证件真伪验证方法、装置、计算机设备和存储介质与流程
本申请涉及图像识别技术领域，特别是涉及一种证件真伪验证方法、装置、计算机设备和存储介质。
背景技术：
传统的识别证件篡改方法是通过ocr(opticalcharacterrecognition，光学字符识别)识别身份证件的基本信息，然后通过身份证编号来判断身份证是否被篡改，或者通过历史数据和当前证件之间差值的方法来判断身份证是否被篡改。
但是，这两种情况只能适应不法分子在光照均匀的情况下修改身份证的文字信息，如果被修改的身份证件中的文字区域内容和真实证件内容一致，ocr将不能辨别证件的真实性。另外，由于拍摄角度和光照会对差值方法产生噪声，会将真实的身份证误认为被篡改。因此，传统的方法不能有效地判断证件的真伪。
技术实现要素：
基于此，有必要针对上述传统技术不能有效地判断证件的真伪问题，提供一种能够有效地判断证件真伪的证件真伪验证方法、装置、计算机设备和存储介质。
为了实现上述目的，一方面，本申请实施例提供了一种证件真伪验证方法，所述方法包括：
获取待识别的证件图像，并识别证件图像的类型；
根据证件图像的类型，提取证件图像的边缘特征；
基于证件图像的边缘特征，采用深度学习神经网络模型预测证件图像的真伪，得到证件图像的真伪预测结果；
获取当前拍摄的人脸图像，并计算人脸图像与证件图像的相似度；
根据相似度以及证件图像的真伪预测结果，确定证件图像是否被篡改。
在其中一个实施例中，根据证件图像的类型，提取证件图像的边缘特征，包括：定位证件图像中的人脸位置，根据证件图像的类型和人脸位置对证件图像进行分割，得到分割后的多个区域；分别提取多个区域的局部边缘特征，并对多个区域的局部边缘特征进行特征融合，得到证件图像的边缘特征。
在其中一个实施例中，定位证件图像中的人脸位置，并根据证件图像的类型和人脸位置对证件图像进行分割，得到分割后的多个区域，包括：通过人脸定位检测网络定位证件图像中的人脸位置，根据人脸位置对证件图像进行归一化处理；根据证件图像的类型以及人脸位置对归一化后的证件图像进行分割，得到分割后的人脸区域、文字区域和非文字区域。
在其中一个实施例中，分别提取多个区域的局部边缘特征，并对多个区域的局部边缘特征进行特征融合，得到证件图像的边缘特征，包括：采用第一神经网络分别提取人脸区域、文字区域以及非文字区域的局部边缘特征；通过第二神经网络对所述人脸区域、文字区域以及非文字区域的局部边缘特征进行特征融合，生成证件图像的边缘特征。
在其中一个实施例中，深度学习神经网络模型的生成方法包括：获取样本证件图像数据集，其中，样本证件图像数据集包括训练数据集和测试数据集；利用训练数据集训练支持向量机直至达到迭代次数；采用测试数据集对训练后的支持向量机进行验证，得到支持向量机的预测准确率，当预测准确率达到第一阈值时，得到深度学习神经网络模型。
在其中一个实施例中，训练数据集中的每一个样本证件图像包括是否为篡改图像的标签；则利用训练数据集训练支持向量机直至达到迭代次数，包括：提取训练数据集中每一个样本证件图像的样本边缘特征；根据样本证件图像的样本边缘特征以及对应的标签训练支持向量机，直至达到迭代次数时停止训练。
在其中一个实施例中，证件图像的真伪预测结果包括证件图像为疑似未篡改证件或疑似被篡改证件；则根据相似度以及证件图像的真伪预测结果，确定证件图像是否被篡改，包括：当证件图像的真伪预测结果为疑似被篡改证件时，若相似度小于第二阈值时，则确定证件图像为篡改证件，若相似度不小于第二阈值时，则确定证件图像为疑似篡改证件；当证件图像的真伪预测结果为疑似未篡改证件时，若相似度不小于第二阈值时，则确定证件图像为未篡改证件，若相似度小于第二阈值时，则确定证件图像为疑似篡改证件。
另一方面，本申请实施例提供了一种证件真伪验证装置，所述装置包括：
证件类型识别模块，用于获取待识别的证件图像，并识别证件图像的类型；
特征提取模块，用于根据证件图像的类型，提取证件图像的边缘特征；
真伪预测模块，用于基于证件图像的边缘特征，采用深度学习神经网络模型预测证件图像的真伪，得到证件图像的真伪预测结果；
相似度计算模块，用于获取当前拍摄的人脸图像，并计算人脸图像与证件图像的相似度；
验证模块，用于根据相似度以及证件图像的真伪预测结果，确定证件图像是否被篡改。
又一方面，本申请实施例提供了一种计算机设备，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如上所述方法的步骤。
又一方面，本申请实施例提供了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如上所述方法的步骤。
上述证件真伪验证方法、装置、计算机设备和存储介质，通过识别证件图像的类型，并根据证件图像的类型提取对应的边缘特征，基于证件图像的边缘特征，采用深度学习神经网络模型预测证件图像的真伪，得到证件图像的真伪预测结果，并获取当前拍摄的人脸图像，计算人脸图像与证件图像的相似度，进而根据相似度以及该证件图像的真伪预测结果，确定证件图像是否被篡改，从而完成对证件图像的验证，能够有效地保障证件验证的准确性。
附图说明
图1为一个实施例中证件真伪验证方法的应用环境图；
图2为一个实施例中证件真伪验证方法的流程示意图；
图3为一个实施例中边缘特征提取步骤的流程示意图；
图4为一个实施例中深度学习神经网络模型的生成步骤的流程示意图；
图5为一个实施例中证件真伪验证装置的结构框图；
图6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。
本申请提供的证件真伪验证方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信，终端102可以是各种具有图像采集或存储功能的设备，如可以但不限于各种智能手机、平板电脑、相机和便携式图像采集设备，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。具体的，终端102用于采集或存储证件图像，并将采集的证件图像通过网络发送至服务器104，当然证件图像也可以预先存储在服务器104中。服务器104则识别证件图像的类型，并根据证件图像的类型提取对应的边缘特征，基于证件图像的边缘特征，采用深度学习神经网络模型预测证件图像的真伪，得到证件图像的真伪预测结果，并获取当前拍摄的人脸图像，计算人脸图像与证件图像的相似度，进而根据相似度以及该证件图像的真伪预测结果，确定证件图像是否被篡改，从而完成对证件图像的验证，能够有效地保障证件验证的准确性。
在一个实施例中，如图2所示，提供了一种证件真伪验证方法，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：
步骤202，获取待识别的证件图像，并识别证件图像的类型。
其中，待识别的证件图像是指需要进行真伪验证的证件图像。例如，用户在线上或线下办理金融业务或其他需要使用个人证件的业务时，首先需要验证用户个人证件的真伪。在本实施例中，待识别的证件图像可以是在用户办理业务过程中采集的用户个人证件的图像。具体的，本实施例中采集的待识别的证件图像可以通过分布式平台进行传递或存储，当获取到待识别的证件图像后，则可以采用基于浅层神经网络的分类模型进一步识别该证件图像的类型，其中，证件图像的类型包括但不限于身份证、护照等类型。
步骤204，根据证件图像的类型，提取证件图像的边缘特征。
其中，边缘特征是指图像中具有明显变化的边缘或者不连续的区域，通常边缘是一幅图像中不同区域之间的边界线，而提取边缘特征的目的是捕捉亮度急剧变化的区域。具体的，由于不同的证件类型，其文字、图像的排列方式也不同，因此，在本实施例中，根据上述确定的证件图像的类型，采用计算机视觉技术提取该证件图像的边缘特征。
步骤206，基于证件图像的边缘特征，采用深度学习神经网络模型预测证件图像的真伪，得到证件图像的真伪预测结果。
其中，深度学习神经网络模型是对支持向量机进行训练后得到的，其用于根据证件图像的边缘特征对该证件图像中文字区域的真伪进行预测，从而得到对应证件图像的真伪预测结果。在本实施例中，证件图像的真伪预测结果包括该证件图像为疑似未篡改证件或疑似被篡改证件的结果。
步骤208，获取当前拍摄的人脸图像，并计算人脸图像与证件图像的相似度。
在本实施例中，为了有效地保障证件验证的准确性，则进一步获取当前办理业务的用户的人脸图像。可以理解的是，本实施例中的业务为实名业务，因此，上述采集的证件图像理论上应为当前办理业务的用户所有，从而通过计算人脸图像与证件图像的相似度，以便于后续根据相似度进一步对证件图像的真实性进行验证。
步骤210，根据相似度以及证件图像的真伪预测结果，确定证件图像是否被篡改。
由于相似度是对证件图像的人脸区域的真实性进行判断，而真伪预测结果是对证件图像的文字区域的真实性进行判断，因此，本实施例综合相似度以及证件图像的真伪预测结果，以确定证件图像是否被篡改。
上述证件真伪验证方法，通过识别证件图像的类型，并根据证件图像的类型提取对应的边缘特征，基于证件图像的边缘特征，采用深度学习神经网络模型预测证件图像的真伪，得到证件图像的真伪预测结果，并获取当前拍摄的人脸图像，计算人脸图像与证件图像的相似度，进而根据相似度以及该证件图像的真伪预测结果，确定证件图像是否被篡改，从而完成对证件图像的验证，能够有效地保障证件验证的准确性。
在一个实施例中，如图3所示，根据证件图像的类型，提取证件图像的边缘特征，具体可以包括如下步骤：
步骤302，定位证件图像中的人脸位置，根据证件图像的类型和人脸位置对证件图像进行分割，得到分割后的多个区域。
具体的，可以通过人脸定位检测网络定位证件图像中的人脸位置，并根据人脸位置对证件图像进行归一化处理，即将证件图像归一化为二值图像。进而根据证件图像的类型以及人脸位置调用对应的类型模板对归一化后的二值图像进行分割，得到分割后的多个分布式块状区域，如人脸区域、文字区域和非文字区域。其中，人脸定位检测网络可以采用多任务级联卷积神经网络(multi-taskcascadedconvolutionalnetworks，简称mtcnn)，其可以同时处理人脸检测以及人脸关键点定位。
步骤304，分别提取多个区域的局部边缘特征，并对多个区域的局部边缘特征进行特征融合，得到证件图像的边缘特征。
在本实施例中，采用第一神经网络分别提取人脸区域、文字区域以及非文字区域的局部边缘特征；通过第二神经网络对人脸区域、文字区域以及非文字区域的局部边缘特征进行特征融合，生成证件图像的边缘特征。其中，第一神经网络具体可以采用深度神经网络vgg-16(visualgeometrygroupnetwork，视觉几何群网络)实现，第二神经网络具体可以采用长短记忆神经网络实现。
具体的，深度神经网络vgg-16具有类似核为9*9卷积层(conv)、激活层(relu)、核为2*2池化层(pool)、核为3*3卷积层(conv)、激活层(relu)、核为2*2池化层(pool)、全连接层(fc)，其中卷积层存在两个函数f(x)和g(x),其卷积运算(f*g)(n)是指对f(x)g(y)这样的乘积进行求和。激活层是由激活函数f(x)＝max(0,x)构成，激活层用于提高网络稀疏性，从而加强网络的泛化能力。池化层用于特征图进行压缩，核为2*2池化层是对每一个2*2的区域元素求和，然后再除以4。池化层的作用是降低训练模型泛化能力。全连接层用于将多维数据转换到一维数组上。而长短记忆神经网络又分为输入门、遗忘门、输出门三种状态，通过遗忘门可以弱化文字特征和证件上人脸特征，从而增强网络的通用性。因此，将分割后的块状区域通过上述网络处理后，提取成长度为n的一维边缘特征，即证件图像的边缘特征。
在一个实施例中，如图4所示，深度学习神经网络模型的生成方法包括如下步骤：
步骤402，获取样本证件图像数据集，样本证件图像数据集包括训练数据集和测试数据集。
由于深度学习神经网络模型是对支持向量机进行训练后得到的，因此，首先需要获取对支持向量机进行训练的样本证件图像数据集。而样本证件图像数据集又包括用于支持向量机学习的训练数据集和用于对支持向量机进行验证的测试数据集。具体的，训练数据集可以是75％～85％的样本证件图像数据集中的数据，测试数据集则可以是15％～25％％的样本证件图像数据集中的数据，训练数据集用于训练支持向量机，测试数据集用于验证支持向量机的测试效果。在本实施例中，训练数据集和测试数据集中的每一个样本证件图像都包括是否为篡改图像的标签，例如可以将被篡改的证件标签设为-1，没有被篡改过的证件标签设为1。
步骤404，利用训练数据集训练支持向量机直至达到迭代次数。
具体的，可以采用如图3所示的方法提取训练数据集中每一个样本证件图像的样本边缘特征，然后根据样本证件图像的样本边缘特征以及对应的标签训练支持向量机，即样本证件图像的样本边缘特征作为支持向量机的输入的自变量，对应的标签作为支持向量机的输出的因变量，使其在不断的迭代学习中更新模型参数，直至达到迭代次数时停止训练，使得支持向量机可以学习到被篡改的证件的边缘特征和没有被篡改过的证件的边缘特征，以提高对证件真伪的辨别能力。
步骤406，采用测试数据集对训练后的支持向量机进行验证，得到支持向量机的预测准确率，当预测准确率达到第一阈值时，得到深度学习神经网络模型。
具体的，在通过上述步骤对支持向量机进行训练后，进一步可以采用测试数据集中的样本证件图像对训练后的支持向量机进行验证，从而得到支持向量机的预测准确率，通过预测准确率可以对支持向量机的预测效果进行评估，即预测准确率越高，其预测效果则越好。在本实施例中，当预测准确率达到第一阈值时，则模型收敛，从而得到深度学习神经网络模型，当预测准确率没有达到第一阈值时，则重复上述步骤继续对支持向量机进行训练，使得模型收敛。其中，第一阈值可以根据实际需要进行设定，第一阈值设置得越高，得到的预测结果越准确。例如，可以是70％～100％中的任意范围，本申请并不对此进行限定。
在一个实施例中，证件图像的真伪预测结果包括证件图像为疑似未篡改证件或疑似被篡改证件；则根据相似度以及证件图像的真伪预测结果，确定证件图像是否被篡改，具体包括：当证件图像的真伪预测结果为疑似被篡改证件时，且相似度小于第二阈值时，则确定证件图像为篡改证件，若相似度不小于第二阈值时，则确定证件图像为疑似篡改证件；当证件图像的真伪预测结果为疑似未篡改证件时，若相似度不小于所述第二阈值时，则确定证件图像为未篡改证件，若相似度小于所述第二阈值时，则确定证件图像为疑似篡改证件。其中，第二阈值可以根据实际需要进行设定，第二阈值设置得越高，得到的验证结果的准确度越高。
具体的，举例来说，采用如图3所示的方法提取待识别的证件图像的边缘特征，基于该边缘特征，采用图4所示的方法训练得到的深度学习神经网络模型(以下简称预测模型)预测该证件图像的真伪。其中，深度学习神经网络模型的目标函数为
通过上述提取的边缘特征，采用特征判别函数进行计算，从而得到对应的计算结果，具体的，若计算结果小于零，则定义对应的证件图像为疑似被篡改证件，若计算结果大于零，则定义对应的证件图像为疑似未篡改证件，以得到对证件图像的真伪预测结果。
为了进一步对证件图像中的人脸区域进行验证，在本实施例中，通过开源的dlib人脸识别代码，计算当前证件图像中人脸区域和设备拍摄的当前用户的人脸图像之间的相似度，具体的，若当前证件图像的真伪预测结果为疑似被篡改证件时，且其对应的人脸相似度小于0.6，则确定当前证件图像为篡改证件；若当前证件图像的真伪预测结果为疑似被篡改证件时，且其对应的人脸相似度不小于0.6时，则确定当前证件图像为疑似篡改证件；若当前证件图像的真伪预测结果为疑似未篡改证件时，且其对应的人脸相似度小于0.6时，则确定当前证件图像为疑似篡改证件；若当前证件图像的真伪预测结果为疑似未篡改证件时，且其对应的人脸相似度不小于0.6时，则确定当前证件图像为未篡改证件。
进一步的，在实际办理业务时，对于上述判定为篡改证件和未篡改证件的情况可以直接进行相应的处理，而对于上述判定为疑似篡改证件的情况则可以转由人工进行核对，从而极大的提高了证件验证的准确性以及验证效率。
应该理解的是，虽然图1-4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1-4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，提供了一种证件真伪验证装置，包括：证件类型识别模块501、特征提取模块502、真伪预测模块503、相似度计算模块504和验证模块505，其中：
证件类型识别模块501，用于获取待识别的证件图像，并识别证件图像的类型；
特征提取模块502，用于根据证件图像的类型，提取证件图像的边缘特征；
真伪预测模块503，用于基于证件图像的边缘特征，采用深度学习神经网络模型预测证件图像的真伪，得到证件图像的真伪预测结果；
相似度计算模块504，用于获取当前拍摄的人脸图像，并计算人脸图像与证件图像的相似度；
验证模块505，用于根据相似度以及证件图像的真伪预测结果，确定证件图像是否被篡改。
在一个实施例中，特征提取模块502包括定位单元和特征提取单元，其中，定位单元用于定位证件图像中的人脸位置，根据证件图像的类型和人脸位置对证件图像进行分割，得到分割后的多个区域；特征提取单元用于分别提取多个区域的局部边缘特征，并对多个区域的局部边缘特征进行特征融合，得到证件图像的边缘特征。
在一个实施例中，定位单元具体用于，通过人脸定位检测网络定位证件图像中的人脸位置，根据人脸位置对证件图像进行归一化处理；根据证件图像的类型以及人脸位置对归一化后的证件图像进行分割，得到分割后的人脸区域、文字区域和非文字区域。
在一个实施例中，特征提取单元具体用于，采用第一神经网络分别提取人脸区域、文字区域以及非文字区域的局部边缘特征；通过第二神经网络对人脸区域、文字区域以及非文字区域的局部边缘特征进行特征融合，生成证件图像的边缘特征。
在一个实施例中，深度学习神经网络模型包括：样本数据获取单元，用于获取样本证件图像数据集，其中，样本证件图像数据集包括训练数据集和测试数据集；训练单元，用于利用训练数据集训练支持向量机直至达到迭代次数；验证单元，用于采用测试数据集对训练后的支持向量机进行验证，得到支持向量机的预测准确率，当预测准确率达到第一阈值时，得到深度学习神经网络模型。
在一个实施例中，训练数据集中的每一个样本证件图像包括是否为篡改图像的标签；则训练单元具体用于：提取训练数据集中每一个样本证件图像的样本边缘特征；根据样本证件图像的样本边缘特征以及对应的标签训练支持向量机，直至达到迭代次数时停止训练。
在一个实施例中，证件图像的真伪预测结果包括证件图像为疑似未篡改证件或疑似被篡改证件；则验证模块505具体用于，当证件图像的真伪预测结果为疑似被篡改证件时，若相似度小于第二阈值时，则确定证件图像为篡改证件，若相似度不小于第二阈值时，则确定证件图像为疑似篡改证件；当证件图像的真伪预测结果为疑似未篡改证件时，若相似度不小于第二阈值时，则确定证件图像为未篡改证件，若相似度小于第二阈值时，则确定证件图像为疑似篡改证件。
关于证件真伪验证装置的具体限定可以参见上文中对于证件真伪验证方法的限定，在此不再赘述。上述证件真伪验证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6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样本证件图像数据集以及待识别的证件图像数据。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证件真伪验证方法。
本领域技术人员可以理解，图6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，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待识别的证件图像，并识别证件图像的类型；
根据证件图像的类型，提取证件图像的边缘特征；
基于证件图像的边缘特征，采用深度学习神经网络模型预测证件图像的真伪，得到证件图像的真伪预测结果；
获取当前拍摄的人脸图像，并计算人脸图像与证件图像的相似度；
根据相似度以及证件图像的真伪预测结果，确定证件图像是否被篡改。
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：定位证件图像中的人脸位置，根据证件图像的类型和人脸位置对证件图像进行分割，得到分割后的多个区域；分别提取多个区域的局部边缘特征，并对多个区域的局部边缘特征进行特征融合，得到证件图像的边缘特征。
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：通过人脸定位检测网络定位证件图像中的人脸位置，根据人脸位置对证件图像进行归一化处理；根据证件图像的类型以及人脸位置对归一化后的证件图像进行分割，得到分割后的人脸区域、文字区域和非文字区域。
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：采用第一神经网络分别提取人脸区域、文字区域以及非文字区域的局部边缘特征；通过第二神经网络对所述人脸区域、文字区域以及非文字区域的局部边缘特征进行特征融合，生成证件图像的边缘特征。
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：获取样本证件图像数据集，其中，样本证件图像数据集包括训练数据集和测试数据集；利用训练数据集训练支持向量机直至达到迭代次数；采用测试数据集对训练后的支持向量机进行验证，得到支持向量机的预测准确率，当预测准确率达到第一阈值时，得到深度学习神经网络模型。
在一个实施例中，训练数据集中的每一个样本证件图像包括是否为篡改图像的标签；则处理器执行计算机程序时还实现以下步骤：提取训练数据集中每一个样本证件图像的样本边缘特征；根据样本证件图像的样本边缘特征以及对应的标签训练支持向量机，直至达到迭代次数时停止训练。
在一个实施例中，证件图像的真伪预测结果包括证件图像为疑似未篡改证件或疑似被篡改证件；则处理器执行计算机程序时还实现以下步骤：当证件图像的真伪预测结果为疑似被篡改证件时，若相似度小于第二阈值时，则确定证件图像为篡改证件，若相似度不小于第二阈值时，则确定证件图像为疑似篡改证件；当证件图像的真伪预测结果为疑似未篡改证件时，若相似度不小于第二阈值时，则确定证件图像为未篡改证件，若相似度小于第二阈值时，则确定证件图像为疑似篡改证件。
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：
获取待识别的证件图像，并识别证件图像的类型；
根据证件图像的类型，提取证件图像的边缘特征；
基于证件图像的边缘特征，采用深度学习神经网络模型预测证件图像的真伪，得到证件图像的真伪预测结果；
获取当前拍摄的人脸图像，并计算人脸图像与证件图像的相似度；
根据相似度以及证件图像的真伪预测结果，确定证件图像是否被篡改。
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：定位证件图像中的人脸位置，根据证件图像的类型和人脸位置对证件图像进行分割，得到分割后的多个区域；分别提取多个区域的局部边缘特征，并对多个区域的局部边缘特征进行特征融合，得到证件图像的边缘特征。
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：通过人脸定位检测网络定位证件图像中的人脸位置，根据人脸位置对证件图像进行归一化处理；根据证件图像的类型以及人脸位置对归一化后的证件图像进行分割，得到分割后的人脸区域、文字区域和非文字区域。
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：采用第一神经网络分别提取人脸区域、文字区域以及非文字区域的局部边缘特征；通过第二神经网络对所述人脸区域、文字区域以及非文字区域的局部边缘特征进行特征融合，生成证件图像的边缘特征。
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：获取样本证件图像数据集，其中，样本证件图像数据集包括训练数据集和测试数据集；利用训练数据集训练支持向量机直至达到迭代次数；采用测试数据集对训练后的支持向量机进行验证，得到支持向量机的预测准确率，当预测准确率达到第一阈值时，得到深度学习神经网络模型。
在一个实施例中，训练数据集中的每一个样本证件图像包括是否为篡改图像的标签；则计算机程序被处理器执行时还实现以下步骤：提取训练数据集中每一个样本证件图像的样本边缘特征；根据样本证件图像的样本边缘特征以及对应的标签训练支持向量机，直至达到迭代次数时停止训练。
在一个实施例中，证件图像的真伪预测结果包括证件图像为疑似未篡改证件或疑似被篡改证件；则计算机程序被处理器执行时还实现以下步骤：当证件图像的真伪预测结果为疑似被篡改证件时，若相似度小于第二阈值时，则确定证件图像为篡改证件，若相似度不小于第二阈值时，则确定证件图像为疑似篡改证件；当证件图像的真伪预测结果为疑似未篡改证件时，若相似度不小于第二阈值时，则确定证件图像为未篡改证件，若相似度小于第二阈值时，则确定证件图像为疑似篡改证件。
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。
- 还没有人留言评论。精彩留言会获得点赞！