一种翻拍证件识别方法、装置、计算机设备及存储介质与流程

1.本技术涉及人工智能中得图像处理技术领域，尤其涉及一种翻拍证件识别方法、装置、计算机设备及存储介质。


背景技术：

2.证件翻拍识别可以识别身份证照片是否为复印件或者屏幕翻拍图而非身份证实物，从而避免拍摄的身份证照片被不法分子非法使用，是一项非常有落地实用价值的研究领域。rgb图片的翻拍检测仅能通过图像本身的信息进行判别，在实际的开放场景中面临着很大的挑战性。
3.现有的翻拍证件识别方法是依据图像分类任务的思路，构造图像分类模型对rgb图像进行分类检测，从而实现识别翻拍证件的目的。
4.然而，申请人发现传统的翻拍证件识别方法普遍不智能，由于往往会存在不同的攻击媒介、不同的图像成像设备以及输入分辨率等影响因素对分类结果有着直接的影响，这也导致简单的图像分类模型难以在各个常见进行部署应用，缺乏一定的场景鲁棒性，由此可见，传统的翻拍证件识别方法存在缺乏一定的场景鲁棒性的问题。


技术实现要素：

5.本技术实施例的目的在于提出一种翻拍证件识别方法、装置、计算机设备及存储介质，以解决传统的翻拍证件识别方法存在缺乏一定的场景鲁棒性的问题。
6.为了解决上述技术问题，本技术实施例提供一种翻拍证件识别方法，采用了如下所述的技术方案：
7.获取样本数据，其中，所述样本数据包括标注有真实图片的正样本图像以及标注有翻拍图片的负样本图像；
8.对所述正样本图像以及所述负样本图像进行预处理操作，得到初始正样本图像以及初始负样本图像；
9.将所述初始正样本图像以及所述初始负样本图像输入至初始模型进行模型训练操作，得到基于lbp特征的翻拍证件识别模型，其中，所述初始模型由mobilenetv3网络、lbpgenerator模块、特征提取模块以及全连接层组成；
10.获取待识别证件图像；
11.将所述待识别证件图像输入至所述lbpgenerator模块进行lbp特征转换，得到待识别证件lbp特征图；
12.将所述待识别证件lbp特征图输入至所述基于lbp特征的翻拍证件识别模型进行纹理特征识别操作，得到纹理特征识别结果；
13.若所述纹理特征识别结果存在明显的纹理差异特征，则确认所述待识别证件为翻拍证件；
14.若所述纹理特征识别结果不存在明显的纹理差异特征，则确认所述待识别证件为
原始证件。
15.为了解决上述技术问题，本技术实施例还提供一种翻拍证件识别装置，采用了如下所述的技术方案：
16.样本数据获取模块，用于获取样本数据，其中，所述样本数据包括标注有真实图片的正样本图像以及标注有翻拍图片的负样本图像；
17.预处理模块，用于对所述正样本图像以及所述负样本图像进行预处理操作，得到初始正样本图像以及初始负样本图像；
18.模型训练模块，用于将所述初始正样本图像以及所述初始负样本图像输入至初始模型进行模型训练操作，得到基于lbp特征的翻拍证件识别模型，其中，所述初始模型由mobilenetv3网络、lbpgenerator模块、特征提取模块以及全连接层组成；
19.待识别证件获取模块，用于获取待识别证件图像；
20.lbp特征转换模块，用于将所述待识别证件图像输入至所述lbpgenerator模块进行进行lbp特征转换，得到待识别证件lbp特征图；
21.纹理特征识别模块，用于所述待识别证件lbp特征图输入至所述基于lbp特征的翻拍证件识别模型进行纹理特征识别操作，得到纹理特征识别结果；
22.第一结果模块，用于若所述纹理特征识别结果存在明显的纹理差异特征，则确认所述待识别证件为翻拍证件；
23.第二结果模块，用于若所述纹理特征识别结果不存在明显的纹理差异特征，则确认所述待识别证件为原始证件。
24.为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：
25.包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的翻拍证件识别方法的步骤。
26.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
27.所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的翻拍证件识别方法的步骤。
28.本技术提供了一种翻拍证件识别方法，包括：获取样本数据，其中，所述样本数据包括标注有真实图片的正样本图像以及标注有翻拍图片的负样本图像；对所述正样本图像以及所述负样本图像进行预处理操作，得到初始正样本图像以及初始负样本图像；将所述初始正样本图像以及所述初始负样本图像输入至初始模型进行模型训练操作，得到基于lbp特征的翻拍证件识别模型，其中，所述初始模型由mobilenetv3网络、lbpgenerator模块、特征提取模块以及全连接层组成；获取待识别证件图像；将所述待识别证件图像输入至所述lbpgenerator模块进行lbp特征转换，得到待识别证件lbp特征图；将所述待识别证件lbp特征图输入至所述基于lbp特征的翻拍证件识别模型进行纹理特征识别操作，得到纹理特征识别结果；若所述纹理特征识别结果存在明显的纹理差异特征，则确认所述待识别证件为翻拍证件；若所述纹理特征识别结果不存在明显的纹理差异特征，则确认所述待识别证件为原始证件。与现有技术相比，本技术在训练翻拍证件识别模型时，引入了lbp特征图作为模型训练的辅助信息，并对训练数据根据1、1.5、3倍等不同倍率进行扩边训练，可以利
用除了身份证区域的部分背景信息，动态适应分散的判别线索，使得训练好的模型能够根据lbp特征图所隐含的纹理特征信息对证件图像进行识别，有效增强翻拍证件识别模型的鲁棒性。
附图说明
29.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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。
30.图1是本技术可以应用于其中的示例性系统架构图；
31.图2是本技术实施例一提供的翻拍证件识别方法的实现流程图；
32.图3是本技术实施例一提供的监督信息的使用及网络模型的一种具体实施方式的流程图；
33.图4是图2中步骤s202的一种具体实施方式的流程图；
34.图5是图2中步骤s203的一种具体实施方式的流程图；
35.图6是本技术实施例一提供的获取待识别证件子图像的一种具体实施方式的流程图；
36.图7是是本技术实施例一提供的获取目标梯度图预测模型的一种具体实施方式的流程图；
37.图8是本技术实施例一提供的翻拍证件识别装置的结构示意图；
38.图9是图8中预处理模块220的一种具体实施方式的结构示意图；
39.图10是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
40.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
41.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
42.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
43.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
44.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发
送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
45.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
46.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
47.需要说明的是，本技术实施例所提供的翻拍证件识别方法一般由服务器/终端设备执行，相应地，翻拍证件识别装置一般设置于服务器/终端设备中。
48.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
49.继续参考图2，示出了本技术实施例一提供的翻拍证件识别方法的实现流程图，为了便于说明，仅示出与本技术相关的部分。
50.上述的翻拍证件识别方法，包括以下步骤：步骤s201、步骤s202、步骤s203、步骤s204、步骤s205以及步骤s206。
51.步骤s201：获取样本数据，其中，样本数据包括标注有真实图片的正样本图像以及标注有翻拍图片的负样本图像。
52.步骤s202：对正样本图像以及负样本图像进行预处理操作，得到初始正样本图像以及初始负样本图像。
53.在本技术实施例中，预处理操作可以是使用身份证检测器(retinaface)获取图像中的身份证坐标框，然后按照一定的比例1倍、1.5倍，3倍对身份证框进行扩边，并将不同背景大小的身份证图片缩放到固定尺寸224x224大小。
54.步骤s203：将初始正样本图像以及初始负样本图像输入至初始模型进行模型训练操作，得到基于lbp特征的翻拍证件识别模型，其中，初始模型由mobilenetv3网络、lbpgenerator模块、特征提取模块以及全连接层组成。
55.在本技术实施例中，将翻拍图片与真实图片转换生成lbp特征图后，我们发现真实与翻拍身份证lbp特征图有明显的纹理差异，因此，我们认为真实、翻拍身份证的lbp特征图是可区分的，我们在模型训练中加入lbp特征图作为监督信号，具体监督信息的使用及网络模型如下图3所示。
56.在本技术实施例中，考虑到真实/翻拍身份证有效的判别信息不一定完全分布在身份证区域，也有可能出现在背景区域(如摩尔纹、边框等)，因此我们采用具有注意力机制的主干网络(mobilenetv3)提取图片特征，在网络的后半部分分化为两个分支，一个分支利用lbpgenerator模块生成lbp特征图，另一个分支得到512维的特征向量。针对每个尺度扩边后的身份证图片均利用上述网络进行特征提取，然后将所有的512维特(3个512维特征)征进行拼接得到1536维特征，最后经过全连接层得到2维的特征向量。
57.在本技术实施例中，型训练中采用两种损失函数，分别是lbp特征损失函数和softmax损失函数。
58.步骤s204：获取待识别证件图像。
59.在本技术实施例中，获取待识别证件图像可以是通过图像采集终端实时采集得到的，该待识别证件图像还可以是通过用户终端发送携带有该待识别证件图像的数据得到的，应当理解，此处对获取获取待识别证件图像的实现方式的举例仅为方便理解，不用于限定本技术。
60.步骤s205：将待识别证件图像输入至lbpgenerator模块进行lbp特征转换，得到待识别证件lbp特征图。
61.步骤s206：将待识别证件lbp特征图输入至基于lbp特征的翻拍证件识别模型进行纹理特征识别操作，得到纹理特征识别结果。
62.步骤s207：若纹理特征识别结果存在明显的纹理差异特征，则确认待识别证件为翻拍证件。
63.步骤s208：若纹理特征识别结果不存在明显的纹理差异特征，则确认待识别证件为原始证件。
64.在本技术实施例中，真实的身份证图片和翻拍身份证图片转换成lbp特征图后，翻拍身份证的lbp特征图具有明显的纹理特征，而真实身份证的lbp特征图无明显特征，本技术通过确认纹理特征识别结果中是否存在明显纹理差异特征，从而确认改待识别证件图像是否为翻拍证件图像。
65.在本技术实施例中，提供了一种翻拍证件识别方法，包括：获取样本数据，其中，样本数据包括标注有真实图片的正样本图像以及标注有翻拍图片的负样本图像；对正样本图像以及负样本图像进行预处理操作，得到初始正样本图像以及初始负样本图像；将初始正样本图像以及初始负样本图像输入至初始模型进行模型训练操作，得到基于lbp特征的翻拍证件识别模型，其中，初始模型由mobilenetv3网络、lbpgenerator模块、特征提取模块以及全连接层组成；获取待识别证件图像；将待识别证件图像输入至lbpgenerator模块进行lbp特征转换，得到待识别证件lbp特征图；将待识别证件lbp特征图输入至基于lbp特征的翻拍证件识别模型进行纹理特征识别操作，得到纹理特征识别结果；若纹理特征识别结果存在明显的纹理差异特征，则确认待识别证件为翻拍证件；若纹理特征识别结果不存在明显的纹理差异特征，则确认待识别证件为原始证件。与现有技术相比，本技术在训练翻拍证件识别模型时，引入了lbp特征图作为模型训练的辅助信息，并对训练数据根据1、1.5、3倍等不同倍率进行扩边训练，可以利用除了身份证区域的部分背景信息，动态适应分散的判别线索，使得训练好的模型能够根据lbp特征图所隐含的纹理特征信息对证件图像进行识别，有效增强翻拍证件识别模型的鲁棒性。
66.继续参阅图4，示出了图2中步骤s202的一种具体实施方式的流程图，为了便于说明，仅示出与本技术相关的部分。
67.在本实施例的一些可选的实现方式中，上述步骤s202具体包括：步骤s401以及步骤s402。
68.步骤s401：按照长宽比例不变的方式对正样本图像以及负样本图像进行尺寸调节处理，得到标准尺寸正样本图像以及标准尺寸负样本图像。
69.在本技术实施例中，尺寸调节处理指的是对正样本图像的大小进行调整的过程，该调整过程始终保持图像长宽比例不变，具体的，图像放大可以采用内插值方法，即在原有
图像像素的基础上在像素点之间采用合适的插值算法插入新的元素，插值算法例如包括基于边缘的图像插值算法、基于区域的图像插值算法以及其他已知或未来开发的算法，而缩小图像例如可以采用cv_inetr_area来插值。
70.步骤s402：按照预设尺寸对标准尺寸正样本图像以及标准尺寸负样本图像进行分割处理，得到初始正样本图像以及初始负样本图像。
71.在本技术实施例中，由于质量检测模型的输入需要满足一定的尺寸要求，当尺寸过大的图像输入至该质量检测模型时，会影响该模型的处理效率及处理准确度，因此，通过上述的尺寸调节处理和分割处理对该正样本图像或负样本图像进行标准化操作，使得输入该质量检测模型的输入数据符合模型的要求，其中，预设尺寸可以根据实际情况进行动态调整，作为示例，该预设尺寸可以是224
×
224，应当理解，此处对预设尺寸的举例仅为方便理解，不用于限定本技术。
72.继续参阅图5，示出了图2中步骤s203的一种具体实施方式的流程图，为了便于说明，仅示出与本技术相关的部分。
73.在本实施例的一些可选的实现方式中，上述步骤s203具体包括：步骤s501、步骤s502、步骤s503以及步骤s504。
74.步骤s501：对初始样本数据进行傅里叶变化操作，得到参考特征数据fg。
75.步骤s502：根据lbpgenerator模块对初始样本数据进行lbp特征预测操作，得到预测特征数据f
p
。
76.步骤s503：根据参考特征数据fg以及预测特征数据f
p
构造特征损失函数l
lbp
，特征损失函数l
lbp
表示为：
[0077][0078]
其中，f
p
表示预测特征数据；fg表示参考特征数据。
[0079]
步骤s504：根据特征损失函数l
lbp
对lbpgenerator模块进行训练操作，直至收敛后得到训练好的lbpgenerator模块。
[0080]
在本技术实施例中，lbpgenerator模块的损失函数l2损失计算实际的lbp特征图与生成的lbp特征图之间的差异，使得训练好的lbpgenerator模块可以预测出与真实特征图相同的lbp图像特征。
[0081]
在本实施例的一些可选的实现方式中，全连接层的损失函数l
softmax
表示为：
[0082][0083]
其中，yi表示样本的真实标签，fj表示输出类别的第j个置信度，n表示训练样本的个数。
[0084]
继续参阅图6，示出了本技术实施例一提供的获取待识别证件子图像的一种具体实施方式的流程图，为了便于说明，仅示出与本技术相关的部分。
[0085]
在本实施例的一些可选的实现方式中，在步骤s104之后，且步骤s105之前，还包括：步骤s601、步骤s602以及步骤s603，步骤s105具体包括：步骤s604。
[0086]
步骤s601：对待识别证件图像进行自适应二值化操作，得到二值化证件图像。
[0087]
在本技术实施例中，二值化算法是取一个阈值，将大于阈值的像素点取值1即显示
白色，而小于阈值的像素点自然赋值为0即显示为黑色。所以这个阈值确定的好坏直接影响到效果。
[0088]
在本技术实施例中，自适应二值化的阈值可以是取整幅图画的均值；该自适应二值化的阈值还可以是取每一个像素点所在的行列的所有像素点的均值；该自适应二值化的阈值还可以是取每一个像素点所在的矩阵区域的所有像素点的均值，应当理解，此处对自适应二值化的阈值的举例仅为方便理解，不用于限定本技术。
[0089]
在本技术的一些优化实施例中，可以将待识别证件图像划分为平滑区域(像素点的灰度值在一个很小的区间，且呈现中间突出的分布曲线)和细节区域(像素点的灰度值却分布在很大的一个区间，呈现出极端分布的规律)，在进行“矩阵二值化处理”中，在像素点与矩阵内所有像素点的均值比对过程中加了一个参数β，即if(a＜mean*β),其中，a表示长像素点，mean表示像素均值。
[0090]
在本技术实施例中，上述参数β可以为0.9。
[0091]
步骤s602：对二值化证件图像进行腐蚀膨胀操作，得到证件图像边线。
[0092]
在本技术实施例中，腐蚀膨胀操作指的是删除该二值化证件图像的边界的像素(腐蚀部分，即让白色的区域更瘦一圈)，同时，给该二值化证件图像中的边界添加像素(膨胀部分，即让白色的区域胖上一圈)，而这个“圈”的大小，则是由参数来指定的，用户可以根据实际情况设置该参数的值。
[0093]
步骤s603：根据证件图像边线对待识别证件图像进行分割操作，得到待识别证件子图像。
[0094]
步骤s604：对待识别证件子图像进行lbp特征转换，得到待识别证件lbp特征图。
[0095]
在本技术实施例中，由于证件图像的尺寸是不规则的，甚至存在超大尺寸的情况，当对超大尺寸的证件图像进行上述文本框检测操作时，会严重影响该文本框检测的效率和准确率，因此，通过对该待识别证件图像进行自适应二值化操作、腐蚀膨胀操作和分割操作，从而对待识别证件图像进行针对性的区域划分，得到以文本为主要区域的小尺寸图像，进而有效保证后续文本框检测操作的效率和准确率。
[0096]
继续参阅图7，示出了本技术实施例一提供的获取目标梯度图预测模型的一种具体实施方式的流程图，为了便于说明，仅示出与本技术相关的部分。
[0097]
在本实施例的一些可选的实现方式中，在步骤s202之后，且步骤s203之前，还包括：步骤s701以及步骤s702，步骤s203具体包括：步骤s703。
[0098]
步骤s701：对初始正样本图像以及初始负样本图像进行图像增强操作，得到增强正样本图像以及增强负样本图像。
[0099]
在本技术实施例中，像增强操作的具体实现方式为：将4张图片image1、image2、image3、image4分别进行随机裁剪(random_cut)，然后将4张裁剪后的图片再进行随机拼接组合(random_combine)得到1张混合图片，最后再将这张混合图片进行resize成固定大小作为初始梯度图预测模型的输入图像。
[0100]
步骤s702：根据二维离散函数求导方法对增强正样本图像以及增强负样本图像进行梯度图计算操作，得到正样本梯度图以及负样本梯度图。
[0101]
在本技术实施例中，图像梯度可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导。具体的：
[0102]
图像梯度:g(x,y)＝dx(i,j) dy(i,j)；
[0103]
dx(i,j)＝i(i 1,j)-i(i,j)；
[0104]
dy(i,j)＝i(i,j 1)-i(i,j)；
[0105]
其中，i是图像像素的值(如：rgb值)，(i,j)为像素的坐标。
[0106]
图像梯度一般也可以用中值差分：
[0107]
dx(i,j)＝[i(i 1,j)-i(i-1,j)]/2；
[0108]
dy(i,j)＝[i(i,j 1)-i(i,j-1)]/2；
[0109]
图像边缘一般都是通过对图像进行梯度运算来实现的。
[0110]
步骤s703：将正样本梯度图以及负样本梯度图输入至初始模型进行模型训练操作，得到基于lbp特征的翻拍证件识别模型。
[0111]
在本技术实施例中，引入图像增强算法mosaic，从而增加输入模型的图像的特征内容，增加模型的训练宽度，有效减少了低文档质量的误识别情况，同时，增加了恶劣光线等困难场景下拍摄的待检测图像的召回，提高了文档质量识别的整体准确率和召回率。
[0112]
综上，本技术提供了一种翻拍证件识别方法，包括：获取样本数据，其中，样本数据包括标注有真实图片的正样本图像以及标注有翻拍图片的负样本图像；对正样本图像以及负样本图像进行预处理操作，得到初始正样本图像以及初始负样本图像；将初始正样本图像以及初始负样本图像输入至初始模型进行模型训练操作，得到基于lbp特征的翻拍证件识别模型，其中，初始模型由mobilenetv3网络、lbpgenerator模块、特征提取模块以及全连接层组成；获取待识别证件图像；将待识别证件图像输入至lbpgenerator模块进行lbp特征转换，得到待识别证件lbp特征图；将待识别证件lbp特征图输入至基于lbp特征的翻拍证件识别模型进行纹理特征识别操作，得到纹理特征识别结果；若纹理特征识别结果存在明显的纹理差异特征，则确认待识别证件为翻拍证件；若纹理特征识别结果不存在明显的纹理差异特征，则确认待识别证件为原始证件。与现有技术相比，本技术在训练翻拍证件识别模型时，引入了lbp特征图作为模型训练的辅助信息，并对训练数据根据1、1.5、3倍等不同倍率进行扩边训练，可以利用除了身份证区域的部分背景信息，动态适应分散的判别线索，使得训练好的模型能够根据lbp特征图所隐含的纹理特征信息对证件图像进行识别，有效增强翻拍证件识别模型的鲁棒性。同时，通过对该待识别证件图像进行自适应二值化操作、腐蚀膨胀操作和分割操作，从而对待识别证件图像进行针对性的区域划分，得到以文本为主要区域的小尺寸图像，进而有效保证后续文本框检测操作的效率和准确率；引入图像增强算法mosaic，从而增加输入模型的图像的特征内容，增加模型的训练宽度，有效减少了低文档质量的误识别情况，同时，增加了恶劣光线等困难场景下拍摄的待检测图像的召回，提高了文档质量识别的整体准确率和召回率。
[0113]
需要强调的是，为进一步保证上述待识别证件图像以及证件识别结果的私密和安全性，上述待识别证件图像以及证件识别结果还可以存储于一区块链的节点中。
[0114]
本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0115]
本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0116]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
[0117]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0118]
实施例二
[0119]
进一步参考图8，作为对上述图2所示方法的实现，本技术提供了一种翻拍证件识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0120]
如图8所示，本实施例的翻拍证件识别装置200包括：样本数据获取模块210、预处理模块220、模型训练模块230、待识别证件获取模块240、lbp特征转换模块250、纹理特征识别模块260、第一结果模块270以及第二结果模块280。其中：
[0121]
样本数据获取模块210，用于获取样本数据，其中，样本数据包括标注有真实图片的正样本图像以及标注有翻拍图片的负样本图像；
[0122]
预处理模块220，用于对正样本图像以及负样本图像进行预处理操作，得到初始正样本图像以及初始负样本图像；
[0123]
模型训练模块230，用于将初始正样本图像以及初始负样本图像输入至初始模型进行模型训练操作，得到基于lbp特征的翻拍证件识别模型，其中，初始模型由mobilenetv3网络、lbpgenerator模块、特征提取模块以及全连接层组成；
[0124]
待识别证件获取模块240，用于获取待识别证件图像；
[0125]
lbp特征转换模块250，将待识别证件图像输入至lbpgenerator模块进行进行lbp特征转换，得到待识别证件lbp特征图；
[0126]
纹理特征识别模块260，用于待识别证件lbp特征图输入至基于lbp特征的翻拍证件识别模型进行纹理特征识别操作，得到纹理特征识别结果；
[0127]
第一结果模块270，用于若纹理特征识别结果存在明显的纹理差异特征，则确认待
识别证件为翻拍证件；
[0128]
第二结果模块280，用于若纹理特征识别结果不存在明显的纹理差异特征，则确认待识别证件为原始证件。
[0129]
在本技术实施例中，真实的身份证图片和翻拍身份证图片转换成lbp特征图后，翻拍身份证的lbp特征图具有明显的纹理特征，而真实身份证的lbp特征图无明显特征，本技术通过确认纹理特征识别结果中是否存在明显纹理差异特征，从而确认改待识别证件图像是否为翻拍证件图像。
[0130]
在本技术实施例中，预处理操作可以是使用身份证检测器(retinaface)获取图像中的身份证坐标框，然后按照一定的比例1倍、1.5倍，3倍对身份证框进行扩边，并将不同背景大小的身份证图片缩放到固定尺寸224x224大小。
[0131]
在本技术实施例中，将翻拍图片与真实图片转换生成lbp特征图后，我们发现真实与翻拍身份证lbp特征图有明显的纹理差异，因此，我们认为真实、翻拍身份证的lbp特征图是可区分的，我们在模型训练中加入lbp特征图作为监督信号，具体监督信息的使用及网络模型如下图3所示。
[0132]
在本技术实施例中，考虑到真实/翻拍身份证有效的判别信息不一定完全分布在身份证区域，也有可能出现在背景区域(如摩尔纹、边框等)，因此我们采用具有注意力机制的主干网络(mobilenetv3)提取图片特征，在网络的后半部分分化为两个分支，一个分支利用lbpgenerator模块生成lbp特征图，另一个分支得到512维的特征向量。针对每个尺度扩边后的身份证图片均利用上述网络进行特征提取，然后将所有的512维特(3个512维特征)征进行拼接得到1536维特征，最后经过全连接层得到2维的特征向量。
[0133]
在本技术实施例中，型训练中采用两种损失函数，分别是lbp特征损失函数和softmax损失函数。
[0134]
在本技术实施例中，获取待识别证件图像可以是通过图像采集终端实时采集得到的，该待识别证件图像还可以是通过用户终端发送携带有该待识别证件图像的数据得到的，应当理解，此处对获取获取待识别证件图像的实现方式的举例仅为方便理解，不用于限定本技术。
[0135]
在本技术实施例中，提供了一种翻拍证件识别装置200，包括：样本数据获取模块210，用于获取样本数据，其中，样本数据包括标注有真实图片的正样本图像以及标注有翻拍图片的负样本图像；预处理模块220，用于对正样本图像以及负样本图像进行预处理操作，得到初始正样本图像以及初始负样本图像；模型训练模块230，用于将初始正样本图像以及初始负样本图像输入至初始模型进行模型训练操作，得到基于lbp特征的翻拍证件识别模型，其中，初始模型由mobilenetv3网络、lbpgenerator模块、特征提取模块以及全连接层组成；待识别证件获取模块240，用于获取待识别证件图像；lbp特征转换模块250，将待识别证件图像输入至lbpgenerator模块进行进行lbp特征转换，得到待识别证件lbp特征图；纹理特征识别模块260，用于待识别证件lbp特征图输入至基于lbp特征的翻拍证件识别模型进行纹理特征识别操作，得到纹理特征识别结果；第一结果模块270，用于若纹理特征识别结果存在明显的纹理差异特征，则确认待识别证件为翻拍证件；第二结果模块280，用于若纹理特征识别结果不存在明显的纹理差异特征，则确认待识别证件为原始证件。本技术在训练翻拍证件识别模型时，引入了lbp特征图作为模型训练的辅助信息，并对训练数据根
据1、1.5、3倍等不同倍率进行扩边训练，可以利用除了身份证区域的部分背景信息，动态适应分散的判别线索，使得训练好的模型能够根据lbp特征图所隐含的纹理特征信息对证件图像进行识别，有效增强翻拍证件识别模型的鲁棒性。
[0136]
继续参阅图9，示出了图8中预处理模块220的一种具体实施方式的结构示意图，为了便于说明，仅示出与本技术相关的部分。
[0137]
在本实施例的一些可选的实现方式中，上述预处理模块220还包括：尺寸调节子模块221以及分割子模块222，其中：
[0138]
尺寸调节子模块221，用于按照长宽比例不变的方式对正样本图像以及负样本图像进行尺寸调节处理，得到标准尺寸正样本图像以及标准尺寸负样本图像；
[0139]
分割子模块222，用于按照预设尺寸对标准尺寸正样本图像以及标准尺寸负样本图像进行分割处理，得到初始正样本图像以及初始负样本图像。
[0140]
在本技术实施例中，尺寸调节处理指的是对正样本图像的大小进行调整的过程，该调整过程始终保持图像长宽比例不变，具体的，图像放大可以采用内插值方法，即在原有图像像素的基础上在像素点之间采用合适的插值算法插入新的元素，插值算法例如包括基于边缘的图像插值算法、基于区域的图像插值算法以及其他已知或未来开发的算法，而缩小图像例如可以采用cv_inetr_area来插值。
[0141]
在本技术实施例中，由于质量检测模型的输入需要满足一定的尺寸要求，当尺寸过大的图像输入至该质量检测模型时，会影响该模型的处理效率及处理准确度，因此，通过上述的尺寸调节处理和分割处理对该正样本图像或负样本图像进行标准化操作，使得输入该质量检测模型的输入数据符合模型的要求，其中，预设尺寸可以根据实际情况进行动态调整，作为示例，该预设尺寸可以是224
×
224，应当理解，此处对预设尺寸的举例仅为方便理解，不用于限定本技术。
[0142]
在本实施例的一些可选的实现方式中，上述模型训练模块230包括：傅里叶变化子模块、lbp特征预测子模块、损失函数构造子模块以及模型训练子模块，其中：
[0143]
傅里叶变化子模块，用于对初始样本数据进行傅里叶变化操作，得到参考特征数据fg；
[0144]
lbp特征预测子模块，用于根据lbpgenerator模块对初始样本数据进行lbp特征预测操作，得到预测特征数据f
p
；
[0145]
损失函数构造子模块，用于根据参考特征数据fg以及预测特征数据f
p
构造特征损失函数l
lbp
，特征损失函数l
lbp
表示为：
[0146][0147]
其中，f
p
表示预测特征数据；fg表示参考特征数据；
[0148]
模型训练子模块，用于根据特征损失函数l
lbp
对lbpgenerator模块进行训练操作，直至收敛后得到训练好的lbpgenerator模块。
[0149]
在本技术实施例中，lbpgenerator模块的损失函数l2损失计算实际的lbp特征图与生成的lbp特征图之间的差异，使得训练好的lbpgenerator模块可以预测出与真实特征图相同的lbp图像特征。
[0150]
在本实施例的一些可选的实现方式中，全连接层的损失函数l
softmax
表示为：
[0151][0152]
其中，yi表示样本的真实标签，fj表示输出类别的第j个置信度，n表示训练样本的个数。
[0153]
在本实施例的一些可选的实现方式中，上述翻拍证件识别装置200还包括：二值化模块、腐蚀膨胀模块以及分割模块，上述lbp特征转换模块包括：lbp特征转换子模块，其中：
[0154]
二值化模块，用于对待识别证件图像进行自适应二值化操作，得到二值化证件图像；
[0155]
腐蚀膨胀模块，用于对二值化证件图像进行腐蚀膨胀操作，得到证件图像边线；
[0156]
分割模块，用于根据证件图像边线对待识别证件图像进行分割操作，得到待识别证件子图像；
[0157]
lbp特征转换子模块，用于对待识别证件子图像进行lbp特征转换，得到待识别证件lbp特征图。
[0158]
在本技术实施例中，二值化算法是取一个阈值，将大于阈值的像素点取值1即显示白色，而小于阈值的像素点自然赋值为0即显示为黑色。所以这个阈值确定的好坏直接影响到效果。
[0159]
在本技术实施例中，自适应二值化的阈值可以是取整幅图画的均值；该自适应二值化的阈值还可以是取每一个像素点所在的行列的所有像素点的均值；该自适应二值化的阈值还可以是取每一个像素点所在的矩阵区域的所有像素点的均值，应当理解，此处对自适应二值化的阈值的举例仅为方便理解，不用于限定本技术。
[0160]
在本技术的一些优化实施例中，可以将待识别证件图像划分为平滑区域(像素点的灰度值在一个很小的区间，且呈现中间突出的分布曲线)和细节区域(像素点的灰度值却分布在很大的一个区间，呈现出极端分布的规律)，在进行“矩阵二值化处理”中，在像素点与矩阵内所有像素点的均值比对过程中加了一个参数β，即if(a＜mean*β),其中，a表示长像素点，mean表示像素均值。
[0161]
在本技术实施例中，上述参数β可以为0.9。
[0162]
在本技术实施例中，腐蚀膨胀操作指的是删除该二值化证件图像的边界的像素(腐蚀部分，即让白色的区域更瘦一圈)，同时，给该二值化证件图像中的边界添加像素(膨胀部分，即让白色的区域胖上一圈)，而这个“圈”的大小，则是由参数来指定的，用户可以根据实际情况设置该参数的值。
[0163]
在本技术实施例中，由于证件图像的尺寸是不规则的，甚至存在超大尺寸的情况，当对超大尺寸的证件图像进行上述文本框检测操作时，会严重影响该文本框检测的效率和准确率，因此，通过对该待识别证件图像进行自适应二值化操作、腐蚀膨胀操作和分割操作，从而对待识别证件图像进行针对性的区域划分，得到以文本为主要区域的小尺寸图像，进而有效保证后续文本框检测操作的效率和准确率。
[0164]
在本实施例的一些可选的实现方式中，上述翻拍证件识别装置200还包括：图像增强模块以及梯度图计算模块，上述模型训练模块230包括：模型训练子模块，其中：
[0165]
图像增强模块，用于对初始正样本图像以及初始负样本图像进行图像增强操作，
得到增强正样本图像以及增强负样本图像；
[0166]
梯度图计算模块，用于根据二维离散函数求导方法对增强正样本图像以及增强负样本图像进行梯度图计算操作，得到正样本梯度图以及负样本梯度图；
[0167]
梯度图模型训练子模块，用于将正样本梯度图以及负样本梯度图输入至初始模型进行模型训练操作，得到基于lbp特征的翻拍证件识别模型。
[0168]
在本技术实施例中，像增强操作的具体实现方式为：将4张图片image1、image2、image3、image4分别进行随机裁剪(random_cut)，然后将4张裁剪后的图片再进行随机拼接组合(random_combine)得到1张混合图片，最后再将这张混合图片进行resize成固定大小作为初始梯度图预测模型的输入图像。
[0169]
在本技术实施例中，图像梯度可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导。具体的：
[0170]
图像梯度:g(x,y)＝dx(i,j) dy(i,j)；
[0171]
dx(i,j)＝i(i 1,j)-i(i,j)；
[0172]
dy(i,j)＝i(i,j 1)-i(i,j)；
[0173]
其中，i是图像像素的值(如：rgb值)，(i,j)为像素的坐标。
[0174]
图像梯度一般也可以用中值差分：
[0175]
dx(i,j)＝[i(i 1,j)-i(i-1,j)]/2；
[0176]
dy(i,j)＝[i(i,j 1)-i(i,j-1)]/2；
[0177]
图像边缘一般都是通过对图像进行梯度运算来实现的。
[0178]
在本技术实施例中，引入图像增强算法mosaic，从而增加输入模型的图像的特征内容，增加模型的训练宽度，有效减少了低文档质量的误识别情况，同时，增加了恶劣光线等困难场景下拍摄的待检测图像的召回，提高了文档质量识别的整体准确率和召回率。
[0179]
综上，本技术提供了一种翻拍证件识别装置200，包括：样本数据获取模块210，用于获取样本数据，其中，样本数据包括标注有真实图片的正样本图像以及标注有翻拍图片的负样本图像；预处理模块220，用于对正样本图像以及负样本图像进行预处理操作，得到初始正样本图像以及初始负样本图像；模型训练模块230，用于将初始正样本图像以及初始负样本图像输入至初始模型进行模型训练操作，得到基于lbp特征的翻拍证件识别模型，其中，初始模型由mobilenetv3网络、lbpgenerator模块、特征提取模块以及全连接层组成；待识别证件获取模块240，用于获取待识别证件图像；lbp特征转换模块250，将待识别证件图像输入至lbpgenerator模块进行进行lbp特征转换，得到待识别证件lbp特征图；纹理特征识别模块260，用于待识别证件lbp特征图输入至基于lbp特征的翻拍证件识别模型进行纹理特征识别操作，得到纹理特征识别结果；第一结果模块270，用于若纹理特征识别结果存在明显的纹理差异特征，则确认待识别证件为翻拍证件；第二结果模块280，用于若纹理特征识别结果不存在明显的纹理差异特征，则确认待识别证件为原始证件。本技术在训练翻拍证件识别模型时，引入了lbp特征图作为模型训练的辅助信息，并对训练数据根据1、1.5、3倍等不同倍率进行扩边训练，可以利用除了身份证区域的部分背景信息，动态适应分散的判别线索，使得训练好的模型能够根据lbp特征图所隐含的纹理特征信息对证件图像进行识别，有效增强翻拍证件识别模型的鲁棒性。同时，通过对该待识别证件图像进行自适应二值化操作、腐蚀膨胀操作和分割操作，从而对待识别证件图像进行针对性的区域划分，得到
以文本为主要区域的小尺寸图像，进而有效保证后续文本框检测操作的效率和准确率；引入图像增强算法mosaic，从而增加输入模型的图像的特征内容，增加模型的训练宽度，有效减少了低文档质量的误识别情况，同时，增加了恶劣光线等困难场景下拍摄的待检测图像的召回，提高了文档质量识别的整体准确率和召回率。
[0180]
为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图10，图10为本实施例计算机设备基本结构框图。
[0181]
所述计算机设备300包括通过系统总线相互通信连接存储器310、处理器320、网络接口330。需要指出的是，图中仅示出了具有组件310-330的计算机设备300，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0182]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0183]
所述存储器310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、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器310可以是所述计算机设备300的内部存储单元，例如该计算机设备300的硬盘或内存。在另一些实施例中，所述存储器310也可以是所述计算机设备300的外部存储设备，例如该计算机设备300上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器310还可以既包括所述计算机设备300的内部存储单元也包括其外部存储设备。本实施例中，所述存储器310通常用于存储安装于所述计算机设备300的操作系统和各类应用软件，例如翻拍证件识别方法的计算机可读指令等。此外，所述存储器310还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0184]
所述处理器320在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器320通常用于控制所述计算机设备300的总体操作。本实施例中，所述处理器320用于运行所述存储器310中存储的计算机可读指令或者处理数据，例如运行所述翻拍证件识别方法的计算机可读指令。
[0185]
所述网络接口330可包括无线网络接口或有线网络接口，该网络接口330通常用于在所述计算机设备300与其他电子设备之间建立通信连接。
[0186]
本技术提供的计算机设备，在训练翻拍证件识别模型时，引入了lbp特征图作为模型训练的辅助信息，并对训练数据根据1、1.5、3倍等不同倍率进行扩边训练，可以利用除了身份证区域的部分背景信息，动态适应分散的判别线索，使得训练好的模型能够根据lbp特征图所隐含的纹理特征信息对证件图像进行识别，有效增强翻拍证件识别模型的鲁棒性。
[0187]
本技术还提供了另一种实施方式，即提供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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的翻拍证件识别方法的步骤。
[0188]
本技术提供的计算机可读存储介质，在训练翻拍证件识别模型时，引入了lbp特征图作为模型训练的辅助信息，并对训练数据根据1、1.5、3倍等不同倍率进行扩边训练，可以利用除了身份证区域的部分背景信息，动态适应分散的判别线索，使得训练好的模型能够根据lbp特征图所隐含的纹理特征信息对证件图像进行识别，有效增强翻拍证件识别模型的鲁棒性。
[0189]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
[0190]
显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。