翻拍图像识别方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种翻拍图像识别方法、装置、计算机设备及存储介质，所述方法包括：通过获取待识别图像；将待识别图像输入头像检测模型，提取待识别图像的头像照；将待识别图像的头像照进行灰度处理，得到头像照的灰度图像；通过局部相位量化法对灰度图像进行变换，获得灰度图像的局部相位量化特征图；将局部相位量化特征图输入训练完成的浅层神经网络模型，通过浅层神经网络模型对局部相位量化特征图进行翻拍识别处理，获得翻拍概率；在翻拍概率大于或等于预设概率阈值时，确定待识别图像为翻拍图像。如此，实现了自动识别翻拍图像，提高识别的准确率，并提升了识别效率和可靠性。

Method, device, equipment and medium of image recognition

【技术实现步骤摘要】
翻拍图像识别方法、装置、设备及介质
本专利技术涉及图像分类领域，尤其涉及一种翻拍图像识别方法、装置、计算机设备及存储介质。
技术介绍
随着信用社会的发展，越来越多的应用场景(比如：涉及金融、保险、安防的应用场景)需要通过证件识别、人脸识别对用户身份进行验证。在现有技术中，现有的身份验证主要通过花费大量人工进行进行人工核查，如此，需要耗费大量的人力资源和等待时间，而且随着数据拍照技术的提升，不法分子通过翻拍图像来验证用户身份的手段层出不穷，通过人工进行识别翻拍图像的准确度较低，而且容易识别出错，如果身份验证过程中没有识别出翻拍图像，将会对用户信息出现安全性问题。
技术实现思路
本专利技术提供一种翻拍图像识别方法、装置、计算机设备及存储介质，实现了自动识别翻拍图像，提高了识别的准确率，并提升了识别效率和可靠性。一种翻拍图像识别方法，包括：获取待识别图像；将所述待识别图像输入头像检测模型，提取所述待识别图像的头像照；将所述待识别图像的头像照进行灰度处理，得到所述头像照的灰度图像；获取所述灰度图像的每个像素点及与每个像素点对应的预设局部区域块的相位信息；通过局部相位量化法对所述每个像素点和所述与每个像素点对应的预设局部区域块的相位信息进行处理，计算出每个像素点对应的局部相位量化特征值；对所有所述像素点的局部相位量化特征值进行排列，生成所述灰度图像的局部相位量化特征图；将所述局部相位量化特征图输入训练完成的浅层神经网络模型，通过所述浅层神经网络模型对所述局部相位量化特征图进行识别处理，以获得所述局部相位量化特征图的翻拍概率；在所述翻拍概率大于或等于预设概率阈值时，确定所述待识别图像为翻拍图像。一种翻拍图像识别装置，包括：第一获取模块，用于获取待识别图像；第一提取模块，用于将所述待识别图像输入头像检测模型，提取所述待识别图像的头像照；转换模块，用于将所述待识别图像的头像照进行灰度处理，得到所述头像照的灰度图像；第二获取模块，用于获取所述灰度图像的每个像素点及与每个像素点对应的预设局部区域块的相位信息；第一计算模块，用于通过局部相位量化法对所述每个像素点和所述与每个像素点对应的预设局部区域块的相位信息进行处理，计算出每个像素点对应的局部相位量化特征值；生成模块，用于对所有所述像素点的局部相位量化特征值进行排列，生成所述灰度图像的局部相位量化特征图；识别模块，用于将所述局部相位量化特征图输入训练完成的浅层神经网络模型，通过所述浅层神经网络模型对所述局部相位量化特征图进行识别处理，以获得所述局部相位量化特征图的翻拍概率；确定模块，用于在所述翻拍概率大于或等于预设概率阈值时，确定所述待识别图像为翻拍图像。本专利技术提供的翻拍图像识别方法、装置、计算机设备及存储介质，通过获取待识别图像；将所述待识别图像输入头像检测模型，提取所述待识别图像的头像照；将所述待识别图像的头像照进行灰度处理，得到所述头像照的灰度图像；通过局部相位量化法对所述灰度图像进行变换，获得所述灰度图像的局部相位量化特征图；将所述局部相位量化特征图输入训练完成的浅层神经网络模型，通过所述浅层神经网络模型对所述局部相位量化特征图进行翻拍识别处理，获得翻拍概率；在所述翻拍概率大于或等于预设概率阈值时，确定所述待识别图像为翻拍图像。如此，通过提取待识别图像中的头像照，并对头像照进行灰度处理，得到灰度图像，再通过局部相位量化法转换成局部相位量化特征图，将局部相位量化特征图输入训练完成的浅层神经网络模型，对所述局部相位量化特征图进行纹理特征的识别，可以得出所述纹理特征统计的识别结果，并获得待识别图像的翻拍概率，在翻拍概率超出预设阈值时，确定待识别图像为翻拍图像，从而实现了自动识别翻拍图像，提高识别的准确率，并提升了识别效率和可靠性。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一实施例中翻拍图像识别方法的应用环境示意图；图2是本专利技术一实施例中翻拍图像识别方法的流程图；图3是本专利技术另一实施例中翻拍图像识别方法的流程图；图4是本专利技术一实施例中翻拍图像识别方法的步骤S20的流程图；图5是本专利技术一实施例中翻拍图像识别方法的步骤S70的流程图；图6是本专利技术一实施例中翻拍图像识别方法的步骤S70之前的流程图；图7是本专利技术一实施例中翻拍图像识别装置的原理框图；图8是本专利技术一实施例中翻拍图像识别装置中第一提取模块的原理框图；图9是本专利技术一实施例中翻拍图像识别装置中识别模块的原理框图；图10是本专利技术一实施例中计算机设备的示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术提供的翻拍图像识别方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。在一实施例中，如图2所示，提供一种翻拍图像识别方法，其技术方案主要包括以下步骤S10-S80：S10，获取待识别图像。其中，所述待识别图像可以为包括RGB通道(三个通道为红色通道、绿色通道、蓝色通道)的身份证正面彩色图。在一个实施例中，服务器可以通过安装在终端的摄像头进行拍摄以获取所述待识别图像；亦可以服务器通过终端从存储于终端的本地相册中获取所述待识别图像。S20，将所述待识别图像输入头像检测模型，提取所述待识别图像的头像照。可理解地，将所述待识别图像输入头像检测模型，所述头像检测模型包括mtcnn(Multi-taskconvolutionalneuralnetwork，多任务卷积神经网络)算法，所述mtcnn算法将锁骨及以上的头像区域检测与锁骨及以上的头像关键点检测放在了一起，识别出最终的头像区域和特征点位置。通过所述头像检测模型中的mtcnn算法对所述待识别图像进行头像检测，以检测出所述待识别图像是否包含头像；在所述头像检测模型检测出所述待识别图像包含有头像时，则对所述待识别图像进行提取，并将提取出来的图像标记为所述待识别图像的头像照。例如：将身份证正面照片输入头像检测模型，检测出该照片包含头像，根据检测出的头像区域(通常该区域为矩形区域)，对身份证正面照片进行剪切，则剪切下来的图像即为身份证正面照片的头像照。<本文档来自技高网...

【技术保护点】
1.一种翻拍图像识别方法，其特征在于，包括：/n获取待识别图像；/n将所述待识别图像输入头像检测模型，提取所述待识别图像的头像照；/n将所述待识别图像的头像照进行灰度处理，得到所述头像照的灰度图像；/n获取所述灰度图像的每个像素点及与每个像素点对应的预设局部区域块的相位信息；/n通过局部相位量化法对所述每个像素点和所述与每个像素点对应的预设局部区域块的相位信息进行处理，计算出每个像素点对应的局部相位量化特征值；/n对所有所述像素点的局部相位量化特征值进行排列，生成所述灰度图像的局部相位量化特征图；/n将所述局部相位量化特征图输入训练完成的浅层神经网络模型，通过所述浅层神经网络模型对所述局部相位量化特征图进行识别处理，以获得所述局部相位量化特征图的翻拍概率；/n在所述翻拍概率大于或等于预设概率阈值时，确定所述待识别图像为翻拍图像。/n

【技术特征摘要】
1.一种翻拍图像识别方法，其特征在于，包括：
获取待识别图像；
将所述待识别图像输入头像检测模型，提取所述待识别图像的头像照；
将所述待识别图像的头像照进行灰度处理，得到所述头像照的灰度图像；
获取所述灰度图像的每个像素点及与每个像素点对应的预设局部区域块的相位信息；
通过局部相位量化法对所述每个像素点和所述与每个像素点对应的预设局部区域块的相位信息进行处理，计算出每个像素点对应的局部相位量化特征值；
对所有所述像素点的局部相位量化特征值进行排列，生成所述灰度图像的局部相位量化特征图；
将所述局部相位量化特征图输入训练完成的浅层神经网络模型，通过所述浅层神经网络模型对所述局部相位量化特征图进行识别处理，以获得所述局部相位量化特征图的翻拍概率；
在所述翻拍概率大于或等于预设概率阈值时，确定所述待识别图像为翻拍图像。


2.如权利要求1所述的翻拍图像识别方法，其特征在于，所述将所述待识别图像输入头像检测模型，提取所述待识别图像的头像照，包括：
将所述待识别图像输入头像检测模型，通过所述头像检测模型中的mtcnn算法对所述待识别图像进行头像检测，以获取所述待识别图像的头像置信概率；
在所述待识别图像的头像置信概率大于预设阈值时，则提取所述待识别图像的头像区域，并将所述头像区域标记为所述待识别图像的头像照。


3.如权利要求1所述的翻拍图像识别方法，其特征在于，所述将所述局部相位量化特征图输入训练完成的浅层神经网络模型，通过所述浅层神经网络模型对所述局部相位量化特征图进行识别处理，以获得所述局部相位量化特征图的翻拍概率，包括：
从所述局部相位量化特征图提取出局部相位量化特征直方图；
通过高斯噪声算法，将所述局部相位量化特征直方图进行增强处理，得到神经元数据；
将所述神经元数据输入所述浅层神经网络中的随机失活层，通过所述随机失活层对所述神经元数据进行纹理特征提取，并获取所述随机失活层输出的与所述纹理特征匹配的预测概率；
将所述预测概率输入所述浅层神经网络中的激活层，所述激活层通过sigmoid函数对所述预测概率进行处理，得出所述局部相位量化特征图的翻拍概率。


4.如权利要求1所述的翻拍图像识别方法，其特征在于，所述翻拍识别模型，通过所述翻拍识别模型对所述局部相位量化特征图进行翻拍识别处理，获得翻拍概率之后，包括：
判断所述翻拍概率是否小于所述预设概率阈值；
若所述翻拍概率小于所述预设概率阈值，确定所述待识别图像为非翻拍图像；
获取与所述待识别图像关联的用户身份信息，将所述待识别图像存储至与所述用户身份信息关联的指定存储位置。


5.如权利要求1所述的翻拍图像识别方法，其特征在于，所述将所述局部相位量化特征图输入训练完成的浅层神经网络模型，通过所述浅层神经网络模型对所述局部相位量化特征图进行翻拍识别处理，获得翻拍概率之前，包括：
获取图像样本，所述图像样本包括翻拍图像样本和非翻拍图像样本，将所述图像样本输入所述浅层神经网络模型...

【专利技术属性】
技术研发人员：喻晨曦，
申请(专利权)人：中国平安人寿保险股份有限公司，
类型：发明
国别省市：广东;44