翻拍图像识别方法、装置、计算机设备和存储介质与流程

本申请涉及图像检测技术领域，特别是涉及一种翻拍图像识别方法、装置、计算机设备和存储介质。

背景技术：

随着计算机技术和互联网技术的不断发展，在网上在线开设账户或办理重要业务，可能需要用户通过移动终端或网络摄像头等设备拍摄并上传相应的图像，如用户的证件图像或用户本人的真实图像。

然而，上传的图像可能不是用户通过拍摄本人所得的真实图像，或通过拍摄真实的证件所得到的证件图像，而是通过翻拍电脑或手机等设备的显示屏上所展示的图片所得，从而会导致用户信息出现安全性问题。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种翻拍图像识别方法、装置、计算机设备和存储介质，能够避免翻拍图像而造成用户信息出现安全性问题。

一种翻拍图像识别方法，所述方法包括：

获取待识别图像；

根据待识别图像生成对应的哈尔特征图；

从哈尔特征图中提取局部二值模式lbp特征值；

计算所述lbp特征值在各预设特征值范围内的统计概率；

将所述lbp特征值的统计概率输入神经网络模型，通过所述神经网络模型对所述lbp特征值的统计概率进行识别处理，获得第一翻拍概率；

当所述第一翻拍概率达到概率阈值时，则所述待识别图像为翻拍图像。

在其中一个实施例中，所述从哈尔特征图中提取局部二值模式lbp特征值包括：

将哈尔特征图均分为多个子哈尔特征图块；

分别对各所述子哈尔特征图块均分为多个像素块；

在各像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；

若是，则将所述非中心像素点的灰度值设置为第一数值；若否，则将所述非中心像素点的灰度值设置为第二数值；

对设置灰度值后各像素块中的非中心像素点的灰度值进行加权求和；

将加权求和的结果作为各像素块的lbp特征值。

在其中一个实施例中，所述计算所述lbp特征值在各预设特征值范围内的统计概率包括：

对各所述子哈尔特征图块中的lbp特征值，按照大小顺序进行排序；

将排序后各所述子哈尔特征图块中的lbp特征值，按照预设步长均匀分成多个特征值范围；

计算归属于各特征值范围内lbp特征值的统计概率。

在其中一个实施例中，所述则所述待识别图像为翻拍图像之后，所述方法还包括：

生成携带有所述待识别图像的图像复核请求；

将所述图像复核请求发送至复核人账号；

接收到所述复核人账号发送的、针对所述图像复核请求的反馈信息；所述反馈信息携带有所述待识别图像为翻拍图像的第二翻拍概率；

获取机器识别所对应的第一权重和复核人识别所对应的第二权重；

分别按照所述第一权重和所述第二权重，对第一翻拍概率和所述第二翻拍概率进行加权求和，得到翻拍概率的加权和；

当所述加权和大于或等于预设加权和时，最终确定待识别图像为翻拍图像。

在其中一个实施例中，所述方法还包括：

获取待识别样本图，对所述待识别样本图进行标注，获得包含标签的待识别样本图；所述标签用于表示所述待识别样本图是否为翻拍图像；

根据包含所述标签的待识别样本图生成对应的哈尔特征样本图；

从所述哈尔特征样本图中提取lbp特征样本值；

计算所述lbp特征样本值在各预设特征值范围内的统计概率样本；

将所述统计概率样本输入神经网络模型，通过所述神经网络模型对所述统计概率样本进行识别处理，获得第三翻拍概率；

对比所述第三翻拍概率与所述标签之间的差异，调整神经网络模型的参数。

在其中一个实施例中，所述对比所述第三翻拍概率与所述标签之间的差异，调整神经网络模型的参数包括：

确定所述第三翻拍概率与所述标签之间的误差；

将所述误差反向传播到神经网络模型的网络层，获得各网络层参数的梯度；

根据所获得的梯度调整所述神经网络模型中各网络层的参数。

一种翻拍图像识别装置，所述装置包括：

图像获取模块，用于获取待识别图像；

特征图生成模块，用于根据待识别图像生成对应的哈尔特征图；

特征值提取模块，用于从哈尔特征图中提取局部二值模式lbp特征值；

计算模块，用于计算所述lbp特征值在各预设特征值范围内的统计概率；

处理模块，用于将所述lbp特征值的统计概率输入神经网络模型，通过所述神经网络模型对所述lbp特征值的统计概率进行识别处理，获得第一翻拍概率；

翻拍图像确定模块，用于当所述第一翻拍概率达到概率阈值时，则所述待识别图像为翻拍图像。

在其中一个实施例中，所述特征值提取模块还用于：

将哈尔特征图均分为多个子哈尔特征图块；

分别对各所述子哈尔特征图块均分为多个像素块；

在各像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；

若是，则将所述非中心像素点的灰度值设置为第一数值；若否，则将所述非中心像素点的灰度值设置为第二数值；

对设置灰度值后各像素块中的非中心像素点的灰度值进行加权求和；

将加权求和的结果作为各像素块的lbp特征值。

在其中一个实施例中，所述计算模块还用于：

对各所述子哈尔特征图块中的lbp特征值，按照大小顺序进行排序；

将排序后各所述子哈尔特征图块中的lbp特征值，按照预设步长均匀分成多个特征值范围；

计算归属于各特征值范围内lbp特征值的统计概率。

在其中一个实施例中，所述装置还包括：

请求生成模块，用于生成携带有所述待识别图像的图像复核请求；

发送模块，用于将所述图像复核请求发送至复核人账号；

接收模块，用于接收到所述复核人账号发送的、针对所述图像复核请求的反馈信息；所述反馈信息携带有所述待识别图像为翻拍图像的第二翻拍概率；

权重获取模块，用于获取机器识别所对应的第一权重和复核人识别所对应的第二权重；

加权模块，用于分别按照所述第一权重和所述第二权重，对第一翻拍概率和所述第二翻拍概率进行加权求和，得到翻拍概率的加权和；

所述翻拍图像确定模块还用于当所述加权和大于或等于预设加权和时，最终确定待识别图像为翻拍图像。

在其中一个实施例中，所述装置还包括：

所述图像获取模块还用于获取待识别样本图，对所述待识别样本图进行标注，获得包含标签的待识别样本图；所述标签用于表示所述待识别样本图是否为翻拍图像；

特征图生成模块还用于根据包含所述标签的待识别样本图生成对应的哈尔特征样本图；

特征值提取模块还用于从所述哈尔特征样本图中提取lbp特征样本值；

计算模块还用于计算所述lbp特征样本值在各预设特征值范围内的统计概率样本；

处理模块还用于将所述统计概率样本输入神经网络模型，通过所述神经网络模型对所述统计概率样本进行识别处理，获得第三翻拍概率；

调整模块，用于对比所述第三翻拍概率与所述标签之间的差异，调整神经网络模型的参数。

在其中一个实施例中，所述调整模块还用于：

确定所述第三翻拍概率与所述标签之间的误差；

将所述误差反向传播到神经网络模型的网络层，获得各网络层参数的梯度；

根据所获得的梯度调整所述神经网络模型中各网络层的参数。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待识别图像；

根据待识别图像生成对应的哈尔特征图；

从哈尔特征图中提取局部二值模式lbp特征值；

计算所述lbp特征值在各预设特征值范围内的统计概率；

将所述lbp特征值的统计概率输入神经网络模型，通过所述神经网络模型对所述lbp特征值的统计概率进行识别处理，获得第一翻拍概率；

当所述第一翻拍概率达到概率阈值时，则所述待识别图像为翻拍图像。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待识别图像；

根据待识别图像生成对应的哈尔特征图；

从哈尔特征图中提取局部二值模式lbp特征值；

计算所述lbp特征值在各预设特征值范围内的统计概率；

将所述lbp特征值的统计概率输入神经网络模型，通过所述神经网络模型对所述lbp特征值的统计概率进行识别处理，获得第一翻拍概率；

当所述第一翻拍概率达到概率阈值时，则所述待识别图像为翻拍图像。

上述翻拍图像识别方法、装置、计算机设备和存储介质，根据获取的待识别图像生成哈尔特征图，从哈尔特征图中提取lbp特征值，从而得到待识别图像的局部纹理特征。计算lbp特征值在各预设特征值范围内的统计概率，将该lbp特征值的统计概率输入神经网络模型，通过神经网络模型可以确定待识别图像是否为翻拍图像，从而避免待识别图像为翻拍电脑或手机等设备的显示屏上所展示的图片所得，从而确保图像的真实性，避免了第三方使用翻拍图像导致用户信息出现安全隐患。

附图说明

图1为一个实施例中翻拍图像识别方法的应用场景图；

图2为一个实施例中翻拍图像识别方法的流程示意图；

图3为一个实施例中提取lbp特征的示意图；

图4为另一个实施例中训练神经网络模型的步骤的流程示意图；

图5为一个实施例中翻拍图像识别装置的结构框图；

图6为另一个实施例中翻拍图像识别装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的翻拍图像识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104通过终端102获取待识别图像，根据待识别图像生成哈尔特征图；服务器104从哈尔特征图中提取lbp(localbinarypattern，局部二值模式)特征值，计算lbp特征值在各特征值范围内的统计概率，将统计概率输入神经网络模型，通过该神经网络模型可以确定待识别图像是否为翻拍图像。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104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。

在一个实施例中，如图2所示，提供了一种翻拍图像识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

s202，获取待识别图像。

其中，待识别图像可以是包括rgb通道的32位彩色图，此外，还可以是包括rgb通道的64位或128位彩色图。

在一个实施例中，服务器通过安装在终端的摄像头拍摄待识别图像；或者，服务器通过终端从存储于终端本地相册中获取待识别图像。

在一个实施例中，若翻拍图像的识别方法应用于用户注册账户(如注册金融账户)的场景中，在终端展示上传图像的操作页面中可以有两个功能选项，一是支持用户实时拍摄图像的功能选项，另一是支持用户选择从相册中获取图像的功能选项。若用户选择实时拍摄图像的功能选项时，终端则调用摄像头拍摄用户或用户证件的图像，将拍摄的图像作为待识别图像。若用户选择从相册中获取图像的功能选项时，终端则从本地相册中获取用户或用户证件的图像，将获取的图像作为待识别图像。

例如，当用户在网上进行信用卡开户或证券开户时，开户系统将会展示上传用户证件图像和用户本人的真实图像的操作页面。在上传用户本人的真实图像或用户证件照时，可以调用终端的摄像头以便用户进行图像拍摄，也可以通过在操作页面上所提供功能选项从相册选取对应的待识别图像，也可以调用终端的摄像头以便用户进行图像拍摄。

在一个实施例中，s202之后，服务器确定待识别图像的尺寸(如图像的分辨率)，若待识别图像的尺寸大于第一尺寸阈值时，则将图像压缩到预设的标准尺寸。若待识别图像的尺寸小于第二尺寸阈值时，则将图像放大到预设的标准尺寸。其中，第一尺寸阈值大于第二尺寸阈值。

s204，根据待识别图像生成对应的哈尔特征图。

其中，哈尔(haar)特征可以反映待识别图像的灰度变化情况，如待识别图像中用户脸部的一些特征能由矩形特征简单的描述。哈尔特征图可以是单通道的灰度图。

在一个实施例中，服务器通过积分图的方式生成与待识别图像对应的哈尔特征图。其中，积分图的构建方式包括：服务器将待识别图像从起点开始到各个点所形成的矩形区域的像素累加值，作为一个数组的元素保存在内存中；当计算该矩形区域的像素累加值时，可以直接索引数组的元素，不用重新计算这个区域的像素累加值。

例如，积分图的构建方式包括：1)用s(i,j)表示行方向的累加值，初始化s(i,-1)＝0。2)用p(i,j)表示积分图像，初始化积分图像p(-1,i)＝0。3)逐行扫描待识别图像，递归计算每个像素(i,j)行方向的累加值s(i,j)和积分图像p(i,j)的值。其中，s(i,j)＝s(i,j-1)+f(i,j)，p(i,j)＝p(i-1,j)+s(i,j)，f(i,j)表示原始的待识别图像。4)当扫描到待识别图像的右下角像素时，积分图像p(i,j)即构造好了。

s206，从哈尔特征图中提取局部二值模式lbp特征值。

在一个实施例中，服务器将哈尔特征图均匀划分为多个子哈尔特征图块，在每个子哈尔特征图块的像素点提取lbp特征值。

具体地，服务器将哈尔特征图均分为多个子哈尔特征图块，分别对各子哈尔特征图块均分为多个像素块。服务器在各像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；若是，则将非中心像素点的灰度值设置为第一数值；若否，则将非中心像素点的灰度值设置为第二数值。服务器对设置灰度值后各像素块中的非中心像素点的灰度值进行加权求和，将加权求和的结果作为各像素块的lbp特征值。

例如，如图3所示，对于子哈尔特征图块中的某个像素点，服务器以该像素点为中心像素点，将该中心像素点的灰度值分别与3×3窗口中各领域像素点的灰度值进行比较，若领域像素点的灰度值大于或等于中心像素点的灰度值，则将领域像素点的灰度值设置为1；若领域像素点的灰度值小于中心像素点的灰度值，则将领域像素点的灰度值设置为0，因此计算出该中心像素点的灰度值的二进制为01111100，转换为十进制为124。通过上述方法，可以得到各子哈尔特征图块的lbp特征值。

s208，计算lbp特征值在各预设特征值范围内的统计概率。

在一个实施例中，s208具体可以包括：服务器对各子哈尔特征图块中的lbp特征值，按照大小顺序进行排序；将排序后各子哈尔特征图块中的lbp特征值，按照预设步长均匀分成多个特征值范围；计算归属于各特征值范围内lbp特征值的统计概率。

在一个实施例中，在每个子哈尔特征图块中，根据lbp特征值建立lbp直方图，将每个lbp直方图对应的概率分别保存于不同的子数组a1、a2…an中，得到各子哈尔特征图块的lbp特征值在各预设特征值范围内的统计概率。在输入神经网络模型之前，服务器将子数组a1、a2…an保存于另一个数组s中。

s210，将lbp特征值的统计概率输入神经网络模型，通过神经网络模型对lbp特征值的统计概率进行识别处理，获得第一翻拍概率。

在一个实施例中，服务器以数组的形式，将lbp特征值的统计概率输入训练好的神经网络模型。

s212，当第一翻拍概率达到概率阈值时，则待识别图像为翻拍图像。

例如，假设概率阈值为90％，当第一翻拍概率大于或等于90％时，则待识别图像为翻拍图像。当第一翻拍概率小于90％时，则待识别图像不是翻拍图像。

在一个实施例中，为了进一步保证识别结果的准确性，s212之后，该方法还包括：服务器生成携带有待识别图像的图像复核请求；将图像复核请求发送至复核人账号；接收到复核人账号发送的、针对图像复核请求的反馈信息；反馈信息携带有待识别图像为翻拍图像的第二翻拍概率；获取机器识别所对应的第一权重和复核人识别所对应的第二权重；分别按照第一权重和第二权重，对第一翻拍概率和第二翻拍概率进行加权求和，得到翻拍概率的加权和；当加权和大于或等于预设加权和时，最终确定待识别图像为翻拍图像。

其中，第一权重和第二权重为不同的两个值，第一权重与第二权重的和值为1。

例如，为了进一步保证识别结果的准确性，当机器识别该待识别图像为翻拍图像时，还会将待识别图像发送给专业人员，由专业人员对待识别图像进行进一步识别，然后反馈包含识别结果的反馈信息，该识别结果可以是待识别图像为翻拍图像的概率。若待识别图像为翻拍图像的概率很大(如大于90％)时，则最终确定待识别图像为翻拍图像。若待识别图像为翻拍图像的概率较小(如小于90％)时，则将两个概率进行加权求和，得到翻拍概率的加权和，根据加权和来确定待识别图像是否为翻拍图像。当加权和大于或等于预设加权和时，最终确定待识别图像为翻拍图像。加权和小于预设加权和时，最终确定待识别图像不是翻拍图像。

在一个实施例中，服务器可以在结合复核人识别的结果确定待识别图像是否为翻拍图像。服务器也可以当第一翻拍概率达到概率阈值时，不需要再进行复核人识别的过程，直接确定待识别图像为翻拍图像。

在一个实施例中，该方法可应用于金融开户。在最终确定待识别图像为翻拍图像时，服务器拒绝用户的开户请求；在确定待识别图像为非翻拍图像时，服务器则进一步审核用户所提交的其它材料，若都满足开户要求，则允许用户的开户请求。

作为一个示例，(1)首先将将哈尔特征图均分为多个子哈尔特征图块，然后将子哈尔特征图块分为多个像素块；(2)在每个像素块中，将中心像素点的灰度值与相邻的8个像素点的灰度值进行比较，若8个像素点中任一个像素点的灰度值大于中心像素点的灰度值，则将对应像素点的灰度值设置为1，否则设置为0。这样，3×3窗口邻域内的8个像素点可产生8位二进制数，即得到该窗口中心像素点的lbp特征值；(3)然后计算每个像素块的统计直方图，该统计直方图用于表示各预设特征值范围内lbp特征值出现的频率，即所述的统计概率；其中，还可以对该直方图进行归一化处理。(4)最后根据所得到的每个像素块的统计直方图得到特征向量，得到整幅待识别图像的lbp纹理特征向量，将lbp纹理特征向量输入神经网络模型，通过神经网络的处理可以得到待识别图像是否为翻拍图像。

上述实施例中，根据获取的待识别图像生成哈尔特征图，从哈尔特征图中提取lbp特征值，从而得到待识别图像的局部纹理特征。计算lbp特征值在各预设特征值范围内的统计概率，将该lbp特征值的统计概率输入神经网络模型，通过神经网络模型可以确定待识别图像是否为翻拍图像，从而避免待识别图像为翻拍电脑或手机等设备的显示屏上所展示的图片所得，从而确保图像的真实性，避免了第三方使用翻拍图像导致用户信息出现安全隐患。此外，通过上述实施例，可以有效地提高翻拍图像识别的准确率，且准确率由原来的80％提高至93％。

在一个实施例中，如图4所示，该方法还包括：

s402，获取待识别样本图，对待识别样本图进行标注，获得包含标签的待识别样本图；标签用于表示待识别样本图是否为翻拍图像。

其中，待识别样本图可以是包括rgb通道的32位彩色图，此外，还可以是包括rgb通道的64位或128位彩色图。

s404，根据包含标签的待识别样本图生成对应的哈尔特征样本图。

在一个实施例中，s404之前，该方法还可以包括：服务器对包含标签的待识别样本图进行0到360度间的随机旋转，以及随机缩放、调整亮度、色度和清晰度等处理，然后根据处理后的待识别样本图生成对应的哈尔特征样本图，以增加神经网络模型的泛化能力，从而提高翻拍识别的准确率。

其中，哈尔(haar)特征可以反映待识别图像的灰度变化情况，如待识别图像中用户脸部的一些特征能由矩形特征简单的描述。哈尔特征图可以是单通道的灰度图。

在一个实施例中，服务器通过积分图的方式生成与待识别图像对应的哈尔特征样本图。其中，积分图的构建方式包括：服务器将待识别图像从起点开始到各个点所形成的矩形区域的像素累加值，作为一个数组的元素保存在内存中；当计算该矩形区域的像素累加值时，可以直接索引数组的元素，不用重新计算这个区域的像素累加值。

例如，积分图的构建方式包括：1)用s(i,j)表示行方向的累加值，初始化s(i,-1)＝0。2)用p(i,j)表示一个积分图像，初始化p(-1,i)＝0。3)逐行扫描待识别图像，递归计算每个像素(i,j)行方向的累加值s(i,j)和积分图像p(i,j)的值。其中，s(i,j)＝s(i,j-1)+f(i,j)，ii(i,j)＝ii(i-1,j)+s(i,j)。4)当扫描到待识别图像的右下角像素时，积分图像p(i,j)即构造好了。

s406，从哈尔特征样本图中提取lbp特征样本值。

在一个实施例中，将哈尔特征样本图均匀划分为多个子哈尔特征样本图块，在每个子哈尔特征样本图块的像素提取lbp特征样本值。

具体地，将哈尔特征样本图均分为多个子哈尔特征样本图块；分别对各子哈尔特征样本图块均分为多个样本像素块；在各样本像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；若是，则将非中心像素点的灰度值设置为第一数值；若否，则将非中心像素点的灰度值设置为第二数值；对设置灰度值后各样本像素块中的非中心像素点的灰度值进行加权求和；将加权求和的结果作为各样本像素块的lbp特征样本值。

例如，如图3所示，对于子哈尔特征样本图块中的某个像素点，以该像素点为中心像素点，将该中心像素点的灰度值分别与3×3窗口中各领域像素点的灰度值进行比较，若领域像素点的灰度值大于或等于中心像素点的灰度值，则将领域像素点的灰度值设置为1；若领域像素点的灰度值小于中心像素点的灰度值，则将领域像素点的灰度值设置为0，因此计算出该中心像素点的灰度值的二进制为01111100，转换为十进制为124，因此可以得到各子哈尔特征样本图块的lbp特征样本值。

s408，计算lbp特征样本值在各预设特征值范围内的统计概率样本。

在一个实施例中，s208具体可以包括：服务器对各子哈尔特征样本图块中的lbp特征样本值，按照大小顺序进行排序；将排序后各子哈尔特征样本图块中的lbp特征样本值，按照预设步长均匀分成多个特征值范围；计算归属于各特征值范围内lbp特征样本值的统计概率。

在一个实施例中，在每个子哈尔特征样本图块中，根据lbp特征样本值建立lbp直方图，将每个lbp直方图对应的概率分别保存于不同的子数组a1、a2…an中，得到各子哈尔特征样本图块的lbp特征样本值在各预设特征值范围内的统计概率。在输入神经网络模型之前，服务器将子数组a1、a2…an保存于一个大的数组s中。

s410，将统计概率样本输入神经网络模型，通过神经网络模型对统计概率样本进行识别处理，获得第三翻拍概率。

在一个实施例中，服务器以数组的形式，将lbp特征样本值的统计概率输入训练好的神经网络模型。

s412，对比第三翻拍概率与标签之间的差异，调整神经网络模型的参数。

在一个实施例中，s412包括：确定第三翻拍概率与标签之间的误差；将误差反向传播到神经网络模型的网络层，获得各网络层参数的梯度；根据所获得的梯度调整神经网络模型中各网络层的参数。

其中，服务器可以通过损失函数确定第三翻拍概率与标签之间的误差。损失函数可以是以下任一种：均方误差(meansquarederror)、交叉熵损失函数、l2loss函数和focalloss函数。

应该理解的是，虽然图2、4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种翻拍图像识别装置，包括：图像获取模块502、特征图生成模块504、特征值提取模块506、计算模块508、处理模块510和翻拍图像确定模块512，其中：

图像获取模块502，用于获取待识别图像；

特征图生成模块504，用于根据待识别图像生成对应的哈尔特征图；

特征值提取模块506，用于从哈尔特征图中提取局部二值模式lbp特征值；

计算模块508，用于计算lbp特征值在各预设特征值范围内的统计概率；

处理模块510，用于将lbp特征值的统计概率输入神经网络模型，通过神经网络模型对lbp特征值的统计概率进行识别处理，获得第一翻拍概率；

翻拍图像确定模块512，用于当第一翻拍概率达到概率阈值时，则待识别图像为翻拍图像。

在一个实施例中，特征值提取模块506还用于：将哈尔特征图均分为多个子哈尔特征图块；分别对各子哈尔特征图块均分为多个像素块；在各像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；若是，则将非中心像素点的灰度值设置为第一数值；若否，则将非中心像素点的灰度值设置为第二数值；对设置灰度值后各像素块中的非中心像素点的灰度值进行加权求和；将加权求和的结果作为各像素块的lbp特征值。

在一个实施例中，计算模块508还用于：对各子哈尔特征图块中的lbp特征值，按照大小顺序进行排序；将排序后各子哈尔特征图块中的lbp特征值，按照预设步长均匀分成多个特征值范围；计算归属于各特征值范围内lbp特征值的统计概率。

在一个实施例中，如图6所示，该装置还包括：请求生成模块514、发送模块516、接收模块518、权重获取模块520和加权模块522，其中：

请求生成模块514，用于生成携带有待识别图像的图像复核请求；

发送模块516，用于将图像复核请求发送至复核人账号；

接收模块518，用于接收到复核人账号发送的、针对图像复核请求的反馈信息；反馈信息携带有待识别图像为翻拍图像的第二翻拍概率；

权重获取模块520，用于获取机器识别所对应的第一权重和复核人识别所对应的第二权重；

加权模块522，用于分别按照第一权重和第二权重，对第一翻拍概率和第二翻拍概率进行加权求和，得到翻拍概率的加权和；

翻拍图像确定模块512还用于当加权和大于或等于预设加权和时，最终确定待识别图像为翻拍图像。

在一个实施例中，装置还包括：调整模块524，其中：

图像获取模块502还用于获取待识别样本图，对待识别样本图进行标注，获得包含标签的待识别样本图；标签用于表示待识别样本图是否为翻拍图像；

特征图生成模块504还用于根据包含标签的待识别样本图生成对应的哈尔特征样本图；

特征值提取模块506还用于从哈尔特征样本图中提取lbp特征样本值；

计算模块508还用于计算lbp特征样本值在各预设特征值范围内的统计概率样本；

处理模块510还用于将统计概率样本输入神经网络模型，通过神经网络模型对统计概率样本进行识别处理，获得第三翻拍概率；

调整模块524，用于对比第三翻拍概率与标签之间的差异，调整神经网络模型的参数。

在一个实施例中，调整模块524还用于：确定第三翻拍概率与标签之间的误差；将误差反向传播到神经网络模型的网络层，获得各网络层参数的梯度；根据所获得的梯度调整神经网络模型中各网络层的参数。

上述实施例中，根据获取的待识别图像生成哈尔特征图，从哈尔特征图中提取lbp特征值，从而得到待识别图像的局部纹理特征。计算lbp特征值在各预设特征值范围内的统计概率，将该lbp特征值的统计概率输入神经网络模型，通过神经网络模型可以确定待识别图像是否为翻拍图像，从而避免待识别图像为翻拍电脑或手机等设备的显示屏上所展示的图片所得，从而确保图像的真实性，避免了第三方使用翻拍图像导致用户信息出现安全隐患。

关于翻拍图像识别装置的具体限定可以参见上文中对于翻拍图像识别方法的限定，在此不再赘述。上述翻拍图像识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待识别图像和待识别样本图等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种翻拍图像识别方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待识别图像；根据待识别图像生成对应的哈尔特征图；从哈尔特征图中提取局部二值模式lbp特征值；计算lbp特征值在各预设特征值范围内的统计概率；将lbp特征值的统计概率输入神经网络模型，通过神经网络模型对lbp特征值的统计概率进行识别处理，获得第一翻拍概率；当第一翻拍概率达到概率阈值时，则待识别图像为翻拍图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将哈尔特征图均分为多个子哈尔特征图块；分别对各子哈尔特征图块均分为多个像素块；在各像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；若是，则将非中心像素点的灰度值设置为第一数值；若否，则将非中心像素点的灰度值设置为第二数值；对设置灰度值后各像素块中的非中心像素点的灰度值进行加权求和；将加权求和的结果作为各像素块的lbp特征值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对各子哈尔特征图块中的lbp特征值，按照大小顺序进行排序；将排序后各子哈尔特征图块中的lbp特征值，按照预设步长均匀分成多个特征值范围；计算归属于各特征值范围内lbp特征值的统计概率。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：生成携带有待识别图像的图像复核请求；将图像复核请求发送至复核人账号；接收到复核人账号发送的、针对图像复核请求的反馈信息；反馈信息携带有待识别图像为翻拍图像的第二翻拍概率；获取机器识别所对应的第一权重和复核人识别所对应的第二权重；分别按照第一权重和第二权重，对第一翻拍概率和第二翻拍概率进行加权求和，得到翻拍概率的加权和；当加权和大于或等于预设加权和时，最终确定待识别图像为翻拍图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待识别样本图，对待识别样本图进行标注，获得包含标签的待识别样本图；标签用于表示待识别样本图是否为翻拍图像；根据包含标签的待识别样本图生成对应的哈尔特征样本图；从哈尔特征样本图中提取lbp特征样本值；计算lbp特征样本值在各预设特征值范围内的统计概率样本；将统计概率样本输入神经网络模型，通过神经网络模型对统计概率样本进行识别处理，获得第三翻拍概率；对比第三翻拍概率与标签之间的差异，调整神经网络模型的参数。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定第三翻拍概率与标签之间的误差；将误差反向传播到神经网络模型的网络层，获得各网络层参数的梯度；根据所获得的梯度调整神经网络模型中各网络层的参数。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待识别图像；根据待识别图像生成对应的哈尔特征图；从哈尔特征图中提取局部二值模式lbp特征值；计算lbp特征值在各预设特征值范围内的统计概率；将lbp特征值的统计概率输入神经网络模型，通过神经网络模型对lbp特征值的统计概率进行识别处理，获得第一翻拍概率；当第一翻拍概率达到概率阈值时，则待识别图像为翻拍图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将哈尔特征图均分为多个子哈尔特征图块；分别对各子哈尔特征图块均分为多个像素块；在各像素块中，判断非中心像素点的灰度值是否大于中心像素点的灰度值；若是，则将非中心像素点的灰度值设置为第一数值；若否，则将非中心像素点的灰度值设置为第二数值；对设置灰度值后各像素块中的非中心像素点的灰度值进行加权求和；将加权求和的结果作为各像素块的lbp特征值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对各子哈尔特征图块中的lbp特征值，按照大小顺序进行排序；将排序后各子哈尔特征图块中的lbp特征值，按照预设步长均匀分成多个特征值范围；计算归属于各特征值范围内lbp特征值的统计概率。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：生成携带有待识别图像的图像复核请求；将图像复核请求发送至复核人账号；接收到复核人账号发送的、针对图像复核请求的反馈信息；反馈信息携带有待识别图像为翻拍图像的第二翻拍概率；获取机器识别所对应的第一权重和复核人识别所对应的第二权重；分别按照第一权重和第二权重，对第一翻拍概率和第二翻拍概率进行加权求和，得到翻拍概率的加权和；当加权和大于或等于预设加权和时，最终确定待识别图像为翻拍图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待识别样本图，对待识别样本图进行标注，获得包含标签的待识别样本图；标签用于表示待识别样本图是否为翻拍图像；根据包含标签的待识别样本图生成对应的哈尔特征样本图；从哈尔特征样本图中提取lbp特征样本值；计算lbp特征样本值在各预设特征值范围内的统计概率样本；将统计概率样本输入神经网络模型，通过神经网络模型对统计概率样本进行识别处理，获得第三翻拍概率；对比第三翻拍概率与标签之间的差异，调整神经网络模型的参数。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定第三翻拍概率与标签之间的误差；将误差反向传播到神经网络模型的网络层，获得各网络层参数的梯度；根据所获得的梯度调整神经网络模型中各网络层的参数。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。