图像翻拍检测方法、身份验证方法、模型训练方法及装置

摘要

本发明提供一种图像翻拍检测方法、身份验证方法、模型训练方法及装置，该图像翻拍检测方法包括：获取待检测的第一图像；将所述第一图像输入翻拍检测模型，以检测所述第一图像是否为翻拍图像；其中，所述翻拍检测模型为基于目标神经网络训练得到的模型，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，每个所述特征提取子网络均用于对输入的特征图进行不同尺度的可分离卷积并进行特征融合。通过本发明提供的图像翻拍检测方法，可以在保证识别准确率的同时减少训练得到的翻拍检测模型的大小，解决现有的用于翻拍图像识别的模型进行图像翻拍检测所需计算资源较多的问题。

权利要求

1.一种图像翻拍检测方法，其特征在于，包括：获取待检测的第一图像；

将所述第一图像输入翻拍检测模型，以检测所述第一图像是否为翻拍图像；

其中，所述翻拍检测模型为基于目标神经网络训练得到的模型，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，所述输入子网络用于接收输入图像并输出所述输入图像的特征图，每个所述特征提取子网络均用于对输入的特征图进行不同尺度的可分离卷积并进行特征融合，所述输出子网络用于输出M个图像类别的概率，所述M个图像类别至少包括翻拍图像类别和非翻拍图像类别，M为大于1的整数；

每个所述特征提取子网络均包括分离层、至少两个可分离卷积层和特征融合层，所述分离层用于将输入的特征图分割成至少两个子特征图，所述至少两个可分离卷积层的卷积核不同，用于分别对所述至少两个子特征图进行可分离卷积，所述特征融合层用于对所述至少两个可分离卷积层输出的子特征图进行特征融合；

所述特征图为C通道特征图，所述分离层用于将输入的特征图分割成至少两个子特征图包括：所述分离层用于将输入的C通道特征图分割成k个C/k通道子特征图，所述C是所述k的整数倍，所述C和所述k分别为大于等于2的正整数。

2.根据权利要求1所述的方法，其特征在于，所述至少两个特征提取子网络包括依次连接的第一特征提取子网络、第二特征提取子网络和第三特征提取子网络，所述第一特征提取子网络包括的可分离卷积层的最大卷积核大于所述第二特征提取子网络包括的可分离卷积层的最大卷积核，所述第二特征提取子网络包括的可分离卷积层的最大卷积核大于所述第三特征提取子网络包括的可分离卷积层的最大卷积核。

3.根据权利要求1所述的方法，其特征在于，每个所述特征提取子网络还包括依次连接的点卷积层、批量归一化层和激活层，其中，所述点卷积层的输入端连接所述输入子网络的输出端，所述激活层的输出端连接所述分离层的输入端。

4.根据权利要求1所述的方法，其特征在于，所述输入子网络包括N层标准卷积层，所述N层标准卷积层中至少一层标准卷积层的输出端连接有批量归一化层和激活层，N为正整数。

5.根据权利要求1所述的方法，其特征在于，所述输出子网络包括依次连接的可分离卷积单元、标准卷积单元、最大池化层、全连接层和softmax层，所述可分离卷积单元包括可分离卷积层、批量归一化层和激活层，所述标准卷积单元包括标准卷积层、批量归一化层和激活层。

6.一种身份验证方法，其特征在于，包括：通过图像采集设备采集用户图像；

利用权利要求1至5中任一项所述的图像翻拍检测方法，对所述用户图像进行翻拍检测，得到翻拍检测结果；

若所述翻拍检测结果指示所述用户图像为非翻拍图像，则根据所述用户图像进行身份验证。

7.一种模型训练方法，其特征在于，包括：获取S张图像样本和所述S张图像样本的标签数据，其中，所述标签数据用于指示图像样本的图像类别，S为大于1的整数，所述图像类别包括翻拍图像类别和非翻拍图像类别；

根据S张图像样本和所述S张图像样本的标签数据对目标神经网络进行训练，得到翻拍检测模型；

其中，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，所述输入子网络用于接收输入图像并输出所述输入图像的特征图，每个所述特征提取子网络均用于对输入的特征图进行不同尺度的可分离卷积并进行特征融合，所述输出子网络用于输出M个图像类别的概率，所述M个图像类别至少包括翻拍图像类别和非翻拍图像类别，M为大于1的整数；

每个所述特征提取子网络均包括分离层、至少两个可分离卷积层和特征融合层，所述分离层用于将输入的特征图分割成至少两个子特征图，所述至少两个可分离卷积层的卷积核不同，用于分别对所述至少两个子特征图进行可分离卷积，所述特征融合层用于对所述至少两个可分离卷积层输出的子特征图进行特征融合；

所述特征图为C通道特征图，所述分离层用于将输入的特征图分割成至少两个子特征图包括：所述分离层用于将输入的C通道特征图分割成k个C/k通道子特征图，所述C是所述k的整数倍，所述C和所述k分别为大于等于2的正整数。

8.一种图像翻拍检测装置，其特征在于，包括：获取模块，用于获取待检测的第一图像；

检测模块，用于将所述第一图像输入翻拍检测模型，以检测所述第一图像是否为翻拍图像；

其中，所述翻拍检测模型为基于目标神经网络训练得到的模型，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，所述输入子网络用于接收输入图像并输出所述输入图像的特征图，每个所述特征提取子网络均用于对输入的特征图进行不同尺度的可分离卷积并进行特征融合，所述输出子网络用于输出M个图像类别的概率，所述M个图像类别至少包括翻拍图像类别和非翻拍图像类别，M为大于1的整数；

每个所述特征提取子网络均包括分离层、至少两个可分离卷积层和特征融合层，所述分离层用于将输入的特征图分割成至少两个子特征图，所述至少两个可分离卷积层的卷积核不同，用于分别对所述至少两个子特征图进行可分离卷积，所述特征融合层用于对所述至少两个可分离卷积层输出的子特征图进行特征融合；

所述特征图为C通道特征图，所述分离层用于将输入的特征图分割成至少两个子特征图包括：所述分离层用于将输入的C通道特征图分割成k个C/k通道子特征图，所述C是所述k的整数倍，所述C和所述k分别为大于等于2的正整数。

9.一种身份验证装置，其特征在于，包括：采集模块，用于通过图像采集设备采集用户图像；

检测模块，用于利用权利要求1至5中任一项所述的图像翻拍检测方法，对所述用户图像进行翻拍检测，得到翻拍检测结果；

验证模块，用于若所述翻拍检测结果指示所述用户图像为非翻拍图像，则根据所述用户图像进行身份验证。

10.一种模型训练装置，其特征在于，包括：获取模块，用于获取S张图像样本和所述S张图像样本的标签数据，其中，所述标签数据用于指示图像样本的图像类别，S为大于1的整数，所述图像类别包括翻拍图像类别和非翻拍图像类别；

训练模块，用于根据S张图像样本和所述S张图像样本的标签数据对目标神经网络进行训练，得到翻拍检测模型；

其中，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，所述输入子网络用于接收输入图像并输出所述输入图像的特征图，每个所述特征提取子网络均用于对输入的特征图进行不同尺度的可分离卷积并进行特征融合，所述输出子网络用于输出M个图像类别的概率，所述M个图像类别至少包括翻拍图像类别和非翻拍图像类别，M为大于1的整数；

每个所述特征提取子网络均包括分离层、至少两个可分离卷积层和特征融合层，所述分离层用于将输入的特征图分割成至少两个子特征图，所述至少两个可分离卷积层的卷积核不同，用于分别对所述至少两个子特征图进行可分离卷积，所述特征融合层用于对所述至少两个可分离卷积层输出的子特征图进行特征融合；

所述特征图为C通道特征图，所述分离层用于将输入的特征图分割成至少两个子特征图包括：所述分离层用于将输入的C通道特征图分割成k个C/k通道子特征图，所述C是所述k的整数倍，所述C和所述k分别为大于等于2的正整数。

11.一种电子设备，其特征在于，包括处理器、存储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，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的图像翻拍检测方法的步骤，或者实现如权利要求6所述的身份验证方法的步骤，或者实现如权利要求7所述的模型训练方法的步骤。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的图像翻拍检测方法的步骤，或者实现如权利要求6所述的身份验证方法的步骤，或者实现如权利要求7所述的模型训练方法的步骤。

说明书

图像翻拍检测方法、身份验证方法、模型训练方法及装置

技术领域

[0001] 本发明涉及信息处理技术领域，尤其涉及一种图像翻拍检测方法、身份验证方法、模型训练方法及装置。

背景技术

[0002] 在生物特征识别中，相对于指纹和虹膜特征，人脸特征是最容易获取的，因此，人脸识别技术的应用越来越普遍，并向着自动化、无人监督化的趋势发展。然而，目前人脸识
别技术虽识别人脸图像的身份却难以准确辨别所输入人脸图像的真伪，例如，难以辨别所
输入的人脸图像是否为翻拍图像。

[0003] 在现有技术中，为了保证进行翻拍图像识别的识别精度，通常是设计比较深和比较宽的神经网络，以保证网络模型可以学习到足够的特征，由此造成训练得到的模型结构
较大，所需的计算资源比较多。

[0004] 可见，现有技术中存在用于翻拍图像识别的模型进行图像翻拍检测所需计算资源较多的问题。

发明内容

[0005] 本发明实施例提供一种图像翻拍检测方法、身份验证方法、模型训练方法及装置，以解决现有的用于翻拍图像识别的模型进行图像翻拍检测所需计算资源较多的问题。

[0006] 为了解决上述技术问题，本发明是这样实现的：

[0007] 第一方面，本发明实施例提供了一种图像翻拍检测方法。该方法包括：

[0008] 获取待检测的第一图像；

[0009] 将所述第一图像输入翻拍检测模型，以检测所述第一图像是否为翻拍图像；

[0010] 其中，所述翻拍检测模型为基于目标神经网络训练得到的模型，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，所述输入子网络
用于接收输入图像并输出所述输入图像的特征图，每个所述特征提取子网络均用于对输入
的特征图进行不同尺度的可分离卷积并进行特征融合，所述输出子网络用于输出M个图像
类别的概率，所述M个图像类别至少包括翻拍图像类别和非翻拍图像类别，M为大于1的整
数。

[0011] 第二方面，本发明实施例提供了一种身份验证方法。该方法包括：

[0012] 通过图像采集设备采集用户图像；

[0013] 利用上述的图像翻拍检测方法，对所述用户图像进行翻拍检测，得到翻拍检测结果；

[0014] 若所述翻拍检测结果指示所述用户图像为非翻拍图像，则根据所述用户图像进行身份验证。

[0015] 第三方面，本发明实施例提供了一种模型训练方法。该方法包括：

[0016] 获取S张图像样本和所述S张图像样本的标签数据，其中，所述标签数据用于指示图像样本的图像类别，S为大于1的整数，所述图像类别包括翻拍图像类别和非翻拍图像类
别；

[0017] 根据S张图像样本和所述S张图像样本的标签数据对目标神经网络进行训练，得到翻拍检测模型；

[0018] 其中，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，所述输入子网络用于接收输入图像并输出所述输入图像的特征图，每个所
述特征提取子网络均用于对输入的特征图进行不同尺度的可分离卷积并进行特征融合，所
述输出子网络用于输出M个图像类别的概率，所述M个图像类别至少包括翻拍图像类别和非
翻拍图像类别，M为大于1的整数。

[0019] 第四方面，本发明实施例还提供一种图像翻拍检测装置。该图像翻拍检测装置包括：

[0020] 获取模块，用于获取待检测的第一图像；

[0021] 检测模块，用于将所述第一图像输入翻拍检测模型，以检测所述第一图像是否为翻拍图像；

[0022] 其中，所述翻拍检测模型为基于目标神经网络训练得到的模型，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，所述输入子网络
用于接收输入图像并输出所述输入图像的特征图，每个所述特征提取子网络均用于对输入
的特征图进行不同尺度的可分离卷积并进行特征融合，所述输出子网络用于输出M个图像
类别的概率，所述M个图像类别至少包括翻拍图像类别和非翻拍图像类别，M为大于1的整
数。

[0023] 第五方面，本发明实施例还提供一种身份验证装置。该身份验证装置包括：

[0024] 采集模块，用于通过图像采集设备采集用户图像；

[0025] 检测模块，用于利用上述的图像翻拍检测方法，对所述用户图像进行翻拍检测，得到翻拍检测结果；

[0026] 验证模块，用于若所述翻拍检测结果指示所述用户图像为非翻拍图像，则根据所述用户图像进行身份验证。

[0027] 第六方面，本发明实施例还提供一种模型训练装置。该模型训练装置包括：

[0028] 获取模块，用于获取S张图像样本和所述S张图像样本的标签数据，其中，所述标签数据用于指示图像样本的图像类别，S为大于1的整数，所述图像类别包括翻拍图像类别和
非翻拍图像类别；

[0029] 训练模块，用于根据S张图像样本和所述S张图像样本的标签数据对目标神经网络进行训练，得到翻拍检测模型；

[0030] 其中，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，所述输入子网络用于接收输入图像并输出所述输入图像的特征图，每个所
述特征提取子网络均用于对输入的特征图进行不同尺度的可分离卷积并进行特征融合，所
述输出子网络用于输出M个图像类别的概率，所述M个图像类别至少包括翻拍图像类别和非
翻拍图像类别，M为大于1的整数。

[0031] 第七方面，本发明实施例还提供一种图像翻拍检测装置，包括处理器、存储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，所述计算机程序被所述处理器
执行时实现上述的图像翻拍检测方法的步骤，或者实现上述的身份验证方法的步骤，或者
实现上述的模型训练方法的步骤。

[0032] 第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的图像翻拍检测方法
的步骤，或者实现上述的身份验证方法的步骤，或者实现上述的模型训练方法的步骤。

[0033] 本发明实施例中，通过获取待检测的第一图像；将所述第一图像输入翻拍检测模型，以检测所述第一图像是否为翻拍图像；其中，所述翻拍检测模型为基于目标神经网络训
练得到的模型，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络
和输出子网络，所述输入子网络用于接收输入图像并输出所述输入图像的特征图，每个所
述特征提取子网络均用于对输入的特征图进行不同尺度的可分离卷积并进行特征融合，所
述输出子网络用于输出M个图像类别的概率。由于目标神经网络仅包括输入子网络、至少两
个特征提取子网络和输出子网络，网络结构较为简单，另外每个特征提取子网络均可对输
入的特征图进行不同尺度的可分离卷积并进行特征融合，可以在学习到较多特征的同时减
少网络的参数量，进而可以在保证识别准确率的同时减少训练得到的翻拍检测模型的大
小，解决现有的用于翻拍图像识别的模型进行图像翻拍检测所需计算资源较多的问题。

附图说明

[0034] 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。

[0035] 图1是本发明实施例提供的图像翻拍检测方法的流程图；

[0036] 图2是本发明实施例提供的特征图分割的示意图；

[0037] 图3是本发明实施例提供的身份验证方法的流程图；

[0038] 图4是本发明实施例提供的模型训练方法的流程图；

[0039] 图5a是本发明实施例提供的目标神经网络的输入子网络的结构示意图；

[0040] 图5b是本发明实施例提供的目标神经网络的至少两个特征提取子网络的结构示意图；

[0041] 图5c是本发明实施例提供的目标神经网络的输出子网络的结构示意图；

[0042] 图6是本发明实施例提供的图像翻拍检测装置的结构图；

[0043] 图7是本发明实施例提供的身份验证装置的结构图；

[0044] 图8是本发明实施例提供的模型训练装置的结构图；

[0045] 图9是本发明又一实施例提供的图像翻拍检测装置的结构图。

[0046] 图10是本发明又一实施例提供的身份验证装置的结构图；

[0047] 图11是本发明又一实施例提供的模型训练装置的结构图。

具体实施方式

[0048] 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。

[0049] 本发明实施例提供一种图像翻拍检测方法。参见图1，图1是本发明实施例提供的图像翻拍检测方法的流程图，如图1所示，包括以下步骤：

[0050] 步骤101、获取待检测的第一图像。

[0051] 该步骤中，上述第一图像可以是任意的图像。

[0052] 步骤102、将所述第一图像输入翻拍检测模型，以检测所述第一图像是否为翻拍图像。

[0053] 该步骤中，可以将第一图像输入预先训练的翻拍检测模型，以通过翻拍检测模型对第一图像进行翻拍检测，得到翻拍检测结果，其中，上述翻拍检测结果可以包括各个图像
类别及其概率，例如，翻拍图像0.99，非翻拍图像(也可称为真实图像)0.01；也可以仅包括
概率最高的图像类别，例如，翻拍图像。

[0054] 其中，所述翻拍检测模型可以为基于目标神经网络训练得到的模型，所述目标神经网络可以包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，所述输
入子网络用于接收输入图像并输出所述输入图像的特征图，每个所述特征提取子网络均用
于对输入的特征图进行不同尺度的可分离卷积并进行特征融合，所述输出子网络用于输出
M个图像类别的概率，所述M个图像类别至少包括翻拍图像类别和非翻拍图像类别，M为大于
1的整数。

[0055] 上述输入子网络可以包括但不限于标准卷积层，用于接收输入图像，并可提取输入图像的比较丰富的低层抽象特征。

[0056] 上述每个特征提取子网络均可对输入的特征图进行不同尺度的可分离卷积，也即采用不同大小的卷积核对特征图进行可分离卷积，并对不同尺度的可分离卷积输出的特征
图进行特征融合，以在提取较多特征的同时减少网络的参数量。需要说明的是，上述至少两
个特征提取子网络依次串行连接，也即上述至少两个特征提取子网络的第一个特征提取子
网络的输出端连接第二个特征提取子网络的输入端，第二个特征提取子网络的输出端连接
第三个特征提取子网络的输入端，以此类推。其中，上述特征提取子网络的数量可以根据实
际需求进行合理设置，例如，3、4或5等，优选为3。

[0057] 上述输出子网络可以包括但不限于最大池化层、全连接层和softmax层等，以输出M个图像类别的概率，例如，翻拍图像的概率和非翻拍图像的概率。

[0058] 本发明实施例提供的图像翻拍检测方法，由于目标神经网络仅包括输入子网络、至少两个特征提取子网络和输出子网络，网络结构较为简单，另外每个特征提取子网络均
可对输入的特征图进行不同尺度的可分离卷积并进行特征融合，可以在学习到较多特征的
同时减少网络的参数量，进而可以在保证识别准确率的同时减少训练得到的翻拍检测模型
的大小，解决现有的用于翻拍图像识别的模型进行图像翻拍检测所需计算资源较多的问
题。

[0059] 可选的，每个所述特征提取子网络均可以包括分离层、至少两个可分离卷积层和特征融合层，所述分离层用于将输入的特征图分割成至少两个子特征图，所述至少两个可
分离卷积层的卷积核不同，用于分别对所述至少两个子特征图进行可分离卷积，所述特征
融合层用于对所述至少两个可分离卷积层输出的子特征图进行特征融合。

[0060] 本实施例中，上述分离层用于将输入的特征图分割成至少两个子特征图，其中，上述子特征图的数量可以与可分离卷积层的数量相同。例如，可以将C通道的特征图(即
feature map)分割成4个C/4通道的feature map，如图2所示，或者将C通道的feature map
分割成3个C/3通道的feature map，其中，C为通道数。

[0061] 上述特征提取子网络包括的至少两个可分离卷积层的卷积核不同，以对输入的子特征图进行不同尺度的可分离卷积，进而学习不同维度的抽象特征。实际应用中，较大的卷
积核通常拥有比较大的感受野(即Receptive Field)，可以在低维度时学习到良好的抽象
特征，例如，11*11、9*9等大小的卷积核，但是参数量会较多；较小的卷积核在高维度时可以
学习到良好的抽象特征，例如，3*3的卷积核。

[0062] 需要说明的是，不同特征提取子网络包括的至少两个可分离卷积层的卷积核的大小可以均不相同，也可以部分相同、部分不相同。可选的，可以设置较低维度的特征提取子
网络包括的至少两个可分离卷积层的卷积核的大小大于较高维度的特征提取子网络包括
的至少两个可分离卷积层的卷积核。此外，不同特征提取子网络包括的至少两个可分离卷
积层的数量可以相同，也可以不相同，本实施例对此不作限定。

[0063] 可选的，上述每个特征提取子网络包括的至少两个可分离卷积层中的每个可分离卷积层的输出端还可以连接有批量归一化层(也即batchnorm层)和激活层。其中，上述批量
归一化层可用于加速网络训练，使损失函数快速收敛。上述激活层也可称为激励层，其激活
函数可以包括但不限于relu函数，可以增强网络分类能力。

[0064] 上述特征融合层用于将至少两个可分离卷积层输出的子特征图进行特征融合，以融合不同感受野下得到的特征。例如，可以将4个C/4通道的feature map融合成C通道的
feature map。可选的，上述特征融合层可以包括拼接层，例如，Concat层。

[0065] 本实施例通过分离层将输入的特征图分割成至少两个子特征图，通过所述至少两个可分离卷积层分别对所述至少两个子特征图进行可分离卷积，通过所述特征融合层对所
述至少两个可分离卷积层输出的子特征图进行特征融合，可以在学习到不同感受野下的特
征的同时，减少网络的参数量，进而可以在保证识别准确率的同时减少训练得到的翻拍检
测模型的大小。

[0066] 可选的，所述至少两个特征提取子网络包括依次连接的第一特征提取子网络、第二特征提取子网络和第三特征提取子网络，所述第一特征提取子网络包括的可分离卷积层
的最大卷积核大于所述第二特征提取子网络包括的可分离卷积层的最大卷积核，所述第二
特征提取子网络包括的可分离卷积层的最大卷积核大于所述第三特征提取子网络包括的
可分离卷积层的最大卷积核。

[0067] 本实施例中，上述第一特征提取子网络的输入端可以与输入子网络的输出端连接，第三特征提取子网络的输出端可以与输出子网络的输入端连接。

[0068] 上述第一特征提取子网络、第二特征提取子网络和第三特征提取子网络包括的可分离卷积层的最大卷积核依次减少。例如，上述第一特征提取子网络可以包括卷积核分别
为3*3、5*5、7*7和9*9的可分离卷积层，上述第二特征提取子网络可以包括卷积核分别为3*
3、5*5和7*7的可分离卷积层，上述第三特征提取子网络可以包括卷积核分别为3*3和5*5的
可分离卷积层。

[0069] 本实施例中上述第一特征提取子网络、第二特征提取子网络和第三特征提取子网络包括的可分离卷积层的最大卷积核依次减少，可以增强高维度的特征的学习，进而可以
提高训练得到的翻拍检测模型的识别准确性。

[0070] 可选的，每个所述特征提取子网络还包括依次连接的点卷积层、批量归一化层和激活层，其中，所述点卷积层的输入端连接所述输入子网络的输出端，所述激活层的输出端
连接所述分离层的输入端。

[0071] 本实施例中，上述点卷积层(也即1*1的卷积层)可以对输入的特征图进行通道扩张。例如，对于56*56*64的特征图，经过点卷积可以得到56*56*128的特征图。上述批量归一
化层可用于加速网络训练，使损失函数快速收敛。上述激活层的激活函数可以包括但不限
于relu函数，可增强网络分类能力。

[0072] 可选的，所述输入子网络包括N层标准卷积层，所述N层标准卷积层中至少一层标准卷积层的输出端连接有批量归一化层和激活层，N为正整数。

[0073] 本实施例中，上述N的取值可以根据实际需求进行合理设置，例如，1、2或3等，优选为2。可选的，当N为大于1的整数时，上述N层标准卷积层(也可以成为正常卷积层)的卷积核
可以相同，例如，均为3*3，步长可以不同，例如，N为2时，一个标准卷积层的步长为1，另一个
标准卷积层的步长为2。

[0074] 本实施例中通过N层标准卷积层可以学习到较为丰富的抽象特征，通过批量归一化层和激活层可以提高网络的训练速度和分类能力。

[0075] 可选的，所述输出子网络包括依次连接的可分离卷积单元、标准卷积单元、最大池化层、全连接层和softmax层，所述可分离卷积单元包括可分离卷积层、批量归一化层和激
活层，所述标准卷积单元包括标准卷积层、批量归一化层和激活层。

[0076] 本实施例中，上述输出子网络包括的可分离卷积层的卷积核可以小于每个特征提取子网络包括的可分离卷积层的最大卷积核，可以增强高维度的特征的学习，进而可以提
高训练得到的翻拍检测模型的识别准确性。

[0077] 实际情况中，为了保证进行翻拍图像识别的识别精度，通常是设计比较深和比较宽的神经网络，以保证网络模型可以学习到足够的特征，由此造成训练得到的模型结构较
大，所需的计算资源比较多，因此往往需要在服务器上运行。而本发明实施例提供的目标神
经网络结构在充分学习到可分类的抽象特征的同时，可以保证训练得到的翻拍检测模型较
小，便于移植至移动终端并运行，进而可以提高移动终端进行翻拍图像检测的便捷性和准
确性。

[0078] 本发明实施例提供一种身份识别方法。参见图3，图3是本发明实施例提供的身份识别方法的流程图，如图3所示，包括以下步骤：

[0079] 步骤301、通过图像采集设备采集用户图像。

[0080] 步骤302、利用上述的图像翻拍检测方法，对所述用户图像进行翻拍检测，得到翻拍检测结果。

[0081] 本实施例中，可以基于上述任一实施例提供的图像翻拍检测方法对采集的用户图像进行翻拍检测，得到翻拍检测结果。其中，上述图像翻拍检测方法的相关内容可以参见前
述论述，在此不做赘述。

[0082] 步骤303、若所述翻拍检测结果指示所述用户图像为非翻拍图像，则根据所述用户图像进行身份验证。

[0083] 该步骤中，若所述翻拍检测结果指示所述用户图像为非翻拍图像(也可称为真实图像)，例如，上述翻拍检测结果指示概率最高的图像类别为非翻拍图像，则可以基于上述
用户图像进行身份验证，例如，对用户图像进行人脸识别。

[0084] 可选的，若所述翻拍检测结果指示所述用户图像为翻拍图像，则可以结束流程，也可以输出提示信息，其中，所述提示信息可以用于提示该用户图像为翻拍图像。

[0085] 本发明实施例提供的身份验证方法，通过图像采集设备采集用户图像；利用上述的图像翻拍检测方法，对所述用户图像进行翻拍检测，得到翻拍检测结果；若所述翻拍检测
结果指示所述用户图像为非翻拍图像，则根据所述用户图像进行身份验证，可以减少因翻
拍图像导致的欺诈风险，提高身份验证的准确性和可靠性。

[0086] 本发明实施例提供一种模型训练方法。上述实施例的翻拍检测模型可以是基于本发明实施例提供的模型训练方法训练得到的模型。参见图4，图4是本发明实施例提供的模
型训练方法的流程图，如图4所示，包括以下步骤：

[0087] 步骤401、获取S张图像样本和所述S张图像样本的标签数据，其中，所述标签数据用于指示图像样本的图像类别，S为大于1的整数，所述图像类别包括翻拍图像类别和非翻
拍图像类别。

[0088] 上述S的值可以根据实际需求进行合理设置，例如，5000、20000或100000等。上述S张图像样本包括翻拍图像和非翻拍图像(也可称为真实图像)，两者比例可以为1:1或是近
似于1:1。

[0089] 实际应用中，可以收集用户上传的活体认证图像，对数据进行脱敏和清洗，将真实图像分为一组，将翻拍图像分为另一组。针对真实图像比翻拍图像数量多的情况，可以将翻
拍图像进行旋转、色彩变化、裁剪等操作以扩充翻拍图像，使真实图像和翻拍图像的数量比
例保持在1:1左右。

[0090] 步骤402、根据S张图像样本和所述S张图像样本的标签数据对目标神经网络进行训练，得到翻拍检测模型。

[0091] 该步骤中，可以基于S个图像样本以及各个图像样本对应的标签数据训练翻拍检测模型，进而可以基于该翻拍检测模型进行图像翻拍检测。例如，可以基于tensorflow进行
模型训练，待损失函数收敛到一定程度或达到设定的训练步数时停止，其中，上述损失函数
可以是交叉熵损失函数。

[0092] 其中，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，所述输入子网络用于接收输入图像并输出所述输入图像的特征图，每个所
述特征提取子网络均用于对输入的特征图进行不同尺度的可分离卷积并进行特征融合，所
述输出子网络用于输出M个图像类别的概率，所述M个图像类别至少包括翻拍图像类别和非
翻拍图像类别，M为大于1的整数。

[0093] 上述输入子网络可以包括但不限于标准卷积层，用于接收输入图像，并可提取输入图像的比较丰富的低层抽象特征。

[0094] 上述每个特征提取子网络均可对输入的特征图进行不同尺度的可分离卷积，也即采用不同大小的卷积核对特征图进行可分离卷积，并对不同尺度的可分离卷积输出的特征
图进行特征融合，以在提取较多特征的同时减少网络的参数量。需要说明的是，上述至少两
个特征提取子网络依次串行连接，也即上述至少两个特征提取子网络的第一个特征提取子
网络的输出端连接第二个特征提取子网络的输入端，第二个特征提取子网络的输出端连接
第三个特征提取子网络的输入端，以此类推。其中，上述特征提取子网络的数量可以根据实
际需求进行合理设置，例如，3、4或5等，优选为3。

[0095] 上述输出子网络可以包括但不限于最大池化层、全连接层和softmax层等，以输出M个图像类别的概率，例如，翻拍图像的概率和非翻拍图像的概率。

[0096] 本发明实施例中，由于目标神经网络仅包括输入子网络、至少两个特征提取子网络和输出子网络，网络结构较为简单，另外每个特征提取子网络均可对输入的特征图进行
不同尺度的可分离卷积并进行特征融合，可以在学习到较多特征的同时减少网络的参数
量，进而可以在保证识别准确率的同时减少训练得到的翻拍检测模型的大小。

[0097] 可选的，每个所述特征提取子网络均可以包括分离层、至少两个可分离卷积层和特征融合层，所述分离层用于将输入的特征图分割成至少两个子特征图，所述至少两个可
分离卷积层的卷积核不同，用于分别对所述至少两个子特征图进行可分离卷积，所述特征
融合层用于对所述至少两个可分离卷积层输出的子特征图进行特征融合。

[0098] 本实施例中，上述分离层用于将输入的特征图分割成至少两个子特征图，其中，上述子特征图的数量可以与可分离卷积层的数量相同。例如，可以将C通道的特征图(即
feature map)分割成4个C/4通道的feature map，如图2所示，或者将C通道的feature map
分割成3个C/3通道的feature map，其中，C为通道数。

[0099] 上述特征提取子网络包括的至少两个可分离卷积层的卷积核不同，以对输入的子特征图进行不同尺度的可分离卷积，进而学习不同维度的抽象特征。实际应用中，较大的卷
积核通常拥有比较大的感受野(即Receptive Field)，可以在低维度时学习到良好的抽象
特征，例如，11*11、9*9等大小的卷积核，但是参数量会较多；较小的卷积核在高维度时可以
学习到良好的抽象特征，例如，3*3的卷积核。

[0100] 需要说明的是，不同特征提取子网络包括的至少两个可分离卷积层的卷积核的大小可以均不相同，也可以部分相同、部分不相同。可选的，可以设置较低维度的特征提取子
网络包括的至少两个可分离卷积层的卷积核的大小大于较高维度的特征提取子网络包括
的至少两个可分离卷积层的卷积核。此外，不同特征提取子网络包括的至少两个可分离卷
积层的数量可以相同，也可以不相同，本实施例对此不作限定。

[0101] 可选的，上述每个特征提取子网络包括的至少两个可分离卷积层中的每个可分离卷积层的输出端还可以连接有批量归一化层(也即batchnorm层)和激活层。其中，上述批量
归一化层可用于加速网络训练，使损失函数快速收敛。上述激活层也可称为激励层，其激活
函数可以包括但不限于relu函数，可以增强网络分类能力。

[0102] 上述特征融合层用于将至少两个可分离卷积层输出的子特征图进行特征融合，以融合不同感受野下得到的特征。例如，可以将4个C/4通道的feature map融合成C通道的
feature map。可选的，上述特征融合层可以包括拼接层，例如，Concat层。

[0103] 本实施例通过分离层将输入的特征图分割成至少两个子特征图，通过所述至少两个可分离卷积层分别对所述至少两个子特征图进行可分离卷积，通过所述特征融合层对所
述至少两个可分离卷积层输出的子特征图进行特征融合，可以在学习到不同感受野下的特
征的同时，减少网络的参数量，进而可以在保证识别准确率的同时减少训练得到的翻拍检
测模型的大小。

[0104] 可选的，所述至少两个特征提取子网络包括依次连接的第一特征提取子网络、第二特征提取子网络和第三特征提取子网络，所述第一特征提取子网络包括的可分离卷积层
的最大卷积核大于所述第二特征提取子网络包括的可分离卷积层的最大卷积核，所述第二
特征提取子网络包括的可分离卷积层的最大卷积核大于所述第三特征提取子网络包括的
可分离卷积层的最大卷积核。

[0105] 本实施例中，上述第一特征提取子网络的输入端可以与输入子网络的输出端连接，第三特征提取子网络的输出端可以与输出子网络的输入端连接。

[0106] 上述第一特征提取子网络、第二特征提取子网络和第三特征提取子网络包括的可分离卷积层的最大卷积核依次减少。例如，上述第一特征提取子网络可以包括卷积核分别
为3*3、5*5、7*7和9*9的可分离卷积层，上述第二特征提取子网络可以包括卷积核分别为3*
3、5*5和7*7的可分离卷积层，上述第三特征提取子网络可以包括卷积核分别为3*3和5*5的
可分离卷积层。

[0107] 本实施例中上述第一特征提取子网络、第二特征提取子网络和第三特征提取子网络包括的可分离卷积层的最大卷积核依次减少，可以增强高维度的特征的学习，进而可以
提高训练得到的翻拍检测模型的识别准确性。

[0108] 可选的，每个所述特征提取子网络还包括依次连接的点卷积层、批量归一化层和激活层，其中，所述点卷积层的输入端连接所述输入子网络的输出端，所述激活层的输出端
连接所述分离层的输入端。

[0109] 本实施例中，上述点卷积层(也即1*1的卷积层)可以对输入的特征图进行通道扩张。例如，对于56*56*64的特征图，经过点卷积可以得到56*56*128的特征图。上述批量归一
化层可用于加速网络训练，使损失函数快速收敛。上述激活层的激活函数可以包括但不限
于relu函数，可增强网络分类能力。

[0110] 可选的，所述输入子网络包括N层标准卷积层，所述N层标准卷积层中至少一层标准卷积层的输出端连接有批量归一化层和激活层，N为正整数。

[0111] 本实施例中，上述N的取值可以根据实际需求进行合理设置，例如，1、2或3等，优选为2。可选的，当N为大于1的整数时，上述N层标准卷积层(也可以成为正常卷积层)的卷积核
可以相同，例如，均为3*3，步长可以不同，例如，N为2时，一个标准卷积层的步长为1，另一个
标准卷积层的步长为2。

[0112] 本实施例中通过N层标准卷积层可以学习到较为丰富的抽象特征，通过批量归一化层和激活层可以提高网络的训练速度和分类能力。

[0113] 可选的，所述输出子网络包括依次连接的可分离卷积单元、标准卷积单元、最大池化层、全连接层和softmax层，所述可分离卷积单元包括可分离卷积层、批量归一化层和激
活层，所述标准卷积单元包括标准卷积层、批量归一化层和激活层。

[0114] 本实施例中，上述输出子网络包括的可分离卷积层的卷积核可以小于每个特征提取子网络包括的可分离卷积层的最大卷积核，可以增强高维度的特征的学习，进而可以提
高训练得到的翻拍检测模型的识别准确性。

[0115] 以下结合图5a至图5c所示的目标神经网络为例进行说明：

[0116] 如图5a所示，本实施例提供的目标神经网络的输入子网络可以包括：

[0117] 第一标准卷积层，也可称为正常卷积层，其卷积核为3*3，步长为2，使用batchnorm，激活函数使用relu，输出通道数为32，其输入图像可以为112*112*3，其输出的
特征图(即feature map)可以为56*56*32。

[0118] 第二标准卷积层，卷积核为3*3，步长为1，使用batchnorm，激活函数使用relu，输出通道数为64，其输出的feature map可以为56*56*64。

[0119] 如图5b所示，本实施例提供的目标神经网络的至少两个特征提取子网络可以包括：

[0120] 第一特征提取子网络，包括：点卷积层，也可称为1*1卷积层，其卷积核1*1，步长为1，使用batchnorm，激活函数为relu，输出通道数为128，其输出feature map可以为56*56*
128，用于对通道进行扩张；分离层(图中未示出)，用于将128通道的feature map分割成4个
32通道的feature map；可分离卷积层，每一份feature map分别使用3*3、5*5、7*7、9*9的卷
积核进行可分离卷积操作，步长为2，使用batchnorm，激活函数为relu，操作后得到4份28*
28*32的feature map；特征融合层，用于将4份feature map合并成一份，得到28*28*128大
小的feature map，以融合不同感受野下得到的特征。

[0121] 第二特征提取子网络，包括：1*1卷积层，其卷积核1*1，步长为1，使用batchnorm，激活函数为relu，输出通道数为192，其输出的feature map为28*28*192；分离层(图中未示
出)，用于将192通道的feature map分割成3个64通道的feature map；可分离卷积层，每一
份feature map分别使用3*3、5*5、7*7的卷积核进行可分离卷积操作，步长为2，使用
batchnorm，激活函数为relu，操作后得到3份14*14*64的feature map；特征融合层，将3份
feature map合并成一份，得到14*14*192大小的feature map。

[0122] 第三特征提取子网络，包括：1*1卷积层，其卷积核1*1，步长为1，使用batchnorm，激活函数为relu，输出通道数为256，其输出的feature map为14*14*256；分离层(图中未示
出)，用于将256通道的feature map分割成2个128通道的feature map；可分离卷积层，每一
份feature map分别使用3*3、5*5的卷积核进行可分离卷积操作，步长为2，使用batchnorm，
激活函数为relu，操作后得到2份7*7*128的feature map；特征融合层，用于将2份feature 
map合并成一份，得到7*7*256大小的feature map。

[0123] 如图5c所示，本实施例提供的目标神经网络的输出子网络可以包括：

[0124] 可分离卷积层，其卷积核为3*3，步长为2，使用batchnorm，激活函数为relu，输出通道数为256，其输出的feature map为4*4*256。

[0125] 1*1卷积层，其卷积核1*1，步长为1，使用batchnorm，激活函数为relu，输出通道数为256，其输出的feature map为4*4*256大小，用于整合通道之间的关系；

[0126] 标准卷积层，其卷积核为3*3，步长为2，使用batchnorm，激活函数使用relu，输出通道数为256，其输出的feature map为2*2*256。

[0127] pooling层，使用maxpooling，得到1*1*256的feature map。

[0128] 全链接层和softmax层，用于根据图像类别数量确定输出的个数。

[0129] 需要说明的是，本实施例若基于tensorflow训练上述翻拍检测模型，由于基于tensorflow训练的模型通常无法在移动终端上使用，可以使用转换工具进行翻拍检测模型
转换，例如，可以利用转换工具ncnn进行翻拍检测模型转换，然后进行翻拍检测模型的封
装，以方便移动终端调用。

[0130] 参见图6，图6是本发明实施例提供的图像翻拍检测装置的结构图。如图6所示，图像翻拍检测装置600包括：

[0131] 获取模块601，用于获取待检测的第一图像；

[0132] 检测模块602，用于将所述第一图像输入翻拍检测模型，以检测所述第一图像是否为翻拍图像；

[0133] 其中，所述翻拍检测模型为基于目标神经网络训练得到的模型，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，所述输入子网络
用于接收输入图像并输出所述输入图像的特征图，每个所述特征提取子网络均用于对输入
的特征图进行不同尺度的可分离卷积并进行特征融合，所述输出子网络用于输出M个图像
类别的概率，所述M个图像类别至少包括翻拍图像类别和非翻拍图像类别，M为大于1的整
数。

[0134] 可选的，每个所述特征提取子网络均包括分离层、至少两个可分离卷积层和特征融合层，所述分离层用于将输入的特征图分割成至少两个子特征图，所述至少两个可分离
卷积层的卷积核不同，用于分别对所述至少两个子特征图进行可分离卷积，所述特征融合
层用于对所述至少两个可分离卷积层输出的子特征图进行特征融合。

[0135] 可选的，所述至少两个特征提取子网络包括依次连接的第一特征提取子网络、第二特征提取子网络和第三特征提取子网络，所述第一特征提取子网络包括的可分离卷积层
的最大卷积核大于所述第二特征提取子网络包括的可分离卷积层的最大卷积核，所述第二
特征提取子网络包括的可分离卷积层的最大卷积核大于所述第三特征提取子网络包括的
可分离卷积层的最大卷积核。

[0136] 可选的，每个所述特征提取子网络还包括依次连接的点卷积层、批量归一化层和激活层，其中，所述点卷积层的输入端连接所述输入子网络的输出端，所述激活层的输出端
连接所述分离层的输入端。

[0137] 可选的，所述输入子网络包括N层标准卷积层，所述N层标准卷积层中至少一层标准卷积层的输出端连接有批量归一化层和激活层，N为正整数。

[0138] 可选的，所述输出子网络包括依次连接的可分离卷积单元、标准卷积单元、最大池化层、全连接层和softmax层，所述可分离卷积单元包括可分离卷积层、批量归一化层和激
活层，所述标准卷积单元包括标准卷积层、批量归一化层和激活层。

[0139] 本发明实施例提供的图像翻拍检测装置600能够实现上述图像翻拍检测方法实施例中的各个过程，为避免重复，这里不再赘述。

[0140] 本发明实施例的图像翻拍检测装置600，由于目标神经网络仅包括输入子网络、至少两个特征提取子网络和输出子网络，网络结构较为简单，另外每个特征提取子网络均可
对输入的特征图进行不同尺度的可分离卷积并进行特征融合，可以在学习到较多特征的同
时减少网络的参数量，进而可以在保证识别准确率的同时减少训练得到的翻拍检测模型的
大小，解决现有的用于翻拍图像识别的模型进行图像翻拍检测所需计算资源较多的问题。

[0141] 参见图7，图7是本发明实施例提供的身份验证装置的结构图。如图7所示，身份验证装置700包括：

[0142] 采集模块701，用于通过图像采集设备采集用户图像；

[0143] 检测模块702，用于利用上述的图像翻拍检测方法，对所述用户图像进行翻拍检测，得到翻拍检测结果；

[0144] 验证模块703，用于若所述翻拍检测结果指示所述用户图像为非翻拍图像，则根据所述用户图像进行身份验证。

[0145] 本发明实施例提供的身份验证装置700能够实现上述身份验证方法实施例中的各个过程，为避免重复，这里不再赘述。

[0146] 本发明实施例的身份验证装置700，采集模块701，用于通过图像采集设备采集用户图像；检测模块702，用于利用上述的图像翻拍检测方法，对所述用户图像进行翻拍检测，
得到翻拍检测结果；验证模块703，用于若所述翻拍检测结果指示所述用户图像为非翻拍图
像，则根据所述用户图像进行身份验证。可以减少因翻拍图像导致的欺诈风险，提高身份验
证的准确性和可靠性。

[0147] 参见图8，图8是本发明实施例提供的模型训练装置的结构图。如图8所示，模型训练装置800包括：

[0148] 获取模块801，用于获取S张图像样本和所述S张图像样本的标签数据，其中，所述标签数据用于指示图像样本的图像类别，S为大于1的整数，所述图像类别包括翻拍图像类
别和非翻拍图像类别；

[0149] 训练模块802，用于根据S张图像样本和所述S张图像样本的标签数据对目标神经网络进行训练，得到翻拍检测模型；

[0150] 其中，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，所述输入子网络用于接收输入图像并输出所述输入图像的特征图，每个所
述特征提取子网络均用于对输入的特征图进行不同尺度的可分离卷积并进行特征融合，所
述输出子网络用于输出M个图像类别的概率，所述M个图像类别至少包括翻拍图像类别和非
翻拍图像类别，M为大于1的整数。

[0151] 可选的，每个所述特征提取子网络均包括分离层、至少两个可分离卷积层和特征融合层，所述分离层用于将输入的特征图分割成至少两个子特征图，所述至少两个可分离
卷积层的卷积核不同，用于分别对所述至少两个子特征图进行可分离卷积，所述特征融合
层用于对所述至少两个可分离卷积层输出的子特征图进行特征融合。

[0152] 可选的，所述至少两个特征提取子网络包括依次连接的第一特征提取子网络、第二特征提取子网络和第三特征提取子网络，所述第一特征提取子网络包括的可分离卷积层
的最大卷积核大于所述第二特征提取子网络包括的可分离卷积层的最大卷积核，所述第二
特征提取子网络包括的可分离卷积层的最大卷积核大于所述第三特征提取子网络包括的
可分离卷积层的最大卷积核。

[0153] 可选的，每个所述特征提取子网络还包括依次连接的点卷积层、批量归一化层和激活层，其中，所述点卷积层的输入端连接所述输入子网络的输出端，所述激活层的输出端
连接所述分离层的输入端。

[0154] 可选的，所述输入子网络包括N层标准卷积层，所述N层标准卷积层中至少一层标准卷积层的输出端连接有批量归一化层和激活层，N为正整数。

[0155] 可选的，所述输出子网络包括依次连接的可分离卷积单元、标准卷积单元、最大池化层、全连接层和softmax层，所述可分离卷积单元包括可分离卷积层、批量归一化层和激
活层，所述标准卷积单元包括标准卷积层、批量归一化层和激活层。

[0156] 本发明实施例提供的模型训练装置800能够实现上述模型训练方法实施例中的各个过程，为避免重复，这里不再赘述。

[0157] 本发明实施例的模型训练装置800，由于目标神经网络仅包括输入子网络、至少两个特征提取子网络和输出子网络，网络结构较为简单，另外每个特征提取子网络均可对输
入的特征图进行不同尺度的可分离卷积并进行特征融合，可以在学习到较多特征的同时减
少网络的参数量，进而可以在保证识别准确率的同时减少训练得到的翻拍检测模型的大
小。

[0158] 参见图9，图9是本发明又一实施提供的图像翻拍检测装置的结构图，如图9所示，图像翻拍检测装置900包括：处理器901、存储器902及存储在所述存储器902上并可在所述
处理器上运行的计算机程序，图像翻拍检测装置900中的各个组件通过总线接口903耦合在
一起，所述计算机程序被所述处理器901执行时实现如下步骤：

[0159] 获取待检测的第一图像；

[0160] 将所述第一图像输入翻拍检测模型，以检测所述第一图像是否为翻拍图像；

[0161] 其中，所述翻拍检测模型为基于目标神经网络训练得到的模型，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，所述输入子网络
用于接收输入图像并输出所述输入图像的特征图，每个所述特征提取子网络均用于对输入
的特征图进行不同尺度的可分离卷积并进行特征融合，所述输出子网络用于输出M个图像
类别的概率，所述M个图像类别至少包括翻拍图像类别和非翻拍图像类别，M为大于1的整
数。

[0162] 应理解的是，本实施例中，上述处理器901能够实现上述图像翻拍检测方法实施例的各个过程，为避免重复，这里不再赘述。

[0163] 参见图10，图10是本发明又一实施提供的身份验证装置的结构图，如图10所示，身份验证装置1000包括：处理器1001、存储器1002及存储在所述存储器1002上并可在所述处
理器上运行的计算机程序，身份验证装置1000中的各个组件通过总线接口1003耦合在一
起，所述计算机程序被所述处理器1001执行时实现如下步骤：

[0164] 通过图像采集设备采集用户图像；

[0165] 利用上述的图像翻拍检测方法，对所述用户图像进行翻拍检测，得到翻拍检测结果；

[0166] 若所述翻拍检测结果指示所述用户图像为非翻拍图像，则根据所述用户图像进行身份验证。

[0167] 参见图11，图11是本发明又一实施提供的模型训练装置的结构图，如图11所示，模型训练装置1100包括：处理器1101、存储器1102及存储在所述存储器1102上并可在所述处
理器上运行的计算机程序，模型训练装置1100中的各个组件通过总线接口1103耦合在一
起，所述计算机程序被所述处理器1101执行时实现如下步骤：

[0168] 获取S张图像样本和所述S张图像样本的标签数据，其中，所述标签数据用于指示图像样本的图像类别，S为大于1的整数，所述图像类别包括翻拍图像类别和非翻拍图像类
别；

[0169] 根据S张图像样本和所述S张图像样本的标签数据对目标神经网络进行训练，得到翻拍检测模型；

[0170] 其中，所述目标神经网络包括依次连接的输入子网络、至少两个特征提取子网络和输出子网络，所述输入子网络用于接收输入图像并输出所述输入图像的特征图，每个所
述特征提取子网络均用于对输入的特征图进行不同尺度的可分离卷积并进行特征融合，所
述输出子网络用于输出M个图像类别的概率，所述M个图像类别至少包括翻拍图像类别和非
翻拍图像类别，M为大于1的整数。

[0171] 应理解的是，本实施例中，上述处理器1101能够实现上述模型训练方法实施例的各个过程，为避免重复，这里不再赘述。

[0172] 本发明实施例还提供一种电子设备，包括处理器，存储器，存储在存储器上并可在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述图像翻拍检测方
法实施例的各个过程，或者实现上述身份验证方法实施例的各个过程，或者实现上述模型
训练方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

[0173] 本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述图像翻拍检测方法实施例的各个过程，
或者实现上述身份验证方法实施例的各个过程，或者实现上述模型训练方法实施例的各个
过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储
介质，如只读存储器(Read‑Only Memory，简称ROM)、随机存取存储器(Random Access 
Memory，简称RAM)、磁碟或者光盘等。

[0174] 需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而
且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有
的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该
要素的过程、方法、物品或者装置中还存在另外的相同要素。

[0175] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下
前者是更佳的实施方式。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
(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务
器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

[0176] 上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员
在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多
形式，均属于本发明的保护之内。