翻拍识别模型训练、图像识别方法、装置、设备及介质与流程

本发明涉及图像分类领域，尤其涉及一种翻拍识别模型训练、图像识别方法、装置、计算机设备及存储介质。

背景技术：

随着信用社会的发展，越来越多的应用场景(比如：涉及金融、保险、安防的应用场景)需要通过证件识别、人脸识别对用户身份进行验证。在现有技术中，现有的身份验证主要通过花费大量人工进行人工核查，如此，需要耗费大量的人力资源和等待时间，而且随着数据拍照技术的提升，不法分子通过翻拍图像来验证用户身份的手段层出不穷，通过人工进行识别翻拍图像的准确度较低，以及容易识别出错，而且实际应用场景下，使用翻拍图像来验证用户身份的情况相对较少，因此，通过人工从海量的正常图像中识别较少的翻拍图像(也即，正常图像与翻拍图像的数量不均衡)极易被疏忽。而如果身份验证过程中没有识别出翻拍图像，将会对用户信息出现安全性问题。

技术实现要素：

本发明提供一种翻拍识别模型训练、图像识别方法、装置、计算机设备及存储介质，实现了在输入样本数量不均衡的情况下进行自适应训练学习，并能快速地、准确地识别出翻拍图像，提高了识别的准确率和命中率，进而提升了识别效率和可靠性，节省了成本。

一种翻拍识别模型训练方法，包括：

获取翻拍图像样本集；将所述翻拍图像样本集输入包含初始参数的翻拍识别模型；所述翻拍图像样本集包含若干个与真实标签值关联的翻拍图像样本；所述真实标签值包括正标签值和负标签值；与真实标签值为正标签值关联的翻拍图像样本以及与真实标签值为负标签值关联的翻拍图像样本的样本数量不均衡；

通过所述翻拍识别模型对所述翻拍图像样本进行纹理特征的提取，并获取所述翻拍识别模型根据所述纹理特征输出的预测值；

将所述预测值和所述翻拍图像样本关联的真实标签值输入所述翻拍识别模型中的命中模型，以获取所述翻拍图像样本的命中概率值；

将所述命中概率值输入所述翻拍识别模型中用于克服样本数量不均衡的聚焦损失函数，以获取所述翻拍图像样本的损失值；

在所述损失值未达到预设的收敛条件时，迭代更新所述翻拍识别模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述翻拍识别模型记录为训练完成的翻拍识别模型；

在所述损失值达到预设的收敛条件时，将收敛之后的所述翻拍识别模型记录为训练完成的翻拍识别模型。

一种图像识别方法，包括：

接收识别指令，获取待检测图像；

将所述待检测图像输入头像检测模型，获取所述待检测图像中的头像照；所述头像检测模型根据yolo算法训练完成；

将所述头像照输入翻拍识别模型中，获取所述翻拍识别模型输出的对所述头像照的纹理特征的预测值；所述翻拍识别模型为上述已训练完成的翻拍识别模型；

根据所述翻拍识别模型输出的所述预测值确定所述待检测图像的识别结果；所述识别结果表征了所述待检测图像是否为翻拍。

一种翻拍识别模型训练装置，包括：

获取模块，用于获取翻拍图像样本集；将所述翻拍图像样本集输入包含初始参数的翻拍识别模型；所述翻拍图像样本集包含若干个与真实标签值关联的翻拍图像样本；所述真实标签值包括正标签值和负标签值；与真实标签值为正标签值关联的翻拍图像样本以及与真实标签值为负标签值关联的翻拍图像样本的样本数量不均衡；

提取模块，用于通过所述翻拍识别模型对所述翻拍图像样本进行纹理特征的提取，并获取所述翻拍识别模型根据所述纹理特征输出的预测值；

命中模块，用于将所述预测值和所述翻拍图像样本关联的真实标签值输入所述翻拍识别模型中的命中模型，以获取所述翻拍图像样本的命中概率值；

克服模块，用于将所述命中概率值输入所述翻拍识别模型中用于克服样本数量不均衡的聚焦损失函数，以获取所述翻拍图像样本的损失值；

未收敛模块，用于在所述损失值未达到预设的收敛条件时，迭代更新所述翻拍识别模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述翻拍识别模型记录为训练完成的翻拍识别模型；

收敛模块，用于在所述损失值达到预设的收敛条件时，将收敛之后的所述翻拍识别模型记录为训练完成的翻拍识别模型。

一种图像识别装置，包括：

接收模块，用于接收识别指令，获取待检测图像；

输入模块，用于将所述待检测图像输入头像检测模型，获取所述待检测图像中的头像照；所述头像检测模型根据yolo算法训练完成；

预测模块，用于将所述头像照输入翻拍识别模型中，获取所述翻拍识别模型输出的对所述头像照的纹理特征的预测值；所述翻拍识别模型为上述已训练完成的翻拍识别模型；

确定模块，用于根据所述翻拍识别模型输出的所述预测值确定所述待检测图像的识别结果；所述识别结果表征了所述待检测图像是否为翻拍。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述翻拍识别模型训练方法的步骤，或者所述处理器执行所述计算机程序时实现上述图像识别方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述翻拍识别模型训练方法的步骤，或者所述计算机程序被处理器执行时实现上述图像识别方法的步骤。

本发明提供的翻拍识别模型训练方法、装置、计算机设备及存储介质，通过获取翻拍图像样本集，所述翻拍图像样本集包含不均衡的与真实标签值为正标签值关联的翻拍图像样本和与真实标签值为负标签值关联的翻拍图像样本，通过对所述翻拍图像样本进行纹理特征提取，获取预测值，通过所述预测值和所述翻拍图像样本的真实标签值输入命中模型以获取命中概率值，通过用于克服样本数量不均衡的聚焦损失函数获取翻拍图像样本的损失值，在所述损失值未达到预设的收敛条件时，迭代更新翻拍识别模型的初始参数，直至所述损失值达到预设的收敛条件，将收敛之后的翻拍识别模型记录为训练完成的翻拍识别模型，因此，实现了在输入样本数量不均衡的情况下进行自适应训练学习，并能快速地、准确地识别出翻拍图像，提高了识别的准确率和命中率，进而提升了识别效率和可靠性，节省了成本。

本发明提供的图像识别方法、装置、计算机设备及存储介质，通过将所述待检测图像输入至已训练完成的所述翻拍识别模型，输出所述待检测图像的识别结果，如此，本发明实现了快速地、准确地识别出翻拍图像，提高了识别的准确率和命中率，提升了识别效率和可靠性，节省了成本。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中翻拍识别模型训练方法或图像识别方法的应用环境示意图；

图2是本发明一实施例中翻拍识别模型训练方法的流程图；

图3是本发明一实施例中翻拍识别模型训练方法的步骤s201的流程图；

图4是本发明一实施例中图像识别方法的流程图；

图5是本发明一实施例中翻拍识别模型训练装置的原理框图；

图6是本发明一实施例中图像识别装置的原理框图；

图7是本发明一实施例中计算机设备的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的翻拍识别模型训练方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器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。

在一实施例中，如图2所示，提供一种识别模型训练方法，其技术方案主要包括以下步骤s10-s60：

s10，获取翻拍图像样本集；将所述翻拍图像样本集输入包含初始参数的翻拍识别模型；所述翻拍图像样本集包含若干个与真实标签值关联的翻拍图像样本；所述真实标签值包括正标签值和负标签值；与真实标签值为正标签值关联的翻拍图像样本以及与真实标签值为负标签值关联的翻拍图像样本的样本数量不均衡。

可理解地，所述翻拍图像样本集包含至少一个与真实标签值关联的翻拍图像样本，所述与真实标签值关联的翻拍图像样本包括与正标签值关联的翻拍图像样本(也即，正常图像的样本)和与负标签值关联的翻拍图像样本(也即，翻拍图像的样本)，其中，所述与真实标签值为正标签值关联的翻拍图像样本的样本数量和所述与真实标签值为负标签值关联的翻拍图像样本的样本数量之间存在不均衡的情况，将所述与真实标签值为正标签值关联的翻拍图像样本占所述翻拍图像样本集的样本数量占比标记为正样本占比，将所述与真实标签值为负标签值关联的翻拍图像样本占所述翻拍图像样本集的样本数量占比标记为负样本占比，所述不均衡为所述负样本占比和所述正样本占比之间相差悬殊，比如翻拍图像样本集有1000个翻拍图像样本，其中5个与真实标签值为负标签值关联的翻拍图像样本，995个与真实标签值为正标签值关联的翻拍图像样本，正样本占比为0.5％，负样本占比为99.5％，正样本占比和负样本占比之间相差悬殊，即表明与真实标签值为正标签值关联的翻拍图像样本以及与真实标签值为负标签值关联的翻拍图像样本的样本数量不均衡。将所述翻拍图像样本集输入包含初始参数的翻拍识别模型，所述初始参数可以根据需求进行设定，比如所述初始参数可以设定为随机的参数值。

s20，通过所述翻拍识别模型对所述翻拍图像样本进行纹理特征的提取，并获取所述翻拍识别模型根据所述纹理特征输出的预测值。

可理解地，所述翻拍识别模型为识别输入的图像是否为翻拍图像的深度卷积神经网络模型，所述翻拍识别模型包含输入层、隐含层、池化层、全连接层和输出层，所述翻拍识别模型中神经网络结构可以根据需求进行设置，比如所述翻拍识别模型中神经网络结构可以为vgg系列的神经网络结构、inception系列的神经网络结构、googlenet系列的神经网络结构和resnet系列的神经网络结构等等，所述纹理特征包括波光纹特征、花纹特征和异常斑纹特征，所述翻拍识别模型提取所述翻拍图像样本中的所述纹理特征，根据所述纹理特征，所述翻拍识别模型输出对所述翻拍图像样本进行识别的所述预测值，所述预测值为所述翻拍识别模型对所述反批评图像样本进行预测得到的接近所述真实标签值的值，比如所述翻拍图像样本的真实标签值为1，所述翻拍识别模型对所述翻拍图像样本进行识别输出所述翻拍图像样本的预测值为0.9。

s30，将所述预测值和所述翻拍图像样本关联的真实标签值输入所述翻拍识别模型中的命中模型，以获取所述翻拍图像样本的命中概率值。

可理解地，将所述预测值和所述翻拍图像样本关联的真实标签值输入所述翻拍识别模型的所述命中模型中，所述命中模型为计算出所述翻拍图像样本的命中概率值，根据所述命中模型中的命中函数公式计算出所述翻拍图像样本的命中概率值，获取所述翻拍图像样本的命中概率值，所述命中概率值为所述预测值命中所述真实标签值的概率，例如所述预测值为0.9，所述真实标签值为1，则所述命中概率值为0.9。

在一实施例中，所述步骤s30中，即所述将所述预测值和所述翻拍图像样本关联的真实标签值输入所述翻拍识别模型中的命中模型，以获取所述翻拍图像样本的命中概率值，包括：

s301，将所述预测值和所述翻拍图像样本关联的真实标签值输入以下命中模型的命中函数中，以获取所述翻拍图像样本的命中概率值：

其中：

i为所述翻拍识别模型训练的次数；

pi为所述翻拍识别模型的第i次训练的命中概率值；

yi为所述翻拍识别模型的第i次训练的预测值；

x为真实标签值；

m为正样本标签值；

n为负样本标签值。

可理解地，所述正样本标签值和所述负样本标签值可以根据需求进行设置，作为优选，所述正样本标签值可以为1，所述负样本标签值可以为0。

s40，将所述命中概率值输入所述翻拍识别模型中用于克服样本数量不均衡的聚焦损失函数，以获取所述翻拍图像样本的损失值。

可理解地，所述翻拍识别模型中的损失函数为用于克服样本数量不均衡的聚焦损失函数，通过所述聚焦损失函数的公式计算出所述翻拍图像样本的损失值，所述损失值为所述真实标签值和所述翻拍识别模型对所述翻拍图像样本进行识别出的所述预测值之间的差距，进而反向传播去迭代更新所述翻拍识别模型中的模型参数，所述聚焦损失函数对于样本数量不均衡的所述翻拍图像样本集存在优质的鲁棒性，所述聚焦损失函数通过对所述样本数量不均衡的翻拍图像样本集中样本数量少的翻拍图像样本更加敏感，和对所述样本数量不均衡的翻拍图像样本集中样本数量多的翻拍图像样本反而不敏感以及不夸大，从而提高了所述翻拍识别模型的泛化能力，能够在输入样本数量不均衡的所述翻拍图像样本集的情况下进行自适应学习，因此，所述聚焦损失函数能够让所述翻拍识别模型向准确率与命中率都更高的方向进行收敛。

在一实施例中，所述步骤s40中，所述聚焦损失函数为：

l＝-logpi×(1-pi)^γ

其中，

l为损失值；

pi为所述翻拍识别模型的第i次训练的命中概率值；

γ为减少不平衡样本干扰的参数值：

其中：

γ为所述减少不平衡样本干扰的参数值；

h为调整参数值；

ai为通过加权命中函数获得的第i次训练的加权命中概率值。

可理解地，所述调整参数值可以根据需求进行设定，所述调整参数值为正数的值，所述加权命中概率值为当前训练的命中概率值和上一次训练的命中概率值进行加权方式计算得出的概率值，

如此，通过所述加权命中函数充分利用了上一次训练的命中概率值，并通过当前训练的命中概率值和上一次训练的命中概率值进行一并考虑得出所述减少不平衡样本干扰的参数值，可以让所述翻拍识别模型向准确率与命中率都更高的方向进行收敛。

在一实施例中，所述加权命中函数为：

其中：

i为所述识别模型训练的次数；

ai为所述翻拍识别模型的的第i次训练的加权命中概率值；

pi为所述翻拍识别模型的的第i次训练的命中概率值；

pi-1为所述翻拍识别模型的第i-1次训练的命中概率值。

可理解地，在第1次训练的过程中，第1次训练的加权命中概率值与第1次训练的命中概率值相等，在第2次训练的过程中，第2次训练的加权命中概率为第1次训练的命中概率值与第2次训练的命中概率值进行加权计算获得，如此类推，在第i次训练的过程中，第i次训练的加权命中概率为第i-1次训练的命中概率值与第i次训练的命中概率值进行加权计算获得，直到所述翻拍识别模型停止训练。

在一实施例中，所述聚焦损失函数中的所述调整参数值为h＝0.65。可理解地，通过实验数据分析出，在所述调整参数值为h＝0.65时，γ与pi的曲线最优，效果最好。

s50，在所述损失值未达到预设的收敛条件时，迭代更新所述翻拍识别模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述翻拍识别模型记录为训练完成的翻拍识别模型。

可理解地，所述预设的收敛条件可以为所述损失值经过了预设的训练次数计算后得到的值为很小且不会再下降的条件，所述预设的收敛条件也可以为所述损失值小于设定阈值的条件，比如所述预设的收敛条件为所述损失值经过8000次计算后值为很小且不会再下降，或者所述预设的收敛条件为所述损失值小于0.002等。在所述损失值未达到预设的收敛条件时，不断迭代更新所述翻拍识别模型的初始参数，直至所述损失值达到所述预设的收敛条件时，停止训练，将收敛之后的所述翻拍识别模型记录为训练完成的翻拍识别模型。

如此，在所述损失值未达到预设的收敛条件时，可以不断向准确率与命中率都更高的方向进行靠拢，让所述预测值的准确率和命中率越来越高。

s60，在所述损失值达到预设的收敛条件时，将收敛之后的所述翻拍识别模型记录为训练完成的翻拍识别模型。

可理解地，所述损失值达到所述预设的收敛条件时，停止训练，此时，所述翻拍识别模型中的所有模型参数都不在变化，将收敛之后的所述翻拍识别模型记录为训练完成的翻拍识别模型。

本发明通过获取翻拍图像样本集；将所述翻拍图像样本集输入包含初始参数的翻拍识别模型；所述翻拍图像样本集包含若干个与真实标签值关联的翻拍图像样本；所述真实标签值包括正标签值和负标签值；与真实标签值为正标签值关联的翻拍图像样本以及与真实标签值为负标签值关联的翻拍图像样本的样本数量不均衡；通过所述翻拍识别模型对所述翻拍图像样本进行纹理特征的提取，并获取所述翻拍识别模型根据所述纹理特征输出的预测值；将所述预测值和所述翻拍图像样本关联的真实标签值输入所述翻拍识别模型中的命中模型，以获取所述翻拍图像样本的命中概率值；将所述命中概率值输入所述翻拍识别模型中用于克服样本数量不均衡的聚焦损失函数，以获取所述翻拍图像样本的损失值；在所述损失值未达到预设的收敛条件时，迭代更新所述翻拍识别模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述翻拍识别模型记录为训练完成的翻拍识别模型；在所述损失值达到预设的收敛条件时，将收敛之后的所述翻拍识别模型记录为训练完成的翻拍识别模型。

如此，本发明实现了通过获取翻拍图像样本集，翻拍图像样本集包含不均衡的与真实标签值为正标签值关联的翻拍图像样本和与真实标签值为负标签值关联的翻拍图像样本，通过对翻拍图像样本进行纹理特征提取，获取预测值，通过预测值和翻拍图像样本的真实标签值输入命中模型以获取命中概率值，通过用于克服样本数量不均衡的聚焦损失函数获取翻拍图像样本的损失值，在损失值未达到预设的收敛条件时，迭代更新翻拍识别模型的初始参数，直至损失值达到预设的收敛条件，将收敛之后的翻拍识别模型记录为训练完成的翻拍识别模型。因此，实现了在输入样本数量不均衡的情况下进行自适应训练学习，并能快速地、准确地识别出翻拍图像，提高了识别的准确率和命中率，进而提升了识别效率和可靠性，节省了成本。

在一实施例中，所述步骤s20之前，即所述通过所述翻拍识别模型对所述翻拍图像样本进行纹理特征的提取，并获取所述翻拍识别模型根据所述纹理特征输出的预测值之前，包括：

s201，通过迁移学习，所述翻拍识别模型获取训练完成的二分类神经网络模型的所有模型参数，将所述所有模型参数确定为所述翻拍识别模型的初始参数。

可理解地，所述初始参数包括所述翻拍识别模型的网络结构以及所述翻拍识别模型的网络结构中的参数值，所述迁移学习(transferlearning，tl)为利用其他领域已有的训练模型的参数应用在本领域的任务中，即所述翻拍识别模型通过迁移学习的方式获取训练完成的所述二分类神经网络模型的所有模型参数，然后将所述二分类神经网络模型的所有模型参数确定为所述翻拍识别模型的初始参数。所述二分类神经网络模型可以根据需求进行选择，比如所述二分类神经网络模型可以选择基于tensorflow的性别识别模型。

如此，通过迁移学习，直接获取训练完成的所述二分类神经网络模型的模型参数作为所述翻拍识别模型的模型参数，提高了所述翻拍识别模型的起点，即在原来的准确率和命中率基础上进行提高，从而大大缩短了所述翻拍识别模型的训练时间。

在一实施例中，如图3所示，所述步骤s201之前，即所述通过迁移学习，所述翻拍识别模型获取训练完成的二分类神经网络模型的所有模型参数，将所述所有模型参数确定为所述翻拍识别模型的初始参数之前，包括：

s2011，获取与二分类标签值关联的二分类图像样本集；将所述二分类图像样本集输入包含二分类初始参数的二分类神经网络模型；所述二分类图像样本集包含若干个与二分类标签值关联的二分类图像样本；所述二分类标签值包括正二分类标签值和负二分类标签值；

可理解地，所述二分类神经网络模型为通过提取纹理特征输出识别结果(识别结果只有两种分类情况)的神经网络模型，所述二分类神经网络模型的识别结果可以根据需求进行设定，比如所述二分类神经网络模型的识别结果为识别身份证背面照是否为翻拍，即表明所述二分类神经网络模型为身份证背面照翻拍识别的神经网络模型。所述二分类图像样本集包含至少一个与二分类标签值关联的二分类图像样本，所述与二分类标签值关联的二分类图像样本包括与正二分类标签值关联的二分类图像样本和与负二分类标签值关联的二分类图像样本，其中，所述与二分类标签值为正二分类标签值关联的二分类图像样本的样本数量和所述与二分类标签值为负二分类标签值关联的二分类图像样本的样本数量之间为均衡的情况，所述均衡为所述与二分类标签值为正二分类标签值关联的二分类图像样本在所述二分类图像样本集中的占比和所述与二分类标签值为负二分类标签值关联的二分类图像样本在所述二分类图像样本集中的占比几乎相等，比如二分类图像样本集有1000个二分类图像样本，其中500个与二分类标签值为负二分类标签值关联的二分类图像样本，占比为50％；500个与二分类标签值为正二分类标签值关联的二分类图像样本，占比为50％。将所述二分类图像样本集输入包含二分类初始参数的二分类神经网络模型。

s2012，通过所述二分类神经网络模型对所述二分类图像样本进行纹理特征的提取，并获取所述二分类神经网络模型根据所述纹理特征输出的二分类预测值；

可理解地，所述二分类识别模型包含输入层、隐含层、池化层、全连接层和输出层，所述二分类识别模型中神经网络结构可以根据需求进行设置，比如所述二分类识别模型中神经网络结构可以为vgg系列的神经网络结构、inception系列的神经网络结构、googlenet系列的神经网络结构和resnet系列的神经网络结构等等，所述二分类识别模型中的神经网络结构与所述翻拍识别模型中的神经网络结构一致，所述纹理特征包括波光纹特征、花纹特征和异常斑纹特征，所述二分类识别模型提取所述二分类图像样本中的所述纹理特征，根据所述纹理特征，所述二分类识别模型输出对所述二分类图像样本进行识别的所述二分类预测值，所述二分类预测值为所述二分类神经网络模型对所述二分类图像样本进行预测得到的接近所述二分类标签值的值，比如所述二分类图像样本的真实标签值为0，所述二分类识别模型对所述二分类图像样本进行识别输出所述二分类图像样本的二分类预测值为0.2。

s2013，将所述二分类预测值和所述二分类图像样本关联的二分类标签值输入所述二分类神经网络模型中的二分类交叉熵损失函数，以获取所述二分类图像样本的二分类损失值；

可理解地，根据所述二分类预测值和所述二分类图像样本关联的二分类标签值，通过所述二分类交叉熵损失函数，可以获取所述二分类图像样本的二分类损失值，所述二分类交叉熵损失函数为适用于样本数量均衡的二分类图像样本集的损失函数。

在一实施例中，所述步骤s2013中，所述二分类交叉熵损失函数为：

lce＝-logqj

其中，

j为所述二分类神经网络模型训练的次数；

lce为二分类损失值；

qi为第j次训练的二分类命中概率值：

其中，

j为所述二分类神经网络模型训练的次数；

sj为所述二分类神经网络模型的第j次训练的二分类预测值；

t为二分类标签值；

w为所述二分类正标签值；

v为所述二分类负标签值。

可理解地，所述二分类命中概率值为所述二分类预测值命中所述二分类标签值的概率，例如所述二分类预测值为0.3，所述二分类标签值为0，则所述命中概率值为1-0.3＝0.7。所述二分类正标签值和所述二分类负标签值可以根据需求进行设置，作为优选，所述二分类正标签值可以为1，所述二分类负标签值可以为0，所述二分类正标签值与所述正样本标签值可以一致，亦可以不一致，所述二分类负标签值与所述负样本标签值可以一致，亦可以不一致。s2014，在所述二分类损失值未达到预设的二分类收敛条件时，迭代更新所述二分类神经网络模型的二分类初始参数，直至所述二分类损失值达到所述预设的二分类收敛条件时，将收敛之后的所述二分类神经网络模型记录为训练完成的二分类神经网络模型；

可理解地，所述预设的二分类收敛条件可以为所述二分类损失值经过了预设的二分类训练次数计算后得到的值为很小且不会再下降的条件，所述预设的二分类收敛条件也可以为所述二分类损失值小于设定二分类阈值的条件。在所述损失值未达到预设的收敛条件时，不断迭代更新所述二分类神经网络模型的二分类初始参数，直至所述二分类损失值达到所述预设的二分类收敛条件时，停止训练，将收敛之后的所述二分类神经网络模型记录为训练完成的二分类神经网络模型。

s2015，在所述二分类损失值达到预设的二分类收敛条件时，将收敛之后的所述二分类神经网络模型记录为训练完成的二分类神经网络模型。

可理解地，所述二分类损失值达到所述预设的二分类收敛条件时，停止训练，此时，所述二分类神经网络模型中的所有模型参数都不在变化，将收敛之后的所述二分类神经网络模型记录为训练完成的二分类神经网络模型。

如此，通过训练所述二分类神经网络模型，以获取训练完成的二分类神经网络模型的所有模型参数，为所述翻拍识别模型提供所述初始参数。

本发明提供的图像识别方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器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。

在一实施例中，如图4所示，提供一种图像识别方法，其技术方案主要包括以下步骤s100-s400：

s100，接收识别指令，获取待检测图像。

可理解地，所述待检测图像可以为包含人脸的图像，比如拍摄的锁骨以上的头像照，身份证正面(正面有人脸照)的图像等等。

s200，将所述待检测图像输入头像检测模型，获取所述待检测图像中的头像照；所述头像检测模型根据yolo算法训练完成。

可理解地，通过所述头像检测模型中的yolo算法，优选地，所述头像检测模型包括yolov3算法，利用多尺度特征对所述待检测图像进行头像检测，可以判断出所述待检测图像是否包含人脸。例如，所述待检测图像为摄像头拍摄的人物正面图像，根据实验数据可以得出人物正面图像检测的准确率为99.95％，并且在30毫秒内提取包含人脸检测区域。

如此，通过使用yolo算法训练完成的头像检测模型，实现了只提取待检测图像中有用的头像照(有用信息)进行识别，提高了识别效率和准确率，以及通过引用训练完成的翻拍识别模型，提高了识别的准确率和命中率，进而提升了识别效率和可靠性，节省了成本。

s300，将所述头像照输入翻拍识别模型中，获取所述翻拍识别模型输出的对所述头像照的纹理特征的预测值；所述翻拍识别模型为上述已训练完成的翻拍识别模型。

可理解地，所述翻拍识别模型为通过上述翻拍识别模型训练方法进行训练获得的已训练完成的翻拍识别模型，将所述头像照输入所述翻拍识别模型中，通过所述翻拍识别模型对所述头像照进行所述纹理特征的提取，所述翻拍识别模型对所述纹理特征进行识别输出所述头像照的预测值。

s400，根据所述翻拍识别模型输出的所述预测值确定所述待检测图像的识别结果；所述识别结果表征了所述待检测图像是否为翻拍。

可理解地，通过对所述预测值进行转换成百分比概率格式的百分比值，例如：所述预测值为0.01，转换成百分比概率格式为识别出负标签值的概率为99％，对转换后的所述预测值进行判断是否大于预设的概率阈值，所述概率阈值可以根据需求进行设置，比如所述概率阈值可以设置为98％，若转换后的所述预测值大于所述概率阈值，确定所述待检测图像的识别结果为翻拍的图像。

本发明通过将所述待检测图像输入至已训练完成的所述翻拍识别模型，输出所述待检测图像的识别结果，如此，本发明实现了快速地、准确地识别出翻拍图像，提高了识别的准确率和命中率，提升了识别效率和可靠性，节省了成本。

在一实施例中，提供一种翻拍识别模型训练装置，该翻拍识别模型训练装置与上述实施例中翻拍识别模型训练方法一一对应。如图5所示，该翻拍识别模型训练装置包括获取模块11、提取模块12、命中模块13、克服模块14、未收敛模块15和收敛模块16。各功能模块详细说明如下：

获取模块11，用于获取翻拍图像样本集；将所述翻拍图像样本集输入包含初始参数的翻拍识别模型；所述翻拍图像样本集包含若干个与真实标签值关联的翻拍图像样本；所述真实标签值包括正标签值和负标签值；与真实标签值为正标签值关联的翻拍图像样本以及与真实标签值为负标签值关联的翻拍图像样本的样本数量不均衡；

提取模块12，用于通过所述翻拍识别模型对所述翻拍图像样本进行纹理特征的提取，并获取所述翻拍识别模型根据所述纹理特征输出的预测值；

命中模块13，用于将所述预测值和所述翻拍图像样本关联的真实标签值输入所述翻拍识别模型中的命中模型，以获取所述翻拍图像样本的命中概率值；

克服模块14，用于将所述命中概率值输入所述翻拍识别模型中用于克服样本数量不均衡的聚焦损失函数，以获取所述翻拍图像样本的损失值；

未收敛模块15，用于在所述损失值未达到预设的收敛条件时，迭代更新所述翻拍识别模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述翻拍识别模型记录为训练完成的翻拍识别模型；

收敛模块16，用于在所述损失值达到预设的收敛条件时，将收敛之后的所述翻拍识别模型记录为训练完成的翻拍识别模型。

关于翻拍识别模型训练装置的具体限定可以参见上文中对于翻拍识别模型训练方法的限定，在此不再赘述。上述翻拍识别模型训练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。

在一实施例中，提供一种图像识别装置，该图像识别装置与上述实施例中图像识别方法一一对应。如图6所示，该图像识别装置包括接收模块101、输入模块102、预测模块103和确定模块104。各功能模块详细说明如下：

接收模块101，用于接收识别指令，获取待检测图像；

输入模块102，用于将所述待检测图像输入头像检测模型，获取所述待检测图像中的头像照；所述头像检测模型根据yolo算法训练完成；

预测模块103，用于将所述头像照输入翻拍识别模型中，获取所述翻拍识别模型输出的对所述头像照的纹理特征的预测值；所述翻拍识别模型为上述已训练完成的翻拍识别模型；

确定模块104，用于根据所述翻拍识别模型输出的所述预测值确定所述待检测图像的识别结果；所述识别结果表征了所述待检测图像是否为翻拍。

关于图像识别装置的具体限定可以参见上文中对于图像识别方法的限定，在此不再赘述。上述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识别模型训练方法，或者图像识别方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中翻拍识别模型训练方法，或者处理器执行计算机程序时实现上述实施例中图像识别方法。

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上述实施例中翻拍识别模型训练方法，或者计算机程序被处理器执行时实现上述实施例中图像识别方法。

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，本发明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。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。