一种翻拍图像识别方法、装置、设备及存储介质与流程

本发明涉及图像识别，特别涉及一种翻拍图像识别方法、装置、设备及存储介质。

背景技术：

1、在金融借贷领域，客户可能存在使用非本人或伪造证件和影像数据进实名认证或业务流程办理，尤其是利用通过拍摄手机、电脑屏幕或者截图等方式冒用他人或非真实物体的拍摄，由此对被冒充方和金融企业造成不良影响，或对需要进行实景签到、商品核销等快消场景的实物确认造成信息不实的后果。为避免此类事件发生，可通过技术手段尤其是计算机视觉类的技术方法进行规避和侦测，能够有效的检查出客户上传的照片并非直接拍摄实物，而是通过拍摄其他屏幕或截图的翻拍照片。

2、现有技术中针对翻拍的识别方法有许多，但在效果和识别范围都十分有限，没有一种办法可以做到将多种不同类型的翻拍或非法拍摄识别出来，经过对翻拍场景的梳理分析发现，翻拍照片都会满足至少一个特征要素：1.可见的屏幕边框(手机或电脑等)；2.可见的摩尔纹、屏幕网格；3.可见的高刷新频率屏幕像素斑点或颗粒化像素(无明显摩尔纹)；4.不均匀的反光和曝光。上述翻拍特征要素肉眼可识别，深度学习模型经过调整和优化也可以识别，但是当前市面上的方法针对含有上述要素的某一种或某几种组合有识别的效果，但是随意组合上述要素，或者只出现部分还未攻克的要素，例如高刷屏无摩尔纹翻拍、app内截图等场景没有很好的支持。

3、因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种翻拍图像识别方法、装置、设备及存储介质，能够将不同类型的翻拍、盗拍或者非正常实物拍摄识别出来。其具体方案如下：

2、第一方面，本技术公开了一种翻拍图像识别方法，包括：

3、获取待识别图像，并在预先构建的向量数据库中与所述待识别图像进行查询匹配，以得到第一识别数据；

4、根据所述第一识别数据判断所述待识别图像是否为翻拍图像；如果是则输出所述待识别图像为所述翻拍图像；如果否则将所述待识别图像输入至预设摩尔纹识别模型，以便利用所述预设摩尔纹识别模型，通过对抗网络对所述待识别图像进行识别，得到第二识别数据；

5、根据所述第二识别数据判断所述待识别图像是否为所述翻拍图像；如果是则输出所述待识别图像为所述翻拍图像；如果否则将所述待识别图像输入至预设分类模型，以便利用所述预设分类模型对所述待识别图像进行分类，得到第三识别数据，并根据所述第三识别数据判断所述待识别图像是否为所述翻拍图像。

6、可选的，所述获取待识别图像，并在预先构建的向量数据库中与所述待识别图像进行查询匹配，以得到第一识别数据，包括：

7、获取待识别图像，并通过预设残差网络模型将所述待识别图像转换为目标向量数据；

8、在预先构建的向量数据库中，通过索引算法确定所述目标向量数据与所述向量数据库中每条数据之间的重合度；

9、判断所述重合度是否大于第一预设阈值；如果所述重合度大于所述第一预设阈值，则对所述待识别图像进行标记，并输出所述待识别图像为所述翻拍图像的第一识别数据；如果所述重合度不大于所述第一预设阈值，则将所述目标向量数据在所述向量数据库中注册，然后输出注册后的目标向量数据为第一识别数据。

10、可选的，所述将所述待识别图像输入至预设摩尔纹识别模型，以便利用所述预设摩尔纹识别模型，通过对抗网络对所述待识别图像进行识别，得到第二识别数据，包括：

11、将所述待识别图像输入至预设摩尔纹识别模型，以便利用所述预设摩尔纹识别模型，通过对抗网络对所述待识别图像进行识别，输出判定结果；

12、若所述判定结果大于第二预设阈值，则输出所述待识别图像为所述翻拍图像的第二识别数据；

13、若所述判定结果不大于所述第二预设阈值，则将所述待识别图像输出为所述第二识别数据，以将所述第二识别数据输入所述预设分类模型。

14、可选的，所述的翻拍图像识别方法，还包括：

15、根据所述待识别图像的数量，利用动态调整机制对所述第一预设阈值和/或所述第二预设阈值进行动态调整。

16、可选的，获取所述预设摩尔纹识别模型，包括：

17、通过拍摄设备获取同一屏幕下不同屏幕内容的有摩尔纹数据集，并通过截图获取所述同一屏幕下不同屏幕内容的无摩尔纹数据集；

18、利用所述有摩尔纹数据集和所述无摩尔纹数据集进行二分类模型训练，并确定当前的预设摩尔纹识别模型的识别准确率；

19、当所述识别准确率满足预设标准时，得到所述预设摩尔纹识别模型；

20、当所述识别准确率不满足所述预设标准时，收集训练过程中输出的错误结果，然后循环利用所述错误结果训练所述二分类模型，并确定当前损失函数，当所述当前损失函数大于第三预设阈值时将对应的错误数据重新加入到所述有摩尔纹数据集和所述无摩尔纹数据集中进行二分类模型训练，直到所述预设摩尔纹识别模型的识别准确率满足所述预设标准时，得到所述预设摩尔纹识别模型。

21、可选的，所述利用所述有摩尔纹数据集和所述无摩尔纹数据集进行二分类模型训练，并确定当前的预设摩尔纹识别模型的识别准确率，包括：

22、利用所述有摩尔纹数据集和所述无摩尔纹数据集分别对摩尔纹生成模型和摩尔纹去除模型进行训练，以得到摩尔纹生成数据集和摩尔纹去除数据集；

23、将所述有摩尔纹数据集和所述摩尔纹生成数据集、所述无摩尔纹数据集和所述摩尔纹去除数据集分别输入至所述预设判别器中，以得到与判定结果对应的第一损失函数和第二损失函数；

24、将所述摩尔纹生成数据集输入所述摩尔纹去除模型、将所述摩尔纹去除数据集输入所述摩尔纹生成模型，并分别与各自的输出结果进行对比，以获取相应的第三损失函数和第四损失函数；

25、基于所述第一损失函数、所述第二损失函数、所述第三损失函数和所述第四损失函数，确定当前的预设摩尔纹识别模型的识别准确率。

26、可选的，获取所述预设分类模型，包括：

27、利用残差网络结构创建原始分类模型，并在所述残差网络结构的输入侧并行添加穿插模型，以对所述残差网络结构进行重构，然后根据所述原始分类模型和所述穿插模型确定出所述预设分类模型。

28、第二方面，本技术公开了一种翻拍图像识别装置，包括：

29、第一识别数据获取模块，用于获取待识别图像，并在预先构建的向量数据库中与所述待识别图像进行查询匹配，以得到第一识别数据；

30、第二识别数据获取模块，用于根据所述第一识别数据判断所述待识别图像是否为翻拍图像；如果是则输出所述待识别图像为所述翻拍图像；如果否则将所述待识别图像输入至预设摩尔纹识别模型，以便利用所述预设摩尔纹识别模型，通过对抗网络对所述待识别图像进行识别，得到第二识别数据；

31、翻拍图像判定模块，用于根据所述第二识别数据判断所述待识别图像是否为所述翻拍图像；如果是则输出所述待识别图像为所述翻拍图像；如果否则将所述待识别图像输入至预设分类模型，以便利用所述预设分类模型对所述待识别图像进行分类，得到第三识别数据，并根据所述第三识别数据判断所述待识别图像是否为所述翻拍图像。

32、第三方面，本技术公开了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如前所述的翻拍图像识别方法。

33、第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中所述计算机程序被处理器执行时实现如前所述的翻拍图像识别方法。

34、本技术提供了一种翻拍图像识别方法，包括：获取待识别图像，并在预先构建的向量数据库中与所述待识别图像进行查询匹配，以得到第一识别数据；根据所述第一识别数据判断所述待识别图像是否为翻拍图像；如果是则输出所述待识别图像为所述翻拍图像；如果否则将所述待识别图像输入至预设摩尔纹识别模型，以便利用所述预设摩尔纹识别模型，通过对抗网络对所述待识别图像进行识别，得到第二识别数据；根据所述第二识别数据判断所述待识别图像是否为所述翻拍图像；如果是则输出所述待识别图像为所述翻拍图像；如果否则将所述待识别图像输入至预设分类模型，以便利用所述预设分类模型对所述待识别图像进行分类，得到第三识别数据，并根据所述第三识别数据判断所述待识别图像是否为所述翻拍图像。可见，首先引入向量数据库，通过与向量数据库中的数据进行查询匹配可以排除重复、完全相同的照片、网上多次引用的照片等，可以有效减少影像数据被恶意引用的场景出现。进一步的，对于没有在向量数据库中识别出来的图像，使用多模型、多模态的形式，通过合理的组合和融合获得对业务效果提升最佳的应用模式。也即，先利用摩尔纹识别模型识别出包括不明显的摩尔纹特征、分布不均、细微摩尔纹纹理、模糊的摩尔纹特征等较难识别的摩尔纹场景。然后，针对没有摩尔纹的翻拍场景，引入分类模型，对图像是否存在反光、边框、app内截图等可识别要素进行分类。如此一来，整体上可以提高对“翻拍”类型照片识别的准确率和覆盖率，同时在缺少训练样本的情况下可以发现更多没有定义类型的翻拍。

35、此外，本技术提供的一种翻拍图像识别装置、设备及存储介质，与上述翻拍图像识别方法对应，效果同上。