CN112200136A - 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
- CN112200136A CN112200136A CN202011179992.0A CN202011179992A CN112200136A CN 112200136 A CN112200136 A CN 112200136A CN 202011179992 A CN202011179992 A CN 202011179992A CN 112200136 A CN112200136 A CN 112200136A
- Authority
- CN
- China
- Prior art keywords
- counterfeiting
- authenticity
- certificate
- point
- video image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/95—Pattern authentication; Markers therefor; Forgery detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30176—Document
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和静态防伪点,该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;提取静态防伪点所在位置的图像特征信息,得到静态防伪点特征,提取动态防伪点所在位置的图像特征信息及动态防伪点在多个证件图像之间的变化特征信息,得到动态防伪点特征;基于静态防伪点特征识别各个静态防伪点对应的真伪结果,基于动态防伪点特征识别各个动态防伪点对应的真伪结果;根据各个静态防伪点对应的真伪结果和各个动态防伪点对应的真伪结果确定目标证件的真伪。本申请的技术方案可以精确识别证件的真伪。
Description
技术领域
本申请涉及计算机及通信技术领域,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),以基于该证件图像进行身份核验。然而,在进行身份核验时,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可以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和静态防伪点,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;提取所述静态防伪点所在位置的图像特征信息,得到静态防伪点特征,提取所述动态防伪点所在位置的图像特征信息及所述动态防伪点在多个证件图像之间的变化特征信息,得到动态防伪点特征;基于所述静态防伪点特征识别各个静态防伪点对应的真伪结果,基于所述动态防伪点特征识别各个动态防伪点对应的真伪结果;根据所述各个静态防伪点对应的真伪结果和所述各个动态防伪点对应的真伪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:防伪点检测单元,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和静态防伪点,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;提取单元,配置为提取所述静态防伪点所在位置的图像特征信息,得到静态防伪点特征,提取所述动态防伪点所在位置的图像特征信息及所述动态防伪点在多个证件图像之间的变化特征信息,得到动态防伪点特征;处理单元,配置为基于所述静态防伪点特征识别各个静态防伪点对应的真伪结果,基于所述动态防伪点特征识别各个动态防伪点对应的真伪结果;确定单元,配置为根据所述各个静态防伪点对应的真伪结果和所述各个动态防伪点对应的真伪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,所述证件真伪识别装置还包括:采集单元、位置检测单元和获取单元;其中,所述采集单元配置为通过不同角度采集包含所述目标证件的视频流;所述位置检测单元配置为检测所述视频流中的视频图像帧所包含的目标证件的位置;所述采集单元还配置为:若所述位置检测单元检测到所述目标证件的位置不符合设定条件,则重新采集包含所述目标证件的视频流,直至采集到的视频图像帧所包含的目标证件的位置符合所述设定条件;所述获取单元配置为:若检测到所述目标证件的位置符合所述设定条件,则从所述视频流包含的视频图像帧中获取所述多个证件图像。
在本申请的一些实施例中,基于前述方案,所述位置检测单元配置为:通过顺次相连的多个卷积块对所述视频图像帧进行下采样处理,其中所述多个卷积块中的第一个卷积块用于对所述视频图像帧进行下采样处理,所述多个卷积块中的第i+1个卷积块用于对第i个卷积块的输出特征图进行下采样处理,i大于0;依次将所述多个卷积块中的第i+1个卷积块的对应特征图进行上采样处理,并将上采样处理的结果与第i个卷积块的输出特征图进行合并,将合并结果作为所述第i个卷积块的对应特征图,所述上采样处理与所述下采样处理的采样尺度相同;根据所述多个卷积块中第一个卷积块的对应特征图识别所述视频图像帧所包含的目标证件的位置。
在本申请的一些实施例中,基于前述方案,所述证件真伪识别装置还包括:角度检测单元,配置为检测所述视频流中的视频图像帧所包含的目标证件的翻转角度;所述采集单元还配置为:若检测到的所述目标证件的翻转角度不符合设定条件,则重新采集包含所述目标证件的视频流,直至采集到的视频图像帧所包含的目标证件的翻转角度符合所述设定条件。
在本申请的一些实施例中,基于前述方案,所述角度检测单元配置为:在所述视频流包含的视频图像帧中进行目标证件检测,以在所述视频图像帧中识别包含所述目标证件的证件检测框;根据在所述视频图像帧中识别到的证件检测框的边长比,确定所述视频图像帧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,所述提取单元提取所述动态防伪点所在位置的图像特征信息及所述动态防伪点在多个证件图像之间的变化特征信息,得到动态防伪点特征的过程,以及所述处理单元基于所述动态防伪点特征识别各个动态防伪点对应的真伪结果的过程,包括:将包含所述动态防伪点的多个证件图像帧输入至三维卷积网络,以通过所述三维卷积网络提取所述动态防伪点的多维特征图;通过所述三维卷积网络中的下采样单元将所述多维特征图转换为一维特征图,并通过所述三维卷积网络中全连接层输出所述动态防伪点对应的真伪结果。
在本申请的一些实施例中,基于前述方案,所述处理单元配置为:根据各个静态防伪点的静态防伪点特征所处的第一特征值区间,以及所述第一特征值区间所关联的真伪结果,确定所述各个静态防伪点对应的真伪结果;根据各动态防伪点的动态防伪点特征所处的第二特征值区间,以及所述第二特征值区间所关联的真伪结果,确定所述各个动态防伪点对应的真伪结果。
在本申请的一些实施例中,基于前述方案,所述多个证件图像包括:从包含所述目标证件的视频流中抽取出的指定视频图像帧,所述指定视频图像帧包括以下任一:所述视频流中的每一视频图像帧、按照设定间隔从所述视频流中抽取出的一个或多个视频图像帧、所述目标证件处于水平位置的视频图像帧;所述提取单元配置为:在所述指定视频图像帧中提取静态防伪点所在位置的图像特征信息。
在本申请的一些实施例中,基于前述方案,所述处理单元配置为:基于从各个指定视频图像帧中提取出的静态防伪点特征,识别各个指定视频图像帧中包含的静态防伪点的真伪结果;根据各个指定视频图像帧中包含的静态防伪点的真伪结果,确定同一个静态防伪点在各个指定视频图像帧中的真伪结果;根据同一个静态防伪点在各个指定视频图像帧中的真伪结果,计算所述目标证件上的各个静态防伪点的真伪结果。
在本申请的一些实施例中,基于前述方案,所述多个证件图像包括:从包含所述目标证件的视频流中抽取出的至少一组视频图像帧;所述提取单元配置为:在所述至少一组视频图像帧中提取动态防伪点所在位置的图像特征信息及所述动态防伪点的变化特征信息。
在本申请的一些实施例中,基于前述方案,所述处理单元配置为:若从包含所述目标证件的视频流中抽取多组视频图像帧,则基于从各组视频图像帧中提取出的动态防伪点所在位置的图像特征信息及所述动态防伪点的变化特征信息,识别各组视频图像帧中包含的动态防伪点的真伪结果;根据各组视频图像帧中包含的动态防伪点的真伪结果,确定同一个动态防伪点在各组视频图像帧中的真伪结果;根据同一个动态防伪点在各组视频图像帧中的真伪结果,计算所述目标证件上的各个动态防伪点的真伪结果。
在本申请的一些实施例中,基于前述方案,所述真伪结果包括真伪置信度;所述确定单元配置为:根据所述各个静态防伪点的权重和所述各个动态防伪点的权重,对所述各个静态防伪点对应的真伪置信度和所述各个动态防伪点对应的真伪置信度进行加权,得到真伪置信度综合值;根据所述真伪置信度综合值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。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实施例中提供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,通过检测目标证件的多个证件图像中包含的动态防伪点和静态防伪点,使得可以提取静态防伪点所在位置的图像特征信息,得到静态防伪点特征,提取动态防伪点所在位置的图像特征信息及动态防伪点在多个证件图像之间的变化特征信息,得到动态防伪点特征,并基于静态防伪点特征识别各个静态防伪点对应的真伪结果,基于动态防伪点特征识别各个动态防伪点对应的真伪结果,进而根据各个静态防伪点对应的真伪结果和各个动态防伪点对应的真伪结果确定目标证件的真伪。可见,本申请实施例的技术方案可以基于证件图像上的动态防伪点和静态防伪点共同来进行证件真伪的识别,对于动态防伪点而言,不仅考虑了动态防伪点所在位置的图像特征信息,而且考虑了动态防伪点在多个证件图像之间的变化特征信息,进而使得能够根据各个静态防伪点对应的真伪结果和各个动态防伪点对应的真伪结果来识别目标证件的真伪,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3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5示出了根据本申请的一个实施例的基于图像分割来检测目标证件位置的流程图;
图6示出了根据本申请的一个实施例的三维卷积网络识别动态防伪点对应的真伪结果的示意图;
图7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8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9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。
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。
需要说明的是:在本文中提及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
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,通常都是将从芯片(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。
然而,这种验证真伪的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。
基于此,本申请的实施例提出了一种新的证件真伪识别方法,可以基于证件图像上的动态防伪点和静态防伪点共同来进行证件真伪的识别,对于静态防伪点而言,考虑了静态防伪点所在位置的图像特征信息,对于动态防伪点而言,不仅考虑了动态防伪点所在位置的图像特征信息,而且考虑了动态防伪点在多个证件图像之间的变化特征信息,并且可以先确定各个静态防伪点对应的真伪结果和各个动态防伪点对应的真伪结果,进而根据各个静态防伪点对应的真伪结果和各个动态防伪点对应的真伪结果来识别目标证件的真伪,提高了证件真伪识别的准确性。
具体而言,在本申请的一个系统架构中,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,或者也可以是平板电脑、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(Near Field Communication,简称NFC)、蜂窝移动通信网络等。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可以通过不同的角度采集需要进行真伪识别的目标证件104的图像,然后将通过不同角度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静态防伪点和动态防伪点进行检测,然后可以提取静态防伪点所在位置的图像特征信息,得到静态防伪点特征,并提取动态防伪点所在位置的图像特征信息及动态防伪点在多个证件图像之间的变化特征信息,得到动态防伪点特征。在得到静态防伪点特征和静态防伪点特征之后,可以基于静态防伪点特征识别各个静态防伪点对应的真伪结果,并基于动态防伪点特征识别各个动态防伪点对应的真伪结果,进而根据各个静态防伪点对应的真伪结果和各个动态防伪点对应的真伪结果确定目标证件的真伪。
在本申请的一个实施例中,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,并基于本申请提出的证件真伪识别方法来对目标证件104的真伪进行识别。
需要说明的是:如果本申请实施例所提供的证件真伪识别方法由服务器103执行,那么终端101上运行的客户端可以基于用户的触发通过网页调用请求服务的方式来实现证件的鉴伪;如果本申请实施例所提供的证件真伪识别方法由终端101执行,那么终端101上运行的客户端可以调用鉴伪SDK(Software Development Kit,软件开发工具包)的方式提供证件鉴伪功能。当然,也可以通过客户端调用SDK判断采集的证件图像是否规范,并结合服务器103提供鉴伪服务的方式来快速进行证件真伪的识别。
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具有计算处理功能的设备来执行,比如可以由图1中所示的服务器103或终端101来执行。参照图2所示,该证件真伪识别方法至少包括步骤S210至步骤S240,详细介绍如下:
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和静态防伪点,该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。
在本申请的一个实施例中,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,当证件处于不同姿态时,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一定的规律变化,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。静态防伪点是不会因为证件角度或光照不同而发生变化的防伪标识。
一般而言,伪造的证件通常不包含防伪点,或者只包含部分防伪点,或者防伪点与真实证件存在差异(如伪造的证件上的动态防伪点不会由于角度和光照发生变化而变化、或者变化方式与真实证件有区别等),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,以基于动态防伪点和静态防伪点来综合确定证件的真伪识别结果。
在本申请的一个实施例中,图像采集设备可以通过不同角度采集包含目标证件的视频流,然后从该视频流中获取多个证件图像;或者也可以通过不同采集角度直接采集目标证件的多个证件图像。具体地,图像采集设备在检测到证件图像采集请求后,可以开启摄像头通过不同角度对目标证件进行图像采集,以获取从不同角度采集得到的视频流或者多个证件图像。
在本申请的一个实施例中,如图3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,通过图像采集设备301对翻转至不同位置(如图3中所示的位置A、位置B、位置C、位置D)的目标证件进行图像采集,从而得到视频流或者多个证件图像。
在本申请的一个实施例中,如图4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,将图像采集设备401变换到不同位置(如图3中所示的位置a、位置b、位置c、位置d),按不同采集角度对目标证件进行图像采集,从而得到视频流或者多个证件图像。
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,以此来采集的到视频流或者多个证件图像。
在本申请的一个实施例中,在采集目标证件的视频流或者多个证件图像时,还可以检测采集到的视频流中的视频图像帧或采集到的证件图片所包含的目标证件的位置,如果检测到的目标证件的位置不符合设定条件,则可以重新进行采集,直至采集到的视频图像帧或证件图片所包含的目标证件的位置符合设定条件为止。可选地,如果检测到的目标证件的位置位于视频图像帧或证件图片的画面之外,或者检测到的目标证件在视频图像帧或证件图片中过小或过大(过小或过大是由于拍摄时摄像头与目标证件之间的距离过远或过近导致的),则可以提示用户重新进行采集。
在本申请的一个实施例中,可以通过以下方式检测视频图像帧所包含的目标证件的位置(由于检测证件图片中的目标证件位置的方式类似,以下以检测视频图像帧所包含的目标证件的位置为例进行说明):
通过顺次相连的多个卷积块对视频图像帧进行下采样处理,其中该多个卷积块中的第一个卷积块用于对视频图像帧进行下采样处理,该多个卷积块中的第i+1个卷积块用于对第i个卷积块的输出特征图进行下采样处理,i大于0;
依次将该多个卷积块中的第i+1个卷积块的对应特征图进行上采样处理,并将上采样处理的结果与第i个卷积块的输出特征图进行合并,将合并结果作为第i个卷积块的对应特征图,其中的上采样处理与下采样处理的采样尺度相同;
根据该多个卷积块中第一个卷积块的对应特征图识别视频图像帧所包含的目标证件的位置。需要说明的是,这多个卷积块中的最后一个卷积块的对应特征图即为最后一个卷积块的输出特征图。
具体而言,如图5所示,对于一个视频图像帧500,通过一个卷积块进行卷积下采样2×2(具体尺度仅为示例)倍得到特征图501(特征图501即为第1个卷积块的输出特征图),然后继续卷积下采样2×2得到特征图502(特征图502即为第2个卷积块的输出特征图),并依次类推得到特征图503和特征图504(特征图503即为第3个卷积块的输出特征图,特征图504即为第4个卷积块的输出特征图,该实施例以4个卷积块为例进行说明)。将第4个卷积块(即这4个顺次相连的卷积块中的最后一个卷积块)的对应特征图504'(由于第4个卷积块是最后一个卷积块,因此第4个卷积块的对应特征图即为第4个卷积块的输出特征图)进行2×2的上采样,并与第3个卷积块的输出特征图503进行合并得到第3个卷积块的对应特征图503',然后第3个卷积块的对应特征图503'进行2×2的上采样,并与第2个卷积块的输出特征图502进行合并得到第2个卷积块的对应特征图502',第2个卷积块的对应特征图502'进行2×2的上采样,并与第1个卷积块的输出特征图501进行合并得到第1个卷积块的对应特征图501',特征图501'即为与视频图像帧500同样大小的特征图,最后将该特征图输入sigmoid函数中得到目标证件的边缘分割结果,即505中白色框线的位置即为检测到的目标证件的位置。
在本申请的一个实施例中,在采集目标证件的视频流或者多个证件图像时,还可以检测采集到的视频流中的视频图像帧或采集到的证件图片所包含的目标证件的翻转角度,如果检测到的目标证件的翻转角度不符合设定条件,则可以重新进行采集,直至采集到的视频图像帧或证件图片所包含的目标证件的翻转角度符合设定条件为止。可选地,如果检测到的目标证件的翻转角度过大或过小,则可以提示用户重新进行采集。
在本申请的一个实施例中,检测视频流中的视频图像帧所包含的目标证件的翻转角度(由于检测证件图片中的目标证件翻转角度的方式类似,以下以检测视频图像帧所包含的目标证件的翻转角度为例进行说明),可以是在视频流包含的视频图像帧中进行目标证件检测,以在视频图像帧中识别包含目标证件的证件检测框,然后根据在视频图像帧中识别到的证件检测框的边长比,确定视频图像帧中所包含的目标证件的翻转角度。
示例性地,可以计算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,可以计算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。
在一个实施例中,也可以计算证件检测框的相邻两边长比,以及目标证件的相邻两边长比,然后根据各个视频图像帧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,确定各个视频图像帧中所包含的目标证件的翻转角度。例如,计算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,根据该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,不会受到不同视频图像帧中的目标证件大小不一的影响。
在本申请的一个实施例中,可以利用图像检测模型对各个视频图像帧进行检测,图像检测模型的训练样本包括标注有证件检测框的视频图像帧样本,以及对视频图像帧样本进行图像增强处理得到的增强图像。可选地,可以将视频流中包含的视频图像帧输入图像检测模型,利用图像检测模型对各个视频图像帧进行检测,得到各个视频图像帧中包含目标证件的证件检测框。
在本申请的一个实施例中,图像检测模型可以使用PVAnet(Performance VsAccuracy Net),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图像帧样本,以及对视频图像帧样本进行图像增强处理得到的增强图像。可选地,增强图像可以是进行图像增强处理得到的图像,比如可以是对视频图像帧样本使用旋转、亮度、对比度以及加噪声等方法进行增强处理得到的。
继续参照图2所示,在步骤S220中,提取静态防伪点所在位置的图像特征信息,得到静态防伪点特征,提取动态防伪点所在位置的图像特征信息及动态防伪点在多个证件图像之间的变化特征信息,得到动态防伪点特征。
在本申请的一个实施例中,静态防伪点特征信息即是二维图像特征信息,因此可以通过提取静态防伪点所在位置的图像特征信息作为静态防伪点特征,比如可以通过SIFT(Scale-invariant feature transform,尺度不变特征变换)算法来提取静态防伪点特征,或者提取HOG(Histogram of Oriented Gradient,方向梯度直方图)特征作为静态防伪点特征等,或者也可以通过二维卷积神经网络来提取静态防伪点特征。而对于动态防伪点而言,不仅需要考虑静态防伪点所在位置的图像特征信息,而且还要在此基础上增加时序维度,以捕捉视频多帧间动态防伪点的变化特征,具体可以采用三维卷积网络来提取动态防伪点特征,详见后文。
在步骤S230中,基于静态防伪点特征识别各个静态防伪点对应的真伪结果,基于动态防伪点特征识别各个动态防伪点对应的真伪结果。
在本申请的一个实施例中,可以根据各个静态防伪点的静态防伪点特征所处的第一特征值区间,以及第一特征值区间所关联的真伪结果,确定各个静态防伪点对应的真伪结果。比如,可以事先设定真伪防伪点的特征值区间范围,然后根据静态防伪点特征所处的特征值区间范围来确定静态防伪点的真伪结果。
类似地,也可以根据各动态防伪点的动态防伪点特征所处的第二特征值区间,以及第二特征值区间所关联的真伪结果,确定各个动态防伪点对应的真伪结果。
在本申请的一个实施例中,也可以采用真伪分类的方法来确定静态防伪点和动态防伪点的真伪结果。比如采用SVM(Support Vector Machine,支持向量机)分类器进行防伪点的真伪分类,或者通过神经网络中的全连接层来进行防伪点的真伪分类等。
在本申请的一个实施例中,可以从包含目标证件的视频流中抽取指定视频图像帧,该指定视频图像帧可以是视频流中的所有视频图像帧,或者可以是按照设定间隔从视频流中抽取出的一个或多个视频图像帧,或者也可以是目标证件处于水平位置的视频图像帧。然后在该指定视频图像帧中提取静态防伪点所在位置的图像特征信息。基于此,在本申请的一个实施例中,可以根据从各个指定视频图像帧中提取出的静态防伪点特征,识别各个指定视频图像帧中包含的静态防伪点的真伪结果,然后根据各个指定视频图像帧中包含的静态防伪点的真伪结果,确定同一个静态防伪点在各个指定视频图像帧中的真伪结果,进而根据同一个静态防伪点在各个指定视频图像帧中的真伪结果,计算目标证件上的各个静态防伪点的真伪结果。
具体而言,对于任意一个视频图像帧,都可以采用前述实施例中的技术方案来检测其中包含的静态防伪点,并识别其中的静态防伪点的真伪结果。然后将抽取出的指定视频图像帧中包含的相同静态防伪点的真伪结果进行综合来得到各个静态防伪点的真伪结果。比如,真伪结果可以是真伪置信度,进而可以将指定视频图像帧中包含的相同静态防伪点的真伪置信度进行平均,然后将得到的平均值作为各个静态防伪点的真伪结果。
需要说明的是,如果不是从视频流中抽取出指定视频图像帧来确定静态防伪点的真伪结果,而是直接采集多张证件图像来确定静态防伪点的真伪结果,那么具体的处理方式与基于从视频流中抽取出指定视频图像帧来确定静态防伪点的真伪结果的方案是类似的,不再赘述。
在本申请的一个实施例中,可以从包含目标证件的视频流中抽取至少一组视频图像帧,然后在这至少一组视频图像帧中提取动态防伪点所在位置的图像特征信息及动态防伪点的变化特征信息。基于此,在本申请的一个实施例中,可以根据从各组视频图像帧中提取出的动态防伪点所在位置的图像特征信息及动态防伪点的变化特征信息,识别各组视频图像帧中包含的动态防伪点的真伪结果,然后根据各组视频图像帧中包含的动态防伪点的真伪结果,确定同一个动态防伪点在各组视频图像帧中的真伪结果,进而根据同一个动态防伪点在各组视频图像帧中的真伪结果,计算目标证件上的各个动态防伪点的真伪结果。
具体而言,对于任意一组视频图像帧,都可以采用前述实施例中的技术方案来检测其中包含的动态防伪点,并识别其中的动态防伪点的真伪结果。然后将抽取出的各组视频图像帧中包含的相同动态防伪点的真伪结果进行综合来得到各个动态防伪点的真伪结果。比如,真伪结果可以是真伪置信度,进而可以将各组视频图像帧中包含的相同动态防伪点的真伪置信度进行平均,然后将得到的平均值作为各个动态防伪点的真伪结果。
当然,如果不是从视频流中抽取出至少一组视频图像帧来确定动态防伪点的真伪结果,而是直接采集多张证件图像来确定动态防伪点的真伪结果,那么具体的处理方式与基于从视频流中抽取出至少一组视频图像帧来确定动态防伪点的真伪结果的方案是类似的,比如也可以根据这多张证件图像来划分得到至少一组证件图像,然后进行真伪识别,不再赘述。
在本申请的一个实施例中,如前实施例所述,可以通过三维卷积网络来提取动态防伪点特征,同时也可以输出动态防伪点对应的真伪结果。具体地,可以将包含动态防伪点的多个证件图像(这多个证件图像可以是从包含目标证件的视频流中抽取出来的)帧输入至三维卷积网络,以通过三维卷积网络提取动态防伪点的多维特征图,然后通过三维卷积网络中的下采样单元将多维特征图转换为一维特征图,并通过三维卷积网络中全连接层输出动态防伪点对应的真伪结果。
可选地,三维卷积网络识别动态防伪点对应的真伪结果的示意图可以参照图6所示,作为示例,可以采用4个卷积块,这4个卷积块依次串行,每个卷积块是conv3d+BN(即Batch Normalization,批量归一化)层+Relu(Rectified Linear Unit,线性整流单元)的结构,4个卷积块的特征单元分别对应于图6中的4列。图6中卷积特征之间的虚线连接用于表示下一层的一个特征单元(即图6中的立方体所示,其表示该层特征图中的一个单元,且表示三维卷积的特征单元)是由上一层的相邻几个特征单元卷积得到的。最后将多维特征图转换为一维特征向量601,并通过全连接层输出防伪点对应的真伪置信度。该真伪置信度可以是:真证+置信度,以及伪证+置信度的形式。比如,真证99.3%;伪证0.7%。
继续参照图2所示,在步骤S240中,根据各个静态防伪点对应的真伪结果和各个动态防伪点对应的真伪结果确定目标证件的真伪。
在本申请的一个实施例中,如果真伪结果包括真伪置信度,那么可以根据各个静态防伪点的权重和各个动态防伪点的权重,对各个静态防伪点对应的真伪置信度和各个动态防伪点对应的真伪置信度进行加权,得到真伪置信度综合值,进而根据真伪置信度综合值确定目标证件的真伪。
例如,假设目标证件有1个静态防伪点和2个动态防伪点,静态防伪点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,而静态防伪点a的真伪置信度为:真证0.4;动态防伪点b的真伪置信度为:伪证0.7;动态防伪点c的真伪置信度为真证0.5,则可以计算目标证件为真证的置信度综合值为0.2×0.4+0.4×(1-0.7)+0.4×0.5=0.4。
在计算得到目标证件的真伪置信度综合值后,可以将该真伪置信度综合值与预设阈值进行比较,如果目标证件为真证的置信度综合值大于预设阈值,则判定目标证件为真证,反之,如果目标证件为真证的置信度综合值小于等于预设阈值,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。
综上,本申请实施例的技术方案主要是基于证件图像上的动态防伪点和静态防伪点共同来进行证件真伪的识别,对于静态防伪点而言,考虑了静态防伪点所在位置的图像特征信息,对于动态防伪点而言,不仅考虑了动态防伪点所在位置的图像特征信息,而且考虑了动态防伪点在多个证件图像之间的变化特征信息,并且可以先确定各个静态防伪点对应的真伪结果和各个动态防伪点对应的真伪结果,进而根据各个静态防伪点对应的真伪结果和各个动态防伪点对应的真伪结果来识别目标证件的真伪,提高了证件真伪识别的准确性。
如图7所示,在本申请的一个实施例中,证件真伪识别方法可以包括如下步骤:
步骤S701,用户在对证件进行拍摄之后,检测证件在图像中的位置。
在本申请的一个实施例中,可以引导用户手持证件按照特定动作进行拍摄得到拍摄视频,特定动作可以是使得证件在该动作下的动态防伪点有较明显的变化。如对于香港身份证03版,其动态防伪点包括变色油墨、动感印刷的标识“HK”、动感印刷的人像等,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。
步骤S702,判断证件在图像中的位置是否符合规范,若是,则分别进行动态防伪点鉴别和静态防伪点鉴别,并基于动态防伪点的鉴别结果和静态防伪点的鉴别结果得到证件的鉴伪结果。若证件在图像中的位置不符合规范,则返回提示信息,以使用户重新进行拍摄。
在本申请的一个实施例中,对于拍摄视频中的视频图像帧,获取证件位置以判断是否符合规范。获取证件位置可选择使用诸如霍夫直线检测等算法来检测证件的四条边,并组合得到证件的位置坐标;也可以使用神经网络方法,比如通过图5中所示的目标分割的方法等,或者可以使用精度更高的目标检测方法等。在获取到证件位置后,可以判断证件是否移出画面、是否距离过远或过近等,以确定证件图像是否符合规范,如果不规范,则可以返回相应提示信息指导用户重新拍摄。并且也可以获取证件翻转角度信息,判断翻转角度是否过大或过小,如果过大或过小,则也可以返回相应提示信息指导用户重新拍摄。
在本申请的一个实施例中,由于动态防伪点在证件位于不同角度或不同光照时会发生变化,如香港身份证18版镭射花标在不同光照下其紫荆花会发生较明显的变化,香港身份证03版中动感印刷得标识“HK”在不同角度下呈现出不同的“H”或“K”字样。而静态防伪点是不会因为角度或光照不同而发生变化的防伪特征,多为纹理文字等,如香港身份证03版的彩虹印刷防伪点,其使用的是缩微文字技术。因此需要针对动态防伪点和静态防伪点分别进行鉴别。在进行鉴别之前,首先要提取静态防伪点和动态防伪点的特征信息,具体提取过程及防伪点的鉴别过程可以参照前述实施例的技术方案,不再赘述。
需要说明的是,由于静态防伪点的鉴别是针对单帧图像进行的,因此可以针对拍摄视频的每一帧都进行静态防伪点的鉴别;或者也可以间隔抽帧进行鉴别,然后取均值得到该静态防伪点的鉴别结果,这种方式鲁棒性较高;或者还可以取特定帧进行鉴别,如水平帧,这种方式在保证一定精度的同时有更高的效率。而对于动态防伪点而言,由于需要输入多帧图像来识别动态特征点的变化特征,因此可以选择输入拍摄视频的整个视频图像帧,或者分段进行鉴别,或者随机取几组不同视频图像帧进行鉴别,然后取平均值作为该动态防伪点的鉴别结果。
在得到各个静态防伪点和各个动态防伪点的鉴别结果后,可以根据各个静态防伪点和各个动态防伪点的重要程度及效果表现调整相应权重计算累和得到最终的证件真伪分数。如可以针对证件上的所有防伪点分配同样的权重,即取平均得到证件最终的真伪置信度,然后设定相应的阈值,将该阈值与证件最终的真伪置信度进行比较来得到最终的鉴伪结果:即判断该证件为真证或伪证。
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8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,该证件真伪识别装置可以设置在具有计算处理功能的设备内,比如可以设置在图1中所示的服务器103或终端101内。
参照图8所示,根据本申请的一个实施例的证件真伪识别装置800,包括:防伪点检测单元802、提取单元804、处理单元806和确定单元808。
其中,防伪点检测单元802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和静态防伪点,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;提取单元804配置为提取所述静态防伪点所在位置的图像特征信息,得到静态防伪点特征,提取所述动态防伪点所在位置的图像特征信息及所述动态防伪点在多个证件图像之间的变化特征信息,得到动态防伪点特征;处理单元806配置为基于所述静态防伪点特征识别各个静态防伪点对应的真伪结果,基于所述动态防伪点特征识别各个动态防伪点对应的真伪结果;确定单元808配置为根据所述各个静态防伪点对应的真伪结果和所述各个动态防伪点对应的真伪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,所述证件真伪识别装置800还包括:采集单元、位置检测单元和获取单元;其中,所述采集单元配置为通过不同角度采集包含所述目标证件的视频流;所述位置检测单元配置为检测所述视频流中的视频图像帧所包含的目标证件的位置;所述采集单元还配置为:若所述位置检测单元检测到所述目标证件的位置不符合设定条件,则重新采集包含所述目标证件的视频流,直至采集到的视频图像帧所包含的目标证件的位置符合所述设定条件;所述获取单元配置为:若检测到所述目标证件的位置符合所述设定条件,则从所述视频流包含的视频图像帧中获取所述多个证件图像。
在本申请的一些实施例中,基于前述方案,所述位置检测单元配置为:通过顺次相连的多个卷积块对所述视频图像帧进行下采样处理,其中所述多个卷积块中的第一个卷积块用于对所述视频图像帧进行下采样处理,所述多个卷积块中的第i+1个卷积块用于对第i个卷积块的输出特征图进行下采样处理,i大于0;依次将所述多个卷积块中的第i+1个卷积块的对应特征图进行上采样处理,并将上采样处理的结果与第i个卷积块的输出特征图进行合并,将合并结果作为所述第i个卷积块的对应特征图,所述上采样处理与所述下采样处理的采样尺度相同;根据所述多个卷积块中第一个卷积块的对应特征图识别所述视频图像帧所包含的目标证件的位置。
在本申请的一些实施例中,基于前述方案,所述证件真伪识别装置800还包括:角度检测单元,配置为检测所述视频流中的视频图像帧所包含的目标证件的翻转角度;所述采集单元还配置为:若检测到的所述目标证件的翻转角度不符合设定条件,则重新采集包含所述目标证件的视频流,直至采集到的视频图像帧所包含的目标证件的翻转角度符合所述设定条件。
在本申请的一些实施例中,基于前述方案,所述角度检测单元配置为:在所述视频流包含的视频图像帧中进行目标证件检测,以在所述视频图像帧中识别包含所述目标证件的证件检测框;根据在所述视频图像帧中识别到的证件检测框的边长比,确定所述视频图像帧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,所述提取单元804提取所述动态防伪点所在位置的图像特征信息及所述动态防伪点在多个证件图像之间的变化特征信息,得到动态防伪点特征的过程,以及所述处理单元806基于所述动态防伪点特征识别各个动态防伪点对应的真伪结果的过程,包括:将包含所述动态防伪点的多个证件图像帧输入至三维卷积网络,以通过所述三维卷积网络提取所述动态防伪点的多维特征图;通过所述三维卷积网络中的下采样单元将所述多维特征图转换为一维特征图,并通过所述三维卷积网络中全连接层输出所述动态防伪点对应的真伪结果。
在本申请的一些实施例中,基于前述方案,所述处理单元806配置为:根据各个静态防伪点的静态防伪点特征所处的第一特征值区间,以及所述第一特征值区间所关联的真伪结果,确定所述各个静态防伪点对应的真伪结果;根据各动态防伪点的动态防伪点特征所处的第二特征值区间,以及所述第二特征值区间所关联的真伪结果,确定所述各个动态防伪点对应的真伪结果。
在本申请的一些实施例中,基于前述方案,所述多个证件图像包括:从包含所述目标证件的视频流中抽取出的指定视频图像帧,所述指定视频图像帧包括以下任一:所述视频流中的每一视频图像帧、按照设定间隔从所述视频流中抽取出的一个或多个视频图像帧、所述目标证件处于水平位置的视频图像帧;所述提取单元804配置为:在所述指定视频图像帧中提取静态防伪点所在位置的图像特征信息。
在本申请的一些实施例中,基于前述方案,所述处理单元806配置为:基于从各个指定视频图像帧中提取出的静态防伪点特征,识别各个指定视频图像帧中包含的静态防伪点的真伪结果;根据各个指定视频图像帧中包含的静态防伪点的真伪结果,确定同一个静态防伪点在各个指定视频图像帧中的真伪结果;根据同一个静态防伪点在各个指定视频图像帧中的真伪结果,计算所述目标证件上的各个静态防伪点的真伪结果。
在本申请的一些实施例中,基于前述方案,所述多个证件图像包括:从包含所述目标证件的视频流中抽取出的至少一组视频图像帧;所述提取单元804配置为:在所述至少一组视频图像帧中提取动态防伪点所在位置的图像特征信息及所述动态防伪点的变化特征信息。
在本申请的一些实施例中,基于前述方案,所述处理单元806配置为:若从包含所述目标证件的视频流中抽取多组视频图像帧,则基于从各组视频图像帧中提取出的动态防伪点所在位置的图像特征信息及所述动态防伪点的变化特征信息,识别各组视频图像帧中包含的动态防伪点的真伪结果;根据各组视频图像帧中包含的动态防伪点的真伪结果,确定同一个动态防伪点在各组视频图像帧中的真伪结果;根据同一个动态防伪点在各组视频图像帧中的真伪结果,计算所述目标证件上的各个动态防伪点的真伪结果。
在本申请的一些实施例中,基于前述方案,所述真伪结果包括真伪置信度;所述确定单元808配置为:根据所述各个静态防伪点的权重和所述各个动态防伪点的权重,对所述各个静态防伪点对应的真伪置信度和所述各个动态防伪点对应的真伪置信度进行加权,得到真伪置信度综合值;根据所述真伪置信度综合值确定所述目标证件的真伪。
图9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9示出的电子设备的计算机系统900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9所示,计算机系统900包括中央处理单元(Central Processing Unit,CPU)901,其可以根据存储在只读存储器(Read-Only Memory,ROM)902中的程序或者从存储部分908加载到随机访问存储器(Random Access Memory,RAM)903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 903中,还存储有系统操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(Input/Output,I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;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907;包括硬盘等的存储部分908;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,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910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
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909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901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,包括:
检测目标证件的多个证件图像中包含的动态防伪点和静态防伪点,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;
提取所述静态防伪点所在位置的图像特征信息,得到静态防伪点特征,提取所述动态防伪点所在位置的图像特征信息及所述动态防伪点在多个证件图像之间的变化特征信息,得到动态防伪点特征;
基于所述静态防伪点特征识别各个静态防伪点对应的真伪结果,基于所述动态防伪点特征识别各个动态防伪点对应的真伪结果;
根据所述各个静态防伪点对应的真伪结果和所述各个动态防伪点对应的真伪结果确定所述目标证件的真伪。
2.根据权利要求1所述的证件真伪识别方法,其特征在于,所述证件真伪识别方法还包括:
通过不同角度采集包含所述目标证件的视频流;
检测所述视频流中的视频图像帧所包含的目标证件的位置;
若检测到所述目标证件的位置不符合设定条件,则重新采集包含所述目标证件的视频流,直至采集到的视频图像帧所包含的目标证件的位置符合所述设定条件;
若检测到所述目标证件的位置符合所述设定条件,则从所述视频流包含的视频图像帧中获取所述多个证件图像。
3.根据权利要求2所述的证件真伪识别方法,其特征在于,检测所述视频流中的视频图像帧所包含的目标证件的位置,包括:
通过顺次相连的多个卷积块对所述视频图像帧进行下采样处理,其中所述多个卷积块中的第一个卷积块用于对所述视频图像帧进行下采样处理,所述多个卷积块中的第i+1个卷积块用于对第i个卷积块的输出特征图进行下采样处理,i大于0;
依次将所述多个卷积块中的第i+1个卷积块的对应特征图进行上采样处理,并将上采样处理的结果与第i个卷积块的输出特征图进行合并,将合并结果作为所述第i个卷积块的对应特征图,所述上采样处理与所述下采样处理的采样尺度相同;
根据所述多个卷积块中第一个卷积块的对应特征图识别所述视频图像帧所包含的目标证件的位置。
4.根据权利要求2所述的证件真伪识别方法,其特征在于,所述证件真伪识别方法还包括:
检测所述视频流中的视频图像帧所包含的目标证件的翻转角度;
若检测到的所述目标证件的翻转角度不符合设定条件,则重新采集包含所述目标证件的视频流,直至采集到的视频图像帧所包含的目标证件的翻转角度符合所述设定条件。
5.根据权利要求4所述的证件真伪识别方法,其特征在于,检测所述视频流中的视频图像帧所包含的目标证件的翻转角度,包括:
在所述视频流包含的视频图像帧中进行目标证件检测,以在所述视频图像帧中识别包含所述目标证件的证件检测框;
根据在所述视频图像帧中识别到的证件检测框的边长比,确定所述视频图像帧中所包含的目标证件的翻转角度。
6.根据权利要求1所述的证件真伪识别方法,其特征在于,提取所述动态防伪点所在位置的图像特征信息及所述动态防伪点在多个证件图像之间的变化特征信息,得到动态防伪点特征,以及基于所述动态防伪点特征识别各个动态防伪点对应的真伪结果,包括:
将包含所述动态防伪点的多个证件图像输入至三维卷积网络,以通过所述三维卷积网络提取所述动态防伪点的多维特征图;
通过所述三维卷积网络中的下采样单元将所述多维特征图转换为一维特征图,并通过所述三维卷积网络中全连接层输出所述动态防伪点对应的真伪结果。
7.根据权利要求1所述的证件真伪识别方法,其特征在于,
基于所述静态防伪点特征识别各个静态防伪点对应的真伪结果,包括:根据各个静态防伪点的静态防伪点特征所处的第一特征值区间,以及所述第一特征值区间所关联的真伪结果,确定所述各个静态防伪点对应的真伪结果;
基于所述动态防伪点特征识别各个动态防伪点对应的真伪结果,包括:根据各动态防伪点的动态防伪点特征所处的第二特征值区间,以及所述第二特征值区间所关联的真伪结果,确定所述各个动态防伪点对应的真伪结果。
8.根据权利要求1所述的证件真伪识别方法,其特征在于,所述多个证件图像包括:从包含所述目标证件的视频流中抽取出的指定视频图像帧,所述指定视频图像帧包括以下任一:所述视频流中的每一视频图像帧、按照设定间隔从所述视频流中抽取出的一个或多个视频图像帧、所述目标证件处于水平位置的视频图像帧;
提取所述静态防伪点所在位置的图像特征信息,包括:在所述指定视频图像帧中提取静态防伪点所在位置的图像特征信息。
9.根据权利要求8所述的证件真伪识别方法,其特征在于,基于所述静态防伪点特征识别各个静态防伪点对应的真伪结果,包括:
基于从各个指定视频图像帧中提取出的静态防伪点特征,识别各个指定视频图像帧中包含的静态防伪点的真伪结果;
根据各个指定视频图像帧中包含的静态防伪点的真伪结果,确定同一个静态防伪点在各个指定视频图像帧中的真伪结果;
根据同一个静态防伪点在各个指定视频图像帧中的真伪结果,计算所述目标证件上的各个静态防伪点的真伪结果。
10.根据权利要求1所述的证件真伪识别方法,其特征在于,所述多个证件图像包括:从包含所述目标证件的视频流中抽取出的至少一组视频图像帧;
提取所述动态防伪点所在位置的图像特征信息及所述动态防伪点在多个证件图像之间的变化特征信息,包括:
在所述至少一组视频图像帧中提取动态防伪点所在位置的图像特征信息及所述动态防伪点的变化特征信息。
11.根据权利要求10所述的证件真伪识别方法,其特征在于,若从包含所述目标证件的视频流中抽取多组视频图像帧,则基于所述静态防伪点特征识别各个静态防伪点对应的真伪结果,包括:
基于从各组视频图像帧中提取出的动态防伪点所在位置的图像特征信息及所述动态防伪点的变化特征信息,识别各组视频图像帧中包含的动态防伪点的真伪结果;
根据各组视频图像帧中包含的动态防伪点的真伪结果,确定同一个动态防伪点在各组视频图像帧中的真伪结果;
根据同一个动态防伪点在各组视频图像帧中的真伪结果,计算所述目标证件上的各个动态防伪点的真伪结果。
12.根据权利要求1至11中任一项所述的证件真伪识别方法,其特征在于,所述真伪结果包括真伪置信度;
根据所述各个静态防伪点对应的真伪结果和所述各个动态防伪点对应的真伪结果确定所述目标证件的真伪,包括:
根据所述各个静态防伪点的权重和所述各个动态防伪点的权重,对所述各个静态防伪点对应的真伪置信度和所述各个动态防伪点对应的真伪置信度进行加权,得到真伪置信度综合值;
根据所述真伪置信度综合值确定所述目标证件的真伪。
13.一种证件真伪识别装置,其特征在于,包括:
检测单元,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和静态防伪点,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;
提取单元,配置为提取所述静态防伪点所在位置的图像特征信息,得到静态防伪点特征,提取所述动态防伪点所在位置的图像特征信息及所述动态防伪点在多个证件图像之间的变化特征信息,得到动态防伪点特征;
处理单元,配置为基于所述静态防伪点特征识别各个静态防伪点对应的真伪结果,基于所述动态防伪点特征识别各个动态防伪点对应的真伪结果;
确定单元,配置为根据所述各个静态防伪点对应的真伪结果和所述各个动态防伪点对应的真伪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 (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179992.0A CN112200136A (zh) | 2020-10-29 | 2020-10-29 | 证件真伪识别方法、装置、计算机可读介质及电子设备 |
PCT/CN2021/121138 WO2022089124A1 (zh) | 2020-10-29 | 2021-09-28 | 证照真伪识别方法、装置、计算机可读介质及电子设备 |
EP21884854.7A EP4109332A4 (en) | 2020-10-29 | 2021-09-28 | CERTIFICATE AUTHENTICITY IDENTIFICATION METHOD AND APPARATUS, COMPUTER READABLE MEDIUM, AND ELECTRONIC DEVICE |
US17/965,549 US20230030792A1 (en) | 2020-10-29 | 2022-10-13 | Document authenticity identification method and apparatus, computer-readable medium, and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179992.0A CN112200136A (zh) | 2020-10-29 | 2020-10-29 | 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 |
---|---|
CN112200136A true CN112200136A (zh) | 2021-01-08 |
Family
ID=74011937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011179992.0A Pending CN112200136A (zh) | 2020-10-29 | 2020-10-29 | 证件真伪识别方法、装置、计算机可读介质及电子设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230030792A1 (zh) |
EP (1) | EP4109332A4 (zh) |
CN (1) | CN112200136A (zh) |
WO (1) | WO2022089124A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034433A (zh) * | 2021-01-14 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 数据鉴伪方法、装置、设备以及介质 |
CN113240043A (zh) * | 2021-06-01 | 2021-08-10 | 平安科技(深圳)有限公司 | 基于多图片差异性的鉴伪方法、装置、设备及存储介质 |
WO2021159750A1 (zh) * | 2020-09-04 | 2021-08-19 | 平安科技(深圳)有限公司 | 鉴别证件的方法、装置、计算机设备和存储介质 |
CN113378878A (zh) * | 2021-04-30 | 2021-09-10 | 长城信息股份有限公司 | 一种身份证鉴伪方法和电子设备 |
WO2022089124A1 (zh) * | 2020-10-29 | 2022-05-05 | 腾讯科技(深圳)有限公司 | 证照真伪识别方法、装置、计算机可读介质及电子设备 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11663824B1 (en) * | 2022-07-26 | 2023-05-30 | Seismic Software, Inc. | Document portion identification in a recorded video |
CN116758296B (zh) * | 2023-08-21 | 2023-12-05 | 深圳前海量子云码科技有限公司 | 微观编码码图防伪特征值的提取方法、装置、设备及介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229499A (zh) * | 2017-10-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 证件识别方法及装置、电子设备和存储介质 |
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 |
CN112507889A (zh) * | 2019-04-29 | 2021-03-16 | 众安信息技术服务有限公司 | 一种校验证件与持证人的方法及系统 |
CN110427972B (zh) * | 2019-07-09 | 2022-02-22 | 众安信息技术服务有限公司 | 证件视频特征提取方法、装置、计算机设备和存储介质 |
CN110516739B (zh) * | 2019-08-27 | 2022-12-27 | 创新先进技术有限公司 | 一种证件识别方法、装置及设备 |
CN117237974A (zh) * | 2020-01-19 | 2023-12-15 | 支付宝实验室(新加坡)有限公司 | 一种证件验证方法、装置及电子设备 |
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
- 2020-10-29 CN CN202011179992.0A patent/CN112200136A/zh active Pending
-
2021
- 2021-09-28 EP EP21884854.7A patent/EP4109332A4/en active Pending
- 2021-09-28 WO PCT/CN2021/121138 patent/WO2022089124A1/zh unknown
-
2022
- 2022-10-13 US US17/965,549 patent/US20230030792A1/en active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021159750A1 (zh) * | 2020-09-04 | 2021-08-19 | 平安科技(深圳)有限公司 | 鉴别证件的方法、装置、计算机设备和存储介质 |
WO2022089124A1 (zh) * | 2020-10-29 | 2022-05-05 | 腾讯科技(深圳)有限公司 | 证照真伪识别方法、装置、计算机可读介质及电子设备 |
CN113034433A (zh) * | 2021-01-14 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 数据鉴伪方法、装置、设备以及介质 |
CN113034433B (zh) * | 2021-01-14 | 2024-01-02 | 腾讯科技(深圳)有限公司 | 数据鉴伪方法、装置、设备以及介质 |
CN113378878A (zh) * | 2021-04-30 | 2021-09-10 | 长城信息股份有限公司 | 一种身份证鉴伪方法和电子设备 |
CN113378878B (zh) * | 2021-04-30 | 2022-08-16 | 长城信息股份有限公司 | 一种身份证鉴伪方法和电子设备 |
CN113240043A (zh) * | 2021-06-01 | 2021-08-10 | 平安科技(深圳)有限公司 | 基于多图片差异性的鉴伪方法、装置、设备及存储介质 |
WO2022252641A1 (zh) * | 2021-06-01 | 2022-12-08 | 平安科技(深圳)有限公司 | 基于多图片差异性的鉴伪方法、装置、设备及存储介质 |
CN113240043B (zh) * | 2021-06-01 | 2024-04-09 | 平安科技(深圳)有限公司 | 基于多图片差异性的鉴伪方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP4109332A1 (en) | 2022-12-28 |
EP4109332A4 (en) | 2023-06-21 |
WO2022089124A1 (zh) | 2022-05-05 |
US20230030792A1 (en) | 2023-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022089124A1 (zh) | 证照真伪识别方法、装置、计算机可读介质及电子设备 | |
US10635946B2 (en) | Eyeglass positioning method, apparatus and storage medium | |
US10664581B2 (en) | Biometric-based authentication method, apparatus and system | |
KR102406432B1 (ko) | 신원 인증 방법 및 장치, 전자 기기 및 저장 매체 | |
WO2018086543A1 (zh) | 活体判别方法、身份认证方法、终端、服务器和存储介质 | |
WO2019033572A1 (zh) | 人脸遮挡检测方法、装置及存储介质 | |
US11023708B2 (en) | Within document face verification | |
WO2016150240A1 (zh) | 身份认证方法和装置 | |
Fourati et al. | Anti-spoofing in face recognition-based biometric authentication using image quality assessment | |
US11367310B2 (en) | Method and apparatus for identity verification, electronic device, computer program, and storage medium | |
US20190180094A1 (en) | Document image marking generation for a training set | |
US10936866B2 (en) | Method for detecting document fraud | |
CN111898520A (zh) | 证件真伪识别方法、装置、计算机可读介质及电子设备 | |
CN111626163B (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
CN110427972B (zh) | 证件视频特征提取方法、装置、计算机设备和存储介质 | |
CN113111880B (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
US11816946B2 (en) | Image based novelty detection of material samples | |
JP6910236B2 (ja) | 本人情報登録システム、及び本人情報登録方法 | |
CN110751071A (zh) | 人脸识别方法及装置、存储介质、计算设备 | |
CN111259894B (zh) | 一种证件信息鉴别方法、装置及计算机设备 | |
CN111950415A (zh) | 一种图像检测方法和装置 | |
CN114820476A (zh) | 基于合规性检测的身份证识别方法 | |
CN110415424B (zh) | 一种防伪鉴定方法、装置、计算机设备和存储介质 | |
CN113240043A (zh) | 基于多图片差异性的鉴伪方法、装置、设备及存储介质 | |
CN111767845A (zh) | 证件识别方法及装置 |
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: 40037365 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |