一种证件图片的识别系统及方法技术方案

本发明专利技术公开了一种证件图片的识别方法，属于图片处理技术领域。其中，所述识别方法包括：对不同类型的证件的原图及该原图的至少一种类型的翻拍图片分别打标后通过卷积神经网络进行训练得到分类模型；将待识别的证件图片输入到所述分类模型，得到识别结果。本发明专利技术还公开了一种证件图片的识别系统。本发明专利技术提供的证件图片的识别方法，通过采用卷积神经网络进行训练得到相应的分类模型，然后通过将待识别的图片输入到分类模型中得到识别结果对待识别的证件图片是原图还是翻拍图片进行判断，该方法不需要人工对图片的特征进行分析等，减少了证件图片的识别时间，增强了使用效果。

Identification system and method for document picture

The invention discloses a method for identifying a document picture, belonging to the picture processing technical field. Among them, including the identification methods for different types of original documents and the original image of the at least one type respectively, marking the remake of the picture through the convolution neural network training classification model; to be identified document image input to the classification model, get the recognition results. The invention also discloses an identification system for document pictures. The identification method of the invention is to provide documents pictures, training by using convolution neural network to get the corresponding classification model, and then to be identified image input to the classification model and get the recognition result to identify documents or pictures is the original remake of the picture to judge, this method does not need to analyze the characteristics of artificial images. Reduced document image recognition time, enhancing the using effect.

【技术实现步骤摘要】
一种证件图片的识别系统及方法
本专利技术涉及图像处理
，尤其涉及一种证件图片的识别方法及一种证件图片的识别系统。
技术介绍
近年来，随着互联网，尤其是移动互联网的发展和普及，互联网金融，电信和电商行业开始大量开展个人征信，远程开户，远程受信等业务。在这些业务中，实名认证是关键的要求，经常需要申请者通过移动端拍摄上传证件图片，以便和人脸识别技术结合一起，进一步确定申请者的身份。在这过程中，有些不法分子，不是使用真实的证件来拍摄，而是来翻拍电脑和手机屏幕上面的证件照片，复印件，或者编辑，涂改来伪造证件。为了审查申请者的身份和证件，远程开户受理业务部门需要大量雇佣人工来识别和签别翻牌的图片。这种工作简单重复，工作量大，效率低下，成为远程开户成本很大的一头。现有技术（申请号201510424418.x）中公开了一种翻拍证件图片的识别方法，该方法是线通过计算给定图片的图片特征，然后根据图片特征进行训练得到分类模型，最后通过获得的分类模型来判断图片是否为翻拍证件图片。现有技术中的这种识别方法由于需要人工事先定好区别这些翻拍，涂改照片的特征，例如现有技术中提到的SIFT特征，频谱等一系列依赖特征。一旦出现新的翻拍类型，这些事先人工定义的特征未必能区分这些新出现的情况，需要重新定义特征，这就造成程序算法需要重写的问题，大大影响了使用效果，且分析计算图片特征还要花费大量的时间。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题之一，提供一种证件图片的识别方法及证件图片的识别系统，以解决现有技术中的问题。作为本专利技术的第一个方面，提供一种证件图片的识别方法，其中，所述识别方法包括：对不同类型的证件的原图及该原图的至少一种类型的翻拍图片分别打标后通过卷积神经网络进行训练得到分类模型；将待识别的证件图片输入到所述分类模型，得到识别结果。优选地，所述对不同类型的证件的原图及该原图的至少一种类型的翻拍图片分别打标后通过卷积神经网络进行训练得到分类模型的步骤包括：采集不同类型的证件的原图及该原图的至少一种类型的翻拍图片；对所述证件的原图及该原图的翻拍图片分别进行打标处理得到标记图片；配置具有多个迭代参数的卷积神经网络结构，并配置所述卷积神经网络结构计算得到的图片分类模型预测结果；将所述标记图片输入到所述卷积神经网络结构进行迭代计算得到图片分类模型实际结果；计算所述图片分类模型预测结果和所述图片分类模型实际结果的差值；根据所述差值对所述卷积神经网络结构的迭代参数进行反馈调节，并根据反馈调节后的迭代参数重复进行迭代计算；当多次反馈调节所述卷积神经网络结构的迭代参数后得到的多个所述图片分类模型预测结果相同时，停止反馈调节，并确定最后一次迭代计算得到的图片分类模型预测结果为所述分类模型。优选地，所述将所述标记图片输入到所述卷积神经网络结构进行迭代计算得到图片分类模型实际结果的步骤包括：将所述标记图片的图片大小和亮度通过数据均值归一化处理得到归一化数据；将所述归一化数据进行MaxPoolingReLu非线性化计算得到第一次卷积结果；将所述第一次卷积结果通过第一次ReLu非线性化平均值Pooling计算得到第二次卷积结果；将所述第二次卷积结果通过第二次ReLu非线性化平均值Pooling计算得到第三次卷积结果；将所述第三次卷积结果通过ReLu非线性化计算得到全连层结果；将所述全连层结果通过Softmax层计算后得到图片分类模型实际结果。优选地，所述图片分类模型实际结果包括：证件的原图、证件的翻拍/伪造图片、证件的复印件图片和非证件图片中的任意一种。作为本专利技术的第二个方面，提供一种证件图片的识别系统，其中，所述识别系统包括：分类模型训练装置，所述分类模型训练装置用于对不同类型的证件的原图及该原图的至少一种类型的翻拍图片分别打标后通过卷积神经网络进行训练得到分类模型；识别结果输出装置，所述识别结果输出装置与所述分类模型训练装置连接，用于将待识别的证件图片输入到所述分类模型，得到识别结果。优选地，所述分类模型训练装置包括：采集单元，所述采集单元用于采集不同类型的证件的原图及该原图的至少一种类型的翻拍图片；打标处理单元，所述打标处理单元与所述采集单元连接，用于对所述证件的原图及该原图的翻拍图片分别进行打标处理得到标记图片；配置单元，所述配置单元与所述打标处理单元连接，用于配置具有多个迭代参数的卷积神经网络结构，并配置所述卷积神经网络结构计算得到的图片分类模型预测结果；迭代计算单元，所述迭代计算单元与所述配置单元连接，用于将所述标记图片输入到所述卷积神经网络结构进行迭代计算得到图片分类模型实际结果；差值计算单元，所述差值计算单元分别于所述配置单元和所述迭代计算单元连接，用于计算所述图片分类模型预测结果和所述图片分类模型实际结果的差值；反馈调节单元，所述反馈调节单元与所述差值计算单元连接，用于根据所述差值对所述卷积神经网络结构的迭代参数进行反馈调节，并根据反馈调节后的迭代参数重复进行迭代计算；确定单元，所述确定单元与所述反馈调节单元连接，用于当多次反馈调节所述卷积神经网络结构的迭代参数后得到的多个所述图片分类模型预测结果相同时，停止反馈调节，并确定最后一次迭代计算得到的图片分类模型预测结果为所述分类模型。优选地，所述迭代计算单元包括：数据归一化模块，所述数据归一化模块用于将所述标记图片的图片大小和亮度通过数据均值归一化处理得到归一化数据；第一卷积模块，所述第一卷积模块与所述数据归一化模块连接，用于将所述归一化数据进行MaxPoolingReLu非线性化计算得到第一次卷积结果；第二卷积模块，所述第二卷积模块与所述第一卷积模块连接，用于将所述第一次卷积结果通过第一次ReLu非线性化平均值Pooling计算得到第二次卷积结果；第三卷积模块，所述第三卷积模块与所述第二卷积模块连接，用于将所述第二次卷积结果通过第二次ReLu非线性化平均值Pooling计算得到第三次卷积结果；全连层模块，所述全连层模块与所述第三卷积模块连接，用于将所述第三次卷积结果通过ReLu非线性化计算得到全连层结果；Softmax计算模块，所述Softmax计算模块与所述全连层模块连接，用于将所述全连层结果通过Softmax层计算后得到图片分类模型实际结果。本专利技术提供的证件图片的识别方法，通过采用卷积神经网络进行训练得到相应的分类模型，然后通过将待识别的图片输入到分类模型中得到识别结果对待识别的证件图片是原图还是翻拍图片进行判断，该方法不需要人工对图片的特征进行分析等，减少了证件图片的识别时间，增强了使用效果。本专利技术提供的证件图片的识别系统，能够有效的对证件的图片的真伪进行识别，不仅减少了识别所耗费的时间，还提高了识别的准确率。附图说明附图是用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术，但并不构成对本专利技术的限制。在附图中：图1为本专利技术提供的证件图片的识别方法的流程图。图2为本专利技术提供的证件图片的识别方法中分类模型获得的流程图。图3为本专利技术提供的证件图片的识别方法中获得图片分类模型实际结果的流程图。图4为本专利技术提供的证件图片的识别系统的结构示意图。图5为本专利技术提供的分类模型训练装置的结构示意图。图6为本专利技术提供的迭代计算单元的结构本文档来自技高网...

【技术保护点】
一种证件图片的识别方法，其特征在于，所述识别方法包括：对不同类型的证件的原图及该原图的至少一种类型的翻拍图片分别打标后通过卷积神经网络进行训练得到分类模型；将待识别的证件图片输入到所述分类模型，得到识别结果。

【技术特征摘要】
1.一种证件图片的识别方法，其特征在于，所述识别方法包括：对不同类型的证件的原图及该原图的至少一种类型的翻拍图片分别打标后通过卷积神经网络进行训练得到分类模型；将待识别的证件图片输入到所述分类模型，得到识别结果。2.根据权利要求1所述的识别方法，其特征在于，所述对不同类型的证件的原图及该原图的至少一种类型的翻拍图片分别打标后通过卷积神经网络进行训练得到分类模型的步骤包括：采集不同类型的证件的原图及该原图的至少一种类型的翻拍图片；对所述证件的原图及该原图的翻拍图片分别进行打标处理得到标记图片；配置具有多个迭代参数的卷积神经网络结构，并配置所述卷积神经网络结构计算得到的图片分类模型预测结果；将所述标记图片输入到所述卷积神经网络结构进行迭代计算得到图片分类模型实际结果；计算所述图片分类模型预测结果和所述图片分类模型实际结果的差值；根据所述差值对所述卷积神经网络结构的迭代参数进行反馈调节，并根据反馈调节后的迭代参数重复进行迭代计算；当多次反馈调节所述卷积神经网络结构的迭代参数后得到的多个所述图片分类模型预测结果相同时，停止反馈调节，并确定最后一次迭代计算得到的图片分类模型预测结果为所述分类模型。3.根据权利要求2所述的识别方法，其特征在于，所述将所述标记图片输入到所述卷积神经网络结构进行迭代计算得到图片分类模型实际结果的步骤包括：将所述标记图片的图片大小和亮度通过数据均值归一化处理得到归一化数据；将所述归一化数据进行MaxPoolingReLu非线性化计算得到第一次卷积结果；将所述第一次卷积结果通过第一次ReLu非线性化平均值Pooling计算得到第二次卷积结果；将所述第二次卷积结果通过第二次ReLu非线性化平均值Pooling计算得到第三次卷积结果；将所述第三次卷积结果通过ReLu非线性化计算得到全连层结果；将所述全连层结果通过Softmax层计算后得到图片分类模型实际结果。4.根据权利要求3所述的识别方法，其特征在于，所述图片分类模型实际结果包括：证件的原图、证件的翻拍/伪造图片、证件的复印件图片和非证件图片中的任意一种。5.一种证件图片的识别系统，其特征在于，所述识别系统包括：分类模型训练装置，所述分类模型训练装置用于对不同类型的证件的原图及该原图的至少一种类型的翻拍图片分别打标后通过卷积神经网络进行训练得到分类模型；识别结果输出装置，所述识别结果输出装置与所述分类模型训...

【专利技术属性】
技术研发人员：姚琪，卓越，罗畅，刘靖峰，
申请(专利权)人：武汉神目信息技术有限公司，
类型：发明
国别省市：湖北,42