【技术实现步骤摘要】
本专利技术涉及计算机技术，尤其涉及一种彩打检测模型训练方法、装置、存储介质及电子设备。
技术介绍
1、近年来，随着互联网的高速发展，人们可以通过线上办理各种业务以及线上进行相关证件的防伪校验。线上证件校验不同于线下模式，仅通过证件图片进行校验的线上校验方式使得校验安全性受到了极大的考验。因此，线上证件校验对于证件防伪检测的安全性和准确率提出了更高的要求，而在证件防伪中判断证件是真实证件还是彩打伪造证件更是非常具有挑战性的任务。
技术实现思路
1、本说明书实施例提供一种彩打检测模型训练方法，该方法能够对彩打伪造证件的检测准确性，提升证件防伪的安全性。
2、根据上述专利技术目的，本说明书实施例提出了一种彩打检测模型训练方法，所述方法包括：
3、获取训练样本，所述训练样本包括正样本、第一负样本和第二负样本，所述正样本包括真实证件图像，所述第一负样本包括预先生成的虚拟彩打证件图像，所述第二负样本包括预先收集的真实彩打证件图像；
4、将所述训练样本输入至待训练的彩打检测模型中，通过所述彩打检测模型中的特征提取器提取所述训练样本对应的图像特征；
5、通过所述彩打检测模型中的标签预测器，基于所述图像特征，得到用于表示所述训练样本是否为正样本的预测标签；
6、通过所述彩打检测模型中的域判别器，基于所述图像特征，识别所述训练样本所属的负样本类型，所述负样本类型包括第一负样本和第二负样本；
7、以所述预测标签和所述训练样本对应的真
8、进一步地，在一些实施方式中，所述将所述训练样本输入至待训练的彩打检测模型中之前，还包括：
9、将所述训练样本中的所述正样本和所述第一负样本作为基础图像；
10、将各所述基础图像随机两两组合，得到各基础图像对；
11、基于各所述基础图像对，采用幅度谱、相位谱替换融合的方式对所述训练样本进行数据增强。
12、进一步地，在一些实施方式中，所述基础图像对包括第一基础图像和第二基础图像，所述基于各所述基础图像对，采用幅度谱、相位谱替换融合的方式对所述训练样本进行数据增强，包括：
13、对所述第一基础图像进行离散傅里叶变换，得到所述第一基础图像对应的第一幅度谱和第一相位谱，以及对所述第二基础图像进行离散傅里叶变换，得到所述第二基础图像对应的第二幅度谱和第二相位谱；
14、对所述第一幅度谱和所述第二相位谱进行逆向傅里叶变换，得到第一增强样本，以及对所述第二幅度谱和所述第一相位谱进行逆向傅里叶变换，得到第二增强样本；
15、将所述第一增强样本和所述第二增强样本作为新的训练样本。
16、进一步地，在一些实施方式中，所述将所述第一增强样本和所述第二增强样本作为新的训练样本，包括：
17、若所述第一基础图像为所述第一负样本或所述第二基础图像为所述第一负样本，则将所述第一增强样本和所述第二增强样本作为新的第一负样本；
18、若所述第一基础图像为所述正样本且所述第二基础图像为所述正样本，则将所述第一增强样本和所述第二增强样本作为新的正样本。
19、进一步地，在一些实施方式中，所述将各所述基础图像随机两两组合，得到各基础图像对之前，还包括：
20、对所述基础图像进行旋转处理，将旋转处理后的图像作为新的基础图像。
21、更进一步地，在一些实施方式中，所述训练样本包括针对同一证件的第一样本图像和第二样本图像，所述第一样本图像和所述第二样本图像中所述证件的姿态不同；
22、所述通过所述彩打检测模型中的标签预测器，基于所述图像特征，得到用于表示所述训练样本是否为正样本的预测标签，包括：
23、基于所述第一样本图像对应的图像特征和所述第二样本图像对应的图像特征，计算生成所述第一样本图像和所述第二样本图像的相似度；
24、若所述相似度大于预设相似度阈值，则确定所述训练样本对应的预测标签为负样本；
25、若所述相似度小于或等于所述预设相似度阈值，则确定所述样本训练图像对应的预测标签为正样本。
26、本说明书实施例还提供一种彩打检测方法，采用该方法可以基于上述彩打检测模型训练方法得到的彩打检测模型对获取的待检测图像进行彩打伪造检测，方法包括：
27、获取待检测图像；
28、将所述待检测图像输入至采用上述彩打检测模型训练方法训练得到的彩打检测模型中，得到所述待检测图像对应的彩打检测结果。
29、本说明书实施例还提出了一种彩打检测模型训练装置，包括：
30、样本获取模块，用于获取训练样本，所述训练样本包括正样本、第一负样本和第二负样本，所述正样本包括真实证件图像，所述第一负样本包括预先生成的虚拟彩打证件图像，所述第二负样本包括预先收集的真实彩打证件图像；
31、特征提取模块，用于将所述训练样本输入至待训练的彩打检测模型中，通过所述彩打检测模型中的特征提取器提取所述训练样本对应的图像特征；
32、标签预测模块，用于通过所述彩打检测模型中的标签预测器，基于所述图像特征，得到用于表示所述训练样本是否为正样本的预测标签；
33、类型预测模块，用于通过所述彩打检测模型中的域判别器，基于所述图像特征，识别所述训练样本所属的负样本类型，所述负样本类型包括第一负样本和第二负样本；
34、模型优化模块，用于以所述预测标签和所述训练样本对应的真实标签的差异最小化，且所述域判别器识别出的负样本类型与所述训练样本实际所属的负样本类型的差异最大化为优化目标，至少调整所述彩打检测模型中所述特征提取器和所述标签预测器的模型参数，当基于训练完成的彩打检测模型进行彩打检测时，基于所述特征提取器进行图像特征提取，基于所述标签预测器输出彩打检测结果。
35、本说明书实施例还提供一种彩打检测装置，包括：
36、图像获取模块，用于获取待检测图像；
37、彩打检测模块，用于将所述待检测图像输入至如上述任一项彩打检测模型训练方法训练得到的彩打检测模型中，得到所述待检测图像对应的彩打检测结果。
38、本说明书实施例还提供一种计算机程序产品，所述计算机程序产品存储有至少一条指令，所述至少一条指令适于由处理器加载并执行上述的方法步骤。
39、本说明书实施例还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序适于由处理器加载并执行上述的方法的步骤。
40、本说明书实施例还提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计本文档来自技高网...
【技术保护点】
1.一种彩打检测模型训练方法，所述方法包括：
2.根据权利要求1所述的方法，所述将所述训练样本输入至待训练的彩打检测模型中之前，还包括：
3.根据权利要求2所述的方法，所述基础图像对包括第一基础图像和第二基础图像，所述基于各所述基础图像对，采用幅度谱、相位谱替换融合的方式对所述训练样本进行数据增强，包括：
4.根据权利要求3所述的方法，所述将所述第一增强样本和所述第二增强样本作为新的训练样本，包括：
5.根据权利要求2所述的方法，所述将各所述基础图像随机两两组合，得到各基础图像对之前，还包括：
6.根据权利要求1所述的方法，所述训练样本包括针对同一证件的第一样本图像和第二样本图像，所述第一样本图像和所述第二样本图像中所述证件的姿态不同；
7.一种彩打检测方法，包括：
8.一种彩打检测模型训练装置，包括：
9.一种彩打检测装置，包括：
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～6或7中任意一项所述方法的步骤。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。