检测身份证图像信息篡改的方法、系统、存储介质及装置制造方法及图纸

本发明专利技术提供一种检测身份证图像信息篡改的方法、系统、存储介质及装置，所述方法包括以下步骤：获取待鉴定的身份证图像img_1；对所述身份证图像img_1通过身份证目标检测模型进行背景去除获得去噪后的身份证图像img_2；经过计算获得第一概率值、第二概率值、第三概率值和第四概率值再通过概率融合后进行二次计算获得总概率值，将所述总概率值与阈值进行比较判断所述待鉴定的身份证图像img_1是否存在篡改。本发明专利技术的一种检测身份证图像信息篡改的方法、系统、存储介质及装置，用于识别身份证图像是否被篡改。

Methods, systems, storage media and devices for detecting tampering of ID card image information

【技术实现步骤摘要】
检测身份证图像信息篡改的方法、系统、存储介质及装置
本专利技术涉及图像
，特别是涉及一种检测身份证图像信息篡改的方法、系统、存储介质及装置。
技术介绍
随着图像修改技术的进步和个性化的修改软件的出现，低成本的篡改图像生成过程已经变得广泛的使用。检测图像是否发生了篡改行为，就像是警察探案一样，需要从各个方面细微观察进行证据的收集。目前图像篡改技术中最常见的操作有剪接，复制移动，和删除。图像拼接指的是从真实图像复制部分区域并粘贴到其他图像，复制-移动指的是复制图像的部分区域并粘贴在同一张图像的其他区域。删除指的是将原有图像的某一区域进行删除后在进行图像修复。目前在互联网金融领域以支付行业为例存在着部分的用户通过给平台上传篡改过的身份证信息的图像实现高级实名认证，这就会导致这些虚假的用户在发生套利或是欺诈行为后平台无法准确的定位该用户，造成平台的资金受损以及会给平台的真实用户带来一定的风险。本专利主要涉及到的基础算法有LaplaceFilter、SobelFilter、CNN(ConvolutionalNeuralNetworks)、ResNet和FasterR-CNN算法。传统的图像分类算法是通过人为的提取图像相关的特征后进行分类，这种方法受人为因素的影响交大。而利用深度学习的方法可以摒弃掉人为提取特征这个感性的过程，更能从客观的数据分布的情况中提取相应的特征进行分类。然而如果直接单纯的用CNN去做身份证照信息篡改的检测实际效果并不好，这是由于在金融领域中进行客户实名认证数据采集时，存在大量非受控场景的身份证图像(身份证在图像中的大小和位置不固定)，且数据时间跨度大和质量参差不齐，这就使得身份证照中存在大量的背景噪声，如果正负样本量比例极不平衡或负样本(身份证信息篡改照片)较少的情况就很容易让模型产生过拟合或是让模型学习到背景噪声导致最后学习的目标发生改变。同时篡改这个操作本身就是在图像上表现的不那么容易察觉，而CNN对视觉感官较为敏感的事物进行分类时表现的效果较好，但对于不容易察觉的事物进行分类效果并不好。目前也有部分公司在做类似的研究如AdobeResearch与马里兰大学共同提出《LearningRichFeaturesforImageManipulationDetection》论文，该论文的方法对于图像质量较好的数据确实有一定的效果，但在工业界中需要考虑的数据的安全性和设备资源等问题，在数据传输的时候会涉及到数据的加密、解密以及压缩，这些操作都会是图像存在一定的失真，为了能在如此多的苛刻条件下完成检测是否存在篡改行为，本专利技术人提出了IdPsNet去完成该任务。ELA算法：ELA全称：ErrorLevelAnalysis，是通过检测特定压缩比率重新绘制图片后造成的误差分布，可用于识别JPEG图片的压缩，以下是它的原理。把图片分割成很多8x8个正方形中的1像素点，对每一个小块进行单独的色彩空间转换。每次对JPG图片的修改，都会进行第二次转换。两次转换自然会存在差异，ELA就是靠对比这种差异来判断图片的哪部分被修改过。点，指画面中的重复纹理或者类似数据，重复纹理在ELA分析的时候应该表现出近似的颜色，细节较多的区域数据差异也应该大。线，是不同颜色大面之间的交界线，相同反差边缘应该表现出近似的ELA结果。反差越大，ELA值越高，线条越清晰。面，纯色面不存在差异，也就不存在ELA，黑色或黑色着色。如果非JPEG图片包含可见的网格线(8×8个正方形中的1像素点)，则表示图片由JPEG格式转换为非JPEG格式(例如PNG)。如果图片是原始PNG，则ELA是边缘和纹理生成非常高的值。如果ELA沿边缘和纹理产生弱结果(黑色或黑色着色)，则PNG可能是由JPEG转化而来的。该算法的局限性：ELA只是一种算法，由于其分析压缩的性质，无损压缩的数据(如PNG图片)及图片色彩减少到256色以下(转换为GIF图)，ELA是没有作用的。如果图片被重新保存多次，那么它可能完全处于最小错误级。在这种情况下，ELA将显示黑色图片，且不能使用该算法来识别修改。目前这个算法并不是完全可靠的，尤其是经过多次压缩的图片。RGB-N算法：RGB-N是发表在CVPR上由AdobeResearch与马里兰大学共同提出《LearningRichFeaturesforImageManipulationDetection》论文中的算法，该算法的网络架构图如图1a所示。该算法的缺点：该算法用的是双路的卷积网络，但是它关注的是待鉴定图像的RGB流和噪声流，而实际工业界中需要考虑数据的安全性和设备资源等问题，在数据传输的时候会涉及到数据的加密、解密以及压缩，这些操作都会使图像存在一定的失真，造成噪声流的数据变得不可靠。并且该算法没有考虑到实际工业界中很多问题都存在正负样本量比例极不平衡或负样本(身份证信息篡改照片)较少的情况，如何防止模型具有类别倾向性。因此，希望能够解决如何因加密、解密和压缩等操作所带来的数据失真性问题导致没办法在噪声流数据获取到相应的图像特征而无法识别身份证图像是否被篡改的问题。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种检测身份证图像信息篡改的方法、系统、存储介质及装置，用于解决现有技术中如何因加密、解密和压缩等操作所带来的数据失真性问题导致没办法在噪声流数据获取到相应的图像特征而无法识别身份证图像是否被篡改的问题。为实现上述目的及其他相关目的，本专利技术提供一种检测身份证图像信息篡改的方法，包括以下步骤：获取待鉴定的身份证图像img_1；对所述身份证图像img_1通过身份证目标检测模型进行背景去除获得去噪后的身份证图像img_2；将所述去噪后的身份证图像img_2通过第一预设滤波器滤波获得通过第一预设滤波器滤波的身份证图像img_31，将所述去噪后的身份证图像img_2通过第二预设滤波器滤波获得通过第二预设滤波器滤波的身份证图像img_32；将所述去噪后的身份证图像img_2缩放成第一预设尺寸获得第一预设尺寸的身份证图像img_41，将所述通过第一预设滤波器滤波的身份证图像img_31缩放成第一预设尺寸获得第一预设尺寸的通过第一预设滤波器滤波的身份证图像img_42；将所述去噪后的身份证图像img_2缩放成第二预设尺寸获得第二预设尺寸的身份证图像img_43，将所述通过第一预设滤波器滤波的身份证图像img_31缩放成第二预设尺寸获得第二预设尺寸的通过第一预设滤波器滤波的身份证图像img_44；将所述通过第二预设滤波器滤波的身份证图像img_32缩放成第二预设尺寸获得第二预设尺寸的通过第二预设滤波器滤波的身份证图像img_45；将所述第一预设尺寸的身份证图像img_41和所述第一预设尺寸的通过第一预设滤波器滤波的身份证图像img_42输入第一双路模型获取第一概率值；将所述第一预设尺寸的身份证图像img_41和所述第一预设尺寸的通过第一预设滤波器滤波的身份证图像img_42输入第二双路模型获取第二概率值；将所述第二预设尺寸的身本文档来自技高网...

【技术保护点】
1.一种检测身份证图像信息篡改的方法，其特征在于，包括以下步骤：/n获取待鉴定的身份证图像img_1；/n对所述身份证图像通过身份证目标检测模型进行背景去除获得去噪后的身份证图像img_2；/n将所述去噪后的身份证图像img_2通过第一预设滤波器滤波获得通过第一预设滤波器滤波的身份证图像img_31，将所述去噪后的身份证图像img_2通过第二预设滤波器滤波获得通过第二预设滤波器滤波的身份证图像img_32；将所述去噪后的身份证图像img_2缩放成第一预设尺寸获得第一预设尺寸的身份证图像img_41，将所述通过第一预设滤波器滤波的身份证图像img_31缩放成第一预设尺寸获得第一预设尺寸的通过第一预设滤波器滤波的身份证图像img_42；将所述去噪后的身份证图像img_2缩放成第二预设尺寸获得第二预设尺寸的身份证图像img_43，将所述通过第一预设滤波器滤波的身份证图像img_31缩放成第二预设尺寸获得第二预设尺寸的通过第一预设滤波器滤波的身份证图像img_44；将所述通过第二预设滤波器滤波的身份证图像img_32缩放成第二预设尺寸获得第二预设尺寸的通过第二预设滤波器滤波的身份证图像img_45；/n将所述第一预设尺寸的身份证图像img_41和所述第一预设尺寸的通过第一预设滤波器滤波的身份证图像img_42输入第一双路模型获取第一概率值；将所述第一预设尺寸的身份证图像img_41和所述第一预设尺寸的通过第一预设滤波器滤波的身份证图像img_42输入第二双路模型获取第二概率值；将所述第二预设尺寸的身份证图像img_43和所述第二预设尺寸的通过第一预设滤波器滤波的身份证图像img_44输入第三双路模型获取第三概率值；将所述第二预设尺寸的身份证图像img_43和所述第二预设尺寸的通过第二预设滤波器滤波的身份证图像img_45输入第四双路模型获取第四概率值；/n将所述第一概率值、第二概率值、第三概率值和第四概率值经过预设的概率模型获得总概率值，将所述总概率值与阈值进行比较判断所述待鉴定的身份证图像img_1是否存在篡改。/n...

【技术特征摘要】
1.一种检测身份证图像信息篡改的方法，其特征在于，包括以下步骤：
获取待鉴定的身份证图像img_1；
对所述身份证图像通过身份证目标检测模型进行背景去除获得去噪后的身份证图像img_2；
将所述去噪后的身份证图像img_2通过第一预设滤波器滤波获得通过第一预设滤波器滤波的身份证图像img_31，将所述去噪后的身份证图像img_2通过第二预设滤波器滤波获得通过第二预设滤波器滤波的身份证图像img_32；将所述去噪后的身份证图像img_2缩放成第一预设尺寸获得第一预设尺寸的身份证图像img_41，将所述通过第一预设滤波器滤波的身份证图像img_31缩放成第一预设尺寸获得第一预设尺寸的通过第一预设滤波器滤波的身份证图像img_42；将所述去噪后的身份证图像img_2缩放成第二预设尺寸获得第二预设尺寸的身份证图像img_43，将所述通过第一预设滤波器滤波的身份证图像img_31缩放成第二预设尺寸获得第二预设尺寸的通过第一预设滤波器滤波的身份证图像img_44；将所述通过第二预设滤波器滤波的身份证图像img_32缩放成第二预设尺寸获得第二预设尺寸的通过第二预设滤波器滤波的身份证图像img_45；
将所述第一预设尺寸的身份证图像img_41和所述第一预设尺寸的通过第一预设滤波器滤波的身份证图像img_42输入第一双路模型获取第一概率值；将所述第一预设尺寸的身份证图像img_41和所述第一预设尺寸的通过第一预设滤波器滤波的身份证图像img_42输入第二双路模型获取第二概率值；将所述第二预设尺寸的身份证图像img_43和所述第二预设尺寸的通过第一预设滤波器滤波的身份证图像img_44输入第三双路模型获取第三概率值；将所述第二预设尺寸的身份证图像img_43和所述第二预设尺寸的通过第二预设滤波器滤波的身份证图像img_45输入第四双路模型获取第四概率值；
将所述第一概率值、第二概率值、第三概率值和第四概率值经过预设的概率模型获得总概率值，将所述总概率值与阈值进行比较判断所述待鉴定的身份证图像img_1是否存在篡改。


2.根据权利要求1所述的检测身份证图像信息篡改的方法，其特征在于，所述将所述第一预设尺寸的身份证图像img_41和所述第一预设尺寸的通过第一预设滤波器滤波的身份证图像img_42输入第一双路模型获取第一概率值包括以下步骤：
将所述第一预设尺寸的身份证图像img_41通过第一卷积层卷积计算获得第一特征图img_51，将所述第一预设尺寸的通过第一预设滤波器滤波的身份证图像img_42通过第二卷积层卷积计算获得第二特征图img_52；
将所述第一特征图img_51和所述第二特征图img_52通过多维向量一维化的操作进行向量化获得第一向量和第二向量；
将所述第一向量和所述第二向量首尾拼接形成第一总向量；
将所述第一总向量输入预设的第一全连接网络获取所述第一概率值。


3.根据权利要求1所述的检测身份证图像信息篡改的方法，其特征在于，所述将所述第一预设尺寸的身份证图像img_41和所述第一预设尺寸的通过第一预设滤波器滤波的身份证图像img_42输入第二双路模型获取第二概率值包括以下步骤：
将所述第一预设尺寸的身份证图像img_41通过第三卷积层卷积计算获得第三特征图img_53，将所述第一预设尺寸的通过第一预设滤波器滤波的身份证图像img_42通过第四卷积层卷积计算获得第四特征图img_54；
将所述第三特征图img_53和所述第四特征图img_54通过多维向量一维化的操作进行向量化获得第三向量和第四向量；
将所述第三向量和所述第四向量首尾拼接形成第二总向量；
将所述第二总向量输入预设的第一全连接网络获取所述第二概率值。


4.根据权利要求1所述的检测身份证图像信息篡改的方法，其特征在于，所述将所述第二预设尺寸的身份证图像img_43和所述第二预设尺寸的通过第一预设滤波器滤波的身份证图像img_44输入第三双路模型获取第三概率值包括以下步骤：
将所述第二预设尺寸的身份证图像img_43通过第五卷积层卷积计算获得第五特征图img_55，将所述第二预设尺寸的通过第一预设滤波器滤波的身份证图像img_44通过第六卷积层卷积计算获得第六特征图img_56；
将所述第五特征图img_55和所述第六特征图img_56通过多维向量一维化的操作进行向量化获得第五向量...

【专利技术属性】
技术研发人员：徐华建，汤敏伟，李真，
申请(专利权)人：天翼电子商务有限公司，
类型：发明
国别省市：北京;11