CN112085094A - 单证图像翻拍检测方法、装置、计算机设备和存储介质 - Google Patents

单证图像翻拍检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112085094A
CN112085094A CN202010936352.3A CN202010936352A CN112085094A CN 112085094 A CN112085094 A CN 112085094A CN 202010936352 A CN202010936352 A CN 202010936352A CN 112085094 A CN112085094 A CN 112085094A
Authority
CN
China
Prior art keywords
image
sub
fixed
length vector
region
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
Application number
CN202010936352.3A
Other languages
English (en)
Other versions
CN112085094B (zh
Inventor
宁培阳
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.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
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 Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202010936352.3A priority Critical patent/CN112085094B/zh
Publication of CN112085094A publication Critical patent/CN112085094A/zh
Application granted granted Critical
Publication of CN112085094B publication Critical patent/CN112085094B/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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例属于图像处理领域，应用于智慧政务领域中，涉及一种单证图像翻拍检测方法，包括对单证图像进行采样处理，得到采样图像；对所述采样图像进行滤波处理，得到分别经低通、水平高通、垂直高通处理得到的第一单证子图、第二单证子图、第三单证子图；整合所述第一单证子图、所述第二单证子图以及所述第三单证子图，得到待检测图像；对所述待检测图像进行摩尔特征提取，得到第一定长向量；将所述第一定长向量输入训练好的线性分类器中，输出得到对所述单证图像的翻拍检测结果。此外，本申请还涉及区块链技术，所述单证图像还存储于区块链中。采用本方法解决了现有技术中翻拍误检的技术问题。

Description

单证图像翻拍检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像处理领域，特别是涉及一种单证图像翻拍检测方法、装置、计算机设备和存储介质。
背景技术
现在翻拍图像是指拍摄电脑屏幕或者手机屏幕画面而得到的图像，翻拍内容一般为纸质单证。在金融、保险、政务等业务中，由于翻拍图像存在较高的伪造、篡改的风险，需要重点进行核查和甄别。传统的翻拍检测算法需要根据业务场景人工调整算法参数，该工作对专业知识要求高，且如果业务场景变化则需要重复调整，需要重复投入较大的人力成本。还有一种通用翻拍检测方法，通过检测图像中是否存在手机或者pad边框、图像亮度、是否存在屏幕摩尔纹等特征识别是否是翻拍图像，但是这些对于图像中存在底纹的图像不适用。例如，对于带底纹的医疗发票，因其底纹与翻拍常出现的摩尔纹特征存在相似性，容易导致通用检测翻拍算法误检或者漏检。
发明内容
基于此，针对上述技术问题，本申请提供一种单证图像翻拍检测方法、装置、计算机设备及存储介质，以解决现有技术中底纹与翻拍常出现的摩尔纹特征存在相似性，容易导致通用检测翻拍算法误检或者漏检的技术问题。
一种单证图像翻拍检测方法，所述方法包括：
对单证图像进行采样处理，得到采样图像；
对所述采样图像进行滤波处理，得到分别经低通、水平高通、垂直高通处理得到的第一单证子图、第二单证子图、第三单证子图；
整合所述第一单证子图、所述第二单证子图以及所述第三单证子图，得到待检测图像；
对所述待检测图像进行摩尔特征提取，得到第一定长向量；
将所述第一定长向量输入训练好的线性分类器中，输出得到对所述单证图像的翻拍检测结果。
一种单证图像翻拍检测装置，所述装置包括：
采样模块，用于对单证图像进行采样处理，得到采样图像；
滤波模块，用于对所述采样图像进行滤波处理，得到分别经低通、水平高通、垂直高通处理得到的第一单证子图、第二单证子图、第三单证子图；
整合模块，用于整合所述第一单证子图、所述第二单证子图以及所述第三单证子图，得到待检测图像；
提取模块，用于对所述待检测图像进行摩尔特征提取，得到第一定长向量；
检测模块，用于将所述第一定长向量输入训练好的线性分类器中，输出得到对所述单证图像的翻拍检测结果。
一种计算机设备，包括存储器和处理器，以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述XXX方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述单证图像翻拍检测方法的步骤。
上述单证图像翻拍检测方法、装置、计算机设备和存储介质，通过对原始的单证图像进行采样处理，得到图片中的背景区域，然后一次通过低通、水平高通、垂直高通滤波对得到的采样图像进行滤波处理，突出采样图像中的摩尔纹特征，然后将摩尔纹特征输入到线性分类器中得到翻拍检测结果，解决了现有技术中单证本来背景自带水印，容易被误识别为摩尔纹，造成误检的技术问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为单证图像翻拍检测方法的应用环境示意图；
图2为单证图像翻拍检测方法的流程示意图；
图3为图2中步骤202的中子区域划分示意图；
图4-1为翻拍图像滤波后特征区别示意图；
图4-2为非翻拍图像滤波后特征区别示意图；
图5为翻拍图像的和非翻拍图像的摩尔纹特征区别示意图；
图6为单证翻拍图像检测装置的示意图；
图7为一个实施例中计算机设备的示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本申请的目的、技术方案及优点更加清楚明白，下面结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的单证图像翻拍检测方法，可以应用于如图1所示的应用环境中。其中，该应用环境可以包括终端102、网络以及服务端104，网络用于在终端102和服务端104之间提供通信链路介质，网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端102通过网络与服务端104交互，以接收或发送消息等。终端102上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端102可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group AudioLayer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts GroupAudio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务端104可以是提供各种服务的服务器，例如对终端102上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的单证图像翻拍检测方法一般由服务端/终端执行，相应地，单证图像翻拍检测装置一般设置于服务端/终端设备中。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请可应用于智慧政务领域中，从而推动智慧城市的建设，比如应用于政府单证文件的审核中。
应该理解，图1中的终端、网络和服务端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设备、网络和服务器。
其中，终端102通过网络与服务端104进行通信。服务端104接收到终端102发送的单证图像后，会对单证图像进行采样处理，以获取到图像中背景区域，得到采样图像，然后对采样图像进行滤波处理后对滤波后的图像进行整合，再提取图像中的摩尔纹特征，最后通过线性分类器得到单证图像的翻拍检测结果发送到终端102。其中，终端102和服务端104之间通过网络进行连接，该网络可以是有线网络或者无线网络，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务端104可以用独立的服务器或者是多个组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种单证图像翻拍检测方法，以该方法应用于图1中的服务端为例进行说明，包括以下步骤：
步骤202，对单证图像进行采样处理，得到采样图像。
在一些实施例中，单证图像可以是翻拍的任意一张图像，也可以是带底纹的发票、证件、白线理赔中的单证等等，其中，翻拍的图像在拍摄电脑屏幕或者手机屏幕画面而形成的会形成摩尔纹，其次，翻拍的图像也会有反光、图像中的屏幕边框等特征。
一般而言原图比压缩后图像的摩尔纹特征明显，背景简单区域比背景复杂区域的摩尔纹特征明显，为了减少特征提取时间，同时提取最有效的特征，在一些实施例中可以使用区域采样器提取单证图像中潜在的摩尔纹最明显的区域。
进一步地，将单证图像转换为灰度图像；因为相机拍摄的图像时RGB图像，所以需要将其转换为灰度图像。然后分别通过第一卷积核、第二卷积核对灰度图像进行滤波处理，得到第一滤波图像、第二滤波图像。对于灰度图像分别采用2种卷积核进行滤波处理，得到相同大小的滤波图像：第一滤波图像I1、第二滤波图像I2。
比如，第一卷积核和第二卷积核分别是：
Figure BDA0002672057580000051
Figure BDA0002672057580000052
滤波后，颜色变化较小的区域，例如接近纯色的背景区域，受拍摄物体本身颜色的影响较小，摩尔纹比较明显，就可以实现找到颜色变化较小的区域的目的。
在一些实施例中，本申请的滤波原理是，滤波器中心点的像素与周围点做加权计算，其中，滤波器上对应位置的值就是权重，计算出来的值越小，说明这个像素和周围像素的颜色越接近。如果某个区域的值都比较小，则这就是本申请需要寻找的区域。
得到第一滤波图像I1、第二滤波图像I2后，根据第一预设比例整合第一滤波图像、第二滤波图像，得到待划分图像。例如，将第一滤波图像与第二滤波图像的像素点对应相加，得到待划分图像。具体地，可以按照公式(1)对第一滤波图像、第二滤波图像进行点对点相加：
I＝α1I1+α2I2 (1)
其中，α1、α2为常数，在一些实施例中，α1、α2，且第一预设比例为：α1：α2。
优选的，α1、α2可以取值均为0.5，保证α1+α2＝1.0即可。因为处理第一滤波图像I1的滤波器和处理第二滤波图像I2的滤波器本质是一样的滤波器，区别是前者是中间像素点与相邻4个点做计算，后者则是中间像素点与相邻8个点做计算。有的场景图用前者区分的效果好，有的则用后者区分效果好，所以根据实际应用场景的图片，利用反向传播算法来定α1和α2。
如果第一滤波图像I1效果好于第二滤波图像I2，则α1＞α2，反之α2＜α1；如果效果接近，则α1≈α2。若没有在具体场景训练，可取默认值α1＝α2＝0.5。
可选地，除了对第一滤波图像、第二滤波图像的像素点进行点对点相加，还可使用第一滤波图像I1和第二滤波图像I2交替组合构成待划分图像，即：
待划分图像的第1行＝第一滤波图像I1的第1行
待划分图像的第2行＝第二滤波图像I2的第2行
待划分图像的第3行＝第一滤波图像I1的第3行
待划分图像的第4行＝第一滤波图像I1的第4行
……
待划分图像的第N-1行＝第一滤波图像I1的第N-1行
待划分图像的第N行＝第一滤波图像I1的第N行。
换成列交替也可以。这样做一定程度上回避了α1、α2的确定等难题。
进一步地，第一预设比例中的常数α1、α2是通过反向传播算法确定的，其中，反向传播(英语：Backpropagation，缩写为BP)是“误差反向传播”的简称，是一种与最优化方法(如梯度下降法)结合使用的，用来训练人工神经网络的常见方法。该算法对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方式，用来更新权值以最小化损失函数。
得到待划分图像后，需要将待划分图像进行均分得到多个子区域，并计算各子区域的第一像素均值。例如，按照N*N像素将待划分图像划分为相同大小多个子区域，则各子区域的第一像素均值为：
Figure BDA0002672057580000061
将最小的第一像素均值对应的子区域作为初始选定区域，其中，初始选定区域的第一像素均值为最小像素均值Mmin。然后根据区域生成算法获取初始选定区域的相邻子区域，将获取到的相应子区域作为待选定区域。
尤其的，关于子区域分化像素大小N的选取，N值越小，得到的采样图像越细致，但过小的N存在计算量急剧增加和区域像素点过少均值估计不准确的弊端，所以在一些实施例中，对于一般图像而言，N取32或者64即可。
进一步地，根据区域生成算法确定待选定区域需要先计算待划分图像的像素均值
Figure BDA0002672057580000062
作为第三像素均值
Figure BDA0002672057580000063
然后将第一像素均值大于最小像素均值Mmin且小于第三像素均值
Figure BDA0002672057580000064
对应的子区域作为待选子区域；再从待选子区域中选择与初始选定区域，也就是最小像素均值对应的子区域直接相邻的子区域，以及在待选子区域中，通过待选子区域中的任意一个子区域与初始选定区域间接相邻的子区域，然后将初始选定区域、通过本步骤得到的子区域一起作为待选定区域。对于待选定区域，分别计算其最小外接矩形区域和最大内接矩形区域的第二像素均值，取第二像素均值不超过预设均值的矩形区域作为最终选定区域，其中矩形区域是指最小外接矩形区域、最大内接矩形区域，得到的矩形区域中至少包括一个子区域。
下面举例说明区域生成算法在一些实施例中的计算过程，如图3所示，是经过划分得到的8*8个子区域：
空白格子为第一像素均值
Figure BDA0002672057580000071
的区域，圆形区域为
Figure BDA0002672057580000072
的区域,阴影区域为Mmin，其中，必然的，阴影区域也属于圆形区域。以阴影区域为Mmin，通过区域生成长算法找到相邻的圆形区域，最终得到一片不规则的区域。如图3所示，大矩形框内的区域为不规则区域的最小外接矩形，包括阴影格子的小矩形框内的区域为不规则区域的最大内接矩形，根据像素均值较小原则，去两者之一为最终选定区域。
优选的，本申请选取最大内接矩形区域为最终选定区域，作为采样区域。
需要注意的是，部分圆形区域因与阴影格子所在的圆形格子区域没有相邻，所以未被纳入最终选定区域。
最后，基于最终选定区域从单证图像中得到采样图像。例如根据最终选定区域从单证图像中直接裁剪得到采样图像。通过本申请的技术方案得到的采样图像在单证图片区域一般就是摩尔纹或者底纹特征比较明显的图片背景区域。
步骤204，对采样图像进行滤波处理，得到分别经低通、水平高通、垂直高通处理得到的第一单证子图、第二单证子图、第三单证子图。
为了使图像上的摩尔纹更加明显，可以通过一阶harr小波对得到的采样图像进行滤波处理，得到通过低通、水平高通、垂直高通以及倾斜高通滤波不同方向进行滤波的4张单证子图：第一单证子图、第二单证子图、第三单证子图以及第四单证子图，其中，得到的四张单证子图的大小只有原采样图像的一半。例如，输入1张分辨率为800*800的图像，经滤波处理后，得到4张分辨率为400*400的单证子图。
其中，一阶harr小波会对采样图像分别进行低通、水平高通、垂直高通以及倾斜高通的滤波处理，得到四张单证子图。因为非翻拍图像和翻拍图像经过滤波处理后得到的图像有较大的区别，翻拍后得到的图像摩尔纹特征会更加明显，便于区分，其区别如图4-1为非翻拍图像、图4-2为翻拍图像滤波后特征区别示意图所示，其中，图4-1是非翻拍图像经过滤波处理后的效果图，图4-2是翻拍图像经过滤波处理后的效果图，图4-1中的四幅图分别是第一单证子图、第二单证子图、第三单证子图以及第四单证子图；图4-2中的图也分别是第一单证子图、第二单证子图、第三单证子图以及第四单证子图。
步骤206，整合第一单证子图、第二单证子图以及第三单证子图，得到待检测图像。
将通过倾斜高通滤波得到的第四单证子图舍弃，并将第一单证子图、第二单证子图、第三单证子图组合为一张新的图像，作为待检测图像。因为根据倾斜高通滤波得到的图像的摩尔纹特征不明显，对本申请翻拍检测作用不大，所以可以直接将其舍弃。如图4-1和图4-2所示，经滤波算法处理得到的第二、三单证子图，翻拍图片的和非翻拍图片的摩尔纹特征具有明显的区别，而第四单证子图没有明显的区别，故舍弃无效的第四单证子图。其中，第四单证子图特征不明显的原因是，如图5所示，其中，A1指液晶屏、B1指感光元件：
1)摩尔纹在水平高频滤波、垂直高频滤波、对角高频滤波(即倾斜高频滤波)这3个滤波器体现，与被翻拍的液晶屏和相机感光元件的夹角有关；
2)如果液晶屏和感光元件严格平行，那么会在水平高频滤波器处有体现，在其他两个高频滤波器处无体现；
3)如果液晶屏和感光元件严格垂直，那么会在垂直高频滤波器处有体现，在其他两个高频滤波器处无体现；
4)现实中因为做不到严格的平行或垂直(有一定的夹角)，同时拍摄的图案本身有干扰，所以实际翻拍图片中这3个滤波器都会有体现；
5)对角高频滤波器只有在被翻拍液晶屏和相机感光元件的屏幕呈现45度角左右，才会有比较明显的体现；
6)但事实上人们只会横拍或竖拍，而不会将相机斜着拍，因此摩尔纹一般不会在对角高频滤波器中有体现；
7)所以对于比较正常的横拍或竖拍图片，对角高频滤波的滤波结果可以忽略。
其中，整合的意思是将第一单证子图、第二单证子图以及第三单证子图的维度特征直接进行拼接，得到一个新的图像，作为待检测图像。
而且，不建议通过其他方式得到待检测图像，比如通过点对点相加得到待检测图像。因为上一步骤的harr滤波作用分离出来的第二、三单证子图是重要的(识别摩尔纹的主要依据)，第一、四单证子图是次要的(第四单证子图舍弃，第一单证子图仅供作线性分类器修正第二、三单证子图的图案出现的假摩尔纹，起辅助作用)。这3个单证子图的重要程度不同，若点对点相加，易造成第一单证子图遮盖另外两个单证子图的摩尔纹特征，不利于辨别。所以通过拼接的方式，可以更好的体现图像的摩尔纹特征，有利于翻拍检测。
步骤208，对待检测图像进行摩尔特征提取，得到第一定长向量。
经过以上处理得到的待检测图像的摩尔纹特征已经很清晰了，为了便于计算，在一些实施例中，需要对待检测图像进行摩尔特征提取，提取摩尔纹特征，得到向量维度为M1的第一定长向量。第一定长向量，例如当维度M1＝2时，则表示提取的特征形式为固定有2个数字的向量，例如V＝(0.1,0.9)，V就是1个典型的2维向量。
在一些实施例中，摩尔特征提取主要是为了提取待检测图像中的一些有效特征，有效特征是图像像素层面表现出来的翻拍特征，比如摩尔纹，有效特征提取的作用是为了保留待检测图形中的有效特征，剔除无效特征以获得更可靠的检测结果。依然以图4-1、4-2示意图为例，无效特征是拍摄的具体物体的种类，本申请并不需要识别翻拍图像中的物体的类型，也不用过分依赖里面物体的种类。
有效特征是指翻拍产生的摩尔纹、反光等人眼可见的图像差异。经过有效特征提取后，得到就是第一定长向量。因为提取的特征的结构为多维向量，以3维为例，该特征对于非翻拍图像和翻拍图像而言在数值上具有明显的区别，非翻拍图像的特征为(0.1,0.1,0.2)，但是翻拍图像的特征可能是(0.9,0.8,0.8)。
进一步地，M1的值是定死的，一般取值范围为512、1024或1280，取值依据，考虑：
1)定长向量的不同维度分别从不同的方面描述翻拍图片的特征，因此特征需要有足够长的维度才能有效描述翻拍图片和非翻拍图片的不同之处，才能有效区分两者；
2)在1)的前提下通过降低特征维度来减少计算量，以保证低端计算机的计算速度；
3)对于识别/检测难度小的对象，常用M1值为512；对于识别/检测难度小的对象，常用M1值为1024、1280。
其中，可以通过轻量卷积神经网络作为特征提取器，例如mobileNet，卷积神经网络一般由卷积层、池化层和全连接层构成。
卷积层用于对输入图像进行降维和特征抽取；池化层用于完成对输入图像的降维和特征抽取，但特征图像的维数还是很高。维数高不仅计算耗时，而且容易导致过拟合。池化层的具体实现是在进行卷积操作之后对得到的特征图像进行分块，图像被划分成的不相交块，计算这些块内的最大值或平均值，得到池化后的图像。全连接层(fully connectedlayers，FC)在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。换而言之，卷积取的是局部特征，全连接就是把以前的局部特征重新通过权值矩阵组装成完整的图。因为用到了所有的局部特征，所以叫全连接。
步骤210，将第一定长向量输入训练好的线性分类器中，输出得到对单证图像的翻拍检测结果。
线性分类器的实现包括但不限于以下公式(2)：
y＝f(sigmoid(WTV)) (2)
其中，W为输入向量的权重向量、V为输入向量、sigmoid(x)为归一化函数、f(x)为硬判决函数，其中，硬判决函数f(x)为公式(3)：
Figure BDA0002672057580000101
其中，t为阈值，一般通过人工调教获得，缺省取t＝0.5。
需要强调的是，为进一步保证上述信息的私密和安全性，上述单证图像信息还可以存储于一区块链的节点中。
上述单证图像翻拍检测方法中，针对带有底纹、或者摩尔纹的单证图像进行检测，用于解决现有技术中无法分辨带有底纹的图像、有摩尔纹的图像的技术问题，通过对单证图像进行采样处理后，再对其进行滤波处理，得到不同突出特征的四张子图，然后舍弃不需要的，再对得到的图像进行特征提取的操作，得到代表单证图像底层视觉特征的摩尔纹特征或者底纹特征图像实现检测图像是否为翻拍图像的目的。
在一些实施例中，单证图像翻拍检测方法，还可以在将第一定长向量输入线性分类器中之前，获取单证图像的第二定长向量、类别信息，并对类别信息进行编码处理，得到第三定长向量，将第一定长向量与第二定长向量和第三定长向量中的一种或多种进行拼接后输入到线性分类器中，进行翻拍检测，得到翻拍检测结果。
进一步地，可以通过双线性差值算法将单证图像先缩放为长、宽为第二预设比例的待提取图像，再采用轻量卷积神经网络对待提取图像进行边框特征提取，得到第二定长向量。
具体地，提取单证图像的高层视觉特征，即，提取图像语义层表现出来的翻拍特征，比如翻拍是画面的手机边框和显示器屏幕边框，具体包括：
因为不同用户使用的拍摄设备不同，拍摄图片的分辨率不确定，分辨率越高图像处理时间越长；而考虑到应用本技术方案的软件系统的硬件条件不确定，低端硬件处理高分辨率的图像时间过长，影响业务效率。所以为了降低数据处理量，可以：
采用双线性差值算法将单证图像缩放为宽固定为w、高固定为h的图像，其中，W、H一般取448或512，考虑：
1)有效特征(如摩尔纹)良好保留；
2)在1)的前提下通过降低分辨率减少计算量，减少检测模型运行来提高效率；
3)对于识别/检测难度小的对象，常用分辨率224、240；对于识别/检测难度小的对象，常用分辨率448、512。
然后再通过轻量卷积神经网络对缩放后的单证图像进行有效特征提取，这里的有效特征是画面的手机边框和显示器屏幕边框，然后将提取得到的特征作为第二定长向量。
最后，将得到的第二定长向量与第一定长向量拼接后输入到线性分类器中得到检测结果。
进一步地，还可以在将第一定长向量和第二定长向量拼接输入到线性分类器中之前，将第一定长向量和第二定长向量拼接后得到的输入向量，再与单证图像的类别信息对应的第三定长向量进行拼接，得到新的输入向量，输入到线性分类器中进行翻拍检测。
因为身份证等单证背景有纹理，易误识别为摩尔纹，而被误认为翻拍图；而营业执照等单证背景无纹理，不容易被误认为翻拍图；因此，向检测模型提供单证图像类别信息有利于更好地提高翻拍图片的识别准确率，降低误识别率。
具体的，首先，对于类别信息，假定有N个业务场景中分类，通过one-hot编码的方法编码为1个N维的向量V3；其次，将上述的3个向量第一定长向量V1第二定长向量V2、V3按顺序拼接成一个维度为(M1+M2+N)的向量V；
最后，将V送入线性分类器进行计算：
其中，W为长度为(M1+M2+N)权重向量，WTV计算得到1个标量(1个数字)，W通过与上述模块端到端训练，通过反向传播算法确定，Sigmoid()函数用于将值归一化至(0,1)；f(x)为硬判决函数：
Figure BDA0002672057580000111
t为阈值，一般通过人工调校获得，缺省取t＝0.5。
本实施例针对传统翻拍检测算法对专业知识要求高、人力成本高的问题，本申请可降低技术门槛和人力成本。各业务部门的非技术人员可直接根据各自业务场景的数据构建各自的翻拍检测系统，并自行维护和升级。而且在保险业务中翻拍检测易误检、漏检的单证(带底纹的医疗发票等)，本申请通过深度学习方法分辨底纹(非翻拍特征)和摩尔纹(典型翻拍特征)，并通过类别先验信息和/或翻拍边框等高层视觉特征优化判别策略，提升检测的可靠性。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种单证图像翻拍检测装置，该单证图像翻拍检测装置与上述实施例中单证图像翻拍检测方法一一对应。该单证图像翻拍检测装置包括：
采样模块602，用于对单证图像进行采样处理，得到采样图像。
滤波模块604，用于对采样图像进行滤波处理，得到分别经低通、水平高通、垂直高通处理得到的第一单证子图、第二单证子图、第三单证子图。
整合模块606，用于整合第一单证子图、第二单证子图以及第三单证子图，得到待检测图像。
提取模块608，用于对待检测图像进行摩尔特征提取，得到第一定长向量。
检测模块610，用于将第一定长向量输入训练好的线性分类器中，输出得到对单证图像的翻拍检测结果。
进一步地，采样模块602，包括：
转换子模块，用于将单证图像转换为灰度图像。
滤波子模块，用于分别通过第一卷积核、第二卷积核对灰度图像进行滤波处理，得到第一滤波图像、第二滤波图像。
整合子模块，用于根据第一预设比例整合第一滤波图像、第二滤波图像，得到待划分图像。
划分子模块，用于均分待划分图像得到多个子区域，并计算各子区域的第一像素均值。
选定子模块，用于将最小的第一像素均值对应的子区域作为初始选定区域，其中，初始选定区域的第一像素均值为最小像素均值。
延伸子模块，用于根据区域生成算法获取初始选定区域的相邻子区域，作为待选定区域。
均值子模块，用于对于待选定区域，分别计算其最小外接矩形区域和最大内接矩形区域的第二像素均值，取第二像素均值不超过预设均值的矩形区域作为最终选定区域。
采样子模块，用于基于最终选定区域从单证图像中得到采样图像。
进一步地，整合子模块，包括：
像素点单元，用于按照第一预设比例，将第一滤波图像与第二滤波图像的像素点对应相加，得到待划分图像。
进一步地，延伸子模块，包括：
计算单元，用于计算待划分图像的第三像素均值。
延伸单元，用于将第一像素均值在最小像素均值与第三像素均值范围内的子区域，作为待选子区域。
选定单元，用于从待选子区域中获取与初始选定区域直接相邻的子区域，以及通过待选子区域中任一子区域与初始选定区域间接相邻的子区域，并将获取到的子区域与初始选定区域一起作为待选定区域。
进一步地，在检测模块610之前，单证图像翻拍检测装置，还包括：
获取模块，用于获取单证图像的第二定长向量；
类别模块，用于获取单证图像的类别信息，并对类别信息进行编码处理，得到第三定长向量；
拼接模块，用于将第二定长向量和第三定长向量中的一个或多个与第一定长向量拼接后输入到线性分类器中，得到翻拍检测结果。
进一步地，获取模块，包括：
缩放子模块，用于通过双线性差值算法将单证图像缩放为长宽为第二预设比例的待提取图像；
提取子模块，用于采用轻量卷积神经网络对待提取图像进行边框特征提取，得到第二定长向量。
需要强调的是，为进一步保证上述信息的私密和安全性，上述单证图像还可以存储于一区块链的节点中。
上述单证图像翻拍检测装置，针对带有底纹、或者摩尔纹的单证图像进行检测，用于解决现有技术中无法分辨带有底纹的图像、有摩尔纹的图像的技术问题，通过对单证图像进行采样处理后，再对其进行滤波处理，得到不同突出特征的四张子图，然后舍弃不需要的，再对得到的图像进行特征提取的操作，得到代表单证图像底层视觉特征的摩尔纹特征或者底纹特征图像实现检测图像是否为翻拍图像的目的。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储单证图像。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。该计算机可读指令被处理器执行时以实现一种单证图像翻拍检测方法。本实施例针对带有底纹、或者摩尔纹的单证图像进行检测，用于解决现有技术中无法分辨带有底纹的图像、有摩尔纹的图像的技术问题，通过对单证图像进行采样处理后，再对其进行滤波处理，得到不同突出特征的四张子图，然后舍弃不需要的，再对得到的图像进行特征提取的操作，得到代表单证图像底层视觉特征的摩尔纹特征或者底纹特征图像实现检测图像是否为翻拍图像的目的。
其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机可读指令，计算机可读指令被处理器执行时实现上述实施例中单证图像翻拍检测方法的步骤，例如图2所示的步骤202至步骤210，或者，处理器执行计算机可读指令时实现上述实施例中单证图像翻拍检测装置的各模块/单元的功能，例如图6所示模块602至模块610的功能。本实施例针对带有底纹、或者摩尔纹的单证图像进行检测，用于解决现有技术中无法分辨带有底纹的图像、有摩尔纹的图像的技术问题，通过对单证图像进行采样处理后，再对其进行滤波处理，得到不同突出特征的四张子图，然后舍弃不需要的，再对得到的图像进行特征提取的操作，得到代表单证图像底层视觉特征的摩尔纹特征或者底纹特征图像实现检测图像是否为翻拍图像的目的。
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，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形、改进或者对部分技术特征进行等同替换，而这些修改或者替换，并不使相同技术方案的本质脱离本发明个实施例技术方案地精神和范畴，都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种单证图像翻拍检测方法，其特征在于，所述方法包括：
对单证图像进行采样处理，得到采样图像；
对所述采样图像进行滤波处理，得到分别经低通、水平高通、垂直高通处理得到的第一单证子图、第二单证子图、第三单证子图；
整合所述第一单证子图、所述第二单证子图以及所述第三单证子图，得到待检测图像；
对所述待检测图像进行摩尔特征提取，得到第一定长向量；
将所述第一定长向量输入训练好的线性分类器中，输出得到对所述单证图像的翻拍检测结果。
2.根据权利要求1所述的方法，其特征在于，所述对单证图像进行采样处理，得到采样图像，包括：
将所述单证图像转换为灰度图像；
分别通过第一卷积核、第二卷积核对所述灰度图像进行滤波处理，得到第一滤波图像、第二滤波图像；
根据第一预设比例整合所述第一滤波图像、第二滤波图像，得到待划分图像；
均分所述待划分图像得到多个子区域，并计算各子区域的第一像素均值；
将最小的所述第一像素均值对应的子区域作为初始选定区域，其中，所述初始选定区域的第一像素均值为最小像素均值；
根据区域生成算法获取所述初始选定区域的相邻子区域，作为待选定区域；
对于待选定区域，分别计算其最小外接矩形区域和最大内接矩形区域的第二像素均值，取所述第二像素均值不超过预设均值的矩形区域作为最终选定区域；
基于所述最终选定区域从所述单证图像中得到所述采样图像。
3.根据权利要求2所述的方法，其特征在于，所述根据第一预设比例整合所述第一滤波图像、第二滤波图像，得到待划分图像，包括：
按照所述第一预设比例，将所述第一滤波图像与所述第二滤波图像的像素点对应相加，得到所述待划分图像。
4.根据权利要求2所述的方法，其特征在于，所述根据区域生成算法获取所述初始选定区域的相邻子区域，作为待选定区域，包括：
计算所述待划分图像的第三像素均值；
将所述第一像素均值在所述最小像素均值与所述第三像素均值范围内的子区域，作为待选子区域；
从所述待选子区域中获取与所述初始选定区域直接相邻的子区域，以及通过所述待选子区域中任一子区域与所述初始选定区域间接相邻的子区域，并将获取到的子区域与所述初始选定区域一起作为所述待选定区域。
5.根据权利要求1所述的方法，其特征在于，在所述将所述第一定长向量输入训练好的线性分类器中之前，还包括：
获取所述单证图像的第二定长向量；
获取所述单证图像的类别信息，并对所述类别信息进行编码处理，得到第三定长向量；
将所述第二定长向量和所述第三定长向量中的一个或多个与所述第一定长向量拼接后输入到所述线性分类器中，得到所述翻拍检测结果。
6.根据权利要5所述的方法，其特征在于，所述获取所述单证图像的第二定长向量，包括：
通过双线性差值算法将所述单证图像缩放为长宽为第二预设比例的待提取图像；
采用轻量卷积神经网络对所述待提取图像进行边框特征提取，得到所述第二定长向量。
7.根据权利要求5所述的方法，其特征在于，所述将所述第二定长向量和所述第三定长向量中的一个或多个与所述第一定长向量拼接后输入到所述线性分类器中，得到所述翻拍检测结果，包括：
将所述第二定长向量和所述第三定长向量中的一个或多个与与所述第一定长向量拼接为一个维度的输入向量；
通过公式：
y＝f(sigmoid(WTV))
对所述输入向量进行处理，得到所述翻拍检测结果，其中，W为输入向量的权重向量、V为输入向量、sigmoid(x)为归一化函数、f(x)为硬判决函数。
8.一种单证图像翻拍检测装置，其特征在于，包括：
采样模块，用于对单证图像进行采样处理，得到采样图像；
滤波模块，用于对所述采样图像进行滤波处理，得到分别经低通、水平高通、垂直高通处理得到的第一单证子图、第二单证子图、第三单证子图；
整合模块，用于整合所述第一单证子图、所述第二单证子图以及所述第三单证子图，得到待检测图像；
提取模块，用于对所述待检测图像进行摩尔特征提取，得到第一定长向量；
检测模块，用于将所述第一定长向量输入训练好的线性分类器中，输出得到对所述单证图像的翻拍检测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010936352.3A 2020-09-08 2020-09-08 单证图像翻拍检测方法、装置、计算机设备和存储介质 Active CN112085094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010936352.3A CN112085094B (zh) 2020-09-08 2020-09-08 单证图像翻拍检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010936352.3A CN112085094B (zh) 2020-09-08 2020-09-08 单证图像翻拍检测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112085094A true CN112085094A (zh) 2020-12-15
CN112085094B CN112085094B (zh) 2024-04-05

Family

ID=73732122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010936352.3A Active CN112085094B (zh) 2020-09-08 2020-09-08 单证图像翻拍检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112085094B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033530A (zh) * 2021-05-31 2021-06-25 成都新希望金融信息有限公司 证件翻拍检测方法、装置、电子设备及可读存储介质
CN113362300A (zh) * 2021-06-03 2021-09-07 豪威科技(武汉)有限公司 训练、检测、聚焦方法及拍摄装置
CN113538461A (zh) * 2021-07-14 2021-10-22 深圳市点购电子商务控股股份有限公司 一种视频图像处理方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020118019A1 (en) * 2001-02-27 2002-08-29 Konica Corporation Image processing methods and image processing apparatus
US20050135700A1 (en) * 2003-12-23 2005-06-23 General Instrument Corporation Directional spatial video noise reduction
CN101076117A (zh) * 2006-05-16 2007-11-21 索尼株式会社 图像处理设备和图像处理方法
CN109558794A (zh) * 2018-10-17 2019-04-02 平安科技（深圳）有限公司 基于摩尔纹的图像识别方法、装置、设备和存储介质
CN109815960A (zh) * 2018-12-21 2019-05-28 深圳壹账通智能科技有限公司 基于深度学习的翻拍图像识别方法、装置、设备及介质
CN111368944A (zh) * 2020-05-27 2020-07-03 支付宝(杭州)信息技术有限公司 翻拍图像、证件照识别、模型训练方法、装置及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020118019A1 (en) * 2001-02-27 2002-08-29 Konica Corporation Image processing methods and image processing apparatus
US20050135700A1 (en) * 2003-12-23 2005-06-23 General Instrument Corporation Directional spatial video noise reduction
CN101076117A (zh) * 2006-05-16 2007-11-21 索尼株式会社 图像处理设备和图像处理方法
CN109558794A (zh) * 2018-10-17 2019-04-02 平安科技（深圳）有限公司 基于摩尔纹的图像识别方法、装置、设备和存储介质
CN109815960A (zh) * 2018-12-21 2019-05-28 深圳壹账通智能科技有限公司 基于深度学习的翻拍图像识别方法、装置、设备及介质
CN111368944A (zh) * 2020-05-27 2020-07-03 支付宝(杭州)信息技术有限公司 翻拍图像、证件照识别、模型训练方法、装置及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033530A (zh) * 2021-05-31 2021-06-25 成都新希望金融信息有限公司 证件翻拍检测方法、装置、电子设备及可读存储介质
CN113362300A (zh) * 2021-06-03 2021-09-07 豪威科技(武汉)有限公司 训练、检测、聚焦方法及拍摄装置
CN113538461A (zh) * 2021-07-14 2021-10-22 深圳市点购电子商务控股股份有限公司 一种视频图像处理方法和装置

Also Published As

Publication number Publication date
CN112085094B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
Qureshi et al. A bibliography of pixel-based blind image forgery detection techniques
US11861816B2 (en) System and method for detecting image forgery through convolutional neural network and method for providing non-manipulation detection service using the same
Bahrami et al. Blurred image splicing localization by exposing blur type inconsistency
Marciniak et al. Influence of low resolution of images on reliability of face detection and recognition
CN109635627A (zh) 图片信息提取方法、装置、计算机设备及存储介质
Fourati et al. Anti-spoofing in face recognition-based biometric authentication using image quality assessment
CN112085094B (zh) 单证图像翻拍检测方法、装置、计算机设备和存储介质
US7986831B2 (en) Image processing apparatus, image processing method and computer program
US11367310B2 (en) Method and apparatus for identity verification, electronic device, computer program, and storage medium
EP4109332A1 (en) Certificate authenticity identification method and apparatus, computer-readable medium, and electronic device
CN111325271A (zh) 图像分类方法及装置
CN112330331A (zh) 基于人脸识别的身份验证方法、装置、设备及存储介质
CN111553430B (zh) 一种外币识别方法及装置
CN112581344A (zh) 一种图像处理方法、装置、计算机设备及存储介质
CN114067431A (zh) 图像处理方法、装置、计算机设备和存储介质
CN115829915A (zh) 图像质量检测方法、电子设备、存储介质及程序产品
Zhu et al. Recaptured image forensics based on normalized local ternary count histograms of residual maps
CN112669244B (zh) 人脸图像增强方法、装置、计算机设备以及可读存储介质
CN112651399B (zh) 检测倾斜图像中同行文字的方法及其相关设备
CN113628181A (zh) 图像处理方法、装置、电子设备及存储介质
CN115471901B (zh) 基于生成对抗网络的多姿态人脸正面化方法及系统
CN116798041A (zh) 图像识别方法、装置和电子设备
CN113362249B (zh) 文字图像合成方法、装置、计算机设备及存储介质
CN113469898B (zh) 基于深度学习的图像去畸变方法及相关设备
CN115294557A (zh) 图像处理方法、图像处理装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant