【技術(shù)實現(xiàn)步驟摘要】
本說明書一個或多個實施例涉及計算機領域，尤其涉及證件防偽檢測方法和裝置。
技術(shù)介紹
1、當前，電子程序身份認證的應用非常廣泛，證件防偽是身份認證的關(guān)鍵環(huán)節(jié)，常見的證件造假方式為，將證件彩打或者黑白打印出來，然后冒充用戶的真實證件去進行身份認證，需要在證件防偽檢測中識別出這一類的證件造假。
2、現(xiàn)有技術(shù)中，常常利用大量的真實證件和其對應的打印圖像去訓練檢測模型，檢測模型用于檢測輸入卡證數(shù)據(jù)對應的證件真?zhèn)危渲校脩舻淖C件信息屬于用戶的隱私數(shù)據(jù)，需要保護隱私數(shù)據(jù)不被泄露。由于受到各種環(huán)境因素影響，在現(xiàn)實中很難獲得數(shù)量和類型充足的打印圖像，從而影響了檢測模型的檢測效果，證件真?zhèn)螜z測的準確率低。
技術(shù)實現(xiàn)思路
1、本說明書一個或多個實施例描述了一種證件防偽檢測方法和裝置，能夠提升證件真?zhèn)螜z測的準確率。
2、第一方面，提供了一種證件防偽檢測方法，方法包括：
3、獲取待檢測卡證在不同光照條件下采集的第一圖像數(shù)據(jù)和第二圖像數(shù)據(jù)；
4、基于所述第一圖像數(shù)據(jù)和第二圖像數(shù)據(jù)形成視頻序列，所述第一圖像數(shù)據(jù)和第二圖像數(shù)據(jù)對應于所述視頻序列中不同時刻的視頻幀；
5、將所述視頻序列輸入多幀深度學習模型，通過所述多幀深度學習模型提取包括空域特征和時域特征的多維度防偽特征，根據(jù)所述多維度防偽特征確定所述待檢測卡證屬于真證或假證的預測類別。
6、在一種可能的實施方式中，所述第一圖像數(shù)據(jù)為在閃光燈開啟時采集的圖像數(shù)據(jù)，所述第二圖像數(shù)據(jù)為在閃光燈未
7、在一種可能的實施方式中，所述視頻序列還基于第三圖像數(shù)據(jù)而生成，所述第三圖像數(shù)據(jù)為體現(xiàn)所述第一圖像數(shù)據(jù)相對于第二圖像數(shù)據(jù)的元素變化的差分圖；所述多維度防偽特征還包括梯度特征。
8、在一種可能的實施方式中，所述視頻序列還基于第四圖像數(shù)據(jù)而生成，所述第四圖像數(shù)據(jù)為所述第一圖像數(shù)據(jù)或所述第二圖像數(shù)據(jù)的頻譜圖；所述多維度防偽特征還包括頻域特征。
9、在一種可能的實施方式中，所述多幀深度學習模型包括采樣網(wǎng)絡層和編碼器；所述通過所述多幀深度學習模型提取包括空域特征和時域特征的多維度防偽特征，包括：
10、通過所述采樣網(wǎng)絡層從所述視頻序列中采樣第一數(shù)目個時間維度的三維管道塊，以及采樣第二數(shù)目個空間維度的二維像素塊，將各個三維管道塊和二維像素塊構(gòu)成塊采樣集合；
11、將所述塊采樣集合輸入所述編碼器，得到能夠表征所述多維度防偽特征的各個塊表征向量。
12、進一步地，所述多幀深度學習模型還包括輸出網(wǎng)絡層；所述根據(jù)所述多維度防偽特征確定所述待檢測卡證屬于真證或假證的預測類別，包括：
13、通過所述輸出網(wǎng)絡層對各個塊表征向量進行注意力池化和映射處理，得到所述預測類別。
14、在一種可能的實施方式中，所述多幀深度學習模型包括編碼器，所述編碼器采用如下的預訓練方式：
15、將樣本視頻序列包括的各個視頻幀分別掩碼若干像素塊，得到掩碼視頻序列；
16、將所述掩碼視頻序列輸入所述編碼器得到各個像素塊分別對應的塊表征向量；
17、將各個塊表征向量輸入解碼器，得到重建視頻序列；
18、基于所述重建視頻序列與所述樣本視頻序列的差異，對所述編碼器進行預訓練。
19、進一步地，所述將樣本視頻序列包括的各個視頻幀分別掩碼若干像素塊，包括：
20、將樣本視頻序列包括的各個視頻幀中在空間上相同位置處分別掩碼若干像素塊。
21、在一種可能的實施方式中，所述多幀深度學習模型采用如下方式進行訓練：
22、獲取樣本檢測卡證的第一圖像數(shù)據(jù)和第二圖像數(shù)據(jù)，以及樣本檢測卡證的標簽類別；
23、將基于所述樣本檢測卡證的第一圖像數(shù)據(jù)和第二圖像數(shù)據(jù)形成的樣本視頻序列輸入多幀深度學習模型，通過所述多幀深度學習模型提取包括空域特征和時域特征的多維度防偽特征，根據(jù)多維度防偽特征確定所述樣本檢測卡證屬于真證或假證的預測類別；
24、根據(jù)樣本檢測卡證的預測類別與標簽類別之間的差異，調(diào)整所述多幀深度學習模型的模型參數(shù)。
25、第二方面，提供了一種證件防偽檢測裝置，裝置包括：
26、獲取單元，用于獲取待檢測卡證在不同光照條件下采集的第一圖像數(shù)據(jù)和第二圖像數(shù)據(jù)；
27、序列構(gòu)建單元，用于基于所述獲取單元獲取的第一圖像數(shù)據(jù)和第二圖像數(shù)據(jù)形成視頻序列，所述第一圖像數(shù)據(jù)和第二圖像數(shù)據(jù)對應于所述視頻序列中不同時刻的視頻幀；
28、預測單元，用于將所述序列構(gòu)建單元得到的視頻序列輸入多幀深度學習模型，通過所述多幀深度學習模型提取包括空域特征和時域特征的多維度防偽特征，根據(jù)所述多維度防偽特征確定所述待檢測卡證屬于真證或假證的預測類別。
29、第三方面，提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，當所述計算機程序在計算機中執(zhí)行時，令計算機執(zhí)行第一方面的方法。
30、第四方面，提供了一種計算設備，包括存儲器和處理器，所述存儲器中存儲有可執(zhí)行代碼，所述處理器執(zhí)行所述可執(zhí)行代碼時，實現(xiàn)第一方面的方法。
31、通過本說明書實施例提供的方法和裝置，首先獲取待檢測卡證在不同光照條件下采集的第一圖像數(shù)據(jù)和第二圖像數(shù)據(jù)；然后基于所述第一圖像數(shù)據(jù)和第二圖像數(shù)據(jù)形成視頻序列，所述第一圖像數(shù)據(jù)和第二圖像數(shù)據(jù)對應于所述視頻序列中不同時刻的視頻幀；最后將所述視頻序列輸入多幀深度學習模型，通過所述多幀深度學習模型提取包括空域特征和時域特征的多維度防偽特征，根據(jù)所述多維度防偽特征確定所述待檢測卡證屬于真證或假證的預測類別。由上可見，本說明書實施例，獲取待檢測卡證在不同光照條件下采集的第一圖像數(shù)據(jù)和第二圖像數(shù)據(jù)，從而能夠突顯在不同的光照條件下卡證展現(xiàn)出的視覺防偽特征，例如，鐳射紋反光、變色的防偽特征，同時多幀深度學習模型基于視頻序列的輸入，能提取豐富的空域特征和時域特征，從而能夠提升證件真?zhèn)螜z測的準確率。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種證件防偽檢測方法，所述方法包括：
2.如權(quán)利要求1所述的方法，其中，所述第一圖像數(shù)據(jù)為在閃光燈開啟時采集的圖像數(shù)據(jù)，所述第二圖像數(shù)據(jù)為在閃光燈未開啟時采集的圖像數(shù)據(jù)。
3.如權(quán)利要求1所述的方法，其中，所述視頻序列還基于第三圖像數(shù)據(jù)而生成，所述第三圖像數(shù)據(jù)為體現(xiàn)所述第一圖像數(shù)據(jù)相對于第二圖像數(shù)據(jù)的元素變化的差分圖；所述多維度防偽特征還包括梯度特征。
4.如權(quán)利要求1所述的方法，其中，所述視頻序列還基于第四圖像數(shù)據(jù)而生成，所述第四圖像數(shù)據(jù)為所述第一圖像數(shù)據(jù)或所述第二圖像數(shù)據(jù)的頻譜圖；所述多維度防偽特征還包括頻域特征。
5.如權(quán)利要求1所述的方法，其中，所述多幀深度學習模型包括采樣網(wǎng)絡層和編碼器；所述通過所述多幀深度學習模型提取包括空域特征和時域特征的多維度防偽特征，包括：
6.如權(quán)利要求5所述的方法，其中，所述多幀深度學習模型還包括輸出網(wǎng)絡層；所述根據(jù)所述多維度防偽特征確定所述待檢測卡證屬于真證或假證的預測類別，包括：
7.如權(quán)利要求1所述的方法，其中，所述多幀深度學習模型包括編碼器，所述編碼器采用如下
8.如權(quán)利要求7所述的方法，其中，所述將樣本視頻序列包括的各個視頻幀分別掩碼若干像素塊，包括：
9.如權(quán)利要求1所述的方法，其中，所述多幀深度學習模型采用如下方式進行訓練：
10.一種證件防偽檢測裝置，所述裝置包括：
11.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，當所述計算機程序在計算機中執(zhí)行時，令計算機執(zhí)行權(quán)利要求1-9中任一項的所述的方法。
12.一種計算設備，包括存儲器和處理器，所述存儲器中存儲有可執(zhí)行代碼，所述處理器執(zhí)行所述可執(zhí)行代碼時，實現(xiàn)權(quán)利要求1-9中任一項的所述的方法。
...【技術(shù)特征摘要】
1.一種證件防偽檢測方法，所述方法包括：
2.如權(quán)利要求1所述的方法，其中，所述第一圖像數(shù)據(jù)為在閃光燈開啟時采集的圖像數(shù)據(jù)，所述第二圖像數(shù)據(jù)為在閃光燈未開啟時采集的圖像數(shù)據(jù)。
3.如權(quán)利要求1所述的方法，其中，所述視頻序列還基于第三圖像數(shù)據(jù)而生成，所述第三圖像數(shù)據(jù)為體現(xiàn)所述第一圖像數(shù)據(jù)相對于第二圖像數(shù)據(jù)的元素變化的差分圖；所述多維度防偽特征還包括梯度特征。
4.如權(quán)利要求1所述的方法，其中，所述視頻序列還基于第四圖像數(shù)據(jù)而生成，所述第四圖像數(shù)據(jù)為所述第一圖像數(shù)據(jù)或所述第二圖像數(shù)據(jù)的頻譜圖；所述多維度防偽特征還包括頻域特征。
5.如權(quán)利要求1所述的方法，其中，所述多幀深度學習模型包括采樣網(wǎng)絡層和編碼器；所述通過所述多幀深度學習模型提取包括空域特征和時域特征的多維度防偽特征，包括：
6.如權(quán)利要求5所述的方法，其中，所...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陳志軍，
申請(專利權(quán))人：螞蟻區(qū)塊鏈科技上海有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。