例如手机具有三个摄像头，分别为广角摄像头、微距摄像头以及普通摄像头，或者手机上具有两个摄像头，分别为普通摄像头以及黑白摄像头。不同摄像头之间的间距可依据实际需求设定，不同的智能设备所设置的各个摄像头间距不一样，也即不同型号的智能设备，其摄像头的类型、间距、排布等均可以不同。优选地，上述各个摄像头可以是阵列排布，不同摄像头之间保持较大的间距，使其对不同角度可变图形的光栅具有较好的鉴伪能力。
如上述步骤S1所述，首先通过不同类型的摄像头从不同角度同时拍摄同一个证件，得到该证件的多个图片，该证件为通过不同油墨印刷具有光栅防伪功能的证件。本实施例中的图片数据即上述图片，这些图片可以包括由广角摄像头拍摄证件得到的图片、由普通摄像头拍摄证件得到的图片等等，然后获取图片数据。同时也可以获取各个摄像头的拍摄参数和环境参数，拍摄参数为摄像头拍摄时可调节的参数，例如光圈信息、曝光时间等，环境参数为摄像头拍摄时证件所在环境的参数，例如光照度，可以通过智能设备上的光线感应器、感光元件等来获取，由于各个摄像头位置不一样，类型不一样，同时拍摄时，可得到不同角度拍摄证件的图片。
如S2-S3所述，由于不同的摄像头拍摄同一个证件，得到的照片有差异，且每个图片与拍摄该图片的摄像头的拍摄参数息息相关，为了消除差异，在进行特征提取之前，先将各图片数据分别与各图片数据对应的拍摄参数进行配对，得到多个配对信息，也即每个配对信息均包括一个图片数据以及用于拍摄该图片的拍摄参数；然后再将各配对信息依次输入至预设的神经网络中进行计算，得到各数据图片对应的特征值，上述神经网络为用于提取图片特征的卷积神经网络，上述神经网络可以通过现有技术实现，例如采用ResNet网络结构来实现，此处不再赘述。
如上述步骤S4所述，将各特征值与上述环境参数输入到分类网络中进行计算，得到各图片对应的分类结果，上述分类网络为预设的二分类网络或者时间序列类型的神经网络，通过对特征值进行计算后，输出上述证件为真实证件的概率值，从而可以得到证件的分类结果，分类结果包括真实证件或者假证件。
如上述步骤S5所述，由于将多个特征值通过上述分类网络计算后，得到多个分类结果，每个分类结果对应一个摄像头拍摄的图片，然后依据这些分类结果确定证件的真伪，例如设定当90%以上的分类结果判定为真实证件时，则可以确定上述证件为真实证件，若低于90%的分类结果判定为真实证件，则确定该证件为假证件，在另一例子中，当上述智能设备为手机时，该手机具有四个摄像头，这时可以设定超过75%的分类结果判定为真实证件时，确定上述证件为真实证件。
本申请提供的鉴别证件的方法，通过设置在智能设备上的多个不同种类的摄像头同时拍摄，然后与拍摄参数等一起输入到对应神经网络去处理，这样直接通过多个具有一定间距的摄像头进行拍摄，从而实现多个角度拍摄，提高对不同角度可变图形的光栅的鉴伪能力，不但降低了传统鉴伪拍摄的角度不易控制，且需要通过多次重复操作的问题，而且采集便利，鉴别结果准确率较高。
在一个实施例中，上述步骤S3，包括：
步骤S31：将各所述配对信息中的图片输入到所述隐含层进行计算得到对应的特征信息；
步骤S32：将各所述特征信息与对应的配对信息中的拍摄参数进行计算得到各所述图片对应的特征值。
本实施例中，上述神经网络包括有隐含层，当将上述配对信息输入到该神经网络时，首先对其中图片进行计算，也即通过隐含层对图片进行计算得到对应的特征信息，为了减小各个不同类型摄像头由于类型本身参数对特征值的所带来的影响，可将该特征信息与配对信息中的拍摄参数进行计算，得到图片最终的特征值；例如广角摄像头与普通摄像头拍摄同一个证件，由于两者拍摄参数不一样，可能得到一张模糊和一张清晰图片，为了最后得到特征值能够准确反映证件的特征，故而将通过隐含层提取出的特性信息再次与对应的拍摄参数计算，进而修正，得到最终的特征值。
在一个实施例中，上述步骤S1之前，包括：
步骤S01：接收用于开启一指定类型光源的指令；
步骤S02：依据所述指令开启所述指定类型光源；
步骤S1中的获取环境参数的步骤包括：
步骤S11：采集所述指定类型光源所对应的光照度，得到所述环境参数。
需知上述证件为通过不同油墨印刷具有光栅防伪功能的证件，在不同类型的光源下，其显示出的光栅也可能有差别，故可在上述智能设备上设置多种不同类型的光源，然后在不同光源的光照下拍摄证件的图片，上述光源可以为可见光、紫外线、红外线等，或者偏振光等。首先接收用于开启指定类型光源的指令，上述指定类型可以为上述例子中的任一种，该指令可以通过用户设定输入，或者预先设定触发条件然后自动输入，然后按照指令开启该指定类型光源，在拍摄的同时获取环境参数，也即在获取图片数据的同时依据光线感应器采集该指定类型光源所对应的光照度，得到上述环境参数。
在另一实施例中，为了提高准确率，可将各种光源轮流开启，然后每一种光源均通过各摄像头拍摄一次，最后得到在各种光源下的分类结果，然后再依据分类结果确定证件的真伪。
在一个实施例中，上述步骤S4，包括：
步骤S41：当所述图片数据为各所述摄像头同时拍摄一次得到的多个图片，则将各所述特征值依次输入到第一网络进行计算，得到各所述图片对应的分类结果；
步骤S42：当所述图片数据为各所述摄像头同时连续拍摄得到的分别对应多个摄像头的多帧图片，则将对应每个所述摄像头的各所述特征值输入到第二网络进行计算，得到每个所述摄像头对应的图片的分类结果。
上述分类网络可以为二分类类型的第一网络或时间序列类型的第二网络，上述二分类类型的第一网络即是二分类网络，用于将特征值进行计算然后输出证件为真实证件的概率，上述时间序列类型的第二网络用于计算时间序列类型的数据，例如输入连续拍摄得到多帧图片的多个特征值，这些特征值即为时间序列类型的数据，最后同样输出证件为真实证件的概率，上述第一网络以及第二网络均可以采用现有的网络结构搭建训练而成，此处不在赘述。
当图片数据为各摄像头同时拍摄一次得到的多个图片，也即每个摄像头均只拍摄一次，得到一个对应的图片，这时可将各特征值依次输入到第一网络进行计算，得到各图片对应的分类结果。当图片数据为各摄像头同时连续拍摄得到的分别对应多个摄像头的多帧图片，则将对应每个摄像头的各特征值输入到第二网络进行计算，得到每个摄像头对应的图片的分类结果，由于在室内进行证件拍摄工作时，交流电的存在会导致光源的频闪，拍出的图片效果不好，导致后续计算容易出错，针对这一现象，本实施例采用多帧的方式对光源进行补偿操作，即通过每个摄像头连续拍摄得到多帧图片，然后按上述步骤S1-S4处理，得到每个摄像头的多帧图片所对应的多个特征值。其中连续拍摄的采样频率和拍摄地点当地交流电的频率为互质的关系，例如交流电的频率为50Hz，拍摄的帧率为17Hz。再将多个特征值输入到第二网络，例如RNN网络进行鉴伪，每一次输入一个摄像头拍摄多帧图片对应的所有特征值，直接将所有摄像头多帧图片对应的特征值均计算完毕，得到多个分类结果。
这样可以降低由于光照频闪带来的不利影响，提高光栅鉴伪的识别率和检测速度。该方法体现出全新形态的光栅鉴伪能力，提供了使用更高强度防伪手段的可行性，同时还具有较高的适应性，能够对变色油墨的证件进行防伪识别，降低防伪需求的部署成本。
在另一实施例中，在连续拍摄时，可以配合不同光源进行拍摄，也即在连续拍摄的多帧图片中，可以在拍摄第一帧时采用一种类型的光源，在拍摄第二帧时采用另一种类型的光源，这样在连续拍摄过程中拍摄不同帧采用不同光源，例如第一帧采用可见光，第二帧采用紫外线，这样通过不同环境不同角度不同拍摄条件下得到的图片，再经过处理得到的确定真伪结果会更加准确。
在一个实施例中，在步骤S1之前，包括：
步骤S04：获取当前设备的型号以及各所述摄像头的物理参数，所述物理参数为不可调的参数；
步骤S05：依据所述型号以及所述物理参数调用各所述摄像头，以完成拍摄。
本实施例中，当前设备为上述智能设备，例如手机，上述型号可以为手机的型号，由于摄像头设置位置固定，由型号即可知道各个摄像头的间距以及排布，上述物理参数为不可调的参数，也即为摄像头固有的参数，例如快门速度。在获取上述图片数据之前，先调用摄像头进行拍摄，具体而言，可以首先获取到当前设备的型号以及物流参数，由于通过型号可知摄像头的间距排布以及摄像头的物理参数，然后按实际需求调用依据这些型号以及物理参数来调用各个摄像头，然后通过调用的摄像头来完成拍摄，以便获取图片。
参照图2，本实施例中提供一种鉴别证件的装置，该装置对应上述鉴别证件的方法，该装置包括：
获取图片单元1，用于获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数，所述拍摄参数为所述摄像头拍摄时可调节的参数，所述环境参数为所述摄像头拍摄时所述证件所在环境的参数；
配对图片单元2，用于将各所述图片数据分别与各所述图片数据对应的拍摄参数进行配对，得到多个配对信息；
提取特征单元3，用于将各所述配对信息依次输入至预设的神经网络中进行计算，得到各所述数据图片对应的特征值，所述神经网络为用于提取图片特征的卷积神经网络；
计算结果单元4，用于将各所述特征值与所述环境参数输入到预设的分类网络中进行计算，得到各所述图片对应的分类结果；
确定真伪单元5，用于依据各所述分类结果确定所述证件的真伪。
本实施例中，上述鉴别证件的方法可基于智能设备来实现，例如带摄像头的手机、平板、摄像设备等等，该智能设备上设有多个不同类型的摄像头，例如手机具有三个摄像头，分别为广角摄像头、微距摄像头以及普通摄像头，或者手机上具有两个摄像头，分别为普通摄像头以及黑白摄像头。不同摄像头之间的间距可依据实际需求设定，不同的智能设备所设置的各个摄像头间距不一样，也即不同型号的智能设备，其摄像头的类型、间距、排布等均可以不同。优选地，上述各个摄像头可以是阵列排布，不同摄像头之间保持较大的间距，使其对不同角度可变图形的光栅具有较好的鉴伪能力。
如上述获取图片单元1所述，首先通过不同类型的摄像头从不同角度同时拍摄同一个证件，得到该证件的多个图片，该证件为通过不同油墨印刷具有光栅防伪功能的证件。本实施例中的图片数据即上述图片，这些图片可以包括由广角摄像头拍摄证件得到的图片、由普通摄像头拍摄证件得到的图片等等，然后获取图片数据。同时也可以获取各个摄像头的拍摄参数和环境参数，拍摄参数为摄像头拍摄时可调节的参数，例如光圈信息、曝光时间等，环境参数为摄像头拍摄时证件所在环境的参数，例如光照度，可以通过智能设备上的光线感应器、感光元件等来获取，由于各个摄像头位置不一样，类型不一样，同时拍摄时，可得到不同角度拍摄证件的图片。
如配对图片单元2、提取特征单元3所述，由于不同的摄像头拍摄同一个证件，得到的照片有差异，且每个图片与拍摄该图片的摄像头的拍摄参数息息相关，为了消除差异，在进行特征提取之前，先将各图片数据分别与各图片数据对应的拍摄参数进行配对，得到多个配对信息，也即每个配对信息均包括一个图片数据以及用于拍摄该图片的拍摄参数；然后再将各配对信息依次输入至预设的神经网络中进行计算，得到各数据图片对应的特征值，上述神经网络为用于提取图片特征的卷积神经网络，上述神经网络可以通过现有技术实现，例如采用ResNet网络结构来实现，此处不再赘述。
如上述计算结果单元4所述，将各特征值与上述环境参数输入到分类网络中进行计算，得到各图片对应的分类结果，上述分类网络为预设的二分类网络或者时间序列类型的神经网络，通过对特征值进行计算后，输出上述证件为真实证件的概率值，从而可以得到证件的分类结果，分类结果包括真实证件或者假证件。
如上述确定真伪单元5所述，由于将多个特征值通过上述分类网络计算后，得到多个分类结果，每个分类结果对应一个摄像头拍摄的图片，然后依据这些分类结果确定证件的真伪，例如设定当90%以上的分类结果判定为真实证件时，则可以确定上述证件为真实证件，若低于90%的分类结果判定为真实证件，则确定该证件为假证件，在另一例子中，当上述智能设备为手机时，该手机具有四个摄像头，这时可以设定超过75%的分类结果判定为真实证件时，确定上述证件为真实证件。
本申请提供的鉴别证件的方法，通过设置在智能设备上的多个不同种类的摄像头同时拍摄，然后与拍摄参数等一起输入到对应神经网络去处理，这样直接通过多个具有一定间距的摄像头进行拍摄，从而实现多个角度拍摄，提高对不同角度可变图形的光栅的鉴伪能力，不但降低了传统鉴伪拍摄的角度不易控制，且需要通过多次重复操作的问题，而且采集便利，鉴别结果准确率较高。
在一个实施例中，上述提取特征单元3，包括：
计算特征子单元，用于将各所述配对信息中的图片输入到所述隐含层进行计算得到对应的特征信息；
计算信息子单元，用于将各所述特征信息与对应的配对信息中的拍摄参数进行计算得到各所述图片对应的特征值。
本实施例中，上述神经网络包括有隐含层，当将上述配对信息输入到该神经网络时，首先对其中图片进行计算，也即通过隐含层对图片进行计算得到对应的特征信息，为了减小各个不同类型摄像头由于类型本身参数对特征值的所带来的影响，可将该特征信息与配对信息中的拍摄参数进行计算，得到图片最终的特征值；例如广角摄像头与普通摄像头拍摄同一个证件，由于两者拍摄参数不一样，可能得到一张模糊和一张清晰图片，为了最后得到特征值能够准确反映证件的特征，故而将通过隐含层提取出的特性信息再次与对应的拍摄参数计算，进而修正，得到最终的特征值。
在一个实施例中，上述鉴别证件的装置，包括：
接收指令单元，用于接收用于开启一指定类型光源的指令；
开启光源单元，用于依据所述指令开启所述指定类型光源；
获取图片单元1包括：
采集关照子单元，用于采集所述指定类型光源所对应的光照度，得到所述环境参数。
需知上述证件为通过不同油墨印刷具有光栅防伪功能的证件，在不同类型的光源下，其显示出的光栅也可能有差别，故可在上述智能设备上设置多种不同类型的光源，然后在不同光源的光照下拍摄证件的图片，上述光源可以为可见光、紫外线、红外线等，或者偏振光等。首先接收用于开启指定类型光源的指令，上述指定类型可以为上述例子中的任一种，该指令可以通过用户设定输入，或者预先设定触发条件然后自动输入，然后按照指令开启该指定类型光源，在拍摄的同时获取环境参数，也即在获取图片数据的同时依据光线感应器采集该指定类型光源所对应的光照度，得到上述环境参数。
在另一实施例中，为了提高准确率，可将各种光源轮流开启，然后每一种光源均通过各摄像头拍摄一次，最后得到在各种光源下的分类结果，然后再依据分类结果确定证件的真伪。
在一个实施例中，上述计算结果单元4，包括：
第一结果子单元，用于当所述图片数据为各所述摄像头同时拍摄一次得到的多个图片，则将各所述特征值依次输入到第一网络进行计算，得到各所述图片对应的分类结果；
第二结果子单元，用于当所述图片数据为各所述摄像头同时连续拍摄得到的分别对应多个摄像头的多帧图片，则将对应每个所述摄像头的各所述特征值输入到第二网络进行计算，得到每个所述摄像头对应的图片的分类结果。
上述分类网络可以为二分类类型的第一网络或时间序列类型的第二网络，上述二分类类型的第一网络即是二分类网络，用于将特征值进行计算然后输出证件为真实证件的概率，上述时间序列类型的第二网络用于计算时间序列类型的数据，例如输入连续拍摄得到多帧图片的多个特征值，这些特征值即为时间序列类型的数据，最后同样输出证件为真实证件的概率，上述第一网络以及第二网络均可以采用现有的网络结构搭建训练而成，此处不在赘述。
当图片数据为各摄像头同时拍摄一次得到的多个图片，也即每个摄像头均只拍摄一次，得到一个对应的图片，这时可将各特征值依次输入到第一网络进行计算，得到各图片对应的分类结果。当图片数据为各摄像头同时连续拍摄得到的分别对应多个摄像头的多帧图片，则将对应每个摄像头的各特征值输入到第二网络进行计算，得到每个摄像头对应的图片的分类结果，由于在室内进行证件拍摄工作时，交流电的存在会导致光源的频闪，拍出的图片效果不好，导致后续计算容易出错，针对这一现象，本实施例采用多帧的方式对光源进行补偿操作，即通过每个摄像头连续拍摄得到多帧图片，然后按上述获取图片单元1、配对图片单元2及提取特征单元3处理，得到每个摄像头的多帧图片所对应的多个特征值。其中连续拍摄的采样频率和拍摄地点当地交流电的频率为互质的关系，例如交流电的频率为50Hz，拍摄的帧率为17Hz。再将多个特征值输入到第二网络，例如RNN网络进行鉴伪，每一次输入一个摄像头拍摄多帧图片对应的所有特征值，直接将所有摄像头多帧图片对应的特征值均计算完毕，得到多个分类结果。
这样可以降低由于光照频闪带来的不利影响，提高光栅鉴伪的识别率和检测速度。该方法体现出全新形态的光栅鉴伪能力，提供了使用更高强度防伪手段的可行性，同时还具有较高的适应性，能够对变色油墨的证件进行防伪识别，降低防伪需求的部署成本。
在另一实施例中，在连续拍摄时，可以配合不同光源进行拍摄，也即在连续拍摄的多帧图片中，可以在拍摄第一帧时采用一种类型的光源，在拍摄第二帧时采用另一种类型的光源，这样在连续拍摄过程中拍摄不同帧采用不同光源，例如第一帧采用可见光，第二帧采用紫外线，这样通过不同环境不同角度不同拍摄条件下得到的图片，再经过处理得到的确定真伪结果会更加准确。
在一个实施例中，在鉴别证件的装置，包括：
获取参数单元，用于获取当前设备的型号以及各所述摄像头的物理参数，所述物理参数为不可调的参数；
调用摄像单元，用于依据所述型号以及所述物理参数调用各所述摄像头，以完成拍摄。
本实施例中，当前设备为上述智能设备，例如手机，上述型号可以为手机的型号，由于摄像头设置位置固定，由型号即可知道各个摄像头的间距以及排布，上述物理参数为不可调的参数，也即为摄像头固有的参数，例如快门速度。在获取上述图片数据之前，先调用摄像头进行拍摄，具体而言，可以首先获取到当前设备的型号以及物流参数，由于通过型号可知摄像头的间距排布以及摄像头的物理参数，然后按实际需求调用依据这些型号以及物理参数来调用各个摄像头，然后通过调用的摄像头来完成拍摄，以便获取图片。
参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3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，该计算机设计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。该计算机设备的数据库用于存储上述鉴别证件所需的所有数据。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鉴别证件的方法。
上述处理器执行上述鉴别证件的方法的步骤：获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数，所述拍摄参数为所述摄像头拍摄时可调节的参数，所述环境参数为所述摄像头拍摄时所述证件所在环境的参数；将各所述图片数据分别与各所述图片数据对应的拍摄参数进行配对，得到多个配对信息；将各所述配对信息依次输入至预设的神经网络中进行计算，得到各所述数据图片对应的特征值，所述神经网络为用于提取图片特征的卷积神经网络；将各所述特征值与所述环境参数输入到预设的分类网络中进行计算，得到各所述图片对应的分类结果；依据各所述分类结果确定所述证件的真伪。
在一个实施例中，上述神经网络包括隐含层，所述将各所述配对信息依次输入至预设的神经网络中进行计算，得到各所述数据图片对应的特征值的步骤，包括：将各所述配对信息中的图片输入到所述隐含层进行计算得到对应的特征信息；将各所述特征信息与对应的配对信息中的拍摄参数进行计算得到各所述图片对应的特征值。
在一个实施例中，上述获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数的步骤之前，包括：接收用于开启一指定类型光源的指令；依据所述指令开启所述指定类型光源；获取所述环境参数的步骤，包括：采集所述指定类型光源所对应的光照度，得到所述环境参数。
在一个实施例中，上述分类网络为二分类类型的第一网络或时间序列类型的第二网络，所述将各所述特征值与所述环境参数输入到预设的分类网络中进行计算，得到各所述图片对应的分类结果的步骤，包括：当所述图片数据为各所述摄像头同时拍摄一次得到的多个图片，则将各所述特征值依次输入到第一网络进行计算，得到各所述图片对应的分类结果；当所述图片数据为各所述摄像头同时连续拍摄得到的分别对应多个摄像头的多帧图片，则将对应每个所述摄像头的各所述特征值输入到第二网络进行计算，得到每个所述摄像头对应的图片的分类结果。
在一个实施例中，上述获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数的步骤之前，包括：获取当前设备的型号以及各所述摄像头的物理参数，所述物理参数为不可调的参数；依据所述型号以及所述物理参数调用各所述摄像头，以完成拍摄。
在一个实施例中，各不同类型的所述摄像头在拍摄时成阵列排布。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本发明一实施例还提供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一种鉴别证件的方法，具体为：获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数，所述拍摄参数为所述摄像头拍摄时可调节的参数，所述环境参数为所述摄像头拍摄时所述证件所在环境的参数；将各所述图片数据分别与各所述图片数据对应的拍摄参数进行配对，得到多个配对信息；将各所述配对信息依次输入至预设的神经网络中进行计算，得到各所述数据图片对应的特征值，所述神经网络为用于提取图片特征的卷积神经网络；将各所述特征值与所述环境参数输入到预设的分类网络中进行计算，得到各所述图片对应的分类结果；依据各所述分类结果确定所述证件的真伪。
上述计算机可读存储介质，上述神经网络包括隐含层，所述将各所述配对信息依次输入至预设的神经网络中进行计算，得到各所述数据图片对应的特征值的步骤，包括：将各所述配对信息中的图片输入到所述隐含层进行计算得到对应的特征信息；将各所述特征信息与对应的配对信息中的拍摄参数进行计算得到各所述图片对应的特征值。
在一个实施例中，上述获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数的步骤之前，包括：接收用于开启一指定类型光源的指令；依据所述指令开启所述指定类型光源；获取所述环境参数的步骤，包括：采集所述指定类型光源所对应的光照度，得到所述环境参数。
在一个实施例中，上述分类网络为二分类类型的第一网络或时间序列类型的第二网络，所述将各所述特征值与所述环境参数输入到预设的分类网络中进行计算，得到各所述图片对应的分类结果的步骤，包括：当所述图片数据为各所述摄像头同时拍摄一次得到的多个图片，则将各所述特征值依次输入到第一网络进行计算，得到各所述图片对应的分类结果；当所述图片数据为各所述摄像头同时连续拍摄得到的分别对应多个摄像头的多帧图片，则将对应每个所述摄像头的各所述特征值输入到第二网络进行计算，得到每个所述摄像头对应的图片的分类结果。
在一个实施例中，上述获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数的步骤之前，包括：获取当前设备的型号以及各所述摄像头的物理参数，所述物理参数为不可调的参数；依据所述型号以及所述物理参数调用各所述摄像头，以完成拍摄。
在一个实施例中，各不同类型的所述摄像头在拍摄时成阵列排布。
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与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，本申请所提供的和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。非易失性存储器可以包括只读存储器（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一多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、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。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种鉴别证件的方法，其特征在于，包括：
获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数，所述拍摄参数为所述摄像头拍摄时可调节的参数，所述环境参数为所述摄像头拍摄时所述证件所在环境的参数；
将各所述图片数据分别与各所述图片数据对应的拍摄参数进行配对，得到多个配对信息；
将各所述配对信息依次输入至预设的神经网络中进行计算，得到各所述图片数据对应的特征值，所述神经网络为用于提取图片特征的卷积神经网络；
将各所述特征值与所述环境参数输入到预设的分类网络中进行计算，得到各所述图片对应的分类结果；
依据各所述分类结果确定所述证件的真伪；
所述分类网络为二分类类型的第一网络或时间序列类型的第二网络，所述将各所述特征值与所述环境参数输入到预设的分类网络中进行计算，得到各所述图片对应的分类结果的步骤，包括：
当所述图片数据为各所述摄像头同时拍摄一次得到的多个图片，则将各所述特征值依次输入到第一网络进行计算，得到各所述图片对应的分类结果；
当所述图片数据为各所述摄像头同时连续拍摄得到的分别对应多个摄像头的多帧图片，则将对应每个所述摄像头的各所述特征值输入到第二网络进行计算，得到每个所述摄像头对应的图片的分类结果。
2.根据权利要求1所述的鉴别证件的方法，其特征在于，所述神经网络包括隐含层，所述将各所述配对信息依次输入至预设的神经网络中进行计算，得到各所述数据图片对应的特征值的步骤，包括：
将各所述配对信息中的图片输入到所述隐含层进行计算得到对应的特征信息；
将各所述特征信息与对应的配对信息中的拍摄参数进行计算得到各所述图片对应的特征值。
3.根据权利要求1所述的鉴别证件的方法，其特征在于，所述获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数的步骤之前，包括：
接收用于开启一指定类型光源的指令；
依据所述指令开启所述指定类型光源；
获取所述环境参数的步骤，包括：
采集所述指定类型光源所对应的光照度，得到所述环境参数。
4.根据权利要求1所述的鉴别证件的方法，其特征在于，所述获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数的步骤之前，包括：
获取当前设备的型号以及各所述摄像头的物理参数，所述物理参数为不可调的参数；
依据所述型号以及所述物理参数调用各所述摄像头，以完成拍摄。
5.根据权利要求1所述的鉴别证件的方法，其特征在于，各不同类型的所述摄像头在拍摄时成阵列排布。
6.一种鉴别证件的装置，其特征在于，包括：
获取图片单元，用于获取多个不同类型的摄像头从不同角度同时拍摄同一证件的图片数据，以及获取各个摄像头的拍摄参数和环境参数，所述拍摄参数为所述摄像头拍摄时可调节的参数，所述环境参数为所述摄像头拍摄时所述证件所在环境的参数；
配对图片单元，用于将各所述图片数据分别与各所述图片数据对应的拍摄参数进行配对，得到多个配对信息；
提取特征单元，用于将各所述配对信息依次输入至预设的神经网络中进行计算，得到各所述图片数据对应的特征值，所述神经网络为用于提取图片特征的卷积神经网络；
计算结果单元，用于将各所述特征值与所述环境参数输入到预设的分类网络中进行计算，得到各所述图片对应的分类结果；
确定真伪单元，用于依据各所述分类结果确定所述证件的真伪；
所述分类网络为二分类类型的第一网络或时间序列类型的第二网络；
所述计算结果单元，包括：
第一结果子单元，用于当所述图片数据为各所述摄像头同时拍摄一次得到的多个图片，则将各所述特征值依次输入到第一网络进行计算，得到各所述图片对应的分类结果；
第二结果子单元，用于当所述图片数据为各所述摄像头同时连续拍摄得到的分别对应多个摄像头的多帧图片，则将对应每个所述摄像头的各所述特征值输入到第二网络进行计算，得到每个所述摄像头对应的图片的分类结果。
7.根据权利要求6所述的鉴别证件的装置，其特征在于，所述神经网络包括隐含层，所述提取特征单元包括：
计算特征子单元，用于将各所述配对信息中的图片输入到所述隐含层进行计算得到对应的特征信息；
计算信息子单元，用于将各所述特征信息与对应的配对信息中的拍摄参数进行计算得到各所述图片对应的特征值。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的鉴别证件的方法的步骤。
9.一种计算机可读存储介质，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权利要求1至5中任一项所述的鉴别证件的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010923910.2A CN112016629B (zh) | 2020-09-04 | 2020-09-04 | 鉴别证件的方法、装置、计算机设备和存储介质 |
| PCT/CN2020/124885 WO2021159750A1 (zh) | 2020-09-04 | 2020-10-29 | 鉴别证件的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010923910.2A CN112016629B (zh) | 2020-09-04 | 2020-09-04 | 鉴别证件的方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112016629A CN112016629A (zh) | 2020-12-01 |
| CN112016629B true CN112016629B (zh) | 2023-07-28 |
Family
ID=73516615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010923910.2A Active CN112016629B (zh) | 2020-09-04 | 2020-09-04 | 鉴别证件的方法、装置、计算机设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112016629B (zh) |
| WO (1) | WO2021159750A1 (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516739A (zh) * | 2019-08-27 | 2019-11-29 | 阿里巴巴集团控股有限公司 | 一种证件识别方法、装置及设备 |
| CN111191539A (zh) * | 2019-12-20 | 2020-05-22 | 江苏常熟农村商业银行股份有限公司 | 证件真伪验证方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325933B (zh) * | 2017-07-28 | 2022-06-21 | 阿里巴巴集团控股有限公司 | 一种翻拍图像识别方法及装置 |
| CN111046899B (zh) * | 2019-10-09 | 2023-12-08 | 京东科技控股股份有限公司 | 身份证真伪识别方法、装置、设备及存储介质 |
| CN111324874B (zh) * | 2020-01-21 | 2023-06-20 | 支付宝实验室(新加坡)有限公司 | 一种证件真伪识别方法及装置 |
| CN112200136A (zh) * | 2020-10-29 | 2021-01-08 | 腾讯科技（深圳）有限公司 | 证件真伪识别方法、装置、计算机可读介质及电子设备 |
-
2020
- 2020-09-04 CN CN202010923910.2A patent/CN112016629B/zh active Active
- 2020-10-29 WO PCT/CN2020/124885 patent/WO2021159750A1/zh active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516739A (zh) * | 2019-08-27 | 2019-11-29 | 阿里巴巴集团控股有限公司 | 一种证件识别方法、装置及设备 |
| CN111191539A (zh) * | 2019-12-20 | 2020-05-22 | 江苏常熟农村商业银行股份有限公司 | 证件真伪验证方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021159750A1 (zh) | 2021-08-19 |
| CN112016629A (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6844038B2 (ja) | 生体検出方法及び装置、電子機器並びに記憶媒体 | |
| CN101783019B (zh) | 被摄体跟踪设备及其控制方法、摄像设备以及显示设备 | |
| CN109712192B (zh) | 摄像模组标定方法、装置、电子设备及计算机可读存储介质 | |
| CN111091063A (zh) | 活体检测方法、装置及系统 | |
| CN110570209A (zh) | 证件真伪验证方法、装置、计算机设备及存储介质 | |
| JP7192872B2 (ja) | 虹彩認証装置、虹彩認証方法、虹彩認証プログラムおよび記録媒体 | |
| CN108921823A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
| CN104052951A (zh) | 投影机和控制投影机的方法 | |
| CN107862274A (zh) | 美颜方法、装置、电子设备和计算机可读存储介质 | |
| KR101510312B1 (ko) | 복수의 카메라들을 이용한 3d 얼굴 모델링 장치, 시스템 및 방법 | |
| CN109559353B (zh) | 摄像模组标定方法、装置、电子设备及计算机可读存储介质 | |
| CN109040745B (zh) | 摄像头自校准方法和装置、电子设备、计算机存储介质 | |
| CN110956679B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| CN109040746B (zh) | 摄像头校准方法和装置、电子设备、计算机可读存储介质 | |
| JP2014106794A (ja) | 顔認証装置、認証方法とそのプログラム、情報機器 | |
| KR102038576B1 (ko) | 홍채 인식 시스템의 부정행위 검출 방법 | |
| CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
| CN110490196A (zh) | 主体检测方法和装置、电子设备、计算机可读存储介质 | |
| CN110557556A (zh) | 一种多对象拍摄的方法及装置 | |
| CN111383255B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN110399823A (zh) | 主体跟踪方法和装置、电子设备、计算机可读存储介质 | |
| CN112016629B (zh) | 鉴别证件的方法、装置、计算机设备和存储介质 | |
| CN109461201B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| CN116311419A (zh) | 一种人脸识别深度相机及智能设备 | |
| JP2009076020A (ja) | 虹彩認識装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40042392 Country of ref document: HK |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |