翻拍图像识别方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了翻拍图像识别方法、装置、计算机设备及存储介质。该方法包括：获取样本图像并生成每张所述样本图像对应的第一标签信息；基于所述样本图像，对预置的卷积神经网络模型进行模型训练，获取所述样本图像的理论标签信息；基于所述第一标签信息和理论标签信息，利用预设的损失函数计算类别损失和频谱损失，并根据所述类别损失和频谱损失对所述卷积神经网络模型的模型参数进行优化，得到最优的所述卷积神经网络模型；输入检测图像至所述卷积神经网络模型，计算获取所述检测图像的第二标签信息；根据所述第二标签信息的类别信息判断所述检测图像是否为翻拍图像。该方法保证对翻拍图像的识别准确率，同时提高了模型识别翻拍图像的泛化性。拍图像的泛化性。拍图像的泛化性。

【技术实现步骤摘要】
翻拍图像识别方法、装置、计算机设备及存储介质


[0001]本专利技术涉及翻拍图像识别领域，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

[0002]目前翻拍图像识别的解决方案一般是基于边框、反光或者摩尔纹等图像特征实现，例如通过提取图像的LBP(局部二值模式)、SIFT(尺度不变特征变换)、HOG(方向梯度直方图)、Haar(哈尔)等图像特征，然后将提取到的特征值送入到SVM(支持向量机)或XGBOOST(极端梯度提升)等分类模型进行训练。但是，随着拍照技术的不断发展，翻拍图像的质量越来越高，翻拍图像的摩尔纹、边框等特征不是非常明显，因此这种翻拍图像识别技术的误识别率较高，局限性越来越明显。
[0003]随着人工智能技术的快速发展，基于神经网络的二分类网络也开始应用于翻拍图像识别中。目前基于神经网络的翻拍图像识别方法对于某种特定的翻拍图像有比较不错的效果，比如通过某类特定成像设备拍摄的翻拍图像。但是翻拍图像的来源是多样的，不同型号、不同厂商的成像设备采集出来的翻拍图像也是有差别的，所以很难采集到所有类型的翻拍图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种翻拍图像识别方法，其特征在于，包括：获取样本图像并生成每张所述样本图像对应的第一标签信息，所述第一标签信息为多维向量，所述第一标签信息至少包括所述样本图像的真实类别信息以及真实频谱信息；基于所述样本图像，对预置的卷积神经网络模型进行模型训练，获取所述样本图像的理论标签信息，所述理论标签信息至少包括所述样本图像的理论类别信息以及理论频谱信息；基于所述第一标签信息和理论标签信息，利用预设的损失函数计算类别损失和频谱损失，并根据所述类别损失和频谱损失对所述卷积神经网络模型的模型参数进行优化，得到最优的所述卷积神经网络模型；输入检测图像至所述卷积神经网络模型，计算获取所述检测图像的第二标签信息；根据所述第二标签信息的类别信息判断所述检测图像是否为翻拍图像。2.根据权利要求1所述的翻拍图像识别方法，其特征在于，所述获取样本图像并生成每张所述样本图像对应的第一标签信息包括：获取样本图像，并对所述样本图像进行灰度化处理，得到所述样本图像的灰度图像；根据预置规则对所述灰度图像进行傅里叶变换，得到最佳傅里叶频谱图；将所述最佳傅里叶频谱图对应的频域矩阵转化为多维向量，得到所述样本图像的真实频谱信息；获取所述样本图像的真实类别信息，并对所述真实类别信息与真实频谱信息进行组合，得到所述样本信息的第一标签信息。3.根据权利要求2所述的翻拍图像识别方法，其特征在于，所述根据预置规则对所述灰度图像进行傅里叶变换，得到最佳傅里叶频谱图包括：对所述灰度图像进行傅里叶变换，得到初始傅里叶频谱图；对所述初始傅里叶频谱图进行归一化处理，并按预置尺寸规格调整所述初始傅里叶频谱图，得到最佳傅里叶频谱图。4.根据权利要求2或3所述的翻拍图像识别方法，其特征在于，所述傅里叶变换的公式如下：式中，f(x,y)代表一幅大小为M
×
N的图像矩阵，其中x＝0,1,2,..,M-1和y＝0,1,2,...,N-1；F(u,v)表示傅里叶变换后的频域矩阵，其中u＝0,1,2,...,M-1和v＝0,1,2,...,N-1；e是自然对数的底，j表示虚数单位。5.根据权利要求3所述的翻拍图像识别方法，其特征在于，所述卷积神经网络模型包括：4个卷积模块和1个输出模块，每一所述卷积模块包括2个卷积层和...

【专利技术属性】
技术研发人员：石强，刘雨桐，熊娇，王国勋，张兴，
申请(专利权)人：润联软件系统深圳有限公司，
类型：发明
国别省市：