检测身份证图像信息篡改的方法、系统、存储介质及装置与流程

本发明涉及图像技术领域，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。

背景技术：

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，本发明人提出了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。

技术实现要素：

鉴于以上所述现有技术的缺点，本发明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，本发明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。

于本发明的一实施例中，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。

于本发明的一实施例中，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。

于本发明的一实施例中，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和第六向量；将所述第五向量和所述第六向量首尾拼接形成第三总向量；将所述第三总向量输入预设的第二全连接网络获取所述第三概率值。

于本发明的一实施例中，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；将所述第二预设尺寸的身份证图像img_43通过第七卷积层卷积计算获得第七特征图img_57，将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通过第八卷积层卷积计算获得第八特征图img_58；将所述第七特征图img_57和所述第八征图img_58通过多维向量一维化的操作进行向量化获得第七向量和第八向量；将所述第七向量和所述第八向量首尾拼接形成第四总向量；将所述第四总向量输入预设的第二全连接网络获取所述第四概率值。

于本发明的一实施例中，所述第一预设滤波器采用拉普拉斯算子，所述第二预设滤波器采用边缘检测算子。

于本发明的一实施例中，所述将所述第一概率值、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包括以下步骤：将所述第一概率值、第二概率值、第三概率值和第四概率值进行拼接获取特征向量；将所述特征向量输入预设的概率模型获取总概率值。

为实现上述目的，本发明还提供一种检测身份证图像信息篡改的系统，包括：图像获取模块、去噪模块、滤波模块、概率获取模块和判断篡改模块；所述图像获取模块用于获取待鉴定的身份证图像img_1；所述去噪模块用于对所述身份证图像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；所述滤波模块用于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；所述概率获取模块用于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；所述判断篡改模块用于将所述第一概率值、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。

为实现上述目的，本发明还提供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任一上述检测身份证图像信息篡改的方法。

为实现上述目的，本发明还提供一种检测身份证图像信息篡改的装置，包括：处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述检测身份证图像信息篡改的装置执行任一上述的检测身份证图像信息篡改的方法。

如上所述，本发明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，具有以下有益效果：能够在因加密、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的情况下识别身份证图像是否被篡改。

附图说明

图1a显示为rgb-n算法于一实施例中的网络架构图；

图1b显示为本发明的检测身份证图像信息篡改的方法于一实施例中的流程图；

图1c显示为本发明的检测身份证图像信息篡改的方法的第一双路模型于一实施例中的网络结构图；

图1d显示为本发明的检测身份证图像信息篡改的方法的第二双路模型于一实施例中的网络结构图；

图1e显示为本发明的检测身份证图像信息篡改的方法的第三双路模型于一实施例中的网络结构图；

图1f显示为本发明的检测身份证图像信息篡改的方法的第四双路模型于一实施例中的网络结构图；

图1g显示为本发明的检测身份证图像信息篡改的方法于又一实施例中的流程图；

图2显示为本发明的检测身份证图像信息篡改的系统于一实施例中的结构示意图；

图3显示为本发明的检测身份证图像信息篡改的装置于一实施例中的结构示意图。

元件标号说明

21图像获取模块

22去噪模块

23滤波模块

24概率获取模块

25判断篡改模块

31处理器

32存储器

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，故图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本发明的检测身份证图像信息篡改的方法、系统、存储介质及装置，能够在因加密、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的情况下识别身份证图像是否被篡改。

如图1所示，于一实施例中，本发明的检测身份证图像信息篡改的方法，包括以下步骤：

步骤s11、获取待鉴定的身份证图像img_1。

具体地，身份证数据库里获取待鉴定的身份证图像img_1。

步骤s12、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。

具体地，对身份证图像img_1进行身份证区域检测，定位身份证在图像中的位置后获取身份证区域的图像信息，从而去除不相关的背景噪声。因为所述身份证图像img_1可能除了身份证图像还包括背景，比如身份证放在桌子上拍摄，将桌面也拍摄进去，那么桌面就是不相关的背景噪声。具体的对身份证图像img_1进行身份证区域检测，定位身份证在图像中的位置后获取身份证区域的图像信息，从而去除不相关的背景噪声包括：通过事先对身份证图像进行身份证位置信息的标注，然后通过利用目标检测算法例如：fasterr-cnn进行模型的训练，生成一个检测身份证图像中身份证的目标检测模型简称身份证目标检测模型，再通过将身份证图像img_1输入到所述身份证目标检测模型输出去噪后的身份证图像img_2。这样去除背景噪声的情况就不受场景的控制，即为非受控场景指的是任何场景都可以。

步骤s13、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。

具体地，所述第一预设滤波器采用拉普拉斯算子，所述第二预设滤波器采用边缘检测算子(sobel算子)。

所述拉普拉斯算子拉普拉斯算子是一个n维欧氏空间中的一个二阶微分算子，公式如下：

▽²f＝f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)其中kernel大小为3*3时的滤波矩阵如下：

sobel算子如下：

sobel算子有两个滤波矩阵分别是gx和gy，其中gx计算x轴的梯度，gy计算y轴的梯度。下面是具体的滤波器：

其中a表示身份证图像。

所述第一预设尺寸为224*224(单位像素)，所述第二预设尺寸为199*199(单位像素)。这样身份证图像就成为较小尺寸的图像从而模拟因加密、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的情况下的身份证图像。

步骤s14、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。

具体地，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。具体地，所述第一双路模型为resnet50_v1模型，resnet50是现有的网络结构，resnet由微软研究院的kaiminghe等4名华人提出，通过使用residualunit成功训练152层深的神经网络。而resnet50就是50层的resnet，resnet34就是34层的resnet。所述第一卷积层为resnet50_rgbv1卷积层，也就是没经过滤波器处理过的图像通过resnet50进行卷积的卷积层。所述第二卷积层为resnet50_edgev1卷积层，也就是经过滤波器处理过的图像通过resnet50进行卷积的卷积层，所述第一特征图img_51、第二特征图img_52都为多维矩阵。所述第一全连接网络为第一全连接网络。

其中这里的第一双路模型为双路resnet50_v1模型、第二双路模型为双路resnet34_v1模型、第三双路模型为双路resnet34_v2模型和第四双路模型为双路resnet34_v3模型是为了通过多模型融合的思想解决因负样本数少，导致出现样本不平衡现象所设计的。通过将白样本随机分为四份与负样本进行组合生成四个数据集分别为id_dataset1、id_dataset2、id_dataset3和id_dataset4在分别给双路resnet50_v1网络、双路resnet34_v1网络、双路resnet34_v2网络和双路resnet34_v3网络进行训练最后得到对应的双路resnet50_v1模型、双路resnet34_v1模型、双路resnet34_v2模型和双路resnet34_v3模型。而resnet50_v1网络由于训练成为了双路resnet50_v1模型，所述双路resnet50_v1模型由于训练获得了第一卷积层为resnet50_rgbv1卷积层和第二卷积层为resnet50_edgev1卷积层。而双路resnet34_v1网络由于训练成为了双路resnet34_v1模型，所述双路resnet34_v1模型由于训练获得了第三卷积层为resnet34_rgbv1卷积层和第四卷积层为resnet34_edgev1卷积层。而双路resnet34_v2网络由于训练成为了双路resnet34_v2模型，所述双路resnet34_v2模型由于训练获得了第五卷积层为resnet34_rgbv2卷积层和第六卷积层为resnet34_edgev2卷积层。而双路resnet34_v3网络由于训练成为了双路resnet34_v3模型，所述双路resnet34_v3模型由于训练获得了第七卷积层为resnet34_rgbv3卷积层和第八卷积层为resnet34_edgev3卷积层。

双路resnet50_v1网络结构图如图1c所示，分为去噪层、滤波层、缩放层、主干网络层、转换向量层、向量拼接层和全连接层。其中去噪层是利用已经训练好的检测图像中身份证的目标检测模型进行身份证区域的提取，滤波层是利用拉普拉斯算子进行滤波，缩放层是对图像进行224*224的缩放，主干网络层是一个双路的卷积网络，其中卷积网络是引用resnet50的卷积网络作为双路resnet50_v1网络的主干网络，所述resnet50的卷积网络的原有卷积层为resnet50卷积层和resnet50卷积层即resnet50的卷积网络自带的卷积层，而resnet50_v1网络由于训练成为了双路resnet50_v1模型，所述双路resnet50_v1模型由于训练获得了第一卷积层为resnet50_rgbv1卷积层和第二卷积层为resnet50_edgev1卷积层。转换向量层是通过将特征图压平进行多维向量一维化的操作进行向量化，向量拼接层是将两个向量进行首尾拼接形成一个新的向量，全连接层是只有一层且含有softmax激活函数的全连接网络。

双路resnet34_v1网络结构图如图1d所示，分为去噪层、滤波层、缩放层、主干网络层、转换向量层、向量拼接层和全连接层。其中去噪层是利用已经训练好的检测图像中身份证的目标检测模型进行身份证区域的提取，滤波层是利用拉普拉斯算子进行滤波，缩放层是对图像进行224*224的缩放，主干网络层是一个双路的卷积网络，其中卷积网络是引用resnet34的卷积网络作为双路resnet34_v1网络的主干网络，所述resnet34的卷积网络原有的卷积层resnet34卷积层和resnet34卷积层即resnet34的卷积网络自带的卷积层，双路resnet34_v1网络由于训练成为了双路resnet34_v1模型，所述双路resnet34_v1模型由于训练获得了第三卷积层为resnet34_rgbv1卷积层和第四卷积层为resnet34_edgev1卷积层。转换向量层是通过将特征图压平进行多维向量一维化的操作进行向量化，向量拼接层是将两个向量进行首尾拼接形成一个新的向量，全连接层是只有一层且含有softmax激活函数的全连接网络。

双路resnet34_v2网络结构图如图1e所示，分为去噪层、滤波层、缩放层、主干网络层、转换向量层、向量拼接层和全连接层。其中去噪层是利用已经训练好的检测图像中身份证的目标检测模型进行身份证区域的提取，滤波层是利用拉普拉斯算子进行滤波，缩放层是对图像进行199*199的缩放，主干网络层是一个双路的卷积网络，其中卷积网络是引用resnet34的卷积网络作为双路resnet34_v2网络的主干网络，所述resnet34的卷积网络原有的卷积层resnet34卷积层和resnet34卷积层即resnet34的卷积网络自带的卷积层，而双路resnet34_v2网络由于训练成为了双路resnet34_v2模型，所述双路resnet34_v2模型由于训练获得了第五卷积层为resnet34_rgbv2卷积层和第六卷积层为resnet34_edgev2卷积层。转换向量层是通过将特征图压平进行多维向量一维化的操作进行向量化，向量拼接层是将两个向量进行首尾拼接形成一个新的向量，全连接层是由一层含有relu激活函数的全连接网络、一层具有随机抛弃40％的神经元功能的全连接网络以及一层含有softmax激活函数的全连接网络所组成。而如图1d所示、如图1e所示尽管都采用相同的主干网络层是一个双路的卷积网络，其中卷积网络是引用resnet34的卷积网络作为双路resnet34_v2网络或双路resnet34_v1网络的主干网络，但是由于滤波层是利用的算子不同，缩放层的缩放也不同，以及后续采用的全连接网络的不同，会训练生成不同的双路resnet34_v2模型或双路resnet34_v1模型。

双路resnet34_v4网络结构图如图1f所示，分为去噪层、滤波层、缩放层、主干网络层、转换向量层、向量拼接层和全连接层。其中去噪层是利用已经训练好的检测图像中身份证的目标检测模型进行身份证区域的提取，滤波层是利用sobel算子进行滤波，缩放层是对图像进行199*199的缩放，主干网络层是一个双路的卷积网络，其中卷积网络是引用resnet34的卷积网络作为双路resnet34_v4网络的主干网络，所述resnet34的卷积网络原有的卷积层resnet34卷积层和resnet34卷积层即resnet34的卷积网络自带的卷积层，而双路resnet34_v3网络由于训练成为了双路resnet34_v3模型，所述双路resnet34_v3模型由于训练获得了第七卷积层为resnet34_rgbv3卷积层和第八卷积层为resnet34_edgev3卷积层。转换向量层是通过将特征图压平进行多维向量一维化的操作进行向量化，向量拼接层是将两个向量进行首尾拼接形成一个新的向量，全连接层是由一层含有relu激活函数的全连接网络、一层具有随机抛弃40％的神经元功能的全连接网络以及一层含有softmax激活函数的全连接网络所组成。

具体地，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。具体地，所述第二双路模型为双路resnet34_v1模型，resnet34是现有的网络结构。所述第三卷积层为resnet34_rgbv1卷积层和第四卷积层为resnet34_edgev1卷积层。所述第三特征图img_53、第四特征图img_54都为多维矩阵。所述第一全连接网络为只有一层且含有softmax激活函数的全连接网络。

具体地，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和第六向量；将所述第五向量和所述第六向量首尾拼接形成第三总向量；将所述第三总向量输入预设的第二全连接网络获取所述第三概率值。具体地，第三双路模型为双路resnet34_v2模型，resnet34是现有的网络结构。第五卷积层为resnet34_rgbv2卷积层和第六卷积层为resnet34_edgev2卷积层。所述第五特征图img_55和所述第六特征图img_56为多维矩阵。所述第二全连接层是由一层含有relu激活函数的全连接网络、一层具有随机抛弃40％的神经元功能的全连接网络以及一层含有softmax激活函数的全连接网络所组成。

具体地，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；将所述第二预设尺寸的身份证图像img_43通过第七卷积层卷积计算获得第七特征图img_57，将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通过第八卷积层卷积计算获得第八特征图img_58；将所述第七特征图img_57和所述第八征图img_58通过多维向量一维化的操作进行向量化获得第七向量和第八向量；将所述第七向量和所述第八向量首尾拼接形成第四总向量；将所述第四总向量输入预设的第二全连接网络获取所述第四概率值。具体的，第四双路模型为双路resnet34_v3模型，resnet34是现有的网络结构。第七卷积层为resnet34_rgbv3卷积层和第八卷积层为resnet34_edgev3卷积层。所述第七特征图img_57和所述第八征图img_58为多维矩阵。所述第二全连接层是由一层含有relu激活函数的全连接网络、一层具有随机抛弃40％的神经元功能的全连接网络以及一层含有softmax激活函数的全连接网络所组成。

步骤s15、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。

具体地，将所述第一概率值、第二概率值、第三概率值和第四概率值进行拼接获取特征向量；将所述特征向量输入支持向量机(svm分类器)获取总概率值，该svm分类器也就是概率模型是由预训练的支持向量机生成，即为所述预设的概率模型，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。当所述总概率值高于所述阈值时所述待鉴定的身份证图像img_1是否存在篡改，否则就认为所述待鉴定的身份证图像img_1不存在篡改行为。

如图2所示，于一实施例中，本发明的检测身份证图像信息篡改的系统，包括图像获取模块21、去噪模块22、滤波模块23、概率获取模块24和判断篡改模块25；

所述图像获取模块21用于获取待鉴定的身份证图像img_1。

所述去噪模块22用于对所述身份证图像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。

所述滤波模块23用于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。

所述概率获取模块24用于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。

所述判断篡改模块25用于将所述第一概率值、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。

需要说明的是，图像获取模块21、去噪模块22、滤波模块23、概率获取模块24和判断篡改模块25的结构和原理与上述检测身份证图像信息篡改的方法中的步骤一一对应，故在此不再赘述。

需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(applicationspecificintegratedcircuit，简称asic)，或，一个或多个微处理器(digitalsingnalprocessor，简称dsp)，或，一个或者多个现场可编程门阵列(fieldprogrammablegatearray，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessingunit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。

于本发明一实施例中，本发明还包括一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一所述检测身份证图像信息篡改的方法。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

如图3所示，于一实施例中，本发明的检测身份证图像信息篡改的装置包括：处理器31和存储器32；所述存储器32用于存储计算机程序；所述处理器31与所述存储器32相连，用于执行所述存储器32存储的计算机程序，以使所述检测身份证图像信息篡改的装置执行任一所述的检测身份证图像信息篡改的方法。

具体地，所述存储器32包括：rom、ram、磁碟、u盘、存储卡或者光盘等各种可以存储程序代码的介质。

优选地，所述处理器31可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessor，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(fieldprogrammablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

综上所述，本发明检测身份证图像信息篡改的方法、系统、存储介质及装置，在金融、电信等行业提交身份证照片进行实名认证的场景中，模型的高覆盖度能更加全面的识别通过恶意篡改伪造身份证照片的虚假申请，防范风险；模型的高精准度，能够帮助上述行业提升审核流程的自动化水平，降低人工审核和判别成本；能够帮助支付机构做好反洗钱的kyc/kyb工作，满足监管要求，防范合规风险。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。