身份证件的翻拍图像识别方法、装置、设备及介质

摘要

本发明公开了一种身份证件的翻拍图像识别方法、装置、计算机设备及存储介质，所述方法包括：通过接收证件验证指令，获取待识别身份证件图像并输入根据YOLO算法训练完成的头像检测模型，获取待识别身份证件图像中的头像照；根据六角锥体颜色模型将头像照转换为色调饱和度图像，同时根据颜色空间模型将头像照转换为色彩视频图像；将色调饱和度图像和色彩视频图像同时输入训练完成的融合化深度卷积神经网络模型，通过融合化深度卷积神经网络模型对色调饱和度图像和色彩视频图像进行纹理特征的提取，并获取输出的识别结果，识别结果表征了待识别身份证件图像是否为翻拍。实现了快速地、有效地识别出身份证证件图像是否翻拍，提高了识别的准确率。

权利要求

1.一种身份证件的翻拍图像识别方法，其特征在于，包括：

接收证件验证指令，获取待识别身份证件图像；

将所述待识别身份证件图像输入头像检测模型，获取所述待识别身份证件图像中的头像照；所述头像检测模型根据YOLO算法训练完成；

根据六角锥体颜色模型将所述头像照转换为色调饱和度图像，同时根据颜色空间模型将所述头像照转换为色彩视频图像；

将所述色调饱和度图像和所述色彩视频图像同时输入训练完成的融合化深度卷积神经网络模型，通过所述融合化深度卷积神经网络模型对所述色调饱和度图像和所述色彩视频图像进行纹理特征的提取，并获取所述融合化深度卷积神经网络模型根据所述纹理特征输出的识别结果，所述识别结果表征了所述待识别身份证件图像是否为翻拍。

2.如权利要求1所述的身份证件的翻拍图像识别方法，其特征在于，所述将所述待识别身份证件图像输入头像检测模型，获取所述待识别身份证件图像中的头像照，包括：通过所述头像检测模型中的YOLO算法进行多尺度特征检测所述待识别身份证件图像中是否包含人脸以及和人脸连接的脖子；

在所述待识别身份证件图像中包含人脸以及和人脸连接的脖子时，则根据所述人脸以及脖子的位置确定所述待识别身份证件图像中包含头像照的头像区域，并在所述头像区域中提取所述头像区域中的头像照。

3.如权利要求1所述的身份证件的翻拍图像识别方法，其特征在于，所述根据六角锥体颜色模型将所述头像照转换为色调饱和度图像，同时根据颜色空间模型将所述头像照转换为色彩视频图像，包括：将所述头像照通过通道分离，分离出红色通道的红色通道图像、绿色通道的绿色通道图像和蓝色通道的蓝色通道图像；

根据所述六角锥体颜色模型对所述红色通道图像、绿色通道图像和蓝色通道图像进行转换，得到所述色调饱和度图像；其中，所述色调饱和度图像包括色调通道的色调通道图像、饱和度通道的饱和度通道图像和明度通道的明度通道图像；

根据颜色空间模型对所述红色通道图像、绿色通道图像和蓝色通道图像进行转换，得到所述色彩视频图像；其中，所述色彩视频图像包括灰度通道的灰度通道图像、色度红通道的色度红通道图像和色度蓝通道的色度蓝通道图像。

4.如权利要求1所述的身份证件的翻拍图像识别方法，其特征在于，所述将所述色调饱和度图像和所述色彩视频图像同时输入训练完成的融合化深度卷积神经网络模型，通过所述融合化深度卷积神经网络模型对所述色调饱和度图像和所述色彩视频图像进行纹理特征的提取，并获取所述融合化深度卷积神经网络模型根据所述纹理特征输出的识别结果，所述识别结果表征了所述待识别身份证件图像是否为翻拍，包括：将所述色调饱和度图像输入预设的第一深度卷积神经网络模型，通过所述第一深度卷积神经网络模型对所述色调饱和图像进行第一纹理特征的提取，并获取所述第一深度卷积神经网络模型根据所述第一纹理特征输出的第一识别神经元；将所述色彩视频图像输入预设的第二深度卷积神经网络模型，通过所述二深度卷积神经网络模型对所述色彩视频图像进行第二纹理特征的提取，并获取所述第二深度卷积神经网络模型根据所述第二纹理特征输出的第二识别神经元；

将所述第一识别神经元和所述第二识别神经元进行融合，得到融合数组；

将所述融合数组输入至预设的识别层，通过所述识别层对所述融合数组进行识别，获取所述识别层输出的识别结果并记录为所述融合化深度卷积神经网络模型输出的识别结果。

5.如权利要求4所述的身份证件的翻拍图像识别方法，其特征在于，所述将所述色调饱和度图像输入预设的第一深度卷积神经网络模型，通过所述第一深度卷积神经网络模型对所述色调饱和图像进行第一纹理特征的提取，并获取所述第一深度卷积神经网络模型根据所述第一纹理特征输出的第一识别神经元，包括：将所述色调饱和度图像输入所述第一深度卷积神经网络模型的第一卷积层，通过所述第一卷积层对所述色调饱和图像进行第一纹理特征的提取，并获取所述卷积层输出的第一卷积数据；

将所述第一卷积数据进行压平处理，生成第一单维向量；

将所述第一单维向量输入所述第一深度卷积神经网络模型的第一全连接层，所述第一全连接层根据所述第一单维向量输出所述第一识别神经元。

6.如权利要求4所述的身份证件的翻拍图像识别方法，其特征在于，所述将所述色彩视频图像输入预设的第二深度卷积神经网络模型，通过所述二深度卷积神经网络模型对所述色彩视频图像进行第二纹理特征的提取，并获取所述第二深度卷积神经网络模型根据所述第二纹理特征输出的第二识别神经元，包括：将所述色彩视频图像输入所述第二深度卷积神经网络模型的第二卷积层，通过所述卷积层对所述色调饱和图像进行第二纹理特征的提取，并获取所述卷积层输出的第二卷积数据；

将所述第二卷积数据进行压平处理，生成第二单维向量；

将所述第二单维向量输入所述第一深度卷积神经网络模型的第二全连接层，所述第二全连接层根据所述第二单维向量输出所述第二识别神经元。

7.如权利要求1所述的身份证件的翻拍图像识别方法，其特征在于，所述将所述色调饱和度图像和所述色彩视频图像同时输入训练完成的融合化深度卷积神经网络模型，通过所述融合化深度卷积神经网络模型对所述色调饱和度图像和所述色彩视频图像进行纹理特征的提取，并获取所述融合化深度卷积神经网络模型根据所述纹理特征输出的识别结果，所述识别结果表征了所述待识别身份证件图像是否为翻拍之前，包括：获取训练样本图像；所述训练样本图像包括训练样本图像的色调饱和度图像和训练样本图像的色彩视频图像；其中，每一个所述训练样本图像均与一个翻拍标签关联；

将所述训练样本图像输入包含初始参数的深度卷积神经网络模型；

通过所述深度卷积神经网络模型提取所述训练样本图像中的纹理特征；

获取所述深度卷积神经网络模型根据所述纹理特征输出的识别结果，并根据所述识别结果和所述翻拍标签的匹配程度确定损失值；

在所述损失值达到预设的收敛条件时，将收敛之后的所述深度卷积神经网络模型记录为训练完成的融合化深度卷积神经网络模型；

在所述损失值未达到预设的收敛条件时，迭代更新所述深度卷积神经网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述深度卷积神经网络模型记录为训练完成的融合化深度卷积神经网络模型。

8.一种身份证件的翻拍图像识别装置，其特征在于，包括：

获取模块，用于接收证件验证指令，获取待识别身份证件图像；

提取模块，用于将所述待识别身份证件图像输入头像检测模型，获取所述待识别身份证件图像中的头像照；所述头像检测模型根据YOLO算法训练完成；

转换模块，用于根据六角锥体颜色模型将所述头像照转换为色调饱和度图像，同时根据颜色空间模型将所述头像照转换为色彩视频图像；

识别模块，用于将所述色调饱和度图像和所述色彩视频图像同时输入训练完成的融合化深度卷积神经网络模型，通过所述融合化深度卷积神经网络模型对所述色调饱和度图像和所述色彩视频图像进行纹理特征的提取，并获取所述融合化深度卷积神经网络模型根据所述纹理特征输出的识别结果，所述识别结果表征了所述待识别身份证件图像是否为翻拍。

9.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至

7任一项所述身份证件的翻拍图像识别方法。

10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述身份证件的翻拍图像识别方法。

说明书

身份证件的翻拍图像识别方法、装置、设备及介质

技术领域

[0001] 本发明涉及图像分类领域，尤其涉及一种身份证件的翻拍图像识别方法、装置、计算机设备及存储介质。

背景技术

[0002] 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，而且容易识别出错，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。

发明内容

[0003] 本发明提供一种身份证件的翻拍图像识别方法、装置、计算机设备及存储介质，实现了快速地、有效地、便捷地识别出身份证证件图像是否翻拍，提高了识别的准确率，提升了识别效率和可靠性，节省了成本。

[0004] 一种身份证件的翻拍图像识别方法，包括：

[0005] 接收证件验证指令，获取待识别身份证件图像；

[0006] 将所述待识别身份证件图像输入头像检测模型，获取所述待识别身份证件图像中的头像照；所述头像检测模型根据YOLO算法训练完成；

[0007] 根据六角锥体颜色模型将所述头像照转换为色调饱和度图像，同时根据颜色空间模型将所述头像照转换为色彩视频图像；

[0008] 将所述色调饱和度图像和所述色彩视频图像同时输入训练完成的融合化深度卷积神经网络模型，通过所述融合化深度卷积神经网络模型对所述色调饱和度图像和所述色彩视频图像进行纹理特征的提取，并获取所述融合化深度卷积神经网络模型根据所述纹理特征输出的识别结果，所述识别结果表征了所述待识别身份证件图像是否为翻拍。

[0009] 一种身份证件的翻拍图像识别装置，包括：

[0010] 获取模块，用于接收证件验证指令，获取待识别身份证件图像；

[0011] 提取模块，用于将所述待识别身份证件图像输入头像检测模型，获取所述待识别身份证件图像中的头像照；所述头像检测模型根据YOLO算法训练完成；

[0012] 转换模块，用于根据六角锥体颜色模型将所述头像照转换为色调饱和度图像，同时根据颜色空间模型将所述头像照转换为色彩视频图像；

[0013] 识别模块，用于将所述色调饱和度图像和所述色彩视频图像同时输入训练完成的融合化深度卷积神经网络模型，通过所述融合化深度卷积神经网络模型对所述色调饱和度图像和所述色彩视频图像进行纹理特征的提取，并获取所述融合化深度卷积神经网络模型根据所述纹理特征输出的识别结果，所述识别结果表征了所述待识别身份证件图像是否为翻拍。

[0014] 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身份证件的翻拍图像识别方法的步骤。

[0015] 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身份证件的翻拍图像识别方法的步骤。

[0016] 本发明提供的身份证件的翻拍图像识别方法、装置、计算机设备及存储介质，通过接收证件验证指令，获取待识别身份证件图像并输入头像检测模型，获取所述待识别身份证件图像中的头像照；所述头像检测模型根据YOLO算法训练完成；根据六角锥体颜色模型将所述头像照转换为色调饱和度图像，同时根据颜色空间模型将所述头像照转换为色彩视频图像；将所述色调饱和度图像和所述色彩视频图像同时输入训练完成的融合化深度卷积神经网络模型，通过所述融合化深度卷积神经网络模型对所述色调饱和度图像和所述色彩视频图像进行纹理特征的提取，并获取所述融合化深度卷积神经网络模型根据所述纹理特征输出的识别结果，所述识别结果表征了所述待识别身份证件图像是否为翻拍。实现了快速地、有效地、便捷地识别出身份证证件图像是否翻拍，提高了识别的准确率，提升了识别效率和可靠性，节省了成本。

附图说明

[0017] 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。

[0018] 图1是本发明一实施例中身份证件的翻拍图像识别方法的应用环境示意图；

[0019] 图2是本发明一实施例中身份证件的翻拍图像识别方法的流程图；

[0020] 图3是本发明一实施例中身份证件的翻拍图像识别方法的步骤S20的流程图；

[0021] 图4是本发明一实施例中身份证件的翻拍图像识别方法的步骤S30的流程图；

[0022] 图5是本发明一实施例中身份证件的翻拍图像识别方法的步骤S40的流程图；

[0023] 图6是本发明一实施例中身份证件的翻拍图像识别方法的步骤S401的流程图；

[0024] 图7是本发明另一实施例中身份证件的翻拍图像识别方法的步骤S401的流程图；

[0025] 图8是本发明另一实施例中身份证件的翻拍图像识别方法的步骤S40的流程图；

[0026] 图9是本发明一实施例中身份证件的翻拍图像识别装置的原理框图；

[0027] 图10是本发明一实施例中计算机设备的示意图。

具体实施方式

[0028] 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。

[0029] 本发明提供的身份证件的翻拍图像识别方法，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。

[0030] 在一实施例中，如图2所示，提供一种身份证件的翻拍图像识别方法，其技术方案主要包括以下步骤S10-S40：

[0031] S10，接收证件验证指令，获取待识别身份证件图像。

[0032] 可理解地，接收所述证件验证指令，获取所述待识别身份证件图像，所述证件验证指令为选择需要进行验证的待识别身份证件图像并确认之后触发的指令，接收到所述证件验证指令之后，获取所述待识别身份证件图像，其获取方式可以根据需要进行设定，比如获取方式可以为通过所述证件验证指令获取所述待识别身份证件图像、根据所述证件验证指令中包含的所述待识别身份证件图像的存储路径获取所述待识别身份证件图像等等。其中，所述待识别身份证件图像可以为包括RGB通道(三个通道为红色通道、绿色通道、蓝色通道)的身份证正面彩色图。

[0033] S20，将所述待识别身份证件图像输入头像检测模型，获取所述待识别身份证件图像中的头像照；所述头像检测模型根据YOLO算法训练完成。

[0034] 可理解地，将所述待识别身份证件图像输入头像检测模型，所述头像检测模型包括YOLO(You Only Look Once)算法，并且所述头像检测模型已经训练完成。所述YOLO算法将身份证件中锁骨及以上的头像区域检测与锁骨及以上的头像关键点检测放在了一起，识别出最终的头像区域和特征点位置。通过所述头像检测模型中的YOLO算法对所述待识别身份证件图像进行头像检测，以检测出所述待识别身份证件图像是否包含头像；在所述头像检测模型检测出所述待识别身份证件图像包含有头像时，则对所述待识别身份证件图像进行提取，并将提取出来的图像标记为所述待识别身份证件图像的头像照。例如：将身份证正面照片输入头像检测模型，检测出该照片包含头像，根据检测出的头像区域(通常该区域为矩形区域)，对身份证正面照片进行剪切，则剪切下来的图像即为身份证正面照片的头像照。

[0035] 在一实施例中，如图3所示，所述步骤S20中，即所述将所述待识别身份证件图像输入头像检测模型，获取所述待识别身份证件图像中的头像照，包括：

[0036] S201，通过所述头像检测模型中的YOLO算法进行多尺度特征检测所述待识别身份证件图像中是否包含人脸以及和人脸连接的脖子。

[0037] 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识别身份证件图像进行头像检测，可以判断出所述待识别身份证件图像是否包含人脸和脖子。例如，所述待识别身份证件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和脖子的检测区域。

[0038] S202，在所述待识别身份证件图像中包含人脸以及和人脸连接的脖子时，则根据所述人脸以及脖子的位置确定所述待识别身份证件图像中包含头像照的头像区域，并在所述头像区域中提取所述头像区域中的头像照。

[0039] 可理解地，在判断出所述待识别身份证件图像中包含有人脸以及和人脸连接的脖子时，可以识别出所述待识别身份证件图像的头像区域。具体的，头像区域可以包括所述待识别身份证件图像中人物的锁骨以上的区域(也即该人脸以及和人脸连接的脖子对应的位置，进一步地，可以在识别出待识别身份证件图像中包含人脸以及和人脸连接的脖子之后，确定脖子的长度与人脸长度之间的比例在预设比列范围内之后，才确定所述待识别身份证件图像中包含头像照的头像区域)。通过所述YOLOv3算法进行头像的识别，可以减少除所述头像区域以外的图像产生的数据干扰，只提取有用的图像数据，从而提高识别的效率。

[0040] 如此，通过所述YOLO算法能够快速地进行头像的识别，可以减少除所述头像区域以外的图像产生的数据干扰，因为所述待识别身份证件图像的纹理特征主要集中在头像区域，从而可以提高翻拍识别的准确率。

[0041] 在一实施例中，所述步骤S201之后，即所述通过所述头像检测模型中的YOLOv3算法进行多尺度特征检测所述待识别身份证件图像中是否包含人脸以及和人脸连接的脖子时之后，还包括：

[0042] S203，在所述待识别身份证件图像中不包含人脸以及和人脸连接的脖子时，则提示重新输入所述待识别身份证件图像。

[0043] 可理解地，如果所述待识别身份证件图像中不包含人脸以及和人脸连接的脖子，就提示重新输入所述待识别身份证件图像，所述提示方式可以根据需求进行设计，比如提示方式为弹出“证件不合格，请重新输入！”及提供重新导入图像的接口的对话框。

[0044] S30，根据六角锥体颜色模型将所述头像照转换为色调饱和度图像，同时根据颜色空间模型将所述头像照转换为色彩视频图像。

[0045] 可理解地，将所述头像照输入所述六角锥体颜色模型，所述六角锥体颜色模型(HSV模型，Hue Saturation Value模型)将所述头像照转换输出含有三个通道(色调通道、饱和度通道和明度通道)的所述色调饱和度图像，之所以采用所述六角锥体颜色模型(HSV模型)，是由于所述六角锥体颜色模型能将保留了所述头像照中的所述饱和度通道和所述明度通道图像信息；将所述头像照输入所述颜色空间模型(YCrCb模型)，所述颜色空间模型将所述头像照转换输出含有三个通道(灰度通道、色度红通道和色度蓝通道)的所述色调饱和度图像，之所以采用所述颜色空间模型(YCrCb模型)进行转换，是由于所述颜色空间模型将灰色通道和色度红通道、色度蓝通道分离，经过所述颜色空间模型转换输出的所述色调饱和度图像的灰色通道为图像处理中的灰度处理后的输出结果，即所述颜色空间模型的转换过程中保留了所述头像照的灰色通道(即常有的灰度处理后)的图像信息，也保留了所述头像照中的所述色度红通道和所述色度蓝通道的图像信息。

[0046] 在一实施例中，如图4所示，所述步骤S30中，即所述根据六角锥体颜色模型将所述头像照转换为色调饱和度图像，同时根据颜色空间模型将所述头像照转换为色彩视频图像，包括：

[0047] S301，将所述头像照通过通道分离，分离出红色通道的红色通道图像、绿色通道的绿色通道图像和蓝色通道的蓝色通道图像。

[0048] 可理解地，所述裁切图像包括三个通道(红色通道、绿色通道和蓝色通道)图像，即每个所述裁切图像中的每个像素点有三个通道分量值，分别为红色分量值、绿色分量值和蓝色分量值。

[0049] S302，根据所述六角锥体颜色模型对所述红色通道图像、绿色通道图像和蓝色通道图像进行转换，得到所述色调饱和度图像；其中，所述色调饱和度图像包括色调通道的色调通道图像、饱和度通道的饱和度通道图像和明度通道的明度通道图像。

[0050] 可理解地，将所述裁切图像中的每个像素点对应的红色分量值、绿色分量值和蓝色分量值输入所述六角锥体颜色模型(HSV模型)，转换得到每个像素点的色调(H)分量值、饱和度(S)分量值和明度(V)分量值，将所有像素点的色调分量值进行汇总得到色调通道图像，将所有像素点的饱和度分量值进行汇总得到饱和度通道图像，将所有像素点的明度分量值进行汇总得到明度通道图像，由色调通道图像、饱和度通道图像和明度通道图像组成所述裁切图像的色调饱和度图像(HSV图像)。

[0051] S303，根据颜色空间模型对所述红色通道图像、绿色通道图像和蓝色通道图像进行转换，得到所述色彩视频图像；其中，所述色彩视频图像包括灰度通道的灰度通道图像、色度红通道的色度红通道图像和色度蓝通道的色度蓝通道图像。

[0052] 可理解地，将所述裁切图像中的每个像素点对应的红色分量值、绿色分量值和蓝色分量值输入所述色彩视频模型(YCrCb模型)，转换得到每个像素点的灰度(Y)分量值、色度红(Cr)分量值和色度蓝(Cb)分量值，将所有像素点的灰度分量值进行汇总得到灰度通道图像，将所有像素点的色度红分量值进行汇总得到色度红通道图像，将所有像素点的色度蓝分量值进行汇总得到色度蓝通道图像，由灰度通道图像、色度红通道图像和色度蓝通道图像组成所述裁切图像的色彩视频图像(YCrCb图像)。

[0053] 如此，所述色调饱和度图像中的任意两个通道之间都相互独立，所述色彩视频图像中的任意两个通道之间也都相互独立，而且所述色调饱和度图像和所述色彩视频图像都增强了所述头像照的色彩空间，因此，更加强化了图像的纹理信号频率统计特征，便于提取及识别。

[0054] S40，将所述色调饱和度图像和所述色彩视频图像同时输入训练完成的融合化深度卷积神经网络模型，通过所述融合化深度卷积神经网络模型对所述色调饱和度图像和所述色彩视频图像进行纹理特征的提取，并获取所述融合化深度卷积神经网络模型根据所述纹理特征输出的识别结果，所述识别结果表征了所述待识别身份证件图像是否为翻拍。

[0055] 可理解地，通过将所述色调饱和度图像输入所述融合化深度卷积神经网络模型中预设的第一深度卷积神经网络模型，通过所述第一深度卷积神经网络模型对所述色调饱和图像进行第一纹理特征的提取，并获取所述第一深度卷积神经网络模型根据所述第一纹理特征输出的第一识别神经元；同时将所述色彩视频图像输入所述融合化深度卷积神经网络模型中预设的第二深度卷积神经网络模型，通过所述二深度卷积神经网络模型对所述色彩视频图像进行第二纹理特征的提取，并获取所述第二深度卷积神经网络模型根据所述第二纹理特征输出的第二识别神经元；其中，所述纹理特征包括所述第一纹理特征和所述第二纹理特征；将所述第一识别神经元和所述第二识别神经元进行融合，得到融合数组；将所述融合数组输入至所述融合化深度卷积神经网络模型中预设的识别层，通过所述识别层对所述融合数组进行识别，获取所述识别层输出的识别结果并记录为所述融合化深度卷积神经网络模型输出的识别结果，从而确定所述待识别身份证件图像是否为翻拍。

[0056] 本发明通过接收证件验证指令，获取待识别身份证件图像并输入头像检测模型，获取待识别身份证件图像中的头像照；头像检测模型根据YOLO算法训练完成；根据六角锥体颜色模型将头像照转换为色调饱和度图像，同时根据颜色空间模型将头像照转换为色彩视频图像；将色调饱和度图像和色彩视频图像同时输入训练完成的融合化深度卷积神经网络模型，通过融合化深度卷积神经网络模型对色调饱和度图像和色彩视频图像进行纹理特征的提取，并获取融合化深度卷积神经网络模型根据纹理特征输出的识别结果，识别结果表征了待识别身份证件图像是否为翻拍。由于所述待识别身份证件图像经过头像照的提取，并对头像照进行图像处理转换，丰富了纹理特征的信息，再通过融合化深度卷积神经网络模型对纹理特征提取并识别是否为翻拍图像，融合化深度卷积神经网络模型运用融合的方式能够减少深度卷积神经网络的深度，所以所述深度卷积神经网络模型容量小，便于应用在便携式移动终端中。如此，实现了快速地、有效地、便捷地识别出身份证证件图像是否翻拍，提高了识别的准确率，提升了识别效率和可靠性，节省了成本。

[0057] 在一实施例中，如图5所示，所述步骤S40中，即所述将所述色调饱和度图像和所述色彩视频图像同时输入训练完成的融合化深度卷积神经网络模型，通过所述融合化深度卷积神经网络模型对所述色调饱和度图像和所述色彩视频图像进行纹理特征的提取，并获取所述融合化深度卷积神经网络模型根据所述纹理特征输出的识别结果，所述识别结果表征了所述待识别身份证件图像是否为翻拍，包括：

[0058] S401，将所述色调饱和度图像输入预设的第一深度卷积神经网络模型，通过所述第一深度卷积神经网络模型对所述色调饱和图像进行第一纹理特征的提取，并获取所述第一深度卷积神经网络模型根据所述第一纹理特征输出的第一识别神经元；将所述色彩视频图像输入预设的第二深度卷积神经网络模型，通过所述二深度卷积神经网络模型对所述色彩视频图像进行第二纹理特征的提取，并获取所述第二深度卷积神经网络模型根据所述第二纹理特征输出的第二识别神经元。

[0059] 可理解地，所述第一深度卷积神经网络模型为对所述色调饱和图像进行所述第一纹理特征的提取后输出所述第一识别神经元的神经网络，所述第一纹理特征为针对所述色调饱和图像的波光纹或异常斑纹的特征，所述第二深度卷积神经网络模型为对所述色彩视频图像进行所述第二纹理特征的提取后输出所述第二识别神经元的神经网络，所述第二纹理特征为针对所述色彩视频图像的波光纹或异常斑纹的特征。

[0060] 在一实施例中，如图6所示，所述步骤S401中，即所述将所述色调饱和度图像输入预设的第一深度卷积神经网络模型，通过所述第一深度卷积神经网络模型对所述色调饱和图像进行第一纹理特征的提取，并获取所述第一深度卷积神经网络模型根据所述第一纹理特征输出的第一识别神经元，包括：

[0061] S4011，将所述色调饱和度图像输入所述第一深度卷积神经网络模型的第一卷积层，通过所述第一卷积层对所述色调饱和图像进行第一纹理特征的提取，并获取所述卷积层输出的第一卷积数据。

[0062] 其中，所述第一卷积层可以根据需求设计为若干层卷积和若干个池化层，优选地，所述第一卷积层包括13层卷积和5个池化层，所述第一卷积层的结构包括：第一层为第一个64个(3,3)卷积核的卷积，第二层为第二个64个(3,3)的卷积核的卷积，第三层为第一个池化层，第四层为第一个128个(3,3)卷积核的卷积，第五层为第二个128个(3,3)卷积核的卷积，第六层为第二个池化层，第七层为第一个256个(3,3)卷积核的卷积，第八层为第二个
256个(3,3)卷积核的卷积，第九层为第三个256个(3,3)卷积核的卷积，第十层为第三个池化层，第十一层为第一个512个(3,3)卷积核的卷积，第十二层为第二个512个(3,3)卷积核的卷积，第十三层为第三个512个(3,3)卷积核的卷积，第十四层为第四个池化层，第十五层为第四个512个(3,3)卷积核的卷积，第十六层为第五个512个(3,3)卷积核的卷积，第十七层为第六个512个(3,3)卷积核的卷积，第十八层为第五个池化层。所述第一卷积层的第十八层输出的数据标记为所述第一卷积数据，即经过所述第五个池化层进行池化处理后输出的数据标记为所述第一卷积数据。

[0063] S4012，将所述第一卷积数据进行压平处理，生成第一单维向量。

[0064] 可理解地，所述第一卷积数据为多维向量，对所述第一卷积数据进行压平处理，即将多维向量转换成一维向量，并标记为所述第一单维向量。

[0065] S4013，将所述第一单维向量输入所述第一深度卷积神经网络模型的第一全连接层，所述第一全连接层根据所述第一单维向量输出所述第一识别神经元。

[0066] 其中，所述第一全连接层可以根据需求设计为若干层全连接层，优选地，所述第一全连接层包括三层全连接层，所述第一全连接层的结构包括：第一层为第一个4096分类的全连接层，第二层为第二个4096分类的全连接层，第三层为第一个1000分类的全连接层。所述第一个1000分类的全连接层为通过分类处理后得到1000个识别神经元的全连接层，将所述第一全连接层的第三层输出的所述1000个识别神经元记录为所述第一深度卷积神经网络模型输出的所述第一识别神经元。

[0067] 在一实施例中，如图7所示，所述步骤S401中，即所述将所述色彩视频图像输入预设的第二深度卷积神经网络模型，通过所述二深度卷积神经网络模型对所述色彩视频图像进行第二纹理特征的提取，并获取所述第二深度卷积神经网络模型根据所述第二纹理特征输出的第二识别神经元，包括：

[0068] S4014，将所述色彩视频图像输入所述第二深度卷积神经网络模型的第二卷积层，通过所述卷积层对所述色调饱和图像进行第二纹理特征的提取，并获取所述卷积层输出的第二卷积数据。

[0069] 其中，所述第二卷积层可以根据需求设计为若干层卷积和若干个池化层，优选地，所述第二卷积层包括13层卷积和5个池化层，所述第二卷积层的结构包括：第一层为第三个64个(3,3)卷积核的卷积，第二层为第四个64个(3,3)的卷积核的卷积，第三层为第六个池化层，第四层为第三个128个(3,3)卷积核的卷积，第五层为第四个128个(3,3)卷积核的卷积，第六层为第七个池化层，第七层为第四个256个(3,3)卷积核的卷积，第八层为第五个
256个(3,3)卷积核的卷积，第九层为第六个256个(3,3)卷积核的卷积，第十层为第八个池化层，第十一层为第六个512个(3,3)卷积核的卷积，第十二层为第七个512个(3,3)卷积核的卷积，第十三层为第八个512个(3,3)卷积核的卷积，第十四层为第九个池化层，第十五层为第九个512个(3,3)卷积核的卷积，第十六层为第十个512个(3,3)卷积核的卷积，第十七层为第十一个512个(3,3)卷积核的卷积，第十八层为第十个池化层。所述第二卷积层的第十八层输出的数据标记为所述第二卷积数据，即经过所述第十个池化层进行池化处理后输出的数据标记为所述第二卷积数据。

[0070] S4015，将所述第二卷积数据进行压平处理，生成第二单维向量。

[0071] 可理解地，所述第二卷积数据为多维向量，对所述第二卷积数据进行压平处理，即将多维向量转换成一维向量，并标记为所述第二单维向量。

[0072] S4016，将所述第二单维向量输入所述第一深度卷积神经网络模型的第二全连接层，所述第二全连接层根据所述第二单维向量输出所述第二识别神经元。

[0073] 其中，所述第二全连接层可以根据需求设计为若干层全连接层，优选地，所述第二全连接层包括三层全连接层，所述第二全连接层的结构包括：第一层为第三个4096分类的全连接层，第二层为第四个4096分类的全连接层，第三层为第二个1000分类的全连接层。所述第二个1000分类的全连接层为通过分类处理后得到1000个识别神经元的全连接层，将所述第二全连接层的第三层输出的所述1000个识别神经元记录为所述第二深度卷积神经网络模型输出的所述第二识别神经元。

[0074] S402，将所述第一识别神经元和所述第二识别神经元进行融合，得到融合数组。

[0075] 可理解地，将所述第一识别神经元(1000个识别神经元)和所述第一识别神经元(1000个识别神经元)进行融合，即将两组一维的数组拼接为一组一维的数组，得到一组有2000个识别神经元的数组，并标记为融合数组。

[0076] S403，将所述融合数组输入至预设的识别层，通过所述识别层对所述融合数组进行识别，获取所述识别层输出的识别结果并记录为所述融合化深度卷积神经网络模型输出的识别结果。

[0077] 可理解地，所述识别层包括两个全连接层、两个批量归一化层(Batch Normalization)、两个激活函数层(Activation)、两个随机失活层(Dropout)和一个激活层(softmax)，所述识别层的结构包括：第一层为第一个全连接层，第二层为第一个批量归一化层，第三层为第一个激活函数层，第四层为第一个随机失活层，第五层为第二个全连接层，第六层为第二个批量归一化层，第七层为第二个激活函数层，第八层为第二个随机失活层，第九层为为激活层。所述激活层包括损失函数，优选地，所述损失函数为二分类的交叉熵函数(binary_cross_entropy)，所述激活层计算出所述识别图像的翻拍概率。在一实施例中，在所述翻拍概率大于或等于预设概率阈值时，确定所述待识别身份证件图像为翻拍图像，在所述翻拍概率小于预设概率阈值时，确定所述待识别身份证件图像为非翻拍图像。

[0078] 如此，提供了融合方式的深度卷积神经网络模型，能够大大减少深度卷积神经网络模型的深度与复杂度，并且能够更好的提取纹理特征，提高了识别效率和准确性。

[0079] 在一实施例中，如图8所示，所述步骤S40之前，即将所述色调饱和度图像和所述色彩视频图像同时输入训练完成的融合化深度卷积神经网络模型，通过所述融合化深度卷积神经网络模型对所述色调饱和度图像和所述色彩视频图像进行纹理特征的提取，并获取所述融合化深度卷积神经网络模型根据所述纹理特征输出的识别结果，所述识别结果表征了所述待识别身份证件图像是否为翻拍之前，包括：

[0080] S404，获取训练样本图像；所述训练样本图像包括训练样本图像的色调饱和度图像和训练样本图像的色彩视频图像；其中，每一个所述训练样本图像均与一个翻拍标签关联。

[0081] 其中，所述训练样本图像存在若干个翻拍训练样本图像和若干个非翻拍训练样本图像，以及将每一个所述训练样本图像均与一个翻拍标签关联，而且所述训练样本图像包括训练样本图像的色调饱和度图像和训练样本图像的色彩视频图像，所述翻拍标签包括翻拍图像和非翻拍图像，在业务流程中，身份证翻拍识别的应用场景很多，选取身份证翻拍图像和身份证非翻拍图像可以分别占用所述训练样本图像为50％和50％，目的是为了训练所述深度卷积神经网络模型能覆盖所有使用场景，提高了所述深度卷积神经网络模型的可靠性。

[0082] S405，将所述训练样本图像输入包含初始参数的深度卷积神经网络模型。

[0083] 可理解地，将所述训练样本图像输入至所述深度卷积神经网络模型，其中，所述深度卷积神经网络模型包含所述初始参数，所述初始参数可以根据需求进行设置，比如所述初始参数可以设置为预设的参数值，也可以设置为随机赋予的参数值等等。

[0084] S406，通过所述深度卷积神经网络模型提取所述训练样本图像中的纹理特征。

[0085] 可理解地，所述深度卷积神经网络模型的训练过程可以根据需求进行选择训练方式，比如传统大型网络训练，迁移学习方式等等，优选地，所述深度卷积神经网络模型的训练过程选择迁移学习方式，如此，可以减少训练的时间。

[0086] S407，获取所述深度卷积神经网络模型根据所述纹理特征输出的识别结果，并根据所述识别结果和所述翻拍标签的匹配程度确定损失值。

[0087] 可理解地，根据所述深度卷积神经网络模型提取出的所述纹理特征，通过所述深度卷积神经网络模型进行所述训练样本图像的翻拍识别，获取得到所述深度卷积神经网络模型的识别结果，通过所述训练样本图像的识别结果与所述训练样本图像的翻拍标签进行比对，确定出与之相对应的损失值，即通过所述深度卷积神经网络模型的损失函数计算出损失值。

[0088] S408，在所述损失值达到预设的收敛条件时，将收敛之后的所述深度卷积神经网络模型记录为训练完成的融合化深度卷积神经网络模型。

[0089] 其中，所述预设的收敛条件可以为所述损失值经过了7000次计算后值为很小且不会再下降的条件，即在所述损失值经过7000次计算后值为很小且不会再下降时，停止训练，并将收敛后的所述深度卷积神经网络模型记录为训练完成的融合化深度卷积神经网络模型；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，即在所述损失值小于设定阈值时，停止训练，并将收敛后的所述深度卷积神经网络模型记录为训练完成的融合化深度卷积神经网络模型。

[0090] 如此，通过根据所述训练样本图像中的翻拍或非翻拍的标签值，并训练所述深度卷积神经网络模型，能够通过提取纹理特征进行识别并提升识别结果的准确率和可靠性。

[0091] 在一实施例中，所述步骤S407之后，即所述获取所述深度卷积神经网络模型根据所述纹理特征输出的识别结果，并根据所述识别结果和所述翻拍标签的匹配程度确定损失值之后，包括：

[0092] S409，在所述损失值未达到预设的收敛条件时，迭代更新所述深度卷积神经网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述深度卷积神经网络模型记录为训练完成的融合化深度卷积神经网络模型。

[0093] 如此，在所述损失值未达到预设的收敛条件时，不断更新迭代所述深度卷积神经网络模型的初始参数，可以不断向准确的识别结果靠拢，让识别结果的准确率越来越高。

[0094] 在一实施例中，提供一种身份证件的翻拍图像识别装置，该身份证件的翻拍图像识别装置与上述实施例中身份证件的翻拍图像识别方法一一对应。如图9所示，该身份证件的翻拍图像识别装置包括获取模块11、提取模块12、转换模块13和识别模块14。各功能模块详细说明如下：

[0095] 获取模块11，用于接收证件验证指令，获取待识别身份证件图像；

[0096] 提取模块12，用于将所述待识别身份证件图像输入头像检测模型，获取所述待识别身份证件图像中的头像照；所述头像检测模型根据YOLO算法训练完成；

[0097] 转换模块13，用于根据六角锥体颜色模型将所述头像照转换为色调饱和度图像，同时根据颜色空间模型将所述头像照转换为色彩视频图像；

[0098] 识别模块14，用于将所述色调饱和度图像和所述色彩视频图像同时输入训练完成的融合化深度卷积神经网络模型，通过所述融合化深度卷积神经网络模型对所述色调饱和度图像和所述色彩视频图像进行纹理特征的提取，并获取所述融合化深度卷积神经网络模型根据所述纹理特征输出的识别结果，所述识别结果表征了所述待识别身份证件图像是否为翻拍。

[0099] 在一实施例中，所述提取模块12包括：

[0100] 头像识别单元，用于通过所述头像检测模型中的YOLO算法进行多尺度特征检测所述待识别身份证件图像中是否包含人脸以及和人脸连接的脖子；

[0101] 头像提取单元，用于在所述待识别身份证件图像中包含人脸以及和人脸连接的脖子时，则根据所述人脸以及脖子的位置确定所述待识别身份证件图像中包含头像照的头像区域，并在所述头像区域中提取所述头像区域中的头像照。

[0102] 在一实施例中，所述转换模块13包括：

[0103] 分离单元，用于将所述头像照通过通道分离，分离出红色通道的红色通道图像、绿色通道的绿色通道图像和蓝色通道的蓝色通道图像；

[0104] 变换单元，用于根据所述六角锥体颜色模型对所述红色通道图像、绿色通道图像和蓝色通道图像进行转换，得到所述色调饱和度图像；其中，所述色调饱和度图像包括色调通道的色调通道图像、饱和度通道的饱和度通道图像和明度通道的明度通道图像；

[0105] 生成单元，用于根据颜色空间模型对所述红色通道图像、绿色通道图像和蓝色通道图像进行转换，得到所述色彩视频图像；其中，所述色彩视频图像包括灰度通道的灰度通道图像、色度红通道的色度红通道图像和色度蓝通道的色度蓝通道图像。

[0106] 在一实施例中，所述识别模块14包括：

[0107] 获取单元，用于将所述色调饱和度图像输入预设的第一深度卷积神经网络模型，通过所述第一深度卷积神经网络模型对所述色调饱和图像进行第一纹理特征的提取，并获取所述第一深度卷积神经网络模型根据所述第一纹理特征输出的第一识别神经元；将所述色彩视频图像输入预设的第二深度卷积神经网络模型，通过所述二深度卷积神经网络模型对所述色彩视频图像进行第二纹理特征的提取，并获取所述第二深度卷积神经网络模型根据所述第二纹理特征输出的第二识别神经元；

[0108] 融合单元，用于将所述第一识别神经元和所述第二识别神经元进行融合，得到融合数组；

[0109] 输出单元，用于将所述融合数组输入至预设的识别层，通过所述识别层对所述融合数组进行识别，获取所述识别层输出的识别结果并记录为所述融合化深度卷积神经网络模型输出的识别结果。

[0110] 在一实施例中，所述获取单元，包括：

[0111] 第一提取子单元，用于将所述色调饱和度图像输入所述第一深度卷积神经网络模型的第一卷积层，通过所述第一卷积层对所述色调饱和图像进行第一纹理特征的提取，并获取所述卷积层输出的第一卷积数据；

[0112] 第一生成子单元，用于将所述第一卷积数据进行压平处理，生成第一单维向量；

[0113] 第一输出子单元，用于将所述第一单维向量输入所述第一深度卷积神经网络模型的第一全连接层，所述第一全连接层根据所述第一单维向量输出所述第一识别神经元。

[0114] 在一实施例中，所述获取单元还包括：

[0115] 第二提取子单元，用于将所述色彩视频图像输入所述第二深度卷积神经网络模型的第二卷积层，通过所述卷积层对所述色调饱和图像进行第二纹理特征的提取，并获取所述卷积层输出的第二卷积数据；

[0116] 第二生成子单元，用于将所述第二卷积数据进行压平处理，生成第二单维向量；

[0117] 第二输出子单元，用于将所述第二单维向量输入所述第一深度卷积神经网络模型的第二全连接层，所述第二全连接层根据所述第二单维向量输出所述第二识别神经元。

[0118] 在一实施例中，所述识别模块14还包括：

[0119] 训练获取单元，用于获取训练样本图像；所述训练样本图像包括训练样本图像的色调饱和度图像和训练样本图像的色彩视频图像；其中，每一个所述训练样本图像均与一个翻拍标签关联；

[0120] 训练输入单元，用于将所述训练样本图像输入包含初始参数的深度卷积神经网络模型；

[0121] 训练提取单元，用于通过所述深度卷积神经网络模型提取所述训练样本图像中的纹理特征；

[0122] 训练识别单元，用于获取所述深度卷积神经网络模型根据所述纹理特征输出的识别结果，并根据所述识别结果和所述翻拍标签的匹配程度确定损失值；

[0123] 训练完成单元，用于在所述损失值达到预设的收敛条件时，将收敛之后的所述深度卷积神经网络模型记录为训练完成的融合化深度卷积神经网络模型；

[0124] 训练迭代单元，用于在所述损失值未达到预设的收敛条件时，迭代更新所述深度卷积神经网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述深度卷积神经网络模型记录为训练完成的融合化深度卷积神经网络模型。

[0125] 关于身份证件的翻拍图像识别装置的具体限定可以参见上文中对于身份证件的翻拍图像识别方法的限定，在此不再赘述。上述身份证件的翻拍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。

[0126] 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10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身份证件的翻拍图像识别方法。

[0127] 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身份证件的翻拍图像识别方法。

[0128] 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身份证件的翻拍图像识别方法。

[0129] 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。

[0130] 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。

[0131] 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。