一种基于深度学习的照片翻拍识别方法及其装置与流程
本发明涉及软件领域,尤其涉及一种基于深度学习的照片翻拍识别方法及其装置。
背景技术:
1、随着移动互联网业务、远程身份认证和图像内容审核的广泛普及,大量通过手机、平板等终端拍摄的照片被实时上传至业务系统。在实际使用中,用户可能对手机屏幕、电脑显示屏、纸质照片或打印件进行二次拍摄,形成翻拍图像。这类翻拍图像往往会叠加屏幕纹理、摩尔纹、反光高光、边框、几何畸变、噪声重组以及局部清晰度变化等复杂伪影,严重干扰后续自动审核与身份核验的准确性。
2、照片翻拍识别目前主要通过以下几种方式实现。一种是纯粹的人工审核,审核人员依据个人经验对图像进行主观判断,这种方式不仅效率低、人力成本高,而且不同人员之间乃至同一人员在不同时间段的判断标准难以统一,无法满足海量数据实时稽核的要求。另一种是基于单一图像规则的判别方法,例如仅依赖清晰度、亮度、边缘强度或反光区域面积等指标进行判断。这类规则在特定采集环境下有一定效果,但面对不同的翻拍载体、拍摄距离、环境光照和设备差异时,泛化能力明显不足,经常出现大量误判。还有一类方案是将单路径深度神经网络直接用于rgb图像的分类,模型虽然能够从大量样本中学习到一定的纹理和语义特征,但对翻拍图像区别于正常拍摄图像的那部分细粒度信息——尤其是去噪前后才暴露的局部残留噪声、二次成像造成的细微纹理扰动和重拍痕迹——挖掘得很不充分,导致漏检和误检并存。同时,翻拍样本与正常样本之间的数量不平衡问题也容易使模型在训练中产生偏置。此外,现有算法大多缺少对在线推理阈值配置、服务化部署、计算资源管理等工程环节的系统考虑,难以直接嵌入到实际业务链路中稳定运行。
技术实现思路
1、为了解决上述技术问题,本发明提供了一种基于深度学习的照片翻拍识别方法,包括以下步骤:
2、获取待检测图像,并对所述待检测图像进行预处理,得到原始图像;
3、对所述原始图像执行中值滤波去噪,计算所述原始图像与去噪后图像之间的绝对差分,将差分结果转换为灰度图,对所述灰度图进行归一化并扩展单通道维度,生成差异图张量;
4、将所述原始图像输入双分支深度神经网络的原始图像分支提取语义特征,将所述差异图张量输入所述双分支深度神经网络的差异图分支提取翻拍伪影特征;
5、将所述语义特征与所述翻拍伪影特征进行拼接,得到联合特征向量;通过全连接层、批归一化层、非线性激活层及dropout层对所述联合特征向量进行特征映射,并通过se注意力机制对映射后的特征进行通道权重重标定,得到融合特征;
6、将所述融合特征输入分类层,输出所述待检测图像属于翻拍图像的概率值;
7、当所述概率值大于设定阈值时,判定所述待检测图像为翻拍图像;当所述概率值小于或等于所述设定阈值时,判定所述待检测图像为非翻拍图像。
8、本发明还涉及一种基于深度学习的照片翻拍识别装置,包括:
9、图像接收模块,用于获取待检测图像;
10、预处理模块,用于对所述待检测图像进行预处理,得到原始图像;
11、差异图生成模块,用于对所述原始图像执行中值滤波去噪,计算所述原始图像与去噪后图像之间的绝对差分,将差分结果转换为灰度图,对所述灰度图进行归一化并扩展单通道维度,生成差异图张量;
12、原始图像特征提取模块,用于将所述原始图像输入双分支深度神经网络的原始图像分支提取语义特征;
13、差异特征提取模块,用于将所述差异图张量输入所述双分支深度神经网络的差异图分支提取翻拍伪影特征;
14、特征融合与注意力增强模块,用于将所述语义特征与所述翻拍伪影特征进行拼接,得到联合特征向量;通过全连接层、批归一化层、非线性激活层及dropout层对所述联合特征向量进行特征映射,并通过se注意力机制对映射后的特征进行通道权重重标定,得到融合特征;
15、分类判定模块,用于将所述融合特征输入分类层,输出所述待检测图像属于翻拍图像的概率值;当所述概率值大于设定阈值时判定所述待检测图像为翻拍图像,当所述概率值小于或等于所述设定阈值时判定所述待检测图像为非翻拍图像。
16、与现有技术相比,本发明的有益效果如下:
17、本申请所提供的照片翻拍识别方法及装置,通过设计原始图像分支与差异图分支并行的双分支深度学习模型,使网络能够同步学习原始rgb图像的全局语义特征和来自去噪差异图的翻拍伪影特征。去噪差异图能够把显示介质、照片纸张等载体在二次成像过程中引入的异常纹理、莫尔条纹和噪声残留凸显出来,补充了单靠原始图像难以捕捉的细粒度判别信息。两路特征融合后再引入se注意力机制进行通道级权重重标定,使模型可以自适应地聚焦于对判定最具决定性的特征通道,从而在复杂翻拍场景下获得更高的识别精度和稳定性。
18、在模型训练环节,除常规增强手段外,还引入了随机网格打乱增强方式,强制模型学习图像内部结构被打乱后的鲁棒表示,使其在遇到局部遮挡、几何变形和不同拍摄角度时仍能保持可靠的判别能力。针对翻拍样本与正常样本数量不均的问题,利用带类别权重的二元交叉熵损失或focal loss进行训练,可有效抑制模型向多数类偏移的倾向,保障对翻拍图像的高召回率与精确率,更贴合实际审核场景中对漏检和误报的严苛要求。
1.一种基于深度学习的照片翻拍识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于深度学习的照片翻拍识别方法,其特征在于,所述对待检测图像进行预处理,得到原始图像的步骤,包括:
3.根据权利要求1所述的基于深度学习的照片翻拍识别方法,其特征在于:
4.根据权利要求1所述的基于深度学习的照片翻拍识别方法,其特征在于,所述方法还包括模型训练步骤:
5.根据权利要求4所述的基于深度学习的照片翻拍识别方法,其特征在于,所述模型训练步骤还包括:
6.根据权利要求1所述的基于深度学习的照片翻拍识别方法,其特征在于,所述方法还包括模型增量训练步骤:
7.一种基于深度学习的照片翻拍识别装置,其特征在于,包括:
8.根据权利要求7所述的基于深度学习的照片翻拍识别装置,其特征在于,还包括模型训练与更新模块,所述模型训练与更新模块用于:
9.根据权利要求7所述的基于深度学习的照片翻拍识别装置,其特征在于,还包括接口服务模块,所述接口服务模块用于:
10.根据权利要求9所述的基于深度学习的照片翻拍识别装置,其特征在于:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com