基于局部阴影特效的图像样本生成方法及装置与流程

本发明涉及人工智能的图像处理技术领域，尤其涉及一种基于局部阴影特效的图像样本生成方法、装置、计算机设备及存储介质。

背景技术：

在身份证鉴伪项目中，身份证的样本采集非常困难，这主要是由于身份证卡片是涉及到个人隐私的物件，出于安全和隐私等因素，收集难度非常大。故在做身份证相关的算法研究的时候，极度缺少身份证图片样本，造成训练身份证识别模型的样本数据的获取难度增大。

技术实现要素：

本发明实施例提供了一种基于局部阴影特效的图像样本生成方法、装置、计算机设备及存储介质，旨在解决现有技术中训练身份证识别模型的过程中极度缺少身份证图片样本，造成训练身份证识别模型的样本数据的获取难度增大的问题。

第一方面，本发明实施例提供了一种基于局部阴影特效的图像样本生成方法，其包括：

接收并保存输入图片；

调用预先存储的对比度亮度调节算法，将所述输入图片进行对比度亮度调节，得到与所述输入图片对应的暗图片和亮图片；

获取所述输入图片的原图尺寸，根据所述原图尺寸初始化得到一个初始模糊正向匀光图片，对所述初始模糊正向匀光图片进行模糊正向匀光，得到当前模糊正向匀光图片；

将所述当前模糊正向匀光图片进行高斯模糊，得到高斯模糊后图片；以及

根据所述输入图片对应的暗图片和亮图片以及所述高斯模糊后图片进行合成，得到与所述输入图片对应的图像样本。

第二方面，本发明实施例提供了一种基于局部阴影特效的图像样本生成装置，其包括：

图片接收单元，用于接收并保存输入图片；

对比度亮度调节单元，用于调用预先存储的对比度亮度调节算法，将所述输入图片进行对比度亮度调节，得到与所述输入图片对应的暗图片和亮图片；

模糊正向匀光图片获取单元，用于获取所述输入图片的原图尺寸，根据所述原图尺寸初始化得到一个初始模糊正向匀光图片，对所述初始模糊正向匀光图片进行模糊正向匀光，得到当前模糊正向匀光图片；

高斯模糊单元，用于将所述当前模糊正向匀光图片进行高斯模糊，得到高斯模糊后图片；以及

图片合成单元，用于根据所述输入图片对应的暗图片和亮图片以及所述高斯模糊后图片进行合成，得到与所述输入图片对应的图像样本。

第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上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第一方面所述的基于局部阴影特效的图像样本生成方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于局部阴影特效的图像样本生成方法。

本发明实施例提供了一种基于局部阴影特效的图像样本生成方法、装置、计算机设备及存储介质，包括接收并保存输入图片；调用预先存储的对比度亮度调节算法，将所述输入图片进行对比度亮度调节，得到与所述输入图片对应的暗图片和亮图片；获取所述输入图片的原图尺寸，根据所述原图尺寸初始化得到一个初始模糊正向匀光图片，对所述初始模糊正向匀光图片进行模糊正向匀光，得到当前模糊正向匀光图片；将所述当前模糊正向匀光图片进行高斯模糊，得到高斯模糊后图片；以及根据所述输入图片对应的暗图片和亮图片以及所述高斯模糊后图片进行合成，得到与所述输入图片对应的图像样本。实现了对输入图片基于局部阴影特效进行图像样本的扩充，降低了获取身份证图片样本的获取难度，而且所扩充的图像样本接近真实场景拍摄的样本，解决了小样本问题。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基于局部阴影特效的图像样本生成方法的应用场景示意图；

图2为本发明实施例提供的基于局部阴影特效的图像样本生成方法的流程示意图；

图3为本发明实施例提供的基于局部阴影特效的图像样本生成装置的示意性框图；

图4为本发明实施例提供的计算机设备的示意性框图。

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做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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1为本发明实施例提供的基于局部阴影特效的图像样本生成方法的应用场景示意图；图2为本发明实施例提供的基于局部阴影特效的图像样本生成方法的流程示意图，该基于局部阴影特效的图像样本生成方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。

如图2所示，该方法包括步骤s110～s150。

s110、接收并保存输入图片。

在本实施例中，为了扩充包括较少身份证图片张数的图片集中的身份证图片样本，此时可以先将包括一张或多张身份证图片的输入图片由用户端发送至服务器。具体实施时，为了便于理解技术方案，以基于单张身份证图片(也就是上述的输入图片)来生成另一图像样本为例来说明。显然，基于单张身份证图片进行一次基于局部阴影特效的图像样本生成一张图像样本，那么基于单张身份证图片进行重复多次基于局部阴影特效的图像样本生成多张图像样本。通过这一方式可以有效扩充身份证图片样本数量，解决了训练身份证识别模型的过程中极度缺少身份证图片样本的问题。

s120、调用预先存储的对比度亮度调节算法，将所述输入图片进行对比度亮度调节，得到与所述输入图片对应的暗图片和亮图片。

在本实施例中，当服务器获取了一张输入图片后，此时可以调用本地存储的对比度亮度调节算法，将所述输入图片进行调暗处理得到暗图片，并将所述输入图片进行调亮处理得到亮图片。此时获取的暗图片和亮图片是为了与后续的高斯模糊图片进行叠加，从而生成模拟输入图片效果较佳的图像样本。

在一实施例中，所述对比度亮度调节算法为：

yij＝[xij-127.5*(1-b)]*k+127.5*(1+b)；

其中，xij表示所述输入图片中第i行第j列像素点的像素值；yij表示对比度亮度调节后中第i行第j列像素点的像素值；b为亮度调节参数，且b的取值范围是[-1,1]；k为对比度调节参数，且k＝tan((45+44*c)/180*π)，c的取值范围是[-1,1]。

在本实施例中，亮度调节参数b的取值范围是[-1,1]，其作用是对图像进行亮度调节，当b取[-1,0]之间的值时可将输入图片调暗，当b取[0,1]之间的值时可将输入图片调亮。对比度调节参数k的取值范围是[-1,1]，其作用是对图像进行对比度调节，arctan(k)的取值范围是[1,89]。其中，当b＝0时yij＝(xij-127.5)*k+127.5，这时对比度亮度调节算法只调节对比度；当c＝0时，k＝1，yij＝xij+255*b，这时对比度亮度调节算法只调节亮度。

在一实施例中，步骤s120包括：

获取所述输入图片中各像素点的像素值；

调用所述对比度亮度调节算法，将所述对比度亮度调节算法中的亮度调节参数取值范围设置为[-1，0]，以将各像素点的像素值进行亮度对比度调节，得到各像素点对应的第一调节后像素值，以得到暗图片；

调用所述对比度亮度调节算法，将所述对比度亮度调节算法中的亮度调节参数取值范围设置为[0，1]，以将各像素点的像素值进行亮度对比度调节，得到各像素点对应的第二调节后像素值，以得到亮图片。

在本实施例中，根据所述对比度亮度调节算法进行图片的调节时，可以获得明暗程度不同的2幅图片。设置获取暗图片时b的取值为[-1,0]，获取亮图片时b的取值为[0,1]。而且在上述过程中，c在取值范围[-1,1]中任意取一个值即可。通过所述对比度亮度调节算法对输入图片进行对比度亮度调节，可以获得图片质量较佳的亮图片和暗图片以进行后续图片加工处理。

s130、获取所述输入图片的原图尺寸，根据所述原图尺寸初始化得到一个初始模糊正向匀光图片，对所述初始模糊正向匀光图片进行模糊正向匀光，得到当前模糊正向匀光图片。

在本实施例中，由于亮图片或是暗图片中可能会出现亮度分布不均匀的现象，严重影响图片质量，增加了后续图像处理难度。此时为了消除图片亮度分布不均匀的现象，可以对图像进行匀光处理。本申请中，可以采用mask匀光算法对图片进行处理，增强高频信息，抑制低频信息，从而增强图片的细节反差，抑制图片的异常亮度变化，从而实现匀光的目的。

此时采用mask匀光算法对图片进行处理时，不是直接对亮图片或者暗图片进行处理，而是先初始生成一个与所述输入图片具有相同图片尺寸的初始模糊正向匀光图片(也可以理解为初始模糊正向匀光图片与输入图片完全相同)，然后对其进行mask匀光得到当前模糊正向匀光图片。所得到的当前模糊正向匀光图片进一步进行处理后即可参与处理暗图片或亮图片，从而增强所得到样本图片的细节反差，抑制样本图片的异常亮度变化。

在一实施例中，作为步骤s130的第一具体实施，所述步骤s130包括：

调用预先存储的平面模糊正向匀光算法，将所述初始模糊正向匀光图片通过所述平面模糊正向匀光算法进行平面模糊正向匀光，得到当前模糊正向匀光图片；其中，所述平面模糊正向匀光算法中平面公式为y＝a1x+b1，a1和b1为随机值；若所述初始模糊正向匀光图片中有像素点位于所述y＝a1x+b1的平面内则将对应的像素点的像素值设置为255；若所述初始模糊正向匀光图片中有像素点位于所述y＝a1x+b1的平面外则将对应的像素点的像素值设置为0。

在本实施例中，在初始化得到一张当前模糊正向匀光图片，可以通过平面mask算法(即平面模糊正向匀光算法)对所述当前模糊正向匀光图片进行平面mask，得到当前模糊正向匀光图片。

通过对当前模糊正向匀光图片进行平面mask，就是将当前模糊正向匀光图片中的各像素点进行如下判断：

若所述初始模糊正向匀光图片中有像素点位于y＝a1x+b1的平面内则将对应的像素点的像素值设置为255；若所述初始模糊正向匀光图片中有像素点位于y＝a1x+b1的平面外则将对应的像素点的像素值设置为0；其中，平面模糊正向匀光算法中平面公式为y＝a1x+b1，a1和b1为随机值。通过上述平面mask处理，增强了初始模糊正向匀光图片中的高频信息，抑制其中低频信息，抑制初始模糊正向匀光图片的异常亮度变化。

在一实施例中，作为步骤s130的第二具体实施，所述步骤s130包括：

调用预先存储的曲面模糊正向匀光算法，将所述初始模糊正向匀光图片通过所述曲面模糊正向匀光算法进行平面模糊正向匀光，得到当前模糊正向匀光图片；其中，所述曲面模糊正向匀光算法中平面公式为a*x²+b*y²+c*x*y+d*x+e*y＝f，a、b、c、d、e为随机值；若所述初始模糊正向匀光图片中有像素点位于a*x²+b*y²+c*x*y+d*x+e*y＝f的平面范围内则将对应的像素点的像素值设置为255；若所述初始模糊正向匀光图片中有像素点位于a*x²+b*y²+c*x*y+d*x+e*y＝f的平面范围外则将对应的像素点的像素值设置为0。

在本实施例中，在初始化得到一张当前模糊正向匀光图片，还可以通过曲面mask算法(即曲面模糊正向匀光算法)对所述当前模糊正向匀光图片进行曲面mask，得到当前模糊正向匀光图片。

通过对当前模糊正向匀光图片进行曲面mask，就是将当前模糊正向匀光图片中的各像素点进行如下判断：

若所述初始模糊正向匀光图片中有像素点位于a*x²+b*y²+c*x*y+d*x+e*y＝f的平面范围内则将对应的像素点的像素值设置为255；若所述初始模糊正向匀光图片中有像素点位于a*x²+b*y²+c*x*y+d*x+e*y＝f的平面范围外则将对应的像素点的像素值设置为0；其中，曲面模糊正向匀光算法中曲面公式为a*x²+b*y²+c*x*y+d*x+e*y＝f，a、b、c、d、e为随机值。通过上述曲面mask处理，也实现了增强初始模糊正向匀光图片中的高频信息，抑制其中低频信息，抑制初始模糊正向匀光图片的异常亮度变化。也即在具体实施时，可以选择平面mask算法或曲面mask算法中的其中任意一种对所述初始模糊正向匀光图片进行匀光处理。

s140、将所述当前模糊正向匀光图片进行高斯模糊，得到高斯模糊后图片。

在本实施例中，当得到了所述当前模糊正向匀光图片后，为了减少图像噪声以及降低细节层次。图像的高斯模糊过程就是图像与正态分布做卷积。由于正态分布又叫作高斯分布，故此项技术称为高斯模糊。

在一实施例中，步骤s140包括：

采用二维高斯函数且滤波核尺寸为[10,100]中的随机数将所述当前模糊正向匀光图片进行高斯模糊，得到高斯模糊后图片；其中，(x，y)表示所述当前模糊正向匀光图片中的像素点坐标，σ是x的方差。

高斯模糊在二维空间定义为此时通过二维空间的高斯模糊对所述当前模糊正向匀光图片进行高斯模糊后，即可得到减少图像噪声以及降低细节层次后的高斯模糊后图片。

s150、根据所述输入图片对应的暗图片和亮图片以及所述高斯模糊后图片进行合成，得到与所述输入图片对应的图像样本。

在本实施例中，在前面的步骤中得到了所述输入图片对应的暗图片和亮图片及所述高斯模糊后图片，此时可以分别将亮图片经过高斯模糊后图片处理，以及将暗图片经过高斯模糊后图片处理后叠加，即可得到与所述输入图片对应的图像样本，通过这一处理，所生成的图片样本逼真度高。

在一实施例中，步骤s150包括：

将所述高斯模糊后图片进行归一化处理，得到归一化图片；

获取所述归一化图片对应的像素矩阵以作为第一矩阵，将单位矩阵减去所述第一矩阵得到第二矩阵；

将所述亮图片对应的亮图片像素矩阵与所述第一矩阵相乘得到第一最终像素矩阵，将所述暗图片对应的像素矩阵与所处第二矩阵相乘得到第二最终像素矩阵；

将所述第一最终像素矩阵与所述第二最终像素矩阵相加求和，得到与所述输入图片对应的图像样本。

在本实施例中，对所述高斯模糊后图片进行归一化处理，是为了将其处理为权重矩阵，以分别计算亮图片和暗图片在叠加时分别对应的权重。具体实施时，将第一矩阵作为亮图片对应的权重，将第二矩阵作为暗图片对应的权重，之后将第一最终像素矩阵与第二最终像素矩阵相加求和，得到与所述输入图片对应的图像样本，上述通过基于局部阴影特效得到的图片的效果非常接近真实场景拍摄的样本，甚至可以模拟出在真实场景中很难采集的样本。

在一实施例中，步骤s150之后还包括：

将所述输入图片与所述图像样本均发送至用户端。

在本实施例中，当在服务器中根据输入图片扩展得到的图像样本后，可以将输入图片和图像样本发送至用户端，用户端中可以根据扩充后的图像样本进行身份证识别模型的训练。

具体实施时，在所述将所述输入图片与所述图像样本均发送至用户端的步骤之后还包括：

接收并存储用户端根据包括输入图片和图像样本的图片训练集训练得到的身份证识别模型。

在本实施例中，当在用户端中根据包括输入图片和图像样本的图片训练集对训练待训练身份证识别模型(如卷积神经网络)进行训练，所得到的身份证识别模型发送至服务器进行存储。

在一实施例中，所述接收并存储用户端根据包括输入图片和图像样本的图片训练集训练得到的身份证识别模型的步骤之后，还包括：

将所述身份证识别模型对应的参数集上传至区块链网络。

在本实施例中，服务器可以作为一个区块链节点设备，将所述身份证识别模型对应的参数集上传至区块链网络，充分利用区块链数据不可篡改的特性，实现身份证识别模型对应的参数集的数据固化存储。服务器从区块链网络重新下载获取了所述身份证识别模型对应的参数集后，可以根据所述身份证识别模型对应的参数集重新还原身份证识别模型。

其中，基于所述身份证识别模型对应的参数集得到对应的摘要信息，具体来说，摘要信息由所述身份证识别模型对应的参数集进行散列处理得到，比如利用sha256算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。服务器可以从区块链中下载得该摘要信息，以便查证所述身份证识别模型对应的参数集是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

该方法实现了对输入图片基于局部阴影特效进行图像样本的扩充，降低了获取身份证图片样本的获取难度，而且所扩充的图像样本接近真实场景拍摄的样本，解决了小样本问题。

本发明实施例还提供一种基于局部阴影特效的图像样本生成装置，该基于局部阴影特效的图像样本生成装置用于执行前述基于局部阴影特效的图像样本生成方法的任一实施例。具体地，请参阅图3，图3是本发明实施例提供的基于局部阴影特效的图像样本生成装置的示意性框图。该基于局部阴影特效的图像样本生成装置100可以配置于服务器中。

如图3所示，基于局部阴影特效的图像样本生成装置100包括：图片接收单元110、对比度亮度调节单元120、模糊正向匀光图片获取单元130、高斯模糊单元140、图片合成单元150。

图片接收单元110，接收并保存输入图片。

在本实施例中，为了扩充包括较少身份证图片张数的图片集中的身份证图片样本，此时可以先将包括一张或多张身份证图片的输入图片由用户端发送至服务器。具体实施时，为了便于理解技术方案，以基于单张身份证图片(也就是上述的输入图片)来生成另一图像样本为例来说明。显然，基于单张身份证图片进行一次基于局部阴影特效的图像样本生成一张图像样本，那么基于单张身份证图片进行重复多次基于局部阴影特效的图像样本生成多张图像样本。通过这一方式可以有效扩充身份证图片样本数量，解决了训练身份证识别模型的过程中极度缺少身份证图片样本的问题。

对比度亮度调节单元120，用于调用预先存储的对比度亮度调节算法，将所述输入图片进行对比度亮度调节，得到与所述输入图片对应的暗图片和亮图片。

在本实施例中，当服务器获取了一张输入图片后，此时可以调用本地存储的对比度亮度调节算法，将所述输入图片进行调暗处理得到暗图片，并将所述输入图片进行调亮处理得到亮图片。此时获取的暗图片和亮图片是为了与后续的高斯模糊图片进行叠加，从而生成模拟输入图片效果较佳的图像样本。

在一实施例中，所述对比度亮度调节算法为：

yij＝[xij-127.5*(1-b)]*k+127.5*(1+b)；

其中，xij表示所述输入图片中第i行第j列像素点的像素值；yij表示对比度亮度调节后中第i行第j列像素点的像素值；b为亮度调节参数，且b的取值范围是[-1,1]；k为对比度调节参数，且k＝tan((45+44*c)/180*π)，c的取值范围是[-1,1]。

在本实施例中，亮度调节参数b的取值范围是[-1,1]，其作用是对图像进行亮度调节，当b取[-1,0]之间的值时可将输入图片调暗，当b取[0,1]之间的值时可将输入图片调亮。对比度调节参数k的取值范围是[-1,1]，其作用是对图像进行对比度调节，arctan(k)的取值范围是[1,89]。其中，当b＝0时yij＝(xij-127.5)*k+127.5，这时对比度亮度调节算法只调节对比度；当c＝0时，k＝1，yij＝xij+255*b，这时对比度亮度调节算法只调节亮度。

在一实施例中，对比度亮度调节单元120包括：

像素值获取单元，用于获取所述输入图片中各像素点的像素值；

暗图片获取单元，用于调用所述对比度亮度调节算法，将所述对比度亮度调节算法中的亮度调节参数取值范围设置为[-1，0]，以将各像素点的像素值进行亮度对比度调节，得到各像素点对应的第一调节后像素值，以得到暗图片；

亮图片获取单元，用于调用所述对比度亮度调节算法，将所述对比度亮度调节算法中的亮度调节参数取值范围设置为[0，1]，以将各像素点的像素值进行亮度对比度调节，得到各像素点对应的第二调节后像素值，以得到亮图片。

在本实施例中，根据所述对比度亮度调节算法进行图片的调节时，可以获得明暗程度不同的2幅图片。设置获取暗图片时b的取值为[-1,0]，获取亮图片时b的取值为[0,1]。而且在上述过程中，c在取值范围[-1,1]中任意取一个值即可。通过所述对比度亮度调节算法对输入图片进行对比度亮度调节，可以获得图片质量较佳的亮图片和暗图片以进行后续图片加工处理。

模糊正向匀光图片获取单元130，用于获取所述输入图片的原图尺寸，根据所述原图尺寸初始化得到一个初始模糊正向匀光图片，对所述初始模糊正向匀光图片进行模糊正向匀光，得到当前模糊正向匀光图片。

在本实施例中，由于亮图片或是暗图片中可能会出现亮度分布不均匀的现象，严重影响图片质量，增加了后续图像处理难度。此时为了消除图片亮度分布不均匀的现象，可以对图像进行匀光处理。本申请中，可以采用mask匀光算法对图片进行处理，增强高频信息，抑制低频信息，从而增强图片的细节反差，抑制图片的异常亮度变化，从而实现匀光的目的。

此时采用mask匀光算法对图片进行处理时，不是直接对亮图片或者暗图片进行处理，而是先初始生成一个与所述输入图片具有相同图片尺寸的初始模糊正向匀光图片(也可以理解为初始模糊正向匀光图片与输入图片完全相同)，然后对其进行mask匀光得到当前模糊正向匀光图片。所得到的当前模糊正向匀光图片进一步进行处理后即可参与处理暗图片或亮图片，从而增强所得到样本图片的细节反差，抑制样本图片的异常亮度变化。

在一实施例中，作为模糊正向匀光图片获取单元130的第一具体实施，所述模糊正向匀光图片获取单元130还用于：

调用预先存储的平面模糊正向匀光算法，将所述初始模糊正向匀光图片通过所述平面模糊正向匀光算法进行平面模糊正向匀光，得到当前模糊正向匀光图片；其中，所述平面模糊正向匀光算法中平面公式为y＝a1x+b1，a1和b1为随机值；若所述初始模糊正向匀光图片中有像素点位于所述y＝a1x+b1的平面内则将对应的像素点的像素值设置为255；若所述初始模糊正向匀光图片中有像素点位于所述y＝a1x+b1的平面外则将对应的像素点的像素值设置为0。

在本实施例中，在初始化得到一张当前模糊正向匀光图片，可以通过平面mask算法(即平面模糊正向匀光算法)对所述当前模糊正向匀光图片进行平面mask，得到当前模糊正向匀光图片。

通过对当前模糊正向匀光图片进行平面mask，就是将当前模糊正向匀光图片中的各像素点进行如下判断：

若所述初始模糊正向匀光图片中有像素点位于y＝a1x+b1的平面内则将对应的像素点的像素值设置为255；若所述初始模糊正向匀光图片中有像素点位于y＝a1x+b1的平面外则将对应的像素点的像素值设置为0；其中，平面模糊正向匀光算法中平面公式为y＝a1x+b1，a1和b1为随机值。通过上述平面mask处理，增强了初始模糊正向匀光图片中的高频信息，抑制其中低频信息，抑制初始模糊正向匀光图片的异常亮度变化。

在一实施例中，作为模糊正向匀光图片获取单元130的第二具体实施，所述模糊正向匀光图片获取单元130还用于：

调用预先存储的曲面模糊正向匀光算法，将所述初始模糊正向匀光图片通过所述曲面模糊正向匀光算法进行平面模糊正向匀光，得到当前模糊正向匀光图片；其中，所述曲面模糊正向匀光算法中平面公式为a*x²+b*y²+c*x*y+d*x+e*y＝f，a、b、c、d、e为随机值；若所述初始模糊正向匀光图片中有像素点位于a*x²+b*y²+c*x*y+d*x+e*y＝f的平面范围内则将对应的像素点的像素值设置为255；若所述初始模糊正向匀光图片中有像素点位于a*x²+b*y²+c*x*y+d*x+e*y＝f的平面范围外则将对应的像素点的像素值设置为0。

在本实施例中，在初始化得到一张当前模糊正向匀光图片，还可以通过曲面mask算法(即曲面模糊正向匀光算法)对所述当前模糊正向匀光图片进行曲面mask，得到当前模糊正向匀光图片。

通过对当前模糊正向匀光图片进行曲面mask，就是将当前模糊正向匀光图片中的各像素点进行如下判断：

若所述初始模糊正向匀光图片中有像素点位于a*x²+b*y²+c*x*y+d*x+e*y＝f的平面范围内则将对应的像素点的像素值设置为255；若所述初始模糊正向匀光图片中有像素点位于a*x²+b*y²+c*x*y+d*x+e*y＝f的平面范围外则将对应的像素点的像素值设置为0；其中，曲面模糊正向匀光算法中曲面公式为a*x²+b*y²+c*x*y+d*x+e*y＝f，a、b、c、d、e为随机值。通过上述曲面mask处理，也实现了增强初始模糊正向匀光图片中的高频信息，抑制其中低频信息，抑制初始模糊正向匀光图片的异常亮度变化。也即在具体实施时，可以选择平面mask算法或曲面mask算法中的其中任意一种对所述初始模糊正向匀光图片进行匀光处理。

高斯模糊单元140，用于将所述当前模糊正向匀光图片进行高斯模糊，得到高斯模糊后图片。

在本实施例中，当得到了所述当前模糊正向匀光图片后，为了减少图像噪声以及降低细节层次。图像的高斯模糊过程就是图像与正态分布做卷积。由于正态分布又叫作高斯分布，故此项技术称为高斯模糊。

在一实施例中，高斯模糊单元140还用于：

采用二维高斯函数且滤波核尺寸为[10,100]中的随机数将所述当前模糊正向匀光图片进行高斯模糊，得到高斯模糊后图片；其中，(x，y)表示所述当前模糊正向匀光图片中的像素点坐标，σ是x的方差。

高斯模糊在二维空间定义为此时通过二维空间的高斯模糊对所述当前模糊正向匀光图片进行高斯模糊后，即可得到减少图像噪声以及降低细节层次后的高斯模糊后图片。

图片合成单元150，用于根据所述输入图片对应的暗图片和亮图片以及所述高斯模糊后图片进行合成，得到与所述输入图片对应的图像样本。

在本实施例中，在前面的步骤中得到了所述输入图片对应的暗图片和亮图片及所述高斯模糊后图片，此时可以分别将亮图片经过高斯模糊后图片处理，以及将暗图片经过高斯模糊后图片处理后叠加，即可得到与所述输入图片对应的图像样本，通过这一处理，所生成的图片样本逼真度高。

在一实施例中，图片合成单元150包括：

归一化单元，用于将所述高斯模糊后图片进行归一化处理，得到归一化图片；

权重矩阵计算单元，用于获取所述归一化图片对应的像素矩阵以作为第一矩阵，将单位矩阵减去所述第一矩阵得到第二矩阵；

图片权重处理单元，用于将所述亮图片对应的亮图片像素矩阵与所述第一矩阵相乘得到第一最终像素矩阵，将所述暗图片对应的像素矩阵与所处第二矩阵相乘得到第二最终像素矩阵；

图片权重求和叠加单元，用于将所述第一最终像素矩阵与所述第二最终像素矩阵相加求和，得到与所述输入图片对应的图像样本。

在本实施例中，对所述高斯模糊后图片进行归一化处理，是为了将其处理为权重矩阵，以分别计算亮图片和暗图片在叠加时分别对应的权重。具体实施时，将第一矩阵作为亮图片对应的权重，将第二矩阵作为暗图片对应的权重，之后将第一最终像素矩阵与第二最终像素矩阵相加求和，得到与所述输入图片对应的图像样本，上述通过基于局部阴影特效得到的图片的效果非常接近真实场景拍摄的样本，甚至可以模拟出在真实场景中很难采集的样本。

在一实施例中，基于局部阴影特效的图像样本生成装置100还包括：

图片发送单元，用于将所述输入图片与所述图像样本均发送至用户端。

在本实施例中，当在服务器中根据输入图片扩展得到的图像样本后，可以将输入图片和图像样本发送至用户端，用户端中可以根据扩充后的图像样本进行身份证识别模型的训练。

具体实施时，基于局部阴影特效的图像样本生成装置100还包括：

模型接收单元，用于接收并存储用户端根据包括输入图片和图像样本的图片训练集训练得到的身份证识别模型。

在本实施例中，当在用户端中根据包括输入图片和图像样本的图片训练集对训练待训练身份证识别模型(如卷积神经网络)进行训练，所得到的身份证识别模型发送至服务器进行存储。

在一实施例中，基于局部阴影特效的图像样本生成装置100还包括：

参数上链单元，用于将所述身份证识别模型对应的参数集上传至区块链网络。

在本实施例中，服务器可以作为一个区块链节点设备，将所述身份证识别模型对应的参数集上传至区块链网络，充分利用区块链数据不可篡改的特性，实现身份证识别模型对应的参数集的数据固化存储。服务器从区块链网络重新下载获取了所述身份证识别模型对应的参数集后，可以根据所述身份证识别模型对应的参数集重新还原身份证识别模型。

其中，基于所述身份证识别模型对应的参数集得到对应的摘要信息，具体来说，摘要信息由所述身份证识别模型对应的参数集进行散列处理得到，比如利用sha256算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。服务器可以从区块链中下载得该摘要信息，以便查证所述身份证识别模型对应的参数集是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

该装置实现了对输入图片基于局部阴影特效进行图像样本的扩充，降低了获取身份证图片样本的获取难度，而且所扩充的图像样本接近真实场景拍摄的样本，解决了小样本问题。

上述基于局部阴影特效的图像样本生成装置可以实现为计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。

请参阅图4，图4是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图4，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于局部阴影特效的图像样本生成方法。

该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于局部阴影特效的图像样本生成方法。

该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500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。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的基于局部阴影特效的图像样本生成方法。

本领域技术人员可以理解，图4中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图4所示实施例一致，在此不再赘述。

应当理解，在本发明实施例中，处理器502可以是中央处理单元(centralprocessingunit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的基于局部阴影特效的图像样本生成方法。

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，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。