CN115661436A - 证件真伪识别方法、装置、可读介质及电子设备 - Google Patents
证件真伪识别方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN115661436A CN115661436A CN202110769477.6A CN202110769477A CN115661436A CN 115661436 A CN115661436 A CN 115661436A CN 202110769477 A CN202110769477 A CN 202110769477A CN 115661436 A CN115661436 A CN 115661436A
- Authority
- CN
- China
- Prior art keywords
- static anti
- image
- counterfeiting point
- counterfeiting
- certificate
- 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
Landscapes
- Inspection Of Paper Currency And Valuable Securities (AREA)
Abstract
本申请公开了一种证件真伪识别方法、装置、可读介质以及电子设备,所述方法包括:获取目标证件的多张证件图像;提取多张证件图像中的静态防伪点所在的图像区域,得到静态防伪点图像;基于多个维度分别对静态防伪点图像进行特征提取和分析,得到静态防伪点图像的多维度分析结果;根据静态防伪点图像的多维度分析结果,确定目标证件的真伪。在本申请中通过提取静态防伪点图像,降低了证件图像中不存在静态防伪点的图像区域对证件识别的影响,同时也降低分析过程的数据处理量,提高计算效率;通过多个维度对静态防伪点图像进行特征提取和分析,可以提取更加丰富的静态防伪点特征,从多个方面确定静态防伪点的真伪,进而提升证件识别的准确性。
Description
技术领域
本申请属于计算机及图像处理技术领域,具体涉及一种证件真伪识别方法、装置、可读介质以及电子设备。
背景技术
证件(如身份证、护照、驾驶证等)是记录个人基本信息的重要凭证,在很多场合中都需要使用证件证明个人身份。随着计算机技术的发展,身份信息的验证已不再单纯依赖线下的人工核验,更多的是将证件图像上传到互联网进行线上核验。由于证件图像可以伪造,这使得互联网验证存在较大风险,因此,在进行互联网验证时需要对证件图像的真伪进行识别。但是相关技术中提出的证件真伪识别方法识别准确性不高。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种证件真伪识别方法、装置、可读介质以及电子设备,以解决相关技术中的证件真伪识别方法识别准确性低的问题。
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,提供一种证件真伪识别方法,包括:
获取目标证件的多张证件图像;
提取所述多张证件图像中的静态防伪点所在的图像区域,得到静态防伪点图像;
基于多个维度分别对所述静态防伪点图像进行特征提取和分析,得到所述静态防伪点图像的多维度分析结果;
根据所述静态防伪点图像的多维度分析结果,确定所述目标证件的真伪。
根据本申请实施例的一个方面,提供一种证件真伪识别装置,包括:
证件图像获取模块,用于获取目标证件的多张证件图像;
静态防伪点图像提取模块,用于提取所述多张证件图像中的静态防伪点所在的图像区域,得到静态防伪点图像;
特征分析模块,用于基于多个维度分别对所述静态防伪点图像进行特征提取和分析,得到所述静态防伪点图像的多维度分析结果;
证件真伪确定模块,用于根据所述静态防伪点图像的多维度分析结果确定所述目标证件的真伪。
在本申请的一个实施例中,所述特征分析模块包括:
分类模型处理单元,用于通过分类模型对所述静态防伪点图像进行特征提取和分类处理,得到所述静态防伪点图像的分类结果,所述静态防伪点图像的分类结果表示所述静态防伪点图像的真伪置信度;
图像特征分析单元,用于提取所述静态防伪点图像的图像特征,以确定所述图像特征与预设特征模板的相似度;
多维度分析结果确定单元,用于将所述静态防伪点图像的分类结果和所述相似度作为所述静态防伪点图像的多维度分析结果。
在本申请的一个实施例中,所述图像特征分析单元包括以下至少一种:
第一相似度确定单元,用于提取所述静态防伪点图像的颜色特征,以确定所述颜色特征与预设颜色模板的第一相似度;
第二相似度确定单元,用于提取所述静态防伪点图像的对比度特征,以确定所述对比度特征与预设对比度模板的第二相似度;
第三相似度确定单元,用于提取所述静态防伪点图像的轮廓特征,以确定所述轮廓特征与预设轮廓模板的第三相似度。
在本申请的一个实施例中,所述第一相似度确定单元具体用于:
提取所述静态防伪点图像在多个颜色通道上的颜色值;
计算所述静态防伪点图像在所述多个颜色通道上的颜色均值;
将所述颜色均值与预设颜色值的平方差作为所述第一相似度。
在本申请的一个实施例中,所述第二相似度确定单元具体用于:
对所述静态防伪点图像进行灰度处理,得到所述静态防伪点图像的灰度图像;
将所述灰度图像的像素值方差与预设像素方差的平方差作为所述第二相似度。
在本申请的一个实施例中,所述第三相似度确定单元具体用于:
对所述静态防伪点图像进行边缘检测,以提取所述静态防伪点图像的轮廓特征;
将所述轮廓特征与预设轮廓模板的模板匹配结果作为所述第三相似度。
在本申请的一个实施例中,所述证件真伪确定模块具体用于:
将所述静态防伪点图像的多维度分析结果分别与对应的维度阈值比较,并根据比较结果确定所述静态防伪点图像基于每个维度的真伪结果;
根据所述静态防伪点图像基于每个维度的真伪结果确定所述静态防伪点图像的真伪结果;
若静态防伪点图像的真伪结果为真的静态防伪点图像的数量大于或等于预设数量,则确定所述目标证件为真;
若静态防伪点图像的真伪结果为真的静态防伪点图像的数量小于所述预设数量,则确定所述目标证件为假。
在本申请的一个实施例中,所述证件真伪确定模块具体用于:
根据所述静态防伪点图像的各个维度的分析结果,确定所述各个维度的分析结果统计值;
通过机器学习模型对所述各个维度的分析结果统计值进行分类处理,并根据分类结果确定所述目标证件的真伪。
在本申请的一个实施例中,所述分析结果统计值包括以下至少一种:分析结果的投票结果、分析结果的均值、分析结果的众数和分析结果的中位数。
在本申请的一个实施例中,所述证件图像获取模块具体用于:
获取包括目标证件的视频流;
提取所述视频流的多帧图像作为多张证件图像。
在本申请的一个实施例中,所述证件图像获取模块具体用于:
获取包括目标证件的压缩视频流;
对所述压缩视频流进行解码处理,得到视频图像帧序列;
对所述视频图像帧序列进行采样,得到多张证件图像。
在本申请的一个实施例中,所述静态防伪点图像提取模块具体用于:
通过预设检测算法确定所述证件图像的静态防伪点所在的图像区域;
提取所述图像区域得到静态防伪点图像。
本申请各实施例中提供的证件真伪识别装置的具体细节已经在对应的方法实施例中进行了详细的描述,此处不再赘述。
根据本申请实施例的一个方面,提供一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如以上技术方案中的证件真伪识别方法。
根据本申请实施例的一个方面,提供一种电子设备,该电子设备包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器被配置为经由执行所述可执行指令来执行如以上技术方案中的证件真伪识别方法。
根据本申请实施例的一个方面,提供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如以上技术方案中的证件真伪识别方法。
在本申请实施例提供的技术方案中,通过提取静态防伪点图像,降低了证件图像中不存在静态防伪点的图像区域对证件识别的影响,同时也降低分析过程的数据处理量,提高计算效率;通过多个维度对静态防伪点图像进行特征提取和分析,可以提取更加丰富的静态防伪点特征,从多个方面确定静态防伪点的真伪,进而提升证件识别的准确性。
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。
图1示意性地示出了应用本申请技术方案的示例性系统架构框图。
图2示意性地示出了本申请一个实施例提供的证件真伪识别方法的流程图。
图3示意性地示出了本申请一个实施例提供的静态防伪点图像的多维度分析的流程图。
图4示意性地示出了本申请又一个实施例提供的证件真伪识别方法的流程图。
图5示意性地示出了本申请实施例提供的证件真伪识别装置的结构框图。
图6示意性地示出了本申请一个实施例提供的静态防伪点提取分析系统的结构框图。
图7示意性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结构框图。
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。
图1示意性地示出了应用本申请技术方案的示例性系统架构框图。
如图1所示,系统架构100可以包括终端设备101、网络102和服务器103。终端设备101可以包括智能手机、平板电脑、笔记本电脑、台式电脑等各种电子设备。服务器103可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。网络102可以是能够在终端设备101和服务器103之间提供通信链路的各种连接类型的通信介质,例如可以是有线通信链路或者无线通信链路,无线通信链路包括但不限于:蓝牙、WI-FI、近场通信(Near Field Communication,NFC)、蜂窝移动通信网络。用户可以使用终端设备101通过网络102与服务器103进行交互,以接收或发送消息等。
根据实现需要,本申请实施例中的系统架构可以具有任意数目的终端设备101、网络102和服务器103。例如,服务器103可以是由多个服务器设备组成的服务器群组。另外,本申请实施例提供的技术方案可以应用于终端设备101,也可以应用于服务器103,或者可以由终端设备101和服务器103共同实施,本申请对此不做特殊限定。
举例而言,终端设备101可以采集需要进行真伪识别的目标证件104的多个证件图像,然后将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,首先提取多张证件图像中的静态防伪点所在的图像区域,得到静态防伪点图像;然后基于多个维度分别对静态防伪点图像进行特征提取和分析,得到静态防伪点图像的多维度分析结果;最后根据静态防伪点图像的多维度分析结果,确定目标证件的真伪。
在本申请的一个实施例中,服务器103在确定目标证件104的真伪之后,可以将目标证件104的真伪结果通过网络102返回给终端设备101,进而终端设备101可以向用户展示目标证件104的真伪结果。
在本申请的一个实施例中,本申请实施例提供的证件真伪识别方法由服务器103执行,服务器103用于接收终端设备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,本申请实施例提供的证件真伪识别方法也可以由终端设备101执行,相应地,证件真伪识别装置也可以设置于终端设备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,终端设备101用于采集并获取目标证件104的多个证件图像,以及基于该多个证件图像对目标证件104的真伪进行识别。
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示意性地示出了本申请一个实施例提供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服务器来执行,该服务器可以是图1中所示的服务器103;该证件真伪识别方法也可以由终端设备来执行,该终端设备可以是图1中所示的终端设备101。如图2所示,本申请一个实施例提供的证件真伪识别方法至少包括步骤210至步骤240,具体为:
步骤210、获取目标证件的多张证件图像。
具体的,目标证件是需要进行真伪识别的实体证件,如身份证、护照、社保卡或者医保卡等实体证件。目标证件的多个证件图像可以是图像采集设备对目标证件进行多次图像采集得到的多个证件图像,也可以是图像采集设备采集了包含目标证件的视频流,然后从该视频流中提取多帧包含目标证件的图像作为多个证件图像。
在本申请的一个实施例中,本申请实施例提供的证件真伪识别方法由终端设备执行,此时终端设备可通过其配置的图像采集设备直接采集包含目标证件的视频流,并提取该视频流中的多帧图像作为多张证件图像。
在本申请的一个实施例中,获取证件图像的步骤具体包括:获取包括目标证件的压缩视频流;对压缩视频流进行解码处理,得到视频图像帧序列;对视频图像帧序列进行采样,得到多张证件图像。具体的,包含目标证件的视频流可以是其他设备采集的,此时获取的视频流为压缩视频流。例如,图1所示的终端设备101采集包含目标证件的视频流,然后将包含目标证件的视频流进行编码压缩处理后发送至服务器102,那么服务器102接收到的视频流为包括目标证件的压缩视频流。对压缩视频流进行解码处理,得到视频图像帧序列,即按照时间序列排列的多帧视频图像。然后对视频图像帧序列进行采样,采样得到的多帧视频图像即为多张证件图像。采样数量及规则可以根据实际需求进行设定,本实施例不做限制,如按间隔预设数量帧均匀采样。
继续参考图2,步骤220、提取多张证件图像中的静态防伪点所在的图像区域,得到静态防伪点图像。
具体的,目标证件上通常设有具有防伪识别检测作用的标识,称为防伪点。静态防伪点是目标证件上的一种防伪点,是证件上不会因为环境变化(如证件角度、光照变化)而产生不同视觉效果(如颜色、形状、轮廓、对比度、饱和度等视觉效果)的防伪标识,如通过微缩印刷技术印刷在证件上的纹理文字。提取证件图像中的静态防伪点所在的图像区域,即为静态防伪点图像。将静态防伪点所在的图像区域提取出来以进行分析,使得后续分析过程中能够更加精准地对静态防伪点进行分析,降低证件图像中不存在静态防伪点的图像区域对证件识别的影响,同时也降低分析过程的数据处理量。
在本申请的一个实施例中,获取静态防伪点图像的步骤具体包括:通过预设检测算法确定证件图像的静态防伪点所在的图像区域;提取图像区域得到静态防伪点图像。具体的,通过预设检测算法对证件图像进行检测,以识别出证件图像中的静态防伪点并确定静态防伪点在证件图像中的位置,即静态防伪点所在的图像区域,然后提取该图像区域得到静态防伪点图像。对一张证件图像进行目标检测,得到一张静态防伪点图像。预设检测算法是一种目标检测算法,相当于检测的目标为证件图像中的静态防伪点,目标检测算法可通过目标检测模型来实现,本实施例中,目标检测模型可以是Faster R-CNN(FasterRegion Convolutional Neural Networks,更快区域卷积神经网)、SSD(Single ShotMultiBox Detector,单次多盒检测)、yolo(You Only Look Once,只看一次)、CenterNet、EfficientDet等。
继续参考图2,步骤230、基于多个维度分别对静态防伪点图像进行特征提取和分析,得到静态防伪点图像的多维度分析结果。
具体的,基于多个维度分别对静态防伪点图像进行特征提取和分析,每个维度都可得到一个对于静态防伪点图像的分析结果,多个维度的分析结果即为静态防伪点图像的多维度分析结果。基于多个维度分别对静态防伪点图像进行特征提取和分析,也就是从多个方面对静态防伪点图像进行特征提取和分析,例如,从图像特征方面对静态防伪点图像进行分析,图像特征可以是颜色特征、形状或轮廓特征、纹理特征等特征。
在本申请的一个实施例中,如图3所示,对静态防伪点图像进行多维度分析包括步骤310至步骤330,具体如下:
步骤310、通过分类模型对静态防伪点图像进行特征提取和分类处理,得到静态防伪点图像的分类结果,静态防伪点图像的分类结果表示静态防伪点图像的真伪置信度。
具体的,对静态防伪点图像进行特征提取和分析的一个维度,是通过分类模型对对静态防伪点图像进行分类。将静态防伪点图像输入分类模型,分类模型对其进行特征提取并根据提取的特征进行分类处理,得到该静态防伪点图像的分类结果。通过分类模型对静态防伪点图像进行分类,实际上是通过分类模型对静态防伪点图像进行了一次真伪识别。静态防伪点图像的分类结果表示静态防伪点图像的真伪置信度,一般的,该真伪置信度是一个在区间[0,1]之内的数值,例如,真伪置信度为0.6,表示该静态防伪点图像为真的置信度为0.6。
在本申请的一个实施例中,分类模型优选为深度学习分类模型,如VGG(VisualGeometry Group,视觉几何群)、Resnet等模型。分类模型也可以是常规的用于识别证件图像真伪的模型。
参考图3,步骤320、提取静态防伪点图像的图像特征,以确定图像特征与预设特征模板的相似度。
具体的,对静态防伪点图像进行特征提取和分析的维度还包括对静态防伪点图像的图像特征进行分析,即提取静态防伪点图像的图像特征,将图像特征与预设特征模板的相似度作为维度分析结果。
在本申请的一个实施例中,图像特征至少包括颜色特征、对比度特征和轮廓特征中的一种,那么,静态防伪点图像的图像特征与预设特征模板的相似度至少包括以下一种:提取静态防伪点图像的颜色特征,以确定颜色特征与预设颜色模板的第一相似度;提取静态防伪点图像的对比度特征,以确定对比度特征与预设对比度模板的第二相似度;提取静态防伪点图像的轮廓特征,以确定轮廓特征与预设轮廓模板的第三相似度。
在本申请的一个实施例中,静态防伪点图像的颜色特征与预设颜色模板的第一相似度的计算具体包括:提取静态防伪点图像在多个颜色通道上的颜色值;计算静态防伪点图像在多个颜色通道上的颜色均值;将颜色均值与预设颜色值的平方差作为第一相似度。
具体的,保存图像颜色信息的通道称为颜色通道。每个图像都有一个或多个颜色通道,图像中默认的颜色通道数取决于图像的颜色模式,即一个图像的颜色模式将决定其颜色通道的数量。例如,RGB模式图像有三个颜色通道:红色(Red,R)、绿色(Green,G)和蓝色(Blue,B),CMYK模式图像有4个通道:青色、洋红、黄色和黑色。本实施例中,提取静态防伪点图像每个颜色通道上的颜色值,然后将所有颜色通道的颜色均值作为静态防伪点图像的颜色特征。例如,静态防伪点图像为RGB模式图像,则其颜色特征为R值、G值和B值的平均值。最后将颜色均值与预设颜色值的平方差作为第一相似度。
在本申请的一个实施例中,静态防伪点图像的对比度特征与预设对比度模板的第二相似度的计算具体包括:对静态防伪点图像进行灰度处理,得到静态防伪点图像的灰度图像;将灰度图像的像素值方差与预设像素方差的平方差作为第二相似度。
具体的,首先对静态防伪点图像进行灰度处理,将其转化为灰度图像。灰度处理时,可以选取静态防伪点图像的某一个颜色通道的亮度值作为灰度图像的灰度值,也可以将多个颜色通道的最大亮度值作为灰度图像的灰度值,还可以将多个颜色通道的亮度值的平均值或加权平均值作为灰度图像的灰度值。将静态防伪点图像转换为灰度图像后,将灰度图像的像素值方差与预设像素方差的平方差作为第二相似度。灰度图像的像素值方差也就是灰度图像的方差,将灰度图像每个像素点的灰度值与图像平均灰度值之差的平方和除以总的像素个数,即为灰度图像的像素值方差。
在本申请的一个实施例中,静态防伪点图像的轮廓特征与预设轮廓模板的第三相似度的计算具体包括:对静态防伪点图像进行边缘检测,以提取静态防伪点图像的轮廓特征;将轮廓特征与预设轮廓模板的模板匹配结果作为第三相似度。
具体的,对静态防伪点图像进行边缘检测所得到的轮廓特征,是静态防伪点的轮廓特征。边缘检测可以通过边缘检测算法来实现,如canny算法。轮廓特征与预设轮廓模板之间可以通过平方差匹配法进行匹配,也可以使用SIFT(Scale-invariant featuretransform,尺度不变特征变换)、SURF(Speeded Up Robust Feature,稳定加速特征)、ORB(Oriented Fast and Rotated Brief,定向快速旋转)等方式分别提取轮廓特征与预设轮廓模板的特征,然后基于提取的特征进行RANSAC(Random Sample Consensus,随机采样一致)算法匹配,得到匹配结果。可选的,轮廓特征也可以替换为形状特征。
在本申请的一个实施例中,预设颜色值、预设像素方差和预设轮廓模板均是从多个样本静态防伪点图像中提取的特征的均值。具体的,从样本静态防伪点图像中提取样本颜色均值,将多个样本静态防伪点图像的预设颜色值的平均值作为预设颜色值。将样本静态防伪点图像转化为样本灰度图像,并提取样本灰度图像的像素值方差,将多个样本灰度图像的像素值方差的平均值作为预设像素方差。对样本静态防伪点图像进行边缘检测,提取样本静态防伪点图像的轮廓特征,将多个样本静态防伪点图像的轮廓特征的平均值作为预设轮廓模板。
参考图3,步骤330、将静态防伪点图像的分类结果和相似度作为静态防伪点图像的多维度分析结果。
具体的,静态防伪点图像的多维度分析结果包括静态防伪点图像的分类结果和相似度,相似度可以包括第一相似度、第二相似度和第三相似度中的一种。
参考图2,步骤240、根据静态防伪点图像的多维度分析结果,确定目标证件的真伪。
具体的,根据静态防伪点图像的多维度分析结果确定目标证件的真伪,可以是根据静态防伪点图像的多维度分析结果首先确定每个静态防伪点图像的真伪,再根据多个静态防伪点图像的真伪确定目标证件的真伪。
在本申请的一个实施例中,根据静态防伪点图像的多维度分析结果确定目标证件的真伪的步骤具体包括:将静态防伪点图像的多维度分析结果分别与对应的维度阈值比较,并根据比较结果确定静态防伪点图像基于每个维度的真伪结果;根据静态防伪点图像基于每个维度的真伪结果确定静态防伪点图像的真伪结果;若静态防伪点图像的真伪结果为真的静态防伪点图像的数量大于或等于预设数量,则确定目标证件为真;若静态防伪点图像的真伪结果为真的静态防伪点图像的数量小于预设数量,则确定目标证件为假。
具体的,根据维度的划分,静态防伪点图像的多维度分析结果包括静态防伪点图像的真伪置信度、第一相似度、第二相似度和第三相似度,对应的维度阈值包括置信度阈值、第一相似度阈值、第二相似度阈值和第三相似度阈值。每个维度的维度阈值是预先设定的,用于在该维度上区分静态防伪点图像的真伪。将静态防伪点图像每个维度的分析结果与其对应的维度阈值比较,即:静态防伪点图像的真伪置信度与置信度阈值比较,第一相似度与第一相似度阈值比较,第二相似度与第二相似度阈值比较,第三相似度与第三相似度阈值比较。根据比较结果可以确定静态防伪点图像基于每个维度的真伪结果。一般的,当静态防伪点图像一个维度的分析结果大于或等于对应的维度阈值,则认为静态防伪点图像在该维度上为真;当静态防伪点图像一个维度的分析结果小于对应的维度阈值,则认为静态防伪点图像在该维度上为假。例如,静态防伪点图像的真伪置信度为0.6,置信度阈值为0.5,则认为静态防伪点图像在分类模型处理这一维度上为真。
可以理解,根据实际需要,静态防伪点图像每个维度的分析结果与其对应的维度阈值比较时,也可以设定静态防伪点图像一个维度的分析结果小于或等于对应的维度阈值,则认为静态防伪点图像在该维度上为真。
对静态防伪点图像在所有维度上的真伪结果进行投票处理,得到静态防伪点图像的最终真伪结果。投票处理是指以数量最多的结果为最终结果。例如,静态防伪点图像的真伪置信度与置信度阈值比较,确定静态防伪点图像为真;第一相似度与第一相似度阈值比较,确定静态防伪点图像为真;第二相似度与第二相似度阈值比较,确定静态防伪点图像为假;第三相似度与第三相似度阈值比较,确定静态防伪点图像为真。基于所示比较结果,有3个维度的比较结果表示静态防伪点图像为真,有1个维度的比较结果表示静态防伪点图像为假,那么表示静态防伪点图像为真的比较结果的数量大于表示静态防伪点图像为架的比较结果的数量,故而确定该静态防伪点图像为真。可选的,当表示静态防伪点图像为真的比较结果的数量与表示静态防伪点图像为架的比较结果的数量想等时,也可以认为静态防伪点图像为真。
在确定了每个静态防伪点图像的真伪结果之后,进一步对所有静态防伪点图像的真伪结果进行投票处理,得到目标证件的真伪结果。也即,当静态防伪点图像的真伪结果为真的静态防伪点图像的数量大于或等于预设数量时,则确定目标证件为真;当静态防伪点图像的真伪结果为真的静态防伪点图像的数量小于预设数量时,则确定目标证件为假。例如,共有4张静态防伪点图像,其中有3张静态防伪点图像为真,1张静态防伪点图像为假,则确定目标证件为真。
在本申请的一个实施例中,根据静态防伪点图像的多维度分析结果确定目标证件的真伪的步骤具体包括:根据静态防伪点图像的各个维度的分析结果,确定各个维度的分析结果统计值;通过机器学习模型对各个维度的分析结果统计值进行分类处理,并根据分类结果确定目标证件的真伪。
具体的,在得到静态防伪点图像的多维度分析结果后,在每个维度上,对所有静态防伪点图像基于该维度的分析结果进行统计,最后通过机器学习模型将所有维度的统计结果进行分类处理,得到目标证件的真伪。例如,从分类模型处理、颜色特征匹配、对比度匹配和轮廓特征匹配这4个维度对静态防伪点图像进行了分析,每个静态防伪点图像都得到4个维度的分析结果:静态防伪点图像的真伪置信度、第一相似度、第二相似度和第三相似度。那么,分类模型处理这一维度的分析结果统计值为真伪置信度统计值,颜色特征匹配这一维度的分析结果统计值为第一相似度统计值,对比度匹配这一维度的分析结果统计值为第二相似度统计值,轮廓特征匹配这一维度的分析结果统计值为第三相似度统计值。真伪置信度统计值是指对所有静态防伪点图像的真伪置信度进行统计处理得到的值,第一相似度统计值是指对所有静态防伪点图像的第一相似度进行统计处理得到的值,第二相似度统计值是指对所有静态防伪点图像的第二相似度进行统计处理得到的值,第三相似度统计值是指对所有静态防伪点图像的第三相似度进行统计处理得到的值。
在本申请的一个实施例中,统计值包括以下至少一种:分析结果的投票结果、分析结果的均值、分析结果的众数和分析结果的中位数。例如,真伪置信度统计值至少包括以下一种:所有静态防伪点图像的真伪置信度的投票结果、所有静态防伪点图像的真伪置信度的均值、所有静态防伪点图像的真伪置信度的众数和所有静态防伪点图像的真伪置信度的中位数。其中,所有静态防伪点图像的真伪置信度的投票结果是指:将每个静态防伪点图像的真伪置信度与置信度阈值比较,当真伪置信度大于或等于置信度阈值时,则认为该静态防伪点图像为真;当真伪置信度小于置信度阈值时,则认为该静态防伪点图像为假;当静态防伪点图像为真的图像数量大于或等于静态防伪点图像为假的图像数量时,则以静态防伪点图像为真作为所有静态防伪点图像的真伪置信度的投票结果(此时可以将投票结果设为数字1);当静态防伪点图像为真的图像数量小于静态防伪点图像为假的图像数量时,则以静态防伪点图像为假作为所有静态防伪点图像的真伪置信度的投票结果(此时可以将投票结果设为数字0)。
可以理解,第一相似度统计值、第二相似度统计值和第三相似度统计值的具体计算方式与真伪置信度统计值的计算方式类似,在此不再赘述。
在本申请的一个实施例中,对所有维度的统计结果进行分类处理的机器学习模型是预先通过样本数据训练好的机器学习模型,该样本数据是样本静态防伪点图像的各个维度的分析结果统计值。其中,机器学习模型可以是二叉树、随机森林、SVM(Support VectorMachine,支持向量机)、XGBoost等模型。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。本申请实施例的技术方案应用的机器学习模型可以部署在图1所示的系统架构中。
在本申请实施例提供的技术方案中,通过提取静态防伪点图像,降低了证件图像中不存在静态防伪点的图像区域对证件识别的影响,同时也降低分析过程的数据处理量,提高计算效率;通过多个维度对静态防伪点图像进行特征提取和分析,可以提取更加丰富的静态防伪点特征,从多个方面确定静态防伪点的真伪,进而提升证件识别的准确性。
图4示意性地示出了本申请又一个实施例提供的证件真伪识别方法的流程图。如图4所示,本申请又一个实施例提供的证件真伪识别方法包括:
步骤1、视频解码抽样。
具体的,视频解码抽样是指获取的包括目标证件的视频流为压缩视频流,需要对该压缩视频流进行解码处理。解码后得到视频图像帧序列,即按照时间序列排列的多帧视频图像。然后对视频图像帧序列进行采样,采样得到的多帧视频图像即为多张证件图像。本步骤的具体细节可以参考前述步骤210的相关描述,在此不再赘述。
步骤2、静态防伪点集合生成。
具体的,静态防伪点集合生成是指提取每张证件图像中静态防伪点所在的图像区域,得到静态防伪点图像。所有证件图像的静态防伪点图像形成静态防伪点集合。静态防伪点图像的提取通过预设检测算法实现,如Faster R-CNN(Faster Region ConvolutionalNeural Networks,更快区域卷积神经网)、SSD(Single Shot MultiBox Detector,单次多盒检测)、yolo(You Only Look Once,只看一次)、CenterNet、EfficientDet等。本步骤的具体细节可以参考前述步骤220的相关描述,在此不再赘述。
步骤3、静态防伪点集合分析。
具体的,静态防伪点集合分析是指从多个维度分别对静态防伪点图像进行特征提取和分析,得到静态防伪点图像的多维度分析结果,本步骤主要包括步骤3-1和步骤3-2。
步骤3-1、静态防伪点集合不可解释分析。
具体的,静态防伪点集合不可解释分析是指通过分类模型对静态防伪点图像进行特征提取和分类处理,得到静态防伪点图像的分类结果。分类模型可以是深度学习模型。本步骤的具体细节可以参考前述步骤310的相关描述,在此不再赘述。
步骤3-2、静态防伪点集合可解释分析。
具体的,静态防伪点集合可解释分析是指提取静态防伪点图像的图像特征,确定图像特征与预设特征模板的相似度。图像特征如颜色特征、对比度特征、轮廓特征等。例如,提取静态防伪点图像的颜色特征,该颜色均值与预设颜色值的平方差为第一相似度,颜色特征优选为RGB均值。提取静态防伪点图像的对比度特征,该对比度特征与预设对比度模板的平方差为第二相似度,对比度特征是静态防伪点图像转化为灰度图像后的像素值方差。提取静态防伪点图像的轮廓特征,该轮廓特征与预设轮廓模板的匹配结果为第一相似度,轮廓特征可以通过边缘检测算法(如canny算法)提取;轮廓特征与预设轮廓模板之间的匹配可以使用平方差匹配法,或者使用SIFT、SURF、ORB等方式进行特征提取后进行ransac算法匹配。本步骤的具体细节可以参考前述步骤320的相关描述,在此不再赘述。
步骤4、多维度结果融合。
具体的,多维度结果融合是指根据静态防伪点图像的各个维度的分析结果,确定各个维度的分析结果统计值,如确定每个维度的分析结果的投票结果、分析结果的均值、分析结果的众数、分析结果的中位数等等。本步骤的具体细节可以参考前述步骤240的相关描述,在此不再赘述。
步骤5、多维度结果集成。
具体的,多维度结果结成是指,将通过机器学习模型对各个维度的分析结果统计值进行分类处理,并根据分类结果确定目标证件的真伪。即,将所有维度的分析结果统计值输入到预先训练好的机器学习模型中,得到最终的真伪结果,即为目标证件的真伪结果。机械学习模型可以是二叉树、随机森林、SVM(Support Vector Machine,支持向量机)、XGBoost等模型。本步骤的具体细节可以参考前述步骤240的相关描述,在此不再赘述。
步骤6、结果输出。
具体的,机械学习模型输出的真伪结果,即为目标证件的真伪结果。
应当注意,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
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。图5示意性地示出了本申请实施例提供的证件真伪识别装置的结构框图。如图5所示,本申请实施例提供的证件真伪识别装置包括:
证件图像获取模块510,用于获取目标证件的多张证件图像;
静态防伪点图像提取模块520,用于提取所述多张证件图像中的静态防伪点所在的图像区域,得到静态防伪点图像;
特征分析模块530,用于基于多个维度分别对所述静态防伪点图像进行特征提取和分析,得到所述静态防伪点图像的多维度分析结果;
证件真伪确定模块540,用于根据所述静态防伪点图像的多维度分析结果确定所述目标证件的真伪。
在本申请的一个实施例中,特征分析模块530包括:
分类模型处理单元,用于通过分类模型对所述静态防伪点图像进行特征提取和分类处理,得到所述静态防伪点图像的分类结果,所述静态防伪点图像的分类结果表示所述静态防伪点图像的真伪置信度;
图像特征分析单元,用于提取所述静态防伪点图像的图像特征,以确定所述图像特征与预设特征模板的相似度;
多维度分析结果确定单元,用于将所述静态防伪点图像的分类结果和所述相似度作为所述静态防伪点图像的多维度分析结果。
在本申请的一个实施例中,所述图像特征分析单元包括以下至少一种:
第一相似度确定单元,用于提取所述静态防伪点图像的颜色特征,以确定所述颜色特征与预设颜色模板的第一相似度;
第二相似度确定单元,用于提取所述静态防伪点图像的对比度特征,以确定所述对比度特征与预设对比度模板的第二相似度;
第三相似度确定单元,用于提取所述静态防伪点图像的轮廓特征,以确定所述轮廓特征与预设轮廓模板的第三相似度。
在本申请的一个实施例中,所述第一相似度确定单元具体用于:
提取所述静态防伪点图像在多个颜色通道上的颜色值;
计算所述静态防伪点图像在所述多个颜色通道上的颜色均值;
将所述颜色均值与预设颜色值的平方差作为所述第一相似度。
在本申请的一个实施例中,所述第二相似度确定单元具体用于:
对所述静态防伪点图像进行灰度处理,得到所述静态防伪点图像的灰度图像;
将所述灰度图像的像素值方差与预设像素方差的平方差作为所述第二相似度。
在本申请的一个实施例中,所述第三相似度确定单元具体用于:
对所述静态防伪点图像进行边缘检测,以提取所述静态防伪点图像的轮廓特征;
将所述轮廓特征与预设轮廓模板的模板匹配结果作为所述第三相似度。
在本申请的一个实施例中,证件真伪确定模块540具体用于:
将所述静态防伪点图像的多维度分析结果分别与对应的维度阈值比较,并根据比较结果确定所述静态防伪点图像基于每个维度的真伪结果;
根据所述静态防伪点图像基于每个维度的真伪结果确定所述静态防伪点图像的真伪结果;
若静态防伪点图像的真伪结果为真的静态防伪点图像的数量大于或等于预设数量,则确定所述目标证件为真;
若静态防伪点图像的真伪结果为真的静态防伪点图像的数量小于所述预设数量,则确定所述目标证件为假。
在本申请的一个实施例中,证件真伪确定模块540具体用于:
根据所述静态防伪点图像的各个维度的分析结果,确定所述各个维度的分析结果统计值;
通过机器学习模型对所述各个维度的分析结果统计值进行分类处理,并根据分类结果确定所述目标证件的真伪。
在本申请的一个实施例中,所述分析结果统计值包括以下至少一种:分析结果的投票结果、分析结果的均值、分析结果的众数和分析结果的中位数。
在本申请的一个实施例中,证件图像获取模块510具体用于:
获取包括目标证件的视频流;
提取所述视频流的多帧图像作为多张证件图像。
在本申请的一个实施例中,证件图像获取模块510具体用于:
获取包括目标证件的压缩视频流;
对所述压缩视频流进行解码处理,得到视频图像帧序列;
对所述视频图像帧序列进行采样,得到多张证件图像。
在本申请的一个实施例中,静态防伪点图像提取模块520具体用于:
通过预设检测算法确定所述证件图像的静态防伪点所在的图像区域;
提取所述图像区域得到静态防伪点图像。
本申请各实施例中提供的证件真伪识别装置的具体细节已经在对应的方法实施例中进行了详细的描述,此处不再赘述。
图6示意性地示出了本申请一个实施例提供的静态防伪点提取分析系统的结构框图。本申请实施例提供的静态防伪点提取分析系统是本申请实施例提供的证件真伪识别装置的一种表现形式,二者具备相同的结构和功能,本实施例中未详细描述的细节可以参考装置或方法实施例的相关描述。
如图6所示,本申请实施例提供的静态防伪点提取分析系统600包括:视频帧提取模块610、静态防伪点提取模块620、静态防伪点分析模块630和防伪结果融合模块640。
视频帧提取模块610用于对获取的包含目标证件的压缩视频流进行解码处理,并从解码得到的视频图像帧序列中进行采样得到多张证件图像。采样数量及规则可以根据实际需求进行设定,本实施例不做限制,如按间隔预设数量帧均匀采样。
静态防伪点提取模块620用于提取多张证件图像中的静态防伪点所在的图像区域,得到静态防伪点图像。首先通过预设检测算法(如Faster R-CNN、SSD、yolo、CenterNet、EfficientDet等)对证件图像中的静态防伪点进行识别和定位,然后提取静态防伪点所在的图像区域,得到静态防伪点图像。
静态防伪点分析模块630用于从多个维度分别对静态防伪点图像进行特征提取和分析,得到静态防伪点图像的多维度分析结果。静态防伪点分析模块630包括不可解释分析模块631和可解释分析模块632。不可解释分析模块631用于通过分类模型对静态防伪点图像分类处理,主要是将静态防伪点图像输入深度学习分类模型,深度学习分类模型对其进行特征提取并根据提取的特征进行分类处理,得到该静态防伪点图像的分类结果。可解释分析模块632用于静态防伪点图像的图像特征与预设特征模板的相似度分析,主要包括:静态防伪点图像的颜色特征与预设颜色模板的第一相似度,静态防伪点图像的对比度特征与预设对比度模板的第二相似度,以及静态防伪点图像的轮廓特征,与预设轮廓模板的第三相似度。
防伪结果融合模块640用于根据静态防伪点图像的多维度分析结果,确定目标证件的真伪。具体为根据静态防伪点图像的各个维度的分析结果,确定各个维度的分析结果统计值;通过机器学习模型对各个维度的分析结果统计值进行分类处理,并根据分类结果确定目标证件的真伪。分析结果统计值包括以下至少一种:分析结果的投票结果、分析结果的均值、分析结果的众数和分析结果的中位数。
图7示意性地示出了用于实现本申请实施例的电子设备的计算机系统结构框图。
需要说明的是,图7示出的电子设备的计算机系统700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7所示,计算机系统700包括中央处理器701(Central Processing Unit,CPU),其可以根据存储在只读存储器702(Read-Only Memory,ROM)中的程序或者从存储部分708加载到随机访问存储器703(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器703中,还存储有系统操作所需的各种程序和数据。中央处理器701、在只读存储器702以及随机访问存储器703通过总线704彼此相连。输入/输出接口705(Input/Output接口,即I/O接口)也连接至总线704。
以下部件连接至输入/输出接口705:包括键盘、鼠标等的输入部分706;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707;包括硬盘等的存储部分708;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至输入/输出接口705。可拆卸介质711,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710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708。
特别地,根据本申请的实施例,各个方法流程图中所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程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理器701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程序代码。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程序代码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。在这点上,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。
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发明后,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:
获取目标证件的多张证件图像;
提取所述多张证件图像中的静态防伪点所在的图像区域,得到静态防伪点图像;
基于多个维度分别对所述静态防伪点图像进行特征提取和分析,得到所述静态防伪点图像的多维度分析结果;
根据所述静态防伪点图像的多维度分析结果,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,基于多个维度对所述静态防伪点图像进行特征提取和分析,得到所述静态防伪点图像的多维度分析结果,包括:
通过分类模型对所述静态防伪点图像进行特征提取和分类处理,得到所述静态防伪点图像的分类结果,所述静态防伪点图像的分类结果表示所述静态防伪点图像的真伪置信度;
提取所述静态防伪点图像的图像特征,以确定所述图像特征与预设特征模板的相似度;
将所述静态防伪点图像的分类结果和所述相似度作为所述静态防伪点图像的多维度分析结果。
3.根据权利要求2所述的证件真伪识别方法,其特征在于,提取所述静态防伪点图像的图像特征,以确定所述图像特征与预设特征模板的相似度,包括以下至少一种:
提取所述静态防伪点图像的颜色特征,以确定所述颜色特征与预设颜色模板的第一相似度;
提取所述静态防伪点图像的对比度特征,以确定所述对比度特征与预设对比度模板的第二相似度;
提取所述静态防伪点图像的轮廓特征,以确定所述轮廓特征与预设轮廓模板的第三相似度。
4.根据权利要求3所述的证件真伪识别方法,其特征在于,提取所述静态防伪点图像的颜色特征,以确定所述颜色特征与预设颜色模板的第一相似度,包括:
提取所述静态防伪点图像在多个颜色通道上的颜色值;
计算所述静态防伪点图像在所述多个颜色通道上的颜色均值;
将所述颜色均值与预设颜色值的平方差作为所述第一相似度。
5.根据权利要求3所述的证件真伪识别方法,其特征在于,提取所述静态防伪点图像的对比度特征,以确定所述对比度特征与预设对比度模板的第二相似度,包括:
对所述静态防伪点图像进行灰度处理,得到所述静态防伪点图像的灰度图像;
将所述灰度图像的像素值方差与预设像素方差的平方差作为所述第二相似度。
6.根据权利要求3所述的证件真伪识别方法,其特征在于,提取所述静态防伪点图像的轮廓特征,以确定所述轮廓特征与预设轮廓模板的第三相似度,包括:
对所述静态防伪点图像进行边缘检测,以提取所述静态防伪点图像的轮廓特征;
将所述轮廓特征与预设轮廓模板的模板匹配结果作为所述第三相似度。
7.根据权利要求1所述的证件真伪识别方法,其特征在于,根据所述静态防伪点图像的多维度分析结果,确定所述目标证件的真伪,包括:
将所述静态防伪点图像的多维度分析结果分别与对应的维度阈值比较,并根据比较结果确定所述静态防伪点图像基于每个维度的真伪结果;
根据所述静态防伪点图像基于每个维度的真伪结果确定所述静态防伪点图像的真伪结果;
若静态防伪点图像的真伪结果为真的静态防伪点图像的数量大于或等于预设数量,则确定所述目标证件为真;
若静态防伪点图像的真伪结果为真的静态防伪点图像的数量小于所述预设数量,则确定所述目标证件为假。
8.根据权利要求1所述的证件真伪识别方法,其特征在于,根据所述静态防伪点图像的多维度分析结果,确定所述目标证件的真伪,包括:
根据所述静态防伪点图像的各个维度的分析结果,确定所述各个维度的分析结果统计值;
通过机器学习模型对所述各个维度的分析结果统计值进行分类处理,并根据分类结果确定所述目标证件的真伪。
9.根据权利要求8所述的证件真伪识别方法,其特征在于,所述分析结果统计值包括以下至少一种:分析结果的投票结果、分析结果的均值、分析结果的众数和分析结果的中位数。
10.根据权利要求1所述的证件真伪识别方法,其特征在于,获取目标证件的多张证件图像,包括:
获取包括目标证件的视频流;
提取所述视频流的多帧图像作为多张证件图像。
11.根据权利要求1所述的证件真伪识别方法,其特征在于,获取目标证件的多张证件图像,包括:
获取包括目标证件的压缩视频流;
对所述压缩视频流进行解码处理,得到视频图像帧序列;
对所述视频图像帧序列进行采样,得到多张证件图像。
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,提取所述证件图像的静态防伪点所在图像区域,得到静态防伪点图像,包括:
通过预设检测算法确定所述证件图像的静态防伪点所在的图像区域;
提取所述图像区域得到静态防伪点图像。
13.一种证件真伪识别装置,其特征在于,包括:
证件图像获取模块,用于获取目标证件的多张证件图像;
静态防伪点图像提取模块,用于提取所述多张证件图像中的静态防伪点所在的图像区域,得到静态防伪点图像;
特征分析模块,用于基于多个维度分别对所述静态防伪点图像进行特征提取和分析,得到所述静态防伪点图像的多维度分析结果;
证件真伪确定模块,用于根据所述静态防伪点图像的多维度分析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,该计算机程序被处理器执行时实现权利要求1至12中任意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:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至12中任意一项所述的证件真伪识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110769477.6A CN115661436A (zh) | 2021-07-07 | 2021-07-07 | 证件真伪识别方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110769477.6A CN115661436A (zh) | 2021-07-07 | 2021-07-07 | 证件真伪识别方法、装置、可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661436A true CN115661436A (zh) | 2023-01-31 |
Family
ID=85014997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110769477.6A Pending CN115661436A (zh) | 2021-07-07 | 2021-07-07 | 证件真伪识别方法、装置、可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661436A (zh) |
-
2021
- 2021-07-07 CN CN202110769477.6A patent/CN115661436A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Goel et al. | Dual branch convolutional neural network for copy move forgery detection | |
US10635946B2 (en) | Eyeglass positioning method, apparatus and storage medium | |
CN110084135B (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
Raghavendra et al. | Presentation attack detection algorithms for finger vein biometrics: A comprehensive study | |
WO2021137946A1 (en) | Forgery detection of face image | |
US10043071B1 (en) | Automated document classification | |
Zhang et al. | Face anti-spoofing detection based on DWT-LBP-DCT features | |
CN110427972B (zh) | 证件视频特征提取方法、装置、计算机设备和存储介质 | |
Shu et al. | Face spoofing detection based on chromatic ED-LBP texture feature | |
CN102542243A (zh) | 一种基于lbp图像和分块编码的虹膜特征提取方法 | |
CN110059607B (zh) | 活体多重检测方法、装置、计算机设备及存储介质 | |
CN112200136A (zh) | 证件真伪识别方法、装置、计算机可读介质及电子设备 | |
CN111898520A (zh) | 证件真伪识别方法、装置、计算机可读介质及电子设备 | |
CN111784675A (zh) | 物品纹理信息处理的方法、装置、存储介质及电子设备 | |
CN111275070B (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
Wu et al. | Comparative analysis and application of LBP face image recognition algorithms | |
CN113792659B (zh) | 文档识别方法、装置及电子设备 | |
Zhang et al. | Android-based multimodal biometric identification system using feature level fusion | |
Wyzykowski et al. | Multiresolution synthetic fingerprint generation | |
CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
CN113033305B (zh) | 活体检测方法、装置、终端设备和存储介质 | |
US10657369B1 (en) | Unsupervised removal of text from images using linear programming for optimal filter design | |
Davarzani et al. | Image authentication using LBP-based perceptual image hashing | |
Gupta et al. | A simplistic global median filtering forensics based on frequency domain analysis of image residuals | |
CN113221696A (zh) | 一种图像识别方法、系统、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 |