CN112507923A - 证件翻拍检测方法、装置、电子设备及介质 - Google Patents

证件翻拍检测方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN112507923A
CN112507923A CN202011487214.8A CN202011487214A CN112507923A CN 112507923 A CN112507923 A CN 112507923A CN 202011487214 A CN202011487214 A CN 202011487214A CN 112507923 A CN112507923 A CN 112507923A
Authority
CN
China
Prior art keywords
image
value
certificate
preset
image set
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
CN202011487214.8A
Other languages
English (en)
Other versions
CN112507923B (zh
Inventor
王晟宇
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 Bank Co Ltd
Original Assignee
Ping An Bank 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 Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202011487214.8A priority Critical patent/CN112507923B/zh
Publication of CN112507923A publication Critical patent/CN112507923A/zh
Application granted granted Critical
Publication of CN112507923B publication Critical patent/CN112507923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术，揭露一种证件翻拍检测方法，包括：对原始证件图像集进行缩放及目标区域检测处理，得到标准图像集，对所述标准图像集并进行亮度计算，得到图像亮度值，若图像亮度值不在亮度阈值区间内，判断为翻拍证件；若图像亮度值在亮度阈值区间内，对所述标准图像集进行偏色纠正处理，得到偏色图像集，并对所述偏色图像集进行区域像素计算处理，得到图像阈值；通过比较图像阈值和预设的检测阈值的大小，判断为翻拍证件或非翻拍证件。本发明还涉及区块链技术，所述原始证件图像集等可以存储在区块链节点中。本发明还揭露一种证件翻拍检测装置、电子设备及存储介质。本发明可以解决证件图片的质检效率以及准确率比较低的问题。

Description

证件翻拍检测方法、装置、电子设备及介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种证件翻拍检测方法、装置、电子设备及计算机可读存储介质。
背景技术
在互联网化的背景下，很多业务场景需要对用户上传的身份证等能证明用户身份信息的证件图片进行质检，然而一些用户可能在非法得到其他人的证件的复印件之后，使用他人证件的复印件进行翻拍后上传，给他人造成经济上或者其他方面的损失。现有技术不能检测出是否存在对证件照片进行翻拍的情况，导致证件图片的质检效率以及准确率比较低。
发明内容
本发明提供一种证件翻拍检测方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决证件图片的质检效率以及准确率比较低的问题。
为实现上述目的，本发明提供的一种证件翻拍检测方法，包括：
获取原始证件图像集；
按照预设的尺寸标准对所述原始证件图像集进行缩放处理，得到初始图像集；
利用预训练的目标检测模型对所述初始图像集进行目标区域检测，若检测到目标区域，则将所述目标区域作为标准图像集，若未检测到目标区域，则将所述初始图像集作为标准图像集；
对所述标准图像集进行亮度计算，得到图像亮度值，若所述图像亮度值不在预设的亮度阈值区间内，则判定所述原始证件图像集的翻拍检测结果为翻拍证件；
若所述图像亮度值在预设的亮度阈值区间内，则对所述标准图像集进行偏色纠正处理，得到偏色图像集，并对所述偏色图像集进行区域像素计算处理，得到图像阈值；
通过比较所述图像阈值和预设的检测阈值的大小，得到证件翻拍检测结果为翻拍证件或非翻拍证件。
可选地，所述通过比较所述图像阈值和预设的检测阈值的大小，得到证件翻拍检测结果为翻拍证件或非翻拍证件，包括：
比较所述原始证件图像集中的第一面图像的图像阈值与预设的第一检测阈值的大小，得到第一检测结果；
比较所述原始证件图像集中的第二面图像的图像阈值与预设的第二检测阈值的大小，得到第二检测结果；
当所述第一检测结果和所述第二检测结果均为非翻拍证件时，判定所述证件翻拍检测结果为非翻拍证件；
当所述第一检测结果或者所述第二检测结果为翻拍证件时，判定所述证件翻拍检测结果为翻拍证件。
可选地，所述比较所述原始证件图像集中的第一面图像的图像阈值与预设的第一检测阈值的大小，得到第一检测结果，包括：
当所述第一面图像的图像阈值大于所述第一检测阈值，则判断所述第一面图像的检测结果为非翻拍证件；
当所述第一面图像的图像阈值小于或者等于所述第一检测阈值，则判断所述第一面图像的检测结果为翻拍证件。
可选地，所述利用预训练的目标检测模型对所述初始图像进行目标区域检测之前，包括：
获取训练样本集；
利用预设的偏置网络、特征提取网络和关键点生成网络，构建所述目标检测模型；
利用所述目标检测模型中的偏置网络计算所述训练样本集的偏置数，并利用预设的偏置损失函数计算所述偏置数和预设的真实数之间的损失值，得到偏置损失值；
利用所述目标检测模型中的特征提取网络计算所述训练样本集的分类特征图，利用预设的特征损失函数计算所述分类特征图和预设的真实特征图之间的损失值，得到特征损失值；
利用所述目标检测模型中的关键点生成网络计算所述训练样本集的预测关键点，利用预设的关键点损失函数计算所述预测关键点和预设的真实关键点之间的损失值，得到关键损失值；
对所述偏置损失值、所述特征损失值和所述关键损失值进行合并，得到所述目标检测模型的损失值，根据所述损失值对所述目标检测模型进行优化训练，得到训练好的目标检测模型。
可选地，所述对所述标准图像进行亮度计算，得到图像亮度值，包括：
将所述标准图像进行颜色转换，得到灰度图像；
计算所述灰度图像中所有像素的平均亮度，得到图像亮度值。
可选地，所述对所述偏色图像集进行区域像素计算处理，得到图像阈值，包括：
筛选所述偏色图像中大于预设的第一偏色阈值且小于预设的第二偏色阈值的像素，得到关注区域；
对所述关注区域进行低色彩像素筛选，得到得到低色彩像素区域；
根据所述关注区域及所述低色彩像素区域，利用预设的像素数量计算公式得到图像阈值。
可选地，所述对所述关注区域进行低色彩像素筛选，得到得到低色彩像素区域，包括：
分别计算所述关注区域中红色值与绿色值之间的红绿差值，绿色值与蓝色值之间的绿蓝差值，红色值与蓝色值之间的红蓝差值；
筛选所述关注区域中所述红绿差值、所述绿蓝差值和所述红蓝差值均小于预设的颜色阈值的区域，得到所述低色彩像素区域。
为了解决上述问题，本发明还提供一种证件翻拍检测装置，所述装置包括：
数据处理模块，用于获取原始证件图像集，按照预设的尺寸标准对所述原始证件图像集进行缩放处理，得到初始图像集；
目标区域检测模块，用于利用预训练的目标检测模型对所述初始图像集进行目标区域检测，若检测到目标区域，则将所述目标区域作为标准图像集，若未检测到目标区域，则将所述初始图像集作为标准图像集；
亮度计算模块，用于对所述标准图像集进行亮度计算，得到图像亮度值，若所述图像亮度值不在预设的亮度阈值区间内，则判定所述原始证件图像集的翻拍检测结果为翻拍证件；
偏色纠正模块，用于若所述图像亮度值在预设的亮度阈值区间内，则对所述标准图像集进行偏色纠正处理，得到偏色图像集，并对所述偏色图像集进行区域像素计算处理，得到图像阈值；
像素标记模块，用于对所述区域分割图像进行像素标记处理，得到目标粗分割图像；
翻拍检测模块，用于通过比较所述图像阈值和预设的检测阈值的大小，得到证件翻拍检测结果为翻拍证件或非翻拍证件。
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计算机程序指令，所述计算机程序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翻拍检测方法。
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翻拍检测方法。
本发明实施例首先通过对原始证件图像集进行缩放处理，得到初始图像集，所述缩放处理可以缩短整个算法的响应时间，利用预训练的目标检测模型对所述初始图像集进行目标区域检测，判断并确定标准图像集，若检测到目标区域，则将所述目标区域作为标准图像集，可以节约后续对图像进行处理的时间，对所述标准图像集进行亮度计算，得到图像亮度值，若所述图像亮度值不在预设的亮度阈值区间内，则判定所述原始证件图像集的翻拍检测结果为翻拍证件；若所述图像亮度值在预设的亮度阈值区间内，则对所述标准图像集进行偏色纠正处理，得到偏色图像集，并对所述偏色图像集进行区域像素计算处理，得到图像阈值；通过比较所述图像阈值和预设的检测阈值的大小，得到证件翻拍检测结果为翻拍证件或非翻拍证件。因此，本发明提出的证件翻拍检测方法、装置及计算机可读存储介质，可以提高证件翻拍检测方法的效率，解决解决证件图片的质检效率以及准确率比较低的问题。
附图说明
图1为本发明实施例提供的证件翻拍检测方法的流程示意图；
图2为本发明实施例提供的证件翻拍检测装置的模块示意图；
图3为本发明实施例提供的实现证件翻拍检测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。
本发明实施例提供一种证件翻拍检测方法，所述证件翻拍检测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，所述证件翻拍检测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翻拍检测方法的流程示意图。在本实施例中，所述证件翻拍检测方法包括：
S1、获取原始证件图像集。
本发明实施例中，利用具有数据提取功能的python语句从存储原始证件图像的数据库中提取所述原始证件图像，得到所述原始证件图像集。
详细地，所述原始证件图像集中包含用户上传的身份证照片，所述身份证照片包括第一面图像及第二面图像，其中，所述第一面图像可以为身份证头像面，以及所述第二面图像可以为身份证背面。
S2、按照预设的尺寸标准对所述原始证件图像集进行缩放处理，得到初始图像集。
本发明实施例中，采用TensorFlow中的缩放(Resize)模块对所述原始证件图像集进行缩放处理，得到初始图像集。
详细地，所述TensorFlow是一个基于数据流编程的符号数学系统，被广泛应用于各类机器学习算法的编程实现。
优选地，本发明实施例中，所述预设的尺寸标准为224×224。
其中，在本发明实施例中，利用所述缩放模块将输入的原始证件图像集缩放为224×224的尺寸，不仅可以缩短整个算法的响应时间，而且对本发明实施例中的应用场景的准确率和召回率的影响不大。
S3、利用预训练的目标检测模型对所述初始图像集进行目标区域检测，若检测到目标区域，则将所述目标区域作为标准图像集，若未检测到目标区域，则将所述初始图像集作为标准图像集。
本发明实施例中，所述利用预训练的目标检测模型对所述初始图像进行目标区域检测之前，包括：
获取训练样本集，其中，所述训练样本集中包含多张证件图像，如身份证图像；
利用预设的偏置网络、特征提取网络和关键点生成网络，构建所述目标检测模型；
利用所述目标检测模型中的偏置网络计算所述训练样本集的偏置数，并利用预设的偏置损失函数计算所述偏置数和预设的真实数之间的损失值，得到偏置损失值；
利用所述目标检测模型中的特征提取网络计算所述训练样本集的分类特征图，利用预设的特征损失函数计算所述分类特征图和预设的真实特征图之间的损失值，得到特征损失值；
利用所述目标检测模型中的关键点生成网络计算所述训练样本集的预测关键点，利用预设的关键点损失函数计算所述预测关键点和预设的真实关键点之间的损失值，得到关键损失值；
对所述偏置损失值、所述特征损失值和所述关键损失值进行合并，得到所述目标检测模型的损失值，根据所述损失值对所述目标检测模型进行优化训练，得到训练好的目标检测模型。
具体地，本发明实施例利用预设的偏置网络、特征提取网络和关键点生成网络，构建所述目标检测模型，将特征提取网络的输出作为偏置网络以及关键点生成网络的输入，将偏置网络的输出作为关键点生成网络的角点约束池化层的池化核，得到所述目标检测模型。
本发明实施例中，所述偏置损失函数为：
Figure BDA0002839669840000071
其中，Loffset为偏置损失值，p为预设的真实数，
Figure BDA0002839669840000072
为所述偏置数，R代表下采样倍数。
进一步地，所述特征损失函数为：
Figure BDA0002839669840000073
其中，Lsize为特征损失值，N表示图像关键点个数，
Figure BDA0002839669840000074
为分类特征图，Sk为预设的真是特征图。
进一步地，所述关键点损失函数为：
Figure BDA0002839669840000075
其中，Lk为关键损失值，α和β为超参数，Yxyc为真实关键点；
Figure BDA0002839669840000076
为所述预测关键点。
具体地，本发明实施例中所述目标检测模型的损失值为：
Ldet＝Lk+λsizeLsize+λoffsetLoffset
其中，Ldet为所述目标检测模型的损失值，Loffset为偏置损失值，Lsize为特征损失值，Lk为关键损失值。
本发明实施例根据所述损失值对所述目标检测模型进行优化训练，得到训练好的目标检测模型。其中，当所述损失值大于或者等于预设的损失阈值时，得到训练好的目标检测模型，当所述损失值小于预设的损失阈值时，调整所述目标检测模型中的内部参数之后，得到训练好的目标检测模型。
其中，所述内部参数包括但不限于模型的权重、梯度。
进一步地，本发明实施例将所述初始图像集输入至预训练的目标检测模型中，若检测到目标区域，则将所述目标区域作为标准图像集，若未检测到目标区域，则将所述初始图像集作为标准图像集。
本发明实施例中，针对一些用户拍摄的包含各种背景的身份证照片，先进行位置的检测再进行处理有利于提高准确率和召回率。
S4、对所述标准图像集进行亮度计算，得到图像亮度值，若所述图像亮度值不在预设的亮度阈值区间内，则判定所述原始证件图像集的翻拍检测结果为翻拍证件。
本发明实施例中，所述对所述标准图像集进行亮度计算，得到图像亮度值，包括：
将所述标准图像进行颜色转换，得到灰度图像；
计算所述灰度图像中所有像素的平均亮度，得到图像亮度值。
进一步地，若所述图像亮度值不在预设的亮度阈值区间内，则判定所述原始证件图像集的翻拍检测结果为翻拍证件。
其中，预设的亮度阈值区间规定为大于预设的第二均值阈值且小于预设的第一均值阈值。
优选地，本发明实施例中，所述第一均值阈值为255，所述第二均值阈值为100。
由于过亮或者过暗的照片会由于整体亮度的原因，丢失掉色彩信息，会对判断进行干扰，因为需要合格的照片进行留底，本发明实施例中的业务背景下也不能容忍过暗和过亮的照片，需要对标准图像集进行亮度计算，进而判断图像检测情况。
S5、若所述图像亮度值在预设的亮度阈值区间内，则对所述标准图像集进行偏色纠正处理，得到偏色图像集，并对所述偏色图像集进行区域像素计算处理，得到图像阈值。
本发明实施例中，所述标准图像集中的标准图像的任意像素具有A通道和B通道，其中，所述A通道和所述B通道的通道值分别为a、b，所述A 通道和所述B通道的平均值为average(a)、average(b)，其中，所述平均值为已知，根据所述平均值和预设的偏色公式计算偏色值dif_a和dif_b。
详细地，所述偏色公式为：
a1＝a+127-average(a)
b1＝b+127-average(b)
其中，a1为A通道的偏色差，b1为B通道的偏色差，average(a)为A通道的平均值，average(b)为B通道的平均值。
本发明实施例根据计算所得的所述偏色差可以生成对应的偏色图像集。
进一步地，所述对所述偏色图像集进行区域像素计算处理，得到图像阈值，包括：
筛选所述偏色图像中大于预设的第一偏色阈值且小于预设的第二偏色阈值的像素，得到关注区域；
对所述关注区域进行低色彩像素筛选，得到得到低色彩像素区域；
根据所述关注区域及所述低色彩像素区域，利用预设的像素数量计算公式得到图像阈值。
其中，本发明实施例中，所述第一偏色阈值为30，所述第二偏色阈值为 240。
具体地，所述对所述关注区域进行低色彩像素筛选，得到得到低色彩像素区域，包括：
分别计算所述关注区域中红色值与绿色值之间的红绿差值，绿色值与蓝色值之间的绿蓝差值，红色值与蓝色值之间的红蓝差值；
筛选所述关注区域中所述红绿差值、所述绿蓝差值和所述红蓝差值均小于预设的颜色阈值的区域，得到所述低色彩像素区域。
进一步地，所述根据所述关注区域及所述低色彩像素区域，利用预设的像素数量计算公式得到图像阈值，包括：
所述像素数量计算公式为：
result＝count(low_area)/count(attention_area)
其中，result为图像阈值，count用于计算矩阵区域像素数量。
S6、通过比较所述图像阈值和预设的检测阈值的大小，得到证件翻拍检测结果为翻拍证件或非翻拍证件。
本发明实施例中，所述通过比较所述图像阈值和预设的检测阈值的大小，得到证件翻拍检测结果为翻拍证件或非翻拍证件，包括：
比较所述原始证件图像集中的第一面图像的图像阈值与预设的第一检测阈值的大小，得到第一检测结果；
比较所述原始证件图像集中的第二面图像的图像阈值与预设的第二检测阈值的大小，得到第二检测结果；
当所述第一检测结果和所述第二检测结果均为非翻拍证件时，判定所述证件翻拍检测结果为非翻拍证件；
当所述第一检测结果或者所述第二检测结果为翻拍证件时，判定所述证件翻拍检测结果为翻拍证件。
具体地，所述比较所述原始证件图像集中的第一面图像的图像阈值与预设的第一检测阈值的大小，得到第一检测结果，包括：
当所述第一面图像的图像阈值大于所述第一检测阈值，则判断所述第一面图像的检测结果为非翻拍证件；
当所述第一面图像的图像阈值小于或者等于所述第一检测阈值，则判断所述第一面图像的检测结果为翻拍证件。
详细地，比较所述原始证件图像集中的第二面图像的图像阈值与预设的第二检测阈值的大小，得到第二检测结果，利用预设的第二检测阈值进行判断，详细步骤与所述判断第一检测结果相同，此处不再赘述。
优选地，本发明实施例中，所述第一检测阈值为99％，所述第二检测阈值为99.5％。
如图2所示，是本发明实施例提供的证件翻拍检测装置的模块示意图。
本发明所述证件翻拍检测装置100可以安装于电子设备中。根据实现的功能，所述证件翻拍检测装置100可以包括数据处理模块101、目标区域检测模块102、亮度计算模块103、偏色纠正模块104、翻拍检测模块105。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：
所述数据处理模块101，用于获取原始证件图像集，按照预设的尺寸标准对所述原始证件图像集进行缩放处理，得到初始图像集；
所述目标区域检测模块102，用于利用预训练的目标检测模型对所述初始图像集进行目标区域检测，若检测到目标区域，则将所述目标区域作为标准图像集，若未检测到目标区域，则将所述初始图像集作为标准图像集；
所述亮度计算模块103，用于对所述标准图像集进行亮度计算，得到图像亮度值，若所述图像亮度值不在预设的亮度阈值区间内，则判定所述原始证件图像集的翻拍检测结果为翻拍证件；
所述偏色纠正模块104，用于若所述图像亮度值在预设的亮度阈值区间内，则对所述标准图像集进行偏色纠正处理，得到偏色图像集，并对所述偏色图像集进行区域像素计算处理，得到图像阈值；
所述翻拍检测模块105，用于通过比较所述图像阈值和预设的检测阈值的大小，得到证件翻拍检测结果为翻拍证件或非翻拍证件。
详细地，所述证件翻拍检测装置100中的各模块由电子设备的处理器所执行时，可以实现包括下述步骤的证件翻拍检测方法：
步骤一、所述数据处理模块101获取原始证件图像集。
本发明实施例中，所述数据处理模块101利用具有数据提取功能的python 语句从存储原始证件图像的数据库中提取所述原始证件图像，得到所述原始证件图像集。
详细地，所述原始证件图像集中包含用户上传的身份证照片，所述身份证照片包括第一面图像及第二面图像，其中，所述第一面图像可以为身份证头像面，以及所述第二面图像可以为身份证背面。
步骤二、所述数据处理模块101按照预设的尺寸标准对所述原始证件图像集进行缩放处理，得到初始图像集。
本发明实施例中，所述数据处理模块101采用TensorFlow中的缩放 (Resize)模块对所述原始证件图像集进行缩放处理，得到初始图像集。
详细地，所述TensorFlow是一个基于数据流编程的符号数学系统，被广泛应用于各类机器学习算法的编程实现。
优选地，本发明实施例中，所述预设的尺寸标准为224×224。
其中，在本发明实施例中，利用所述缩放模块将输入的原始证件图像集缩放为224×224的尺寸，不仅可以缩短整个算法的响应时间，而且对本发明实施例中的应用场景的准确率和召回率的影响不大。
步骤三、所述目标区域检测模块102利用预训练的目标检测模型对所述初始图像集进行目标区域检测，若检测到目标区域，则将所述目标区域作为标准图像集，若未检测到目标区域，则将所述初始图像集作为标准图像集。
本发明实施例中，所述目标区域检测模块102利用预训练的目标检测模型对所述初始图像进行目标区域检测之前，还用于：
获取训练样本集，其中，所述训练样本集中包含多张证件图像，如身份证图像；
利用预设的偏置网络、特征提取网络和关键点生成网络，构建所述目标检测模型；
利用所述目标检测模型中的偏置网络计算所述训练样本集的偏置数，并利用预设的偏置损失函数计算所述偏置数和预设的真实数之间的损失值，得到偏置损失值；
利用所述目标检测模型中的特征提取网络计算所述训练样本集的分类特征图，利用预设的特征损失函数计算所述分类特征图和预设的真实特征图之间的损失值，得到特征损失值；
利用所述目标检测模型中的关键点生成网络计算所述训练样本集的预测关键点，利用预设的关键点损失函数计算所述预测关键点和预设的真实关键点之间的损失值，得到关键损失值；
对所述偏置损失值、所述特征损失值和所述关键损失值进行合并，得到所述目标检测模型的损失值，根据所述损失值对所述目标检测模型进行优化训练，得到训练好的目标检测模型。
具体地，本发明实施例利用预设的偏置网络、特征提取网络和关键点生成网络，构建所述目标检测模型，将特征提取网络的输出作为偏置网络以及关键点生成网络的输入，将偏置网络的输出作为关键点生成网络的角点约束池化层的池化核，得到所述目标检测模型。
进一步地，所述偏置损失函数为：
Figure BDA0002839669840000121
其中，Loffset为偏置损失值，p为预设的真实数，
Figure BDA0002839669840000122
为所述偏置数，R代表下采样倍数。
进一步地，所述特征损失函数为：
Figure BDA0002839669840000123
其中，Lsize为特征损失值，N表示图像关键点个数，
Figure BDA0002839669840000124
为分类特征图，Sk为预设的真是特征图。
进一步地，所述关键点损失函数为：
Figure BDA0002839669840000125
其中，Lk为关键损失值，α和β为超参数，Yxyc为真实关键点；
Figure BDA0002839669840000131
为所述预测关键点。
具体地，本发明实施例中所述目标检测模型的损失值为：
Ldet＝Lk+λsizeLsize+λoffsetLoffset
其中，Ldet为所述目标检测模型的损失值，Loffset为偏置损失值，Lsize为特征损失值，Lk为关键损失值。
本发明实施例根据所述损失值对所述目标检测模型进行优化训练，得到训练好的目标检测模型。其中，当所述损失值大于或者等于预设的损失阈值时，得到训练好的目标检测模型，当所述损失值小于预设的损失阈值时，调整所述目标检测模型中的内部参数之后，得到训练好的目标检测模型。
其中，所述内部参数包括但不限于模型的权重、梯度。
进一步地，本发明实施例将所述初始图像集输入至预训练的目标检测模型中，若检测到目标区域，则将所述目标区域作为标准图像集，若未检测到目标区域，则将所述初始图像集作为标准图像集。
本发明实施例中，针对一些用户拍摄的包含各种背景的身份证照片，先进行位置的检测再进行处理有利于提高准确率和召回率。
步骤四、所述亮度计算模块103对所述标准图像集进行亮度计算，得到图像亮度值，若所述图像亮度值不在预设的亮度阈值区间内，则判定所述原始证件图像集的翻拍检测结果为翻拍证件。
本发明实施例中，所述亮度计算模块103对所述标准图像集进行亮度计算，得到图像亮度值，包括：
将所述标准图像进行颜色转换，得到灰度图像；
计算所述灰度图像中所有像素的平均亮度，得到图像亮度值。
进一步地，若所述图像亮度值不在预设的亮度阈值区间内，则判定所述原始证件图像集的翻拍检测结果为翻拍证件。
其中，预设的亮度阈值区间规定为大于预设的第二均值阈值且小于预设的第一均值阈值。
优选地，本发明实施例中，所述第一均值阈值为255，所述第二均值阈值为100。
由于过亮或者过暗的照片会由于整体亮度的原因，丢失掉色彩信息，会对判断进行干扰，因为需要合格的照片进行留底，本发明实施例中的业务背景下也不能容忍过暗和过亮的照片，需要对标准图像集进行亮度计算，进而判断图像检测情况。
步骤五、所述偏色纠正模块104若所述图像亮度值在预设的亮度阈值区间内，则对所述标准图像集进行偏色纠正处理，得到偏色图像集，并对所述偏色图像集进行区域像素计算处理，得到图像阈值。
本发明实施例中，所述偏色纠正模块104对所述标准图像集进行偏色纠正处理，得到偏色图像集。其中，所述标准图像集中的标准图像的任意像素具有A通道和B通道，其中，所述A通道和所述B通道的通道值分别为a、 b，所述A通道和所述B通道的平均值为average(a)、average(b)，其中，所述平均值为已知，根据所述平均值和预设的偏色公式计算偏色值dif_a和dif_b。
详细地，所述偏色公式为：
a1＝a+127-average(a)
b1＝b+127-average(b)
其中，a1为A通道的偏色差，b1为B通道的偏色差，average(a)为A通道的平均值，average(b)为B通道的平均值。
本发明实施例根据计算所得的所述偏色差可以生成对应的偏色图像集。
进一步地，所述对所述偏色图像集进行区域像素计算处理，得到图像阈值，包括：
筛选所述偏色图像中大于预设的第一偏色阈值且小于预设的第二偏色阈值的像素，得到关注区域；
对所述关注区域进行低色彩像素筛选，得到得到低色彩像素区域；
根据所述关注区域及所述低色彩像素区域，利用预设的像素数量计算公式得到图像阈值。
其中，本发明实施例中，所述第一偏色阈值为30，所述第二偏色阈值为 240。
具体地，所述对所述关注区域进行低色彩像素筛选，得到得到低色彩像素区域，包括：
分别计算所述关注区域中红色值与绿色值之间的红绿差值，绿色值与蓝色值之间的绿蓝差值，红色值与蓝色值之间的红蓝差值；
筛选所述关注区域中所述红绿差值、所述绿蓝差值和所述红蓝差值均小于预设的颜色阈值的区域，得到所述低色彩像素区域。
进一步地，所述根据所述关注区域及所述低色彩像素区域，利用预设的像素数量计算公式得到图像阈值，包括：
所述像素数量计算公式为：
result＝count(low_area)/count(attention_area)
其中，result为图像阈值，count用于计算矩阵区域像素数量。
步骤六、所述翻拍检测模块105通过比较所述图像阈值和预设的检测阈值的大小，得到证件翻拍检测结果为翻拍证件或非翻拍证件。
本发明实施例中，所述翻拍检测模块105通过比较所述图像阈值和预设的检测阈值的大小，得到证件翻拍检测结果为翻拍证件或非翻拍证件，包括：
比较所述原始证件图像集中的第一面图像的图像阈值与预设的第一检测阈值的大小，得到第一检测结果；
比较所述原始证件图像集中的第二面图像的图像阈值与预设的第二检测阈值的大小，得到第二检测结果；
当所述第一检测结果和所述第二检测结果均为非翻拍证件时，判定所述证件翻拍检测结果为非翻拍证件；
当所述第一检测结果或者所述第二检测结果为翻拍证件时，判定所述证件翻拍检测结果为翻拍证件。
具体地，所述比较所述原始证件图像集中的第一面图像的图像阈值与预设的第一检测阈值的大小，得到第一检测结果，包括：
当所述第一面图像的图像阈值大于所述第一检测阈值，则判断所述第一面图像的检测结果为非翻拍证件；
当所述第一面图像的图像阈值小于或者等于所述第一检测阈值，则判断所述第一面图像的检测结果为翻拍证件。
详细地，比较所述原始证件图像集中的第二面图像的图像阈值与预设的第二检测阈值的大小，得到第二检测结果，利用预设的第二检测阈值进行判断，详细步骤与所述判断第一检测结果相同，此处不再赘述。
优选地，本发明实施例中，所述第一检测阈值为99％，所述第二检测阈值为99.5％。
如图3所示，是本发明实现证件翻拍检测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，如证件翻拍检测程序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，例如证件翻拍检测程序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(例如执行证件翻拍检测程序等)，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存储的证件翻拍检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始证件图像集；
按照预设的尺寸标准对所述原始证件图像集进行缩放处理，得到初始图像集；
利用预训练的目标检测模型对所述初始图像集进行目标区域检测，若检测到目标区域，则将所述目标区域作为标准图像集，若未检测到目标区域，则将所述初始图像集作为标准图像集；
对所述标准图像集进行亮度计算，得到图像亮度值，若所述图像亮度值不在预设的亮度阈值区间内，则判定所述原始证件图像集的翻拍检测结果为翻拍证件；
若所述图像亮度值在预设的亮度阈值区间内，则对所述标准图像集进行偏色纠正处理，得到偏色图像集，并对所述偏色图像集进行区域像素计算处理，得到图像阈值；
通过比较所述图像阈值和预设的检测阈值的大小，得到证件翻拍检测结果为翻拍证件或非翻拍证件。
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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的，例如，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)。
本发明还提供一种计算机可读存储介质，所述可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取原始证件图像集；
按照预设的尺寸标准对所述原始证件图像集进行缩放处理，得到初始图像集；
利用预训练的目标检测模型对所述初始图像集进行目标区域检测，若检测到目标区域，则将所述目标区域作为标准图像集，若未检测到目标区域，则将所述初始图像集作为标准图像集；
对所述标准图像集进行亮度计算，得到图像亮度值，若所述图像亮度值不在预设的亮度阈值区间内，则判定所述原始证件图像集的翻拍检测结果为翻拍证件；
若所述图像亮度值在预设的亮度阈值区间内，则对所述标准图像集进行偏色纠正处理，得到偏色图像集，并对所述偏色图像集进行区域像素计算处理，得到图像阈值；
通过比较所述图像阈值和预设的检测阈值的大小，得到证件翻拍检测结果为翻拍证件或非翻拍证件。
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 (10)

1.一种证件翻拍检测方法，其特征在于，所述方法包括：
获取原始证件图像集；
按照预设的尺寸标准对所述原始证件图像集进行缩放处理，得到初始图像集；
利用预训练的目标检测模型对所述初始图像集进行目标区域检测，若检测到目标区域，则将所述目标区域作为标准图像集，若未检测到目标区域，则将所述初始图像集作为标准图像集；
对所述标准图像集进行亮度计算，得到图像亮度值，若所述图像亮度值不在预设的亮度阈值区间内，则判定所述原始证件图像集的翻拍检测结果为翻拍证件；
若所述图像亮度值在预设的亮度阈值区间内，则对所述标准图像集进行偏色纠正处理，得到偏色图像集，并对所述偏色图像集进行区域像素计算处理，得到图像阈值；
通过比较所述图像阈值和预设的检测阈值的大小，得到证件翻拍检测结果为翻拍证件或非翻拍证件。
2.如权利要求1所述的证件翻拍检测方法，其特征在于，所述通过比较所述图像阈值和预设的检测阈值的大小，得到证件翻拍检测结果为翻拍证件或非翻拍证件，包括：
比较所述原始证件图像集中的第一面图像的图像阈值与预设的第一检测阈值的大小，得到第一检测结果；
比较所述原始证件图像集中的第二面图像的图像阈值与预设的第二检测阈值的大小，得到第二检测结果；
当所述第一检测结果和所述第二检测结果均为非翻拍证件时，判定所述证件翻拍检测结果为非翻拍证件；
当所述第一检测结果或者所述第二检测结果为翻拍证件时，判定所述证件翻拍检测结果为翻拍证件。
3.如权利要求2所述的证件翻拍检测方法，其特征在于，所述比较所述原始证件图像集中的第一面图像的图像阈值与预设的第一检测阈值的大小，得到第一检测结果，包括：
当所述第一面图像的图像阈值大于所述第一检测阈值，则判断所述第一面图像的检测结果为非翻拍证件；
当所述第一面图像的图像阈值小于或者等于所述第一检测阈值，则判断所述第一面图像的检测结果为翻拍证件。
4.如权利要求1所述的证件翻拍检测方法，其特征在于，所述利用预训练的目标检测模型对所述初始图像进行目标区域检测之前，包括：
获取训练样本集；
利用预设的偏置网络、特征提取网络和关键点生成网络，构建所述目标检测模型；
利用所述目标检测模型中的偏置网络计算所述训练样本集的偏置数，并利用预设的偏置损失函数计算所述偏置数和预设的真实数之间的损失值，得到偏置损失值；
利用所述目标检测模型中的特征提取网络计算所述训练样本集的分类特征图，利用预设的特征损失函数计算所述分类特征图和预设的真实特征图之间的损失值，得到特征损失值；
利用所述目标检测模型中的关键点生成网络计算所述训练样本集的预测关键点，利用预设的关键点损失函数计算所述预测关键点和预设的真实关键点之间的损失值，得到关键损失值；
对所述偏置损失值、所述特征损失值和所述关键损失值进行合并，得到所述目标检测模型的损失值，根据所述损失值对所述目标检测模型进行优化训练，得到训练好的目标检测模型。
5.如权利要求1所述的证件翻拍检测方法，其特征在于，所述对所述标准图像进行亮度计算，得到图像亮度值，包括：
将所述标准图像进行颜色转换，得到灰度图像；
计算所述灰度图像中所有像素的平均亮度，得到图像亮度值。
6.如权利要求1所述的证件翻拍检测方法，其特征在于，所述对所述偏色图像集进行区域像素计算处理，得到图像阈值，包括：
筛选所述偏色图像中大于预设的第一偏色阈值且小于预设的第二偏色阈值的像素，得到关注区域；
对所述关注区域进行低色彩像素筛选，得到得到低色彩像素区域；
根据所述关注区域及所述低色彩像素区域，利用预设的像素数量计算公式得到图像阈值。
7.如权利要求6所述的证件翻拍检测方法，其特征在于，所述对所述关注区域进行低色彩像素筛选，得到得到低色彩像素区域，包括：
分别计算所述关注区域中红色值与绿色值之间的红绿差值，绿色值与蓝色值之间的绿蓝差值，红色值与蓝色值之间的红蓝差值；
筛选所述关注区域中所述红绿差值、所述绿蓝差值和所述红蓝差值均小于预设的颜色阈值的区域，得到所述低色彩像素区域。
8.一种证件翻拍检测装置，其特征在于，所述装置包括：
数据处理模块，用于获取原始证件图像集，按照预设的尺寸标准对所述原始证件图像集进行缩放处理，得到初始图像集；
目标区域检测模块，用于利用预训练的目标检测模型对所述初始图像集进行目标区域检测，若检测到目标区域，则将所述目标区域作为标准图像集，若未检测到目标区域，则将所述初始图像集作为标准图像集；
亮度计算模块，用于对所述标准图像集进行亮度计算，得到图像亮度值，若所述图像亮度值不在预设的亮度阈值区间内，则判定所述原始证件图像集的翻拍检测结果为翻拍证件；
偏色纠正模块，用于若所述图像亮度值在预设的亮度阈值区间内，则对所述标准图像集进行偏色纠正处理，得到偏色图像集，并对所述偏色图像集进行区域像素计算处理，得到图像阈值；
翻拍检测模块，用于通过比较所述图像阈值和预设的检测阈值的大小，得到证件翻拍检测结果为翻拍证件或非翻拍证件。
9.一种电子设备，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计算机程序指令，所述计算机程序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7中任一项所述的证件翻拍检测方法。
10.一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7中任一项所述的证件翻拍检测方法。
CN202011487214.8A 2020-12-16 2020-12-16 证件翻拍检测方法、装置、电子设备及介质 Active CN112507923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011487214.8A CN112507923B (zh) 2020-12-16 2020-12-16 证件翻拍检测方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011487214.8A CN112507923B (zh) 2020-12-16 2020-12-16 证件翻拍检测方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN112507923A true CN112507923A (zh) 2021-03-16
CN112507923B CN112507923B (zh) 2023-10-31

Family

ID=74972712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011487214.8A Active CN112507923B (zh) 2020-12-16 2020-12-16 证件翻拍检测方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN112507923B (zh)

Cited By (4)

* 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
CN113705486A (zh) * 2021-08-31 2021-11-26 支付宝(杭州)信息技术有限公司 检测证件真伪的方法及装置
CN113901898A (zh) * 2021-09-29 2022-01-07 平安银行股份有限公司 人脸识别场景下图像稳定采样方法、装置、设备及介质
WO2022199545A1 (zh) * 2021-03-23 2022-09-29 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629967A (zh) * 2012-04-18 2012-08-08 山东神思电子技术股份有限公司 一种翻拍设备光照不均匀的校正方法
WO2012146488A1 (en) * 2011-04-28 2012-11-01 Oce-Technologies B.V. Method for creating a copy image and reproduction system
WO2019011206A1 (zh) * 2017-07-14 2019-01-17 Oppo广东移动通信有限公司 活体检测方法及相关产品
WO2020143165A1 (zh) * 2019-01-07 2020-07-16 平安科技（深圳）有限公司 一种翻拍图像的识别方法、系统及终端设备
CN111738161A (zh) * 2020-06-23 2020-10-02 支付宝实验室(新加坡)有限公司 一种活体检测方法、装置及电子设备
CN111985504A (zh) * 2020-08-17 2020-11-24 中国平安人寿保险股份有限公司 基于人工智能的翻拍检测方法、装置、设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012146488A1 (en) * 2011-04-28 2012-11-01 Oce-Technologies B.V. Method for creating a copy image and reproduction system
CN102629967A (zh) * 2012-04-18 2012-08-08 山东神思电子技术股份有限公司 一种翻拍设备光照不均匀的校正方法
WO2019011206A1 (zh) * 2017-07-14 2019-01-17 Oppo广东移动通信有限公司 活体检测方法及相关产品
WO2020143165A1 (zh) * 2019-01-07 2020-07-16 平安科技（深圳）有限公司 一种翻拍图像的识别方法、系统及终端设备
CN111738161A (zh) * 2020-06-23 2020-10-02 支付宝实验室(新加坡)有限公司 一种活体检测方法、装置及电子设备
CN111985504A (zh) * 2020-08-17 2020-11-24 中国平安人寿保险股份有限公司 基于人工智能的翻拍检测方法、装置、设备及介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022199545A1 (zh) * 2021-03-23 2022-09-29 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
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
CN113705486A (zh) * 2021-08-31 2021-11-26 支付宝(杭州)信息技术有限公司 检测证件真伪的方法及装置
CN113705486B (zh) * 2021-08-31 2023-11-10 支付宝(杭州)信息技术有限公司 检测证件真伪的方法及装置
CN113901898A (zh) * 2021-09-29 2022-01-07 平安银行股份有限公司 人脸识别场景下图像稳定采样方法、装置、设备及介质
CN113901898B (zh) * 2021-09-29 2024-06-04 平安银行股份有限公司 人脸识别场景下图像稳定采样方法、装置、设备及介质

Also Published As

Publication number Publication date
CN112507923B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN112507923A (zh) 证件翻拍检测方法、装置、电子设备及介质
CN112507934A (zh) 活体检测方法、装置、电子设备及存储介质
CN112137591B (zh) 基于视频流的目标物位置检测方法、装置、设备及介质
WO2021151313A1 (zh) 证件鉴伪方法、装置、电子设备及存储介质
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN112508145B (zh) 电子印章生成及验证方法、装置、电子设备及存储介质
CN113554008B (zh) 静态物体区域内检测方法、装置、电子设备及存储介质
CN114723636A (zh) 基于多特征融合的模型生成方法、装置、设备及存储介质
CN112668575A (zh) 关键信息提取方法、装置、电子设备及存储介质
CN113240585B (zh) 基于生成对抗网络的图像处理方法、装置及存储介质
CN117455762A (zh) 基于全景行车记录仪的记录画面分辨率提升方法及系统
CN114627435B (zh) 基于图像识别的智能灯光调节方法、装置、设备及介质
CN115760854A (zh) 基于深度学习的电力设备缺陷检测方法、装置及电子设备
WO2023134080A1 (zh) 相机作弊识别方法、装置、设备及存储介质
CN115909467A (zh) 运动状态场景下的人脸活体检测方法、装置、设备及介质
WO2022227191A1 (zh) 非主动活体检测方法、装置、电子设备及存储介质
CN112541899B (zh) 证件的残缺检测方法、装置、电子设备及计算机存储介质
CN113869385A (zh) 基于目标检测的海报比对方法、装置、设备及存储介质
CN113792801A (zh) 人脸炫光程度的检测方法、装置、设备及存储介质
CN113610934A (zh) 图像亮度调整方法、装置、设备及存储介质
CN114463685A (zh) 行为识别方法、装置、电子设备及存储介质
CN113095284A (zh) 人脸选取方法、装置、设备及计算机可读存储介质
CN112633183A (zh) 影像遮挡区域自动检测方法、装置及存储介质
CN113190703A (zh) 视频图像的智能检索方法、装置、电子设备及存储介质
CN112233194A (zh) 医学图片优化方法、装置、设备及计算机可读存储介质

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