CN112132812B - 证件校验方法、装置、电子设备及介质 - Google Patents

证件校验方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN112132812B
CN112132812B CN202011018247.8A CN202011018247A CN112132812B CN 112132812 B CN112132812 B CN 112132812B CN 202011018247 A CN202011018247 A CN 202011018247A CN 112132812 B CN112132812 B CN 112132812B
Authority
CN
China
Prior art keywords
image
certificate
holographic
image set
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011018247.8A
Other languages
English (en)
Other versions
CN112132812A (zh
Inventor
雷晨雨
周建伟
张国辉
宋晨
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 Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co 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 Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011018247.8A priority Critical patent/CN112132812B/zh
Priority to PCT/CN2020/125465 priority patent/WO2021189856A1/zh
Publication of CN112132812A publication Critical patent/CN112132812A/zh
Application granted granted Critical
Publication of CN112132812B publication Critical patent/CN112132812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Abstract

本发明涉及人工智能技术，揭露一种证件校验方法，包括：获取待校验证件的图像集，所述图像集包括多张不同角度的所述待校验证件的图像；对所述图像集进行边缘检测处理，得到边缘证件图像集；提取所述边缘证件图像集中各图像的全息校验区域，将提取到的多个全息校验区域进行合成处理，得到全息证件图像；将所述全息证件图像输入至训练的3D卷积网络模型识别所述全息证件图像的变化程度值；根据所述全息证件图像的变化程度值和预置校验算法计算所述待校验证件的校验值；若所述校验值大于或等于预设校验阈值，确定所述待校验证件为真实证件。本发明还揭露一种证件校验装置、电子设备及存储介质。本发明可以提高证件校验的准确性。

Description

证件校验方法、装置、电子设备及介质
技术领域
本发明涉及人工智能领域，尤其涉及一种证件校验方法、装置、电子设备及计算机可读存储介质。
背景技术
随着信息技术的发展，网上业务越来越多(例如，水电业务网上办理业务、银行业务网上办理业务)，在网上业务办理时，通常需要进行用户身份的校验，在进行身份校验时，通常需要对用户的证件进行校验，进而再根据证件的内容确定用户的身份。
现有技术中，证件校验方式是通过传统的图像处理或者机器学习等方法对单张证件图像进行识别，由于受光线等环境的影响这种方法会引起需要多次重复校验以及校验结果不准确的问题。
发明内容
本发明提供一种证件校验方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高证件校验的准确性。
为实现上述目的，本发明提供的一种证件校验方法，包括：
获取待校验证件的图像集，所述图像集包括多张不同角度的所述待校验证件的图像；
对所述图像集进行边缘检测处理，得到边缘证件图像集；
提取所述边缘证件图像集中各图像的全息校验区域，将提取到的多个全息校验区域进行合成处理，得到全息证件图像；
将所述全息证件图像输入至训练的3D卷积网络模型识别所述全息证件图像的变化程度值；
根据所述全息证件图像的变化程度值和预置校验算法计算所述待校验证件的校验值；
若所述校验值大于或等于预设校验阈值，确定所述待校验证件为真实证件。
可选地，所述对所述图像集进行边缘检测处理，得到边缘证件图像集，包括：
对所述图像集进行平滑滤波处理，得到滤波图像集；
对所述滤波图像集进行边缘细化处理，得到细化图像集；
利用双阈值法对所述细化图像集进行边缘选取处理，得到边缘证件图像集。
可选地，所述对所述图像集进行平滑滤波处理，得到滤波图像集，包括：
利用高斯滤波器对所述图像集进行平滑滤波处理，得到滤波图像集G(x,y)：
G(x,y)＝f(x,y)*H(x,y)
H(x,y)＝exp[-(x2+y2)/2σ2]
其中，f(x,y)为所述图像集，G(x,y)为所述滤波图像集，H(x,y)为所述高斯滤波器，exp为滤波处理运算，σ表示取值为常数的系统参数。
可选地，所述利用双阈值法对所述细化图像集进行边缘选取处理，得到所述边缘证件图像集，包括：
获取高像素阈值条件和低像素阈值条件；
选取所述细化图像集的各细化图像中符合所述高像素阈值条件的第一像素点集合，以及符合所述低像素阈值条件的第二像素点集合；
将各细化图像中所述第一像素点集合与所述第二像素点集合进行连接，得到边缘证件图像集。
可选地，所述将所述全息证件图像输入至训练的3D卷积网络模型识别所述全息证件图像的变化程度值之前，所述方法还包括：
获取训练全息图像集及所述训练全息图像集的标签值；
将所述训练全息图像集转换为全息图像向量集；
利用预构建的3D卷积网络模型中的卷积层对所述全息图像向量集进行卷积操作，得到卷积图像向量集；
利用所述预构建的3D卷积网络模型中的池化层提取所述卷积图像向量集的特征图像向量，得到特征图片向量集；
利用所述预构建的3D卷积网络模型中的激活函数计算所述特征图片向量集的多个训练值，其中，每个训练值标识所述训练全息图像集中全息图像的变化程度；
利用所述预构建的3D卷积网络模型中的损失函数计算所述多个训练值的损失值；
若所述损失值大于预设损失阈值，持续调整所述预构建的3D卷积网络模型的参数，直至所述损失值小于预设阈值时，确定训练完毕，得到训练的3D卷积网络模型。
可选地，所述利用所述预构建的3D卷积网络模型中的损失函数计算所述训练值集合的损失值，所述损失函数包括：
Figure BDA0002699823910000031
其中，L(s)表示损失值，si表示yi与y′i ′i的差值，k表示所述特征图片向量集的数量，yi表示所述特征图片向量集中第i个特征图片向量对应的训练全息图像的标签值，y′i ′表示所述特征图片向量集中第i个训练值。
可选地，所述将所述训练全息图像集转换为全息图像向量集之前，所述方法还包括：
获取所述训练全息图像集中若干图像；
对所述若干图像进行颜色变换处理，将图像处理后得到的图像添加至所述训练全息图像集。
为了解决上述问题，本发明还提供一种证件校验装置，所述装置包括：
图像集获取模块，用于获取待校验证件的图像集，所述图像集包括多张不同角度的所述待校验证件的图像；
边缘检测模块，用于对所述图像集进行边缘检测处理，得到边缘证件图像集；
全息证件图像获取模块，用于提取所述边缘证件图像集中各图像的全息校验区域，将提取到的多个全息校验区域进行合成处理，得到全息证件图像；
模型训练模块，用于将所述全息证件图像输入至训练的3D卷积网络模型识别所述全息证件图像的变化程度值；
校验值计算模块，用于根据所述全息证件图像的变化程度值和预置校验算法计算所述待校验证件的校验值；
确定模块，用于若所述校验值大于或等于预设校验阈值，确定所述待校验证件为真实证件。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的证件校验方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，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的证件校验方法。
本发明实施例在获取到待校验证件的图像集之后，对所述图像集进行边缘检测处理，提取所述边缘证件图像集中各图像的全息校验区域并对所述全息校验区域进行合成处理，得到全息证件图像，利用所述训练的3D卷积网络模型和预置校验算法对全息证件图像进行处理，得到校验值，将所述校验值与预设校验阈值进行比较，判断所述待校验证件的真实性。通过提取边缘证件图像集中各图像的全息校验区域并进行合成处理，通过合成得到多维的全息证件图像，更准确的还原真实的证件，通过将多维的全息证件图像输入至训练的3D卷积神经网络进行训练，能够得到更准确的全息证件图像的变化程度值，从而能够更准确的确定待校验证件是否为真实证件。因此本发明提出的证件校验方法、装置及计算机可读存储介质，可以提高证件校验方法的准确率。
附图说明
图1为本发明一实施例提供的证件校验方法的流程示意图；
图2为本发明一实施例提供的证件校验装置的模块示意图；
图3为本发明一实施例提供的实现证件校验方法的电子设备的内部结构示意图；
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。
本申请实施例提供的证件校验方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述证件校验方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明实施例提供的一种证件校验方法的流程示意图。在本实施例中，所述证件校验方法包括：
S1、获取待校验证件的图像集，所述图像集包括多张不同角度的所述待校验证件的图像。
本发明实施例中，所述待校验证件的图像集包括多张不同角度的待校验证件的图像，例如，通过正面、上倾斜角度、下倾斜角度等多个不同角度采集到的图像。
本发明实施例中，所述待校验证件包括但不限于二代居民身份证、港澳台来往内地通行证、香港身份证、校园卡、医保卡等证件。
本发明一可选实施例中，图像集为通过移动电子设备，如智能手机，采集到的图像的集合。
S2、对所述图像集进行边缘检测处理，得到边缘证件图像集。
本发明实施例中，对所述图像集进行边缘检测处理具体是对所述图像集中每张图像进行边缘检测处理，确定边缘检测处理后的多张图像为边缘证件图像集。
在本发明实施例中，所述对所述图像集进行边缘检测处理，得到边缘证件图像集，包括：
对所述图像集进行平滑滤波处理，得到滤波图像集；
对所述滤波图像集进行边缘细化处理，得到细化图像集；
利用双阈值法对所述细化图像集进行边缘选取处理，得到边缘证件图像集。
本发明实施例中，对所述图像集进行平滑滤波处理具体是对所述图像集中每张图像进行平滑滤波处理，确定平滑滤波处理后的图像为滤波图像，将多张滤波图像汇集为滤波图像集。
类似地，对所述滤波图像集进行边缘细化处理具体是对所述滤波图像集中每张滤波图像进行边缘细化处理，确定边缘细化处理后的每张图像为细化图像，将多张细化图像汇集为细化图像集；利用双阈值法对所述细化图像集进行边缘选取处理具体是对所述细化图像集中每张细化图像进行边缘选取处理，确定边缘选取处理后的每张图像为边缘证件图像，将多张边缘证件图像汇集为边缘证件图像集。
进一步地，所述对所述图像集进行平滑滤波处理，得到滤波图像集，包括：
利用高斯滤波器对所述训练证件图像集进行平滑滤波处理，得到滤波图像集G(x,y)。
具体地，G(x,y)＝f(x,y)*H(x,y)，且H(x,y)＝exp[-(x2+y2)/2σ2]
其中，f(x,y)为所述图像集，G(x,y)为所述滤波图像集，H(x,y)为所述高斯滤波器，exp为滤波处理运算，σ表示取值为常数的系统参数。
进一步地，所述对所述滤波图像集进行边缘细化处理，得到细化图像集，包括对所述滤波图像集中每张滤波图像进行如下处理：
利用预设的Sobel算子计算滤波图像的第一方向图像灰度值和第二方向图像灰度值；
根据所述第一方向图像灰度值和所述第二方向图像灰度值，计算所述滤波图像的梯度幅值和梯度方向；
沿着所述梯度方向选取目标像素点，比较所述目标像素点上的目标梯度幅值和非目标像素点上的非目标梯度幅值；
若所述目标梯度幅度小于或等于所述非目标梯度幅值，则将所述目标像素点设置为0，将所述非目标像素点保持不变；
若所述目标梯度幅值大于所述非目标梯度幅值，则所述目标像素点保持不变，并且将所述非目标像素点设为0；
确定像素值调整后的滤波图像为细化图像。
详细地，所述预设的Sobel算子分为X方向(即横向)和Y方向(即纵向)，其中X方向的Sobel算子为
Figure BDA0002699823910000071
Y方向的Sobel算子为/>
Figure BDA0002699823910000072
具体地，所述第一方向图像灰度值为：
Figure BDA0002699823910000073
所述第二方向图像灰度值为：
Figure BDA0002699823910000074
其中，I为滤波图像集。
进一步地，所述根据所述第一方向图像灰度值和所述第二方向图像灰度值，计算所述滤波图像的梯度幅值和梯度方向，包括：
Figure BDA0002699823910000075
θ＝arctan(Gy/Gx)
其中，G表示所述滤波图像的梯度幅值，θ表示所述滤波图像的梯度方向，Gx为第一方向图像灰度值，Gy为第二方向图像灰度值。
进一步地，本发明实施例利用双阈值法对所述细化图像集进行边缘选取处理，得到所述边缘证件图像集，包括：
获取高像素阈值条件和低像素阈值条件；
选取所述细化图像集的各细化图像中符合所述高像素阈值条件的第一像素点集合，以及符合所述低像素阈值条件的第二像素点集合；
将各细化图像中所述第一像素点集合与所述第二像素点集合进行连接，得到边缘证件图像集。
其中，所述高像素阈值条件是指大于预设的高阈值TH，所述低像素阈值条件是指小于预设的低阈值TL。
本发明实施例通过高像素阈值条件和低像素阈值条件能够选取到更有意义且更具特征的像素点，进一步的，通过将这些像素点进行合成，能够得到细节丰富，且体积更精简的边缘证件图像集。
S3、提取所述边缘证件图像集中各图像的全息校验区域，将提取到的多个全息校验区域进行合成处理，得到全息证件图像。
本发明实施例中，将边缘证件图像集中各图像分别映射到二维坐标轴上，以及将各图像的全息校验区域分别映射到二维坐标轴上之后再根据映射得到的图像进行3D合成，得到全息证件图像。
S4、将所述全息证件图像输入至训练的3D卷积网络模型识别所述全息证件图像的变化程度值。
优选的，所述方法还包括获取训练的3D卷积网络模型，所述获取训练的3D卷积网络模型包括：
获取训练全息图像集及所述训练全息图像集的标签值；
将所述训练全息图像集转换为全息图像向量集；
利用预构建的3D卷积网络模型中的卷积层对所述全息图像向量集进行卷积操作，得到卷积图像向量集；
利用所述预构建的3D卷积网络模型中的池化层提取所述卷积图像向量集的特征图像向量，得到特征图片向量集；
利用所述预构建的3D卷积网络模型中的激活函数计算所述特征图片向量集的多个训练值，其中，每个训练值标识所述训练全息图像集中全息图像的变化程度；
利用所述预构建的3D卷积网络模型中的损失函数计算所述多个训练值的损失值；
若所述损失值大于预设损失阈值，持续调整所述预构建的3D卷积网络模型的参数，直至所述损失值小于预设阈值时，确定训练完毕，得到训练的3D卷积网络模型。
其中，标签值为所述全息图像集中全息图像的变化程度。
例如，预设全息图像集对应有六个标签值，分别代表全息图像的变化程度。
具体地，将所述全息图像集中的图像映射到预设的码本上，形成全息图像向量集，其中，码本是将图像转换为图像向量的列表。
进一步地，所述利用所述预构建的3D卷积网络模型中的卷积层对所述全息图像向量集进行卷积操作，得到卷积图像向量集，包括：对所述全息图像向量集进行降维，得到所述卷积图片向量集。
优选地，本发明较佳实施利用下述公式对所述全息图像向量集进行卷积操作：
Figure BDA0002699823910000091
其中，ω’表示卷积图片向量集，ω表示全息图像向量集，k表示所述预构建的3D卷积网络模型的卷积核大小，f表示所述预构建的3D卷积网络模型的卷积步幅，p表示全息图像向量集的补零矩阵。
具体地，利用所述预构建的3D卷积网络模型中的激活函数计算所述特征图片向量集的训练值，所述激活函数包括：
Figure BDA0002699823910000092
其中，yi ′表示特征图片向量集中第i个特征图片向量的训练值，s表示特征图片向量集中的特征图片向量。
具体地，利用所述预构建的3D卷积网络模型中的损失函数计算所述训练值的损失函数值，所述损失函数包括：
Figure BDA0002699823910000093
其中，L(s)表示损失函数值，si表示训练值与对应标签值的差值，k表示特征图片向量集的数量，yi表示第i个对应标签值，y′i表示第i个训练值。
详细地，所述预构建的3D卷积网络模型的参数包括：权重和偏置。
本发明实施例中，将所述全息证件图像输入至预构建的3D卷积网络模型进行多分类训练，得到多个训练值，例如，得到的训练值分别为：x0、x1、x2、x3、x4和x5。
优选的，所述将所述训练全息图像集转换为全息图像向量集之前，所述方法还包括：
获取所述训练全息图像集中若干图像；
对所述若干图像进行颜色变换处理，将图像处理后得到的图像添加至所述训练全息图像集。
具体地，所述若干图像的数量可以为任意的。
对所述若干图像进行颜色变换处理包括：
对所述若干图像进行亮度扩充处理、对比度扩充处理和锐度扩充处理。
具体地，根据亮度扩充公式对若干图像的r、g和b进行计算，所述亮度扩充公式为：
r1＝bg*(1-a)+r*a
g1＝bg*(1-a)+g*a
b1＝bg*(1-a)+b*a
其中，r为所述若干图像的红色值，g为若干图像的绿色值，b为若干图像的蓝色值，a＝为[0.5，1]之间的随机数，bg＝1。
进一步地，根据对比度扩充公式对经过亮度扩充后图像的r1、g1和b 1进行计算，所述对比度扩充公式为：
r 2＝bg*(1-a)+r1*a
g2＝bg*(1-a)+g1*a
b2＝bg*(1-a)+b1*a
其中，r2为对比度扩充后图像的红色值，g2为对比度扩充后图像的绿色值，b2为对比度扩充后图像的蓝色值，a＝mean(r1g1b1)+0.5，mean为求平均值，bg为[0,1]的随机数。
具体地，根据锐度扩充公式对经过锐度扩充后图像的r2、g2和b2进行计算，所述锐度扩充公式为：
r3＝bg*(1-a)+r2*a
g3＝bg*(1-a)+g2*a
b3＝bg*(1-a)+b2*a
其中，r3为所述锐度扩充后图像的红色值，g3为所述锐度扩充后图像的绿色值，b3为所述锐度扩充后图像的蓝色值，bg为所述锐度扩充后的图像均值滤波后的bg值，a＝为[0.5,1]之间的随机数。
详细地，图像的r、g、b分别指图像中的红色值、绿色值和蓝色值，图像中r、g、b的不同会影响图片所呈现出来的颜色。
由于证件图像存在隐私性，难以收集到大量的样本，故采用颜色变化算法，可以生成大量的伪造样本，从而增加训练的泛化性，提升识别精度。
S5、根据所述全息证件图像的变化程度值和预置校验算法计算所述待校验证件的校验值。
本发明实施例中，所述预置校验算法可以为权重计算。
具体的，若变化程度值为x0、x1、x2、x3、x4和x5，则所述预置校验算法可以为：
F＝x0*0+x1*0.2+x2*0.4+x3*0.6+x4*0.8+x5*1
其中，F为校验值，x0、x1、x2、x3、x4和x5为所述全息证件图像的变化程度值。
S6、若所述校验值大于或等于预设校验阈值，确定所述待校验证件为真实证件。
本发明实施例中，根据所述待校验证件的校验值进行判断，若所述校验值大于或等于预设校验阈值，确定所述待校验证件为真实证件。
本发明实施例在获取到待校验证件的图像集之后，对所述图像集进行边缘检测处理，提取所述边缘证件图像集中各图像的全息校验区域并对所述全息校验区域进行合成处理，得到全息证件图像，利用所述训练的3D卷积网络模型和预置校验算法对全息证件图像进行处理，得到校验值，将所述校验值与预设校验阈值进行比较，判断所述待校验证件的真实性。通过提取边缘证件图像集中各图像的全息校验区域并进行合成处理，通过合成得到多维的全息证件图像，更准确的还原真实的证件，通过将多维的全息证件图像输入至训练的3D卷积神经网络进行训练，能够得到更准确的全息证件图像的变化程度值，从而能够更准确的确定待校验证件是否为真实证件。因此本发明提出的证件校验方法，可以提高证件校验方法的准确率。
如图2所示，是本发明证件校验装置的模块示意图。
本发明所述证件校验装置100可以安装于电子设备中。根据实现的功能，所述证件校验装置100可以包括图像集获取模块101、边缘检测模块102、全息证件图像获取模块103、模型训练模块104、校验值计算模块105、确定模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像集获取模块101，用于获取待校验证件的图像集，所述图像集包括多张不同角度的所述待校验证件的图像；
所述边缘检测模块102，用于对所述图像集进行边缘检测处理，得到边缘证件图像集；
所述全息证件图像获取模块103，用于提取所述边缘证件图像集中各图像的全息校验区域，将提取到的多个全息校验区域进行合成处理，得到全息证件图像；
所述模型训练模块104，用于将所述全息证件图像输入至训练的3D卷积网络模型识别所述全息证件图像的变化程度值；
所述校验值计算模块105，用于根据所述全息证件图像的变化程度值和预置校验算法计算所述待校验证件的校验值；
所述确定模块106，用于若所述校验值大于或等于预设校验阈值，确定所述待校验证件为真实证件。
详细地，所述证件校验装置100各模块的具体实施方式如下：
所述图像集获取模块101，用于获取待校验证件的图像集，所述图像集包括多张不同角度的所述待校验证件的图像。
本发明实施例中，所述待校验证件的图像集包括多张不同角度的待校验证件的图像，例如，通过正面、上倾斜角度、下倾斜角度等多个不同角度采集到的图像。
本发明实施例中，所述待校验证件包括但不限于二代居民身份证、港澳台来往内地通行证、香港身份证、校园卡、医保卡等证件。
本发明一可选实施例中，图像集为通过移动电子设备，如智能手机，采集到的图像的集合。
所述边缘检测模块102，用于对所述图像集进行边缘检测处理，得到边缘证件图像集。
本发明实施例中，对所述图像集进行边缘检测处理具体是对所述图像集中每张图像进行边缘检测处理，确定边缘检测处理后的多张图像为边缘证件图像集。
在本发明实施例中，所述边缘检测模块102具体用于：
对所述图像集进行平滑滤波处理，得到滤波图像集；
对所述滤波图像集进行边缘细化处理，得到细化图像集；
利用双阈值法对所述细化图像集进行边缘选取处理，得到边缘证件图像集。
本发明实施例中，对所述图像集进行平滑滤波处理具体是对所述图像集中每张图像进行平滑滤波处理，确定平滑滤波处理后的图像为滤波图像，将多张滤波图像汇集为滤波图像集。
类似地，对所述滤波图像集进行边缘细化处理具体是对所述滤波图像集中每张滤波图像进行边缘细化处理，确定边缘细化处理后的每张图像为细化图像，将多张细化图像汇集为细化图像集；利用双阈值法对所述细化图像集进行边缘选取处理具体是对所述细化图像集中每张细化图像进行边缘选取处理，确定边缘选取处理后的每张图像为边缘证件图像，将多张边缘证件图像汇集为边缘证件图像集。
进一步地，所述对所述图像集进行平滑滤波处理，得到滤波图像集，包括：
利用高斯滤波器对所述训练证件图像集进行平滑滤波处理，得到滤波图像集G(x,y)。
具体地，G(x,y)＝f(x,y)*H(x,y)，且H(x,y)＝exp[-(x2+y2)/2σ2]
其中，f(x,y)为所述图像集，G(x,y)为所述滤波图像集，H(x,y)为所述高斯滤波器，exp为滤波处理运算，σ表示取值为常数的系统参数。
进一步地，所述对所述滤波图像集进行边缘细化处理，得到细化图像集，包括对所述滤波图像集中每张滤波图像进行如下处理：
利用预设的Sobel算子计算滤波图像的第一方向图像灰度值和第二方向图像灰度值；
根据所述第一方向图像灰度值和所述第二方向图像灰度值，计算所述滤波图像的梯度幅值和梯度方向；
沿着所述梯度方向选取目标像素点，比较所述目标像素点上的目标梯度幅值和非目标像素点上的非目标梯度幅值；
若所述目标梯度幅度小于或等于所述非目标梯度幅值，则将所述目标像素点设置为0，将所述非目标像素点保持不变；
若所述目标梯度幅值大于所述非目标梯度幅值，则所述目标像素点保持不变，并且将所述非目标像素点设为0；
确定像素值调整后的滤波图像为细化图像。
详细地，所述预设的Sobel算子分为X方向(即横向)和Y方向(即纵向)，其中X方向的Sobel算子为
Figure BDA0002699823910000141
Y方向的Sobel算子为/>
Figure BDA0002699823910000142
具体地，所述第一方向图像灰度值为：
Figure BDA0002699823910000143
所述第二方向图像灰度值为：
Figure BDA0002699823910000144
其中，I为滤波图像集。
进一步地，所述根据所述第一方向图像灰度值和所述第二方向图像灰度值，计算所述滤波图像的梯度幅值和梯度方向，包括：
Figure BDA0002699823910000145
θ＝arctan(Gy/Gx)
其中，G表示所述滤波图像的梯度幅值，θ表示所述滤波图像的梯度方向，Gx为第一方向图像灰度值，Gy为第二方向图像灰度值。
进一步地，本发明实施例利用双阈值法对所述细化图像集进行边缘选取处理，得到所述边缘证件图像集，包括：
获取高像素阈值条件和低像素阈值条件；
选取所述细化图像集的各细化图像中符合所述高像素阈值条件的第一像素点集合，以及符合所述低像素阈值条件的第二像素点集合；
将各细化图像中所述第一像素点集合与所述第二像素点集合进行连接，得到边缘证件图像集。
其中，所述高像素阈值条件是指大于预设的高阈值TH，所述低像素阈值条件是指小于预设的低阈值TL。
本发明实施例通过高像素阈值条件和低像素阈值条件能够选取到更有意义且更具特征的像素点，进一步的，通过将这些像素点进行合成，能够得到细节丰富，且体积更精简的边缘证件图像集。
所述全息证件图像模块103，用于提取所述边缘证件图像集中各图像的全息校验区域，将提取到的多个全息校验区域进行合成处理，得到全息证件图像。
本发明实施例中，将边缘证件图像集中各图像分别映射到二维坐标轴上，以及将各图像的全息校验区域分别映射到二维坐标轴上之后再根据映射得到的图像进行3D合成，得到全息证件图像。
所述模型训练模块104，用于将所述全息证件图像输入至训练的3D卷积网络模型识别所述全息证件图像的变化程度值。
优选的，所述装置还包括模型获取模块，用于获取训练的3D卷积网络模型，所述模型获取模块具体用于：
获取训练全息图像集及所述训练全息图像集的标签值；
将所述训练全息图像集转换为全息图像向量集；
利用预构建的3D卷积网络模型中的卷积层对所述全息图像向量集进行卷积操作，得到卷积图像向量集；
利用所述预构建的3D卷积网络模型中的池化层提取所述卷积图像向量集的特征图像向量，得到特征图片向量集；
利用所述预构建的3D卷积网络模型中的激活函数计算所述特征图片向量集的多个训练值，其中，每个训练值标识所述训练全息图像集中全息图像的变化程度；
利用所述预构建的3D卷积网络模型中的损失函数计算所述多个训练值的损失值；
若所述损失值大于预设损失阈值，持续调整所述预构建的3D卷积网络模型的参数，直至所述损失值小于预设阈值时，确定训练完毕，得到训练的3D卷积网络模型。
其中，标签值为所述全息图像集中全息图像的变化程度。
例如，预设全息图像集对应有六个标签值，分别代表全息图像的变化程度。
具体地，将所述全息图像集中的图像映射到预设的码本上，形成全息图像向量集，其中，码本是将图像转换为图像向量的列表。
进一步地，所述利用所述预构建的3D卷积网络模型中的卷积层对所述全息图像向量集进行卷积操作，得到卷积图像向量集，包括：对所述全息图像向量集进行降维，得到所述卷积图片向量集。
优选地，本发明较佳实施利用下述公式对所述全息图像向量集进行卷积操作：
Figure BDA0002699823910000161
其中，ω’表示卷积图片向量集，ω表示全息图像向量集，k表示所述预构建的3D卷积网络模型的卷积核大小，f表示所述预构建的3D卷积网络模型的卷积步幅，p表示全息图像向量集的补零矩阵。
具体地，利用所述预构建的3D卷积网络模型中的激活函数计算所述特征图片向量集的训练值，所述激活函数包括：
Figure BDA0002699823910000162
其中，y′i表示特征图片向量集中第i个特征图片向量的训练值，s表示特征图片向量集中的特征图片向量。
具体地，利用所述预构建的3D卷积网络模型中的损失函数计算所述训练值的损失函数值，所述损失函数包括：
Figure BDA0002699823910000163
其中，L(s)表示损失函数值，si表示训练值与对应标签值的差值，k表示特征图片向量集的数量，yi表示第i个对应标签值，y′i表示第i个训练值。
详细地，所述预构建的3D卷积网络模型的参数包括：权重和偏置。
本发明实施例中，将所述全息证件图像输入至预构建的3D卷积网络模型进行多分类训练，得到多个训练值，例如，得到的训练值分别为：x0、x1、x2、x3、x4和x5。
优选的，所述装置还包括添加模块，所述添加模块用于
将所述训练全息图像集转换为全息图像向量集之前，获取所述训练全息图像集中若干图像；
对所述若干图像进行颜色变换处理，将图像处理后得到的图像添加至所述训练全息图像集。
具体地，所述若干图像的数量可以为任意的。
对所述若干图像进行颜色变换处理包括：
对所述若干图像进行亮度扩充处理、对比度扩充处理和锐度扩充处理。
具体地，根据亮度扩充公式对若干图像的r、g和b进行计算，所述亮度扩充公式为：
r1＝bg*(1-a)+r*a
g1＝bg*(1-a)+g*a
b 1＝bg*(1-a)+b*a
其中，r为所述若干图像的红色值，g为若干图像的绿色值，b为若干图像的蓝色值，a＝为[0.5，1]之间的随机数，bg＝1。
进一步地，根据对比度扩充公式对经过亮度扩充后图像的r1、g1和b1进行计算，所述对比度扩充公式为：
r2＝bg*(1-a)+r1*a
g2＝bg*(1-a)+g1*a
b2＝bg*(1-a)+b1*a
其中，r2为对比度扩充后图像的红色值，g2为对比度扩充后图像的绿色值，b2为对比度扩充后图像的蓝色值，a＝mean(r1g1b1)+0.5，mean为求平均值，bg为[0,1]的随机数。
具体地，根据锐度扩充公式对经过锐度扩充后图像的r2、g2和b2进行计算，所述锐度扩充公式为：
r3＝bg*(1-a)+r2*a
g3＝bg*(1-a)+g2*a
b3＝bg*(1-a)+b2*a
其中，r3为所述锐度扩充后图像的红色值，g3为所述锐度扩充后图像的绿色值，b3为所述锐度扩充后图像的蓝色值，bg为所述锐度扩充后的图像均值滤波后的bg值，a＝为[0.5,1]之间的随机数。
详细地，图像的r、g、b分别指图像中的红色值、绿色值和蓝色值，图像中r、g、b的不同会影响图片所呈现出来的颜色。
由于证件图像存在隐私性，难以收集到大量的样本，故采用颜色变化算法，可以生成大量的伪造样本，从而增加训练的泛化性，提升识别精度。
所述校验值计算模块105，用于根据所述全息证件图像的变化程度值和预置校验算法计算所述待校验证件的校验值。
本发明实施例中，所述预置校验算法可以为权重计算。
具体的，若变化程度值为x0、x1、x2、x3、x4和x5，则所述预置校验算法可以为：
F＝x0*0+x1*0.2+x2*0.4+x3*0.6+x4*0.8+x5*1
其中，F为校验值，x0、x1、x2、x3、x4和x5为所述全息证件图像的变化程度值。
所述证件判断模块106，用于若所述校验值大于或等于预设校验阈值，确定所述待校验证件为真实证件。
本发明实施例中，根据所述待校验证件的校验值进行判断，若所述校验值大于或等于预设校验阈值，确定所述待校验证件为真实证件。
本发明实施例在获取到待校验证件的图像集之后，对所述图像集进行边缘检测处理，提取所述边缘证件图像集中各图像的全息校验区域并对所述全息校验区域进行合成处理，得到全息证件图像，利用所述训练的3D卷积网络模型和预置校验算法对全息证件图像进行处理，得到校验值，将所述校验值与预设校验阈值进行比较，判断所述待校验证件的真实性。通过提取边缘证件图像集中各图像的全息校验区域并进行合成处理，通过合成得到多维的全息证件图像，更准确的还原真实的证件，通过将多维的全息证件图像输入至训练的3D卷积神经网络进行训练，能够得到更准确的全息证件图像的变化程度值，从而能够更准确的确定待校验证件是否为真实证件。因此本发明提出的证件校验装置，可以提高证件校验方法的准确率。
如图3所示，是本发明实现证件校验方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如证件校验程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如证件校验程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行证件校验程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的证件校验程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取待校验证件的图像集，所述图像集包括多张不同角度的所述待校验证件的图像；
对所述图像集进行边缘检测处理，得到边缘证件图像集；
提取所述边缘证件图像集中各图像的全息校验区域，将提取到的多个全息校验区域进行合成处理，得到全息证件图像；
将所述全息证件图像输入至训练的3D卷积网络模型识别所述全息证件图像的变化程度值；
根据所述全息证件图像的变化程度值和预置校验算法计算所述待校验证件的校验值；
若所述校验值大于或等于预设校验阈值，确定所述待校验证件为真实证件。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (8)

1.一种证件校验方法，其特征在于，所述方法包括：
获取待校验证件的图像集，所述图像集包括多张不同角度的所述待校验证件的图像；
对所述图像集进行边缘检测处理，得到边缘证件图像集；
提取所述边缘证件图像集中各图像的全息校验区域，将提取到的多个全息校验区域进行合成处理，得到全息证件图像；
将所述全息证件图像输入至训练的3D卷积网络模型识别所述全息证件图像的变化程度值；
根据所述全息证件图像的变化程度值和预置校验算法计算所述待校验证件的校验值；
若所述校验值大于或等于预设校验阈值，确定所述待校验证件为真实证件；
其中，所述对所述图像集进行边缘检测处理，得到边缘证件图像集，包括：对所述图像集进行平滑滤波处理，得到滤波图像集；对所述滤波图像集进行边缘细化处理，得到细化图像集；利用双阈值法对所述细化图像集进行边缘选取处理，得到边缘证件图像集；
所述对所述图像集进行平滑滤波处理，得到滤波图像集，包括：利用高斯滤波器对所述图像集进行平滑滤波处理，得到滤波图像集G(x,y)：
G(x,y)＝f(x,y)*H(x,y)
H(x,y)＝exp[-(x2+y2)/2σ2]
其中，f(x,y)为所述图像集，G(x,y)为所述滤波图像集，H(x,y)为所述高斯滤波器，exp为滤波处理运算，σ表示取值为常数的系统参数。
2.如权利要求1所述的证件校验方法，其特征在于，所述利用双阈值法对所述细化图像集进行边缘选取处理，得到所述边缘证件图像集，包括：
获取高像素阈值条件和低像素阈值条件；
选取所述细化图像集的各细化图像中符合所述高像素阈值条件的第一像素点集合，以及符合所述低像素阈值条件的第二像素点集合；
将各细化图像中所述第一像素点集合与所述第二像素点集合进行连接，得到边缘证件图像集。
3.如权利要求1所述的证件校验方法，其特征在于，所述将所述全息证件图像输入至训练的3D卷积网络模型识别所述全息证件图像的变化程度值之前，所述方法还包括：
获取训练全息图像集及所述训练全息图像集的标签值；
将所述训练全息图像集转换为全息图像向量集；
利用预构建的3D卷积网络模型中的卷积层对所述全息图像向量集进行卷积操作，得到卷积图像向量集；
利用所述预构建的3D卷积网络模型中的池化层提取所述卷积图像向量集的特征图像向量，得到特征图片向量集；
利用所述预构建的3D卷积网络模型中的激活函数计算所述特征图片向量集的多个训练值，其中，每个训练值标识所述训练全息图像集中全息图像的变化程度；
利用所述预构建的3D卷积网络模型中的损失函数计算所述多个训练值的损失值；
若所述损失值大于预设损失阈值，持续调整所述预构建的3D卷积网络模型的参数，直至所述损失值小于预设阈值时，确定训练完毕，得到训练的3D卷积网络模型。
4.如权利要求3所述的证件校验方法，其特征在于，所述利用所述预构建的3D卷积网络模型中的损失函数计算所述训练值集合的损失值，所述损失函数包括：
Figure FDA0004246096600000021
其中，L(s)表示损失值，si表示yi与yi′的差值，k表示所述特征图片向量集的数量，yi表示所述特征图片向量集中第i个特征图片向量对应的训练全息图像的标签值，yi′表示所述特征图片向量集中第i个训练值。
5.如权利要求3所述的证件校验方法，其特征在于，所述将所述训练全息图像集转换为全息图像向量集之前，所述方法还包括：
获取所述训练全息图像集中若干图像；
对所述若干图像进行颜色变换处理，将图像处理后得到的图像添加至所述训练全息图像集。
6.一种证件校验装置，其特征在于，所述装置包括：
图像集获取模块，用于获取待校验证件的图像集，所述图像集包括多张不同角度的所述待校验证件的图像；
边缘检测模块，用于对所述图像集进行边缘检测处理，得到边缘证件图像集；
全息证件图像获取模块，用于提取所述边缘证件图像集中各图像的全息校验区域，将提取到的多个全息校验区域进行合成处理，得到全息证件图像；
模型训练模块，用于将所述全息证件图像输入至训练的3D卷积网络模型识别所述全息证件图像的变化程度值；
校验值计算模块，用于根据所述全息证件图像的变化程度值和预置校验算法计算所述待校验证件的校验值；
确定模块，用于若所述校验值大于或等于预设校验阈值，确定所述待校验证件为真实证件；
其中，所述对所述图像集进行边缘检测处理，得到边缘证件图像集，包括：对所述图像集进行平滑滤波处理，得到滤波图像集；对所述滤波图像集进行边缘细化处理，得到细化图像集；利用双阈值法对所述细化图像集进行边缘选取处理，得到边缘证件图像集；
所述对所述图像集进行平滑滤波处理，得到滤波图像集，包括：利用高斯滤波器对所述图像集进行平滑滤波处理，得到滤波图像集G(x,y)：
G(x,y)＝f(x,y)*H(x,y)
H(x,y)＝exp[-(x2+y2)/2σ2]
其中，f(x,y)为所述图像集，G(x,y)为所述滤波图像集，H(x,y)为所述高斯滤波器，exp为滤波处理运算，σ表示取值为常数的系统参数。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任一项所述的证件校验方法。
8.一种计算机可读存储介质，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5中任一项所述的证件校验方法。
CN202011018247.8A 2020-09-24 2020-09-24 证件校验方法、装置、电子设备及介质 Active CN112132812B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011018247.8A CN112132812B (zh) 2020-09-24 2020-09-24 证件校验方法、装置、电子设备及介质
PCT/CN2020/125465 WO2021189856A1 (zh) 2020-09-24 2020-10-30 证件校验方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011018247.8A CN112132812B (zh) 2020-09-24 2020-09-24 证件校验方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN112132812A CN112132812A (zh) 2020-12-25
CN112132812B true CN112132812B (zh) 2023-06-30

Family

ID=73839804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011018247.8A Active CN112132812B (zh) 2020-09-24 2020-09-24 证件校验方法、装置、电子设备及介质

Country Status (2)

Country Link
CN (1) CN112132812B (zh)
WO (1) WO2021189856A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114817518B (zh) * 2022-06-21 2022-09-20 广州卓腾科技有限公司 基于大数据档案识别的证照办理方法、系统及介质
CN117173545B (zh) * 2023-11-03 2024-01-30 天逸财金科技服务（武汉）有限公司 一种基于计算机图形学的证照原件识别方法
CN117611923A (zh) * 2024-01-08 2024-02-27 北京锐融天下科技股份有限公司 一种身份证件真伪识别方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446900A (zh) * 2018-09-21 2019-03-08 平安科技（深圳）有限公司 证件真伪验证方法、装置、计算机设备及存储介质
CN110570209A (zh) * 2019-07-30 2019-12-13 平安科技（深圳）有限公司 证件真伪验证方法、装置、计算机设备及存储介质
CN110598033A (zh) * 2019-08-14 2019-12-20 中国平安财产保险股份有限公司 智能自核验车方法、装置及计算机可读存储介质
CN110751041A (zh) * 2019-09-19 2020-02-04 平安科技（深圳）有限公司 证件真伪验证方法、系统、计算机设备及可读存储介质
WO2020025696A1 (en) * 2018-07-31 2020-02-06 Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts Method and system for augmented imaging using multispectral information
CN111079571A (zh) * 2019-11-29 2020-04-28 杭州数梦工场科技有限公司 证卡信息识别及其边缘检测模型训练方法、装置
WO2020143316A1 (zh) * 2019-01-10 2020-07-16 平安科技（深圳）有限公司 证件图像提取方法及终端设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778545A (zh) * 2016-11-29 2017-05-31 重庆重智机器人研究院有限公司 表情特征提取方法及装置
US11514325B2 (en) * 2018-03-21 2022-11-29 The Regents Of The University Of California Method and system for phase recovery and holographic image reconstruction using a neural network
CN111242047A (zh) * 2020-01-15 2020-06-05 北京明略软件系统有限公司 图像处理方法和装置、电子设备及计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020025696A1 (en) * 2018-07-31 2020-02-06 Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts Method and system for augmented imaging using multispectral information
CN109446900A (zh) * 2018-09-21 2019-03-08 平安科技（深圳）有限公司 证件真伪验证方法、装置、计算机设备及存储介质
WO2020143316A1 (zh) * 2019-01-10 2020-07-16 平安科技（深圳）有限公司 证件图像提取方法及终端设备
CN110570209A (zh) * 2019-07-30 2019-12-13 平安科技（深圳）有限公司 证件真伪验证方法、装置、计算机设备及存储介质
CN110598033A (zh) * 2019-08-14 2019-12-20 中国平安财产保险股份有限公司 智能自核验车方法、装置及计算机可读存储介质
CN110751041A (zh) * 2019-09-19 2020-02-04 平安科技（深圳）有限公司 证件真伪验证方法、系统、计算机设备及可读存储介质
CN111079571A (zh) * 2019-11-29 2020-04-28 杭州数梦工场科技有限公司 证卡信息识别及其边缘检测模型训练方法、装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
应用于课堂场景人脸验证的卷积网络方法研究;吴江林 等;信息技术与网络安全(第05期);全文 *

Also Published As

Publication number Publication date
CN112132812A (zh) 2020-12-25
WO2021189856A1 (zh) 2021-09-30

Similar Documents

Publication Publication Date Title
CN112132812B (zh) 证件校验方法、装置、电子设备及介质
CN109902548B (zh) 一种对象属性识别方法、装置、计算设备及系统
CN108875600A (zh) 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
KR20180104609A (ko) 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체
CN108229419A (zh) 用于聚类图像的方法和装置
CN113159147B (zh) 基于神经网络的图像识别方法、装置、电子设备
CN107316029B (zh) 一种活体验证方法及设备
CN109948397A (zh) 一种人脸图像校正方法、系统及终端设备
CN113283446B (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN111898538B (zh) 证件鉴伪方法、装置、电子设备及存储介质
CN105069774B (zh) 基于多示例学习与图割优化的目标分割方法
CN109348731A (zh) 一种图像匹配的方法及装置
CN109871845B (zh) 证件图像提取方法及终端设备
CN111461170A (zh) 车辆图像检测方法、装置、计算机设备及存储介质
CN104281856B (zh) 用于脑部医学图像分类的图像预处理方法和系统
CN112396005A (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
WO2021151277A1 (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN107967461A (zh) Svm 差分模型训练及人脸验证方法、装置、终端及存储介质
CN111209873A (zh) 一种基于深度学习的高精度人脸关键点定位方法及系统
CN111784658A (zh) 一种用于人脸图像的质量分析方法和系统
CN114049568A (zh) 基于图像比对的标的物形变检测方法、装置、设备及介质
CN113191189A (zh) 人脸活体检测方法、终端设备及计算机可读存储介质
CN112036316A (zh) 手指静脉识别方法、装置、电子设备及可读存储介质
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN113887408B (zh) 活化人脸视频的检测方法、装置、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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40040156

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant