CN114239630B - 翻拍二维码检测方法、装置及可读介质 - Google Patents

Abstract

本发明涉及一种翻拍二维码检测方法、装置及可读介质的技术方案，包括：采集不同光照下的包括有签到二维码的补光图像及未补光图像；将补光图像及未补光图像输入孪生深度神经网络进行训练，得到已训练的孪生深度神经网络，孪生深度神经网络用于判断图像之间的欧式距离；将同一次签到的二维码图像输入至已训练的孪生深度神经网络，判断任意图片之间的欧式距离，根据欧式距离判断图片的签到拍摄地点。本发明的有益效果为：能够有效的区分签到者的是否为远程扫码签到，有效减少了代签的比率。

Description

翻拍二维码检测方法、装置及可读介质

技术领域

本发明涉及计算机图像处理领域，具体涉及了一种翻拍二维码检测方法、装置及可读介质。

背景技术

随着各地高校校园信息化建设的不断深入，对课堂考勤提出了越来越高的要求，目前许多教师都是在课堂上将二维码显示在投影屏幕上的，然后学生打开手机上的app，拍摄此二维码，发送至后台进行验证，完成课堂考勤，但是这种方法存在如下问题：(1)学生可以用手机拍摄此二维码的照片，并将其转发给不在现场的同学完成签到；(2)即使采用动态二维码的形式，即在较短的时间内，二维码不断更新，让其在转发的时间内失效，但学生可以使用视频直播的形式将当前的二维码转发至远方的同学，从而完成签到。

目前二维码签到的问题在于无论是静态二维码和动态二维码，学生都可以采用照片或视频转发的方法将二维码传输至不在现场的同学的手机或电脑上，然后完成签到。因此，如何分辨考勤时的二维码为现场签到还是远程拍摄是需要解决的问题。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种翻拍二维码检测方法、装置及可读介质，解决了现有技术的不足。

本发明的技术方案包括一种翻拍二维码检测方法，其特征在于，包括以下步骤：S100，采集不同光照下的包括有签到二维码的补光图像及未补光图像；S200，将所述补光图像及所述未补光图像输入孪生深度神经网络进行训练，得到已训练的所述孪生深度神经网络，所述孪生深度神经网络用于判断图像之间的欧式距离；S300，将同一次签到的二维码图像输入至已训练的所述孪生深度神经网络，判断任意图片之间的欧式距离，根据欧式距离判断图片的签到拍摄地点。

根据所述的翻拍二维码检测方法，其中S100包括：从图像采集设备获取二维码图像，其中所述图像采集设备设置于智能终端，例如摄像头，通过所述图像采集设备分别在末补光和补光的条件下对设置于屏幕的二维码进行拍摄，获补光及未补光时的二维码照片。

根据所述的翻拍二维码检测方法，其中S200包括：S210，创建所述孪生卷积神经网络，所述孪生卷积神经网络包括两个分支，所述分支由VGGNet构成，两个所述分支共享权重；S220，输入多张补光及未补光时的二维码照片至所述孪生卷积神经网络，输出两张照片之间的欧式距离，欧式距离为图像特征；S230，得到已训练的所述孪生卷积神经网络。

根据所述的翻拍二维码检测方法，其中S220包括：

通过

完成训练，其中，N为训练样本数目，y为训练样本的标签，若输入的两个图像为正样本，则y＝1，反之，若输入的两个图像为负样本，则y＝0，margin为阈值，d代表补光及未补光时的二维码照片经过网络的输出的欧式距离，欧式距离d＝||S₁-S₂||，S₁-S₂为输出的照片的欧式距离差。

根据所述的翻拍二维码检测方法，其中S230还包括采用平均随机梯度下降算法进行网络训练，学习率设置为0.00001，权重衰减系数设置为0.0005。

根据所述的翻拍二维码检测方法，其中孪生卷积神经网络在所述分支后还设置有全连接层，所述全连接层用于输出所述图像特征。

根据所述的翻拍二维码检测方法，其中S300包括：

将任意二张不同光照条件下的二维码照片I，I'分别送入已经训练好的所述孪生神经网络，另其特征分别表示为S和S'，则两个图像的相似度s(I，I')用欧式距离计算，公式为s(I，I')＝||S-S”||²，欧式距离越小，则两个图像相似度越高，欧式距离越大，则两个图像相似度越低。

本发明的技术方案还包括一种翻拍二维码检测装置，该装置包括存储器、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程序，其特征在于，所述处理器执行所述计算机程序时实现任一所述的方法步骤。

本发明的技术方案还包括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程序，其特征在于，所述计算机程序被处理器执行时实现任一所述的方法步骤。

本发明的有益效果为：能够有效的区分签到者的是否为远程扫码签到，有效减少了代签的比率。

附图说明

下面结合附图和实施例对本发明进一步地说明；

图1所示为根据本发明实施方式的流程图。

图2所示为根据本发明实施方式的孪生深度神经网络训练流程图。

图3所示为根据本发明实施方式的孪生深度神经网络示意图。

图4所示为根据本发明实施方式的装置图。

具体实施方式

本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。

在本发明的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。

本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

图1所示为根据本发明实施方式的流程图。该流程包括：S100，采集不同光照下的包括有签到二维码的补光图像及未补光图像；S200，将补光图像及未补光图像输入孪生深度神经网络进行训练，得到已训练的孪生深度神经网络，孪生深度神经网络用于判断图像之间的欧式距离；S300，将同一次签到的二维码图像输入至已训练的孪生深度神经网络，判断任意图片之间的欧式距离，根据欧式距离判断图片的签到拍摄地点。

对于S100，从图像采集设备获取二维码图像，该图像采集设备例如可以包括手机、IPAD等智能终端上的图像采集设备，例如摄像头，图像采集设备分别在末补光和补光的条件下对大屏幕上的二维码进行拍摄，采集不同光照条件下的二维码照片

图2所示为根据本发明实施方式的视频时间序列的导丝分割学习网络框图。S210，创建孪生卷积神经网络，孪生卷积神经网络包括两个分支，分支由VGGNet构成，两个分支共享权重；S220，输入多张补光及未补光时的二维码照片至孪生卷积神经网络，输出两张照片之间的欧式距离，欧式距离为图像特征；S230，得到已训练的孪生卷积神经网络。对于S210，通过

完成训练，其中，N为训练样本数目，y为训练样本的标签，若输入的两个图像为正样本，则y＝1；反之，若输入的两个图像为负样本，则y＝0，m为阈值，设置为1.5，d代表两个图像I1和I2，经过网络的输出S1和S2之间的欧式距离，具体定义如下：

d＝||S1-S2||；

为了使得网络对手机拍摄二维码图像存在的光照不足、模糊以及投影变换等问题具有较强的适应性，给网络提供具有多样性的训练样本。

本发明采用平均随机梯度下降(ASGD)算法进行网络训练，学习率设置为

0.00001，权重衰减系数设置为0.0005。

训练好的网络将用于提取图像特征，具体来说，任给一个图像，将其输入训练好的网络的任意一个分支，与网络训练时相同，网络的最后一个全连接层的输出作为该图像特征S。

将二张不同光照条件下的二维码照片I，I'分别送入已经训练好的孪生神经网络，另其特征分别表示为S和S'，则两个图像的相似度s(I，I')用欧式距离计算，具体公式如下，欧式距离越小，说明两个图像相似度越高，欧式距离越大，说明两个图像相似度越低。

s(I，I')＝||S-S'||2。

由于针对大屏幕下的拍摄的二维码一般离终端较远，同时为非玻离材质，不容易受终端补光的影响，补光和未补光的二维码照片基本一致，在神经网络中欧式距离较小，而由于终端屏幕较小，离采集设备镜头较近，易受终端补光的影响，且玻璃材质屏幕易形成反光，则欧式距离较大，拍摄的照片与未补光的二维码照片有较大差别，根据距离大小可判别二维码是否为经过远程网络传输。

图3所示为根据本发明实施方式的孪生深度神经网络示意图。该网络有两个分支，每个分支由VGGNet构成，两个分支共享权重。每次输入网络两个图像I1和I2，每个图像经过网络的一个分支，网络最后一层为全连接层，输出表示为S1和S2，两个图像的相似度s(I，I')＝||S-S'||2。

图4所示为根据本发明实施方式的装置图。装置包括存储器100及处理器200，其中处理器200存储有计算机程序，计算机程序用于执行：采集不同光照下的包括有签到二维码的补光图像及未补光图像；将补光图像及未补光图像输入孪生深度神经网络进行训练，得到已训练的孪生深度神经网络，孪生深度神经网络用于判断图像之间的欧式距离；将同一次签到的二维码图像输入至已训练的孪生深度神经网络，判断任意图片之间的欧式距离，根据欧式距离判断图片的签到拍摄地点。

应当认识到，本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。

计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如消费者。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括消费者上产生的物理和有形对象的特定视觉描绘。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (5)

1.一种翻拍二维码检测方法，其特征在于，包括以下步骤：

S100，采集不同光照下的包括有签到二维码的补光图像及未补光图像；

S200，将所述补光图像及所述未补光图像输入孪生深度神经网络进行训练，得到已训练的所述孪生深度神经网络，所述孪生深度神经网络用于判断图像之间的欧式距离；

S300，将同一次签到的二维码图像输入至已训练的所述孪生深度神经网络，判断任意图片之间的欧式距离，根据欧式距离判断图片的签到拍摄地点；

所述S100包括：

从图像采集设备获取二维码图像，其中所述图像采集设备设置于智能终端，通过所述图像采集设备分别在末补光和补光的条件下对设置于屏幕的二维码进行拍摄，获补光及未补光时的二维码照片；

所述S200包括：

S210，创建孪生卷积神经网络，所述孪生卷积神经网络包括两个分支，所述分支由VGGNet构成，两个所述分支共享权重；

S220，输入多张补光及未补光时的二维码照片至所述孪生卷积神经网络，输出两张照片之间的欧式距离，欧式距离为图像特征；

S230，得到已训练的所述孪生卷积神经网络；

所述S220还包括：

通过

完成训练，其中，N为训练样本数目，y为训练样本的标签，若输入的两个图像为正样本，则y＝1，反之，若输入的两个图像为负样本，则y＝0，margin为阈值，d代表补光及未补光时的二维码照片经过网络的输出的欧式距离，欧式距离d＝||S₁-S₂||，S₁-S₂为输出的照片的欧式距离差；

所述S300包括：

将任意二张不同光照条件下的二维码照片I，I'分别送入已经训练好的所述孪生卷积神经网络，另其特征分别表示为S和S'，则两个图像的相似度s(I，I')用欧式距离计算，公式为s(I，I')＝||S-S'||²，欧式距离越小，则两个图像相似度越高，欧式距离越大，则两个图像相似度越低。

2.根据权利要求1所述的翻拍二维码检测方法，其特征在于，所述S230还包括采用平均随机梯度下降算法进行网络训练，学习率设置为0.00001，权重衰减系数设置为0.0005。

3.根据权利要求1所述的翻拍二维码检测方法，其特征在于，所述孪生卷积神经网络在所述分支后还设置有全连接层，所述全连接层用于输出所述图像特征。

4.一种翻拍二维码检测装置，该装置包括存储器、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程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-3任一所述的方法步骤。

5.一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1-3任一所述的方法步骤。

Images