摩尔纹识别模型训练方法及装置、图像翻拍识别方法与流程

本技术涉及图像识别，特别涉及摩尔纹识别模型训练方法及装置、图像翻拍识别方法。

背景技术：

1、在现实世界中，在多种场景下均需要进行翻拍识别，比如需要用户进行实物拍摄的场景，有部分用户并不进行实物拍摄，而是对着各种电子器件屏幕拍摄实物图像或者视频等，而拍摄图像或者视频一般存在一定程度的摩尔纹，通过识别摩尔纹就可以识别图像是否为翻拍图像。

2、目前，在识别摩尔纹时，如果图像中只有部分区域存在摩尔纹或者存在轻微摩尔纹，这种情况下摩尔纹往往识别不到，进而无法得到准确的翻拍识别结果。

技术实现思路

1、有鉴于此，本技术的目的在于提供摩尔纹识别模型训练方法及装置、图像翻拍识别方法，能够提升摩尔纹识别的准确度，从而保障翻拍识别的准确度。其具体方案如下：

2、第一方面，本技术公开了一种摩尔纹识别模型训练方法，包括：

3、获取训练样本集；所述训练样本集包括图像样本以及表征所述图像样本存在全域摩尔纹或不存在摩尔纹的标签信息；

4、将每个图像样本划分为多个块，并记录每个块在所述图像样本中的位置信息；

5、基于所述训练样本集对预先构建的网络模型进行训练，在训练的过程中，基于所述位置信息提取所述图像样本中每个块的特征以得到每个块的块特征，以及基于所述块特征得到每个块的识别结果，并基于每个块的识别结果和所述标签信息更新模型参数，直到模型收敛，得到摩尔纹识别模型。

6、可选的，所述预先构建的网络模型包括预设卷积结构、预设roi(感兴趣区)处理层以及分类层；相应的，所述基于所述位置信息提取所述图像样本中每个块的特征以得到每个块的块特征，以及基于所述块特征得到每个块的识别结果，包括：

7、利用所述预设卷积结构提取所述图像样本的特征，得到所述图像样本对应的特征图；

8、将所述特征图以及所述位置信息输入所述预设roi处理层，并利用所述预设roi处理层基于所述特征图以及所述位置信息分别提取所述图像样本中每个块的特征以得到每个块的块特征；

9、利用分类层基于所述块特征分类，得到每个块的识别结果。

10、可选的，所述预设卷积结构包括多个不同尺度的卷积层；所述利用所述预设卷积结构提取所述图像样本的特征，得到所述图像样本对应的特征图，包括：

11、利用多个不同尺度的卷积层提取所述图像样本的特征，并进行通道数调整，得到所述图像样本对应的2×f×g个特征图。

12、可选的，所述利用所述预设roi处理层基于所述特征图以及所述位置信息分别提取所述图像样本中每个块的特征以得到每个块的块特征，包括：

13、将所述2×f×g个特征图中每2个特征图分为一组以得到f×g个特征图组，以及基于位置信息将每个特征图中的每个块均划分为f×g个矩形单元；其中，每个特征图组均包括第一特征图和第二特征图，所述第一特征图对应所述预设roi处理层的第一输出通道，所述第二特征图对应所述预设roi处理层的第二输出通道；

14、针对任一块，确定每个特征图组分别对应的该块内的矩形单元，分别对第一特征图和第二特征图中该特征图组对应的该块内的矩形单元进行平均池化和最大池化并将平均池化和最大池化的结果相加，得到该矩形单元对应的特征点，将所有第一特征图对应的该块的特征点作为该块在所述第一输出通道对应的块特征，以及将所有第二特征图对应的特征点作为该块在所述第二输出通道对应的块特征；其中，不同特征图组对应块内不同的矩形单元。

15、可选的，所述预先构建的网络模型还包括全局平均池化层；相应的，在所述利用分类层基于所述块特征进行分类，得到每个块的识别结果之前，还包括：

16、将所述块特征输入所述全局平均池化层，利用所述全局平均池化层对所述块特征进行全局平均池化。

17、可选的，所述获取训练样本集，包括：

18、获取原始图像数据集；所述原始图像数据集包括原始rgb图像数据；

19、提取所述原始rgb图像数据的g分量的边缘信息，并在所述原始rgb图像数据中去除所述边缘信息，得到图像样本。

20、第二方面，本技术公开了一种图像翻拍识别方法，包括：

21、将待识别图像分块，得到每个块的位置信息；

22、将所述待识别图像和所述位置信息输入摩尔纹识别模型，以便所述摩尔纹识别模型输出所述每个块的识别结果；其中，所述摩尔纹识别模型为基于前述的摩尔纹识别模型训练方法得到；

23、统计所述识别结果为存在摩尔纹的块数量；

24、判断所述块数量是否达到预设阈值，若是，则判定所述待识别图像为翻拍图像。

25、第三方面，本技术公开了一种摩尔纹识别模型训练装置，包括：

26、训练样本获取模块，用于获取训练样本集；所述训练样本集包括图像样本以及表征所述图像样本存在全域摩尔纹或不存在摩尔纹的标签信息；

27、图像样本分块模块，用于将每个图像样本划分为多个块，并记录每个块在所述图像样本中的位置信息；

28、识别模型训练模块，用于基于所述训练样本集对预先构建的网络模型进行训练，在训练的过程中，基于所述位置信息提取所述图像样本中每个块的特征以得到每个块的块特征，以及基于所述块特征得到每个块的识别结果，并基于每个块的识别结果和所述标签信息更新模型参数，直到模型收敛，得到摩尔纹识别模型。

29、第四方面，本技术公开了一种电子设备，包括存储器和处理器，其中：

30、所述存储器，用于保存计算机程序；

31、所述处理器，用于执行所述计算机程序，以实现前述的摩尔纹识别模型训练方法，和/或，如前述的图像翻拍识别方法。

32、第五方面，本技术公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述的摩尔纹识别模型训练方法，和/或，前述的图像翻拍识别方法。

33、可见，本技术先获取训练样本集，所述训练样本集包括图像样本以及表征所述图像样本存在全域摩尔纹或不存在摩尔纹的标签信息，之后将每个图像样本划分为多个块，并记录每个块在所述图像样本中的位置信息，然后基于所述训练样本集对预先构建的网络模型进行训练，在训练的过程中，基于所述位置信息提取所述图像样本中每个块的特征以得到每个块的块特征，以及基于所述块特征得到每个块的识别结果，并基于每个块的识别结果和所述标签信息更新模型参数，直到模型收敛，得到摩尔纹识别模型。也即，本技术先将图像样本划分为多个块，并记录每个块在图像样本中的位置信息，在训练摩尔纹识别模型的过程中，基于位置信息，分别提取每个块的块特征，并得到每个块的识别结果，利用每个块的识别结果和标签信息更新模型参数，得到摩尔纹识别模型，这样，将图像进行分块，局部识别摩尔纹，可以有效识别摩尔纹不明显或者只有部分区域能看到摩尔纹的图像，并且，不同于一般情况下将图像分块后每块单独处理，需要多次运算才能得到所有结果，而是在图像上依据块的位置信息进行处理，可一次性得到多块图像的识别结果，提升识别效率，块边缘的信息也不会因为块的分割被强行隔断，通过本技术训练得到摩尔纹识别模型，能够提升摩尔纹识别的准确度，从而保障翻拍识别的准确度。