一种翻拍图像识别方法及其相关设备与流程

本申请涉及图像处理技术领域，尤其涉及一种翻拍图像识别方法及其相关设备。

背景技术

随着信息化技术的普及，图像上传技术的应用范围越来越广。例如，图像上传技术可以应用于一些认证场景(例如，实名认证等)，也可以应用于一些数字信息提取场景。

另外，对于图像上传技术来说，其不仅可以针对常规图像进行上传处理，也可以针对翻拍图像进行上传处理。其中，“常规图像”是指由图像采集设备(例如，摄像头、扫描设备等)针对实体对象(例如，身份证、某些证件等)进行图像采集得到的图像数据。“翻拍图像”是指由图像采集设备针对图像显示设备(例如，显示屏等)上显示的图像数据进行图像采集得到的图像数据。

然而，对于一些应用场景(例如，身份认证等)来说，常规图像通常是一种合法图像数据，但是翻拍图像通常是一种非法图像数据，故为了提高用户信息安全，需要针对翻拍图像进行识别并告警，如此使得如何识别翻拍图像成为一个亟待解决的技术问题。

技术实现要素：

为了解决上述技术问题，本申请提供了一种翻拍图像识别方法及其相关设备，能够准确地识别出一个图像数据是否为翻拍图像。

为了实现上述目的，本申请实施例提供的技术方案如下：

本申请实施例提供一种翻拍图像识别方法，所述方法包括：

在获取到待识别图像之后，对所述待识别图像进行视觉特征提取处理，得到所述待识别图像的视觉特征；

对所述视觉特征进行特征拆分处理，得到至少一个待使用特征；

分别对各个所述待使用特征进行特征编码处理，得到各个所述待使用特征的特征编码结果；

根据所述至少一个待使用特征的特征编码结果，确定所述待识别图像是否为翻拍图像。

在一种可能的实施方式中，所述视觉特征包括待使用特征图，且所述待使用特征图包括N个通道的图像数据；其中，N为正整数；

所述至少一个待使用特征的确定过程，包括：

对所述待使用特征图中第n个通道的图像数据进行压平处理，得到第n个压平数据；其中，n为正整数，n≤N；

将所述第n个压平数据按照预设提取参数进行数据提取处理，得到所述第n个压平数据的至少一个提取数据段；其中，n为正整数，n≤N；

根据N个压平数据的至少一个提取数据段，确定所述至少一个待使用特征。

在一种可能的实施方式中，所述方法还包括：

确定各个所述待使用特征的加权权重值；

将各个所述待使用特征分别与各个所述待使用特征的加权权重值进行相乘，得到各个加权特征；

所述分别对各个所述待使用特征进行特征编码处理，得到各个所述待使用特征的特征编码结果，包括：

分别对各个所述加权特征进行特征编码处理，得到各个所述待使用特征的特征编码结果。

在一种可能的实施方式中，所述确定各个所述待使用特征的加权权重值，包括：

将各个所述待使用特征输入预先构建的权重确定模型，得到所述权重确定模型输出的各个所述待使用特征的加权权重值。

在一种可能的实施方式中，所述根据所述至少一个待使用特征的特征编码结果，确定所述待识别图像是否为翻拍图像，包括：

将所述至少一个待使用特征的特征编码结果进行拼接，得到所述待识别图像的编码特征；

对所述待识别图像的编码特征进行翻拍图像识别处理，得到所述待识别图像的识别结果；

根据所述待识别图像的识别结果，确定所述待识别图像是否为翻拍图像。

在一种可能的实施方式中，所述对所述待识别图像的编码特征进行翻拍图像识别处理，得到所述待识别图像的识别结果，包括：

将所述待识别图像的编码特征输入预先构建的翻拍识别模型，得到所述翻拍识别模型输出的所述待识别图像的识别结果。

在一种可能的实施方式中，所述翻拍识别模型的构建过程，包括：

获取样本图像和所述样本图像的实际标签；其中，所述样本图像的实际标签用于表示所述样本图像实际是否为翻拍图像；

根据所述样本图像，确定至少一个待使用图像；

将所述样本图像的实际标签确定为各个待使用图像的实际标签；

利用所述至少一个待使用图像和所述至少一个待使用图像的实际标签，构建所述翻拍识别模型。

在一种可能的实施方式中，所述利用所述至少一个待使用图像和所述至少一个待使用图像的实际标签，构建所述翻拍识别模型，包括：

将各个所述待使用图像输入待训练模型，得到所述待训练模型输出的各个所述待使用图像的识别结果；

根据所述至少一个待使用图像的识别结果和所述至少一个待使用图像的实际标签，更新所述待训练模型，并继续执行所述将各个所述待使用图像输入待训练模型的步骤，直至在达到预设停止条件时，根据所述待训练模型，确定所述翻拍识别模型。

在一种可能的实施方式中，所述待训练模型包括：视觉特征提取层、特征拆分层、权重确定层、特征加权层、特征编码层、特征拼接层和翻拍识别层；所述翻拍识别层的输入数据包括所述特征拼接层的输出数据；所述特征拼接层的输入数据包括所述特征编码层的输出数据；所述特征编码层的输入数据包括所述特征加权层的输出数据；所述特征加权层的输入数据包括所述权重确定层的输出数据和所述特征拆分层的输出数据；所述权重确定层的输入数据包括所述特征拆分层的输出数据；所述特征拆分层的输入数据包括所述视觉特征提取层的输出数据；

所述根据所述待训练模型，确定所述翻拍识别模型，包括：

根据所述待训练模型中翻拍识别层，确定所述翻拍识别模型。

在一种可能的实施方式中，所述根据所述样本图像，确定至少一个待使用图像，包括：

按照预设规则，对所述样本图像进行裁剪处理，得到至少一个裁剪图像；

根据所述样本图像和所述至少一个裁剪图像，确定至少一个待使用图像。

在一种可能的实施方式中，所述待识别图像的获取过程，包括：

在获取到设备采集图像之后，对所述设备采集图像按照预设尺寸进行调整处理，得到所述待识别图像。

本申请实施例还提供了一种翻拍图像识别装置，包括：

提取单元，用于在获取到待识别图像之后，对所述待识别图像进行视觉特征提取处理，得到所述待识别图像的视觉特征；

拆分单元，用于对所述视觉特征进行特征拆分处理，得到至少一个待使用特征；

编码单元，用于分别对各个所述待使用特征进行特征编码处理，得到各个所述待使用特征的特征编码结果；

识别单元，用于根据所述至少一个待使用特征的特征编码结果，确定所述待识别图像是否为翻拍图像。

本申请实施例还提供了一种设备，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行本申请实施例提供的翻拍图像识别方法的任一实施方式。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行本申请实施例提供的翻拍图像识别方法的任一实施方式。

本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行本申请实施例提供的翻拍图像识别方法的任一实施方式。

与现有技术相比，本申请实施例至少具有以下优点：

本申请实施例提供的技术方案中，在获取到待识别图像之后，先对该待识别图像进行视觉特征提取处理，得到该待识别图像的视觉特征；再对该视觉特征进行特征拆分处理，得到至少一个待使用特征；然后，分别对各个该待使用特征进行特征编码处理，得到各个该待使用特征的特征编码结果；最后，根据该至少一个待使用特征的特征编码结果，确定该待识别图像是否为翻拍图像。其中，因上述“至少一个待使用特征的特征编码结果”能够准确地表示出待识别图像携带的图像信息，使得该“至少一个待使用特征的特征编码结果”能够准确地表示出待识别图像携带的摩尔纹信息，从而使得该“至少一个待使用特征的特征编码结果”能够准确地表示出该待识别图像是否为翻拍图像，如此使得后续能够基于该“至少一个待使用特征的特征编码结果”，识别出一个图像数据是否为翻拍图像。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，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它的附图。

图1为本申请实施例提供的一种翻拍图像识别方法的流程图；

图2为本申请实施例提供的一种待训练模型的结构示意图；

图3为本申请实施例提供的一种翻拍图像识别装置的结构示意图。

具体实施方式

发明人在针对翻拍图像的研究中发现，翻拍图像携带的摩尔纹信息不同于常规图像携带的摩尔纹信息，使得该翻拍图像携带的图像信息与该常规图像携带的图像信息之间存在区别，故可以基于一个图像数据携带的图像信息，识别该图像数据是否为翻拍图像。

基于上述发现可知，为了解决背景技术部分的技术问题，本申请实施例提供了一种翻拍图像识别方法，该方法包括：在获取到待识别图像之后，先对该待识别图像进行视觉特征提取处理，得到该待识别图像的视觉特征；再对该视觉特征进行特征拆分处理，得到至少一个待使用特征；然后，分别对各个该待使用特征进行特征编码处理，得到各个该待使用特征的特征编码结果；最后，根据该至少一个待使用特征的特征编码结果，确定该待识别图像是否为翻拍图像。

可见，因上述“至少一个待使用特征的特征编码结果”能够准确地表示出待识别图像携带的图像信息，使得该“至少一个待使用特征的特征编码结果”能够准确地表示出待识别图像携带的摩尔纹信息，从而使得该“至少一个待使用特征的特征编码结果”能够准确地表示出该待识别图像是否为翻拍图像，如此使得后续能够基于该“至少一个待使用特征的特征编码结果”，识别出一个图像数据是否为翻拍图像。

另外，本申请实施例不限定翻拍图像识别方法的执行主体，例如，本申请实施例提供的图像语种识别方法可以应用于终端设备或服务器等数据处理设备。其中，终端设备可以为智能手机、计算机、个人数字助理(Personal Digital Assitant，PDA)或平板电脑等。服务器可以为独立服务器、集群服务器或云服务器。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

方法实施例一

参见图1，该图为本申请实施例提供的一种翻拍图像识别方法的流程图。

本申请实施例提供的翻拍图像识别方法，包括S1-S4：

S1：在获取到待识别图像之后，对该待识别图像进行视觉特征提取处理，得到该待识别图像的视觉特征。

其中，“待识别图像”是指需要进行翻拍图像识别处理的图像数据；而且本申请实施例不限定上述“待识别图像”的获取过程，例如，其具体可以为：在获取到设备采集图像之后，直接将该设备采集图像确定为待识别图像。“设备采集图像”是指由图像采集设备采集到的图像数据。

另外，本申请实施例还提供了获取“待识别图像”的另一种可能的实施方式，其具体可以包括：在获取到设备采集图像之后，对该设备采集图像按照预设尺寸进行调整处理，得到待识别图像。其中，“预设尺寸”可以预先设定；而且本申请实施例不限定该“预设尺寸”，例如，其具体可以为128×128。

需要说明的是，本申请实施例不限定上述“调整处理”的实施方式，例如，可以采用现有的或者未来出现的任一种能够针对一个图像数据进行尺寸调整的方法(例如，尺寸调整(resize)方法)进行实施。

“视觉特征提取处理”用于从一个图像数据中提取视觉特征；而且本申请实施例不限定该“视觉特征提取处理”的实施方式，例如，其可以采用现有的或者未来出现的任一种视觉特征提取方法进行实施。又如，其具体可以借助预先构建的视觉特征提取模型进行实施。

上述“视觉特征提取模型”用于针对该视觉特征提取模型的输入数据进行视觉特征提取处理；而且本申请实施例不限定该“视觉特征提取模型”，例如，其具体可以为卷积神经网络(Convolutional Neural Networks,CNN)模型。

另外，本申请实施例不限定“视觉特征提取模型”的构建过程，例如，可以采用现有的或者未来出现的任一种模型构建方法进行实施。又如，还可以采用下文方法实施例三所示的模型构建方法进行实施。

“待识别图像的视觉特征”用于表示该待识别图像携带的图像信息；而且本申请实施例不限定该“待识别图像的视觉特征”的获取过程，例如，其具体可以包括：将待识别图像输入预先构建的视觉特征提取模型，得到该视觉特征提取模型输出的该待识别图像的视觉特征。

S2：对待识别图像的视觉特征进行特征拆分处理，得到至少一个待使用特征。

其中，“特征拆分处理”用于针对一个视觉特征(例如，特征图)进行特征划分处理；而且本申请实施例不限定该“特征拆分处理”，例如，可以采用现有的或者未来出现的任一种能够针对特征数据进行特征划分处理的方法进行实施。

另外，本申请实施例还提供了“特征拆分处理”的一种可能的实施方式，为了便于理解，下面结合示例进行说明。

作为示例，当上述“待识别图像的视觉特征”包括待使用特征图，且该待使用特征图包括N个通道的图像数据时，则S2具体可以包括S21-S23：

S21：对待使用特征图中第n个通道的图像数据进行压平处理，得到第n个压平数据。其中，n为正整数，n≤N。

其中，“待使用特征图”用于表示待识别图像携带的图像信息；而且该“待使用特征图”可以包括N个通道的图像数据。其中，N为正整数。

另外，本申请实施例不限定该“待使用特征图”，例如，当上述N为32时，该“待使用特征图”可以是64×64×32的图像数据。其中，“32”是指“待使用特征图”的通道个数；“64×64”是指“待使用特征图”中各个通道的图像数据所具有的数据维度。

上述“压平处理”用于将一个图像数据进行展开拼接处理，得到一个数据向量，以使该数据向量用于记录该图像数据所携带的像素信息；而且本申请实施例不限定该“压平处理”，可以采用现有的或者未来出现的任一种压平处理方法进行实施。

上述“第n个压平数据”是指一个用于表示待识别图像携带的图像信息的数据向量；而且本申请实施例不限定该“第n个压平数据”，例如，当上述“待使用特征图中第n个通道的图像数据”为64×64维的数据矩阵时，该“第n个压平数据”可以是4096维的数据向量。

S22：将第n个压平数据按照预设提取参数进行数据提取处理，得到该第n个压平数据的至少一个提取数据段。其中，n为正整数，n≤N。

其中，“预设提取参数”可以预先设定；而且本申请实施例不限定该“预设提取参数”，例如，其具体可以1024×4。其中，“1024”是指每个提取数据段的数据长度；“4”是指提取数据段的个数。

上述“数据提取处理”用于针对一个数据向量进行数据划分操作；而且本申请实施例不限定该“数据提取处理”的实施方式，例如，可以采用现有的或者未来出现的任一种能够将一个数据向量划分成多个提取数据段的方法(例如，尺寸调整(resize)方法)进行实施。

上述“第n个压平数据的至少一个提取数据段”用于表示该第n个压平数据携带的图像信息；而且本申请实施例不限定该“第n个压平数据的至少一个提取数据段”，例如，当第n个压平数据为4096维的数据向量，且预设提取参数为1024×4时，因该第n个压平数据能够被划分成4个1024维的提取数据段，故该“第n个压平数据的至少一个提取数据段”可以包括4个1024维的提取数据段。

S23：根据N个压平数据的至少一个提取数据段，确定至少一个待使用特征。

作为示例，当N为32，且上述“第n个压平数据的至少一个提取数据段”包括4个1024维的提取数据段时，上述“N个压平数据的至少一个提取数据段”可以包括96个1024维的提取数据段，故S23具体可以包括：将第1个1024维的提取数据段、第2个1024维的提取数据段、……、以及第96个1024维的提取数据段均确定为待使用特征，以得到96个待使用特征。

基于上述S21至S23的相关内容可知，在获取到待识别图像的视觉特征之后，可以将该视觉特征拆分成多个特征数据，以便后续能够借助针对该多个特征数据分别进行编码处理的方式，确定该视觉特征的编码特征，如此有利于后续编码效率。

S3：分别对各个待使用特征进行特征编码处理，得到各个待使用特征的特征编码结果。

其中，“特征编码处理”可以预先设定；而且本申请实施例不限定该“特征编码处理”的实施方式，例如，可以采用现有的或者未来出现的任一种编码方法进行实施。又如，可以借助预先构建的特征编码模型进行实施。

上述“特征编码模型”用于针对该特征编码模型的输入数据进行编码处理；而且本申请实施例不限定该“特征编码模型”的模型结构，例如，其可以包括5个编码网络。需要说明的是，本申请实施例不限定“编码网络”的实施方式，例如，可以采用任一种编码方法(例如，transformer模型中Encoder模块，或者，conformer结构)进行实施。

另外，本申请实施例不限定“特征编码模型”的构建方法，例如，可以采用现有的或者未来出现的任一种模型构建方法进行实施。又如，还可以采用下文方法实施例三所示的模型构建方法进行实施。

第k个待使用特征的特征编码结果用于表示该第k个待使用特征所携带的图像信息(例如，摩尔纹信息)；而且本申请实施例不限定该“第k个待使用特征的特征编码结果”的确定过程，例如，其具体可以为：将第k个待使用特征输入预先构建的特征编码模型，得到该特征编码模型输出的该第k个待使用特征的特征编码结果。其中，k为正整数，k≤K，K为正整数，K表示待使用特征的个数(例如，96)。

S4：根据至少一个待使用特征的特征编码结果，确定待识别图像是否为翻拍图像。

本申请实施例不限定S4的实施方式，例如，其具体可以为：将至少一个待使用特征的特征编码结果输入预先训练好的翻拍图像检测模型，得到该翻拍图像检测模型输出的检测结果，以使该检测结果用于表示该待识别图像是否为翻拍图像。

上述“翻拍图像检测模型”用于针对该翻拍图像检测模型的输入数据进行翻拍图像检测识别处理；而且本申请实施例不限定该“翻拍图像检测模型”，例如，其可以是现有的或者未来出现的任一种机器学习模型。需要说明的是，本申请实施例也不限定该“翻拍图像检测模型”的训练过程，例如，可以采用现有的或者未来出现的任一种模型训练方法进行实施。

另外，为了提高翻拍图像的识别效果，本申请实施例还提供了S4的另一种可能的实施方式，其具体可以包括S41-S43：

S41：将至少一个待使用特征的特征编码结果进行拼接，得到待识别图像的编码特征。

其中，“待识别图像的编码特征”用于表示该待识别图像携带的图像信息(尤其是，摩尔纹信息等)。

另外，本申请实施例不限定上述“拼接”的实施方式，可以采用现有的或者未来出现的任一种拼接方法进行实施。

S42：对待识别图像的编码特征进行翻拍图像识别处理，得到待识别图像的识别结果。

其中，“翻拍图像识别处理”用于识别一个图像数据的编码特征是否属于翻拍图像所具有的特征；而且本申请实施例不限定该“翻拍图像识别处理”，例如，其可以借助预先构建的翻拍识别模型进行实施。

上述“翻拍识别模型”用于针对该翻拍识别模型的输入数据进行翻拍图像识别处理；而且本申请实施例不限定该“翻拍识别模型”的模型结构，例如，其可以包括线性处理层和全连接层，且该全连接层的输入数据包括该线性处理层的输出数据。

另外，本申请实施例不限定上述“线性处理层”的实施方式，例如，其可以采用现有的或者未来出现的任一种线性处理方法(例如，transformer模型中linear模块)进行实施。同样，本申请实施例也不限定上述“全连接层”的实施方式，例如，其可以采用现有的或者未来出现的任一种全连接处理方法(例如，transformer模型中softmax模块)进行实施。

此外，本申请实施例不限定“翻拍识别模型”的构建方法，例如，可以采用现有的或者未来出现的任一种模型构建方法进行实施。又如，还可以采用下文方法实施例三所示的模型构建方法进行实施。

上述“待识别图像的识别结果”用于表示该待识别图像属于翻拍图像的可能性；而且本申请实施例不限定该“待识别图像的识别结果”的表示方式，例如，其可以包括第一概率和第二概率。其中，“第一概率”用于表示待识别图像属于翻拍图像的可能性；“第二概率”用于表示待识别图像不属于翻拍图像的可能性。

另外，本申请实施例不限定S42的实施方式，例如，其具体可以包括：将待识别图像的编码特征输入预先构建的翻拍识别模型，得到该翻拍识别模型输出的该待识别图像的识别结果。

S43：根据待识别图像的识别结果，确定待识别图像是否为翻拍图像。

本申请实施例中，在获取到待识别图像的识别结果之后，可以判断该待识别图像的识别结果是否达到预设翻拍条件；若达到，则可以确定该待识别图像为翻拍图像；若不达到，则可以确定该待识别图像不是翻拍图像。其中，“预设翻拍条件”可以预先设定，例如，该“预设翻拍条件”具体可以为：第一概率高于第一阈值，和/或，第二概率低于第二阈值。

基于上述S1至S4的相关内容可知，对于本申请实施例提供的翻拍图像识别方法来说，在获取到待识别图像之后，先对该待识别图像进行视觉特征提取处理，得到该待识别图像的视觉特征；再对该视觉特征进行特征拆分处理，得到至少一个待使用特征；然后，分别对各个该待使用特征进行特征编码处理，得到各个该待使用特征的特征编码结果；最后，根据该至少一个待使用特征的特征编码结果，确定该待识别图像是否为翻拍图像。

可见，因上述“至少一个待使用特征的特征编码结果”能够准确地表示出待识别图像携带的图像信息，使得该“至少一个待使用特征的特征编码结果”能够准确地表示出待识别图像携带的摩尔纹信息，从而使得该“至少一个待使用特征的特征编码结果”能够准确地表示出该待识别图像是否为翻拍图像，如此使得后续能够基于该“至少一个待使用特征的特征编码结果”，识别出一个图像数据是否为翻拍图像。

方法实施例二

为了提高翻拍图像的识别效果，本申请实施例还提供了翻拍图像识别方法的另一种可能的实施方式，在该实施方式中，该翻拍图像识别方法除了包括上述S1、S2、以及S4以外，可以还包括S5-S7：

S5：确定各个待使用特征的加权权重值。

其中，第k个待使用特征的加权权重值用于表示该第k个待使用特征所表征的图像信息的重要程度；而且本申请实施例不限定该“第k个待使用特征的加权权重值”的获取方式，例如，可以预先设定。其中，k为正整数，k≤K，K为正整数，K表示待使用特征的个数(例如，96)。

另外，为了提高翻拍图像的识别灵活性，本申请实施例还提供了S5的另一种可能的实施方式，其具体可以包括：将各个待使用特征输入预先构建的权重确定模型，得到该权重确定模型输出的各个待使用特征的加权权重值。

上述“权重确定模型”用于针对该权重确定模型的输入数据进行信息重要度衡量处理；而且本申请实施例不限定该“权重确定模型”，例如，其可以是任一种机器学习模型(例如，1×1的卷积网络)即可。

另外，本申请实施例不限定上述“权重确定模型”的构建过程，例如，其可以采用现有的或者未来出现的任一种模型构建方法进行实施。又如，还可以采用下文方法实施例三所示的模型构建方法进行实施。

S6：将各个待使用特征分别与各个待使用特征的加权权重值进行相乘，得到各个加权特征。

作为示例，S6具体可以包括：将第k个待使用特征与该第k个待使用特征的加权权重值进行相乘，得到第k个加权特征，以使该第k个加权特征能够更准确地表示出该第k个待使用特征所携带的图像信息及其对后续图像翻拍识别处理所造成的影响程度。

S7：分别对各个加权特征进行特征编码处理，得到各个待使用特征的特征编码结果。

需要说明的是，S7的相关内容类似于上文S3的相关内容，只需将上文S3的相关内容中“待使用特征”替换为“加权特征”即可。

基于上述S5至S7的相关内容可知，对于待识别图像来说，可以参考该待识别图像的至少一个待使用特征及其加权权重值，对该待识别图像的至少一个待使用特征进行编码处理，得到各个待使用特征的特征编码结果，以使各个待使用特征的特征编码结果能够更好的表示出该待识别图像携带的图像信息(尤其是，摩尔纹信息)，如此有利于提高翻拍图像的识别准确性。

方法实施例三

为了提高上述模型(例如，视觉特征提取模型、特征编码模型、权重确定模型、翻拍识别模型等)的构建效果，本申请实施例还提供了一种模型构建方法，其具体可以包括步骤11-步骤14：

步骤11：获取样本图像和该样本图像的实际标签。

其中，上述“样本图像”是指在模型构建过程中所需使用的图像数据；而且本申请实施例不限定“样本图像”的个数。

上述“样本图像的实际标签”用于表示该样本图像实际是否为翻拍图像；而且本申请实施例不限定该“样本图像的实际标签”的获取过程，例如，可以通过人工标注的方式进行实施。

另外，本申请实施例不限定上述“样本图像的实际标签”的表示方式，例如，其可以包括第三概率和第四概率。其中，“第三概率”用于表示样本图像实际属于翻拍图像的可能性；“第四概率”用于表示样本图像实际不属于翻拍图像的可能性。

步骤12：根据样本图像，确定至少一个待使用图像。

其中，“待使用图像”用于表示样本图像中部分图像信息或者全部图像信息。

另外，本申请实施例不限定上述“至少一个待使用图像”，例如，其可以包括一个第一图像样本、H个第二图像样本、以及G个第三图像样本。其中，H为正整数，G为正整数。需要说明的是，本申请实施例不限定H与G之间的关系，例如，G＝2×H。

上述“第一图像样本”用于记录样本图像中全部图像信息；而且本申请实施例不限定该“第一图像样本”的确定过程，例如，可以直接将该样本图像确定为第一图像样本。

上述“第二图像样本”用于记录样本图像中第一裁剪比例下(例如，70％)的图像信息；而且本申请实施例不限定上述“H个第二图像样本”的确定过程，例如，可以按照第一裁剪比例，对该样本图像进行第h次随机裁剪处理，得到第h个第二图像样本，以使该第h个第二图像样本携带的图像信息与该样本图像携带的图像信息之间的相同比例达到上述“第一裁剪比例”。

上述“第三图像样本”用于记录样本图像中第二裁剪比例下(例如，40％)的图像信息；而且本申请实施例不限定上述“G个第三图像样本”的确定过程，例如，可以按照第二裁剪比例，对该样本图像进行第g次随机裁剪处理，得到第g个第三图像样本，以使该第g个第三图像样本携带的图像信息与该样本图像携带的图像信息之间的相同比例达到上述“第二裁剪比例”。

此外，本申请实施例不限定步骤12的实施方式，例如，其具体可以包括步骤121-步骤122：

步骤121：按照预设规则，对样本图像进行裁剪处理，得到至少一个裁剪图像。

其中，预设规则可以预先设定，例如，其具体可以包括：按照第一裁剪比例对样本图像进行H次裁剪处理，并按照第二裁剪比例对样本图像进行G次裁剪处理。

上述“裁剪图像”用于表示样本图像中部分图像信息。

步骤122：根据样本图像和至少一个裁剪图像，确定至少一个待使用图像。

本申请实施例不限定步骤122的实施方式，例如，其具体可以为：直接将样本图像、以及各个裁剪图像均确定为待使用图像。又如，步骤122具体可以为：先按照样本图像的图像尺寸，对各个裁剪图像进行数据填充处理，得到各个填充图像，以使各个填充图像的图像尺寸与该样本图像的图像尺寸保持一致；再将样本图像、以及各个填充图像均确定为待使用图像。

基于上述步骤12的相关内容可知，在获取到样本图像之后，可以参考该样本图像中不同区域的图像信息，确定不同待使用图像，以使不同待使用图像能够表示该样本图像中不同区域所携带的图像信息，从而使得基于这些待使用图像构建的各个模型具有较好的图像区域特征提取性能，如此有利于提高特征提取效果，从而有利于提高翻拍图像的识别效果。

步骤13：将样本图像的实际标签确定为各个待使用图像的实际标签。

本申请实施例中，在获取到各个待使用图像的之后，可以依据样本图像的实际标签，确定各个待使用图像的实际标签，以使各个待使用图像的实际标签与该样本图像的实际标签保持一致。

步骤14：利用至少一个待使用图像和该至少一个待使用图像的实际标签，构建视觉特征提取模型、特征编码模型、权重确定模型、以及翻拍识别模型中的至少一个。

作为示例，步骤14具体可以包括步骤141-步骤144：

步骤141：将各个待使用图像输入待训练模型，得到该待训练模型输出的各个待使用图像的识别结果。

其中，“待训练模型”用于针对该待训练模型的输入数据进行翻拍图像识别处理；而且本申请实施例不限定该“待训练模型”，例如，其可以是一种机器学习模型。

另外，本申请实施例不限定上述“待训练模型”的模型结构，例如，如图2所示，“待训练模型”具体可以包括视觉特征提取层、特征拆分层、权重确定层、特征加权层、特征编码层、特征拼接层和翻拍识别层。其中，翻拍识别层的输入数据包括特征拼接层的输出数据；特征拼接层的输入数据包括特征编码层的输出数据；特征编码层的输入数据包括特征加权层的输出数据；特征加权层的输入数据包括权重确定层的输出数据和特征拆分层的输出数据；权重确定层的输入数据包括特征拆分层的输出数据；特征拆分层的输入数据包括视觉特征提取层的输出数据。

上述“视觉特征提取层”用于针对一个图像数据进行视觉特征提取处理；而且本申请实施例不限定该“视觉特征提取层”的网络结构，例如，其可以采用上文“视觉特征提取模型”的模型结构进行实施。

上述“特征拆分层”用于针对该特征拆分层的输入数据进行特征拆分处理；而且本申请实施例不限定该“特征拆分层”的工作原理，例如，其可以采用上文S21-S23所示的特征拆分处理过程进行实施。

上述“权重确定层”用于针对该权重确定层的输入数据进行信息重要度衡量处理；而且本申请实施例不限定该“权重确定层”的网络结构，例如，其可以采用上文“权重确定模型”的模型结构进行实施。

上述“特征加权层”用于针对该权重确定层的输入数据进行加权处理；而且本申请实施例不限定该“特征加权层”的工作原理，例如，其可以采用上文S6所示的加权处理过程进行实施。

上述“特征编码层”用于针对该特征编码层的输入数据进行编码处理；而且本申请实施例不限定该“特征编码层”的网络结构，例如，其可以采用上文“特征编码模型”的模型结构进行实施。

上述“特征拼接层”用于针对该特征拼接层的输入数据进行拼接处理；而且本申请实施例不限定该“特征拼接层”的工作原理，可以采用现有的或者未来出现的任一种拼接方法进行实施。

上述“翻拍识别层”用于针对该翻拍识别层的输入数据进行翻拍数据识别处理；而且本申请实施例不限定该“翻拍识别层”的网络结构，例如，其可以采用上文“翻拍识别模型”的模型结构进行实施。

上述“待使用图像的识别结果”用于表示该待使用图像预测属于翻拍图像的可能性。

步骤142：判断是否达到预设停止条件，若是，则执行步骤144；若否，则执行步骤143。

其中，“预设停止条件”可以预先设定；而且本申请实施例不限定该“预设停止条件”，例如，其具体可以为待训练模型的模型损失值低于预设损失值阈值；也可以为该待训练模型的模型损失值的变化率低于预设变化率阈值；还可以为该待训练模型的更新次数达到预设次数阈值。

上述“待训练模型的模型损失值”用于表示该待训练模型的翻拍图像识别性能；而且本申请实施例不限定该“待训练模型的模型损失值”的确定过程，可以采用现有的或者未来出现的任一种模型损失值计算方法进行实施。

步骤143：根据至少一个待使用图像的识别结果和该至少一个待使用图像的实际标签，更新待训练模型，并返回执行步骤141。

本申请实施例中，在确定当前轮的待训练模型没有达到预设停止条件之后，可以确定该待训练模型的翻拍图像识别性能仍然比较差，故可以依据至少一个待使用图像的识别结果和该至少一个待使用图像的实际标签之间的差异性，更新该待训练模型，以使更新后的待训练模型具有更好的翻拍图像识别性能，并基于更新后的待训练模型继续执行步骤141及其后续步骤，以实现针对该待训练模型的下一轮训练过程。

步骤144：根据待训练模型，确定视觉特征提取模型、特征编码模型、权重确定模型、以及翻拍识别模型中的至少一个。

本申请实施例中，在确定当前轮的待训练模型达到预设停止条件之后，可以确定该待训练模型具有较好的翻拍图像识别性能，故可以直接根据该待训练模型，确定视觉特征提取模型、特征编码模型、权重确定模型、以及翻拍识别模型中的至少一个；而且该确定过程具体可以为：根据该待训练模型中视觉特征提取层，确定视觉特征提取模型(例如，直接将该待训练模型中视觉特征提取层，确定为视觉特征提取模型)；根据该待训练模型中特征编码层，确定特征编码模型(例如，直接将该待训练模型中特征编码层，确定为特征编码模型)；根据该待训练模型中权重确定层，确定权重确定模型(例如，直接将该待训练模型中权重确定层，确定为权重确定模型)；根据该待训练模型中翻拍识别层，确定翻拍识别模型(例如，直接将该待训练模型中翻拍识别层，确定为翻拍识别模型)。

基于上述步骤11至步骤14的相关内容可知，在获取到样本图像及其实际标签之后，可以先参考该样本图像及其实际标签，确定至少一个待使用图像及其实际标签；再利用至少一个待使用图像及其实际标签，构建视觉特征提取模型、特征编码模型、权重确定模型、以及翻拍识别模型中的至少一个，以使构建好的各个模型均具有较好的模型性能，如此有利于提高翻拍图像的识别性能。

基于上述方法实施例提供的翻拍图像识别方法，本申请实施例还提供了一种翻拍图像识别装置，下面结合附图进行解释和说明。

装置实施例

装置实施例提供的翻拍图像识别装置的技术详情，请参照上述方法实施例。

参见图3，该图为本申请实施例提供的一种翻拍图像识别装置的结构示意图。

本申请实施例提供的翻拍图像识别装置300，包括：

提取单元301，用于在获取到待识别图像之后，对所述待识别图像进行视觉特征提取处理，得到所述待识别图像的视觉特征；

拆分单元302，用于对所述视觉特征进行特征拆分处理，得到至少一个待使用特征；

编码单元303，用于分别对各个所述待使用特征进行特征编码处理，得到各个所述待使用特征的特征编码结果；

识别单元304，用于根据所述至少一个待使用特征的特征编码结果，确定所述待识别图像是否为翻拍图像。

在一种可能的实施方式中，所述视觉特征包括待使用特征图，且所述待使用特征图包括N个通道的图像数据；其中，N为正整数；

所述拆分单元302，具体用于：对所述待使用特征图中第n个通道的图像数据进行压平处理，得到第n个压平数据；其中，n为正整数，n≤N；将所述第n个压平数据按照预设提取参数进行数据提取处理，得到所述第n个压平数据的至少一个提取数据段；其中，n为正整数，n≤N；根据N个压平数据的至少一个提取数据段，确定所述至少一个待使用特征。

在一种可能的实施方式中，所述翻拍图像识别装置300还包括：

确定单元，用于确定各个所述待使用特征的加权权重值；

加权单元，用于将各个所述待使用特征分别与各个所述待使用特征的加权权重值进行相乘，得到各个加权特征；

所述编码单元303，具体用于：分别对各个所述加权特征进行特征编码处理，得到各个所述待使用特征的特征编码结果。

在一种可能的实施方式中，所述确定单元，具体用于：将各个所述待使用特征输入预先构建的权重确定模型，得到所述权重确定模型输出的各个所述待使用特征的加权权重值。

在一种可能的实施方式中，所述识别单元304，包括：

拼接子单元，用于将所述至少一个待使用特征的特征编码结果进行拼接，得到所述待识别图像的编码特征；

处理子单元，用于对所述待识别图像的编码特征进行翻拍图像识别处理，得到所述待识别图像的识别结果；

确定子单元，用于根据所述待识别图像的识别结果，确定所述待识别图像是否为翻拍图像。

在一种可能的实施方式中，所述处理子单元，具体用于：将所述待识别图像的编码特征输入预先构建的翻拍识别模型，得到所述翻拍识别模型输出的所述待识别图像的识别结果。

在一种可能的实施方式中，所述翻拍图像识别装置300还包括：

构建单元，用于获取样本图像和所述样本图像的实际标签；其中，所述样本图像的实际标签用于表示所述样本图像实际是否为翻拍图像；根据所述样本图像，确定至少一个待使用图像；将所述样本图像的实际标签确定为各个待使用图像的实际标签；利用所述至少一个待使用图像和所述至少一个待使用图像的实际标签，构建所述翻拍识别模型。

在一种可能的实施方式中，所述构建单元，包括：

识别子单元，用于将各个所述待使用图像输入待训练模型，得到所述待训练模型输出的各个所述待使用图像的识别结果；

更新子单元，用于根据所述至少一个待使用图像的识别结果和所述至少一个待使用图像的实际标签，更新所述待训练模型，并返回所述识别子单元继续执行所述将各个所述待使用图像输入待训练模型的步骤；

构建子单元，用于在达到预设停止条件时，根据所述待训练模型，确定所述翻拍识别模型。

在一种可能的实施方式中，所述待训练模型包括：视觉特征提取层、特征拆分层、权重确定层、特征加权层、特征编码层、特征拼接层和翻拍识别层；所述翻拍识别层的输入数据包括所述特征拼接层的输出数据；所述特征拼接层的输入数据包括所述特征编码层的输出数据；所述特征编码层的输入数据包括所述特征加权层的输出数据；所述特征加权层的输入数据包括所述权重确定层的输出数据和所述特征拆分层的输出数据；所述权重确定层的输入数据包括所述特征拆分层的输出数据；所述特征拆分层的输入数据包括所述视觉特征提取层的输出数据；

所述构建子单元，具体用于：根据所述待训练模型中翻拍识别层，确定所述翻拍识别模型。

在一种可能的实施方式中，所述拆分单元302，具体用于：按照预设规则，对所述样本图像进行裁剪处理，得到至少一个裁剪图像；根据所述样本图像和所述至少一个裁剪图像，确定至少一个待使用图像。

在一种可能的实施方式中，所述翻拍图像识别装置300还包括：

调整单元，用于在获取到设备采集图像之后，对所述设备采集图像按照预设尺寸进行调整处理，得到所述待识别图像。

基于上述翻拍图像识别装置300的相关内容可知，对于翻拍图像识别装置300来说，在获取到待识别图像之后，先对该待识别图像进行视觉特征提取处理，得到该待识别图像的视觉特征；再对该视觉特征进行特征拆分处理，得到至少一个待使用特征；然后，分别对各个该待使用特征进行特征编码处理，得到各个该待使用特征的特征编码结果；最后，根据该至少一个待使用特征的特征编码结果，确定该待识别图像是否为翻拍图像。其中，因上述“至少一个待使用特征的特征编码结果”能够准确地表示出待识别图像携带的图像信息，使得该“至少一个待使用特征的特征编码结果”能够准确地表示出待识别图像携带的摩尔纹信息，从而使得该“至少一个待使用特征的特征编码结果”能够准确地表示出该待识别图像是否为翻拍图像，如此使得后续能够基于该“至少一个待使用特征的特征编码结果”，识别出一个图像数据是否为翻拍图像。

进一步地，本申请实施例还提供了一种设备，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行本申请实施例提供的翻拍图像识别方法的任一实施方式。

进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行本申请实施例提供的翻拍图像识别方法的任一实施方式。

进一步地，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行本申请实施例提供的翻拍图像识别方法的任一实施方式。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。